面向電商用戶(hù)評(píng)論的細(xì)粒度觀點(diǎn)挖掘及其分布規(guī)律探究

摘要：[目的/意義]電商用戶(hù)評(píng)論中蘊(yùn)含著大量有價(jià)值的信息，識(shí)別其中的用戶(hù)觀點(diǎn)，探索觀點(diǎn)分布的差異和規(guī)律，能夠?yàn)橄M(fèi)者、商家和平臺(tái)提供參考。[方法/過(guò)程] 首先，基于UIE模型，對(duì)家居、零食、手機(jī)3個(gè)行業(yè)中的用戶(hù)評(píng)論進(jìn)行觀點(diǎn)抽取；其次，基于商品特征庫(kù)和BERT模型，計(jì)算詞間語(yǔ)義相似度對(duì)觀點(diǎn)進(jìn)行泛化；最后，基于IPA模型，對(duì)用戶(hù)觀點(diǎn)進(jìn)行統(tǒng)計(jì)分析和可視化呈現(xiàn)，為商家和平臺(tái)提供優(yōu)化建議。[結(jié)果/結(jié)論] 在觀點(diǎn)挖掘方面，模型在3個(gè)行業(yè)中均表現(xiàn)優(yōu)秀，觀點(diǎn)抽取的F1值分別為79.85%、83.28%和85.71%，證明該方法的有效性；在規(guī)律分析方面，發(fā)現(xiàn)手機(jī)行業(yè)的用戶(hù)觀點(diǎn)主要集中于性能、外觀和電池，但不同平臺(tái)和品牌的觀點(diǎn)分布存在明顯差異，并且用戶(hù)情感從初評(píng)到追評(píng)總體呈現(xiàn)出積極到消極的變化趨勢(shì)。

關(guān)鍵詞：用戶(hù)評(píng)論；細(xì)粒度情感分析；觀點(diǎn)挖掘；預(yù)訓(xùn)練語(yǔ)言模型；IPA分析

分類(lèi)號(hào)：TP391

引用格式：陸晨晨， 王昊， 石斌， 等. 面向電商用戶(hù)評(píng)論的細(xì)粒度觀點(diǎn)挖掘及其分布規(guī)律探究[J/OL]. 知識(shí)管理論壇， 2024， 9（3）： 253-268 [引用日期]. http：//www.kmf.ac.cn/p/391/. （Citation： Lu Chenchen， Wang Hao， Shi Bin， et al. Research on Fine-grained Opinion Mining and Distribution Law of opinion for E-Commerce Customer Reviews[J/OL]. Knowledge Management Forum， 2024， 9（3）： 253-268 [cite date]. http：//www.kmf.ac.cn/p/391/.）

1" 引言/Introduction

在線評(píng)論是用戶(hù)對(duì)產(chǎn)品、服務(wù)感知的文本形態(tài)，也是經(jīng)驗(yàn)和想法分享傳播的一種形式，蘊(yùn)含著大量有價(jià)值的用戶(hù)觀點(diǎn)。電商評(píng)論中的用戶(hù)觀點(diǎn)是消費(fèi)者視角下對(duì)產(chǎn)品、服務(wù)所持的看法或態(tài)度，產(chǎn)品、服務(wù)代表評(píng)價(jià)對(duì)象，看法和態(tài)度代表評(píng)價(jià)內(nèi)容和情感傾向。隨著網(wǎng)購(gòu)的普及和直播帶貨的興起，相關(guān)電商平臺(tái)上積累了豐富的用戶(hù)評(píng)論，對(duì)這些評(píng)論進(jìn)行觀點(diǎn)挖掘可以為潛在消費(fèi)者提供有價(jià)值參考，并為商家提供消費(fèi)者對(duì)產(chǎn)品的反饋和需求，同時(shí)可以為平臺(tái)改善服務(wù)提供參考。

然而日益增長(zhǎng)的海量用戶(hù)評(píng)論也帶來(lái)了信息過(guò)載的問(wèn)題，如何挖掘出有價(jià)值的信息，是在線評(píng)論領(lǐng)域研究的熱點(diǎn)。目前，評(píng)論觀點(diǎn)抽取和情感分類(lèi)主要采用規(guī)則模板[1-2]和機(jī)器學(xué)習(xí)[3-4]兩種方法。基于規(guī)則模板的方法，通過(guò)手動(dòng)編寫(xiě)規(guī)則或模板來(lái)匹配評(píng)論中的觀點(diǎn)，但需要專(zhuān)業(yè)知識(shí)和經(jīng)驗(yàn)，且難以達(dá)到較高的準(zhǔn)確率，無(wú)法真實(shí)反映用戶(hù)的心聲和需求。基于機(jī)器學(xué)習(xí)的方法，需要標(biāo)注大量數(shù)據(jù)且不易進(jìn)行跨行業(yè)遷移，而電商平臺(tái)包含多樣化的商品，不同行業(yè)之間用戶(hù)評(píng)論對(duì)象和習(xí)慣差異較大，很難訓(xùn)練出適用于各行業(yè)的通用模型。

隨著大型預(yù)訓(xùn)練語(yǔ)言模型的興起，從文本中精確挖掘細(xì)粒度知識(shí)對(duì)象的能力得到顯著提升，從語(yǔ)義層面識(shí)別細(xì)粒度知識(shí)元、提取內(nèi)容觀點(diǎn)成為可能，為在線評(píng)論的細(xì)粒度觀點(diǎn)抽取提供了新的研究思路和方法。此外，在電商領(lǐng)域的相關(guān)研究中，不少學(xué)者基于評(píng)論挖掘?qū)Σ煌脚_(tái)[5]、品牌[6-7]以及追加評(píng)論和初次評(píng)論[8-9]進(jìn)行了比較研究。因此，筆者提出兩個(gè)研究問(wèn)題：①大型預(yù)訓(xùn)練語(yǔ)言模型結(jié)合微調(diào)的方法能否有效提升觀點(diǎn)抽取效果？②不同平臺(tái)、品牌以及追評(píng)和初評(píng)之間的用戶(hù)觀點(diǎn)分布存在哪些差異？為什么會(huì)產(chǎn)生這些差異？

筆者采用基于大型預(yù)訓(xùn)練語(yǔ)言模型結(jié)合微調(diào)的方法進(jìn)行用戶(hù)觀點(diǎn)抽取，選取手機(jī)、零食、家居3個(gè)行業(yè)的用戶(hù)評(píng)論進(jìn)行實(shí)驗(yàn)，來(lái)驗(yàn)證該方法的有效性；并以手機(jī)行業(yè)為例，對(duì)評(píng)論進(jìn)行細(xì)粒度觀點(diǎn)挖掘，探索其中的分布規(guī)律，比較不同平臺(tái)、品牌以及追評(píng)和初評(píng)之間的觀點(diǎn)分布，探討其中的分布差異及其原因。

2nbsp; 近期相關(guān)研究/Recent relevant research

在線評(píng)論的相關(guān)研究主要集中于電子商務(wù)[10]、醫(yī)療[11-12]、旅游[13]、在線教育[14]以及政務(wù)[15]等領(lǐng)域。其中，醫(yī)療、政務(wù)領(lǐng)域的研究主要關(guān)注評(píng)論主題及其情感，而電子商務(wù)領(lǐng)域由于其產(chǎn)品和服務(wù)的細(xì)粒度特性，相關(guān)研究更關(guān)注產(chǎn)品特征及其情感傾向的抽取[16]，隨著知識(shí)圖譜研究的興起，產(chǎn)品特征對(duì)應(yīng)的觀點(diǎn)詞抽取[17-18]也逐漸受到關(guān)注，它解釋了情感產(chǎn)生的原因，并且可以和產(chǎn)品特征結(jié)合形成觀點(diǎn)摘要。因此，電商用戶(hù)評(píng)論的觀點(diǎn)抽取主要包括產(chǎn)品特征抽取、對(duì)應(yīng)觀點(diǎn)詞抽取以及特征—觀點(diǎn)對(duì)情感分類(lèi)3個(gè)子任務(wù)，在學(xué)術(shù)上稱(chēng)為方面級(jí)情感三元組抽取（aspect sentiment triplet extraction， ASTE[19]）或觀點(diǎn)三元組抽取（opinion triplet extraction[20]）。

