中国互联网络信息中心相关报告显示：截至2014年6月，我国网购用户规模达3.32亿，随着互联网广泛应用，各电商网站积累了大量产品或服务的客户评论，能在很大程度上影响消费者购买决策^[1]。自2002年，评论挖掘研究逐渐兴起，如Turney^[2]提出将语义倾向性应用在评论分类，将评论分为两类，推荐和不推荐。Dave等^[3]开发了情感分析工具和针对给定产品评论区别其褒贬性的系统ReviewSeer。汉语评论挖掘研究起步较晚，如文献[4]通过数据挖掘手段发现产品主要特征，分析顾客对这些特征评价和态度；文献[5]采用共词分析和基于句法分析的极性传递法，构建了评论挖掘模型；李爱清等构建了手机产品评论挖掘实验数据集和可视化平台^[6]。沿着应用评论挖掘思路，本文探索了自下而上构建指标评价系统的研究。

指标集和评价集构成了整个评价体系，是多属性决策的两个核心要素。现有对于评价体系构建研究，多采用自上而下的指标体系构建思路，即通过直观抽象分析，从概括到具体的正向逐层构建思路，从总目标出发，细化为子目标，通过层层分解，最后形成可量化的指标集。如层次分析法(AHP)为这一思路典型代表^[7]。而针对评价集的构建，通常按照定性和定量指标两大类分别处理。其中定量指标可通过各种途径如统计文献直接获得客观数据，而定性指标则相对复杂，简单处理方法可通过邀请专家直接打分获取，如通过问卷调研，或者构建不同类型的基于语言评价集，如模糊语言^[8]评价。

图 1归纳了传统自上而下的评价体系构建思路。进一步设定如下：通过自上而下将总目标分解，形成子目标集G, G ={g₁, g₂, …, g_|G|}，其中|G|为该集合中的元素个数，然后将子目标集G进一步分解为指标集C，C={c₁, c₂, …, c_|C|}; 在此基础上，构建备选方案集A, A={a¹, a², …, a^|A|}; 指标集C和备选方案集A构成一个决策矩阵(|C|×|A|); 在此矩阵中，任一方案aⁱ在评价指标c_j上的评价值设为m_jⁱ，在所有评价指标下得到的评价结果，构成该方案的评价集mⁱ，综合所有方案的评价集构建整体评价集M, M={m¹, m², …, m^|A|}。

1 基于顾客需求分析的决策体系构建 1.1 整体构建框架

传统自上而下的评价体系构建，主观因素多，无法有效反映备选方案自身的特征信息。而随着电子商务在深度和广度的应用，积累了大量顾客对产品的评价信息。鉴于此，依托于聚类分析方法^[9]，提出基于顾客需求^[10]的评价体系逆向构建方法。

基本流程如下。1)顾客评价文本挖掘与处理：将分散的顾客评价信息，运用文本挖掘技术结合专家判断，根据频度、语义的前后关联程度以及评论语言的主观内容识别，整理成高频短语，即名词+形容词/副词形式。2)相似度判定及相似矩阵构建：上述高频短语中的名词设为基本指标元素，通过专家判断语义相似性，构建相似度矩阵，类似处理形容词/副词形成基本语言评价元素，构建基本语言评价相似度矩阵。3)基于聚类指标集和子目标集构建：对基本指标元素相似度矩阵的聚类分析，形成指标集，进一步对指标集构建相似度矩阵和聚类分析，从而获得子目标集。4)基于聚类评价集构建：对基本语言评价元素相似度矩阵的聚类分析，形成语言评价集。5)产品评价体系整合优化：通过整合以上获得的指标集、子目标集和语言评价集，实现自下而上的评价体系构建，可用以指导产品评价体系的优化，如顾客调查问卷的优化设计。

1.2 顾客评价的挖掘和处理

根据产品特点，设定文本挖掘范围，依托于已有数据挖掘工具(如本文采用火车头数据采集平台，LocoySpider)^[11]，进行用户评论文本抓取，利用中科院ICTCLA(Institute of Computing Technology, Chinese Lexical Analysis System)^[12]对文本数据分词处理。考虑到汉语表达复杂性及分词软件不成熟，对收集的评论文本作人工辅助处理：剔除与商品评论无关文本信息，分辨网络词语用意等。最终得到的如表 1所示有效高频词组，并定义如下。1)基本名词单元集，N={n¹, n², …, nⁱ, …, n^|N|}，为共|N|个经过文本挖掘与处理后获得的基本名词元素集，其中nⁱ为第i个基本名词元素。2)第i个基本名词单元关联的形容词/副词元素集，Lⁱ={l₁ⁱ, …, l_jⁱ, …, l_|Lⁱ|ⁱ}，为一组共|Lⁱ|个与nⁱ相关联的形容词/副词。3)基本形容词/副词元素集，L={l₁, l₂, …, l_j, …, l_|L|}，L是通过将所有的基本名词关联的形容词/副词元素集进行并集运算获得，即L=L¹∪…∪Lⁱ∪…∪L^|N|。

