如何在一款互联网产品中，运用「人工智能」技术？

情感分析是自然语言处理中的一项技术，也是文本挖掘中常用的方法。

在产品中，应用情感分析技术也不少见。 例如新浪的舆情大数据平台，运用情感分析对全网数据进行挖掘。另外在一些电商产品中，也会运用情感分析来进行商品评论挖掘，作为推荐系统的一部分。

本文主要结合情感分析技术的应用，谈谈人工智能产品的设计。

---

一、人工智能产品设计与互联网产品设计的区别

人工智能产品的定义较为广泛，智能硬件、机器人、芯片、语音助手等都可以叫做人工智能产品。 本文讨论的人工智能产品，主要是指在互联网产品中运用人工智能技术。

1、从用户需求的角度看

互联网产品主要着手于解决用户的痛点。对于C端产品来说，痛点就是指的个人想解决而无法解决的问题。如个人想要美化自己的照片，但是他不会复杂的PS软件，于是美图秀秀就可以解决这个痛点。从KANO模型中，就是满足用户的基本需求与期望需求。

人工智能产品（在互联网产品中运用人工智能技术）则是要 满足用户的兴奋型需求 。如将情感分析运用到电商的产品评论中，用户则可以通过可视化的数据展示来大致对产品有个全面、直观的了解，而不再需要自己一页一页的翻看评论内容。

2、产品设计角度看

互联网产品主要关注点在于用户需求、流程设计、交互设计、商业模式等。着眼于用户需求，设计满足用户需求的产品，通过合理的流程设计、交互设计达到产品目标，进而实现商业目标。典型的思路是发现“用户需求—设计满足用户需求的产品—迭代完善、产品运营—商业变现”。

人工智能产品关注点在于模型的构建。 它不再是对于布局、交互的推敲，而是通过选择合适的数据，构建合适的模型，保证最终呈现出来的是好的效果。

什么是好的效果呢？这就需要引入评测指标。互联网的评测指标有我们熟知的留存率、转化率、日活跃等，那么人工智能的产品主要是通过一些统计指标来描述。以情感分析为例，把情感分析看成一个分类问题，则可以使用P、R、A、F值来描述。

1） 查准率 （Precision）：P值，衡量某类分类中识别正确的比例。如情感分析中，有10条被分类为“正向”，其中8条是分类正确的（由人工审核），那么P=8/10=80%

2） 查全率 （Recall）：R值，又叫查全率，又叫召回度，指的是某类被被正确分类的比例。同样以情感分析为例，100条数据中有10条是正向的，机器分类后，这10条中有7条被分类为正向，则R=7/10=70%。

3) F值 ，因为P值和R值通常是两个相互矛盾的指标，即一个越高另一个越低，F则是两者综合考虑的指标，不考虑调节P、R权重的情况下，F=2PR/(P+R)

4） 精确度 （Accuracy）：这个最好理解，就是被准确分类的比例，也就是正确率。如100条数据，90条是被正确分类的，则A=90/100=90%。

以上指标越高，说明模型效果越好。

---

二、情感分析产品设 计

我们从上面内容可以知道，人工智能产品设计关注：数据—模型—效果评估。

现在我们以情感分析为例子说明产品设计的过程。

1、数据

数据的选择对最终模型的结果有直接影响。 情感分析，根据不同的目的，选择的数据也不同。

如果将情感分析运用于电影票房预测，则一些更新及时、内容丰富的数据源，如微博，是比较好的选择。

如果是应用于商品的评价，如电子产品，很多评测内容是无法在短短几句话内描述清楚的，这时候微博不是个好的选择，选择论坛上更新较慢、但是详细的内容就比较适合。

如果能在产品的早期就有引入人工智能的打算，则可以在产品中事先做好数据采集。

2、模型

在选择模型中，产品需要了解不同模型的优缺点，进而选择更加合适的模型。 在情感分析中，NB、SVM、N-gram都是常用的模型，其中SVM效果最好（这是已有的结论）。 如果是其他的智能产品，可能需要算法团队进行实验，给出测试数据，进而选择合适的模型。

3、效果评估

效果评估在上文中已经描述得比较清楚，具体指标不再赘述。

4、产品呈现

最后这一步，是将结果展示给用户。 在情感分析中，我们可以选择雷达图、词云、情感趋势图来展示结果。 取决于产品属性，如电商产品评论挖掘，可以使用词云。

如舆论分析，可以使用情感趋势图。

---

三、总结

人工智能产品的设计要关注：数据、模型、评判、呈现。

文/跹尘