社会化在线评论情感因素测量与有用性分析

田依林 滕广青 黄微

〔摘 要〕[目的/意义]社会化在线评论与传统的专业性评论相比，具有更为显著的传播速度和影响力。文本评论中的情感因素并非单纯的数量化评分能够完全体现的。对本文评论中情感因素的测量与分析，能够有助于在线评论的全角度识别与揭示，更加客观准确地反映在线评论的价值。[过程/方法]通过提取用户发布的在线文本评论数据，采用有监督机器学习的算法，分别计算文本评论的情感分类得分、情感倾向得分、综合情感得分。从类型、地区、人数多个维度对情感得分与总评分进行交叉对比分析。[结果/结论]研究结果表明，文本评论蕴含的情感因素对总评分具有部分的影响作用。用户的认知偏好、社会文化背景和评论人数占比会对情感因素的有用性产生影响。

〔关键词〕在线评论；情感因素；有用性；多维分析

DOI：10.3969/j.issn.1008-0821.2018.06.003

〔中图分类号〕G203 〔文献标识码〕A 〔文章编号〕1008-0821（2018）06-0019-09

〔Abstract〕[Purpose/Significance]Social online reviews have more prominence propagation spread and influence than traditional professional reviews.Emotional factors in text comments cannot be fully reflected by mere quantification scores.The measurement and analysis of the emotional factors in text comments can help full angle identify and reveal the online commentary，and reflect the values of online reviews more objectively and accurately.[Process/Method]By extracting the users text comment data，an algorithm of supervised machine learning was used to calculate the emotion classification score，emotion tendency score and comprehensive emotion score of text comment respectively.The emotion score and total score were cross-comparison analyzed from multiple dimensions of genre，area，number of participants.[Results/Conclusions]The results showed that the emotional factors contained in the text comments had a partial influence on the total score.Users cognitive preferences，social cultural background and the proportion of commentators would affect the usefulness of emotional factors.

〔Key words〕online review；emotion factor；usefulness；multi-dimensional analysis

在以互聯网为媒介的自媒体时代，社会化在线评论呈现出迅猛增长的态势，且数量极为庞大。开放的社会化在线评论以简洁表达、快捷分享、高速获取的网络时代传播规律，大大提高了用户参与评论、表达观点的可能性，呈现出随时随地发布、开放的好友关系、裂变式的传播机制。其中的文本评论虽然多采用非正规的语言表达形式或网络流行语，但却包含了丰富的情感因素以及相关信息，更能够反映出网民用户针对特定事件的真实情感和体验。社会化在线评论中的文本评论作为用户生成内容（User Generated Content，UGC）中的一个重要组成部分，对于用户信息决策过程具有传统专业性评论无法比拟的积极的辅助作用。现有的研究表明，社会化在线评论能够在很大程度上影响用户的信息决策行为[1]。

本研究通过数据挖掘技术提取在线用户撰写的文本评论，采用机器学习的贝叶斯算法对其进行情感分类、计算正负情感概率值，并转化为文本评论的情感得分。在此基础上，将文本评论的综合情感得分与实际总评分进行多维度对比分析，揭示社会化在线文本评论中的情感因素对实际总评分的影响作用和作用规律。

1 相关研究

出于充分发挥社会化在线评论的最大价值的目的，学术界在近年来对挖掘文本评论中蕴含的情感因素以及情感因素的有用性等问题展开了研究。目前学术界对社会化在线评论的相关研究主要围绕基于文本评论的情感识别和情感因素的有用性分析两个方面。

