论文部分内容阅读
摘要：本研究从在线评论的情感属性出发探索在线评论文本特征的动态变化走势，借鉴已有的情感分析框架，选取文本的主客观性、文本的情感极性和文本的情感强度三个维度，并从评论内容和标题文本两个角度提出研究假设。实证分析阶段，通过编写java程序采集京东网站上iPhone 4手机的评论数据，利用逐步回归分析法对在线评论情感属性变量进行模型拟合，跟踪消费者在线评论内容的情感变化，结果显示评论内容的情感属性在三个维度上均存在动态变化特征，而标题文本的情感属性没有稳定的变化。研究结果丰富和完善了情感分析理论，对企业把握用户消费习惯以及有效管理在线评论提供了决策依据。
关键词：在线评论；情感分析；情感极性；情感强度
中图分类号：F713.55文献标识码：A文章编号：1003-5192（2016）05-0009-07doi：10.11847/fj.35.5.9
1引言
在线评论（online reviews）是消费者在网络平台上发表的，对某种商品或服务进行评价的信息。通过在线评论，消费者可以更好地获取商品质量信息、评估商家信誉。根据eMarketer的调查，92%的消费者购买商品前会阅读在线评论，消费领域67%的销售额受到在线评论的影响[1]。在线评论已成为消费者口碑传播的重要形式，同时也是商家预测未来销售收入的重要依据[2]。
已有的研究基本包含了在线评论的所有信息要素，如评论者特征、评论数量、评论评分以及评论文本等。其中，评分与评论文本直观反映了消费者的态度与情感，对企业而言应用价值更大。一般情况下，评分被设置为1星到5星五个等级，5星评分代表最好评，1星代表最差评，而3星评分被认为是中性评价，评分越高对消费者购买可能性的正向影响越大，但商品类型对该影响程度存在调节作用[3]。也有学者关注于在线评分的分布规律，Clemons等[4]认为评分成正态分布，Hu等[5]则认为评分成J型分布，即多数为5星和少数为1星，中间评分几乎没有。虽然学者们针对评分进行了广泛的探讨，但对于评分的研究只是关注于评分数值的统计特性，大量隐含在非结构化信息中的文本特征仍未得到充分的挖掘和利用。随着文本挖掘技术的发展，研究者对评论内容的分析不断深入。Cao等[6]利用文本挖掘技术，研究了评论的文体特征和语义特征对在线评论有用性投票的影响，发现语义特征的影响最大。Ghose和Ipeirotis[7]也做了类似的研究，发现评论的主观性、可读性对评论有用性和产品销量有着显著影响。除了对评论文本特征的研究，越来越多的学者对文本情感分析（sentiment analysis）表现出极大的兴趣。Liu[8]将电影评论褒贬性加入票房收入的预测模型大大提高了结果的精确度。Hu等[5]发现评论文本的情感属性可以显著影响消费者对商家的感知信任和所支付的价格溢价。
然而，这些研究大多是基于截面数据在静态层面上进行的，基于面板数据在动态层面上探讨消费者对在线评论的接受、感知进而影响购买决策的研究还很缺乏。Godes和Silva[9]以亚马逊网站为例探索数字评分的变化规律，发现评分存在下降趋势，他们从消费者的自我选择和自我激励角度对该变化进行了解释。但消费者更关注评论的文本内容而不仅仅依赖简单的数字评分，文本内容是影响消费者选择的重要因素[10]，仅从数字评分的角度探索在线评论的动态变化，不利于有效识别和刻画在时间推移过程中在线评论动态变化形成的真正原因，关注文本特征也许更有利于揭示真相。然而在线评论的文本具有多方面的特征，如文本结构、句子长度、情感属性等，鉴于文本情感属性能直观反映消费者对企业、品牌和产品的态度，表达了消费者的心声，无论正面还是负面的口碑都会在网络平台上病毒式传播，对企业的经营活动产生更大的影响[11]。因此本文基于已有的研究成果，从在线评论的情感属性入手，探究在线评论文本情感属性的动态变化，以帮助企业把握在线评论情感属性的时间序列特征，指导企业有效管理在线评论，从而更好地了解消费者购买的心理、行为和习惯。
2理论基础
文本情感分析也称为意见挖掘（opinion mining），是指利用自然语言处理或机器学习等技术判别文本的观点[12]。现有文献中对于情感分析的维度还没有统一的观点，已有的情感分析维度包括主客观分类、褒贬分类[13]，还有少数研究更细化地分出喜怒哀乐等[14]。王洪伟等[15]总结前人研究成果，将文本情感分析系统性地概括为文本主客观分析、情感极性分析和情感强度分析三个维度，较为清晰地勾勒了文本情感分析的理论框架，本文也将沿用此观点，从这三个维度分析在线评论文本情感属性的动态变化。
2.1文本的主客观分析
主观文本是指评论者发表的表达消费者个人情感、偏好的文字。客观文本是评论者对客观事实的描述，不包含个人情感和偏见[16]。如关于手机的在线评论中：“电池待机时间长”是客观性文本，“这是我用过的最漂亮的手机”属于主观性文本。Bruce和Wiebe是最早对主客观文本分类进行研究的学者[17]，但他们使用的主观表达式密度变量及概率方法仅适用于英文。叶强等在中文语境下提出根据连续双词词类组合模式自动判别句子主观性程度的方法，其实验表明当阈值为0.12时，主观文本的分类查准率达到76%[18]，但仍低于英文90%左右的精度。这主要由于影响中文文本主客观判断的因素远远比英文多而复杂，除了词义、词性之外，词语的用法也会影响到文本的主客观性，所以，大多数中文主客观分析的研究多采用人为标注的方式。此外，借鉴Ghose和Ipeirotis[7]选择平均值和标准差对评论文本特征进行研究的做法，本研究将考察评论文本的平均主观性倾向和评论文本的主客观混杂度两个指标的变化趋势。
2.2文本的情感极性分析
文本情感极性分析就是识别主观文本的情感是正面的赞赏和肯定，还是负面的批评与否定。目前的研究主要集中在情感极性的分类方法上，且以英文文本为样本的研究居多。Turney[19]提出PMI-SO语义分类方法，通过计算从评论文本中提取出的所有情感词组的平均语义倾向性来区分情感极性。而Dave等[20]则通过对语料中的每个词打分，计算评论文本中所有词的得分总和，以判断观点的情感极性。在中文情感极性分析方面，金聪和金平[21]将Turney的PMI-SO方法应用到对中文语料的情感判断上，同时用典型文档的语义倾向值的平均值代替零值作为正负情感的分类界限，改善了分类效果。 2.3文本的情感强度分析
