在线消费者评论排序
信息检索
2019-01-21 v1 神经与进化计算
摘要
对于某些热门产品，在线发布的产品评论多达数百甚至数千条。处理如此大量且持续生成的在线内容对买家、卖家乃至研究人员都是一项极具挑战性的任务。本研究旨在利用预测的有用性评分对海量评论进行排序。该有用性评分是使用随机森林分类器和梯度提升回归器，从评论文本数据、产品描述数据以及客户问答数据中提取特征来预测的。系统通过随机森林分类器将评论分类为低质量或高质量。仅使用梯度提升回归器预测高质量评论的有用性评分。低质量评论的有用性评分不予计算，因为它们永远不会进入前 k 条评论之列。它们仅被添加至评论列表网站评论列表的末尾。所提出的系统在评论列表页面上提供了公平的评论排布，并使所有高质量评论置顶展示于客户可见处。基于两个印度热门电商网站数据的实验结果验证了我们的主张，因为有 3-4 条新的高质量评论连同 5-6 条旧评论一起被排入了前十名评论之列，具体取决于评论有用性。我们的研究结果表明，纳入来自产品描述数据和客户问答数据的特征提高了有用性评分的预测准确率。
引用
@article{arxiv.1901.06274,
title = {Ranking Online Consumer Reviews},
author = {Sunil Saumya and Jyoti Prakash Singh and Abdullah Mohammed Baabdullah and Nripendra P. Rana and Yogesh k. Dwivedi},
journal= {arXiv preprint arXiv:1901.06274},
year = {2019}
}