基于意见挖掘的生鲜电商物流服务对满意度影响机理研究

刘宏宇，高艳，陈宽

（1.黑龙江八一农垦大学，大庆 163319；2.青岛创迹软件有限公司）

生鲜电商经历了5 年的高速发展，2019 年的生鲜电商市场销售额比上一年度增长了65%。行业的快速发展引来诸多资本的进入，也加剧了企业间的竞争。但是频繁发生的消费者投诉与维权行为，难以掩盖其过度粗放发展的事实。根据《2019 年度中国生鲜电商消费投诉数据与典型案例报告》显示，电商纠纷调解平台“电诉宝”在2019 年共收到数百起消费者对生鲜电商的不满意投诉，其中物流是热点被投诉问题，而像中粮我买网、本来生活、顺丰优选、易果生鲜等知名度较高电商平台被评为“不建议下单”，许多中小型生鲜电商企业也正面临“吃亏”“关店”“行业洗牌”等煎熬。行业竞争加剧的同时，消费者的需求也在不断提高，生鲜物流中存在的生鲜不“鲜”、用户体验不佳等诸多问题，说明已有发展模式已经跟不上市场发展的需要[1-2]。物流活动作为连接企业与消费者的直接要素，不仅事关消费体验，也是企业竞争力的保障。如何提高物流服务水平从而提升消费者满意度是生鲜电商企业突破当前发展瓶颈的主要路径。

电商消费者常会利用平台发表对物流服务的文字评论形成文本化的网络评论，这些评论不但表达个人的满意度，同时也会对其他消费行为产生影响，如何从大量的网络评论中分离出不同要素，并分析其对消费者满意度的影响，是当前理论研究与企业实践关注的热点问题[3]。已有电商平台不是按照语义进行评论分类，因而不能正确区分消费者满意度，为此，利用网络爬虫获取消费者购后网络评论，并应用机器学习方法根据评论文本语义进行满意度分类，通过数据挖掘方法建立物流词汇与满意度词汇的关联关系，分析物流要素对消费者满意度的影响机理，为企业科学改进物流服务质量、提高消费者满意度提供理论支持。

1 国内外研究现状

物流从本质上讲属于一种服务产品。物流服务是从接收客户订单开始到将商品送到客户手中为止所发生的所有服务活动，是通过运输、存储等活动实现产品或服务增值，其本质是更好地满足顾客需求，即保证顾客需要的商品在顾客要求的时间内准时送达，包括：产品准备、产品输送、品质保证、合理的价值服务[4]。Perrault[5]认为物流服务是指企业以满足客户需求为中心，在适当的时间、地点以适当的价格和方式，提供适当的服务产品，从而实现价值增值的过程。该观点一直以来受到其他学者的广泛认可。因此，物流服务的质量衡量应以客户的感知与体验为中心，即客户感受到的物流服务和预期对比评价的结果[6]。而在大数据背景下，企业应通过采集各类消费者互联网行为数据，来分析其物流需求，判断物流服务过程要素的水平与能力并进行优化，进而满足消费者个性化需要[7]。张振华[8]认为消费在线网络评论作为是发掘企业物流服务质量问题的重要途径，企业应当从用户感知视角，从在线评论数据中识别并分析存在的服务质量问题，进而推动物流服务创新，并以家具产品网络评论为数据来源，构建了电子商务物流服务质量问题发掘模型。侯玉林[9]认为调查问卷方式已很难满足电商环境下企业把握顾客需求、监测与提升快递服务质量的需求，因此，在研究中以快递网络评论为数据来源，提出一种基于文本意见挖掘的快递服务质量评价方法，通过对用户评论文本的词性情感分析判断快递服务水平，进而提出了快递企业快递服务质量评价以及监测模式与策略。

