來源 | 36大數(shù)據(jù)

當(dāng)你在網(wǎng)上選購商品時(shí)，同類的商品成千上萬，哪些因素會(huì)影響你選購某件商品呢？商品評(píng)論一定是一個(gè)重要的參考吧。一般我們總會(huì)看看歷史銷量高不高，用戶評(píng)論好不好，然后再去下單。

過去不久的雙11、雙12網(wǎng)絡(luò)購物節(jié)中，無數(shù)網(wǎng)友在各個(gè)電商網(wǎng)站的促銷大旗下開啟了買買買模式。不過，當(dāng)你在網(wǎng)上選購商品時(shí)，同類的商品成千上萬，哪些因素會(huì)影響你選購某件商品呢?商品評(píng)論一定是一個(gè)重要的參考吧。一般我們總會(huì)看看歷史銷量高不高，用戶評(píng)論好不好，然后再去下單。
然而各位一定也有所耳聞，買的不如賣的精，刷單的、刷評(píng)論的始終橫行網(wǎng)上，沒準(zhǔn)你看到的評(píng)論就是賣家自己刷出來的。事實(shí)上，許多精明的淘寶賣家會(huì)在雙十一等網(wǎng)購高峰期售賣“爆款”，“干一票就撤”，這正是虛假評(píng)論的溫床。有時(shí)我們選購商品，經(jīng)常會(huì)發(fā)現(xiàn)許多條看起來十分夸張的評(píng)論，如某女鞋的商品評(píng)論：
“超級(jí)好看的鞋，隨便搭配衣服就覺得自己像女神，又不磨腳，站一天都不會(huì)累。下次還來買，趕快上新款哦!”
“有史以來最滿意的鞋，媽媽看了說是真皮的，賣家態(tài)度又很好，發(fā)貨超快，誠信賣家，特別滿意的一次購物!”
連續(xù)幾百幾千條“真情實(shí)感”的好評(píng)這樣刷下來，恐怕會(huì)有許多顧客被洗腦：這個(gè)商品銷量真高，評(píng)論也不錯(cuò)，那就買這家吧!結(jié)果網(wǎng)上的爆款買回家卻變成了廢品。我們買家真是絕對的信息弱勢方，賣家給出的描述真假尚且不知，刷好評(píng)又讓人防不勝防。那么，如何才能識(shí)別刷單評(píng)論呢?我們在此介紹一種借助文本挖掘模型的破解之道。
首先要解決數(shù)據(jù)來源問題，可以從網(wǎng)站上批量下載這些評(píng)論，也就是爬蟲。目前有兩種方法，一種是編程，可以使用python、java等編程語言去編寫爬蟲程序;還有一種是使用成熟爬蟲軟件，可以利用界面操作來爬蟲。筆者決定使用免費(fèi)的gooseeker軟件來做，這個(gè)軟件是Firefox瀏覽器的插件，避免了很多網(wǎng)站動(dòng)態(tài)渲染不好分析的問題，它借助了瀏覽器的功能，只要在瀏覽器上看到的元素就可以方便地下載。該軟件提供了詳細(xì)的教程和用戶社區(qū)，可以指導(dǎo)用戶一步步設(shè)置抓取內(nèi)容、抓取路線、連續(xù)動(dòng)作、同類型網(wǎng)頁的重復(fù)抓取，大家可以自行學(xué)習(xí)使用。
筆者最終抓取了四款同類型的鞋子的評(píng)論數(shù)據(jù)，包括會(huì)員名、商品描述、購買日期、購買型號(hào)、評(píng)論日期、評(píng)論文本等，共計(jì)5000多條數(shù)據(jù)。我們特意選取了具有刷單傾向的商品，可以看出，其中許多評(píng)論日期連續(xù)、會(huì)員名相似、買家等級(jí)較低;經(jīng)過人眼識(shí)別，刷單評(píng)論占比約30%。我們意在使用這些數(shù)據(jù)去構(gòu)建刷單評(píng)論識(shí)別模型，然后可以用這里得出來的規(guī)則去識(shí)別其它鞋類商品的刷單評(píng)論。
SAS Enterprise Miner 13.2是一款大家熟知的數(shù)據(jù)挖掘工具，它可以針對大型數(shù)據(jù)進(jìn)行分析，并根據(jù)分析結(jié)果建立精確的預(yù)測和描述模型，因此為我們所選用，不過使用其他軟件也是相同的分析思路。
我們把先前獲取的5000條評(píng)論一分為二，其中70%作為訓(xùn)練樣本，30%作為驗(yàn)證樣本。首先，用文本解析將訓(xùn)練樣本中的評(píng)論文本內(nèi)容拆詞，在拆詞時(shí)可以選擇忽略缺乏實(shí)際意義的代詞、感嘆詞、介詞、連詞，忽略數(shù)字與標(biāo)點(diǎn)符號(hào)。以上拆詞過程相當(dāng)于把非結(jié)構(gòu)化數(shù)據(jù)轉(zhuǎn)成了結(jié)構(gòu)化數(shù)據(jù)，以前的一段文本如今可以用若干列來表示，每列代表一個(gè)詞，如果文本中出現(xiàn)了該詞該列取值為1，否則取值為0。

