基于语义量化匹配的汽车外观显著性意象挖掘

刘保旗，林丽，郭主恩

基于语义量化匹配的汽车外观显著性意象挖掘

刘保旗，林丽*，郭主恩

（贵州大学 机械工程学院，贵阳 550025）

为解决传统感性设计研究中意象实验耗时大以及小样本偶然性等问题，依托现有网络评价文本信息提取了用户意象认知。首先，爬取大规模汽车外观评论文本，构建语义分析词汇库，构建word2vec词向量模型；然后，基于模型获取词库内部的语义联系，计算高频关键形容词之间的语义离散性，以构建代表性意象词空间；最后，通过语义量化匹配将评论映射到意象词空间，得到大规模用户对各车型的显著性意象表征，明确了指定意象词汇下的汽车外观匹配结果。运用该方法挖掘汽车外观显著性意象与基于人工评价的实验结果无显著性差异且具有高度相关性，证明了该方法的有效性。以该方法挖掘用户意象认知，运用了现有的大批量用户反馈知识，提高了意象分析效率，有助于决策者快速理解消费者对汽车外观的感性知识，在设计迭代中可使产品更符合市场期望；对比相关研究，基于语义量化匹配的方式无需对超高维向量进行降维和聚类，避免了以往研究因特征降维而可能导致的词向量语义联系的损失，以得到更为准确的意象挖掘结果。

语义量化匹配；汽车外观；感性意象；网络评论；文本挖掘

近年来，随着汽车工业的快速发展和消费者对汽车外观设计的不断关注，对汽车外观感性意象评价的研究已成为汽车设计和制造领域的热门研究方向。对于汽车外观设计，消费者的情感反应是非常重要的，而消费者的情感反应主要是通过感性意象来表达的[1]。因此，如何准确地获取消费者的感性意象评价，进一步优化汽车设计和制造，已成为汽车制造商和研究人员面临的重要问题[2]。

传统感性意象认知研究主要通过问卷调查、访谈等手段，从被试者的主观反应中提取有关产品感性属性的信息，以帮助设计师理解用户的感性需求和期望。例如，Hassenzahl等[3]采用心理学实验法探究了汽车外观的感性评价。随着研究的不断深入，获取用户感性认知的方法层出不穷，主要有心理测量法[4-7]、生理测量法[8-11]、文本挖掘法[12-16]、深度学习法[17-20]等。然而，传统感性工学认知研究方法具有一定的局限性，例如，传统方法实验过程烦琐，需要高成本的时间和资金；一般采用小样本，结果偶然性较大，不一定具有普适性，且一般需要设计师和专业人员进行实验，其认知和理解能力可能受个人经验、教育背景等的影响，限制了研究的普适性和可靠性。因此，充分运用大规模评论文本信息展开产品感性意象研究将是未来的重要趋势[21]。

目前，越来越多的研究者开始采用自然语言处理技术和机器学习技术来研究消费者的感性意象评价。使用自然语言处理技术进行大规模数据感性意象认知研究，能够有效克服传统方法的局限性，实现对消费者感性需求的全面分析。基于大规模评论文本的产品感性研究中，林丽等[14]通过提取用户评论中的TextRank关键词并构建word2vec词向量模型，对意象词向量进行共同降维，得到了与感性意象空间关系较强的词汇映射关系；李少波等[16]基于在线评论数据对词向量进行聚类，并通过程度副词计算情感强度从而实现感性评价获取；汪天雄[22]通过TF-IDF方法提取在线评论的感性意象关键词，经分析后形成语意网络，以筛选出感性意象需求。以上研究均基于词向量降维、聚类得以实现文本中核心意象的挖掘，降维的本质在于将高维数据转到低维空间中以寻求数据紧凑表示[23]，从而消除数据中的无关信息和冗余信息[24]，但词向量一般具有维度较高的特点，文献[25]指出，目前降维方法对于普通高维数据（5<维度<50）已经非常有效，但在超高维数据（维度>50）的情况下，降维效果还有待进一步提高，即超高维词向量经过特征降维往往会折损原有词向量间的语义联系，并且不能得到最佳的聚类效果。

