張夢瑩 鄧三鴻 王昊

摘要：[目的/意義]從海量的購物評價篩選出高效用的評論文本，既能為潛在用戶的購買決策提供有價值的參考，也能為電子商務經(jīng)營者提供巨大的商業(yè)價值。[方法/過程]通過量化在線評論的有用性指標，以模糊層次分析法確定屬性權(quán)重，依據(jù)灰色關(guān)聯(lián)分析法進行在線評論有用性排序，并基于有用性過濾評論，探究在線評論對銷售績效的影響。[結(jié)果/結(jié)論]差評的各項指標相比好評來說具有明顯優(yōu)勢，有用性更高。評論總數(shù)、評論時效性顯著促進產(chǎn)品銷售。情感傾向?qū)λ阉餍蜕唐返匿N量的影響并不顯著。

關(guān)鍵詞：在線評論;產(chǎn)品銷量;評論有用性;模糊層次分析法;灰色關(guān)聯(lián)分析法

DOI：10.3969/j.issn.1008-0821.2019.02.018

〔中圖分類號〕F713.36〔文獻標識碼〕A〔文章編號〕1008-0821（2019）02-0152-09

互聯(lián)網(wǎng)的迅速發(fā)展推動以網(wǎng)絡(luò)為載體的口碑傳播飛速增長，在線評論作為口碑傳播的一種新形式得到發(fā)展和完善，并逐漸成為消費者尋求產(chǎn)品信息的重要資源[1]。購物評價能夠有效降低消費者在信息不足時購物的風險，還可以幫助消費者制定購買決策。BrightLocal[2]調(diào)查發(fā)現(xiàn)，85%的消費者認為在線評論與個人推薦的可信度較高。越來越多的企業(yè)利用在線評論作為新的營銷工具，積極引導消費者進行產(chǎn)品傳播，促進產(chǎn)品銷售，甚至操縱在線評論以影響消費者的購買決策。但在線評論的研究范圍廣泛，涉及不同領(lǐng)域，以及研究方法、模型、數(shù)據(jù)選取等原因，已有研究顯示在線評論對銷售績效具有一定的影響，但尚未得出一致結(jié)論[3-4]。而且信息過載的環(huán)境下，消費者需花費大量時間和精力判斷評論信息的真?zhèn)魏陀杏眯浴．斍岸鄶?shù)電子商務網(wǎng)站，如淘寶、京東、亞馬遜等，一般是將“有用性投票”和“評論時間”作為在線評論的排序指標[5]，但具有一定的片面性，加之大量虛假信息和垃圾信息造成的干擾，使排序結(jié)果造成不同程度的失真，降低在線評論的參考價值，從而影響網(wǎng)購市場的健康發(fā)展[5]。

本文綜合前人的研究成果，挖掘在線評論文本信息，綜合考慮評論有用性指標，并進行量化，以模糊層次分析法確定屬性權(quán)重，依據(jù)灰色關(guān)聯(lián)分析法進行在線評論有用性排序，并基于有用性過濾評論，探究在線評論對銷售績效的影響。從海量的購物評價篩選出高效用的評論文本，既能為其他用戶的購買決策提供有價值的參考，也能為電子商務經(jīng)營者提供巨大的商業(yè)價值。

1文獻綜述

2001年，Chatterjee P[6]首次提出在線評論這一概念。早期多集中于其內(nèi)涵要素及對購買意愿的影響研究，近幾年在線評論的有用性分析成為熱點。有用性是指在線評論是否影響消費者決策的一種主觀感知[7]，能夠減少消費過程中的不確定性，為購買決策提供參考依據(jù)。目前在線評論有用性的相關(guān)研究包括影響因素、有用性排序以及對產(chǎn)品銷售的影響等。

