基于BP神經(jīng)網(wǎng)絡(luò)模型的用戶問答對(duì)服裝產(chǎn)品月銷量影響

張炎亮 趙蓓

摘要： 用戶問答作為產(chǎn)品口碑的新型定性化體現(xiàn)，一經(jīng)推出迅速成為各大電商平臺(tái)的熱點(diǎn)。文章以網(wǎng)購(gòu)平臺(tái)中服裝產(chǎn)品的用戶問答為切入點(diǎn)，構(gòu)建BP神經(jīng)網(wǎng)絡(luò)分析產(chǎn)品月銷量的關(guān)鍵影響因素，對(duì)電商平臺(tái)管理、店鋪經(jīng)營(yíng)具有實(shí)踐意義。借助分析工具對(duì)用戶問答數(shù)據(jù)內(nèi)容進(jìn)行挖掘，構(gòu)建用戶問答效價(jià)詞典，并建立用戶問答相關(guān)變量與產(chǎn)品月銷量的BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行實(shí)證分析。神經(jīng)網(wǎng)絡(luò)仿真結(jié)果表明，各相關(guān)變量對(duì)月銷量存在不同程度的影響，用戶問答數(shù)量正向影響月銷量，用戶問答類型中的關(guān)鍵影響因素為屬性型回答。

關(guān)鍵詞： 用戶問答;在線評(píng)論;文本分析;情感分析;BP神經(jīng)網(wǎng)絡(luò);產(chǎn)品月銷量

中圖分類號(hào)： TS941.1

文獻(xiàn)標(biāo)志碼： A

文章編號(hào)： 1001-7003（2021）05-0070-06

引用頁碼： 051111

DOI： 10.3969/j.issn.1001-7003.2021.05.011（篇序）

Abstract： As a new qualitative embodiment of product reputation， customers questions and answers（Q & As） has quickly become a hot spot on major e-commerce platforms once launched. This paper takes the customers Q & As in the online shopping platform as the entry point to build a BP neural network to discuss the key influence on the sales volume. By using the text analysis tools to mine the content of customers Q & As data， construct user Q & As valence dictionary， and establish the BP neural network model of cutomers Q & As related variables and monthly product sales for empirical analysis. The results of neural network simulation show that the relevant variables have different degrees of influence on the monthly sales volume， the number of user questions positively influences the monthly sales volume， and the key influencing factor of user questions type is attribute answers.

Key words： customers Q & As; online reviews; text analysis; sentiment analysis; BP neural network; monthly sales of products

隨著互聯(lián)網(wǎng)的普及和飛速發(fā)展，網(wǎng)絡(luò)購(gòu)物成為大眾主流的消費(fèi)方式。傳統(tǒng)網(wǎng)絡(luò)購(gòu)物過程中，消費(fèi)者通常通過在線評(píng)論來預(yù)測(cè)和判斷商品的質(zhì)量與口碑[1-3]。然而商品口碑包含多個(gè)方面，如品牌、店鋪信譽(yù)等都對(duì)消費(fèi)者的購(gòu)買行為產(chǎn)生重要的影響[4]。研究發(fā)現(xiàn)，口碑豐富能夠更好迎合顧客需求的多樣性，因此網(wǎng)絡(luò)平臺(tái)也推出了更多新的功能板塊來完善客服體驗(yàn)[5]，如淘寶網(wǎng)在商品詳情頁所推出的“問大家”和京東商城的“問答”板塊，通過用戶問答（Customer Q & As）建立起一個(gè)用戶直接傳播口碑的平臺(tái)[6]。通過該板塊，潛在消費(fèi)者可以就產(chǎn)品感興趣的方面向已購(gòu)買產(chǎn)品的消費(fèi)者發(fā)出提問，淘寶后臺(tái)邀請(qǐng)買家進(jìn)行回答，消費(fèi)者根據(jù)買家回答再進(jìn)行購(gòu)買決策。已有學(xué)者證明，用戶問答作為新的口碑表現(xiàn)形式對(duì)消費(fèi)者購(gòu)買意愿存在重要影響[6-7]。然而目前針對(duì)用戶問答的研究主要集中在知識(shí)社區(qū)中的問答行為分析[8]，另一方面針對(duì)產(chǎn)品網(wǎng)絡(luò)口碑的研究多集中在在線評(píng)論與追評(píng)上[9-10]，但對(duì)于電商情境下用戶問答評(píng)論對(duì)產(chǎn)品銷量影響的研究較少。鑒于此，本文構(gòu)建了網(wǎng)絡(luò)用戶問答數(shù)據(jù)神經(jīng)網(wǎng)絡(luò)模型，利用網(wǎng)絡(luò)爬取的服飾類商品“問大家”板塊評(píng)論數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)，通過月銷量的變化，分析研究用戶問答評(píng)價(jià)對(duì)產(chǎn)品月銷量的影響。

