王 偉，王洪偉

(1. 華僑大學(xué)工商管理學(xué)院，泉州 362021；2. 同濟(jì)大學(xué)經(jīng)濟(jì)與管理學(xué)院，上海 200092)

?

面向競爭力的特征比較網(wǎng)絡(luò)：情感分析方法

王 偉1, 2，王洪偉2*

(1. 華僑大學(xué)工商管理學(xué)院，泉州 362021；2. 同濟(jì)大學(xué)經(jīng)濟(jì)與管理學(xué)院，上海 200092)

比較觀點(diǎn)廣泛存在于在線評論之中，這些比較觀點(diǎn)是用戶表達(dá)情感的常用方式，也是產(chǎn)品競爭力的重要表現(xiàn).依據(jù)在線評論的文本信息，結(jié)合文本挖掘和情感分析技術(shù)，提取在線評論中特征級的“比較觀點(diǎn)對”.利用特征比較觀點(diǎn)，分別構(gòu)建產(chǎn)品特征的單邊有向、雙邊有向以及多邊有向比較網(wǎng)絡(luò)，并根據(jù)情感強(qiáng)度確定網(wǎng)絡(luò)邊的權(quán)重.借助成熟的網(wǎng)絡(luò)分析算法(PageRank和HITS)，對特征比較網(wǎng)絡(luò)進(jìn)行計(jì)算.產(chǎn)品特征比較網(wǎng)絡(luò)能夠識別產(chǎn)品的競爭優(yōu)勢，也能分析用戶對每個(gè)特征的關(guān)注度，并量化評價(jià)得分.實(shí)驗(yàn)發(fā)現(xiàn)，特征比較網(wǎng)絡(luò)與銷售排名顯著相關(guān)，因而有助于銷量的預(yù)測.

競爭力；比較網(wǎng)絡(luò)；在線評論；情感分析；產(chǎn)品特征；網(wǎng)絡(luò)分析

0 引 言

比較是人們認(rèn)識事物的基本方法.將多個(gè)事物加以對照，可以發(fā)現(xiàn)它們在某些方面的相似或差異及其原因.尤其在商業(yè)領(lǐng)域，常言“不怕不識貨，就怕貨比貨”，比較更是驗(yàn)證商品競爭力的重要手段.消費(fèi)者認(rèn)識一個(gè)產(chǎn)品常借助于與其他產(chǎn)品比較來實(shí)現(xiàn)，因?yàn)橹挥斜容^鑒別，才能對產(chǎn)品的質(zhì)量和性能有更加深入的認(rèn)識.對于商家來說，通過比較能夠體現(xiàn)出與其他產(chǎn)品的競爭優(yōu)勢和不足，為市場營銷策略以及產(chǎn)品改進(jìn)提供依據(jù).

近年來，社會(huì)化媒體日益普及，為消費(fèi)者發(fā)布自己對于產(chǎn)品的觀點(diǎn)和體驗(yàn)提供了前所未有的平臺，其中相當(dāng)一部分觀點(diǎn)是以比較的形式表達(dá)的，這為比較信息的獲取提供了便利的渠道.例如，圖1顯示了中文評論中的特征級比較觀點(diǎn)，該評論比較了不同產(chǎn)品的價(jià)格、口碑以及防水性能等.類似的，圖2展示了亞馬遜網(wǎng)站上的一條典型的英文評論，該評論中比較了T4i的圖像分辨率比20D高；G1X的體積比T4i?。籘4i的快門比G1X快等.

圖1 中文在線評論中的產(chǎn)品特征比較

Fig. 1 Feature-level comparison in Chinese online review

圖2 英文在線評論中的產(chǎn)品特征比較

目前，從在線評論中提取比較信息的研究較少，尤其是細(xì)粒度的基于特征級的比較信息研究還未有系統(tǒng)性的解決方法.已有研究主要是以量化指標(biāo)作為分析依據(jù)，例如總體評分、有用性投票等[1-4].但是，總體評分難以度量文本中隱含的多維特征情感信息.因此，針對產(chǎn)品特征級的比較信息，進(jìn)行細(xì)粒度情感分析，更有助于評論價(jià)值的挖掘.本文嘗試識別特征級比較觀點(diǎn)，并采用網(wǎng)絡(luò)理論進(jìn)行分析，研究成果將有助于商家識別產(chǎn)品競爭力，以及有助于消費(fèi)者做出更為合理的購買決策.本文的貢獻(xiàn)如下：1)針對海量在線評論，提出識別特征級比較觀點(diǎn)的方法；2)根據(jù)特征級比較觀點(diǎn)，構(gòu)建特征比較網(wǎng)絡(luò)，并應(yīng)用網(wǎng)絡(luò)分析方法，對特征比較網(wǎng)絡(luò)進(jìn)行計(jì)算；3)提出基于特征比較網(wǎng)絡(luò)的實(shí)際應(yīng)用：可視化產(chǎn)品優(yōu)劣，顯示產(chǎn)品競爭優(yōu)勢，便于潛在消費(fèi)者對產(chǎn)品進(jìn)行比較；同時(shí)，與同類產(chǎn)品對比的直觀結(jié)果，有益于企業(yè)管理者在產(chǎn)品改進(jìn)、市場營銷、個(gè)性化廣告等領(lǐng)域提供輔助決策.

1 文獻(xiàn)綜述

1.1 在線評論的特征提取和觀點(diǎn)識別

在線評論中往往會(huì)對產(chǎn)品的各種特征進(jìn)行評價(jià)，學(xué)者們就如何識別評論文本中的產(chǎn)品特征有了深入的研究.一般有以下幾類方法：基于詞性統(tǒng)計(jì)的方法、基于語法結(jié)構(gòu)的方法、基于語言形態(tài)學(xué)的方法等[5].最樸素的方法是統(tǒng)計(jì)語料中頻繁出現(xiàn)的名詞或其組合，頻繁共現(xiàn)的詞代表了對術(shù)語的規(guī)則描述并以此為模式識別特征[5].基于規(guī)則的特征挖掘算法[6-7]根據(jù)構(gòu)成句子的詞匯規(guī)則，提取類似形容詞修飾名詞的句法結(jié)構(gòu)，被修飾的名詞作為候選產(chǎn)品特征，而形容詞作為特征觀點(diǎn).基于規(guī)則的算法忽視了語言的使用習(xí)慣問題，因此有研究在此基礎(chǔ)上提出了具有語法格式的關(guān)聯(lián)規(guī)則挖掘算法[8].一般通過語料訓(xùn)練得到句子模型的特征長度、概率上下限和闕值等用于特征觀點(diǎn)識別的模式[9].機(jī)器學(xué)習(xí)算法首先進(jìn)行分詞和詞性標(biāo)注，然后人工標(biāo)注部分語料作為訓(xùn)練集，對模型訓(xùn)練得到模型參數(shù)，最后在測試集上測試.比較典型的算法有：隱馬爾可夫(hidden Markov model，HMM)模型[10]、條件隨機(jī)場(conditional random fields，CRFs)模型[11]、以及支持向量機(jī)(support vector machine，SVM)模型[12].在線評論的特征項(xiàng)會(huì)影響分類結(jié)果，研究發(fā)現(xiàn)，不同的語料對于語種、寫作風(fēng)格、文體、句法和內(nèi)容區(qū)分度上存在敏感度差異[13].

產(chǎn)品特征提取往往和情感分析聯(lián)系在一起，識別某一具體特征的情感傾向[14]，處理后的結(jié)果是“特征-觀點(diǎn)對”形式.對于不同類別的產(chǎn)品，特征提取的算法也不盡相同，例如酒店評論中會(huì)有設(shè)施、環(huán)境等特征，這顯然與電子產(chǎn)品的特征不一樣，因而需要專門提取不同領(lǐng)域的特征項(xiàng)[15-16].產(chǎn)品特征提取會(huì)出現(xiàn)高維特征項(xiàng)，高維特征項(xiàng)本身不影響特征抽取的準(zhǔn)確度，但是會(huì)對特征的計(jì)算產(chǎn)生較大偏差.例如：對于產(chǎn)品特征“顏色”和“色彩”，二者實(shí)際上描述的是同一特征，需要合并.一些研究提出了不同的特征項(xiàng)降維方法，如最大熵模型降維[17]、多階段降維[18]、詞語相似度降維[19-20]以及混合降維方法[21].

1.2 細(xì)粒度情感分析研究

情感分析(sentiment analysis)也稱意見挖掘(opinion mining)，是利用文本挖掘技術(shù), 對在線評論進(jìn)行語義分析, 旨在識別用戶的情感趨向是“高興”還是“傷悲”, 或判斷用戶的觀點(diǎn)是“贊同”還是“反對”[22].情感分析涉及多種技術(shù)，例如自然語言處理、機(jī)器學(xué)習(xí)、信息抽取等.因此情感分析涵蓋多個(gè)研究任務(wù)，例如文本的主客觀檢測[23]；不同粒度的情感分析[9,24]；產(chǎn)品“特征-觀點(diǎn)對”提取等[25-26].

