基于特征觀點對語義匹配的產品評論可信度研究

郝玫 馬建峰

摘 要：[目的/意義]針對產品評論中的復合句式，實現(xiàn)特征觀點對的語義匹配及提取，并明確評論可信度的識別因素及權重，對產品可信評論進行篩選和分析。[方法/過程]基于特征觀點對的語義匹配算法實現(xiàn)評論語義指標的量化計算，并采用模糊層次分析法確定可信度指標權重。[結果/結論]實驗表明相較于單句提取特征觀點對方法，特征觀點對的語義匹配算法在召回率、準確率和F-score等性能方面均有較大優(yōu)勢。依據(jù)可信度指標對網(wǎng)站產品評論進行篩選，不僅可以評估產品整體的評論可信度，還可以細化到產品特征級別的可信度分析，為用戶篩選可信的評論信息并提升購物決策效率。

關鍵詞：產品評論;評論可信度;特征觀點對;語義匹配;評論篩選

DOI：10.3969/j.issn.1008-0821.2019.06.011

〔中圖分類號〕TP391.1 〔文獻標識碼〕A 〔文章編號〕1008-0821（2019）06-0102-09

Abstract：[Purpose/Significance]In view of the compound sentence pattern in the product reviews，this paper realized the semantic matching and extraction of the feature opinion pairs，and made clear the indicators and weights of the reviews credibility so as to select and analyze the trusted reviews of the products.[Method/Process]Based on semantic matching algorithm of feature opinion pairs，we extracted the feature opinion pairs and calculated the semantic indicator of reviews，then used Fuzzy Analytic Hierarchy Process to determine the weight of indicators.[Result/Conclusion]The experiment showed that semantic matching algorithm of the feature opinion pairs had a great advantage on the performance of the recall，accuracy and F-score，compared with the method of extracting feature points from the single sentence.It could not only evaluate the credibility of the overall review of the product，but also could be refined to the reliability analysis of the product feature level.Meanwhile，it could screen credible reviews for users and improve the efficiency of shopping decisions.

Key words：product reviews;reviews credibility;feature opinion pair;semantic matching;reviews screening

隨著網(wǎng)絡購物的日益普及，在挑選商品前查看在線評論，成為多數(shù)用戶的消費習慣[1]。這不僅是因為網(wǎng)絡購物的虛擬特性，還因為客戶評論來源于購買者的真實體驗和對產品的全面評價[2-3]。然而，產品評論的數(shù)量龐大，評論質量良莠不齊，讓用戶逐條挑選可信評論很不現(xiàn)實。而且，銷售網(wǎng)站目前對產品評論的排序僅按照時間排序或文字數(shù)量排序，這些排序方法對于滿足用戶查看可信評論的需求還遠遠不夠。因此，針對產品評論的可信度研究一直受到很多學者的關注。

產品評論可信度研究主要分為評論可信度指標劃分和可信評論排序兩項任務[4-5]。從評論質量和評論效用的角度出發(fā)，產品評論的可信度指標研究通常分為評論元數(shù)據(jù)特征分析、評論語義特征分析和評論者分析[6]。其中，評論語義特征分析主要通過計算產品屬性情感詞在語句中所占比例來實現(xiàn)[7-8]，而產品評論中的屬性級別情感分析并不是一個簡單的詞語頻次計算，準確地對表達不規(guī)范的評論語句中的產品特征及對應觀點進行匹配，然后再對特征觀點對進行比例計算，才是對語句語義的準確分析。但是，現(xiàn)有的研究幾乎很少關注網(wǎng)絡評論表達隨意，句式構成復雜，特征觀點并不僅在單句中出現(xiàn)的情況，而且沒有從語句語法規(guī)則和句式依賴關系的分析出發(fā)，去提取產品特征觀點對，從而計算評論的語義可信度[9]。另外，在可信評論排序方面，目前研究方法中多數(shù)僅依據(jù)單項指標篩選可信評論而且對于評論語義內容較少關注，不能很好滿足客戶篩選評論的需求。事實上，綜合評論元數(shù)據(jù)特征、評論語義特征和評論者等多項可信度指標，并確定其權重，對產品評論進行可信度篩選，才能幫助用戶全面判定產品評論的質量，實現(xiàn)不僅從產品整體的粗粒度評價產品評論質量，而且細化到產品特征級別來識別產品評論質量。

