本文提出了一种分析和建模意见评估的方法并利用亚马逊书评收集的大规模数据集发现了研究结果。研究表明评论的有用程度不仅取决于其内容，还与其他相同产品的评论的评估方式有微妙的关联，并提供了一个简单的数学模型使我们能够区分社会学和社会心理学等竞争理论和用户群体评估行为之间的意见。差异。

Jun, 2009

本文提出了一种基于评论引导的答案有用性预测模型，该模型不仅考虑了 QA 对之间的交互，还探讨了答案与众筹意见之间的意见连贯性作为识别有用答案的另一个重要因素，并探索了利用预训练策略将从一个特定设计的经过训练的网络中获得的文本推理知识转移的方法。该模型在七个产品类别上进行的广泛实验表明，其在预测任务中的表现优异。

Mar, 2020

本研究利用 RoBERTa 和 XLM-R 语言模型，对在线产品评论的帮助度进行有效预测。研究表明，相较于传统特征工程，使用预训练语言模型能达到更好的预测效果，并且多语言模型在某些情况下表现更佳。但是，多语言模型并不能用于单一语言的微调。同时，评论人打的分数等附加特征也可以增强模型的预测准确度。

Feb, 2023

通过对用户评论中的文本进行分析判断，本研究尝试对推荐系统的改进方案进行探讨，发现过去论文中的实验结果存在一定的差异，因此需要对数据预处理和实验设置进行规范化。研究表明，在一些特定的设置中，当前先进的算法并未比传统算法表现更优秀，作者总结出哪些条件下用户评论将对系统推荐更有帮助，并对推荐系统所应发展的方向提出建议。

May, 2020

本文介绍一种基于时间的方法，对在线消费者评论进行实时监测，并利用精心选择的指示性信号，设计有效的技术来检测和描述不正常事件，该方法适用于两个不同评论网站的数据集，且快速、有效、实用，可在现实世界的系统中部署。

Mar, 2016

本研究探讨了如何在产品评论中识别有用的评论，并验证了基于论证的特征，如论证句子的百分比和依据结论的比率等，对于确定较佳评论的重要性。实验表明，与基准特征相结合使用时，基于论证的特征可使性能提高 11.01％。

Jul, 2017

本文针对在线评论过多令用户难以选择的问题，提出利用文化背景作为特征来评估在线评论的实用性，并通过对阿拉伯和西方文化圈中关于酒店和书籍的不同在线评论进行深入分析，发现基于文化背景评估评论可以提高推荐准确度，并开发了六个不同的评论推荐模型来证明这一点。

Apr, 2023

在线商务依赖于用户生成的评论来提供对物品的客观信息，该论文提出了一种利用机器学习方法进行评论检测和提取的方法，并展示了该方法在对未包含在训练数据中的网站上的使用上的推广性。此方法承诺驱动自动检测和评估评论的应用，无论其来源如何。此外，通过实施和讨论三个关键应用：情感不一致性分析、多语言支持和假评论检测，展示了该方法的多功能性。

May, 2024

通过对超过 340,000 篇关于智能手机的在线评论的分析，本文从时间角度出发，探索了用户对产品方面的关注度和情感的分布规律，并发现评论中短时间间隔内的产品方面往往有更高的情感值，这一研究成果对于优化评论展示和改善购物体验具有重要意义。

Sep, 2022

使用混合专家框架，本文旨在自动学习如何判断一个产品评论是否与给定查询相关，并在一个包括 1.4 百万个问题和答案以及 13 百万个评论的语料库上评估我们的系统，Moqa，并表明它对于处理二元和开放性查询都有效，在定性研究中还展示了这个系统能够提供人工评估认为相关的评论。

Dec, 2015