基于在線評論進行產(chǎn)品排序的研究綜述

【中圖分類號】F724.6；F713.55；TP391.1

【文獻標志碼】A

【文章編號】1673-1069（2025）04-0096-03

1引言

近年來，主流電子商務(wù)平臺（如亞馬遜、京東等）普遍引入了產(chǎn)品或服務(wù)的在線評論系統(tǒng)，為消費者提供信息分享與獲取渠道。隨著電子商務(wù)平臺上大量在線評論的出現(xiàn)，在線評論已經(jīng)成為消費者購買產(chǎn)品或服務(wù)的重要信息來源。當消費者考慮購買產(chǎn)品或服務(wù)時，往往會閱讀相關(guān)產(chǎn)品或服務(wù)的在線評論，以做出最佳購買決定。例如，選擇酒店的消費者會通過閱讀在線評論篩選合適的住宿。然而，海量的在線評論數(shù)量使得消費者難以從中提取關(guān)鍵信息對替代產(chǎn)品進行排序或選擇理想的產(chǎn)品。因此，為支持消費者的購買決策，有必要關(guān)注基于在線評論的數(shù)據(jù)挖掘、信息融合和產(chǎn)品排序的方法和技術(shù)研究。目前，該領(lǐng)域已取得一系列有價值的研究成果。

現(xiàn)有研究表明，多數(shù)基于在線評論的產(chǎn)品排序方法均涉及信息融合過程。該過程可劃分為3個階段：首先，利用數(shù)據(jù)挖掘技術(shù)從在線評論中提取產(chǎn)品特征；其次，采用情感分析方法識別在線評論對每個產(chǎn)品特征的情感傾向和強度；最后，融合情感分析結(jié)果以確定產(chǎn)品排序。本文旨在系統(tǒng)梳理基于在線評論的產(chǎn)品排序信息融合的流程和方法，為相關(guān)研究者提供詳細參考。具體而言，本文首先闡述基于在線評論的產(chǎn)品排序問題定義，繼而對基于在線評論的產(chǎn)品特征提取、情感分析和產(chǎn)品排序的信息融合過程和方法進行了綜述。此外，本文亦簡要探討在線評論信息融合在其他領(lǐng)域的應(yīng)用研究。最后，總結(jié)現(xiàn)有成果并展望未來研究方向。

2基于在線評論進行產(chǎn)品排序的問題描述

在在線購物場景中，消費者通常需要閱讀替代產(chǎn)品的在線評論以了解其特性，進而篩選出最符合自身偏好的商品。然而，在線評論屬于文本數(shù)據(jù)，具有模糊和隨機特征，且每個產(chǎn)品的在線評論數(shù)量龐大。這使得消費者難以直接從中精準獲取產(chǎn)品功能信息。此外，消費者需要根據(jù)個人偏好權(quán)衡產(chǎn)品的不同特性。因此，消費者需要融合眾多在線評論的產(chǎn)品特征信息，從備選產(chǎn)品中選出最滿意的產(chǎn)品。為支持該決策過程，需要開發(fā)決策分析工具幫助消費者提取產(chǎn)品特征并進行情感分析，最終通過信息融合得到產(chǎn)品排序結(jié)果4。

解決基于在線評論的產(chǎn)品排序問題需完成以下信息融合處理。

① 產(chǎn)品特征提取：首先利用爬蟲工具（如 Scrapy、BeautifulSoup）獲取文本數(shù)據(jù)形式的在線評論；其次對評論進行預處理（包括分詞、詞性標注及去除停用詞）;最后，基于預處理結(jié)果識別并提取與產(chǎn)品特征相關(guān)的詞匯。

② 情感分析：通過基于詞典或機器學習的情感分析方法，識別評論中情感詞的情感取向與強度，進而計算整體情感得分以獲取分析結(jié)果。

③ 替代產(chǎn)品排序：在前兩階段工作的基礎(chǔ)上，通過信息融合技術(shù)確定替代產(chǎn)品的最終排序。

3基于在線評論的產(chǎn)品特征提取

在線購物時，消費者通常依賴在線評論了解產(chǎn)品功能。每個產(chǎn)品都有多個功能，消費者對每個產(chǎn)品的每個功能都有不同的偏好。因此，有必要解決基于在線評論的產(chǎn)品特征提取問題。由于在線評論數(shù)量多，無效信息多，消費者獲取產(chǎn)品特性的效率會降低，從而導致信息過載問題。為此，研究者開發(fā)了多種分析工具以自動化地從評論中提取產(chǎn)品特征。

