CN108197106A - 一种基于深度学习的产品竞争分析方法、装置及系统 - Google Patents
一种基于深度学习的产品竞争分析方法、装置及系统 Download PDFInfo
- Publication number
- CN108197106A CN108197106A CN201711469784.2A CN201711469784A CN108197106A CN 108197106 A CN108197106 A CN 108197106A CN 201711469784 A CN201711469784 A CN 201711469784A CN 108197106 A CN108197106 A CN 108197106A
- Authority
- CN
- China
- Prior art keywords
- data
- sample
- deep learning
- sample data
- competition analysis
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/284—Lexical analysis, e.g. tokenisation or collocates
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Educational Administration (AREA)
- Artificial Intelligence (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Machine Translation (AREA)
Abstract
本发明公开了一种基于深度学习的产品竞争分析方法、装置及系统，该方法包括：确定待分析的数据源和抽样规则，抽取样本数据；对所述样本数据进行预处理，将经过预处理的样本数据，输入产品竞争分析模型；输出产品竞争分析信息，所述信息包括：竞争关系、竞争点和用户情感。该方法基于自然语言描述的文本数据的产品竞争分析，与传统的通过进行市场调研的竞争分析方法不同，该发明利用互联网上用户对产品进行评论时，经常会出现不同产品相互提及和相互比较的信息，根据产品竞争分析模型的深度学习算法，从中挖掘出竞争对手、竞争点、以及用户情感。该方法与传统方法相比，更能准确反映出用户真实的感知，从而帮助企业制定更加有效的竞争策略。
Description
技术领域
本发明涉及自然语言处理领域，特别涉及一种基于深度学习的产品竞争分析方法、装置及系统。
背景技术
企业在经营活动中，经常需要通过竞争分析，制定有效的竞争策略，从而在市场竞争中抢占先机。传统的竞争分析方法通常采用手工调研分析的方法，但随着数据消费越来越普遍，用户在互联网上留下了大量关于产品评论的数据，这些数据中包含了用户对于多个产品的对比评价，这些数据对于企业进行竞争分析非常有价值。但同时这些数据大部分都是自然语言描述的文本数据，无法直接进行分析。
发明内容
鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的一种基于深度学习的产品竞争分析方法、装置及系统。
第一方面，本发明提供一种基于深度学习的产品竞争分析方法，包括：确定待分析的数据源和抽样规则，抽取样本数据；
对所述样本数据进行预处理，将经过预处理的样本数据，输入产品竞争分析模型；
输出产品竞争分析信息，所述信息包括：竞争关系、竞争点和用户情感。
在一个实施例中，所述输入产品竞争分析模型通过以下步骤获得：
训练环境数据准备，确定训练数据源和抽样规则，抽取样本数据；
对训练环境抽取的样本数据进行预处理；
对经过预处理的样本数据，进行人工标注；
构建标签体系，对标注后的样本数据确定分析维度；
深度学习训练，利用已经标注好的样本数据进行训练；
确定训练结果是否达到目标值，当训练结果到达目标值时，生成产品竞争分析模型。
在一个实施例中，所述数据进行预处理，包括：
对样本数据按照预设规则进行清洗；
对清洗后的每个样本数据进行分词处理；
对分词处理后的每个样本进行特征抽取。
第二方面，本发明实施例提供一种基于深度学习的产品竞争分析装置，包括：
抽取模块，用于确定待分析的数据源和抽样规则，抽取样本数据；
输入模块，用于对所述样本数据进行预处理，将经过预处理的样本数据，输入产品竞争分析模型；
输出模块，用于输出产品竞争分析信息，所述信息包括：竞争关系、竞争点和用户情感。
在一个实施例中，所述输入模块中的输入产品竞争分析模型通过以下步骤获得：
训练环境数据准备，确定训练数据源和抽样规则，抽取样本数据；
对训练环境抽取的样本数据进行预处理；
对经过预处理的样本数据，进行人工标注；
