張艷豐 王羽西 彭麗徽 劉亞麗

摘 要：[目的/意義]通過對在線用戶追加評論文本內容進行挖掘，有助于電商企業(yè)掌握在線用戶發(fā)布后續(xù)評論的普遍時間規(guī)律，可以根據(jù)追加評論內容特征屬性來指導廠家進行商品改進以及輔助用戶的購買決策行為。[方法/過程]從內容維度，通過語義特征分析、情感特征分析、詞頻共現(xiàn)分析和時間特征分析對在線用戶追加評論文本分別進行文本內容挖掘。[結果/結論]闡述了在線用戶追加評論的內容情報特征及其與初始評論文本語義的關聯(lián)與差異，揭示了在線用戶追加評論行為時間滯后符合冪率分布特征。

關鍵詞：在線用戶評論;追加評論;內容情報;文本挖掘;數(shù)據(jù)挖掘;電子商務;京東商城

DOI：10.3969/j.issn.1008-0821.2020.09.011

〔中圖分類號〕G250.2 〔文獻標識碼〕A 〔文章編號〕1008-0821（2020）09-0096-10

Research on Information of Online Users Additional

Comments Based on Text Mining

——Take the Mobile Phone Review Data of Jingdong Mall as an Example

Zhang Yanfeng Wang Yuxi Peng Lihui Liu Yali

（School of Public Management，Xiangtan University，Xiangtan 411105，China）

Abstract：[Purpose/Significance]Mining the content of online users additional comments will help e-commerce enterprises to grasp the general rule of time for online users to publish follow-up comments，and can guide manufacturers to improve their products and assist users to make purchasing decisions according to the characteristics of additional comments.[Method/Process]From the content dimension，text content mining of online users additional comment texts was carried out through semantic feature analysis，emotional feature analysis，word frequency co-occurrence analysis and time feature analysis.[Result/Conclusion]This paper expounded the content information characteristics of online users supplementary comments and their relationship and difference with the semantics of the original comments，and revealed that the time lag of online users supplementary comments conforms to the power distribution characteristics.

Key words：online users comments;follow-up reviews;content intelligence;text mining;data mining;e-commerce;Jingdong Mall

在線用戶評論是企業(yè)網(wǎng)絡口碑傳播中消費者購買體驗的真實反饋，對消費者和企業(yè)都有重要的潛在情報價值。從評論的時間維度，在線用戶評論可以分為初次評論和追加評論，追加評論又稱為后續(xù)評論（Follow-up Reviews）或簡稱為追評，是用戶在對初次評論完成的一定時間期限內再次發(fā)表的評論內容，是消費者具有更長時間使用經歷感知積淀后再次做出的追加評論行為。追加評論能夠優(yōu)化在線用戶評論的信息結構，助力潛在消費用戶識別更有價值的評論信息，以做出正確的購買決策選擇。與初次評論相比，追加評論更能夠真實反映產品的特征和屬性，評論內容的有用性更強，對消費者購買意向的影響更為顯著[1]。從內容情報分析角度，對在線用戶追加評論內容進行文本挖掘，分析追加評論與初始評論在文本內容上的差異特征，有助于企業(yè)和消費者進行精確的“產品畫像”分析，發(fā)現(xiàn)用戶重點關注的產品特征及其對應的情感屬性，有利于調整企業(yè)發(fā)展規(guī)劃，配置合理的產業(yè)資源，對電商企業(yè)具有重大的商業(yè)情報價值。

1 相關研究述評

1.1 在線用戶追加評論的影響研究

在線用戶追加評論對消費者的影響逐漸成為學者們研究的熱點內容，現(xiàn)有研究主要集中在以下3個方面：1）在線用戶追加評論對消費者的一般性影響研究。主要從信息本身[2]、產品類型[3]、網(wǎng)絡口碑[4]、用戶特征[5]、發(fā)布動機[6]等方面探討在線用戶追加評論對消費者的影響作用。2）在線用戶追加評論的獨特性影響研究。追加評論作為在線評論的一種獨特表現(xiàn)形式，諸多學者開始從微觀層面探討有無追加評論的結構分析[1]與內容挖掘[7]等方面開展追加評論對消費者獨特的影響研究。3）追加評論與初始評論對消費者影響的差異性研究。相關研究將追加評論與初始評論的內容和特征等要素對消費者的影響進行對比分析與知識發(fā)現(xiàn)[8]。相關研究主要基于傳播學理論，采用理論推演或實證分析方法闡述在線用戶追加評論對消費者的影響，揭示在線用戶追加評論影響的客觀特征屬性。

