基于知识采纳模型的在线评论有用性识别——以大众点评网为例

发布时间：2022-11-12 13:16:55

２０１７年６月　Ｊｕｎｅ　２０１７　情报探索　Ｉｎｆｏｒｍａｔｉｏｎ　Ｒｅｓｅａｒｅｈ　第６期（总２３６期）　Ｎｏ．６（Ｓｅｒｉａｌ　Ｎｏ．２３６）　基于知识采纳模型的在线评论有用性识别　——以大众点评网为例　唐艺楠徐德华　２０００９２）　（同济大学经济与管理学院　上海摘要：［目的／意义］旨在自动识别高质量的在线评论　［方法／过程］以大众点评网某商家２３９８条评论为样本，提取其评论文　本特征和评论者特征，采用监督学习的方法进行评论质量识别。【结果，结论］５种质量分类算法中，ＧｒａｄｉｅｎｔＢｏｏｓｔｉｎｇ模型和Ａｄ．　ａＢｏｏｓｔｉｎｇ模型效果最好。这２种模型中，对分类结果贡献度最高的是评论词语总数，评论文本广度对评论有用性有正向影响：相　对于消极情感值，积极情感值有更大的贡献度；评论者特征中，评论者的贡献值对评论有用性影响最大。　关键词：在线餐饮评论；有用性；评论文本特征；评论者特征；文本分类　中图分类号：Ｆ７１３．３６５．２　文献标识码：Ａ　ｄｏｋｌＯ．３９６９￣．ｉｓｓｎ．１００５—８０９５．２０１７．０６．００２　Ｋｎｏｗｌｅｄｇｅ　Ａｄｏｐｔｉｏｎ　Ｍｏｄｅｌ—－ｂａｓｅｄ　Ｏｎｌｉｎｅ　Ｒｅｖｉｅｗｓ　Ｈｅｌｐｆｕｌｎｅｓｓ　Ｉｄｅｎｔｉｉｃａｔｉｆｏｎ：　Ｃａｓｅ　Ｓｔｕｄｙ　ｏｆ　Ｄｉａｎｐｉｎｇ　Ｗｅｂｓｉｔｅ　Ｔａｎｇ　Ｙｉｎａｎ　Ｘｕ　Ｄｅｈｕａ　（Ｓｃｈｏｏｌ　ｏｆ　Ｅｃｏｎｏｍｉｃｓ　ａｎｄ　Ｍａｎａｇｅｍｅｎｔ　ｏｆ　Ｔｏｎｇｊｉ　Ｕｎｉｖｅｒｓｉｔｙ，Ｓｈａｎｇｈａｉ　２０００９２）　Ａｂｓｔｒａｃｔ：［Ｐｕｒｐｏｓｅ／ｓｉｇｕｌｆｉｃａｎｃｅ］Ｔｈｅ　ｐａｐｅｒ　ｉｓ　ｔｏ　ａｕｔｏｍａｔｉｃａｌｌｙ　ｉｄｅｎｔｉｆｙ　ｈｉｇｈ　ｑｕａｌｉｔｙ　ｏｎｌｉｎｅ　ｒｅｖｉｅｗｓ．［Ｍｅｔｈｏｄ／ｐｒｏｃｅｓｓ］Ｔｈｅ　ｐａｐｅｒ　ｔａｋｅｓ　ａ　ｍｅｍｈａｎｔ’Ｓ　２３９８　ｒｅｖｉｅｗｓ　ｏｎ　Ｄｉａｎｐｉｎｇ　ｗｅｂｓｉｔｅ　ａｓ　ｓａｍｐｌｅ，ｅｘｔｒａｃｔｓ　ｔｈｅｉｒ　ｔｅｘｔ　ｆｅａｔｕｒｅｓ　ａｎｄ　ｒｅｖｉｅｗｅｒ　ｆｅａｔｕｒｅｓ，ａｎｄ　ａｄｏｐｔｓ　ｓｕｐｅｒ－　ｖｉｓｅｄ　ｌｅａｒｎｉｎｇ　ｍｅｔｈｏｄ　ｔｏ　ｄｏ　ｒｅｖｉｅｗｓ　ｈｅｌｐｆｕｌｎｅｓｓ　ｉｄｅｎｔｉｉｆｃａｔｉｏｎ．［Ｒｅｓｕｌｔ／ｃｏｎｃｌｕｓｉｏｎ］Ａｍｏｎｇ　５　ｑｕａｌｉｔｙ　ｃｌａｓｓｉｉｆｃａｔｉｏｎ　ａｌｇｏｉｒｔｈｍｓ，Ｇｒａｄｉｅｎｔ—　Ｂｏｏｓｔｉｎｇ　ｍｏｄｅｌ　ａｎｄ　ＡｄａＢｏｏｓｔｉｎｇ　ｍｏｄｅｌ　ｗｏｒｋ　ｔｈｅ　ｂｅｓｔ．Ｔｈｅｓｅ　ｔｗｏ　ｍｏｄｅｌｓ　ｓｈｏｗ　ｔｈａｔ　ｔｈｅ　ｈｉｇｈｅｓｔ　ｃｏｎｔｒｉｂｕｔｉｏｎ　ｔｏ　ｃｌａｓｓｉｉｆｃａｔｉｏｎ　ｒｅｓｕｌｔｓ　ｉｓ　ｔｏｔａｌ　ｎｕｍｂｅｒ　ｏｆ　ｃｏｍｍｅｎｔａｒｙ　ｗｏｒｄｓ；ｔｈｅ　ｗｉｄｔｈ　ｏｆ　ｒｅｖｉｅｗ　ｔｅｘｔ　ｈａｓ　ｐｏｓｉｔｉｖｅ　ｉｎｆｌｕｅｎｃｅ　ｏｎ　ｒｅｖｉｅｗ　ｈｅｌｐｆｕｌｎｅｓｓ；ｐｏｓｉｔｉｖｅ　ｅｍｏｔｉｏｎ　ｖａｌｕｅ　ｈａｓ　ｍｏｒｅ　ｃｏｎｔｉｒｂｕｔｉｏｎ　ｔｈａｎ　ｐａｓｓｉｖｅ　ｅｍｏｔｉｏｎ　ｖａｌｕｅ；ａｎｄ　ｒｅｖｉｅｗｅｒ’Ｓ　ｃｏｎｔｒｉｂｕｔｉｏｎ　Ｖａｌｕｅ　ｈａｓ　ｔｈｅ　ｇｒｅａｔｅｓｔ　ｉｍｐａｃｔ　ｏｎ　ｒｅｖｉｅｗ　ｈｅｌｐｆｕｌｎｅｓｓ　ａｍｏｎｇ　ｔｈｅ　ｒｅｖｉｅｗｅｒ￣ａｔｕｒｅｓ．　Ｋｅｙｗｏｒｄｓ：ｏｎｌｉｎｅ　ｃａｔｅｒｉｎｇ　ｒｅｖｉｅｗ；ｈｅｌｐｆｕｌｎｅｓｓ；ｒｅｖｉｅｗ　ｔｅｘｔ　ｆｅａｔｕｒｅ；ｒｅｖｉｅｗｅｒ　ｆｅａｔｕｒｅ；ｔｅｘｔ　ｃｌａｓｓｉｉｆｃａｔｉｏｎ　在线评论是网络口碑的一种重要形式，一般指　增加有用性投票数。