王鑫鑫　王亚平　张洪等

关键词： 用户关注度； 信号理论； 搜索型产品； 在线评论； 主题模型

ＤＯＩ：１０．３９６９ ／ ｊ．ｉｓｓｎ．１００８－０８２１．２０２３．０６．００４

〔中图分类号〕Ｇ２０３ 〔文献标识码〕Ａ 〔文章编号〕１００８－０８２１ （２０２３） ０６－００３５－０８

在线评论作为外部的信息资源， 有助于潜在用户了解产品的真实质量， 从而做出正确的购买决策［１］ 。用户的评论信息能体现出用户关注属性及其在时间上的动态变化特征， 有效挖掘评论信息可以为用户传递产品信号， 企业也能通过在线评论信息发现自身产品或服务的不足之处， 从而制定更有效的经营决策。现有在线评论的相关研究主要集中在基于评论信息的用户关注偏好识别和在线评论对消费者购买决策的影响分析两个方面， 很少探討用户在不同时间段关注焦点的动态变化［２］ 。同时， 现有的相关研究较多是偏向体验型商品的［３］ ， 关于搜索型产品的研究相对较少。搜索型产品是指主要属性能够通过可获得信息来客观评判的产品， 体验型产品则是需要自身体验后才获取信息进行评判的产品［４］ 。

基于此， 本文以搜索型产品为研究对象， 以信号理论为理论基础， 从产品特征信号和产品服务信号两个维度出发， 探讨在线评论对用户关注度的动态变化， 构建了基于在线评论的用户动态关注度研究模型， 根据ＬＤＡ 主题模型识别评论中的关键主题并计算主题的关注度强度， 利用Ｓｔａｔａ 回归进行关注度的分析， 揭示用户对不同主题关注度的动态变化特征， 有助于企业了解用户的动态需求， 对企业决策的制定具有重要意义。

１文献回顾

１.１在线评论

在线评论在用户在线购物决策过程中解决信息不对称的作用日益显著， 已经成为用户在购买产品或服务时的重要参考［５］ 。现有关于在线评论对用户关注度影响的研究主要体现在评论内容和用户行为两个方面。在评论内容方面， 主要从产品属性和服务质量来体现用户的关注度， 如Ｎｉｋｏｌａｙ Ａ 等［６］ 提出， 产品的多种属性是用户选择的重要决定因素，研究了用户对不同产品属性的关注偏好； 张艳丰等［７］ 从评论内容维度方面进行文本挖掘， 根据不同的内容属性来辅助用户进行决策行为； 池毛毛等［８］ 分析了两种不同平台用户在主题上的异同之处， 从评论角度分析了产品和服务上的互补和替代性。在用户行为方面， 主要从评论影响用户的关注度、购买决策和需求等方面进行研究， 如孙玲玲等［９］ 对社群用户的在线评论信息进行关注热点的提取， 挖掘热点主题的关注度与满意度； 韦景竹等［１０］ 对评论数据进行情感分析， 客观研究了在线用户的内部和外部需求； 沈超等［１１］ 根据在线评论统计产品属性在每个单位时间内的关注度， 进而描述用户的需求变化趋势。由于用户关注度影响因素是和时间相关的属性， 在产品发布后整个周期都会随时产生变化［１２］ ， 而现有研究缺乏对在线评论的横向时间关联的思考［１３］ ， 因此， 有必要进一步探讨在线评论在不同时间周期内的变化以及这种变化对用户关注度的影响。

１.２用户关注度

用户关注度是衡量用户对其需求关注程度的指标。早期关于用户关注度的研究主要集中在传统媒体对用户关注行为的影响［１４］ ， 网络平台的出现与发展为关注度的研究创设了一个新的研究情境。用户的关注度并非一成不变的， 赋予产品不同的信息会影响其关注度变化。陈璟浩等［１５］ 研究了在线网民关注度变化趋势及影响因素， 分析得到５ 个网民关注的关键主题； 高成等［１６］ 研究发现了不同决策基础下， 用户对产品属性的关注度存在差异； 许泰然等［１７］ 研究了不同的企业策略对用户关注度的影响， 揭示了用户关注度随产品发布时间等变化的发展规律； 张艳辉等［１８］ 发现在线声誉水平对用户关注度的影响不是一成不变的， 而是与声誉水平的高低呈倒Ｕ 型关系。用户的关注度是用户对产品各个属性的关注集合， 而现有研究大多是对某个独立的关注要素进行分析。因此， 本文将信号理论引入到该领域的研究中， 将独立的用户动态关注度属性整合起来， 综合产品特征属性和产品服务属性构建理论模型， 分析产品和服务多属性关注度的动态变化， 进而为企业在产品开发、导入、成长等不同阶段提供决策参考建议。

