B2C電商平臺肉類產品消費者滿意度影響因素研究

摘要：基于京東海量評論數據進行情報分析，挖掘影響肉類消費者滿意度的因素，探究消費者差評背后的原因，對電商平臺、商家持續提升消費者滿意度具有重要意義。文章以京東生鮮平臺肉類產品在線評論數據為例，利用文本挖掘方法對商品評論進行主題提取與情感分析，綜合分析影響消費者滿意度的因素以及消費者差評原因。研究發現，產品因素、品牌因素、物流因素、平臺因素是影響消費者購買肉類產品滿意度的四大因素，構成消費者差評的原因主要為產品質量和包裝差、電商平臺運營水平差、物流服務質量低、商家品牌建設不足。因此，商家和電商平臺應改善產品質量和提高包裝效果、提升平臺運營水平、改善物流服務質量、提高商家品牌建設能力。

關鍵詞：肉類產品；消費者滿意度；在線評論；主題模型；情感分析；深度學習

一、引言

隨著居民消費結構的升級和消費方式的轉變，電商日益成為重要的生鮮農產品銷售平臺。據統計，2022年生鮮電商行業商品交易總額（GMV）突破了4 000億元，平臺滲透率超過10%[1]。生鮮電商的發展打破了冗長的傳統農業供應鏈，拉近了生產商與消費者之間的距離。消費渠道從線下轉到線上后，產生了海量的在線評論，而不同情感強度的在線評論對消費者的態度和購買決策具有重要影響[2-3]。因此，深度挖掘在線評論信息，對電商平臺以及商家改善消費者滿意度，提升消費者對生鮮農產品的體驗感，輔助消費者做出購買決策具有重要意義。

肉類食物具有高營養價值，是平衡居民膳食的重要組成部分[4]。中國冷鏈物流基礎設施的完善為生鮮農產品尤其是肉類的物流運輸提供了可靠保障，肉類線上銷售得以快速增長。然而線上銷售體系的不完善表明消費者線上消費粘性仍有待增強。鑒于此，本文結合自然語言處理技術與深度學習技術，提取B2C電商平臺下肉類產品中豬肉、羊肉和牛肉在線評論中的文本信息，利用BERTopic主題模型獲取評論文本中消費者滿意度評價維度，結合BiLSTM深度學習模型對其進行情感分類得到各維度的情感傾向分布，探究消費者滿意度的影響因素，以期為電商平臺以及商家改善消費者滿意度提供決策支撐。

二、文獻回顧

（一）生鮮農產品在線評論相關研究

不同行業、不同領域的研究表明，在線評論可以作為了解用戶偏好以及消費者決策的信息源[5-6]。目前，針對生鮮農產品在線評論的研究主要包括兩個方面：在線評論的影響和消費者滿意度影響因素的挖掘。在線評論的影響方面，相關研究認為生鮮農產品在線評論能夠顯著影響消費者的購買意愿和電商平臺的銷量[7-8]，且不同的在線評論特征會產生不同的影響力[9]。更多的研究進一步考慮評論數據具體的作用路徑與機制及其不同產品類型下在線評論的不同影響力[10]。如王英等[11]利用網頁爬蟲技術根據京東的稻花香所有系列產品的為期一年的在線評論數據，探索品牌、在線評論與農產品銷量之間的關系以及二者如何對農產品銷量產生影響。

大數據在農業經濟領域的應用為國內外研究者開辟了新的研究方向，其中一個重要方向是從在線評論數據中挖掘消費者滿意度影響因素，討論其對消費者決策的影響。如楊錚和牟元葦[12]通過爬取電商平臺農產品的在線評論作為研究數據，利用LDA模型提取影響消費者滿意度的因素，進而利用情感分析和TF-IDF權重結合的方法測算消費者滿意度；馮坤等[13]基于LDA模型提取在線評論中的主題，作為顧客對生鮮電商滿意度的影響因素，并利用隨機占優準則和PROMETHEE-II方法對生鮮電商的顧客滿意度進行評估。