現(xiàn)在我們還不能直接拿它來建模，通過上圖我們可以發(fā)現(xiàn)很多詞只出現(xiàn)在少部分文章中，可以使用文本過濾器節(jié)點(diǎn)來去除詞頻很低的詞。
在文本過濾器中可以設(shè)置最小文檔數(shù)，指定排除小于該文檔出現(xiàn)數(shù)目的詞條，同時(shí)也要排除像“就”、“這”、“是”、“有”這樣詞頻高卻意義不大的詞。除此之外，還可以進(jìn)行同義詞處理，我們可以手動(dòng)添加同義詞，也可以導(dǎo)入外部的同義詞庫。比如，“暖和”與“保暖”是同義詞，“好看”與“漂亮”可以互相替代……

在軟件中還可以查看詞與詞之間的鏈接關(guān)系：

接下來，我們可以使用文本規(guī)則生成器節(jié)點(diǎn)來建模，發(fā)現(xiàn)哪些詞組組合與刷單有直接的關(guān)系：

我們將訓(xùn)練樣本中的真實(shí)評(píng)論設(shè)置為0(藍(lán)色)，刷單虛假好評(píng)設(shè)置為1(紅色)。上圖中可以看出，提到“暖和”(包括同義詞“保暖”)這樣的詞時(shí)，評(píng)論極可能是真實(shí)的;而寫著“鞋子很時(shí)尚哦”“做工精細(xì)，還會(huì)再買”而沒有提到暖和與否的，則多半是虛假好評(píng)。
說到這里，你可能會(huì)好奇：為什么“暖和”這樣一個(gè)普通的詞，倒成了真假評(píng)論的試金石?
我們不妨回想一下自己作為普通買家的購物經(jīng)歷：在收到貨品并試用之后，通常只會(huì)簡單描述一下自己的使用感受，這些感受一定。而水軍則不然，他們從來沒有真正收到商品，更談不上試穿啦，為了完成業(yè)務(wù)指標(biāo)，只好按照賣家提供的商品描述，盡量從質(zhì)量、物流、服務(wù)態(tài)度甚至搭配等多方面強(qiáng)調(diào)商品本身的特性。從我們所做的案例來講，“暖和”自然屬于親身感受，而“真皮”“做工”之類，恐怕不是普通買家最想反饋的性質(zhì)。
那么這個(gè)模型的總體效果如何呢?我們可以用累積提升度這個(gè)指標(biāo)來評(píng)價(jià)：

我們還留下了30%的驗(yàn)證樣本，現(xiàn)在它們可以現(xiàn)身來驗(yàn)證成果了。請看上圖中的粉紅色曲線：如果用這個(gè)模型去對評(píng)論進(jìn)行打分，按照疑似為虛假評(píng)論(“1”)的概率去排名，取前5%的評(píng)論時(shí)，提升度為3倍;我們已知虛假評(píng)論約占總體的30%，也就是說，概率排名前5%的評(píng)論中有九成都是刷的，從而證明我們的模型相當(dāng)精準(zhǔn)地捕捉了刷單評(píng)論。
最后，我們要為賣家說句公道話：淘寶刷單惡性競爭嚴(yán)重，完全不刷好評(píng)的店家恐怕不多，不能說有刷評(píng)論的店就完全不能下手，90%刷單的商品實(shí)在駭人聽聞，10%刷單的店則或許質(zhì)量尚可接受。這也進(jìn)一步說明了我們的模型的作用：判斷商品的刷單比例，比逐條判斷評(píng)論是否虛假更加實(shí)用。
如今網(wǎng)絡(luò)水軍也在持續(xù)進(jìn)化中，寫出的評(píng)論越來越真情實(shí)感、具有極強(qiáng)的誤導(dǎo)性，單憑肉眼分辨既浪費(fèi)時(shí)間、又易被迷惑;但虛假評(píng)論可以推陳出新，我們的模型更可以隨時(shí)跟進(jìn)“學(xué)習(xí)”。如果將本文中的方法進(jìn)行推廣，則可以形成一個(gè)捕捉評(píng)論——文本解析——建立模型——判斷虛假評(píng)論比例的標(biāo)準(zhǔn)過程，這樣的方法無疑相當(dāng)具有實(shí)用性。
end