摘 "要：隨著中國(guó)批發(fā)采購(gòu)電商市場(chǎng)迅猛發(fā)展，使得線上家具批發(fā)采購(gòu)市場(chǎng)獲得更好的發(fā)展。家具產(chǎn)品的在線評(píng)論能夠挖掘出采購(gòu)者對(duì)供應(yīng)商服務(wù)的滿意狀況，這對(duì)供應(yīng)商發(fā)現(xiàn)自身服務(wù)的優(yōu)缺點(diǎn)有幫助。因此，以家具產(chǎn)品的在線評(píng)論為研究對(duì)象，首先使用BERTopic主題模型分析歸納得到11個(gè)影響服務(wù)質(zhì)量的因素；其次使用情感方法對(duì)在線評(píng)論分類，對(duì)好評(píng)和差評(píng)分析不同的關(guān)注點(diǎn)；最后對(duì)家具供應(yīng)商提出建議，以提升自身服務(wù)的質(zhì)量并維持長(zhǎng)期的合作關(guān)系。

"關(guān)鍵詞：在線評(píng)論；情感分析；BERTopic；共現(xiàn)語(yǔ)義網(wǎng)絡(luò)；家具供應(yīng)商

"中圖分類號(hào)：F272 " "文獻(xiàn)標(biāo)志碼：A

DOI：10.13714/j.cnki.1002-3100.2023.07.011

Abstract： With the rapid development of China's wholesale and procurement e-commerce market， the online furniture wholesale and procurement market has achieved a better development. Online reviews of furniture products can find out how satisfied buyers are with suppliers' services， which is helpful for suppliers to find out the advantages and disadvantages of their own services. Therefore， taking online reviews of furniture products as the research object， the BERTopic topic model was used to analyze and summarize 11 factors affecting service quality. Secondly， the sentiment method is used to classify online reviews， and different concerns are analyzed for good reviews and bad reviews. Finally， suggestions are put forward to furniture suppliers to improve the quality of their own services and maintain long-term cooperation.

Key words： online reviews; sentiment analysis; BERTopic; co-occurrence semantic network; furniture supplier

0 "引 "言

"受新冠肺炎疫情的影響，線下的采購(gòu)渠道受到一定程度的限制，供需雙方的線上供需呈現(xiàn)出一種明顯增長(zhǎng)的趨勢(shì)。中國(guó)是當(dāng)前全球最大的家具生產(chǎn)國(guó)、出口國(guó)和擁有最大的消費(fèi)市場(chǎng)。2020年我國(guó)家具及其零件累計(jì)出口金額達(dá)584.06億美元，同比增長(zhǎng)11.8%。2021年1—11月我國(guó)家具及其零件出口金額達(dá)667.1億美元，同比增長(zhǎng)30.9%。近年來(lái)，家具企業(yè)也正積極運(yùn)用互聯(lián)網(wǎng)、智能制造、綠色生產(chǎn)等技術(shù)提升行業(yè)制造水平，當(dāng)前我國(guó)家具行業(yè)正處于結(jié)構(gòu)調(diào)整的關(guān)鍵階段。由于線上批發(fā)采購(gòu)家具產(chǎn)品業(yè)務(wù)的特殊性質(zhì)，存在實(shí)物質(zhì)量看不到、實(shí)際安裝難度大、物流配送難題和售后不完全等問(wèn)題，這些問(wèn)題將會(huì)導(dǎo)致采購(gòu)者們的購(gòu)入熱情降低，限制家具行業(yè)供應(yīng)商的向上發(fā)展。在線評(píng)論已是各行業(yè)挖掘影響因素的重要信息來(lái)源，它包含的感情色彩、屬性特征和句子長(zhǎng)度等可以得出采購(gòu)者對(duì)供應(yīng)商服務(wù)的滿意程度。評(píng)價(jià)內(nèi)容的有用性、時(shí)效性和可靠性有利于采購(gòu)者做決策、供應(yīng)商改進(jìn)服務(wù)和電商平臺(tái)提升管理能力。因此，基于在線評(píng)論分析家具行業(yè)供應(yīng)商的服務(wù)質(zhì)量，對(duì)供應(yīng)商提高服務(wù)質(zhì)量、增加產(chǎn)品銷量和獲得更多收益有一定的現(xiàn)實(shí)意義。

