薛晨杰 王召義 江楠 錢麗瓊

摘??要：第三方購物平臺上的商品負(fù)面評論對消費(fèi)者購買意向、商家信用等級、平臺交易轉(zhuǎn)化都形成不良影響，需通過有效措施進(jìn)行補(bǔ)救。以當(dāng)前國產(chǎn)主流品牌小米手機(jī)為研究對象，通過八爪魚采集器爬取京東商城評論內(nèi)容進(jìn)行情感分析，利用Jieba分詞、詞云圖、LDA主題模型對產(chǎn)品負(fù)面評論進(jìn)行分析。消費(fèi)者對該平臺上的小米手機(jī)主要的負(fù)面評論反映在六個方面，給消費(fèi)者帶來不好的體驗(yàn)，品牌方應(yīng)加以重視并實(shí)施補(bǔ)救。

關(guān)鍵詞：情感分析；負(fù)面評論補(bǔ)救；主題模型

中圖分類號：F724.6；F273.2????????文獻(xiàn)標(biāo)識碼：A ?????????文章編號：1671-9255（2024）01-0019-06

一、引言

電商購物環(huán)境日趨成熟，消費(fèi)者更加習(xí)慣參考在線評論來指導(dǎo)購買決策。同時，相對于正面評論，他們更傾向于信任負(fù)面評價(jià)，潛意識里認(rèn)為給出差評的人分享的是真實(shí)的購物體驗(yàn)，能夠提供更高的參考價(jià)值。^[1-4]因此，負(fù)面評論成為影響品牌形象和銷售業(yè)績的重要因素。^[5-7]

商家應(yīng)從根本上杜絕商品和服務(wù)出現(xiàn)質(zhì)量問題，在負(fù)面評論形成之前進(jìn)行合理控制；而對于已產(chǎn)生的負(fù)面評論信息，商家應(yīng)給予更多的關(guān)注并實(shí)施補(bǔ)救，^[8]并根據(jù)負(fù)面在線評論深入挖掘客戶需求，制定更精準(zhǔn)的營銷策略。^[9]

與此同時，關(guān)于電商評論的文本情感分析是目前的研究趨勢和熱點(diǎn)，并且有很高的理論及實(shí)踐價(jià)值。李宏等（2011）認(rèn)為消費(fèi)者傾向于通過情感線索來收集和處理信息，對負(fù)面情感的信息更為敏感^[10]；史偉等（2015）通過對微博文本內(nèi)容作情感分析預(yù)測電影票房^[11]；Dasgupta等（2016）對三星手機(jī)的評論進(jìn)行情感分析，收集用戶對于該品牌手機(jī)的意見^[12]；李涵昱等（2017）通過情感分析方法判斷消費(fèi)者評論的情感導(dǎo)向^[13]；鄭麗娟和王洪偉（2017）認(rèn)為商品評論中包含的情感強(qiáng)度可以衡量企業(yè)受歡迎的程度^[14]；龐慶華等（2022）結(jié)合BiGRU和CNN的情感分類網(wǎng)絡(luò)，對商品評論進(jìn)行分析^[15]。

對在線評論進(jìn)行情感分析有很多方法，其中，LDA主題模型是一種能夠提取文本隱含主題的非監(jiān)督學(xué)習(xí)模型^[16]，能夠確定最優(yōu)主題的個數(shù)。本文基于該方法對京東商城上的小米手機(jī)負(fù)面評論內(nèi)容進(jìn)行情感分析，對數(shù)據(jù)內(nèi)容進(jìn)行挖掘，劃分出給予負(fù)面評論的消費(fèi)者所關(guān)注的主題范圍和信息點(diǎn)，并提出相關(guān)補(bǔ)救建議。