1 文獻(xiàn)回顧與研究假設(shè)

針對(duì)基于神經(jīng)網(wǎng)絡(luò)的月銷量影響研究，本文從用戶問答、評(píng)論內(nèi)容類型與在線評(píng)論三個(gè)方面進(jìn)行文獻(xiàn)梳理，并建立各自的研究假設(shè)。

1.1 用戶問答

對(duì)于在線評(píng)論的研究，學(xué)者們普遍認(rèn)為在線評(píng)論數(shù)量正向影響顧客購(gòu)買意愿[9-11]。而董京京等[12]認(rèn)為顧客間的信息互動(dòng)正向影響產(chǎn)品的促銷，用戶問答作為繼在線評(píng)論后消費(fèi)者另一重要信息來源，有效地搭建了一個(gè)顧客間進(jìn)行信息互動(dòng)的平臺(tái)。據(jù)研究統(tǒng)計(jì)，淘寶網(wǎng)每天有3 000萬的消費(fèi)者依靠問答信息進(jìn)行消費(fèi)決策，通過大數(shù)據(jù)匹配，超60%的問題可以在10 min內(nèi)被買家回復(fù)[6]。用戶問答作為一種產(chǎn)品口碑新形式，越發(fā)深刻影響顧客的購(gòu)買決策?；诖?，本文提出以下假設(shè)：

H1：用戶提問數(shù)量顯著影響產(chǎn)品月銷量。

H2：用戶回答數(shù)量正向影響產(chǎn)品月銷量。

1.2 屬性型評(píng)論和體驗(yàn)型評(píng)論

現(xiàn)有研究將在線評(píng)論劃分為對(duì)產(chǎn)品本身特征評(píng)價(jià)的屬性型評(píng)論和消費(fèi)者對(duì)產(chǎn)品使用體驗(yàn)評(píng)價(jià)的體驗(yàn)型評(píng)論兩種類型[13-14]。Park等[14]認(rèn)為屬性型評(píng)論的客觀邏輯性和說服力更強(qiáng);而Huang等[15]認(rèn)為主觀的體驗(yàn)型評(píng)論對(duì)消費(fèi)者的感知有用性具有正向影響，具有更高的信息價(jià)值。根據(jù)此，可推斷用戶回答中的評(píng)論屬性同樣影響消費(fèi)者購(gòu)買行為，且由于服裝作為體驗(yàn)型產(chǎn)品具有虛擬交易性和快銷性[16]，在產(chǎn)品質(zhì)量得到保證的情況下，涉及感受的主觀體驗(yàn)型評(píng)論能幫助消費(fèi)者更好地可視化產(chǎn)品[17]，在滿足對(duì)消費(fèi)者購(gòu)買意愿影響更大。對(duì)于評(píng)論效價(jià)的分析，鄭麗娟等[18]認(rèn)為一個(gè)商品評(píng)論的情感本體由特征觀點(diǎn)對(duì)和觀點(diǎn)次情感組成，構(gòu)建情感本體可以有效地判斷用戶對(duì)產(chǎn)品的態(tài)度。蔡慶平等[19]通過建立基于Word2Vec和CNN的細(xì)粒度情感分析模型，實(shí)現(xiàn)產(chǎn)品特征聚類，研判了用戶對(duì)產(chǎn)品特征的關(guān)注度和滿意度。因此，對(duì)于用戶問答的類型與效價(jià)分析是研究服裝產(chǎn)品銷量時(shí)的一項(xiàng)重要工作，由此提出以下假設(shè)：

