CN111192082A - 产品卖点的分析方法、终端设备及计算机可读存储介质 - Google Patents
产品卖点的分析方法、终端设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN111192082A CN111192082A CN201911369278.5A CN201911369278A CN111192082A CN 111192082 A CN111192082 A CN 111192082A CN 201911369278 A CN201911369278 A CN 201911369278A CN 111192082 A CN111192082 A CN 111192082A
- Authority
- CN
- China
- Prior art keywords
- information
- text information
- analysis result
- dialogue
- analysis
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 115
- 238000000034 method Methods 0.000 claims abstract description 72
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims description 43
- 230000008451 emotion Effects 0.000 claims description 36
- 230000011218 segmentation Effects 0.000 claims description 24
- 238000000556 factor analysis Methods 0.000 claims description 11
- 239000013598 vector Substances 0.000 claims description 7
- 238000011068 loading method Methods 0.000 claims description 6
- 238000012512 characterization method Methods 0.000 claims description 5
- 238000013135 deep learning Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 12
- 230000008901 benefit Effects 0.000 description 9
- 238000006243 chemical reaction Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000000605 extraction Methods 0.000 description 6
- 238000013461 design Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 238000005265 energy consumption Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 238000003058 natural language processing Methods 0.000 description 3
- 238000005406 washing Methods 0.000 description 3
- 241000989913 Gunnera petaloidea Species 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 230000002996 emotional effect Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000009432 framing Methods 0.000 description 2
- 230000036571 hydration Effects 0.000 description 2
- 238000006703 hydration reaction Methods 0.000 description 2
- 239000004570 mortar (masonry) Substances 0.000 description 2
- 230000008450 motivation Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 241001122315 Polites Species 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000011449 brick Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013501 data transformation Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000035622 drinking Effects 0.000 description 1
- 239000003651 drinking water Substances 0.000 description 1
- 235000020188 drinking water Nutrition 0.000 description 1
- 238000013467 fragmentation Methods 0.000 description 1
- 238000006062 fragmentation reaction Methods 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000005201 scrubbing Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
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
- G06Q30/02—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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/332—Query formulation