文本情感强度是指评论者表达对产品或服务的喜爱或厌恶的强烈程度，一般通过带有强烈感情色彩的形容词或者副词表现，如“很”、“非常”等。情感强度高的在线评论会对消费者产生较大的心理震撼，影响购买决策；Thelwall等[22]将文本情感强度分成强烈贬抑、一般贬抑、客观、一般褒扬、强烈褒扬五个类别，并采用LSPM模型对语句的五类情感强度进行了计算，遗憾的是，此方法得到的结果忽略了情感的渐变过程，造成训练模型不够准确，影响了分类精度。Zhang等[23]在判断中文文本情感强度时提出了一种方法，即以一定标准为词汇赋值：正向情感词赋值+1分，负向情感词赋值-1分，有否定词修饰的词汇赋值-1分；并由三位对评论内容较熟悉的人员对评论文本的情感强度进行人工打分，最后通过取平均值获得情感值，该方法对中文文本情感强度的判别更加准确，但工作量很大。总体而言，相对于文本情感极性的研究，有关情感强度的研究相对薄弱，仍缺乏坚实的语言学与心理学基础，对文本情感强度判别的准确性有待提高。
3理论分析与假设提出
3.1评论内容主客观性的动态变化分析
主观性文本表达的是说话者对某人、某物或某事的态度和看法，包含个人的主观情感色彩。与之相对应的客观性文本则描述客观存在的事实，说话者往往持有中立和客观的情感。从产品生命周期的角度分析，产品进入市场初期，广告宣传和品牌营销活动较多，消费者对产品具有新鲜好奇之感，对产品功能属性了解不深，在线发表的评论内容倾向于主观描述，评论文本的平均主观性较强[24]。随着时间的推移，消费者对产品的了解加深，对产品的热情逐渐下降[25]，评论的平均主观性降低，逐渐倾向于客观性描述。
同时，评论者在生成在线评论时，会希望自己的评论引起后续消费者的关注，更愿意发表对其他消费者有用性高的评论内容。由于主客观文本同时存在的评论内容会给人以更为全面和客观的感觉，消费者对主客观混杂度高的评论内容感知有用性更高[26]。此外，消费者发表评论时会受到先前评论者观点的影响，产生与之相似的评论内容，但这种相似性会随着时间与评论数量的增加逐渐减弱[9]。因此，消费者在参照先前评论者观点的过程中，逐渐倾向于贡献感知有用性高且区别于先前评论内容的观点。由此，提出假设：
H1a评论内容的平均主观性倾向与评论发表时间呈负相关关系。
H1b评论内容的平均主客观混杂度与评论发表时间呈正相关关系。
3.2评论内容情感极性的动态变化分析
当评论者喜爱某种产品时，其评论内容较为正面；反之，其评论内容趋向于负面。消费者在处理产品信息的时候会产生“负面偏差”效应，负面产品信息和正面产品信息在影响消费者的满意度、产品情感和重购意愿时是不对称的，负面信息的负向影响要大于正面信息的正向影响[27]。消费者在选择商品时也更倾向于重视负面评论，认为其效用比正面评论更大。因此，如果消费者希望自己的评论信息能引起别人的关注，就可能对负面评论有一定倾向，以发表对其他人影响效用大的评论，和区别于先前评论信息的言论[28]。因此，随着时间的推移，消费者后续的评论信息会更倾向于负面评论，由此，提出假设：
H2评论内容的平均正向情感极性与评论发表的时间呈负相关关系。
3.3评论内容情感强度的动态变化分析
评论者在发表评论时，必然体现出个人情感，无论是正向情感还是负向情感，评论者表达的强烈程度会有所差别。从产品生命周期的角度分析，产品刚进入市场时，购买产品的消费者进行评价的热情较高，但由于他们对产品的功能属性还不够熟悉，评论内容表现出较强的主观性，同时早期购买者对品牌的忠实和喜爱程度较高[23]，更容易发表带有极端感情色彩的观点，造成评论情感强度较大；随着时间的推移，消费者对产品的了解加深，评论观点逐渐倾向于客观理性，情感强度激烈的表述慢慢减少[26]，评论内容的情感强度会减弱。由此，提出假设：
H3评论内容的平均情感强度与评论发表时间呈负相关关系。
3.4标题文本情感属性的动态变化分析
在线评论的文本由评论内容和标题文本组成。标题文本浓缩了评论者对产品最主要的态度。已有的研究中，评论标题并未被列为评论文本来加以考察[7]，而新闻学研究领域的学者证实，标题影响了读者的阅读选择，如果标题没有吸引力，不能反映明确、具体的观点，读者不会继续浏览新闻稿件的内容[29]。评论标题影响着评论内容被阅读并产生影响的可能性，从而影响着消费者对评论有用性的评价。基于以上推理，本研究认为，随着时间推移，标题文本情感属性特征与评论内容情感属性特征的变化一致。同时由于标题文本通常有字数限制，消费者会使用一个或多个关键词的组合作为标题，导致无法判断标题文本的主客观性，因此，对于标题文本的情感属性只考虑情感极性和情感强度两个维度。由此，提出假设：
H4a标题文本的平均正向情感极性与评论发表时间呈负相关关系。
H4b标题文本的平均情感强度与评论发表时间呈负相关关系。
基于以上分析，构建本研究的理论分析框架（如图1）。
4模型拟合与结果分析
4.1数据的收集
本研究选取京东网站中关于iPhone 4手机的在线评论作为研究对象。通过编写java程序抓取iPhone 4手机销售页面上的所有在线评论，共收集到9355条数据。由于京东网站在2013年4月对评论页面格式进行过调整，调整前的评论内容的字段分类更为详细，因此考虑到数据处理的便利性和一致性，选取2013年4月18号以前的评论内容进行研究，共计4456条评论，数据信息包括评论者ID、评论时间、总体印象、优点、不足、使用心得、星级评分和产品链接8个字段。
研究采用回归模型验证假设，表1对模型所涉及的变量进行了解释说明。网络购物中多数消费者不会阅读完所有评论，有学者调查发现，消费者平均阅读的数量一般不超过20条[30]。鉴于此，本研究将每20条评论作为划分单位，将原始数据按照时间顺序分成223组，形成序数为1-223号的编组数据，由此可以计算因变量lnt（在线评论序数的自然对数值）。 4.2文本识别方法
通常评论文本的识别采用Lingpipe文本分析软件，但由于中文表达与英文相比更加复杂，如相同的词语在不同情境下表达的意思会有所差别，而Lingpipe文本分析软件无法识别语境的变化，影响了词语分类的准确率；相比而言，人工打分的方法能够更准确灵活地识别中文在线评论的情感属性。因此，本研究选择人工打分的方式对文本进行识别，同时为了控制打分者情绪因素的影响，每条评论都由3位打分者独立判定给出分数，对差异较大的内容再次讨论确定最终分数。文本主客观性的赋值方法设定为主观性文本赋值为1，客观性文本赋值为0；通过正面词汇数目（a）与负面词汇数目（b）相减后确定文本的情感极性值为（a-b）；文本情感强度的赋值方法为极端性词汇赋值为1，中性词汇为0。最终可以计算出223组在线评论情感属性相关变量的数值。
4.3基于逐步回归法的模型拟合
