电商口碑评价方法、系统及电子设备与流程

本发明涉及电子商务技术领域，尤其是涉及一种电商口碑评价方法、系统及电子设备。

背景技术：

近年来，随着计算机互联网技术的普及与发展，消费者购物消费的方式也随之发生着巨大的变化，电商因具有高便捷度和高性价比的特点，已成为主流的交易模式。在电子商务的蓬勃发展态势下，商家的信用问题和商品的质量问题也随之而来。这些问题的出现，制约了电子商务市场的发展，也会给消费者带来经济损失。

许多消费者在电商平台完成商品的交易后，会对其购买的商品进行评价和评论，说明使用商品和接受服务后的体验评价。相较传统购物模式，电商评论也成为了电商平台所具备的显著特征之一，电商评论一定程度上打通了商家和消费者之间信息不对称的壁垒，增加了电商平台受众对其的认知度和认可度。同时，电商评论作为一种反馈机制，形成了电商网站、商家与消费者的三个主体的口碑互动网络，构成一套独特的三方交互网络体系。电商评论一方面可以显著地影响着消费者的购买决策，在线消费者常常通过衡量他人对某件商品的评论来制定自己的购买方案；另一方面还可以促进电商商家的产品销售，商品制造商可以从在线商品评论中获得启发，从而支持广泛的管理活动，如品牌塑造、客户关系管理、产品研发升级、质量管理以及质量提升。

买家和卖家作为电商平台最重要的双方，都把从电商评论中获得有助于方案决策的有效信息作为目标。除此之外，有关管理部门也可以通过电商平台的海量公开消费品的有效评价信息对消费品的安全性和质量进行评估。然而，针对某一商品的在线商品评论通常是海量且质量参差不齐的，一方面，需要很高的时间和精力成本去从中筛选出有价值信息；另一方面，大量商家的刷单行为也会混淆消费者的视听并影响正常决策过程。电商平台提供在线商品评论的效用评价功能，其依据每条评论获得的点赞数和评论数对商品评论进行排序，获得点赞和评论数量越高，该评论的排名越靠前。但是这种已有的评价机制仍然只能提供片面的信息，无法将该商品的评价全貌及产品质量状况评估信息展示给消费者和市场监管部门。

综上所述，目前在电商平台中存在着商品口碑评价机制不健全，商品口碑评估效果较差的问题。

技术实现要素：

有鉴于此，本发明的目的在于提供一种电商口碑评价方法及系统，以解决当前电商平台中存在的商品口碑评价机制不健全、商品口碑评估效果较差的问题。

第一方面，本发明实施例提供了一种电商口碑评价方法，其中，该方法包括以下步骤：

采集目标消费品的评论数据；

通过评论数据，得到量级口碑等级的指标向量；

利用预设的量级口碑等级计算模型对量级口碑等级的指标向量进行计算，得到量级口碑等级结果；

通过预设的敏感关键词组与评论数据建立映射关系；

利用预设的内容口碑等级计算模型对映射关系进行计算，得到内容口碑等级结果；

将量级口碑等级结果、内容口碑等级结果通过预设的口碑计算模型进行加权计算，得到目标消费品的口碑等级。

结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，通过评论数据，得到量级口碑等级的指标向量的步骤，包括：

使用限定的关键词，对所需要评估的消费品进行筛选，得到目标消费品；

获取目标消费品的评论数据，并生成多维度描述性信息，多维度描述性信息包括评论数据中的好评数、中评数、差评数、单条评论的点赞数和评论数中的至少两种；

将多维度描述性信息进行分析，确定量级口碑的指标向量所需的描述性信息，并得到量级口碑的指标向量。

结合第一方面，本发明实施例提供了第一方面的第二种可能的实施方式，其中，利用预设的量级口碑等级计算模型对量级口碑等级的指标向量进行计算，得到量级口碑等级结果的步骤，包括：

其中，i(qw)表示量级口碑等级结果；n表示总评价数；nmedium表示中评数量；cmedium表示中评总评论数；tmedium表示中评总点赞数；nnegative表示差评数量；cnegative表示差评总评论数；tnegative表示差评总点赞数；a、b、c、d分别表示各变量对应的权重值。

结合第一方面，本发明实施例提供了第一方面的第三种可能的实施方式，其中，通过事先定义的敏感关键词组与评论数据建立映射关系，包括以下步骤：

根据目标消费品的属性，定义两级敏感关键词组；

基于两级敏感关键词组，在评论数据中进行遍历，统计出每个关键词出现的次数；

将每个关键词出现的次数与关键词建立映射关系。

结合第一方面的第三种可能的实施方式，本发明实施例提供了第一方面的第四种可能的实施方式，其中，两级敏感关键词组，包括一级安全相关敏感关键词和二级性能相关敏感关键词；

