劉臣 謝法舉 周曉鳴

摘 要：商品評(píng)論區(qū)存在很多虛假、偽造或者是垃圾形式的內(nèi)容，往往誘使用戶產(chǎn)生購(gòu)買意愿，而追加評(píng)論是用戶了解商品真實(shí)性、可靠性的重要信息渠道。通過(guò)對(duì)追加評(píng)論進(jìn)行特征提取，形成特征摘要，方便用戶在購(gòu)物時(shí)減少搜索時(shí)間與精力，對(duì)追加評(píng)論進(jìn)行情感分析，能夠判斷出用戶對(duì)商品的總體情感傾向。分析表明，其在準(zhǔn)確率與召回率方面都有約10%的提高。追加評(píng)論具有很高的研究?jī)r(jià)值，能夠幫助用戶快速了解產(chǎn)品信息，目前很多用戶會(huì)直接鎖定追加評(píng)論以作出購(gòu)買決策。

關(guān)鍵詞：追加評(píng)論;特征提取;情感分析;特征摘要

0 引言

追加評(píng)論是購(gòu)物網(wǎng)站的一種用戶評(píng)論形式，各大電商平臺(tái)都有追加評(píng)論區(qū)域，但每個(gè)平臺(tái)提供的有效時(shí)間不同，比如淘寶在原始評(píng)論之后3個(gè)月內(nèi)可以進(jìn)行追加評(píng)論，超過(guò)期限則無(wú)法進(jìn)行。目前很多用戶會(huì)直接鎖定追加評(píng)論形成購(gòu)買意愿，所以追加評(píng)論具有很高的研究?jī)r(jià)值，主要表現(xiàn)為：①追加評(píng)論能夠更加客觀地反映用戶態(tài)度;②追加評(píng)論往往較少，用戶閱讀起來(lái)會(huì)減少很多時(shí)間與精力;③追加評(píng)論中往往會(huì)出現(xiàn)原始評(píng)論中沒有出現(xiàn)過(guò)的商品特征，這些特征能夠及時(shí)反映當(dāng)下熱點(diǎn)問(wèn)題。圖1為京東平臺(tái)上的P20手機(jī)用戶評(píng)論文本。

追加評(píng)論是用戶了解商品真實(shí)性、可靠性的重要信息渠道，而對(duì)于追加評(píng)論的研究很少有人關(guān)注。Hearst[1]最早進(jìn)行情感分析研究，在處理文本問(wèn)題時(shí)主要從情感立場(chǎng)和文本思想兩個(gè)方面進(jìn)行，語(yǔ)料庫(kù)優(yōu)點(diǎn)在于提供了更加標(biāo)準(zhǔn)化的信息檢索系統(tǒng)，不僅能夠避免理解文本的復(fù)雜性，而且還能減少資源消耗。情感分析概念在2003年正式出現(xiàn)，Nasukawa等[2]利用自然語(yǔ)言處理相關(guān)技術(shù)判斷特定主題的情感傾向，包括語(yǔ)義詞典及句法分析等，系統(tǒng)在新聞?wù)Z料中取得了較高準(zhǔn)確率，當(dāng)然該準(zhǔn)確率依據(jù)數(shù)據(jù)集;Yan等[3]利用NodeRank算法提取顯式和隱式特征，以識(shí)別每個(gè)顯式特征與意見詞之間的關(guān)聯(lián)，并檢索了具有相同觀點(diǎn)詞的所有特征觀點(diǎn)對(duì);Yi等[4]是較早研究情感分析的一批學(xué)者，隨后，情感分析在數(shù)據(jù)挖掘、Web挖掘和信息檢索中被廣泛研究，并從計(jì)算機(jī)科學(xué)領(lǐng)域擴(kuò)展到管理學(xué)領(lǐng)域及電子商務(wù)領(lǐng)域[5-6];Soo-Min等[7]則手工建立了兩個(gè)種子集作為極性詞典，一個(gè)是褒義詞詞典，另一個(gè)是貶義詞詞典，并分別將其作為正向類和負(fù)向類;Park等 [8]提出了另一個(gè)從新聞文章中產(chǎn)生觀點(diǎn)摘要的方法。

