CN108665339B - 一种基于主观情感测度的电商产品可靠性指标及其实现方法 - Google Patents
一种基于主观情感测度的电商产品可靠性指标及其实现方法 Download PDFInfo
- Publication number
- CN108665339B CN108665339B CN201810256205.4A CN201810256205A CN108665339B CN 108665339 B CN108665339 B CN 108665339B CN 201810256205 A CN201810256205 A CN 201810256205A CN 108665339 B CN108665339 B CN 108665339B
- Authority
- CN
- China
- Prior art keywords
- comment
- data
- commodity
- word
- probability
- 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
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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0623—Item investigation
- G06Q30/0625—Directed, with specific intent or strategy
- G06Q30/0627—Directed, with specific intent or strategy using item specifications
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Economics (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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于主观情感测度的电商产品可靠性指标及其实现方法,步骤如下:一、对网络平台商品评论内容、评论日期、买家信用分进行数据爬取;二、对爬取的评论内容数据进行情感值计算,即针对某条评论的用词判断其正负面概率,取正面概率为情感值;三、结合其他爬取的数据对某条评论的进行权值计算,判断有效概率;四、结合二三两步,计算评论情感值的加权平均,得到商品的最终可靠度评价指标。本发明从电商平台的商品评价内容、用户等级、交易时间等数据入手,通过神经网络对数据进行处理,从而有效地对电商产品的可靠性进行量化和评价。
Description
技术领域
本发明提出一种基于主观情感测度的电商产品可靠性及其实现 方法,它涉及一种基于主观情感测度的电商产品的可靠性指标及其实 现方法,属于可靠性、计算机科学与电子商务的交叉技术领域。
背景技术
电子商务已经成为现代都市生活不可或缺的一部分,对于目前 “互联网+B2B”、“互联网+B2C”的发展模式也有着举足轻重的作用。 然而,当琳琅满目的商品浮现在消费者的电子屏幕上时,消费者对于 商品的真实性和可靠性愈加难以辨别,购买到假货、仿货的可能性逐 渐增加。
由于网络电商的商品多样性、交易快速性等特点,加上由于商家 来源不一和平台监管条例不完善,如何判断商品是否可靠成为了一个 复杂的社会难题。解决判断电商产品可靠性的首要问题在于如何准确 的度量一件产品是否值得信赖。现行的评价产品可靠性的基本指标主 要是产品故障的概率度量和时间度量两个方面。其中,概率度量中包 括可靠度(R)、累计故障率(F)、故障密度(f)、故障率(λ)四个 指标,时间度量中包括平均故障前时间(MTTF)、故障前时间(TTF) 以及平均故障间隔时间(MTBF)三个指标。
可靠度是指产品在规定条件下和规定时间内,完成规定功能的概 率。假设规定的时间为t,产品的寿命为T,在一批产品中的寿命有 的T>t,也有的T≤t,从概率论角度可以将可靠度表示为T>t的概率, 即R(t)=P,(T>t)。在数值上,某个事件的概率可用试验中该事件 发生的频率来估计。
累计故障率F(t)是表征产品在规定条件下和规定时间内,丧 失规定功能的概率,也称为不可靠度。它也是时间t的函数,
记作F(t)=P(T≤t)。它在数值上等于1-R(t),即产品从0开 始试验(或工作)到时刻t时间段内,失效总数r(t)与初始试验 (或工作)产品总数N0之比。