基于语义量化匹配的方式进行用户显著性意象认知挖掘，可在语义层面和统计层面挖掘用户对汽车外观评价的感性意象认知，在无须特征降维和聚类的情况下，更大限度地保留词向量模型内部的语义关联，以语义匹配的方式实现显著性意象认知的词汇表征，以此建立以大规模网络评论为基点的显著性意象挖掘模型，从而为感性优化设计提供显著性用户知识参考，为感性意象的大规模评论文本挖掘提供新思路，为智能化感性优化设计奠定前期基础。

1 研究方法

首先，词库与词向量模型构建，获取汽车外观大规模评论数据构建语义分析词汇库，通过构建词向量模型将评论文本转化为计算机可识别语义的分布式词向量；其次，建立代表性意象词空间，构建语料关键形容词库并计算其语义离散度，具备语义代表性的高频关键形容词用于构建意象词空间；再次，语义量化匹配的显著性意象表征，基于关键形容词与词空间的语义相似度确定评论语料的代表性意象表征词汇，明确各车型的显著性意象以及各车型对词空间指定意象的表征程度；最后，进行验证实验，通过人工评价进行感性意象认知实验，分析语义量化匹配结果的相关性，以验证方法的可行性。具体的研究流程如图1。

图1 研究流程

2 词库及词向量模型构建

2.1 数据获取与语义分析词库构建

首先，基于requests库编写爬虫脚本，获取“懂车帝”“太平洋汽车”等汽车资讯平台所有车型在“外观”下的用户评论，经过去重得到248 963条评论。

然后，对大规模评论文本进行文本预处理。添加清华大学开放中文词库的汽车专业词汇词典并手动补充高频词汇，使评论中的某些汽车专业词汇及汽车品牌词汇有效切分出来，采用全模式分词以避免由于精确分词模式可能导致的词语遗漏问题，以增加分词的准确性；再运用哈工大停用词表对分词结果去停用词处理、筛选掉词汇长度为1的单字，得到分词语料，以构建语义分析词汇库。

2.2 构建词向量模型

词向量分为独热表示（one-hot representation）和分布式表示（distribution representation）两种方式，独热表示割裂了词与词之间的联系，并且易出现维度灾难等问题[26]，分布式表示期望将语义信息融入向量编码，2013年谷歌提出基于上下文的word2vec分布式表示方法[27]，word2vec是一种流行的将词汇表示成定长连续的稠密向量的无监督训练方法，该过程通过构建神经网络模型，将网络参数作为词汇的向量表示。

词向量训练采用gensim工具包的word2vec模块，经过多次超参数调整的模型训练对比，最终word2vec词嵌入训练模型采用CBOW网络结构，词向量维度设置为100维，滑动窗口设置为5，忽略总频率小于3的词汇，得到word2vec模型。由于该模型属无监督训练，为验证模型训练效果，随机选取了6个形容词汇，输入到模型中，根据式（1）计算模型中与该6个词向量余弦相似度较大的词汇，如表1所示。

表1 word2vec词向量模型训练效果

Tab.1 word2vec word vector model training effect

3 建立代表性意象词空间

在建立意象词空间的过程中，将词性标注和无监督关键词提取技术相结合，将评论文本中的关键形容词提取出来，构建关键形容词库，选取词库中频率较高的关键形容词，并运用上文所构建的词向量模型进行语义离散性的计算，具备语义代表性的词汇将作为代表性意象词空间。

TF-IDF是典型的无监督关键词提取方法，其作用是衡量一个词对该文本的重要程度。其中，词频（Term Frequency，TF）是某一词语在该文档中出现的频率，逆向文档频率（Inverse Document Frequency，IDF）是一个词语普遍重要性的度量，TF-IDF则是将TF和IDF相乘得到的[30]。TF-IDF公式如下，其中，W,y表示词语在文档中的TF-IDF权重值，tf表示词语在文档中的频率，df表示包含词语的总文档数目，表示总文档数目。

为保证构建感性意象词空间的词汇具有语义离散性，即各自具备一定的代表性，基于语义层面对高频关键形容词进行筛选，计算上述9个高频词汇之间的语义关联。运用2.2节训练好的word2vec模型进行词汇间余弦相似度的计算，不同词汇间余弦相似度的范围在–0.113 9～0.450 702，如图3所示，说明该9个词汇各自具备一定的代表性，可将其作为代表性意象词空间。

