(武漢大學(xué)經(jīng)濟(jì)與管理學(xué)院 湖北 武漢 430072)

一、引言

信息過載已經(jīng)成為影響消費(fèi)體驗(yàn)的一個(gè)重要因素。如何從用戶生成的紛繁復(fù)雜的在線評(píng)論中篩選出高質(zhì)量評(píng)論，用以幫助消費(fèi)者做出更好的購買決定?基于此，眾多的學(xué)者和電商平臺(tái)針對(duì)評(píng)論的有效性做出了很多的研究。例如，崔楠,張建,王菊卿(2014)基于淘寶數(shù)據(jù)的研究，認(rèn)為極端負(fù)面評(píng)論比極端正面評(píng)論更能影響。Salehan和Kim(2016)基于亞馬遜網(wǎng)上數(shù)據(jù)的研究結(jié)果就表明持有中性情感傾向的評(píng)論被認(rèn)為更有用。在這些關(guān)于評(píng)論文本的研究基礎(chǔ)上，本文更關(guān)注的是評(píng)論者特征?，F(xiàn)有的文獻(xiàn)一般比較關(guān)注于評(píng)論者的評(píng)分、評(píng)論者的等級(jí)、評(píng)論者的信譽(yù)、評(píng)論者是否為意見領(lǐng)袖和評(píng)論者獲得的某種“勛章”數(shù)量等因素對(duì)評(píng)論效用的影響。但是，研究者關(guān)注的大多數(shù)是這些最直觀的評(píng)論者特征，而忽略了評(píng)論者的評(píng)論經(jīng)驗(yàn)對(duì)評(píng)論效用的隱性影響。為了排除干擾，本文結(jié)合前人對(duì)評(píng)論效用的研究把文本特征：時(shí)效性、文本長度、評(píng)分的極端性和情感傾向性作為控制變量，結(jié)果表明，隨著評(píng)論經(jīng)驗(yàn)的增加，評(píng)論的效用在增加。

二、文獻(xiàn)綜述

在電商社區(qū)的發(fā)展中，關(guān)于評(píng)論的有用性一直是很多研究的關(guān)注點(diǎn)。研究的方向主要集中于評(píng)論文本內(nèi)容和評(píng)論者本身特征上。Ngo-Ye和Sinha(2014)分析了評(píng)論者所攜帶的特征(比如信譽(yù)、承諾、即時(shí)活動(dòng)、在線評(píng)論的有用性等)的影響；他們發(fā)現(xiàn)評(píng)論者的屬性比評(píng)論文本本身更能加強(qiáng)評(píng)論的效價(jià)。

除此之外，評(píng)論的情感傾向、評(píng)分極性、文本長度和時(shí)效同樣獲得很多學(xué)者的重視。Baek、Lee、Oh和Ahn(2015)研究了評(píng)分極端性與評(píng)論效價(jià)之間的關(guān)系，表明評(píng)分越接近于評(píng)論對(duì)象平均評(píng)分越是有用。在此基礎(chǔ)上，Yin、Mitra、和Zhang(2016)提供了更進(jìn)一步的研究，他們覺得消費(fèi)者在看到評(píng)論時(shí)傾向于認(rèn)為能證實(shí)自己原本看法的評(píng)論更有用即存在證實(shí)性偏見。崔楠,張建,王菊卿(2014)將文本分為以情感和以信息為中心，認(rèn)為極端負(fù)面評(píng)論比極端正面評(píng)論更能影響評(píng)論效用，而以信息為中心的文本與評(píng)論的效用呈顯著正相關(guān)。

雖然無論是評(píng)論者本身特征還是評(píng)論文本都有前人研究過，但是本文更關(guān)注的是評(píng)論者屬性的隱性因素即評(píng)論者的評(píng)論經(jīng)驗(yàn)。那些購物較頻繁、熱衷于寫評(píng)論的人是否比其他人所留下的評(píng)論更具有用性?本文把評(píng)論者的評(píng)論經(jīng)驗(yàn)作為評(píng)論有用性重要的影響因素，結(jié)合時(shí)效、文本長度、情感傾向性、評(píng)分的差異性等直觀的文本特征因素作為控制變量，探討它們與評(píng)論有用性之間的關(guān)系。

三、提出假設(shè)

