CN112818082A - 评价文本推送方法和装置 - Google Patents
评价文本推送方法和装置 Download PDFInfo
- Publication number
- CN112818082A CN112818082A CN201911120454.1A CN201911120454A CN112818082A CN 112818082 A CN112818082 A CN 112818082A CN 201911120454 A CN201911120454 A CN 201911120454A CN 112818082 A CN112818082 A CN 112818082A
- Authority
- CN
- China
- Prior art keywords
- text
- evaluation
- user
- evaluation text
- current
- 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 303
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000012216 screening Methods 0.000 claims abstract description 44
- 238000012549 training Methods 0.000 claims description 27
- 238000001914 filtration Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 description 14
- 238000012545 processing Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 5
- 238000012552 review Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000012550 audit Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000005034 decoration Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000013519 translation Methods 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
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/335—Filtering based on additional data, e.g. user or group profiles
-
- 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
- G06Q30/0282—Rating or review of business operators or products
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Strategic Management (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了评价文本推送方法和装置。该方法的一具体实施方式包括：根据用户画像和当前商品信息，对当前商品的历史评价文本进行筛选，得到第一评价文本；将第一评价文本输入到相似评价文本生成模型，得到与第一评价文本相对应的第二评价文本；向用户推送第二评价文本。该实施方式有效降低了生成文本评价的时间，提升了了文本评价的准确性。
Description
技术领域
本申请涉及计算机技术领域，具体涉及自然语言处理技术领域，尤其涉及一种评价文本推送方法和装置。
背景技术
现有技术中，用户对物品或服务进行评价主要包括两种方式：(1)典型的评价方式：星级评价+关键词标签+文本描述+图片。(2)基于文本评价模板的评价方式：预先配置好的评价标准模板，根据用户星级评价、标签选择(或可加上用户画像特征)，根据规则映射到预先定义的模板评价上。
发明内容
本申请实施例提出了评价文本推送方法和装置。
第一方面，本申请提供了一种评价文本推送方法，该方法包括：根据用户画像和当前商品信息，对当前商品的历史评价文本进行筛选，得到第一评价文本；将第一评价文本输入到相似评价文本生成模型，得到与第一评价文本相对应的第二评价文本；向用户推送第二评价文本。
在一些实施例中，当前商品信息包括用户对当前商品的标签选择内容，根据用户画像和当前商品信息，对当前商品的历史评价文本进行筛选，得到第一评价文本，包括：按照用户对当前商品的标签选择内容的关键词对当前商品的历史评价文本进行检索，并将检索结果与用户画像进行匹配筛选，得到第一评价文本。
在一些实施例中，当前商品信息包括用户对当前商品的星级评价信息，根据用户画像和当前商品信息，对当前商品的历史评价文本进行筛选，得到第一评价文本包括：按照用户对当前商品的星级评价信息对当前商品的历史评价文本进行检索，并将检索结果与用户画像进行匹配筛选，得到第一评价文本。
在一些实施例中，向用户推送所述第二评价文本包括：判断第二评价文本是否满足预设的用语规范，若满足，则向用户推送所述第二评价文本。
在一些实施例中，所述相似评价文本生成模型通过如下方式训练得到：根据用户对商品的历史评价信息，得到原始训练数据集；基于点赞数量和/或浏览量，对原始训练数据集中的原始训练数据进行筛选，得到候选评论数据集；将候选评论集中，相似度超过预设阈值的候选评论数据两两组合得到源语句与目标语句对；将源语句与目标语句对中的一者作为预先建立的文本生成式模型的输入，将源语句与目标语句对中的另一者作为预先建立的文本生成式模型的期望输出，对预先建立的文本生成式模型的进行训练，得到相似评价文本生成模型。