（二）BERTopic主題模型相關研究

主題模型是一種用于發現文本數據中隱藏主題結構的統計模型，其通過對在線評論數據進行降維從而挖掘潛在的主題信息，已成為探究消費者滿意度維度和影響因素的主要方法之一[14]。常見的主題模型是由BLEI等提出的LDA模型，根據不同的需求，研究者基于LDA做了大量的研究。林偉振等[15]運用LDA主題模型對在線評論進行分析，以啟發商家優化產品及提升服務；LUCICI等[16]應用LDA模型對在線評論進行消費者滿意度維度的識別與提取工作，用于指導航空公司提高競爭力。

近年來，隨著BERT預訓練模型的快速發展，學者們提出一種基于BERT模型的主題建模技術BERTopic，將其應用于短文本主題識別可以得到更加準確且易于解釋的本文主題。趙爽等[17]使用BERTopic主題模型對讀者在線評論進行主題提取，并在此基礎上分析影響讀者評價的主要因素，以便調整與優化中華文化的走出去策略；MANUEL等[18]應用BERTopic主題模型對Airbnb數據進行分析，以更好地探究城市和沿海地區與游客偏好之間的關系。與LDA方法相比，BERTopic使用預訓練的BERT模型來嵌入文本，能夠更好地捕捉文檔之間的語義關系；另外，LDA方法需要手動指定要生成的主題數量，而BERTopic通過聚類算法自動確定主題數量，能取得比LDA方法更好的情報分析效果。鑒于此，本研究采用BERTopic主題建模技術進行在線評論主題挖掘，由此構建消費者對生鮮農產品滿意度的影響因素。

（三）文本情感分析相關研究

情感分析是NLP領域內一類重要方法，其目的是從文本信息中分析和處理用戶觀點、態度以及情感，被廣泛應用于計算機學科、管理學科、社會科學等重要學科中。情感分析方法主要包括基于語義詞典和基于機器學習的分析方法[19]。構建情感詞典是基于語義詞典分析方法的關鍵，情感詞典可直接使用現有的情感詞典[20]或者在已有通用情感詞典的基礎上，通過增加或篩選情感詞，構建適合自己研究的情感詞典[21]。基于機器學習的情感分析方法則通過學習訓練集中的文本特征與標記之間的關系，來建立情感分類模型。如任中杰等[22]運用樸素貝葉斯分類器對微博評論內容進行情感分析。

在機器學習的子領域深度學習方面，ALATRASH等[23]利用定制的CNN框架對學習平臺上的評論內容進行分類，提高了情感分類模型的準確率；毛曉莉等[24]則使用BiLSTM模型對汽車之家網站上新能源評論文本進行情感分析。雖然基于情感詞典的分析方法準確率高，但泛化能力不強[25]。目前，深度學習已逐漸成為情感分析的主流方法，然而在運用神經網絡對文本數據進行情感分析時，單模型存在文本中關鍵特征提取不充分，預測準確率不高等問題，因此大多數研究采用混合網絡模型[26]。參考毛曉莉[24]和劉繼等[26]人的做法，本文選擇使用BERT作為輸入層將評論數據轉化為特征向量，再將結果輸入到BiLSTM模型，可以進一步調整模型以提高情感分析等任務的性能。

綜上所述，已有的研究中，生鮮農產品在線評論的影響、消費者滿意度影響因素的識別與提取等方面都得到了較多的研究，在線評論對某一品類的銷量影響也有涉及[11]，但從在線評論角度挖掘影響肉類產品消費者滿意度影響因素的研究較少。因此，本文采用BERTopic主題模型從在線評論里獲取肉類產品消費者滿意度影響因素，引入BERT作為輸入層，進而使用BiLSTM模型識別在線評論中蘊含的情感，從而發現消費者差評背后的原因，進而為商家與平臺改善消費者滿意度提供決策幫助。

三、研究框架

本文以在線評論作為數據源，使用BERTopic主題建模技術提取消費者滿意度維度，利用提取的消費者滿意度維度，通過BiLSTM模型對在線評論數據進行情感分析，挖掘肉類消費者滿意度的影響因素，探究消費者差評背后的原因。研究框架如圖1所示。

