情感分析及軒逸汽車(chē)銷(xiāo)售決策

導(dǎo)語(yǔ)：情感分析及軒逸汽車(chē)銷(xiāo)售決策一文來(lái)源于網(wǎng)友上傳，不代表本站觀(guān)點(diǎn)，若需要原創(chuàng)文章可咨詢(xún)客服老師，歡迎參考。

在電商無(wú)限發(fā)展的今天，面對(duì)著龐大、不規(guī)則的網(wǎng)絡(luò)評(píng)論文本數(shù)據(jù)，如何從中尋找出對(duì)企業(yè)制作銷(xiāo)售決策有用的信息，已成為當(dāng)下各大商家的關(guān)注熱點(diǎn)。本文就這一問(wèn)題展開(kāi)討論，試圖挖掘出對(duì)支撐車(chē)企制定或改善銷(xiāo)售決策有重要作用的信息。論文主要引用BERT模型并計(jì)算相關(guān)指標(biāo)值，同時(shí)利用ROSTCM6軟件對(duì)負(fù)面情感文本進(jìn)行社會(huì)網(wǎng)絡(luò)和語(yǔ)義網(wǎng)絡(luò)分析。結(jié)果表明，超過(guò)半數(shù)購(gòu)車(chē)車(chē)主對(duì)軒逸汽車(chē)的態(tài)度明顯持積極情感，即該品牌汽車(chē)得到了多數(shù)使用車(chē)主的認(rèn)可。最后，還運(yùn)用了4Ps營(yíng)銷(xiāo)理論對(duì)情感分析過(guò)程中發(fā)現(xiàn)的問(wèn)題進(jìn)行了總結(jié)，并提出相關(guān)建議。

1研究背景及意義

在經(jīng)濟(jì)全球化的背景下，隨著人們生活質(zhì)量的不斷提高，人們對(duì)出行的代步工具的需求越來(lái)越大，在綜合方便、舒適等條件下，汽車(chē)便成為了廣大消費(fèi)者的最優(yōu)選擇。據(jù)中國(guó)汽車(chē)工業(yè)協(xié)會(huì)統(tǒng)計(jì)數(shù)據(jù)顯示，2020年汽車(chē)產(chǎn)銷(xiāo)分別為2522.5萬(wàn)輛和2531.1萬(wàn)輛，產(chǎn)銷(xiāo)量在全球連續(xù)領(lǐng)先。據(jù)太平洋汽車(chē)網(wǎng)銷(xiāo)售統(tǒng)計(jì)數(shù)據(jù)顯示，2020年熱度最高的車(chē)型為東風(fēng)日產(chǎn)系列的軒逸牌轎車(chē)，其2020年1～12月總銷(xiāo)量在各大轎車(chē)車(chē)型中排名第一，在緊湊型車(chē)車(chē)型中排名第一，綜合太平洋汽車(chē)網(wǎng)所提供數(shù)據(jù)分析，軒逸牌汽車(chē)已經(jīng)受到了廣大消費(fèi)者的青睞。因此，本文將東風(fēng)日產(chǎn)系列中的軒逸轎車(chē)作為研究對(duì)象。論文主要采用數(shù)據(jù)挖掘技術(shù)和數(shù)據(jù)分析方法，獲取太平洋汽車(chē)網(wǎng)上的軒逸轎車(chē)論壇相關(guān)評(píng)論文本信息，并對(duì)這些評(píng)論文本信息進(jìn)行預(yù)處理后，分析出消費(fèi)者對(duì)該型汽車(chē)產(chǎn)品的積極、消極或中性的情感，引用BERT模型算法并進(jìn)行指標(biāo)值計(jì)算，利用負(fù)面情感分析和詞云分析挖掘出消費(fèi)者對(duì)車(chē)型本身的關(guān)注點(diǎn)，最后結(jié)合4P營(yíng)銷(xiāo)策略和情感分析結(jié)果，對(duì)車(chē)企提出相關(guān)建議。論文研究有助于對(duì)有購(gòu)車(chē)需求的潛在消費(fèi)者提供做出購(gòu)買(mǎi)決策的重要依據(jù)；另一方面，還對(duì)汽車(chē)商家準(zhǔn)確把握消費(fèi)者的情感傾向、改善產(chǎn)品和服務(wù)、制定正確的銷(xiāo)售決策和增強(qiáng)企業(yè)在行業(yè)中的競(jìng)爭(zhēng)力具有重要的戰(zhàn)略指導(dǎo)意義。

