CN111079894A - Bp神经网络模型构建、商家评价方法与装置 - Google Patents
Bp神经网络模型构建、商家评价方法与装置 Download PDFInfo
- Publication number
- CN111079894A CN111079894A CN201911087454.6A CN201911087454A CN111079894A CN 111079894 A CN111079894 A CN 111079894A CN 201911087454 A CN201911087454 A CN 201911087454A CN 111079894 A CN111079894 A CN 111079894A
- Authority
- CN
- China
- Prior art keywords
- neural network
- network model
- evaluation
- merchant
- initial
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06Q30/0282—Rating or review of business operators or products
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种BP神经网络模型构建方法、装置、计算机设备和存储介质,基于商家评价样本数据,识别出可用的评价指标以及对应指标参数,针对性构建初始BP神经网络模型再进一步训练,能够使得到的训练后的BP神经网络模型支持对商家准确评价。另外,本申请还提供一种基于上述方法构建的BP神经网络模型的商家评价方法、装置、计算机设备和存储介质,其能够实现对商家的准确评价。
Description
技术领域
本申请涉及大数据技术领域,特别是涉及一种BP神经网络模型构建、商家评价方法与装置、计算机设备和存储介质。
背景技术
随着生活水平的提高,目前人们越来越追求更加优质的商家,如何能够准确得到准确用户对商家评价反馈已经成为商家以及第三方顾客非常关心的难题。
在常规商家评价中,用户直接根据商家给予的具体分数数值,例如10分制,用户可以打1-10中任意一个分值,分值越高表明用户对该商家越认可;用户还可以通过点亮星星的方式进行商家打分,如有5个星星,用户可以点亮5以内的任意数量的星星,点亮星星数量越多表明用户对该商家越满意。
上述常规的商家评价方式中,虽然可以实现对该商家质量的评分,但是评分项目/指标比较单一,无法全面反映用户对商家质量的评价,最终得到评价数据也就无法在商家提供商于商家评价改进商家质量时,给予准确的数据支持。
发明内容
基于此,有必要针对上述技术问题,提供一种支持全面且准确的商家评价的BP神经网络模型构建方法、装置、计算机设备和存储介质以及可以实现全面且准确的商家评价的商家评价方法与装置、计算机设备和存储介质。
一种BP神经网络模型构建方法,所述BP神经网络模型用于商家评价,所述方法包括:
获取商家评价样本数据;
识别所述商家评价样本数据中的商家评价指标以及各所述商家评价指标对应的指标参数;
根据所述商家评价指标的数量,构建初始BP神经网络模型;
将所述指标参数对应输入至所述初始BP神经网络模型中表征评价指标的输入层、并将所述商家评价样本数据中商家评价结果作为初始BP神经网络模型的输出,对所述初始BP神经网络模型进行训练,得到训练后的BP神经网络模型。
在其中一个实施例中,将所述商家评价样本数据中商家评价结果作为初始BP神经网络模型的输出包括:
对所述商家评价样本数据中商家评价结果进行归一处理;
将归一处理后的商家评价结果作为初始BP神经网络模型的唯一输出数据。
在其中一个实施例中,所述根据所述商家评价指标的数量,构建初始BP神经网络模型包括:
设置所述初始BP神经网络模型的输入层节点数为所述商家评价指标的数量、并设置所述初始BP神经网络模型的输出层节点唯一;
根据所述输入层节点数量以及所述输出层节点数据,采用试凑法确定所述初始BP神经网络模型的隐含层节点数;
根据确定的输入层节点数、输出层节点数以及隐含层节点数,构建初始BP神经网络模型。
在其中一个实施例中,所述根据确定的输入层节点数、输出层节点数以及隐含层节点数,构建初始BP神经网络模型包括:
根据确定的输入层节点数、输出层节点数以及隐含层节点数,采用Sig—moid函数作为激活函数,构建初始BP神经网络模型。
在其中一个实施例中,所述识别所述商家评价样本数据中的商家评价指标以及各所述商家评价指标对应的指标参数包括:
根据所述商家评价样本数据,获取商家评价角度;
分析在各所述商家评价角度下的第一维度指标以及第二维度指标,所述第二维度指标从属于所述第一维度指标;
识别所述商家评价样本数据中所述第二维度指标对应的指标参数。
一种商家评价方法,所述方法包括:
获取待评价商家的当前评价数据;
分析所述当前评价数据中不同评价指标对应的当前评价指标参数;
根据所述当前评价指标参数所属评价指标,将所述当前评价指标参数输入至已训练的BP神经网络模型;
获取所述已训练的BP神经网络模型输出的商家评价结果;
其中,所述已训练的BP神经网络模型由如上述BP神经网络模型构建方法得到。