在中文領(lǐng)域，特征提取和情感分析研究也有一定成果。徐林宏等[9]利用知網(wǎng)提供的HowNet詞典，用詞匯與詞庫(kù)中已標(biāo)注情感極性近義詞之間的語(yǔ)義相似度判斷未知極性情感詞的情感傾向;孫曉等[10]采用一種基于條件隨機(jī)場(chǎng)和支持向量機(jī)模型的聯(lián)合模型，從在線商品評(píng)述中挖掘商品特征詞和情感詞;何晶璟[11]主要是從營(yíng)銷角度分析在線評(píng)論中相同評(píng)論內(nèi)容放在追加評(píng)論位置及放在初始評(píng)論位置對(duì)購(gòu)買意愿的影響;汪濤等[12]基于歸因理論研究得出不同類型產(chǎn)品評(píng)論時(shí)間間隔的有用性感知不同，與原始評(píng)論具有很大關(guān)聯(lián)性;劉曉云等[13]主要講述相對(duì)于初始評(píng)論，追加評(píng)論的信息提供參考價(jià)值更大，消費(fèi)者更加傾向于追加評(píng)論內(nèi)容的真實(shí)性，認(rèn)為追加評(píng)論更加可靠;王洪偉等[14]對(duì)文本進(jìn)行情感分類，主要考慮句子的情感極性以及貢獻(xiàn)度，首先也是采用傳統(tǒng)分類算法判斷在線評(píng)論句子的情感傾向，然后采用等權(quán)重、相關(guān)度以及情感假設(shè)三個(gè)方面確定句子對(duì)段落的貢獻(xiàn)度，最后綜合考慮句子的貢獻(xiàn)度和情感極性以判斷段落的整體情感傾向;唐曉波[15]提出一種基于情感本體和k-近鄰算法的評(píng)論文本情感分類方法，首先利用情感本體的情感強(qiáng)度及其極性分別對(duì)每一條評(píng)論的褒義性和貶義性進(jìn)行計(jì)算，并將計(jì)算結(jié)果作為數(shù)據(jù)集的特征項(xiàng)，最后采用k-近鄰算法對(duì)訓(xùn)練集進(jìn)行訓(xùn)練，然后形成分類模型，并用分類模型對(duì)相關(guān)評(píng)論進(jìn)行分類研究。

對(duì)于隱性特征提取，同樣也有不少學(xué)者進(jìn)行過(guò)研究。Karthikeyan等[16]提出基于關(guān)聯(lián)規(guī)則挖掘的方法，特征詞與觀點(diǎn)詞之間可以共同出現(xiàn)，以找到頻繁項(xiàng)之間的關(guān)聯(lián)性;Mankar等[17]從旅游評(píng)論中提取了隱性特征，首先在顯性特征詞與觀點(diǎn)詞之間構(gòu)建共生矩陣，以形容詞和副詞作為觀點(diǎn)詞，然后基于該共生矩陣創(chuàng)建一組關(guān)聯(lián)規(guī)則。這些規(guī)則充當(dāng)對(duì)應(yīng)的隱式特征映射函數(shù)，實(shí)驗(yàn)同樣也獲得了一定效果，但是實(shí)驗(yàn)僅僅考慮了形容詞與副詞，并沒有考其它詞;Lazhar 等[18]利用本體進(jìn)行隱性特征提取研究，利用本體概念、屬性和個(gè)體之間的語(yǔ)義關(guān)系進(jìn)行隱性特征提取，其提取的意見表達(dá)式與任何顯性特征沒有相關(guān)性，在意見詞和相關(guān)特征中考慮6種類型依賴關(guān)系，然后通過(guò)觀點(diǎn)表達(dá)式對(duì)本體進(jìn)行引航，找出相應(yīng)的隱性特征詞，以識(shí)別隱性特征;Santu等[19]采用概率模型方法進(jìn)行隱性特征提取研究，用生成概率特征模型對(duì)相關(guān)語(yǔ)料評(píng)論進(jìn)行建模，這些評(píng)論被表示為使用隱藏變量的句子與特征之間的關(guān)聯(lián)，最后利用隱藏變量和計(jì)算參數(shù)值提取隱性特征。