第二方面，本申请提供了一种评价文本推送装置，该装置包括：筛选模块，配置用于根据用户画像和当前商品信息，对当前商品的历史评价文本进行筛选，得到第一评价文本；生成模块，配置用于将第一评价文本输入到相似评价文本生成模型，得到与第一评价文本相对应的第二评价文本；推送模块，配置用于向用户推送第二评价文本。
在一些实施例中，当前商品信息包括用户对当前商品的标签选择内容，筛选模块进一步配置用于：按照用户对当前商品的标签选择内容的关键词对当前商品的历史评价文本进行检索，并将检索结果与用户画像进行匹配筛选，得到第一评价文本。
在一些实施例中，当前商品信息包括用户对当前商品的星级评价信息，筛选模块进一步配置用于：按照用户对当前商品的星级评价信息对当前商品的历史评价文本进行检索，并将检索结果与用户画像进行匹配筛选，得到第一评价文本。
在一些实施例中，推送模块进一步配置用于：判断第二评价文本是否满足预设的用语规范，若满足，则向用户推送第二评价文本。
在一些实施例中，相似评价文本生成模型通过如下方式训练得到：根据用户对商品的历史评价信息，得到原始训练数据集；基于点赞数量和/或浏览量，对原始训练数据集中的原始训练数据进行筛选，得到候选评论数据集；将候选评论集中，相似度超过预设阈值的候选评论数据两两组合得到源语句与目标语句对；将源语句与目标语句对中的一者作为预先建立的文本生成式模型的输入，将源语句与目标语句对中的另一者作为预先建立的文本生成式模型的期望输出，对预先建立的文本生成式模型的进行训练，得到相似评价文本生成模型。
第三方面，本申请提供了一种电子设备，该电子设备包括一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被该一个或多个处理器执行，使得一个或多个处理器实现评价文本推送方法。
第四方面，本申请提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现评价文本推送方法。
本申请提供的评价文本推送方法和装置，通过根据用户画像和当前商品信息，对当前商品的历史评价文本进行筛选，得到第一评价文本；将第一评价文本输入到相似评价文本生成模型，得到与第一评价文本相对应的第二评价文本；向用户推送第二评价文本，有效降低了生成文本评价的时间，提升了文本评价的准确性。
附图说明
图1是本申请可以应用于其中的示例性系统架构图；
图2是根据本申请的评价文本推送方法的一个实施例的流程图；
图3是根据本申请的评价文本推送方法的一个应用场景的示意图；
图4是根据本申请的评价文本推送方法的又一个实施例的流程图；
图5是根据本申请的评价文本推送方法的另一个实施例的流程图；
图6是根据本申请的评价文本推送装置的一个实施例的示意图；
图7是适于用来实现本申请实施例的服务器的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的评价文本推送方法的实施例的示例性系统架构100。
如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。其中，服务器105可以是用来提供文本处理支持的后台服务器。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有显示装置的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。
终端设备101、102、103用于根据用户画像和当前商品信息，对当前商品的历史评价文本进行筛选得到第一评价文本，通过相似评价文本生成模型得到第二评价文本并推送给用户。
服务器105可以是提供各种服务的服务器，例如用来提供评价文本处理支持的后台服务器。服务器105可以对用户画像、当前商品信息以及当前商品的历史评价文本进行处理，并将处理结果(例如第二评价文本)反馈给终端设备。
服务器105可以是硬件，也可以是软件。当服务器105为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是，本申请实施例所提供的评价文本推送方法可以由服务器105执行，或者，一部分由终端设备101、102、103执行而另一部分由服务器105执行。相应地，评价文本推送装置也主要设置于服务器105中，或者，一部分设置于终端设备101、102、103中而另一部分设置于服务器105中。
应该理解，图1中的终端设备101、102、103，网络104和服务器105的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
图2示出了可以应用于本申请的评价文本推送方法的实施例的流程示意图200。评价文本推送方法包括以下步骤：
步骤201，根据用户画像和当前商品信息，对当前商品的历史评价文本进行筛选，得到第一评价文本。
在本实施例中，执行主体(例如图1中所示终端设备101、102、103或服务器105)根据用户画像和当前商品的信息，采用多种筛选方式对当前商品的历史评价信息进行筛选，得到第一评价文本。
其中，用户画像指的是对用户的每个具体信息进行抽象得到的标签，相关电子设备可以利用这些标签将用户形象具体化，从而为用户提供有针对性的服务。例如，实际应用中，根据用户行为整理出的用户画像可以是，学生/高消费/关注外形与品牌。
在这里，当前商品信息可以包括当前商品的品类信息，例如手机、灶具、运动鞋等；当前商品的标签属性信息以及当前商品的历史评价文本对应的点赞量数据、浏览量数据。其中，标签属性信息用于表征当前商品的不同维度的特征信息，主要由平台对商品的历史评价信息进行关键词提取及统计汇总得到，例如外形靓丽、电池耐用、物美价廉等。
