💻 computer science

A Framework for Customer Needs Analysis: Integrating Dynamic Sentiment Lexicon Construction with Kano Model

本文提出了一种数据驱动的框架，该框架整合了引导式 BERTopic、动态领域自适应情感词典以及卡诺模型（Kano model），旨在客观地分析在线评论并确定产品改进的优先级，并通过对 8,970 条新能源汽车评论的评估进行了验证。

原作者： Qiong He, Yijia Li, Zhenwei Yang, Shuai Wang, Jian Zhang

发布于 2026-08-03

📖 1 分钟阅读☕ 轻松阅读

原作者： Qiong He, Yijia Li, Zhenwei Yang, Shuai Wang, Jian Zhang

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你是一名试图破解人们究竟想要什么的谜题的侦探。在商业世界中，这被称为“客户需求分析”。长期以来，公司试图通过发放纸质调查问卷或让人们填写表格来解决这个问题。但这就像是通过询问街角仅有的五个人来猜测整个城市在想什么——既缓慢，又容易产生偏差，而且人们甚至可能不会说实话。

欢迎来到互联网时代，数以百万计的人留下了数字化的意见足迹，其形式便是网络评论。这是一座数据金矿，但它非常杂乱。为了理清这些数据，科学家们使用了两个主要工具。首先，他们使用“情感分析”，它就像是文本的“心情环”；它试图弄清楚一个词或句子是快乐、悲伤、愤怒还是兴奋。其次，他们使用了“卡诺模型”（Kano model），这是一个著名的框架，将需求分为几类：一些是基础型的（你必须拥有它们，否则会感到不满）；一些是线性型的（你拥有的越多，你就越开心）；还有一些是“惊喜型”的（意想不到的奖励，让你欢欣鼓舞）。问题在于？传统的“心情环”是“静态的”——它们使用固定的词典，无法处理俚语、讽刺或语境。而卡诺模型通常依赖于那些缓慢且具有主观性的调查问卷。

本文提出了一种结合这两个工具的巧妙新方法。研究人员构建了一个“动态”的心情环，它能学习汽车车主的特定语言，并利用它自动为卡诺模型提供数据，从而跳过了调查问卷环节。他们针对近 9,000 条新能源汽车（如电动汽车）的评论进行了测试，以观察他们是否能准确找出驾驶员热爱什么、讨厌什么，以及公司应该优先修复哪些功能。

侦探的新工具箱

何琼及其带领的北京信息科技大学研究团队意识到，旧工具已经无法跟上人们在网上真实的表达方式了。如果你说一辆车很“大”，静态词典可能只将其视为一个中性词。但如果你说“噪音很大”，那就是坏事；如果你说“后备箱很大”，那就是好事。标准词典在没有人类解释语境的情况下，无法分辨其中的区别。

为了解决这个问题，团队构建了一个动态情感词典。把它想象成一个超级聪明、能够自我更新的词典，它不仅是记忆单词，还能理解对话的“氛围”。他们使用了一个强大的 AI 大脑（称为 BERT），它能像人类一样阅读句子，通过观察一个术语前后的词语来理解其真实含义。他们还使用了一种叫做 TF-IDF-PageRank 的数学技巧（一种寻找同时出现的关键重要词汇的高级方法）来挑选词典的最佳起始词。

有了这个智能词典后，他们并没有止步于此。他们将其接入了卡诺模型。通常情况下，卡诺模型需要研究人员询问客户：“如果存在这个功能，你会感觉如何？”以及“如果不存在这个功能，你会感觉如何？”该团队跳过了提问环节。相反，他们让 AI 阅读数千条评论，计算人们对特定汽车部件的满意或愤怒程度，并自动将这些部件归入卡но分类中。

9,000 条评论的案例

团队利用从热门中国汽车网站“懂车帝”收集到的 8,970 条新能源汽车（NEV）评论对该框架进行了测试。他们重点研究了五个主要品牌：特斯拉、比亚迪、长安、蔚来和理想。

在清理数据（删除重复项和乱码）后，他们的系统成功识别了 九个关键产品属性，客户非常关注这些属性。范围涵盖了从“续航里程”（车辆充电后行驶的距离）和“空间”到“智能化”（智能驾驶功能）以及“底盘系统”（汽车的骨架和行驶品质）。

