CN105824915A - 一种网购产品评论文摘生成方法及系统 - Google Patents

Abstract

本申请公开了一种网购产品评论文摘生成方法及系统，该方法包括：获取用户输入的搜索关键词；利用搜索关键词，对产品评论数据库进行检索，得到相应的评论句子集；按照句子重要度从大到小的顺序，对评论句子集中的评论句子进行依次选中，并且若当前选中的评论句子符合预设筛选原则，则将该评论句子添加到评论文摘，直到评论文摘中所有评论句子的总长度达到预设长度要求；其中，预设筛选原则为，若当前选中的评论句子与已添加到评论文摘的所有评论句子之间的相似度均未大于预设相似度阈值，则判定当前选中的评论句子符合预设筛选原则。本申请能够得到一份冗余度低、全面并且篇幅较短的评论文摘，由此确保了消费者可对产品信息进行快速全面地了解。

Description

一种网购产品评论文摘生成方法及系统

技术领域

本发明涉及电子商务技术领域，特别涉及一种网购产品评论文摘生成方法及系统。

背景技术

当前，随着电子商务的快速发展，人们越来越关注商品的优劣问题，网上用户评论这一功能应运而生，如亚马逊、淘宝、京东商城等都开放用户评论。接着，评论类的网站也相继问世，如大众点评网、口碑网、豆瓣网等。这些都是新型的电子商务服务类网站，贴合消费者的需求，为消费者提供了消息的参考和借鉴。

由此，互联网产生了大量的用户生成数据。对于流行的产品，评论数成千上万，人们不得不花费很多的精力从中寻找有用的信息。在这成千上万的对于同一产品的评价中，多数评价不仅含有重复的信息，而且含有不相关的无用信息。面对如此多的众说纷纭、信息繁杂的产品评论，人们阅读起来费时费力。

综上所述可以看出，如何确保消费者能够从众多产品评论中对产品信息进行快速全面地了解是目前亟待解决的问题。

发明内容

有鉴于此，本发明的目的在于提供一种网购产品评论文摘生成方法及系统，确保了消费者能够从众多产品评论中对产品信息进行快速全面地了解。其具体方案如下：

一种网购产品评论文摘生成方法，包括：

获取用户输入的搜索关键词；利用所述搜索关键词，对产品评论数据库进行检索，得到相应的评论句子集；

按照句子重要度从大到小的顺序，对所述评论句子集中的评论句子进行依次选中，并且若当前选中的评论句子符合预设筛选原则，则将该评论句子添加到评论文摘，直到评论文摘中所有评论句子的总长度达到预设长度要求；

其中，所述预设筛选原则为，若当前选中的评论句子与已添加到评论文摘的所有评论句子之间的相似度均未大于预设相似度阈值，则判定当前选中的评论句子符合所述预设筛选原则。

优选的，所述若当前选中的评论句子符合预设筛选原则，则将该评论句子添加到评论文摘的过程，包括：

基于最大边缘相关算法，计算当前选中的评论句子与当前已添加到评论文摘中的每一评论句子之间的相似度；

若计算得到的所有相似度均未大于所述预设相似度阈值，则将当前选中的评论句子添加到评论文摘。

优选的，所述基于最大边缘相关算法，计算当前选中的评论句子与当前已添加到评论文摘中的每一评论句子之间的相似度的过程，包括：

将基于翻译概率确定的相似度优化项添加到所述最大边缘相关算法，以对所述最大边缘相关算法进行优化，得到优化后的最大边缘相关算法；

利用所述优化后的最大边缘相关算法，计算当前选中的评论句子与当前已添加到评论文摘中的每一评论句子之间的相似度；

其中，基于翻译概率确定的相似度优化项用于计算任意两段评论句子之间的翻译概率，并且任意两段句子之间的翻译概率与该两段句子之间的相似度成正相关关系。

优选的，所述计算任意两段评论句子之间的翻译概率的过程，包括：

计算该两段评论句子中后一段评论句子的产品属性词与前一段评论句子的用户观点词之间的修饰程度，或者，计算后一段评论句子的用户观点词与前一段评论句子的产品属性词之间的修饰程度；

