本书构建的产品销量模型是用于分析不断更新的产品评论对销量的动态影响，所以产品销量模型是以新增产品评论为主要的解释变量。在消费者对产品的选择概率计算中，产品价格并不会像评论那样不断变化，而是基本保持稳定，并且以月为单位略有起伏。此外，新出现的产品评论会影响消费者对产品的认知，并且改变消费者风险偏好函数RF的值。

因此，将式（6-9）代入式（6-12）中，并且进行对数化处理，得到基于多属性离散选择的产品销量模型，如式（6-13）所示。

其中，βk表示产品属性k对消费者的边际效用（即消费者对产品属性k的偏好），（xkj1，xkj2）为评论中对产品属性k的正面观点和负面观点，表示消费者群体对产品整体评价的混杂度，只依赖于新增评论的数量，而不受（xkj1，xkj2）的影响。

由于（xkj1，xkj2）为发表评论的用户对产品j属性k的正、负面评价，并非阅读评论的消费者对产品j属性k的价值感知。根据本章的研究思路，产品评论通过改变潜在消费者对产品的认知，进而影响产品销售。因此，需要从消费者的角度重新为产品属性的正、负面观点赋值，如式（6-14）所示。

其中xk，s表示用户对产品属性k的情感，μk表示消费者对产品属性k的期望。

式（6-14）将消费者对不同产品属性的偏好系数βk从产品整体评价（即中分离出来，以便于计算产品属性k及其对应的正、负面评价s在新增产品评论中占有的权重w，如式（6-15）所示。(www.daowen.com)

其中，S表示观点集合（包含正面观点和负面观点），N（k，s）表示产品属性k及其评价s在新增评论中出现的次数，ηk表示消费者对属性k的认知强度，用于最大化模型的似然函数。

例1：手机评论：“这款机子的质量高，使用方便，尤其是触摸屏太棒了，又大又清晰，反应还很快……”，经过细粒度情感分析，将特征观点对转换为相应的产品属性及其正、负面评价，得到{（手机，正面，1），（操作，正面，1），（屏幕，正面，4）}。假设η=0，根据公式（6-15）可以得到：w（手机，正面）=1/1=1.0，w（操作，正面）=1/1=1.0，w（屏幕，正面）=4/4=1.0。

因此，式（6-13）被转化为式（6-16）。

其中，A表示产品属性集合，表示产品属性k及其评价向量与权重向量的内积。值得注意的是，权重系数w与βk的区别在于：βk是从消费者的角度出发，表现产品属性在消费者对产品价值感知中的重要性，而w则是从发表评论的用户角度出发，表现产品属性及其正、负面评价在整个评论中所占的比重。

根据式（6-16）可以得出以下结论：消费者对不同产品属性的评价Evaluation（k，s）与消费者的期望（μk）的差值影响产品销量。也就是说，产品评论中出现过低的评价或者消费者对产品抱有过高的期望都会导致产品销量的下降。与现有文献的研究相比，本模型将消费者对产品的预期考虑在内，更符合现实情况。