- G06F16/3329—Natural language query formulation or dialogue systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language 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
- G06Q30/02—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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Finance (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Human Computer Interaction (AREA)
- Machine Translation (AREA)
Abstract
本申请公开了一种产品卖点的分析方法、终端设备及计算机可读存储介质,该方法包括:获取关于目标产品的对话信息;对对话信息进行预处理,以得到处理后的文本信息;对文本信息进行分析,并得到分析结果,从而根据分析结果确定目标产品的卖点。通过上述方式,能够缓解传统用户购买决策分析方法的效率低、投入成本高、周期长、不够客观公正,由片面性、片段性、浅层分析等导致的技术问题。
Description
技术领域
本申请涉及电商或社交媒体领域,特别是涉及一种产品卖点的分析方法、终端设备及计算机可读存储介质。
背景技术
每年有不同产品推向市场进行出售,而不同产品的卖点并不相同,如手机,有主打音乐、有主打摄像等,而企业在推出产品前,需要分析产品卖点,辅助决策当前产品卖点是否合适、判断未来产品的趋势。例如:通过进行市场调研,或者购买市场报告,通过市场和用户来了解产品。通过人工或者机器分析电商评论,了解用户对产品的评价。
不足之处在于,进行市场调研投入成本高、周期长、且不够客观。而分析电商评论相对具有片面性,片段性,而且也是浅层分析,并没有准确深入的挖掘用户的需求和态度。
发明内容
为了解决上述问题,本申请提供一种产品卖点的分析方法、终端设备及计算机可读存储介质,以缓解传统用户购买决策分析方法的效率低、投入成本高、周期长、不够客观公正,由片面性、片段性、浅层分析等导致的技术问题。
本申请采用的一种技术方案是提供一种产品卖点的分析方法,该方法包括:获取关于目标产品的对话信息;对对话信息进行预处理,以得到处理后的文本信息;对文本信息进行分析,并得到分析结果,从而根据分析结果确定目标产品的卖点。
其中,获取关于目标产品的对话信息,包括:获取电商平台服务器发送的关于目标产品的第一对话信息;其中,第一对话信息为电商平台服务器获取的用户终端与客服终端的文字对话信息或语音对话信息;和 /或获取第三方平台服务器发送的关于目标产品的第二对话信息;其中,第二对话信息为第三方平台服务器获取的用户终端与客服终端的文字对话信息或语音对话信息;和/或获取社交平台服务器发送的关于目标产品的第三对话信息;其中,所述第三对话信息为所述社交平台服务器获取的第一用户终端分享所述目标产品至所述第二用户终端,并与所述第二用户终端的文字对话信息或语音对话信息。
其中,对所述对话信息进行预处理,以得到处理后的文本信息,包括:对所述对话信息进行ETL处理,以得到中间文本信息;对所述中间文本信息进行分词特征化处理,以得到最终文本信息。
其中,对所述对话信息进行ETL处理,以得到中间文本信息,包括:对所述对话信息进行抽取处理,以得到需求的对话信息;对抽取处理后的所述对话信息进行转换处理,以使所述目标对话信息的类型统一;将转换处理后的所述对话数据进行加载处理,以得到中间文本信息。
其中,对所述中间文本信息进行分词特征化处理,以得到最终文本信息,包括:对所述中间文本信息进行分词、分句或分段处理;对分句、分词处理后的所述中间文本信息进行去非关键字处理;对去非关键字处理后的所述中间文本信息进行嵌入式向量化处理,以得到最终文本信息。
其中,对文本信息进行分析,并得到分析结果,从而根据分析结果确定目标产品的卖点,包括:对文本信息进行意图分析,以得到文本信息对应的多维度的意图信息;对文本信息进行主题分析,以得到文本信息对应的多维度的主题信息;对文本信息进行情感分析,以得到文本信息对应的多维度的情感信息;基于对意图信息、和/或主题信息、和/或情感信息进行分析,以得到分析结果,从而确定目标产品的卖点。
其中,对文本信息进行意图分析,以得到文本信息对应的多维度的意图信息,包括:对文本信息进行框架语义处理,以得到文本信息对应的多维度的意图信息;其中,框架语义按照三层结构进行标识,第一层标识为领域,第二层标识为意图,第三层标识为语义槽。
其中,对文本信息进行主题分析,以得到文本信息对应的多维度的主题信息,包括:利用长短期记忆和概率图模型对文本信息进行词性分析和语法依赖性解析;对词性分析和语法依赖性解析后的文本信息进行分类处理,以得到文本信息对应的多维度的主题信息。
其中,对文本信息进行情感分析,以得到文本信息对应的多维度的情感信息,包括:利用深度学习的方法识别文本信息中的上下文信息,以获取动态分布式词向量;基于动态分布式词向量预测情感分类,以得到文本信息对应的多维度的情感信息。
其中,基于对意图信息、和/或主题信息、和/或情感信息进行分析,以得到分析结果,从而确定目标产品的卖点,包括:对意图信息、和/ 或主题信息、和/或情感信息进行决策路径分析,以得到决策路径分析结果;基于决策路径分析结果,进行购买因素分析,以得到购买因素分析结果;基于购买因素分析结果,进行关注点趋势分析,以得到关注点趋势分析结果;基于决策路径分析结果、购买因素分析结果和/或关注点趋势分析结果确定目标产品的卖点。
其中,该方法还包括:获取第三方数据,其中,第三方数据包括目标产品信息、地域信息、天气信息中至少一种;对文本信息进行分析,并得到分析结果,从而根据分析结果确定目标产品的卖点,包括:对文本信息和第三方数据进行分析,并得到分析结果,从而根据分析结果确定目标产品的卖点。
本申请采用的另一种技术方案是提供一种终端设备,该终端设备包括处理器以及与处理器连接的存储器;存储器用于存储程序数据,处理器用于执行程序数据,以实现如上述方案中提供的任一方法。
本申请采用的另一种技术方案是提供一种计算机可读存储介质,该计算机可读存储介质用于存储程序数据,程序数据在被处理器执行时,用于实现如上述方案中提供的任一方法。
本申请的有益效果是:区别于现有技术的情况,通过获取用户海量的对话,以从对话中提取用户购买产品、使用产品过程中对产品体验、产品特性的态度,用来分析评估产品的优缺点,指导当前产品和未来产品的优化及设计。以缓解传统用户购买决策分析方法的效率低、投入成本高、周期长、不够客观公正,由片面性、片段性、浅层分析等导致的技术问题。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。其中:
图1是本申请提供的产品卖点的分析方法第一实施例的流程示意图;
图2是本申请提供的用户终端与客服终端的对话示意图;
图3是本申请提供的第一用户终端与第二用户终端的对话示意图;