二、研究模型及方法

（一）研究模型

本文通過八爪魚采集器爬取京東商城小米手機(jī)評論內(nèi)容，利用Jieba分詞、詞云圖、LDA主題模型等方法對產(chǎn)品負(fù)面評論進(jìn)行分析，最終對負(fù)面評論進(jìn)行主題分類，從而確定消費(fèi)者所關(guān)注的主題范圍和信息點(diǎn)，得出負(fù)面評論補(bǔ)救措施。研究模型如圖1所示。

（二）詞云圖

詞云圖是一種文本可視化技術(shù)，通常用于匯總和呈現(xiàn)文本數(shù)據(jù)中各個詞語的重要性和出現(xiàn)頻率，是一種用于可視化文本數(shù)據(jù)的圖形表示方法，有助于從大規(guī)模文本中提取和呈現(xiàn)重要的詞匯信息，以便更好地理解文本內(nèi)容和關(guān)鍵主題，如圖2所示。

其基本原理如下：

詞頻統(tǒng)計(jì)：對輸入的文本數(shù)據(jù)進(jìn)行預(yù)處理，統(tǒng)計(jì)每個詞語在文本中的出現(xiàn)次數(shù)，得到各個詞語的詞頻信息。

詞語權(quán)重計(jì)算：使用某種權(quán)重計(jì)算方法確定每個詞語的重要性。

可視化排列：將計(jì)算得到的詞語及其權(quán)重按照一定的布局算法排列在圖形中。重要的詞語通常顯示得更大，而不重要的詞語則較小。

可視化展示：生成的詞云圖以視覺形式呈現(xiàn)，通常采用多彩的顏色和各種字體以增強(qiáng)詞語的可視吸引力。

交互性：一些詞云圖可以具有交互性，使用戶能夠通過鼠標(biāo)懸?；螯c(diǎn)擊詞語來獲得有關(guān)該詞語的更多信息。

（三）LDA主題模型

LDA模型是一種概率圖模型，通常用于主題建模和文本分析，以發(fā)現(xiàn)文本集合中潛在的主題結(jié)構(gòu)。主題模型常用于自然語言處理（NLP）等領(lǐng)域，是一種在文檔中挖掘抽象主題的統(tǒng)計(jì)模型。LDA主題模型就是三層貝葉斯概率模型，這三層結(jié)構(gòu)包含文檔（d）、主題（z）和特征詞（w）。對文本進(jìn)行建模能夠挖掘文本數(shù)據(jù)中的潛在主題，從而分析文本數(shù)據(jù)聚焦的關(guān)注點(diǎn)和相關(guān)的特征詞。LDA模型結(jié)構(gòu)圖如圖3所示。

三、實(shí)證分析

（一）數(shù)據(jù)源及預(yù)處理

京東商城是當(dāng)前中國最知名的B2C平臺之一，平臺產(chǎn)品的評論數(shù)據(jù)豐富完整。本文選擇京東商城中小米品牌近兩年發(fā)布的數(shù)字系列旗艦款手機(jī)的購物評論信息作為數(shù)據(jù)來源。

電商產(chǎn)品評論數(shù)據(jù)可通過多種方式獲取，一般可通過編寫網(wǎng)絡(luò)爬蟲程序自動爬取需要的內(nèi)容；或是通過采用市場上常用的成熟數(shù)據(jù)采集工具如八爪魚、火車采集器等進(jìn)行收集。其中，八爪魚采集器應(yīng)用很廣泛，具備適合場景廣、信息多層級智能采集等優(yōu)勢。綜合對比，本文使用八爪魚采集器來獲取產(chǎn)品評論數(shù)據(jù)，部分產(chǎn)品評論數(shù)據(jù)如表1所示。

京東商城的負(fù)面評論廣泛分布在評價(jià)星級≤3的評論中，故對于爬取到的產(chǎn)品評論數(shù)據(jù)按評價(jià)星級進(jìn)行篩選，再將無意義評論進(jìn)行刪除。

