在線評(píng)論情感屬性的動(dòng)態(tài)變化

邵景波++胡名葉++許萬有

摘要：本研究從在線評(píng)論的情感屬性出發(fā)探索在線評(píng)論文本特征的動(dòng)態(tài)變化走勢(shì)，借鑒已有的情感分析框架，選取文本的主客觀性、文本的情感極性和文本的情感強(qiáng)度三個(gè)維度，并從評(píng)論內(nèi)容和標(biāo)題文本兩個(gè)角度提出研究假設(shè)。實(shí)證分析階段，通過編寫java程序采集京東網(wǎng)站上iPhone 4手機(jī)的評(píng)論數(shù)據(jù)，利用逐步回歸分析法對(duì)在線評(píng)論情感屬性變量進(jìn)行模型擬合，跟蹤消費(fèi)者在線評(píng)論內(nèi)容的情感變化，結(jié)果顯示評(píng)論內(nèi)容的情感屬性在三個(gè)維度上均存在動(dòng)態(tài)變化特征，而標(biāo)題文本的情感屬性沒有穩(wěn)定的變化。研究結(jié)果豐富和完善了情感分析理論，對(duì)企業(yè)把握用戶消費(fèi)習(xí)慣以及有效管理在線評(píng)論提供了決策依據(jù)。

關(guān)鍵詞：在線評(píng)論；情感分析；情感極性；情感強(qiáng)度

中圖分類號(hào)：F713.55文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1003-5192（2016）05-0009-07doi：10.11847/fj.35.5.9

1引言

在線評(píng)論（online reviews）是消費(fèi)者在網(wǎng)絡(luò)平臺(tái)上發(fā)表的，對(duì)某種商品或服務(wù)進(jìn)行評(píng)價(jià)的信息。通過在線評(píng)論，消費(fèi)者可以更好地獲取商品質(zhì)量信息、評(píng)估商家信譽(yù)。根據(jù)eMarketer的調(diào)查，92%的消費(fèi)者購買商品前會(huì)閱讀在線評(píng)論，消費(fèi)領(lǐng)域67%的銷售額受到在線評(píng)論的影響[1]。在線評(píng)論已成為消費(fèi)者口碑傳播的重要形式，同時(shí)也是商家預(yù)測(cè)未來銷售收入的重要依據(jù)[2]。

已有的研究基本包含了在線評(píng)論的所有信息要素，如評(píng)論者特征、評(píng)論數(shù)量、評(píng)論評(píng)分以及評(píng)論文本等。其中，評(píng)分與評(píng)論文本直觀反映了消費(fèi)者的態(tài)度與情感，對(duì)企業(yè)而言應(yīng)用價(jià)值更大。一般情況下，評(píng)分被設(shè)置為1星到5星五個(gè)等級(jí)，5星評(píng)分代表最好評(píng)，1星代表最差評(píng)，而3星評(píng)分被認(rèn)為是中性評(píng)價(jià)，評(píng)分越高對(duì)消費(fèi)者購買可能性的正向影響越大，但商品類型對(duì)該影響程度存在調(diào)節(jié)作用[3]。也有學(xué)者關(guān)注于在線評(píng)分的分布規(guī)律，Clemons等[4]認(rèn)為評(píng)分成正態(tài)分布，Hu等[5]則認(rèn)為評(píng)分成J型分布，即多數(shù)為5星和少數(shù)為1星，中間評(píng)分幾乎沒有。雖然學(xué)者們針對(duì)評(píng)分進(jìn)行了廣泛的探討，但對(duì)于評(píng)分的研究只是關(guān)注于評(píng)分?jǐn)?shù)值的統(tǒng)計(jì)特性，大量隱含在非結(jié)構(gòu)化信息中的文本特征仍未得到充分的挖掘和利用。隨著文本挖掘技術(shù)的發(fā)展，研究者對(duì)評(píng)論內(nèi)容的分析不斷深入。Cao等[6]利用文本挖掘技術(shù)，研究了評(píng)論的文體特征和語義特征對(duì)在線評(píng)論有用性投票的影響，發(fā)現(xiàn)語義特征的影響最大。Ghose和Ipeirotis[7]也做了類似的研究，發(fā)現(xiàn)評(píng)論的主觀性、可讀性對(duì)評(píng)論有用性和產(chǎn)品銷量有著顯著影響。除了對(duì)評(píng)論文本特征的研究，越來越多的學(xué)者對(duì)文本情感分析（sentiment analysis）表現(xiàn)出極大的興趣。Liu[8]將電影評(píng)論褒貶性加入票房收入的預(yù)測(cè)模型大大提高了結(jié)果的精確度。Hu等[5]發(fā)現(xiàn)評(píng)論文本的情感屬性可以顯著影響消費(fèi)者對(duì)商家的感知信任和所支付的價(jià)格溢價(jià)。

