CN116757773A - 服装电子商务销售管理系统及其方法 - Google Patents
服装电子商务销售管理系统及其方法 Download PDFInfo
- Publication number
- CN116757773A CN116757773A CN202310690805.2A CN202310690805A CN116757773A CN 116757773 A CN116757773 A CN 116757773A CN 202310690805 A CN202310690805 A CN 202310690805A CN 116757773 A CN116757773 A CN 116757773A
- Authority
- CN
- China
- Prior art keywords
- word
- comment
- feature vector
- convolution
- comment data
- 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 39
- 238000000605 extraction Methods 0.000 claims abstract description 26
- 239000013598 vector Substances 0.000 claims description 340
- 238000011156 evaluation Methods 0.000 claims description 41
- 230000004927 fusion Effects 0.000 claims description 28
- 230000011218 segmentation Effects 0.000 claims description 22
- 239000011159 matrix material Substances 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 17
- 238000007781 pre-processing Methods 0.000 claims description 16
- 238000004140 cleaning Methods 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 10
- 230000010354 integration Effects 0.000 claims description 7
- 238000013480 data collection Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000007726 management method Methods 0.000 abstract description 53
- 230000008451 emotion Effects 0.000 abstract description 17
- 238000004458 analytical method Methods 0.000 abstract description 15
- 238000013473 artificial intelligence Methods 0.000 abstract description 6
- 238000013135 deep learning Methods 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 abstract description 6
- 235000019580 granularity Nutrition 0.000 description 136
- 238000010586 diagram Methods 0.000 description 21
- 230000006870 function Effects 0.000 description 18
- 230000008569 process Effects 0.000 description 14
- 230000000694 effects Effects 0.000 description 11
- 238000004590 computer program Methods 0.000 description 10
- 238000009826 distribution Methods 0.000 description 10
- 238000013527 convolutional neural network Methods 0.000 description 9
- 230000008901 benefit Effects 0.000 description 5
- 238000007792 addition Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000003252 repetitive effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000005094 computer simulation Methods 0.000 description 2
- 238000005538 encapsulation Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000007935 neutral effect Effects 0.000 description 2
- 238000004806 packaging method and process Methods 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种服装电子商务销售管理系统及其方法，其收集用户针对于特定商品的评论数据；然后，利用深度学习和人工智能技术来对用户的评论数据进行语义分析和特征提取，然后通过分类器得到评论数据的情感倾向，即积极或消极。这样，帮助店家进行推广决策。
Description
技术领域
本申请涉及智能化管理技术领域，并且更具体地，涉及一种服装电子商务销售管理系统及其方法。
背景技术
服装电子商务销售管理是指通过互联网平台，对服装产品的销售过程进行有效的规划、组织、协调和控制的活动，它可以帮助服装企业提高销售效率，降低运营成本，增强市场竞争力。
服装电子商务销售管理系统需要解决的核心问题之一是如何根据大数据，例如用户对于特定商品的评价数据，来帮助店家进行推广决策。因此，期待一种解决方案。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种服装电子商务销售管理系统及其方法，其收集用户针对于特定商品的评论数据；然后，利用深度学习和人工智能技术来对用户的评论数据进行语义分析和特征提取，然后通过分类器得到评论数据的情感倾向，即积极或消极。这样，帮助店家进行推广决策。
