在社交媒体高速发展的今天,网络上的社交文本形成了一个极具价值的文本库,尤其是对于美妆品牌而言,中国市场的美妆行业近几年正在急速扩张,其中新模式社媒营销起了很大的推动作用,比起其他行业,美妆行业是较早应用互联网技术进行社会化媒体营销的行业之一,因此社交文本成了该行业一个很重要的信息来源。本文旨在通过分析社交媒体平台中消费者关于美妆品牌的真实评价,提取合适的关键词进行情感分析、IPA分析及共现分析,使美妆品牌更加了解消费者当前的讨论热点,更加了解消费者的产品诉求,更加了解本品牌及竞争对手品牌的产品现状,从而确定产品改进的优先级以及改进的方向,为品牌的产品改进、研发、预算分配等提供建议。本文主要的创新点在于以下三个方面:（一）应用领域创新。目前对于美妆行业的分析绝大多数是定性分析,较少涉及定量分析,尤其是针对美妆行业社交平台的文本挖掘还处于空白阶段,若忽略应用领域特性盲套公式,可能会导致错误甚至荒谬的结论,本文将文本挖掘的技术运用于美妆行业,拓宽了文本挖掘技术的应用范围,同时为美妆行业的定量分析做出一定贡献;（二）多学科融合。本文在处理文本时结合了市场营销学以及管理学知识,通过市场营销学的知识以及行业实际操作经验得知,美妆品牌会通过多种渠道与社交平台上的意见领袖合作发文,来提高产品的热度与销量,此部分赞助文章会掺杂在收集到的文本中造成一定偏差,同时对普通消费者的购买、心理预期、评价等也会产生一定的干扰,本文创新性地提出一个说法“品牌方噪音”来代指上述两方面影响,为了消除这部分影响,本文进行了两步操作,一是在进行建模之前,针对不同社交平台的机制,尽可能地挑选出相应的特征区分赞助文章与用户自发文章,仅对用户自发文章进行建模,二是在建模过程中利用筛选出的赞助文章辅助去除残留影响。在本文模型最后采用了管理学中的重要性-绩效表现分析结合共现网络分析,给出产品改进的方向及建议;（三）模型创新。在关键词提取一步中,本文改进了TF-IDF模型,原始的TF-IDF模型在计算逆文档频率时并将所有的文本看成同等重要,忽略了社交平台上并非所有文章都是同等重要的特性。本文考虑了更能代表社媒文本重要性的指标:热度,并在此基础上消除平台、品牌方噪音的影响,得到一个能更真实反映内容热度的综合热度,然后用该指标去替代原始TF-IDF公式中的文件数量,得到一个反映消费者真实讨论热度的关键词集。其中,对于平台因素,本文考虑了各平台的月活跃用户量,对于品牌方噪音部分,本文创新性地以用户自发文章中的词为单位,计算包含该词的用户自发文章的热度均值,如果存在某天,包含该词的赞助文章热度均值超过用户自发文章的热度均值,则认为该天赞助文章对用户自发文章产生较大影响,一般是提升了用户自发文章的热度,则将该天包含该词并且热度高于均值的用户自发文章热度赋值为均值。基于上述预处理得到的文本集,本文建立了一套包含分词、关键词提取、情感分析、IPA分析、共现分析的模型来进行文本挖掘。本文选取了微信、微博、小红书三个平台2019年的雅诗兰黛品牌的文本数据进行分析,筛出赞助文章及分词之后,代入改进前后的TF-IDF模型、Text Rank模型以及LDA主题模型这四种关键词提取方法,通过有效准确率、有效召回率、有效测量值以及有效排名率这四个指标进行横向以及纵向对比发现,改进后的TF-IDF模型在去除杂音以及有效关键词的提取和排名提升方面都有一定的提高。然后将改进前后的TF-IDF得到的关键词集进行情感分析,包括基于情感字典、朴素贝叶斯、文本卷积神经网络三种方法,结合建模效果及效率,朴素贝叶斯模型在此文本集上表现最佳。最后对改进前后得到的关键词以及满意度进行IPA分析,对比可得,改进后的TF-IDF可以使后续的分析更为清晰、更加符合行业认知,有一定的提升效果,并基于改进后TF-IDF的IPA分析结果得到产品改进优先顺序,对优先级较高的产品进行产品之间以及产品与形容词之间的共现网络分析,得到消费者的产品诉求,从而给出一些对应的产品改进建议。最后本文客观地总结和分析了此篇论文存在的一些不足与展望,对之后的TF-IDF的改进以及美妆行业社交媒体方面的文本挖掘有一定的参考价值。