CN116188103A - 一种用于跨境电商的大数据智能补货处理方法 - Google Patents

Abstract

本发明提供一种用于跨境电商的大数据智能补货处理方法。一种用于跨境电商的大数据智能补货处理方法包括以下步骤：S1：获取商品数据信息；S2：根据商品编码依次获取网站上关于商品的舆情信息数据，计算商品的舆情评分；S3：依次判断商品的舆情评分是否位于正常舆情评分范围内，对超过正常舆情评分范围上限的商品进行记录；S4：对进行记录的商品生成商品的舆情补货数量，根据商品的舆情补货数量生成商品的舆情补货清单。本发明通过特定时间段内对商品舆情进行监控，超过正常舆情评分上限的商品进行舆情动态补货处理，能够使得跨境电商时刻掌握市场环境的动态变化，通过大数据对商品进行智能补货。

Description

一种用于跨境电商的大数据智能补货处理方法

技术领域

本发明涉及智能分货技术领域，更具体的说，它涉及一种用于跨境电商的大数据智能补货处理方法。

背景技术

跨境电商在进行商品补货时，为了提高补货效率，通常使用软件生成的补货单进行补货，这种不依靠人工而是依靠软件系统生成补货单的补货方式叫做智能补货。在跨境电商运营中，商品是占据资金的很大一部分，能否合理地进行备货、补货，将直接影响到的商家的经营状况。当前的智能补货系统通过供应链数据和商品需求量预测来计算商品的补货量，当商品出现舆情导致商品需求量出现异常时，无法通过上述的智能补货系统对商品的补货量进行精确计算，影响跨境电商的整体收益。

发明内容

本发明提供一种用于跨境电商的大数据智能补货处理方法，通过特定时间段内对商品舆情进行监控，超过正常舆情评分上限的商品进行舆情动态补货处理，通过大数据对商品进行智能补货，能够使得跨境电商时刻掌握市场环境的动态变化；

一种用于跨境电商的大数据智能补货处理方法，包括如下步骤：

S1：获取商品数据信息，商品数据信息包括商品编码、商品名称、商品库存数量和商品基础补货数量；

S2：根据商品编码依次获取网站上关于商品的舆情信息数据，计算商品的舆情评分；

S3：依次判断商品的舆情评分是否位于正常舆情评分范围内，舆情评分位于正常舆情评分范围内和低于正常舆情评分范围下限的商品不进行舆情补货，对超过正常舆情评分范围上限的商品进行记录；

S4：对进行记录的商品生成商品的舆情补货数量，根据商品的舆情补货数量生成商品的舆情补货清单。

进一步地，步骤S2具体包括如下步骤：

S2.1：将商品数据信息中的所有商品编码记为U_n，n＝1，2，3，…，N，N为商品数据中的所有商品编码总数；

S2.2：令k＝1，k用于作为编号选择商品编码；

S2.3：选择商品编码U_k对应的商品名称，抓取网站上有关商品编码U_k对应商品名称的词条下特定时间内发布的所有博文的信息数据并获取博文的总数量，信息数据包括博文的文本信息、博文的浏览量、博文的点赞数量、博文的评论数量和博文的转发数量；

S2.4：根据所有博文的信息数据和博文的总数量计算商品编码U_k对应商品的舆情评分F_k，建立商品编码U_k与舆情评分F_k的一一映射；

S2.5：将k+1赋值给k，判断“k≤N”是否成立，若是“k≤N”成立，回到S2.3；若是“k≤N”不成立，进入S3。

进一步地，步骤S2.4中，根据所有博文的信息数据和博文的总数量计算商品编码U_k对应商品的舆情评分F_k包括如下步骤：

T1：根据所有博文的信息数据中的博文的浏览量、博文的点赞数量、博文的评论数量和博文的转发数量，计算商品博文的综合影响因子，特定时间内共发布n条博文，第i条博文的综合影响因子Q_i的计算方法为：

