前言：想要寫出一篇令人眼前一亮的文章嗎？我們特意為您整理了5篇商品評論范文，相信會為您的寫作帶來幫助，發(fā)現(xiàn)更多的寫作思路和靈感。

商品評論范文第1篇

【關鍵詞】網絡購物；顧客滿意度；評價

1.引言

隨著電子商務發(fā)展的日益成熟，關于網上購物顧客滿意度的評價逐漸成為衡量產品質量和服務水平的一個重要途經。無論是產品生產企業(yè)、電子商務運營商還是物流企業(yè)，都希望了解到顧客購物的真實感受，從而有的放矢地改善其生產方式及服務，以增強其市場競爭力。

筆者認為顧客網購體驗與其所購買的產品本身的屬性是密不可分的，要想全面、深入地反映其心理評價，商品評論是最能體現(xiàn)這一要求的。通過對網購顧客的評論文本的標注和挖掘，構建網購顧客滿意度指標體系，分析各指標在顧客關注程度和使用方面的一些特點，以更加全面、更加具體地反映顧客購物的心理體驗。

2.基于商品評論的顧客滿意度指標體系構建

2.1 研究對象的選取

本文選取部分手機產品作為研究對象，所構建的滿意度指標體系既涵蓋適用于通用領域的屬性，也有針對手機產品的具體特征。

2.2 數(shù)據(jù)來源及處理

2.2.1 數(shù)據(jù)來源

本文數(shù)據(jù)來源于京東商城網站，選取部分手機類商品，收集其中的商品評論語句。京東商城的每一條評論信息均包含優(yōu)點、缺點和心得三部分，全部作為本文的數(shù)據(jù)收集對象。本文數(shù)據(jù)收集的起點是2013年1月31日，向前截取滿足一定數(shù)量的評論語句。使用C#語言編寫爬蟲軟件，共抓取評論數(shù)據(jù)60，600條，既包含部分銷量高的商品，又包含部分銷量居中的商品，以避免優(yōu)點和缺點描述的不平衡。

2.2.2 數(shù)據(jù)處理

本文通過采用部分數(shù)據(jù)對網購顧客的評論文本的標注和挖掘，抽取出相應的指稱關鍵詞和描述關鍵詞，將其提煉為網購顧客滿意度指標體系。利用中文信息處理相關技術，針對大量數(shù)據(jù)對各指標進行詞頻統(tǒng)計，驗證網購顧客滿意度指標體系的準確性，及分析各指標在顧客關注程度和使用方面的一些特點。通過分析顧客對各指標的關注程度，預測產品將來的技術攻關方向和競爭要素，以使企業(yè)準確定位顧客關注焦點，推出深受顧客滿意的產品，進而增強企業(yè)的競爭能力。本文數(shù)據(jù)來源中有600條采用人工分析，抽取出相關的特征及描述，構建顧客滿意度指標體系，另60，000條采用中文信息處理工具進行統(tǒng)計，將統(tǒng)計結果用于對指標體系的量化分析。具體所選的產品及評論條數(shù)見表1。

2.3 網購顧客滿意度指標體系的構建

2.3.1 商品評論特征抽取

筆者對600條手機商品評論進行了人工標注，標注內容包括指稱關鍵詞和描述關鍵詞，從這些關鍵詞中提煉出評價指標。提煉的原則如下：

（1）剔除關于表示商品型號和商品品牌的名詞，如“N70”，“諾基亞”。

（2）剔除一些常見的口語化的名詞，如“機子”，“東西”。

（3）剔除一些常見的人稱名詞，如“朋友”，“老人”。

（4）合并同義詞和表示同一類所指對象的詞語。

據(jù)此得出所得評價指標及其描述詞，受篇幅所限，這里僅列出部分，見表2。

圖1 網購顧客滿意度指標層級體系

從手機商品評論抽取結果中可以發(fā)現(xiàn)，指稱詞、描述詞集合與評價指標并不是一一對應的，存在一些詞語對應多個指標的情況，這是因為有些語義內容并不是由詞一級語言單位表達的，而是由短語或句子整體表示的，需要結合上下文信息才能確定這些詞語的所指。

2.3.2 指標體系的生成

筆者基于手機商品評論抽取結果的評價指標，通過整理、歸納，構建網購顧客滿意度指標層級體系。第一層為顧客網購滿意度；第二層分為網站滿意度、產品滿意度、物流滿意度、售后服務滿意度，同時，借鑒Lee（2001）[1]的研究成果，增加了交易安全滿意度指標；第三層及以下是對這些指標的細分類，共19個指標，其中有17項是對各類商品通用的，另外兩項產品性能和產品外觀，其下層分類指標是僅針對手機類商品的，見圖1。

2.4 商品評論詞頻分析

本文對自動抓取的京東商城諾基亞（NOKIA）

N1280 GSM手機（黑）和華為U8860兩類手機的6萬條評論進行詞頻統(tǒng)計，對本文給出的顧客滿意度指標體系進行檢驗和量化分析。詞頻分析采用山西大學開發(fā)的中文分詞工具FC2000[2]，共獲得24.4萬詞。首先對詞表進行預處理，去掉語料中的句子“暫時沒有缺點”，因為該句是京東網用戶評論撰寫頁面關于商品缺點部分給出的默認評價，相當多的用戶直接使用該句作為缺點評價的內容，導致其頻率過高，而又不含有價值；其次，根據(jù)停用詞表[3]，去掉高頻詞中出現(xiàn)的停用詞；再去掉高頻詞中的動詞，如“幫”，“說”，“算”，“看”等；去掉程度副詞，如“很”，“挺”，“非?！钡龋蝗サ舫Ｒ姷娜朔Q名詞，如“朋友”，“老人”等；最后，截取詞頻超過100次的詞匯，共235個。將這些高頻詞與圖4中的指標進行匹配，對于一個詞對應多個指標的情況，如“滿意”對應總體滿意度、網站滿意度和產品滿意度三個指標，暫將其次數(shù)平均分配給各指標；對于一個指標對應多個詞的情況，取每個詞次數(shù)的和，統(tǒng)計結果見表3。