相比較而言，本文創(chuàng)新之處在于：①在原始評(píng)論基礎(chǔ)上融入追加評(píng)論;②考慮追加評(píng)論中出現(xiàn)的新特征詞以及特征情感;③形成特征摘要，能夠幫助用戶在購(gòu)買時(shí)快速作出購(gòu)買決策。

1 追加評(píng)論語(yǔ)料獲取

追加評(píng)論語(yǔ)料同樣來(lái)源于京東商城，利用爬蟲技術(shù)爬取京東商城P20手機(jī)追加評(píng)論語(yǔ)料。獲取語(yǔ)料后對(duì)語(yǔ)料進(jìn)行優(yōu)化，通過(guò)樣本抽樣方式刪除一些虛假、偽造信息，即語(yǔ)料降噪處理，經(jīng)過(guò)降噪處理的語(yǔ)料為實(shí)驗(yàn)所需語(yǔ)料。對(duì)實(shí)驗(yàn)語(yǔ)料進(jìn)行分詞處理與詞性標(biāo)注，提取出文本中的特征詞，如果沒有特征詞，則進(jìn)入下一條評(píng)論，如果有特征詞，則判斷其是否為新的特征詞。將新特征詞錄入特征詞庫(kù)中，沒有再出現(xiàn)新的特征詞就直接對(duì)特征進(jìn)行檢測(cè)，依據(jù)特征詞周邊的特征詞進(jìn)行情感判別，并記錄判別結(jié)果，然后進(jìn)入下一條評(píng)論，直到所有追加評(píng)論記錄完為止。圖2是追加評(píng)論處理具體流程。

1.1 追加評(píng)論時(shí)間特點(diǎn)

追加評(píng)論是指用戶在購(gòu)買商品后已經(jīng)作出原始評(píng)論，因發(fā)現(xiàn)商品相關(guān)屬性具備一些特殊性質(zhì)，再次對(duì)購(gòu)買商品進(jìn)行評(píng)論。圖3為爬取數(shù)據(jù)分析結(jié)果顯示的追加評(píng)論與原始評(píng)論時(shí)間間隔，通過(guò)分析追加評(píng)論數(shù)量可以發(fā)現(xiàn)，用戶往往會(huì)在原始評(píng)論過(guò)后10天作出追加評(píng)論，這是因?yàn)橛脩粼谫?gòu)買之后前10天基本上對(duì)物品有了親身體驗(yàn)，及時(shí)追加評(píng)論以反映自己的情感。

1.2 追加評(píng)論特征

追加評(píng)論作為用戶購(gòu)買商品后的二次評(píng)論，有幾個(gè)重要特征：第一，內(nèi)容較短但是蘊(yùn)含信息量大;第二，情感比較真實(shí)，更能反映出用戶態(tài)度，相對(duì)于原始評(píng)論前后情感差異較大;第三，具備不可刪除性，很多購(gòu)物平臺(tái)的商家會(huì)勸說(shuō)用戶刪除消極的原始評(píng)論，但是追加評(píng)論卻無(wú)法刪除;第四，具有滯后性，因?yàn)橛脩敉ǔＴ谑褂梦锲芬欢螘r(shí)間之后才能夠發(fā)現(xiàn)商品優(yōu)缺點(diǎn)（見圖3）;第五，往往會(huì)出現(xiàn)很多原始評(píng)論不具備的新特征詞（見表1）。