需要指出的是，筛选方式可以采用现有技术或未来发展技术中的按照预设的目标从多数物质中就某种特定性质的物质进行精选的过程，例如关键词检索、点赞量排行、浏览量排行等，本申请对此不作限定。
具体的筛选过程可以包括：
(1)执行主体首先获取当前商品信息和用户画像，例如，当前商品信息包括类别＝手机，标签属性＝外形美观，电池耐用，图像清晰，用户画像＝学生/高消费/关注外形与品牌。
(2)根据获取的商品信息和用户画像对当前商品手机的历史评价文本进行筛选。例如，可以首先检索包含标签属性＝外形美观，电池耐用，图像清晰，中的任意一个或多个关键词的评价文本，如经检索得到100条潜在可能匹配用户的评价文本。之后根据用户画像进行进一步的匹配筛选，选择统计出重复特征最多的候选评价作为第一评价文本。如都是学生，并且都是关于手机外形和品牌的评价，例如“手机外形美观，非常满意”。
此外，若出现多条候选评价，则可以选择点赞数量最高的一条作为第一评价文本。若点赞数量仍相同，则可以选择浏览量最高的一条作为第一评价文本。若浏览量仍相同，则可以随机选择一条作为第一评价文本。
需要指出的是，若当前商品的历史评价文本数量较少，则可以在与当前商品的品类相同的商品的历史评价文本中进行筛选。
步骤202，将第一评价文本输入到相似评价文本生成模型，得到与第一评价文本相对应的第二评价文本。在这里，在确定文本之间的相似度时，可以首先通过word2vec(文本到向量)的方式得到文本所对应的向量，再通过向量之间的距离(例如，欧式距离或者余弦距离)，来确定文本之间的相似度。
在本实施例中，执行主体将第一评价文本输入到预先对文本生成式模型进行各种方式的训练得到的相似评价文本生成模型，得到与第一评价文本相对应的第二评价文本。第一评价文本与第二评价文本为相似评价文本，即第一评价文本与第二评价文本之间的相似度大于等于预设的阈值，如90％。
其中，文本生成式模型可以采用现有技术或未来发展技术中的负责根据已有的文本内容来重新生成一份文本内容的模型，例如Encoder-Decoder模型等，本申请对此不作限定。
这里，Encoder-Decoder模型可以广泛应用在机器翻译、文本摘要、句法分析等各种场合。Encoder-Decoder模型可以看作适合处理由一个句子(或篇章)生成另外一个句子(或篇章)的通用处理模型。对于由源语句X和目标语句Y组成的句子对(X，Y)，给定输入句子X，则可以通过Encoder-Decoder模型来生成目标句子Y。X和Y可以是同一种语言，也可以是两种不同的语言。
在实际应用中，一般Encoder和Decoder都采用RNN模型，RNN模型是对于文本这种线性序列来说最常用的深度学习模型，RNN的改进模型LSTM以及GRU模型也是经常使用的模型，对于句子比较长的情形，LSTM和GRU模型效果明显优于RNN模型。但是，当句子长度超过30以后，LSTM模型的效果会急剧下降，一般此时会引入Attention模型，这是一种体现输出Y和输入X句子单词之间对齐概率的神经网络模型。
在一些可选的方式中，相似评价文本生成模型可以通过如下的方式训练得到。
首先，可以根据用户对商品的历史评价信息，得到原始训练数据集。
其中，用户可以为多个用户也可以是使用某个app的全部用户或者部分用户。商品可以为多个种类的商品也可以为某个app的全部种类的商品或者部分种类的商品。评价信息可以包括星级评价、编写的标签选择内容、评价文本等，如某款手机已经包含几十万个商品评论信息。
接着，基于点赞数量和/或浏览量，对原始训练数据集中的原始训练数据进行筛选，得到候选评论数据集。
具体地，可以通过设置点赞数量和/或浏览量阈值，将点赞数量和/或浏览量超过预设阈值的评价信息组成候选评论数据集。例如，点赞数量和/或浏览量阈值为一万，则筛选出点赞量和/或浏览量超过一万的评价信息组成候选评论数据集。
接着，将候选评论集中，相似度超过预设阈值的候选评论数据两两组合得到源语句与目标语句对。
其中，计算候选评论数据相似度的方法可以采用现有技术或未来发展技术中的文本相似度(距离)计算方法，例如Jaccard、WMD等，本申请对此不作限定。此外还可以根据星级评价和/或编写的标签项是否相同以及人工审核等对相似度计算进行辅助。
接着，将源语句与目标语句对中的一者作为预先建立的文本生成式模型的输入，将所述源语句与目标语句对中的另一者作为预先建立的文本生成式模型的期望输出，对预先建立的文本生成式模型的进行训练，得到相似评价文本生成模型。
这里，源语句和目标语句是对等的关系，彼此都可以充当源语句去生成目标语句，都是从候选评论数据集合中进行抽取和组合而来，但必须保证源语句和目标语句足够相似，例如源语句为运动鞋非常舒适，透气美观，目标语句为鞋子耐看，穿上去很舒服，透气性好。
本实现方式通过对历史评价信息进行筛选得到候选评论集，将候选评论集中相似度超过预设阈值的候选评论数据两两组合得到源语句和目标语句对并将其送入文本生成式模型，对模型进行训练，得到相似评价文本生成模型，提高了评价文本的多样性，同时保护了用户隐私。
此外，需要指出的是，用户还可以间隔预设时间，如24小时，定期获取原始训练数据集，并基于点赞数量和/或浏览量进行筛选，得到候选评论数据集，然后将基于候选评论数据集获得的源语句和目标语句对对文本生成式模型进行训练，得到更新后的相似评价文本生成模型，以保证模型的即时性和有效性。
步骤203，向用户推送第二评价文本。
在本实施例中，执行主体可以将相似评价文本生成模型生成的第二评价文本直接推送给用户，也可以在进行相应的规范审核后再推送给用户，例如文明用语规范、用户隐私保护等，本申请对此不作限定。
其中，第二评价文本可采用呈现装置进行呈现，这里呈现装置可以采用现有技术或未来发展技术中的可输出图像信息的设备，例如计算机显示器、手机屏幕等，本申请对此不作限定。
此外，用户还可以在接收到第二评价文本后，在第二评价文本的基础上，对其进行新增描述、删减不当、进行润色修饰等操作，以提供最终的文本评价。