一种BP神经网络模型构建装置,所述BP神经网络模型用于商家评价,所述装置包括:
样本数据获取模块,用于获取商家评价样本数据;
识别模块,用于识别所述商家评价样本数据中的商家评价指标以及各所述商家评价指标对应的指标参数;
初始模型构建模块,用于根据所述商家评价指标的数量,构建初始BP神经网络模型;
训练模块,用于将所述指标参数对应输入至所述初始BP神经网络模型中表征评价指标的输入层、并将所述商家评价样本数据中商家评价结果作为初始BP神经网络模型的输出,对所述初始BP神经网络模型进行训练,得到训练后的BP神经网络模型。
一种商家评价装置,所述装置包括:
实时数据获取模块,用于获取待评价商家的当前评价数据;
分析模块,用于分析所述当前评价数据中不同评价指标对应的当前评价指标参数;
输入模块,用于根据所述当前评价指标参数所属评价指标,将所述当前评价指标参数输入至已训练的BP神经网络模型;
结果输出模块,用于获取所述已训练的BP神经网络模型输出的商家评价结果;
其中,所述已训练的BP神经网络模型由如上述BP神经网络模型构建方法构建得到。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上述的方法的步骤。
上述BP神经网络模型构建方法、装置、计算机设备和存储介质,获取商家评价样本数据,识别所述商家评价样本数据中的商家评价指标以及各所述商家评价指标对应的指标参数,根据所述商家评价指标的数量,构建初始BP神经网络模型,将所述指标参数对应输入至所述初始BP神经网络模型中表征评价指标的输入层、并将所述商家评价样本数据中商家评价结果作为初始BP神经网络模型的输出,对所述初始BP神经网络模型进行训练,得到训练后的BP神经网络模型。整个过程中,基于商家评价样本数据,识别出可用的评价指标以及对应指标参数,针对性构建初始BP神经网络模型再进一步训练,能够使得到的训练后的BP神经网络模型支持对商家准确评价。
另外,本申请还提供一种商家评价方法、装置、计算机设备和存储介质,其采用如上述BP神经网络模型构建方法构建的已训练的BP神经网络模型对待评价商家进行评价,由于已训练的BP神经网络模型是基于商家评价样本数据,识别出可用的评价指标以及对应指标参数,针对性构建初始BP神经网络模型再进一步训练得到的,其支持对商家准确评价,因此,最终能够得到待评价商家准确的商家评价结果。
附图说明
图1为一个实施例中BP神经网络模型构建方法的应用环境图;
图2为一个实施例中BP神经网络模型构建方法的流程示意图;
图3为初始BP神经网络模型结构示意图;
图4为另一个实施例中BP神经网络模型构建方法的流程示意图;
图5为另一个实施例中商家评价方法的流程示意图;
图6为一个实施例中BP神经网络模型构建装置的结构框图;
图7为一个实施例中商家评价装置的结构框图;
图8为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
下面将首选针对本申请BP神经网络模型构建方法以及商家评价方法提出的技术原理进行解释。
实际商家评价过程往往是非常复杂的,影响商家评价质量的因素很多,各个因素之间呈现出复杂的非线性关系,很难根据数学表达式准确定量处理。BP神经网络具有自组织和自适应能力,通过不断学习和训练,能够从未知模式的大量的复杂数据中发现其规律性,特别是能够处理输人输入与输出之间非线性类型的数据,因此,将BP神经网络的理论应用于商家评价体系中,不仅克服了传统评价过程中建立复杂的数学模型和数学解析表达式的问题,而且还避免人为的主观随意性,使得评价更加准确有效。
本申请提供的BP神经网络模型构建方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104通过网络进行通信。终端102将历史记录中商家评价样本数据上传至服务器104,服务器104获取商家评价样本数据,识别商家评价样本数据中的商家评价指标以及各商家评价指标对应的指标参数,根据商家评价指标的数量,构建初始BP神经网络模型,将指标参数对应输入至初始BP神经网络模型中表征评价指标的输入层、并将商家评价样本数据中商家评价结果作为初始BP神经网络模型的输出,对初始BP神经网络模型进行训练,得到训练后的BP神经网络模型。在实际应用中,服务器104还可以将已训练的BP神经网络模型存储,在后续若收到终端102发送的待评价商家的当前评价数据时,将当前评价数据输入至已训练的BP神经网络模型,得到待评价商家的评价结果,并反馈至终端102,实现精准商家评价。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备,商家器104可以用独立的商家器或者是多个商家器组成的商家器集群来实现。
在一个实施例中,如图2所示,提供了一种BP神经网络模型构建方法,以该方法应用于图1中的服务器104为例进行说明,包括以下步骤:
S220:获取商家评价样本数据。
