CN108595562A

CN108595562A - 基于准确性判定的用户评价数据分析方法

Info

Publication number: CN108595562A
Application number: CN201810327374.2A
Authority: CN
Inventors: 张恒山; 王忠民; 陈彦萍; 田振洲; 高聪; 孙韩林; 吕宁; 孙晶涛; 夏虹; 高玉坤
Original assignee: Xian University of Posts and Telecommunications
Current assignee: Xian University of Posts and Telecommunications
Priority date: 2018-04-12
Filing date: 2018-04-12
Publication date: 2018-09-28
Anticipated expiration: 2038-04-12
Also published as: CN108595562B

Abstract

本发明公开了一种基于准确性判定的用户评价数据分析方法，包括：S101)根据电商中平台收集的用户用文字给出的评价意见，判定其对商品的评价是正面、负面还是不确定意见，并统计正面、负面、不确定意见所占全部用户评价意见的频数；S102)将电商平台中收集的用户星级评价转换为[0,1]区间内的实数，分别计算正面、负面、不确定评价意见所对应实数的平均值；S103)结合各类评价意见的频数和对应实数的平均值，判断用户评价意见的准确性；S104)根据评价意见的准确性判定，对用户的星级评价意见进行聚合，以得到用户对某商品的精确评分值。本发明克服目前已有的用户评价数据分析方法所存在的缺陷，可以对用户评价数据进行准确性判别。

Description

基于准确性判定的用户评价数据分析方法

【技术领域】

本发明属于电商平台中收集的用户评价数据分析领域，特别涉及一种基于准确性判定的用户评价数据分析方法。

【背景技术】

随着互联网技术，特别是移动互联网相关技术的发展，越来越多的人们可以通过电子商务平台进行购物、消费等，人们在通过电子商务平台进行购物和消费时，往往会参考电子商务平台提供的用户评价数据。然而电子商务平台中的用户评价存在几个典型问题：(1)用户评价真假难辨，如京东、天猫等电子购物平台上的水军，贡献了大量虚假的用户评价；(2)用户评价的表现形式难以分辨，例如电子商务平台会对店铺做星级评级，但用户的评价，很难将差评和好评的排序理清楚；(3)市场上有大量帮助用户推荐的网站，大部分是需求推动的，专家们的推荐，或多或少会有“广告”参杂在里面，这有失偏颇。传统的用户评价数据分析方法，只是对用户评价意见进行简单地统计，给出好评率、中评率、差评率等直观数据，罗列出经过选择的用户评价意见，消费者无法判断用户评价意见的准确性和有效性，因而其得到的分析结果对消费者在电子商务平台上的消费无太大的引导作用。本发明将提出一种新的用户评价数据分析方法，根据用户给出的评价意见和评价星级，首先判定用户评价意见的准确性，在此基础上，综合绝大部分用户的评价意见给出综合的评分值，对用户的评价意见进行排序，供消费用户参考，可以引导用户进行正确的商品选择。

【发明内容】

本发明的目的在于提供一种基于准确性判定的用户评价数据分析方法，以克服目前已有的用户评价数据分析方法所存在的缺陷，可以对用户评价数据进行准确性判别，并给出一个相对准确的评分值，对用户评价数据进行排序。

为达到上述目的，本发明通过以下技术方案予以实现：

基于准确性判定的用户评价数据分析方法，包括如下步骤：

S101)对电商平台中收集的用户用文字给出的评价意见，根据其对商品的相关描述是好、坏还是不确定等意见，将其分为正面、负面以及不确定意见，并分别统计正面、负面、不确定意见所占全部用户评价意见的频数；

S102)将电商平台中收集的用户对商品所给的星级评价转换为[0,1]区间内的实数，并分别计算正面、负面、不确定评价意见所对应星级评价转换后实数的平均值；

S103)结合各类评价意见的频数和对应星级评价转换后实数的平均值，判断用户评价意见的准确性；

S104)根据评价意见的准确性判定，对用户评价意见所对应星级评价进行分类聚合，以得到用户对某商品的精确评分值。

本发明进一步改进在于，步骤S101)对电商平台中收集的用户用文字给出的评价意见，将其分为正面、负面以及不确定意见，并分别统计正面、负面、不确定意见所占全部用户评价意见的频数，具体包括以下内容：