1.1在線評論有用性影響因素研究

國內(nèi)外學者探討在線評論有用性的影響因素，多集中于評論可信度、評論極性、產(chǎn)品類型、評論長度、評論時效性、評論文本特征等要素。Liu等[8]基于因素分析法，提出評論時效、文字風格及評論者經(jīng)驗是影響因素。殷國鵬等[9]基于社會網(wǎng)絡(luò)分析豆瓣電影評論，證明評論長度、評論星級、評論者中心度與評論有用性存在相關(guān)關(guān)系。Mudambi S M[7]、Pan Y等[10]、Scholz M等[11]、Ghose A等[12]、Chen Y等[13]均發(fā)現(xiàn)評論極性、產(chǎn)品類型、評論長度、評論時效性能夠影響有用性。Ghose A等[12]、卓四清等[14]等認為投票數(shù)也對在線評論的有用性起到調(diào)節(jié)作用。Scholz M等[11]、Cao Q[15]等人提出評論的文本特征也存在影響，例如標題長度、評論可讀性、字詞錯誤率等。

1.2在線評論有用性排序研究

李志宇[16]、陳市等[17]均通過模糊層次分析法對在線評論有用性進行排序。蔡曉珍等[18]、呂韶華等[19]利用多元線性回歸法構(gòu)建模型，對評論的有用性進行自動判斷。王倩倩[20]以信息采納模型為基礎(chǔ)，將文本型評論與數(shù)值型評論的一致性進行量化，對淘寶中的在線評論按照可信度大小進行排序。郭順利等[21]以美團的用戶評論為量化數(shù)據(jù)，采用模糊層次分析法和加權(quán)灰色關(guān)聯(lián)分析方法進行在線評論有用性的計算和排序。張艷豐等[5]以模糊層次分析法確定指標權(quán)重，提出一種量化用戶評論屬性的模糊TOPSIS可信度排序方法。

1.3在線評論對銷量的影響研究

在線評論能夠減少交易過程中的信息不對稱，從而影響消費者的購買決策，但在線評論是否能夠代表消費者真實的消費體驗一直存在爭議。Chevalier J A等[22]、Chintagunta P K等[23]、盧向華等[24]學者分別通過對圖書、電影、酒店預訂等領(lǐng)域的在線評論進行研究，認為越積極的評論越能夠產(chǎn)生更大的說服效應，推動產(chǎn)品銷售績效，并且Shen Y等[25]、寧連舉[26]等人均表明極端情感傾向的在線評論對消費者的感知會產(chǎn)生更大的影響，且負面評論大于正面評論的影響。甚至Ghose A等[12]、Thelwall M[27]等人通過對冷門書籍、Twitter事件的傳播進行探究，表明負面的在線評論能引起一定的宣傳作用，從而增加銷售量。但楊雅秀[28]、張心悅等[29]、Duan W等[30]學者的研究不支持評論效價對產(chǎn)品銷量的作用。除評論效價外，Duan W[30]、李健[31]、龔詩陽等[32]學者認為銷售量極大地受在線評論數(shù)量的影響。此外，近年來學者們也開始從影響的調(diào)節(jié)變量角度進行檢驗，例如產(chǎn)品類型[33-34]、消費者心理表征因素[35-36]等。

總體而言，目前國內(nèi)外學者大多通過對不同平臺、產(chǎn)品的在線評論數(shù)據(jù)，對評論有用性和產(chǎn)品銷量的影響因素分別進行研究，但利用有用性對評論進行排序和篩選的研究較少，并且針對在線評論對產(chǎn)品銷量的影響研究尚未得出普適性結(jié)論。本文以多種類產(chǎn)品探究高有用性評論的自身特征以及對產(chǎn)品銷量的影響效果，進一步降低用戶搜尋有用評論的成本，幫助企業(yè)了解在線評論對產(chǎn)品銷量的影響機制。

2研究思路與數(shù)據(jù)

