面向電商平臺的顧客滿意度分析系統(tǒng)設(shè)計摘要網(wǎng)購評論數(shù)據(jù)是消費者在購物之后對商品滿意度的直接體現(xiàn)，既影響其他消費者的購物決策，也對企業(yè)具有重要指導意義。通過對網(wǎng)購評論數(shù)據(jù)進行網(wǎng)絡(luò)爬蟲與文本挖掘，得出消費者對商品滿意度的影響因素，對企業(yè)理解消費者需求，提升服務(wù)質(zhì)量從而實現(xiàn)銷售額增長具有現(xiàn)實意義。本文以京東商城AppleiPhoneXR(A2108)128GB的評論為研究對象，設(shè)計python爬蟲程序爬取京東商城AppleiPhoneXR(A2108)128GB的9865條在線評價，通過關(guān)鍵詞提取算法對關(guān)鍵詞進行概提煉與概括，獲得基礎(chǔ)語料。以機器學習算法為基礎(chǔ)，用樸素貝葉斯情感分類器對基礎(chǔ)預(yù)料進行訓練，將評價好的分類器將評論數(shù)據(jù)分為積極情感集和消極情感集。通過LDA主題模型結(jié)合情感分類器構(gòu)建滿意度模型，再分析消費者網(wǎng)購蘋果手機的積極因子與消極因子。根據(jù)分析結(jié)果，為京東商城蘋果自營店提高消費者滿意度提供可靠建議；同時分析結(jié)果對買家提升用戶體驗也有一定的意義。此外，分析結(jié)果的擬合性和準確性也能證明滿意度模型具有一定的可靠性。關(guān)鍵詞：評論數(shù)據(jù)情感分類器滿意度模型LDA主題模型目錄第一章緒論 [33]。2.6本章小結(jié)本章主要介紹了構(gòu)建滿意度模型的主要流程中文本挖掘與情感分析的相關(guān)理論內(nèi)容和技術(shù)方法，主要包含Python語言與網(wǎng)絡(luò)爬蟲、滿意度模型分析、可視化分析、中文分詞，以及情感分析五方面內(nèi)容。課題開展主要基于Python語言，對課題使用文本進行預(yù)處理，即數(shù)據(jù)清洗環(huán)節(jié)，并對清洗后的評論內(nèi)容完成文本切詞，詞頻統(tǒng)計，文本分類并進行統(tǒng)計分析，最后得出對應(yīng)的用戶研究結(jié)論。第三章數(shù)據(jù)采集和可視化分析3.1評論數(shù)據(jù)采集本文對京東商城AppleiPhoneXR(A2108)128GB評價數(shù)據(jù)進行采集分析。在python3.7環(huán)境下編寫了爬蟲程序，該爬蟲程序采用beautifulsoup庫，確定待采集數(shù)據(jù)類型：用戶ID、評論內(nèi)容、購買時間、點贊數(shù)、回復數(shù)、得分（評價等級）、評價時間、手機型號，按照京東評論的評論數(shù)降序即推薦排序爬取了商品最多100頁9865條評價。（在生成文件中可以以不同關(guān)鍵詞為標準進行升序或降序排序）爬蟲程序在運行時，需要控制臺輸入京東商品的數(shù)字編碼，以“AppleiPhoneXR(A2108)128GB黑色移動聯(lián)通電信4G手機雙卡雙待”這款商品為例，其鏈接為/100000177760.html對應(yīng)的數(shù)字編碼為100000177760，爬取成功之后會按照用戶ID/會員級別/手機參數(shù)/昵稱/購買時間/評論內(nèi)容的格式存為csv文件。部分評論如圖所示。圖3-1產(chǎn)品評價信息表在對數(shù)據(jù)初步處理之前先刪除評論數(shù)異常的數(shù)據(jù)，再保留評論內(nèi)容長度大于４個字的評論，之后將篩選后的評論內(nèi)容全部存入表格。經(jīng)過初步處理后得到5000條評論。部分數(shù)據(jù)如表3-1所示。表3-1部分數(shù)據(jù)展示序號評論內(nèi)容1這是買的第二部手機了，非常喜歡，手感挺不錯的，拍照也挺好的，尤其是系統(tǒng)我非常喜歡，一直都用的蘋果手機，再加上這次又回歸到了以前4s的那個時代，挺好?。?！