全场景智能服务的价值共创要素初探：潜在狄利克雷分配（LDA）文本挖掘分析

þþþ数据科学与管理5（2022）77研究文章全场景智能服务中的价值共创要素研究Weina Wanga，Hong Zhanga，*，Sumeet Guptaba武汉科技大学管理学院，武汉，430081印度管理学院，Raipur，492051，印度A R T I C L E I N F O保留字：全场景价值共创潜在狄利克雷分配（LDA）文本挖掘智能服务A B S T R A C T与普通智能服务相比，全场景智能服务在高度集成、协同、技术溢出等方面有其独特性然而，传统的服务或商业模式理论无法准确地阐述其社会技术背景性质和价值创造逻辑。为了填补这一知识缺口，我们通过数据驱动的文本挖掘方法探索价值共创要素，初步洞察全场景智能服务的价值共创逻辑。我们通过使用潜在狄利克雷分配（LDA）的主题建模分析了171份全场景智能服务的业务报告这些发现揭示了三个主要集群：价值主张，参与者和连接平台。本研究为进一步探索性的全场景智能服务案例研究和量化研究提供了理论框架本研究亦有助于中小企业探索与利用价值共创机会。1. 介绍中华人民共和国工业和信息化部从2020年3月5G是通过物联网加速智能化的必要条件，在物联网中，产品变得更加智能化、数字化和互联化。智能化是指组织资源的跨界、跨行业整合与重组，成为经济增长的新动力然而，智能化也增加了企业之间的竞争，因为竞争来自于同行业的企业和生态系统中的企业。因此，企业的生存取决于在现有产品和服务之上提供集成和智能服务。例如，华为将不同品牌的硬件或软件连接起来，以支持基于网络的客户参与，并提供个性化的服务体验。同样，海尔集团发布了全球首个基于智家的品牌--三翼鸟，通过智家体验云平台连接各大生态合作伙伴。通过与用户的实时沟通和互动，生态合作伙伴推动场景的自我融合，为用户提供创新的一体化解决方案（Jiang et al.， 2019年）。百度、高德地图、海信等，也从销售单一产品转变为基于各种客户场景提供综合智能服务我们把这样的服务称为全场景智能服务。虽然全场景智能服务作为一种新型的服务模式已经引起了业界的关注，但很少有研究对其特征和价值创造组件进行研究。其价值创造逻辑尚不清晰。现有的研究仅描述了智能或集成服务在价值创造方面的优势。例如，Shankar et al. Ulaga和Reinartz（2009）以及Ulaga和Reinartz（2011）将集成服务视为一种混合产品，通过匹配产品，服务和市场需求来提高价值创造。 Roy等人（2019）认为，智能服务使客户能够与企业、平台、智能产品和用户群体实时互动，从而带来更丰富的客户共创体验。虽然这些研究为全场景智能服务提供了有价值的见解，但它们并没有捕捉到其社会技术背景的性质。企业通过协同的方式，将生态系统中的异构资源结合起来，提供全场景智能服务中的协同服务或解决方案。与各种智能服务不同，全场景智能服务强调全生态的结合与协同，强调技术的嵌入。由于全场景智能服务在融合、协同和技术溢出方面的独特性，传统服务理论没有精确阐述其社会技术情境性质和价值创造要素。 为填补这一研究空白，我们采用数据驱动的文本挖掘方法，发现并提炼全场景智能服务的价值创造要素。首先，我们对全场景相关的业务报表进行预处理同行评议由Xi交通大学负责* 通讯作者。电子邮件地址：savagegardenzh@163.com（H. Zhang）。https://doi.org/10.1016/j.dsm.2022.05.001接收日期：2021年12月30日;接收日期：2022年5月4日;接受日期：2022年5月4日2022年5月13日在线提供2666-7649/©2022 Xi'an Jiaotong University.出版社：Elsevier B.V.代表科爱通信有限公司公司这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表数据科学与管理杂志主页：www.keaipublishing.com/en/journals/data-science-and-managementW. Wang等人数据科学与管理5（2022）7778使用Python软件的智能服务然后，我们使用机器学习算法来分析文本数据并确定四个主题。