B2C電商平臺肉類產(chǎn)品消費者滿意度影響因素研究

摘要：基于京東海量評論數(shù)據(jù)進(jìn)行情報分析，挖掘影響肉類消費者滿意度的因素，探究消費者差評背后的原因，對電商平臺、商家持續(xù)提升消費者滿意度具有重要意義。文章以京東生鮮平臺肉類產(chǎn)品在線評論數(shù)據(jù)為例，利用文本挖掘方法對商品評論進(jìn)行主題提取與情感分析，綜合分析影響消費者滿意度的因素以及消費者差評原因。研究發(fā)現(xiàn)，產(chǎn)品因素、品牌因素、物流因素、平臺因素是影響消費者購買肉類產(chǎn)品滿意度的四大因素，構(gòu)成消費者差評的原因主要為產(chǎn)品質(zhì)量和包裝差、電商平臺運營水平差、物流服務(wù)質(zhì)量低、商家品牌建設(shè)不足。因此，商家和電商平臺應(yīng)改善產(chǎn)品質(zhì)量和提高包裝效果、提升平臺運營水平、改善物流服務(wù)質(zhì)量、提高商家品牌建設(shè)能力。

關(guān)鍵詞：肉類產(chǎn)品；消費者滿意度；在線評論；主題模型；情感分析；深度學(xué)習(xí)

一、引言

隨著居民消費結(jié)構(gòu)的升級和消費方式的轉(zhuǎn)變，電商日益成為重要的生鮮農(nóng)產(chǎn)品銷售平臺。據(jù)統(tǒng)計，2022年生鮮電商行業(yè)商品交易總額（GMV）突破了4 000億元，平臺滲透率超過10%[1]。生鮮電商的發(fā)展打破了冗長的傳統(tǒng)農(nóng)業(yè)供應(yīng)鏈，拉近了生產(chǎn)商與消費者之間的距離。消費渠道從線下轉(zhuǎn)到線上后，產(chǎn)生了海量的在線評論，而不同情感強度的在線評論對消費者的態(tài)度和購買決策具有重要影響[2-3]。因此，深度挖掘在線評論信息，對電商平臺以及商家改善消費者滿意度，提升消費者對生鮮農(nóng)產(chǎn)品的體驗感，輔助消費者做出購買決策具有重要意義。

肉類食物具有高營養(yǎng)價值，是平衡居民膳食的重要組成部分[4]。中國冷鏈物流基礎(chǔ)設(shè)施的完善為生鮮農(nóng)產(chǎn)品尤其是肉類的物流運輸提供了可靠保障，肉類線上銷售得以快速增長。然而線上銷售體系的不完善表明消費者線上消費粘性仍有待增強。鑒于此，本文結(jié)合自然語言處理技術(shù)與深度學(xué)習(xí)技術(shù)，提取B2C電商平臺下肉類產(chǎn)品中豬肉、羊肉和牛肉在線評論中的文本信息，利用BERTopic主題模型獲取評論文本中消費者滿意度評價維度，結(jié)合BiLSTM深度學(xué)習(xí)模型對其進(jìn)行情感分類得到各維度的情感傾向分布，探究消費者滿意度的影響因素，以期為電商平臺以及商家改善消費者滿意度提供決策支撐。

二、文獻(xiàn)回顧

（一）生鮮農(nóng)產(chǎn)品在線評論相關(guān)研究

不同行業(yè)、不同領(lǐng)域的研究表明，在線評論可以作為了解用戶偏好以及消費者決策的信息源[5-6]。目前，針對生鮮農(nóng)產(chǎn)品在線評論的研究主要包括兩個方面：在線評論的影響和消費者滿意度影響因素的挖掘。在線評論的影響方面，相關(guān)研究認(rèn)為生鮮農(nóng)產(chǎn)品在線評論能夠顯著影響消費者的購買意愿和電商平臺的銷量[7-8]，且不同的在線評論特征會產(chǎn)生不同的影響力[9]。更多的研究進(jìn)一步考慮評論數(shù)據(jù)具體的作用路徑與機(jī)制及其不同產(chǎn)品類型下在線評論的不同影響力[10]。如王英等[11]利用網(wǎng)頁爬蟲技術(shù)根據(jù)京東的稻花香所有系列產(chǎn)品的為期一年的在線評論數(shù)據(jù)，探索品牌、在線評論與農(nóng)產(chǎn)品銷量之間的關(guān)系以及二者如何對農(nóng)產(chǎn)品銷量產(chǎn)生影響。

大數(shù)據(jù)在農(nóng)業(yè)經(jīng)濟(jì)領(lǐng)域的應(yīng)用為國內(nèi)外研究者開辟了新的研究方向，其中一個重要方向是從在線評論數(shù)據(jù)中挖掘消費者滿意度影響因素，討論其對消費者決策的影響。如楊錚和牟元葦[12]通過爬取電商平臺農(nóng)產(chǎn)品的在線評論作為研究數(shù)據(jù)，利用LDA模型提取影響消費者滿意度的因素，進(jìn)而利用情感分析和TF-IDF權(quán)重結(jié)合的方法測算消費者滿意度；馮坤等[13]基于LDA模型提取在線評論中的主題，作為顧客對生鮮電商滿意度的影響因素，并利用隨機(jī)占優(yōu)準(zhǔn)則和PROMETHEE-II方法對生鮮電商的顧客滿意度進(jìn)行評估。

