CN108681912A - 网购用户大指数模型的生成方法及系统 - Google Patents
网购用户大指数模型的生成方法及系统 Download PDFInfo
- Publication number
- CN108681912A CN108681912A CN201810238535.0A CN201810238535A CN108681912A CN 108681912 A CN108681912 A CN 108681912A CN 201810238535 A CN201810238535 A CN 201810238535A CN 108681912 A CN108681912 A CN 108681912A
- Authority
- CN
- China
- Prior art keywords
- index
- online shopping
- users
- user
- satisfaction
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 230000010354 integration Effects 0.000 claims abstract description 7
- 241001123248 Arma Species 0.000 claims abstract description 4
- 238000004364 calculation method Methods 0.000 claims description 120
- 238000012423 maintenance Methods 0.000 claims description 31
- 238000004458 analytical method Methods 0.000 claims description 29
- 230000008451 emotion Effects 0.000 claims description 25
- 230000001186 cumulative effect Effects 0.000 claims description 23
- 238000005311 autocorrelation function Methods 0.000 claims description 18
- 238000011156 evaluation Methods 0.000 claims description 17
- 238000005314 correlation function Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 11
- 238000005516 engineering process Methods 0.000 claims description 8
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000007476 Maximum Likelihood Methods 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 230000001932 seasonal effect Effects 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 6
- 238000012821 model calculation Methods 0.000 abstract description 5
- 238000011161 development Methods 0.000 abstract description 4
- 230000006399 behavior Effects 0.000 description 17
- 238000010586 diagram Methods 0.000 description 6
- 238000009825 accumulation Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013077 scoring method Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
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
- G06Q30/01—Customer relationship services
-
- 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种网购用户大指数模型的生成方法及系统，分别生成网购消费指数、网购满意度指数、网购维权指数、网购买假指数；通过网购平台交易数据计算网购消费指数，通过商品评论文本识别计算网购满意度指数，通过商品评论维权文本识别计算网购维权指数，通过买假文本识别后计算网购买假指数，并在以上步骤模型计算结果的基础上，通过模型整合计算，得到网购用户大指数并通过ARMA模型获得网购用户大指数预测模型。该方法及系统，所生成的网购用户大指数模型的计算数据易获取，模型输出结果唯一、较为稳定，且可动态监测与预测某段时间内，特定商品、特定消费群体的网络消费水平、满意程度、维权行为以及买假评论的整体发展状态。
Description
技术领域
本发明涉及一种网购用户大指数模型的生成方法及系统。
背景技术
据相关搜索与比对发现，相关技术包括：
一、2016年5月，蚂蚁金服研究院依托电商平台数据，以占全国网络消费比重较大的支付宝网络消费为代表，分地区、分人群、分产品行业归属编制的消费指数。即用来描述全国网络消费者消费状态与发展趋势的新供给-蚂蚁网络消费指数，但并未对满意指数、维权指数与买假指数进行设计与编制。
二、由中国北京–品牌评级机构Chnbrand联合发布的中国顾客满意度指数模型CCSI。其通过要素满意度、总体满意度、忠诚度三个指标综合计算得出中国顾客满意度指数(C-CSI)。
三、由青岛市工商局创立的，于2011年9月23日首发的消费者维权指数。其数据主要来源于该市局12315投诉举报指挥中心受理的消费者投诉举报案件数据，重点关注的是八大重点商品的维权案件数量和涉案金额的统计分析。
但未有对满意指数、维权指数与买假指数的进行监测与预测的模型，未对网购用户的消费进行相对全面的监测。上述问题是在网购用户大指数模型的生成过程中应当予以考虑并解决的问题。
发明内容
本发明的目的是提供一种网购用户大指数模型的生成方法及系统解决现有技术中存在的未有对满意指数、维权指数与买假指数的进行监测与预测的模型，未对网购用户的消费进行相对全面的监测的问题。
本发明的技术解决方案是：