本研究的目标是准确识别在线评论文本情感属性动态变化的维度与特征，要求模型中保留的解释变量必须是重要的且不存在多重共线性。而逐步回归法在拟合变量间关系、筛除非关联性因素方面具有明显的优势，同时又可以解决变量间多重共线性的问题。该方法的基本思想是，将变量逐个引入模型，当原来引入的解释变量由于后面解释变量的引入变得不再显著时，将其删除，反复试验直到既没有显著的解释变量进入回归方程，也没有不显著的解释变量从回归方程中剔除为止，以保证最后的模型拟合结果是最优的。因此，在模型拟合的过程中，通过逐步回归法进入模型的解释变量即是对因变量影响关键且显著的因素，而没有进入的解释变量即是对因变量影响不显著的因素。
利用SPSS 17.0统计软件对数据进行处理。X5和X6的相关系数为0.731，说明这两个变量存在多重共线性。逐步回归分析结果如表2和表3所示，其中，表2反映了模型的拟合效果，R2值越接近于1，说明模型的拟合效果越好。因此，回归模型4的拟合效果最优，进入最终模型的变量有：X1（评论内容的平均主观性倾向）、X2（评论内容的主客观混杂度）、X3（评论内容的平均正向情感极性）和X4（评论内容的平均情感强度），且这4个变量均通过显著性检验。而变量X5（标题文本的平均正向情感极性）和X6（标题文本的平均情感强度）则没有进入模型。
因此，在线评论情感属性的动态变化规律可以（1）式描述。
lnt=7.969-1.322X1t+2.086X2t-0.753X3t-0.766X4t（1）
4.4结果分析
根据表3的逐步回归结果可以看出，关于评论内容情感属性的4个假设得到验证，而关于评论标题文本的情感属性的2个假设被拒绝。下面分别对假设验证结果进行详细分析。
X1的系数是-1.322，sig.<0.001，结果显著，H1a假设通过，即评论内容的平均主观性倾向与评论发表时间呈负相关关系。随着时间的推移，评论内容逐渐趋于客观，说明评论者对产品的总体印象从先前的心理感知、主观意向逐步向对产品的功能属性、客观评价转变。产品在投入市场初期和成长期，消费者对产品的喜爱更多的是心理上的感知，对其客观属性并不熟悉，因而主观性评价较多，随着产品趋于成熟期，其缺点逐渐被消费者感知到，消费者通过产品体验和阅读以前的评论，了解了更多的产品客观信息，使得评价逐渐趋于客观化。
X2的系数是2.086，sig.<0.001，结果显著，H1b假设通过，即评论内容的主客观混杂度与评论发表时间呈正相关关系。为了提高在线口碑对他人的影响力，购买iPhone 4手机的消费者会倾向于发表区别于先前购买者并对后续消费者感知有用性高的的评论观点，即主客观混杂度高的在线评论。消费者的这种心理使得评论内容的平均主客观混杂度随着时间的推移逐渐增高。
X3的系数是-0.753，sig.<0.001，结果显著，H2假设通过，即评论内容的平均正向情感倾向与评论发表时间呈负相关关系。众所周知，iPhone 4手机的问世开创了智能手机的先河，与传统手机完全封闭的操作系统不同，智能手机通过生动的用户交互界面和先进的多点触控技术为用户带来了前所未有的便利体验。因此，当iPhone 4手机刚进入市场时，受到了消费者的疯狂追捧，评论中对产品优点的评价非常多。随着产品逐渐进入成熟期，消费者对iPhone 4手机的各项功能属性越来越熟悉，消费者的需求更加明确，评论内容中出现较多的产品不足和改进建议。此外，随着竞争厂商的加入，消费者在高端智能手机领域可选择的种类增多，消费者会通过对比不同品牌的产品逐渐发现产品需要改进的方面，评论中关于产品缺点的属性词出现的频率增多。由此使得评论内容的平均正向情感倾向随着时间推移呈现下降的趋势。
X4的系数是-0.766，sig.<0.01，结果显著，H3假设通过，即评论内容的平均情感强度与评论发表时间呈负相关关系。情感强度反映了评论者对产品的极端感情倾向。iPhone 4手机是苹果品牌的主打产品，消费者热爱并推崇苹果品牌，使得初期的评论者观点中带有极端感情色彩的较多，随着产品进入成熟期以及竞争对手的出现，使得后续评论者对产品的热度降低，评论者趋于理性，评论内容中的极端感情色彩词语逐渐减少。
X5和X6没有进入逐步回归模型，说明标题文本的平均正向情感极性和平均情感强度对因变量影响不显著，即假设H4a和H4b均没有通过。说明标题文本的情感属性在时间序列上没有稳定的变化特征。导致这一现象的原因可能是评论者的语言总结能力参差不齐，存在标题文本与评论内容信息不一致的现象，在数据收集和整理过程中还发现，有些标题文本与评论内容完全没有相关性。
5讨论
研究结果显示，在线评论的情感属性具有明显的动态变化特征，并且在不同维度上存在差异：随着时间的推移，评论内容的平均主观性倾向、平均正向情感极性和平均情感强度呈下降趋势，评论内容的主客观混杂度呈上升趋势；而标题文本的情感属性特征不存在明显的变化趋势。这一结论为网络营销及在线评论研究提供了新的视角，丰富和完善了在线评论情感分析的理论。 对管理实践而言，研究结果将对企业有效管理在线评论提供有益参考。首先，企业根据评论内容的动态变化，可以了解消费者在产品生命周期不同阶段的心理，相应调整销售与推广策略。如在产品成熟期，消费者评论热情降低但贡献的评论内容主客观混杂度增高，此时企业应采取一定激励措施（如参与评价可提高会员等级或赠送优惠券等）鼓励消费者积极参与购后评论，一方面可以促进在线口碑传播的持续，另一方面可以通过更多的客观性评价获取产品优点和不足的信息，为企业持续完善产品和服务提供依据。其次，企业应考虑优化评价页面，合并相似评论，对评论中出现的相同属性词进行统计并列示在显著位置，以帮助消费者更快地获得有用信息，提高决策效率。最后，标题文本应准确反映评论者的综合评价，以节省阅读者的时间和精力成本。因此，为避免标题文本的无效性，企业可以考虑采取一定的技术手段提高标题文本信息总结的准确性和清晰性，如考虑运用语义分析算法抓取评论内容的关键词，自动生成标题文本，取代消费者主观归纳的方式，避免出现标题文本无法反映评论内容的情况。
本研究虽然得出了一些有价值的结果和启示，但仍存在诸多局限。首先，由于数据收集和处理的限制，仅以iPhone 4手机的在线评论为研究对象进行了实证分析，关于在线评论情感属性动态变化的研究结果是否适用于其他类别商品或者可推广到C2C电子商务模式，还需要进一步检验。其次，反映在线评论文本特征的变量有许多，本研究仅关注了情感属性在时间序列上的变化，其他变量是否也存在某些动态变化特征有待证实。这也是本文未来的研究方向。
参考文献：
[1]Tang T， Fang E， Wang F. Is neutral really neutral？ The effects of neutral user-generated content on product sales[J]. Journal of Marketing， 2014， 78（4）： 41-58.
