基于时间感知的共识建模方法，通过细粒度在线评论分析实现多维度群体满意度检测

《Expert Systems with Applications》：Temporal-aware consensus modeling for multi-aspect group satisfaction detection through fine-grained online review analysis

在线评论分析需融合时序与意见动态，本文构建时序感知的群体决策模型，通过Wasserstein k-means和k-means分别聚类意见与时间分布，结合核心-边缘结构识别用户子群，设计转移策略协调异质信息，最终实现动态共识优化。

　　

文超|梁德翠

桂林电子科技大学商学院，中国桂林，541004

摘要

在线平台已成为用户表达意见的主要渠道，使得在线评论成为潜在客户和服务提供商的重要参考。然而，大多数现有的大规模群体决策（LSGDM）方法通常将评论视为静态信息，忽略了其中固有的时间动态性和用户子群体之间的细微结构差异。这种过度简化可能导致有偏见的见解和不稳定的共识。为了解决这些问题，本研究提出了一个新颖的基于时间意识的LSGDM共识框架，该框架明确整合了意见和时间分布。首先，与传统单边聚类不同，我们分别使用Wasserstein k-means（WK-means）和k-means来聚合意见和时间信息。其次，为了解决子群体异质性问题，我们开发了一个核心-边缘（CP）结构模型。通过将评论分为四个细粒度类别，我们区分了核心影响力节点和边缘噪声，确保决策由主流共识驱动。第三，我们提出了一种基于转移策略的新共识机制。与仅基于相似性的不同共识规则相比，该机制利用核心意见和时间关系对作为可信度基准，从而协调冲突的意见和时间关系。我们以Teladoc Health平台为例，展示了所提出的基于时间意识的共识建模框架的应用。通过比较实验验证了本研究的有效性和适用性。

引言

在线评论分析对于基于平台的企业来说发挥着越来越重要的作用。消费者在购买前浏览评论会对其感知有用性产生重大影响（Wang等人，2025年）。同时，平台可以利用在线评论分析来了解当前用户的满意度（Zhao & Huang，2024年）。在线评论通常包括用户使用产品或服务后的直接体验和主观评价，与传统问卷调查相比，这能更好地反映用户的真实感受。通过文本挖掘和情感分析，可以提取影响用户满意度的核心因素，如产品质量、服务水平、物流体验等，为平台优化服务提供指导。此外，平台可以根据这些反馈进行精确的产品改进、功能升级，甚至调整定价策略，从而提高用户满意度和忠诚度。这不仅有助于增加用户留存率，还能通过口碑传播吸引新用户（Donthu等人，2021年）。

为了准确评估用户满意度，现有文献主要关注分析固定的静态用户评价信息（Phan等人，2021年），很少有研究关注动态环境中的用户满意度。用户满意度通常会随时间变化，尤其是在产品或服务面临更新、调整或外部环境变化时。同时，在线评论的数量也会随时间波动，在某些时期可能会出现评论集中爆发的情况。因此，在优化平台时，应考虑用户需求是动态变化的（Sun等人，2022年）。在进行满意度分析时忽略时间因素可能导致不准确的结论，无法真正反映产品或服务的改进过程。通过分析基于时间意识的评论，可以识别出新兴趋势或市场热点，并监测用户满意度的波动，以便及时发现潜在问题。尽管有一些研究关注用户动态需求，例如使用非线性时间序列模糊回归方法预测用户偏好（Jiang等人，2022年），但很少有研究使用群体决策方法详细分析时间效用对群体意见的影响。群体决策方法可以考虑群体内部意见的差异和时间相关性，并通过共识机制优化最终满意度判断。因此，为了全面分析用户意见的动态特征，有必要构建一个创新的基于时间意识的群体决策模型来分析在线平台上的用户满意度。

在线评论通常涉及大量用户，这使得传统的群体决策方法不再适用。在过去十年中，大规模群体决策（LSGDM）受到了广泛关注，因为它适用于参与者过多的场景，并能更好地捕捉用户之间的异质偏好（García-Zamora等人，2022年）。通过汇总来自广泛用户的意见，LSGDM可以更有效地反映集体偏好，减少由于样本量有限而导致的偏见，并确保最终决策代表整个社区。LSGDM的核心是促进群体间的共识并构建共识达成过程（CRP）模型。最近，LSGDM中用于分析在线评论用户意见的CRP模型的发展获得了学术界的认可。例如，Chen等人（2021年）基于在线评论文本和问卷调查构建了一个用户需求的CRP模型。Pan等人（2025年）提出了一种基于评论文本和评分的区间值最小成本共识模型。然而，这些研究主要依赖于评论文本、评分和问卷调查，而忽略了评论的重要时间信息。尽管一些研究开发了动态CRP模型（例如，自适应CRP Shang等人，2023年），但它们的“动态”概念侧重于多轮共识调整，而不是直接结合评估时间信息。因此，一个更合理的CRP模型应该整合意见和时间信息，以更好地捕捉主流用户需求并识别新兴趋势。我们的目标是构建一个基于时间意识的LSGDM框架，以增强对在线评论中用户满意度的分析。