我们手动将它们合并为三个主题并精确定义它们最后，基于全场景智能服务的社会技术语境本质，结合客户体验和服务主导逻辑（SDL）的理论观点，对这三个主题进行了阐述。我们的研究提供了对全场景智能服务中价值创造逻辑的理解本文的其余部分组织如下。下一节介绍了本文的理论背景。第三部分介绍了研究方法，第四部分对研究结果进行了分析。最后一部分讨论了本文的理论和实践意义、局限性以及未来的研究方向。2. 文献综述2.1. 价值共创理论两个学派的思想已经成为审查价值共同创造的突出Prahalad和Ramaswamy （ 2000 ） 提 出 了 客 户 体 验 共 创 观 ， Vargo 和 Lusch（2004）提出了SDL观。 客户体验和SDL的理论原型是价值共同创造的总体元理论基础（Zhang等人， 2021年）。虽然这两种理论原型并不相互排斥，但它们在价值创造的重点和范围首先，客户体验的开创性理论原型的特征是对客户及其在价值创造过程中的经验的总体关注（Prahalad和Ramaswamy，2004 a）。相反，SDL侧重于无形资源、价值共同创造和关系（Vargo andLusch，2004）。第二，客户体验观提供了一个以客户为中心的视角，根据这个视角，个性化的客户体验产生价值，客户与企业的互动共同创造价值。但是，SDL超越了以客户为中心的交互。 通过对来自不同学科的组合作品的不断完善和整合，SDL将由多个利益相关者网络开发的服务生态系统视为共同创造价值的核心（Vargo and Lusch，2008）。从这个角度来看，企业、客户、供应商、平台运营商、独立开发者和智能产品可能在价值共创中发挥关键作用 我们认为，将顾客体验和SDL这两种理论观点结合起来，可以更好地理解价值共创现象。在全场景智能服务中，焦点企业与负责客户全旅程的各生态伙伴合作，为客户提供新颖、优质、协同的服务。因此，为了理解全场景智能服务，我们整合了客户体验和SDL这两个理论原型，它们既反映了客户体验的社会技术背景性质，也反映了生态系统的社会技术背景性质一些研究增加了关于价值共创的文献从不同的角度。基于客户体验观，Prahalad和Ramaswamy（2004 b）首先提出了由对话、访问、风险和跨亲性（DART）组成的价值共创组件 沿着这条线，佩恩等人。（2008）提出了价值共创的过程模型，包括顾客关系体验创造过程、供应商关系体验设计过程和遭遇过程。通过使用SDL视角，一些研究强调服务交换和资源整合是价值共创的两个核心要素（Vargo和Lusch，2016）。Ranjan and Read（2016）综合了价值共创的多样研究，提出并验证了共同生产和使用价值是价值的两个对等核心维度共同创造虽然这些研究为价值共创的组成部分提供了有价值的见解，但它们反映了其特定方面。因此，他们无法更全面地理解广义价值共创框架中的核心要素。具体而言，这些研究未能捕捉到全场景智能服务的社会技术性质。因此，结合客户体验理论和SDL理论，探讨全场景智能服务的独特特征及其价值创造要素，具有2.2. 全场景智能服务在21世纪初，一些研究人员呼吁将智能（感知和连接）嵌入到产品中 ， 以 提 供 智 能 服 务 或 解 决 方 案 （ Allmendinger 和 Lombreglia ，2005）。从那时起，学术界和工业界都在探索这种新的服务模式。因此，我们可以在各个行业看到智能服务例如医疗保健，能源和运输部门（Lim和Maglio，2018）。随着新兴技术（例如，人工智能和大数据）在各种服务领域，服务变得更加智能。研究人员和从业者宣称，我们已经进入第四次工业革命，技术正在模糊物理，数字和生物领域之间的界限（Huang和Rust，2018）。研究者们已经开始探索智能服务的本质及其应用领域，认识到智能服务的重要性。例如，Lim and Maglio（2018）通过系统的文献综述确定了智能服务系统他们提出了智能服务系统的概念框架，包括连接，收集，计算，通信和共同创造。在此基础上，Carsten et al. （2018）描述了智能服务的发展路径。他们认为，智能服务的实现不仅取决于数字化设备、平台或服务系统，还取决于智能服务供应链对收集的数据进行分析，并及时反馈给客户和供应商。在不断发展的技术和竞争激烈的商业环境，智能服务进一步超越了品牌和行业的界限（Ramaswamy和Ozcan，2018）。