2手機質(zhì)量非常得好，特別的心滿意足非常喜歡的一款手機，白色真的很好看屏幕很大網(wǎng)速簡直非?？旌喼笔翘矚g了以后，還會購買客服的態(tài)度也特別好，所有的問題都會仔細地回答快遞員也特別得好溝通，起來非常的，方便心滿意足，嗯，希望以后大家都購買他的產(chǎn)品真的非常的支持。3非常好不愧是京東自營！原裝正品速度飛快！用著感覺也很好！完美的購物體驗??！4為了搶這款手機，朋友已經(jīng)節(jié)食好久了，真是鐵桿果粉啊，用了許冬天，可謂愛不釋手，京東商城的貨就是硬，而且價格也很優(yōu)惠呀。5從蘋果6puls換到了8puls特別的喜歡，因為自己的6p太小了16G的，干脆這次換到了256G的絕對夠用，一直也想買這個顏色，這次趁著雙11就趕緊入手了，現(xiàn)在也一直在用。3.2文本預(yù)處理本文的文本預(yù)處理步驟如下：1)將評論內(nèi)容的csv文件轉(zhuǎn)存至txt文件2)改變編碼格式，將txt文件中編碼格式改為utf-83)刪除評論內(nèi)容中亂碼部分4)刪除英文、數(shù)字、標點符號、特殊符號5)在python3.7環(huán)境中，采用jieba分詞系統(tǒng)的精確分詞模式對文件進行分詞6)選用哈爾濱工業(yè)大學停用詞表并導入，去除停用詞部分分詞結(jié)果如表3-2所示。表3-2部分分詞結(jié)果京東手機蘋果速度體驗不錯容量送貨很快正品評價活動免息物流喜歡好服務(wù)質(zhì)量值得標簽防偽充電手感好用滿意沒貨缺貨無語便宜國行正品銀色金色深空灰美麗舒適外觀很好自營維修不好客服問題縫隙跳水死機退貨可以流暢高端外表新3.2.1停用詞處理停用詞處理總體思路和方法為：1)調(diào)用jieba分詞器對整個待處理文本進行分詞處理2)將分詞后的結(jié)果與停用詞庫進行交叉比對3)刪除對比結(jié)果為正的內(nèi)容，保留對比結(jié)果負向的文本作為新的數(shù)據(jù)文本，從而提高樣本的關(guān)鍵詞密度停用詞庫部分詞匯如表所示。表3-3部分停用詞表中文符號語氣詞連詞助詞，？。！、：。。?！啊薄丁费桨パ桨珊呛敲赐郯““∨赌挠靡院途蛥s且如并但是的地在把了著也只3.2.2無效文本與特殊內(nèi)容清洗清除無效文本和特殊文本主要是指清除注釋內(nèi)容中沒有實際意義的注釋樣本以及注釋文本中包含的表達和特殊符號。如示例所示，這些評論實際上沒有實際含義。例如：“用戶默認的贊美”，“寶貝與描述相符”，“賣家非常好，非常熱情”，“如預(yù)期的那樣，獲得五分好評”等。此外，評論中包含的表情，特殊符號等內(nèi)容如：包含的表情、特殊符號等內(nèi)容進行清洗。評論中沒有實際含義的評論樣本例如：“??”、“??”、“??”、“??”、“??????”等表情符號。清洗這類評論和方法大致分兩種：1)與停用詞處理過程類似，交叉對比得到清洗后的文本內(nèi)容。2)直接將無效文本和特殊文本作為停用詞文本，對基礎(chǔ)停用詞文本進行擴展。在進行數(shù)據(jù)清洗之前要做的一項工作是先觀察數(shù)據(jù)，看看數(shù)據(jù)中的哪些部分是合理的，哪些是不合理的，來確定待清洗的部分。使用python語句讀取的數(shù)據(jù)如圖所示。圖3-2部分數(shù)據(jù)清洗圖示從圖中可以清晰的看出，有大量的用戶并未填寫評價，猜測可能是店家進行刷單導致評價為空。這部分數(shù)據(jù)沒有任何用處，并且會影響最后統(tǒng)計的結(jié)果，因此作者決定清空這部分數(shù)據(jù)。3.3評論數(shù)據(jù)提取本文采用TF-IDF算法進行關(guān)鍵詞抽取。關(guān)鍵詞抽取不僅是特征選取、構(gòu)成詞庫的重要步驟，更可以初步分析在京東商城網(wǎng)購蘋果手機的消費者滿意度影響因素。經(jīng)考慮，本文最終選取特征值較大的前200個詞進行分析。