摘要：随着电子商务的发展，在线用户评论成为一个重要的信息披露渠道，同时也是企业平台与客户之间交互的重要途径，所以，用户评论的有效性具有重要的探究意义。首先，我们将亚马逊上提供的用户评价的数据进行筛选，清除掉存在偶然性和不真实的数据。将处理后的数据进行自然语言的处理，利用评论中标识符号和情感词汇的特征，对评论中的情感词进行NLP情感分类统计。然后提取影响购买力的指标要素。通过构建回归分析模型，对消费者的购买力的时间序列的特征进行验证。最后分析评论时间前后的情感倾向的变化。
关键词：有效评论；情感分析；自然语言处理；回归分析
1.引言
在大数据时代背景下，很多电子商务网站具有可见的在线评论功能，为其他顾客购买商品提供参考信息，所以在线评论交流对消费者是否购买商品有着至关重要的作用。[1]顾客在网络平台上成功购买商品后，越来越适应在网上发表言论，以表达对产品质量或商家口碑的看法。[2]与商家各式各样的营销方法相比，同时更加直接地表现出顾客的使用感受。因此，研究出客观数据与文本信息具体相结合的方式，对商家来说意义非凡。[3]
2.文本预处理
顾客在在线市场平台进行评论、评分、帮助评分等多种交互行为，侧面的反映出他们浅显的兴趣或者能力。目前，在电商平台中常用的处理文本的方法包括LDA模型和NLP模型。由于LDA模型在处理非结构化的数据过程中，没有考虑词语之间的先后顺序，导致结果可能不准确。[4]因此，本文选用NLP模型分析数据集中的评论标题和评论内容。
图1：文本预处理流程
.png)
3. 自然语言处理技术
自然语言处理是一种借助计算机智能地分析、理解、提取语言中表达的真实意思并将合理利用的技术，属于计算机科学领域和人工智能领域，主要研究人与计算机之间的交互。[5]自然语言处理文本的步骤可概括为文本清洗，分词，去停用词和标注几部分。
4.在线用户评论时间特征影响因素模型构建
亚马逊平台采用激励手段来鼓励消费者发布优质评论，并挑选经常发布优质评论的用户成为更高级别的会员并以一些优惠作为奖励。因此，大部分用户是通过积极发布优质评论而成为、会员的。因此会员在平台的评论具较大的影响力，从而可能对用户停供更加客观真实的信息。因此本文假设：会员等级正向影响在线用户的购买行为，提高决策效率。
4.1在线用户购买因素实证分析
根据图2中在线评论时间特征的影响因素模型，结合已知的评论属性，将评论集合表示为C，对于评论集中的第i个评论表示为：各变量测定指标如表2所示：
.png)
在上述变量中，会与等级、星级、有用投票可以从在线用户评论中直接获取，情感深度需要通过计算购买者的评论的字符数来获得。
4.2数据描述性统计
通过对各指标属性的量化统计，本文采用线性回归分析方法对评论时间序列影响因素进行建模分析，线性回归是基于因变量y和自变量x的线性函数关系，如公式(1)所示。
.png)
其中a和b为回归系数，设定a和b可以用以下公式：
其中
在进行回归分析前需进行相关性分析，根据评论属性指标的数据特点，大部分的评论数据是结构化数据范围，星级评分是1~5，会员等级是1-2，因此本文采用线性回归方法进行模型构建，根据时间序列构建的回归模型如下所示：
.png)
4.3回归分析结果
通过多元回归模型分析，使用SPSS软件辅助，在线用户购买力影响因素计量模型的分析结果如表5
表4 回归分析结果
.png)
模型容差值大于0.6，且VIF均小于2，说明变量间无多重共线性问题。同时，DW为1.721，自变量没有显著显著相关性，各自变量及截距的显著性均小于0.05.因此，回归方程、截距及回归系数具有统计学意义。这些变量的R2值为0.441，在44.1%的程度上解释了评论的时效性。显著性方面，各个变量的P值均小于0.001，模型从评论中抽取的特征变量都对PR有着显著意义的影响。最后确定的标准化方程如下：
5.参考文献
[1]张艳丰,彭丽徽,洪闯.在线用户追评行为时间序列关联特征实证研究——以京东商城手机评论数据为例[J].情报理论与实践,2019,42(03):139-145.
[2]李良强. 基于内容挖掘的在线用户评论时间特征及其影响研究[D].电子科技大学,2016.
[3]张艳丰. 在线用户评论行为时间序列关联特征规律研究[D].吉林大学,2018.
[4]耿斌. 在线评论对用户购买行为的影响研究[D].南京大学,2019.
[5]郑丽娟,王洪伟.基于情感本体的在线评论情感极性及强度分析:以手机为例[J].管理工程学报,2017,31(02):47-54.