基于深度學習的生鮮電商物流服務質量評價

摘要：為推動物流服務質量評價方法的創新融合與發展，實現全面精準評價，以京東生鮮在線評論為研究對象，構建評價指標體系，采用雙向長短期記憶網絡（BiLSTM）結合注意力機制（ATT）模型對其展開情感分析。研究結果表明，京東生鮮的物流服務質量整體呈積極上升趨勢，物流服務人員的專業程度具備顯著優勢，但包裝質量的保障服務存在不足，評價指標體系與深度學習模型相結合的方法可以更全面地反映消費者對物流服務質量的滿意程度。

關鍵詞：物流服務質量；深度學習；情感分析；雙向長短期記憶網絡；注意力機制

中圖分類號：F252；F713.36文獻標志碼：A

收稿日期：2024-06-22

基金項目：

國家社會科學基金（批準號：21BTQ104）資助。

通信作者：

李江波，男，博士，副教授，主要研究方向為信息計量學。E-mail：jiangbosky@sina.com

隨著生活水平的提升以及互聯網技術的發展，消費者越來越傾向通過電商平臺購買生鮮商品。然而，生鮮電商在物流服務質量方面的問題日益凸顯，發貨遲緩、配送頻繁超時、商品腐爛嚴重等問題導致消費者投訴和差評的現象頻繁發生。物流服務質量與顧客需求之間的巨大差距，使越來越多的生鮮電商意識到物流已成為制約其迅速發展的關鍵因素，企業間的競爭正逐漸從商品競爭轉向物流服務質量的競爭^[1-2]。在此背景下，準確評價物流服務質量對推動生鮮電商的快速發展至關重要。傳統物流服務質量評價主要采用構建評價指標體系的方法，通常以SERVQUAL模型^[3]和LSQ模型^[4]為理論依據，進行相應的調整和應用。例如，以SERVQUAL和LSQ模型為基礎，構建了適用于農村電商的物流服務質量評價指標體系^[5]。隨著自然語言處理和深度學習等技術的廣泛應用，基于在線評論的情感分析成為一種新興且有潛力的物流服務質量評價方法，如采用三重圖神經網絡（TGNN）模型對在線評論文本展開情感分析，以此評估消費者對物流服務質量的滿意程度^[6]。傳統物流服務質量評價的數據主要來源于問卷調查，但易出現主觀偏差^[7]。新興評價方法基于在線評論數據，評價結果更加科學、客觀^[8]，但在線評論數據可能存在虛假、惡意或者極端情緒化的傾向。盡管情感分析技術不斷的改進，在處理復雜語言任務時的準確性仍需提升^[9]。為進一步提高情感分析的準確性和可靠性，同時避免數據收集中的主觀性偏差^[10]，本文構造了京東生鮮物流服務質量評價指標體系，構建了結合雙向長短期記憶網絡（Bidirectional Long Short-Term Memory，BiLSTM）和注意力機制（Attention Mechanism，ATT）的BiLSTM-ATT模型，用以分析京東生鮮的在線消費者評論數據，以此全面、客觀地評價消費者對京東生鮮物流服務質量的滿意程度。

1 研究設計

1.1 數據獲取與預處理

1.1.1 選擇研究對象 以京東生鮮平臺的在線評論為研究對象。京東生鮮作為中國領先的電商平臺，擁有廣泛的商品種類和豐富的消費者群體，通過分析京東生鮮在線評論中關于物流服務質量的情感反饋，能夠有效了解京東生鮮物流服務在滿足消費者需求和期望方面的表現。

1.1.2 數據收集 篩選京東生鮮商城具有高評論數量并具備京東物流配送服務的代表性商品共155件，利用商品唯一標識ID來構建訪問URL，并將URL儲存至指定數組。基于Python3.11的環境，使用requests和BeautifulSoup庫設計爬蟲程序，訪問該數組所有的URL并進行爬取，最終成功收集從2016-07-30至2023-12-07，共107 458條評論數據。