（一）BERTopic主題模型

隨著BERT預訓練語言模型的快速發展，基于BERT模型的BERTopic主題建模技術越來越受到廣泛的應用。在BERTopic模型中，主題產生過程可分解為以下三個過程，（1）文檔嵌入：使用BERT預訓練模型對評論語料進行文檔嵌入；（2）文檔聚類：采用UMAP方法對前面得到的向量進行降維處理，進而使用HDBSCAN算法去聚類；（3）創建主題表示：利用基于類的TF-IDF方法（c-TF-IDF）來挖掘每個主題的主題詞，其計算公式如（1）式所示：

[Wx，c=TFx，c×log（1+A/fx）]" " " " " " " " " " " " " " " （1）

其中，[c]表示類別，[A]表示每個類別的平均單詞數量，[TFx，c]表示類別[c]中單詞[x]的頻次，[fx]表示所有類別中單詞[x]的頻次。因此，類別[c]里的每個單詞都有了一個分數，分數越高，越能代表這個類的主題。

（二）基于BiLSTM模型的情感傾向分析

為了分析在線評論數據的情感傾向，選取合適的情感分類器至關重要。以往的研究主要采用支持向量機（SVM）、決策樹、樸素貝葉斯和邏輯回歸等機器學習方法來進行分類任務，而隨著深度學習技術的迅猛發展，以TextCNN、循環神經網絡（RNN）、LSTM為代表的模型開始廣泛應用于文本情感分析任務中。

BiLSTM模型能夠捕捉單詞序列之間的長期依賴性，因此，雙向長短期記憶網絡（BiLSTM）由于其高性能而被廣泛用于文本情感分析任務。具體而言，運用BERT對句子進行分割并將其轉換為詞向量，再將其作為輸出傳遞到BiLSTM層，以獲取評論文本中的情感極性。通過兩者有效結合構建新的混合模型來提高情感分類任務中的準確性。

四、實證分析

（一）數據獲取

京東生鮮是京東旗下生鮮品牌，具有全渠道融合、全品類擴展、全產業供應鏈完善等特點，其銷售渠道覆蓋全面，商品種類豐富，冷鏈設備配送運輸穩定可靠。作為國內較為成熟的B2C電商平臺，京東2022年第三季度實現營收收入2 435億元，用戶活躍數達5.883億[27]，在其平臺上產生了海量的在線評論數據。高品質肉類是京東生鮮的主打品種之一，文中的數據來源于消費者在該平臺上對豬肉、牛肉、羊肉的評價數據。

采用Python編寫爬蟲程序，從京東生鮮平臺自營專區抓取消費者在線評論數據。選取的數據時間段為2019年5月26日至2022年11月4日間的30 527條肉類在線評論數據。使用pandas庫、jieba庫、re庫、openpyxl庫對30 527條在線評論數據進行預處理，剔除重復評論數據、過短評論數據、停用詞、非中文字符后得到23 425條標準化的文本數據。數據集字段包括顧客ID、評論時間、評論內容、評論星級（見表1）。

（二）消費者滿意度影響因素獲取

運用Python語言、BERTopic庫對預處理后的23 425條評論數據進行主題生成并對主題進行命名。

1.主題生成。利用BERTopic模型，在肉類在線評論數據中找到了11個主題，其中2 096條評論數據未被分配主題，將得到的主題下各詞匯依據c-TF-IDF值由大到小排列，抽取排名靠前的10個特征詞作為代表性特征詞，每組特征詞最能代表一個主題，由此得到肉類產品在線評論的“主題-特征詞”分布（見表2）。從表2可以看出，相關詞匯均分布在同一主題，其中消費者最關注的主題為T3、T1、T7、T5、T9，其主題占比均超過了10%。

