基于在线评论的消费者偏好挖掘研究综述

doi:10.16381/j.cnki.issn1003-207x.2024.0483

摘要/Abstract

摘要：

在线评论反映了消费者对产品不同特征的偏好，挖掘其中的偏好信息可以帮助潜在消费者更好地了解产品，从而做出更明智的购买决策，同时，也能够为企业的产品改进、市场定位以及营销策略提供重要支撑。近年来学者围绕在线评论挖掘消费者偏好进行了广泛研究，但目前缺乏系统性的文献综述。因此，本研究采用文献计量和内容分析相结合的方法对该领域的现状、不足和未来研究趋势进行综述。首先，定量分析了相关文献发表情况和关键词聚类情况，依据在线评论偏好挖掘的处理层次，将其归纳为基于在线评论的消费者偏好识别、分析、应用三大研究主题，构建了系统性的研究框架。然后，对每个研究主题的具体内容，从现状和不足两个层面进行了全面分析。最后，从提升消费者偏好识别准确性、深入分析个性化偏好和动态偏好、拓展偏好应用领域、推动多模态信息融合四方面提出了未来研究展望。

关键词: 在线评论, 消费者偏好, 评论挖掘, 偏好分析, 产品改进

Abstract:

Online reviews reflect customers’preferences for various product features. Mining this preference information can help potential consumers better understand the products， leading to more informed purchasing decisions， while also providing valuable insights for product improvement， market positioning and promotional strategies. In recent years， scholars have conducted extensive research on the mining of customer preferences from online reviews， but there is a lack of systematic literature review in this field. To systematically understand the current status， limitations， and future research trends， a literature review is conducted using bibliometric analysis and content analysis. Initially， the publication of relevant literature and keyword clustering are quantitatively analyzed. Based on the process of mining consumer preferences from online reviews， this literature is scrutinized and categorized into three research themes： identification， analysis， and application of customer preferences derived from online reviews， thereby constructing a systematic research framework. Subsequently， a comprehensive analysis of each theme is conducted from both current status and limitations. Finally， future research trends are proposed， focusing on enhancing the accuracy of customer preference identification， exploring personalized and dynamic preferences， expanding the application domains of preferences and promoting the integration of multimodal information.

Key words: online reviews, customer preferences, review mining, preference analysis, product improvement

中图分类号:

C391.6

蒲中敏, 张晨曦, 徐泽水. 基于在线评论的消费者偏好挖掘研究综述[J]. 中国管理科学, 2025, 33(1): 209-220.

Zhongmin Pu, Chenxi Zhang, Zeshui Xu. A Review of Consumer Preference Mining Based on Online Reviews[J]. Chinese Journal of Management Science, 2025, 33(1): 209-220.