一种网购用户大指数模型的生成方法，分别生成网购消费指数、网购满意度指数、网购维权指数、网购买假指数；包括以下步骤，
S1、生成网购消费指数，采集电商平台交易数据后，分别进行现价人均网络消费支出额的计算、不变价格人均网络消费支出额的计算、居民网络消费水平指数的计算、归属性指数以及网购消费总指数计算；
S2、生成网购满意度指数，首先利用网购消费者评论文本数据的商品评论情感分析技术，获得某类目的一个商品的一个用户的商品质量、服务或承诺满意度情感分析与满意度计算，然后计算其他用户、其他店铺、其他商品以及其他商品类目的消费者评论文本的情感分析与满意度计算，最后计算出不同类目、不同商品、不同店铺消费者的总情感分析与满意度计算；
S3、生成网购维权指数，通过网络消费用户维权评论文本识别，来计算各维权行为指数，包括评论维权指数、投诉维权指数、社会维权指数；
S4、生成网购买假指数，进行买假文本的识别后，得到网购买假指数；
S5、生成与预测网购用户大指数，在步骤S1、S2、S3和S4模型计算结果的基础上，通过模型整合计算，得到网购用户大指数并生成网购用户指数预测模型，采用自回归移动平均模型ARIMA来预测网购用户大指数的变化态势。
进一步地，步骤S1中，
S11、k平台t期现价人均网络消费支出额的计算，当期现价居民人均网络消费支出额等于当期活跃老用户的网络消费总支出额除以当期活跃老用户的实际消费人数，其表达式为：
其中，表示k平台t期现价人均网络消费支出额；Yt k表示k平台t期活跃老用户的网络消费总支出额；表示k平台t期活跃老用户的实际消费人数；
S12、k平台t期不变价格人均网络消费支出额的计算，当期不变价居民人均网络消费支出额等于当期现价居民人均网络消费支出额除以当期相应网络消费价格指数，其表达式子为：
其中，表示k平台t期不变价居民人均网络消费支出额，表示k平台t期现价居民人均网络消费支出额，k∈{阿里，京东，苏宁，……}表示平台标记，包括案例平台，京东平台和苏宁平台等，SPIk表示k平台第t期网络消费价格指数；
S13、k平台t期居民网络消费水平指数的计算，设基准值为100，当期居民网络消费水平定基指数等于当期不变价居民人均网络消费支出额除以基期现价居民人均网络消费支出额乘以100，其表示式子为：
其中，表示k平台t期不变价居民人均网络消费支出额，X0表示k平台基期现价居民人均网络消费支出额，基期现居民人均网络消费支出额与基期不变价居民人均网络消费支出额相等，表示k平台t期居民网络消费水平定基指数；
S14、归属性指数的计算，通过属性包括商品类目、地区属性、人群属性分别进行各属性的网购消费指数；
S15、网购消费总指数的计算，网购消费总指数等于不同电商平台分指数乘以市场份额权重后的累和，其表达式为：
其中，为k平台t期商品的市场销售份额，n为平台数量，为k平台t期商品消费指数，其计算公式为公式(3)。
进一步地，步骤S2具体为，
S21、f商品类目，单个i商品的网购用户满意指数的计算，其等于f类目下一个i商品的所有用户有效评论网购用户的满意度评论值的累和平均，计算公式如下：
其中，xj为j用户对i商品的x维度的满意度评价值，包括质量、服务或承诺维度；mx为f类目一个i商品x维度满意度评价的有效用户数量；所谓有效评价用户数量是指符合抽样时间要求，且评x维度满意度评价值不为空的用户数量；
S22、f商品类目，n个i商品网购用户满意指数的计算，其等于f类目下n个i商品网购用户的满意度评论值的累和平均，其计算公式为：
其中，n为名称为i的商品抽样数量；
S23、f商品类目，网购用户满意指数的计算，其等于f类目一篮子商品的网购用户满意度评论值的累和平均，计算公式为：
其中，z为一篮子商品的数量；
S24、网购用户满意度总指数的计算，其等于网购用户对所有类目的网络销售商品的质量、服务或承诺满意度用户评论值的累和平均，计算公式为：
其中，g为所有商品类目的数量。
进一步地，步骤S3具体为，
S31、评论维权指数的计算，其等于采用评论维权方式进行维权的用户数量与总的网购维权用户数量的比值，具体计算公式为：
其中，和分别t期的网购用户采用评论方式进行维权的比例和基期网购用户采用评论方式进行维权的比例，和分别为t期和基期网购用户采用评论方式进行维权的用户数量，Nt和Nbase分别为t期和基期总的网购用户进行维权的数量；
S32、投诉维权指数的计算，其等于采用平台投诉方式进行维权的用户数量与总的网购维权用户数量的比值，具体计算公式为：
其中，和分别t期的网购用户采用平台投诉方式的维权比例和基期网购用户采用平台投诉方式维权比例，和分别为t期和基期网购用户采用平台投诉方式进行维权的用户数量，Nt和Nbase分别为t期和基期总的网购用户进行维权的数量；
S33、社会维权指数的计算，其等于线下投诉方式的网购用户数量与总的网购维权用户数量的比值，具体计算公式为：
其中，和分别是t期的网购用户采用社会投诉方式的维权比例和基期网购用户采用社会投诉方式维权比例，和分别为t期和基期网购用户采用社会投诉方式进行维权的用户数量，Mt和Mbase分别为t期和基期总的网购用户社会投诉方式进行维权的数量。
进一步地，步骤S4具体为，
S41、买假评论文本的识别，获得有效用户评论数据之后，再根据用户评论语句的相似度算法来计算和识别这些用户商品评论所阐述的内容是否为买假评论，并计数买假评论数量；
S42、网购买假指数的分别计算，包括：
S421、f类目i商品j店铺的网购用户买假评论指数的计算，获得买假评论条目后，除以有效用户评论，即可计算出网购该商品的所有用户买假评论比例值，其等于其中，mBC为购买该商品的网购用户买假评论数量，m为购买该商品的网购用户有效评论数量；
S422、f类目i商品，网购用户买假评论指数的计算，等于f类目的i商品下的所有店铺的网购用户买假评论的比例值的累和平均值，计算公式为：
其中，n为f类目下i商品所有店铺数量；
S423、f类目商品的网购用户买假评论指数的计算，等于f类目下的所有商品的网购用户买假评论的比例值的累和平均值，计算公式为：
其中，k为f类目下所有商品的数量，为商品抽样数量；
S424、网购用户买假评论指数的计算，其等于所有类目网购商品的网购用户买假评论的比例值的累和平均值，计算公式为：
其中，19为商品类目主体数量值。
进一步地，步骤S5中，具体为：
S51、生成网购消费综合指数、网购满意度综合指数、网购维权综合指数与网购买假综合指数结果数据；同时，生成网购用户大指数模型；
S52、生成网购用户大指数预测模型。
7、如权利要求6所述的网购用户大指数模型的生成方法，其特征在于：步骤S51具体为，
S511、网络消费综合指数的计算，由步骤S15中公式(4)得出，即不分平台归属的网购用户消费指数的计算；
S512、网购满意度综合指数计算公式为：
其中，xCSI为x维度的满意度指数，其计算公式参见公式(8)；
S513、网购维权综合指数计算公式为：