图2 关键形容词库高频词

图3 代表性词汇间的余弦相似度

4 基于量化匹配的显著性意象表征

语义量化匹配是基于语义层面的关联性从非结构性评论文本到代表性词汇的映射过程，将匹配的代表性词汇作为大规模用户对各车型的显著性感性意象，从而将多样化的用户意象表达收敛到意象词空间内，使样本意象表征更加清晰，以指导感性意象设计决策。此外，基于语义相似度的量化匹配还可得到指定意象词汇对各车型的表征程度，为研究指定意象优化设计提供有力参考。

4.1 数据筛选

由于各车型具有关注度的差异，部分车型评论较少。据统计，各车型的评论数量分布在1～6 417条范围内不等。为使意象挖掘具有一定的统计意义，删除评论数量小于1 000条的车型，最终得到74个车型和149 434条评论，筛选后的评论数量分布如图4所示。

4.2 单评论与词空间的语义计算

首先，基于构建好的word2vec词向量模型确定单评论对意象词空间各词汇的情感倾向及量化匹配值，形成单评论语料对代表性词汇的量化映射关系。

以“奥迪A4L”车型为例，选取其中两条真实评论“外观当然是最漂亮，尤其从正面看！”“线条独特，整台车贯穿着优美感觉。”进行关键形容词的获取，基于式（2）和词性标注技术分别得到“漂亮”“优美”的关键形容词，再利用word2vec基于式（1）计算该词汇与意象词空间各词汇的余弦相似度，得到单评论对意象词空间的情感倾向及量化参数，如图5所示。

图4 样本评论数量分布

图5 单评论与意象词空间的余弦相似度

4.3 多评论与词空间的语义计算

利用word2vec词向量模型基于大规模评论文本对词空间各词汇的情感倾向及量化参数进行归纳，以获取各车型的代表性意象词汇表征及量化匹配值。利用word2vec模型基于式（1）将同车型各条评论的关键形容词分别与代表性意象词空间进行余弦相似度计算，得到余弦相似度矩阵，再对每个代表性意象词汇下的余弦相似度进行累加和平均等操作，其结果作为该车型所有评论对9个代表性词汇各自的量化匹配值，匹配度最高的作为该车型在意象词空间中的最大量化表征，从而实现大规模非结构化评论文本信息到意象词空间的量化匹配映射。

同样，以“奥迪A4L”车型为例，对该车型3 563条评论的关键形容词与意象词空间基于式（1）进行余弦相似度计算并汇总，得到余弦相似度矩阵如表2所示，由表2可知，“奥迪A4L”的语义量化最大匹配意象词为“漂亮的”，其次为“紧凑的”，最小匹配意象词为“硬朗的”。

表2 “奥迪A4L”大规模关键形容词与意象词空间余弦相似度矩阵

Tab.2 Cosine similarity matrix of "Audi A4L" large-scale key adjectives and image word space

4.4 车型库代表性意象挖掘结果

以车型库任意四款车型为例，意象量化匹配最大最小值结果示例如表3所示，对应车型样本如图6所示。

表3 意象匹配最大最小值结果示例

Tab.3 Example of max-min image matching results

图6 车型样本示例

同理，样本库74个车型的意象量化匹配结果分布如图7所示，最大匹配意象多聚集在“漂亮的”，最小匹配意象多聚集在“紧凑的”，该结果与意象词空间的词频分布相一致，同时也表明了“紧凑的”不是用户期待的汽车外观感性意象。

图7 意象量化匹配结果分布

4.5 获取指定意象的最大相似匹配示例

此外，在代表性意象量化匹配过程中，意象词空间各词汇与每个车型均具有一定的匹配关系，可获取词空间中各代表性意象词汇表征程度的最大最小值车型，以便于后续为指定意象目标的优化设计提供分析参考。以“紧凑”“硬朗”“流畅”三个代表性词汇为例，在74个车型中的意象量化程度分布示例如图8所示。

其中，“紧凑”程度最高和最低的车型分别为15号样本“奥迪A4L”和69号样本“雷凌”，“硬朗”程度最高和最低的车型分别为65号样本“长安CS75”和35号样本“本田CR-V”，“流畅”程度最高和最低的车型分别为12号样本“天籁”和30号样本“明锐”。

