融合可拓學與在線評論挖掘的產品改進需求識別研究

于志剛，成思源，楊雪榮，謝通

（廣東工業大學 機電工程學院, 廣東 廣州 510006）

面對迅速更替的新興技術與需求不斷變化的消費者，產品和服務逐漸趨向于多樣化[1]。對于產品設計師而言，從不斷更迭的用戶反饋中準確地獲取用戶需求并找到產品改進的根本途徑，將有助于產品核心競爭力的提升，從而推動產品更新換代的可持續發展。然而，從用戶反饋當中顯在需求信息難以直接對設計者產生啟發。因此，如何從用戶當中挖掘出有價值的需求信息，進而為產品改進策略提供幫助，無疑成為了廣大產品設計師所關注的焦點[2]。

在產品改進設計的過程中，及時獲得用戶需求至關重要。傳統的方法依舊采用問卷調查，用戶訪談等方法，存在周期長，成本高的劣勢，故而難以提高快速更迭的產品研發需求。得益于電商行業與社交網絡的迅猛發展，在線評論成為了產品缺陷獲取的有效途經和用戶需求載體。電商平臺（京東、淘寶等）實時的在線評論，描述了消費者對產品最直接的感受，在一定程度上代表了消費者對產品的觀點，可以為產品設計師提供最為及時、真實、準確的客戶反饋信息，為產品改進增添了新的策略與方向。

1 相關工作

在產品改進設計當中，通過挖掘龐大的在線評論來獲取產品用戶需求已經成為了學者們研究的熱點。目前，研究者們運用各種數據挖掘方法分析在線評論當中有用的產品信息，研究方向主要聚焦于產品特征挖掘與用戶情感研究。產品特征挖掘，是指從眾多的在線評論當中采用數據挖掘工具或深度學習算法獲取用戶關注的產品特征[3]。徐凱[4]提出了基于Apriori 算法及中文句子組成規律相組合的產品特征抽取方式，借助自然語言處理和文本挖掘技術對在線評論數據中的產品特征信息進行提取。李賀等[5]利用LDA 主題模型對多個品牌的手機在線評論進行主題和產品特征挖掘，并且有效地識別了用戶需求要素。用戶情感研究，指主要利用自然語言處理技術來獲取潛在客戶觀點、文本傾向及情感狀態[6]。Yeh 等[7]將感性工學與SOM 聚類算法有效的結合并運用，最終獲得了與消費者情感相關的產品設計因素。李江泳等[8]運用情感傾向點互信息算法 (semantic orientation pointwise mutual information algorithm,SO-PMI) 對用戶關心的產品屬性進行了量化計算，通過量化結果分析出產品缺陷并應用技術創新方法對產品缺陷進行改進設計。

從不同的產品對象和特征進行描述，所表達的產品細膩度不同，無論是基于產品對象進行表達的在線評論還是基于產品特征都是具有層次性的[9-10]。紀雪等[11]考慮產品屬性的層次性對在線評論獲取用戶需求。肖寒瓊等[12]以三層次體驗理論為基礎，將手機評論的產品特征劃分為本能層-行為層-反思層，用于分析用戶對產品的偏好程度。然而，從在線評論獲取用戶需求的過程中，頻繁使用與評論相關且無對應關系的自然語言去描述，不利于產品關鍵信息的提取與表達，并且缺乏描述事物本身的內部組成結構及層次關系。為此，提出結合可拓學基元模型形式化、模型化的方式表達出在線評論中的產品設計信息，使得信息表達更加全面、細膩。

可拓學中以基元模型來描述被研究對象事物間關系的特征，分析事物拓展規律及研究創新的可拓變換工具，具有統一、方便和易于操作的特點。張文旭等[13]提出產品性能詞典，對在線評論運用數據驅動手段來獲取用戶需求，并采用可拓學物元模型對用戶需求進行形式化表達。劉曉敏等[14]基于基元理論對產品進行多層次知識建模，構建仿生產品系統功能-原理-行為-結構的本體可拓模型。

