基于信息采纳视角的在线评论有用性排序研究

王建文

（福州大学经济与管理学院，福州 350108）

0 引言

截至2018年6月，在线旅行预订用户规模达到3.93亿，较2017年末增长1707万人，增长率为4.5%，其中，预订旅游度假产品的用户规模增速最快，半年度增长率为9.7%[1]。目前，旅游度假产品预订已经成为旅游发展的一个重要组成部分且发展潜力巨大。由于旅游度假产品具有综合性、无形性、生产与消费的同一性等特点[2]，在线预订网站除了呈现旅游产品的相关信息，通常还提供评论、评分等功能，为潜在的游客提供参考。以往研究表明，相比于在线旅游预订网站呈现的信息，其他游客的在线评论对旅游消费者的购买决策影响更大。因此，旅游消费者在出发之前通常会事先浏览多个在线旅游预订网站用户的在线评论，了解旅游景区位置、路线、服务等相关信息，并决定是否购买相关旅游产品。

然而，随着在线旅游预订网站的快速发展，旅游景区的在线评论数量急剧增加，部分热门景区评论数量达到成千上万条。在当前信息过载的情况下，过短的、低质量的评论都会影响消费者对在线评论信息的判断。为了解决这一问题，在线旅游预订网站通常将在线评论“按时间”或“按有用性”进行排序，但是单一的排序结果往往夹杂着有用性低或时间很早的评论，无法满足用户的信息需求。因此，如何识别低质量评论、获取有价值、感知有用性较高的评论，对提升用户检索体验，改进景区管理者服务质量具有重要意义。

在线评论（Online Reviews）是网络平台中由消费者发布的针对产品或服务体验正面的或负面的评价，其内容主要由两部分组成，一是可量化的星级评分；二是文本陈述。在线评论有用性影响因素方面，已有的研究主要借鉴以往的理论视角，从在线评论的构成要素分析影响因素，并采用具体网站数据进行理论模型的实证分析，探讨各个构成要素对在线评论有用性正面或是负面的影响。例如：吴江等人以信息采纳理论和和负面偏差理论为基础，采集亚马逊中国网站不同品牌手机的评论数据，认为评论者有用性、评论信息量、评论极性会对评论有用性产生正面影响[3]。Yang Liu等人采用非线性回归模型，以IMDB影评数据集进行实证研究，探究评论者的专业程度、评论的可读性对评论有用性的影响[4]。郝媛媛等人从文本特征出发探索影响在线评论有用性的因素，认为在线影评中正向的情感、较长的评论长度对评论有用性具有正向影响[5]。

在线评论有用性排序方面，已有的研究主要从在线评论有用性的影响因素出发，选取相应的量化指标，实现在线评论的效用排序。在线评论有用性指标的选取主要有两种：一是在线旅游预订网站评论系统直接显示的评论文本内容、评分星级、评论时间、评论有用性投票票数、回复数、评论者等级等指标；二是评论文本内容基础上研究的评论可读性、评论情感极性等指标。例如：王倩倩将文本型评论与数值型评论的一致性进行量化，结合评论时间、评论长度、评论者身份披露等影响因素，专家打分求均值作为指标权重设定，实现在线商品评论信息可信度的排序[6]。毕建武等人通过多粒度情感强度分析算法确定每条评论针对商品属性的情感强度值，然后对情感强度值进行统计分析，得到备选商品针对商品属性的多粒度情感强度分布形式的属性值，最后采用随机逼近理想点排序法确定备选商品的排序[7]。

总体来说，目前国内外相关研究大多关注各个信息要素与在线评论有用性之间的关系。评论有用性排序研究相对较少，选取的关键指标通常涉及产品属性词提取以及属性情感提取，需要构建产品属性特征词词库，经由人工筛选判断，过程相对繁琐。基于此，本文通过文献调研，借鉴信息采纳理论的原理，结合在线预订网站的评论数据结构、内容，首先选取影响在线旅游预订网站在线评论有用性的5项关键指标，然后进行关键指标的量化，最后利用熵值法设定权重构建在线预订网站在线评论的有用性排序模型。