在一些可选的方式中，向用户推送第二评价文本，包括：判断所述第二评价文本是否满足预设的用语规范，若满足，则向用户推送第二评价文本。
在本实现方式中，执行主体按照预设的用语规范对第二评价文本进行审核，其中，预设的用语规范可以包括是否满足语法要求、是否为方言描述、是否涉及用户隐私、是否为文明用语等等。若满足预设规范，则向用户推送第二评价文本，若不满足预设规范则不向用户进行推送。
具体地，若第二评价文本为“我身高160cm，这件裤子略长”，因其包含用户的身高信息，审核无法通过，故执行主体将不对用户进行推送。若第二评价文本为“手机电池耐用，外观好看”，因其满足用语规范，则可以向用户进行推送。
本实现方式通过向用户推送第二评价文本之前进行用语规范审核，不仅可以提高输出的第二评价文本的用语规范性，而且可以更好地保护用户隐私。
继续参见图3，图3是根据本实施例的评价文本推送方法的应用场景的一个示意图。
在图3的应用场景中，执行主体301基于用户302的用户画像和当前商品303信息，例如，用户画像＝学生/高消费/关注外形与品牌，当前商品303的品类信息＝手机，标签属性＝漂亮大方，画面清晰，电池耐用，对当前商品的历史评价文本采用关键词检索、数据统计、浏览量排行、点赞量排行等方式进行筛选得到第一评价文件304，如“手机电池很耐用，屏幕好靓丽”。执行主体将第一评价文本304送入已经训练好的相似评价文本生成模型305，例如，基于Encoder-Decoder框架的生成模型，得到与第一评价文本304对应的第二评价文本306，如“手机屏幕美观，电池使用时间长，非常好”。执行主体301将第二评价文本306推送给用户。此外，用户在接收到第二评价文本后，还可基于接收到的第二评价文本306进行新增描述、删减不当、润色修饰等操作，以提供最终的文本评价。
本公开的实施例提供的评价文本推送方法，通过根据用户画像和当前商品信息，对当前商品的历史评价文本进行筛选，得到第一评价文本；将第一评价文本输入到相似评价文本生成模型，得到与第一评价文本相对应的第二评价文本；向用户推送第二评价文本有效降低了生成文本评价的时间，提升了了文本评价的准确性。
进一步参考图4，其示出了评价文本推送方法的又一个实施例的流程400。在本实施例中，商品信息可以进一步包括用户对当前商品的标签选择内容。相应地，本实施例的评价文本推送方法的流程400，可包括以下步骤：
步骤401，按照用户对当前商品的星级评价信息对当前商品的历史评价文本进行检索，并将检索结果与用户画像进行匹配筛选，得到第一评价文本。
在本实施例中，当前商品的星级评价信息由用户根据自身对商品的使用体验的好感度得到，若用户对当前商品的使用体验较好，则星级评价较高，例如四星、五星等，若用户对当前商品的使用体验较差，则星级评价较差，例如一星、二星等。
此外，需要指出的是，当前商品的星级评价信息可以以星级的方式表示，也可以以其他表示用户对当前商品使用体验好感度的方式表示，例如好感度、使用分值等，本申请对此不作限定。
具体的筛选过程可以包括：
(1)执行主体首先获取当前商品的用户画像和用户对当前商品的星级评价信息，例如，当前商品的用户画像＝学生/高消费/关注外形与品牌，星级评价＝四星。
(2)根据获取的星级评价信息对当前商品手机的历史评价文本进行检索。例如，可以首先检索出星级评价为四星的评价文本，如经检索得到100条潜在可能匹配用户的评价文本。之后根据用户画像进行进一步的匹配筛选，选择统计出重复特征最多的候选评价，如都是学生，并且都是关于手机外形和品牌的评价。
此外，若出现多条候选评价，则可以选择点赞数量最高的一条作为第一评价文本。若点赞数量仍相同，则可以选择浏览量最高的一条作为第一评价文本。若浏览量仍相同，则可以随机选择一条作为第一评价文本。
需要指出的是，若当前商品的历史评价文本数量较少，则可以在与当前商品的品类相同的商品的历史评价文本中进行筛选。
步骤402，将第一评价文本输入到相似评价文本生成模型，得到与第一评价文本相对应的第二评价文本。
在本实施例中，步骤402的实现细节和技术效果，可以参考对步骤202的描述，在此不再赘述。
步骤403，向用户推送第二评价文本。
在本实施例中，步骤403的实现细节和技术效果，可以参考对步骤203的描述，在此不再赘述。
本实施例通过按照用户对当前商品的星级评价信息对当前商品的历史评价信息进行检索，并将检索结果与用户画像进行匹配筛选，得到第一评价文本，并将第一评价文本送入模型得到第二评价文本，使得第二评价文本更加接近用户真实评价。
进一步参考图5，其示出了评价文本推送方法的又一个实施例的流程500。在本实施例中，商品信息可以进一步包括用户对当前商品的星级评价信息。相应地，本实施例的评价文本推送方法的流程500，可包括以下步骤：
步骤501，按照用户对当前商品的标签选择内容的关键词对当前商品的历史评价文本进行检索，并将检索结果与用户画像进行匹配筛选，得到第一评价文本。
在本实施例中，当前商品的标签选择内容由用户对当前商品的标签属性进行选择得到，例如，当前商品为手机，其标签属性为响应速度快、清晰度高、外形美观，用户根据自身对产品的使用体验对标签属性进行选择，得到标签选择内容为响应速度快。
具体的筛选过程可以包括：
(1)执行主体首先获取当前商品的用户画像和用户对当前商品的标签选择内容。例如，当前商品的用户画像＝学生/高消费/关注外形与品牌，用户根据自身的使用体验对当前商品的标签属性＝反应超快，电池耐用，图像清晰，进行选择得到标签选择内容为电池耐用，图像清晰。
(2)根据获取的标签选择内容的关键词对当前商品手机的历史评价文本进行检索。例如，可以首先检索出包含用户对当前商品的标签选择内容的关键词“电池耐用”、“图像清晰”的评价文本，如经检索得到100条潜在可能匹配用户的评价文本。之后根据用户画像进行进一步的匹配筛选，选择统计出重复特征最多的候选评价。如都是学生，并且都是关于手机外形和品牌的评价。
