對于當(dāng)下共享單車在互聯(lián)網(wǎng)界的火熱狀況，筆者想從大數(shù)據(jù)文本挖掘的角度來做一番分析，主要是從海量的文本數(shù)據(jù)中找到有價(jià)值的訊息和觀察視角，透過文本挖掘了解共享單車相關(guān)的熱門話題和潛在趨勢。

2016年底以來，國內(nèi)共享單車毫無征兆的就火爆了起來，彼時(shí)一張手機(jī)截屏躥紅網(wǎng)絡(luò)—在這張截圖上，24個(gè)共享單車應(yīng)用的圖標(biāo)霸滿了整個(gè)手機(jī)屏幕，昭示著共享單車市場搶奪大戰(zhàn)的激烈和殘酷。

再看看一組來自易觀千帆的數(shù)據(jù)：共享單車領(lǐng)域兩大巨頭—摩拜單車和ofo近一年的客戶端用戶增長數(shù)據(jù)，二者的用戶增長曲線別無二致，都是一路高歌猛進(jìn)，共享單車領(lǐng)域的火爆勢頭在短時(shí)間內(nèi)不會遏止。

同時(shí)，在全國各大城市，在街頭巷尾，在居民小區(qū)和創(chuàng)業(yè)園區(qū)，排滿了各種顏色的共享單車，仿佛一夜之間，共享單車如“千樹萬樹”的梨花一般，盛開到了泛濫成災(zāi)的地步了。

與此同時(shí)，各種亂象也是接踵而至，觸目驚心：人為肆意毀壞單車、車身亂貼小廣告、街上隨意停放…

對于當(dāng)下共享單車在互聯(lián)網(wǎng)界的火熱狀況，筆者想從大數(shù)據(jù)文本挖掘的角度來做一番分析，主要是從海量的文本數(shù)據(jù)中找到有價(jià)值的訊息和觀察視角，透過文本挖掘了解共享單車相關(guān)的熱門話題和潛在趨勢。

同時(shí)，筆者也希望把一些常用的文本挖掘方法介紹給大家，以便大家在做產(chǎn)品和運(yùn)營的過程中能派上用場。對于文本挖掘的相關(guān)知識在這里就不贅述了，可以參考筆者之前寫的兩篇文章：《數(shù)據(jù)運(yùn)營|數(shù)據(jù)分析中，文本分析遠(yuǎn)比數(shù)值型分析重要?。ㄉ希?/a>、《在運(yùn)營中，為什么文本分析遠(yuǎn)比數(shù)值型分析重要？一個(gè)實(shí)際案例，五點(diǎn)分析（下）》。

以下是本文的行文路線圖和所涉及的文本挖掘方法。

1.數(shù)據(jù)采集和預(yù)處理

在數(shù)據(jù)采集部分，筆者想采集跟共享單車關(guān)聯(lián)性強(qiáng)的文本數(shù)據(jù)，筆者沒有去寫爬蟲去爬取數(shù)據(jù)，而是用到了XXX“信息監(jiān)測”中的“數(shù)據(jù)導(dǎo)出”功能，根據(jù)設(shè)置的關(guān)鍵詞檢索邏輯，將所有涉及到共享單車的各類媒體文章的標(biāo)題、發(fā)布時(shí)間、媒體名稱、正文及正文分詞等數(shù)據(jù)下載下來，省去文本數(shù)據(jù)的清洗和預(yù)處理過程，直接進(jìn)行文本挖掘部分。

在這里，筆者選取了市場上主流的26個(gè)共享單車品牌，再加上關(guān)鍵字“共享單車”，形成如下的關(guān)鍵詞檢索邏輯：

共享單車+(永安行 |ofo|小鳴單車 |小藍(lán)單車 |智享單車 |北京公共自行車 |騎點(diǎn) |奇奇出行 |CCbike |7號電單車 |黑鳥單車 |hellobike |酷騎單車 |1步單車 |由你單車 |踏踏 |Funbike單車 |悠悠單車 |騎唄 |熊貓單車 |云單車 |優(yōu)拜單車 |電電Go單車 |小鹿單車 |小白單車 |快兔出行 |摩拜單車 | 綠游GreenBike)

