CN112395484A - 一种面向自动驾驶汽车的用户满意度评价方法 - Google Patents
一种面向自动驾驶汽车的用户满意度评价方法 Download PDFInfo
- Publication number
- CN112395484A CN112395484A CN202011292373.2A CN202011292373A CN112395484A CN 112395484 A CN112395484 A CN 112395484A CN 202011292373 A CN202011292373 A CN 202011292373A CN 112395484 A CN112395484 A CN 112395484A
- Authority
- CN
- China
- Prior art keywords
- automobile
- emotion
- user
- words
- comments
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 43
- 230000008451 emotion Effects 0.000 claims abstract description 64
- 230000002996 emotional effect Effects 0.000 claims abstract description 30
- 238000000034 method Methods 0.000 claims abstract description 22
- 238000004458 analytical method Methods 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000005516 engineering process Methods 0.000 claims abstract description 7
- 239000013598 vector Substances 0.000 claims abstract description 5
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 4
- 238000012552 review Methods 0.000 claims description 16
- 238000013507 mapping Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000013500 data storage Methods 0.000 claims description 4
- 238000005034 decoration Methods 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 10
- 230000014509 gene expression Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000009193 crawling Effects 0.000 description 1
- 238000013481 data capture Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
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
- G06F16/951—Indexing; Web crawling techniques
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
- G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/7867—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, title and artist information, manually generated time, location and usage information, user ratings
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Library & Information Science (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供一种面向自动驾驶汽车的用户满意度评价方法，包括以下步骤：使用爬虫技术抓取短视频类关于自动辅助驾驶汽车平台的用户评论数据；数据存储；数据处理；指标体系建立：利用TF‑IDF算法，依据用户在汽车短视频类关于自动辅助驾驶汽车平台的发表评论时的评价项目，以及综合汽车拥有者在日常驾驶过程中关注的汽车行驶属性，基于数据处理提取特征指标，建立结果评价指标体系，根据评价体系构建评论的指标特征向量，并结合情感分析得分，综合评论的所属平台、文本内容，得到自动驾驶汽车产品信息的特征属性的情感倾向结果；满意度评估。
Description
技术领域
本发明涉及自动辅助驾驶领域，尤其涉及一种面向自动驾驶汽车的用户满意度评价方法。
背景技术
用户通过相关短视频类平台，发布关于自动辅助驾驶汽车平台的产品评价，一方面对于其他消费者的消费意愿具有相当程度的影响作用[2]，汽车评论者通过汽车在不同使用状况、不同使用周期的真实状态的讨论，能够影响处于观望期间的潜在消费者的购买欲望，使其消费更趋理性化[1]；另一方面，用户对产品的评论反馈深刻地影响着消费者和企业之间的关系，是企业了解用户需求的重要资源。总是能生产评论良好产品的公司，更能培育与消费者之间的良好关系并发展为品牌忠诚度[3]。因此，挖掘隐含在产品评论背后的用户情感倾向，能够较为有效地帮助企业发现消费者集中担忧或抱怨的缺陷，以迎合消费者的需求[4]。
自动驾驶汽车产品由于价格较高，产品科技水准要求很高，消费者并不能很好的了解产品的科技功能属性。也正因如此，汽车短视频类关于自动辅助驾驶汽车的用户所发表的评论(评论)由于包含了车主对所购汽车价格、配置、动力、续航等方面的讨论信息，有利于消费者了解自动驾驶汽车的相关属性，同时对于企业商家了解产品市场反应、发现自身产品缺陷、调整营销策略都具有极为重要的价值[6]。汽车短视频类关于自动辅助驾驶汽车评论作为最具活力的信息聚焦点，是高科技技术大众教育的一个重要工具。由于自动驾驶汽车功能多样、结构复杂以及用户评论在表述形式上的差异，导致分析结果往往并不准确，同时也缺乏对分析结果的个性化排序。
现有的对自动驾驶汽车产品信息进行评价衡量的指标比较单一，厂商和用户对于产品的理解层次也会存在差异。此处通过对数据进行重新的衡量与分析，最终呈现分析结果[7]。
现有技术中至少存在以下缺点和不足：
(1)基于产品属性提取，难以保证属性名称语义相同或相近的产品信息实现完美匹配；
(2)用户灵活的语言表达方式，可能会降低文本处理的准确度，分析结果往往会存在信息误差；
(3)关于自动驾驶汽车功能的公开说明资料存在前瞻性功能说明，用户并不能理解，因此厂商与用户的观点会存在系统性偏差排序。
基于此，面向互联网汽车短视频类关于自动辅助驾驶汽车的用户评论说明，结合文本挖掘与数据处理技术，本发明构建了一种特别针对评估自动驾驶用户满意度的方法。
参考文献
[1]中国网民7.51亿占全球网民五分之一[J].新闻世界,2017,(09):5.