有用性投票数占总投票数比例　越高，评论质量越高。电商网站会为用户提供有用性　投票数占比高的评论。然而，这种有用性衡量方法存　在特定偏差．即不平衡投票偏差、胜利者怪圈偏差和　早起鸟偏差。［　另外，有用性投票数可以通过作弊获　潜在或实际消费者在电子商务或第三方评论等网站　上发表产品或服务的正面或负面观点。［１　无论是电　商平台还是网络社区都开辟了用户评论区，这些评　论不仅能为在线零售商提供额外的收益，还有助于　消费者更全面地了解产品，降低购买风险。然而面对　海量商品评论，消费者往往无法读完所有评论，过多　的评论会给消费者带来阅读阻碍。如何自动识别高　质量评论变得日益迫切。目前。已有不少研究指出：　有用性越高的在线评论对消费者的说服效果越好，　得，存在部分用户恶意选择“有用”或者“无用”。［４］可　见，采用有用性投票数衡量评论质量并不是一个很　好的方法。因此，如何能自动识别高质量的评论，而　不依赖有用性投票数就显得尤为重要。　１　评论有用性分析文献综述　１．１评论有用性因素分析　更能影响消费者做出购买决策。　在很多电商网站　上，如果用户认为评论有用，则点击相关按钮，从而　Ｓｕｓｓｍａｎ等提出信息接收模型，该模型首次定　收稿日期：２０１７一Ｏｌ一０６　作者简介：唐艺楠（１９９３一）女，硕士研究生，主要从事电子商务研究；徐德华（１９６８一）男，副教授，主要从事管理信息系统与电子　商务研究。　８　
２０１７年６月　唐艺楠等：基于知识采纳模型的在线评论有用性识别　第６期（总２３６期）　义了信息有用性概念，认为信息内容质量、信息源　可靠性是影响接收者感知信息有用性的直接因　素。［ｓ　分析相关文献可以发现，学术界对于评论质量　的评价主要从评论文本特征和评论者特征２个方面　进行。评论文本特征又可分为评论内容特征和评论　外在特征。评论内容特征包括主客观情感倾向、积极　或消极情感倾向、评论句的主题分布等；评论外在特　征包括星级评分、评论长度、评论词语数量、评论发　评论者经验、评论的写作风格、评论的及时性。Ｅｌ６］　１．２研究述评　现有的较为成熟的研究大多采用亚马逊的评论　集以及ＩＭＤＢ电影评论集，对餐饮评论的涉及较少，　仅有为数不多的几篇，而且这几篇都是针对Ｙｅｌｐ评　论进行分析。如Ｌｉ对Ｙｅｌｐ餐厅评论进行分析，认为　评论中所提及的特征有食物口味、位置、服务、价格、　等待时间、付款方式等，但是回归分析发现，用户声　誉是影响评论有用性的显著因素，而评论中是否提　表的时间等。评论者信息包括个体描述信息、评论发　表经验、专家及信誉表征等。＿６　有学者对评论内容特征进行分析。Ｋｉｍ将评论　内容特征分为５类。即结构、词汇、语义、语法和元数　据特征，用ＳＶＭ方法进行分类，发现词汇特征，即通　过ＴＦ／ＩＤＦ得到的一元语言模型、评论长度对评论质　量有直接作用。　Ｌｉｕ从产品设计者角度研究影响评　论有用性的因素，采用回归模型进行分析，发现词语　数量、形容词数量、副词数量和句子数量对有用性评　价起重要作用。ＥＳ］Ｚｈａｎｇ采用支持向量回归和简单线　性回归算法进行分析，发现浅层语义特征是影响亚　马逊评论有用性投票的关键因素。浅层语义特征包　括专有名词、数字、情态动词、感叹词、形容词和副词　数量等。［９　郝嫒媛发现电影评论的情感倾向对评论　有用性影响较大。标题和内容越趋于积极，有用性越　高：正负情感混杂度越高或主客观表达形式混杂度　越高，评论有用性越高。［１０　３　还有学者结合评论外在特征进行分析。如　Ｃｆｉｓｔｉａｎ对亚马逊书籍评论进行分析．发现除了评论　内容，评论者对商品的评分与平均分之间的关系也　影响评论有用性。与平均分越接近的评论有用性越　高。［１１］然而，Ｃａｏ对ＣＮＥＴ软件评论进行分析，发现　观点或者评分极端的评论对用户的有用性更大。［　殷国鹏对豆瓣网的数据采用ｌｏｇｉｓｔｉｃ模型进行分析，　发现某一评论的评级与平均星级存在负向差异时，　个体会倾向于认可大众意见：当存在正向差异时。