２理论模型与研究假设

美国经济学家Ｓｐｅｎｃｅ最早提出信号理论， 指出其包含３ 个关键要素， 信号发送者、信号及信号接收者， 该理论主要被应用于买方和卖方信息不对称的情境［１９］ 。依据信号主体的不同， 本文将信号区分为产品特征信号和产品服务信号。其中， 产品的外观、功能、价格、品牌属性属于产品本身的特征， 归属于产品特征信号； 物流和商家服务属于平台业务， 归属于产品服务信号。此外， 产品特征信号又可以根据产品自身固有的、不能被改变的属性，以及与产品本身功能无关、可以被操控的属性分为内部信号和外部信号［２０］ 。因此， 本文进一步细分，把功能和外观属性传递的信息称为产品内部信号，品牌和价格属性传递的信息称为产品外部信号， 最终建立如图１ 的理论模型图。

２.１产品内部信号

产品的价值是它的自然属性， 它是不同领域差异性的集合。从本质上讲， 它可以分为外观属性和功能属性［２１］ 。当用户在浏览评论时， 可以大致获得搜索型产品的自然属性信息。享乐适应理论指出， 积极或消极变化的情绪伊始都会引起个人幸福感的变化， 但这种刺激的状态会逐渐淡化， 幸福感最终回归到稳定的状态［２２］ 。外观属性所带来的审美体验属于享乐属性， 用户会在初期因为产品的外观属性产生积极情感， 但作为搜索型产品， 随着时间的发展， 用户会逐渐适应由享乐属性这一信号带来的刺激， 从而降低对产品外观属性的关注度。基于以上论述， 本文提出以下假设：

Ｈ１： 随着产品时间的发展， 用户对产品外观属性的关注度呈下降趋势

期待确认理论是一种认知理论， 大多被用来研究用户购买产品后的满意度和关注度［２３］ 。王夏阳等［２４］ 认为， 用户在进行购买决策时， 通常会根据评论信息进行产品评估， 然后形成自己的期望。杨晶等［２５］ 指出， 期望确认理论对于用户信息实际结果的感知水平有正向的影响。Ｓｕｎ Ｊ 等［２６］ 发现用户在每一次使用产品中， 都会启动产品的功能属性，重新产生积极的使用体验。搜索型产品的评论信号可以传递大部分的功能信息， 因而用户感知水平就会较高， 有助于增强对产品的认知， 减少购买产品的风险。因此， 用户对搜索型产品的功能信息一直都是较为关注的。基于以上论述， 本文提出以下假设：

Ｈ２： 随着产品时间的发展， 用户对产品功能属性的关注度呈上升趋势

２.２产品服务信号

服务指商家以提供劳动的形式來满足用户需要的一系列活动。根据现有文献分析， 本文把产品的服务分为物流服务和商家服务。石明明等［２７］ 认为，随着消费升级， 用户对服务的期望越来越高， 从而服务优质、有品牌影响力的产品就会得到用户更多的关注。以用户为中介信号可以很好地传递服务消费过程中的体验， 因此用户更重视有相同体验的人所传播的服务信号。网络口碑是用户表达自己意见及期望的一个重要渠道， 可以成为企业发现服务问题的新途径， 进而做出可行的服务决策［２８］ 。服务信息是卖家和平台提供的， 对于用户来说属于不对称信息， 产品的网络口碑所传递的服务信号可以降低信息不对称程度， 为用户提供购买决策。因此，用户在除了对产品本身有要求之外， 对产品的口碑和服务也会更加关注。基于以上论述， 本文提出以下假设：

