鐘丁媛 高崢洲 金皓辰 陶昉昀

摘 要：網(wǎng)上購(gòu)物的普及，在拉動(dòng)消費(fèi)經(jīng)濟(jì)增長(zhǎng)的過程中發(fā)揮著日益顯著的作用。然而，由于網(wǎng)絡(luò)購(gòu)物的局限性，消費(fèi)者無法了解商品的質(zhì)量。因此，探索評(píng)論有用性有助于消費(fèi)者做出購(gòu)買決策，也有助于商家采取相應(yīng)的銷售策略。本文對(duì)評(píng)論文本進(jìn)行NLP文本處理，通過提取特征詞，建立情感文本語料庫(kù)，對(duì)評(píng)論文本的情感極性和主觀性進(jìn)行分類，并驗(yàn)證正確率達(dá)到88%。爾后構(gòu)建評(píng)論有用性模型，分析了影響產(chǎn)品口碑的因素，利用亞馬遜11470條評(píng)論進(jìn)行驗(yàn)證，得到結(jié)論：評(píng)星極性越強(qiáng)、可讀性越強(qiáng)，有用性越強(qiáng);幫助度投票與星級(jí)之間呈凹形關(guān)系。此外，擁有多功能產(chǎn)品的知名品牌更容易受到消費(fèi)者的青睞。

關(guān)鍵詞：NLP情感分析;評(píng)論有用性;可讀性;Tobit

一、問題背景

（一）互聯(lián)網(wǎng)和網(wǎng)絡(luò)購(gòu)物的快速發(fā)展

互聯(lián)網(wǎng)的出現(xiàn)和快速發(fā)展推動(dòng)著網(wǎng)絡(luò)購(gòu)物的迅速普及，拉動(dòng)全球經(jīng)濟(jì)的增長(zhǎng)。作為全球最大的電商平臺(tái)，截至目前，亞馬遜在全球20多個(gè)國(guó)家和地區(qū)開展業(yè)務(wù)，引領(lǐng)全球電商的發(fā)展。

（二）商品口碑對(duì)消費(fèi)者網(wǎng)購(gòu)決策的影響

商品的口碑指人們自愿對(duì)商品的性能、質(zhì)量等方面發(fā)表的評(píng)論。由于網(wǎng)絡(luò)購(gòu)物的局限性，消費(fèi)者只能通過商品描述、口碑等方式了解商品信息，因此購(gòu)物存在一定的風(fēng)險(xiǎn)性。

（三）商家競(jìng)爭(zhēng)不斷加大

由于網(wǎng)絡(luò)銷售經(jīng)營(yíng)成本低、可復(fù)制性強(qiáng)，同行業(yè)商家不斷涌入，各個(gè)行業(yè)的商家已趨近飽和狀態(tài)，因此商家間的行業(yè)競(jìng)爭(zhēng)愈發(fā)激烈。為了在競(jìng)爭(zhēng)中拔得頭籌，商家不得不采取相應(yīng)的銷售策略，贏得競(jìng)爭(zhēng)優(yōu)勢(shì)。

二、NLP文字情感分析

數(shù)據(jù)文件提供了亞馬遜市場(chǎng)上微波爐、嬰兒奶嘴和吹風(fēng)機(jī)的銷售狀況和用戶評(píng)價(jià)。首先，對(duì)數(shù)據(jù)進(jìn)行處理和分析。

（一）數(shù)據(jù)預(yù)處理

清洗冗余數(shù)據(jù)，并檢驗(yàn)是否存在異常數(shù)據(jù)。由于評(píng)論者是否為會(huì)員和是否購(gòu)買商品，只有兩種答案，因此對(duì)其歸一化處理，“是”用1表示;“否”用0表示。

（二）評(píng)論文本處理

由于評(píng)論文本的詞數(shù)差異很大，詞數(shù)最多的評(píng)論達(dá)到了1569個(gè)詞，因此必須對(duì)評(píng)論文本進(jìn)行處理。