2.主題命名。將BERTopic主題模型中自動生成的主題-特征詞分布作為文檔分類依據，由于僅僅根據BERTopic主題模型進行維度命名以及影響因素確定并不完整，需要結合學科領域知識對生成的主題進行再凝練。參考張華泉等[28]人的生鮮農產品消費者滿意度模型與殷彤等[29]人的電商扶貧產品消費者滿意度模型，對BERTopic抽取結果進行命名和定義。首先將11個主題歸納為產品質量、產品包裝、營銷策略、售后因素、發貨速度、物流時長、配送安全性、品牌知名度、品牌可靠性等9個評價維度，然后將9個評價維度概括為“產品因素”“平臺因素”“物流因素”“品牌因素”等4個影響因素。

各影響因素的具體維度和評論文本分布情況見表3。各維度排序依次為“產品質量”“產品包裝”“配送安全性”“發貨速度”“品牌知名度”“營銷策略”“品牌可靠性”“物流時長”“售后服務”。從各維度占比來看，關注“產品質量”的評論數占比高達22.13%，居首位，反映消費者在購買時更注重肉類的品質。“產品包裝”“發貨速度”“配送安全性”“品牌知名度”維度占比分別為18.26%、10.86%、10.99%、10.82%，“產品包裝”維度占比位居第二，表明產品包裝對消費者滿意度有重要影響，其他三個維度的評論數占比相差不大且接近10%，說明“發貨速度”“配送安全性”“品牌知名度”等三個維度受到消費者的同等重視。“營銷策略”“品牌可靠性”“物流時長”“售后服務”維度占比則在10%以下，與前幾個維度相比，這些維度的評論數占比雖不高，但也體現了消費者在購物過程中對肉類產品屬性的偏好。值得關注的是，“售后服務”維度在評論文本分布中占比最小，說明消費者較為認可京東平臺相對周到的售后服務，也反映出消費者對京東售后服務較為滿意。整體而言，在四大消費者滿意度影響因素中“產品因素”和“物流因素”數量占比均大于20%，其中“產品因素”的占比最多，體現了消費者對于肉類產品的品質與包裝的重視，其他因素依次排序為“物流因素”“品牌因素”“平臺因素”，占比分別為28.68%、17.65%、13.27%。

（三）肉類產品消費者滿意度主題—情感傾向分布

根據情感類別數可將情感傾向分析任務劃分為二分類（正面/積極、負面/消極）、三分類（積極、消極、中性）和多分類（高興、激動、悲哀、憤怒等）任務[30]，依據研究目的將情感傾向任務劃分為二分類（正面/積極、負面/消極），從而發現消費者差評背后的原因，進而為商家與平臺改善消費者滿意度提供決策幫助。在使用深度學習BiLSTM模型進行文本的情感分析時，需要標注好情感標簽的文本數據，并且對帶有標簽的數據進行訓練，以便可以用來對新文本進行情感傾向預測。

首先，對文本數據進行標識。在爬取的肉類消費在線評論數據中，手動標注好標簽的數據6 914條，用“1”表示積極的情感傾向、“0”表示消極的情感傾向，形成標注好標簽的數據集。其次，將數據集分為訓練集和測試集。將75%的數據集劃分為訓練集，其余的25%界定為測試集。采用BiLSTM模型對訓練集進行訓練，繼而用訓練好的模型對測試集進行預測。最后，分別對主題評論文本下的評論數據進行情感傾向預測，從而獲得每個主題的積極情感傾向分布和消極情感傾向分布。

1.模型評價。為評估分類器的性能，通常采用精確率（Precision，P）、召回率（Recall，R）和F1分數（F1 Score，F1）三個評價指標對模型效果進行評估，繼而使用混淆矩陣來測量所提出的方法的有效性。混淆矩陣是具有預測值和實際值的四種不同組合的表，其主要用于解決與分類精度相關的問題，輸出可以是兩個或多個類別。設定輸出為兩個類別，給予真陽性（TP）表示成功分類為積極情緒的樣本總數，假陽性（FP）為被錯誤分類為消極情緒的樣本總數，假陰性（FN）表示被錯誤分類為消極情緒的樣本總數，真陰性（TN）表示成功分類為消極情緒的樣本總數（見表4）。