（二）BERTopic主題模型相關(guān)研究

主題模型是一種用于發(fā)現(xiàn)文本數(shù)據(jù)中隱藏主題結(jié)構(gòu)的統(tǒng)計模型，其通過對在線評論數(shù)據(jù)進(jìn)行降維從而挖掘潛在的主題信息，已成為探究消費者滿意度維度和影響因素的主要方法之一[14]。常見的主題模型是由BLEI等提出的LDA模型，根據(jù)不同的需求，研究者基于LDA做了大量的研究。林偉振等[15]運用LDA主題模型對在線評論進(jìn)行分析，以啟發(fā)商家優(yōu)化產(chǎn)品及提升服務(wù)；LUCICI等[16]應(yīng)用LDA模型對在線評論進(jìn)行消費者滿意度維度的識別與提取工作，用于指導(dǎo)航空公司提高競爭力。

近年來，隨著BERT預(yù)訓(xùn)練模型的快速發(fā)展，學(xué)者們提出一種基于BERT模型的主題建模技術(shù)BERTopic，將其應(yīng)用于短文本主題識別可以得到更加準(zhǔn)確且易于解釋的本文主題。趙爽等[17]使用BERTopic主題模型對讀者在線評論進(jìn)行主題提取，并在此基礎(chǔ)上分析影響讀者評價的主要因素，以便調(diào)整與優(yōu)化中華文化的走出去策略；MANUEL等[18]應(yīng)用BERTopic主題模型對Airbnb數(shù)據(jù)進(jìn)行分析，以更好地探究城市和沿海地區(qū)與游客偏好之間的關(guān)系。與LDA方法相比，BERTopic使用預(yù)訓(xùn)練的BERT模型來嵌入文本，能夠更好地捕捉文檔之間的語義關(guān)系；另外，LDA方法需要手動指定要生成的主題數(shù)量，而BERTopic通過聚類算法自動確定主題數(shù)量，能取得比LDA方法更好的情報分析效果。鑒于此，本研究采用BERTopic主題建模技術(shù)進(jìn)行在線評論主題挖掘，由此構(gòu)建消費者對生鮮農(nóng)產(chǎn)品滿意度的影響因素。

（三）文本情感分析相關(guān)研究

情感分析是NLP領(lǐng)域內(nèi)一類重要方法，其目的是從文本信息中分析和處理用戶觀點、態(tài)度以及情感，被廣泛應(yīng)用于計算機(jī)學(xué)科、管理學(xué)科、社會科學(xué)等重要學(xué)科中。情感分析方法主要包括基于語義詞典和基于機(jī)器學(xué)習(xí)的分析方法[19]。構(gòu)建情感詞典是基于語義詞典分析方法的關(guān)鍵，情感詞典可直接使用現(xiàn)有的情感詞典[20]或者在已有通用情感詞典的基礎(chǔ)上，通過增加或篩選情感詞，構(gòu)建適合自己研究的情感詞典[21]?；跈C(jī)器學(xué)習(xí)的情感分析方法則通過學(xué)習(xí)訓(xùn)練集中的文本特征與標(biāo)記之間的關(guān)系，來建立情感分類模型。如任中杰等[22]運用樸素貝葉斯分類器對微博評論內(nèi)容進(jìn)行情感分析。

在機(jī)器學(xué)習(xí)的子領(lǐng)域深度學(xué)習(xí)方面，ALATRASH等[23]利用定制的CNN框架對學(xué)習(xí)平臺上的評論內(nèi)容進(jìn)行分類，提高了情感分類模型的準(zhǔn)確率；毛曉莉等[24]則使用BiLSTM模型對汽車之家網(wǎng)站上新能源評論文本進(jìn)行情感分析。雖然基于情感詞典的分析方法準(zhǔn)確率高，但泛化能力不強[25]。目前，深度學(xué)習(xí)已逐漸成為情感分析的主流方法，然而在運用神經(jīng)網(wǎng)絡(luò)對文本數(shù)據(jù)進(jìn)行情感分析時，單模型存在文本中關(guān)鍵特征提取不充分，預(yù)測準(zhǔn)確率不高等問題，因此大多數(shù)研究采用混合網(wǎng)絡(luò)模型[26]。參考毛曉莉[24]和劉繼等[26]人的做法，本文選擇使用BERT作為輸入層將評論數(shù)據(jù)轉(zhuǎn)化為特征向量，再將結(jié)果輸入到BiLSTM模型，可以進(jìn)一步調(diào)整模型以提高情感分析等任務(wù)的性能。

綜上所述，已有的研究中，生鮮農(nóng)產(chǎn)品在線評論的影響、消費者滿意度影響因素的識別與提取等方面都得到了較多的研究，在線評論對某一品類的銷量影響也有涉及[11]，但從在線評論角度挖掘影響肉類產(chǎn)品消費者滿意度影響因素的研究較少。因此，本文采用BERTopic主題模型從在線評論里獲取肉類產(chǎn)品消費者滿意度影響因素，引入BERT作為輸入層，進(jìn)而使用BiLSTM模型識別在線評論中蘊含的情感，從而發(fā)現(xiàn)消費者差評背后的原因，進(jìn)而為商家與平臺改善消費者滿意度提供決策幫助。