在進(jìn)行以上初步篩選后，該產(chǎn)品評論數(shù)據(jù)依然存在重復(fù)內(nèi)容。如果直接引入后續(xù)的分詞、情感分析等過程，會對分析結(jié)果造成較大的影響，故在使用產(chǎn)品負(fù)面評論數(shù)據(jù)前，對其進(jìn)行簡單的文本去重，也就是兩兩對比，遇到完全相同的評論內(nèi)容就去除，最終得到部分產(chǎn)品負(fù)面評論數(shù)據(jù)，如表2所示。

（二）產(chǎn)品負(fù)面評論的特征分析

1．基于分詞的詞云可視化

（1）產(chǎn)品負(fù)面評論分詞

本文采用Python庫中專門用于中文分詞的開源包“jieba”分詞包。經(jīng)過相關(guān)測試，該分詞包的分詞精度高達(dá)97%以上。

而基于Python的“jieba”分詞包支持三種模式，分別是全模式、精準(zhǔn)模式和搜索引擎模式。其中，精準(zhǔn)模式是最適合文本的模式，它將整句話精確分詞，已切分出的詞語不會再重疊展現(xiàn)，本文采用精準(zhǔn)模式這種方法進(jìn)行分詞。

（2）分詞優(yōu)化并可視化結(jié)果

分詞后的結(jié)果依然夾雜著“開始”“就是”“小米”“手機(jī)”等與本實(shí)驗(yàn)沒有實(shí)質(zhì)性關(guān)系的高頻詞匯，故增加無意義的停止詞庫stop.txt以優(yōu)化分詞結(jié)果。

而對于分詞后出現(xiàn)的單個字符，大多數(shù)并無實(shí)際意義，如一些人稱代詞“我”“你”“他”等，這些字符與本次實(shí)驗(yàn)相關(guān)度較低，故需排除。

相關(guān)部分代碼如下：

words = jieba.lcut（txt）

# 增加無意義的詞庫

excludes = []

with open（"./stops.txt"， 'r'， encoding="utf-8"） as f：

for line in f.readlines（）：

line = line.strip（'＼n'）

excludes.append（line）

rword?= []

for word in words：

# 去除單個字符

if len（word） == 1：

continue

if word in excludes：

continue

else：

rword.append（word）

txt_cmt?= " ".join（rword）

利用Python中的wordcloud類庫對分詞后的高頻詞繪制詞云圖，得到如圖4所示。

通過上面的詞云圖可以看出，在對爬取到的負(fù)面評論數(shù)據(jù)進(jìn)行預(yù)處理后，分詞效果較符合預(yù)期。其中，“發(fā)熱”“屏幕”“充電器”“客服”“降價(jià)”“發(fā)燙”“卡頓”等詞出現(xiàn)頻率較高。因此，可以直觀地判斷用戶較關(guān)注小米手機(jī)的這些重要屬性，形成初步印象。

2．基于LDA主題模型的特征分析

（1）LDA主題模型的建立

LDA模型假定每篇評論由各個主題按一定比例隨機(jī)混合而成，混合比例服從多項(xiàng)分布，記為式：

每個主題由詞匯表中的各個詞語按一定比例混合而成，混合比例服從多項(xiàng)分布，記為式：

在評論條件下生成詞的概率表示為式：

其中，表示詞屬于第S個主題的概率，表示S個主題在評論中的概率。

LDA主題模型是一種無監(jiān)督的模式，只需要提供訓(xùn)練文檔，就可以自動訓(xùn)練出各種概率，無須任何人工標(biāo)注過程，節(jié)省了大量的人力及時間。它在文本聚類、主題分析和相似度計(jì)算等方面都有廣泛的應(yīng)用。相較于其他主題模型，其引入了狄利克雷先驗(yàn)知識，泛化能力較強(qiáng)。

（2）確定最優(yōu)主題數(shù)

