基于共現網絡與情感分析的多平臺消費者評論主題比較研究

摘要：[目的/意義]旨在以實證分析研究虛擬生活社區、社交平臺、購物平臺的用戶對于同一款產品的評價內容主題傾向異同。[方法/過程]選取“你今天真好看”App、微博、京東三個平臺為實驗對象，共采集54 071條同一護膚品的用戶評論文本，采用LDA主題生成模型、共現網絡，基于機器學習的情感分析方法對用戶評論文本進行多平臺比較分析。[結果/結論]研究發現三個平臺共八大評論主題的主題特征詞、共現網絡、主題情感上各有異同，且內容傾向符合各平臺特點。

關鍵詞：多平臺比較? ? 文本主題聚類? ? 共現網絡分析? ? 情感分析

分類號：F724.6

引用格式：周婷瑋. 基于共現網絡與情感分析的多平臺消費者評論主題比較研究[J/OL]. 知識管理論壇， 2023， 8（2）： 79-91[引用日期]. http：//www.kmf.ac.cn/p/334/.

大數據移動互聯網時代，用戶可以在線上交流信息[1]，以評論作為呈現形式的即時信息也被長久保留在平臺上。在此背景下，用戶通過共同的興趣、職業、目標、需求等聚集在一起，形成網絡虛擬社區[2]。與實體傳統社區相比，網絡虛擬社區擺脫了時間和空間的限制，因而受眾群體十分廣泛[1]。新媒體時代，虛擬社區營銷逐漸成為電子商務領域信息傳播和價值傳遞的主要方式。虛擬社區可以提供大量信息供消費者瀏覽，以滿足其輔助決策的功能需求。其中，在線評論的文本內容對于消費者行為的影響起到了關鍵作用，但每條評論的重要性并不相同[3]。有相關文獻基于用戶需求將虛擬社區的用戶評論主題劃分為平臺推廣、獎勵制度、基礎設施維護、專業特色、發帖規范、專業資源建設、管理團隊建設、社會對接和用戶互動等[4]。但該類研究主要基于虛擬社區建設，研究用戶參與的特點與影響，對于虛擬社區內的用戶評論研究則聚焦單一虛擬社區，缺乏關于虛擬社區特色化的用戶評論內容主題傾向以及跨平臺比較研究。

本研究采集了“你今天真好看”App、微博、京東三種渠道中同一護膚品類商品的評論數據共計54 071條，將護膚虛擬社區、社交平臺、購物平臺以護膚專題為例進行對比，并采用LDA（Latent Dirichlet Allocation）主題生成模型、共現網絡（Co-Occurrence Network）和情感分析對用戶評論文本進行多平臺比較研究。本文旨在分析各平臺評論主題傾向異同，比對同一主題下的內容差異，以期為品牌方企業在新品配方設計、已有商品優化、用戶適用人群定位、用戶產品需求獲取、實際使用效果反饋、產品代言人選擇、產品定價等方面提供精準的獲取渠道決策參考，并為相關商業應用提供參考。

1? 相關研究

1.1? 虛擬社區與用戶

目前，對于虛擬社區的相關研究主要集中于虛擬學術社區建設和虛擬品牌社區中的用戶參與。周陽等[5]利用質性分析軟件NVIVO 12.0對小木蟲論壇回帖內容進行編碼，據此構建虛擬學術社區參與行為的模型，發現不同等級的用戶的參與行為具有不同的特點。C. Huaruo等[6]發現虛擬學術社區持續知識共享意愿與知識共享滿意度呈顯著正相關，而后者受啟發式因素（知識共享數量、知識源可信度）和系統因素（知識共享質量、知識共享有用性）的影響。M. Tabish等[7]使用偏最小二乘法（Partial Least Squares，PLS）進行分析，研究認為虛擬社區參與對品牌信任有積極作用，而品牌信任將會對品牌選擇產生積極影響。