奇迹就在这里发生了。AI 不仅仅列出了功能，还使用卡诺模型对其进行了分类，揭示了驾驶员隐藏的心理：

“必备属性”（Must-be Attributes）： 系统发现，座椅、底盘系统和驾驶体验是基础。如果这些方面表现糟糕，客户会非常愤怒。但如果它们仅仅是“好”，客户并不会感到兴奋；他们只是理所当然地认为如此。这就像给房子盖屋顶：如果漏雨，你会生气；但如果屋顶坚固，你并不会为此开派对。
“线性特征”（One-dimensional Attributes）： 外观属于这一类。汽车看起来越时尚，客户就越开心。这是一条直线：外观越好，笑容越多。
“惊喜型属性”（Attractive Attributes）： 这是最大的惊喜。续航里程、空间、智能化、内饰品质和价格等功能被归类为“惊喜型”。这意味着，如果汽车在这些领域表现卓越，会创造巨大的客户满意度提升。然而，如果汽车在这些领域仅仅是“还可以”，客户并不一定会生气，只是不会产生那种额外的愉悦感。

“机会”得分：先修复谁？

了解人们想要什么固然很好，但公司的预算是有限的。他们不能同时修复所有东西。因此，研究人员增加了最后一步：机会算法。它就像一个优先级列表，观察两件事：

重要性： 人们谈论这个功能的频率有多高？
满意度： 人们目前对它的满意程度如何？

该算法计算出一个“机会得分”来告诉制造商重点关注哪里。结果非常明确：

首要任务： 空间和续航里程是赢家。它们已经是“惊喜型”属性（人们在这些方面表现出色时会非常喜爱），但仍有提升空间，以赢得更多客户。
紧急修复： 驾驶体验是一个客户感到意外不满意的“必备型”属性。尽管它是基本要求，但较低的满意度得分意味着这对品牌来说是一个定时炸弹。
低优先级： 智能化和外观的机会得分较低，这表明虽然它们很重要，但目前的期望与现实之间的差距，并不像驾驶体验或空间问题那样紧迫。

结论

这项研究表明，通过使用这种动态的、由 AI 驱动的方法，公司可以不再靠猜测和主观调查。相反，他们可以直接从混乱的网络评论中倾听“客户的声音”。该框架成功地将 8,970 条杂乱的评论转化为了清晰、可操作的路线图：修复驾驶体验以止损，并强化空间和电池续航能力，以打造下一个爆款产品。

尽管作者指出，他们目前的方法仅在电动汽车领域进行了测试，并且依赖于单一网站的数据，但他们认为这种“动态词典”方法提供了一种重复且客观的方式来理解客户真正的需求，将互联网的噪音转化为清晰的改进信号。

技术摘要：一种结合动态情感词典构建与 Kano 模型进行客户需求分析的框架

问题陈述
准确的客户需求分析是有效产品设计与迭代优化的基础。虽然在线评论为真实的用户反馈提供了丰富且低成本的来源，但传统的分析方法面临两个显著的局限性：

静态情感词典： 传统的感性词典难以捕捉用户生成内容（UGC）中依赖上下文和特定领域的语义表达。它们往往无法适应语言的快速演变以及特定行业中词汇的细微语义变化。
Kano 模型中的主观性： 传统 Kano 模型的使用高度依赖于人工问卷调查。这种方法引入了高度的主观性，存在小样本偏差，且缺乏可扩展性，限制了其在识别复杂客户心理方面的客观性。