[2]E.Cambria,D.Das,S.Bandyopadhyay,A.Feraco,A Practical Guide toSentiment Analysis,Springer,Cham,Switzerland,2017.
[3]S.L.Lo,E.Cambria,R.Chiong,D.Cornforth,Multilingual sentimentanalysis:from formal to informal and scarce resource languages,Artif.Intell.Rev.48(4)(2017)499–527
[4]B.Liu,Sentiment analysis and subjectivity,Handbook of NaturalLanguage Processing,Second Edition,Chapman and Hall/CRC,2010,pp.627–666.
[5]Greenacre,M.&Blasius,J.“Multiple correspondence analysis andrelated methods”,CRC Press,2006.
[6]袁庆玉,彭赓,刘颖,吕本富.基于网络关键词搜索数据的汽车销量预测研究[J].管理学家(学
术版),2011,(01):12-24.
[7]曹树金,陈忆金,杨涛.基于用户需求的图书馆用户满意实证研究[J].中国图书馆学
报,2013,39(05):60-75.
[8]周立柱,贺宇凯,王建勇.情感分析研究综述[J].计算机应用,2008,28(11):2725-2728.
发明内容
本发明所要解决的技术问题是：提供一种面向自动驾驶汽车的用户满意度评价方法，采用更加精准的特征词提取的方法，在已知的文本数据中，通过过滤无效评论数据，利用tf-idf算法提取特征词，基于特征词映射到自动驾驶功能属性分类中。本发明采取以下技术方案：
一种面向自动驾驶汽车的用户满意度评价方法，包括以下步骤：
(1)使用爬虫技术抓取短视频类关于自动辅助驾驶汽车平台的用户评论数据；
(2)数据存储
第1步：将抓取的数据以“平台—车型—评论”的树形结构存入本地数据库中；
第2步：对抓取的数据进行初次有效筛取，其中，对于某项评论，若此项评论中有产品属性词或情感属性词，则判断该评论为有效文本评论，提取有效文本评论，存入数据库中；
(3)数据处理，方法如下：
第1步：建立车型命名映射表：将不同中同一车平台中不同车型的不同名称相互映射，统一命名；
第2步：建立汽车属性命名映射表：将不同汽车短视频类关于自动辅助驾驶汽车平台的中的汽车属性名称相互映射，统一命名；
第3步：删除用户发表的重复评论、无效评论，并删除数据项不完善的评论；
其中，数据项不完善的评论根据实际需要进行确定；
第4步：构建汽车领域关键词库、停用词库、情感词库以及同义词词库，其中，
第5步：分词、词性标注及去停用词处理，保留与汽车领域相关的名词、名词词组、形容词、副词；
(4)指标体系建立
利用TF-IDF算法，依据用户在汽车短视频类关于自动辅助驾驶汽车平台的发表评论时的评价项目，以及综合汽车拥有者在日常驾驶过程中关注的汽车行驶属性，基于数据处理提取特征指标，建立结果评价指标体系，根据评价体系构建评论的指标特征向量，并结合情感分析得分，综合评论的所属平台、文本内容，得到自动驾驶汽车产品信息的特征属性的情感倾向结果；
结果评价指标体系共两级，一级指标为综合分析结果H，二级指标为汽车的相关属性，分别为:外观、内饰、动力、操控、舒适性、续航、安全、辅助，汽车的相关属性词由文本特征提取来确定；
(5)满意度评估，方法如下：
1)情感值确定：基于情感词库，计算获取的特征词情感得分，并计算正向情感的概率qNi，取值区间为[0，1]；将qNi转换为用户情感值QNi,取值范围[-1，1]，QNi数值越大，表示情感越积极，用户满意度越高；
2)情感值均值：计算描述第N个产品属性中第i个评论的情感值均值PN，tN为描述第N个产品属性评论的个数；
3)用户对产品属性的关注度：tN表示个产品属性的评论个数，n表示总的有用评论数量；TN表示用户关注的，TN值越大，说明用户关注度越高；
4)对产品属性的总的评价度H：
H表示基于用户的特征词的产品属性的总的评价度。
步骤(2)中，抓取的数据具体为：
短视频类关于自动辅助驾驶汽车平台的数据，包括：平台的名称、短视频类关于自动辅助驾驶汽车平台中发帖用户数量以及短视频类关于自动辅助驾驶汽车平台的中包含的车型数量；