首先引入停用詞的概念。停用詞是指處理搜索請(qǐng)求時(shí)會(huì)自動(dòng)忽略的詞，大致分為兩類：一是應(yīng)用廣泛詞，其不能保證搜索結(jié)果正是需要的，難以縮小搜索范圍。二是無明確意義的詞，如語氣詞、介詞等，只有放入完整的句子中才有意義。

然后，我們對(duì)評(píng)論文本進(jìn)行如下處理：

1.基本特征提取

詞數(shù)：詞數(shù)影響閱讀時(shí)間和內(nèi)容的理解程度。因此將評(píng)論句子切分，得到詞匯數(shù)量。

平均詞匯長(zhǎng)度：詞匯長(zhǎng)度越長(zhǎng)，人們的理解難度越大。因此將評(píng)論所有的單詞長(zhǎng)度除以單詞數(shù)，得到平均詞匯長(zhǎng)度。

停用詞數(shù)量：計(jì)算停用詞的數(shù)量可以提供額外信息。通過調(diào)用NLTK庫(kù)計(jì)算停用詞的數(shù)量。

2.文本處理

小寫轉(zhuǎn)換：為了避免同一單詞存在多個(gè)副本，將評(píng)論中單詞均轉(zhuǎn)換為小寫。

刪除標(biāo)點(diǎn)：標(biāo)點(diǎn)在文本中不能提供有效信息，刪除標(biāo)點(diǎn)將減少數(shù)據(jù)量。

刪除停用詞：刪除停用詞可以節(jié)省文本的存儲(chǔ)空間并提高搜索效率。

分詞與向量化：分詞指將文本劃分成一系列的單詞或詞組。通過分詞，將文本向量化，有助于計(jì)算特征詞的個(gè)數(shù)。

計(jì)算詞頻：詞頻指單詞在句子中出現(xiàn)的次數(shù)與句子總單詞數(shù)的比例。

經(jīng)過處理，我們減少了特征詞的數(shù)目，但是仍然避免不了有些單詞出現(xiàn)頻率很高，但不具有代表性。另一方面，若單詞出現(xiàn)次數(shù)過少，具有強(qiáng)獨(dú)特性，對(duì)特征詞無幫助。因此我們?nèi)コ霈F(xiàn)頻率高于0.8或出現(xiàn)次數(shù)小于3次的單詞。經(jīng)過處理，特征詞的數(shù)目降到大約4000個(gè)。

3.模型訓(xùn)練

隨機(jī)取75%的評(píng)論數(shù)據(jù)作為訓(xùn)練集，剩下的作為驗(yàn)證集，對(duì)模型進(jìn)行訓(xùn)練。

情感分析：使用TextBlob判斷特征詞的極性和主觀性。其中，極性取[-1，1]間的浮點(diǎn)數(shù)，正數(shù)表示積極，負(fù)數(shù)表示消極。同樣地，主觀性取值中，0表示客觀，1表示主觀。我們利用訓(xùn)練集模擬，并預(yù)測(cè)了對(duì)情感分類標(biāo)記，將預(yù)測(cè)結(jié)果讀入scikit-learn測(cè)量工具集，得出預(yù)測(cè)準(zhǔn)確率為86.51%。

混淆矩陣：可用來評(píng)價(jià)精度。由于單看準(zhǔn)確率不太全面，因此利用混淆矩陣驗(yàn)證預(yù)測(cè)的準(zhǔn)確率，得出情感分類結(jié)果，如圖1所示：

由此得出，特征詞為正向，預(yù)測(cè)結(jié)果也為正的數(shù)量為436;負(fù)向且預(yù)測(cè)也為負(fù)的數(shù)量為2045，這表明預(yù)測(cè)正確的特征詞數(shù)量遠(yuǎn)高于預(yù)測(cè)錯(cuò)誤的數(shù)量。

ROC曲線：反應(yīng)模型在選取不同閾值時(shí)的敏感性和精確性趨勢(shì)走向。對(duì)訓(xùn)練集樣本進(jìn)行排序，計(jì)算真正例率和假正例率。AUC是ROC曲線與坐標(biāo)軸圍成的面積，介于0～1之間，值越大則分類越好。得出ROC曲線圖，如圖2所示：

