CN111310064A - 一种消除商家刷评单评论的计算方法、装置及存储介质 - Google Patents

一种消除商家刷评单评论的计算方法、装置及存储介质 Download PDF

Info

Publication number
CN111310064A
CN111310064A CN202010098410.XA CN202010098410A CN111310064A CN 111310064 A CN111310064 A CN 111310064A CN 202010098410 A CN202010098410 A CN 202010098410A CN 111310064 A CN111310064 A CN 111310064A
Authority
CN
China
Prior art keywords
comment
similarity
commodity
comments
influence
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
Application number
CN202010098410.XA
Other languages
English (en)
Other versions
CN111310064B (zh
Inventor
李琦
宋卫东
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing Ruiyun Technology Co ltd
Original Assignee
Chongqing Ruiyun Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chongqing Ruiyun Technology Co ltd filed Critical Chongqing Ruiyun Technology Co ltd
Priority to CN202010098410.XA priority Critical patent/CN111310064B/zh
Publication of CN111310064A publication Critical patent/CN111310064A/zh
Application granted granted Critical
Publication of CN111310064B publication Critical patent/CN111310064B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9536—Search customisation based on social or collaborative filtering
    • 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
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0609—Buyer or seller confidence or verification
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提供了一种消除商家刷评单评论的计算方法、装置及存储介质，包括：获取一个新账号作为初始账号，将初始账号的评论上传数据库；将初始账号的评论与数据库中商家的评论匹配，进行评论相似度计算；当初始账号的评论到达五条之后，进行商品评论相似度计算；当判定评论为疑似刷评单的评论时，进行影响度计算；根据影响度计算影响度系数和实际好评单数；将计算出的影响度系数和好评单数进行排序展示。本发明提供的一种消除商家刷评单评论的计算方法、装置及存储介质，能够计算出针对某个账号对于商品的相似评论性，通过对影响度的计算，对评论有效性进行判定，同时针对商品评论的相似性，循环判定评论有效性，以核准该评论信息。