自H. Y. Peng等[19]首次提出用一個(gè)序列標(biāo)注任務(wù)統(tǒng)一信息抽取和分類(lèi)任務(wù)，一次性實(shí)現(xiàn)ASTE任務(wù)以來(lái)，觀點(diǎn)三元組抽取就引起了研究者的關(guān)注[21-25]。深度學(xué)習(xí)方法憑借其出色的效果，成為該領(lǐng)域的熱點(diǎn)研究方法。H. Yan等[22]將預(yù)訓(xùn)練BERT運(yùn)用到三元組抽取任務(wù)中，提出基于端到端的BARTAB模型，實(shí)現(xiàn)了基于統(tǒng)一任務(wù)的端到端的BART生成目標(biāo)序列；S. W. Chen等[23]將ASTE任務(wù)轉(zhuǎn)化為多輪機(jī)器閱讀理解任務(wù)，并提出一個(gè)雙向機(jī)器閱讀理解框架；W. X. Zhang等[24]提出基于文本生成的GAS模型，該模型通過(guò)注釋樣式和提取樣式范式來(lái)描述目標(biāo)句子，使用統(tǒng)一的生成模型來(lái)解決多重4種子任務(wù)；Y. J. Lu等[25]提出通用信息抽取UIE（universal information extraction）模型，實(shí)現(xiàn)實(shí)體抽取、關(guān)系抽取、事件抽取、情感分析等任務(wù)的統(tǒng)一建模，在ASTE任務(wù)的4個(gè)數(shù)據(jù)集中均達(dá)到了SOTA（state-of-the-art）水平。

觀點(diǎn)泛化指將具體、個(gè)別的觀點(diǎn)擴(kuò)大為一般的觀點(diǎn)，目前常用的方法主要有基于LDA（Latent Dirichlet allocation）的主題挖掘模型[26-27]以及基于語(yǔ)義相似度的分類(lèi)模型[28-30]。LDA模型可以挖掘出評(píng)論文本中的評(píng)論—主題和主題—關(guān)鍵詞映射，實(shí)現(xiàn)關(guān)鍵詞的聚類(lèi)；基于語(yǔ)義相似度的方法主要采用Word2Vec和BERT[31]等模型，將抽取出來(lái)的特征詞轉(zhuǎn)換為詞向量，并根據(jù)特征詞庫(kù)以及向量距離進(jìn)行分類(lèi)和聚類(lèi)。泛化后的特征觀點(diǎn)需要進(jìn)一步分析，在線評(píng)論領(lǐng)域常用的用戶(hù)觀點(diǎn)分析模型有IPA（importance-performance analysis）[32]和Kano[33]模型。IPA模型使用重要性和績(jī)效來(lái)創(chuàng)建一個(gè)二維矩陣，將產(chǎn)品屬性劃分到4個(gè)象限中[28，34]；Kano模型認(rèn)為產(chǎn)品不同屬性的用戶(hù)滿(mǎn)意度隨需求被滿(mǎn)足情況的變化應(yīng)是非線性的，根據(jù)用戶(hù)滿(mǎn)意度與需求被滿(mǎn)足之間的關(guān)系，將產(chǎn)品屬性分為5類(lèi)[34-35]。

筆者選取實(shí)驗(yàn)效果最好的UIE模型進(jìn)行觀點(diǎn)三元組抽取；同時(shí)，由于LDA模型無(wú)法抽取細(xì)粒度的產(chǎn)品特征，只能得到若干個(gè)主題及其關(guān)鍵詞，不適合電商領(lǐng)域的觀點(diǎn)泛化，故筆者采用基于BERT和商品特征庫(kù)的觀點(diǎn)泛化方法；最后，Kano模型在評(píng)論數(shù)據(jù)中無(wú)法得到需求不被滿(mǎn)足時(shí)的用戶(hù)滿(mǎn)意度變化情況，更適用于問(wèn)卷數(shù)據(jù)，而IPA模型的分類(lèi)較為簡(jiǎn)單，其重要性和績(jī)效維度都可以從評(píng)論數(shù)據(jù)中挖掘得到，因此筆者使用IPA模型對(duì)泛化后的觀點(diǎn)進(jìn)行分析，探究用戶(hù)觀點(diǎn)的分布規(guī)律與差異。

3" 數(shù)據(jù)與方法/Data and methodology

3.1" 研究框架

本文的研究框架見(jiàn)圖1，主要包括3個(gè)模塊。①觀點(diǎn)抽取：首先，利用python爬蟲(chóng)獲取電商用戶(hù)評(píng)論文本并進(jìn)行數(shù)據(jù)清洗等預(yù)處理工作；隨后從預(yù)處理后的評(píng)論語(yǔ)料中隨機(jī)選取部分并標(biāo)注，進(jìn)行UIE模型微調(diào)，提升其在垂類(lèi)行業(yè)下的性能；最后應(yīng)用性能最佳的UIE模型提取出用戶(hù)評(píng)論中的觀點(diǎn)三元組lt;評(píng)價(jià)特征（F）；對(duì)應(yīng)觀點(diǎn)詞（O）；情感傾向（S）gt;。②觀點(diǎn)泛化：首先，爬取商品靜態(tài)信息并匹配出商品參數(shù)，結(jié)合高頻評(píng)價(jià)特征詞構(gòu)建商品特征庫(kù)；隨后，利用BERT計(jì)算評(píng)價(jià)特征詞與商品特征庫(kù)中各詞的語(yǔ)義相似度，進(jìn)行特征詞的過(guò)濾和分類(lèi)，形成商品特征體系；最后，利用BERT將觀點(diǎn)詞進(jìn)行詞向量表示，并通過(guò)K-Means算法進(jìn)行聚類(lèi)，將三元組泛化為lt;粗粒度屬性（F1）；細(xì)粒度特征（F2）；評(píng)價(jià)特征（F）；中心觀點(diǎn)詞（C）；情感傾向（S）gt;。③觀點(diǎn)分析：根據(jù)泛化后的結(jié)果計(jì)算用戶(hù)關(guān)注度和用戶(hù)滿(mǎn)意度，通過(guò)IPA模型對(duì)用戶(hù)觀點(diǎn)進(jìn)行分析，并探索其在行業(yè)、平臺(tái)、品牌、追評(píng)視角下的深度挖掘與應(yīng)用。

3.2" 數(shù)據(jù)來(lái)源與預(yù)處理

筆者選取淘寶、京東、抖音、拼多多4個(gè)平臺(tái)作為研究對(duì)象，進(jìn)行商品數(shù)據(jù)的采集。商品數(shù)據(jù)包括商品靜態(tài)信息和用戶(hù)評(píng)論數(shù)據(jù)，商品靜態(tài)信息由商品所屬行業(yè)類(lèi)目、商品參數(shù)組成，用戶(hù)評(píng)論數(shù)據(jù)包括初次評(píng)語(yǔ)內(nèi)容、初次評(píng)語(yǔ)時(shí)間、追加評(píng)語(yǔ)內(nèi)容、追加評(píng)語(yǔ)時(shí)間、店鋪名、商品ID等字段。為了驗(yàn)證本文觀點(diǎn)抽取方法的通用性，筆者參考淘寶的商品分類(lèi)體系，選取差異較大的家居、零食、手機(jī)3個(gè)熱門(mén)行業(yè)進(jìn)行數(shù)據(jù)采集，共獲得商品371個(gè)，原始評(píng)論文本1 004 047條，數(shù)量分布如表1所示：

數(shù)據(jù)預(yù)處理工作包括重復(fù)評(píng)論、垃圾評(píng)論和低質(zhì)量評(píng)論的過(guò)濾。重復(fù)評(píng)論分為相同用戶(hù)的近似評(píng)論以及不同用戶(hù)的相同評(píng)論，筆者將同一用戶(hù)在同一商品下的相同評(píng)論定義為重復(fù)評(píng)論進(jìn)行過(guò)濾；電商評(píng)論中的垃圾評(píng)論主要指系統(tǒng)默認(rèn)評(píng)價(jià)，如“此用戶(hù)沒(méi)有填寫(xiě)評(píng)論！”“該用戶(hù)覺(jué)得商品不錯(cuò)”等，該類(lèi)評(píng)價(jià)內(nèi)容沒(méi)有實(shí)際意義，將其進(jìn)行過(guò)濾；低質(zhì)量評(píng)論通常具有重復(fù)字符多、中文字符少等特征，筆者將重復(fù)字符占比大于80%的評(píng)論過(guò)濾，由于過(guò)少字符的評(píng)論往往不包括完整的用戶(hù)觀點(diǎn)，筆者將中文字符小于5的評(píng)論過(guò)濾。

3.3" 基于UIE的觀點(diǎn)抽取

筆者采用PaddleNLP開(kāi)源的UIE模型進(jìn)行觀點(diǎn)三元組抽取。該模型在相關(guān)數(shù)據(jù)集上取得了最優(yōu)的實(shí)驗(yàn)表現(xiàn)[25]，UIE基于ERNIE 3.0[36]預(yù)訓(xùn)練語(yǔ)言模型，是PaddleNLP訓(xùn)練并開(kāi)源的首個(gè)中文通用信息抽取模型，實(shí)現(xiàn)了實(shí)體抽取、關(guān)系抽取、事件抽取、情感分析等信息抽取任務(wù)的統(tǒng)一建模，并使得不同任務(wù)之間具備良好的遷移能力。