其中，RPIcomment、RPIcomplaint和RPIoutplatform分别为评论维权指数，投诉维权指数与社会维权指数，具体计算公式参见公式(9)、(10)和(11)；
S514、网购买假综合指数计算公式为：
其中，RBCI为评论买假指数，CBCI为买假行为维权指数，POBCI为买假舆情指数，且CBCI买假行为维权指数、POBCI买假舆情指数为外部导入数据。
S515网购用户大指数计算公式为
其中，CPI为网购消费综合指数，具体计算过程参见公式(4)；CSI为网购满意度综合指数，具体计算过程参见公式(15)；RPI为网购维权综合指数，具体计算过程参见公式(16)；BCI为网购买假综合指数，具体计算过程参见公式(17)；
进一步地，步骤S52，具体为：
S521、平稳性识别：根据网购用户大指数时间序列曲线图、自相关函数和偏自相关函数图以ADF单位根检验其方差、趋势及其季节性变化规律，完成网购用户大指数序列的平稳性进行识别；
S522、平稳性处理：如果网购用户大指数的时间序列数据是非平稳的，并存在一定的增长或下降趋势，则需要对数据进行差分处理，如果数据存在异方差，则需对数据分别依此采用广义最小二乘法GLS或加权最小二乘法WLS进行技术处理；直到处理后的网购用户大指数时间序列数据的自相关函数值和偏相关函数值无显著地异于零；
S523、建立预测模型：若网购用户大指数时间序列数据的偏相关函数是截尾的，而自相关函数是拖尾的，可断定网购用户大指数时间序列数据适合AR模型；若网购用户大指数时间序列数据的偏相关函数是拖尾的，而自相关函数是截尾的，则可断定网购用户大指数时间序列数据适合MA模型；若网购用户大指数时间序列数据的偏相关函数和自相关函数均是拖尾的，则可判断网购用户大指数时间序列数据适合ARMA模型；
S524、采用极大似然估计或最小二乘估计，进行网购用户大指数时间序列数据参数估计，通过LB统计量以及p值是否显著大于0.05，来检验其是否具有统计意义，以及残差序列白噪声情况；
S525、利用已通过检验的模型对网购用户大指数时间序列数据进行预测分析；
S526、基于用户交易数据的输入，以及步骤S521至S526处理之后，获得网购用户大指数时间序列预测模型为：
XIt＝ARXIt-1+εt-MAεt (19)
其中，AR、MA为系数，XIt-1为上一期指数值，εt矫正变量。
一种采用上述任一项所述网购用户大指数模型的生成方法的网购用户大指数模型的生成系统，包括网购消费指数生成模块、网购满意度指数生成模块、网购维权指数生成模块、网购买假指数生成模块，
网购消费指数生成模块：采集电商平台交易数据后，分别进行现价人均网络消费支出额的计算、不变价格人均网络消费支出额的计算、居民网络消费水平指数的计算、归属性指数以及网购消费总指数计算，
网购满意度指数生成模块：首先利用网购消费者评论文本数据的商品评论情感分析技术，获得某类目的一个商品的一个用户的商品质量、服务或承诺满意度情感分析与满意度计算，然后计算其他用户、其他店铺、其他商品以及其他商品类目的消费者评论文本的情感分析与满意度计算，最后计算出不同类目、不同商品、不同店铺消费者的总情感分析与满意度计算；
网购维权指数生成模块：通过网络消费用户维权评论文本识别，来计算各维权行为指数，包括评论维权指数、投诉维权指数、社会维权指数；
生成网购买假指数生成模块：进行买假文本的识别后，得到网购买假指数；
生成与预测网购用户大指数模块：在网购消费指数生成模块、网购满意度指数生成模块、网购维权指数生成模块、网购买假指数生成模块的计算结果的基础上，通过模型整合计算，得到网购用户大指数并生成网购用户指数预测模型，采用自回归移动平均模型ARIMA来预测网购用户大指数的变化态势。
本发明的有益效果是：提供一种网购用户大指数模型的生成方法及系统。该方法及系统，所生成的网购用户大指数模型的计算数据易获取，模型输出结果唯一、较为稳定，且可动态监测与预测某段时间内，特定商品、特定消费群体的网络消费水平、满意程度、维权行为以及买假评论的整体发展状态。其可用于网络电商企业的平台注册用户消费行为检测与预测，也可用于政府职能部门的特定时间、特定地区与特定消费商品的网络消费宏观状态的监测与预测。
附图说明
图1是本发明实施例网购用户大指数模型的生成方法的流程示意图；
图2是实施例中网购用户消费指数指标体系的说明框图。
图3是实施例中网购用户满意度指标体系的说明框图。
图4是实施例中网购用户维权指数指标体系的说明框图。
图5是实施例中网购用户买假指数指标体系的说明框图。
图6是实施例中分组指数与综合指数的计算的说明示意图。
图7是实施例中预测模型拟合曲线图。
图8是实施例中的商品类目划分的说明示意图。
具体实施方式
下面结合附图详细说明本发明的优选实施例。
实施例
网购用户大指数模型是一个监测、预测特定地区、特定网购用户、特定产品、特定消费平台的消费规模、消费水平、满意程度、维权行为选择与知假买假行为特征的统计指标模型。其可用于网络电商企业的平台注册用户消费行为检测与预测，也可用于政府职能部门的特定时间、特定地区与特定消费商品的网络消费宏观状态的监测与预测。
一种网购用户大指数模型的生成方法，分别生成网购消费指数、网购满意度指数、网购维权指数、网购买假指数；包括以下步骤，
S1、生成网购消费指数，采集电商平台交易数据后，即获得不同商品类目、不同商品、不同商品店铺的商品实际交易数据后，分别进行现价人均网络消费支出额的计算、不变价格人均网络消费支出额的计算、居民网络消费水平指数的计算、归属性指数以及网购消费总指数计算；
步骤S1中，
S11、k平台t期现价人均网络消费支出额的计算，当期现价居民人均网络消费支出额等于当期活跃老用户的网络消费总支出额除以当期活跃老用户的实际消费人数，其表达式为：
其中，表示k平台t期现价人均网络消费支出额；Yt k表示k平台t期活跃老用户的网络消费总支出额；表示k平台t期活跃老用户的实际消费人数；
S12、k平台t期不变价格人均网络消费支出额的计算，当期不变价居民人均网络消费支出额等于当期现价居民人均网络消费支出额除以当期相应网络消费价格指数，其表达式子为：
其中，表示k平台t期不变价居民人均网络消费支出额，表示k平台t期现价居民人均网络消费支出额，k∈{阿里，京东，苏宁，……}表示平台标记，包括案例平台，京东平台和苏宁平台等，SPIk表示k平台第t期网络消费价格指数；
S13、k平台t期居民网络消费水平指数的计算，设基准值为100，当期居民网络消费水平定基指数等于当期不变价居民人均网络消费支出额除以基期现价居民人均网络消费支出额乘以100，其表示式子为：
其中，表示k平台t期不变价居民人均网络消费支出额，X0表示k平台基期现价居民人均网络消费支出额，基期现居民人均网络消费支出额与基期不变价居民人均网络消费支出额相等，表示k平台t期居民网络消费水平定基指数；
S14、归属性指数的计算，通过属性包括商品类目、地区属性、人群属性分别进行各属性的网购消费指数；