1.1.3 文本預處理 包括數據清洗和分詞兩個步驟，均使用Python實現。數據清洗使用re庫的正則表達式功能去除文本的特殊字符、標點符號、空格和換行符等無關信息，分詞使用jieba庫和停用詞表。分詞時引入自行構建的物流領域專業詞匯^[11]，確保分詞結果能夠全面涵蓋與物流服務質量相關的詞匯。使用停用詞表時整合了哈爾濱工業大學停用詞表、百度停用詞表以及四川大學機器智能實驗室停用詞表^[12]，全面剔除評論數據的停用詞，提取具有關鍵意義的詞匯。

1.2 構建物流服務質量的關鍵詞庫

1.2.1 構建關鍵詞庫 基于分詞的詞頻統計結果，構建了物流服務質量關鍵詞庫。詞云圖（圖1）直觀地展示了關鍵詞庫的內容，可以發現大部分關鍵詞與物流服務質量相關，但仍存在部分非相關內容。

1.2.2 擴充關鍵詞庫 結合詞頻統計結果和跳字模型（Skip-gram）擴充并優化現有關鍵詞庫^[13-14]。Skip-gram是Word2vec模型的一種算法，適合處理較大規模的數據集，并能有效捕捉詞匯之間的語義關系^[15]。首先從詞頻統計結果篩選前70個與物流服務質量相關的關鍵詞作為基礎關鍵詞，構建Skip-gram模型并將基礎關鍵詞轉換為詞向量，捕捉詞匯之間的語義關系，通過分析評論數據的詞匯與基礎關鍵詞的相似度，最終擴充關鍵詞庫至472個關鍵詞。

1.2.3 確定關鍵詞權重 采用TF-IDF（Term Frequency-Inverse Document Frequency）算法計算物流服務質量關鍵詞的權重，這是一種常用于信息檢索和文本挖掘的技術，用于評估關鍵詞在文檔集合中的重要程度^[16]。通過TfidfVectorizer庫計算每個關鍵詞的詞頻（TF）與逆文檔頻率（IDF），并輸出每個關鍵詞的TF-IDF值，將TF-IDF值作為關鍵詞權重，反映每個關鍵詞在評價物流服務質量中的相對重要程度。

1.3 設計深度學習模型

深度學習模型借鑒人腦神經網絡的運作原理，通過多層神經網絡可以自動提取并學習情感分析中的關鍵特征^[9]。本文構建的BiLSTM-ATT模型結構如圖2所示。

模型參數設置見表1，在數據預處理階段，文本序列的最大長度設定為200，以確保輸入數據的一致性和信息完整性^[17]。對于Word2Vec模型，詞向量維度設為200，窗口大小為8，最低詞頻為10次，迭代次數為10次^[18]。在BiLSTM模型中，設置30個神經元，并使用0.5的Dropout比例防止過擬合，同時加入32維度的Attention機制，以提高模型的特征提取能力^[19]。參數設置經過交叉驗證和多輪實驗優化后，與任務需求高度契合，確保了模型的性能和穩定性。

1.3.1 雙向長短期記憶網絡 雙向長短期記憶網絡（BiLSTM）屬于一種特殊的循環神經網絡，結合正向和反向兩個長短期記憶網絡（Long Short-Term Memory，LSTM），能夠同時處理雙向的上下文信息，有效捕捉并分析文本中的長距離依賴關系^[20-21]。BiLSTM模型中，正向LSTM從序列的起始位置處理序列數據，而反向LSTM則從序列的末尾位置處理序列數據^[22]

ht=LSTM（ht-1，Wt，Ct-1），t∈［1，T］（1）

ht=LSTM（ht+1，Wt，Ct+1），t∈［1，T］（2）

Ht=［ht，ht］（3）

其中，Wt是單向LSTM在時間步t的權重矩陣，ht-1、Ct-1代表前一個時間步的隱藏狀態和細胞狀態，ht+1、Ct+1代表后一個時間步的隱藏狀態和細胞狀態，ht，ht分別是正向和反向LSTM輸出向量，Ht是BiLSTM模型綜合輸出向量。