觀點(diǎn)三元組抽取屬于實(shí)體抽取、關(guān)系抽取、情感分類(lèi)的復(fù)合任務(wù)，UIE提供相應(yīng)的Schema來(lái)實(shí)現(xiàn)三元組抽取任務(wù)。在UIE中構(gòu)造Schema為{‘評(píng)價(jià)特征’： [‘觀點(diǎn)詞’， ‘情感傾向[正向，負(fù)向]’]}，Schema會(huì)生成prompt指導(dǎo)模型完成相應(yīng)的信息抽取任務(wù)，從用戶(hù)評(píng)論中提取出lt;F; O; Sgt;。評(píng)價(jià)特征代表評(píng)論對(duì)象，觀點(diǎn)詞給出產(chǎn)生情感的原因，情感傾向表示情感極性，三者較為全面地概括了評(píng)論的內(nèi)容。例如輸入評(píng)論文本“不得不說(shuō)顏值真的高，充電超級(jí)快”，輸出結(jié)果共包括兩個(gè)觀點(diǎn)，分別為lt;顏值；高；正向gt;、lt;充電；超級(jí)快；正向gt;。UIE的模型邏輯如圖2所示：

UIE還提供模型微調(diào)（fine-tune）功能，只需要標(biāo)注少量數(shù)據(jù)就可以提升模型在細(xì)分場(chǎng)景下的性能。電商平臺(tái)包含各行業(yè)的商品，不同行業(yè)之間用戶(hù)評(píng)論對(duì)象和習(xí)慣差異較大，筆者通過(guò)微調(diào)來(lái)提升模型觀點(diǎn)抽取的效果。首先從預(yù)處理后的評(píng)論集中隨機(jī)選取部分，使用數(shù)據(jù)標(biāo)注平臺(tái)doccano進(jìn)行數(shù)據(jù)標(biāo)注；隨后將標(biāo)注數(shù)據(jù)劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集，并構(gòu)造一定的負(fù)例數(shù)據(jù)來(lái)提升模型微調(diào)效果；最后使用訓(xùn)練集對(duì)預(yù)訓(xùn)練模型的參數(shù)進(jìn)行更新，并在驗(yàn)證集中檢驗(yàn)效果，選擇訓(xùn)練過(guò)程中性能最佳的模型進(jìn)行用戶(hù)評(píng)論的觀點(diǎn)抽取。

3.4" 基于語(yǔ)義相似度的觀點(diǎn)泛化

抽取出來(lái)的觀點(diǎn)三元組中包含許多無(wú)意義的評(píng)價(jià)特征，并且許多特征詞和觀點(diǎn)詞都表達(dá)著相同的語(yǔ)義，因此為了更好地了解用戶(hù)對(duì)產(chǎn)品和服務(wù)中特定主題的看法和態(tài)度，需要將具體的評(píng)價(jià)特征詞進(jìn)行過(guò)濾和分類(lèi)，對(duì)觀點(diǎn)詞進(jìn)行聚類(lèi)，最終得到lt;粗粒度屬性（F1）；細(xì)粒度特征（F2）；評(píng)價(jià)特征（F）；中心觀點(diǎn)詞（C）；情感傾向（S）gt;。

（1）商品特征庫(kù)構(gòu)建。各個(gè)行業(yè)由于其商品特征的差異，需要單獨(dú)構(gòu)建商品特征庫(kù)，商品特征庫(kù)包括粗粒度屬性和細(xì)粒度特征。首先，參照淘寶、京東等主流電商平臺(tái)的相關(guān)參數(shù)設(shè)置，并結(jié)合行業(yè)高頻評(píng)價(jià)特征詞，來(lái)初步構(gòu)建商品特征庫(kù)；隨后將lt;F; O; Sgt;中的評(píng)價(jià)特征按照詞頻排序，選取排名前x的評(píng)價(jià)特征詞作為各細(xì)粒度特征下的代表詞匯來(lái)補(bǔ)充構(gòu)建商品特征庫(kù)；最后對(duì)那些未成功分類(lèi)的評(píng)價(jià)特征詞進(jìn)行人工歸類(lèi)與過(guò)濾，生成新的粗粒度屬性，形成最終的商品特征庫(kù)。

（2）評(píng)價(jià)特征分類(lèi)。根據(jù)商品特征庫(kù)，利用BERT計(jì)算其余評(píng)價(jià)特征詞與商品特征庫(kù)中各詞的語(yǔ)義相似度，設(shè)定閾值為α，將評(píng)價(jià)特征詞歸類(lèi)到相似度最高的評(píng)價(jià)維度下，對(duì)評(píng)價(jià)特征完成過(guò)濾與分類(lèi)，形成最終的商品特征體系。定義詞Wa與Wb之間的語(yǔ)義相似度如公式（1）所示，其中K表示詞向量的維度，Vai為Va詞向量的第i個(gè)向量值。

公式（1）

（3）評(píng)價(jià)觀點(diǎn)聚類(lèi)。不同的觀點(diǎn)詞可能表達(dá)相同的語(yǔ)義，例如物流維度下的“發(fā)貨神速”和“發(fā)貨迅速”都表達(dá)了發(fā)貨速度快，因此為了得到高頻的觀點(diǎn)摘要，需要將表達(dá)相似的觀點(diǎn)詞聚為一類(lèi)，消除這些觀點(diǎn)詞之間的語(yǔ)義重復(fù)。筆者利用BERT將觀點(diǎn)詞進(jìn)行詞向量表示，通過(guò)K-Means算法完成觀點(diǎn)詞的聚類(lèi)，并將距離聚類(lèi)中心最近的詞作為中心觀點(diǎn)詞來(lái)集中表示這一類(lèi)觀點(diǎn)詞。

3.5" 基于IPA的觀點(diǎn)分析

為了從具體的數(shù)據(jù)中抽象出一般的分布規(guī)律，筆者提出用戶(hù)關(guān)注度和滿(mǎn)意度兩個(gè)指標(biāo)對(duì)泛化后的觀點(diǎn)進(jìn)行量化和統(tǒng)計(jì)分析。用戶(hù)關(guān)注度反映評(píng)論的產(chǎn)品或服務(wù)要素，用戶(hù)滿(mǎn)意度反映評(píng)論的內(nèi)容和情感傾向，兩者較好地概括了用戶(hù)觀點(diǎn)，具體計(jì)算公式如下：

（1）用戶(hù)關(guān)注度計(jì)算。根據(jù)抽取的觀點(diǎn)三元組以及前文構(gòu)建的商品特征體系，可以計(jì)算出各屬性的占比作為用戶(hù)關(guān)注度I。假設(shè)R表示觀點(diǎn)集合，N表示觀點(diǎn)總數(shù)，Rni定義見(jiàn)公式（2），Ii表示第i個(gè)屬性的用戶(hù)關(guān)注度，計(jì)算方法見(jiàn)公式（3）。

公式（2）

公式（3）

（2）用戶(hù)滿(mǎn)意度計(jì)算。根據(jù)觀點(diǎn)中的情感傾向（正向、負(fù)向），可以計(jì)算出各屬性中正向情感的占比作為用戶(hù)滿(mǎn)意度P。假設(shè)R為觀點(diǎn)集合，Mi表示屬性i下的觀點(diǎn)總數(shù)，Rim定義見(jiàn)公式（4）。Pi表示第i個(gè)屬性的用戶(hù)滿(mǎn)意度，計(jì)算方法見(jiàn)公式（5）。

公式（4）

公式（5）

（3）IPA模型。該模型由J. A. Martilla， J. C. James于1977年提出[32]，其基本思想是通過(guò)比較用戶(hù)對(duì)不同屬性重要性和績(jī)效的感知來(lái)優(yōu)化產(chǎn)品和服務(wù)。用戶(hù)關(guān)注度量化了用戶(hù)對(duì)各屬性的重視程度，用戶(hù)滿(mǎn)意度量化了各屬性的績(jī)效表現(xiàn)，這兩個(gè)指標(biāo)分別對(duì)應(yīng)了IPA模型中的重要性和績(jī)效維度。因此，筆者基于用戶(hù)關(guān)注度和滿(mǎn)意度數(shù)據(jù)構(gòu)建IPA模型，將產(chǎn)品屬性劃分到4個(gè)象限中，為商家和平臺(tái)提供各產(chǎn)品和服務(wù)屬性的優(yōu)化建議。從圖3中可以看出，第一象限中的屬性重要性和滿(mǎn)意度表現(xiàn)均較高，為產(chǎn)品的優(yōu)勢(shì)，在后續(xù)經(jīng)營(yíng)活動(dòng)中應(yīng)當(dāng)繼續(xù)保持；第二象限為重要性低而滿(mǎn)意度高的屬性，是產(chǎn)品的機(jī)會(huì)點(diǎn)，企業(yè)應(yīng)當(dāng)抓住這類(lèi)屬性進(jìn)行優(yōu)化，滿(mǎn)足用戶(hù)意想不到的需求，使商品在同類(lèi)商品中脫穎而出；位于第三象限的產(chǎn)品屬性有著較低重要性和滿(mǎn)意度，屬于劣勢(shì)屬性，在資源充足的情況下，可以考慮發(fā)展此類(lèi)屬性；第四象限中屬性重要性高而滿(mǎn)意度低，是產(chǎn)品的威脅屬性，應(yīng)當(dāng)重點(diǎn)改進(jìn)。

