考虑信息熵的在线评论特征观点词对购买意愿的影响

霍红 张晨鑫

内容摘要：本文从在线评论中的特征观点词出发，爬取电商网站中的相关评论数据，结合情感分析技术，将信息熵作为改进计量经济模型的重要参数，得出其相关程度。结果发现，平均星级、发布时间以及好评率都与购买意愿显著关联，而评论数量和评论深度与购买意愿不存在明显关联，在评论中出现较多的产品属性不一定对购买行为产生较大影响，这主要取决于产品功能和用户体验，所以建议商家要注意评论数据收集，着重注意影响较大的产品属性的宣传。

关键词：在线评论 产品特征属性 购买意愿 情感分析 数据挖掘

文献综述

（一）产品特征属性对消费者购买意愿的影响

在目前的研究中，学者在产品特征对购买意愿的影响方向上的研究主要集中在4个方面，专家打分、模型分析、语义分析和经济学模型，下面对四种方法进行介绍。

专家打分法是最直观的在线评论特征观点识别的方法，通过在领域内知名专家与学者对该评论中产品的特征进行评价，Darby等将该方法用于产品信任度分析。但是这种方法存在弊端，领域内专家的意见与顾客们的意见往往相左，这在信任型商品中尤为明显，专家往往会注重商品的内在属性，而对于消费者来说，只要可以使用就可以，就这一点而言，在线评论提供了比专家更为广泛的用户观点采集渠道；其次，在线评论质量参差不齐，偏口语化的表达比较多，评论质量没有一个准确的衡量，还有一些学者将外包与众包的思想引入，以解决用户有用性感知不一致性的问题，但是外包和众包只是将受众群体扩大化，而不能代表广大消费者的意见。

基于模型的分析也是研究产品特征对消费者购买意愿影响的重要方法，一般分为两种研究思路，一种为建立语义和句子结构学习模型，Guo等建立了基于机器学习的句子结构自学习模型来获得的最佳参数，对产品的特征重要程度进行度量；另一种借助网络分析理论，将每一个产品特征看作一个节点，产品特征之间相互连接，形成产品特征网络，然后借助相关算法对模型进行求解，得出每一个特征节点的权威度，如Kleinberg等将书籍与作者的特征作为网络节点，链接成网络，并使用HITS算法对每一个节点的权威度进行测量，每一个节点的权威度就代表了该特征对消费者行为影响的权重，但是这种方法在网络构建上没有统一的方法。

使用计量经济模型挖掘产品的特征观点与消费者购买意愿也是一种可行的方式。早期Goolsbee等提出Hedonic模型，考虑每种特征出现的次数，将多次出现的特征设置较高的权重，但是这种方法没有将产品特征属性和情感词放在一起研究；还有一些研究将评论的星级作为因变量，评论文本中的“产品特征观点词对”作为自变量，采用多变量二次回归模型计算每一个产品特征属性的重要度，这种方法重要在因变量的选择上，Chevalier等在研究中使用该研究思路，得出不同星级的在线评论对消费者行为的影响是不同的，有时一星级的评论会比五星级的评论更能影响消费者行为，原因是一星级评论比五星级评论包含有消费者更感兴趣的产品特征属性。

（二）在线评论情感分析

在线评论细粒度情感分析。情感分析又被称为意见挖掘，是分析在线评论的语义，判断用户的情感倾向，比如用户对该产品是“满意”或“不满意”，或判断用户的观点是“赞成”或“反对”。

从学术角度看，学者们一般从粒度来研究情感分析。粗粒度情感分析出现较早，引用较多，适用于文档级文本，早期的研究偏向于用模型的方法来解决主体情感判断问题，随着机器学习技术的广泛应用，Chen等提出以半监督机器学习的算法解决自然语言内容分析，还有一些学者使用无监督式机器学习的方法解决大量口语化的在线评论关键词抽取问题。细粒度情感分析是对特征观点的词语级的情感极性和强度分析，Kanayama等经过大量的实验，提出了细粒度情感分析的基本步骤，首先计算词典的词语原子极性，并且通过原子极性和各词语之间的相关性得出每个评价词的情感，再通过各词语的情感得到句子的情感极性和强度，最后通过各句子的情感来判断文本的整体情感。从各位学者的研究结果来看，基于语义的情感分析方法适合于较短的在线评论情感分析，而基于机器学习的情感分析方法更适合于文档级的情感分析。