历史记录中采集得到不同用户对不同商家的评价数据,对采集的商家评价数据进行归集构成商家评价样本数据,在商家评价样本数据中携带有各个评价指标、各个评价指标对应的评价参数以及最终用户对商家的评价结果。商家评价样本数据还可以是有针对性分类获取,例如可以将相同或相似对象反馈的商家评价样本数据放在一个集合中,相同或相似对象可以是同一个区域中用户/商户的评价数据,例如同一个社区、同一个行政区域等;或者相同(相近)年龄阶段用户的评价数据,例如20岁左右用户的商家评价数据;又或者是相同(相关)职业用户的评价数据,例如学生群体的用户评价数据、上班白领的用户评价数据等。
S240:识别商家评价样本数据中的商家评价指标以及各商家评价指标对应的指标参数。
例如用户对商家A评价指标包括发货速度、售后服务态度以及商家性能;针对上述3个评价指标的评价参数对应分别为发货速度快、售后服务态度优秀以商家性能(效果)一般,其最终用户对商家A的评价结果为一般(评价分5分)。商家评价指标可以综合所有商家评价样本数据中存在的指标,将同类指标数据归集计算其平均值得到对应的指标参数,例如以评价指标为发货速度为例,在评价样本数据中有3组针对发货速度评价指标的评价参数(为便于说明这里直接以具体数值表征,针对已文字表征的内容,可以进行文本识别以及文本内容与数值对应关系表得到具体数值,如优秀3分、良好2分、差1分)分别为3分、3分、2分,则发货速度评价指标对应的指标参数为2.67。进一步的,还可以对占整个评价指标集合中的比例小于预设阈值的评价指标进行剔除,以筛选出较具代表性的评价指标,减少后续数据处理量。
S260:根据商家评价指标的数量,构建初始BP神经网络模型。
商家评价指标作为BP神经网络模型的输入,具体评价结果作为BP神经网络模型的输出,根据输入数据设置BP神经网络模型的输入层节点,根据输出数据设置BP神经网络模型的输出层节点,再根据输入层节点以及输出层节点确定BP神经网络模型中隐含层节点。具体来说,商家评价指标作为BP神经网络模型输入,因此,可以根据商家评价指标的数量确定BP神经网络模型的输入层节点数量,如当前有12个商家评价指标,则构建的初始BP神经网络模型有12个输入层节点,又一般来说商家评价结果是一致的、唯一的,因此,初始BP神经网络模型的输出层节点数1,根据确定的输入层节点数(12)以及输出层及节点数(1),确定隐含层节点数据。
S280:将指标参数对应输入至初始BP神经网络模型中表征评价指标的输入层、并将商家评价样本数据中商家评价结果作为初始BP神经网络模型的输出,对初始BP神经网络模型进行训练,得到训练后的BP神经网络模型。
在构建了初始BP神经网络模型之后,模型的骨架(结构)已经搭建好,具体可以参见图3,再根据模型输入数据以及输出数据对模型进行训练,以调整模型的各项参数最终得到训练后的BP神经网络模型。可以理解的是,调整模型的各项参数具体是调整各评价指标对应的权重。
上述BP神经网络模型构建方法,获取商家评价样本数据,识别商家评价样本数据中的商家评价指标以及各商家评价指标对应的指标参数,根据商家评价指标的数量,构建初始BP神经网络模型,将指标参数对应输入至初始BP神经网络模型中表征评价指标的输入层、并将商家评价样本数据中商家评价结果作为初始BP神经网络模型的输出,对初始BP神经网络模型进行训练,得到训练后的BP神经网络模型。整个过程中,基于商家评价样本数据,识别出可用的评价指标以及对应指标参数,针对性构建初始BP神经网络模型再进一步训练,能够使得到的训练后的BP神经网络模型支持对商家准确评价。
在其中一个实施例中,将商家评价样本数据中商家评价结果作为初始BP神经网络模型的输出包括:对商家评价样本数据中商家评价结果进行归一处理;将归一处理后的商家评价结果作为初始BP神经网络模型的唯一输出数据。
归一处理具体是指将多样的评价结果轨迹,并且按照统一的方式、格式或者处理方式形成统一格式和表征方式,例如有的评价结果为优秀、良好、一般、差等评价等级,可以将评价等级根据等级-分值转换关系表,换算成具体的分值,例如优秀5分、良好4分、一般3分、较差2分、差1分等。归一处理后的商家评价结果一方面集中所有评价样本数据中的评价结果;另一方面,该数据采用同一的方式进行表征,有利于后续初始BP神经网络模型的高效训练。
如图4所示,在其中一个实施例中,步骤S260:
S262:设置初始BP神经网络模型的输入层节点数为商家评价指标的数量、并设置初始BP神经网络模型的输出层节点唯一。
S264:根据输入层节点数量以及输出层节点数据,采用试凑法确定初始BP神经网络模型的隐含层节点数。
S266:根据确定的输入层节点数、输出层节点数以及隐含层节点数,构建初始BP神经网络模型。
初始BP神经网络模型的输入为商家评价指标对应的评价参数,因此,基于商家评价指标的数量设置模型输入层节点,可以确保有效的评价数据全面且准确输入至初始BP神经网络模型中进行训练。另外评价的输出结果是唯一的,不会出现多种多样的内容,因此,BP神经网络模型的输出层节点唯一。理论上讲,过多的隐含层节点数会导致神经网络结构复杂,训练时间长,但如果数量过少,会导致收敛速度慢,甚至不易收敛,在本实施例中,根据输入层节点数量以及输出层节点数据来确定隐含层节点数据,以在确保模型易于训练收敛的前提下,尽可能减少数据处理量,优化BP神经网络模型的结构。进一步的,可以采用试凑法确定初始BP神经网络模型的隐含层节点数。假定评价指标数量为L,初始BP神经网络模型输入层节点数量为L,输出层节点数量1,其隐含层节点数量可以为(L+1)/2再向上取整,例如当L=12时,隐含层节点数量可以为7。根据确定好的输入层节点数、输出层节点数以及隐含层节点数,可以构建好初始BP神经网络模型进入下一步训练的操作。初始BP神经网络模型的结构具体可以参见图3,在此不再赘述。