1.3.2 注意力機制 注意力機制（ATT）應用仿生學思想，模擬人類大腦的分配機制，即處理信息時可以識別關鍵信息，并為其分配更多的注意力^[23-24]。注意力機制可以幫助情感分析模型更好地捕捉情感信息，提高分析的準確性^[25-26]。BiLSTM-ATT模型使用AttentionLayer注意力層處理京東生鮮評論數據，學習其句子表示，并通過線性變換和非線性激活函數來動態計算評論數據的注意力權重

output=Σ（（softmax（tanh（xW+b）V））x）（4）

其中，W是權重矩陣，用于轉換輸入特征為注意力機制所需的表示形式，b是偏置向量，V是用于生成注意力得分的權重向量，x是輸入的評論數據。

2 構建京東生鮮物流服務質量評價指標體系

2.1 初步構建評價指標體系

借鑒相關研究^[27]，綜合LSQ和SERVQUAL模型構建了京東生鮮物流服務質量評價指標體系。細致篩選和剔除無效維度，并引入新的維度，確保了該評價指標體系能夠適應京東生鮮物流服務質量的特殊性質。同時詳細定義各維度下的評價指標，以更緊密地反映京東生鮮物流服務質量的實際情況^[28]，具體構建過程如圖3所示。

（1）保留可靠性。提供可靠服務是企業可持續經營的根本。諸多評價指標體系在構建時均使用可靠性^[29-30]，本文保留SERVQUAL模型的可靠性，結合LSQ模型中的貨品準確率和貨品完好程度，形成可靠性維度，旨在全面評價京東生鮮在物流服務中對商品質量承諾和訂單準確性的履行情況，評價指標包括公司整體印象、包裝與商品完好性、訂單與商品準確性和物流服務人員綜合專業度。

（2）保留移情性。在線購物過程中，消費者不僅關注商品質量，還重視服務體驗和個性化需求的滿足。參考相關研究^[31]，本文保留SERVQUAL模型的移情性，結合LSQ模型的人員溝通質量，形成移情性維度，旨在全面評價京東生鮮滿足消費者個性化需求，以及為其提供友好、高效溝通服務的能力，評價指標包括服務態度與形象、客服溝通和個性化服務。

（3）合并保障性。因購物場景的虛擬性、與商品的非接觸性以及購買至收貨的時間間隔，消費者更加關注服務的保障性及自身權益的安全性。參考相關研究^[27]，本文合并SERVQUAL模型的保證性、有形性以及LSQ模型的貨品狀態、誤差處理，形成保障性維度，旨在綜合評估京東生鮮物流服務人員的專業能力、商品的質量保障能力和問題處理能力，評價指標包括商品新鮮度保障、包裝質量保障和退換貨保障。

（4）合并時效性。在線購物過程中，消費者通常關注物流配送的及時性，尤其是生鮮商品因其特殊性對配送時效有更高的要求。參考相關研究^[32]，本文合并SERVQUAL模型的響應性和LSQ模型的信息質量與時間性，形成時效性維度，旨在全面評價京東生鮮在物流信息傳遞速度、配送速度及服務響應速度方面的表現。為確保評價過程的高效性以及評價結果的清晰性，時效性維度采用全程時效表現來綜合反映物流整體過程的時效性表現。

（5）新增經濟性。SERVQUAL模型和LSQ模型沒有考慮經濟因素，由于消費者通常將價格作為衡量物流服務質量的參考標準，并且電商的物流配送模式涉及物流成本，尤其是生鮮商品需要成本更高的冷鏈物流。經濟性維度在評價生鮮物流服務質量中具有重要影響^[27，32]，因此，本文新增經濟性維度來評價京東生鮮在控制物流成本和提供費用性價比方面的表現，評價指標包括物流價格合理性和服務性價比。

