CN103778235A - 一种处理商品评价信息的方法和装置 - Google Patents

Abstract

本发明提供一种处理商品评价信息的方法和装置，有助于尽可能地将参考价值较高的评价排在前面。本发明的处理商品评价信息的方法包括：对于当前商品的评价信息，根据预设的选择方式，从以下8项中选择两个以上维度：用户打分，用户晒单，用户信用等级，评价发表时间，机器学习打分，分词数量打分，词典包含，用户有用数；根据所述评价信息的内容计算所选维度的值并对这些值求和；按照求出的和的数值大小确定所述评价信息的呈现位置。

Description

一种处理商品评价信息的方法和装置

技术领域

本发明涉及计算机网络技术领域，特别地涉及一种处理商品评价信息的方法和装置。

背景技术

一个商品的评价信息指的是购买用户在购买该商品之后，对该商品的质量、外观、服务、物流及售后等各个方面或多或少的主客观评价。这些评价对商品后续的销售将产生较大的影响。相比于传统的零售行业，电子商务的商品评价信息都毫无保留的展现给整个互联网用户。一个用户购买商品之后，将会对该商品进行正面或者负面的评价，同时网站将评价信息展示到相应的电商网站商品详情页下，以供其他购买用户参考。

当一个商品购买的用户数很多时，将产生大量针对该商品的评价信息，这就引入了评价排序与页面展示的问题。例如一个商品有10000条评价信息，网站将决定这10000条信息如何展示在网站上，以供购买用户参考。

现有的评价信息排序技术方案举例如下：

（1）按照时间维度排序：一个商品的所有评价信息按照发表时间从最新时间到最晚时间从前到后排序，前端页面展示按最新时间从第一页到最后一页排序。

（2）按照用户信用等级排序：一个商品的评价信息按照每个发表评价的用户信用等级，从高到低排序，前端页面展示按信用等级高的从第一页到最后一页排序。

（3）按照用户对评价信息的“有用”点击数排序：一个商品的所有评价信息展示在商品详情页下，用户在购买商品浏览该评价时，可以对该评价的有用与否进行判定，如果认为有用，就点击“有用”。每个评价信息都有一个有用数累加值，评价信息按照有用数，从高到低排序，前端页面展示按有用数高的从第一页到最后一页排序。

因为用户浏览评价信息时，通常只看前面的若干条，因此对于评价信息的排序，最好是将参考价值较高的评价排在前面，以上的（1）、（2）两种方式没有考虑到这一点。对于上述的第（3）种方式，由于用户只看前若干条评价信息，所以只有前若干条评价信息被用户考虑是否有用，具有局限性。

发明内容

有鉴于此，本发明提供一种处理商品评价信息的方法和装置，有助于尽可能地将参考价值较高的评价排在前面。

为实现上述目的，根据本发明的一个方面，提供了一种处理商品评价信息的方法。

本发明的处理商品评价信息的方法包括：对于当前商品的评价信息，根据预设的选择方式，从以下8项中选择两个以上维度：用户打分，用户晒单，用户信用等级，评价发表时间，机器学习打分，分词数量打分，词典包含，用户有用数；根据所述评价信息的内容计算所选维度的值并对这些值求和；按照求出的和的数值大小确定所述评价信息的呈现位置。

可选地，每个所述维度的值为该维度的当前值与预设的该维度的基准值的商，使各个所述维度的值介于相同的数值区间内。

可选地，从所述8项中选择两个以上维度时，选择所有所述维度。

可选地，所述当前商品的评价信息是当前收到的当前商品的一条评价信息；所述呈现位置是所述一条评价信息在所述当前商品的已确定呈现位置的多个评价信息中所处的位置。

可选地，所述当前商品的评价信息是当前商品的多条评价信息；所述呈现位置是所述所有评价信息在呈现时的先后位置。

根据本发明的另一方面，提供了一种处理商品评价信息的装置。

本发明的处理商品评价信息的装置包括：配置模块，用于记录需从以下8项中选择的两个以上维度：用户打分，用户晒单，用户信用等级，评价发表时间，机器学习打分，分词数量打分，词典包含，用户有用数；计算模块，用于根据当前商品的评价信息的内容计算所述配置模块记录的维度的值并对这些值求和；位置模块，用于按照求出的和的数值大小确定所述评价信息的呈现位置。

可选地，每个所述维度的值为该维度的当前值与预设的该维度的基准值的商，使各个所述维度的值介于相同的数值区间内。

可选地，所述配置模块还用于将所述8项中的所有维度作为记录的默认值。

可选地，还包括接收模块，用于接收当前商品的一条评价信息；所述计算模块还用于将所述接收模块接收的评价信息作为所述当前商品的评价信息；所述位置模块还用于按照求出的和的数值大小确定所述评价信息在所述当前商品的已确定呈现位置的多个评价信息中所处的位置。