為了深入挖掘虛擬社區用戶評論中隱藏的用戶需求，相關文獻對虛擬社區的用戶評論文本進行分析。雖然在線評論的文本內容對于消費者行為的影響起到了關鍵作用，但根據陳秀秀[3]的研究，每條評論的重要性并不相同。更有研究發現了用戶需求與品牌之間的聯系，并挖掘出含用戶需求內容的評論文本的價值。例如，P. Cara[8]在研究消費者對在線評論來源可信度和有用性的感知如何影響與零售商店網絡社區接觸的意向和購買意向時發現，消費者希望在購物情境中與零售店網絡社區進行接觸。U. Chakraborty[9]利用結構方程模型的bootstrapping方法來檢驗品牌資產維度在購買意愿與在線評論之間的中介效應，最終發現營銷人員應該更多地關注品牌知名度和感知價值，因為這兩者最終影響消費者的購買意愿。屈慧君[10]針對微博品牌社區中用戶參與動機、互動活力、信任、購買意愿之間的兩兩關系進行研究，發現這四者互成正相關關系。

綜上所述，當前圍繞虛擬社區相關的研究文獻內容主要包含兩個方面：專業虛擬社區中不同用戶參與行為的特點、參與意愿和對虛擬社區的影響；對用戶評論內容進行文本挖掘分析，研究其中潛藏的用戶對虛擬社區和品牌的需求，以及用戶信任、購買決策等的影響因素。然而對于用戶參與在商業方面的實際應用價值定義較為籠統，且用戶對于品牌產品的使用反饋是其共創價值的重要體現，而對此中用戶參與進行深入研究的文獻較少。對于虛擬社區評論的研究大多針對虛擬品牌社區，對虛擬生活社區的研究少有涉及。

1.2? 主題挖掘研究：基于LDA的主題共現網絡與情感分析

現有文獻中對于文本中主題聚類通常采用兩種方式，一種是根據文本相似度的計算進行聚類的傳統模型[11-12]，其作用于原始文本，以兩個文本的字符匹配程度或距離作為相似度的衡量標準，其優點是算法原理簡單且易于實現，但依賴詞向量空間距離[13]，存在文本向量維數過高以及語義敏感度差的問題[14]；另一種則是使用LDA主題生成模型。

LDA模型最早由D. M. Blei等[15]提出，是一種基于貝葉斯概率的、非監督機器學習技術，屬于自然語言處理的兩大推力模型之一，可以用來識別大規模語料庫（corpus）中潛藏的主題信息。在LDA主題生成模型中，每份文本被表示為一系列主題的多項分布，而每個主題則被表示為一系列單詞的多項分布[16]。LDA主題生成模型由于具有較好的處理大規模語料的能力、降維能力，成為了近年來主題挖掘研究中的一個熱門方向[17]。

該模型可應用于多種情境。在歷史學領域，何琳等[18]對《左傳》等史書中的事件觸發詞借助LDA實現了其自動識別和分類；在司法實踐領域，王慧等[19]使用LDA提取案情三元組信息，解決了現有司法數據分析方法與案件數據的內部信息關聯不夠、低效落后的問題；在社交平臺輿情管控領域，張雷等[20]基于LDA模型構建高校師德輿情下微博用戶主題生成模型，通過識別主題最優傳播路徑進行輿論引導，對突發的輿情實現預測和管制優化；在電商領域，崔寧等[21]以LDA主題模型和偏序集理論為基礎，對大量在線商品評論構建在線商品評論分析模型，幫助商家掌握顧客消費需求和潛在傾向。綜上可見，LDA主題生成模型應用廣泛，且能高效、準確地挖掘出文本的主題特征。

基于機器學習的情感分析作為有監督學習，需要人工對文本庫進行正負樣本標注，再選擇合適的算法對分類器進行訓練[22]。自然語言處理的分類算法主要有樸素貝葉斯算法、KNN算法、支持向量機算、神經網絡算法等。研究表明用機器學習方法對10萬條以下的文本信息進行分類時，采用樸素貝葉斯方法能達到較好的效果[23]。本研究將采用樸素貝葉斯算法訓練分類器，對三個平臺的文本情感正負極性進行處理。