一级安全相关敏感关键词的敏感等级高于二级性能相关敏感关键词的敏感等级。

结合第一方面，本发明实施例提供了第一方面的第五种可能的实施方式，其中，利用预设的内容口碑等级计算模型对映射关系进行计算，得到内容口碑等级结果的步骤，包括：

i(cw)＝(1-p×norm(nkeyword1)-q×norm(nkeyword2))×100％

其中，i(cw)表示内容口碑等级结果；nkeyword1表示一级安全相关敏感关键词命中总数；nkeyword2表示二级安全相关敏感关键词命中总数；p、q分别表示各变量对应的权重值；norm表示标准化函数。

结合第一方面的第五种可能的实施方式，本发明实施例提供了第一方面的第六种可能的实施方式，其中，标准化函数为：

结合第一方面，本发明实施例提供了第一方面的第七种可能的实施方式，其中，将量级口碑等级结果、内容口碑等级结果通过预设的口碑计算模型进行加权计算，得到目标消费品的口碑等级的步骤，包括：

i(w)＝m×i(qw)+(1-m)×i(cw)

其中，i(w)表示消费品电商口碑等级总值；i(qw)表示量级口碑等级；i(cw)表示内容口碑等级；m表示量级口碑等级的权重。

第二方面，本发明实施例提供一种电商口碑评价系统，该系统包括：

采集模块，用于采集目标消费品的评论数据；

第一计算模块，用于通过分析评论数据得到量级口碑等级的指标向量，再利用预设的量级口碑等级计算模型对量级口碑等级的指标向量进行计算，得到量级口碑等级结果；

第二计算模块，用于通过预设的敏感关键词组与评论数据建立映射关系，再利用预设的内容口碑等级计算模型对映射关系进行计算，得到内容口碑等级结果；

第三计算模块，用于将量级口碑等级结果、内容口碑等级结果通过预设的口碑计算模型进行加权计算，得到目标消费品的口碑等级。

第三方面，本发明实施例提供一种电子设备，包括存储器、处理器，存储器中存储有可在处理器上运行的计算机程序，其中，处理器执行计算机程序时实现上述第一方面中的电商口碑评价方法。

本发明实施例带来了以下有益效果：

本发明提供了一种电商口碑评价方法、系统及电子设备，该方法首先采集目标消费品的评论数据，通过评论数据得到量级口碑等级的指标向量；利用预设的量级口碑等级计算模型对量级口碑等级的指标向量进行计算，得到量级口碑等级结果；再通过预设的敏感关键词组与评论数据建立映射关系，利用预设的内容口碑等级计算模型对映射关系进行计算，得到内容口碑等级结果；将量级口碑等级结果、内容口碑等级结果通过预设的口碑计算模型进行加权计算，得到目标消费品的口碑等级。本方法通过对指定消费品相关的电商平台评价数据的指向性采集，获得相关消费品的全部电商评价数据，避免常规方法中对信息的遗漏，也避免了受商家或平台误导的可能。同时实现了在不需要人工参与的情况下完成对电商评价类信息的自动聚集、分析计算，最终得出可量化的电商消费品口碑影响力评估指标。另外，本方法还针对指标数据进行多维度评估，解决了因指标单一导致的评估精度较差的问题。

本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，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为本发明实施例提供的电商口碑评价方法的流程图；

图2为本发明实施例提供的另一种电商口碑评价方法的流程图；

图3为本发明实施例提供的电商口碑评价系统的结构图；

图4为本发明实施例提供的电商口碑评价方法的电子装置示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例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，都属于本发明保护的范围。

考虑到目前在电商平台中存在着商品评价机制不健全，评价方法的效果较差的问题，本发明的目的在于提供一种电商口碑评价方法、系统及电子设备，该技术可以应用于手机、平板电脑、计算机、专用终端等终端设备上，可以用于app(application，应用程序)页面、网页页面、操作系统页面等场景中。

为便于对本实施例进行理解，首先对本发明实施例所公开的一种电商口碑评价方法进行详细介绍。参见图1所示的电商口碑评价方法的流程图，包括以下步骤：

步骤s110，采集目标消费品的评论数据；

目标消费品的评论数据可通过网络爬虫技术进行采集，为了确保数据采集的完整，根据不同电商平台的网页类型、网页层级、内容格式等方面使用不同的爬虫系统对数据进行采集。评论数据包括消费者对该目标商品的评语以及评论数量，这其中包括好评、中评、差评，以及单条评论的点赞数量和后续评论数量。

