[发明专利]一种基于大数据模型的竞品分析方法、终端及存储介质

权利要求书

1.一种基于大数据模型的竞品分析方法，其特征在于，包括：

选择需要进行竞品分析的销售平台，并爬取商家设定的商品描述，将商品描述输入至大语言模型，通过大语言模型输出商品种类；

确定需分析的自身商品，并从大语言模型输出的商品种类中筛选出多个可能竞品；

连续多日爬取所有可能竞品的评价指标，评价指标包括：销售数量、顾客评价数量、顾客评价内容、店铺评分、价格；

对收集的评价指标进行数据清洗；

确定每一个可能竞品的周期性评价指标，并对周期性评价指标进行分级，并确定周期性评价指标的权重；

根据权重确定每一个可能竞品的综合得分；

将综合得分导入K-means算法，并计算确定聚类个数和聚类中心；

将聚类中心作为最终竞品输出。

2.根据权利要求1所述的一种基于大数据模型的竞品分析方法，其特征在于，设定周期T，周期性评价指标为周期T内评价指标的改变量，设定第个竞品的周期性评价指标包括：新增销售数量、新增顾客评价数量、新增顾客评价内容、店铺评分、价格，，；

对周期性评价指标进行分级的方法为：

按照从少到多将新增销售数量分为1级、2级、3级、4级和5级；

按照从少到多将新增顾客评价数量分为1级、2级、3级、4级和5级；

按照从高到低将价格分为1级、2级、3级、4级和5级；

按照从从低到高将店铺评分为1级、2级、3级、4级和5级；

通过大语言模型对新增顾客评价内容进行识别，并按照差评、偏差评、中性、偏好评、好评将顾客评价内容分为1级、2级、3级、4级和5级。

3.根据权利要求2所述的一种基于大数据模型的竞品分析方法，其特征在于，确定周期性评价指标的权重的方法包括：

对周期性评价指标进行归一化：，其中，为可能竞品的数量，为归一化后的数据；

计算每一个周期性评价指标的信息熵：，其中，为第项评价指标的信息熵，若则定义；

计算每一个周期性评价指标的权重值：，其中，为第项评价指标的权重。

4.根据权利要求3所述的一种基于大数据模型的竞品分析方法，其特征在于，确定每一个可能竞品的综合得分的方法包括：

构建数据矩阵，并构造正负理想解：；

确定每一个可能竞品与正负理想解之间的加权距离：；

计算每一个可能竞品的综合得分：。

5.根据权利要求1所述的一种基于大数据模型的竞品分析方法，其特征在于，确定聚类个数和聚类中心的方法包括：

确定由所有可能竞品的综合得分构成的样本集，并计算第个样本与样本集中其余样本的平均欧式距离：，其中，为样本集中除以外的任意样本，为到的距离，为可能竞品的数量；

计算以为中心，在距离范围内的欧氏距离内样本数量：

，其中，为判定函数，若变量不小于0，则函数值为1；若变量小于0，则函数值为0；

计算所有样本的欧氏距离内样本数量，并降序排列；

设定聚类个数，并选取前个样本作为聚类中心，计算聚类簇内每个样本到聚类中心的平均距离：，，其中，为第个聚类簇中的样本总数，为第个聚类簇的聚类中心，为聚类簇中的其他样本；

计算评估值，，其中，、为任选的聚类中心，、为聚类簇内样本到聚类中心的平均距离，为两个聚类中心之间的距离；

设定评估阈值，若遍历所有聚类中心后，任意两个聚类中心的评估值均存在，则输出个聚类中心；若遍历所有聚类中心后，某两个聚类中心的评估值存在，则修正值并重新进行评估值评断。

6.根据权利要求1所述的一种基于大数据模型的竞品分析方法，其特征在于，确定聚类个数和聚类中心的方法包括：

构建K-means数学模型，并通过手肘法确定聚类个数，随机任选获得初始聚类中心；

将剩余的B个可能竞品按照就近分配选择划分至上述初始聚类中心形成聚类簇，B为可能竞品总数量与聚类个数之差；

基于形成的聚类簇，计算新的聚类中心，并重复上一步骤；

判断是否满足聚类结束条件，若不满足则重复上一步骤，若满足则输出聚类个数和聚类中心。