為了解決以上問題，即一方面完善產品評論可信度的語義特征分析方法，另一方面，綜合多項可信度指標進行產品評論質量評價，本文將給出基于特征觀點對的語義匹配的產品評論可信度識別方法，采用句式劃分方法提取特征觀點對，實現(xiàn)評論情感可信度指標的量化計算;除評論語義指標外，引入評論者和評論元數(shù)據(jù)指標，應用模糊層次分析法并結合問卷調查，確定各項可信度指標權重;依據(jù)可信度指標對購物網(wǎng)站產品評論進行排序，評估各產品的評論可信度，并細化到產品特征級別的可信度分析，從而幫助用戶篩選可信評論。

1 相關研究

1.1 產品評論可信度指標劃分

關于產品評論可信度的概念，目前主要有兩類界定：一類認為評論可信度和評論內容完整性共同構成評論有用性，而評論可信度又包括專業(yè)性和可靠性[10];另一類認為評論可信度包括真實性和準確性[11]。國內外研究者依據(jù)評論可信度的這些概念，延伸出了評論可信度指標的劃分，并主要從評論本身和評論者兩個角度進行分析[12-13]。其中，評論本身的可信度指標包括評論元數(shù)據(jù)特征和評論文本語義特征[14-15]。評論內容的相關元數(shù)據(jù)主要是指評論發(fā)表時間、評論的字符串長度、得票數(shù)等，評論文本語義特征是指語法、語義、文體特征以及評論的情感特征[16]，評論情感特征通常表示為評論積極、消極詞匯比例，近期有學者提出將特征觀點對納入評論情感特征[9]。評論者的可信度特征則包括評論者信譽、年齡、評論者身份信息公開程度、評論者打分偏差以及評論者異常行為模式等。

除了劃分評論可信度的指標，針對各項指標對評論可信度的影響，國內外學者都展開了很多研究，例如，Lee S等[17]利用回歸模型驗證了評論長度和評論者信譽等級對評論有用性的正向影響。Li F等[18]發(fā)現(xiàn)僅通過評論內容情感還無法判斷評論的可信度，還需結合評論人特征。Mukherjee A等[14]比較了評論者特征和評論情感特征對于評論可信度的影響，認為基于評論者特征識別評論的可信度更優(yōu)。Gorla N等[19]認為信息質量涉及完整性、準確性和及時性3個維度，且評論可信度的及時性由評論發(fā)布時間決定。Cheung C等[20]提出評論時間即評論時效性是影響評論可信度的信息質量的重要因素。Zhang R等[21]提出評論評分和評論語義內容之間存在的不一致性，例如評分高但評論內容卻是負面的，所以，僅從評論元數(shù)據(jù)無法判定評論可信度，還需結合評論語義分析。Qiu L等[22]也提到了商家匯總后的評分會和具體評論的語義極性不一致的情況，通過實驗證明了針對產品特征的評論對評論可信度的正向影響。Mackiewicz J等[11]通過在線問卷的方式收集數(shù)據(jù)并驗證了評論語義極性與評論可信度正相關。吳江等[8]以信息采納理論和負面偏差理論為基礎，從評論者信度、評論信息質量、評論極性3個方面探究評論有用性投票影響因素。研究結果表明評論者有用性、評論信息量和評論文本消極傾向對評論有用性具有積極正向影響。王忠群等[9]認為特征觀點對作為一個整體，從語義角度比單獨分別抽取商品特征與觀點能夠獲取更為完整的用戶對商品的評論信息。