产品特征属性与情感词对的抽取。产品特征的抽取是细粒度情感分析的重要步骤，早期学者关于产品特征属性的研究，一般将产品特征属性和情感词分开抽取，且绝大部分采用统计学的方法。Zheng等利用统计分析的方法，研究在同一领域内和不同领域内特征词的分布情况，并且以领域相关性为依据，对产品特征属性进行排序，获取中文领域内的产品特征词。但是从已有的研究结果中发现，将产品特征属性和情感词作为一个整体抽取，能够获取的信息要多于分开抽取。基于此，Bloom等提出情感评价单元这一概念，这一概念要求将产品特征属性和评价该属性的情感词一起抽取出来，还有一些学者提出了相似的方法，郑丽娟等提出的情感本体都是与其相似的概念。基于产品特征属性与情感词对的识别方法一般分为两种：基于统计的方法和基于语义的方法。

基于统计学的方法是将评论中对产品特征属性和其评价词中的高级词匯，作为统计特征，再通过临近原则来判断相应观点。Hu等采用无监督式机器学习来挖掘产品特征属性及情感词，并基于人工标注的褒贬词典，找出句子中表达主观性的词汇，再定义一个以主观性词汇为中心、大小固定的窗口，将窗口中的名词或名词短语作为特征。综上，基于统计的方法自动化程度高，可移植性强，但准确率较低；基于语义的方法是将语言学知识引入数据挖掘中，用某种语言规则和句法规则来识别与提取特征观点。Back等人工定义了评价对象和评价短语，并采用多个共现模板来描述评价词语和评价对象之间的修饰关系，然而，由于模板过于简单且修饰关系仅停留在词语表面，在模板匹配的过程中，会产生大量的候选评价词语和候选评价对象，需要人工筛选来完成情感评价单元的获取。总体而言，基于语义的方法准确率较高，但可移植性较低。

观点词的情感判断。带有情感倾向的观点词是判断网络评论情感倾向的标准，所以有必要对评论中的情感词进行情感倾向和强度的判断。一般分为基于情感词典的办法和基于不同词性组合两种办法。

朱嫣岚等使用WordNet定义的词汇关联关系来计算情感词和一组情感倾向已知的距离，从而判断情感强度和情感极性，根据词典的语义相似度和语义相关度，对不同数目的基准词进行实验，实验的结果表明，词汇倾向性判断的准确性随着基准词的数量增加而增加；何跃等基于同义词典的情感褒贬度计算情感强度，也得到良好的分类效果；同时计算同义词和反义词的种子词频率也是经常被应用在情感词强度的测定上；任远远等又将此方法进行细化，以词组的形式进行情感强度的计算。基于词典的方法是起源较早的情感强度分析方法，但是它的准确性要取决于词典的类型和使用方法，所以该方法可移植性较高，但是准确性较低。

从以上的研究来看，学者们对抽取特征观点词的方法已经有了一定的研究，而对于每一种产品属性对消费者购买意愿影响程度的研究则相对较少，所以本文引入信息熵作为对消费者认知程度的衡量，以此为切入点深入探寻每一种产品属性对消费者购买意愿的影响。

研究模型构建

（一）研究框架

本文的研究步骤是，首先抽取在线评论中的产品特征属性和观点词，并且进行情感分析，然后对所有的产品属性变量进行聚合，通过信息熵的形式表现出来，并通过结合控制变量，构建计量经济模型，最后通过实时评论和销量的变化，对每一种产品属性对是否具有影响力进行估计与判断，研究框架如图1所示。

通过以上的研究框架，首先应设立产品特征属性的集合F={f1，f2，f3，f4，…，fn}，对F的情感信息集合E={e1，e2，e3，e4，…，ek}，与每种产品特征对消费意愿的影响程度集合为Θ={θ1，θ2，θ3，θ4，…，θn}，其中in表示产品特征属性fn重要程度，本研究的目的是通过情感分析算法抽取产品特征属性F，并且计算与之对应的情感词的强度S，并且建立情感影响销量的计量经济模型，最后挖掘出各个产品特征属性的重要度Θ。