筆者選取2017-3-1~2017-6-30之間的數(shù)據(jù)，經(jīng)由上面的檢索關(guān)鍵詞，可以得到我們想要的數(shù)據(jù)，為節(jié)省時(shí)間，筆者僅選取“新聞”這一信息來源的文本數(shù)據(jù)作為分析對象，因?yàn)檫@部分的數(shù)據(jù)比較符合要求，包含的噪音較小。結(jié)果顯示如下：

導(dǎo)出數(shù)據(jù)之后，結(jié)果如下：

上面圈紅的字段是比較重要的分析維度，注意，導(dǎo)出的文章正文數(shù)據(jù)已經(jīng)經(jīng)過系統(tǒng)分詞和去停用詞處理，直接省去了文本預(yù)處理所要耗費(fèi)的時(shí)間。

筆者再對其中的數(shù)據(jù)進(jìn)行去重處理—去掉“標(biāo)題/微博內(nèi)容”和“正文切詞”相同的部分，再從“發(fā)布日期”中提取出“月份”字段（用于后面的按月份分類文本），最終得到如下結(jié)果：

由此，原先的數(shù)據(jù)量從30W+的數(shù)據(jù)量減少到88,291條數(shù)據(jù)。

2 常規(guī)描述性數(shù)據(jù)統(tǒng)計(jì)

在正式的文本分析之前，筆者再對上述預(yù)處理后的數(shù)據(jù)進(jìn)行描述性分析，先從表層獲得這些數(shù)據(jù)的直觀印象。

首先是這4個(gè)月有關(guān)共享單車的文章數(shù)量的分布情況，如下圖所示：

可以看到，中間兩個(gè)月的發(fā)布文章數(shù)量最多，3月份的數(shù)量最少。

經(jīng)統(tǒng)計(jì)，共有4056個(gè)媒體發(fā)布了跟共享單車有關(guān)的文章，在Excel中使用“數(shù)據(jù)分析-描述統(tǒng)計(jì)”對這些媒體發(fā)文數(shù)據(jù)進(jìn)行描述統(tǒng)計(jì)，得出如下結(jié)果：

由此可見，在文章總數(shù)88,291篇、發(fā)文媒體4,056個(gè)的情況下，平均每個(gè)媒體的發(fā)文數(shù)約為22篇（21.66），其中的中位數(shù)為3篇，眾數(shù)為1篇，最大發(fā)文數(shù)為4,815篇。結(jié)合下面的直方圖，數(shù)量分布呈現(xiàn)明顯的左偏態(tài)，主要集中在“0-300篇”這個(gè)區(qū)間內(nèi)（其中絕大部分為1篇）。

再來展示發(fā)文數(shù)量TOP30媒體的情況。排名榜首的是突襲網(wǎng)，它是一個(gè)信息資訊“大雜燴”（上面有各類轉(zhuǎn)載過來的信息和琳瑯滿目的廣告，而且經(jīng)常不標(biāo)明信息來源……），其次是騰訊新聞、搜狐媒體平臺、新浪和網(wǎng)易這樣的綜合信息門戶網(wǎng)站。有點(diǎn)意外的是，漢豐網(wǎng)（www.kaixian.tv）的關(guān)于共享單車的發(fā)文量竟然排在第四位，它原名“開縣新聞網(wǎng)”，原本是一個(gè)地方性質(zhì)的媒體，于2010年成立，為把網(wǎng)站建設(shè)為報(bào)紙、電視、電臺“三網(wǎng)合一”的網(wǎng)絡(luò)媒體，漢豐網(wǎng)全面整合開縣主流媒體資源，單從發(fā)文信息量這點(diǎn)來說，該網(wǎng)站發(fā)展著實(shí)迅猛。

對于接下來的文本數(shù)據(jù)挖掘，筆者用到的是Python，以及常用的數(shù)據(jù)科學(xué)分析包，如jieba、sklearn、gensim、snownlp等。

