基于BP神經網絡模型的用戶問答對服裝產品月銷量影響

張炎亮 趙蓓

摘要： 用戶問答作為產品口碑的新型定性化體現，一經推出迅速成為各大電商平臺的熱點。文章以網購平臺中服裝產品的用戶問答為切入點，構建BP神經網絡分析產品月銷量的關鍵影響因素，對電商平臺管理、店鋪經營具有實踐意義。借助分析工具對用戶問答數據內容進行挖掘，構建用戶問答效價詞典，并建立用戶問答相關變量與產品月銷量的BP神經網絡模型進行實證分析。神經網絡仿真結果表明，各相關變量對月銷量存在不同程度的影響，用戶問答數量正向影響月銷量，用戶問答類型中的關鍵影響因素為屬性型回答。

關鍵詞： 用戶問答;在線評論;文本分析;情感分析;BP神經網絡;產品月銷量

中圖分類號： TS941.1

文獻標志碼： A

文章編號： 1001-7003（2021）05-0070-06

引用頁碼： 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

隨著互聯網的普及和飛速發展，網絡購物成為大眾主流的消費方式。傳統網絡購物過程中，消費者通常通過在線評論來預測和判斷商品的質量與口碑[1-3]。然而商品口碑包含多個方面，如品牌、店鋪信譽等都對消費者的購買行為產生重要的影響[4]。研究發現，口碑豐富能夠更好迎合顧客需求的多樣性，因此網絡平臺也推出了更多新的功能板塊來完善客服體驗[5]，如淘寶網在商品詳情頁所推出的“問大家”和京東商城的“問答”板塊，通過用戶問答（Customer Q & As）建立起一個用戶直接傳播口碑的平臺[6]。通過該板塊，潛在消費者可以就產品感興趣的方面向已購買產品的消費者發出提問，淘寶后臺邀請買家進行回答，消費者根據買家回答再進行購買決策。已有學者證明，用戶問答作為新的口碑表現形式對消費者購買意愿存在重要影響[6-7]。然而目前針對用戶問答的研究主要集中在知識社區中的問答行為分析[8]，另一方面針對產品網絡口碑的研究多集中在在線評論與追評上[9-10]，但對于電商情境下用戶問答評論對產品銷量影響的研究較少。鑒于此，本文構建了網絡用戶問答數據神經網絡模型，利用網絡爬取的服飾類商品“問大家”板塊評論數據訓練神經網絡，通過月銷量的變化，分析研究用戶問答評價對產品月銷量的影響。

1 文獻回顧與研究假設

針對基于神經網絡的月銷量影響研究，本文從用戶問答、評論內容類型與在線評論三個方面進行文獻梳理，并建立各自的研究假設。

1.1 用戶問答

對于在線評論的研究，學者們普遍認為在線評論數量正向影響顧客購買意愿[9-11]。而董京京等[12]認為顧客間的信息互動正向影響產品的促銷，用戶問答作為繼在線評論后消費者另一重要信息來源，有效地搭建了一個顧客間進行信息互動的平臺。據研究統計，淘寶網每天有3 000萬的消費者依靠問答信息進行消費決策，通過大數據匹配，超60%的問題可以在10 min內被買家回復[6]。用戶問答作為一種產品口碑新形式，越發深刻影響顧客的購買決策。基于此，本文提出以下假設：

H1：用戶提問數量顯著影響產品月銷量。

H2：用戶回答數量正向影響產品月銷量。

1.2 屬性型評論和體驗型評論

現有研究將在線評論劃分為對產品本身特征評價的屬性型評論和消費者對產品使用體驗評價的體驗型評論兩種類型[13-14]。Park等[14]認為屬性型評論的客觀邏輯性和說服力更強;而Huang等[15]認為主觀的體驗型評論對消費者的感知有用性具有正向影響，具有更高的信息價值。根據此，可推斷用戶回答中的評論屬性同樣影響消費者購買行為，且由于服裝作為體驗型產品具有虛擬交易性和快銷性[16]，在產品質量得到保證的情況下，涉及感受的主觀體驗型評論能幫助消費者更好地可視化產品[17]，在滿足對消費者購買意愿影響更大。對于評論效價的分析，鄭麗娟等[18]認為一個商品評論的情感本體由特征觀點對和觀點次情感組成，構建情感本體可以有效地判斷用戶對產品的態度。蔡慶平等[19]通過建立基于Word2Vec和CNN的細粒度情感分析模型，實現產品特征聚類，研判了用戶對產品特征的關注度和滿意度。因此，對于用戶問答的類型與效價分析是研究服裝產品銷量時的一項重要工作，由此提出以下假設：

