用Python对用户评论典型意见进行数据挖掘

简介:

用户体验的工作可以说是用户需求和用户认知的分析。而消费者的声音是其中很重要的一环,它包含了用户对产品的评论,不管是好的坏的,都将对我们产品的改进和迭代有帮助。另外任何事情都要考虑金钱成本和人力成本,因此我希望能通过机器学习的算法来辅助分析,对用户的评论数据进行提炼和洞察。

一、数据获取和清洗

现在爬虫泛滥,网络公开数据的获取并不再是一个难题。简单点可以利用一些互联网的爬虫服务(如神箭手、八爪鱼等),复杂点也可以自己写爬虫。这里我们用爬虫来获取京东的评论数据。相对于亚马逊而言,京东比较坑。第一个坑是京东的反爬虫还不错,通过正常产品网址进去的那个评论列表是几乎爬不出数据来的,所有大部分网络爬虫服务都止步于此。第二个坑是一款产品的评论数只要超过一万条,那么京东就只会显示前一千条,没有公开的数据,那你爬虫技术再厉害也没办法,除非开着爬虫定时增量更新数据。

自己写爬虫的好处就是可以避免掉进第一个坑,但是第二个坑没办法。这里我爬取了 小米MIX 和 小米MIX2 的评论数据(最新的几款手机我都爬取了,需要的请戳后台),其中 小米MIX 共1578条,小米MIX2 共3292条。

本文通过分析这些数据预期完成如下几个目标

1、数据清洗后的好评率

2、好/中/差评的概览

3、典型意见分析

首先来看看MIX2的大致情况:

?wx_fmt=jpeg&tp=webp&wxfrom=5&wx_lazy=1

?wx_fmt=png&tp=webp&wxfrom=5&wx_lazy=1

一共有3497条评论,其中有些评论内容还是完全相同的。用户大概在购买9天后后评论(可能与到货日期有关),平均打分为4.87分,评论里面有些完全相同的,小米MIX2只有一种颜色等等。

接下来我们先做第一件事情

?wx_fmt=jpeg&tp=webp&wxfrom=5&wx_lazy=1

京东采用的是5分制,其中4-5分为好评,2-4分为中评,1分为差评。MIX2的好评率为96.63%,与京东官网的一致。

粗略的浏览以下评论,我们发现有这么几种无效评论。

第一种全是标点符号或者就一两个字:

?wx_fmt=png&tp=webp&wxfrom=5&wx_lazy=1

这种情况可以利用正则表达式来去除,第二种比较麻烦,如:

?wx_fmt=jpeg&tp=webp&wxfrom=5&wx_lazy=1

这种评论中它纯属凑字数和灌水,不含任何产品的特征。一种想法是看看评论中涉及的名词是否是手机领域中的词语,但是实际情况会非常复杂,比如

“用的很不错”、“太差了”...

它并没有主语,并不知道它评价的是啥。这里我们反过来,假设每一类无效评论都有类似的关键词,一个评论中的词语只要有一些垃圾评论关键词,我们就把它判定为无效评论。当然并也不需要给定所有的无效评论词,利用tfidf可以通过一个词语顺藤摸瓜找到其他类似的词语。(还可以利用文本相似性算法寻找)

?wx_fmt=jpeg&tp=webp&wxfrom=5&wx_lazy=1

另外还有一种情况,虽然不属于无效评论,但是影响好评占比。

?wx_fmt=png&tp=webp&wxfrom=5&wx_lazy=1

这种情况在追评中出现的较多,还有就是京东默认的好评。虽然内容是差评,但是标记的分值是5分。理论上也可以通过算法找出大部分。在NLP领域中,有一个课题叫做情感分析(sentiment analysis), 它可以判断一句话的情感方向是正面的还是负面的(以概率大小给出,数值在0-1之间)。如果一段评论的情感方向与对应的评分差异过大,则我们有理由相信它的评分是有误的。当然这里有一个条件,那就是这个情感分析算法是非常准确的。

有大神专门用电商评论训练了一个开源的情感分析包snownlp, 我们来看看这个包效果怎样。

?wx_fmt=jpeg&tp=webp&wxfrom=5&wx_lazy=1

嗯嗯,准确率为92.63%,看上去很高,但。。。因为我把所有评论都判定为好评,那正确率也有96.54%。再看上图中的ROC曲线,嗯,惨不忍睹。曲线跟x轴之间的面积(记作AUC)越大,说明模型的判别能力越好。一般情况曲线会在对角线之上(对角线相当于随机预测的结果),可以此时AUC=0.157,比随机结果差多啦。

更好的情感分析估计需要利用大量手机领域的语料重新训练才行,本文就暂不讨论这个啦。

二、好/中/差评的语义理解

语义理解是一个非常难的课题,本文不追求绝对精准,仅希望能对产品的评论有一个快速的理解。本文将从三个方面来阐述同类型评论语料的语义:

1、词云。它会统计一段文本中各个词语出现的次数(频数),频数越大,在词云中对应的字体也越大。通过观察词云,可以知道一段文本主要在讲哪些东西

2、TextRank。 TextRank 算法是一种用于文本的基于图的排序算法,可以给出一段文本的关键词。其基本思想来源于谷歌的PageRank算法, 通过把文本分割成若干组成单元(单词、句子)并建立图模型, 利用投票机制对文本中的重要成分进行排序, 仅利用单篇文档本身的信息即可实现关键词提取、文摘。和 LDA、HMM 等模型不同, TextRank不需要事先对多篇文档进行学习训练, 因其简洁有效而得到广泛应用。

3、主题分解。 假设每一段文本都是有主题的,比如新闻里的体育类、时事类、八卦类等。通过对一系列的语料库进行主题分解(本文采用的是LDA),可以了解语料库涉及了哪些主题。(本文用的LDA实际效果不怎么好,暂且仅供娱乐。更好的方法后续或许会更新)

?wx_fmt=jpeg&tp=webp&wxfrom=5&wx_lazy=1
?wx_fmt=jpeg&tp=webp&wxfrom=5&wx_lazy=1
?wx_fmt=jpeg&tp=webp&wxfrom=5&wx_lazy=1
?wx_fmt=jpeg&tp=webp&wxfrom=5&wx_lazy=1
?wx_fmt=jpeg&tp=webp&wxfrom=5&wx_lazy=1
?wx_fmt=jpeg&tp=webp&wxfrom=5&wx_lazy=1
?wx_fmt=jpeg&tp=webp&wxfrom=5&wx_lazy=1

分析词云、关键词和主题容易发现

1、好评集中在:屏幕、惊讶、手感、全面屏、边框,大致就是讲小米手机不错;手感很好;全面屏很惊艳之类的;

2、中评集中在:屏幕、还好、失望、边框等

3、差评集中在:客服、失灵、售后、失望、模式、微信等,大致就是手机失灵;微信电话时的屏幕?因为版本等出现了一些售后客服问题?

只能说还凑合,模模糊糊、断断续续能理解一些。因为它只给出了词语,并没有配套的情感。

三、典型意见抽取和挖掘

电商评论不同于一般的网络文本,它主要的特点在于语料都是在针对产品的某些特征作出评价。这一节我们希望能通过算法找到这些特征。

细想下,语料主要在对特征做出评价,而特征一般是名词,评价一般是形容词。相对来讲产品的形容词不会很多,如“不错”、“流畅”、“很好”之类的,所以可以通过关联分析来发现初始的特征-形容词对,如("手机"-"不错")、("手机"-"流畅")等。

通过关联分析找打的特征-形容词对需要筛选,主要表现在两点。

1、里面不只名词-形容词对,两个名词,形容词-动词等都有可能;

2、没有考虑两个词语在文本之间的距离。比如名词是第一句话中的,形容词则是最后一句话中的;

筛选好后其实还不够,关联分析只会挖掘支持度大于一定数值的特征,我们称这种特征为 "常见特征"。那不常见特征怎么办?怎么才能挖出来?注意到上面已经挖掘出很多形容词啦,这些就是产品的最常用评价词语啦,我们可以通过它们反向挖掘出 "不常见特征"。

?wx_fmt=jpeg&tp=webp&wxfrom=5&wx_lazy=1

可以看到与手机有关的大部分特征都找出来啦,另外有一些是关于京东的,如"速度"、"京东"、"快递"。还一些不是特征的,比如:"有点","想象"

在语料中搜索与"外观"有关的语句,先看看大家在讲"外观"时,都在聊些啥?

?wx_fmt=jpeg&tp=webp&wxfrom=5&wx_lazy=1

看来小米MIX2的外观还是很不错的,有很多人都是冲着外观买的。接下来我们来量化各个特征的好评占比和差评占比。

本来这里是想利用snownlp情感分析包来完成的,因为它能给出评价是否是正面的具体概率大小。考虑到情感分析目前的准确率,这里我们还是用原始的评分来量化。以刚刚的关键词 "外观|质感" 为例,我们有

?wx_fmt=png&tp=webp&wxfrom=5&wx_lazy=1

利用这种方法,扩大到上述所有的特征可以得到:

?wx_fmt=jpeg&tp=webp&wxfrom=5&wx_lazy=1
?wx_fmt=jpeg&tp=webp&wxfrom=5&wx_lazy=1
?wx_fmt=jpeg&tp=webp&wxfrom=5&wx_lazy=1

