CN108399545B - 电子商务平台质量检测方法和装置 - Google Patents
电子商务平台质量检测方法和装置 Download PDFInfo
- Publication number
- CN108399545B CN108399545B CN201710064977.3A CN201710064977A CN108399545B CN 108399545 B CN108399545 B CN 108399545B CN 201710064977 A CN201710064977 A CN 201710064977A CN 108399545 B CN108399545 B CN 108399545B
- Authority
- CN
- China
- Prior art keywords
- order
- order line
- commerce platform
- quality
- data
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000001514 detection method Methods 0.000 claims abstract description 28
- 238000004458 analytical method Methods 0.000 claims abstract description 21
- 238000010801 machine learning Methods 0.000 claims description 33
- 238000012549 training Methods 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 10
- 238000012423 maintenance Methods 0.000 claims description 6
- 238000012552 review Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 16
- 238000007689 inspection Methods 0.000 description 11
- 230000006399 behavior Effects 0.000 description 5
- 238000003066 decision tree Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000002372 labelling Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012797 qualification Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000003324 Six Sigma (6σ) Methods 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Images
Classifications
-
- 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
- G06Q30/00—Commerce
- G06Q30/018—Certifying business or products
- G06Q30/0185—Product, service or business identity fraud
-
- 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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
Landscapes
- Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Finance (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种电子商务平台质量检测方法和装置，涉及数据处理领域。其中的电子商务平台质量检测方法包括：从电子商务平台的订单数据中获取若干订单行的信息，其中，每个订单行对应一个订单中的一种商品；获取订单行的反馈信息；对订单行的反馈信息中的文本数据进行文本分析，确定问题订单行；根据问题订单行在获取的订单行中的比例，确定电子商务平台的质量参数。本发明将订单行作为最小的质量检测单位，通过对订单行的反馈信息中的文本数据进行文本分析，确定问题订单行，并根据问题订单行在获取的订单行中的比例，确定电子商务平台的质量参数，从而能够利用海量数据，高效、准确地对电子商务平台进行质量检测。