"電子商務(wù)的成功帶動(dòng)了家具行業(yè)電商業(yè)務(wù)飛躍的發(fā)展。國(guó)內(nèi)家具電商的經(jīng)營(yíng)模式包括B2B、B2C和O2O?？墒菍W(xué)者們對(duì)B2C平臺(tái)關(guān)注更多，缺少對(duì)同樣有發(fā)展的B2B平臺(tái)的關(guān)注[1]。趙思淼[2]、龔敏[3]、李英等[4]使用調(diào)查問(wèn)卷對(duì)采購(gòu)者進(jìn)行調(diào)查，分析影響采購(gòu)者行為的因素，但針對(duì)大型產(chǎn)品比如家具、大型電器產(chǎn)品缺乏深入研究和探索。余偉[5]、瞿娟[6]、張振華[7]和張懷[8]使用在線評(píng)論分析出用戶需求、情感值等結(jié)果，挖掘用戶喜好，并提出建議。

"綜上所述，隨著信息技術(shù)的發(fā)展，學(xué)者們對(duì)于使用在線評(píng)論研究分析電商平臺(tái)的家具產(chǎn)品供需狀況十分青睞，基于挖掘在線評(píng)論的深層內(nèi)容和相互間的關(guān)系已成為熱點(diǎn)。盡管現(xiàn)有的研究已經(jīng)獲得一些家具電商領(lǐng)域的成果，但仍然存在部分不足之處。因此，面對(duì)殘酷的市場(chǎng)競(jìng)爭(zhēng)，如何發(fā)現(xiàn)采購(gòu)者關(guān)心的服務(wù)質(zhì)量因素，幫助供應(yīng)商制定對(duì)應(yīng)的方案成為了參與者與學(xué)者關(guān)注的重點(diǎn)。本研究提出使用BERTopic主題模型全面挖掘供應(yīng)商服務(wù)質(zhì)量因素有助于供應(yīng)商們對(duì)自身的服務(wù)內(nèi)容有全面的了解；其次對(duì)在線評(píng)論進(jìn)行情感分類，詞頻分析和構(gòu)建共現(xiàn)語(yǔ)義網(wǎng)絡(luò)，以探究電商平臺(tái)的采購(gòu)者更關(guān)心的內(nèi)容以及影響因素之間的聯(lián)系，并為提高供應(yīng)商服務(wù)質(zhì)量提出建議，促進(jìn)更好的發(fā)展。

1 "實(shí)驗(yàn)過(guò)程及結(jié)果分析

1.1 "在線評(píng)論收集與處理

"1688平臺(tái)是2020年中國(guó)企業(yè)采購(gòu)電商市場(chǎng)的第一梯隊(duì)，與淘寶企業(yè)服務(wù)和京東企業(yè)購(gòu)占據(jù)80.7%[1]，因此，1688平臺(tái)的在線評(píng)論具有批發(fā)采購(gòu)行業(yè)代表性。本研究使用Python作為編程語(yǔ)言，爬取2018年1月到2022年5月的家具產(chǎn)品在線評(píng)論。為了全面性地研究供應(yīng)商的服務(wù)質(zhì)量，因此，爬取的評(píng)論內(nèi)容考慮以下因素：產(chǎn)品主要分類、銷量較高、評(píng)論數(shù)量多、評(píng)論情感態(tài)度豐富等[9]。最終確定家具產(chǎn)品類別包括餐桌、柜子、梳妝臺(tái)、桌椅和櫥柜等。數(shù)據(jù)初始共92 453條，對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，包括刪除重復(fù)和無(wú)意義的句子、分詞去停和機(jī)械去重等，得到可用評(píng)論數(shù)據(jù)63 657條。