由于不同原因而導(dǎo)致的評(píng)論經(jīng)驗(yàn)的差別性，是評(píng)論者屬性的重要判別因素。而在前人的研究中，更多的關(guān)注于評(píng)論者的信譽(yù)度、”勛章”數(shù)量、好友數(shù)量、是否為意見領(lǐng)袖等，例如Ngo-Ye和Sinha(2014)認(rèn)為評(píng)論者的信譽(yù)度、承諾性等比評(píng)論文本更能加強(qiáng)評(píng)論效用。這些屬性可能在如豆瓣、知乎這樣的社區(qū)性網(wǎng)站中，由于話題的集中性更容易形成意見領(lǐng)袖或者積累一些外在榮譽(yù)，從而影響評(píng)論的效用。所以，本文關(guān)注于評(píng)論者更加本質(zhì)的屬性即評(píng)論者的評(píng)論經(jīng)驗(yàn)，想要研究隨著評(píng)論者評(píng)論經(jīng)驗(yàn)的增加是否會(huì)有一個(gè)自我學(xué)習(xí)、完善的過程，從而使評(píng)論經(jīng)驗(yàn)豐富的評(píng)論者所寫的評(píng)論的有用性與其他人有著顯著差異。在此基礎(chǔ)上我們可以做出如下假設(shè)：

H1：評(píng)論者的評(píng)論經(jīng)驗(yàn)對(duì)評(píng)論的效用存在顯著影響。

四、研究設(shè)計(jì)

(一)研究模型

針對(duì)假設(shè)，我們建立以下回歸模型：

ratio=β0+β1numb+β2Abs_Score+β3LnTime+β4Text_length+β5Sentiment

(1)

因變量為在線評(píng)論中認(rèn)為”有用”的人與所有做出”有用”、”沒用”選擇的人總數(shù)的比率(ratio),我們用它來衡量一條評(píng)論的效用。如果一條評(píng)論的有用比率越高，我們認(rèn)為它的效用越大。模型的解釋變量為評(píng)論經(jīng)驗(yàn)(numb)，我們通過評(píng)論者發(fā)表過的評(píng)論數(shù)量來衡量他的評(píng)論經(jīng)驗(yàn)。在控制變量方面，用當(dāng)前評(píng)論的評(píng)分距商品平均評(píng)分的絕對(duì)值(Abs_Score)來表示評(píng)分的極端性。我們用評(píng)論發(fā)表的時(shí)間與我們拿到數(shù)據(jù)的時(shí)間差(Time)的來表示時(shí)效性。在前面我們提到過評(píng)論文本的長度對(duì)評(píng)論的效用有正向促進(jìn)作用，所以我們通過分詞手段計(jì)算出一個(gè)評(píng)論的詞數(shù)作為文本長度(Text_length)的衡量標(biāo)準(zhǔn)，評(píng)論的詞數(shù)越多，文本越長。情感傾向性一直是眾多學(xué)者研究評(píng)論有用性的一個(gè)重要影響因素。本文把情感傾向性非為正面情感傾向和負(fù)面情感傾向，Sentiment=1表示評(píng)論具有正面情感傾向；Sentiment=-1表示評(píng)論具有負(fù)面情感傾向。

(二)數(shù)據(jù)來源

本文的數(shù)據(jù)來源于斯坦福大學(xué)復(fù)雜網(wǎng)絡(luò)分析平臺(tái)上公開的數(shù)據(jù)集，該數(shù)據(jù)集是關(guān)于Amazon上FineFood長達(dá)13年的評(píng)論信息。不像天貓商城上只能看到評(píng)論者的會(huì)員等級(jí)，亞馬遜會(huì)給出給家詳細(xì)的信息，不僅包括當(dāng)前評(píng)論的“有用”投票數(shù)，還包括了評(píng)論者之前獲得的總投票數(shù)、評(píng)論者排名等信息，這為我們的研究提供了更好的數(shù)據(jù)支撐。本文選取的數(shù)據(jù)集共有57萬條評(píng)論，涵蓋了25.6萬用戶，7.4萬種商品。但是里面的數(shù)據(jù)不一定全部符合我們的研究要求，需要對(duì)其進(jìn)行一些篩選、清洗等處理。

(三)數(shù)據(jù)處理

我們對(duì)評(píng)論時(shí)間差取對(duì)數(shù)變換，以此來作為測(cè)量依據(jù)。情感傾向性(Sentiment)是評(píng)論比較直觀的測(cè)度，我們直接根據(jù)評(píng)論者對(duì)商品的評(píng)分(即網(wǎng)站上的星級(jí)評(píng)價(jià))來進(jìn)行情感傾向性的人工標(biāo)記。我們認(rèn)為當(dāng)評(píng)論者的評(píng)分大于3時(shí)，他對(duì)購買的商品是持積極態(tài)度的；而當(dāng)評(píng)論者的評(píng)分小于等于3時(shí)，我們認(rèn)為他對(duì)購買的商品持消極態(tài)度。在確認(rèn)文本長度方面，英文的文本相對(duì)于中文來說更易處理，我們通過簡(jiǎn)單的分詞手段計(jì)算出評(píng)論文本的單詞個(gè)數(shù)作為文本長度的測(cè)度。最后，我們對(duì)數(shù)據(jù)中的一些缺失值、不規(guī)整數(shù)據(jù)予以剔除。