H3a：正面體驗型回答比正面屬性型回答對月銷量產生更積極影響。

H3b：負面屬性型回答比負面體驗型回答對月銷量產生更消極影響。

1.3 在線評論

在線評論的數量通常是產品流行程度的一種體現，更是網絡口碑的體現，能夠減少消費者在購買時承擔風險的不舒服感[20]。產品的在線評論有正面和負面之分，即評論效價。有學者認為，負面評價所產生的負面影響大于正面評價所帶

來的積極影響，即“負面偏差”效應[21]。國內外研究普遍認為評論的效價正向影響購買意愿[9，22]。然而，曹裕等[23]針對休閑食品評論效價分析發現，由于食品的特殊性，判斷往往取決于消費者的口味和文化習慣等，進而認為評論效價對食品購買決策無顯著影響。尹春麗等[24]通過在線評論數據挖掘，細化了在線評論中的不同產品特征對消費者滿意度的影響。更有學者探討了在線評論與用戶問答的交互影響，嚴建援等[6]認為用戶問答與在線評論的內容產生矛盾時，用戶問答會對消費者產品態度產生削弱效果。綜上可見，在線評論的數量和正負對服裝產品的月銷量存在重要的影響，基于服裝產品的特殊性，本文提出如下假設：

H4：在線評論數量顯著影響產品月銷量。

H5：負面評論比例對用戶問答影響月銷量的調節作用顯著。

通過對現有文獻的梳理可以發現，對于網絡口碑的研究主要以在線評論研究為主，探究在線評論不同相關變量對消費者購買意愿及產品銷量的影響，而用戶問答作為產品口碑新型定性化體現，其對產品銷量影響的研究仍為空白。本文選擇產品月銷量為因變量，通過網絡爬蟲提取用戶問答相關變量，利用神經網絡研究各變量間的非線性關系，以期達到幫助電商平臺調整管理策略，增加產品銷量的目的。

2 研究設計

2.1 數據收集與處理

本文選取服裝行業，因其具有店鋪多元化和產品多樣性的特點，以此為案例進行分析具有代表性和推廣性。考慮到服裝產品的季節性和女性服裝的多樣性，針對秋季女裝，本文于2020年8月16日從淘寶客戶端選擇83家知名度較高的原創女裝店鋪銷量前三的秋季產品248件，產品類型包括外套、上衣、下裝，爬取了產品詳情中“問大家”板塊的問題39 520條，回答113 248條。樣本店鋪秋季女裝產品提問數量及回答數量用SPSS19.0做描述性統計，結果如表1所示。

2.2 用戶問答類型效價分析

2.2.1 商品提問類型分析

利用NLPIR-ICTCLAS漢語分詞系統對商品提問進行關鍵詞提取，該分詞軟件主要采用交叉信息熵的方法來進行關鍵詞提取，且可以通過交叉熵值自動計算詞匯權重并按權重進行排序。對提取到的數據進行清洗，剔除無意義詞語后得到服裝產品提問的關鍵詞，選取分詞軟件計算所得權重為前10的文本進行展示，結果如表2所示。

由表2可以發現，用戶更加關注的是自己身高體重對應的衣服尺碼，通過統計該類型提問共有13 220條，約占總數的33%，且該類型提問往往是消費者已有購買傾向，為了更好地購買到合適尺碼而提出，故不再將其歸入影響購買意愿的因素中。對于剩下的26 300條用戶提問，為明確其屬性型和體驗型的構成，邀請兩名研究助理先熟悉消費者對屬性型評論和體驗型評論的界定，然后完成對用戶問答類型的判斷工作。通過分析整合判斷結果，本文發現在用戶問答中，屬性型問答略高于體驗型問答，數量為12 624條，約占總數的48%，體驗型問答數量為8 679條，約占總數的33%，另有3%的問答同時包含體驗內容和屬性內容，還有16%問答涉及其他問題的解答。

