零售电商的评价数据量大、噪声高，长期停留在“看星级、翻热评”的层面。本实验室近期的实验，尝试把差评从“情绪信号”转成“可下发的问题项”。
方法分三步：一是用大模型把单条评价拆成「商品属性—极性—原文证据」三元组，例如“尺码偏小—负向—比平时小一码”；二是按属性聚类，并与退货工单的原因字段对齐，识别哪些抱怨真正导致了退货；三是按提及量×负向率×退货相关度排序，生成改进项工单，分别流转到商品、供应链与客服三条线。
要点：
- 阶段进展：属性抽取与人工标注的一致率约89%；某鞋服店铺试点首月，高频属性的差评提及量下降约12%，尺码类退货原因的结构占比同步下降。
- 下一步：把评价归因前移到商品企划环节，在新品上架前输出属性风险清单；同时验证不同平台评价结构差异对聚类结果的影响。
评价不只是用来回复的。把它结构化成可追踪、可下发的改进项，反馈闭环才真正成立。
评论