從分析粒度來看，情感分析包括粗粒度和細(xì)粒度兩種分析方法.粗粒度分析是對文本的整體情感極性進(jìn)行判斷，包含基于模型的方法[27]、無監(jiān)督[28-29]、半監(jiān)督[30]以及監(jiān)督機(jī)器學(xué)習(xí)方法[21,32].細(xì)粒度分析是對特征觀點(diǎn)的詞語級的情感極性和強(qiáng)度分析[33]，通常步驟是：首先計(jì)算詞典中詞語的原子極性, 并根據(jù)該原子極性計(jì)算詞語之間的相關(guān)性得出每個(gè)評價(jià)詞的情感, 再綜合詞語的情感得到句子的情感極性和強(qiáng)度, 最后根據(jù)句子情感計(jì)算文本情感[34].從技術(shù)方法來看，有兩種方向：一種是基于語義分析[35-36]，另一種是基于機(jī)器學(xué)習(xí)[37-38].而從應(yīng)用上看，情感分析主要應(yīng)用于評論效用分析[39-41]、金融市場輔助決策[42-43]以及社會(huì)輿情監(jiān)督[44-45]等.

極性相同的詞匯所表達(dá)的情感強(qiáng)度可能不同，例如“好”和“優(yōu)秀”，情感極性都是正面，但是后者比前者的強(qiáng)度大得多.已有研究專門探討了詞語的情感強(qiáng)度問題.值得指出的是SentiStrength情感強(qiáng)度識別系統(tǒng)[46]，該系統(tǒng)先識別非標(biāo)準(zhǔn)格式文本中可能的情感詞，然后使用SVM進(jìn)行情感極性分類和強(qiáng)度檢測，在社會(huì)化文本中表現(xiàn)優(yōu)異.此外，文本情感傾向也受到社會(huì)因素[47]以及句法結(jié)構(gòu)的影響[48].

1.3 面向在線評論的比較觀點(diǎn)識別

絕大多數(shù)研究忽略了評論中的比較觀點(diǎn).事實(shí)上，人們在交流或者評論時(shí)，常常采取比較方法來凸顯自己的觀點(diǎn)，因此識別評論文本中的比較信息，能夠真實(shí)地還原評論者的意圖，比較信息能夠體現(xiàn)出評論中細(xì)微的觀點(diǎn)差別.

比較觀點(diǎn)識別辦法是構(gòu)建一套詞語序列規(guī)則，來作為比較觀點(diǎn)表達(dá)方式的匹配模版.然后依次掃描評論文本中的句子，一旦出現(xiàn)與序列規(guī)則匹配的句子，就加入候選比較句子.通過SVM或樸素貝葉斯分類器對候選比較句進(jìn)行識別，提取比較關(guān)系中的比較實(shí)體和特征，最后測定觀點(diǎn)強(qiáng)度[49].但是該模式面臨兩個(gè)問題：1)同一句子可能既滿足比較句子模式又滿足非比較句子模式，該算法很難處理這類問題；2)在線評論的文本格式相當(dāng)不規(guī)范，甚至不符合語法標(biāo)準(zhǔn)，對這類自由格式文本的識別，該方法效果較差.典型的改進(jìn)算法有CRFs算法[50]等.

有學(xué)者提出了一種簡單但實(shí)用的方法：先識別領(lǐng)域內(nèi)所有產(chǎn)品名稱，構(gòu)建產(chǎn)品名稱列表.然后掃描評論，如果在產(chǎn)品p1的評論中出現(xiàn)了產(chǎn)品p2的名稱，就認(rèn)為存在p1與p2的比較關(guān)系.經(jīng)過一輪完整的掃描，就可以完成所有產(chǎn)品之間的比較信息識別[51].該方法可以快速識別產(chǎn)品間的比較觀點(diǎn).但遺憾的是，該研究只是產(chǎn)品級的比較，而沒有深入到產(chǎn)品特征級的比較關(guān)系識別.

在應(yīng)用方面，已有研究把評論中的比較信息應(yīng)用于市場結(jié)構(gòu)識別，采用文本挖掘和語義網(wǎng)絡(luò)工具，模擬構(gòu)建了轎車市場和保健品市場的市場結(jié)構(gòu).實(shí)驗(yàn)證明，同傳統(tǒng)的市場銷售和調(diào)研數(shù)據(jù)分析相比，通過在線評論比較信息構(gòu)建的市場結(jié)構(gòu)更有效[52].

1.4 文獻(xiàn)評述及問題定義

為了突顯自己的觀點(diǎn)，用戶發(fā)表評論時(shí)，常采用比較的方式來表達(dá).但是，現(xiàn)有情感分析大多假設(shè)被評論的對象是某一個(gè)特定的產(chǎn)品，側(cè)重于該產(chǎn)品的特征與觀點(diǎn)提取、情感分類等，忽略了評論中可能包含的多個(gè)產(chǎn)品之間的比較信息.更進(jìn)一步，在線評論常常包含不同產(chǎn)品就某些特征上的比較觀點(diǎn)，細(xì)粒度的識別這些關(guān)于產(chǎn)品特征的比較觀點(diǎn)，有助于深度挖掘評論的商業(yè)價(jià)值.已有研究中，產(chǎn)品比較網(wǎng)絡(luò)[51]與本文最為相近，該比較網(wǎng)絡(luò)是面向產(chǎn)品級的，難以提取針對產(chǎn)品特征的比較觀點(diǎn).針對現(xiàn)有文獻(xiàn)的不足，本文將利用情感分析技術(shù)，結(jié)合網(wǎng)絡(luò)分析方法，構(gòu)建產(chǎn)品特征比較信息的識別模型.

綜合文獻(xiàn)回顧，提出以下研究問題：

1)比較觀點(diǎn)對的識別；

2)根據(jù)比較觀點(diǎn)對構(gòu)建比較網(wǎng)絡(luò)并確定邊的權(quán)重；

3)依據(jù)節(jié)點(diǎn)和邊的重要度指標(biāo)，驗(yàn)證特征比較網(wǎng)絡(luò)的有用性.

2 產(chǎn)品特征比較網(wǎng)絡(luò)的構(gòu)建方法

2.1 模型概述

分析框架如圖3所示，分5步：1)數(shù)據(jù)收集與預(yù)處理；2)特征比較觀點(diǎn)的抽取；3)特征比較網(wǎng)絡(luò)的構(gòu)建以及權(quán)重設(shè)置；4)依據(jù)網(wǎng)絡(luò)理論，對特征比較網(wǎng)絡(luò)進(jìn)行權(quán)威度計(jì)算；5)特征比較網(wǎng)絡(luò)的驗(yàn)證.

圖3 產(chǎn)品特征比較網(wǎng)絡(luò)的總體結(jié)構(gòu)

Fig. 3 Overall structure of feature-level comparative network

2.2 特征比較觀點(diǎn)的表示

在線評論包含的比較觀點(diǎn)有2種形式：

1)綜合比較 例如“總體來說，X230比X220的表現(xiàn)出色”；

2)特征比較 例如“但是，X230的鍵盤舒適性比X220差多了”.

第1句是綜合比較，沒有涉及產(chǎn)品特征；第2句通過與另一款產(chǎn)品(X220)的比較，表明特征“鍵盤”比“X220”差.其中又涉及比較強(qiáng)度，例如 “差多了”就是比較強(qiáng)度.

將比較信息視為網(wǎng)絡(luò)G=〈V,E〉，其中V為產(chǎn)品集，E為產(chǎn)品比較關(guān)系集.給定網(wǎng)絡(luò)G=〈V,E〉，p1,p2為被比較的2個(gè)產(chǎn)品，p1∈V, p2∈V. fi為產(chǎn)品特征，f1∈F,F為特征集.產(chǎn)品特征比較觀點(diǎn)表示為〈fi,p1,p2,C〉，〈fi,p1,p2,C〉∈E,稱其為產(chǎn)品的比較觀點(diǎn)對,指在p1的評論中出現(xiàn)與p2就特征fi方面的比較,C代表特征比較的上下文.

針對每一個(gè)特征，將比較信息表示為特征比較數(shù)組ti,ti=〈p1,p2,cScore〉，其中i=1,2,…,m,m為被比較特征數(shù)量；cScore表示該特征比較強(qiáng)度值，可由情感分類器計(jì)算得到，cScore正負(fù)均可,取決于p1和p2的情感比較方向.cScore> 0表示p1比p2的優(yōu)勢大,cScore< 0表示p1比p2的優(yōu)勢小.

如果出現(xiàn)3個(gè)或3個(gè)以上的產(chǎn)品特征比較，則分別抽取兩兩比較結(jié)果.

2.3 產(chǎn)品特征比較網(wǎng)絡(luò)的構(gòu)建方法

根據(jù)2.2節(jié)提取的特征比較觀點(diǎn)，可以構(gòu)建特征比較網(wǎng)絡(luò).假設(shè)提取出n個(gè)特征比較觀點(diǎn)對，每個(gè)觀點(diǎn)對都涉及2個(gè)產(chǎn)品pi,pj的比較，根據(jù)特征比較數(shù)組轉(zhuǎn)換為有向邊的方法[51]，考慮如下3種策略.