（6）刪除訂單釋放數量和訂貨過程。在生鮮物流服務的具體情境下，訂單釋放量和訂貨過程與物流服務質量的相關性不大，消費者更關注商品的質量、配送的及時性和服務的可靠性，而不是訂單處理系統的內部效率。因此予以刪除。

綜上所述，本文構建的京東生鮮物流服務質量評價指標體系包括可靠性、移情性、保障性、時效性和經濟性5個維度，共13個評價指標，見表2。

2.2 確定評價指標體系權重

ChatGPT是OpenAI開發的大型語言模型（Large Language Models），以對話形式處理具有挑戰性的語言理解和生成任務而備受世界矚目^[33]，具有巨大的應用潛力^[34]。盡管ChatGPT處理語言任務時表現出色，但也面臨數據污染和信息誤導等問題，可能引發一系列潛在風險^[35]。

本文通過ChatGPT-4模型構建關鍵詞與評價指標的映射關系，依據關鍵詞權重確定評價指標體系權重^[36]。具體而言，通過ChatGPT-4模型訓練每個關鍵詞與評價指標的語義關系，并一一映射。隨后人工驗證以盡可能消除潛在風險，確保每個關鍵詞都能映射到與之相關度最高的評價指標^[37]，最終得到一個包含關鍵詞權重的映射關系表，表3詳細展示前30個高頻關鍵詞與評價指標的映射關系。

利用pandas庫歸一化處理所有關鍵詞權重。根據映射關系表，分配關鍵詞權重至對應的評價指標與維度，計算得出維度權重以及評價指標初始權重，并再次歸一化處理，確保每個維度的權重總和及其下屬評價指標的權重總和均等于1，見表4。

3 BiLSTM-ATT模型的訓練、性能及結果分析

3.1 處理模型訓練數據

以關鍵詞與評價指標的映射關系為依據，劃分評論數據為13個數據子集，分別代表對應的評價指標。以隨機抽樣的方式從每個數據子集抽取訓練數據，并人工標注（積極情感標注為1，消極情感標注為0），確保模型訓練的獨立性和客觀性。

處理訓練數據時，應用數據增強方法優化每個評價指標下的訓練數據，以提高模型的泛化能力，增強模型在不同應用場景下的適用性^[38]。百度翻譯API具有高效和準確的文本翻譯能力，以及良好的穩定性^[39]。利用百度翻譯開放平臺提供的API憑證，通過requests庫調用百度翻譯，多次轉換中文原始數據，以此增強訓練數據的規模和多樣性，確保模型具備優秀的分類性能。

3.2 分析模型性能

考慮到13個評價指標的特定含義以及訓練數據量的差異，針對不同指標微調了模型參數，使模型能更好地適應各自的指標環境，從而確保了優秀的分類性能。由于調整參數導致各模型訓練過程出現差異，在此主要展示每個模型的最終訓練結果，見表5。

所有模型的準確率、召回率以及F1值均維持在0.93至0.97之間，表明模型在各自指標環境中均具備出色的分類性能，且模型的AUC-ROC值均介于0.978至0.996之間，接近理想值1，再次證明模型具備優良的分類性能。

3.3 分析模型輸出結果

將各評價指標的數據子集輸入至對應的BiLSTM-ATT模型，分別輸出情感得分，根據評價指標及其維度的權重，加權計算各評價指標的情感得分，最終得出京東生鮮物流服務質量的整體情感得分，見表6，得分區間為0～1，整體情感得分0.647。為了更準確地反映消費者的情感態度，減少模糊區域，參考相關文獻^[40]，將情感得分區間劃分為五類：極端消極情感（0～0.2）、消極情感（0.2～0.4）、中立情感（0.4～0.6）、積極情感（0.6～0.8）和極端積極情感（0.8～1）。

