女士上衣电商差评归因分类标注数据

本数据面向女士上衣电商差评的原因自动归因与分类需求，构建可用于训练差评归因分类模型的标注数据集，使模型能够自动识别消费者差评的归因类别（尺码偏差、做工、描述不符、面料、色差、服务、物流共7类）、细分原因标签（共28种）及问题严重度（严重、中等、轻微共3级）。可用于差评原因自动溯源与产品质量问题定位等场景，解决差评内容表述多样化、难以自动归类至具体质量问题环节并量化严重程度的问题，为服装行业企业及合作方提供结构化的差评归因训练数据支撑。一、加工前的数据说明：原始数据来源于企业自有电商平台商品评价区的消费者差评文本，涵盖女士上衣各品类商品的负面评价内容。 二、处理规则： 1.差评采集与清洗：采集企业自有电商平台的消费者差评文本，进行去重、去除特殊符号与无意义字符等清洗处理，并去除差评中包含的消费者昵称、订单号等个人信息，仅保留差评内容本身，保障不可逆向还原原始消费者身份。对每条差评生成唯一差评编号。 2.归因分类体系构建：基于电商差评语义特征与行业经验归纳，建立两级分类体系——一级归因类别分为尺码偏差、做工、描述不符、面料、色差、服务、物流共7类，描述差评所涉及的主要问题环节；二级细分原因标签在每个归因类别下进一步细化具体原因（如尺码偏差类下的"偏小""偏大""版型不合"等），共28种细分原因标签。同时建立严重度评估标准，分为严重、中等、轻微共3级，用于量化差评反映的问题严重程度。 3.人工标注：组织多名标注员对每条差评进行标注，标注内容包括：归因类别、细分原因标签、严重度。 4.记录编码化处理：对每条记录生成无规则编码化的唯一标识，保障数据记录的唯一性与可追溯性。 三、数据内容描述：最终形成结构化的女士上衣电商差评归因分类标注数据集合，包含以下字段：1）差评编号：每条差评的唯一顺序编号；2）差评内容：经清洗与脱敏后的消费者差评文本；3）归因类别：人工标注的差评所属问题环节，分为尺码偏差、做工、描述不符、面料、色差、服务、物流共7类，作为模型训练的主监督标签；4）细分原因标签：人工标注的具体原因描述，共28种；5）严重度：人工标注的问题严重程度，分为严重、中等、轻微共3级；6）标注人：标注人员的匿名编号；7）记录唯一标识：每条数据记录的唯一编码；8）数据生成时间：该条记录的生成日期。该数据集构成一套涵盖归因类别、细分原因与严重度的女士上衣差评归因分类训练数据库，可直接用于差评归因分类模型的训练与评估。

搜集汇总

背景与挑战

背景概述

本数据集面向女士上衣电商差评的自动归因与分类需求，提供2239条经清洗脱敏的标注数据，每条包含7类归因类别（如尺码偏差、做工等）、28种细分原因标签和3级问题严重度，可支持差评原因自动溯源及产品质量问题定位等应用场景。