3)多邊有向圖.基本思路是有多少個(gè)指向關(guān)系，就創(chuàng)建多少條邊，不合并任何邊.當(dāng){cScorei}>0時(shí)，新建一條從節(jié)點(diǎn)p2到p1的邊；當(dāng){cScorei}<0時(shí)，新建一條從節(jié)點(diǎn)p1到p2的邊；當(dāng){cScorei}=0時(shí)，不存在節(jié)點(diǎn)p1與p2之間的邊.也就是，有向邊的條數(shù)等于非零特征比較觀點(diǎn)對的數(shù)量.

2.4 產(chǎn)品特征比較網(wǎng)絡(luò)邊權(quán)重計(jì)算方法

2.3節(jié)定義的特征比較有向圖沒有權(quán)重，或者說，所有邊的權(quán)重均相等.但是在產(chǎn)品特征的比較中，文本信息體現(xiàn)出來的情感強(qiáng)度是不同的，考慮情感強(qiáng)度的有向圖更能體現(xiàn)文字評論中的細(xì)微情感.根據(jù)比較網(wǎng)絡(luò)不同的創(chuàng)建方法，分別采用以下有向邊權(quán)重計(jì)算策略.

1)單邊有向圖邊的權(quán)重計(jì)算.所有特征比較數(shù)組聚合成1條有向邊，其權(quán)重由所有特征比較數(shù)組的情感強(qiáng)度均值(即cScore的均值)決定，如式(1)所示

(1)

2)雙邊有向圖邊的權(quán)重計(jì)算.雙邊有向圖分為類型Ⅰ和類型Ⅱ，如式(2)和式(3)所示

(2)

(3)

式(2)表示所有情感極性為正的特征比較數(shù)組聚合成1條邊，其權(quán)重為該邊的情感強(qiáng)度平均值；式(3)表示所有情感極性為負(fù)的特征比較數(shù)組聚合成1條邊，其權(quán)重為該邊的情感強(qiáng)度絕對平均值.值得注意的是：雙邊有向圖中，節(jié)點(diǎn)p1和p2之間可能存在1條或2條有向邊(類型Ⅰ，類型Ⅱ，或者二者皆有)，因此，可能只需計(jì)算式(2)和式(3)的其中1個(gè)，也可能二者都需要計(jì)算.

3)多邊有向圖邊的權(quán)重計(jì)算.多邊有向圖不存在合并邊，節(jié)點(diǎn)p1與p2之間如果存在n次比較關(guān)系，就具有n條邊，且每條邊的權(quán)重由比較觀點(diǎn)的情感強(qiáng)度決定.所以每條邊的權(quán)重可以由式(4)計(jì)算

w=|cScorei|

(4)

特征比較網(wǎng)絡(luò)的構(gòu)建及其邊權(quán)重的計(jì)算實(shí)例如下.給定產(chǎn)品p1=“Lenovo Thinkpad X220”和p2=“l(fā)enovo Thinkpad X230”.通過產(chǎn)品特征提取，得到3個(gè)特征比較對：“鍵盤”、“CPU”和“電池”.并得到表1所示的特征比較數(shù)組.

表1 特征比較數(shù)組例子

表2 產(chǎn)品特征比較網(wǎng)絡(luò)的實(shí)例

附表2

產(chǎn)品特征網(wǎng)絡(luò)類型比較關(guān)系邊權(quán)重圖例處理器(CPU)單邊有向圖鏈接1:1+2+(-1)+(-1)>0,從p2到p1鏈接1:權(quán)重=|1+2+(-1)+(-1)|/5=0.20雙邊有向圖鏈接1:1+2>0,從p2到p1鏈接2:-1+(-1)<0,從p1到p2鏈接1:權(quán)重=|1+2|/2=1.5鏈接2:權(quán)重=|-1-1|/2=1多邊有向圖鏈接1:1>0,從p2到p1鏈接2:2>0,從p2到p1鏈接3:-1<0,從p1到p2鏈接4:-1<0,從p1到p2鏈接1:權(quán)重=|1|=1鏈接2:權(quán)重=|2|=2鏈接3:權(quán)重=|-1|=1鏈接4:權(quán)重=|-1|=1電池單邊有向圖鏈接1:(-2)+(-2)+3+2>0,從p2到p1鏈接1:權(quán)重=|(-2)+(-2)+3+2|/5=2.0雙邊有向圖鏈接1:-2+(-2)<0,從p1到p2鏈接2:3+2>0,從p2到p1鏈接1:權(quán)重=|(-2)+(-2)|/2=2鏈接2:權(quán)重=|3+2|/2=2.5多邊有向圖鏈接1:-2<0,從p1到p2鏈接2:-2<0,從p1到p2鏈接3:3>0,從p2到p1鏈接4:2>0,從p2到p1鏈接1:權(quán)重=|-2|=2鏈接2:權(quán)重=|-2|=2鏈接3:權(quán)重=|3|=3鏈接4:權(quán)重=|2|=2

3 實(shí)驗(yàn)設(shè)計(jì)

3.1 數(shù)據(jù)采集和預(yù)處理

特征比較觀點(diǎn)廣泛存在于中英文評論中，鑒于亞馬遜網(wǎng)站(www.amazon.com)的在線評論比較規(guī)范和專業(yè)，提供了豐富的打分、有用性投票等功能，而且英文語料有深入的研究基礎(chǔ)，因此本文實(shí)驗(yàn)語料來自亞馬遜.本文編寫了在線評論爬蟲程序，抓取數(shù)碼相機(jī)這一類別的所有在線評論.抓取的信息包括產(chǎn)品名稱、總體評分、每條評論的文字信息、評論者信息等.亞馬遜網(wǎng)站中，會(huì)出現(xiàn)不同顏色不同型號的商品，雖然使用不同的產(chǎn)品ID，但是產(chǎn)品為同一款，評論列表也是相同的.這種情況下，把這些產(chǎn)品進(jìn)行合并.

亞馬遜網(wǎng)站允許買家對其他評論給予評論或者打分，把這部分評論稱為子評論.之前研究都沒有關(guān)注子評論，但子評論的文字信息蘊(yùn)含了豐富的產(chǎn)品特征比較信息，為此本文把子評論也納入考慮范疇.

共計(jì)抓取數(shù)碼相機(jī)的9 485個(gè)產(chǎn)品，經(jīng)過以下處理，得到最終的實(shí)驗(yàn)樣本：1)數(shù)碼相機(jī)類別中包含大量數(shù)碼相機(jī)的周邊產(chǎn)品：三腳架、相機(jī)包、肩帶、獨(dú)立鏡頭、測距儀、測光儀等，需要過濾這些周邊產(chǎn)品；2)亞馬遜網(wǎng)站中，會(huì)出現(xiàn)同一款產(chǎn)品使用不同的產(chǎn)品ID(因?yàn)轭伾?、型號或者搭配不?，但是評論是相同的，這類產(chǎn)品需要合并；3)刪除沒有購買記錄的產(chǎn)品，同時(shí)刪除沒有評論的產(chǎn)品.經(jīng)過以上處理，得到1 861個(gè)產(chǎn)品；還抓取對這1 861個(gè)產(chǎn)品的155 927條一級評論，平均每個(gè)產(chǎn)品獲得83.79條評論；然后抓取完整的94 494條子評論信息，平均每條評論獲得0.61條子評論.時(shí)間跨度為1999-06-30至2013-06-09.所有評論來自133 381個(gè)用戶，平均每個(gè)用戶發(fā)表1.88條評論.

3.2 產(chǎn)品特征比較觀點(diǎn)的提取方法

亞馬遜網(wǎng)站上的產(chǎn)品標(biāo)題具有明確的層次關(guān)系，為此，構(gòu)建了從根節(jié)點(diǎn)到葉節(jié)點(diǎn)的樹結(jié)構(gòu)來指示產(chǎn)品.根節(jié)點(diǎn)是品牌名稱，2級節(jié)點(diǎn)是系列名稱，3級節(jié)點(diǎn)是型號名稱，樹葉是產(chǎn)品實(shí)體名稱.任何產(chǎn)品只要按照從根節(jié)點(diǎn)到葉節(jié)點(diǎn)的順序查詢，總能找到唯一的樹葉與之對應(yīng)，如圖4所示.

產(chǎn)品標(biāo)題樹狀結(jié)構(gòu)圖的生成步驟如下：1)提取相機(jī)品牌，根據(jù)亞馬遜網(wǎng)站上的品牌列表，構(gòu)造品牌層；2)數(shù)碼相機(jī)的名稱通常是“字母+數(shù)字”的組合形式(例如：D70，L310)，根據(jù)此規(guī)則識別產(chǎn)品，構(gòu)造產(chǎn)品層；3)根據(jù)品牌和產(chǎn)品名稱，抽取系列層和型號層；4)對剩余部分不能自動(dòng)識別的產(chǎn)品進(jìn)行人工識別和匹配.

