CN115526690A - 一种基于人工智能的商品排序系统及方法 - Google Patents
一种基于人工智能的商品排序系统及方法 Download PDFInfo
- Publication number
- CN115526690A CN115526690A CN202211294547.8A CN202211294547A CN115526690A CN 115526690 A CN115526690 A CN 115526690A CN 202211294547 A CN202211294547 A CN 202211294547A CN 115526690 A CN115526690 A CN 115526690A
- Authority
- CN
- China
- Prior art keywords
- evaluation
- data
- evaluation data
- neutral
- negative
- 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
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 24
- 238000011156 evaluation Methods 0.000 claims abstract description 690
- 230000007935 neutral effect Effects 0.000 claims abstract description 176
- 238000013210 evaluation model Methods 0.000 claims abstract description 26
- 238000004364 calculation method Methods 0.000 claims description 82
- 238000004422 calculation algorithm Methods 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 15
- 238000012163 sequencing technique Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000004140 cleaning Methods 0.000 claims description 8
- 230000015654 memory Effects 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000007619 statistical method Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005303 weighing Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0603—Catalogue ordering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2457—Query processing with adaptation to user needs
- G06F16/24578—Query processing with adaptation to user needs using ranking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Finance (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Accounting & Taxation (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Fuzzy Systems (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提出一种基于人工智能的商品排序系统及方法，采用本发明的方法，在提取出正面评价数据、负面评价数据和中性评价数据后，根据所述商品基本数据、所述卖家数据、所述正面评价数据、所述负面评价数据和所述中性评价数据，结合预设的综合评价模型，得到所述第一商品的第一综合评价值；并在计算完所有商品的所述第一综合评价值后，根据每个商品的所述第一综合评价值，对所有商品进行排序，从多个因素综合衡量，提供更合理更能贴合用户需求的排序方案，提高了用户的购物体验。
Description
技术领域
本发明涉及人工智能技术领域，具体涉及一种基于人工智能的商品排序系统及方法。
背景技术
随着互联网技术的发展，网购已经成为人们生活的重要组成部分。用户进行网上购物时，通常会输入与意向商品相关的关键字来进行搜索，当网购平台收到用户的搜索请求后会向用户返回与用户意向相关的商品列表，而商品列表中各个商品的排序直接会影响用户对商品的点击率、下单率等。通常认为排序越靠前的商品其被用户点击及下单的概率相对较高。因此，将某种商品排序规则下，更符合用户需要的商品的安排在靠前的位置，则可以节省用户浏览商品的时间。但是现有商品排序方案存在如下问题：用户在进行关键词搜索时，商品列表的排序显示仅仅是根据单一的维度(如销量、库存等)进行衡量后排序，导致不能精确的匹配用户的购物需求。
发明内容
