CN109426978A - 用于生成信息的方法和装置 - Google Patents
用于生成信息的方法和装置 Download PDFInfo
- Publication number
- CN109426978A CN109426978A CN201710758012.4A CN201710758012A CN109426978A CN 109426978 A CN109426978 A CN 109426978A CN 201710758012 A CN201710758012 A CN 201710758012A CN 109426978 A CN109426978 A CN 109426978A
- Authority
- CN
- China
- Prior art keywords
- feedback information
- information
- end article
- mass fraction
- negative
- 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.)
- Pending
Links
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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- 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
- G06Q30/015—Providing customer assistance, e.g. assisting a customer within a business location or via helpdesk
- G06Q30/016—After-sales
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请实施例公开了用于生成信息的方法和装置。该方法的一具体实施方式包括:获取预设时间间隔内用户针对目标商品提交的至少一条反馈信息;对至少一条反馈信息进行语义分析,确定至少一条反馈信息中的每条反馈信息是否为用于指示目标商品存在质量问题的负面的反馈信息;确定至少一条反馈信息中负面的反馈信息的数量;根据负面的反馈信息的数量和至少一条反馈信息中反馈信息的总数,生成用于表征目标商品存在质量问题的概率的质量分数。该实施方式提供了一种基于反馈信息的商品质量监控机制,丰富了商品质量监控方法。
Description
技术领域
本申请涉及计算机技术领域,具体涉及互联网技术领域,尤其涉及用于生成信息的方法和装置。
背景技术
随着电子商务的不断发展,消费者对商品的质量有着更高的追求。目前,商品质量监控主要通过抽样检验等传统手段进行。
然而,由于电商平台是一个商品流通、交易平台。其具有很多不同于传统生产制造企业的特点。例如,商品的种类和数量多达千万、亿、十亿等级别,且商品来源非常复杂,同一种商品可能来自于不同的供应商或不同的生产批次,此外,还有一部分第三方商家所经营的商品均由商家直接发货,导致电商平台对于商品来源、批次和质量的掌控变得更加困难。针对电商平台的上述特点,采用传统质控手段无法达到质量监控的目的。
发明内容
本申请实施例的目的在于提出一种改进的用于生成信息的方法和装置,来解决以上背景技术部分提到的技术问题。
第一方面,本申请实施例提供了一种用于生成信息的方法,该方法包括:获取预设时间间隔内用户针对目标商品提交的至少一条反馈信息;对至少一条反馈信息进行语义分析,确定至少一条反馈信息中的每条反馈信息是否为用于指示目标商品存在质量问题的负面的反馈信息;确定至少一条反馈信息中负面的反馈信息的数量;根据负面的反馈信息的数量和至少一条反馈信息中反馈信息的总数,生成用于表征目标商品存在质量问题的概率的质量分数。
在本实施例中,对至少一条反馈信息进行语义分析,确定至少一条反馈信息中的每条反馈信息是否为用于指示目标商品存在质量问题的负面的反馈信息,包括:对至少一条反馈信息中的每条反馈信息进行预处理,生成与每条反馈信息对应的关键词序列;根据所得到的关键词序列,确定与每条反馈信息对应的词向量矩阵;将所确定的词向量矩阵导入预先训练的语义识别模型,得到每条反馈信息的语义,语义识别模型用于表征词向量矩阵与反馈信息的语义的对应关系,反馈信息的语义包括负面和非负面。
在本实施例中,方法还包括:根据以下信息项中的至少一项确定质量分数的特征信息:至少一条反馈信息中反馈信息的总数、提交至少一条反馈信息的用户数、预先设置的目标商品的属性值。
在本实施例中,根据负面的反馈信息的数量和至少一条反馈信息中反馈信息的总数,生成用于表征目标商品存在质量问题的概率的质量分数,包括:确定负面的反馈信息的数量与至少一条反馈信息中反馈信息的总数的比值;根据比值和特征信息,确定质量分数。
在本实施例中,根据负面的反馈信息的数量和至少一条反馈信息中反馈信息的总数,生成用于表征目标商品存在质量问题的概率的质量分数,包括:根据至少一条反馈信息中的每条反馈信息的提交时间,将至少一条反馈信息划分为预设数目个反馈信息集合;确定预设数目个反馈信息集合中每个反馈信息集合包括的负面的反馈信息的数量,与包括的反馈信息的总数的比值;获取针对每个反馈信息集合预先设置的权重;根据每个反馈信息集合对应的权重和比值,确定质量分数。
在本实施例中,方法还包括:确定至少一条反馈信息中每条反馈信息所针对的商品的发货时间与反馈信息提交的时间之间的时间差;根据所确定的时间差确定目标商品平均反馈滞后时间。
在本实施例中,获取预设时间间隔内用户针对目标商品提交的至少一条反馈信息,包括:在历史反馈信息集合中查询提交时间在预设时间间隔内,且与目标商品的标识信息匹配的反馈信息;获取查询到的反馈信息中,与查询到的反馈信息关联的订单信息和/或用户信息不在预先设置的黑名单中的反馈信息。
在本实施例中,方法还包括:响应于所生成的质量分数大于预设的第一阈值,生成用于指示目标商品可能存在质量问题的提示信息。
在本实施例中,方法还包括:确定所生成的质量分数与上一时间间隔的质量分数之间的差值;响应于差值大于预设的第二阈值,生成用于指示目标商品可能存在质量问题的提示信息。
在本实施例中,方法还包括:响应于之前的预设数目个时间间隔的质量分数与所生成的质量分数递减,生成用于指示目标商品可能存在质量问题的提示信息。
在本实施例中,方法还包括:对所生成的质量分数与目标商品所属类目中除目标商品外的其他商品的质量分数进行排序;根据排序结果确定是否生成用于指示目标商品可能存在质量问题的提示信息。
第二方面,本申请实施例提供了一种用于生成信息的装置,该装置包括:获取单元,用于获取预设时间间隔内用户针对目标商品提交的至少一条反馈信息;第一确定单元,用于对至少一条反馈信息进行语义分析,确定至少一条反馈信息中的每条反馈信息是否为用于指示目标商品存在质量问题的负面的反馈信息;第二确定单元,用于确定至少一条反馈信息中负面的反馈信息的数量;第一生成单元,用于根据负面的反馈信息的数量和至少一条反馈信息中反馈信息的总数,生成用于表征目标商品存在质量问题的概率的质量分数。