然而，這些研究大多是基于截面數(shù)據(jù)在靜態(tài)層面上進(jìn)行的，基于面板數(shù)據(jù)在動(dòng)態(tài)層面上探討消費(fèi)者對(duì)在線評(píng)論的接受、感知進(jìn)而影響購買決策的研究還很缺乏。Godes和Silva[9]以亞馬遜網(wǎng)站為例探索數(shù)字評(píng)分的變化規(guī)律，發(fā)現(xiàn)評(píng)分存在下降趨勢(shì)，他們從消費(fèi)者的自我選擇和自我激勵(lì)角度對(duì)該變化進(jìn)行了解釋。但消費(fèi)者更關(guān)注評(píng)論的文本內(nèi)容而不僅僅依賴簡(jiǎn)單的數(shù)字評(píng)分，文本內(nèi)容是影響消費(fèi)者選擇的重要因素[10]，僅從數(shù)字評(píng)分的角度探索在線評(píng)論的動(dòng)態(tài)變化，不利于有效識(shí)別和刻畫在時(shí)間推移過程中在線評(píng)論動(dòng)態(tài)變化形成的真正原因，關(guān)注文本特征也許更有利于揭示真相。然而在線評(píng)論的文本具有多方面的特征，如文本結(jié)構(gòu)、句子長(zhǎng)度、情感屬性等，鑒于文本情感屬性能直觀反映消費(fèi)者對(duì)企業(yè)、品牌和產(chǎn)品的態(tài)度，表達(dá)了消費(fèi)者的心聲，無論正面還是負(fù)面的口碑都會(huì)在網(wǎng)絡(luò)平臺(tái)上病毒式傳播，對(duì)企業(yè)的經(jīng)營(yíng)活動(dòng)產(chǎn)生更大的影響[11]。因此本文基于已有的研究成果，從在線評(píng)論的情感屬性入手，探究在線評(píng)論文本情感屬性的動(dòng)態(tài)變化，以幫助企業(yè)把握在線評(píng)論情感屬性的時(shí)間序列特征，指導(dǎo)企業(yè)有效管理在線評(píng)論，從而更好地了解消費(fèi)者購買的心理、行為和習(xí)慣。

2理論基礎(chǔ)

文本情感分析也稱為意見挖掘（opinion mining），是指利用自然語言處理或機(jī)器學(xué)習(xí)等技術(shù)判別文本的觀點(diǎn)[12]。現(xiàn)有文獻(xiàn)中對(duì)于情感分析的維度還沒有統(tǒng)一的觀點(diǎn)，已有的情感分析維度包括主客觀分類、褒貶分類[13]，還有少數(shù)研究更細(xì)化地分出喜怒哀樂等[14]。王洪偉等[15]總結(jié)前人研究成果，將文本情感分析系統(tǒng)性地概括為文本主客觀分析、情感極性分析和情感強(qiáng)度分析三個(gè)維度，較為清晰地勾勒了文本情感分析的理論框架，本文也將沿用此觀點(diǎn)，從這三個(gè)維度分析在線評(píng)論文本情感屬性的動(dòng)態(tài)變化。

2.1文本的主客觀分析

主觀文本是指評(píng)論者發(fā)表的表達(dá)消費(fèi)者個(gè)人情感、偏好的文字。客觀文本是評(píng)論者對(duì)客觀事實(shí)的描述，不包含個(gè)人情感和偏見[16]。如關(guān)于手機(jī)的在線評(píng)論中：“電池待機(jī)時(shí)間長(zhǎng)”是客觀性文本，“這是我用過的最漂亮的手機(jī)”屬于主觀性文本。Bruce和Wiebe是最早對(duì)主客觀文本分類進(jìn)行研究的學(xué)者[17]，但他們使用的主觀表達(dá)式密度變量及概率方法僅適用于英文。葉強(qiáng)等在中文語境下提出根據(jù)連續(xù)雙詞詞類組合模式自動(dòng)判別句子主觀性程度的方法，其實(shí)驗(yàn)表明當(dāng)閾值為0.12時(shí)，主觀文本的分類查準(zhǔn)率達(dá)到76%[18]，但仍低于英文90%左右的精度。這主要由于影響中文文本主客觀判斷的因素遠(yuǎn)遠(yuǎn)比英文多而復(fù)雜，除了詞義、詞性之外，詞語的用法也會(huì)影響到文本的主客觀性，所以，大多數(shù)中文主客觀分析的研究多采用人為標(biāo)注的方式。此外，借鑒Ghose和Ipeirotis[7]選擇平均值和標(biāo)準(zhǔn)差對(duì)評(píng)論文本特征進(jìn)行研究的做法，本研究將考察評(píng)論文本的平均主觀性傾向和評(píng)論文本的主客觀混雜度兩個(gè)指標(biāo)的變化趨勢(shì)。

2.2文本的情感極性分析

文本情感極性分析就是識(shí)別主觀文本的情感是正面的贊賞和肯定，還是負(fù)面的批評(píng)與否定。目前的研究主要集中在情感極性的分類方法上，且以英文文本為樣本的研究居多。Turney[19]提出PMI-SO語義分類方法，通過計(jì)算從評(píng)論文本中提取出的所有情感詞組的平均語義傾向性來區(qū)分情感極性。而Dave等[20]則通過對(duì)語料中的每個(gè)詞打分，計(jì)算評(píng)論文本中所有詞的得分總和，以判斷觀點(diǎn)的情感極性。在中文情感極性分析方面，金聰和金平[21]將Turney的PMI-SO方法應(yīng)用到對(duì)中文語料的情感判斷上，同時(shí)用典型文檔的語義傾向值的平均值代替零值作為正負(fù)情感的分類界限，改善了分類效果。