本发明正是基于上述问题，提出了一种基于人工智能的商品排序系统及方法，通过发明的方案，从多个因素综合衡量，提供更合理更能贴合用户需求的排序方案，提高了用户的购物体验。
有鉴于此，本发明的一方面提出了一种基于人工智能的商品排序系统，包括：获取模块、处理模块和排序模块；
所述获取模块被配置为：
获取第一商品的商品基本数据以及所述第一商品对应的卖家数据；
获取所述第一商品对应的且包含买家标识的买家数据以及所述买家标识对应的评价数据；
所述处理模块被配置为：
将所述评价数据按所述买家标识和所述评价数据提交的时间进行编号生成评价标识符，得到第一评价数据，所述第一评价数据包括评价总数量；
对所述第一评价数据进行分类与清洗，得到第二评价数据；
利用关键词识别算法从所述第二评价数据中提取出第三评价数据；
从所述第三评价数据中分离出正面评价数据、负面评价数据和中性评价数据；
根据所述商品基本数据、所述卖家数据、所述正面评价数据、所述负面评价数据和所述中性评价数据，结合预设的综合评价模型，得到所述第一商品的第一综合评价值；
所述排序模块被配置为：计算完所有商品的所述第一综合评价值后，根据每个商品的所述第一综合评价值，对所有商品进行排序。
可选地，所述获取模块被配置为：采集所述第一商品的同类商品和/或相似类别商品的参考品评价数据；
所述处理模块被配置为：
利用关键词识别算法从所述参考品评价数据中提取出参考主题；
将所述参考主题输入预先训练好的评价分类器，得到正面参考评价数据、负面参考评价数据和中性参考评价数据；
将所述正面参考评价数据、所述负面参考评价数据和所述中性参考评价数据分别作为训练数据对神经网络进行训练，得到正面评价值计算模型、负面评价值计算模型和中性评价值计算模型。
可选地，在所述利用关键词识别算法从所述第二评价数据中提取出第三评价数据的步骤，所述处理模块具体被配置为：
利用关键词识别算法从所述第二评价数据中提取出主题关键词；
将所述主题关键词输入所述预先训练好的评价分类器，得到正面评价数据、负面评价数据和中性评价数据；
将所述正面评价数据、所述负面评价数据和所述中性评价数据作为第三评价数据。
可选地，在所述根据所述商品基本数据、所述卖家数据、所述正面评价数据、所述负面评价数据和所述中性评价数据，结合预设的综合评价模型，得到所述第一商品的第一综合评价值的步骤，所述处理模块具体被配置为：
将所述正面评价数据、所述负面评价数据和所述中性评价数据分别输入所述正面评价值计算模型、所述负面评价值计算模型和所述中性评价值计算模型，得到正面评价值、负面评价值和中性评价值；
根据所述商品基本数据、所述卖家数据分别得到所述第一商品的第一销量值、和卖家评价值；
将所述正面评价值、所述负面评价值、所述中性评价值、所述第一销量值和所述卖家评价值输入预设的综合评价模型，得到所述第一商品的第一综合评价值。
可选地，在所述将所述正面评价数据、所述负面评价数据和所述中性评价数据分别输入所述正面评价值计算模型、所述负面评价值计算模型和所述中性评价值计算模型，得到正面评价值、负面评价值和中性评价值的步骤，所述处理模块具体被配置为：
所述正面评价值计算模型、所述负面评价值计算模型和所述中性评价值计算模型分别对所述正面评价数据、所述负面评价数据和所述中性评价数据进行处理，统计所述正面评价数据中各正面关键词出现的次数、所述负面评价数据中各负面关键词出现的次数、所述中性评价数据中各中性关键词出现的次数，进一步计算出所述各正面关键词、所述各负面关键词和所述各中性关键词在所述正面评价数据、所述负面评价数据和所述中性评价数据组成的总数据中出现的频率，按频率高低分别对所述各正面关键词、所述各负面关键词和所述各中性关键词赋予从大到小的倾向权重值，其中，所述各正面关键词、所述各负面关键词和所述各中性关键词均与其对应的所述评价标识符建立对应关系；
结合所述评价标识符，统计所述第一评价数据中每条评价中所述各正面关键词、所述各负面关键词和所述各中性关键词所占的比例，并结合所述倾向权重值计算出所述每条评价的对应的所述正面评价值、所述负面评价值和所述中性评价值。
本发明的另一方面提供一种基于人工智能的商品排序方法，所述方法包括：
获取第一商品的商品基本数据以及所述第一商品对应的卖家数据；
获取所述第一商品对应的且包含买家标识的买家数据以及所述买家标识对应的评价数据；
将所述评价数据按所述买家标识和所述评价数据提交的时间进行编号生成评价标识符，得到第一评价数据，所述第一评价数据包括评价总数量；
对所述第一评价数据进行分类与清洗，得到第二评价数据；
利用关键词识别算法从所述第二评价数据中提取出第三评价数据；
从所述第三评价数据中分离出正面评价数据、负面评价数据和中性评价数据；
根据所述商品基本数据、所述卖家数据、所述正面评价数据、所述负面评价数据和所述中性评价数据，结合预设的综合评价模型，得到所述第一商品的第一综合评价值；
计算完所有商品的所述第一综合评价值后，根据每个商品的所述第一综合评价值，对所有商品进行排序。
可选地，所述方法还包括：
采集所述第一商品的同类商品和/或相似类别商品的参考品评价数据；
利用关键词识别算法从所述参考品评价数据中提取出参考主题；
将所述参考主题输入预先训练好的评价分类器，得到正面参考评价数据、负面参考评价数据和中性参考评价数据；
将所述正面参考评价数据、所述负面参考评价数据和所述中性参考评价数据分别作为训练数据对神经网络进行训练，得到正面评价值计算模型、负面评价值计算模型和中性评价值计算模型。
可选地，所述利用关键词识别算法从所述第二评价数据中提取出第三评价数据的步骤，包括：