從表3中可以看出，本文給出的網購顧客滿意度指標體系54個指標中有43個指標有相應高頻詞與之對應，占指標總數(shù)的80%，證明這些指標是顧客經常評論的內容，的確是顧客關心的問題。11個沒有相應詞匯的指標分別是頁面布局、頁面反應速度、網站信息質量、產品價格、物流滿意度、配送方式、交易安全滿意度（及下屬3個指標）和個性化服務。其中，產品價格（二級指標）和物流滿意度（一級指標）是上層指標，其下位指標對應有具體的詞匯，且詞頻較高，因此實際上用戶評論是涵蓋這方面信息的；網站信息質量和配送方式兩個指標屬于低頻詞匯對應的指標，在表3高頻詞匯中沒有出現(xiàn)；而個性化服務指標在顧客評論中不是用詞表述的，是用短語或句子表達的，如“還附贈了一次性的貼紙章，用來給保修卡蓋章的”，因此就詞匯層面的分析來說看不到這方面信息；頁面布局、頁面反應速度及交易安全滿意度（及下屬3個指標）指標在顧客評論高頻詞中沒有出現(xiàn)，從一定程度上說明這些方面對于當前電子商務的技術和服務發(fā)展水平來說，已經能夠滿足用戶需求，不需要過多探討。

圖2 三級以上指標詞頻排序圖

從圖2中可見，詞頻超過1萬次的指標為顧客總體滿意度、產品滿意度、定價、產品信譽度、手感、（手機）實用性，說明了顧客在網購過程中最關注的仍然是產品本身的性能、質量和價格因素。詞頻在5000到1萬之間的兩個指標為易操作性和產品外觀，說明用戶對手機的這兩方面性能關注度較高。值得注意的是，表3中有兩個四級指標詞頻超過9000次，即音效和待機時間。說明對于手機類產品來說，音效是首要引起用戶關注的問題之一，而待機時間短恰是當前智能機普遍存在的缺陷，這兩個指標的高頻出現(xiàn)，也給手機制造商以一定的啟示。三級指標中排在后三位的是真?zhèn)?、硬件配置和重量。用戶對于商品的真?zhèn)侮P注度比較低，說明目前網購顧客對京東商城這樣的大型B2C購物平臺的信賴程度較高。用戶對硬件配置和重量關注度低，說明對于當前的手機類產品來說，硬件方面已經不是主要的技術攻關方向和競爭要素，而與外觀設計、特色服務等有關的指標則更重要一些。

3.結語

本文通過對網購顧客的評論文本的標注和挖掘，構建了網購顧客滿意度指標體系，并通過詞頻統(tǒng)計，分析了各指標在顧客關注程度和使用方面的一些特點。對比目前存在的一些網購顧客滿意度指標體系，本文提出的指標體系層級和指標數(shù)量多，使得體系的語義深度大大加強，在反映顧客購物的心理體驗方面更加全面和具體。由于本文在滿意度指標體系的構建方法上主要基于商品評論的關鍵詞抽取，使得每一個指標有確定詞匯集合與之對應，該成果可以為商品評論文本挖掘方面的研究提供基礎資源，利用詞表進行特征、觀點抽取和情感傾向方面的研究，這也是本文下一步研究的方向。

參考文獻：

[1]prehensive Model of Internet Consumer Satisfaction[J].HongKong：City University of Hong Kong，2001：207-210.

[2]劉開瑛.中文文本自動分詞和標注[M].北京：商務印書館，2000：23-45.

商品評論范文第2篇

具體步驟為：

打開拼多多商家頁面，在窗口左側會看到有很多的按鈕，可根據(jù)需要點擊相應的按鈕進行相關的操作；在左側找到并點擊：商品管理，評價管理，會打開右側的頁面；在右側輸入商品Id，并點擊右側的“查詢”即可查看到此商品的評價內容；評價內容顯示的時間默認是“近7天評分”，如果想要查看到此商品所有的評價內容，這時可以點擊下方左側的下拉列表選擇里面的“全部評分”按鈕，查看此產品的所有評分明細。

（來源：文章屋網 ）

商品評論范文第3篇

合同的效力是法律對合同的價值評判。合同是當事人合意的體現(xiàn)，除因標的目的自始客觀不能、無從確定、違反法律強行規(guī)定，違反公序良俗及其他法律特別規(guī)定外，均為有效。前位買賣合同只要系雙方真實意思表示，不違背《合同法》52條的禁止性規(guī)定，其效力自不待言。在后位買賣合同中，出賣人一物數(shù)賣之舉雖有悖于誠信守約的善良風俗，但只要出賣人與后位買受人未有惡意串通損害第三人利益的行為，該房屋買賣合同并非當然無效。不能以是否做到實際履行為標準否認后位買賣合同的效力。房屋所有權的轉移亦不是房屋買賣合同生效要件的觀點也廣為學界和實務界認可?；谙群筚I賣契約而生之多重債權，依傳統(tǒng)之債法觀念，不因先后而異其效力。［2］就此意義而言，出賣人—房數(shù)賣的行為不能當然否認前后買賣合同的效力。《解釋》第8條也規(guī)定：商品房買賣合同訂立后，出賣人又將該房屋出賣給第三人，導致商品房買賣合同目的不能實現(xiàn)的，無法取得房屋的先買受人可以請求解除前位買賣合同及要求出賣方支付懲罰性違約金，而不能當然否定后位買賣合同的效力。由此可推斷《解釋》認可后位買賣合同效力的意旨。

在出賣人已將房屋所有權移轉至前買受人后，又將房屋出賣第三人的，出賣人的行為是一種出賣他人之物的無權處分行為，對無權處分行為的效力，學界通說及《合同法》第51條均認為應采效力待定說，合同并不當然無效。置換一個角度考慮，出賣人出賣他人之物的行為在后買受人不知情的情況下，也是一種欺詐行為，依《合同法》第31條規(guī)定，后買受人享有撤銷該合同的權利。《解釋》第9條也規(guī)定：在出賣人已將房屋賣于他人并已履行的，后買受人可以請求撤銷買賣合同，并主張懲罰性賠償金。