可选地，还包括读取模块，用于读取当前商品的多条评价信息；所述计算模块还用于将当前商品的所有评价信息作为所述当前商品的评价信息；所述位置模块还用于按照求出的和的数值大小确定所述当前商品的所有评价信息在呈现时的先后位置。

根据本发明的技术方案，本实施例中选取的各个维度在实际应用中都能从客观角度较好地体现评价信息在一个方面的参考价值，从选择的多个维度对商品的评价信息进行考察，形成多个方面的综合考虑，更能够比较全面地衡量评价信息的参考价值。

附图说明

附图用于更好地理解本发明，不构成对本发明的不当限定。其中：

图1是根据本发明实施例的处理商品评价信息的方法的基本步骤的示意图；

图2是根据本发明实施例的处理商品评价信息的装置的基本结构的示意图。

具体实施方式

以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

本发明实施例中的处理商品评价信息的方法可由电子商务的服务器来执行。图1是根据本发明实施例的处理商品评价信息的方法的基本步骤的示意图。如图1所示，本发明实施例的处理商品评价信息的方法基本包括如下的步骤S11至步骤S15。

步骤S11：获取当前商品的评价信息。一件商品，即某一个型号的商品，其评价信息一般有多条，并且不断地有用户使用终端设备通过互联网发送新的评价信息。可以读取已经收到的多条评价信息，确定在呈现这些商品评价信息时的先后顺序。也可以对当前收到的对当前商品的一条评价信息进行处理，确定其插入到已排序的该商品的多个评价信息中的位置。

步骤S12：选择维度。本实施例中，预先设定有多条维度，根据商品的属性，选择其中的两条或更多的维度，各个维度反映了商品评价信息的参考价值的一个维度的量值，也就是说从多个角度来衡量商品评价信息的参考价值。

本实施例中预先设定如下8条维度：用户打分，用户晒单，用户信用等级，评价发表时间，机器学习打分，分词数量打分，词典包含，用户有用数。以下对这些维度逐一加以说明。

维度一：用户打分。用户评价商品的时候进行打分。可按页面的提示直接输入或选择所打分数，例如打分范围为1至5分，最高分为5分，页面上呈现五个星号，用户点击第几个星号则表示打几分。点击的星号越靠后，表示该用户对这个商品有越高的好评度，即好评度与打出的分数成正比关系。定义一个基准值A0，其值为最高分，这样维度一的得分A即为A1与A0的比值（记为A1/A0，以下各维度类似），其中A1为用户打出的分数，并满足1≤A1≤A0。

维度二：用户晒单。每个用户购买完商品之后可以进行晒单。晒单包括添加商品评价的文字和上传晒单图片。晒单图片是指用户拿到购买的商品之后，使用照相设备，对商品的外观、包装、说明书、发票等任何和本商品有关的实物拍摄照片并上传到服务器，最终呈现在网页的商品评价内容中。晒单图片数量由用户自己确定，可以是为1个或者多个，可定义一个最大数目，以免占用服务器等设备的过多的存储资源。晒单照片通常能够直观的反映商品购买的真实性并有助于体现商品本身的质量，所以用户晒单维度的值与晒单数成正比关系。定义一个基准值B0，其值可以是系统定义的晒单照片最大数，这样维度二的值即为B1/B0，其中B1为用户提供的晒单图片的数目，并满足0≤B1≤B0。

维度三：用户信用等级。每个用户在一个电商网站都有一个对应的信用等级，例如用户等级分为1至6级。信用等级通常和商品评价的参考价值是成正比的，用户等级越高，它发表的评价对他人的购买参考价值越大。定义一个基准值C0，其值为用户最高等级，这样维度三的值即为C1/C0，其中C1为用户的信用等级，并满足0≤C1≤C0。

维度四：发表时间。一个商品详情页下的每个评价都有一个发表时间，对于许多商品，该发表时间对于评价的价值性比较重要，例如一个商品不同的批次具备不同的特点，在第一批次商品下发表的评价，对于第二批次的商品可能是无效的。所以评价时间与当前时间的距离与得分高低成反比，即时间越近得分越高，以天为单位，可定义基准值D0，并且D0天以外的商品评价不再参与呈现，评价时间距当前时间的距离绝对值为D1，这样维度四的值即为-D1/D0，并满足0≤D1≤D0。