生鲜电商是指企业或商户借助网购平台经营生鲜产品的电子商务活动，近年来逐渐成为理论研究的热点[10]。电商物流是包含着电子商务和物流两个概念的复合名词。沈坤华[11]从产品、物流、政府责任三个方面针对生鲜电商发展的问题提出相关解决对策。余建海[12]认为生鲜电商物流是电商物流的子集，但对运输、储存、配送等物流服务方面要求更加严格，与一般物流服务相比，特殊性更加明显。已有生鲜物流对消费者满意度影响的研究，Tang[13]指出我国农产品在流通过程中存在基础条件差、冷链设备不足、物流信息化水平低等问题，导致农产品流通环节货损严重。针对生鲜电商发展瓶颈，许多学者从自营冷链配送、优化供应链运营、原产地集中采购、包装工艺等方面提出解决对策[14-15]。而物流配送作为生鲜电商的重要环节，已有研究也分析了电子商务物流服务对消费者态度的影响关系[16-17]。Chou[18]通过采集台湾地区用户样本，分析了配送服务质量对消费者品牌态度的影响，结果表明准时交付、低货损率、送货员专业等被顾客视作配送可靠性，并会影响顾客品牌忠诚。徐广姝[19]通过问卷调查与粗糙集数据处理方法，分析了生鲜电商服务要素对顾客满意度的影响，实证结果显示，产品质量、发货和运送速度、多元配送增值服务等要素能够提高顾客的满意度。

通过文献的查阅梳理，发现生鲜电商领域的研究主要集中在生鲜电商行业发展，相关研究大多处于宏观层面，物流服务多作为电商服务的一个组成要素进行整体分析，而从生鲜电商视角，从微观层面针对物流服务要素，及其对满意度影响机理的研究相对匮乏[20]。在研究方法上，已有文献多通过定性研究，从宏观层面进行分析，提出行业发展对策，在定量研究方法的使用上，已有文献主要以问卷调查的实证分析为主。随着消费者网络生成内容的日益增多，应用数据挖掘方法挖掘用户评论逐渐成为定量研究的趋势和热点。如何从网络评论文本中挖掘出用户观点对互联网环境下的企业竞争力提升具有重要的实用价值[21]。

意见挖掘又称文本情感分析，是指对带有情感色彩的主观性文本进行分析、处理、归纳和推理的过程，从而分析出用户对于实体及其属性所表达的观点、情感、评价、态度和情绪，要从用户生成内容中挖掘出有用的信息和知识，就需要对意见挖掘与情感分析问题进行研究，这已经成为网络社会媒体分析的核心问题[22]。

Mudambi 和Schuff[23]以亚马逊网站上的在线评论为研究对象，经过研究得出，在线评论有用性具有显著性影响的是评论的情感极性与评论字数，商品类型对满意度也有一定影响。王新宇[24]采用情感词典对文本特征空间进行降维、应用TF-IDF 计算权重，利用SVM 机器学习模型对文本情感进行分类，结果表明，该方法对旅游评论文本情感分类有效。Wang等[25]利用情感分析方法构建Logistic 回归模型分析不同产品属性对消费者满意度的影响。郭立秀[14]基于文本挖掘的方法对电商平台网络评论进行挖掘，研究我国生鲜电商企业顾客满意度的影响因素，研究结果表明物流配送作为整体要素，与电商品牌、产品质量、客服态度，是影响顾客好评的关键要素。

以生鲜电商物流服务为研究对象，从消费者满意视角出发，利用机器学习方法和Apriori 算法对电商平台用户在线评论进行意见挖掘，旨在深入分析与探究生鲜物流服务影响顾客满意度的机理，以此提出物流服务优化对策，为生鲜电商企业提升竞争优势提供理论支持。在平台选择上，选取京东生鲜作为网络评论获取平台。京东生鲜作为国内最大的生鲜电商综合性平台之一，其在平台知名度、用户使用率、物流满意度等多个方面都位居国内生鲜电商第一位。