在自然語言處理中，一個語言概率模型可以看成是在整個句子或者文段上的概率分布，可以使用困惑度對語言概率模型進(jìn)行優(yōu)劣評價(jià)。而在LDA主題模型中，其中非常重要的步驟就是確定最優(yōu)主題數(shù)。通過確定最優(yōu)主題數(shù)可對模型的好壞進(jìn)行一定的評估。本文針對在不同主題下進(jìn)行困惑度計(jì)算，再將計(jì)算結(jié)果作為評判依據(jù)。計(jì)算困惑度的公式如下：

上述公式中，p（w）表示每一個詞出現(xiàn)的概率，N表示出現(xiàn)的所有的詞。

計(jì)算困惑度部分代碼如下：

for tp_id in range（num_topics）：

tp_words = ldamodel.show_topic（tp_id， size_dictionary）

dic_t = {}

for word， prob?in tp_words：

dict_t[word] = prob

tp_words_list.append（dic_t）

設(shè)置不同的主題數(shù)量，作出基于主題困惑度的曲線。一般情況下，困惑度的值會隨著主題數(shù)量的增大而減小，隨后達(dá)到擬合的拐點(diǎn)，而后會出現(xiàn)短暫的增大，最后會再次減小。^[18]通過作出的圖形曲線，找到曲線未擬合的拐點(diǎn)，便可推斷出該模型可選擇的最優(yōu)主題數(shù)。取步長為1進(jìn)行LDA主題抽取，并作出不同主題數(shù)下的困惑度曲線。通過結(jié)果圖5可明顯看出，當(dāng)主題數(shù)為6時，出現(xiàn)明顯的拐點(diǎn)，從而判斷此時曲線并未出現(xiàn)擬合，可推斷本實(shí)驗(yàn)的最優(yōu)主題數(shù)為6。

（3）主題模型分析結(jié)果及建議

根據(jù)最優(yōu)主題數(shù)結(jié)果，設(shè)置主題數(shù)為6，使用sklearn模塊對負(fù)面評論數(shù)據(jù)構(gòu)建LDA主題模型，并設(shè)定每個潛在主題下的前5個詞語作為詞語分類，最終結(jié)果如表3所示。

通過分析發(fā)現(xiàn)，消費(fèi)者對京東平臺小米數(shù)字系列手機(jī)的主要負(fù)面評論反映在六個方面，給消費(fèi)者帶來不好的體驗(yàn)：

主題1的關(guān)注點(diǎn)在于產(chǎn)品系統(tǒng)層面，有卡頓、死機(jī)等與系統(tǒng)方面相關(guān)的現(xiàn)象出現(xiàn)；主題2的關(guān)注點(diǎn)在于軟件使用耗電層面，有系統(tǒng)、打游戲、攝像頭等詞匯，說明產(chǎn)品在體驗(yàn)游戲和攝像等方面耗電控制的可能不是很好；主題3的關(guān)注點(diǎn)在于產(chǎn)品附件、價(jià)格、服務(wù)層面，由于廠商沒有附送充電器，加上客服方面的相關(guān)服務(wù)可能沒有得到消費(fèi)者的認(rèn)可，從而給予負(fù)面評論；主題4的關(guān)注點(diǎn)在于產(chǎn)品硬件層面，屏幕和電池是手機(jī)產(chǎn)品的重要屬性，消費(fèi)者對這兩個關(guān)注度較高；主題5的關(guān)注點(diǎn)在于產(chǎn)品續(xù)航層面，消費(fèi)者對此屬性的負(fù)面評論也是較多的；主題6的關(guān)注點(diǎn)在于產(chǎn)品拍照層面，拍照功能是手機(jī)產(chǎn)品一個不可缺少的屬性之一，所以改善拍照功能能極大提升消費(fèi)者的體驗(yàn)感。

四、建議及結(jié)論

（一）建議

本文結(jié)合情感分析下的負(fù)面評論反映出來的顧客服務(wù)關(guān)注點(diǎn)，提出以下補(bǔ)救措施，以期豐富產(chǎn)品評論研究的理論及實(shí)踐內(nèi)涵。

