目测，评论区是中国文学大师密度比较高，骂人比较多，调侃比较多的地方。A站和B站也把评论当成弹幕播放。由于不同的“评论”文化，平台型APP体现出不同的审美和品味。知乎体和叶庆辉已经成为“时尚”代号。在宏观层面，“网民评论”被定义为具有舆论属性和广泛的社会动员能力。因此，调查、约谈、停业、整改、审计等也是管理机构常用的“大锤”。评论区是不可忽视的公共区域。社区拥有一批认同社区品牌的活跃用户，并产出大量优质内容，是社区的幸事。从表面上看，“评论区”肩负着社区氛围群的重任，是互联网的“公共场所”。在幕后，分享意见会影响消费决策，进而影响业务。（根据英国政府数据，仅在英国，在线评论每年影响约280亿美元的葡萄酒和旅游预订交易。）而且评论区也不是乌托邦，大众点评（数量和质量都不高，还有很多没营养的口水评论）小红书（巨魔多，付费版高级评论者很多）淘宝（数量多，看腻了，返现，好评）马蜂窝（举报别人评论）偷偷被锤过）这不是单一现象。媒体CNN甚至抛出一个数字：在全球互联网上，七分之一的葡萄酒酒店在线评论是假的。“评论区”常在青山，柴火不断，但人工智能（AI）的重要方向，自然语言处理（NLP），让计算机像人类一样理解“中文/文字”。群众高呼，请AI赶紧上线，内容检测，喷子识别，淫秽内容删除，不良内容处理。1.自然语言处理技术。说白了，NLP技术已经在各大互联网公司得到了很好的应用。已经应用于搜索、推荐、广告、智能助手等多个系统中。技术团队坚守学术前沿。先看行业，新东方教育在2018年开始有学生用户画像项目进行分层分类。NLP技术对相关结构化数据文本和数据进行标注，并增加用户圈子选择和行为事件分析功能，各业务部门可根据标签对学生进行圈子。汽车之家机器学习组是汽车之家用户产品中心下的认知智能组。NLP技术支持用户选车和多轮对话。2020年，京东智联云利用情感识别、语音交互等智能技术，在双十一首小时为138万人次提供了情感智能客服服务。美团搜索使用机器来理解用户的各种查询意图。但是，用户意图会随着时间的推移而发生变化，在有限的关键词中诠释出非常丰富的信号，用于各种搜索的召回、排名和展示。美团有专门的人工智能平台/搜索和NLP部门。此外，美团大脑通过挖掘关联各种场景的数据，利用人工智能算法让机器“读取”用户对商家的公众评论，了解用户对菜品、价格、服务、环境等方面的偏好，构建信息关于人、商店和产品，场景间的知识关联可以被认为是“餐饮娱乐的知识大脑”，支持搜索、SaaS收银、金融、外卖业务服务。用户评论作为一种非结构化文本，包含大量表达不规范的“词”。根据句子上方的一系列“词”，机器预测后面会跟哪个“词”。预测是概率。句子中的每个“词”都有一个基于上述预测的过程。所有这些“词”出现的概率成倍增加，值越大，说明这句话越像人说的句子，而不是废话、胡说八道。因此，除了人类，机器也能判断哪句话更像人话。“黄鹤楼”这个词可能有三层意思，武昌蛇山顶的名楼，北京的商人，湖北的香烟品牌。AI算法是不傻，预测可以结合上下文，上一篇讲了长江、景点、旅游、门票价格、高层观景，不能推断这里的“黄鹤楼”就是说到香烟，倒是说到景点，可能性更大。又比如猫眼娱乐，可以获取电影、电视剧、艺人等信息，形成“字典”。但是，随着搜索量的增加，搜索的表达方式越来越多。复杂的，词典不能满足用户需求，AI模型将作为词典的补充。再看学术界，诞生了一个名为Transformer（深度神经网络）的模型，基于Transformer的BERT模型（2018年的重大技术进步），GTP模型（硅谷OpenAI实验室出品），都其中使用预训练和微调的思路来解决问题。预训练的语言模型，如同无标签文本的海洋，学习潜在的语义信息，无需为每个任务单独标注大量训练数据。语言模型预训练完成后，利用少量标注语料进行微调，完成特定的NLP任务，如分类、序列标注、句子关系判断、机器阅读理解等。总之，算法的“性能”得到了显着提升，BERT把NLP技术的蛋糕做大了。2.运营群，也是很不错的《亲爱的数据》和几大互联网公司的运营小哥聊了一会，每一个“评论”的运营都费了一番心思。抖音的评论区是双轨制，既有最热评论，也有最新评论。最新的评论可以理解为一个小池子，根据用户的点赞数，看是否继续推送。这样可以保证后面发的大神评论也能排名，是评论区推荐思路的一种应用。抖音搜索算是认了，如果评论区提问的人多了，就会有搜索的建议。但是路径太长，所以直接改成现在高热的社交视频，并且加了今日头条文章的链接。处理评论区数据的一种常用方法是对其进行结构化处理。