2 消费者网络评论的满意度情感分类

首先对采集的网络评论文本进行清洗，应用有监督机器学习方法，依据已有研究的满意度情感分类词典，对部分评论文本进行满意度手工标记，然后训练形成朴素贝叶斯分类模型，最终形成全部评论文本的满意度情感分类。

2.1 网络评论文本采集与清洗

2.1.1 网络评论文本采集

以京东生鲜在售车厘子产品的用户评论为数据获取对象，利用Python3.6 编写爬虫程序抓取了京东生鲜平台上50 个商户的车厘子产品用户评论，共抓取了4.6 万余条评论文本。

2.1.2 评论文本清洗

由于在网上抓取的文本存在一定程度的噪声，所以有必要对采集的评论文本进行数据清洗，以确保分析结果更加准确。利用Excel 的len（）语句删除字符数量少于3，以及内容重复的评论文本，保证评论文本的可用性和唯一性。经过对评论文本的清洗，共计保留有效评论文本45 140 条。

2.2 基于有监督机器学习的消费者满意度情感分类

2.2.1 评论文本分词

由于中文语言文字的特殊性，在进行文本挖掘前，必须对文本进行分词。使用的分词工具是Python的“jieba”（结巴）中文分词模块。分词示例：原句“物流很快，东西也很新鲜，为快递小哥和商家点赞，下次还会购买”，在结巴精确分词模式输出为：“物流/很快，东西/也/很/新鲜/，/为/快递/小哥/和/商家/点赞/，/下次/还会/购买/”。

2.2.2 满意度情感分类的标注

选择有监督的机器学习方法，通过人工标注形式对训练集进行分类，在标记规则上基于情感词语表达的情感强度进行标记，情感分类类型为满意、中性、不满意三种满意度类型。李艳翠等（2014）针对亚马逊网上收集的产品评论语料的情感分析实验表明，基于有监督方法比无监督学习对情感特征和评论质量的分析效果有显著提高[26]。消费者满意度情感分类词典依据已有文献研究结论形成[27]，如表1 所示：

表1 满意情感分类规则词典示例Table 1 Emotional classification rules dictionary examples

根据已确定的分类规则词典，对1 万条评论文本进行手工标记，部分标记结果如表2 所示：

2.2.3 基于朴素贝叶斯的评论文本满意情感分类的实现

应用留出法，将上文人工标记的1 万条评论文本中的8 000 条作为训练集，剩下的2 000 条作为测试集进行情感分类精度测试，且满足：人工标记样本训练集∪测试集，训练集∩测试集=φ。总样本中剩下的35 140 条评论分为18 个文本集，然后依次利用训练好的模型进行预测分类。

表2 评论情感极性手工标记文本样例Table 2 Comment on emotional polarity manual markup text samples

选取多项式朴素贝叶斯模型进行预测分类。对分类任务来说，在所有相关概率都已知的理想情况下，贝叶斯模型考虑如何基于这些概率和误判损失来选择最优的类别标记[28]。朴素贝叶斯分类器采用属性条件独立性假设原则，即对于已知事物类别，假设所有的属性互相独立，并假设每个属性单独对分类结果发生影响，表达式见公式1：

其中d为属性数目，xi为x在第i个属性上的取值。由于对于所有类别来说P（x）相同，因此贝叶斯的判定准则如公式2：

（1）模型训练

通过Python 语言构建多项式朴素贝叶斯模型，对标注的1 万条文本中的8 000 条进行分类学习，2 000 条作为精度验证。模型分类精度如表3 所示：

表3 多项式朴素贝叶斯算法分类精度Table 3 Classification accuracy of polynomia naive Bayesian algorithm