此外，若出现多条候选评价，则可以选择点赞数量最高的一条作为第一评价文本。若点赞数量仍相同，则可以选择浏览量最高的一条作为第一评价文本。若浏览量仍相同，则可以随机选择一条作为第一评价文本，如“手机外形美观，电池耐用，图像清晰，非常满意”。
需要指出的是，若当前商品的历史评价文本数量较少，则可以在与当前商品的品类相同的商品的历史评价文本中进行筛选。
步骤502，将第一评价文本输入到相似评价文本生成模型，得到与第一评价文本相对应的第二评价文本。
在本实施例中，步骤502的实现细节和技术效果，可以参考对步骤202的描述，在此不再赘述。
步骤503，向用户推送第二评价文本。
在本实施例中，步骤503的实现细节和技术效果，可以参考对步骤203的描述，在此不再赘述。
本实施例通过按照用户对当前商品的标签选择内容的关键词对当前商品的历史评价文本进行检索，并将检索结果与用户画像进行匹配筛选，得到第一评价文本，并将第一评价文本送入模型得到第二评价文本，使得第二评价文本更加接近用户真实评价，同时提高了评价的准确性。
可以理解的是，图4所示实施例和图5所示实施例可以组合。也即是说，商品信息可以既包括对当前商品的标签选择内容又包括用户对当前商品的标签选择内容。此时，执行主体可以按照用户对当前商品的标签选择内容的关键词和用户对当前商品的星级评价信息对当前商品的历史评价文本进行检索，得到包含用户对当前商品的标签选择内容的关键词并且与用户对当前商品的星级评价信息相同的检索结果，并将检索结果与用户画像进行匹配筛选，得到第一评价文本。
进一步参考图6，作为对上述各图所示方法的实现，本申请提供了一种评价文本推送装置的一个实施例，该装置实施例与图1所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图6所示，本实施例的评价文本推送装置600包括：筛选模块601、生成模块602、推送模块603。其中，筛选模块601，配置用于根据用户画像和当前商品信息，对当前商品的历史评价文本进行筛选，得到第一评价文本；生成模块602，配置用于将所述第一评价文本输入到相似评价文本生成模型，得到与所述第一评价文本相对应的第二评价文本；推送模块603，配置用于向用户推送所述第二评价文本。
在本实施例中，评价文本推送装置600中的筛选模块601可以采用现有技术或未来发展技术中的图像识别模型对待识别的图像进行图像识别得到第一图像。
在本实施例的一些可选的实现方式中，当前商品信息包括用户对当前商品的标签选择内容，筛选模块601进一步配置用于：按照用户对当前商品的标签选择内容的关键词对当前商品的历史评价文本进行检索，并将检索结果与用户画像进行匹配筛选，得到第一评价文本。
在本实施例的一些可选的实现方式中，当前商品信息包括用户对当前商品的星级评价信息，筛选模块601进一步配置用于：按照用户对当前商品的星级评价信息对当前商品的历史评价信息进行检索，并将检索结果与用户画像进行匹配筛选，得到第一评价文本。
在本实施例中，上述筛选模块601根据用户画像和当前商品的信息，采用多种筛选方式对当前商品的历史评价信息进行筛选，得到第一评价文本。
在本实施例中，上述生成模块602将第一评价文本输入到预先对文本生成式模型进行各种方式的训练得到的相似评价文本生成模型，得到与第一评价文本相对应的第二评价文本。
在本实施例的一些可选的实现方式中，相似评价文本生成模型通过如下方式训练得到：根据用户对商品的历史评价信息，得到原始训练数据集；基于点赞数量和/或浏览量，对原始训练数据集中的原始训练数据进行筛选，得到候选评论数据集；将候选评论集中，相似度超过预设阈值的候选评论数据两两组合得到源语句与目标语句对；将源语句与目标语句对中的一者作为预先建立的文本生成式模型的输入，将源语句与目标语句对中的另一者作为预先建立的文本生成式模型的期望输出，对预先建立的文本生成式模型的进行训练，得到相似评价文本生成模型。
在本实施例中，上述推送模块603将相似评价文本生成模型生成的第二评价文本直接推送给用户，也可以在进行相应的规范审核后再推送给用户，例如文明用语规范、用户隐私保护等，本申请对此不作限定。
在本实施例的一些可选的实现方式中，上述推送模块603进一步配置用于按照预设的用语规范对第二评价文本进行审核，其中，预设的用语规范可以包括是否满足语法要求、是否为方言描述、是否涉及用户隐私、是否为文明用语等等。若满足预设规范，则向用户推送第二评价文本，若不满足预设规范则不向用户进行推送。
下面参考图7，其示出了适于用来实现本申请实施例的客户端设备或服务器的计算机系统700的结构示意图。
如图7所示，计算机系统700包括处理器(例如，中央处理单元CPU)701，其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中，还存储有系统600操作所需的各种程序和数据。CPU 601、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
以下部件连接至I/O接口705：包括键盘、鼠标等的输入部分706；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分707；包括硬盘等的存储部分708；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器710上，以便于从其上读出的计算机程序根据需要被安装入存储部分708。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括有形地包含在机器可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分709从网络上被下载和安装，和/或从可拆卸介质711被安装。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括筛选模块、生成模块、推送模块。其中，这些模块的名称在某种情况下并不构成对该模块本身的限定，例如，筛选模块还可以被描述为“根据用户画像和当前商品信息，对当前商品的历史评价文本进行筛选，得到第一评价文本的模块”。