本文歸納、改進前人研究結(jié)果[5]構(gòu)建硏究模型及選取變量，采用Python爬蟲獲取模型分析所使用的在線評論數(shù)據(jù)、產(chǎn)品銷售數(shù)據(jù)及產(chǎn)品特征數(shù)據(jù)，選取計算評論有用性的6個常用指標進行有用性排序?；谟杏眯赃^濾評論，探究在線評論對銷售績效的影響，并利用回歸分析對相關(guān)模型進行估計，驗證相關(guān)假設(shè)。研究思路如圖1。

2.1數(shù)據(jù)獲取

研究樣本源于亞馬遜中國，2018年中國電商網(wǎng)站排名位于第四名[37]，具有一定的客戶基礎(chǔ)。亞馬遜是最早推出消費者在線評論系統(tǒng)的電子商務公司，評論機制較為完善，且評論質(zhì)量較高[38-39]，并提供產(chǎn)品的銷售排名信息，可滿足樣本要求。

數(shù)據(jù)抓取時間為2018年4月5日至2018年4月15日。本文選取亞馬遜的電子產(chǎn)品、母嬰用品、辦公用品、小家電、個護健康、圖書、影視/教育

音像、汽車用品等8個品類中銷售排行榜前100名的產(chǎn)品，抓取每個產(chǎn)品的產(chǎn)品信息及評論信息，剔除無評分、無評論數(shù)的產(chǎn)品數(shù)據(jù)信息，共745個產(chǎn)品，286 350條評論。采集數(shù)據(jù)包括ASIN（商品ID）、產(chǎn)品名稱、產(chǎn)品價格、銷售排行、評論數(shù)量、總評論星級、各評論星級的評論數(shù)量;每條評論的星級、標題、評論者ID、評論者昵稱、評論時間、評論有用數(shù)、評論內(nèi)容。

2.2評論有用性排序研究方法

2.2.1評論有用性排序研究框架

對初始評論集合進行提取，以評論者信息披露、評論時效性、評論有效長度、有用性投票、產(chǎn)品屬性特征詞、情感特征詞作為評價指標層，量化各屬性值并構(gòu)建評論特征矩陣，利用模糊層次分析法對不同指標賦予權(quán)重，依據(jù)灰色關(guān)聯(lián)分析法進行在線評論有用性排序，如圖2所示：

2.2.2指標量化

信息披露程度利用評論是否匿名進行量化，匿名評論數(shù)值為0，實名評論數(shù)值為1。

評論時效性通過閱讀時間Tr與發(fā)表時間Tw的差值進行量化，考慮數(shù)值過大造成的偏差，設(shè)置參數(shù)σ使評論時效區(qū)間在合理范圍，本文評論時效

性計算公式如：Time=[365-（Tw-Tr）]/σ，取σ=36.5，Time的取值范圍為[0，10]。

評論中含有大量與產(chǎn)品無關(guān)的信息，本文采用在線評論的有效長度進行量化，即在線評論中的情感詞Ns和產(chǎn)品屬性詞No與評論長度Nt的比值，運用對數(shù)弱化評論過長或者過短造成偏差，即Lcontent=（lgNs+lgNo）/lgNt。

亞馬遜中在線評論的有用性投票含有具體數(shù)值，以有用性投票數(shù)來量化評論有用性指標。

評論的情感極性通過評論標題及正文中的情感特征詞的數(shù)量進行量化，以臺灣大學的簡體中文情感極性詞典NTUSD[40]及大連理工大學的情感詞典[41]相結(jié)合作為情感詞典。將待排序的在線評論進行分詞處理，并與情感詞典進行匹配，統(tǒng)計匹配成功的詞語個數(shù)，作為情感特征詞的量化數(shù)值Ns。

評論的客觀性通過標題及評論中的產(chǎn)品屬性特征詞數(shù)目進行量化，對標題及評論內(nèi)容進行分詞、詞頻統(tǒng)計、詞性標注、去除停用詞等處理，得到初始詞語集合，由于產(chǎn)品屬性詞常用名詞表達，所以抽取前10%的名詞和名詞性短語作為產(chǎn)品屬性詞典。將處理得到的每條評論中的詞語逐詞與產(chǎn)品屬性特征詞典進行匹配，統(tǒng)計匹配成功的詞語個數(shù)，作為產(chǎn)品屬性特征詞的量化數(shù)值No。