由表3 可知，该算法的训练集与测试集的准确率均大于85%，预测分类效果比较理想。

（2）网络评论文本测试集满意情感分类

该部分实验对总样本余下的35 140 条评论分为18 个文本集，每个文本集2 000 条左右评论，依次利用训练好的模型进行文本情感分类预测。

（3）评论文本满意情感分类与统计

本部分对象文本集为：8 000 条训练集（人工标记）、2 000 条测试集（人工标记）、35 140 条预测集（机器自动标记），共计45 140 条评论文本，最终将全部评论分类为3 个文本集合，分别为“满意”文本集、“中性”文本集、“不满意”文本集，统计情况如表4 所示：

表4 总体评论文本满意度情感分类分布Table 4 Satisfaction polarity distribution of general comment texts

3 物流服务评论文本提取与分析

在上文分类基础上，本部分对不同情感分类下的物流评论进行提取，并设定在“满意”文本集中提取出的物流评论为正向物流评论，“中性”文本集中提取出的为中性物流评论，“不满意”文本集中提取出的为负向物流评论。

3.1 物流服务评论词汇词典的构建

参考搜狗平台物流词汇包，提取出了描述物流服务相关词汇，构建匹配词典，并通过该词典匹配出与物流相关评论文本集合。如表5 所示：

3.2 物流评论文本提取

根据建立好的物流评论词汇词典，分别在“满意”评论文本集、“中性”评论文本集与“不满意”评论文本集中遍历每一句评论，若评论语句中含有词典中的任一词汇，就将此评论文本语句提取出来。例如，“物流很给力，给小哥点赞”此句评论中含有“物流”和“小哥”等词，所以就将此句评论提取出来；“车厘子味道不错，下次还会购买”，此句评论中不含词典中的词语，所以，此句不提取。此次实验，在“满意”评论文本集提取正向物流评论12 640 条，在“中性”评论文本集提取中性物流评论2 110 条，在“不满意”评论文本集中提取负向物流评论5 299 条。由表6 可知，正向描述物流的占总物流评论文本为63%，负向文本占比26.5%。

表5 物流评论词汇匹配词典示例Table 5 Matching logistics comment text dictionary examples

表6 物流评论情感极性分类Table 6 Emotional polarity of logistics comments

3.3 基于词频法的消费者关注物流要素识别

本部分运用词频分析法，对正向、负向物流评论进行词频分析。

（1）正向物流评论文本词频分析

利用Python 语言的“结巴”分词工具对正向物流评论文本进行分词并做词频统计，词频统计信息如图1 所示。

图1 正向物流评论文本前20 位词频统计柱形图Fig.1 Statistical column map of top 20 word frequency in positive logistics comment text

前20 位高频词在一定程度说明消费者在网购中比较注重的因素，在这些因素中，与物流相关的词有“物流”“包装”“很快”“快递”“速度”“发货”。通过词频统计，可以推理出消费者首要关注的是物流服务能否保证生鲜品的新鲜程度。

（2）负向物流评论文本词频分析

由图2 可知，在负向评论中消费者关注词汇的排序，为进一步分析，下面统计出物流及相关词汇的词频，如表7 所示：

图2 负向物流评论文本前20 位词频统计柱形图Fig.2 Statistical column map of top 20 word frequency in negative logistics comment text

表7 负向物流评论词频统计Table 7 Negative logistics comments on logistics related terms

由表7 可知，在负向物流评论中，与物流相关词汇有“物流”“快递”“慢”“发货”“包装”，并可推理出消费者可能会因为物流因素导致的产品不新鲜而发表负向评论。下文将对具体的物流服务要素对满意度的影响机理做进一步分析。

4 基于Apriori 的物流服务对消费者满意度影响机理分析

为了能够进一步挖掘评论文本中的物流服务要素与消费者态度的关联关系，本部分基于关联规则的Apriori 算法，挖掘消费者评论文本中的物流评论词汇与消费者满意词汇的关联关系，试图发现影响消费者满意情感与不满意情感的关键物流词汇，并进一步分析物流服务对消费者满意度影响机理。其中，文本数据来自于上文提取出的“满意”和“不满意”物流评论文本。消费者满意与不满意词汇来源上文满意度情感词典。

