引言

以人为本是设计的基本原则，因此如何定义好用户需求是设计过程中的突出问题。但在先前的设计需求调查方式中，设计师大多都会采用问卷调查、用户访谈等方式，问卷调查的方式在一定程度上会将调查者置于被动状态，所获得的用户数据依赖性及指向性较强，调查结果往往会有一定的模糊性且误差较大。而用户访谈则会使得调查结果带有强烈的主观性和随意性，进而导致调查结果缺乏准确性。近年来，随着互联网的快速发展，在线评论已经成为设计界关注的热点话题。在这样的设计大环境下，从对在线评论的研究出发探索产品设计的改善策略变得极为重要。本文主要通过对过去十多年来国内外关于在线评论对产品设计的影响的研究状况和结果进行归纳和总结，揭示了大数据环境下在线评论在设计领域中的应用价值和挑战，为进一步开展相关研究奠定了理论基础和实践基础。

一、研究背景

在线评论是指用户在互联网平台上，针对产品、服务、界面设计等相关内容，发布的包含自身使用体验、需求诉求、情感态度、评价判断等信息的评价集合，主要表现形式为打分评价以及开放式评论文本、图片及视频等，具有较高的可信度，在线用户生成的数据已成为工业应用的宝贵来源，其形式表现与影响层面见图1。网络客户被视为一个具有相同偏好的群体，客户细分是市场分析中的关键策略。随着社交网络的迅速发展，人们对各类社交媒体的依赖程度越来越高，更多的人愿意将自己的购物经历通过各类社交媒体进行共享，从而深刻影响着消费者的消费行为及企业运营决策。大量的用户评论蕴含着丰富的信息数据源，这些数据源包含着用户对于产品特性的评价与感知、对用户的需求管理以及市场竞争分析，并具有及时性和清晰性的特征。根据用户的需求，对产品进行个性化的推荐，通过对负面评论的分析，可以发现有待改善的产品特性，从而为消费者与企业的决策提供帮助，对于产品设计中用户需求的挖掘及总体市场发展方向具有重要的参考与指示作用。

与问卷调查、访谈方式等获取用户需求的方式不同，作为一种新的口碑形式，在线评论摆脱了传统口碑的社交关系约束与限制，具有广阔的传播空间和强大的影响力，成为信息时代的重要成果。此外，在线评论不仅在设计领域可以为设计师提供灵感思路，在商业领域，这些具有实际意义的评论提供了有关产品或服务在实际使用场景中的真实反馈，有助于企业了解产品的实际效果和用户满意程度。还可以为企业提供用户对竞争对手产品的评价和反馈，帮助企业了解市场趋势和竞争态势，从而制定更有针对性的市场策略。

二、研究现状

通过对国内外现有文献的梳理与分析，可以发现目前该领域研究主要着眼于以下三个方面，见图2。一是将不同领域的研究方法引入在线评论的分析中，实现有关捕捉用户需求关键词的方法创新，二是着眼于设计师视角剖析在线评论影响设计的因素，三是从用户体验的角度出发考虑在线评论与用户的相应关系，此外还包括在线评论与其他有关领域的结合发展等多个角度，通过多层视角，从不同维度和层次上反映了大数据时代背景下在线评论对于产品设计的影响效果。

（一）国外研究现状

近年来，国外学者在在线评论影响产品设计领域的研究方面取得了丰硕的成果，尤其是在方法创新方面积累了大量成功的经验。

在方法创新方面，Seyoung Park等人认为虽然先前的研究从用户数据中有了发现新功能想法，但并没有提供设计思路，因此在此基础上提出了一种文本挖掘和网络分析的在线客户细分方法，从在线评论数据中提取客户属性构建客户网络，强调了对客户进行细分的重要性，为揭示产品设计中的关键策略提供了新的方法视角。此外Junegak Joung和Harrison Kim在用户细分的重要性方面提供了一种基于机器学习的可解释方法，即通过挖掘客户满意度与产品功能的非线性关系，为细分用户提供了新的视角与途径。Muhammad Bilal和 Abdulwahab Ali Almazroi等通过BERT方法的发现，将基于BERT的分类器的性能与词袋方法的性能进行比较，以确定基于BERT的分类器的有效性，来克服以往研究限制方案泛化的局限性，提高了捕捉用户需求关键词的准确性及效率。Harrison M. Kim等人提出了一种从在线数据中提取子特征的新方法，通过分析每个聚类中的项来标记生成的聚类，最终获得的提示短语将用于分析客户对子特征的偏好，从而更加清晰地帮助产品设计师确定设计中的最佳组件配置。通过一系列将新方法引入在线评论的整合与分析的研究，极大地提高了工作的效率及准确性。

