在線負面口碑處理的專家識別方法研究

蔡淑琴，王 旸，王藝興，秦志勇，竇聰穎

(1.華中科技大學管理學院，湖北 武漢 430074；2.深圳證券交易所，廣東 深圳 518038；3.華中科技大學新聞與信息傳播學院，湖北 武漢 430074)

1 引言

隨著Web技術的快速發展和廣泛應用，社會化媒體正以驚人的速度滲透到社會的各個方面，不僅為用戶提供了獲取信息的渠道，還為用戶構建了發布內容和建立關系的平臺。用戶參與、用戶主導、用戶創造已經成為社會化媒體吸引用戶、增強競爭力、提高企業價值的有力工具，生成了大量有商業價值的用戶創造內容(User Generated Content，簡稱 “UGC”)。作為UGC的一種獨特形式，在線負面口碑(Online Negative Word-of-Mouth，簡稱“ONWOM”)是消費者在互聯網中對企業表達的負面觀點和評論[1]，具有數據大、傳播速度快、破壞力強[2]、拒絕解釋[3]等特點，相比企業發出的信息，負面口碑更容易得到他人信任[4]。如果企業未能及時響應處理，會引發大面積的消費者不滿，進而造成企業聲譽受損，品牌價值降低等嚴重后果[5]。然而，由于ONWOM有數量大、傳播速度快等特點，企業單純依靠傳統人工處理方法會面臨成本高、反應速度慢和資源短缺的困境。

社會化媒體為用戶提供了交流互動的平臺，用戶可以在其中搜索信息、發布內容和建立關系，隨著用戶數量增加和用戶間互動增強，少量擁有更多知識的用戶逐漸凸顯，成為專家用戶。Riahi等[6]實驗發現少量專家用戶為網絡社區提供了大部分知識，他們在為他人解決問題和分享知識過程中建立了個人權威，這不僅實現了其個人價值，也為所在平臺提供了更多資源，使其成為社會化媒體高質量知識的重要外部來源。負面口碑處理中，企業過度參與可能會被懷疑而導致喪失自身公信力[7]，若客戶不滿意企業對負面口碑直接做出的反饋將會帶來更強烈的負面情緒[3]。因此，將UGC中的專家用戶看作ONWOM處理資源進行ONWOM處理，可為企業提供ONWOM處理的新途徑。如果能夠識別出這些專家，并給予適當引導，企業可以依賴他們擴充自身知識庫，擴展可調動資源范圍，借助專家知識面廣、知識成本低、容易與其他用戶溝通等優勢優化服務流程、提高服務質量、改善服務體驗，進而提高整體服務水平。但是隨機選擇用戶作為服務方很難達到滿意的處理效果[8]，因此如何提前識別合適的用戶形成服務方專家庫(專家識別)是需要解決的關鍵問題。

現有相關研究已有若干成果。閆強和孟躍[9]研究證明擁有較為極端的情感傾向和較長的正文的評論會正面影響在線評論的感知有用性。Archak等[10]通過實驗證明可以從在線評論數據中提取可操作的信息資源，更好地理解客戶的偏好和行動。Pfeffer等[11]討論了負面口碑網絡傳播風暴的后果，并提供了網絡負面口碑危機的行動指導。Surachartkumtonkun等[12]基于需求理論，用實證方法進行研究認為消費者抱怨是為了尋求相應的經濟補償和自尊補償。蔡淑琴等[13]提出了RFMS模型來測量在線口碑發布者的影響力,應用人工神經網絡識別出意見領袖。Yang等[14]以學術研究社區為背景，認為除了個人之間的鏈接關系，還需考慮研究者所在機構間的連接強度信息對專家識別的作用，通過整合關聯信息、個人社交網絡信息給專家建立多層次的人物畫像，并驗證了方法的有效性。

