VOC Compliance Signal Mining — 评论合规信号挖掘：NLP-VOC×合规决策桥梁
Skill-VOC-Compliance-Signal-Mining · 07-NLP-VOC
causalexperimentrecommendationragmulti_agentdata_collectionfraud_detection广告与投放客服与VOC推荐与搜索知识图谱与RAG数据采集与治理MAS与智能体工程风控与合规WF-B 广告优化WF-C 客服分诊WF-D 选品扫描WF-E Review监控WF-G Listing内容优化WF-I 智能体工程WF-K 全域风险防御
年化 ROI¥50-200 万（以避损为主）
实现难度⭐⭐☆☆☆
业务视角
适用角色产品运营负责人 / 选品负责人 · 客服负责人 · 品牌负责人
适用平台Amazon Reviews / Q&A · TikTok 评论区 · Reddit 母婴社区
什么情况下用每月几千条差评和 Q&A 没有人力一条条看，但痛点都在里面；新品开发不知道做什么功能、改什么问题
成功是什么样的自动提取 Top 10 高频痛点，新品开发有用户数据背书，每月出竞品用户洞察报告
业务痛点
1. 解决的问题
婴儿推车收到5条「夹扣突然断裂」评论但卖家不知道是否触发CPSC召回门槛——评论合规信号挖掘自动分类安全事故/宣传违规/化学风险并实时预警，提前4-8周发现召回风险避免损失100-500万元
2. 核心算法逻辑
用户评论是产品安全风险的早期预警系统——消费者在亚马逊评论里描述的产品缺陷、安全事故、法规疑问往往比官方投诉早 28 周出现。从评论中自动挖掘合规信号：
3. 业务应用场景
业务问题：某款婴儿推车的安全带夹扣收到5条评论提到"buckle broke suddenly while walking"。卖家不知道这是偶发还是系统性问题，更不知道是否触发 CPSC 召回门槛（15件投诉）。
数据要求： - 产品全部评论（来自 Seller Central 评论报告或 Jungle Scout） - 评论分类关键词库（安全/材料/宣传三类） - CPSC/FDA 合规阈值配置（可配置化）
预期产出： - 安全信号趋势图：安全事故类评论的周频率变化 - 风险等级预警：当频率超过阈值（如 0.5%）时自动告警 - 合规预警报告：可发送给产品/法务团队的结构化报告
4. 输入数据要求
请查看原始代码模板获取输入规格。
5. 输出结果
请查看原始代码模板获取输出规格。
6. 业务价值 / ROI
- ROI 预估：
- 提前发现安全事故信号并处理：避免 CPSC 召回损失 ¥100-500 万/次
- 主动发现宣传违规并修正：避免 Amazon 下架损失 ¥30-200 万
- 监控竞品违规词举报：潜在市场份额提升
- 年化综合 ROI：¥50-200 万（以避损为主）
- 实施难度：⭐⭐☆☆☆（关键词规则版本 1 周可实现；ML 分类器版本约 2-3 周；需要评论 API 接入）
7. 代码模板
代码块数量：3 · 路径：未检测到
"""
VOC Compliance Signal Mining
从用户评论自动挖掘产品合规风险信号
"""
import re
from collections import Counter, defaultdict
# 合规信号词典（母婴品类）
COMPLIANCE_SIGNALS = {
'safety_incident': {
'critical': ['choke', 'choking', 'swallow', 'swallowed', 'burn', 'shock', 'electric shock',
'break off', 'broke off', 'sharp edge', 'cut', 'injury', 'hospitalize', 'ER'],
'warning': ['dangerous', 'unsafe', 'hazard', 'hurt', 'pain', 'scratch', 'crack', 'broke'],
},
'marketing_violation': {
'critical': ['cure', 'treat', 'heals', 'clinically proven', 'fda approved', 'medical grade',
'guaranteed to increase', 'scientifically proven to boost'],
'warning': ['proven to', 'doctors recommend', 'clinically tested', 'pharmaceutical grade'],
},
'chemical_risk': {
'critical': ['bpa', 'phthalate', 'formaldehyde', 'lead', 'toxic', 'chemical smell',
'chemical taste', 'smells like plastic', 'prop 65'],
'warning': ['smell', 'odor', 'taste', 'material concern', 'plastic smell'],
},
'physical_defect': {
'critical': ['piece broke off', 'part fell off', 'broken after', 'cracked', 'shattered',
'came apart', 'fell apart', 'broke in half'],
'warning': ['loose', 'wobbly', 'flimsy', 'cheap material', 'poorly made'],
},
}
def classify_review_compliance(text):
"""对单条评论进行合规信号分类"""
text_lower = text.lower()
signals = {}
for category, levels in COMPLIANCE_SIGNALS.items():
for level, keywords in levels.items():
for kw in keywords:
if kw in text_lower:
if category not in signals or level == 'critical':
signals[category] = level
break
return signals
def analyze_product_reviews(reviews, threshold_pct=0.005):
"""
分析产品全量评论的合规风险
threshold_pct: 触发预警的信号频率阈值（默认0.5%）
"""
total = len(reviews)
signal_counts = defaultdict(lambda: defaultdict(int))
flagged_reviews = []
for rev in reviews:
signals = classify_review_compliance(rev['text'])
if signals:
flagged_reviews.append({**rev, 'signals': signals})8. 论文来源
- 2312.11642