二、商品房多重買賣中的物權變動及利益衡平

房屋買賣以轉移房屋所有權為合同目的，同一合同標的難以在多個債權人之間合理分配，是多重買賣合同的特色所在，亦是諸多買受人權利沖突的集中體現(xiàn)。準確界定商品房多重買賣中的物權變動，是保護各方權益的前提條件。

（一）房屋所有權已先行轉移于前買受人時的物權變動

出賣人若已將房屋所有權移轉于前位買受人并辦理所有權登記后，又將該房屋賣于他人，先買受人取得房屋所有權當無疑義。不動產以登記為權利公示公信方法，后買受人可從權屬登記中發(fā)現(xiàn)出賣人非真權利人，從而放棄交易。若其仍愿意與出賣人繼續(xù)交易，則應視為接受了權利不能實現(xiàn)的風險，自然無法取得房屋所有權。為懲戒出賣人的惡意欺詐，依《解釋》第9條三項規(guī)定，后買受人就出賣人的一物數(shù)賣行為可主張不超過已購房款一倍以內的懲罰性賠償金。

（二）出賣人徑行將房屋移轉于后位買受人時的物權變動及法律評價

1.物權行為理論之辯析

欲清楚解析物權變動的內涵，必先厘清物權行為的概念。物權行為是指要發(fā)生物權變動，須獨立于債權契約之外，以直接發(fā)生物權變動為目的設立新的法律行為。債權行為僅是物權行為的原因行為，兩者截然分開，各自獨立，物權行為并不因原因行為無效而無效，即使原因行為無效，仍可發(fā)生所有權變動的效果，此即為物權行為的獨立性、無因性。［3］瀏覽域外法典，關于物權變動大致有四種立法模式。其一，債權意思主義模式，以法國為例，不承認獨立于債權行為的物權行為概念，買賣合同成立時物之所有權即行移轉。其二，登記對抗主義，如日本立法模式，買賣合同一經成立，物之所有權即行移轉，但非經登記不能對抗第三人。其三，登記要件主義，又為區(qū)分原則。典型代表為瑞士，即認可物權行為與債權行為的區(qū)別，但又不承認物權行為的獨立性和無因性。單純的合同行為不會發(fā)生物權變動的效果，還應履行登記等公示行為，方有物權變動之效。其四，物權意思主義，以德國為例，我國臺灣民法亦采此說。該學說由德國歷史法學派創(chuàng)始人薩維尼所創(chuàng)，主張物權行為的獨立性和無因性，即使買賣合同無效或被撤銷，所有權依然發(fā)生轉移。依該說，在商品房多重買賣中即便出賣人損害先買受人利益再次出賣房屋，但若出賣人與后買受人履行了物權變動手續(xù)，后買受人仍可當然取得物之所有權。

2.我國物權變動之立法選擇

我國民法學界及實務界對物權變動模式的選擇亦是眾說紛云。主流觀點是不接受法國的債權意思主義模式和德國的物權行為獨立性、無因性理論，而應沿用我國慣以用之的公示要件主義瑞士模式，同時堅持區(qū)分原則，注意合同效力和所有權轉移的分離和差異。物權行為的獨立性、無因性堪稱嚴謹慎密的邏輯演練體系，固然具有維護絕對交易安全的價值取向，對后位買賣人提供了最完備的權利保障，但因其過于技術性、抽象性，且惡意買賣人亦可一視同仁地獲得物之所有權，實與誠實信用的善良風俗背道而馳，公眾的道德觀、價值觀難以認同。物權無因性理論一定程度上是為法律生活形式之安定而犧牲了法律生活實質之社會正當性，無異于削足適履。［4］事實上物權公示公信原則及善意取得制度同樣可起到維護交易安全之職，盲目崇尚物權獨立性、無因性原則實無必要。我國《物權法》草案，在區(qū)分原因行為與物權行為的同時，也否認了物權行為的獨立性、無因性。［5］《解釋》第8、9條的規(guī)定非常明確地表明了商品房買賣合同中，對于出賣人再處分具有限制或拘束的思想?？梢哉f，司法解釋在此根本沒有涉及物權交易行為的獨立，更不用說無因性原則在法律設置和法律交易上的正當性。因此，該規(guī)定應是對物權交易抽象原則即無因原則的間接否定。［6］3.《解釋》中的物權變動原則及對出賣人、先買受人、后買賣人之利益調整

商品評論范文第4篇

關鍵詞：在線評論；有用性；商品品牌；實證研究；調節(jié)效應

中圖分類號：F713.36 文獻標識碼：A 文章編號：1001-8409（2013）05-0046-05

An Empirical Study on Influence Factors of

Online Reviews’ Helpfulness in E-commerce

LIAO Cheng-lin1，CAI Chun-jiang1，LI Yi2

（1.School of Economics and Business Administration，Chongqing University，Chongqing 400044；

2.School of Economics and Business，Chongqing University of Posts and Telecommunications，Chongqing 400044）

Abstract：This paper，based on an empirical study on 445 valid samples of Amazon，discusses the affecting factors of online reviews’ helpfulness and the mechanism between them.The results indicate that review rating and reviewer ranking have significant negative correlation to reviews’ helpfulness，it review depth and purchasing experience has significant positive correlation to online reviews’ helpfulness.The brand has a moderating effect on theimpact thatreviewer ranking and purchasing experience onreviews’ helpfulness，the impact that reviewer ranking on reviews’ helpfulness in the middle and lowend brand is more significant，and the impact thatpurchasing experience on reviews’ helpfulness in the premium brand is more significant.