可以看到提及最多的特征依次为:感觉、屏幕、速度、手感、系统、边框、摄像头、全面屏、拍照、体验、256g、外观、质量、性价比

其中比较好的依次为:性价比、质量、手感、速度、外观、感觉

其中稍差些的依次为:256g、屏幕、边框、拍照、摄像头、系统、体验、全面屏

最后的最后我们来看下这些特征对应的语料。

?wx_fmt=jpeg&tp=webp&wxfrom=5&wx_lazy=1

总结一下差评主要表现在:

No1. 256g版本发货问题

No2. 窄边框问题

No3. 拍照问题,MIX2的拍照效果有待提升

No4. 前置摄像头在下面不方便

No5. 系统,MIUI广告多

四、报告输出

这里安利一个自己造的轮子:reportgen ,结合DataFrame 格式可以自动化生成PPTX报告。目前Github关注量已经有20+啦。

在reportgen中,每一页幻灯片被简化成四部分:标题、副标题、主体(数据图、表格、文本框或图片)、脚注。只要给定每一页的这些数据,reportgen就能帮您自动生成pptx,一般四行代码就完成啦。如:

?wx_fmt=png&tp=webp&wxfrom=5&wx_lazy=1

当然本文的pptx要复杂一些,相应的代码和生成的报告如下:

?wx_fmt=jpeg&tp=webp&wxfrom=5&wx_lazy=1
?wx_fmt=jpeg&tp=webp&wxfrom=5&wx_lazy=1
?wx_fmt=png&tp=webp&wxfrom=5&wx_lazy=1
?wx_fmt=jpeg&tp=webp&wxfrom=5&wx_lazy=1
?wx_fmt=jpeg&tp=webp&wxfrom=5&wx_lazy=1
?wx_fmt=jpeg&tp=webp&wxfrom=5&wx_lazy=1

?wx_fmt=jpeg&tp=webp&wxfrom=5&wx_lazy=1



原文发布时间为:2018-01-04本文作者:JSong本文来自云栖社区合作伙伴“ Python中文社区”,了解相关信息可以关注“ Python中文社区”微信公众号
相关文章
|
9天前
|
算法 数据挖掘 Python
Python中的拟合技术:揭示数据背后的模式
Python中的拟合技术:揭示数据背后的模式
20 0
Python中的拟合技术:揭示数据背后的模式
|
8天前
|
数据挖掘 索引 Python
Python数据挖掘编程基础3
字典在数学上是一个映射,类似列表但使用自定义键而非数字索引,键在整个字典中必须唯一。可以通过直接赋值、`dict`函数或`dict.fromkeys`创建字典,并通过键访问元素。集合是一种不重复且无序的数据结构,可通过花括号或`set`函数创建,支持并集、交集、差集和对称差集等运算。
15 9
|
5天前
|
数据采集 数据挖掘 数据处理
Python中实现简单爬虫并处理数据
【9月更文挑战第31天】本文将引导读者理解如何通过Python创建一个简单的网络爬虫,并展示如何处理爬取的数据。我们将讨论爬虫的基本原理、使用requests和BeautifulSoup库进行网页抓取的方法,以及如何使用pandas对数据进行清洗和分析。文章旨在为初学者提供一个易于理解的实践指南,帮助他们快速掌握网络数据抓取的基本技能。
17 3
|
9天前
|
数据挖掘 Python 容器
Python数据挖掘编程基础
Python包含四种内置数据结构:列表(List)、元组(Tuple)、字典(Dictionary)和集合(Set),统称为容器。列表与元组均为序列结构,前者使用方括号表示且可修改,后者用圆括号表示且不可修改。列表支持多种方法和列表解析功能,以简化元素操作。例如,通过列表解析可以简洁地实现`d=[i+1 for i in c]`,输出结果为`[2,3,4]`。
22 7
|
8天前
|
Python
Python量化炒股的数据信息获取—获取沪深股市每日成交概况信息
Python量化炒股的数据信息获取—获取沪深股市每日成交概况信息
22 5
|
7天前
|
存储 索引 Python
python中的数据容器
python中的数据容器
|
8天前
|
Python
Python量化炒股的数据信息获取—获取上市公司分红送股数据信息
Python量化炒股的数据信息获取—获取上市公司分红送股数据信息
20 3
|
9天前
|
数据采集 Python
天天基金数据的Python爬虫
天天基金数据的Python爬虫
26 3
|
8天前
|
机器学习/深度学习 TensorFlow 算法框架/工具
使用Python实现深度学习模型:智能数据隐私保护
使用Python实现深度学习模型:智能数据隐私保护
21 1
|
9天前
|
数据采集 JSON 数据格式
Python:南京地铁每日客流数据的爬虫实现
Python:南京地铁每日客流数据的爬虫实现
21 1
下一篇
无影云桌面