图/表 13

图1

表1

图2

图3

图4

图5

图6

图7

表2

表3

表4

表5

表6

参考文献 62

1	Lee T Y， Bradlow E T. Automated marketing research using online customer reviews［J］. Journal of Marketing Research， 2011， 48（5）： 881-894.
2	Ren P J， Liu X D， Zhang W G. Consumer preference analysis： Diverse preference learning with online ratings［J］. Omega-International Journal of Management Science， 2024， 125： 103019.
3	Xiao S S， Wei C P， Dong M. Crowd intelligence： Analyzing online product reviews for preference measurement［J］.Information & Management，2016，53（2）： 169-182.
4	Archak N， Ghose A， Ipeirotis P G. Deriving the pricing power of product features by mining consumer reviews［J］. Management Science， 2011， 57（8）： 1485-1509.
5	王安宁，张强，彭张林，等. 在线评论的行为影响与价值应用研究综述［J］. 中国管理科学， 2021， 29（12）： 191-202.
	Wang A N， Zhang Q， Peng Z L，et al. A review of behavioral influence and value application for online reviews［J］. Chinese Journal of Management Science， 2021， 29（12）： 191-202.
6	李杨，徐泽水，王新鑫. 基于在线评论的情感分析方法及应用［J］. 控制与决策， 2023， 38（2）： 304-317.
	Li Y， Xu Z S， Wang X X. Methods and applications of sentiment analysis with online reviews［J］. Control and Decision， 2023， 38（2）： 304-317.
7	汪鹏，邓钰佳，方兴华. 在线评论识别用户需求的研究热点与前沿分析［J］. 标准科学， 2023（5）： 111-116.
	Wang P， Deng Y J， Fang X H. Research foci and frontier of user demands identification based on online reviews［J］. Standard Science， 2023（5）： 111-116.
8	Zhang L， Chu X N， Xue D Y. Identification of the to-be-improved product features based on online reviews for product redesign［J］. International Journal of Production Research， 2019， 57（8）： 2464-2479.
9	李良强，袁华，叶开，等. 基于在线评论词向量表征的产品属性提取［J］. 系统工程学报， 2018， 33（5）： 687-697.
	Li L Q， Yuan H， Ye K， et al. Extraction product features from online reviews based on word-vector-representation［J］. Journal of Systems Engineering， 2018， 33（5）： 687-697.
10	Moreo A， Romero M， Castro J L， et al. Lexicon-based comments-oriented news sentiment analyzer system［J］. Expert Systems with Applications， 2012， 39（10）： 9166-9180.
11	Zhang C X， Xu Z S， Gou X J， et al. An online reviews-driven method for the prioritization of improvements in hotel services［J］. Tourism Management， 2021， 87： 104382.
12	Shi L L， Lin J， Liu G Q. Product feature extraction from Chinese online reviews： Application to product improvement［J］. Rairo-Operations Research， 2023， 57（3）： 1125-1147.
13	Ma J， Harrison M. Continuous preference trend mining for optimal product design with multiple profit cycles［J］. Journal of Mechanical Design， 2014， 136（6）： 061002.
14	林铭炜，许江松，林佳胤，等. 面向在线教育的学习者情感识别综述［J］. 控制与决策， 2024， 39（4）： 1057-1074.
	Lin M W， Xu J S， Lin J Y，et al. A review of emotion recognition of learners for online education［J］. Control and Decision， 2024， 39（4）： 1057-1074.
15	Tubishat M， Idris N， Abushariah M A M. Implicit aspect extraction in sentiment analysis： Review， taxonomy， oppportunities， and open challenges［J］. Information Processing & Management， 2018， 54（4）： 545-563.
16	Qiu G， Liu B， Bu J J， et al. Expanding domain sentiment lexicon through double propagation［C］ // Proceedings of the 21st International Joint Conference on Artificial Intelligence， Pasadena California， USA， July 11-17， 2009.
17	Tang D Y， Qin B， Liu T. Deep learning for sentiment analysis： Successful approaches and future challenges［J］. Wiley Interdisciplinary Reviews-Data Mining and Knowledge Discovery， 2015， 5（6）： 292-303.
18	Schouten K， Frasincar F. Survey on aspect-level sentiment analysis［J］. IEEE Transactions on Knowledge and Data Engineering， 2016， 28（3）： 813-830.
19	Zhang W X， Li X， Deng Y， et al. A survey on aspect-based sentiment analysis： Tasks， methods， and challenges［J］. IEEE Transactions on Knowledge and Data Engineering， 2023， 35（11）： 11019-11038.
20	徐健，张婧，宋玲钰，等. 基于RoBERTa-BiLSTM-CRF RoBERTa-BiLSTM-CRF融合模型的在线评论细粒度情感分析［J］. 系统工程理论与实践， 2023， 43（12）： 3519-3536.
	Xu J， Zhang J， Song L Y，et al. Fine-grained sentiment analysis of online reviews based on RoBERTa-BiLSTM-CRF［J］. Systems Engineering-Theory & Practice， 2023， 43（12）： 3519-3536.
21	Bian Y W， Ye R S， Zhang J， et al. Customer preference identification from hotel online reviews： A neural network based fine-grained sentiment analysis［J］. Computers & Industrial Engineering， 2022， 172： 108648.