上述研究利用基元模型實現了對在線評論的設計知識表達，但未考慮產品設計信息的多層次、多特征性；其次，針對不同類型的用戶需求，實現方式也不盡相同，為了形式化、條理化地理清不同類別的用戶需求實現的方法，對獲取的用戶需求進行相關推理及實現需求層次識別至關重要。對此，提出一種融合可拓學與在線評論層次性的設計知識建模的方法，借助產品的實體-功能-屬性的層次關系，以產品對象、對象特征和用戶觀點為核心進行用戶需求識別研究。

2 研究方法

2.1 方法流程概述

本文通過分析在線評論的基本特點，基于可拓學基元模型，提出了在線評論層次的表達方法對用戶評論數據進行產品改進需求識別，針對各個層次模型計算相應的用戶評價值，為挖掘產品缺陷及用戶需求提供指導依據，基本流程如圖1 所示。

圖1 產品改進需求識別基本流程Fig.1 Basic process of product improvement requirement identification

1）在線評論分析。通過爬蟲工具采集產品在線評論數據，數據分析工具對在線評論文本進行預處理。

2）在線評論層次模型。利用PYLDA-vis 交互式可視化庫提取出以產品對象和對象特征為主的產品要素。根據產品的實體-功能-屬性的層次關系對在線評論產品進行劃分，達到在線評論層次劃分的目的，將產品要素匹配映射到相應的層次當中，完成在線評論層次的構建，并借助可拓學物元模型對在線評論層次進行表達。

3）用戶觀點評價值計算。在上述分析的基礎上，利用SO-PMI 算法計算出評論語句的評價值，基于模型化、規范化表達的在線評論層次物元模型，再計算出各個層次用戶觀點的評價值，通過分析用戶觀點的評價值，對存在缺陷的產品對象利用可拓學事元模型表達。

4）產品改進需求識別。對存在缺陷的事元模型與在線評論層次進行分析，利用相關網分析方法確定缺陷物元之間的關聯關系，利用蘊含系分析方法識別出產品改進的根本途徑。

2.2 在線評論分析

首先借助網絡爬蟲工具，選擇恰當的電商平臺并抓取目標產品的用戶評論文本，并將評論文本中對相關研究無意義的內容進行文本預處理，處理后保存最初的評論數據集用于后續相關研究。

用戶通過在線評論的方式，來表達對于產品對象的評價或者對于對象特征的評價。如一款茶壺的評論“茶壺的容量有點小”，“茶壺”是產品對象，“容量”是產品對象的特征，“有點小”是用戶對該對象特征的觀點。從中可以看出，一條評論可以表示為＜產品對象，對象特征，用戶觀點＞的三元組模型[13]：

式 中：On為 產 品 對 象，Cn為 對 象 特 征,Vn為 關 于On的用戶觀點。對于同一款產品，其產品對象On的數量是有限的，對象特征Cn的數量同樣是有限的。通常一個產品的產品對象具有多個特征，而一個對象特征往往被不同的用戶觀點所評價，因此，利用單個層次的三元組模型很難清晰地對用戶的評價進行表達。

2.3 在線評論層次模型

2.3.1 基于PYLDA-vis 可視化庫提取產品要素

產品要素表達了與產品相關的設計知識，包括產品對象和對象特征，在評論當中以詞匯形式出現，學者們通常采用LDA（latent dirichlet allocation）主題模型來提取產品相關的設計知識。LDA主題模型于2003 年被學者首次提出應用于文本分類當中[15]，該主題模型引入了潛在狄利克雷分布，很好地解決了由于短文本類型造成傳統主題模型中的過擬合問題[16]。本文利用LDA 主題模型進行主題詞生成之后，并使用已有的基于Python開發的可視化分析工具PYLDA-vis，該工具具有人機交互的調節面板，可以直觀地顯示出主題與詞匯之間的關聯信息，最終形成在線評論主題聚類效果來提取產品要素[17]。假設數據集中包含K個主題和W個詞匯，詞匯w對主題k的關聯度r可以表示為

