CN109447767A - 一种应用于电子商务的商品评价方法及系统 - Google Patents

Abstract

本发明涉及一种应用于电子商务的商品评价方法及系统，其中的方法包括：当接收到用户终端对于商品的评价请求时，根据商品对应的类别标签获取评价模版并返回用户终端；对获取的用户终端在多个评价项目下录入的评价文本进行文本分析，确定评价文本的倾向信息；分别计算各个评价项目的满意率；获取各个评价项目的权重；计算商品的综合满意率。本发明针对不同种类的商品预先配置好了相匹配的评价模版，能够引导用户进行全面、专业的评价，所获得的评价具有更高的参考性和针对性，从而有利于用户快速获取有用的评价信息，并且根据评价模版的各个评价项目的评价文本所计算得出商品的综合满意率，能够准确反映出该商品的质量，具有较高的可信度。

Description

一种应用于电子商务的商品评价方法及系统

技术领域

本发明涉及电子商务领域，具体涉及一种应用于电子商务的商品评价方法及系统。

背景技术

现有的电子商务平台中对于商品的评价一般采用统一的评价方式，如根据综合物流速度、服务态度等几方面的得分计算出分数后作为商品的满意度分数，并作为商品排名的依据，这种方式没有有效利用已有的评价文本，所得出的满意度不能客观反映出不同类别的商品之间的差异性，因此消费者还需要进一步查看详细的评价文本来获取有参考价值的信息，而用户对于商品一般采用文字评论的方式，由于采用文字评论的随意性较大，用户需要浏览多条评价才能对商品的相关性能做出判断。

发明内容

针对上述技术问题，本发明提供一种应用于电子商务的商品评价方法及系统。

本发明解决上述技术问题的技术方案如下：一种应用于电子商务的商品评价方法，包括：

步骤1、当接收到用户终端对于商品的评价请求时，根据所述商品对应的类别标签获取评价模版并返回所述用户终端，所述评价模版中包含多个评价项目；

步骤2、对获取的所述用户终端在所述多个评价项目下录入的评价文本进行文本分析，确定所述评价文本的倾向信息；

步骤3、根据所述商品的各个评价项目的所有评价文本的倾向信息，分别计算各个评价项目的满意率；

步骤4、获取各个评价项目的权重；

步骤5、根据所有评价项目的满意率和权重，计算所述商品的综合满意率。

为实现上述发明目的，本发明还提供一种应用于电子商务的商品评价系统，包括：

第一获取模块，用于当接收到用户终端对于商品的评价请求时，根据所述商品对应的类别标签获取评价模版并返回所述用户终端，所述评价模版中包含多个评价项目；

分析模块，用于对获取的所述用户终端在所述多个评价项目下录入的评价文本进行文本分析，确定所述评价文本的倾向信息；

第一计算模块，用于根据所述商品的各个评价项目的所有评价文本的倾向信息，分别计算各个评价项目的满意率；

第二获取模块，用于获取各个评价项目的权重；

第二计算模块，用于根据所有评价项目的满意率和权重，计算所述商品的综合满意率。

本发明的有益效果是：针对不同种类的商品预先配置好了相匹配的评价模版，能够引导用户进行全面、专业的评价，所获得的评价具有更高的参考性和针对性，从而有利于用户快速获取有用的评价信息，并且根据评价模版的各个评价项目的评价文本所计算得出商品的综合满意率，能够准确反映出该商品的质量，具有较高的可信度。

附图说明

图1为本发明实施例提供的一种应用于电子商务的商品评价方法的流程图；

图2为本发明实施例提供的另一种应用于电子商务的商品评价方法的流程图；

图3为本发明实施例提供的一种应用于电子商务的商品评价系统的框图。

具体实施方式

以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。

图1为本发明实施例提供的一种应用于电子商务的商品评价方法的流程图，如图1所示，该方法包括：

11、当接收到用户终端对于商品的评价请求时，根据所述商品对应的类别标签获取评价模版并返回所述用户终端，所述评价模版中包含多个评价项目；

具体的，类别标签指的是商品所属的类别，如上衣、内衣、鞋等，评价模版指的是与该类别的商品比较相关的评价项目，如手机类的评价模版中可以包含如下评价项目：续航、流畅性、显示效果、拍照性能等，类别可以划分到比较细的类目下，例如女式凉鞋等，便于设计与商品更加贴近的评价模版。

12、对获取的所述用户终端在所述多个评价项目下录入的评价文本进行文本分析，确定所述评价文本的倾向信息；

具体的，通过文本分析来确定倾向信息可选择机器学习模型的方式实现，在进行文本分析前，获取用于训练的反馈数据，标记反馈数据中的倾向信息，如非常满意、满意、一般、不满意、非常不满意等；采用标记后的反馈数据训练机器学习模型，利用训练好的机器学习模型来确定评价文本的倾向信息。

