基于大模型的跨境电商评论分析

人工智能分析评论数据，例如这里举例一般的评论分析需求：

1:【分析维度】主题分析：

从评论分析出该品牌对于：产品质量，价格，客户服务三方面的反馈，每个方面不低于5句话进行总结并针对每个方面做一个词云；

2:【分析维度】关键词分析

关键词分析，梳理出评论中出现最多的关键词有哪些，例如：

用户评论中最常见的关键词：

"自然"（出现在 65% 的评论中）
"质地柔软"（出现率60%的评论中）
"颜色褪色"（以25%的评论中出现）
"价格高"（在40%的评论中出现）
"商品快"（在45%的评论中出现）
"包装损坏"（出现在 15% 的评论中）

3 :【分析维度】场景关键词分析

分析在不同场景的维度下，评论中有出现如下类型的的关键词有哪些：

产品词：例如：全蕾丝头套，发帘等

需求词/功效词：例如：显年轻，高贵等

场景词：例如：party，生日会，舞会等

人群词：例如：上班族，妈妈，护士

地域词：例如：亚特兰大，纽约等

【分析维度】趋势分析

根据评论数据的时间，分析用户情绪的变化趋势：

例如：

在过去的6个月中，关于质量问题（特别是颜色褪色）的负面评论有所增加。
在最近的促销活动期间，关于价格的正面评论有所上升。

【分析维度】结论与建议:

让gpt/大模型输出整体的结论与建议。例如：

本报告揭示了以下几点重要见解：

用户普遍认为，该品牌的假发在视觉上和触感上 接近真人头发，但颜色的持久性可能需要改进。
虽然部分用户对价格有些不满，但大多数人认为该品牌的产品物有所值。品牌可以考虑通过提供更多的优惠或促销活动，吸引对价格敏感的消费者。
该品牌的客户服务在用户中得到了良好的评价，但产品问题可能需要进一步解决。

【分析维度】可视化展示分析效果

这里我们展示一下评论分析最终得到的分析结果：

^ 如上图所示，我们利用人工智能gpt/大模型可以从评论获得评论的主题维度，评论的意图维度，关键词维度，好评差评维度，还有随着时间而变化的指标趋势，不同维度下的指标分布情况等。

下面是thereviewindex.com/的评论分析例子：

thereviewindex 也是把评论按主题分类，然后按好评差评维度进行汇总。

下面我们再看看voc.ai的评论分析功能：

www.voc.ai/cn/tools/ch...

voc.ai的评论分析是基于主题，场景，意图和期待等维度来进行评论分析。

根据评论分析的需求，我们知道评论分析的关键在于从不同维度得到对应的指标，例如好评差评，关键词等，然后进一步汇总得到分布和随时间的趋势走向。

现在我们利用了人工智能按各个维度去分析每一条评论：

如图所示，可以从评论分析得到不同维度得到对应的指标，例如好评差评，关键词等。

这里展示一个结构化提示语，比较好的得到以上的评论分析结果：

typescript 复制代码

Role:评论分析专家
Context:需要分析一份假发的商品评论数据,以便了解用户对产品的真实看法,分析产品存在的问题和优势。
OutputFormat:    
-----
{
        "sentiment":"positive/negative",
        "topic_information": {
        
           "Product_Quality": {
                        "positive": 0.0,
                        "negative": 0.0,
                        "child_topic": "Size/Dimension", //topic classification ，for example: Reliability and Durability,Consistency,Safety ，Size/Dimension，Material ，Realism，Comfort ...
                        "topic": "Product Quality",
                        "keywords": ["Incorrect sizing"],  // keywords text classification
  
              },
             "Price": {
                        "positive": 0.00,
                        "negative": 0.00,
                        "child_topic": "Discounts", //topic classification ，for example: Transparency,Discounts,Additional Costs,Policies ....
                        "topic": "Price",
                        "keywords": ["High cost-effectiveness"],   //keywords text classification
   
              },
              "Customer_Service" :{
                        "positive": 0.00,
                        "negative": 0.00,
                        "child_topic": "Shipping", //topic classification ，for example: Responsiveness,Shipping,Returns and Refunds ,Support, experience ,Pre-sales,After-sales,Feedback ....
                        "topic": "Customer Service",
                        "keywords": ["Slow shipping"],   //keywords text classification
                }
           },
           "keyword_information": {
                "Product_features": ["full lace headband"], //For example, full lace headband, hair extension, etc.
                "Customer_Expectation": ["noble"], //For example, youthful appearance, noble, etc.
                "Usage_Scenario": ["dance party"], //For example, party, birthday party, dance party, etc.
                "User_Persona": ["office workers"], //For example, office workers, mothers, nurses, etc.
                "Location": ["Atlanta"] //For example, Atlanta, New York, etc.
            },
            "positive_words": [],
            "negative_words": [],  
            "Topic_Labeling": "",   //Topic Labeling word
            "Intent_Detection": "",   //Intent Detection
}
-----
Constrains:
请严格按OutputFormat json格式回答(Return the answer as a JSON object.) 
Task: 需要分析的评论数据:
{{query}}

结构化提示语的核心逻辑如图所示：

Role:定义角色，Context:定义背景，Task:定义目标，这样就可以比较好的得到评论分析的结果。

大模型长文本处理能力

以上是按每一条评论进行人工智能分析，然后进行汇总得到总体评论分析结论。我们也可以利用更强大的大模型长文本处理能力 （例如claude2,kimi等），直接把全部评论上传给人工智能大模型进行评论分析：

当我们有结构化的excel数据，例如我们的导出分析已经包含各维度的指标，我们可以直接导入给chatgpt 的code interpretor，可以针对各维度进行数据计算分析。

参考：gpt处理大文本进行评论分析 www.linkedin.com/pulse/how-u...