论文部分内容阅读
摘要： 用户问答作为产品口碑的新型定性化体现，一经推出迅速成为各大电商平台的热点。文章以网购平台中服装产品的用户问答为切入点，构建BP神经网络分析产品月销量的关键影响因素，对电商平台管理、店铺经营具有实践意义。借助分析工具对用户问答数据内容进行挖掘，构建用户问答效价词典，并建立用户问答相关变量与产品月销量的BP神经网络模型进行实证分析。神经网络仿真结果表明，各相关变量对月销量存在不同程度的影响，用户问答数量正向影响月销量，用户问答类型中的关键影响因素为属性型回答。
关键词： 用户问答;在线评论;文本分析;情感分析;BP神經网络;产品月销量
中图分类号： TS941.1
文献标志码： A
文章编号： 1001-7003（2021）05-0070-06
引用页码： 051111
DOI： 10.3969/j.issn.1001-7003.2021.05.011（篇序）
Abstract： As a new qualitative embodiment of product reputation， customers questions and answers（Q & As） has quickly become a hot spot on major e-commerce platforms once launched. This paper takes the customers Q & As in the online shopping platform as the entry point to build a BP neural network to discuss the key influence on the sales volume. By using the text analysis tools to mine the content of customers Q & As data， construct user Q & As valence dictionary， and establish the BP neural network model of cutomers Q & As related variables and monthly product sales for empirical analysis. The results of neural network simulation show that the relevant variables have different degrees of influence on the monthly sales volume， the number of user questions positively influences the monthly sales volume， and the key influencing factor of user questions type is attribute answers.
Key words： customers Q & As; online reviews; text analysis; sentiment analysis; BP neural network; monthly sales of products
随着互联网的普及和飞速发展，网络购物成为大众主流的消费方式。传统网络购物过程中，消费者通常通过在线评论来预测和判断商品的质量与口碑[1-3]。然而商品口碑包含多个方面，如品牌、店铺信誉等都对消费者的购买行为产生重要的影响[4]。研究发现，口碑丰富能够更好迎合顾客需求的多样性，因此网络平台也推出了更多新的功能板块来完善客服体验[5]，如淘宝网在商品详情页所推出的“问大家”和京东商城的“问答”板块，通过用户问答（Customer Q & As）建立起一个用户直接传播口碑的平台[6]。通过该板块，潜在消费者可以就产品感兴趣的方面向已购买产品的消费者发出提问，淘宝后台邀请买家进行回答，消费者根据买家回答再进行购买决策。已有学者证明，用户问答作为新的口碑表现形式对消费者购买意愿存在重要影响[6-7]。然而目前针对用户问答的研究主要集中在知识社区中的问答行为分析[8]，另一方面针对产品网络口碑的研究多集中在在线评论与追评上[9-10]，但对于电商情境下用户问答评论对产品销量影响的研究较少。鉴于此，本文构建了网络用户问答数据神经网络模型，利用网络爬取的服饰类商品“问大家”板块评论数据训练神经网络，通过月销量的变化，分析研究用户问答评价对产品月销量的影响。
1 文献回顾与研究假设
针对基于神经网络的月销量影响研究，本文从用户问答、评论内容类型与在线评论三个方面进行文献梳理，并建立各自的研究假设。
1.1 用户问答
对于在线评论的研究，学者们普遍认为在线评论数量正向影响顾客购买意愿[9-11]。而董京京等[12]认为顾客间的信息互动正向影响产品的促销，用户问答作为继在线评论后消费者另一重要信息来源，有效地搭建了一个顾客间进行信息互动的平台。据研究统计，淘宝网每天有3 000万的消费者依靠问答信息进行消费决策，通过大数据匹配，超60%的问题可以在10 min内被买家回复[6]。用户问答作为一种产品口碑新形式，越发深刻影响顾客的购买决策。基于此，本文提出以下假设：
H1：用户提问数量显著影响产品月销量。
H2：用户回答数量正向影响产品月销量。
1.2 属性型评论和体验型评论
现有研究将在线评论划分为对产品本身特征评价的属性型评论和消费者对产品使用体验评价的体验型评论两种类型[13-14]。Park等[14]认为属性型评论的客观逻辑性和说服力更强;而Huang等[15]认为主观的体验型评论对消费者的感知有用性具有正向影响，具有更高的信息价值。根据此，可推断用户回答中的评论属性同样影响消费者购买行为，且由于服装作为体验型产品具有虚拟交易性和快销性[16]，在产品质量得到保证的情况下，涉及感受的主观体验型评论能帮助消费者更好地可视化产品[17]，在满足对消费者购买意愿影响更大。对于评论效价的分析，郑丽娟等[18]认为一个商品评论的情感本体由特征观点对和观点次情感组成，构建情感本体可以有效地判断用户对产品的态度。蔡庆平等[19]通过建立基于Word2Vec和CNN的细粒度情感分析模型，实现产品特征聚类，研判了用户对产品特征的关注度和满意度。因此，对于用户问答的类型与效价分析是研究服装产品销量时的一项重要工作，由此提出以下假设： H3a：正面体验型回答比正面属性型回答对月销量产生更积极影响。
