标签：防脱 Python 洗发水 评销 刷单 评论 板斧 评价 称心如意
发际线堪忧的小 Q，为了守住头发最后的尊严，深入分析了几十款防脱洗发水的评价，最后综合选了一款他认为最完美的防脱洗发水。
一星期后，他没察觉到任何变化。
一个月后，他用卷尺量了量，发际线竟然后退了 0.5cm！难道防脱要经历一个物极必反的过程，先脱再长？小 Q 不甘心，决定继续坚持。
两个月后，小 Q 心如死灰，忍不住和小 Z 抱怨。
这句话，平地一惊雷，炸出了小 Q 惨痛的网购回忆。
他，屡屡冲着卖家秀而去，却屡屡化身买家秀而归。
说好的椰子！？
我想买两个杯子来着，怎么变成了一个！？
小 Q 曾经因为网购吃亏太多，而为自己的颜值和智商担忧。但经过小 Z 的点拨，他认定了一件事：活成卖家秀，并不是自身的问题，而是万恶的假评价误导了自己的消费决策。
为了自己，为了让更多的朋友免受误导，他和小 Z 一拍即合，决定用数据思维来鉴定刷单。
经过一番翻云覆雨，终于总结出了用数据鉴定刷单的两板斧。
第一板斧：评销比
购买——使用——评价是一个完整的购后链路。消费者在购买了产品之后，一定会使用，但评价则需要一定场景来触发。
比如这个产品超出预期，我要感谢卖家！或者这个产品在侮辱我的智商，我要骂街！
当然，还存在一部分为了刷积分而评价的人，不过正常情况下，主动评论的人占总人数的比重是维持在稳定水平的。
如果有通过大规模红包返现或其他人为手段刷的好评，在同样购买人数的前提下，参与评价的人大概率是高于正常的。
怎么衡量这个比例是否合理呢？这里，我们引入一个叫做评销比的指标。
评销比 = 单款产品总评论数 / 单款产品总销量 * 100，以此来衡量平均每卖出 100 单位的产品，对应着多少条评价。
接下来，我们导入爬取的脱敏真实数据（为了去重广告嫌疑脱的敏）来实践一下：
增加一列计算评销比：
看看评销比分布形态，数据在 20 左右分散开来，略微偏右：
从评销比分布图，可以看出在 40 处有二次下跌，我们暂且把 40（一般也可以尝试平均值）设置为一个筛选阈值，高于阈值的判定为有刷单嫌疑。
第一版斧挥过，12% 疑似刷单的产品应声倒下，小 Z 露出了欣慰的微笑。
小 Q 却眉头紧锁：“这个鉴定逻辑是有一定道理，但是，我买的那款洗发水竟然逃过了筛选！”
不要慌，我们还有第二板斧保驾护航。
第二板斧：内容重复度
第二板斧整个判别逻辑极其简单粗暴：对于一款产品，如果存在不同的用户，在不同的时间，评论了相同的内容，那妥妥的是刷啊！
直接上案例数据，我们爬取了小 Q 购买的那款防脱洗发水评价，共计1706条：
为了让鉴别更加科学，先换位思考：除极端情绪外，我们自己在评论时总会用“还行”、“一般般”、“刚收到，还没用”等短评来敷衍。这些短评非常容易重复，但也不能说是刷的评价。
so，我们在用重复度鉴别时，可以先预设一个评论长度作为筛选标准，比如只对超过 15 个字的评论进行重复度匹配：
长度筛选之后，正好还剩下 1200 条评价，下面开始正式匹配。大家如果想更精细，可以考虑用文本挖掘等高阶方法，在这里我们用最最最简单粗暴的文本排序：
前 6 条评价，有 3 个不同的客户，分别在 19 年的 10 月 16 日、24 日和 21 日发表了相同的内容，他们都受高考压力影响，脱发严重，每天房间、床铺、地上掉满他们的头发。
幸好！！！他们在秃顶前遇到了这款洗发水！用了几次不仅比之前掉的少，还新长出来了一些小碎发！
177 个字，洋洋洒洒，令人动容！
但这到底是偶然的巧合还是有组织刷的评价呢？我们不能这么简单下定论。
继续看一看，这些长篇大论一字不差的重复评论有多少条：
注：A、B、C 三条内容完全一样，则统计为 3 条重复评价
1200 条超过 15 个字的评价，有 378 条是虚伪的，占比高达 31.5%。
他们文风多变，除了“高考压力”，还有“为父分忧而买”、也有“被微博广告安利”、甚至有“担心被骗，用第二套才敢评价的”。
可谓情真而意切，感人而至深！
小 Z 看过评价，深深不能自拔，瞬间理解了小 Q 为什么被忽悠。
“你跺你也麻啊！”
幸好，以后有了这两板斧保驾护航，再也不用担心这些虚评假意了。
发际线堪忧的小 Q，为了守住头发最后的尊严，深入分析了几十款防脱洗发水的评价，最后综合选了一款他认为最完美的防脱洗发水。