关于属性分组的归属性指数的计算方法，融合阿里、京东和苏宁商品类目的划分方法，最终形成19个消费品类目，其中实物类13个，服务类6个，如图8所示。地区属性按全国省、市、县进行划分，人群属性只考虑年龄和性别进行划分，计算方法与过程按公式(1)到(3)计算，不再赘述。
S15、网购消费总指数的计算，网购消费总指数等于不同电商平台分指数乘以市场份额权重后的累和，其表达式为：
其中，为k平台t期商品的市场销售份额，n为平台数量，为k平台t期商品消费指数，其计算公式为公式(3)。
S2、生成网购满意度指数，首先利用网购消费者评论文本数据的商品评论情感分析技术，获得某类目的一个商品的一个用户的商品质量、服务或承诺满意度情感分析与满意度计算，然后计算其他用户、其他店铺、其他商品以及其他商品类目的消费者评论文本的情感分析与满意度计算，最后计算出不同类目、不同商品、不同店铺消费者的总情感分析与满意度计算；
如图6，步骤S2具体为，
S21、f商品类目，单个i商品的网购用户满意指数的计算，其等于f类目下一个i商品的所有用户有效评论网购用户的满意度评论值的累和平均，计算公式如下：
其中，xj为j用户对i商品的x维度的满意度评价值，(包括质量、服务或承诺维度)；mx为f类目一个i商品x维度满意度评价的有效用户数量；所谓有效评价用户数量是指符合抽样时间要求，且评x维度满意度评价值不为空的用户数量；
S22、f商品类目，n个i商品网购用户满意指数的计算，其等于f类目下n个i商品(n为i的商品抽样数量，其由平台上i商品的总数量的抽样数量)网购用户的满意度评论值的累和平均，其计算公式为：
其中，n为名称为i的商品抽样数量；
S23、f商品类目，网购用户满意指数的计算，其等于f类目一篮子商品的网购用户满意度评论值的累和平均，计算公式为：
其中，z为一篮子商品的数量；
S24、网购用户满意度总指数的计算，其等于网购用户对所有类目的网络销售商品的质量、服务或承诺满意度用户评论值的累和平均，计算公式为：
其中，g为所有商品类目的数量，本权利中g＝19，商品类目的划分请参考图8所示。
实施例中，其他属性网购用户满意指数的计算，后续分组指数和综合指数的编制与计算与上述过程是一致的。所不同的是，分地区指数计算，需要区分网购用户的收货地址的地区归属ID，分人群特征归属的指数计算需要区分用户的性别与年龄。
由上述相关指标的计算过程与公式可知，f类目下i商品j用户评论评价文本数据的满意度情感分析是最小粒度的计算单位，是其他后续分组指数和综合指数的基础。其次，若无特殊原因，采用平均权重是一种可行策略。若有特殊需求，建议采用层次分析模型的专家打分法来确定权重。
S31、评论维权指数的计算，其等于采用评论维权方式进行维权的用户数量与总的网购维权用户数量的比值，具体计算公式为：
其中，和分别t期的网购用户采用评论方式进行维权的比例和基期网购用户采用评论方式进行维权的比例，和分别为t期和基期网购用户采用评论方式进行维权的用户数量，Nt和Nbase分别为t期和基期总的网购用户进行维权的数量；
S32、投诉维权指数的计算，其等于采用平台投诉方式进行维权的用户数量与总的网购维权用户数量的比值，具体计算公式为：
其中，和分别t期的网购用户采用平台投诉方式的维权比例和基期网购用户采用平台投诉方式维权比例，和分别为t期和基期网购用户采用平台投诉方式进行维权的用户数量，Nt和Nbase分别为t期和基期总的网购用户进行维权的数量；
S33、社会维权指数的计算，其等于线下投诉方式的网购用户数量与总的网购维权用户数量的比值，具体计算公式为：
其中，和分别是t期的网购用户采用社会投诉方式的维权比例和基期网购用户采用社会投诉方式维权比例，和分别为t期和基期网购用户采用社会投诉方式进行维权的用户数量，Mt和Mbase分别为t期和基期总的网购用户社会投诉方式进行维权的数量。
S4、生成网购买假指数，进行买假文本的识别后，得到网购买假指数。
步骤S4具体为，
S41、买假评论文本的识别，获得有效用户评论数据之后，再根据用户评论语句的相似度算法来计算和识别这些用户商品评论所阐述的内容是否为买假评论，并计数买假评论数量；
获得有效用户评论数据之后，再根据用户评论语句(关键词)的相似度算法来计算和识别这些用户商品评论所阐述的内容是否为买假评论，并计数买假评论数量。这里的识别方法需构建一个网购用户买假语料库，通过关键词匹配就可实现识别。对于复杂文本而言，可建立一个基于语料库的买假用户评论识别案例推理模型进行识别。
S42、网购买假指数的分别计算，包括：
S421、f类目i商品j店铺的网购用户买假评论指数的计算，获得买假评论条目后，除以有效用户评论，即可计算出网购该商品的所有用户买假评论比例值，其等于其中，mBC为购买该商品的网购用户买假评论数量，m为购买该商品的网购用户有效评论数量；
S422、f类目i商品，网购用户买假评论指数的计算，等于f类目的i商品下的所有店铺的网购用户买假评论的比例值的累和平均值，计算公式为：
其中，n为f类目下i商品所有店铺数量；
S423、f类目商品的网购用户买假评论指数的计算，等于f类目下的所有商品的网购用户买假评论的比例值的累和平均值，计算公式为：
其中，k为f类目下所有商品的数量，为商品抽样数量；
S424、网购用户买假评论指数的计算，其等于所有类目网购商品的网购用户买假评论的比例值的累和平均值，计算公式为：
其中，19为商品类目主体数量值，商品具体类目的划分按图8进行划分。
实施例中，网购用户消费指数指标体系设计，首先划分为网购水平指标、网购规模指标、平台指标、行业指标、地区指标和人群指标这六个二级指标，每个二级指标又包含总指数和分组指数这两个二级指标，如图2所示。
实施中，网购用户消费指数中所定义的分指数和总指数是相对而言的，其主要是指明按什么分类维度进行划分，而总指数仅仅是其分指数的累加平均。例如，在消费指数计算中，若模型计算的输入数据经地区标签识别后，都指向用户的商品收货地址都是来自某个相同地区i，并按S1及其分步骤S11、S12、S13、S14和S15分别计算出来消费指数Ai，即为i地区网购用户消费分指数。通过上述多个地区的Ai指数累加平均数学计算，即计算出来所有地区网购用户网购消费总指数A。诸如此类，按平台归属、商品类目归属和用户人群归属所定义的分指数和总指数的关系的计算逻辑也是相同的。
实施例中，网购用户满意指数指标体系设计首先划分为质量满意度、服务满意度和承诺满意度三个二级指标，二级指标中的质量满意度又划分为功能质量、性能质量和其它质量三个三级指标，二级指标中的服务满意度划分为售前服务、售中服务和售后服务三个三级指标。所有指标还横向从地区归属、平台归属、类目归属和人群归属这四个横向指标进行交叉，如图3所示。
