随着网络购物规模的迅速扩大, 各种在线评论系统、口碑网站和虚拟社区中的在线商品评论数量出现爆炸式增长。在线商品评论不仅影响着潜在消费者的情感和购买决策, 也影响着商品的销售量以及商品生产商的生产决策。

事实上, 一件商品的在线评论不仅数量众多而且内容质量参差不齐, 使得消费者难以把目光聚焦在有价值或者有用的评论上, 无法即刻做出购买决策^[1]。在线商品评论有用性的一个重要内容是评论的深刻性(深度)。然而, 目前有关评论有用性^{[2, 3]}的研究基本上都是以评论长度(字数)作为评论深刻性的度量依据^{[4, 5, 6, 7]}。而“ 深刻” 一词在有关词典上解释为达到事情或者问题的本质, 或者内心感受程度很大。因此, 笔者认为具有深刻性的评论应该触及消费者制定购买决策时所需信息的本质知识。显然, 利用评论的长度度量评论深刻性过于简单, 并非一定触及商品及购买、物流和售后等环节的本质信息。商品评论的深刻性与评论的有用性既有联系又有区别, 有用性是主体(消费者)的感受, 深刻性是客体(评论)表现的属性。深刻性对不同主体表现的有用性程度存在差异(若主体已具备本质信息的知识点)。评论的有用性包括评论的深刻性, 但是有用的并非一定是深刻的。为此, 研究商品评论的深刻性既有理论意义, 也有实践应用价值。

为了能够给消费者在制定购买决策时提供有价值的参考信息, 就在线评论来说, 目前有关评论深刻性的研究较少, 已有研究主要集中于评论的有用性方面: 从评论者情感倾向角度, Chevalier等通过对Amazon的图书评论影响销售量的研究发现, 评价越高的图书销售越好^[2]; Dellarocas等认为极端正向或极端负向的

评论都会对消费者的感知产生较大影响, 继而影响商品销量^[3]。从评论者特征角度, 王平等发现评论者的经验水平和权威性对消费者的购买决策有较大影响^[4]; 从商品类型角度, Mudambi等通过比较体验型和搜索型两类商品发现, 消费者获取信息的感知成本和对信息的理解均有差异^[5]。

许多学者从评论内容、评论者的专业水平、商品类型等角度研究在线评论的有用性, 也有学者从商品的品牌感知角度研究发现, 消费者选购商品时, 商品品牌是影响购买的重要因素。消费者的品牌形象认知对其品牌选择行为有重要影响^[6], 高端品牌常常给人一种对该品牌商品质量、性能等属性的信任感; 而中低端品牌使得消费者在购买其商品时需要搜集更多相关信息以降低对品牌的不信任感。

彭岚等从减少消费者决策风险出发, 在感知诊断性概念基础上定义评论有用性概念, 构建一个评论有用性影响因素模型, 进一步提出评论长度、评论等级、使用互联网经验等是影响评论有用性的重要因素^[7]。Mudambi等认为信息深入性能够增加消费者的信任感以促进购买决策过程, 篇幅较长的评论通常包含更多的商品及其使用等信息, 评论字数的多少在某种程度上能够减少商品质量、性能等属性的不确定^[5]。

综上所述, 在已有商品评论有用性的研究中, 以评论长度度量评论深刻性显得过于简单, 难以准确反映评论的深度。评论长度长并非一定触及商品的本质, 或者并非一定具有消费者感兴趣的内容, 从而难以为消费者的购买决策或者厂商的生产决策提供有价值的参考。对此, 本文解决的核心问题是评估商品评论是否准确反映了商品的本质属性, 给消费者决策提供多大程度有价值的参考信息。本文分析并给出消费者在制定商品购买决策过程中所涉及的知识需求, 以及商品评论的深刻性定义; 引入概念树刻画商品知识中商品特征概念的语义层次, 再结合专家发表商品评论的特点, 依据商品评论中商品特征词汇在商品特征概念树中的分布情况, 建立评论深刻性评价度量模型。本文的创新性在于提出利用商品特征概念树层次地刻画商品的本质属性, 运用评论中所涉及的商品特征在概念树中的分布度量评论, 能够为消费者决策提供参考价值的高低程度。