2.3文本的情感強(qiáng)度分析

文本情感強(qiáng)度是指評(píng)論者表達(dá)對(duì)產(chǎn)品或服務(wù)的喜愛或厭惡的強(qiáng)烈程度，一般通過帶有強(qiáng)烈感情色彩的形容詞或者副詞表現(xiàn)，如“很”、“非?！钡?。情感強(qiáng)度高的在線評(píng)論會(huì)對(duì)消費(fèi)者產(chǎn)生較大的心理震撼，影響購買決策；Thelwall等[22]將文本情感強(qiáng)度分成強(qiáng)烈貶抑、一般貶抑、客觀、一般褒揚(yáng)、強(qiáng)烈褒揚(yáng)五個(gè)類別，并采用LSPM模型對(duì)語句的五類情感強(qiáng)度進(jìn)行了計(jì)算，遺憾的是，此方法得到的結(jié)果忽略了情感的漸變過程，造成訓(xùn)練模型不夠準(zhǔn)確，影響了分類精度。Zhang等[23]在判斷中文文本情感強(qiáng)度時(shí)提出了一種方法，即以一定標(biāo)準(zhǔn)為詞匯賦值：正向情感詞賦值+1分，負(fù)向情感詞賦值-1分，有否定詞修飾的詞匯賦值-1分；并由三位對(duì)評(píng)論內(nèi)容較熟悉的人員對(duì)評(píng)論文本的情感強(qiáng)度進(jìn)行人工打分，最后通過取平均值獲得情感值，該方法對(duì)中文文本情感強(qiáng)度的判別更加準(zhǔn)確，但工作量很大?？傮w而言，相對(duì)于文本情感極性的研究，有關(guān)情感強(qiáng)度的研究相對(duì)薄弱，仍缺乏堅(jiān)實(shí)的語言學(xué)與心理學(xué)基礎(chǔ)，對(duì)文本情感強(qiáng)度判別的準(zhǔn)確性有待提高。

3理論分析與假設(shè)提出

3.1評(píng)論內(nèi)容主客觀性的動(dòng)態(tài)變化分析

主觀性文本表達(dá)的是說話者對(duì)某人、某物或某事的態(tài)度和看法，包含個(gè)人的主觀情感色彩。與之相對(duì)應(yīng)的客觀性文本則描述客觀存在的事實(shí)，說話者往往持有中立和客觀的情感。從產(chǎn)品生命周期的角度分析，產(chǎn)品進(jìn)入市場(chǎng)初期，廣告宣傳和品牌營(yíng)銷活動(dòng)較多，消費(fèi)者對(duì)產(chǎn)品具有新鮮好奇之感，對(duì)產(chǎn)品功能屬性了解不深，在線發(fā)表的評(píng)論內(nèi)容傾向于主觀描述，評(píng)論文本的平均主觀性較強(qiáng)[24]。隨著時(shí)間的推移，消費(fèi)者對(duì)產(chǎn)品的了解加深，對(duì)產(chǎn)品的熱情逐漸下降[25]，評(píng)論的平均主觀性降低，逐漸傾向于客觀性描述。

同時(shí)，評(píng)論者在生成在線評(píng)論時(shí)，會(huì)希望自己的評(píng)論引起后續(xù)消費(fèi)者的關(guān)注，更愿意發(fā)表對(duì)其他消費(fèi)者有用性高的評(píng)論內(nèi)容。由于主客觀文本同時(shí)存在的評(píng)論內(nèi)容會(huì)給人以更為全面和客觀的感覺，消費(fèi)者對(duì)主客觀混雜度高的評(píng)論內(nèi)容感知有用性更高[26]。此外，消費(fèi)者發(fā)表評(píng)論時(shí)會(huì)受到先前評(píng)論者觀點(diǎn)的影響，產(chǎn)生與之相似的評(píng)論內(nèi)容，但這種相似性會(huì)隨著時(shí)間與評(píng)論數(shù)量的增加逐漸減弱[9]。因此，消費(fèi)者在參照先前評(píng)論者觀點(diǎn)的過程中，逐漸傾向于貢獻(xiàn)感知有用性高且區(qū)別于先前評(píng)論內(nèi)容的觀點(diǎn)。由此，提出假設(shè)：

