新能源汽车用户需求特征与演化：基于BERTopic模型的主题挖掘☆

岳芳; 李琪; 潘崇林; 戴文慧; 陆文

doi:10.15978/j.cnki.1673-5668.20250402

科学观察 ›› 2025, Vol. 20 ›› Issue (5) :58-74 DOI: 10.15978/j.cnki.1673-5668.20250402

数据观察

新能源汽车用户需求特征与演化：基于BERTopic模型的主题挖掘^☆

岳芳 ¹ ,
李琪 ¹ ,
潘崇林 ¹ ,
戴文慧 ¹ ,
陆文 ²^,^*

作者信息 +

Research on User Demand Characteristics and Evolution of New Energy Vehicles: Topic Mining Dased on the BERTopic Model

Yue Fang ¹ ,
Li Qi ¹ ,
Pan Chonglin ¹ ,
Dai Wenhui ¹ ,
Lu Wen ²^,^*

Author information +

文章历史 +

摘要

[目的/意义] 随着我国新能源汽车行业的快速发展，企业亟须精准捕获用户需求特征，以驱动产品服务的持续优化与创新突破。然而，由于微博话题更新迅速、热点切换频繁，传统需求分析方法在主题识别全面性、挖掘需求层次关联性以及追踪动态演化上存在明显不足。[方法/过程] 通过分析新浪微博新能源汽车“比亚迪汉”话题下的交互数据，采用BERTopic模型进行主题建模，识别并分析热点主题；结合马斯洛需求层次理论对主题进行相关性分析，揭示其需求层次的分布特征；利用动态主题模型DTM对主题进行时间序列建模，揭示用户需求的演化趋势。[结果/结论] 从热点主题分析结果可以看出，用户讨论主要集中在新车发布、中式设计和产品销量等方面。结合马斯洛需求层次理论，从相关性分析结果可以看出，相关性高的主题多集中在相邻或同一层次，验证了用户需求的递阶性特征。从主题演化分析结果可以看出，行业热点事件对公众关注度具有显著导向作用，市场竞争加剧驱动消费决策趋于理性化，品牌营销策略深度影响用户行为。由于一致性高，BERTopic模型较LDA模型能更准确地识别和跟踪用户的需求变化。

Abstract

[Objective/Significance] With the rapid development of China's new energy automobile industry, enterprises urgently need to accurately capture user demand characteristics to drive continuous optimization and innovation of products and services. However, given the rapid updates and frequent hotspot shifts of Weibo topics, traditional demand analysis methods exhibit significant limitations in topic recognition comprehensiveness, demand hierarchy relevance mining, and dynamic evolution tracking. [Method/Process] By analysing the interaction data under the topic of new energy vehicle “BYD Han” in Sina Weibo, firstly the study employs the BERTopic model for topic modeling to identify and analyze hotspot topics. Secondly, it combines Maslow's Hierarchy of Needs Theory to analyze topic relevance, revealing the distribution characteristics of demand hierarchies. Finally, the Dynamic Topic Model (DTM) is used for time-series modeling of topics to uncover the evolution trends of user demands. [Results/Conclusions] The results show that hotspot analysis reveals user discussions mainly focus on new car releases, Chinese-style design, and product sales. Relevance analysis combined with Maslow's theory demonstrates that highly relevant topics are mostly concentrated in adjacent or the same hierarchy, verifying the hierarchical characteristics of user demands. Theme evolution analysis indicates that industry hotspot events significantly guide public attention, intensified market competition drives rationalization of consumption decisions, and brand marketing strategies profoundly influence user behavior. Due to its high consistency, the BERTopic model can identify and track changes in user demand more accurately than the LDA model.

Graphical abstract

关键词

BERTopic模型 / 主题演化 / 用户需求 / 新能源汽车 / 相关性分析

Key words

BERTopic model / theme evolution / user demand / new energy vehicles / correlation analysis

引用本文

引用格式 ▾

岳芳, 李琪, 潘崇林, 戴文慧, 陆文. 新能源汽车用户需求特征与演化：基于BERTopic模型的主题挖掘^☆[J]. 科学观察, 2025, 20(5): 58-74 DOI:10.15978/j.cnki.1673-5668.20250402

Yue Fang, Li Qi, Pan Chonglin, Dai Wenhui, Lu Wen. Research on User Demand Characteristics and Evolution of New Energy Vehicles: Topic Mining Dased on the BERTopic Model[J]. Science Focus, 2025, 20(5): 58-74 DOI:10.15978/j.cnki.1673-5668.20250402

登录浏览全文

4963

注册一个新账户忘记密码

0 引言

发展新能源汽车是我国从汽车大国迈向汽车强国的必由之路，也是应对气候变化、推动绿色发展的战略举措^[1]。深入了解和响应用户需求，对提升新能源汽车产品满意度、推动产品持续改进具有重要影响^[2]。随着互联网的普及，社交平台日益成为用户表达需求的重要渠道^[3]。新浪微博等社交平台凭借庞大的用户群体和丰富的内容资源，成为用户讨论新能源汽车的重要场所^[4]。用户的讨论内容不仅涵盖新能源汽车的技术性能，还涉及产品外观等多个方面。通过持续互动，用户与汽车品牌间建立了情感联结^[5]。对这些互动内容进行主题建模与分析，有助于深入了解用户需求及其变化。

需求的变化实质上揭示了用户心理状态的波动^[6]。用户是有限理性的，其心理会根据外界信息的输入呈复杂且多变的特征^[7]。因此，若仅依赖传统的调查问卷等方法捕捉这些心理，存在一定局限性，且难以准确实时地反映用户的真实需求。而这些变化往往体现在交互过程中，可对交互内容进行挖掘，分析这些讨论背后的心理原因。

从用户使用角度，学者们开始利用社交平台的交互数据挖掘用户需求，分析了新能源汽车的热点主题和演化趋势等。然而，现有研究对用户需求的认知在全面性、结构性和动态机理方面仍存在一些不足。首先，在热点主题方面，现有研究的热点主题多集中在电池技术、市场因素和续航能力等方面^[8-9]。这些研究重点关注新能源汽车的技术和政策层面，而忽视了用户讨论中自发涌现出的如中式设计等文化情感类主题。其次，虽然一些学者尝试分析了用户需求的多层次性^[10]，但尚未深入探究需求层次间的内在关联，且未能结合心理学理论进行解释。最后，未系统性考虑主题演化背后的关联因素，难以探究主题演化的深层原因。

主题模型是从大量非结构化文本数据中提取出具有实质意义的主题，进而理解用户讨论的核心内容及发展趋势^[11]。针对新能源汽车，用户的讨论内容不仅涉及技术，还涉及续航里程、充电便利性、价格、智能化配置等更广泛的内容。此外，新能源汽车的技术和车型更新速度快，新技术、新设计不断涌现，用户关注点不断变化。因此，为了对新能源汽车话题下的交互数据进行深入分析，把握热点主题、主题间的内在联系和动态演化，可利用主题模型进行相关分析。而目前常用的LDA（latent dirichlet allocation）、word2vec（word to vector）等模型在处理结构化主题和静态文本方面具有一定优势，但在应对语义变化快、文本长度短、话题更新快等场景下存在一定局限。LDA处理短文本或稀疏数据时效果不佳^[12]，word2vec的静态词向量难以适应语义的动态变化^[13]。为此，需要寻找新的模型。