3 關(guān)鍵詞提取

在這部分，筆者除了對上述經(jīng)分詞處理的正文文本進(jìn)行詞頻統(tǒng)計(jì)的同時(shí)，還用到了信息檢索領(lǐng)域里的TF-IDF（Term Frequency–Inverse Document Frequency）關(guān)鍵詞統(tǒng)計(jì)方法：它用以評估一字/詞對于一個(gè)文件集或一個(gè)語料庫中的其中一份文件的重要程度，字/詞的重要性會隨著它在文件中出現(xiàn)的次數(shù)成正比增加，但同時(shí)會隨著它在語料庫中出現(xiàn)的頻率成反比下降。

由此可見，在提取某段文本的關(guān)鍵信息時(shí)，關(guān)鍵詞提取較詞頻統(tǒng)計(jì)更為可取，能提取出對分析文本具有重要意義的關(guān)鍵詞。

根據(jù)上面的闡述，權(quán)重值大小與詞頻數(shù)不呈正比。對這88,291篇文章的關(guān)鍵詞提取和詞頻統(tǒng)計(jì)如下。

從上表可以看出，提取出的關(guān)鍵詞跟共享單車的關(guān)聯(lián)性很明顯，大致上有如下幾類：

• 共享單車的品牌及其創(chuàng)始人：“小黃車”(ofo)、“摩拜單車”、“永安行”、“小鳴（單車）”、“胡瑋煒”、“戴威”等。
• 投融資、資本運(yùn)作：“資本”、“投資”、“融資”、“戰(zhàn)略”、“資金”、“金融”、“商業(yè)”、“投資人”、“合伙人”等。
• 政府對共享單車行業(yè)的監(jiān)管：”政府”、”規(guī)范”、”監(jiān)管”、”車管”、’城管“、‘機(jī)動(dòng)車”、”車道”、“秩序”、”政策”等。
• 共享單車運(yùn)營相關(guān)（包括其中出現(xiàn)的問題）：”投放”、”運(yùn)營”、”停車”、”支付”、”手機(jī)”、”擁堵”、”街頭”、”開鎖”、”地鐵站”、”環(huán)境”等。

然后根據(jù)這些詞的詞頻大小制作出共享單車形狀的個(gè)性化詞云，顯示如下：

關(guān)鍵詞的提取只是獲取這些文本訊息的“初の印象”，好戲還在后頭！

4 LDA主題模型

如果小伙伴們覺得上面筆者用關(guān)鍵詞劃分主題的做法有點(diǎn)扯淡，表示不服，那么筆者將拿出LDA主題模型來“回?fù)簟蹦悖僮髦?，先來簡單科普下LDA主題模型到底啥玩意。

由于LDA屬于概率主題模型的子類，那就先從“概率主題模型”說起：

概率主題模型（Statistical Topic Models）是一類從文本文檔中提取潛在語義信息的有效方法，近年來在文本挖掘領(lǐng)域得到了非常廣泛的應(yīng)用，在文本分類、信息檢索等相關(guān)領(lǐng)域取得了非常好的應(yīng)用效果。概率主題模型的基本原理認(rèn)為文檔是若干主題的混合概率分布，而每個(gè)主題又是一個(gè)關(guān)于單詞的混合概率分布，可以看作是文檔的一種生成模型。在概率主題的各項(xiàng)方法當(dāng)中，潛在狄利克雷分配模型（LDA model）是最為有效的模型之一。

LDA是一種典型的無監(jiān)督（也就是說，我們事先不知道每段文本里面說的是啥，每個(gè)文本沒有啥標(biāo)簽）、基于統(tǒng)計(jì)學(xué)習(xí)的詞袋模型，即它認(rèn)為一篇文檔是由一組詞構(gòu)成的一個(gè)集合，詞與詞之間沒有順序以及先后的關(guān)系。一篇文檔可以包含多個(gè)主題，文檔中每一個(gè)詞都由其中的一個(gè)主題生成。主題模型通過分析文本中的詞來發(fā)現(xiàn)文檔中的主題、主題之間的聯(lián)系方式和主題的發(fā)展，通過主題模型可以使我們組織和總結(jié)無法人工標(biāo)注的海量電子文檔。