1.2 在線用戶追加評論的特征研究

目前在線用戶追加評論的特征研究主要從“初評—追評”的時間特征和內容特征兩個維度進行闡述。Jin L等[9]發(fā)現(xiàn)近期評論對用戶的及時購買決策更具影響力，而長期評論對用戶的遠期購買決策影響更大，證明消費者偏好受在線用戶評論時間特征的影響。張艷豐等[10]分析了在線用戶初始評論與追加評論時間序列滯后的冪率分布特征，并對時間間隔區(qū)間的評論內容進行文本挖掘，闡明了在線用戶追評行為時間序列關聯(lián)特征和用戶行為特征。李琪等[11]探討了初評與追評的情感矛盾性對消費者的影響，發(fā)現(xiàn)與一致性評論相比，矛盾性評論的影響更為強烈。胡常春等[12]通過實證分析證明追評的有用性感知受時間間隔和產品類型的調節(jié)作用影響。李良強[13]提出了一種基于詞向量表示的在線用戶評論內容挖掘方法和一個半監(jiān)督的“評論—特征”映射方法，解決了從海量稀疏短文本挖掘中的精度差和語義可理解性差的問題。

1.3 在線用戶追加評論的價值研究

在線用戶追加評論一般包含更全面的產品信息和更豐富的使用經驗，具有深化和加強“消除不確定性”的功能，對在線商家和消費用戶具有重大的潛在價值。Godes D等[14]的研究結果表明大多評論閱讀者認為與初始評論相比，追加評論更能反映消費者的真實體驗，并且產品信息更為豐富，具有更高的感知價值。孫銳等[15]將追加評論與初始評論的有用價值感知進行比較，通過實證研究方法，進一步證實追加評論的用戶感知價值顯著高于初始評論。Demangelis M等[16]對追加評論價值感知的前因進行了探討，證明自我提升動機是影響追加評論價值貢獻與傳播的重要動力。鄧衛(wèi)華等[17]將在線用戶追加評論價值從3個維度進行分析，研究結果表明大部分用戶對有助于消費決策的采納價值評價較高，但對信息分享價值和信息篩選價值認可度不高。

綜上所述，前人針對在線用戶追加評論情報分析研究為本研究提供了良好基礎，但并不完善。在線用戶追加評論相關研究較多的從影響、特征和價值角度進行比較分析，但在線用戶追加評論文本中存在諸多的隱性內容情報關聯(lián)，現(xiàn)有研究對這方面的關注不多，實證研究中關于文本內容隱性情報分析更為少見?；诖耍狙芯繌脑诰€用戶追加評論內容情報角度進行文本挖掘，分析追加評論文本關聯(lián)特征，對電子商務運營商收集競爭情報數(shù)據(jù)、探索潛在用戶評論偏好以及發(fā)現(xiàn)用戶評論行為規(guī)律具有重要的實踐意義。

2 研究設計

2.1 數(shù)據(jù)來源

本文研究數(shù)據(jù)以京東商城（www.JD.com）電子商務平臺的手機評論作為研究樣本的數(shù)據(jù)源進行內容情報分析。在平臺選擇上，京東商城是我國第二大綜合網(wǎng)絡零售平臺，市場占有率和用戶影響力較高，并且隨著京東物流的全國推廣，已經形成一套完善的企業(yè)生態(tài)體系;在樣本選擇上，手機是目前用戶信息行為最為廣泛的應用對象，用戶的移動網(wǎng)絡信息行為已在人們的日常生活中不可或缺，手機用戶需求基數(shù)大、普適性高，研究意義重大?；诖?，本研究以京東商城電子商務平臺的手機評論作為數(shù)據(jù)來源進行實證分析，為在線用戶追加評論內容情報分析提供研究思路與研究方法，有助于拓展用戶信息行為分析的理論研究價值，同時也對電商企業(yè)的競爭情報戰(zhàn)略分析具有切實可行的實踐和應用價值。

