一种基于情感偏差校正和系数分解的服务属性分类方法
本发明涉及智能信息处理领域,尤其是涉及一种基于情感偏差校正和系数分解的服务属性分类方法。
背景技术:
1、随着互联网和移动通信技术的飞速发展,在线评论已成为消费者获取产品/服务信息、表达使用体验以及企业洞察用户需求和市场反馈的重要渠道。对这些数据进行有效挖掘和分析,对于企业改进产品质量、优化服务水平、提升用户满意度具有重要意义。
2、在现有技术中,通常利用kano模型,对在线评论的分析以挖掘用户需求、识别关键服务属性并评估其对用户满意度的影响为核心。通过爬虫获取多种渠道获取用户的在线评论文本数据,进行提取出产品/服务的具体服务属性或特征处理;基于情感分析模型对提取出的属性或特征进行情感倾向分析,得到相应的情感得分;基于情感得分,采用多种估算方法估算各个服务属性对用户整体满意度的满意度系数,进而实现对服务属性分类处理或优先级排序处理,以此为企业提供决策支持。
3、然而,现有技术中由于用户发表评论的意愿并非均匀分布,存在情感偏差情况,未对这种系统性偏差进行有效修正,影响最终分析结果的准确性和可靠性;此外,由于估算满意度系数时,存在难以对较大规模文本和噪声文本解构出单个属性对满意度的真实非线性影响系数,降低系数估算的准确性和模型解释力,以及,现有技术通常默认所有评论文本具有相同的重要性和可靠性,未充分考虑文本长度差异、情感得分的极性与强度分布等因素对评论可靠性的影响,缺乏将这些因素作为文本可靠性惩罚或调节因子纳入算法计算的机制,影响了权重计算的一致性和鲁棒性;再者,现有技术中kano模型大多针对特定国家或单一语言环境进行设计和应用,其情感分析基准、评分标准以及属性提取方法通常依赖于特定语言的语料和特征。这种模式导致缺乏一种能够自适应修正不同语言环境下用户评分习惯、情感表达方式差异的标准化算法框架,难以直接应用于跨语言、跨文化背景的在线评论分析,无法有效揭示和比较不同市场环境下用户需求的共性与特性,限制了模型在全球范围内的普适性和应用价值。
技术实现思路
1、有鉴于此,本发明的目的在于提供一种基于情感偏差校正和系数分解的服务属性分类方法,以缓解现有技术中对在线评论数据进行精准挖掘和分析不够精准的问题。
2、第一方面,本发明实施例提供了一种基于情感偏差校正和系数分解的服务属性分类方法,包括:
3、获取待处理的评论原始数据集,以根据所述评论原始数据集确定原始情感得分矩阵;所述评论原始数据集包括星级评分数据子集和评论文本数据子集;
4、计算所述原始情感得分矩阵的情感表达率,在判断所述情感表达率存在负面情感过度表达时,对所述原始情感得分矩阵中的每一原始情感得分进行情感偏差校正处理,获取情感校正得分矩阵;
5、基于满秩分组算法,对经过线性变换处理后的情感校正得分矩阵,以及经过标准化处理所述星级评分数据子集后得到的整体情感得分序列所构建线性方程进行求解处理,以确定每一所述服务属性的横向系数;
6、针对目标评论文本数据执行如下处理:计算所述目标评论文本数据与所述目标评论文本数据对应的目标星级评分数据的情感一致性得分,以及计算所述目标评论文本数据的可靠性得分,并根据所述情感一致性得分和所述可靠性得分,将所述目标评论文本数据对应的目标服务属性的横向系数分解为纵向的原始正向权重和原始的负向权重;所述目标评论文本数据为所述经过线性变换处理后的情感校正得分矩阵中目标情感校正得分对应的评论文本数据;
7、基于所述情感表达率和对数级变换算法,对所述原始正向权重和所述原始的负向权重进行微调处理,以获取正向满意度系数和负向不满意度系数;
8、根据多个所述正向满意度系数和多个所述负向不满意度系数生成kano二维矩阵,并根据所述横向系数和所述经过线性变换处理后的情感校正得分矩阵生成ipa象限,并按照预设的交叉匹配规则对所述kano二维矩阵和所述ipa象限进行交叉匹配处理,以根据获取服务属性分类结果生成具备优先级的服务改善策略列表。
9、结合第一方面,本发明实施例提供了第一方面的第一种可能的实施方式,其中,所述获取待处理的评论原始数据集,以根据所述评论原始数据集确定原始情感得分矩阵,包括:
10、基于lda模型,对所述评论文本数据子集的服务主题分布进行提取处理,获取所述评论文本数据集中每一评论文本数据的服务属性;
11、利用预训练情感分析模型,对所有所述服务属性进行情感打分处理,获取原始情感得分矩阵。
12、结合第一方面,本发明实施例提供了第一方面的第二种可能的实施方式,其中,所述计算所述原始情感得分矩阵的情感表达率,包括:
13、对所述原始情感得分矩阵中的每一原始情感得分执行如下处理:
14、将所述原始情感得分与预设的情感得分阈值进行比较处理,获取正向情感对应的评论文本数据的第一数据量,以及负向情感对应的评论文本数据的第二数据量;
15、基于所述第一数据量和所述第二数据量,确定正向情感占比和负向情感占比;