构建标签体系，对标注后的样本数据确定分析维度；
深度学习训练，利用已经标注好的样本数据进行训练；
确定训练结果是否达到目标值，当训练结果到达目标值时，生成产品竞争分析模型。
在一个实施例中，所述数据进行预处理，包括：
对样本数据按照预设规则进行清洗；
对清洗后的每个样本数据进行分词处理；
对分词处理后的每个样本进行特征抽取。
第三方面，本发明实施例还提供一种基于深度学习的产品竞争分析系统，包括：如上述任一项实施例所述的基于深度学习的产品竞争分析装置。
本发明提供的上述技术方案的有益效果至少包括：
本发明提供的上述一种基于深度学习的产品竞争分析方法、装置及系统，该方法包括：确定待分析的数据源和抽样规则，抽取样本数据；对所述样本数据进行预处理，将经过预处理的样本数据，输入产品竞争分析模型；输出产品竞争分析信息，所述信息包括：竞争关系、竞争点和用户情感。该方法基于自然语言描述的文本数据的产品竞争分析，与传统的通过进行市场调研的竞争分析方法不同，该发明利用互联网上用户对产品进行评论时，经常会出现不同产品相互提及和相互比较的信息，根据产品竞争分析模型的深度学习算法，从中挖掘出竞争对手、竞争点、以及用户情感。该方法与传统方法相比，更能准确反映出用户真实的感知，从而帮助企业制定更加有效的竞争策略。
本发明的其它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可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例提供的基于深度学习的产品竞争分析方法的流程图；
图2为本发明实施例提供的产品竞争分析模型深度学习生成的流程图；
图3为本发明实施例提供的预处理步骤的流程图；
图4为本发明实施例提供的树形标签体系示意图；
图5为本发明实施例提供的基于深度学习的产品竞争分析方法原理流程图；
图6为本发明实施例提供的基于深度学习的产品竞争分析装置的框图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
本发明实施例提供的基于深度学习的产品竞争分析方法，通过对自然语言描述的文本数据的竞争分析，挖掘出竞争信息，参照图1所示，其包括：
S1、确定待分析的数据源和抽样规则，抽取样本数据；
S2、对所述样本数据进行预处理，将经过预处理的样本数据，输入产品竞争分析模型；
S3、输出产品竞争分析信息，所述信息包括：竞争关系、竞争点和用户情感。
其中，步骤S1中待分析的数据源，根据待分析产品的业务需求，获取互联网上相关的数据，比如互联网上留下了大量关于产品对比评论的数据，也可以是企业内部数据。抽样规则，例如按照数据重要性不同，设定相应的抽样比例，权重高的抽样比例也高。然后通过数据采集，获取大量样本数据；具体的可根据业务需求获取相关的数据源，再比如做互联网金融需要整合第三方数据源，大体有工商、快消、车房、电商交易、银行、运营商等等，都可以作为待分析的样本数据。
步骤S2中，将上述步骤S1的样本数据，进行预处理，输入训练好的产品竞争分析模型，输出分析结果；步骤S3中分析结果包括：1)、确定竞争关系，从数据中分析出竞争品牌和型号是什么；2)、分析竞争点，从数据中分析出具体的竞争领域在哪些方面；3)、分析用户情感，从数据中分析出用户在评价时的情感。
本实施例提供的基于深度学习的产品竞争分析方法，确定待分析的数据源和抽样规则，抽取样本数据；对所述样本数据进行预处理，将经过预处理的样本数据，输入产品竞争分析模型；输出产品竞争分析信息，所述信息包括：竞争关系、竞争点和用户情感。该方法基于自然语言描述的文本数据的产品竞争分析，与传统的通过进行市场调研的竞争分析方法不同，该发明利用互联网上用户对产品进行评论时，经常会出现不同产品相互提及和相互比较的信息，根据产品竞争分析模型的深度学习算法，从中挖掘出竞争对手、竞争点、以及用户情感。该方法与传统方法相比，更能准确反映出用户真实的感知，从而帮助企业制定更加有效的竞争策略。
在一个实施例中，上述的产品竞争分析模型，是通过深度学习生成的，参照图2所示，其通过以下步骤获得：
S21、训练环境数据准备，确定训练数据源和抽样规则，抽取样本数据；
S22、对训练环境抽取的样本数据进行预处理；
S23、对经过预处理的样本数据，进行人工标注；
S24、构建标签体系，对标注后的样本数据确定分析维度；
S25、深度学习训练，利用已经标注好的样本数据进行训练；
S26、确定训练结果是否达到目标值，当训练结果到达目标值时，生成产品竞争分析模型。
其中步骤S24，根据已经构建好的标签体系，人工标注所有的样本数据，例如：以手机产品为例，针对某一条样本，人工需要标注出标签体系中涉及的所有标签信息：产品品牌、产品型号、领域(价格、性能、拍照、界面、外观、屏幕等)、情感(正向情感、负向情感，中性情感)；