22	Liu F， Liao H C， Al-Barakati A. Physician selection based on user-generated content considering interactive criteria and risk preferences of patients［J］. Omega-International Journal of Management Science， 2023， 115： 102784.
23	Al-Smadi M， Al-Ayyoub M， Jararweh Y， et al. Enhancing aspect-based sentiment analysis of arabic hotels’reviews using morphological， syntactic and semantic features［J］. Information Processing & Management， 2019， 56（2）： 308-319.
24	Jin W Q， Zhao B， Zhang L W， et al. Back to common sense： Oxford dictionary descriptive knowledge augmentation for aspect-based sentiment analysis［J］. Information Processing & Management， 2023， 60（3）： 103260.
25	Bi J W， Liu Y， Fan Z P， et al. Modelling customer satisfaction from online reviews using ensemble neural network and effect-based kano model［J］. International Journal of Production Research， 2019， 57（22）： 7068-7088.
26	Kim M J， Yoo H Y. Identification of key service features for evaluating the quality of metaverse services： A text mining approach［J］. IEEE Access， 2024（12）： 6719-6728.
27	Qin J D， Zheng P， Wang X J. Product redesign and innovation based on online reviews： A multistage combined search method［J］. INFORMS Journal on Computing， 2024，36（3）：742-765.
28	Qi J Y， Zhang Z P， Jeon S， et al. Mining customer requirements from online reviews： A product improvement perspective［J］. Information & Management， 2016， 53（8）： 951-963.
29	Wang A N， Zhang Q， Zhao S Y， et al. A review-driven customer preference measurement model for product improvement：Sentiment-based importance-performance analysis［J］. Information Systems and E-Business Management， 2020， 18（1）： 61-88.
30	Decker R， Trusov M. Estimating aggregate consumer preferences from online product reviews［J］. International Journal of Research in Marketing， 2010， 27（4）： 293-307.
31	王安宁，张强，彭张林，等. 融合特征情感和产品参数的客户感知偏好模型［J］. 中国管理科学， 2020， 28（9）： 199-208.
	Wang A N， Zhang Q， Peng Z L， et al. Customer preference model considering feature sentiment and product parameters［J］. Chinese Journal of Management Science， 2020， 28（9）： 199-208.
32	张振刚，罗泰晔. 基于在线评论数据挖掘和Kano模型的产品需求分析［J］.管理评论，2022， 34（11）： 109-117.
	Zhang Z G， Luo T Y. Product Demand analysis based on online review data mining and Kano model［J］. Management Review， 2022， 34（11）： 109-117.
33	Zhao M， Liu M J， Xu C， et al. Classifying travellers’requirements from online reviews： An improved kano model［J］. International Journal of Contemporary Hospitality Management， 2024， 36（1）： 91-112.
34	沈超，王安宁，陆效农，等. 基于在线评论的客户偏好趋势挖掘［J］. 系统工程学报， 2021， 36（3）： 289-301.
	Shen C， Wang A N， Lu X N，et al. Customer preference trend mining based on online reviews［J］. Journal of Systems Engineering， 2021， 36（3）： 289-301.
35	Sha K X， Li Y P， Dong Y N， et al. Modelling the dynamics of customer requirements considering their lability and sensitivity in product development［J］. Advanced Engineering Informatics， 2024， 59： 102296.
36	李金海，何有世，马云蕾，等. 基于在线评论信息挖掘的动态用户偏好模型构建［J］. 情报杂志， 2016， 35（9）： 192-198.
	Li J H， He Y S， Ma Y L， et al. Building dynamic user preference model based on information mining of online reviews［J］. Journal of Intelligence， 2016， 35（9）： 192-198.
37	Jiang H M， Kwong C K， Kremer G E O， et al. Dynamic modelling of customer preferences for product design using denfis and opinion mining［J］. Advanced Engineering Informatics， 2019， 42： 100969.
38	Zuo M H， Angelopoulos S， Liang Z Y， et al. Blazing the trail： Considering browsing path dependence in online service response strategy［J］. Information Systems Frontiers， 2023， 25（4）： 1605-1619.
39	孙冰，沈瑞. 基于在线评论的产品需求偏好判别与客户细分——以智能手机为例［J］. 中国管理科学， 2023， 31（3）： 217-227.
	Sun B， Shen R. Online reviews for product demand preference discrimination and customer segmentation： A case study of the smart phone data［J］. Chinese Journal of Management Science， 2023， 31（3）： 217-227.
40	Ahani A， Nilashi M， Ibrahim O， et al. Market segmentation and travel choice prediction in spa hotels through tripadvisor’s online reviews［J］. International Journal of Hospitality Management， 2019， 80： 52-77.
41	Ahani A， Nilashi M， Yadegaridehkordi E， et al. Revealing customers’satisfaction and preferences through online review analysis： The case of canary islands hotels［J］. Journal of Retailing and Consumer Services， 2019， 51： 331-343.
