基于買家評論文本分析的C2C電子商務推薦信任研究

王興芬，杜惠英

（北京信息科技大學，北京市100192）

一、引言

近年來，電子商務發展迅速，伴隨著互聯網的發展逐漸滲透到人們生活的方方面面。中國電子商務研究中心發布的《2017年中國電子商務市場數據監測報告》顯示，2017年中國電子商務交易額達到29.16萬億元，同比增長11.7%，電子商務交易規模繼續擴大并保持高速增長態勢。網購用戶已經達到5.33億人，同比增長14.3%。我國電子商務在快速發展的同時，投訴率居高不下。據統計，2017年零售電商投訴占比最高，達到60.59%，同比增長7.91%。由此引發了諸多社會問題，其中信任問題最為嚴峻，對用戶決策具有重要影響。

電子商務以互聯網為媒介，可使交易變得更加便捷、快速、高效，但依然無法解決信息不對稱問題，阻礙了用戶信任感的提升，且隨著互聯網傳播速度的加快，用戶在線購買意愿也受到了極大影響。交易平臺設計的信譽系統可在一定程度上緩解這種狀況，對提高用戶對平臺的信心和信任感具有重要意義，然而其有效性卻一直飽受詬病。

本文基于相關研究理論與成果，結合當前研究存在的問題與不足，針對評論文本分析和信任模型開展深入研究，構建新的信任推薦模型，通過以電子商務平臺數據為支撐的實證分析為買家決策提供一定支撐，為電子商務平臺提高信任度提供一定借鑒。

二、研究現狀綜述

迄今為止，已有眾多學者對信任進行了研究，并結合當時的背景和環境融入個人理解給出了各種不同的定義和解釋，其中有幾類得到了廣泛采用。社會學家盧曼（Luhmann N）等[1]認為，信任是一種廣義上的期望，期望他人能夠保持自己的人格，這種人格至少是他已經顯露且為社會看到的人格，在這種期望下他會控制自我、控制欲圖非分之舉的內心，這表明信任是主觀的、樂觀的，且不對期望值進行估計的的一種感性行為。科澤（Coser L A）等[2]從三個方面入手對信任進行了解釋。首先，相信自然秩序、社會秩序是公平的、有利于自身的；其次，相信對方有能力勝任其扮演的角色；其三，相信對方是負責任的，并且會履行義務。

當前有關信任的研究主要集中在兩個方面，一是對信任影響因素的研究；二是對信任計算模型的深入研究。信任影響因素主要從消費者對環境、技術、安全、制度等的感知層面入手進行研究；采用的信任計算模型大多為基于反饋評分的累加模型。

有關信任影響因素的研究成果非常豐富，研究人員從不同的角度和層面入手進行了深入的挖掘和總結。金（Kim D J）等[3]從六個維度入手研究了電子商務信任的影響因素，包括內容維度、產品維度、交易維度、技術維度、消費者行為維度。坦（Tan F B）等[4]從三個維度入手闡述了信任的影響因素，包括個人維度、制度維度和人際維度。其中，個人維度指個人特征、家庭環境和文化因素等；制度維度包括網絡經歷和保護認知因素兩方面；人際維度包括有關競爭力、可信度、善良對待他人和忠誠度的知識。瓦爾楚赫（Walczuch R）等[5]將影響信任的因素分為個體因素、認知因素、經歷因素和知識因素。邵兵家等[6]將影響信任的因素歸納為企業自身、企業網站、消費者個人因素和環境因素。耶爾文佩（Jarvenpaa S L）等[7]將影響信任的因素分為施信方過去的經歷、戰略定位、信任傾向和對控制的感知。杰芬（Gefen D）[8]認為，信任受對受信方熟悉程度以及個人信任傾向的影響，并由此推斷信任與施信方個人特征及對受信方的感知存在較大關系。