车型数据，包括：短视频类关于自动辅助驾驶汽车平台的内包括的车型类别、车型品牌、以及车型价格区间；
评论数据，包括：用户针对不同汽车行驶场景属性和功能属性的评论、评论的时间；
初次抓取后，每个月对上述若干个数据项进行增量抓取，确保数据的稳定增长和时间上的连续性。
步骤(3)的第4步中，具体包括
汽车领域关键词库：以汽车本体结构词汇及产品规格说明书为基础，融合多款中文输入法中的汽车领域词库，辅以人工补充汽车领域的简写词汇、新兴词汇以及与汽车自动驾驶相关属性的相关附属词汇，构建汽车领域关键词库；
停用词库：将与汽车属性及评价相关的停用词从停用词表中删除，将与汽车属性及评价无关的词汇添加至停用词表；
情感词库：将形容、描述汽车属性的带有情感倾向的形容词及副词添加入情感词，能够更加准确的把握用户描述的汽车属性的情感倾向。
步骤(5)中，计算获取的特征词情感得分的方法如下：
1)读取评论数据，对评论进行分句；
2)查找对分句的情感词，记录积极还是消极，以及位置；
3)往情感词前查找程度词，找到就停止搜寻；为程度词设权值，乘以情感值；
4)往情感词前查找否定词，找完全部否定词，若数量为奇数，乘以-1，若为偶数，乘以1；
5)判断分句结尾是否有感叹号，有叹号则往前寻找情感词，有则相应的情感值+2；
6)计算完一条评论所有分句的情感值，用数组(list)记录起来；
7)计算并记录所有评论的情感值；
8)通过分句计算每条评论的积极情感均值，消极情感均值，积极情感方差，消极情感方差。
本发明提供的技术方案的有益效果是：
(1)本发明能够以用户的关注点为标准，进一步研究用户关于自动辅助驾驶相关技术应用于部分车型中，个人的主观态度；
(2)本发明能够整合多个短视频平台关于自动辅助驾驶汽车评论的数据，同时将用户评论的内容纳入考量范围，从汽车本体属性角度出发，通过完善相关词典以及构建特征向量，得到更加精准的自动辅助驾驶车型的用户情感态度；
(3)本发明通过筛选评论数据中的自动辅助驾驶汽车行驶场景、自动辅助驾驶功能点、用户态度等考量因素，针对性的满足生产企业对新技术产品的装配的认知需求。
附图说明
图1为一种面向自动驾驶汽车的基于用户评论的用户满意度评价体系的方法的流程图；
图2为数据存储结构的示意图；
图3为分析结果评价指标体系的示意图；
图4为检索详细操作的示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面对本发明实施方式作进一步地详细描述，如图4。
1.数据抓取
使用爬虫技术抓取主流短视频类关于自动辅助驾驶汽车平台的用户评论数据，将制定好的正则表达式(该表达式为本领域技术人员所公知，本发明实施例对此不做赘述)用于遍历采集平台相关车型的数据，并进一步针对每款车型遍历爬取所有用户发表的评论信息，如图1。其中，上述抓取的数据具体为：
第1步：短视频类关于自动辅助驾驶汽车平台的数据，包括：平台的名称、短视频类关于自动辅助驾驶汽车平台中发帖用户数量以及短视频类关于自动辅助驾驶汽车平台的中包含的车型数量；
第2步：车型数据，包括：短视频类关于自动辅助驾驶汽车平台的内包括的车型类别、车型品牌、以及车型价格区间等；
第3步：评论数据，包括：用户针对不同汽车行驶场景属性和功能属性的的评论、评论的时间等。
初次抓取后，每个月对上述若干个数据项进行增量抓取，确保数据的稳定增长和时间上的连续性。
2、数据存储
第1步：将抓取的数据以“平台—车型—评论”的树形结构存入本地数据库中，如图2所示。
第2步：对抓取的数据进行初次有效筛取
有效评论句提取；
3.数据处理
第1步：建立车型命名映射表：将不同中同一车平台中不同车型的不同名称相互映射，统一命名；
第2步：建立汽车属性命名映射表：将不同汽车短视频类关于自动辅助驾驶汽车平台的中的汽车属性名称相互映射，统一命名，如“舒适性”与“舒适度”等；
第3步：删除用户发表的重复评论、无效评论，并删除数据项不完善的评论；
其中，数据项不完善的评论根据实际需要进行确定，本发明实施例对此不做赘述。
第4步：构建汽车领域关键词库、停用词库、情感词库以及同义词词库。
在对汽车用户评论进行文本处理时，原有的通用词库并不能覆盖汽车领域的关键词，因此应针对汽车领域构建相应词库，具体包括：
1)汽车领域关键词库：以汽车本体结构词汇及产品规格说明书为基础，融合多款中文输入法中的汽车领域词库，辅以人工补充汽车领域的简写词汇、新兴词汇以及与汽车自动驾驶相关属性的相关附属词汇(如“通过性”、“异响”等)，构建汽车领域关键词库；