步骤S26训练深度学习模型，对训练好的结果进行统计分析，如果准确率、覆盖率没有达到预期目标，比如目标值通常设定在80％以上，具体设定以实际需求为准，则继续训练。在训练过程中，可以根据人工标注的结果，不断尝试计算，从而获得最佳的权重系数和常量，同时分析标签体系是否需要调整，如果调整了标签体系，则需要对样本重新标注，并利用这些样本继续训练模型。如果准确率、覆盖率达到了预期目标，则保存模型文件，即生成产品竞争分析模型。
上述步骤S2和步骤22中的预处理步骤，参照图3，包括：
S31、对样本数据按照预设规则进行清洗；
S32、对清洗后的每个样本数据进行分词处理；
S33、对分词处理后的每个样本进行特征抽取。
其中，S302:生产环境数据清洗，清除数据噪声，提高数据质量；数据清洗的主要包括：纠正错误、删除重复项、统一规格、修正逻辑、转换构造、数据压缩、补足残缺/空值、丢弃数据/变量等。预设规则，比如：每个数据来源的字段名称不一致，导致获取数据无法达到统一处理，所以将每个数据源的数据字段做映射关系，定义一种数据类型，统一映射成这个类型，便于后续流程处理格式保存一致。
分词处理，可以利用现有技术中的分词或切词方法，比如基于字符串匹配的分词方法、基于理解的分词方法、基于统计的分词方法或基于规则的分词方法，对每个样本进行分词。
下面通过两个实施例对本发明提供的基于深度学习的产品竞争分析方法，进行说明。
实施例1：
获取3方面的竞争信息：一：确定竞争关系，从数据中分析出是否存在竞争品牌和型号，并确定具体的竞争品牌和型号是什么；
二、分析竞争点，从数据中分析出具体的竞争领域，例如：以手机产品为例，用户在评论时，与其它手机比较时，具体比较是手机的哪个领域：价格、性能、拍照、界面、外观、屏幕等；
三、分析用户情感，从数据中分析出用户在评价时的情感，是正向情感、负向情感，还是中性情感；
以上3方面信息的获取又分为标签体系构建、样本标注、结果预测几个环节，详细内容如下：
第一、标签体系构建：确定竞争分析的维度，同时也是深度学习模型的输出目标，具体根据实际分析需求来设计。例如：以手机产品为例，通过对竞争分析需求的分析，建立参照图4所示的树形标签体系。
第二、样本标注：为深度学习准备训练样本，同时根据已经建立好的标签体系进行人工样本标注，详细步骤如下：
a)确定数据源和抽样规则，抽取样本数据；
b)清洗数据中的噪声、重复数据，保证数据质量；
c)对样本进行中文分词；
d)对分词后的结果进行特征抽取，将文本转换成矢量数据，为模型训练做好准备；
e)根据已经构建好的标签体系，人工标注所有的样本数据，例如：以手机产品为例，针对某一条样本，人工需要标注出标签体系中涉及的所有标签信息：产品品牌、产品型号、领域(价格、性能、拍照、界面、外观、屏幕等)、情感(正向情感、负向情感，中性情感)；
f)训练深度学习模型，对训练好的结果进行统计分析，如果准确率、覆盖率没有达到预期目标(目标值通常设定在80％以上，具体设定以实际需求为准)，则继续训练(训练过程，软件会根据人工标注的结果，不断尝试计算，从而获得最佳的权重系数和常量)，同时分析标签体系是否需要调整，如果调整了标签体系，则需要对样本重新标注，并利用这些样本继续训练模型。如果准确率、覆盖率达到了预期目标，则保存模型文件。
第三、结果预测：在生产环境中使用训练好的模型，对数据进行预测，获得竞争分析所需的标签数据，详细步骤如下：
①确定数据源和抽样规则，抽取样本数据；
②清洗数据中的噪声、重复数据，保证数据质量；
③对样本进行中文分词；
④对分词后的结果进行特征抽取，将文本转换成矢量数据，为预测做好准备；
⑤执行预测，获得预测结果。
实施例2：
同样获取3方面的竞争信息，与实施例1相同。参照图5所示，包括步骤如下：
S101:训练环境数据准备，确定数据源(数据来源包括互联网数据和企业内部数据)，抽样规则(例如按照数据重要性不同，设定相应的抽样比例，权重高的抽样比例也高)，准备样本数据；
S102:训练环境数据清洗，清除数据噪声，提高数据质量；
S103:训练环境中文分词，对每个样本进行分词；
S104:训练环境特征抽取，对每个样本进行特征抽取，将文本数据转换为向量数据；
S105:人工标注，人工对样本判读，并进行标注；S201步骤输出的标签体系，作为S105:步骤的输入；
S201:构建标签体系，根据具体数据分析的需求，确定分析维度；
S202:深度学习训练，利用已经标注好的样本数据进行模型训练。S105步骤输出的人工标注结果，作为该步骤S202的输入。判断训练结果是否达到准确率、覆盖率目标，如果不满足则重复执行S105、S201、S202步骤，直到准确率、覆盖率达到目标；