个　体会认为该评论提供增量信息。　此外，评论者特征也是评论有用性分析中重要　的组成部分。Ｆｏｒｍａｎ认为，资深用户的评论更能带来　产品或销量的提升。［１　ｌＨｕ认为用户不仅关注产品评　分，同时也关注评论者的信誉和评论者的历史评论　数。Ｅｌ４７Ｇｈｏｓｅ对亚马逊数据集采用计量回归模型进行　分析，得出除了评论的主观性、可读性，评论者相关　特征对评论质量有显著影响．并采用随机森林分类　器预测评论有用性。［１　］Ｌｉｕ认为评论的有用性取决于　及餐馆的细节则没有显著影响。　我们无法得知这　些结论是否适合中国餐饮市场和中国消费者。本文　以大众点评网（以下简称：点评网）为语料来源，抓取　某一商家的２３９８条评论，除文本内容，还抓取评论　者特征以及元数据特征。目前．所能找到基于点评网　评论进行有用性分析的文章只有１篇。栾攀认为，文　本深度适中（即长度适中）对用户来说更有用，评论　者信用和评论者声望与评论有用性有显著相关。［１８３　此外，对不同的评论样本．学者们采用不同的特　征进行质量分析，不同的特征会产生不同的研究结　论，有些结论甚至是相互驳斥的。我们同样无法得　知，已有的结论是否适用于点评网的评论，需要做进　一步研究。　２研究框架设计　本文研究目的是在数千条评论中自动识别点评　网的有用性评论，并分析影响其有用性的因素。主要　过程包括数据收集与预处理、特征选择、分类模型选　择。　２．１数据收集与预处理　从点评网获取评论语料及评论者信息。对每一　条评论进行断句、分词、停用词处理及词性标注等，　并采用人工标注评论质量的方法对评论有用性进行　打分。添加自定义菜品词典，如“牛油果寿司”等词．　方便后续特征提取。　２．２特征选择　知识采纳模型认为感知信息有用性决定了知识　的获取，其决定因素包括接受消息的质量以及消息　来源的可信度。＿１　基于知识采纳模型，本文从评论文本特征和评　论者特征２个因素进行衡量（见图１）。评论文本特　征主要包括评论文本深度、评论文本广度、评论文本　情感倾向；评论者特征主要包括评论者经验值、评论　者参与度和评论者社会网络中心度。　２．２．１评论文本特征　９　
２０１７年６月　情报探索　第６期（总２３６期）　图１评论有用性因索　（１）评论文本深度　研究表明：支撑一个观点的信息数量越多。该观　点就越有说服力；［加　决策者得到的决策理由越充分，　其决策信心就越强［２１］。评论文本深度显著影响评论　的有用性。本文以评论文本的长度和评论文本中形　容词数量衡量评论文本深度。评论越长。相对而言，　其包含的产品信息也越多；形容词数量越多，评论文　本中包含的特征描述也越多。因此，我们假设评论长　度和形容词数量均对评论有用性有正向影响，具体　指标为评论的总词数和形容词数量。　（２）评论文本广度　评论文本广度可以为消费者提供更多的信息　量，增强消费者对信息内容的诊断，当评论文本信息　具有高度诊断性时。消费者可以借助评论文本更为　容易地作出决策　。餐厅评论文本广度主要由２个　因素决定．分别为菜品（如寿司、三文鱼等）和餐厅特　征（如味道、服务、价格、位置等）。本文将评论中提及　的不同菜品名词的频次及餐厅特征的频次作为评论　文本广度的依据。　（３）评论文本情感倾向　评论文本中可能出现混杂的情感表达，如“寿司　好吃，但是三文鱼有点不新鲜”。该评论对菜品“寿　司”表达了积极情感，对菜品“三文鱼”表达了消极情　感。已有研究表明，评论文本的情感倾向会影响消费　者对评论质量的感知，积极和消极的情感倾向会对　消费者感知评论有用性产生不同的作用。本文对评　论文本进行情感分析，从而获得不同的情感倾向对　评论有用性的影响。　对每一条评论，我们分别统计了积极情感词数　量和消极情感词数量，并通过构造程度副词词典，采　用相应情感强度计算方法得到积极情感值和消极情　感值。本研究主要基于情感词典进行情感分析。［纠　１０　①构造情感词典。本文的基础情感词典由知网　汉语词库（ＨｏｗＮｅｔ）的情感词典、台湾大学简体中文　情感极性词典消重后合并得到，分为积极情感词词　典和消极情感词词典。