H3a：正面體驗(yàn)型回答比正面屬性型回答對(duì)月銷量產(chǎn)生更積極影響。

H3b：負(fù)面屬性型回答比負(fù)面體驗(yàn)型回答對(duì)月銷量產(chǎn)生更消極影響。

1.3 在線評(píng)論

在線評(píng)論的數(shù)量通常是產(chǎn)品流行程度的一種體現(xiàn)，更是網(wǎng)絡(luò)口碑的體現(xiàn)，能夠減少消費(fèi)者在購(gòu)買時(shí)承擔(dān)風(fēng)險(xiǎn)的不舒服感[20]。產(chǎn)品的在線評(píng)論有正面和負(fù)面之分，即評(píng)論效價(jià)。有學(xué)者認(rèn)為，負(fù)面評(píng)價(jià)所產(chǎn)生的負(fù)面影響大于正面評(píng)價(jià)所帶

來的積極影響，即“負(fù)面偏差”效應(yīng)[21]。國(guó)內(nèi)外研究普遍認(rèn)為評(píng)論的效價(jià)正向影響購(gòu)買意愿[9，22]。然而，曹裕等[23]針對(duì)休閑食品評(píng)論效價(jià)分析發(fā)現(xiàn)，由于食品的特殊性，判斷往往取決于消費(fèi)者的口味和文化習(xí)慣等，進(jìn)而認(rèn)為評(píng)論效價(jià)對(duì)食品購(gòu)買決策無顯著影響。尹春麗等[24]通過在線評(píng)論數(shù)據(jù)挖掘，細(xì)化了在線評(píng)論中的不同產(chǎn)品特征對(duì)消費(fèi)者滿意度的影響。更有學(xué)者探討了在線評(píng)論與用戶問答的交互影響，嚴(yán)建援等[6]認(rèn)為用戶問答與在線評(píng)論的內(nèi)容產(chǎn)生矛盾時(shí)，用戶問答會(huì)對(duì)消費(fèi)者產(chǎn)品態(tài)度產(chǎn)生削弱效果。綜上可見，在線評(píng)論的數(shù)量和正負(fù)對(duì)服裝產(chǎn)品的月銷量存在重要的影響，基于服裝產(chǎn)品的特殊性，本文提出如下假設(shè)：

H4：在線評(píng)論數(shù)量顯著影響產(chǎn)品月銷量。

H5：負(fù)面評(píng)論比例對(duì)用戶問答影響月銷量的調(diào)節(jié)作用顯著。

通過對(duì)現(xiàn)有文獻(xiàn)的梳理可以發(fā)現(xiàn)，對(duì)于網(wǎng)絡(luò)口碑的研究主要以在線評(píng)論研究為主，探究在線評(píng)論不同相關(guān)變量對(duì)消費(fèi)者購(gòu)買意愿及產(chǎn)品銷量的影響，而用戶問答作為產(chǎn)品口碑新型定性化體現(xiàn)，其對(duì)產(chǎn)品銷量影響的研究仍為空白。本文選擇產(chǎn)品月銷量為因變量，通過網(wǎng)絡(luò)爬蟲提取用戶問答相關(guān)變量，利用神經(jīng)網(wǎng)絡(luò)研究各變量間的非線性關(guān)系，以期達(dá)到幫助電商平臺(tái)調(diào)整管理策略，增加產(chǎn)品銷量的目的。

2 研究設(shè)計(jì)

2.1 數(shù)據(jù)收集與處理

本文選取服裝行業(yè)，因其具有店鋪多元化和產(chǎn)品多樣性的特點(diǎn)，以此為案例進(jìn)行分析具有代表性和推廣性?？紤]到服裝產(chǎn)品的季節(jié)性和女性服裝的多樣性，針對(duì)秋季女裝，本文于2020年8月16日從淘寶客戶端選擇83家知名度較高的原創(chuàng)女裝店鋪銷量前三的秋季產(chǎn)品248件，產(chǎn)品類型包括外套、上衣、下裝，爬取了產(chǎn)品詳情中“問大家”板塊的問題39 520條，回答113 248條。樣本店鋪秋季女裝產(chǎn)品提問數(shù)量及回答數(shù)量用SPSS19.0做描述性統(tǒng)計(jì)，結(jié)果如表1所示。

