消费者行为学教程（AI分析专项）.docxVIP

在实际操作中，我们发现学生们最感兴趣的是情感分析模块的应用。以2024年双11期间某化妆品品牌的10万条用户评论为例，我们指导学生使用BERT预训练模型进行情感倾向分析。具体操作步骤包括：通过爬虫技术获取原始评论数据，然后进行数据清洗，去除表情符号和无效字符，接着使用jieba分词工具进行中文分词，调用transformers库中的BERT模型进行情感分类。

在实验过程中，学生们遇到了数据不平衡的问题——正面评论占比高达78%，而负面评论仅占12%。针对这一挑战，我们采用了SMOTE过采样技术，将负面评论样本人工扩充至与正面评论相当的数量。经过调整后的模型准确率从原来的82%提升到了91%，F1分数达到0.89。这个结果让学生们直观感受到了数据预处理对模型性能的重要影响。

对于推荐系统部分，我们重点考察了协同过滤算法的实际应用。学生们基于某电商平台的用户购买记录，构建了用户商品评分矩阵。通过计算用户间的余弦相似度，我们成功为测试用户推荐了相关商品。实验数据显示，推荐准确率达到76%，率提升了35%。一位学生在实验报告中写道：通过这次实践，我终于理解了为什么淘宝总能推荐我想要的东西。

总的来看，下一阶段的重点是让学生将课堂所学应用到实际企业项目中。我已经联系了三家本地电商企业，包括位于中关村软件园的优品科技、望京SOHO的时尚购平台，以及五道口的生鲜配送公司鲜达优选。从2025年3月开始，每个学生小组将对接一家企业，负责分析该企业真实的消费者数据，并提交一份包含数据清洗、模型构建、结果解读和商业建议的完整分析报告。

评分标准已经明确：数据预处理质量占20%，模型选择与调优占30%，商业洞察深度占25%，报告呈现效果占15%，团队协作占10。报告提交截止日期为2025年6月15日，届时将邀请企业代表参与最终评审。

请同学们务必在寒假期间完成Python基础编程的在线课程学习，确保下学期开学时具备必要的技能储备。课程已通过班级群发布，完成学习后需要提交结业证书作为平时成绩的一部分。

张明

市场营销系主任

北京工商大学

2025年1月8日