实施中，网购用户满意指数中所定义的分指数和总指数是相对而言的，其主要是指明按什么分类维度进行划分，而总指数仅仅是其分指数的累加平均。例如，在满意指数计算中，若模型计算的输入数据经地区标签识别后，都指向用户的商品收货地址都是来自某个相同地区i，并按S2及其分步骤S21、S22、S23和S24分别计算出来消费指数Ai，即为i地区网购用户消费分指数。通过上述多个地区的Ai指数累加平均数学计算，即计算出来所有地区网购用户网购消费总指数A。诸如此类，按平台归属、商品类目归属和用户人群归属所定义的分指数和总指数的关系的计算逻辑也是相同的。
实施例中，网购用户维权指数指标体系设计，网购用户维权指数的指标体系首先划分为负面评论维权、平台客服维权和社会维权三个二级指标，其中每个二级指标又划分又划分为总指数和分组指数，且可从地区归属、平台归属、类目归属和人群归属这四个横向指标进行交叉，如图4所示。
实施中，网购用户维权指数中所定义的分指数和总指数是相对而言的，其主要是指明按什么分类维度进行划分，而总指数仅仅是其分指数的累加平均。例如，在维权指数计算中，若模型计算的输入数据经地区标签识别后，都指向用户的商品收货地址都是来自某个相同地区i，并按S3及其分步骤S31、S32和S33分别计算出来维权指数Ai，即为i地区网购用户维权分指数。通过上述多个地区的Ai指数累加平均数学计算，即计算出来所有地区网购用户网购维权总指数A。诸如此类，按平台归属、商品类目归属和用户人群归属所定义的分指数和总指数的关系的计算逻辑也是相同的。
实施中，网购用户买假指数的指标体系首先划分为买假评论指数、买假行为指数和买假舆情指数三个二级指标，其中每个二级指标又划分为总指数和分组指数，最小指标粒度时数量、金额与比例，且可从地区归属、平台归属、类目归属和人群归属这四个横向指标进行交叉，具体内容如图5所示。
实施中，网购用户买假指数中所定义的分指数和总指数是相对而言的，其主要是指明按什么分类维度进行划分，而总指数仅仅是其分指数的累加平均。例如，在买假指数计算中，若模型计算的输入数据经地区标签识别后，都指向用户的商品收货地址都是来自某个相同地区i，并按S4及其分步骤S41和S42别计算出来买假指数Ai，即为i地区网购用户买假分指数。通过上述多个地区的Ai指数累加平均数学计算，即计算出来所有地区网购用户网购买假总指数A。诸如此类，按平台归属、商品类目归属和用户人群归属所定义的分指数和总指数的关系的计算逻辑也是相同的。
关于网购用户指数模型设计与编制技术最大的难点在于相关指标选择、细化、具体化与具体子指标的计算模型设计与编制。实施例针对这些技术难点，网购用户指数模型各自指标设计与详细计算模型。
S5、生成与预测网购用户大指数，在步骤S1、S2、S3和S4模型计算结果的基础上，通过模型整合计算，得到网购用户大指数并生成网购用户指数预测模型，采用自回归移动平均模型ARIMA来预测网购用户大指数的变化态势。
步骤S5中，具体为：
S51、生成网购消费综合指数、网购满意度综合指数、网购维权综合指数与网购买假综合指数结果数据；同时，生成网购用户大指数模型；
S52、生成网购用户大指数预测模型。
步骤S51具体为，
S511、网络消费综合指数的计算，由步骤S15中公式(4)得出，即不分平台归属的网购用户消费指数的计算；
S512、网购满意度综合指数计算公式为：
其中，xCSI为x维度的满意度指数，其计算公式参见公式(8)；
S513、网购维权综合指数计算公式为：
其中，RPIcomment、RPIcomplaint和RPIoutplatform分别为评论维权指数，投诉维权指数与社会维权指数，具体计算公式参见公式(9)、(10)和(11)；
S514、网购买假综合指数计算公式为：
其中，RBCI为评论买假指数，CBCI为买假行为维权指数，POBCI为买假舆情指数，且CBCI买假行为维权指数、POBCI买假舆情指数为外部导入数据。
S515网购用户大指数计算公式为
其中，CPI为网购消费综合指数，具体计算过程参见公式(4)；CSI为网购满意度综合指数，具体计算过程参见公式(15)；RPI为网购维权综合指数，具体计算过程参见公式(16)；BCI为网购买假综合指数，具体计算过程参见公式(17)；
S52、网购用户大指数预测模型的生成。
步骤S52，具体为：
S521、平稳性识别：根据网购用户大指数时间序列曲线图、自相关函数和偏自相关函数图以ADF单位根检验其方差、趋势及其季节性变化规律，完成网购用户大指数序列的平稳性进行识别；
S522、平稳性处理：如果网购用户大指数的时间序列数据是非平稳的，并存在一定的增长或下降趋势，则需要对数据进行差分处理，如果数据存在异方差，则需对数据分别依此采用广义最小二乘法GLS或加权最小二乘法WLS进行技术处理；直到处理后的网购用户大指数时间序列数据的自相关函数值和偏相关函数值无显著地异于零；
S523、建立预测模型：若网购用户大指数时间序列数据的偏相关函数是截尾的，而自相关函数是拖尾的，可断定网购用户大指数时间序列数据适合AR模型；若网购用户大指数时间序列数据的偏相关函数是拖尾的，而自相关函数是截尾的，则可断定网购用户大指数时间序列数据适合MA模型；若网购用户大指数时间序列数据的偏相关函数和自相关函数均是拖尾的，则可判断网购用户大指数时间序列数据适合ARMA模型；
S524、采用极大似然估计或最小二乘估计，进行网购用户大指数时间序列数据参数估计，通过LB统计量以及p值是否显著大于0.05，来检验其是否具有统计意义，以及残差序列白噪声情况；
S525、利用已通过检验的模型对网购用户大指数时间序列数据进行预测分析；
S526、基于用户交易数据的输入，以及步骤S521至S526处理之后，获得网购用户大指数时间序列预测模型为：
XIt＝ARXIt-1+εt-MAεt (19)
其中，AR、MA为系数，XIt-1为上一期指数值，εt矫正变量。
相应的预测结果曲线图，如图7所示。显然，预测模型曲线可较好拟合原数据曲线，预测模型的构建满足预测精度要求。
一种采用上述任一项所述网购用户大指数模型的生成方法的网购用户大指数模型的生成系统，包括网购消费指数生成模块、网购满意度指数生成模块、网购维权指数生成模块、网购买假指数生成模块，
网购消费指数生成模块：采集电商平台交易数据后，分别进行现价人均网络消费支出额的计算、不变价格人均网络消费支出额的计算、居民网络消费水平指数的计算、归属性指数以及网购消费总指数计算，
网购满意度指数生成模块：首先利用网购消费者评论文本数据的商品评论情感分析技术，获得某类目的一个商品的一个用户的商品质量、服务或承诺满意度情感分析与满意度计算，然后计算其他用户、其他店铺、其他商品以及其他商品类目的消费者评论文本的情感分析与满意度计算，最后计算出不同类目、不同商品、不同店铺消费者的总情感分析与满意度计算；
网购维权指数生成模块：通过网络消费用户维权评论文本识别，来计算各维权行为指数，包括评论维权指数、投诉维权指数、社会维权指数；
生成网购买假指数生成模块：进行买假文本的识别后，得到网购买假指数；