在文本评论的情感识别方面，博客、论坛、微博以及在线电影网站中包含大量由用户发布的带有情感倾向因素的评论文本，当前主要采用基于语义的情感识别方法和机器学习中的分类方法，对主观性文本中所包含的正面、负面、中立等情感倾向性进行判识。基于语义倾向的情感识别的基本原理是通过WordNet、HowNet等情感词典与评论语料之间的匹配实现情感标注任务。Kim等[2]使用种子词和WordNet扩展词表，基于词表匹配以及利用算法和规则计算情感倾向。Tong[3]通过人工添加和标注情感词，基于词表进行情感因素识别并构建了在线评论跟踪系统。Pang[4]等人则使用词袋（Bag-of-Feature）框架选定文本的N元语法（N-Gram）和词性等元素作为情感识别特征，将文本评论分为正面和负面两类。Kennedy等[5]在扩展程度情绪词的基础上，将语义极性与机器学习算法相结合，对文本评论的情感因素进行分类。近年来，国内学术界的张莉等[6]等学者利用随机场模型和最邻近方法对文本评论中的情感观点进行抽取。郝玫[7]等人基于自建的领域情感词典，综合评价频数和反转语义等因素，计算文本评论的情感倾向。吉顺权[8]及其合作者提出基于对象特征的关联规则数据挖掘模型，对文本评论中的正向、负向因素进行识别。

在情感因素的有用性研究方面，Kuan[9]等人基于文本评论的语句长度、可辨识程度、情感极性等因素，对文本评论的有用性进行分析，该研究表明具有特征的文本评论更容易被识别和发挥作用。Chintagunta[10]等人的研究表明，在考虑文本评论内生性情感因素的情况下，评论数量不会对实际营销产生影响。Mishne等[11]通过文本评论的情感倾向与实际营销之间的相关性分析，发现积极或消极情感的评论内容与实际营销具有很强的相关性。Dellarocas[12]则从在线评论数量、平均情感倾向之间的关系维度出发，发现含有极端内容的评论更容易引发口碑交流行为，进而对实际营销产生影响。与此同时，国内学术界关于在线评论的作用及效果方面的研究也取得了相应的进展[13]。马松岳[14]等人研究发现，文本评论的综合情感值与打分评价具有较强的相关性，文本评论包含的情感因素能够影响等级评分。王军[15]等人的研究结果则表明，在不同时间跨度的情况下，含有情感因素的文本评论的有用性，在细节性信息和抽象性信息两方面表现出差异。

综上所述，尽管学术界关于社会化在线评论的相关研究已经取得了较为丰富的成果，但是其中也存在一些尚不明确的地方。特别是关于在线文本評论蕴含的情感因素的有用性问题，也有部分研究认为文本评论中情感因素的实际有用性效果并不显著[16-17]。有鉴于此，本研究采用有监督机器学习的数据挖掘方法，基于真实在线评论数据，对文本评论中的情感因素进行测量与分析。通过评论内容的情感分值与最终等级评分的多维度比较分析，尝试探索在线文本评论中情感因素的影响程度和作用规律。

2 研究方法与数据处理

2.1 研究方法

社会化在线评论既包括数值型（或等级型）评价，也包括文本型评论。数值型评价难以体现评论的情感因素；文本评论则能够在文本语境中表达评论者的个人情感。因此，研究工作需要首先将文本评论中的情感因素进行形式化处理并提取，进而采用相应的方法测量情感得分，并在此基础上对评论文本中情感因素的有用性进行分析。

本研究采用自然语言处理（NLP）中的有监督机器学习方法，对在线文本评论进行情感分类测量。从获取的全部文本评论中随机抽取20%作为训练样本，人工标注“很好”、“较好”、“一般”、“较差”、“很差”共计5种情感分类训练集。运用带监督的FastText文本分类算法，根据文本的语义和N-gram模型提取词向量作为文本的情感特征。在此基础上，通过训练得到文本分类器，再利用该分类器将其余80%评论文本输入映射为相应的输出，计算每个评论对象对应的文本评论的不同情感分类的概率。按照公式（1）获得相应的情感分类得分。