4" 觀點(diǎn)挖掘?qū)嶒?yàn)與分析/Opinion mining experiment and analysis

筆者以家居、零食、手機(jī)3個(gè)行業(yè)為例進(jìn)行觀點(diǎn)抽取的實(shí)驗(yàn)。由于手機(jī)產(chǎn)品參數(shù)的分類(lèi)體系較為明確和細(xì)粒度化，更適合構(gòu)建多維度的商品特征體系，因此筆者以手機(jī)行業(yè)為例，進(jìn)行觀點(diǎn)泛化以及后續(xù)的觀點(diǎn)分析。手機(jī)行業(yè)數(shù)據(jù)包括京東、淘寶、抖音、拼多多4個(gè)平臺(tái)和Apple、華為、小米、OPPO、vivo、榮耀6個(gè)品牌的用戶(hù)評(píng)論，評(píng)論時(shí)間范圍取2020年12月1日至2022年11月30日，最終采集到商品靜態(tài)信息150條、用戶(hù)評(píng)論數(shù)據(jù)371 204條，數(shù)據(jù)預(yù)處理后，得到有效用戶(hù)評(píng)論數(shù)據(jù)307 699條。

4.1" 觀點(diǎn)抽取結(jié)果

首先隨機(jī)從各行業(yè)評(píng)論中選取50條按照評(píng)論觀點(diǎn)抽取任務(wù)模版進(jìn)行標(biāo)注；隨后將標(biāo)注數(shù)據(jù)轉(zhuǎn)換為模型微調(diào)所需的prompt形式，按照8：1：1的比例將數(shù)據(jù)劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集，設(shè)置最大負(fù)例比例negative_ratio為5；最后對(duì)預(yù)訓(xùn)練模型進(jìn)行微調(diào)，具體參數(shù)設(shè)置如下：batch size=16， epochs=70， learning rate=1e-5， max seq length=512。

觀點(diǎn)抽取實(shí)驗(yàn)的評(píng)價(jià)指標(biāo)為精確率、召回率和F1值。在家居、零食、手機(jī)行業(yè)進(jìn)行實(shí)驗(yàn)研究，實(shí)驗(yàn)結(jié)果見(jiàn)表2。其中，0-shot表示無(wú)訓(xùn)練數(shù)據(jù)直接進(jìn)行預(yù)測(cè)，few-shot表示模型微調(diào)后再預(yù)測(cè)。可以發(fā)現(xiàn)，3個(gè)行業(yè)在微調(diào)后的精確率、召回率和F1值均有顯著提高，其中F1值分別提高7.85%、5.17%和4.01%。

以性能提升最高的家居行業(yè)為例，展示模型微調(diào)過(guò)程，結(jié)果見(jiàn)圖4。可以看出：①隨著訓(xùn)練輪次的增加，模型性能得到了一定的提升，相較于微調(diào)前，精確率從78.52%提升至82.61%，召回率從66.48%增加到77.27%，這表明更多的評(píng)論觀點(diǎn)被模型識(shí)別并召回；②F1值給出了模型精確率和召回率的綜合評(píng)估，因此筆者選取微調(diào)過(guò)程中F1值最高的模型作為最優(yōu)模型來(lái)進(jìn)行最終的觀點(diǎn)抽取；③將手機(jī)行業(yè)中最優(yōu)模型的參數(shù)保存到model_best文件夾中，并對(duì)預(yù)處理后的307 699條評(píng)論進(jìn)行觀點(diǎn)抽取，最終得到觀點(diǎn)三元組616 668個(gè)。

4.2" 觀點(diǎn)泛化結(jié)果

得到手機(jī)行業(yè)的觀點(diǎn)三元組后，為了對(duì)評(píng)價(jià)特征進(jìn)行分類(lèi)和過(guò)濾，需要構(gòu)建手機(jī)商品特征庫(kù)。首先，參照淘寶、京東等主流電商平臺(tái)以及太平洋電腦網(wǎng)和中關(guān)村在線中手機(jī)產(chǎn)品的相關(guān)參數(shù)設(shè)置，并結(jié)合高頻評(píng)價(jià)特征詞，初步構(gòu)建商品特征庫(kù)。手機(jī)商品的粗粒度屬性主要?jiǎng)澐譃橥庥^、屏幕、性能、攝像頭、電池、硬件、網(wǎng)絡(luò)與通信、價(jià)格、品控、服務(wù)10個(gè)維度，其中每個(gè)維度下的細(xì)粒度特征見(jiàn)表3。詞頻數(shù)前400的評(píng)價(jià)特征詞所構(gòu)成的觀點(diǎn)三元組占據(jù)總量的90.7%，從中選出能較好代表和描述產(chǎn)品特征的詞匯，筆者通過(guò)人工篩選的方式將評(píng)價(jià)特征詞劃分到相應(yīng)的細(xì)粒度特征詞下，共獲得312個(gè)代表詞匯，最終形成包含粗粒度屬性、細(xì)粒度特征和代表詞匯3個(gè)維度的商品特征庫(kù)。

基于手機(jī)商品特征庫(kù)，使用BERT模型將評(píng)價(jià)特征詞向量化并計(jì)算其與特征庫(kù)中各詞匯向量的余弦距離作為語(yǔ)義相似度，并按照相似度的高低對(duì)評(píng)價(jià)特征詞進(jìn)行分類(lèi)和過(guò)濾。例如，對(duì)于“待機(jī)”這一特征詞，分別計(jì)算其與特征庫(kù)中各詞的相似度，得到相似度排前3的特征詞為“續(xù)航”“電池容量”“充電”，相似度分別為0.953、0.891、0.910，因此將“待機(jī)”劃分到“續(xù)航”這一細(xì)粒度特征下。同時(shí)，為了過(guò)濾無(wú)實(shí)際意義的特征詞，筆者將最大相似度的閾值設(shè)為0.9。最終獲得由10個(gè)粗粒度屬性、36個(gè)細(xì)粒度特征以及8 843個(gè)評(píng)價(jià)特征詞構(gòu)成的多維商品特征體系（見(jiàn)表4）。使用商品特征體系對(duì)抽取出來(lái)的616 668個(gè)lt;F; O; Sgt;根據(jù)評(píng)價(jià)特征詞進(jìn)行分類(lèi)和過(guò)濾，最終得到lt;F1（粗粒度屬性）；F2（細(xì)粒度特征）；F；O；Sgt;440 747個(gè)。

5" 用戶(hù)觀點(diǎn)分布規(guī)律分析/Analysis of user opinion distribution patterns

5.1" 行業(yè)總體觀點(diǎn)分布

基于用戶(hù)關(guān)注度和滿(mǎn)意度計(jì)算，可以得到觀點(diǎn)三元組集合中各個(gè)屬性的正向、負(fù)向觀點(diǎn)數(shù)以及正向觀點(diǎn)占比，結(jié)果見(jiàn)圖5。在用戶(hù)關(guān)注度方面，可以看出：①最受用戶(hù)關(guān)注的手機(jī)屬性是性能，占比19.15%，其次是外觀和電池，分別占16.09%和15.91%，手機(jī)的好用、好看、耐用屬性是用戶(hù)能直接感受到的屬性，因此在購(gòu)買(mǎi)前和使用時(shí)更容易受到用戶(hù)的關(guān)注，對(duì)這類(lèi)屬性的優(yōu)化能夠吸引和鎖定用戶(hù)；②用戶(hù)對(duì)網(wǎng)絡(luò)與通信的關(guān)注度最低，僅占2.45%，這可能與用戶(hù)對(duì)手機(jī)的需求逐漸從基礎(chǔ)的通信功能轉(zhuǎn)向游戲、看劇、辦公等功能有關(guān)。