基于上述内容，本研究旨在解决三个关键问题：

(1) Q1：在线评论不仅在语言上具有不确定性，而且本质上也是随时间变化的。大多数研究将它们视为静态信息。如何在整合时间分布的同时有效地建模这种模糊意见，以捕捉用户群体的满意度，仍然是一个基础性挑战。

(2) LSGDM中的大多数聚类方法通常平等对待子群体内的所有评论，忽略了它们的内部结构。如何同时描述意见和时间分布，以细粒度的方式识别子群体，仍然是一个关键问题。

(3) 现有的CRP模型主要关注基于相似性的意见调整，但常常忽略了时间集中度所提供的可信度。如何构建一个同时利用意见和时间分布的共识机制，是一个问题。

为了解决这些问题，我们分析了不同意见和时间分布下的评论特征，然后构建了一个CRP模型来获得群体的用户满意度。首先，我们使用情感分析工具获得用户关注的标准，并将评论意见从评论文本中转换为概率语言术语集（PLTSs）的形式。定义了PLTSs的Wasserstein距离，以便使用Wasserstein k-means（WK-means）将用户意见聚类到多个子群体中。评论发布时间也使用k-means方法聚类到多个子群体中。其次，利用核心-边缘（CP）结构方法进一步划分每个子群体的核心和边缘点。基于核心和边缘节点的意见和时间分布，设计了一个四分类算法来划分评论。第三，我们提出了一种基于转移策略的CRP模型来融合四个类别的评论。具体来说，从意见和时间的角度分别计算评论的权重。根据具有核心意见和核心时间的评论，我们调整其他评论的信息以与基准对齐并构建优化模型。最后，融合总意见并根据比较规则对标准进行排序。提出了两个指标来分析评论的时间特征。

本文的其余部分安排如下：第2节回顾了一些关于在线评论分析、LSGDM和PLTSs的文献。第3节提出了一种基于意见和时间分布对评论进行分类的信息处理方法。第4节通过引入转移策略构建了一个CRP模型。第5节以一个在线医疗服务平台为例，展示了我们的方法，并通过比较实验验证了我们模型的有效性。第6节总结了这项工作并提出了一些可能的未来研究方向。

章节片段

文献综述

本节简要回顾了关于在线评论分析、用户满意度和LSGDM以及PLTSs的文献。

基于意见-时间分布的在线评论信息处理

在线评论的分析可以揭示用户满意度，并指导平台产品或服务的优化方向。大多数现有的在线评论研究都是基于通过评论文本和评分分析用户意见，忽略了时间效应对评论的影响。在本节中，我们设计了一种基于意见和时间信息提取和分类在线评论的信息处理方法。

从意见和时间的双重角度出发的共识达成过程

根据图1中的基于时间意识的建模框架，基于意见-时间分布的在线评论分析将评论分为四类，考虑了意见和时间分布。为了进一步协调和整合这些类型的信息，我们首先设计了一种基于意见和时间信息的权重计算方法。然后，提出了一种转移机制来融合不同类别，并构建了一个CRP来计算子群体

案例研究

Teladoc Health是一家全球领先的在线医疗服务提供商，在远程医疗领域拥有显著的市场份额和技术优势。其服务得到了患者和医疗机构的广泛认可，尤其是在COVID-19大流行期间，对在线医疗的需求激增，使得该公司迅速发展。现在，该平台为个人用户提供在线医疗诊断、心理咨询、健康管理、药物

结论

用户意见本质上是动态的，会随着时间变化，因为它们受到不断变化的背景、趋势和外部事件的影响。受到时间信息价值的启发，本研究探索了一种LSGDM方法，通过将用户意见与时间分布相结合来分析在线平台用户满意度。为了突出这项工作的创新之处，理论贡献总结如下，对应于引言中提出的关键问题：

(1) 为了解决Q1，这项

CRediT作者贡献声明

文超：撰写——原始草稿、可视化、软件、方法论、数据整理、调查。梁德翠：概念化、监督、项目管理、资源获取、概念化、撰写——审阅与编辑。

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。