利用关键词识别算法从所述第二评价数据中提取出主题关键词；
将所述主题关键词输入所述预先训练好的评价分类器，得到正面评价数据、负面评价数据和中性评价数据；
将所述正面评价数据、所述负面评价数据和所述中性评价数据作为第三评价数据。
可选地，所述根据所述商品基本数据、所述卖家数据、所述正面评价数据、所述负面评价数据和所述中性评价数据，结合预设的综合评价模型，得到所述第一商品的第一综合评价值的步骤，包括：
将所述正面评价数据、所述负面评价数据和所述中性评价数据分别输入所述正面评价值计算模型、所述负面评价值计算模型和所述中性评价值计算模型，得到正面评价值、负面评价值和中性评价值；
根据所述商品基本数据、所述卖家数据分别得到所述第一商品的第一销量值、和卖家评价值；
将所述正面评价值、所述负面评价值、所述中性评价值、所述第一销量值和所述卖家评价值输入预设的综合评价模型，得到所述第一商品的第一综合评价值。
可选地，所述将所述正面评价数据、所述负面评价数据和所述中性评价数据分别输入所述正面评价值计算模型、所述负面评价值计算模型和所述中性评价值计算模型，得到正面评价值、负面评价值和中性评价值的步骤，包括：
所述正面评价值计算模型、所述负面评价值计算模型和所述中性评价值计算模型分别对所述正面评价数据、所述负面评价数据和所述中性评价数据进行处理，统计所述正面评价数据中各正面关键词出现的次数、所述负面评价数据中各负面关键词出现的次数、所述中性评价数据中各中性关键词出现的次数，进一步计算出所述各正面关键词、所述各负面关键词和所述各中性关键词在所述正面评价数据、所述负面评价数据和所述中性评价数据组成的总数据中出现的频率，按频率高低分别对所述各正面关键词、所述各负面关键词和所述各中性关键词赋予从大到小的倾向权重值，其中，所述各正面关键词、所述各负面关键词和所述各中性关键词均与其对应的所述评价标识符建立对应关系；
结合所述评价标识符，统计所述第一评价数据中每条评价中所述各正面关键词、所述各负面关键词和所述各中性关键词所占的比例，并结合所述倾向权重值计算出所述每条评价的对应的所述正面评价值、所述负面评价值和所述中性评价值。
采用本发明的技术方案，在提取出正面评价数据、负面评价数据和中性评价数据后，根据所述商品基本数据、所述卖家数据、所述正面评价数据、所述负面评价数据和所述中性评价数据，结合预设的综合评价模型，得到所述第一商品的第一综合评价值；并在计算完所有商品的所述第一综合评价值后，根据每个商品的所述第一综合评价值，对所有商品进行排序，从多个因素综合衡量，提供更合理更能贴合用户需求的排序方案，提高了用户的购物体验。
附图说明
图1是本发明一个实施例提供的基于人工智能的商品排序系统的示意框图；
图2是本发明一个实施例提供的基于人工智能的商品排序方法流程图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
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。
下面参照图1至图2来描述根据本发明一些实施方式提供的一种基于人工智能的商品排序系统及方法。
如图1所示，本发明一个实施例提供一种基于人工智能的商品排序系统，包括：获取模块、处理模块和排序模块；
所述获取模块被配置为：
获取第一商品的商品基本数据以及所述第一商品对应的卖家数据；
获取所述第一商品对应的且包含买家标识的买家数据以及所述买家标识对应的评价数据；
所述处理模块被配置为：
将所述评价数据按所述买家标识和所述评价数据提交的时间进行编号生成评价标识符，得到第一评价数据，所述第一评价数据包括评价总数量；
对所述第一评价数据进行分类与清洗，得到第二评价数据；
利用关键词识别算法从所述第二评价数据中提取出第三评价数据；
从所述第三评价数据中分离出正面评价数据、负面评价数据和中性评价数据；
根据所述商品基本数据、所述卖家数据、所述正面评价数据、所述负面评价数据和所述中性评价数据，结合预设的综合评价模型，得到所述第一商品的第一综合评价值；
所述排序模块被配置为：计算完所有商品的所述第一综合评价值后，根据每个商品的所述第一综合评价值，对所有商品进行排序。
可以理解的是，所述商品基本数据包括但不限于商品类别、商品功能、商品材质、商品生产信息、商品销量数据、商品库存数据、评测数据等。
所述卖家数据包括但不限于卖家工商数据、卖家网上店铺注册数据、卖家服务评价数据、卖家物流数据等。
所述买家数据包括但不限于买家标识、身份信息、在线行为数据等。
对所述第一评价数据进行分类(如分成名词、动词、形容词、副词、量词等)与清洗(如去掉无意义的符号、动词等)，得到第二评价数据。
所述评价标识符的数据结构可以是买家标识加上评价提交的日期和时间数据等，因买家标识具有唯一性，故评价标识符也具有唯一性，在后续对第一评价数据或由第一评价数据产生的其他数据进行处理和/或分析的过程中，利用评价标识符进行标识，方便数据的分析、统计，如提取关键词时，可以利用评价标识符标记关键词，以表明关键词来源于哪条评价。
应该说明的是，用户在购买商品时，会要考虑的因素包括但不限于商品销量、卖家服务质量、商品质量、其他买家对商品的评价等。本发明的实施例在提取出正面评价数据、负面评价数据和中性评价数据后，根据所述商品基本数据、所述卖家数据、所述正面评价数据、所述负面评价数据和所述中性评价数据，结合预设的综合评价模型，得到所述第一商品的第一综合评价值；并在计算完所有商品的所述第一综合评价值后，根据每个商品的所述第一综合评价值，对所有商品进行排序，从多个因素综合衡量，提供更合理更能贴合用户需求的排序方案，提高了用户的购物体验。