在其中一个实施例中,根据确定的输入层节点数、输出层节点数以及隐含层节点数,构建初始BP神经网络模型包括:根据确定的输入层节点数、输出层节点数以及隐含层节点数,采用Sig—moid函数作为激活函数,构建初始BP神经网络模型。
一般来说,用于评价的BP神经网络模型输出结果值会归一在区间内,例如归一在{0,1}之间,可以选用Sig—moid函数作为激活函数,以优化整个初始BP神经网络模型的训练过程,高效构建BP神经网络模型。
如图4所示,在其中一个实施例中,步骤S240包括:
S242:根据商家评价样本数据,获取商家评价角度。
S244:分析在各商家评价角度下的第一维度指标以及第二维度指标,第二维度指标从属于第一维度指标。
S246:识别商家评价样本数据中第二维度指标对应的指标参数。
商家评价角度是指对商家在不同角度/方面的评价,具体来说,商家评价角度包括用户反馈角度、客服角度、商家售卖产品角度以及运营推广角度。在每个商家评价角度下对应有第一维度指标和第二维度指标,第二维度指标可以理解为第一维度指标的细分指标,其从属于第一维度指标,第二维度指标对应的数据已经能够详细、全面表征整个商家评价,因此,可以将第二维度指标作为商家评价指标。进一步来说,在上述用户反馈角度下第一维度指标包括商家销售商评分,第二维度指标包括描述相符、服务态度、发货速度、物流服务;客服角度下第一维度指标包括售前客服、售后客服,第二维度指标包括客服人数/客服在线率/客服响应速度、退款退货处理速度;商家售卖产品角度下第一维度指标包括可以提供产品评分,第二维度指标包括产品类目、产品质量、成交数量以及促销形式;运营推广角度下第一维度指标包括推广评分,第二维度指标包括促销形式以及推广渠道。进一步的,在本实施例中,包括商家评价指标包括上述12个指标,初始BP神经网络模型中输入层节点可以包括12个,可以分别编号X1~X12。
另外,如图5所示,本申请还提供一种商家评价方法,方法包括:
S520:获取待评价商家的当前评价数据。
当前评价数据是指在实际应用中用户对商家的评价数据。非必要的,服务器可以推送评价模板至用户终端,用户在用户终端操作,在评价模板中写入评价数据,终端将评价数据上传至服务器。
S540:分析当前评价数据中不同评价指标对应的当前评价指标参数。
服务器针对接收到的当前评价数据,使用预设评价指标进行分析,得到不同评价指标对应的当前评价指标参数。预设评价指标是由已训练的BP神经网络模型确定的。已训练的BP神经网络模型是由上述BP神经网络模型构建方法构建得到模型,在该模型中输入层节点与预设评价指标对应。
S560:根据当前评价指标参数所属评价指标,将当前评价指标参数输入至已训练的BP神经网络模型,其中,已训练的BP神经网络模型由如上述BP神经网络模型构建方法得到。
在已训练的BP神经网络模型中输入层节点与评价指标对应,因此,在应用该模型时,将评价指标参数根据其所属评价指标对应输入至已训练的BP神经网络模型的输入层节点。例如评价指标产品描述相符的评价指标参数为5分,则将5分输入至已训练的BP神经网络模型中输入层节点X1(X1在输入层中与描述相符指标对应)。
S580:获取已训练的BP神经网络模型输出的商家评价结果。
采用已训练的BP神经网络模型能够高效且准确输出商家评价结果。
本申请还提供一种商家评价方法,其采用如上述BP神经网络模型构建方法构建的已训练的BP神经网络模型对待评价商家进行评价,由于已训练的BP神经网络模型是基于商家评价样本数据,识别出可用的评价指标以及对应指标参数,针对性构建初始BP神经网络模型再进一步训练得到的,其支持对商家准确评价,因此,最终能够得到待评价商家准确的商家评价结果。
非必要的,本申请BP神经网络模型构建方法和商家评价方法可以应用于社区商家评价,其具体可以融入至智慧社区平台中。具体来说,智慧社区是构建有统一账号管理账户体系、提供基础物业服务、社区商业服务的平台,其为社区业主、社区物业公司以及周边商家提供即时通信、网上评价、线上交易等智能化一站式便民服务。利用账户+角色+权限+小区的四重方式建立权限控制系统,增强社区扩展性;以社区业主为核心,将资讯、物业、政务、商城融合到一个平台,无须数据对接,降低了重复现象,增强资源整合效率,将本申请BP神经网络模型构建方法和商家评价方法融入到智慧社区平台中时,结合数据挖掘技术BP神经网络建立科学合理的商家评价体系,使评价系统能够根据客观环境自适应调节,减少人为因素对商家评价的主观影响。
如图6所示,一种BP神经网络模型构建装置,BP神经网络模型用于商家评价,装置包括:
样本数据获取模块620,用于获取商家评价样本数据;
识别模块640,用于识别商家评价样本数据中的商家评价指标以及各商家评价指标对应的指标参数;
初始模型构建模块660,用于根据商家评价指标的数量,构建初始BP神经网络模型;
训练模块680,用于将指标参数对应输入至初始BP神经网络模型中表征评价指标的输入层、并将商家评价样本数据中商家评价结果作为初始BP神经网络模型的输出,对初始BP神经网络模型进行训练,得到训练后的BP神经网络模型。