由此，得到AUC的值為0.88，進(jìn)一步說明了我們對(duì)特征詞的分類效果很好。

經(jīng)過評(píng)論文本處理，我們得出了所有評(píng)論文本的正負(fù)面評(píng)價(jià)數(shù)和情感數(shù)，并計(jì)算出這些特征詞的極性和主觀性。如"This item it's been working perfectly fine，I'm glad i ordered??！"中，特征詞11個(gè)，包含正面評(píng)價(jià)數(shù)2個(gè)、正面情感數(shù)1個(gè)，該評(píng)論極性為0.458，評(píng)論主觀性為0.75。

三、評(píng)論有用性模型的建立

通常一條完整的商品評(píng)論包含：產(chǎn)品ID、評(píng)論ID、評(píng)星、有用性投票、評(píng)論總投票數(shù)和評(píng)論文本。高質(zhì)量的評(píng)論可以客觀、全面地反應(yīng)產(chǎn)品的優(yōu)缺點(diǎn)，直觀反應(yīng)用戶的使用體驗(yàn);低質(zhì)量的評(píng)論對(duì)潛在購(gòu)買者的參考價(jià)值不大，還可能存在虛假信息，從而產(chǎn)生誤導(dǎo)。

（一）影響評(píng)論有用性的因素

1.評(píng)論文本

評(píng)論字?jǐn)?shù)：一般而言，評(píng)論字?jǐn)?shù)越多，包含商品細(xì)節(jié)越多。但是細(xì)節(jié)過多會(huì)導(dǎo)致信息超載，降低評(píng)論可讀性。評(píng)論字?jǐn)?shù)對(duì)有用性的影響存在一個(gè)臨界點(diǎn)——144個(gè)字，一旦超過這個(gè)值，字?jǐn)?shù)與有用性的關(guān)系變得不顯著。[1]

評(píng)星：評(píng)星是一個(gè)更為直觀的評(píng)價(jià)商品好壞的標(biāo)準(zhǔn)。

評(píng)論可讀性：可讀性是基于評(píng)論文本的長(zhǎng)度、單詞復(fù)雜度等變量的綜合計(jì)算，在一定程度上反映評(píng)論文本的易理解性。通俗易懂的文字可以提高瀏覽者的理解度和閱讀速度，進(jìn)而提升評(píng)論的有用性。但是，用詞復(fù)雜的評(píng)論往往看起來更加專業(yè)，更容易得到讀者的信任。從單詞極性來看，評(píng)論文本特征詞中情感詞的數(shù)量和強(qiáng)度也會(huì)影響有用性。

與其他評(píng)論的交互作用：評(píng)論的呈現(xiàn)順序會(huì)影響消費(fèi)者對(duì)有用性的判斷，靠前的評(píng)論曝光度高，瀏覽量大，有用性高。由于人們的從眾心理，與大眾觀點(diǎn)一致的評(píng)論更為可信。但與總體評(píng)分偏差較大的評(píng)論能提供與眾不同的觀點(diǎn)和體驗(yàn)，也具有參考價(jià)值。

2.評(píng)論者因素

評(píng)論者的身份：評(píng)論者言論的可信度水平直接影響到評(píng)論有用性。網(wǎng)絡(luò)購(gòu)物者用戶身份只能通過ID、照片等因素來判斷。一般而言，身份信息越明顯，評(píng)論可信度越高。

是否為會(huì)員：基于用戶在評(píng)論方面所獲得的信任，極有可能被邀請(qǐng)成為亞馬遜會(huì)員，其評(píng)論會(huì)被認(rèn)為可信度更高，從而更容易幫助潛在消費(fèi)者做出決策。

購(gòu)買經(jīng)驗(yàn)：亞馬遜平臺(tái)允許未購(gòu)買商品的用戶做出評(píng)論，因此用戶是否購(gòu)買商品也應(yīng)被考慮。

