基于BP神经网络的产品性能满意度预测分析

邵宏宇，孟 琦，赵 楠, 2，陈 辰，郭 伟



基于BP神经网络的产品性能满意度预测分析

邵宏宇1，孟 琦1，赵 楠1, 2，陈 辰1，郭 伟1

(1. 天津大学机械工程学院机构理论与装备设计教育部重点实验室，天津 300354； 2. 天津职业技术师范大学机械工程学院，天津 300222)

为了解决传统性能设计缺乏复杂场景要素、忽略用户个性化行为等问题，提出一种用户体验评论数据驱动的产品性能满意度预测分析模型．通过分析在线评论数据，获知用户使用产品后的体验满意程度，在此基础上构建由产品结构配置和实际使用工况向性能满意度映射的神经网络模型，分析使用工况作用下的性能满意度影响因素及其影响方式．首先，结合领域本体知识概念和产品使用说明书，整理影响产品性能的相关结构配置要素．之后，以用户感知产品属性后发布的在线评论为数据源，借助自然语言处理技术进行评论内容的细粒度识别，获取产品的实际使用工况，包括使用的环境条件及用户的行为习惯；利用情感分析技术对用户在线评论内容的情感正负倾向进行标定，叠加到用户主观选择的产品评分上，作为用户对该项性能的满意度评分．接着，构建由结构配置要素、使用环境条件和用户行为习惯向性能满意度评分映射的BP神经网络模型，训练后的模型具有较好的预测功能，可以给定新的配置方案，进行不同使用工况下的满意度评分预测．最后，对不同性能结构配置组合方案进行用户满意度预测，分析其中的关键因子及因子间的交互效应．以汽车产品动力性属性为例，进行模型验证，对汽车动力性指标设计和改进提供参考和帮助．

性能满意度；BP神经网络；预测模型；观点挖掘；结构配置；因子分析

先进生产工艺和信息技术的发展使得定制化和大规模两种生产方式有机融合，满足客户个性需求的同时也保证了较低的生产成本和较快的市场响应速度[1]．由此，产品市场不断丰富，加剧了市场竞争态势．性能作为保障产品竞争力的关键要素，对产品成熟度、客户满意度至关重要，因此，深入探索性能在设计过程的形成、传递以及演化等规律，研究以增强产品性能为目的的产品设计理论具有重大意义．

广义上，产品性能由产品技术性能、经济性能与社会性能组成；狭义上，产品性能指的是产品功能的度量和保障[2]．从用户认知角度理解，性能可以具体到产品使用过程中的体验感知，当各种功能实现程度较好时，用户对该项性能的体验满意度就高．其中涉及两项因素：一是产品预期实现的功能种类即性能配置，二是产品实际实现功能的水平即性能可靠度．在产品生命周期的各个环节，众多学者对产品性能的实现和保障进行了很多方面的研究．Nikolaidis等[3]指出产品设计过程中，对目标零部件进行性能特性预测的重要性，提出采用神经网络和2阶多项式响应曲面对性能进行预测；Xu等[4]提出采用多层前馈神经网络与径向基函数神经网络对发动机性能可靠性参数进行预测；Nada等[5]提出配置能力指标的概念度量制造系统配置参数与期望质量等级的映射关系，由模糊层次推力系统构建制造系统设计参数与质量等级的关联关系，根据制造系统的性能采用配置能力指标预测产品质量参数；刘振宇等[6]针对性能与特征参数存在耦合关联，提出基于多准则修正的产品性能参数关联分析与预测方法；崔文华等[7]对模块化产品族的配置性能进行预测以判断其对多样化客户需求的满足程度，通过对产品族典型产品历史数据库的挖掘，提出了基于递阶支持向量机的配置性能预测方法．

随着经济、技术的发展，产品设计已实现由“以产品为中心”向“以客户为中心”的转变．ISO 9001：2000标准明确提出了“旨在增强顾客满意”，企业都将以顾客满意度最大化为目标，从而实现企业利益最大化等[8]．范志君等[9]提出产品配置和变型设计分界点概念，基于性能满意度优化目标函数判断分界点和需变型零部件；李伟英等[10]通过多途径获取用户满意度，对手动挡车型换挡性能实现了优化．大规模定制化生产模式背景下，通过分析不同用户对于产品某项性能的满意程度，可以有针对性地对产品配置模块重新组合，以增强产品性能．

