線上虛擬試衣平臺服務(wù)質(zhì)量主題挖掘及指標(biāo)構(gòu)建

仇惠玲，劉雅玲,b

(河北科技大學(xué),a.紡織服裝學(xué)院；b.河北省紡織服裝技術(shù)創(chuàng)新中心，石家莊 050018)

試衣過程是影響服裝購買決策的核心因素之一，是服裝營銷中不可忽視的環(huán)節(jié)[1]。近年來，實(shí)體店銷售模式逐步升級為“線上+線下”全渠道營銷模式，使消費(fèi)者越來越關(guān)注線上服裝購買的適體性問題[2]。然而，線上服裝銷售平臺因試衣過程的不便，頻繁出現(xiàn)因尺碼不符而退貨、換貨的現(xiàn)象，對品牌商來說無形中加大了成本支出。對此，優(yōu)衣庫開發(fā)了一款可以線上進(jìn)行三維立體試衣的虛擬試衣軟件，通過掃描條形碼、分類檢索找到服裝，調(diào)整身材參數(shù)設(shè)置虛擬模特，即可利用和自己體型相仿的虛擬模特進(jìn)行三維立體試衣；上海試衣間信息科技公司也開發(fā)了一款名叫好搭盒子的App，與優(yōu)衣庫虛擬試衣軟件不同的是，這是一款可以在線試穿ZARA、UR、H&M等各類品牌服裝的虛擬試衣軟件。伴隨著虛擬試衣的熱潮，淘寶也推出了“試搭間”二維虛擬試衣模塊，可以在線搭配服裝、實(shí)現(xiàn)換裝特效；可見，虛擬試衣技術(shù)逐步進(jìn)入線上店鋪是未來不可阻擋的趨勢[3]。

然而，現(xiàn)階段對于虛擬試衣的研究主要集中在虛擬系統(tǒng)實(shí)現(xiàn)方式、虛擬技術(shù)應(yīng)用等技術(shù)方面。對于虛擬試衣系統(tǒng)實(shí)現(xiàn)方式主要有：基于Kinect的虛擬試衣系統(tǒng)、基于Android平臺的虛擬試衣系統(tǒng)、基于草圖的虛擬試衣系統(tǒng)[4-5]。針對虛擬試衣技術(shù)應(yīng)用研究主要圍繞樣板結(jié)構(gòu)、著裝效果、性能模擬三方面為主。諸如郭美林等[6]通過CLO3D三維試衣軟件研究了結(jié)合面料、結(jié)構(gòu)、款式、色彩等特點(diǎn)進(jìn)行快速結(jié)構(gòu)設(shè)計(jì)；田丙強(qiáng)等[7]借助CLO3D虛擬試衣技術(shù)研究了著裝狀態(tài)下各關(guān)鍵部位合體性評估，模擬了服裝著裝效果的真實(shí)性；云暢等[8]利用CLO3D服裝性能模擬技術(shù)，研究了經(jīng)緯異性織物的懸垂性。然而，針對線上虛擬試衣終端消費(fèi)者體驗(yàn)服務(wù)的研究較少。因此，本文從用戶感知角度出發(fā)，借助虛擬試衣平臺用戶體驗(yàn)，分析了線上虛擬試衣服務(wù)用戶滿意度以及影響用戶認(rèn)可度、滿意度的主題分布特征，并據(jù)此構(gòu)建線上虛擬試衣平臺服務(wù)質(zhì)量評價(jià)指標(biāo)，以期提升線上消費(fèi)者購物體驗(yàn)。

1 虛擬試衣平臺用戶評論文本的采集與分析

1.1 用戶評論數(shù)據(jù)的采集

在線用戶評論是已體驗(yàn)過虛擬試衣服務(wù)的消費(fèi)者依據(jù)主觀感受進(jìn)行的真實(shí)服務(wù)質(zhì)量反饋[9]。為增加研究結(jié)果的普適性，本研究數(shù)據(jù)以華為手機(jī)應(yīng)用市場、蘋果手機(jī)App store、小米手機(jī)應(yīng)用市場的虛擬試衣App用戶評論為研究樣本的數(shù)據(jù)源進(jìn)行內(nèi)容分析。在虛擬試衣平臺的選擇上，根據(jù)虛擬試衣系統(tǒng)關(guān)鍵詞排名，發(fā)現(xiàn)目前中國主流的線上虛擬試衣軟件App主要有好搭盒子App、優(yōu)衣庫數(shù)字搭配師、每日新款A(yù)pp、虛擬試衣間App。