信任模型是一種量化的評論體系，使得平臺的信任程度可用數值進行衡量。國內外有關信任計算模型的研究已經取得了較多成果，提出了各類拓展的信任度量模型。通過梳理各類信任模型相關文獻，根據直接交互信任計算方式的不同，將之分為基于概率論的信任模型和基于評分累加的信任模型；根據應用范圍的不同，將之分為P2P電子商務信任模型、文件共享信任模型、數據管理信任模型和協同計算信任模型。其中，甘早斌等[9]構造了一個信任網絡，以形式化語言進行描述，認為信任由直接信任和間接信任兩部分組成，同時提出了影響信任的時間衰減因子，采用評論相似度來衡量信任推薦的可信度。李道全等[10]對推薦節點進行擴展，除考慮具有直接交易關系的節點外，還引入了二層節點即有間接交易關系的節點，綜合考慮時間、金額、交易失敗次數等因素，針對交易失敗次數設置懲罰因子，該模型在理論上能夠提高推薦的準確性并有效遏制惡意節點的攻擊，但二層節點的推薦權重問題并未得到解決。巴爾加瓦（Bhargava K）等[11]對評論內容進行分析，根據情感分析結果修正評分，提出了基于評論內容分析的信任模型，該模型能夠挖掘評論文本所表達的主觀信息，減少根據客觀評分判斷買家情感出現的偏差，但對評論本身是否具有推薦價值缺乏考慮。波恩特拉科（Porntrakoon P）等[12]采用神經語言程序學（NLP）方法對評論文本進行信息抽取，得出評論所涉及的維度，對不同維度賦予不同權重，對每一個維度結構（中心詞，修飾語）中的修飾語進行情感分析，計算該維度信任得分，結合各維度權重獲取每條評論的信任得分，最后對所有評論信任得分進行求和獲得對該商家的信任值，在各維度權重的選取上，只是根據該維度評論條數占所有維度評論總量的比重來確定，其合理性和必要性有待進一步研究。應志恒等[13]考慮交易時間、金額等因素的影響，引入反饋機制，建立了全新的信任推薦模型，該模型能夠有效挖掘評論的真實推薦價值，提高計算所得信任值對買家決策的參考價值，且具有較高的可靠性。

基于已有研究成果，本研究以真實的消費者對消費者（C2C）電子商務交易過程為出發點，結合交易現狀開展研究。

首先，對當前研究存在的問題進行了歸納：一是買家購物后發表的評論通常為習慣性好評，買家交易信息獲取難度大；二是買家之間幾乎沒有交流，無法建立有效的熟悉度關系；三是多數買家僅在第一次與某商家接觸時才會進行信任判斷，若是發起第二次交易，則說明買賣雙方信任已經建立，而如果第一次交易失敗，那么買賣雙方將無法建立有效信任。買家對賣家的初始信任一般通過其他買家對商家的推薦建立，而推薦的主體便是買家在交易完成后給出的評論信息。在信任研究中，對評論信息的利用通常是憑借評論標簽，即好評、中評、差評進行信任的累加，并沒有對評論信息的內容進行分析，而根據觀察，評論標簽與實際評論內容存在不相對應的情況，好評標簽下的評論內容可能并非好評，存在評論內容反映信息較少的情況，無法產生推薦效果。

