李浩洋 張瑞軍 周瑜

摘要：在線評論聚集了海量意見與建議，可以為物流企業(yè)的運(yùn)營管理提供方向性參考。文章提出基于情感分析的用戶創(chuàng)意挖掘方法，幫助物流運(yùn)營管理獲得具有創(chuàng)新性的用戶反饋，以提升運(yùn)營效率。文章以郵政快遞為研究對象，以抖音和快手短視頻物流評論為數(shù)據(jù)源，通過爬蟲獲取數(shù)據(jù);其次利用改進(jìn)的LSTM情感分析模型Bi-LSTM實(shí)現(xiàn)情感分類;最后以詞云聚焦話題點(diǎn)，以語義網(wǎng)絡(luò)分析圖并結(jié)合Apriori關(guān)聯(lián)規(guī)則分析算法可視化出話題背后最后一公里的服務(wù)問題，以便資源調(diào)整與服務(wù)經(jīng)營的改進(jìn)。實(shí)驗(yàn)結(jié)果表明，用戶對于快遞員很少送貨上門轉(zhuǎn)而放入快遞柜不滿;在物流末端的偏遠(yuǎn)地區(qū)配送服務(wù)一般集中在鄉(xiāng)鎮(zhèn)地區(qū)，農(nóng)村配送難以實(shí)現(xiàn);用戶對于貴重物品損壞丟失以及快遞員服務(wù)態(tài)度反映強(qiáng)烈。

關(guān)鍵詞：物流評論;服務(wù)改進(jìn);創(chuàng)意挖掘;情感分類;關(guān)聯(lián)分析

中圖分類號：F618文獻(xiàn)標(biāo)志碼：A

DOI：10.13714/j.cnki.1002-3100.2024.11.016

Abstract：Useronlinereviewsgatherahugeamountofopinionsandsuggestions，whichcanprovidedirectionalreferencesfortheoperationandmanagementoflogisticsenterprises.Thispaperproposesausercreativityminingmethodbasedonsentimentanalysistohelplogisticsoperationmanagementobtaininnovativeuserfeedbackandimproveoperationalefficiency.Thisstudytakespostallogisticsastheresearchobject，takesTiktokandKuaishouvideocommentsasthedatasource，andobtainsdatathroughcrawlers;thentheimprovedLSTMsentimentanalysismodelBi-LSTMisusedtoachievesentimentclassification;finally，wordcloudisusedtofocusontopicpoints，andthenetworksemanticgraphiscombinedwithAprioriassociationruleanalysisalgorithmtovisualizetheserviceproblembehindthelastmileofthetopic，inordertoadjustresourcesandimproveservicemanagement.Theresultsoftheexperimentshowthatusersaredissatisfiedwiththefactthatcouriersrarelydelivertotheirhomesandputtheminthedeliverylockersinstead.Distributionservicesinremoteareasattheendoflogisticsaregenerallyconcentratedintownshipareas，andruraldistributionisdifficulttoachieve.Usersstronglyreflectonthelossofdamagedvaluablesandcouriersserviceattitude.

Keywords：logisticsreviews;serviceimprovement;creativitymining;sentimentclassification;associationanalysis

0引言

隨著電商市場發(fā)展趨于飽和，物流同質(zhì)化愈加嚴(yán)重，德邦、極兔被收購都在證明物流市場逐漸開始大洗牌，尤其是像郵政有著悠久歷史的物流企業(yè)如何提升用戶滿意度值得深思。當(dāng)用戶參與物流企業(yè)的選擇權(quán)日漸交給商家時(shí)，在線獲取用戶生成內(nèi)容（UserGeneratedContent，UGC）是獲得用戶反饋，讓用戶參與企業(yè)經(jīng)營與決策必經(jīng)的一步。傳統(tǒng)電話熱線，問卷調(diào)查等數(shù)據(jù)分析方法存在用戶涉及面窄、樣本量不足等問題，無法滿足物流需求爆發(fā)下了解客戶訴求變化、提升運(yùn)輸端服務(wù)質(zhì)量的訴求。建立企業(yè)開放社區(qū)，如花粉社區(qū)、開源社區(qū)雖保證了流量和數(shù)據(jù)樣本量，用戶反饋可靠性高，但對于傳統(tǒng)制造企業(yè)來講維護(hù)成本較高。當(dāng)前能更好弱化時(shí)效性且初具數(shù)據(jù)規(guī)模的及時(shí)數(shù)據(jù)為產(chǎn)品服務(wù)在線評論，短視頻評論在穩(wěn)定數(shù)據(jù)量下還可以很好地聚焦于物流以及其他話題。以郵政物流為例，該主題單個短視頻評論量大多維持在500～1000條左右，可作為數(shù)據(jù)獲取的途徑。

