沈娇娇   陈磊

（东华大学，上海  200051）

摘要：随着“内容种草”的深入人心，社交电商中UGC（用户生成内容）的价值日益凸显。本研究选取小红书作为研究平台，基于ELM模型，结合内容型社交电商特点，从内容和创作者两个路径探讨了影响UGC有用性的相关因素。此外，本文还利用Word2Vec等文本分析技术对内容语义相关变量进行了有效测度。本研究的实证结果表明，内容特征相关的产品信息量、内容情感倾向，以及创作者特征相关的创作者互动响应与创作者社会影响力都对UGC有用性有显著的正向影响。

关键词：社交电商；UGC有用性

一、引言

近些年，内容型社交电商平台逐渐成为当代年轻人获取产品信息，进行内容种草和社交购物的主要阵地。Sreejesh等的研究指出，与产品相关的UGC有助于消费者理解产品，从而增加购买意愿、减少购买决策的不确定性^[1]，对平台和品牌商家具有极大的商业价值。

然而，随着用户规模持续快速扩张，UGC数量呈现爆炸式增长。从海量庞杂的、质量参差不齐的内容中筛选有价值的信息需要耗费用户大量时间和精力，消费者难以快速做出决策。因此，研究是什么让内容在社交电商平台上更有帮助从而辅助用户进行快速决策是非常重要的。过往研究多集中在传统电商平台的在线评论，鲜有研究关注社交电商领域的UGC有用性，因此本研究旨在深入探讨社交电商UGC有用性的影响因素。

首先，UGC的内容语义信息作为衡量其有用性的关键因素，包含了用户观点、情感以及产品属性描述等信息。然而，现有关于内容特征的研究大多针对文本长度等简单特征，缺乏深入的语义信息探索。据此，本文提出第一个研究问题：内容特征下的产品信息量以及内容情感倾向如何影响社交电商UGC有用性。此外，有关创作者特征的主要关注点在于创作者的身份公开、专业性、经验等特征对内容有用性的影响。而对于具有强社区属性的小红书来说，创作者的互动行为及其社会影响力更为独特，但鲜有研究关注社交电商情境下的这些因素。据此，本文提出第二个研究问题：创作者特征下的创作者互动响应以及创作者社会影响力如何影响社交电商UGC有用性。

为了解决以上研究问题，本文收集了小红书平台上的UGC数据，以ELM模型为基础，结合相关文献和社交电商平台的特点，深入探讨产品信息量、内容情感倾向以及创作者互动响应、创作者社会影响力对UGC有用性的影响。并基于Word2Vec模型、TF-IDF算法以及SnowNLP工具等文本分析技术对内容语义特征进行深入挖掘，扩展了在线评论有用性领域的研究视角和研究深度。

二、研究综述

1.ELM模型及其应用

详尽可能性模型，又称精化似然模型（Elaboration Likelihood Model，ELM），已被广泛用于解释在线环境下人们如何处理和采纳信息，该理论认为信息接收者在处理信息时存在中心和边缘路径两种方式^[2]。中心路径表示个体在进行信息加工时会进行深度思考和归纳分析。边缘路径则指的是个体基于与信息相关的外部情境，通过自身联想或经验法则等进行信息的浅加工。

在ELM的基础上，先前学者在不同研究场景下基于内容质量、信源可信度等不同维度探索了评论有用性的各种前因。包括评论长度、情感强度等内容特征，以及评论者知名度、专业度等评论者特征。然而，这些研究主要集中在传统电商的评论领域，本研究将扩展ELM模型在社交电商背景下UGC有用性研究中的应用。

2.内容特征

以往研究大多将文本长度作为主要考虑的内容特征，认为文本长度越长，其有用性越强。然而，有时长文本可能是冗长而没有实际价值或有效信息的。因此，有些研究人员开始使用信息量的概念来识别有用的评论，以文本中包含的产品属性数量来衡量内容信息量。如Jisu等人从亚马逊商城的用户评论文本中提取产品属性，考察属性数量对评论有用性的影响^[3]。

