談立

摘要：人工智能領(lǐng)域中的語(yǔ)義分析技術(shù)近年來(lái)發(fā)展迅猛，已經(jīng)在自動(dòng)駕駛、影像識(shí)別等多個(gè)領(lǐng)域取得了突破性進(jìn)展。我們開(kāi)創(chuàng)性地將語(yǔ)義分析技術(shù)應(yīng)用于滿意度測(cè)評(píng)研究，以汽車(chē)4S店服務(wù)質(zhì)量作為樣品樣本進(jìn)行研究，經(jīng)過(guò)數(shù)據(jù)采集與預(yù)處理、語(yǔ)義分析、分析和統(tǒng)計(jì)三個(gè)階段，在水軍過(guò)濾、主題發(fā)現(xiàn)、知識(shí)圖譜搭建、文本細(xì)粒度分析等關(guān)鍵環(huán)節(jié)應(yīng)用TML語(yǔ)義分析技術(shù)，快速地分析出汽車(chē)4S店服務(wù)行業(yè)中消費(fèi)者關(guān)注的重點(diǎn)，驗(yàn)證了語(yǔ)義分析技術(shù)在滿意度測(cè)評(píng)領(lǐng)域應(yīng)用的可行性，為滿意度測(cè)評(píng)的前期行業(yè)分析提供了一種新的思路。

關(guān)鍵詞：語(yǔ)義分析技術(shù) 滿意度測(cè)評(píng) 4S店 知識(shí)圖譜

Abstract： Semantic analysis technology in the artificial intelligence field has developed rapidly in recent years， and has made breakthroughs in many fields such as autonomous driving and image recognition. We apply semantic analysis techniques in satisfaction measurement studies， using the 4S shop service quality as a sample.

Through three stages of data collection and pretreatment， semantic analysis， analysis and statistics， HTML semantic analysis technology is applied in the key links of hydraulic filtering， subject discovery， knowledge map construction and text fine granularity analysis， it analyzes the focus of consumers concerned in the service industry of 4s shop quickly， validates the feasibility of the application of semantic analysis in the field of satisfaction evaluation the measurement. It provides a new idea for the early industrial analysis of satisfaction evaluation.

Key words： semantic analysis technology， satisfaction evaluation， 4S shop， knowledge map

語(yǔ)義分析（Semantic Analysis）是人工智能的一個(gè)分支，是自然語(yǔ)言處理技術(shù)的幾個(gè)核心任務(wù)，涉及語(yǔ)言學(xué)、計(jì)算語(yǔ)言學(xué)、機(jī)器學(xué)習(xí)，以及認(rèn)知語(yǔ)言等多個(gè)學(xué)科。人工智能中的語(yǔ)義分析技術(shù)，特別是深度學(xué)習(xí)技術(shù)近年來(lái)發(fā)展迅猛，已經(jīng)在圍棋對(duì)弈、自動(dòng)駕駛、影像識(shí)別、語(yǔ)音識(shí)別等多個(gè)領(lǐng)域取得了突破性進(jìn)展。我們開(kāi)創(chuàng)性地將語(yǔ)義分析技術(shù)應(yīng)用于滿意度測(cè)評(píng)研究，經(jīng)過(guò)半年的探索，這一研究現(xiàn)在已經(jīng)取得初步的成果?，F(xiàn)將我們研究的思路和具體做法做一個(gè)分享，希望能對(duì)中國(guó)人工智能技術(shù)的應(yīng)用場(chǎng)景拓展提供有益的經(jīng)驗(yàn)，同時(shí)推動(dòng)滿意度測(cè)評(píng)技術(shù)的發(fā)展。

