據(jù)目測，評論區(qū)是中國文學大師密度比較高，罵人水平比較高和逗逼水準比較高的地方，A站B站還把評論玩成彈幕。

[[375037]]

平臺型APP因“評論”文化的迥異，體現(xiàn)出別樣的審美與趣味，知乎體、爺青回，成為“時髦”的暗號。

 

 

在宏觀層面，“網(wǎng)民評論”被定義為具有輿論屬性和廣泛的社會動員能力。所以，排查、約談、暫停、整改、審核也都是管理機構(gòu)的常用“大錘”。

評論區(qū)，是難以忽視的公共地區(qū)。

有一批活躍的、對社區(qū)品牌有認同，并產(chǎn)生大量優(yōu)質(zhì)內(nèi)容的用戶，是社區(qū)的福氣。

表面上 “評論區(qū)”肩負社區(qū)氛圍組的重任，是互聯(lián)網(wǎng)“公共場所”。

背地里，分享意見左右消費決策，進而影響生意。

(根據(jù)英國政府的數(shù)據(jù)，僅在英國，在線評論每年就影響了約280億美元的酒旅預訂交易。)

而評論區(qū)不是烏托邦，

• 大眾點評(數(shù)量質(zhì)量都不高，沒營養(yǎng)的口水評論多)
• 小紅書(水軍多，付費版高級測評師云集)
• 淘寶(數(shù)量多，看得累，返現(xiàn)金，得好評)
• 馬蜂窩(偷偷搬運別人家的評論據(jù)被實錘了)

這不是單一現(xiàn)象，外媒CNN甚至拋出一個數(shù)字：全球互聯(lián)網(wǎng)，七分之一的酒旅在線評論是假的。

“評論區(qū)”青山常在，柴不斷，就繞不過人工智能(AI)的重要方向，自然語言處理(NLP)，讓計算機像人類一樣對“中文/文字”進行理解。

群眾高呼，請AI緊急上線，內(nèi)容檢測、水軍識別、臟話刪除、不良內(nèi)容處理。

一、自然語言處理技術(shù)，挺行的

話說，NLP技術(shù)在互聯(lián)網(wǎng)大廠已經(jīng)用得非常好了，搜索、推薦、廣告、智能助理等許多系統(tǒng)中都有身影，技術(shù)團隊緊咬學術(shù)前沿。

先看工業(yè)界，新東方教育2018年就開始有學員用戶畫像項目，進行等級分類。NLP技術(shù)對相關(guān)結(jié)構(gòu)化數(shù)據(jù)文本，數(shù)據(jù)標簽化，并增加用戶圈選和行為事件分析功能，各個業(yè)務部門可以根據(jù)標簽圈選學員。

汽車之家機器學習小組，為機器之家用戶產(chǎn)品中心下屬認知智能組，NLP技術(shù)支持用戶選車，多輪對話。

2020年，京東智聯(lián)云在雙十一的第一個小時，情感智能客服服務138萬次，使用情感識別、語音交互等智能化技術(shù)。

美團搜索，用機器理解用戶的各種查詢意圖?？墒牵脩粢鈭D會隨著時間變化，在有限的關(guān)鍵詞中解讀出非常豐富的信號，用于各種搜索的召回、排序以及展示。美團專門設(shè)有人工智能平臺/搜索與NLP部門。

再者，美團大腦挖掘、關(guān)聯(lián)各個場景數(shù)據(jù)，用人工智能算法讓機器“閱讀”用戶針對商戶的公開評論，理解用戶在菜品、價格、服務、環(huán)境等方面的喜好，構(gòu)建人、店、商品、場景之間的知識關(guān)聯(lián)，可以認為是“餐飲娛樂的知識大腦”，支持搜索、SaaS 收銀、金融、外賣業(yè)務服務。

作為一種非結(jié)構(gòu)化文本，用戶評論蘊含了大量非標準表達的“單詞”。

機器根據(jù)句子所在上文的一系列“單詞”，預測后面會跟哪個“單詞”，預測的是概率大小，句子里面每個“單詞”都有個根據(jù)上文預測的過程，把所有這些“單詞”的產(chǎn)生概率乘起來，數(shù)值越大，代表這句話越像一句人話，而不是鬼話或者胡話。