2)停用词库：将与汽车属性及评价相关的停用词从停用词表中删除，将与汽车属性及评价无关的词汇添加至停用词表；
3)情感词库：将形容、描述汽车属性的带有情感倾向的形容词及副词添加入情感词(如)，能够更加准确的把握用户描述的汽车属性的情感倾向；
4)同义词词库：用户在进行评论评价的时候，不同的用户往往会使用不同的词汇或表述方式描述汽车产品的同一属性(如“堵车”与“拥堵”等)，因此应构建同义词词库，便于特征归纳和分类。
第5步：分词、词性标注及去停用词处理：原始的评论文本信息包含较多的与汽车产品实体信息无关或相关性较小的信息，这些信息会为后续实体特征提取及情感分析带来噪声，因此应对文本进行精简。
将汽车领域关键词库与停用词库导入中科院推出的中文分词工具ICTCLAS中，将所获得的所有用户评论信息进行分词、词性标注及去停用词处理，保留与汽车领域相关的名词、名词词组、形容词、副词等
4.指标体系建立
依据用户在汽车短视频类关于自动辅助驾驶汽车平台的发表评论时的评价项目，以及综合汽车拥有者在日常驾驶过程中关注的汽车行驶属性，基于文本数据处理提取特征指标和自动驾驶知识库，建立结果评价指标体系，如图3所示。
第1步：根据评价体系构建评论的指标特征向量，并结合情感分析得分，综合评论的所属平台、文本内容，得到自动驾驶汽车产品信息的特征属性的情感倾向结果。
公式为：
TF-lDF＝词频(TF)×逆文档频率(IDF)
比较判断，一个单词的TF-IDF值与其在文档中出现的频率成正比，与其在整个语料中的出现的频率成反比，TF-IDF值越大，说明该单词对于当前文档的重要程度越高，反之亦然。所以自动提取关键词，就是计算出文档中所有单词的TF-IDF值，然后按降序排列，取排在最前面的几个单词。文本特征提取(TF-IDF)，构建基于文本特征矩阵。词频、权重。
分析结果评价指标体系共两级，一级指标为综合分析结果H，二级指标为汽车的相关属性，分别为:外观、内饰、动力、操控、舒适性、续航、安全、辅助。该相关属性由文本特征提取来确定，如图3。
5.满意度评估
计算用户自动驾驶功能应用满意度，根据评论文本特征词提取，构建功能应用满意度计算；
第1步：情感值确定：基于情感词库，计算获取的属性的词情感得分，并计算正向情感的概率qNi，取值区间为[0，1]；将qNi转换为用户情感值QNi,取值范围[-1，1]，数值越大，表示情感越积极，用户满意度越高。
QNi＝(qNi-0.5)·2。
计算获取的属性的词情感得分的方法如下：
1)读取评论数据，对评论进行分句。
2)查找对分句的情感词，记录积极还是消极，以及位置。
3)往情感词前查找程度词，找到就停止搜寻。为程度词设权值，乘以情感值。
4)往情感词前查找否定词，找完全部否定词，若数量为奇数，乘以-1，若为偶数，乘以1。
5)判断分句结尾是否有感叹号，有叹号则往前寻找情感词，有则相应的情感值+2。
6)计算完一条评论所有分句的情感值，用数组(list)记录起来。
7)计算并记录所有评论的情感值。
8)通过分句计算每条评论的积极情感均值，消极情感均值，积极情感方差，消极情感方差。
第2步：情感值均值：计算描述第N个产品属性中第i个评论的情感值均值PN。tN为描述第N个产品属性评论的个数。
第3步：用户对产品属性的关注度：tN表示个产品属性的评论个数，n表示总的有用评论数量。TN表示用户关注的，TN值越大，说明用户关注度越高。
第4步：对产品属性的总的评价度H：
H表示基于用户的特征的产品属性的总的评价度；
综上所述，本发明实施例通过上述步骤可以获得某一自动驾驶车型、某一自动驾驶的汽车属性的用户评价度值，并据此对分析结果进行排序，从而生成基于短视频关于自动驾驶汽车的评论平台、面向用户个性化满意度的分析结果，提高了基于自动驾驶用户满意度评估指标完备性，满足了实际应用中的多种需要。
本发明实施例对各器件的型号除做特殊说明的以外，其他器件的型号不做限制，只要能完成上述功能的器件均可。
本领域技术人员可以理解附图只是一个优选实施例的示意图，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
Claims (4)
1.一种面向自动驾驶汽车的用户满意度评价方法，包括以下步骤：
(1)使用爬虫技术抓取短视频类关于自动辅助驾驶汽车平台的用户评论数据。
(2)数据存储
第1步：将抓取的数据以“平台-车型-评论”的树形结构存入本地数据库中；