上述BP神经网络模型构建装置,获取商家评价样本数据,识别商家评价样本数据中的商家评价指标以及各商家评价指标对应的指标参数,根据商家评价指标的数量,构建初始BP神经网络模型,将指标参数对应输入至初始BP神经网络模型中表征评价指标的输入层、并将商家评价样本数据中商家评价结果作为初始BP神经网络模型的输出,对初始BP神经网络模型进行训练,得到训练后的BP神经网络模型。整个过程中,基于商家评价样本数据,识别出可用的评价指标以及对应指标参数,针对性构建初始BP神经网络模型再进一步训练,能够使得到的训练后的BP神经网络模型支持对商家准确评价。
在其中一个实施例中,训练模块680还用于对商家评价样本数据中商家评价结果进行归一处理;将归一处理后的商家评价结果作为初始BP神经网络模型的唯一输出数据。
在其中一个实施例中,初始模型构建模块660还用于设置初始BP神经网络模型的输入层节点数为商家评价指标的数量、并设置初始BP神经网络模型的输出层节点唯一;根据输入层节点数量以及输出层节点数据,采用试凑法确定初始BP神经网络模型的隐含层节点数;根据确定的输入层节点数、输出层节点数以及隐含层节点数,构建初始BP神经网络模型。
在其中一个实施例中,初始模型构建模块660还用于根据确定的输入层节点数、输出层节点数以及隐含层节点数,采用Sig—moid函数作为激活函数,构建初始BP神经网络模型。
在其中一个实施例中,识别模块640还用于根据商家评价样本数据,获取商家评价角度;分析在各商家评价角度下的第一维度指标以及第二维度指标,第二维度指标从属于第一维度指标;识别商家评价样本数据中第二维度指标对应的指标参数。
如图7所示,一种商家评价装置,装置包括:
实时数据获取模块720,用于获取待评价商家的当前评价数据;
分析模块740,用于分析当前评价数据中不同评价指标对应的当前评价指标参数;
输入模块760,用于根据当前评价指标参数所属评价指标,将当前评价指标参数输入至已训练的BP神经网络模型,已训练的BP神经网络模型由如上述BP神经网络模型构建方法构建得到;
结果输出模块780,用于获取已训练的BP神经网络模型输出的商家评价结果。
本申请还提供一种商家评价装置,其采用如上述BP神经网络模型构建方法构建的已训练的BP神经网络模型对待评价商家进行评价,由于已训练的BP神经网络模型是基于商家评价样本数据,识别出可用的评价指标以及对应指标参数,针对性构建初始BP神经网络模型再进一步训练得到的,其支持对商家准确评价,因此,最终能够得到待评价商家准确的商家评价结果。
应该理解的是,虽然图3-5的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图3-5中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
关于BP神经网络模型构建装置的具体限定可以参见上文中对于BP神经网络模型构建方法的限定,在此不再赘述。上述BP神经网络模型构建装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
同理,关于商家评价模型构建装置的具体限定可以参见上文中对于商家评价方法的限定,在此不再赘述。上述商家评价装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是商家器,其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储商家评价样本数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种BP神经网络模型构建方法/商家评价方法。
本领域技术人员可以理解,图8中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现以下步骤:
获取商家评价样本数据;
识别商家评价样本数据中的商家评价指标以及各商家评价指标对应的指标参数;
根据商家评价指标的数量,构建初始BP神经网络模型;
将指标参数对应输入至初始BP神经网络模型中表征评价指标的输入层、并将商家评价样本数据中商家评价结果作为初始BP神经网络模型的输出,对初始BP神经网络模型进行训练,得到训练后的BP神经网络模型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
对商家评价样本数据中商家评价结果进行归一处理;将归一处理后的商家评价结果作为初始BP神经网络模型的唯一输出数据。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
设置初始BP神经网络模型的输入层节点数为商家评价指标的数量、并设置初始BP神经网络模型的输出层节点唯一;根据输入层节点数量以及输出层节点数据,采用试凑法确定初始BP神经网络模型的隐含层节点数;根据确定的输入层节点数、输出层节点数以及隐含层节点数,构建初始BP神经网络模型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据确定的输入层节点数、输出层节点数以及隐含层节点数,采用Sig—moid函数作为激活函数,构建初始BP神经网络模型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据商家评价样本数据,获取商家评价角度;分析在各商家评价角度下的第一维度指标以及第二维度指标,第二维度指标从属于第一维度指标;识别商家评价样本数据中第二维度指标对应的指标参数。