本文借助Python軟件，共自動(dòng)爬取了6482條用戶評論數(shù)據(jù)，經(jīng)過簡單人工篩選得到6293條有效用戶評論數(shù)據(jù)，如圖1所示，好搭盒子App軟件用戶評論數(shù)據(jù)2312條，優(yōu)衣庫數(shù)字搭配師軟件用戶評論數(shù)據(jù)1956條，每日新款A(yù)pp用戶評論數(shù)據(jù)994條，虛擬試衣間App用戶評論數(shù)據(jù)1031條。爬取內(nèi)容包括用戶評論內(nèi)容、手機(jī)應(yīng)用版本，并整合成文本文檔做下一步數(shù)據(jù)處理使用。

圖1 四個(gè)虛擬試衣平臺評論數(shù)分布Fig.1 Distribution of comments on four virtual fitting platforms

1.2 用戶評論數(shù)據(jù)的規(guī)范化處理

在建立初始文本數(shù)據(jù)庫時(shí)，發(fā)現(xiàn)用戶評論涉及版本使用、后臺運(yùn)行、使用體驗(yàn)等多方面的感受，也說明用戶在對虛擬試衣軟件服務(wù)質(zhì)量進(jìn)行評價(jià)時(shí)，是受多方面因素共同影響的。同時(shí)，在采集用戶評論數(shù)據(jù)過程中發(fā)現(xiàn)評論者普遍存在用詞不規(guī)范的情況。因此，需要對用戶評論文本進(jìn)行規(guī)范化處理。評論數(shù)據(jù)處理流程如圖2所示，最終獲取規(guī)范評論數(shù)據(jù)共5200條，詞匯表長度為60100，詞語總數(shù)共2051，并存儲規(guī)范化處理后的用戶評論文本數(shù)據(jù)。

圖2 評論數(shù)據(jù)處理流程Fig.2 Comment data processing flow

1.3 用戶評論文本的情感傾向性分析

1.3.1 評論內(nèi)容情感分析

為獲得用戶對虛擬試衣平臺服務(wù)質(zhì)量的情感態(tài)度，對文本數(shù)據(jù)庫的情感態(tài)度和觀點(diǎn)表達(dá)詞匯進(jìn)行提取分析，共提取具有情感關(guān)鍵詞的評論2143條，隨之利用ROST CM6軟件情感分析功能對評論數(shù)據(jù)進(jìn)行正負(fù)面標(biāo)注，通過評論數(shù)據(jù)與系統(tǒng)的情感詞典進(jìn)行逐個(gè)匹配，并記錄匹配到的情感詞分值，最終統(tǒng)計(jì)匯總每一條評論情感分值的得分結(jié)果，將得分結(jié)果小于0的評論定義為消極情感，如含“打不開、不精準(zhǔn)”等否定性評論；將大于0的評論定義為積極情感，如含“棒極了、好用”等肯定性評論；得分為0的評論定義為中性情感，如含“還行、一般”等無明顯態(tài)度評論。為進(jìn)一步獲取各類情感的輕重程度，將評論情感得分結(jié)果進(jìn)行劃檔比較。因整體分值區(qū)間位于-20分至20分且呈中間多、兩端少的形態(tài)，故按照整數(shù)原則劃10分一檔，對應(yīng)的積極情感分檔結(jié)果為一般(0～10)、中度(10～20)、高度(20以上)三檔，對應(yīng)的消極情感分檔結(jié)果為一般(0～-10)、中度(-10～-20)、高度(-20以下)，各類情感輕重程度評論條數(shù)統(tǒng)計(jì)結(jié)果如圖3所示?？梢钥闯觯旱谝?，用戶對于線上虛擬試衣服務(wù)的體驗(yàn)主要呈積極情感即線上虛擬試衣體驗(yàn)服務(wù)整體得到用戶支持；第二，積極情感程度輕重上，積極情感得分多數(shù)在10分以上，即中度及以上，說明線上虛擬試衣服務(wù)能夠滿足消費(fèi)者需求，用戶支持度高。

圖3 各類情感一般、中度、高度評論條數(shù)情況統(tǒng)計(jì)Fig.3 Statistics on the number of general, moderate and high comments of various emotions