图4是本申请提供的产品卖点的分析方法第二实施例的流程示意图;
图5是步骤42的流程示意图;
图6是步骤43的流程示意图;
图7是本申请提供的产品卖点的分析方法第三实施例的流程示意图;
图8是框架语义三层结构的结构示意图;
图9是步骤76的流程示意图;
图10是买家决策路径的示意图;
图11是关注词频率分析的示意图;
图12是饮水产品高频关注点的示意图;
图13是本申请提供的终端设备一实施例的结构示意图;
图14是本申请提供的计算机可读存储介质一实施例的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述。可以理解的是,此处所描述的具体实施例仅用于解释本申请,而非对本申请的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本申请相关的部分而非全部结构。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
参阅图1,图1是本申请提供的产品卖点的分析方法第一实施例的流程示意图,该方法包括:
步骤11:获取关于目标产品的对话信息。
在一些实施例中,目标产品可以是单一品牌的产品,如XXX品牌的冰箱、xxx品牌的洗衣机、XXX品牌的空调、XXX品牌的服装等。目标产品也可以是同类型的产品,如:家电类产品、家居类产品等;对话信息可以是文字对话信息或者语音对话信息。
在一些实施例中,获取关于目标产品的对话信息的方式可以是获取电商平台服务器发送的关于目标产品的第一对话信息;其中,第一对话信息为电商平台服务器获取的用户终端与客服终端的文字对话信息或语音对话信息。可以理解,这里的电商平台服务器是指某品牌自身拥有的电商平台,如品牌厂家搭建的电商平台服务器,用于销售自家产品。在一具体实施方式中,参阅图2进行说明,图2展示的是在用户1使用电商平台应用程序时,用户1与客服1之间的对话。用户1询问客服1 “在吗”,客服1回答“在的呢,亲!有什么可以帮到您!”,用户1回答“我想买个双开门冰箱,请问有什么可以推荐的”,客服1回答“好的,请问您的预算是多少呢?”,用户1回答“3000-5000”,客服1回答“那您可以了解下这一款冰箱,价格3988、双变频、双保鲜”,用户1 回答“那这款冰箱有什么优惠没有?”,客服1回答“有的,现在下单的话店铺活动,88折,还有精美礼品赠送”,客服1继续回复“预购从速哟,亲”。电商平台服务器将用户1与客服1的对话生成第一对话信息。可以理解,用户终端与客服终端的对话形式还可以是语音对话形式,或者文字对话和语音对话之间结合的对话形式。
在一些实施例中,获取关于目标产品的对话信息的方式可以是获取第三方平台服务器发送的关于目标产品的第二对话信息;其中,第二对话信息为第三方平台服务器获取的用户终端与客服终端的文字对话信息或语音对话信息。可以理解,第三方平台服务器可以是除去上述电商平台服务器以外的第三方平台服务器,如某品牌拥有自己的电商平台,但是该品牌也进驻了第三方电商平台,第三方电商平台可以是天猫、京东、苏宁、拼多多等。可以理解,第三方平台服务器获取的用户终端与客服终端的文字对话信息或语音对话信息也与图2示意的对话内容类似,这里不做赘述。
在一些实施例中,获取关于目标产品的对话信息的方式可以是获取社交平台服务器发送的关于目标产品的第三对话信息;其中,第三对话信息为社交平台服务器获取的第一用户终端分享目标产品至第二用户终端,并与第二用户终端的文字对话信息或语音对话信息。在一具体实施方式中,参阅图3进行说明,图3展示的是第一用户与第二用户在社交应用中的第三对话信息。第二用户发送文字“最近想买个洗衣机”,第一用户分享了一条“XX波轮洗衣机全自动8公斤家用大容量下排水...”链接,第二用户发送文字“用起来怎么样”,第一用户发送文字“还可以,价格实惠”,第二用户发送文字“使用时噪音大吗?”,第一用户发送文字“基本没什么噪音,还可以接受”第二用户发送文字“那晚上使用呢”第一用户发送文字“晚上使用的话也是能接受的,不怎影响”第二用户发送文字“那我也去下单买一个”。社交平台服务器把图3示意的对话信息生成第三对话信息。
在一些实施例中,获取关于目标产品的对话信息的方式可以是将上述的获取方式结合,以获取更大数据量的对话信息,例如:获取电商平台服务器发送的关于目标产品的第一对话信息以及第三方平台服务器发送的关于目标产品的第二对话信息;获取电商平台服务器发送的关于目标产品的第一对话信息以及社交平台服务器发送的关于目标产品的第三对话信息;获取第三方平台服务器发送的关于目标产品的第二对话信息以及社交平台服务器发送的关于目标产品的第三对话信息;获取电商平台服务器发送的关于目标产品的第一对话信息、第三方平台服务器发送的关于目标产品的第二对话信息以及社交平台服务器发送的关于目标产品的第三对话信息。
在一些实施例中,还可以从实体店获取关于目标产品的对话信息,例如:将实体店中的客户与销售人员的对话进行录音,将此录音上传服务器,以便被获取。
在一些实施例中,获取电商平台服务器发送的关于目标产品的第一对话信息技术手段可以采用订阅-发布模式,实现消息队列,自动实时获取对话信息;获取第三方平台服务器发送的关于目标产品的第二对话信息的技术手段采用rest(Representational StateTransfer,表述性状态传递) 服务的方式实现;获取社交平台服务器发送的关于目标产品的第三对话信息的技术手段采用分布式爬虫实现。
步骤12:对对话信息进行预处理,以得到处理后的文本信息。
在一些实施例中,对话数据信息中包括语音数据信息,则对语音数据信息进行预处理。如预加重、分帧、加窗等预处理操作。语音数据信息的预加重目的是为了对语音的高频部分进行加重,去除口唇辐射的影响,增加语音的高频分辨率。语音数据信息具有短时平稳性(10--30ms 内可以认为语音信号近似不变),这样就可以把语音信号分为一些短段来来进行处理,这就是分帧。加窗的目的是使全局更加连续,避免出现吉布斯效应。加窗之后,原本没有周期性的语音信号呈现出周期函数的部分特征。将预处理后的语音数据信息输入至已训练的声学模型,以使声学模型输出语音数据信息对应的文本信息。例如声学模型基于 NLP(Natural Language Processing,自然语言处理)训练得到。
在一些实施例中,对对话信息进行预处理可以是对对话信息进行筛选,过滤无价值数据,留下有用信息。例如:一份对话信息的开始为“你好!”“你好!”,对话双方的礼貌用词,并无相关价值,就可以作为无价值数据过滤点。然后对过滤后的数据进行分词、关键词提取的操作,得到处理后的文本信息。
步骤13:对文本信息进行分析,并得到分析结果,从而根据分析结果确定目标产品的卖点。
卖点是指商品具备了前所未有、别出心裁或与众不同的特色、特点。这些特点、特色,一方面是产品与生俱来的,另一方面是通过营销策划人的想像力、创造力来产生的。换句话说,卖点其实就是一个消费理由,最佳的卖点即为最强有力的消费理由,卖点的作用在于吸引消费者来购买产品。