H3b：负面属性型回答比负面体验型回答对月销量产生更消极影响。
1.3 在线评论
在线评论的数量通常是产品流行程度的一种体现，更是网络口碑的体现，能够减少消费者在购买时承担风险的不舒服感[20]。产品的在线评论有正面和负面之分，即评论效价。有学者认为，负面评价所产生的负面影响大于正面评价所带
来的积极影响，即“负面偏差”效应[21]。国内外研究普遍认为评论的效价正向影响购买意愿[9，22]。然而，曹裕等[23]针对休闲食品评论效价分析发现，由于食品的特殊性，判断往往取决于消费者的口味和文化习惯等，进而认为评论效价对食品购买决策无显著影响。尹春丽等[24]通过在线评论数据挖掘，细化了在线评论中的不同产品特征对消费者满意度的影响。更有学者探讨了在线评论与用户问答的交互影响，严建援等[6]认为用户问答与在线评论的内容产生矛盾时，用户问答会对消费者产品态度产生削弱效果。综上可见，在线评论的数量和正负对服装产品的月销量存在重要的影响，基于服装产品的特殊性，本文提出如下假设：
H4：在线评论数量显著影响产品月销量。
H5：负面评论比例对用户问答影响月销量的调节作用显著。
通过对现有文献的梳理可以发现，对于网络口碑的研究主要以在线评论研究为主，探究在线评论不同相关变量对消费者购买意愿及产品销量的影响，而用户问答作为产品口碑新型定性化体现，其对产品销量影响的研究仍为空白。本文选择产品月销量为因变量，通过网络爬虫提取用户问答相关变量，利用神经网络研究各变量间的非线性关系，以期达到帮助电商平台调整管理策略，增加产品销量的目的。
2 研究设计
2.1 数据收集与处理
本文选取服装行业，因其具有店铺多元化和产品多样性的特点，以此为案例进行分析具有代表性和推广性。考虑到服装产品的季节性和女性服装的多样性，针对秋季女装，本文于2020年8月16日从淘宝客户端选择83家知名度较高的原创女装店铺销量前三的秋季产品248件，产品类型包括外套、上衣、下装，爬取了产品详情中“问大家”板块的问题39 520条，回答113 248条。样本店铺秋季女装产品提问数量及回答数量用SPSS19.0做描述性统计，结果如表1所示。
2.2 用户问答类型效价分析
2.2.1 商品提问类型分析
利用NLPIR-ICTCLAS汉语分词系统对商品提问进行关键词提取，该分词软件主要采用交叉信息熵的方法来进行关键词提取，且可以通过交叉熵值自动计算词汇权重并按权重进行排序。对提取到的数据进行清洗，剔除无意义词语后得到服装产品提问的关键词，选取分词软件计算所得权重为前10的文本进行展示，结果如表2所示。
由表2可以发现，用户更加关注的是自己身高体重对应的衣服尺码，通过统计该类型提问共有13 220条，约占总数的33%，且该类型提问往往是消费者已有购买倾向，为了更好地购买到合适尺码而提出，故不再将其归入影响购买意愿的因素中。对于剩下的26 300条用户提问，为明确其属性型和体验型的构成，邀请两名研究助理先熟悉消费者对属性型评论和体验型评论的界定，然后完成对用户问答类型的判断工作。通过分析整合判断结果，本文发现在用户问答中，属性型问答略高于体验型问答，数量为12 624条，约占总数的48%，体验型问答数量为8 679条，约占总数的33%，另有3%的问答同时包含体验内容和属性内容，还有16%问答涉及其他问题的解答。
2.2.2 商品回答效价分析
用户问答文本效价分析即通过对带有商品特征、个人感情色彩的消费者评论进行分词、归纳和情感词分析，来判断已购消费者对产品的态度。由于用户问答是采用“提问+回答”的形式，且没有具体的评论效价分类，因此针对两种类型的用户问答进行情感分析来判断二者的评论效价。本文构建面向服装产品用户问答的情感本体，进而判断用户问答效价。步骤如下：
1）特征观点对提取。通过NLP-ICTCLAS系统对商品提问进行分词和标注，提取可表示商品特征的动词、名词、副词及形容词。对于提取出的商品特征词进行词频统计，选择高频词语利用Chameleon算法进行聚类，得出關于商品特征观点对，并将提取出的商品特征对记为Aj，代表商品的第j个特征。
2）商品回答效价词典的构建。商品问答效价有正负之分，对于在商品提问中所提取出的商品特征预定义评论效价，然后从商品特征对应的回答中提取的情感观点词与预定义的属性评论效价参照词比对，依据同义词合并的规则，确定提取的情感词归属效价，进而建立商品问答效价词典并按问答类型进行分类，再计算属性型问答与体验型问答正负比例。具体构建过程：
3）用户问答效价数量统计。基于用户问答效价词典的识别结果，分别统计正面属性型问答、负面属性型问答、正面体验型问答及负面体验型问答的数量，预期通过不同类型用户问答效价的数量分析对月销量的影响。
2.3 变量描述及统计分析
消费者会综合考虑产品的详情介绍、在线评论、用户问答及店铺评价等信息来做出购买决策，而消费者的购买决策会直接影响产品的销量。因此，本文选取的自变量分为用户问答相关变量、在线评论相关变量与店铺评价相关变量。其中，店铺评价相关变量中的店铺动态评分取近6个月来消费者对店铺产品描述相符情况的评分，高于同行业水平取正，低于同行业水平取负。变量信息及描述性统计如表4所示。
通过表4可以发现，各研究变量中普遍存在数据分布较为离散的情况，且多个变量（如月销量/件）存在均值低于标准差的现象，分析认为是由于不同店铺及不同产品之间受其上架时间、产品质量、店铺宣传、店铺人气等影响而导致本文所选取产品各项研究数据变异程度过大，分散严重情况的出现。 3 实证分析
3.1 神经网络设计