在与设计师的关系方面，Jenny A. Harding和Richard Y.K. Fung等从设计师与在线评论的关系出发，将目光着眼于设计师视角，提出了四类特征来反映设计师在判断评论有用性时所关注的问题，并建立回归方程进行数据分析来确保其准确性，进而识别出有用的产品评论，通过提供更有针对性的客户意见来提高设计师处理信息的能力。

在与其他领域的结合方面，Michael Saidania和Junegak Joung以印刷机为例，探讨了如何将LCA与在线客户评论的挖掘相结合，从而设计出更可持续的产品，是在线评论在可持续设计方面的价值体现。此外，同样在可持续领域方面，Nasreddine El Dehaibi等通过在线评论分析了其可持续性的三个支柱——社会、环境和经济的影响，来分析可持续性观念和可持续设计现实之间的预期差距，使得设计师提取出进一步的设计因素，并创造出与客户可持续价值观产生共鸣的产品。Mustafa Kemal Yılmaz和Hale Tugçe ˘ Altunay等挖掘了在线评论在品牌建设方面的价值与思考，通过消费者的在线评论形成数据集，进而为选定的品牌创建感知地图和雷达图，利用意见挖掘情感分析方法避免了传统方法造成的感知图误差。

从用户的视角出发，JIHO LEE和BYEONGKI JEONG等认为许多研究都试图通过在线评论来确定客户的需求，但很少关注客户使用产品的具体环境，因此在此基础上提供了一种情境信息和目标产品功能的顾客需求识别新方法，将上下文信息与产品功能结合起来以获得客户需求，对于从客户的角度处理新特性开发有着重要影响作用。

（二）国内研究现状

该领域在国内的研究也取得了极大的进步并且在家具设计、智能电器设计等领域进行了丰富的实际应用。

在方法创新方面，李江泳和张伟将对在线评论的研究与TRIZ理论相结合，以紫砂壶为例，运用 TRIZ 理论的抽取原理和曲面化原理解决问题，建立了基于在线评论的产品设计了改良模型，通过不断地迭代优化完成产品改良设计，具有挖掘到更加全面、具体、直观的用户对产品的反馈信息的优势。于志刚和成思源等以一款养生壶为例，通过研究在线评论，挖掘得到用户对该产品的改进需求并分析得出实现需求的途径，同时融合可拓学与在线评论，实现用户需求的分层表达，从而使得改进设计需求的流程更加形式化、条理化，为识别产品改进途径提供了科学有效的依据和方法。Yanlin Shi和Qingjin Peng提出了一种基于大数据分析的在线客户产品评论自动定义客户需求的方法，通过基于训练词向量的亲和传播（AP）聚类方法将过滤后的词聚类成组，提高了定义用户需求的效率与准确性。Yiru Jiao和Qing Xing Qu以鼠标为研究对象，提出了一种从在线产品评论中提取感性词汇、进一步深度建立产品特性与用户感知之间关系的关系提取方法，建立用户关注与用户态度的关系表并以频率的方式呈现，进而加快对用户需求的确定与捕捉。Wei Miao 和Kai Chieh Lin等以无线吹风机为例，引入了一种利用困惑度值、连贯性得分和 pyLDAvis的多参考判断方法来确定LDA主题建模中的最佳主题数量，在开发基于在线评论的产品设计改进指标体系方面具有重要实际意义。Min Zhang和Lin Sun等提出了一个客户需求识别框架，与kano模型相结合，从在线评论中识别反映客户需求的产品属性，并同时考虑积极，消极和中性三种情绪性质，通过考虑中立的评论和更准确地从在线评论中提取客户需求来更深入地理解在线评论，以此提高顾客对产品的满意度。Hu Limei和Tan Chunqia等开发了一种用于在在线购买决策中产生个性化推荐的新方法，有效地处理了在线评论中的情感偏好，并充分解决了产品标准之间存在的相互作用。

从产品本身视角出发，Bing Sun和Min Kang等利用潜在分配模型识别消费者感兴趣的关键因素，并将其分为产品质量和配套服务因素两个方面，来探究在线评论的关键指标之间的相互作用是如何影响新产品的传播的。Xinyu Sun和Maoxin Han等认为信息过载易影响信息识别的准确性，因此通过区分搜索产品和体验产品，考察了评论信息量的不同度量对评论有用性的影响，并提出了不同的分类阈值来分别识别搜索产品和体验产品的在线评论的有用性，提高在线评论优化产品性能的效率。Xinjun Lai和Qixiang Zhang等以中国智能手机为例，对用户的随机产品选择行为进行建模，并挖掘产品在功能、性能水平和数量方面的设计要求，具有较高的实用性。黄文倩和李雪莲以宠物家具产品为例，将对在线评论的研究与情感分析相结合，量化了产品需改进的程度，找到亟需改进的产品特征，从而制定产品的改进策略，为设计师提供了有针对性的产品改进方案。