1 信息采纳理论模型及关键指标

1. 1 信息采纳理论模型

Sussman等人在精细化加工可能性模型（EML）的基础上提出了信息采纳模型（见图1），并应用于组织内在线交流的情境[8]。该模型认为信息接收者是否采纳某条信息，一是考虑信息的质量，二是考虑信息源的可信度。其中信息质量对应EML模型的中心路径，信息源可信度对应EML模型的边缘路径。

图1 信息采纳模型

通过对马蜂窝网站在线评论结构（如图2）的分析，可以发现一条完整的评论数据包括用户昵称、用户等级、评论星级、评论文本、评论发表的时间、评论投票数（点赞数），评论来源，评论回复。结合信息采纳模型的基本框架并参考以往文献[6，9-11]，本文将评论质量作为信息质量，评论者可信度作为信息源可信度。其中评论质量可分为“评论长度、评论时间、评论星级、评论有用性投票票数”四个指标；评论者可信度可分为“评论者信等级”一个指标。

图2 马蜂窝在线评论

1. 2 影响在线评论有用性的关键指标

（1）评论长度

评论长度是指评论中含有字符的数量。更长的评论通常包括更多的产品细节以及产品在特定环境中的使用方式，能够消除产品的不确定性，增加消费者的决策信心[12]。现有的研究大都认为评论长度对评论有用性有正向影响。故此假设：评论长度越长，评论有用性越高。

（2）评论时间

评论时间是指发布该条评论的日期时间。产品通常会随着时间更新迭代，景区作为体验性产品同样也会随着时间产生变化。随着时间的推移，产品评论的可信度会逐渐改变，即评论发布的时间越早，评论的价值越低。故此假设：评论时间越接近当前阅读日期，评论有用性越高。

（3）评论星级

评论的星级评分是评论者在提交评论时，以星级形式给予商品或服务的一个总体评价，它是评论极性的一种表现[13]。关于评论的星级评分对评论有用性的影响，Mudambi和Schuff发现对于经验型产品，中间评分比极端评分更有用[12]。吴江的实证结果也显示评论评分与评论有用性呈现的倒U型曲线关系[14]。故此假设：评论星级越接近平均星级，评论有用性越高。

（4）有用性投票数

有用性投票是指在线评论有用与否的投票功能。有用性投票的票数既反映了之前的用户对该评论的认同，还影响了之后的用户对评论有用性的判断。以往研究结果表明评论者有用性投票及评论回复数这些指标对用户感知评论有用性具有正向影响[5]。故此假设：有用性投票票数越多，评论有用性越高。

（5）评论者等级

评论等级是评论者在其网站的累计经验级别。评论者等级越高，表明评论者在旅游产品方面的相关知识和体验越丰富，给出的评价通常更为客观、专业。以往的大部分关于评论者等级与在线评论有用性的研究结果较为一致，即评论者的经验等级对在线评论的可信度具有显著的正向影响。故此假设：评论者等级越高，评论有用性越高。

2 指标量化及指标权重设定

2. 1 关键指标的量化

（1）评论长度

由于评论者写作风格的影响，某些评论字数虽然多，但是其中含有无关的信息以及多余的标点符号，例如“真的是红色的门额，，。。，，。。。”。因此，仅以字符数（包含字母、标点符号）度量评论长度存在一定的偏差。本文研究主要利用删除停用词并计算词语总数的方式进行量化，具体步骤处理如下：①分词。利用NLPIR分词工具对在线评论文本进行切分。②停用词删除。使用哈工大中文停用词表删除出现频率高但又没有实际意义的词以及标点符号。③计算词语总数。计算新的词串集合的词语总数。量化后并规定20个词语及以下为0.1分，21-30个词语为0.2分，依次类推，大于100个词语为1分。

（2）评论时间

本文使用用户浏览网站日期与评论发表日期之间的天数差值进行评论时间的量化。规定距离现在时间差在10天以内记为1分，10-20天为0.9分，依次类推，大于90天均为0.1分。