2? 研究方法

2.1? 數據來源

本研究選取2020年6月—2022年3月護膚虛擬社區、社交平臺、購物平臺的用戶評論，并選取了“芙麗芳絲凈潤洗面霜”作為評論數據的采集目標對象。根據iMedia Research（艾媒咨詢）數據顯示[24]，90.4%中國網民使用洗面奶清潔面部，這表明在消費者群體中洗面奶的使用極為普遍。而2021年京東“618”促消活動中，芙麗芳絲凈潤洗面霜拿下潔面品類銷量第一，且于護膚虛擬社區“你今天真好看”App護膚品潔面榜單中，常年保持在綜合排行榜第一。因此選擇“芙麗芳絲凈潤洗面霜”作為采集目標對象得到的研究結論具有代表性和普遍性。具體數據來源如下：

（1）護膚虛擬社區的用戶評論文本爬取自“你今天真好看”App。“你今天真好看”App于2016年底上線，是世界上首款通過素顏照即可進行膚質檢測的手機端應用。作為一個專業的護膚品虛擬社區，其在提供膚質檢測的同時，根據檢測結果為用戶推薦合適的護膚品，并且擁有200多萬種護膚品的產品庫、1 500多萬條產品評價、1 290萬的用戶群體，截至2023年1月已提供超過2.37億次拍照測膚服務（數據來自App官網）。本研究爬取“芙麗芳絲凈潤洗面霜”產品下的用戶評論數據，最終得到31 359條有效評論文本。

（2）社交平臺的用戶評論文本爬取自微博。微博是一種基于用戶關系進行信息分享、傳播以及獲取，通過關注機制分享簡短實時信息的廣播式社交媒體與網絡平臺。截至2021年9月，微博月活躍用戶達5.73億，來自移動端比例為94%；日活躍用戶數達到2.48億[25]。本研究爬取“芙麗芳絲潔面”話題下用戶博文數據，最終得到12 404條有效評論文本。

（3）購物平臺的用戶評論文本爬取自京東。京東作為中國自營式電商企業，在線銷售包括化妝品與其他個人護理用品在內的商品共13大類3 150萬種SKU（Stock Keeping Unit，庫存量單位）。本研究爬取“芙麗芳絲凈潤洗面霜”產品下用戶評論數據，最終得到10 308條有效評論文本。

本研究從以上三個平臺中獲得共計54 071條文本數據。

2.2? 評論文本主題生成模型

本研究的主要流程分為以下幾個步驟：

（1）在“你今天真好看”App、微博、京東三個平臺分別使用Python爬蟲獲取“芙麗芳絲凈潤洗面霜”的評論文本，形成多平臺評論文本庫，為后文的文本分析做好準備工作。

（2）對評論文本進行預處理，即加入領域專有詞，分詞，去除停用詞，標注詞性。

（3）使用LDA主題生成模型對三種來源的評論文本分別進行聚類，根據困惑度得出最佳主題數，并由人工對各主題進行定義。

（4）將各平臺用戶評論文本中聚類得出的前150個特征詞作為關鍵詞，用于研究各主題內及主題間的共現網絡，并對評論文本與主題進行情感分析。

（5）對比三個平臺的共現網絡與情感分析結果，探索各平臺的側重項。

具體流程如圖1所示：

本節將對研究流程中較為重要的部分進行詳述。

（1）數據預處理。在獲取評論文本后，參照哈工大停用詞表（767），對文本進行去除停用詞、標注詞性、分詞。為了確保本研究分詞效果的完整性與準確性，加入了閱讀全部評論后人工定義的流行詞表（97），以協助補全Python的第三方包Jieba在對文本進行分詞時使用的詞庫。

（2）LDA主題生成模型。本研究使用Python的Latent Dirichlet Allocation函數對各平臺用戶評論文本分別進行LDA聚類并使用第三方包pyLDAvis對主題生成結果進行可視化分析，以避免過擬合的問題出現。依據LDA聚類結果并參照折肘法[26]尋找三個平臺的困惑度拐點，得出的最佳主題數見圖2。根據所有平臺的結果，單個主題下的特征詞去重后，構建三者的特征詞總庫。根據詞頻分別對各平臺進行特征詞排序，得到每個平臺各自的特征詞詞頻表。