接下來，對評論信息進行有針對性的分析，對評論信息分析算法進行拓展，挖掘其真實推薦價值。具體評論信息分析步驟如下：

第一步：標準評論信息詞組的確定。選定標準評論信息，涵蓋物流、商家、產品、服務四個方面，取四個詞的相關詞語各十個，形成標準評論信息詞組。

第二步：推薦權重的確定。依據評論文本與標準評論詞組的相似度，確定評論推薦權重。

第三步：評論文本情感分析。對評論文本進行情感分析，得到評論的真實情感傾向，進而綜合考慮時間、金額等信息，建立推薦信任模型。

三、評論文本相似度分析

標準評論信息詞組是某一維度評論詞語的集合，這組詞語能夠較為準確、全面地代表該維度可能出現的評論內容。因此，這組詞語所代表的評論內容對消費者具有較高價值。如果某一文本內容與有關詞組相似，那么相似程度越高，評論文本對消費者的推薦價值就越接近，利用相似度，我們可以較為準確地衡量兩個文本內容的接近程度。文本的相似度指兩個文本特征的匹配程度。當前計算文本相似度較為常用的方法主要可分為兩類：一類是基于統計的方法，包括基于向量空間模型的詞頻—逆文檔頻率（TF-IDF）算法、基于漢明距離的相似度算法和基于隱性語義索引的相似度算法；另一類是基于語義理解的相似度算法，這類方法依賴于語義詞典。對于買家評論，評論文本一般篇幅較短，包含的詞語較少，反映文本特征的特征詞也比較少且頻數低，利用統計的方法無法通過有限的特征詞來表達文本的主題，因此將文本相似度的計算轉化為特征詞之間相似度的計算是一種較為合理的方法。本文采用的是基于知網語義詞典的相似度分析方法，其優勢在于不需要復雜的計算，不必考慮數據稀疏問題，且對語料的依賴程度相對較低，對電子商務網站評論信息的分析具有較好的適用性。

（一）詞語相似度

在知網語義詞典中，收錄了1 618個義原，這些義原按照上下位關系形成了層次體系嚴密的義原樹，所有義原形成了多個義原樹，分別是事件、實體、屬性、屬性值、數量值、次要特征、語法、動態角色與特征。其中，前面七個為基本義原，后面兩個分別為語法義原和關系義原，此外在描述概念的語言表達式中還會包含一些符號，稱為符號義原。實詞的語言描述表達式均由基本義原（Basic）表達式、語法義原（Grammar）表達式、關系義原（Relation）表達式、符號義原（Symbol）表達式組成，其中基本義原表達式是必要的，而虛詞的語言描述表達式則由關系義原表達式或語法義原表達式組成。

假設存在兩個詞w1和w2，它們的義項集分別為和c22，…，c2m）。規定w1和w2之間相似度的計算方法為，取中的任意一個義項c1i和中的任意一個義項c2j進行相似度計算，所得到的最大相似度即為w1和w2的相似度sim（w1，w2），即：

其中，wu1x、wu2y為c1i、c2j中的兩個義原，k為兩個義項同類義原按相似度最大原則匹配的義原對的數量。當m＜n時，k=m；當m＞n時，k=n。x≤m，y≤n。

義原在知網詞典表達體系中均有各自的相對位置，因此兩個義原的相似度可根據它們在義原樹中的相對位置加以衡量。假設兩個義原之間的相對距離為d，那么義原的相似度sim（wu1，wu2）可以表示為：

其中，θ為可調節參數。

（二）文本相似度

評論由詞語構成，評論的相似度取決于詞語間的相似度。傳統向量空間模型容易產生緯度高、數據稀疏、計算復雜度高等問題。本文根據語言表達的特性（即每一個短文本都由幾段用標點符號分隔的短句組成，每一個短句都表達了一個中心意思），將兩條評論文本D1和D2按照標點符號切分為，取中的一個短句s11和中的任意一個短句s2j計算相似度，與相似度最大的短句組成相似對similars11（s11，s2j）。同理，找到其他所有相似對，組成相似對集合相似對similars1i的計算式為：

其中，w1i、w2i分別表示s11、s2j中的詞語。當m＜n時，k=m；當m＞n時，k=n。

假設共有N個相似對，則文本相似度sim（Di，Dj）的計算式為：

（三）相似度方法實現流程

選擇標準評論文本的第一步是確定主題詞。本研究以U盤為交易產品，選定的主題詞是物流、商家、產品、服務。根據主題詞搜索相關詞，包括名詞和形容詞，最終形成四個主題詞組。形成主題詞組的方法為，首先獲取評論文本，然后進行分詞，以分詞文本作為語料庫，應用詞向量（word2vec）模型進行訓練，該模型能夠根據語料將詞語表示成向量模式，并用向量之間的余弦值衡量詞語的相似度[14]，以主題詞作為輸入，輸出與主題詞相關的若干詞語，即可從中選擇相似度較大的詞語和主題詞一起形成主題詞組。