故障概率密度f(t)表示累计故障率分布的密集程度,或者说 是累计故障率函数的变化率。它在数值上等于在时刻t,单位时间内 的失效数Δr/Δt与初始试验(或工作)产品总数N0的比值,
故障率λ(t)表示的是工作到某时刻t未发生故障的产品在该 时刻后单位时间内发生故障的概率,
平均故障前时间(Mean Time To Failure,简称MTTF),是不可 修复的产品在规定的环境下,正常工作到发生下一次故障的平均时间。
故障前时间(Time To Failure,简称TTF)是对于有明确故障 规律的产品,能给出的故障前的时间。用S代表一个产品的关键参数, 初始值为S0,故障发生时参数的阈值为SF,则 A0与m为参数退化数据中的可变参数。
平均故障间隔时间(Mean Time Between Failure,简称MTBF) 是指一个可维修产品在使用过程中发生了N0次故障,每次故障修复后 重新投入使用,则TBF=T/N0,T为产品工作的总时间。如果产品能够 完全修复,则TBF=TTF。
综上所述,在以往的研究中人们已经通过多种不同的方式来衡量 一个产品的可靠性水平。但是这些方法仅仅从客观的产品工作时间数 据的角度反应产品的可靠性,应用这些方法对电商产品进行可靠性评 价需要一定量的产品进行试验才能得到产品的可靠性数据,既费时又 费力;同时传统的评价方式忽略了大量使用主体的主观评价。
现实生活中,很多时候消费者选择购买一个商品与否的参考标准 并不仅是商品本身的参数,更多时候还依赖于电商平台等渠道的用户 评价。可以观察到的现象是,用户评价数量越多、评分等级越高的商 品,以及平台所评等级越高的商家在竞争中往往会获得优势,这反映 出了消费者心理上对评价数据的依赖,侧面反映出评价数据确实能作 为判断商品可靠性的一个新的维度。然而,用户对评分的依赖导致了 许多不良商家制造大量虚假好评、刷高交易数量,导致消费者实际上 购买到的产品远不如平台的评论和销量数据中反映出来的那么好。
本发明依据可靠性的概率度量形式,从实际电商产品的用户评价 中提取评价内容、用户等级、评价时间等信息作为参数,对评价内容 进行情感值打分并作为特征值,进行加权之后得到加权情感值,即为 该商品的可靠度,由此可以在很大程度上降低疑似虚假评论的重要性, 最大程度地反映真实用户的评价。
发明内容
(一)发明的目的
本发明的目的是:针对网络平台商品良莠不齐、商品评价准确性 不高等问题,提供了一种主观情感测度的电商产品可靠性指标及其实 现方法,可以有效地对网络平台商品的可靠性进行量化和评价。
本发明的理论基础:网络平台商品可靠性是指某商品在用户确认 收货一段时间内所有的评论内容中对商品好评的评论比例;利用网络 爬虫框架Scrapy和浏览器引擎PhantomJS对评价内容、用户等级、 评价时间、评价数量等信息进行爬取;使用谷歌开源软件库 TensorFlow,以循环神经网络作为模型计算情感值,输入语句后分词, 构建词向量,导入长短期记忆层(即LSTM层)随后导入全连接层, 输出正面、负面概率,取正面概率为情感值;用另一个神经网络计算 评论的权值,代表这条评论是否有效:输入评论长度、是否带图片、 买家信用分等维度,输出评论权值,计算所有评论情感值加权平均值, 得到商品的可靠度。
(二)技术方案
本发明的技术解决方案:建立基于主观情感测度的电商产品可靠 性的评价指标。本发明首先使用网络爬虫框架Scrapy和浏览器引擎 PhantomJS进行网络平台商品的评论内容、评论日期、买家信用分等 各类信息爬取;之后对爬取的评论内容数据使用谷歌开源软件库 TensorFlow神经网络进行情感值计算,即针对某条评论的用词判断 其正负面概率,并取正面概率作为情感值;之后通过另一神经网络, 结合其他爬取的数据如评论日期、买家信用等对某条评论进行权值计 算,判断该条评论是否有效;最后将权值与情感值结合,计算评论情 感值的加权平均,得到商品的最终可靠度评价指标;见图1所示;
本发明一种基于主观情感测度的电商产品可靠性指标及其实现 方法,其步骤如下:
步骤一、使用网络爬虫框架Scrapy和浏览器引擎PhantomJS对 网络平台商品评论的内容、评论日期、用户等级、评论数量等信息进 行数据爬取;
具体实施方法如下:
进行数据爬取的内容有:
①向服务器发送请求②获得目标网页内容③解析页面,提取目标 商品ID④使用PhantomJS跳转对应商品页面,抓取评论⑤储存内容;