Description

一种消除商家刷评单评论的计算方法、装置及存储介质
技术领域
本发明涉及有评论功能的交易市场领域，具体涉及一种消除商家刷评单评论的计算方法、装置及存储介质。
背景技术
在当前的网络商品售卖中，商家为了宣传自身，找到拥有大量平台闲置账号的第三方，进行大量的购买以及给商品好评，该行为既违反了公平公正的原则，同时影响了平台的计算准确度，也让客户在购买时的选择变得狭窄。
发明内容
本发明提供了一种消除商家刷评单评论的计算方法、装置及存储介质，能够计算出针对某个账号对于商品的相似评论性，通过对影响度的计算，对评论有效性进行判定，同时针对商品评论的相似性，循环判定评论有效性，以核准该评论信息。
本发明采用如下技术方案：
一种消除商家刷评单评论的计算方法，包括：
获取一个新账号作为初始账号，将初始账号对商家的评论上传数据库；
将初始账号的评论与数据库中商家的评论匹配，进行评论相似度计算，若相似度小于相似度阈值，则该条评论为正常评论，若相似度大于相似度阈值，则该条评论为疑似刷评单的评论；
当初始账号的评论到达五条之后，进行商品评论相似度计算，若相似度小于相似度阈值，则该商品为正常评论的商品，若相似度大于相似度阈值，则该商品为疑似刷评单的商品；
当判定评论为疑似刷评单的评论时，进行影响度计算；
根据影响度计算影响度系数和实际好评单数；
将计算出的影响度系数和好评单数进行排序展示。
进一步地，所述将初始账号的评论与数据库中商家的评论匹配，进行评论相似度判定，包括：
获取数据库中商家的评论；
对上传的初始账号的评论进行分词，对数据库中商家的评论进行分词；
计算初始账号的评论的词频，计算数据库中商家的评论的词频；
列出初始账号的评论的词频向量，列出数据库中商家的评论的词频向量；
计算初始账号的评论的词频向量与数据库中商家的评论的词频向量的相似度。
进一步地，所述计算初始账号的评论的词频向量与数据库中商家的评论的词频向量的相似度中，计算公式为：
Figure BDA0002386041770000021
其中，r1为评论相似度，x为初始账号的词频向量，y为数据库中商家的评论的词频向量，n为评论中分词的词数。
进一步地，所述当初始账号的评论到达五条之后，进行商品评论相似度判定，包括：
在数据库中遍历出有过刷好评痕迹的商品ID；
将初始账号的评论过的商品ID在数据库中进行相等匹配，并进行商品乱序，取前五个商品ID进行计算；
计算初始账号评论过的商品ID与匹配的数据库中遍历出有过刷好评痕迹的前五个商品ID的相似度。
进一步地，所述计算初始账号评论过的前五个商品ID与数据库中遍历出有过刷好评痕迹的商品ID的相似度中，计算公式为：
Figure BDA0002386041770000022
其中，r2为刷评单商品相似度，x为初始账号评论过的前五个商品ID的序列，y为数据库中遍历出有过刷好评痕迹的商品ID的序列，n为计算的商品的个数。
进一步地，所述影响度计算包括评论相似度影响度计算和商品相似度影响度计算；
所述评论相似度影响度的计算公式为：
Figure BDA0002386041770000023
其中，a1为评论相似度影响度，x为影响基数，由平台商主动制定；
所述商品相似度影响度的计算公式为：
Figure BDA0002386041770000024
其中，a2为商品相似度影响度，x为影响基数，由平台商主动制定。
进一步地，所述根据影响度计算影响度系数和实际好评单数中，影响度系数包括评论相似度影响度系数和商品相似度影响度系数；
影响度系数的计算公式为：
Figure BDA0002386041770000025
其中，b为影响度系数，a为评论相似度影响度或商品相似度影响度；
实际好评单数计算公式为：
m＝x×b1×b2；
其中，m为实际好评单数，x为影响基数，由平台商主动制定，b1为评论相似度影响度系数，b2为商品相似度影响度系数。
进一步地，所述将计算出的影响度系数和好评单数进行排序展示时，将评论相似度影响度系数记为评论的好评量增量，将商品相似度影响度系数记为订单增量，将实际好评单数记为评论所对应的商品的有效值。
一种装置，所述装置包括处理器、存储器及通信总线；所述通信总线用于实现处理器和存储器之间的连接通信；所述处理器用于执行存储器中存储的一个或者多个程序，以实现消除商家刷评单评论的计算方法的步骤。
一种存储介质，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现消除商家刷评单评论的计算方法的步骤。
本发明的有益效果为：
通过将评论进行归类分析，通过向量空间余弦相似度，余弦相似度用向量空间中两个向量夹角的余弦值作为衡量两个个体间差异的大小。找出对象的向量值，合并成一个集合，生成匹配数据的向量。计算出针对某个账号对于商品的相似评论性，通过对影响度的计算，对评论有效性进行判定。同时针对商品评论的相似性，循环判定评论有效性，以核准该评论信息。
附图说明
图1为本发明实施例一中疑似刷评单判定的流程示意图。
图2为本发明实施例一中影响度计算流程示意图。
图3为本发明实施例二的装置结构示意图。
具体实施方式
下面结合附图对本发明作进一步的详细说明。
实施例一
如图1-2所示，本发明提供了一种消除商家刷评单评论的计算方法，包括：
S1、获取一个新账号作为初始账号，将初始账号对商家的评论上传数据库，初始账号无任何评论指向，从进行第一次评论开始对账号进行判定。
S2、将初始账号的评论与数据库中商家的评论匹配，进行评论相似度计算，若相似度小于相似度阈值(0.6)，则该条评论为正常评论，若相似度大于相似度阈值(0.6)，则该条评论为疑似刷评单的评论。
相似度度量，即计算评论间的相似程度，相似度度量的值越小，说明个体间相似度越小，相似度的值越大说明个体差异越大。
对于多个不同的评论要来计算他们之间的相似度，就是将这些文本中词语，映射到向量空间，形成文本中文字和向量数据的映射关系，通过计算几个或者多个不同的向量的差异的大小，来计算文本的相似度r1。
S21、获取数据库中商家的评论。
例1：初始账号的评论A：这只皮靴非常好看，那只也很好看。
数据库中商家的评论B：这只皮靴好看得很，那只更好看。
S22、对上传的初始账号的评论进行分词，对数据库中商家的评论进行分词。
初始账号的评论A：这只/皮靴/非常/好看。那只/也很/好看。
数据库中商家的评论B：这只/皮靴/好看/得很，那只/更/好看。
列出所有的词：这只，皮靴，好看，非常，那只，也很，得很，更。
S23、计算初始账号的评论的词频，计算数据库中商家的评论的词频。
初始账号的评论A：这只1，皮靴1，非常1，好看2。那只1，也很1，得很0，更0。