由表6可知，約60%的評價指標得分高于0.6，表明在多個評價指標上，消費者對京東生鮮物流服務持有積極或極端積極的態度；約25%的評價指標得分在0.4至0.6之間，反映了消費者在某些方面持中立態度；而剩余15%的評價指標得分低于0.4，表示在部分方面消費者存在消極或極端消極的情緒。

具體而言，Re4的情感得分最高，達到0.83，屬于極端積極情感，表明消費者對京東物流服務人員提供的服務感到非常滿意，因評論數據出現大量對京東快遞人員表示感謝和肯定的內容，由此推斷，京東物流服務人員的綜合專業度在配送服務中起到了關鍵作用，從而提高了消費者對物流服務質量的滿意度。分析當前數據，京東物流服務人員的綜合專業度是實現高效配送并提高消費者滿意度的一個重要因素，京東生鮮在該方面具備相當不錯的競爭優勢。

As2的情感得分為0.32，屬于消極情感，是所有評價指標中的最低分，反映了消費者收到的生鮮商品包裝質量存在較大問題。原因主要在于部分店鋪提供的生鮮商品包裝質量較差，并且京東生鮮在各地區配送站點提供的包裝質量也存在差異，消費者在面對劣質的生鮮商品包裝時普遍存在不滿情緒。因此，京東生鮮應加強管控店鋪和配送站點提供的包裝質量，確保消費者都能收到同等高質量包裝的生鮮商品。

京東生鮮物流服務質量的整體情感得分為0.647，在0.6以上，呈現較為積極的趨勢，但也表明京東生鮮的物流服務質量仍存在較大的改進空間。京東生鮮應加強管控生鮮商品的包裝質量，并擴展個性化服務，改善當前消費者的物流服務體驗。京東生鮮還需繼續擴大經濟性、可靠性、時效性等維度的物流服務質量優勢，諸如優化冷鏈運輸、改進售后服務、加強物流服務人員的培訓與管理等，以更好地滿足消費者需求并為其品牌的持續發展奠定堅實基礎。同時，京東生鮮還應持續關注電商市場和消費者需求的動態變化，以便不斷優化和調整服務策略，確保其物流服務能持續滿足消費者的期望并維持市場競爭力。

4 結論

本文結合評價指標體系構建基于深度學習的BiLSTM-ATT模型，系統評價了京東生鮮的物流服務質量。這種綜合評價方法能夠全面覆蓋物流服務質量的關鍵維度，并通過在線評論的情感分析減少主觀性影響。研究結果表明，BiLSTM-ATT模型通過深度挖掘消費者的情感反饋，有效提高了物流服務質量評價的準確性和客觀性。研究過程使用ChatGPT-4模型輔助TF-IDF算法確定關鍵詞權重，增強了情感分析的精確度和可靠性；使用百度翻譯API實現數據增強，豐富訓練數據集的多樣性，增強了模型的泛化能力。然而，在評價指標選取和平臺適用性方面存在一些不足，如確定評價指標時主要基于已有研究的綜合分析，未來需要繼續甄選和整合更具代表性的指標，研究方法僅應用于京東生鮮平臺，未來應探索如何調整和優化研究方法，以適應不同電商平臺的物流服務質量評價。

參考文獻

［1］徐廣姝. 基于粗糙集的電商物流服務質量評價應用研究——以生鮮電商為例[J]. 中國流通經濟， 2019， 33（7）： 35-44.

[2]張夏恒， 肖林. 基于消費者在線評論數據的快遞物流服務質量評價研究[J]. 重慶工商大學學報（社會科學版）， 2023， 40（2）： 66-79.

[3]PARASURAMAN A， ZEITHAML V A， BERRY L L. Servqual： A multiple-item scale for measuring consumer perc[J]. Journal of Retailing， 1988， 64（1）： 12-40.

[4]MENTZER J T， FLINT D J， HULT G T M.Logistics service quality as a segment-customized process[J]. Journal of Marketing， 2001， 65（4）： 82-104.

[5]翟小可， 吳祈宗. 基于AHP—模糊綜合評價的農村電商物流服務質量評價研究[J]. 數學的實踐與認識， 2019， 49（5）： 121-127.