4.1 Apriori 关联规则的度量

关联规则能够反映两个项集同时出现的频繁性。Apriori 算法主要是通过频繁项集的发现来产生关联规则[29]。本部分应用关联规则来挖掘正向、负向评论中物流词汇与满意度词汇同时出现的关联关系。描述关联规则的度量包括支持度（support）、置信度（confidence），当项集之间的支持度和置信度大于阈值则被认为具有强关联关系。在研究中，支持度support（A⇒B）表示词汇A 和词汇B 同时出现的概率，置信度confidence（A⇒B）表示词汇A 出现的同时词汇B 也出现的概率，表达式见公式3、4：

提升度lifi（A⇒B）用来反映词汇A 和词汇B 的相关性，如果lift>1，则A 和B 的出现是正相关，lift<1表示A 和B 的出现为负相关，lift=1 表示A 和B 是相互独立的，表达式见公式5：

研究设定lift>1、support>0.01、confidence>平均值，作为阈值，用以挖掘词汇间的关联关系。

4.2 正向物流评论下物流服务对满意情感影响机理分析

本部分应用R 语言对评论文本进行分词并提取。提取出的词汇进行同义词置换，将“物流”“快递”“配送”等词汇置换为“物流”，将“特别满意”“非常满意”“挺满意的”等词汇置换为“很满意”，将“还可以”“还行”“不错”等词汇置换为“很好”，将表示速度快相关词汇，置换为“速度快”，并转换形成transaction类型数据集，进行Apriori 关联分析。度量阈值为lift>1、support>0.01、confidence>0.328 5（均值），对关联分析结果进行筛选，数据处理结果及可视化如表8 和图3 所示：

表8 正向评论物流与满意词汇关联分析结果Table 8 Result of logistics and satisfaction vocabularies association analysis in positive comments

由表8 可知，在正向评论中的词汇“包装”“速度快”“物流”“送货”“发货”词汇都会与表达满意的词汇“很满意”“很好”存在有效的相关性（lift>1），可以看出生鲜电商企业的物流服务质量积极影响消费者满意，尤其是上述词汇代表的物流作业环节服务质量与满意度相关性较高。

根据置信度（confidence）值挖掘词汇间的关联度分析如下：{完好}=>{包装} 置信度为0.888 2，{冰袋}=>{包装}置信度为0.597 3，表明在“完好”词汇出现的情况下，“包装”词汇出现的概率为88%以上，“冰袋”词汇出现时，“包装”出现的概率为59%以上，一定程度说明消费者期望包装内附冰袋，并且完好无损；{送货}=>{速度快} 置信度为0.608 8，{发货}=>{速度快} 置信度为0.505 2，{发货，速度快}=>{很满意}置信度为0.333 3，说明消费者在提及送货与发货环节时，期望更快的发、送速度；{物流}=>{速度快}置信度为0.401 3，{速度快，物流}=>{很满意} 置信度为0.330 8，说明消费者同样对整个物流过程的速度同样有快速的需求。

根据词汇支持度（support）值降序排序的前六项为：{物流} =>{速度快}（0.081）、{很满意}=>{很新鲜}（0.048 2）、{包装} =>{很新鲜}（0.046 7）、{很满意}=>{物流}（0.041 7）、{发货}=>{速度快}（0.027）、{送货}=>{速度快}（0.025 5），支持度表明了词汇组合在所有评论中同时出现的概率，也一定程度反映了消费者关注度排序，而这其中“物流”“速度快”代表的相近词汇在正向评论中出现的概率最高。

图3 正向评论文本词汇关联分析有向图Fig.3 The directed graph of positive comment text vocabulary association analysis