2.2 用戶問答類型效價(jià)分析

2.2.1 商品提問類型分析

利用NLPIR-ICTCLAS漢語分詞系統(tǒng)對(duì)商品提問進(jìn)行關(guān)鍵詞提取，該分詞軟件主要采用交叉信息熵的方法來進(jìn)行關(guān)鍵詞提取，且可以通過交叉熵值自動(dòng)計(jì)算詞匯權(quán)重并按權(quán)重進(jìn)行排序。對(duì)提取到的數(shù)據(jù)進(jìn)行清洗，剔除無意義詞語后得到服裝產(chǎn)品提問的關(guān)鍵詞，選取分詞軟件計(jì)算所得權(quán)重為前10的文本進(jìn)行展示，結(jié)果如表2所示。

由表2可以發(fā)現(xiàn)，用戶更加關(guān)注的是自己身高體重對(duì)應(yīng)的衣服尺碼，通過統(tǒng)計(jì)該類型提問共有13 220條，約占總數(shù)的33%，且該類型提問往往是消費(fèi)者已有購(gòu)買傾向，為了更好地購(gòu)買到合適尺碼而提出，故不再將其歸入影響購(gòu)買意愿的因素中。對(duì)于剩下的26 300條用戶提問，為明確其屬性型和體驗(yàn)型的構(gòu)成，邀請(qǐng)兩名研究助理先熟悉消費(fèi)者對(duì)屬性型評(píng)論和體驗(yàn)型評(píng)論的界定，然后完成對(duì)用戶問答類型的判斷工作。通過分析整合判斷結(jié)果，本文發(fā)現(xiàn)在用戶問答中，屬性型問答略高于體驗(yàn)型問答，數(shù)量為12 624條，約占總數(shù)的48%，體驗(yàn)型問答數(shù)量為8 679條，約占總數(shù)的33%，另有3%的問答同時(shí)包含體驗(yàn)內(nèi)容和屬性內(nèi)容，還有16%問答涉及其他問題的解答。

2.2.2 商品回答效價(jià)分析

用戶問答文本效價(jià)分析即通過對(duì)帶有商品特征、個(gè)人感情色彩的消費(fèi)者評(píng)論進(jìn)行分詞、歸納和情感詞分析，來判斷已購(gòu)消費(fèi)者對(duì)產(chǎn)品的態(tài)度。由于用戶問答是采用“提問+回答”的形式，且沒有具體的評(píng)論效價(jià)分類，因此針對(duì)兩種類型的用戶問答進(jìn)行情感分析來判斷二者的評(píng)論效價(jià)。本文構(gòu)建面向服裝產(chǎn)品用戶問答的情感本體，進(jìn)而判斷用戶問答效價(jià)。步驟如下：

1）特征觀點(diǎn)對(duì)提取。通過NLP-ICTCLAS系統(tǒng)對(duì)商品提問進(jìn)行分詞和標(biāo)注，提取可表示商品特征的動(dòng)詞、名詞、副詞及形容詞。對(duì)于提取出的商品特征詞進(jìn)行詞頻統(tǒng)計(jì)，選擇高頻詞語利用Chameleon算法進(jìn)行聚類，得出關(guān)于商品特征觀點(diǎn)對(duì)，并將提取出的商品特征對(duì)記為Aj，代表商品的第j個(gè)特征。

2）商品回答效價(jià)詞典的構(gòu)建。商品問答效價(jià)有正負(fù)之分，對(duì)于在商品提問中所提取出的商品特征預(yù)定義評(píng)論效價(jià)，然后從商品特征對(duì)應(yīng)的回答中提取的情感觀點(diǎn)詞與預(yù)定義的屬性評(píng)論效價(jià)參照詞比對(duì)，依據(jù)同義詞合并的規(guī)則，確定提取的情感詞歸屬效價(jià)，進(jìn)而建立商品問答效價(jià)詞典并按問答類型進(jìn)行分類，再計(jì)算屬性型問答與體驗(yàn)型問答正負(fù)比例。具體構(gòu)建過程：