数据库中商家的评论B：这只1，皮靴1，非常0，好看2。那只1，也很1，得很0，更0。
S24、列出初始账号的评论的词频向量，列出数据库中商家的评论的词频向量。
初始账号的评论的词频向量：(1，1，1，2，1，1，0，0)。
数据库中商家的评论的词频向量：(1，1，0，2，1，1，1，1)。
S25、计算初始账号的评论的词频向量与数据库中商家的评论的词频向量的相似度。计算公式为：
Figure BDA0002386041770000041
其中，r1为评论相似度，x为初始账号的词频向量，y为数据库中商家的评论的词频向量，n为评论中分词的词数。
把向量想象成空间中的两条线段，都是从原点([0,0,...])出发，指向不同的方向。两条线段之间形成一个夹角，如果夹角为0度，意味着方向相同、线段重合,这是表示两个向量代表的文本完全相等；如果夹角为90度，意味着形成直角，方向完全不相似；如果夹角为180度，意味着方向正好相反。因此，通过夹角的大小，来判断向量的相似程度。夹角越小，就代表越相似。因此，若该余弦值越接近于1，则证明两条评论的相似度越高，相同两句评论计算出来的余弦值为1。
前述例1中，
Figure BDA0002386041770000051
计算出余弦值为0.84接近1，说明评论向量夹角很小，两句评论的相似度很高。
S3、当初始账号的评论到达五条之后，进行商品评论相似度计算，若相似度小于相似度阈值(0.8)，则该商品为正常评论的商品，若相似度大于相似度阈值(0.8)，则该商品为疑似刷评单的商品。商品评论相似度r2为已经判定为刷好评嫌疑的账号的评论商品相似度，即该账号评论的商品与被判定为有刷好评嫌疑。
S31、在数据库中遍历出有过刷好评痕迹的商品ID。
例2，被判定为疑似刷好评账号痕迹商品ID：a101，b202，c303，d404，e505，f606，g707，h808，i909.......
评论新达5个的账号商品ID评论痕迹：a101，c303，d102，e505，f606。
S32、将初始账号的评论过的商品ID在数据库中进行相等匹配，为了避免商品ID排序重复，用random()进行商品乱序，并取前五个商品ID进行计算。
S33、计算初始账号评论过的商品ID与匹配的数据库中遍历出有过刷好评痕迹的前五个商品ID的相似度，计算公式为：
Figure BDA0002386041770000052
其中，r2为刷评单商品相似度，x为初始账号评论过的前五个商品ID的序列，y为数据库中遍历出有过刷好评痕迹的商品ID的序列，n为计算的商品的个数。
前述例2中，商品ID序列A：(1，1，1，1，1)，商品ID序列B：(1，1，0，1，1)。计算
Figure BDA0002386041770000053
计算出余弦值为0.89接近1，说明评论向量夹角很小，与刷好评商品评论相似度很高。
S4、当判定评论为疑似刷评单的评论时，进行影响度计算。影响度计算包括评论相似度影响度计算和商品相似度影响度计算。
影响度是通过相似度进行判定，相似度越高，影响度的导数越大，上升的趋势越陡峭，其中商品id相似需要更加密集，即商品评论的相似度越高。
x为影响基数，该数为平台商主动制定，该数值越高，则打击刷好评单数力度越大，最低不能低于10。
评论相似度影响度的计算公式为：
Figure BDA0002386041770000061
其中，a1为评论相似度影响度，x为影响基数，由平台商主动制定；
商品相似度影响度的计算公式为：
Figure BDA0002386041770000062
其中，a2为商品相似度影响度，x为影响基数，由平台商主动制定。
以例1，例2的结果展示，r1＝0.84，r2＝0.89；r1>0.6，r2>0.8，相似度符合影响度标准。
S5、根据影响度计算影响度系数和实际好评单数。影响度系数包括评论相似度影响度系数和商品相似度影响度系数，影响度系数的计算公式为：
Figure BDA0002386041770000063
其中，b为影响度系数，a为评论相似度影响度或商品相似度影响度。
实际好评单数计算公式为：
m＝x×b1×b2；
其中，m为实际好评单数，x为影响基数，由平台商主动制定，b1为评论相似度影响度系数，b2为商品相似度影响度系数。
以例1，例2的结果展示，影响度系数b1＝0.1524，b2＝0.1262；
x设置为最低的10，实际好评单数m＝0.1923。
S6、将计算出的影响度系数和好评单数进行排序展示。
将计算出的影响度系数和好评单数进行排序展示时，将评论相似度影响度系数记为评论的好评量增量，将商品相似度影响度系数记为订单增量，将实际好评单数记为评论所对应的商品的有效值。
以例1，例2的结果展示，在计算排序展示时，该条订单只算作0.1262单，该条评论的好评量仅算作0.1524单，该条商品的有效值为0.1923(即用做大数据计算时该条商品计算的权重为0.1923)。
本发明通过将评论进行归类分析，通过向量空间余弦相似度，余弦相似度用向量空间中两个向量夹角的余弦值作为衡量两个个体间差异的大小。找出对象的向量值，合并成一个集合，生成匹配数据的向量。计算出针对某个账号对于商品的相似评论性，通过对影响度的计算，对评论有效性进行判定。同时针对商品评论的相似性，循环判定评论有效性，以核准该评论信息。
实施例二：
本实施例在上述实施例一的基础上，提供一种装置，请参见图3，本实施例主要用于实现上述实施例一的消除商家刷评单评论的计算方法的步骤，该装置主要包括处理器21、存储器22及通信总线23；通信总线23用于实现处理器21和存储器22之间的连接通信；处理器21用于执行存储器22中存储的一个或者多个程序，以实现如上述实施例一的消除商家刷评单评论的计算方法的步骤。具体请参见上述实施例一中的描述，在此不再赘述。
另，本实施例还提供一种存储介质，该存储介质存储有一个或者多个程序，该一个或者多个程序可被一个或者多个处理器执行，以实现上述实施例一的消除商家刷评单评论的计算方法的步骤。具体请参见上述实施例一中的描述，在此不再赘述。
显然，本领域的技术人员应该明白，上述本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在计算机存储介质(ROM/RAM、磁碟、光盘)中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。所以，本发明不限制于任何特定的硬件和软件结合。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解；其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。