在本实施例中,第一确定单元,包括:生成子单元,用于对至少一条反馈信息中的每条反馈信息进行预处理,生成与每条反馈信息对应的关键词序列;第一确定子单元,用于根据所得到的关键词序列,确定与每条反馈信息对应的词向量矩阵;导入子单元,用于将所确定的词向量矩阵导入预先训练的语义识别模型,得到每条反馈信息的语义,语义识别模型用于表征词向量矩阵与反馈信息的语义的对应关系,反馈信息的语义包括负面和非负面。
在本实施例中,装置还包括:第三确定单元,用于根据以下信息项中的至少一项确定质量分数的特征信息:至少一条反馈信息中反馈信息的总数、提交至少一条反馈信息的用户数、预先设置的目标商品的属性值。
在本实施例中,第一生成单元,包括:第二确定子单元,用于确定负面的反馈信息的数量与至少一条反馈信息中反馈信息的总数的比值;第三确定子单元,用于根据比值和特征信息,确定质量分数。
在本实施例中,第一生成单元,包括:划分子单元,用于根据至少一条反馈信息中的每条反馈信息的提交时间,将至少一条反馈信息划分为预设数目个反馈信息集合;第四确定子单元,用于确定预设数目个反馈信息集合中每个反馈信息集合包括的负面的反馈信息的数量,与包括的反馈信息的总数的比值;第一获取子单元,用于获取针对每个反馈信息集合预先设置的权重;第五确定子单元,用于根据每个反馈信息集合对应的权重和比值,确定质量分数。
在本实施例中,装置还包括:第四确定单元,用于确定至少一条反馈信息中每条反馈信息所针对的商品的发货时间与反馈信息提交的时间之间的时间差;第五确定单元,用于根据所确定的时间差确定目标商品平均反馈滞后时间。
在本实施例中,获取单元,包括:查询子单元,用于在历史反馈信息集合中查询提交时间在预设时间间隔内,且与目标商品的标识信息匹配的反馈信息;第二获取子单元,用于获取查询到的反馈信息中,与查询到的反馈信息关联的订单信息和/或用户信息不在预先设置的黑名单中的反馈信息。
在本实施例中,装置还包括:第二生成单元,用于响应于所生成的质量分数大于预设的第一阈值,生成用于指示目标商品可能存在质量问题的提示信息。
在本实施例中,装置还包括:第六确定单元,用于确定所生成的质量分数与上一时间间隔的质量分数之间的差值;第三生成单元,用于响应于差值大于预设的第二阈值,生成用于指示目标商品可能存在质量问题的提示信息。
在本实施例中,装置还包括:第四生成单元,用于响应于之前的预设数目个时间间隔的质量分数与所生成的质量分数递减,生成用于指示目标商品可能存在质量问题的提示信息。
在本实施例中,装置还包括:排序单元,用于对所生成的质量分数与目标商品所属类目中除目标商品外的其他商品的质量分数进行排序;第五生成单元,用于根据排序结果确定是否生成用于指示目标商品可能存在质量问题的提示信息。
第三方面,本申请实施例提供了一种设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当上述一个或多个程序被上述一个或多个处理器执行,使得上述一个或多个处理器实现如第一方面上述的方法。
第四方面,本申请实施例提供了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第一方面上述的方法。
本申请实施例提供的用于生成信息的方法和装置,通过获取预设时间间隔内用户针对目标商品提交的至少一条反馈信息,而后对至少一条反馈信息进行语义分析,确定至少一条反馈信息中的每条反馈信息是否为用于指示目标商品存在质量问题的负面的反馈信息,并确定至少一条反馈信息中负面的反馈信息的数量,最后根据负面的反馈信息的数量和至少一条反馈信息中反馈信息的总数,生成用于表征目标商品存在质量问题的概率的质量分数,从而提供了一种基于反馈信息的商品质量监控机制,丰富了商品质量监控方法。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本申请可以应用于其中的示例性系统架构图;
图2是根据本申请的用于生成信息的方法的一个实施例的流程图;
图3是根据本申请的用于生成信息的方法的应用场景的一个示意图;
图4是根据本申请的用于生成信息的方法的又一个实施例的流程图;
图5是根据本申请的用于生成信息的装置的一个实施例的结构示意图;
图6是适于用来实现本申请实施例的服务器的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的用于生成信息的方法或用于生成信息的装置的实施例的示例性系统架构100。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105、106。网络104用以在终端设备101、102、103和服务器105、106之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户110可以使用终端设备101、102、103通过网络104与服务器105、106交互,以接收或发送数据等。终端设备101、102、103上可以安装有各种应用,例如购物类应用、地图类应用、支付类应用、社交类应用、网页浏览器应用、搜索引擎类应用、手机助手类应用等。
终端设备101、102、103可以是具有显示屏并且支持数据通信功能的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving PictureExperts Group Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(MovingPicture Experts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。用户可以通过终端设备101、102、103向服务器上传反馈信息等数据。
服务器105、106可以是提供各种服务的服务器,例如对终端设备101、102、103上安装的应用提供支持的后台服务器,服务器105、106可以获取预设时间间隔内用户针对目标商品提交的至少一条反馈信息,而后对至少一条反馈信息进行语义分析,确定至少一条反馈信息中的每条反馈信息是否为用于指示目标商品存在质量问题的负面的反馈信息,并确定至少一条反馈信息中负面的反馈信息的数量,最后根据负面的反馈信息的数量和至少一条反馈信息中反馈信息的总数,生成用于表征目标商品存在质量问题的概率的质量分数。
需要说明的是,本申请实施例所提供的用于生成信息的方法可以由服务器105、106执行,相应地,用于生成信息的装置可以设置于服务器105、106中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,示出了根据本申请的用于生成信息的方法的一个实施例的流程200。该用于生成信息的方法,包括以下步骤:
步骤201,获取预设时间间隔内用户针对目标商品提交的至少一条反馈信息。
在本实施例中,用于生成信息的方法运行于其上的电子设备(例如图1所示的服务器)可以首先获取预设时间间隔内用户针对目标商品提交的至少一条反馈信息。预设时间间隔可以根据实际需要设置,例如可以是5~10天,在反馈信息较少时可以适当增大预设时间间隔。目标商品可以是任何需要确定其质量情况的商品,目标商品可以包括一种或多种商品,目标商品包括多种商品时,目标商品可以是同一商品类目或同一品牌的多个商品。商品类目是指商品分类别从大到小进行组织管理的形式,例如酒,可以采用日用百货->酒类->葡萄酒/白酒,这样一个三级类目管理机制。也即:葡萄酒和白酒归属于日用百货(一级类目)的酒类(二级类目)分类下面,具体的某品牌的葡萄酒就在葡萄酒(三级类目)下面,某品牌的白酒就在白酒(三级类目)下面。
在本实施例中,反馈信息可以包括电子商务类网站或其他相关网站中用户评论的信息、用户退换修申请记录中的信息、用户与客服的聊天信息、用户的售后投诉信息等。反馈信息可以存储在数据库的反馈信息表中,反馈信息表中还可以存储有与反馈信息相对应的反馈日期、反馈信息所针对的商品或订单的编号、反馈信息的类型(评论、退换修、咨询、投诉)、反馈用户的标识等。其中,商品的编号可以是SKU(Stock Keeping Unit,库存量单位)或其他可以标识商品的编号,反馈用户的标识可以是用户的账号、手机号等。以目标商品为某款鞋为例,反馈信息可以是“鞋子没穿两天就开胶了”,反馈日期可以是“20170208”,商品的编号可以是“12345”,订单的编号可以是“24680”,反馈类型可以是“评论”,反馈用户的标识可以是“abc123”。
在本实施例的一些可选实现方式中,获取预设时间间隔内用户针对目标商品提交的至少一条反馈信息,包括:在历史反馈信息集合中查询提交时间在预设时间间隔内,且与目标商品的标识信息匹配的反馈信息;获取查询到的反馈信息中,与查询到的反馈信息关联的订单信息和/或用户信息不在预先设置的黑名单中的反馈信息。
在本实现方式中,由于电子商务类网站中可能会存在虚假交易或者恶意评论的问题,对于涉及此类问题的用户或订单关联的反馈信息需将其作为干扰反馈信息进行排除,以免影响对于目标商品质量评价的准确性。可以将电商平台的风控系统识别出的涉及此类问题的用户或订单的信息加入黑名单中,以供后续排除干扰反馈信息时使用。
步骤202,对至少一条反馈信息进行语义分析,确定至少一条反馈信息中的每条反馈信息是否为用于指示目标商品存在质量问题的负面的反馈信息。
在本实施例中,上述电子设备可以对步骤201中获取的至少一条反馈信息进行语义分析,确定至少一条反馈信息中的每条反馈信息是否为用于指示目标商品存在质量问题的负面的反馈信息。语义分析可以是运用各种机器学习方法,挖掘与学习文本深层次的概念。例如,可以通过卷积神经网络或文本主题生成模型得到文本的主题分布,文本主题生成模型可以是LDA(Latent Dirichlet Allocation,隐含狄利克雷分布)模型、hLDA(hierarchical Latent Dirichlet Allocation,分层隐含狄利克雷分布)模型或HDP(hierarchical Dirichlet process,分层狄利克雷过程)模型。
在本实施例中,语义分析也可以是将预先标注的负面的和非负面的反馈信息作为正负样本,基于正负样本对初始模型进行训练得到对反馈信息进行分类的分类模型,分类模型也可以是技术人员基于对大量的反馈信息和分类结果的统计而预先制定的、存储有多个关键词与分类结果的对应关系的对应关系表。
步骤203,确定至少一条反馈信息中负面的反馈信息的数量。
在本实施例中,上述电子设备可以根据步骤202中的语义分析结果确定至少一条反馈信息中用于指示目标商品存在质量问题的负面的反馈信息的数量。
步骤204,根据负面的反馈信息的数量和至少一条反馈信息中反馈信息的总数,生成用于表征目标商品存在质量问题的概率的质量分数。
在本实施例中,上述电子设备可以根据步骤203中确定的负面的反馈信息的数量和步骤201中获取的至少一条反馈信息中反馈信息的总数,生成用于表征目标商品存在质量问题的概率的质量分数。至少一条反馈信息中负面的反馈信息的比例较高,目标商品存在质量问题的概率可能较大。
在本实施例的一些可选实现方式中,方法还包括:根据以下信息项中的至少一项确定质量分数的特征信息:至少一条反馈信息中反馈信息的总数、提交至少一条反馈信息的用户数、预先设置的目标商品的属性值。
在本实现方式中,特征信息可以用于指示质量分数的重要度,可信速度,或参考价值。属性值可以是反映商品重要程度的值,可以结合商品管理层面的需求来决定不同类目商品对应的属性值,具体可以根据商品出现质量问题的可能性及商品出现质量问题后果的严重程度来确定属性值,例如,食品类商品出现质量问题的危害一般大于鞋帽类商品出现质量问题的危害,所以食品类商品的属性值可以大于鞋帽类商品的属性值。
考虑到反馈信息的反馈时间、反馈信息的数量、提交反馈信息的用户数、等因素的影响,可以将上述因素作为质量分数的特征信息,而后可以单独输出特征信息,也可以根据特征信息与负面的反馈信息的数量、至少一条反馈信息中反馈信息的总数共同确定质量分数。
在本实施例的一些可选实现方式中,根据负面的反馈信息的数量和至少一条反馈信息中反馈信息的总数,生成用于表征目标商品存在质量问题的概率的质量分数,包括:确定负面的反馈信息的数量与至少一条反馈信息中反馈信息的总数的比值;根据比值和特征信息,确定质量分数。
在本实现方式中,当目标商品包括同一商品类目的多个商品时,确定的质量分数可以反映该商品类目的平均质量。当目标商品为同种商品时,确定的质量分数可以反映该商品的平均质量。例如,可以通过以下公式计算质量分数:
其中,AQ表示商品类目的质量分数或商品的质量分数,A表示负面的反馈信息的数量,B表示至少一条反馈信息中反馈信息的总数。W表示质量分数的特征信息,可以根据至少一条反馈信息中反馈信息的总数、提交至少一条反馈信息的用户数、预先设置的目标商品的属性值等确定质量分数的特征信息,例如,可以通过以下公式计算质量分数:
其中,x可以为lg(B),表示以10为底B的对数,这样只有当反馈信息的总数达到一定数量的情况下,平均质量才具有较高的可信度。该权重也可以根据需要改用别的加权算法。同样x也可以根据提交至少一条反馈信息的用户数、预先设置的目标商品的属性值等因素确定。
在本实施例的一些可选实现方式中,根据负面的反馈信息的数量和至少一条反馈信息中反馈信息的总数,生成用于表征目标商品存在质量问题的概率的质量分数,包括:根据至少一条反馈信息中的每条反馈信息的提交时间,将至少一条反馈信息划分为预设数目个反馈信息集合;确定预设数目个反馈信息集合中每个反馈信息集合包括的负面的反馈信息的数量,与包括的反馈信息的总数的比值;获取针对每个反馈信息集合预先设置的权重;根据每个反馈信息集合对应的权重和比值,确定质量分数。