首先，如果用户用文字给出的评价意见中明确说明对商品的评价是好评，那么该意见是正面意见；如果用户用文字给出的评价意见中明确说明对商品的评价是差评，那么该意见是反面意见；如果用户用文字给出的商品评价意见中部分是好评，部分是差评，且用户未明确说明总体是差评还是好评，那么该意见是不确定意见。

其次，将所有用户用文字给出的商品评价意见表示为集合D＝{d_j}，1≤j≤n，其中n是所有评价意见的数目；如果统计出D中正面意见的数目为m，那么正面意见所占群体意见的频数为p_P＝m/n；如果统计出D中反面意见的数目为v，那么反面意见所占群体意见的频数为p_N＝v/n；如果统计出D中不确定意见的数目为u，那么不确定意见所占群体意见的频数为p_U＝u/n。

本发明进一步改进在于，步骤S102)中将电商平台中收集的用户对商品所给的星级评价转换为[0,1]区间内的实数，并分别计算正面、负面、不确定评价意见所对应实数的平均值，具体包括以下内容：

首先，将用户给出的星级评价用符号表示，具体下表所示：

表2用户星级评价与符号对应表

符号	S₀	S₁	S₂	S₃	S₄
						对应星级	一级	二级	三级	四级	五级

其次，用如下公式将星级评价对应的符号转换为[0,1]区间内的实数：

其中c＝2,g＝4，Δ^-1(s_i)＝i。

最后，如果用户给出的文字评价是正面意见，将其对应的星级评价转换后的实数表示为集合：E_P＝{a_i:a_i∈[0,1]},0≤i≤m，其中，m为正面意见的数目，那么是其平均数；类似的将负面意见对应的星级评价转换后的实数表示为集合E_N＝{b_i:b_i∈[0,1]},0≤i≤v,那么，是其平均数；将不确定意见对应的星级评价转换后的实数表示为集合E_U＝{c_i:c_i∈[0,1]},0≤i≤u,那么，是其平均数；其中，m+v+u＝n。

本发明进一步改进在于，步骤S103)中结合各类评价意见的频数和对应星级评价转换后实数的平均值，判断用户评价意见的准确性，具体包括以下内容：

计算p_P-A_P,p_N-A_N,p_U-A_U,选取三个值中最大的值，据此定义用户评价意见的准确性如下：如果p_P-A_P是三个值中的最大值，那么用户评价意见的准确性为正面意见；如果p_N-A_N是最大值，那么用户评价意见的准确性为反面意见；如果p_U-A_U为最大值，那么用户评价意见的准确性为不确定意见；

本发明进一步改进在于，步骤S104)中根据用户评价意见的准确性判定，对用户评价意见所对应的用户星级评价进行分类聚合，包括以下内容：

a)如果用户评价意见的准确性是正面意见，则正面意见所对应的用户星级评价用加权算术平均函数进行聚合，反面意见所对应的用户星级评价用改进的加权多元代数三角余模函数进行聚合；

b)如果用户评价意见的准确性是反面意见，反面意见所对应的用户星级评价用加权算术平均函数进行聚合，正面意见所对应的用户星级评价用改进的加权多元代数三角模函数进行聚合；

c)如果用户评价意见是不确定意见，正面意见所对应的用户星级评价用加权算术平均函数聚合，反面意见所对应的用户星级评价依然用加权算术平均函数聚合；

d)对用户评价意见中的不确定意见所对应的用户星级评价，无论用户评价意见的准确性如何，始终采用加权算术平均函数进行聚合；

e)对用户评价意见中各类意见所对应的用户星级评价的部分聚合结果，按照各类意见所占用户评价意见的比例进行聚合，得到的结果与用户评价意见的准确性相结合，构成二元组作为最终的用户评价意见。