为探究月销量与用户问答之间的关系，针对前文选取的变量，本文使用神经网络代替传统回归分析方法进行变量影响敏感度分析。根据本文变量选取，设置BP神经网络输入节点数为10，输出节点数为1;在确定隐含层节点数量时，利用公式如下：
式中：m为隐含层节点数，n为输入层节点数，α为1～10的常数。
取初始隐含层节点为5，然后逐渐增加1个节点，用同一组数据进行训练，结果表明当隐含层节点数为6时，神经网络足够复杂，且实验数据集不会对网络模型造成额外误差。最后，本文初始权值设为（-1，1）之间的随机值，利用Delta学习规则调整节点连接权值并逐渐减少误差，选取tan-sigmoid作为隐含层和输出层激活函数。
本文构建的BP神经网络模型，如图1所示。
3.2 神经网络分析
为了避免模型过度拟合，本文采用十折交叉验证（10-Fold Cross Validation）法，将90%数据用于训练网络，10%数据用于测量网络的预测精度，并进行10次十折交叉验证求均值，来测试模型拟合结果。在训练前设置网络期望误差为0.003，最大迭代次数为2 000，训练得到10组神经网络仿真误差RMSE统计结果，如表5所示。
由表5统计结果可知，仿真训练组和精度测试组的误差均值与误差标准差都较小，且训练组的RMSE均值为0.062 5，测试组的RMSE均值为0.063 2，二者十分接近。对两组RMSE数据进行双样本t检验，发现两个样本的网络RMSE之间没有影响。因此，本文确定建立的神经网络预测输入变量与输出变量之间的关系是可靠的。
3.3 变量敏感度分析
BP神经网络的各层神经元连接强度用权值大小来表示，在神经网络训练过程中通过系统误差反向传播给前一层神经元来不断修正神经元之间的连接权重。当神经网络训练完成后，利用隐含层到输出层权值乘以输入层到隐含层权值可得到输入变量对于输出变量的重要性程度矩阵，取重要性程度的均值即为输入变量对输出变量的敏感度。本文的10次神经网络训练所得产品变量对月销量的敏感度如表6所示。
由表6可以看出，對于服装产品月销量而言，在用户问答的相关变量中，用户提问数量与回答数量的重要性程度分别为9.28%与9.45%，都显著影响了产品月销量，因此假设H1、H2得到验证。对于用户问答内容的类型来看，负面属性型回答重要度为10.50%，负面体验型回答重要度为3.16%，因此在负面回答对于产品月销量的消极影响中，属性型回答比体验性回答产生了更消极的影响，因此假设H3b成立;而正面属性型回答的重要度为7.42%，正面体验型回答的重要度为583%，在正面回答对产品月销量的积极影响中，属性型回答比体验型回答产生了更积极的影响，原假设H3a不成立，故拒绝。在线评论的相关变量中以在线评论的数量对月销量影响最为显著，其重要度为24.67%，因此假设H4成立;在线评论差评比例的重要度为8.78%，也能够显著影响产品月销量，故假设H5成立。在店铺评价相关变量中，店铺粉丝数量的重要度为11.72%，也会显著影响产品月销量，是值得关注的影响因素。
4 结 论
针对目前关于产品口碑方面的研究，多数只针对在线评论单一因素的网络口碑形式进行研判产品销量变化的现状。本文在理论层面通过建立基于神经网络的月销量影响模型，为多变量间的回归关系研究提供了新的视角。通过将用户问答、在线评论、店铺评价三种口碑形式结合，构建月销量的神经网络模型，为网络口碑形式的研究提供了新的思路。在实证层面，本文基于电商平台的用户问答数据，结合产品在线评论与店铺评价信息，对神经网络模型进行了实证研究，并对三种口碑形式的重要性程度做出了描述，为电商平台与店铺经营者对如何建设、利用好网络口碑宣传形式给出了建议。
本文在研究网购平台用户问答对购买意愿的影响时只考虑了正面与负面的用户问答对产品销量的影响，未考虑中性评价是否对销量产生显著作用，未考虑在线评论与用户问答对消费者购买意愿的组合效应影响，以及卖家人工操控用户问答模块对消费者产生的影响，这是日后有待改进的方向。
参考文献：
[1]DOGAN G. A critical review of determinants of information search behavior and utilization of online reviews in decision making process[J]. International Journal of Hospitality Management， 2018， 76： 53-60.
[2]ZHENG Xiang. From digitization to the age of acceleration： on information technology and tourism[J]. Tourism Management Perspectives， 2017： S221197361730137X.
[3]ZHENG Xiang， ULRIKE Gretzel. Role of social media in online travel information search[J]. Tourism Management， 2010， 31（2）： 179-188.
[4]PARK J H， GU B， LEE H Y. The relationship between retailer-hosted and third-party hosted WOM sources and their influence on retailer sales[J]. Electronic Commerce Research & Applications， 2012， 11（1-6）： 253-261. [5]HUANG N， HONG Y， BURTCH G. Social network integration and user content generation： evidence from natural experiments[J]. MIS Quarterly， 2017， 41（4）： 1035-1058.