典型的產(chǎn)品特征提取流程如下：首先，利用網(wǎng)絡(luò)爬蟲（如指定特定網(wǎng)站API或使用通用爬蟲框架）從目標網(wǎng)站抓取在線評論數(shù)據(jù)；其次，對評論進行預處理，主要包括分詞與詞性標注（如使用Jieba、NLTK等工具），以及去除停用詞（如\"的”“了\"等高頻無實義詞）;最后，從預處理后的文本中識別并提取產(chǎn)品特征。

眾多學者從不同視角強調(diào)了產(chǎn)品特征提取的重要性。Yanetal.指出產(chǎn)品特征提取是在線評論分析的基礎(chǔ)和重要步驟，亟需開發(fā)自動化識別方法。Changetal.認為特征提取技術(shù)可挖掘因信息過載而被掩蓋的信息價值。Quan和 Ren^[10] 將產(chǎn)品特征提取視為情感分析的重要基礎(chǔ)和瓶頸，并將其定義為特定領(lǐng)域內(nèi)的實體識別問題。

4在線評論的情感分析

在提取產(chǎn)品特征后，需要通過情感分析識別每條評論對各特征的情感傾向?；诖?，融合情感信息即可確定替代產(chǎn)品的排序結(jié)果。

情緒分析（SentimentAnalysis）起源于20世紀90年代末，旨在通過挖掘文本中的情感內(nèi)容輔助決策者獲取情感信息。Pangetal.最早提出了一種基于整體情感的分類方法。隨后，學者們對情感分析技術(shù)進行了深人研究，使其成為數(shù)據(jù)挖掘和機器學習領(lǐng)域的研究熱點之一?，F(xiàn)有文獻主要將情感分析方法分為兩類：基于詞典的情感分析和基于機器學習的情感分析。前者通常適用于句子級分析，而后者更適用于文檔級分析。

4.1基于詞典的情感分析

基于詞典的情感分析過程如下：首先，根據(jù)研究需要構(gòu)建情感詞典作為種子詞表；其次，結(jié)合統(tǒng)計方法與語義規(guī)則識別句子中的意見詞；再次，將意見詞與種子詞表中的情感詞進行比較，依據(jù)詞語差異、極性（正面/負面）程度副詞等因素加權(quán)計算整句情感得分；最后，根據(jù)得分判定句子的情感傾向（積極、消極或中性）。

依據(jù)情感詞典構(gòu)建方法的不同，可進一步細分為基于詞典的方法和基于語料庫構(gòu)建詞典的方法。

Xuetal.提出了一種基于詞典的情感分析技術(shù)捕捉消費者對產(chǎn)品的情感傾向。Zhangetal.4采用特定策略處理含否定詞的中性句及含程度副詞的修飾詞，識別用戶對各產(chǎn)品功能的情感方向以發(fā)現(xiàn)產(chǎn)品弱點。Liu提出了一種句子層面的情感分析方法。需要指出的是，基于預定義詞典（如HowNet、WordNet情感詞典）構(gòu)建情感詞集相對便捷，故多數(shù)現(xiàn)有研究采用此方法。然而，基于詞典的情感分析方法存在顯著局限：一是難以在特定上下文語境中準確判斷情感詞義，影響分析精度；二是最終詞典多由通用詞匯構(gòu)成，缺乏領(lǐng)域術(shù)語及網(wǎng)絡(luò)口語表達，導致專業(yè)場景下適用性不足。

4.2基于機器學習的情感分析

基于機器學習的情感分析可分為監(jiān)督學習和無監(jiān)督學習兩類。監(jiān)督學習方法可細分為：基于概率模型的分類（如樸素貝葉斯、貝葉斯網(wǎng)絡(luò)）基于支持向量機（SVM）的方法、基于決策樹的方法以及基于深度學習的方法（如卷積神經(jīng)網(wǎng)絡(luò)CNN、循環(huán)神經(jīng)網(wǎng)絡(luò)RNN）。其核心思想是將情感分析視為文本分類問題進行處理。

5基于在線評論的產(chǎn)品排序

在產(chǎn)品特征提取與情感分析的基礎(chǔ)上，需進一步融合信息以生成替代產(chǎn)品的排序結(jié)果。其基本流程通常為：首先，基于每條評論對各產(chǎn)品特征的情感分析結(jié)果，通過統(tǒng)計分析（如計算積極/消極評論比例或平均情感得分）確定單產(chǎn)品在單一特征上的情感傾向；其次，聚合各特征情感信息得到產(chǎn)品的整體評價結(jié)果；最后，通過對比分析各產(chǎn)品的綜合評價確定最終排序。