2.2.2 商品回答效價分析

用戶問答文本效價分析即通過對帶有商品特征、個人感情色彩的消費者評論進行分詞、歸納和情感詞分析，來判斷已購消費者對產品的態度。由于用戶問答是采用“提問+回答”的形式，且沒有具體的評論效價分類，因此針對兩種類型的用戶問答進行情感分析來判斷二者的評論效價。本文構建面向服裝產品用戶問答的情感本體，進而判斷用戶問答效價。步驟如下：

1）特征觀點對提取。通過NLP-ICTCLAS系統對商品提問進行分詞和標注，提取可表示商品特征的動詞、名詞、副詞及形容詞。對于提取出的商品特征詞進行詞頻統計，選擇高頻詞語利用Chameleon算法進行聚類，得出關于商品特征觀點對，并將提取出的商品特征對記為Aj，代表商品的第j個特征。

2）商品回答效價詞典的構建。商品問答效價有正負之分，對于在商品提問中所提取出的商品特征預定義評論效價，然后從商品特征對應的回答中提取的情感觀點詞與預定義的屬性評論效價參照詞比對，依據同義詞合并的規則，確定提取的情感詞歸屬效價，進而建立商品問答效價詞典并按問答類型進行分類，再計算屬性型問答與體驗型問答正負比例。具體構建過程：

3）用戶問答效價數量統計。基于用戶問答效價詞典的識別結果，分別統計正面屬性型問答、負面屬性型問答、正面體驗型問答及負面體驗型問答的數量，預期通過不同類型用戶問答效價的數量分析對月銷量的影響。

2.3 變量描述及統計分析

消費者會綜合考慮產品的詳情介紹、在線評論、用戶問答及店鋪評價等信息來做出購買決策，而消費者的購買決策會直接影響產品的銷量。因此，本文選取的自變量分為用戶問答相關變量、在線評論相關變量與店鋪評價相關變量。其中，店鋪評價相關變量中的店鋪動態評分取近6個月來消費者對店鋪產品描述相符情況的評分，高于同行業水平取正，低于同行業水平取負。變量信息及描述性統計如表4所示。

通過表4可以發現，各研究變量中普遍存在數據分布較為離散的情況，且多個變量（如月銷量/件）存在均值低于標準差的現象，分析認為是由于不同店鋪及不同產品之間受其上架時間、產品質量、店鋪宣傳、店鋪人氣等影響而導致本文所選取產品各項研究數據變異程度過大，分散嚴重情況的出現。

3 實證分析

3.1 神經網絡設計

為探究月銷量與用戶問答之間的關系，針對前文選取的變量，本文使用神經網絡代替傳統回歸分析方法進行變量影響敏感度分析。根據本文變量選取，設置BP神經網絡輸入節點數為10，輸出節點數為1;在確定隱含層節點數量時，利用公式如下：

式中：m為隱含層節點數，n為輸入層節點數，α為1～10的常數。

取初始隱含層節點為5，然后逐漸增加1個節點，用同一組數據進行訓練，結果表明當隱含層節點數為6時，神經網絡足夠復雜，且實驗數據集不會對網絡模型造成額外誤差。最后，本文初始權值設為（-1，1）之間的隨機值，利用Delta學習規則調整節點連接權值并逐漸減少誤差，選取tan-sigmoid作為隱含層和輸出層激活函數。

本文構建的BP神經網絡模型，如圖1所示。

3.2 神經網絡分析

為了避免模型過度擬合，本文采用十折交叉驗證（10-Fold Cross Validation）法，將90%數據用于訓練網絡，10%數據用于測量網絡的預測精度，并進行10次十折交叉驗證求均值，來測試模型擬合結果。在訓練前設置網絡期望誤差為0.003，最大迭代次數為2 000，訓練得到10組神經網絡仿真誤差RMSE統計結果，如表5所示。

由表5統計結果可知，仿真訓練組和精度測試組的誤差均值與誤差標準差都較小，且訓練組的RMSE均值為0.062 5，測試組的RMSE均值為0.063 2，二者十分接近。對兩組RMSE數據進行雙樣本t檢驗，發現兩個樣本的網絡RMSE之間沒有影響。因此，本文確定建立的神經網絡預測輸入變量與輸出變量之間的關系是可靠的。