第一方面，提供了一种服装电子商务销售管理系统，其包括：
评论数据收集模块，用于收集用户针对于特定商品的评论数据；
数据预处理模块，用于对所述评论数据进行数据清洗和预处理以得到预处理后评论数据；
分词模块，用于对所述预处理后评论数据进行分词处理以得到评论词的序列；
语义编码模块，用于将所述评论词的序列通过包含词嵌入层的语义编码器以得到多个评论词上下文语义特征向量；
片语粒度特征提取模块，用于将所述多个评论词上下文语义特征向量排列为一维特征向量后通过包含第一卷积层和第二卷积层的多尺度卷积结构以得到评论数据片语粒度特征向量；
词粒度特征整合模块，用于将所述多个评论词上下文语义特征向量进行级联以得到评论数据词粒度特征向量；
特征融合模块，用于融合所述评论数据片语粒度特征向量和所述评论数据词粒度特征向量以得到分类特征向量；以及
评价结果划分模块，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示用户针对于特定商品的评价是积极的还是消极的。
在上述服装电子商务销售管理系统中，所述语义编码模块，包括：词向量转化单元，用于使用所述语义编码器的词嵌入层将所述评论词的序列中各个评论词映射到词向量以获得词向量的序列；以及，上下文语义编码单元，用于使用所述包含词嵌入层的语义编码器对所述词向量的序列进行基于全局的上下文语义编码以获得所述多个评论词上下文语义特征向量。
在上述服装电子商务销售管理系统中，所述多尺度卷积结构，包括：相互并行的第一卷积层和第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的多尺度融合层，其中，所述第一卷积层和所述第二卷积层使用具有不同尺度的一维卷积核。
在上述服装电子商务销售管理系统中，所述片语粒度特征提取模块，包括：第一尺度提取单元，用于使用所述多尺度卷积结构的第一卷积层以如下第一卷积公式对所述一维特征向量进行一维卷积编码以得到第一尺度片语粒度特征向量；其中，所述第一卷积公式为：
其中，a为第一一维卷积核在x方向上的宽度、F(a)为第一一维卷积核参数向量、G(x-a)为与第一一维卷积核函数运算的局部向量矩阵，w为第一一维卷积核的尺寸，X表示所述一维特征向量，Cov(X)表示对所述一维特征向量进行一维卷积编码；第二尺度提取单元，用于使用所述多尺度卷积结构的第二卷积层以如下第二卷积公式对所述一维特征向量进行一维卷积编码以得到第二尺度片语粒度特征向量；其中，所述第二卷积公式为：
其中，b为第二一维卷积核在x方向上的宽度、F(b)为第二一维卷积核参数向量、G(x-b)为与第二一维卷积核函数运算的局部向量矩阵，m为第二一维卷积核的尺寸，X表示所述一维特征向量，Cov(X)表示对所述一维特征向量进行一维卷积编码；以及，级联单元，用于使用所述多尺度卷积结构的融合层对所述第一尺度片语粒度特征向量和所述第二尺度片语粒度特征向量进行级联以得到所述评论数据片语粒度特征向量。
在上述服装电子商务销售管理系统中，所述词粒度特征整合模块，包括：以如下级联公式将所述多个评论词上下文语义特征向量进行级联以得到评论数据词粒度特征向量；其中，所述级联公式为：
Ve＝Concat[Va，Vb]
其中，Va，Vb表示所述多个评论词上下文语义特征向量，Concat[·]表示级联函数，Ve表示所述评论数据词粒度特征向量。
在上述服装电子商务销售管理系统中，所述特征融合模块，用于：以如下优化公式融合所述评论数据片语粒度特征向量和所述评论数据词粒度特征向量以得到分类特征向量；其中，所述优化公式为：
其中，V1表示所述评论数据片语粒度特征向量，V2表示所述评论数据词粒度特征向量，||·||1和||·||2分别表示向量的一范数和二范数，ω和∈分别为权重和偏置超参数，D(V1，V2)表示所述评论数据片语粒度特征向量和所述评论数据词粒度特征向量之间的按位置距离矩阵，且I为单位矩阵，和⊙分别表示特征向量的逐位置相加、相减和相乘，表示向量乘法，Vc表示所述分类特征向量。
在上述服装电子商务销售管理系统中，所述评价结果划分模块，包括：全连接编码单元，用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，分类单元，用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
第二方面，提供了一种服装电子商务销售管理方法，其包括：
收集用户针对于特定商品的评论数据；
对所述评论数据进行数据清洗和预处理以得到预处理后评论数据；
对所述预处理后评论数据进行分词处理以得到评论词的序列；
将所述评论词的序列通过包含词嵌入层的语义编码器以得到多个评论词上下文语义特征向量；
将所述多个评论词上下文语义特征向量排列为一维特征向量后通过包含第一卷积层和第二卷积层的多尺度卷积结构以得到评论数据片语粒度特征向量；
将所述多个评论词上下文语义特征向量进行级联以得到评论数据词粒度特征向量；
融合所述评论数据片语粒度特征向量和所述评论数据词粒度特征向量以得到分类特征向量；以及
将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示用户针对于特定商品的评价是积极的还是消极的。
在上述服装电子商务销售管理方法中，将所述评论词的序列通过包含词嵌入层的语义编码器以得到多个评论词上下文语义特征向量，包括：使用所述语义编码器的词嵌入层将所述评论词的序列中各个评论词映射到词向量以获得词向量的序列；以及，使用所述包含词嵌入层的语义编码器对所述词向量的序列进行基于全局的上下文语义编码以获得所述多个评论词上下文语义特征向量。
在上述服装电子商务销售管理方法中，所述多尺度卷积结构，包括：相互并行的第一卷积层和第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的多尺度融合层，其中，所述第一卷积层和所述第二卷积层使用具有不同尺度的一维卷积核。
与现有技术相比，本申请提供的服装电子商务销售管理系统及其方法，其收集用户针对于特定商品的评论数据；然后，利用深度学习和人工智能技术来对用户的评论数据进行语义分析和特征提取，然后通过分类器得到评论数据的情感倾向，即积极或消极。这样，帮助店家进行推广决策。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为根据本申请实施例的服装电子商务销售管理系统的应用场景图。
图2为根据本申请实施例的服装电子商务销售管理系统的框图。
图3为根据本申请实施例的服装电子商务销售管理系统中所述语义编码模块的框图。
图4为根据本申请实施例的服装电子商务销售管理系统中所述片语粒度特征提取模块的框图。
图5为根据本申请实施例的服装电子商务销售管理系统中所述评价结果划分模块的框图。
图6为根据本申请实施例的服装电子商务销售管理方法的流程图。