Description
技术领域
本发明涉及数据处理领域，特别涉及一种电子商务平台质量检测方法和装置。
背景技术
目前，在传统生产制造业，企业普遍采用抽检的方式来对某个批次的产品合格率进行衡量，并得出整个企业的质量合格率、质量等级等质量参数。
然而，由于电子商务平台是一个商品流通平台，具有商品种类繁多、数量巨大的特点，并且部分商品由第三方商家直接发货，而非由电子商务平台进行统一调配。因此，采用传统的方法在电子商务平台进行质量检测难以实施，并且检测结果不准确。
发明内容
本发明实施例所要解决的一个技术问题是：如何提高对电子商务平台的质量检测结果的准确性。
根据本发明实施例的一个方面，提供一种电子商务平台质量检测方法，包括：从电子商务平台的订单数据中获取若干订单行的信息，其中，每个订单行对应一个订单中的一种商品；获取订单行的反馈信息；对订单行的反馈信息中的文本数据进行文本分析，确定问题订单行；根据问题订单行在获取的订单行中的比例，确定电子商务平台的质量参数。
在一个实施例中，从电子商务平台的订单数据中获取若干订单行的信息包括以下至少一种方法：从电子商务平台的预设时间段内的订单数据中获取若干订单行的信息；从电子商务平台的订单数据中获取预设类别的若干订单行的信息；从电子商务平台的订单数据中获取若干具有预设属性的商品所对应的订单行的信息。
在一个实施例中，还包括：获取用于训练的反馈数据；标记反馈数据中的具有质量问题的数据和不具有质量问题的数据；采用标记后的反馈数据训练机器学习模型；对订单行的反馈信息中的文本数据进行文本分析，确定问题订单行包括：将订单行的反馈信息中的文本数据输入到训练后的机器学习模型；如果训练后的机器学习模型的输出结果为具有质量问题，则将订单行确定为问题订单行；如果训练后的机器学习模型的输出结果为不具有质量问题，则不将订单行确定为问题订单行。
在一个实施例中，根据问题订单行在获取的订单行中的比例，确定电子商务平台的质量参数包括：将各个类别中的问题订单行在获取的订单行中的比例作为各个类别的质量参数；根据各个类别的质量参数的加权和确定电子商务平台的质量参数。
在一个实施例中，对订单行的反馈信息中的文本数据进行文本分析，确定问题订单行包括：对订单行的反馈信息中的文本数据进行文本分析，确定问题订单行以及问题订单行的问题类别；根据问题订单行在获取的订单行中的比例，确定电子商务平台的质量参数包括：根据各个问题类别的问题订单行在获取的订单行中的比例，确定电子商务平台的各个问题类别对应的质量参数。
在一个实施例中，获取订单行的反馈信息包括：获取订单行的用户评论信息、退换货信息、维修信息、咨询信息、内部投诉信息和外部投诉信息中的至少一种反馈信息。
根据本发明实施例的第二个方面，提供一种电子商务平台质量检测装置，包括：订单行信息获取模块，用于从电子商务平台的订单数据中获取若干订单行的信息，其中，每个订单行对应一个订单中的一种商品；反馈信息获取模块，用于获取订单行的反馈信息；问题订单行确定模块，用于对订单行的反馈信息中的文本数据进行文本分析，确定问题订单行；质量参数确定模块，用于根据问题订单行在获取的订单行中的比例，确定电子商务平台的质量参数。
在一个实施例中，订单行信息获取模块进一步用于：从电子商务平台的预设时间段内的订单数据中获取若干订单行的信息；或者，从电子商务平台的订单数据中获取预设类别的若干订单行的信息；或者，从电子商务平台的订单数据中获取若干具有预设属性的商品所对应的订单行的信息。
在一个实施例中，还包括：训练数据获取模块，用于获取用于训练的反馈数据；训练数据标记模块，用于标记反馈数据中的具有质量问题的数据和不具有质量问题的数据；训练模块，用于采用标记后的反馈数据训练机器学习模型；问题订单行确定模块进一步用于将订单行的反馈信息中的文本数据输入到训练后的机器学习模型；如果训练后的机器学习模型的输出结果为具有质量问题，则将订单行确定为问题订单行；如果训练后的机器学习模型的输出结果为不具有质量问题，则不将订单行确定为问题订单行。
在一个实施例中，质量参数确定模块进一步用于将各个类别中的问题订单行在获取的订单行中的比例作为各个类别的质量参数，根据各个类别的质量参数的加权和确定电子商务平台的质量参数。
在一个实施例中，问题订单行确定模块进一步用于对订单行的反馈信息中的文本数据进行文本分析，确定问题订单行以及问题订单行的问题类别；质量参数确定模块进一步用于根据各个问题类别的问题订单行在获取的订单行中的比例，确定电子商务平台的各个问题类别对应的质量参数。