所以，除了人類，機器也可以判斷，哪個句子更像一句人話。

“黃鶴樓”一詞，可能有三個意思。武昌蛇山之巔的名樓，北京的商家，湖北香煙品牌。AI算法也不傻，預測則可結(jié)合上下文，前文在講長江、景點、旅游、票價、登高遠眺，就不會推測出此處的“黃鶴樓”是在講香煙，而是景點的概率更大。

再比如貓眼文娛，可以獲取電影、電視劇、藝人等信息，形成一部“詞典”。但是隨著搜索體量增大，搜索表述復雜，詞典滿足不了用戶需求，就會使用AI模型，作為詞典的補充。

再看學術(shù)界，誕生了名叫Transformer的模型(一種深度神經(jīng)網(wǎng)絡(luò))，基于Transformer的 BERT模型(2018年技術(shù)重大進展)，GTP模型(硅谷OpenAI實驗室出品)，它們都使用預訓練和微調(diào)的思路來解決問題。

 

 

預訓練語言模型，就像在無標注文本的大海里，學到潛在的語義信息，而無需為每一項任務單獨標注大量訓練數(shù)據(jù)。語言模型預訓練結(jié)束，再使用少量標注語料進行微調(diào)(Fine-tuning)來完成具體的NLP任務，比如分類、序列標注、句間關(guān)系判斷和機器閱讀理解等。

總之，算法的“性能”得到顯著改善，BERT做大了NLP技術(shù)的蛋糕。

二、運營組，也挺行的

 

《親愛的數(shù)據(jù)》和幾位互聯(lián)網(wǎng)大廠的運營小哥哥聊了一會，各家“評論”的運營花了很多心思。

抖音的評論區(qū)是雙軌制，既有最熱的評論，也有最新的評論。最新的評論可以理解為一個小池子，根據(jù)用戶的點贊數(shù)量，來看要不要繼續(xù)推。這樣能保證發(fā)得比較晚的神評論也能排上來，屬于推薦思想在評論區(qū)的一種應用。

抖音搜索是有考慮過識別到評論區(qū)如果提問的人比較多，會有提示搜索的建議。但路徑太長，直接改成了目前的高熱社會類視頻下面，加一個今日頭條的文章鏈接。

常見的處理評論區(qū)數(shù)據(jù)的方法是結(jié)構(gòu)化，電商和酒旅APP都對幾十億條評論區(qū)做了結(jié)構(gòu)化處理，這里是指對數(shù)據(jù)做結(jié)構(gòu)化處理，因為計算機能處理的都是結(jié)構(gòu)化的，非結(jié)構(gòu)化的數(shù)據(jù)它理解不了，所以文本在涉及到“理解”這一層，都是需要先結(jié)構(gòu)化。

NLP分析了評價，提煉了“分詞”，加了結(jié)構(gòu)化的外展，相當于找到了“標注”，提高了用戶瀏覽評論的效率。英雄所見略同，用戶理所當然的認為，人數(shù)越多，觀點越可信。

日常中，在淘寶購買一款升降桌，“安裝效果好”“質(zhì)量好”“用后感覺好”。選酒店的時候，你能看到多少人提到了“便宜”、“舒適”，又有多少人提到了“安靜”“交通方便”。

很顯然，消費+社區(qū)的評論會有門檻，淘寶、小紅書、大眾點評、馬蜂窩等。商品沒下單，沒經(jīng)歷的用戶不能參與評論。

看熱鬧的是外行，探店的往往是內(nèi)行，平臺會傾向把好評往前排，促進轉(zhuǎn)化，消費后的訴求也會偏多，需要專門的回應，處理。純娛樂、純討論的社區(qū)，參與評論的門檻低，抖音、快手、B站、芒果、豆瓣。一般來說，電商評論運營得好，有賣貨的訴求，大家聊的都是和商品相關(guān)的。

 

 

小紅書的鐵粉認為，雖然很多評價都是花錢買的。大V粉絲量多了就會接廣告。但是，小紅書整體測評感比較強，和無腦水軍還不太一樣，即使是托兒，也寫得很誠懇。

評論是“UGC(用戶生產(chǎn)的內(nèi)容)”，既真實，又新鮮，可以挖掘出潛在商業(yè)價值。對用戶來說，人人都需要“真實”而且“好用”的評論，無論是“經(jīng)驗”“干貨”，還是“指南”。

三、為啥沒有管好“評論”?

