来源：学科建设与科研办公室 编辑：宣传信息事务办公室 发布时间：2021-11-24
电商平台是我国数字经济发展的一种重要组成。在当前平台用户增量放缓的背景下，如何为用户提供更好服务并创造更多价值，成为提升平台用户粘性的关键。在电商平台上，以在线商品评论形式呈现的用户生成内容是一种重要的平台服务形式，这种服务能够让消费者在购买商品前了解到其他用户的购买和使用经验并进而优化购买决策。但是，平台上商品评论数量众多，而消费者只有有限的时间和耐心阅读全部商品评论中的一小部分，这为平台提供用户生成内容服务提出了挑战。从以用户为中心的角度出发，电商平台应怎样应对挑战提供更优质的用户生成内容服务呢？
在电商平台上，现行用户生成内容服务方法主要通过排序来将部分评论排在评论列表的头部位置，例如考虑评论时间先后排序，评论有用性大小排序等。这些方法均忽略了对评论全集的内容反映，容易造成在某些情况下评论列表头部呈现的是有偏评论内容，影响消费者做出客观正确的购买决策。针对这一问题，中国人民大学商学院管理科学与工程系张瑾老师与其合作者开展研究并提出了一种考虑信息丰富性的在线商品评论提取方法，为电商平台提供了可行的用户生成内容服务方案。相关研究成果发表在UTD 24期刊INFORMS Journal on Computing。
研究表明：在线商品评论中，无论是大量消费者评论的商品特征（大众特征），还是少量消费者评论的商品特征（小众特征），均对消费者的购买决策产生影响。电商平台在提供相关用户生成内容服务时，不能仅考虑大众特征，忽视小众特征。现行的无论是基于评论时间还是评论有用性的排序方法，往往忽略原始海量评论信息中的小众特征，容易造成消费者做出不合理、不准确的购买决策。
更进一步，研究以信息熵为理论基础，提出了一种同时考虑商品特征全面性和特征情感分布一致性的在线商品评论子集提取框架，通过大量的真实数据实验和专家用户打分评估证明该框架相比于现有评论提取方法能够为消费者提供更优质的信息服务，框架可以从不同角度帮助消费者全方位准确地了解群体意见，进而优化消费者的决策过程，提高决策效率。除电子商务领域外，研究提出的框架也可扩展到其他类型平台的信息服务，以及网络舆情和公共政策分析等领域。
已发表论文：
官方微信
中国人民大学商学院