13、根据所述商品的各个评价项目的所有评价文本的倾向信息，分别计算各个评价项目的满意率；

具体的，通过步骤11-12确定当前的用户终端提交的评价文本的倾向信息后，则需要通过步骤13重新计算满意率，以便后续步骤基于重新计算的满意率来更新商品的综合满意率，使得综合满意率能够产生实时变化。

可通过以下方法计算满意率：首先，统计某个评价项目的所有评价文本中倾向信息为满意的数量(当倾向信息有非常满意时，还包含非常满意的数量)，再将满意的数量除以所有评价文本的数量，即可得到该评价项目的满意率。

14、获取各个评价项目的权重；

具体的，各个项目的权重可以根据用户需求进行设定，具体可通过调查问卷、统计或者专家意见确定，从而使得最终计算的综合满意率能够贴近用户需求。

15、根据所有评价项目的满意率和权重，计算所述商品的综合满意率。

本发明实施例提供的一种应用于电子商务的商品评价方法，针对不同种类的商品预先配置好了相匹配的评价模版，能够引导用户进行全面、专业的评价，所获得的评价具有更高的参考性和针对性，从而有利于用户快速获取有用的评价信息，并且根据评价模版的各个评价项目的评价文本所计算得出商品的综合满意率，能够准确反映出该商品的质量，具有较高的可信度。

可选地，在该实施例中，所述步骤12具体包括：

121、步骤将各个项目的评价文本输入到训练后的机器学习模型；

122、根据训练后的机器学习模型的输出结果确定所述评价文本的倾向信息。

具体的，机器学习模型可以采用决策树模型、梯度提升决策树模型、逻辑回归模型等等。

然后，在确定倾向信息时，可以将评价文本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满意，则将该评价文本的倾向信息确定为满意；如果训练后的机器学习模型的输出结果为不满意，则将该评价文本的倾向信息确定为不满意等等。

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，在确定倾向信息时，可以将评价文本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评价文本的倾向信息。

上述方法可以基于大数据确定倾向信息，使得倾向信息的判定结果更加准确。

可选地，在该实施例中，步骤14具体包括：

统计各个评价项目包含的评价条数并排序；

设评价项目的数量为n，则排名为i的评价项目的权重s为：

具体的，用户一般会对自己关注的评价项目进行评价，而对不关注的评价项目则可能会略过不评价，因此，如果某个评价项目包含的评价条数较多，可以认为其收到用户较高的关注，因此赋予该评价项目更高的权重，具体可通过上述计算公式实现。

可选地，在该实施例中，步骤15具体包括：

151、对所述所有评价项目的权重进行归一化处理；

具体的，为了保证最终计算的综合满意率小于1，确定了各个评价项目的权重后，可按照下列公式对权重值进行归一化：其中w_i为第i个评价项目的权重，n为评价项目的数量，p为归一化后的权重值。

152、将各个评价项目的满意率乘以对应的经过归一化处理的权重后相加，得到商品的综合满意率。

可选地，作为本发明的一个实施例，如图2所示，该方法还包括：

23、获取与所述商品的所有评价文本对应的用户的信用信息；

具体的，与评价文本类似地，信用信息也可以有多重表现形式。例如，信用信息可以是用“极好，较好，一般，有风险，高风险”进行分级的信用级别信息，也可以是星级评价、分数评价等等。信用信息可以由多种来源，在此不作限制。

24、确定各个信用信息所对应的评价文本的倾向信息的权重；

在获取到信用信息之后，可针对某个用户的信用信息确定对应的评价文本的倾向信息的权重值，具体方法有多种，例如，通过一个信用信息和权重值的映射表，或者以信用信息为输入，权重值为输出的函数等等。

在步骤25中，计算评价项目的满意率时，就需要考虑倾向信息的权重，即，根据所述商品的各个评价项目的所有评价文本的倾向信息和所述倾向信息的权重，分别计算各个评价项目的满意率。

本发明实施例提供的一种应用于电子商务的商品评价方法，基于上传评价文本的用户的信用信息来确定对应评价文本的倾向信息的权重，从而使得不同信用状态的用户的评价文本的倾向信息具有不同的权重，通过对倾向信息进行信用加权而计算得到评价项目的满意率。由于在满意率的计算中考虑了用户的信用状态，从而降低了恶意评价对满意率的影响，使得满意率能够更客观地反映出商品的质量，提高了电子商务平台的可靠性，改善了用户体验。