利用爬蟲工具獲取某電子商務網站10萬條評論作為訓練語料，經過訓練，輸入主題詞后得到相關詞語表，從中篩選出語義相近的10個詞語作為標準評論語句，得到物流詞組seglogis、商家詞組segseller、產品詞組segproduct、服務詞組segservice分別為：

seglogis=（物流，送貨，發貨，快遞，配送，貨物，服務，運送，自營，態度）

segseller=（商家，店家，廠家，賣家，負責，答復，提供，愛理不理，投訴，不負責任）

segproduct=（產品，商品，品質，物品，質量，東東，信得過）

segservice=（服務，態度，售后服務，一流，配送，周到，小哥，優質，良心，掌柜）

根據確定的標準評論文本詞組，結合本文設計的文本相似度算法，分別得到各評論文本與標準評論文本的相似度。具體實現流程參見圖1。評論文本和標準評論文本均為詞組形式。其中，評論文本表示為segD1=（s11，s12，…，s1m），標準評論文本表示為segstd=（seglogis，segseller，segservice，segproduct）。將s1i與segstd中的詞語進行相似度計算，取最大的一對進行匹配，已經匹配過的不再進入匹配，由此形成最優匹配。

四、評論文本情感分析

圖1 相似度算法流程

每一條評論都表達了評論者的感情，或正向，或中性，或負向，網絡購物平臺將這些評論分成了好評、中評、差評三類。然而，有些帶有好評標簽的評論其內容卻可能為中性或帶有負面情緒，中評和差評標簽所對應的評論內容也存在類似情況。很多信任模型在匯集評論信息時，并沒有考慮到這一點，在信任累積過程中直接對好評、中評、差評進行加1、加0、減1的操作，這樣是無法反映評論者真實情緒和商家實際情況的。因此，本文對評論內容進行情感分析，通過分析得到正向、中性或負向情緒，并對不同情緒下的信任累積進行不同的處理，以更加真實、有效地反映商家的實際信用狀況。

（一）情感分析方法設計

借助知網語義詞典推進本文的研究。知網語義詞典中存在一些具有貶義或褒義的詞語，其中褒義詞匯包括褒義評論詞和褒義情感詞共4 566個，貶義詞匯包括貶義評論詞和貶義情感詞共計4 370個，對不同的詞語分別賦予不同的情感值senV以表達不同的感情。

對評論文本Di按照標點符號進行分割，可以得到幾個短句，即segDi=（si1，si2，…，sin），每個短句都表達了一個主題。比如，對評論文本“這也太坑人了吧，買的64G怎么只有57.9G，少了6.1G，少了10%，這就是大品牌的U盤？果然很垃圾”進行分割，可以得到si1={這也太坑人了吧}，對si1進行分詞，去掉虛詞、指示代詞得到相應的詞組sci1={“太”，“坑人”}。與之類似，可以發現，這類詞組一般包括1～5個詞語，而詞語之間的組合可以達到20種之多。對存在程度副詞和否定副詞的詞組應當予以特別重視，因為這兩類詞語能夠加強某些詞組的情感強度或者造成語義反轉。

對文本Di進行分割后得到對其中的短句sij進行分詞，對每個短句進行情感分析，得到每個短句的情感極性值規定整個文本的情感極性值為：

假設短句sij中存在組合A+B，則對于A+B情感極性值senti（A+B）的計算可對照以下幾種情況進行：第一，如果文本中詞語A的情感極性值已知，直接取已知情感極性值senti（A）；如果A的情感極性值未知，比較A與各情感極性值已知詞語term的相似度sim（A，term），取最大值max（sim（A，term）），則A的情感極性值為senti（term）×max（sim（A，term））。第二，如果A是程度副詞，B是中心詞語，則A+B的情感極性值senti（A+B）=level（A）×senti（B）；如果A是中心詞語，B是程度副詞，則A+B的情感極性值senti（A+B）=level（B）×senti（A）。第三，如果A是否定副詞，B是中心詞語，則A+B的情感極性值senti（A+B）=（-1）×senti（B）；如果A是中心詞語，B是否定副詞，則A+B的情感極性值senti（A+B）=（-1）×senti（A）。第四，如果不存在程度副詞和否定副詞，則A+B的情感極性值senti（A+B）=senti（A）+senti（B）。可見，對于組合A+B的情感極性值senti（A+B），其計算式為：