本发明进一步改进在于，步骤S104)的内容a)中对反面意见所对应的用户星级评价用改进的加权多元代数三角余模函数进行聚合是指：

对用户评价意见中的反面意见所对应的星级评价，用公式(2)将其转换为实数，并表示为集合：E_N＝{b_i:b_i∈[0,1]},0≤i≤v，其中，v为反面意见的数目，那么对反面意见所对应星级评价用改进的加权多元代数三角余模函数进行聚合，表示为如下的公式：

其中ω_j为用户给出的星级评价所对应的权重,AS_W表示改进的加权多元代数三角余模函数。

本发明进一步改进在于，步骤S104)的内容b)中对正面意见所对应的用户星级评价用改进的加权多元代数三角模函数进行聚合是指：

对用户评价意见中的正面意见所对应的星级评价，用公式(3)将其转换为实数，并表示为集合：E_P＝{a_i:a_i∈[0,1]},0≤i≤m，其中，m为正面意见的数目，那么对正面意见所对应的星级评价用改进的加权多元代数三角模函数进行聚合，表示为如下的公式：

其中ω_j为用户给出的星级评价所对应的权重，AT_W表示加权的多元代数三角模函数。

本发明进一步改进在于，步骤S104)的内容e)中对各类意见所对应的用户星级评价已有的聚合结果，按照各类意见所占用户评价意见的比例进行聚合可以表示为如下的公式：

F(D)＝R_PA_P+R_NA_N+R_MA_M (4)

其中，A_P,A_N,A_M分别表示用户评价意见中正、反面意见和不确定意见所对应星级评价的分类聚合结果，R_P,R_N,R_M分别是正、反面意见和不确定意见所占用户评价意见的比重。

相对于现有技术，本发明具有以下有益效果：本发明提出的基于准确性判定的用户评价数据分析方法，可以有效判断用户评价意见的正确性，并根据得到的正确性对用户评价意见所对应的用户星级评价进行分类有效聚合，以得到相对准确的评分值对用户评价意见进行排序，从而为用户在电子商务平台的消费提供有效指导。

【附图说明】

图1为本发明基于准确性判定的用户评价数据分析方法的整体流程图。

【具体实施方式】

以下结合附图详细说明本发明实现基于准确性判定的用户评价数据分析方法的实施方式。

参见图1，本发明基于准确性判定的用户评价数据分析方法，包括以下步骤：

步骤S101：对电商平台中收集的用户用文字给出的评价意见，根据对商品的相关描述是好、坏还是不确定意见，将其分为正面、负面以及不确定意见，并分别统计正面、负面、不确定意见所占全部用户评价意见的频数。

具体而言，步骤S101)中对电商平台中收集的用户用文字给出的评价意见，将其分为正面、负面以及不确定意见包括以下内容：

首先，如果用户用文字给出的评价意见中明确说明对商品的评价是好评，那么该意见是正面意见；如果用户用文字给出的评价意见中明确说明对商品的评价是差评，那么该意见是反面意见；如果用户用文字给出的商品评价意见中部分是好评，部分是差评，且用户未明确说明总体是差评还是好评，那么该意见是不确定意见。例如，某用户在某电商平台购买电脑后，给出的评价是“电脑用的不错，但售后服务不好，希望店家把售后做好”，那么该评价可以归类为不确定意见。

步骤S102：将电商平台中收集的用户对商品所给的星级评价转换为[0,1]区间内的实数，并分别计算正面、负面、不确定评价意见所对应星级评价转换后实数的平均值，具体而言，包括以下内容：