 

[[375038]]

 

技術(shù)這么硬，起點這么高，為啥還管不好“評論區(qū)”。

這里，有三個絆腳石：

第一，評論數(shù)據(jù)質(zhì)量特別差，注意“特別”兩字。

數(shù)據(jù)治理水平低導致人工智能算法在很多時候效果不好。算法效果的好壞，與訓練數(shù)據(jù)有很大關(guān)系，可以說一份好的標注數(shù)據(jù)，用一個普通的算法，也能有好的性能?，F(xiàn)實中，企業(yè)想要做好 NLP，首先需要打通基礎(chǔ)數(shù)據(jù)。評論數(shù)據(jù)的底子太差，麻袋上繡花，白費勁。

第二，“假裝”在用。

反正大家都在智能化，裝也得裝著在用。把AI技術(shù)用起來，是“老板們”的剛需。有時候，工程會退化到自動化階段，只是少部分用了算法智能。目前做得多的，也就是情感傾向分析，垃圾評論過濾等等。AI用不好，會變成噱頭，可能倒退到最基礎(chǔ)的統(tǒng)計分析圖表。

第三，不重視。

很多互聯(lián)網(wǎng)廠商認為，評論區(qū)是第二場景，有些二等公民的意味。說白了，不夠重視，或者說支持主要業(yè)務“(推薦和搜索)”的技術(shù)還做得不夠好，根本顧不上評論區(qū)。挖掘得不夠，應用的深度和廣度不夠。管理評論的主動力之一就是只是滿足政府管理部門的監(jiān)管要求。

綜上，NLP技術(shù)對運營的號召力還不夠大，影響還不夠深刻，NLP與運營還沒有形成彼此不分的魚水關(guān)系。

英國南安普頓大學畢業(yè)的AI算法科學家袁雪瑤，也在采訪中透露：“互聯(lián)網(wǎng)廠商會針對用戶發(fā)布的評論內(nèi)容有半人工識別，加上人工的數(shù)據(jù)標注。NLP現(xiàn)在比較成熟的領(lǐng)域有，情感分析、輿情分析、和用戶畫像，這些會對運營有比較適中的影響。”

(基于深度學習的情感分類方法，它能夠從海量的數(shù)據(jù)中主動學習文本中的語義信息并獲得文本的特征與情感分類，達到精準提取文本數(shù)據(jù)與情感的目的。比如“消極”“積極”)

一位來自平安智匯企業(yè)有限公司的算法專家也認為：“評論里，口水多，分析就是得把其中有價值的給自動篩選出來。NLP技術(shù)正在解決問題，還做不到藥到病除。”

“適中”一詞用得特別好，NLP還有很大的戰(zhàn)場，要與運營做盟軍，攻克業(yè)務側(cè)的難題。評論中使用的挖掘技術(shù)方法也包含了很多種，規(guī)則、傳統(tǒng)機器學習模型、深度學習模型等。

雖然專職挖掘“評論”商業(yè)價值的明星AI產(chǎn)品似乎還沒有出現(xiàn)，但是，有人注意到了。

 

 

東京大學的創(chuàng)業(yè)企業(yè)TDAI Lab認為應該面向點評網(wǎng)站等推銷人工智能工具。

他們分析了4000多個日式拉面餐廳的評論，發(fā)布了東京版“人工智能排名，最優(yōu)百家拉面店”。

在剔除疑似“刷好評”和“惡意差評”的情況下，人工智能選出了評價高的店鋪。

 

分析“評論區(qū)”不立刻關(guān)乎生死，又能給企業(yè)降本增效的場景不應該被忽視。

AI 技術(shù)需要算力，需要數(shù)據(jù)，需要算法模型，更需要應用場景。很多AI公司一開始就想給高速列車換輪子，以這種雄心壯志去敲開傳統(tǒng)企業(yè)的大門成功率很低，因為客戶對新技術(shù)和AI公司都沒有信任。

刷好評和惡意差評，消費者和餐飲店都有損失。消費者找不到好店，好店也失去了商機。

1968年，哈定(Garrett Hadin)在《科學》雜志上發(fā)表了一篇文章，題為The Tragedyof the Commons。譯成《公地悲劇》，原文中的the commons還包括公共的空間。

評論區(qū)環(huán)境的惡化，沒有人是贏家。AI審核、AI接管評論區(qū)是必然趨勢，“評論”需要才華，管好“評論”更需要才華。