通过以上分析可以看出，消费者对发货、送货速度、整个物流速度、包装质量有着较高的期望，并且会高比例正向影响消费者满意，可能因为消费者认为快速的物流服务、高质量的包装会影响产品新鲜度，进而影响消费体验。物流词汇与满意度词汇的整体关联关系如图3 所示，其中圆圈大小表示对应箭头链接的两个词汇的置信度，圆圈颜色表示两个词汇的提升度。

4.3 负向物流评论下物流服务对不满意情感影响机理分析

将负向物流评论文本进行分词以后，运用R 语言的arules 包进行关联分析。首先将提取出的词汇进行同义词置换，将“物流”“快递”“顺丰”“配送”等词汇置换为“物流”，将“不太好”“太差了”等词汇置换为“不满意”，将“破损”“损坏”等次置换为“不可靠”，将表示速度慢的相关词汇，置换为“速度慢”，并将评论词汇转换形成transaction 类型数据集，并进行Apriori 关联分析。度量阈值为lift＞1、confidence＞0.317 1（均值）、support＞0.01 为，并对关联分析结果进行筛选，数据处理结果及可视化如表9 和图4 所示。

表9 负向评论物流与满意词汇关联分析结果Table 9 Result of logistics and satisfaction vocabularies association analysis in negative comments

由表9 可知，在负向评论中，与满意度词汇存在有效相关性的词汇（lift/confidence）为{不会再买}=＞{不新鲜}（1.175 3/0.793 3）、{不满意}=＞{不新鲜}（1.170 2/0.789 5），可见造成消费者负面情绪的主要因素在于生鲜品的新鲜程度达不到预期；而与“不新鲜”词汇存在有效相关性的词汇组合为{不新鲜}=＞{物流，包装}（1.594 8/0.524 8）、{不新鲜}=＞{速度慢，物流}（1.332 2/0.375 7）、{不新鲜}=＞{速度慢，发货}（1.321 7/0.372 8），这个结果与正向物流评论文本关联分析结果相似，进一步说明了这些物流服务要素与消费者满意相关性较高。

根据置信度（confidence）值挖掘词汇间的关联度分析如下：{发货}=＞{速度慢}、{物流}=＞{速度慢} 分别为0.510 4、0.457 8，说明负向评论中词汇“发货”和“物流”的出现会有45%～50%的概率提到“速度慢”相近的词汇，{不新鲜，速度慢}=＞{物流}置信度0.524 8，说明消费者认为物流速度慢会影响新鲜度因此会降低满意度；{包装}=＞{不可靠}的置信度0.334 7，说明负向评论中出现“包装”词汇时，“不可靠”相近的词汇出现的概率为33.5%左右。

根据词汇支持度（support）值降序排序，{物流}=＞{速度慢}（0.150 6）、{发货}=＞{速度慢}（0.091 9）、{不满意}=＞{不新鲜}（0.080 1）、{不会再买}=＞{不新鲜}（0.075 9），支持度表明了词汇组合在所有评论中出现的比例，也一定程度反映了消费者关注度排序。其中“物流”“速度慢”代表的相近词汇在负向评论中同时出现的概率最高。

物流词汇与满意度词汇的整体关联关系如图4所示，其中圆圈大小表示对应箭头链接的两个词汇的置信度，圆圈颜色表示两个词汇的提升度。

5 消费者满意度导向下的物流服务改进策略

通过上文对京东电商平台车厘子评论文本的意见挖掘，发现高质量的物流服务与消费者购物体验高度相关。根据评论文的词汇提取、情感分析与关联分析，梳理出了影响消费者满意的物流要素，在此基础上进一步提出生鲜电商物流服务优化策略。

图4 负向评论文本词汇关联分析有向图Fig.4 The directed graph of negative comment text vocabulary association analysis