其中，修饰程度用于表征任意产品属性词与用户观点词之间存在修饰关系的可能性大小。

优选的，所述方法，还包括：

在对所述评论句子集中的评论句子进行选中之前，采用支持向量机回归模型和三组结构特征，对所述评论句子集中每一评论句子的重要度进行预测；其中，所述三组结构特征包括评论句子的长度特征、评论句子的词频-逆文档频率特征以及消费者对评论句子的认可度。

本发明还公开了一种网购产品评论文摘生成系统，包括：

关键词获取模块，用于获取用户输入的搜索关键词；

检索模块，用于利用所述搜索关键词，对产品评论数据库进行检索，得到相应的评论句子集；

文摘生成模块，用于按照句子重要度从大到小的顺序，对所述评论句子集中的评论句子进行依次选中，并且若当前选中的评论句子符合预设筛选原则，则将该评论句子添加到评论文摘，直到评论文摘中所有评论句子的总长度达到预设长度要求；

其中，所述预设筛选原则为，若当前选中的评论句子与已添加到评论文摘的所有评论句子之间的相似度均未大于预设相似度阈值，则判定当前选中的评论句子符合所述预设筛选原则。

优选的，所述文摘生成模块包括：

句子选取器，用于按照句子重要度从大到小的顺序，对所述评论句子集中的评论句子进行依次选中；

相似度计算器，用于基于最大边缘相关算法，计算当前选中的评论句子与当前已添加到评论文摘中的每一评论句子之间的相似度；

文摘生成器，用于当所述相似度计算器计算得到的所有相似度均未大于所述预设相似度阈值，则将当前选中的评论句子添加到评论文摘。

优选的，所述相似度计算器包括：

算法优化单元，用于将基于翻译概率确定的相似度优化项添加到所述最大边缘相关算法，以对所述最大边缘相关算法进行优化，得到优化后的最大边缘相关算法；

相似度计算单元，用于利用所述优化后的最大边缘相关算法，计算当前选中的评论句子与当前已添加到评论文摘中的每一评论句子之间的相似度；

其中，基于翻译概率确定的相似度优化项用于计算任意两段评论句子之间的翻译概率，并且任意两段句子之间的翻译概率与该两段句子之间的相似度成正相关关系。

优选的，所述系统，还包括：

重要度预测模块，用于在对所述评论句子集中的评论句子进行选中之前，采用支持向量机回归模型和三组结构特征，对所述评论句子集中每一评论句子的重要度进行预测；其中，所述三组结构特征包括评论句子的长度特征、评论句子的词频-逆文档频率特征以及消费者对评论句子的认可度。

本发明中，网购产品评论文摘生成方法，包括获取用户输入的搜索关键词；利用搜索关键词，对产品评论数据库进行检索，得到相应的评论句子集；按照句子重要度从大到小的顺序，对评论句子集中的评论句子进行依次选中，并且若当前选中的评论句子符合预设筛选原则，则将该评论句子添加到评论文摘，直到评论文摘中所有评论句子的总长度达到预设长度要求；其中，预设筛选原则为，若当前选中的评论句子与已添加到评论文摘的所有评论句子之间的相似度均未大于预设相似度阈值，则判定当前选中的评论句子符合预设筛选原则。可见，本发明先利用搜索关键词，从产品评论数据库中检索出相应的评论句子，然后基于重要度的大小顺序以及预设筛选原则，从检索到的所有评论句子中筛选出重要的并且冗余度较低的评论句子，接着将这些筛选出的评论句子添加到评论文摘，从而得到一份冗余度低、全面并且篇幅较短的评论文摘，由此确保了消费者能够利用这份评论文摘，在众多产品评论中对产品信息进行快速全面地了解。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，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，还可以根据提供的附图获得其他的附图。

图1为本发明实施例公开的一种网购产品评论文摘生成方法流程图；

图2为本发明实施例公开的一种网购产品评论文摘生成系统结构示意图；

图3为本发明实施例公开的一种具体的网购产品评论文摘生成系统结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例公开了一种网购产品评论文摘生成方法，参见图1所示，该方法包括：

步骤S11：获取用户输入的搜索关键词。

可以理解的是，本发明实施例可以在网购产品的评论界面上设置搜索框，利用该搜索框获取用户输入的搜索关键词，也可以在评论界面上设置多个与该网购产品的特性相关的词语或短句，然后将用户选中的某些词语或短句作为搜索关键词。其中，上述搜索关键词可以是一个或多个独立的词，也可以是一小段的查询语句。