步骤s120，通过评论数据，得到量级口碑等级的指标向量；

对步骤s110中已采集的评论数据进行综合性分析，针对目标消费品的特性确定所需的数据，作为量级口碑等级指标向量。

步骤s130，利用预设的量级口碑等级计算模型对量级口碑等级的指标向量进行计算，得到量级口碑等级结果；

量级口碑等级计算模型根据步骤s120得到的量级口碑等级的指标向量对指标向量中的数据赋予相应的权重，通过计算得到量级口碑等级结果。

步骤s140，通过预设的敏感关键词组与评论数据建立映射关系；

敏感关键词组针对不同品类和特点的消费品来定义，然后将定义完毕的敏感词组与步骤s110中已采集的评论数据进行搜索定位，建立相互的映射关系。

步骤s150，利用预设的内容口碑等级计算模型对映射关系进行计算，得到内容口碑等级结果；

内容口碑等级计算模型根据步骤s140得到的映射关系进行计算，对敏感关键词的重要性以及与真实数据的分析挖掘，对映射关系中的数据赋予相应的权重，通过计算得到内容口碑等级结果。

步骤s160，将量级口碑等级结果、内容口碑等级结果通过预设的口碑计算模型进行加权计算，得到目标消费品的口碑等级。

将步骤s130得到的量级口碑等级结果与步骤s150得到的内容口碑等级结果通过预设的口碑计算模型进行加权计算，最终得到目标消费品的口碑等级结果。不同消费品根据上述方法得到相应的电商口碑等级总值，通过判断得到的电商口碑等级总值的大小，进而评估不同消费品之间的口碑高低。本方法针对不同消费品的指标数据进行多维度评估，解决了因指标单一导致的评估精度较差的问题。

本发明实施例提供另一种电商口碑评价方法，如图2所示，该方法包括以下步骤：

步骤s202，采集目标消费品的评论数据。

目标消费品的评论数据通过网络爬虫技术进行采集，包括目标消费品的所有好评数、中评数、差评数，以及对应的点赞和评论。为了确保数据采集的完整，根据不同电商平台的网页类型、网页层级、内容格式等方面使用不同的爬虫系统对数据进行采集。

步骤s204，使用限定的关键词，对所需要评估的消费品进行筛选，得到目标消费品。

为了能够准确地通过电商平台定位到某一品牌的某一款消费品的信息，可以对所要查找的目标信息进行限定，该目标信息可以包含但不限于消费品的品牌、品类、产品样式、型号等关键词。通过不同限定关键词通过逻辑关系(如“与”和“或”)的相互组合，来达到精确覆盖指定目标消费品的目的。

步骤s206，获取目标消费品的评论数据，并生成多维度描述性信息。

多维度描述性信息包括评论数据中的好评数、中评数、差评数、单条评论的点赞数和评论数中的至少两种。

步骤s208，将多维度描述性信息进行分析，确定量级口碑的指标向量所需的描述性信息，并得到量级口碑的指标向量。

为了计算消费品在电商平台的量级口碑等级，需要将采集到的电商评论中各类描述性信息进行分析，并最终确定通过哪些维度的数据来计算口碑等级。

在电商中某款消费品的所有评价中，中评数量和差评数量将会影响该消费品的量级口碑。在大多数电商平台中，在每条评价都可以点赞或继续评论，这些每条中评或差评的点赞数和评论数也是可以表征用户对该条评价的认同程度。该评论获得的认可度越高，则其对该消费品的口碑影响就越大。因此在本实施例中，采用总评数、中评数、差评数、以及中评差评对应的总点赞数和总评论数作为指标向量，用于后续步骤中。

步骤s210，利用预设的量级口碑等级计算模型对量级口碑等级的指标向量进行计算，得到量级口碑等级结果。

量级口碑等级计算模型中，采用以下算式：

其中，i(qw)表示量级口碑等级结果；n表示总评价数；nmedium表示中评数量；cmedium表示中评总评论数；tmedium表示中评总点赞数；nnegative表示差评数量；cnegative表示差评总评论数；tnegative表示差评总点赞数；a、b、c、d分别表示各变量对应的权重值。