類似Kmeans聚類，LDA模型的主題數(shù)也需要人工來確定，筆者在嘗試了多個(gè)主題數(shù)之后，確定了最終的主題數(shù)，從下面的LDA可視化圖形可以看出，主題數(shù)為6時(shí)，很多主題所涵蓋的關(guān)鍵詞出現(xiàn)嚴(yán)重的重疊，而分成10個(gè)主題后，情況得到好轉(zhuǎn)，話題區(qū)分度尚能接受。

下圖“打印”出這10個(gè)主題及其下轄的20個(gè)關(guān)鍵詞，以“權(quán)重值*詞匯”的累加形式呈現(xiàn)，各個(gè)權(quán)重值其實(shí)是該詞匯在指定主題下出現(xiàn)的概率大小，也可以理解為該詞對該主題的“貢獻(xiàn)”程度，比如TOP0中的“孩子”前的權(quán)重系數(shù)為0.008，表明在TOP0的話題下，“孩子”被“抽中”的概率為0.008。依次類推，各個(gè)詞語w在主題T下出現(xiàn)的概率分布稱之為詞分布，這個(gè)詞分布也是一個(gè)多項(xiàng)分布。

對于上圖中的主題詞列表（表示與各個(gè)潛在主題最為相關(guān)的一些詞語），筆者還進(jìn)行了可以點(diǎn)擊交互的可視化展示，可以看到每個(gè)主題下的關(guān)鍵詞在該話題下及總的文本中的占比情況，從中可以看出某個(gè)詞對于該主題的重要程度如何。如下圖中TOP1下的關(guān)鍵詞“摩拜”，在該主題中出現(xiàn)的概率最大，重要性最高，紅色條柱代表它在TOP1下的比重，而藍(lán)色條柱的是它在整個(gè)文本（88,291篇文章）中的比重。某個(gè)詞對該主題重要性最顯著的情況是：藍(lán)色條柱更短、紅色條柱越長，這類詞更能對主題進(jìn)行區(qū)隔。

將上述TOP及其下轄的主題詞進(jìn)行整理，排除主題中的“噪音”（明顯跟主題不相關(guān)的詞匯異常點(diǎn)），根據(jù)其中的詞匯構(gòu)成（不僅僅是下列展示的20個(gè)關(guān)鍵詞，還包含后續(xù)的若干主題關(guān)鍵詞）及相關(guān)媒體報(bào)道，得出這10個(gè)主題的大致“內(nèi)涵”:

主題對應(yīng)的具體內(nèi)容如下表所示：

?5 文檔聚類

接下來采用的是基于譜聯(lián)合聚類算法（Spectral Co-clustering algorithm）的文檔聚類，這部分的原理涉及到艱深的數(shù)學(xué)和算法知識，可能會引起小伙伴們的閱讀不適感，如果是這樣，請快速跳過，直接看后面的操作和結(jié)果。

先將待分析的文本經(jīng)TF-IDF向量化構(gòu)成了詞頻矩陣，然后使用Dhillon的譜聯(lián)合聚類算法（Spectral Co-clustering algorithm）進(jìn)行雙重聚類（Biclusters）。所得到的“文檔-詞匯”雙聚類（Biclusters）會把某些文檔子集中的常用詞匯聚集在一起，由若干個(gè)關(guān)鍵詞構(gòu)成某個(gè)主題。

在正式分析前，現(xiàn)將先前Excel中的正文分詞文本按月份進(jìn)行分類，將其單獨(dú)放進(jìn)所屬的月份文件夾下，操作如下圖所示。

最終的結(jié)果是，系統(tǒng)自動(dòng)形成的幾個(gè)文檔簇群，以及每個(gè)簇群下面最重要的TOP30關(guān)鍵詞。結(jié)果如下圖所示：

翻譯一下，說人話就是：

上面的每一個(gè)Bicluster類別都可以看做是一個(gè)話題，這里可以量化的看到每個(gè)話題在總文本中的成分占比（通過文檔數(shù)量或關(guān)鍵詞數(shù)量來判定），也可以了解該話題在這4個(gè)月上的成分分布情況。從上圖中可以看到，3-6月這四個(gè)月間的若干文本在Biclusters下分為4個(gè)話題?？梢钥吹剑贐iclusters聚類的話題區(qū)分度明顯要好于上述的LDA主題模型，而且很神奇的是，類別相近的詞匯會自動(dòng)聚集在一個(gè)話題下，橫跨這8W+個(gè)文檔！