[2]杨强，武一波，张宇.服务补救对消费者正面口碑传播意愿的影响：品牌依恋的调节作用分析[J].预测，2015，34（4）：21-26.
[3]Pan Y， Zhang J Q. Born unequal： a study of the helpfulness of user-generated product reviews[J]. Journal of Retailing， 2011， 87（4）： 598-612.
[4]Clemons E K， Gao D G， Hitt L M. When online reviews meet hyper differentiation： a study of craft beer industry[J]. Journal of Marketing Research， 2006， 23（2）： 149-171.
[5]Hu N， Pavlou P， Zhang J. Overcoming the J-shape distribution of product reviews[J]. Communications of the ACM， 2009， 52（10）： 144-147.
[6]Cao Q， Duan W， Gan Q. Exploring determinants of voting for the “helpfulness” of online user reviews： a text mining approach[J]. Decision Support Systems， 2011， 50（2）： 511-521.
[7]Ghose A， Ipeirotis P. Estimating the helpfulness and economic impact of product reviews： mining text and reviewer characteristics[J]. IEEE Transactions on Knowledge and Data Engineering， 2010， 23（10）： 1498-1512.
[8]Liu Y. Word of mouth for movies： its dynamics and impact on box office revenue[J]. Journal of Marketing， 2006， 70（3）： 74-89.
[9]Godes D， Silva J C. Sequential and temporal dynamics of online opinion[J]. Marketing Science， 2012， 31（3）： 448-473.
[10]Chevalier J A， Mayzlin D. The effect of word of mouth on sales： online book reviews[J]. Journal of Marketing Research， 2006， 43（3）： 345-354.
[11]李金海，何有世，马云蕾.大数据时代基于在线评论挖掘的企业网络口碑危机预警研究[J].情报杂志，2015，34（2）：53-58.
[12]Pekar V， Ou S. Discovery of subjective evaluations of product features in hotel reviews[J]. Journal of Vacation Marketing， 2008， 14（2）： 145-155.
[13]Kahn J H， Tobin R M， Massey A E. et al.. Measuring emotional expression with the Linguistic Inquiry and Word Count[J]. The American Journal of Psychology， 2007， 120（2）： 263-286. [14]乐国安，董颖红.情绪的基本结构：争论，应用及其前瞻[J].南开学报（哲学社会科学版），2013，（1）：140-150.
[15]王洪伟，刘勰，尹裴，等.Web文本情感分类研究综述[J].情报学报，2010，29（5）：931-938.
[16]Sen S， Lerman D. Why are you telling me this？ An examination into negative consumer reviews on the web[J]. Journal of Interactive Marketing， 2007， 21（4）： 76-94.
[17]Bruce R F， Wiebe J M. Recognizing subjectivity： a case study in manual tagging[J]. Natural Language Engineering， 1999， 5（2）： 187-205.
[18]叶强，张紫琼，罗振雄.面向互联网评论情感分析的中文主观性自动判别方法[J].信息系统学报，2007，1（1）：79-91.
[19]Turney P D. Thumbs up or thumbs down？ Semantic orientation applied to unsupervised classification of reviews[A]. Proceedings of the 40th Annual Meeting on Association for Computational Linguistics[C]. Association for Computational Linguistics， Stroudsburg， 2002. 417-424.
[20]Dave K， Lawrence S， Pennock D M. Mining the peanut gallery： opinion extraction and semantic classification of product reviews[A]. Proceedings of the 12th International Conference on World Wide Web[C]. ACM Association for Computing Machinery， New York， 2003. 519-528.
[21]金聪，金平.网络环境下中文情感倾向的分类方法[J].语言文字应用，2008，5（2）：139-144.
[22] Thelwall M， Buckley K， Paltoglou G， et al.. Sentiment strength detection in short informal text[J]. Journal of the American Society for Information Science and Technology， 2010， 61（12）： 2544-2558.
[23]Zhang W， Xu H， Wan W. Weakness finder： find product weakness from Chinese reviews by using aspects based sentiment analysis[J]. Expert Systems with Applications， 2012， 39（11）： 10283-10291.
[24]Li X， Hitt L M. Self-selection and information role of online product reviews[J]. Information Systems Research， 2008， 19（4）： 456-474.
[25]Zhu F， Zhang X. Impact of online consumer reviews on sales： the moderating role of product and consumer characteristics[J]. Journal of Marketing， 2010， 74（2）： 133-148.
[26]Wu F， Huberman B A. How public opinion forms[M]. Berlin： Springer Berlin Heidelberg， 2008. 334-341.
[27]Mittal V， Ross W T， Baldasare P M. The asymmetric impact of negative and positive attribute-level performance on overall satisfaction and repurchase intentions[J]. Journal of Marketing， 1998， 62（1）： 33-47.
[28]Adava R. Sometimes it just feels right： the differential weighting of affect-consistent and affect-inconsistent product information[J]. Journal of Consumer Research， 2001， 28（1）： 1-17.