Ｈ３： 随着产品时间的发展， 用户对物流服务的关注度呈上升趋势

Ｈ４： 随着产品时间的发展， 用户对商家服务的关注度呈上升趋势

２.３产品外部信号

产品的品牌是产品所有者的社会形象， 对于用户来说， 产品品牌的知名度越高， 其质量也会越高。但是从心理学角度来看， 用户忽略个人需求或者产品的质量来跟随别人的意愿选择品牌可能是不佳的。产品的品牌和外观等属性都是富有情感的体验， 属于享乐属性。随着时间推移， 用户会逐渐适应由享乐属性这一信号带来的刺激。同时， 赫尔森提出的适应水平理论认为， 人对当前事物的知觉不仅有赖于外部提供的刺激， 而且依赖先前已经形成的刺激或印象［２９］ 。同一个用户面对同一类型产品刺激的时间越长， 可能就会越不敏感。Ｘｕ Ｆ 等［３０］认为， 用户对处在生命初期的产品认知度是比较差的， 此时用户的评论更多依赖于情感属性， 因此该阶段的评论可信度较低， 此时品牌是用户选择产品的主要依据。对于处于生命成熟期的产品， 用户的认知度较好， 此阶段的用户评论较具真实性， 可信度较高， 用户则会更多地以评论作为购买依据， 品牌的作用会相对减弱。基于以上论述， 本文提出以下假设：

Ｈ５： 随着产品时间的发展， 用户对品牌的关注度呈下降趋势

特征价格理论指出， 用户实际购买的应该是产品的各个属性集合， 每一个属性对应着不同的价格［３１］ 。用户在购买产品前会以大规模的产品评论作为依据来对产品的价格与特征是否相匹配做出评判。同时， 传统价格理论认为， 价格是影响用户偏好的重要因素之一。刘华等［３２］ 认为， 价格在产品市场中主要有质量信号功能与促销信号功能。产品的价格与质量大多数是成正比的， 作为质量的信号，产品价格信息有助于用户评判产品的质量。搜索型产品大多是家电之类的贵重物品， 在促销活动中价格弹性就会相对大一些， 很多用户会选择在大型促销活动中购买家电产品， 所以促销信号功能就会有助于产品的销售。随着网络在线平台的发展， 平台的促销活动也日益频繁， 用户对于价格就会更加关注。基于以上论述， 本文提出以下假设：

Ｈ６： 随着产品时间的发展， 用户对价格的关注度呈上升趋势

３研究设计

３.１数据来源与预处理

本文采用Ｐｙｔｈｏｎ 爬取京东平台上的用户评论。根据文献分析［３３］ ， 选择冰箱这一典型的搜索型产品作为研究对象， 同时， 由于京东平台评论具有一定的时效性， 本文选取的产品均是２０１９ 年左右上市， 至今仍在销售， 具有较完整的评论信息， 共获取到平台２０１９ 年９ 月—２０２２ 年６ 月包括８ 个品牌的２０ 款冰箱的４５ ８４６条评论。为提升主题识别的准确率， 本文对评论数据进行无用或异常字符的去除和相似词汇的替换， 得到不同时间段的分词文档， 进行Ｊｉｅｂａ 分词并转化为词汇—文档矩阵， 最终得到４１ ６２５条有效评论。

３.２主要变量获取

３.２.１解释变量： 用户关注度

根据现有文献分析， 用户对于不同产品的关注属性是不同的［３４］ 。仅从理论部分划分产品的特征很难契合用户对产品的理解。因此， 本文采用ＬＤＡ主题模型挖掘评论主题， 从用户的角度对不同的关注属性进行深入分析， 过程如下。

１） 确定主题数目。对于ＬＤＡ 主题模型， 确定主题数目是关键的问题之一， 为保证结果的科学性与严谨性， 本文采用困惑度并辅助人工来确定最优主题数目。困惑度是用来衡量ＬＤＡ 主题数量精准度的指标， 一般根据困惑度的最低点或者拐点得出各个时间段的ＬＤＡ 主题数目， 然后通过人工筛选判读处理， 避免主题重复及过拟合的问题， 最终确定最优主题数目［３５］ 。以前５ 个时间段为例， 在第一时间段得出主题数为７， 此时间段没有过拟合的主题数， 所以最优主题数为７； 在第二时间段得出主题数为８， 但经人工筛选评判有两个主题中出现重复及过拟合问题， 所以最优主题数为６； 同理得出第三、四、五时间段的最优主题数分别为６、６、７。各时间段最优主题数目如表１ 所示。