圖4 產(chǎn)品標(biāo)題樹狀層次結(jié)構(gòu)圖

在產(chǎn)品標(biāo)題中提取第1個(gè)“字母+數(shù)字”組合作為候選產(chǎn)品名稱.為確保數(shù)據(jù)的準(zhǔn)確，還根據(jù)數(shù)碼相機(jī)品牌列表進(jìn)行核對.亞馬遜網(wǎng)站共有126個(gè)數(shù)碼相機(jī)品牌，同時(shí)采集這126個(gè)品牌，與生成的產(chǎn)品樹根節(jié)點(diǎn)進(jìn)行對比，修正錯(cuò)誤數(shù)據(jù).另外一項(xiàng)需要人工修正的是拼寫錯(cuò)誤，例如把“canon”誤寫為“cannon”.最后收集的數(shù)據(jù)包括29個(gè)品牌，75個(gè)系列，51個(gè)型號，1 861個(gè)產(chǎn)品.

關(guān)于數(shù)碼相機(jī)的產(chǎn)品特征，采用如下的方法提取.首先對頻繁產(chǎn)品特征進(jìn)行自動(dòng)提取，結(jié)合產(chǎn)品使用手冊，并邀請領(lǐng)域?qū)＜疫M(jìn)行修正，構(gòu)建了數(shù)碼相機(jī)常見的特征列表(表3).還分別統(tǒng)計(jì)了每個(gè)特征在評論中出現(xiàn)的次數(shù)和比例，比例可以看作是用戶對該特征的重視程度，即客戶越重視某個(gè)特征，那么在評論中提及的次數(shù)會(huì)越多.

表3 數(shù)碼相機(jī)常見的產(chǎn)品特征

特征比較觀點(diǎn)的抽取，采用以下方法進(jìn)行：1)根據(jù)生成的產(chǎn)品樹(見圖4)，對在線評論進(jìn)行搜索，如果含有其他產(chǎn)品名稱，則加入候選比較觀點(diǎn)集；2)根據(jù)表3中的產(chǎn)品特征對候選比較觀點(diǎn)集進(jìn)行匹配，如果成功則意味著存在一個(gè)候選特征級比較觀點(diǎn)；3)抽取特征比較觀點(diǎn)，構(gòu)造，其中fi代表特征，p1和p2代表2個(gè)被比較的產(chǎn)品；4)由于特征比較信息涉及上下文，因此，提取和保存特征比較句時(shí)，同時(shí)提取該比較句的前一句和后一句文字信息作為評論的上下文，構(gòu)造，其中C代表上下文信息.根據(jù)上面的操作，一共提取了84 756個(gè)特征比較句，平均每個(gè)產(chǎn)品有65.92個(gè)特征比較句；平均每條評論包含0.49條比較信息.

采用SentiStrength計(jì)算特征比較情感值[46].把提取出的特征比較句輸入SentiStrength進(jìn)行查詢，得到情感強(qiáng)度，即fi={p1,p2,cScore}中的cScore.值得注意的是，進(jìn)行查詢時(shí)，使用關(guān)鍵詞檢測方式，換句話說，當(dāng)一句話含有2個(gè)以上特征詞時(shí)，只需指定1個(gè)特證詞，就可以計(jì)算指定特證詞的情感強(qiáng)度，以避免當(dāng)一句話中存在多個(gè)比較特征時(shí)計(jì)算不準(zhǔn)確的問題.

由于用戶評分習(xí)慣的差異，存在一些極端的評價(jià)，對所有cScore值均進(jìn)行了標(biāo)準(zhǔn)化操作，采用下式進(jìn)行標(biāo)準(zhǔn)化

(5)

其中cScore*表示原始情感值；min表示初始情感值的下限；max表示初始情感值的上限.標(biāo)準(zhǔn)化后的所有結(jié)果在區(qū)間[-5,5]之間.標(biāo)準(zhǔn)化后的數(shù)據(jù)呈現(xiàn)了較好的正態(tài)分布，圖5展示了標(biāo)準(zhǔn)化后的特征比較數(shù)組分布圖.可以看到標(biāo)準(zhǔn)化后的數(shù)據(jù)較多集中在中心位置，而對邊沿?cái)?shù)據(jù)進(jìn)行了有效控制.

圖5 標(biāo)準(zhǔn)化后的特征比較數(shù)組統(tǒng)計(jì)圖

借助PageRank算法和HITS定量計(jì)算圖形中每個(gè)節(jié)點(diǎn)的權(quán)重信息.采用R軟件的igraph包實(shí)現(xiàn)PageRank和HITS的計(jì)算.

4 實(shí)驗(yàn)結(jié)果

4.1 單變量相關(guān)性分析

亞馬遜網(wǎng)站不公布銷量數(shù)據(jù)，但會(huì)公布銷售排名(SalesRank)，因此采納前人的研究方法[51,53-54]，以SalesRank作為銷售量近似的度量指標(biāo).SalesRank服從指數(shù)分布，因此，經(jīng)過指數(shù)轉(zhuǎn)化，商品需求量與SalesRank呈現(xiàn)出近似的線性關(guān)系，即

ln(Demand)=α-βln(SalesRank)

(6)

其中α是常量，表示截距；β是相關(guān)系數(shù).由于SalesRank的等級特征，取值越小，則銷售量越大，反之亦然.如果相關(guān)系數(shù)為負(fù)，表明自變量對銷量有正向影響；反之，表明有抑制作用.表4展示了不同自變量對因變量(SalesRank)的相關(guān)系數(shù).

從表4看出，在特征級比較網(wǎng)絡(luò)中，PageRank和HITS的權(quán)威度都與產(chǎn)品銷售排名SalesRank呈現(xiàn)出較強(qiáng)的負(fù)相關(guān)關(guān)系，spearman系數(shù)從-0.085到-0.167(均顯著相關(guān)).PageRank比HITS權(quán)威度相關(guān)性更高，這可能是由于HITS算法需要同時(shí)兼顧內(nèi)容權(quán)威度和鏈接權(quán)威度，而PageRank只是針對節(jié)點(diǎn)的計(jì)算.有向比較網(wǎng)絡(luò)圖的PageRank比作為基準(zhǔn)的總體評價(jià)星級相關(guān)性系數(shù)高，評價(jià)星級與SalesRank的系數(shù)為-0.131.作為直接反映網(wǎng)絡(luò)口碑效應(yīng)的評論數(shù)量，其相關(guān)系數(shù)在所有自變量中是最高的(-0.526)，表明評論數(shù)量與銷量具有很強(qiáng)的相關(guān)性.本文還考慮包含子評論的比較句數(shù)量和特征比較數(shù)量，這是前人沒有嘗試過的.可以看到，包含子評論的比較句數(shù)量和特征比較數(shù)量比不包含子評論的相關(guān)系數(shù)更高，Spearman系數(shù)分別從-0.469，-0.443分別上升到-0.496，-0.470，這表明模型中包含子評論的效果會(huì)更好.無向圖也能很好的擬合銷售數(shù)據(jù)，這表明，除了網(wǎng)絡(luò)口碑，特征比較網(wǎng)絡(luò)的中心度也能對產(chǎn)品銷售形成潛在影響.

實(shí)驗(yàn)顯示多邊有向圖具有更好的優(yōu)勢.但是，不能認(rèn)為多邊有向圖在所有的特征比較網(wǎng)絡(luò)中均能表現(xiàn)更好，還需要更多實(shí)驗(yàn)驗(yàn)證.表4中的相關(guān)系數(shù)均遵循以下排序：無權(quán)重PageRank>有權(quán)重PageRank>無權(quán)重HITS權(quán)威度>有權(quán)重HITS權(quán)威度.這可以從兩方面解釋：1)PageRank和HITS各自適應(yīng)不同環(huán)境：HITS算法需要同時(shí)兼顧內(nèi)容權(quán)威度和鏈接權(quán)威度，而PageRank只是針對節(jié)點(diǎn)的計(jì)算.顯然，在本文數(shù)據(jù)下，PageRank算法(只考慮節(jié)點(diǎn))比兼顧內(nèi)容和鏈接的算法更加有效.這可能是由于文本中比較觀點(diǎn)的特征造成的，HITS算法的適應(yīng)條件是那些只有鏈接而沒有實(shí)質(zhì)內(nèi)容的網(wǎng)站(例如：網(wǎng)址導(dǎo)航)，這類網(wǎng)站本身沒有任何內(nèi)容，網(wǎng)站所有的頁面均指向外鏈，而在線評論文本中不存在這種沒有實(shí)質(zhì)內(nèi)容的比較關(guān)系，特征比較觀點(diǎn)都具有產(chǎn)品特征、進(jìn)行比較的2個(gè)產(chǎn)品以及比較上下文.因此，在特征比較網(wǎng)絡(luò)中PageRank比HITS算法更加合適；2)無論HITS算法還是PageRank算法，在本文的數(shù)據(jù)樣本上，無權(quán)重的網(wǎng)絡(luò)圖比有權(quán)重的網(wǎng)絡(luò)圖相關(guān)性系數(shù)更高，這僅表明無權(quán)重的網(wǎng)絡(luò)圖比有權(quán)重的網(wǎng)絡(luò)圖更有實(shí)用價(jià)值.但是，不能就此得出“在構(gòu)建比較網(wǎng)絡(luò)過程中，沒有必要考慮網(wǎng)絡(luò)邊的權(quán)重”.因?yàn)?，我們只在有限的領(lǐng)域(數(shù)碼相機(jī))，有限的實(shí)驗(yàn)樣本(1 861個(gè)產(chǎn)品)上進(jìn)行實(shí)驗(yàn).而在其他領(lǐng)域內(nèi)，可能考慮網(wǎng)絡(luò)的權(quán)重能夠得到更好的結(jié)果，這需要在實(shí)驗(yàn)中根據(jù)產(chǎn)品領(lǐng)域和實(shí)驗(yàn)樣本進(jìn)行確定.