为深入分析用户需求，本文以微博新能源汽车“比亚迪汉”话题下的交互数据为研究对象。首先，采用BERTopic模型识别初始主题，聚焦热点主题，以获取用户共同关注的需求焦点。然后，通过计算余弦相似度对主题相关性进行分析，并首次结合马斯洛需求层次理论，揭示新能源汽车用户需求层次的递阶性特征。最后，对初始主题进行合并，以减少数据碎片化和噪声干扰，且利用DTM（dynamic topic model）模型对合并后的主题进行演化分析，揭示主题的宏观演化趋势及驱动因素。

1 文献综述

1.1 研究视角

新能源汽车产业涉及企业、政府和用户3类主体。根据主体不同，分别从这3个视角对主题建模进行梳理。从生产角度，主要对新能源汽车的专利等进行分析^[14-15]。这些研究多关注技术的发展路径和创新动力，为企业研发提供参考。从政府政策制定和监管角度，一些学者基于相关政策文件，利用DTM模型，识别出能源节约等政策主题^[16-17]，建议政府鼓励企业进行自主研发等。这些研究为推动产业升级提供了方向。但是，仅从生产、政策制定和监管角度进行研究，会忽视市场需求对技术创新的引导作用。具体表现在，首先，在新能源汽车技术快速迭代背景下，若企业研发决策仅依赖政策导向或内部技术判断，忽视用户需求，可能导致产品功能脱离市场。其次，用户不仅关注产品性能，还重视企业在服务体验、情绪价值等方面的表现。若企业未能从用户需求中准确提取共性诉求，可能导致在品牌宣传中传递与用户诉求不符的信息。最后，企业若忽视用户需求变化趋势，如对售后服务、车型与售价等关注点响应迟缓，可能导致在产品迭代周期和营销定位上错失机会。

用户需求和意见反馈对产品设计和市场定位具有重要影响^[18]。若企业未能及时响应用户反馈，可能导致产品在实际使用中的问题难以被及时发现和解决^[19]，形成负面口碑，降低用户的信任度。从用户角度出发，学者们通过社交平台数据，深入挖掘用户需求，揭示了热点主题。现有研究表明，用户的讨论热点主要集中在电池技术、市场因素和续航能力等方面。这些研究多聚焦于技术性能和政策，导致对用户自发生成、频繁讨论的情感需求与文化诉求主题挖掘不足^[20]。例如，“中式设计”“文化认同”等体现文化价值与情感联结的主题，尽管在用户讨论中广泛存在，却常常被忽视，造成对用户需求理解的片面性，可能削弱用户与汽车品牌间的情感联结^[21]。

需求相关性分析对揭示不同需求之间的内在联系、形成对用户偏好的整体性理解具有重要意义。用户在讨论中常同时表达相互关联的多层次需求。然而，现有研究未能深入分析这些不同层次需求之间存在的关联性及其背后的心理原因。如果企业忽视这些需求间的层次关联性，仅单独分析某一层次需求，将忽略用户的综合诉求，难以满足用户的整体偏好。目前一些学者仅分析了用户需求的多层次性。例如，针对电子健康检测产品，林伟振等^[10]将顾客关注的属性划分为功能属性、服务属性、效用属性和价值属性，发现功能属性是提升顾客满意度的首要因素。该研究可帮助企业明确产品开发的优先级。王克勤等^[6]基于Kano模型，将笔记本电脑的用户需求分为基本型需求、期望型需求、魅力型需求和无关需求。该研究可帮助企业聚焦核心需求并优化资源配置。但上述研究均未进行不同层次需求的相关性分析，同时缺乏结合心理学等理论，对层次间关联性的形成原因进行解释。

揭示用户需求的动态演化规律是企业把握市场脉搏、制定策略的关键。现有研究已开始利用DTM模型等追踪新能源汽车用户讨论的演化趋势。例如，叶光辉等^[9]基于LDA模型，发现续航能力和品牌话题在特定时间段达到峰值。赵动员等^[22]利用DTM模型，识别出新能源汽车需求弱信号“智能化”的演化趋势。然而，现有研究多侧重于描述主题“如何变化”，而对其演化轨迹与外部环境之间的关联规律，则鲜有深入挖掘。

1.2 主题模型

新能源汽车技术发展速度快，其用户需求具有隐蔽性及场景强依赖性等特征。鉴于传统调查问卷是基于研究者预设问题与选项，依赖先验假设引导用户反馈，存在滞后性，只能验证已知假设^[23]，且在捕捉动态需求场景与新兴隐性需求上具有一定的局限。主题模型是一种用于从大量评论文本数据中自动发现隐藏主题结构的统计模型^[24]。该方法通过无监督学习机制解析海量非结构化文本，例如社交媒体评论等，不仅能规避预设偏差，更能实时追踪需求演化路径和主动挖掘潜在需求^[25]。目前常见的主题模型包括LDA、STM（structural topic model）、word2vec和BERT（bidirectional encoder representations from transformers）等。在新能源汽车的研究中，主题模型常被用于分析其技术发展、用户需求^[26]和市场推广^[27]等方面。

在主题挖掘过程中，目前多使用LDA主题模型。然而，微博的评论文本通常简短且口语化^[28]，包含大量非标准化表达，如表情符号等，这增加了文本处理的复杂性。LDA模型需预先指定主题数量，对实际应用中复杂动态的语料库，缺乏灵活性^[29]。LDA模型通过分析文本中的词汇共现模式来推断主题分布，这一过程主要关注词汇与主题间的关联关系^[30]，可能会丢失重要信息。而这些信息对全面理解用户行为、偏好至关重要，特别是在社交媒体等应用场景中。LDA和STM主要基于词袋模型进行统计建模，原理上没有考虑上下文语义信息，在主题识别上还可能出现无意义主题^[31]。word2vec等词嵌入方法也被用于文本表示学习。然而，word2vec所提取的词向量是静态的，无法反映相同词汇在不同语境下的共性和个性，虽然能表达单义词的词义，但对多义词在不同语境下的表现缺乏描写能力^[13]。此外，微博话题更新迅速，热点切换频繁，这要求主题挖掘方法要适应不断变化的话题趋势。因此，针对微博交互数据的特征，需采用更适合的主题挖掘方法。

BERTopic是Maarten于2022年提出的一种使用预训练模型的主题模型^[32]，它弥补了传统主题模型的诸多不足^[33]。BERTopic通过利用预训练的语言模型生成语义嵌入，捕捉文本中词与词之间的语义关系，能更好地处理上下文信息。在微博评论这种语义多样的短文本数据中，BERTopic能有效提取潜在主题^[34]，与LDA主题模型相比，整体具有较高的一致性^[35-36]。一致性是评估主题模型输出质量的核心指标，它对于调整参数及评价主题建模算法的性能具有重要意义。