1.3.2 評論內(nèi)容潛在關(guān)聯(lián)度分析

情感分析僅能判定用戶滿意與否，但對于具體滿意在何處、不滿意在何處以及用戶最關(guān)心的內(nèi)容，還需要借助語義網(wǎng)絡(luò)結(jié)構(gòu)作進(jìn)一步分析。為掌握用戶在體驗(yàn)線上虛擬試衣過程中最關(guān)注的服務(wù)質(zhì)量內(nèi)容維度，通過不同評論中詞匯的共現(xiàn)關(guān)系來判定詞匯連接關(guān)系，諸如在不同評論者描述“軟件”時(shí)，用不同的內(nèi)容反應(yīng)“軟件”的服務(wù)體驗(yàn)，如“圖片”“加載”“速度”等方面反應(yīng)軟件體驗(yàn)；通過共現(xiàn)頻率高低來判定詞匯連接中心度高低，諸如評論中“軟件”的共現(xiàn)頻率高，如軟件中的圖片體驗(yàn)、加載速度體驗(yàn)等，那么詞匯“軟件”的中心度高。利用ROST CM6軟件科學(xué)找尋高頻詞匯間的共現(xiàn)關(guān)系，找到高頻詞中詞匯與詞匯之間的潛在聯(lián)系，并進(jìn)行中心關(guān)聯(lián)度高低排序，結(jié)果如圖4所示：a)“軟件”“衣服”“虛擬”“功能”“形象”五項(xiàng)是中心度最高的高頻詞匯，說明這些內(nèi)容是用戶體驗(yàn)服務(wù)中最為關(guān)注的，也是潛在影響用戶服務(wù)體驗(yàn)滿意度的主要因素之一。b)將中心度高的詞匯按照屬性劃分，發(fā)現(xiàn)用戶關(guān)注的服務(wù)內(nèi)容主要是系統(tǒng)屬性、功能屬性，諸如“軟件”“打開”“改進(jìn)”“系統(tǒng)”“創(chuàng)建”等詞匯均是與系統(tǒng)運(yùn)行特征相關(guān)，“衣服”“虛擬”“人物”“數(shù)據(jù)”“造型”等均是與功能使用特征相關(guān)；c)最值得關(guān)注的是情感詞之間的共現(xiàn)關(guān)系，諸如“改進(jìn)”與“形象”“功能”“虛擬”“衣服”“軟件”等詞匯連接度較高，說明在用戶評論中集中反映了虛擬形象、服裝款式、軟件性能等方面存在一定的問題，需要進(jìn)一步改進(jìn)。

圖4 高頻詞匯共現(xiàn)網(wǎng)絡(luò)圖譜Fig.4 High-frequency vocabulary co-occurrence network map

2 基于LDA模型的用戶評論主題分布

2.1 LDA主題模型

語義網(wǎng)絡(luò)分析能夠深層次挖掘出詞項(xiàng)與詞項(xiàng)之間的語義共現(xiàn)程度和關(guān)聯(lián)程度，然而對于大量的文本數(shù)據(jù)分析，節(jié)點(diǎn)間的關(guān)聯(lián)程度和虛擬試衣平臺服務(wù)特征之間便難以區(qū)分。因而，需要進(jìn)一步構(gòu)建文本主題模型，對大量文本內(nèi)容進(jìn)行建模分析，從而獲取虛擬試衣平臺服務(wù)過程的主題分布。本文選擇Python軟件中的topicmodels包中的LDA_Gibbs模型進(jìn)行主題建模分析[10]。LDA主題模型拓?fù)浣Y(jié)構(gòu)表示如圖5所示，假設(shè)虛擬試衣用戶在線評論中的每個(gè)詞以一定的概率選擇某個(gè)主題，基于此原理，則虛擬試衣用戶在線評論具備多個(gè)主題，而每個(gè)主題又對應(yīng)著不同的詞語，以此反向推演，可獲取用戶評論文本潛在的主題分布。

圖5 LDA主題模型拓?fù)浣Y(jié)構(gòu)表示Fig.5 LDA topic model topology representation

LDA主題模型結(jié)構(gòu)如圖6所示，其中θ表示的是M×K階文檔-主題分布矩陣，φ表示的是K×V階主題-詞語分布矩陣，z表示的是主題，w表示的是詞語，N表示的一個(gè)文檔中的詞語數(shù)量，M表示的是文檔集的文檔數(shù)，K表示的是文檔集的主題數(shù)，α是主題分布θ的先驗(yàn)分布(即Dirichlet分布)的參數(shù)，β是詞語分布的先驗(yàn)分布(即Dirichlet分布)的參數(shù)。

