Design of Computational Identification Model and Optimization Strategy for Consumer Demand Based on Multimodal Data Fusion
Notice bibliographique
Résumé
This paper draws a framework for constructing user demand modal information, uses crawler technology to obtain online review text information, processes the text information, and mines relevant consumer demand information.The LDA topic model is used to extract the topics of consumer concern from the online comments, identify the topics of consumer demand and clarify the concern degree of each demand.The KANO model is proposed to establish a consumer demand classification method based on the KANO model by combining product characteristic attributes and consumer demand information.Examine the theme discrimination performance of the LDA model on the hotel category, footwear category, and food category datasets.Combine the preprocessed user demand data to statistically quantify user demand for quantitative Kano transformation.Classify user demands into Kano categories and calculate the priority order of user demands to get the product optimization strategy.The weighted order of consumers' demands for automobiles is footrest, cigarette lighter, antenna, window, low beam, key, etc. in order.It can be found that automobile consumers pay more attention to the needs of antenna, cigarette lighter, pedals, and enhancement of accessory functions.As a result, automobile manufacturers should increase the seat comfort, improve power, enhance the flexibility of shifting such aspects of the whole vehicle handling experience, in addition to improving the lights, keys and other car quality related needs.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».