此外，BERTopic还可以进行相关性分析和演化分析。相关性分析指计算不同主题间的相关程度，帮助企业深入挖掘用户需求之间的复杂关联，更精准地理解用户的需求层次^[37]。目前，常使用余弦相似度衡量相关性。余弦相似度通过计算2个向量之间的夹角余弦值，度量向量方向的相似性。该方法常应用于文本相似性计算和聚类分析，适用于高维稀疏的微博评论数据^[38]。仅从静态方面分析难以深入挖掘隐含主题^[39]，更无法动态跟踪主题的演化趋势。微博评论作为时间序列数据，主题会随时间的推移发生变化。在产品领域的研究中，主题演化模型能揭示主题随时间的变化趋势^[40]，帮助企业理解不断变化的用户需求。常用的主题演化模型包括时间序列模型、BTM（biterm topic model）等。而这些模型常忽视文本的语义信息。BERTopic的DTM模型能将时间维度与语义嵌入结合起来，不仅能分析主题随时间的变化，还能捕捉语义的演变趋势，适合话题更新快和热点切换频繁的微博数据^[41]。

2 研究设计

2.1 数据获取与预处理

微博拥有广泛的用户基础和丰富的互动数据，这些数据可作为企业了解产品市场动态的重要工具。微博公布的2023第1季度财报^[42]中显示，2023年3月微博月活跃用户达到5.93亿、平均日活跃用户达到2.55亿，在国内社交平台中位居前列。比亚迪公司作为中国新能源汽车产业的领军企业之一，在推动中国新能源汽车技术发展中扮演了关键角色，其产品在微博等平台引发热议。

选择微博中比亚迪汽车的用户交互数据为研究对象。以“比亚迪汉”作为关键词进行检索，利用Python程序获取自2020年1月2日—2023年7月25日的数据，包括发帖用户昵称、发帖用户UID、发帖内容、回帖用户昵称、回帖用户UID、回帖内容等。选择此时间段的原因在于，其覆盖了比亚迪汉核心技术如刀片电池的迭代周期，从“比亚迪汉”第1款车型突破关键技术瓶颈，到“冠军版/战神版”通过市场检验建立用户信任，如表1所示。此外，该时间段处于国家新能源汽车购置税减免政策相对稳定的时期，可排除重大政策变动对用户需求和市场反馈的干扰，有利于聚焦技术本身对用户认知的影响。

初步获取的数据共涉及1563个发帖用户，总发帖数量为3588条。为确保分析的准确性，首先，对数据进行初步清洗和去重，包括删除缺失值、无效值，合并重复字段。使用正则表达式对文本中的HTML标签、网页链接、表情符号和其他特殊符号等进行清洗。经过初步清洗，共获取3057条有效发帖。然后，使用Jieba库进行分词，同时添加自定义词典、同义词典和停用词典。其中自定义词典和同义词典来自多次分词的实验结果，例如将一些涉及其他车型的词汇如“小鹏p7”“奥迪A6”等也纳入词典。同时搜集新能源汽车技术性词汇和比亚迪汉参数配置手册词汇，对自定义词典进行手动扩充。最后，进行停用词过滤，以哈工大停用词表为基础语料，并根据分词实验结果进行动态补充。

2.2 研究方法

BERTopic模型是利用聚类技术和基于TF-IDF（term frequency-inverse document frequency）变体c-TF-IDF（class-based TF-IDF）产生一致主题的模型，是一种用于文本聚类和主题建模的算法。首先，BERTopic模型使用预训练的语言模型，构建文档嵌入来获取文档级别的信息，同时对输入进行编码，将每个词条转化为其在BERT词表中的索引。然后，使用UMAP（uniform manifold approximation and projection）方法对高维度嵌入空间进行降维处理，利用HDBSCAN（hierarchical density-based spatial clustering of applications with noise）算法基于层次和密度进行聚类。最后，使用c-TF-IDF提取每个簇的主题词。

1）文本向量化。

BERTopic模型利用预训练的语言模型如BERT，将文本数据转化为高维的向量表示^[43]。采用MiniLM-L12-v2句向量模型对预处理后的文本进行嵌入表示。该模型是一种高效精确的句向量模型，在多个文本相似度和下游任务中表现出色^[44]。BERTopic中具有影响力的参数，如表2所示。这些参数值的确定依赖在经验值范围内的多轮搜索。首先依据BERTopic官方文档提供的默认参数作为基准配置，同时参考使用BERTopic的相关文献中的参数设置。在此基础上，通过多轮实验对比不同参数组合的性能表现，最终选择主题一致性较高的参数组合作为模型配置。

2）UMAP降维。

在生成文本的高维嵌入之后，使用UMAP对高维向量进行降维处理。UMAP是一种非线性降维技术，它将嵌入向量的维度降低到二维，以进行后续的可视化，且保留更多高维数据的局部和全局特征^[45]。

3）HDBSCAN聚类。

采用HDBSCAN对降维后的文本向量进行聚类。HDBSCAN是一种基于密度的聚类算法，可识别高密度区域并过滤噪音点^[46-47]。根据数据特点，使用HDBSCAN的层次聚类方法发现文本中的自然簇，形成不同的主题类别。

4）主题表示。

聚类完成后，使用c-TF-IDF提取聚类中的代表性词汇，构建主题表示^[48-49]。使用CountVectorizer对文档进行词频统计，放入c-TF-IDF进行加权，计算方法如式（1）所示。

(1)$W_{x, c}=\left\|t f_{x, c}\right\| \cdot \log \left(1+\frac{A}{f_{x}}\right)$

式中：W_x,c表示单词x在聚类c中的c-TF-IDF比重值；t表示单词（term）；c表示聚类（class）；A表示每个聚类的平均单词数；tf_x,c表示单词x在聚类c中的频次，f_x表示x在所有聚类中出现的频次。相较于仅考虑词频的TF-IDF算法，c-TF-IDF通过结合概念频率和文档频率，更精确地表示文本特征。

5）DTM动态主题建模。

原始DTM通过在模型中引入时间变量，模拟主题词分布的演变过程，捕捉主题语义如何随时间推移逐步转变。基于BERTopic的动态主题建模DTM利用预训练语言模型BERT生成语义嵌入，通过上下文感知能力深入理解文本语义，解决了传统DTM依赖词频统计而忽略上下文语义的问题。该方法采用全局聚类和时间片分析，先对所有时段的文本进行统一主题建模，通过c-TF-IDF从语义嵌入中提取主题关键词，使主题表达更直观、可解释性更强。在分析主题随时间的分布变化时，该方法通过并行化处理语义嵌入与聚类过程，避免了传统DTM的逐时间片训练，既保证了主题在不同时间片之间的语义一致性，又提高了计算效率和关键词提取速度。同时，BERT的语义表征能力使其对短文本和噪声数据具有更强的鲁棒性，结合HDBSCAN聚类算法可自动识别离群点，适合社交媒体等动态文本数据的主题演化分析。这种基于深度学习的动态主题建模方法，不仅提升了主题演化的语义准确性，也通过优化流程和并行计算提高了整体分析效率。这与原始DTM的“语义演化”机制有本质区别。

