全文下载链接：http://tecdat.cn/?p=2175

最近咱们被客户要求撰写对于LDA主题模型的钻研报告，包含一些图形和统计输入。

钻研人员对各大电商平台海量用户的评估数据进行剖析，得出智能门锁剁手攻略

语义透镜

顾客满意度和关注点

咱们对于评估数据进行LDA建模，就是从语料库中挖掘出不同主题并进行剖析，换言之，LDA提供了一种较为不便地量化钻研主题的机器学习办法。

咱们应用最大似然预计进行最优化主题个数的选取。当主题个数定为20的时候，似然估计数最大，即留言板数据分为20个主题的可能性比拟大。将模型生成的20个主题中的高频词取出。

图表1

 

依据各个主题的高频关键词，大略能够将顾客关注点分成5个局部：商家品牌、价格品质、客服徒弟、应用便捷性和包装物流。从上图，咱们发现用户关注的点次要集中在客服对商品问题的急躁解答，徒弟对门锁装置的领导以及包装和物流上。

咱们也发现不少顾客的评论反映出智能门锁的便捷性(e.g.不必带钥匙)和先进(e.g.指纹识别度高)。同时咱们没有发现安全性相干的高频词汇。

顾客埋怨

品质、客服服务和物流

接下来，咱们对不同价格和主题的顾客埋怨率进行比拟。

图表2

 

从价格方面咱们发现价格低于2000的智能门锁购买量最多，同时埋怨率也较高，依据关注点来看，顾客埋怨点次要集中在商品质量和客服的急躁水平。购买量位于第二的价格是高于4000的区间，整体埋怨率最低。购买量位于第三的是2000-3000区间，该区间顾客埋怨点次要集中在商家品牌与物流。最初是3000-4000区间，该区间顾客埋怨点次要集中在价格品质与物流。同时反映出顾客对智能门锁价格有较高心理预期，次要埋怨点在品质、客服服务和物流上。

自营非自营

价格和满意度

图表3

 

从左图能够看出自营和非自营商品在顾客满意度上相差不大，非自营商品的满意度要略高于自营商品。同时能够看到大于4000区间的顾客满意度最高，且都是非自营商品。

从右图中，咱们能够看到满意度对于价格的回归预测后果。图中红线示意的是自营商品，在3000以下的区间，价格越高，满意度反而降落，高于3000的区间中，价格越高，满意度越高。在非自营商品中，3000以下的价格区间中，价格和满意度关系不显著，高于3000的价格区间中，价格越高，满意度越高。

从前文中，咱们发现价格低于3000的商品埋怨率最低的点在于便捷和应用高效，因而给人的感觉性价高，满意度较高，而价格靠近3000时，顾客对客服、物流、品质等预期更高，因而容易成为埋怨的重灾区。当价格靠近和高于4000时，商品的品牌、品质往往又失去保障，因而满意度又回升。

点击文末 “浏览原文”

获取全文残缺代码和数据材料。

本文选自《智能门锁“剁手”数据攻略》。

点击题目查阅往期内容

R语言中的LDA模型：对文本数据进行主题模型topic modeling剖析\
自然语言解决NLP：主题LDA、情感剖析疫情下的新闻文本数据\
【视频】文本开掘：主题模型（LDA）及R语言实现剖析游记数据\
NLP自然语言解决—主题模型LDA案例：开掘人民网留言板文本数据\
Python主题建模LDA模型、t-SNE 降维聚类、词云可视化文本开掘新闻组数据集\
自然语言解决NLP：主题LDA、情感剖析疫情下的新闻文本数据\
R语言对NASA元数据进行文本开掘的主题建模剖析\
R语言文本开掘、情感剖析和可视化哈利波特小说文本数据\
Python、R对小说进行文本开掘和档次聚类可视化剖析案例\
用于NLP的Python：应用Keras进行深度学习文本生成\
长短期记忆网络LSTM在工夫序列预测和文本分类中的利用\
用Rapidminer做文本开掘的利用：情感剖析\
R语言文本开掘tf-idf,主题建模，情感剖析,n-gram建模钻研\
R语言对推特twitter数据进行文本情感剖析\
Python应用神经网络进行简略文本分类\
用于NLP的Python：应用Keras的多标签文本LSTM神经网络分类\
R语言文本开掘应用tf-idf剖析NASA元数据的关键字\
R语言NLP案例：LDA主题文本开掘优惠券举荐网站数据\
Python应用神经网络进行简略文本分类\
R语言自然语言解决（NLP）：情感剖析新闻文本数据\
Python、R对小说进行文本开掘和档次聚类可视化剖析案例\
R语言对推特twitter数据进行文本情感剖析\
R语言中的LDA模型：对文本数据进行主题模型topic modeling剖析\
R语言文本主题模型之潜在语义剖析（LDA:Latent Dirichlet Allocation）R语言对NASA元数据进行文本开掘的主题建模剖析\
R语言文本开掘、情感剖析和可视化哈利波特小说文本数据\
Python、R对小说进行文本开掘和档次聚类可视化剖析案例\
用于NLP的Python：应用Keras进行深度学习文本生成\
长短期记忆网络LSTM在工夫序列预测和文本分类中的利用\
用Rapidminer做文本开掘的利用：情感剖析\
R语言文本开掘tf-idf,主题建模，情感剖析,n-gram建模钻研\
R语言对推特twitter数据进行文本情感剖析\
Python应用神经网络进行简略文本分类\
用于NLP的Python：应用Keras的多标签文本LSTM神经网络分类\
R语言文本开掘应用tf-idf剖析NASA元数据的关键字\
R语言NLP案例：LDA主题文本开掘优惠券举荐网站数据\
Python应用神经网络进行简略文本分类\
R语言自然语言解决（NLP）：情感剖析新闻文本数据\
Python、R对小说进行文本开掘和档次聚类可视化剖析案例\
R语言对推特twitter数据进行文本情感剖析\
R语言中的LDA模型：对文本数据进行主题模型topic modeling剖析\
R语言文本主题模型之潜在语义剖析（LDA:Latent Dirichlet Allocation）