基于情感分析的電商產品負面評論補救措施研究

薛晨杰 王召義 江楠 錢麗瓊

摘??要：第三方購物平臺上的商品負面評論對消費者購買意向、商家信用等級、平臺交易轉化都形成不良影響，需通過有效措施進行補救。以當前國產主流品牌小米手機為研究對象，通過八爪魚采集器爬取京東商城評論內容進行情感分析，利用Jieba分詞、詞云圖、LDA主題模型對產品負面評論進行分析。消費者對該平臺上的小米手機主要的負面評論反映在六個方面，給消費者帶來不好的體驗，品牌方應加以重視并實施補救。

關鍵詞：情感分析；負面評論補救；主題模型

中圖分類號：F724.6；F273.2????????文獻標識碼：A ?????????文章編號：1671-9255（2024）01-0019-06

一、引言

電商購物環境日趨成熟，消費者更加習慣參考在線評論來指導購買決策。同時，相對于正面評論，他們更傾向于信任負面評價，潛意識里認為給出差評的人分享的是真實的購物體驗，能夠提供更高的參考價值。^[1-4]因此，負面評論成為影響品牌形象和銷售業績的重要因素。^[5-7]

商家應從根本上杜絕商品和服務出現質量問題，在負面評論形成之前進行合理控制；而對于已產生的負面評論信息，商家應給予更多的關注并實施補救，^[8]并根據負面在線評論深入挖掘客戶需求，制定更精準的營銷策略。^[9]

與此同時，關于電商評論的文本情感分析是目前的研究趨勢和熱點，并且有很高的理論及實踐價值。李宏等（2011）認為消費者傾向于通過情感線索來收集和處理信息，對負面情感的信息更為敏感^[10]；史偉等（2015）通過對微博文本內容作情感分析預測電影票房^[11]；Dasgupta等（2016）對三星手機的評論進行情感分析，收集用戶對于該品牌手機的意見^[12]；李涵昱等（2017）通過情感分析方法判斷消費者評論的情感導向^[13]；鄭麗娟和王洪偉（2017）認為商品評論中包含的情感強度可以衡量企業受歡迎的程度^[14]；龐慶華等（2022）結合BiGRU和CNN的情感分類網絡，對商品評論進行分析^[15]。

對在線評論進行情感分析有很多方法，其中，LDA主題模型是一種能夠提取文本隱含主題的非監督學習模型^[16]，能夠確定最優主題的個數。本文基于該方法對京東商城上的小米手機負面評論內容進行情感分析，對數據內容進行挖掘，劃分出給予負面評論的消費者所關注的主題范圍和信息點，并提出相關補救建議。

二、研究模型及方法

（一）研究模型

本文通過八爪魚采集器爬取京東商城小米手機評論內容，利用Jieba分詞、詞云圖、LDA主題模型等方法對產品負面評論進行分析，最終對負面評論進行主題分類，從而確定消費者所關注的主題范圍和信息點，得出負面評論補救措施。研究模型如圖1所示。

（二）詞云圖

詞云圖是一種文本可視化技術，通常用于匯總和呈現文本數據中各個詞語的重要性和出現頻率，是一種用于可視化文本數據的圖形表示方法，有助于從大規模文本中提取和呈現重要的詞匯信息，以便更好地理解文本內容和關鍵主題，如圖2所示。

其基本原理如下：

詞頻統計：對輸入的文本數據進行預處理，統計每個詞語在文本中的出現次數，得到各個詞語的詞頻信息。

詞語權重計算：使用某種權重計算方法確定每個詞語的重要性。

可視化排列：將計算得到的詞語及其權重按照一定的布局算法排列在圖形中。重要的詞語通常顯示得更大，而不重要的詞語則較小。

可視化展示：生成的詞云圖以視覺形式呈現，通常采用多彩的顏色和各種字體以增強詞語的可視吸引力。

交互性：一些詞云圖可以具有交互性，使用戶能夠通過鼠標懸?；螯c擊詞語來獲得有關該詞語的更多信息。

（三）LDA主題模型

LDA模型是一種概率圖模型，通常用于主題建模和文本分析，以發現文本集合中潛在的主題結構。主題模型常用于自然語言處理（NLP）等領域，是一種在文檔中挖掘抽象主題的統計模型。LDA主題模型就是三層貝葉斯概率模型，這三層結構包含文檔（d）、主題（z）和特征詞（w）。對文本進行建模能夠挖掘文本數據中的潛在主題，從而分析文本數據聚焦的關注點和相關的特征詞。LDA模型結構圖如圖3所示。