在一个实施例中,提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现以下步骤:
获取待评价商家的当前评价数据;
分析当前评价数据中不同评价指标对应的当前评价指标参数;
根据当前评价指标参数所属评价指标,将当前评价指标参数输入至已训练的BP神经网络模型;
获取已训练的BP神经网络模型输出的商家评价结果;
其中,已训练的BP神经网络模型由如上述BP神经网络模型构建方法得到。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取商家评价样本数据;
识别商家评价样本数据中的商家评价指标以及各商家评价指标对应的指标参数;
根据商家评价指标的数量,构建初始BP神经网络模型;
将指标参数对应输入至初始BP神经网络模型中表征评价指标的输入层、并将商家评价样本数据中商家评价结果作为初始BP神经网络模型的输出,对初始BP神经网络模型进行训练,得到训练后的BP神经网络模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
对商家评价样本数据中商家评价结果进行归一处理;将归一处理后的商家评价结果作为初始BP神经网络模型的唯一输出数据。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
设置初始BP神经网络模型的输入层节点数为商家评价指标的数量、并设置初始BP神经网络模型的输出层节点唯一;根据输入层节点数量以及输出层节点数据,采用试凑法确定初始BP神经网络模型的隐含层节点数;根据确定的输入层节点数、输出层节点数以及隐含层节点数,构建初始BP神经网络模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据确定的输入层节点数、输出层节点数以及隐含层节点数,采用Sig—moid函数作为激活函数,构建初始BP神经网络模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据商家评价样本数据,获取商家评价角度;分析在各商家评价角度下的第一维度指标以及第二维度指标,第二维度指标从属于第一维度指标;识别商家评价样本数据中第二维度指标对应的指标参数。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取待评价商家的当前评价数据;
分析当前评价数据中不同评价指标对应的当前评价指标参数;
根据当前评价指标参数所属评价指标,将当前评价指标参数输入至已训练的BP神经网络模型;
获取已训练的BP神经网络模型输出的商家评价结果;
其中,已训练的BP神经网络模型由如上述BP神经网络模型构建方法得到。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种BP神经网络模型构建方法,所述BP神经网络模型用于商家评价,所述方法包括:
获取商家评价样本数据;
识别所述商家评价样本数据中的商家评价指标以及各所述商家评价指标对应的指标参数;
根据所述商家评价指标的数量,构建初始BP神经网络模型;
将所述指标参数对应输入至所述初始BP神经网络模型中表征评价指标的输入层、并将所述商家评价样本数据中商家评价结果作为初始BP神经网络模型的输出,对所述初始BP神经网络模型进行训练,得到训练后的BP神经网络模型。
2.根据权利要求1所述的方法,其特征在于,将所述商家评价样本数据中商家评价结果作为初始BP神经网络模型的输出包括:
对所述商家评价样本数据中商家评价结果进行归一处理;
将归一处理后的商家评价结果作为初始BP神经网络模型的唯一输出数据。
3.根据权利要求1所述的方法,其特征在于,所述根据所述商家评价指标的数量,构建初始BP神经网络模型包括:
设置所述初始BP神经网络模型的输入层节点数为所述商家评价指标的数量、并设置所述初始BP神经网络模型的输出层节点唯一;
根据所述输入层节点数量以及所述输出层节点数据,采用试凑法确定所述初始BP神经网络模型的隐含层节点数;
根据确定的输入层节点数、输出层节点数以及隐含层节点数,构建初始BP神经网络模型。
4.根据权利要求3所述的方法,其特征在于,所述根据确定的输入层节点数、输出层节点数以及隐含层节点数,构建初始BP神经网络模型包括:
根据确定的输入层节点数、输出层节点数以及隐含层节点数,采用Sig—moid函数作为激活函数,构建初始BP神经网络模型。
5.根据权利要求1所述的方法,其特征在于,所述识别所述商家评价样本数据中的商家评价指标以及各所述商家评价指标对应的指标参数包括:
根据所述商家评价样本数据,获取商家评价角度;
分析在各所述商家评价角度下的第一维度指标以及第二维度指标,所述第二维度指标从属于所述第一维度指标;
识别所述商家评价样本数据中所述第二维度指标对应的指标参数。