1 研究背景

2016年初，武漢市標(biāo)準(zhǔn)化研究院開(kāi)始涉足滿意度測(cè)評(píng)領(lǐng)域，前期主要涉及各級(jí)政府、職能部門(mén)的服務(wù)質(zhì)量測(cè)評(píng)。從2017年開(kāi)始，測(cè)評(píng)的領(lǐng)域逐步擴(kuò)展到服務(wù)業(yè)領(lǐng)域。隨著業(yè)務(wù)的拓展，我們面臨一個(gè)重要挑戰(zhàn)是：如何在有限的時(shí)間里面深入了解特定目標(biāo)行業(yè)的痛點(diǎn)。畢竟服務(wù)業(yè)細(xì)分領(lǐng)域眾多，不可能對(duì)每個(gè)領(lǐng)域都有深入的研究，而沒(méi)有深入的研究，就不可能拿出高質(zhì)量的滿意度測(cè)評(píng)問(wèn)卷，進(jìn)而嚴(yán)重影響測(cè)評(píng)質(zhì)量。直接通過(guò)互聯(lián)網(wǎng)搜索相關(guān)信息，會(huì)發(fā)現(xiàn)有價(jià)值的信息散落在浩如煙海的大數(shù)據(jù)之中，收集整理的工作量十分巨大，同時(shí)還受到大量水軍數(shù)據(jù)的干擾。因此，能不能通過(guò)人工智能技術(shù)來(lái)輔助滿意度測(cè)評(píng)，是我們思考的重點(diǎn)問(wèn)題。帶著這個(gè)需求，我們接觸了多家人工智能領(lǐng)域公司，最終選擇南京網(wǎng)感至查科技公司作為合作單位，同時(shí)雙方商定本次合作的研究樣本為汽車(chē)4S店服務(wù)質(zhì)量。在本次合作中，我們應(yīng)用語(yǔ)義分析技術(shù)對(duì)網(wǎng)上汽車(chē)4S店服務(wù)質(zhì)量口碑?dāng)?shù)據(jù)進(jìn)行數(shù)據(jù)挖掘，并進(jìn)行正負(fù)面情感、投訴問(wèn)題類(lèi)別等多維度分析歸類(lèi)。通過(guò)這樣的一種手段，快速地了解在為汽車(chē)4S店服務(wù)行業(yè)中消費(fèi)者關(guān)注的重點(diǎn)，為開(kāi)展該行業(yè)的消費(fèi)者滿意度調(diào)查提供重要參考。

2 技術(shù)路徑

2.1 數(shù)據(jù)采集與預(yù)處理

第一階段是數(shù)據(jù)采集與預(yù)處理階段。根據(jù)需求，運(yùn)用爬蟲(chóng)技術(shù)從主流媒體、社交平臺(tái)、汽車(chē)專(zhuān)業(yè)論壇等渠道全面深入地搜集4S店行業(yè)信息、用戶評(píng)論。為避免大量的垃圾數(shù)據(jù)，嚴(yán)格控制采集的范圍，聚焦關(guān)注主體，重點(diǎn)采集所有4S店相關(guān)的認(rèn)證用戶，認(rèn)證用戶的問(wèn)題及回答，同時(shí)需要過(guò)濾宣傳貼等無(wú)效數(shù)據(jù)。

下面以知乎為例，簡(jiǎn)要說(shuō)明數(shù)據(jù)采集的過(guò)程（見(jiàn)圖1）。

1）選定范圍：知乎有專(zhuān)欄和話題，此類(lèi)評(píng)論和主題具有可信度高、內(nèi)容深入、真實(shí)性高的特點(diǎn)，是我們采集的重點(diǎn)。首先從所有有關(guān)“4S店”、4S店別稱（汽車(chē)維修、代理店、四兒子店等）的知乎問(wèn)題為入口，深度采集問(wèn)題回答者，以及回答者信息。

2）采集元數(shù)據(jù)：從回答的評(píng)論進(jìn)行二級(jí)采集，收集有關(guān)4S店關(guān)注用戶的元數(shù)據(jù)，再以元數(shù)據(jù)為中心，廣泛采集關(guān)注的問(wèn)題及回答。

3）采集權(quán)重賦值：定制每個(gè)平臺(tái)的采集信息來(lái)源的權(quán)重，以此作為信息預(yù)處理的一個(gè)基礎(chǔ)，在知乎平臺(tái)，專(zhuān)欄>話題>定制搜索，相同內(nèi)容下以權(quán)重作為過(guò)濾條件，提升采集的質(zhì)量和準(zhǔn)確度。