S301:生产环境数据准备，确定数据源，抽样规则，准备样本数据；
S302:生产环境数据清洗，清除数据噪声，提高数据质量；
S303:生产环境中文分词，利用第三方中文分词工具，对每个样本进行分词；
S304:生产环境特征抽取，利用第三方特征抽取算法，对每个样本进行特征抽取；
S305:利用S202中的分析模型，进行结果预测。
基于同一发明构思，本发明实施例还提供了基于深度学习的产品竞争分析装置，由于该装置所解决问题的原理与前述基于深度学习的产品竞争分析方法相似，因此该装置的实施可以参见前述方法的实施，重复之处不再赘述。
本发明实施例还提供了一种基于深度学习的产品竞争分析装置，参照图6所示，包括：
抽取模块61，用于确定待分析的数据源和抽样规则，抽取样本数据；
输入模块62，用于对所述样本数据进行预处理，将经过预处理的样本数据，输入产品竞争分析模型；
输出模块63，用于输出产品竞争分析信息，所述信息包括：竞争关系、竞争点和用户情感。
在一个实施例中，所述输入模块61中的输入产品竞争分析模型通过以下步骤获得：
训练环境数据准备，确定训练数据源和抽样规则，抽取样本数据；
对训练环境抽取的样本数据进行预处理；
对经过预处理的样本数据，进行人工标注；
构建标签体系，对标注后的样本数据确定分析维度；
深度学习训练，利用已经标注好的样本数据进行训练；
确定训练结果是否达到目标值，当训练结果到达目标值时，生成产品竞争分析模型。
在一个实施例中，所述数据进行预处理，包括：
对样本数据按照预设规则进行清洗；
对清洗后的每个样本数据进行分词处理；
对分词处理后的每个样本进行特征抽取。
基于同一发明构思，本发明实施例还提供一种基于深度学习的产品竞争分析系统，该系统包括如上述任一项实施例的基于深度学习的产品竞争分析装置。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (7)
1.一种基于深度学习的产品竞争分析方法，其特征在于，包括：
确定待分析的数据源和抽样规则，抽取样本数据；
对所述样本数据进行预处理，将经过预处理的样本数据，输入产品竞争分析模型；
输出产品竞争分析信息，所述信息包括：竞争关系、竞争点和用户情感。
2.如权利要求1所述的基于深度学习的产品竞争分析方法，其特征在于，所述输入产品竞争分析模型通过以下步骤获得：
训练环境数据准备，确定训练数据源和抽样规则，抽取样本数据；
对训练环境抽取的样本数据进行预处理；
对经过预处理的样本数据，进行人工标注；
构建标签体系，对标注后的样本数据确定分析维度；
深度学习训练，利用已经标注好的样本数据进行训练；
确定训练结果是否达到目标值，当训练结果到达目标值时，生成产品竞争分析模型。
3.如权利要求1-2任一项所述的基于深度学习的产品竞争分析方法，其特征在于，所述数据进行预处理，包括：
对样本数据按照预设规则进行清洗；
对清洗后的每个样本数据进行分词处理；
对分词处理后的每个样本进行特征抽取。
4.一种基于深度学习的产品竞争分析装置，其特征在于，包括：
抽取模块，用于确定待分析的数据源和抽样规则，抽取样本数据；
输入模块，用于对所述样本数据进行预处理，将经过预处理的样本数据，输入产品竞争分析模型；
输出模块，用于输出产品竞争分析信息，所述信息包括：竞争关系、竞争点和用户情感。
5.如权利要求4所述的基于深度学习的产品竞争分析装置，其特征在于，所述输入模块中的输入产品竞争分析模型通过以下步骤获得：
训练环境数据准备，确定训练数据源和抽样规则，抽取样本数据；
对训练环境抽取的样本数据进行预处理；
对经过预处理的样本数据，进行人工标注；
构建标签体系，对标注后的样本数据确定分析维度；
深度学习训练，利用已经标注好的样本数据进行训练；
确定训练结果是否达到目标值，当训练结果到达目标值时，生成产品竞争分析模型。
6.如权利要求4-5任一项所述的基于深度学习的产品竞争分析装置，其特征在于，所述数据进行预处理，包括：
对样本数据按照预设规则进行清洗；
对清洗后的每个样本数据进行分词处理；
对分词处理后的每个样本进行特征抽取。
7.一种基于深度学习的产品竞争分析系统，其特征在于，包括：如权利要求4-6任一项所述的基于深度学习的产品竞争分析装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711469784.2A CN108197106B (zh) | 2017-12-29 | 2017-12-29 | 一种基于深度学习的产品竞争分析方法、装置及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711469784.2A CN108197106B (zh) | 2017-12-29 | 2017-12-29 | 一种基于深度学习的产品竞争分析方法、装置及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108197106A true CN108197106A (zh) | 2018-06-22 |