上面四個(gè)話題可以很容易的得出：

• Biclusters類別0：共享單車相關(guān)的創(chuàng)投、資本和競爭相關(guān)，行業(yè)的視角
• Biclusters類別1：共享單車相關(guān)的行政監(jiān)管、整治，政府的視角
• Biclusters類別2：共享單車運(yùn)營中出現(xiàn)的各種社會問題，社會的視角
• Biclusters類別3：共享單車方面的負(fù)面信息，很多已經(jīng)上升到違法違規(guī)，甚至觸犯刑法的層面了，法律的視角

由上面的數(shù)據(jù)，還可以得到這4個(gè)話題在總文本中的占比情況。

從上圖可以看出，Biclusters類別1的比重最大，也就是4個(gè)月間關(guān)于共享單車行政監(jiān)管方面的文章較多，共享單車在市場運(yùn)營過程中的各類問題已然引起社會和有關(guān)部門的高度重視，各種行業(yè)亂象亟待整治和肅清。

將話題和月份進(jìn)行交叉分析，可以看到每個(gè)月份下關(guān)于共享單車報(bào)道的話題構(gòu)成情況。

比如，4月份有關(guān)共享單車的各種社會問題的媒體報(bào)道較多，而6月份對共享單車行業(yè)方面的報(bào)道居多。剩下的請小伙伴們看表說話，自行腦補(bǔ)，我就不廢話咯。

6 情感分析

筆者在新浪微輿情“信息監(jiān)測”上觀察到，3~6月間關(guān)于共享單車的負(fù)面信息的走勢情況，顯然，這段時(shí)間內(nèi)的負(fù)面信息一直處于一個(gè)較高的水平，平均每天好幾W的負(fù)面新聞報(bào)道量。

緊接著，筆者使用機(jī)器學(xué)習(xí)的方法，對這8W多條文章的標(biāo)題進(jìn)行本地的情感分析，以便獲得媒體對共享單車報(bào)道的“情感傾向”的總體情況。

這里的“情感傾向”是以一個(gè)介于0~1之間的“情感極性值”來表征—如果某條評論的情感極性值越接近于0，說明它的負(fù)面情感傾向越明顯，越接近于1，說明它的正面情感傾向越明顯，而取值在0.5左右徘徊，這說明這種情感傾向不明顯，是為“中性”。筆者將情感傾向值的取值區(qū)間0~1細(xì)分為3個(gè)子區(qū)間，分別對應(yīng)不同的情感傾向。詳細(xì)操作請參考《用數(shù)據(jù)全方位解讀<歡樂頌2>》的2.1部分。

經(jīng)整理，將其制作成直方圖的形式呈現(xiàn)：

從上面的直方圖可以看出，情感極性值絕大部分在0.2上的分布最多，而這個(gè)分值處在負(fù)面情感度的左端，很低的水平。根據(jù)上圖顯示，如果要給這段時(shí)間內(nèi)共享單車的總體情感傾向評級（5個(gè)級別，“極其負(fù)面”、“比較負(fù)面”、“中性”、“比較正面”、“極其正面”）的話，那么這個(gè)評級接近于“極其負(fù)面”。

以下是關(guān)于共享單車“三元”情感傾向的占比情況。

由此，再次印證了這段時(shí)間內(nèi)關(guān)于共享單車的各類負(fù)面報(bào)道不斷。

不過，話又說回來，這些都是來自媒體的聲音，而媒體有喜好報(bào)道負(fù)面訊息的傳統(tǒng)，缺少了廣大網(wǎng)民發(fā)聲，對共享單車的輿情分析難免會存在信息失真。對此，筆者選擇了社會化媒體中具有重大影響力的新浪微博作為分析對象，對上面的網(wǎng)民情緒進(jìn)行總覽。關(guān)于社會化媒體方面的大數(shù)據(jù)分析，小伙伴們可以參看《如何利用Social Listening從社會化媒體中“提煉”有價(jià)值的信息？》