图7为根据本申请实施例的服装电子商务销售管理方法的系统架构的示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
除非另有说明，本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的，不是旨在限制本申请的范围。
在本申请实施例记载中，需要说明的是，除非另有说明和限定，术语“连接”应做广义理解，例如，可以是电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
需要说明的是，本申请实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象，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。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换，以使这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。
针对上述技术问题，本申请的技术构思是利用深度学习和人工智能技术来对用户的评论数据进行语义分析和特征提取，然后通过分类器得到评论数据的情感倾向，即积极或消极。这样，帮助店家进行推广决策。
具体地，在本申请的技术方案中，首先，收集用户针对于特定商品的评论数据。这里，所述评论数据可以帮助店家了解用户对于商品的满意度、偏好和需求，从而进行更精准的推广决策和产品优化。例如，如果用户对于某款服装的评价是“质量很好，颜色很正，很合身”，那么可以认为用户对于该商品的态度是积极的，店家可以增加该商品的推广力度；如果用户对于某款服装的评价是“太小了，穿着不舒服，还掉色”，那么可以认为用户对于该商品的态度是消极的，店家可以减少该商品的推广力度或者改进该商品的质量。
然而，用户对于特定商品的所述评价数据通常是非结构化的文本数据，包含了复杂的语义信息和情感倾向，难以直接用传统的数值分析方法进行处理。在本申请的技术方案中，首先，对所述评论数据进行数据清洗和预处理以得到预处理后评论数据。其中，数据清洗可以去除评论数据中的噪声，例如无关的字符、标点符号、空格等，以提高数据的质量和可用性；而数据预处理可以对评论数据进行规范化和标准化，例如统一大小写、删除停用词、转换同义词等，以减少数据的冗余和差异。接着，对所述预处理后评论数据进行分词处理以得到评论词的序列。这里，分词处理是将连续的文本切分成有意义的词语的过程，它是自然语言处理的基础步骤之一。分词处理的作用有以下几点：降低数据维度：文本中的每个字都可以作为一个特征，但是字的组合往往比单个字更能表达语义，因此通过分词可以减少特征的数量，降低数据维度，提高后续处理的效率和准确度；提取关键信息：文本中的一些词语，如特定的名词、动词、形容词等，往往能够反映文本的主题和情感，因此通过分词可以提取这些关键信息，为后续的分析和应用提供依据。
然后，在本申请的技术方案中，将所述评论词的序列通过包含词嵌入层的语义编码器以得到多个评论词上下文语义特征向量。其中，所述词嵌入层可以将评论词的序列转换为低维的稠密向量，从而减少数据的稀疏性和维度灾难，同时，作为向量也可以被计算机模型识别。所述语义编码器可以利用自注意力机制的思想，对所述评论词的序列经词嵌入层后得到的多个词嵌入向量进行上下文语义的编码，从而捕捉评论词之间的长距离依赖关系和语义关联，得到所述多个评论词上下文语义特征向量。
进一步地，将所述多个评论词上下文语义特征向量排列为一维特征向量后通过包含第一卷积层和第二卷积层的多尺度卷积结构以得到评论数据片语粒度特征向量。这里，所述多尺度卷积结构可以捕捉所述一维特征向量中关于评论数据的不同粒度的特征信息。具体而言，通过包含第一卷积层和第二卷积层的多尺度卷积结构，可以分别使用不同大小的卷积核来控制感受野，即捕捉不同粒度的语义特征信息，从而得到不同尺度的评论数据片语粒度特征子向量。再对不同尺度的评论数据片语粒度特征子向量进行融合以得到所述评论数据片语粒度特征向量。这样，提高对评论数据的情感分析能力。
为能够综合利用词粒度和片语粒度下的语义信息，在本申请的技术方案中，首先，将所述多个评论词上下文语义特征向量进行级联以得到评论数据词粒度特征向量。这样，使得所述评论数据词粒度特征向量能够与所述评论数据片语粒度特征向量维度统一。接着，融合所述评论数据片语粒度特征向量和所述评论数据词粒度特征向量以得到分类特征向量。这样，使得所述评论数据词粒度特征向量具有更为出色的特征表征能力。
继而，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示用户针对于特定商品的评价是积极的还是消极的。也就是，以所述分类器对所述分类特征向量的高维数据流形进行类边界划分和确定以得到用于表示用户针对于特定商品的评价是积极的还是消极的分类标签。通过这样的方式来实现商品评价数据的情感分析，即根据用户在评价中表达的情感倾向(正面、负面或中性)，给出相应的标签，从而帮助店家了解用户对商品的满意度和偏好，制定更合适的推广策略。
在本申请的技术方案中，所述评论数据片语粒度特征向量和所述评论数据词粒度特征向量分别表达评论词的编码语义特征及其多尺度局部关联语义特征，因此，在融合所述评论数据片语粒度特征向量和所述评论数据词粒度特征向量得到所述分类特征向量时，需要强化所述评论数据片语粒度特征向量和所述评论数据词粒度特征向量在特征语义层面上的融合。
因此，本申请的申请人对所述评论数据片语粒度特征向量，例如表示为V1和所述评论数据词粒度特征向量，例如表示为V2进行深层空间封装语义匹配融合，以得到所述分类特征向量，例如表示为Vc，其中，所述分类特征向量Vc具体为：
||·||1和||·||2分别表示向量的一范数和二范数，ω和∈分别为权重和偏置超参数，D(V1，V2)表示所述评论数据片语粒度特征向量V1和所述评论数据词粒度特征向量V2之间的按位置距离矩阵，即所述按位置距离矩阵的每个位置的特征值为所述评论数据片语粒度特征向量V1和所述评论数据词粒度特征向量V2的相应位置的特征值之间的距离，表示为Dij＝d(v1i，v2j)，且I为单位矩阵。
这里，对于深度特征空间中的所述评论数据片语粒度特征向量V1和所述评论数据词粒度特征向量V2，其语义表达被封装到了深层空间内，这使得特征向量的整体分布中的细粒度特征中同时包含低层级语义分布和高层级语义分布，由此，通过所述深层空间封装语义匹配融合，可以通过平衡低层级语义分布和高层级语义分布来进行分类模式层面的语义级别的匹配，以实现特征在特征空间内的语义受控的编译融合，从而获得所述评论数据片语粒度特征向量V1和所述评论数据词粒度特征向量V2在特征融合空间内的语义协同，提升了所述分类特征向量对所述评论数据片语粒度特征向量和所述评论数据词粒度特征向量的语义融合效果，也就提升了所述分类特征向量的表达效果，从而提升了所述分类特征向量通过分类器得到的分类结果的准确性。