Key words：online review；helpfulness；brand；empirical study；moderating effect

1 引言

在線評論作為口碑傳播的一種新形式，是消費者在網絡上，以文本形式為主對商品的評價，這些評價包括對商品的肯定、不滿或個人對特定產品服務的購買和使用感受。網絡用戶可以通過在線社區(qū)或評論網站免費閱讀和分享這些評論[1]。在線評論是獲取商品信息的重要來源之一，是對商品說明、專家評論和系統(tǒng)自動生成的個性化推薦建議的補充。CNNIC針對在線商品評論對網絡消費者購買行為的調查結果顯示，43.3% 的消費者表示在線商品評論是購買決策前最重要的信息來源之一[2]。

Ghose和Ipeirotis等針對搜索型商品，研究評論的主客觀傾向及主客觀混雜度對在線評論有用性的影響[3]。Mudambi等人在借鑒信息經濟學理論的基礎上，將在線評論有用性定義為其他評論者的，有助于消費者購買決策的在線商品評價。并通過對兩類6種商品的研究發(fā)現(xiàn)，評論深度、評論極端性和商品類型都對在線評論有用性產生影響[4]。盡管目前在評論有用性影響因素研究方面已取得一些進展，但大多比較分散，且主要從評論信息內容、商品類型等角度來分析，而消費者在搜集商品信息時，不同品牌之間側重點有所不同，評論者的某些屬性也會影響其評論的認可度，然而少有學者把這兩方面作為研究對象。

本文將商品品牌引入到在線評論有用性影響因素的研究框架之中，結合評論信息屬性和評論者屬性等因素，通過亞馬遜商城445個有效樣本的實證分析，研究了我國電子商務環(huán)境下，商品品牌是否對在線評論有用性具有影響作用，以及如何影響評論的有用性。

2 理論背景與研究假設

2.1 商品品牌

Philip Kotler將商品品牌定義為一種名稱、術語、標記、符號或圖案，或是他們的相互組合，用以識別企業(yè)提供給某個或某群消費者的產品或服務，并使之與競爭對手的產品或服務相區(qū)別[5]。商品品牌之所以重要，是因為消費者對于品牌的選擇與購買直接決定了企業(yè)的營業(yè)收入，進而對企業(yè)的發(fā)展產生重大影響[6]。王等通過實證研究，發(fā)現(xiàn)品牌效應對消費者行為有顯著影響，一個能給消費者帶來深刻印象的品牌總能贏得消費者特別的注意力，一個優(yōu)秀的品牌會得到消費者的認可，在消費者做出購買決策時會首先選擇自己喜愛的品牌[7]。那么商品品牌是否對商品評論有用性產生影響？因此本文將商品品牌作為影響評論有用性的主要因素之一。

2.2 評論信息屬性

2.2.1 評論等級

Krosnick等認為在線評論等級表示消費者對產品和服務的綜合態(tài)度，一般有5個等級，即1星級到5星級，一般情況下將1星級和2星級視為對商品的消極評論或差評，4星級和5星級為好評，3星級最能反映評論的客觀性[8]。在國外電子商務環(huán)境下，Pavlou和Dimoka等通過實證研究，發(fā)現(xiàn)eBay中商品的好評和差評比中評的影響作用更大[9]。Forman等發(fā)現(xiàn)在對書籍的評論中，中評的有用性比好評和差評低[10]。鑒于此，本文認為評論等級是影響評論有用性的一個重要因素。在國內電子商務環(huán)境下，消費者在信息搜尋過程中認為對商品的好評一般帶有購買者的主觀情感傾向，中評比較客觀，而差評往往會揭示商品的缺點或不足，為獲得商品的真實信息，消費者會更多地瀏覽評論者對該商品的中評和差評。在此基礎上提出假設：

H1：評論等級與在線評論有用性顯著負相關，對評論的接受者而言，中評和差評往往具有更高的有用性。

2.2.2 評論深度

彭嵐等從減少消費者決策風險出發(fā)，在感知診斷性概念基礎上定義了評論有用性概念，構建了一個評論有用性影響因素模型。提出評論長度、評論等級、使用互聯(lián)網經驗等是影響評論有用性的重要因素[11]。Mudambi認為信息深入性能夠增加消費者的信心以促進整個決策過程。篇幅較長的評論經常包含更多商品本身，怎樣使用以及在何種情況下使用等信息。評論字數(shù)的多少在某種程度上能夠減少商品質量、性能等屬性的不確定[3]。消費者的品牌形象認知對其品牌選擇行為有重要影響[12]，高端品牌常常給人一種信賴感，消費者不會懷疑該品牌商品的質量、性能等；而中低端品牌沒能成功塑造品牌形象，在購買其商品時，消費者需要搜集更多相關信息來減少對品牌的擔憂，因此提出假設：

H2：商品品牌對評論深度對在線評論有用性的影響具有顯著調節(jié)作用，在中低端品牌中，評論深度對評論有用性影響更為顯著。

2.3 評論者屬性

2.3.1 評論者排名

J B Fogg等認為，名聲可信度是指信息來源具有社會地位或專家形象[13]。郭國慶等將評論者資信度引入在線評論可信度研究，發(fā)現(xiàn)評論者資信度越高，在線商品評論的有用性或可信度越高[14]。在虛擬社區(qū)中，排名靠前的必定是那些積極參與討論的成員，在群體中具有較大的號召力，發(fā)表的商品評論會得到更多的關注，能為消費者做出購買決策提供有力的支持。尤其在購買中低端品牌商品時，發(fā)表評論的評論者排名越靠前，消費者認為該評論的可信度越高，因此提出假設：

H3：商品品牌對評論者排名對在線評論有用性的影響具有顯著調節(jié)作用，在中低端品牌中，評論者排名對評論有用性影響更為顯著。

2.3.2 購買經驗

購買經驗指評論者在做出評價以前是否已經購買過該商品。王平等將購買經驗作為一個主要研究因素，結合商品類型的差異，構建消費者在線評論有用性影響因素模型，發(fā)現(xiàn)評論者購買經驗是評論有用性的一個重要影響因素[15]。亞馬遜在線商城頁面上已購買商品的評論者會以紅色字體顯示“購買過此商品”，但不能保證未顯示購買該商品的評論者是否在其他商城有購買行為。消費者在選擇商品時，經常會受到他人對商品的認識和使用經驗的影響，這些意見和看法有時會直接影響消費者的購買決策。由于高端品牌更加注重消費者體驗及其購買價格昂貴，消費者在做出購買決策前通常會向具有購買或使用經驗的消費者征求意見，因此他們發(fā)表的商品評論更具說服力。