式中： ?tw被定義為詞語w出現在主題k中的概率，pw被 定義為詞語w在 語料庫中的邊界概率， λ 為權重參數（0≤λ≤1）。

基于PYLDA-vis 交互式可視化庫，給出如圖2所示的產品要素提取流程。首先，為了使得描述產品相關的信息能夠準確進行分詞，預先加載分詞詞典，并借助分詞工具對在線評論分詞；分詞后，加載停用詞詞典，將一些與產品信息描述無關的詞語進行去除，加快后續產品要素提取的速度；最后，將清洗后的分詞結果以二維矩陣的形式導入PYLDA-vis 交互式可視化庫中，并給定主題個數，得到最終的可視化主題聚類效果圖，選定同一個主題，并調節權重參數 λ來選擇符合要求的產品要素。該流程能夠快速靈活的探索主題和詞匯之間的關聯關系，方便地提取出每個主題下與產品設計知識相關的詞匯。

圖2 產品要素提取流程Fig.2 Product element extraction process

2.3.2 在線評論層次劃分

為了充分挖掘用戶關注的產品信息特征及與產品相關的產品設計信息，研究不同用戶需求之間的關系及實現方式，根據前人的理論研究，對產品對象進行多層次知識建模，將產品對象依次劃分為實體層、功能層和屬性層。實體層代表了產品給用戶的具體化表現形式，是指產品功能實現所需物理支撐的載體，例如：養生壺的茶壺、壺蓋等；功能層是指產品內部固有的效能，由產品內部要素實體結構所決定，例如：養生壺具有保溫、預約功能等；屬性層是指產品本身表現出來的性質，例如：養生壺的價格、品牌等。

在產品的開發過程中，設計者往往會對待開發產品實體層的設計結構進行詳細的展示。有學者將專利產品的實體進行了劃分，依次劃分為系統、子系統和特征結構[18]，通過對產品實體進行分層劃分，可以更加清晰地表達專利產品設計結構和開發者的設計意圖。結合以上研究者的分析方式，本文將實體層進一步劃分為子系統和特征結構，例如，養生壺是一個系統，茶壺、杯子就可以分別作為一個子系統，壺蓋和壺體就可以看作是茶壺的特征結構。

有關研究表明，在獲取用戶需求的過程中，由產品開發者構建的、與由用戶構建隱含的產品層次是不同的[19]。整個產品層次的劃分主要依據產品設計知識庫，典型的方式是通過產品規格說明書進行劃分[20]。產品規格說明書在產品開發者和消費者之間起到紐帶作用。因此，可以通過產品規格說明書來調整和優化產品層次的表述及層次區域的大小。接下來，先將在線評論當中提取的產品對象與各個產品層次區域進行匹配映射，然后將對象特征匹配映射到相應的產品對象中，從而達到在線評論層次劃分的目的。在線評論層次映射關系如圖3 所示。將在線評論當中提取到的產品要素按照映射關系劃分到不同層次的子系統或特征結構當中，使得在線評論被逐級分解到不同產品模塊下的不同區域內，達到了分類組合的效果，從而更好地挖掘用戶需求。

圖3 在線評論層次映射關系Fig.3 Online comment hierarchy mapping relationship

2.3.3 在線評論層次表達

在可拓學中采用以物元、事元和關系元為核心的基元表達形式來形式化、模型化地表達事物。其中基元的組成結構包括對象O、 特征C和量值V，一般采用一維基元或多維基元的表達方式來描述對象的各個特征和參數，其中多維基元的一般表達式為[21]

物元為描述事物提供了量化表達工具，本文將根據在線評論劃分的實體層-功能層-屬性層采用n維物元模型MHS i表 達有：

式中：HS i(i=1,2,…,n)表示劃分的實體層-功能層-屬性層，OS i(i=1,2,…,n)表示該層下的產品對象，{SS i}表 示該產品對象的對象特征集合{SS i1,SS i2,···,SS in}。 每個產品對象的物元模型MOS i可以表示為

