在零售电商场景，差评的价值不在于数量，而在于能否快速定位到具体环节——是商品页描述偏差、仓配破损，还是物流时效。我们以某服饰类目的公开评论为样本，搭建了一条轻量实验管线：先用句向量做语义聚类，再由小模型把每条差评归入「描述不符 / 质量瑕疵 / 履约时效 / 客服响应 / 尺码偏差」五类责任环节，并抽取可核查的证据短语回链原文，供人工复核。
- 阶段性进展：在 1.2 万条人工标注评论上，五分类宏平均 F1 为 0.81。区分度最高的是「履约时效」与「客服响应」；混淆主要发生在「描述不符」与「尺码偏差」，二者常同时出现在同一条评论中。
- 应用验证：归因结果按天聚合后可生成单品差评热点清单，试点店铺的差评定位由平均两个工作日的人工抽读缩短至当天出结论。
下一步计划有两点：一是把图文评论中的图片作为辅助信号接入，缓解纯文本对破损类差评的漏判；二是比对归因结果与后台退货原因码的一致性，避免仅凭评论文本得出片面结论。
评论