2.2 數(shù)據(jù)采集與數(shù)據(jù)處理

本研究通過Python語言編程爬取京東商城華為榮耀8X手機評論數(shù)據(jù)作為數(shù)據(jù)源，將帶有追加評論內容的初始評論和對應的追加評論文本進行數(shù)據(jù)采集，字段包括用戶名、初次評論時間、追加評論時間、初次評論內容、追加評論內容等數(shù)據(jù)。數(shù)據(jù)處理階段包括數(shù)據(jù)清洗和數(shù)據(jù)規(guī)范處理以及數(shù)據(jù)存儲3個階段。首先，為提高后續(xù)研究的準確性，過濾重復評論和評論內無意義的字符，刪除明顯廣告評論以及形如“無”“……”等不能反映實際語義信息的評論文本。然后針對過濾后的評論進行數(shù)據(jù)規(guī)范化處理，例如規(guī)范日期格式形如2018/10/25，將數(shù)據(jù)表進行拆分和合并等工作。最后提取2 068對“初評—追評”在線用戶評論作為研究分析的數(shù)據(jù)樣本進行存儲。

2.3 數(shù)據(jù)分析過程

本研究數(shù)據(jù)分析過程主要分為語義分析、情感分析、詞頻共現(xiàn)分析和時間滯后分析4個階段。1）語義分析上，通過對文本高頻詞匯統(tǒng)計和詞云分析，發(fā)現(xiàn)追加評論中用戶較為關注的商品特征以及用戶情感反饋，并分析兩者間的潛在關聯(lián)，進一步從初評與追評的商品特征、情感特征和服務特征進行相關性和差異性分析。2）情感分析上，通過凝聚子群分析統(tǒng)計情感詞與商品特征詞的對應關系，并針對初評與追評的情感對應特征進行比較分析。3）詞頻共現(xiàn)分析上，將高頻詞匯進行排序，構建詞頻共現(xiàn)矩陣并進行可視化處理，分析高頻詞匯的共現(xiàn)網(wǎng)絡關系和特征關系。4）時間滯后分析上，分析在線評論用戶追加評論行為與初始評論行為的時間滯后關系，闡明“初評—追評”的時間序列分布特征，以進一步深入挖掘在線用戶評論行為習慣和行為規(guī)律。具體分析流程框架如圖1所示：

3 在線用戶追加評論內容情報分析

3.1 評論內容語義分析

評論內容的語義特征通過各個知識元數(shù)據(jù)結合體現(xiàn)，知識元詞匯在各個評論中出現(xiàn)的頻次構成每一條用戶評論，在追加評論中出現(xiàn)的高頻知識元詞匯即為用戶關注的商品特征及其對應的情感反饋。因此，統(tǒng)計在線用戶追加評論文本知識元詞匯內容和頻次，基于R語言的JiebaR包進行分詞和詞匯的頻率統(tǒng)計，提取追加評論中的高頻知識元詞匯，使用Wordcloud2包繪制詞匯云圖，如圖2所示：

可以發(fā)現(xiàn)，在線用戶追加評論中較為關注的是“屏幕”“快遞”“運行”“電池”等產品特征詞;對于“不錯”“支持”“可以”“滿意”等表現(xiàn)情感的知識元詞匯出現(xiàn)頻次較高;同時，也可以看出“蘋果”“三星”“小米”是通常與樣本產品做比較的品牌，也是在產品營銷和推廣中存在強烈競爭壓力的替代品牌。抽取排名前40位追加評論文本知識元詞匯的詞頻統(tǒng)計如表1所示：

進一步將包含“功能”“性能”“外觀”等屬性的知識元詞匯定義為商品特征;對產品或服務的情感態(tài)度和觀點表達詞匯，如“不錯”“喜歡”“滿意”等知識元詞匯定義為情感特征，包括正向情感、負向情感和中性情感;將物流配送、服務態(tài)度等相關知識元詞匯定義為服務特征。通過評論內容語義特征類型分析在線用戶追加評論與初始評論內容語義特征的差異性，分別選取追評與初評出現(xiàn)頻率排序前200位的知識元詞匯，分析其商品特征、情感特征和服務特征的分布情況，不同評論時間類型高頻知識元詞匯統(tǒng)計比較的結果如表2所示。