特別的，對于實體層的產品對象可以繼續進行劃分，進一步劃分該產品對象下的特征結構，每個OS i可按特征結構組成，采用n維物元MHTi表示為

式中：HTi(i=1,2,…,n) 表示子系統的特征結構，OTi(i=1,2,…,n)表示特征結構,{TTi}表示該特征結構的對象特征集合 {TTi1,TTi2,···,TTin}。每個特征結構的物元模型MOTi可以表示為

結合物元模型，式(4)和式(6)分別給出了在線評論二級和三級層次的形式化表達方式，式(5)和式(7)給出了在線評論產品對象-對象特征對應關系的表達方式。基于物元模型的表示方法，不僅再現了產品對象相關的信息和在線評論者的用戶反饋，而且對在線評論的層次進行了表達，使得描述同一層次的在線評論聚合到同一層次區域，相當于對在線評論完成了層次聚類，最大限度保證不同層次之間的用戶觀點的獨立性。

2.4 基于SO-PMI 算法的用戶觀點評價值計算

2.4.1 句子評價值計算

用戶觀點表達了對產品對象及其對象特征的評價。在一個完整的句子當中最能反映人類情感的詞包括情感極性詞、程度副詞和否定詞，情感傾向點互信息(SO-PMI)算法可以綜合分析這三類詞在句意表達上的情感傾向[22]，對每一類詞都可以采用相應的計算公式來量化句子的極性程度，在情感詞典的基礎上，計算每個在線評論層次中用戶觀點評價值。

SO-PMI 算法是以點互信息(point mutual Information, PMI)為計算基礎對用戶觀點進行量化分析的[23]，PMI 在用戶觀點量化分析中，主要用來計算兩個詞匯之間的關聯性，其計算公式為

其 中：w1、w2分 別 表 示 不 同 的 兩 個 詞 語，P(w1)、P(w2)表 示這兩個詞語在整個語料庫中w1、w2出現的概率，P(w1、w2) 表示w1、w2在語料庫中共現的概率。

2.4.2 極性詞強度的量化計算

根據已知的情感詞語的極性強度，將其與已知的參照詞語進行比較，通過公式量化計算，得出其未知詞匯的極性強弱。未知詞W極性強度的量化計算公式為

式中：s(W) 代表未知詞W的極性強度值，N+為所有褒義詞的數量，N-為所有貶義詞的數量，IPM(W,w+)為詞W與褒義詞列表中每一個詞w+的PMI 值，IPM(W,w-)為 詞W與 貶義詞列表中每一個詞w-的PMI值，其中褒義詞列表和貶義詞列表來自知網HowNet情感詞典。

2.4.3 程度副詞和否定詞的量化計算

首先建立程度副詞詞典，將其劃分成4 種類別，各個類別的副詞強度值d如表1 所示。

表1 各個層級的副詞程度值Table 1 Each level of adverb degree values

在句子中出現否定詞，則f=-0.5，否則f=1。計算公式為

式中：m為情感詞總數，S為一個句子中的評價值。

2.4.4 用戶觀點的正負評價值計算

在計算完所有在線評論層次對應的全部句子的情感傾向值后，然后加權求和得出同一層次下的綜合評價值，計算公式為

式中：Q+和Q-分別為同一層次中的正面評價值和負面評價值，S+和S-分別表示為一個層次中大于零的評價值和小于零的評價值，p和q分別為S+和S-的總數。

2.5 基于相關網與蘊含系的用戶需求識別

在線評論用戶的需求是事件，因此可以采用事元模型來描述。事元可以形式化表達出用戶做什么、誰做、為誰做等信息。本文對用戶觀點評級值較低的用戶需求建立用戶需求事元模型，采用事元模型Ai j表示，根據式(3)有[21]：

式中：Oa為用戶需求動作；ca1,ca2,···,can為動作的基本特征（支配對象、施動對象、接受對象等）；va1,va2,···,van為量值。

產品設計信息具有多層次、多特征的特點，部分用戶評論并未清晰地指明產品缺陷存在的部位，評論觀點只停留在表面，而且對于產品各層次缺陷信息之間的關聯性缺乏分析，無法找到對應的改進策略。在產品對象與產品特征當中，影響某個產品對象用戶評價值高低的因素有很多，既有同一層次產品對象之間的影響，也有不同層次產品對象之間的影響，這些因素并不是孤立存在的。基于此，引入可拓學拓展分析方法，相關網和蘊含系輔助分析產品用戶需求識別問題。