3）用戶問答效價(jià)數(shù)量統(tǒng)計(jì)?；谟脩魡柎鹦r(jià)詞典的識(shí)別結(jié)果，分別統(tǒng)計(jì)正面屬性型問答、負(fù)面屬性型問答、正面體驗(yàn)型問答及負(fù)面體驗(yàn)型問答的數(shù)量，預(yù)期通過不同類型用戶問答效價(jià)的數(shù)量分析對(duì)月銷量的影響。

2.3 變量描述及統(tǒng)計(jì)分析

消費(fèi)者會(huì)綜合考慮產(chǎn)品的詳情介紹、在線評(píng)論、用戶問答及店鋪評(píng)價(jià)等信息來做出購(gòu)買決策，而消費(fèi)者的購(gòu)買決策會(huì)直接影響產(chǎn)品的銷量。因此，本文選取的自變量分為用戶問答相關(guān)變量、在線評(píng)論相關(guān)變量與店鋪評(píng)價(jià)相關(guān)變量。其中，店鋪評(píng)價(jià)相關(guān)變量中的店鋪動(dòng)態(tài)評(píng)分取近6個(gè)月來消費(fèi)者對(duì)店鋪產(chǎn)品描述相符情況的評(píng)分，高于同行業(yè)水平取正，低于同行業(yè)水平取負(fù)。變量信息及描述性統(tǒng)計(jì)如表4所示。

通過表4可以發(fā)現(xiàn)，各研究變量中普遍存在數(shù)據(jù)分布較為離散的情況，且多個(gè)變量（如月銷量/件）存在均值低于標(biāo)準(zhǔn)差的現(xiàn)象，分析認(rèn)為是由于不同店鋪及不同產(chǎn)品之間受其上架時(shí)間、產(chǎn)品質(zhì)量、店鋪宣傳、店鋪人氣等影響而導(dǎo)致本文所選取產(chǎn)品各項(xiàng)研究數(shù)據(jù)變異程度過大，分散嚴(yán)重情況的出現(xiàn)。

3 實(shí)證分析

3.1 神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)

為探究月銷量與用戶問答之間的關(guān)系，針對(duì)前文選取的變量，本文使用神經(jīng)網(wǎng)絡(luò)代替?zhèn)鹘y(tǒng)回歸分析方法進(jìn)行變量影響敏感度分析。根據(jù)本文變量選取，設(shè)置BP神經(jīng)網(wǎng)絡(luò)輸入節(jié)點(diǎn)數(shù)為10，輸出節(jié)點(diǎn)數(shù)為1;在確定隱含層節(jié)點(diǎn)數(shù)量時(shí)，利用公式如下：

式中：m為隱含層節(jié)點(diǎn)數(shù)，n為輸入層節(jié)點(diǎn)數(shù)，α為1～10的常數(shù)。

取初始隱含層節(jié)點(diǎn)為5，然后逐漸增加1個(gè)節(jié)點(diǎn)，用同一組數(shù)據(jù)進(jìn)行訓(xùn)練，結(jié)果表明當(dāng)隱含層節(jié)點(diǎn)數(shù)為6時(shí)，神經(jīng)網(wǎng)絡(luò)足夠復(fù)雜，且實(shí)驗(yàn)數(shù)據(jù)集不會(huì)對(duì)網(wǎng)絡(luò)模型造成額外誤差。最后，本文初始權(quán)值設(shè)為（-1，1）之間的隨機(jī)值，利用Delta學(xué)習(xí)規(guī)則調(diào)整節(jié)點(diǎn)連接權(quán)值并逐漸減少誤差，選取tan-sigmoid作為隱含層和輸出層激活函數(shù)。

本文構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)模型，如圖1所示。

3.2 神經(jīng)網(wǎng)絡(luò)分析

為了避免模型過度擬合，本文采用十折交叉驗(yàn)證（10-Fold Cross Validation）法，將90%數(shù)據(jù)用于訓(xùn)練網(wǎng)絡(luò)，10%數(shù)據(jù)用于測(cè)量網(wǎng)絡(luò)的預(yù)測(cè)精度，并進(jìn)行10次十折交叉驗(yàn)證求均值，來測(cè)試模型擬合結(jié)果。在訓(xùn)練前設(shè)置網(wǎng)絡(luò)期望誤差為0.003，最大迭代次數(shù)為2 000，訓(xùn)練得到10組神經(jīng)網(wǎng)絡(luò)仿真誤差RMSE統(tǒng)計(jì)結(jié)果，如表5所示。