作为消费者购买决策信息来源之一, 在线评论的有用性应该取决于消费者依据在线评论信息所购买的商品是否满意。有关商品及购买、物流和售后等环节的信息对消费者的在线商品选择决策是至关重要的。如果消费者对上述环节所涉及的信息存在认识偏差, 将会导致其做出错误决策。通俗地讲, 经过加工成为有序的信息被称为知识。许应楠等研究认为消费者制定在线商品购买决策过程中, 主要涉及以下知识^[8]: 商品参数及其效用知识、商品关键性参数及其效用知识以及性价比等商品信息综合加工知识。上述知识大多来自专家知识(包括经验知识), 是触及消费者制定购买决策时所需信息的本质知识。商品的领域专家具有商品本质的知识, 所给出的评论往往具有较多的启发性, 具备一定的深度, 显示出与常规评论有所不同, 表现为评论内容具有深刻性, 能够为消费者制定购买决策提供有价值的参考。具体来说, 商品领域专家所给出的商品评论一般具有如下特点:

(1) 一般客户在购买商品时往往只关注重要功能、关键参数以及性价比等方面, 其评论仅涉及商品关键常用功能及关键参数, 而专家评论则不仅涉及这些内容, 还会涉及商品非关键常用功能和商品关键参数和数量词汇。

(2) 专家在评论时, 使用的特征词一般较为具体、准确, 有针对性, 触及商品及商品购买、物流和售后等环节的本质信息, 而语义抽象、内涵丰富的词汇则较少使用。

(3) 专家评论往往具有侧重点, 某个主题比较突出, 对其给予较多的评述。

(4) 专家评论往往对不同型号商品内容进行比较, 通过比较展现本商品的优缺点以增加评论的说服力, 使得评论更具参考价值。

鉴于此, 本文定义在线商品评论深刻性如下:

定义1 商品评论深刻性(深度)指商品评论内容明确包括商品及其购买、物流和售后等环节中的本质信息, 为潜在消费者购买商品提供有价值的决策依据。

经过加工成为有序的信息称为知识, 知识是由很多概念构成的。概念的内涵呈现层次性, 高层概念较抽象、内涵丰富, 低层概念较具体、内涵较单一。前者语义一般较空泛, 甚至是模糊、不确定的, 缺少针对性, 用于描述事物时难以触及事物的本质信息, 因而不具有深刻性。而后者语义较具体、明确, 用于描述商品时则具有针对性、准确性, 能够为消费者购买商品提供有用的决策知识。因此, 由其所表达的评论则更具深刻性。例如, “ 参考文献” 和“ 论文” 两个概念, 后者内涵更具体、更具有确定性。

知网(HowNet)^[9]是一种应用广泛的中文词典, 所有词语被自上向下组织成一个树状结构。其中, 词与词间关系主要有上下位词关系、同义词关系、部分-整体关系、相反关系、材料-商品关系、动态角色等。在自然语言中, 常有多个词语表达同一个概念, 即概念的同义词; 或是多个词语均为某一个概念的子类, 即概念的下位词。概念层次能够以层次形式和偏序关系组织数据和概念。以层次树表示一个概念层次, 即概念层次树(Concept Hierarchy Tree), 树的节点表示概念, 树枝表示偏序。一个领域所涉及的概念根据需要可以有一棵或者多棵概念树^{[9, 10, 11]}。在文献^[12]的基础上, 笔者提出改进的商品特征概念树及其构建过程。

定义2 商品特征本体概念是一个四元组, c={c-id, c-name, c-syn, c-son}。其中c-id表示特征本体概念的标识符, c-name表示该概念的术语名称, c-syn为该概念同义词集, c-son为该概念的子概念集(下位词集)。