2研究現(xiàn)狀

目前，國(guó)內(nèi)外對(duì)情感分析的研究有很多，但大多都更偏向于社交網(wǎng)絡(luò)（諸如微博、微信等）的文本情感分析，專(zhuān)門(mén)針對(duì)汽車(chē)行業(yè)的研究卻寥寥無(wú)幾。根據(jù)論文研究?jī)?nèi)容，由情感分析展開(kāi)國(guó)內(nèi)外研究現(xiàn)狀的論述。情感分析又稱(chēng)意見(jiàn)挖掘，是對(duì)有感情色彩的主觀(guān)性文本進(jìn)行分析、處理、歸納和推理的過(guò)程。在國(guó)內(nèi)，情感分析領(lǐng)域的研究已經(jīng)取得了巨大成果，有對(duì)微博等社交網(wǎng)站評(píng)論進(jìn)行情感分析的，也有對(duì)互聯(lián)網(wǎng)上某一具體產(chǎn)品的評(píng)論文本進(jìn)行細(xì)膩度情感分析的，一些學(xué)者更是專(zhuān)門(mén)針對(duì)汽車(chē)領(lǐng)域，就消費(fèi)者消費(fèi)價(jià)值取向與對(duì)汽車(chē)產(chǎn)品的情感傾向等問(wèn)題做出了深入的研究與探討。蘇菊芳通過(guò)對(duì)圖書(shū)館讀者的評(píng)論文本進(jìn)行情感分析，得出圖書(shū)館讀者情感極性從而采用本體的形式構(gòu)建圖書(shū)館讀者情感畫(huà)像庫(kù)，為讀者的個(gè)性化推薦提供了新的研究思路，實(shí)現(xiàn)了讀者的情感知識(shí)語(yǔ)義檢索與共享[1]。楊立公等則以文本顆粒度為視角，從情感詞抽取等五個(gè)方面對(duì)文本情感分析文獻(xiàn)進(jìn)行了梳理，并指出了當(dāng)前情感分析系統(tǒng)準(zhǔn)確率不足的問(wèn)題[2]。王獻(xiàn)偉結(jié)合了Spark平臺(tái)提出應(yīng)用文本情感分析來(lái)挖掘商品評(píng)論中的特征屬性信息，選取了京東商城上行業(yè)排名前五的智能冰箱評(píng)論作為研究對(duì)象，通過(guò)對(duì)評(píng)論語(yǔ)料中智能冰箱各屬性的情感傾向進(jìn)行分析，獲取各屬性在市場(chǎng)上的褒貶評(píng)價(jià)[3]。周立柱等則對(duì)情感分析的研究對(duì)象和目標(biāo)進(jìn)行了定義，詳細(xì)地回顧和分析了主要的處理方法，簡(jiǎn)要的介紹了一些相關(guān)的情感分析問(wèn)題，并對(duì)情感分析現(xiàn)有的成就、不足和挑戰(zhàn)進(jìn)行了總結(jié)[4]。王琛則通過(guò)獲取了商品以及電影評(píng)論數(shù)據(jù)，提出了Word2vec的情感分析方法，并設(shè)計(jì)實(shí)現(xiàn)了一個(gè)在線(xiàn)實(shí)時(shí)情感分析系統(tǒng)，方便了用戶(hù)實(shí)時(shí)查詢(xún)，具有可操作性、準(zhǔn)確性、直觀(guān)性等優(yōu)點(diǎn)[5]。