可以理解地,卖点可以包括产品中所使用的技术,以技术为卖点。在一具体实施例中,某空调的卖点为节能,用户在看到此空调的卖点信息时,结合自己长期使用空调的情况,认为可以省一大笔费用,则选择购买该空调。
在一些实施中,在获取对话信息时,获取第三方数据,其中,第三方数据包括目标产品信息、地域信息、天气信息中至少一种;对文本信息和第三方数据进行分析,并得到分析结果,分析结果可以是用户关注点、购买背景、选择偏好等,及情感指数、转化率指标的变化趋势,从而根据分析结果确定所述目标产品的卖点。例如:在获取对话信息时,获取用户的地域信息,以在对文本信息和第三方数据进行分析时,按照不同地域区分用户关注点、购买背景、选择偏好等,及情感指数、转化率指标的变化趋势,例如:南方地区对产品的关注点在于时尚感、北方地区对产品的关注点在于实用性;在获取对话信息时,获取用户的所处地区的天气信息,以在对文本信息和第三方数据进行分析时,按照不同天气区分用户关注点、购买背景、选择偏好等,及情感指数、转化率指标的变化趋势,例如:在寒冷地区用户对空调的关注点在于制热效果,在炎热地区用户对空调的关注点在于制冷效果。
在一些实施例中,将文本信息输入至已训练的学习模型中,进行分析,得到分析结果,分析结果可以是用户关注点、购买背景、选择偏好等,及情感指数、转化率指标的变化趋势。例如:学习模型可以是基于短文本意图识别、短文本情感态度等算法训练的。在一具体实施方式中,文本信息为“这款冰箱还有其他颜色吗?”将此文本信息输入至已训练的学习模型,输出的结果为“意图为想买其他颜色,情感为不喜欢这款颜色”。在另一具体实施方式中,文本信息为“这款空调有优惠吗、我的预算只有2000、因为我家的空调坏了、我喜欢变频的、对你们的产品很信任、那我下单了”,将此文本信息输入至已训练的学习模型,输出的分析结果为用户关注点为优惠、购买背景为旧产品故障、偏好变频的、对本品牌有好感、转化率加1。
在一些实施例中,可以采用深度学习模型进行模型训练,以训练上述学习模型,训练完成后,可采用该模型对文本信息进行分析。
在一些实施例中,本实施例具体为从不同的数据源获取关于目标产品的对话信息,这些对话信息进行抽取、清理、装载、刷新等操作,将进行上述操作的数据存入数据仓库,将数据仓库的数据输入至相应的学习模型,以得到分析结果。例如:用户对具体产品(如冰箱)的具体因素(如外观、噪音、耗电、冷冻、保鲜)的态度(喜欢、不喜欢、中立);用户购买产品的决策过程(如最关心的是价格,其次再关心的是质量,再关心功能等);分析用户决策路径(包括核心产品关注点),以及购买的动机和不购买的原因。根据这些分析结果,可以进行全面性分析。因为用户的对话内容通常通过电商客服(文字对话)或者电话客服(语音对话,需通过ASR(Automatic Speech Recognition,自动语音识别技术) 转换成文字)来获取。这些日常的对话内容构成了海量的非结构化数据,这些对话既包含了已转化的用户,也包括了没有购买的用户,既包含了购买的询问信息,也包含了使用的投诉等信息。
还可以进行场景性分析。因为对话信息是通过用户和客服之间一问一答的互动方式来完成的,在这个过程中,用户展示了更多的购买动机、购买决策因素、对品牌的认知、对某些方面的偏好等信息。
区别于现有技术的情况,本申请的一种产品卖点的分析方法,通过获取用户海量的对话信息,以提取对话信息中用户购买产品、使用产品过程中对产品体验、产品特性的态度,用来分析评估产品的优缺点,指导当前产品和未来产品的优化及设计。以缓解传统用户购买决策分析方法的效率低、投入成本高、周期长、不够客观公正(由片面性、片段性、浅层分析等导致)的技术问题。
参阅图4,图4是本申请提供的产品卖点的分析方法第二实施例的流程示意图,该方法包括:
步骤41:获取关于目标产品的对话信息。
步骤42:对对话信息进行ETL(Extract-Transform-Load,数据仓库技术)处理,以得到中间文本信息。
ETL是描述将对话信息从来源端经过抽取(extract)、转换 (transform)、加载(load)至目的端的过程。
在一些实施例中,实现ETL处理的技术有借助ETL工具(如Oracle 数据库的OWB(Oracle Warehouse Builder,Oracle数据仓库构建器)、 SQL Server 2000的DTS(Dataconversion service,数据转换服务)、SQL Server 2005的SSIS(Microsoft SQL ServerIntegration Services)服务等) 实现,一种是SQL(Structured Query Language,结构化查询语言)方式实现,另外一种是ETL工具和SQL相结合。
在一些实施中,参阅图5,步骤42可以具体为:
步骤421:对对话信息进行抽取处理,以得到需求的对话信息。
在一些实施例中,对对话信息进行抽取处理的过程可以是抽取规定时间内的对话信息,例如:对话信息均有对应的生成时间,规定时间为上午六点到晚上十点,则对对话信息进行抽取处理时,只抽取规定时间上午六点到晚上十点内的对话信息。
可以理解,对对话信息进行抽取处理的过程可以是抽取出无需求的对话信息,以得到需求的对话信息;也可以是直接抽取出需求的对话信息。例如:文本信息为“我想买个饮水机;哈哈哈;您需要什么颜色;白色”,则将该文本信息中的“哈哈哈”抽取,留下“我想买个饮水机;您需要什么颜色;白色”为需求的对话文本。
在一些实施例中,抽取处理还可分为增量抽取和全量抽取。
可以理解,随着时间的流逝,获取到的对话信息会逐渐增多,而抽取处理的工作也会实时或者定时的进行。增量抽取是指多新增的对话信息进行抽取,抽取出来的对话信息与之前需求的对话信息组合形成新的需求的对话信息。全量抽取是指目前所有的对话信息进行抽取,抽取出来的对话信息替换之前需求的对话信息,以形成新的需求的对话信息。
可以理解,对话信息均是存储在数据库中,在做增量抽取时,可以根据数据库的日志文件区分相应的增量对话信息。还可以在数据库中建立触发器,由触发器将增量对话信息写到数据库的临时表里,做增量抽取时直接到临时表中进行抽取。
步骤422:对抽取处理后的对话信息进行转换处理,以使目标对话信息的类型统一。
在一些实施例中,在对抽取处理后的对话信息进行转换处理前,对抽取处理后的对话信息进行清洗处理,清洗的目的是过滤那些不符合要求的对话信息。可以理解,对话信息也是数据的一种形式,下文以数据作为对话数据的替代。例如:不符合要求的数据主要是有不完整的数据、错误的数据、重复的数据三大类。
在一些实施例中,转换处理的任务主要进行不一致的数据转换、数据粒度的转换,以及一些商务规则的计算。例如:对话信息中包括语音信息和文字信息,则将语音信息转换为文字信息;不同的服务器有不同的业务规则、不同的数据指标,这些指标有的时候不是简单的加加减减就能完成,这个时候需要转换为统一规则。
步骤423:将转换处理后的对话数据进行加载处理,以得到中间文本信息。
在一些实施例中,将转换处理后的对话数据进行加载处理,以得到中间文本信息实质上将对话数据加载到预设的数据库中进行存储。