H1a評(píng)論內(nèi)容的平均主觀性傾向與評(píng)論發(fā)表時(shí)間呈負(fù)相關(guān)關(guān)系。

H1b評(píng)論內(nèi)容的平均主客觀混雜度與評(píng)論發(fā)表時(shí)間呈正相關(guān)關(guān)系。

3.2評(píng)論內(nèi)容情感極性的動(dòng)態(tài)變化分析

當(dāng)評(píng)論者喜愛某種產(chǎn)品時(shí)，其評(píng)論內(nèi)容較為正面；反之，其評(píng)論內(nèi)容趨向于負(fù)面。消費(fèi)者在處理產(chǎn)品信息的時(shí)候會(huì)產(chǎn)生“負(fù)面偏差”效應(yīng)，負(fù)面產(chǎn)品信息和正面產(chǎn)品信息在影響消費(fèi)者的滿意度、產(chǎn)品情感和重購意愿時(shí)是不對(duì)稱的，負(fù)面信息的負(fù)向影響要大于正面信息的正向影響[27]。消費(fèi)者在選擇商品時(shí)也更傾向于重視負(fù)面評(píng)論，認(rèn)為其效用比正面評(píng)論更大。因此，如果消費(fèi)者希望自己的評(píng)論信息能引起別人的關(guān)注，就可能對(duì)負(fù)面評(píng)論有一定傾向，以發(fā)表對(duì)其他人影響效用大的評(píng)論，和區(qū)別于先前評(píng)論信息的言論[28]。因此，隨著時(shí)間的推移，消費(fèi)者后續(xù)的評(píng)論信息會(huì)更傾向于負(fù)面評(píng)論，由此，提出假設(shè)：

H2評(píng)論內(nèi)容的平均正向情感極性與評(píng)論發(fā)表的時(shí)間呈負(fù)相關(guān)關(guān)系。

3.3評(píng)論內(nèi)容情感強(qiáng)度的動(dòng)態(tài)變化分析

評(píng)論者在發(fā)表評(píng)論時(shí)，必然體現(xiàn)出個(gè)人情感，無論是正向情感還是負(fù)向情感，評(píng)論者表達(dá)的強(qiáng)烈程度會(huì)有所差別。從產(chǎn)品生命周期的角度分析，產(chǎn)品剛進(jìn)入市場(chǎng)時(shí)，購買產(chǎn)品的消費(fèi)者進(jìn)行評(píng)價(jià)的熱情較高，但由于他們對(duì)產(chǎn)品的功能屬性還不夠熟悉，評(píng)論內(nèi)容表現(xiàn)出較強(qiáng)的主觀性，同時(shí)早期購買者對(duì)品牌的忠實(shí)和喜愛程度較高[23]，更容易發(fā)表帶有極端感情色彩的觀點(diǎn)，造成評(píng)論情感強(qiáng)度較大；隨著時(shí)間的推移，消費(fèi)者對(duì)產(chǎn)品的了解加深，評(píng)論觀點(diǎn)逐漸傾向于客觀理性，情感強(qiáng)度激烈的表述慢慢減少[26]，評(píng)論內(nèi)容的情感強(qiáng)度會(huì)減弱。由此，提出假設(shè)：

H3評(píng)論內(nèi)容的平均情感強(qiáng)度與評(píng)論發(fā)表時(shí)間呈負(fù)相關(guān)關(guān)系。

3.4標(biāo)題文本情感屬性的動(dòng)態(tài)變化分析

在線評(píng)論的文本由評(píng)論內(nèi)容和標(biāo)題文本組成。標(biāo)題文本濃縮了評(píng)論者對(duì)產(chǎn)品最主要的態(tài)度。已有的研究中，評(píng)論標(biāo)題并未被列為評(píng)論文本來加以考察[7]，而新聞學(xué)研究領(lǐng)域的學(xué)者證實(shí)，標(biāo)題影響了讀者的閱讀選擇，如果標(biāo)題沒有吸引力，不能反映明確、具體的觀點(diǎn)，讀者不會(huì)繼續(xù)瀏覽新聞稿件的內(nèi)容[29]。評(píng)論標(biāo)題影響著評(píng)論內(nèi)容被閱讀并產(chǎn)生影響的可能性，從而影響著消費(fèi)者對(duì)評(píng)論有用性的評(píng)價(jià)?；谝陨贤评恚狙芯空J(rèn)為，隨著時(shí)間推移，標(biāo)題文本情感屬性特征與評(píng)論內(nèi)容情感屬性特征的變化一致。同時(shí)由于標(biāo)題文本通常有字?jǐn)?shù)限制，消費(fèi)者會(huì)使用一個(gè)或多個(gè)關(guān)鍵詞的組合作為標(biāo)題，導(dǎo)致無法判斷標(biāo)題文本的主客觀性，因此，對(duì)于標(biāo)題文本的情感屬性只考慮情感極性和情感強(qiáng)度兩個(gè)維度。由此，提出假設(shè)：

H4a標(biāo)題文本的平均正向情感極性與評(píng)論發(fā)表時(shí)間呈負(fù)相關(guān)關(guān)系。

H4b標(biāo)題文本的平均情感強(qiáng)度與評(píng)論發(fā)表時(shí)間呈負(fù)相關(guān)關(guān)系。

基于以上分析，構(gòu)建本研究的理論分析框架（如圖1）。

4模型擬合與結(jié)果分析

4.1數(shù)據(jù)的收集

本研究選取京東網(wǎng)站中關(guān)于iPhone 4手機(jī)的在線評(píng)論作為研究對(duì)象。通過編寫java程序抓取iPhone 4手機(jī)銷售頁面上的所有在線評(píng)論，共收集到9355條數(shù)據(jù)。由于京東網(wǎng)站在2013年4月對(duì)評(píng)論頁面格式進(jìn)行過調(diào)整，調(diào)整前的評(píng)論內(nèi)容的字段分類更為詳細(xì)，因此考慮到數(shù)據(jù)處理的便利性和一致性，選取2013年4月18號(hào)以前的評(píng)論內(nèi)容進(jìn)行研究，共計(jì)4456條評(píng)論，數(shù)據(jù)信息包括評(píng)論者ID、評(píng)論時(shí)間、總體印象、優(yōu)點(diǎn)、不足、使用心得、星級(jí)評(píng)分和產(chǎn)品鏈接8個(gè)字段。