由以上綜述可知，現有研究存在以下局限：首先，現有研究大多是針對問答或學者推薦的專家識別，少有專門針對ONWOM處理的專家識別研究，本文針對ONWOM處理特殊情境的具體要求，需識別適合此情境的相關專家；其次，現有研究大多只考慮用戶的知識能力并未將專家用戶看作ONWOM處理資源進行識別，然而本文研究中，ONWOM發布方有尋求知識解決方案和情感撫慰兩方面需求，ONWOM處理的特殊性使得僅從知識能力出發的專家專家識別性能不夠，不能滿足ONWOM發布方所有需求導致ONWOM處理失敗甚至引發更強烈的抱怨；最后，基于鏈接的識別方法大多從用戶權威角度出發，沒有明確相應專家的能力結構，推薦的專家不具有針對性，面對ONWOM處理的特殊需求時，難以達到好的效果，不方便企業實際應用。

針對以上問題，本文研究社會化媒體中ONWOM處理的專家識別問題，認為用戶屬性、用戶發布內容等UGC資源是用戶隱性知識的顯性表示，可以利用這些資源進行專家識別。設計的ONWOM處理專家識別方法中，將專家用戶看作ONWOM處理資源，從資源視角出發，建立專家識別資源映射框架，專家識別過程除了考慮體現用戶專業水平的知識能力，還融入了專家參與ONWOM處理的情感撫慰能力，并將用戶互動程度引入到用戶能力特征空間，以此構建ONWOM處理的專家能力得分計算模型，實現專家識別并顯著提高了識別性能。

2 資源映射框架

原始UGC資源有非結構化、碎片化、去中心化等特點，無法直接用于ONWOM處理，需要經過處理加工轉換為合適的形式，才能最大限度的提高ONWOM處理成功率。為清晰理解專家識別中資源的形式和轉換規律，本節從資源視角出發，分析專家識別過程中資源的轉換過程，或稱為“資源映射”過程。

本文專家識別的資源映射過程涉及UGC資源、顯性資源和隱性資源三種狀態。其中，顯性資源是對原始信息資源的結構化表示，描述了資源構成要素，剔除了無關或作用較小的噪音信息，并從集合層面對資源進行聚合，降低了UGC資源的碎片性。隱性資源也源自原始信息資源，但是以顯性資源為基礎，通過相關計算方法得到滿足需求的知識或能力測量，是資源價值的量化表示。相對應，根據資源形式的不斷轉換，將資源映射過程分為顯性資源映射和隱性資源映射兩個階段，以此提出面向ONWOM處理的專家識別資源映射框架如圖1。

圖1 面向ONWOM處理的專家識別資源映射框架

圖1的框架中虛線左側部分表示專家識別中由用戶UGC資源集得到用戶專家得分的過程，虛線右側大方框部分是從資源視角理解的與獲得用戶專家得分過程對應的資源映射過程，虛線表示兩個過程中資源的對應關系。

框架左側部分包括兩個階段，第一階段完成了從用戶UGC資源集向用戶特征表示的轉換，此部分對應資源視角的顯性資源映射，第二階段完成了從用戶特征表示向用戶專家得分的轉換，此部分對應資源映射視角的隱性資源映射。在第一階段中，確定用戶特征表示包含的特征元素是其中的關鍵，隨意選擇特征不僅無法識別出合適的專家用戶，甚至可能導致ONWOM處理失敗。為此，如框架左側上方的兩個圓角方框所示，本文從ONWOM處理的問題背景出發，以ONWOM發布方的價值需求為起點，可以確定成功實現ONWOM處理的需求，這些需求一方面是資源需求體現，另一方面是專家能力結構體現。專家識別中，在通過以上分析過程獲得專家需要具有的能力結構后，將其與用戶UGC資源集的真實數據集合，可得到體現用戶能力結構的用戶特征表示，實際上這是一個從用戶創造的數據中挖掘體現其能力結構的顯性表示的過程。在第二階段中，由于前一階段得到的用戶能力結構只是對用戶具有相關能力的特征描述集合，而專家識別中需要能體現用戶能力的單一量化指標，即專家得分，此得分是用戶能力和價值的量化表示，根據得分對用戶進行降序排序，獲得分數靠前的用戶即是專家用戶?？梢栽O計或選擇合適的計算方法實現從用戶特征表示到專家得分的轉換。