3.3 變量敏感度分析

BP神經網絡的各層神經元連接強度用權值大小來表示，在神經網絡訓練過程中通過系統誤差反向傳播給前一層神經元來不斷修正神經元之間的連接權重。當神經網絡訓練完成后，利用隱含層到輸出層權值乘以輸入層到隱含層權值可得到輸入變量對于輸出變量的重要性程度矩陣，取重要性程度的均值即為輸入變量對輸出變量的敏感度。本文的10次神經網絡訓練所得產品變量對月銷量的敏感度如表6所示。

由表6可以看出，對于服裝產品月銷量而言，在用戶問答的相關變量中，用戶提問數量與回答數量的重要性程度分別為9.28%與9.45%，都顯著影響了產品月銷量，因此假設H1、H2得到驗證。對于用戶問答內容的類型來看，負面屬性型回答重要度為10.50%，負面體驗型回答重要度為3.16%，因此在負面回答對于產品月銷量的消極影響中，屬性型回答比體驗性回答產生了更消極的影響，因此假設H3b成立;而正面屬性型回答的重要度為7.42%，正面體驗型回答的重要度為583%，在正面回答對產品月銷量的積極影響中，屬性型回答比體驗型回答產生了更積極的影響，原假設H3a不成立，故拒絕。在線評論的相關變量中以在線評論的數量對月銷量影響最為顯著，其重要度為24.67%，因此假設H4成立;在線評論差評比例的重要度為8.78%，也能夠顯著影響產品月銷量，故假設H5成立。在店鋪評價相關變量中，店鋪粉絲數量的重要度為11.72%，也會顯著影響產品月銷量，是值得關注的影響因素。

4 結 論

針對目前關于產品口碑方面的研究，多數只針對在線評論單一因素的網絡口碑形式進行研判產品銷量變化的現狀。本文在理論層面通過建立基于神經網絡的月銷量影響模型，為多變量間的回歸關系研究提供了新的視角。通過將用戶問答、在線評論、店鋪評價三種口碑形式結合，構建月銷量的神經網絡模型，為網絡口碑形式的研究提供了新的思路。在實證層面，本文基于電商平臺的用戶問答數據，結合產品在線評論與店鋪評價信息，對神經網絡模型進行了實證研究，并對三種口碑形式的重要性程度做出了描述，為電商平臺與店鋪經營者對如何建設、利用好網絡口碑宣傳形式給出了建議。

本文在研究網購平臺用戶問答對購買意愿的影響時只考慮了正面與負面的用戶問答對產品銷量的影響，未考慮中性評價是否對銷量產生顯著作用，未考慮在線評論與用戶問答對消費者購買意愿的組合效應影響，以及賣家人工操控用戶問答模塊對消費者產生的影響，這是日后有待改進的方向。

參考文獻：

[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]嚴建援， 李揚， 馮淼， 等. 用戶問答與在線評論對消費者產品態度的交互影響[J]. 管理科學， 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]石文華， 蔡嘉龍， 繩娜， 等. 探究學習與在線評論對消費者購買意愿的影響[J]. 管理科學， 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]吳雅威， 張向先， 陶興， 等. 基于用戶感知的學術問答社區答案質量評價指標構建[J]. 情報科學， 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， 謝志鴻， 等. 在線評論對消費者購買意愿的影響研究[J]. 管理評論， 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]楊楠. 矛盾性追評對顧客購買行為的影響： 以服裝產品為例[J]. 中南大學學報（社會科學版）， 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， 許正良， 方琦， 等. 虛擬品牌社區顧客間互動對其產品創新行為的影響[J]. 技術經濟， 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]李亞東， 李靜， 張炎亮. 服飾類網上店鋪新產品預告對首周銷量的影響關系研究[J]. 絲綢， 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]鄭麗娟， 王洪偉. 基于情感本體的在線評論情感極性及強度分析： 以手機為例[J]. 管理工程學報， 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]蔡慶平， 馬海群. 基于Word2Vec和CNN的產品評論細粒度情感分析模型[J]. 圖書情報工作， 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. 在線評論對消費者休閑食品購買決策影響研究[J]. 管理評論， 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]尹麗春， 王悅. 基于在線評論的圖書消費者滿意度影響因素與作用機理[J]. 圖書情報工作， 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.