在一些实施例中,可以将获取到的对话信息数据存储在Hadoop (HadoopDistributed File System,海杜普分布式文件系统)平台中,对话内容存放在基于NoSQL(Not Only SQL,非关系型数据库)的Big Table (分布式数据存储系统)中,文本数据冗余存储在搜索引擎 (ElasticSearch)中。
在一些是实施例中,还可以将获取到的对话信息数据存储在Storm 平台与Spark平台中。Storm是一个分布式的,可靠的,容错的数据流处理系统。Spark是专为大规模数据处理而设计的快速通用的计算引擎。相应的数据库除了使用非关系型数据也可以使用关系型数据库。
步骤43:对中间文本信息进行分词特征化处理,以得到最终文本信息。
在一些实施中,参阅图6,步骤43可以具体为:
步骤431:对中间文本信息进行分句、分词处理。
在一些实施例中,对中间文本信息的分句、分词处理可以基于自然语言处理技术来进行处理。例如:中间文本信息为“生活对我们任何人来说都不容易!我们必须努力,最重要的是我们必须相信自己。”,对其进行分句处理,得到的文本信息为“生活对我们任何人来说都不容易!”“我们必须努力,最重要的是我们必须相信自己。”两个句子。对上述句子进行分词处理,得到的文本信息为“生活”“对”“我们”“任何人”“来说”“都”“不”“容易”“!”“我们”“必须”“努力”“最”“重要的”“是”“我们”“必须”“相信”“自己”“。”等词。
在一些实施例中,还可以对中间文本信息获取词频信息,如上述句子得到的词频信息为“生活:1”“对:1”“我们:3”“任何人:1”“来说:1”“都:1”“不:1”“容易:1”“!:1”“必须:2”“努力:1”“最”“重要的:1”“是:1”“相信:1”“自己:1”。
可以理解,分句、分词处理根据实际的中间文本信息进行合理选择。
步骤432:对分句、分词处理后的中间文本信息进行去非关键字处理。
在一些实施例中,以上述句子为例,分句后的句子为“生活对我们任何人来说都不容易!”“我们必须努力,最重要的是我们必须相信自己。”对这两个句子进行去非关键字处理后,则可以得到“生活对任何人都不容易”“我们必须努力,最重要的是必须相信自己。”
步骤433:对去非关键字处理后的中间文本信息进行嵌入式向量化处理,以得到最终文本信息。
嵌入式向量化是指用向量来表示中间文本信息中的词,例如将“我喜欢白色”进行嵌入式向量化可以用欧式距离,并结合激活函数进行归一化,其示例值如0.5678,0.15683等。
可以理解,在一些实施例中,进行分句、分词处理、去非关键字处理、嵌入式向量化处理可以根据实际需要进行选择,且执行顺序可以根据需求变化。
步骤44:对文本信息进行分析,并得到分析结果,从而根据分析结果确定目标产品的卖点。
相对于传统方法,比如市场调研,省事省力,能在更大范围内获取用户的需求及意见。相对于基于电商评论的方法,由于基于规模更多的数据来分析,该分析结果更多维、更丰富、更精确。通过系统,可以在很长时间内直观的跟踪用户的对产品的态度及意见。
参阅图7,图7是本申请提供的产品卖点的分析方法第三实施例的流程示意图,该方法包括:
步骤71:获取关于目标产品的对话信息。
步骤72:对对话信息进行预处理,以得到处理后的文本信息。
步骤71-72与上述实施例具有相同或相似的技术方案,这里不做赘述。
步骤73:对文本信息进行意图分析,以得到文本信息对应的多维度的意图信息。
意图信息是指用户在对话过程中对目标产品所表达的意图。多维度的意图信息是指用户在对话过程中对目标产品的至少两种意图,这些意图可以包括产品的能耗、健康指标、环保性能、型号、功能、价格、优惠、噪音指标等。
在一些实施例中,意图分析主要是分析用户对话过程中问题的意图。比如用户问“这款白色冰箱多少钱?”,则意图是询价。再结合图2 进行说明:“我想买个双开门冰箱,请问有什么可以推荐的”的意图为购物,“好的,请问您的预算是多少呢?”和“3000-5000”的意图为请推荐3000-5000价位的冰箱,“那您可以了解下这一款冰箱,价格3988、双变频、双保鲜”和“那这款冰箱有什么优惠没有?”的意图为需要优惠价格。
在一些实施例中,对文本信息进行框架语义处理,以得到文本信息对应的多维度的意图信息;其中,框架语义按照三层结构进行标识,第一层标识为领域,第二层标识为意图,第三层标识为语义槽。参阅图8 进行说明:以“推荐几款你们家风冷无霜的冰箱,最好能联网控制的。”这句短文本为例,其三层结构如图8所示。第一层标识为领域(Domain),第二层标识为意图(Intent),第三层标识为语义槽(Slots)。
在一些实施例中,意图分析采用多模型融合:包括基于规则、基于关键字动态权重的意图识别模型、基于神经网络模型的领域分类、意图分类,基于条件随机场的实体识别和语义槽识别,来分析得到文本信息对应的多维度的意图信息。
步骤74:对文本信息进行主题分析,以得到文本信息对应的多维度的主题信息。
主题信息是指用户对话中主要对产品的哪些方面进行对话。多维度的主题信息是指用户在对话过程中对目标产品的至少两种主题,这些主题可以包括产品的能耗、健康指标、环保性能、型号、功能、价格、优惠、噪音指标等。
在一些实施例中,主题分析主要是识别用户对话中主要对产品的哪些方面进行对话。比如用户问“这个冰箱晚上比较响,用电是不是有点多?”,则其涉及的主题应该有两个,一个是冰箱的噪音,另外一个是冰箱的耗电量。
在一些实施例中,采用深度神经网络,利用长短期记忆和概率图模型对文本信息进行词性分析和语法依赖性解析;对词性分析和语法依赖性解析后的文本信息进行分类处理,以得到文本信息对应的多维度的主题信息。
步骤75:对文本信息进行情感分析,以得到文本信息对应的多维度的情感信息。
情感信息是指用户对话中主要对产品属性的评价及态度。多维度的情感信息是指用户在对话过程中对目标产品的至少两种情感,这些属性可以包括产品的能耗、健康指标、环保性能、型号、功能、价格、优惠、噪音指标等。情感可以包括对产品的喜欢、对产品某些属性喜欢、对产品不喜欢等。
在一些实施例中,情感分析主要是分析用户在对话过程中对产品的评价及态度。比如上文中的“这个冰箱晚上比较响,用电是不是有点多?”,可以自动分析出用户的负面态度。
在一些实施例中,利用深度学习的方法识别所述文本信息中的上下文信息,以获取动态分布式词向量;基于动态分布式词向量预测情感分类,以得到文本信息对应的多维度的情感信息。
步骤76:基于对意图信息、和/或主题信息、和/或情感信息进行分析,以得到分析结果,从而确定目标产品的卖点。
步骤761:对意图信息、和/或主题信息、和/或情感信息进行决策路径分析,以得到决策路径分析结果。
结合图10,对此步骤进行说明:图10是一段时间内多个用户叠加起来的关于冰箱购买的决策路径。“智能保鲜”“大容量”“价格”“风冷”等均是一个维度,通过不同维度来分析文本信息中的意图信息、和/或主题信息、和/或情感信息。不同用户在对话过程,可以清晰的看到用户的决策路径。并且可以根据对话信息提取到高频节点,如图10所示的价格、朋友推荐、优惠等节点分列1、2、3名,涉及关联的词汇有便宜30 次、不贵71次、朋友推荐22次、朋友介绍11次、优惠12次。