公式（1）中，ECi为第i个评论对象评论文本的情感分类得分，（p1，…，p5）为不同情感分类的概率，n为情感分类数。同时，采用SnowNLP中文文本情感分析工具进行文本情感倾向测量。训练的数据主要是人工标注的正面、负面文本，通过训练模型得到一个介于0～1之间的情感值来表示该文本评论所包含的情感倾向值。情感值越接近于0，则负面情感倾向越强；情感值越接近于1，则正面情感倾向越强。根据训练模型计算每条文本评论的情感值，根据公式（2）得到代表评论对象的情感倾向得分。

公式（2）中，ETi为第i个评论对象评论文本所包含情感倾向得分，m为所有评论的总数，v为文本评论的集合，ui为第i个文本评论的情感值。将公式（1）与公式（2）两种情感测量方法结合，获取的综合情感得分。最终得到评论对象相关评论文本的综合情感得分如公式（3）所示。

公式（3）中，Ei为第i个评论对象评论文本最终的综合情感得分。研究中将基于公式（3）得到的情感得分从多个维度进行有用性分析。其中的有用性主要指文本评论蕴含的情感因素对总评分的影响作用。

2.2 数据采集与预处理

2.2.1 数据采集

本研究采用自主研发的爬虫工具，从国内最大的用户生成内容（User Generated Content，UGC）网站豆瓣电影网（movie.douban.com）抓取社会化在线评论的原始数据。豆瓣电影网拥有高达1.5亿个注册用户，3亿个月活跃用户，以及百万部影片和影人资料的收录，是目前中国最权威的电影分享与评论社区。该网站上不仅能够获得每部电影的在线推荐评分、各类型参评人数，还可以获得每部电影的评论文本、电影分类、评分占比等相关数据。抓取对象是2017年11月28日豆瓣电影热度排行榜排名TOP100的电影的短文本评论数据。采集的具体内容包括电影信息数据，以及与之相对应的评论信息数据。共计抓取到100部电影的2 704 635条短文本评论信息，构成用于情感因素测量与分析的电影短文本评论数据集，如表1所示。

表1中的原始数据包括电影名称、影片类型、制作地区、评论信息等。每部电影的评论信息数据包括短文本评论内容、短文本评论数量、总评论数量和总评论相关数据。其中，总评论包括文本评论和非文本评论（数值/等级评论）。这些数据是文本评论中情感因素测量与分析的基础数据集。

2.2.2 数据预处理

表1中的数据包括社会化在线评论的数值型数据和文本型数据两类。其中，社会化在线评论的数值型数据指豆瓣电影网中每部电影的短文本评论数量、总评论数量、总评分和评价等级占比（“力荐”、“推荐”、“还行”、“较差”、“很差”占总评价数的比重）等；文本型数据则是其中的全部短文本评论的文本内容。

使用Notepad++等文本处理工具对爬虫抓取的原始数据进行清洗，去除带有广告性质、链接信息、表情符号以及包含一些xml标签的各种无意义字符。清洗后用于情感测量与分析的数据是与每部影片相对应的短文本评论数据集合。研究中，采用自建的电影领域分词词典和停用词词典，对每条文本评论的内容进行中文分词和去除停用词处理。在此基础上，对文本评论的情感因素进行测量与分析。

3 情感因素的测量与分析

3.1 文本评论情感因素测量

研究中，分别根据公式（1）及公式（2）得到每部影片短文本评论的情感分类得分（ECi）和情感倾向得分（ETi）。在此基础上，根据公式（3）计算两种情感因素測量方法的得分结果的算数平均数，作为每部影片的综合情感得分（Ei）。情感得分的计算结果与采集到的该部影片对应的总评分（Si）详见表2。

3.2 测量结果的多重比较分析

针对表2中情感因素得分的计算结果，分别采用LSD、Tamhanes T2、DuncanT3三种方法，对文本评论的情感分类得分（组1）、情感倾向得分（组2）和总评分（组3）进行多重比较。从情感得分与总评分的一致性方面，总体判断文本评论中情感因素的有用性。比较结果如表3所示。