Claims (10)

1.一种消除商家刷评单评论的计算方法，其特征在于，包括：
获取一个新账号作为初始账号，将初始账号对商家的评论上传数据库；
将初始账号的评论与数据库中商家的评论匹配，进行评论相似度计算，若相似度小于相似度阈值，则该条评论为正常评论，若相似度大于相似度阈值，则该条评论为疑似刷评单的评论；
当初始账号的评论到达五条之后，进行商品评论相似度计算，若相似度小于相似度阈值，则该商品为正常评论的商品，若相似度大于相似度阈值，则该商品为疑似刷评单的商品；
当判定评论为疑似刷评单的评论时，进行影响度计算；
根据影响度计算影响度系数和实际好评单数；
将计算出的影响度系数和好评单数进行排序展示。
2.根据权利要求1所述的一种消除商家刷评单评论的计算方法，其特征在于，所述将初始账号的评论与数据库中商家的评论匹配，进行评论相似度判定，包括：
获取数据库中商家的评论；
对上传的初始账号的评论进行分词，对数据库中商家的评论进行分词；
计算初始账号的评论的词频，计算数据库中商家的评论的词频；
列出初始账号的评论的词频向量，列出数据库中商家的评论的词频向量；
计算初始账号的评论的词频向量与数据库中商家的评论的词频向量的相似度。
3.根据权利要求2所述的一种消除商家刷评单评论的计算方法，其特征在于，所述计算初始账号的评论的词频向量与数据库中商家的评论的词频向量的相似度中，计算公式为：
Figure FDA0002386041760000011
其中，r1为评论相似度，x为初始账号的词频向量，y为数据库中商家的评论的词频向量，n为评论中分词的词数。
4.根据权利要求1所述的一种消除商家刷评单评论的计算方法，其特征在于，所述当初始账号的评论到达五条之后，进行商品评论相似度判定，包括：
在数据库中遍历出有过刷好评痕迹的商品ID；
将初始账号的评论过的商品ID在数据库中进行相等匹配，并进行商品乱序，取前五个商品ID进行计算；
计算初始账号评论过的商品ID与匹配的数据库中遍历出有过刷好评痕迹的前五个商品ID的相似度。
5.根据权利要求4所述的一种消除商家刷评单评论的计算方法，其特征在于，所述计算初始账号评论过的商品ID与匹配的数据库中遍历出有过刷好评痕迹的前五个商品ID的相似度中，计算公式为：
Figure FDA0002386041760000021
其中，r2为刷评单商品相似度，x为初始账号评论过的前五个商品ID的序列，y为数据库中遍历出有过刷好评痕迹的商品ID的序列，n为计算的商品的个数。
6.根据权利要求1所述的一种消除商家刷评单评论的计算方法，其特征在于，所述影响度计算包括评论相似度影响度计算和商品相似度影响度计算；
所述评论相似度影响度的计算公式为：
Figure FDA0002386041760000022
其中，a1为评论相似度影响度，x为影响基数，由平台商主动制定；
所述商品相似度影响度的计算公式为：
Figure FDA0002386041760000023
其中，a2为商品相似度影响度，x为影响基数，由平台商主动制定。
7.根据权利要求1所述的一种消除商家刷评单评论的计算方法，其特征在于，所述根据影响度计算影响度系数和实际好评单数中，影响度系数包括评论相似度影响度系数和商品相似度影响度系数；
影响度系数的计算公式为：
Figure FDA0002386041760000024
其中，b为影响度系数，a为评论相似度影响度或商品相似度影响度；
实际好评单数计算公式为：
m＝x×b1×b2；
其中，m为实际好评单数，x为影响基数，由平台商主动制定，b1为评论相似度影响度系数，b2为商品相似度影响度系数。
8.根据权利要求7所述的一种消除商家刷评单评论的计算方法，其特征在于，所述将计算出的影响度系数和好评单数进行排序展示时，将评论相似度影响度系数记为评论的好评量增量，将商品相似度影响度系数记为订单增量，将实际好评单数记为评论所对应的商品的有效值。
9.一种装置，其特征在于，所述装置包括处理器、存储器及通信总线；所述通信总线用于实现处理器和存储器之间的连接通信；所述处理器用于执行存储器中存储的一个或者多个程序，以实现权利要求1至8中任一项所述的消除商家刷评单评论的计算方法的步骤。
10.一种存储介质，其特征在于，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现权利要求1至8中任一项所述的消除商家刷评单评论的计算方法的步骤。
CN202010098410.XA 2020-02-18 2020-02-18 一种消除商家刷评单评论的计算方法、装置及存储介质 Active CN111310064B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010098410.XA CN111310064B (zh) 2020-02-18 2020-02-18 一种消除商家刷评单评论的计算方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010098410.XA CN111310064B (zh) 2020-02-18 2020-02-18 一种消除商家刷评单评论的计算方法、装置及存储介质