（3）主題共現網絡分析。在KH Coder中經多次實驗，網絡圖成員為150時作圖效果最佳，因此依據LDA的聚類結果，在特征詞詞頻表中取前150個單詞進行網絡圖繪制。經過驗證發現，三個平臺有主題編碼的單詞詞頻在總詞頻占比分別為“你今天真好看”App 85.36%、微博95.12%、京東92.7%，結果具有代表性。最后，根據各主題特征詞及其在同一條評論文本中的共現關系，對主題名稱進行定義。使用KH Coder軟件通過將多個主題特征詞以同一主題名稱進行同義詞替換的方式對特征詞給予主題編碼，以此為基礎可研究主題之間的共現關系，即不同主題特征詞在同一條評論文本中的共現現象。采用余弦距離進行文本中詞語與詞語，主題與主題的共現分析與語義網絡構建。主題—主題的共現矩陣示例見表1，對角線元素代表該主題在從該平臺獲取的用戶評論文本中出現的總頻次，非對角線元素代表兩主題在同一條評論文本中共現的總次數。本文使用了KH Coder和 Gephi軟件對各平臺的共現網絡的可視化進行繪制工作，采用最小生成樹法提取出共現網絡的主干繪制共現網絡，以達到精簡網絡圖，使結果更為直觀的目的。

（4）主題情感分析。根據主題聚類與定義的結果，依據文獻[27]對詞語情感極性的劃分，分為正面、中性、負面并標注為1、0、-1，以便于訓練與統計，并使用Tf-idf方法提取特征，以達到突出重要單詞、抑制次要單詞的目的[22]。訓練數據方面，采用樸素貝葉斯方法，根據已知的先驗概率和條件概率，基于詞—類組合概率計算后驗概率的所屬類別[23]。通過轉化后的詞向量對分類器進行訓練，訓練集與測試集的比例為8：2，并使用Python中的第三方包Sklearn評價準確率，得到“你今天真好看”的結果準確率為0.820 1，微博為0.781 2，京東為0.805 9。

3? 實證分析

3.1? LDA主題聚類分析

本研究使用Python進行LDA聚類，根據主題聚類的結果，總結出三個平臺下共8個主題，其中：產品配方（成分/膚感）、適合膚質人群（用戶皮膚問題）、產品價格、用戶使用感受（使用體驗、使用搭配）、用戶購買原因（為什么購買、競品、回購意愿）、商家活動6個主題為三個平臺的共有主題。除此之外，產品代言人為微博平臺特有的主題，購買平臺/物流為京東平臺特有的主題。LDA主題聚類結果如表2所示：

部分特征詞出現在了兩個主題下，但考慮到主題定義，特征詞在各主題下實際含義并不重疊，因此保留。對三個平臺下各主題特征詞在該平臺評論文本庫中的詞頻總占比進行統計分析（即經主題編碼處理），如圖3所示，得出各主題在該平臺評論中的占比。由于存在主題共現現象，因而各平臺下各主題占比之和超出百分之一百。選取在各平臺中均占有較高比重的四項主題，通過詞云對比用戶評論文本實際內容進行分析。

（1）產品配方（成分/膚感）主題下的特征詞詞云見圖4。三個平臺的用戶評論對于洗面奶本身的基本配方屬性如氨基酸與皂基，該類配方對應的洗面奶的基本功能屬性（即清潔度）以及該款產品作為氨基酸類洗面奶的特性（即洗完皮膚不拔干的效果）都有較高的關注。而“你今天真好看”App在洗面奶基本屬性以外的其他功效成分更為關注；同時對于成分是否對皮膚具有刺激性、致痘可能性的聚焦是另兩個平臺所沒有的。微博平臺的用戶則更關注孕婦是否能夠使用該款產品，包括成分是否提取自植物，是否含有香精、色素或防腐劑等。前兩個平臺與京東平臺在該主題下特征詞的被包含關系。