汽车之家、中关村在线等产品在线论坛目前已逐渐普及，用户开始自发地在各大论坛分享自己在产品需求、购买喜好以及使用评价等方面的信息．用户的态度与真实体验已经无需通过调查问卷或深度访谈等形式进行，借助自然语言处理技术分析用户评论内容，就可以全面、客观地了解用户对产品性能的满意程度，并对企业生产决策的改进和营销策略的制定提供参考．

在线产品需求挖掘研究可以归纳为：了解产品功能满足情况，分析用户痛点和产品缺陷，分析产品改进的方向和内容，进行竞品分析．杨德清等[11]基于在线产品社区中的用户评论，以评论内容深度和评论影响力二维指标，构建了动态用户需求Kano模型；范炜昊等[12]构建了基于网络用户评论情感计算的产品用户痛点分析模型，提出用户痛点指数计算公式，并借助手机评论进行痛点识别，验证了模型的实用性．刘丹等[13]构建了基于互联网环境下在线评论的产品缺陷识别模型框架，选择半监督分类Co-forest算法建立评论分类模型，对家电行业产品评论进行缺陷识别．张璐等[14]和Zhang等[15]分别以手机产品为例，验证了用户对产品属性评论信息和产品改进的方向与程度之间的强关联性，表明利用网络评论信息进行产品改进是可行有效的；Nikumanesh等[16]通过分析用户在使用产品/服务环节中的正负观点，借此提出模型用于提高产品质量．

当前从用户评论中进行产品知识提炼仍以大类特征为主，并未从结构配置层面形成规范．由于用户表达存在不规范、口语化的习惯且不同用户的知识水平差异较大，无法对每一位用户的产品表达进行精准识别．想要通过在线评论内容对产品性能设计形成指导，在现阶段的研究基础上，还需经由设计人员进行知识转化才能实现．本文从用户体验角度切入，探究如何改变产品结构模块的配置组合方案以提高用户对于性能的满意程度．通常，用户对产品性能的评价受产品基本结构配置和实际使用工况两方面综合影响．借助用户在产品论坛中发表的真实使用体验，获知用户评价的具体产品、使用场景、用户的行为习惯和对产品性能的满意程度，再结合领域知识、产品说明书等内容，获得影响产品性能的结构因素及其配置方式．利用以上数据，构建从结构配置和使用工况到性能满意度的神经网络映射模型，实现在给定使用工况下结构配置模块组合方案的性能满意度预测功能．再对影响产品性能的结构因素和所有水平下的配置模块重新组合进行满意度预测，分析出对提升用户满意度有效的关键因子及其影响效应，对产品的配置组合方法形成指导．研究框架如图1所示．

图1 研究框架

1 产品性能满意度预测分析模型的构建

现阶段产品性能评价的研究主要以影响因素分析为主，可细分为两类：客观评价和主观评价．客观评价通过搭建不同条件下的科学实验平台，获得相关零部件实验参数，对性能进行数据评价和分析，实验条件相对理想化，没有全面考虑实际使用工况．主观评价以传统调查问卷或访谈形式进行，消耗时间精力较多，数据不具有实时性，调查对象数量有限，且获得的结论受问题设置影响较大，准确性大打折扣．

实际上，产品性能的好坏更多是在使用过程中慢慢体现，随不同的使用工况也会有不同呈现．用户对产品性能的满意与否，一方面受产品本身的结构配置影响，另外一方面也会随着环境和习惯产生差异．由此，本文提出一种将产品结构配置和使用工况相结合的产品性能用户满意度评价方法，从产品在线评论中获取产品的使用环境和用户的行为习惯，从这两方面对使用工况形成约束，进而分析产品结构配置对性能满意度的影响作用．

1.1 评论数据的获取及预处理

根据网站反链数、活跃用户数及网站构建完备程度，选定目标产品评论数据网站来源．编写网络爬虫代码建立http链接，解析静态页面并获取页面内容，爬取产品在线论坛用户生成内容及相应产品信息．