Q_i＝w_L·L_i+w_Z·Z_i+w_P·P_i+w_R·R_i

其中L_i为第i条博文的浏览量，Z_i为第i条博文的点赞数量，P_i为第i条博文的评论数量，R_i为第i条博文的转发数量，w_L为博文的浏览量的影响参数，w_Z为博文的点赞数量的影响参数，w_P为博文的评论数量的影响参数，w_R为博文的转发数量的影响参数；

T2：判断每条博文的正负面倾向和正负倾向等级，正面倾向指该条博文对该商品的情感倾向为正面，负面倾向指该条博文对该商品的情感倾向为负面，正负倾向等级为该条博文正负面倾向强度的综合量化指标；

T3：通过每一条博文的影响因子和对应的正负面倾向及正负倾向等级计算商品编码U_k对应商品的舆情评分F_k，商品的舆情评分F_k的计算方法为：

D为正负倾向等级，x为博文的正负面倾向，x值为0或1，博文的倾向为正面时，x＝0，博文的倾向为负面时，x＝1，α为负面倾向的舆情参数。

进一步地，步骤T2中，正负面倾向及正负面倾向等级的确定步骤为：

W1：建立正负面倾向词典，正负面倾向词典内存储正负面倾向词语和表情及正负面倾向词语和表情对应的正负面倾向强度；

W2：对博文的信息数据中博文的文本信息进行预处理，得到预处理后的文本信息，预处理包括去噪、分词、去停用词；

W3：提取预处理后的文本信息中的词语和表情，生成词语和表情的总量Q；

W4：将预处理后的文本信息中的词语和表情与正负面倾向词典进行逐一匹配，输出正面倾向的词语和表情及该正面倾向的词语和表情的正面倾向强度，输出负面倾向的词语和表情及该负面倾向的词语和表情的负面倾向强度，计算正面倾向的词语和表情的正向元素总数量P，然后计算正向倾向比值

判断“ε＞A”是否成立，若是“ε＞A”成立，该博文倾向为正面；否则该博文倾向为负面；

W5：获取正面倾向的词语和表情的正面倾向强度及负面倾向的词语和表情的负面倾向强度，将正面倾向强度和负面倾向强度进行累加运算，得到该博文的正负面倾向等级。

进一步地，在步骤S3中，依次判断商品的舆情评分是否位于正常舆情评分范围内包括如下步骤：

S3.1：令h＝1；

S3.2：获取商品编码U_h对应的舆情评分F_h，判断“F_min≤F_h≤F_max”是否成立，若是“F_min≤F_h≤F_max”成立，进入S3.3；若是“F_min≤F_h≤F_max”不成立，进入S3.4；

S3.3：不对商品编码U_h对应的商品进行操作，进入S3.5；

S3.4：若是F_h＞F_max，将商品编码U_h存入集合δ中，通过集合δ对超过正常舆情评分范围上限的商品进行记录；若是F_h＜F_min，对商品编码U_h对应的商品进行标记，被标记的商品将不进行最近一次的基础补货；进入S3.5；