在用戶(hù)滿(mǎn)意度方面，可以看出：①網(wǎng)絡(luò)與通信是手機(jī)行業(yè)中用戶(hù)滿(mǎn)意度最低的屬性，該屬性下的10 293個(gè)觀點(diǎn)中有3 434個(gè)（約33%）顯露出負(fù)面情感傾向；其次是電池屬性，共包括66 768個(gè)觀點(diǎn)，其中表達(dá)負(fù)面情感的共19 645個(gè)，占比29%；②其余屬性的用戶(hù)滿(mǎn)意度都在85%以上，其中外觀的滿(mǎn)意度最高，達(dá)到了97%，這可能是因?yàn)橛脩?hù)對(duì)外觀這類(lèi)屬性在購(gòu)買(mǎi)前就能較好地感知，用戶(hù)往往會(huì)選擇自己喜歡的外觀，因此外觀的用戶(hù)滿(mǎn)意度通常較高。

對(duì)滿(mǎn)意度最低的電池和網(wǎng)絡(luò)與通信屬性下的對(duì)應(yīng)觀點(diǎn)詞進(jìn)行聚類(lèi)，得到負(fù)面觀點(diǎn)摘要（見(jiàn)圖6）。可以發(fā)現(xiàn)，“耗電快”“續(xù)航一般”是用戶(hù)對(duì)電池的主要負(fù)面評(píng)價(jià)；“信號(hào)差”“通信質(zhì)量差”是網(wǎng)絡(luò)與通信屬性的主要痛點(diǎn)。基于上述分析，根據(jù)IPA模型，可以得出電池屬性的用戶(hù)關(guān)注度高并且滿(mǎn)意度較低，被劃分到威脅改進(jìn)區(qū)，是手機(jī)行業(yè)未來(lái)需要重點(diǎn)優(yōu)化的屬性；網(wǎng)絡(luò)與通信用戶(hù)關(guān)注度和滿(mǎn)意度均較低，位于次劣發(fā)展區(qū)，在資源充足的情況下，可以考慮優(yōu)化該屬性。

5.2" 基于平臺(tái)的觀點(diǎn)分布分析

為了評(píng)估各平臺(tái)評(píng)論的信息質(zhì)量，筆者根據(jù)平均字符數(shù)、平均觀點(diǎn)數(shù)、觀點(diǎn)平均所占字符數(shù)3個(gè)指標(biāo)進(jìn)行對(duì)比分析，結(jié)果見(jiàn)表5。可以看出：①京東平臺(tái)評(píng)論的平均字符數(shù)和觀點(diǎn)數(shù)都明顯高于其他平臺(tái)，這也許與各平臺(tái)對(duì)優(yōu)質(zhì)評(píng)價(jià)的定義不同有關(guān)，京東需60字和2張圖片，淘寶需40字和2張圖片，抖音僅需20字和1張圖片；" "②抖音平臺(tái)評(píng)論的平均字符數(shù)和觀點(diǎn)數(shù)均為最低，但平均19個(gè)字符就包含1個(gè)觀點(diǎn)，是4個(gè)平臺(tái)中最優(yōu)秀的，這可能與抖音的評(píng)價(jià)指引機(jī)制有關(guān)，其評(píng)論界面會(huì)顯示“服務(wù)怎么樣？性?xún)r(jià)比高嗎”等類(lèi)似標(biāo)語(yǔ)。通過(guò)進(jìn)一步研究，發(fā)現(xiàn)京東和抖音都有評(píng)價(jià)官機(jī)制，成為評(píng)價(jià)官可獲得神券、免費(fèi)試用等權(quán)益。因此，各平臺(tái)可以通過(guò)獎(jiǎng)勵(lì)激勵(lì)、評(píng)價(jià)指引等方式來(lái)提高評(píng)論的信息質(zhì)量。

基于用戶(hù)滿(mǎn)意度計(jì)算，對(duì)服務(wù)屬性下物流、包裝、客服和售后4個(gè)細(xì)粒度特征進(jìn)行分析，比較各個(gè)平臺(tái)服務(wù)屬性的用戶(hù)滿(mǎn)意度，結(jié)果見(jiàn)圖7。可以發(fā)現(xiàn)：①在各項(xiàng)服務(wù)特征中，京東均有著較為明顯的優(yōu)勢(shì)，而拼多多的用戶(hù)滿(mǎn)意度均為最低。這可能與商家經(jīng)營(yíng)方式有關(guān)，京東大部分商家為京東自營(yíng)，而拼多多沒(méi)有自營(yíng)商家，并且主要以?xún)r(jià)格優(yōu)勢(shì)吸引用戶(hù)，為了更低的價(jià)格，商家更有可能壓縮其服務(wù)質(zhì)量。②售后服務(wù)的用戶(hù)滿(mǎn)意度差距最大，京東（88%）最高，其次是淘寶（47%）、抖音（38%）、拼多多（26%），這可能與倉(cāng)儲(chǔ)模式和售后機(jī)制有關(guān)，京東有自營(yíng)的倉(cāng)庫(kù)，能夠做到品質(zhì)溯源、快速退換貨等，并且其為消費(fèi)者提供“放心購(gòu)”，提供價(jià)保、先退款后退貨、上門(mén)換新等免費(fèi)的售后服務(wù)。這說(shuō)明在各項(xiàng)服務(wù)中售后服務(wù)是各平臺(tái)需要重點(diǎn)優(yōu)化的方向之一。

結(jié)合上述分析，京東和拼多多在各項(xiàng)服務(wù)的用戶(hù)滿(mǎn)意度上均存在較大差異，淘寶和抖音總體上滿(mǎn)意度接近，但在客服和售后上存在差異，且均與京東差距明顯。

5.3" 基于品牌的觀點(diǎn)分布分析

基于IPA模型，通過(guò)關(guān)注度和滿(mǎn)意度的計(jì)算可以得到各品牌在電池、價(jià)格等7個(gè)產(chǎn)品核心屬性上的觀點(diǎn)分布情況，結(jié)果見(jiàn)圖8。可以發(fā)現(xiàn)各品牌的同類(lèi)屬性分布較為集中但又存在差異，故從屬性維度對(duì)各品牌進(jìn)行比較分析，具體為：①?gòu)碾姵貙傩钥矗鱾€(gè)品牌均落于威脅改進(jìn)區(qū)，應(yīng)重點(diǎn)改進(jìn)，其中vivo的滿(mǎn)意度最高、小米的關(guān)注度最高；②從價(jià)格屬性看，華為和蘋(píng)果的關(guān)注度和滿(mǎn)意度均較低，說(shuō)明這兩個(gè)品牌的用戶(hù)對(duì)價(jià)格的感知度較低，其他品牌均落于機(jī)會(huì)優(yōu)化區(qū)，應(yīng)利用價(jià)格優(yōu)勢(shì)吸引目標(biāo)用戶(hù)；③從屏幕屬性看，各品牌均落于機(jī)會(huì)優(yōu)化區(qū)，是產(chǎn)品優(yōu)化的機(jī)會(huì)點(diǎn)，其中vivo和蘋(píng)果的滿(mǎn)意度較高；④從攝像頭屬性看，vivo在關(guān)注度和滿(mǎn)意度上都明顯高于其他品牌，可見(jiàn)攝像頭是vivo手機(jī)的優(yōu)勢(shì)屬性，應(yīng)當(dāng)繼續(xù)保持，小米落于威脅改進(jìn)區(qū)，應(yīng)重視該屬性的優(yōu)化改進(jìn)；

⑤從外觀屬性看，各品牌的滿(mǎn)意度均較高，皆位于優(yōu)勢(shì)保持區(qū)，其中蘋(píng)果的用戶(hù)關(guān)注度最高，說(shuō)明其用戶(hù)相比其他品牌更在意外觀；⑥從網(wǎng)絡(luò)與通信屬性看，只有vivo落于機(jī)會(huì)優(yōu)化區(qū)，應(yīng)抓住這一屬性進(jìn)行優(yōu)化，使產(chǎn)品在行業(yè)中脫穎而出，其余品牌均落于次劣發(fā)展區(qū)，在資源充足的情況下應(yīng)發(fā)展該屬性，其中蘋(píng)果的滿(mǎn)意度明顯低于其他品牌；⑦從性能屬性看，各品牌的關(guān)注度均較高，其中vivo、榮耀、蘋(píng)果、OPPO的滿(mǎn)意度較高，落于優(yōu)勢(shì)保持區(qū)，小米、華為的滿(mǎn)意度較低，落于威脅改進(jìn)區(qū)，應(yīng)重點(diǎn)關(guān)注。值得注意的是，vivo在各屬性上的滿(mǎn)意度均為最高，是用戶(hù)口碑最好的手機(jī)品牌，其背后的原因值得探索學(xué)習(xí)。