从网页爬取到的数据噪声较多，存在冗余无价值数据，需要对其进行过滤，降低噪音数据的干扰．对数据预分析发现，需要过滤掉的数据主要包括：①内容为空的评论，用户只填写了身份信息，保留了评论条目，但没有实质评论内容，将其删除；②某用户多次重复评论，此类数据重复统计会对真实结果造成“虚高”干扰，将重复内容删去，仅保留该用户重复记录中的一条作为存档数据．

针对用户评论口语化、碎片化、非结构化的特点，采用自然语言处理技术，将评论数据转为计算机可以识别的结构化数据，主要包括复句切分、分词、去无用词和词性标注等．复句切分根据句号、感叹号、问号等断句符进行相应粒度的切分；去除介词、代词、停用词等，这些词没有实际意义，无法表示评论信息的特征；分词和词性标注采用ICTCLAS分词系统直接进行．

1.2 神经网络模型的输入

1.2.1 产品结构配置获取

用户个性化需求促使手机、汽车等消费品设计实现配置化．成熟产品的结构配置获取可先对影响产品性能的结构部件进行分类整理，再根据产品设计说明书，将各结构的设计参数摘选对应，作为神经网络映射模型的一部分输入数据．

1.2.2 产品使用工况识别

产品使用工况识别主要通过用户网络评论内容的提取、聚类获得．借助领域本体词库去除评论中和产品属性相关的词汇，对剩余词汇进行语义聚类，采用K-means聚类算法，将词语转换为词频矩阵，计算每个词语的TF-IDF权值，然后再进行聚类．通过比较不同预设类别的中心距离，取该值最小时的类别作为最终分类方法．最后使用PCA算法进行数据降维，将高维空间数据投影到低维空间上，输出图形并进行特征对应．将聚类的结果整理为产品使用工况的统一表达，作为神经网络映射模型的另一部分输入数据．

1.3 神经网络模型的输出

用户在线产品评论一般有两种形式：等级/星级评分和自主评论内容．产品性能满意度评价综合二者，一方面通过算法直接爬取每位用户对当前产品的满意度评分，另一方面借助自然语言处理技术对用户评论内容进行文本情感计算，对评分进行小幅修正．

1.3.1 用户评论文本情感倾向识别与量化

用户评论基于用户日常使用习惯而自主发表的体验感受，情感较为真实可靠．由于本文分析的内容源于用户评论，因此采用专门针对中文文本挖掘的SnowNLP类库，使用其中的情感分析(sentiment)模块来判断评论语句的情感倾向，情感分值是指该句情感指向为正的概率．Sentiment模块基于贝叶斯分类器进行训练，原算法训练数据语料库主要是购物评价，兼容性一般，需要人工构建研究相关领域的情感语料库，经专家审核合格后补充或替换通用语料库，调用sentiment.train函数训练新的情感分类器，以提升准确度．

随机抽取评论数据10%的条目作为测试语料，人工进行情感正负标定，-1表示贬义，1表示褒义．对语料库进行训练，保存训练结果．遍历每条评论进行预测，情感为正的概率大于等于0.6，判断为积极情感，标签赋为1；概率小于0.6的判断为消极情感，标签赋为-1．将预测标签和人工实际标定标签进行比较，计算情感标定的精确率、召回率和F1值等指标，判断训练好的情感分类器的准确度，目前基于在线评论文本的情感倾向性分析的准确率最高能达到90%以上．

1.3.2 产品性能满意度评分

用户对产品性能的满意度评分由选择等级分和文本修正分两部分组成．多数产品评论和论坛使用李克特量表打分法，以1～5分整数预设等级评分，分别代表非常不满意、不满意、不确定、满意和非常满意；情感分类模型判断评论语句的结果是情感指向为正的概率，将概率值按比例调整为[－1，1]之间，定义为用户对产品的满意度修正分．最终，将用户选择等级评分和满意度修正分求和，形成每位用户的满意度综合评分，作为神经网络的输出项．

(1)