研究采用回歸模型驗(yàn)證假設(shè)，表1對(duì)模型所涉及的變量進(jìn)行了解釋說明。網(wǎng)絡(luò)購物中多數(shù)消費(fèi)者不會(huì)閱讀完所有評(píng)論，有學(xué)者調(diào)查發(fā)現(xiàn)，消費(fèi)者平均閱讀的數(shù)量一般不超過20條[30]。鑒于此，本研究將每20條評(píng)論作為劃分單位，將原始數(shù)據(jù)按照時(shí)間順序分成223組，形成序數(shù)為1-223號(hào)的編組數(shù)據(jù)，由此可以計(jì)算因變量lnt（在線評(píng)論序數(shù)的自然對(duì)數(shù)值）。

4.2文本識(shí)別方法

通常評(píng)論文本的識(shí)別采用Lingpipe文本分析軟件，但由于中文表達(dá)與英文相比更加復(fù)雜，如相同的詞語在不同情境下表達(dá)的意思會(huì)有所差別，而Lingpipe文本分析軟件無法識(shí)別語境的變化，影響了詞語分類的準(zhǔn)確率；相比而言，人工打分的方法能夠更準(zhǔn)確靈活地識(shí)別中文在線評(píng)論的情感屬性。因此，本研究選擇人工打分的方式對(duì)文本進(jìn)行識(shí)別，同時(shí)為了控制打分者情緒因素的影響，每條評(píng)論都由3位打分者獨(dú)立判定給出分?jǐn)?shù)，對(duì)差異較大的內(nèi)容再次討論確定最終分?jǐn)?shù)。文本主客觀性的賦值方法設(shè)定為主觀性文本賦值為1，客觀性文本賦值為0；通過正面詞匯數(shù)目（a）與負(fù)面詞匯數(shù)目（b）相減后確定文本的情感極性值為（a-b）；文本情感強(qiáng)度的賦值方法為極端性詞匯賦值為1，中性詞匯為0。最終可以計(jì)算出223組在線評(píng)論情感屬性相關(guān)變量的數(shù)值。

4.3基于逐步回歸法的模型擬合

本研究的目標(biāo)是準(zhǔn)確識(shí)別在線評(píng)論文本情感屬性動(dòng)態(tài)變化的維度與特征，要求模型中保留的解釋變量必須是重要的且不存在多重共線性。而逐步回歸法在擬合變量間關(guān)系、篩除非關(guān)聯(lián)性因素方面具有明顯的優(yōu)勢(shì)，同時(shí)又可以解決變量間多重共線性的問題。該方法的基本思想是，將變量逐個(gè)引入模型，當(dāng)原來引入的解釋變量由于后面解釋變量的引入變得不再顯著時(shí)，將其刪除，反復(fù)試驗(yàn)直到既沒有顯著的解釋變量進(jìn)入回歸方程，也沒有不顯著的解釋變量從回歸方程中剔除為止，以保證最后的模型擬合結(jié)果是最優(yōu)的。因此，在模型擬合的過程中，通過逐步回歸法進(jìn)入模型的解釋變量即是對(duì)因變量影響關(guān)鍵且顯著的因素，而沒有進(jìn)入的解釋變量即是對(duì)因變量影響不顯著的因素。

利用SPSS 17.0統(tǒng)計(jì)軟件對(duì)數(shù)據(jù)進(jìn)行處理。X5和X6的相關(guān)系數(shù)為0.731，說明這兩個(gè)變量存在多重共線性。逐步回歸分析結(jié)果如表2和表3所示，其中，表2反映了模型的擬合效果，R2值越接近于1，說明模型的擬合效果越好。因此，回歸模型4的擬合效果最優(yōu)，進(jìn)入最終模型的變量有：X1（評(píng)論內(nèi)容的平均主觀性傾向）、X2（評(píng)論內(nèi)容的主客觀混雜度）、X3（評(píng)論內(nèi)容的平均正向情感極性）和X4（評(píng)論內(nèi)容的平均情感強(qiáng)度），且這4個(gè)變量均通過顯著性檢驗(yàn)。而變量X5（標(biāo)題文本的平均正向情感極性）和X6（標(biāo)題文本的平均情感強(qiáng)度）則沒有進(jìn)入模型。

因此，在線評(píng)論情感屬性的動(dòng)態(tài)變化規(guī)律可以（1）式描述。

lnt=7.969-1.322X1t+2.086X2t-0.753X3t-0.766X4t（1）

4.4結(jié)果分析

根據(jù)表3的逐步回歸結(jié)果可以看出，關(guān)于評(píng)論內(nèi)容情感屬性的4個(gè)假設(shè)得到驗(yàn)證，而關(guān)于評(píng)論標(biāo)題文本的情感屬性的2個(gè)假設(shè)被拒絕。下面分別對(duì)假設(shè)驗(yàn)證結(jié)果進(jìn)行詳細(xì)分析。

