针对传统方法在运动鞋用户评论的感性因子提取中存在的效率低下、维度冗余问题,提出一种结合大语言模型(large language model,LLM)与主成分分析(principal component analysis,PCA)的自动化提取方法。以亚马逊电商平台的8680条运动鞋...针对传统方法在运动鞋用户评论的感性因子提取中存在的效率低下、维度冗余问题,提出一种结合大语言模型(large language model,LLM)与主成分分析(principal component analysis,PCA)的自动化提取方法。以亚马逊电商平台的8680条运动鞋用户评论为研究对象,采用GLM-4-9B-Chat模型自动生成感性词汇对,经数据清理后获得7619条有效数据;通过TF-IDF向量化处理后,设计k=10、15、20、25四组K-means聚类实验,对冗余维度进行合并优化,最终收敛得到6个核心感性因子。该方法通过整合LLM自动化提取、多聚类去冗余与PCA分析,为运动鞋感性工学的自动分析提供了一条技术路径,也为纺织服装领域的感性因子自动化提取研究提供了有益参考。展开更多
文摘针对传统方法在运动鞋用户评论的感性因子提取中存在的效率低下、维度冗余问题,提出一种结合大语言模型(large language model,LLM)与主成分分析(principal component analysis,PCA)的自动化提取方法。以亚马逊电商平台的8680条运动鞋用户评论为研究对象,采用GLM-4-9B-Chat模型自动生成感性词汇对,经数据清理后获得7619条有效数据;通过TF-IDF向量化处理后,设计k=10、15、20、25四组K-means聚类实验,对冗余维度进行合并优化,最终收敛得到6个核心感性因子。该方法通过整合LLM自动化提取、多聚类去冗余与PCA分析,为运动鞋感性工学的自动分析提供了一条技术路径,也为纺织服装领域的感性因子自动化提取研究提供了有益参考。