使用jieba分詞的analyse.extract_tags()函數(shù)進行關(guān)鍵詞抽取，抽取權(quán)重值最高的200個關(guān)鍵詞用于初步分析顧客滿意度影響因素和特征選取，部分輸出結(jié)果如表所示。表3-4部分關(guān)鍵詞關(guān)鍵詞TF-IDF值手機0.302492948蘋果0.149002355滿意0.097732465質(zhì)量0.081402361實惠0.036121946很快0.032611832京東0.049316439服務(wù)態(tài)度0.045241348物流0.046521384在去掉語境不明顯詞后，結(jié)合國內(nèi)外學者關(guān)于網(wǎng)絡(luò)購物顧客滿意度影響因素的研究成果，本文對剩下的關(guān)鍵詞進行概念化提煉與概括，總結(jié)出以下影響因素：容量、外觀、品牌、屏幕、性價比、包裝、品牌、屏幕、整體感受、包裝、物流、發(fā)貨、在線客服、購物平臺。這些影響因素經(jīng)劃分可分為四大類，類別如表所示。表3-5滿意度影響因素所屬類別影響因素關(guān)鍵詞示例產(chǎn)品質(zhì)量容量內(nèi)存、足夠外觀顏色、款式、好看品牌蘋果、自營屏幕清晰、大整體感受舒服、滿意、喜歡、舒適、感覺價格性價比便宜、實惠、劃算、性價比、值得、價格包裝物流包裝包裝物流物流、快遞、速度發(fā)貨發(fā)貨、很快客戶服務(wù)在線客服客服、態(tài)度、服務(wù)購物平臺京東、網(wǎng)上3.4評論數(shù)據(jù)可視化分析通過使用pyecharts庫，將數(shù)據(jù)轉(zhuǎn)化為柱狀圖、折線圖等圖表，直觀地反映出用戶評論數(shù)據(jù)中隱含的信息。將評論內(nèi)容通過jieba庫進行中文分詞，再使用wordcloud庫生成詞云圖，直觀地反映出用戶評論數(shù)據(jù)中高頻詞的分布。（1）日消費時段分析分析一天中不同時段消費者的手機購買情況，可以分析得出，大部分消費者在午時（10-12時）和晚上（20-22時）出現(xiàn)了消費高峰期，在此時段顧客購買商品的概率更大，他們?yōu)g覽商品的機會更多。圖3-3日消費時段分析（2）月消費與會員等級分析從規(guī)格化的數(shù)據(jù)中看出，會員等級是有限個。但會員等級這一數(shù)據(jù)生成格式都是字符串，這需要進行統(tǒng)一編碼，然后才能統(tǒng)計類別個數(shù)。會員等級和銷售額存在一定的關(guān)系，通過分析月份和時間段能更精確的為消費者提供服務(wù)，因此用折線圖來表示銷量與月份、會員級別的關(guān)系是非常有必要的。圖3-4月消費與會員等級分析通過分析上圖可知，不論是哪種會員，他們在三月份前后以及十一月份前后購買該款手機的數(shù)量最多，三月份換手機的原因推測是新年到來，更新?lián)Q面的想法。十一月份換手機的原因推測與雙十一有關(guān)，這時有很大的優(yōu)惠，也是人們多樣化選擇手機的時段。分析不同會員的購買情況可知，他們購買的頻次降序排列為：①PLUS會員②金牌會員③銀牌會員④鉆石會員⑤PLUS會員（試用）⑥企業(yè)會員。分析原因，大致是因為PLUS會員大部分都屬于高消費群體，他們購買這些價值昂貴的手機概率更大。因此，大致可以推斷，這款手機的主要消費對象是京東商城的PLUS會員（31.00%）、金牌會員（21.87%）、銀牌會員（18.52%）。（3）評論內(nèi)容分析將評論內(nèi)容的數(shù)據(jù)提取并整合，調(diào)用jieba庫進行中文分詞，并調(diào)用wordcloud庫生成詞云圖。圖3-5評論內(nèi)容詞云通過上圖可以看出消費者對該款手機的滿意度影響因素的關(guān)鍵詞不同的權(quán)重?？紤]到京東商城評論中存在刷單的情況，這些評論數(shù)據(jù)原本考慮通過爬取退貨量信息來綜合評價用戶滿意程度，現(xiàn)在的解決方法再前文中已經(jīng)提到，即通過數(shù)據(jù)清洗篩選出這部分數(shù)據(jù)并去除，從而為滿意度模型的準確性提供保障。