电商评论大模型洞察：需求挖掘与差评归因

电商平台商品评论体量大、噪声高，人工整理难以支撑选品与迭代决策。零售电商实验室近期围绕大模型评论洞察开展阶段性实验，探索从非结构化评论文本中稳定提取需求点与差评归因。技术路线上采用模型抽取与规则校验结合：先由大模型输出“维度—观点—情感”结构化三元组，再以词典与频次约束过滤幻觉输出；对“物流快”“还行”等低信息量评论引入置信度分级，低置信结果不进入统计。阶段性进展：1. 在某家居类目约12万条脱敏评论数据上，需求点抽取的人工抽检准确率约87%，差评归因Top5与客服工单归类重合度较高；2. 单批次1万条评论的分析耗时由人工约3天压缩至40分钟以内。下一步将开展多平台数据对齐实验，并把洞察结果接入选品与详情页优化的小范围闭环验证，评估对转化率的实际影响。