綜合以上研究結論，劃分評論可信度的指標需綜合評論者、評論時間以及評論文本語義3個方面的特征，才能從多方面反映產品評論的可信度，并且將評論文本語義特征細化到產品特征觀點是當前的研究趨勢。但是，現(xiàn)有研究針對特征觀點的提取還僅限于單句，而且考慮的句式關系和特征觀點對匹配形式單一，并不適用于網(wǎng)絡評論形式多樣、句式構成復雜和表達隨意的情況[9]。因此，復合句式中的特征觀點對的語義匹配將成為本文研究評論可信度語義指標的重點。

1.2 產品評論可信度識別

在劃分評論可信度指標的基礎上，對產品評論進行可信度識別，目前主要包括評論可信度分類、賣家信譽評價、虛假評論識別以及評論可信度排序幾個方面。例如，陳燕方[6]首先確定了10個產品評論的可信度影響因素，采用多分類支持向量機（DDAG-SVM）建立了在線評論可信度分類模型。王宇等[23]基于概念層次網(wǎng)絡（HNC）對用戶評論文本抽取主題詞，將主題詞進行聚類，從而構建商家信譽指標體系。陳燕方等[7]在評論文本語義特征中，增加產品屬性情感的離群度，并采用基于χ2統(tǒng)計量擴展的多元離群點檢測方法來衡量在線商品評論的可信度。吳江等[8]研究發(fā)現(xiàn)評論的長度不能代表評論有用信息量，只有評論中所包含的內容能夠集中代表其他用戶所反映的觀點，才認為該條評論所包含的信息是有效的，且該評論對消費者而言也越有用。王忠群等[9]提出主流特征觀點對的概念，即包含某個特征觀點對的評論數(shù)量大于閾值，則設定該特征觀點對為主流特征觀點對，同時給出在線商品評論可信度模型，提取單句評論的特征觀點對，根據(jù)評論中所包含的主流特征觀點對的數(shù)量，對在線評論的可信度進行計算排序。王倩倩[5]依據(jù)Hownet情感詞表，提取評論文本中的產品屬性情感，將文本型評論與數(shù)值型評論的一致性進行量化，結合其他可信度影響因素，提出一種在線商品評論信息可信度的排序方法。

依據(jù)目前關于評論可信度識別的現(xiàn)狀，不難發(fā)現(xiàn)，針對評論可信度排序的研究中，雖然已經將評論文本語義特征中的特征觀點對納入了評論可信度指標，但仍然存在兩點不足：一是沒有研究特征觀點對的準確語義匹配方法;二是很少結合其他評論元數(shù)據(jù)特征綜合分析評論可信度，而且對于可信度指標的權重賦值，也未從用戶角度進行評價，但事實上，用戶才是最有發(fā)言權的閱讀評論主體。因此，本文將采用模糊層次分析法，通過用戶問卷調查，獲取評論可信度指標權重，實現(xiàn)綜合評論時間、評論者和評論文本語義特征的評論可信度識別。

2 基于特征觀點對的語義匹配的產品評論可信度識別

基于特征觀點對的語義匹配的產品評論可信度識別主要分為4個部分：數(shù)據(jù)收集模塊、語義指標計算模塊、非語義指標計算模塊和產品評論可信度識別模塊。模型框架如圖1所示。

2.1 數(shù)據(jù)收集及預處理

采用網(wǎng)站數(shù)據(jù)采集程序GooSeeker，可以實現(xiàn)網(wǎng)站評論的數(shù)據(jù)抓取。主要步驟包括：1）網(wǎng)站網(wǎng)址加載，創(chuàng)建抓取規(guī)則，包括評論者等級、評論發(fā)布時間和評論內容;2）批量獲取XML數(shù)據(jù);3）將XML數(shù)據(jù)導入Excel文件，并按照產品型號和指標對評論進行分類和整理。