[29]马少华.从信息量的角度考察新闻评论标题[J].新闻大学，2003，（3）：77-79.
[30]龚诗阳，刘霞，刘洋，等.网络口碑决定产品命运吗——对线上图书评论的实证分析[J].南开管理评论，2012，（4）：118-128.
关键词：在线评论；情感分析；情感极性；情感强度
中图分类号：F713.55文献标识码：A文章编号：1003-5192（2016）05-0009-07doi：10.11847/fj.35.5.9
1引言
在线评论（online reviews）是消费者在网络平台上发表的，对某种商品或服务进行评价的信息。通过在线评论，消费者可以更好地获取商品质量信息、评估商家信誉。根据eMarketer的调查，92%的消费者购买商品前会阅读在线评论，消费领域67%的销售额受到在线评论的影响[1]。在线评论已成为消费者口碑传播的重要形式，同时也是商家预测未来销售收入的重要依据[2]。
已有的研究基本包含了在线评论的所有信息要素，如评论者特征、评论数量、评论评分以及评论文本等。其中，评分与评论文本直观反映了消费者的态度与情感，对企业而言应用价值更大。一般情况下，评分被设置为1星到5星五个等级，5星评分代表最好评，1星代表最差评，而3星评分被认为是中性评价，评分越高对消费者购买可能性的正向影响越大，但商品类型对该影响程度存在调节作用[3]。也有学者关注于在线评分的分布规律，Clemons等[4]认为评分成正态分布，Hu等[5]则认为评分成J型分布，即多数为5星和少数为1星，中间评分几乎没有。虽然学者们针对评分进行了广泛的探讨，但对于评分的研究只是关注于评分数值的统计特性，大量隐含在非结构化信息中的文本特征仍未得到充分的挖掘和利用。随着文本挖掘技术的发展，研究者对评论内容的分析不断深入。Cao等[6]利用文本挖掘技术，研究了评论的文体特征和语义特征对在线评论有用性投票的影响，发现语义特征的影响最大。Ghose和Ipeirotis[7]也做了类似的研究，发现评论的主观性、可读性对评论有用性和产品销量有着显著影响。除了对评论文本特征的研究，越来越多的学者对文本情感分析（sentiment analysis）表现出极大的兴趣。Liu[8]将电影评论褒贬性加入票房收入的预测模型大大提高了结果的精确度。Hu等[5]发现评论文本的情感属性可以显著影响消费者对商家的感知信任和所支付的价格溢价。
然而，这些研究大多是基于截面数据在静态层面上进行的，基于面板数据在动态层面上探讨消费者对在线评论的接受、感知进而影响购买决策的研究还很缺乏。Godes和Silva[9]以亚马逊网站为例探索数字评分的变化规律，发现评分存在下降趋势，他们从消费者的自我选择和自我激励角度对该变化进行了解释。但消费者更关注评论的文本内容而不仅仅依赖简单的数字评分，文本内容是影响消费者选择的重要因素[10]，仅从数字评分的角度探索在线评论的动态变化，不利于有效识别和刻画在时间推移过程中在线评论动态变化形成的真正原因，关注文本特征也许更有利于揭示真相。然而在线评论的文本具有多方面的特征，如文本结构、句子长度、情感属性等，鉴于文本情感属性能直观反映消费者对企业、品牌和产品的态度，表达了消费者的心声，无论正面还是负面的口碑都会在网络平台上病毒式传播，对企业的经营活动产生更大的影响[11]。因此本文基于已有的研究成果，从在线评论的情感属性入手，探究在线评论文本情感属性的动态变化，以帮助企业把握在线评论情感属性的时间序列特征，指导企业有效管理在线评论，从而更好地了解消费者购买的心理、行为和习惯。
2理论基础
文本情感分析也称为意见挖掘（opinion mining），是指利用自然语言处理或机器学习等技术判别文本的观点[12]。现有文献中对于情感分析的维度还没有统一的观点，已有的情感分析维度包括主客观分类、褒贬分类[13]，还有少数研究更细化地分出喜怒哀乐等[14]。王洪伟等[15]总结前人研究成果，将文本情感分析系统性地概括为文本主客观分析、情感极性分析和情感强度分析三个维度，较为清晰地勾勒了文本情感分析的理论框架，本文也将沿用此观点，从这三个维度分析在线评论文本情感属性的动态变化。
2.1文本的主客观分析
主观文本是指评论者发表的表达消费者个人情感、偏好的文字。客观文本是评论者对客观事实的描述，不包含个人情感和偏见[16]。如关于手机的在线评论中：“电池待机时间长”是客观性文本，“这是我用过的最漂亮的手机”属于主观性文本。Bruce和Wiebe是最早对主客观文本分类进行研究的学者[17]，但他们使用的主观表达式密度变量及概率方法仅适用于英文。叶强等在中文语境下提出根据连续双词词类组合模式自动判别句子主观性程度的方法，其实验表明当阈值为0.12时，主观文本的分类查准率达到76%[18]，但仍低于英文90%左右的精度。这主要由于影响中文文本主客观判断的因素远远比英文多而复杂，除了词义、词性之外，词语的用法也会影响到文本的主客观性，所以，大多数中文主客观分析的研究多采用人为标注的方式。此外，借鉴Ghose和Ipeirotis[7]选择平均值和标准差对评论文本特征进行研究的做法，本研究将考察评论文本的平均主观性倾向和评论文本的主客观混杂度两个指标的变化趋势。
2.2文本的情感极性分析
文本情感极性分析就是识别主观文本的情感是正面的赞赏和肯定，还是负面的批评与否定。目前的研究主要集中在情感极性的分类方法上，且以英文文本为样本的研究居多。Turney[19]提出PMI-SO语义分类方法，通过计算从评论文本中提取出的所有情感词组的平均语义倾向性来区分情感极性。而Dave等[20]则通过对语料中的每个词打分，计算评论文本中所有词的得分总和，以判断观点的情感极性。在中文情感极性分析方面，金聪和金平[21]将Turney的PMI-SO方法应用到对中文语料的情感判断上，同时用典型文档的语义倾向值的平均值代替零值作为正负情感的分类界限，改善了分类效果。 2.3文本的情感强度分析
文本情感强度是指评论者表达对产品或服务的喜爱或厌恶的强烈程度，一般通过带有强烈感情色彩的形容词或者副词表现，如“很”、“非常”等。情感强度高的在线评论会对消费者产生较大的心理震撼，影响购买决策；Thelwall等[22]将文本情感强度分成强烈贬抑、一般贬抑、客观、一般褒扬、强烈褒扬五个类别，并采用LSPM模型对语句的五类情感强度进行了计算，遗憾的是，此方法得到的结果忽略了情感的渐变过程，造成训练模型不够准确，影响了分类精度。Zhang等[23]在判断中文文本情感强度时提出了一种方法，即以一定标准为词汇赋值：正向情感词赋值+1分，负向情感词赋值-1分，有否定词修饰的词汇赋值-1分；并由三位对评论内容较熟悉的人员对评论文本的情感强度进行人工打分，最后通过取平均值获得情感值，该方法对中文文本情感强度的判别更加准确，但工作量很大。总体而言，相对于文本情感极性的研究，有关情感强度的研究相对薄弱，仍缺乏坚实的语言学与心理学基础，对文本情感强度判别的准确性有待提高。