1.2 "供應(yīng)商服務(wù)質(zhì)量因素分析

BERTopic[10]是Maarten Grootendorst在2020年推出的一個(gè)新的主題模型。它適用于短文本提取主題，結(jié)果具有更好的解釋力。與傳統(tǒng)的LDA模型只能基于先驗(yàn)知識(shí)確定主題數(shù)相比，BERTopic的優(yōu)點(diǎn)在于不用事先估計(jì)主題個(gè)數(shù)，通過(guò)文本嵌入、降維和聚類把相似內(nèi)容的簇聚合在一起，對(duì)簇分析調(diào)整簇的內(nèi)容大小再次聚類得到最佳的主題數(shù)，其結(jié)果更有科學(xué)性。因?yàn)樵诰€評(píng)論是非結(jié)構(gòu)化數(shù)據(jù)，無(wú)法直接輸入模型，所以使用Sentence-Transformer[11]進(jìn)行文本嵌入導(dǎo)出512固定維度的輸出向量。Sentence Transformer是基于Pytorch和Transformer，還提供了大量針對(duì)各種任務(wù)進(jìn)行調(diào)優(yōu)的預(yù)訓(xùn)練模型，給下游任務(wù)帶來(lái)很大的方便。固定維度的向量太大會(huì)導(dǎo)致運(yùn)行速度慢和消耗資源大的問(wèn)題。為了解決這個(gè)問(wèn)題，對(duì)固定維度的向量使用UMAP降維，經(jīng)過(guò)多次測(cè)試將維度降到10，目標(biāo)函數(shù)二進(jìn)制交叉熵最小。接下來(lái)使用HDBSCAN來(lái)尋找高密簇（關(guān)注熱點(diǎn)），經(jīng)過(guò)測(cè)試將min_cluster_size（最小聚類大?。┰O(shè)置為30。如果min_cluster_size數(shù)值太大，最后挖掘出來(lái)的主題數(shù)量就越少，反之就越多。在正式進(jìn)行服務(wù)質(zhì)量因素分析前，需要對(duì)聚類結(jié)果進(jìn)行分析，將其轉(zhuǎn)換為主題模型的分析范式。在一組文檔上使用TF-IDF是比較文檔之間詞的重要性。為了查看每個(gè)聚類的不同之處，將一個(gè)聚類簇群當(dāng)作一個(gè)文檔應(yīng)用TF-IDF，結(jié)果就是一個(gè)簇內(nèi)詞的重要性分值（TF-IDF值）。一個(gè)簇群內(nèi)的詞越重要就越能代表該主題。根據(jù)每個(gè)主題的詞語(yǔ)分布，可以推測(cè)出采購(gòu)者關(guān)心的細(xì)節(jié)因素。本實(shí)證研究選取主題聚類結(jié)果中數(shù)據(jù)量大且可解釋性強(qiáng)的15個(gè)主題分析，并展現(xiàn)每個(gè)主題的相關(guān)詞。根據(jù)實(shí)證結(jié)果得出如表1所示的11個(gè)影響因素，包括外觀設(shè)計(jì)、實(shí)用功能、環(huán)保、材質(zhì)、產(chǎn)品齊全、做工、價(jià)格、物流、安裝、包裝和服務(wù)。通過(guò)對(duì)結(jié)果分析，發(fā)現(xiàn)服務(wù)質(zhì)量因素主要由4部分構(gòu)成：（1）質(zhì)量，包括外觀設(shè)計(jì)、實(shí)用功能、環(huán)保、材質(zhì)和做工。（2）物流，包括速度和快遞員服務(wù)。（3）價(jià)格水平。（4）服務(wù)，包括產(chǎn)品齊全、銷售服務(wù)、安裝服務(wù)和包裝服務(wù)。這些影響因素一定程度上能代表采購(gòu)者關(guān)注的供應(yīng)商服務(wù)質(zhì)量因素。