在線評論有用性排序結(jié)果如圖3所示，從評分指標來看，各產(chǎn)品排序靠前的在線評論，其平均評分普遍低于排序靠后的平均評分。排序靠前的評論在時效性、有用性投票、情感詞數(shù)、客觀詞數(shù)的指標均具有一定優(yōu)勢?？赡苡捎趯Ξa(chǎn)品不滿意的消費者更容易發(fā)布較為詳細的評論，以通過對商家的“報復性”行為來試圖緩解自己的焦慮情緒，同時對其他潛在消費者起到警示作用。從評論長度指標來看，評論長短不是決定因素，而是有效長度的影響。

小家電、電子產(chǎn)品平均價格較高，圖書和影視音像價格最低。圖書、電子產(chǎn)品以及母嬰用品是評論最多的品類，圖書平均每個產(chǎn)品1 004條，影視音像平均評論最少。圖書、個護健康、小家電的好評率最高，圖書好評率高達86.37%，影視音像、汽車用品的好評率最低，影視音像好評率僅有69.39%，過濾后各種類的好評率均有下降，變化最多的是辦公用品和小家電，變化最小的是圖書和電子產(chǎn)品。電子產(chǎn)品、母嬰用品差評率最高，電子產(chǎn)品差評率高達10.65%，辦公用品、圖書差評率最低，辦公用品差評率僅有6.24%，過濾后差評率均有提高，變化最多的是小家電、母嬰用品，變化最少的是電子產(chǎn)品、汽車用品。

依據(jù)在線評論有用性對評論進行排序、過濾后，好評率均有下降，差評率均存在提高現(xiàn)象。通過對評分為4分、5分的評論與評分為1分、2分的評論，在評論有用性影響指標角度進行獨立樣本T檢驗，結(jié)果如表4所示。好評和差評的各指標存在顯著差異，差評的平均時效性、有效長度、有用性投票、情感詞數(shù)以及客觀詞數(shù)相比好評來說具有明顯優(yōu)勢，尤其是有用性投票和產(chǎn)品屬性客觀詞的數(shù)目。

4在線評論與銷量的關(guān)系

為進一步研究在線評論與銷量的關(guān)系，同時考慮到可能存在的共線性問題。本文采取逐步多元回歸的方法，以圖書、辦公用品、電子產(chǎn)品為例，如表5所示。

模型2相比模型1的R2值增大，說明在進行評論有用性排序過濾后，模型的整體擬合效果略有改進，方差膨脹因子VIF均在1左右，各變量之間不存在明顯的共線性問題，且Sig.值均小于0.01，所得結(jié)果具有較高的可信性。

評論總數(shù)顯著影響產(chǎn)品銷售量，評論數(shù)量越多，知曉效應和從眾心理對消費者的影響越明顯，促進產(chǎn)品銷售。評論的平均天數(shù)能夠反映產(chǎn)品的上市周期，隨著銷售時間的延長，產(chǎn)品更新?lián)Q代及消費者關(guān)注度下降等因素使產(chǎn)品銷量下滑現(xiàn)象顯著。關(guān)于評論數(shù)量與時效性對產(chǎn)品銷量影響的多數(shù)相關(guān)研究結(jié)論一致[47]，但情感極性的研究結(jié)果各不相同，部分學者認為情感傾向?qū)λ阉鳟a(chǎn)品和體驗產(chǎn)品的銷量均具有顯著影響[48]，但李玉玉等人對搜索型產(chǎn)品進行研究證實其不具有顯著影響[49]。本文研究發(fā)現(xiàn)情感傾向?qū)﹄娮赢a(chǎn)品等搜索型商品的銷量影響并不顯著，評論評分的勸說作用相比產(chǎn)品自身特征來說效果不明顯。對于體驗型產(chǎn)品來說，情感傾向?qū)Ξa(chǎn)品銷量的影響應更為明顯，且辦公用品的好評率在評論過濾后變化明顯，有用性高的評論對消費者決策的影響更大。但圖書的消費者評分普遍較高，且分布集中，因此情感傾向?qū)D書銷量不具有顯著影響，張心悅等人也得出同樣結(jié)論[29]。