由于餐厅评论的特殊性．我们　另外构建了专有词典。利用结巴分词进行形容词抽　取，对出现频率前１００次的形容词进行人工判别，并　加人相应的情感词词典。　②构造程度副词词典。程度副词对句子的语义　强度会产生很大的影响。如“寿司挺好吃”“寿司很好　吃”“寿司非常好吃”“寿司一点也不好吃”。前３个句　子语气依次增强，最后一句表达了截然不同的观点。　因此，为了准确表达消费者对餐厅的情感，考虑程度　副词是十分有必要的。同样。以知网汉语词库　（ＨｏｗＮｅｔ）为基础词典，利用结巴分词进行副词抽取，　人工标注程度副词，并加入程度副词词典。程度副词　划分为７个等级，分别是最（ｍｏｓｔ）、超（ｏｖｅｒ）、很　（ｖｅｒｙ）、较ｍｏｒｅ）、稍（一ｉｓｈ）、欠（ｉｎｓｕｆｆｉｃｉｅｎｔｌｙ）、否　（ｉｎｖｅｒｓｅ）　，并对其设置相应的权值（见表１）。　表１程度副词权重　副词　最（ｍｏｓｔ）　超（ｏｖｅｒ）　很（ｖｅｒｙ）　较（ｍｏｒｅ）　稍（一ｉｓｈ）　欠（ｉｎｓｕｆｉｆｃｉｅｎｔｌｙ）　否（ｉｎｖｅｒｓｅ）　③情感强度计算　。对语料进行分句、分词、去　停用词等操作。将中文分词后的词依次在情感词表　中查找：若能找到。则读取其情感极性并记录其在句　赡一　子中的位置；否则，则不是情感词，读取下一个单词，　直到整句话判断结束。在情感词和特征词之间，从情　感词往前查找程度副词，如果找到一个程度副词，则　将该程度副词取出，继续往前一个位置寻找；如果该　程度副词的前面一个位置也是程度副词，则同样将　其取出，直到前一个位置不是程度副词。将取出的程　度副词的权重乘以情感值。程度副词的查找方法和　情感词一样。通过程度副词词典进行查找。如为积极　情感词，则记录其积极情感值；如为消极情感词，则　记录其消极情感值。　对每一条语料中的积极情感值和消极情感值分　别进行汇总。　２．２．２评论者特征　在线评论中。评论者的专业能力和可信任度是　
２０１７年６月　唐艺楠等：基于知识采纳模型的在线评论有用性识别　第６期（总２３６期）　影响其发表评论有用性评价的关键因素。　评论者　特征主要从评论者经验值、参与度和评论者社会网　络中心度等方面进行分析。评论者经验值与参与度　越高，发表的评论也往往越有价值；评论者的中心度　越高．其在社会网络中的影响力越大，相应地，其发　表的评论也倾向于得到正向评价。本文将网页显示　的评论者贡献值和社区等级作为其经验值指标，发　表评论数量作为其参与度指标，关注数量和粉丝数　量则作为其中心度指标。　２．３分类模型选择　本文采用机器学习中的分类模型对训练集进行　监督学习。并在验证集上进行准确率、召回率测试。　通过对准确率、召回率的分析选择最优算法。采用的　分类算法有：朴素贝叶斯、Ｌｏｇｉｓｔｉｃ回归、支持向量　机、ＧｒａｄｉｅｎｔＢｏｏｓｔｉｎｇ和ＡｄａＢｏｏｓｔｉｎｇ。　３数据分析　３．１数据预处理及人工标注　本文抓取点评网点评某商家的２３９８条评论，包　括评论文本内容及评论者相关信息．并邀请３位评　论者对评论质量进行打分。　由于有用性投票数存在偏差。而且点评网的有　用性投票机制（即点赞机制）并不成熟，大部分评论　都没有赞同投票，收到赞同投票的也只有寥寥几票。　２３９８条评论中仅４条评论有１　３条不等的赞同数，　以赞同数作为有用性评价指标没有意义。有用性投　票数存在不平衡投票等特定偏差，因此．我们无法通　过有用性投票数衡量评论质量，需对其进行人工标　注。　３位评论者使用点评网点评的时间均超过４　年，日均点评至少１次。对每一条评论，他们从该餐　厅潜在消费者角度，评价该评论是否能提供有用信　息。　Ｌｉｕ　ｃ　提出将文本评价质量分为４个等级。即非　常高、高、一般、低。其中：“非常高”的评价对产品有　相当详细和完整的描述。提供了产品多方面特征，为　用户的购买提供充足依据；“高”的评价提供相对完　整的产品描述，但是没有提供足够的评价依据，不能　作为购买的唯一依据；“一般”的评价对产品仅有简　单描述；“低”的评价包含误导性信息。