下面幾張圖來自新浪微輿情的“情緒地圖”部分，數(shù)據(jù)來源為新浪微博，為保持時(shí)效性，時(shí)間區(qū)間為近三日。

整體上看，與媒體的報(bào)道不同，絕大部分網(wǎng)民對于共享單車的“泛濫成災(zāi)”是持“喜悅”情緒的，由上面的LDA主題模型可以了解到，“便利出行”是形成這種贊許態(tài)度的原因之一。

7 LSI文本相似度索引

在上面的主題分析和文本聚類分析中，“融資”這個(gè)關(guān)鍵詞出現(xiàn)了若干次，它成功的攫取了筆者的眼球。為此，筆者想通過“融資”這個(gè)關(guān)鍵詞去找尋與其最相關(guān)的TOP20新聞標(biāo)題。在這里，筆者不采用直接通過關(guān)鍵詞查找的方法去尋找這些相關(guān)標(biāo)題，而是通過語義上的關(guān)聯(lián)性去尋找，也就是說，即使這些語句不包含“融資”二字，只要體現(xiàn)這個(gè)含義就是我要尋找的目標(biāo)。

鑒于此，筆者采用了基于LSI（Latent Semantic Index，潛在語義索引）的方法去查找文本相似度最高的20個(gè)語句，大致上比較文本向量化后的余弦夾角值（介于0-1之間），值越大，就代表相似度越高。詳細(xì)的原理推導(dǎo)，小伙伴們可以自行Google腦補(bǔ)。

經(jīng)過分析，找到了跟“融資”語義最相關(guān)的20條新聞?？梢钥吹?，里面很多沒有包含“融資”二字，但意義上都有體現(xiàn)資本運(yùn)作，比如“共享單車又掀起新一輪‘互掐’”這條新聞，里面有這樣的論述:“公開資料顯示，截至2017年4月，兩家公司共計(jì)融資總額超過10億美元，其中ofo剛剛完成D3輪融資，估值超過16億美元”，第二個(gè)“…ofo共享單車獲4.5億美元”，也是講的融資方面的新聞，剩下的相似語句以此類推。

從這些新聞標(biāo)題來看，共享單車領(lǐng)域的競爭不僅出現(xiàn)在用戶獲取和地盤爭奪上，在資本領(lǐng)域的也是刀光劍影，撕得不可開交。

由此可以看到，計(jì)算機(jī)通過LSI算法變得“聰明”了不少，在某種程度上，能“理解”自然語言了！

8 Word2vec

最后進(jìn)行的是基于Word Embedding的Word2vec詞向量分析，將正文分詞文本直接進(jìn)行詞向量模型訓(xùn)練，然后用來進(jìn)行關(guān)聯(lián)詞分析。

Word2vec是Word Embedding(詞嵌入)中的一種，是將文本進(jìn)行詞向量處理，將這些詞匯映射到向量空間，變成一個(gè)個(gè)詞向量（WordVector），以使這些詞匯在便于被計(jì)算機(jī)識別和分析的同時(shí)，還具有語義上的關(guān)聯(lián)性，而不僅僅是基于詞匯之間的共現(xiàn)關(guān)系。類似的例子可以參看筆者之前的文章《用數(shù)據(jù)全方位解讀<歡樂頌2>》、《以<大秦帝國之崛起>為例，來談大數(shù)據(jù)輿情分析和文本挖掘》。

首先，筆者對共享單車的2大巨頭—摩拜單車、ofo（小黃車）及其各自CEO的相關(guān)詞匯感興趣，分析結(jié)果如下：

從上圖可以看出，跟“胡瑋煒”、“摩拜”最相關(guān)的詞匯是“陳偉鴻”，是中央電視臺的主持人、記者、編輯、制片人，而胡瑋煒畢業(yè)于浙江大學(xué)城市學(xué)院新聞系，在《每日經(jīng)濟(jì)新聞》、《新京報(bào)》、《商業(yè)價(jià)值》等媒體做過記者和報(bào)道。也就是說，他們有著類似的從業(yè)經(jīng)歷，而且在6月25日的央視《對話》節(jié)目中，作為主持人的陳偉鴻與作為嘉賓的胡瑋煒有了交集。排在第二位的是她的對手ofo的CEO戴威。