框架右側部分是從資源視角對左側專家識別相關過程的理解，包括顯性資源映射和隱性資源映射兩個映射階段。其中，顯性資源映射是從UGC資源向顯性資源的轉換，隱性資源映射是從顯性資源向隱性資源的轉換。

3 方法設計

與傳統專家識別不同，本文專家識別過程中不僅考慮了直接體現用戶專業水平的知識能力，還考慮了專家參與ONWOM處理的情感撫慰能力，并借助情緒感染機制獲得情感能力的量化指標。此外，本文將用戶互動程度也引入到用戶能力特征空間，以此構建人工神經網絡模型，實現專家識別。

3.1 專家特征表示

本文研究中，ONWOM發布方有尋求知識解決方案和情感撫慰兩方面需求，相對應，如果要成功處理ONWOM，作為服務方的專家需要具有滿足這兩方面需求的能力。即可認為知識方案提供能力(簡稱“知識能力”)和情感撫慰能力(簡稱“情感能力”)是專家能力的組成部分。其中，知識能力是專家滿足ONWOM發布方尋求知識解決方案需求的能力，情感能力是專家滿足ONWOM發布方尋求情感撫慰需求的能力。每個用戶的時間和精力是有限的，在特定情境下，有處理能力的用戶并不一定都愿意參與ONWOM處理，而有參與意愿的用戶也不一定有足夠的處理能力。因此，專家需具有參與ONWOM處理的意愿，只有處理能力而不愿參與ONWOM處理的用戶不是本文所指的專家，只有參與意愿而沒有足夠處理能力的用戶也不是本文所指的專家。因此，為保證價值共創過程的實現，互動階段對服務方專家有互動能力的要求，即服務方除了具有上述知識方案提供能力和情感撫慰能力外，還需具有較高的參與價值共創互動的程度，簡稱“互動程度”。

由上述分析可知，ONWOM處理的服務方專家能力包括知識能力、情感能力和互動程度三方面，其中互動程度是發揮專家能力的前提條件，知識能力和情感能力是實現ONWOM處理的能力體現，用戶參與ONWOM處理的意愿各不相同，具有的知識能力和情感能力也往往參差不齊，而且人數眾多[8]，要想保證ONWOM處理的成功率，需要從以上三方面特征出發，識別用戶中的專家。因此，可將用戶特征表示形式化如式(1)：

U=(KC,EC,DI)

(1)

其中U表示用戶，KC表示知識能力，是Knowledge Capability的縮寫。EC表示情感能力，是Emotional Capability的縮寫。DI表示互動程度，是Degree of Interaction 的縮寫。由用戶的UGC資源得到式(1)的形式化表示，對應圖1的顯性資源映射過程。

為使設計能落到數據層面，下面分析以問答社區為現實環境，認為在此環境中進行ONWOM處理，分別對知識能力、情感能力和互動程度三個特征維度中涉及的細化指標進行分析，并給出具體的測量方法，假設UGC資源均以文本形式出現。