作为另一方面，本申请还提供了一种非易失性计算机存储介质，该非易失性计算机存储介质可以是上述实施例中的装置中所包含的非易失性计算机存储介质；也可以是单独存在，未装配入客户端端设备中的非易失性计算机存储介质。上述非易失性计算机存储介质存储有一个或者多个程序，当该一个或者多个程序被一个设备执行时，使得该设备：根据用户画像和当前商品信息，对当前商品的历史评价文本进行筛选，得到第一评价文本；将第一评价文本输入到相似评价文本生成模型，得到与第一评价文本相对应的第二评价文本；向用户推送所述第二评价文本。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (12)
1.一种评价文本推送方法，所述方法包括：
根据用户画像和当前商品信息，对当前商品的历史评价文本进行筛选，得到第一评价文本；
将所述第一评价文本输入到相似评价文本生成模型，得到与所述第一评价文本相对应的第二评价文本；
向用户推送所述第二评价文本。
2.根据权利要求1所述的方法，所述当前商品信息包括用户对当前商品的标签选择内容，所述根据用户画像和当前商品信息，对当前商品的历史评价文本进行筛选，得到第一评价文本，包括：
按照用户对当前商品的标签选择内容的关键词对当前商品的历史评价文本进行检索，并将检索结果与用户画像进行匹配筛选，得到第一评价文本。
3.根据权利要求1所述的方法，所述当前商品信息包括用户对当前商品的星级评价信息，所述根据用户画像和当前商品信息，对当前商品的历史评价文本进行筛选，得到第一评价文本包括：
按照用户对当前商品的星级评价信息对当前商品的历史评价文本进行检索，并将检索结果与用户画像进行匹配筛选，得到第一评价文本。
4.根据权利要求1-3任意一项所述的方法，所述向用户推送所述第二评价文本包括：
判断所述第二评价文本是否满足预设的用语规范，若满足，则向用户推送所述第二评价文本。
5.根据权利要求1-3任意一项所述的方法，所述相似评价文本生成模型通过如下方式训练得到：
根据用户对商品的历史评价信息，得到原始训练数据集；
基于点赞数量和/或浏览量，对所述原始训练数据集中的原始训练数据进行筛选，得到候选评论数据集；
将所述候选评论集中，相似度超过预设阈值的候选评论数据两两组合得到源语句与目标语句对；
将所述源语句与目标语句对中的一者作为预先建立的文本生成式模型的输入，将所述源语句与目标语句对中的另一者作为预先建立的文本生成式模型的期望输出，对所述预先建立的文本生成式模型的进行训练，得到相似评价文本生成模型。
6.一种评价文本推送装置，所述装置包括：
筛选模块，配置用于根据用户画像和当前商品信息，对当前商品的历史评价文本进行筛选，得到第一评价文本；
生成模块，配置用于将所述第一评价文本输入到相似评价文本生成模型，得到与所述第一评价文本相对应的第二评价文本；
推送模块，配置用于向用户推送所述第二评价文本。
7.根据权利要求6所述的装置，所述当前商品信息包括用户对当前商品的标签选择内容，所述筛选模块进一步配置用于：
按照用户对当前商品的标签选择内容的关键词对当前商品的历史评价文本进行检索，并将检索结果与用户画像进行匹配筛选，得到第一评价文本。
8.根据权利要求6所述的装置，所述当前商品信息包括用户对当前商品的星级评价信息，所述筛选模块进一步配置用于：
按照用户对当前商品的星级评价信息对当前商品的历史评价文本进行检索，并将检索结果与用户画像进行匹配筛选，得到第一评价文本。
9.根据权利要求6-8任意一项所述的装置，所述推送模块进一步配置用于：
判断所述第二评价文本是否满足预设的用语规范，若满足，则向用户推送所述第二评价文本。
10.根据权利要求6-8任意一项所述的装置，所述相似评价文本生成模型通过如下方式训练得到：
根据用户对商品的历史评价信息，得到原始训练数据集；
基于点赞数量和/或浏览量，对所述原始训练数据集中的原始训练数据进行筛选，得到候选评论数据集；
将所述候选评论集中，相似度超过预设阈值的候选评论数据两两组合得到源语句与目标语句对；
将所述源语句与目标语句对中的一者作为预先建立的文本生成式模型的输入，将所述源语句与目标语句对中的另一者作为预先建立的文本生成式模型的期望输出，对所述预先建立的文本生成式模型的进行训练，得到相似评价文本生成模型。
11.一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。
12.一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如权利要求1-5中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911120454.1A CN112818082A (zh) | 2019-11-15 | 2019-11-15 | 评价文本推送方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911120454.1A CN112818082A (zh) | 2019-11-15 | 2019-11-15 | 评价文本推送方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112818082A true CN112818082A (zh) | 2021-05-18 |
Family
ID=75851694