4）數(shù)據(jù)過(guò)濾：收集完數(shù)據(jù)，過(guò)濾非關(guān)注主題的問(wèn)題、評(píng)論、回答，去除重復(fù)評(píng)論、與主題無(wú)關(guān)的評(píng)論。

5）獲取數(shù)據(jù)：采集策略和過(guò)濾策略搭建完成后，進(jìn)行分布式爬蟲(chóng)獲取數(shù)據(jù)，同時(shí)為避免觸發(fā)社交平臺(tái)的反爬策略，我們進(jìn)行模擬用戶爬蟲(chóng)策略，盡可能避免出現(xiàn)臟數(shù)據(jù)的可能。

前四個(gè)階段，可以被稱為預(yù)處理階段，其中數(shù)據(jù)過(guò)濾的工作量最大，涉及的情況也最為復(fù)雜，其中高效地進(jìn)行水軍貼的過(guò)濾是后續(xù)工作的基石，也是整個(gè)工作的難點(diǎn)和亮點(diǎn)。

如圖2所示，針對(duì)內(nèi)容水軍過(guò)濾我們主要采用了三個(gè)策略：

1）關(guān)鍵詞過(guò)濾。定義好廣告詞庫(kù)，通過(guò)水軍關(guān)鍵詞匹配，簡(jiǎn)單過(guò)濾低端水軍、刷好評(píng)等的評(píng)論，將大量重復(fù)的水軍貼、無(wú)用貼進(jìn)行過(guò)濾。

2）文本規(guī)則過(guò)濾。深入分析水軍文本所具備的特點(diǎn)，對(duì)此類(lèi)特點(diǎn)進(jìn)行特征化、規(guī)則化，如：重復(fù)使用大量無(wú)實(shí)義的形容詞、語(yǔ)言多具有重復(fù)部分等，先對(duì)文本進(jìn)行依存句法分析，再根據(jù)依存句法分析結(jié)果，用總結(jié)的水軍規(guī)則進(jìn)行識(shí)別、過(guò)濾。先對(duì)文本進(jìn)行分詞，再使用句法分析算法，最后使用規(guī)則引擎過(guò)濾水軍文本。

3）機(jī)器學(xué)習(xí)過(guò)濾。這里應(yīng)用到了網(wǎng)感至查公司的核心技術(shù)（TML），TML是擁有自主知識(shí)產(chǎn)權(quán)的編程語(yǔ)言，可以用來(lái)提升計(jì)算機(jī)系統(tǒng)對(duì)復(fù)雜的語(yǔ)言表述的理解能力。 由于中文表述的復(fù)雜性，只從句法和詞性上的分析是不夠的。TML充分發(fā)揮了其在自然語(yǔ)言處理上的技術(shù)優(yōu)勢(shì)，以及對(duì)來(lái)自不同來(lái)源內(nèi)容的深入了解，結(jié)合規(guī)則和詞性過(guò)濾，使用貝葉斯分類(lèi)算法從信息特征、用戶行為、多角度、多方式進(jìn)行全面的信息過(guò)濾，數(shù)據(jù)清洗，保障最終分析結(jié)果的高精度。

經(jīng)過(guò)兩個(gè)多月的數(shù)據(jù)挖掘和預(yù)處理，獲取了本次研究的基礎(chǔ)數(shù)據(jù)，數(shù)據(jù)的基本情況如下：共采集評(píng)論50余萬(wàn)條，相關(guān)帖子22783篇，知乎用戶54389名，微博認(rèn)證4S店用戶1000名。其中微博和知乎用戶可信度高，回復(fù)內(nèi)容豐富，內(nèi)容信息量大。是本次采集的重點(diǎn)，所占的比例也最大。按數(shù)據(jù)量來(lái)統(tǒng)計(jì)：知乎占比40%、微博占比45%，汽車(chē)之家占比5%，其他新聞媒體占比10%。