5.4" 基于初評(píng)與追評(píng)的觀點(diǎn)分布對(duì)比

追加評(píng)論是消費(fèi)者使用一段時(shí)間、在初次評(píng)論后再次發(fā)表的評(píng)論，能夠更真實(shí)地反映消費(fèi)者的使用體驗(yàn)。對(duì)觀點(diǎn)泛化后的lt;F1；F2；F；O；Sgt;進(jìn)行統(tǒng)計(jì)分析，共得到初評(píng)觀點(diǎn)415 755個(gè)，包含正向觀點(diǎn)367 733個(gè)，用戶(hù)滿(mǎn)意度為88%；追評(píng)觀點(diǎn)24 785個(gè)，包含正向觀點(diǎn)13 904個(gè)，用戶(hù)滿(mǎn)意度為56%。可以發(fā)現(xiàn)從初評(píng)到追評(píng)，用戶(hù)情感傾向總體呈現(xiàn)積極到消極的變化趨勢(shì)，其中各屬性關(guān)注度和滿(mǎn)意度的變化情況以及用戶(hù)產(chǎn)生情感變化的原因，需要進(jìn)一步探究。

（1）屬性維度變化分析。基于商品特征體系中的粗粒度屬性分類(lèi)以及用戶(hù)關(guān)注度和滿(mǎn)意度的計(jì)算，可以得到初評(píng)和追評(píng)中各屬性的分布情況。①屬性關(guān)注度變化分析。在初評(píng)中，用戶(hù)關(guān)注度最高的屬性為性能、外觀和電池，占比分別為18.13%、15.65%和14.90%；而在追評(píng)中，性能、電池和服務(wù)最受消費(fèi)者關(guān)注，占比分別為22.5%、18.02%和10.57%。可以發(fā)現(xiàn)從初評(píng)到追評(píng)，性能和電池的用戶(hù)關(guān)注度略有上升，而外觀的關(guān)注度則明顯降低，從15.65%降至10.24%，這可能與用戶(hù)的使用體驗(yàn)有關(guān)，隨著使用時(shí)間的增加，手機(jī)的性能和續(xù)航可能逐漸降低，用戶(hù)會(huì)對(duì)這類(lèi)屬性有更深的感受和新的體驗(yàn)；此外，服務(wù)在追評(píng)中受到較多關(guān)注，客服和售后可能是驅(qū)動(dòng)用戶(hù)進(jìn)行追加評(píng)論的一大因素，商家和平臺(tái)應(yīng)重視購(gòu)買(mǎi)后的客服和售后服務(wù)。②屬性滿(mǎn)意度變化分析。在初評(píng)和追評(píng)中，各屬性的用戶(hù)滿(mǎn)意度變化情況見(jiàn)圖9。可以發(fā)現(xiàn)，追評(píng)中各屬性的用戶(hù)滿(mǎn)意度均低于初評(píng)，其中降幅最大的兩個(gè)屬性是網(wǎng)絡(luò)與通信和性能，占比分別為52%和44%，降幅最小的是外觀，占比僅為5%。這表明隨著使用的深入，網(wǎng)絡(luò)通信和性能更加影響使用體驗(yàn)，是用戶(hù)較為核心的需求，而外觀的重要性則逐漸降低。因此，基于各屬性關(guān)注度和滿(mǎn)意度的變化分析，商家應(yīng)使用外觀等外在屬性來(lái)抓住用戶(hù)，通過(guò)優(yōu)化性能、電池和網(wǎng)絡(luò)通信等內(nèi)在屬性來(lái)留住用戶(hù)。

（2）用戶(hù)維度變化分析。篩選初評(píng)和追評(píng)中都包含至少一個(gè)觀點(diǎn)的用戶(hù)ID，共獲得9 541個(gè)用戶(hù)的初追評(píng)。①用戶(hù)關(guān)注變化分析。對(duì)同一用戶(hù)在初評(píng)和追評(píng)中的評(píng)價(jià)屬性流動(dòng)情況進(jìn)行分析，結(jié)果見(jiàn)圖10。可以發(fā)現(xiàn)，同屬性之間的流動(dòng)占比較大，但總體呈現(xiàn)出[外觀]→[性能、電池]的流動(dòng)方向。這與上文的分析結(jié)果一致，用戶(hù)在先前關(guān)注屬性的基礎(chǔ)上，關(guān)注點(diǎn)逐漸從外在屬性轉(zhuǎn)向內(nèi)在屬性。②用戶(hù)情感變化分析。同屬性間的流動(dòng)代表用戶(hù)在初評(píng)和追評(píng)中都評(píng)價(jià)了某一屬性，對(duì)其中的情感傾向變化進(jìn)行分析，發(fā)現(xiàn)同向變化占比86.24%，正向到負(fù)向占比10.33%，負(fù)向到正向僅占3.43%。這說(shuō)明用戶(hù)對(duì)同一屬性前后的情感變化以同向?yàn)橹鳎⑶邑?fù)向情感很少能轉(zhuǎn)換為正向情感，經(jīng)統(tǒng)計(jì)僅有13.61%的初評(píng)負(fù)向觀點(diǎn)在追評(píng)中轉(zhuǎn)換為正向觀點(diǎn)，因此商家、客服應(yīng)重視初評(píng)中的負(fù)向觀點(diǎn)，針對(duì)性解決用戶(hù)的問(wèn)題，提高負(fù)向情感向正向轉(zhuǎn)換的比率。此外，正向到負(fù)向的觀點(diǎn)變化解釋了用戶(hù)產(chǎn)生負(fù)面情感的原因。例如從初評(píng)“服務(wù)好，客服態(tài)度佳”到追評(píng)“黑屏死機(jī)，用了半個(gè)月就不行了，客服說(shuō)要自費(fèi)，客服服務(wù)差，就是個(gè)擺設(shè)”解釋了用戶(hù)對(duì)客服產(chǎn)生負(fù)面情感的原因。商家、平臺(tái)應(yīng)更加關(guān)注這類(lèi)觀點(diǎn)變化，有的放矢地解決用戶(hù)的訴求與痛點(diǎn)。

結(jié)合上述分析，初評(píng)到追評(píng)中的用戶(hù)情感總體呈積極到消極的變化趨勢(shì)，并且用戶(hù)關(guān)注點(diǎn)逐漸從外在屬性轉(zhuǎn)向內(nèi)在屬性。

6" 結(jié)論與展望/Conclusions and prospects

筆者針對(duì)電商用戶(hù)評(píng)論設(shè)計(jì)了一套細(xì)粒度觀點(diǎn)挖掘和分析的技術(shù)實(shí)現(xiàn)方法。基于預(yù)訓(xùn)練語(yǔ)言模型結(jié)合微調(diào)的觀點(diǎn)抽取方法，在家居、零食、手機(jī)3個(gè)行業(yè)中進(jìn)行實(shí)驗(yàn)，F(xiàn)1值分別達(dá)到了79.85%、83.28%、85.71%，證明了該方法的有效性和通用性；基于商品特征庫(kù)的觀點(diǎn)泛化方法，對(duì)手機(jī)行業(yè)的用戶(hù)觀點(diǎn)完成分類(lèi)與聚類(lèi)，對(duì)于其他行業(yè)，也可以使用該方法構(gòu)建出商品特征庫(kù)以實(shí)現(xiàn)觀點(diǎn)泛化。此外，筆者以手機(jī)行業(yè)為例，對(duì)用戶(hù)觀點(diǎn)進(jìn)行規(guī)律和差異分析，得出如下結(jié)論：性能、外觀和電池是最受用戶(hù)關(guān)注的屬性，而電池和網(wǎng)絡(luò)與通信的用戶(hù)滿(mǎn)意度較低；不同品牌、平臺(tái)的用戶(hù)對(duì)其產(chǎn)品、服務(wù)的觀點(diǎn)分布均存在顯著差異，對(duì)這些差異進(jìn)行分析能夠?yàn)樯碳液推脚_(tái)提供優(yōu)化方向；初評(píng)和追評(píng)中的用戶(hù)情感總體呈積極到消極的變化趨勢(shì)，并且用戶(hù)關(guān)注點(diǎn)逐漸從外在屬性轉(zhuǎn)向內(nèi)在屬性。

本研究仍然存在一定不足，后續(xù)的研究可以從以下方向開(kāi)展：①在觀點(diǎn)抽取階段實(shí)現(xiàn)了自動(dòng)化和跨領(lǐng)域抽取，但在觀點(diǎn)泛化階段還需要人工構(gòu)建商品特征庫(kù)，后續(xù)要考慮自動(dòng)構(gòu)建方法；②本文使用的觀點(diǎn)抽取方法不能有效識(shí)別隱式觀點(diǎn)，后續(xù)可考慮基于屬性聚類(lèi)、依賴(lài)關(guān)系分析等方法進(jìn)行隱式觀點(diǎn)的抽取；③在線評(píng)論中不僅有文本的信息，還有圖片、視頻等視覺(jué)方面的信息，在后續(xù)研究中可以利用多模態(tài)情感分析來(lái)提升模型的性能。

參考文獻(xiàn)/References：

[1] HU M， LIU B. Mining and summarizing customer reviews[C]//Proceedings of the tenth ACM SIGKDD international conference on knowledge discovery and data mining. New York： Association for Computing Machinery， 2004， 168-177.