本申请的技术效果有如下几点：1、提供了一种服装电子商务销售管理方案，更具体地，是一种智能化的针对于评价数据的情感倾向分析方案。2、该方案能够有效地利用用户的评论数据，为服装电子商务销售管理提供智能化的支持，提高店家的决策水平和销售业绩，增强用户的满意度和忠诚度。
图1为根据本申请实施例的服装电子商务销售管理系统的应用场景图。如图1所示，在该应用场景中，首先，收集用户针对于特定商品(例如，如图1中所示意的M)的评论数据(例如，如图1中所示意的C)；然后，将获取的评论数据输入至部署有服装电子商务销售管理算法的服务器(例如，如图1中所示意的S)中，其中所述服务器能够基于服装电子商务销售管理算法对所述评论数据进行处理，以生成用于表示用户针对于特定商品的评价是积极的还是消极的的分类结果。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
在本申请的一个实施例中，图2为根据本申请实施例的服装电子商务销售管理系统的框图。如图2所示，根据本申请实施例的服装电子商务销售管理系统100，包括：评论数据收集模块110，用于收集用户针对于特定商品的评论数据；数据预处理模块120，用于对所述评论数据进行数据清洗和预处理以得到预处理后评论数据；分词模块130，用于对所述预处理后评论数据进行分词处理以得到评论词的序列；语义编码模块140，用于将所述评论词的序列通过包含词嵌入层的语义编码器以得到多个评论词上下文语义特征向量；片语粒度特征提取模块150，用于将所述多个评论词上下文语义特征向量排列为一维特征向量后通过包含第一卷积层和第二卷积层的多尺度卷积结构以得到评论数据片语粒度特征向量；词粒度特征整合模块160，用于将所述多个评论词上下文语义特征向量进行级联以得到评论数据词粒度特征向量；特征融合模块170，用于融合所述评论数据片语粒度特征向量和所述评论数据词粒度特征向量以得到分类特征向量；以及，评价结果划分模块180，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示用户针对于特定商品的评价是积极的还是消极的。
具体地，在本申请实施例中，所述评论数据收集模块110，用于收集用户针对于特定商品的评论数据。针对上述技术问题，本申请的技术构思是利用深度学习和人工智能技术来对用户的评论数据进行语义分析和特征提取，然后通过分类器得到评论数据的情感倾向，即积极或消极。这样，帮助店家进行推广决策。
具体地，在本申请的技术方案中，首先，收集用户针对于特定商品的评论数据。这里，所述评论数据可以帮助店家了解用户对于商品的满意度、偏好和需求，从而进行更精准的推广决策和产品优化。例如，如果用户对于某款服装的评价是“质量很好，颜色很正，很合身”，那么可以认为用户对于该商品的态度是积极的，店家可以增加该商品的推广力度；如果用户对于某款服装的评价是“太小了，穿着不舒服，还掉色”，那么可以认为用户对于该商品的态度是消极的，店家可以减少该商品的推广力度或者改进该商品的质量。
具体地，在本申请实施例中，所述数据预处理模块120，用于对所述评论数据进行数据清洗和预处理以得到预处理后评论数据。然而，用户对于特定商品的所述评价数据通常是非结构化的文本数据，包含了复杂的语义信息和情感倾向，难以直接用传统的数值分析方法进行处理。在本申请的技术方案中，首先，对所述评论数据进行数据清洗和预处理以得到预处理后评论数据。其中，数据清洗可以去除评论数据中的噪声，例如无关的字符、标点符号、空格等，以提高数据的质量和可用性；而数据预处理可以对评论数据进行规范化和标准化，例如统一大小写、删除停用词、转换同义词等，以减少数据的冗余和差异。
具体地，在本申请实施例中，所述分词模块130，用于对所述预处理后评论数据进行分词处理以得到评论词的序列。接着，对所述预处理后评论数据进行分词处理以得到评论词的序列。这里，分词处理是将连续的文本切分成有意义的词语的过程，它是自然语言处理的基础步骤之一。分词处理的作用有以下几点：降低数据维度：文本中的每个字都可以作为一个特征，但是字的组合往往比单个字更能表达语义，因此通过分词可以减少特征的数量，降低数据维度，提高后续处理的效率和准确度；提取关键信息：文本中的一些词语，如特定的名词、动词、形容词等，往往能够反映文本的主题和情感，因此通过分词可以提取这些关键信息，为后续的分析和应用提供依据。
具体地，在本申请实施例中，所述语义编码模块140，用于将所述评论词的序列通过包含词嵌入层的语义编码器以得到多个评论词上下文语义特征向量。然后，在本申请的技术方案中，将所述评论词的序列通过包含词嵌入层的语义编码器以得到多个评论词上下文语义特征向量。其中，所述词嵌入层可以将评论词的序列转换为低维的稠密向量，从而减少数据的稀疏性和维度灾难，同时，作为向量也可以被计算机模型识别。所述语义编码器可以利用自注意力机制的思想，对所述评论词的序列经词嵌入层后得到的多个词嵌入向量进行上下文语义的编码，从而捕捉评论词之间的长距离依赖关系和语义关联，得到所述多个评论词上下文语义特征向量。
图3为根据本申请实施例的服装电子商务销售管理系统中所述语义编码模块的框图，如图3所示，所述语义编码模块140，包括：词向量转化单元141，用于使用所述语义编码器的词嵌入层将所述评论词的序列中各个评论词映射到词向量以获得词向量的序列；以及，上下文语义编码单元142，用于使用所述包含词嵌入层的语义编码器对所述词向量的序列进行基于全局的上下文语义编码以获得所述多个评论词上下文语义特征向量。
语义编码器旨在挖掘得到词序列中上下文之间的隐藏模式，可选地，编码器包括：CNN(Convolutional Neural Network，卷积神经网络)、Recursive NN(RecursiveNeuralNetwork，递归神经网络)、语言模型(Language Model)等。基于CNN的方法对于局部特征有比较好的提取效果，但其对于句子中的长程依赖(Long-term Dependency)问题效果欠佳，因此基于Bi-LSTM(Long Short-Term Memory，长短期记忆网络)的编码器被广泛使用。Recursive NN把句子当作树状结构而非序列进行处理，从理论上而言具有更强的表示能力，但其存在样本标注难度大、深层易梯度消失、难以并行计算等弱点，因此在实际应用中使用较少。Transformer是应用广泛的网络结构了，同时具有CNN和RNN的特性，对于全局特征有较好的提取效果，同时相较于RNN(RecurrentNeural Network，循环神经网络)在并行计算上具有一定优势。
具体地，在本申请实施例中，所述片语粒度特征提取模块150，用于将所述多个评论词上下文语义特征向量排列为一维特征向量后通过包含第一卷积层和第二卷积层的多尺度卷积结构以得到评论数据片语粒度特征向量。进一步地，将所述多个评论词上下文语义特征向量排列为一维特征向量后通过包含第一卷积层和第二卷积层的多尺度卷积结构以得到评论数据片语粒度特征向量。这里，所述多尺度卷积结构可以捕捉所述一维特征向量中关于评论数据的不同粒度的特征信息。
