1. 引言
在日益激烈的市场竞争环境中，产品同质化现象愈发显著，促使商家必须从用户需求的角度出发，精准把握消费者的产品诉求，以提升产品的核心竞争力[1]。移动互联时代的到来，使得在线评论成为企业洞悉消费者心声的关键窗口[2]。在线评论不仅蕴含消费者对产品的个性化见解与情感倾向，直接映射出消费者对产品的感知价值，还深刻影响着其他潜在消费者的购买决策[3]。相较于传统的用户需求调研手段，在线评论以其数据海量、收集成本低廉的优势，成为企业挖掘用户潜在需求、识别产品优化方向、提升用户满意度与忠诚度、增强企业竞争力的关键途径[4]。在线评论作为电子商务或第三方平台上消费者发布的产品评价，以星级打分和开放式文本为主要形式[5]。随着互联网社交媒体的蓬勃发展，消费者愈发倾向于通过这些平台分享购物体验，并在购买前广泛浏览在线评论。作为一种新型的口碑传播方式，在线评论摆脱了传统口碑的社交束缚，其广泛的传播范围对消费者行为产生了深远影响[6]。为适应这一变化，企业不断调整市场营销、产品设计等经营决策。同时，作为消费者售后反馈的重要载体，在线评论在推荐服务、市场分析、产品开发等活动中展现出巨大价值，企业正逐步深化其应用[7]。
鉴于在线评论对于消费者决策的重要性日益凸显，对在线评论领域的研究现状与趋势进行系统性分析显得尤为重要。因此，本文基于CiteSpace软件对知网数据库中在线评论的相关文献进行计量分析，旨在全面揭示在线评论的研究热点与未来的发展趋势。
2. 研究设计
2.1. 数据来源
本研究的数据源自中国知网(CNKI)期刊全文数据库，通过设定检索条件为“主题 = 在线评论and网络评论and用户评论”，检索时间范围从知网数据库起始时间至2024年12月15日，进行了全面检索。为确保所选用文献的学术价值及权威性，本研究特地将筛选范围限定于CSSCI (中文社会科学引文索引)收录的高质量论文之中。在此基础上，进一步对检索结果进行处理，排除了诸如评论性质文章、会议报告等非学术性或与研究主题不直接相关的内容，最终筛选出1482篇文献作为本研究的基础数据。
2.2. 研究方法
本研究采用CileSpace (CiteSpace)这一Java语言开发的文献计量可视化软件，作为文献分析的核心工具。CileSpace (CiteSpace)集合作网络、共现、共被引、聚类及耦合分析等多种功能于一体，能够基于文献资料及参数配置，自动生成目标领域的科学知识图谱，展现出其在文献可视化分析领域的独特优势[8]。本研究运用CiteSpace，系统分析了在线评论领域的年度发文量、作者合作网络及机构发文分布，并通过关键词共现、时间线分析及关键词突现词等手段，揭示了该领域的研究主题、热点及演化趋势。
3. 研究概况
3.1. 发文量年度分析
年度发文量是衡量科学研究活跃度与进展的重要指标，能够直观地反映出某一研究领域在不同时间段的发展动态与趋势[9]。如图1所示，在线评论研究的发展轨迹大致可以划分为三个关键阶段：
Figure 1. Annual distribution of online review literature from 2000 to 2024
图1. 2000~2024年在线评论文献发文量年度分布
1) 2000~2010年的初步探索阶段，此期间研究尚处于起步阶段，发文量虽有波动但总体保持在较低水平，呈现出一种试探性的增长态势。这一阶段的低发文量可能源于该领域研究尚未得到充分关注，且相关理论和方法尚在摸索之中。
2) 2011~2017年的快速发展阶段，这一时期研究逐渐深入，发文量开始逐年稳步增长，显示出该领域研究正在逐渐获得关注。随着互联网的普及和电子商务的兴起，在线评论成为消费者获取信息、做出购买决策的重要依据，这也促使学术界开始更加重视这一领域的研究。
3) 2018~2024年的稳步发展阶段，每年的发文量均保持在较高水平，并在2023年达到了141篇的高峰，相较于2013年的59篇，增长了近2.5倍。尽管2024年发文量略有下降，但这并不改变该领域整体向上的发展趋势。一些热门的研究议题已经得到了较为充分的探讨，而新的研究议题和视角则需要更多的时间来挖掘。
3.2. 核心作者分析
通过对该领域作者的合作网络进行分析，可以了解该研究领域作者的分布及合作情况。如图2所示，作者合作网络图包含了164个节点和65条连线，网络密度为0.0049。节点代表着研究领域中的作者，连线则表示作者之间的合作关系。
Figure 2. Author cooperation network map
图2. 作者合作网络图谱
Table 1. Top 10 authors by number of publications
表1. 发文量排名前10的作者
序号 |
发文次数 |
首次出现年份 |
作者 |
1 |
24 |
2016 |
李贺 |
2 |
18 |
2013 |
王洪伟 |
3 |
11 |
2014 |
徐健 |
4 |
10 |
2016 |
彭丽徽 |
5 |
10 |
2016 |
张艳丰 |
6 |
8 |
2017 |
吴江 |
7 |
7 |
2018 |
易明 |
8 |
6 |
2015 |
何有世 |
9 |
6 |
2017 |
章成志 |
10 |
5 |
2015 |
李金海 |
通过对该领域的合作网络进行初步分析，发现在这些节点中，有一定数量的高产作者频繁与其他作者展开合作，而相较而言，合作较少的作者数量较多，整体的合作模式呈现出分散化特点。如表1所示，排名前十的作者包括李贺、王洪伟、徐健、彭丽徽、张艳丰等，这些作者的发文量分别为24篇、18篇、11篇、10篇、10篇等(如表2)。这些高产作者往往会与其他研究者展开合作，形成较为紧密的合作网络。通过对节点大小的分析可以发现，发文量较高的作者在网络中占据了中心位置，这些作者不仅在学术生产上具有优势，而且在作者合作关系中也处于重要的枢纽地位。尤其是李贺作为发文最多的作者，其合作网络中不仅有较为密切的合作伙伴，而且与其他高产作者的联系也较为频繁。
Table 2. Top 10 research organizations in terms of publications
表2. 发文量排名前10的研究机构
序号 |
出现次数 |
首次出现年份 |
机构 |
1 |
47 |
2014 |
吉林大学管理学院 |
2 |
42 |
2013 |
华中师范大学信息管理学院 |
3 |
42 |
2014 |
武汉大学信息管理学院 |
4 |
37 |
2013 |
南京大学信息管理学院 |
5 |
30 |
2013 |
北京邮电大学经济管理学院 |
6 |
28 |
2012 |
中山大学资讯管理学院 |
7 |
25 |
2013 |
同济大学经济与管理学院 |
8 |
18 |
2014 |
《管理案例研究与评论》编辑部 |
9 |
13 |
2015 |
武汉大学经济与管理学院 |
10 |
13 |
2012 |
武汉大学信息资源研究中心 |
合作网络的密度可以反映该领域的合作程度。在本次研究中，网络密度为0.0049，表明作者间的合作关系相对稀疏。与一些已经形成较为密集合作网络的学科领域相比，在线评论研究的作者合作网络仍处于发展初期。同时，尽管一些顶尖学者如吴江、章成志等具有极高的学术影响力，但他们的合作网络也相对独立，与其他核心作者的合作并不普遍。值得注意的是，尽管存在多个大于3人的合作网络，但整体而言，大规模、紧密型的合作模式尚未形成，这在一定程度上限制了知识的深度共享与创新的加速产生。
3.3. 研究机构分析
通过对在线评论领域研究机构合作网络的可视化分析，深入剖析该领域重要研究机构的分布特征、合作态势以及各自的影响力。如图3所示，共有134个节点，网络中存在37条合作连线，密度为0.0042，显示出当前该领域研究机构合作的整体情况。
在研究机构合作图谱中，共有134个节点代表不同的研究机构，其中每个节点的大小直接反映了该机构的发文量。发文量较大的机构通常也是该领域内的核心参与者。如表2所示，排名前十的研究机构分别为吉林大学管理学院(47篇)、华中师范大学信息管理学院(42篇)、武汉大学信息管理学院(42篇)等，这些机构的发文量反映出其在研究领域内的重要地位。
从合作的连线数量来看，37条连线相对较少，表明这些机构之间的合作尚处于初步阶段，只形成了少数几条较为紧密的合作关系。这些紧密的合作往往集中在一些具有较高发文量的机构之间，如华中师范大学信息管理学院与武汉大学信息管理学院之间的合作关系较为明显，表明这两个机构在研究方向上的高度契合。机构合作网络图谱密度值为0.0042，意味着机构之间的合作关系较为稀疏，研究领域内部的协作程度相对较低。
Figure 3. Research institution cooperation map
图3. 研究机构合作图谱
从地理分布来看，主要的合作机构分布在中国东部和中部地区。武汉大学信息管理学院、华中师范大学信息管理学院和南京大学信息管理学院等机构位于这些区域，它们的合作网络较为集中。这表明，中国的学术研究合作在地理上存在一定的区域性特征，东部地区的高校和研究机构相对更为活跃，学术资源更为集中。虽然一些高发文量的机构之间的合作关系较为紧密，但整体来看，研究机构间的合作依然较为分散。合作网络中的密度较低，尤其是不同地区、不同类型机构之间的合作仍存在较大空间。这可能反映了学术研究中各机构之间的沟通和协作机制尚不完善，合作模式和机制仍有待进一步优化。
4. 研究热点与前沿
4.1. 研究热点
4.1.1. 关键词共现分析
本文在使用主题词检索时使用“在线评论and网络评论and用户评论”作为检索的主题词，所以将不再讨论这些关键词。剔除“在线评论”、“网络评论”、“用户评论”之后，依据关键词频数指标选取排名前15的关键词分别进行排序如表3所示。
关键词作为文献内容的高度概括，其出现频率和共现关系能够直观反映某一领域的研究热点和发展趋势。如表3和图4所示，高频次关键词为情感分析、文本挖掘、扎根理论、网络口碑、影响因素、电子商务等。其中，“情感分析”(频次115)、“文本挖掘”(频次48)等关键词的出现频次最高，成为在线评论领域的核心研究主题。具体来看，“情感分析”和“文本挖掘”作为出现频次最高的两个关键词，明显反映出在线评论领域研究的核心方向。情感分析作为对评论内容进行情感倾向性判断的方法，已成为该领域的主要研究内容之一。同时，文本挖掘技术也因其在自动化处理大量评论数据方面的重要性，成为学者们频繁讨论的关键技术。此外，“扎根理论”、“网络口碑”和“影响因素”等关键词也频繁出现在研究中，显示出学者们对于在线评论背后社会学和营销学因素的关注。这些关键词通常与消费者行为、用户反馈以及品牌口碑等研究主题紧密相关，体现了在线评论领域研究的多学科特性。
Table 3. Top 15 keywords in word frequency
表3. 词频前15的关键词
序号 |
频次 |
中介中心性 |
首次出现年份 |
关键词 |
1 |
115 |
0.33 |
2013 |
情感分析 |
2 |
48 |
0.45 |
2012 |
文本挖掘 |
3 |
27 |
0.01 |
2017 |
扎根理论 |
4 |
26 |
0.1 |
2008 |
网络口碑 |
5 |
22 |
0.38 |
2013 |
影响因素 |
6 |
21 |
0.19 |
2010 |
电子商务 |
7 |
20 |
0.29 |
2016 |
购买意愿 |
8 |
18 |
0.35 |
2012 |
有用性 |
9 |
14 |
0.29 |
2015 |
产品类型 |
10 |
14 |
0.03 |
2021 |
社交媒体 |
11 |
14 |
0 |
2016 |
评论挖掘 |
12 |
13 |
0.04 |
2015 |
大数据 |
13 |
10 |
0.11 |
2020 |
深度学习 |
14 |
9 |
0.04 |
2014 |
网络舆情 |
15 |
9 |
0.01 |
2016 |
情感分类 |
Figure 4. Keywords co-occurrence map
图4. 关键词共现图谱
关键词的中心性是评估关键词在知识网络中重要性的重要指标，中心性高的关键词通常在该领域的研究中具有更强的影响力和代表性。其中，“文本挖掘”(中心性0.45)和“情感分析”(中心性0.33)不仅频次高，而且在整个在线评论研究的知识网络中起到了关键的桥梁作用。它们能够连接不同的研究领域和理论框架，如心理学、计算机科学、市场营销等，促进跨学科的知识交流和融合。这种跨学科的特性使得在线评论研究能够不断吸收新的理论和方法，从而推动研究的深入发展。
从首次出现年份来看，“网络口碑”(2008年)的较早出现，反映了学者们对于互联网环境下消费者行为变化的敏锐洞察。随着电子商务的快速发展，网络口碑逐渐成为消费者决策的重要依据。而“深度学习”(2020年)和“社交媒体”(2021年)等关键词的较晚出现，则与近年来人工智能技术的飞速发展和社交媒体平台的兴起密切相关。这些新兴技术的出现为在线评论研究提供了新的方法和工具，推动了研究的深入和拓展。
4.1.2. 时间线图
CiteSpace还可对聚类后的关键词进一步分析，生成另一种形式的可视化图谱——时间线聚类图谱，它将时间引入到网络中，重点勾画每个聚类内关键词发展的历史轨迹和时间跨度。如图5显示，在线评论研究被分为六个主要的聚类：
Figure 5. Keyword timeline map
图5. 关键词时间线图谱
#0 在线评论。该聚类侧重于在线评论的本质特征及其与消费者行为的关系，如商家回复、动因、文旅融合背景下的品牌信任、形象感知等。该聚类主要通过实证分析、情感极性判断及主题模型构建，深入探讨了在线评论对消费者行为的影响机制。
#1 影响因素。此聚类研究的核心是探讨影响在线评论质量和可信度的多种因素，如网络舆情、定价策略和网络购物环境等。该聚类通过运用观点挖掘、指标体系构建、归因理论等方法，系统分析了影响在线评论有用性、可信度的关键因素。
#2 购买意愿。购买意愿作为在线评论研究的核心议题之一。通过回归分析、眼动实验等方法，研究者探讨了情感强度、图片信息、评论效价等因素对购买决策的影响。随着社交网络的兴起，情感倾向分析、评论的视觉信息和社交互动模式成为新的研究热点。尤其是近年来，社交电商平台的普及进一步推动了在线评论与购买决策之间关系的深入探讨。
#3 用户评论。用户评论研究探讨了用户在不同平台上的评论习惯、偏好以及互动模式。从时间线聚类图谱中可以看出，该领域的研究在2005年左右开始萌芽，并在2020年后进入快速发展期。随着元宇宙、虚拟现实等新兴概念的引入，用户评论行为的研究范畴不仅限于传统的电子商务平台，还开始向社交媒体、虚拟社区等新型平台拓展。
#4 深度学习。深度学习技术的引入为在线评论分析带来了革命性的变化。2020年以后，深度学习在情感分析、负面评论、口碑传播等领域的应用迅速增长，成为该领域的研究热点。尤其是在自然语言处理技术的支持下，深度学习不仅大大提高了评论数据的处理效率，也为品牌管理、用户情感挖掘提供了新的解决方案。
#5 情感分析。情感分析作为在线评论研究的重要工具，一直是该领域研究的关键内容之一。图谱分析表明，情感分析技术的研究始于2012年左右，随着社会媒体和电商平台的发展，情感分析的应用逐渐扩展到医疗信息、金融服务、产品评论等多个领域。尤其是近年来，前景理论和情感极性判断等方法的提出，使得情感分析技术在实际应用中取得了显著进展。
#6 大数据。随着大数据技术的快速发展，基于大数据的在线评论研究为学术界提供了全新的视角。大数据技术的引入使得研究者能够从海量评论数据中提取有价值的信息，分析用户行为、预测市场趋势，并为在线评论的生成与传播机制提供了新的理解框架。
从时间线聚类图谱中可以看出，在线评论研究呈现出以下趋势：一是研究议题日益多元化，从最初的在线评论本体研究逐渐扩展到影响因素、购买意愿、用户行为、技术应用等多个层面；二是研究方法不断创新，深度学习、大数据等技术的引入，极大地丰富了在线评论研究的工具箱；三是跨学科融合趋势明显，如文旅融合、社交媒体分析等领域的加入，为在线评论研究提供了新的增长点。
未来，在线评论研究可能将继续深化以下几个方向：一是进一步探索在线评论对消费者行为、品牌信任及市场走向的深层次影响机制；二是加强大数据、人工智能等技术在在线评论分析中的应用，提高分析的精准度与实时性；三是推动跨学科研究，结合心理学、社会学、经济学等多领域知识，构建更加全面、深入的在线评论研究框架。
4.2. 研究前沿
通过对2000年至2024年间在线评论研究领域的文献进行CiteSpace突显词分析，我们筛选出了Top 15的突显关键词，并依据其突现年份与强度，将这些关键词划分为不同的研究阶段。这些关键词包括电子商务、网络评论、有用性、竞争情报、网络口碑、大数据、评论挖掘、购买意愿、用户需求、深度学习、评论、社交媒体、扎根理论、文本挖掘以及购买决策。根据关键词突现的开始时间与结束时间，将突现关键词划分为3个发展阶段(图6)。
第一阶段(2008~2014年)：电子商务与网络评论的兴起。此阶段，电子商务(2010年突现，强度5.57)与网络评论(2008年突现，强度3.47)成为研究的核心热点。随着电子商务的蓬勃发展，网络评论作为消费者决策的重要依据，其有用性(2012年突现，强度3.39)及如何有效挖掘和利用这些评论信息，成为学者们关注的焦点。同时，竞争情报(2012年突现，强度3.09)和网络口碑(2008年突现，但强度高峰在2015~2019年，强度4.86)的研究也逐渐兴起，表明学者们开始关注在线评论在市场竞争中的作用。
Figure 6. Keyword highlighting map
图6. 关键词突显图谱
第二阶段(2015~2017年)：大数据与评论挖掘的兴起。进入2015年后，大数据(2015年突现，强度3.8)技术的快速发展为在线评论研究提供了新的视角和方法。大数据的引入使得评论挖掘(2016年突现，强度3.72)成为可能，研究者们开始利用大数据技术对海量评论进行深度分析，以挖掘更有价值的信息。此外，购买意愿(2016年突现，强度3.37)的研究也在此阶段兴起，反映了学者们对消费者行为心理的深入探索。
第三阶段(2020~2024年)：智能化与社交媒体时代的来临。近年来，随着人工智能技术的飞速发展，深度学习(2020年突现，强度3.36)在在线评论研究中的应用日益广泛。同时，社交媒体(2021年突现，强度5.31)的兴起为在线评论提供了新的传播渠道和互动平台，使得评论的影响力和传播速度极大增强。扎根理论(2017年突现，但强度高峰在2021~2024年，强度3.94)和文本挖掘(2012年突现，但强度在2021~2022达到新高，强度2.82)等研究方法的应用，进一步推动了在线评论研究的深入和细化。此外，用户需求(2020年突现，强度3.57)和购买决策(2014年突现，但强度在2021~2022达到新高，强度2.67)的研究也在此阶段得到了更多的关注。
从突显词的分析中可以看出，在线评论研究领域的研究热点和趋势具有鲜明的时代特征和技术导向性。随着大数据、人工智能等技术的不断发展，未来在线评论研究将更加侧重于智能化分析、个性化推荐以及社交媒体平台上的评论传播与影响机制等方面。同时，对于用户需求、购买意愿及购买决策等消费者心理和行为的研究也将持续深化。
5. 结论
本研究基于CiteSpace软件对在线评论领域的文献进行了深入的可视化分析，得出以下结论：
1) 发文量年度分析表明，在线评论研究自2000年以来经历了初步探索、快速发展和稳步发展三个阶段。特别是2011年至2017年，发文量显著增长，显示出该领域的研究活力和学术界的关注程度。尽管2024年发文量有所下降，但整体趋势依然向上，预示着在线评论研究领域的持续发展。
2) 核心作者分析揭示了该领域内作者的分布及合作情况。李贺、王洪伟等作者构成了在线评论研究领域的核心群体，他们的持续贡献对领域的发展起到了关键作用。作者合作网络虽相对分散，但已显示出一定的合作模式和团队形成。
3) 研究机构分析显示：吉林大学管理学院、华中师范大学信息管理学院等机构在在线评论研究领域具有较高的发文量和影响力。机构间的合作网络虽初具规模，但整体合作程度有待加强。
4) 关键词共现分析揭示了在线评论领域研究热点集中在情感分析与文本挖掘，两者频次高且中心性强，成为该领域研究的核心与桥梁。随着人工智能与社交媒体的发展，深度学习等新技术逐渐兴起，为在线评论研究提供新工具与方法，推动研究深入与跨学科融合。
5) 研究热点的变迁显示了在线评论研究的热点随时间而变化。通过时间线图谱可以观察到，“网络口碑”较早出现，而“深度学习”和“社交媒体”等关键词较晚出现，这与互联网技术的发展和社交媒体平台的兴起密切相关。
6) 研究前沿分析显示，电子商务、网络评论、有用性、竞争情报、网络口碑、大数据、评论挖掘及购买意愿等关键词，反映了在线评论研究的热点和趋势具有鲜明的时代特征和技术导向性。随着大数据、人工智能等技术的不断发展，未来在线评论研究将更加侧重于智能化分析、个性化推荐以及社交媒体平台上的评论传播与影响机制等方面。
总体而言，在线评论研究领域在发文量、核心作者、研究机构和研究热点方面均呈现出积极的发展态势。未来研究可能会继续深化对消费者行为、品牌信任及市场走向的影响机制的探索，并加强大数据、人工智能等技术的应用，推动跨学科研究的发展。尽管存在数据库局限性和筛选过程中的主观性，本研究仍力求提供全面和准确的分析，以期为后续研究提供参考和启示。未来研究应进一步扩大数据来源，深化分析方法，以获得更加精确和深入的结论，为在线评论领域的发展提供科学的理论支持和实践指导。