近期，零售电商实验室围绕用户评论的结构化利用开展实验，尝试以大语言模型替代传统关键词打标方式，对海量评论进行语义聚类与差评归因。
实验基于某家居品类近三个月约12万条评论数据，先用嵌入向量完成语义聚类，再由模型对差评样本生成归因标签（物流、质量、描述不符、售后服务等），并与人工标注结果交叉比对。
阶段性进展：
· 聚类主题与人工归纳类目的重合度约82%，差评归因准确率约87%，单批次处理耗时由人工约6小时压缩至20分钟以内；
· 分析发现“描述不符”类差评与主图过度美化高度相关，该结论已同步商品内容团队复核。
下一步将引入多模态信息，把评论文本与商品详情页截图联合建模，细化归因粒度；同时在两个类目开展小范围灰度验证，评估其对选品与详情页优化的实际指导价值。相关数据与误差分析将在实验室页面持续更新。
评论