基于BERTopic的DTM模型在每个时间步重新计算主题频率，无需多次运行模型即可实现动态主题建模^[45]，这使得模型能捕捉到主题在不同时期的演变轨迹。为了更准确地反映主题的演变过程，在模型中使用了余弦相似度（cosine similarity）衡量主题之间的相似性。余弦相似度计算方法如式（2）所示。

(2)$N(A, B)=\frac{A \cdot B}{\|A\| \cdot\|B\|}=\frac{\sum_{i=1}^{n} A_{i} B_{i}}{\sqrt{\sum_{i=1}^{n} A_{i}^{2}} \cdot \sqrt{\sum_{i=1}^{n} B_{i}^{2}}}$

式中：A和B分别表示2个主题的特征向量。

2.3 研究框架

本文研究框架如图1所示。首先，获取微博新能源汽车“比亚迪汉”话题下的交互数据，进行预处理，使用Jieba工具进行分词。其次，采用BERTopic模型进行主题建模，识别初始主题，并选取热点主题进行分析。然后，通过计算余弦相似度，结合马斯洛需求层次理论，分析初始主题间的相关性。最后，根据相关性分析结果，合并初始主题，利用DTM模型对合并后的主题进行演化分析。

3 结果与讨论

3.1 主题命名

为验证主题模型的有效性，分别计算不同主题数（1~20）下LDA模型和BERTopic模型的一致性得分（coherence score），如图2所示。可以看出，BERTopic模型的一致性得分整体高于LDA模型，表明其生成的主题质量较好^[50]，能较准确地反映用户对新能源汽车的讨论焦点。因此，选择BERTopic模型进行主题建模。观察模型自动聚类结果，共得到37个初始主题。为了便于主题区分和主题间相关性分析，根据特征词对初始主题进行命名，命名结果如表3所示。

3.2 热点主题分析

热点主题是指文档数量占比较高的讨论主题，反映了用户共同关注的需求焦点。分析热点主题有助于提取核心需求，避免低频主题干扰，准确定位用户主要关注方向。在此，选取文档数量占比排在前14的主题作为热点主题进行分析。热点主题包括新车发布（Topic0）、中式设计（Topic1）和产品销量（Topic2）等。输出每个主题中排名前5的特征词，以及对每个特征词所占主题的比重由高到低进行可视化，通过展示特征词的比重，以理解特征词在热点主题中的重要程度，结果如图3所示。

新车发布（Topic0）排在热点主题的第1位。用户讨论最多的特征词是“汉ev”“车型”和“刀片电池”，说明用户对“汉ev”车型有较高的关注度。“刀片电池”因其成功通过针刺测试，提升了安全性而备受关注。中式设计（Topic1）排在第2位。该主题中的特征词“中国结”，以及主题尾灯设计（Topic6）中的特征词“国货之光”和“好看”等，说明用户将产品外观视为民族文化符号的物化载体，也反映了他们对产品外观的中式美学的文化认同和情感联结。设计感也成为品牌塑造的关键。产品销量（Topic2）排在第3位。用户讨论较多的是“汉家族”的“销量”和“同比增长”。说明“汉家族”销量数据被用户主动转化为市场口碑，用户结合这些指标来评估产品的市场接受度。

从特征词比重看，一方面，性能和设计主题用户关注点较分散，讨论多维度均衡分布。例如，中式设计（Topic1）中“设计”比重为0.04，“科技感”比重约为0.02，比重差距小。ota与用户反馈（Topic8）中“ota狂魔”“虚电”和“能控”比重相当，均约为0.13，涉及软件更新、电池系统等汽车性能的讨论。可发现新能源汽车性能和设计相关的讨论，特征词比重相当。表明用户呈现多焦点并行讨论模式，而非单一聚焦于产品的某项性能或外观元素。另一方面，针对品牌和电池技术相关主题用户关注点集中，说明品牌影响力与技术营销策略在用户认知中形成聚焦效应。例如，国内外品牌对比（Topic3）中“特斯拉”比重高达0.18，而“小鹏p7”比重仅为0.04。表明用户重点关注“特斯拉model3”。电池技术（Topic13）中“刀片电池”比重为0.14，“三元锂电池”比重为0.05，比重差距大。表明用户重点关注“刀片电池”，它本质上是磷酸铁锂电池的创新。但其讨论热度明显高于“磷酸铁锂电池”，说明企业通过技术品牌化战略，在用户认知中形成了聚焦效应。

3.3 主题间的相关性分析

通过绘制主题关系余弦相似度热力图，分析初始主题间的相关性，如图4所示。相似度越高的主题越可能被合并为1个主题，这也为后续主题合并提供依据^[51]。为验证相关性结果，绘制了主题距离可视化分布图，如图5所示。可以看出，ota与用户反馈（Topic8）和外观对比（Topic20）、车型测试（Topic7）和车型对比（Topic25）、版本与售价（Topic11）和配置与设计（Topic22）、旅游（Topic31）和保险与补贴（Topic35）这4对显著相关的主题均聚集在一起。

马斯洛需求层次理论是行为科学领域的重要理论，阐述了人的一般需求与行为动机^[35]。马斯洛需求层次理论将需求分为5个层次，由低到高分别是生理需求、安全需求、社交需求、尊重需求和自我实现需求^[52]。该理论被应用于信息需求分析^[26,35]、产品设计^[53]等所涉及的用户需求研究领域。该理论可以在一定程度上解释和归纳新能源汽车用户的多层次需求。因此，结合该理论与主题相关性分析结果，对用户需求层次划分及其内在关联进行解释，如表4所示。

1）生理需求是人的最原始需求，主要指维持基本生存的物质条件，因新能源汽车作为耐用消费品，本研究中不直接对应该层次。2）安全需求包括生活和出行稳定性、可预期性以及经济保障等。例如用户对车辆性能测试、价格透明、政策补贴等方面的关注。此类需求强调产品在使用过程中的可靠性与购买行为的经济安全感。对应本研究的主题为车型测试（Topic7）、版本与售价（Topic11）、保险与补贴（Topic35）。3）社会认同理论认为，个体认识到自己属于特定的社会群体，并认识到其群体成员身份所带来的情感和价值意义^[54]。车型对比（Topic25）、配置与设计（Topic22）、旅游（Topic31）等主题反映出用户希望通过选购或讨论特定车型来表达审美偏好、参与集体评价或分享生活体验，增强社会性关联和群体认同，归属于社交需求。4）外观对比（Topic20）体现了用户对车辆设计、配色及品牌辨识度的关注，是用户希望通过外观表达个性、审美品位以及获得他人认同的体现，归属于尊重需求。5）ota与用户反馈（Topic8）主题中，ota代表车辆具备远程升级、系统优化和智能交互等能力。用户围绕该功能进行讨论与反馈，反映出用户对车辆智能化升级的关注，这种对技术的深度关注，超出了基本出行和安全保障范畴，体现了用户追求“超越现有状态”的心理动机，归属于自我实现需求。