1.4 基于神经网络的性能满意度预测模型构建

BP神经网络是由Rumelhart等[17]提出的一种有监督的、按误差逆传播算法训练的多层前馈网络，具有高度非线性映射能力和较好的容错能力，适用于多结构特征参数、影响因素复杂、存在非线性关系等研究场景．因此，本文选用BP神经网络建立产品性能影响参数和用户满意度评价间的映射关系模型．

神经网络通常由输入层、隐含层和输出层组成．输入层需要以数字形式表示，为减小由输入量纲不统一造成的模型训练误差，对所有输入变量采用one-hot形式编码，便于模型有效处理离散数据，且较大程度上扩充了特征维度．隐含层数量不固定，依实际情况选取，当模型具有较好的函数逼近功能时，为简化结构、提升计算效率，取隐含层数较少的设计模型．隐含层神经元数量的经验公式为

(2)

1.5 基于预测仿真的性能满意度分析

在较好的预测模型基础上，可实现所有影响因素的全因子组合满意度预测，以预测评分作为试验响应，分析影响产品性能满意度的关键因子．根据用户实际情况，归纳典型使用工况，分析产品结构配置的关键因子及其交互效应，对产品性能的增强设计有一定的参考价值．

2 汽车动力性性能满意度预测实例

2.1 神经网络模型的数据准备

2.1.1 汽车评论数据获取及预处理

汽车之家(https：//www.autohome.com.cn/)是全球访问量最大的汽车网站，致力于通过产品服务、数据技术、生态规则和资源为用户和客户赋能．其中，口碑频道供认证车主发帖评车，可对汽车的空间、动力、操控、油耗等方面进行自主打分和评价．目前，该频道已有2000多款热门车型，口碑数据超73×104条，数据量较为丰富，且板块相对固定，结构化程度较好．本文选取该频道(7～25)×1045座SUV车型为研究对象，获得176款车型193311条用户评论数据，主要包括用户ID/用户名、车型数据、评论内容、满意度评分等．对数据进行清洗降噪、长句切分、分词等文本预处理操作，每位用户获得唯一的存储条目.

2.1.2 BP模型的输入/输出数据准备

常见的用于试验测量中评价汽车动力性的指标分别是最高车速、加速时间和最大爬坡度[19]．对上述三者有直接影响关系的产品结构为发动机和变速箱．通过查阅《汽车设计手册》、《汽车总体设计》、《汽车设计基础》等标准和手册，考虑到实际车辆结构配置和各要素间的相互影响作用，将汽车动力性能的结构要素分为4类，分别为发动机排量、进气方式、驱动数量、变速箱类型．由于不同车型之间各要素存在显著差异，购车价格也是较为关键的约束因素，故而将价格也纳入产品结构要素当中．通过对车型数据的爬取，可以直接获得待研究车型各项详细结构配置参数．通过对用户动力性评价内容文本聚类，获得影响车辆动力性能的3项使用环境条件和2项用户行车习惯．表1所示为神经网络的输入．

动力性性能的满意度评分由用户在评论时选择的情感星级和评论文本情感修正分加和所得．用户评论时预先选择的情感星级统计如表2所示，由于选择车型配置时根据实际需求进行匹配，对车辆动力性的实际效果满意度得分普遍偏高，差异性极小，4分和5分两项之和占比超过90%，满意度结果存在较大的不平衡性．对于分类预测模型，训练样本数目差别较大会直接影响训练的效果，不利于构建良好的学习模型，因此可结合评论内容的情感分析对不均衡类别进行缩放处理．

构建汽车领域情感词语料库采用SnowNLP-sentiment模块训练情感分类器，经测试精确率为0.906、召回率为0.910、F1值为0.908，效果相对较好，可用于汽车评论情感预测分析．调用情感计算模型，判断整条评论情感指向为正的概率，概率值范围是[0，1]之间的小数，将其按式(3)延拓至[－1，1]区间，得到满意度修正分

表1 动力性性能影响因素

Tab.1 Factors affecting the product performance

表2 各级评分频次占比

Tab.2 Scoring frequency at different levels

(3)

