评论数据驱动的产品情感满意度预测模型构建_孙利.pdf

包 装 工 程 第 44 卷 第 6 期 42 PACKAGING ENGINEERING 2023 年 3 月 收稿日期：20221022 基金项目：国家社科基金艺术学项目（22BG125）作者简介：孙利（1973），男，教授，主要研究方向为机械装备及康养辅具创新设计、智能数字化设计理论与方法研究。通信作者：张硕（1992），女，博士生，主要研究方向为康复辅具产品设计，产品智能设计方法。评论数据驱动的产品情感满意度预测模型构建 孙利，张硕，覃忠志，吴俭涛，李江南（燕山大学，河北 秦皇岛 066004）摘要：目的目的 针对康养辅具产品多维设计要素与用户情感满意度的复杂映射问题，提出了一种基于评论数据的产品情感满意度预测模型。方法方法 首先爬取样本评论数据，并利用 LDA 模型构建产品多维设计要素空间，同时对样本进行要素编码；其次对各样本对应的评论数据进行情感满意度分析，以获得情感满意度分值；最后通过 BP 神经网络构建情感满意度预测模型，结合 K-fold 交叉验证法测试模型可靠性。结果结果 以康养辅具电动轮椅为例，通过 30 个样本数据集交叉验证后得到预测值与期望值的均方误差值为0.044 1，表明该预测模型精度良好，具有较高的可靠性。最后利用该预测模型对 104 976 个随机组合方案进行情感满意度计算，得出电动轮椅最佳组合方案。结论结论 基于用户评论数据构建的产品情感满意度预测模型，能够有效建立产品多维设计要素与情感满意度间的匹配关系，辅助设计人员快速识别出用户情感满意度较高的多维设计要素组合，提高了设计方案决策的科学性。关键词：产品设计；康养辅具产品；多维设计要素；情感满意度；用户评论数据 中图分类号：TB472 文献标识码：A 文章编号：1001-3563(2023)06-0042-10 DOI：10.19554/ki.1001-3563.2023.06.005 Construction of Product Emotional Satisfaction Prediction Model Driven by Comment Data SUN Li,ZHANG Shuo,QIN Zhong-zhi,WU Jian-tao,LI Jiang-nan(Yanshan University,Hebei Qinhuangdao 066004,China)ABSTRACT:The work aims to propose a prediction model of product emotional satisfaction based on comment data aiming at the complex mapping problem between multi-dimensional design elements and user emotional satisfaction of health care assistive devices.Firstly,the comment data of samples were crawled,the multi-dimensional element space of products was constructed by LDA model and the elements of the samples were coded.Secondly,the emotional satisfaction of the comment data corresponding to each sample was analyzed to obtain the emotional satisfaction score.Finally,the emotional satisfaction prediction model was constructed by BP neural network,and the reliability of the model was tested by K-fold cross-validation method.With the electric wheelchair as an example,the mean square error between the predicted value and the expected value was 0.044 1 after cross-validation of 30 sample data sets,which showed that the prediction model had good accuracy and high reliability.Next,the emotional satisfaction of 104 976 random combination schemes was calculated by the prediction model,and the best combination scheme of electric wheelchair was obtained.The prediction model of product emotional satisfaction based on user comment data can effectively establish the matching relationship between multi-dimensional design elements and emotional satisfaction,assist designers to quickly identify the combination of multi-dimensional design elements with high user emotional satisfaction,and improve the scientific decision-making of design schemes.KEY WORDS:product design;health care assistive device;multidimensional design elements;emotional satisfaction;user comment data 第 44 卷 第 6 期 孙利，等：评论数据驱动的产品情感满意度预测模型构建 43 产品情感满意度是用户对产品整体评价的真实反馈，是衡量产品投放市场后销售优劣的关键指标1。