论文部分内容阅读
面对不同地区不同消费偏好的消费者,跨境电商企业想要在竞争激烈、不断更新的市场环境中生存发展下去,选择适销对路的产品尤为重要。为此,商家需要洞察社会消费趋势和网络购物消费者的情感变化来打造和优化产品,提高消费者满意度并获得盈利。目前学者们以电商网站的产品在线评论为切入点来研究国外消费者的购物需求,大多数局限于国内的电商网站产品选择并且缺少对食品领域产品选择的研究。基于此,论文对亚马逊跨境电商网站食品区的海量在线评论进行了意见挖掘,构建出食品评价体系,结合不同文本分析方式,解决食品行业跨境电商如何选择适销对路的商品的问题。具体内容和主要结果如下:
(1)尝试用TF-IDF算法度量食品欢迎度。首先通过TF-IDF提取关键词得到每条评论谈论的食品主题,对各评论的食品主题关键词进行词频统计和归类统计,最后得到热度最高的畅销食品。
(2)尝试用深度学习方法分析结构化食品评论数据。首先,利用深度学习中的LSTM模型对数据进行分类,提取食品评论的情感特征。然后结合相关文献研究,考虑到跨境电商行业背景,针对评价跨境电商出口食品构建了包含十五个特征维度的指标评价体系。基于深度学习中的Word2vec模型扩充了食品特征维度关键词词库,最后基于情感分类结果与构建的产品特征词库提取出每条评论文本的有用特征,用结构化的数据表达评论内容。
(3)尝试用关联规则算法分析消费者网购偏好。将构建的由产品特征和情感特征组成的结构化数据通过关联规则算法检验各特征的支持度以及特征间的关联规则,探讨了不同情况下消费者关注并给予好评的食品特征,进行了不同食品的产品特征的共性、特性对比分析,并提出了特征优化建议。
(4)基于特征整体的重要性、差异性和受关注度,从运营管理角度向商家提出建议。
论文以厘清消费者需求为研究目的,通过评论及时了解消费者反馈的意见、建议,进而具有针对性的优化食品特征和商家运营方案,增加产品吸引力,为跨境电商商家提供切实可行的产品选择思路。
(1)尝试用TF-IDF算法度量食品欢迎度。首先通过TF-IDF提取关键词得到每条评论谈论的食品主题,对各评论的食品主题关键词进行词频统计和归类统计,最后得到热度最高的畅销食品。
(2)尝试用深度学习方法分析结构化食品评论数据。首先,利用深度学习中的LSTM模型对数据进行分类,提取食品评论的情感特征。然后结合相关文献研究,考虑到跨境电商行业背景,针对评价跨境电商出口食品构建了包含十五个特征维度的指标评价体系。基于深度学习中的Word2vec模型扩充了食品特征维度关键词词库,最后基于情感分类结果与构建的产品特征词库提取出每条评论文本的有用特征,用结构化的数据表达评论内容。
(3)尝试用关联规则算法分析消费者网购偏好。将构建的由产品特征和情感特征组成的结构化数据通过关联规则算法检验各特征的支持度以及特征间的关联规则,探讨了不同情况下消费者关注并给予好评的食品特征,进行了不同食品的产品特征的共性、特性对比分析,并提出了特征优化建议。
(4)基于特征整体的重要性、差异性和受关注度,从运营管理角度向商家提出建议。
论文以厘清消费者需求为研究目的,通过评论及时了解消费者反馈的意见、建议,进而具有针对性的优化食品特征和商家运营方案,增加产品吸引力,为跨境电商商家提供切实可行的产品选择思路。