文中的混淆矩陣用于測量精確率（Precision，[P]）、召回率（Recall，[R]）、[F1] 分數（[F1] Score，[F1]）。其計算公式分別如下：

[P=TP（TP+FP）] " " " " " " " " " " " " " " " " （2）

[R=TP（TP+FN）] " " " " " nbsp; " " " " " " " " " " （3）

[F1=2PR（P+R）] " " " " " " " " " " " " " " " " " " " " （4）

其中，精確率用于評估情感分類被正確預測為指定類別占所預測類別評論數量的百分比，召回率用于評估情感分類被正確預測占該類別情感評論數量的百分比，F1值是精確率與召回率的調和平均值，用于綜合評價精確率和召回率。

為驗證BiLSTM模型的有效性與精確性，同時使用長短期記憶網絡、支持向量機、卷積神經網絡三種算法進行效果對比，結果見表5。從情感分類結果可以觀察到，所采用的BiLSTM模型對于情感分析實現了88%的準確率、87%的召回率、[F1]分數為87，相比較而言，該模型能夠更好地完成情感傾向分析任務。

2.結果分析。消費者滿意度的四大影響因素下共有21 329條評論文本，各影響因素下的正向和負向文本分布情況如表6所示。四大消費者影響因素的正向評論數比例均大于80%，涉及“產品因素”的評論數最多，有8 615條，總體而言，在該影響因素中的正向情感評論數占比高達81%，負向評論數占比為19%，其在所有影響因素的負向評論數占比中位居第一，表明產品質量和產品包裝方面仍有待提升。在各影響因素下的評論總數中，“平臺因素”下的評論數以及負向情感評論數量最少，分別有2 831條和482條，但負向評論數占比為17.03%，在所有影響因素的負向評論數占比位列第二，說明京東生鮮平臺的服務在大多數消費者心目中有一個固有的好印象，但平臺需要改善提升的點不少。正向評論數占比最多的是“物流因素”，正向評論數占比高達86.99%，說明消費者對京東平臺的物流服務比較滿意。最后，涉及“品牌因素”的正向評論總數為85.98%，僅次于“物流因素”的正向評論數占比，表明品牌因素在肉類產品購買過程中受到消費者的重視。

本文進一步對四大影響因素下的具體維度進行分析（見表7）。

“產品質量”維度的褒義詞與貶義詞分別為“好吃、新鮮、細膩、不錯”“差、不好、不符”，說明消費者在體驗肉類產品過程中，更多關注肉質細膩、色澤的鮮艷程度[31]等。生鮮農產品的質量保證是消費者關注的核心，如果商家銷售的生鮮農產品質量不能到達消費者的預期期望，即使商家提供了好的服務和低廉的價格，也會降低消費者的滿意度。而其貶義詞“差、不好、不符”則表明該維度產生負面評論的主要原因是肉質與預期不符。

“產品包裝”維度的褒義詞與貶義詞分別為“精美、仔細、嚴實”“破損、漏氣”，從這些詞語可以看出，產品的包裝設計與包裝方式是消費者主要關注點，獨具匠心的特色農產品包裝設計和包裝方式不僅能夠吸引廣大消費者的注意力，還能夠增強消費者的情感體驗[32]，“破損、漏氣”等貶義詞則反映出該維度產生負面評論的主要原因是包裝破損與漏氣。

“營銷策略”維度的褒義詞與貶義詞分別為“給力、特價、劃算、正品”“力度小”。促銷策略是影響消費者滿意度的重要因素[33]，在電商購物環境下，以消費者評論為重要參考依據的促銷策略會對消費者的購買決策以及滿意度產生重要影響，給力、特價、劃算的產品會極大地滿足消費者的期望。而“力度小”這一貶義詞則一定程度上說明消費者認為平臺的促銷活動不夠大。

“售后服務”是生鮮電商供應鏈運作的重要環節，能否有效防范售后風險是電商平臺保存客戶流量的關鍵，退貨周期長、退貨流程不清晰、對顧客投訴不能有效處理會進一步增加消費者不滿[34]，對比“售后服務”維度下的褒義詞與貶義詞“靠譜、專業”“不及時、不專業”，發現售后服務不專業，對消費者的問題解決不及時等現象是該維度下的消費者產生負面評論的主要原因。