1文獻(xiàn)綜述

通過在線評論進(jìn)行物流數(shù)據(jù)分析與質(zhì)量評價(jià)已經(jīng)極為普及。王洪偉等基于情感分析的方法深入研究快遞服務(wù)質(zhì)量評價(jià)體系，提出了影響快遞服務(wù)質(zhì)量的主要因素，為快遞服務(wù)的改進(jìn)提供針對性參考[1]。張志堅(jiān)等構(gòu)建了由制造商和零售商組成的博弈模型，研究零售商是否提供在線評論服務(wù)的策略選擇，分析在線評論對供應(yīng)鏈成員與消費(fèi)者的影響[2]。夏名首利用中文分詞、RFM改進(jìn)模型對天貓碧根果買家在線評論的分析表明，各類型買家關(guān)注的因素大體相同，但關(guān)注度不一;各類型買家購后情感聚焦點(diǎn)基本一致，但參與程度不同[3]。張海道等采用特征提取、主體挖掘與事件構(gòu)建等方法，對消費(fèi)者網(wǎng)購在線評論進(jìn)行分析，探究電商平臺物流服務(wù)質(zhì)量的主要影響因素[4]。

如上研究，傳統(tǒng)物流領(lǐng)域研究更多還只停留在對物流評論進(jìn)行粗粒度分析，諸如情感分析、影響因素的分析，很少有對物流評論進(jìn)行挖掘隱含且有直接價(jià)值的信息。創(chuàng)意挖掘做為文本挖掘的一個分支，它通過機(jī)器學(xué)習(xí)或深度學(xué)習(xí)等手段從在線評論中挖掘有價(jià)值的信息，可以為物流細(xì)粒度研究提供新的思路。如程斌等通過細(xì)粒度情感分析模型構(gòu)建評價(jià)指標(biāo)，對多款手機(jī)進(jìn)行綜合評價(jià)與可視化分析，幫助生產(chǎn)者進(jìn)行工藝改進(jìn)和發(fā)展方向調(diào)整[5]。李琰等借助文本挖掘技術(shù)提取不安全行為及其誘因特征詞，運(yùn)用Apriori算法進(jìn)行關(guān)聯(lián)規(guī)則挖掘，搭建不安全行為及其誘因關(guān)聯(lián)網(wǎng)絡(luò)。發(fā)現(xiàn)6類核心誘因與關(guān)聯(lián)因素會對不安全行為產(chǎn)生直接影響[6]。姜早龍等應(yīng)用文本挖掘技術(shù)提取出改造認(rèn)知、改造需求、改造施工等主題中不同熱點(diǎn)詞匯的關(guān)聯(lián)信息，深入研究公眾的關(guān)注熱點(diǎn)與討論內(nèi)容，據(jù)此提出針對性的老舊小區(qū)改造推進(jìn)策略[7]。陰艷超等針對用戶個性化文本需求，提出一種應(yīng)用于汽車外觀造型設(shè)計(jì)的改進(jìn)微粒群算法的混合啟發(fā)式挖掘方法，有效指導(dǎo)了產(chǎn)品創(chuàng)新的實(shí)施[8]。

2基于機(jī)器學(xué)習(xí)的郵政創(chuàng)意挖掘流程

本文在文獻(xiàn)研究以及方法綜述的基礎(chǔ)上，聚焦于用戶對于物流企業(yè)的創(chuàng)意性評價(jià)。這里基于神經(jīng)網(wǎng)絡(luò)及其他機(jī)器學(xué)習(xí)算法構(gòu)建評論挖掘模型，具體研究框架如圖1所示，主要由三個部分組成：數(shù)據(jù)準(zhǔn)備、情感分析、物流創(chuàng)意挖掘。

2.1郵政評論獲取與預(yù)處理

本文選擇主流的抖音和快手作為物流評論的數(shù)據(jù)源，利用Python庫偽裝成瀏覽器發(fā)送請求實(shí)現(xiàn)爬取物流數(shù)據(jù)。在進(jìn)行繁轉(zhuǎn)簡、錯別字糾正、短句去除等清洗后需要對數(shù)據(jù)進(jìn)行預(yù)處理。漢語不同于機(jī)器語言，一個含義可以有多種表達(dá)方式，這就需要分析前在不改變原義的情況下盡可能詞語統(tǒng)一表達(dá)。在自定義詞典與百度停用詞進(jìn)行自定義增刪調(diào)整后，分詞效果如圖2所示。