2.2 性能影响因素和满意度评价映射模型的构建

不同代系车型的动力性结构要素很少改变，因此样本集包括176款车型926种各异结构要素组合．将训练样本集和测试样本集按照9∶1比例设置，共获得833个训练样本和93个测试样本．采用TensorFlow神经网络框架实现算法，利用训练样本集中的数据进行模型训练，将训练好的模型应用于测试样本集，映射各项性能影响参数和用户满意度评价间的关系，具体步骤如下．

表3 修正后各级评分频次占比

Tab.3 Scoring frequency at different levels after adjusting

(1) 构建神经网络模型．汽车动力性影响因素和用户满意度评分的神经网络映射预测模型如图2所示，模型中输入层分别为5项产品结构配置、3项使用环境和2项用户习惯因素，经one-hot形式编码后神经元数量为44；输出层为用户对该项性能的满意度评价得分，神经元数量为10；经过模型训练试验，确定隐含层神经元数量为15．

图2 性能满意度神经网络预测模型

(2) 训练神经网络模型．读取训练样本集中的性能影响参数one-hot编码作为神经网络模型的输入，用户满意度综合评分类别one-hot编码作为神经网络模型的输出，调整各项参数训练模型，经多次尝试，最终模型的参数设置如表4所示．

2.3 神经网络测试与结果分析

保存训练好的神经网络，再次读取测试样本集中的性能影响参数one-hot编码，通过前馈计算得到用户满意度评分预测值．图3中蓝色条线表示测试集中各分值的真实情况，红色条线表示模型预测结果，若两类一致，表示模型泛化能力极好．采用本文构建的性能影响因素模型，综合产品结构配置和使用工况条件，满意度评分修正后，经训练，对汽车动力性10类分值预测结果准确性可稳定于0.93．预测结果与实际结果较为相符，表明此模型实际训练效果较好，可对汽车动力性数据集进行性能满意度预测．

表4 神经网络预测模型训练参数

Tab.4 Training parameters of the neural network pre-diction model

图3 神经网络训练结果(测试集：10类)

综合比较多种方法，表明对汽车动力性用户满意度评分进行预测，BP神经网络建模效果优于回归模型，分类效果优于模拟效果．利用神经网络模型构建由产品性能影响因素到用户满意度评分等级的映射模型，经训练获得了较高的预测准确率，表明此种方案可行，模型具有较好的泛化能力．

图4 测试集动力性满意度预测结果对比

3 典型工况下的产品结构配置优化分析

产品性能增强设计主要指以产品设计早期的设计过程为脉络，提取和识别产品期望性能，通过对产品单元适应性规划求解，得到行为性能均衡的单元方案，通过预测技术对设计方案的关键性能参数进行评估，实现以性能为目标的设计演化，从而增强产品的性能[20]．基于神经网络的预测功能，将性能结构影响因素分类，对所有因素、所有水平组合全部实施预测，按照相应满意度输出对方案进行评估和筛选，以获得典型使用工况下的产品配置优化组合方案．在此基础上深入挖掘产品结构要素中的关键因子，从而对产品的配置组合和参数优化形成参考．

3.1 结构配置组合方案试验设计

表1产品结构要素共5项，每项依实际情况取不同水平，方案如下：①排量取8水平，分别为1.2、1.3、1.4、1.5、1.6、1.8、2.0和2.5L；②进气方式取2水平，分别为涡轮增压和自然吸气；③驱动数量取2水平，分别为两驱和四驱；④变速箱类型取5水平，分别为MT、AT、CVT、DCT和AMT；⑤价格取10水平，分别为7、9、11、13、15、17、19、21、23和25万元．对各项因子及水平进行全因子试验设计，使用Minitab软件进行全实施方案设计，共生成1600条试验方案．根据当前车型统计结果及运动型实用汽车设计知识，价格和排量、排量和进气方式有相互影响作用，需要将试验方案中不合理方案剔除，原则如下：①价格高于20万元的车型排量大于2.0L；②价格低于15万元的车型排量小于等于2.0L；③排量大于等于2.0L进气方式为自然吸气；④排量小于等于1.4L进气方式为涡轮增压；⑤排量大于等于2.5L驱动数量均为四驱；⑥排量小于等于1.3L驱动数量均为两驱．经剔除，结构配置方案剩余310条．

