由于从评论文本中提取内容的劳动密集型性质以及缺乏关于评论阅读行为的数据，消费者如何在他们的决策中使用评论内容仍然是一个黑匣子。 在这项研究中，我们通过在一个综合数据集上应用基于深度学习的自然语言处理来克服这一挑战，该数据集跟踪电子商务网站上的个人级评论阅读、搜索和购买行为，以调查消费者如何使用评论内容。 我们从涵盖近 600 个产品类别的 500,000 多条评论中提取质量和价格内容。 我们实现了两个目标。 首先，我们描述了消费者的评论内容阅读行为。 我们发现，虽然消费者不会一直阅读评论内容，但他们确实依赖评论内容来购买昂贵或质量不确定的产品。 其次，我们量化阅读评论内容对销售的因果影响。 我们在时间设计中使用回归不连续性，并利用由于新增评论而导致消费者看到的评论内容的变化。 为了提取内容，我们使用监督式深度学习技术来识别六个理论驱动的内容维度。 我们发现评论中的美学和价格内容显着影响几乎所有产品类别的转换。 当平均评分较高且评分差异较小时，评论内容对销售的影响较大。 当市场竞争激烈、不成熟或品牌信息不易获取时，消费者更依赖评论内容。 一个反事实模拟表明，根据内容对评论重新排序与降低 1.6% 的价格以提高转化率具有相同的效果。