2.2基于神經(jīng)網(wǎng)絡(luò)的文本情感分類

數(shù)據(jù)集標(biāo)注與詞向量訓(xùn)練。本文采用以LSTM為基礎(chǔ)改進(jìn)的Bi-LSTM有監(jiān)督的情感分類算法，采用維基百科語料庫對評論進(jìn)行預(yù)訓(xùn)練[9]。為保證標(biāo)記的客觀性，負(fù)向標(biāo)記為-1，中性或者正向統(tǒng)一標(biāo)記為1的規(guī)則分類模型，利用Word2vec進(jìn)行詞向量訓(xùn)練。不同于滿意度分析，創(chuàng)意源于痛點(diǎn)，創(chuàng)意挖掘的觀點(diǎn)應(yīng)該更多在物流負(fù)面評論中產(chǎn)生，即將正面評論或者中性評論視為一類過濾出去，其中文本分類處理簡化過程如圖3所示。

2.3創(chuàng)意挖掘分析

2.3.1詞云與語義網(wǎng)絡(luò)分析

本文以Python的WordCloud庫進(jìn)行可視化分析，以預(yù)處理的詞語為基礎(chǔ)，根據(jù)詞頻的不同，詞語大小不同，從而凸顯各個詞語在文本中的不同重要性[10]。

2.3.2關(guān)聯(lián)規(guī)則分析

本文使用ROST-CM6軟件繪制可視化的語義網(wǎng)絡(luò)圖來分析出各個特征詞之間的聯(lián)系，比較出詞語彼此之間依存關(guān)系[11]。利用Apriori算法對物流負(fù)面評論預(yù)處理詞語進(jìn)行關(guān)聯(lián)分析，它是用一種稱作逐層搜索發(fā)現(xiàn)詞語關(guān)系的迭代方法[12]。如圖4所示，K個項(xiàng)的集合為k項(xiàng)集，如果某項(xiàng)集滿足最小支持度，則稱它為頻繁項(xiàng)集，k項(xiàng)集用于探索k+1項(xiàng)集。首先，找出頻繁1項(xiàng)集的集合記做l，l用于找出頻繁2項(xiàng)集的集合l，再用于找出l，如此循環(huán)下去，直到不能找到頻繁k項(xiàng)集。如圖4為一個簡單的分析過程，items為項(xiàng)集，sup為支持度計(jì)數(shù)，c為候選集i，l為頻繁項(xiàng)集i[13]。

3郵政物流實(shí)例研究

3.1數(shù)據(jù)介紹

郵政數(shù)據(jù)評論時(shí)間集中在2019—2022年9月份，評論量為50000條左右，主要集中在10～25個字符長度，如圖5所示。通過構(gòu)建Bi-LSTM對郵政評論進(jìn)行學(xué)習(xí)，模型準(zhǔn)確率如圖6、圖7所示，預(yù)測準(zhǔn)確度維持在85%以上，Loss下降并趨于平穩(wěn)，效果比較理想。最終得出23988條負(fù)面評論用于接下來的創(chuàng)意挖掘分析。

3.2創(chuàng)意挖掘結(jié)果分析

3.2.1詞云分析

如圖8所示，通過詞云發(fā)現(xiàn)用戶對于郵政的負(fù)面話題可以聚焦在丟件問題、速度慢問題、取貨節(jié)點(diǎn)三個方面。丟件話題中與其相關(guān)的詞語有貴重物品、賠償、保價(jià)、丟失等。速度話題中與其相關(guān)的詞語有多天、沒到、路上等。配貨話題則是自提、送貨上門、鄉(xiāng)鎮(zhèn)、農(nóng)村等詞語。

3.2.2語義網(wǎng)絡(luò)與關(guān)聯(lián)分析

（1）從圖9看出與“丟失”密切相關(guān)的詞語有“保價(jià)”、“賠償”、“貴重”，用戶通常在發(fā)貨前對商品進(jìn)行保價(jià)來降低損失。從表1中的關(guān)聯(lián)分析表看，“丟失”出現(xiàn)的情況下“賠償”出現(xiàn)的概率達(dá)80%，說明商品損壞或者丟失的情況下消費(fèi)者關(guān)注的問題之一是賠償。在“運(yùn)費(fèi)”出現(xiàn)時(shí)“賠償”一詞出現(xiàn)概率為74.7%，結(jié)合文本來看消費(fèi)者不滿于解決方案多是3倍運(yùn)費(fèi)，小于商品本身的價(jià)值?！百F重物品”出現(xiàn)的情況下，“保價(jià)”出現(xiàn)概率為53.1%，說明通過保價(jià)方式來減小損失是消費(fèi)者普遍接受的一種解決賠償方式。