3.1.1 知識能力特征

粉絲數經常被用來說明用戶的權威性[15]，這在社交網絡較強的社會化媒體中效果較好，高粉絲數對用戶等級有很大提升作用，但在知識為導向的問答社區中，通過粉絲關系很難獲得提問者的認同，得到其他用戶直接求助才是對其知識能力的最直接認可。文本長度是體現文本質量的重要指標，較長的文本意味著更詳細的解釋，相比短文本更容易被接受[16]。同時，較長的文本能包含更生動的內容，面對內容接收者時更有說服力[17]，在ONWOM處理中，發布者就更容易接受服務方提供的服務。每個提問者會根據自身情境提出問題，而每個人所處的情境大多不同，答案被最了解問題情境的提問者采納是對回答者問題解決能力的認可，被采納的答案越多說明回答者的知識能力越高。提問者和回答者之外的其他用戶同樣可表達對回答的看法，如果他們贊同回答者提供的答案，說明這些用戶認為回答者提供了提問者需要的知識。作為第三方平臺，問答社區常對質量符合一定規范的高質量答案給予標記，如有些答案被標記為精華答案標簽，這是對回答者知識能力的社區認可。

根據以上分析，本文選擇以下指標為描述用戶知識能力的特征，包括滿意答案數、采納率、收到求助數、贊同數、精華答案數、答案平均長度。其中滿意答案數為提問者接納用戶答案為滿意答案的總數，收到求助數是提問者指定此特定用戶為回答者的次數，答案平均長度指用戶提供的所有答案的文本長度的平均值。

3.1.2 情感能力特征

在心理學領域，情緒感染指個體之間感知捕獲環境中其他人的情緒變化，包括無意識、不自覺的的情緒模仿或趨同，或者有意識、主動的情緒認知和控制下，實現的不同個體間的情緒交互和聚合過程[18]。發布方的負面情緒在服務方正面情緒的影響下得到緩解是一個情緒感染過程。因此，本文假設用戶情感撫慰過程是一個情緒感染過程，服務方相對發布方的情感越正面，其能成功進行正面情緒感染的可能性越大，進而實現情感撫慰的可能性就越大。杜建剛和范秀成[19]采用環境刺激方法，實證研究了在服務失敗和服務補救中服務者對消費者的情緒感染。發現服務失敗過程中，服務者的負面情感越強烈，消費者的負面情緒增加就越多，在服務補救中，服務者的正面情感越強烈，消費者由負面情感向正面情感轉化幅度越大。本文并不研究社會化媒體中不同媒介與情緒感染的關系，而是認為專家通過文本對ONWOM發布方實現情緒感染，達到情感撫慰的目的，以此說明專家能力需包括情感能力特征。

根據以上分析，本文選擇以下指標為描述用戶情感能力的特征，包括答案平均情感得分，答案情感相對正面率。

本文在計算問題和回答文本d的情感極性和強度時，首先對文本d進行分詞、去停用詞處理得到其結構化表示，然后將得到的每個詞與情感詞典中的詞進行匹配，匹配到的正面、負面和中性詞極性分別記為1、-1和0，將d中包含的所有情感詞的極性與強度乘積和作為其情感得分，形式化如式(2)：

(2)

其中SSd表示文本d的情感得分，|d|表示d中包含的情感詞數，SPi表示第i個情感詞的極性值，SIi表示第i個情感詞的情感強度，且1≤i≤|d|。SS、SP、SI分別是Sentiment Score、Sentiment Polarity和Sentiment Intensity的縮寫。

由(2)計算得到用戶提供的所有答案的情感得分后，可用用這些答案情感得分的平均值作為用戶的答案平均情感得分。統計用戶回答的所有問題中答案情感得分比問題情感得分高的問答對個數，可得答案情感相對正面數，形式化如式(3)和(4)：

(3)

(4)

其中P={p1,p2,…,p|P|}表示某單個用戶提供的所有答案所在的問答對集，|P|是此集合包含的問答對個數，其中第j個問答對pj=(qj,aj)包含一個問題qj和一個答案aj，PLN表示問答對集P對應用戶的答案情感相對正面數。此時，可計算用戶的答案情感相對正面率，如式(5)：

(5)