生成与预测网购用户大指数模块：在网购消费指数生成模块、网购满意度指数生成模块、网购维权指数生成模块、网购买假指数生成模块的计算结果的基础上，通过模型整合计算，得到网购用户大指数并生成网购用户指数预测模型，采用自回归移动平均模型ARIMA来预测网购用户大指数的变化态势。
该种网购用户大指数模型的生成方法及系统。该方法及系统，所生成的网购用户大指数模型的计算数据易获取，模型输出结果唯一、较为稳定，且可动态监测与预测某段时间内，特定商品、特定消费群体的网络消费水平、满意程度、维权行为以及买假评论的整体发展状态。
Claims (9)
1.一种网购用户大指数模型的生成方法，其特征在于：分别生成网购消费指数、网购满意度指数、网购维权指数、网购买假指数；包括以下步骤，
S1、生成网购消费指数，采集电商平台交易数据后，分别进行现价人均网络消费支出额的计算、不变价格人均网络消费支出额的计算、居民网络消费水平指数的计算、归属性指数以及网购消费总指数计算；
S2、生成网购满意度指数，首先利用网购消费者评论文本数据的商品评论情感分析技术，获得某类目的一个商品的一个用户的商品质量、服务或承诺满意度情感分析与满意度计算，然后计算其他用户、其他店铺、其他商品以及其他商品类目的消费者评论文本的情感分析与满意度计算，最后计算出不同类目、不同商品、不同店铺消费者的总情感分析与满意度计算；
S3、生成网购维权指数，通过网络消费用户维权评论文本识别，来计算各维权行为指数，包括评论维权指数、投诉维权指数、社会维权指数；
S4、生成网购买假指数，进行买假文本的识别后，得到网购买假指数；
S5、生成与预测网购用户大指数，在步骤S1、S2、S3和S4模型计算结果的基础上，通过模型整合计算，得到网购用户大指数并生成网购用户指数预测模型，采用自回归移动平均模型ARIMA来预测网购用户大指数的变化态势。
2.如权利要求1所述的网购用户大指数模型的生成方法，其特征在于：步骤S1中，
S11、k平台t期现价人均网络消费支出额的计算，当期现价居民人均网络消费支出额等于当期活跃老用户的网络消费总支出额除以当期活跃老用户的实际消费人数，其表达式为：
其中，表示k平台t期现价人均网络消费支出额；表示k平台t期活跃老用户的网络消费总支出额；表示k平台t期活跃老用户的实际消费人数；
S12、k平台t期不变价格人均网络消费支出额的计算，当期不变价居民人均网络消费支出额等于当期现价居民人均网络消费支出额除以当期相应网络消费价格指数，其表达式子为：
其中，表示k平台t期不变价居民人均网络消费支出额，表示k平台t期现价居民人均网络消费支出额，k∈{阿里，京东，苏宁，……}表示平台标记，包括案例平台，京东平台和苏宁平台等，SPIk表示k平台第t期网络消费价格指数；
S13、k平台t期居民网络消费水平指数的计算，设基准值为100，当期居民网络消费水平定基指数等于当期不变价居民人均网络消费支出额除以基期现价居民人均网络消费支出额乘以100，其表示式子为：
其中，表示k平台t期不变价居民人均网络消费支出额，表示k平台基期现价居民人均网络消费支出额，基期现居民人均网络消费支出额与基期不变价居民人均网络消费支出额相等，表示k平台t期居民网络消费水平定基指数；
S14、归属性指数的计算，通过属性包括商品类目、地区属性、人群属性分别进行各属性的网购消费指数；
S15、网购消费总指数的计算，网购消费总指数等于不同电商平台分指数乘以市场份额权重后的累和，其表达式为：
其中，为k平台t期商品的市场销售份额，n为平台数量，为k平台t期商品消费指数，其计算公式为公式(3)。
3.如权利要求1所述的网购用户大指数模型的生成方法，其特征在于：步骤S2具体为，
S21、f商品类目，单个i商品的网购用户满意指数的计算，其等于f类目下一个i商品的所有用户有效评论网购用户的满意度评论值的累和平均，计算公式如下：
其中，xj为j用户对i商品的x维度的满意度评价值，包括质量、服务或承诺维度；m为f类目一个i商品x维度满意度评价的有效用户数量；这里的所谓有效评价用户数量是指符合抽样时间要求，且评x维度满意度评价值不为空的用户数量；
S22、f商品类目，n个i商品网购用户满意指数的计算，其等于f类目下n个i商品网购用户的满意度评论值的累和平均，其计算公式为：
其中，n为名称为i的商品的抽样数量，m为f类目一个i商品x维度满意度评价的有效用户数量；
S23、f商品类目，网购用户满意指数的计算，其等于f类目一篮子商品的网购用户满意度评论值的累和平均，计算公式为：
其中，z为一篮子商品的数量，n为名称为i的商品的抽样数量，m为f类目一个i商品x维度满意度评价的有效用户数量；
S24、网购用户满意度总指数的计算，其等于网购用户对所有类目的网络销售商品的质量、服务或承诺满意度用户评论值的累和平均，计算公式为：
其中，g为所有商品类目的数量，z为一篮子商品的数量，n为名称为i的商品的抽样数量，m为f类目一个i商品x维度满意度评价的有效用户数量。
4.如权利要求1所述的网购用户大指数模型的生成方法，其特征在于：步骤S3具体为，
S31、评论维权指数的计算，其等于采用评论维权方式进行维权的用户数量与总的网购维权用户数量的比值，具体计算公式为：
其中，和分别t期的网购用户采用评论方式进行维权的比例和基期网购用户采用评论方式进行维权的比例，和分别为t期和基期网购用户采用评论方式进行维权的用户数量，Nt和Nbase分别为t期和基期总的网购用户进行维权的数量；
S32、投诉维权指数的计算，其等于采用平台投诉方式进行维权的用户数量与总的网购维权用户数量的比值，具体计算公式为：
其中，和分别t期的网购用户采用平台投诉方式的维权比例和基期网购用户采用平台投诉方式维权比例，和分别为t期和基期网购用户采用平台投诉方式进行维权的用户数量，Nt和Nbase分别为t期和基期总的网购用户进行维权的数量；
S33、社会维权指数的计算，其等于线下投诉方式的网购用户数量与总的网购维权用户数量的比值，具体计算公式为：
其中，和分别是t期的网购用户采用社会投诉方式的维权比例和基期网购用户采用社会投诉方式维权比例，和分别为t期和基期网购用户采用社会投诉方式进行维权的用户数量，Mt和Mbase分别为t期和基期总的网购用户社会投诉方式进行维权的数量。
5.如权利要求1所述的网购用户大指数模型的生成方法，其特征在于：步骤S4具体为，
S41、买假评论文本的识别，获得有效用户评论数据之后，再根据用户评论语句的相似度算法来计算和识别这些用户商品评论所阐述的内容是否为买假评论，并计数买假评论数量；
S42、网购买假指数的分别计算，包括：
S421、f类目i商品j店铺的网购用户买假评论指数的计算，获得买假评论条目后，除以有效用户评论，即可计算出网购该商品的所有用户买假评论比例值，其等于其中，mBC为购买该商品的网购用户买假评论数量，m为购买该商品的网购用户有效评论数量；
S422、f类目i商品，网购用户买假评论指数的计算，等于f类目的i商品下的所有店铺的网购用户买假评论的比例值的累和平均值，计算公式为：