H4：商品品牌對評論者購買經驗對評論有用性的影響具有顯著調節(jié)作用，在高端品牌中，購買經驗對評論有用性影響更為顯著。

基于以上文獻，本文構建了商品品牌與評論信息屬性、評論者屬性、評論有用性之間影響機制的概念模型，如圖1所示。該模型表明：（1）評論等級、評論深度、評論者排名及購買經驗對在線評論有用性具有顯著影響；（2）商品品牌可能對評論等級、評論深度、評論者排名及購買經驗對在線評論有用性的影響具有調節(jié)作用。

3 實證分析

3.1 數(shù)據(jù)收集

數(shù)據(jù)來源于亞馬遜商城商品頁面中的用戶商品評論，選擇了高端和中低端品牌的3類商品，包括MP3播放器、手機、數(shù)碼相機。選擇這3類商品主要是考慮到與其他商品相比擁有大量的商品評論，同時高端和中低端品牌易于區(qū)分。

商品的評論必須包含以下5個方面的數(shù)據(jù)：（1）發(fā)評者空間排名；（2）發(fā)評者是否已購買該產品；（3）評論文本內容；（4）評論有用票數(shù)；（5）評論總投票數(shù)。對上述商品，共收集了發(fā)表時間截止到2011年10月31日的總投票數(shù)不少于1的480條在線評論，篩選出提問等其他不符合評論條件的35條，得到有效評論445條。

3.2 變量設計

本文將評論有用性作為因變量，并用評論有用票數(shù)與總投票數(shù)的比值來度量評論有用性，由于在選取商品評論時總投票數(shù)不少于1，因此，該值是一個0～1的連續(xù)值（不包含0）。

自變量有評論等級、評論深度、評論者排名和購買經驗。本文將評論等級視為從1～5的連續(xù)變量；評論深度用評論文本的字數(shù)加以測量，該指標是一個取值大于0的連續(xù)型變量；亞馬遜在線評價系統(tǒng)自動按照評論者對商品的評論以及評論有用性等因素對其進行排名，取值是大于1的連續(xù)數(shù)值，取值越大，排名越靠后?？紤]到評論者等級太低，消費者對其評論的采納率也相對較低，對研究的貢獻很少，因此，將評論者等級鎖定在1～100000以內。將購買經驗定義為1個二值變量，“0”表示未購買，“1”表示已經購買。

為了探討不同商品品牌中評論有用性影響效應的差異，引入商品品牌作為模型中的調節(jié)變量，并將其定義為1個二值變量，“0”表示中低端品牌，“1”表示高端品牌。

3.3 數(shù)據(jù)分析

為檢驗評論等級、評論深度、評論者排名和購買經驗是否對評論有用性具有顯著影響，本文首先對上述因素進行多元線性回歸，各因素都達到了較高的顯著性水平（p

由表3可知，各指標對評論有用性存在顯著的影響。由交互效應的分析發(fā)現(xiàn)，商品品牌對評論者排名和購買經驗對評論有用性的影響有著顯著的調節(jié)作用。為了進一步探討不同品牌具體的影響效應，分別對高端和中低端商品進行多元線性回歸分析，結果見表4、表5。

4 結果討論

從實證結果來看，本文提出的假設H1、H3、H4都得到支持，H2未得到檢驗。

（1）假設H1得到支持，由表3可知，評論等級的系數(shù)為負，說明評論等級越高其有用性越小。評論等級是評論者根據(jù)商品介紹或自身的使用體驗給出的綜合評價，在消費者購買商品之前會多方面搜集信息，評論等級越高，很可能說明購買者沒有深入了解商品，無法得知其優(yōu)缺點，而中評和差評一般是購買者結合自身使用經驗給出的評論，因此具有更高的價值。

（2）假設H2未得到驗證。評論篇幅越長，涉及到對商品的介紹和評價越多，瀏覽該評論的消費者也會獲得更多有用信息，因此，評論深度對消費者的購買決策起到了正向的指導作用。無論在高端或中低端品牌中，評論深度都對評論有用性有顯著正向影響（sig

（3）假設H3得到支持。評論者排名可以體現(xiàn)評論者的權威性，排名靠前意味著具有良好的專業(yè)知識、豐富的經驗和更深刻的認識，積極活躍地參與群體討論、信息和知識共享，發(fā)表的商品評論具有較高的參考價值，能夠對評論有用性產生顯著的正向影響作用。特別是在中低端商品中，消費者在做出購買決策之前，會努力尋求排名靠前的評論者的評論。

（4）假設H4得到支持。有購買經驗的消費者的評論往往具有更高的有用性，在使用商品之后，消費者能更好地了解商品的性能、質量，并結合自身體驗，總結出商品的優(yōu)缺點等。從表3和表4的比較可知，購買經驗對高端商品評論有用性的影響顯著于中低端商品，是因為高端商品更加注重消費者體驗及其購買價格昂貴，因此有購買經驗的評論者的評論對消費者更具有參考意義。

根據(jù)實證結果對概念模型進行修正，修正后的模型如圖2所示。

5 結語

本文借助于實證研究方法，探討了我國電子商務環(huán)境下在線商品評論有用性的影響因素以及各因素之間的作用機制。結果表明，評論信息屬性和評論者屬性都對評論有用性具有顯著影響。其中，評論等級和評論者排名與評論有用性顯著負相關，評論深度和購買經驗與評論有用性顯著正相關。商品品牌對評論者排名和購買經驗對評論有用性的影響具有顯著調節(jié)作用。本文的研究結果為國內電子商務市場實踐提供了以下幾方面的啟示：

（1）重視消費者關于商品的中評和差評。研究表明，消費者在搜集商品相關信息時，會更加注重評論者給予的中評和差評。因此商家應該根據(jù)這類評論，找到消費者給予消極評論的原因，并不斷改進商品或改善服務等。