其中PLP表示用戶的答案情感相對正面率。

3.1.3 互動程度特征

ONWOM處理的專家識別中，雖然用戶的知識能力和情感能力是其專家能力的直接體現，然而，知識能力和情感能力傳播的廣度和深度卻決定了用戶能力展現的程度，廣泛而深入的交互是擴大傳播廣度和深度的必要手段，具有良好互動能力，互動程度高的用戶，更有可能成為ONWOM處理專家，因此，用戶互動程度是體現其專家能力的特征。

Chae等[20]研究信息質量和影響力，強調了交互質量在信息影響力中的關鍵作用，進一步則說明交互在表示為UGC資源集的用戶影響力中的重要作用?；映潭鹊囊粋€重要指標是交互頻率，體現了用戶參與解決問題的次數。用戶提問次數同樣可顯示用戶主動創造交互激活的特點，是其互動程度的一種體現[21]，但在本章識別的專家是答案提供者，是信息的提供方，專家互動程度應該反映信息提供中的互動程度，而提問數反映的是用戶獲取信息的互動程度，因此此時不考慮用戶提問數。Liao Hui[22]認為對客戶抱怨的快速回應對抱怨處理有積極作用。及時對相應問題進行處理能減少客戶需求無法得到及時滿足而進一步擴大傳播面積的可能性，及時性可以通過用戶回答問題與提問的時間差來描述。問答社區為調動用戶參與問答的積極性，常組織一些線上社區活動，參加此類活動的用戶可以得到一些社區榮譽，也即用戶獲得此類榮譽的數量從側面反映了其參與社區互動的程度，可作為用戶互動程度的特征。

根據以上分析，本文選擇以下指標為描述用戶互動程度的特征，包括回答數、平均回答時差、社區活動榮譽數。

其中平均回答時差指用戶提供答案的所有問答對中回答時間與提問時間的差值的平均值，表示為如式(6)：

(6)

其中AATI表示某用戶的平均回答時差，atj表示問答對集P第j個問答對中回答發布的時間，qtj表示問答對集P第j個問答對中問題發布的時間。

基于價值共創的負面口碑處理中，服務方專家識別的指標體系如表1。

表1 ONWOM處理的專家識別指標體系

3.2 神經網絡模型

人工神經網絡(Artificial Neural Networks，簡稱“ANN”或“神經網絡”)通過利用計算機程序和電子線路對人類神經系統的抽象和模擬，是計算智能的核心內容之一，其特有的非線性、自適應信息處理能力，適于處理多變量之間的復雜關系，并且已經在智能領域取得很好效果。本文的ONWOM處理中涉及知識能力KC、情感能力EC和互動程度DI三個維度，他們又分別細分為11個二級指標。這些指標涉及到對不確定的隱性知識、人類情感和用戶行為的描述，而且之間關系錯綜復雜，很難用線性的、學習能力較弱的模型準確描述。神經網絡作為非線性的自適應模型，通過多層神經元之間的權值調整可描述多指標間的復雜關系，實現對專家得分的計算。

本文專家得分計算的BP神經網絡拓撲結構如圖2所示：

圖2 專家得分計算BP神經網絡拓撲結構

設神經網絡的輸入層一個樣本X對應的特征向量為(x1,x2,…,xn)，n是輸入層的特征維度；隱藏層向量表示為H=(h1,h2,…,hm)，m是隱藏層的神經元個數；輸出層輸出向量表示為Y=(y1)，輸出真實值表示為D=(d1)，因為計算的專家得分是一個數值，所有將輸出層表示為只有一個維度的向量；輸出層和隱藏層之間的權值表示為V=(V1,V2,…,Vm)，其中Vj=(v1j,v2j,…,vnj)是輸入層的所有n個節點與隱藏層神經元hj的連接權值；隱藏層與輸出層之間的權值表示為W=(W1)，W1=(w11,w21,…,wm1)是隱藏層的每個神經元與輸出層神經元的連接權值。