（2）適合膚質人群（用戶皮膚問題）主題下的特征詞詞云見圖5。“你今天真好看”App的特征詞明顯多于并包含了另兩個平臺在該主題下的特征詞。該App對于臉部的區域劃分更為細致，如臉頰、額頭、鼻子、t區；對于膚質和皮膚已有問題的描述更為具體，不再僅以毛孔、油、敏感肌等概括，增加了黑頭、痘痘、混油（皮膚部分區域為中性皮膚，部分為油性皮膚）、油痘肌等；比之另外兩個平臺，增加了有關適用氣候環境的描述，如換季、秋冬、時期等。

（3）用戶使用感受（使用體驗、使用搭配）主題下的特征詞詞云見圖6。三個平臺的用戶評論均對于洗面奶基本功效（即起泡能力和清潔能力）給予了較大的關注。“你今天真好看”App的特征詞明顯多于另兩個平臺在該主題下的特征詞。“你今天真好看”App傾向使用體驗，對于產品的各種功效覆蓋較全，包括控油、水油平衡、減輕皮膚負擔、顆粒物添加以及使用后皮膚出現的問題（如爆痘、起閉口、對眼睛較為刺激等）；微博平臺傾向使用搭配，包括與起泡網一起使用，以及后續搭配雅詩蘭黛、cpb等品牌的面膜、面霜等其他類目護膚品；京東平臺則對于產品外包裝的盒子、產品容量、質量更為重視。

（4）用戶購買原因（為什么購買、競品、回購意愿）主題下的特征詞詞云見圖7。三個平臺用戶購買該產品的主要原因均集中于該產品的主要特征屬性，如品牌——芙麗芳絲、護膚品類目——洗面奶、主打成分——氨基酸、主要功能——潔面等，并且均提到了該產品的競品品牌，如旁氏、珂潤、elta等。“你今天真好看”App對于回購意愿的表達較為積極，初次購買的原因多見于受網絡媒體傳播的影響；微博與京東平臺初次購買或使用原因則是來自周圍親友的推薦或贈送、同平臺同商品下的評論以及對品牌的信賴。

3.2? 關鍵詞與主題共現網絡分析

各平臺的關鍵詞共現網絡見圖8，圖中氣泡大小代表詞頻，連線深淺度代表邊的權重。共現的顏色分區與LDA主題聚類效果基本保持一致。

“你今天真好看”App的用戶評論中，高詞頻并與多個詞有連接的關鍵節點相對另兩個平臺較多，產品配方與使用體驗之間的聯系最受關注。微博平臺具有產品代言人這一特色主題。之所以會出現圖3中微博平臺用戶購買原因中主題占比高達99.9%這一異常現象，是由于微博作為中國主流的公共社交媒體平臺，品牌方在該平臺上投放了大量該產品的廣告，導致品牌與產品名稱相關的單詞詞頻異常偏高，用戶購買原因主題占據了極高的比重，可見微博在營銷方面的特征屬性遠超出其他屬性。京東平臺具有購買平臺/物流這一特色主題。根據關鍵詞之間的關系可以得出，用戶在這一主題下最為關注賣家、快遞的服務態度與物流的送貨速度。作為一個購物平臺，京東的關鍵詞共現網絡圖中也出現了三個平臺中僅有的價格與“雙十一”活動、“送人”與“外包裝”、“網上”與“評論”的強關聯。

各平臺的主題共現網絡見圖9，僅以連線的粗細表示主題之間共現的頻率。①用戶使用感受是“你今天真好看”App最為核心的主題，其與產品配方之間的共現頻率最高，而產品配方與用戶使用體驗、用戶購買原因、適合膚質人群四者之間均存在較強兩兩關聯的關系，這再次證實了用戶對于產品配方與使用體驗之間的聯系最為關注，并且構成了用戶購買的原因，而用戶使用感受也會因用戶是否屬于產品配方對應的適合膚質人群而受到影響。②微博平臺中，產品代言人主題雖然在詞頻上具有較高的占比，但是整體較為孤立，僅構成用戶購買意向的小部分原因。商家活動取代了適合膚質人群成為了核心主題群中的第四個元素，且其與用戶購買原因高頻共現關系與圖7中該平臺下產品價格主題為三個平臺中占比最高的統計結果相聯系，表明微博平臺用戶對于商家活動與價格具有更高的信息傳播熱情。③京東平臺中的特色主題——購買平臺/物流與其他幾個主題均構成了較強的共現關系，是由京東平臺本身特有的購物平臺基本屬性以及其在購物平臺中自營物流的特征屬性造成的，并非是因為其他主題會受到購買平臺/物流這一主題的影響。