可以發(fā)現(xiàn)，初始評論與追加評論在文本內容語義特征分布上具有整體趨勢上的相似性，商品特征占比最高、服務特征占比最低、情感特征占比居中。從差異上來分析，初評內容商品特征與服務特征較追評比率高，追加評論的情感特征占比均高于初評，說明初次評論對商品及服務特征關注度較高，追加評論相較于初次評論更重注所購產品的情感特征反饋。

3.2 評論內容情感分析

追加評論高頻知識元詞匯的情感詞匯與產品特征詞匯的凝聚關系可以通過凝聚子群的聚類關系來展示，凝聚子群分析也可以形象地稱為“小團體分析”，一般凝聚子群是在集合間具有對相緊密的、較強的、或者直接的關系，類似于社會網(wǎng)絡研究中凝聚子群的群（Group）或團（Cluster），在復雜網(wǎng)絡中也被稱為社團結構（Community Sturcture），尋找社會網(wǎng)絡中的子群是復雜網(wǎng)絡和社會網(wǎng)絡研究的一個重要方向。本研究統(tǒng)計追加評論高頻知識元詞匯的凝聚子群關系如圖3所示：

從圖3高頻知識元詞匯的凝聚子群關系可以看出，高頻知識元詞匯可分為4個凝聚子群，從商品特征對應的情感特征詞匯角度，各個子群詞匯數(shù)量與特征內容匯總如表3所示。

綜合分析凝聚子群的特征詞匯，大致從1）物流、服務;2）手感、售后;3）功能、質量;4）性能、配置等方面將情感詞匯凝聚為4個子群。從對應的情感詞匯來看，對產品的物流、服務方面較為肯定;性能、質量是各個子群共同關注的內容，并且綜合評價結果大多為正向情感評價詞匯;系統(tǒng)分析各個子群的商品詞匯的差異特征，發(fā)現(xiàn)電池、系統(tǒng)的發(fā)熱問題可能是影響用戶產生負面情感的一個重要因素。進一步統(tǒng)計追加評論文本與對應的初始評論文本的各類情感傾向比率進行比較研究，統(tǒng)計結果如圖4所示。

結果表明，存在相當一部分正向情感傾向的初始評論在追加評論中轉變?yōu)樨撓蚯楦袃A向。與初次評論相比，追加評論的正向情感比率和中性情感比率均存在不同程度的減少，負向情感比率增加明顯，說明追加評論往往存在由正向到負向的情感極性轉折，并且負向情感更能促使追加評論的生成，存在很大部分的追加評論是反映商品或服務存在的問題來對潛在用戶進行消費提示，因此追加評論負向情感極性語義詞匯增量較為顯著。

3.3 評論內容詞頻共現(xiàn)分析

對所有追加評論數(shù)據(jù)進行分詞與詞頻排序后，提取詞頻排序前2 000位的知識元詞匯進行排序后的詞頻數(shù)量擬合，擬合效果如圖5所示。

可以觀察出追加評論知識元詞匯分布顯現(xiàn)出較為嚴格的冪指分布，擬合優(yōu)度達到0.87。對詞頻進一步統(tǒng)計分析可以發(fā)現(xiàn)，排名前20%的知識元詞出現(xiàn)頻次占總頻次的81%，符合“帕累托法則”的信息傳播規(guī)律。通過對樣本評論文本的分詞與詞頻統(tǒng)計，對每條評論的高頻知識元詞匯進行共現(xiàn)分析，本研究抽取排名前50位的高頻知識元詞匯構建詞頻共現(xiàn)矩陣，這些詞匯是追加評論中出現(xiàn)頻率高且具有代表性的知識元詞匯，能夠有效反映商品

共現(xiàn)矩陣能夠展示不同知識元詞匯同時出現(xiàn)的頻次，同時也反映出不同知識元詞匯間的相關程度。進一步，根據(jù)表4所構建的高頻知識元詞匯共現(xiàn)矩陣進行社會網(wǎng)絡分析，繪制知識元詞匯的共現(xiàn)連接網(wǎng)絡圖譜，如圖6所示。