（2）規(guī)范消費者評論。評論網站應該引導消費者對商品做出規(guī)范的評論，如應該盡可能地描述商品的特性、功能等屬性，或結合自身的使用體驗闡述商品的優(yōu)缺點等，給潛在的消費者提供真實可靠的信息。

（3）對不同品牌的商品評論有所側重。本文研究表明，商品品牌對評論者排名和購買經驗對評論有用性的影響具有調節(jié)作用，評論網站或商家可以根據(jù)商品品牌的市場定位，將消費者最關注的評論以不同的方式呈現(xiàn)，這樣可以減少消費者的搜索成本，同時增強其購買欲望。

（4）提高網上商城或企業(yè)的應急處理能力。研究表明，在線商品評論會影響消費者購買行為，如果出現(xiàn)排名靠前且有購買經驗的評論者，利用其自身優(yōu)勢在商品頁面虛假信息的情況，為避免給商家和潛在消費者造成重大損失，需要網上商城和企業(yè)時時關注信息更新，并建立一套有效的應急管理方案，積極采取補救措施。

當然，本研究還存在不足。首先，用評論的字數(shù)來度量其深度不夠精確，因為有些評論雖然篇幅很長，但是包含的有用信息不多，對消費者而言價值有限。其次，用評論者排名來度量評論者屬性不夠全面，可將評論者的學歷、年齡、網絡購物時間等作為研究因素。為此，本文的后續(xù)研究將引入文本挖掘方法，用文本的特征等屬性來度量其深度，同時區(qū)分商品類別，比如分為搜索型商品和體驗型商品，從而更全面更深入地研究影響評論有用性的因素。

參考文獻：

[1]Godes D，D Mayzlin，Using Online Conversation to Study Word-of-mouth Communication[J].Marketing Science，2004，23（4）：545-560.

[2]中國互聯(lián)網信息中心（CNNIC）.2009年中國網絡購物市場研究報告[R]，2009，（11）：38- 42.

[3]Ghose A，P Ipeirotis，A Sundararajan.The Dimensions of Reputation in Electronic Markets[J].Working Paper，New York University，2005，（12）：02.

[4]Susan M，Mudambi，David Schuff.What Makes a Helpful Online Review？ A Study of Customer Reviews on [J].MIS Quarterly，2010，1（34）：185-200.

[5]菲利普.科特勒，凱文.萊恩.凱勒.營銷管理[M]，上海人民出版社，2009，11.

[6]Kevin Lane Keller，Donald R Lehmann.Brands and Branding：Research Findings and Future Priorities [J]，Marketing Science，2006，25（6）：740-759.

[7]王，周學春.象征型品牌的效應——從意義到忠誠[J]，管理科學，2011，24（4）：41-53.

[8]Krosnick J A，Boninger D S，Chuang Y C，Berent M K，Camot C G.“Attitude Strength：One Construct or Many Related Constructs？” [J]，Journal of Personality and Social Psychology，1993，65（6）：1132-1151.

[9]Pavlou P，Liang H，Xue Y.Uncertainty and Mitigating Uncertainty in Online Exchange Relationships：A Principal-Agent Perspective [J]，MIS Quarterly，2007，31（1）：105-131.

[10]Forman C，Ghose A，Wiesenfeld B.Examining the Relationship Between Reviews and Sales：The Role of Reviewer Identity Disclosure in Electronic Markets [J]，Information Systems Research，2008，19（3）：291-313.

[11]彭嵐，周啟海，等.消費者在線評論有用性影響因素模型研究[J]，計算機科學，2011，8（38）：205-207.

[12]關輝，董大海.品牌形象對消費者行為傾向影響的實證研究[J]，中國流通經濟，2007，7：42-45.

[13]B J Fogg，Hsiang Tseng.The Elements of Computer Credibility [J]，Proceedings of the SIGCHI Conference on Human Factors in Computing Systems，1999，80-87.

[14]郭國慶，陳凱，等.消費者在線評論可信度的影響因素研究[J]，當代經濟管理，2010，10（32）：17-23.

商品評論范文第5篇

關鍵詞：產品評論；SVM；搭配識別；情感分析

中圖分類號：TP393 文獻標識碼：A 文章編號：2095-1302（2016）11-00-04

0 引 言

隨著Web技術和電子商務的發(fā)展，越來越多的人在各大電商上對自己買過的產品發(fā)表評論，這些信息絕大部分代表著者的觀點或主觀情感。商家如果能夠得到用戶的這些反饋，將有助于商家的下一步生產和銷售決策。而其他準備購買該商品的顧客也可以根據(jù)這些反饋來更好地幫助自己決定該商品是否值得購買。因此對這些情感信息進行有效的自動分析并構建相應系統(tǒng)成了當今的熱門研究問題之一。

產品評論的挖掘分析主要是基于句子級別的情感分析，其主要任務有識別并獲取產品的特征或屬性，定位用戶的主觀性評論，抽取評論搭配，判別用戶評論的褒貶[1]。本文構造的系統(tǒng)以屬性詞詞典，情感詞詞典以及程度詞詞典和否定詞詞典為基礎，通過SVM分類法對屬性詞和程度詞的搭配進行識別，進而分析評論的褒貶。