6.一种商家评价方法,其特征在于,所述方法包括:
获取待评价商家的当前评价数据;
分析所述当前评价数据中不同评价指标对应的当前评价指标参数;
根据所述当前评价指标参数所属评价指标,将所述当前评价指标参数输入至已训练的BP神经网络模型;
获取所述已训练的BP神经网络模型输出的商家评价结果;
其中,所述已训练的BP神经网络模型由如权利要求1-5任意一项所述BP神经网络模型构建方法得到。
7.一种BP神经网络模型构建装置,其特征在于,所述BP神经网络模型用于商家评价,所述装置包括:
样本数据获取模块,用于获取商家评价样本数据;
识别模块,用于识别所述商家评价样本数据中的商家评价指标以及各所述商家评价指标对应的指标参数;
初始模型构建模块,用于根据所述商家评价指标的数量,构建初始BP神经网络模型;
训练模块,用于将所述指标参数对应输入至所述初始BP神经网络模型中表征评价指标的输入层、并将所述商家评价样本数据中商家评价结果作为初始BP神经网络模型的输出,对所述初始BP神经网络模型进行训练,得到训练后的BP神经网络模型
8.一种商家评价装置,其特征在于,所述装置包括:
实时数据获取模块,用于获取待评价商家的当前评价数据;
分析模块,用于分析所述当前评价数据中不同评价指标对应的当前评价指标参数;
输入模块,用于根据所述当前评价指标参数所属评价指标,将所述当前评价指标参数输入至已训练的BP神经网络模型;
结果输出模块,用于获取所述已训练的BP神经网络模型输出的商家评价结果;
其中,所述已训练的BP神经网络模型由如权利要求1-5任意一项所述BP神经网络模型构建方法构建得到。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。
10.一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,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911087454.6A CN111079894B (zh) | 2019-11-08 | 2019-11-08 | Bp神经网络模型构建、商家评价方法与装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911087454.6A CN111079894B (zh) | 2019-11-08 | 2019-11-08 | Bp神经网络模型构建、商家评价方法与装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111079894A true CN111079894A (zh) | 2020-04-28 |
CN111079894B CN111079894B (zh) | 2023-07-04 |
Family
ID=70310728
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911087454.6A Active CN111079894B (zh) | 2019-11-08 | 2019-11-08 | Bp神经网络模型构建、商家评价方法与装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111079894B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111461838A (zh) * | 2020-05-29 | 2020-07-28 | 宁波科友信息科技有限公司 | 网络商城的管理系统及其管理方法 |
JP2022035965A (ja) * | 2020-08-20 | 2022-03-04 | 株式会社日立製作所 | インテリジェントサプライヤー管理システム及びインテリジェントサプライヤー管理方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108009639A (zh) * | 2017-12-13 | 2018-05-08 | 重庆邮电大学 | 一种基于ga-bp神经网络算法的城市生态建设评价方法 |
CN108898218A (zh) * | 2018-05-24 | 2018-11-27 | 阿里巴巴集团控股有限公司 | 一种神经网络模型的训练方法、装置、及计算机设备 |
WO2020000779A1 (zh) * | 2018-06-28 | 2020-01-02 | 平安科技(深圳)有限公司 | 质量评价模型获取方法及装置、计算机设备与存储介质 |
-
2019
- 2019-11-08 CN CN201911087454.6A patent/CN111079894B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108009639A (zh) * | 2017-12-13 | 2018-05-08 | 重庆邮电大学 | 一种基于ga-bp神经网络算法的城市生态建设评价方法 |
