1.1目的

本项目来源于国内某IT公司，其内部为了管理该公司短视频产品线中的用户反馈信息，意在开发一个用户反馈处理系统，用于解决当前该公司短视频产品无完善的管理系统对用户反馈进行处理并加以利用的情况。

1.2背景及意义

近年来，中国移动短视频类产品呈爆发式增长，据iiMedia Research数据显示，2018年中国短视频用户规模达5.01亿人，预计未来中国短视频行业用户规模仍将保持稳定增长态势，市场规模依然有较大的扩展空间。
正因移动短视频行业正值风口上行，除抖音、快手、美拍等头部短视频产品外，多家互联网巨头公司也纷纷加入短视频产品之战，例如腾讯、阿里、百度、360等，也不断推出了多款移动短视频产品，产品之间的竞争愈发激烈，淘汰率极高。各移动短视频产品之间需要不断地迎合用户需求，以持续更新提高产品质量，在移动短视频产品大战中提升产品竞争力，而获取用户需求最容易、涉及范围最广的方式便是来源于用户反馈。
据短视频行业报告显示，从用户年龄上看，短视频产品用户偏年轻化，24岁以下的年轻人占比高于全网比例，他们有个性、有想法，反馈积极，参与度高。据观察，公司内部移动短视频产品的用户反馈量一直高居不下，并日渐增多。如此庞大的用户评论反馈来源给予了产品极丰富的改进资源。
为了更好地了解用户的需求以指导优化应用，在短视频产品中加入“意见反馈”的功能，收集用户对产品的建议，以及对产品本身问题缺陷的提出，用来评估当前产品的质量，以及指导后续产品的升级优化方向，所以对于用户反馈的收集、整理、统计、分析等工作就显得尤为重要。
但是当前在实际管理用户反馈信息的过程中发现存在如下问题：

（1） 当前系统功能不完善。
当前产品的用户反馈处理功能较为简单，仅能实现用户提交反馈意见，以及工作人员可在后台将反馈数据导出，再人工逐条处理，并不具备标签处理、用户回复、数据统计、分析等功能，无法真正发挥用户反馈的宝贵价值，测试开发团队、产品运营团队也无法得到有价值性的优化方向指导。
（2） 耗费人力成本大。
由于短视频产品线的用户量日益增多，产品功能也越来越丰富，因此用户对于产品的建议和出现问题的反馈总量也越来越多。此时需要投入更多的人力逐条对反馈意见信息进行查阅处理，并过滤掉无用反馈，提取出有效反馈进行分类整合处理，并转给对应的人员跟进。面对产品日益增多的反馈信息，若仅靠当前将数据导出后，再人工进行整理的方式，则会耗费较大的人力成本。
（3） 响应时间长。
当用户反馈日益增多达到成千上万条后，所耗费的人力资源紧张，便会不可避免地出现处理延迟情况，对于用户的反馈无法做到快速响应。但是当前产品更新迭代周期越来越短，“快速迭代，小步快跑”，是互联网产品更新迭代的原则，当用户反馈意见延迟处理后，产品问题不能得到及时修复解决，提出的建议也不能得到及时采纳而在市场中丧失了先机，长此以往会降低用户对产品的满意度，留存率也会变低。
（4） 用户无法得到回复，降低用户热情及对产品的忠诚度。
在原有功能中，工作人员只能在后台系统接收到用户提交的意见反馈，而无法对用户进行回复等操作。用户无法知道自己提交的意见反馈是否有效，遇到的问题没有得到解决，长此以往会降低用户反馈的热情，当用户在使用产品过程遇到的问题积压过多，便会引发对产品的不满，降低对产品的忠诚度，甚至不再使用产品。
故基于以上原因，利用当前已有技术手段，开发一个用户反馈信息处理系统，以快速、便捷地处理用户反馈信息，并进一步挖掘用户反馈信息内容，及时修复产品出现的问题，改善用户体验，这便成为了产品管理工作中的一项重要工作。