42	Joung J， Kim H M. Approach for importance-performance analysis of product attributes from online reviews［J］. Journal of Mechanical Design， 2021， 143（8）： 081705.
43	Joung J， Kim H. Interpretable machine learning-based approach for customer segmentation for new product development from online product reviews［J］. International Journal of Information Management， 2023， 70： 102641.
44	Zhao M， Li L Y， Xu Z S. Study on hotel selection method based on integrating online ratings and reviews from multi-websites［J］. Information Sciences， 2021， 572： 460-481.
45	Haubl G， Trifts V. Consumer decision making in online shopping environments： The effects of interactive decision aids［J］. Marketing Science， 2000， 19（1）： 4-21.
46	Liu P D， Teng F. Probabilistic linguistic todim method for selecting products through online product reviews［J］.Information Sciences，2019，485： 441-455.
47	Veisi H， Aflaki N， Parsafard P. Variance-based features for keyword extraction in persian and english text documents［J］. Scientia Iranica， 2020， 27（3）： 1301-1315.
48	Zhao M， Shen X Y， Liao H C， et al. Selecting products through text reviews： An mcdm method incorporating personalized heuristic judgments in the prospect theory［J］. Fuzzy Optimization and Decision Making， 2022， 21（1）： 1-24.
49	Zhang H Y， Pu J， Wang J Q， et al. A novel decision support model for satisfactory restaurants utilizing social information： A case study of TripAdvisor.com［J］. Tourism Management， 2017， 59： 281-297.
50	Liu Y， Wu B J， Fan Z P. Ranking products through online reviews： A method based on sentiment analysis technique and intuitionistic fuzzy set theory［J］. Information Fusion， 2017， 36： 149-161.
51	Liao S K， Hsu H Y， Chang K L. Otas selection for hot spring hotels by a hybrid MCDM model［J］. Mathematical Problems in Engineering， 2019，2019（1）：4251362.
52	Cali S， Balaman S Y. Improved decisions for marketing， supply and purchasing： Mining big data through an integration of sentiment analysis and intuitionistic fuzzy multi criteria assessment［J］. Computers & Industrial Engineering， 2019， 129： 315-332.
53	Liang X， Liu P D， Wang Z H. Hotel selection utilizing online reviews： A novel decision support model based on sentiment analysis and di-vikor method［J］. Technological and Economic Development of Economy， 2019， 25（6）： 1139-1161.
54	Zhang Z Y， Guo J， Zhang H R， et al. Product selection based on sentiment analysis of online reviews： An intuitionistic fuzzy todim method［J］. Complex & Intelligent Systems， 2022， 8（4）： 3349-3362.
55	Dahooie J H， Raafat R， Qorbani A R， et al. An intuitionistic fuzzy data-driven product ranking model using sentiment analysis and multi-criteria decision-making［J］. Technological Forecasting and Social Change， 2021， 173： 121158.
56	Pu Z M， Zhang C X， Xu Z S， et al. A fuzzy decision support model for online review-driven hotel selection by considering risk attitudes of customers［J］. Journal of the Operational Research Society， 2023， 75（7）： 1407-1420.
57	Yang X X， Zhou S J， Cao M. An approach to alleviate the sparsity problem of hybrid collaborative filtering based recommendations： The product-attribute perspective from user reviews［J］. Mobile Networks & Applications， 2020， 25（2）： 376-390.
58	Rhanoui M， Mikram M， Yousfi S， et al. A hybrid recommender system for patron driven library acquisition and weeding［J］. Journal of King Saud University-Computer and Information Sciences， 2022， 34（6）： 2809-2819.
59	Ma Y， Chen G Q， Wei Q. Finding users preferences from large-scale online reviews for personalized recommendation［J］. Electronic Commerce Research， 2017， 17（1）： 3-29.
60	王克勤，王志义，李靖，等. 面向产品设计改进的顾客偏好分析与预测［J］. 计算机集成制造系统， 2024， 30（6）：1989-2004.
	Wang K Q， Wang Z Y， Li J，et al. Customer preference analysis and prediction for product design improvement［J］. Computer Integrated Manufacturing Systems， 2024，30（6）：1989-2004.
61	Asadabadi M R， Saberi M， Sadghiani N S， et al. Enhancing the analysis of online product reviews to support product improvement： Integrating text mining with quality function deployment［J］. Journal of Enterprise Information Management， 2024， 30（6）： 1989-2004.
62	徐一钊，闫宏斌，马铁驹. 竞争性环境下在线评论驱动的新产品开发：基于QFD的视角［J］. 系统工程， 2022， 40（5）： 54-69.
	Xu Y Z， Yan H B， Ma T J. online review-driven new product development under competitive environments： A QFD perspective［J］. Systems Engineering， 2022， 40（5）： 54-69.