表3中的比较结果显示，3种比较方法分别得出的比较结果之间具有一致性。其中，文本评论的情感分类得分（ECi）与情感倾向得分（ETi）的计算结果之间不存在明显差异（表3中，组1与组2之间仅有微小差异）；而情感分类得分和情感倾向得分却分别与总评分（Si）之间均存在显著差异（表3中，组1、组2分别与组3有较大差异）。这一比较结果说明，总评分并不能直观地表达文本评论中的情感因素，用户文本评论语境中包含的情感因素难以通过单纯的等级型或数值型的总评分充分展现。或者说，文本评论中的情感因素对总评分并非具有完全的影响作用。考虑到情感分类得分与情感倾向得分之间的微弱差异，以及二者与总评分之间的显著差异，研究中进一步根据公式（3）计算短文本评论综合情感得分（Ei）。在此基础上，将综合情感得分与总评分进行多个维度的比较，从多维细粒度层面对文本评论中的情感因素有用性展开分析。

3.3 情感因素的有用性分析

3.3.1 基于类型维度的分析

社会化评论环境中，用户对不同类型评论对象的主观认知差异会对评论中的情感表达产生影响。研究中，参考各类电影网站的电影分类，对研究数据中的100部影片类型进行人工标注。将影片按照构成影片的叙事元素的相似之处，如场景、情绪、形式等类型特征划分为“恐怖＼惊悚＼悬疑”、“喜剧＼爱情＼家庭”、“战争＼历史＼传记”、“剧情＼犯罪＼冒险”、“动作＼冒险＼犯罪”、“科幻＼惊悚＼动作”、“动画＼儿童”、“奇幻＼冒险＼动作”8个类型。通过影片分类对文本评论综合情感得分和总评分之间的差异性进行分析。以总评分为横坐标，以文本评论综合情感得分为纵坐标构建散点图。8种类型影片的比较结果如图1所示。

图1散点图中大多数的点位于1∶1线以上。这一现象粗略说明文本评论的综合情感得分在总体上略高于总评分。进一步通过图中回归线和1∶1直线进行对照，分析不同类型影片的文本评论的综合情感得分与总评分的关系。图1中显示，“动画＼儿童”（g）类影片的用户文本评论的情感得分与总评分最为接近，且回归线的R2值为0.886。也就是说，文本评论的综合情感得分与该类影片的总评分具有极大的相关性，情感因素能够有效影响这类影片的总评分。“战争＼历史＼传记”（c）和“奇幻＼冒险＼动作”（h）两类影片的文本评论的情感得分与总评分的接近程度次之。差异度较大的影片类型是“恐怖＼惊悚＼悬疑”（a）、“喜剧＼爱情＼家庭”（b）、“剧情＼犯罪＼冒险”（d）、“动作＼冒险＼犯罪”（e）和“科幻＼惊悚＼动作”（f）5个类别。回归线与1∶1线的拟合情况最弱。对于这5类影片而言，文本评论中的情感因素对于总评分的影响微乎其微。由此可见，文本评论中的情感因素对于总评分的有用性并非可以一概而论，而是基于用户认知偏好的不同存在差异。

3.3.2 基于地区维度的分析

不同的社会文化背景同样能够对文本评论中的情感因素产生影响。将研究数据中100部影片的制片地区归纳为“美国”、“中国大陆”、“日本”、“韩国”、“印度”、“港台”和“联合制作”7类。从影片制作地区数量上来看，美国制作影片在排行榜上占比最大，为37%。以制作地区作为分类依据，对文本评论综合情感得分与总评分进行对比分析。同样以总评分为横坐标，以文本评论综合情感得分为纵坐标构建散点图。结果如图2所示。