从图4和图5可见，多个主题间存在显著相关性。结合马斯洛需求层次理论，分析用户的相关性需求。例如，ota与用户反馈（Topic8）和外观对比（Topic20）的相关性为0.881，说明外观设计与科技配置共同构成了用户对新车的整体印象。尤其是ota功能作为智能化的代表，与外观设计一样，都是用户购车决策中的重要因素。从表4的特征词可以看出，用户购车时，常会比较同级别车型，如将比亚迪汉与长安启源A07的外观设计等方面进行对比。这种相关性体现了用户既追求先进技术带来的便利和安全，满足自我实现的需求，也希望通过独特的设计来满足自我审美需求和社会认同感，满足尊重需求。不仅展示了用户对车辆功能性和美观性的综合考量，还揭示了其背后的心理动机。

通过以上分析，可以发现马斯洛需求层次在用户交互过程中均有所体现。相关性高的主题大多集中在相邻或同一需求层次，说明用户需求具有递阶性特征。只有当较低层次的需求得到满足后，人们才会追求更高层次的需求。具体而言，首先，用户关注车辆的安全性能，如碰撞测试等，以满足安全需求。然后，用户通过社交互动、车型对比和个性化选择满足社交需求和尊重需求。最后，用户通过选择高配置、智能化、设计独特的车型，表达对高品质和个性化体验的追求，满足更高层次的自我实现需求。

3.4 DTM主题演化趋势分析

3.4.1 主题合并

使用BERTopic进行主题识别时，共得到37个初始主题（图6）。若对初始主题直接进行演化分析，一方面，可能导致过多的演化曲线交叉重叠，使得识别宏观演变趋势变得困难。另一方面，可能导致噪声放大，一些不重要的主题或数据噪声可能会干扰对核心主题的识别。分层主题建模可将主题组织成树形结构，揭示主题之间的聚合关系及层次组合。每个主题可视为更高层次主题的分支，按相关性形成层级，可用于合并相似主题以减少主题数量^[55]。在此绘制基于余弦相似度的主题聚类图，将37个初始主题中语义重叠度较高的主题进行合并，最终得到9大主题，包括色彩与设计（Top0）、华为智联（Top1）、国产车售后服务（Top2）等，如图6所示。这样既能够提炼核心主题，揭示宏观趋势，又提升了演化趋势的可解释性。

3.4.2 主题演化

为了观察主题的演化趋势，以季度为时间戳切片，通过DTM模型对合并后的9大主题进行演化分析，以分析用户关注点随时间的变化，主题演化趋势如图7所示。得到如下结论：

第一，行业热点事件对公众关注度具有显著导向作用。从图7可以看出，主题华为智联（Top1）和色彩与设计（Top0）在特定时段达到峰值。主题华为智联（Top1）在2020年5月讨论频数达到最高峰76。由于该时期，比亚迪公司与华为公司共同推进自动驾驶技术和智能化解决方案，这种跨行业的合作引发了用户的广泛关注。主题色彩与设计（Top0）在2020年5月讨论频数为19，2023年1月达到峰值23。由于该时期，比亚迪在“汉”车型中推出了“龙爪”尾灯设计，以及新的外观颜色，吸引了大量用户关注。

第二，市场竞争加剧与消费逐渐理性化。主题车型与售价（Top8）的演化趋势整体呈现上升趋势。2020年5月讨论频数为23，之后下降，直到2023年4月达到新高峰40。由于在该时期，比亚迪发布了宋L概念车等车型，首次亮相于上海国际展，吸引了大量用户关注。此外，主题购车与使用体验（Top3）和新车发布与推广（Top4）也呈现类似趋势。这说明在技术进步推动产品多元化、市场竞争加剧的背景下，用户开始系统对比各品牌车型的价格和使用体验。

第三，用户行为受到品牌营销策略驱动。主题品牌竞争（Top6）的整体热度持续较高，说明用户持续关注品牌间的对比和竞争。各新能源汽车品牌不断推出新技术、新功能来吸引用户。用户不仅纵向比较单一的品牌车型，也横向比较各个品牌的优劣。例如，比亚迪在刀片电池技术上的突破，特斯拉在自动驾驶领域的进展等。这些技术革新不仅提升了产品的性能，同时也拓宽了用户的选择范围。

4 结论

本文选择微博新能源汽车“比亚迪汉”话题下的交互数据为研究对象，选取热点主题进行分析，避免了低频边缘主题的干扰，有助于更准确地识别用户的主要需求和关注方向；通过相关性分析，将37个初始主题合并为9大主题，进行演化趋势研究，这种处理能抑制数据碎片化和噪声干扰，可清晰呈现这9大主题的宏观演化趋势。这些内容补充了目前新能源汽车领域中对市场导向性话题研究的不足，与技术、政策类研究形成了有效互补。根据研究结果得出了以下结论：

通过热点主题分析，发现用户对新能源汽车的讨论主要集中在新车发布、中式设计和产品销量等方面。其中，在中式设计主题中，“中国结”等特征词多次出现，印证了用户对本土文化元素的高度认同。这一发现验证了用户的文化情感需求，可为车企提供超越技术同质化竞争的新路径。另外，从主题内特征词比重差异来看，品牌建设和宣传方面，国内品牌与国外相比仍有一定的差距。“刀片电池”的比重显著高于其他电池，说明这一技术突破突显了比亚迪公司在电池领域的重要地位。

通过相关性分析，首次在复杂技术产品领域结合主题模型，验证了马斯洛需求层次的递阶性。1）用户对低层次需求，例如续航可靠性和安全性若未达到用户普遍接受的水平，社交认同等高层次需求便难以形成主导性购买因素。2）相邻层次需求具有强相关性。例如，电池安全测试、续航可靠性等安全需求与品牌社群互动等社交需求之间存在强相关性。3）用户需求升级沿相邻层级递进，遵循马斯洛需求层次的递阶性。首先，确保产品的安全性能以满足基本的安全需求，例如，企业可以提高“刀片电池”的安全性来增强用户信任感。其次，通过社交互动增强用户归属感，满足其社交需求。然后，优化个性化定制选项和智能化驾驶辅助功能，满足用户的尊重需求和自我实现需求。因此，企业在开发和推广产品时，应充分考虑需求层次的自然递进关系。在开发策略方面，优先攻克当前用户需求层次的短板；在营销策略方面，相邻层次需求可协同宣传，进行联合推广，但要避免跨需求跳跃宣传。这些策略同样适用于技术复杂度高、用户投入成本大的产品，例如智能手机、智能家居等。