（2）圖9中與速度密切相關(guān)的詞語有：“多天”、“沒到”、“三天”等，文本對于速度的界定多以3～4天到貨為準(zhǔn)，而負(fù)面評論表示收貨多在一周左右甚至更久。從置信度來看“郵寄”、“沒到”詞語出現(xiàn)的情況下主要詞語為“多天”，其概率分別均高于40%，說明用戶在運(yùn)輸速度上不滿，結(jié)合詞云和文本發(fā)現(xiàn)爆倉、門店?duì)I運(yùn)時(shí)間、快遞員服務(wù)意識對于速度產(chǎn)生一定影響，說明郵政物流需要在這幾個節(jié)點(diǎn)上進(jìn)行改進(jìn)。

（3）在取貨問題上，與取貨問題相關(guān)的詞語有“打電話”、“鄉(xiāng)鎮(zhèn)”、“送貨上門”等，郵政配送網(wǎng)點(diǎn)難以覆蓋所有區(qū)域，且多以電話或者短信形式直接通知用戶去自提點(diǎn)取貨?！胺拧背霈F(xiàn)的情況下“自提點(diǎn)”出現(xiàn)的概率為76.47%，即快遞小哥多在未征得用戶意見的情況下放到自提點(diǎn)，加之驛站距離較遠(yuǎn)，下班時(shí)候驛站已經(jīng)關(guān)門給消費(fèi)者帶來了極大的不便利性?！八拓浬祥T”59%概率表明用戶訴求是送貨上門。從支持度來看“農(nóng)村”、“鄉(xiāng)鎮(zhèn)”詞語出現(xiàn)概率較大，結(jié)合上文分析發(fā)現(xiàn)郵政物流在上述行政區(qū)域網(wǎng)點(diǎn)覆蓋率低，配送范圍止于鄉(xiāng)鎮(zhèn)，農(nóng)村等偏遠(yuǎn)地區(qū)難以進(jìn)行配送。

4結(jié)論與展望

本文通過創(chuàng)意挖掘分析發(fā)現(xiàn)郵政物流存在的諸多問題。上述這些問題與其內(nèi)部人員管理、組織結(jié)構(gòu)以及組織戰(zhàn)略相關(guān)，但不是單個原因造成的，而是環(huán)環(huán)相扣交錯影響所帶來的結(jié)果。通過上述分析總結(jié)出如下建議：

（1）加強(qiáng)對自提點(diǎn)的管控。早期市場競爭時(shí)期，為了加快市場布局，物流多采用加盟方式推進(jìn)市場布局，雖然在速度上取得了優(yōu)勢，但是也導(dǎo)致管理的困難，諸如疫情防控難以落實(shí)、員工素質(zhì)低、安全性差、不服從總部管理等問題。中國郵政的自提點(diǎn)為中郵驛站，其主要集中在一線城市。進(jìn)行擴(kuò)充中郵驛站市場，在加強(qiáng)驛站自營比例的同時(shí)，加強(qiáng)和完善經(jīng)營制度以及嚴(yán)格的經(jīng)營流程是一種比較好的方向。

（2）注重員工成長，提升員工待遇。當(dāng)前分揀效率提升下，一線員工作業(yè)強(qiáng)度也不斷加大，且越加機(jī)械，員工的崗位認(rèn)同感也逐漸降低。快遞員不愿送貨上門的原因，不單是責(zé)任心問題，還有配送員個人利益問題，每單利潤過于稀薄。放到驛站可以減少配送量，利潤進(jìn)一步分割也是無奈之舉。不難發(fā)現(xiàn)德邦、順豐在價(jià)格上高于市場但在服務(wù)上可以做到送貨上門。郵政之所以難以下沉到村級配送，也是由于參與農(nóng)村配送的企業(yè)與員工利潤太少，也是造成快件丟失，服務(wù)差的主要原因。

（3）完善公司作業(yè)服務(wù)規(guī)章制度。制定公司各項(xiàng)規(guī)章制度，嚴(yán)格按規(guī)章制度辦事，獎懲分明有章可循，有法可依，才能改變公司的面貌職工才有歸屬感。另外在運(yùn)輸、倉儲、搬運(yùn)、裝卸、流通等環(huán)節(jié)作業(yè)流程應(yīng)標(biāo)準(zhǔn)化與規(guī)范化，比如在產(chǎn)品寄件時(shí)提醒顧客貴重貨物保價(jià)問題以及賠償標(biāo)準(zhǔn)事宜等，不僅可提升服務(wù)質(zhì)量，也可減少后期投訴頻率。監(jiān)督倉庫作業(yè)人員、配送員在包裝、分揀、貼標(biāo)、搬運(yùn)、質(zhì)檢時(shí)，嚴(yán)格按作業(yè)規(guī)范進(jìn)行操作，保障服務(wù)質(zhì)量。比如郵政物流倉庫環(huán)節(jié)中對于臨時(shí)工的作業(yè)規(guī)范，服務(wù)外包的管控。