2 追加評(píng)論與原始評(píng)論比較

追加評(píng)論與原始評(píng)論存在許多差異，最主要的三個(gè)維度分別為：評(píng)論數(shù)量、評(píng)論長(zhǎng)度以及情感表達(dá)。研究?jī)烧咧g差異能夠讓用戶更加具體地了解商品。

2.1 評(píng)論數(shù)量

在評(píng)論數(shù)量方面，追加評(píng)論相對(duì)于原始評(píng)論數(shù)量明顯減少。一方面，用戶初次購(gòu)買商品后，通常會(huì)及時(shí)作出評(píng)論，此時(shí)評(píng)論行為比較積極，而對(duì)于追加評(píng)論卻很少有人及時(shí)關(guān)注，除非是因?yàn)橛脩趔w驗(yàn)過(guò)商品且該商品具備一些特質(zhì)，用戶才會(huì)對(duì)原始評(píng)論進(jìn)行補(bǔ)充，追加評(píng)論。另一方面，用戶初次評(píng)論時(shí)給出了消極評(píng)價(jià)，經(jīng)過(guò)客戶溝通后刪除了消極評(píng)論，但是使用商品后非常失望，會(huì)再次作出追加評(píng)論，而追加評(píng)論相較于原始評(píng)論，句子中蘊(yùn)含的信息以及特征詞明顯減少。

2.2 評(píng)論長(zhǎng)度

商品評(píng)論越長(zhǎng)，信息量往往就越大，對(duì)商品的介紹就會(huì)越完善，包含特征也就越多，其他用戶購(gòu)買時(shí)能用的信息量就會(huì)越大，購(gòu)買決策就會(huì)越清晰準(zhǔn)確。評(píng)論長(zhǎng)度越長(zhǎng)也能反映出用戶積極性越高。通過(guò)抽樣觀察發(fā)現(xiàn)，追加評(píng)論的平均長(zhǎng)度明顯高于原始評(píng)論。對(duì)此分析得出以下結(jié)論：第一，對(duì)于原始評(píng)論而言，用戶并不是很了解該產(chǎn)品，隨意作出評(píng)價(jià);對(duì)于追加評(píng)論而言，用戶通過(guò)親身體驗(yàn)，對(duì)商品有足夠了解，這時(shí)就會(huì)對(duì)商品的大部分已知屬性作出評(píng)價(jià)，因此追加評(píng)論的數(shù)量雖然減少了，但是長(zhǎng)度會(huì)明顯變長(zhǎng)。第二，由于追加評(píng)論具有滯后性，當(dāng)用戶在購(gòu)買商品之后，因各種原因延遲發(fā)表追加評(píng)論，在這段時(shí)間內(nèi)同類型商品上市，就會(huì)給用戶提供一個(gè)參考物，通過(guò)審視幾個(gè)商品之間的區(qū)別，對(duì)該商品有更全面了解，從而作出全面評(píng)價(jià)，因此追加評(píng)論就會(huì)變長(zhǎng)。

2.3 評(píng)論質(zhì)量

相對(duì)于原始評(píng)論，追加評(píng)論與用戶使用體驗(yàn)匹配度更高，因?yàn)檫@些評(píng)論基本上都是用戶的親身感觸，能夠直接反映出用戶情感，所以提供的信息更加可靠有用。追加評(píng)論的客觀性更強(qiáng)，通過(guò)用戶對(duì)商品情感的表達(dá)更能反映出商品優(yōu)缺點(diǎn)，以便更加有效地幫助未來(lái)用戶了解產(chǎn)品。

3 融入追加評(píng)論的情感分析

通過(guò)分析處理追加評(píng)論，一共得到有效句子2 002條，其中顯性句子1 483條、隱性句子519條（見表2）。共提取特征詞45個(gè)，新增特征詞8個(gè)（信號(hào)、后殼、按鈕、卡槽、鎖屏、鏡頭、吃雞、網(wǎng)絡(luò)），另外37個(gè)為原始評(píng)論句子中的特征詞。產(chǎn)品特征得到肯定的是屏幕、價(jià)格、信號(hào)以及外觀，同時(shí)電池和吃雞兩個(gè)特征的負(fù)面情感較高，其中問(wèn)題最大的是電池。這些數(shù)據(jù)統(tǒng)計(jì)不僅能夠幫助用戶快速鎖定商品的最大優(yōu)缺點(diǎn)，而且能夠及時(shí)幫助商家進(jìn)行產(chǎn)品調(diào)整與優(yōu)化。

