以用户为中心的产品缺陷分析与改进：将时效性强的产品知识图谱与大型语言模型相结合

《Knowledge-Based Systems》：User-centered product defect insight and improvement: Integrating a time-sensitive product knowledge graph with a large language model

　　•提出了一种以用户为中心的框架，用于从用户生成内容中获取缺陷洞察并推动改进。•构建了一个跨产品版本的时间敏感型产品知识图谱。•将用户反馈整理为结构化且可追溯的证据路径。•将该知识图谱与大型语言模型整合，以实现自然语言查询和证据综合。•为工程实践中的基于证据的改进规划提供支持。

引言
产品缺陷不仅会严重削弱企业的市场竞争力，在极端情况下还可能威胁到用户的人身安全和财产安全[1,2]。在数字化制造和用户体验驱动竞争的趋势下，缺陷管理已成为制造企业亟需关注的核心问题[3]。企业往往因产品召回等缺陷补救措施而遭受巨大经济损失[4]。即便那些不会引发召回的缺陷，也会导致用户不满、降低再购买意愿，并增加保修期间的维护成本。在此背景下，如何从用户视角系统地获取产品缺陷洞察并制定有效的改进方案，已成为制造企业质量管理与产品优化领域的关键挑战。

传统上，制造企业主要依靠内部质量检测流程或售后服务中心的反馈来收集与缺陷相关的信息[5]。然而，这些信息来源存在诸多局限性，包括覆盖范围有限、获取成本高、更新滞后，以及无法及时反映用户的实际使用体验[6]。此外，这类方法往往效率低下。更重要的是，所收集的信息通常依赖于技术人员的主观判断，难免存在一定程度的模糊性[7]。近年来，随着社交媒体和电子商务平台的快速发展，用户生成内容逐渐成为产品使用反馈的重要来源[8]。用户生成内容具有时效性强、覆盖面广、成本低等优点。更为重要的是，由于它源自用户的真实表达，能够直接反映用户在实际使用场景中的体验与需求[9]。因此，用户生成内容为产品缺陷分析提供了前所未有的大量第一手数据[10]。

然而，由于其高度非结构化的特性，用户生成内容在缺陷管理中的潜力尚未得到充分释放[11]。首先，一条用户生成内容文本往往同时包含多个方面的感知信息、潜在缺陷以及不同维度的情感信号，这使得提取精细的缺陷知识变得极为困难[12]。现有大多数方法都将缺陷识别视为文本分类问题[[13], [14], [15], [16], [17]]，重点关注明确的负面内容以及粗粒度的特征元素。因此，它们在处理多缺陷共存问题、识别详细的产品特征或追踪用户的感知路径方面能力有限，进而限制了其实际应用效果。其次，现有研究通常将缺陷识别视为最终结果[[13], [14], [15], [16], [17]]，并未建立缺陷反馈与改进方案之间的方法论联系。在实际应用中，用户的改进意愿往往分散在不同类型的文本反馈中。负面的缺陷相关文本会明确指出问题，同时隐含着用户期望的改进方向；而正面或中性的反馈则可能体现用户对产品优势的认可及其使用偏好。对于竞品的一些正面反馈，也可能蕴含可借鉴的设计思路，有助于产品改进。尽管如此，当前研究很少以系统化的方式整合这些多样化的用户信号，也缺乏能够将缺陷洞察转化为可行改进方案的方法论框架。第三，以往研究普遍忽视了产品迭代更新过程中的版本差异。实际上，现代产品通常通过年度或定期的版本更新推向市场。用户对不同版本的认知与期望并非一成不变，而是会随着对早期和后期版本的比较以及不断积累的使用经验而发生变化[18]。因此，用户对缺陷的认知及改进需求本质上具有时间敏感性。现有研究大多依赖静态的知识表示方式，从而导致洞察不够全面，进而削弱了缺陷识别与改进策略的时效性和针对性。

这些局限性促使人们需要一种能够从用户生成内容中提取精细的缺陷洞察，将其整理成结构化、可追溯且具备时间敏感性的产品知识体系，并进一步为工程师提供改进方案支持的方法。作为结构化的知识管理工具，知识图谱在表示复杂关系和实现可追溯分析方面具有天然优势。近期的一些研究也初步证明了知识图谱在利用用户生成内容开展产品缺陷研究方面的潜力[5,12,[19], [20], [21], [22]]。然而，知识图谱的构建本身十分复杂，基于图形查询语言的传统交互模式也存在较高的使用门槛，这限制了其在工程实践中的应用。幸运的是，大型语言模型的快速发展为降低知识图谱应用的使用门槛并提升交互效率带来了新的机遇[23]。凭借强大的语言理解与生成能力，大型语言模型可作为自然语言界面，连接工程师与知识图谱中的结构化证据层。更重要的是，依托知识图谱中的证据，大型语言模型能够帮助聚合分散的缺陷证据路径，提供上下文相关的解释，并助力生成基于证据的改进方案。这不仅提升了缺陷查询和证据解读的效率，也有助于实现更高效的人机交互[24]。尽管取得了这些进展，但目前仍缺乏一个能够同时整合用户生成内容、精细的产品知识、产品版本信息、知识图谱以及大型语言模型驱动的交互生成能力的集成框架。

