[论文解读] A framework to discover potential ideas of new product development from crowdsourcing application

Thanh-Cong Dinh, Hyerim Bae+2 more|arXiv (Cornell University)|Feb 25, 2015

Open Source Software Innovations参考文献 45被引用 6

一句话总结

本文提出了一种半自动框架，利用文本挖掘和在线学习从众包提交中识别高潜力产品创意。通过提取关键文本模式并利用用户投票和评论评估创意质量，该框架显著减少了人工工作量，提升了新产品开发（NPD）创意生成过程的效率，其有效性已在真实众包数据上得到验证。

ABSTRACT

In this paper, we study idea mining from crowdsourcing applications which encourage a group of people, who are usually undefined and very large sized, to generate ideas for new product development (NPD). In order to isolate the relatively small number of potential ones among ideas from crowd, decision makers not only have to identify the key textual information representing the ideas, but they also need to consider online opinions of people who gave comments and votes on the ideas. Due to the extremely large size of text data generated by people on the Internet, identifying textual information has been carried out in manual ways, and has been considered very time consuming and costly. To overcome the ineffectiveness, this paper introduces a novel framework that can help decision makers discover ideas having the potential to be used in an NPD process. To achieve this, a semi-automatic text mining technique that retrieves useful text patterns from ideas posted on crowdsourcing application is proposed. Then, we provide an online learning algorithm to evaluate whether the idea is potential or not. Finally to verify the effectiveness of our algorithm, we conducted experiments on the data, which are collected from an existing crowd sourcing website.

研究动机与目标

• 解决在新产品开发（NPD）中手动筛选来自大规模、未定义群体的大量非结构化创意所面临的挑战。
• 自动化识别代表有意义产品创意的关键文本模式。
• 将用户生成的反馈（投票和评论）整合到创意潜力评估中。
• 开发一种在线学习算法，随时间动态评估创意质量。

提出的方法

• 一种半自动的文本挖掘技术从众包平台发布的创意中提取有用的文本模式。
• 通过分析语言模式和语义内容，框架识别创意描述中的显著特征。
• 采用在线学习算法，基于不断演变的用户反馈（投票和评论）持续评估创意潜力。
• 系统将创意质量建模为用户参与度指标和文本特征的函数，实现实时评估。
• 该方法结合自然语言处理与协同过滤原理，按潜力对创意进行排序。
• 该框架基于从现有新产品开发众包网站收集的真实数据进行训练和验证。

实验结果

研究问题

• RQ1 如何自动提取众包创意中的关键文本模式，以代表有意义的产品概念？
• RQ2 用户投票和评论在识别高潜力创意中起到什么作用？
• RQ3 在线学习算法是否能有效对创意按其在NPD中的潜力进行排序，而无需进行完整的人工审查？
• RQ4 将文本反馈与社交反馈相结合，如何提升创意选择的准确性，相较于传统方法？
• RQ5 所提出的框架在多大程度上减少了大规模NPD流程中创意筛选的时间和成本？

主要发现

• 所提出的框架显著减少了从大规模众包数据中识别高潜力产品创意所需的人工工作量。
• 文本模式提取成功捕捉了创新创意的显著特征，提升了创意分类的精确度。
• 将用户投票和评论整合到评估模型中，增强了系统区分有前景创意与低质量创意的能力。
• 在线学习算法在新反馈持续到达时，表现出稳定且自适应的性能。
• 基于真实众包数据的实证评估证实，该框架在提升NPD创意筛选的效率和准确性方面具有显著有效性。