VOC-Driven Recommendation Signal — 评论语义驱动的推荐增强：NLP-VOC×推荐系统桥梁
Skill-VOC-Driven-Recommendation-Signal · 07-NLP-VOC
causalexperimentrecommendationragdata_collectionpricing广告与投放客服与VOC推荐与搜索数据采集与治理定价与利润WF-B 广告优化WF-C 客服分诊WF-D 选品扫描WF-E Review监控WF-F 动态定价
年化 ROI20-60 万
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
推荐系统对静音敏感用户推了嘈杂的热销吸奶器导致退货率高——方面情感向量注入协同过滤将静音型产品从第8位升至第2位，推荐CVR提升8-15%，年化GMV增益20-60万元
2. 核心算法逻辑
传统协同过滤只用"谁买了什么"，忽略"为什么买"。ACFRS 框架把用户评论中的方面级情感注入推荐模型：
3. 业务应用场景
业务问题：搜索"breast pump"返回20个结果，但用户历史评论显示她特别在意"静音"（写了"sleep-friendly"，差评了噪音大的产品）——推荐系统完全不知道，只按购买频率排序。
数据要求： - 用户历史评论文本（近12个月） - 商品评论方面情感汇总（来自 VOC-Aspect-Sentiment-Extraction） - 现有推荐系统的候选集输出（Top 100）
预期产出： - 用户方面偏好向量（静音: 0.9, 便携: 0.7, 价格: 0.4...） - 个性化重排结果（静音型吸奶器从第8位升至第2位） - 方面解释："因为您对静音有强偏好，推荐此款 <45dB 产品"
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：
- 搜索/推荐个性化重排：CTR 提升 12-20%，CVR 提升 8-15%
- 避免向"噪音敏感用户"推荐嘈杂产品：退货率降低 10-20%
- 年化 GMV 增益：¥20-60 万
- 实施难度：⭐⭐⭐☆☆（需要评论方面分析基础设施 + 推荐系统接口改造，约 3-4 周）
- 优先级评分：⭐⭐⭐⭐☆（填补 NLP-VOC ↔ 推荐系统完全断链；评论信号比行为数据更能解释"为什么不买"）
7. 代码模板
代码块数量：2 · 路径：未检测到
"""
VOC-Driven Recommendation Signal
评论方面情感增强推荐系统（NLP-VOC × 推荐系统桥梁）
"""
import numpy as np
from collections import defaultdict
# 方面词典（母婴品类）
ASPECT_DICT = {
'噪音': ['quiet', 'silent', 'noise', 'loud', '噪音', '安静'],
'便携': ['portable', 'travel', 'compact', '便携', '轻便'],
'吸力': ['suction', 'power', 'strong', '吸力', '吸奶量'],
'价格': ['price', 'expensive', 'value', '价格', '贵', '便宜'],
'清洁': ['clean', 'easy', 'wash', '清洗', '方便'],
}
SENTIMENT_WORDS = {
'positive': ['good', 'great', 'love', 'excellent', 'perfect', 'best', '好', '棒', '喜欢'],
'negative': ['bad', 'poor', 'hate', 'terrible', 'loud', 'heavy', '差', '不好', '失望'],
}
def extract_aspect_sentiment(review_text):
"""简化版方面情感提取"""
text = review_text.lower()
aspect_scores = {}
for aspect, keywords in ASPECT_DICT.items():
matched = any(kw in text for kw in keywords)
if not matched:
continue
# 判断情感
pos = sum(1 for w in SENTIMENT_WORDS['positive'] if w in text)
neg = sum(1 for w in SENTIMENT_WORDS['negative'] if w in text)
sentiment = (pos - neg) / (pos + neg + 1)
aspect_scores[aspect] = round(sentiment, 2)
return aspect_scores
def build_user_aspect_profile(user_reviews):
"""聚合用户历史评论，构建方面偏好向量"""
aspect_accumulator = defaultdict(list)
for review in user_reviews:
scores = extract_aspect_sentiment(review)
for asp, score in scores.items():
aspect_accumulator[asp].append(score)
# 加权平均（越强烈的情感权重越大）
profile = {}
for asp, scores in aspect_accumulator.items():
abs_scores = [abs(s) for s in scores]
weighted = sum(s * abs(s) for s in scores) / (sum(abs_scores) + 1e-8)
profile[asp] = round(weighted, 3)
return profile
def build_item_aspect_quality(item_reviews):
"""聚合商品评论，构建方面质量向量"""
aspect_accumulator = defaultdict(list)
for review in item_reviews:
scores = extract_aspect_sentiment(review)8. 论文来源
- 2401.15285