1.3 "情感分類結(jié)果

在線評(píng)論包含有感情傾向，不同傾向的情感評(píng)論關(guān)注的因素會(huì)有不同。因此，對(duì)在線評(píng)論進(jìn)行情感分類，為后續(xù)的研究做基礎(chǔ)。本文使用Python的SnowNLP庫(kù)的sentiments方法計(jì)算情感值從而進(jìn)行情感分類。其使用樸素貝葉斯算法，優(yōu)點(diǎn)是算法邏輯簡(jiǎn)單并易于實(shí)現(xiàn)。本研究設(shè)定如果情感值大于情感閾值0.6就歸為積極評(píng)論，否則就是消極評(píng)論；情感分類值為0和1，0代表消極評(píng)論，1代表積極評(píng)論。接下來(lái)對(duì)預(yù)處理好的在線評(píng)論進(jìn)行訓(xùn)練，用得到的詞語(yǔ)構(gòu)建情感詞典；然后使用預(yù)訓(xùn)練模型和情感詞典對(duì)其他的在線評(píng)論計(jì)算情感值和分類。部分實(shí)例結(jié)果如表2所示。最終，實(shí)證結(jié)果的準(zhǔn)確率達(dá)87.10%，整體效果不錯(cuò)。好評(píng)數(shù)量為45 248條，占比為71.08%?？梢?，家具產(chǎn)品在1688平臺(tái)給采購(gòu)者留下的整體印象是相當(dāng)不錯(cuò)的。差評(píng)數(shù)量為18 409條，占比仍有28.92%，確實(shí)仍存在不足之處，后續(xù)需挖掘好評(píng)和差評(píng)的關(guān)注點(diǎn)，更好地提升供應(yīng)商服務(wù)。

1.4 "詞頻分析

為了發(fā)現(xiàn)好評(píng)和差評(píng)中采購(gòu)者更為關(guān)注的因素，使用Python的Jieba分詞工具進(jìn)行中文分詞和TF-IDF算法（Term Frequency-Inverse Document Frequency）處理對(duì)家具類產(chǎn)品的好評(píng)與差評(píng)的詞頻進(jìn)行分析并計(jì)算其權(quán)重。TF算法是用來(lái)統(tǒng)計(jì)一個(gè)單詞在某一篇文檔的頻率，頻率越高，它的文檔表達(dá)能力就越強(qiáng)。IDF是用來(lái)統(tǒng)計(jì)一個(gè)單詞在文檔集出現(xiàn)的數(shù)量，也就是說(shuō)，即一個(gè)詞出現(xiàn)在越少的文檔中，則其對(duì)文檔的識(shí)別度就越強(qiáng)。最終得到好評(píng)和差評(píng)的熱詞排序，發(fā)現(xiàn)好評(píng)和差評(píng)的關(guān)注因素。表3和表4是積極評(píng)論和消極評(píng)論的前20個(gè)熱詞和TF-IDF值。

通過(guò)上述兩張表格，可以發(fā)現(xiàn)，家具類產(chǎn)品的熱詞中，在好評(píng)和差評(píng)中都出現(xiàn)了“質(zhì)量”、“安裝”、“做工”、“物流”、“服務(wù)”、“材質(zhì)”和“味道”這些詞，可以看出采購(gòu)者對(duì)這幾個(gè)服務(wù)質(zhì)量因素的關(guān)注度很高。在好評(píng)中“質(zhì)量”、“做工”、“款式”、“結(jié)實(shí)”、“異味”、“材質(zhì)”都是決定好評(píng)的關(guān)鍵因素。在消極評(píng)論中，“發(fā)貨”、“螺絲”、“退貨”、“補(bǔ)發(fā)”都是對(duì)家具類配件造成漏發(fā)、誤發(fā)的實(shí)際情況，供應(yīng)商們要重視供應(yīng)的每一個(gè)環(huán)節(jié)并及時(shí)跟進(jìn)實(shí)際情況，以免讓采購(gòu)者失望。

1.5 "服務(wù)質(zhì)量因素關(guān)聯(lián)分析

"傳統(tǒng)詞頻關(guān)鍵詞方法存在挖掘出的高頻關(guān)鍵詞沒(méi)有實(shí)際意義和低頻有意義的關(guān)鍵詞不能被挖掘出的缺點(diǎn)。為了解決這方面的不足，本實(shí)證研究將使用語(yǔ)義共現(xiàn)網(wǎng)絡(luò)來(lái)彌補(bǔ)這一不足。共現(xiàn)語(yǔ)義網(wǎng)絡(luò)是美國(guó)Herbert A. Simon提出一種由關(guān)鍵詞及共現(xiàn)關(guān)系構(gòu)成的，用來(lái)表示詞與詞之間語(yǔ)義關(guān)系的網(wǎng)絡(luò)理論。原理是以詞語(yǔ)為節(jié)點(diǎn)，根據(jù)詞之間的共現(xiàn)次數(shù)，展現(xiàn)詞語(yǔ)之間的緊密關(guān)系。語(yǔ)義共現(xiàn)網(wǎng)絡(luò)分析在某種程度上補(bǔ)充了主題分析時(shí)沒(méi)有考慮到主題之間的關(guān)聯(lián)關(guān)系。因此，使用ROST CM 6對(duì)好評(píng)和差評(píng)的詞進(jìn)行語(yǔ)義網(wǎng)絡(luò)共現(xiàn)，挖掘影響因素之間的相關(guān)性。