評論文本預處理采用NLPIR漢語分詞系統(tǒng)完成，主要包括中文分詞、詞性標注、詞頻統(tǒng)計和用戶自定義詞典。其中，詞頻統(tǒng)計能對文本中標注詞性的詞語進行頻數(shù)統(tǒng)計;用戶自定義詞典允許用戶自行添加詞語并標注詞性。對客戶評論進行文本預處理之后，將分詞及詞性標注結果生成候選詞集合，作為后階段建立特征集合和觀點詞集合的基礎。

2.2 語義指標計算

特征觀點對（Feature Opinion Pair，F(xiàn)OP）是評論中的產品特征及其評價觀點，也是評論挖掘的基本單位[24]。本文將特征觀點對作為評論可信度語義指標，其中，特征觀點對的語義匹配和指標計算是關鍵。區(qū)別于文獻[9]，本文考慮網(wǎng)絡評論表達隨意，句式構成復雜，特征觀點不只在單句中出現(xiàn)的情況，從語句語法規(guī)則和句式依賴關系的分析出發(fā)，提取產品特征觀點對。

2.2.1 特征觀點對的語義匹配

1）構建產品特征集合

構建產品特征集合需要經過3個步驟：

①在候選詞集合中基于閾值過濾得到高頻名詞和動詞，去除非領域特征詞;

②將同義詞劃分同義詞組;

③將網(wǎng)站產品參數(shù)合并入同義詞組。

2）構建觀點詞集合

本文建立的觀點詞典包括觀點詞、程度詞和反轉詞，構建過程分為4個步驟：

①建立觀點詞集。在候選詞集合中篩選觀點詞不僅考慮形容詞和副詞，同時還將沒有納入產品特征的名詞和動詞也進行識別;將篩選得到的詞匯與Hownet情感詞典進行比較，把屬于Hownet的詞匯加入觀點詞集，其余不屬于Hownet的詞匯留待②處理;

②建立觀點的程度詞集合。將步驟①未識別的詞匯與Hownet觀點程度詞集進行比較，把屬于Hownet的詞匯加入觀點的程度詞集合;

③增加反轉詞集合。將中文否定詞“不”、“不是”、“沒”和“沒有”加入反轉詞集合。

④完成以上步驟后，還剩余部分不屬于Hownet的詞匯，它們大多是網(wǎng)絡用語，例如“大愛”、“無語”等，對這些詞語進行情感分類并加入觀點詞集。

3）劃分特征觀點對句式

根據(jù)銷售網(wǎng)站用戶評論的表達形式，我們發(fā)現(xiàn)特征觀點對不僅出現(xiàn)在單條語句，而且還會分散在相鄰的語句序列，除此之外，特征觀點對的匹配形式也不限于一個特征對應一個觀點。因此，結合對用戶評論的大量分析，圍繞識別的當前特征的位置不同，而劃分出以下特征觀點對句式，如表1所示。

2.3 非語義指標計算

2.3.1 評論時間指標計算

在評論可信度的研究領域中，評論時效性是指在線評論的發(fā)布時間與用戶閱讀該評論的時間差值，時間差值越小，說明評論的時效性越高;差值越大，說明評論的時效性越低。隨著時間的推移，同種商品的評論會不斷增加，但是由于受到外界環(huán)境變化或者商品屬性的影響，發(fā)布時間較早的評論可信度會逐漸發(fā)生變化。此外，國內多數(shù)網(wǎng)絡購物平臺如京東、淘寶等按照評論發(fā)布時間來對某商品的評論進行排序，將發(fā)布時間越近的評論放在消費者更容易看到的位置，以便引起消費者的關注并幫助消費者獲得更有參考價值的信息。因此在考慮評論可信度的時候需要將評論時效性作為影響因素考慮，并且評論時效性會對評論可信度產生正向積極影響[19-20]。本文在量化評論時間指標時，計算評論發(fā)布時間與用戶閱讀時間差值并進行分組，時間差值與量化結果之間的對應關系見表4。由于無法預知用戶閱讀評論的時間，因此將某類商品中所有評論的最晚發(fā)布時間作為用戶閱讀評論的時間。