圖6 LDA主題模型結(jié)構(gòu)Fig.6 LDA topic model structure

LDA主題模型中生成某一文檔中每個(gè)詞語的概率的公式可以表示為[11]：

(1)

LDA主題模型主題關(guān)鍵詞生成過程如圖7所示：

圖7 主題關(guān)鍵詞生成過程Fig.7 Topic keyword generation process

2.2 基于LDA模型的主題分布提取

2.2.1 確定最優(yōu)主題數(shù)目

文本主題數(shù)目的確定在一定程度上會(huì)影響主題建模的效果，因而在正式構(gòu)建主題模型之前，需要確定一個(gè)最優(yōu)的主題數(shù)目。本文依據(jù)文本內(nèi)容特征選擇復(fù)雜度(Perplexity)作為指標(biāo)體系的主題數(shù)目確定。

利用復(fù)雜度(Perplexity)計(jì)算，如式(2)：

(2)

式中：M為文檔數(shù)目，Nd為詞語的數(shù)目，P(Wd)為文檔中詞語Wd出現(xiàn)的概率。

2.2.2 主題建模及主題詞提取

在LDA主題模型文檔生成過程中，經(jīng)過基于變分期望的EM求解和Gibbs采樣的對比發(fā)現(xiàn)，Gibbs采樣更易推導(dǎo)且效果較好，因而本文選擇Gibbs采樣方式[12]。

通過LDA()函數(shù)，以Gibbs采樣為基礎(chǔ)對10到50之間的各個(gè)主題數(shù)的復(fù)雜度進(jìn)行循環(huán)，迭代次數(shù)為50次，重復(fù)采樣直到收斂，比較不同主題個(gè)數(shù)的結(jié)果，發(fā)現(xiàn)最優(yōu)主題數(shù)目為15，故將提取的主題個(gè)數(shù)設(shè)定為15個(gè)。針對每個(gè)主題，利用LDA()函數(shù)提取前9個(gè)概率最高的詞語作為反映主題內(nèi)容的關(guān)鍵詞，結(jié)果如表1所示。

表1 15個(gè)主題提取前9個(gè)關(guān)鍵詞的結(jié)果Tab.1 Results of extracting the top nine keywords for 15 topics

3 構(gòu)建虛擬試衣服務(wù)質(zhì)量指標(biāo)體系

通過分析市場上主流的線上虛擬試衣平臺用戶評論，挖掘了用戶在進(jìn)行線上虛擬試衣體驗(yàn)時(shí)的主題分布，如表1主題分布結(jié)果所示，可以發(fā)現(xiàn)：從提取的主題分布結(jié)果來看，15個(gè)主題之間存在共性。因此，依據(jù)虛擬試衣平臺特征屬性、服務(wù)過程屬性將主題作進(jìn)一步分類歸納：a)主題9、13中的關(guān)鍵詞，諸如“隱私”“支付”“認(rèn)證”等均與安全性、隱私性等有關(guān)的關(guān)鍵詞，故而定義為系統(tǒng)安全；b)主題10、14中的關(guān)鍵詞，諸如“清晰”“系統(tǒng)”“注冊”“兼容”等均與系統(tǒng)技術(shù)開發(fā)有關(guān)的關(guān)鍵詞，故而定義為系統(tǒng)設(shè)計(jì)；c)主題5、8中的關(guān)鍵詞，諸如“加載”“分鐘”“小時(shí)”“反應(yīng)”等多為描述系統(tǒng)反應(yīng)速度相關(guān)關(guān)鍵詞，故定義為響應(yīng)速度；d)主題11、15中的關(guān)鍵詞，諸如“風(fēng)格”“有趣”“創(chuàng)意”等均與形容虛擬試衣服務(wù)特色有關(guān)的關(guān)鍵詞，故而定義為服務(wù)品質(zhì)；e)主題2、3、7中的關(guān)鍵詞，諸如“虛擬”“自拍”“功能”“打扮”等多為描述試衣基本操作行為屬性，故而定義為試衣功能；f)主題1和4中的關(guān)鍵詞，諸如“客服”“分享”“接近”“互動(dòng)”等多為描述用戶與平臺之間交互體驗(yàn)的關(guān)鍵詞，故而定義為交互品質(zhì)；g)主題6、12中的關(guān)鍵詞，諸如“衣服”“款式”“虛擬形象”“性別”等多為組成虛擬試衣平臺主要內(nèi)容模塊的關(guān)鍵詞，故而定義為內(nèi)容信息。