它 越 来 越 数字 化 ， 无 边 界 ， 互 动 和 动 态（ Lim 和Maglio，2018）。企业整合各方资源，满足客户即兴化、网络化、动态化、多元化的需求，即全场景智能服务。 这种新颖的服务改变了合作各方的互动方式，并展示了生态系统和技术中固有的协同效应和溢出特性。因此，其价值创造模式将不同于传统模式（Parida et al.， 2019年）。因此，现有的研究或理论无法完全解释全场景智能服务中的价值创造逻辑为了填补这一知识空白，我们建议将客户体验的价值共创观与SDL相，探索全场景智能服务中的价值创造要素在本研究中，我们将全场景智能服务定义为一种融合型、基于物联网的服务模式，在客户整个旅程中，通过跨组织和行业边界的资源组合和重组，3. 方法3.1. 数据收集由于学术界对全场景智能服务的研究较少，我们查阅了国内与全场景智能服务相关的商业报告。遵循多数据源的原则（Lim和Maglio，2018），我们从各种信息渠道收集了业务数据W. Wang等人数据科学与管理5（2022）7779以确保我们的发现可靠且可推广 业务报告通常包含足够的文本数据和信息，以推断全场景智能服务的业务模型。首先，我们收集了权威网站的新闻，如新华网，中国经济网，经济日报，中央电视台（CCTV），新闻客户端，新华财经，环球网和中国网。 我们根据“全场景”、“智能╱智慧生态”、“智能╱智慧服务”等关键词，识别出最相关的新闻。其次，我们使用相同的关键词检索了三家代表性企业（华为、海尔和小米）的官方信息源，这些企业是提供全场景智能服务的先驱。我们收集年度报告、官方账户文章及官方网站资料。 这两种数据来源代表了企业和第三方的观点，因此可以相互补充，为全场景智能服务的商业模式提供丰富的观点和意见。最后，我们扫描了所有业务报告并删除了重复的报告。共获得204份业务报告经过初步筛选，我们分析了204份可能相关的商业报告的标题和全文我们审阅了每份报告的全文，删除了与全场景智能服务主题无关的内容。最后，我们保留了171份报告供后续分析。我们提取了这些文章的全文并将其保存在逗号中分隔值（CSV）格式。3.2. 数据预处理由于非标准化数据和离群值可能会使结果产生偏差，因此我们在进行潜在狄利克雷分配（LDA）主题模型分析之前对数据进行了处理，以提高分析的质量和准确性 我们还将文本数据转换为矢量数据以应用机器学习。 数据预处理包括六个阶段，如图1所示。1.一、(1) 条款由于每一份业务报告都包含全场景智能服务价值共创的多维度信息，我们使用微软EX cel软件为每一篇文章制作中文条款，然后我们将每一句话作为单独的文本处理。最后，我们得到了2,480个句子作为数据。(2) 数据清洗我们需要清理数据，因为文本信息包含标点符号、链接、图片和其他无意义的内容。我们使用Python中的正则表达式工具包来删除无意义的内容（例如， 符号和链接），只保留数据的文本部分。(3) 分词我们进行了分词，将句子分离成单词，以进行词频分析。 由于我们收集的是中文数据，我们使用Python的Jieba包对中文文本进行分割，以减少信息的丢失，并获得尽可能多的有用信息。我们回顾了文本数据，发现文件中的一些专业术语，如“全场景”、“生态伙伴”、“三翼鸟”、“工业互联网平台”等。 我们将这些专业词汇加入到分词数据库中，有效地提高了中文分词的效率。(4) 删除停用词我们删除了这些词，包括“年”，“月”和“日”，这些词经常出现在业务报告中。我们还删除了一些没有意义的短语，如“第一商店”、“总之”、“记者”和“因此”。虽然这些短语在文本中频繁出现，但它们对本研究没有多大价值。我们选择哈尔滨工业大学的停用词列表作为停用词库，过滤文本数据中的无意义词。(5) E_X域特征词由于所采集的文本数据中含有专业性较强的词汇，相关专业词汇在各类文档中的使用频率增加，并遮蔽了其他特征性和代表性词汇。为此，我们使用Python中的Gensim包，通过词频-逆文档频率（TF-IDF）算法提取特征词。 该算法可以减少常见高频词对LDA主题建模的影响。在文本挖掘中，学 者 们 广 泛 使 用 TF-IDF 算 法 进 行 特 征 词 提 取 。 Salton 和 Yu（1973）结合了词频（TF）和逆文档频率（IDF）算法的优点，提出了TF-IDF算法。他们认为，如果一个词经常出现在一篇文章中，但很少出现在所有其他文章中，则该词或短语更具代表性，可以将一个类别与另一个类别区分开来。