三、實證分析

（一）數據源及預處理

京東商城是當前中國最知名的B2C平臺之一，平臺產品的評論數據豐富完整。本文選擇京東商城中小米品牌近兩年發布的數字系列旗艦款手機的購物評論信息作為數據來源。

電商產品評論數據可通過多種方式獲取，一般可通過編寫網絡爬蟲程序自動爬取需要的內容；或是通過采用市場上常用的成熟數據采集工具如八爪魚、火車采集器等進行收集。其中，八爪魚采集器應用很廣泛，具備適合場景廣、信息多層級智能采集等優勢。綜合對比，本文使用八爪魚采集器來獲取產品評論數據，部分產品評論數據如表1所示。

京東商城的負面評論廣泛分布在評價星級≤3的評論中，故對于爬取到的產品評論數據按評價星級進行篩選，再將無意義評論進行刪除。

在進行以上初步篩選后，該產品評論數據依然存在重復內容。如果直接引入后續的分詞、情感分析等過程，會對分析結果造成較大的影響，故在使用產品負面評論數據前，對其進行簡單的文本去重，也就是兩兩對比，遇到完全相同的評論內容就去除，最終得到部分產品負面評論數據，如表2所示。

（二）產品負面評論的特征分析

1．基于分詞的詞云可視化

（1）產品負面評論分詞

本文采用Python庫中專門用于中文分詞的開源包“jieba”分詞包。經過相關測試，該分詞包的分詞精度高達97%以上。

而基于Python的“jieba”分詞包支持三種模式，分別是全模式、精準模式和搜索引擎模式。其中，精準模式是最適合文本的模式，它將整句話精確分詞，已切分出的詞語不會再重疊展現，本文采用精準模式這種方法進行分詞。

（2）分詞優化并可視化結果

分詞后的結果依然夾雜著“開始”“就是”“小米”“手機”等與本實驗沒有實質性關系的高頻詞匯，故增加無意義的停止詞庫stop.txt以優化分詞結果。

而對于分詞后出現的單個字符，大多數并無實際意義，如一些人稱代詞“我”“你”“他”等，這些字符與本次實驗相關度較低，故需排除。

相關部分代碼如下：

words = jieba.lcut（txt）

# 增加無意義的詞庫

excludes = []

with open（"./stops.txt"， 'r'， encoding="utf-8"） as f：

for line in f.readlines（）：

line = line.strip（'＼n'）

excludes.append（line）

rword?= []

for word in words：

# 去除單個字符

if len（word） == 1：

continue

if word in excludes：

continue

else：

rword.append（word）

txt_cmt?= " ".join（rword）

利用Python中的wordcloud類庫對分詞后的高頻詞繪制詞云圖，得到如圖4所示。

通過上面的詞云圖可以看出，在對爬取到的負面評論數據進行預處理后，分詞效果較符合預期。其中，“發熱”“屏幕”“充電器”“客服”“降價”“發燙”“卡頓”等詞出現頻率較高。因此，可以直觀地判斷用戶較關注小米手機的這些重要屬性，形成初步印象。

2．基于LDA主題模型的特征分析

（1）LDA主題模型的建立

LDA模型假定每篇評論由各個主題按一定比例隨機混合而成，混合比例服從多項分布，記為式：

每個主題由詞匯表中的各個詞語按一定比例混合而成，混合比例服從多項分布，記為式：

在評論條件下生成詞的概率表示為式：

其中，表示詞屬于第S個主題的概率，表示S個主題在評論中的概率。

LDA主題模型是一種無監督的模式，只需要提供訓練文檔，就可以自動訓練出各種概率，無須任何人工標注過程，節省了大量的人力及時間。它在文本聚類、主題分析和相似度計算等方面都有廣泛的應用。相較于其他主題模型，其引入了狄利克雷先驗知識，泛化能力較強。