3.5本章小結(jié)本章基于京東電商平臺，對AppleiPhoneXR(A2108)128GB進行數(shù)據(jù)采集，采集粒度主要包含商品的評論信息（包含追加評論）。共計收集了9865條商品信息、評價，對應(yīng)約200萬字數(shù)據(jù)內(nèi)容。并且在此基礎(chǔ)上完成了包括停用詞、無效文本、特殊內(nèi)容清洗的數(shù)據(jù)預(yù)處理環(huán)節(jié)，且對數(shù)據(jù)清洗的有效性進行了檢驗。在數(shù)據(jù)檢驗之后先進行了初步的關(guān)鍵詞提取，并將關(guān)鍵詞進行提煉和概括，得到了初步的消費者滿意度影響因素關(guān)鍵詞。之后，對篩選出的關(guān)鍵詞進行可視化分析，通過柱狀圖、折線圖分析了消費者的消費時段，并通過詞云圖直觀看出出各關(guān)鍵詞的權(quán)重。第四章滿意度模型分析4.1樸素貝葉斯分類器由于條件限制，訓練語料只能通過人工手動標記。整個樸素貝葉斯分類器的訓練與測試流程如下：1)從爬取的9865條評論數(shù)據(jù)中隨機抽取1000條評論數(shù)據(jù)。2)手動標記500條積極評價，500條消極評價。3)從手動標記的評價中隨機抽取80%的評價作為訓練集，用于訓練樸素貝葉斯分類器，剩下20%的評價作為測試集。4)根據(jù)測試集和關(guān)鍵詞，選取帶有情感色彩的詞語（如不錯、滿意、差評等詞語）構(gòu)建詞庫。5)設(shè)置0.5為閾值，若后驗概率大于0.5，標記為為積極情緒；若后驗概率小于等于0.5，標記為為負面情緒。然后對測試集進行測試。測試情況如表4-1所示。表4-1測試集測試情況預(yù)測結(jié)果人工標記情況積極評價消極評價積極評價96（TP值）4（FN值）消極評價17（FP值）83（TN值）通過公式（2-1）、（2-2）、（2-3）計算分類器性能指標查準率、查全率、F1值。查準率P=TPTP+FP查全率R=TPTP+FNF1值F1=2·P·RP+R根據(jù)計算可知該情感分類器的在積極評價上的查準率為83.2%，查全率為99%，F(xiàn)1值為0.904。F1的值大于1時，分類器傾向于查全率；而F1的值小于1時，分類器傾向于傾向于查準率。當F1=1時,查全率和查準率達到平衡。這是最常用的度量符合基本的情感分類器要求。由計算可得該分類器符合基本的情感分類器要求。利用此分類器將經(jīng)過數(shù)據(jù)清洗的評價分類，分為積極情感類和消極情感類，分類后數(shù)據(jù)分布如表4-3所示。表4-2分類后數(shù)據(jù)分布積極情感評價數(shù)消極情感評價數(shù)數(shù)量739924664.2LDA主題挖掘本文利用TF-IDF算法進行關(guān)鍵詞提取。根據(jù)TF-IDF值，初步分析了京東商城上影響顧客網(wǎng)購蘋果手機的滿意度因素。為了進一步挖掘文本中隱含的信息，從情感角度了解影響顧客滿意度的因素。本文將采用基于LDA主題模型構(gòu)建的滿意度模型分別對積極感情評價集和消極感情評價集進行分析。分析過程為：首先去除積極感情評價集和消極感情評價集的停用詞，再利用中文分詞進行文本分詞，然后手動指定主題數(shù)目進行主題挖掘。4.2.1LDA模型結(jié)構(gòu)LDA模型將每一篇文章視為一個詞頻向量，從而進行數(shù)字化建模。定義詞表L，每一個L維向量(1,0,0,0,…,0,0)表示一個詞語。N個詞語構(gòu)成內(nèi)容d，記為d=(??1,??2,…????)。假設(shè)某個文本集包含M條文本，記為D=(??1,??2,…????)。M條文本分布著K個主題，記為????(??=1,2,…K)。LDA模型過程如圖所示。圖4-1LDA主題模型圖示4.2.2積極情感集的LDA主題模型結(jié)果與分析根據(jù)積極情感集LDA主題模型的分析結(jié)果圖表4-3所示，從不同的主題可以得到以下結(jié)論：1)主題1中權(quán)重較大的幾個詞為“購買”、“值得”兩詞。