1．誠懇致歉

首先，不管是有誤解還是商家的確在產(chǎn)品或服務(wù)等方面做的不夠到位，都需要向消費(fèi)者致以歉意，誠摯的歉意能夠消減消費(fèi)者的不滿，給予心理慰藉，再輔以其他補(bǔ)救方式，往往能夠成功。

其次，消費(fèi)者處于極端不滿狀態(tài)時，相對于物質(zhì)型補(bǔ)償，反而更渴求商家的精神型補(bǔ)償。那么道歉最簡單直接，也必不可少。

因此，商家需要對售后人員進(jìn)行負(fù)面評論響應(yīng)培訓(xùn)，對已購顧客發(fā)布的負(fù)面評論迅速做出反應(yīng)，用良好的溝通技巧來安撫顧客不滿的情緒，讓他們重拾對店鋪的信心。挽回給予差評的顧客反而比評價(jià)平平的顧客更容易培養(yǎng)出忠誠感。^[19]

2．經(jīng)濟(jì)補(bǔ)償

除了道歉以外，在顧客發(fā)表負(fù)面在線評論后，賣家要想顧客對結(jié)果感到滿意，往往都要有經(jīng)濟(jì)補(bǔ)償。^[19]因?yàn)橄M(fèi)者與商家之間的利益糾葛很多時候都停留在金錢的層面上，售后的問題也經(jīng)常體現(xiàn)在賠償金額是否滿足商家和消費(fèi)者兩方利益的平衡。因此，不管是商品質(zhì)量未能讓消費(fèi)者滿意、商品有差價(jià)，還是客服服務(wù)態(tài)度不夠好或銷售環(huán)節(jié)出現(xiàn)失誤等，都可以通過經(jīng)濟(jì)的補(bǔ)償來讓消費(fèi)者平息情緒、坦然接受。

3．商家回復(fù)解釋

商家回復(fù)是指商家對平臺上出現(xiàn)的在線評論進(jìn)行解釋與答復(fù)。從國內(nèi)主流的購物網(wǎng)站來看，商家對負(fù)面評論回復(fù)的數(shù)量和質(zhì)量參差不齊，很多商家并不重視對負(fù)面在線評論的管理，甚至出現(xiàn)負(fù)面評論過多或追加評論都是負(fù)面評論的現(xiàn)象，商家不予處理，對品牌的口碑造成極大威脅。對評論進(jìn)行回復(fù)和解釋包括兩個方面：

首先，對正面評價(jià)的回復(fù)，一般為感謝、承諾，表達(dá)商家的誠意，一般商家會選擇模板回復(fù)，在節(jié)省時間的同時強(qiáng)化宣傳效果。

其次，對負(fù)面評價(jià)的解釋，一般情況下，精神型回復(fù)、長篇幅回復(fù)更加有效。

（1）如果是合理差評（有誤會、商家的確存在問題）的評價(jià)解釋，能夠?qū)⑸碳业慕鉀Q措施展示出來，解決其他買家的后顧之憂。

（2）如果是不合理差評（職業(yè)差評師、競爭對手惡意差評、無理要求未得到滿足的泄憤差評）的評價(jià)解釋，能夠向其他消費(fèi)者展示差評的原因、差評的不客觀性，得到理解及認(rèn)可。商家越對極端的負(fù)面評論采取有效回復(fù)策略，反而越有利于消費(fèi)者改變消極態(tài)度與情緒，同時也更利于商家檢驗(yàn)回復(fù)效果以進(jìn)一步改進(jìn)或完善補(bǔ)救策略，進(jìn)而建立良好的口碑形象。^[20]

4．鼓勵消費(fèi)者發(fā)布高質(zhì)量評價(jià)

高質(zhì)量的評價(jià)包含帶有圖片或視頻、字?jǐn)?shù)較多、評論要素多樣，以及有追加評論的評價(jià)，消費(fèi)者的高質(zhì)量評價(jià)能夠中和差評帶來的影響，對潛在消費(fèi)者進(jìn)行正面引導(dǎo)。