2.3.2 評論者指標計算

一般來說，評論者等級能夠體現(xiàn)消費者在某網(wǎng)絡購物平臺的購物經驗豐富程度，評論者等級越高，說明該消費者擁有越加豐富的網(wǎng)絡購物經驗，對商品的認知程度也就越高，該消費者所發(fā)布的評論就越具有參考價值，從而可以得出評論者等級對評論可信度的影響也是正向積極的[14，17-18]?？紤]到同一個網(wǎng)絡購物平臺上評論者等級有著明顯的區(qū)分，在量化評論者等級時，將評論者等級從低到高依次賦值。評論者等級與量化結果的對應關系見表5。

2.4 評論可信度識別

模糊層次分析法（FAHP）是對層次分析法（AHP）的改進，其思路是將AHP中的判斷矩陣轉換成模糊一致判斷矩陣[25]。本文采用FAHP計算評論可信度各指標相對權重，其步驟如下：

1）建立模糊互補矩陣

3 實證研究

3.1 實驗數(shù)據(jù)

為了獲得模糊互補矩陣，從相對重要性角度出發(fā)，本文設計有關評論可信度影響因素的兩兩評分的調查問卷，并且主要針對大學生這一類相對擁有豐富網(wǎng)絡購物經驗的群體發(fā)放問卷。發(fā)放問卷的形式分為網(wǎng)絡發(fā)放和紙質發(fā)放，網(wǎng)絡發(fā)放144份問卷，收回144份，其中有效144份;紙質發(fā)放200份問卷，收回191份，其中有效163份，即總共收回有效問卷307份。

本文抓取京東商城平板電腦的客戶評論作為實驗數(shù)據(jù)集，選擇17個品牌銷量排名1～2的產品評論，總共選取了28款產品，抓取的評論數(shù)量為39 721條。采用NLPIR漢語分詞系統(tǒng)完成評論文本預處理，包括中文分詞、詞性標注、詞頻統(tǒng)計和用戶自定義詞典。構建產品特征集合和觀點詞集合的部分步驟，以及特征觀點對的語義匹配算法均采用Visual Studio環(huán)境下的C#語言實現(xiàn)，數(shù)據(jù)庫采用SQL Server 2008實現(xiàn)。

3.2 實驗結果及分析

3.2.1 確定可信度指標權重

調查問卷中每兩項影響因素的比較評分采用5級評分：0.9表示前者比后者重要;0.7表示前者比后者較重要;0.5表示兩者等同重要;0.3表示前者比后者較不重要;0.1表示前者比后者不重要。根據(jù)收回的307份有效問卷，計算得到模糊互補矩陣A和模糊一致矩陣R如下所示：

3.2.2 FOP提取算法性能比較

將參考文獻[9]的FOP提取算法作為基準算法，進行實驗結果對比。實驗隨機選取平板電腦評論中的25條評論，評論中FOP出現(xiàn)在單句的統(tǒng)計情況如表7所示。同時還對單句內FOP是否為文獻[9]的SBV（主謂）結構進行了統(tǒng)計，可見FOP在復句內的比例為20.83%，而且單句內FOP不是SBV主謂結構的比例為21.05%，這也說明了本文算法的適用性。

3.2.3 評論可信度分析

實驗構建的平板電腦產品特征集合總共包括442個特征詞，分屬于31個同義詞組。建立的觀點詞典包括6 139個觀點詞、145個程度詞和4個反轉詞。評論可信度分析中，隨機選取28款產品中的5款產品，設置可信度綜合評分0.5作為篩選條件，對比各產品的評論可信度，具體見圖3。

