我们可以如何借助生成式AI的能力来完善平台评价的治理动作？这篇文章里，作者尝试进行了解读，并对AI技术支持下的平台落地监控方案做了一定规划，一起来看看吧。

电商平台通常都很期待通过用户评价拿到对商家的反馈，一来做好商家管理，二者，为更多的消费者提供消费决策。既然平台对用户留下真实的评价有诉求，就要反向做指标监控评价的真实性与有帮助性，以保障来自消费者评价的质量。

而从电商的维度，评价只是支持商品全面介绍的一方面，无法作为核心业务推进，在资源有限的情况下，如何充分发挥AI的基础能力完善平台评价的治理？

一、AI在生成式对话中，如何提供业务所需的价值

负向治理：在评价类产品的生态中，AI生成式对话能够一定程度上扮演蓝军，蓝军灌水是指商家或竞争对手雇佣人员发布虚假评价，以提高自己的声誉或抹黑竞争对手。

通过AI生成式对话，平台可以借用AI生成的能力，发布灌水内容，以此来验证模型的准召跟线上人审的漏放；第二一个，AI生成式能力还可以帮助分析评价中的语言模式、情感倾向等特征，获取内容真实的风险标记，用以提升平台整体的判罚能力。

正向迭代：AI生成式对话可以帮助平台提炼用户评价中的有用信息，以提供更好的消费决策。通过自然语言处理和文本挖掘技术本身，大部分的AI工具可以做到分析评价中的关键词、产品特点、使用体验等信息，并将其整理成有用的标签，以此帮助用户快速了解商品的优势和劣势，从而促进了消费者对商品质量和适用性进行准确地评估，提高选品的准确率。

二、监控指标的落地方法

有了AI技术做支持，平台落地监控方案应该怎么规划呢？

首先，建立评价真实性的指标体系。根据历史数据和行业专家经验，确定一系列评价真实性的指标，如评价的时间分布、评价的内容多样性、评价的情感分布等。这些指标能够客观反映评价的真实性和多样性程度。

其次，建构模型特征，对评价数据进行分析和挖掘，在此过程中重点输出需要确保样本代表总体的最可靠统计量以及识别出问题后，对目标样本量的需求，以此搭建周期摸底机制。

然后，搭建人工审核和反馈机制。之所以要落地人工，本质上还是在做纠偏的事情，用以确保“蓝军”生成的内容大概率符合人工撰写逻辑，并从人审的视角校对模型本身识别的准召，并及时反馈给AI模型，以提高识别准确率。

三、拆解治理的动作方向

搭建好上述流转之后就是如何应用，即如何说服leader让他们投入资源，我们将会交付那些产品能力：

• 用户信息厚度：加强用户认证和信用体系，提高用户与平台的信息相关性。例如，信用评级的透明度建设，即通过历史消费、评价、被平台处置或奖励的历史信息记录来正向引导用户以减少虚假评价的可能性。
• 提供教育和引导：向用户提供关于评价的准则和规范，引导他们撰写真实、有帮助的评价。在出问题后，介绍具体原因会优于直接处置用户，通过提供示范性的评价样本，帮助用户更好地表达自己的观点和体验。
• 持续迭代模型能力：周期复盘标注的数据可以为持续更新模型识别能力提供弹药。因为每次蓝军投毒的case都会存在漏过的case，将漏过的case进行特征抽取，弥补模型持续漏过的能力信息。