（二）可讀性測(cè)試

可讀性測(cè)試的目的是基于文本內(nèi)容，告訴評(píng)論瀏覽者理解評(píng)論的難度，一般用比例的形式表達(dá)。目前，計(jì)算可讀性的主要方式有如下幾種：[2]

Gunning FOG Index

該指數(shù)可從詞數(shù)、難度、句子數(shù)量和平均句長(zhǎng)等方面考察文本閱讀難度，將具有兩個(gè)以上音節(jié)的單詞作為復(fù)雜單詞。

以上四個(gè)公式均是通過將文本分解成基本結(jié)構(gòu)來評(píng)估文本的可讀性，然后使用經(jīng)驗(yàn)回歸公式將這些元素組合。FOG和CLI指數(shù)衡量的是復(fù)雜性，而FK和ARI指數(shù)衡量的是閱讀難度。由于在數(shù)據(jù)處理過程中，我們已經(jīng)得出了以上變量的值，因此可以很方便地計(jì)算。

（三）探究因素的相關(guān)性

1.商品總體滿意度

用戶對(duì)商品的評(píng)星反映了顧客的總體滿意度。吹風(fēng)機(jī)的總體滿意度為4.12分，微波爐為3.44分，奶嘴為4.30分。用戶具體評(píng)星分布如圖3所示：

投票中5星的數(shù)量最多，然后是4星和1星。在對(duì)商品進(jìn)行評(píng)星時(shí)，人們、使用單一指標(biāo)評(píng)價(jià)，往往會(huì)給出極性強(qiáng)的結(jié)果。因?yàn)闃O性強(qiáng)的評(píng)論，傳達(dá)的信息是片面的，比提供雙邊消息容易。

2.幫助度和星級(jí)的關(guān)系

本文將認(rèn)為評(píng)論有幫助的投票數(shù)作為評(píng)論的幫助度。并沒有常規(guī)地使用幫助率，是因?yàn)榭紤]了主觀性。對(duì)于幫助率為75%的評(píng)論而言，4人中3人贊同與100人中75人贊同的評(píng)論，人們往往認(rèn)為后者可信度更高。

對(duì)于吹風(fēng)機(jī)而言，其11470條評(píng)論中，得到幫助度反饋的共有4329條。其幫助率分布如圖4所示：

由圖可知，這些評(píng)論中，2280條得到了評(píng)論瀏覽者的滿分，占52.67%，這表明超過一半的評(píng)論受到高度贊揚(yáng)。另一方面，630條極端反對(duì)，占14.55%，這部分評(píng)論被瀏覽評(píng)論的人認(rèn)為沒有幫助。

將幫助率具體劃分到五個(gè)評(píng)星中，計(jì)算各個(gè)星級(jí)的頻次。其中，認(rèn)為評(píng)論完全幫助的人數(shù)遠(yuǎn)大于其他人數(shù)，認(rèn)為評(píng)論完全沒幫助的人數(shù)僅次于它，且不同星級(jí)評(píng)論的幫助度分布具有一致性。此外，幫助度與星級(jí)存在凹評(píng)級(jí)關(guān)系，即極性評(píng)星的頻數(shù)大，非極性評(píng)論的頻數(shù)小。

3.因素相關(guān)性

Spearman相關(guān)系數(shù)用來根據(jù)等級(jí)研究?jī)蓚€(gè)變量間相關(guān)性，計(jì)算兩列成對(duì)等級(jí)的各對(duì)等級(jí)數(shù)之差。對(duì)于樣本容量為n的樣本，n個(gè)原始數(shù)據(jù)被轉(zhuǎn)換為等級(jí)數(shù)據(jù)，計(jì)算其相關(guān)系數(shù)。

為了防止文本極性和評(píng)星極性不匹配，我們探究評(píng)論文本極性、主觀性和評(píng)星間的相關(guān)性。計(jì)算相關(guān)系數(shù)得出，三者存在較高的相關(guān)性。