2.2 基于TML的語(yǔ)義分析

在獲取了大量的原始數(shù)據(jù)后，還需要對(duì)數(shù)據(jù)進(jìn)行深入分析，從中提煉出消費(fèi)者真正關(guān)注的重點(diǎn)。由于獲取的數(shù)據(jù)都來(lái)自互聯(lián)網(wǎng)上的帖子，是非結(jié)構(gòu)化數(shù)據(jù)，如何了解發(fā)帖人的本意并對(duì)其進(jìn)行分類(lèi)，這就需要再次用到基于TML的語(yǔ)義分析技術(shù)。

2.2.1 基于人工智能下的主題發(fā)現(xiàn)

首先需要從海量的數(shù)據(jù)中智能分析出100個(gè)主題，使用機(jī)器學(xué)習(xí)主題發(fā)現(xiàn)模型，利用TML技術(shù)在自然語(yǔ)言領(lǐng)域的技術(shù)積累，智能發(fā)現(xiàn)用戶評(píng)論的焦點(diǎn)，用戶所關(guān)注的方面。

基于條件隨機(jī)的實(shí)體發(fā)現(xiàn)，結(jié)合LDA主題模型和CRF算法，TML能夠通過(guò)數(shù)據(jù)訓(xùn)練，迭代出用戶發(fā)表的主要主題。同時(shí)可以解決冷啟動(dòng)問(wèn)題，使用規(guī)則引擎大范圍提升標(biāo)注性能，使用標(biāo)注后的詞序列充分訓(xùn)練模型，讓機(jī)器學(xué)會(huì)實(shí)體識(shí)別前后的文本規(guī)則，例如，當(dāng)文本中出現(xiàn)了百家姓、機(jī)構(gòu)名稱時(shí)，模型能夠提取出命名實(shí)體的精度達(dá)到90%以上。經(jīng)過(guò)訓(xùn)練后，精度還能實(shí)現(xiàn)較大提升。

通過(guò)改進(jìn)訓(xùn)練方法，來(lái)優(yōu)化主題發(fā)現(xiàn)。具體步驟為：

1）選取初始訓(xùn)練主題數(shù)量值，得到初始模型，計(jì)算各主題之間的相似度。

2）減少設(shè)定主題數(shù)量的值，重新訓(xùn)練得到模型，再次計(jì)算主題之間的相似度。

3）重復(fù)第二步直至得到最優(yōu)的主題數(shù)量。將主題初始值設(shè)置為30，通過(guò)主題模型訓(xùn)練出30個(gè)主題，使用文本相似度計(jì)算，合并相似的文本，將得到新的主題數(shù)量。重新更改算法模型主題數(shù)量，將訓(xùn)練得到的主題，進(jìn)一步進(jìn)行相似度計(jì)算、同義詞計(jì)算，重復(fù)迭代，最后我們得到一組30個(gè)的文本主題名詞，通過(guò)對(duì)名詞進(jìn)行初步校驗(yàn)，得到一個(gè)簡(jiǎn)單的詞云圖。文本主題包括：電話預(yù)約、試駕服務(wù)、接待服務(wù)、提車(chē)時(shí)間、維修保養(yǎng)價(jià)格等。

2.2.2 專(zhuān)家校驗(yàn)

主題與主題之間是具有關(guān)聯(lián)關(guān)系的，使用主題發(fā)現(xiàn)可以基本確認(rèn)用戶所發(fā)表的主要對(duì)象，但實(shí)體對(duì)象之間的關(guān)系，與行業(yè)有著很高的聯(lián)系，實(shí)際應(yīng)用中不能直接根據(jù)技術(shù)所提取的主題，直接進(jìn)行主題下的數(shù)據(jù)訓(xùn)練，文本挖掘。因此，我們邀請(qǐng)了汽車(chē)4S行業(yè)專(zhuān)家，利用專(zhuān)家對(duì)4S店的深入了解，使用專(zhuān)業(yè)詞匯修正網(wǎng)絡(luò)用戶隨意表達(dá)的主題，同時(shí)將主題進(jìn)行類(lèi)別劃分。通過(guò)對(duì)機(jī)器自動(dòng)識(shí)別的30個(gè)4S店主題進(jìn)行校驗(yàn)，列出主題之間的關(guān)聯(lián)關(guān)系，將生成的主題與實(shí)際領(lǐng)域信息進(jìn)行合并與分離，建立具有層級(jí)關(guān)聯(lián)的知識(shí)體系。最終將主題歸納成13個(gè)大類(lèi)：售前服務(wù)、費(fèi)用解釋、售前配件、提車(chē)環(huán)節(jié)、新車(chē)核對(duì)、承諾兌現(xiàn)、新車(chē)掛牌、新車(chē)貸款、售后保養(yǎng)、霸王條款、售后維修、投訴處理、保險(xiǎn)等。同時(shí)將各個(gè)主題細(xì)分至大類(lèi)下，完善整個(gè)類(lèi)別關(guān)系。