图8 意象程度的分布示例

词空间各个代表性词汇的最高和最低匹配程度的车型如表4所示。

表4 词空间的最大最小值车型

Tab.4 Automobile models of max-min word space

5 验证实验

为验证方法的有效性，对语义量化匹配的意象结果进行实验验证。上文获取到74个车型的显著性意象，从中随机抽取12个样本进行基于人工评价的感性意象实验，被试者通过观察样本图片对意象词空间的9个代表性词汇分别按照五点Likert量表进行程度评价，共108道题。该实验通过在线网络问卷形式进行调研，被试者的招募面向普通消费者，不区分与设计相关的专业与非专业人士，共回收有效问卷103份问卷，克隆巴赫信度系数为0.992，表示该实验的信度非常好。意象量化匹配与感性意象实验结果拟合对比如图9所示。

图9 结果拟合对比

为验证感性意象实验和量化匹配意象挖掘结果的一致性，采用配对样本检验的方式验证两组数据的相关性和差异性。首先，对两组数据进行归一化处理，统一将其映射到[0,1]区间内，共108个意象词的评分对比结果如图7所示；其次，将数据导入SPSS进行配对样本检验，结果显示，从配对样本相关性来看，二者的皮尔逊相关系数是0.725，显著性= 0.000<0.05，说明两组数据变化情况一致，其相关性有统计学意义，证明两者数据具有高度相关性；从配对样本检验表来看，两者显著性=0.150>0.05，证明二者无显著性差异。综上表明该方法是可行的。

6 结语

本文以汽车外观作为研究载体，以网络评论作为感性意象文本挖掘素材来源，运用语义量化匹配方法将产品显著性意象认知表征出来，利用现有信息实现了用户对汽车外观感性意象内隐知识的快速获取，为研究意象激发特征以及感性设计决策提供了有力参考；明确了产品对指定意象词汇的表征程度，得到了指定意象词最显著的车型，以此为指定意象的感性设计提供优化参考，从而指导汽车外观感性设计，为其智能化感性设计研究奠定了前期基础。

对比现有传统及文本挖掘方法的感性意象认知研究，该方法具备以下优势：首先，充分利用了大规模网络评价数据，无需进行基于人工的感性意象实验，消除了因小批次被试者认知差异而可能导致的意象提取误差问题；其次，利用现有网络评价数据可节省大量人力和时间成本，并且该方法具有自动化的特点，从而为感性意象设计的智能化设计奠定前期基础。最后，基于语义量化匹配的方法无需对超高维向量进行降维和聚类，避免了因特征降维而可能导致的词向量语义联系的损失。

本研究仍存在下列不足之处。首先，由于大多数汽车网站平台的评论限制，用户对某一车型的评价是基于用户已经购买该汽车的前提下所表达的，与传统感性意象实验的问卷调查或深度访谈相比，用户不便做出不同车型间的感性意象横向对比，使研究消费者对汽车外观意象认知的精确度受限；其次，基于大数据的感性意象认知挖掘需要较多的用户参与评论，对于一些相对冷门的车型用户评论较少，不具备足够的统计意义，从而其显著性意象挖掘结果往往具有较大的不确定性。

[1] MUGGE R, SCHOORMANS J P L, SCHIFFERSTEIN H N J. Product Attachment: Design Strategies to Stimu­late the Emotional Bonding to Products[M]// Elsevier, 2008: 425-440.

[2] BOUDET H, CLARKE C, BUGDEN D, et al. "Fracking" Controversy and Communication: Using National Survey Data to Understand Public Perceptions of Hy­draulic Fracturing[J]. Energy Policy, 2014, 65: 57-67.

[3] HASSENZAHL M, PLATZ A, BURMESTER M, et al. Hedonic and Ergonomic Quality Aspects Determine a Software's Appeal[J]. Conference on Human Factors in Computing Systems - Proceedings, 2000: 201-208.

[4] KWONG C K, JIANG H M, LUO X G. AI-Based Methodology of Integrating Affective Design, Engi­neering, and Marketing for Defining Design Specifica­tions of New Products[J]. Engineering Applications of Artificial Intelligence, 2016, 47: 49-60.

[5] GUO F, LIU W L, CAO Y Q, et al. Optimization Design of a Webpage Based on Kansei Engineering[J]. Human Factors in Ergonomics & Manufacturing, 2016, 26(1): 110-126.

[6] 苏建宁, 张秦玮, 吴江华, 等. 产品多意象造型进化设计[J]. 计算机集成制造系统, 2014, 20(11): 2675- 2682. SU J N, ZHANG Q W, WU J H, et al. Evolutionary De­sign of Product Multi-Image Styling[J]. Computer Inte­grated Manufacturing Systems, 2014, 20(11): 2675-2682.