表4 銷售排名與不同變量的相關(guān)系數(shù)

注：***表示p<0.01.

4.2 有用性評估

由于每個(gè)產(chǎn)品在不同的產(chǎn)品特征上可能進(jìn)行多次比較，分別采用以下2種方法進(jìn)行產(chǎn)品特征比較網(wǎng)絡(luò)的合成計(jì)算：1)所有產(chǎn)品特征的權(quán)重相同(均賦值為1)；2)產(chǎn)品特征的權(quán)重根據(jù)該特征的比較次數(shù)確定.表5展示了兩種算法的特征比較網(wǎng)絡(luò)計(jì)算結(jié)果與銷售排名的相關(guān)系數(shù)對比(spearman).

表5 兩種算法的特征比較網(wǎng)絡(luò)計(jì)算結(jié)果與銷售排名的相關(guān)系數(shù)對比(Spearman)

注：***表示p<0.01.

可以看到，兩種算法在p<0.01水平上顯著相關(guān)，這證明了特征比較網(wǎng)絡(luò)與產(chǎn)品銷量的顯著一致性.更進(jìn)一步，采用相同權(quán)重的算法比根據(jù)評價(jià)次數(shù)確定權(quán)重的算法相關(guān)系數(shù)稍低，這表明根據(jù)評價(jià)次數(shù)確定權(quán)重的特征比較網(wǎng)絡(luò)比相同權(quán)重的特征比較網(wǎng)絡(luò)能夠更好擬合產(chǎn)品銷量，可能的原因在于：產(chǎn)品特征在用戶消費(fèi)決策的影響權(quán)重是不一樣的[53].另一個(gè)可能的原因是：在評論中頻繁提及的產(chǎn)品特征就是用戶最關(guān)心的特征方面.

然而，僅僅依據(jù)相關(guān)系數(shù)并不能有效地評價(jià)特征比較網(wǎng)絡(luò)的有用性，由于變量之間的內(nèi)生性問題(endogenous)，本文采用如下的計(jì)量模型來評估：聯(lián)立方程模型以及兩階段最小二乘法.建立的評價(jià)模型如式(7)和式(8)所示.

SalesRanki,t=θ+α1FeatureNetworki,t-1+

α2Pricei,t-1+α3AvgRatingi,t-1+

α4SalesRanki,t-1+φ

(7)

β2NumReviewi,t+β3CompFeaturei,t+

β4FeatureNetworki,t-1+ω

(8)

其中，SalesRanki,t表示產(chǎn)品i在第t期的銷售排名；FeatureNetworki,t-1代表特征比較網(wǎng)絡(luò)在第t-1期的計(jì)算結(jié)果，采用評價(jià)次數(shù)確定權(quán)重；Pricei,t-1，AvgRatingi,t-1分別表示產(chǎn)品i在第t-1期的價(jià)格和平均評分；cScoref,i,t表示產(chǎn)品i的特征f在第t期的評價(jià)得分；NumReviewi,t表示評論次數(shù)；CompFeaturei,t表示特征比較次數(shù)；φ和ω和是為了捕獲每個(gè)產(chǎn)品的異質(zhì)特征，例如產(chǎn)品定位、市場營銷力度、廣告策略等.采用兩階段最小二乘法估計(jì)聯(lián)立方程式(7)和式(8)，具體實(shí)現(xiàn)方法參照文獻(xiàn)[55].表6展示了估計(jì)結(jié)果.

表6 兩階段最小二乘法回歸結(jié)

注：1. 方程式(7)：因變量為銷售排名，系數(shù)為負(fù)表示對銷量有促進(jìn)作用.

表6分別展示了最小二乘法和兩階段最小二乘法的估計(jì)結(jié)果，值得注意的是：列出最小二乘法的原因在于對比，最小二乘法估計(jì)本身是不準(zhǔn)確的，因?yàn)榛貧w參數(shù)(自變量與因變量)存在內(nèi)生性：產(chǎn)品銷量越高，帶來的用戶在線評論會(huì)越多[1,3,55]，因而根據(jù)在線評論抽取的產(chǎn)品特征比較觀點(diǎn)也會(huì)越豐富，由此構(gòu)建的特征比較網(wǎng)絡(luò)就可能受到產(chǎn)品銷量的影響.而兩階段最小二乘法可以避免這種內(nèi)生性.

兩階段最小二乘法的結(jié)果顯示，特征比較網(wǎng)絡(luò)與產(chǎn)品銷售排名顯著正相關(guān)(顯著性水平p<0.01)，證明在排除內(nèi)生性問題后，特征比較網(wǎng)絡(luò)在銷量預(yù)測上仍然有用.

4.3 回歸分析及模型預(yù)測能力

根據(jù)自變量與因變量SalesRank的相關(guān)系數(shù)，選擇不同的自變量構(gòu)建線性回歸模型，并比較不同模型的預(yù)測能力.由于多邊有向圖與SalesRank相關(guān)系數(shù)最大，因此選擇多邊有向圖模型.價(jià)格、SalesRank、評論數(shù)量、特征比較數(shù)量等變量，分別取其對數(shù)(ln).構(gòu)建的5個(gè)線性回歸模型如下.

模型 1

模型 2

模型 3

模型 4

模型 5

表7分別展示了5個(gè)模型的回歸系數(shù)，其中括號內(nèi)的數(shù)據(jù)表示標(biāo)準(zhǔn)誤差.

表7 線性回歸模型的系數(shù)

從表7可以看出，在線評論數(shù)量(lnNumReview)對產(chǎn)品銷量具有較強(qiáng)的相關(guān)性，這表明網(wǎng)絡(luò)口碑對于消費(fèi)者的購買決策具有參照作用.相比之下，消費(fèi)者總體評分(AvgRating)對銷量的貢獻(xiàn)小得多，這可能是因?yàn)榭傮w評分不能體現(xiàn)出每個(gè)產(chǎn)品特征細(xì)節(jié)上的差異.出乎意料的是價(jià)格對銷量的影響，5個(gè)線性回歸模型中，價(jià)格(lnPrice)對銷量的影響都是正向的.這可能是因?yàn)閿?shù)碼相機(jī)作為中高端產(chǎn)品，用戶對于價(jià)格不敏感.另一個(gè)對SalesRank有較大影響的變量是特征比較對數(shù)量(lnCompFeature)，即用戶在評論中提及的產(chǎn)品特征之間的比較信息越多，對銷量的促進(jìn)作用越大.產(chǎn)品的中心度(lnBetweenness)盡管也對銷量有影響，但這種影響微乎其微.從誤差項(xiàng)可以看出，從模型5到模型1誤差逐步減小，分別從0.403 64減小到0.377 07，說明模型5比模型1更加可靠.

使用第t個(gè)季度的數(shù)據(jù)預(yù)測第t+1個(gè)季度的銷售情況，研究模型的預(yù)測能力.在回歸分析預(yù)測中，以季度為單位，從2011年1月開始，3個(gè)月為1個(gè)單位，例如第1季度為2011年1月1日到2011年3月31日，以此類推.統(tǒng)計(jì)最近10個(gè)季度的評論，即從2011年1月到2013年6月的所有評論數(shù)據(jù).表8顯示了最近10個(gè)季度的匯總數(shù)據(jù)，從匯總數(shù)據(jù)可以看出，在線評論隨時(shí)間遞增.比如評論數(shù)量從第1季度的9 841條上升到第10季度的12 602條，受評論數(shù)量的影響，其他變量也呈現(xiàn)上升趨勢.

表8 數(shù)據(jù)概

分別使用上面5個(gè)線性回歸模型對表8的數(shù)據(jù)進(jìn)行回歸預(yù)測，然后根據(jù)預(yù)測值和實(shí)際值計(jì)算預(yù)測結(jié)果的均方誤差.表9顯示了5個(gè)線性回歸模型的預(yù)測結(jié)果.