1 相關研究

Probst等[2]利用監(jiān)督學習技術抽取屬性詞―評論詞關系對。Yohan等[3]基于LDA模型提出SLDA模型。實驗表明，該類方法在抽取產品特征中有一定的效果。栗春亮等[4]利用百度百科和分詞后相鄰的詞語同現(xiàn)比例來識別專業(yè)領域內的生詞，在中文產品評論語料中設計詞性組合模板來得到候選屬性詞集，然后利用一定的規(guī)則對其過濾。Qiu[5]等通過研究評價詞和評價對象間的關系模式，提出用一種雙向傳播算法進行抽取。本文對產品屬性詞的抽取主要借鑒文獻[4]中提到的方法，得到1 500個屬性詞，作為屬性詞詞典。情感詞典的構建方式主要有人工和基于詞典兩種。目前主要使用的詞典有董振東和董強編撰的HOWNET情感詞典和臺灣大學編撰的NTU情感詞典。Hassan等[6]使用馬爾科夫隨機游走模型計算詞語的情感權值。柳位平等[7]在中文詞語相似度計算方法的基礎上提出了一種中文情感詞語的情感權值計算方法，并以HOWNET情感詞語集為基準，構建了中文基礎情感詞典。陽愛民等[8]選用若干個情感種子詞，利用搜索引擎返回共現(xiàn)數(shù)，通過改進的PMI（Pointwise Mutual Information，PMI）算法計算情感詞的情感權值。李壽山等[9]借助機器翻譯系統(tǒng)，結合雙語言資源的約束信息，利用標簽傳播算法（LP）計算詞語的情感信息。本文主要根據(jù)文獻[8]提出的方法，構建一個在產品評論分析中使用的情感詞典，部分詞如圖1所示。程度詞和否定詞詞典使用王文華等[10]提出的相應詞典。

詞集 極性 情感詞

P_set 正向 著名，好，積極，和諧，青春，成熟，善良，文明，出色，舒服，純真，得體，美麗，創(chuàng)造力，寬容，昌盛，感激，優(yōu)秀，美好，燦爛，誠實，給力，帥呆，霸氣，淳樸，漂亮，美妙，輝煌

N_set 負向 罪惡，詛咒，暴殄天物，郁悶，傻逼，變態(tài)，慘不忍睹，痛苦，垃圾，失敗，委屈，毛病，扭曲，詭異，畸形，悲慘，崩潰，弱爆，狠毒，假冒，水貨，粗暴

對屬性詞和情感詞的搭配識別可以看成是一個分類問題，常用到的分類算法包括樸素貝葉斯分類器（Naive Bayesian Classifier）、基于支持向量機（Support Vector Machine，SVM）的分類器、k-最近鄰法（k-Nearest Neighbor，kNN）、決策樹（decision tree）分類法、最大熵模型（Maximum Entropy， ME）等，本文使用SVM作為搭配識別的分類器，搭配規(guī)則使用文獻[10]中提到的8條規(guī)則。

2 情感分析系統(tǒng)的需求分析和設計目標

2.1 需求分析

產品評論情感分析系統(tǒng)用來對電子商務網站上的產品評論進行搜集分析。

（1）該系統(tǒng)首先對某個站點進行頁面抓取、內容提取，得到用戶對產品的大量評論信息；

（2）進行分詞、關鍵信息抽取；

（3）對這些評論信息進行分析，挖掘出用戶對產品各種屬性的情感傾向以及對整個產品乃至商家的褒貶傾向；

（4）將結果進行展示，從而有效輔助希望購買產品的用戶進行合理的消費判斷，同時也能夠幫助產品生產商做下一步生產和銷售決策。

根據(jù)這些需求，可以對本系統(tǒng)做出如下需求分析：

（1）能夠抓取產品評論頁面并能對頁面中的評論內容進行提取。

（2）能夠從評論文本中抽取情感信息。

（3）能夠有效搭配識別分類。

（4）能夠準確進行屬性情感極性分析和文本情感的傾向判斷。

（5）預留開發(fā)接口，能方便的對搭配識別分類算法進行更改。

（6）能夠將結果以用戶易于理解的方式展示出來。

由此可以得出圖2所示的產品評論情感分析系統(tǒng)的工作流程。

2.2 設計目標

通過需求分析，可以將系統(tǒng)功能劃分為網頁抓取及頁面內容提取模塊、情感信息提取模塊、情感分析模塊。

（1）網頁抓取及頁面內容提取模塊實現(xiàn)網頁抓取及頁面文本提取的功能。

（2）情感信息提取模塊負責從抓取到的頁面或者用戶自定義的文本中抽取出關鍵情感信息。

（3）情感分析模塊對情感信息提取模塊抽取出的關鍵情感信息進行情感分析，得出結論。

對中間信息以及最后的結論信息進行存儲，并通過用戶容易理解的方式進行結果展示。一個優(yōu)秀的軟件系統(tǒng)首先要實現(xiàn)系統(tǒng)需要的各個功能模塊，其次要達到系統(tǒng)的性能指標，最后還要為用戶提供高可靠性的服務。所以，系統(tǒng)設計時應當考慮到如下幾個方面：

（1）功能性。本系統(tǒng)該實現(xiàn)需求分析中提出的各項功能。

（2）有效性。能夠對產品評論進行有效的情感分析。由于使用現(xiàn)有語料進行的封閉性測試比直接采集互聯(lián)網信息所得的結果低一些，因此系統(tǒng)對產品評論文本進行情感分析后的準確率要比算法設計過程中的測試結果高。

（3）易用性。系統(tǒng)應該操作方便，使用簡單，展示的結果容易理解。

（4）可維護性。系統(tǒng)應該能夠方便的對內置情感分析算法進行替換、維護，以便將來對算法進行改進。

（5）健壯性。系統(tǒng)應該運行穩(wěn)定，出現(xiàn)意外后退出能重新啟動。

3 情感分析系統(tǒng)的設計與實現(xiàn)

根據(jù)上節(jié)對系統(tǒng)進行的需求分析和目標設計，本節(jié)對整個系統(tǒng)的功能進行了劃分，得出了圖3所示的系統(tǒng)功能模塊圖。

圖3將產品評論情感分析系統(tǒng)劃分成評論信息獲取模塊、信息預處理模塊、情感分析模塊。

3.1 頁面抓取

頁面抓取模塊主要用一個網絡爬蟲來完成。使用Apache的HTTP客戶端開源項目HttpClient，HttpClient提供HTTP的訪問主要通過GetMethod類和PostMethod類來實現(xiàn)，它們分別對應HTTPGet請求與HttpPost請求。具體抓取操作流程如圖4所示。

3.2 頁面內容提取

頁面內容提取的方法很多，有基于統(tǒng)計的、基于規(guī)則的、機器學習的，還有基于DOM樹的?；贒OM樹的方法將頁面中的內容和結果看成是一棵樹。Java有一個非常實用的開源工具包HtmlParser，主要靠Node、AbstractNode和Tag等數(shù)據(jù)結構來構造HTML的樹形結構，包括RemarkNode和TextNode。單個頁面內容提取的流程圖如圖5所示。

