关于在线评论有用性的论文研读笔记---51-60篇

51.Evaluating key antecedents and consequences of the perceived helpfulness of online consumer reviews: A South African study. （Electronic Commerce Research and Applications）

        这篇文章研究了在线评论有用性的影响因素，同时这篇文章是基于南非市场研究的。文章不像之前的文章用了回归模型或者是机器学习的模型，而是基于问卷数据做的调查，不过和之前的问卷调查不大一样，文章采用了SEM结构方程模型来对问卷数据进行分析，之前的问卷数据做的更多是ANOVA。

        文章定义了多方面的内容，分别是来源可信度、产品知识、社会影响、感知可靠性、感知有用性、品牌形象、购买意愿。来源可信度顾名思义，产品知识指的是消费者具有的网购知识和对产品的认知，社会影响指的是消费者的亲近群体对消费者购物的影响，感知可靠性指的是消费者对在线评论环境的信任度，品牌形象指的是产品在顾客心目中的形象，例如便宜、质量好等。这些方面笼统的归纳了可能影响评论有用性的几个大方面，可以扩展到大数据背景下的评论有用性研究，我觉得之前的研究在品牌形象上研究的比较少，涉及到产品方面的研究更多的是基于NEISON的产品分类研究，例如体验型商品和搜索型商品，从产品本身特质去研究还比较少。

         然后文章设计了调查问卷，然后进行了结构方差分析，得到了漂亮的结果。消费者周围的人对消费者的购物决策影响较小；在线评论中丰富的信息对品牌形象的构建有积极的作用，同时品牌形象对消费者购物决策也有积极的促进作用。

         总的来讲这篇文章是一篇中规中矩的调查论文，也可以带来一定的思考，就是如何在大数据背景下引入品牌形象这一自变量。

52.Modeling review helpfulness with augmented transformer neural networks. （2022 IEEE 16th International Conference on Semantic Computing (ICSC) ）

        没看懂，嗯，短小精悍就7页，但我看不懂，这篇文章创新了一个网络结构，但我看不懂，等后面神经网络牛逼一点了再看这个把。大致意思就是用神经网络先识别出对评论有用性的元素，然后把这些元素加入到训练集中，再用神经网络预测评论有用性，能够提高模型的表现。

53.Huang, H., Liu, S. Q., & Lu, Z. (2022). When and why Language Assertiveness Affects Online Review Persuasion. （Journal of Hospitality & Tourism Research, 10963480221074280）

        这篇文章也是一篇研究评论有用性的文章，研究的是旅游业评论的有用性，但是并不是机器学习或者神经网络的视角出发去研究的，而是基于传统的问卷调查去研究的，文章提出了旅游计划时间的远近以及评论文本的撰写方式（武断、温和）会影响阅读者对评论有用性的评价以及评论情感的评价。

        每个旅行者都会有计划的出行时间，可长可短，出行计划比较长远的旅行者更加倾向于温和的评价，而计划时间比较近的旅行者则会受武断的、推荐性、命令性的评论的影响，文章对这个现象采用了认知水平理论（CONSTRUAL LEVEL THEORY），当消费者处理未来事件时，消费者的认知是抽象的，而当消费者处理眼下事件时，消费者的认知水平则是具体的。抽象的认知水平倾向于温和的、抽象的评论，而具体的认知水平则更加倾向于武断的、命令的评论。

        然后文章就用众包网站发了调查问卷，然后做了t检验和f检验，证明了出行计划时间和评论语言风格会影响顾客对评论有用性的看法。

         之后的研究里可以考虑加入语言风格的因素，之前的研究研究语言风格的变量多是用主观性和客观性去表达的，其实还可以扩展更多的语言风格，例如这篇文章的武断性和非武断性风格。结合第52篇文章，可以用神经网络去识别语言风格。

54.Effectiveness of Fine-Tuned BERT Model in Classification of Helpful and Unhelpful Online Customer Reviews. （Electronic Commerce Research）

        这篇文章用了微调BERT模型来研究了评论有用性，以往的研究都是从评论文本、评论者、平台、产品等方面去提取固定的特征，但是这种方法也有他的缺点，就是通用性不强，不同的平台他的信息披露程度和披露的方式是不同的，因此研究结论无法普遍通用。用神经网络的方式去自动识别文本就解决了提取特征方面的问题。