產(chǎn)品價格對銷售量不具有顯著影響。由于圖書、辦公用品等價格較低，且相差不大，消費者對價格不敏感。而電子產(chǎn)品等搜索型產(chǎn)品，消費者更多地根據(jù)自己的偏好和產(chǎn)品質(zhì)量來選擇，同樣對產(chǎn)品價格不敏感。王文君等人通過對手機在線評論與銷量的關(guān)系研究也發(fā)現(xiàn)價格不是顯著影響因素[50]。由于多數(shù)評論字數(shù)相差不大，用于衡量評論信息豐富性的評論長度對銷量影響并不顯著。

5總結(jié)

通過分析在線評論的6個指標，構(gòu)建評論特征矩陣，采用模糊層次分析法對其賦權(quán)，并基于灰色關(guān)聯(lián)分析法構(gòu)建用于過濾用戶評論的有用性排序模型。以亞馬遜的8個種類的產(chǎn)品在線評論為例，對其進行有用性排序，從結(jié)果來看，排序靠前的在線評論，評論在時效性、有用性投票、情感詞數(shù)、客觀詞數(shù)的指標均具有一定優(yōu)勢，但平均評分普遍低于排序靠后的平均評分。差評的平均時效性、有效長度、有用性投票、情感詞數(shù)以及客觀詞數(shù)相比好評來說具有明顯優(yōu)勢，尤其是有用性投票和產(chǎn)品屬性客觀詞的數(shù)目。因此，依據(jù)在線評論有用性對評論進行排序、過濾后，好評率均有下降，差評率均存在提高現(xiàn)象。依據(jù)有用性對在線評論進行排序、過濾，探究在線評論對產(chǎn)品銷量的影響。評論總數(shù)、評論時效性顯著促進產(chǎn)品銷售。情感傾向?qū)λ阉餍蜕唐返匿N量的影響并不顯著，對于體驗型產(chǎn)品來說，情感傾向?qū)Ξa(chǎn)品銷量的影響應更為明顯。但產(chǎn)品價格及評論長度對銷售量不具有顯著影響。

基于有用性排序的在線評論與產(chǎn)品銷量的關(guān)系研究，是在線評論的重要研究方向，在線評論的有用性排序有利于消費者有效篩選更有價值的評論信息來做出購買決策，而經(jīng)過濾后的在線評論與產(chǎn)品銷量的關(guān)系研究也能為電子商務經(jīng)營者提供巨大的商業(yè)參考價值。

參考文獻

[1]姜劍，張睿，于陶靜.電子商務背景下在線評論研究[J].中國市場，2015，（41）：69-70.

[2]BrightLocal.Local Consumer Review Survey[EB/OL].https：//www.brightlocal.com/learn/local-consumer-review-survey/.

[3]于麗萍，夏志杰，王冰冰.在線評論對消費者網(wǎng)絡(luò)購買意愿影響的研究[J].現(xiàn)代情報，2014，34（11）：34-38.

[4]Ren J，Yeoh W，Ee M S，et al.Online Consumer Reviews and Sales：Examining the Chicken-Egg Relationships[J].Journal of the Association for Information Science & Technology，2017，69（3）.

[5]張艷豐，李賀，翟倩，等.基于模糊TOPSIS分析的在線評論有用性排序過濾模型研究——以亞馬遜手機評論為例[J].圖書情報工作，2016，（13）：109-117.

[6]Chatterjee P.Online Reviews：Do Consumers Use Them？[J].Advances in Consumer Research，2001，28.