步骤762:基于决策路径分析结果,进行购买因素分析,以得到购买因素分析结果。
在一具体实施方式中,结合图10,可以看到价格、朋友推荐、优惠是用户购买的主要因素。
结合图11,进行说明:图11是对通过2017年到2019年用户的对话进行分析,得到的饮水产品的用户购买因素图,我们提取了18个方面并按数量排序。可以看到,Outlook(外观)1462;Install(安装)1125; Sound(噪音)1045;Size(体积)785;Leaking(漏水)625;Control (控制)550;flow_speed(流速)488;Temperature(温度)480;Taste (味道)47;1Light(光)441;Safety(安全)388;Price(价格)334; temperature setting(温度设定)301;Switches(开关)221;loading_area_design(装载区设计)208;Quality(质量)167;filling_area_design(填充区设计)167;Storage(存储)139。
用户对饮水产品主要关注的前5个因素依次为:外观、安装、噪音、体积、漏水。
步骤763:基于购买因素分析结果,进行关注点趋势分析,以得到关注点趋势分析结果。
参阅图12,下面两节从这18个因素选出12个因素,分成6个高频用户关注点和6个低频用户关注点,来分析这些关注点的变化趋势。提取的是饮水产品的高频关注点,可以发现,噪音(sound)和漏水(leaking) 的词频就在逐年递增。
步骤764:基于决策路径分析结果、购买因素分析结果和/或关注点趋势分析结果确定目标产品的卖点。
在一些实施例中,对上述文本信息在进行意图分析、主题分析、情感分析时,均基于方法论多维度灵活分析,其中,方法论为规划、设计维度和指标(或决策因素)提供的理论依据,并结合产品业务知识设计、开发出可扩展的,复用性高的维度和指标(或决策因素)模型。
在本实施例中,通过使用意图分析、主题分析、情感分析等多个算法模型,对海量的非结构化文本中深入挖掘信息,以实现更精准、更自动的分析,并且支持多语言、且更具有普适性。
相对于传统方法,比如市场调研,省事省力,能在更大范围内获取用户的需求及意见。相对于基于电商评论的方法,由于基于规模更多的数据来分析,该分析结果更多维、更丰富、更精确。通过系统,可以在很长时间内直观的跟踪用户的对产品的态度及意见。
参阅图13,图13本申请提供的终端设备一实施例的结构示意图,该终端设备130包括处理器131以及与处理器131连接的存储器132;存储器132用于存储程序数据,处理器131用于执行程序数据,以实现以下方法步骤:
获取关于目标产品的对话信息;对对话信息进行预处理,以得到处理后的文本信息;对文本信息进行分析,并得到分析结果,从而根据分析结果确定目标产品的卖点。
可以理解,处理器131用于执行程序数据,还用于实现上述任一实施例方法。
参阅图14,图14是本申请提供的计算机可读存储介质一实施例的结构示意图,计算机可读存储介质140用于存储程序数据141,程序数据141在被处理器执行时,用于实现以下的方法步骤:
获取关于目标产品的对话信息;对对话信息进行预处理,以得到处理后的文本信息;对文本信息进行分析,并得到分析结果,从而根据分析结果确定目标产品的卖点。
可以理解,程序数据141在被处理器执行时,还用于实现上述任一实施例方法。
在本申请所提供的几个实施方式中,应该理解到,所揭露的方法以及设备,可以通过其它的方式实现。例如,以上所描述的设备实施方式仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施方式方案的目的。
另外,在本申请各个实施方式中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
上述其他实施方式中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等) 或处理器(processor)执行本申请各个实施方式所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM, Read-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的实施方式,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (13)
1.一种产品卖点的分析方法,其特征在于,所述方法包括:
获取关于目标产品的对话信息;
对所述对话信息进行预处理,以得到处理后的文本信息;
对所述文本信息进行分析,并得到分析结果,从而根据所述分析结果确定所述目标产品的卖点。
2.根据权利要求1所述的方法,其特征在于,
所述获取关于目标产品的对话信息,包括:
获取电商平台服务器发送的关于所述目标产品的第一对话信息;其中,所述第一对话信息为所述电商平台服务器获取的用户终端与客服终端的文字对话信息或语音对话信息;和/或
获取第三方平台服务器发送的关于所述目标产品的第二对话信息;其中,所述第二对话信息为所述第三方平台服务器获取的用户终端与客服终端的文字对话信息或语音对话信息;和/或
获取社交平台服务器发送的关于所述目标产品的第三对话信息;其中,所述第三对话信息为所述社交平台服务器获取的第一用户终端分享所述目标产品至第二用户终端,并与所述第二用户终端的文字对话信息或语音对话信息。
3.根据权利要求1所述的方法,其特征在于,
所述对所述对话信息进行预处理,以得到处理后的文本信息,包括:
对所述对话信息进行ETL处理,以得到中间文本信息;
对所述中间文本信息进行分词特征化处理,以得到最终文本信息。
4.根据权利要求3所述的方法,其特征在于,
所述对所述对话信息进行ETL处理,以得到中间文本信息,包括:
对所述对话信息进行抽取处理,以得到需求的对话信息;
对抽取处理后的所述对话信息进行转换处理,以使所述目标对话信息的类型统一;
将转换处理后的所述对话数据进行加载处理,以得到中间文本信息。
5.根据权利要求3所述的方法,其特征在于,
所述对所述中间文本信息进行分词特征化处理,以得到最终文本信息,包括:
对所述中间文本信息进行分句、分词处理;
对分句、分词或分段处理后的所述中间文本信息进行去非关键字处理;
对去非关键字处理后的所述中间文本信息进行嵌入式向量化处理,以得到最终文本信息。
6.根据权利要求1所述的方法,其特征在于,
所述对所述文本信息进行分析,并得到分析结果,从而根据所述分析结果确定所述目标产品的卖点,包括:
对所述文本信息进行意图分析,以得到所述文本信息对应的多维度的意图信息;
对所述文本信息进行主题分析,以得到所述文本信息对应的多维度的主题信息;