2.2.3 基于TML的4S店知識(shí)圖譜搭建、文本細(xì)粒度分析

關(guān)于4S店服務(wù)，網(wǎng)絡(luò)上的表達(dá)各式各樣，既有正規(guī)語(yǔ)言，也有大量網(wǎng)絡(luò)用語(yǔ)。網(wǎng)絡(luò)用語(yǔ)日新月異，如果沒(méi)有可迭代、可持續(xù)發(fā)展的知識(shí)圖譜技術(shù)，就無(wú)法勝任當(dāng)前大數(shù)據(jù)環(huán)境下的語(yǔ)義分析。4S店、四兒子店、汽車(chē)、奔馳、機(jī)動(dòng)車(chē)輛等這些詞匯都是人類(lèi)可快速識(shí)別并進(jìn)行歸類(lèi)分析的，但計(jì)算機(jī)處理需要進(jìn)行實(shí)體識(shí)別、關(guān)系關(guān)聯(lián)、文本分類(lèi)等一系列處理，尤其是文本的邏輯推理是技術(shù)的關(guān)鍵。例如，人類(lèi)一看到“SUV”這幾個(gè)字母，即可推導(dǎo)出背后的汽車(chē)，甚至是汽車(chē)的廠商、產(chǎn)地、價(jià)格范圍等。同樣，如何讓計(jì)算機(jī)也能擁有此等處理能力才是關(guān)鍵，所以TML知識(shí)圖譜在此充當(dāng)推理的邏輯基礎(chǔ)，擁有完備的領(lǐng)域知識(shí)圖譜才能讓機(jī)器有更高的推理精度，更準(zhǔn)確地實(shí)體識(shí)別，文本分類(lèi)。

TML的誕生就是為了解決目前從海量數(shù)據(jù)中提煉、發(fā)掘信息存在的難題，同時(shí)深入企業(yè)、客戶業(yè)務(wù)，將人類(lèi)復(fù)雜語(yǔ)言表達(dá)成文字，解析成計(jì)算機(jī)可統(tǒng)計(jì)、可識(shí)別的語(yǔ)料。通過(guò)學(xué)習(xí)人類(lèi)關(guān)聯(lián)事物的思維模式，將文本中抽取的概念，用龐大的知識(shí)體系建立網(wǎng)絡(luò)狀聯(lián)系，讓枯燥的文本之間，搭建成相互依存的關(guān)聯(lián)關(guān)系。

例如，用TML技術(shù)來(lái)分析“我喜歡這輛SUV”這句話，可以提煉出文本中的概念要素“我”“SUV”，同時(shí)利用網(wǎng)絡(luò)狀的知識(shí)圖譜體系，可以讓計(jì)算機(jī)理解和關(guān)聯(lián)到SUV→汽車(chē)，我和SUV汽車(chē)之間提取情感傾向：“喜歡”。