通過上述主題詞歸納分析發(fā)現(xiàn)，用戶最關(guān)注服務(wù)內(nèi)容是系統(tǒng)安全、系統(tǒng)設(shè)計(jì)、響應(yīng)速度、服務(wù)品質(zhì)、試衣功能、交互品質(zhì)、內(nèi)容信息7個(gè)維度。因此在構(gòu)建虛擬試衣服務(wù)質(zhì)量評價(jià)指標(biāo)時(shí)，遵循用戶為中心原則，將提煉出的系統(tǒng)安全、系統(tǒng)設(shè)計(jì)、響應(yīng)速度、服務(wù)品質(zhì)、試衣功能、交互品質(zhì)、內(nèi)容信息7個(gè)主題作為一級指標(biāo)；對于更加細(xì)化的二級指標(biāo)內(nèi)容，依據(jù)一級指標(biāo)中的關(guān)鍵詞屬性，參考現(xiàn)有經(jīng)過前人驗(yàn)證且具備較高適用度的相關(guān)量表的服務(wù)質(zhì)量指標(biāo)作為二級指標(biāo)，保證指標(biāo)體系內(nèi)容的有效性。根據(jù)問卷調(diào)查，通過信效度檢驗(yàn)，進(jìn)一步確保了指標(biāo)體系的結(jié)構(gòu)有效性。最終構(gòu)建了包含7個(gè)一級指標(biāo)，25個(gè)二級指標(biāo)的虛擬試衣服務(wù)質(zhì)量評價(jià)指標(biāo)體系，如表2所示。

表2 服務(wù)質(zhì)量評價(jià)指標(biāo)主題關(guān)鍵詞及指標(biāo)說明Tab.2 Service quality evaluation index subject keywords and index description

4 結(jié) 論

通過爬取市場上主流的虛擬試衣平臺的用戶在線評論，借助情感傾向性分析，掌握了用戶對于線上虛擬試衣服務(wù)體驗(yàn)態(tài)度，結(jié)果顯示絕大多數(shù)用戶對虛擬試衣提供的服務(wù)持積極情感態(tài)度，少量用戶對虛擬試衣服務(wù)持消極情感態(tài)度。其次，利用語義網(wǎng)絡(luò)共現(xiàn)分析，掌握用戶對線上虛擬試衣服務(wù)的具體關(guān)注內(nèi)容。結(jié)果發(fā)現(xiàn)：用戶最為關(guān)注的是線上虛擬試衣的系統(tǒng)屬性、功能屬性，另外，用戶認(rèn)為虛擬試衣模特形象、試衣款式、系統(tǒng)軟件升級方面存在問題，亟待改進(jìn)。最后，結(jié)合LDA主題模型，獲取影響用戶體驗(yàn)認(rèn)可度、滿意度的15個(gè)主題分布，并結(jié)合現(xiàn)有服務(wù)質(zhì)量相關(guān)量表，最終構(gòu)建了以系統(tǒng)安全、系統(tǒng)設(shè)計(jì)、響應(yīng)速度、服務(wù)品質(zhì)、試衣功能、交互品質(zhì)、內(nèi)容信息為一級指標(biāo)，以平臺安全性、用戶隱私性、信息安全性、安全預(yù)防性、界面簡潔性、界面友好性、開發(fā)價(jià)值性、響應(yīng)及時(shí)性、操作靈敏性、試衣關(guān)聯(lián)度、服務(wù)主動(dòng)性、服務(wù)一體性、服務(wù)特色性、功能完整性、功能延伸性、導(dǎo)航清晰性、功能從眾性、交互友好性、交互流暢性、交互易用性、交互有效性、內(nèi)容多樣性、內(nèi)容價(jià)值性、內(nèi)容系統(tǒng)性、內(nèi)容有效性為二級指標(biāo)的服務(wù)質(zhì)量評價(jià)體系，以期增強(qiáng)消費(fèi)者線上服裝購物體驗(yàn)感。