S3.5：将h+1赋值给h，判断“h≤N”是否成立，若是“h≤N”成立，回到S3.2；若是“h≤N”不成立，进入S3.6；

S3.6：输出集合δ。

进一步地，步骤S4中，根据舆情评分和商品数据库生成商品的舆情补货数量的具体步骤为：

S4.1：获取集合δ，获取集合δ内所有商品编码总数τ；

S4.2：令γ＝1，γ用于作为编号选择商品编码；

S4.3：选择集合δ中第γ个元素，获取该元素内存储的商品编码U_n对应的舆情评分F_n生成商品的舆情补货数量S_n，S_n的具体计算方法为：

S4.3.1：划分v-1个舆情评分区间，(f₁，f₂)、…、(f_v-1，f_v)；

S4.3.2：设置每个舆情评分F_n区间对应的补货数量，即区间(f_σ，f_σ+1)对应的补货数量为s_σ，其中σ＝1、2、…、v-1；

S4.3.3：判断商品编码U_n对应的舆情评分F_n的所属舆情评分区间，确定商品编码U_n对应的舆情补货数量S_n；

S4.4：建立空集合

将商品编码S_n和商品的舆情补货数量S_n以“(U_n，S_n)”为集合元素存入集合

内；

S4.5：将γ+1赋值给γ，判断“γ≤τ”是否成立，若是“γ≤τ”成立，回到S4.3；若是“γ≤τ”不成立，进入S4.6；

S4.6：输出集合

根据集合

生成商品的舆情补货清单。

进一步地，还包括有，当舆情补货数量大于商品的补货上限时，将寻找替品进行补货，寻找替品进行补货的具体方法为：

H1：建立所有商品的替品集合θ_n，每个替品集合θ_n内含有m个商品编码，每一个商品编码对应一个替品，并根据替品的可替代程度将替品集合θ_n内的商品编码进行排序；

H2：遍历集合

依次获取每个元素内部储存的商品编码U_n和舆情补货数量S_n；

H3：判断

是否成立，其中X_n为集合

中的商品编码U_n对应的商品基础补货数量，

为集合

中的商品编码U_n对应的商品补货上限，若是

成立，不需要寻找替品进行补货；若是

不成立，对集合

中的商品编码U_n对应的商品进行补货，再寻找替品进行补货，替品补货数量

更新集合

中的商品编码U_n对应的商品舆情补货数量

H4：在替品集合θ_n中，选择第一个商品编码U_n对应的替品开始进行补货，当

时，对替品集合中的商品编码U_n对应的替品进行补货，该替品的舆情补货数量S_n＝K_T，将该替品的商品编码U_n存入集合

中；当

时，对替品集合中的商品编码U_n对应的替品进行补货，该替品的舆情补货数量

将该替品的商品编码U_n存入集合

中，然后在替品集合θ_n中选择下一个商品编码U_n对应的替品，重复上述步骤，直至补满替品补货总数量K_T后停止，若补满第m件替品的补货上限仍未补满替品补货数量K_T，则停止补货。

进一步地，使用GooSeeker软件抓取网站上有关商品编码U_k对应商品名称的词条下特定时间内发布的所有博文的信息数据。

本发明具有以下优点：

1、本发明通过特定时间段内对商品舆情进行监控，并设置商品舆情评分来量化商品舆情的强度，超过正常舆情评分上限的商品进行舆情动态补货处理，通过舆情大数据对商品进行智能补货，能够使得跨境电商时刻掌握市场环境的动态变化，从而进行灵活补货，一定程度上提高收益，降低损失；

2、本发明通过设置商品的补货上限，当商品补货数量大于补货上限时，选择商品替品进行补货，一定程度上提高了电商的抗风险能力，降低单一商品库存积压的可能性。

附图说明

图1为本发明采用的用于跨境电商的大数据智能补货处理方法的流程示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明中的技术方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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他实施例，都应当属于本发明保护的范围。

实施例1

一种用于跨境电商的大数据智能补货处理方法，如图1所示，包括如下步骤：

S1：获取跨境电商需要补货的所有商品数据信息，商品数据信息包括商品编码、商品名称、商品库存数量和商品基础补货数量，例如，商品编码为00001，商品名称为某牌防晒霜，商品库存数量为500件，商品基础补货数量为100件；

S2：根据商品编码依次获取网站上关于商品的舆情信息数据，计算商品的舆情评分，具体步骤为：

S2.1：将商品数据信息中的所有商品编码记为U_n，n＝1，2，3，…，N，N为商品数据中的所有商品编码总数，例如该跨境电商需要补货的商品共有15种，N＝15，第一种商品为某牌防晒霜U₁＝00001；