對比5款產品的可信評論占比，可以發(fā)現(xiàn)，可信評論占比高的產品未必原始評論數(shù)量多，例如華為產品評論可信度大于0.5的評論占總體評論的52.88%，評論總數(shù)量為520條;而蘋果產品評論可信度大于0.5的評論占總體評論的32.75%，評論總數(shù)量為1 539條。當然，也有評論數(shù)量相對較多，而且評論可信度大于0.5的評論占比也較大的產品，例如微軟。所以這也表明，評論數(shù)量并不能反映產品評論可信程度。

同樣設置可信度綜合評分0.5作為篩選條件，并且在整體評論數(shù)據(jù)集中選擇頻率最高的5項特征，分別提取5款產品的FOP，根據(jù)提取的FOP數(shù)量變化分析產品特征級別的可信度，可以發(fā)現(xiàn)，華為產品的特征級別評論可信度最高，因為數(shù)據(jù)顯示5項特征的FOP數(shù)量沒有任何變化;而微軟產品的特征級別評論可信度也較高，5項特征的正面FOP數(shù)量減少的平均幅度為0.96%，5項特征的負面FOP數(shù)量減少的平均幅度為1.60%;相反，聯(lián)想產品的特征級別評論可信度最低，5項特征的正面FOP數(shù)量減少的平均幅度達到25.53%，負面FOP數(shù)量減少的平均幅度達到31.23%。

而且，對比圖3與表9，5款產品的整體評論可信度和產品特征級別可信度的排序基本還是一致的，圖3按產品整體可信評論占比從高到低排序是華為、微軟、三星、聯(lián)想和蘋果，表9按正負FOP在經過可信評論篩選后，其減少比例從低到高排序是華為、微軟、三星、蘋果和聯(lián)想。這也驗證了本文給出的評論可信度識別方法在整體和特征級別兩個層面都是合理和適用的。

4 結 語

本文綜合評論者、評論時間以及評論文本語義3個方面的指標識別評論可信度，其中，對于評論文本語義指標，選擇特征觀點對作為整體表達評論語義的單位。在考慮網(wǎng)絡評論表達隨意，句式構成復雜，以及特征觀點并不僅在單句中出現(xiàn)的情況，劃分了6種評論復合句式結構和3種特征觀點對匹配類型，在此基礎上給出了提取特征觀點對的語義匹配算法。實驗證明本文給出的算法在召回率、準確率和F值測評方面均優(yōu)于單句提取特征觀點對方法。而對于產品評論可信度識別方法，本文采用模糊層次分析法，通過對用戶展開問卷調查，獲取評論可信度指標的權重，實現(xiàn)綜合評論時間、評論者和評論文本語義特征的評論可信度識別。實驗分別對產品整體評論可信度和特征級別可信度進行排序，驗證了方法的適用性和一致性。本文的不足之處在于涉及的評論可信度的非語義指標還不全面，而且評論復合句式結構的劃分還沒有引入比較語句等復雜語義結構，這將是下一步研究的主要方向。

參考文獻

[1]中國互聯(lián)網(wǎng)絡信息中心.2015年中國互聯(lián)網(wǎng)絡發(fā)展狀況統(tǒng)計報告[EB/OL].http：//www.cnnic.net.cn，2016-06-22.

[2]Lee M，Youn S.Electronic Word of Mouth（eWOM）：How eWOM Platforms Influence Consumer Product Judgement[J].International Journal of Advertising，2009，28 （3）：473-499.

[3]Bickart B，Schindler R M.Internet Forums as Influential Sources of Consumer Information[J].Journal of Interactive Marketing，2001，15（3）：31-40.

[4]張薇薇，柏露.網(wǎng)絡評論可信度影響因素研究述評[J].情報理論與實踐，2016，39（6）：131-138.

[5]王倩倩.一種在線商品評論信息可信度的排序方法[J].情報雜志，2015，34（3）：181-185.