而短句si j的情感極性值可根據其詞語組合的具體情況加總得到。

（二）情感分析方法實現流程

運用分詞工具，采用Python軟件的分詞模塊jieba0.39對文本進行分割，得到，繼而對進行分詞，去掉停用詞后得到表征文本情感的幾個詞語組合。將詞語組合中的詞語與所建立的情感詞典進行匹配，如果檢測到包含正面詞語、負面詞語、程度副詞或者否定副詞，則按照相應的規則進行處理，并在所有詞語組合匹配完畢后對詞語組合的情感值進行加權平均，得到文本的情感極性值。情感分析流程參見圖2。

圖2 文本情感極性值計算流程

五、推薦信任計算模型

信任受諸多因素影響，梳理相關文獻發現，影響推薦信任權重的因子有交易時間、交易金額、反饋評分、交易失敗次數等。重點考慮初次交易時買家對商家的信任，將交易時間、交易金額作為影響信任的因子，并引入評論中心度因子、評論情感因子進行綜合考量。

（一）交易時間因子

按照常識，當前時間的成功交易更容易使買方對賣方產生信任感，隨著時間的流逝，其信任感會慢慢變弱，商家的行為也會發生變化。因此，對于買家給出的評論，一段時間之前的評論可能無法準確反映賣家當前的實際情況，而在一定的時間之內，這種信任感的弱化會比較緩慢。用時間窗Δt來衡量這段時間，即在當前交易時間Δt內，信任感不會變化，當間隔大于Δt時，信任感就會隨著時間間隔的增大呈加速弱化狀態。那么，時間因子T（Δt）Di可以表示為：

其中，e為歐拉常數，v表示交易的時間窗。

（二）交易金額因子

在大額交易情況下，買方通常會在仔細斟酌的基礎上進行交易決策，交易完成后對產品情況的反映也相對認真，給出的評論往往能夠比較真實地反映交易的實際情況，且大額交易中商家的態度對于反映商家真實的信譽狀況也極其重要。本文認為，交易金額越大，其評論的參考價值越高，推薦的可信度越高。金額因子MDi可表示為：

其中，Mn為第n次交易的金額，n為交易的總次數。

（三）評論文本中心度因子

每一條評論的內容都不盡相同，不同的買家其表達的方式不同，表達的情緒不同，表達的內容不同，都會導致評論價值的差異。不同的評論其參考價值也截然不同，有的評論簡短，有的評論涉及內容很多，有的評論僅僅表達購物心情，有的評論與購物內容無關，它們對推薦信任累積的重要性也不同。按照本文設計選定標準評論文本，隨著兩者相似度的不同，其推薦的重要性也會產生相應的變化。因此，根據公式（5），設置評論中心度因子RDi：

其中，Dstd表示標準評論文本，Di表示任一評論文本。

（四）評論情感因子

多數研究者按照好評、中評、差評的標簽進行推薦信任累積，即好評加1，中評加0，差評減1。這種方式簡單、便捷，有利于快速計算賣家信用度，但沒有考慮大量的評論標簽與評論內容不相符的情況。比如，好評標簽對應的內容有中性的，有表達不滿情緒的，差評標簽對應的內容也有中性的，中評標簽對應的內容有表達肯定態度的，僅僅按照評論標簽進行推薦信任累積并不合理。本文設計了情感分析方法，分析每一條評論所表達的情緒，確定每一條評論的情感傾向，獲取情感極性值。評論表達的情感包括正向、負向和中性三種情況，不同的情感對評論推薦作用具有不同的影響。根據公式（6），評論的情感因子sDi可表示為：