（二）模型构建

信息增益与信息熵。面对海量的在线评论数据，消费者每阅读一条在线评论，都会对这种商品有一个更加全面的认识，这就是信息增益，无论是否用户真的了解评论的内容，若不了解，则为对该种产品产生了信息增益，若知晓该评论的内容，那么也是巩固了该信息。

信息增益一般由信息熵表示，令集合S={s1，s2}代表在线评论的分类空间，其中s1、s2分别表示评论有用和无用（可以通过随机投票来决定），公式（1）表示在线评论信息熵。

（1）

在线评论是一种用户生成内容，真实性无法进行核实，所以在本研究中假设所有的在线评论内容都是真实的。当消费者通过阅读在线评论，来进一步增进对该产品的认识，直到最后消除对该产品的陌生感，而产品特征属性就是在消除陌生感的过程中提供一定的信息，设该产品为p，当用户已经知晓该种产品的某一种特征f时，所产生的信息熵如公式（2）所示。

（2）

根据公式（1）和公式（2）可以计算产品特征属性f的信息增益，Divergence（f）表示产品特征f属性在消除用户不确定性上所产生的信息增益值用公式（3）来表示：

（3）

评论文本中的情感词是非常丰富的，尤其是中文文本，例如“不是很合适”和“很不合适”对消费意愿的影响都是有差异的，可见情感词的强度对购买意愿的影响也是较大的，所以模型中再引入一个变量Strength（f），最后引入分数Score（f）将其量化，所以最后该评论的最终得分如公式（4）所示：

Score（f）=Divergence（f）×Strength（f） （4）

改进的计量经济模型。计量经济模型是经济学领域中比较成熟的模型之一，其基本理论是产品需求量与产品的价格和特征属性服从线性关系，公式（5）为基本计量经济模型的公式表达：

ln（Dk）=αk+βln（pk）+γk （5）

Dk表示产品k的实时需求量，αk表示除价格之外的变量集合，如品牌、产品功能、颜色等，γk为扰动变量，该变量服从正态分布γk =（0，δ2）。

从现有的研究来看，消费者对在线评论的关注不是仅局限于文档级评论，而对在线评论中所描述的产品特征属性与形容其的情感词，特征级的在线评论更容易影响消费者意愿。公式（5）不能完整地表示各个特征变量，所有的变量都被整合在αk中，在产品的生命周期中，产品的硬件参数一般不会改变，但是产品特征的评论会随着时间的变化而变化。

潜在消费者会通过浏览在线评论来对产品的不确定性，当收集到了足够多的产品特征属性评论信息时，就可以计算每一个产品特征属性的重要性，所以将公式（5）进行改进和丰富，改进后的公式为公式（6）：

ln（Dk）=αk+δk+βln（pk）+γk （6）

其中αk为产品的内生属性，δk为产品的外生属性。

αk作为产品的内生属性，定义有很多种，其中学者们最为认可的就是将在线评论发布的时间作为产品的内生属性。原因有二：其一，每一种产品都有生命周期，在生命周期的每一个阶段，需求都是不同的；其二，在线评论是一种有时效性的用户生成内容，时间的差异会造成在线评论效价的变化。因此αk可以丰富为：

αk=αTk （7）

其中，Tk表示产品上市与发表评论的时间差。

產品外生属性指的是除产品本身所具有的各种特征之外的属性。对在线评论的早期研究中，学者们将评论数量、好评率以及销售排名这些外显型的属性作为研究对象，发现当产品内生属性相同的情况下，评论数量、好评率以及销售排名都会对销量产生一定的影响，所以，本研究中将评论数量、好评率以及销售排名均作为外生属性加入模型中，同时本研究同时将用户对产品的关注度、用户特征和评论深度加入其中，用户的关注度作为直接影响产品看点的重要变量，而已有研究指出，用户的偏好是不一致的，用户的关注点相互独立并且与市场特征的分布一致，用户特征可以根据社交网络圈进行聚类，评论的深度是产品在线评论的重要特征，已有的研究指出，当回复评论越多，这条评论的有用性就会显著增加，评论的有用性直接影响用户对产品的认知度，所以将以上变量加入模型中。基于以上分析，外生属性可表示为公式（8）：