[7] 傅业焘, 罗仕鉴. 面向风格意象的产品族外形基因设计[J]. 计算机集成制造系统, 2012, 18(3): 449-457. FU Y T, LUO S J. Style Perception-Oriented Product Family Shape Gene Design[J]. Computer Integrated Manufacturing Systems, 2012, 18(3): 449-457.

[8] GUO F, WANG X S, LIU W L, et al. Affective Preference Measurement of Product Appearance Based on Event-Related Potentials[J]. Cognition, Technology & Work, 2018, 20(2): 299-308.

[9] SHI F Q, DEY N, ASHOUR A S, et al. Meta-KANSEI Modeling with Valence-Arousal fMRI Dataset of Brain[J]. Cognitive Computation, 2019, 11(2): 227-240.

[10] HSU C C, FANN S C, CHUANG M C. Relationship between Eye Fixation Patterns and Kansei Evaluation of 3D Chair Forms[J]. Displays, 2017, 50: 21-34.

[11] CHEN Y, LIN L, CHEN Z A. Research on Product Preference Image Measurement Based on the Visual Neurocognitive Mechanism[M]// Singa­pore: Springer Singapore, 2019: 873-882.

[12] LAI X J, ZHANG S, MAO N, et al. Kansei Engineering for New Energy Vehicle Exterior Design: An Internet Big Data Mining Approach[J]. Computers & Industrial Engineering, 2022, 165: 107913.

[13] 刘宝顺, 陈越. 基于评论文本的产品意象参数化评价方法[J]. 包装工程, 2022, 43(12): 142-148. LIU B S, CHEN Y. Parametric Evaluation Method of Product Image Based on Review Text[J]. Packaging Engineering, 2022, 43(12): 142-148.

[14] 林丽, 张云鹍, 牛亚峰, 等. 基于网络评价数据的产品感性意象无偏差设计方法[J]. 东南大学学报(自然科学版), 2020, 50(1): 26-32. LIN L, ZHANG Y K, NIU Y F, et al. Unbiased Design Method for Product Kansei Image Design Based on Network Evaluation Data[J]. Journal of Southeast Uni­versity (Natural Science Edition), 2020, 50(1): 26-32.

[15] 蒲骄子, 李延来, 刘宗鑫. 基于文本挖掘与神经网络的高速列车意象造型设计[J]. 机械设计, 2017, 34(9): 101-105. PU J Z, LI Y L, LIU Z X. Image Modeling Design of High-Speed Train Based on Text Mining and Neural Network[J]. Journal of Machine Design, 2017, 34(9): 101-105.

[16] 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 S B, QUAN H F, HU J J, et al. Perceptual Evaluation Method of Products Based on Online Reviews Data Driven[J]. Computer Integrated Manufacturing Systems, 2018, 24(3): 752-762.

[17] 初建杰, 王鹏超, 陈晨, 等. 基于分类器链的产品多标签意象识别方法[J]. 包装工程, 2021, 42(14): 40-46. CHU J J, WANG P C, CHEN C, et al. Product Multi- Label Image Recognition Method Based on Classifier Chain[J]. Packaging Engineering, 2021, 42(14): 40-46.

[18] 朱斌. 基于深度学习的产品情感化智能设计[D]. 杭州: 浙江大学, 2018. ZHU B. Product Emotional Intelligent Design Based on Deep Learning[D].Hangzhou: Zhejiang University, 2018.

[19] 窦金花, 覃京燕. 基于深度学习的产品外观意象情感计算服务平台研究[J]. 包装工程, 2020, 41(6): 20-25, 31. DOU J H, QIN J Y. Affective Computing Service Platform of Product Appearance Image Based on Deep Learning[J]. Packaging Engineering, 2020, 41(6): 20-25, 31.

[20] 朱斌, 杨程, 俞春阳, 等. 基于深度学习的产品意象识别[J]. 计算机辅助设计与图形学学报, 2018, 30(9): 1778-1784. ZHU B, YANG C, YU C Y, et al. Product Image Recognition Based on Deep Learning[J]. Journal of Computer-Aided Design & Computer Graphics, 2018, 30(9): 1778-1784.

[21] 林丽, 郭主恩, 阳明庆. 面向产品感性意象的造型优化设计研究现状及趋势[J]. 包装工程, 2020, 41(2): 65-79. LIN L, GUO Z E, YANG M Q. Current Research Situation and Trend of Product Image-Based Modeling Optimization[J]. Packaging Engineering, 2020, 41(2): 65-79.