在一个实施例中，反馈信息获取模块进一步用于获取订单行的用户评论信息、退换货信息、维修信息、咨询信息、内部投诉信息和外部投诉信息中的至少一种反馈信息。
根据本发明实施例的第三个方面，提供一种电子商务平台质量检测装置，包括：存储器；以及耦接至存储器的处理器，处理器被配置为基于存储在存储器中的指令，执行前述任意一种电子商务平台质量检测方法。
根据本发明实施例的第四个方面，提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现前述任意一种电子商务平台质量检测方法。
本发明将订单行作为最小的质量检测单位，通过对订单行的反馈信息中的文本数据进行文本分析，确定问题订单行，并根据问题订单行在获取的订单行中的比例，确定电子商务平台的质量参数，从而能够利用海量数据，高效、准确地对电子商务平台进行质量检测。
通过以下参照附图对本发明的示例性实施例的详细描述，本发明的其它特征及其优点将会变得清楚。
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一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明电子商务平台质量检测方法一个实施例的流程图。
图2为本发明问题订单行判断模型的训练方法的一个实施例的流程图。
图3为本发明电子商务平台质量检测装置的一个实施例的结构图。
图4为本发明电子商务平台质量检测装置的另一个实施例的结构图。
图5为本发明电子商务平台质量检测装置的又一个实施例的结构图。
图6为本发明电子商务平台质量检测装置的再一个实施例的结构图。
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。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。基于本发明中的实施例，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，都属于本发明保护的范围。
除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。
在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。
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讨论。
发明人发现，采用传统的抽样检验方法并不适合电子商务平台的应用场景，也很难有效地衡量电商平台的商品质量管控水平。然而，电子商务平台具有反馈信息量巨大的特点，尤其是用户的负面反馈，并且这些反馈能够反映电子商务平台所售商品的真实情况。
然而，直接以商家为单位或者以商品为最小单位进行质量检测，均难以体现商品的个体情况，例如店铺评分、商品评分等现有的指标，难以从商品质量的角度衡量商品的情况。
因此，发明人想到，可以采用订单行为最小的检测单位，并根据大量的订单行的质量检测结果反映电子商务平台的质量参数。订单行对应一个订单中的一种商品，表示用户在特定购买行为中购买的特定商品，从而能够获取每个商品的质量情况，并基于海量数据反映电子商务平台的整体质量情况。
图1为本发明电子商务平台质量检测方法一个实施例的流程图。如图1所示，该实施例的电子商务平台质量检测方法包括：
步骤S102，从电子商务平台的订单数据中获取若干订单行的信息。
电子商务平台是指在网络上进行商品销售和交易的平台。本发明中的电子商务平台可以为一个综合性的电子商务平台，例如京东、淘宝、亚马逊等网络购物平台，也可以为某个品牌自营的网络购物平台，还可以为综合性的电子商务平台中某个品牌的店铺，即综合性的网络购物平台的一个子平台。
其中，每个订单行对应一个订单中的一种商品。可以在获取到订单数据后，将订单数据以商品种类为单位进行拆分。
例如，某订单的订单号为123，其中包括商品A和商品B，商品A和商品B的商品编号分别为111和222。则可以从订单号为123的订单中提取出两个订单行，一个对应商品A，一个对应商品B，并且这两个订单行例如可以分别采用123_111和123_222进行标记。
订单行的信息中可以包括编号、商品名称、下单时间、用户标识等信息。
可以有选择性地从订单数据中获取订单行信息。
一个实施例为，从电子商务平台的预设时间段内的订单数据中获取若干订单行的信息。例如，仅选取近三个月的订单行的信息。此时，可以先获取最近三个月的订单数据，再从中获取订单行的信息。由于商品的质量可能是在不断提升的，也可能是在不断劣化的，因此这种方法可以使检测结果更具有时效性，更能准确地反映电子商务平台的质量情况。