[6]陳燕方.基于DDAG- SVM 的在線商品評論可信度分類模型[J].情報理論與實踐，2017，40（7）：132-137.

[7]陳燕方，李志宇.基于評論產品屬性情感傾向評估的虛假評論識別研究[J].現(xiàn)代圖書情報技術，2014，（9）：81-90.

[8]吳江，劉彎彎.什么樣的評論更容易獲得有用性投票——以亞馬遜網(wǎng)站研究為例[J].數(shù)據(jù)分析與知識發(fā)現(xiàn)，2017，（9）：16-27.

[9]王忠群，吳東勝，蔣勝.一種基于主流特征觀點對的評論可信性排序研究[J].現(xiàn)代圖書情報技術，2017，1（10）：32-42.

[10]Weathers D，Swain S D，Grover V.Can Online Product Reviews Be More Helpful？Examining Characteristics of Information Content By Product Type[J].Decision Support Systems，2015，79：12-23.

[11]Mackiewicz J，Yeats D，Thornton T.The Impact of Review Environment on Review Credibility[J].IEEE Transactions on Professional Communication，2016，59 （2）：71-88.

[12]Jindal N，Liu B.Review Spam Detection[C].16th International World Wide Web Conference，WWW2007，Banff，Alberta，Canada，2007：1189-1190.

[13]Racherla P，F(xiàn)riske W.Perceived“Usefulness”of Online Consumer Reviews：An Exploratory Investigation Across Three Services Categories[J].Electronic Commerce Research & Applications，2012，11（6）：548-559.

[14]Mukherjee A，Venkataraman V，Liu B，et al.What Yelp Fake Review Filter Might Be Doing？[C].In：Proceedings of the 7th International Conference on Weblogs and Social Media.Palo Alto：AAAI Press，2013：409-418.

[15]Peng Q，Zhong M.Detecting Spam Review Through Sentiment Analysis[J].Journal of Software，2014，9（8）：2065-2072.

[16]孟美任，丁晟春.在線中文商品評論可信度研究[J].現(xiàn)代圖書情報技術，2013，（9）：60-66.

[17]Lee S，Choeh J Y.The Determinants of Helpfulness of Online Reviews[J].Behavior & Information Technonogy，2016，35（10）：853-863.

[18]Li F，Huang M，Yang Y，et al.Learning to Identify Review Spam[C].In：Proceedings of the 22nd International Joint Conference on Artificial Intelligence.AAAI Press，2011：2488-2493.

[19]Gorla N，Somers T M，Wong B.Organizational Impact of System Quality，Information Quality，and Service Quality[J].Journal of Strategic Information Systems，2010，19（3）：207-228.

[20]Cheung C M K，Thadani D R.The Impact of Electronic Word-of-mouth Communication：A Literature Analysis and Integrative Model[J].Decision Support Systems，2012，54：461-470.

[21]Zhang R，Gao M，He X，et al.Learning User Credibility for Product Ranking[J].Knowledge & Information Systems，2016，46 （3）：679-705.

[22]Qiu L，Pang J，Kai H L.Effects of Conflicting Aggregated Rating on eWOM Review Credibility and Diagnosticity：The Moderating Role of Review Valence[J].Decision Support Systems，2012，54（1）：631-643.

[23]王宇，李秀秀.基于電子商務評論的商家信譽維度構建[J].數(shù)據(jù)分析與知識發(fā)現(xiàn)，2017，（8）：59-67.

[24]Yin P，Wang，H W，Guo K Q.Feature-opinion Pair Identification of Product Reviews in Chinese：A Domain Ontology Modeling Method[J].New Review of Hypermedia and Multimedia，2013，19（1）：3-24.

[25]姚敏，黃燕君.模糊決策方法研究[J].系統(tǒng)工程理論與實踐，1999，（11）：61-70.

（責任編輯：孫國雷）