TF-IDF算法由两部分组成，即， TF（文本内容中特定单词的出现频率）（Luhn，1958）和IDF（文本数量与文本集中单词出现数量的比率）（Jones，1972）。(6) 文本矢量化LDA主题模型不直接训练文本，而是使用由0和1组成的矢量化数据因此，有必要将文本数据转换为矢量数据。我们使用Python的Genism包将特征词转换为向量，从而符合主题模型的数据规范。随后，我们采用LDA主题模型进行聚类。4. 数据分析和结果4.1. 主题分析由于机器学习具有强大的特征选择和特征提取能力，能够自动获取文本中更高层次的、抽象的、全面的语义信息，学者们已经将其大量应用于中文文本机器学习中文本主题挖掘常用的方法是主题建模，主要包括潜在语义分析（LSA）、概率潜在语义索引（PLSI）和潜在狄利克雷分配（LDA）三种主流主题模型。 Deerwester等人（1990）提出LSA提取和图1.一、 数据预处理阶段概述。W. Wang等人数据科学与管理5（2022）7780¼通过统计计算来表示单词的意思它已经在信息检索、模式识别等领域得到了广泛的在此基础上，Hofmann（1999）提出了PLSI来解决LSA中的动态数据计算和多义性问题此外，Blei et al. （2003）引入LDA模型来解决PLSI中模型参数的线性增长。这种LDA模型，也称为Dirichlet先验分布，可以更好地分析训练语料库之外的文档 LDA是一个概率主题模型，它以概率分布的形式处理每个文档的主题。 LDA主题模型使我们能够获得文档语料库中的主题分布，识别隐藏的主题信息，并执行文本聚类（Blei等人， 2003年）。 以全场景智能服务商业报告形式收集的文本数据，技术性、商业性词汇较多，情感性词汇较少。 鉴于文本数据的特点，我们关注全文内容。因此，我们的研究结合了词和语义水平来分析全文数据，并使用LDA模型提取主题LDA是一种无监督的主题聚类方法，在训练过程中不需要手动标记训练集在LDA主题模型训练中，我们只需要提前手动设置几个参数，比如主题数量（K）（Blei et al. 2003年）。本研究采用Blei等（2003）提出的方法，根据困惑指数来衡量模型的聚类效果。模糊度越低，LDA模型的聚类效果越好。通过不断调整模型参数，我们发现当参数α和β分别为0.25和0.01时，模型是稳定的。此外，我们将主题编号K的范围设置为[2，15]，步长设置为1。我们计算了LDA主题模型对于不同主题数（K）的困惑程度困惑度表示文本数据属于特定主题的不确定性因此，对应于最低困惑度或干扰点的K表示主题的最佳数量（Blei等人，2003年）。图图2显示了困惑度评分折线图。我们发现，随着主题数（K）的增加，困惑度呈振荡下降趋势这表明，主题的数量越多，模型在区分主题的能力方面的性能越好从理论上讲，我们应该在复杂度最低时取K值。然而，考虑更多的主题可能会导致严重的过度拟合（Blei等人，2003; Tahernezhad-Javazm等人，2018年，特别是当语料库很小的时候。因此，我们选择对应于第一个切入点的K 4值作为话题我们使用Python在确定LDA模型训练的参数后，进行了聚类分析.表1显示了聚类结果。4.2. 主题可视化为了更好地从整体角度观察主题之间的关系图二. 用于评估K的困惑度量。表1主题词分布。话题方面后验概率专题1三翼鸟0.225溶液0.172全场景0.154智慧生命0.061海尔智家0.060专题2全过程0.143海尔智家0.137一站式模式0.104互联网0.055数字0.054话题3生态品牌0.173生态党0.110生态资源党0.093场景方案0.089资源方0.047专题4合作伙伴0.114食联网0.095海尔生物0.095智能家居0.087服装网络0.052注：题目序号并不代表其重要性。根据其后验概率，每个主题对应的术语按降序排列（2014），这有助于直观地分析LDA主题模型。 Sievert和Shirley（2014）认为，视觉分析方法中的λ参数通过改变词的权重来帮助解释相关主题的含义，从而调整特征词。 我们期望从LDA主题建模结果中提取隐藏和未知的信息。从而保证了特征词排序的主观性。我们将λ参数设置为1，以聚类与特定主题相关的频率较高的单词。 为了可视化LDA主题的聚类结果，我们使用了Python的pyLDAvis库。