S2.2：令k＝1，k用于作为编号选择商品编码；

S2.3：选择商品编码U_k对应的商品名称，使用Goo eeker软件抓取微博网站上有关商品编码U_k对应商品名称的词条下特定时间内发布的所有博文的信息数据，同时获取博文的总数量，信息数据包括博文的文本信息、博文的浏览量、博文的点赞数量、博文的评论数量和博文的转发数量，例如，抓取微博网站上有关商品编码U₁对应的某牌防晒霜的词条下24小时内发布的所有博文的信息数据，24小时内微博网站上共发布的29条博文，其中一条博文的文本信息为“昨天到货的某牌防晒霜，今天早上出门就用了，挺轻薄的，很快就成膜了，买对了！”，该博文的浏览量为1956次，该博文的点赞数量为2次，该博文的评论数量和转发数量为0次；

S2.4：根据所有博文的信息数据和博文的总数量计算商品编码U_k对应商品的舆情评分F_k，建立商品编码U_k与舆情评分F_k的一一映射；

S2.5：将k+1赋值给k，判断“k≤N”是否成立，若是“k≤N”成立，回到S2.3；若是“k≤N”不成立，进入S3。

S3：依次判断商品的舆情评分是否位于正常舆情评分范围内，舆情评分位于正常舆情评分范围内和低于正常舆情评分范围下限的商品不进行舆情补货，对超过正常舆情评分范围上限的商品进行记录；

S4：对进行记录的商品生成商品的舆情补货数量，根据商品的舆情补货数量生成商品的舆情补货清单。

步骤S2.4中，根据所有博文的信息数据和博文的总数量计算商品编码U_k对应商品的舆情评分F_k包括如下步骤：

T1：根据所有博文的信息数据中的博文的浏览量、博文的点赞数量、博文的评论数量和博文的转发数量，计算商品博文的综合影响因子，特定时间内共发布n条博文，第i条博文的综合影响因子Q_i的计算方法为：

Q_i＝w_L·L_i+w_Z·Z_i+w_P·P_i+w_R·R_i

其中L_i为第i条博文的浏览量，Z_i为第i条博文的点赞数量，P_i为第i条博文的评论数量，R_i为第i条博文的转发数量，w_L为博文的浏览量的影响参数，w_Z为博文的点赞数量的影响参数，w_P为博文的评论数量的影响参数，w_R为博文的转发数量的影响参数，其中w_L、w_Z、w_P、w_R为人为设定；

T2：判断每条博文的正负面倾向和正负倾向等级，正面倾向指该条博文对该商品的情感倾向为正面，负面倾向指该条博文对该商品的情感倾向为负面，正负倾向等级为该条博文正负面倾向强度的综合量化指标，正负面倾向及正负面倾向等级的确定步骤为：

T2.1：建立正负面倾向词典，正负面倾向词典内存储正负面倾向词语和表情及正负面倾向词语和表情对应的正负面倾向强度，正负面倾向词典由人工挑选正负面倾向词语和表情并设定对应的正负面倾向强度进行建立；

T2.2：对博文的信息数据中博文的文本信息进行预处理，得到预处理后的文本信息，预处理包括去噪、分词、去停用词，例如博文的文本信息为“昨天到货的某牌防晒霜，今天早上出门就用了，挺轻薄的，很快就成膜了，买对了！”预处理后的文本信息为“到货、某牌防晒霜、轻薄、成膜、买对了”；

T2.3：提取预处理后的文本信息中的词语和表情，生成词语和表情的总量Q，例如文本信息为“到货、某牌防晒霜、轻薄、成膜、买对了”词语和表情的总量Q为5；

T2.4：将预处理后的文本信息中的词语和表情与正负面倾向词典进行逐一匹配，输出正面倾向的词语和表情及该正面倾向的词语和表情的正面倾向强度，输出负面倾向的词语和表情及该负面倾向的词语和表情的负面倾向强度，计算正面倾向的词语和表情的正向元素总数量P，然后计算正向倾向比值