较少涉及对产　品的评价。　对点评网评论文本进行整体考量。我们发现“非　常高”的评价几乎没有，因此，我们将每条评价质量　的可选标签分为：高、一般、低。　“高”的评价如：　和老公去安亭办事，走了２万多步累惨了，想着　要好好吃顿犒劳自己。看了下点评有我喜欢的伊秀　寿司，来得早不用排队。有赠送抹茶，还端上了赠送　的小菜，心里已是暖暖的了。纠结了半天，不知道该　点什么犒劳自己，因为都想吃，但还在喂奶的我不方　便吃生的海鲜．好难受啊！土豆蟹籽沙律：端上来萌　萌的。是个冰激凌。服务员亲切地问我们要不要帮忙　砸开，然后背了过去小心翼翼地砸开给我们。口味很　好，色拉汁是我喜欢的酸甜味，而且才ｌ２元！牛肉火　锅：端上来一个小锅和一碟生蛋液。打散蛋液急切地　等着火锅烧开，不一会就翻滚起来，服务员又过来帮　我们把汤撩出一些以免烫到我们，还帮我们把牛肉　撕开煮熟。碳烤寿司套餐：因为不能吃生的，又想吃　寿司，老公建议我吃这个。鹅肝人口即化。口味棒棒　的！虽然点得不多，但吃得饱饱的！这家店看着远．不　能和南京西路的位置比，但是服务态度一点不差．口　味也不打折！我还要去吃！　“一般”的评价如：　带宝宝去汽车博物馆，到地方已经中午了．先吃　饭再去逛。去过好几次伊秀，选择比较多，热情周到，　对有孩子的客人特别照顾。菜品其实都一般，寿司、　海鲜粥、面，味道都凑合，适合小朋友吃。价格也实　惠。　“低”的评论如：　服务不错，环境不错，主要是来赚积分的。　成员依据高、一般、低的标准进行独立打分．并　运用Ｋａｐｐａ统计检验标注的一致性。得到的Ｋａｐｐａ　值为８１％，标注的一致性较为理想。标注中，每条评　论至少有２人标注一致，即没有出现１条评论被分　别标注为高、一般或低的情况。容易出现分歧的是　“高”和“一般”以及“一般”和“低”的判别。这里采用　多数原则，为评论赋予２人以上标注一致的打分。最　后，“低”的评价有１７２１条，“一般”的评价有５３８条，　“高”的评价有１４１条。　３．２评论特征抽取　每条评论的特征项提取结果见表２。　３．３结果分析　为消除量纲影响和变量自身变异大小和数值大　小的影响，使不同性质的数据对结果产生一样的作　用力，对数据进行标准差标准化。由于样本分布不均　匀，“高”的评价仅占总体评价的６％，为提高分类的　有效性，本文把数据集平均分成１Ｏ份，将９份作为　１１　
２０１７年６月　表２评论特征项提取　情报探索　第６期（总２３６期）　（见表３）。　表３分类结果　尽管通过ＳＶＭ模型得到的准确率最高．但是其　召回率在５种模型中最低。由于本文研究的目的是　尽可能多地识别出“高”的评价，因此召回率更为重　要。ＧａｕｓｓｉａｎＮＢ模型尽管召回率非常高，但是其准确　率相较其他模型最低。因此，基于综合考虑，本文选　训练集，剩下１份作为测试集，运行１Ｏ次，取其平均　结果。　择ＧｒａｄｉｅｎｔＢｄｏｓｔｉｎｇ模型及ＡｄａＢｏｏｓｔｉｎｇ模型进行分　类。　由ＧｒａｄｉｅｎｔＢｏｏｓｔｉｎｇ模型和ＡｄａＢｏｏｓｔｉｎｇ模型得　到的特征项贡献度见表４。　本文分别采用ＧｒａｄｉｅｎｔＢｏ０ｓｔｉｎｇ、ＡｄａＢｏｏｓｔｉｎｇ、　Ｌｏｇｉｓｔｉｃ、ＧａｕｓｓｉａｎＮＢ及ＳＶＭ模型对４类特征集进行　分类．得到“高”评价的准确率、召回率、Ｆ１值结果　表４特征项贡献度　综上，可以发现：　原因是由于评论者更倾向于对菜品进行积极的描　述．积极情感词往往出现在菜品等特征之后，而评论　中对菜品的分析使消费者认为该评论具有指导意　义。　无论是ＧｒａｄｉｅｎｔＢｏｏｓｔｉｎｇ模型还是ＡｄａＢｏｏｓｔｉｎｇ　模型对分类结果贡献度最高的是评论词语总数，这　也体现了评论文本深度对评论有用性的关键影响，　总词数越多。为消费者提供的信息量也越大。　评论中提及的菜品频次贡献度也较高，说明评　评论者相关特征中，评论者的贡献值对评论有　用性影响最大，评论者发表评论数量的贡献度也较　高．