２） 用户关注度计算。用户关注度是衡量用户对各用户需求关注程度的指标。关注度数值越大，表明用户对这一产品属性越关注。结合各时间段下的评论文本数量， 计算出在不同时间下的各主题强度， 各个时间段的用户关注度如式（１）：

３.２.２被解释变量： 在线评论的时间序数

本文参考邵景波等［３６］ 的研究， 将在线评论时间序数作为被解释变量， 来描述不同时间段内各属性的关注度动态变化。由于大多数用户在浏览评论时只会选取前几个评论页面的评论数量， 划分时间太短或太长都会影响数据的准确性， 综合考虑各时间段产品销量和利润情况［３７］ ， 本文以在线评论中的相同评论页面数量为划分单位， 将评论数据按照时间顺序分为１０ 个时间段， 得到不同关注度属性的１０ 组评论数据。同时为了减少时间序数值域差异造成的影响， 对其取对数处理［３６］ ， 由此可以得出被解释变量ｌｎｔ。

本文所涉及到的变量描述如表２ 所示。

４实证分析

４.１描述性统计

本文利用Ｓｔａｔａ１５软件进行回归分析， 各个变量的描述性统计结果如表３ 所示。

４.２计算关注度

４.２.１关注度强度

首先， 利用ＬＤＡ 主题模型， 获得不同时间段下的困惑度。本文以第一时间段为例， 如图２ 所示， 当主题数目从６ 变成７ 时， 困惑度曲线出现拐点且明显下降， 然后根据人工评判， 最终确定第一时间段的主题数为７。

按照主题数训练模型， 获得第一时间段内每个主题的词汇分布， 选择概率前１０ 的词汇作为主题代表， 并结合其他词汇输出的信息， 得到各关注主题的识别结果如表４ 所示。

７ 个主题侧重的方面是不同的， ｔｏｐｉｃ０ 包含“品牌、信赖、保障” 等词汇， 显示的是用户关注的品牌因素； ｔｏｐｉｃ１ 和ｔｏｐｉｃ３ 略有重复， 包含“功能、制冷、保鲜” 等词汇， 显示的是产品的功能属性；ｔｏｐｉｃ２ 包含“价格、实惠、价廉” 等词汇， 显示的是产品的价格属性； ｔｏｐｉｃ４ 包含“送货、速度、快递” 等词汇， 显示的是产品的物流服务； ｔｏｐｉｃ５ 包含“外观、漂亮、高端” 等词汇， 显示的是产品的外观属性； ｔｏｐｉｃ６ 包含“客服、售后、服务” 等词汇， 显示的是产品的商家服务。根据得出的主题概率， 发现用户最关注的是功能属性（０.２３６）， 然后依次是产品的物流服务（０.１６７）、外观属性（０.１６６）、品牌属性（０.１６３）、商家服务（０.１４８）， 最后是价格属性（０.１１９）。本文还对各变量的相关关系进行了探究， 结果显示， 功能、物流服务、商家服务、价格属性与时间呈现正相关关系， 品牌和外观属性与时间呈现负相关关系。

４.２.２主题关注度演化

结合不同时间段的评论数量， 根据式（１） 得到各主题在不同时间段的主题强度， 绘制主题强度及演化如图３ 和图４ 所示。图３ 描述了所划分的１０个时间段内各组的主题强度， 即各个时间段内不同属性的关注度值， 图４ 描述了在１０ 个时间段内各个主题的强度演化趋势， 即不同属性的１０ 组数据在各个时间段内的关注度变化值， 因此可以分析随着时间发展用户对不同属性的关注度动态变化。

