零售电商的差评文本具有短、碎、口语化的特点，一条"用了两天就坏了"既可能是品控问题，也可能是物流挤压或用户误用。实验室本阶段的目标不是做情感打分，而是把非结构化评论转成可派发的改进项。
做法上分三步：先按"商品属性—使用场景—失效模式"建立三层标签体系，用轻量分类模型做属性与场景抽取；再对同一属性下的评论做语义聚类，合并表述不同但指向一致的反馈；最后由规则层将聚类结果映射为改进项（结构、包装、说明书、详情页描述等），并带上样本量与置信度，供运营与供应链判断优先级。
要点
- 进展：在某家居类目约 12 万条评论上，主题聚类与人工标注的一致率约 82%，单条评论的处理耗时由人工约 3 分钟降至 40 秒以内；描述类差评（如尺寸与详情页不符）识别最稳定，偶发质量问题的召回仍有缺口。
- 下一步：将差评聚类结果与退货原因、客服工单做对齐，验证"差评信号—退货率"的滞后相关性，并尝试把改进项直接写入选品与详情页优化流程，形成可追踪的闭环。
我们更关心的是归因是否稳定、是否可复现，而非单次分类的漂亮指标。
评论