零售场景里，商品评论是少有的由用户自发产生、且直接指向具体卖点的文本资产，但多数团队仍停留在星级与关键词统计层面。本期实验聚焦「评论归因」：把一条评论拆解为「对象—属性—情感—证据」四元组，例如「续航虚标」应归因到电池续航属性的负面，而不是计入整体差评。
实现上分三步：先以商品属性词典与详情页字段对齐，界定归因空间；再用小参数模型做属性级抽取与情感判定，避免逐条调用大模型的成本；最后以归因分布的变化率作为监控信号，而非绝对分值。
进展：在小家电、家居收纳、运动配件三个类目约 12 万条评论上，属性级抽取准确率稳定在 0.86~0.91，规格类属性最高，主观体验类偏低；单条处理成本较通用大模型方案下降约七成。
一条踩坑：归因结果直接推给详情页改写容易过拟合短期波动，现改为「连续两周同向变化才触发」。下一步将归因结果接入搜索词与问大家，验证对转化的实际影响。
评论