具体而言，通过包含第一卷积层和第二卷积层的多尺度卷积结构，可以分别使用不同大小的卷积核来控制感受野，即捕捉不同粒度的语义特征信息，从而得到不同尺度的评论数据片语粒度特征子向量。再对不同尺度的评论数据片语粒度特征子向量进行融合以得到所述评论数据片语粒度特征向量。这样，提高对评论数据的情感分析能力。
所述多尺度卷积结构，包括：相互并行的第一卷积层和第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的多尺度融合层，其中，所述第一卷积层和所述第二卷积层使用具有不同尺度的一维卷积核。
图4为根据本申请实施例的服装电子商务销售管理系统中所述片语粒度特征提取模块的框图，如图4所示，所述片语粒度特征提取模块150，包括：第一尺度提取单元151，用于使用所述多尺度卷积结构的第一卷积层以如下第一卷积公式对所述一维特征向量进行一维卷积编码以得到第一尺度片语粒度特征向量；其中，所述第一卷积公式为：
其中，a为第一一维卷积核在x方向上的宽度、F(a)为第一一维卷积核参数向量、G(x-a)为与第一一维卷积核函数运算的局部向量矩阵，w为第一一维卷积核的尺寸，X表示所述一维特征向量，Cov(X)表示对所述一维特征向量进行一维卷积编码；第二尺度提取单元152，用于使用所述多尺度卷积结构的第二卷积层以如下第二卷积公式对所述一维特征向量进行一维卷积编码以得到第二尺度片语粒度特征向量；其中，所述第二卷积公式为：
其中，b为第二一维卷积核在x方向上的宽度、F(b)为第二一维卷积核参数向量、G(x-b)为与第二一维卷积核函数运算的局部向量矩阵，m为第二一维卷积核的尺寸，X表示所述一维特征向量，Cov(X)表示对所述一维特征向量进行一维卷积编码；以及，级联单元153，用于使用所述多尺度卷积结构的融合层对所述第一尺度片语粒度特征向量和所述第二尺度片语粒度特征向量进行级联以得到所述评论数据片语粒度特征向量。
卷积神经网络(Convolutional Neural Network，CNN)是一种人工神经网络，在图像识别等领域有着广泛的应用。卷积神经网络可以包括输入层、隐藏层和输出层，其中，隐藏层可以包括卷积层、池化(pooling)层、激活层和全连接层等，上一层根据输入的数据进行相应的运算，将运算结果输出给下一层，输入的初始数据经过多层的运算之后得到一个最终的结果。
卷积神经网络模型利用卷积核作为特征过滤因子在图像局部特征提取方面具有非常优异的性能表现，且相较于传统的基于统计或者基于特征工程的图像特征提取算法，所述卷积神经网络模型具有更强的特征提取泛化能力和拟合能力。
具体地，在本申请实施例中，所述词粒度特征整合模块160，用于将所述多个评论词上下文语义特征向量进行级联以得到评论数据词粒度特征向量。为能够综合利用词粒度和片语粒度下的语义信息，在本申请的技术方案中，首先，将所述多个评论词上下文语义特征向量进行级联以得到评论数据词粒度特征向量。这样，使得所述评论数据词粒度特征向量能够与所述评论数据片语粒度特征向量维度统一。
其中，所述词粒度特征整合模块160，包括：以如下级联公式将所述多个评论词上下文语义特征向量进行级联以得到评论数据词粒度特征向量；其中，所述级联公式为：
Ve＝Concat[Va，Vb]
其中，Va，Vb表示所述多个评论词上下文语义特征向量，Concat[·]表示级联函数，Ve表示所述评论数据词粒度特征向量。
具体地，在本申请实施例中，所述特征融合模块170，用于融合所述评论数据片语粒度特征向量和所述评论数据词粒度特征向量以得到分类特征向量。接着，融合所述评论数据片语粒度特征向量和所述评论数据词粒度特征向量以得到分类特征向量。这样，使得所述评论数据词粒度特征向量具有更为出色的特征表征能力。
在本申请的技术方案中，所述评论数据片语粒度特征向量和所述评论数据词粒度特征向量分别表达评论词的编码语义特征及其多尺度局部关联语义特征，因此，在融合所述评论数据片语粒度特征向量和所述评论数据词粒度特征向量得到所述分类特征向量时，需要强化所述评论数据片语粒度特征向量和所述评论数据词粒度特征向量在特征语义层面上的融合。
因此，本申请的申请人对所述评论数据片语粒度特征向量，例如表示为V1和所述评论数据词粒度特征向量，例如表示为V2进行深层空间封装语义匹配融合，以得到所述分类特征向量，例如表示为Vc，其中，所述分类特征向量Vc具体为：以如下优化公式融合所述评论数据片语粒度特征向量和所述评论数据词粒度特征向量以得到分类特征向量；其中，所述优化公式为：
其中，V1表示所述评论数据片语粒度特征向量，V2表示所述评论数据词粒度特征向量，||·||1和||·||2分别表示向量的一范数和二范数，ω和∈分别为权重和偏置超参数，D(V1，V2)表示所述评论数据片语粒度特征向量和所述评论数据词粒度特征向量之间的按位置距离矩阵，且I为单位矩阵，和⊙分别表示特征向量的逐位置相加、相减和相乘，表示向量乘法，Vc表示所述分类特征向量。
这里，对于深度特征空间中的所述评论数据片语粒度特征向量V1和所述评论数据词粒度特征向量V2，其语义表达被封装到了深层空间内，这使得特征向量的整体分布中的细粒度特征中同时包含低层级语义分布和高层级语义分布，由此，通过所述深层空间封装语义匹配融合，可以通过平衡低层级语义分布和高层级语义分布来进行分类模式层面的语义级别的匹配，以实现特征在特征空间内的语义受控的编译融合，从而获得所述评论数据片语粒度特征向量V1和所述评论数据词粒度特征向量V2在特征融合空间内的语义协同，提升了所述分类特征向量对所述评论数据片语粒度特征向量和所述评论数据词粒度特征向量的语义融合效果，也就提升了所述分类特征向量的表达效果，从而提升了所述分类特征向量通过分类器得到的分类结果的准确性。
具体地，在本申请实施例中，所述评价结果划分模块180，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示用户针对于特定商品的评价是积极的还是消极的。继而，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示用户针对于特定商品的评价是积极的还是消极的。也就是，以所述分类器对所述分类特征向量的高维数据流形进行类边界划分和确定以得到用于表示用户针对于特定商品的评价是积极的还是消极的的分类标签。通过这样的方式来实现商品评价数据的情感分析，即根据用户在评价中表达的情感倾向(正面、负面或中性)，给出相应的标签，从而帮助店家了解用户对商品的满意度和偏好，制定更合适的推广策略。
图5为根据本申请实施例的服装电子商务销售管理系统中所述评价结果划分模块的框图，如图5所示，所述评价结果划分模块180，包括：全连接编码单元181，用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，分类单元182，用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
综上，基于本申请实施例的服装电子商务销售管理系统100被阐明，其收集用户针对于特定商品的评论数据；然后，利用深度学习和人工智能技术来对用户的评论数据进行语义分析和特征提取，然后通过分类器得到评论数据的情感倾向，即积极或消极。这样，帮助店家进行推广决策。