本文仍有不足之處可以在未來研究中進(jìn)行完善，諸如針對短文本話題分析可以利用針對性算法研究，或者采用多種組合算法進(jìn)行研究。

參考文獻(xiàn)：

[1]王洪偉，宋媛，杜戰(zhàn)其，等.基于在線評論情感分析的快遞服務(wù)質(zhì)量評價(jià)[J].北京工業(yè)大學(xué)學(xué)報(bào)，2017，43（3）：402-412.

[2]張志堅(jiān)，王鵬，郭軍華，等.基于在線評論服務(wù)策略的電商供應(yīng)鏈決策[J].系統(tǒng)工程學(xué)報(bào)，2021，36（2）：227-239.

[3]夏名首.基于買家在線評價(jià)的購后評價(jià)特征數(shù)據(jù)挖掘[J].中國流通經(jīng)濟(jì)，2017，31（7）：30-38.

[4]張道海，楊晨.基于語義的電商平臺物流服務(wù)質(zhì)量主題分析[J].物流科技，2023，46（1）：36-40.

[5]程斌，高圣國.基于細(xì)粒度情感的文本挖掘及可視化分析[J].應(yīng)用數(shù)學(xué)進(jìn)展，2021，10（1）：128-136.

[6]李琰，張祎，侯濤，等.基于文本挖掘的不安全行為誘因關(guān)聯(lián)網(wǎng)絡(luò)分析[J].煤礦安全，2023，54（4）：251-256.

[7]姜早龍，李荷.老舊小區(qū)改造的公眾關(guān)注熱點(diǎn)及推進(jìn)策略研究——基于文本挖掘技術(shù)[J].建筑經(jīng)濟(jì)，2023，44（1）：29-36.

[8]陰艷超，孫林夫，郭成.基于模糊物元PSO混合優(yōu)化算法的客戶創(chuàng)意挖掘[J].計(jì)算機(jī)應(yīng)用研究，2008，25（8）：2309-2311，2318.

[9]SIAMI-NAMINIS，TAVAKOLIN，NAMINAS.TheperformanceofLSTMandBiLSTMinforecastingtimeseries[C]//2019IEEEInternationalConferenceonBigData（BigData）.LosAngeles，CA，USA：IEEE，2019：3285-3292.

[10]NINGW，LINS，ZHOUJ，etal.WocEA：Thevisualizationoffunctionalenrichmentresultsinwordclouds[J].JournalofGeneticsandGenomics，2018，45（7）：415-417.

[11]楊雯丹，曹國忠.基于依存句法和語義網(wǎng)絡(luò)的用戶需求識別方法[J].機(jī)械設(shè)計(jì)，2022，39（10）：154-160.

[12]李英，湯庸.基于關(guān)聯(lián)規(guī)則與相似度的數(shù)據(jù)挖掘算法研究[J].華南師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2021，53（5）：121-127.

[13]PAPIR，ATTARCHIS，BOLOORANIAD，etal.KnowledgediscoveryofMiddleEastdustsourcesusingApriorispatialdataminingalgorithm[J].EcologicalInformatics，2022，72：101867.

收稿日期：2023-06-07

基金項(xiàng)目：武漢科技大學(xué)研究生創(chuàng)新創(chuàng)業(yè)基金項(xiàng)目（JCX2021039）;湖北省高等學(xué)校省級教學(xué)研究項(xiàng)目（2020369）;湖北省高等學(xué)校哲學(xué)社會科學(xué)研究重點(diǎn)項(xiàng)目（21D014）

作者簡介：李浩洋（1997—），男，河南漯河人，武漢科技大學(xué)管理學(xué)院碩士研究生，研究方向：自然語言處理、物流管理;張瑞軍（1972—），男，湖北仙桃人，武漢科技大學(xué)服務(wù)科學(xué)與工程研究中心，教授，博士，研究方向：自然語言處理;周瑜（1999—），男，湖北鄂州人，武漢科技大學(xué)管理學(xué)院碩士研究生，研究方向：供應(yīng)鏈管理。

引文格式：李浩洋，張瑞軍，周瑜.基于在線評論的郵政物流服務(wù)創(chuàng)意挖掘研究[J].物流科技，2024，47（11）：64-67.