文本挖掘为移动应用开发提供的帮助

移动应用开发人员需要对反映不满的评论迅速做出反应。Cornellhave的统计人员发现了一种更快的开发人员响应方式，它采用了一种新的文本挖掘方法，该方法可以一步汇总和解析客户评论。

创新模型是由塞缪尔·柯蒂斯·约翰逊（Samuel Curtis Johnson）管理研究生院运营，技术和信息管理副教授Shawn Mankad设计的。与他的团队一起，曼卡德于2017年获得了为期4年的525,000美元的赠款，用于创建新工具来监控金融系统的稳定性。他的论文《用于移动应用程序管理的具有在线评论的嵌入式主题建模的单阶段预测》与康奈尔大学的博士生Shengli Hu和马里兰大学的Anandasivam Gopal合着，被《应用统计年鉴》所接受。

在论文的摘要Mankad等人中指出：

移动应用程序与传统企业软件的区别在于在线评论，该评论可在应用程序市场上获得，代表了消费者对应用程序反馈的宝贵来源。我们为应用程序开发人员创建了一种受监督的主题建模方法，以将移动评论用作质量和客户反馈的有用来源，从而补充了传统的软件测试。该方法基于受约束的矩阵分解，该矩阵利用术语频率与给定响应变量之间的关系以及术语之间的共现来恢复既可以预测消费者情绪又有助于理解基本文本主题的主题。

用更非正式的方式解释该方法。Mankad指出，在文本挖掘中，一种表示文本的常用方法是构造一个巨大的矩阵，以跟踪哪些单词出现在哪个在线审阅中。矩阵变得非常宽，必须减少列数。实际上，该模型对在线评论中出现的单词进行加权平均。这些加权平均值均代表讨论的主题。该方法不仅可以提供有关单个应用程序性能的指南，还可以将其与竞争对手的应用程序进行比较，以比较基准功能和消费者情感。

信用：康奈尔品牌传播

Mankadand和他的同事将他们的方法应用于模拟数据以及来自美国三个最受欢迎的在线旅行社的162个版本的应用程序的104,000多个移动评论：Expedia，皮划艇和TripAdvisor。每个应用每年有1000多个评论。他们发现，他们的文本挖掘模型在真实评论和模拟数据的预测准确性上均优于标准方法。他们发现，该方法可以帮助公司权衡发布新版本应用程序的频率的优缺点。