为弥补上述研究空白，本研究提出了一种以用户生成内容为驱动、以用户为中心的产品缺陷洞察与改进框架。该框架包含两个紧密关联的阶段。第一阶段侧重于缺陷洞察，从与目标产品及竞品相关的用户生成内容中提取精细的用户反馈。通过明确纳入产品版本信息，我们构建了一个以用户为中心且具有时间敏感性的产品知识图谱，将杂乱的用户生成内容转化为结构化且可追溯的缺陷证据路径，从而实现跨产品版本的缺陷识别与理解。第二阶段则致力于缺陷改进。为降低该知识图谱的使用门槛，充分挖掘其证据价值，并提升交互效率，我们引入大型语言模型作为该知识图谱的自然语言界面，进而开发了一套面向产品工程师的智能交互系统，即产品缺陷洞察与改进GPT。通过该系统，工程师可以输入自然语言查询，高效检索缺陷证据，解读分散的证据路径，并获得基于该知识图谱的可追溯改进方案。该系统设计得十分友好，即使是没有专业知识、不熟悉知识图谱查询语言或编程的工程师也能轻松使用。我们在汽车领域开展了案例研究，以评估所提出框架的有效性与实际可用性。总体而言，本研究的主要贡献如下：

首先，本研究提出了一种以用户为中心且具有时间敏感性的产品知识图谱，该图谱明确纳入了产品版本信息，为基于用户生成内容的场景下的产品缺陷洞察提供了新的组织范式。与以往将缺陷识别视为静态文本分类任务或依赖粗粒度组件标签的研究不同[[13], [14], [15], [16], [17]]，这种知识图谱是基于精细的用户反馈构建的，能够将缺陷与特定的产品版本及时间背景相关联。这样一来，与缺陷相关的证据就可以被整理成跨版本的可追溯证据路径。通过引入产品版本和时间维度，缺陷不再只是作为孤立的问题描述出现，而是在用户感知的动态背景下被加以解读。因此，这种方法推动了基于用户生成内容的产品缺陷分析从单纯的缺陷识别向更为全面的缺陷理解范式发展。

其次，本研究突破了传统研究中将缺陷识别视为最终目标的研究范式[[13], [14], [15], [16], [17]]，探索了一条从用户反馈中生成可行改进方案的路径。我们将基于用户生成内容的缺陷分析从被动的识别拓展为主动的改进，从而形成了从缺陷洞察到改进规划的完整分析路径。具体而言，所提出的方法不仅能从负面反馈中推断出潜在的改进方向，还将正面和中性的非缺陷反馈视为了解用户设计偏好和使用期望的重要依据。此外，用户对竞品优点的反馈也被纳入考量，作为改进的参考点和灵感来源。通过这种方式，所提出的框架为将缺陷理解转化为改进规划提供了以实际操作为导向的路径，从而拓宽了基于用户生成内容的产品缺陷管理的研究视野。

第三，本研究提出了一种基于该产品知识图谱的大型语言模型交互机制，用于产品缺陷的洞察与改进。与以往仅单独研究缺陷识别或改进的研究不同[[13], [14], [15], [16], [17]]，本研究以该产品知识图谱作为核心证据基础，连接跨版本的缺陷证据、用户反馈以及改进方案的生成。此外，大型语言模型不仅被用作自然语言界面，还被用作基于证据的语义聚合与解读模块，帮助将分散的证据路径转化为工程师易于理解的缺陷洞察和可追溯的改进方案。这使得该产品知识图谱能够以直观且可追溯的方式为工程实践提供支持，从而将所提出的方法从知识组织拓展到了交互式工程辅助领域。

本文的其余部分安排如下：第2节将对基于用户生成内容的产品缺陷分析、基于知识图谱的方法以及知识图谱与大型语言模型的整合相关文献进行全面综述。第3节将介绍本研究框架，并详细阐述所提出的方法。第4节将报告并分析案例研究的结果。第5节将探讨本研究的理论意义与实践价值，同时说明其存在的局限性。最后，第6节将对全文进行总结，并指出未来研究的方向。林杰：监督、资源、资金筹措。利益冲突声明作者声明自己不存在任何可能影响本文所述工作的已知财务利益或个人关系。致谢本研究得到了中国国家社会科学基金（编号22AZD136）、上海市科学技术委员会（编号22692108300）以及中国国家自然科学基金（编号71672128、72301194）的支持。李青|王超|江晓燕|肖帅勇|林杰