[2] 周知， 方正東.融合依存句法與產(chǎn)品特征庫(kù)的用戶(hù)觀點(diǎn)識(shí)別研究[J]. 情報(bào)理論與實(shí)踐， 2021， 44（7）： 111-117. （ZHOU Z， FANG Z D. Research on user opinion recognition based on dependency syntax and product feature thesaurus[J]. Information studies： theory ＆ application， 2021， 44（7）： 111-117.）

[3] 睢國(guó)欽， 那日薩， 彭振.基于深度學(xué)習(xí)和CRFs的產(chǎn)品評(píng)論觀點(diǎn)抽取方法[J]. 情報(bào)雜志， 2019， 38（5）： 177-185. （SUI G Q， NA R S， PENG Z. Approach to extracting opinion from products reviews based on deep learning and CRFs[J]. Journal of intelligence， 2019， 38（5）： 177-185.）

[4] 張?jiān)娏?基于Bi-LSTM和CRF的中文網(wǎng)購(gòu)評(píng)論中商品屬性提取[J]. 計(jì)算機(jī)與現(xiàn)代化， 2019， 282（2）： 93-97. （ZHANG S L. Commodity attributes extracting in Chinese shopping reviews based on Bi-LSTM and CRF[J]. Computer and modernization， 2019， 282（2）： 93-97.）

[5] 李亞琴.電子商務(wù)平臺(tái)用戶(hù)在線評(píng)論比較研究[J]. 現(xiàn)代情報(bào)， 2017， 37（7）： 79-83. （LI Y Q. Comparative research on online consumer reviews of e-commerce platforms[J]. Journal of modern information， 2017， 37（7）： 79-83.）

[6] 曹喆， 郭慧蘭， 吳江， 等. 元宇宙的理想與現(xiàn)實(shí)：基于評(píng)論挖掘的VR產(chǎn)品用戶(hù)感知研究[J]. 數(shù)據(jù)分析與知識(shí)發(fā)現(xiàn)， 2023， 7（1）： 49-62. （CAO Z， GUO H L， WU J， et al. The ideal and reality of metaverse： user perception of VR products based on review mining[J]. Data analysis and knowledge discovery， 2023， 7（1）： 49-62.）

[7] 王克勤， 劉朝明.基于在線評(píng)論的重要度績(jī)效競(jìng)爭(zhēng)對(duì)手分析的產(chǎn)品設(shè)計(jì)改進(jìn)方法[J]. 計(jì)算機(jī)集成制造系統(tǒng)， 2022， 28（5）： 1496-1506. （WANG K Q， LIU C M. Product design improvement based on importance performance competitor analysis of online reviews[J]. Computer integrated manufacturing systems， 2022， 28（5）： 1496-1506.）

[8] 石文華， 龔雪， 張綺， 等. 在線初次評(píng)論與在線追加評(píng)論的比較研究[J]. 管理科學(xué)， 2016， 29（4）： 45-58. （SHI W H， GONG X， ZHANG Q， et al. A comparative study on the first-time online reviews and appended online reviews[J]. Journal of management science， 2016， 29（4）： 45-58.）

[9] 張艷豐， 王羽西， 彭麗徽， 等. 基于文本挖掘的在線用戶(hù)追加評(píng)論內(nèi)容情報(bào)研究——以京東商城手機(jī)評(píng)論數(shù)據(jù)為例[J]. 現(xiàn)代情報(bào)， 2020， 40（9）： 96-105. （ZHANG Y F， WANG Y X， PENG L H， et al. Research on information of online users’ additional comments based on text mining——take the mobile phone review data of Jingdong mall as an example[J]. Journal of modern information， 2020， 40（9）： 96-105.）

[10] 史麗麗， 林軍， 朱桂陽(yáng).基于混合神經(jīng)網(wǎng)絡(luò)的中文在線評(píng)論產(chǎn)品特征提取及消費(fèi)者需求分析[J]. 數(shù)據(jù)分析與知識(shí)發(fā)現(xiàn)， 2023， 7（10）： 63-73. （SHI L L， LIN J， ZHU G Y. A hybrid neural network for product feature extraction and customer requirements analysis on Chinese online reviews[J]. Data analysis and knowledge discovery， 2023， 7（10）： 63-73.）

[11] 韓璽， 蔣佩瑤， 韓文婷， 等. 醫(yī)生在線評(píng)價(jià)信息特征的影響因素研究：社會(huì)資本和社會(huì)交換理論的視角[J]. 信息資源管理學(xué)報(bào)， 2023， 13（1）： 78-90. （HAN X， JIANG P Y， HAN W T， et al. Influencing factors of doctors’ online rating information characteristics： based on social capital theory and social exchange theory[J]. Journal of information resources management， 2023， 13（1）： 78-90.）

[12] 余佳琪， 趙豆豆， 劉蕤.在線健康社區(qū)慢性病患者評(píng)論主題情感協(xié)同挖掘研究——以甜蜜家園為例[J/OL]. 數(shù)據(jù)分析與知識(shí)發(fā)現(xiàn)， 2023， 7（10）： 95-108. （YU J Q， ZHAO D D， LIU R. A topic-sentiment collaborative data mining on the chronic disease patients’ reviews in online health community —an evidence from “Sweet Homeland”[J]. Data analysis and knowledge discovery， 2023， 7（10）： 95-108.）

[13] 孫寶生， 敖長(zhǎng)林， 王菁霞， 等. 基于網(wǎng)絡(luò)文本挖掘的生態(tài)旅游滿(mǎn)意度評(píng)價(jià)研究[J]. 運(yùn)籌與管理， 2022， 31（12）： 165-172. （SUN B S， AO C L， WANG J X， et al. Evaluation of ecotourism satisfaction based on online text mining[J]. Operations research and management science， 2022， 31（12）： 165-172.）

[14] 邰楊芳.健康教育類(lèi)在線課程的用戶(hù)需求及評(píng)價(jià)挖掘分析[J]. 中國(guó)大學(xué)教學(xué)， 2023（S1）： 100-113. （TAI Y F. User demand and evaluation mining analysis of health education online courses[J]. China university teaching， 2023（S1）： 100-113.）

[15] 李冠， 趙毅.基于在線評(píng)論的政府?dāng)?shù)據(jù)開(kāi)放平臺(tái)用戶(hù)增量需求研究[J]. 數(shù)字圖書(shū)館論壇， 2022（12）： 37-46. （LI G， ZHAO Y. Research on user incremental demand of government data open platform based on online comments[J]. Digital library forum， 2022（12）： 37-46.）

[16] 肖宇晗， 林慧蘋(píng).基于CWSA方面詞提取模型的差異化需求挖掘方法研究——以京東手機(jī)評(píng)論為例[J]. 數(shù)據(jù)分析與知識(shí)發(fā)現(xiàn)， 2023， 7（1）： 63-75. （XIAO Y H， LIN H P. Mining differentiated demands with aspect word extraction： case study of smartphone reviews[J]. Data analysis and knowledge discovery， 2023， 7（1）： 63-75.）

[17] 丁晟春， 侯琳琳， 王穎.基于電商數(shù)據(jù)的產(chǎn)品知識(shí)圖譜構(gòu)建研究[J]. 數(shù)據(jù)分析與知識(shí)發(fā)現(xiàn)， 2019， 3（3）： 45-56. （DING S C， HOU L L， WANG Y. Product knowledge map construction based on the e-commerce data[J]. Data analysis and knowledge discovery， 2019， 3（3）： 45-56.）

[18] 李葉葉， 李賀， 沈旺， 等. 基于多源異構(gòu)數(shù)據(jù)挖掘的在線評(píng)論知識(shí)圖譜構(gòu)建[J]. 情報(bào)科學(xué)， 2022， 40（2）： 65-73， 98. （LI Y Y， LI H， SHEN W， et al. Construction of online comment knowledge graph based on multi-source heterogeneous data mining[J]. Information science， 2022， 40（2）： 65-73， 98.）

[19] PENG H Y， XU L， BING L D， et al. Knowing what， how and why： a near complete solution for aspect-based sentiment analysis[J]. Proceedings of the AAAI conference on artificial intelligence， 2020， 34（5）： 8600-8607.