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911120454.1A Pending CN112818082A (zh) | 2019-11-15 | 2019-11-15 | 评价文本推送方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112818082A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116955590A (zh) * | 2023-09-20 | 2023-10-27 | 成都明途科技有限公司 | 训练数据筛选方法、模型训练方法、文本生成方法 |
| CN117745328A (zh) * | 2023-12-29 | 2024-03-22 | 深圳市南方网通网络技术开发有限公司 | 一种基于多平台的网络营销数据处理方法及系统 |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104731873A (zh) * | 2015-03-05 | 2015-06-24 | 北京汇行科技有限公司 | 一种评价信息生成方法和装置 |
| CN105894295A (zh) * | 2014-12-03 | 2016-08-24 | 南京美淘网络有限公司 | 一种动态关联购物评价方法 |
| CN107577759A (zh) * | 2017-09-01 | 2018-01-12 | 安徽广播电视大学 | 用户评论自动推荐方法 |
| CN108230085A (zh) * | 2017-11-27 | 2018-06-29 | 重庆邮电大学 | 一种基于用户评论的商品评价系统及方法 |
| CN108256968A (zh) * | 2018-01-12 | 2018-07-06 | 湖南大学 | 一种电商平台商品专家评论生成方法 |
| CN109033390A (zh) * | 2018-07-27 | 2018-12-18 | 深圳追科技有限公司 | 自动生成相似问句的方法和装置 |
| CN109062937A (zh) * | 2018-06-15 | 2018-12-21 | 北京百度网讯科技有限公司 | 训练描述文本生成模型的方法、生成描述文本的方法及装置 |
| CN109101553A (zh) * | 2018-07-11 | 2018-12-28 | 政采云有限公司 | 用于购买方非受益方的行业的采购用户评价方法和系统 |
| CN109190109A (zh) * | 2018-07-26 | 2019-01-11 | 中国科学院自动化研究所 | 融合用户信息生成评论摘要的方法及装置 |
| CN109614492A (zh) * | 2018-12-29 | 2019-04-12 | 平安科技（深圳）有限公司 | 基于人工智能的文本数据增强方法、装置、设备及存储介质 |
| CN109635253A (zh) * | 2018-11-13 | 2019-04-16 | 平安科技（深圳）有限公司 | 文本风格转换方法、装置及存储介质、计算机设备 |
| CN109710841A (zh) * | 2018-12-17 | 2019-05-03 | 北京百度网讯科技有限公司 | 评论推荐方法和装置 |
| CN109918627A (zh) * | 2019-01-08 | 2019-06-21 | 平安科技（深圳）有限公司 | 文本生成方法、装置、电子设备及存储介质 |
| CN110147535A (zh) * | 2019-04-18 | 2019-08-20 | 平安科技（深圳）有限公司 | 相似文本生成方法、装置、设备及存储介质 |
| CN110377902A (zh) * | 2019-06-21 | 2019-10-25 | 北京百度网讯科技有限公司 | 描述文本生成模型的训练方法和装置 |
-
2019
- 2019-11-15 CN CN201911120454.1A patent/CN112818082A/zh active Pending
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105894295A (zh) * | 2014-12-03 | 2016-08-24 | 南京美淘网络有限公司 | 一种动态关联购物评价方法 |
| CN104731873A (zh) * | 2015-03-05 | 2015-06-24 | 北京汇行科技有限公司 | 一种评价信息生成方法和装置 |
| CN107577759A (zh) * | 2017-09-01 | 2018-01-12 | 安徽广播电视大学 | 用户评论自动推荐方法 |
| CN108230085A (zh) * | 2017-11-27 | 2018-06-29 | 重庆邮电大学 | 一种基于用户评论的商品评价系统及方法 |
| CN108256968A (zh) * | 2018-01-12 | 2018-07-06 | 湖南大学 | 一种电商平台商品专家评论生成方法 |
| CN109062937A (zh) * | 2018-06-15 | 2018-12-21 | 北京百度网讯科技有限公司 | 训练描述文本生成模型的方法、生成描述文本的方法及装置 |
| CN109101553A (zh) * | 2018-07-11 | 2018-12-28 | 政采云有限公司 | 用于购买方非受益方的行业的采购用户评价方法和系统 |
| CN109190109A (zh) * | 2018-07-26 | 2019-01-11 | 中国科学院自动化研究所 | 融合用户信息生成评论摘要的方法及装置 |
| CN109033390A (zh) * | 2018-07-27 | 2018-12-18 | 深圳追科技有限公司 | 自动生成相似问句的方法和装置 |