2.5.1 相關網方法

產品對象之間、產品特征之間往往存在著千絲萬縷的聯系。在可拓學中，物元以形式化的方式表達世間萬物，當難以直接或有效地對某個物元進行研究分析時，可以考慮利用物元對象之間、物元特征之間的相關關系進行分析。根據可拓學中已經定義的相關網規則（包括同對象異特征相關規則、異對象同特征相關規則和異對象異特征相關規則），這3 種相關準則的判斷依據主要是基于常識或領域知識。每個物元可能與其他物元之間存在相關關系，用模型表示，會形成一個網狀結構，這種方法稱之為相關網方法[24]。

根據相關準則及領域知識對給定以下存在缺陷的物元確定相關關系，對于物元M1=若存在 同 對象異 特 征物元M2=(O1,c′1,v′1)或異對象同特征物元M3=或異對象異特征物元M4=，使 (c1)M1～(c′1)M2，(c1)M1～(c1)M3，(c1)M1～(c′1)M4。其中符號“～”表示兩個缺陷物元之間相關，最終建立缺陷物元M1的相關網如圖4 所示。其中，物元M1的 特征c1與 物元M2的特 征c′1相 關，物 元M1的 對 象O1與 物 元M3的 對 象O′1相 關，物 元M1的 對 象O1和 特 征c1與 物 元M4的 對象O′1和 特征c′1相關。

圖4 缺陷物元之間的相關網Fig.4 Correlation network between defective matterelements

基于前述在線評論層次的劃分，對每個層次不同層級中存在缺陷的物元采用相關網方法進行分析。為了達到分析效果，只對功能層與實體層、屬性層與實體層和實體層之間進行相關網分析，并對一些較復雜的關系進行簡化，其基本分析步驟如下：

1）列出存在缺陷的物元。

2）利用相關準則列出物元的相關網，根據層次關系，分為3 類情況：功能層和實體層之間，屬性層和實體層之間的產品對象及特征必然互不相同，故采用異對象異特征相關準則進行分析；實體層不同層級之間具有不同對象相同特征的物元，故采用異對象同特征相關準則進行分析；為了探索不同產品特征對用戶需求的影響，避免引入相同對象之間的相關性對后續分析結果的影響，對實體層相同層級之間不再進行分析。

通過相關網方法來分析缺陷物元之間的關聯關系，為識別用戶需求的改進途徑提供指引。

2.5.2 蘊含系方法

蘊含系方法是以基元模型對物、事和關系進行形式化的分析方法。設有事元A、A1和A2：

若A2實現必有A1實 現，稱事元A2蘊 含A1，記作A2?A1;若A1與A2同 時 實 現 必 有A實 現，則A1、A2與 蘊含A， 記作A2∧A1?A，推廣到更一般的情況：

根據蘊含系方法，利用產品設計專業知識將難于實現的上位事元轉化為它的易于實現的下位事元，從而保證最終目標事元的實現。在本文中對用戶觀點評價值較低的產品對象建立用戶需求事元模型并提取出相應的缺陷物元，用事元來表示用戶需求。通過利用相關網方法分析出哪些缺陷物元之間存在相關關系，并根據蘊含系方法，利用確定出相關關系的缺陷物元來指導用戶需求事元蘊含系的構建，其蘊含關系建立的基本步驟如下：

1）列出用戶需求事元Aij。

2）結合缺陷物元之間的相關網，確定用戶需求事元之間的蘊含關系。若 (c1)M1～(c′1)M2，A11和A21分 別為相應的用戶需求事元，且M1所在層級低于M2所 在層級，則有A21蘊 含A11。

