全文下載鏈接：http://tecdat.cn/?p=2175

最近我們被客戶要求撰寫關(guān)于LDA主題模型的研究報(bào)告，包括一些圖形和統(tǒng)計(jì)輸出。

研究人員對各大電商平臺(tái)海量用戶的評價(jià)數(shù)據(jù)進(jìn)行分析，得出智能門鎖剁手攻略

語義透鏡

顧客滿意度和關(guān)注點(diǎn)

我們對于評價(jià)數(shù)據(jù)進(jìn)行LDA建模，就是從語料庫中挖掘出不同主題并進(jìn)行分析，換言之，LDA提供了一種較為方便地量化研究主題的機(jī)器學(xué)習(xí)方法。

我們使用最大似然估計(jì)進(jìn)行最優(yōu)化主題個(gè)數(shù)的選取。當(dāng)主題個(gè)數(shù)定為20的時(shí)候，似然估計(jì)數(shù)最大，即留言板數(shù)據(jù)分為20個(gè)主題的可能性比較大。將模型生成的20個(gè)主題中的高頻詞取出。

圖表1

?

根據(jù)各個(gè)主題的高頻關(guān)鍵詞，大概可以將顧客關(guān)注點(diǎn)分成5個(gè)部分：商家品牌、價(jià)格質(zhì)量、客服師傅、使用便捷性和包裝物流。從上圖，我們發(fā)現(xiàn)用戶關(guān)注的點(diǎn)主要集中在客服對商品問題的耐心解答，師傅對門鎖安裝的指導(dǎo)以及包裝和物流上。

我們也發(fā)現(xiàn)不少顧客的評論反映出智能門鎖的便捷性(e.g.不用帶鑰匙)和先進(jìn)(e.g.指紋識(shí)別度高)。同時(shí)我們沒有發(fā)現(xiàn)安全性相關(guān)的高頻詞匯。

顧客抱怨

質(zhì)量、客服服務(wù)和物流

接下來，我們對不同價(jià)格和主題的顧客抱怨率進(jìn)行比較。

圖表2

?

從價(jià)格方面我們發(fā)現(xiàn)價(jià)格低于2000的智能門鎖購買量最多，同時(shí)抱怨率也較高，根據(jù)關(guān)注點(diǎn)來看，顧客抱怨點(diǎn)主要集中在商品質(zhì)量和客服的耐心程度。購買量位于第二的價(jià)格是高于4000的區(qū)間，整體抱怨率最低。購買量位于第三的是2000-3000區(qū)間，該區(qū)間顧客抱怨點(diǎn)主要集中在商家品牌與物流。最后是3000-4000區(qū)間，該區(qū)間顧客抱怨點(diǎn)主要集中在價(jià)格質(zhì)量與物流。同時(shí)反映出顧客對智能門鎖價(jià)格有較高心理預(yù)期，主要抱怨點(diǎn)在質(zhì)量、客服服務(wù)和物流上。

自營非自營

價(jià)格和滿意度

圖表3

?

從左圖可以看出自營和非自營商品在顧客滿意度上相差不大，非自營商品的滿意度要略高于自營商品。同時(shí)可以看到大于4000區(qū)間的顧客滿意度最高，且都是非自營商品。

從右圖中，我們可以看到滿意度關(guān)于價(jià)格的回歸預(yù)測結(jié)果。圖中紅線表示的是自營商品，在3000以下的區(qū)間，價(jià)格越高，滿意度反而下降，高于3000的區(qū)間中，價(jià)格越高，滿意度越高。在非自營商品中，3000以下的價(jià)格區(qū)間中，價(jià)格和滿意度關(guān)系不明顯，高于3000的價(jià)格區(qū)間中，價(jià)格越高，滿意度越高。

從前文中，我們發(fā)現(xiàn)價(jià)格低于3000的商品抱怨率最低的點(diǎn)在于便捷和使用高效，因此給人的感覺性價(jià)高，滿意度較高，而價(jià)格接近3000時(shí)，顧客對客服、物流、質(zhì)量等預(yù)期更高，因此容易成為抱怨的重災(zāi)區(qū)。當(dāng)價(jià)格接近和高于4000時(shí)，商品的品牌、質(zhì)量往往又得到保證，因此滿意度又上升。

點(diǎn)擊文末?“閱讀原文”

