From Reviews to Actionable Insights: An LLM-Based Approach for Attribute and Feature Extraction
从评论到可行动洞见：基于大语言模型的属性与特征提取AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要主要研究评论信息提取与营销预测，未明确采用所列因果、选择或其他计量细分方法。
反馈分类问题正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
从评论到可行动洞见：基于大语言模型的属性与特征提取
- 研究问题
- 如何从顾客评论中区分感知属性与可行动的服务特征，并提取相关情感，使文本信息能够支持可解释的营销分析？
- 方法与思路
- 作者以营销理论组织大语言模型提取框架，在星巴克 Yelp 评论上比较八种提示，并用人工标注一致性和评分预测效度评估。
- 材料陈述的贡献
- 摘要称，该方法与人工编码具有较高一致性且处理更快，可形成营销看板；模拟还报告改善关键服务情感可能带来收入增益。
- 阅读关注点
- 应核对人工标注标准、提示比较与样本抽取方式、预测验证设计，以及情感改善转化为收入变化所依赖的模拟假设。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要中的收入增益来自模拟，评分预测及文本关联不能直接证明干预的因果收益。
原文摘要
This research proposes a systematic, large language model (LLM) approach for extracting product and service attributes, features, and associated sentiments from customer reviews. Grounded in marketing theory, the framework distinguishes perceptual attributes from actionable features, producing interpretable and managerially actionable insights. We apply the methodology to 20,000 Yelp reviews of Starbucks stores and evaluate eight prompt variants on a random subset of reviews. Model performance is assessed through agreement with human annotations and predictive validity for customer ratings. Results show high consistency between LLMs and human coders and strong predictive validity, confirming the reliability of the approach. Human coders required a median of six minutes per review, whereas the LLM processed each in two seconds, delivering comparable insights at a scale unattainable through manual coding. Managerially, the analysis identifies attributes and features that most strongly influence customer satisfaction and their associated sentiments, enabling firms to pinpoint "joy points," address "pain points," and design targeted interventions. We demonstrate how structured review data can power an actionable marketing dashboard that tracks sentiment over time and across stores, benchmarks performance, and highlights high-leverage features for improvement. Simulations indicate that enhancing sentiment for key service features could yield 1-2% average revenue gains per store.