（2）確定最優主題數

在自然語言處理中，一個語言概率模型可以看成是在整個句子或者文段上的概率分布，可以使用困惑度對語言概率模型進行優劣評價。而在LDA主題模型中，其中非常重要的步驟就是確定最優主題數。通過確定最優主題數可對模型的好壞進行一定的評估。本文針對在不同主題下進行困惑度計算，再將計算結果作為評判依據。計算困惑度的公式如下：

上述公式中，p（w）表示每一個詞出現的概率，N表示出現的所有的詞。

計算困惑度部分代碼如下：

for tp_id in range（num_topics）：

tp_words = ldamodel.show_topic（tp_id， size_dictionary）

dic_t = {}

for word， prob?in tp_words：

dict_t[word] = prob

tp_words_list.append（dic_t）

設置不同的主題數量，作出基于主題困惑度的曲線。一般情況下，困惑度的值會隨著主題數量的增大而減小，隨后達到擬合的拐點，而后會出現短暫的增大，最后會再次減小。^[18]通過作出的圖形曲線，找到曲線未擬合的拐點，便可推斷出該模型可選擇的最優主題數。取步長為1進行LDA主題抽取，并作出不同主題數下的困惑度曲線。通過結果圖5可明顯看出，當主題數為6時，出現明顯的拐點，從而判斷此時曲線并未出現擬合，可推斷本實驗的最優主題數為6。

（3）主題模型分析結果及建議

根據最優主題數結果，設置主題數為6，使用sklearn模塊對負面評論數據構建LDA主題模型，并設定每個潛在主題下的前5個詞語作為詞語分類，最終結果如表3所示。

通過分析發現，消費者對京東平臺小米數字系列手機的主要負面評論反映在六個方面，給消費者帶來不好的體驗：

主題1的關注點在于產品系統層面，有卡頓、死機等與系統方面相關的現象出現；主題2的關注點在于軟件使用耗電層面，有系統、打游戲、攝像頭等詞匯，說明產品在體驗游戲和攝像等方面耗電控制的可能不是很好；主題3的關注點在于產品附件、價格、服務層面，由于廠商沒有附送充電器，加上客服方面的相關服務可能沒有得到消費者的認可，從而給予負面評論；主題4的關注點在于產品硬件層面，屏幕和電池是手機產品的重要屬性，消費者對這兩個關注度較高；主題5的關注點在于產品續航層面，消費者對此屬性的負面評論也是較多的；主題6的關注點在于產品拍照層面，拍照功能是手機產品一個不可缺少的屬性之一，所以改善拍照功能能極大提升消費者的體驗感。

四、建議及結論

（一）建議

本文結合情感分析下的負面評論反映出來的顧客服務關注點，提出以下補救措施，以期豐富產品評論研究的理論及實踐內涵。

1．誠懇致歉

首先，不管是有誤解還是商家的確在產品或服務等方面做的不夠到位，都需要向消費者致以歉意，誠摯的歉意能夠消減消費者的不滿，給予心理慰藉，再輔以其他補救方式，往往能夠成功。

其次，消費者處于極端不滿狀態時，相對于物質型補償，反而更渴求商家的精神型補償。那么道歉最簡單直接，也必不可少。

因此，商家需要對售后人員進行負面評論響應培訓，對已購顧客發布的負面評論迅速做出反應，用良好的溝通技巧來安撫顧客不滿的情緒，讓他們重拾對店鋪的信心。挽回給予差評的顧客反而比評價平平的顧客更容易培養出忠誠感。^[19]