X1的系數(shù)是-1.322，sig.<0.001，結(jié)果顯著，H1a假設(shè)通過，即評(píng)論內(nèi)容的平均主觀性傾向與評(píng)論發(fā)表時(shí)間呈負(fù)相關(guān)關(guān)系。隨著時(shí)間的推移，評(píng)論內(nèi)容逐漸趨于客觀，說明評(píng)論者對(duì)產(chǎn)品的總體印象從先前的心理感知、主觀意向逐步向?qū)Ξa(chǎn)品的功能屬性、客觀評(píng)價(jià)轉(zhuǎn)變。產(chǎn)品在投入市場(chǎng)初期和成長(zhǎng)期，消費(fèi)者對(duì)產(chǎn)品的喜愛更多的是心理上的感知，對(duì)其客觀屬性并不熟悉，因而主觀性評(píng)價(jià)較多，隨著產(chǎn)品趨于成熟期，其缺點(diǎn)逐漸被消費(fèi)者感知到，消費(fèi)者通過產(chǎn)品體驗(yàn)和閱讀以前的評(píng)論，了解了更多的產(chǎn)品客觀信息，使得評(píng)價(jià)逐漸趨于客觀化。

X2的系數(shù)是2.086，sig.<0.001，結(jié)果顯著，H1b假設(shè)通過，即評(píng)論內(nèi)容的主客觀混雜度與評(píng)論發(fā)表時(shí)間呈正相關(guān)關(guān)系。為了提高在線口碑對(duì)他人的影響力，購買iPhone 4手機(jī)的消費(fèi)者會(huì)傾向于發(fā)表區(qū)別于先前購買者并對(duì)后續(xù)消費(fèi)者感知有用性高的的評(píng)論觀點(diǎn)，即主客觀混雜度高的在線評(píng)論。消費(fèi)者的這種心理使得評(píng)論內(nèi)容的平均主客觀混雜度隨著時(shí)間的推移逐漸增高。

X3的系數(shù)是-0.753，sig.<0.001，結(jié)果顯著，H2假設(shè)通過，即評(píng)論內(nèi)容的平均正向情感傾向與評(píng)論發(fā)表時(shí)間呈負(fù)相關(guān)關(guān)系。眾所周知，iPhone 4手機(jī)的問世開創(chuàng)了智能手機(jī)的先河，與傳統(tǒng)手機(jī)完全封閉的操作系統(tǒng)不同，智能手機(jī)通過生動(dòng)的用戶交互界面和先進(jìn)的多點(diǎn)觸控技術(shù)為用戶帶來了前所未有的便利體驗(yàn)。因此，當(dāng)iPhone 4手機(jī)剛進(jìn)入市場(chǎng)時(shí)，受到了消費(fèi)者的瘋狂追捧，評(píng)論中對(duì)產(chǎn)品優(yōu)點(diǎn)的評(píng)價(jià)非常多。隨著產(chǎn)品逐漸進(jìn)入成熟期，消費(fèi)者對(duì)iPhone 4手機(jī)的各項(xiàng)功能屬性越來越熟悉，消費(fèi)者的需求更加明確，評(píng)論內(nèi)容中出現(xiàn)較多的產(chǎn)品不足和改進(jìn)建議。此外，隨著競(jìng)爭(zhēng)廠商的加入，消費(fèi)者在高端智能手機(jī)領(lǐng)域可選擇的種類增多，消費(fèi)者會(huì)通過對(duì)比不同品牌的產(chǎn)品逐漸發(fā)現(xiàn)產(chǎn)品需要改進(jìn)的方面，評(píng)論中關(guān)于產(chǎn)品缺點(diǎn)的屬性詞出現(xiàn)的頻率增多。由此使得評(píng)論內(nèi)容的平均正向情感傾向隨著時(shí)間推移呈現(xiàn)下降的趨勢(shì)。

X4的系數(shù)是-0.766，sig.<0.01，結(jié)果顯著，H3假設(shè)通過，即評(píng)論內(nèi)容的平均情感強(qiáng)度與評(píng)論發(fā)表時(shí)間呈負(fù)相關(guān)關(guān)系。情感強(qiáng)度反映了評(píng)論者對(duì)產(chǎn)品的極端感情傾向。iPhone 4手機(jī)是蘋果品牌的主打產(chǎn)品，消費(fèi)者熱愛并推崇蘋果品牌，使得初期的評(píng)論者觀點(diǎn)中帶有極端感情色彩的較多，隨著產(chǎn)品進(jìn)入成熟期以及競(jìng)爭(zhēng)對(duì)手的出現(xiàn)，使得后續(xù)評(píng)論者對(duì)產(chǎn)品的熱度降低，評(píng)論者趨于理性，評(píng)論內(nèi)容中的極端感情色彩詞語逐漸減少。