通过主题演化分析，揭示了新能源汽车用户需求变化与外部关键事件的关联规律。首先，行业热点事件显著引导公众关注方向，技术突破与产品迭代牵引舆论热点形成。然后，市场竞争加剧促使消费决策趋于理性化，用户在价格战背景下更注重性价比评估。最后，品牌营销策略深度影响用户行为，“品牌竞争”主题持续高热，这表明企业通过刀片电池、自动驾驶等差异化技术创新构建品牌的同时，也促进用户进行多维度评价。

针对新能源汽车用户需求的隐蔽性与动态演化特征，本研究创新性地将BERTopic模型引入新能源汽车用户需求挖掘。相较于传统方法，该方法具有实时需求追踪能力，可实现对微博评论等时序数据的动态主题演化监测，支持车企快速响应需求变化。该方法克服了传统主题模型在碎片化文本中的语义稀疏性问题，还可为其他智能手机、智能家居等高频迭代型产业提供了需求洞察的重要工具。然而，目前的数据主要来自微博的文本数据，可能无法全面反映用户需求，结论普适性可能会受到场景单一性的影响。未来一方面需纵向持续收集该平台新能源汽车话题的图片、视频等多模态数据；另一方面需通过横向收集哔哩哔哩、汽车之家等多平台新能源汽车话题数据，以减少因数据量不足导致的统计偏差，更精准地识别用户对新能源汽车的需求及其变化。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	周济. 智能制造:“中国制造2025” 的主攻方向[J]. 中国机械工程, 2015, 26(17): 2273-2284.

[2]	(Zhou J. Intelligent manufacturing:main direction of“made in China 2025”[J]. China Mechanical Engineering, 2015, 26(17): 2273-2284.)

[3]	Xu Y Y, Shan X Y, Guo M C, et al. Design and application of experience management tools from the perspective of customer perceived value: a study on the electric vehicle market[J]. World Electric Vehicle Journal, 2024, 15(8): 378.

[4]	Theodorakopoulos L, Theodoropoulou A. Leveraging big data analytics for understanding consumer behavior in digital marketing: a systematic review[J]. Human Behavior and Emerging Technologies, 2024, 2024(1): 3641502.

[5]	闫俊伢, 马尚才. 基于文本聚类的网络微博舆情话题识别与追踪技术研究[J]. 重庆理工大学学报(自然科学), 2019, 33(9): 176-181.

[6]	(Yan J Y, Ma S C. Research on network microblogging lyrics topic recognition and tracking technology based on clustering[J]. Journal of Chongqing University of Technology (Natural Science), 2019, 33(9): 176-181.)

[7]	芈凌云, 俞学燕, 杨洁. 知识型消费者新能源汽车购买行为影响因素研究:基于扎根理论的探索[J]. 企业经济, 2018, 37(4): 19-26.

[8]	(Mi L Y, Yu X Y, Yang J. Research on influencing factors of knowledge consumers'purchase behavior of new energy vehicles:based on the exploration of grounded theory[J]. Enterprise Economy, 2018, 37(4): 19-26.)

[9]	王克勤, 高智姣, 乔亚楠, 等. 在线评论中的用户需求识别及其演化趋势挖掘[J]. 机械科学与技术, 2023, 42(7): 1070-1080.

[10]	(Wang K Q, Gao Z J, Qiao Y N, et al. User requirements identification and trend of evolution mining in online reviews[J]. Mechanical Science and Technology for Aerospace Engineering, 2023, 42(7): 1070-1080.)

[11]	王中邮. 突发事件中网络反向社会情绪的影响因素及机理研究:基于多案例的组态效应分析[J]. 信息资源管理学报, 2024, 14(5): 116-131.

[12]	(Wang Z Y. Driving factors and mechanism of online reverse social emotion in emergencies: a csQCA analysis based on 30 cases[J]. Journal of Information Resources Management, 2024, 14(5): 116-131.)

[13]	赵菲菲, 王宇琪, 孔庆超, 等. 面向公共政策的网络媒体内容文本分析应用框架与实证:以新能源汽车政策为例[J]. 情报科学, 2020, 38(4): 140-146.

[14]	(Zhao F F, Wang Y Q, Kong Q C, et al. Application framework and empirical study of web media content analysis on public policy:new energy vehicle policy[J]. Information Science, 2020, 38(4): 140-146.)

[15]	叶光辉, 李松烨, 谢晟, 等. 新能源汽车产业开源科技情报多维视角分析[J]. 情报科学, 2024, 42(2): 155-164.

[16]	(Ye G H, Li S Y, Xie S, et al. Multidimensional analysis of open-source technological intelligence in the new energy vehicle industry[J]. Information Science, 2024, 42(2): 155-164.)

[17]	林伟振, 刘洪伟, 陈燕君, 等. 基于在线评论的顾客满意度研究:以健康监测穿戴产品为例[J]. 数据分析与知识发现, 2023, 7(5): 145-154.

[18]	(Lin W Z, Liu H W, Chen Y J, et al. Customer satisfaction modelling for healthcare wearable devices through online reviews[J]. Data Analysis and Knowledge Discovery, 2023, 7(5): 145-154.)

[19]	施文, 渠玉杰, 王小双. 考虑文本结构特征的产品召回监督主题模型及应用研究[J]. 中国管理科学, 2024: 1-19[2025-07-05]. https://link.cnki.net/doi/10.16381/j.cnki.issn1003-207x.2023.1637.

[20]	(Shi W, Qu Y J, Wang X S. Supervised topic modeling and application research on product recall considering textual structural features[J]. Chinese Journal of Management Science, 2024: 1-19 [2025-07-05]. https://link.cnki.net/doi/10.16381/j.cnki.issn1003-207x.2023.1637.)

[21]	王璐, 李诗轩, 陈烨. 基于主题-情感融合分析的新冠疫苗舆情演化研究[J]. 情报科学, 2024, 42(8): 65-75.

[22]	(Wang L, Li S X, Chen Y. Public opinion evolution of COVID-19 vaccine based on topic-emotion fusion analysis[J]. Information Science, 2024, 42(8): 65-75.)

[23]	施建军. 大语言模型词向量的语言学价值及其应用所面临的课题[J]. 当代语言学, 2024, 26(4): 496-512.

[24]	(Shi J J. The linguistic significance of word vectors and issues in the applied research[J]. Contemporary Linguistics, 2024, 26(4): 496-512.)

[25]	滕飞, 张奇, 曲建升, 等. 基于专利竞争力指数和Doc-LDA主题模型的关键核心技术识别研究:以新能源汽车为例[J]. 数据分析与知识发现, 2024, 8(11): 33-46.

[26]	(Teng F, Zhang Q, Qu J S, et al. Identifying key and core technologies based on patent competitiveness index and Doc-LDA topic model: case study of E-vehicles[J]. Data Analysis and Knowledge Discovery, 2024, 8(11): 33-46.)