在網絡購物中，買家初次購買時，由于缺乏與商家交易的歷史經驗，加之雙方信息不對稱，很難對商家有一個準確的把握。在這種情況下，買家往往很難進行購物決策，而其他買家的評論正好可以幫助其了解商家、產品、物流等相關情況。因此，評論對獲取信任具有非常重要的作用，而每條評論因屬性不同其參考價值也不同。本文提出了交易時間、交易金額等因素，并引入評論中心度和評論情感兩個因子，進而分析其對推薦信任的影響。推薦信任是所有評論產生的信任值的累加，本文規定推薦信任RT的計算式為：

其中，n為選取的評論條數。

六、模擬仿真

研究數據來源于某知名電子商務網站，共選取10家銷售U盤的店鋪，每個店鋪選取1 000條評論數據。得到的信息包括買家用戶名、買家信用等級、買家評論等級（好、中、差）、評論文本、產品類型、產品規格和評論時間，形成了多屬性的樣本數據。仿真內容為對比直接按照好、中、差評標簽累積信任值和按照本文模型進行信任累積的變化趨勢。采用Python軟件對實驗進行模擬仿真。結合樣本數據和研究對象特點，選擇表1所示的主要參數和取值。

（一）信任累積趨勢分析

信任的累積指通過好評加1、中評加0、差評減1的方式，對所有相關評論進行累加求和，以獲取消費者對商家的信任值，信任值的高低可在一定程度上反映商家的可信程度。本節選取了1 000條評論，其中好評500條，中評300條，差評200條，模擬隨著評論的增加一般信任累加模型與本文模型信任值的變化情況。

一般信任累加模型根據評論標簽所對應的分值進行信任累加。由圖3可以清楚地發現，一般信任累加模型的信任累加值僅反映了評論數量的變化，而本文模型的信任累加值則呈曲線變化趨勢，累加速度更緩慢，更符合實際信任增長情況。

此外，還模擬了對信任取平均值時信任值隨交易次數增加而產生的變化情況。對信任取平均值時，一般信任累加模型的信任值沒有任何變化，本文模型能夠根據評論的內容動態反映信任值的變化。因此，本文模型能夠更加真實地反映信任值在交易過程中的變化。

表1 本文參數取值

圖3對信任值的求和模擬過程展現了不同類別評論的混合累加，好評和差評產生的累加速率較一般信任累加模型低，中評也對信任累加產生了影響。因此，一方面，本文模型有效區分了好評、中評、差評三類評論對信任累加的影響；另一方面，本文模型不同于一般信任累加模型，體現了對某一類別不同評論的區分。在對信任值取平均值的實驗過程中，選取某一類評論進行分析，結果發現本文模型能夠打破既定評論類別劃分界限，挖掘評論文本潛在意義。綜合以上分析，說明模型既符合信任累加的一般規律，又體現了優化信任累積的效用。

（二）交易成功率分析

交易成功率指總交易次數中成功交易次數所占的比重，抽取20家店鋪共20 000條評論，以好評數作為成功交易次數，對本文模型與一般信任累加模型進行比較，即在信任值相同的情況下對本文模型的信任值與一般累加模型的交易成功率進行比較。

圖3 信任累加趨勢（求和）

圖4 交易成功率分析

由圖4可以看出，在信任值相同的情況下，交易成功率高于一般信任累加模型，即在交易次數相同的情況下，為使本文模型的信任值與一般信任累加模型一致，需要數量更多的好評。因此，本文模型能夠更加真實地反映真實信任的積累，所得到的信任值也更具可信度，具有較好的適應性與實用價值。

七、總結與啟示

（一）研究結論與局限性

目前有關推薦信任的研究大多基于買家評分，卻沒有考慮評分與評論內容的一致性，即沒有分析好評的內容是否表達了積極情緒，中評的內容是否完全中性，差評的內容是否表達了負面情緒，因此直接進行評分累加將導致信任評估失準。而且，當所有評論都是好評時，計算得到的信任值將無法體現商家的實際信用狀況。此外，沒有考慮評論文本是否具有推薦價值，即評論所表達的主題與購買商品是否相關或具有一定的相關性。而本研究則解決了上述問題，主要結論如下：