        文章采用了YELP的公开数据集，分别采集了5000条正负评论样本，这篇文章将评论有用性视为二分类问题，将点赞数量小于1的评论视为无用评论，将点赞数量大于4条的评论视为有用评论，点赞数量为1、2、3的评论剔除，避免了文章提出的OVERLAP的问题。

        BERT网络我没学习过，因此文章微调在哪里我没看懂，只能靠猜测，他加了个注意力遮罩然后丢进模型中去训练，然后基线模型选择了基于TF-IDF和BOW的传统机器学习模型来进行对比。

         最终文章列出了微调模型的各个参数下的准确率和训练时间，同时也给出了传统机器学习模型和没有调整的BERT模型的准确率，最终结果显示微调模型的准确率会高于未调整的bert模型以及传统的机器学习模型。

         在BERT中加入注意力遮罩，又GET到一个新方法，行文方面中规中矩。

55.Responsive and Responsible: Customizing Management Responses to Online Traveler Reviews. （Journal of Travel Research）

        这篇文章是研究了管理者回复对评论有用性的影响的，之前的文章也有涉及到管理者回复，例如管理者回复的及时性，管理者回复的长度，管理者回复的可读性等等，这篇文章提出的一个论点是管理者回复与原始评论的相似性，从评论阅读者的视角出发，如果管理者的回复能够解决原始评论的问题，那么阅读者就会认为原始评论是有用的，因此文章从文本相似性的角度出发去度量了原始评论和管理者回复的相似度。同时文章还进一步将管理者回复进行了分类，基于模板的管理者评论和特殊的回复，显然特殊的回复是更有可能提高评论有用性的。

        在因变量的度量上，文章直接选择了有用性投票来度量评论有用性，在自变量上，文章采用基于词性的方法来度量评论和管理者回复的相似性，在度量特殊评论和一般评论上，文章直接采用频数编码然后计算同一宾馆下管理者回复的夹角余弦值来进行判断。同时也引入了一系列常规控制变量，例如长度、星级、可读性、回复者头衔等。同时也测量了控制变量的调节效应。

        最终的结果显示管理者回复的相似性是正向影响评论有用性的，特殊评论也可以积极的影响评论有用性。这启示管理者在回复评论上要尽量采取特殊的回复，能够切实的解决在商品评论中提出的问题。

         总体来讲，文章行文思路清晰，结果NIce，可以纳入综述范围。

56.Impacts of temporal contiguity on creation and consumption of e-WOM in hotel context: A combined perspective of review rating and text. (International Journal of Hospitality Management)

        这篇文章也是研究评论时间与消费时间间隔对评论有用性影响的一篇文章，之前也有一篇文章是研究间隔时间的， 可以参考第53篇，但是那篇文章没有从计量经济学和大数据角度去研究，而是基于调查问卷研究的。这篇文章弥补了不足，提出了一个问题：消费后立即产生的评论和过了一段时间后产生的评论是如何影响评论有用性的？这种时间的连续性，文章用了一个二分类变量来表示，立即产生的评论记为1否则0。

        文章基于归因理论和认知水平理论提出了假设，认为当两个事件发生的时间十分接近时，那么后一个事件的发生就会归因于前一个事件，那么消费者在消费后立即书写了在线评论，如果在线评论给出了积极的或者消极的评价，那么阅读者就会归于酒店的实际情况，从而认为在线评论是有用的。同时基于认知水平理论，如果消费者在消费后立即书写了评论，那么评论的字数就会偏向于越长且感情更加极端。文章对于一些变量的定义我感觉不大性，比如experience valence，其实直接可以用review valence来替代的，因为这个变量描述的就是评论的效价，看到这个变量名时我还迟疑了一下。

        在自变量上，还引入了常规的自变量，例如长度、勋章等多方面的内容，在模型上用了SUR/NBR等计量模型，这些模型我不大熟练，应该用软件就可以跑。

         最终得到的结果也挺漂亮的，评论及时性会积极的影响评论有用性，同时也证明了如果顾客的酒店体验不好并且及时书写了评论，那么顾客的评论会变得更加极端，且评论会写的更长，对酒店的经营不利。

         总而言之文章总体行文Nice，结果也很漂亮，但是论文里的一些参数和表格上不一样，也有一些打字的疏漏，嗯，差不多就这样。

57.Relevance Judgment of Argument Quality and Online Review Adoption During Information Search in e-Commerce Review Platform.（International Conference of Reliable Information and Communication Technology ）

