探索B2C賬號在線評論特征——以京東商城為例.pdf

1、2013年10月4日，作者使用Java程序?qū)〇|商城在線商品評論信息進(jìn)行抽樣提取?；诓杉降?2333個賬號和229530條評論數(shù)據(jù)，站在賬號的角度進(jìn)行聚集，生成了8382個賬號的在線評論特征作為研究樣本。而以賬號在線評論特征為研究對象的論文國內(nèi)外相對較少，這也是本文的創(chuàng)新點(diǎn)所在。本文主要的研究工作在于通過統(tǒng)計(jì)學(xué)與數(shù)據(jù)挖掘相關(guān)技術(shù)，圍繞探索賬號在線評論特征及其與賬號等級的內(nèi)在關(guān)聯(lián)為主線，從賬號在線評論特征的統(tǒng)計(jì)描述、不同等級的賬號在線

2、評論特征差異性分析、賬號在線評論內(nèi)部特征與賬號等級相關(guān)性分析、賬號在線評論特征的聚類分析四個方面進(jìn)行分析研究，并基于上述四個方面的分析結(jié)果提出最終的研究結(jié)論和建議。這四個方面的分析結(jié)果如下:
　　第一，通過構(gòu)造賬號在線評論特征的描述統(tǒng)計(jì)量、密度直方圖和核密度函數(shù)，發(fā)現(xiàn)了發(fā)表過評論的賬號總體近期評論參與度偏低、75％賬號發(fā)表評論數(shù)量在25條以下、更傾向于打高分、互動性接近冰點(diǎn)、發(fā)表評論盡可能簡短、評論態(tài)度偏謹(jǐn)慎等特點(diǎn)。
　　第

3、二，通過單因素方差分析的一整套理論對賬號等級的各個水平在評論特征的差異性進(jìn)行分析，結(jié)果發(fā)現(xiàn):評論總數(shù)、評論與購買時間間隔的均值隨著賬號等級的升高而增加，最近一次評論距信息提取日天數(shù)隨賬號等級的升高而縮短，鉆石以上會員的打分均值高于其他等級會員，賬號等級的各個水平在回復(fù)率上有顯著差異，注冊會員在心得_平均使用_字?jǐn)?shù)這一指標(biāo)上低于其他等級會員。
　　第三，采用CFS屬性選擇理論對賬號在線評論內(nèi)部特征以及其與賬號等級的關(guān)聯(lián)進(jìn)行分析。結(jié)果

4、發(fā)現(xiàn):最近一次評論距信息提取日天數(shù)、評論總數(shù)和回復(fù)率這三個指標(biāo)的組合具有自相關(guān)程度弱但是與賬號等級強(qiáng)相關(guān)的特點(diǎn)。采用因子分析理論將賬號在線評論特征進(jìn)行公共因子的提取，結(jié)果表明:最近一次評論距信息提取日天數(shù)、評論總數(shù)、回復(fù)率和評論與購買時間間隔的均值的線性組合作為第一個公共因子，該指標(biāo)體現(xiàn)了賬號的評論卷入度。將打分均值和心得_平均_使用字?jǐn)?shù)作為第二個公共因子，該指標(biāo)體現(xiàn)了賬號的滿意度。
　　第四，采用CascadeSimpleKMe

5、ans、XMeans和EM三種聚類算法，并引入基于似然值的聚類評估準(zhǔn)則對三種算法的運(yùn)行效果進(jìn)行比對。最終，選擇EM算法并得到9類人群。進(jìn)一步地，構(gòu)造了9類簇和賬號等級的列聯(lián)表進(jìn)行了二者的關(guān)聯(lián)分析。
　　基于上述四個方面的分析結(jié)果，給出了四點(diǎn)研究結(jié)論和建議:1、評論卷入度、賬號滿意度和賬號等級的關(guān)系;2、針對性的提升喪失評論積極性人群的評論卷入度;3、給予購物體驗(yàn)失敗用戶更多關(guān)注;4、改進(jìn)現(xiàn)有評論獎勵機(jī)制。（注:由于京東商城諸多機(jī)制