如圖1所示，在好評(píng)語(yǔ)義網(wǎng)絡(luò)中可以看出“質(zhì)量”、“安裝”、“服務(wù)”、“做工”相互關(guān)聯(lián)的頻次高，這幾個(gè)方面是采購(gòu)者通常較為關(guān)注的方面。如圖2所示，差評(píng)的語(yǔ)義網(wǎng)絡(luò)中可以看出“質(zhì)量”、“物流”、“態(tài)度”、“商家”、“問(wèn)題”、“服務(wù)”、“安裝”相互間的關(guān)聯(lián)性比較強(qiáng)，除了部分和好評(píng)關(guān)注的一樣，更多關(guān)注在遇到問(wèn)題后供應(yīng)商如何去解決。詞語(yǔ)節(jié)點(diǎn)相互關(guān)聯(lián)使得成為了一個(gè)網(wǎng)絡(luò)，每個(gè)詞語(yǔ)節(jié)點(diǎn)的關(guān)注度也顯而易見。這些相互關(guān)聯(lián)的節(jié)點(diǎn)更是影響供應(yīng)商服務(wù)質(zhì)量的重要因素。

1.6 "結(jié)果分析

電商市場(chǎng)給傳統(tǒng)的家具批發(fā)采購(gòu)市場(chǎng)注入新的活力，如果想借助這個(gè)機(jī)會(huì)更好地發(fā)展自己的企業(yè)，那么就需要對(duì)服務(wù)質(zhì)量影響因素有更深入的研究，及時(shí)了解采購(gòu)者的需求，發(fā)現(xiàn)有不足的地方要調(diào)整自己的業(yè)務(wù)經(jīng)營(yíng)方式，維系好與合作伙伴的長(zhǎng)久關(guān)系。結(jié)合以上的實(shí)證研究，對(duì)結(jié)果進(jìn)行分析并提出建議：

第一，確保輸出質(zhì)量穩(wěn)定的產(chǎn)品。從在線評(píng)論中可以看出采購(gòu)者們最在乎的是質(zhì)量。因此，質(zhì)量部分必須盡力做好。在差評(píng)中“味道”、“異味”等詞指向環(huán)保方面，有些家具產(chǎn)品材料可能會(huì)散發(fā)甲醛等有害氣體，對(duì)人體健康造成一定的威脅。外觀設(shè)計(jì)和實(shí)用功能會(huì)影響終端用戶的體驗(yàn)感，因此設(shè)計(jì)階段要按照不同需求進(jìn)行設(shè)計(jì)，才能保證在未來(lái)有穩(wěn)定的銷售量。

"第二，提升物流速度和降低產(chǎn)品損耗。如今網(wǎng)絡(luò)購(gòu)物的流程逐漸完善，人們對(duì)運(yùn)輸?shù)囊蟾吡?。因?yàn)椴少?gòu)者從供應(yīng)商處拿貨數(shù)量多，小型單件物流不太適合這類運(yùn)輸。而與大型物件的物流公司合作，存在運(yùn)輸時(shí)間長(zhǎng)和貨物損耗多的問(wèn)題。有能力的供應(yīng)商可以構(gòu)建自身的物流體系和建立多地生產(chǎn)工廠來(lái)解決以上難題。