[6]严建援， 李扬， 冯淼， 等. 用户问答与在线评论对消费者产品态度的交互影响[J]. 管理科学， 2020， 33（2）： 102-113.
YAN Jianyuan， LI Yang， FENG Miao， et al. Interaction effects of customer Q&As and online reviews on consumer product attitudes[J]. Journal of Management Science， 2020， 33（2）： 102-113.
[7]石文华， 蔡嘉龙， 绳娜， 等. 探究学习与在线评论对消费者购买意愿的影响[J]. 管理科学， 2020， 33（3）： 112-123.
SHI Wenhua， CAI Jialong， SHENG Na， et al. Effect of inquiry learning versus online reviews on consumers’ purchase intention[J]. Journal of Management Science， 2020， 33（3）： 112-123.
[8]吴雅威， 张向先， 陶兴， 等. 基于用户感知的学术问答社区答案质量评价指标构建[J]. 情报科学， 2020， 38（10）： 141-147.
WU Yawei， ZHANG Xiangxian， TAO Xing， et al. Construction of answer quality evaluation index based on user perception of academic question and answer community[J]. Imformation Science， 2020， 38（10）： 141-147.
[9]杜學美， 丁璟妤， 谢志鸿， 等. 在线评论对消费者购买意愿的影响研究[J]. 管理评论， 2016， 28（3）： 173-183.
DU Xuemei， DING Jingyu， XIE Zhihong， et al. An empirical study on the impact of online reviews on consumers’ purchasing intention[J]. Management Review， 2016， 28（3）： 173-183.
[10]杨楠. 矛盾性追评对顾客购买行为的影响： 以服装产品为例[J]. 中南大学学报（社会科学版）， 2019， 25（2）： 98-104.
YANG Nan. Impact of contradictory additional comments on customer purchase behavior： taking clothing products as an example[J]. Journal of Central South University（Social Sciences）， 2019， 25（2）： 98-104.
[11]LEE J， PARK D， HAN I. The different effects of online consumer reviews on consumers purchase intentions depending on trust in online shopping malls an advertising perspective[J]. Internet Research， 2011， 21（2）： 187-206.
[12]董京京， 许正良， 方琦， 等. 虚拟品牌社区顾客间互动对其产品创新行为的影响[J]. 技术经济， 2019， 38（8）： 48-54.
DONG Jingjing， XU Zhengliang， FANG Qi， et al. Influence of customer-to-customer interactions on product innovation behavior in virtual brand community[J]. Journal of Technology Economics， 2019， 38（8）： 48-54.
[13]LUAN J， YAO Z， ZHAO F T， et al. Search product and experience product online reviews： an eye-tracking study on consumers’ review search behavior[J]. Computers in Human Behavior， 2016， 65： 420-430.
[14]PARK D H， LEE J. EWOM overload and its effect on consumer behavioral intention depending on consumer involvement[J]. Electronic Commerce Research and Applications， 2009， 7（4）： 386-398. [15]HUANG L， TAN C H， KE W， et al. Comprehension and assessment of product reviews： a review-product congruity proposition[J]. Journal of Management Information Systems， 2013， 30（3）： 311-343.
[16]李亚东， 李静， 张炎亮. 服饰类网上店铺新产品预告对首周销量的影响关系研究[J]. 丝绸， 2019， 56（11）： 46-52.
LI Yadong， LI Jing， ZHANG Yanliang. Research on the impact of new product preannouncement of online clothing store on first week sales volume[J]. Journal of Silk， 2019， 56（11）： 46-52.
[17]FRANKE G R， HUHMANN B A， MOTHERSBAUGH D L. Information content and consumer readership of print ads： a comparison of search and experience products[J]. Journal of the Academy of Marketing Science， 2004， 32（1）： 20-31.
[18]郑丽娟， 王洪伟. 基于情感本体的在线评论情感极性及强度分析： 以手机为例[J]. 管理工程学报， 2017， 31（2）： 47-54.
ZHENG Lijuan， WANG Hongwei. Sentimental polarity and strength of online cellphone reviews based on sentiment ontology[J]. Journal of Industrial Engineering and Engineering Management， 2017， 31（2）： 47-54.
[19]蔡庆平， 马海群. 基于Word2Vec和CNN的产品评论细粒度情感分析模型[J]. 图书情报工作， 2020， 64（6）： 49-58.
CAI Qingping， MA Haiqun. A fine-grained sentiment analysis model for product reviews based on Word2Vec and CNN[J]. Library and Information Service， 2020， 64（6）： 49-58.
[20]FRANCIS A B. Word of mouth： understanding and managing referral marketing[J]. Journal of Strategic Marketing， 1998， 6（3）： 241-254.
[21]SENECAL S， NANTEL J. The influence of online product recommendations on consumers’ online choices[J]. Journal of Retailing， 2004， 80（2）： 159-169.
[22]HERR P M， KARDES F R， JOHN K. Effects of word-of-mouth and product-attribute information on persuasion： an accessibility-diagnosticity perspective[J]. Journal of Consumer Research， 1991（4）： 454-462.
[23]曹裕， 李青松， 萬光羽. 在线评论对消费者休闲食品购买决策影响研究[J]. 管理评论， 2020， 32（3）： 157-166.
CAO Yu， LI Qingsong， WAN Guangyu. The influence of online reviews on consumers’ decision to buy leisure foods[J]. Management Review， 2020， 32（3）： 157-166.