3理论分析与假设提出
3.1评论内容主客观性的动态变化分析
主观性文本表达的是说话者对某人、某物或某事的态度和看法，包含个人的主观情感色彩。与之相对应的客观性文本则描述客观存在的事实，说话者往往持有中立和客观的情感。从产品生命周期的角度分析，产品进入市场初期，广告宣传和品牌营销活动较多，消费者对产品具有新鲜好奇之感，对产品功能属性了解不深，在线发表的评论内容倾向于主观描述，评论文本的平均主观性较强[24]。随着时间的推移，消费者对产品的了解加深，对产品的热情逐渐下降[25]，评论的平均主观性降低，逐渐倾向于客观性描述。
同时，评论者在生成在线评论时，会希望自己的评论引起后续消费者的关注，更愿意发表对其他消费者有用性高的评论内容。由于主客观文本同时存在的评论内容会给人以更为全面和客观的感觉，消费者对主客观混杂度高的评论内容感知有用性更高[26]。此外，消费者发表评论时会受到先前评论者观点的影响，产生与之相似的评论内容，但这种相似性会随着时间与评论数量的增加逐渐减弱[9]。因此，消费者在参照先前评论者观点的过程中，逐渐倾向于贡献感知有用性高且区别于先前评论内容的观点。由此，提出假设：
H1a评论内容的平均主观性倾向与评论发表时间呈负相关关系。
H1b评论内容的平均主客观混杂度与评论发表时间呈正相关关系。
3.2评论内容情感极性的动态变化分析
当评论者喜爱某种产品时，其评论内容较为正面；反之，其评论内容趋向于负面。消费者在处理产品信息的时候会产生“负面偏差”效应，负面产品信息和正面产品信息在影响消费者的满意度、产品情感和重购意愿时是不对称的，负面信息的负向影响要大于正面信息的正向影响[27]。消费者在选择商品时也更倾向于重视负面评论，认为其效用比正面评论更大。因此，如果消费者希望自己的评论信息能引起别人的关注，就可能对负面评论有一定倾向，以发表对其他人影响效用大的评论，和区别于先前评论信息的言论[28]。因此，随着时间的推移，消费者后续的评论信息会更倾向于负面评论，由此，提出假设：
H2评论内容的平均正向情感极性与评论发表的时间呈负相关关系。
3.3评论内容情感强度的动态变化分析
评论者在发表评论时，必然体现出个人情感，无论是正向情感还是负向情感，评论者表达的强烈程度会有所差别。从产品生命周期的角度分析，产品刚进入市场时，购买产品的消费者进行评价的热情较高，但由于他们对产品的功能属性还不够熟悉，评论内容表现出较强的主观性，同时早期购买者对品牌的忠实和喜爱程度较高[23]，更容易发表带有极端感情色彩的观点，造成评论情感强度较大；随着时间的推移，消费者对产品的了解加深，评论观点逐渐倾向于客观理性，情感强度激烈的表述慢慢减少[26]，评论内容的情感强度会减弱。由此，提出假设：
H3评论内容的平均情感强度与评论发表时间呈负相关关系。
3.4标题文本情感属性的动态变化分析
在线评论的文本由评论内容和标题文本组成。标题文本浓缩了评论者对产品最主要的态度。已有的研究中，评论标题并未被列为评论文本来加以考察[7]，而新闻学研究领域的学者证实，标题影响了读者的阅读选择，如果标题没有吸引力，不能反映明确、具体的观点，读者不会继续浏览新闻稿件的内容[29]。评论标题影响着评论内容被阅读并产生影响的可能性，从而影响着消费者对评论有用性的评价。基于以上推理，本研究认为，随着时间推移，标题文本情感属性特征与评论内容情感属性特征的变化一致。同时由于标题文本通常有字数限制，消费者会使用一个或多个关键词的组合作为标题，导致无法判断标题文本的主客观性，因此，对于标题文本的情感属性只考虑情感极性和情感强度两个维度。由此，提出假设：
H4a标题文本的平均正向情感极性与评论发表时间呈负相关关系。
H4b标题文本的平均情感强度与评论发表时间呈负相关关系。
基于以上分析，构建本研究的理论分析框架（如图1）。
4模型拟合与结果分析
4.1数据的收集
本研究选取京东网站中关于iPhone 4手机的在线评论作为研究对象。通过编写java程序抓取iPhone 4手机销售页面上的所有在线评论，共收集到9355条数据。由于京东网站在2013年4月对评论页面格式进行过调整，调整前的评论内容的字段分类更为详细，因此考虑到数据处理的便利性和一致性，选取2013年4月18号以前的评论内容进行研究，共计4456条评论，数据信息包括评论者ID、评论时间、总体印象、优点、不足、使用心得、星级评分和产品链接8个字段。
研究采用回归模型验证假设，表1对模型所涉及的变量进行了解释说明。网络购物中多数消费者不会阅读完所有评论，有学者调查发现，消费者平均阅读的数量一般不超过20条[30]。鉴于此，本研究将每20条评论作为划分单位，将原始数据按照时间顺序分成223组，形成序数为1-223号的编组数据，由此可以计算因变量lnt（在线评论序数的自然对数值）。 4.2文本识别方法
通常评论文本的识别采用Lingpipe文本分析软件，但由于中文表达与英文相比更加复杂，如相同的词语在不同情境下表达的意思会有所差别，而Lingpipe文本分析软件无法识别语境的变化，影响了词语分类的准确率；相比而言，人工打分的方法能够更准确灵活地识别中文在线评论的情感属性。因此，本研究选择人工打分的方式对文本进行识别，同时为了控制打分者情绪因素的影响，每条评论都由3位打分者独立判定给出分数，对差异较大的内容再次讨论确定最终分数。文本主客观性的赋值方法设定为主观性文本赋值为1，客观性文本赋值为0；通过正面词汇数目（a）与负面词汇数目（b）相减后确定文本的情感极性值为（a-b）；文本情感强度的赋值方法为极端性词汇赋值为1，中性词汇为0。最终可以计算出223组在线评论情感属性相关变量的数值。
4.3基于逐步回归法的模型拟合
本研究的目标是准确识别在线评论文本情感属性动态变化的维度与特征，要求模型中保留的解释变量必须是重要的且不存在多重共线性。而逐步回归法在拟合变量间关系、筛除非关联性因素方面具有明显的优势，同时又可以解决变量间多重共线性的问题。该方法的基本思想是，将变量逐个引入模型，当原来引入的解释变量由于后面解释变量的引入变得不再显著时，将其删除，反复试验直到既没有显著的解释变量进入回归方程，也没有不显著的解释变量从回归方程中剔除为止，以保证最后的模型拟合结果是最优的。因此，在模型拟合的过程中，通过逐步回归法进入模型的解释变量即是对因变量影响关键且显著的因素，而没有进入的解释变量即是对因变量影响不显著的因素。