表9 模型預(yù)測能力結(jié)果均方誤差

從表9可以看出，除了模型2和模型3的均方誤差基本持平以外，模型1到模型5的均方誤差是逐步減小的.換句話說，模型1到模型5的預(yù)測能力逐步增強(qiáng).模型2和模型3的預(yù)測能力無顯著提升，進(jìn)一步印證了特征比較網(wǎng)絡(luò)中的節(jié)點(diǎn)中心度對模型的貢獻(xiàn)不大.在加入特征比較數(shù)量，以及特征比較網(wǎng)絡(luò)的PageRank和HITS權(quán)威度后，預(yù)測性能明顯提升，證明了本文提出的特征比較網(wǎng)絡(luò)的實(shí)際效果.當(dāng)然，產(chǎn)品銷售量除了受到本文描述的變量影響外，還受相當(dāng)多其他變量的影響，例如：廣告、促銷等.這可能是導(dǎo)致均方誤差在第9季度增大的原因.

任何企業(yè)都非常關(guān)注產(chǎn)品的預(yù)期銷量，這既會(huì)決定公司的生產(chǎn)計(jì)劃，同時(shí)對物流、供應(yīng)鏈等也有相當(dāng)大影響.本文提出的銷售預(yù)測模型能夠從客戶對產(chǎn)品評論的角度對未來銷售量進(jìn)行預(yù)測，提升了預(yù)測的準(zhǔn)確度.

4.4 產(chǎn)品競爭優(yōu)勢識別

產(chǎn)品競爭比較優(yōu)勢圖是依據(jù)在線評論中體現(xiàn)出來的特征比較信息而構(gòu)建的.圖中頂點(diǎn)代表產(chǎn)品特征，極坐標(biāo)系的圓心表示起點(diǎn)刻度，每個(gè)特征的得分都是0—5分.越接近頂點(diǎn)，表明該特征的競爭優(yōu)勢越強(qiáng)；反之亦然.

構(gòu)建過程如下：假設(shè)產(chǎn)品pi所有的特征比較數(shù)組記為

限于篇幅，只選擇4個(gè)商品和22個(gè)產(chǎn)品特征進(jìn)行分析.4個(gè)商品分別是：Canon EOS Rebel T3i, Nikon D3100 Digital SLR, Canon EOS 60D和Canon EOS 7D，結(jié)果見圖6所示.從圖6可以看出，Nikon D3100 Digital SLR總體上有較高的滿意度，但是在價(jià)格(price)、無線連接(wireless)、顏色(color)和視頻(video)方面有較大的提升空間.而Canon EOS Rebel T3i有較多特征處于劣勢，但是在有效像素(pixel)、LCD(lcd)、圖片質(zhì)量(imagequality)和去噪(noise)方面有明顯的優(yōu)勢.Canon EOS 60D在菜單(menu)、拍攝速度(shootingspeed)、視頻(video)、無線連接(wireless)和肩屏(touchscreen)等方面有顯著優(yōu)勢.

產(chǎn)品特征比較網(wǎng)絡(luò)能夠?yàn)楣編硪韵率找妫赫故玖伺c市場同類產(chǎn)品相比，各個(gè)特征的競爭優(yōu)勢和劣勢，給企業(yè)的產(chǎn)品改進(jìn)提供了依據(jù)，同時(shí)也為市場營銷策略提供了指導(dǎo).圖6只展示4個(gè)產(chǎn)品之間的比較，事實(shí)上可以擴(kuò)展到任意產(chǎn)品.產(chǎn)品特征競爭優(yōu)勢圖是從文本到可視化的分析結(jié)果，這是面向競爭力的產(chǎn)品特征比較網(wǎng)絡(luò)的研究結(jié)果，為消費(fèi)者準(zhǔn)確選擇產(chǎn)品提供支持.

圖6 4個(gè)產(chǎn)品的特征競爭優(yōu)勢圖

Fig. 6 Visualization of competitive advantage for 4 products

4.5 產(chǎn)品綜合競爭力模型以及啟示

在3.2節(jié)表3中，統(tǒng)計(jì)了產(chǎn)品特征在評論中出現(xiàn)的次數(shù)以及比例，可以認(rèn)為某個(gè)產(chǎn)品特征出現(xiàn)的比例越高，消費(fèi)者對該特征關(guān)注度越大.利用該關(guān)注度比例，結(jié)合產(chǎn)品在每個(gè)特征上的競爭力，能夠得到每個(gè)競爭產(chǎn)品的綜合得分.產(chǎn)品綜合得分是從歷史評論中得到的所有消費(fèi)者對產(chǎn)品的總體評分.比較特征得分按照多邊有向圖的PageRank計(jì)算，每個(gè)特征得分規(guī)范化為1分～5分.式(9)展示了如何由特征得分計(jì)算產(chǎn)品綜合得分.

(9)

其中Scorep表示產(chǎn)品p1的總體得分；Wi表示第i個(gè)產(chǎn)品特征的權(quán)重；FSpi表示產(chǎn)品p的第i個(gè)產(chǎn)品特征的比較特征得分.表10顯示了排行榜前15個(gè)產(chǎn)品列表以及綜合得分.為了不被少數(shù)特征太少的評論影響，過濾了特征比較次數(shù)小于100次的商品.

表10 數(shù)碼相機(jī)綜合比較排行榜

從表10可以看出，并非銷售排名高的產(chǎn)品就可以獲得很高的特征比較綜合得分.相反，綜合排名第1的商品“Panasonic DMC-FH25K”銷售排名僅為312位，但用戶在評論中反映出來的滿意度非常高，滿分5分中獲得了4.86分.為了進(jìn)一步驗(yàn)證SalesRank與特征比較綜合得分的關(guān)系，計(jì)算了二者之間的相關(guān)系數(shù)，Spearman系數(shù)為-0.403(p<0.001)，表明總體上特征比較綜合得分與SalesRank具有強(qiáng)負(fù)相關(guān)性，即特征比較綜合得分與銷量顯著正相關(guān).特征比較綜合得分反映的是從在線評論中抽取的用戶對產(chǎn)品的觀點(diǎn)，可能存在的一種情況是：如果用戶對產(chǎn)品滿意的話可能并不發(fā)表評論；相反當(dāng)用戶對產(chǎn)品不太滿意的時(shí)候才發(fā)表評論[56].因此，用戶評論不能嚴(yán)格與產(chǎn)品銷量對等.可以認(rèn)為通過特征比較網(wǎng)絡(luò)計(jì)算的特征比較綜合得分，是用戶對該產(chǎn)品的綜合態(tài)度，不是單純由銷量決定的，而是綜合了用戶觀點(diǎn)的結(jié)果.因此，特征比較綜合得分與銷售排名有較強(qiáng)的負(fù)相關(guān)性，這與人們的經(jīng)驗(yàn)并不沖突，只是從另一個(gè)側(cè)面解釋了該問題.

對商家而言，表10有助于識別競爭對手以及精準(zhǔn)定位市場；對消費(fèi)者而言，可以得出廣大用戶對每個(gè)產(chǎn)品的量化得分，輔助購買決策.

5 結(jié)束語

本文以比較信息為研究對象，面向在線評論，借助情感分析技術(shù)，提出深度挖掘用戶意見的方法.根據(jù)在線評論中的比較信息，提取評論中的特征比較觀點(diǎn)對.分別采用單邊有向圖、雙邊有向圖和多邊有向圖來構(gòu)建特征比較關(guān)系.把產(chǎn)品抽象為網(wǎng)絡(luò)節(jié)點(diǎn)，產(chǎn)品間的比較關(guān)系作為網(wǎng)絡(luò)的邊，構(gòu)建特征比較網(wǎng)絡(luò).采用PageRank和HITS對特征比較網(wǎng)絡(luò)進(jìn)行分析，得到節(jié)點(diǎn)的權(quán)威度.產(chǎn)品特征比較網(wǎng)絡(luò)可以用于識別產(chǎn)品的競爭優(yōu)勢和劣勢，用于產(chǎn)品改進(jìn)和市場營銷.實(shí)驗(yàn)表明，基于特征比較網(wǎng)絡(luò)的分析結(jié)果與產(chǎn)品銷量顯著相關(guān)，并且回歸分析驗(yàn)證了本文提出的方法在銷量預(yù)測上的改進(jìn)，證明了特征比較網(wǎng)絡(luò)的有用性.特征比較網(wǎng)絡(luò)不但可以用于特征層次的比較，還能夠根據(jù)用戶評論內(nèi)容對市場上同類產(chǎn)品進(jìn)行總體競爭力排序.

未來的研究方向有：1)本文提取的是顯式產(chǎn)品特征，但是在線評論中還存在大量隱式產(chǎn)品特征，隱式特征比較信息的提取有待深入分析；2)對于比較觀點(diǎn)的識別上，本文采用關(guān)鍵字匹配的方法，效率有待提高，未來可以嘗試采用模式識別以更加準(zhǔn)確高效的識別比較觀點(diǎn)；3)本文提出的方法只在數(shù)碼相機(jī)評論上進(jìn)行了實(shí)驗(yàn)，缺乏對其他產(chǎn)品類別的驗(yàn)證，未來可以嘗試把本文方法擴(kuò)展到其他產(chǎn)品類別，進(jìn)一步驗(yàn)證該方法的有用性；4)除了本文提到的網(wǎng)絡(luò)構(gòu)建方法外，還有很多其他網(wǎng)絡(luò)構(gòu)建和分析算法，例如：二分網(wǎng)絡(luò)、曲面網(wǎng)絡(luò)等，未來可以嘗試更多的網(wǎng)絡(luò)分析算法與情感分析的結(jié)合.