獲取全文完整代碼和數(shù)據(jù)資料。

本文選自《智能門鎖“剁手”數(shù)據(jù)攻略》。

點(diǎn)擊標(biāo)題查閱往期內(nèi)容

R語言中的LDA模型：對文本數(shù)據(jù)進(jìn)行主題模型topic modeling分析
自然語言處理NLP：主題LDA、情感分析疫情下的新聞文本數(shù)據(jù)
【視頻】文本挖掘：主題模型（LDA）及R語言實(shí)現(xiàn)分析游記數(shù)據(jù)
NLP自然語言處理—主題模型LDA案例：挖掘人民網(wǎng)留言板文本數(shù)據(jù)
Python主題建模LDA模型、t-SNE 降維聚類、詞云可視化文本挖掘新聞組數(shù)據(jù)集
自然語言處理NLP：主題LDA、情感分析疫情下的新聞文本數(shù)據(jù)
R語言對NASA元數(shù)據(jù)進(jìn)行文本挖掘的主題建模分析
R語言文本挖掘、情感分析和可視化哈利波特小說文本數(shù)據(jù)
Python、R對小說進(jìn)行文本挖掘和層次聚類可視化分析案例
用于NLP的Python：使用Keras進(jìn)行深度學(xué)習(xí)文本生成
長短期記憶網(wǎng)絡(luò)LSTM在時(shí)間序列預(yù)測和文本分類中的應(yīng)用
用Rapidminer做文本挖掘的應(yīng)用：情感分析
R語言文本挖掘tf-idf,主題建模，情感分析,n-gram建模研究
R語言對推特twitter數(shù)據(jù)進(jìn)行文本情感分析
Python使用神經(jīng)網(wǎng)絡(luò)進(jìn)行簡單文本分類
用于NLP的Python：使用Keras的多標(biāo)簽文本LSTM神經(jīng)網(wǎng)絡(luò)分類
R語言文本挖掘使用tf-idf分析NASA元數(shù)據(jù)的關(guān)鍵字
R語言NLP案例：LDA主題文本挖掘優(yōu)惠券推薦網(wǎng)站數(shù)據(jù)
Python使用神經(jīng)網(wǎng)絡(luò)進(jìn)行簡單文本分類
R語言自然語言處理（NLP）：情感分析新聞文本數(shù)據(jù)
Python、R對小說進(jìn)行文本挖掘和層次聚類可視化分析案例
R語言對推特twitter數(shù)據(jù)進(jìn)行文本情感分析
R語言中的LDA模型：對文本數(shù)據(jù)進(jìn)行主題模型topic modeling分析
R語言文本主題模型之潛在語義分析（LDA:Latent Dirichlet Allocation）R語言對NASA元數(shù)據(jù)進(jìn)行文本挖掘的主題建模分析
R語言文本挖掘、情感分析和可視化哈利波特小說文本數(shù)據(jù)
Python、R對小說進(jìn)行文本挖掘和層次聚類可視化分析案例
用于NLP的Python：使用Keras進(jìn)行深度學(xué)習(xí)文本生成
長短期記憶網(wǎng)絡(luò)LSTM在時(shí)間序列預(yù)測和文本分類中的應(yīng)用
用Rapidminer做文本挖掘的應(yīng)用：情感分析
R語言文本挖掘tf-idf,主題建模，情感分析,n-gram建模研究
R語言對推特twitter數(shù)據(jù)進(jìn)行文本情感分析
Python使用神經(jīng)網(wǎng)絡(luò)進(jìn)行簡單文本分類
用于NLP的Python：使用Keras的多標(biāo)簽文本LSTM神經(jīng)網(wǎng)絡(luò)分類
R語言文本挖掘使用tf-idf分析NASA元數(shù)據(jù)的關(guān)鍵字
R語言NLP案例：LDA主題文本挖掘優(yōu)惠券推薦網(wǎng)站數(shù)據(jù)
Python使用神經(jīng)網(wǎng)絡(luò)進(jìn)行簡單文本分類
R語言自然語言處理（NLP）：情感分析新聞文本數(shù)據(jù)
Python、R對小說進(jìn)行文本挖掘和層次聚類可視化分析案例
R語言對推特twitter數(shù)據(jù)進(jìn)行文本情感分析
R語言中的LDA模型：對文本數(shù)據(jù)進(jìn)行主題模型topic modeling分析
R語言文本主題模型之潛在語義分析（LDA:Latent Dirichlet Allocation）