在网络数据化时代,随着个性化、全球化市场竞争的加剧,顾客的评论信息对企业的经营管理具有非常重要的价值,对于产品更新升级具有重要意义。企业可以根据顾客的评论信息更好地了解顾客需求及其变化趋势,得到产品质量、产品不足等反馈信息,从而能够有针对性的对产品进行优化升级。但目前的在线评论数据多为非结构化数据,为了能够获取评论中与产品相关的重要信息,本论文利用深度学习和机器学习相关技术,对评论中产品优化信息的获取进行深入研究,提出了基于评论数据的产品优化策略,旨在为企业提供优化决策参考。论文的研究工作主要包括以下几个方面:提出了一种基于评论数据的顾客需求获取和评估的技术和方法。首先通过TF+词向量的方法从在线评论中提取出产品的特征要素;然后结合产品特征挖掘和语义分析的方法对顾客表述的需求进行结构化表达;接着通过定性和定量分析的方法对顾客需求的重要性进行评估;最后根据实例分析结果发现,该方法具有较好的效果,能够有效地对顾客需求获取和评估,发现重要的顾客意见。文章将顾客评论数据用于产品的优化中,为产品优化提供一种新的数据支撑,提高决策的科学性。提出了一种基于评论信息的顾客需求的发展趋势分析和应用方法,用以探究顾客需求的发展规律,掌握不同发展阶段影响顾客消费的重要因素。首先,介绍了层次需要理论和人的需求演化趋势等理论基础;然后,根据以上理论基础对评论中顾客需求的层次性进行了研究,提出了在线评论中顾客需求的层次模型;接着,根据构建的顾客需求的层次模型对顾客不同需求层次的产品属性进行划分,并通过数据分析对顾客需求层次性和优势需求进行的验证分析;最后,对评论中顾客需求层次性进行了应用研究,提出了基于顾客需求层次性的产品优化分析方法。提出了产品优化信息自动获取技术,自动从评论中获取产品优化所需要的优化信息。首先计算在线评论中的顾客关注度和满意度等指标,构建客户意见的权重算法模型;然后,提取出产品特征和顾客意见的词对,并根据权重算法模型计算出顾客意见的权重;接着,构建顾客意见和产品优化信息的关联矩阵,通过关联矩阵找到对应的产品优化信息;最后根据实例验证,证明了具有较好的信息提取效果。