判断“ε>A”是否成立，若是“ε>A”成立，该博文倾向为正面；否则该博文倾向为负面，例如“到货、某牌防晒霜、轻薄、成膜、买对了”均为正面倾向的词语，正向倾向比值ε＝1，“ε＞A”成立，因此该博文的倾向为正面，其中A为人为设定；

T2.5：获取正面倾向的词语和表情的正面倾向强度及负面倾向的词语和表情的负面倾向强度，将正面倾向强度和负面倾向强度进行累加运算，得到该博文的正负面倾向等级，例如“到货、某牌防晒霜、轻薄、成膜、买对了”均为正面倾向的词语，词语的正面倾向强度分别为“0、0、3、2、4”，人为设定正负面倾向等级对应的正负面倾向强度累加区间，即可确定博文的正负面倾向等级；

T3：通过每一条博文的影响因子和对应的正负面倾向及正负倾向等级计算商品编码U_k对应商品的舆情评分F_k，商品的舆情评分F_k的计算方法为：

D为正负倾向等级，x为博文的正负面倾向，x值为0或1，博文的倾向为正面时，x＝0，博文的倾向为负面时，x＝1，α为负面倾向的舆情参数，α由人为设定。

在步骤S3中，依次判断商品的舆情评分是否位于正常舆情评分范围内包括如下步骤：

S3.1：令h＝1；

S3.2：获取商品编码U_h对应的舆情评分F_h，判断“F_min≤F_h≤F_max”是否成立，若是“F_min≤F_h≤F_max”成立，进入S3.3；若是“F_min≤F_h≤F_max”不成立，其中F_min和F_max由人为设定，进入S3.4；

S3.3：不对商品编码U_h对应的商品进行操作，进入S3.5；

S3.4：若是F_h＞F_max，将商品编码U_h存入集合δ中，通过集合δ对超过正常舆情评分范围上限的商品进行记录；若是F_h＜F_min，对商品编码U_h对应的商品进行标记，被标记的商品将不进行最近一次的基础补货，如此便可在一定程度上降低负面舆情带来的库存积压；进入S3.5；

S3.5：将h+1赋值给h，判断“h≤N”是否成立，若是“h≤N”成立，回到S3.2；若是“h≤N”不成立，进入S3.6；

S3.6：输出集合δ，集合δ内为需要进行舆情补货的商品编码。

步骤S4中，根据舆情评分和商品数据库生成商品的舆情补货数量的具体步骤为：

S4.1：获取集合δ，获取集合δ内所有商品编码总数τ；

S4.2：令γ＝1，γ用于作为编号选择商品编码；

S4.3：选择集合δ中第γ个元素，获取该元素内存储的商品编码U_n对应的舆情评分F_n生成商品的舆情补货数量S_n，S_n的具体计算方法为：

S4.3.1：划分v-1个舆情评分区间，(f₁，f₂)、…、(f_v-1，f_v)；

S4.3.2：设置每个舆情评分F_n区间对应的补货数量，即区间(f_σ，f_σ+1)对应的补货数量为s_σ，其中σ＝1、2、…、v-1；

S4.3.3：判断商品编码U_n对应的舆情评分F_n的所属舆情评分区间，确定商品编码U_n对应的舆情补货数量S_n；

例如，某牌防晒霜的舆情评分F₁在区间(f₅，f₆)内，则某牌防晒霜的舆情补货数量S₁为s₅。

S4.4：建立空集合

将商品编码S_n和商品的舆情补货数量S_n以“(U_n，S_n)”为集合元素存入集合

内；

S4.5：将γ+1赋值给γ，判断“γ≤τ”是否成立，若是“γ≤τ”成立，回到S4.3；若是“γ≤τ”不成立，进入S4.6；

S4.6：输出集合

限据集合

生成商品的舆情补货清单。

本智能补货方法通过特定时间内对商品舆情进行监控，并设置商品舆情评分来量化商品舆情的强度，通过舆情大数据对商品进行智能补货，能够使得跨境电商时刻掌握市场环境的动态变化，从而进行灵活补货，一定程度上提高收益，降低损失。