如上所述，根据本申请实施例的服装电子商务销售管理系统100可以实现在各种终端设备中，例如用于服装电子商务销售管理的服务器等。在一个示例中，根据本申请实施例的服装电子商务销售管理系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该服装电子商务销售管理系统100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该服装电子商务销售管理系统100同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该服装电子商务销售管理系统100与该终端设备也可以是分立的设备，并且该服装电子商务销售管理系统100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
在本申请的一个实施例中，图6为根据本申请实施例的服装电子商务销售管理方法的流程图。如图6所示，根据本申请实施例的服装电子商务销售管理方法，其包括：210，收集用户针对于特定商品的评论数据；220，对所述评论数据进行数据清洗和预处理以得到预处理后评论数据；230，对所述预处理后评论数据进行分词处理以得到评论词的序列；240，将所述评论词的序列通过包含词嵌入层的语义编码器以得到多个评论词上下文语义特征向量；250，将所述多个评论词上下文语义特征向量排列为一维特征向量后通过包含第一卷积层和第二卷积层的多尺度卷积结构以得到评论数据片语粒度特征向量；260，将所述多个评论词上下文语义特征向量进行级联以得到评论数据词粒度特征向量；270，融合所述评论数据片语粒度特征向量和所述评论数据词粒度特征向量以得到分类特征向量；以及，280，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示用户针对于特定商品的评价是积极的还是消极的。
图7为根据本申请实施例的服装电子商务销售管理方法的系统架构的示意图。如图7所示，在所述服装电子商务销售管理方法的系统架构中，首先，收集用户针对于特定商品的评论数据；然后，对所述评论数据进行数据清洗和预处理以得到预处理后评论数据；接着，对所述预处理后评论数据进行分词处理以得到评论词的序列；然后，将所述评论词的序列通过包含词嵌入层的语义编码器以得到多个评论词上下文语义特征向量；接着，将所述多个评论词上下文语义特征向量排列为一维特征向量后通过包含第一卷积层和第二卷积层的多尺度卷积结构以得到评论数据片语粒度特征向量；然后，将所述多个评论词上下文语义特征向量进行级联以得到评论数据词粒度特征向量；接着，融合所述评论数据片语粒度特征向量和所述评论数据词粒度特征向量以得到分类特征向量；以及，最后，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示用户针对于特定商品的评价是积极的还是消极的。
在一个具体示例中，在上述服装电子商务销售管理方法中，将所述评论词的序列通过包含词嵌入层的语义编码器以得到多个评论词上下文语义特征向量，包括：使用所述语义编码器的词嵌入层将所述评论词的序列中各个评论词映射到词向量以获得词向量的序列；以及，使用所述包含词嵌入层的语义编码器对所述词向量的序列进行基于全局的上下文语义编码以获得所述多个评论词上下文语义特征向量。
在一个具体示例中，在上述服装电子商务销售管理方法中，所述多尺度卷积结构，包括：相互并行的第一卷积层和第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的多尺度融合层，其中，所述第一卷积层和所述第二卷积层使用具有不同尺度的一维卷积核。
在一个具体示例中，在上述服装电子商务销售管理方法中，将所述多个评论词上下文语义特征向量排列为一维特征向量后通过包含第一卷积层和第二卷积层的多尺度卷积结构以得到评论数据片语粒度特征向量，包括：使用所述多尺度卷积结构的第一卷积层以如下第一卷积公式对所述一维特征向量进行一维卷积编码以得到第一尺度片语粒度特征向量；其中，所述第一卷积公式为：
/>
其中，a为第一一维卷积核在x方向上的宽度、F(a)为第一一维卷积核参数向量、G(x-a)为与第一一维卷积核函数运算的局部向量矩阵，w为第一一维卷积核的尺寸，X表示所述一维特征向量，Cov(X)表示对所述一维特征向量进行一维卷积编码；使用所述多尺度卷积结构的第二卷积层以如下第二卷积公式对所述一维特征向量进行一维卷积编码以得到第二尺度片语粒度特征向量；其中，所述第二卷积公式为：
其中，b为第二一维卷积核在x方向上的宽度、F(b)为第二一维卷积核参数向量、G(x-b)为与第二一维卷积核函数运算的局部向量矩阵，m为第二一维卷积核的尺寸，X表示所述一维特征向量，Cov(X)表示对所述一维特征向量进行一维卷积编码；以及，使用所述多尺度卷积结构的融合层对所述第一尺度片语粒度特征向量和所述第二尺度片语粒度特征向量进行级联以得到所述评论数据片语粒度特征向量。
在一个具体示例中，在上述服装电子商务销售管理方法中，将所述多个评论词上下文语义特征向量进行级联以得到评论数据词粒度特征向量，包括：以如下级联公式将所述多个评论词上下文语义特征向量进行级联以得到评论数据词粒度特征向量；其中，所述级联公式为：
Ve＝Concat[Va，Vb]
其中，Va，Vb表示所述多个评论词上下文语义特征向量，Concat[·]表示级联函数，Ve表示所述评论数据词粒度特征向量。
在一个具体示例中，在上述服装电子商务销售管理方法中，融合所述评论数据片语粒度特征向量和所述评论数据词粒度特征向量以得到分类特征向量，包括：以如下优化公式融合所述评论数据片语粒度特征向量和所述评论数据词粒度特征向量以得到分类特征向量；其中，所述优化公式为：
其中，V1表示所述评论数据片语粒度特征向量，V2表示所述评论数据词粒度特征向量，||·||1和||·||2分别表示向量的一范数和二范数，ω和∈分别为权重和偏置超参数，D(V1，V2)表示所述评论数据片语粒度特征向量和所述评论数据词粒度特征向量之间的按位置距离矩阵，且I为单位矩阵，和⊙分别表示特征向量的逐位置相加、相减和相乘，表示向量乘法，Vc表示所述分类特征向量。
在一个具体示例中，在上述服装电子商务销售管理方法中，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示用户针对于特定商品的评价是积极的还是消极的，包括：使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
本领域技术人员可以理解，上述服装电子商务销售管理方法中的各个步骤的具体操作已经在上面参考图1到图5的服装电子商务销售管理系统的描述中得到了详细介绍，并因此，将省略其重复描述。
本申请还提供了一种计算机程序产品，所述计算机程序产品包括指令，当所述指令被执行时，以使得装置执行对应于上述方法中的操作。