应当知道的是，图1所示的基于人工智能的商品排序系统的框图仅作示意，其所示出的各模块的数量并不对本发明的保护范围进行限定。
在本发明一些可能的实施方式中，所述获取模块被配置为：采集所述第一商品的同类商品和/或相似类别商品的参考品评价数据；
所述处理模块被配置为：
利用关键词识别算法从所述参考品评价数据中提取出参考主题；
将所述参考主题输入预先训练好的评价分类器，得到正面参考评价数据、负面参考评价数据和中性参考评价数据；
将所述正面参考评价数据、所述负面参考评价数据和所述中性参考评价数据分别作为训练数据对神经网络进行训练，得到正面评价值计算模型、负面评价值计算模型和中性评价值计算模型。
可以理解的是，为了精准的区别出评价数据中的正面内容、负面内容和中性内容，在本实施例中，所述评价分类器可以利用现有的正面评价词库、负面评价词库和中性评价词库对卷积神经网络训练而得。
所述正面评价值计算模型、所述负面评价值计算模型和所述中性评价值计算模型，可以利用所述正面参考评价数据、所述负面参考评价数据和所述中性参考评价数据分别对设计有统计分析功能的神经网络进行训练得到。
在本发明一些可能的实施方式中，在所述利用关键词识别算法从所述第二评价数据中提取出第三评价数据的步骤，所述处理模块具体被配置为：
利用关键词识别算法从所述第二评价数据中提取出主题关键词；
将所述主题关键词输入所述预先训练好的评价分类器，得到正面评价数据、负面评价数据和中性评价数据；
将所述正面评价数据、所述负面评价数据和所述中性评价数据作为第三评价数据。
可以理解的是，利用训练好的评价分类器，将所述主题关键词输入所述预先训练好的评价分类器，得到正面评价数据、负面评价数据和中性评价数据，可以为后续的精准分析提供便利。
在本发明一些可能的实施方式中，在所述根据所述商品基本数据、所述卖家数据、所述正面评价数据、所述负面评价数据和所述中性评价数据，结合预设的综合评价模型，得到所述第一商品的第一综合评价值的步骤，所述处理模块具体被配置为：
将所述正面评价数据、所述负面评价数据和所述中性评价数据分别输入所述正面评价值计算模型、所述负面评价值计算模型和所述中性评价值计算模型，得到正面评价值、负面评价值和中性评价值；
根据所述商品基本数据、所述卖家数据分别得到所述第一商品的第一销量值、和卖家评价值；
将所述正面评价值、所述负面评价值、所述中性评价值、所述第一销量值和所述卖家评价值输入预设的综合评价模型，得到所述第一商品的第一综合评价值。
可以理解的是，在本实施例中，所述预设的综合评价模型中设定了所述正面评价值、所述负面评价值、所述中性评价值、所述第一销量值和所述卖家评价值在不同情景下的权重值，当同时输入了情景数据时，可以选择情景数据对应的权重值进行计算，得到所述第一商品的第一综合评价值；当没输入了情景数据时，可以使用默认权重值进行计算，得到所述第一商品的第一综合评价值。通过本实施例，利用预设的综合评价模型，将销量、对卖家的评价、对商品的评价综合分析得到对第一商品多维度的评价值，能更好地预测用户的购物需求。
在本发明一些可能的实施方式中，在所述将所述正面评价数据、所述负面评价数据和所述中性评价数据分别输入所述正面评价值计算模型、所述负面评价值计算模型和所述中性评价值计算模型，得到正面评价值、负面评价值和中性评价值的步骤，所述处理模块具体被配置为：
所述正面评价值计算模型、所述负面评价值计算模型和所述中性评价值计算模型分别对所述正面评价数据、所述负面评价数据和所述中性评价数据进行处理，统计所述正面评价数据中各正面关键词出现的次数、所述负面评价数据中各负面关键词出现的次数、所述中性评价数据中各中性关键词出现的次数，进一步计算出所述各正面关键词、所述各负面关键词和所述各中性关键词在所述正面评价数据、所述负面评价数据和所述中性评价数据组成的总数据中出现的频率，按频率高低分别对所述各正面关键词、所述各负面关键词和所述各中性关键词赋予从大到小的倾向权重值，其中，所述各正面关键词、所述各负面关键词和所述各中性关键词均与其对应的所述评价标识符建立对应关系；
结合所述评价标识符，统计所述第一评价数据中每条评价中所述各正面关键词、所述各负面关键词和所述各中性关键词所占的比例，并结合所述倾向权重值计算出所述每条评价的对应的所述正面评价值、所述负面评价值和所述中性评价值。
可以理解的是，本实施例中，通过对每一条评价中的所述各正面关键词、所述各负面关键词和所述各中性关键词所占的比例进行统计，并结合所述倾向权重值计算出所述每条评价中的对应的所述正面评价值、所述负面评价值和所述中性评价值，从而可以对于每条评价的决策价值进行判断与计算，如评价A的正面评价值为5、负面评价值为-2，中性评价值为0.2，则评价A的整体评价值为3.2。再利用所有评价的评价值进行统计分析，即可得到商品的对应的核心/主要评价，从而方便对商品进行排序/推荐。
请参见图2，本发明的另一实施例提供一种基于人工智能的商品排序方法，所述方法包括：
获取第一商品的商品基本数据以及所述第一商品对应的卖家数据；
获取所述第一商品对应的且包含买家标识的买家数据以及所述买家标识对应的评价数据；
将所述评价数据按所述买家标识和所述评价数据提交的时间进行编号生成评价标识符，得到第一评价数据，所述第一评价数据包括评价总数量；
对所述第一评价数据进行分类与清洗，得到第二评价数据；
利用关键词识别算法从所述第二评价数据中提取出第三评价数据；
从所述第三评价数据中分离出正面评价数据、负面评价数据和中性评价数据；