图3为本发明实施例提供的一种应用于电子商务的商品评价系统的框图，该系统中各个模块的功能原理已在前述内容中详细阐述，以下不再赘述。

如图3所示，该系统包括：

第一获取模块，用于当接收到用户终端对于商品的评价请求时，根据所述商品对应的类别标签获取评价模版并返回所述用户终端，所述评价模版中包含多个评价项目；

分析模块，用于对获取的所述用户终端在所述多个评价项目下录入的评价文本进行文本分析，确定所述评价文本的倾向信息；

第一计算模块，用于根据所述商品的各个评价项目的所有评价文本的倾向信息，分别计算各个评价项目的满意率；

第二获取模块，用于获取各个评价项目的权重；

第二计算模块，用于根据所有评价项目的满意率和权重，计算所述商品的综合满意率。

可选地，在该实施例中，所述分析模块具体包括：

输入单元，用于将各个项目的评价文本输入到训练后的机器学习模型；

确定单元，用于根据训练后的机器学习模型的输出结果确定所述评价文本的倾向信息。

可选地，在该实施例中，该系统还包括：

第三获取模块，用于获取与所述商品的所有评价文本对应的用户的信用信息；

确定模块，用于确定各个信用信息所对应的评价文本的倾向信息的权重；

所述第一计算模块，具体用于根据所述商品的各个评价项目的所有评价文本的倾向信息和所述倾向信息的权重，分别计算各个评价项目的满意率。

可选地，在该实施例中，所述第二获取模块，具体用于统计各个评价项目包含的评价条数并排序；

设评价项目的数量为n，则排名为i的评价项目的权重s为：

可选地，在该实施例中，所述第二计算单元具体包括：

归一化单元，用于对所述所有评价项目的权重进行归一化处理；

计算单元，用于将各个评价项目的满意率乘以对应的经过归一化处理的权重后相加，得到商品的综合满意率。

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 (10)

1.一种应用于电子商务的商品评价方法，其特征在于，包括：

步骤1、当接收到用户终端对于商品的评价请求时，根据所述商品对应的类别标签获取评价模版并返回所述用户终端，所述评价模版中包含多个评价项目；

步骤2、对获取的所述用户终端在所述多个评价项目下录入的评价文本进行文本分析，确定所述评价文本的倾向信息；

步骤3、根据所述商品的各个评价项目的所有评价文本的倾向信息，分别计算各个评价项目的满意率；

步骤4、获取各个评价项目的权重；

步骤5、根据所有评价项目的满意率和权重，计算所述商品的综合满意率。

2.根据权利要求1所述的方法，其特征在于，所述步骤2具体包括：

将各个项目的评价文本输入到训练后的机器学习模型；

根据训练后的机器学习模型的输出结果确定所述评价文本的倾向信息。

3.根据权利要求1所述的方法，其特征在于，在所述步骤2和步骤3之间，还包括：

获取与所述商品的所有评价文本对应的用户的信用信息；

确定各个信用信息所对应的评价文本的倾向信息的权重；

所述步骤3具体包括：

根据所述商品的各个评价项目的所有评价文本的倾向信息和所述倾向信息的权重，分别计算各个评价项目的满意率。

4.根据权利要求1所述的方法，其特征在于，所述步骤4具体包括：

统计各个评价项目包含的评价条数并排序；

设评价项目的数量为n，则排名为i的评价项目的权重s为：

5.根据权利要求1-4任一项所述的方法，其特征在于，所述步骤5具体包括：

对所述所有评价项目的权重进行归一化处理；

将各个评价项目的满意率乘以对应的经过归一化处理的权重后相加，得到商品的综合满意率。

6.一种应用于电子商务的商品评价系统，其特征在于，包括：

第一获取模块，用于当接收到用户终端对于商品的评价请求时，根据所述商品对应的类别标签获取评价模版并返回所述用户终端，所述评价模版中包含多个评价项目；

分析模块，用于对获取的所述用户终端在所述多个评价项目下录入的评价文本进行文本分析，确定所述评价文本的倾向信息；

第一计算模块，用于根据所述商品的各个评价项目的所有评价文本的倾向信息，分别计算各个评价项目的满意率；

第二获取模块，用于获取各个评价项目的权重；

第二计算模块，用于根据所有评价项目的满意率和权重，计算所述商品的综合满意率。

7.根据权利要求6所述的系统，其特征在于，所述分析模块具体包括：

输入单元，用于将各个项目的评价文本输入到训练后的机器学习模型；

确定单元，用于根据训练后的机器学习模型的输出结果确定所述评价文本的倾向信息。

8.根据权利要求6所述的系统，其特征在于，还包括：

第三获取模块，用于获取与所述商品的所有评价文本对应的用户的信用信息；

确定模块，用于确定各个信用信息所对应的评价文本的倾向信息的权重；

所述第一计算模块，具体用于根据所述商品的各个评价项目的所有评价文本的倾向信息和所述倾向信息的权重，分别计算各个评价项目的满意率。

9.根据权利要求6所述的系统，其特征在于，所述第二获取模块，具体用于统计各个评价项目包含的评价条数并排序；

设评价项目的数量为n，则排名为i的评价项目的权重s为：

10.根据权利要求6-9任一项所述的系统，其特征在于，所述第二计算单元具体包括：

归一化单元，用于对所述所有评价项目的权重进行归一化处理；

计算单元，用于将各个评价项目的满意率乘以对应的经过归一化处理的权重后相加，得到商品的综合满意率。