定义3 商品特征概念树是一个二元组, P-F- Tree={C, }。其中C表示所有特征本体概念c的集合, 是概念的部分有序关系, 表示概念间的父子(上下位)关系。

商品特征概念树定义的是商品评价领域中的概念层次和隶属关系, 是严格划分层次的树状结构。商品特征概念树具有以下特性:

(1) 树的节点表示概念, 树枝表示有序关系。

(2) 有序关系包括包含关系、属性关系、部分-整体关系。

显然, 父节点的概念内涵较其子节点概念的内涵要丰富, 子节点概念内涵更为具体明确和有针对性。基于此, 在商品特征概念树中, 对于同一分支下且为父辈的概念, 使用其子辈(下位)概念描述的商品特征

信息比使用父辈概念更具深刻性。例如, “ 系统内存” 是“ 系统配置” 的子概念, 语句“ 系统内存为8G” 较语句“ 系统配置高” 对潜在消费者在购买商品时更有参考价值。

商品特征的提取方法主要包括人工定义方法和自动提取方法两种^[12]。依据商品广告、商品说明书和编辑商品测评等, 商品特征概念树的构建过程如下:

(1) 概念树的根节点为商品的总概念, 称为第0层概念。

(2) 概念树的第1~n层概念为下位概念。根据本体可在领域专家指导下, 分层提取商品参数中的概念作为其下位概念, 包括该下位概念的同义词集合。

(3) 通过学习商品广告、商品说明书、编辑商品测评和商品评论数据, 完成在线商品评论中概念的提取、清理及同义词合并, 形成用户评论概念集合, 以确定用户评论概念集合和所得概念的有序关系。

图1为带深刻性权重的商品特征概念树:

图1

	Figure Option ViewDownloadNew Window
	图1 带深刻性权重的商品特征概念树

其中, 圆圈内的c₀-c₃₃表示特征概念, c₀为概念树的根节点, 方框内的syn表示该概念的同义词。从子概念指向父概念的箭头表示父子概念的层次关系。在图1中, 该概念树的广度为4, 深度层次为4, 非叶子节点c₂₂的入度为3, 其他非叶子节点的入度是2。直观上, 概念树的广度和深度反映了该根节点概念的内涵所具有的丰富性和深刻性; 非叶子节点概念的入度刻画了其下位子概念数, 反映了其语义的丰富程度。为了更好地刻画概念树中节点所表达的语义层次性, 笔者同时为概念树中节点引入语义深刻性权重, w_ij为概念树中第i层第j个节点特征概念的深刻性权重。商品特征概念树中节点的具体权重可以在专家的指导下给予确定。根据商品特征概念树的语义层次计算特

征, 笔者对概念树中节点的深刻性权重w_{i, j}给予以下两个约束条件:

(1) if c_kl∈ c_ij-son then w_kl> w_ij。即子特征概念的深刻性权重大于其父特征概念深刻性权重。

(2) if c₁∈ PF and c₂∈ CF and c₃∈ KF then w₁< w₂< w₃, 其中w₁、w₂和w₃分别为特征概念c₁、c₂和c₃的权重。即一般功能特征、常见功能特征和关键功能特征, 三者的深刻性权重依次升高。

图1刻画了商品特征概念及概念间的关系。商品的评论深刻性反映了评论中包含商品及其购买、物流和售后等环节的本质知识的程度。换句话说, 评论中商品特征词在商品特征概念树中的分布情况决定了该评论的深刻性, 以及是否触及商品及其购买环节的本质信息。

依据第3节中专家所发表商品评论的特点, 评论中所涉及商品特征词在商品特征概念树中的分布情况决定了该评论的深刻性。基于此, 笔者提出商品评论深刻性度量模型, 如图2所示:

图2

	Figure Option ViewDownloadNew Window
	图2 商品评论深刻性模型

商品在线评论深刻性模型从以下方面刻画评论所描述的信息。

(1) 商品评论中所涉及的商品特征词汇量如同评论长度一样。如果词汇量大, 则评论内容可能较丰富和深刻。

(2) 某些特征词汇出现的频次比较高, 则该特征所涉及的主题较明确, 针对性较强。

(3) 常见和关键功能的特征词是有用评论必须具备的, 可以给潜在消费者购买商品时提供有价值的参考依据。这些功能是商品的根本属性, 消费者购买商品离不开使用这些功能。

(4) 特征词分布于概念树的层次、分布路径和集中度(节点的出度)决定了所用词汇语义内涵的具体、明确程度, 所触及商品主题具有针对性、突出性, 或主题有侧重点。

(5) 不同型号的同类商品的性价比特征为权衡候选商品提供依据。

下面给出商品特征概念树、用户商品评论中的变量假设和相关定义:

设PF和PF-count、CF和CF-count、KF和KF-count、Tree-width和Tree-depth分别为一般功能特征集合及其特征数、常见功能特征集合及其特征数、关键功能特征集合及其特征数、商品特征概念树的宽度和深度。设RF和Rf-count分别为评论中特征集合及其特征数, RCF和RCF-count分别为评论中常见功能特征集合及其特征数, RKF和RKF-count为评论中关键功能特征集合及其特征数, rf-cont_i为评论中第i个特征的数量。

定义4 消费者评论中特征k的频数为:

(1)

针对评论中商品特征的集中度, 给出以下定义:

定义5 一般功能特征c的集中度为特征c的下位词c-son在评论中出现的次数与下位词集合元素的数量之比:

(2)

依据定义5, 给出常见功能特征和关键功能特征的集中度如下:

(3)

(4)

其中, rcf-center为评论中常见功能特征rcf的集中度, 即为某个常见功能特征rcf的下位词rf-son在评论中出现的次数与该常见功能特征下位词集合元素的数量之比。Rkf-center为评论中关键功能特征rkf的集中度, 即关键功能特征rkf的下位词rkf-son在评论中出现的次数与该关键功能特征下位词集合元素的数量之比。

评论深刻性为评论中所有特征词汇在商品特征概念树中出现的次数、集中度(包括常见功能和关键功能特征)所反映出的深刻性之和。计算方法如公式(5)-公式(8)所示:

其中, RDep₁为评论中商品所有一般功能特征词汇所反映的商品评论的深刻性; RDp₂为评论中所有商品常见功能特征词汇所反映的评论深刻性; RDep₃为评论中所有商品关键功能特征词汇所反映的评论深刻性。

商品在线评论的深刻性可以用公式(8)计算:

RDep=α × RDep₁+β × RDep₂+γ × RDep₃

α +β +γ =1 (8)

常见功能是普通消费者经常使用的, 易于表达, 因而极易出现在评论中; 而专家的评论往往是针对商品的关键功能或者关键参数, 故权重α 、β 、γ 的取值可以为β < α < γ 。

对消费者和厂商来说, 在线商品评论是购买或者生产决策的重要信息来源。评论信息良莠不齐, 对商品及购买、物流和售后等环节的信息描述表达是否深刻是决定评论有用性的重要因素。从消费者对购买决策信息的本质需求出发, 定义了商品评论的深刻性。依据领域专家发表商品评论的特点和评论中商品特征在商品特征概念树中的分布性, 提出商品评论的深刻性度量模型, 以刻画评论对商品本质信息的表达程度。实证研究证实了该模型与评论有用性建模的一致性和有效性, 并具有一定优势, 同时能够比淘宝原始推荐模型更准确, 为潜在消费者网购决策提供更具价值的参考依据。本文缺少消费者对商品使用场景描述的研究, 未来工作是进一步研究体验商品的评论深刻性度量问题。