检索数据库	中国知网	Web of Science核心集
检索截止时间	2023年12月31日	2023年12月31日
检索主题词1	“在线评论”及相关词汇	“Online review”及相关词汇
检索主题词2	“偏好”及相关词汇	“Preference”及相关词汇
第一阶段筛选	去除会议论文、学位论文、重复文献	去除会议论文、非英文文献、重复文献
第二阶段筛选	精读摘要和内容，去除不相关文章	精读摘要和内容，去除不相关文章
最终检索结果	中文文献192篇	英文文献254篇

方法分类	参考文献	优点	缺点
基于词典	Liu等^[22]	简单易实现，可解释性强	无法识别新兴词汇及隐含情感信息
机器学习	Al-Smadi 等^[23]	计算速度较快，自适应能力强	需要大量人工标注数据，缺乏对上下文语境信息的充分利用
深度学习	Jin等^[24]	能主动学习上下文特征，可扩展能力强	模型训练需要的数据量大，可解释性较低

方法分类	参考文献	优点	缺点
机器学习	Bi等^[25]	自动化批量处理，挖掘隐藏趋势	数据质量要求高，结果不一定可解释
联合分析	Qi等^[28]	适应多特征分析，提供特征相对重要性	量化存在困难，易受模型假设影响
计量经济学模型	王安宁等^[31]	便于识别和解释变量间的因果关系	数据质量要求高，无法捕捉全部因素

参考文献	特征提取	情感分析	特征分类模型
张振刚和罗泰晔^[32]	LDA	SVM	Kano模型
Bi等^[25]	LDA	SVM	基于效率的Kano模型
Xiao 等^[3]	—	—	基于边际效应的Kano模型
Zhao 等^[33]	LDA	HowNet词典	基于强度和频率的Kano模型
Wang 等^[29]	实验调查	—	基于情感的IPA模型
Zhang 等^[11]	LDA	RNTN	改进的PRCA模型
沈超等^[34]	—	—	决策树模型与Mann-Kendall技术

参考文献	特征提取	情感分析	特征赋权方法	产品排序与推荐方法
Zhang 等^[49]	—	—	客观	集合算子
Zhao 等^[44]	√	√	客观	TOPSIS
Liu 等^[50]	—	√	主观	PROMETHEE
Liao等^[51]	—	—	主观	DEMATEL
Cali和Balaman ^[52]	√	√	客观	ELECTRE-VIKOR
Liang 等^[53]	—	√	客观	VIKOR
Zhang 等^[54]	√	√	客观	TODIM
Dahooie 等^[55]	√	√	客观	MULTIMOORA
Pu 等^[56]	√	√	客观	CODAS
Yang 等^[57]	—	√	客观	混合协同过滤
Rhanoui 等^[58]	—	√	—	混合协同过滤
Ma 等^[59]	√	√	客观	基于用户偏好的协同过滤