¿Qué hace que una revisión en línea sea más útil? Un marco de interpretación utilizando XGBoost y valores SHAP

Las revisiones de productos en línea desempeñan roles importantes en el marketing de boca a boca de las empresas de comercio electrónico, pero solo las revisiones útiles realmente influyen en las decisiones de compra de los clientes. La investigación actual se centra en cómo predecir la utilidad de una revisión, pero carece de un análisis exhaustivo de por qué es útil. En este artículo, se proponen conjuntos de características que cubren el texto de la revisión y las señales contextuales para representar la utilidad de la revisión. Luego, se introduce un conjunto de modelos de árboles de gradiente reforzado (GBT), y se elige el óptimo, que se implementa en eXtreme Gradient Boosting (XGBoost), para predecir y explicar la utilidad de la revisión. Específicamente, al incluir el método de valores SHAP (Shapley) para cuantificar la contribución de las características, este artículo presenta un marco integrado para interpretar mejor por qué una revisión es útil a nivel macro y micro. Basado en datos reales de Amazon.cn, este artículo revela que el número de palabras contribuye más a la utilidad de las revisiones sobre auriculares y es influenciado interactivamente por características como el número de oraciones o la frecuencia de características, mientras que la frecuencia de características contribuye más a la utilidad de las revisiones de limpiadores faciales y está influenciada interactivamente por el número de adjetivos utilizados en la revisión o la entropía de la revisión. Ambos conjuntos de datos muestran que las contribuciones individuales de características varían de revisión a revisión, y las contribuciones conjuntas individuales disminuyen gradualmente con el aumento de los valores de características.