第三，提升全面服務(wù)品質(zhì)。在交易過(guò)程中采購(gòu)者能最直觀地感受到服務(wù)態(tài)度的好壞。而目前采購(gòu)者的需求不同，那么對(duì)服務(wù)表現(xiàn)出來(lái)的情感價(jià)值也會(huì)不同[12]。因此，在多元化的批發(fā)采購(gòu)場(chǎng)景下，供應(yīng)商們要多了解采購(gòu)者的需求進(jìn)行精準(zhǔn)營(yíng)銷；重視客戶關(guān)系管理和交易過(guò)程保證細(xì)心、真心和耐心的態(tài)度去解決出現(xiàn)的問(wèn)題。

2 "總 "結(jié)

本研究以1688批發(fā)采購(gòu)平臺(tái)的家具產(chǎn)品在線評(píng)論作為研究對(duì)象，使用自然語(yǔ)言處理技術(shù)得到影響供應(yīng)商服務(wù)質(zhì)量的11個(gè)因素；從好評(píng)和差評(píng)角度分析采購(gòu)者更關(guān)心供應(yīng)商服務(wù)因素，最后提出建議促進(jìn)家具產(chǎn)品線上批發(fā)采購(gòu)市場(chǎng)向更優(yōu)的方向發(fā)展。本實(shí)證研究有助于家具行業(yè)供應(yīng)商全面了解自己交易過(guò)程包含的內(nèi)容，可以反省自身的服務(wù)優(yōu)缺點(diǎn)。后續(xù)研究將從在線評(píng)論中的屬性-情感進(jìn)行分析，對(duì)家具行業(yè)供應(yīng)商服務(wù)質(zhì)量做更深入的研究。

參考文獻(xiàn)：

[1] 任翀，張冀韜. 家具產(chǎn)業(yè)B2C跨境電商發(fā)展的問(wèn)題研究[J]. 林產(chǎn)工業(yè)，2020，57（9）：99-101.

[2] 趙思淼. 家具行業(yè)商業(yè)模式對(duì)消費(fèi)者購(gòu)買行為的影響研究[D]. 哈爾濱：東北林業(yè)大學(xué)，2015.

[3] 龔敏. 基于UTAUT2的消費(fèi)者網(wǎng)購(gòu)家具行為的影響因素分析[D]. 哈爾濱：東北林業(yè)大學(xué)，2017.

[4] 李英，龔敏，李曉，等. 家具電子商務(wù)發(fā)展對(duì)策研究——基于消費(fèi)者實(shí)體店購(gòu)買家具與網(wǎng)上購(gòu)買家具的對(duì)比分析[J]. 林業(yè)經(jīng)濟(jì)問(wèn)題，2016，36（3）：268-275.

[5] 余偉，劉蓮，陶云杰. 基于共詞聚類的家具企業(yè)電子商務(wù)營(yíng)銷數(shù)據(jù)挖掘[J]. 電子商務(wù)，2018（2）：31-32.

[6] 瞿娟. 基于文本挖掘的家具用戶潛在需求可視化研究[D]. 南京：南京林業(yè)大學(xué)，2020.

[7] 張振華，許柏鳴. 基于在線評(píng)論文本挖掘的商業(yè)競(jìng)爭(zhēng)情報(bào)分析模型構(gòu)建及應(yīng)用[J]. 情報(bào)科學(xué)，2019，37（2）：149-153，160.

[8] 張懷. 在線評(píng)論對(duì)實(shí)木家具銷量的影響研究[D]. 哈爾濱：東北林業(yè)大學(xué)，2015.

[9] 王木子，李軍. 家具產(chǎn)品消費(fèi)者滿意度影響因素挖掘[J]. 家具，2021，42（3）：108-112.

[10] "GROOTENDORST， MAARTEN. BERTopic Neural topic modeling with a class-based TF-IDF procedure[EB/OL]. （2022）[2022-08-05]. https：//doi.org/10.48550/arxiv.2003.05794.

[11] "REIMERS N， GUREVYCH-I. Sentence-BERT sentence embeddings using siamese BERT-networks[EB/OL]. （2022）[2022-08

-05]. https：//aclanthology.org/D19-1410.pdf.

[12] 景奉杰，余櫻，涂銘. 產(chǎn)品屬性與顧客滿意度縱向關(guān)系演變機(jī)制：享樂(lè)適應(yīng)視角[J]. 管理科學(xué)，2014，27（3）：94-104.