在本实现方式中,划分反馈信息的规则可以根据实际需要进行设置,例如,反馈信息为过去5天内获取的,那么可以按天划分。每个反馈信息集合的权重可以根据实际需要进行设置,例如,可以通过以下公式确定反馈信息集合的权重:
其中,表示冷却系数,可以根据实际需要进行设置,例如,可以设置为0.2。Wi表示第i个反馈信息集合的权重,以反馈信息是过去5天内获取的为例,在第t天确定目标商品的质量分数时,划分出的反馈信息集合可以分别包括第t-i天获取到的反馈信息,i可以取1~5。
在本实现方式中,可以根据反馈信息集合包括的负面的反馈信息的数量,与包括的反馈信息的总数的比值,确定每个反馈信息集合的质量分数,例如,可以通过以下公式计算单个反馈信息集合的质量分数:
其中,Qi表示第i个反馈信息集合的质量分数,C表示该反馈信息集合中负面的反馈信息的数量,D表示该反馈信息集合中反馈信息的总数。w表示该反馈信息集合的质量分数的特征信息,可以根据该反馈信息集合中反馈信息的总数、提交该反馈信息集合中反馈信息的用户数、预先设置的目标商品的属性值等确定,例如,可以通过以下公式计算该反馈信息集合的质量分数:
其中,y可以为log2D,表示以2为底D的对数,这样只有当该反馈信息集合中反馈信息的总数达到一定数量的情况下,该反馈信息集合的质量分数才具有较高的可信度。同样也可以根据需要改用别的加权算法,根据提交该反馈信息集合中反馈信息的用户数、预先设置的目标商品的属性值等确定y。
在本实现方式中,根据每个反馈信息集合对应的权重和比值,确定质量分数,可以是根据每个反馈信息集合对应的权重和质量分数确定目标商品的质量分数,例如,可以通过以下公式计算目标商品的质量分数:
其中,Q表示目标商品的质量分数,m表示反馈信息集合的数目。
在本实施例的一些可选实现方式中,方法还包括:确定至少一条反馈信息中每条反馈信息所针对的商品的发货时间与反馈信息提交的时间之间的时间差;根据所确定的时间差确定目标商品平均反馈滞后时间。
在本实现方式中,反馈信息所针对的商品的发货时间可以从订单信息数据库中获取,而后可以将所确定的每条反馈信息所针对的商品的发货时间与反馈信息提交的时间之间的时间差的算术平均,作为目标商品平均反馈滞后时间,也可以使用其他统计学方法确定出目标商品平均反馈滞后时间。目标商品平均反馈滞后时间可以用于商品追踪,即当出现质量异常现象时,能反推出诸如可能存在问题的商品批次等信息。
在本实施例中,生成用于表征目标商品存在质量问题的概率的质量分数之后,可以展现质量分数,或向负责质量监控的人员使用的终端推送质量分数,还可以根据质量分数来对商品类目或单种商品进行质量监测,以持续提升质量水平、及时发现质量异常。
在本实施例的一些可选实现方式中,方法还包括:响应于所生成的质量分数大于预设的第一阈值,生成用于指示目标商品可能存在质量问题的提示信息。
在本实现方式中,针对不同类目的目标商品可以设置不同的第一阈值,例如,针对食品设置的第一阈值应大于针对鞋帽类目设置的第一阈值。第一阈值还可以根据还可以根据为目标商品预设的长期质量目标来确定,具体可以根据预先设定的长期目标,拆分出多个节点目标,根据当前的质量趋势与去年的同比、和当前的环比,使用线性回归等方式来对未来一定时间的质量进行预测。若发现预测目标可能高于预定值时,则生成用于指示目标商品可能存在质量问题的提示信息,还可以触发异常分析与调查等后续动作,例如,可以根据质控流程、对异常质量表现进行数据分析,并针对性的制定整改措施。
在本实施例的一些可选实现方式中,方法还包括:确定所生成的质量分数与上一时间间隔的质量分数之间的差值;响应于差值大于预设的第二阈值,生成用于指示目标商品可能存在质量问题的提示信息。
在本实现方式中,对质量分数进行了波动监测,具体可以是监测每个时间间隔的质量分数的波动幅度与比例,例如,当天确定的质量分数与前一天确定的质量分数的环比。如果波动幅度或比例在设定值范围以内(如千分之一),则不触发任务后续动作,否则将生成用于指示目标商品可能存在质量问题的提示信息,触发异常分析与调查等后续动作。
在本实施例的一些可选实现方式中,方法还包括:响应于之前的预设数目个时间间隔的质量分数与所生成的质量分数递减,生成用于指示目标商品可能存在质量问题的提示信息。
在本实现方式中,对质量分数进行了趋势监测,具体可以监测连续几个时间间隔内质量分数的变化趋势,以确定目标商品的质量变化属于短期随机正常波动,还是趋势性变化。可以通过绘制质量分数每日趋势图(横坐标和时间日期、纵坐标为商品平均类目平均质量分),并根据实际进行设置设定一定的异常触发条件,例如,连续5日高于某一阈值,或者连续5日呈现一致的变坏情况,达到异常触发条件,则生成用于指示目标商品可能存在质量问题的提示信息。
在本实施例的一些可选实现方式中,方法还包括:对所生成的质量分数与目标商品所属类目中除目标商品外的其他商品的质量分数进行排序;根据排序结果确定是否生成用于指示目标商品可能存在质量问题的提示信息。
在本实现方式中,若目标商品的质量分数靠前,例如,前1%(具体数值可以根据实际需要进行设置),则可以生成用于指示目标商品可能存在质量问题的提示信息。由于不同类目之间的商品质量通常在量化数值上存在着很大的差异,比如使用相同的统计方法,家电类目下商品的质量分数与食品类目下商品的质量分数就存在着很大的差异,这通常是由于行业本身、人群、环境等多种复杂因素共同决定,所以对同一类目中商品的质量分数进行排序的结果更具参考价值。
继续参见图3,图3是根据本实施例的用于生成信息的方法的应用场景的一个示意图。在图3的应用场景中,服务器301首先获取预设时间间隔内用户通过终端302、终端303针对某款鞋子提交的反馈信息304,并对反馈信息进行语义分析,确定出了其中负面的反馈信息305,最后根据负面的反馈信息305的数量和反馈信息304的总数,生成了用于表征目标商品存在质量问题的概率的质量分数306。
本申请的上述实施例提供的方法首先通过获取预设时间间隔内用户针对目标商品提交的至少一条反馈信息,而后对至少一条反馈信息进行语义分析,根据负面的反馈信息的数量和至少一条反馈信息中反馈信息的总数,生成用于表征目标商品存在质量问题的概率的质量分数,从而提供了一种基于反馈信息的商品质量监控机制,丰富了商品质量监控方法。
进一步参考图4,其示出了用于生成信息的方法的又一个实施例的流程400。该用于生成信息的方法的流程400,包括以下步骤:
步骤401,获取预设时间间隔内用户针对目标商品提交的至少一条反馈信息。
在本实施例中,用于生成信息的方法运行于其上的电子设备(例如图1所示的服务器)可以首先获取预设时间间隔内用户针对目标商品提交的至少一条反馈信息。
步骤402,对至少一条反馈信息中的每条反馈信息进行预处理,生成与每条反馈信息对应的关键词序列。