还包括有，当舆情补货数量大于商品的补货上限时，将寻找替品进行补货，寻找替品进行补货的具体方法为：

H1：建立所有商品的替品集合θ_n，每个替品集合θ_n内含有m个商品编码，每一个商品编码对应一个替品，并根据替品的可替代程度将替品集合θ_n内的商品编码进行排序；

例如，某牌防晒霜的舆情补货数量大于它的补货上限时，寻找替品进行补货，某牌防晒霜的替品集合θ₁内含有2个商品编码，θ₁＝{00006，00014}，商品编码00006对应的商品名称为某牌防晒喷雾，商品编码00014对应的商品名称为某牌防晒衣，某牌防晒喷雾的可替代程度高于某牌防晒衣。

H2：遍历集合

依次获取每个元素内部储存的商品编码U_n和舆情补货数量S_n；

H3：判断

是否成立，其中X_n为集合

中的商品编码U_n对应的商品基础补货数量，

为集合

中的商品编码U_n对应的商品补货上限，若是

成立，不需要寻找替品进行补货；若是

不成立，对集合

中的商品编码U_n对应的商品进行补货，再寻找替品进行补货，替品补货数量

更新集合

中的商品编码U_n对应的商品舆情补货数量

H4：在替品集合θ_n中，选择第一个商品编码U_n对应的替品开始进行补货，当

时，对替品集合中的商品编码U_n对应的替品进行补货，该替品的舆情补货数量S_n＝K_T，将该替品的商品编码U_n存入集合

中；当

时，对替品集合中的商品编码U_n对应的替品进行补货，该替品的舆情补货数量

将该替品的商品编码U_n存入集合

中，然后在替品集合θ_n中选择下一个商品编码U_n对应的替品，重复上述步骤，直至补满替品补货总数量K_T后停止，若补满第m件替品的补货上限仍未补满替品补货数量K_T，则停止补货。

例如，某牌防晒霜的舆情补货数量为150件，某牌防晒霜的补货上限为200件，某牌防晒霜的基础补货数量为100件，因此替品补货数量为50件。从某牌防晒喷雾开始进行替品补货，某牌防晒喷雾的补货上限为80件，某牌防晒喷雾的基础补货数量为50件，因此某牌防晒喷雾的舆情补货数量为30件，在对某牌防晒衣进行替品补货，某牌防晒衣的补货上限为50件，某牌防晒衣的基础补货数量为40件，因此某牌防晒衣的舆情补货数量为10件，停止补货。

本发明通过设置商品的补货上限，当商品补货数量大于补货上限时，选择商品替品进行补货，一定程度上提高了电商的抗风险能力，降低单一商品库存积压的可能性。

应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。本说明书中未作详细描述的部分属于本领域专业技术人员公知的现有技术。

Claims (8)

1.一种用于跨境电商的大数据智能补货处理方法，其特征在于，包括如下步骤：

S1：获取商品数据信息，商品数据信息包括商品编码、商品名称、商品库存数量和商品基础补货数量；

S2：根据商品编码依次获取网站上关于商品的舆情信息数据，计算商品的舆情评分；

S3：依次判断商品的舆情评分是否位于正常舆情评分范围内，舆情评分位于正常舆情评分范围内和低于正常舆情评分范围下限的商品不进行舆情补货，对超过正常舆情评分范围上限的商品进行记录；

S4：对进行记录的商品生成商品的舆情补货数量，根据商品的舆情补货数量生成商品的舆情补货清单。

2.根据权利要求1所述的一种用于跨境电商的大数据智能补货处理方法，其特征在于，步骤S2具体包括如下步骤：

S2.1：将商品数据信息中的所有商品编码记为U_n，n＝1，2，3，…，N，N为商品数据中的所有商品编码总数；

S2.2：令k＝1，k用于作为编号选择商品编码；

S2.3：选择商品编码U_k对应的商品名称，抓取网站上有关商品编码U_k对应商品名称的词条下特定时间内发布的所有博文的信息数据并获取博文的总数量，信息数据包括博文的文本信息、博文的浏览量、博文的点赞数量、博文的评论数量和博文的转发数量；