對(duì)樣本進(jìn)行Spearman非參數(shù)項(xiàng)間相關(guān)性分析，以評(píng)估不同因素間的相互關(guān)系。通過計(jì)算各指標(biāo)間間的相關(guān)系數(shù)，得到這些因素間存在顯著的相關(guān)性，其中，星級(jí)與其余因素呈負(fù)相關(guān)，其他均呈正相關(guān)。值得注意的是，四個(gè)可讀性測(cè)試指標(biāo)間顯示了較高的相關(guān)性。也進(jìn)一步證實(shí)了幫助度受文本可讀性影響。

（四）模型建立

1.評(píng)論幫助度模型建立

下面進(jìn)一步探究文本結(jié)構(gòu)對(duì)幫助度的影響，及其與評(píng)論人數(shù)的關(guān)系。換句話說，探究極端評(píng)論高曝光度對(duì)可讀性的影響。為此建立如下模型：

表中r2給出了模型的預(yù)測(cè)能力。模型1顯示，評(píng)分對(duì)幫助率的二次效應(yīng)無顯著性，可能是由于數(shù)據(jù)中存在過多的強(qiáng)積極性評(píng)論，與強(qiáng)消極性評(píng)論的差值過大，使得凹關(guān)系不顯著。單詞數(shù)量顯著卻對(duì)幫助率沒有影響;而評(píng)價(jià)等級(jí)有顯著影響。

模型2考慮到評(píng)論文本結(jié)構(gòu)和風(fēng)格對(duì)幫助率的影響，評(píng)價(jià)等級(jí)的影響效果略有下降，但模型的擬合度提高，且四個(gè)可讀性系數(shù)的值都比字?jǐn)?shù)高，這意味著可讀性比評(píng)論長(zhǎng)度對(duì)有用性的影響更大。

模型3的擬合度增加了38.53%。表明雖然總票數(shù)和有幫助投票數(shù)的二次效應(yīng)不顯著，但是模型的擬合度增加。

四、評(píng)論有用性模型的檢驗(yàn)

（一）評(píng)論特征對(duì)有用性影響的檢驗(yàn)

接下來我們想探究幫助率是否反作用于評(píng)論特征。為此，我們將數(shù)據(jù)按照幫助率和評(píng)星數(shù)劃分為以下幾類：

（1）評(píng)論幫助率低于或高于0.5。

（2）評(píng)論幫助率低于0.25或高于0.75。

（3）低星評(píng)論（1-2星）或高星評(píng)論（4-5星）。

（4）極性強(qiáng)的評(píng)論，即一星或五星評(píng)論。

1.評(píng)論極性和可讀性對(duì)有用性的影響

盡管組內(nèi)的單詞數(shù)和均值有一定的差距，但組間差距很小。由此證實(shí)了評(píng)論長(zhǎng)度受評(píng)星的影響。從文本中包含的單詞數(shù)量可以看出，評(píng)星積極的評(píng)論往往包含更多的文本信息。

（二）品牌對(duì)有用性的影響

網(wǎng)上銷售中，人們往往會(huì)注重商品品牌和功能。篩選出吹風(fēng)機(jī)銷量大于100的商品，并根據(jù)品牌進(jìn)行合并，得出位于前四個(gè)的品牌是Conair，Andis，Remington和Revlon。其中Conair的銷量為3315，Andis為2162，遠(yuǎn)高于其他品牌。這四個(gè)品牌中，最熱門的單品銷量分別為535，555，587，297，前三熱銷商品銷量沒有太大區(qū)別，但Conair和Andis商品型號(hào)多、功能強(qiáng)，造成銷量差距。

考慮到商品口碑的因素，我們根據(jù)用戶的評(píng)價(jià)及評(píng)星，統(tǒng)計(jì)出詞頻最高的詞，如圖5、6所示：

由此得出商品銷售的啟示：在商品標(biāo)題中標(biāo)明功率、顏色、質(zhì)地等關(guān)鍵詞，以便消費(fèi)者更直觀地做出購(gòu)買決策。