首先，采取激勵手段刺激消費(fèi)者發(fā)布帶有圖片、視頻的評價(jià)。其次，鼓勵消費(fèi)者發(fā)布長評。長評涵蓋較多的信息量，更能吸引瀏覽者的目光，可信度上有所提升。最后，提醒消費(fèi)者發(fā)布追加評價(jià)。追加評價(jià)是很多消費(fèi)者查看評價(jià)時的主要選擇之一，因?yàn)槟軌蚍从硨?shí)際購買者使用一段時間后更加理性、客觀的情況。^[21]

（二）結(jié)論及展望

本文對京東平臺上小米旗下的數(shù)字系列款手機(jī)的負(fù)面評論數(shù)據(jù)進(jìn)行文本情感分析，挖掘產(chǎn)品負(fù)面評論中的潛在價(jià)值。通過詞云效果展示、LDA主題模型分析，挖掘出對給予產(chǎn)品負(fù)面評論的消費(fèi)者所關(guān)注的主題范圍，通過了解該主題范圍下的關(guān)鍵詞語，分析發(fā)現(xiàn)影響這些消費(fèi)者給予差評和不滿意的因素。同時，依據(jù)這些因素對手機(jī)廠商提出建議，幫助手機(jī)廠商提高品牌影響力和行業(yè)競爭力，以滿足消費(fèi)者對該品牌的期望和需求。最后，針對評論中的服務(wù)因素，提出誠懇致歉、經(jīng)濟(jì)補(bǔ)償、商家回復(fù)解釋及鼓勵消費(fèi)者發(fā)布高質(zhì)量評價(jià)等補(bǔ)救措施，以挽救負(fù)面評論帶來的危害，為其他消費(fèi)者提供參考。

本文也存在一定的局限性：在負(fù)面評論的篩選時，直接選用平臺本身提供的星級評價(jià)，未能對全部評論進(jìn)行負(fù)面內(nèi)容篩選及識別，且在停止詞庫中對當(dāng)前時代的流行語控制得不夠完全，存在一定的缺失。同時，詞語與詞語之間存在著密切的語義網(wǎng)絡(luò)，語義網(wǎng)絡(luò)是一種社會網(wǎng)絡(luò)分析方法^[22]，通過構(gòu)建負(fù)面評論語義網(wǎng)絡(luò)來完善主題模型分析結(jié)果是后續(xù)的研究重點(diǎn)。

參考文獻(xiàn)：

[1]Maheswaran?D，Meyers-Levy J．The influence of message framing and issue involvement[J].?Journal of Marketing Research，1990（3）361-367．

[2]Chevalier J A，Mayzlin?D.The effect of word of mouth on sales： online book reviews[R].?National Bureau of Economic Research，2003．

[3]陸海霞，吳小丁，蘇立勛.差評真的那么可怕嗎？——負(fù)面線上評論對消費(fèi)者購買行為的影響研究[J].北京社會科學(xué)，2014（5）：102-109.

[4]李琪，任小靜.矛盾性追加評論對感知有用性的影響效應(yīng)研究[J].管理科學(xué)， 2017（4）：139-150.

[5]杜學(xué)美，吳亞偉，高慧，等.負(fù)面在線評論及商家回復(fù)對顧客購買意愿的影響[J].系統(tǒng)管理學(xué)報(bào)，2021（5）：926-936.

[6]Zhang JQ，G Craciun，D Shin.When does electronic word-of-mouth matter？ A study of consumer product reviews[J]. Journal of Business Research，2010（12）：1336-1341.

[7]MAHESWARAN D，MEYERS LEVY J.?The influence of

message framing and issue involvement[J]. Journal of Marketing Research，1990（3）：361-367．

[8]王陽，王偉軍，劉智宇，等.在線負(fù)面評論信息對潛在消費(fèi)者購買意見影響研究[J].情報(bào)科學(xué)，2018（10）：156-163.