图2显示，印度制作的影片（d）回归线与1∶1线的拟合情况最好，文本评论综合情感得分与总评分趋于一致，说明文本评论中表达的情感因素对总评分具有很大的影响作用。同时，印度制作的影片的回归线相对1∶1线略位置略低，且回归线R2值为0.911。这一现象说明，针对印度影片的文本评论的情感得分普遍略低于网站推荐评分。此外，中国大陆制作的影片（c）、日本制作的影片（e）、韩国制作的影片（f）的文本评论的情感因素对总评分的影响作用处于中等水平。尽管以中日韩为代表的东亚文化背景渊源，使得针对3类产地影片的文本评论的情感因素对总评分产生中等程度的影响，但是在细节上日本制作的影片的情感得分普遍略低于日本影片的总评分（图2（e）数据点多位于1∶1线之下）。一定程度上反映了在线网络用户对日本制作的影片在进行评论时受到社会文化等背景因素的干扰，批判态度所产生的锚定效应（Anchoring Effect）[18]导致情感得分较低。而美国制作（a）、联合制作（b）、港台制作（g）的电影的文本评论的情感得分与总评分之间的差异度非常明显，且大多数的数据点位于1∶1线之上。说明此3类产地的影片在用户中形成了一定的口碑效应，用户对其期望值也越来越高，从而导致较高的情感得分。但是该类影片一旦未能达到观众期望值，势必影响情感因素对总评分的作用。因此，尽管在文本评论中用户以文字语言表达了对该系列影片的情感预期，但也导致了情感得分对总评分影响作用的下降。综合上述情况，文本评论中包含的情感因素对于总评分的有用性，会受到社会文化背景因素的影响，不同背景下的有用性表现不同。

3.3.3 基于人数维度的分析

社会化评论系统中，参与数值/等级评价的用户未必都会撰写文本评论。参与豆瓣网总评分的用户中同样只有部分用户撰写了短文本评论。因此文本评论撰写人数与总评分人数之间的稳定性会对文本评论中情感因素的作用产生影响。研究数据中参与总评分的人数为5 852 471人，其中2 704 635人撰写了短文本评论。由于文本评论撰写者人数在总评分参与人数中的占比并不是严格的正态分布，且组间距过大，因此会出现同一部影片存在于不同组群的情况。为确保同一部影片在相同的组群中，根据评论人数在总评分人数中的占比（N），将100部影片分为G1～G5共5个组别，详见表4。

表4中，如果占比（N）较高，则说明参与总评分的用户中有很大比例的用户撰写了文本评论，反之则仅有少数用户撰写了文本评论。通过对各组综合情感得分和总评分数据的极差、方差和标准差等对分值数据的波动程度、离散程度及稳定性进行分析。一般情况下，极差越大，则数据波动范围越大；方差（或标准差）越大，数据的离散程度越大，稳定性越小；反之，则离散程度越小，稳定性越好。相关统计结果如表5所示。

将G1～G5各组中的综合情感得分与总评分转化为标准化分值作为纵轴，以文本评论人数在总评分人数中的占比为横轴，通过图形呈现评分波动与离散程度，结果如图3所示。

图3显示，G1组（N≤0.4）中分值波动程度不大，而且综合情感得分与总评分的曲线波动形态基本趋于一致；G2组（0.4

上述基于评论人数占比的分析，在不同的人数占比条件下，先后得出两种表面上似乎相反的结论。产生这一现象的原因在于，用户在发表评论（包括文本评论和等级评分）之前，必然接触到截至该时刻的总评分信息。而既有的总评分将会对后续用户评分产生锚定效应，影响用户的等级评分结果，从而产生信息的级联效应（Cascade Effect）[19]和群体极化（Group Polarization）[20]现象。而用户撰写的文本评论通过语言文字抒发用户的个人观点，虽然在等级评分中可能给出与既有总评分相似的结果，但其文本评论内容中包含用户的真实情感因素。文本评论语境中的情感因素更代表用户个人的认知感受，受到既有总评分的干扰程度较低。因此，随着撰写文本评论的人数占比的增加，情感得分与总评之间的差异逐渐凸显。即等级评分易受他人影响，文本情感表达则源自用户自身。进而在用户个体的主观情感表达方面出现“低分高评”或“高分低評”的情况。