[24]尹丽春， 王悦. 基于在线评论的图书消费者满意度影响因素与作用机理[J]. 图书情报工作， 2019， 63（22）： 106-117.
YIN Lichun， WANG Yu. Influencing factors and mechanism of book consumer satisfaction based on online comments[J]. Library and Information Service， 2019， 63（22）： 106-117.
关键词： 用户问答;在线评论;文本分析;情感分析;BP神經网络;产品月销量
中图分类号： TS941.1
文献标志码： A
文章编号： 1001-7003（2021）05-0070-06
引用页码： 051111
DOI： 10.3969/j.issn.1001-7003.2021.05.011（篇序）
Abstract： As a new qualitative embodiment of product reputation， customers questions and answers（Q & As） has quickly become a hot spot on major e-commerce platforms once launched. This paper takes the customers Q & As in the online shopping platform as the entry point to build a BP neural network to discuss the key influence on the sales volume. By using the text analysis tools to mine the content of customers Q & As data， construct user Q & As valence dictionary， and establish the BP neural network model of cutomers Q & As related variables and monthly product sales for empirical analysis. The results of neural network simulation show that the relevant variables have different degrees of influence on the monthly sales volume， the number of user questions positively influences the monthly sales volume， and the key influencing factor of user questions type is attribute answers.
Key words： customers Q & As; online reviews; text analysis; sentiment analysis; BP neural network; monthly sales of products
随着互联网的普及和飞速发展，网络购物成为大众主流的消费方式。传统网络购物过程中，消费者通常通过在线评论来预测和判断商品的质量与口碑[1-3]。然而商品口碑包含多个方面，如品牌、店铺信誉等都对消费者的购买行为产生重要的影响[4]。研究发现，口碑丰富能够更好迎合顾客需求的多样性，因此网络平台也推出了更多新的功能板块来完善客服体验[5]，如淘宝网在商品详情页所推出的“问大家”和京东商城的“问答”板块，通过用户问答（Customer Q & As）建立起一个用户直接传播口碑的平台[6]。通过该板块，潜在消费者可以就产品感兴趣的方面向已购买产品的消费者发出提问，淘宝后台邀请买家进行回答，消费者根据买家回答再进行购买决策。已有学者证明，用户问答作为新的口碑表现形式对消费者购买意愿存在重要影响[6-7]。然而目前针对用户问答的研究主要集中在知识社区中的问答行为分析[8]，另一方面针对产品网络口碑的研究多集中在在线评论与追评上[9-10]，但对于电商情境下用户问答评论对产品销量影响的研究较少。鉴于此，本文构建了网络用户问答数据神经网络模型，利用网络爬取的服饰类商品“问大家”板块评论数据训练神经网络，通过月销量的变化，分析研究用户问答评价对产品月销量的影响。
1 文献回顾与研究假设
针对基于神经网络的月销量影响研究，本文从用户问答、评论内容类型与在线评论三个方面进行文献梳理，并建立各自的研究假设。
1.1 用户问答
对于在线评论的研究，学者们普遍认为在线评论数量正向影响顾客购买意愿[9-11]。而董京京等[12]认为顾客间的信息互动正向影响产品的促销，用户问答作为继在线评论后消费者另一重要信息来源，有效地搭建了一个顾客间进行信息互动的平台。据研究统计，淘宝网每天有3 000万的消费者依靠问答信息进行消费决策，通过大数据匹配，超60%的问题可以在10 min内被买家回复[6]。用户问答作为一种产品口碑新形式，越发深刻影响顾客的购买决策。基于此，本文提出以下假设：
H1：用户提问数量显著影响产品月销量。
H2：用户回答数量正向影响产品月销量。
1.2 属性型评论和体验型评论
现有研究将在线评论划分为对产品本身特征评价的属性型评论和消费者对产品使用体验评价的体验型评论两种类型[13-14]。Park等[14]认为属性型评论的客观逻辑性和说服力更强;而Huang等[15]认为主观的体验型评论对消费者的感知有用性具有正向影响，具有更高的信息价值。根据此，可推断用户回答中的评论属性同样影响消费者购买行为，且由于服装作为体验型产品具有虚拟交易性和快销性[16]，在产品质量得到保证的情况下，涉及感受的主观体验型评论能帮助消费者更好地可视化产品[17]，在满足对消费者购买意愿影响更大。对于评论效价的分析，郑丽娟等[18]认为一个商品评论的情感本体由特征观点对和观点次情感组成，构建情感本体可以有效地判断用户对产品的态度。蔡庆平等[19]通过建立基于Word2Vec和CNN的细粒度情感分析模型，实现产品特征聚类，研判了用户对产品特征的关注度和满意度。因此，对于用户问答的类型与效价分析是研究服装产品销量时的一项重要工作，由此提出以下假设： H3a：正面体验型回答比正面属性型回答对月销量产生更积极影响。