5.1 布局产销联动的销地前置仓

通过评论文本挖掘，消费者在线上购买生鲜时，对物流时效性要求非常高，消费者可能认为较短的物流运作时长可以降低生鲜品变质的风险。但是，受到产地、季节等因素影响，部分生鲜品的运输距离过长，而电商模式下产地企业多需要以小单快递物流模式面向终端用户直接发货，导致中转环节增多，更容易增加物流时长与货损风险。基于此，生鲜生产企业可以与渠道平台或物流企业开展前置仓的布局，改变小单快递零担发货模式为整车批量发货至销地仓库，减少中间作业环节，可以有效降低货损率，同时可以大幅缩减消费者下单后的物流响应周期，甚至实现当日或次日达。而销地前置仓布局不但需要增设销地物流仓储节点，更主要的是构建产销联动的销售预测机制，通过引入机器学习算法，挖掘销地用户行为，有助于提高预测准确率。

5.2 提高物流信息共享度改善企—顾关系

通过上文对网络评论的挖掘，结果显示“发货”与“速度快”、“速度慢”的置信度分别为0.505 2、0.510 4，由此可知，消费者较为重视发货的速度。许多生鲜企业往往重视激励消费者下单，忽视了下单后与客户沟通的环节，因此消费者在遭遇延迟发货情况后常常得不到及时的卖家反馈。造成该问题的原因，除了企业对顾客关系管理不够重视因素，现有生鲜电商的产销分离模式（生产节点企业负责生产，而电商平台负责销售服务容易导致物流信息链的断链，归根结底还是生鲜产品供应链的协调机制出了问题。提出策略如下：（1）构建产、销节点信息共享机制，生产与销售环节要实时共享双方节点库存信息，并联合制定补货计划；（2）产、销节点构建联合售后服务机制，共担顾客关系维护责任，并构建生产、销售、消费者三方互动的服务平台；（3）形成有顾客参与的物流服务价值共创机制，在发货、送货等物流环节与消费者展开更多的互动并给予消费者更多的选择决策权，这样既可以降低因选择困境而给企业带来的交易成本，同时也可以提高消费者的品牌认同与满意度。

5.3 构建生鲜企业与物流服务商合作机制

通过关联分析，发现{包装}=>{不可靠}（支持度/置信度：0.023 9/0.334 7），{包装}=>{很好}（支持度/置信度：0.056 5/0.432 5）具有显著的关联关系。而与“包装”关联性较高的词汇还有“冰袋”和“完好无损”相近的词汇。这说明消费者认为生鲜品包装不仅关系到产品品质，还能够体现出企业对用户的态度。而许多企业在包装方式上单一从成本考虑，选择简易且无保鲜措施的包装，不但会增加货损风险，同时不利于品牌形象的构建。{服务态度好} =>{物流}（支持度/置信度：0.014 9/0.445 2），说明消费者重视物流服务态度。通过两部分分析，消费者一定程度将物流服务视作生鲜企业品牌竞争力的一部分，且能够提高体验程度，生鲜企业需要与物流服务商展开更加紧密的合作关系，在包装、信息交互等方面展开定制化的合作。

6 结论

以生鲜网络评论文本为研究对象，运用意见挖掘方法深入分析了生鲜电商物流服务对消费者满意度的影响机理，发现了现有物流服务存在的问题，并提出相应的改进策略。通过以上研究得出如下结论：（1）生鲜电商物流服务质量与消费者满意度正向相关，即高质量的物流服务有助于消费者产生满意感，而低质量的物流服务则容易导致消费者给予差评；（2）线上购买生鲜时消费者关注的物流因素有：物流运输时长、发货、送货速度、生鲜包装、物流服务态度；（3）消费者对生鲜电商物流服务不满意主要聚焦在：运输时间过长、发货速度慢、包装体验差强人意。研究对评论文本情感的处理采用三级分类，未来可以提升至5 级情感分类，从而能够更深入挖掘消费者的内在感知要素；同时，未来的研究可以在数据采集的产品类别与电商平台上进行丰富，展开不同平台或不同产品的评论文本意见挖掘的比较研究。