BP神經網絡的在訓練前需要初始化，根據系統設計確定網絡輸入層節點數n，隱藏層節點數m和輸出層節點數1，初始化權值矩陣V和W，初始化隱藏層閾值a和輸出層閾值b，給定學習速率η，確定網絡的最大訓練循環次數M和學習精度ε，隱藏層激活函數φ(Zj)通常選擇logistic函數，定義如式(7)：

(7)

(8)

其中Zj是第j個隱藏層神經元的輸入，aj是相應閾值。輸出層激活函數選擇線性函數，表示如式(9)：

(9)

其中O=(O1)為輸出層的輸出，b1為相應閾值。根據網絡輸出值O和輸出真實值D可以計算網絡預測誤差，表示如式(10)：

e1=y1-d1

(10)

誤差向量為e=(e1)。判斷迭代次數是否達到最大次數要求，以及誤差是否符合精度要求，如果不符合，需根據誤差反向傳播對網絡進行調整，更新網絡權值的表示如式(11)和(12)：

vij=vij+ηφ(Zj)(1-φ(Zj))xiwj1e1

(11)

wj1=wj1+ηφ(Zj)e1

(12)

其中η是學習率。根據誤差對網絡節點閾值的調整如式(13)和(14)：

aj=aj+μφ(Zj)(1-φ(Zj))wj1e1

(13)

b1=b1+e1

(14)

對網絡權值和閾值調整完后，繼續計算在調整后輸出層的輸出，直至收斂。

4 模型構建與測試

4.1 數據收集

實驗使用的數據采集自搜狗問問，搜狗問問是搜狗旗下最大的互動問答社區，用戶可以在社區中提出問題、解決問題、或者搜索其他用戶沉淀的歷史內容。

數據收集過程如下：從搜狗問問專家欄目“電腦/數碼”領域的所有249位用戶中隨機抽取150位用戶，爬取內容涉及三部分，包括用戶社區統計數據、用戶回答所在問答對內容數據和用戶回答所在問答對屬性數據。因為可能出現一人用多賬號違規行為，首先刪除姓名和個人信息有大量重復或交叉的共7個用戶。然后因為網頁差異，導致數據爬取過程中有些用戶數據相比其真實數量少，為避免因數據不完整對實驗結果的影響，剔除爬取的問答對數量低于30，且比率小于50%的9個用戶，最終獲得有效用戶134人。對134個用戶包含的數據，其中由于網頁格式差異導致部分數據爬取失敗，刪除屬性缺失和異常的數據，同時，由于本文模型和算法都是在文本數據的前提下進行設計，雖然其他形式的數據可以轉化為類似的表達形式，但為了使敘述更為一致，實驗部分將問答中涉及大量圖片等非文本形式的數據刪除，剩余有效問答321910條。每個用戶由以下部分組成：采納率、收到求助數、贊同數、精華答案數、答案數、勛章數、用戶回答所在問答對應文本內容、用戶回答所在問答對應的提問和回答時間。

4.2 建立模型

本章采用3層BP神經網絡結構，包括有輸入層、隱藏層和輸出層。輸入層有11個節點，對應用戶的11個特征，分別為每個用戶的滿意答案數、采納率、收到求助數、贊同數、精華答案數、答案平均長度、答案平均情感得分、答案情感相對正面率、回答數、平均回答時差和社區活動榮譽數。隱藏層節點數的選擇目前沒有統一的方法。這里利用已有的經驗公式，首先借助公式確定節點數的大致范圍，然后用試湊法確定最佳節點數。選擇經驗公式為(15)：

(15)

其中l為隱藏層節點數，m為輸出層節點數，n為輸入層節點數，a為0到10之間的常數。不拘泥于經驗公式，本章選擇的隱藏層節點數試湊范圍是從5到25個，共試湊21次，其中當節點數為15時，誤差較小，且訓練時間在接受范圍。因此，選擇的神經網絡結構為11-15-1，神經網絡的相關參數設定如表(2)：