3）將功能層和屬性層較難實現的事元劃分為上位基元，將實體層中的子系統所表示的事元劃分為中位基元，將實體層中的特征結構所表示的事元劃分為下位基元，完成蘊含關系的構建。

通過上述步驟，用戶需求事元蘊含系統一般形式如圖5 所示。

圖5 用戶需求事元蘊含系統一般形式Fig.5 User requirement affair-elements implication system in general form

事元之間的蘊含關系是比較復雜的，往往是多層級的[25]。結合物元的相關網，利用蘊含系對功能層、屬性層的事元模型，蘊含出實體層的事元模型，形式化地分析問題功能、問題屬性與實體層之間的關系，形成自下而上的用戶需要實現的步驟和方法，找到滿足用戶需求的有效途徑。

3 實例研究

近年來，養生壺深受廣大用戶青睞，逐漸成為各大電商平臺及家電行業的熱銷產品，并且用戶的在線評論信息也較為豐富。因此，通過以該產品作為案例，對于挖掘在線評論中的改進需求信息，提升用戶對產品體驗度研究具有代表性。本文選取京東購物平臺中的一款養生壺作為分析對象，養身壺實物結構如圖6 所示（圖片來源于京東小熊廚房電器官方旗艦店）。

圖6 養生壺實物結構圖Fig.6 Physical structure diagram of health pot

3.1 抓取在線評論數據集及文本預處理

首先，采用Python 爬蟲工具抓取養生壺的評論數據集，總共統計原始的在線評論10 160 條。之后，對抓取的養生壺評論文本進行文本預處理，處理的內容或步驟主要包括以下內容：1）刪除系統默認好評，如“系統默認好評”；2）刪除評論字數較短或無實際研究價值的文本內容，如“不錯”“喜歡”“贊”等；3）重復出現的評論；4）刪除非漢字的內容，如特殊字符、表情、數字和字母等。文本處理后剩余的評論合計5 319 條。將處理之后的原始評論采用Python 漢語詞匯分割工具-jieba 庫進行分詞，并導入停用詞詞表刪除限用詞。

3.2 產品在線評論層次模型構建

3.2.1 產品要素提取

對在線評論進行數據集預處理后，應用PYLDAvis 交互式可視化庫提取產品要素，調節權重參數λ，并設置主題個數為10，最終效果圖如圖7 所示。可視化效果圖有左右兩個面板，其中左邊面板與右邊面板是有關聯的。左邊面板展示了整個評論的主題全局視圖，每個氣泡圖的大小與話題在語料庫中的相對關聯度成正比，在左邊面板中選擇一個用氣泡圖形表示的一個主題，就會在右邊同步顯示這個主題所對應的前30 個特征詞。右邊面板中，藍色條形圖的寬度表示每個詞在整個語料庫中出現的頻率，紅色條形圖的寬度代表每個詞在該主題下所占的權重。參數λ(0≤λ ≤1)反應了詞匯和主題之間的關聯關系，其中，當 λ越接近于1，表示該主題下更頻繁出現的詞與主題更相關，當 λ越接近于0，表示該主題下較少出現、獨有的詞與主題更相關[15]。通過調節λ的值，最終提取出產品要素，并總結獲得如圖8 所示的產品要素與各個產品層次區域的映射關系。

圖7 養生壺評論主題分布交互式可視化效果Fig.7 Interactive visualization of health pot comment topic distribution

圖8 產品要素與產品層次映射關系Fig.8 Mapping relationship between product elements and product hierarch

3.2.2 在線產品層次模型表達

在線評論二級層次根據式(4)表達如下，以實體層和功能層為例：

二級層次中的產品對象根據式(5)表達如下，以茶壺OS1為例：

在線評論三級層次根據式(6)表達如下，以茶壺的特征結構為例：

三級層次中的產品對象根據式(7)表達如下，以壺蓋OT1為例：

3.3 用戶觀點評價值計算

3.3.1 產品對象詞典和對象特征詞典構建

在線評論對產品對象和對象特征的描述往往較口語化，因此在計算用戶觀點評價值之前，需要對產品對象和對象特征整理、歸納，最終構建產品對象詞典和屬性詞典，見表2 和表3。