由表5統(tǒng)計(jì)結(jié)果可知，仿真訓(xùn)練組和精度測(cè)試組的誤差均值與誤差標(biāo)準(zhǔn)差都較小，且訓(xùn)練組的RMSE均值為0.062 5，測(cè)試組的RMSE均值為0.063 2，二者十分接近。對(duì)兩組RMSE數(shù)據(jù)進(jìn)行雙樣本t檢驗(yàn)，發(fā)現(xiàn)兩個(gè)樣本的網(wǎng)絡(luò)RMSE之間沒有影響。因此，本文確定建立的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)輸入變量與輸出變量之間的關(guān)系是可靠的。

3.3 變量敏感度分析

BP神經(jīng)網(wǎng)絡(luò)的各層神經(jīng)元連接強(qiáng)度用權(quán)值大小來表示，在神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中通過系統(tǒng)誤差反向傳播給前一層神經(jīng)元來不斷修正神經(jīng)元之間的連接權(quán)重。當(dāng)神經(jīng)網(wǎng)絡(luò)訓(xùn)練完成后，利用隱含層到輸出層權(quán)值乘以輸入層到隱含層權(quán)值可得到輸入變量對(duì)于輸出變量的重要性程度矩陣，取重要性程度的均值即為輸入變量對(duì)輸出變量的敏感度。本文的10次神經(jīng)網(wǎng)絡(luò)訓(xùn)練所得產(chǎn)品變量對(duì)月銷量的敏感度如表6所示。

由表6可以看出，對(duì)于服裝產(chǎn)品月銷量而言，在用戶問答的相關(guān)變量中，用戶提問數(shù)量與回答數(shù)量的重要性程度分別為9.28%與9.45%，都顯著影響了產(chǎn)品月銷量，因此假設(shè)H1、H2得到驗(yàn)證。對(duì)于用戶問答內(nèi)容的類型來看，負(fù)面屬性型回答重要度為10.50%，負(fù)面體驗(yàn)型回答重要度為3.16%，因此在負(fù)面回答對(duì)于產(chǎn)品月銷量的消極影響中，屬性型回答比體驗(yàn)性回答產(chǎn)生了更消極的影響，因此假設(shè)H3b成立;而正面屬性型回答的重要度為7.42%，正面體驗(yàn)型回答的重要度為583%，在正面回答對(duì)產(chǎn)品月銷量的積極影響中，屬性型回答比體驗(yàn)型回答產(chǎn)生了更積極的影響，原假設(shè)H3a不成立，故拒絕。在線評(píng)論的相關(guān)變量中以在線評(píng)論的數(shù)量對(duì)月銷量影響最為顯著，其重要度為24.67%，因此假設(shè)H4成立;在線評(píng)論差評(píng)比例的重要度為8.78%，也能夠顯著影響產(chǎn)品月銷量，故假設(shè)H5成立。在店鋪評(píng)價(jià)相關(guān)變量中，店鋪粉絲數(shù)量的重要度為11.72%，也會(huì)顯著影響產(chǎn)品月銷量，是值得關(guān)注的影響因素。

4 結(jié) 論

針對(duì)目前關(guān)于產(chǎn)品口碑方面的研究，多數(shù)只針對(duì)在線評(píng)論單一因素的網(wǎng)絡(luò)口碑形式進(jìn)行研判產(chǎn)品銷量變化的現(xiàn)狀。本文在理論層面通過建立基于神經(jīng)網(wǎng)絡(luò)的月銷量影響模型，為多變量間的回歸關(guān)系研究提供了新的視角。通過將用戶問答、在線評(píng)論、店鋪評(píng)價(jià)三種口碑形式結(jié)合，構(gòu)建月銷量的神經(jīng)網(wǎng)絡(luò)模型，為網(wǎng)絡(luò)口碑形式的研究提供了新的思路。在實(shí)證層面，本文基于電商平臺(tái)的用戶問答數(shù)據(jù)，結(jié)合產(chǎn)品在線評(píng)論與店鋪評(píng)價(jià)信息，對(duì)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行了實(shí)證研究，并對(duì)三種口碑形式的重要性程度做出了描述，為電商平臺(tái)與店鋪經(jīng)營(yíng)者對(duì)如何建設(shè)、利用好網(wǎng)絡(luò)口碑宣傳形式給出了建議。