3.2 典型工况试验方案满意度评估优化

基于Apriori算法，对用户评论内容进行关联规则挖掘，在预设最小支持度0.2和最小置信度0.5下获得对应的强关联规则，如表5所示，如置信度第1行表示用户对城市道路进行描述后，62.7%的可能性会对起步性能进行表达．

表5 汽车使用工况关联规则

Tab.5 Association rules of driving scenes

结合用户日常行车习惯，构建产品使用典型场景．城市路况下主要以日常通勤为主，约1～2人乘坐，夏季需要空调设备，对交通灯响应较为关注，起步阶段需要敏捷迅速；高速路况多用于全家探亲、自驾游，小长假期间居多，在匀速阶段行驶较多；乡村路况多用于短途出行，山路坑洼较多时需要配合较重的油门加速使用．基于上述用户用车习惯描述，构建了5种汽车使用典型场景，借助BP神经网络分别进行5次310种组合方案的性能满意度预测，取预测分值最高的结构配置方案作为设计参考，如表6所示．

3.3 产品结构配置方案因子分析

经由神经网络进行性能满意度预测，提取相应较优方案，但是方案间的内在联系仍然不太明晰．借助因子分析方法，识别关键因子及其相互作用效应．将神经网络预测结果作为响应，绘制单项因子主效应图，以第1种使用场景下以排量和驱动数量为例，如图5所示．排量在1.5L时预测性能满意度最高，1.2L、2.0L和2.5L时满意度相对较低；驱动数量为四驱的满意度略高于两驱，二者有轻微差异．斜率表示该项因素的变动对满意度影响效应的大小，斜率越大，影响作用越强．由此得出，排量的改变对满意度影响作用较大，而驱动数量的选择对满意度影响较小，实际设计可以不作为重要因素进行考量．

表6 高满意度结构配置方案

Tab.6 Structural parameter allocation with high satisfaction

注：表中“无”表示此类无明显偏好特征.

对关键因子进行两两交互分析，作交互作用图，如图6所示，若图线交叉角度越大，表示二者交互作用明显，若平行则表示没有交互作用．1.2L和1.3L排量驱动数量均为两驱，2.5L排量驱动数量只有四驱，因此没有连接线，只是孤立的点值．当排量取1.8L时，与其他图线有着明显的交互作用，意味着此种环境和工况下，增加驱动数量反而不利于提升用户对车辆动力性的满意度，此时就不能直接按照主效应图进行配置选择，需要以交互作用图进行参考．

在不同的使用工况下，借助结构全因子组合对产品性能的满意度进行预估，获得各项因子对性能满意度的影响方式和因子间相互作用效应，对产品性能增强设计具有一定的补充和辅助参考价值．

图5 满意度评分主效应图

图6 满意度评分交互作用图

4 结 语

随着移动互联网的快速发展，用户可以随时随地通过产品在线论坛分享自己对产品的使用体验和情感倾向．通过对用户体验数据的深入挖掘，可以为产品性能设计和改进提供新的思路．本文以性能满意度为输出目标，逆向回溯影响产品性能的重要因素，将产品结构配置和使用工况设为输入，借助BP神经网络，构造了性能影响因素和满意度评价间的映射模型，实现了产品配置方案的用户满意度预测，并以汽车动力性能进行了实例验证．进而结合神经网络预测模型，对影响产品性能的因素进行合理的配置方案组合满意度预测，分析各项因子的影响效应，挖掘影响用户满意度的关键结构因子．

本文用户数据来源于汽车之家口碑板块，网站设置用户单项性能评分取1～5的整数得分，满意度得分普遍偏高，差异性较小．经文本情感修正后，分数区间扩大，各级均衡性有所提升．

［1］ Berman B. Should your firm adopt a mass customization strategy?[J]. Business Horizons，2002，45(4)：51-56.

［2］ 邢德强. 复杂机械产品性能驱动设计方法及其典型应用研究[D]. 天津：天津大学机械工程学院，2010.