X5和X6沒有進(jìn)入逐步回歸模型，說明標(biāo)題文本的平均正向情感極性和平均情感強(qiáng)度對(duì)因變量影響不顯著，即假設(shè)H4a和H4b均沒有通過。說明標(biāo)題文本的情感屬性在時(shí)間序列上沒有穩(wěn)定的變化特征。導(dǎo)致這一現(xiàn)象的原因可能是評(píng)論者的語言總結(jié)能力參差不齊，存在標(biāo)題文本與評(píng)論內(nèi)容信息不一致的現(xiàn)象，在數(shù)據(jù)收集和整理過程中還發(fā)現(xiàn)，有些標(biāo)題文本與評(píng)論內(nèi)容完全沒有相關(guān)性。

5討論

研究結(jié)果顯示，在線評(píng)論的情感屬性具有明顯的動(dòng)態(tài)變化特征，并且在不同維度上存在差異：隨著時(shí)間的推移，評(píng)論內(nèi)容的平均主觀性傾向、平均正向情感極性和平均情感強(qiáng)度呈下降趨勢(shì)，評(píng)論內(nèi)容的主客觀混雜度呈上升趨勢(shì)；而標(biāo)題文本的情感屬性特征不存在明顯的變化趨勢(shì)。這一結(jié)論為網(wǎng)絡(luò)營(yíng)銷及在線評(píng)論研究提供了新的視角，豐富和完善了在線評(píng)論情感分析的理論。

對(duì)管理實(shí)踐而言，研究結(jié)果將對(duì)企業(yè)有效管理在線評(píng)論提供有益參考。首先，企業(yè)根據(jù)評(píng)論內(nèi)容的動(dòng)態(tài)變化，可以了解消費(fèi)者在產(chǎn)品生命周期不同階段的心理，相應(yīng)調(diào)整銷售與推廣策略。如在產(chǎn)品成熟期，消費(fèi)者評(píng)論熱情降低但貢獻(xiàn)的評(píng)論內(nèi)容主客觀混雜度增高，此時(shí)企業(yè)應(yīng)采取一定激勵(lì)措施（如參與評(píng)價(jià)可提高會(huì)員等級(jí)或贈(zèng)送優(yōu)惠券等）鼓勵(lì)消費(fèi)者積極參與購后評(píng)論，一方面可以促進(jìn)在線口碑傳播的持續(xù)，另一方面可以通過更多的客觀性評(píng)價(jià)獲取產(chǎn)品優(yōu)點(diǎn)和不足的信息，為企業(yè)持續(xù)完善產(chǎn)品和服務(wù)提供依據(jù)。其次，企業(yè)應(yīng)考慮優(yōu)化評(píng)價(jià)頁面，合并相似評(píng)論，對(duì)評(píng)論中出現(xiàn)的相同屬性詞進(jìn)行統(tǒng)計(jì)并列示在顯著位置，以幫助消費(fèi)者更快地獲得有用信息，提高決策效率。最后，標(biāo)題文本應(yīng)準(zhǔn)確反映評(píng)論者的綜合評(píng)價(jià)，以節(jié)省閱讀者的時(shí)間和精力成本。因此，為避免標(biāo)題文本的無效性，企業(yè)可以考慮采取一定的技術(shù)手段提高標(biāo)題文本信息總結(jié)的準(zhǔn)確性和清晰性，如考慮運(yùn)用語義分析算法抓取評(píng)論內(nèi)容的關(guān)鍵詞，自動(dòng)生成標(biāo)題文本，取代消費(fèi)者主觀歸納的方式，避免出現(xiàn)標(biāo)題文本無法反映評(píng)論內(nèi)容的情況。

本研究雖然得出了一些有價(jià)值的結(jié)果和啟示，但仍存在諸多局限。首先，由于數(shù)據(jù)收集和處理的限制，僅以iPhone 4手機(jī)的在線評(píng)論為研究對(duì)象進(jìn)行了實(shí)證分析，關(guān)于在線評(píng)論情感屬性動(dòng)態(tài)變化的研究結(jié)果是否適用于其他類別商品或者可推廣到C2C電子商務(wù)模式，還需要進(jìn)一步檢驗(yàn)。其次，反映在線評(píng)論文本特征的變量有許多，本研究?jī)H關(guān)注了情感屬性在時(shí)間序列上的變化，其他變量是否也存在某些動(dòng)態(tài)變化特征有待證實(shí)。這也是本文未來的研究方向。

參考文獻(xiàn)：

[1]Tang T， Fang E， Wang F. Is neutral really neutral？ The effects of neutral user-generated content on product sales[J]. Journal of Marketing， 2014， 78（4）： 41-58.

[2]楊強(qiáng)，武一波，張宇.服務(wù)補(bǔ)救對(duì)消費(fèi)者正面口碑傳播意愿的影響：品牌依戀的調(diào)節(jié)作用分析[J].預(yù)測(cè)，2015，34（4）：21-26.

[3]Pan Y， Zhang J Q. Born unequal： a study of the helpfulness of user-generated product reviews[J]. Journal of Retailing， 2011， 87（4）： 598-612.

[4]Clemons E K， Gao D G， Hitt L M. When online reviews meet hyper differentiation： a study of craft beer industry[J]. Journal of Marketing Research， 2006， 23（2）： 149-171.