Publications (2)

Publication Number Publication Date
CN111310064A true CN111310064A (zh) 2020-06-19
CN111310064B CN111310064B (zh) 2023-05-05

Family

ID=71158231

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010098410.XA Active CN111310064B (zh) 2020-02-18 2020-02-18 一种消除商家刷评单评论的计算方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN111310064B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112000711A (zh) * 2020-07-21 2020-11-27 微梦创科网络科技（中国）有限公司 一种基于Spark确定刷评用户的方法及系统

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130006988A1 (en) * 2011-06-30 2013-01-03 Sap Ag Parallelization of large scale data clustering analytics
US20140351079A1 (en) * 2013-05-24 2014-11-27 University College Dublin Method for recommending a commodity
US20160343046A1 (en) * 2011-10-28 2016-11-24 Rakuten, Inc. Review text output system and review text output method
CN106708966A (zh) * 2016-11-29 2017-05-24 中国计量大学 基于相似度计算的垃圾评论检测方法
CA2956748A1 (en) * 2016-02-12 2017-08-12 Mitsubishi Aircraft Corporation Top-event assessment apparatus
CN107679069A (zh) * 2017-08-18 2018-02-09 国家计算机网络与信息安全管理中心 基于新闻数据及相关评论信息的一种特定群体发现方法
CN107807936A (zh) * 2016-09-09 2018-03-16 腾讯科技（深圳）有限公司 评论信息排序方法及装置
CN108647297A (zh) * 2018-05-08 2018-10-12 山东师范大学 一种共享近邻优化的密度峰值聚类中心选取方法和系统
CN109344176A (zh) * 2018-09-05 2019-02-15 浙江工业大学 基于双循环图的虚假评论检测方法
CN109460508A (zh) * 2018-10-10 2019-03-12 浙江大学 一种高效的垃圾评论用户群组检测方法
CN110097419A (zh) * 2019-03-29 2019-08-06 努比亚技术有限公司 商品数据处理方法、计算机设备和存储介质

