一种商品评论观点分布的预测方法、系统、设备及介质与流程

1.本发明涉及商品预测的技术领域，具体而言，涉及一种商品评论观点分布的预测方法、系统、设备及介质。


背景技术：

2.在传统的消费体验衡量任务中，往往通过情感分析等方法，对商品的评论进行观点抽取和情感极性的判断并进行统计，以此反映商品的消费体验。然而传统的方法往往针对已经上市且有较多评论的商品，无法应用于无评论、甚至处于设计阶段、无相关历史数据的新品体验预测。由此需要一种商品评论观点分布的预测方法、系统、设备及介质。


技术实现要素：

3.本发明的目的在于提供一种商品评论观点分布的预测方法，其能够对未上市、无评论商品的消费体验观点分布预测，辅助商品的设计优化。
4.本发明的实施例是这样实现的：
5.第一方面，本技术实施例提供一种商品评论观点分布的预测方法，其包括获取商品以及商品的关联数据，将商品的文本特征、图片特征、参数特征分别进行提取并进行向量化转换，分别得到对应的商品信息和商品关联信息；将所述商品的评论信息进行观点提取，同时进行观点极性分析，统计所述观点和所述观点极性的分布信息；预设机器学习模型；将所述商品信息、所述商品关联信息和所述分布信息内包含的向量带入所述机器学习模型进行训练，得到所述商品信息、所述商品关联信息和所述分布信息之间的关联信息，输出所述关联信息对应的回归模型；将待判断的商品信息和商品关联信息对应的向量，带入所述回归模型中进行计算；生成不同观点标签正负向情感对应概率值的预测结果，以及任一所述观点在预设数量的评论中的占比。
6.在本发明的一些实施例中，以及任一所述观点在预设数量的评论中的占比后的步骤包括：持续获取商品上市后的评论数据，将所述评论数据与所述预测结果进行计算残差，得到测定值；若所述测定值与预设阈值相比，超出预设范围，则将所述评论数据带入机器学习模型进行重新训练，得到新回归模型，并替代原所述回归模型；反之，则进行预测结果计算。
7.在本发明的一些实施例中，还包括根据所述预设范围设置坐标，将所述测定值在所述预设范围内的坐标的变化按预设图表进行展示。
8.在本发明的一些实施例中，将所述商品的评论信息进行观点提取，同时进行观点极性分析的步骤包括：对所述商品的评论信息进行语义识别，提前预设语义类型，根据语义类型将识别的语义进行分类，分类后的内容生成分布信息。
9.在本发明的一些实施例中，分别得到对应的商品信息和商品关联信息后的步骤还包括：预设训练样本前置的训练条件，若所述商品信息和商品关联信息符合所述训练条件，则输入至所述机器学习模型；反之，则重新选择商品信息和商品关联信息。
10.在本发明的一些实施例中，获取商品以及商品的关联数据的步骤包括：通过大数据etl技术获取商品以及商品的关联数据。
11.在本发明的一些实施例中，还包括预设结果模板，所述占比和所述预测结果根据所述结果模板的格式进行输出。
12.第二方面，本技术实施例提供一种商品评论观点分布的预测系统，其包括信息收集处理模块，用于获取商品以及商品的关联数据，将商品的文本特征、图片特征、参数特征分别进行提取并进行向量化转换，分别得到对应的商品信息和商品关联信息；评论观点分布模块，用于将所述商品的评论信息进行观点提取，同时进行观点极性分析，统计所述观点和所述观点极性的分布信息；机器学习模块，用于预设机器学习模型；将所述商品信息、所述商品关联信息和所述分布信息内包含的向量带入所述机器学习模型进行训练，得到所述商品信息、所述商品关联信息和所述分布信息之间的关联信息，输出所述关联信息对应的回归模型；结果模块，用于将待判断的商品信息和商品关联信息对应的向量，带入所述回归模型中进行计算；生成不同观点标签正负向情感对应概率值的预测结果，以及任一所述观点在预设数量的评论中的占比。
13.第三方面，本技术实施例提供一种电子设备，包括至少一个处理器、至少一个存储器和数据总线；其中：所述处理器与所述存储器通过所述数据总线完成相互间的通信；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以执行一种商品评论观点分布的预测方法。
14.第四方面，本技术实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现一种商品评论观点分布的预测方法。
15.相对于现有技术，本发明的实施例至少具有如下优点或有益效果：
16.本设计基于消费者大数据和机器学习算法，构建新品的商品特征与评论观点之间的映射关系，具体为将未上市商品的商品特征、环境特征(如用户信息、环境信息、潮流等)与相似商品评论观点构建一种非线性的数学模型，通过海量消费者数据学习后，预测特定商品特征在特定因素下上市可能的评论观点分布情况。进而完成对未上市、无评论商品的消费体验观点分布预测，辅助商品的设计优化。
附图说明
17.为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
18.图1为本发明中一种商品评论观点分布的预测方法的流程图；
19.图2为本发明中一种商品评论观点分布的预测方法的另一种流程图；
20.图3为本发明中一种商品评论观点分布的预测系统的程序框图；
21.图4为本发明中一种商品评论观点分布的预测系统的结构示意图；
22.图5为本发明中一种电子设备的结构示意图。
23.图标：1、信息收集处理模块；2、评论观点分布模块；3、机器学习模块；4、结果模块；5、处理器；6、存储器；7、数据总线。
具体实施方式