H3b：负面属性型回答比负面体验型回答对月销量产生更消极影响。
1.3 在线评论
在线评论的数量通常是产品流行程度的一种体现，更是网络口碑的体现，能够减少消费者在购买时承担风险的不舒服感[20]。产品的在线评论有正面和负面之分，即评论效价。有学者认为，负面评价所产生的负面影响大于正面评价所带
来的积极影响，即“负面偏差”效应[21]。国内外研究普遍认为评论的效价正向影响购买意愿[9，22]。然而，曹裕等[23]针对休闲食品评论效价分析发现，由于食品的特殊性，判断往往取决于消费者的口味和文化习惯等，进而认为评论效价对食品购买决策无显著影响。尹春丽等[24]通过在线评论数据挖掘，细化了在线评论中的不同产品特征对消费者满意度的影响。更有学者探讨了在线评论与用户问答的交互影响，严建援等[6]认为用户问答与在线评论的内容产生矛盾时，用户问答会对消费者产品态度产生削弱效果。综上可见，在线评论的数量和正负对服装产品的月销量存在重要的影响，基于服装产品的特殊性，本文提出如下假设：
H4：在线评论数量显著影响产品月销量。
H5：负面评论比例对用户问答影响月销量的调节作用显著。
通过对现有文献的梳理可以发现，对于网络口碑的研究主要以在线评论研究为主，探究在线评论不同相关变量对消费者购买意愿及产品销量的影响，而用户问答作为产品口碑新型定性化体现，其对产品销量影响的研究仍为空白。本文选择产品月销量为因变量，通过网络爬虫提取用户问答相关变量，利用神经网络研究各变量间的非线性关系，以期达到帮助电商平台调整管理策略，增加产品销量的目的。
2 研究设计
2.1 数据收集与处理
本文选取服装行业，因其具有店铺多元化和产品多样性的特点，以此为案例进行分析具有代表性和推广性。考虑到服装产品的季节性和女性服装的多样性，针对秋季女装，本文于2020年8月16日从淘宝客户端选择83家知名度较高的原创女装店铺销量前三的秋季产品248件，产品类型包括外套、上衣、下装，爬取了产品详情中“问大家”板块的问题39 520条，回答113 248条。样本店铺秋季女装产品提问数量及回答数量用SPSS19.0做描述性统计，结果如表1所示。
2.2 用户问答类型效价分析
2.2.1 商品提问类型分析
利用NLPIR-ICTCLAS汉语分词系统对商品提问进行关键词提取，该分词软件主要采用交叉信息熵的方法来进行关键词提取，且可以通过交叉熵值自动计算词汇权重并按权重进行排序。对提取到的数据进行清洗，剔除无意义词语后得到服装产品提问的关键词，选取分词软件计算所得权重为前10的文本进行展示，结果如表2所示。
由表2可以发现，用户更加关注的是自己身高体重对应的衣服尺码，通过统计该类型提问共有13 220条，约占总数的33%，且该类型提问往往是消费者已有购买倾向，为了更好地购买到合适尺码而提出，故不再将其归入影响购买意愿的因素中。对于剩下的26 300条用户提问，为明确其属性型和体验型的构成，邀请两名研究助理先熟悉消费者对属性型评论和体验型评论的界定，然后完成对用户问答类型的判断工作。通过分析整合判断结果，本文发现在用户问答中，属性型问答略高于体验型问答，数量为12 624条，约占总数的48%，体验型问答数量为8 679条，约占总数的33%，另有3%的问答同时包含体验内容和属性内容，还有16%问答涉及其他问题的解答。
2.2.2 商品回答效价分析
用户问答文本效价分析即通过对带有商品特征、个人感情色彩的消费者评论进行分词、归纳和情感词分析，来判断已购消费者对产品的态度。由于用户问答是采用“提问+回答”的形式，且没有具体的评论效价分类，因此针对两种类型的用户问答进行情感分析来判断二者的评论效价。本文构建面向服装产品用户问答的情感本体，进而判断用户问答效价。步骤如下：
1）特征观点对提取。通过NLP-ICTCLAS系统对商品提问进行分词和标注，提取可表示商品特征的动词、名词、副词及形容词。对于提取出的商品特征词进行词频统计，选择高频词语利用Chameleon算法进行聚类，得出關于商品特征观点对，并将提取出的商品特征对记为Aj，代表商品的第j个特征。
2）商品回答效价词典的构建。商品问答效价有正负之分，对于在商品提问中所提取出的商品特征预定义评论效价，然后从商品特征对应的回答中提取的情感观点词与预定义的属性评论效价参照词比对，依据同义词合并的规则，确定提取的情感词归属效价，进而建立商品问答效价词典并按问答类型进行分类，再计算属性型问答与体验型问答正负比例。具体构建过程：
3）用户问答效价数量统计。基于用户问答效价词典的识别结果，分别统计正面属性型问答、负面属性型问答、正面体验型问答及负面体验型问答的数量，预期通过不同类型用户问答效价的数量分析对月销量的影响。
2.3 变量描述及统计分析
消费者会综合考虑产品的详情介绍、在线评论、用户问答及店铺评价等信息来做出购买决策，而消费者的购买决策会直接影响产品的销量。因此，本文选取的自变量分为用户问答相关变量、在线评论相关变量与店铺评价相关变量。其中，店铺评价相关变量中的店铺动态评分取近6个月来消费者对店铺产品描述相符情况的评分，高于同行业水平取正，低于同行业水平取负。变量信息及描述性统计如表4所示。
通过表4可以发现，各研究变量中普遍存在数据分布较为离散的情况，且多个变量（如月销量/件）存在均值低于标准差的现象，分析认为是由于不同店铺及不同产品之间受其上架时间、产品质量、店铺宣传、店铺人气等影响而导致本文所选取产品各项研究数据变异程度过大，分散严重情况的出现。 3 实证分析
3.1 神经网络设计
为探究月销量与用户问答之间的关系，针对前文选取的变量，本文使用神经网络代替传统回归分析方法进行变量影响敏感度分析。根据本文变量选取，设置BP神经网络输入节点数为10，输出节点数为1;在确定隐含层节点数量时，利用公式如下：
式中：m为隐含层节点数，n为输入层节点数，α为1～10的常数。