[1]Xie K L, Zhang Z, Zhang Z. The business value of online consumer reviews and management response to hotel performance[J]. International Journal of Hospitality Management, 2014, 43(10): 1-12.

[2]Blal I, Sturman M C. The differential effects of the quality and quantity of online reviews on hotel room sales[J]. Cornell Hospitality Quarterly, 2014, 55(4): 365-375.

[3]Chu W, Roh M, Park K. The effect of the dispersion of review ratings on evaluations of hedonic versus utilitarian products[J]. International Journal of Electronic Commerce, 2015, 19(2): 95-125.

[4]Krishnamoorthy S. Linguistic features for review helpfulness prediction[J]. Expert Systems with Applications, 2015, 42(7): 3751-3759.

[5]Chen L, Qi L, Wang F. Comparison of feature-level learning methods for mining online consumer reviews[J]. Expert Systems with Applications, 2012, 39(10): 9588-9601.

[6]Hai Z, Chang K, Kim J J, et al. Identifying features in opinion mining via intrinsic and extrinsic domain relevance[J]. IEEE Transactions on Knowledg Data Engineering, 2014, 26(3): 623-634.

[7]王祖輝, 姜 維, 李一軍. 在線評論情感分析中固定搭配特征提取方法研究[J]. 管理工程學(xué)報(bào), 2014, 28(4): 180-186.

Wang Zuhui, Jiang Wei, Li Yijun. Regular collocation features extraction method in online reviews sentiment analysis[J]. Journal of Industrial Engineering and Engineering Management, 2014, 28(4): 180-186.(in Chinese)

[8]Zhang L, Liu B, Lim S H, et al. Extracting and ranking product features in opinion documents[C]// Proceedings of the 23rd International Conference on Computational Linguistics, Stroudsburg: DIGITL LIBRARY, 2010: 1462-1470.

[9]Wang H W, Yin P, Zheng L J, et al. Sentiment classification of online reviews: Using sentence-based language model[J]. Journal of Experimental & Theoretical Artificial Intelligence, 2014, 26(1): 13-31.

[10]Borrajo L, Vieira A S, Iglesias E L. TCBR-HMM: An HMM-based text classifier with a CBR system[J]. Applied Soft Computing, 2015, 26(1): 463-473.

[11]Chasin R, Woodward D, Witmer J, et al. Extracting and displaying temporal and geospatial entities from articles on historical events[J]. Computer Journal, 2014, 57(3): 403-426.

[12]Liu J F, Zhang P, Lu Y J. Automatic identification of messages related to adverse drug reactions from online user reviews using feature-based classification[J]. Iranian Journal of Public Health, 2014, 43(11): 1519-1527.

[13]Nassirtoussi A K, Aghabozorgi S, Wah T Y, et al. Text mining for market prediction: A systematic review[J]. Expert Systems with Applications, 2014, 41(16): 7653-7670.

[14]Yu Z Z, Zheng N, Xu M. An automatic product features extracting method in Chinese customer reviews[C]// 7th International Conference on System of Systems Engineering, Genova: IEEE, 2012: 455-459.

[16]Kasper W, Vela M. Sentiment analysis for hotel reviews[C]// Computational Linguistics-Applications Conference, Jachrenka: Free Preview, 2011: 45-52.

[17]Wang G, Sun J, Ma J, et al. Sentiment classification: The contribution of ensemble learning[J]. Decision Support Systems, 2014, 57(1): 77-93.

[18]Háva O, Skrbek M, Kordík P. Supervised two-step feature extraction for structured representation of text data[J]. Simulation Modelling Practice and Theory, 2013, 33(4): 132-143.

[19]姚長青, 杜永萍. 降維技術(shù)在專利文本聚類中的應(yīng)用研究[J]. 情報(bào)學(xué)報(bào), 2014, 33(5): 491-497.

Yao Changqing, Du Yongping. Research on the dimension reduction technique in patent text clustering[J]. Journal of the China Society for Scientific and Technical Information, 2014, 33(5): 491-497. (in Chinese)

[20]王 蒙, 林蘭芬, 王 鋒. 基于偽相關(guān)反饋的短文本擴(kuò)展與分類[J]. 浙江大學(xué)學(xué)報(bào): 工學(xué)版, 2014, 48(10): 1835-1842.

Wang Meng, Lin Lanfen, Wang Feng. Short text expansion and classification based on pseudo-relevance feedback[J]. Journal of Zhejiang University(Engineering Science), 2014, 48(10): 1835-1842. (in Chinese)

[21]Bharti K K, Singh P K. Hybrid dimension reduction by integrating feature selection with feature extraction method for text clustering[J]. Expert Systems with Applications, 2015, 42(6): 3105-3114.

[22]王洪偉, 鄭麗娟, 尹 裴. 基于句子級情感的中文網(wǎng)絡(luò)評論的情感極性分類[J]. 管理科學(xué)學(xué)報(bào), 2013, 16(9): 64-74.

Wang Hongwei, Zheng Lijuan, Yin Pei. Classification of sentimental polarity for Chinese online reviews based on sentence level sentiment[J]. Journal of Management Sciences in China, 2013, 16(9): 64-74. (in Chinese)

[23]Balahur A, Mihalcea R, Montoyo A. Computational approaches to subjectivity and sentiment analysis: Present and envisaged methods and applications[J]. Computer Speech & Language, 2014, 28(1): 1-6.

[24]冀俊忠, 張玲玲, 吳晨生. 基于知識語義權(quán)重特征的樸素貝葉斯情感分類算法[J]. 北京工業(yè)大學(xué)學(xué)報(bào), 2014, 40(12): 1884-1890.

Ji Junzhong, Zhang Lingling, Wu Chensheng. Semantic weight-based naive bayesian algorithm for text sentiment classification[J]. Journal of Beijing University of Technology, 2014, 40(12): 1884-1890.(in Chinese)

[25]Guo J L, Peng J E, Wang H C. An opinion feature extraction approach based on a multidimensional sentence analysis model[J]. Cybernetics and Systems, 2013, 44(5): 379-401.

[26]李 綱, 劉廣興, 毛 進(jìn). 一種基于句法分析的情感標(biāo)簽抽取方法[J]. 圖書情報(bào)工作, 2014, 58(14): 12-20.

Li Gang, Liu Guangxing, Mao Jin. A sentiment label extraction method based on dependency parsing[J]. Library and Information Service, 2014, 58(14): 12-20. (in Chinese)

[27]陸 浩, 牛振東, 張 楠. 基于句法與主題擴(kuò)展的中文微博情感傾向性分析模型[J]. 北京理工大學(xué)學(xué)報(bào), 2014, 34(8): 824-830.

Lu Hao, Niu Zhendong, Zhang Nan. A model for sentiment classification of Chinese microblog based on parsing and theme extension[J]. Transactions of Beijing Institute of Technology, 2014, 34(8): 824-830. (in Chinese)

[28]Chen C C, Chen Z Y, Wu C Y. An unsupervised approach for person name bipolarization using principal component analysis[J]. IEEE Transactions on Knowledge and Data Engineering, 2012, 24(11): 1963-1976.

[29]Paltoglou G, Thelwall M. Twitter, MySpace, Digg: Unsupervised sentiment analysis in social media[J]. ACM Transactions on Intelligent Systems and Technology, 2012, 3(4): 1-19.

[30]Kim K, Lee J. Sentiment visualization and classification via semi-supervised nonlinear dimensionality reduction[J]. Pattern Recognition, 2014, 47(2): 758-768.

[31]Moraes R, Valiati J F, Gavi?o Neto W P. Document-level sentiment classification: An empirical comparison between SVM and ANN[J]. Expert Systems with Applications, 2013, 40(2): 621-633.

[32]杜 銳, 朱艷輝, 魯 琳. 基于SVM的中文微博觀點(diǎn)句識別算法[J]. 湖南工業(yè)大學(xué)學(xué)報(bào), 2013, 27(2): 89-93.

Du Rui, Zhu Yanhui, Lu Lin. The SVM-based algorithm for Chinese micro-blog opinion sentence identification[J]. Journal of Hunan University of Technology, 2013, 27(2): 89-93. (in Chinese)

[33]Kanayama H, Nasukawa T. Unsupervised lexicon induction for clause-level detection of evaluations[J]. Natural Language Engineering, 2012, 18(1): 83-107.

[34]史 偉, 王洪偉, 何紹義. 基于微博的產(chǎn)品評論挖掘: 情感分析的方法[J]. 情報(bào)學(xué)報(bào), 2014, 32(2): 107-112.