Xing Deqiang. Study on Method of Performance Driving Design for Complex Mechanical Product and Typical Application[D]. Tianjin：School of Mechanical Engineering，Tianjin University，2010(in Chinese).

［3］ Nikolaidis E，Long L，Qi L. Neural networks and response surface polynomials for design of vehicle joints[J]. Computers & Structures，2000，75(6)：593-607.

［4］ Xu K，Xie M，Tang L C，et al. Application of neural networks in forecasting engine systems reliability[J]. Applied Soft Computing Journal，2003，2(4)：255-268.

［5］ Nada O A，Elmaraghy H A，Elmaraghy W H. Quality prediction in manufacturing system design[J]. Journal of Manufacturing Systems，2006，25(3)：153-171.

［6］ 刘振宇，周思杭，谭建荣，等. 基于多准则修正的产品性能多参数关联分析与预测方法[J]. 机械工程学报，2013，49(15)：105-114.

Liu Zhenyu，Zhou Sihang，Tan Jianrong，et al. Multiple parameters correlation analysis and prediction method of product performance based on multi-criteria modification[J]Journal of Mechanical Engineering，2013，49(15)：105-114(in Chinese).

［7］ 崔文华，刘晓冰，王 伟，等. 基于递阶支持向量机的产品族配置性能预测[J]. 计算机集成制造系统，2013，19(8)：2000-2006.

Cui Wenhua，Liu Xiaobing，Wang Wei，et al. Configuration performance predication method of product family based on hierarchical support vector machine[J]. Computer Integrated Manufacturing Systems，2013，19(8)：2000-2006(in Chinese).

［8］ Williams P，Naumann E. Customer satisfaction and business performance：A firm‐level analysis[J]. Journal of Services Marketing，2011，25(1)：20-32.

［9］ 范志君，姜兆亮，李 智. 基于性能满意度的产品配置与变型设计范围界定算法[J]. 农业机械学报，2012，43(8)：198-204.

Fan Zhijun，Jiang Zhaoliang，Li Zhi. Product configuration and variant design’s scope definition algorithm based on customers’ performance satisfaction[J]. Transactions of the Chinese Society for Agricultural Machinery，2012，43(8)：198-204(in Chinese).

［10］ 李伟英，韦元升. 基于用户满意度的某手动档车型换档性能优化[J]. 时代汽车，2017(12)：71-73.

Li Weiying，Wei Yuansheng. Shift performance optimization of a manual gear vehicle based on user satisfaction[J]. Auto Time，2017(12)：71-73(in Chinese).

［11］ 杨德清，张 静，郭 伟，等. 基于在线产品社区的动态用户需求Kano模型构建研究[J]. 机械设计，2018，35(3)：12-19.

Yang Deqing，Zhang Jing，Guo Wei，et al. Research on dynamic Kano model construction of customer requirements based on online product community[J]. Journal of Machine Design，2018，35(3)：12-19(in Chinese).

［12］ 范炜昊，徐 健. 基于网络用户评论情感计算的用户痛点分析——以手机评论为例[J]. 情报理论与实践，2018(1)：94-99.

Fan Weihao，Xu Jian. Users' pain-point analysis based on the sentiment calculation of web users' comments：Taking cell phone comments as examples[J]. Information Studies：Theory & Application，2018(1)：94-99(in Chinese).

［13］ 刘 丹，张玉红，闫相斌. 在线评论的产品缺陷识别方法[J]. 黑龙江科技大学学报，2017，27(6)：698-704.

Liu Dan，Zhang Yuhong，Yan Xiangbin. Product defect recognition method for online reviews[J]. Journal of Heilongjiang University of Science and Technology，2017，27(6)：698-704(in Chinese).

［14］ 张 璐，吴菲菲，黄鲁成. 基于用户网络评论信息的产品创新研究[J]. 软科学，2015，29(5)：12-16.

Zhang Lu，Wu Feifei，Huang Lucheng. Research on product innovation based on online user reviews[J]. Soft Science，2015，29(5)：12-16(in Chinese).

［15］ Zhang Hui，Rao Huguang，Feng Junzheng. Product innovation based on online review data mining：A case study of Huawei phones[J]. Electronic Commerce Research，2018(3)：3-22.