[9]張亞明，蘇妍嫄，張圓圓.負(fù)面在線評論對消費(fèi)者感知風(fēng)險(xiǎn)影響研究[J].河北經(jīng)貿(mào)大學(xué)學(xué)報(bào)，2020（1）：100-108.

[10]李宏，喻葵，夏景波.負(fù)面在線評論對消費(fèi)者網(wǎng)絡(luò)購買決策的影響：一個實(shí)驗(yàn)研究[J].情報(bào)雜志，2011（5）：202-206.

[11]史偉，王洪偉，何紹義.基于微博情感分析的電影票房預(yù)測研究[J].華中師范大學(xué)學(xué)報(bào)，2015（1）：66-72.

[12]Dasgupta S，Sengupta K. Analyzing consumer reviews with text mining approach：A case study on Samsung Galaxy S3[J]. Paradigm，2016（1）：1-13.

[13]李涵昱，錢力，周鵬飛.面向商品評論文本的情感分析與挖掘[J].情報(bào)科學(xué)，2017（1）：51-61.

[14]鄭麗娟，王洪偉.基于情感本體的在線評論情感極性及強(qiáng)度分析：以手機(jī)為例[J].管理工程學(xué)報(bào)，2017（2）：47-54.

[15]龐慶華，董顯蔚，周斌，等.基于情感分析與TextRank?的負(fù)面在線評論關(guān)鍵詞抽取[J].情報(bào)科學(xué)，2022（3）：398-404.

[16] Blei?D M，Ng A Y，Jordan M I. Latent Dirichlet Allocation[J].Journal of Machine Learning Research，

2003（3）：93-1022.

[17]徐戈，王厚峰.自然語言處理中主題模型的發(fā)展[J].計(jì)算機(jī)學(xué)報(bào)，2011（8）：1423-1436.

[18]關(guān)鵬，王曰芬.科技情報(bào)分析中LDA主題模型最優(yōu)主題數(shù)確定方法研究[J].現(xiàn)代圖書情報(bào)技術(shù)，2016（9）：42-50.

[19]賈素瑩，韓樹榮.負(fù)面在線評論的服務(wù)補(bǔ)救對顧客滿意影響的實(shí)證研究[J].學(xué)術(shù)探討，2015：198-201.

[20]仇立.服務(wù)失誤情境下互聯(lián)網(wǎng)顧客忠誠影響機(jī)理[J].中國流通經(jīng)濟(jì)，2018（5）：84-96.

[21]王長征，何釤，王魁.網(wǎng)絡(luò)口碑中追加評論的有用性感知研究[J].2015（3）：102-114.

[22]李綱，葉光輝.網(wǎng)絡(luò)視角下的應(yīng)急情報(bào)體系“智慧”建設(shè)主題探討[J].情報(bào)理論與實(shí)踐，2014（8）：51-55.

Research on remedial measures for negative reviews of e-commerce products based on ?sentiment analysis

Xue Chenjie， Wang Zhaoyi， Jiang Nan， Qian Liqiong

（School of E-commerce， Anhui Business College， Wuhu Anhui 241002）

Abstract：Negative reviews of products on third-party shopping platforms have adverse effects on consumers' purchase intentions， merchants' credit ratings， and platform transaction conversions， which need to be remedied through effective measures. Analyzing the negative comments and putting forward relevant suggestions has certain reference significance for the improvement of marketing strategies and customer relationship management of merchants. Taking the current domestic mainstream brand Xiaomi mobile phone as the research object， using the Octopus collector to crawl the comment content of Jingdong Mall for sentiment analysis， and using the Jieba?word segmentation， word cloud map， and LDA topic model to analyze the negative comments of the product. The main negative comments of consumers on Xiaomi mobile phones on the platform are reflected in six aspects， which bring a bad experience to consumers， and the brand side should pay attention to it and implement remedies.

Key words：?Emotional Analysis; Negative Review Remedy; Topic Model