在本实施例中,上述电子设备可以对步骤401中获取的至少一条反馈信息中的每条反馈信息进行预处理,生成与每条反馈信息对应的关键词序列。预处理可以包括分词、删除停用词等操作,由于部分用户反馈内容中含有很多不规范用语、标点符号、无效评论等,所以需要对反馈信息的文本进行预处理以进一步规范化,而后对反馈信息的文本进行分词,分词完成后再次对诸如停用词、符号进行去除。
步骤403,根据所得到的关键词序列,确定与每条反馈信息对应的词向量矩阵。
在本实施例中,上述电子设备可以根据步骤402中得到的关键词序列,使用公开的词向量库或者通过机器学习方法构建的词向量库,查找分词后的词对应的向量表示方法,以确定与每条反馈信息对应的词向量矩阵。
步骤404,将所确定的词向量矩阵导入预先训练的语义识别模型,得到每条反馈信息的语义。
在本实施例中,上述电子设备可以将步骤403中确定的词向量矩阵导入预先训练的语义识别模型,得到每条反馈信息的语义。语义识别模型用于表征词向量矩阵与反馈信息的语义的对应关系,反馈信息的语义包括负面和非负面。
在本实施例中,语义识别模型的训练样本可以从已有的反馈信息中挑取部分文本进行标记,标记其是否为负面反馈信息,并对其进行预处理,以用于模型训练。作为示例,选取的样本文本可以分为三类:评论、退换修、售后咨询与投诉。每类文本按照所有商品的一级类目(如日用百货),各抽取5万条,其中,负面反馈信息和非负面反馈信息的文本比例约为1:4。可以将80%的样本数据作为训练数据,余下20%的数据作为测试数据,使用机器学习算法,训练初始的语义识别模型,得到语义识别模型,而后还可以测试算法的精确率和召回率。初始的语义识别模型可以是一个CNN(Convolutional Neural Network,卷积神经网络)模型。
步骤405,确定至少一条反馈信息中负面的反馈信息的数量。
在本实施例中,上述电子设备可以根据步骤404中得到的每条反馈信息的语义,确定至少一条反馈信息中用于指示目标商品存在质量问题的负面的反馈信息的数量。
步骤406,根据负面的反馈信息的数量和至少一条反馈信息中反馈信息的总数,生成用于表征目标商品存在质量问题的概率的质量分数。
在本实施例中,上述电子设备可以根据步骤405中确定的负面的反馈信息的数量和步骤401中获取的至少一条反馈信息中反馈信息的总数,生成用于表征目标商品存在质量问题的概率的质量分数。
在本实施例中,步骤401、步骤405、步骤406的操作与步骤201、步骤203、步骤204的操作基本相同,在此不再赘述。
从图4中可以看出,与图2对应的实施例相比,本实施例中的用于生成信息的方法的流程400中通过预先训练的语义识别模型对预处理后的反馈信息进行语义识别,由此,本实施例描述的方案中对反馈信息的识别效果更佳,从而提高了生成的质量分数的准确度。
进一步参考图5,作为对上述各图所示方法的实现,本申请提供了一种用于生成信息的装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图5所示,本实施例的用于生成信息的装置500包括:获取单元501、第一确定单元502、第二确定单元503、第一生成单元504。其中,获取单元501,用于获取预设时间间隔内用户针对目标商品提交的至少一条反馈信息;第一确定单元502,用于对至少一条反馈信息进行语义分析,确定至少一条反馈信息中的每条反馈信息是否为用于指示目标商品存在质量问题的负面的反馈信息;第二确定单元503,用于确定至少一条反馈信息中负面的反馈信息的数量;第一生成单元504,用于根据负面的反馈信息的数量和至少一条反馈信息中反馈信息的总数,生成用于表征目标商品存在质量问题的概率的质量分数。
在本实施例中,用于生成信息的装置500的获取单元501、第一确定单元502、第二确定单元503、第一生成单元504的具体处理可以参考图2对应实施例中的步骤201、步骤202、步骤203和步骤204。
在本实施例的一些可选实现方式中,第一确定单元502,包括:生成子单元(图中未示出),用于对至少一条反馈信息中的每条反馈信息进行预处理,生成与每条反馈信息对应的关键词序列;第一确定子单元(图中未示出),用于根据所得到的关键词序列,确定与每条反馈信息对应的词向量矩阵;导入子单元(图中未示出),用于将所确定的词向量矩阵导入预先训练的语义识别模型,得到每条反馈信息的语义,语义识别模型用于表征词向量矩阵与反馈信息的语义的对应关系,反馈信息的语义包括负面和非负面。
在本实施例的一些可选实现方式中,装置还包括:第三确定单元(图中未示出),用于根据以下信息项中的至少一项确定质量分数的特征信息:至少一条反馈信息中反馈信息的总数、提交至少一条反馈信息的用户数、预先设置的目标商品的属性值。
在本实施例的一些可选实现方式中,第一生成单元504,包括:第二确定子单元(图中未示出),用于确定负面的反馈信息的数量与至少一条反馈信息中反馈信息的总数的比值;第三确定子单元(图中未示出),用于根据比值和特征信息,确定质量分数。
在本实施例的一些可选实现方式中,第一生成单元504,包括:划分子单元(图中未示出),用于根据至少一条反馈信息中的每条反馈信息的提交时间,将至少一条反馈信息划分为预设数目个反馈信息集合;第四确定子单元(图中未示出),用于确定预设数目个反馈信息集合中每个反馈信息集合包括的负面的反馈信息的数量,与包括的反馈信息的总数的比值;第一获取子单元(图中未示出),用于获取针对每个反馈信息集合预先设置的权重;第五确定子单元(图中未示出),用于根据每个反馈信息集合对应的权重和比值,确定质量分数。
在本实施例的一些可选实现方式中,装置还包括:第四确定单元(图中未示出),用于确定至少一条反馈信息中每条反馈信息所针对的商品的发货时间与反馈信息提交的时间之间的时间差;第五确定单元(图中未示出),用于根据所确定的时间差确定目标商品平均反馈滞后时间。
在本实施例的一些可选实现方式中,获取单元501,包括:查询子单元(图中未示出),用于在历史反馈信息集合中查询提交时间在预设时间间隔内,且与目标商品的标识信息匹配的反馈信息;第二获取子单元(图中未示出),用于获取查询到的反馈信息中,与查询到的反馈信息关联的订单信息和/或用户信息不在预先设置的黑名单中的反馈信息。
在本实施例的一些可选实现方式中,装置还包括:第二生成单元(图中未示出),用于响应于所生成的质量分数大于预设的第一阈值,生成用于指示目标商品可能存在质量问题的提示信息。
在本实施例的一些可选实现方式中,装置还包括:第六确定单元(图中未示出),用于确定所生成的质量分数与上一时间间隔的质量分数之间的差值;第三生成单元(图中未示出),用于响应于差值大于预设的第二阈值,生成用于指示目标商品可能存在质量问题的提示信息。
在本实施例的一些可选实现方式中,装置还包括:第四生成单元(图中未示出),用于响应于之前的预设数目个时间间隔的质量分数与所生成的质量分数递减,生成用于指示目标商品可能存在质量问题的提示信息。