取初始隐含层节点为5，然后逐渐增加1个节点，用同一组数据进行训练，结果表明当隐含层节点数为6时，神经网络足够复杂，且实验数据集不会对网络模型造成额外误差。最后，本文初始权值设为（-1，1）之间的随机值，利用Delta学习规则调整节点连接权值并逐渐减少误差，选取tan-sigmoid作为隐含层和输出层激活函数。
本文构建的BP神经网络模型，如图1所示。
3.2 神经网络分析
为了避免模型过度拟合，本文采用十折交叉验证（10-Fold Cross Validation）法，将90%数据用于训练网络，10%数据用于测量网络的预测精度，并进行10次十折交叉验证求均值，来测试模型拟合结果。在训练前设置网络期望误差为0.003，最大迭代次数为2 000，训练得到10组神经网络仿真误差RMSE统计结果，如表5所示。
由表5统计结果可知，仿真训练组和精度测试组的误差均值与误差标准差都较小，且训练组的RMSE均值为0.062 5，测试组的RMSE均值为0.063 2，二者十分接近。对两组RMSE数据进行双样本t检验，发现两个样本的网络RMSE之间没有影响。因此，本文确定建立的神经网络预测输入变量与输出变量之间的关系是可靠的。
3.3 变量敏感度分析
BP神经网络的各层神经元连接强度用权值大小来表示，在神经网络训练过程中通过系统误差反向传播给前一层神经元来不断修正神经元之间的连接权重。当神经网络训练完成后，利用隐含层到输出层权值乘以输入层到隐含层权值可得到输入变量对于输出变量的重要性程度矩阵，取重要性程度的均值即为输入变量对输出变量的敏感度。本文的10次神经网络训练所得产品变量对月销量的敏感度如表6所示。
由表6可以看出，對于服装产品月销量而言，在用户问答的相关变量中，用户提问数量与回答数量的重要性程度分别为9.28%与9.45%，都显著影响了产品月销量，因此假设H1、H2得到验证。对于用户问答内容的类型来看，负面属性型回答重要度为10.50%，负面体验型回答重要度为3.16%，因此在负面回答对于产品月销量的消极影响中，属性型回答比体验性回答产生了更消极的影响，因此假设H3b成立;而正面属性型回答的重要度为7.42%，正面体验型回答的重要度为583%，在正面回答对产品月销量的积极影响中，属性型回答比体验型回答产生了更积极的影响，原假设H3a不成立，故拒绝。在线评论的相关变量中以在线评论的数量对月销量影响最为显著，其重要度为24.67%，因此假设H4成立;在线评论差评比例的重要度为8.78%，也能够显著影响产品月销量，故假设H5成立。在店铺评价相关变量中，店铺粉丝数量的重要度为11.72%，也会显著影响产品月销量，是值得关注的影响因素。
4 结 论
针对目前关于产品口碑方面的研究，多数只针对在线评论单一因素的网络口碑形式进行研判产品销量变化的现状。本文在理论层面通过建立基于神经网络的月销量影响模型，为多变量间的回归关系研究提供了新的视角。通过将用户问答、在线评论、店铺评价三种口碑形式结合，构建月销量的神经网络模型，为网络口碑形式的研究提供了新的思路。在实证层面，本文基于电商平台的用户问答数据，结合产品在线评论与店铺评价信息，对神经网络模型进行了实证研究，并对三种口碑形式的重要性程度做出了描述，为电商平台与店铺经营者对如何建设、利用好网络口碑宣传形式给出了建议。
本文在研究网购平台用户问答对购买意愿的影响时只考虑了正面与负面的用户问答对产品销量的影响，未考虑中性评价是否对销量产生显著作用，未考虑在线评论与用户问答对消费者购买意愿的组合效应影响，以及卖家人工操控用户问答模块对消费者产生的影响，这是日后有待改进的方向。
参考文献：
[1]DOGAN G. A critical review of determinants of information search behavior and utilization of online reviews in decision making process[J]. International Journal of Hospitality Management， 2018， 76： 53-60.
[2]ZHENG Xiang. From digitization to the age of acceleration： on information technology and tourism[J]. Tourism Management Perspectives， 2017： S221197361730137X.
[3]ZHENG Xiang， ULRIKE Gretzel. Role of social media in online travel information search[J]. Tourism Management， 2010， 31（2）： 179-188.
[4]PARK J H， GU B， LEE H Y. The relationship between retailer-hosted and third-party hosted WOM sources and their influence on retailer sales[J]. Electronic Commerce Research & Applications， 2012， 11（1-6）： 253-261. [5]HUANG N， HONG Y， BURTCH G. Social network integration and user content generation： evidence from natural experiments[J]. MIS Quarterly， 2017， 41（4）： 1035-1058.
[6]严建援， 李扬， 冯淼， 等. 用户问答与在线评论对消费者产品态度的交互影响[J]. 管理科学， 2020， 33（2）： 102-113.
YAN Jianyuan， LI Yang， FENG Miao， et al. Interaction effects of customer Q&As and online reviews on consumer product attitudes[J]. Journal of Management Science， 2020， 33（2）： 102-113.