3.3? 主題情感分析

本研究得出三個平臺各主題的情感分布，見表3。以總體占比為權重，計算得出三個平臺各主題的正面、中性、負面的加權平均情感強度，見圖10。

綜合8個主題的情感強度，“你今天真好看”App的三極總情感強度分別為0.75、0.1、0.15，微博平臺的三極總情感強度分別為0.07、0.79、0.05，京東平臺的三極總情感強度分別為0.83、0.04、0.02。微博的中性評論占比極高，是由于在機器學習過程中將模型訓練數據的營銷推廣類文本的情感極性設為中性，這也證實了微博用戶評論文本中含有大量營銷投放內容。而京東的情感值正面占比最高，是由于京東作為購物平臺，其用戶具有“習慣性好評”的特有屬性，這也是在評論文本中大量出現一組詞。京東平臺的中性評論則相對略高則是因為類似“敏感皮膚應該可以用”“還可以”“還行”等的評論較多，體現了該平臺用戶對于詳細描述自身皮膚問題的積極性相對較低。“你今天真好看”App的用戶評論文本所有主題的負面情感比例均偏高，是由于負面評論主要集中在使用產品會導致的皮膚問題。值得注意的是，產品價格在該平臺中的負面評論占比高達0.51，即過半用戶認為該產品價格偏高，這是因為根據百度指數統計，截至2022年4月7日，不同于微博有83.21%、京東有85.94%的用戶處于20—39歲，該平臺用戶顯示出年輕化特征，73.87%的用戶年齡在29歲以下。該年齡段的用戶經濟水平較低，而“芙麗芳絲凈潤洗面霜”100g/125元的價格對于該年齡段的人群而言屬于較高的消費水平。總體而言，三個平臺各主題情感的波動基本均趨于穩定。

4? 結論

4.1? 主要發現

本研究比對了護膚虛擬社區、社交平臺、購物平臺的評論文本，根據LDA主題生成模型的聚類結果將用戶評論文本分為產品配方（成分/膚感）、適合膚質人群（用戶皮膚問題）、產品價格、用戶使用感受（使用體驗、使用搭配）、用戶購買原因（為什么購買、競品、回購意愿）、商家活動6個共有主題，以及產品代言人、購買平臺/物流這兩個社交平臺和購物平臺的特有主題。總結歸納以下兩點主要發現：

（1）護膚虛擬社區對于產品配方、適合膚質人群、用戶使用感受、用戶購買原因這6個主題的評論內容描述最為詳細，涵蓋面最廣，是品牌方獲取用戶需求及其購買決策的影響因素的最佳途徑。社交平臺中匯集了大量的廣告信息，使得真實的用戶反饋挖掘較為困難。購物平臺用戶對于在評論中表達積極情緒的意愿較高，但詳細描述自身皮膚問題的積極性相對較低，即隱私感較強，分享欲較低。

（2）產品配方、用戶使用體驗、用戶購買原因等3個主題在三個平臺中均構成了較強的關聯性，是三個平臺核心主題組的共有組成部分。產品代言人主題雖然在詞頻上具有較高的占比，但是整體較為孤立，僅構成用戶購買意向的小部分原因。三個平臺各自的核心主題組中，護膚虛擬社區的適合膚質人群、社交平臺的商家活動、購物平臺的購買平臺/物流與上述三個主題分別構成四元素核心主題組，從側面體現了三個平臺各自的特征：護膚虛擬社區中護膚品用戶的反饋全面且針對性強，社交平臺購買“水軍”發布廣告信息具有更廣的消費者觸達效果，購物平臺擁有商品送達這一額外服務，尤其是擁有自建物流的京東平臺，使得這一主題更具有討論度。