值得注意的是，出現(xiàn)在關(guān)聯(lián)詞列表中的 “（王）曉峰”，曾任職Uber上海城市總經(jīng)理，是摩拜單車大股東李斌“邀請”來擔(dān)任摩拜CEO一職的，理由是媒體出身的胡瑋煒在經(jīng)營層面缺乏經(jīng)驗(yàn)，由此業(yè)界傳聞“王曉峰是資本派來的管家”不脛而走。“曉峰”后面緊隨“昆侖決”，根據(jù)語境來講，這里的“昆侖決”應(yīng)該不是實(shí)指青海衛(wèi)視的那項(xiàng)世界職業(yè)搏擊賽事，而是用以隱喻共享單車行業(yè)競爭激烈的現(xiàn)狀，而且這種具有畫面感的語義聯(lián)想在媒體的報(bào)道中比較頻繁。

而ofo及其創(chuàng)始人最相關(guān)的詞依次是摩拜單車、胡瑋煒、（王）曉峰、CEO、小藍(lán)單車、悟空（單車）這些詞，多是對手。也涉及了其海外擴(kuò)張戰(zhàn)略的相關(guān)詞匯，如“全球”“海外”“投放”等。

而跟“摩拜”和“ofo”相關(guān)的詞多是反映這個(gè)行業(yè)現(xiàn)階段的特征，如“（圈地）投放”“（爭搶）用戶”、“入駐（城市、小區(qū)和國外等）”、“公司”、“數(shù)量”、“市場”和“大戰(zhàn)”等，還有它們的對手“小藍(lán)單車”“小鳴（單車）”、“哈羅單車”等。

加入“大戰(zhàn)”之后預(yù)測出來的關(guān)聯(lián)詞匯，就更能反映共享單車這個(gè)行業(yè)競爭的硝云彈雨了，在用戶和資本領(lǐng)域競爭的火藥味十足。

結(jié)語

在上面的各類文本挖掘中，反復(fù)出現(xiàn)一些關(guān)鍵詞和主題，如“亂象”、“監(jiān)管”、“愈演愈烈”等，給筆者一個(gè)最直觀的印象是“山雨欲來風(fēng)滿樓”，共享單車這個(gè)行業(yè)已經(jīng)到了“洗牌”的時(shí)間了：

經(jīng)過幾個(gè)月的火熱期，共享單車領(lǐng)域硝煙彌漫，競爭的號角此起彼伏，在共享單車將觸角伸向城市各個(gè)角落的同時(shí)，各類社會亂象、人性考驗(yàn)和法治問題接踵而至，政府也被迫由先前的大力倡導(dǎo)到謹(jǐn)慎的規(guī)范引導(dǎo)，行業(yè)的集聚特征也越來越明顯，或許可以大膽猜想一下，像之前的團(tuán)購、拼車和外賣這些領(lǐng)域，由資本推動(dòng)，從“千帆競過”到“百團(tuán)大戰(zhàn)”，再是“三足鼎立”，最后“三家歸晉”？

欲知后事如何，我們姑且看之。

參考資料及分析工具：

1. ?新浪微輿情，信息監(jiān)測、情緒地圖（數(shù)據(jù)采集及來源，情緒分析）
2. 易觀千帆（APP用戶數(shù)據(jù)）
3. Gensim官網(wǎng)，https://radimrehurek.com/genism
4. PiotrBojanowski，EdouardGrave， Armand Joulin ，TomasMikolov，Enriching Word Vectors with Subword Information
5. 勞鑫，馬寶君，張楠，萬巖，基于概率主題建模和深度學(xué)習(xí)的公眾輿情分析
6. YoavGoldberg，wordembeddings—what, how and whither
7. AnnaHuang，SimilarityMeasures for Text Document Clustering
8. Python(jieba、snownlp、gensim、sklearn、wordcloud)

#專欄作家#

蘇格蘭折耳喵，微信公眾號：Social Listening與文本挖掘，人人都是產(chǎn)品經(jīng)理專欄作家。數(shù)據(jù)分析愛好者，擅長數(shù)據(jù)分析和可視化表達(dá)，喜歡研究各種跟數(shù)據(jù)相關(guān)的東東。

本文原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉(zhuǎn)載。