（3）评论星级

本文评论星级量化以每条评论的星级评分和景区平均星级的距离来衡量，即两者之间的绝对值来度量。假设景区平均星级为4，那么某条评论数据星级为5的量化值为1。并且规定绝对值在0.1之内为1分，0.1-0.2为0.9分，以此类推。

（4）有用性投票数

马蜂窝网站在线评论的有用性投票含有具体的数值。由于有用性投票的实际数值大都为0，且存在极端值，故令有用性投票大于等于9个为1分，8个为0.9分，以此类推，0个为0.1分。

（5）评论者等级

评论者等级，即用户等级，是马蜂窝根据用户在网站的行为及经验设计的分级制度。用户可通过每日任务、发表游记、回答问题、发表点评等方式来获得经验值，达到一定经验值后，用户等级将会提升。目前，马蜂窝用户等级共分为1-45级，量化处理的数值对应为1-45。并且规定1-5级为0.1分，6-10级为0.2分，以此类推。

2. 2 评论指标权重设定

为了计算各个指标所占的权重，本文采用熵值法。熵值法根据各项指标观测值所提供的信息的大小来确定指标权重，是一种客观赋权法。指标熵值越小，离散程度越大，该指标对综合评价的影响（即权重）也越大。具体步骤如下：

（1）标准化处理。由于各个指标间存在不同的量纲和数量级，不能直接比较，为了保证结果的可靠性，需要对原始指标数据进行标准化处理。计算公式如下：

（3）计算第j项指标的熵值：

（4）计算信息熵冗余度：

（5）计算各项指标的权值：

（6）加权求和方式计算各样本的综合得分：

3 应用研究

马蜂窝旅游网是中国领先的自由行服务平台，以“自由行”为核心，提供全球60,000个旅游目的地的交通、酒店、景点、餐饮、购物、用车、当地玩乐等信息和产品预订服务。马蜂窝作为自由行交易与服务平台旅游

3. 1 实验结果

得到原始数据后，按照上述步骤对各个指标进行量化并标准化处理，利用熵值法求出各个指标的权重（见表1），最后根据最终得分对在线评论进行降序显示。本文选取马蜂窝网站原有排序的前3条评论和本文有用性排序模型的前3条评论进行对比分析，分别如表2和表3所示。服务提供商的代表，拥有全球多个国家和地区热门景区的评论数据，具有很强的典型性。

表1 关键指标权重

因此，本文以马蜂窝热门景区的评论数据作为研究对象，利用爬虫抓取了泰山风景区共计2151条评论数据。每一条评论数据包括：①评论文本；②评论有用性投票数；③评论时间；④评论星级；⑤评论者的等级。

3. 2 结果分析与讨论

从表2可以发现，马蜂窝的原始排序时效性权重不大，一些评论长度长、有用性投票数多的评论但时效性差的会排在前面。结合表3的排序结果对比分析可以得出，本文研究的评论有用性模型更注重评论的时效性，评论发表时间越接近当前日期，排序也会更靠前。而且对于评论长度、评论等级指标，采用模型排序靠前的在线评论与马蜂窝网站原有排序靠前的在线评论要更好或与之相当。

4 结语

本文以马蜂窝泰山风景区评论数据为对象，借鉴以往研究视角，结合马蜂窝网站评论系统的结构和内容，选取评论长度、评论时间、评论星级、评论有用性投票数和评论者等级5个在线评论有用性的关键指标，并利用熵值法设定指标权重，构建了旅游在线评论有用性排序的模型。研究应用结果表明，与马蜂窝原有在线评论排序结果相比，模型排序靠前的在线评论所展现的评论时间、评论长度评论等级都要好于马蜂窝原有在线评论或者与之相当。本文排序模型能够识别出在线评论的有用性程度，使得旅游消费者无需浏览全部页面的评论，就能获取评论质量较高的信息，在减少用户的搜索成本时间的情况下，较好地满足用户的信息需求。但本文未将影响在线评论有用性的因素纳入考虑，例如：图片数量、评论回复数量等，可供未来进一步研究。

表2 马蜂窝原有在线评论排序

表3 采用熵值法设定权重的在线评论排序