根据所述商品基本数据、所述卖家数据、所述正面评价数据、所述负面评价数据和所述中性评价数据，结合预设的综合评价模型，得到所述第一商品的第一综合评价值；
计算完所有商品的所述第一综合评价值后，根据每个商品的所述第一综合评价值，对所有商品进行排序。
可以理解的是，所述商品基本数据包括但不限于商品类别、商品功能、商品材质、商品生产信息、商品销量数据、商品库存数据、评测数据等。
所述卖家数据包括但不限于卖家工商数据、卖家网上店铺注册数据、卖家服务评价数据、卖家物流数据等。
所述买家数据包括但不限于买家标识、身份信息、在线行为数据等。
对所述第一评价数据进行分类(如分成名词、动词、形容词、副词、量词等)与清洗(如去掉无意义的符号、动词等)，得到第二评价数据。
所述评价标识符的数据结构可以是买家标识加上评价提交的日期和时间数据等，因买家标识具有唯一性，故评价标识符也具有唯一性，在后续对第一评价数据或由第一评价数据产生的其他数据进行处理和/或分析的过程中，利用评价标识符进行标识，方便数据的分析、统计，如提取关键词时，可以利用评价标识符标记关键词，以表明关键词来源于哪条评价。
应该说明的是，用户在购买商品时，会要考虑的因素包括但不限于商品销量、卖家服务质量、商品质量、其他买家对商品的评价等。本发明的实施例在提取出正面评价数据、负面评价数据和中性评价数据后，根据所述商品基本数据、所述卖家数据、所述正面评价数据、所述负面评价数据和所述中性评价数据，结合预设的综合评价模型，得到所述第一商品的第一综合评价值；并在计算完所有商品的所述第一综合评价值后，根据每个商品的所述第一综合评价值，对所有商品进行排序，从多个因素综合衡量，提供更合理更能贴合用户需求的排序方案，提高了用户的购物体验。
在本发明一些可能的实施方式中，所述方法还包括：
采集所述第一商品的同类商品和/或相似类别商品的参考品评价数据；
利用关键词识别算法从所述参考品评价数据中提取出参考主题；
将所述参考主题输入预先训练好的评价分类器，得到正面参考评价数据、负面参考评价数据和中性参考评价数据；
将所述正面参考评价数据、所述负面参考评价数据和所述中性参考评价数据分别作为训练数据对神经网络进行训练，得到正面评价值计算模型、负面评价值计算模型和中性评价值计算模型。
可以理解的是，为了精准的区别出评价数据中的正面内容、负面内容和中性内容，在本实施例中，所述评价分类器可以利用现有的正面评价词库、负面评价词库和中性评价词库对卷积神经网络训练而得。
所述正面评价值计算模型、所述负面评价值计算模型和所述中性评价值计算模型，可以利用所述正面参考评价数据、所述负面参考评价数据和所述中性参考评价数据分别对设计有统计分析功能的神经网络进行训练得到。
在本发明一些可能的实施方式中，所述利用关键词识别算法从所述第二评价数据中提取出第三评价数据的步骤，包括：
利用关键词识别算法从所述第二评价数据中提取出主题关键词；
将所述主题关键词输入所述预先训练好的评价分类器，得到正面评价数据、负面评价数据和中性评价数据；
将所述正面评价数据、所述负面评价数据和所述中性评价数据作为第三评价数据。
可以理解的是，利用训练好的评价分类器，将所述主题关键词输入所述预先训练好的评价分类器，得到正面评价数据、负面评价数据和中性评价数据，可以为后续的精准分析提供便利。
在本发明一些可能的实施方式中，所述根据所述商品基本数据、所述卖家数据、所述正面评价数据、所述负面评价数据和所述中性评价数据，结合预设的综合评价模型，得到所述第一商品的第一综合评价值的步骤，包括：
将所述正面评价数据、所述负面评价数据和所述中性评价数据分别输入所述正面评价值计算模型、所述负面评价值计算模型和所述中性评价值计算模型，得到正面评价值、负面评价值和中性评价值；
根据所述商品基本数据、所述卖家数据分别得到所述第一商品的第一销量值和卖家评价值；
将所述正面评价值、所述负面评价值、所述中性评价值、所述第一销量值和所述卖家评价值输入预设的综合评价模型，得到所述第一商品的第一综合评价值。
可以理解的是，在本实施例中，所述预设的综合评价模型中设定了所述正面评价值、所述负面评价值、所述中性评价值、所述第一销量值和所述卖家评价值在不同情景下的权重值，当同时输入了情景数据时，可以选择情景数据对应的权重值进行计算，得到所述第一商品的第一综合评价值；当没输入了情景数据时，可以使用默认权重值进行计算，得到所述第一商品的第一综合评价值。通过本实施例，利用预设的综合评价模型，将销量、对卖家的评价、对商品的评价综合分析得到对第一商品多维度的评价值，能更好地预测用户的购物需求。
在本发明一些可能的实施方式中，所述将所述正面评价数据、所述负面评价数据和所述中性评价数据分别输入所述正面评价值计算模型、所述负面评价值计算模型和所述中性评价值计算模型，得到正面评价值、负面评价值和中性评价值的步骤，包括：
所述正面评价值计算模型、所述负面评价值计算模型和所述中性评价值计算模型分别对所述正面评价数据、所述负面评价数据和所述中性评价数据进行处理，统计所述正面评价数据中各正面关键词出现的次数、所述负面评价数据中各负面关键词出现的次数、所述中性评价数据中各中性关键词出现的次数，进一步计算出所述各正面关键词、所述各负面关键词和所述各中性关键词在所述正面评价数据、所述负面评价数据和所述中性评价数据组成的总数据中出现的频率，按频率高低分别对所述各正面关键词、所述各负面关键词和所述各中性关键词赋予从大到小的倾向权重值，其中，所述各正面关键词、所述各负面关键词和所述各中性关键词均与其对应的所述评价标识符建立对应关系；