圖6進一步揭示了高頻知識元詞匯的共現(xiàn)網(wǎng)絡關系，節(jié)點越大表明中心度越高，說明在評論中出現(xiàn)的頻次越多，與其連接的詞匯量越多。節(jié)點的連接線條代表詞匯間的共現(xiàn)關系，線條越粗所反映的特征關系越為緊密。節(jié)點越大，線條越粗的知識元詞匯，是評論閱讀者對評論中商品質量與服務感知的集中體現(xiàn)，對消費者的購買決策起到直接影響作用。通過對圖6進行網(wǎng)絡結構分析表明：1）“屏幕”“時尚”“性價比”“發(fā)熱”“電池”等的點度中心度較高，說明評論用戶較為關注產品的這些特征，同時這些中心度高的詞匯間連接度也較為緊密，這些特征也將對潛在購買用戶產生購買決策指導作用;2）“攝像頭”“處理器”“像素”“續(xù)航”

“強大”“功能”“服務”“放心”“漂亮”等詞匯雖然點度中心度不高，但是連接較為緊密，這些詞匯在同一評論中共現(xiàn)的概率較高，包含具體的產品特征詞較多，說明評論者經常通過產品特征去具體描述產品的使用經驗;3）此外，網(wǎng)絡關系中較為顯著的特征是情感詞“失望”，與“發(fā)熱”“電池”“問題”“續(xù)航”等詞匯的連接度較高，說明在追加評論中集中反映的問題是電池的發(fā)熱與續(xù)航問題，這是生產廠商在進行產品研發(fā)時需要高度關注的重點改進方向。

3.4 評論內容時間滯后分析

本研究擬探究在線用戶追加評論的時間滯后性，即消費用戶一般在多長時間后進行追加評論行為。利用本文抓取的產品評論數(shù)據(jù)進行追加評論的時間滯后分析。從時間序列角度，如果時間序列X與時間序列Y存在一定的相關性，并且X滯后Y的時間為L，則說明X與Y存在滯后相關性。當X滯后Y的時間L=2時的示意如圖7所示：

本研究引入文獻[18]的相關公式，對于兩個時間序列X={x1，x2，…，xn}和Y={y1，y2，…，yn}，時間序列Y滯后于時間序列X的相關系數(shù)R（l）計算方法如式（1）所示：

式中，R（l）為時間滯后相關系數(shù)，=1n-l∑nt=l+1xt，=1n-l∑nt=1yt，l的最大取值為n/2，令R（l）達到最大值所對應的滯后節(jié)點為lmax，則時間序列X與Y具有滯后相關性，Y滯后X的時間量為lmax。以l為橫坐標，R（l）為縱坐標，生成的曲線被稱為“滯后相關曲線”，該曲線上最大值所在的點被稱為“最大滯后相關點”，設定相關閾值以上的區(qū)間被稱為“滯后相關區(qū)間”。筆者使用式（1）將時間滯后數(shù)據(jù)輸入Matlab軟件進行相關性計算，時間序列滯后為0～5的相關系數(shù)可視化曲線如圖8所示。

由圖8可知，當時間滯后為1天時，追評與初評數(shù)量標準化比率的相關系數(shù)最大，即當Lmax=1時，R（Lmax）=0.9397，并且當滯后區(qū)間為0～2天時，追加評論與初始評論具有顯著的正相關關系（相關系數(shù)大于0.6），證明大多數(shù)用戶會選擇在0～2天的時間范圍內進行追加評論行為，并且時間間隔為1天時進行追加評論行為的用戶最多。進一步分析在線用戶追加評論行為的人類行為動力學規(guī)律，選取了兩類（體驗型和搜索型）產品的時間間隔，選擇的產品中有3種類型是搜索型產品（手機類、服飾類、化妝品類），一種是體驗型產品（書籍類）。計算初次評論與追加評論的時間間隔作為新的時間序列，在分析過程中將時間單位轉換為小時，對單位時間內的追加評論數(shù)量進行累積概率處理，對追加評論頻次和時間序列取雙對數(shù)，得到追加評論時間滯后散點圖以及線性擬合效果對比圖如圖9所示：