[22] 汪天雄. 在线用户评价驱动的产品形态进化设计方法研究[D]. 上海: 华东理工大学, 2021. WANG T X. Research on Product Form Evolution Design Driven by Online User Evaluation[D]. Shanghai: East China University of Science and Technology, 2021.

[23] 贺玲, 蔡益朝, 杨征. 高维数据聚类方法综述[J]. 计算机应用研究, 2010, 27(1): 23-26, 31. HE L, CAI Y C, YANG Z. Survey of Clustering Algorithms for High-Dimensional Data[J]. Application Research of Computers, 2010, 27(1): 23-26, 31.

[24] 胡洁. 高维数据特征降维研究综述[J]. 计算机应用研究, 2008, 25(9): 2601-2606. HU J. Survey on Feature Dimension Reduction for High-Dimensional Data[J]. Application Research of Computers, 2008, 25(9): 2601-2606.

[25] 毕达天, 邱长波, 张晗. 数据降维技术研究现状及其进展[J]. 情报理论与实践, 2013, 36(2): 125-128. BI D T, QIU C B, ZHANG H. Current Situation and Latest Development of Research on Data Dimension Reduction Technology[J]. Information Studies: Theory & Application, 2013, 36(2): 125-128.

[26] BENGIO Y, DUCHARME R, VINCENT P. A Neural Probabilistic Language Model[J]. Advances in Neural Information Processing Systems. 2000, 13(3): 1137-1155.

[27] MIKOLOV T, CHEN K, CORRADO G, et al. Efficient Estimation of Word Representations in Vector Space [EB/OL]. 2013: arXiv: 1301.3781. https://arxiv.org/abs/ 1301.3781.pdf

[28] 奚雪峰, 周国栋. 面向自然语言处理的深度学习研究[J]. 自动化学报, 2016, 42(10): 1445-1465. XI X F, ZHOU G D. A Survey on Deep Learning for Natural Language Processing[J]. Acta Automatica Sinica, 2016, 42(10): 1445-1465.

[29] SALTON G. Automatic Processing of Foreign Language Documents[J]. Journal of the American Society for Information Science, 1970, 21(3): 187-194.

[30] SALTON G, YU C T. On the Construction of Effective Vocabularies for Information Retrieval[J]. ACM SIGPLAN Notices, 1975, 10(1): 48-60.

Mining of Salient Image of Automobile Appearance Based on Semantic Quantification Matching

LIU Baoqi, LIN Li*, GUO Zhuen

(College of Mechanical Engineering, Guizhou University, Guiyang 550025, China)

The work aims to solve the problems of time-consuming image experiments and accidental small samples in traditional perceptual design research by extracting user image cognition based on existing network evaluation text information. Firstly, a large number of automobile appearance comment texts were crawled to construct a semantic analysis vocabulary library and a word2vec word vector model. Then, based on the model, the semantic connections within the word library were obtained to calculate the semantic discreteness between high-frequency key adjectives to construct a representative image word space. Finally, through semantic quantification matching, the comments were mapped to the image word space to obtain significant image representations of various automobile models from a large number of users, and the matching results of automobile appearance under specified image words were clarified. The application of this method to mine significant automobile appearance images showed no significant difference compared with experimental results based on manual evaluation, and had high correlation, demonstrating the effectiveness of this method. This method is used to explore user image cognition through a large number of user feedback knowledge, which improves the efficiency of image analysis, helps decision makers quickly understand consumers' perceptual knowledge of automobile appearance, and can make products more in line with market expectations during the design iteration. Compared with related research, the method based on semantic quantification matching does not need to reduce the dimensionality and clustering of high-dimensional vectors, which eliminates the loss of semantic connections between word vectors that may be caused by feature reduction in previous studies, so as to obtain more accurate results of image mining.

semantic quantification matching; automobile appearance; affective image; online reviews; text mining

TB472

A

1001-3563(2024)02-0110-08

10.19554/j.cnki.1001-3563.2024.02.011

2023-08-13

国家自然科学基金项目（51865003）；贵州省科技厅项目（黔科合平台人才[2018]5781）；贵州省科技计划项目（黔科合基础-ZK[2021]重点055）；贵州大学培育项目（贵大培育[2019]06）