        垃圾论文，写在前面。

        文章基于双过程理论中的中心路径，采用调查问卷和结构方程模型的方法发现了评论论点质量对评论有用性有显著的影响，连正负向都没给。RUBBISH！地铁老人手机。

58.The effect of perceived threat on online service reviews. （Journal of Services Marketing）

        这篇文章是基于美国纽约的酒店数据，主要分析了新冠疫情前后在线评论的情感和用词方面的变化。文章提出了假设，疫情爆发后，由于人们情感的变化以及个人保护的情绪，在线评论的情感会变得更加消极， 在文本书写中体现在评论者会更多写“我”而不是“我们”。

        文章基于这个假设爬取了酒店的评论数据，然后分析了评论的情感取向以及人称代词的使用情况，同时为了度量新冠疫情的影响，文章用了一个二分类变量来表示评论的日期是否处在新冠疫情期间，然后进行回归分析，最终验证了假设，新冠疫情对评论感情呈负面影响，同时在语言表述上也更趋向于个人而不是集体。

         蛮看看，好像和评论有用性不是很占边。

59.How much is a picture worth? Online review picture background and its impact on purchase intention. （Journal of Business Research）

        这篇文章主要讲的是在线评论的图片背景如何影响消费者的购买意愿的。我以为会是一个神经网络的论文，结果是一个调查问卷的论文，文章做了很多组均值分析来研究各种影响因素，但是我读的很累，论文一张表格都没有，我看他的数字看的头昏眼花，看的太折磨了。同时，对文章的实际影响我也存有一定的怀疑。购买一个商品看看评论，真的会列文虎克的再去研究一下图片的背景么，或者说购买者在拍照的时候刻意的凸显了自己的背景展现了自己的家当。

        首先文章通过调查问卷的方式进行调查，文章的结果我就不说了，直接看结果图，LOW SES指的是底层社会经济地位，反之高层。然后通过产品类型的调控可以看出主流产品和高端产品在图片背景的调节下显示出了较大的购买意愿差异。文章就在这一块开始扯了。但是在互联网购物的背景下，应该更加关注的是如何让顾客阅读评论之后就产生购买意愿。看图可以得知在一个产品中，比如在主流产品中，不管图片是什么背景，购买意愿都没有展现出很大的差异，一个是3.18一个是3.76，也就说图片背景并没有很显著的提高消费者的购买意愿。下面是两个实验的结果图。但是文章实在太缺乏表格数据了，看的太累了。

         同时文章还做了外延扩展，就是一个评论中有好多张图片，LLH代表两种low一张high的背景图，但是这也有点不合理，背景应该是一致的，谁会时空穿梭拍照来写评论呢。在主流产品中，三张评论全是高端背景确实可以提高消费者的购买意愿，但是在高端产品下，这种效应就不是很明显。

         虽然这篇文章也是研究在线评论图片的，但是我感觉还是太牵强了，看的我脑瓜子疼。

60.Analyzing online review helpfulness using a Regressional ReliefF-enhanced text mining method. （ACM Transactions on Management Information Systems (TMIS)）

         这篇文章从评论文本入手研究了在线评论有用性，这是一篇比较早的文章，文章基于词袋模型和词频模型，通过文本降维技术来提高了预测模型的表现，同时提取出了词袋中每个词语的相对重要性，这是这篇文章的主要贡献。

        文章将评论有用性问题视为一个回归问题，这篇文章发布的时间较早，当时应该还没有词嵌入的技术，因此大多数文本研究采用的是词袋模型，词袋模型的缺点就是模型特征的维度比较高，如果想要提高模型的表现以及处理速度，需要对特征进行降维。文章的因变量是连续性变量，因此传统的基于卡方、相关系数、信息熵、信息增益特征筛选的方法无法使用，文章采用了LSA、CFSbf、RReliefF的方法来进行特征的降维。同时Relieff的特征降维的方法和词袋模型的结合可以提取出每个词语的相对重要性。

        文章采用了亚马逊平台的书籍评论信息，爬取了7000左右的评论数据进行分析，基线模型是词袋模型（频率和是否出现），然后降维模型是采用了三种降维方法的模型，学习模型是SVR，然后用传统的回归评价方式进行评价。结果上看rrelieff的降维方法得到的结果是最理想的。同时根据降维方法提取出了每个词语的重要程度指标。

         可以看出重要的词语都是与评论者的情感以及与产品属性相关的词语，因此后面的研究多是从这两个方面入手进行的研究。