AI商品评论洞察：属性级情感与改进点聚类

在零售电商场景，评论是少数同时包含“用户预期”与“真实体验”的文本资产，但按星级和关键词做统计，很难回答“究竟是哪个属性拖了评分”。本实验室用一批跨类目评论做了一次属性级情感抽取实验：以商品详情页的属性树为锚点，用大模型从评论文本中定位被讨论的属性（如面料、尺码、续航、物流时效），对每个属性做情感判定并回填证据句，再把负面证据句按语义聚类，输出可排序的改进点清单。

进展与数据：

• 首轮抽样约 1.2 万条评论，属性级情感判定的可用率约 88%；尺码、色差两类属性争议最多，已加入“是否涉及主观偏好”的二次过滤。
• 改进点聚类将数百条零散差评收敛为 6~8 个可行动议题，人工复核耗时从约 4 小时降至 40 分钟。

下一步计划：接入退货原因与客服会话字段，做评论—退货—咨询的三源对齐，验证该清单能否提前 1~2 周预警差评集中的 SKU。