說明消費者對網(wǎng)購蘋果手機總體滿意度較高；此外“京東”、“不錯”、“東西”三詞，說明消費者認可京東作為其網(wǎng)購平臺，網(wǎng)購平臺的購物體驗好壞也是消費者是否滿意的重要指標。2)主題2中的五個關(guān)鍵詞為“客服”、“滿意”、“服務(wù)”、“發(fā)貨”、“很快”。說明消費者們對客服的服務(wù)總體感到滿意，并且認為商家的發(fā)貨速度很快。3)主題3中權(quán)重值最高的“蘋果”、“自營”。說明消費者對京東商城的蘋果自營店的整體服務(wù)較為滿意，比起實體店更愿意在網(wǎng)上自營店購買。4)主題4中權(quán)重值較高的“實惠”、“外形”表示消費者比較滿意蘋果手機的外形，而且相較于實體店更實惠的價格也令消費者滿意。5)主題5“顏色”、“漂亮”、“正品”三個詞都權(quán)重很高，表示消費者認可在京東自營店購買到的都是正品蘋果手機，基本沒有假冒偽劣產(chǎn)品；且蘋果手機顏值高，深受消費者喜愛。此外權(quán)重極高的“不錯”說明消費者的購物體驗很不錯。表4-3積極情感集的LDA主題模型主題1主題2主題3主題4主題5關(guān)鍵詞權(quán)重關(guān)鍵詞權(quán)重關(guān)鍵詞權(quán)重關(guān)鍵詞權(quán)重關(guān)鍵詞權(quán)重購買0.064客服0.052蘋果0.081價格0.027滿意0.056值得0.068滿意0.056劃算0.036好評0.042顏色0.048東西0.030服務(wù)0.051優(yōu)惠0.026實惠0.066漂亮0.053不錯0.042發(fā)貨0.032自營0.048外形0.053正品0.032京東0.051很快0.033質(zhì)量0.045全新0.028不錯0.2884.2.3消極情感集的LDA主題模型結(jié)果與分析如表4-4所示，通過消極情感集LDA主題模型分析結(jié)果可知，消費者最容易感到不滿的地方為產(chǎn)品質(zhì)量，比如電池、屏幕等，認為電池容量與預(yù)期不符、屏幕上有劃痕等。同時也有部分消費者認為京東的物流速度不如預(yù)期，發(fā)貨速度很慢；而且野有部分消費者對客服不滿意，尤其是售后服務(wù)與退后服務(wù)。以及部分消費者認為在京東蘋果自營店網(wǎng)購的購物體驗不如線下實體店。表4-4消極情感集的LDA主題模型主題1主題2主題3主題4主題5關(guān)鍵詞權(quán)重關(guān)鍵詞權(quán)重關(guān)鍵詞權(quán)重關(guān)鍵詞權(quán)重關(guān)鍵詞權(quán)重質(zhì)量0.031差評0.026差勁0.016物流0.021屏幕0.008客服0.019質(zhì)量0.024自營0.009發(fā)貨0.014電池0.013不好0.025售后0.019垃圾0.013服務(wù)0.013特別0.006感覺0.012商品0.011破損0.008很慢0.022劣質(zhì)0.0074.3.3綜合積極情感集與消極情感集的LDA主題模型結(jié)果與分析通過滿意度模型分析，可以得出結(jié)論：網(wǎng)購蘋果手機的消費者滿意度影響因素與如下11個關(guān)鍵詞關(guān)系密切：容量、外觀、品牌、屏幕、整體感受、性價比、包裝、物流、發(fā)貨速度、在線客服、售后服務(wù)。這11個元素可以進一步提煉概括，將其劃分為四個大類別：1)產(chǎn)品質(zhì)量類別：容量、外觀、品牌、屏幕、整體感受2)價格類別：性價比3)包裝物流：包裝、物流、發(fā)貨速度4)客戶服務(wù)：在線客服、售后服務(wù)其中讓用戶感到滿意的因素有容量、外觀、品牌、屏幕、整體感受、性價比、包裝、物流、發(fā)貨速度。造成用戶不滿的因素有容量、外觀、屏幕、整體感受、發(fā)貨速度、在線客服、售后服務(wù)等，結(jié)果如表所示。