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130006988A1 (en) * 2011-06-30 2013-01-03 Sap Ag Parallelization of large scale data clustering analytics
US20160343046A1 (en) * 2011-10-28 2016-11-24 Rakuten, Inc. Review text output system and review text output method
US20140351079A1 (en) * 2013-05-24 2014-11-27 University College Dublin Method for recommending a commodity
CA2956748A1 (en) * 2016-02-12 2017-08-12 Mitsubishi Aircraft Corporation Top-event assessment apparatus
CN107807936A (zh) * 2016-09-09 2018-03-16 腾讯科技（深圳）有限公司 评论信息排序方法及装置
CN106708966A (zh) * 2016-11-29 2017-05-24 中国计量大学 基于相似度计算的垃圾评论检测方法
CN107679069A (zh) * 2017-08-18 2018-02-09 国家计算机网络与信息安全管理中心 基于新闻数据及相关评论信息的一种特定群体发现方法
CN108647297A (zh) * 2018-05-08 2018-10-12 山东师范大学 一种共享近邻优化的密度峰值聚类中心选取方法和系统
CN109344176A (zh) * 2018-09-05 2019-02-15 浙江工业大学 基于双循环图的虚假评论检测方法
CN109460508A (zh) * 2018-10-10 2019-03-12 浙江大学 一种高效的垃圾评论用户群组检测方法
CN110097419A (zh) * 2019-03-29 2019-08-06 努比亚技术有限公司 商品数据处理方法、计算机设备和存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
HUAXUN DENG等: "Semi-Supervised Learning Based Fake Review Detection" *
余以胜: "一种基于上下文感知的网络交易信任评价模型" *
房有丽等: "融合评分-评价一致性和多维时间序列的虚假评论识别方法" *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112000711A (zh) * 2020-07-21 2020-11-27 微梦创科网络科技（中国）有限公司 一种基于Spark确定刷评用户的方法及系统

Also Published As

Publication number Publication date
CN111310064B (zh) 2023-05-05

Similar Documents

Publication Publication Date Title
WO2020143409A1 (zh) 预测业务指标的方法及装置
CN110263821B (zh) 交易特征生成模型的训练、交易特征的生成方法和装置
CN110717824A (zh) 基于知识图谱的银行对公客群风险传导测算的方法及装置
CN107145536B (zh) 用户画像构建方法与装置及推荐方法与装置
US20140278778A1 (en) Method, apparatus, and computer-readable medium for predicting sales volume
US9715702B2 (en) System and method for determining retail-business-rule coefficients from current prices
US9846885B1 (en) Method and system for comparing commercial entities based on purchase patterns
US20120066087A1 (en) Generating product recommendations
CN108764705A (zh) 一种数据质量评估平台以及方法
CN103412948A (zh) 基于聚类的协同过滤的商品推荐方法及系统
Rahman et al. The influence of relationship quality on customer loyalty in the dual-banking system in the northern states of peninsular Malaysia
CN107704941B (zh) 一种显示物品评论的方法及装置
CN113191838B (zh) 一种基于异质图神经网络的购物推荐方法及系统
US20200380524A1 (en) Transaction feature generation
CN111340565B (zh) 一种信息推荐方法、装置、设备及存储介质
JP6250623B2 (ja) 取引管理システム、取引管理方法及び取引管理プログラム
CN111898904B (zh) 一种数据处理方法及装置
JP2016053925A (ja) 電力市場価格予測装置、電力市場価格予測方法およびプログラム
US20220414579A1 (en) Salesperson evaluation apparatus, salesperson evaluation method, and salesperson evaluation program
Su et al. Common threshold in quantile regressions with an application to pricing for reputation
CN113095861A (zh) 目标对象成交概率的预测方法、装置、设备及存储介质
Kokkodis Learning from positive and unlabeled Amazon reviews: Towards identifying trustworthy reviewers
CN111310064A (zh) 一种消除商家刷评单评论的计算方法、装置及存储介质
CN108764995A (zh) 一种数据价值确定系统和方法
TWI621084B (zh) 跨區域商品對應方法、系統及非暫態電腦可讀取記錄媒體

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