本文的研究貢獻包括：①將虛擬社區的用戶評論文本與社交平臺、購物平臺同一產品下的用戶評論文本通過主題聚類、關鍵詞共現網絡、主題共現網絡、情感分析進行對比研究，得出了內容傾向的異同；②填補了對虛擬生活社區的研究少有涉及的空缺；③對用戶參與在商業方面的實際應用價值給出了8個主題，亦可作為衡量指標構建用戶評論文本價值評定模型進行用戶價值共創方面更為深入的研究。

4.2? 結果應用

當下，護膚品行業正經歷著重大改革，自2021年1月1日起施行的《化妝品監督管理條例》中強調了產品功效的實證和配方的安全性。因此，除護膚品行業已有的牛角膜混濁和通透實驗（BCOP）、雞胚絨毛尿囊膜試驗（HET-CAM/CAMVA）等產品安全性實驗，品牌方企業在進行新品配方設計或已有商品優化時，應正視并積極獲取護膚虛擬社區中對于用戶已有的皮膚問題與反饋產品使用問題的負面情緒評論文本。考慮到用戶對于產品配方與使用體驗之間的聯系最為關注，并且構成了用戶購買的原因，而用戶使用感受也會因用戶是否屬于產品配方對應的適合膚質人群而受到影響，品牌方企業需給予足夠的重視并進行相應的配方改良，或注明適用人群，從而從根源上降低負面評論的出現頻率，提高產品用戶滿意度與品牌信任度，從而提高產品銷量。

購物平臺本身與消費極為密切的特性決定了該平臺的用戶獲取商家活動與價格變動信息十分便利，而護膚虛擬社區用戶雖然對產品價格較為敏感，卻對商家活動主題少有提及，品牌方可抓住此痛點，與護膚虛擬社區協調在產品詳情頁加入購物平臺官方旗艦店的鏈接與最新活動簡介，拉動護膚虛擬社區用戶向購物平臺用戶的轉化。

參考文獻：

[1] 王琳， 梁孟華.基于知識發布的網絡社區用戶行為規律研究——以Keep健康社區為例[J].情報探索， 2022（1）： 1-9.

[2] 楊瑞仙， 張廣軼.學術虛擬社區知識交流過程與機理研究[J].現代情報， 2020， 40（10）： 52-61.

[3] 陳秀秀.基于微博評論的虛擬社區互動性對消費者品牌態度的影響及機制研究[D].江門： 五邑大學， 2019.

[4] 譚春輝， 李玥澎.基于用戶評論與Kano模型的虛擬學術社區優化策略研究[J].情報理論與實踐， 2021， 44（11）： 108-115.

[5] 周陽， 譚春輝， 朱宸良， 等.基于扎根理論的虛擬學術社區用戶參與行為研究——以小木蟲為例[J].情報科學， 2022， 40（1）： 176-183.

[6] CHEN H， LIU F， WEN Y， et al. Compilation and application of the scale of sustainable knowledge sharing willingness in virtual academic community during the times of the coronavirus pandemic （COVID-19）[J]. Front psychol， 2021（12）： 627833.

[7] TABISH M， BASHIR M A， ALAM M M， et al. The role of virtual community participation and engagement in building brand trust： evidence from Pakistan business schools[J]. The journal of Asian finance， economics and business， 2022， 9（3）： 399-409.

[8] CARA P， BODKIN D. CHARLES. Online retail store community engagement and its impact on purchase intentions in the context of online reviews[J]. International journal of online marketing， 2022， 12（1）： 1-15.

[9] CHAKRABORTY U. The impact of source credible online reviews on purchase intention[J]. Journal of research in interactive marketing， 2019， 13（2）： 401-414.

[10] 屈慧君.互動活力與信任的鏈式中介效應——微博虛擬品牌社區用戶參與動機對購買意愿的影響[J].鄭州大學學報（哲學社會科學版）， 2019， 52（2）： 113-117.