无论是电商还是九旅APP，都构建了数十亿的评论区。这是指数据的结构化处理，因为计算机可以处理结构。它无法理解结构化和非结构化数据，所以在“理解”的时候需要先对文本进行结构化。NLP对评价进行分析，细化“分词”，加入结构化外联，相当于找到“标签”，提高了用户浏览评论的效率。英雄见仁见智，用户理所当然，人越多，观点越可信。日常生活中，我在淘宝上买的可调桌，“安装效果好”、“质量好”、“用后感觉不错”。选择酒店时，你可以看到有多少人提到了“便宜”和“舒适”，有多少人提到了“安静”和“交通便利”。显然，消费者+社区评论会有门槛，比如淘宝、小红书、大众点评、马蜂窝等，产品没有下单，没有经验的用户无法参与评论。看热闹的是门外汉，逛店的往往是内行。平台会倾向于把好评放在前排促成转化，消费后的诉求会比较多，需要专门的回应和处理。一个纯娱乐、纯讨论社区，评论参与门槛低，如抖音、快手、B站、芒果、豆瓣。总的来说，电商评论运营的不错，有卖货的需求，大家的聊天都跟产品有关。小红书的铁粉们认为，虽然很多评论都是花钱买的。大V粉丝多了就会收到广告。不过小红书整体评价还是比较给力的，和无脑大军不一样。哪怕是托儿所，写的也很诚恳。评论是“UGC（UserGeneratedContent）”，真实、新鲜，可以挖掘潜在的商业价值。对于用户来说，无论是“体验”、“干货”，还是“攻略”，每个人都需要“真实”、“有用”的评价。3、为什么没把“评论”管理好？这么硬的技术，这么高的起点，为什么不能把“评论区”经营好。这里，有三个绊脚石：第一，评论数据质量特别差，注意“特”字。数据治理水平低导致人工智能算法在很多情况下效果不佳。算法的效果与训练数据有很大关系。可以说，有了好的标注数据，普通的算法也能有好的表现。现实中，企业要想做好NLP，首先要打通基础数据。评论资料基础太差，麻袋上的刺绣没用。二是“假装”在用。反正大家都在变聪明，你就得假装在用。使用AI技术正是“老板们”所需要的。有时，工程会退化到自动化阶段，只有一小部分使用算法智能。目前做的很多，就是情感分析，垃圾评论过滤等等。AI用不好，就会变成噱头，可能会退化到最基本的统计分析图表。第三，不注意。很多互联网公司认为，评论区是第二场景，就是二等公民。说白了就是关注度不够，或者是支撑主业“（推荐和搜索）”的技术做得不够好，评论区根本就被忽略了。挖掘不够，应用的深度和广度不够。管理评审背后的驱动力之一就是满足政府行政部门的监管要求。综上所述，NLP技术对运营的号召力还不够强，影响还不够深。NLP和操作还没有形成难分难解的鱼水关系。毕业于英国南安普顿大学的AI算法科学家袁雪瑶在接受采访时也透露：“互联网厂商会采用半人工识别用户发表的评论内容，加上人工数据标注。NLP是现在在情感分析领域比较成熟，舆情分析，用户画像，这些对运营的影响会比较温和。”(一种基于深度学习的情感分类方法，可以从海量数据中主动学习文本中的语义信息，获取文本特征和情感分类，从而达到准确提取文本数据和情感的目的。比如“负面”和“正面”）平安智汇企业有限公司的一位算法专家也认为：“评论里有很多口水，分析就是自动过滤掉有价值的。NLP技术正在解决这个问题，还有很长的路要走，不是药物可以治愈的。”适度这个词特别好，NLP还有很大的战场，需要和运营结盟才能攻克业务端的问题。评论中用到的挖掘技术和方法也有很多种，规则、传统机器学习模型、深度学习模型等。虽然目前似乎还没有专门挖掘“评论”商业价值的明星AI产品，但有人注意到了。东京大学初创公司TDAILab，认为应该将人工智能工具营销到评论网站等，他们分析了4000多家日式拉面店的评论，发布了东京版“人工智能排行榜，百强拉面店”，剔除疑似“好评”与“恶意差评”，人工智能挑选评分高的店铺。“评论区”的分析，并没有直接关系到生死，但也o可以为企业降本增效不容忽视。人工智能技术需要算力、数据、算法模型和应用场景。许多人工智能公司从一开始就想改变高速列车的车轮。抱着这种雄心去敲传统企业大门的成功率很低，因为客户不信任新技术和AI公司。如果出现好评或恶意差评，消费者和餐厅都会蒙受损失。消费者找不到好店，好店也就失去了商机。1968年，加勒特哈丁在《科学》杂志上发表了一篇题为“公地悲剧”的文章。翻译成《公地悲剧》，原文中的commons也包括publicspace。评论区环境的恶化，没有人是赢家。AI点评、AI接管评论区是必然趋势。“评论”需要人才，管理“评论”更需要人才。