物流服務已經成為制約電商迅速發展的一大瓶頸，企業之間的競爭正在逐漸朝物流服務質量的方向轉移，消費者在消費過程中愉悅的物流服務體驗會使消費者產生滿意感。具體分析“物流因素”下的“發貨速度”“物流時長”“配送安全性”三個維度，表7中以上三個維度的貶義詞反映出“發貨速度”維度產生負面評論的主要原因為發貨速度過慢，“物流時長”維度產生負面評論的主要原因為物流時長過長，“配送安全性”維度產生負面評論的主要原因為消費者在收到產品之后發現貨物有損壞。

對“品牌知名度”與“品牌可靠性”兩個維度來說，“知名、老字號、大品牌、回購”等褒義詞體現了消費者對該品牌所屬肉類產品的購買意愿以及回購意愿，也體現出品牌對消費者滿意度的影響程度。以上兩個具體維度的貶義詞“吹噓”“不重視、忽視”表明，“品牌知名度”維度產生負面評論的主要原因為有些品牌存在夸大宣傳與虛假宣傳行為，“品牌可靠性”維度產生負面評論的主要原因為有些品牌忽視消費者反饋等負面路徑。

五、結語

（一）研究結論

在線評論數據中蘊含消費者的需求與主觀感受，能夠從不同維度精準反映消費者對肉類產品的滿意度，正成為商家以及電商平臺持續提升消費者滿意度的重要依據。本研究利用文本挖掘方法，發現了產品因素、品牌因素、物流因素、平臺因素是影響消費者購買肉類產品滿意度的四大因素，并對其進行了相應的探討；揭示了消費者在購買肉類產品后給出差評的主要原因為：產品質量與包裝差，電商平臺運營水平差，物流服務質量低，商家品牌建設不足。

（二）管理啟示

1.對電商平臺的啟示。首先，改善物流服務質量。建立全覆蓋的信息共享系統，實施智能化配送調度方案，減少訂單履行時間，提高倉儲配送速度，增強消費者的消費體驗感。合理規劃訂單流程，實時調整優化運輸網絡，依據客戶消費行為習慣，制定加急配送、定時配送等個性化物流服務，縮短物流配送時間。加強與第三方物流企業的合作力度，加大資金投入力度，強化先進冷鏈物流技術的應用，降低物流配送期間引發的肉類品質劣變風險。其次，提升平臺運營水平。加大商品折扣、預售、限時限量秒殺等促銷力度，推行跨店滿減優惠舉措，加大內容和直播領域投入，利用AI技術賦能平臺營銷生態，助力平臺實施有效和體系化的促銷策略。加強售后服務環節風險控制，健全售后服務人員培訓機制，基于消費者投訴信息分析，及時響應客戶訴求，優化肉類產品退換退貨流程及條件，降低消費者購買風險，樹立平臺良好聲譽，提升消費者滿意度。

2.對商家的啟示。首先，改善產品質量和提高包裝效果。加大人工智能及大數據的應用，獲取豐富全面的消費者數據信息，持續挖掘消費者的消費需求與偏好，在情報分析的基礎上不斷改善消費者入手的產品質量，為消費者提供新鮮、細膩、多樣化的肉類產品；針對不同特性的肉類產品采用適配的包裝設計和包裝方式，設置合理的包裝標識，最大化保護商品、呈現商品信息，避免產品及包裝出現破損。其次，提高品牌建設能力。加強以消費者為導向的企業文化建設，建立健全消費者反饋渠道，強化員工的客戶意識，提高團隊化服務水平，采取退換貨政策、退款、積分等多種補救措施來盡可能解決消費者的問題，從而在消費者心中樹立良好品牌形象；規范企業自身營銷行為，秉持實事求是的態度，客觀真實制定宣傳文案，依法向消費者呈現產品質檢證明以及合格證書等信息，保證商品圖文信息的真實性與可靠性，以免運用夸大宣傳手段或虛假宣傳手段誤導消費者，造成品牌聲譽受損。

參考文獻：

[1]MOBTECH.2022年中國生鮮電商行業洞察報告 [EB/OL].[2023-02-07].https：//www.mob.com/mobdata/report/159.

[2]石文華，張綺，蔡嘉龍.在線評論矛盾性對消費者矛盾態度和購買意愿的影響研究[J].管理評論，2018，30（7）：77-88.

[3]劉魯川，孫怡璐.不同情感強度的負面在線評論對消費者態度的影響——基于調節定向理論的實驗研究[J].情報理論與實踐，2020，43（05）：163-169.

[4]王志宏，張兵，王惠君，等.2015年中國15省（自治區、直轄市）18～59歲居民肉類消費模式現狀[J].衛生研究，2019，48（1）：1-8.

[5]CHAU M，XU J.Business intelligence in blogs：understanding consumer interactions and communities[J].Society for Information Management and The Management Information Systems Research Center，2012，36（4）：1189-1216.

[6]GAVILAN D，AVELLO M，MARTINEZ-NAVARRO G.The influence of online ratingsand reviews on hotel booking consideration[J].Tourism Management，2018，66：53-61.

[7]馬鳳才，李春月.消費者對電子商務平臺銷售生鮮產品滿意度測算研究——基于京東生鮮在線評論的分析[J].價格理論與實踐，2020（5）：117-120.

[8]林海，胡雅淇.大數據剖析生鮮電商平臺銷量的影響因素——基于支持向量機方法的實證研究[J].貴州社會科學，2021（3）：129-138.

[9]胡雅淇，林海.在線評論特征對生鮮電商農產品銷量的影響——來自淘寶羊肉大數據的證據[J].中國農業大學學報，2021，26（6）：206-218.

[10]羅漢洋，李智妮，林旭東，等.網絡口碑影響機制：信任的中介和性別及涉入度的調節[J].系統管理學報， 2019，28（3）：401-414，428.

[11]王英，楊丹，王樂，等.基于品牌效應的在線評論對稻米銷量影響的實證研究[J].中國農業大學學報， 2018，23（1）：178-187.

[12]楊錚，牟元葦.基于在線評論的消費者網購地理標志農產品滿意度測評研究[J].情報探索，2022（9）：103-110.

[13]馮坤，楊強，常馨怡，等.基于在線評論和隨機占優準則的生鮮電商顧客滿意度測評[J]中國管理科學，2021，29（2）：205-216.

[14]張公讓，鮑超，王曉玉，等.基于評論數據的文本語義挖掘與情感分析[J].情報科學，2021，39（5）：53-61.

[15]林偉振，劉洪偉，陳燕君，等.基于在線評論的顧客滿意度研究——以健康監測穿戴產品為例[J].數據分析與知識發現，2023，7（5）：145-154.

[16]LUCINI F R，TONETTO L M，FOGLIATTO F S，et al.Text mining approach to explore dimensions of airline customer satisfaction using online customer reviews[J].Journal of Air Transport Management，2020，83（C）：10.

[17]趙爽，周桂君.中華哲學典籍海外讀者評價的影響因素研究——以《易經》英譯本為例[J].現代情報， 2023，43（3）：64-72，147.

[18]SANCHEZ-FRANCO M J，REY-MORENO M.Do travelers’ reviews depend on the destination？An analysis in coastal and urban peer-to-peer lodgings[J].Psychology amp; Marketing，2022，39（2）：441-459.

[19]周瑛，張曉宇，虞小芳.基于產品評論挖掘的消費者偏好分析[J].情報科學，2022，40（1）：58-65.

[20]李鈍，喬保軍，曹元大，等.基于語義分析的詞匯傾向識別研究[J].模式識別與人工智能，2008，21（4）：482-487.

[21]丁美榮，馮偉森，黃榮翔，等.基于預訓練模型和基礎詞典擴展的酒店評論情感分析[J].計算機系統應用， 2022，31（11）：296-308.