结合所述评价标识符，统计所述第一评价数据中每条评价中所述各正面关键词、所述各负面关键词和所述各中性关键词所占的比例，并结合所述倾向权重值计算出所述每条评价的对应的所述正面评价值、所述负面评价值和所述中性评价值。
可以理解的是，本实施例中，通过对每一条评价中的所述各正面关键词、所述各负面关键词和所述各中性关键词所占的比例进行统计，并结合所述倾向权重值计算出所述每条评价中的对应的所述正面评价值、所述负面评价值和所述中性评价值，从而可以对于每条评价的决策价值进行判断与计算，如评价A的正面评价值为5、负面评价值为-2，中性评价值为0.2，则评价A的整体评价值为3.2。再利用所有评价的评价值进行统计分析，即可得到商品的对应的核心/主要评价，从而方便对商品进行排序/推荐。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如上述单元的划分，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。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。
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例方案的目的。
另外，在本申请各个实施例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器中。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器中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例上述方法的全部或部分步骤。而前述的存储器包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储器中，存储器可以包括：闪存盘、只读存储器(英文：Read-Only Memory，简称：ROM)、随机存取器(英文：Random Access Memory，简称：RAM)、磁盘或光盘等。
以上对本申请实施例进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。
虽然本发明披露如上，但本发明并非限定于此。任何本领域技术人员，在不脱离本发明的精神和范围内，可轻易想到变化或替换，均可作各种更动与修改，包含上述不同功能、实施步骤的组合，包含软件和硬件的实施方式，均在本发明的保护范围。
Claims (10)
1.一种基于人工智能的商品排序系统，其特征在于，包括：获取模块、处理模块和排序模块；
所述获取模块被配置为：
获取第一商品的商品基本数据以及所述第一商品对应的卖家数据；
获取所述第一商品对应的且包含买家标识的买家数据以及所述买家标识对应的评价数据；
所述处理模块被配置为：
将所述评价数据按所述买家标识和所述评价数据提交的时间进行编号生成评价标识符，得到第一评价数据，所述第一评价数据包括评价总数量；
对所述第一评价数据进行分类与清洗，得到第二评价数据；
利用关键词识别算法从所述第二评价数据中提取出第三评价数据；
从所述第三评价数据中分离出正面评价数据、负面评价数据和中性评价数据；
根据所述商品基本数据、所述卖家数据、所述正面评价数据、所述负面评价数据和所述中性评价数据，结合预设的综合评价模型，得到所述第一商品的第一综合评价值；
所述排序模块被配置为：计算完所有商品的所述第一综合评价值后，根据每个商品的所述第一综合评价值，对所有商品进行排序。
2.根据权利要求1所述的基于人工智能的商品排序系统，其特征在于，所述获取模块被配置为：采集所述第一商品的同类商品和/或相似类别商品的参考品评价数据；
所述处理模块被配置为：
利用关键词识别算法从所述参考品评价数据中提取出参考主题；
将所述参考主题输入预先训练好的评价分类器，得到正面参考评价数据、负面参考评价数据和中性参考评价数据；
将所述正面参考评价数据、所述负面参考评价数据和所述中性参考评价数据分别作为训练数据对神经网络进行训练，得到正面评价值计算模型、负面评价值计算模型和中性评价值计算模型。
3.根据权利要求2所述的基于人工智能的商品排序系统，其特征在于，在所述利用关键词识别算法从所述第二评价数据中提取出第三评价数据的步骤，所述处理模块具体被配置为：
利用关键词识别算法从所述第二评价数据中提取出主题关键词；
将所述主题关键词输入所述预先训练好的评价分类器，得到正面评价数据、负面评价数据和中性评价数据；
将所述正面评价数据、所述负面评价数据和所述中性评价数据作为第三评价数据。
4.根据权利要求3所述的基于人工智能的商品排序系统，其特征在于，在所述根据所述商品基本数据、所述卖家数据、所述正面评价数据、所述负面评价数据和所述中性评价数据，结合预设的综合评价模型，得到所述第一商品的第一综合评价值的步骤，所述处理模块具体被配置为：
将所述正面评价数据、所述负面评价数据和所述中性评价数据分别输入所述正面评价值计算模型、所述负面评价值计算模型和所述中性评价值计算模型，得到正面评价值、负面评价值和中性评价值；
根据所述商品基本数据、所述卖家数据分别得到所述第一商品的第一销量值、和卖家评价值；
将所述正面评价值、所述负面评价值、所述中性评价值、所述第一销量值和所述卖家评价值输入预设的综合评价模型，得到所述第一商品的第一综合评价值。