4 结论与讨论

本研究采用有监督的机器学习方法，从文本评论中提取词特征来训练模型。使用模型对100部影片的270余万条短文本评论的情感因素进行测量与分析，并将情感得分与总评分进行多维度比较，对文本评论中的情感因素的有用性进行分析。研究工作初步得出以下结论：

1）文本评论蕴含的情感因素对总评分具有部分的影响作用。分析结果显示，尽管情感分类得分（ECi）与情感倾向得分（ETi）的测量视角和方法不同，但是在不同方法的比较测试中，二者分别与总评分（Si）之间存在显著差异（参见表3）。因此，基于二者算术平均值的综合情感得分（Ei）也必然与总评分之间存在显著差异。并且，在针对情感因素有用性的多维度分析中，评论对象的类别、制作地区、人数占比方面的不同，会使情感因素对总评分的影响作用表现出不同的效果（参见图1～3）。部分比较结果显出情感因素具有良好的影响作用（如，图1（g）、图2（d）等），而另一些比较结果则显示情感因素对总评分的影响程度差强人意（如，图1（e）、图2（b）等）。因此，文本评论蕴含的情感因素的有用性不能简单地确定为完全有用或完全无用，而是具有条件限制的部分有用性。

2）用户的认知偏好与社会文化背景对情感因素的有用性产生影响。在针对情感因素有用性的多维度分析中，不同种类、不同制作地区的评论对象在情感因素有用性方面表现差异巨大。如，“动画＼儿童”（g）类影片的情感得分与该类影片的总评分具有极大的相关性，情感因素能够有效影响这类影片的总评分；而“恐怖＼惊悚＼悬疑”（a）、“喜剧＼爱情＼家庭”（b）等类型影片的情感因素对于总评分的影响微乎其微（参见图1）。由此可见，惊险程度、爆笑程度等明显带有情感色彩的评判是因人而异的，用户认知偏好的差异无法单纯依赖数值或等级进行表达。另一方面，在针对不同产地的评论对象的情感因素分析中，文本评论蕴含的情感因素的有用性同样表现出明显的差异（参见图2）。这也从侧面证明了社会因素、文化背景等外部环境能够对评论者的预期产生锚定效应，从而造成文本评论的情感因素对总评分影响作用的差异性。

3）评论人数占比对情感因素的有用性产生影响。一般意义上来讲，如果每个用户独立给出等级评价，则参与人数越多，评价结果就越趋于合理。然而，人数维度的分析结果显示，文本评论人数占比较低（≤50%）的情况下，文本评论中的情感因素对总评分具有较大的影响作用；当文本评论人数占比较高时，文本评论的情感因素对总评分的影响作用极小（参见图3）。由于总评分是由文本评论用户和非文本评论用户共同给出的，用户给出等级评分时难以避免地受到既有总评分的影响，从而产生群体决策中的级联效应和趋向既有总评分的群体极化现象。反之，文本评论则是通过语言文字抒发用户个人的情感体验，受到既有总评分影响的概率大大降低。因此，文本评论人数占比越高，则文本评论（受影响小）与等级评分（受影响大）之间的差异就会越明显，文本评论中蕴含的情感因素相对于总评分的有用性就会被削弱。这一结果也从侧面为社会化在线评论的研究工作提供了一个新的思路。

本研究采用有监督机器学习的数据挖掘方法，基于真实数据对在线文本评论中的情感因素进行测量与分析，并与网站的总评分进行了多维度比较分析。从类型维度、地区维度、人数维度3个层面，揭示出文本评论中蕴含的情感因素在用户认知偏好、社会文化背景、群体决策效应等方面的差异。研究中也存在一定的局限性，尽管研究中对获取的数据中显性的无意义信息进行了清洗，但是数据中仍然可能存有貌似合理，但却出于商业目的的非正常评价，会影响数据的可靠性。在后续研究中，将选取更多领域和评论类型进行分析，进一步提高情感因素测算的精度，以期更全面准确地揭示文本评论中情感表达的模式与规律。

参考文献

[1]Senecala S，Nantela J.The Influence of Online Product Recommendations on Consumers Online Choices[J].Journal of Retailing，2004，80（2）：159-169.