1.在理論上，本文從評論文本分析入手建立了新的推薦信任模型，通過比較評論文本與選定標準文本相似度，分析評論文本情感值來確定文本推薦價值，并引入評論文本中心度和評論文本情感因子作為信任的影響因子，此外還考慮了交易時間、交易金額等因素，使模型更具客觀性。

2.設計了合理的情感分析方法。本研究借助了知網語義詞典，其中存在一些貶義或褒義詞。對評論內容進行情感分析得到正向、中性和負向情緒，對不同詞語分別賦予不同的情感值senV以表達不同的情感，對不同情緒下的信任累積分別進行處理，以更加真實、有效地反映商家的實際信用狀況。

3.在情感分析實現工具上，本文采用Python軟件的分詞模塊對文本進行分割，去掉停用詞后得到表征文本情感的幾個詞語組合，將詞語組合中的詞語與所建立的情感詞典進行匹配，對詞語組合的情感值進行加權平均，得到文本的情感極性值。

4.在實證分析上，本文采用Python軟件對實驗進行模擬。仿真結果表明，與一般信任累加模型相比，本文模型的信任累加值呈曲線變化趨勢，累加速度更緩慢，更符合實際信任增長情況。從平均信任累計趨勢看，一般信任累加模型的信任值沒有任何變化，本文模型能夠根據評論的內容動態反映信任值的變化。從交易成功率看，在信任值相同的情況下，本文得到的交易成功率高于一般信任累加模型，因此本文模型能夠更加真實地反映真實的信任積累，得到的信任值也更具可信度，具有較好的適應性和實用價值。

綜上所述，在理論方面，本研究拓展了文本分析方法，對文本相似度分析算法和情感分析算法進行了研究和優化，基于評論文本分析提出了綜合考量文本相似度、文本中心度、評論文本情感等因素的信任影響因子體系，對研究電子商務平臺信任具有一定的理論意義。在實證分析方面，以電子商務網站實際評論數據為支撐，結合Python算法編程加以實現，驗證了算法的有效性，形成了切實可行的算法體系，具有一定的實踐指導意義，為電子商務網站提高信任度和幫助用戶購買決策提供了科學合理的理論支撐。因此，本文模型對推薦信任模型構建具有重要指導意義，能夠為消費者提供有效的決策支持。

當然，本研究仍然存在很多局限性。評論文本相似度分析采用基于語義的方法，基于語言表達特性對評論文本按照標點符號進行切分，匹配出最大相似度對，并以所有匹配對相似度的算術平均值作為兩個文本的相似度，并沒有對匹配對的內容進行識別，即兩個匹配對可能均為針對同一維度的評論，因此后續研究需要對匹配對的內容進行預處理。在情感分析方面，評論文本中包含很多表達特定情感的中性詞，為準確識別評論所表達的情感傾向，還需要進一步擴充情感詞典。此外，本文對惡意差評、共謀評論識別能力有限，需要對這些類型的評論加以特性分析并進行相應處理，以提高評論的可靠度。

（二）啟示

1.對電商而言，消費者信任對電商平臺發展具有重要影響，是電商平臺的核心競爭力之一，因此電商應當在保障產品質量的同時，致力于提高平臺的信譽度和便捷度。此外，電商平臺還需要在惡意差評規避、好評可信度保障、用戶信息與財務安全等方面作進一步的考量和提升。

對平臺而言，在設計評論模塊時，需要重點結合相似度分析方法，通過比較評論文本與選定標準文本的相似度和分析評論文本的情感值來確定文本推薦價值，并考慮交易時間、交易金額等因素的影響來確定推薦度，這樣有助于提高評論文本的參考價值。

2.對消費者而言，在線評論信息是消費者判斷電商平臺信任度的重要依據。只有結合在線評論文本分析與情感分析，科學合理挖掘買家在線評論所體現的信息，才能科學判斷電商平臺信譽度，由此形成更加理性的消費，更好地保障消費者權益。

3.監管機構的嚴格監督以及各類政策法規的規范是電子商務健康發展的重要保障。電商、消費者和監管機構只有共同努力，才能營造良好購物環境，保障電子商務健康有序發展。