根据点评网的标准，评论者的贡献值部分是由发　论文本广度对评论有用性也有正向影响。尽管这２　个模型餐厅属性频次的贡献度均≥Ｏ．０６，贡献度较　高．但是相对菜品频次，则显得并没有那么重要。可　见．相较“服务”“环境”等因素，消费者更关注餐厅的　菜品。　表评论数量决定的。因此，本文认为评论者参与度与　经验值对评论质量有较大的影响，参与越积极、贡献　值越高写出的评论质量也越高。与此同时，写出高质　量评论的消费者其评论贡献值也会得到相应增加。　尽管对评论文本的人工打分过程并不涉及对评论者　相较消极情感值，积极情感值有更大的贡献度，　并且积极情感值的贡献度是消极情感值贡献度的数　倍。基于对评论的分析，本文认为，出现这种现象的　１２　因素的考虑，但由此也可以说明，本文的人工标注质　量较高。　
２０１７年６月　唐艺楠等：基于知识采纳模型的在线评论有用性识别　第６期（总２３６期）　４结论与展望　本文运用知识采纳模型将感知评论有用性的决　定因素分为评论文本特征和评论者特征，抓取点评　网的相关指标描述这些特征，采用人工定义的方法　对评论进行有用性打分，并采用多种分类模型进行　自动识别。基于准确率和召回率的平衡考虑，Ａｄ—　ａＢｏｏｓｔｉｎｇ模型和ＧｒａｄｉｅｎｔＢｏｏｓｔｉｎｇ模型的结果较为　理想。通过对这２种分类器的特征贡献度进行分析，　得出结论。如对餐饮类点评：①评论文本广度和深度　对评论有用性较大．消费者希望能从评论中获取更　多关于菜品方面的信息。字数越多，包含的信息量越　大。②就情感倾向而言，消费者更倾向于积极评论。　积极评论能让他们获取菜品方面的积极信息。③评　论者特征是反映评论有用性的一个关键因素．参与　度与贡献度越高的评论者写出的评论质量往往会越　高。此外，研究还发现，相较于餐厅的“服务”“环境”　等因素，消费者更关注餐厅的菜品，这对于餐厅如何　提升顾客满意度是一种启发。　本文也存在一定的局限性，如在人工标注评论　有用性的时候没有考虑评论的星级特征以及时间　性，仅从文本角度进行打分。此外，本文还可以进一　步检验特征之间的相关性，提取相关特征，提高分类　器的性能。　参考文献　［１］　ＣＨＥＮ　Ｙ，ＸＩＥ　Ｊ．Ｏｎｌｉｎｅ　Ｃｏｎｓｕｍｅｒ　Ｒｅｖｉｅｗ：Ｗｏｒｄ—ｏｆ－　Ｍｏｕｔｈ　ａｓ　ａ　Ｎｅｗ　Ｅｌｅｍｅｎｔ　ｏｆ　Ｍａｒｋｅｔｉｎｇ　Ｃｏｍｍｕｎｉｃａｔｉｏｎ　Ｍｉｘ［Ｊ］．　Ｓｏｃｉａｌ　Ｓｃｉｅｎｃｅ　Ｅｌｅｃｔｒｏｎｉｃ　Ｐｕｂｌｉｓｈｉｎｇ，２００８，５４（３）：４７７－４９１．　［２］ＰＡＮ　Ｙ，ＺＨＡＮＧ　Ｊ　Ｑ．Ｂｏｍ　Ｕｎｅｑｕａｌ：Ａ　Ｓｔｕｄｙ　ｏｆ　ｔｈｅ　Ｈｅｌｐｆｕｌｎｅｓｓ　ｏｆ　Ｕｓｅｒ－Ｇｅｎｅｒａｔｅｄ　Ｐｒｏｄｕｃｔ　Ｒｅｖｉｅｗｓ［Ｊ］．Ｊｏｕｒｎａｌ　ｏｆ　Ｒｅｔａｉｌｉｎｇ，２０１１，８７（４）：５９８－６１２．　［３］ＬＩＵ　Ｊ，ＣＡＯ　Ｙ，ＬＩＮ　Ｃ　Ｙ，ｅｔ　ａ１．Ｌｏｗ－Ｑｕａｌｉｔｙ　Ｐｒｏｄｕｃｔ　Ｒｅｖｉｅｗ　Ｄｅｔｅｃｔｉｏｎ　ｉｎ　Ｏｐｉｎｉｏｎ　Ｓｕｍｍａｒｉｚａｔｉｏｎ［Ｃ］／／ＥＭＮＬＰ－ＣｏＮ—　ＬＬ　２００７，Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　２００７　Ｊｏｉｎｔ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｅｍｐｉｉｒｃａｌ　Ｍｅｔｈｏｄｓ　ｉｎ　Ｎａｔｕｒａｌ　Ｌａｎｇｕａｇｅ　Ｐｒｏｃｅｓｓｉｎｇ　ａｎｄ　Ｃｏｍｐｕｔａｔｉｏｎａｌ　Ｎａｔｕｒａｌ　Ｌａｎｇｕａｇｅ　Ｌｅａｒｎｉｎｇ，Ｊｕｎｅ　２８－３０，２００７，Ｐｒａｇｕｅ，Ｃｚｅｃｈ　Ｒｅｐｕｂｌｉｃ．２００７：３３４－３４２．　［４］ＪＩＮＤＡＬ　Ｎ，ＬＩＵ　Ｂ．