对所述文本信息进行情感分析,以得到所述文本信息对应的多维度的情感信息;
基于对所述意图信息、和/或所述主题信息、和/或所述情感信息进行分析,以得到分析结果,从而确定所述目标产品的卖点。
7.根据权利要求6所述的方法,其特征在于,
所述对所述文本信息进行意图分析,以得到所述文本信息对应的多维度的意图信息,包括:
对所述文本信息进行框架语义处理,以得到所述文本信息对应的多维度的意图信息;
其中,所述框架语义按照三层结构进行标识,第一层标识为领域,第二层标识为意图,第三层标识为语义槽。
8.根据权利要求6所述的方法,其特征在于,
所述对所述文本信息进行主题分析,以得到所述文本信息对应的多维度的主题信息,包括:
利用长短期记忆和概率图模型对所述文本信息进行词性分析和语法依赖性解析;
对词性分析和语法依赖性解析后的所述文本信息进行分类处理,以得到所述文本信息对应的多维度的主题信息。
9.根据权利要求6所述的方法,其特征在于,
所述对所述文本信息进行情感分析,以得到所述文本信息对应的多维度的情感信息,包括:
利用深度学习的方法识别所述文本信息中的上下文信息,以获取动态分布式词向量;
基于所述动态分布式词向量预测情感分类,以得到所述文本信息对应的多维度的情感信息。
10.根据权利要求6所述的方法,其特征在于,
所述基于对所述意图信息、和/或所述主题信息、和/或所述情感信息进行分析,以得到分析结果,从而确定所述目标产品的卖点,包括:
对所述意图信息、和/或所述主题信息、和/或所述情感信息进行决策路径分析,以得到决策路径分析结果;
基于所述决策路径分析结果,进行购买因素分析,以得到购买因素分析结果;
基于所述购买因素分析结果,进行关注点趋势分析,以得到关注点趋势分析结果;
基于所述决策路径分析结果、购买因素分析结果和/或关注点趋势分析结果确定所述目标产品的卖点。
11.根据权利要求1所述的方法,其特征在于,
所述方法还包括:
获取第三方数据,其中,所述第三方数据包括目标产品信息、地域信息、天气信息中至少一种;
所述对所述文本信息进行分析,并得到分析结果,从而根据所述分析结果确定所述目标产品的卖点,包括:
对所述文本信息和所述第三方数据进行分析,并得到分析结果,从而根据所述分析结果确定所述目标产品的卖点。
12.一种终端设备,其特征在于,所述终端设备包括处理器以及与所述处理器连接的存储器;
所述存储器用于存储程序数据,所述处理器用于执行所述程序数据,以实现如权利要求1-11任一项所述的方法。
13.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质用于存储程序数据,所述程序数据在被处理器执行时,用于实现如权利要求1-11任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911369278.5A CN111192082B (zh) | 2019-12-26 | 2019-12-26 | 产品卖点的分析方法、终端设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911369278.5A CN111192082B (zh) | 2019-12-26 | 2019-12-26 | 产品卖点的分析方法、终端设备及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111192082A true CN111192082A (zh) | 2020-05-22 |
CN111192082B CN111192082B (zh) | 2024-03-26 |
Family
ID=70709375
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911369278.5A Active CN111192082B (zh) | 2019-12-26 | 2019-12-26 | 产品卖点的分析方法、终端设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111192082B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112182216A (zh) * | 2020-09-28 | 2021-01-05 | 时趣互动(北京)科技有限公司 | 营销热点趋势预测方法及装置 |
CN113434680A (zh) * | 2021-06-29 | 2021-09-24 | 平安科技(深圳)有限公司 | 基于坐席数据的用户意愿分析方法、装置、电子设备 |
CN115329757A (zh) * | 2022-10-17 | 2022-11-11 | 广州数说故事信息科技有限公司 | 一种产品创新概念挖掘方法、装置、存储介质及终端设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150178371A1 (en) * | 2013-12-23 | 2015-06-25 | 24/7 Customer, Inc. | Systems and methods for facilitating dialogue mining |
CN106407178A (zh) * | 2016-08-25 | 2017-02-15 | 中国科学院计算技术研究所 | 一种会话摘要生成方法及装置 |
CN106779827A (zh) * | 2016-12-02 | 2017-05-31 | 上海晶樵网络信息技术有限公司 | 一种互联网用户行为采集及分析检测的大数据方法 |
CN108335110A (zh) * | 2017-01-17 | 2018-07-27 | 阿里巴巴集团控股有限公司 | 聊天信息处理方法及装置 |
CN109285030A (zh) * | 2018-08-29 | 2019-01-29 | 深圳壹账通智能科技有限公司 | 产品推荐方法、装置、终端及计算机可读存储介质 |
CN109658132A (zh) * | 2018-11-29 | 2019-04-19 | 深圳冠思大数据服务有限公司 | 一种销售成效人工智能分析方法及系统 |
CN109785140A (zh) * | 2018-12-05 | 2019-05-21 | 上海拍拍贷金融信息服务有限公司 | 一种基于智能语音的理财投资规划方法及装置 |
CN110597978A (zh) * | 2018-06-12 | 2019-12-20 | 北京京东尚科信息技术有限公司 | 物品摘要生成方法、系统、电子设备及可读存储介质 |
-
2019
- 2019-12-26 CN CN201911369278.5A patent/CN111192082B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150178371A1 (en) * | 2013-12-23 | 2015-06-25 | 24/7 Customer, Inc. | Systems and methods for facilitating dialogue mining |