可以看出，在線用戶追加評論時間滯后散點擬合效果較好，這4類產品樣本的冪率指數(shù)分別為手機類—1.20、服飾鞋帽類—1.36、化妝品類—1.25、圖書類—1.26，符合人類行為動力學冪率分布規(guī)律，通過Kolmogorov-Smirnov（KS）檢驗結果表明，在線用戶追加評論時間滯后符合人類行為動力學冪率分布規(guī)律，并且手機類、服飾類、化妝品類、圖書類的冪指數(shù)差異性不大。

4 結 論

本研究從在線用戶追加評論進行內容情報研究，通過對實證分析結果的歸納與總結，可以得出以下幾點結論：

1）在語義特征上，對在線用戶追加評論內容進行文本挖掘，揭示了用戶追加評論與初始評論文本語義的關聯(lián)與差異。通過對評論文本的語義特征分析，證明商品特征是初始評論和追加評論共同關注的情報內容，在兩者縱向比較中，追加評論的商品特征詞占比略低于初始評論，而追加評論情感特征占比高于初始評論，初始評論服務特征比率較高。說明初始評論用戶一般較為關注產品性能和服務水平，而追加評論比較關注的是對于產品認知的用戶情感內容反饋。

2）在情感特征上，通過對高頻知識元詞匯的凝聚子群分析可以發(fā)現(xiàn)商品特征詞與正向情感詞、中性情感詞、負向情感詞的關聯(lián)關系，能夠輔助用戶優(yōu)化購買決策，也有助于在線商品質量和服務水平的改進。本研究樣本綜合評價結果大多為正向情感評價詞匯，與初次評論相比，追加評論的正向情感比率與中性情感比率均存在不同程度的減少，負向情感比率增加明顯，說明用戶的產品性能和服務水平感知能夠促進初次評論的生成，而用戶在產品使用中的負向情感認知更能促使追加評論的生成。

3）詞頻共現(xiàn)特征上，追加評論知識元詞匯分布呈現(xiàn)出較為嚴格的冪指分布，擬合優(yōu)度較高，符合“帕累托法則”的信息傳播規(guī)律。對高頻詞匯的中心度和連接度進行詞頻共現(xiàn)可視化分析，系統(tǒng)闡述了高頻詞匯的共現(xiàn)關系。本研究在線評論詞頻共現(xiàn)度高、中心度突出、連接度緊密的知識元詞匯為用戶較為關注的產品特征，這些特征也將對潛在購買用戶產生購買決策指導作用，評論者經常通過產品特征去具體描述產品的使用經驗，并且與負向情感詞共現(xiàn)關聯(lián)度高的產品特征能夠反映產品存在的問題與缺陷，能夠為生產廠商在進行產品研發(fā)時提供高度關注的重點改進方向。

4）從時間特征上，總結了在線用戶追加評論行為的時間分布規(guī)律，揭示了在線用戶追加評論行為時間滯后符合冪率分布特征，并且在時間滯后為0～2天時，尤其是時間間隔為1天時，消費者的追加評論行為較多，研究結果對電子商務運營商發(fā)現(xiàn)用戶評論行為規(guī)律以及探索潛在用戶評論時間偏好具有重要意義。一方面，電子商務企業(yè)可以根據(jù)在線用戶追加評論時間滯后的行為特征規(guī)律及時地給予干預，鼓勵消費者在有充足時間去體驗消費的同時也能夠迅速的發(fā)表追加評論，從而產生良好的網(wǎng)絡口碑傳播效應;另一方面，也可以依據(jù)時間滯后規(guī)律，配置合理的客戶服務方面的企業(yè)資源，更好地為消費者服務，提高客戶滿意度。

5）需要特別指出的是，本研究發(fā)現(xiàn)在線用戶追加評論的時間滯后與詞頻共現(xiàn)都呈現(xiàn)出冪指分布規(guī)律，但是根據(jù)“長尾理論”，對于部分時間滯后較長以及詞頻出現(xiàn)較少的極性情感評論仍然極有可能是在線用戶購物決策和產品網(wǎng)絡口碑傳播的重要影響因素，因此對于在線用戶追加評論分析中，在重點關注集中時間段大量出現(xiàn)的知識元詞匯進行文本挖掘的同時，對于時間滯后較長以及部分詞頻共現(xiàn)頻次較少的極性情感詞匯同樣具有極高的潛在商業(yè)價值，并且可能是影響產品網(wǎng)絡口碑效應的重要隱性因素。