评论内容不仅包括买家真实填写的内容,还应包括系统默认评价; 对于有买家信用的平台,正常爬取信用分,若平台未设立买家信用评 估机制,应爬取买家的平台等级或相似的信息;
现实采集到的数据往往是有缺失或是有错误数据的,这时候需要 运用数据补偿、数据筛选方法对数据进行预处理;
步骤二、对爬取的评论内容数据使用神经网络进行情感值计算, 即针对某条评论的用词判断其正负面概率,取正面概率为情感值;
整个流程为:①输入句子②分词③词ID④词向量⑤LSTM层⑥全 连接层⑦输出正面、负面概率,取正面概率为情感值;见图2所示;
其中,分词步骤是将评论的语句拆分成一个个词语,例如:将“这 件商品非常实用!”拆分成“这/件/商品/非常/实用”五个词语;词 ID是为每一个分出来的词语建立专属的识别方式;词向量则是将每 一个拥有词ID的词语也就是自然语言中的字词,转为计算机可以理 解的稠密向量;进而通过RNN模型(包括LSTM层和全连接层)检测 正负面评论,最终输出情感值;
其中输入的词ID序列长度被截取或填充到64个词,嵌入层有 128个单元,LSTM层有128个单元,后跟保持概率为0.8的dropout 层,最后是2个单元的全连接层,激活函数为softmax,输出评论情 感值S(越大说明评价越正面);
步骤三、通过另一神经网络,结合其他爬取的数据如评论日期、 买家信用等对某条评论进行权值计算,判断该条评论是否有效和计算 权重大小;见图3所示;
构建一个三层神经网络,输入为归一化后的用户信用等级、评论 长度、是否有图片、是否有追评、评论数量差分;隐藏层为32个神 经元,带偏置,激活函数为tanh;输出层2个单元,激活函数为softmax, 输出评论的有效概率U(越大说明评价越正面);
步骤四、将有效概率与情感值结合,计算评论情感值的加权平均, 得到商品的最终可靠度评价指标;
设某商品第i条评论经由步骤二得出的情感值为Si,经由步骤三 得出的有效概率为Ui,则该商品的可靠度R为各条评论的加权平均值:
通过以上步骤,本发明从电商平台的商品评价内容、用户信息、 交易时间等数据入手,通过神经网络对数据进行处理,从而有效地对 电商产品的可靠性进行量化和评价。本发明支持未来对各个电商平台 商品可靠性的判断,可以为消费者、生产厂家以及平台运营方提供十 分有价值的参考。
(三)创新点和功效
本发明所提出的基于主观情感测度的电商产品可靠性指标及其 实现方法具有如下创新点:
(a)从性能参数到用户评价:一般的可靠性参数是基于产品的 客观失效或故障等性能或故障参数,而目前的产品使用除了产品的客 观性能参数,还有顾客主观的使用感受,因此本发明则与一般的可靠 性参数不同,建立了基于主观评价的可靠性指标和计算方法,弥补了 主观领域可靠性领域的空白;
(b)真实性:以海量用户评价数据为驱动,基于大量的真实商 家评论数据计算商品可靠性和商家可靠性,具有很强的真实性和应用 价值;
(c)智能性:使用机器学习的方法,对主观评价进行加权分析, 衡量评论的可信度,一定程度上排除了虚假评论的干扰,与平台原有 的评分相比具有更高的可靠性。
综上,这种新方法的研究结果将对各个电商平台商品可靠性进行 有效准确的判断,可以为消费者、生产厂家以及平台运营方提供十分 有价值的参考。
附图说明
图1为本发明所述方法流程示意图。
图2为本发明中评论语句处理以及情感值计算的实现过程。
图3为本发明中计算评论有效概率的神经网络结构。
具体实施方式
为使本发明要解决的技术问题、技术方案更加清楚,下面将结合 附图及具体实施案例进行详细描述。
本发明的目的在于克服现有商品可靠性指标在延伸性、真实性以 及评论可靠性方面的不足之处,提供一种基于主观情感测度的电商产 品可靠性指标。在本发明中,以产品可靠性概率度量为理论基础,构 建电商平台商品评论情感值计算方法,结合评论相关信息计算各评论 有效的概率,将情感值与有效值加权平均最终得到可靠性指标。
本发明一种基于主观情感测度的电商产品可靠性指标及其实现 方法,见图1所示,其步骤如下:
步骤一、使用网络爬虫框架Scrapy和浏览器引擎PhantomJS对 网络平台商品评论的内容、评论日期、用户等级、评论数量等信息进 行数据爬取;
具体实施方法如下:
①向服务器发送请求②获得目标网页内容③解析页面,提取目标 商品ID④使用PhantomJS跳转对应商品页面,抓取评论⑤储存内容;
评论内容不仅包括买家真实填写的内容,还应包括系统默认评价; 对于有买家信用的平台,正常爬取信用分,若平台未设立买家信用评 估机制,应爬取买家的平台等级或相似的信息;