CN108898218A (zh) * | 2018-05-24 | 2018-11-27 | 阿里巴巴集团控股有限公司 | 一种神经网络模型的训练方法、装置、及计算机设备 |
WO2020000779A1 (zh) * | 2018-06-28 | 2020-01-02 | 平安科技(深圳)有限公司 | 质量评价模型获取方法及装置、计算机设备与存储介质 |
Non-Patent Citations (1)
Title |
---|
毛志勇: "一种基于BP神经网络的B2C电子商务顾客满意度评价模型", 《科技和产业》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111461838A (zh) * | 2020-05-29 | 2020-07-28 | 宁波科友信息科技有限公司 | 网络商城的管理系统及其管理方法 |
JP2022035965A (ja) * | 2020-08-20 | 2022-03-04 | 株式会社日立製作所 | インテリジェントサプライヤー管理システム及びインテリジェントサプライヤー管理方法 |
JP7181334B2 (ja) | 2020-08-20 | 2022-11-30 | 株式会社日立製作所 | インテリジェントサプライヤー管理システム及びインテリジェントサプライヤー管理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111079894B (zh) | 2023-07-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109670023A (zh) | 人机自动面试方法、装置、设备和存储介质 | |
CN107220353B (zh) | 一种智能客服机器人满意度自动评价方法及系统 | |
CN108564414A (zh) | 基于线下行为的商品推荐方法和系统 | |
CN111309887B (zh) | 一种训练文本关键内容提取模型的方法和系统 | |
CN109784654A (zh) | 任务生成方法、装置、计算机设备和存储介质 | |
CN111079894B (zh) | Bp神经网络模型构建、商家评价方法与装置 | |
CN115423578B (zh) | 基于微服务容器化云平台的招投标方法和系统 | |
Mbima et al. | Effect of business intelligence on operational performance: the mediating role of supply chain ambidexterity | |
Yuping et al. | New methods of customer segmentation and individual credit evaluation based on machine learning | |
CN111782782B (zh) | 智能客服的咨询回复方法、装置、计算机设备和存储介质 | |
CN110246012A (zh) | 基于社交数据的消费金融产品推荐方法、装置和设备 | |
CN112232556B (zh) | 产品的推荐方法、装置、计算机设备和存储介质 | |
Castellano et al. | Strategic mapping: relationships that count | |
CN110766465A (zh) | 金融产品评估方法及其验证方法、装置 | |
CN116843483A (zh) | 一种车险理赔方法、装置、计算机设备及存储介质 | |
CN111353728A (zh) | 一种风险分析方法和系统 | |
CN114049163B (zh) | 一种营销服务数据管理方法及系统 | |
CN114398548A (zh) | 基于互联网的跨境电商交易推荐方法及系统 | |
US11797940B2 (en) | Method and system for assessment and negotiation of compensation | |
US20210390647A1 (en) | Systems and methods for automated staging and capture of real estate negotiations | |
KR20230104788A (ko) | 기 학습된 객체 분류 모델 기반 데이터 분류 및 저장방법, 장치 및 컴퓨터프로그램 | |
CN115860889A (zh) | 一种基于人工智能的金融贷款大数据管理方法及系统 | |
Almtiri et al. | Impact of Business technologies on the success of E-commerce Strategies: SMEs Perspective | |
CN112182320A (zh) | 聚类数据处理方法、装置、计算机设备及存储介质 | |
CN112668703A (zh) | 一种用户收入确定方法及装置 |
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 |