| CN108197106B CN108197106B (zh) | 2021-07-13 |
Family
ID=62586073
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711469784.2A Active CN108197106B (zh) | 2017-12-29 | 2017-12-29 | 一种基于深度学习的产品竞争分析方法、装置及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108197106B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110675205A (zh) * | 2018-07-03 | 2020-01-10 | 百度在线网络技术（北京）有限公司 | 基于应用的竞品分析方法、装置及存储介质 |
| CN111199114A (zh) * | 2020-03-06 | 2020-05-26 | 上海复见网络科技有限公司 | 基于循环神经网络的城市产业演化模型构建系统的方法 |
| CN111626517A (zh) * | 2020-05-29 | 2020-09-04 | 中国科学技术大学 | 一种公司竞争合作策略分析方法及系统 |
| CN113781076A (zh) * | 2020-06-29 | 2021-12-10 | 北京沃东天骏信息技术有限公司 | 提示方法、装置、设备及可读存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101782898A (zh) * | 2010-03-25 | 2010-07-21 | 中国科学院计算技术研究所 | 一种情感词倾向性的分析方法 |
| CN104573016A (zh) * | 2015-01-12 | 2015-04-29 | 武汉泰迪智慧科技有限公司 | 一种基于行业的垂直舆情分析系统及方法 |
| CN105550269A (zh) * | 2015-12-10 | 2016-05-04 | 复旦大学 | 一种有监督学习的产品评论分析方法及系统 |
| CN106919673A (zh) * | 2017-02-21 | 2017-07-04 | 浙江工商大学 | 基于深度学习的文本情绪分析系统 |
| CN106933864A (zh) * | 2015-12-30 | 2017-07-07 | 中国科学院深圳先进技术研究院 | 一种搜索引擎系统及其搜索方法 |
| CN107038609A (zh) * | 2017-04-24 | 2017-08-11 | 广州华企联信息科技有限公司 | 一种基于深度学习的商品推荐方法及系统 |
-
2017
- 2017-12-29 CN CN201711469784.2A patent/CN108197106B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101782898A (zh) * | 2010-03-25 | 2010-07-21 | 中国科学院计算技术研究所 | 一种情感词倾向性的分析方法 |
| CN104573016A (zh) * | 2015-01-12 | 2015-04-29 | 武汉泰迪智慧科技有限公司 | 一种基于行业的垂直舆情分析系统及方法 |
| CN105550269A (zh) * | 2015-12-10 | 2016-05-04 | 复旦大学 | 一种有监督学习的产品评论分析方法及系统 |
| CN106933864A (zh) * | 2015-12-30 | 2017-07-07 | 中国科学院深圳先进技术研究院 | 一种搜索引擎系统及其搜索方法 |
| CN106919673A (zh) * | 2017-02-21 | 2017-07-04 | 浙江工商大学 | 基于深度学习的文本情绪分析系统 |
| CN107038609A (zh) * | 2017-04-24 | 2017-08-11 | 广州华企联信息科技有限公司 | 一种基于深度学习的商品推荐方法及系统 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110675205A (zh) * | 2018-07-03 | 2020-01-10 | 百度在线网络技术（北京）有限公司 | 基于应用的竞品分析方法、装置及存储介质 |