Ｏｐｉｎｉｏｎ　ｓｐａｍ　ａｎｄ　ａｎａｌｙｓｉｓ［Ｃ］，，　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｗｅｂ　Ｓｅａｒｃｈ　ａｎｄ　Ｄａｔａ　Ｍｉｎｉｎｇ．　ＡＣＭ，２００８：２１９－２３０．　［５］　ＳＵＳＳＭＡＮ　Ｓ　Ｗ，ＳＩＥＧＡＬ　Ｗ　Ｓ．Ｉｎｆｏｒｍａｔｉｏｎａｌ　Ｉｎｆｌｕ—　ｅｎｃｅ　ｉｎ　Ｏｒｇａｎｉｚａｔｉｏｎｓ：Ａｎ　Ｉｎｔｅｇｒａｔｅｄ　Ａｐｐｒｏａｃｈ　ｔｏ　Ｋｎｏｗｌｅｄｇｅ　Ａｄｏｐｔｉｏｎ［Ｊ］．Ｉｆｎｏｒｍａｔｉｏｎ　Ｓｙｓｔｅｍｓ　Ｒｅｓｅａｒｃｈ，２００３，１４（１）：４７—　６５．　［６］殷国鹏．消费者认为怎样的在线评论更有用：社会　性因素的影响效应［Ｊ］．管理世界，２０１２（１２）：１１５—１２４．　［７］ＫＩＭ　Ｓ　Ｍ，ＰＡＮＴＥＬ　Ｐ，ＣＨＫＬＷＶＳＫＩ　Ｔ，ｅｔ　ａ１．Ａｕｔｏ－　ｍａｔｉｅａｌｌｙ　ａｓｓｅｓｓｉｎｇ　ｒｅｖｉｅｗ　ｈｅｌｐｆｕｌｎｅｓｓ［Ｅ　ｌ／／ＥＭＮＬＰ　２００７，Ｐｒｏ—　ｃｅｅｄｉｎｇｓ　ｏｆ　ｈｔｅ　２００６　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｅｍｐｉｉｒｃａｌ　Ｍｅｔｈｏｄｓ　ｉｎ　Ｎａｔｕ．　ｒａｌ　Ｌａｎｇｕａｇｅ　Ｐｒｏｃｅｓｓｉｎｇ，２２－２３　Ｊｕｌｙ　２００６，Ｓｙｄｎｅｙ，Ａｕｓｔｒａｌｉａ．　２００６：４２３—４３０．　［８］ＬＩＵ　Ｙ，ＪＩＮ　Ｊ，ＪＩ　Ｐ，ｅｔ　ａ１．Ｉｄｅｎｔｉｆｙｉｎｇ　ｈｅｌｐｆｕｌ　ｏｎｌｉｎｅ　ｒｅｖｉｅｗｓ：Ａ　ｐｒｏｄｕｃｔ　ｄｅｓｉｇｎｅｒ’ｓ　ｐｅｒｓｐｅｃｔｉｖｅ［Ｊ］．Ｃｏｍｐｕｔｅｒ—Ａｉｄｅｄ　Ｄｅｓｉｇｎ，２０１３，４５（２）：１８０—１９４．　［９］　ＺｈＡＮＧ　Ｚ，ＶＡＲＡＤＡＲＡＪＡＮ　Ｂ．Ｕｔｉｌｉｔｙ　ｓｃｏｒｉｎｇ　ｏｆ　ｐｒｏｄｕｃｔ　ｒｅｖｉｅｗｓ［Ｃ］／／ＡＣＭ　ＣＩＫＭ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｉｆｎｏｒｍａｔｉｏｎ　ａｎｄ　Ｋｎｏｗｌｅｄｇｅ　Ｍａｎａｇｅｍｅｎｔ，Ａｒｌｉｎｇｔｏｎ，Ｖｉｒｇｉｎｉａ，　Ｕｓａ．Ｎｏｖｅｍｂｅｒ．２００６：５１—５７．　［１０］郝嫒嫒，叶强，李一军．基于影评数据的在线评论　有用性影响因素研究［Ｊ］．管理科学学报，２０１０，１３（８）：７８—８８．　［１１］ＤＡＮＥＳＣＵ—ＮＩＣＵＬＥＳＣＵ—ＭＩＺＩＬ　Ｃ，ＫＯＳＳＩＮＥＴＳｓ　Ｇ，ＫＬＥＩＮＢＥＲＧ　Ｊ，ｅｔ　ａ１．Ｈｏｗ　ｏｐｉｎｉｏｎｓ　ａｒｅ　ｒｅｃｅｉｖｅｄ　ｂｙ　ｏｎｌｉｎｅ　ｃｏｍｍｕｎｉｔｉｅｓ：Ａ　ｃａｓｅ　ｓｔｕｄｙ　ｏｎ　Ａｍａｚｏｎ．ｃｏｍ　ｈｅｌｐｆｕｌｎｅｓｓ　ｖｏｔｅｓ［Ｊ］．　Ｐｈｙｓｉｃｓ，２００９：１４１－１５０．　［１２］ＣＡＯ　Ｑ，ＤＵＡＮ　Ｗ，ＧＡＮ　Ｑ．Ｅｘｐｌｏｒｉｎｇ　ｄｅｔｅｒｍｉｎａｎｔｓ　ｏｆ　ｖｏｔｉｎｇ　ｆｏｒ　ｔｌｌｅ　“ｈｅｌｐｆｕｌｎｅｓｓ”ｏｆ　ｏｎｌｉｎｅ　ｕｓｅｒ　ｒｅｖｉｅｗｓ：Ａ　ｔｅｘｔ　ｍｉｎｉｎｇ　ａｐｐｒｏａｃｈ［Ｊ］．Ｄｅｃｉｓｉｏｎ　Ｓｕｐｐｏ￣Ｓｙｓｔｅｍｓ，２０１１，５０（２）：　５１　１－５２１．　［１３］　ＦＯＲＭＡＮ　Ｃ，ＷＩＥＳＥＮＦＥＬＤ　Ｂ．Ｅｘａｍｉｎｉｎｇ山ｅ　Ｒｅ．　１ａｔｉｏｎｓｈｉｐ　Ｂｅｔｗｅｅｎ　Ｒｅｖｉｅｗｓ　ａｎｄ　Ｓａｌｅｓ：Ｔｈｅ　Ｒｏｌｅ　ｏｆ　Ｒｅｖｉｅｗｅｒ　Ｉ—　ｄｅｎｔｉｔｙ　Ｄｉｓｃｌｏｓｕｒｅ　ｉｎ　Ｅｌｅｃｔｒｏｎｉｃ　Ｍａｒｋｅｔｓ［Ｊ］．Ｓｏｃｉａｌ　Ｓｃｉｅｎｃｅ　Ｅｌｅｃｔｒｏｎｉｃ　Ｐｕｂｌｉｓｈｉｎｇ，２００８，１９（３）：２９１—３１３．　［１４］　ＨＵ　Ｎ，ＵＵ　Ｌ，ＺＨＡＮＧ　Ｊ　Ｊ．Ｄｏ　ｏｎｌｉｎｅ　ｒｅｖｉｅｗｓ　ａｆｅｃｔ　ｐｒｏｄｕｃｔ　ｓａｌｅｓ？