另一个实施例为，从电子商务平台的订单数据中获取预设类别的若干订单行的信息。例如，可以排除充值业务、虚拟货币等类别的订单数据，还可以仅提取质量检测的实行方关注的类别的订单数据。从而可以使检测结果能够适应不同的需求。
又一个实施例为，从电子商务平台的订单数据中获取若干具有预设属性的商品所对应的订单行的信息，属性例如可以为商品的销量、单价、GMV(Gross MerchandiseVolume，总商品价值量)等等。从而可以将订单行进行层次划分，并且分层次地检测电子商务平台的质量。
步骤S104，获取订单行的反馈信息。
订单行的反馈信息是指该订单行所包括的订单和商品所对应的反馈信息，即用户对订单行所对应的购买行为中订单行所对应的商品的反馈信息。例如，用户A在订单111和订单222中均下单购买了同一件商品333，则用户A针对订单111的购买行为所进行的评论为订单行111_333的反馈信息，而非订单行222_333的反馈信息。
订单行的反馈信息可以为订单行的用户评论信息、退换货信息、维修信息、咨询信息、内部投诉信息和外部投诉信息中的至少一种反馈信息。其中，内部投诉信息是指电子商务平台内部的投诉信息，而外部投诉信息是指用户针对该次购买行为中的商品在工商局等外部机构进行投诉的信息，外部投诉信息可以通过商品标识、订单标识等与订单行进行关联。
步骤S106，对订单行的反馈信息中的文本数据进行文本分析，确定问题订单行。
其中，可以采用关键词词表匹配、机器学习等文本分析技术，确定问题订单行。
例如，可以预先建立问题词汇表，其中例如包括“质量差”、“脱胶”、“漏水”、“过期”等词语，然后对反馈信息中的文本数据进行分词处理，如果分词中包括问题词汇表中的词语，则可以将该文本数据所对应的订单行确定为问题订单行。
此外，对于部分文本，还需要排除否定词带来的干扰，比如：“不是三无产品”，“水杯没有漏水，但是颜色不喜欢”；同时还需要进一步判断问题词汇描述的主体对象，排除非商品问题带来的干扰，比如：“服务质量差”、“包装箱开裂了”等非商品本身质量问题，以提高问题订单行判断的准确性，进而能够准确地对电子商务平台进行质量检测。
步骤S108，根据问题订单行在获取的订单行中的比例，确定电子商务平台的质量参数。
其中，可以直接将问题订单行的数量与获取的所有订单行的数量的比值作为电子商务平台的质量参数，还可以将这一比值乘以放大系数或者缩小系数后作为电子商务平台的质量参数。
例如，可以将问题订单行的数量与获取的所有订单行的数量的比值乘以一百万，获得百万订单行中存在质量问题的订单行的数量。由于电子商务网站中的订单数量巨大，从而这种方式能够直观地反映电子商务平台的质量检测情况。
还可以将百万订单行中存在质量问题的订单行的数量转换为相应的西格玛(σ)水平，或又称为六西格玛水平。σ代表单位缺陷、百万样本中的缺陷或错误的概率性，σ值越大，缺陷或错误就越少。每个等级的西格玛对应不同范围的数值，从而可以将电子商务平台的质量参数与国际标准接轨。
通过将订单行作为最小的质量检测单位，对订单行的反馈信息中的文本数据进行文本分析，确定问题订单行，并根据问题订单行在获取的订单行中的比例，确定电子商务平台的质量参数，从而能够利用海量数据，高效、准确地对电子商务平台进行质量检测。
此外，在步骤S108中，还可以将各个类别中的问题订单行在获取的订单行中的比例作为各个类别的质量参数，再根据各个类别的质量参数的加权和确定电子商务平台的质量参数。其中，类别可以指商品类别。电子商务平台的质量参数C例如可以如公式(1)所示，其中共有N类订单行，wi指第i类的权重，Ai指第i类中问题订单行的数量，Bi指第i类中所有订单行的数量。
各个类别的权重大小可以根据质量检测的需要设定，例如对于质量标准要求高的类别或者对于电子商务平台较为重要的类别可以提高其权重，还可以根据订单行的数量决定。例如，可以将某一类别中的订单行数量在订单行总量中的比重作为该类别的权重。
实施步骤S106时，除了对订单行的反馈信息中的文本数据进行文本分析，确定问题订单行之外，还可以确定问题订单行的问题类别，例如，是软件程序问题、电路板质量问题还是材料问题等等，然后根据各个问题类别的问题订单行在获取的订单行中的比例，确定电子商务平台的各个问题类别对应的质量参数。从而，本发明可以进一步地对电子商务平台的各个方面的问题进行衡量。
在确定问题订单行之前，可以采用机器学习的方法获得用于确定问题订单行的模型，然后可以采用该模型处理反馈信息中的文本数据，并确定问题订单行。下面参考图2描述本发明一个实施例的问题订单行判断模型的训练方法。