1.3国内外研究现状

在产品的实际设计开发过程中，用户需求分析以及产品设计是互联网产品开发过程中最复杂也是最有创造性、最重要的一环[1]。薛艳敏等人认为，产品升级迭代过程中的用户需求大部分来自对用户反馈与评价数据的分析，而用户反馈评论就是其对产品或服务的评价[2]。Sari Kujala也指出考虑用户反馈的因素，能够有效提高互联网产品的质量，有助于打造用户更满意的产品[3]。刘晓旭提出要重视反馈的必要性，互联网产品的升级换代并不是凭空迭代的，而是基于用户的各种真实需求，并以微信红包金额调整举例，产品设计者需要及时捕捉用户的需求反馈，才能更好地完善产品功能[4]。同时在各种应用商店或者 APP store中，用户可以对各种应用软件发表评价、观点，因此，产品设计者可以通过分析用户的反馈评论，将用户因素考虑到app的开发中，以帮助提升APP的质量，进而提高用户满意度[5]。但是徐国虎等人指出用户数据为产品改进设计的带来商业价值还远没有被挖掘[6]，需要利用一定的技术来对用户反馈的信息进行合理的提取和利用。
在评论管理方面，用户评论的数量往往较多，并且评论的内容质量不确定性较大，因此对于开发者而言，原始数据很难直接利用，故越来越多的产品设计者和研究人员开始转向用户反馈评论分析方法的研究中。比如Dennis Pagano 研究分析了Apple AppStore的一百多万条评论，发现用户评信息论通常包含多个主题，例如用户体验、错误报告、和功能请求等，调查用户提供反馈的方式和时间，对反馈内容进行检查，并分析了其对用户社区的影响[7]。2014年Ning chen 展示了有用信息和无用信息的分类方法[8] 。张紫琼等人提出互联网评论情感分析研究领域．许多相关领域的研究成果都可以借鉴，包括文本挖掘、自然语言处理、Web挖掘技术、机器学习等方法和技术[9]。Emitza Guzman 主要把评论分为八个种类，并提出了一种将应用程序评论分类为与产品维护和产品改良相关的类别，并使用自然语言处理，情感分析和文本分析来检测和分类APP用户评论中的句子，可以指导和帮助产品设计人员完成软件维护和产品改良任务[10]。S.Panichella 利用自然语言处理工具、情感分析工具和文本分析工具把评论分为“信息提供”、“信息查找”、“功能请求”和“问题发现”，利用这些信息帮助产品设计者升级或者维护APP[11]。
随着评论反馈内容规模越来越大时，海量信息使人们处理和理解的难度日益增大，国内外关于文本可视化技术的研究主要有基于文本内容的可视化研究、基于文本关系的可视化研究和基于多层面信息的可视化研究［12］。基于文本内容的可视化研究又分为基于文本词汇分布的可视化、基于文本词频的可视化研究。根据文本语言特性，文本可视化技术分为对各种语言进行分词的技术处理，包含英文文本预处理、中文分词等，中文分词也一直是国内研究的热点技术，也是自然语言处理的基本和重点［13］。主题识别也是文本可视化表示中的一项重要研究内容。冯晋和李春平使用中文分词技术，通过频繁词查找和词性组合计算来分析词与词之间的关联，最终提取出能表达文章内容的主题词汇，并且对这些词汇作了权重分配和排序，这样就能够根据这些词汇来判定文章主题[14]。2004年，简单标签云诞生，而标签云也成了最常见的对文本中关键字进行可视化的方法。比较常见的针对词频的可视化形式是标签云(Tag.Cloud)[15]，通常根据标签的重要性或频率赋予字体大小。
通过对国内外关于对用户反馈评论的研究状况分析发现，前人多为研究用户反馈评论的分析利用，以及对产品发展的重要性，但是尚未发现有研究者结合公司实际产品，研究对产品的反馈评论进行获取，并进行处理分析可视化展示的完整系统实施。