5.根据权利要求1-4所述的基于人工智能的商品排序系统，其特征在于，在所述将所述正面评价数据、所述负面评价数据和所述中性评价数据分别输入所述正面评价值计算模型、所述负面评价值计算模型和所述中性评价值计算模型，得到正面评价值、负面评价值和中性评价值的步骤，所述处理模块具体被配置为：
所述正面评价值计算模型、所述负面评价值计算模型和所述中性评价值计算模型分别对所述正面评价数据、所述负面评价数据和所述中性评价数据进行处理，统计所述正面评价数据中各正面关键词出现的次数、所述负面评价数据中各负面关键词出现的次数、所述中性评价数据中各中性关键词出现的次数，进一步计算出所述各正面关键词、所述各负面关键词和所述各中性关键词在所述正面评价数据、所述负面评价数据和所述中性评价数据组成的总数据中出现的频率，按频率高低分别对所述各正面关键词、所述各负面关键词和所述各中性关键词赋予从大到小的倾向权重值，其中，所述各正面关键词、所述各负面关键词和所述各中性关键词均与其对应的所述评价标识符建立对应关系；
结合所述评价标识符，统计所述第一评价数据中每条评价中所述各正面关键词、所述各负面关键词和所述各中性关键词所占的比例，并结合所述倾向权重值计算出所述每条评价的对应的所述正面评价值、所述负面评价值和所述中性评价值。
6.一种基于人工智能的商品排序方法，其特征在于，所述方法包括：
获取第一商品的商品基本数据以及所述第一商品对应的卖家数据；
获取所述第一商品对应的且包含买家标识的买家数据以及所述买家标识对应的评价数据；
将所述评价数据按所述买家标识和所述评价数据提交的时间进行编号生成评价标识符，得到第一评价数据，所述第一评价数据包括评价总数量；
对所述第一评价数据进行分类与清洗，得到第二评价数据；
利用关键词识别算法从所述第二评价数据中提取出第三评价数据；
从所述第三评价数据中分离出正面评价数据、负面评价数据和中性评价数据；
根据所述商品基本数据、所述卖家数据、所述正面评价数据、所述负面评价数据和所述中性评价数据，结合预设的综合评价模型，得到所述第一商品的第一综合评价值；
计算完所有商品的所述第一综合评价值后，根据每个商品的所述第一综合评价值，对所有商品进行排序。
7.根据权利要求6所述的基于人工智能的商品排序方法，其特征在于，所述方法还包括：
采集所述第一商品的同类商品和/或相似类别商品的参考品评价数据；
利用关键词识别算法从所述参考品评价数据中提取出参考主题；
将所述参考主题输入预先训练好的评价分类器，得到正面参考评价数据、负面参考评价数据和中性参考评价数据；
将所述正面参考评价数据、所述负面参考评价数据和所述中性参考评价数据分别作为训练数据对神经网络进行训练，得到正面评价值计算模型、负面评价值计算模型和中性评价值计算模型。
8.根据权利要求7所述的基于人工智能的商品排序方法，其特征在于，所述利用关键词识别算法从所述第二评价数据中提取出第三评价数据的步骤，包括：
利用关键词识别算法从所述第二评价数据中提取出主题关键词；
将所述主题关键词输入所述预先训练好的评价分类器，得到正面评价数据、负面评价数据和中性评价数据；
将所述正面评价数据、所述负面评价数据和所述中性评价数据作为第三评价数据。
9.根据权利要求8所述的基于人工智能的商品排序方法，其特征在于，所述根据所述商品基本数据、所述卖家数据、所述正面评价数据、所述负面评价数据和所述中性评价数据，结合预设的综合评价模型，得到所述第一商品的第一综合评价值的步骤，包括：
将所述正面评价数据、所述负面评价数据和所述中性评价数据分别输入所述正面评价值计算模型、所述负面评价值计算模型和所述中性评价值计算模型，得到正面评价值、负面评价值和中性评价值；
根据所述商品基本数据、所述卖家数据分别得到所述第一商品的第一销量值、和卖家评价值；
将所述正面评价值、所述负面评价值、所述中性评价值、所述第一销量值和所述卖家评价值输入预设的综合评价模型，得到所述第一商品的第一综合评价值。
10.根据权利要求6-9所述的基于人工智能的商品排序方法，其特征在于，所述将所述正面评价数据、所述负面评价数据和所述中性评价数据分别输入所述正面评价值计算模型、所述负面评价值计算模型和所述中性评价值计算模型，得到正面评价值、负面评价值和中性评价值的步骤，包括：
所述正面评价值计算模型、所述负面评价值计算模型和所述中性评价值计算模型分别对所述正面评价数据、所述负面评价数据和所述中性评价数据进行处理，统计所述正面评价数据中各正面关键词出现的次数、所述负面评价数据中各负面关键词出现的次数、所述中性评价数据中各中性关键词出现的次数，进一步计算出所述各正面关键词、所述各负面关键词和所述各中性关键词在所述正面评价数据、所述负面评价数据和所述中性评价数据组成的总数据中出现的频率，按频率高低分别对所述各正面关键词、所述各负面关键词和所述各中性关键词赋予从大到小的倾向权重值，其中，所述各正面关键词、所述各负面关键词和所述各中性关键词均与其对应的所述评价标识符建立对应关系；
结合所述评价标识符，统计所述第一评价数据中每条评价中所述各正面关键词、所述各负面关键词和所述各中性关键词所占的比例，并结合所述倾向权重值计算出所述每条评价的对应的所述正面评价值、所述负面评价值和所述中性评价值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211294547.8A CN115526690A (zh) | 2022-10-21 | 2022-10-21 | 一种基于人工智能的商品排序系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211294547.8A CN115526690A (zh) | 2022-10-21 | 2022-10-21 | 一种基于人工智能的商品排序系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115526690A true CN115526690A (zh) | 2022-12-27 |