步骤S12：利用搜索关键词，对产品评论数据库进行检索，得到相应的评论句子集。

其中，上述产品评论数据库是指消费者针对同一种网购产品发布的产品评论。

步骤S13：按照句子重要度从大到小的顺序，对评论句子集中的评论句子进行依次选中，并且若当前选中的评论句子符合预设筛选原则，则将该评论句子添加到评论文摘，直到评论文摘中所有评论句子的总长度达到预设长度要求；

其中，预设筛选原则为，若当前选中的评论句子与已添加到评论文摘的所有评论句子之间的相似度均未大于预设相似度阈值，则判定当前选中的评论句子符合预设筛选原则。

另外，上述预设长度要求通常是指文摘字数的要求，在得到最终的评论文摘后，需对该评论文摘进行输出，以便用户查看。

需要说明的是，两个句子之间的相似度越高，说明这两个句子之间所表达的意思较为相近，为了减少评论文摘最终的冗余度，本发明实施例将两个较为相似的句子中重要度较高的一个句子添加到评论文摘，从而一方面确保了评论文摘的信息更加准确有效，另一方面确保了评论文摘更加精简。

本发明实施例中，在对评论句子集中的评论句子进行选中之前，采用支持向量机回归模型和三组结构特征，对评论句子集中每一评论句子的重要度进行预测；其中，三组结构特征包括评论句子的长度特征、评论句子的词频-逆文档频率特征以及消费者对评论句子的认可度。其中，优选的，可在用户输入搜索关键词之前，便利用系统空闲时间对评论数据库中已有的评论句子进行重要度预测。

可见，本发明实施例先利用搜索关键词，从产品评论数据库中检索出相应的评论句子，然后基于重要度的大小顺序以及预设筛选原则，从检索到的所有评论句子中筛选出重要的并且冗余度较低的评论句子，接着将这些筛选出的评论句子添加到评论文摘，从而得到一份冗余度低、全面并且篇幅较短的评论文摘，由此确保了消费者能够利用这份评论文摘，在众多产品评论中对产品信息进行快速全面地了解。

本发明实施例公开了一种具体的网购产品评论文摘生成方法，相对于上一实施例，本实施例对技术方案作了进一步的说明和优化。具体的：

在上一实施例步骤S13中，若当前选中的评论句子符合预设筛选原则，则将该评论句子添加到评论文摘的过程，包括：

步骤S131：基于最大边缘相关算法(即MaximalMarginalRelevance)，计算当前选中的评论句子与当前已添加到评论文摘中的每一评论句子之间的相似度；

步骤S132：若计算得到的所有相似度均未大于预设相似度阈值，则将当前选中的评论句子添加到评论文摘。

在上述步骤S131中，基于最大边缘相关算法，计算当前选中的评论句子与当前已添加到评论文摘中的每一评论句子之间的相似度的过程，包括：

步骤S1311：将基于翻译概率确定的相似度优化项添加到最大边缘相关算法，以对最大边缘相关算法进行优化，得到优化后的最大边缘相关算法；

步骤S1312：利用优化后的最大边缘相关算法，计算当前选中的评论句子与当前已添加到评论文摘中的每一评论句子之间的相似度；

其中，基于翻译概率确定的相似度优化项用于计算任意两段评论句子之间的翻译概率，并且任意两段句子之间的翻译概率与该两段句子之间的相似度成正相关关系。

需要说明的是，上述所谓的翻译概率是指两个句子中的词语之间的修饰程度。

另外，计算任意两段评论句子之间的翻译概率的过程，具体包括：计算该两段评论句子中后一段评论句子的产品属性词与前一段评论句子的用户观点词之间的修饰程度，或者，计算后一段评论句子的用户观点词与前一段评论句子的产品属性词之间的修饰程度；

其中，修饰程度用于表征任意产品属性词与用户观点词之间存在修饰关系的可能性大小。例如，假设great和batterylife的翻译概率为0.00950836，当前选中的评论句子是“Thebatterylifeisimpressive”，已添加到评论文摘的评论句子为“Anothergreatthingwasthebatterylife”，由于前一句中的batterylife和后一句中的great存在0.00950836的翻译概率，即这两个词之间存在一定的修饰关系，就加大这两个句子的相似度。

本发明实施例还公开了一种网购产品评论文摘生成系统，参见图2所示，该系统包括：

关键词获取模块21，用于获取用户输入的搜索关键词；

检索模块22，用于利用搜索关键词，对产品评论数据库进行检索，得到相应的评论句子集；

文摘生成模块23，用于按照句子重要度从大到小的顺序，对评论句子集中的评论句子进行依次选中，并且若当前选中的评论句子符合预设筛选原则，则将该评论句子添加到评论文摘，直到评论文摘中所有评论句子的总长度达到预设长度要求；

其中，预设筛选原则为，若当前选中的评论句子与已添加到评论文摘的所有评论句子之间的相似度均未大于预设相似度阈值，则判定当前选中的评论句子符合预设筛选原则。

参见图3所示，上述文摘生成模块23具体包括句子选取器231、相似度计算器232和文摘生成器233；其中，

句子选取器231，用于按照句子重要度从大到小的顺序，对评论句子集中的评论句子进行依次选中；

相似度计算器232，用于基于最大边缘相关算法，计算当前选中的评论句子与当前已添加到评论文摘中的每一评论句子之间的相似度；

文摘生成器233，用于当相似度计算器232计算得到的所有相似度均未大于预设相似度阈值，则将当前选中的评论句子添加到评论文摘。

进一步的，上述相似度计算器232具体包括算法优化单元2321和相似度计算单元2322；其中，

算法优化单元2321，用于将基于翻译概率确定的相似度优化项添加到最大边缘相关算法，以对最大边缘相关算法进行优化，得到优化后的最大边缘相关算法；

相似度计算单元2322，用于利用优化后的最大边缘相关算法，计算当前选中的评论句子与当前已添加到评论文摘中的每一评论句子之间的相似度；

其中，基于翻译概率确定的相似度优化项用于计算任意两段评论句子之间的翻译概率，并且任意两段句子之间的翻译概率与该两段句子之间的相似度成正相关关系。

另外，上述计算任意两段评论句子之间的翻译概率的过程具体为：计算该两段评论句子中后一段评论句子的产品属性词与前一段评论句子的用户观点词之间的修饰程度，或者，计算后一段评论句子的用户观点词与前一段评论句子的产品属性词之间的修饰程度；其中，修饰程度用于表征任意产品属性词与用户观点词之间存在修饰关系的可能性大小。

本发明实施例中的系统，还可以进一步包括：

重要度预测模块，用于在对评论句子集中的评论句子进行选中之前，采用支持向量机回归模型和三组结构特征，对评论句子集中每一评论句子的重要度进行预测；其中，三组结构特征包括评论句子的长度特征、评论句子的词频-逆文档频率特征以及消费者对评论句子的认可度。

可见，本发明实施例先利用搜索关键词，从产品评论数据库中检索出相应的评论句子，然后基于重要度的大小顺序以及预设筛选原则，从检索到的所有评论句子中筛选出重要的并且冗余度较低的评论句子，接着将这些筛选出的评论句子添加到评论文摘，从而得到一份冗余度低、全面并且篇幅较短的评论文摘，由此确保了消费者能够利用这份评论文摘，在众多产品评论中对产品信息进行快速全面地了解。

最后，还需要说明的是，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。

以上对本发明所提供的一种网购产品评论文摘生成方法及系统进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (9)

1.一种网购产品评论文摘生成方法，其特征在于，包括：

获取用户输入的搜索关键词；利用所述搜索关键词，对产品评论数据库进行检索，得到相应的评论句子集；

按照句子重要度从大到小的顺序，对所述评论句子集中的评论句子进行依次选中，并且若当前选中的评论句子符合预设筛选原则，则将该评论句子添加到评论文摘，直到评论文摘中所有评论句子的总长度达到预设长度要求；