其中，n为f类目下i商品所有店铺数量；
S423、f类目商品的网购用户买假评论指数的计算，等于f类目下的所有商品的网购用户买假评论的比例值的累和平均值，计算公式为：
其中，k为f类目下所有商品的数量，为商品抽样数量；
S424、网购用户买假评论指数的计算，其等于所有类目网购商品的网购用户买假评论的比例值的累和平均值，计算公式为：
其中，19为商品类目数量值。
6.如权利要求1所述的网购用户大指数模型的生成方法，其特征在于：步骤S5中，具体为：
S51、生成网购消费综合指数、网购满意度综合指数、网购维权综合指数与网购买假综合指数结果数据；同时，生成网购用户大指数模型；
S52、生成网购用户大指数预测模型。
7.如权利要求6所述的网购用户大指数模型的生成方法，其特征在于：步骤S51具体为，
S511、网络消费综合指数的计算，由步骤S15中公式(4)得出，即不分平台归属的网购用户消费指数的计算；
S512、网购满意度综合指数计算公式为：
其中，xCSI为x维度的满意度指数，其计算公式参见公式(8)；
S513、网购维权综合指数计算公式为：
其中，RPIcomment、RPIcomplaint和RPIoutplatform分别为评论维权指数，投诉维权指数与社会维权指数，具体计算公式参见公式(9)、(10)和(11)；
S514、网购买假综合指数计算公式为：
其中，RBCI为评论买假指数，CBCI为买假行为维权指数，POBCI为买假舆情指数，且CBCI买假行为维权指数、POBCI买假舆情指数为外部导入数据。
S515、网购用户大指数计算公式为
其中，CPI为网购消费综合指数，具体计算过程参见公式(4)；CSI为网购满意度综合指数，具体计算过程参见公式(15)；RPI为网购维权综合指数，具体计算过程参见公式(16)；BCI为网购买假综合指数，具体计算过程参见公式(17)。
8.如权利要求6所述的网购用户大指数模型的生成方法，其特征在于：步骤S52，具体为：
S521、平稳性识别：根据网购用户大指数时间序列曲线图、自相关函数和偏自相关函数图以ADF单位根检验其方差、趋势及其季节性变化规律，完成网购用户大指数序列的平稳性进行识别；
S522、平稳性处理：如果网购用户大指数的时间序列数据是非平稳的，并存在一定的增长或下降趋势，则需要对数据进行差分处理，如果数据存在异方差，则需对数据分别依此采用广义最小二乘法GLS或加权最小二乘法WLS进行技术处理；直到处理后的网购用户大指数时间序列数据的自相关函数值和偏相关函数值无显著地异于零；
S523、建立预测模型：若网购用户大指数时间序列数据的偏相关函数是截尾的，而自相关函数是拖尾的，可断定网购用户大指数时间序列数据适合AR模型；若网购用户大指数时间序列数据的偏相关函数是拖尾的，而自相关函数是截尾的，则可断定网购用户大指数时间序列数据适合MA模型；若网购用户大指数时间序列数据的偏相关函数和自相关函数均是拖尾的，则可判断网购用户大指数时间序列数据适合ARMA模型；
S524、采用极大似然估计或最小二乘估计，进行网购用户大指数时间序列数据参数估计，通过LB统计量以及p值是否显著大于0.05，来检验其是否具有统计意义，以及残差序列白噪声情况；
S525、利用已通过检验的模型对网购用户大指数时间序列数据进行预测分析；
S526、基于用户交易数据的输入，以及步骤S521至S526处理之后，获得网购用户大指数时间序列预测模型为：
XIt＝ARXIt-1+εt-MAεt (19)
其中，AR、MA为系数，XIt-1为上一期指数值，εt矫正变量。
9.一种采用权利要求1-8任一项所述网购用户大指数模型的生成方法的网购用户大指数模型的生成系统，其特征在于：包括网购消费指数生成模块、网购满意度指数生成模块、网购维权指数生成模块、网购买假指数生成模块，
网购消费指数生成模块：采集电商平台交易数据后，分别进行现价人均网络消费支出额的计算、不变价格人均网络消费支出额的计算、居民网络消费水平指数的计算、归属性指数以及网购消费总指数计算，
网购满意度指数生成模块：首先利用网购消费者评论文本数据的商品评论情感分析技术，获得某类目的一个商品的一个用户的商品质量、服务或承诺满意度情感分析与满意度计算，然后计算其他用户、其他店铺、其他商品以及其他商品类目的消费者评论文本的情感分析与满意度计算，最后计算出不同类目、不同商品、不同店铺消费者的总情感分析与满意度计算；
网购维权指数生成模块：通过网络消费用户维权评论文本识别，来计算各维权行为指数，包括评论维权指数、投诉维权指数、社会维权指数；
生成网购买假指数生成模块：进行买假文本的识别后，得到网购买假指数；
生成与预测网购用户大指数模块：在网购消费指数生成模块、网购满意度指数生成模块、网购维权指数生成模块、网购买假指数生成模块的计算结果的基础上，通过模型整合计算，得到网购用户大指数并生成网购用户指数预测模型，采用自回归移动平均模型ARIMA来预测网购用户大指数的变化态势。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810238535.0A CN108681912A (zh) | 2018-03-21 | 2018-03-21 | 网购用户大指数模型的生成方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810238535.0A CN108681912A (zh) | 2018-03-21 | 2018-03-21 | 网购用户大指数模型的生成方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108681912A true CN108681912A (zh) | 2018-10-19 |
Family
ID=63800433
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810238535.0A Withdrawn CN108681912A (zh) | 2018-03-21 | 2018-03-21 | 网购用户大指数模型的生成方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108681912A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110264248A (zh) * | 2019-05-30 | 2019-09-20 | 阿里巴巴集团控股有限公司 | 用户体验信息的预测方法及装置 |
| CN115423506A (zh) * | 2022-08-23 | 2022-12-02 | 浪潮卓数大数据产业发展有限公司 | 线上生活必需品价格指数的统计计算方法及系统 |
-
2018