图3给出了可视化结果。图中右侧 3显示了主题2中的前30个特征词作为示例。图的左侧。图3示出了所有主题，其中圆圈的大小和圆圈内的序列标签都指示主题中所有术语的频率之和。 当我们在左边选择一个特定的主题时，右边的面板会显示相应的特征词及其在该主题中的权重。两个圆圈之间的距离表示两个主题之间的接近度。 如图 3、主题3和主题4都在各自不重叠的领域。 这意味着这两个主题是独立的，信息量很大，它们之间没有相关性。相反，主题1和主题2有很大的重叠通过对这两个主题的特征词进行比较，发现主题1和主题2都集中在价值主张的两个方面，即智能服务和一体化服务。因此，我们将它们合并为一个主题。4.3. 主题描述基于LDA模型的主题抽取和可视化分析，我们从文本数据中提取出三个主题价值主张：从表1的主题词分布可以看出，主题1和主题2的特征词包括“解决方案”、“全场景”、“智能生活”、“全流程”、“一站式模式”等，体现了企业致力于为客户提供考虑客户全场景的优质解决方案，体现了融合化、网络化、个性化的在全场景的智能服务背景下，智能产品或软件很少单独出现相反，它们经常跨品牌和行业进行组合，以构建智能和网络化的服务系统，并培养智能服务生态系统（Ramaswamy和Ozcan，2018）。 这种组合和创新是基于个体消费者的体验和互动的动态和迭代过程。因此，企业在全场景智能服务中的使命不再局限于提供静态产品（Frowetal.， 2014年），但W. Wang等人数据科学与管理5（2022）7781图三. LDA模型的可视化结果Chuang et al. （2012年）。应扩大到面向过程和全生态系统服务（Taylor等人， 2019年）。基于情境特征，结合客户体验和SDL的理论观点，我们将全场景智能服务的价值承诺概念化为为客户提供一体化、网络化、个性化的服务体验。“客户体验不能局限于一个产品或一个行业，所以行业应该跨界联合，形成一个生态，为客户构建场景，满足他们的需求”，海尔官方网站也证实了通过以上分析，我们得出结论：主题1和主题2的含义抓住了全场景智能服务的价值本质。因此，我们将两者结合起来，提出了整合后的作为全场景智能服务的“价值支撑”要素。参与者如表1所示，Topic 3的特征词包括这种协作机制的工作方式与生态系统类似。因此，商业报道用“生态党”或“生态品牌”来比喻全场景智能服务中的行动者。例如，海尔表示：“作为第一个物联网生态品牌，海尔通过与客户、合作伙伴的共同创造，持续提供无界、持续迭代的价值体验，最终实现终身客户与生态各方的共赢共生。这一有趣的现象符合价值共创研究的开创性理论原型，即SDL。 我们的文献回顾表明，SDL和一些价值共创研究已经将范围从公司-客户二元关系扩展到参与者-参与者服务生态系统。SDL的服务生态系统观点强调，所有社会和经济行为体都参与服务交换（Vargo和Lusch，2011年）。数字技术（例如，社交媒体和云平台）将各种利益相关者联系在一起，协同解决方案并满足客户需求（Lim和Maglio，2018）。因此，我们认为Topic 3对应的是全场景智能服务中价值共创的“参与者“要素，包括龙头企业、生态方、客户。连接平台。从表1中的主题词分布可以看出，主题4的特征词包括 食联网、海尔生物、衣联网）依托龙头企业的基础设施和平台，根据动态的客户需求和场景，提供个性化服务。 平台作为价值共同创造的关键要素有几个原因。首先，该平台促进了跨边界的密集知识整合和信息共享，从而实现了有效的价值共创活动（Nambisan等人， 2017年）。其次，该平台连接各种物理设备，并结合各种服务，以创建新颖的集成解决方案，从而带来丰富的客户体验价值（Lim和Maglio，2018）。第三，该平台提供多种互联功能和标准化架构，以支持创新协作、流程组合和行为同步（Cui等人，2020年）。这将创造一个协同的系统价值。正如海尔所言，“为了满足客户个性化需求，海尔通过工业互联网平台实现了各要素之间的连接和生态各方资源的优化配置，为客户提供了基于N+的解决方案。”此外，最近关于价值共同创造的研究表明，平台是价值创造的核心要素（Ramaswamy和Ozcan，2018）。因此，我们得出结论，主题4代表了全场景智能服务中价值共创的“平台5. 结论新兴的数字技术促进了资源、能力和服务的整合，模糊了不同行业和品牌之间以及物理、数字和生物领域之间的界限。