在本实施例的一些可选实现方式中,装置还包括:排序单元(图中未示出),用于对所生成的质量分数与目标商品所属类目中除目标商品外的其他商品的质量分数进行排序;第五生成单元(图中未示出),用于根据排序结果确定是否生成用于指示目标商品可能存在质量问题的提示信息。
本申请的上述实施例提供的装置,通过获取预设时间间隔内用户针对目标商品提交的至少一条反馈信息,而后对至少一条反馈信息进行语义分析,确定至少一条反馈信息中的每条反馈信息是否为用于指示目标商品存在质量问题的负面的反馈信息,并确定至少一条反馈信息中负面的反馈信息的数量,最后根据负面的反馈信息的数量和至少一条反馈信息中反馈信息的总数,生成用于表征目标商品存在质量问题的概率的质量分数,从而提供了一种基于反馈信息的商品质量监控机制,丰富了商品质量监控方法。
下面参考图6,其示出了适于用来实现本申请实施例的服务器的计算机系统600的结构示意图。图6示出的服务器仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图6所示,计算机系统600包括中央处理单元(CPU)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有系统600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605:包括键盘、鼠标等的输入部分606;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607;包括硬盘等的存储部分608;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口606。可拆卸介质611,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器610上,以便于从其上读出的计算机程序根据需要被安装入存储部分608。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分609从网络上被下载和安装,和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时,执行本申请的方法中限定的上述功能。需要说明的是,本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个单元、程序段、或代码的一部分,所述单元、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括获取单元、第一确定单元、第二确定单元、第一生成单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,获取单元还可以被描述为“获取预设时间间隔内用户针对目标商品提交的至少一条反馈信息的单元”。
作为另一方面,本申请还提供了一种非易失性计算机存储介质,该非易失性计算机存储介质可以是上述实施例中所述装置中所包含的非易失性计算机存储介质;也可以是单独存在,未装配入服务器中的非易失性计算机存储介质。上述非易失性计算机存储介质存储有一个或者多个程序,当所述一个或者多个程序被一个设备执行时,使得所述设备:获取预设时间间隔内用户针对目标商品提交的至少一条反馈信息;对至少一条反馈信息进行语义分析,确定至少一条反馈信息中的每条反馈信息是否为用于指示目标商品存在质量问题的负面的反馈信息;确定至少一条反馈信息中负面的反馈信息的数量;根据负面的反馈信息的数量和至少一条反馈信息中反馈信息的总数,生成用于表征目标商品存在质量问题的概率的质量分数。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离所述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (24)
1.一种用于生成信息的方法,其特征在于,所述方法包括:
获取预设时间间隔内用户针对目标商品提交的至少一条反馈信息;
对所述至少一条反馈信息进行语义分析,确定所述至少一条反馈信息中的每条反馈信息是否为用于指示所述目标商品存在质量问题的负面的反馈信息;
确定所述至少一条反馈信息中负面的反馈信息的数量;
根据所述负面的反馈信息的数量和所述至少一条反馈信息中反馈信息的总数,生成用于表征所述目标商品存在质量问题的概率的质量分数。
2.根据权利要求1所述的方法,其特征在于,所述对所述至少一条反馈信息进行语义分析,确定所述至少一条反馈信息中的每条反馈信息是否为用于指示所述目标商品存在质量问题的负面的反馈信息,包括:
对所述至少一条反馈信息中的每条反馈信息进行预处理,生成与每条反馈信息对应的关键词序列;
根据所得到的关键词序列,确定与每条反馈信息对应的词向量矩阵;
将所确定的词向量矩阵导入预先训练的语义识别模型,得到每条反馈信息的语义,所述语义识别模型用于表征词向量矩阵与反馈信息的语义的对应关系,反馈信息的语义包括负面和非负面。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
根据以下信息项中的至少一项确定所述质量分数的特征信息:所述至少一条反馈信息中反馈信息的总数、提交所述至少一条反馈信息的用户数、预先设置的所述目标商品的属性值。
4.根据权利要求3所述的方法,其特征在于,所述根据所述负面的反馈信息的数量和所述至少一条反馈信息中反馈信息的总数,生成用于表征所述目标商品存在质量问题的概率的质量分数,包括:
确定所述负面的反馈信息的数量与所述至少一条反馈信息中反馈信息的总数的比值;
根据所述比值和所述特征信息,确定所述质量分数。
5.根据权利要求1所述的方法,其特征在于,所述根据所述负面的反馈信息的数量和所述至少一条反馈信息中反馈信息的总数,生成用于表征所述目标商品存在质量问题的概率的质量分数,包括:
根据所述至少一条反馈信息中的每条反馈信息的提交时间,将所述至少一条反馈信息划分为预设数目个反馈信息集合;
确定所述预设数目个反馈信息集合中每个反馈信息集合包括的负面的反馈信息的数量,与包括的反馈信息的总数的比值;
获取针对每个反馈信息集合预先设置的权重;
根据每个反馈信息集合对应的权重和比值,确定所述质量分数。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
确定所述至少一条反馈信息中每条反馈信息所针对的商品的发货时间与反馈信息提交的时间之间的时间差;
根据所确定的时间差确定目标商品平均反馈滞后时间。
7.根据权利要求1所述的方法,其特征在于,所述获取预设时间间隔内用户针对目标商品提交的至少一条反馈信息,包括:
在历史反馈信息集合中查询提交时间在所述预设时间间隔内,且与所述目标商品的标识信息匹配的反馈信息;
获取查询到的反馈信息中,与查询到的反馈信息关联的订单信息和/或用户信息不在预先设置的黑名单中的反馈信息。
8.根据权利要求1-7中任一项所述的方法,其特征在于,所述方法还包括:
响应于所生成的质量分数大于预设的第一阈值,生成用于指示所述目标商品可能存在质量问题的提示信息。
9.根据权利要求1-7中任一项所述的方法,其特征在于,所述方法还包括:
确定所生成的质量分数与上一时间间隔的质量分数之间的差值;
响应于所述差值大于预设的第二阈值,生成用于指示所述目标商品可能存在质量问题的提示信息。
10.根据权利要求1-7中任一项所述的方法,其特征在于,所述方法还包括:
响应于之前的预设数目个时间间隔的质量分数与所生成的质量分数递减,生成用于指示所述目标商品可能存在质量问题的提示信息。
11.根据权利要求1-7中任一项所述的方法,其特征在于,所述方法还包括:
对所生成的质量分数与所述目标商品所属类目中除所述目标商品外的其他商品的质量分数进行排序;
根据排序结果确定是否生成用于指示所述目标商品可能存在质量问题的提示信息。
12.一种用于生成信息的装置,其特征在于,所述装置包括:
获取单元,用于获取预设时间间隔内用户针对目标商品提交的至少一条反馈信息;
第一确定单元,用于对所述至少一条反馈信息进行语义分析,确定所述至少一条反馈信息中的每条反馈信息是否为用于指示所述目标商品存在质量问题的负面的反馈信息;
第二确定单元,用于确定所述至少一条反馈信息中负面的反馈信息的数量;
第一生成单元,用于根据所述负面的反馈信息的数量和所述至少一条反馈信息中反馈信息的总数,生成用于表征所述目标商品存在质量问题的概率的质量分数。
13.根据权利要求12所述的装置,其特征在于,所述第一确定单元,包括:
生成子单元,用于对所述至少一条反馈信息中的每条反馈信息进行预处理,生成与每条反馈信息对应的关键词序列;
第一确定子单元,用于根据所得到的关键词序列,确定与每条反馈信息对应的词向量矩阵;
导入子单元,用于将所确定的词向量矩阵导入预先训练的语义识别模型,得到每条反馈信息的语义,所述语义识别模型用于表征词向量矩阵与反馈信息的语义的对应关系,反馈信息的语义包括负面和非负面。
14.根据权利要求12所述的装置,其特征在于,所述装置还包括:
第三确定单元,用于根据以下信息项中的至少一项确定所述质量分数的特征信息:所述至少一条反馈信息中反馈信息的总数、提交所述至少一条反馈信息的用户数、预先设置的所述目标商品的属性值。
15.根据权利要求14所述的装置,其特征在于,所述第一生成单元,包括:
第二确定子单元,用于确定所述负面的反馈信息的数量与所述至少一条反馈信息中反馈信息的总数的比值;
第三确定子单元,用于根据所述比值和所述特征信息,确定所述质量分数。
16.根据权利要求12所述的装置,其特征在于,所述第一生成单元,包括:
划分子单元,用于根据所述至少一条反馈信息中的每条反馈信息的提交时间,将所述至少一条反馈信息划分为预设数目个反馈信息集合;
第四确定子单元,用于确定所述预设数目个反馈信息集合中每个反馈信息集合包括的负面的反馈信息的数量,与包括的反馈信息的总数的比值;
第一获取子单元,用于获取针对每个反馈信息集合预先设置的权重;
第五确定子单元,用于根据每个反馈信息集合对应的权重和比值,确定所述质量分数。
17.根据权利要求12所述的装置,其特征在于,所述装置还包括:
第四确定单元,用于确定所述至少一条反馈信息中每条反馈信息所针对的商品的发货时间与反馈信息提交的时间之间的时间差;
第五确定单元,用于根据所确定的时间差确定目标商品平均反馈滞后时间。
18.根据权利要求12所述的装置,其特征在于,所述获取单元,包括:
查询子单元,用于在历史反馈信息集合中查询提交时间在所述预设时间间隔内,且与所述目标商品的标识信息匹配的反馈信息;
第二获取子单元,用于获取查询到的反馈信息中,与查询到的反馈信息关联的订单信息和/或用户信息不在预先设置的黑名单中的反馈信息。
19.根据权利要求12-18中任一项所述的装置,其特征在于,所述装置还包括:
第二生成单元,用于响应于所生成的质量分数大于预设的第一阈值,生成用于指示所述目标商品可能存在质量问题的提示信息。
20.根据权利要求12-18中任一项所述的装置,其特征在于,所述装置还包括:
第六确定单元,用于确定所生成的质量分数与上一时间间隔的质量分数之间的差值;
第三生成单元,用于响应于所述差值大于预设的第二阈值,生成用于指示所述目标商品可能存在质量问题的提示信息。
21.根据权利要求12-18中任一项所述的装置,其特征在于,所述装置还包括:
第四生成单元,用于响应于之前的预设数目个时间间隔的质量分数与所生成的质量分数递减,生成用于指示所述目标商品可能存在质量问题的提示信息。
22.根据权利要求12-18中任一项所述的装置,其特征在于,所述装置还包括:
排序单元,用于对所生成的质量分数与所述目标商品所属类目中除所述目标商品外的其他商品的质量分数进行排序;
第五生成单元,用于根据排序结果确定是否生成用于指示所述目标商品可能存在质量问题的提示信息。
23.一种服务器,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求1-11中任一所述的方法。
24.一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1-11中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710758012.4A CN109426978A (zh) | 2017-08-29 | 2017-08-29 | 用于生成信息的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710758012.4A CN109426978A (zh) | 2017-08-29 | 2017-08-29 | 用于生成信息的方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109426978A true CN109426978A (zh) | 2019-03-05 |
Family
ID=65503597
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710758012.4A Pending CN109426978A (zh) | 2017-08-29 | 2017-08-29 | 用于生成信息的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109426978A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115512529A (zh) * | 2021-06-23 | 2022-12-23 | 中国石油化工股份有限公司 | 承包商问题预警方法、预警装置及预警系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110173191A1 (en) * | 2010-01-14 | 2011-07-14 | Microsoft Corporation | Assessing quality of user reviews |