知識(shí)圖譜的搭建是整個(gè)文本處理的關(guān)鍵，有了知識(shí)圖譜關(guān)系，將得到文本背后的關(guān)聯(lián)，文本之間不再只是文字上的差異而是擁有了聯(lián)系，讓機(jī)器擁有了實(shí)際生活中人類(lèi)的知識(shí)體系。4S店服務(wù)構(gòu)成較為復(fù)雜，傳統(tǒng)的文本匹配挖掘算法無(wú)法很好地解決關(guān)系實(shí)體發(fā)現(xiàn)，每一個(gè)主題之間都擁有復(fù)雜的內(nèi)在關(guān)系，如何分析出用戶的評(píng)論到底屬于哪一個(gè)細(xì)分領(lǐng)域是技術(shù)關(guān)鍵。具體來(lái)說(shuō)就是利用TML技術(shù)，提取出每一條評(píng)論的具體實(shí)際意義，再運(yùn)用TML知識(shí)圖譜，將分析提取出概念背后的關(guān)聯(lián)關(guān)系，根據(jù)網(wǎng)絡(luò)狀的實(shí)體關(guān)系圖，推理出網(wǎng)絡(luò)用戶隨意性的文字下所代表的準(zhǔn)確含義。

以13個(gè)服務(wù)分類(lèi)為基礎(chǔ)搭建4S店知識(shí)圖譜，利用TML規(guī)則引擎快速訓(xùn)練和迭代出初步的知識(shí)體系，再利用機(jī)器學(xué)習(xí)算法深化知識(shí)圖譜結(jié)構(gòu)。4S店行業(yè)知識(shí)圖譜搭建完成后，接著進(jìn)行評(píng)論的文本結(jié)構(gòu)化處理、文本細(xì)粒度分類(lèi)處理。將抓取并處理后的評(píng)論，使用TML引擎進(jìn)行處理，TML引擎會(huì)根據(jù)定義的13種大類(lèi)、27小類(lèi)進(jìn)行評(píng)論的分類(lèi)。同時(shí)，TML引擎會(huì)匹配出該類(lèi)別下的關(guān)鍵實(shí)體，匹配分析出實(shí)體關(guān)系，并通過(guò)計(jì)算機(jī)存儲(chǔ)技術(shù)，將分析后的結(jié)構(gòu)化數(shù)據(jù)結(jié)果存儲(chǔ)下來(lái)。

至此，整個(gè)數(shù)據(jù)處理流程結(jié)束。最后將結(jié)構(gòu)化的數(shù)據(jù)進(jìn)行統(tǒng)計(jì)運(yùn)算，統(tǒng)計(jì)每個(gè)類(lèi)別下評(píng)論所占的比例，由此推測(cè)出該主題在4S店服務(wù)中的熱度。統(tǒng)計(jì)每個(gè)大類(lèi)別中小類(lèi)別的具體數(shù)據(jù)，由此推測(cè)出小類(lèi)出現(xiàn)的熱度。

2.3 數(shù)據(jù)統(tǒng)計(jì)和分析

2.3.1 4S店各服務(wù)環(huán)節(jié)用戶關(guān)注占比分析

我們對(duì)用戶在4S店的服務(wù)環(huán)節(jié)的關(guān)注度，共計(jì)13個(gè)服務(wù)類(lèi)別進(jìn)行了統(tǒng)計(jì)分析。這13個(gè)環(huán)節(jié)類(lèi)別包括了4S店的整個(gè)服務(wù)流程，包括：售前服務(wù)、費(fèi)用解釋、售前配件、提車(chē)環(huán)節(jié)、新車(chē)核對(duì)、承諾兌現(xiàn)、新車(chē)掛牌、新車(chē)貸款、售后保養(yǎng)、霸王條款、售后維修、投訴處理和保險(xiǎn)等。針對(duì)這13個(gè)類(lèi)別選出最受關(guān)注服務(wù)前5類(lèi)、較受關(guān)注的4類(lèi)、關(guān)注度較低的4類(lèi)。

4S店每環(huán)節(jié)服務(wù)所受關(guān)注占比分析結(jié)果，如圖3所示。

圖3 4S服務(wù)環(huán)節(jié)用戶關(guān)注占比

最受消費(fèi)者關(guān)注的服務(wù)前5類(lèi)分別是：售前服務(wù)占33.67%、售后保養(yǎng)17.71%、新車(chē)核對(duì)占15.05%、提車(chē)環(huán)節(jié)占10.13%、售后維修占6.65% ；其次，比較受消費(fèi)者關(guān)注的服務(wù)環(huán)節(jié)的4類(lèi)分別是：投訴處理5.06%、車(chē)輛保險(xiǎn)4.82%、費(fèi)用解釋3.26%、售前配件2.24%。

