超越均值：用于预测客户满意度的动态框架
机器学习
2025-11-19 v1
摘要
在线评级影响客户决策，但标准聚合方法（如样本均值）无法适应随时间变化的质量，也忽略了评论的异质性（例如评论情感、评论的有用性）。为此，我们展示了使用高斯过程（GP）框架进行评级聚合的价值。具体而言，我们提出了一种量身定制的 GP 模型，既捕捉评级随时间的动态变化，又考虑评论的异质性。基于来自 Yelp 的 121,123 条评级，我们比较了不同评级聚合方法在预测未来评级中的预测能力，发现 GP 模型显著更准确，比样本均值将平均绝对误差降低 10.2%。我们的发现对营销实践者和客户都具有重要意义。通过超越均值，设计在线声誉系统的开发者可以显示更具信息性和适应性的聚合评级分数，这些分数是预期客户满意度的准确信号。
引用
@article{arxiv.2511.14743,
title = {Beyond Means: A Dynamic Framework for Predicting Customer Satisfaction},
author = {Christof Naumzik and Abdurahman Maarouf and Stefan Feuerriegel and Markus Weinmann},
journal= {arXiv preprint arXiv:2511.14743},
year = {2025}
}