第2步：对抓取的数据进行初次有效筛取，其中，对于某项评论，若此项评论中有产品属性词或情感属性词，则判断该评论为有效文本评论，提取有效文本评论，存入数据库中；
(3)数据处理，方法如下：
第1步：建立车型命名映射表：将不同中同一车平台中不同车型的不同名称相互映射，统一命名；
第2步：建立汽车属性命名映射表：将不同汽车短视频类关于自动辅助驾驶汽车平台的中的汽车属性名称相互映射，统一命名；
第3步：删除用户发表的重复评论、无效评论，并删除数据项不完善的评论；
其中，数据项不完善的评论根据实际需要进行确定；
第4步：构建汽车领域关键词库、停用词库、情感词库以及同义词词库，其中，
第5步：分词、词性标注及去停用词处理，保留与汽车领域相关的名词、名词词组、形容词、副词；
(4)指标体系建立
利用TF-IDF算法，依据用户在汽车短视频类关于自动辅助驾驶汽车平台的发表评论时的评价项目，以及综合汽车拥有者在日常驾驶过程中关注的汽车行驶属性，基于数据处理提取特征指标，建立结果评价指标体系，根据评价体系构建评论的指标特征向量，并结合情感分析得分，综合评论的所属平台、文本内容，得到自动驾驶汽车产品信息的特征属性的情感倾向结果；
结果评价指标体系共两级，一级指标为综合分析结果H，二级指标为汽车的相关属性，分别为：外观、内饰、动力、操控、舒适性、续航、安全、辅助，汽车的相关属性词由文本特征提取来确定；
(5)满意度评估，方法如下：
1)情感值确定：基于情感词库，计算获取的特征词情感得分，并计算正向情感的概率qNi，取值区间为[0，1]；将qNi转换为用户情感值QNi，取值范围[-1，1]，QNi数值越大，表示情感越积极，用户满意度越高；
2)情感值均值：计算描述第N个产品属性中第i个评论的情感值均值PN，tN为描述第N个产品属性评论的个数；
3)用户对产品属性的关注度：tN表示个产品属性的评论个数，n表示总的有用评论数量；TN表示用户关注的，TN值越大，说明用户关注度越高；
4)对产品属性的总的评价度H：
H表示基于用户的特征词的产品属性的总的评价度。
2.根据权利要求1所述的方法，其特征在于，步骤(2)中，抓取的数据具体为：
短视频类关于自动辅助驾驶汽车平台的数据，包括：平台的名称、短视频类关于自动辅助驾驶汽车平台中发帖用户数量以及短视频类关于自动辅助驾驶汽车平台的中包含的车型数量；
车型数据，包括：短视频类关于自动辅助驾驶汽车平台的内包括的车型类别、车型品牌、以及车型价格区间；
评论数据，包括：用户针对不同汽车行驶场景属性和功能属性的评论、评论的时间；
初次抓取后，每个月对上述若干个数据项进行增量抓取，确保数据的稳定增长和时间上的连续性。
3.根据权利要求1所述的方法，其特征在于，步骤(3)的第4步中，
汽车领域关键词库：以汽车本体结构词汇及产品规格说明书为基础，融合多款中文输入法中的汽车领域词库，辅以人工补充汽车领域的简写词汇、新兴词汇以及与汽车自动驾驶相关属性的相关附属词汇，构建汽车领域关键词库；
停用词库：将与汽车属性及评价相关的停用词从停用词表中删除，将与汽车属性及评价无关的词汇添加至停用词表；
情感词库：将形容、描述汽车属性的带有情感倾向的形容词及副词添加入情感词，能够更加准确的把握用户描述的汽车属性的情感倾向。
4.根据权利要求1所述的方法，其特征在于，步骤(5)中，计算获取的特征词情感得分的方法如下：
1)读取评论数据，对评论进行分句；
2)查找对分句的情感词，记录积极还是消极，以及位置；
3)往情感词前查找程度词，找到就停止搜寻；为程度词设权值，乘以情感值；
4)往情感词前查找否定词，找完全部否定词，若数量为奇数，乘以-1，若为偶数，乘以1；
5)判断分句结尾是否有感叹号，有叹号则往前寻找情感词，有则相应的情感值+2；
6)计算完一条评论所有分句的情感值，用数组(1ist)记录起来；
7)计算并记录所有评论的情感值；
8)通过分句计算每条评论的积极情感均值，消极情感均值，积极情感方差，消极情感方差。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011292373.2A CN112395484A (zh) | 2020-11-18 | 2020-11-18 | 一种面向自动驾驶汽车的用户满意度评价方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011292373.2A CN112395484A (zh) | 2020-11-18 | 2020-11-18 | 一种面向自动驾驶汽车的用户满意度评价方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112395484A true CN112395484A (zh) | 2021-02-23 |