五、實(shí)證結(jié)果分析

(一)描述性統(tǒng)計(jì)結(jié)果

表1 描述性統(tǒng)計(jì)

從表1我們可以看到，投“有用”票數(shù)的人占總投票數(shù)的比率的均值為0.78。這說明從整體上考慮消費(fèi)者在看到評(píng)論時(shí)更加傾向于選擇投“有用”票。評(píng)論者給予商品的評(píng)分據(jù)商品的平均分1.19。這顯示了評(píng)論者之間的評(píng)分一般在商品平均評(píng)分的上下1.19分左右波動(dòng)，差異性還是比較大的。我們獲取數(shù)據(jù)時(shí)距評(píng)論發(fā)表的時(shí)間差的均值為20.97，這是取過對(duì)數(shù)后的結(jié)果，從標(biāo)準(zhǔn)差上看取對(duì)數(shù)后的時(shí)間的離散程度大大減小。評(píng)論的文本長度之間存在很大的差異。在前文中，我們?cè)?jīng)提到過文本的長度對(duì)評(píng)論的有用有著積極的影響，在其他條件不變的情況下文本長度越長評(píng)論的有用性越強(qiáng)。所以，文本的長度是我們必須要控制的因素。評(píng)論者的情感傾向性的平均值為0.44，這顯示了大多數(shù)的評(píng)論者都傾向于留下比較正面的評(píng)論。

(二)多元回歸結(jié)果

表3 多元回歸結(jié)果

從表3中可以看到模型(1)的回歸結(jié)果。模型的主要解釋變量numb，即評(píng)論者發(fā)表評(píng)論次數(shù)的系數(shù)顯著為負(fù)，這就說明評(píng)論者發(fā)表評(píng)論的次數(shù)與評(píng)論的有效性有著顯著負(fù)相關(guān)。這樣H1就得到了驗(yàn)證，說明在線評(píng)論中評(píng)論者的評(píng)論評(píng)論經(jīng)驗(yàn)對(duì)評(píng)論的有用性有著負(fù)面影響。

對(duì)于其他控制變量，Abs_Score所表示的評(píng)分的極端性、LnTime所表示的時(shí)間差的對(duì)數(shù)、Text_length所表示的評(píng)論文本的長度的相關(guān)系數(shù)都符合我們的預(yù)期。評(píng)分的極端性越小，評(píng)論的有用性越高，這正好驗(yàn)證了消費(fèi)者證實(shí)性偏見的存在即評(píng)論的評(píng)分越接近商品平均評(píng)分消費(fèi)者認(rèn)為這條評(píng)論越有用。評(píng)論的時(shí)效性的回歸結(jié)果顯示了評(píng)論越新，有用性越高。這可能有兩種原因：第一，消費(fèi)者瀏覽評(píng)論信息都是從前往后的，在前面的評(píng)論中消費(fèi)者就已經(jīng)可以從無到有獲得一定的關(guān)于商品的信息量，讓他們下意識(shí)的對(duì)新的評(píng)論給予較高的有用性評(píng)價(jià)，而后面的舊評(píng)論所展現(xiàn)的內(nèi)容可能都在前面評(píng)論中出現(xiàn)過了，從而導(dǎo)致消費(fèi)者對(duì)其的有用性感知下降。文本長度對(duì)評(píng)論有用性的正向作用在前人的很多研究中都有發(fā)現(xiàn)。這很容易理解，文本越長,能夠包含的信息越多，越是能加深瀏覽者對(duì)商品的了解。

六、結(jié)語

本文選取亞馬遜網(wǎng)上關(guān)于FineFood的大量評(píng)論信息作為研究數(shù)據(jù)，通過控制評(píng)論的文本因素(評(píng)論評(píng)分極端性、時(shí)效性、文本長度、情感傾向性)，采用實(shí)證分析的方式來探究評(píng)論者的評(píng)論經(jīng)驗(yàn)與評(píng)論效用之間的關(guān)系。研究結(jié)果表明，評(píng)論經(jīng)驗(yàn)在整體上與評(píng)論的效用成顯著負(fù)相關(guān)。這可以為電商平臺(tái)篩選評(píng)論，提高評(píng)論區(qū)域評(píng)論的質(zhì)量，幫助瀏覽者做出更好的購買決策提供重要的借鑒意義。在研究評(píng)論效用方面，本文雖然做出了一些創(chuàng)新和拓展，但還是存在著一些局限性?？梢赃M(jìn)一步挖掘更多的文本特征比如主客觀情感、主題關(guān)聯(lián)度等，從而提高模型的預(yù)測(cè)準(zhǔn)確率。