图2为本发明问题订单行判断模型的训练方法的一个实施例的流程图。如图2所示，该实施例的问题订单行判断模型的训练方法包括：
步骤S202，获取用于训练的反馈数据。
其中，可以对获取的训练数据进行预处理，例如过滤数字、乱码、等无效词语，进行网络流行词语替换、常见错别字替换等等。
步骤S204，标记反馈数据中的具有质量问题的数据和不具有质量问题的数据。
即，分别将具有质量问题的数据和不具有质量问题的数据作为正样本和负样本。
步骤S206，采用标记后的反馈数据训练机器学习模型。
其中，机器学习的模型例如可以为决策树模型、梯度提升决策树模型、逻辑回归模型等等。
然后，在确定问题订单行时，可以将订单行的反馈信息中的文本数据输入到训练后的机器学习模型。如果训练后的机器学习模型的输出结果为具有质量问题，则将订单行确定为问题订单行；如果训练后的机器学习模型的输出结果为不具有质量问题，则不将订单行确定为问题订单行。
以决策树模型为例，可以训练决策树中的各个节点，并确定各个叶子节点的输出值。然后，当进行问题订单行的确定时，可以将文本数据输入到训练好的决策树模型中，并根据输出结果所在的叶子节点的输出值确定订单行是否为问题订单行。
通过采用上述方法，可以基于大数据确定问题订单行，使判断结果更准确。
下面参考图3描述本发明一个实施例的电子商务平台质量检测装置。
图3为本发明电子商务平台质量检测装置的一个实施例的结构图。如图3所示，该实施例的电子商务平台质量检测装置包括：订单行信息获取模块31，用于从电子商务平台的订单数据中获取若干订单行的信息，其中，每个订单行对应一个订单中的一种商品；反馈信息获取模块32，用于获取订单行的反馈信息；问题订单行确定模块33，用于对订单行的反馈信息中的文本数据进行文本分析，确定问题订单行；质量参数确定模块34，用于根据问题订单行在获取的订单行中的比例，确定电子商务平台的质量参数。
其中，订单行信息获取模块31可以进一步用于：从电子商务平台的预设时间段内的订单数据中获取若干订单行的信息；或者，从电子商务平台的订单数据中获取预设类别的若干订单行的信息；或者，从电子商务平台的订单数据中获取若干具有预设属性的商品所对应的订单行的信息。
其中，质量参数确定模块34可以进一步用于将各个类别中的问题订单行在获取的订单行中的比例作为各个类别的质量参数，根据各个类别的质量参数的加权和确定电子商务平台的质量参数。
其中，问题订单行确定模块33可以进一步用于对订单行的反馈信息中的文本数据进行文本分析，确定问题订单行以及问题订单行的问题类别；质量参数确定模块34可以进一步用于根据各个问题类别的问题订单行在获取的订单行中的比例，确定电子商务平台的各个问题类别对应的质量参数。
其中，反馈信息获取模块32可以进一步用于获取订单行的用户评论信息、退换货信息、维修信息、咨询信息、内部投诉信息和外部投诉信息中的至少一种反馈信息。
下面参考图4描述本发明另一个实施例的电子商务平台质量检测装置。
图4为本发明电子商务平台质量检测装置的另一个实施例的结构图。如图4所示，该实施例的电子商务平台质量检测装置还包括：训练数据获取模块45，用于获取用于训练的反馈数据；训练数据标记模块46，用于标记反馈数据中的具有质量问题的数据和不具有质量问题的数据；训练模块47，用于采用标记后的反馈数据训练机器学习模型；问题订单行确定模块33可以进一步用于将订单行的反馈信息中的文本数据输入到训练后的机器学习模型；如果训练后的机器学习模型的输出结果为具有质量问题，则将订单行确定为问题订单行；如果训练后的机器学习模型的输出结果为不具有质量问题，则不将订单行确定为问题订单行。
图5为本发明电子商务平台质量检测装置的又一个实施例的结构图。如图5所示，该实施例的装置500包括：存储器510以及耦接至该存储器510的处理器520，处理器520被配置为基于存储在存储器510中的指令，执行前述任意一个实施例中的电子商务平台质量检测方法。
其中，存储器510例如可以包括系统存储器、固定非易失性存储介质等。系统存储器例如存储有操作系统、应用程序、引导装载程序(Boot Loader)以及其他程序等。
图6为本发明电子商务平台质量检测装置的再一个实施例的结构图。如图6所示，该实施例的装置500包括：存储器510以及处理器520，还可以包括输入输出接口630、网络接口640、存储接口650等。这些接口630，640，650以及存储器510和处理器520之间例如可以通过总线660连接。其中，输入输出接口630为显示器、鼠标、键盘、触摸屏等输入输出设备提供连接接口。网络接口640为各种联网设备提供连接接口。存储接口650为SD卡、U盘等外置存储设备提供连接接口。