Family
ID=74606377
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011292373.2A Pending CN112395484A (zh) | 2020-11-18 | 2020-11-18 | 一种面向自动驾驶汽车的用户满意度评价方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112395484A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113408809A (zh) * | 2021-06-29 | 2021-09-17 | 奇瑞汽车股份有限公司 | 汽车的设计方案评价方法、装置及计算机存储介质 |
| CN116822533A (zh) * | 2023-07-25 | 2023-09-29 | 北京卓思天成数据咨询股份有限公司 | 一种汽车设计缺陷监测识别方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107766449A (zh) * | 2017-09-26 | 2018-03-06 | 杭州云赢网络科技有限公司 | 热点挖掘方法、装置、电子设备及存储介质 |
| CN107944060A (zh) * | 2018-01-02 | 2018-04-20 | 天津大学 | 一种面向汽车垂直网站的产品信息检索方法 |
| CN109190121A (zh) * | 2018-09-03 | 2019-01-11 | 重庆工商大学 | 基于汽车本体和词性规则的汽车评论情感分析方法 |
-
2020
- 2020-11-18 CN CN202011292373.2A patent/CN112395484A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107766449A (zh) * | 2017-09-26 | 2018-03-06 | 杭州云赢网络科技有限公司 | 热点挖掘方法、装置、电子设备及存储介质 |
| CN107944060A (zh) * | 2018-01-02 | 2018-04-20 | 天津大学 | 一种面向汽车垂直网站的产品信息检索方法 |
| CN109190121A (zh) * | 2018-09-03 | 2019-01-11 | 重庆工商大学 | 基于汽车本体和词性规则的汽车评论情感分析方法 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113408809A (zh) * | 2021-06-29 | 2021-09-17 | 奇瑞汽车股份有限公司 | 汽车的设计方案评价方法、装置及计算机存储介质 |
| CN113408809B (zh) * | 2021-06-29 | 2024-04-02 | 奇瑞汽车股份有限公司 | 汽车的设计方案评价方法、装置及计算机存储介质 |
| CN116822533A (zh) * | 2023-07-25 | 2023-09-29 | 北京卓思天成数据咨询股份有限公司 | 一种汽车设计缺陷监测识别方法 |
| CN116822533B (zh) * | 2023-07-25 | 2024-02-02 | 北京卓思天成数据咨询股份有限公司 | 一种汽车设计缺陷监测识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Caldarini et al. | A literature survey of recent advances in chatbots | |
| CN110147436B (zh) | 一种基于教育知识图谱与文本的混合自动问答方法 | |
| Gambhir et al. | Recent automatic text summarization techniques: a survey | |