16、根据所述星级评分数据子集中各个星级评分数据对应的星级分布,确定所述评论原始数据集中正向体验的真实占比和负向体验的真实占比;
17、计算所述正向情感占比与所述正向体验的真实占比的比值,确定正向情感表达率,并计算所述负向情感占比与所述负向体验的真实占比的比值,确定负向情感表达率。
18、结合第一方面,本发明实施例提供了第一方面的第三种可能的实施方式,其中,所述在判断所述情感表达率存在负面情感过度表达时,对所述原始情感得分矩阵中的每一原始情感得分进行情感偏差校正处理,获取情感校正得分矩阵,包括:
19、当所述负向情感表达率小于预设标定值时,按照如下公式对每一所述原始情感得分进行情感偏差校正处理:
20、
21、其中,为所述原始情感得分矩阵中第
i条评论文本数据的原始情感得分,为所述情感校正得分矩阵中的情感校正得分,为所述负向情感表达率,为所述正向情感表达率。
22、结合第一方面,本发明实施例提供了第一方面的第四种可能的实施方式,其中,所述基于满秩分组算法,对经过线性变换处理后的情感校正得分矩阵,以及经过标准化处理所述星级评分数据子集后得到的整体情感得分序列所构建线性方程进行求解处理,以确定每一所述服务属性的横向系数,包括:
23、对所述情感校正得分矩阵进行线性变换处理,获取线性变换处理后的情感校正得分矩阵,并对所述星级评分数据子集进行标准化处理,获取所述整体情感得分序列;
24、以所述整体情感得分序列作为因变量,并以所述线性变换处理后的情感校正得分矩阵为变量构建线性方程;
25、利用满秩分组算法,将所述线性变换处理后的情感校正得分矩阵划分为多个满秩子组,并基于非负约束求解最小二乘法对每一所述满秩子组进行求解处理,以获取所述满秩子组对应的每一服务属性的每一组主题的权重向量;
26、对所有所述权重向量进行迭代聚合处理,以获取每一所述服务属性的横向系数。
27、结合第一方面,本发明实施例提供了第一方面的第五种可能的实施方式,其中,所述针对目标评论文本数据执行如下处理:计算所述目标评论文本数据与所述目标评论文本数据对应的目标星级评分数据的情感一致性得分,以及计算所述目标评论文本数据的可靠性得分,并根据所述情感一致性得分和所述可靠性得分,将所述目标评论文本数据对应的目标服务属性的横向系数分解为纵向的原始正向权重和原始的负向权重,包括:
28、基于所述目标评论文本数据的所有主题对应的情感校正得分,计算所述目标评论文本数据的整体情感水平,并基于所述整体情感水平和所述目标评论文本数据对应的星级评分数据的整体情感得分的差值,确定所述目标评论文本数据的情感差值;
29、对多个所述情感差值进行正态分布拟合处理,以根据正态分布拟合处理后的均值和标准差进行标准化处理,获取标准化处理后的情感偏差;
30、利用所述正态分布拟合处理中的累积分布函数,对所述标准化处理后的情感偏差进行积分处理,获取所述目标评论文本数据的情感一致性得分;
31、获取所述目标评论文本数据的目标单词数,并根据所述目标单词数确定所述目标评论文本数据的分数等级,以根据指数衰减函数将所述分数等级进行归一化处理,获取归一化处理后的分数等级;
32、基于所述目标评论文本数据中目标主题的占比和所述归一化处理后的分数等级,确定所述目标评论文本数据的可靠性得分;
33、根据所述情感一致性得分和所述可靠性得分对所述目标评论文本数据的各情感校正得分进行修正处理,获取修正处理后的情感校正得分;
34、根据所述修正处理后的情感校正得分确定的正向情感主题数量和负向情感主题数量,计算所述目标评论文本数据的正向情感均值和负向情感均值;
35、根据所述正向情感均值和所述负向情感均值,以及所述正向情感均值、所述负向情感均值分别占所述正向情感均值和所述负向情感均值之和的比值,对所述横向系数进行分解处理,获取所述原始正向权重和所述原始的负向权重。
36、结合第一方面,本发明实施例提供了第一方面的第六种可能的实施方式,其中,所述根据多个所述正向满意度系数和多个所述负向不满意度系数生成kano二维矩阵,并根据所述横向系数和所述经过线性变换处理后的情感校正得分矩阵生成ipa象限,并按照预设的交叉匹配规则对所述kano二维矩阵和所述ipa象限进行交叉匹配处理,以获取具备优先级的服务改善策略列表,包括:
37、计算所有所述正向满意度系数的第一算术平均值,并计算所有所述负向不满意度系数绝对值的第二算术平均值;
38、将所述第一算术平均值和所述第二算术平均值分别作为水平方向延伸线和垂直方向延伸线,以利用所述水平方向延伸线和所述垂直方向延伸线划分所述经过线性变换处理后的情感校正得分矩阵,生成所述kano二维矩阵;
39、将所述横向系数的平均值作为横坐标、所述经过线性变换处理后的情感校正得分矩阵的所有矩阵元素值的平均值为纵坐标,以将所述经过线性变换处理后的情感校正得分矩阵进行划分处理,确定所述ipa象限;
40、按照预设的交叉匹配规则对所述kano二维矩阵和所述ipa象限进行交叉匹配处理,以获取具备优先级的服务改善策略列表。
41、第二方面,本发明实施例提供了一种基于情感偏差校正和系数分解的服务属性分类装置,包括:
42、获取模块,用于获取待处理的评论原始数据集,以根据所述评论原始数据集确定原始情感得分矩阵;所述评论原始数据集包括星级评分数据子集和评论文本数据子集;
43、情感偏差校正模块,用于计算所述原始情感得分矩阵的情感表达率,在判断所述情感表达率存在负面情感过度表达时,对所述原始情感得分矩阵中的每一原始情感得分进行情感偏差校正处理,获取情感校正得分矩阵;
44、服务属性横向系数确定模块,用于基于满秩分组算法,对经过线性变换处理后的情感校正得分矩阵,以及经过标准化处理所述星级评分数据子集后得到的整体情感得分序列所构建线性方程进行求解处理,以确定每一所述服务属性的横向系数;
45、服务属性纵向系数确定模块,用于针对目标评论文本数据执行如下处理:计算所述目标评论文本数据与所述目标评论文本数据对应的目标星级评分数据的情感一致性得分,以及计算所述目标评论文本数据的可靠性得分,并根据所述情感一致性得分和所述可靠性得分,将所述目标评论文本数据对应的目标服务属性的横向系数分解为纵向的原始正向权重和原始的负向权重;所述目标评论文本数据为所述经过线性变换处理后的情感校正得分矩阵中目标情感校正得分对应的评论文本数据;
46、满意度系数获取模块,用于基于所述情感表达率和对数级变换算法,对所述原始正向权重和所述原始的负向权重进行微调处理,以获取正向满意度系数和负向不满意度系数;
47、服务分类模块,用于根据多个所述正向满意度系数和多个所述负向不满意度系数生成kano二维矩阵,并根据所述横向系数和所述经过线性变换处理后的情感校正得分矩阵生成ipa象限,并按照预设的交叉匹配规则对所述kano二维矩阵和所述ipa象限进行交叉匹配处理,以根据获取服务属性分类结果生成具备优先级的服务改善策略列表。
48、第三方面,本发明实施例还提供了一种电子设备,包括:
49、至少一个处理器;以及与所述处理器通信连接的至少一个存储器,其中:所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如本发明第一方面提供的所述服务属性分类方法。
50、第四方面,本发明实施例还提供一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行如本发明第一方面提供的所述服务属性分类方法。
51、本发明通过获取待处理的评论原始数据集,以根据评论原始数据集确定原始情感得分矩阵;评论原始数据集包括星级评分数据子集和评论文本数据子集;计算原始情感得分矩阵的情感表达率,在判断情感表达率存在负面情感过度表达时,对原始情感得分矩阵中的每一原始情感得分进行情感偏差校正处理,获取情感校正得分矩阵;基于满秩分组算法,对经过线性变换处理后的情感校正得分矩阵,以及经过标准化处理星级评分数据子集后得到的整体情感得分序列所构建线性方程进行求解处理,以确定每一服务属性的横向系数;针对目标评论文本数据执行如下处理:计算目标评论文本数据与目标评论文本数据对应的目标星级评分数据的情感一致性得分,以及计算目标评论文本数据的可靠性得分,并根据情感一致性得分和可靠性得分,将目标评论文本数据对应的目标服务属性的横向系数分解为纵向的原始正向权重和原始的负向权重;目标评论文本数据为经过线性变换处理后的情感校正得分矩阵中目标情感校正得分对应的评论文本数据;基于情感表达率和对数级变换算法,对原始正向权重和原始的负向权重进行微调处理,以获取正向满意度系数和负向不满意度系数;根据多个正向满意度系数和多个负向不满意度系数生成kano二维矩阵,并根据横向系数和经过线性变换处理后的情感校正得分矩阵生成ipa象限,并按照预设的交叉匹配规则对kano二维矩阵和ipa象限进行交叉匹配处理,获取服务属性分类结果,以根据服务属性分类结果生成具备优先级的服务改善策略列表。
52、本发明实施例带来了以下有益效果:引入情感表达率(ser)偏差校正机制,有效抑制评论自选择的负面放大噪声;权重计算横纵向系数分解法,横向以满秩分组克服共线性,纵向系数将评分不一致性与文本长度转化为可靠性惩罚,使满意度系数更贴近真实体验;决策输出融合kano与ipa,构建自动化交叉分析框架,兼容多语言跨国家数据,直接输出定量优先级策略,整体实现了从数据清洗、鲁棒建模到智能决策的全链路优化,提高对评论数据挖掘和分析的精准度。
53、本发明的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
54、为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com