首先，将用户给出的星级评价用符号表示，具体如表1所示：

表1用户星级评价与符号对应表

符号	S₀	S₁	S₂	S₃	S₄
						对应星级	一级	二级	三级	四级	五级

其中c＝2,g＝4，Δ^-1(s_i)＝i。

例如，某人对在电子商务平台上购买的某商品给出的星级评价是五星(S₄)，则Δ^-1(S₄)＝4，

步骤S103：结合各类评价意见的频数和对应星级评级转换后实数的平均值，判断用户评价意见的准确性，具体而言，包括以下内容：

计算p_P-A_P,p_N-A_N,p_U-A_U,选取三个值中最大的值，据此定义用户评价意见的准确性如下：如果p_P-A_P是三个值中的最大值，那么用户评价意见的准确性为正面意见；如果p_N-A_N是最大值，那么用户评价意见的准确性为反面意见；如果p_U-A_U为最大值，那么用户评价意见的准确性为不确定意见。

例如，在某电子商务平台上，有100个用户对某商品进行了评价，其中正面意见为70个，占比70％；负面意见为10个，占比10％；不确定意见为20个，占比为20％。将各类用户评价意见所对应的星级评价转换为[0,1]区间内的实数，并据此计算得到各类意见所对应的平均数，分别为：正面意见：0.9,不确定意见：0.3,负面意见：0.3，那么

p_P-A_P＝0.7-0.9＝-0.2,p_N-A_N＝0.1-0.3＝-0.2,p_U-A_U＝0.2-0.3＝-0.1

因此可以判定，用户评价意见为负面意见。

步骤S104：根据用户评价意见的准确性判定，对用户的星级评价进行分类聚合。具体而言，根据用户评价意见的准确性判定对用户的星级评价进行分类聚合，得到最终评分值包括以下内容：

a)如果用户评价意见的准确性是正面意见，则正面意见所对应的用户星级评价用加权算术平均函数进行聚合，反面意见所对应的用户星级评价用改进的加权多元代数三角余模函数进行聚合。具体而言，对反面意见所对应的用户星级评价用改进的加权多元代数三角余模函数进行聚合是指：

对用户评价意见中的反面意见所对应的星级评价，用公式(1)将其转换为实数，并表示为集合：E_N＝{b_i:b_i∈[0,1]},0≤i≤v，其中，v为反面意见的数目，那么对反面意见所对应星级评价用改进的加权多元代数三角余模函数进行聚合，表示为如下的公式：

b)如果用户评价意见的准确性是反面意见，反面意见所对应的用户星级评价用加权算术平均函数进行聚合，正面意见所对应的用户星级评价用改进的加权多元代数三角模函数进行聚合。具体而言，对正面意见所对应的用户星级评价用改进的加权多元代数三角模函数进行聚合是指：

对用户评价意见中的正面意见所对应的星级评价，用公式(1)将其转换为实数，并表示为集合：E_P＝{a_i:a_i∈[0,1]},0≤i≤m，其中，m为正面意见的数目，那么对正面意见所对应星级评价用改进的加权多元代数三角模函数进行聚合，表示为如下的公式：

e)对用户评价意见中各类意见所对应的用户星级评价的部分聚合结果，按照各类意见所占用户评价意见的比例进行分类聚合，得到的结果与用户评价意见的准确性相结合，构成二元组作为最终的用户评价意见。

具体而言，对各类意见所对应星级评价已有的聚合结果，按照各类意见所占用户评价意见的比例进行聚合可以表示为如下的公式：

F(D)＝R_PA_P+R_NA_N+R_MA_M (4)

其中，A_P,A_N,A_M分别表示用户评价意见中正、反面意见和不确定意见所对应的用户星级评价的分类聚合结果，R_P,R_N,R_M分别是正、反面意见和不确定意见所占用户评价意见的比重。

Claims

1.基于准确性判定的用户评价数据分析方法，其特征在于，包括如下步骤：

S101)采集电商平台中用户用文字给出的评价意见，根据其对商品的相关描述是好、坏还是不确定意见，将其分为正面、负面以及不确定意见，并分别统计正面、负面、不确定意见所占全部用户评价意见的频数；

