[发明专利]一种电商评论多类目多客户快速定制化模型的方法和装置

说明书

本发明涉及一种电商评论多类目多客户快速定制化模型的方法和装置，所述的电商评论多类目多客户快速定制化模型方法和装置包括以下主要步骤：第一：最低粒度标签的构建，第二：深度神经网络模型训练模块的构建，第三：深度神经网络模型标注模块的构建。其优点表现在：本发明为商家定制模型时中遇到的问题，按照本发明的方法处理，满足了商家对自有品牌定制化的需求，高效的解决了快速训练，标注，标签命名不同等问题。

技术领域

本发明涉及自然语言处理技术领域，具体地说，是一种电商评论多类目多客户快速定制化模型的方法和装置。

背景技术

近年来，随着信息技术以及互联网的蓬勃发展，我国网购市场发展迅猛，越来越多的人通过电商网站来了解产品信息、购买商品并通过评价表达自己购买商品过程的感受、对购买商品的满意程度和对所购商品的建议和要求等。一方面，消费者在网购时无法直接接触实际商品，只能根据电商平台提供的文字、图片等描述性信息以及历史消费者发表的评论文本了解商品、商家、品牌的基本特征。另一方面，用户产生的商品评论对于消费者购买商品改进商品都有着很重要的参考价值，但是商家、品牌方也无法直接接触消费者，只能根据历史消费者发表评论文本分析消费者的喜好，对产品设计、销售策略进行调整。然而，随着时间及历史的推移，电商平台积聚的评论文本信息不断膨胀，碎片化、海量化特征日趋明显，采用人工的方式对电商评论文本进行情感分析需要消耗大量的人力、物力，而现有的评论总结技术大多是基于评论中高频词语的聚类和相应评论的情感词标注，来生成重要的总结性词语或者短语，借以概括大家对某个商品的观点、反映某商品的特性，从而为消费者购买和商家改进产品提供参考。因此大多现有的评论总结技术还停留在短语级别，对于消费者和商家的参考价值有限，现有的电商平台对产品的评论的挖掘利用尚不充分。

通过关键词，否定词和程度副词，领域词典来构建模型，并通过词性，语法成分分词后生成特征向量，通过模型训练得到观点结果。该方案遇到的问题是每个商家拥有自己独特的评论数据，例如斯凯奇用户有形容产品“踩屎感”的标签，在其他鞋类不具有这类特性，那么在斯凯奇品牌就需要加入该标签。运动类对于有型属于外观漂亮，而服饰类有型属于设计好。现有的解决方案只能解决通用问题，不能服务于商家独特的标签以及不同类目分类定义。

中国专利文献：CN108256968A，公开日：2018.07.06，公开了一种电商平台商品专家评论生成方法，提出一种基于序列到序列生成模型的专家评论总结生成技术，提取某商品所有用户评论中的重要信息，生成一段总结性的话语来描述商品的特性。消费者可以根据生成的专家评论来了解商品的优缺点，考虑是否购买；商家可根据生成的专家评论来改进自己的商品。

中国专利文献：CN109101478A，公开日：2018.12.28，公开了一种面向电商评论文本的Aspect级情感分析方法。首先，对电商评论文本进行预处理，并按照其所属的商品、商家、品牌进行分批；接着，在一批电商评论文本内部，综合考虑词性、句法及共现性特征，对候选评价对象的重要性进行排序，抽取电商评论文本中的评价对象；然后，利用动态滑动窗口机制将词项间共现限定在评论段级，并基于LDA模型对这一批电商评论文本中的评价对象进行聚类，得到评论Aspect-评价对象间对应关系；最后，基于构建的情感词典、否定词典，对电商评论文本进行情感分析。

但是关于本发明一种电商评论多类目多客户快速定制化模型的方法和装置目前还未见报道。

发明内容

本发明的目的是在于帮助商家定制化和快速建模。商家希望通过客户反馈来有针对性的的迭代产品，然而现有解决方案都是一个问题一个解决方案，开发周期较长，不能快速有效的解决用户少量的定制化需求，本发明要解决的课题就是快速帮助不同用户建模，例如：运动类目定义为外观漂亮，服饰类目对其中一部分定义为设计好，另一部分依旧是外观漂亮；A客户认为脱胶需要单独标签，B客户认为统一放到做工粗糙；A客户关注“踩屎感”标签，B客户根本没有关注该标签；这些不同的客户不同的要求，本发明可以满足各个客户不同的要求。

为实现上述目的，本发明采取的技术方案是：