Ｔｈｅ　ｒｏｌｅ　ｏｆ　ｒｅｖｉｅｗｅｒ　ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ　ａｎｄ　ｔｅｍｐｏｒａｌ　ｅｆｅｃｔｓ［Ｊ］．Ｉｆｎｏｒｍａｔｉｏｎ　Ｔｅｃｈｎｏｌｏｇｙ＆Ｍａｎａｇｅｍｅｎｔ，２００８，９（３）：　２０１—２１４．　［１５］ＧＨＯＳＥ　Ａ，ＩＰＥＩＲＯＴＩＳ　Ｐ　Ｇ．Ｅｓｔｉｍａｔｉｎｇ　ｔｈｅ　Ｈｅｌｐ—　ｆｕｌｎｅｓｓ　ａｎｄ　Ｅｃｏｎｏｍｉｃ　Ｉｍｐａｃｔ　ｏｆ　Ｐｒｏｄｕｃｔ　Ｒｅｖｉｅｗｓ：Ｍｉｎｉｎｇ　Ｔｅｘｔ　ａｎｄ　Ｒｅｖｉｅｗｅｒ　Ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ『Ｊ］．ＩＥＥＥ　Ｔｒａｎｓａｃｔｉｏｎｓ　ｏｎ　Ｋｎｏｗ１．　ｅｄｇｅ＆Ｄａｔａ　Ｅｎｇｉｎｅｅｒｉｎｇ，２０１１，２３（１０）：１４９８－１５１２．　［１６］ＬＩＵ　Ｙ，ＨＵＡＮＧＸ，ＡＮ　Ａ，ｅｔ　ａ１．Ｍｏｄｅｌｉｎｇ　ａｎｄ　Ｐｒｅ—　ｄｉｃｔｉｎｇ　ｔｈｅ　Ｈｅｌｐｆｕｌｎｅｓｓ　ｏｆ　Ｏｎｌｉｎｅ　Ｒｅｖｉｅｗｓ［Ｃ］，／Ｄａｔａ　Ｍｉｎｉｎｇ，　２００８．ＩＣＤＭ＂０８．Ｅｉｇｈｔｈ　ＩＥＥＥ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ．　ＩＥＥＥ，２００８：４４３—４５２．　［１７］　ｕ　Ｌ，ＺＨＡＮＧ　Ｋ，ＺＨＯＵ　Ｑ，ｅｔ　ａ１．Ｔｏｗａｒｄ　ｕｎｄｅｒ－　ｓｔａｎｄｉｎｇ　ｒｅｖｉｅｗ　ｕｓｅｆｕｌｎｅｓｓ：ａ　ｃａｓｅ　ｓｔｕｄｙ　ｏｎ　Ｙｅｌｐ　ｒｅｓｔａｕｒａｎｔｓ［Ｊ］．　ＩＣｏｎｆｅｒｅｎｃｅ　２０１６　Ｐｒｏｃｅｅｄｉｎｇｓ，１９１６．　［１８］　栾攀．在线评论有用性实证研究：基于大众点评　网的数据分析［Ｄ］．山东：青岛大学，２０１５．　［１９］ＷＡＮＧ　Ｇ，ＬＩＵ　Ｘ，ＦＡＮ　Ｗ．Ａ　Ｋｎｏｗｌｅｄｇｅ　Ａｄｏｐｔｉｏｎ　Ｍｏｄｅｌ　Ｂａｓｅｄ　Ｆｒａｍｅｗｏｒｋ　ｆｏｒ　Ｆｉｎｄｉｎｇ　Ｈｅｌｐｆｕｌ　Ｕｓｅｒ—Ｇｅｎｅｒａｔｅｄ　Ｃｏｎｔｅｎｔｓ　ｉｎ　Ｏｎｌｉｎｅ　Ｃｏｍｍｕｎｉｔｉｅｓ［Ｃ］／／Ｉｎｔｅｎｒａｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｉｎｆｏｒｍａｔｉｏｎ　Ｓｙｓｔｅｍｓ，Ｉｃｉｓ　２０１１，Ｓｈａｎｇｈａｉ，Ｃｈｉｎａ，Ｄｅｃｅｍｂｅｒ．　２０１１．　
２０１７年６月　情报探索　［Ｊ］．统计与决策，２０１２（２）：１１８—１２０．　第６期（总２３６期）　［２Ｏ　１　ＳＣＨＷＥＮＫ　Ｃ　Ｒ．ＩＮＦＯＲＭＡＴＩＯＮ．Ｃｏｇｎｉｔｉｖｅ　Ｂｉａｓ—　ｅｓ，ａｎｄ　Ｃｏｍｍｉｔｍｅｎｔ　ｔｏ　ａ　Ｃｏｕｒｓｅ　ｏｆ　Ａｃｔｉｏｎ［Ｊ］．Ａｃａｄｅｍｙ　ｏｆ　Ｍａｎａｇｅｍｅｎｔ　Ｒｅｖｉｅｗ，１９８６，ｌ１（２）￣２９８—３１０．　ｆ２１］ＫＡＨＮＥＭＡＮ　Ｄ，，Ｉ＇ＶＥＲＳＫＹ　Ａ．Ｔｈｅ　Ｃｏｎｃｅｐｔ　ｏｆ　［２３］散文网．Ｐｙｔｈｏｎ文本挖掘：使用情感词典进行情感　分析（算法及程序设计）［ＥＢ／ＯＬ］．［２０１５—１２—１５］．ｈｔｔｐ：／／ｒｚｃｏｄ．　ｉｎｇ．ｂｌｏｇ．１６３．ｃｏｍ／ｂｌｏｇ／ｓｔａｔｉｃ，２２２２８１Ｏｌ７２０１３１０１８４４Ｏ３３１７０．　Ｐｒｏｂａｂｉｌｉｔｙ　ｉｎ　Ｐｓｙｃｈｏｌｏｇｉｃａｌ　Ｅｘｐｅｒｉｍｅｎｔｓ［Ｊ］．Ｃｏｇｎｉｔｉｖｅ　Ｐｓｙｃｈｏｌ－　ｏｇｙ，１９７３，７４（３）：４５１—４６５．　［２４］　中国散文网．基于词典的中文情感倾向分析算法　设计［ＥＢ／ＯＬ］．［２０１６—１２—１５］．ｈｔｔｐｓ：／／ｓｉｔｅ．ｄｏｕｂａｎ．ｃｏｍ／１４６７８２／　ｗｉｄｇｅｔ／ｎｏｔｅｓ／１５４６２８６９／ｎｏｔｅ／３５５６２５３８７．　［２２］王平．消费者在线评价有用性影响因素实证研究　１４　

基于知识采纳模型的在线评论有用性识别——以大众点评网为例

推荐内容

相关推荐