| CN109635253A (zh) * | 2018-11-13 | 2019-04-16 | 平安科技（深圳）有限公司 | 文本风格转换方法、装置及存储介质、计算机设备 |
| CN109710841A (zh) * | 2018-12-17 | 2019-05-03 | 北京百度网讯科技有限公司 | 评论推荐方法和装置 |
| CN109614492A (zh) * | 2018-12-29 | 2019-04-12 | 平安科技（深圳）有限公司 | 基于人工智能的文本数据增强方法、装置、设备及存储介质 |
| CN109918627A (zh) * | 2019-01-08 | 2019-06-21 | 平安科技（深圳）有限公司 | 文本生成方法、装置、电子设备及存储介质 |
| CN110147535A (zh) * | 2019-04-18 | 2019-08-20 | 平安科技（深圳）有限公司 | 相似文本生成方法、装置、设备及存储介质 |
| CN110377902A (zh) * | 2019-06-21 | 2019-10-25 | 北京百度网讯科技有限公司 | 描述文本生成模型的训练方法和装置 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116955590A (zh) * | 2023-09-20 | 2023-10-27 | 成都明途科技有限公司 | 训练数据筛选方法、模型训练方法、文本生成方法 |
| CN116955590B (zh) * | 2023-09-20 | 2023-12-08 | 成都明途科技有限公司 | 训练数据筛选方法、模型训练方法、文本生成方法 |
| CN117745328A (zh) * | 2023-12-29 | 2024-03-22 | 深圳市南方网通网络技术开发有限公司 | 一种基于多平台的网络营销数据处理方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20240078386A1 (en) | Methods and systems for language-agnostic machine learning in natural language processing using feature extraction | |
| US9514405B2 (en) | Scoring concept terms using a deep network | |
| US20180336193A1 (en) | Artificial Intelligence Based Method and Apparatus for Generating Article | |
| CN107241260B (zh) | 基于人工智能的新闻推送的方法和装置 | |
| CN110325986B (zh) | 文章处理方法、装置、服务器及存储介质 | |
| EP3729231A1 (en) | Domain-specific natural language understanding of customer intent in self-help | |
| CN109543058B (zh) | 用于检测图像的方法、电子设备和计算机可读介质 | |
| US9665551B2 (en) | Leveraging annotation bias to improve annotations | |
| US10606910B2 (en) | Ranking search results using machine learning based models | |
| US10685012B2 (en) | Generating feature embeddings from a co-occurrence matrix | |
| CN106354856B (zh) | 基于人工智能的深度神经网络强化搜索方法和装置 | |
| US11651015B2 (en) | Method and apparatus for presenting information | |
| CN107798622B (zh) | 一种识别用户意图的方法和装置 | |
| CN113688310B (zh) | 一种内容推荐方法、装置、设备及存储介质 | |
| TW201814556A (zh) | 資訊匹配方法及相關裝置 | |
| CN111813993A (zh) | 视频内容的拓展方法、装置、终端设备及存储介质 | |
| CN113158667B (zh) | 基于实体关系级别注意力机制的事件检测方法 | |
| US20190205702A1 (en) | System and method for recommending features for content presentations | |
| CN113392200A (zh) | 基于用户学习行为的推荐方法及装置 | |
| CN112818082A (zh) | 评价文本推送方法和装置 | |
| CN111274384B (zh) | 一种文本标注方法及其设备、计算机存储介质 | |
| CN111488513A (zh) | 用于生成页面的方法和装置 | |
| CN113869803A (zh) | 企业敏感信息风险评估方法、系统和存储介质 | |
| US11983489B1 (en) | Extractive summary generation by abstractive trained model | |
| CN111897910A (zh) | 信息推送方法和装置 |
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 |