电商评论AI归因定制：细粒度标签与售后前置

零售评论是典型的高噪声文本：口语化表达、表情符号、错别字，以及「好评里夹差评」的拼接式评价。若只做好评/差评二分类，结论对业务几乎没有指导意义——运营真正想知道的是「哪个 SKU、哪个环节、出了什么问题」。

我们的实验路径是三步：先按商品属性做评论片段抽取，再判定该片段的极性，最后映射到责任环节（商品质量、描述不符、物流破损、客服响应等）。每一步都保留原文证据句，便于人工复核，也便于后续回溯模型判断依据。

阶段性进展：

• 在 3 个类目、约 1.2 万条评论上做标注比对，属性级抽取与人工标注的一致率约 82%；下降主要出现在错别字与表情符号密集的样本上，已加入纠错与表情归一化预处理。
• 按 SKU 聚合差评热点后，Top 3 问题点与售后工单分类的吻合度约 76%，初步说明评论可作为售后问题的前置信号。

下一步计划：把评论归因结果与退货原因码对齐校验，在退款申请发生前给出「高风险 SKU + 高频问题点」提示，先小流量验证，不直接改变用户侧售后策略。