[7]石文华， 蔡嘉龙， 绳娜， 等. 探究学习与在线评论对消费者购买意愿的影响[J]. 管理科学， 2020， 33（3）： 112-123.
SHI Wenhua， CAI Jialong， SHENG Na， et al. Effect of inquiry learning versus online reviews on consumers’ purchase intention[J]. Journal of Management Science， 2020， 33（3）： 112-123.
[8]吴雅威， 张向先， 陶兴， 等. 基于用户感知的学术问答社区答案质量评价指标构建[J]. 情报科学， 2020， 38（10）： 141-147.
WU Yawei， ZHANG Xiangxian， TAO Xing， et al. Construction of answer quality evaluation index based on user perception of academic question and answer community[J]. Imformation Science， 2020， 38（10）： 141-147.
[9]杜學美， 丁璟妤， 谢志鸿， 等. 在线评论对消费者购买意愿的影响研究[J]. 管理评论， 2016， 28（3）： 173-183.
DU Xuemei， DING Jingyu， XIE Zhihong， et al. An empirical study on the impact of online reviews on consumers’ purchasing intention[J]. Management Review， 2016， 28（3）： 173-183.
[10]杨楠. 矛盾性追评对顾客购买行为的影响： 以服装产品为例[J]. 中南大学学报（社会科学版）， 2019， 25（2）： 98-104.
YANG Nan. Impact of contradictory additional comments on customer purchase behavior： taking clothing products as an example[J]. Journal of Central South University（Social Sciences）， 2019， 25（2）： 98-104.
[11]LEE J， PARK D， HAN I. The different effects of online consumer reviews on consumers purchase intentions depending on trust in online shopping malls an advertising perspective[J]. Internet Research， 2011， 21（2）： 187-206.
[12]董京京， 许正良， 方琦， 等. 虚拟品牌社区顾客间互动对其产品创新行为的影响[J]. 技术经济， 2019， 38（8）： 48-54.
DONG Jingjing， XU Zhengliang， FANG Qi， et al. Influence of customer-to-customer interactions on product innovation behavior in virtual brand community[J]. Journal of Technology Economics， 2019， 38（8）： 48-54.
[13]LUAN J， YAO Z， ZHAO F T， et al. Search product and experience product online reviews： an eye-tracking study on consumers’ review search behavior[J]. Computers in Human Behavior， 2016， 65： 420-430.
[14]PARK D H， LEE J. EWOM overload and its effect on consumer behavioral intention depending on consumer involvement[J]. Electronic Commerce Research and Applications， 2009， 7（4）： 386-398. [15]HUANG L， TAN C H， KE W， et al. Comprehension and assessment of product reviews： a review-product congruity proposition[J]. Journal of Management Information Systems， 2013， 30（3）： 311-343.
[16]李亚东， 李静， 张炎亮. 服饰类网上店铺新产品预告对首周销量的影响关系研究[J]. 丝绸， 2019， 56（11）： 46-52.
LI Yadong， LI Jing， ZHANG Yanliang. Research on the impact of new product preannouncement of online clothing store on first week sales volume[J]. Journal of Silk， 2019， 56（11）： 46-52.
[17]FRANKE G R， HUHMANN B A， MOTHERSBAUGH D L. Information content and consumer readership of print ads： a comparison of search and experience products[J]. Journal of the Academy of Marketing Science， 2004， 32（1）： 20-31.
[18]郑丽娟， 王洪伟. 基于情感本体的在线评论情感极性及强度分析： 以手机为例[J]. 管理工程学报， 2017， 31（2）： 47-54.
ZHENG Lijuan， WANG Hongwei. Sentimental polarity and strength of online cellphone reviews based on sentiment ontology[J]. Journal of Industrial Engineering and Engineering Management， 2017， 31（2）： 47-54.
[19]蔡庆平， 马海群. 基于Word2Vec和CNN的产品评论细粒度情感分析模型[J]. 图书情报工作， 2020， 64（6）： 49-58.
CAI Qingping， MA Haiqun. A fine-grained sentiment analysis model for product reviews based on Word2Vec and CNN[J]. Library and Information Service， 2020， 64（6）： 49-58.
[20]FRANCIS A B. Word of mouth： understanding and managing referral marketing[J]. Journal of Strategic Marketing， 1998， 6（3）： 241-254.
[21]SENECAL S， NANTEL J. The influence of online product recommendations on consumers’ online choices[J]. Journal of Retailing， 2004， 80（2）： 159-169.
[22]HERR P M， KARDES F R， JOHN K. Effects of word-of-mouth and product-attribute information on persuasion： an accessibility-diagnosticity perspective[J]. Journal of Consumer Research， 1991（4）： 454-462.
[23]曹裕， 李青松， 萬光羽. 在线评论对消费者休闲食品购买决策影响研究[J]. 管理评论， 2020， 32（3）： 157-166.
CAO Yu， LI Qingsong， WAN Guangyu. The influence of online reviews on consumers’ decision to buy leisure foods[J]. Management Review， 2020， 32（3）： 157-166.
[24]尹丽春， 王悦. 基于在线评论的图书消费者满意度影响因素与作用机理[J]. 图书情报工作， 2019， 63（22）： 106-117.
YIN Lichun， WANG Yu. Influencing factors and mechanism of book consumer satisfaction based on online comments[J]. Library and Information Service， 2019， 63（22）： 106-117.