在本申请的一个实施例中，还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述所述方法的计算机程序。
应可以理解，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请实施例的方法、系统、和计算机程序产品的流程图和/或框图来描述的。应理解可由计算机程序指令实现流程图和/或框图中的每一流程和/或方框、以及流程图和/或框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能的步骤。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物品或者终端设备不仅包括那些要素，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、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (10)
1.一种服装电子商务销售管理系统，其特征在于，包括：
评论数据收集模块，用于收集用户针对于特定商品的评论数据；
数据预处理模块，用于对所述评论数据进行数据清洗和预处理以得到预处理后评论数据；
分词模块，用于对所述预处理后评论数据进行分词处理以得到评论词的序列；
语义编码模块，用于将所述评论词的序列通过包含词嵌入层的语义编码器以得到多个评论词上下文语义特征向量；
片语粒度特征提取模块，用于将所述多个评论词上下文语义特征向量排列为一维特征向量后通过包含第一卷积层和第二卷积层的多尺度卷积结构以得到评论数据片语粒度特征向量；
词粒度特征整合模块，用于将所述多个评论词上下文语义特征向量进行级联以得到评论数据词粒度特征向量；
特征融合模块，用于融合所述评论数据片语粒度特征向量和所述评论数据词粒度特征向量以得到分类特征向量；以及
评价结果划分模块，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示用户针对于特定商品的评价是积极的还是消极的。
2.根据权利要求1所述的服装电子商务销售管理系统，其特征在于，所述语义编码模块，包括：
词向量转化单元，用于使用所述语义编码器的词嵌入层将所述评论词的序列中各个评论词映射到词向量以获得词向量的序列；以及
上下文语义编码单元，用于使用所述包含词嵌入层的语义编码器对所述词向量的序列进行基于全局的上下文语义编码以获得所述多个评论词上下文语义特征向量。
3.根据权利要求2所述的服装电子商务销售管理系统，其特征在于，所述多尺度卷积结构，包括：相互并行的第一卷积层和第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的多尺度融合层，其中，所述第一卷积层和所述第二卷积层使用具有不同尺度的一维卷积核。
4.根据权利要求3所述的服装电子商务销售管理系统，其特征在于，所述片语粒度特征提取模块，包括：
第一尺度提取单元，用于使用所述多尺度卷积结构的第一卷积层以如下第一卷积公式对所述一维特征向量进行一维卷积编码以得到第一尺度片语粒度特征向量；
其中，所述第一卷积公式为：
其中，a为第一一维卷积核在x方向上的宽度、F(a)为第一一维卷积核参数向量、G(x-a)为与第一一维卷积核函数运算的局部向量矩阵，w为第一一维卷积核的尺寸，X表示所述一维特征向量，Cov(X)表示对所述一维特征向量进行一维卷积编码；
第二尺度提取单元，用于使用所述多尺度卷积结构的第二卷积层以如下第二卷积公式对所述一维特征向量进行一维卷积编码以得到第二尺度片语粒度特征向量；
其中，所述第二卷积公式为：
其中，b为第二一维卷积核在x方向上的宽度、F(b)为第二一维卷积核参数向量、G(x-b)为与第二一维卷积核函数运算的局部向量矩阵，m为第二一维卷积核的尺寸，X表示所述一维特征向量，Cov(X)表示对所述一维特征向量进行一维卷积编码；以及
级联单元，用于使用所述多尺度卷积结构的融合层对所述第一尺度片语粒度特征向量和所述第二尺度片语粒度特征向量进行级联以得到所述评论数据片语粒度特征向量。
5.根据权利要求4所述的服装电子商务销售管理系统，其特征在于，所述词粒度特征整合模块，包括：以如下级联公式将所述多个评论词上下文语义特征向量进行级联以得到评论数据词粒度特征向量；
其中，所述级联公式为：
Ve＝Concat[Va，Vb]
其中，Va，Vb表示所述多个评论词上下文语义特征向量，Concat[·]表示级联函数，Ve表示所述评论数据词粒度特征向量。
6.根据权利要求5所述的服装电子商务销售管理系统，其特征在于，所述特征融合模块，用于：以如下优化公式融合所述评论数据片语粒度特征向量和所述评论数据词粒度特征向量以得到分类特征向量；
其中，所述优化公式为：
其中，V1表示所述评论数据片语粒度特征向量，V2表示所述评论数据词粒度特征向量，||·||1和||·||2分别表示向量的一范数和二范数，ω和∈分别为权重和偏置超参数，D(V1，V2)表示所述评论数据片语粒度特征向量和所述评论数据词粒度特征向量之间的按位置距离矩阵，且I为单位矩阵，和⊙分别表示特征向量的逐位置相加、相减和相乘，/>表示向量乘法，Vc表示所述分类特征向量。
7.根据权利要求6所述的服装电子商务销售管理系统，其特征在于，所述评价结果划分模块，包括：
全连接编码单元，用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及
分类单元，用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
8.一种服装电子商务销售管理方法，其特征在于，包括：
收集用户针对于特定商品的评论数据；
对所述评论数据进行数据清洗和预处理以得到预处理后评论数据；
对所述预处理后评论数据进行分词处理以得到评论词的序列；
将所述评论词的序列通过包含词嵌入层的语义编码器以得到多个评论词上下文语义特征向量；
将所述多个评论词上下文语义特征向量排列为一维特征向量后通过包含第一卷积层和第二卷积层的多尺度卷积结构以得到评论数据片语粒度特征向量；
将所述多个评论词上下文语义特征向量进行级联以得到评论数据词粒度特征向量；
融合所述评论数据片语粒度特征向量和所述评论数据词粒度特征向量以得到分类特征向量；以及
将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示用户针对于特定商品的评价是积极的还是消极的。
9.根据权利要求8所述的服装电子商务销售管理方法，其特征在于，将所述评论词的序列通过包含词嵌入层的语义编码器以得到多个评论词上下文语义特征向量，包括：
使用所述语义编码器的词嵌入层将所述评论词的序列中各个评论词映射到词向量以获得词向量的序列；以及
使用所述包含词嵌入层的语义编码器对所述词向量的序列进行基于全局的上下文语义编码以获得所述多个评论词上下文语义特征向量。