現(xiàn)有文獻中，主流的產(chǎn)品排序信息融合方法主要包括：

基于直覺模糊理論的信息融合方法：Liuetal.提出了一種基于直覺模糊集理論的信息融合方法。在他們的方法中，首先基于在線評論的情感分析確定每個產(chǎn)品特征的直覺模糊數(shù)；然后利用IFWA算子融合直覺模糊數(shù)和每個產(chǎn)品涉及多個特征的特征情感權(quán)重；最后，計算出產(chǎn)品的總體直覺模糊數(shù)。Bietal.使用區(qū)間2型模糊數(shù)來表達基于在線評論的情感分析結(jié)果，通過區(qū)間2型模糊數(shù)的聚合得到產(chǎn)品排序結(jié)果。Zhangetal.提出了一種基于在線評論對產(chǎn)品進行排序的擴展TODIM方法。該方法利用直覺模糊集確定產(chǎn)品特征的情感取向和情感強度。

基于加權(quán)有向圖構(gòu)造的信息融合方法：Lietal.構(gòu)建了統(tǒng)一的圖模型來整合產(chǎn)品間的比較關(guān)系。Kongetal.2采用主動直接句/不主動直接句和不主動直接句/不主動間接句的比值來確定兩個相關(guān)產(chǎn)品之間的關(guān)系，并建立加權(quán)圖，融合產(chǎn)品情感特征和產(chǎn)品之間的比較關(guān)系，從而得到產(chǎn)品排序的結(jié)果。

基于猶豫模糊理論的信息融合方法：Zhangetal.[2提出了一種基于猶豫模糊集和情感詞框架的利用在線評論數(shù)據(jù)對產(chǎn)品進行排序的方法。在該方法中，首先通過情感分析獲得每條評論中每個特征的情感得分；其次，利用猶豫模糊集得到各特征的綜合性能；最后，通過對比實驗驗證了所提方法的有效性。

6總結(jié)與展望

近年來，基于在線評論的產(chǎn)品排序方法研究受到廣泛關(guān)注。本文綜述了該領(lǐng)域的最新進展，其核心框架包含3個環(huán)節(jié)：產(chǎn)品特征提取、情感分析及產(chǎn)品排序。其中，產(chǎn)品特征提取方法主要有基于規(guī)則的無監(jiān)督方法（如RubE）隱馬爾可夫模型（HMM）、潛狄利克雷分配（LDA）及TF-IDF方法等。情感分析方法主要分為基于詞典和基于機器學習兩大類?；谛畔⑷诤系漠a(chǎn)品排序方法主要包括基于直覺模糊理論、加權(quán)有向圖模型和猶豫模糊理論的方法。

盡管基于在線評論的產(chǎn)品排序與信息融合研究已取得豐碩成果，未來研究仍可在以下方向深化。

① 虛假評論與信息可信度：現(xiàn)有研究多默認評論內(nèi)容真實可信，但實際數(shù)據(jù)中?；祀s虛假與低質(zhì)信息。當前方法在此類數(shù)據(jù)上進行信息融合會顯著降低特征提取、情感分析及排序的準確性。未來亟需開發(fā)針對性技術(shù)，例如，融合虛假評論識別的情感分析方法（如利用用戶行為模式、文本一致性特征或基于因果推斷/反事實分析的模型）以區(qū)分真實與虛假情感表達。

② 多源信息融合：除文本評論外，電商平臺還存在在線評分、點贊數(shù)、互動交流信息等多種數(shù)據(jù)源。開發(fā)融合在線評論與其他異構(gòu)數(shù)據(jù)（如評分、社交互動）的信息融合方法與技術(shù)，是提升排序效果的重要途徑。

③ 多模態(tài)評論分析：當前部分電商網(wǎng)站支持圖片評論、視頻評論等豐富媒體形式，其信息價值往往高于純文本評論。為更全面支持消費者決策，未來研究需開發(fā)能夠融合文本、圖像及視頻評論的多模態(tài)數(shù)據(jù)挖掘與信息融合技術(shù)。

④ 大語言模型（LLM）的應(yīng)用：大語言模型（如GPT、BERT等）在自然語言理解與生成方面展現(xiàn)出強大能力。探索LLM在端到端產(chǎn)品排序任務(wù)（如聯(lián)合特征提取、細粒度情感分析與排序決策）中的應(yīng)用潛力，是極具前景的前沿方向。LLM有望克服傳統(tǒng)方法在上下文理解、語義連貫性及隱含特征捕捉方面的局限。

⑤ 模型泛化性與魯棒性：當前研究對方法局限性的探討尚顯不足，尤其在模型泛化性（跨領(lǐng)域、跨平臺適應(yīng)性）數(shù)據(jù)稀疏性（冷啟動產(chǎn)品或長尾特征）以及噪聲魯棒性方面。未來需深人分析現(xiàn)有經(jīng)典方法的固有局限（如基于詞典方法對上下文依賴的敏感性、傳統(tǒng)機器學習模型的特征工程依賴、深度模型的解釋性與數(shù)據(jù)需求），并提出更具普適性和魯棒性的解決方案。

【參考文獻】

【1]J.Qi，Z.Zhang，S.Jeon，et al.Mining customer requirements from online reviews：a product improvement perspective[J].Inf.Manage.，2O16（53）： 951-963.