一星期后，他没察觉到任何变化。
一个月后，他用卷尺量了量，发际线竟然后退了 0.5cm！难道防脱要经历一个物极必反的过程，先脱再长？小 Q 不甘心，决定继续坚持。
两个月后，小 Q 心如死灰，忍不住和小 Z 抱怨。
这句话，平地一惊雷，炸出了小 Q 惨痛的网购回忆。
他，屡屡冲着卖家秀而去，却屡屡化身买家秀而归。
说好的椰子！？
我想买两个杯子来着，怎么变成了一个！？
小 Q 曾经因为网购吃亏太多，而为自己的颜值和智商担忧。但经过小 Z 的点拨，他认定了一件事：活成卖家秀，并不是自身的问题，而是万恶的假评价误导了自己的消费决策。
为了自己，为了让更多的朋友免受误导，他和小 Z 一拍即合，决定用数据思维来鉴定刷单。
经过一番翻云覆雨，终于总结出了用数据鉴定刷单的两板斧。
第一板斧：评销比
购买——使用——评价是一个完整的购后链路。消费者在购买了产品之后，一定会使用，但评价则需要一定场景来触发。
比如这个产品超出预期，我要感谢卖家！或者这个产品在侮辱我的智商，我要骂街！
当然，还存在一部分为了刷积分而评价的人，不过正常情况下，主动评论的人占总人数的比重是维持在稳定水平的。
如果有通过大规模红包返现或其他人为手段刷的好评，在同样购买人数的前提下，参与评价的人大概率是高于正常的。
怎么衡量这个比例是否合理呢？这里，我们引入一个叫做评销比的指标。
评销比 = 单款产品总评论数 / 单款产品总销量 * 100，以此来衡量平均每卖出 100 单位的产品，对应着多少条评价。
接下来，我们导入爬取的脱敏真实数据（为了去重广告嫌疑脱的敏）来实践一下：
增加一列计算评销比：
看看评销比分布形态，数据在 20 左右分散开来，略微偏右：
从评销比分布图，可以看出在 40 处有二次下跌，我们暂且把 40（一般也可以尝试平均值）设置为一个筛选阈值，高于阈值的判定为有刷单嫌疑。
第一版斧挥过，12% 疑似刷单的产品应声倒下，小 Z 露出了欣慰的微笑。
小 Q 却眉头紧锁：“这个鉴定逻辑是有一定道理，但是，我买的那款洗发水竟然逃过了筛选！”
不要慌，我们还有第二板斧保驾护航。
第二板斧：内容重复度
第二板斧整个判别逻辑极其简单粗暴：对于一款产品，如果存在不同的用户，在不同的时间，评论了相同的内容，那妥妥的是刷啊！
直接上案例数据，我们爬取了小 Q 购买的那款防脱洗发水评价，共计1706条：
为了让鉴别更加科学，先换位思考：除极端情绪外，我们自己在评论时总会用“还行”、“一般般”、“刚收到，还没用”等短评来敷衍。这些短评非常容易重复，但也不能说是刷的评价。
so，我们在用重复度鉴别时，可以先预设一个评论长度作为筛选标准，比如只对超过 15 个字的评论进行重复度匹配：
长度筛选之后，正好还剩下 1200 条评价，下面开始正式匹配。大家如果想更精细，可以考虑用文本挖掘等高阶方法，在这里我们用最最最简单粗暴的文本排序：
前 6 条评价，有 3 个不同的客户，分别在 19 年的 10 月 16 日、24 日和 21 日发表了相同的内容，他们都受高考压力影响，脱发严重，每天房间、床铺、地上掉满他们的头发。
幸好！！！他们在秃顶前遇到了这款洗发水！用了几次不仅比之前掉的少，还新长出来了一些小碎发！
177 个字，洋洋洒洒，令人动容！
但这到底是偶然的巧合还是有组织刷的评价呢？我们不能这么简单下定论。
继续看一看，这些长篇大论一字不差的重复评论有多少条：
注：A、B、C 三条内容完全一样，则统计为 3 条重复评价
1200 条超过 15 个字的评价，有 378 条是虚伪的，占比高达 31.5%。
他们文风多变，除了“高考压力”，还有“为父分忧而买”、也有“被微博广告安利”、甚至有“担心被骗，用第二套才敢评价的”。
可谓情真而意切，感人而至深！
小 Z 看过评价，深深不能自拔，瞬间理解了小 Q 为什么被忽悠。
“你跺你也麻啊！”
幸好，以后有了这两板斧保驾护航，再也不用担心这些虚评假意了。
标签：防脱,Python,洗发水,评销,刷单,评论,板斧,评价,称心如意 来源： https://www.cnblogs.com/7758520lzy/p/12011036.html
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。