然而，不同于传统电商上的买家评论，内容型社交电商平台上的UGC内容更加丰富和深入，简单考虑产品词汇的数量是不够的，需要更进一步考察其内在语义信息量。此外，情感作为内容语义的深层表达，不同的情感倾向也会影响用户对内容价值的感知。因此，本研究将借助文本分析技术深入研究与产品信息量以及内容情感倾向对UGC有用性的影响。

3.创作者特征

在线评论有用性的研究中，大多数研究都会考察评论者特征对评论有用性的影响，主要包括评论者的身份公开、专业性、社会声誉等^[4]。然而在社交电商领域，像小红书这样社区属性很强的平台，不仅创作者自身的社会声誉可能会对UGC的有用性产生影响，创作者与用户间的交流互动行为同样可能会影响用户对UGC有用性的感知，但互动性特征在以往研究中没有被充分讨论。因此，本文将围绕创作者特征，在社交电商情境下同时探讨创作者社会影响力以及创作者互动响应行为对UGC有用性的影响。

三、研究模型与假设

1.研究模型

基于前文的讨论分析，本文以ELM模型为基础，遵循前人的研究，在社交电商的情景下构建了UGC有用性研究模型。具体地，从两个路径出发，在中心路径上引入了内容特征相关变量，即产品信息量和内容情感倾向。在边缘路径上引入了创作者特征相关变量，即创作者互动响应和创作者社会影响力。此外，以往研究中的图片数量、产品类型、发布时间等常考虑的因素都会作为控制变量一起加入模型中。本文的研究模型如图1所示。

图1 研究模型

   2.研究假设

  （1）产品信息量

本文的产品信息量指UGC中包含的与产品属性特征描述相关的信息量。Jisu等人提取了亚马逊商城消费者评论中关于产品属性的词汇，发现产品词汇数量的增加可以提高评论有用性投票^[3]。与传统电商的用户评论类似，社交电商UGC中包含的与产品相关的信息越多，意味着其对产品特征或体验的描述越详细，这将有助于用户更有效地进行消费决策，因此会增加用户将内容视为有用的可能性。综上，提出假设H1：

H1：产品属性信息量对社交电商UGC有用性具有正向影响作用。

（2）情感倾向

本文的情感倾向指UGC所传达出的中性的、积极的或消极的情感极性。大量文献表明，内容中的情感因素会影响用户对其有用性的感知。Sen等人基于传统电商消费者评论的研究表明，相对于消极评论，情感积极的评论有用性更高^[5]。在小红书，由于平台的强社交属性和种草文化，创作者更倾向于发布积极正向的产品评价内容，以吸引用户间的友好社交，而消费者也更期待看到正面的产品评价，以达到种草目的。综上，提出假设H2：

H2：正向的情感倾向对社交电商UGC有用性具有正向影响作用。

（3）创作者互动响应

本文的创作者互动响应指创作者在UGC下对其他用户评论做出的互动响应行为。根据社会交换理论^[6]，创作者与用户间的互动过程可以被视为一种社会交换行为，有利于双方建立积极的关系。Huang等人的研究认为创作者的积极响应行为向对方提供了情感支持和关注，使得用户更容易对UGC产生正面评价^[7]。此外，创作者的回应作为一种补充，为潜在消费者提供了更多额外信息，有助于增强内容价值。因此，提出假设H3：

H3：创作者互动响应对社交电商UGC有用性具有正向影响作用。

（4）创作者社会影响力

在本文中，创作者社会影响力是指创作者被其他用户认可的程度或知名度，反映了其在社区中的影响力和社交地位。既往研究表明，用户更倾向于信任那些受到更多社区成员认可的创作者。在线酒店评论的研究中，Chatterjee等人发现评论者过去获得的有用性投票正向影响评论的有用性^[8]。因此，提出假设H4：

H4：创作者社会影响力对社交电商UGC有用性具有正向影响作用。

四、数据与变量测度

1.数据收集

本研究选择从小红书平台上收集产品相关UGC来进行后续的实证分析。本文以4个产品关键词（眼霜、粉底液、手机、相机）在小红书上搜索相关笔记，爬取UGC内容。收集的数据包括三部分：UGC图文页面数据、评论互动区数据以及创作者个人主页的相关数据。本文初始共爬取了5068条原始记录，经过去除重复值、缺失值等数据预处理后，最终保留3180条有效数据。

2.文本分析

（1）产品信息量测量

本文首先对爬取的UGC文本进行分词、停用词处理，得到文本语料库。进一步地，基于Word2Vec模型和TF-IDF算法进行产品信息量的计算。

Word2Vec是一种用于训练词向量的轻量级神经网络算法，它基于词语在上下文中的分布来学习词向量，高纬度的词向量能够捕捉到词语中丰富的语义信息。然而仅考虑词向量中的语义信息来计算产品信息量是不够的。根据王根生等人的研究，Word2vec模型视文本中每个单词的权重相同，因此其无法区分词汇在文本中的重要程度^[9]。而TF-IDF通过综合考虑词频和逆向文档频率，可以准确地评估一个词语在整个文本中的重要性^[10]。因此本文引入TF-IDF算法，与Word2Vec结合来更准确地评估词语的信息贡献。TF-IDF算法可表达为公式（1）形式。

以上的计算方法的设计旨在科学合理地综合Word2Vec模型对语义信息的捕捉能力以及TF-IDF对词汇重要性的考量，从而有效计算文本中的信息量。

（2）内容情感倾向测量

本文使用SnowNLP对UGC的情感强度进行测度得到内容情感倾向值。SnowNLP是一个针对中文自然语言处理的python工具库，SnowNLP情感分析的训练集语料库来自电商网站上的商品评论以及社交媒体平台的用户评论和帖子等互联网上的中文文本数据，适用于本文的小红书平台UGC的情感强度分析，能够达到较好的情感极性预测效果。最终处理得到的UGC情感倾向得分在0~1之间。越接近1，情感表现越正向、积极，越接近0，情感表现越负面、消极。

3.变量说明

最终，本模型中各变量的定义和测量结果如表1所示。因变量UGC有用性用 “收藏数”来衡量，相比“点赞”，“收藏”更能体现内容对用户的长期价值。自变量产品信息量以及情感倾向根据此前的文本分析计算得到。创作者互动响应通过统计创作者对其用户的回复数量来进行衡量。创作者社会影响力通过以分配权重的形式综合创作者的粉丝数以及创作者历史获赞与收藏数得到。此外，本文还考虑了一系列已经被广泛讨论的因素作为控制变量，包括图片数量、产品类型以及UGC的发布时间间隔。

表1 各变量符合及解释说明

五、实证分析

1.描述性统计及相关性分析

对变量进行描述性统计及相关性分析，结果分别如表2、表3所示。描述性统计结果显示，因变量的离散程度较高，反映了社交电商背景下UGC有用性的差异较大。此外，创作者社会影响力也呈现出非常大的变异性。由于变量的数据波动较大会影响到实验结果的准确性，因此在回归之前，本文对创作者影响力进行了取对数操作。取对数并没有对变量的性质和相关性进行改变，但压缩了其数据规模，增加了其对差异的敏感性。相关性分析的结果显示，所有自变量与因变量均存在着显著的相关关系，且各变量之间的相关系数都在0.4以下，不足以产生共线性问题，可继续下一步的回归分析。

表2 变量描述性统计

表3 变量相关性分析结果

本文因变量的数据类型为非负自然整数，应采用计数模型，而此前的描述性统计结果中，因变量UGC有用性的方差远远大于均值，数据存在过度离差问题，在这种情况下，负二项回归更加适用。最终本文设定的负二项回归模型如下所示：

本文通过Stata16.0对假设进行探索性检验，采取分阶段回归的方法来进行实验，第一阶段，只放入基础的控制变量，记为模型1 ；第二阶段，加入内容特征相关的自变量，即产品信息量与内容情感倾向，记为模型 2；第三阶段，继续加入创作者特征相关的自变量，即创作者互动响应与创作者社会影响力，记为模型 3。最终得到回归结果如表4所示。

表4 回归结果

Standard errors in parentheses

^* p < 0.1, ^** p < 0.05, ^*** p < 0.01

据表5-3所示，所有模型的P value chi2的值都为0.0000，远远小于0.05的显著性水平，表明所有模型都在统计上具有显著性。此外，所有自变量系数均在1 %的水平上显著。

进一步观察自变量的系数， 产品信息量（β=0.018，p <0.01）和内容情感倾向（β=0.079，p < 0.01）对UGC具有正向影响，假设H1、H2得到验证。创作者互动响应（β=0.021，p < 0.01）和创作者社会影响力（β=0.679，p < 0.01）对UGC具有正向影响，假设H3、H4得到验证。

六、讨论与启示

1.主要结论

本研究的主要结论如下：

首先，内容特征中的产品信息量以及内容情感倾向对UGC有用性有正向影响作用。具体来说，更高的产品信息量、更正向的情感倾向能够提高社交电商平台中UGC的有用性。这一结论强调了当UGC中包含更多产品属性的信息时，可以帮助用户更好做出相关决策，从而提高了对UGC有用性的感知，这一结论与以往研究较为类似。此外，因为在购物前用户的预期是趋于正向的，当UGC的情感倾向趋于正面和积极时，更能够满足用户对产品的心理期待，帮助用户更快“种草”商品，从而使得用户更认可这类内容的价值，加强了UGC有用性。

其次，创作者特征中的创作者互动响应和创作者社会影响力对UGC有用性也具有正向影响作用。具体来说，更积极的创作者互动响应、更高的创作者社会影响力能够提高UGC有用性。这一发现为创作者强化自身社区影响以及加强与用户间的互动提供了依据。根据社会影响理论，用户会更加认可高社会影响力创作者的内容的价值。而创作者更积极地与用户互动，回答问题或提供额外的信息，也能够增强用户对内容的好感，从而提高UGC的有用性。

2.管理启示

本文研究为UGC创作者以及平台提供了一些管理启示。

对于创作者，我们建议其在分享产品相关UGC时可提供更多更细的产品属性描述信息，提高用户对产品的理解和认知，并多发表正向的、积极的内容，从而提高UGC的有用性。此外，创作者需要重视与用户间的互动，积极地响应其他用户的评论，维护评论区的讨论氛围，并努力提升自身在社区中的社会影响力。

对于平台，本文对提供了一些运营管理建议。例如平台管理者可以制定一些规则或功能，在创作者发布内容时提供产品介绍相关的关键词提示，并鼓励友好积极的内容表达。同时，可以设置互动行为相关的奖励机制来促进创作者更积极地回应用户评论，促进形成良性的内容生态。

参考文献：

[1]SREEJESH S, PAUL J, STRONG C, et al. Consumer response towards social media advertising: Effect of media interactivity, its conditions and the underlying mechanism[J].International Journal of Information Management, 2020, 54: 102155.

[2]王亚妮,王君,姚唐,等.什么样的评论更有用?基于ELM的“Meta分析”[J].管理评论,2021,33(05):246-256.

[3]YI J, OH Y K. The informational value of multi-attribute online consumer reviews: a text mining approach [J]. Journal of Retailing and Consumer Services, 2022, 65: 102519.

[4]SIERING M, MUNTERMANN J, RAJAGOPALAN B. Explaining and predicting online review helpfulness: The role of content and reviewer-related signals [J]. Decision Support Systems, 2018, 108: 1-12.

[5]SEN S, LERMAN D. Why are you telling me this? An examination into negative consumer reviews on the web [J]. Journal of interactive marketing, 2007, 21(4): 76-94.

[6]VEN A H V D, DELBECQ A L. The effectiveness of nominal, Delphi, and interacting group decision making processes [J]. Academy of management Journal, 1974, 17(4): 605-21.

[7]LI M, HUANG P. Assessing the product review helpfulness: affective-cognitive evaluation and the moderating effect of feedback mechanism [J]. Information & Management, 2020, 57(7): 103359.

[8]CHATTERJEE P. Online Reviews: Do Consumers Use Them? [J]. Advances in Consumer Research, 2001, 28(1).

[9]王根生,黄学坚.基于Word2vec和改进型TF-IDF的卷积神经网络文本分类模型[J].小型微型计算机系统,2019,40(5):1120-1126.

[10] CHEN K, ZHANG Z, LONG J, et al. Turning from TF-IDF to TF-IGM for term weighting in text classification [J]. Expert Systems with Applications, 2016, 66:245-60.