互联网时代信息爆炸式增长、知识传播速度加快等因素给整个社会带来了海量的信息。但是,大多数信息知识都很宽泛、缺失针对性,呈现碎片化的形式进而导致人们无法精准有效的获取自身所需。在此背景下,知识付费应运而生,让人们摆脱普遍存在的知识焦虑,满足现代人的精神需求。然而,随着知识付费行业规模的不断扩大,付费产品价格定价虚高、知识付费平台恶意竞争等问题的出现让高歌猛进的发展热潮逐渐消退,而且出现了越来越多的质疑声,造成了严重的信任危机。这就需要知识付费平台及时转变策略,提高用户忠诚度。本文以知乎Live为例,分别爬取其中主要的付费产品基本信息和用户评论数据,并根据平台分类情况,将付费产品分为社科、成长、职场、生活、文艺等五个种类。对付费产品的基础信息进行描述性统计,然后对文本数据进行预处理。利用词频分析和语义网络图对总体文本进行特征分析,将高频词汇可视化。本文将采用支持向量机（SVM）、长短时记忆神经网络（LSTM）和双向长短时记忆神经网络（Bi-LSTM）进行情感分析。运用最优的情感分类模型对用户评论进行分类,利用LDA主题模型挖掘用户正面评价和负面评价的潜在信息。本文为了构建用户满意度,对评论文本进行分词、根据分词后的词语进行词性标注和词频统计,从中选取名词、副词、形容词作为特征词,并且删除频数少于5的词语,最后得到特征词。根据LDA主题模型的结果和测试,得到初步聚类的结果为4,于是将k=4代入k-means之中,对特征词进行聚类,根据聚类结果总结出用户满意度的评价指标。然后利用情感词典得出特征词的情感得分,根据情感得分和频数获得各个指标的用户满意度,同时根据相关方法确定各个维度的用户满意度权重,计算整体的用户满意度。本文通过研究发现,知乎Live产品价格都比较优惠,大多数的付费产品时长都集中在0.5到1.5小时之间。文艺类产品的主讲人声誉最高,成长类的主讲人声誉最低。产品主讲人的声誉与付费用户的交互能力是紧密相关的。文艺类产品的热度是最高的。总体评论的高频词可以主要分为产品人群类、平台功能类和用户感知类。根据总体语义网络图可以得知评论分为核心层-过渡层-边缘层。根据数据预处理和相关参数调优,发现与SVM和LSTM相比,Bi-LSTM拥有更大的F1值,因此Bi-LSTM更适合于该文本数据集的情感分类。运用LDA主题模型发现,正向主题主要的关注点为作用效果、内容质量、认知能力、情绪感受和主讲人品质。负向主题主要的关注点为内容质量、交互服务、可靠性、价格意愿和认知能力。根据满意度研究可得用户最关注的还是服务效果,其次是系统的实用性水平和内容质量,最后才是付费满意度。用户整体满意度得分次序为文艺、职场、成长、生活、社科。