表3 對象特征詞典（部分展示）Table 3 Object feature dictionary (partial display)

3.3.2 各個層次用戶觀點評價值計算

通過上述分析，將產品對象及對應的對象特征采用物元模型進行了分層次表示。用戶觀點評價值的計算準則是以句子為單位進行的，因此在計算各個層次的評價值需要將所有有效評論按照“。？！”三個符號進行斷句。

在上述準則下，利用SO-PMI 算法，計算二級層次中實體層的用戶觀點評價值及二級層次中功能層和屬性層的用戶觀點評價值，計算結果分布如表4、表5 所示。

表4 二級層次中實體層的用戶觀點評價值Table 4 User opinion evaluation value of the entity layer in the second level

表5 二級層次中功能層和屬性層的用戶觀點評價值Table 5 User opinion evaluation value of function layer and attribute layer in the second level

根據表4 計算結果，可以看出用戶關注的實體層中二級層次的部分實體對象的正面特征評價值較高，有少部分實體對象的負面特征評價值較低(負面特征評價值越低則代表用戶對該對象的特征越不滿意)。根據計算結果，將產品對象的正面特征評價值和負面特征評價值分別劃分為3 個區間：Q+＞ 0.02 且0≥Q-≥-0.01（表示很滿意）、0.02≥Q+≥ 0 且0≥Q-≥-0.01（表示滿意）、0.02≥Q+≥ 0 且-0.01≥Q-（表示不滿意）。按照上述劃分規則，可以看出對于茶壺的顏色和材質、杯子的顏色和造型、面板的材質和造型是用戶很滿意的特征；而茶壺的造型、杯子的材質、面板的靈敏度和電源線的長度是用戶不滿意的特征；特別地對于電源線的材質的評價值均為0，是由于用戶并未對該對象的特征做出評價。根據表5，從功能對象和屬性對象的評價結果顯示，可以看出除了操作功能和質量屬性是用戶不滿意的，其他的都是用戶很滿意的對象。

三級層次各個實體對象的用戶觀點評價值計算結果如表6 所示。

表6 三級層次的用戶觀點評價值Table 6 User opinion evaluation value in the three level

根據表6 計算結果，壺蓋的造型、隔渣杯的功效、杯體的材質是用戶不滿意的特征。其中，出現部分特征正面評價值和負面評價值均為0 的情況，同樣是因為用戶并沒有對該對象的特征做出評價。查看實際評論數據發現，該產品本身沒有開關這個實體對象，所以將不存在特征的評價值定義為不存在。

3.4 結果分析及改進需求識別

通過計算各個層次中產品對象對應的對象特征的用戶觀點評價值，確定出需要改進的產品對象及對象特征。針對用戶觀點評價值較低的產品需求，根據式(12)建立用戶需求事元模型：

對于功能層和屬性層的產品對象缺陷的用戶需求目標并不容易實現，但對于實體層中的產品對象缺陷可以直接對產品對象或其對應的對象特征進行改進，所以，可以通過找到實體層對功能層、屬性層的影響關系，來實現功能層和屬性層的用戶需求目標。基于物元模型表達的在線評論層次及用戶觀點評價值的計算結果，篩選出存在缺陷的產品對象及對應對象特征的物元模型如下：

根據該產品相關設計信息與實際在線評論數據，借助3 種相關網準則分析得到各個存在缺陷對象的物元之間的相關關系表示如下。以功能層和實體層之間為例，根據實際評論數據以及異對象異特征相關準則，分析出茶壺的造型與產品的操作功能相關，即(SS13)MOS1～(SS51)MOS5，面板的靈敏度與產品的操作功能相關，即(SS33)MOS3～(SS51)MOS5，電源線的長度與產品操作功能相關，即(SS41)MOS4～(SS51)MOS5，面板的開關狀態與產品操作功能相關，即(TT71)MOT7～(SS51)MOS5。對實體層不同層次采用異對象同特征相關準則，分析出壺蓋的造型與茶壺的造型相關，即 (TT13)MOT1～(SS13)MOS1。而對于實體層同一層次的缺陷物元，如 (SS12)MOS1和(SS13)MOS1之間建立相關網，就會導致在探索實體分別與功能、屬性之間的關系時引入產品對象這一無關因素，因而針對這一類不再進行相關網分析。