[27]	毛云莹, 陆伟. 基于IPC关联的专利技术和产业双向分析框架研究[J]. 情报科学, 2022, 40(4): 33-39.

[28]	(Mao Y Y, Lu W. The bilateral analysis framework of patented technology and industry based on IPC association[J]. Information Science, 2022, 40(4): 33-39.)

[29]	Wang Z J, Zhou R F, Wang Y J. DTM-based analysis of hot topics and evolution of China's energy policy[J]. Sustainability, 2024, 16(19): 8293.

[30]	Wang S S, Mai S. Study on the theme evolution and synergy assessment of China's new energy vehicle policy texts[J]. Sustainability, 2024, 16(17): 7260.

[31]

Zuhroh S, Rini G P. Product innovation capability and distinctive value positioning drivers for marketing performance: a service-dominant logic perspective[J/OL]. International Journal of Innovation Science, 2024[2025-07-05]. https://www.emerald.com/ijis/article-abstract/doi/10.1108/IJIS-04-2024-0100/1250561.

[32]	康鑫, 毛晴瑞. 迭代创新的前因后效机制研究: 基于腾讯微信的扎根理论分析[J/OL]. 科技进步与对策, 2025: 1-11[2025-07-05]. https://kns.cnki.net/kcms/detail/42.1224.G3.20250523.1643.010.html.

[33]	(Kang X, Mao Q R. The influence-consequence mechanism of iterative innovation: a grounded theory analysis based on we chat from tencent[J/OL]. Science & Technology Progress and Policy, 2025: 1-11[2025-07-05]. https://kns.cnki.net/kcms/detail/42.1224.G3.20250523.1643.010.html.)

[34]	张家军, 黄儒军, 程静. 数字教材的情感植入模型构建及实现路径[J/OL]. 现代远距离教育, 2025: 1-16[2025-07-05]. https://link.cnki.net/doi/10.13927/j.cnki.yuan.20250630.001.

[35]	(Zhang J J, Huang R J, Cheng J. The construction and implementation path of emotional implantation model for digital textbooks[J/OL]. Modern Distance Education, 2025: 1-16[2025-07-05]. https://link.cnki.net/doi/10.13927/j.cnki.yuan.20250630.001.)

[36]	林立, 冉险生, 叶东海, 等. 中国文化符号在轿车造型设计中的应用[J]. 包装工程, 2008, 29(12): 221-223.

[37]	(Lin L, Ran X S, Ye D H, et al. Application of Chinese cultural symbols on car modeling design[J]. Packaging Engineering, 2008, 29(12): 221-223.)

[38]	赵动员, 唐中君, 孙凤霞. 基于动态主题模型的需求弱信号识别研究:以比亚迪新能源汽车为例[J]. 情报杂志, 2024, 43(10): 81-89.

[39]	(Zhao D Y, Tang Z J, Sun F X. Weak demand signal identification based on a dynamic topic model: taking BYD's new energy vehicles as an example[J]. Journal of Intelligence, 2024, 43(10): 81-89.)

[40]	王晓晖, 风笑天. “多元建构” 视角对问卷调查的方法论意义[J]. 南京社会科学, 2017(5): 46-52.

[41]	(Wang X H, Feng X T. Methodological implications of the perspective of multi-subject construction for surveys[J]. Nanjing Journal of Social Sciences, 2017(5): 46-52.)

[42]	Wang X G, Lü T, Fan L. New energy vehicle consumer demand mining research based on fusion topic model: a case in China[J]. Sustainability, 2022, 14(6): 3316.

[43]	Herfort J D, Tamborg A L, Meier F, et al. Twenty years of research on technology in mathematics education at CERME: a literature review based on a data science approach[J]. Educational Studies in Mathematics, 2023, 112(2): 309-336.

[44]	高春玲, 姜莉媛, 董天宇. 基于BERTopic模型的老年人健康信息需求主题演化研究:以新浪微博平台为例[J]. 情报科学, 2024, 42(4): 111-118.

[45]	(Gao C L, Jiang L Y, Dong T Y. Thematic evolution of health information needs in the elderly based on BERTopic model[J]. Information Science, 2024, 42(4): 111-118.)

[46]	Sun B, Ju Z F. Research on the promotion of new energy vehicles based on multi-source heterogeneous data: consumer and manufacturer perspectives[J]. Environmental Science and Pollution Research, 2023, 30(11): 28863-28873.

[47]	Li Z Y, Zou Z F. Punctuation and lexicon aid representation: a hybrid model for short text sentiment analysis on social media platform[J]. Journal of King Saud University - Computer and Information Sciences, 2024, 36(3): 102010.

[48]	Kim H, Kang H, Choi H, et al. Human-building interaction for indoor environmental control: evolution of technology and future prospects[J]. Automation in Construction, 2023, 152: 104938.

[49]	姚洁, 孟小璐. 运用改进型LDA算法的电商微博热点话题研究[J]. 重庆理工大学学报(自然科学), 2019, 33(12): 184-188.

[50]	(Yao J, Meng X L. Research on hot topic of E-commerce microblog based on improved LDA algorithm[J]. Journal of Chongqing University of Technology (Natural Science), 2019, 33(12): 184-188.)

[51]	范梓腾, 宁晶. 发展优先: 地方人工智能治理政策话语中的政府角色定位与时空特征[J]. 电子政务, 2025(6): 47-62.

[52]	(Fan Z T, Ning J. Development priority: government role orientation and temporal and spatial characteristics in local artificial intelligence governance policy discourse[J]. E-Government, 2025(6): 47-62.)

[53]	Grootendorst M. BERTopic: neural topic modeling with a class-based TF-IDF procedure[EB/OL]. [2024-09-07]. https://arxiv.org/abs/2203.05794.

[54]	Khodeir N, Elghannam F. Efficient topic identification for urgent MOOC forum posts using BERTopic and traditional topic modeling techniques[J]. Education and Information Technologies, 2025, 30(5): 5501-5527.

[55]	Egger R, Yu J. A topic modeling comparison between LDA, NMF, Top2Vec, and BERTopic to demystify Twitter posts[J]. Frontiers in Sociology, 2022, 7: 886498.

[56]	刘洋, 柳卓心, 金昊, 等. 基于BERTopic模型的用户层次化需求及动机分析:以抖音平台为例[J]. 情报杂志, 2023, 42(12): 159-167.

[57]	(Liu Y, Liu Z X, Jin H, et al. User hierarchical need and motivation analysis ased on BERTopic model: taking Douyin platform as an example[J]. Journal of Intelligence, 2023, 42(12): 159-167.)

[58]	Lu W, Hangna Z, Tang Y. BTVis: an interactive hierarchical topic modelling visual analysis system based on BERTopic[J/OL]. Journal of Computer-aided Design & Computer Graphics, 2025[2025-04-01]. https://www.jcad.cn/en/article/doi/10.3724/SP.J.1089.2024-00082.