现实采集到的数据往往是有缺失或是有错误数据的,这时候需要 运用数据补偿、数据筛选方法对数据进行预处理;
步骤二、对爬取的评论内容数据使用TensorFlow神经网络进行 情感值计算,即针对某条评论的用词判断其正负面概率,取正面概率 为情感值;
整个流程为:①输入句子②分词③词ID④词向量⑤LSTM层⑥全 连接层⑦输出正面、负面概率,取正面概率为情感值;见图2所示;
在图2中,分词步骤是将评论的语句拆分成一个个词语,例如: 将“这件商品非常实用!”拆分成“这/件/商品/非常/实用”五个词 语;词ID是为每一个分出来的词语建立专属的识别方式;词向量则 是将每一个拥有词ID的词语也就是自然语言中的字词,转为计算机 可以理解的稠密向量;进而通过RNN模型(包括LSTM层和全连接层) 检测正负面评论,最终输出情感值;
其中输入的词ID序列长度被截取或填充到64个词,嵌入层有 128个单元,LSTM层有128个单元,后跟保持概率为0.8的dropout 层,最后是2个单元的全连接层,激活函数为softmax,输出评论为 正面、负面的概率;
步骤三、通过另一神经网络,结合其他爬取的数据如评论日期、 买家信用等对某条评论进行权值计算,判断该条评论是否有效;
构建一个三层神经网络,输入为归一化后的用户信用等级、评论 长度、是否有图片、是否有追评、评论数量差分;隐藏层为32个神 经元,带偏置,激活函数为tanh;输出层2个单元,激活函数为softmax, 输出评论有效、没用的概率,见图3所示;
步骤四、将权值与情感值结合,计算评论情感值的加权平均,得 到商品的最终可靠度评价指标;
设某商品第i条评论经由步骤二得出的情感值为Si,经由步骤三 得出的有效概率为Ui,则该商品的可靠度R为各条评论的加权平均值:
本发明未详细阐述部分属于本领域公知技术。
以上所述,仅为本发明部分具体实施方式,但本发明的保护范围 并不局限于此,任何熟悉本领域的人员在本发明揭露的技术范围内, 可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (2)
1.一种基于主观情感测度的电商产品可靠性指标的计算方法,其特征在于:步骤如下:
步骤一、使用网络爬虫框架Scrapy和浏览器引擎PhantomJS对网络平台商品评论的内容、评论日期、用户等级和评论数量信息进行数据爬取;
步骤二、对爬取的评论内容数据使用神经网络进行情感值计算,即针对评论的用词判断其正负面概率,取正面概率为情感值;
整个流程为:①输入句子②分词③词ID④词向量⑤LSTM层⑥全连接层⑦输出正面、负面概率,取正面概率为情感值;
其中,分词步骤是将评论的语句拆分成一个个词语;词ID是为每一个分出来的词语建立专属的识别方式;词向量则是将每一个拥有词ID的词语也就是自然语言中的字词,转为计算机能理解的稠密向量;进而通过RNN模型,包括LSTM层和全连接层,检测正负面评论,最终输出情感值;
其中输入的词ID序列长度被截取及填充到64个词,嵌入层有128个单元,LSTM层有128个单元,后跟保持概率为0.8的dropout层,最后是2个单元的全连接层,激活函数为softmax,输出评论情感值S,越大说明评价越正面;
步骤三、通过另一神经网络,结合其他爬取的数据对评论进行权值计算,该权值表示该条评论的有效概率;
构建一个三层神经网络,输入为归一化后的用户信用等级、评论长度、是否有图片、是否有追评和评论数量差分;隐藏层为32个神经元,带偏置,激活函数为tanh;输出层2个单元,激活函数为softmax,输出评论的有效概率U,越大说明评价越正面;
步骤四、将有效概率与情感值结合,计算评论情感值的加权平均,得到商品的最终可靠度评价指标;
设一商品第i条评论经由步骤二得出的情感值为Si,经由步骤三得出的有效概率为Ui,则该商品的可靠度R为各条评论的加权平均值:
2.根据权利要求1所述的一种基于主观情感测度的电商产品可靠性指标的计算方法,其特征在于:在步骤一中所述的“使用网络爬虫框架Scrapy和浏览器引擎PhantomJS对网络平台商品评论的内容、评论日期、用户等级和评论数量信息进行数据爬取”,其具体实施方法如下:
进行数据爬取的内容有:
①向服务器发送请求②获得目标网页内容③解析页面,提取目标商品ID④使用PhantomJS跳转对应商品页面,抓取评论⑤储存内容;
评论内容不仅包括买家真实填写的内容,还包括系统默认评价;对于有买家信用的平台,正常爬取信用分,若平台未设立买家信用评估机制,应爬取买家的平台等级及相似的信息;