[7]Mudambi S M，Schuff D.What Makes a Helpful Online Review？A Study of Customer Reviews on Amazon.com[J].Social Science Electronic Publishing，2012，34（1）：185-200.

[8]Liu Y，Huang X，An A，et al.Modeling and Predicting the Helpfulness of Online Reviews[C]//Eighth IEEE International Conference on Data Mining.IEEE Computer Society，2008：443-452.

[9]殷國鵬，劉雯雯，祝珊.網(wǎng)絡(luò)社區(qū)在線評論有用性影響模型研究——基于信息采納與社會網(wǎng)絡(luò)視角[J].圖書情報工作，2012，56（16）：140-147.

[10]Pan Y，Zhang J Q.Born Unequal：A Study of the Helpfulness of User-Generated Product Reviews[J].Journal of Retailing，2011，87（4）：598-612.

[11]Scholz M，Dorner V.The Recipe for the Perfect Review？An Investigation into the Determinants of Review Helpfulness[J].Business & Information Systems Engineering，2013，5（3）：141-151.

[12]Ghose A，Ipeirotis P G.Estimating the Helpfulness and Economic Impact of Product Reviews：Mining Text and Reviewer Characteristics[J].IEEE Transactions on Knowledge & Data Engineering，2011，23（10）：1498-1512.

[13]Chen Y，Wang Q，Xie J.Online Social Interactions：A Natural Experiment on Word of Mouth Versus Observational Learning[J].Social Science Electronic Publishing，2011，48（2）：238-254.

[14]卓四清，馮永洲.在線評論有用性影響因素實證研究——基于Tripadvisor.com酒店評論數(shù)據(jù)[J].現(xiàn)代情報，2015，35（4）：52-56.

[15]Cao Q，Duan W，Gan Q.Exploring Determinants of Voting for the“Helpfulness”of Online User Reviews：A Text Mining Approach[J].Decision Support Systems，2011，50（2）：511-521.

[16]李志宇.在線商品評論效用排序模型研究[J].現(xiàn)代圖書情報技術(shù)，2013，（4）：62-68.

[17]陳市，李崢，吳曉松.基于模糊層次分析法的購物評價效用排序模型研究[J].企業(yè)經(jīng)濟，2017，（9）：29-34.

[18]蔡曉珍，徐健，吳思竹.面向情感分析的用戶評論過濾模型研究[J].現(xiàn)代圖書情報技術(shù)，2014，30（4）：58-64.

[19]呂韶華，楊亮，林鴻飛.基于LDA模型的餐館評論排序[J].計算機工程，2011，37（19）：62-64.

[20]王倩倩.一種在線商品評論信息可信度的排序方法[J].情報雜志，2015，（3）：181-185.

[21]郭順利，張向先，李中梅.面向用戶信息需求的移動O2O在線評論有用性排序模型研究——以美團為例[J].圖書情報工作，2015，（23）：85-93.

[22]Chevalier J A，Mayzlin D.The Effect of Word of Mouth on Sales：Online Book Reviews[J].Social Science Electronic Publishing，2006，43（3）：345-354.

[23]Chintagunta P K，Gopinath S，Venkataraman S.The Effects of Online User Reviews on Movie Box-Office Performance：Accounting for Sequential Rollout and Aggregation Across Local Markets[J].Marketing Science，2010，29（5）：944-957.

[24]盧向華，馮越.網(wǎng)絡(luò)口碑的價值——基于在線餐館點評的實證研究[J].管理世界，2009，（7）：126-132.

[25]Shen Y，Li S，Demoss M.The Effect of Quantitative Electronic Word of Mouth on Consumer Perceived Product Quality[J].International Journal of Management & Marketing Research，2012，（5）.

[26]寧連舉，孫韓.在線負面評論對網(wǎng)絡(luò)消費者購買意愿的影響[J].技術(shù)經(jīng)濟，2014，33（3）：54-59.

[27]Thelwall M，Buckley K，Paltoglou G.Sentiment in Twitter Events[J].Journal of the American Society for Information Science and Technology，2011，62（2）：406-418.