CN103123633A (zh) * | 2011-11-21 | 2013-05-29 | 阿里巴巴集团控股有限公司 | 评价参数的生成方法以及基于评价参数的信息搜索方法 |
CN103577988A (zh) * | 2012-07-24 | 2014-02-12 | 阿里巴巴集团控股有限公司 | 一种识别特定用户的方法和装置 |
CN103839178A (zh) * | 2014-02-28 | 2014-06-04 | 珠海市君天电子科技有限公司 | 一种获得商品质量信息的方法及系统 |
CN106157119A (zh) * | 2016-07-11 | 2016-11-23 | 广东聚联电子商务股份有限公司 | 一种电子商务购物系统平台举报处理的方法 |
CN106846015A (zh) * | 2017-02-06 | 2017-06-13 | 吉林师范大学 | 基于物联网的产品质量反馈系统及使用方法 |
-
2017
- 2017-08-29 CN CN201710758012.4A patent/CN109426978A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110173191A1 (en) * | 2010-01-14 | 2011-07-14 | Microsoft Corporation | Assessing quality of user reviews |
CN103123633A (zh) * | 2011-11-21 | 2013-05-29 | 阿里巴巴集团控股有限公司 | 评价参数的生成方法以及基于评价参数的信息搜索方法 |
CN103577988A (zh) * | 2012-07-24 | 2014-02-12 | 阿里巴巴集团控股有限公司 | 一种识别特定用户的方法和装置 |
CN103839178A (zh) * | 2014-02-28 | 2014-06-04 | 珠海市君天电子科技有限公司 | 一种获得商品质量信息的方法及系统 |
CN106157119A (zh) * | 2016-07-11 | 2016-11-23 | 广东聚联电子商务股份有限公司 | 一种电子商务购物系统平台举报处理的方法 |
CN106846015A (zh) * | 2017-02-06 | 2017-06-13 | 吉林师范大学 | 基于物联网的产品质量反馈系统及使用方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115512529A (zh) * | 2021-06-23 | 2022-12-23 | 中国石油化工股份有限公司 | 承包商问题预警方法、预警装置及预警系统 |
CN115512529B (zh) * | 2021-06-23 | 2024-03-05 | 中国石油化工股份有限公司 | 承包商问题预警方法、预警装置及预警系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107908740B (zh) | 信息输出方法和装置 | |
US8756178B1 (en) | Automatic event categorization for event ticket network systems | |
CN107391680A (zh) | 内容推荐方法、装置和设备 | |
US11127032B2 (en) | Optimizing and predicting campaign attributes | |
CN109388548B (zh) | 用于生成信息的方法和装置 | |
CN109840730B (zh) | 用于数据预测的方法及装置 | |
CN109976997A (zh) | 测试方法和装置 | |
US11200591B2 (en) | Electronic content based on neural networks | |
CN110019699A (zh) | 域间通过语法槽的分类 | |
US20120253923A1 (en) | Systems and methods for providing targeted marketing campaign to merchant | |
CN110929136A (zh) | 一种个性化推荐方法和装置 | |
CN108921323A (zh) | 用于生成信息的方法和装置 | |
CN110363604A (zh) | 页面生成方法和装置 | |
CN109544076A (zh) | 用于生成信息的方法和装置 | |
CN114663198A (zh) | 基于用户画像的产品推荐方法、装置、设备及存储介质 | |
CN113743971A (zh) | 一种数据处理方法和装置 | |
JP2019032620A (ja) | 生成装置、生成方法及び生成プログラム | |
US20210350202A1 (en) | Methods and systems of automatic creation of user personas | |
WO2020211616A1 (zh) | 用于处理用户交互信息的方法和装置 | |
US10628806B2 (en) | System and method for test data provisioning | |
US20170249697A1 (en) | System and method for machine learning based line assignment | |
CN109426978A (zh) | 用于生成信息的方法和装置 | |
CN116186541A (zh) | 一种推荐模型的训练方法及装置 | |
US20230066295A1 (en) | Configuring an association between objects based on an identification of a style associated with the objects | |
Hou et al. | Pricing leadership decisions of competing firms with consumer learning |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190305 |
|
RJ01 | Rejection of invention patent application after publication |