利用SPSS 17.0统计软件对数据进行处理。X5和X6的相关系数为0.731，说明这两个变量存在多重共线性。逐步回归分析结果如表2和表3所示，其中，表2反映了模型的拟合效果，R2值越接近于1，说明模型的拟合效果越好。因此，回归模型4的拟合效果最优，进入最终模型的变量有：X1（评论内容的平均主观性倾向）、X2（评论内容的主客观混杂度）、X3（评论内容的平均正向情感极性）和X4（评论内容的平均情感强度），且这4个变量均通过显著性检验。而变量X5（标题文本的平均正向情感极性）和X6（标题文本的平均情感强度）则没有进入模型。
因此，在线评论情感属性的动态变化规律可以（1）式描述。
lnt=7.969-1.322X1t+2.086X2t-0.753X3t-0.766X4t（1）
4.4结果分析
根据表3的逐步回归结果可以看出，关于评论内容情感属性的4个假设得到验证，而关于评论标题文本的情感属性的2个假设被拒绝。下面分别对假设验证结果进行详细分析。
X1的系数是-1.322，sig.<0.001，结果显著，H1a假设通过，即评论内容的平均主观性倾向与评论发表时间呈负相关关系。随着时间的推移，评论内容逐渐趋于客观，说明评论者对产品的总体印象从先前的心理感知、主观意向逐步向对产品的功能属性、客观评价转变。产品在投入市场初期和成长期，消费者对产品的喜爱更多的是心理上的感知，对其客观属性并不熟悉，因而主观性评价较多，随着产品趋于成熟期，其缺点逐渐被消费者感知到，消费者通过产品体验和阅读以前的评论，了解了更多的产品客观信息，使得评价逐渐趋于客观化。
X2的系数是2.086，sig.<0.001，结果显著，H1b假设通过，即评论内容的主客观混杂度与评论发表时间呈正相关关系。为了提高在线口碑对他人的影响力，购买iPhone 4手机的消费者会倾向于发表区别于先前购买者并对后续消费者感知有用性高的的评论观点，即主客观混杂度高的在线评论。消费者的这种心理使得评论内容的平均主客观混杂度随着时间的推移逐渐增高。
X3的系数是-0.753，sig.<0.001，结果显著，H2假设通过，即评论内容的平均正向情感倾向与评论发表时间呈负相关关系。众所周知，iPhone 4手机的问世开创了智能手机的先河，与传统手机完全封闭的操作系统不同，智能手机通过生动的用户交互界面和先进的多点触控技术为用户带来了前所未有的便利体验。因此，当iPhone 4手机刚进入市场时，受到了消费者的疯狂追捧，评论中对产品优点的评价非常多。随着产品逐渐进入成熟期，消费者对iPhone 4手机的各项功能属性越来越熟悉，消费者的需求更加明确，评论内容中出现较多的产品不足和改进建议。此外，随着竞争厂商的加入，消费者在高端智能手机领域可选择的种类增多，消费者会通过对比不同品牌的产品逐渐发现产品需要改进的方面，评论中关于产品缺点的属性词出现的频率增多。由此使得评论内容的平均正向情感倾向随着时间推移呈现下降的趋势。
X4的系数是-0.766，sig.<0.01，结果显著，H3假设通过，即评论内容的平均情感强度与评论发表时间呈负相关关系。情感强度反映了评论者对产品的极端感情倾向。iPhone 4手机是苹果品牌的主打产品，消费者热爱并推崇苹果品牌，使得初期的评论者观点中带有极端感情色彩的较多，随着产品进入成熟期以及竞争对手的出现，使得后续评论者对产品的热度降低，评论者趋于理性，评论内容中的极端感情色彩词语逐渐减少。
X5和X6没有进入逐步回归模型，说明标题文本的平均正向情感极性和平均情感强度对因变量影响不显著，即假设H4a和H4b均没有通过。说明标题文本的情感属性在时间序列上没有稳定的变化特征。导致这一现象的原因可能是评论者的语言总结能力参差不齐，存在标题文本与评论内容信息不一致的现象，在数据收集和整理过程中还发现，有些标题文本与评论内容完全没有相关性。
5讨论
研究结果显示，在线评论的情感属性具有明显的动态变化特征，并且在不同维度上存在差异：随着时间的推移，评论内容的平均主观性倾向、平均正向情感极性和平均情感强度呈下降趋势，评论内容的主客观混杂度呈上升趋势；而标题文本的情感属性特征不存在明显的变化趋势。这一结论为网络营销及在线评论研究提供了新的视角，丰富和完善了在线评论情感分析的理论。 对管理实践而言，研究结果将对企业有效管理在线评论提供有益参考。首先，企业根据评论内容的动态变化，可以了解消费者在产品生命周期不同阶段的心理，相应调整销售与推广策略。如在产品成熟期，消费者评论热情降低但贡献的评论内容主客观混杂度增高，此时企业应采取一定激励措施（如参与评价可提高会员等级或赠送优惠券等）鼓励消费者积极参与购后评论，一方面可以促进在线口碑传播的持续，另一方面可以通过更多的客观性评价获取产品优点和不足的信息，为企业持续完善产品和服务提供依据。其次，企业应考虑优化评价页面，合并相似评论，对评论中出现的相同属性词进行统计并列示在显著位置，以帮助消费者更快地获得有用信息，提高决策效率。最后，标题文本应准确反映评论者的综合评价，以节省阅读者的时间和精力成本。因此，为避免标题文本的无效性，企业可以考虑采取一定的技术手段提高标题文本信息总结的准确性和清晰性，如考虑运用语义分析算法抓取评论内容的关键词，自动生成标题文本，取代消费者主观归纳的方式，避免出现标题文本无法反映评论内容的情况。
本研究虽然得出了一些有价值的结果和启示，但仍存在诸多局限。首先，由于数据收集和处理的限制，仅以iPhone 4手机的在线评论为研究对象进行了实证分析，关于在线评论情感属性动态变化的研究结果是否适用于其他类别商品或者可推广到C2C电子商务模式，还需要进一步检验。其次，反映在线评论文本特征的变量有许多，本研究仅关注了情感属性在时间序列上的变化，其他变量是否也存在某些动态变化特征有待证实。这也是本文未来的研究方向。
参考文献：
[1]Tang T， Fang E， Wang F. Is neutral really neutral？ The effects of neutral user-generated content on product sales[J]. Journal of Marketing， 2014， 78（4）： 41-58.