本文在研究網(wǎng)購(gòu)平臺(tái)用戶問答對(duì)購(gòu)買意愿的影響時(shí)只考慮了正面與負(fù)面的用戶問答對(duì)產(chǎn)品銷量的影響，未考慮中性評(píng)價(jià)是否對(duì)銷量產(chǎn)生顯著作用，未考慮在線評(píng)論與用戶問答對(duì)消費(fèi)者購(gòu)買意愿的組合效應(yīng)影響，以及賣家人工操控用戶問答模塊對(duì)消費(fèi)者產(chǎn)生的影響，這是日后有待改進(jìn)的方向。

參考文獻(xiàn)：

[1]DOGAN G. A critical review of determinants of information search behavior and utilization of online reviews in decision making process[J]. International Journal of Hospitality Management， 2018， 76： 53-60.

[2]ZHENG Xiang. From digitization to the age of acceleration： on information technology and tourism[J]. Tourism Management Perspectives， 2017： S221197361730137X.

[3]ZHENG Xiang， ULRIKE Gretzel. Role of social media in online travel information search[J]. Tourism Management， 2010， 31（2）： 179-188.

[4]PARK J H， GU B， LEE H Y. The relationship between retailer-hosted and third-party hosted WOM sources and their influence on retailer sales[J]. Electronic Commerce Research & Applications， 2012， 11（1-6）： 253-261.

[5]HUANG N， HONG Y， BURTCH G. Social network integration and user content generation： evidence from natural experiments[J]. MIS Quarterly， 2017， 41（4）： 1035-1058.

[6]嚴(yán)建援， 李揚(yáng)， 馮淼， 等. 用戶問答與在線評(píng)論對(duì)消費(fèi)者產(chǎn)品態(tài)度的交互影響[J]. 管理科學(xué)， 2020， 33（2）： 102-113.

YAN Jianyuan， LI Yang， FENG Miao， et al. Interaction effects of customer Q&As and online reviews on consumer product attitudes[J]. Journal of Management Science， 2020， 33（2）： 102-113.

[7]石文華， 蔡嘉龍， 繩娜， 等. 探究學(xué)習(xí)與在線評(píng)論對(duì)消費(fèi)者購(gòu)買意愿的影響[J]. 管理科學(xué)， 2020， 33（3）： 112-123.

SHI Wenhua， CAI Jialong， SHENG Na， et al. Effect of inquiry learning versus online reviews on consumers purchase intention[J]. Journal of Management Science， 2020， 33（3）： 112-123.

[8]吳雅威， 張向先， 陶興， 等. 基于用戶感知的學(xué)術(shù)問答社區(qū)答案質(zhì)量評(píng)價(jià)指標(biāo)構(gòu)建[J]. 情報(bào)科學(xué)， 2020， 38（10）： 141-147.

WU Yawei， ZHANG Xiangxian， TAO Xing， et al. Construction of answer quality evaluation index based on user perception of academic question and answer community[J]. Imformation Science， 2020， 38（10）： 141-147.

[9]杜學(xué)美， 丁璟妤， 謝志鴻， 等. 在線評(píng)論對(duì)消費(fèi)者購(gòu)買意愿的影響研究[J]. 管理評(píng)論， 2016， 28（3）： 173-183.

DU Xuemei， DING Jingyu， XIE Zhihong， et al. An empirical study on the impact of online reviews on consumers purchasing intention[J]. Management Review， 2016， 28（3）： 173-183.

[10]楊楠. 矛盾性追評(píng)對(duì)顧客購(gòu)買行為的影響： 以服裝產(chǎn)品為例[J]. 中南大學(xué)學(xué)報(bào)（社會(huì)科學(xué)版）， 2019， 25（2）： 98-104.

YANG Nan. Impact of contradictory additional comments on customer purchase behavior： taking clothing products as an example[J]. Journal of Central South University（Social Sciences）， 2019， 25（2）： 98-104.