| CN110675205B (zh) * | 2018-07-03 | 2022-11-29 | 百度在线网络技术（北京）有限公司 | 基于应用的竞品分析方法、装置及存储介质 |
| CN111199114A (zh) * | 2020-03-06 | 2020-05-26 | 上海复见网络科技有限公司 | 基于循环神经网络的城市产业演化模型构建系统的方法 |
| CN111626517A (zh) * | 2020-05-29 | 2020-09-04 | 中国科学技术大学 | 一种公司竞争合作策略分析方法及系统 |
| CN111626517B (zh) * | 2020-05-29 | 2024-02-27 | 中国科学技术大学 | 一种公司竞争合作策略分析方法及系统 |
| CN113781076A (zh) * | 2020-06-29 | 2021-12-10 | 北京沃东天骏信息技术有限公司 | 提示方法、装置、设备及可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108197106B (zh) | 2021-07-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108197106A (zh) | 一种基于深度学习的产品竞争分析方法、装置及系统 | |
| EP3779723A1 (en) | Data processing model construction method and device, server and client | |
| CN105159962B (zh) | 职位推荐方法与装置、简历推荐方法与装置、招聘平台 | |
| CN108549881A (zh) | 证件文字的识别方法和装置 | |
| CN109632310A (zh) | 一种基于特征增强的轴承故障诊断方法 | |
| CN108491373A (zh) | 一种实体识别方法及系统 | |
| CN107133345A (zh) | 基于人工智能的交互方法和装置 | |
| CN104572072B (zh) | 一种对基于mvc模式的程序的语言转换方法与设备 | |
| CN107545000A (zh) | 基于知识图谱的信息推送方法及装置 | |
| US10199036B2 (en) | Method and device for implementing voice input | |
| CN110276456A (zh) | 一种机器学习模型辅助构建方法、系统、设备及介质 | |
| CN104965821B (zh) | 一种数据标注方法及装置 | |
| CN108229290A (zh) | 视频物体分割方法和装置、电子设备、存储介质和程序 | |
| CN105808762A (zh) | 资源排序方法和装置 | |
| EP3671575A3 (en) | Neural network processing method and apparatus based on nested bit representation | |
| CN107861954A (zh) | 基于人工智能的信息输出方法和装置 | |
| WO2018079225A1 (ja) | 自動予測システム、自動予測方法および自動予測プログラム | |
| CN106919551A (zh) | 一种情感词极性的分析方法、装置及设备 | |
| EP4116861A3 (en) | Method and apparatus for pre-training semantic representation model and electronic device | |
| CN103092826A (zh) | 一种根据用户的输入信息构建输入词条的方法与设备 | |
| CN106600213B (zh) | 一种个人简历智能管理系统及方法 | |
| CN110458207A (zh) | 一种语料意图预测方法、语料标注方法及电子设备 | |
| CN103605514B (zh) | 一种前端模板的处理方法及装置 | |
| CN111078853B (zh) | 问答模型的优化方法、装置、计算机设备和存储介质 | |
| CN107977412A (zh) | 一种基于迭代式与交互式感知年龄数据库的清洗方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |