CN115860783B - 一种基于人工智能的电商平台用户反馈分析方法及系统 - Google Patents

Abstract

本申请实施例提供的基于人工智能的电商平台用户反馈分析方法及系统，在对用户的商品反馈信息进行分析的过程中，基于提取显著性商品反馈描述知识和显著性平台反馈描述知识，然后将临时显著性平台反馈描述知识和临时显著性商品反馈描述知识进行知识交互，并分析出用户反馈类型分析结果，多个维度的综合分析，使得用户反馈类型分析的结果更加精确可靠，便于应用用户反馈类型分析结果对电商平台的商品和运营服务进行针对性地优化。此外，借助人工智能进行数据处理分析，分析的效率高，保证了用户分析的时效性。

Description

一种基于人工智能的电商平台用户反馈分析方法及系统

技术领域

本申请涉及电商互联网领域，具体而言，涉及一种基于人工智能的电商平台用户反馈分析方法及系统。

背景技术

随着电商的不断发展，网上购物变得越来越流行。更多电商平台崛起，对于电商卖家来说增加的不只是人们越来越高的需求，还要面对更多强大的竞争对手。面对这些挑战，就需要能够及时发现店铺经营中的问题，并且能够有效解决这些实际的问题，从而提升自身的竞争力。目前的电商领域中，各电商平台均关注用户的购物体验，以帮助优化提升平台的商品或服务。然而，对于用户反馈的信息，各个电商平台的分析维度较为单一，或者对用户反馈分析的准确性不足，或者低效的分析方法带来分析的时效性不足，导致以此为基础的商品或服务优化出现偏差，市场亟待一种准确分析用户反馈的方法。

发明内容

本发明的目的在于提供一种基于人工智能的电商平台用户反馈分析方法及系统。

本申请实施例的技术方案是这样实现的：

第一方面，本申请实施例提供了一种基于人工智能的电商平台用户反馈分析方法，应用于电商运营服务器，所述电商运营服务器与用户终端通信连接，所述用户终端被配置为向所述电商运营服务器上传商品反馈信息，所述方法包括：获取目标用户对应的商品反馈信息；提取所述商品反馈信息中的商品反馈文本和平台反馈文本；依据所述商品反馈文本对应的商品反馈描述知识进行显著性偏心系数计算，得到商品反馈显著性偏心系数，以及依据所述商品反馈显著性偏心系数调节所述商品反馈描述知识，得到显著性商品反馈描述知识；依据所述平台反馈文本对应的平台反馈描述知识进行显著性偏心系数计算，得到平台反馈显著性偏心系数，以及依据所述平台反馈显著性偏心系数调节所述平台反馈描述知识，得到显著性平台反馈描述知识；将所述显著性平台反馈描述知识和所述显著性商品反馈描述知识进行知识交互，得到融合描述知识，依据所述融合描述知识进行用户反馈类型分析，得到所述商品反馈信息对应的用户反馈类型分析结果。

作为一种可行的实施方案，所述方法基于用户反馈类型分析模型执行，具体包括：调取用户反馈类型分析模型，并将所述商品反馈信息输入至所述用户反馈类型分析模型；基于所述用户反馈类型分析模型提取所述商品反馈信息中的商品反馈文本和平台反馈文本，将所述商品反馈文本输入商品反馈文本处理模块，以及将所述平台反馈文本输入平台反馈文本处理模块；基于所述商品反馈文本处理模块提取所述商品反馈文本对应的商品反馈描述知识，依据所述商品反馈描述知识进行显著性偏心系数计算，得到商品反馈显著性偏心系数，以及依据所述商品反馈显著性偏心系数对所述商品反馈描述知识执行偏心计算，得到显著性商品反馈描述知识；基于所述平台反馈文本处理模块提取所述平台反馈文本对应的平台反馈描述知识，依据所述平台反馈描述知识进行显著性偏心系数计算，得到平台反馈显著性偏心系数，以及依据所述平台反馈显著性偏心系数对所述平台反馈描述知识执行偏心计算，得到显著性平台反馈描述知识；基于所述用户反馈类型分析模型将所述显著性平台反馈描述知识和所述显著性商品反馈描述知识进行知识交互，得到融合描述知识，依据所述融合描述知识进行用户反馈类型分析，得到用户反馈类型分析结果。

作为一种可行的实施方案，所述用户反馈类型分析模型包括文本描述知识抽取模块，所述提取所述商品反馈信息中的商品反馈文本和平台反馈文本，包括：将所述商品反馈信息输入所述文本描述知识抽取模块中进行知识抽取，得到商品反馈信息描述知识；依据所述商品反馈信息描述知识进行文本内容解析分离，得到商品反馈文本和平台反馈文本。

作为一种可行的实施方案，所述商品反馈文本处理模块包括商品反馈描述知识抽取单元和商品反馈显著性描述知识抽取单元，所述依据所述商品反馈文本对应的商品反馈描述知识进行显著性偏心系数计算，得到商品反馈显著性偏心系数，以及依据所述商品反馈显著性偏心系数调节所述商品反馈描述知识，得到显著性商品反馈描述知识，包括：将所述商品反馈文本输入所述商品反馈描述知识抽取单元进行知识抽取，得到所述商品反馈文本对应的商品反馈描述知识；将所述商品反馈描述知识输入所述商品反馈显著性描述知识抽取单元进行显著性偏心系数计算，得到所述商品反馈显著性偏心系数，依据所述商品反馈显著性偏心系数对所述商品反馈描述知识执行偏心计算，得到所述显著性商品反馈描述知识。

作为一种可行的实施方案，所述将所述商品反馈描述知识输入所述商品反馈显著性描述知识抽取单元进行显著性偏心系数计算，得到所述商品反馈显著性偏心系数，依据所述商品反馈显著性偏心系数对所述商品反馈描述知识执行偏心计算，得到所述显著性商品反馈描述知识，包括：基于所述商品反馈显著性描述知识抽取单元中的广义均值降采样层将所述商品反馈描述知识进行知识保留降维，得到商品反馈降维知识；依据所述商品反馈显著性描述知识抽取单元中的知识挖掘层将所述商品反馈降维知识进行知识提炼，得到商品反馈提炼知识；将所述商品反馈提炼知识基于所述商品反馈显著性描述知识抽取单元中的激励层进行激励，得到商品反馈激励知识；依据所述商品反馈显著性描述知识抽取单元中的偏心系数投影层将所述商品反馈激励知识进行偏心系数投影，得到所述商品反馈显著性偏心系数；依据所述商品反馈显著性偏心系数对所述商品反馈描述知识中的知识向量执行偏心计算，得到商品反馈侧重知识，依据所述商品反馈侧重知识基于所述商品反馈显著性描述知识抽取单元中的最大降采样层进行最大降采样操作，得到所述显著性商品反馈描述知识。

作为一种可行的实施方案，所述平台反馈文本处理模块包括平台反馈描述知识抽取单元和平台反馈显著性描述知识抽取单元，所述依据所述平台反馈文本对应的平台反馈描述知识进行显著性偏心系数计算，得到平台反馈显著性偏心系数，以及依据所述平台反馈显著性偏心系数调节所述平台反馈描述知识，得到显著性平台反馈描述知识，包括：将所述平台反馈文本输入所述平台反馈描述知识抽取单元中进行知识抽取，得到所述平台反馈文本对应的平台反馈描述知识；将所述平台反馈描述知识输入所述平台反馈显著性描述知识抽取单元中进行显著性偏心系数计算，得到所述平台反馈显著性偏心系数，依据所述平台反馈显著性偏心系数对所述平台反馈描述知识执行偏心计算，得到所述显著性平台反馈描述知识。

作为一种可行的实施方案，所述将所述平台反馈描述知识输入所述平台反馈显著性描述知识抽取单元中进行显著性偏心系数计算，得到所述平台反馈显著性偏心系数，依据所述平台反馈显著性偏心系数对所述平台反馈描述知识执行偏心计算，得到所述显著性平台反馈描述知识，包括：基于所述平台反馈显著性描述知识抽取单元中的广义均值降采样层将所述平台反馈描述知识进行知识保留降维，得到平台反馈降维知识；依据所述平台反馈显著性描述知识抽取单元中的知识挖掘层将所述平台反馈降维知识进行知识提炼，得到平台反馈提炼知识；将所述平台反馈提炼知识基于所述平台反馈显著性描述知识抽取单元中的激励层进行激励，得到平台反馈激励知识；并依据所述平台反馈显著性描述知识抽取单元中的偏心系数投影层将所述平台反馈激励知识进行偏心系数投影，得到所述平台反馈显著性偏心系数；依据所述平台反馈显著性偏心系数对所述平台反馈描述知识中的知识向量执行偏心计算，得到平台反馈侧重知识，依据所述平台反馈侧重知识基于所述平台反馈显著性描述知识抽取单元中的最大降采样层进行最大降采样操作，得到所述显著性平台反馈描述知识。

作为一种可行的实施方案，所述用户反馈类型分析模型包括知识融合模块，所述将所述显著性平台反馈描述知识和所述显著性商品反馈描述知识进行知识交互，得到融合描述知识，依据所述融合描述知识进行用户反馈类型分析，得到所述商品反馈信息对应的用户反馈类型分析结果，包括：基于所述知识融合模块中的知识融合层将所述显著性平台反馈描述知识和所述显著性商品反馈描述知识进行组合，得到组合描述知识；将所述组合描述知识输入至所述知识融合模块中的反馈分类层进行用户反馈类型分析，得到所述用户反馈类型分析结果。

作为一种可行的实施方案，所述方法还包括：获取商品反馈信息模板和所述商品反馈信息模板相应的用户反馈类型模板标记，将所述商品反馈信息模板输入至预设用户反馈类型分析模型；依据所述预设用户反馈类型分析模型提取所述商品反馈信息模板中的临时商品反馈文本模板和临时平台反馈文本模板，将所述临时商品反馈文本输入临时商品反馈文本处理模块中，并将所述临时平台反馈文本输入临时平台反馈文本处理模块中；所述临时商品反馈文本处理模块依据所述临时商品反馈文本模板对应的临时商品反馈描述知识进行显著性偏心系数计算，得到临时商品反馈显著性偏心系数，以及依据所述临时商品反馈显著性偏心系数调节所述临时商品反馈描述知识，得到临时显著性商品反馈描述知识；所述临时平台反馈文本处理模块依据所述临时平台反馈文本模板对应的临时平台反馈描述知识进行显著性偏心系数计算，得到临时平台反馈显著性偏心系数，以及依据所述临时平台反馈显著性偏心系数调节所述临时平台反馈描述知识，得到临时显著性平台反馈描述知识；依据所述预设用户反馈类型分析模型将所述临时显著性平台反馈描述知识和所述临时显著性商品反馈描述知识进行知识交互，得到临时融合描述知识，依据所述临时融合描述知识进行用户反馈类型分析，得到临时用户反馈类型分析结果；计算所述临时用户反馈类型分析结果和所述用户反馈类型模板标记的优化代价，依据所述优化代价优化所述预设用户反馈类型分析模型，然后返回将所述商品反馈信息模板输入至预设用户反馈类型分析模型的步骤进行重复，当符合重复停止条件时停止时，得到优化后的用户反馈类型分析模型。

作为一种可行的实施方案，所述计算所述临时用户反馈类型分析结果和所述用户反馈类型模板标记的优化代价，依据所述优化代价优化所述预设用户反馈类型分析模型，然后返回将所述商品反馈信息模板输入至预设用户反馈类型分析模型的步骤进行重复，当符合重复停止条件时停止时，得到优化后的用户反馈类型分析模型，包括：依据对数似然目标函数获取所述临时用户反馈类型分析结果与所述用户反馈类型模板标记的损失，得到优化代价；在所述优化代价小于优化代价目标值时，依据所述优化代价优化所述预设用户反馈类型分析模型，得到优化用户反馈类型分析模型；将所述优化用户反馈类型分析模型作为预设用户反馈类型分析模型，然后返回将所述商品反馈信息模板输入至预设用户反馈类型分析模型中的步骤进行重复，直到所述优化代价大于优化代价目标值时，将大于优化代价目标值的预设用户反馈类型分析模型作为优化后的用户反馈类型分析模型。

作为一种可行的实施方案，所述预设用户反馈类型分析模型包括临时文本描述知识抽取模块、临时商品反馈描述知识抽取单元和临时平台反馈描述知识抽取单元，在所述获取商品反馈信息模板和所述商品反馈信息模板相应的用户反馈类型模板标记之前，所述方法还包括：获取商品反馈信息前置模板和用户反馈类型模板前置标记；将所述商品反馈信息前置模板输入至用户反馈类型分析前置模型，所述用户反馈类型分析前置模型基于知识抽取单元对所述商品反馈信息前置模板进行知识抽取，得到商品反馈信息前置模板描述知识，依据所述商品反馈信息前置模板描述知识进行用户反馈类型分析，得到用户反馈类型前置分析结果；依据所述用户反馈类型前置分析结果和所述用户反馈类型模板前置标记计算前置优化代价，依据所述前置优化代价优化用户反馈类型分析前置模型，然后返回将所述商品反馈信息前置模板输入至用户反馈类型分析前置模型中的步骤进行重复直到提前优化完成，依据提前优化完成的知识抽取单元得到所述预设用户反馈类型分析模型中的临时文本描述知识抽取模块、临时商品反馈描述知识抽取单元和临时平台反馈描述知识抽取单元。

第二方面，本申请实施例提供一种电商平台用户反馈分析系统，包括互相通信的电商运营服务器和用户终端，所述电商运营服务器包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器用于在执行所述计算机程序时，实现如第一方面所述的方法。

本申请实施例提供的基于人工智能的电商平台用户反馈分析方法及系统，通过获取目标用户对应的商品反馈信息；提取商品反馈信息中的商品反馈文本和平台反馈文本；依据商品反馈文本对应的商品反馈描述知识进行显著性偏心系数计算，得到商品反馈显著性偏心系数，以及依据商品反馈显著性偏心系数调节商品反馈描述知识，得到显著性商品反馈描述知识；依据平台反馈文本对应的平台反馈描述知识进行显著性偏心系数计算，得到平台反馈显著性偏心系数，以及依据平台反馈显著性偏心系数调节平台反馈描述知识，得到显著性平台反馈描述知识；将显著性平台反馈描述知识和显著性商品反馈描述知识进行知识交互，得到融合描述知识，依据融合描述知识进行用户反馈类型分析，得到商品反馈信息对应的用户反馈类型分析结果。由于在分析过程中，基于提取显著性商品反馈描述知识和显著性平台反馈描述知识，然后将临时显著性平台反馈描述知识和临时显著性商品反馈描述知识进行知识交互，并分析出用户反馈类型分析结果，多个维度的综合分析，使得用户反馈类型分析的结果更加精确可靠，便于应用用户反馈类型分析结果对电商平台的商品和运营服务进行针对性地优化。此外，借助人工智能进行数据处理分析，分析的效率高，保证了用户分析的时效性。

在接下来的技术描述中，将部分地陈述其他的特征。在检查后面内容和附图时，本领域的技术人员将部分地发现这些特征，或者可以通过生产或运用了解到这些特征。通过实践或使用后面所述详细示例中列出的方法、工具和组合的各个方面，当前申请中的特征可以被实现和获得。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。

图1是本申请实施例提供的电商平台用户反馈分析系统的组成示意图。

图2是本申请实施例提供的一种基于人工智能的电商平台用户反馈分析方法的流程图。

图3是本申请实施例提供的电商平台用户反馈分析装置的功能模块架构示意图。

图4是本申请实施例提供的一种电商运营服务器的组成示意图。

具体实施方式

为了使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请作进一步地详细描述，所描述的实施例不应视为对本申请的限制，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它实施例，都属于本申请保护的范围。

在以下的描述中，涉及到“一些实施例”、“作为一种实施方式/方案”、“在一种实施方式中”，其描述了所有可能实施例的子集，但是可以理解，“一些实施例”、“作为一种实施方式/方案”、“在一种实施方式中”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。

在以下的描述中，所涉及的术语“第一\第二\第三”等类似术语，仅仅是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序，以使这里描述的本申请实施例能够以除了在这里图示或描述的以外的顺序实施。除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。

本申请实施例提供的基于人工智能的电商平台用户反馈分析方法可以由电商运营服务器执行，例如是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。

图1是本申请实施例提供的电商平台用户反馈分析系统400的组成示意图，电商平台用户反馈分析系统400包括用户终端100、网络200和电商运营服务器300，至少一个用户终端100和电商运营服务器300之间通过网络200实现通信连接。用户终端100例如是用户使用电商平台的电子设备，例如个人电脑、智能手机、平板电脑、数字助理等。电商运营服务器300用于执行本申请实施例提供的方法。具体地，本申请实施例提供了一种基于人工智能的电商平台用户反馈分析方法，该方法应用于电商运营服务器300，如图2所示，该方法包括：

STEP1：获取目标用户对应的商品反馈信息。

STEP2：提取商品反馈信息中的商品反馈文本和平台反馈文本。

本申请实施例中，商品反馈信息是目标用户针对商品进行的反馈评价，其反馈的方式和途径本申请不做限定，例如在电商平台中，商品评价模块中进行商品售后评价，或在商品对应的客服模块进行的评价，或在电商平台发布的调查问卷中进行的反馈等等。商品反馈文本为商品反馈信息中用户对目标商品进行的反馈文本信息，例如对商品的质量、性价比、使用感受等。平台反馈文本为商品反馈信息中用户对电商平台进行的反馈，包括但不限于客服服务、配送服务、售后服务、商品周边服务等。电商运营服务器将商品反馈信息进行分离，得到商品反馈信息中的商品反馈文本和平台反馈文本，分离的方式不做限定，例如不同的版块配置对应的反馈信息，基于预设的反馈版块即可获取对应的文本信息。

STEP3：依据商品反馈文本对应的商品反馈描述知识进行显著性偏心系数计算，得到商品反馈显著性偏心系数，以及依据商品反馈显著性偏心系数调节商品反馈描述知识，得到显著性商品反馈描述知识。

商品反馈描述知识为商品反馈文本对应的文本特征矢量表达，例如先通过文本分词、编码得到词向量，再进行知识抽取得到的向量或矩阵；商品反馈显著性偏心系数是基于自注意力机制获取的商品反馈描述知识对应的偏心系数，偏心系数表征对应的商品反馈描述知识受偏心的程度(被关注的程度)，其可以是被赋予的权值信息；显著性商品反馈描述知识为对商品反馈描述知识依据商品反馈显著性偏心系数执行偏心计算后获得的描述知识。

例如，电商运营服务器提取商品反馈文本对应的商品反馈描述知识，可以基于TF-IDF、Word2Vec、CountVectorizer等方法提取商品反馈文本的商品反馈描述知识，再依据商品反馈描述知识进行显著性偏心系数计算，得到商品反馈显著性偏心系数，例如基于自注意力机制构建的模型进行显著性偏心系数的获取，依据商品反馈显著性偏心系数对商品反馈描述知识执行偏心计算，得到显著性商品反馈描述知识。

STEP4：依据平台反馈文本对应的平台反馈描述知识进行显著性偏心系数计算，得到平台反馈显著性偏心系数，以及依据平台反馈显著性偏心系数调节平台反馈描述知识，得到显著性平台反馈描述知识。

平台反馈描述知识为平台反馈文本对应的描述知识，平台反馈显著性偏心系数是基于自注意力机制获取的平台反馈描述知识对应的偏心系数，显著性平台反馈描述知识为对平台反馈描述知识依据商品反馈显著性偏心系数执行偏心计算后获得的描述知识。

STEP5：将显著性平台反馈描述知识和显著性商品反馈描述知识进行知识交互，得到融合描述知识，依据融合描述知识进行用户反馈类型分析，得到商品反馈信息对应的用户反馈类型分析结果。

融合描述知识为将显著性平台反馈描述知识和显著性商品反馈描述知识融合获得的描述知识。用户反馈类型分析结果为商品反馈信息对应的用户反馈类型，该用户反馈类型例如通过编码体现，不同的编码对应不同的类型，反馈类型可以根据实际需要进行粒度的划分，例如类型A-B01(商品满意；服务不满意-配送服务不满意)、类型A-B02(商品满意；服务不满意-客服服务不满意)、类型A01-B(商品不满意-质量不满意；服务满意)、类型A02-B(商品不满意-价格不满意；服务满意)等等，此处不再罗列。

可选地，将显著性平台反馈描述知识和显著性商品反馈描述知识进行知识交互，得到融合描述知识，融合描述知识例如可以将显著性平台反馈描述知识和显著性商品反馈描述知识进行组合(拼接)获得的描述知识，或者，融合描述知识可以为将向量相加或相乘获得的描述知识。接着依据融合描述知识进行用户反馈类型分析，得到商品反馈信息对应的用户反馈类型分析结果，例如依据CNN对融合描述知识进行用户反馈类型分析，得到商品反馈信息对应的用户反馈类型分析结果。

本申请实施例提供的基于人工智能的电商平台用户反馈分析方法，基于提取商品反馈信息中的商品反馈文本和平台反馈文本，依据商品反馈文本对应的商品反馈描述知识进行显著性偏心系数计算，得到商品反馈显著性偏心系数，以及依据商品反馈显著性偏心系数调节商品反馈描述知识，得到显著性商品反馈描述知识。依据平台反馈文本对应的平台反馈描述知识进行显著性偏心系数计算，得到平台反馈显著性偏心系数，以及依据平台反馈显著性偏心系数调节平台反馈描述知识，得到显著性平台反馈描述知识，将显著性商品反馈描述知识和显著性平台反馈描述知识融合后进行用户反馈类型分析，即基于平台反馈文本和商品反馈文本的综合信息对反馈信息进行类型分析，获取到的关于用户反馈类型分析描述知识更加准确，以确保用户反馈类型分析准确。

上述基于人工智能的电商平台用户反馈分析方法可以基于用户反馈类型分析模型进行执行，则在对应的实施例中，该方法可以包括如下步骤：

STEP10：调取用户反馈类型分析模型，并将商品反馈信息输入至用户反馈类型分析模型中。

STEP20：基于用户反馈类型分析模型提取商品反馈信息中的商品反馈文本和平台反馈文本，将商品反馈文本输入商品反馈文本处理模块中，并将平台反馈文本输入平台反馈文本处理模块中。

本申请实施例中，用户反馈类型分析模型包括皆设置注意力机制的商品反馈文本处理模块和平台反馈文本处理模块，商品反馈文本处理模块用于提取显著性商品反馈描述知识，平台反馈文本处理模块用于提取显著性商品反馈描述知识。可选地实施方案中，商品反馈文本处理模块和平台反馈文本处理模块具有一致的结构和参数。电商运营服务器获取到商品反馈信息，将商品反馈信息输入至用户反馈类型分析模型，用户反馈类型分析模型根据输入的商品反馈信息，对商品反馈信息的文本进行知识抽取，然后依据文本知识进行文本内容解析分离，得到商品反馈文本和平台反馈文本，将商品反馈文本输入至用户反馈类型分析模型的商品反馈文本处理模块，并将平台反馈文本输入用户反馈类型分析模型的平台反馈文本处理模块。

STEP30：基于商品反馈文本处理模块提取商品反馈文本对应的商品反馈描述知识，依据商品反馈描述知识进行显著性偏心系数计算，得到商品反馈显著性偏心系数，以及依据商品反馈显著性偏心系数对商品反馈描述知识执行偏心计算，得到显著性商品反馈描述知识。

商品反馈文本处理模块可以基于商品反馈描述知识抽取单元提取商品反馈文本对应的商品反馈描述知识，商品反馈描述知识抽取单元可以任意可实现的深度学习网络，如RNN、CNN、Transformer等；再将商品反馈描述知识进行显著性偏心系数计算，得到商品反馈显著性偏心系数，譬如将商品反馈描述知识进行降采样并进行提炼，如此减少计算量后获取商品反馈描述知识中的关键信息，将提炼结果进行偏心系数投影，映射得到商品反馈显著性偏心系数，最后基于商品反馈显著性偏心系数对商品反馈描述知识执行偏心计算，得到显著性商品反馈描述知识。

STEP40：基于平台反馈文本处理模块提取平台反馈文本对应的平台反馈描述知识，依据平台反馈描述知识进行显著性偏心系数计算，得到平台反馈显著性偏心系数，以及依据平台反馈显著性偏心系数对平台反馈描述知识执行偏心计算，得到显著性平台反馈描述知识。

参考STEP30，平台反馈文本处理模块可以基于平台反馈描述知识抽取单元提取平台反馈文本对应的平台反馈描述知识，对应的，平台反馈描述知识抽取单元可以是RNN、CNN、Transformer等深度学习网络，且平台反馈描述知识抽取单元与商品反馈描述知识抽取单元具有一致的结构，不同的模型参数。在获取到平台反馈描述知识时，平台反馈文本处理模块依据平台反馈描述知识进行显著性偏心系数计算，譬如平台反馈文本处理模块将平台反馈描述知识进行降采样并进行提炼，获取平台反馈描述知识中的关键信息，再将提炼得到的平台反馈描述知识进行偏心系数投影，得到平台反馈显著性偏心系数，最后基于平台反馈显著性偏心系数对平台反馈描述知识执行偏心计算，得到显著性平台反馈描述知识。

STEP50：基于用户反馈类型分析模型将显著性平台反馈描述知识和显著性商品反馈描述知识进行知识交互，得到融合描述知识，依据融合描述知识进行用户反馈类型分析，得到用户反馈类型分析结果。

本申请实施例中，用户反馈类型分析模型将显著性平台反馈描述知识和显著性商品反馈描述知识进行组合，例如将对应的知识向量进行拼接(或者相加或相乘)，得到融合描述知识，将融合描述知识进行用户反馈类型分析得到用户反馈类型分析结果，最后将用户反馈类型分析结果进行输出。

基于此，采用预设的用户反馈类型分析模型对商品反馈信息进行用户反馈类型分析，也即提取商品反馈信息中的商品反馈文本和平台反馈文本，将商品反馈文本输入商品反馈文本处理模块中，并将平台反馈文本输入平台反馈文本处理模块中，商品反馈文本处理模块提取到显著性平台反馈描述知识，以及依据平台反馈文本处理模块提取到显著性商品反馈描述知识，将显著性平台反馈描述知识和显著性商品反馈描述知识进行知识交互，得到融合描述知识，依据融合描述知识进行用户反馈类型分析，得到用户反馈类型分析结果，由于用户反馈类型分析模型基于两个支线的模块一并对平台反馈文本和商品反馈文本提取到显著性平台反馈描述知识和显著性商品反馈描述知识，再基于显著性平台反馈描述知识和显著性商品反馈描述知识进行用户反馈类型分析结果，用户反馈类型分析结果的准确性得到保障，更加可靠，有利于电商运营的精准决策。例如，在一些可独立实施的技术方案中，获得用户反馈类型分析结果后，可以基于用户反馈类型分析结果进行电商产品和运营服务的优化，例如统计多个用户针对相同商品的用户反馈类型分析结果，进行聚类统计后得到的商品的整体反馈信息，基于该整体反馈信息进行对产品或凭条服务的针对性调整优化。又或者，针对单一目标用户的多个商品对应的用户反馈类型分析结果，分析该目标用户对电商服务的需求画像，针对性地向目标用户进行合适商品的推送，例如通过多商品分析，得到目标用户甲的商品需求是重性价比-轻快递时效，那么在对目标用户进行商品推送时，可以向其推送物流较慢，但是较为便宜的商品。例如，目标用户的商品需求可以基于如下方式获取：获取目标用户对应的多商品反馈类型标签；对多商品反馈类型标签进行拆分，得到商品反馈子标签和平台反馈子标签；对商品反馈子标签和平台反馈子标签各自进行聚类，得到聚类结果；将商品反馈子标签和平台反馈子标签各自对应的聚类结果中，最大的聚类结果作为代表聚类结果；将代表聚类结果进行组合，得到最大聚类组合；依据该最大聚类组合得到反馈类型标签；依据反馈类型标签获取用户的商品需求。如此，可以提升电商平台的服务质量、用户转化率以及用户的使用粘性。

可选地实施方案中，用户反馈类型分析模型包括文本描述知识抽取模块，步骤“提取商品反馈信息中的商品反馈文本和平台反馈文本”，具体可以包括：将商品反馈信息输入文本描述知识抽取模块中进行知识抽取，得到商品反馈信息描述知识；依据商品反馈信息描述知识进行文本内容解析分离，得到商品反馈文本和平台反馈文本。其中，文本描述知识抽取模块用于对商品反馈信息进行知识抽取，文本描述知识抽取模块可以为CNN。商品反馈信息描述知识为商品反馈信息的矢量表达，在基于CNN进行文本知识抽取时，卷积之前，先将文本进行维度映射，按照预设的词映射函数得到词嵌入矩阵。用户反馈类型分析模型将商品反馈信息输入文本描述知识抽取模块中进行知识抽取，得到输出的商品反馈信息描述知识，依据商品反馈信息描述知识进行文本内容解析分离，得到商品反馈文本和平台反馈文本，例如基于不同版块对应的描述知识中携带的知识标记进行分离。

可选地实施方案中，商品反馈文本处理模块包括商品反馈描述知识抽取单元和商品反馈显著性描述知识抽取单元；依据商品反馈文本对应的商品反馈描述知识进行显著性偏心系数计算，得到商品反馈显著性偏心系数，以及依据商品反馈显著性偏心系数调节商品反馈描述知识，得到显著性商品反馈描述知识，包括：将商品反馈文本输入商品反馈描述知识抽取单元中进行知识抽取，得到商品反馈文本对应的商品反馈描述知识；将商品反馈描述知识输入商品反馈显著性描述知识抽取单元中进行显著性偏心系数计算，得到商品反馈显著性偏心系数，依据商品反馈显著性偏心系数对商品反馈描述知识执行偏心计算，得到显著性商品反馈描述知识。其中，商品反馈描述知识抽取单元为在商品反馈文本进行知识抽取的网络单元，商品反馈显著性描述知识抽取单元为在商品反馈描述知识提取显著性描述知识的网络单元。

示例性地，用户反馈类型分析模型中的各个支线模块皆包含对应的知识抽取单元和显著性知识抽取单元，则可以将商品反馈文本输入商品反馈描述知识抽取单元中进行知识抽取，得到商品反馈文本对应的商品反馈描述知识集合，再将商品反馈描述知识输入商品反馈显著性描述知识抽取单元中进行显著性偏心系数计算，得到商品反馈显著性偏心系数，依据商品反馈显著性偏心系数对商品反馈描述知识执行偏心计算，得到显著性商品反馈描述知识。

可选地实施方案中，将商品反馈描述知识输入商品反馈显著性描述知识抽取单元中进行显著性偏心系数计算，得到商品反馈显著性偏心系数，依据商品反馈显著性偏心系数对商品反馈描述知识执行偏心计算，得到显著性商品反馈描述知识，具体可以包括：

(1)基于商品反馈显著性描述知识抽取单元中的广义均值降采样层将商品反馈描述知识进行知识保留降维，得到商品反馈降维知识。

广义均值降采样层对商品反馈描述知识进行知识保留降维的过程是进行广义均值池化的过程，在保留了知识信息的情况下完成维度的下降。除了广义均值池化，还可以基于商品反馈显著性描述知识抽取单元中的最大降采样层进行最大降采样操作，得到商品反馈降维知识。

(2)依据商品反馈显著性描述知识抽取单元中的知识挖掘层将商品反馈降维知识进行知识提炼，得到商品反馈提炼知识。

知识挖掘层进行知识提炼的过程可以采用非线性函数进行描述知识的压缩，完成商品反馈描述知识中关键信息的获取。

(3)将商品反馈提炼知识基于商品反馈显著性描述知识抽取单元中的激励层进行激励，得到商品反馈激励知识。

激励层对商品反馈提炼知识进行激励的过程可以采用任意可行的激励函数进行，例如Sigmoid function。

(4)依据商品反馈显著性描述知识抽取单元中的偏心系数投影层将商品反馈激励知识进行偏心系数投影，得到商品反馈显著性偏心系数。

偏心系数投影层用于进行显著性偏心系数的投影，将商品反馈激励知识映射为偏心系数，其可以是向量。

(5)依据商品反馈显著性偏心系数对商品反馈描述知识中的知识向量执行偏心计算，得到商品反馈侧重知识，依据商品反馈侧重知识基于商品反馈显著性描述知识抽取单元中的最大降采样层进行最大降采样操作，得到显著性商品反馈描述知识。

依据商品反馈显著性偏心系数对商品反馈描述知识中的知识向量执行偏心计算，得到商品反馈侧重知识，对商品反馈侧重知识输入至最大降采样层进行最大降采样操作，得到显著性商品反馈描述知识。显著性知识抽取单元的网络结构中，conv、pool以及Sigmoid等层级的输出尺寸和对应的运算核大小不做限定。

基于以上步骤(1)～(5)，基于商品反馈文本处理模块中的商品反馈描述知识抽取单元和商品反馈显著性知识抽取单元抽取得到的显著性平台反馈描述知识，获得的显著性平台反馈描述知识准确性高。

可选地实施方案中，平台反馈文本处理模块包括平台反馈描述知识抽取单元和平台反馈显著性描述知识抽取单元，依据平台反馈文本对应的平台反馈描述知识进行显著性偏心系数计算，得到平台反馈显著性偏心系数，以及依据平台反馈显著性偏心系数调节平台反馈描述知识，得到显著性平台反馈描述知识，具体可以包括：将平台反馈文本输入平台反馈描述知识抽取单元中进行知识抽取，得到平台反馈文本对应的平台反馈描述知识；将平台反馈描述知识输入平台反馈显著性描述知识抽取单元中进行显著性偏心系数计算，得到平台反馈显著性偏心系数，依据平台反馈显著性偏心系数对平台反馈描述知识执行偏心计算，得到显著性平台反馈描述知识。其中，平台反馈描述知识抽取单元为提取平台反馈文本对应描述知识的网络单元，平台反馈显著性描述知识抽取单元为对商品反馈描述知识进行显著性知识抽取的网络单元。用户反馈类型分析模型的平台反馈文本处理模块将平台反馈文本输入平台反馈描述知识抽取单元中进行知识抽取，得到平台反馈文本对应的平台反馈描述知识，将平台反馈描述知识输入平台反馈显著性描述知识抽取单元中进行显著性偏心系数计算，得到平台反馈显著性偏心系数，将平台反馈显著性偏心系数乘以平台反馈描述知识得到显著性平台反馈描述知识。

可选地实施方案中，将平台反馈描述知识输入平台反馈显著性描述知识抽取单元中进行显著性偏心系数计算，得到平台反馈显著性偏心系数，依据平台反馈显著性偏心系数对平台反馈描述知识执行偏心计算，得到显著性平台反馈描述知识，具体可以包括：

(A)基于平台反馈显著性描述知识抽取单元中的广义均值降采样层将平台反馈描述知识进行知识保留降维，得到平台反馈降维知识。

其中，平台反馈显著性描述知识抽取单元中的广义均值降采样层用于将平台反馈描述知识进行知识保留降维。

(B)依据平台反馈显著性描述知识抽取单元中的知识挖掘层将平台反馈降维知识进行知识提炼，得到平台反馈提炼知识。

平台反馈显著性描述知识抽取单元中的知识挖掘层用于进行知识提炼，平台反馈提炼知识为知识提炼后获得的描述知识。

(C)将平台反馈提炼知识基于平台反馈显著性描述知识抽取单元中的激励层进行激励，得到平台反馈激励知识。

平台反馈显著性描述知识抽取单元中的激励层用于依据激励函数(如Sigmoid)进行激励。，平台反馈激励知识为对平台反馈提炼知识进行激励后获得的描述知识。

(D)依据平台反馈显著性描述知识抽取单元中的偏心系数投影层将平台反馈激励知识进行偏心系数投影，得到平台反馈显著性偏心系数。

平台反馈显著性描述知识抽取单元中的偏心系数投影层用于将平台反馈激励知识进行偏心系数投影。将平台反馈激励知识输入至平台反馈显著性描述知识抽取单元中的偏心系数投影层中进行偏心系数投影，得到平台反馈显著性偏心系数。例如将128维的平台反馈激励知识输入至偏心系数投影层进行偏心系数投影，得到1024维的平台反馈显著性偏心系数向量，其代表1024个通道的权值。

(E)依据平台反馈显著性偏心系数对平台反馈描述知识中的知识向量执行偏心计算，得到平台反馈侧重知识，依据平台反馈侧重知识基于平台反馈显著性描述知识抽取单元中的最大降采样层进行最大降采样操作，得到显著性平台反馈描述知识。

可以通过将平台反馈显著性偏心系数乘以平台反馈描述知识，得到平台反馈侧重知识，再将平台反馈侧重知识基于平台反馈显著性描述知识抽取单元中的最大降采样层进行最大降采样操作，得到显著性平台反馈描述知识。换言之，依据上述示例中1024维的平台反馈显著性偏心系数向量对平台反馈描述知识的每个通道执行偏心计算，得到显著性平台反馈描述知识集合。接着对显著性平台反馈描述知识集合进行最大降采样操作，得到1024维显著性平台反馈描述知识向量，具体可以基于上述步骤(5)提及的显著性知识抽取单元进行。

基于上述步骤(A)～(E)，基于平台反馈文本处理模块中的平台反馈描述知识抽取单元和平台反馈显著性描述知识抽取单元提取得到的显著性平台反馈描述知识，获得的显著性平台反馈描述知识准确性高。

可选地实施方案中，用户反馈类型分析模型包括知识融合模块，将显著性平台反馈描述知识和显著性商品反馈描述知识进行知识交互，得到融合描述知识，依据融合描述知识进行用户反馈类型分析，得到用户反馈类型分析结果，具体可以包括：

基于知识融合模块中的知识融合层将显著性平台反馈描述知识和显著性商品反馈描述知识进行组合，得到组合描述知识；将组合描述知识输入至知识融合模块中的反馈分类层进行用户反馈类型分析，得到用户反馈类型分析结果。其中，知识融合模块为将知识交互并进行用户反馈类型分析的网络模块，知识融合模块中的知识融合层用于进行知识交互，知识融合模块中的反馈分类层用于进行用户反馈类型分析，输出用户反馈类型分析结果。可以基于知识融合模块中的知识融合层将显著性平台反馈描述知识和显著性商品反馈描述知识的向量组合得到组合描述知识，将组合描述知识输入至知识融合模块中的反馈分类层进行用户反馈类型分析，得到多个用户反馈类型的各自对应的置信度，将最大置信度对应的用户反馈类型确定为最终的用户反馈类型分析结果。例如，该知识融合模块可以包括全连接层和融合层，融合层的具体的输出尺寸不做限定，全连接层的输出尺寸为用户反馈类型的数量。

基于上述过程，基于知识融合模块将显著性平台反馈描述知识和显著性商品反馈描述知识融合得到的描述知识进行用户反馈类型分析分类，用户反馈类型分析更加准确。

可选地实施方案中，本申请实施例还包括用户反馈类型分析模型的优化过程，具体可以包括如下步骤：

STEP100：获取商品反馈信息模板和所述商品反馈信息模板相应的用户反馈类型模板标记，将商品反馈信息模板输入至预设用户反馈类型分析模型。

商品反馈信息模板为模型优化过程中设置用户反馈类型模板标记的商品反馈信息，用户反馈类型模板标记为商品反馈信息模板对应的真实用户反馈类型的批注性信息，例如A01-B。预设用户反馈类型分析模型为参数完成初始化的用户反馈类型分析模型，方式不做限定，如随机进行。

STEP200：基于预设用户反馈类型分析模型提取商品反馈信息模板中的临时商品反馈文本模板和临时平台反馈文本模板，将临时商品反馈文本输入临时商品反馈文本处理模块中，并将临时平台反馈文本输入临时平台反馈文本处理模块中。

临时商品反馈文本模板为预设用户反馈类型分析模型提取的商品反馈信息模板中的商品反馈文本，临时平台反馈文本模板为预设用户反馈类型分析模型提取的商品反馈信息模板中的平台反馈文本，临时商品反馈文本处理模块为参数初始化的商品反馈文本处理模块，临时平台反馈文本处理模块为参数初始化的平台反馈文本处理模块。预设用户反馈类型分析模型可以基于临时文本描述知识抽取模块提取商品反馈信息模板中临时文本描述知识，根据临时文本描述知识抽取商品反馈信息模板中的临时商品反馈文本模板和临时平台反馈文本模板，再将临时商品反馈文本输入临时商品反馈文本处理模块，并将临时平台反馈文本输入临时平台反馈文本处理模块。临时文本描述知识抽取模块为参数初始化的文本描述知识抽取模块，被配置为对反馈信息进行知识抽取，临时文本描述知识抽取模块的初始化参数为事先优化获取的。

STEP300：临时商品反馈文本处理模块依据临时商品反馈文本模板对应的临时商品反馈描述知识进行显著性偏心系数计算，得到临时商品反馈显著性偏心系数，以及依据临时商品反馈显著性偏心系数调节临时商品反馈描述知识，得到临时显著性商品反馈描述知识。

临时商品反馈描述知识为提取到的临时商品反馈文本模板对应的描述知识，临时商品反馈显著性偏心系数为临时商品反馈文本模板对应的商品反馈显著性偏心系数，临时显著性商品反馈描述知识为临时商品反馈文本模板对应显著性商品反馈描述知识。临时商品反馈文本处理模块将临时商品反馈文本模板输入至临时商品反馈描述知识抽取单元中进行知识抽取得到临时商品反馈描述知识，临时商品反馈描述知识抽取单元的初始化参数为事先优化确定，接着将临时商品反馈描述知识输入至临时商品反馈显著性描述知识抽取单元中进行显著性偏心系数计算，得到临时商品反馈显著性偏心系数，以及依据临时商品反馈显著性偏心系数对临时商品反馈描述知识执行偏心计算，得到临时显著性商品反馈描述知识，其中，临时商品反馈显著性描述知识抽取单元的初始化参数可以是随机获取的。

STEP400：临时平台反馈文本处理模块依据临时平台反馈文本模板对应的临时平台反馈描述知识进行显著性偏心系数计算，得到临时平台反馈显著性偏心系数，以及依据临时平台反馈显著性偏心系数调节临时平台反馈描述知识，得到临时显著性平台反馈描述知识。

临时平台反馈描述知识为临时平台反馈文本模板对应的平台反馈描述知识，临时平台反馈显著性偏心系数为临时平台反馈文本模板对应的平台反馈显著性偏心系数，临时显著性平台反馈描述知识为临时平台反馈文本模板对应的显著性平台反馈描述知识。临时平台反馈文本处理模块将临时平台反馈文本模板输入至临时平台反馈文本知识抽取单元中进行知识抽取，得到临时平台反馈描述知识，临时平台反馈文本知识抽取单元是对临时平台反馈文本模板进行知识抽取的网络单元，临时平台反馈文本知识抽取单元的初始化参数事先优化确定，将临时平台反馈描述知识输入至临时平台反馈显著性描述知识抽取单元中进行显著性偏心系数计算，得到临时平台反馈显著性偏心系数，以及依据临时平台反馈显著性偏心系数对临时平台反馈描述知识执行偏心计算，得到临时显著性平台反馈描述知识，临时平台反馈显著性描述知识抽取单元中的初始化参数可以随机获取。

STEP500：预设用户反馈类型分析模型将临时显著性平台反馈描述知识和临时显著性商品反馈描述知识进行知识交互，得到临时融合描述知识，依据临时融合描述知识进行用户反馈类型分析，得到临时用户反馈类型分析结果。

临时融合描述知识为预设用户反馈类型分析模型进行知识交互后获得的描述知识，临时用户反馈类型分析结果为预设用户反馈类型分析模型输出的用户反馈类型分析结果。预设用户反馈类型分析模型将临时显著性平台反馈描述知识和临时显著性商品反馈描述知识进行向量组合，得到临时融合描述知识，将临时融合描述知识输入至临时全连接层中进行用户反馈类型分析，得到临时用户反馈类型分析结果。

STEP600：计算临时用户反馈类型分析结果和用户反馈类型模板标记的优化代价，依据优化代价优化预设用户反馈类型分析模型。

例如，依据目标函数确定临时用户反馈类型分析结果和用户反馈类型模板标记的损失，得到优化代价，并依据优化代价优化预设用户反馈类型分析模型的参数(例如基于梯度下降算法进行)，得到优化后的用户反馈类型分析模型。目标函数具体可以是对数似然目标函数，或者交叉熵，具体不做限定。

在满足优化停止条件时，即得到优化后的用户反馈类型分析模型，该优化停止条件例如为优化代价满足预设代价值、优化的轮数达到预设轮数等，具体不做限定。如果没有满足优化停止条件，则返回将商品反馈信息模板输入至预设用户反馈类型分析模型的步骤进行重复，当符合重复停止条件时停止，将满足优化停止条件的用户反馈类型分析模型确定为优化后的用户反馈类型分析模型。

上述步骤STEP100～STEP600，基于获取商品反馈信息模板和所述商品反馈信息模板相应的用户反馈类型模板标记，将商品反馈信息模板输入至预设用户反馈类型分析模型，预设用户反馈类型分析模型基于临时商品反馈文本处理模块提取到显著性商品反馈描述知识，以及依据临时平台反馈文本处理模块提取到显著性平台反馈描述知识，再将临时显著性平台反馈描述知识和临时显著性商品反馈描述知识进行知识交互，得到临时融合描述知识，依据临时融合描述知识进行用户反馈类型分析，得到临时用户反馈类型分析结果，计算临时用户反馈类型分析结果和用户反馈类型模板标记的优化代价，依据优化代价优化预设用户反馈类型分析模型，直到满足优化停止条件得到优化后的用户反馈类型分析模型。上述步骤基于商品反馈文本处理模块和平台反馈文本处理模块分别提取显著性商品反馈描述知识和显著性平台反馈描述知识，再将临时显著性平台反馈描述知识和临时显著性商品反馈描述知识进行知识交互，得到用户反馈类型分析结果，如此令优化得到的用户反馈类型分析模型可以提升用户反馈类型分析的精准性。

可选地实施方案中，计算临时用户反馈类型分析结果和用户反馈类型模板标记的优化代价，依据优化代价优化预设用户反馈类型分析模型，然后返回将商品反馈信息模板输入至预设用户反馈类型分析模型的步骤进行重复，当符合重复停止条件时停止时，得到优化后的用户反馈类型分析模型的过程，具体可以包括：

(I)依据对数似然目标函数获取临时用户反馈类型分析结果与用户反馈类型模板标记的损失，得到优化代价。

(II)在优化代价小于优化代价目标值时，依据优化代价优化预设用户反馈类型分析模型，得到优化用户反馈类型分析模型。

优化代价目标值为预设的优化代价阈值，通过判断优化代价小于优化代价目标值时，可以依据优化代价确定梯度，借此优化预设用户反馈类型分析模型中的各个模块的参数，得到优化用户反馈类型分析模型。

(III)将优化用户反馈类型分析模型作为预设用户反馈类型分析模型，然后返回将商品反馈信息模板输入至预设用户反馈类型分析模型中的步骤进行重复，直到优化代价大于优化代价目标值时，将大于优化代价目标值的预设用户反馈类型分析模型作为优化后的用户反馈类型分析模型。

示例性地，将优化用户反馈类型分析模型确定为预设用户反馈类型分析模型，然后返回将商品反馈信息模板输入至预设用户反馈类型分析模型中的步骤进行重复，直到优化代价大于优化代价目标值时，将大于优化代价目标值的预设用户反馈类型分析模型作为优化后的用户反馈类型分析模型，基于依据对数似然目标函数优化用户反馈类型分析模型，加强了用户反馈类型分析模型的能力。

可选地实施方案中，预设用户反馈类型分析模型包括临时文本描述知识抽取模块、临时商品反馈描述知识抽取单元和临时平台反馈描述知识抽取单元；

在获取商品反馈信息模板和所述商品反馈信息模板相应的用户反馈类型模板标记之前，本申请实施例的方法还包括：

一、获取商品反馈信息前置模板和用户反馈类型模板前置标记。

商品反馈信息前置模板为进行提前优化时应用的商品反馈信息模板，用户反馈类型模板前置标记为提前优化时商品反馈信息前置模板对应的用户反馈类型标记信息，每个商品反馈信息前置模板皆对应表征其真实类型的用户反馈类型模板前置标记。商品反馈信息前置模板和用户反馈类型模板前置标记可以是从预设的数据库中获取的，例如已经经过人工确认的已分析商品反馈信息。

二、将商品反馈信息前置模板输入至用户反馈类型分析前置模型，基于用户反馈类型分析前置模型，采用知识抽取单元对商品反馈信息前置模板进行知识抽取，得到商品反馈信息前置模板描述知识，依据商品反馈信息前置模板描述知识进行用户反馈类型分析，得到用户反馈类型前置分析结果。

该用户反馈类型分析前置模型为进行提前优化的过程中涉及的用户反馈类型分析模型，用户反馈类型分析前置模型例如为CNN，其模型参数可以随机初始化获得，用户反馈类型分析前置模型包括提取文本描述知识的知识抽取单元，商品反馈信息前置模板描述知识为商品反馈信息前置模板提取得到的文本描述知识，用户反馈类型前置分析结果为商品反馈信息前置模板对应的推理得到的用户反馈类型。

示例性地，将商品反馈信息前置模板输入至用户反馈类型分析前置模型，依据用户反馈类型分析前置模型，基于知识抽取单元对商品反馈信息前置模板进行知识抽取，得到商品反馈信息前置模板描述知识，依据商品反馈信息前置模板描述知识，基于用户反馈类型分析前置模型中的FC层进行用户反馈类型分析，得到用户反馈类型前置分析结果。

三、依据用户反馈类型前置分析结果和用户反馈类型模板前置标记计算前置优化代价，依据前置优化代价优化用户反馈类型分析前置模型。

其中，前置优化代价为提前优化时得到的优化代价。示例性地，依据分类目标函数确定用户反馈类型前置分析结果和用户反馈类型模板前置标记间的前置优化代价，再依据前置优化代价优化用户反馈类型分析前置模型的模型参数。

四、确定提前优化是否达到优化停止条件，若提前优化未达到，则返回将商品反馈信息前置模板输入至用户反馈类型分析前置模型中的步骤进行重复，若达到，则依据提前优化完成的知识抽取单元得到预设用户反馈类型分析模型中的临时文本描述知识抽取模块、临时商品反馈描述知识抽取单元和临时平台反馈描述知识抽取单元。示例性地，提前优化完成时，得到提前优化完成后的用户反馈类型分析前置模型，将提前优化完成的用户反馈类型分析前置模型中的知识抽取单元作为预设用户反馈类型分析模型中的临时文本描述知识抽取模块、临时商品反馈描述知识抽取单元和临时平台反馈描述知识抽取单元。用户反馈类型分析前置模型的知识抽取单元和临时文本描述知识抽取模块的具有一致的结构和参数，用户反馈类型分析前置模型的知识抽取单元和临时商品反馈描述知识抽取单元也具备一致的结构和参数，此外，用户反馈类型分析前置模型的知识抽取单元和临时平台反馈描述知识抽取单元具有一致的结构和参数，依据临时文本描述知识抽取模块、临时商品反馈描述知识抽取单元和临时平台反馈描述知识抽取单元构建预设用户反馈类型分析模型，之后再对预设用户反馈类型分析模型进行优化，以获得用户反馈类型分析模型。

上述步骤一～步骤四，基于提前优化得到临时文本描述知识抽取模块、临时商品反馈描述知识抽取单元和临时平台反馈描述知识抽取单元，再构建预设用户反馈类型分析模型进行优化，以获得用户反馈类型分析模型，使得优化用户反馈类型分析模型的效率得到提升，并且精确度得到加强。

基于上述实施例，本申请实施例提供一种电商平台用户反馈分析装置，图3是本申请实施例提供的一种电商平台用户反馈分析装置340，如图3所示，所述装置340包括：

反馈信息获取模块341，用于获取目标用户对应的商品反馈信息；

反馈文本提取模块342，用于提取所述商品反馈信息中的商品反馈文本和平台反馈文本；

商品知识聚焦模块343，用于依据所述商品反馈文本对应的商品反馈描述知识进行显著性偏心系数计算，得到商品反馈显著性偏心系数，以及依据所述商品反馈显著性偏心系数调节所述商品反馈描述知识，得到显著性商品反馈描述知识；

平台知识聚焦模块344，用于依据所述平台反馈文本对应的平台反馈描述知识进行显著性偏心系数计算，得到平台反馈显著性偏心系数，以及依据所述平台反馈显著性偏心系数调节所述平台反馈描述知识，得到显著性平台反馈描述知识；

反馈类型分析模块345，用于将所述显著性平台反馈描述知识和所述显著性商品反馈描述知识进行知识交互，得到融合描述知识，依据所述融合描述知识进行用户反馈类型分析，得到所述商品反馈信息对应的用户反馈类型分析结果。

以上装置实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本申请装置实施例中未披露的技术细节，请参照本申请方法实施例的描述而理解。

若本申请技术方案涉及个人或私密信息，应用本申请技术方案的产品在处理个人信息前，已明确告知个人信息处理规则，并取得个人自主同意。若本申请技术方案涉及敏感个人信息，应用本申请技术方案的产品在处理敏感个人信息前，已取得个人单独同意，并且同时满足“明示同意”的要求，同时在法律法规的范围内收集。例如，在摄像头等个人信息采集装置处，设置明确显著的标识告知已进入个人信息采集范围，将会对个人信息进行采集，若个人自愿进入采集范围即视为同意对其个人信息进行采集；或者在个人信息处理的装置上，利用明显的标识/信息告知个人信息处理规则的情况下，通过弹窗信息或请个人自行上传其个人信息等方式获得个人授权；其中，个人信息处理规则可包括个人信息处理者、个人信息处理目的、处理方式、处理的个人信息种类等信息。

需要说明的是，本申请实施例中，如果以软件功能模块的形式实现上述告警处理方法，并作为独立的产品销售或使用时，也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，本申请实施例的技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来，该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电商运营服务器(可以是个人计算机、服务器、或者网络设备等)执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read OnlyMemory，ROM)、磁碟或者光盘等各种可以存储程序代码的介质。这样，本申请实施例不限制于任何特定的硬件和软件结合。

本申请实施例提供一种电商运营服务器，包括存储器和处理器，所述存储器存储有可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述告警处理方法。本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述告警处理方法。所述计算机可读存储介质可以是瞬时性的，也可以是非瞬时性的。

本申请实施例提供一种计算机程序产品，所述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，所述计算机程序被计算机读取并执行时，实现上述方法中的部分或全部步骤。该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(Software DevelopmentKit，SDK)等等。

需要说明的是，图4是本申请实施例提供的一种电商运营服务器300的硬件实体示意图，如图4所示，该电商运营服务器300的硬件实体包括：处理器310、通信接口320和存储器330，其中：处理器310通常控制电商运营服务器300的总体操作。通信接口320可以使电商运营服务器通过网络与其他终端或服务器通信。存储器330配置为存储由处理器310可执行的指令和应用，还可以缓存待处理器310以及电商运营服务器300中各模块待处理或已经处理的数据(例如，图像数据、音频数据、语音通信数据和视频通信数据)，可以通过闪存(FLASH)或随机访问存储器(Random Access Memory，RAM)实现。处理器310、通信接口320和存储器330之间可以通过总线340进行数据传输。这里需要指出的是：以上存储介质和设备实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本申请存储介质和设备实施例中未披露的技术细节，请参照本申请方法实施例的描述而理解。

应理解，说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本申请的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。应理解，在本申请的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。

在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，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，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，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全部单元来实现本实施例方案的目的。另外，在本申请实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，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，也可以采用硬件加软件功能单元的形式实现。本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(Read Only Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的介质。或者，本申请上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也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相关技术做出贡献的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电商运营服务器(可以是个人计算机、服务器、或者网络设备等)执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、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，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。

Claims (5)

1.一种基于人工智能的电商平台用户反馈分析方法，其特征在于，应用于电商运营服务器，所述电商运营服务器与用户终端通信连接，所述用户终端被配置为向所述电商运营服务器上传商品反馈信息，所述方法包括：

获取目标用户对应的商品反馈信息；

提取所述商品反馈信息中的商品反馈文本和平台反馈文本；

依据所述商品反馈文本对应的商品反馈描述知识进行显著性偏心系数计算，得到商品反馈显著性偏心系数，以及依据所述商品反馈显著性偏心系数调节所述商品反馈描述知识，得到显著性商品反馈描述知识；

依据所述平台反馈文本对应的平台反馈描述知识进行显著性偏心系数计算，得到平台反馈显著性偏心系数，以及依据所述平台反馈显著性偏心系数调节所述平台反馈描述知识，得到显著性平台反馈描述知识；

将所述显著性平台反馈描述知识和所述显著性商品反馈描述知识进行知识交互，得到融合描述知识，依据所述融合描述知识进行用户反馈类型分析，得到所述商品反馈信息对应的用户反馈类型分析结果；

所述方法基于用户反馈类型分析模型执行，具体包括：

调取用户反馈类型分析模型，并将所述商品反馈信息输入至所述用户反馈类型分析模型；

基于所述用户反馈类型分析模型提取所述商品反馈信息中的商品反馈文本和平台反馈文本，将所述商品反馈文本输入商品反馈文本处理模块，以及将所述平台反馈文本输入平台反馈文本处理模块；

基于所述商品反馈文本处理模块提取所述商品反馈文本对应的商品反馈描述知识，依据所述商品反馈描述知识进行显著性偏心系数计算，得到商品反馈显著性偏心系数，以及依据所述商品反馈显著性偏心系数对所述商品反馈描述知识执行偏心计算，得到显著性商品反馈描述知识；

基于所述平台反馈文本处理模块提取所述平台反馈文本对应的平台反馈描述知识，依据所述平台反馈描述知识进行显著性偏心系数计算，得到平台反馈显著性偏心系数，以及依据所述平台反馈显著性偏心系数对所述平台反馈描述知识执行偏心计算，得到显著性平台反馈描述知识；

基于所述用户反馈类型分析模型将所述显著性平台反馈描述知识和所述显著性商品反馈描述知识进行知识交互，得到融合描述知识，依据所述融合描述知识进行用户反馈类型分析，得到用户反馈类型分析结果；

所述用户反馈类型分析模型包括文本描述知识抽取模块；

所述提取所述商品反馈信息中的商品反馈文本和平台反馈文本，包括：

将所述商品反馈信息输入所述文本描述知识抽取模块中进行知识抽取，得到商品反馈信息描述知识；

依据所述商品反馈信息描述知识进行文本内容解析分离，得到商品反馈文本和平台反馈文本；

所述商品反馈文本处理模块包括商品反馈描述知识抽取单元和商品反馈显著性描述知识抽取单元，所述依据所述商品反馈文本对应的商品反馈描述知识进行显著性偏心系数计算，得到商品反馈显著性偏心系数，以及依据所述商品反馈显著性偏心系数调节所述商品反馈描述知识，得到显著性商品反馈描述知识，包括：

将所述商品反馈文本输入所述商品反馈描述知识抽取单元进行知识抽取，得到所述商品反馈文本对应的商品反馈描述知识；

将所述商品反馈描述知识输入所述商品反馈显著性描述知识抽取单元进行显著性偏心系数计算，得到所述商品反馈显著性偏心系数，依据所述商品反馈显著性偏心系数对所述商品反馈描述知识执行偏心计算，得到所述显著性商品反馈描述知识；

所述将所述商品反馈描述知识输入所述商品反馈显著性描述知识抽取单元进行显著性偏心系数计算，得到所述商品反馈显著性偏心系数，依据所述商品反馈显著性偏心系数对所述商品反馈描述知识执行偏心计算，得到所述显著性商品反馈描述知识，包括：

基于所述商品反馈显著性描述知识抽取单元中的广义均值降采样层将所述商品反馈描述知识进行知识保留降维，得到商品反馈降维知识；

依据所述商品反馈显著性描述知识抽取单元中的知识挖掘层将所述商品反馈降维知识进行知识提炼，得到商品反馈提炼知识；

将所述商品反馈提炼知识基于所述商品反馈显著性描述知识抽取单元中的激励层进行激励，得到商品反馈激励知识；

依据所述商品反馈显著性描述知识抽取单元中的偏心系数投影层将所述商品反馈激励知识进行偏心系数投影，得到所述商品反馈显著性偏心系数；

依据所述商品反馈显著性偏心系数对所述商品反馈描述知识中的知识向量执行偏心计算，得到商品反馈侧重知识，依据所述商品反馈侧重知识基于所述商品反馈显著性描述知识抽取单元中的最大降采样层进行最大降采样操作，得到所述显著性商品反馈描述知识；

所述平台反馈文本处理模块包括平台反馈描述知识抽取单元和平台反馈显著性描述知识抽取单元，所述依据所述平台反馈文本对应的平台反馈描述知识进行显著性偏心系数计算，得到平台反馈显著性偏心系数，以及依据所述平台反馈显著性偏心系数调节所述平台反馈描述知识，得到显著性平台反馈描述知识，包括：

将所述平台反馈文本输入所述平台反馈描述知识抽取单元中进行知识抽取，得到所述平台反馈文本对应的平台反馈描述知识；

将所述平台反馈描述知识输入所述平台反馈显著性描述知识抽取单元中进行显著性偏心系数计算，得到所述平台反馈显著性偏心系数，依据所述平台反馈显著性偏心系数对所述平台反馈描述知识执行偏心计算，得到所述显著性平台反馈描述知识；

所述将所述平台反馈描述知识输入所述平台反馈显著性描述知识抽取单元中进行显著性偏心系数计算，得到所述平台反馈显著性偏心系数，依据所述平台反馈显著性偏心系数对所述平台反馈描述知识执行偏心计算，得到所述显著性平台反馈描述知识，包括：

基于所述平台反馈显著性描述知识抽取单元中的广义均值降采样层将所述平台反馈描述知识进行知识保留降维，得到平台反馈降维知识；

依据所述平台反馈显著性描述知识抽取单元中的知识挖掘层将所述平台反馈降维知识进行知识提炼，得到平台反馈提炼知识；

将所述平台反馈提炼知识基于所述平台反馈显著性描述知识抽取单元中的激励层进行激励，得到平台反馈激励知识；

并依据所述平台反馈显著性描述知识抽取单元中的偏心系数投影层将所述平台反馈激励知识进行偏心系数投影，得到所述平台反馈显著性偏心系数；

依据所述平台反馈显著性偏心系数对所述平台反馈描述知识中的知识向量执行偏心计算，得到平台反馈侧重知识，依据所述平台反馈侧重知识基于所述平台反馈显著性描述知识抽取单元中的最大降采样层进行最大降采样操作，得到所述显著性平台反馈描述知识。

2.根据权利要求1所述的方法，其特征在于，所述用户反馈类型分析模型包括知识融合模块，所述将所述显著性平台反馈描述知识和所述显著性商品反馈描述知识进行知识交互，得到融合描述知识，依据所述融合描述知识进行用户反馈类型分析，得到所述商品反馈信息对应的用户反馈类型分析结果，包括：

基于所述知识融合模块中的知识融合层将所述显著性平台反馈描述知识和所述显著性商品反馈描述知识进行组合，得到组合描述知识；

将所述组合描述知识输入至所述知识融合模块中的反馈分类层进行用户反馈类型分析，得到所述用户反馈类型分析结果。

3.根据权利要求1所述的方法，其特征在于，所述方法还包括：

获取商品反馈信息模板和所述商品反馈信息模板相应的用户反馈类型模板标记，将所述商品反馈信息模板输入至预设用户反馈类型分析模型；

依据所述预设用户反馈类型分析模型提取所述商品反馈信息模板中的临时商品反馈文本模板和临时平台反馈文本模板，将所述临时商品反馈文本输入临时商品反馈文本处理模块中，并将所述临时平台反馈文本输入临时平台反馈文本处理模块中；

所述临时商品反馈文本处理模块依据所述临时商品反馈文本模板对应的临时商品反馈描述知识进行显著性偏心系数计算，得到临时商品反馈显著性偏心系数，以及依据所述临时商品反馈显著性偏心系数调节所述临时商品反馈描述知识，得到临时显著性商品反馈描述知识；

所述临时平台反馈文本处理模块依据所述临时平台反馈文本模板对应的临时平台反馈描述知识进行显著性偏心系数计算，得到临时平台反馈显著性偏心系数，以及依据所述临时平台反馈显著性偏心系数调节所述临时平台反馈描述知识，得到临时显著性平台反馈描述知识；

依据所述预设用户反馈类型分析模型将所述临时显著性平台反馈描述知识和所述临时显著性商品反馈描述知识进行知识交互，得到临时融合描述知识，依据所述临时融合描述知识进行用户反馈类型分析，得到临时用户反馈类型分析结果；

计算所述临时用户反馈类型分析结果和所述用户反馈类型模板标记的优化代价，依据所述优化代价优化所述预设用户反馈类型分析模型，然后返回将所述商品反馈信息模板输入至预设用户反馈类型分析模型的步骤进行重复，当符合重复停止条件时停止时，得到优化后的用户反馈类型分析模型。

4.根据权利要求3所述的方法，其特征在于，所述计算所述临时用户反馈类型分析结果和所述用户反馈类型模板标记的优化代价，依据所述优化代价优化所述预设用户反馈类型分析模型，然后返回将所述商品反馈信息模板输入至预设用户反馈类型分析模型的步骤进行重复，当符合重复停止条件时停止时，得到优化后的用户反馈类型分析模型，包括：

依据对数似然目标函数获取所述临时用户反馈类型分析结果与所述用户反馈类型模板标记的损失，得到优化代价；

在所述优化代价小于优化代价目标值时，依据所述优化代价优化所述预设用户反馈类型分析模型，得到优化用户反馈类型分析模型；

将所述优化用户反馈类型分析模型作为预设用户反馈类型分析模型，然后返回将所述商品反馈信息模板输入至预设用户反馈类型分析模型中的步骤进行重复，直到所述优化代价大于优化代价目标值时，将大于优化代价目标值的预设用户反馈类型分析模型作为优化后的用户反馈类型分析模型；

所述预设用户反馈类型分析模型包括临时文本描述知识抽取模块、临时商品反馈描述知识抽取单元和临时平台反馈描述知识抽取单元，在所述获取商品反馈信息模板和所述商品反馈信息模板相应的用户反馈类型模板标记之前，所述方法还包括：

获取商品反馈信息前置模板和用户反馈类型模板前置标记；

将所述商品反馈信息前置模板输入至用户反馈类型分析前置模型，所述用户反馈类型分析前置模型基于知识抽取单元对所述商品反馈信息前置模板进行知识抽取，得到商品反馈信息前置模板描述知识，依据所述商品反馈信息前置模板描述知识进行用户反馈类型分析，得到用户反馈类型前置分析结果；

依据所述用户反馈类型前置分析结果和所述用户反馈类型模板前置标记计算前置优化代价，依据所述前置优化代价优化用户反馈类型分析前置模型，然后返回将所述商品反馈信息前置模板输入至用户反馈类型分析前置模型中的步骤进行重复直到提前优化完成，依据提前优化完成的知识抽取单元得到所述预设用户反馈类型分析模型中的临时文本描述知识抽取模块、临时商品反馈描述知识抽取单元和临时平台反馈描述知识抽取单元。

5.一种电商平台用户反馈分析系统，其特征在于，包括互相通信的电商运营服务器和用户终端，所述电商运营服务器包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器用于在执行所述计算机程序时，实现如权利要求1～4任一项所述的方法。