维度五：机器学习打分。该模块使用了SVM（支持向量机）模式识别来处理，可采用回归的开源软件包LIBSVM实现。主要步骤分为如下几步：第一步，人工语料（商品评价、标签等）标注打分，建立训练集。第二步，使用LIBSVM对第一步产生训练集建立数学模型。第三步，利用建立的数学模型对评价进行回归预测打分。例如采用下面三个评价作为训练集（实际的训练集包含的评价数一般远大于3）：

评价一：很好的产品，质量好，声音清晰，不错的购物，物流超快。标注得分：3

评价二：声音清晰，就是铃声选择少。标注得分：2

评价三：声音有点小。标注得分：1

上述三个评价的人工标注得分为3、2、1，即越全面的评价，得分越高。将上述三个标记的语料按照LIBSVM的要求输入格式作为标注好的训练集输入，进行训练生成模型。然后利用该模型，对新的商品评价进行回归预测，预测值范围为0至3分。可定义基准值E0为预测值范围的最大值，这样维度五的值即为E1/E0，其中E1为预测值，并满足0≤E1≤E0。

维度六：分词数量打分。一个商品评价的信息含量通常和描述的词数成正比关系，这些词数指的是不重复的词数，即分词之后多次出现的相同词只算做一次。也就是说，如果一条商品评价包含较多的重复词句，或者词句较少，那么其参考价值相对较低，反之如果商品评价使用了比较丰富的词汇，那么就认为其对商品作出相当充分的描述和形容，因此参考价值较高。评价信息在进行分词之后，词数是不确定的，可以预估一个范围，如分词数为1至100，数量越大打分越高。可设定一个最大值，例如100，当分词数大于100时，分词数按100计算。可定义基准值F0为该最大值，评价信息的分词数为F1，这样维度六的值即为F1/F0，并满足0≤F1≤F0。

维度七：词典包含。机器学习打分是基于统计的打分，其学习能力很大的程序依赖于训练集，但是训练集无法全面的标注，而人工建立词典有助于解决这个问题。人工根据经验并通过查看评价语料分析选出一些优质的评价包含的重要关键词，然后加入词典。对于一个待打分的商品评价，通过判断是否包含该词典的词来进行打分。分值范围定义为0或者1，如果包含就为1，反之为0。这样维度七的值G即为0或1。

维度八：用户有用数。针对商品已有的评价，浏览商品评价的用户可以对该评价有用与否进行判定，如果认为有用，则点击网页中的“有用”按钮，所有每个评价都保存了“有用”数累加值。该“有用”数范围大于或等于0。可根据实际情况或经验确定一个最大值作为基准值，记为H0，商品评价的当前“有用”数为H1，满足0≤H1≤H0，这样维度八的值即为H1/H0。

在上述各个维度中，因为各维度的度量值的范围的差异，因此对其作了标准化，即采用了度量值和基准值之比的方式使各维度的值都在[0,1]内。当然如果选择的几个维度的度量值相差不大，例如维度一和维度三，也可以直接使用度量值。在步骤S12中，可以从上述的多个维度中选择，最好的方式是选择所有维度，以求尽可能全面地考察商品评价信息的参考价值。

步骤S13：根据步骤S11中获取的评价信息的内容，计算步骤S12中所选维度的值。

步骤S14：对步骤S13中得到的多个值求和，得到该评价信息的值。

步骤S15：根据步骤S14中求出的和的数值的大小确定评价信息的呈现位置。如果是一条评价信息，则将其与已排序的多个评价信息的值相比较从而确定该一条评价信息的插入位置。如果是多条评价信息则对该多条评价信息的值按大小排序。在终端设备通过网页浏览器输出时按照值越大越向前排的方式呈现这些评价信息。向终端设备输出评价信息数据时，包含评价信息呈现位置的数据。

以下对本发明实施例中的处理商品评价信息的装置做出说明。该装置可以设置在电子商务的服务器中。图2是根据本发明实施例的处理商品评价信息的装置的基本结构的示意图。如图2所示，本发明实施例的处理商品评价信息的装置20主要包括配置模块21、计算模块22、以及位置模块23。

配置模块21用于记录需从以下8项中选择的两个以上维度：用户打分，用户晒单，用户信用等级，评价发表时间，机器学习打分，分词数量打分，词典包含，用户有用数。计算模块22用于根据当前商品的评价信息的内容计算配置模块21记录的维度的值并对这些值求和。位置模块23用于按照求出的和的数值大小确定评价信息的呈现位置。配置模块21还可用于将上述8项中的所有维度作为记录的默认值。