2．經濟補償

除了道歉以外，在顧客發表負面在線評論后，賣家要想顧客對結果感到滿意，往往都要有經濟補償。^[19]因為消費者與商家之間的利益糾葛很多時候都停留在金錢的層面上，售后的問題也經常體現在賠償金額是否滿足商家和消費者兩方利益的平衡。因此，不管是商品質量未能讓消費者滿意、商品有差價，還是客服服務態度不夠好或銷售環節出現失誤等，都可以通過經濟的補償來讓消費者平息情緒、坦然接受。

3．商家回復解釋

商家回復是指商家對平臺上出現的在線評論進行解釋與答復。從國內主流的購物網站來看，商家對負面評論回復的數量和質量參差不齊，很多商家并不重視對負面在線評論的管理，甚至出現負面評論過多或追加評論都是負面評論的現象，商家不予處理，對品牌的口碑造成極大威脅。對評論進行回復和解釋包括兩個方面：

首先，對正面評價的回復，一般為感謝、承諾，表達商家的誠意，一般商家會選擇模板回復，在節省時間的同時強化宣傳效果。

其次，對負面評價的解釋，一般情況下，精神型回復、長篇幅回復更加有效。

（1）如果是合理差評（有誤會、商家的確存在問題）的評價解釋，能夠將商家的解決措施展示出來，解決其他買家的后顧之憂。

（2）如果是不合理差評（職業差評師、競爭對手惡意差評、無理要求未得到滿足的泄憤差評）的評價解釋，能夠向其他消費者展示差評的原因、差評的不客觀性，得到理解及認可。商家越對極端的負面評論采取有效回復策略，反而越有利于消費者改變消極態度與情緒，同時也更利于商家檢驗回復效果以進一步改進或完善補救策略，進而建立良好的口碑形象。^[20]

4．鼓勵消費者發布高質量評價

高質量的評價包含帶有圖片或視頻、字數較多、評論要素多樣，以及有追加評論的評價，消費者的高質量評價能夠中和差評帶來的影響，對潛在消費者進行正面引導。

首先，采取激勵手段刺激消費者發布帶有圖片、視頻的評價。其次，鼓勵消費者發布長評。長評涵蓋較多的信息量，更能吸引瀏覽者的目光，可信度上有所提升。最后，提醒消費者發布追加評價。追加評價是很多消費者查看評價時的主要選擇之一，因為能夠反映實際購買者使用一段時間后更加理性、客觀的情況。^[21]

（二）結論及展望

本文對京東平臺上小米旗下的數字系列款手機的負面評論數據進行文本情感分析，挖掘產品負面評論中的潛在價值。通過詞云效果展示、LDA主題模型分析，挖掘出對給予產品負面評論的消費者所關注的主題范圍，通過了解該主題范圍下的關鍵詞語，分析發現影響這些消費者給予差評和不滿意的因素。同時，依據這些因素對手機廠商提出建議，幫助手機廠商提高品牌影響力和行業競爭力，以滿足消費者對該品牌的期望和需求。最后，針對評論中的服務因素，提出誠懇致歉、經濟補償、商家回復解釋及鼓勵消費者發布高質量評價等補救措施，以挽救負面評論帶來的危害，為其他消費者提供參考。

本文也存在一定的局限性：在負面評論的篩選時，直接選用平臺本身提供的星級評價，未能對全部評論進行負面內容篩選及識別，且在停止詞庫中對當前時代的流行語控制得不夠完全，存在一定的缺失。同時，詞語與詞語之間存在著密切的語義網絡，語義網絡是一種社會網絡分析方法^[22]，通過構建負面評論語義網絡來完善主題模型分析結果是后續的研究重點。

參考文獻：

[1]Maheswaran?D，Meyers-Levy J．The influence of message framing and issue involvement[J].?Journal of Marketing Research，1990（3）361-367．

[2]Chevalier J A，Mayzlin?D.The effect of word of mouth on sales： online book reviews[R].?National Bureau of Economic Research，2003．

[3]陸海霞，吳小丁，蘇立勛.差評真的那么可怕嗎？——負面線上評論對消費者購買行為的影響研究[J].北京社會科學，2014（5）：102-109.