- 2018-03-21 CN CN201810238535.0A patent/CN108681912A/zh not_active Withdrawn
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110264248A (zh) * | 2019-05-30 | 2019-09-20 | 阿里巴巴集团控股有限公司 | 用户体验信息的预测方法及装置 |
| CN115423506A (zh) * | 2022-08-23 | 2022-12-02 | 浪潮卓数大数据产业发展有限公司 | 线上生活必需品价格指数的统计计算方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Aakash et al. | Assessment of hotel performance and guest satisfaction through eWOM: big data for better insights | |
| Fan et al. | Product sales forecasting using online reviews and historical sales data: A method combining the Bass model and sentiment analysis | |
| Zhao et al. | What factors influence online product sales? Online reviews, review system curation, online promotional marketing and seller guarantees analysis | |
| US7577579B2 (en) | Method of predicting sales based on triple-axis mapping of customer value | |
| Bose et al. | Quantitative models for direct marketing: A review from systems perspective | |
| Bandyopadhyay et al. | Product recommendation for e-commerce business by applying principal component analysis (PCA) and K-means clustering: benefit for the society | |
| CN107038486A (zh) | 金融产品预测装置以及金融产品预测方法 | |
| Wu et al. | User Value Identification Based on Improved RFM Model and K‐Means++ Algorithm for Complex Data Analysis | |
| Scholz et al. | Using PageRank for non-personalized default rankings in dynamic markets | |
| CN107679103B (zh) | 用于实体的属性分析方法及系统 | |
| CN110570233A (zh) | 用于电商平台的用户回购时间预测方法及装置 | |
| CN115860880A (zh) | 基于多层异质图卷积模型的个性化商品推荐方法及系统 | |
| CN115577184A (zh) | 信息推荐方法、装置、电子设备及介质 | |
| Kim et al. | An intelligent product recommendation model to reflect the recent purchasing patterns of customers | |
| CN108681912A (zh) | 网购用户大指数模型的生成方法及系统 | |
| Mei et al. | Research on e-commerce coupon user behavior prediction technology based on decision tree algorithm | |
| Zhang et al. | Data mining algorithm for demand forecast analysis on flash sales platform | |
| Dai et al. | Item-level forecasting for e-commerce demand with high-dimensional data using a two-stage feature selection algorithm | |
| CN108389006A (zh) | 基于维权行为与维权方式的网购用户维权指数模型生成方法及系统 | |
| Pinto et al. | Hybrid recommendation system based on collaborative filtering and fuzzy numbers | |
| Susanto et al. | The Influence of Social Media Marketing Activities on Brand Loyalty in Mobile Phone Products | |
| Lamaakchaoui et al. | An AHP-based model for selecting complementary products | |
| Zhang et al. | E-Commerce Platform Model Based on Heterogeneous Hybrid Model and Maximum Likelihood Estimate | |
| Lee et al. | Improving flight search engine by learning consumer preference function from choice data | |
| Wu | Prediction of Purchase Intention of High and Middle Potential Users in Luxury Hotels Based on Data Mining |
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 | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20181019 |