根據上述分析，同理可進行實體層和屬性層的分析，最終可建立如圖9 所示的缺陷物元模型相關網。

圖9 缺陷物元模型相關網Fig.9 Correlation network of defective matter-elements model

在圖9 中，根據相關網確定物元模型之間的關聯關系，雖然很難對產品操作功能MOS5和產品質量屬性MOS6直接進行改進，但這兩個物元與實體層的其他物元均相關。結合缺陷物元模型之間的相關網分析，如 (TT13)MOT1～(SS13)MOS1，可以從A21蘊 含出A11， 如 (SS13)MOS1～(SS51)MOS5， 可以 從A11蘊含出A16，其余同理可得。將功能層和屬性層的用戶需求事元A16和A17作為較難實現的上位基元，實體層中子系統的用戶需求事元A11,A12,···,A15作為中位基元，實體層中特征結構的用戶需求事元A21,A22,···,A24為下位基元，通過實現用戶對特征結構的需求從而實現用戶對子系統的需求，通過實現用戶對所有子系統的需求從而實現用戶對功能層和屬性層的需求。最終得到該產品的兩個用戶需求事元實現層次蘊含系統如圖10。

圖10 用戶需求事元實現層次蘊含系統Fig.10 Implementation hierarchical implicit system of user requirement affair-elements

在圖10 中，A16和A17表示用戶對操作功能和質量屬性的用戶需求；A11,A12,···,A15表示用戶對實體層中子系統的用戶需求；A21,A22,···,A24表示用戶對實體層中特征結構的用戶需求。通過蘊含系分析可以得出：當功能層和屬性層的用戶需求目標很難實現時，可以尋找與之關聯的實體層中的子系統。例如：改進操作功能（A16）可以通過改善茶壺的造型（A11） 、提高面板的靈敏度（A13）和延長電源線的長度（A14）來實現，提高產品（A17）質量可以通過改善茶壺的材質（A12）和提高杯子的材質（A15）來實現。當子系統中的用戶需求目標很難實現時，可以尋找與之關聯的實體層中的特征結構。例如：改善茶壺造型（A11）可以通過改善壺蓋的造型（A21）來實現，提高面板的靈敏度（A13） 可以通過增加開關按鍵（A24）來實現。上述分析結果與用戶評論中反映出來的主觀信息也是一致的，從而說明了本文方法的可行性。

以相關網和蘊含系相結合識別產品改進的方式，深度剖析了存在缺陷的產品對象之間的層次需求關系，指明了產品實體存在缺陷的部位，進而找到產品功能和屬性的改進途徑。這也有利于設計人員形式化、條理化地處理多層次、多特征的產品改進設計信息，從而更加具有針對性地滿足產品改進需求。

4 結束語

1）本文基于在線評論的基本構成信息，考慮多層次、多特征的產品，根據產品的特點，將產品劃分為實體層、功能層和屬性層，借助數據挖掘方法，從在線評論當中獲取產品要素，再應用可拓學物元模型，建立在線評論層次模型并對其進行表達。

2）根據在線評論層次模型，歸納、總結出各個層次中的產品對象詞典和產品特征詞典，應用SO-PMI 算法計算出各個產品對象不同的對象特征評價值，找到評價值較低的產品對象所對應的特征。

3）以用事元模型為工具對評價值較低的產品對象所對應的特征進行用戶需求表達，通過相關網方法判斷其缺陷物元模型之間的關聯關系、蘊含系方法構建用戶需求實現的層次蘊含系統，為利用產品的在線評論進行改進提供指導意見。將該流程應用于一款養生壺的用戶需求識別中，形式化、條理化地理清該產品改進設計信息，找到了用戶對不同層次需求實現的步驟。