Shi Wei, Wang Hongwei, He Shaoyi. Product reviews mining from microblogging based on sentiment analysis[J]. Journal of the China Society for Scientific and Technical Information, 2014, 32(2): 107-112. (in Chinese)

[35]周 哲, 商 琳. 一種基于動(dòng)態(tài)詞典和三支決策的情感分析方法[J]. 山東大學(xué)學(xué)報(bào) (工學(xué)版), 2015, 45(1): 19-23.

Zhou Zhe, Shang Lin. A sentiment analysis method based on dynamic lexicon and three-way decision[J]. Journal of Shandong University (Engineering Science), 2015, 45(1): 19-23. (in Chinese)

[36]楊佳能, 陽愛民, 周詠梅. 基于語義分析的中文微博情感分類方法[J]. 山東大學(xué)學(xué)報(bào) (理學(xué)版), 2014, 49(11): 14-21.

Yang Jianeng, Yang Aaimin, Zhou Yongmei. Sentiment classification method of Chinese micro-blog based on semantic analysis[J]. Journal of Shandong University (Natural Science), 2014, 49(11): 14-21. (in Chinese)

[37]Zhang Z, Ye Q, Zhang Z, et al. Sentiment classification of internet restaurant reviews written in Cantonese[J]. Expert Systems with Applications, 2011, 38(6): 7674-7682.

[38]曹麗娜, 唐錫晉. 基于主題模型的BBS話題演化趨勢分析[J]. 管理科學(xué)學(xué)報(bào), 2014, 17(11): 109-121.

Cao Lina, Tang Xijin. Trends of BBS topics based on dynamic topic model[J]. Journal of Management Sciences in China, 2014, 17(11): 109-121. (in Chinese)

[39]楊 銘, 祁 巍, 閆相斌, 等. 在線商品評論的效用分析研究[J]. 管理科學(xué)學(xué)報(bào), 2012, 15(5): 65-75.

Yang Ming, Qi W, Yan X B, et al. Utility analysis for online product review[J]. Journal of Management Sciences in China, 2012, 15(5): 65-75. (in Chinese)

[40]李常洪, 高培霞, 韓瑞婧. 消極情緒影響人際信任的線索效應(yīng): 基于信任博弈范式的檢驗(yàn)[J]. 管理科學(xué)學(xué)報(bào), 2014, 17(10): 50-59.

Li Changhong, Gao Peixia, Han Ruijing. Impacts of negative emotions on interpersonal trust: Clues effects based on trust game[J]. Journal of Management Sciences in China, 2014, 17(10): 50-59. (in Chinese)

[41]郝媛媛, 葉 強(qiáng), 李一軍. 基于影評數(shù)據(jù)的在線評論有用性影響因素研究[J]. 管理科學(xué)學(xué)報(bào), 2010, 13(8): 78-88.

Hao Yuanyuan, Ye Qiang, Li Yijun. Research on online impact factors of customer reviews usefulness based on movie reviews data[J]. Journal of Management Sciences in China, 2010, 13(8): 78-88. (in Chinese)

[42]蔣翠清, 梁 坤, 丁 勇, 等. 基于社會(huì)媒體的股票行為預(yù)測[J]. 中國管理科學(xué), 2015, 23(1): 17-24.

Jiang Cuiqing, Liang Kun, Ding Yong, et al. Predicting stock behavior via social media[J]. Chinese Journal of Management Science, 2015, 23(1): 17-24. (in Chinese)

[43]劉 鋒, 葉 強(qiáng), 李一軍. 媒體關(guān)注與投資者關(guān)注對股票收益的交互作用: 基于中國金融股的實(shí)證研究[J]. 管理科學(xué)學(xué)報(bào), 2014, 17(1): 72-85.

Liu Feng, Ye Qiang, Li Yijun. Impacts of interactions between news attention and investor attention on stock returns: Empirical investigation on financial shares in China[J]. Journal of Management Sciences in China, 2014, 17(1): 72-85. (in Chinese)

[44]黃衛(wèi)東, 陳凌云, 吳美蓉. 網(wǎng)絡(luò)輿情話題情感演化研究[J]. 情報(bào)雜志, 2014, 33(1): 102-107.

Huang Weidong, Chen Lingyun, Wu Meirong. Research on sentiment evaluation of online public opinion topic[J]. Journal of Intelligence, 2014, 33(1): 102-107. (in Chinese)

[45]吳方照, 王丙坤, 黃永峰. 基于文本和社交語境的微博數(shù)據(jù)情感分類[J]. 清華大學(xué)學(xué)報(bào) (自然科學(xué)版), 2014, 54(10): 1373-1376.

Wu Fangzhao, Wang Bingkun, Huang Yongfeng. Microblog sentiment classification using both text and social context[J]. Journal of Tsinghua University (Science & Technology), 2014, 54(10): 1373-1376. (in Chinese)

[46]Thelwall M, Buckley K, Paltoglou G. Sentiment strength detection for the social web[J]. Journal of the American Society for Information Science and Technology, 2012, 63(1): 163-173.

[47]殷國鵬. 消費(fèi)者認(rèn)為怎樣的在線評論更有用?——社會(huì)性因素的影響效應(yīng)[J]. 管理世界, 2012, (12): 115-124.

Yin Guopeng. What consumers think of online reviews more useful?: Effects of social factors[J]. Management World, 2012, (12): 115-124. (in Chinese)

[48]邸 鵬, 李愛萍, 段利國. 基于轉(zhuǎn)折句式的文本情感傾向性分析[J]. 計(jì)算機(jī)工程與設(shè)計(jì), 2014, 35(12): 4289-4295.

Di Peng, Li Aiping, Duan Liguo. Text sentiment polarity analysis based on transition sentence[J]. Computer Engineering and Design, 2014, 35(12): 4289-4295. (in Chinese)

[49]Jindal N, Liu B. Mining comparative sentences and relations[C]// The Association for the Advancement of Artificial Intelligence, Boston: AAAI Press, 2006, 22: 1331-1336.

[50]Huang G H, Yao T F, Liu Q. Mining Chinese comparative sentences and relations based on CRF algorithm[J]. Application Research of Computers, 2010, 27(6): 2061-2064.

[51]Zhang Z, Guo C, Goes P. Product comparison networks for competitive analysis of online word-of-mouth[J]. ACM Transactions on Management Information Systems, 2013, 3(4): 1-22.

[52]Netzer O, Feldman R, Goldenberg J, et al. Mine your own business: Market-structure surveillance through text mining[J]. Marketing Science, 2012, 31(3): 521-543.

[53]Archak N, Ghose A, Ipeirotis P G. Deriving the pricing power of product features by mining consumer reviews[J]. Management Science, 2011, 57(8): 1485-1509.

[54]Oestreicher-Singer G, Sundararajan A. Recommendation networks and the long tail of electronic commerce[J]. MIS Quarterly, 2012, 36(1): 65-83.

[55]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.

[56]李 杰, 張向前, 陳維軍, 等. C2C電子商務(wù)服裝產(chǎn)品客戶評論要素及其對滿意度的影響[J]. 管理學(xué)報(bào), 2014, 11(2): 261-266.

Li Jie, Zhang Xiangqian, Chen Weijun, et al. Key content elements of online consumer review and effects on customer satisfaction for garments in C2C e-commerce[J]. Chinese Journal of Management, 2014, 11(2): 261-266. (in Chinese)

Comparative network for product competition in feature-levels through sentiment analysis

WANGWei1, 2,WANGHong-wei2

1. College of Business Administration, Huaqiao University, Quanzhou 362021, China; 2. School of Economics and Management, Tongji University, Shanghai 200092, China

Comparative opinions widely exist in online reviews as a common way of expressing consumers’ ideas. Mean while, such online opinions are key proxies for detecting product competitiveness. Firstly, comparative opinion pairs are extracted in feature-levels through text mining and sentiment analysis. Then, based on the comparative opinion pairs, a single-link graph, a dichotomic-link graph and a multi-link graph are built respectively, where the weights of edges are determined by the sentimental strength. Next, a feature-level comparative network is calculated by employing sophisticated network algorithms, including PageRank and Hyperlink-Induced Topic Search. The proposed comparative network can identify the strengths and weaknesses of compared products. Experimental results show that the feature-level comparative networks are correlated with SalesRank significantly, thus enabling the prediction on sales volume.

competitiveness; comparative network; online review; sentiment analysis; product feature; network analysis

2014-05-27；

2015-04-20.

國家自然科學(xué)基金資助項(xiàng)目(71371144)；上海市哲學(xué)社會(huì)科學(xué)規(guī)劃課題一般資助項(xiàng)目(2013BGL004)；華僑大學(xué)高層次人才科研啟動(dòng)資金資助項(xiàng)目(16SKBS102).

王洪偉(1973—)，男，遼寧人，博士，教授，博士生導(dǎo)師. Email: hwwang@#edu.cn

TP18

A

1007-9807(2016)09-0109-18