整體服務(wù)類(lèi)別受關(guān)注的占比結(jié)果反映了從看車(chē)、選車(chē)、購(gòu)車(chē)到售后保養(yǎng)、售后維修等整個(gè)與4S店往來(lái)過(guò)程中，消費(fèi)者最在意的是哪些環(huán)節(jié)、最關(guān)注的是哪些服務(wù)或品質(zhì)。

2.3.2 4S店最受關(guān)注服務(wù)的關(guān)注點(diǎn)分析

在所有的服務(wù)環(huán)節(jié)中一共設(shè)置分析了27個(gè)相關(guān)關(guān)注點(diǎn)。分別是：接待服務(wù)、預(yù)約咨詢服務(wù)、產(chǎn)品介紹服務(wù)、試駕服務(wù)、講價(jià)態(tài)度、售前服務(wù)費(fèi)用解釋說(shuō)明、維修保養(yǎng)費(fèi)用解釋說(shuō)明、配件價(jià)值、原廠配件供應(yīng)、提車(chē)時(shí)間拖延、合同上提車(chē)日期缺失、提車(chē)加價(jià)、口頭承諾兌現(xiàn)、新車(chē)質(zhì)量及相關(guān)證件核對(duì)問(wèn)題、上牌困難、強(qiáng)制保險(xiǎn)、保險(xiǎn)理賠、新車(chē)貸款及利息、保養(yǎng)里程提前、保養(yǎng)服務(wù)項(xiàng)目、維修保養(yǎng)價(jià)格、維修等待時(shí)間、維修一次修復(fù)率、維修質(zhì)量預(yù)期、維修偷換零件、售后霸王條款、投訴處理態(tài)度等。

通過(guò)對(duì)每個(gè)服務(wù)環(huán)節(jié)進(jìn)行熱點(diǎn)分析，所有的關(guān)注熱點(diǎn)占比排列結(jié)果如圖4所示。

通過(guò)以上的數(shù)據(jù)，我們還可以對(duì)每個(gè)環(huán)節(jié)中消費(fèi)者具體關(guān)注點(diǎn)的關(guān)注度進(jìn)行數(shù)據(jù)分析。由于篇幅所限，僅選取一個(gè)關(guān)注點(diǎn)做示例。

售前服務(wù)環(huán)節(jié)在4S店服務(wù)流程中占比33.67%，位居最受關(guān)注第1名。此環(huán)節(jié)中，消費(fèi)者比較關(guān)注的具體服務(wù)內(nèi)容包括門(mén)店的接待服務(wù)、電話預(yù)約咨詢、產(chǎn)品介紹服務(wù)、車(chē)輛試駕服務(wù)、講價(jià)還價(jià)的態(tài)度這五個(gè)關(guān)注點(diǎn)。我們通過(guò)采集的數(shù)據(jù)做了分析統(tǒng)計(jì)，可以得出每一個(gè)關(guān)注點(diǎn)在售前服務(wù)這一環(huán)節(jié)所占的比重。

分析結(jié)果顯示，在售前服務(wù)環(huán)節(jié)，門(mén)店的接待服務(wù)比例90.7%，所占比重最大，消費(fèi)者買(mǎi)車(chē)或看車(chē)時(shí)進(jìn)店的第一印象尤為重要；其次是試駕服務(wù)所占比例4.37%，試駕是對(duì)這輛車(chē)最直觀的感受，消費(fèi)者對(duì)試駕的良好體驗(yàn)也比較看重；然后是產(chǎn)品的介紹服務(wù)所占比例2.40%，大多數(shù)消費(fèi)者都很在意是否得到銷(xiāo)售員熱情的服務(wù)，而較懂車(chē)的消費(fèi)者不僅要求服務(wù)人員的態(tài)度，而且對(duì)產(chǎn)品介紹的專(zhuān)業(yè)度也很在意；最后是講價(jià)的態(tài)度所占比例1.77%，部分消費(fèi)者在意與銷(xiāo)售員講價(jià)或咨詢買(mǎi)車(chē)優(yōu)惠時(shí)其表現(xiàn)的態(tài)度，這讓消費(fèi)者感覺(jué)是否受到對(duì)方的尊重；也有極少數(shù)的消費(fèi)者會(huì)在電話預(yù)約咨詢時(shí)在意服務(wù)的質(zhì)量問(wèn)題，在售前服務(wù)環(huán)節(jié)中占0.72%。