[20] ZHANG C， LI Q， SONG D， et al. A multi-task learning framework for opinion triplet extraction[C]// Findings of the Association for Computational Linguistics： EMNLP 2020， Online： Association for Computational Linguistics， 2020， 819-828.

[21] XU L， CHIA Y K， BING L D. Learning span-level interactions for aspect sentiment triplet extraction[C]// Proceedings of the 59th annual meeting of the Association for Computational Linguistics and the 11th international joint conference on natural language processing （Volume 1： Long Papers）. Online： Association for Computational Linguistics， 2021： 4755-4766.

[22] YAN H， DAI J Q， JI T， et al. A Unified generative framework for aspect-based sentiment analysis[C]// Proceedings of the 59th annual meeting of the Association for Computational Linguistics and the 11th international joint conference on natural language processing （Volume 1： Long Papers）. Online： Association for Computational Linguistics， 2021： 2416-2429.

[23] CHEN S W， WANG Y， LIU J， et al. Bidirectional machine reading comprehension for aspect sentiment triplet extraction[J]. arXiv， 2021： arxiv.org/abs/2103.07665.

[24] ZHANG W X， LI X， DENG Y， et al. Towards generative aspect-based sentiment analysis[C]// Proceedings of the 59th annual meeting of the Association for Computational Linguistics and the 11th international joint conference on natural language processing （Volume 2： Short Papers）. Online： Association for Computational Linguistics， 2021： 504-510.

[25] LU Y J， LIU Q， DAI D， et al. Unified structure generation for universal information extraction[C]// Proceedings of the 60th annual meeting of the Association for Computational Linguistics （Volume 1： Long Papers）. Dublin： Association for Computational Linguistics， 2022： 5755–5772.

[26] 吳江， 侯紹新， 靳萌萌， 等. 基于LDA模型特征選擇的在線醫(yī)療社區(qū)文本分類(lèi)及用戶(hù)聚類(lèi)研究[J]. 情報(bào)學(xué)報(bào)， 2017， 36（11）： 1183-1191. （WU J， HOU S X， JIN M M， et al. LDA feature selection based text classification and user clustering in Chinese online health community[J]. Journal of the China Society for Scientific and Technical Information， 2017， 36（11）： 1183-1191.）

[27] 單曉紅， 孔維嘉， 王蕊.社交媒體數(shù)據(jù)驅(qū)動(dòng)的老年人智能化需求研究[J]. 情報(bào)理論與實(shí)踐， 2022， 45（8）： 23-30. （SHAN X H， KONG W J， WANG R. Research on the intelligent needs of the elderly driven by social media data[J]. Information studies： theory amp; application， 2022， 45（8）： 23-30.）

[28] 吳江， 李秋貝， 胡忠義， 等. 基于IPA模型的鄉(xiāng)村旅游景區(qū)游客滿(mǎn)意度分析[J]. 數(shù)據(jù)分析與知識(shí)發(fā)現(xiàn)， 2023， 7（7）： 89-99. （WU J， LI Q B， HU Z Y， et al. Analysis on tourist satisfaction of rural tourism attractions based on IPA model[J]. Data analysis and knowledge discovery， 2023， 7（7）： 89-99.）

[29] 葉佳鑫， 熊回香， 孟璇.基于細(xì)粒度評(píng)論挖掘的在線圖書(shū)相似度計(jì)算研究[J]. 情報(bào)科學(xué)， 2023， 41（1）： 166-173. （YE J X， XIONG H X， MENG X. Online book similarity calculation based on fine-grained review mining[J]. Information science， 2023， 41（1）： 166-173.）

[30] 肖寒瓊， 張馨遇， 肖宇晗， 等. 基于方面詞的用戶(hù)消費(fèi)心理畫(huà)像方法[J]. 數(shù)據(jù)分析與知識(shí)發(fā)現(xiàn)， 2022， 6（6）： 22-31. （XIAO H Q， ZHANG X Y， XIAO Y H， et al. Creating consumer psychology portrait with aspect words[J]. Data analysis and knowledge discovery， 2022， 6（6）： 22-31.）

[31] DEVLIN J， CHANG M-W， LEE K， et al. BERT： pre-training of deep bidirectional transformers for language understanding[J]. arXiv， 2019： arxiv.org/abs/1810.04805.

[32] MARTILLA J A， JAMES J C. Importance-performance analysis[J]. Journal of marketing， 1977， 41（1）： 77-79.

[33] KANO N， SERAKU N， TAKAHASHI F， et al. Attractive quality and must-be quality[J]. Journal of the Japanese Society for Quality Control， 1984， 14（2）： 39-48.

[34] 黃官偉， 邵立軻.基于在線評(píng)論與IPA-Kano模型的酒店服務(wù)質(zhì)量管理研究[J]. 上海管理科學(xué)， 2021， 43（6）： 12-17. （HUANG G W， SHAO L K. Research on hotel service quality management based on online reviews and IPA-Kano model[J]. Shanghai management science， 2021， 43（6）： 12-17.）

[35] 李賀， 曹陽(yáng)， 沈旺， 等. 基于LDA主題識(shí)別與Kano模型分析的用戶(hù)需求研究[J]. 情報(bào)科學(xué)， 2021， 39（8）： 3-11， 36. （LI H， CAO Y， SHEN W， et al. User demand based on LDA subject identification and Kano model analysis[J]. Information science， 2021， 39（8）： 3-11， 36.）

[36] SUN Y， WANG S， FENG S， et al. ERNIE 3.0： large-scale knowledge enhanced pre-training for language understanding and generation[J]. arXiv， 2021： arxiv.org/abs/2107.02137.

作者貢獻(xiàn)說(shuō)明/Author contributions：

陸晨晨：負(fù)責(zé)模型構(gòu)建和實(shí)驗(yàn)設(shè)計(jì)，論文起草、撰寫(xiě)與修改；

王" 昊：確定研究思路，指導(dǎo)實(shí)驗(yàn)，提出論文框架，指導(dǎo)論文修改；

石" 斌：指導(dǎo)論文修改；

裘靖文：指導(dǎo)論文修改。

Research on Fine-grained Opinion Mining and Distribution Law of opinion for E-Commerce Customer Reviews

Lu Chenchen1，2" Wang Hao1，2" Shi Bin1，2" Qiu Jingwen1，2

1School of Information Management， Nanjing University， Nanjing 210023

2Jiangsu Key Laboratory of Data Engineering and Knowledge Service， Nanjing 210023

Abstract： [Purpose/Significance] E-commerce customer reviews contain a wealth of valuable information. By identifying user opinions and analyzing the distribution patterns and differences， this research aims to provide insights for consumers， businesses， and platforms. [Method/Process] Firstly， based on the UIE model， user opinions were extracted from customer reviews in the three industries of furniture， snack， and mobile phone. Secondly， based on the product feature thesaurus and BERT model， the semantic similarity between words was calculated to generalize and filter opinions. Finally， based on the IPA model， statistical analysis and visualization of user opinions were conducted to provide optimization suggestions for businesses and platforms. [Result/Conclusion] In terms of opinion mining， the model performs well across all three industries with the F1 values of 79.85%， 83.28%， and 85.71% respectively， which confirms the effectiveness of the method. In the mobile phone industry， regularity analysis indicates user attention mainly focuses on performance， appearance， and battery， but significant differences in opinion distribution are observed among various platforms and brands. Moreover， user satisfaction generally shows a shifting trend of positive to negative from initial reviews to follow-up reviews.

Keywords： customer reviews" " fine-gained sentiment analysis" " opinion mining" " pre-trained language model" " IPA analysis

Fund Project（s）： This work is supported by the Fundamental Research Funds for the Central Universities “Data Engineering and Knowledge Service Jiangsu Provincial University Key Laboratory Project”（Grant No. 0108-14370323）.

Author（s）： Lu Chenchen， master candidate; Wang Hao， professor， PhD， doctoral supervisor， corresponding author， E-mail： ywhaowang@nju.edu.cn; Shi Bin， master candidate; Qiu Jingwen， doctoral candidate.

Received： 2023-08-10" " Published： 2024-06-12

基金項(xiàng)目：本文系中央高校基本科研業(yè)務(wù)費(fèi)專(zhuān)項(xiàng)資金資助項(xiàng)目“數(shù)據(jù)工程和知識(shí)服務(wù)江蘇省高校重點(diǎn)實(shí)驗(yàn)室項(xiàng)目”（項(xiàng)目編號(hào)：0108-14370323）研究成果之一。

作者簡(jiǎn)介：陸晨晨，碩士研究生；王昊，教授，博士，博士生導(dǎo)師，通信作者，E-mail： ywhaowang@nju.edu.cn；石斌，碩士研究生；裘靖文，博士研究生。

收稿日期：2023-08-10" " " " 發(fā)表日期：2024-06-12