此外，本发明还可以提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现前述任意一种电子商务平台质量检测方法。
本领域内的技术人员应当明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用非瞬时性存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解为可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (12)
1.一种电子商务平台质量检测方法，其特征在于，包括：
从电子商务平台的订单数据中获取若干订单行的信息，其中，每个订单行对应一个订单中的一种商品；
获取订单行的反馈信息；
对订单行的反馈信息中的文本数据进行文本分析，确定问题订单行；
根据问题订单行在获取的订单行中的比例，确定所述电子商务平台的质量参数；
其中，所述根据问题订单行在获取的订单行中的比例，确定所述电子商务平台的质量参数包括：
将各个类别中的问题订单行在获取的订单行中的比例作为各个类别的质量参数，所述各个类别为各个商品类别；
根据质量标准要求的高低、各个类别的重要程度或者各个类别的订单行的数量，确定各个类别的权重；
根据各个类别的质量参数的加权和，确定所述电子商务平台的质量参数。
2.根据权利要求1所述的方法，其特征在于，所述从电子商务平台的订单数据中获取若干订单行的信息包括以下至少一种方法：
从电子商务平台的预设时间段内的订单数据中获取若干订单行的信息；
从电子商务平台的订单数据中获取预设类别的若干订单行的信息；
从电子商务平台的订单数据中获取若干具有预设属性的商品所对应的订单行的信息。
3.根据权利要求1所述的方法，其特征在于，还包括：
获取用于训练的反馈数据；
标记反馈数据中的具有质量问题的数据和不具有质量问题的数据；
采用标记后的反馈数据训练机器学习模型；
所述对订单行的反馈信息中的文本数据进行文本分析，确定问题订单行包括：
将订单行的反馈信息中的文本数据输入到训练后的机器学习模型；
如果所述训练后的机器学习模型的输出结果为具有质量问题，则将所述订单行确定为问题订单行；
如果所述训练后的机器学习模型的输出结果为不具有质量问题，则不将所述订单行确定为问题订单行。
4.根据权利要求1所述的方法，其特征在于，
所述对订单行的反馈信息中的文本数据进行文本分析，确定问题订单行包括：
对订单行的反馈信息中的文本数据进行文本分析，确定问题订单行以及问题订单行的问题类别；
所述根据问题订单行在获取的订单行中的比例，确定所述电子商务平台的质量参数包括：
根据各个问题类别的问题订单行在获取的订单行中的比例，确定所述电子商务平台的各个问题类别对应的质量参数。
5.根据权利要求1所述的方法，其特征在于，所述获取订单行的反馈信息包括：
获取订单行的用户评论信息、退换货信息、维修信息、咨询信息、内部投诉信息和外部投诉信息中的至少一种反馈信息。
6.一种电子商务平台质量检测装置，其特征在于，包括：
订单行信息获取模块，用于从电子商务平台的订单数据中获取若干订单行的信息，其中，每个订单行对应一个订单中的一种商品；
反馈信息获取模块，用于获取订单行的反馈信息；
问题订单行确定模块，用于对订单行的反馈信息中的文本数据进行文本分析，确定问题订单行；
质量参数确定模块，用于根据问题订单行在获取的订单行中的比例，确定所述电子商务平台的质量参数；
所述质量参数确定模块将各个类别中的问题订单行在获取的订单行中的比例作为各个类别的质量参数，根据质量标准要求的高低、各个类别的重要程度或者各个类别的订单行的数量，确定各个类别的权重，根据各个类别的质量参数的加权和确定所述电子商务平台的质量参数，所述各个类别为各个商品类别。
7.根据权利要求6所述的装置，其特征在于，所述订单行信息获取模块进一步用于：
从电子商务平台的预设时间段内的订单数据中获取若干订单行的信息；或者，
从电子商务平台的订单数据中获取预设类别的若干订单行的信息；或者，
从电子商务平台的订单数据中获取若干具有预设属性的商品所对应的订单行的信息。
8.根据权利要求6所述的装置，其特征在于，还包括：
训练数据获取模块，用于获取用于训练的反馈数据；
训练数据标记模块，用于标记反馈数据中的具有质量问题的数据和不具有质量问题的数据；
训练模块，用于采用标记后的反馈数据训练机器学习模型；
所述问题订单行确定模块进一步用于将订单行的反馈信息中的文本数据输入到训练后的机器学习模型；如果所述训练后的机器学习模型的输出结果为具有质量问题，则将所述订单行确定为问题订单行；如果所述训练后的机器学习模型的输出结果为不具有质量问题，则不将所述订单行确定为问题订单行。