从用户体验出发，Jun Li和 Xin Guo等以改进农用喷雾器为例，从用户体验的角度出发，针对传统工具在用户驱动属性识别和面向改进的知识应用方面的局限性，提出了一种决策算法来识别待改进的产品属性，从知识需求转换、知识建模和知识推理三个方面对原有的模型进行优化生成改进方案，增加改进的可接受性，减少迭代步骤达到符合用户需求的产品指标，提高用户体验及满意度。

三、产品设计优化策略

通过对国内外在线评论影响产品设计以及提出方法、应用领域的分析与总结，可以发现在线评论已与不同方向的有关技术结合且得到了广泛的实际应用，提高了捕捉用户需求关键词的准确性及效率，使对产品属性的反馈更加全面直观。此外拓宽了定义、捕捉客户需求的途径，为设计师工作提供了新的思路与机会。但是因为在线评论具有海量化、泛化的特点以及不同类型的在线评论有其独特的背景和特性等问题的存在，对于该领域的研究仍存在着一些不足之处亟待解决。在线评论作为用户体验的具象化表达，其对产品设计优化的价值，本质是搭建起“用户需求—设计迭代—体验升级”的闭环链路，结合当前行业发展趋势与研究现状，在线评论在指导产品设计优化方面仍有广阔的深化空间与探索方向，需从多维度进一步挖掘价值、拓展边界、完善方法、延伸应用，具体可从以下几方面展开。

1. 可通过精准的词汇挖掘与语义分析，拆解评论中不同价值维度的关联机制，明确各价值维度、各影响因素的优先级排序，进一步识别关键因素，来加快传统的用户调研流程，明确用户的情感需求，从而提高在线评论完善产品设计的高效性，具体流程如图3。比如评论中“用起来很别扭”“没有安全感”等模糊表述背后的心理诉求，将隐性情感需求转化为明确的设计指标，从而提升在线评论指导产品设计优化的精准度与高效性，让设计迭代更贴合用户深层需求。

   

其次，在万物互联的时代背景下，信息变得更加全面和丰富，信息的流动更加敏捷，信息的互动更加高效，拓展在线评论在产品设计中与各领域的结合是一个新的视角，如与可持续发展、品牌建设、商业模式创新、技术创新领域等结合，如图4。尤其在技术创新领域，基于用户评论推出定制化设计服务、融入人工智能技术优化交互体验是在线评论指导产品设计的重要视角。目前，在线评论与这些领域的结合仍处于初步探索阶段，多数应用仅停留在表面关联，缺乏系统性的融合逻辑与实践路径，仍需进一步深化与完善，挖掘在线评论跨领域融合的更大价值。

此外，应充分考虑到小数据样本的存在可能性，通过引进新的方法如灰色理论等来评估分析词向量，以操纵不确定环境下因素的相互作用从而获得可接受的结果，将分析网络过程（ANP）与灰色DEMATEL模型相结合，能够精准测算出各设计影响指标的权重大小，从而为产品设计优化研究提供科学的参考与明确的指示，让小数据样本场景下的设计优化决策也能具备可靠的理论支撑，具体流程如图5。

最后，在此方面的探索与应用中，应避免局限于在线评论内容本身，要全面认识其在产品全生命周期中的重要作用以及应用价值，以及积极与各领域相结合，顺应市场的环境变化，服务时代的发展需要，聚焦新形式、新动态和新融合，充分发挥在线评论数据的市场价值，具体流程如图6。

四、结语

综上所述，在线评论是一种集多样性、动态性和融合性为一体的研究方式，在产品设计方面有着很大的潜力价值。通过对用户反馈的数据进行分析，可以为新产品的开发提供一定的理论支撑和技术支持。在此领域的研究意义主要分为理论意义和实际意义。在理论方面，通过将创新方法引入在线评论中完善用户需求挖掘，进一步完善用户需求挖掘的理论体系和渠道，可以填补当前工作细分方面的不足之处，为在线评论的词汇集研究提供新的思路。在实际意义方面，通过量化词汇的方式，可以使得调查结论更加科学，运用在实际产品设计项目中具有显著的推动作用，使设计能更好地围绕用户的基本需求展开。