[2]Kim S M，Hovy E.Determining the Sentiment of Opinions[C]//Proceedings of the 20th International Conference on Computational Linguistics，Stroudsburg，Association for Computational Linguistics，2004：1367-1373.

[3]Tong R M.An Operational System for Detecting and Tracking Opinions in Online Discussion[C]//Working Notes of the ACM SIGIR 2001 Workshop on Operational Text Classification.New York：ACM，2001：1-6.

[4]Pang B，Lee L，Vaithyanathan S.Thumbs up？Sentiment Classification Using Machine Learning Techniques[C]//Proceedings of the ACL-02 Conference on Empirical Methods in Natural Language，Stroudsburg，2002，（10）：79-86.

[5]Kennedy A，Inkpen D.Sentiment Classification of Movie Reviews Using Contextual Valence Shifter[J].Computational Intelligence，2006，22（2）：110-125.

[6]張莉，苏新宁，王东波.通用领域中文评论的意见挖掘研究[J].情报理论与实践，2012，35（4）：103-108.

[7]郝玫，王道平.中文网络评论的复杂语义倾向性计算方法研究[J].图书情报工作，2014，58（22）：105-110，129.

[8]吉顺权，周毅.产品用户评论在企业竞争情报中的应用[J].现代情报，2015，35（6）：114-121.

[9]Kuan K K Y，Hui K-L，Prasarnphanich P，et al.What Makes a Review Voted？An Empirical Investigation of Review Voting in Online Review Systems[J].Journal of the Association for Information Systems，2015，16（1）：48-71.

[10]Chintagunta P K，Gopinath S，Venkataraman S.The Effects of Online User Reviews on Movie Box ofFice Performance：Accounting for Sequential Rollout and Aggregation Across Local Markets[J].Marketing Science，2010，29（5）：944-957.

[11]Mishne G，Glance N.Predicting Movie Sales from Blogger Sentiment[C]//AAAI Symposium on Computational Approaches to Analyzing Weblogs，AAAI Press，2006：155-158.

[12]Dellarocas C.The Digitization of Word of Mouth：Promise and Challenges of Online Feedback Mechanisms[J].Management Science，2003，49 （10）：1407-1424.

[13]王倩倩.基于共词分析的国内在线商品评论研究热点探讨[J].现代情报，2017，37（10）：158-164.

[14]马松岳，许鑫.基于评论情感分析的用户在线评价研究——以豆瓣网电影为例[J].图书情报工作，2016，60（10）：95-102.

[15]王军，丁丹丹.在线评论有用性与时间距离和社会距离关系的研究[J].情报理论与实践，2016，39（2）：73-33，81.

[16]Yong L.Word of Mouth for Movies：Its Dynamics and Impact on Box Office Revenue[J].Journal of Marketing，2006，70（7）：74-89.

[17]Duan W，Gu B，Whinston A B.Do Online Reviews Matter？An Empirical Investigation of Panel Data[J].Decision Support Systems，2008，45（4）：1007-1016.

[18]田依林，滕广青，董立丽，等.基于概念格的虚拟社区信息甄别中锚定效应的矫正[J].现代图书情报技术，2011，27（4）：24-28.

[19]滕广青，姜航.社群用户信息决策中级联效应判识的修正[J].情报科学，2013，31（1）：106-110，117.

[20]Sunstein C R.The Law of Group Polarization[J].Journal of Political Philosophy，2002，10（2）：175-195.

（责任编辑：马 卓）