9.根据权利要求6所述的装置，其特征在于，
所述问题订单行确定模块进一步用于对订单行的反馈信息中的文本数据进行文本分析，确定问题订单行以及问题订单行的问题类别；
所述质量参数确定模块进一步用于根据各个问题类别的问题订单行在获取的订单行中的比例，确定所述电子商务平台的各个问题类别对应的质量参数。
10.根据权利要求6所述的装置，其特征在于，所述反馈信息获取模块进一步用于获取订单行的用户评论信息、退换货信息、维修信息、咨询信息、内部投诉信息和外部投诉信息中的至少一种反馈信息。
11.一种电子商务平台质量检测装置，其特征在于，包括：
存储器；以及
耦接至所述存储器的处理器，所述处理器被配置为基于存储在所述存储器中的指令，执行如权利要求1-5中任一项所述的电子商务平台质量检测方法。
12.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-5中任一项所述的电子商务平台质量检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710064977.3A CN108399545B (zh) | 2017-02-06 | 2017-02-06 | 电子商务平台质量检测方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710064977.3A CN108399545B (zh) | 2017-02-06 | 2017-02-06 | 电子商务平台质量检测方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108399545A CN108399545A (zh) | 2018-08-14 |
| CN108399545B true CN108399545B (zh) | 2022-04-12 |
Family
ID=63093595
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710064977.3A Active CN108399545B (zh) | 2017-02-06 | 2017-02-06 | 电子商务平台质量检测方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108399545B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10853697B2 (en) * | 2018-08-28 | 2020-12-01 | Beijing Jingdong Shangke Information Technology Co., Ltd. | System and method for monitoring online retail platform using artificial intelligence and fixing malfunction |
| CN110909545A (zh) * | 2019-11-26 | 2020-03-24 | 电子科技大学 | 一种基于梯度提升算法的黑导游检测方法 |
| CN116205555B (zh) * | 2023-04-28 | 2023-09-05 | 宁夏金丝路大数据科技有限责任公司 | 一种基于大数据的物流信息可视化管理系统及方法 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7363214B2 (en) * | 2003-08-08 | 2008-04-22 | Cnet Networks, Inc. | System and method for determining quality of written product reviews in an automated manner |
| US20130060760A1 (en) * | 2011-09-02 | 2013-03-07 | Microsoft Corporation | Determining comprehensive subsets of reviews |
| CN104517226A (zh) * | 2013-09-27 | 2015-04-15 | 国家广播电影电视总局广播科学研究院 | 高清交互家庭电视购物质量保障和服务评价的方法及系统 |