[22]任中杰，張鵬，李思成，等.基于微博數據挖掘的突發事件情感態勢演化分析——以天津8·12事故為例[J].情報雜志，2019，38（2）：140-148.

[23]ALATRASH R，PRIYADARSHINI R，EZALDEEN H，et al.Augmented language model with deep learning adaptation on sentiment analysis for E-learning recommendation[J].Cognitive Systems Research，2022，75：53-69.

[24]毛曉莉，施本植.新能源汽車普通消費者參與的大數據研究——基于文本挖掘和深度學習[J].海南大學學報（人文社會科學版），2022，40（5）：201-210.

[25]CHANG C H，HWANG S Y，WU M L.Learning bilingual sentiment lexicon for online reviews[J] Electronic Commerce Research and Applications，2021，47：101037.

[26]劉繼，顧鳳云.基于BERT與BiLSTM混合方法的網絡輿情非平衡文本情感分析[J].情報雜志，2022，41（4）：104-110.

[27]騰訊網.京東2022年第三季度歸母凈利60億元，年度活躍用戶數5.88億[EB/OL].[2023-03-06].https：//new.qq.com/rain/a/20221118A08D3Y00.html.

[28]張華泉，俞守華，區晶瑩.生鮮農產品電子商務消費者滿意度影響因素研究——基于電子商務平臺消費者在線評論[J].當代經濟，2019（8）：95-100.

[29]殷彤，于力超，鮑偉.精準扶貧背景下電商扶貧產品消費者滿意度及其影響因素研究[J].數理統計與管理， 2022，41（04）：599-609.

[30]湯凌燕，熊聰聰，王嫄，等.基于深度學習的短文本情感傾向分析綜述[J].計算機科學與探索，2021，15（5）：794-811.

[31]FELDERHOFF C，LYFORD C，MALAGA J，et.al.Beef quality preferences：Factors driving consumer satisfaction[J].Foods，2020，9（3）：289.

[32]何燭明.鄉村振興戰略下特色農產品包裝設計研究[J].包裝工程，2023，44（14）：316-319，400.

[33]李道和，楊俊，陳江華.茶葉電子商務消費者滿意度影響因素分析——基于在線評論的探索分析[J].林業經濟，2019，41（10）：70-77.

[34]薛景梅，王昂.社區電商生鮮品類供應鏈風險控制研究——以“美團優選”為例[J].價格理論與實踐，2023（2）：156-160.

責任編輯：李亞利

Research on Factors Influencing Consumer Satisfaction with Meat Products"on B2C E-commerce Platforms： Empirical Analysis Based on Online Comment Data

Wang Taixiang" Yang Sidi

（School of Economics amp; Management， Shihezi University， Shihezi， 832003， China）

Abstract： Based on the massive review data of JD.com， intelligence analysis is conducted to explore the factors that affect the satisfaction of meat consumers， and to investigate the reasons for consumer negative comments. This is significant for e-commerce platforms and merchants to continuously improve consumer satisfaction. This article takes the online review data of meat products on JD Fresh platform as an example， and uses text mining methods to extract themes and conduct sentiment analysis on product comments. It comprehensively analyzes the factors that affect consumer satisfaction and the reasons for consumer negative comments. The research has found that product factors， brand factors， logistics factors， and platform factors are the four major factors that affect consumer satisfaction with purchasing meat products. The main reasons for consumer negative comments are poor product quality and packaging， poor operation level of e-commerce platforms， low logistics service quality， and insufficient brand building of merchants. Therefore， merchants and e-commerce platforms should improve product quality and packaging effectiveness， enhance platform operation level， improve logistics service quality， and improve merchant brand building capabilities.

Key words：" meat products; consumer satisfaction; online comments; theme model; sentiment analysis; deep learning

[基金項目]國家社科基金項目（項目編號：22XMZ076）。

[作者簡介]王太祥（1980-），男，安徽懷寧人，博士，教授，研究方向：農業經濟理論與政策；楊思迪（1996-），男，湖南湘鄉人，碩士研究生，研究方向：技術經濟及管理。