3BERT模型

DevlinJ等于2018年時(shí)提出了BERT模型，并指出模型是一種NLP領(lǐng)域的與訓(xùn)練模型。BERT模型的核心內(nèi)容是找出目標(biāo)文本中每一個(gè)詞匯與其他任意詞匯的關(guān)系，在這基礎(chǔ)上，將詞匯與句子中或文本中其他詞匯的聯(lián)系充分表示出來(lái)，即BERT模型能更清楚地展現(xiàn)出詞匯在上下文的不同語(yǔ)義。其中，E1，E2，…EN表示需要進(jìn)行訓(xùn)練的目標(biāo)文本中的文字的輸入，在經(jīng)過(guò)編碼層的雙向的Transformer編碼器后，輸出的就是目標(biāo)文本的向量化表示結(jié)果，即T1，T2，…TN分別對(duì)應(yīng)輸入字的向量化表示結(jié)果。BERT語(yǔ)言訓(xùn)練模型和其他模型相比，層數(shù)更深，對(duì)詞向量表示的結(jié)果更加泛化，能夠?qū)δ繕?biāo)文本中的任意詞匯或句子之間的關(guān)系進(jìn)行更詳細(xì)地描述。但由于BERT模型在向量化時(shí)是經(jīng)過(guò)編碼層的雙向Transformer編碼器所進(jìn)行操作的，其輸出結(jié)果中的詞包含了該詞在其他句子中的所有語(yǔ)義，這對(duì)預(yù)測(cè)結(jié)果會(huì)產(chǎn)生影響。為解決此問(wèn)題，BERT模型提出了兩個(gè)預(yù)訓(xùn)練任務(wù)模型：Masked語(yǔ)言模型（MaskedLanguageModule，MLM）和下一個(gè)句子預(yù)測(cè)（NextSentencePrediction，NSP）模型。

4數(shù)據(jù)分析模型構(gòu)建及分析

4.1BERT模型相關(guān)指標(biāo)值計(jì)算

BERT分類(lèi)算法的任務(wù)中，官方代碼文件中給出的評(píng)價(jià)指標(biāo)只有準(zhǔn)確率（Acc）與損失（Loss），為使實(shí)驗(yàn)結(jié)果更準(zhǔn)確，論文在官方代碼基礎(chǔ)上，新增了召回率（R）與精準(zhǔn)率（P）的計(jì)算，然后加入到Return字典中，部分代碼如圖1所示，輸出指標(biāo)值如圖2所示。從圖2可以清晰看出，準(zhǔn)確率（Acc）值為0.8901413，精準(zhǔn)率（P）值為0.91316281，召回率（R）值為0.89652703。通過(guò)計(jì)算，最終得到的F1的值約為0.904768456，即F1為90.48%。實(shí)驗(yàn)結(jié)果表明，BERT模型分類(lèi)方法能夠有效地處理詞匯本身在文本中不同位置的語(yǔ)義，且對(duì)中文文本的分類(lèi)效果比較顯著，對(duì)情感極性的預(yù)測(cè)準(zhǔn)確。

4.2基于ROSTCM6軟件的情感傾向分析

本文采用了由武漢大學(xué)教授團(tuán)隊(duì)開(kāi)發(fā)的ROSTCM6軟件，對(duì)目標(biāo)文本進(jìn)行了情感傾向分析，分析過(guò)程如圖3所示。

作者：張龍 吳旖婷 周遵爽 蔣合領(lǐng) 單位：中國(guó)電信股份有限公司貴州分公司產(chǎn)品創(chuàng)新（客戶(hù)研究）中心 哈爾濱商業(yè)大學(xué)計(jì)算機(jī)科學(xué)與技術(shù) 貴州財(cái)經(jīng)大學(xué)信息學(xué)院