CN106407178A (zh) * | 2016-08-25 | 2017-02-15 | 中国科学院计算技术研究所 | 一种会话摘要生成方法及装置 |
CN106779827A (zh) * | 2016-12-02 | 2017-05-31 | 上海晶樵网络信息技术有限公司 | 一种互联网用户行为采集及分析检测的大数据方法 |
CN108335110A (zh) * | 2017-01-17 | 2018-07-27 | 阿里巴巴集团控股有限公司 | 聊天信息处理方法及装置 |
CN110597978A (zh) * | 2018-06-12 | 2019-12-20 | 北京京东尚科信息技术有限公司 | 物品摘要生成方法、系统、电子设备及可读存储介质 |
CN109285030A (zh) * | 2018-08-29 | 2019-01-29 | 深圳壹账通智能科技有限公司 | 产品推荐方法、装置、终端及计算机可读存储介质 |
CN109658132A (zh) * | 2018-11-29 | 2019-04-19 | 深圳冠思大数据服务有限公司 | 一种销售成效人工智能分析方法及系统 |
CN109785140A (zh) * | 2018-12-05 | 2019-05-21 | 上海拍拍贷金融信息服务有限公司 | 一种基于智能语音的理财投资规划方法及装置 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112182216A (zh) * | 2020-09-28 | 2021-01-05 | 时趣互动(北京)科技有限公司 | 营销热点趋势预测方法及装置 |
CN113434680A (zh) * | 2021-06-29 | 2021-09-24 | 平安科技(深圳)有限公司 | 基于坐席数据的用户意愿分析方法、装置、电子设备 |
CN115329757A (zh) * | 2022-10-17 | 2022-11-11 | 广州数说故事信息科技有限公司 | 一种产品创新概念挖掘方法、装置、存储介质及终端设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111192082B (zh) | 2024-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tuarob et al. | Fad or here to stay: Predicting product market adoption and longevity using large scale, social media data | |
CN111192082B (zh) | 产品卖点的分析方法、终端设备及计算机可读存储介质 | |
AU2014204091B2 (en) | Determining product categories by mining chat transcripts | |
CN102708153B (zh) | 自适应在线社交网络热点话题发展趋势预测方法及系统 | |
US9710829B1 (en) | Methods, systems, and articles of manufacture for analyzing social media with trained intelligent systems to enhance direct marketing opportunities | |
US20150254561A1 (en) | Method and system of continuous contextual user engagement | |
JP2020521210A (ja) | 情報処理方法及び端末、コンピュータ記憶媒体 | |
KR20140131327A (ko) | 소셜 미디어 데이터 분석 시스템 및 방법 | |
WO2021056837A1 (zh) | 服务质量评测产品定制平台及方法 | |
CN107944911A (zh) | 一种基于文本分析的推荐系统的推荐方法 | |
CN109670161B (zh) | 商品相似度计算方法及装置、存储介质、电子设备 | |
CN103455555B (zh) | 基于移动终端相似度的推荐方法及推荐装置 | |
US20180218432A1 (en) | Recommendation integrated online digital sales service chat system | |
CN109285011A (zh) | 一种智能客户回访方法、装置及设备 | |
CN111159376A (zh) | 会话处理方法、装置、电子设备以及存储介质 | |
CA3147634A1 (en) | Method and apparatus for analyzing sales conversation based on voice recognition | |
Yin et al. | Ranking products through online reviews considering the mass assignment of features based on BERT and q-rung orthopair fuzzy set theory | |
Abinaya et al. | Enhancing top-N recommendation using stacked autoencoder in context-aware recommender system | |
CN110457454A (zh) | 一种对话方法、服务器、对话系统及存储介质 | |
CN111310035A (zh) | 基于心理和行为特征的推荐方法及装置 | |
CN116151840B (zh) | 一种基于大数据的用户服务数据智能管理系统及方法 | |
Postorino et al. | A neural network hybrid recommender system | |
Yin et al. | Capturing product/service improvement ideas from social media based on lead user theory | |
CN110377803B (zh) | 信息处理方法以及装置 | |
CN113297365B (zh) | 一种用户意向判定方法、装置、设备及存储介质 |
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 |