４.３回归结果分析

本文对各变量进行ＶＩＦ 检验， 其系数都没有超过１０， 故不存在严重的多重共线性问题。表５ 反映了模型的拟合程度， Ｒ^２值越接近１， 模型拟合效果越好。同时识别出的６ 个主题中， 价格主题ｐ＝０.５.８＜０.０５， 即产品的价格属性与时间的关系不显著， 没有进入回归模型［３８］ 。其余主题均逐步进入了模型， 得到模型如式（２）：

本文的假设支持情况如表７ 所示。

１） 从回归结果上看， 产品功能、产品服务与产品发布时间呈现正相关的关系， 即随着时间的推移， 用户对这些属性的关注趋势是上升的。这表明用户在购买搜索型产品时， 对功能属性是一直处于高度关注水平的， 时间的积累并不会削弱搜索型产品的功能属性强度。同时， 用户对于服务的关注度也是处于上升趋势。这是因为随着各个在线平台的激烈竞争与发展， 服务也就成了衡量一个产品及其所在平台优劣的标准之一［３９］ ， 用户对产品的服务也会变得更加关注。

２） 产品的品牌、外观属性与产品的发布时间呈现负相关的关系。产品的品牌和外观属性均属于产品的享乐属性， 享乐属性的性质决定了产品在初期会受到用户的格外关注， 但随着时间的推移， 用户所接收到的积极情绪刺激会趋于稳定， 从而用户的关注度就会降低， 这在一定程度上也验证了享乐属性在搜索型产品领域的适用性。价格没有进入模型， 假设４ 没有得到验证， 这是因为搜索型产品的整个生命周期内价格并没有太大的浮动［４０］ ， 随着人们消费水平的提高， 用户对产品的质量有着更高的要求， 当用户决心购买某类搜索型产品时， 已经根据产品信号的传递掌握了大部分的信息， 价格不再是人们购物的决定性因素。因此， 产品价格与用户动态关注度并没有显著的影响关系。

５总结与讨论

本文以信号理论为理论基础， 构建了用户动态关注度在搜索型产品领域中一个可供参考的理论框架， 通过ＬＤＡ 主题识别， 将用户关注属性分为６个主题维度并得到相应的主题内容， 最后进行回归分析来提取不同时间段下各关注度的变化特征。研究表明， 用户对不同属性的关注度是存在差异的，除价格信号外， 产品的特征信号和服务信号所传递的信息均对用户动态关注度有着显著影响。通过分析用户关注度的动态变化特征， 企业可以有针对性地进行产品或服务管理， 迎合用户日益变化的关注需求， 同时对企业制定决策具有重要意义。企业可以从产品开发、导入和成长方面进行经营管理和信息决策：

１） 在产品开发阶段， 企业可以在初期做好用户调研和市场分析， 准确把握用户对产品外观属性的审美偏好。这是因为搜索型产品在上市后， 企业一般不会再对产品的外观特征做变动或升级， 因此要延长用户的审美体验与享乐适应的过程， 从而保障产品在整个生命周期内持续被用户选择。同时，由于用户对搜索型产品的功能属性的关注度一直处于较高强度， 因此， 在开发产品阶段， 应该着重研发产品的功能属性。

２） 在产品导入阶段， 企业应该给予品牌建设更高的关注度和支持度， 当产品有了一定品牌知名度后， 便可获取由品牌带来的忠诚客户， 提高顾客粘性； 同时， 在产品导入市场后， 应该做好品控，给用户良好的产品使用体验， 并且针对产品功能属性做好广告宣传。

３） 在产品成长阶段， 用户对产品外观及功能之外的服务质量会更加关注， 因此， 在产品成长期内， 企业要加大对物流服务各方面的投入， 促进个性化的物流增值服务， 以提高用户满意度和关注度； 同时， 产品成长期用户已经对产品的功能属性有了一定的认知， 可以在此时期减少对产品功能属性的宣传， 并且可适当减少对品牌的投入， 享受“品牌红利”。

本文只选择了一类产品作为搜索型产品的代表， 难以完全避免产品自身特点所造成的影响， 在一定程度上限制了結论的有效性。在未来的研究中， 可以增加多种品类以及体验型产品的在线评论， 对研究的结论加以验证和补充。