[5]Hu N， Pavlou P， Zhang J. Overcoming the J-shape distribution of product reviews[J]. Communications of the ACM， 2009， 52（10）： 144-147.

[6]Cao Q， Duan W， Gan Q. Exploring determinants of voting for the “helpfulness” of online user reviews： a text mining approach[J]. Decision Support Systems， 2011， 50（2）： 511-521.

[7]Ghose A， Ipeirotis P. Estimating the helpfulness and economic impact of product reviews： mining text and reviewer characteristics[J]. IEEE Transactions on Knowledge and Data Engineering， 2010， 23（10）： 1498-1512.

[8]Liu Y. Word of mouth for movies： its dynamics and impact on box office revenue[J]. Journal of Marketing， 2006， 70（3）： 74-89.

[9]Godes D， Silva J C. Sequential and temporal dynamics of online opinion[J]. Marketing Science， 2012， 31（3）： 448-473.

[10]Chevalier J A， Mayzlin D. The effect of word of mouth on sales： online book reviews[J]. Journal of Marketing Research， 2006， 43（3）： 345-354.

[11]李金海，何有世，馬云蕾.大數(shù)據(jù)時(shí)代基于在線評(píng)論挖掘的企業(yè)網(wǎng)絡(luò)口碑危機(jī)預(yù)警研究[J].情報(bào)雜志，2015，34（2）：53-58.

[12]Pekar V， Ou S. Discovery of subjective evaluations of product features in hotel reviews[J]. Journal of Vacation Marketing， 2008， 14（2）： 145-155.

[13]Kahn J H， Tobin R M， Massey A E. et al.. Measuring emotional expression with the Linguistic Inquiry and Word Count[J]. The American Journal of Psychology， 2007， 120（2）： 263-286.

[14]樂國(guó)安，董穎紅.情緒的基本結(jié)構(gòu)：爭(zhēng)論，應(yīng)用及其前瞻[J].南開學(xué)報(bào)（哲學(xué)社會(huì)科學(xué)版），2013，（1）：140-150.

[15]王洪偉，劉勰，尹裴，等.Web文本情感分類研究綜述[J].情報(bào)學(xué)報(bào)，2010，29（5）：931-938.

[16]Sen S， Lerman D. Why are you telling me this？ An examination into negative consumer reviews on the web[J]. Journal of Interactive Marketing， 2007， 21（4）： 76-94.

[17]Bruce R F， Wiebe J M. Recognizing subjectivity： a case study in manual tagging[J]. Natural Language Engineering， 1999， 5（2）： 187-205.

[18]葉強(qiáng)，張紫瓊，羅振雄.面向互聯(lián)網(wǎng)評(píng)論情感分析的中文主觀性自動(dòng)判別方法[J].信息系統(tǒng)學(xué)報(bào)，2007，1（1）：79-91.

[19]Turney P D. Thumbs up or thumbs down？ Semantic orientation applied to unsupervised classification of reviews[A]. Proceedings of the 40th Annual Meeting on Association for Computational Linguistics[C]. Association for Computational Linguistics， Stroudsburg， 2002. 417-424.

[20]Dave K， Lawrence S， Pennock D M. Mining the peanut gallery： opinion extraction and semantic classification of product reviews[A]. Proceedings of the 12th International Conference on World Wide Web[C]. ACM Association for Computing Machinery， New York， 2003. 519-528.

[21]金聰，金平.網(wǎng)絡(luò)環(huán)境下中文情感傾向的分類方法[J].語言文字應(yīng)用，2008，5（2）：139-144.

[22] Thelwall M， Buckley K， Paltoglou G， et al.. Sentiment strength detection in short informal text[J]. Journal of the American Society for Information Science and Technology， 2010， 61（12）： 2544-2558.

[23]Zhang W， Xu H， Wan W. Weakness finder： find product weakness from Chinese reviews by using aspects based sentiment analysis[J]. Expert Systems with Applications， 2012， 39（11）： 10283-10291.

[24]Li X， Hitt L M. Self-selection and information role of online product reviews[J]. Information Systems Research， 2008， 19（4）： 456-474.

[25]Zhu F， Zhang X. Impact of online consumer reviews on sales： the moderating role of product and consumer characteristics[J]. Journal of Marketing， 2010， 74（2）： 133-148.

[26]Wu F， Huberman B A. How public opinion forms[M]. Berlin： Springer Berlin Heidelberg， 2008. 334-341.

[27]Mittal V， Ross W T， Baldasare P M. The asymmetric impact of negative and positive attribute-level performance on overall satisfaction and repurchase intentions[J]. Journal of Marketing， 1998， 62（1）： 33-47.

[28]Adava R. Sometimes it just feels right： the differential weighting of affect-consistent and affect-inconsistent product information[J]. Journal of Consumer Research， 2001， 28（1）： 1-17.

[29]馬少華.從信息量的角度考察新聞評(píng)論標(biāo)題[J].新聞大學(xué)，2003，（3）：77-79.

[30]龔詩陽，劉霞，劉洋，等.網(wǎng)絡(luò)口碑決定產(chǎn)品命運(yùn)嗎——對(duì)線上圖書評(píng)論的實(shí)證分析[J].南開管理評(píng)論，2012，（4）：118-128.