在移动应用开发领域，用户反馈是优化应用程序的关键。随着智能手机的普及，越来越多的用户通过应用商店发表评论来表达他们对APP的看法。对于开发者来说，从这些评论中识别出APP的缺陷问题，了解用户的真实感受，并据此进行相应的优化，是提升产品质量和用户满意度的重要手段。然而，用户评论的海量性和缺陷信息的分散性给这一过程带来了极大的挑战。为了有效应对这一挑战，研究人员开始探索利用数据挖掘和机器学习技术对用户评论进行自动化分类的方法，以期提高缺陷问题的识别效率和分类准确性。
王延飞在其研究论文《APP缺陷问题评论分类方法研究》中，提出了一种新的分类方法，旨在实现对APP用户评论中缺陷问题的高效自动化识别与分类。该研究通过收集大量的用户评论数据，总结出了七类常见的APP缺陷问题，包括功能失效、性能问题、用户体验不佳、兼容性问题、安全性问题、隐私问题和其他问题。这些分类构成了后续机器学习模型训练的基础。
为了实现评论的自动化分类，研究者采用了朴素贝叶斯算法作为分类器。朴素贝叶斯算法是一种基于概率论的分类方法，其特点是简单、高效且易于实现，尤其适用于大规模数据集。在分类过程中，特征选择至关重要。研究中，特征选择的依据是改进的卡方统计和APP软件简介中的名词、动词等词汇。卡方统计是一种评估特征（词汇）与分类结果之间独立性的统计方法，它可以帮助我们识别出对分类有重要影响的特征。
通过实验验证，该方法在准确率、召回率和F1值等性能指标上均表现良好。准确率衡量的是分类正确的评论占所有被标记为正确的评论的比例；召回率则反映了分类器识别出的正例占所有实际正例的比例；F1值是准确率和召回率的调和平均，它综合考虑了分类的准确性和覆盖范围，是一种更为全面的评价指标。这些指标的提升意味着分类器不仅能够准确地识别出缺陷相关的评论，而且能够覆盖大部分缺陷评论，从而减轻了人工标记评论的工作量，并提高了分类的精确性。
此外，研究还对相关工作进行了回顾。文本分类是机器学习领域的经典问题，有监督的学习方法是其核心。有监督学习需要训练分类器，即将已知分类的数据作为训练集，训练分类器学习数据特征与分类结果之间的关系，然后利用学习到的知识对新的数据进行分类。特征选择是文本分类的一个重要环节，卡方验证作为一种常用的特征选择方法，被广泛应用于评估特征与分类标签之间的相关性。
王延飞的研究为移动应用开发提供了一种有效的解决方案。在大数据时代背景下，如何处理和分析海量的用户反馈数据，是每个APP开发者都必须面对的问题。通过机器学习技术，特别是朴素贝叶斯算法与改进的卡方统计特征选择策略的结合，可以有效地将用户反馈进行分类，帮助开发者快速定位和修复软件缺陷问题，从而提高APP的开发效率和用户体验。
在未来的工作中，研究人员可以进一步探索更多的特征选择方法和机器学习算法，以期达到更高的分类准确性和更好的用户反馈处理效果。同时，也应当关注用户评论情感分析的研究，以更全面地了解用户的真实感受，进一步优化APP的质量和用户满意度。