[59]	Wang Z Y, Chen J, Chen J P, et al. Identifying interdisciplinary topics and their evolution based on BERTopic[J]. Scientometrics, 2024, 129(11): 7359-7384.

[60]	马兆辉, 侯冀超, 谢成心, 等. 基于用户特征的谱聚类算法研究[J]. 信息技术与信息化, 2023(10): 104-108.

[61]	(Ma Z H, Hou J C, Xie C X, et al. Research on spectral clustering algorithm based on user characteristics[J]. Information Technology and Informatization, 2023(10): 104-108.)

[62]	龙艺璇, 王晓刚, 周子威, 等. 基于LDA模型的文本时间窗口划分研究[J]. 科学观察, 2024, 19(2): 34-45.

[63]	(Long Y X, Wang X G, Zhou Z W, et al. Research on text time window partition based on LDA model[J]. Science Focus, 2024, 19(2): 34-45.)

[64]	Liu H C, Liu R, Gu X Z, et al. From total quality management to Quality 4.0: a systematic literature review and future research agenda[J]. Frontiers of Engineering Management, 2023, 10(2): 191-205.

[65]	贺超城, 黄茜, 李欣儒, 等. 元宇宙的冷与热:融合BERT与动态主题模型的微博文本分析[J]. 数据分析与知识发现, 2023, 7(9): 25-38.

[66]	(He C C, Huang Q, Li X R, et al. Trending topics on metaverse: a microblog text analysis with BERT and DTM[J]. Data Analysis and Knowledge Discovery, 2023, 7(9): 25-38.)

[67]	微博发布2022年第二季度财报[EB/OL]. [2025-04-01]. https://finance.sina.com.cn/stock/usstock/c/2022-09-01/doc-imizmscv8689449.shtml.

[68]	(Weibo releases Q2 2022 financial report[EB/OL]. [2025-04-01]. https://finance.sina.com.cn/stock/usstock/c/2022-09-01/doc-imizmscv8689449.shtml.)

[69]	Meng Y, Zhang Y Y, Huang J X, et al. Topic discovery via latent space clustering of pretrained language model representations[C]// Proceedings of the ACM Web Conference 2022.New York, NY, USA: Association for Computing Machinery, 2022: 3143-3152.

[70]	胡凯茜, 李欣, 王龙腾. 基于BERTopic模型的网络暴力事件衍生舆情探测[J]. 情报杂志, 2024, 43(7): 146-153.

[71]	(Hu K X, Li X, Wang L T. Detection of derived public opinion of cyber violence incidents based on BERTopic model[J]. Journal of Intelligence, 2024, 43(7): 146-153.)

[72]	王蓝蓝, 刘艳丽. 基于BERTopic的计算机视觉领域热点技术主题及演化分析[J]. 科学观察, 2024, 19(2): 46-60.

[73]	(Wang L L, Liu Y L. Hot technology topics and evolution analysis in the field of computer vision based on BERTopic[J]. Science Focus, 2024, 19(2): 46-60.)

[74]	Zhang T T, Yuan B. Density-based multiscale analysis for clustering in strong noise settings with varying densities[J]. IEEE Access, 2018, 6: 25861-25873.

[75]	Blanco-Portals J, Peiró F, Estradé S. Strategies for EELS data analysis. introducing UMAP and HDBSCAN for dimensionality reduction and clustering[J]. Microscopy and Microanalysis, 2022, 28(1): 109-122.

[76]	姚严志, 李建良. 基于类信息的TF-IDF权重分析与改进[J]. 计算机系统应用, 2021, 30(9): 237-241.

[77]	(Yao Y Z, Li J L. Feature weight analysis and improvement of TF-IDF based on category information[J]. Computer Systems & Applications, 2021, 30(9): 237-241.)

[78]	徐冬冬, 吴韶波. 一种基于类别描述的TF-IDF特征选择方法的改进[J]. 现代图书情报技术, 2015(3): 39-48.

[79]	(Xu D D, Wu S B. An improved TF-IDF feature selection based on categorical description[J]. New Technology of Library and Information Service, 2015(3): 39-48.)

[80]	苏婉, 于森, 禚传阳. 我国数据要素政策主题演化与识别分析[J]. 图书情报工作, 2024, 68(16): 90-103.

[81]	(Su W, Yu S, Zhuo C Y. Analysis of the evolution and identification of topics in China's data element policies[J]. Library and Information Service, 2024, 68(16): 90-103.)

[82]	汪大锟, 化柏林. 基于BERTopic的新兴技术主题识别研究[J]. 科技情报研究, 2025, 7(1): 131-140.

[83]	(Wang D K, Hua B L. Research on emerging technology topic identification based on BERTopic[J]. Scientific Information Research, 2025, 7(1): 131-140.)

[84]	孙久义. 公务员廉政激励机制研究:基于马斯洛需求层次理论[J]. 领导科学, 2017(5): 56-58.

[85]	(Sun J Y. Research on incentive mechanism of civil servants' integrity:based on maslow's hierarchy of needs theory[J]. Leadership Science, 2017(5): 56-58.)

[86]	彭鑫月, 尹志远, 陶涛, 等. 基于PSO-FAHP模型的办公座椅需求评价体系的应用分析[J]. 林产工业, 2023, 60(2): 46-51.

[87]	(Peng X Y, Yin Z Y, Tao T, et al. Analysis of the application of office seating demand evaluation system based on PSO-FAHP model[J]. China Forest Products Industry, 2023, 60(2): 46-51.)

[88]	黄京华, 金悦, 张晶. 企业微博如何提升消费者忠诚度:基于社会认同理论的实证研究[J]. 南开管理评论, 2016, 19(4): 159-168.

[89]	(Huang J H, Jin Y, Zhang J. How can enterprise microblogging improve consumer loyalty: an empirical study based on social identity theory[J]. Nankai Business Review, 2016, 19(4): 159-168.)

[90]	刘晓蕾, 杨超宇. 基于BERTopic的煤矿安全风险主题挖掘[J/OL]. 重庆工商大学学报(自然科学版), 2025: 1-9 [2025-07-05]. https://kns.cnki.net/kcms/detail/50.1155.N.20250226.1034.002.html.

[91]	(Liu X L, Yang C Y. Coal mine safety risk topic mining based on BERTopic[J/OL]. Journal of Chongqing Technology and Business University (Natural Science Edition), 2025: 1-9[2025-07-05]. https://kns.cnki.net/kcms/detail/50.1155.N.20250226.1034.002.html.)

基金资助

^☆国家自然科学基金青年科学基金项目“时变交互网络下知识协同中的观点演化机制研究：基于动力学视角”(72001054)

国家自然科学基金项目“复杂信息下的动态激励评价模型与方法研究”(72161006)

桂林电子科技大学研究生教育创新计划项目“社交平台人智交互对知识协同的影响研究——以‘新能源汽车'话题为例”(2025YCXS106)

PDF (3892KB)

944

访问

被引

详细

导航

Published
2025-10-15
Online Date
2025-10-20

摘要