S2.4：根据所有博文的信息数据和博文的总数量计算商品编码U_k对应商品的舆情评分F_k，建立商品编码U_k与舆情评分F_k的一一映射；

S2.5：将k+1赋值给k，判断“k≤N”是否成立，若是“k≤N”成立，回到S2.3；若是“k≤N”不成立，进入S3。

3.根据权利要求2所述的一种用于跨境电商的大数据智能补货处理方法，其特征在于，步骤S2.4中，根据所有博文的信息数据和博文的总数量计算商品编码U_k对应商品的舆情评分F_k包括如下步骤：

T1：根据所有博文的信息数据中的博文的浏览量、博文的点赞数量、博文的评论数量和博文的转发数量，计算商品博文的综合影响因子，特定时间内共发布n条博文，第i条博文的综合影响因子Q_i的计算方法为：

Q_i＝w_L·L_i+w_Z·Z_i+w_P·P_i+w_R·R_i

其中L_i为第i条博文的浏览量，Z_i为第i条博文的点赞数量，P_i为第i条博文的评论数量，R_i为第i条博文的转发数量，w_L为博文的浏览量的影响参数，w_Z为博文的点赞数量的影响参数，w_P为博文的评论数量的影响参数，w_R为博文的转发数量的影响参数；

T2：判断每条博文的正负面倾向和正负倾向等级，正面倾向指该条博文对该商品的情感倾向为正面，负面倾向指该条博文对该商品的情感倾向为负面，正负倾向等级为该条博文正负面倾向强度的综合量化指标；

T3：通过每一条博文的影响因子和对应的正负面倾向及正负倾向等级计算商品编码U_k对应商品的舆情评分F_k，商品的舆情评分F_k的计算方法为：

D为正负倾向等级，x为博文的正负面倾向，x值为0或1，博文的倾向为正面时，x＝0，博文的倾向为负面时，x＝1，α为负面倾向的舆情参数。

4.根据权利要求3所述的一种用于跨境电商的大数据智能补货处理方法，其特征在于，步骤T2中，正负面倾向及正负面倾向等级的确定步骤为：

W1：建立正负面倾向词典，正负面倾向词典内存储正负面倾向词语和表情及正负面倾向词语和表情对应的正负面倾向强度；

W2：对博文的信息数据中博文的文本信息进行预处理，得到预处理后的文本信息，预处理包括去噪、分词、去停用词；

W3：提取预处理后的文本信息中的词语和表情，生成词语和表情的总量Q；

W4：将预处理后的文本信息中的词语和表情与正负面倾向词典进行逐一匹配，输出正面倾向的词语和表情及该正面倾向的词语和表情的正面倾向强度，输出负面倾向的词语和表情及该负面倾向的词语和表情的负面倾向强度，计算正面倾向的词语和表情的正向元素总数量P，然后计算正向倾向比值

判断“ε>A”是否成立，若是“ε>A”成立，该博文倾向为正面；否则该博文倾向为负面；

W5：获取正面倾向的词语和表情的正面倾向强度及负面倾向的词语和表情的负面倾向强度，将正面倾向强度和负面倾向强度进行累加运算，得到该博文的正负面倾向等级。

5.根据权利要求4所述的一种用于跨境电商的大数据智能补货处理方法，其特征在于，在步骤S3中，依次判断商品的舆情评分是否位于正常舆情评分范围内包括如下步骤：

S3.1：令h＝1；

S3.2：获取商品编码U_n对应的舆情评分F_h，判断“F_min≤F_h≤F_max”是否成立，若是“F_min≤F_h≤F_max”成立，进入S3.3；若是“F_min≤F_h≤F_max”不成立，进入S3.4；