δk=μ1logNk+μ2logADk+μ3logATk+μ4log（Rk）i-1+μ5logBk+μ6logDEk+μ7logVk （8）

其中Nk表示产品k的评论信息总量；ADk表示产品k的评论好评率；ATk表示产品k的关注度；Rk表示产品k的销售排名，因为一般通过第三方网站平台是不可能看到产品的具体销售数量，但是由于京东商城网站有每一种类商品销售的实时排名，所以本研究为可行性考虑，采用产品的销售排名来近似代替产品的销量；Bk表示购买产品k的用户人群特征；DEk表示产品k的在线评论深度（一般只考虑置顶评论的追加评论数量）；Vk表示产品的特征向量，具体表达式用公式（9）表达，这些变量就构成了产品外生属性。

（9）

在已有的研究中，学者们往往将在线评论当作是原子对象，忽略了评论中涉及的产品特征属性与情感词。本文将研究对象定位为“产品特征属性与情感词对”，通过改进计量经济模型，建立产品特征属性与情感词对的计量经济模型，模型见公式（10）：

ln（Dk）=αTk+μ1logNk+μ2logADk+μ3logATk+μ4log（Rk）i-1+μ5logBk+μ6logDEk+μ7logVk+βln（pk）+γk （10）

实验设计

（一）数据收集及预处理

本研究的实验数据均来自京东商城网上平台热水器的产品信息和评论信息。为了保证模型的准确性和真实性，利用多线程爬虫从2016年9月开始跟踪爬取，到2018年1月爬取结束（新产品会重新接入爬取），记录产品的品牌、价格、销售排名及评论文本等。本研究将产品特征属性与情感词对作为原子研究对象，采集的重点为：评论数量、评论时间、评论者信息、好评率、评论有用性投票、评论星级、上传图片及评论深度等。如上文所说，京东商城不会提供产品的具体销售数量，但是会公布销售排名，以其表示销量；使用Bing的趋势搜索——XRank表示用户的关注度；以热水器为目标商品，因为这种产品的更新换代很慢，而且一种产品的在销售时间也比其它小型家电要长。共采集包括史密斯、海尔等系列产品共6个品牌、325种产品的21.5万条数据信息，平均每个产品被评论613.27次，跟踪的产品的品牌和数量如表1所示。

本研究以第一条在线评论的发布时间作为产品发布时间。理论上，评论对消费意愿的影响是即时的，但是这会存在数据过于稀疏的问题，因此本文以月为单位，即假设上一月的评论信息会影响下一月的销售排名。

（二）“产品特征观点对”的构建

产品特征观点提取的是细粒度情感分析的重要部分，现有的方法大都是基于英文评论展开的。英文的评论句式固定、语法严谨，而中文的评论句式口语化严重、语法不规范、句子成分缺失等问题，这在一定程度上增加了识别的难度。基于英文与中文的差别，英文的提取方法不能直接应用在中文上。本研究基于中文口语化严重等特点，利用语义关系计算和分词标注的方法进行识别提取。

“特征观点词对”的识别。对于产品特征观点对的识别，具体来说，是一种半监督目标记机器学习的方法，产品属性分为显式属性与隐式属性，可以先挖掘显式属性，再少量挖掘一些隐式属性，由于本研究是基于中文语料的研究，所以不用现有词典，而是自建词库，找到特征观点的同义词和近义词，从而进行抽取，并进行分析。在匹配过程中，将产品特征标注为F（Feature），情感词标注为O（Opinion），匹配失败的就从实词序列中删除。

通过对现有的在线评论数据的分析，发现共4种特征观点的配对模式，分别为：FO模式，单一特征和单一的观点词，直接生成特征观点对，这种模式较容易识别；FFO模式，多个特征和一个统一观点，这种模式所描述的特征较丰富，而观点则比较统一；FOO模式，单一特征和多个观点，这种模式相比于前两种，观点表达就相对复杂，一个特征观点就包含了多种情感观点；FFOOFFOO模式，这是中文里比较常见的表达当时，多个特征属性和多个情感词不规则排列，这样的词对是最难抽取的，同时也是观点表达内容最丰富的。

数据的收集与情感强度分析。已有的在线评论系统的星级选项最多是5颗星。如果该评论是3颗星，那么很难说明其具体的情感倾向。因此，本研究将情感强度分为7个层级（-3至3），分别为负面、中性、正面，数值的绝对值表示强度的级别。具体数值如表2所示。

