从用户生成的内容到质量提升：利用深度学习对新能汽车客户满意度及关注度的多粒度分析

《COMPUTERS IN INDUSTRY》：From user-generated content to quality improvement: A multi-granularity analysis of customer satisfaction and attention in new energy vehicles using deep learning

多方面动态知识图谱卷积网络模型通过用户生成内容分析新能源汽车客户满意度，结合重要性-绩效分析和质量功能展开框架，提出细粒度产品改进方法，实验显示模型在基准数据集和比亚迪真实数据集上表现优异，关键改进点包括电池续航和车内空间。

　　在当前的汽车行业中，新能量产汽车（NEVs）正逐渐成为主流，其发展不仅受到市场需求的影响，也与环境保护、可持续发展等全球趋势密切相关。随着新能源汽车的普及，消费者对产品的满意度和关注点也在不断变化，这对企业的产品设计和质量改进提出了新的挑战。传统的方法，如问卷调查、电话访谈、面对面访谈和网络调查，虽然在某些情况下仍被使用，但它们往往存在成本高、耗时长、样本量有限等缺点。此外，这些方法可能无法准确反映消费者的主观偏好，因为它们通常依赖于被动的信息收集方式，缺乏互动性。因此，研究者们开始寻求更高效、更精准的分析手段，以适应新能源汽车市场的需求。

近年来，用户生成内容（UGC）作为一种低成本、高效率的数据来源，受到了越来越多的关注。UGC指的是消费者在社交媒体、论坛、评论网站等平台上发表的文本信息，这些内容包含了用户对产品的真实反馈和情感表达。然而，现有的研究在利用UGC进行客户满意度分析时，往往忽略了用户的细粒度需求，也较少将情感洞察转化为具体的产品改进措施。这导致了分析结果与实际产品改进之间的脱节。因此，如何从UGC中提取出具体的产品方面的情感信息，并将其转化为可操作的指标，成为了一个亟待解决的问题。

针对这一问题，研究者们提出了一种新的多方面动态知识图卷积网络（Multi-Aspect Dynamic Knowledge Graph Convolutional Network, MA-DKGCN），旨在从UGC中提取出方面级的客户感知。该模型通过引入一种基于规模的依赖矩阵，有效过滤了冗余的语法关系，并捕捉了不同方面之间的语义交互。同时，MA-DKGCN还结合了情感知识库和交叉注意力机制，以增强情感特征的提取效果。此外，该模型在处理口语化表达和语法噪声时表现出更强的鲁棒性，能够更准确地识别出用户对不同产品属性的情感倾向。

为了验证MA-DKGCN的有效性，研究者们在三个广泛使用的基准数据集（Laptop、Restaurant和Twitter）上进行了实验，并进一步将其应用于一个包含55,511条论坛评论的真实数据集，该数据集涵盖了比亚迪（BYD）新能源汽车的1383个细粒度产品方面。实验结果表明，该模型在多个评估指标上均优于现有的许多先进方法。例如，在宏F1值（Macro-F1）和准确率（Accuracy）方面，MA-DKGCN分别达到了91.46%和91.41%。这说明该模型在实际应用中具有较高的准确性和实用性。

在实际应用中，研究者们还结合了定制化的“重要性-性能分析”（Importance–Performance Analysis, IPA）模型，以识别出高关注度但低满意度的方面。例如，在对比亚迪新能源汽车的评论分析中，研究发现空调系统和后备箱尺寸是用户关注度较高但满意度较低的方面。这些方面被进一步整合到“质量屋”（House of Quality, HOQ）模型中，以支持产品质量的持续改进。通过这种方式，企业能够更精准地了解消费者的需求，并据此调整产品设计和质量提升策略。

此外，研究还发现，尽管某些年份的客户满意度出现了一定的波动，但总体上，客户对新能源汽车的主要方面表现出持续改善的趋势。例如，尽管电池续航能力的关注度有所下降，但车辆空间的关注度则出现了小幅上升。这些发现不仅揭示了客户关注点的变化，也为新能源汽车制造商提供了重要的决策依据。通过分析这些时间序列数据，企业可以更好地把握市场动态，并调整产品策略以满足消费者不断变化的需求。

在方法论上，该研究构建了一个五模块的分析框架，包括数据采集、数据预处理与方面识别、方面级情感分析、满意度与关注度量化，以及IPA与HOQ分析。首先，通过网络爬虫模块收集原始文本数据，以构建一个全面的数据集。接下来，对数据进行预处理，生成标准化的文本语料库。同时，研究者们还利用自然语言处理技术，对文本中的方面术语进行识别和提取。然后，通过MA-DKGCN模型进行方面级情感分析，提取出与不同产品属性相关的情感信息。在此基础上，研究者们进一步构建了一个定量框架，将情感分析结果转化为客户满意度和关注度指标，并结合IPA模型，将这些指标与产品改进措施联系起来。最后，通过HOQ模型，实现客户期望与工程参数之间的结构化映射，以支持产品质量的持续优化。

这一研究的创新之处在于，它不仅提出了一个新的模型，还构建了一个完整的分析框架，涵盖了从数据采集到产品改进的全过程。通过这一框架，企业可以更系统地了解消费者的需求，并据此调整产品设计和质量提升策略。此外，该研究还通过实际案例验证了模型的有效性，例如在比亚迪新能源汽车的评论分析中，模型成功识别出多个关键方面，并提出了针对性的改进建议。这些改进建议不仅有助于提升产品质量，还能够增强消费者对品牌的忠诚度和满意度。

在实际应用中，新能源汽车制造商可以通过该模型分析消费者在不同产品属性上的关注点和满意度，从而优化产品设计和质量改进措施。例如，如果发现消费者对电池续航能力的关注度较高，但满意度较低，企业可以针对这一问题进行技术改进，以提升电池性能。同样，如果发现消费者对车辆空间的关注度有所上升，企业可以考虑优化车内布局，以满足消费者的需求。通过这种方式，企业能够更精准地把握市场动态，并调整产品策略以提高竞争力。

此外，该研究还强调了新能源汽车市场与传统燃油车市场的差异。新能源汽车涉及更多的技术细节和复杂性，例如电池系统、充电基础设施、智能配置等，这些因素使得消费者的关注点更加多样化。因此，传统的客户满意度分析方法可能无法完全适用于新能源汽车领域，需要进行相应的调整和优化。通过引入MA-DKGCN模型，研究者们能够更有效地捕捉新能源汽车领域中的细粒度情感信息，并将其转化为具体的改进措施。

总的来说，该研究为新能源汽车制造商提供了一种新的分析工具，使他们能够更精准地了解消费者的需求，并据此调整产品设计和质量改进策略。通过结合UGC分析、情感知识库、交叉注意力机制等先进技术，研究者们成功构建了一个完整的分析框架，涵盖了从数据采集到产品改进的全过程。这一框架不仅提高了客户满意度分析的准确性，还增强了企业对市场动态的响应能力，为新能源汽车行业的持续发展提供了重要的支持。