表2 神經網絡參數

本文從134名用戶隨機抽取80%作為訓練集，共107人，對神經網絡模型中的參數進行訓練。將剩下的20%共27人作為測試集，評估模型的效果。在模型訓練過程中，將107名用戶的11個特征作為網絡輸入，將社區賦予用戶的經驗值作為每個用戶的輸出，此時選擇3位專家對原經驗值進行了人工調整，增大了解決負面情緒問題的權重，以使識別出的專家更適合負面口碑處理。

為避免量綱不同對模型的影響，需對所有的指標進行歸一化，如式(16)：

(16)

其中NVxi表示某指標的測量值xi歸一化后的對應值，xmin表示所有樣本在此指標測量中的最小值，xmax表示所有樣本在此指標測量中的最大值。

4.3 實驗結果

測試集包括27個用戶，將此27個用戶的歸一化特征值輸入到訓練好的神經網絡模型中，可以預測每個用戶的經驗值，經驗值代表了用戶專家能力的得分。為說明本文方法的有效性，這里構造另外4個模型進行對比，分別是只考慮知識能力和情感能力8個特征的神經網絡模型ANN_KS，只考慮知識能力和互動程度9個特征的神經網絡模型ANN_KI，只考慮知識能力6個特征的神經網絡模型ANN_K。同時，選擇均值模型作為基線模型參與比較。

本文選擇MSE(mean squared error)來對比模型間的預測性能，而均值模型的MSE值，可作為鑒別模型的基本標準，MSE的計算公式如(17)：

(17)

根據待比較的幾個模型的特征結構，分別構建相應結構的神經網絡，并利用數據對模型進行訓練，由訓練好的模型對測試集計算得到MSE值如表3：

表3 模型MSE值對比表

表3顯示，同時考慮知識能力、情感能力和互動程度特征的神經網絡模型ANN_KSI的MSE值最小，說明其性能最優。4個神經網絡模型的MSE值比均值模型都要小，說明相比均值模型，基于本文特征結構的神經網絡較好的模擬了特征與專家能力之間的關系。ANN_KSI相比ANN_KS模型在性能上提升23.69%，表明在知識能力和情感能力的基礎上考慮用戶互動程度，有助于提高專家識別準確率。ANN_KSI相比ANN_KI模型在性能上提升26.45%，說明在考慮知識能力和互動程度的基礎上加上情感能力，能更好的識別專家。ANN_KSI相比ANN_K模型又更大程度的性能提升29.99%，進一步說明了，ONWOM處理的專家識別中，除了考慮知識能力，融入情感撫慰能力和互動能力的模型能顯著提高識別性能。

5 結語

現有專家識別方法大多只考慮專家解決問題的知識能力，而在ONWOM處理背景中，單考慮知識能力的傳統方法無法滿足發布方尋求情感撫慰的需求，更無法達到ONWOM處理的互動性要求，容易導致處理失敗。

針對以上問題，本文將UGC中的專家用戶看作ONWOM處理資源，從資源視角出發建立專家識別對應的資源映射框架，并將此過程分為顯性資源映射和隱性資源映射，顯性資源映射是原始UGC資源到結構化用戶特征空間的映射，實現用戶信息資源的結構化表示，隱性資源映射是從用戶特征空間到用戶價值的映射，實現用戶價值的量化，用專家得分表示。與傳統專家識別不同，本文專家識別過程中不僅考慮了直接體現用戶專業水平的知識能力，還考慮了專家參與負面口碑處理的情感撫慰能力，并借助情緒感染機制獲得情感能力的量化指標。此外，互動作為資源整合的條件和情緒感染的前提，本文也將用戶互動程度引入到用戶能力特征空間，以此構建人工神經網絡模型，實現專家識別。實驗證明本文方法能更好的識別負面口碑處理的專家。提出的資源映射框架為專家識別提供一種新的指導方法，構建的模型為理解負面口碑處理專家能力結構提供一種新思路。