方法论
作者提出了一种集成的、数据驱动的框架，实现了属性提取、情感量化、需求分类和优先级排序的自动化。该过程由四个连续阶段组成：

数据收集与预处理：
- 从电子商务平台（专门针对新能源汽车的东车 दी/Dongchedi）抓取评论。
- 文本经过预处理，包括去除非中文字符、标点符号和停用词，随后使用 Jieba 工具包进行分词和词性标注。
产品属性提取（引导式 BERTopic）：
- 研究采用了 Guided BERTopic，这是一种将领域特定知识与数据驱动聚类相结合的主题建模方法。
- 种子词引导： 领域专家提供种子词以引导主题生成，从而确保相关性并减少噪声。
- 建模步骤：
  - 文档嵌入： 使用 paraphrase-multilingual-MiniLM-L12-v2 将文本映射到高维向量。
  - 种子引导： 通过计算文档嵌入与种子词嵌入质心之间的余弦相似度，增强特定主题的相关性。
  - 降维： 使用 UMAP 在保留局部和全局数据结构的同时降低维度。
  - 聚类： HDBSCAN 将文档分组为任意形状的簇，从而隔离噪声。
  - 关键词提取： 通过增强了种子词权重因子的改进型 c-TF-IDF 算法，生成主题关键词分布。
动态情感词典构建：
- 为了克服静态词典的僵化性，作者通过统计学和深度学习的混合方法构建了一个领域自适应词典：
  - 种子词选择： 使用 TF-IDF-PageRank 异构特征融合模型来识别具有高辨别力的情感种子词。TF-IDF 捕捉局部统计显著性，而 PageRank 捕捉全局结构相关性。最终得分是两者的线性组合（ $S(w_i) = \alpha \cdot TF\text{-}IDF + (1-\alpha) \cdot RP$ ）。
  - 上下文表示： 使用 BERT 模型生成动态的、上下文相关的词向量，克服了 Word2Vec 或 GloVe 的静态特性。
  - 动态扩展： 基于与种子向量的余弦相似度（阈值 0.75）将候选词扩展至词典，使词典能够适应新的情感表达。
- 上下文极性： 框架考虑了上下文敏感性（例如，“大”对于空间是正向的，但对于噪音是负向的），通过将情感词映射到特定的属性元组来实现。
客户需求分类与优先级排序：
- Kano 模型集成： 该模型不使用问卷，而是对评论数据进行回归分析。公式（ $y = \alpha + \sum(\beta_j^{pos}X_j^{pos} + \beta_j^{neg}X_j^{neg})$ ）将正向和负向情感的贡献映射到客户满意度评分。
- 决策树： 根据估计的系数（ $\beta$ ）和阈值（ $\lambda, \delta$ ），将属性分为五类（魅力属性、期望属性、必备属性、反向属性、无差异属性）。
- 机会算法： 为了对改进优先级进行排序，计算了一个结合了重要性（属性提及频率）和满意度（聚合情感得分）的“机会得分”。
- 公式： $Opportunity = Importance + \max(Importance - Satisfaction, 0)$ 。

主要结果
该框架通过对五个主要品牌（特斯拉、比亚迪、长安、蔚来、理想）共 8,970 条新能源汽车（NEV）在线评论的验证。

属性提取： 识别出九个核心产品属性：续航里程、空间、外观、智能化、内饰、价格、座椅、底盘系统和驾驶体验。
词典构建： 构建了一个包含 736 个词汇（512 个正向，224 个负向）的动态领域情感词典，成功捕捉了领域特定的细微差别。
Kano 分类：
- 魅力属性： 续航里程、空间、智能化、内饰和价格。这些方面的改进能显著提升满意度。
- 期望属性： 外观。满意度与性能呈线性相关。
- 必备属性： 座椅、底盘系统和驾驶体验。这些是基本预期；性能差会导致不满，但卓越的性能带来的边际收益递减。
优先级排序： 机会算法将空间、续航里程 和 驾驶体验 列为前三大改进优先级。值得注意的是，尽管“驾驶体验”是一项基本需求，但目前的满意度得分较低，表明这是一个关键的优化领域。

意义与主张
本文声称通过解决传统方法的局限性，为智能产品优化提供了一种可重复且可迁移的解决方案：

客观性： 通过使用在线评论的数据驱动分析取代主观问卷，该框架消除了样本偏差和人为主观性。
适应性： 动态情感词典的构建解决了静态词典无法捕捉上下文敏感及演变中的 UGC 情感表达的问题。
可操作性： 将 Kano 模型与机会算法相结合，将原始用户反馈转化为可量化、有排名的改进优先级。

作者总结认为，这种数据驱动的方法提高了产品开发的效率和准确性，使制造商能够迅速适应市场动态。他们也承认了局限性，包括目前仅应用于单一领域（新能源汽车）、缺乏具体的虚假评论检测，以及使用单一平台数据，并将这些作为未来的研究方向。

侦探的新工具箱

9,000 条评论的案例

“机会”得分：先修复谁？

结论

类似论文