五、結(jié)語

從單個(gè)因素來看：評(píng)論字?jǐn)?shù)越多，提供細(xì)節(jié)越多，有用性越強(qiáng)。但評(píng)論字?jǐn)?shù)超過144個(gè)時(shí)，字?jǐn)?shù)與有用性的關(guān)系不顯著。評(píng)星極性越強(qiáng)、可讀性越高，有用性越強(qiáng)。評(píng)論的呈現(xiàn)順序越靠前，曝光度越大，有用性越強(qiáng)。考慮到不同因素的相關(guān)性：評(píng)論文本的極性、主觀性和評(píng)論星級(jí)間存在較高的相關(guān)性，顯著性強(qiáng)。極性評(píng)論可讀性更強(qiáng)，有用性更強(qiáng)。評(píng)論幫助度受積極評(píng)論影響：隨著評(píng)星增加，幫助度有一個(gè)顯著的上升趨勢(shì)。評(píng)論的幫助度與星級(jí)具有凹評(píng)級(jí)關(guān)系，即極性星級(jí)頻數(shù)大，非極性評(píng)論頻數(shù)小;但評(píng)分對(duì)幫助度的二次效應(yīng)沒有顯著性。可讀性測(cè)試指標(biāo)間顯示了較高的相關(guān)性。此外，商品品牌和功能也影響著評(píng)論有用性。商品型號(hào)多、功能豐富，能滿足廣大用戶的購(gòu)買需求，因此其商品評(píng)論有用性強(qiáng)。

這一結(jié)論有助于企業(yè)采取干預(yù)策略，提高自身的市場(chǎng)競(jìng)爭(zhēng)力，如：加強(qiáng)良好的產(chǎn)品宣傳，打造有吸引力的產(chǎn)品名稱，不斷優(yōu)化產(chǎn)品設(shè)計(jì)，更加貼近市場(chǎng)需求;注重售后服務(wù)體系的完善和優(yōu)質(zhì)客戶的培養(yǎng)。

參考文獻(xiàn)：

[1]Albert H.Huang，Kuanchin Chen，David C.Yen，Trang P.Tran.A study of factors that contribute to online review helpfulness[J].Computers in Human Behavior，2015，48.

[2]NikolaosKoratis，ElenaGarcía-Bariocanal，SalvadorSánchez-Alonso.Evaluatingcontentqualityandhelpfulness of online product reviews：The interplay of review helpfulness vs.review content[J].Electronic CommerceResearchandApplications，2012，11（3）.

基金項(xiàng)目：2020年1月國(guó)家自然科學(xué)基金面上項(xiàng)目“Navier-Stokes-Allen-Cahn方程組的數(shù)學(xué)理論研究”（項(xiàng)目編號(hào)：11971234）;2017年5月南京林業(yè)大學(xué)“國(guó)際教育學(xué)院中外合作辦學(xué)高水平示范”（項(xiàng)目編號(hào)：164101005）;2017年7月南京林業(yè)大學(xué)“2017年教學(xué)質(zhì)量提升工程”（項(xiàng)目編號(hào)：163101812）;2018年7月南京林業(yè)大學(xué)“高等教育研究所通過數(shù)學(xué)建模競(jìng)賽提高創(chuàng)新性人才培養(yǎng)研究”（項(xiàng)目編號(hào)：163101147）;2018年7月南京林業(yè)大學(xué)“基于數(shù)據(jù)分析的“智能化”新莊立交交通的研究和建?！保?xiàng)目編號(hào)：201810298062Z）;2019年6月南京林業(yè)大學(xué)“Imiracle”——多維學(xué)習(xí)研討與輔助教學(xué)小程序的研發(fā)”（項(xiàng)目編號(hào)：2019NFUSPITP1040）;2019年6月南京林業(yè)大學(xué)“多維學(xué)習(xí)研討與輔助教學(xué)小程序的研發(fā)”（項(xiàng)目編號(hào)：201910298203T）

作者簡(jiǎn)介：鐘丁媛（1999—），女，漢族，江蘇揚(yáng)州人，南京林業(yè)大學(xué)理學(xué)院2017級(jí)在讀本科生，研究方向：應(yīng)用數(shù)學(xué)。