现实采集到的数据往往是有缺失及有错误数据的,这时候需要运用数据补偿、数据筛选方法对数据进行预处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810256205.4A CN108665339B (zh) | 2018-03-27 | 2018-03-27 | 一种基于主观情感测度的电商产品可靠性指标及其实现方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810256205.4A CN108665339B (zh) | 2018-03-27 | 2018-03-27 | 一种基于主观情感测度的电商产品可靠性指标及其实现方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108665339A CN108665339A (zh) | 2018-10-16 |
CN108665339B true CN108665339B (zh) | 2021-11-23 |
Family
ID=63782585
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810256205.4A Active CN108665339B (zh) | 2018-03-27 | 2018-03-27 | 一种基于主观情感测度的电商产品可靠性指标及其实现方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108665339B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109544394A (zh) * | 2018-11-06 | 2019-03-29 | 北京腾云天下科技有限公司 | 一种旅游地评估方法和计算设备 |
CN111161006A (zh) * | 2018-11-08 | 2020-05-15 | 北京京东尚科信息技术有限公司 | 一种区块链信用服务方法、系统及存储介质 |
CN109636609A (zh) * | 2019-01-04 | 2019-04-16 | 广州市本真网络科技有限公司 | 基于双向长短时记忆模型的股票推荐方法及系统 |
CN109902304A (zh) * | 2019-03-04 | 2019-06-18 | 拉扎斯网络科技(上海)有限公司 | 信息处理方法、装置、存储介质和电子设备 |
CN110648173B (zh) * | 2019-09-19 | 2023-04-07 | 西安电子科技大学 | 基于商品好评和差评率的无监督异常商品数据检测方法 |
CN111027328B (zh) * | 2019-11-08 | 2024-03-26 | 广州坚和网络科技有限公司 | 通过语料训练判断评论情绪正负及感情色彩的方法 |
CN111144808A (zh) * | 2019-12-20 | 2020-05-12 | 贵州黔岸科技有限公司 | 用于建筑材料运输的任务统计管理系统及方法 |
CN113821628A (zh) * | 2020-06-17 | 2021-12-21 | 北京瀚海云星科技有限公司 | 利用社交媒体短文本进行价值评估的方法和装置、程序、介质 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090063247A1 (en) * | 2007-08-28 | 2009-03-05 | Yahoo! Inc. | Method and system for collecting and classifying opinions on products |
US9201928B2 (en) * | 2013-05-31 | 2015-12-01 | Google Inc. | Assessing quality of reviews based on online reviewer generated content |
CN103345688A (zh) * | 2013-07-05 | 2013-10-09 | 倪慎瑜 | 一种基于情绪和信用的双反馈信用评估系统和评估方法 |
CN105787744A (zh) * | 2016-03-02 | 2016-07-20 | 青岛工学院 | 一种基于购物需求的抗攻击信誉评价计算方法 |