1.3 相似性判定及相似矩阵构建

邀请专家在充分理解评价者的真实表达意图基础上，针对基本名词单元集或者基本形容词/副词单元集分别进行两两相似性判断(用0~1之间的数值表示)，形成相似矩阵。进一步，定义如下：基本词语的相似程度，S(n^j, nⁱ)，为词n^j与词nⁱ的相似程度，0≤S(n^j, nⁱ)≤1，从定义易知，S(n^j, nⁱ)=S(nⁱ, n^j)，构建如表 2所示基本词语(以名词为例)相似矩阵。

2 基于聚类的决策体系逆向构建 2.1 聚类算法概述

聚类分析是将数据划分或分组处理聚成不同的类的过程，同一个类中的对象间具有强相似性，而不同类间的对象具有强相异性。在分类过程中，不必事先给出一个分类标准，聚类分析能够从数据出发，客观地决定分类标准。主要的聚类算法有层次聚类分析(hierarchical cluster analysis)^[13]和K-means算法^[14]。

在层次聚类过程中，需要确定聚类过程中样本与类、类与类之间的距离度量方式，常用的距离度量方式^[16]有最小距离(single-link)、最大距离(complete-link)、平均值距离(average-link)、均值点距离(mean-distance)及离差平方和(ward法)。本文采用层次聚类方法，通过聚类个数与相似性水平交互对比，将基本名词(形容词/副词)元素进行聚类，构建指标集和子目标集。

2.2 基于聚类的指标(子目标)集构建

图 2为基于聚类的指标集和子目标集的构建流程图。

1) 基于最大相似度的名词聚合：将基本名词集合N={n¹, n², …, n^|N|}中的每一个名词作为一个聚类中心，进行距离或相似度的衡量之后，选取其中具有最大相似度的两个(n^p, n^q)进行聚类，将其合并成一个新的聚类n^r=n^p∪n^q。

2) 设定α₁的交互式指标集构建：决策者设定一个α₁值，作为基本指标元素聚类相似度阈值，并设定当类与类之间的相似度水平都恰好小于或等于α₁时，完成基本指标元素的聚类工作，通过用每一个聚类中的全部元素用一个综合性词语来代表这个聚类的指标，获得输出结果，即指标集C={c₁, c₂, …, c_j, …, c_|C|}。

3) 设定α₂的交互子目标集构建：进一步，决策者设定一个α₂值，作为指标集聚类相似度阈值，并设定当类与类之间的相似度水平都恰好小于或等于α₂时，完成指标集的聚类工作，通过用每一个聚类中的全部元素用一个综合性词语来代表这个聚类的子目标，获得输出结果，即子目标集G ={g₁, g₂, …, g_|G|}。

通过上述两轮聚类，依次完成从基本指标元素到指标集以及从指标集到子目标的逆向构建过程。

2.3 基于聚类的语言评价集构建

通过图 3所示流程，可完成从基本语言评价元素到语言评价集的聚类构建。其中β为基本语言评价元素的聚类设定的阈值，当簇与簇之间的相似度水平恰好小于或等于β时，输出语言评价集O={o₁, o₂, …, o_|O|}。通过2.2节和2.3节的处理，可获得指标集C={c₁, c₂, …, c_j, …, c_|C|}、子目标集G ={g₁, g₂, …, g_|G|}和语言评价集O={o₁, o₂, …, o_|O|}。

3 案例分析

为了验证方法有效性，选取京东商城作为实验载体，通过对其商品URL的规律抽取关键信息^[15]：通过URL抓取页面源码，分析源码中所需信息的上下文环境，得到抽取规则，用正则表达式表示该规则，然后进行抽取。限于篇幅, 本文选择近期受关注的国产手机锤子作为研究对象，进行算法演示分析。

3.1 评价指标(子目标)集构建

1) 基本数据的预处理。首先利用火车头数据采集平台来抽取网站评论页面的信息，截止实验时，锤子手机在售的3种不同型号的产品共计7 173条评论，考虑到用户隐私以及实际需要，本文只抽取了用户关于商品的评价语言。在评论语言中，会出现“外观”、“外形”、“看起来”、“样子”这种明显同义的名词，在完成分词处理之后，首先把这种明显同义的词语用出现频率最高那一个词语替代表示。

