利用客户确认偏差预测多模态评论的实用性:一种分层可信的多视图深度学习方法

《Engineering Applications of Artificial Intelligence》:Predicting helpfulness of multimodal reviews with customer confirmation bias: A hierarchically trusted multi-view deep learning method

【字体: 大 中 小 】 时间:2026年01月01日 来源:Engineering Applications of Artificial Intelligence 8

编辑推荐:

  多模态评论有用性预测模型融合确认偏差与精细加工可能性模型,构建分层可信多视图学习框架,从文本、图像、元数据提取中心/边缘线索,设计相似差异注意力机制与KL散度一致性学习策略,实验表明在亚马逊和Yelp数据集上MAP提升1.01%,达到85.48%,有效缓解用户确认偏差对评估的影响。

  
杨颖|唐思|任刚|魏海|洪泰浩
合肥工业大学管理学院,中国合肥,230009

摘要

准确识别高质量的在线评论对消费者和电子商务平台都至关重要。消费者在评估产品评论的实用性时往往会表现出确认偏误。然而,很少有研究探讨这种心理现象在预测多模态评论实用性中的作用。为了解决这一差距,我们提出了一种基于详细可能性模型和确认偏误理论的层次化可信多视图深度学习方法。具体来说,我们从评论文本、图片和元数据中分别提取初始信念视图、中心路径视图和外围路径视图。我们提出了一种可信的多视图融合策略,以考虑确认偏误来整合这些线索。我们在从亚马逊和Yelp平台收集的数据集上评估了所提出的方法。实验结果表明,该方法的平均精度(MAP)值为85.48%,比表现最好的基线方法高出1.01%,验证了其在不同平台和产品类别上的泛化能力。这些发现为电子商务平台提供了从多个角度动态评估评论实用性的指导。