[2]杨强，武一波，张宇.服务补救对消费者正面口碑传播意愿的影响：品牌依恋的调节作用分析[J].预测，2015，34（4）：21-26.
[3]Pan Y， Zhang J Q. Born unequal： a study of the helpfulness of user-generated product reviews[J]. Journal of Retailing， 2011， 87（4）： 598-612.
[4]Clemons E K， Gao D G， Hitt L M. When online reviews meet hyper differentiation： a study of craft beer industry[J]. Journal of Marketing Research， 2006， 23（2）： 149-171.
[5]Hu N， Pavlou P， Zhang J. Overcoming the J-shape distribution of product reviews[J]. Communications of the ACM， 2009， 52（10）： 144-147.
[6]Cao Q， Duan W， Gan Q. Exploring determinants of voting for the “helpfulness” of online user reviews： a text mining approach[J]. Decision Support Systems， 2011， 50（2）： 511-521.
[7]Ghose A， Ipeirotis P. Estimating the helpfulness and economic impact of product reviews： mining text and reviewer characteristics[J]. IEEE Transactions on Knowledge and Data Engineering， 2010， 23（10）： 1498-1512.
[8]Liu Y. Word of mouth for movies： its dynamics and impact on box office revenue[J]. Journal of Marketing， 2006， 70（3）： 74-89.
[9]Godes D， Silva J C. Sequential and temporal dynamics of online opinion[J]. Marketing Science， 2012， 31（3）： 448-473.
[10]Chevalier J A， Mayzlin D. The effect of word of mouth on sales： online book reviews[J]. Journal of Marketing Research， 2006， 43（3）： 345-354.
[11]李金海，何有世，马云蕾.大数据时代基于在线评论挖掘的企业网络口碑危机预警研究[J].情报杂志，2015，34（2）：53-58.
[12]Pekar V， Ou S. Discovery of subjective evaluations of product features in hotel reviews[J]. Journal of Vacation Marketing， 2008， 14（2）： 145-155.
[13]Kahn J H， Tobin R M， Massey A E. et al.. Measuring emotional expression with the Linguistic Inquiry and Word Count[J]. The American Journal of Psychology， 2007， 120（2）： 263-286. [14]乐国安，董颖红.情绪的基本结构：争论，应用及其前瞻[J].南开学报（哲学社会科学版），2013，（1）：140-150.
[15]王洪伟，刘勰，尹裴，等.Web文本情感分类研究综述[J].情报学报，2010，29（5）：931-938.
[16]Sen S， Lerman D. Why are you telling me this？ An examination into negative consumer reviews on the web[J]. Journal of Interactive Marketing， 2007， 21（4）： 76-94.
[17]Bruce R F， Wiebe J M. Recognizing subjectivity： a case study in manual tagging[J]. Natural Language Engineering， 1999， 5（2）： 187-205.
[18]叶强，张紫琼，罗振雄.面向互联网评论情感分析的中文主观性自动判别方法[J].信息系统学报，2007，1（1）：79-91.
[19]Turney P D. Thumbs up or thumbs down？ Semantic orientation applied to unsupervised classification of reviews[A]. Proceedings of the 40th Annual Meeting on Association for Computational Linguistics[C]. Association for Computational Linguistics， Stroudsburg， 2002. 417-424.
[20]Dave K， Lawrence S， Pennock D M. Mining the peanut gallery： opinion extraction and semantic classification of product reviews[A]. Proceedings of the 12th International Conference on World Wide Web[C]. ACM Association for Computing Machinery， New York， 2003. 519-528.
[21]金聪，金平.网络环境下中文情感倾向的分类方法[J].语言文字应用，2008，5（2）：139-144.
[22] Thelwall M， Buckley K， Paltoglou G， et al.. Sentiment strength detection in short informal text[J]. Journal of the American Society for Information Science and Technology， 2010， 61（12）： 2544-2558.
[23]Zhang W， Xu H， Wan W. Weakness finder： find product weakness from Chinese reviews by using aspects based sentiment analysis[J]. Expert Systems with Applications， 2012， 39（11）： 10283-10291.
[24]Li X， Hitt L M. Self-selection and information role of online product reviews[J]. Information Systems Research， 2008， 19（4）： 456-474.
[25]Zhu F， Zhang X. Impact of online consumer reviews on sales： the moderating role of product and consumer characteristics[J]. Journal of Marketing， 2010， 74（2）： 133-148.
[26]Wu F， Huberman B A. How public opinion forms[M]. Berlin： Springer Berlin Heidelberg， 2008. 334-341.
[27]Mittal V， Ross W T， Baldasare P M. The asymmetric impact of negative and positive attribute-level performance on overall satisfaction and repurchase intentions[J]. Journal of Marketing， 1998， 62（1）： 33-47.
[28]Adava R. Sometimes it just feels right： the differential weighting of affect-consistent and affect-inconsistent product information[J]. Journal of Consumer Research， 2001， 28（1）： 1-17.
[29]马少华.从信息量的角度考察新闻评论标题[J].新闻大学，2003，（3）：77-79.
[30]龚诗阳，刘霞，刘洋，等.网络口碑决定产品命运吗——对线上图书评论的实证分析[J].南开管理评论，2012，（4）：118-128.