对情感词的提取主要应该提取形容产品特征的形容词、程度副词、有转折性的连词以及有修饰性的实词，将这几种词素组成情感词对取出，较为合适，而一般研究都将句子中词语的情感强度作为句子整体的情感强度。因此，将用户的整体星级打分当作对情感词的标注，这种标注方式类似发放调查问卷，实现了对词汇情感强度的重复定义。标注规则如表3所示。

最后利用关键词检索的方式，将特征观点词对导入SentiStrength中自动计算情感强度并输出，分数范围为-3至3分。

结果分析

（一）数据预处理结果

经过一系列的数据处理得到以下结果，首先是评论数量分布图如图2所示。从图2中可以看出超过50%的产品评论数量低于10000条，而且评论数量大于10000条的产品数量总体上呈递减态势。其次是当销售排名与评论数量的关系，如图3所示，从图3上可以看出，當期销售排名与评论数量有明显关系，且呈负相关在评论数量为26000和30000时出现小幅上扬，应该是有些产品上市期间已经很长，市场保有量已经趋于饱和，销量逐渐下降，不排除市场上有一些经久不衰的产品，但是属于少部分，尤其是热水器这样更新较快的产品，所以这些因素可以忽略。再次是评论星级与销售排名的关系，具体如图4所示，从4图中可以看出评论的星级与销售排名没有显著关系，只有5星级和4星级的评论能够带来可观的销量，其它的排名均无明显变化，所以通过星级来判断产品的销量是不可取的。最后是情感得分与销售排名的关系，具体如图5所示，其中刻度“-3”表示情感得分在[-3，-2]之间，从图5中可以看出情感得分与销售排名关系显著，呈负相关关系，所以情感得分对销量起到促进作用，当情感得分为正数时，对销量的影响尤为显著。

（二）产品特征属性重要度

计算模型中各自变量与因变量的相关性，本研究中用到SPSS软件，以产品的销售排名为因变量，平均星级、发布时间、产品价格、好评率、评论数量、用户人群特征、评论深度和特征向量作为自变量，通过软件计算相关性，结果如表4所示。

从表4中可以看出，销售排名与平均星级、发布时间以及好评率都有显著的相关性，但是在结果中意外的发现，产品评论的数量与评论深度，都与销售排名的相关性不大，原因应该是并非所有购买该产品的人都会发表自己的评论，且京东网站的评价系统是没有时间限制的，评论深度越深，可能是对该产品的质量越存疑，在系统中与商家或与其他有同样疑问的消费者互动，可能不会出现过大的相关度。产品特征向量与销售排名相关性不大的原因可能是由于其它自变量的影响较大，弱化了特征效用；产品价格与销售排名相关性不大可能原因是，现在的消费者注重的是产品的性价比，性价比与产品质量与价格均有关系，所以仅就价格而言，是不会对产品的销量有过多的影响。

通过人工方法对已经通过计算机自动抽取的产品特征属性进行筛选，并咨询热水器方面的专家，最后筛选出10个产品特征，如表5所示，由于是通过软件进行的自动筛选，所以筛选出的产品特征属性可信度较高。

从表5中可以发现，抽取到共10个常见产品特征，消费者对烧水速度、外观以及使用难易程度比较关心，但是数量多不一定代表影响消费者购买意愿的权重高，表6中显示了各特征属性的权重，这些权重来自公式（10）的模型，可以看出外观、加热类型、触摸面板、价格以及控制方式是最重要的产品特征，而难易程度、烧水速度、预约洗浴、容积与包装则权重较低，但是并不意味着这些产品特征属性对购买意愿没有影响，只是影响较小。

通过表5与表6的数据可以发现，烧水速度、外观以及使用难易是产品评论中提及最多的产品特征属性，而外观、加热类型以及触摸面板是影响权重最高的产品特征属性。一方面，表明评价的频率与产品特征属性的重要度不存在必然关系；另一方面，表明了采用信息增益的方法来处理产品特征属性的有效性，例如烧水速度是评论频率最高的产品属性，但用户认为这是热水器最基本的特征属性之一，而且与同层次的产品相比，加热的速度差异实属不大，因此该特征的权重值远不如评论的数量，而加热类型很少会在评论中出现，可能原因是其具有一定的专业性，购买热水器的用户大部分是不了解热水器的具体工作方式，但是商家一般在产品介绍中将该方式（单胆加热或双胆加热）列出，用户在购买之前一般都会先阅读产品介绍页面，再来查看在线评论页面，所以就出现在评论中出现较少的产品特征，却对产品的购买意愿产生较大的影响。