参考文献：

1. [1] Groves R M. Nonresponse Rates and Nonresponse Bias in Household Surveys[J]. Public Opinion Quarterly,2006,70(05):646-675.
2. [2] Park S, Kim H M. Finding Social Networks Among Online Reviewers for Customer Segmentation[J]. Journal of Mechanical Design,2022,144(12):413-419.
3. [3] 魏娟. 用户在线评论驱动的产品推荐与设计改进研究[J]. 市场周刊,2022,35(08):96-100.
4. [4] Park S, Kim H. Extracting product design guidance from online reviews: An explainable neural network-based approach[J]. Expert Systems with Applications,2024(236):121357.
5. [5] Park S, Kim H M. Phrase embedding and clustering for sub-feature extraction from online data[J]. Journal of Mechanical Design,2021:1-11.
6. [6] Joung J, Kim H. Interpretable machine learning-based approach for customer segmentation for new product development from online product reviews[J]. International Journal of Information Management,2023(70):102641.
7. [7] Bilal M, Almazroi A A. Effectiveness of fine-tuned BERT model in classification of helpful and unhelpful online customer reviews[J]. Electronic Commerce Research,2023,23(04):2737-2757.
8. [8] Liu Y, Jin J, Ji P, et al. Identifying helpful online reviews: A product designer’s perspective[J]. Computer-Aided Design,2013,45(02):180-194.
9. [9] Saidani M, Joung J, Kim H, et al. Combining life cycle assessment and online customer reviews to design more sustainable products-Case study on a printing machine[J]. Procedia CIRP,2022(109):604-609.
10. [10] El Dehaibi N, Goodman N D, MacDonald E F. Extracting customer perceptions of product sustainability from online reviews[J]. Journal of Mechanical Design,2019,141(12):121103.
11. [11] Yılmaz M K, Altunay H T. Marketing insight from consumer reviews: Creating brand position through opinion mining approach[J]. Telematics and Informatics Reports,2023(11):100094.
12. [12] Lee J, Jeong B, Yoon J, et al. Context-aware customer needs Identification by linguistic pattern mining based on online product reviews[J]. IEEE Access,2023(11):71859-71872.
13. [13] 李江泳, 张伟. 在线评论数据挖掘视角下的产品改良设计研究[J]. 包装工程,2021,42(06):135-141.
14. [14] 于志刚, 成思源, 杨雪荣, 等. 融合可拓学与在线评论挖掘的产品改进需求识别研究[J]. 智能系统学报,2023(05):1047-1059.
15. [15] Shi Y, Peng Q. Definition of customer requirements in big data using word vectors and affinity propagation clustering[J]. Proceedings of the Institution of Mechanical Engineers, Part E: Journal of Process Mechanical Engineering,2021,235(05):1279-1291.
16. [16] Jiao Y, Qu Q X. A proposal for Kansei knowledge extraction method based on natural language processing technology and online product reviews[J]. Computers in Industry,2019(108):1-11.
17. [17] Miao W, Lin K C, Wu C F, et al. How Could Consumers’ Online Review Help Improve Product Design Strategy?[J]. Information,2023,14(08):434.
18. [18] Zhang M, Sun L, Wang G A, et al. Using neutral sentiment reviews to improve customer requirement identification and product design strategies[J]. International Journal of Production Economics,2022(254):108641.
19. [19] Hu L, Tan C, Deng H. Product recommendation using online reviews with emotional preferences[J]. Kybernetes,2023,52(05):1573-1596.
20. [20] Sun B, Kang M, Zhao S. How online reviews with different influencing factors affect the diffusion of new products[J]. International Journal of Consumer Studies,2023,47(04):1221-1625.
21. [21] Sun X, Han M, Feng J. Helpfulness of online reviews: Examining review informativeness and classification thresholds by search products and experience products[J]. Decision Support Systems,2019(124):113099.
22. [22] Lai X, Zhang Q, Chen Q, et al. The analytics of product-design requirements using dynamic internet data: application to Chinese smartphone market[J]. International Journal of Production Research,2019,57(18):5660-5684.
23. [23] 黄文倩, 李雪莲. 基于在线评论挖掘的宠物家具产品设计改进方法[J]. Design,2023(08):140.
24. [24] Li J, Guo X, Zhang K, et al. A knowledge-enabled approach for user experience-driven product improvement at the conceptual design stage[J]. AI EDAM,2023(37):e22.
25. [25] 李美, 裴卉宁, 丁满. 关于深度学习的在线评论挖掘及需求获取方法[J].机械设计与研究,2021,37(06):184-189.