电商评论是零售企业感知商品与服务质量的第一手数据，但传统情感分析多止步于正负面标签，难以回答“差评究竟差在哪”。本实验室近期围绕大模型情感归因分析开展实验，目标是把非结构化评论转化为可归因、可统计的结构化洞察。技术路线上，先由大模型抽取评论涉及的服务维度（物流、包装、质量、客服、价格等），再映射到统一标签体系，并以人工抽检校准，抑制幻觉与标签漂移。
阶段性进展：
- 在某美妆类目约5万条脱敏评论上完成首轮实验，维度归因的人工抽检一致率达89%，较传统情感词典方法提升约20个百分点；
- 归因结果可按SKU聚合，已产出“差评TOP3原因”周报样例，供运营团队用于选品与详情页优化参考。
下一步将统一跨类目标签体系，并测试小样本新类目的冷启动迁移能力，验证方法在长尾类目上的稳定性。
评论