[11]LEE J， PARK D， HAN I. The different effects of online consumer reviews on consumers purchase intentions depending on trust in online shopping malls an advertising perspective[J]. Internet Research， 2011， 21（2）： 187-206.

[12]董京京， 許正良， 方琦， 等. 虛擬品牌社區(qū)顧客間互動(dòng)對(duì)其產(chǎn)品創(chuàng)新行為的影響[J]. 技術(shù)經(jīng)濟(jì)， 2019， 38（8）： 48-54.

DONG Jingjing， XU Zhengliang， FANG Qi， et al. Influence of customer-to-customer interactions on product innovation behavior in virtual brand community[J]. Journal of Technology Economics， 2019， 38（8）： 48-54.

[13]LUAN J， YAO Z， ZHAO F T， et al. Search product and experience product online reviews： an eye-tracking study on consumers review search behavior[J]. Computers in Human Behavior， 2016， 65： 420-430.

[14]PARK D H， LEE J. EWOM overload and its effect on consumer behavioral intention depending on consumer involvement[J]. Electronic Commerce Research and Applications， 2009， 7（4）： 386-398.

[15]HUANG L， TAN C H， KE W， et al. Comprehension and assessment of product reviews： a review-product congruity proposition[J]. Journal of Management Information Systems， 2013， 30（3）： 311-343.

[16]李亞東， 李靜， 張炎亮. 服飾類網(wǎng)上店鋪新產(chǎn)品預(yù)告對(duì)首周銷量的影響關(guān)系研究[J]. 絲綢， 2019， 56（11）： 46-52.

LI Yadong， LI Jing， ZHANG Yanliang. Research on the impact of new product preannouncement of online clothing store on first week sales volume[J]. Journal of Silk， 2019， 56（11）： 46-52.

[17]FRANKE G R， HUHMANN B A， MOTHERSBAUGH D L. Information content and consumer readership of print ads： a comparison of search and experience products[J]. Journal of the Academy of Marketing Science， 2004， 32（1）： 20-31.

[18]鄭麗娟， 王洪偉. 基于情感本體的在線評(píng)論情感極性及強(qiáng)度分析： 以手機(jī)為例[J]. 管理工程學(xué)報(bào)， 2017， 31（2）： 47-54.

ZHENG Lijuan， WANG Hongwei. Sentimental polarity and strength of online cellphone reviews based on sentiment ontology[J]. Journal of Industrial Engineering and Engineering Management， 2017， 31（2）： 47-54.

[19]蔡慶平， 馬海群. 基于Word2Vec和CNN的產(chǎn)品評(píng)論細(xì)粒度情感分析模型[J]. 圖書情報(bào)工作， 2020， 64（6）： 49-58.

CAI Qingping， MA Haiqun. A fine-grained sentiment analysis model for product reviews based on Word2Vec and CNN[J]. Library and Information Service， 2020， 64（6）： 49-58.

[20]FRANCIS A B. Word of mouth： understanding and managing referral marketing[J]. Journal of Strategic Marketing， 1998， 6（3）： 241-254.

[21]SENECAL S， NANTEL J. The influence of online product recommendations on consumers online choices[J]. Journal of Retailing， 2004， 80（2）： 159-169.

[22]HERR P M， KARDES F R， JOHN K. Effects of word-of-mouth and product-attribute information on persuasion： an accessibility-diagnosticity perspective[J]. Journal of Consumer Research， 1991（4）： 454-462.

[23]曹裕， 李青松， 萬光羽. 在線評(píng)論對(duì)消費(fèi)者休閑食品購(gòu)買決策影響研究[J]. 管理評(píng)論， 2020， 32（3）： 157-166.

CAO Yu， LI Qingsong， WAN Guangyu. The influence of online reviews on consumers decision to buy leisure foods[J]. Management Review， 2020， 32（3）： 157-166.

[24]尹麗春， 王悅. 基于在線評(píng)論的圖書消費(fèi)者滿意度影響因素與作用機(jī)理[J]. 圖書情報(bào)工作， 2019， 63（22）： 106-117.

YIN Lichun， WANG Yu. Influencing factors and mechanism of book consumer satisfaction based on online comments[J]. Library and Information Service， 2019， 63（22）： 106-117.