服务领域变得越来越数字化，W. Wang等人数据科学与管理5（2022）7782无边界、互动、动态，培育新型服务模式，全场景智能服务。一些先驱企业已经积极设计和实施这种新的服务模式，以满足客户的即兴，基于网络的，和多元的需求。然而，尽管有这些举措，但很少有学者关注全场景智能服务，因为它是一个相对较新的现象。为了理解全场景智能服务中的价值共创逻辑，我们使用文本挖掘来推导价值共创要素我们首先使用TF-IDF算法从相关业务报告中提取特征词，然后应用LDA主题建模来提炼价值共创要素。我们的发现揭示了三个关键组成部分，即，价值主张、参与者和连接平台。5.1. 理论意义本研究做出了有意义的研究贡献。一是贡献全场景智能服务文献。尽管全场景智能服务潜力巨大，但此前的研究在理解其本质方面进展甚微我们立足于全场景智能服务的背景下，对其进行了准确的定义，描绘了其社会技术特征，从而对这一新现象进行了初步的第二，拓展了价值创造和价值共创的研究。通过数据驱动的方式，从产业数据中衍生出全场景智能服务的三大价值共创要素，即：价值主张、参与者和连接平台。这三大要素捕捉到了全场景智能服务的价值创造逻辑从而为价值创造的逻辑提供了新的视角，并为发展价值共创理论奠定了基础。这三个细化的要素也可以作为全场景智能服务探索性案例研究或定量研究的概念框架。5.2. 实际影响这项研究的结果也具有重要的实际意义。首先，本研究结果表明，在全场景智能服务中，核心参与者客户的角色发生了变化。顾客从被动的购买者转变为主动的参与者和创造者，并可能作为“生产者“或“营销者”参与价值创造。因此，管理者应采取相应的激励措施，不断刺激消费者对产品或服务提出新颖的看法和可行的改进方案管理者还应该根据客户广泛不同的需求，为他们提供个性化的服务和丰富的体验。其次，我们的研究结果表明，提供全场景智能服务的企业需要与来自无关领域的各方合作。企业应以开放的心态，以平台化的协同方式，实现内部资源和力量的互补，为客户提供优质的一体化服务，实现全场景智能服务的价值主张。第三，我们的研究结果有助于企业更好地理解全场景智能服务的社会技术性质，并帮助他们设计有前途的战略。5.3. 局限性和未来研究我们应该根据其局限性来考虑这项研究的结果首先，我们从二手来源（新闻，年度报告等）收集数据。 未来的研究可考虑加入管理者访谈的原始数据进行交叉验证，以确保结果的稳健性。其次，本研究主要使用LDA主题模型对数据进行聚类，忽略了文本中词语的语法和语义关系每个文档都变成了离散单词的组合。未来的研究可以解决LDA模型将通过结合神经网络模型，可以有效地定位单词，忽略上下文语义信息竞合利益作者声明不存在利益冲突致谢作者感谢中国计算机仿真与信息技术学术会议的与会者提出的有益的意见。引用Allmendinger，G.，Lombreglia河，2005年智能服务时代的四大战略Harv.总线Rev. 83（10），131- 134.Blei，D.M.，Ng，A.Y.，乔丹，MI，2003年。潜Dirichlet分配J. 马赫学习. Res. 3（4/5），993- 1022。Carsten，S.，莫妮卡，J.， Jorg，N.，例如，2018年智能服务。 ProcediaSoc. 行为举止。Sci.238（Jan.）， 192- 198.Chuang，J.，哥伦比亚特区曼宁Heer，J.，2012年。白蚁：评估文本主题模型的可视化技术。在：AVI '12：高级视觉界面国际工作会议，卡普里岛，pp。 74比77崔，T.，唐，Y.，泰奥，H.H.，例如，2020.管理知识距离：协同创新中的IT支持的企业间知识能力。J. Manag。Inf.Syst.37（1），217- 250。Deerwester，S.，Dumais，S.T.，Furnas，G.W.，例如，1990.潜在语义分析索引。J. Am.Soc. INF. Sci. 41（6），391- 407。Frow，P.，McColl-Kennedy，J.R.，希尔顿，T.，例如，2014.价值主张：服务生态系统视角。Mark. Theor. 14（3），327- 351。霍夫曼，T.，1999.概率潜在语义索引。第22届国际ACM SIGIR信息检索研究与发展会议论文集。Assoc. Compt. 马赫，pp. 50- 57Huang，M.H.，拉斯特R.T. 2018.