當(dāng)融入追加評(píng)論之后，在原始評(píng)論基礎(chǔ)上，用戶情感會(huì)有很大變化，如表3所示。如果原始評(píng)論為正向情感，追加評(píng)論也為正向情感的僅占9%，追加評(píng)論為負(fù)向情感的為27%;如果原始評(píng)論為負(fù)向情感，很少有用戶會(huì)轉(zhuǎn)變?cè)荚u(píng)論態(tài)度，而用戶同樣會(huì)給出負(fù)面情感的比例高達(dá)57%。表4為華為手機(jī)P20評(píng)論融入追加評(píng)論后準(zhǔn)確率與召回率的變化情況。

4 追加評(píng)論與原始評(píng)論特征摘要對(duì)比分析

4.1 對(duì)比結(jié)果

4.2 原始評(píng)論對(duì)購(gòu)買意愿的影響

為弄清原始評(píng)論對(duì)購(gòu)買意愿的影響，進(jìn)行了問(wèn)卷調(diào)查。調(diào)查問(wèn)卷涉及人群為在校本科生和研究生，共發(fā)放問(wèn)卷100份，回收有效問(wèn)卷100份。經(jīng)過(guò)整理發(fā)現(xiàn)，用戶初次對(duì)購(gòu)買商品作出評(píng)價(jià)時(shí)的評(píng)論非常龐大，幾乎涉及產(chǎn)品所有主要特征，特征摘要對(duì)未來(lái)用戶有很大幫助，使用戶能夠快速鎖定商品屬性，并獲取基本情感。用戶進(jìn)行購(gòu)買決策時(shí)可以關(guān)注原始評(píng)論，但是依靠原始評(píng)論就作出購(gòu)買決策的僅為18%，而未作出購(gòu)買決策的高達(dá)59%。圖7為原始評(píng)論對(duì)購(gòu)買意愿的影響。

4.3 融入追加評(píng)論后對(duì)購(gòu)買意愿的影響

用戶的購(gòu)買意愿直接影響產(chǎn)品銷量，而追加評(píng)論往往會(huì)對(duì)購(gòu)買意愿產(chǎn)生較大影響，所以追加評(píng)論的研究意義較大，同樣也要引起商家足夠重視。研究發(fā)現(xiàn)，追加評(píng)論中大部分評(píng)論都是消極評(píng)論，消極評(píng)論會(huì)直接影響消費(fèi)者購(gòu)買意愿，進(jìn)而影響產(chǎn)品銷量，追加評(píng)論與原始評(píng)論共同決定個(gè)人對(duì)該商品的情感傾向。圖8顯示，融入追加評(píng)論后用戶更加傾向于作出購(gòu)買決策。

5 結(jié)語(yǔ)

本文在原始評(píng)論基礎(chǔ)上融入追加評(píng)論進(jìn)行情感分析。主要從追加評(píng)論的數(shù)量、長(zhǎng)度以及質(zhì)量3個(gè)方面比較分析追加評(píng)論與原始評(píng)論，最后介紹了追加評(píng)論與原始評(píng)論的情感文摘分析。通過(guò)融入追加評(píng)論，能夠提高準(zhǔn)確率與召回率約10%。今后將重點(diǎn)考慮在此基礎(chǔ)上以定量與定性相結(jié)合的方式進(jìn)行研究。

參考文獻(xiàn)：

[1] HEARST M A. Direction-based text interpretation as an information access refinement[C]. Text-Based Intelligent Systems，2002： 257-274.