三、研究框架

本文以在線評論作為數(shù)據(jù)源，使用BERTopic主題建模技術(shù)提取消費者滿意度維度，利用提取的消費者滿意度維度，通過BiLSTM模型對在線評論數(shù)據(jù)進(jìn)行情感分析，挖掘肉類消費者滿意度的影響因素，探究消費者差評背后的原因。研究框架如圖1所示。

（一）BERTopic主題模型

隨著BERT預(yù)訓(xùn)練語言模型的快速發(fā)展，基于BERT模型的BERTopic主題建模技術(shù)越來越受到廣泛的應(yīng)用。在BERTopic模型中，主題產(chǎn)生過程可分解為以下三個過程，（1）文檔嵌入：使用BERT預(yù)訓(xùn)練模型對評論語料進(jìn)行文檔嵌入；（2）文檔聚類：采用UMAP方法對前面得到的向量進(jìn)行降維處理，進(jìn)而使用HDBSCAN算法去聚類；（3）創(chuàng)建主題表示：利用基于類的TF-IDF方法（c-TF-IDF）來挖掘每個主題的主題詞，其計算公式如（1）式所示：

[Wx，c=TFx，c×log（1+A/fx）]" " " " " " " " " " " " " " " （1）

其中，[c]表示類別，[A]表示每個類別的平均單詞數(shù)量，[TFx，c]表示類別[c]中單詞[x]的頻次，[fx]表示所有類別中單詞[x]的頻次。因此，類別[c]里的每個單詞都有了一個分?jǐn)?shù)，分?jǐn)?shù)越高，越能代表這個類的主題。

（二）基于BiLSTM模型的情感傾向分析

為了分析在線評論數(shù)據(jù)的情感傾向，選取合適的情感分類器至關(guān)重要。以往的研究主要采用支持向量機(jī)（SVM）、決策樹、樸素貝葉斯和邏輯回歸等機(jī)器學(xué)習(xí)方法來進(jìn)行分類任務(wù)，而隨著深度學(xué)習(xí)技術(shù)的迅猛發(fā)展，以TextCNN、循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）、LSTM為代表的模型開始廣泛應(yīng)用于文本情感分析任務(wù)中。

BiLSTM模型能夠捕捉單詞序列之間的長期依賴性，因此，雙向長短期記憶網(wǎng)絡(luò)（BiLSTM）由于其高性能而被廣泛用于文本情感分析任務(wù)。具體而言，運用BERT對句子進(jìn)行分割并將其轉(zhuǎn)換為詞向量，再將其作為輸出傳遞到BiLSTM層，以獲取評論文本中的情感極性。通過兩者有效結(jié)合構(gòu)建新的混合模型來提高情感分類任務(wù)中的準(zhǔn)確性。

四、實證分析

（一）數(shù)據(jù)獲取

京東生鮮是京東旗下生鮮品牌，具有全渠道融合、全品類擴(kuò)展、全產(chǎn)業(yè)供應(yīng)鏈完善等特點，其銷售渠道覆蓋全面，商品種類豐富，冷鏈設(shè)備配送運輸穩(wěn)定可靠。作為國內(nèi)較為成熟的B2C電商平臺，京東2022年第三季度實現(xiàn)營收收入2 435億元，用戶活躍數(shù)達(dá)5.883億[27]，在其平臺上產(chǎn)生了海量的在線評論數(shù)據(jù)。高品質(zhì)肉類是京東生鮮的主打品種之一，文中的數(shù)據(jù)來源于消費者在該平臺上對豬肉、牛肉、羊肉的評價數(shù)據(jù)。

采用Python編寫爬蟲程序，從京東生鮮平臺自營專區(qū)抓取消費者在線評論數(shù)據(jù)。選取的數(shù)據(jù)時間段為2019年5月26日至2022年11月4日間的30 527條肉類在線評論數(shù)據(jù)。使用pandas庫、jieba庫、re庫、openpyxl庫對30 527條在線評論數(shù)據(jù)進(jìn)行預(yù)處理，剔除重復(fù)評論數(shù)據(jù)、過短評論數(shù)據(jù)、停用詞、非中文字符后得到23 425條標(biāo)準(zhǔn)化的文本數(shù)據(jù)。數(shù)據(jù)集字段包括顧客ID、評論時間、評論內(nèi)容、評論星級（見表1）。

（二）消費者滿意度影響因素獲取

運用Python語言、BERTopic庫對預(yù)處理后的23 425條評論數(shù)據(jù)進(jìn)行主題生成并對主題進(jìn)行命名。

1.主題生成。利用BERTopic模型，在肉類在線評論數(shù)據(jù)中找到了11個主題，其中2 096條評論數(shù)據(jù)未被分配主題，將得到的主題下各詞匯依據(jù)c-TF-IDF值由大到小排列，抽取排名靠前的10個特征詞作為代表性特征詞，每組特征詞最能代表一個主題，由此得到肉類產(chǎn)品在線評論的“主題-特征詞”分布（見表2）。從表2可以看出，相關(guān)詞匯均分布在同一主題，其中消費者最關(guān)注的主題為T3、T1、T7、T5、T9，其主題占比均超過了10%。

