O sentimento do UGC é útil para recomendações? Uma aplicação de modelo de recomendação baseado em sentimento

Objetivo Dada a importância crítica do conteúdo gerado pelo usuário (UGC) no comércio eletrônico, explorar vários aspectos do UGC pode ajudar a entender a intenção de compra do usuário e a recomendação de produtos. Portanto, este estudo investiga o impacto do UGC nas decisões de compra e propõe novos modelos de recomendação baseados em análise de sentimento, que são verificados no Douban, um dos sites de UGC mais populares na China. Design/metodologia/abordagem Após verificar a relação entre vários fatores e as vendas de produtos, este estudo propõe dois modelos: modelo de recomendação de filtragem colaborativa baseado em sentimento (SCF) e modelo de recomendação de tópicos de fatores ocultos baseado em sentimento (SHFT), combinando o modelo tradicional de filtragem colaborativa (CF) e o modelo de tópicos de fatores ocultos (HFT) com análise de sentimento. Resultados Os resultados indicam que o sentimento influencia significativamente a intenção de compra. Além disso, os modelos de recomendação baseados em sentimento propostos superam os tradicionais CF e HFT em termos de erro absoluto médio (MAE) e erro quadrático médio (RMSE). Além disso, os dois modelos geram resultados diferentes para várias categorias de produtos, fornecendo insights acionáveis para organizadores que desejam implementar estratégias de recomendação mais precisas. Implicações práticas Os resultados deste estudo defendem a incorporação de fatores sentimentais do UGC em websites para aumentar a precisão das recomendações. Além disso, diferentes estratégias de recomendação podem ser empregadas para diferentes tipos de produtos. Originalidade/valor Este estudo introduz uma nova perspectiva no campo dos algoritmos de recomendação. Ele não apenas valida o impacto do sentimento do UGC na intenção de compra, mas também avalia os modelos propostos com dados do mundo real. O estudo fornece insights valiosos para a tomada de decisões gerenciais visando aprimorar sistemas de recomendação.