[6]CHEN W， ZHENG X， ZHOU H J， et al. Evaluation of logistics service quality： Sentiment analysis of comment text based on Multi-Level graph neural network[J]. Traitement du Signal， 2021， 38（6）： 1835-1860.

[7]姜巖. 物流服務質量理論研究進展（1989—2020）——基于系統文獻回顧法的研究述評[J]. 中國流通經濟， 2021， 35（4）： 13-25.

[8]鐘佳娃， 劉巍， 王思麗， 等. 文本情感分析方法及應用綜述[J]. 數據分析與知識發現， 2021， 5（6）： 1-13.

[9]王婷， 楊文忠. 文本情感分析方法研究綜述[J]. 計算機工程與應用， 2021， 57（12）： 11-24.

[10] 張寶友， 楊玉香， 孟麗君. 物流服務質量評價模型與方法研究綜述[J].中國流通經濟， 2021， 35（2）： 49-60.

[11] 彭楨真. 基于深度學習的B2C電子商務物流服務質量評價研究[D]. 重慶：重慶交通大學， 2022.

[12] 官琴， 鄧三鴻， 王昊. 中文文本聚類常用停用詞表對比研究[J]. 數據分析與知識發現， 2017， 1（3）： 72-80.

[13] 章成志， 胡少虎， 張穎怡. 通用語料的眼動數據對微博關鍵詞抽取的性能提升探究[J].情報學報， 2021， 40（4）： 375-386.

[14] 何金金， 郭振波， 王開西. 基于TextRank的網評產品特征提取方法[J]. 青島大學學報（自然科學版）， 2018， 31（1）： 109-114.

[15] HUNG P T， YAMANISHI K. Word2vec skip-gram dimensionality selection via sequential normalized maximum likelihood[J]. Entropy， 2021， 23（8）： 997.

[16] GEBRE B G， ZAMPIERI M， WITTENBURG P， et al.Improving native language identification with TF-IDF weighting[C]// 8th Workshop on Innovative Use of NLP for Building Educational Applications. Atlanta， 2013： 216-223.

[17] GOLDBERG Y. Neural network methods in natural language processing[M]. San Rafael： Morgan amp; Claypool Publishers， 2017.

[18] MIKOLOV T. Efficient estimation of word representations in vector space[DB/OL]. [2024-06-16]. https：//arxiv.org/pdf/1301.3781.

[19] HOCHREITER S， SCHMIDHUBER J. Long short-term memory[J]. Neural Computation， 1997， 9（8）： 1735-1780.

[20] 馮立杰， 秦浩， 王金鳳， 等. 融合專利數據與社交媒體數據的潛在顛覆性技術識別——基于深度學習模型[J]. 情報學報， 2024， 43（2）： 181-197.

[21] 李靜， 徐路路. 基于機器學習算法的研究熱點趨勢預測模型對比與分析——BP神經網絡、支持向量機與LSTM模型[J]. 現代情報， 2019， 39（4）： 23-33.

[22] 馮由玲， 康鑫， 周金娉， 等. 基于Bert-BiLSTM混合模型的社交媒體虛假信息識別研究[J/OL]. 情報科學， 1-22[2024-06-16]. http：//kns.cnki.net/kcms/detail/22.1264.G2.20240126.1809.008. html.

[23] 張宸嘉， 朱磊， 俞璐. 卷積神經網絡中的注意力機制綜述[J]. 計算機工程與應用， 2021， 57（20）： 64-72.

[24] 劉東華， 魏賓， 王國棟. 基于多尺度特征融合與注意力機制的人群計數算法[J]. 青島大學學報（自然科學版）， 2022， 35（1）： 40-47.

[25] 曾子明， 孫晶晶. 基于用戶注意力的突發公共衛生事件輿情情感演化研究——以新冠肺炎疫情為例[J].情報科學， 2021， 39（9）： 11-17.