[28]楊雅秀.在線評論對創(chuàng)新擴散影響的實證研究[D].杭州：浙江大學，2012.

[29]張心悅，孫克琳，林浡夏，等.在線評論對商品銷售的影響的實證研究[J].電子商務，2017，（7）：51-52.

[30]Duan W，Gu B，Whinston A B.The Dynamics of Online Word-of-Mouth and Product Sales—An Empirical Investigation of the Movie Industry[J].Journal of Retailing，2008，84（2）：233-242.

[31]李健.在線商品評論對產(chǎn)品銷量影響研究[J].現(xiàn)代情報，2012，32（1）：164-167.

[32]龔詩陽，劉霞，趙平.線上消費者評論如何影響產(chǎn)品銷量？——基于在線圖書評論的實證研究[J].中國軟科學，2013，（6）：171-183.

[33]周梅華，李佩镅，牟宇鵬.在線評論對消費者購買意愿的影響——心理距離的中介作用[J].軟科學，2015，（1）：101-104.

[34]余偉萍，祖旭，孫陽波.不同產(chǎn)品類別在線評論對異質(zhì)性消費者購買意愿影響[J].大連理工大學學報：社會科學版，2016，37（1）：1-5.

[35]趙冬梅，紀淑嫻.信任和感知風險對消費者網(wǎng)絡(luò)購買意愿的實證研究[J].數(shù)理統(tǒng)計與管理，2010，29（2）：305-314.

[36]曾歡.旅游者對在線評論的信息采納意愿研究[D].廣州：暨南大學，2013.

[37]TMO.2018中國電商網(wǎng)站排名[EB/OL].https：//www.tmogroup.com.cn/other/26559/.

[38]付東普，王刊良.評論回報對在線產(chǎn)品評論的影響研究——社會關(guān)系視角[J].管理科學學報，2015，18（11）：1-12.

[39]蘇雪佳.B2C在線評論有用性影響因素研究[D].武漢：中南民族大學，2012.

[40]李亞珍，李曉戈，于根.基于中文股票博客的情感分類[J].武漢大學學報：理學版，2015，61（2）：163-168.

[41]大連理工信息檢索研究室.情感詞匯本體庫[EB/OL].http：//ir.dlut.edu.cn/EmotionOntologyDownload.

[42]張吉軍.模糊一致判斷矩陣3種排序方法的比較研究[J].系統(tǒng)工程與電子技術(shù)，2003，25（11）：1370-1372.

[43]張吉軍.模糊層次分析法（FAHP）[J].模糊系統(tǒng)與數(shù)學，2000，14（2）：80-88.

[44]王君珺，閆強.不同熱度搜索型產(chǎn)品的在線評論對銷量影響的實證研究[J].中國管理科學，2013，（s2）：406-411.

[45]廖俊云，黃敏學.基于酒店銷售的在線產(chǎn)品評論、品牌與產(chǎn)品銷量實證研究[J].管理學報，2016，13（1）：122.

[46]杜學美，丁璟妤，謝志鴻，等.在線評論對消費者購買意愿的影響研究[J].管理評論，2016，28（3）：173-183.

[47]張曉鋒.在線評論對空調(diào)銷量的影響——基于天貓平臺數(shù)據(jù)的實證研究[J].中國市場，2017，（28）：121-124.

[48]陳在飛.不同來源在線評論對網(wǎng)絡(luò)零售商產(chǎn)品銷量的影響研究[D].南京：南京大學，2014.

[49]李玉玉，廖成林，王曉歡.在線評論的量化指標對產(chǎn)品銷量的影響研究——基于搜尋品視角[J].價值工程，2017，36（29）：33-34.

[50]王文君，張靜中.電子商務網(wǎng)站在線評論對手機銷量影響的實證研究[J].河北工業(yè)科技，2016，33（3）：188-193.

（責任編輯：孫國雷）