CN105718446A (zh) * | 2016-03-08 | 2016-06-29 | 徐勇 | 一种基于情感分析的ugc模糊综合评价方法 |
CN107544957A (zh) * | 2017-07-05 | 2018-01-05 | 华北电力大学 | 一种面向商品目标词的情感倾向分析方法 |
CN107391483A (zh) * | 2017-07-13 | 2017-11-24 | 武汉大学 | 一种基于卷积神经网络的商品评论数据情感分类方法 |
CN107808324B (zh) * | 2017-10-20 | 2021-05-28 | 西安电子科技大学 | 一种在线商品的信誉值计算方法、网络交易平台、计算机 |
-
2018
- 2018-03-27 CN CN201810256205.4A patent/CN108665339B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN108665339A (zh) | 2018-10-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108665339B (zh) | 一种基于主观情感测度的电商产品可靠性指标及其实现方法 | |
CN109711955B (zh) | 基于当前订单的差评预警方法、系统、黑名单库建立方法 | |
CN106611375A (zh) | 一种基于文本分析的信用风险评估方法及装置 | |
CN111695719A (zh) | 一种用户价值预测方法及系统 | |
KR20070101128A (ko) | 이상 관리 장치, 이상 관리 방법, 이상 관리 프로그램 및이것을 기록한 기록 매체 | |
CN110321436B (zh) | 一种基于社交注意力机制表示学习的冷启动欺诈评论检测方法 | |
CN111583012B (zh) | 融合文本信息的信用债发债主体违约风险评估方法 | |
Riany et al. | Detecting Fraudulent Financial Reporting Using Artificial Neural Network | |
CN112257942A (zh) | 一种应力腐蚀开裂预测方法及系统 | |
CN112686749A (zh) | 一种基于逻辑回归技术的信用风险评估方法及装置 | |
CN114819777A (zh) | 一种基于数字孪生技术的企业销售业务分析管理系统 | |
CN112836964A (zh) | 一种企业异常的评估系统及评估方法 | |
CN115713403A (zh) | 基于自编码神经网络的企业风险识别方法、装置及设备 | |
CN110956543A (zh) | 异常交易检测的方法 | |
CN107798457A (zh) | 投资组合方案推荐方法、装置、计算机设备和存储介质 | |
CN114493208A (zh) | 工程项目全寿命周期的评价方法、装置、电子设备及介质 | |
CN110942180B (zh) | 基于xgboost算法的工业设计匹配服务方预测方法 | |
CN117274689A (zh) | 用于包装盒缺陷检测的检测方法及其系统 | |
CN111047148A (zh) | 一种基于强化学习的虚假评分检测方法 | |
GB2583176A (en) | Prediction device, prediction program, and prediction method for predicting human judgments | |
JP2020135434A (ja) | 企業情報処理装置、企業のイベント予測方法及び予測プログラム | |
CN116502813A (zh) | 一种基于集成学习的异常订单检测方法 | |
CN112785331A (zh) | 一种结合评价文本的抗注入攻击的鲁棒推荐方法和系统 | |
Hemendiran et al. | Predicting the Prices of the Used Cars using Machine Learning for Resale | |
CN113011748A (zh) | 推荐效果的评估方法、装置、电子设备及可读存储介质 |
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 |