S3.3：不对商品编码U_h对应的商品进行操作，进入S3.5；

S3.4：若是F_h>F_max，将商品编码U_h存入集合δ中，通过集合δ对超过正常舆情评分范围上限的商品进行记录；若是F_h<F_min，对商品编码U_h对应的商品进行标记，被标记的商品将不进行最近一次的基础补货；进入S3.5；

S3.5：将h+1赋值给h，判断“h≤N”是否成立，若是“h≤N”成立，回到S3.2；若是“h≤N”不成立，进入S3.6；

S3.6：输出集合δ。

6.根据权利要求5所述的一种用于跨境电商的大数据智能补货处理方法，其特征在于，步骤S4中，根据舆情评分和商品数据库生成商品的舆情补货数量的具体步骤为：

S4.1：获取集合δ，获取集合δ内所有商品编码总数τ；

S4.2：令γ＝1，γ用于作为编号选择商品编码；

S4.3：选择集合δ中第γ个元素，获取该元素内存储的商品编码U_n对应的舆情评分F_n生成商品的舆情补货数量S_n，S_n的具体计算方法为：

S4.3.1：划分v-1个舆情评分区间，(f₁，f₂)、…、(f_v-1，f_v)；

S4.3.2：设置每个舆情评分F_n区间对应的补货数量，即区间(f_σ，f_σ+1)对应的补货数量为s_σ，其中σ＝1、2、…、v-1；

S4.3.3：判断商品编码U_n对应的舆情评分F_n的所属舆情评分区间，确定商品编码U_n对应的舆情补货数量S_n；

S4.4：建立空集合

将商品编码S_n和商品的舆情补货数量S_n以“(U_n，S_n)”为集合元素存入集合

内；

S4.5：将γ+1赋值给γ，判断“γ≤τ”是否成立，若是“γ≤τ”成立，回到S4.3；若是“γ≤τ”不成立，进入S4.6；

S4.6：输出集合

根据集合

生成商品的舆情补货清单。

7.根据权利要求6所述的一种用于跨境电商的大数据智能补货处理方法，其特征在于，还包括有，当舆情补货数量大于商品的补货上限时，将寻找替品进行补货，寻找替品进行补货的具体方法为：

H1：建立所有商品的替品集合θ_n，每个替品集合θ_n内含有m个商品编码，每一个商品编码对应一个替品，并根据替品的可替代程度将替品集合θ_n内的商品编码进行排序；

H2：遍历集合

依次获取每个元素内部储存的商品编码U_n和舆情补货数量S_n；

H3：判断

是否成立，其中Xn为集合

中的商品编码U_n对应的商品基础补货数量，

为集合

中的商品编码U_n对应的商品补货上限，若是

成立，不需要寻找替品进行补货；若是

不成立，对集合

中的商品编码U_n对应的商品进行补货，再寻找替品进行补货，替品补货数量

更新集合

中的商品编码U_n对应的商品舆情补货数量

H4：在替品集合θ_n中，选择第一个商品编码U_n对应的替品开始进行补货，当

时，对替品集合中的商品编码U_n对应的替品进行补货，该替品的舆情补货数量S_n＝K_T，将该替品的商品编码U_n存入集合

中；当

时，对替品集合中的商品编码U_n对应的替品进行补货，该替品的舆情补货数量

将该替品的商品编码U_n存入集合

中，然后在替品集合θ_n中选择下一个商品编码U_n对应的替品，重复上述步骤，直至补满替品补货总数量K_T后停止，若补满第m件替品的补货上限仍未补满替品补货数量K_T，则停止补货。

8.根据权利要求2所述的一种用于跨境电商的大数据智能补货处理方法，其特征在于，使用GooSeeker软件抓取网站上有关商品编码U_k对应商品名称的词条下特定时间内发布的所有博文的信息数据。

Images