Family
ID=84703604
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211294547.8A Pending CN115526690A (zh) | 2022-10-21 | 2022-10-21 | 一种基于人工智能的商品排序系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115526690A (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104881807A (zh) * | 2015-06-26 | 2015-09-02 | 陆健 | 一种推荐商品信息的方法及装置 |
| CN111667337A (zh) * | 2020-04-28 | 2020-09-15 | 苏宁云计算有限公司 | 一种商品评价的排序方法和系统 |
| CN112866759A (zh) * | 2021-01-08 | 2021-05-28 | 南京浪脆电子商务有限公司 | 基于深度学习和云计算的电商直播平台及云通信服务器 |
-
2022
- 2022-10-21 CN CN202211294547.8A patent/CN115526690A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104881807A (zh) * | 2015-06-26 | 2015-09-02 | 陆健 | 一种推荐商品信息的方法及装置 |
| CN111667337A (zh) * | 2020-04-28 | 2020-09-15 | 苏宁云计算有限公司 | 一种商品评价的排序方法和系统 |
| CN112866759A (zh) * | 2021-01-08 | 2021-05-28 | 南京浪脆电子商务有限公司 | 基于深度学习和云计算的电商直播平台及云通信服务器 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110222272B (zh) | 一种潜在客户挖掘与推荐方法 | |
| CN107369075B (zh) | 商品的展示方法、装置和电子设备 | |
| CN109118336B (zh) | 信息推荐方法、装置、计算机设备及存储介质 | |
| US9117006B2 (en) | Recommending keywords | |
| CN103870507B (zh) | 一种基于类目的搜索方法和装置 | |
| CN112750011A (zh) | 商品推荐方法、装置和电子设备 | |
| CN105468649B (zh) | 一种待展示对象匹配的判断方法及其装置 | |
| CN111209372B (zh) | 一种关键词的确定方法、装置、电子设备和存储介质 | |
| CN116308684B (zh) | 一种网购平台店铺信息推送方法及系统 | |
| CN113435202A (zh) | 基于用户画像的产品推荐方法、装置、电子设备及介质 | |
| KR20190140701A (ko) | 계층적 카테고리 군집 기반 장바구니 상품 추천 방법 | |
| CN111666757A (zh) | 商品评论情感倾向分析方法、装置、设备和可读存储介质 | |
| CN114820123A (zh) | 团购商品推荐方法、装置、设备及存储介质 | |
| CN109146606B (zh) | 一种品牌推荐方法、电子设备、存储介质及系统 | |
| CN110489531B (zh) | 高频问题的确定方法和装置 | |
| JP2020177262A (ja) | 情報処理装置、システム、情報処理方法、およびプログラム | |
| CN115511582B (zh) | 一种基于人工智能的商品推荐系统及方法 | |
| CN117421355A (zh) | 一种搜索召回方法、装置及设备 | |
| CN115578155A (zh) | 一种订单搜索方法、装置、计算机设备和存储介质 | |
| JP2016197332A (ja) | 情報処理システム、情報処理方法、およびコンピュータプログラム | |
| CN115526690A (zh) | 一种基于人工智能的商品排序系统及方法 | |
| US20240062264A1 (en) | Ai- backed e-commerce for all the top rated products on a single platform | |
| CN113469792A (zh) | 一种话术推荐方法、装置、电子设备及存储介质 | |
| CN111507804B (zh) | 基于混合信息融合的情感感知商品推荐方法 | |
| CN111639989B (zh) | 商品推荐方法和可读存储介质 |
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 |