（表格中1表示該因素屬于滿意因素/不滿意因素）表4-1網(wǎng)購蘋果手機的消費者滿意度影響因素所屬類別影響因素滿意因素不滿意因素產(chǎn)品質(zhì)量容量11外觀11品牌1屏幕11整體感受11價格性價比1包裝物流包裝1物流1發(fā)貨速度11客戶服務(wù)在線客服1售后服務(wù)14.4本章小結(jié)本章首先通過手動標記積極評價與消極評價分出測試集與訓練集，之后訓練樸素貝葉斯分類器，并進行測試，最終構(gòu)建了符合要求的情感分類器；其次介紹了LDA主題建模和LDA主題模型原理；再次，對分類好的評價進行關(guān)鍵詞提取與分析，提取了對應(yīng)的主題關(guān)鍵詞，并對關(guān)鍵詞進行了分析；最后，綜合了積極情感集與消極情感集的LDA主題模型分析結(jié)果，構(gòu)建出滿意度模型得出分析結(jié)論。第五章結(jié)論與展望5.1結(jié)論本文通過利用電商平臺的海量消費者購物數(shù)據(jù)和商品評價信息，基于文本挖掘、情感分析等方法，以蘋果手機為研究載體，對影響消費者滿意度的因素進行研究與探索，從而構(gòu)建出一個可靠、有效、準確的滿意度模型對商品進行預(yù)測。課題主要開展了對應(yīng)研究工作。研究和研究文本挖掘的研究方法和數(shù)據(jù)處理方法，結(jié)合國內(nèi)外研究現(xiàn)狀和研究目標，確定研究的總體思路和框架。也就是說，基于PythonWeb爬蟲，我們從京東蘋果自己的商店中獲得了蘋果手機的評論數(shù)據(jù)。在數(shù)據(jù)清理的基礎(chǔ)上，我們完成了基于機器分割和字典分割的高密度關(guān)鍵字的存儲。在此基礎(chǔ)上，我們完成了相應(yīng)的文本分類和數(shù)據(jù)分析，得出了用戶的研究結(jié)論，最后，測試了文本挖掘方式下用戶研究方法的可行性。。經(jīng)過文本挖掘和關(guān)鍵詞分析得到的語料，先使用樸素貝葉斯分類器進行訓練，再用LDA主題模型得到情感評價集，構(gòu)建滿意度模型，通過模型可以得出結(jié)論：網(wǎng)購蘋果手機的消費者滿意度影響因素有容量、外觀、品牌、屏幕、整體感受、性價比、包裝、物流、發(fā)貨速度、在線客服、售后服務(wù)等11個因素，其中讓消費者感到滿意的積極因素有容量、外觀、品牌、屏幕、整體感受、性價比、包裝、物流、發(fā)貨速度。讓消費者感到不滿的消極因素有容量、外觀、屏幕、整體感受、發(fā)貨速度、在線客服、售后服務(wù)等。綜上建議商家首先要保證產(chǎn)品質(zhì)量，保證貨源手機不出現(xiàn)電池容量不足、手機外部出現(xiàn)損傷等問題。其次加快發(fā)貨速度，并在業(yè)界物流速度風評較好的京東物流的基礎(chǔ)上保證買家的收貨體驗，讓買家能盡快收貨。商家們還需要提供與實體店相比更具性價比的貨物，多進行優(yōu)惠活動，讓買家有更充足的理由選擇網(wǎng)購手機。此外，同樣重要的還有在線客服提供的服務(wù)。售后服務(wù)比起售前咨詢更為重要，研究顯示售后服務(wù)、退貨是造成用戶不滿意的主要因素之一，京東平臺需要重視售后服務(wù)，并為用戶提供合理的退貨服務(wù)。此外還需要考慮發(fā)貨、物流速度，最好提前和商家溝通，讓商家保證提供完整的售后服務(wù)。由結(jié)論可得出，本文通過利用京東蘋果自營店中蘋果手機的評論數(shù)據(jù)，運用網(wǎng)絡(luò)爬蟲、文本挖掘、關(guān)鍵詞提取等方法，通過基于樸素貝葉斯分類器與LDA主題模型構(gòu)建的滿意度模型，可以比較好地通過挖掘網(wǎng)購平臺評論數(shù)據(jù)來進行消費者滿意度因素分析，并給予買家和賣家在網(wǎng)購中一定的指導作用以及積極的促進作用。5.2本文研究的不足與展望在有限的時間和資源內(nèi)，由于作者的水平有限，在完成后發(fā)現(xiàn)了很多的不足之處，這些不足之處大致可以總結(jié)為兩點，希冀能在未來加以改進：1)樣本量比較小，且樣本種類比較少。