[4]李琪，任小靜.矛盾性追加評論對感知有用性的影響效應研究[J].管理科學， 2017（4）：139-150.

[5]杜學美，吳亞偉，高慧，等.負面在線評論及商家回復對顧客購買意愿的影響[J].系統管理學報，2021（5）：926-936.

[6]Zhang JQ，G Craciun，D Shin.When does electronic word-of-mouth matter？ A study of consumer product reviews[J]. Journal of Business Research，2010（12）：1336-1341.

[7]MAHESWARAN D，MEYERS LEVY J.?The influence of

message framing and issue involvement[J]. Journal of Marketing Research，1990（3）：361-367．

[8]王陽，王偉軍，劉智宇，等.在線負面評論信息對潛在消費者購買意見影響研究[J].情報科學，2018（10）：156-163.

[9]張亞明，蘇妍嫄，張圓圓.負面在線評論對消費者感知風險影響研究[J].河北經貿大學學報，2020（1）：100-108.

[10]李宏，喻葵，夏景波.負面在線評論對消費者網絡購買決策的影響：一個實驗研究[J].情報雜志，2011（5）：202-206.

[11]史偉，王洪偉，何紹義.基于微博情感分析的電影票房預測研究[J].華中師范大學學報，2015（1）：66-72.

[12]Dasgupta S，Sengupta K. Analyzing consumer reviews with text mining approach：A case study on Samsung Galaxy S3[J]. Paradigm，2016（1）：1-13.

[13]李涵昱，錢力，周鵬飛.面向商品評論文本的情感分析與挖掘[J].情報科學，2017（1）：51-61.

[14]鄭麗娟，王洪偉.基于情感本體的在線評論情感極性及強度分析：以手機為例[J].管理工程學報，2017（2）：47-54.

[15]龐慶華，董顯蔚，周斌，等.基于情感分析與TextRank?的負面在線評論關鍵詞抽取[J].情報科學，2022（3）：398-404.

[16] Blei?D M，Ng A Y，Jordan M I. Latent Dirichlet Allocation[J].Journal of Machine Learning Research，

2003（3）：93-1022.

[17]徐戈，王厚峰.自然語言處理中主題模型的發展[J].計算機學報，2011（8）：1423-1436.

[18]關鵬，王曰芬.科技情報分析中LDA主題模型最優主題數確定方法研究[J].現代圖書情報技術，2016（9）：42-50.

[19]賈素瑩，韓樹榮.負面在線評論的服務補救對顧客滿意影響的實證研究[J].學術探討，2015：198-201.

[20]仇立.服務失誤情境下互聯網顧客忠誠影響機理[J].中國流通經濟，2018（5）：84-96.

[21]王長征，何釤，王魁.網絡口碑中追加評論的有用性感知研究[J].2015（3）：102-114.

[22]李綱，葉光輝.網絡視角下的應急情報體系“智慧”建設主題探討[J].情報理論與實踐，2014（8）：51-55.

Research on remedial measures for negative reviews of e-commerce products based on ?sentiment analysis

Xue Chenjie， Wang Zhaoyi， Jiang Nan， Qian Liqiong

（School of E-commerce， Anhui Business College， Wuhu Anhui 241002）

Abstract：Negative reviews of products on third-party shopping platforms have adverse effects on consumers' purchase intentions， merchants' credit ratings， and platform transaction conversions， which need to be remedied through effective measures. Analyzing the negative comments and putting forward relevant suggestions has certain reference significance for the improvement of marketing strategies and customer relationship management of merchants. Taking the current domestic mainstream brand Xiaomi mobile phone as the research object， using the Octopus collector to crawl the comment content of Jingdong Mall for sentiment analysis， and using the Jieba?word segmentation， word cloud map， and LDA topic model to analyze the negative comments of the product. The main negative comments of consumers on Xiaomi mobile phones on the platform are reflected in six aspects， which bring a bad experience to consumers， and the brand side should pay attention to it and implement remedies.

Key words：?Emotional Analysis; Negative Review Remedy; Topic Model