摘要
2020年新冠疫情席卷全球，在疫情和后疫情时代，消费者的购买习惯发生改变，“宅经济”使电子商务得到持续的发展。而在互联网用户数量进一步扩大、智能手机带来的移动互联网的背景下，以消费者为核心的数字化转型也仍在继续。如何利用消费者数据进行数据挖掘，以实现改善供应链运营的问题得到广泛关注。本文从充分挖掘消费者偏好数据的角度出发，对电商评论进行细粒度情感分析，研究基于电商评论情感分析的销量预测问题，并基于销量预测进行库存优化，改善优化供应链管理。本文主要工作如下： 首先，本文针对电商评论的细粒度情感分析问题，将其转换为多标记分类问题，从上下文信息、语法和标签三个角度出发，分别基于BERT模型、Word2Vec和改进的TF-IDF算法提取相应的文本特征并融合，提出了基于BERT和改进TF-IDF的多标记分类模型。同时，在真实的京东平台的电商评论数据集上验证了该方法在细粒度情感分析问题上的有效性。还根据真实数据集的细粒度情感分析结果，得到了在水果这类生鲜商品上，消费者最关注的属性是味道口感，其次是新鲜程度，相对最不在意的是客服态度的结论。 然后，针对销量预测问题，旨在通过加入消费者评论的情感倾向，提升预测模型的精度。本文通过构建情感指数，将情感分析离散的结果转换为可以量化的数值，验证情感指数与销量的相关性。在此基础上，将情感指数作为影响因素之一，加入销量预测模型。同时受到人类记忆模式的启发，改进长短时记忆网络结构，增加“增强门”和“抑制门”，构建了增强-抑制长短时记忆网络，提出了基于细粒度情感分析的增强-抑制长短时记忆销量预测模型。并通过对比实验验证了情感指数和增强-抑制长短时记忆网络在提升模型预测精度上的作用。 最后，针对库存优化问题，在综合周期性策略的基础上提出了基于销量预测的动态（t，R，S）库存优化策略。基于销量预测结果动态更新安全库存，将动态安全库存作为再订货点，将动态的预测销量作为最大库存水平。最后以缺货风险和库存成本为评估标准，验证了提高效率预测精度，可以有效降低缺货风险和库存成本，达到优化库存水平，提高供应链服务水平的作用。
NETL