作者僅僅選取了京東商城的網(wǎng)購蘋果手機評論數(shù)據(jù)，僅一種手機對于數(shù)據(jù)分析還是過于少了。從而樣本分布的均勻程度不足，最終消極情感評價集的樣本數(shù)量遠小于積極情感評價集的樣本數(shù)量。這給作者的啟示是，如果有足夠的資源與實踐，可以采集多家網(wǎng)購平臺，如天貓、蘇寧易購、拼多多等的相同型號蘋果手機評論數(shù)據(jù)，從而使分析結(jié)果更加全面可靠。2)通過文本挖掘獲取的評論數(shù)目較少，使得能夠用于訓練的語料數(shù)量不夠，導致分類器的性能不足，也說明情感分類器的性能仍有提升空間。由于時間和水平限制，作者僅通過人工標注語料，最終訓練集的語料數(shù)目僅800條。這給作者的啟示是，應(yīng)當訓練更多的語料，使情感分類器的性能提高至一個可靠的水平。這次畢業(yè)設(shè)計的經(jīng)歷也將指導作者在未來的工作與學習中進一步學習文本挖掘與滿意度模型相關(guān)知識，提高自己的算法知識與編程水平，爭取在實踐中能夠?qū)⒆约核鶎W知識與技術(shù)靈活有效的運用。參考文獻楊經(jīng),林世平.基于SVM的文本詞句情感分析[J].計算機應(yīng)用與軟件,2011,28(9):225-228.陸文星,王燕飛.中文文本情感分析研究綜述[D].,2012.梁燕.顧客滿意度研究述評[J].北京工商大學學報(社會科學版),2007,22(2):75-80.張新安,田澎,張列平.顧客滿意度測評模型[D].,2002.殷榮伍.美國顧客滿意度指數(shù)述評[J].世界標準化與質(zhì)量管理,2000,1.劉文霞.C2C模式網(wǎng)絡(luò)購物顧客滿意度影響因素的實證分析[D].東北財經(jīng)大學,2010.南劍飛,熊志堅.論顧客滿意度評價體系的構(gòu)建[J].世界標準化與質(zhì)量管理,2002,6:23225.ChurchillJrGA,SurprenantC.Aninvestigationintothedeterminantsofcustomersatisfaction[J].Journalofmarketingresearch,1982,19(4):491-504.BorleS,DholakiaUM,SinghSS,etal.Theimpactofsurveyparticipationonsubsequentcustomerbehavior:Anempiricalinvestigation[J].MarketingScience,2007,26(5):711-726.ArmstrongRW,SengTB.Corporate‐customersatisfactioninthebankingindustryofSingapore[J].InternationalJournalofBankMarketing,2000.馬銀戌,何明濤.基于SEM模型的農(nóng)村網(wǎng)購滿意度調(diào)查研究——以石家莊市為例[J].收藏,2015,20.毛瀟遠.網(wǎng)購生鮮農(nóng)產(chǎn)品的滿意度影響因素實證分析[D].成都信息工程大學,2019.史曉丹,賈紅艷,孫得友,等.基于淘寶網(wǎng)的顧客網(wǎng)購滿意度調(diào)查研究[J].標準科學,2013.ChristopherRoach.ProgrammingPython[J].MacTechmagazine,2005,3(3):46-53.揭春雨,劉源,梁南元.論漢語自動分詞方法[J].中文信息學報,1989,3(1):3-11.吳勝遠.一種漢語分詞方法[D].,1996.孫茂松,左正平,鄒嘉彥.高頻最大交集型歧義切分字段在漢語自動分詞中的作用[J].中文信息學報,1999,13(1):28-35.陳桂林,王永成,韓客松,等.一種改進的快速分詞算法