［16］ Nikumanesh E，Bohlouli M，Fathi M. Knowledge discovery from online customer reviews towards product improvement[C]//13th International Conference Applied Computing 2016 Proceedings. Germany，2016：211-214.

［17］ Rumelhart D E，Hinton G E，Williams R J. Learning representations by back-propagating errors[J]. Nature，1986，323(6088)：399-421.

［18］ 李少波，全华凤，胡建军，等. 基于在线评论数据驱动的产品感性评价方法[J]. 计算机集成制造系统，2018，24(3)：752-762.

Li Shaobo，Quan Huafeng，Hu Jianjun，et al. Perceptual evaluation method of products based on online reviews data driven[J]. Computer Integrated Manufacturing Systems，2018，24(3)：752-762(in Chinese).

［19］ 何 勇，张学利. 汽车动力性现状分析[J]. 公路交通科技，2001，4(2)：74-77

He Yong，Zhang Xueli. Current status analysis of dynamic performance of motor vehicle[J]. Journal of Highway and Transportation Research and Develop-ment，2001，4(2)：74-77(in Chinese).

［20］ 郑 浩. 不确定条件下复杂产品性能增强设计理论、方法及其应用研究[D]. 杭州：浙江大学机械工程学院，2017.

Zheng Hao. Research on the Theory，Method and Application of Performance Enhancement Design for Complex Product Under Uncertain Conditions[D]. Hangzhou：School of Mechanical Engineering，Zhejiang University，2017(in Chinese).

Prediction and Analysis of Product Performance Satisfaction Based on Backpropagation Neural Network

Shao Hongyu1，Meng Qi1，Zhao Nan1, 2，Chen Chen1，Guo Wei1

(1. Key Laboratory of Mechanism Theory and Equipment Design of Ministry of Education，School of Mechanical Engineering，Tianjin University，Tianjin 300354，China； 2. School of Mechanical Engineering，Tianjin University of Technology and Education，Tianjin 300222，China)

This study proposes a predictive analytical model of product performance satisfaction degree driven by user experience feedback data to solve problems such as the lack of complex environmental elements and overlooking of users’ individual behavior in conventional product performance designs. Online feedback data were analyzed to obtain the user satisfaction degree after using a product. Based on the user satisfaction index，a neural network model was developed by mapping the product structural configurations and actual operating conditions to performance satisfaction degree for analyzing the factors and modes that influence the performance. First，structural configuration elements relevant to product performance were gathered from the concepts of domain ontology and product user manuals. Second，actual use conditions，including practical environmental conditions and individual behaviors，were collected by identifying the fine grit of feedback content using natural language processing with users’ online feedback after perceiving the product properties as the data resource. The satisfaction rating for a specific performance was determined by adding marks of positive or negative emotional inclination on users’ online feedback content using emotion analysis technique for rating products that users have independently selected. Third，a backpropagation (BP)neural network model was built by mapping structural configuration elements，practical environmental conditions，and individual behaviors to performance satisfaction degree. After training，the model depicted good predictive function to provide new configurations and predict satisfaction rating under various use conditions. User satisfaction degree was predicted for various structural configurations to analyze the key influence factors and the effect of the interaction of these factors. The vehicle dynamic quality was considered as the example to test the model，to provide reference and help for the design and improvement of automobile dynamic performance index.

performance satisfaction；BP neural network；prediction model；opinion mining；structure configuration；factor analysis

National Key Research and Development Projects(No.2017YFB1104202)，the Major Program of China Social Science Foundation (No.16AZD004)，the Tianjin Binhai Industrial Cloud Public Service Platform and Application Promotion Project.

TP391.1；TH122；TH166；U471.22

A

0493-2137(2019)09-0932-09

2018-09-17；

2018-12-03.

邵宏宇（1971—），男，博士，副教授，shaohongyu@tju.edu.cn.

郭 伟，wguo@tju.edu.cn.

国家重点研发计划资助项目(2017YFB1104202)；中国社会科学基金重点项目(16AZD004)；工信部天津滨海工业云公共服务平台及应用推广项目．

10.11784/tdxbz201809052

(责任编辑：金顺爱)