[26] VASWANI A， SHAZEER N， PARMAR N， et al.Attention is all you need[C]// 31st Annual Conference on Neural Information Processing Systems. Long Beach， 2017：6000-6010.

[27] 韓欣雨. 基于在線評論的A公司生鮮物流服務質量評價研究[D]. 廈門：廈門大學， 2022.

[28] 陳方. 顧客滿意度視角下的B2C電商物流服務質量評價研究[D]. 鄭州：華北水利水電大學， 2018.

[29] YANG Q， WANG Z S， FENG K， et al. Investigating the crucial role of logistics service quality in customer satisfaction for fresh e-commerce： A mutually validating method based on SERVQUAL and service encounter theory[J]. Journal of Retailing and Consumer Services， 2024， 81： 103940.

[30] 洪闖， 李中明. 基于可拓云模型的文化遺產數字化平臺信息服務質量評價研究[J]. 圖書館學研究， 2024（9）： 56-67+115.

[31] 徐順順. 基于在線評論的生鮮電商物流服務質量評價研究[D]. 上海：東華大學， 2024.

[32] CHEN S， WANG Y， HAN S， et al. Evaluation of fresh food logistics service quality using online customer reviews[J]. International Journal of Logistics Research and Applications， 2023， 26（8）： 917-933.

[33] WU T Y， HE S Z， LIU J P， et al. A brief overview of ChatGPT： The history， status quo and potential future development[J]. IEEE/CAA Journal of Automatica Sinica， 2023， 10（5）： 1122-1136.

[34] VAN DIS E A M， BOLLEN J， ZUIDEMA W， et al.ChatGPT： Five priorities for research[J]. Nature， 2023， 614（7947）： 224-226.

[35] HUANG F， KWAK H， AN J S. Is ChatGPT better than human annotators？ Potential and Limitations of ChatGPT in explaining implicit hate speech[C]// Companion Proceedings of the ACM Web Conference 2023. Austin， 2023： 294-297.

[36] TRNBERG P. Bestpractices for text annotation with large language models[DB/OL]. [2024-06-16]. https：//arxiv.org/pdf/2402.05129.

[37] KOUSHA K， THELWALL M. Artificial intelligence technologies to support research assessment： Areview[DB/OL]. [2024-06-16]. https：//arxiv.org/pdf/2212.06574.

[38] SHORTEN C， KHOSHGOFTAAR T M， FURHT B. Text data augmentation for deep learning[J]. Journal of" Big Data， 2021， 8（1）： 101.

[39] CHURCH K W. Emerging trends： APIs for speech and machine translation and more[J]. Natural Language Engineering， 2018， 24（6）： 951-960.

[40] 毛太田， 吳宇豪， 黃文佳. 自治區民族博物館的游客在線點評內容挖掘與情感分析[J]. 經濟地理， 2023， 43（8）： 229-236.

Fresh Food E-commerce Logistics Service Quality Evaluation Based on Deep Learning

——Take “JD Fresh” for Example

HOU Yang¹， LI Jiang-bo¹， JIANG Chun-lin²

（1.Business School， Qingdao University， Qingdao 266061， China;

2. WISE Lab， Institute of Science of Science and S" amp;T Management， Dalian University of Technology， Dalian 116024， China）

Abstract： To promote the innovative integration and development of logistics service quality evaluation methods and achieve comprehensive and accurate assessments， an evaluation index system was constructed with JD fresh′s online reviews as the research object， and sentiment analysis was performed using a bidirectional long short-term memory network（BiLSTM） combined with an attention mechanism（ATT） model. The results show a positive upward trend in the overall logistics service quality of JD Fresh. The professionalism of logistics personnel demonstrates significant strengths， while packaging quality assurance services exhibit deficiencies. The integration of the evaluation index system with sentiment scores allows for a more comprehensive reflection of consumer satisfaction with logistics service quality.

Keywords： logistics service quality; deep learning; sentiment analysis; bidirectional long short-term memory; attention mechanism