【2]尤天慧，張瑾，樊治平.基于情感分析和證據(jù)理論的多屬性在線評 論決策方法[J].系統(tǒng)管理學報，2019，28（3）：536-544.

【3]Liu P T F.Probabilistic linguistic TODIM method for selecting products through online product reviews[J].Information Sciences：An International Journal，2019（485）：441-455.

【4]Fan，Zhi -Ping，Yang，et al.Supporting the purchase decisionsof consumers：A comprehensive method for selecting desirable online products [J].Kybernetes：The International Journal of Systemsamp; Cybernetics，2018，47（4）：689-715.

【5]S.P.Eslami，M.Ghasemaghaei.Efectsof online review positiveness and review score inconsistency on sales：a comparison by product involvement[J].Journal of Retailing and Consumer Services，2O18（45）： 74-80.

【6]R.Y.Lau，C.Li，S.S.Liao.Social analytics：learning fuzzy product ontologies foraspect-orientedsentimentanalysis[JDecision Support Systems，2014（65）：80-94.

【7]D.Zeng，H.Chen，R.Lusch，et al.Social mediaanalytics and intelligence[J]. IEEE Intell.Syst，2010，25（6）：13-16.

【8JZ.Yan，M.Xing，D.Zhang，et al.EXPRS：an extended pagerank method for product feature extraction from onlineconsumer reviews[J].Inf. Manage.，2015，52（7）：850-858.

【9]Y.C.Chang，C.H.Ku，C.H.Chen.Social mediaanalytics： extracting and visualizing Hilton hotel ratings and reviews from TripAdvisor[J.Int. J.Inf.Manage.，2019（48）：263-279.

【10]C.Quan，F(xiàn).Ren.Unsupervised productfeature extraction forfeatureoriented opinion determination[J].Inf.Sci.，2014（272）：16-28.

【11]PangB，LeeL，VaithyanathanS.Thumbsup？Sentiment Classification using Machine Learning Techniques [J].Empirical Methods inNaturalLanguageProcessing，2002：79-86.

【12]TaboadaM，BrookeJ，Tofiloski M，etal.Lexicon-Based Methods for Sentiment Analysis[J].Computational Linguistics，2011，37（2）：267-307.

【13]XuK，Liao SS，Li J，et al.Mining comparative opinions from customer reviews for Competitive Intelligence [J].Decision Support Systems，2011，50（4）：74-74.

【14]Zhang W，Xu H，Wan W.Weakness Finder：Find product weakness from Chinese reviews by using aspects based sentiment analysis[J]. Expert Systems with Applications，2012，39（11）：10283-10291.

【15]Liu B.Sentiment analysisandsubjectivityJ]2010.

【16]Y.Liu，J.W.Bi，Z.P.Fan.Amethodforrankingproductsthrough online reviews based on sentiment classication and interval-valued intuitionistic fuzzy TOPSIS[J].Int.J.Inf.Technol.Decis.Mak.，2017，16 （06）：1497-1522.

【17]J.W.Bi，Y.Liu，Z.P.Fan.Representingsentimentanalysisresultsof online reviews using interval type -2 fuzzy numbersand its applicationtoproductranking-ScienceDiret [JJ.Information Sciences，2019（504）：293-307.

【18]Zhang D，Li Y，Wu C.An extended TODIM method to rank products with online reviews under intuitionistic fuzzy environment [J].Journal of theOperational Research Society，2019：1-13.

【19]S.Li，Z.J.Zha，Z.Ming.etal.Proceedingsofthe34thinternational ACM SIGIR conference on Researchand developmentin Information Retrieval[J].ACM，2011：1151-1152.

【20]R.Kong，Y.Wang，W.Xin，etal.2O11First International Conference on Instrumentation[J].Measurement，Computer，Communicationand Control，IEEE，2011：449-453.

【21]Zhang D，Wu C，Liu J.Ranking products with online reviews：A novel method based on hesitant fuzzy set and sentiment word framework[J]. Joumal of the Operational Research Society，2019：1-15.