不同类型商品的在线评论排序模型研究综述

(华南理工大学经济与贸易学院 广东 广州 510006)

一、引言

21世纪是信息膨胀的大数据时代，海量的数据容易造成信息过载，导致用户花费更多成本获取有用信息。在线评论作为消费者获取商品有用信息的第三方数据，由众多消费者产生并发布，每个人对商品的感受不同，产生的评论也不同。这些评论在一定程度上会帮助消费者做出决策，但大量的评论反而混淆消费者对商品的认知，消费者翻阅这些评论不仅消耗大量时间成本，而且其对商品褒贬不一的评价甚至会让消费者放弃购买。

平台对评论排序使消费者能更快找到需要的信息，但当前在线评论排序机制仍存在问题，如排序依据单一，按星级排序只能看到星级最高或最低的评论排前，但该条评论不一定是有用的，按时间排序也存在类似的问题。如果按阅读者给的有用性投票对评论进行排序，排列靠前的是认为有用的评论，这在一定程度上帮助之后的阅读者获取有用信息，但是排在前面的评论被浏览的可能更大，获得的有用性投票也更多，这就是评论排序中出现的马太效应。马太效应使得新发布的评论曝光度减少，更有用的评论可能会被忽视，同时还可能影响消费者生成用户内容的积极性。本文将从在线评论有用性影响因素研究、在线评论排序两大方面对在线评论的相关研究进行综述，总结当前研究的不足，为未来的在线评论排序研究提供方向。

二、在线评论有用性影响因素研究

在线评论排序时需要选取对应特征构建模型，而这些特征多是对在线评论的有用性产生影响的因素。……