| Hirschberg et al. | Advances in natural language processing | |
| US9367608B1 (en) | System and methods for searching objects and providing answers to queries using association data | |
| CN111737495A (zh) | 基于领域自分类的中高端人才智能推荐系统及其方法 | |
| Habernal et al. | SWSNL: semantic web search using natural language | |
| CN112328800A (zh) | 自动生成编程规范问题答案的系统及方法 | |
| Gardent et al. | A statistical, grammar-based approach to microplanning | |
| CN113569023A (zh) | 一种基于知识图谱的中文医药问答系统及方法 | |
| McGillivray et al. | Digital humanities and natural language processing:“je t’aime... moi non plus” | |
| CN113919366A (zh) | 一种面向电力变压器知识问答的语义匹配方法和装置 | |
| CN112395484A (zh) | 一种面向自动驾驶汽车的用户满意度评价方法 | |
| Rogushina | Use of Semantic Similarity Estimates for Unstructured Data Analysis. | |
| Li | Research on extraction of useful tourism online reviews based on multimodal feature fusion | |
| Damljanovic | Natural language interfaces to conceptual models | |
| Christophe et al. | A methodology supporting syntactic, lexical and semantic clarification of requirements in systems engineering | |
| JP2012093870A (ja) | システム開発における要求獲得支援システム、要求獲得支援方法およびプログラム | |
| Kotis et al. | Mining query-logs towards learning useful kick-off ontologies: an incentive to semantic web content creation | |
| Lee | Natural Language Processing: A Textbook with Python Implementation | |
| Brauer et al. | RankIE: document retrieval on ranked entity graphs | |
| Arbizu | Extracting knowledge from documents to construct concept maps | |
| Zhao et al. | A Literature Review of Literature Reviews in Pattern Analysis and Machine Intelligence | |
| CN113535901B (zh) | 一种基于电商评论的用户侧商品知识图谱构建方法 | |
| Magnini et al. | Entailment graphs for text analytics in the excitement project |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210223 |
|
| WD01 | Invention patent application deemed withdrawn after publication |