其中，所述预设筛选原则为，若当前选中的评论句子与已添加到评论文摘的所有评论句子之间的相似度均未大于预设相似度阈值，则判定当前选中的评论句子符合所述预设筛选原则。

2.根据权利要求1所述的网购产品评论文摘生成方法，其特征在于，所述若当前选中的评论句子符合预设筛选原则，则将该评论句子添加到评论文摘的过程，包括：

基于最大边缘相关算法，计算当前选中的评论句子与当前已添加到评论文摘中的每一评论句子之间的相似度；

若计算得到的所有相似度均未大于所述预设相似度阈值，则将当前选中的评论句子添加到评论文摘。

3.根据权利要求2所述的网购产品评论文摘生成方法，其特征在于，所述基于最大边缘相关算法，计算当前选中的评论句子与当前已添加到评论文摘中的每一评论句子之间的相似度的过程，包括：

将基于翻译概率确定的相似度优化项添加到所述最大边缘相关算法，以对所述最大边缘相关算法进行优化，得到优化后的最大边缘相关算法；

利用所述优化后的最大边缘相关算法，计算当前选中的评论句子与当前已添加到评论文摘中的每一评论句子之间的相似度；

其中，基于翻译概率确定的相似度优化项用于计算任意两段评论句子之间的翻译概率，并且任意两段句子之间的翻译概率与该两段句子之间的相似度成正相关关系。

4.根据权利要求3所述的网购产品评论文摘生成方法，其特征在于，所述计算任意两段评论句子之间的翻译概率的过程，包括：

计算该两段评论句子中后一段评论句子的产品属性词与前一段评论句子的用户观点词之间的修饰程度，或者，计算后一段评论句子的用户观点词与前一段评论句子的产品属性词之间的修饰程度；

其中，修饰程度用于表征任意产品属性词与用户观点词之间存在修饰关系的可能性大小。

5.根据权利要求1至4任一项所述的网购产品评论文摘生成方法，其特征在于，还包括：

在对所述评论句子集中的评论句子进行选中之前，采用支持向量机回归模型和三组结构特征，对所述评论句子集中每一评论句子的重要度进行预测；其中，所述三组结构特征包括评论句子的长度特征、评论句子的词频-逆文档频率特征以及消费者对评论句子的认可度。

6.一种网购产品评论文摘生成系统，其特征在于，包括：

关键词获取模块，用于获取用户输入的搜索关键词；

检索模块，用于利用所述搜索关键词，对产品评论数据库进行检索，得到相应的评论句子集；

文摘生成模块，用于按照句子重要度从大到小的顺序，对所述评论句子集中的评论句子进行依次选中，并且若当前选中的评论句子符合预设筛选原则，则将该评论句子添加到评论文摘，直到评论文摘中所有评论句子的总长度达到预设长度要求；

其中，所述预设筛选原则为，若当前选中的评论句子与已添加到评论文摘的所有评论句子之间的相似度均未大于预设相似度阈值，则判定当前选中的评论句子符合所述预设筛选原则。

7.根据权利要求6所述的网购产品评论文摘生成系统，其特征在于，所述文摘生成模块包括：

句子选取器，用于按照句子重要度从大到小的顺序，对所述评论句子集中的评论句子进行依次选中；

相似度计算器，用于基于最大边缘相关算法，计算当前选中的评论句子与当前已添加到评论文摘中的每一评论句子之间的相似度；

文摘生成器，用于当所述相似度计算器计算得到的所有相似度均未大于所述预设相似度阈值，则将当前选中的评论句子添加到评论文摘。

8.根据权利要求7所述的网购产品评论文摘生成系统，其特征在于，所述相似度计算器包括：

算法优化单元，用于将基于翻译概率确定的相似度优化项添加到所述最大边缘相关算法，以对所述最大边缘相关算法进行优化，得到优化后的最大边缘相关算法；

相似度计算单元，用于利用所述优化后的最大边缘相关算法，计算当前选中的评论句子与当前已添加到评论文摘中的每一评论句子之间的相似度；

其中，基于翻译概率确定的相似度优化项用于计算任意两段评论句子之间的翻译概率，并且任意两段句子之间的翻译概率与该两段句子之间的相似度成正相关关系。

9.根据权利要求6至8任一项所述的网购产品评论文摘生成系统，其特征在于，还包括：

重要度预测模块，用于在对所述评论句子集中的评论句子进行选中之前，采用支持向量机回归模型和三组结构特征，对所述评论句子集中每一评论句子的重要度进行预测；其中，所述三组结构特征包括评论句子的长度特征、评论句子的词频-逆文档频率特征以及消费者对评论句子的认可度。