处理商品评价信息的装置20还可包括接收模块（图中未示出），该接收模块用于接收当前商品的一条评价信息；这样，计算模块22还可用于将接收模块接收的评价信息作为当前商品的评价信息；并且位置模块23还可用于按照求出的和的数值大小确定评价信息在当前商品的已确定呈现位置的多个评价信息中所处的位置。

处理商品评价信息的装置20还可包括读取模块（图中未示出），该读取模块用于读取当前商品的多条评价信息；这样，计算模块22还可用于将当前商品的所有评价信息作为当前商品的评价信息；并且位置模块23还可用于按照求出的和的数值大小确定当前商品的所有评价信息在呈现时的先后位置。

根据本发明实施例的技术方案，本实施例中选取的各个维度在实际应用中都能从客观角度较好地体现评价信息在一个方面的参考价值，从选择的多个维度对商品的评价信息进行考察，形成多个方面的综合考虑，更能够比较全面地衡量评价信息的参考价值。

以上结合具体实施例描述了本发明的基本原理，但是，需要指出的是，对本领域的普通技术人员而言，能够理解本发明的方法和设备的全部或者任何步骤或者部件，可以在任何计算装置（包括处理器、存储介质等）或者计算装置的网络中，以硬件、固件、软件或者它们的组合加以实现，这是本领域普通技术人员在阅读了本发明的说明的情况下运用他们的基本编程技能就能实现的。

因此，本发明的目的还可以通过在任何计算装置上运行一个程序或者一组程序来实现。所述计算装置可以是公知的通用装置。因此，本发明的目的也可以仅仅通过提供包含实现所述方法或者装置的程序代码的程序产品来实现。也就是说，这样的程序产品也构成本发明，并且存储有这样的程序产品的存储介质也构成本发明。显然，所述存储介质可以是任何公知的存储介质或者将来开发出的任何存储介质。

还需要指出的是，在本发明的装置和方法中，显然，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。并且，执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行，但是并不需要一定按照时间顺序执行。某些步骤可以并行或彼此独立地执行。

上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (10)

1.一种处理商品评价信息的方法，其特征在于，包括：

对于当前商品的评价信息，根据预设的选择方式，从以下8项中选择两个以上维度：用户打分，用户晒单，用户信用等级，评价发表时间，机器学习打分，分词数量打分，词典包含，用户有用数；

根据所述评价信息的内容计算所选维度的值并对这些值求和；

按照求出的和的数值大小确定所述评价信息的呈现位置。

2.根据权利要求1所述的方法，其特征在于，每个所述维度的值为该维度的当前值与预设的该维度的基准值的商，使各个所述维度的值介于相同的数值区间内。

3.根据权利要求1所述的方法，其特征在于，从所述8项中选择两个以上维度时，选择所有所述维度。

4.根据权利要求1，2或3所述的方法，其特征在于，

所述当前商品的评价信息是当前收到的当前商品的一条评价信息；

所述呈现位置是所述一条评价信息在所述当前商品的已确定呈现位置的多个评价信息中所处的位置。

5.根据权利要求1，2或3所述的方法，其特征在于，

所述当前商品的评价信息是当前商品的多条评价信息；

所述呈现位置是所述所有评价信息在呈现时的先后位置。

6.一种处理商品评价信息的装置，其特征在于，包括：

配置模块，用于记录需从以下8项中选择的两个以上维度：用户打分，用户晒单，用户信用等级，评价发表时间，机器学习打分，分词数量打分，词典包含，用户有用数；

计算模块，用于根据当前商品的评价信息的内容计算所述配置模块记录的维度的值并对这些值求和；

位置模块，用于按照求出的和的数值大小确定所述评价信息的呈现位置。

7.根据权利要求6所述的装置，其特征在于，每个所述维度的值为该维度的当前值与预设的该维度的基准值的商，使各个所述维度的值介于相同的数值区间内。

8.根据权利要求6所述的装置，其特征在于，所述配置模块还用于将所述8项中的所有维度作为记录的默认值。

9.根据权利要求6，7或8所述的装置，其特征在于，

还包括接收模块，用于接收当前商品的一条评价信息；

所述计算模块还用于将所述接收模块接收的评价信息作为所述当前商品的评价信息；

所述位置模块还用于按照求出的和的数值大小确定所述评价信息在所述当前商品的已确定呈现位置的多个评价信息中所处的位置。

10.根据权利要求6，7或8所述的装置，其特征在于，

还包括读取模块，用于读取当前商品的多条评价信息；

所述计算模块还用于将当前商品的所有评价信息作为所述当前商品的评价信息；

所述位置模块还用于按照求出的和的数值大小确定所述当前商品的所有评价信息在呈现时的先后位置。

Images