10.根据权利要求9所述的服装电子商务销售管理方法，其特征在于，所述多尺度卷积结构，包括：相互并行的第一卷积层和第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的多尺度融合层，其中，所述第一卷积层和所述第二卷积层使用具有不同尺度的一维卷积核。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310690805.2A CN116757773A (zh) | 2023-06-12 | 2023-06-12 | 服装电子商务销售管理系统及其方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310690805.2A CN116757773A (zh) | 2023-06-12 | 2023-06-12 | 服装电子商务销售管理系统及其方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116757773A true CN116757773A (zh) | 2023-09-15 |
Family
ID=87950753
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310690805.2A Pending CN116757773A (zh) | 2023-06-12 | 2023-06-12 | 服装电子商务销售管理系统及其方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116757773A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117618708A (zh) * | 2024-01-26 | 2024-03-01 | 吉林大学 | 用于静脉输液治疗的智能监控系统及方法 |
-
2023
- 2023-06-12 CN CN202310690805.2A patent/CN116757773A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117618708A (zh) * | 2024-01-26 | 2024-03-01 | 吉林大学 | 用于静脉输液治疗的智能监控系统及方法 |
| CN117618708B (zh) * | 2024-01-26 | 2024-04-05 | 吉林大学 | 用于静脉输液治疗的智能监控系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113822494B (zh) | 风险预测方法、装置、设备及存储介质 | |
| CN116245513B (zh) | 基于规则库的自动化运维系统及其方法 | |
| CN112905739B (zh) | 虚假评论检测模型训练方法、检测方法及电子设备 | |
| Gangadharan et al. | Paraphrase detection using deep neural network based word embedding techniques | |
| CN113987187A (zh) | 基于多标签嵌入的舆情文本分类方法、系统、终端及介质 | |
| CN116629977A (zh) | 基于大数据的电子商务决策方法及其系统 | |
| CN113705238A (zh) | 基于bert和方面特征定位模型的方面级情感分析方法及模型 | |
| Han et al. | L-Net: lightweight and fast object detector-based ShuffleNetV2 | |
| Shen et al. | DSRPH: deep semantic-aware ranking preserving hashing for efficient multi-label image retrieval | |
| CN116757773A (zh) | 服装电子商务销售管理系统及其方法 | |
| Monka et al. | Learning visual models using a knowledge graph as a trainer | |
| Kalaivani et al. | A review on feature extraction techniques for sentiment classification | |
| CN117494051A (zh) | 一种分类处理的方法、模型训练的方法以及相关装置 | |
| Jayanto et al. | Aspect-based sentiment analysis for hotel reviews using an improved model of long short-term memory. | |
| CN112905793A (zh) | 一种基于Bilstm+Attention文本分类的案例推荐方法及系统 | |
| CN110321565B (zh) | 基于深度学习的实时文本情感分析方法、装置及设备 | |
| He et al. | Text Sentiment Analysis of Douban Film Short Comments Based on BERT-CNN-BiLSTM-Att Model | |
| CN116244435A (zh) | 文本情感分析模型训练方法、情感分析方法、设备和介质 | |
| Oliveira et al. | A new generation? a discussion on deep generative models in supply chains | |
| Menon et al. | An insight into the relevance of word ordering for text data analysis | |
| CN116561814B (zh) | 纺织化纤供应链信息防篡改方法及其系统 | |
| Aravindkumar et al. | Generation of image caption using CNN-LSTM based approach | |
| CN114219084B (zh) | 一种快消行业的访销陈列造假识别方法及装置 | |
| de Paula et al. | Facial Emotion Recognition for Sentiment Analysis of Social Media Data | |
| Bharti et al. | A novel approach of transfer learning for Satellite Image Classification |
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 |