| CN103778235A (zh) * | 2014-01-26 | 2014-05-07 | 北京京东尚科信息技术有限公司 | 一种处理商品评价信息的方法和装置 |
| CN104731923A (zh) * | 2015-03-26 | 2015-06-24 | 无锡中科泛在信息技术研发中心有限公司 | 互联网商品评论挖掘本体词库的构建方法 |
| CN105095396A (zh) * | 2015-07-03 | 2015-11-25 | 北京京东尚科信息技术有限公司 | 模型创建方法、质量评估方法及装置 |
| CN105469282A (zh) * | 2015-12-01 | 2016-04-06 | 成都知数科技有限公司 | 基于文本评论的线上品牌评估方法 |
| 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 |
-
2017
- 2017-02-06 CN CN201710064977.3A patent/CN108399545B/zh active Active
Non-Patent Citations (2)
| Title |
|---|
| 基于情感计算的商品评论分析系统;林钦和;《计算机应用与软件》;20141215;第31卷(第12期);第39-44页 * |
| 基于离群点挖掘的电商平台信用炒作检测研究;董晴晴;《中国优秀硕士学位论文全文数据库 经济与管理科学辑》;20170615(第06期);第J157-182页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108399545A (zh) | 2018-08-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109167816B (zh) | 信息推送方法、装置、设备和存储介质 | |
| CN102609422A (zh) | 类目错放识别方法和装置 | |
| CN112163553B (zh) | 物料价格核算方法、装置、存储介质和计算机设备 | |
| CN108764705A (zh) | 一种数据质量评估平台以及方法 | |
| US11409888B2 (en) | Security information processing device, information processing method, and recording medium | |
| CN108921398A (zh) | 店铺质量评价方法及装置 | |
| CN108509458B (zh) | 一种业务对象识别方法及装置 | |
| CN106919625A (zh) | 一种互联网用户属性识别方法和装置 | |
| CN108399545B (zh) | 电子商务平台质量检测方法和装置 | |
| CN107562613A (zh) | 程序测试方法、装置及系统 | |
| CN110490237B (zh) | 数据处理方法、装置、存储介质及电子设备 | |
| CN106708729A (zh) | 代码缺陷的预测方法及装置 | |
| CN106897883A (zh) | 一种自动化商品抽检方法及系统 | |
| CN108830492B (zh) | 一种基于大数据的确定抽检商家的方法 | |
| CN111773728A (zh) | 数据表测试方法、装置、设备及存储介质 | |
| CN109242516A (zh) | 处理服务单的方法和装置 | |
| CN114860941A (zh) | 一种基于数据大脑的行业数据治理方法及系统 | |
| CN110363468B (zh) | 采购订单的确定方法、装置、服务器及可读存储介质 | |
| CN110362702B (zh) | 图片管理方法及设备 | |
| CN114168565A (zh) | 业务规则模型的回溯测试方法、装置、系统及决策引擎 | |
| CN116934418B (zh) | 一种异常订单的检测预警方法、系统、设备及存储介质 | |
| CN113592512A (zh) | 一种线上商品身份唯一性识别确认系统 | |
| CN111832266A (zh) | 专利申请文件撰写质量的在线分析方法及系统 | |
| CN107357847B (zh) | 数据处理方法及其装置 | |
| JP2024050174A (ja) | 情報処理装置、情報処理方法、及びプログラム |
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 |