2.主題命名。將BERTopic主題模型中自動生成的主題-特征詞分布作為文檔分類依據(jù)，由于僅僅根據(jù)BERTopic主題模型進(jìn)行維度命名以及影響因素確定并不完整，需要結(jié)合學(xué)科領(lǐng)域知識對生成的主題進(jìn)行再凝練。參考張華泉等[28]人的生鮮農(nóng)產(chǎn)品消費者滿意度模型與殷彤等[29]人的電商扶貧產(chǎn)品消費者滿意度模型，對BERTopic抽取結(jié)果進(jìn)行命名和定義。首先將11個主題歸納為產(chǎn)品質(zhì)量、產(chǎn)品包裝、營銷策略、售后因素、發(fā)貨速度、物流時長、配送安全性、品牌知名度、品牌可靠性等9個評價維度，然后將9個評價維度概括為“產(chǎn)品因素”“平臺因素”“物流因素”“品牌因素”等4個影響因素。

各影響因素的具體維度和評論文本分布情況見表3。各維度排序依次為“產(chǎn)品質(zhì)量”“產(chǎn)品包裝”“配送安全性”“發(fā)貨速度”“品牌知名度”“營銷策略”“品牌可靠性”“物流時長”“售后服務(wù)”。從各維度占比來看，關(guān)注“產(chǎn)品質(zhì)量”的評論數(shù)占比高達(dá)22.13%，居首位，反映消費者在購買時更注重肉類的品質(zhì)。“產(chǎn)品包裝”“發(fā)貨速度”“配送安全性”“品牌知名度”維度占比分別為18.26%、10.86%、10.99%、10.82%，“產(chǎn)品包裝”維度占比位居第二，表明產(chǎn)品包裝對消費者滿意度有重要影響，其他三個維度的評論數(shù)占比相差不大且接近10%，說明“發(fā)貨速度”“配送安全性”“品牌知名度”等三個維度受到消費者的同等重視。“營銷策略”“品牌可靠性”“物流時長”“售后服務(wù)”維度占比則在10%以下，與前幾個維度相比，這些維度的評論數(shù)占比雖不高，但也體現(xiàn)了消費者在購物過程中對肉類產(chǎn)品屬性的偏好。值得關(guān)注的是，“售后服務(wù)”維度在評論文本分布中占比最小，說明消費者較為認(rèn)可京東平臺相對周到的售后服務(wù)，也反映出消費者對京東售后服務(wù)較為滿意。整體而言，在四大消費者滿意度影響因素中“產(chǎn)品因素”和“物流因素”數(shù)量占比均大于20%，其中“產(chǎn)品因素”的占比最多，體現(xiàn)了消費者對于肉類產(chǎn)品的品質(zhì)與包裝的重視，其他因素依次排序為“物流因素”“品牌因素”“平臺因素”，占比分別為28.68%、17.65%、13.27%。

（三）肉類產(chǎn)品消費者滿意度主題—情感傾向分布

根據(jù)情感類別數(shù)可將情感傾向分析任務(wù)劃分為二分類（正面/積極、負(fù)面/消極）、三分類（積極、消極、中性）和多分類（高興、激動、悲哀、憤怒等）任務(wù)[30]，依據(jù)研究目的將情感傾向任務(wù)劃分為二分類（正面/積極、負(fù)面/消極），從而發(fā)現(xiàn)消費者差評背后的原因，進(jìn)而為商家與平臺改善消費者滿意度提供決策幫助。在使用深度學(xué)習(xí)BiLSTM模型進(jìn)行文本的情感分析時，需要標(biāo)注好情感標(biāo)簽的文本數(shù)據(jù)，并且對帶有標(biāo)簽的數(shù)據(jù)進(jìn)行訓(xùn)練，以便可以用來對新文本進(jìn)行情感傾向預(yù)測。

首先，對文本數(shù)據(jù)進(jìn)行標(biāo)識。在爬取的肉類消費在線評論數(shù)據(jù)中，手動標(biāo)注好標(biāo)簽的數(shù)據(jù)6 914條，用“1”表示積極的情感傾向、“0”表示消極的情感傾向，形成標(biāo)注好標(biāo)簽的數(shù)據(jù)集。其次，將數(shù)據(jù)集分為訓(xùn)練集和測試集。將75%的數(shù)據(jù)集劃分為訓(xùn)練集，其余的25%界定為測試集。采用BiLSTM模型對訓(xùn)練集進(jìn)行訓(xùn)練，繼而用訓(xùn)練好的模型對測試集進(jìn)行預(yù)測。最后，分別對主題評論文本下的評論數(shù)據(jù)進(jìn)行情感傾向預(yù)測，從而獲得每個主題的積極情感傾向分布和消極情感傾向分布。

1.模型評價。為評估分類器的性能，通常采用精確率（Precision，P）、召回率（Recall，R）和F1分?jǐn)?shù)（F1 Score，F(xiàn)1）三個評價指標(biāo)對模型效果進(jìn)行評估，繼而使用混淆矩陣來測量所提出的方法的有效性?；煜仃囀蔷哂蓄A(yù)測值和實際值的四種不同組合的表，其主要用于解決與分類精度相關(guān)的問題，輸出可以是兩個或多個類別。設(shè)定輸出為兩個類別，給予真陽性（TP）表示成功分類為積極情緒的樣本總數(shù)，假陽性（FP）為被錯誤分類為消極情緒的樣本總數(shù)，假陰性（FN）表示被錯誤分類為消極情緒的樣本總數(shù)，真陰性（TN）表示成功分類為消極情緒的樣本總數(shù)（見表4）。

文中的混淆矩陣用于測量精確率（Precision，[P]）、召回率（Recall，[R]）、[F1] 分?jǐn)?shù)（[F1] Score，[F1]）。其計算公式分別如下：

[P=TP（TP+FP）] " " " " " " " " " " " " " " " " （2）

[R=TP（TP+FN）] " " " " " nbsp; " " " " " " " " " " （3）

[F1=2PR（P+R）] " " " " " " " " " " " " " " " " " " " " （4）

其中，精確率用于評估情感分類被正確預(yù)測為指定類別占所預(yù)測類別評論數(shù)量的百分比，召回率用于評估情感分類被正確預(yù)測占該類別情感評論數(shù)量的百分比，F(xiàn)1值是精確率與召回率的調(diào)和平均值，用于綜合評價精確率和召回率。

為驗證BiLSTM模型的有效性與精確性，同時使用長短期記憶網(wǎng)絡(luò)、支持向量機(jī)、卷積神經(jīng)網(wǎng)絡(luò)三種算法進(jìn)行效果對比，結(jié)果見表5。從情感分類結(jié)果可以觀察到，所采用的BiLSTM模型對于情感分析實現(xiàn)了88%的準(zhǔn)確率、87%的召回率、[F1]分?jǐn)?shù)為87，相比較而言，該模型能夠更好地完成情感傾向分析任務(wù)。

2.結(jié)果分析。消費者滿意度的四大影響因素下共有21 329條評論文本，各影響因素下的正向和負(fù)向文本分布情況如表6所示。四大消費者影響因素的正向評論數(shù)比例均大于80%，涉及“產(chǎn)品因素”的評論數(shù)最多，有8 615條，總體而言，在該影響因素中的正向情感評論數(shù)占比高達(dá)81%，負(fù)向評論數(shù)占比為19%，其在所有影響因素的負(fù)向評論數(shù)占比中位居第一，表明產(chǎn)品質(zhì)量和產(chǎn)品包裝方面仍有待提升。在各影響因素下的評論總數(shù)中，“平臺因素”下的評論數(shù)以及負(fù)向情感評論數(shù)量最少，分別有2 831條和482條，但負(fù)向評論數(shù)占比為17.03%，在所有影響因素的負(fù)向評論數(shù)占比位列第二，說明京東生鮮平臺的服務(wù)在大多數(shù)消費者心目中有一個固有的好印象，但平臺需要改善提升的點不少。正向評論數(shù)占比最多的是“物流因素”，正向評論數(shù)占比高達(dá)86.99%，說明消費者對京東平臺的物流服務(wù)比較滿意。最后，涉及“品牌因素”的正向評論總數(shù)為85.98%，僅次于“物流因素”的正向評論數(shù)占比，表明品牌因素在肉類產(chǎn)品購買過程中受到消費者的重視。

本文進(jìn)一步對四大影響因素下的具體維度進(jìn)行分析（見表7）。

“產(chǎn)品質(zhì)量”維度的褒義詞與貶義詞分別為“好吃、新鮮、細(xì)膩、不錯”“差、不好、不符”，說明消費者在體驗肉類產(chǎn)品過程中，更多關(guān)注肉質(zhì)細(xì)膩、色澤的鮮艷程度[31]等。生鮮農(nóng)產(chǎn)品的質(zhì)量保證是消費者關(guān)注的核心，如果商家銷售的生鮮農(nóng)產(chǎn)品質(zhì)量不能到達(dá)消費者的預(yù)期期望，即使商家提供了好的服務(wù)和低廉的價格，也會降低消費者的滿意度。而其貶義詞“差、不好、不符”則表明該維度產(chǎn)生負(fù)面評論的主要原因是肉質(zhì)與預(yù)期不符。

“產(chǎn)品包裝”維度的褒義詞與貶義詞分別為“精美、仔細(xì)、嚴(yán)實”“破損、漏氣”，從這些詞語可以看出，產(chǎn)品的包裝設(shè)計與包裝方式是消費者主要關(guān)注點，獨具匠心的特色農(nóng)產(chǎn)品包裝設(shè)計和包裝方式不僅能夠吸引廣大消費者的注意力，還能夠增強消費者的情感體驗[32]，“破損、漏氣”等貶義詞則反映出該維度產(chǎn)生負(fù)面評論的主要原因是包裝破損與漏氣。

“營銷策略”維度的褒義詞與貶義詞分別為“給力、特價、劃算、正品”“力度小”。促銷策略是影響消費者滿意度的重要因素[33]，在電商購物環(huán)境下，以消費者評論為重要參考依據(jù)的促銷策略會對消費者的購買決策以及滿意度產(chǎn)生重要影響，給力、特價、劃算的產(chǎn)品會極大地滿足消費者的期望。而“力度小”這一貶義詞則一定程度上說明消費者認(rèn)為平臺的促銷活動不夠大。

“售后服務(wù)”是生鮮電商供應(yīng)鏈運作的重要環(huán)節(jié)，能否有效防范售后風(fēng)險是電商平臺保存客戶流量的關(guān)鍵，退貨周期長、退貨流程不清晰、對顧客投訴不能有效處理會進(jìn)一步增加消費者不滿[34]，對比“售后服務(wù)”維度下的褒義詞與貶義詞“靠譜、專業(yè)”“不及時、不專業(yè)”，發(fā)現(xiàn)售后服務(wù)不專業(yè)，對消費者的問題解決不及時等現(xiàn)象是該維度下的消費者產(chǎn)生負(fù)面評論的主要原因。

物流服務(wù)已經(jīng)成為制約電商迅速發(fā)展的一大瓶頸，企業(yè)之間的競爭正在逐漸朝物流服務(wù)質(zhì)量的方向轉(zhuǎn)移，消費者在消費過程中愉悅的物流服務(wù)體驗會使消費者產(chǎn)生滿意感。具體分析“物流因素”下的“發(fā)貨速度”“物流時長”“配送安全性”三個維度，表7中以上三個維度的貶義詞反映出“發(fā)貨速度”維度產(chǎn)生負(fù)面評論的主要原因為發(fā)貨速度過慢，“物流時長”維度產(chǎn)生負(fù)面評論的主要原因為物流時長過長，“配送安全性”維度產(chǎn)生負(fù)面評論的主要原因為消費者在收到產(chǎn)品之后發(fā)現(xiàn)貨物有損壞。

對“品牌知名度”與“品牌可靠性”兩個維度來說，“知名、老字號、大品牌、回購”等褒義詞體現(xiàn)了消費者對該品牌所屬肉類產(chǎn)品的購買意愿以及回購意愿，也體現(xiàn)出品牌對消費者滿意度的影響程度。以上兩個具體維度的貶義詞“吹噓”“不重視、忽視”表明，“品牌知名度”維度產(chǎn)生負(fù)面評論的主要原因為有些品牌存在夸大宣傳與虛假宣傳行為，“品牌可靠性”維度產(chǎn)生負(fù)面評論的主要原因為有些品牌忽視消費者反饋等負(fù)面路徑。

五、結(jié)語

（一）研究結(jié)論

在線評論數(shù)據(jù)中蘊含消費者的需求與主觀感受，能夠從不同維度精準(zhǔn)反映消費者對肉類產(chǎn)品的滿意度，正成為商家以及電商平臺持續(xù)提升消費者滿意度的重要依據(jù)。本研究利用文本挖掘方法，發(fā)現(xiàn)了產(chǎn)品因素、品牌因素、物流因素、平臺因素是影響消費者購買肉類產(chǎn)品滿意度的四大因素，并對其進(jìn)行了相應(yīng)的探討；揭示了消費者在購買肉類產(chǎn)品后給出差評的主要原因為：產(chǎn)品質(zhì)量與包裝差，電商平臺運營水平差，物流服務(wù)質(zhì)量低，商家品牌建設(shè)不足。

（二）管理啟示

1.對電商平臺的啟示。首先，改善物流服務(wù)質(zhì)量。建立全覆蓋的信息共享系統(tǒng)，實施智能化配送調(diào)度方案，減少訂單履行時間，提高倉儲配送速度，增強消費者的消費體驗感。合理規(guī)劃訂單流程，實時調(diào)整優(yōu)化運輸網(wǎng)絡(luò)，依據(jù)客戶消費行為習(xí)慣，制定加急配送、定時配送等個性化物流服務(wù)，縮短物流配送時間。加強與第三方物流企業(yè)的合作力度，加大資金投入力度，強化先進(jìn)冷鏈物流技術(shù)的應(yīng)用，降低物流配送期間引發(fā)的肉類品質(zhì)劣變風(fēng)險。其次，提升平臺運營水平。加大商品折扣、預(yù)售、限時限量秒殺等促銷力度，推行跨店滿減優(yōu)惠舉措，加大內(nèi)容和直播領(lǐng)域投入，利用AI技術(shù)賦能平臺營銷生態(tài)，助力平臺實施有效和體系化的促銷策略。加強售后服務(wù)環(huán)節(jié)風(fēng)險控制，健全售后服務(wù)人員培訓(xùn)機(jī)制，基于消費者投訴信息分析，及時響應(yīng)客戶訴求，優(yōu)化肉類產(chǎn)品退換退貨流程及條件，降低消費者購買風(fēng)險，樹立平臺良好聲譽，提升消費者滿意度。

2.對商家的啟示。首先，改善產(chǎn)品質(zhì)量和提高包裝效果。加大人工智能及大數(shù)據(jù)的應(yīng)用，獲取豐富全面的消費者數(shù)據(jù)信息，持續(xù)挖掘消費者的消費需求與偏好，在情報分析的基礎(chǔ)上不斷改善消費者入手的產(chǎn)品質(zhì)量，為消費者提供新鮮、細(xì)膩、多樣化的肉類產(chǎn)品；針對不同特性的肉類產(chǎn)品采用適配的包裝設(shè)計和包裝方式，設(shè)置合理的包裝標(biāo)識，最大化保護(hù)商品、呈現(xiàn)商品信息，避免產(chǎn)品及包裝出現(xiàn)破損。其次，提高品牌建設(shè)能力。加強以消費者為導(dǎo)向的企業(yè)文化建設(shè)，建立健全消費者反饋渠道，強化員工的客戶意識，提高團(tuán)隊化服務(wù)水平，采取退換貨政策、退款、積分等多種補救措施來盡可能解決消費者的問題，從而在消費者心中樹立良好品牌形象；規(guī)范企業(yè)自身營銷行為，秉持實事求是的態(tài)度，客觀真實制定宣傳文案，依法向消費者呈現(xiàn)產(chǎn)品質(zhì)檢證明以及合格證書等信息，保證商品圖文信息的真實性與可靠性，以免運用夸大宣傳手段或虛假宣傳手段誤導(dǎo)消費者，造成品牌聲譽受損。

參考文獻(xiàn)：

[1]MOBTECH.2022年中國生鮮電商行業(yè)洞察報告 [EB/OL].[2023-02-07].https：//www.mob.com/mobdata/report/159.

[2]石文華，張綺，蔡嘉龍.在線評論矛盾性對消費者矛盾態(tài)度和購買意愿的影響研究[J].管理評論，2018，30（7）：77-88.

[3]劉魯川，孫怡璐.不同情感強度的負(fù)面在線評論對消費者態(tài)度的影響——基于調(diào)節(jié)定向理論的實驗研究[J].情報理論與實踐，2020，43（05）：163-169.

[4]王志宏，張兵，王惠君，等.2015年中國15?。ㄗ灾螀^(qū)、直轄市）18～59歲居民肉類消費模式現(xiàn)狀[J].衛(wèi)生研究，2019，48（1）：1-8.

[5]CHAU M，XU J.Business intelligence in blogs：understanding consumer interactions and communities[J].Society for Information Management and The Management Information Systems Research Center，2012，36（4）：1189-1216.

[6]GAVILAN D，AVELLO M，MARTINEZ-NAVARRO G.The influence of online ratingsand reviews on hotel booking consideration[J].Tourism Management，2018，66：53-61.

[7]馬鳳才，李春月.消費者對電子商務(wù)平臺銷售生鮮產(chǎn)品滿意度測算研究——基于京東生鮮在線評論的分析[J].價格理論與實踐，2020（5）：117-120.

[8]林海，胡雅淇.大數(shù)據(jù)剖析生鮮電商平臺銷量的影響因素——基于支持向量機(jī)方法的實證研究[J].貴州社會科學(xué)，2021（3）：129-138.

[9]胡雅淇，林海.在線評論特征對生鮮電商農(nóng)產(chǎn)品銷量的影響——來自淘寶羊肉大數(shù)據(jù)的證據(jù)[J].中國農(nóng)業(yè)大學(xué)學(xué)報，2021，26（6）：206-218.

[10]羅漢洋，李智妮，林旭東，等.網(wǎng)絡(luò)口碑影響機(jī)制：信任的中介和性別及涉入度的調(diào)節(jié)[J].系統(tǒng)管理學(xué)報， 2019，28（3）：401-414，428.

[11]王英，楊丹，王樂，等.基于品牌效應(yīng)的在線評論對稻米銷量影響的實證研究[J].中國農(nóng)業(yè)大學(xué)學(xué)報， 2018，23（1）：178-187.

[12]楊錚，牟元葦.基于在線評論的消費者網(wǎng)購地理標(biāo)志農(nóng)產(chǎn)品滿意度測評研究[J].情報探索，2022（9）：103-110.

[13]馮坤，楊強，常馨怡，等.基于在線評論和隨機(jī)占優(yōu)準(zhǔn)則的生鮮電商顧客滿意度測評[J]中國管理科學(xué)，2021，29（2）：205-216.

[14]張公讓，鮑超，王曉玉，等.基于評論數(shù)據(jù)的文本語義挖掘與情感分析[J].情報科學(xué)，2021，39（5）：53-61.

[15]林偉振，劉洪偉，陳燕君，等.基于在線評論的顧客滿意度研究——以健康監(jiān)測穿戴產(chǎn)品為例[J].數(shù)據(jù)分析與知識發(fā)現(xiàn)，2023，7（5）：145-154.

[16]LUCINI F R，TONETTO L M，F(xiàn)OGLIATTO F S，et al.Text mining approach to explore dimensions of airline customer satisfaction using online customer reviews[J].Journal of Air Transport Management，2020，83（C）：10.

[17]趙爽，周桂君.中華哲學(xué)典籍海外讀者評價的影響因素研究——以《易經(jīng)》英譯本為例[J].現(xiàn)代情報， 2023，43（3）：64-72，147.

[18]SANCHEZ-FRANCO M J，REY-MORENO M.Do travelers’ reviews depend on the destination？An analysis in coastal and urban peer-to-peer lodgings[J].Psychology amp; Marketing，2022，39（2）：441-459.

[19]周瑛，張曉宇，虞小芳.基于產(chǎn)品評論挖掘的消費者偏好分析[J].情報科學(xué)，2022，40（1）：58-65.

[20]李鈍，喬保軍，曹元大，等.基于語義分析的詞匯傾向識別研究[J].模式識別與人工智能，2008，21（4）：482-487.

[21]丁美榮，馮偉森，黃榮翔，等.基于預(yù)訓(xùn)練模型和基礎(chǔ)詞典擴(kuò)展的酒店評論情感分析[J].計算機(jī)系統(tǒng)應(yīng)用， 2022，31（11）：296-308.

[22]任中杰，張鵬，李思成，等.基于微博數(shù)據(jù)挖掘的突發(fā)事件情感態(tài)勢演化分析——以天津8·12事故為例[J].情報雜志，2019，38（2）：140-148.

[23]ALATRASH R，PRIYADARSHINI R，EZALDEEN H，et al.Augmented language model with deep learning adaptation on sentiment analysis for E-learning recommendation[J].Cognitive Systems Research，2022，75：53-69.

[24]毛曉莉，施本植.新能源汽車普通消費者參與的大數(shù)據(jù)研究——基于文本挖掘和深度學(xué)習(xí)[J].海南大學(xué)學(xué)報（人文社會科學(xué)版），2022，40（5）：201-210.

[25]CHANG C H，HWANG S Y，WU M L.Learning bilingual sentiment lexicon for online reviews[J] Electronic Commerce Research and Applications，2021，47：101037.

[26]劉繼，顧鳳云.基于BERT與BiLSTM混合方法的網(wǎng)絡(luò)輿情非平衡文本情感分析[J].情報雜志，2022，41（4）：104-110.

[27]騰訊網(wǎng).京東2022年第三季度歸母凈利60億元，年度活躍用戶數(shù)5.88億[EB/OL].[2023-03-06].https：//new.qq.com/rain/a/20221118A08D3Y00.html.

[28]張華泉，俞守華，區(qū)晶瑩.生鮮農(nóng)產(chǎn)品電子商務(wù)消費者滿意度影響因素研究——基于電子商務(wù)平臺消費者在線評論[J].當(dāng)代經(jīng)濟(jì)，2019（8）：95-100.

[29]殷彤，于力超，鮑偉.精準(zhǔn)扶貧背景下電商扶貧產(chǎn)品消費者滿意度及其影響因素研究[J].數(shù)理統(tǒng)計與管理， 2022，41（04）：599-609.

[30]湯凌燕，熊聰聰，王嫄，等.基于深度學(xué)習(xí)的短文本情感傾向分析綜述[J].計算機(jī)科學(xué)與探索，2021，15（5）：794-811.

[31]FELDERHOFF C，LYFORD C，MALAGA J，et.al.Beef quality preferences：Factors driving consumer satisfaction[J].Foods，2020，9（3）：289.

[32]何燭明.鄉(xiāng)村振興戰(zhàn)略下特色農(nóng)產(chǎn)品包裝設(shè)計研究[J].包裝工程，2023，44（14）：316-319，400.

[33]李道和，楊俊，陳江華.茶葉電子商務(wù)消費者滿意度影響因素分析——基于在線評論的探索分析[J].林業(yè)經(jīng)濟(jì)，2019，41（10）：70-77.

[34]薛景梅，王昂.社區(qū)電商生鮮品類供應(yīng)鏈風(fēng)險控制研究——以“美團(tuán)優(yōu)選”為例[J].價格理論與實踐，2023（2）：156-160.

責(zé)任編輯：李亞利

Research on Factors Influencing Consumer Satisfaction with Meat Products"on B2C E-commerce Platforms： Empirical Analysis Based on Online Comment Data

Wang Taixiang" Yang Sidi

（School of Economics amp; Management， Shihezi University， Shihezi， 832003， China）

Abstract： Based on the massive review data of JD.com， intelligence analysis is conducted to explore the factors that affect the satisfaction of meat consumers， and to investigate the reasons for consumer negative comments. This is significant for e-commerce platforms and merchants to continuously improve consumer satisfaction. This article takes the online review data of meat products on JD Fresh platform as an example， and uses text mining methods to extract themes and conduct sentiment analysis on product comments. It comprehensively analyzes the factors that affect consumer satisfaction and the reasons for consumer negative comments. The research has found that product factors， brand factors， logistics factors， and platform factors are the four major factors that affect consumer satisfaction with purchasing meat products. The main reasons for consumer negative comments are poor product quality and packaging， poor operation level of e-commerce platforms， low logistics service quality， and insufficient brand building of merchants. Therefore， merchants and e-commerce platforms should improve product quality and packaging effectiveness， enhance platform operation level， improve logistics service quality， and improve merchant brand building capabilities.

Key words：" meat products; consumer satisfaction; online comments; theme model; sentiment analysis; deep learning

[基金項目]國家社科基金項目（項目編號：22XMZ076）。

[作者簡介]王太祥（1980-），男，安徽懷寧人，博士，教授，研究方向：農(nóng)業(yè)經(jīng)濟(jì)理論與政策；楊思迪（1996-），男，湖南湘鄉(xiāng)人，碩士研究生，研究方向：技術(shù)經(jīng)濟(jì)及管理。