引言

在线评论是数字口碑的重要来源,有助于消费者在电子商务环境中做出明智的购买决策(杨颖等,2021年)。一项实证研究发现,超过92%的消费者在购买前会阅读在线评论,其中89%的消费者表示这些评论显著影响了他们的决策过程。此外,82%的消费者更喜欢阅读在线评论,而不是咨询实体店的销售人员(关等,2015年)。在线评论的激增使得消费者越来越难以彻底阅读和识别有用的评论,从而导致信息过载(琼斯等,2004年)。电子商务平台目前采用的投票机制通常根据投票数量对评论进行排名。然而,这种方法在排名新发布的评论时存在局限性,因为这些评论的曝光时间较短且获得的投票较少(张等,2016年)。因此,电子商务平台自动预测在线评论的实用性并实施优先展示策略至关重要。
最近开发了多模态和多视图学习技术来预测在线评论的实用性。卷积神经网络(CNN)从评论文本、图片和元数据中提取深度语义特征(任等,2024年;孔等,2022年;奥尔梅迪利亚等,2022年)。基于注意力的多模态学习方法被用来整合多种特征并识别有用的评论(阮等,2022年)。然而,当前的深度学习模型在预测评论实用性时通常假设消费者以无偏见的方式感知评论的实用性,忽略了影响消费者评估和购买决策的心理因素,如确认偏误(雷等,2023年;尹等,2016年;蔡和杨,2024年)。
忽略消费者的确认偏误必然会导致一些预测错误。图1显示了一款电脑鼠标的产品信息、其评论信息以及来自电子商务平台的整体评分。根据传统的预测方法,这条多模态评论可能具有较高的内容质量。然而,这条评论获得的投票数却很少。这种异常结果可能是由于消费者在评估评论时出现了确认偏误。消费者在阅读该产品的统计整体评分后形成了最初的积极看法。这种第一印象可能会影响他们后来对评论实用性的评估。评论表达了对该产品的负面意见,这与最初的看法不一致,从而导致其投票数较低。尽管确认偏误在塑造消费者判断中起着关键作用,但它很少被整合到用于预测评论实用性的机器学习模型中。
评论的实用性是衡量说服力的一个指标(张等,2010年)。当消费者分享他们的观点时,他们通常有意图影响或说服他人。当评论支持他们的评估和购买决策时,人们通常认为这条评论是有利的。解释说服有效性的一个著名理论是来自社会心理学领域的详细可能性模型(ELM)(李等,2017年)。它可以解释消费者如何利用中心和外围线索来进行实用性评估。
通过将ELM和确认偏误理论纳入深度学习模型,我们旨在更全面地理解确认偏误对实用性判断的影响。主要挑战包括:
  • (1)
    如何基于心理理论开发用于评论实用性预测的多模态深度学习模型?以往的研究主要强调数据驱动的特征,而不是理论驱动的认知因素。由于确认偏误是消费者行为中一个被充分记录的现象,本研究在ELM和确认偏误理论的指导下提取了影响评论实用性的因素。
  • (2)
    在融合文本、图片和元数据等不同模态时,如何捕捉确认偏误的动态影响?现有的融合方法通常平等对待多种模态,或者依赖没有心理依据的注意力机制。本研究开发了一种层次化可信的多视图融合策略,以探索用户如何在认知上优先考虑某些信息来源,尤其是在倾向于确认证据的情况下。
  • 本研究通过将确认偏误与可信的多视图学习技术相结合,开发了一种用于预测多模态评论实用性的新模型。与传统多模态学习方法相比,可信的多视图深度学习可以为不同样本提取具有不同权重的深度语义特征(刘等,2022年;韩等,2023年)。考虑到多模态评论中的噪声和腐败问题,它可以减少多视图融合的不确定性并获得可信的结果。因此,我们引入了可信的多视图学习技术,在考虑确认偏误的同时提取和整合多模态评论的深度语义特征。
    主要贡献可以总结为以下三个方面:
  • (1)
    我们提出了一种层次化可信的多视图深度学习方法,用于预测多模态评论的实用性。这种方法在预测评论实用性时考虑了消费者的确认偏误,通过全面理解人类信息处理过程来提高预测性能;
  • (2)
    我们基于ELM和确认偏误理论设计了多个视图,从不同角度提取多模态评论的中心和外围线索,并设计了一种相似性-差异注意力机制,以实现文本和图片之间的细粒度交互,并捕捉它们之间的相似性和差异关系。
  • (3)
    提出了一种基于Kullback-Leibler(KL)散度的连贯学习策略,用于模拟评论的初始信念、中心线索和外围线索之间的确认偏误。
  • 本文的其余部分组织如下:第2节对理论基础和文献综述进行了全面分析。第3节介绍了层次化可信的多视图深度学习方法,概述了关键的影响指标和相应的视图。第4节致力于实证评估,我们描述了实验设置,展示了获得的结果,并进行了深入分析。最后,第5节对本文提出的发现进行了总结和讨论。

    章节片段

    理论基础和文献综述

    评论的实用性衡量了消费者在做出购买决策时认为评论有多有用。在本节中,我们回顾了与评论实用性相关的理论基础,并重点介绍了几种预测方法,特别是最近开发的多模态融合方法。

    方法论

    本节介绍了所提出的模型。它介绍了模型的整体框架和学习策略。该框架包括多视图的构建过程和层次化可信的多视图融合过程。

    实证评估

    我们在本节回顾了模型测试部分。首先,我们提供了基线模型、评估措施和数据收集的概述。随后,我们报告了一些相关的性能测试结果和分析。

    讨论与启示

    本节总结了我们的研究,包括方法论和贡献、管理见解、研究局限性和潜在的未来改进。

    作者贡献声明

    杨颖:写作——审阅与编辑、撰写初稿、方法论、概念化。唐思:写作——撰写初稿、软件、方法论、形式分析、数据整理。任刚:写作——审阅与编辑、监督。魏海:写作——审阅与编辑。洪泰浩:监督。

    利益冲突声明

    作者声明他们没有已知的竞争财务利益或个人关系可能影响本文报告的工作。

    致谢

    本研究部分得到了国家自然科学基金(编号72071061、72201086、72171069)和中央高校基本科研业务费(JZ2024HGTB0222)的支持。
    相关新闻
    生物通微信公众号
    微信
    新浪微博
    • 搜索
    • 国际
    • 国内
    • 人物
    • 产业
    • 热点
    • 科普

    热点排行

      今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

      版权所有 生物通

      Copyright© eBiotrade.com, All Rights Reserved

      联系信箱:

      粤ICP备09063491号