人工智能在服务。J.维修Res. 21（2），155- 172.江，S.，Hu，Y.，王志，2019.基于核心企业观的企业创新生态系统构建机制研究--以海尔集团为例。可持续性11（11），3108。Jones，K.S.，1972.术语特异性的统计解释及其在检索中的应用。J. Doc. 28（1），11- 20.Lim，C.，Maglio，P.P.，2018.通过文本挖掘对智能服务系统的数据驱动理解。Serv. Sci. 10（2），154- 180。Luhn，H.P.，1958.文献摘要的自动生成。IBM J. Res. Dev. 2（2），159- 165。Nambisan，S.，Lyytinen，K.，Majchrzak，A.，例如，2017.数字创新管理：在数字世界中重塑创新管理研究。MIS Q. 41（1），223- 238。Parida，V.， Sjodin，D.，Reim，W.，2019年。 回顾有关数字化、商业模式创新和可持续产业的文献：过去的成就和未来的承诺。可持续性11（2），391。佩恩，A.F.，Storbacka，K.，Frow，P.，2008年管理共同创造价值。J. Acad.Mark. Sci. 36（1），83- 96。Prahalad，C.K.，Ramaswamy，V.，两千客户竞争力。Harv. 总线Rev.78（1），79Prahalad，C.K.，Ramaswamy，V.，2004年a。共同创造体验：价值创造的下一个实践。J.互动. Mark. 18（3），5- 14.Prahalad，C.K.，Ramaswamy，V.，2004年b。与客户共同创造独特价值我的天利德什 32（3），4- 9。Ramaswamy，V.，Ozcan，K.，2018.数字化互动平台：概念框架和影响。J·马克。82（4），19- 31。Ranjan，K.R.，里德，S.，2016年。价值共创：概念与衡量。J. Acad. Mark.Sci. 44（3），290- 315。Roy，S.K.，辛格，G.，霍普，M.，例如，2019.智慧消费者的崛起：智慧服务景观与智慧消费体验的共同创造。J·马克。经理。35，1480- 1513。Salton，G.，余，CT，1973.论情报检索有效词汇的构建。Assoc. Comput. 马赫 10（1），48- 60.Shankar，V.，Berry，L.L.，Dotzel，T.，2009.结合产品和服务的实用指南。Harv. 总线Rev.87（11），94- 99。Sievert，C.，雪莉，K.E.，2014. LDAvis：一种可视化和解释主题的方法。在：互动语言学习，可视化和界面研讨会。Assoc. Comput.语言学家，pp. 63- 70Tahernezhad-Javazm，F.，Azimirad，V.，Shoaran，M.，2018.分类器和进化算法在基于脑电的脑机接口系统中的应用综述和实验研究。J. 神经工程 15（2），021007。泰勒公司，亨特，G.L.，Zadeh，A.H.，例如，2019.数字化转型世界中的价值主张。印第安纳Mark. 经理。 87（May），256- 263.W. Wang等人数据科学与管理5（2022）7783Ulaga，W.，Reinartz，W.J.，2011.混合产品：制造企业如何成功地将商品和服务结合起来。J. Mark. 75（6），5- 23。Vargo，S.L.，Lusch，R.F.，2004年。演变为一个新的主导逻辑的营销。J. Mark.68（6），1Vargo，S.L.，Lusch，R.F.，2008.服务主导逻辑：继续进化。J. 学术交流Mark. Sci. 36（2），1- 10。Vargo，S.L.，Lusch，R.F.，2011.这一切都是B2B. 印第安纳Mark. 经理。 40（2），181-187。Vargo，S.L.，Lusch，R.F.，2016.制度与公理：服务主导逻辑的延伸与更新。J. Acad.Mark. Sci. 44（15），5- 23。张洪，Chau，P.Y.K.，王，B.，例如，2021.社会媒体支持的顾客共创体验价值：概念化与测量。EUR.可在https://doi.org/10.1080/0960085X.2021.2004939上查阅。