根據(jù)本文研究結論，一方面，有利于根據(jù)追加評論的內容情報特征來指導廠家進行商品改進以及輔助用戶的購買決策行為;另一方面，有助于電子商務平臺在掌握用戶發(fā)布追加評論的普遍時間規(guī)律，選擇合適的時間點對消費者進行激勵和提醒，從而推動消費者在特定時間范圍內產生有效的追加評論。同時本文也存在一些局限，一是研究樣本僅針對手機評論進行分析，其他產品追加評論的內容情報特征有待進一步深入對比分析;二是本研究并未對評論文本情感詞匯的情感極性進行深入研究，情感極性對在線用戶追加評論內容情報關聯(lián)的影響將是后續(xù)研究的主要方向。

參考文獻

[1]王長征，何釤，王魁.網(wǎng)絡口碑中追評的有用性感知研究[J].管理科學，2015，（3）：102-114.

[2]Ghose A，Ipeirotis P G.Estimating the Helpfulness and Economic Impact of Product Reviews：Mining Text and Reviewer Characteristics[J].Social Science Electronic Publishing，2011，23（10）：1498-1512.

[3]金立印.網(wǎng)絡口碑信息對消費者購買決策的影響：一個實驗研究[J].經濟管理，2007，（22）：36-42.

[4]鄧衛(wèi)華，易明.考慮口碑衰竭效應時追加評論對網(wǎng)絡口碑傳播的影響研究[J].管理學報，2019，16（4）：595-602.

[5]Forman C，Ghose A，Wiesenfeld B.Examining the Relationship Between Reviews and Sales：The Role of Reviewer Identity Disclosure in Electronic Markets[J].Information Systems Research，2008，19（3）：291-313.

[6]Hennig-Thurau T，Gwinner K P，Walsh G，et al.Electronic Word-of-Mouth Via Consumer-opinion Platforms what Motivates Consumers to Articulate Themselves on the Internet？[J].Journal of Interactive Marketing，2004，18（1）：38-52.

[7]李信，陳毅文.口碑追加形式對購買意向的影響：口碑方向的調節(jié)作用[J].心理學報，2016，（6）：722-732.

[8]石文華，龔雪，張綺，等.在線初次評論與在線追加評論的比較研究[J].管理科學，2016，29（4）：45-58.

[9]Jin L，Hu B，He Y.The Recent Versus the Out-dated：An Experimental Examination of the Time-variant Effects of Online Consumer Reviews[J].Journal of Retailing，2014，90（4）：552-566.

[10]張艷豐，彭麗徽，洪闖.在線用戶追評行為時間序列關聯(lián)特征實證研究——以京東商城手機評論數(shù)據(jù)為例[J].情報理論與實踐，2019，42（3）：139-145.

[11]李琪，任曉靜.矛盾性追加評論對感知有用性的影響效應研究[J].管理科學，2017，（7）：139-150.

[12]胡常春，寧昌會.在線追評何時比初評更有用？——基于時間間隔和產品類型的調節(jié)效應分析[J].預測，2017，36（4）：36-42.

[13]李良強.基于內容挖掘的在線用戶評論時間特征及其影響研究[D].成都：電子科技大學，2016.

[14]Godes D，Mayzlin D.Firm-created Word-of-Mouth Communication Evidence from a Field Test[J].Marketing Science，2009，28（4）：721-739.

[15]孫銳，李星星.矛盾性追評對消費者購買意愿的影響研究[J].武漢大學學報：哲學社會科學版，2017，（1）：75-86.

[16]Demangelis M，Bonezzi A，Peluso A M，et al.On Braggarts and Gossips：A Self-enhancement Account of Word-of-Mouth Generation and Transmission[J].Journal of Marketing Research，2012，49（4）：551-563.

[17]鄧衛(wèi)華，易明，李姝潔.基于“認知-態(tài)度-使用”模型的在線用戶追評信息使用行為研究[J].情報資料工作，2018，（4）：71-79.

[18]Sakurai Y，F(xiàn)aloutsos C，Papadimitriou S.Fast Discovery of Group Lag Correlations in Streams[J].ACM Transactions on Knowledge Discovery from Data，2010，5（1）：1-43.

（責任編輯：陳 媛）