24.为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本技术实施例的组件可以以各种不同的配置来布置和设计。
25.因此，以下对在附图中提供的本技术的实施例的详细描述并非旨在限制要求保护的本技术的范围，而是仅仅表示本技术的选定实施例。基于本技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
26.应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
27.需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
28.在本技术的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本技术中的具体含义。
29.下面结合附图，对本技术的一些实施方式作详细说明。在不冲突的情况下，下述的各个实施例及实施例中的各个特征可以相互组合。
30.实施例1
31.请参阅图1和图3，为本技术实施例提供的一种商品评论观点分布的预测方法，本设计基于消费者大数据和机器学习算法，构建新品的商品特征与评论观点之间的映射关系，具体为将未上市商品的商品特征、环境特征(如用户信息、环境信息、潮流等)与相似商品评论观点构建一种非线性的数学模型，通过海量消费者数据学习后，预测特定商品特征在特定因素下上市可能的评论观点分布情况。进而完成对未上市、无评论商品的消费体验观点分布预测，辅助商品的设计优化。具体实施方式如下：
32.s1：获取商品以及商品的关联数据，将商品的文本特征、图片特征、参数特征分别进行提取并进行向量化转换，分别得到对应的商品信息和商品关联信息；
33.对于数据的收集，利用消费者大数据，将待分析新品的相似商品的多模态属性内容，包括但不限于产品名、说明书、广告语等文本内容；商品设计图、外观图等图片内容；技术参数以及环境因素等等，包括但不限于用户年龄段、性别、职业等用户信息，季节、地点等环境信息，潮流趋势、国际环境等其他信息进行收集。同时为了后续机器学习能够识别，输出为特征化的商品信息向量和商品关联信息向量。
34.s2：将商品的评论信息进行观点提取，同时进行观点极性分析，统计观点和观点极性的分布信息；
35.将待分析商品以及与该商品相似的商品，其评论数据采用传统的情感分类等方法，例如语义分类等等，抽取观点及情感极性，按照观点、观点正负向统计其在该商品全部评论中的占比。
36.s3：预设机器学习模型；将商品信息、商品关联信息和分布信息内包含的向量带入机器学习模型进行训练，得到商品信息、商品关联信息和分布信息之间的关联信息，输出关联信息对应的回归模型；
37.在带入上述数据后，通过机器学习算法，可以构建一种回归模型，以学习商品、关联信息特征与评论观点分布之间的映射关系。例如将该品类商品的历史评论观点分布设置为向量y，将商品、关联信息特征向量设置为向量x，商品在特定环境因素下，商品特征变化与评论观点分布之间的映射关系设为f(x),则向量x与向量y的映射关系则表示为：y＝f(x)。由此机器学习模块的输出，则为代表特定环境因素下商品特征与评论观点分布之间的回归模型。
38.s4：将待判断的商品信息和商品关联信息对应的向量，带入回归模型中进行计算；生成不同观点标签正负向情感对应概率值的预测结果，以及任一观点在预设数量的评论中的占比。
39.通过上述模型的计算，完成对新品评论观点分布的预测。输出特定设计和环境因素下该商品可能的评论观点分布，作为新品的用户体验衡量指标。例如结果为：对于扫地机器人a，50％的用户认为“吸力大”，30％的用户认为“外观好看”，30％的用户认为“质量好”。
40.请参阅图2和图3，在本发明的一些实施例中，以及任一观点在预设数量的评论中的占比后的步骤包括：s5：持续获取商品上市后的评论数据，将评论数据与预测结果进行计算残差，得到测定值；
41.s6：若测定值与预设阈值相比，超出预设范围，则将评论数据带入机器学习模型进行重新训练，得到新回归模型，并替代原回归模型；反之，则进行预测结果计算。
42.而对于得出的结果，还需要根据用户自身需要来进行衡量，还是以扫地机器人a为例：客户对于其中一个指标质量的要求需要40％，而此时仅有30％的用户认为“质量好”。由此无法满足用户需求，故而进行计算残差操作，对回归模型进行迭代更新，直至符合用户需求。由此形成结果修正，进一步提高预测精确度。
43.在本发明的一些实施例中，还包括根据预设范围设置坐标，将测定值在预设范围内的坐标的变化按预设图表进行展示。而对于模型建立过程中，为了方便研发人员对上述修正记性可视化研究，故而设置测定值在预设范围内的坐标的变化按预设图表进行展示。
44.在本发明的一些实施例中，将商品的评论信息进行观点提取，同时进行观点极性分析的步骤包括：对商品的评论信息进行语义识别，提前预设语义类型，根据语义类型将识别的语义进行分类，分类后的内容生成分布信息。
45.在本发明的一些实施例中，分别得到对应的商品信息和商品关联信息后的步骤还包括：预设训练样本前置的训练条件，若商品信息和商品关联信息符合训练条件，则输入至机器学习模型；反之，则重新选择商品信息和商品关联信息。
46.对于训练前还需要对符合商品要求的内容进行筛选，以避免训练学习过程中出现将不必要数据引入，从而避免导致结果出现偏差。
47.在本发明的一些实施例中，获取商品以及商品的关联数据的步骤包括：通过大数
据etl技术获取商品以及商品的关联数据。
48.在本发明的一些实施例中，还包括预设结果模板，占比和预测结果根据结果模板的格式进行输出。
49.实施例2
50.请参阅图4，为本发明提供的一种商品评论观点分布的预测系统，包括信息收集处理模块1，用于获取商品以及商品的关联数据，将商品的文本特征、图片特征、参数特征分别进行提取并进行向量化转换，分别得到对应的商品信息和商品关联信息；评论观点分布模块2，用于将商品的评论信息进行观点提取，同时进行观点极性分析，统计观点和观点极性的分布信息；机器学习模块3，用于预设机器学习模型；将商品信息、商品关联信息和分布信息内包含的向量带入机器学习模型进行训练，得到商品信息、商品关联信息和分布信息之间的关联信息，输出关联信息对应的回归模型；结果模块4，用于将待判断的商品信息和商品关联信息对应的向量，带入回归模型中进行计算；生成不同观点标签正负向情感对应概率值的预测结果，以及任一观点在预设数量的评论中的占比。
51.实施例3
52.请参阅图5，为本发明提供的一种电子设备，包括至少一个处理器5、至少一个存储器6和数据总线7；其中：处理器5与存储器6通过数据总线7完成相互间的通信；存储器6存储有可被处理器5执行的程序指令，处理器5调用程序指令以执行一种商品评论观点分布的预测方法。例如实现：
53.获取商品以及商品的关联数据，将商品的文本特征、图片特征、参数特征分别进行提取并进行向量化转换，分别得到对应的商品信息和商品关联信息；将商品的评论信息进行观点提取，同时进行观点极性分析，统计观点和观点极性的分布信息；预设机器学习模型；将商品信息、商品关联信息和分布信息内包含的向量带入机器学习模型进行训练，得到商品信息、商品关联信息和分布信息之间的关联信息，输出关联信息对应的回归模型；将待判断的商品信息和商品关联信息对应的向量，带入回归模型中进行计算；生成不同观点标签正负向情感对应概率值的预测结果，以及任一观点在预设数量的评论中的占比。
54.实施例4
55.本发明提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器5执行时实现一种商品评论观点分布的预测方法。例如实现：
56.获取商品以及商品的关联数据，将商品的文本特征、图片特征、参数特征分别进行提取并进行向量化转换，分别得到对应的商品信息和商品关联信息；将商品的评论信息进行观点提取，同时进行观点极性分析，统计观点和观点极性的分布信息；预设机器学习模型；将商品信息、商品关联信息和分布信息内包含的向量带入机器学习模型进行训练，得到商品信息、商品关联信息和分布信息之间的关联信息，输出关联信息对应的回归模型；将待判断的商品信息和商品关联信息对应的向量，带入回归模型中进行计算；生成不同观点标签正负向情感对应概率值的预测结果，以及任一观点在预设数量的评论中的占比。
57.其中，存储器6可以是但不限于，随机存取存储器(random access memory，ram)，只读存储器(read only memory，rom)，可编程只读存储器(programmable read-only memory，prom)，可擦除只读存储器(erasable programmable read-only memory，eprom)，电可擦除只读存储器(electric erasable programmable read-only memory，eeprom)等。
58.处理器5可以是一种集成电路芯片，具有信号处理能力。该处理器5可以是通用处理器，包括中央处理器(central processing unit，cpu)、网络处理器(network processor，np)等；还可以是数字信号处理器(digital signal processing，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field－programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
59.在本技术所提供的实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本技术的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
60.另外，在本技术各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
61.所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
62.以上所述仅为本技术的优选实施例而已，并不用于限制本技术，对于本领域的技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。
63.对于本领域技术人员而言，显然本技术不限于上述示范性实施例的细节，而且在不背离本技术的精神或基本特征的情况下，能够以其它的具体形式实现本技术。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本技术的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本技术内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。