在不同的網站中，頁面內容的HTML標簽不同，因此需要對不同網站設計不同的提取模板。在這里用正則表達式來區(qū)分不同的網站，首先將同一個頁面提取模板的一組URL構造成一個或多個正則表達式，然后判斷網頁的URL與正則表達式是否匹配，進而選擇頁面提取模板。

3.3 分詞模塊

中科院計算所開發(fā)的ICTCLAS（Institute of Computing Technology，Chinese Lexical Analysis System）分詞系統(tǒng)是目前世界上較好的中文分詞系統(tǒng)，本文使用其Java版本ICTCLAS4J。使用MyLexicon類描述分詞模塊，該模塊的成員如圖6所示。

addDictionary（fileName）方法使用ICTCLAS4J提供的ICTCLAS50類的ICTCLAS_ImportUserDictFile（usrdirb， n）方法，該方法返回導入用戶詞語個數(shù)，第一個參數(shù)為用戶字典路徑，第二個參數(shù)為用戶字典的編碼類型。textProcess（str）方法使用ICTCLAS50類的ICTCLAS_ParagraphProcess（）方法分詞。對得到的字符串按照空格分開，讀取存放屬性詞典和情感詞典的資源文件，對分割好的的每一個詞與資源文件中的詞語進行對比，提取出屬性詞和情感詞，構成屬性詞集attrset和情感詞集sentset。

3.4 分析預處理

分析預處理模塊工作過程如下：

（1）在分詞的基礎上形成屬性詞集合和情感詞集合；

（2）將兩個集合作笛卡爾乘積得到形如若干三元組；

（3）根據(jù)8條搭配分析規(guī)則，形成原始模板；

（4）得到帶有原始模板的擴展三元組。

用Preprocess類來描述分析預處理模塊，該模塊的成員如圖7所示。

屬性詞集合、情感詞集合、三元組、原始模板都用數(shù)組來描述，getTriple（）、getPattern（）為私有方法，該類只對外提供getNewtriple（）方法。

3.5 搭配識別模塊

這里使用林智仁等開發(fā)的libsvm軟件包，在系統(tǒng)中，將該子模塊封裝成Classifier類，主要提供模型的訓練和對新文本進行搭配識別的分類功能。該類的成員如圖8所示。

libsvm的數(shù)據(jù)格式為： ： ：……

使用SVM分類器對文本進行分類，若返回值為1表示搭配，則將newtriple保存，用于下一步的情感分析判斷；若返回值為-1則表示不搭配。precise（datapath， percent）函數(shù)用來對算法的準確度進行測試，包含datapath和percent兩個參數(shù)。datapath表示訓練數(shù)據(jù)所在路徑，percent表示訓練數(shù)據(jù)占總數(shù)據(jù)的比例，默認的percent取0.5，即隨機取一半的數(shù)據(jù)作為訓練，另一半數(shù)據(jù)進行測試。返回值為分類的準確率。

3.6 情感分析判斷

根據(jù)節(jié)文本情感傾向判斷過程進行的描述，得到圖9所示的情感分析判斷流程。

用Analysis類來描述情感分析判斷模塊。該類的成員如圖10所示。

judge（）方法用以判斷sentiment的值，大于0為正向情感，小于0為負向情感。

4 結 語

整個系統(tǒng)操作界面由評論提取部分、輸入（導入）評論部分和情感分析部分組成。用戶在輸入框中輸入產品評論的地址，點擊“提取評論”按鈕后，系統(tǒng)自動將產品評論頁面抓取下來并將評論提取出來，保存到默認路徑下的文件中。點擊“保存”按鈕可以手動選擇路徑和保存的文件名。 用戶要想對提取的評論進行分析時，可以點擊“導入”按鈕，選取指定的評論文件，此時文件中的內容將顯示在文本框中，輸入評論后，點擊“情感分析”按鈕即可將產品評論文本情感分析的結果顯示出來，如圖11所示。

對系統(tǒng)的準確性進行測試驗證，選取兩款不同的手機評論進行分析。分別從京東商城網站上的手機評論頁面抓取評論，從中各選出600篇評論進行人工情感傾向判斷，然后與系統(tǒng)的分析結果進行比對，統(tǒng)計分析正確的正負評論與計算準確率。計算結果如表1所示。

根據(jù)以上對兩款不同手機的評論進行分析統(tǒng)計的結果可知，準確率分別為91.2%和90.8%，滿足系統(tǒng)設計目標的準確性要求，表明系統(tǒng)能夠對產品評論進行有效的情感分析。

參考文獻

[1]魏，向陽，陳千.中文文本情感分析綜述[J].計算機應用，2011，31（12）：3321-3323.

[2]Probst K， Ghai M K R， Fano A. Semi-supervised Learning of Attribute- value Pairs from Product Descriptions[A]. IEEE Press， 2007， 2838-2843.

[3]Yohan Jo， Alice Oh. Aspect and Sentiment Unification Modelfor Online Review Analysis[A]. 2011.

[4]栗春亮，朱艷輝，徐葉強.中文產品評論中屬性詞抽取方法研究[J].計算機工程，2011，37（12）：26-28.

[5] Liu G， Bu J， Chen C， et al. Opinion Word Expansion and Target Extraction Through Double Propagation[J]. Computational Linguistics， 2011， 37（1）： 9-21.

[6]Hassan A， Radev D. Identifying text polarity using random walks [C]. Proceedings of Annual Meenting of the Association for Computational Linguistics（ACL-2010）， Uppsala， 2010： 395-403.

[7]柳位平，朱艷輝，栗春亮，等.中文基礎情感詞詞典構建方法研究[J].計算機應用，2009，29（10）：2875-2877.

[8]陽愛民，林江豪，周詠梅，等.中文文本情感詞典構建方法[J].計算機科學與探索，2013，7（11）：1033-1039.