尤其在康复辅具设计领域，仍存在设计师主观性强、用户评价收集数据少，且反馈到产品设计流程时效性差等问题，继而影响用户对产品的情感满意度。因此，在设计阶段构建产品设计要素与用户情感满意度的映射模型，并进行用户情感满意度预测，能够帮助企业精准筛选投放市场的产品设计要素，降低成本与风险。近年来，如何准确构建用户情感满意度模型也成为众多学者的研究热点。BP 神经网络作为一种智能信息处理系统，具有较强的非线性映射能力和柔性的网络结构，在模型预测领域应用广泛2。郭惠萍等3将感性工学与 BP 神经网络相结合，建立了轮式拖拉机多维设计要素与用户感性评价关系的满意度模型；蔡婉欣等4结合 AHP 与 BP 神经网络建立了产品意象多维设计要素组合推导方法，并以此预测了四旋翼无人机设计方案；窦金花等5基于深度学习构建了产品外观意象与用户情感满意度需求的映射模型，实现产品设计方案与用户意象需求的有效匹配；朱思羽等6提出多因素智能化融合设计，从多个维度建立产品综合评价模型，解决设计因素单一的问题。上述文献大多仅从产品造型出发研究产品情感满意度，忽略其他要素对产品满意度的影响，缺乏了测量的多维性；另一部分虽考虑了产品多维设计要素的测量，但设计要素大多采用人工选择或问卷调查的方式，无法保证产品要素与情感满意度关联的必要性、准确性与实时性。因此，文中采用 LDA 模型与BP 神经网络相结合的方式构建产品情感满意度模型，通过爬取产品在线评论大数据，以海量的用户真实反馈数据精准确定影响产品情感满意度的关键要素，并通过 BP 神经网络模型构建产品多维设计要素与情感满意度的映射模型，为后续待开发产品的情感满意度评价与市场预测提供参考。1 理论基础 1.1 LDA 模型 LDA 模型是 Blei 等7学者首次提出的一种无监督形式的机器学习方法，可应用于识别大量文本隐含的主题研究。LDA 主题模型假设文档集由一些隐含主题通过一定概率进行的随机组合8，其结构为三层贝叶斯模型,主要由文本、主题和词三部分构成，且各隐含主题彼此独立9，其模型见图 1。其中、为狄利克雷函数的先验参数，代表各主题间的强弱关系，代表主题的概率分布。为该主题在整个文档中的多项分布参数，为该词在整个主题中的多项分布参数。z为隐含主题，w 为文本中的特征词10。图 1 LDA 贝叶斯结构模型 Fig.1 Bayesian network structure of LDA model 第i个特征词iw的生成概率()iP w的公式如下：1()()()TiiiikP wP wzk P zk(1)式中：()iP wzk为词iw在第k个主题中的概率，()iP zk表示第k个主题在评论文本中的概率。通过 LDA 模型可将研究数据挖掘出隐含主题，尤其针对评论数据文本，能够实现用户核心观点挖掘，达到快速准确的文本聚类目的11。1.2 情感满意度分析 情感满意度分析又称倾向性分析，是对带有情感满意度色彩的主观性文本进行分析、处理、归纳和推理的过程12。针对电商平台用户对产品的评论数据而言，情感满意度分析能够有效反映用户对产品的真实情感倾向，帮助企业快速、客观、准确地了解消费者对产品的偏好程度13。此外，将大量的用户真实的评论数据进行分析，可及时判断已上市产品改进要点的优先级排列，并在此基础上构建产品情感满意度评价模型，从而实现对未投入市场产品的情感满意度分值预测，帮助企业或设计师快速调整产品设计战略。1.3 BP 神经网络 BP 神经网络是由 Rumelhart 等提出的一种前向型神经网络模型，具有高度非线性映射能力和较好的容错能力，既适用于线性模式的数据集，也适用于非线性的数据集14。通过 BP 神经网络可以真实反映输入变量和输出变量之间的映射关系，实现对于未知数据的有效预测，可以帮助企业市场人员和设计人员快速决策出满足用户偏好的产品方案15。2 评论数据驱动的产品情感满意度模型构建 本文拟结合 LDA 模型、情感满意度分析与 BP神经网络构建产品情感满意度模型，通过 LDA 模型对产品评论数据进行聚类分析，确定产品多维设计要素。同时结合评论数据的情感分析结果，构建以产品多维设计要素与情感满意度为变量的 BP 神经网络模型，用以研究两者之间的隐性关联，并提出以评论数据为基础、结合 LDA 模型与 BP 神经网络的产品情44 包 装 工 程 2023 年 3 月 感满意度预测流程，见图 2。1）评论数据获取与分类。采用电商评论大数据对产品进行分析，首先要确定研究样本，并采用爬虫工具获取各样本图及其对应的评论数据。鉴于网络商务平台产品评论数据质量参差不齐，需对收集到的评论进行数据清洗等操作，从而降低噪声影响16。数据清洗完毕后，采用 Jieba 分词处理并得到评论数据词汇集合，为进一步采用 LDA 模型进行文本聚类奠定基础。2）产品多维设计要素空间建立。分词后的词汇集合采用 LDA 模型进行聚类分析，通过在 Python 中运行 pyLDAvis 可视化工具确定聚类个数，聚类结果即为产品宏观设计要素。在此基础上，结合研究对象进行多维设计要素拆解，确定研究对象具体多维设计要素，从而完成产品多维要素空间的建立。随后将多个研究样本进行编码处理，作为后续 BP 神经网络预测模型的输入层数据。3）评论数据情感满意度量化。通过 ROST CM6对各样本对应的评论数据进行情感满意度分析，可得到各评论数据的情感满