[11] 郭恒睿， 王中卿， 朱巧明， 等.基于半監督學習的中文社交文本事件聚類方法[J].中文信息學報， 2022， 36（2）： 152-159.

[12] 謝紅.基于詞頻比的改進Jaccard系數文本相似度計算[J].內江科技， 2021， 42（8）： 27-28.

[13] 王春柳， 楊永輝， 鄧霏， 等.文本相似度計算方法研究綜述[J].情報科學， 2019， 37（3）： 158-168.

[14] 邱先標， 陳笑蓉.一種基于特征加權的文本相似度計算算法[J].貴州大學學報（自然科學版）， 2018， 35（1）： 63-68.

[15] BLEI D M， NG A Y， JORDAN M I. Latent Dirichlet Allocation[J]. Journal of machine learning research， 2003， 3（4/5）： 993-1022.

[16] HAJJEM M， LATIRI C. Combining IR and LDA topic modeling for filtering microblogs[J]. Procedia computer science， 2017（112）： 761-770.

[17] 李璐萍， 趙小兵.基于主題模型的主題發現方法研究綜述[J].中央民族大學學報（自然科學版）， 2021， 30（2）： 59-66.

[18] 何琳， 馬曉雯， 喻雪寒， 等.典籍事件觸發動詞識別研究：基于《左傳》的文本實驗[J].圖書情報工作， 2022， 66（5）： 133-141.

[19] 王慧， 孫國道， 丁偉杰， 等.司法判決文書數據中演化模式的挖掘和可視分析[J].計算機輔助設計與圖形學學報， 2022， 34（3）： 470-481.

[20] 張雷， 譚慧雯， 張璇， 等.基于LDA模型的高校師德輿情演化及路徑傳導研究[J].情報科學， 2022， 40（3）： 144-151.

[21] 崔寧， 趙宗良， 吳瑞雪.基于LDA主題模型和偏序集的在線商品評論研究[J].情報探索， 2021（12）： 71-76..

[22] 黃仿元.利用機器學習算法實現對醫院評價的情感分析[J].信息技術與信息化， 2021（2）： 37-39.

[23] 尚永敏， 趙榆琴.基于機器學習的在線評論情感分析與實現[J].大理大學學報， 2021， 6（12）： 80-86.

[24] 艾媒數據中心.2022年中國洗面奶消費者行為洞察[EB/OL].[2022-04-05]. https： //data.iimedia.cn/ 31026926/31026945/44290232.

[25] 21經濟網.微博回港二次上市：75%用戶為90后 社交“元老”開啟第二春？[EB/OL]. [2022-04-05]. http： //www.21jingji.com/article/20211119/herald/55ae24eb120e9a397954803e832d4ada.html.

[26] CSDN.折肘法+困惑度確定LDA主題模型的主題數[EB/OL]. [2022-04-05]. https：//blog.csdn.net/weixin_ 43343486/article/details/109255165.

[27] 池毛毛， 潘美鈺， 王偉軍.共享住宿與酒店用戶評論文本的跨平臺比較研究：基于LDA的主題社會網絡和情感分析[J].圖書情報工作， 2021， 65（2）： 107-116.

Abstract： [Purpose/Significance] The purpose of this article is to study the similarities and differences in the evaluation content of users of virtual life communities， social platforms and shopping platforms for the same product. [Method/Process] By selecting the three platforms of You Really Beautiful App， Weibo， and JD.com as the experimental objects， 54 071 user comment texts related to facial cleanser as basic skin care products were collected， using LDA topic generation model， co-occurrence network and machine learning-based sentiment analysis method， a multi-platform comparative analysis of user comment texts is carried out. [Result/Conclusion] The study found that there are similarities and differences in the topic feature words， co-occurrence network and topic sentiment of eight comment topics on the three platforms， and the content tendencies conform to the characteristics of each platform.

Keywords： multi-platform comparison? ? text topic clustering? ? co-occurrence network analysis? ? emotion analysis