[2] NASUKAWA T， YI J. Sentiment analysis： capturing favorability using natural language processing[C]. International Conference on Knowledge Capture，2003： 70-77.

[3] YAN Z， XING M， ZHANG D， et al. EXPRS： an extended pagerank method for product feature extraction from online consumer reviews[J]. Information & Management，2015， 52（7）：850-858.

[4] YI J，NASUKAWA T，BUNESCU，et a1.Sentiment analyzer：extracting sentiments about a given topicusing natural language processing techniques[C]. Third IEEE International Conference，2003：427-434.

[5] HU N，PAVLOU P A，ZHANG J.Can online reviews reveal a product's true quality：empirical findingsand analytical modeling of online word of mouth communication[C]. Proceedings of the 7th ACMconference on Electronic commerce，2006：324-330.

[6] ARCHAIC N，GHOSE A，IPEIROTIS P G. Show me the money：deriving the pricing power of productfeatures by mining consumer reviews[C]. Proceedings of the 13th ACM SIGKDD Intemational Conference on Knowledge Discovery and Data Raining，2007：56-65.

[7] SOO-MIN K，HOVY E. Determining the sentiment of opinions[C]. Proceedings of the 20th International Conference On Computational Linguistics，2004：1367-1373.

[8] PARK S， LEE K S， SONG J. Contrasting opposing views of news articles on contentious issues[J]. Proceedings of the Association for Computational Linguistics， 2011，33（14）： 340-349.

[9] 徐琳宏，林鴻飛，楊志豪. 基于語(yǔ)義理解的文本傾向性識(shí)別[J]. 中文信息學(xué)報(bào)，2007，21（1）：96-100.

[10] 孫曉，唐陳意. 基于層疊模型細(xì)粒度情感要素抽取及傾向分析[J]. 模式識(shí)別與人工智能， 2015（6）： 531-520.

[11] 何晶璟. 追加評(píng)論對(duì)消費(fèi)者購(gòu)買意愿的影響[J]. 知識(shí)經(jīng)濟(jì)，2014（9）：92-94.

[12] 汪濤，王魁，陳厚. 時(shí)間間隔何時(shí)能夠提高在線評(píng)論的有用性感知—基于歸因理論的視角[J]. 商業(yè)經(jīng)濟(jì)與管理，2015（2）：46-56.

[13] 劉曉云，章艮鳳，徐麗麗. 在線追加評(píng)論對(duì)消費(fèi)者網(wǎng)購(gòu)意愿的影響研究[J].? 經(jīng)營(yíng)管理者，2015（21）：278-279.

[14] 王洪偉， 鄭麗娟， 尹裴， 等. 基于句子級(jí)情感的中文網(wǎng)絡(luò)評(píng)論的情感極性分類[J]. 管理科學(xué)學(xué)報(bào)， 2013， 16（9）： 64-74.

[15] 唐曉波， 朱娟， 楊豐華. 基于情感本體和KNN算法的在線評(píng)論情感分類研究[J]. 情報(bào)理論與實(shí)踐， 2016（6）： 110-114.

[16] KARTHIKEYAN T， RAVIKUMAR N. A survey on association rule mining[J].? International Journal of Advanced Research in Computer and Communication Engineering，2014，3（1）：5223-5227.

[17] MANKAR S A， INGLE M. Implicit sentiment identification using aspect based opinion mining[J].? International Journal on Recent and Innovation Trends in Computing and Communication， 2015， 3（4）：2184–2188.

[18] LAZHAR F，YAMINA T-G. Mining explicit and implicit opinions from reviews[J].? International Journal of Data Mining， Modelling and Management， 2016，8（1）：75-92.

[19] SANTU K K S， SONDHI P， ZHAI C. Generative feature language models for mining implicit features from customer reviews[C]. Proceedings of the Twenty-Fifth ACM International on Conference on Information and Knowledge Management，2016：929-938.

（責(zé)任編輯：何 麗）