S102)将电商平台中收集的用户对商品所给的星级评价转换为[0,1]区间内的实数，并分别计算正面、负面、不确定评价意见所对应实数的平均值；

S104)根据评价意见的准确性判定，对用户的星级评价进行聚合，以得到用户对某商品的精确评分值。

2.根据权利要求1所述的基于准确性判定的用户评价数据分析方法，其特征在于，步骤S101)对采集的用户用文字给出的评价意见，将其分为正面、负面以及不确定意见，并分别统计正面、负面、不确定意见所占全部用户评价意见的频数，具体包括以下内容：

首先，如果用户用文字给出的评价意见中明确说明对商品的评价是好评，那么该意见是正面意见；如果用户用文字给出的评价意见中明确说明对商品的评价是差评，那么该意见是反面意见；如果用户用文字给出的商品评价意见中部分是好评，部分是差评，且用户未明确说明总体是差评还是好评，那么该意见是不确定意见；

3.根据权利要求2所述的基于准确性判定的用户评价数据分析方法，其特征在于，步骤S102)中将电商平台中收集的用户对商品所给的星级评价转换为[0,1]区间内的实数，并分别计算正面、负面、不确定评价意见所对应实数的平均值，具体包括以下内容：

首先，将用户给出的星级评价用符号表示，具体下表所示：

符号 S₀ S₁ S₂ S₃ S₄ 对应星级一级二级三级四级五级

其中c＝2,g＝4，Δ^-1(s_i)＝i；

最后，如果用户给出的文字评价是正面意见，将其对应的星级评价转换后的实数表示为集合：E_P＝{a_i:a_i∈[0,1]},0≤i≤m，其中，m为正面意见的数目，那么是其平均数；将负面意见对应的星级评价转换后的实数表示为集合E_N＝{b_i:b_i∈[0,1]},0≤i≤v,那么，是其平均数；将不确定意见对应的星级评价转换后的实数表示为集合E_U＝{c_i:c_i∈[0,1]},0≤i≤u,那么，是其平均数；其中，m+v+u＝n。

4.根据权利要求3所述的基于准确性判定的用户评价数据分析方法，其特征在于，步骤S103)中结合各类评价意见的频数和对应实数的平均值，判断用户评价意见的准确性，具体包括以下内容：

5.根据权利要求3所述的所述的基于准确性判定的用户评价数据分析方法，其特征在于，步骤S104)中根据用户评价意见的准确性判定，对用户的评价意见所对应的用户星级评价进行分类聚合，包括以下内容：

6.根据权利要求5所述的基于准确性判定的用户评价数据分析方法，其特征在于，内容a)中对反面意见所对应的用户星级评价用改进的加权多元代数三角余模函数进行聚合是指：

对用户评价意见中的反面意见所对应的星级评价，用公式(1)将其转换为实数，并表示为集合：E_N＝{b_i:b_i∈[0,1]},0≤i≤v，其中，v为反面意见的数目，那么对反面意见所对应的星级评价用改进的加权多元代数三角余模函数进行聚合，表示为如下的公式：

7.根据权利要求5所述的基于准确性判定的用户评价数据分析方法，其特征在于，内容b)中对正面意见所对应的用户星级评价用改进的加权多元代数三角模函数进行聚合是指：

对用户评价意见中的正面意见所对应的星级评价，用公式(1)将其转换为实数，并表示为集合：E_P＝{a_i:a_i∈[0,1]},0≤i≤m，其中，m为正面意见的数目，那么对正面意见所对应的星级评价用改进的加权多元代数三角模函数进行聚合，表示为如下的公式：

8.根据权利要求5所述的基于准确性判定的用户评价数据分析方法，其特征在于，内容e)中对各类意见所对应的用户星级评价已有的聚合结果，按照各类意见所占用户评价意见的比例进行聚合可以表示为如下的公式：

F(D)＝R_PA_P+R_NA_N+R_MA_M (4)

其中，A_P,A_N,A_M分别表示用户评价意见中正、反面意见和不确定意见所对应星级评价分类聚合的结果，R_P,R_N,R_M分别是正、反面意见和不确定意见所占用户评价意见的比重。