我们的评分方法论

我们不进行实物测试。我们通过分析 6700 万+ 条亚马逊已验证购买评论来得出数据驱动的质量评分。每个分数都使用透明、公开的公式计算。

ReviewScore 评分公式

每个产品获得 0-100 分的综合得分（ReviewScore），由四个核心维度加权计算：

ReviewScore = w1 × 投诉率得分 + w2 × 真实好评得分 + w3 × 耐用性得分 + w4 × 推荐意愿得分

维度	衡量什么	数据来源
投诉率得分	无具体可验证缺陷的程度（如"涂层脱落"、“坏了”）。分数越高 = 投诉越少。	1-2★ 差评
真实好评得分	具体、详细的好评比例（如"整个锅面加热均匀"）。排除"great product"类笼统好评。	4-5★ 好评，经 AI 筛选
耐用性得分	长期使用可靠的证据 — 提及使用数月/数年后仍然满意的评论。	带时间标记的评论（“用了6个月”、“一年后仍然好用”）
推荐意愿得分	明确的复购或推荐意愿（“会再买”、“强烈推荐”）。	文本模式匹配 + AI 语义分析

品类特定权重

权重（w1-w4）因品类而异，因为锅具的关注点与窗帘完全不同：

• 锅具：耐用性和投诉率权重最高（w1=0.30, w3=0.30）— 涂层寿命至关重要。
• 窗帘：外观和满意度比耐用性更重要（w2=0.35, w4=0.30）。
• 吸尘器：耐用性最重要（w3=0.30）— 电机/电池寿命是首要关注。

查看各品类的评分维度页 了解具体权重和加减分关键词。

加减分关键词

每个品类有加分关键词（用户主动寻求的特性）和扣分关键词（用户抱怨的痛点）。当评论中出现这些关键词时，会调整分数：

• 加分：+2 到 +5 分，当评论提到特定受欢迎特性时（如锅具的"加热均匀"）。
• 扣分：-3 到 -8 分，当评论提到特定缺陷时（如锅具的"涂层脱落"）。

加减分关键词来源于我们的痛点发现流程 ，基于每个品类数千条差评的 AI 分析。

AI 评论真实性筛选

并非所有评论都有用。很多是笼统的（“很好的产品”、“喜欢”、“非常好”），不提供可操作的信息。

我们使用 AI 将每条抽样评论分类为：

• 具体（Specific）：提及具体特性、使用场景、对比、材料或详细体验。→ 纳入评分计算。
• 笼统（Generic）：仅表达模糊情绪，没有具体细节。→ 从评分中排除。

这确保我们的分数反映真实、可验证的用户体验 — 而非空洞的赞美。

评论可信度

每个产品评分都附带基于分析评论数量的评论可信度指标：

分析评论数	可信度
1,000+	★★★★★ 非常高
500-999	★★★★ 高
100-499	★★★ 中等
<100	★★ 低（谨慎参考）

局限性

• 分数基于评论数据分析，而非实物测试。
• 评论样本可能无法均等代表所有购买者。
• 分数会随着新评论的出现而定期重新计算。
• 评论数量很少的产品分数可能不可靠。

更新

评分权重和加减分关键词定期审查。每个品类页面显示最近更新日期。单个产品的分数在每次刷新评论分析时重新计算。

---

⚠️ 联盟推广声明：作为亚马逊联盟成员，我们从符合条件的购买中获得佣金。产品链接使用亚马逊联盟标签。这不影响我们的评分 — 评分独立于变现方式计算。