管理启示

首先，从商家的角度出发，现在市场上的商品一般包含两类属性：主观属性与客观属性，从理论上讲，搜索型产品包含有很多的客观属性，这类产品的商品介绍比较重要，消费者可以通过产品参数的对比，例如电脑内存大小、汽车发动机排量等，而对于体验型产品来说，商家所提供的产品介绍无法满足消费者对这类产品的需求，例如药品、书籍等一些产品，可见在线评论中所传达的一些情感信息有时会比商家提供的产品介绍更为重要，本文以用户的角度进行产品评论信息挖掘，并将产品各产品特征属性对消费意愿的影响程度进行量化，为商家在提高体验型或信任型产品销售量上提供了可行的方法。

其次，本文对用户偏好的识别具有一定的启示。其一，在线评论是消费者集体智慧的表现，这与现在以商家为中心的经营理念不同，集体智慧的倾向才是未来消费的具体方向，同时对产品的改进也是建立在大众对产品各特征属性的不同倾向程度上，与原来由商家指定重要特征和将少数权威专家的意见作为参考相比更具普适性；其二，产品特征属性对购买意愿影响的重要程度，可以作为用户偏好模型的建立的重要依据，通过本研究的方法，可以从海量的评论文本中筛选出消费者真正感兴趣的方面，在现在主流的电子商务网站首页一般有“为你推荐”或“猜你喜欢”等类似板块，这样的个性化推荐板块的核心算法和界面设计都要用到产品特征属性对购买意愿的影响程度作为基础，本研究对提升这两个模块的准确性提供了一种参考。

最后，对于商家的在线广告而言，本研究的方法也提供了新的视角。现在的产品介绍页面，基本上以商家自我意识明显，突出自家产品优势，在介绍页面大量介绍产品的客观属性，但是客观属性未必是消费者在购买时所感兴趣的方面。使用本研究的方法，可以将筛选出消费者感兴趣的产品特征属性，并且重点加以宣传，这样不仅可以提高广告的效果，还可以提高广告投放的精准度，宣传针对消费者的重要的产品特征属性。

参考文献：

1.DARBY M，KAMI E.Free competition and the optimal amount of fraud [J].Journal of Law and Economics，1973，16（1）

2.GUO J L，PENG J E，et.al.An opinion feature extraction approach based on a multidimensional sentence analysis model [J].Cybernetics and Systems，2013，44（5）

3.KLEINBERG J.Authoritative sources in a hyperlinked environment [J].Journal of the ACM，1999，46（5）

4.GOOLSBEE A，CHEVALIER J.Measuring prices and price competition online：Amazon.com and Barnes and Noble.com[J].Quantitative Marketing and Economics，2003，1（2）

5.CHEVALIER J A，MAYZLIN D.The effect of word of mouth on sales：Online book reviews [J].Journal of Marketing Research，2006，43（3）

6. CHEN，CHEN Z Y.An unsupervised approach for person name component bipolarization using principal analysis[J].IEEE TKDE，2012，24（11）

7.KANAYAMA H，NASUKAWA T.Unsupervised lexicon induction for clause-level detection of evaluations [J]. Natural Language Engineering，2015，18（1）

8.ZHENG Y，YE L.Extracting product features from Chinese customer reviews[C].The 3rd International Conference on Intelligent System and Knowledge Engineering，2008

9.BLOOM K，GARG N.Extracting appraisal expressions [C].HLT-NAACL.PA，2007

10.鄭丽娟，王洪伟.基于情感本体的在线评论情感极性及强度分析：以手机为例[J].管理工程学报，2017， 31（2）

11. 朱嫣岚，闵锦，周雅倩等.基于HowNet的词汇语义倾向计算[J].中文信息学报，2006，1（1）

12.何跃，尹小佳，朱超.基于情感及影响力的微博用户群体特征分析—以A手机为例[J].数据分析与知识发现，2017，1（10）

13.任远远.中文网络评论的产品特征提取及其情感倾向判定[D].中国科学技术大学管理学院，2015