2) 基本指标元素与相似度矩阵的构建。本文通过对锤子手机7 000多条评论语言的预处理，合并整理出20个高频名词用于本次试验的基本指标元素构建，即N= {手机，外观，锤子(手机品牌)，系统运行，老罗(该品牌创始人)，手感，国产，包装，细节，设计，做工，后盖，UI，配置，硬件，拍照效果，按键，屏幕，音质，配件}，之后通过邀请10名智能机资深用户进行名词间的相似度比较，构建基本指标元素相似度矩阵，受篇幅限制，本文只提供部分数据如表 3所示。

3) 基本指标元素聚类分析。本文选用Minitab进行聚类分析，选定离差平方和的联结规则，选择相关性作为距离量度，设定α₁等于60，作为基本指标元素聚类的相似度阈值，处理后得出如图 4的聚类结果。

4) 指标集和子目标集的构建。由树状图(图 4a)可知最终共聚为9类，并用综合名词进行代表替换，即: c₁= {手机，锤子，老罗}→品牌口碑(即用品牌口碑作为指标整合代表手机、锤子和老罗3个基本指标元素)，c₂= {外观，包装，按键}→外观包装，c₃= {系统运行，国产，设计，UI}→系统设计，c₄= {手感，做工，后盖}→工艺水平，c₅= {细节，配件}→细节配件，c₆= {配置，硬件}→硬件配置，c₇= {拍照效果}，c₈= {屏幕}，c₉= {音质}，从而完成指标集的构建，即：C={c₁, c₂, …, c₉}。

类似地通过构建指标集相似度矩阵，并设定α₂= 70，作为指标集聚类的相似度阈值，根据处理结果的树状图(图 4b)显示进行类似综合名词代表，即：g₁= {品牌口碑，系统设计}→品牌与设计，g₂= {工艺水平}，g₃= {外观包装，细节配件}→外观与细节，g₄= {硬件配置，屏幕}→硬件配置，g₅= {拍照效果，音质}→拍照与音质，从而完成子目标集的构建，即：G ={g₁, g₂, g₃, g₄, g₅}。

3.2 语言评价集的构建

通过对顾客的评论挖掘，根据对词义的了解和分析，把表达的情感倾向程度十分相近的形容词/副词等用于评价手机的词语归为一类。如“赞”和“给个赞”归为一类，用“赞”代替表示。本文通过整理综合后，邀请资深用户进行基本语言元素的相似度判定，其相似度矩阵的部分数据如表 4。选定离差平方和的联结规则，设定β=85，作为基本语言评价元素聚类的相似度阈值，处理后得出如图 5所示的聚类结果，即o₁= {精致，人性化，非常好，大赞，流畅}→非常好，o₂= {很好，赞，好}→好，o₃= {还好，不错，还算可以}→还算可以，o₄= {一般，需要完善，凑合}→一般，o₅= {易留指纹，噪点很多，不适应，不方便，发热，不怎么耐用，不精准}→存在问题，从而完成语言评价集的构建，即O={o₁, o₂, o₃, o₄, o₅}。

3.3 产品评价体系的整合优化分析

依托前文计算结果，以下给出该产品评价体系的优化设计建议。1)评价指标体系设计：根据前文获得的指标集和子目标集，建议调查应该从5个大维度(对应5个子目标)进行总体设计，即：品牌与设计、工艺水平、外观与细节、硬件配置、拍照与音质；进一步，对品牌与设计维度，相关问题应该围绕：品牌口碑、系统设计(即分别对应每个子目标包含的指标集)。2)评价的语言尺度设计：根据获得的语言评价集，建议语言评价应该从以下5个层级(对应5个语言评价集)进行设计，即：非常好、好、还算可以、一般、存在问题。

4 结论

随着互联网驱动的电子商务在我国蓬勃发展，在2013年已占我国GDP总量15%，其应用深度和广度日益拓展，积累了大量各类用户数据，如何有效地应用数据分析工具去识别顾客需求成为一个研究热点。本文通过挖掘顾客评论辨识顾客需求，以顾客需求为导向，利用文本挖掘与聚类思想和方法，构建产品评价体系。有别于传统自上而下的指标体系构建方法，所提方法使得评价体系构建更客观，更贴近真实的用户意图。由此设计的评价体系也更贴近顾客关注的价值，从而帮助决策者准确地把握产品反馈和市场动向。