3 總結(jié)與展望

通過(guò)對(duì)4S店消費(fèi)者信息進(jìn)行挖掘和處理，我們清楚地了解到消費(fèi)者在接受4S店服務(wù)全流程中的主要關(guān)注點(diǎn)，可以對(duì)關(guān)注度實(shí)現(xiàn)量化分析。這是以往的技術(shù)手段無(wú)法達(dá)到的效果。給滿意度調(diào)查問(wèn)卷的編制提供了非常有價(jià)值的數(shù)據(jù)。

這類(lèi)工作在大數(shù)據(jù)行業(yè)中屬于典型的用戶輿情發(fā)現(xiàn)，通過(guò)對(duì)海量的網(wǎng)上用戶評(píng)論的深度分析，洞察用戶對(duì)行業(yè)的不滿和建議，通過(guò)語(yǔ)義分析技術(shù)對(duì)互聯(lián)網(wǎng)信息的整合分析，消除行業(yè)與消費(fèi)者之間的信息鴻溝。對(duì)于專(zhuān)業(yè)的滿意度調(diào)查公司來(lái)說(shuō)，也是快速了解行業(yè)的重要輔助手段。

TML技術(shù)在整個(gè)數(shù)據(jù)洞察過(guò)程中，充分體現(xiàn)了其優(yōu)勢(shì)。能夠?qū)崿F(xiàn)對(duì)消費(fèi)者不同關(guān)注點(diǎn)的定量分析，對(duì)于準(zhǔn)確把握消費(fèi)者的實(shí)際關(guān)注點(diǎn)，具有極為重要的參考價(jià)值。

對(duì)本次人工智能進(jìn)行的分類(lèi)結(jié)果進(jìn)行核查，準(zhǔn)確性達(dá)到了95%左右，我們的結(jié)論是現(xiàn)有的人工智能技術(shù)在用戶輿情發(fā)現(xiàn)方面，已經(jīng)具備了實(shí)用的價(jià)值，其準(zhǔn)確性已經(jīng)達(dá)到了較高的水平，完全滿足滿意度調(diào)查工作的需要。

另外一方面，知識(shí)圖譜的建立和數(shù)據(jù)的訓(xùn)練相對(duì)成本較高，整個(gè)工作的周期仍然較長(zhǎng)，如果想要在滿意度調(diào)查中大面積推廣該項(xiàng)技術(shù)，下一步還應(yīng)不斷完善數(shù)據(jù)過(guò)濾及文本分析技術(shù)，對(duì)重要的行業(yè)提前建立行業(yè)的知識(shí)圖譜，確保行業(yè)應(yīng)用的效率。構(gòu)建云服務(wù)平臺(tái)，共享知識(shí)圖譜，共享訓(xùn)練成果，其服務(wù)效率將大幅提高，成本也會(huì)逐步降低。在可以預(yù)見(jiàn)的將來(lái)，人工智能技術(shù)將成為滿意度測(cè)評(píng)領(lǐng)域的重要技術(shù)手段，并應(yīng)用于質(zhì)量研究的更多領(lǐng)域。

參考文獻(xiàn)

[1] 李佳靜， 李曉明， 孟濤. TML：一種通用高效的文本挖掘語(yǔ)言[J]. 計(jì)算機(jī)研究與發(fā)展， 2015， 52（3）：553-560.

[2] 車(chē)海燕， 馮鐵， 張家晨，等. 面向中文自然語(yǔ)言文檔的自動(dòng)知識(shí)抽取方法[J]. 計(jì)算機(jī)研究與發(fā)展， 2013， 50（4）：834-842.