a、b、c、d分别表示的权重值中，中评和差评对应的权重分别是a和b；而对于评价质量来说，评论数和点赞数分别占到其权重的c和d。

在上述a、b、c、d权重值确定之后，通过量级口碑等级计算模型中的算式进行计算，得到量级口碑等级的结果，结果为百分数。

步骤s212，根据目标消费品的属性，定义两级敏感关键词组。

针对不同品类、特点的消费品，定义内容层面的敏感关键词。根据其敏感程度将关键词分为：一级安全相关敏感关键词和二级性能相关敏感关键词。一级安全相关敏感关键词的敏感等级高于二级性能相关敏感关键词的敏感等级，例如电热水壶类产品，定义“漏电”、“烫伤”、“爆裂”等为一级安全相关敏感关键词，这些一级安全相关敏感关键词主要体现电热水壶的安全性不足，由此可能会给消费者带来较大的安全风险；定义“烧水慢”、“传感不灵”、“噪声大”作为二级性能相关敏感关键词，这些二级性能相关敏感关键词主要体现电热水壶的性能不足，敏感程度要低于一级安全相关敏感关键词。

步骤s214，基于两级敏感关键词组，在评论数据中进行遍历，统计出每个关键词出现的次数。

步骤s216，将每个关键词出现的次数与关键词建立映射关系。

步骤s218，利用预设的内容口碑等级计算模型对映射关系进行计算，得到内容口碑等级结果。

内容口碑等级计算模型，采用以下算式：

i(cw)＝(1-p×norm(nkeyword1)-q×norm(nkeyword2))×100％

其中，i(cw)表示内容口碑等级结果；nkeyword1表示一级安全相关敏感关键词命中总数；nkeyword2表示二级安全相关敏感关键词命中总数；p、q分别表示各变量对应的权重值；norm表示标准化函数。

内容口碑等级计算模型算式中，基于两个等级敏感关键词命中数的重要性判断和对海量真实数据的分析挖掘，对两个指标赋予相应的权重。其中，一级安全相关敏感关键词的权重p要略高于二级安全相关敏感关键词的权重q。

为了便于计算，利用标准化函数norm将一级安全相关敏感关键词命中总数和二级安全相关敏感关键词命中总数进行标准化操作，其中所用的标准化函数为

步骤s220，将量级口碑等级结果、内容口碑等级结果通过预设的口碑计算模型进行加权计算，得到目标消费品的口碑等级。

将步骤s210得到量级口碑等级结果、步骤s218得到内容口碑等级结果代入口碑计算模型中，口碑计算模型采用以下算式：

i(w)＝m×i(qw)+(1-m)×i(cw)

其中，i(w)表示消费品电商口碑等级总值；i(qw)表示量级口碑等级；i(cw)表示内容口碑等级；m表示量级口碑等级的权重。

可以看出，消费品电商口碑等级总值，是通过赋予量级口碑等级和内容口碑等级，并赋予相应的权重计算得到的。

不同消费品根据上述方法得到相应的电商口碑等级总值，通过判断得到的电商口碑等级总值的大小，进而评估不同消费品之间的口碑高低。通过该方法对指定消费品相关的电商平台评价数据的指向性采集，获得相关消费品的全部电商评价数据，避免常规方法中对信息的遗漏，也避免了受商家或平台误导的可能。本方法针对不同消费品的指标数据进行多维度评估，解决了因指标单一导致的评估精度较差的问题。

对应于上述方法实施例，参见图3所示的一种电商口碑评价系统的示意图，该系统应用于终端设备，包括以下模块：

采集模块10，用于采集目标消费品的评论数据；

第一计算模块20，用于通过分析评论数据得到量级口碑等级的指标向量，再利用预设的量级口碑等级计算模型对量级口碑等级的指标向量进行计算，得到量级口碑等级结果；

第二计算模块30，用于通过预设的敏感关键词组与评论数据建立映射关系，再利用预设的内容口碑等级计算模型对映射关系进行计算，得到内容口碑等级结果；

第三计算模块40，用于将量级口碑等级结果、内容口碑等级结果通过预设的口碑计算模型进行加权计算，得到目标消费品的口碑等级。

本发明实施例所提供的电商口碑评价系统，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，实施例部分未提及之处，可参考前述方法实施例中相应内容。

参见图4，本发明实施例还提供一种电商口碑评价方法的电子装置400，包括：处理器401，存储器402，总线403和通信接口404，所述处理器401、存储器402和通信接口404通过总线403连接；处理器401用于执行存储器402中存储的可执行模块，例如计算机应用程序。

其中，存储器402可能包含高速随机存取存储器(ram，randomaccessmemory)，也可能还包括非不稳定的存储器(non-volatilememory)，例如至少一个磁盘存储器。通过至少一个通信接口404(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。

总线403可以是isa总线、pci总线或eisa总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图4中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。

其中，存储器402用于存储程序，所述处理器401在接收到执行指令后，执行所述程序，前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器401中，或者由处理器401实现。

处理器401可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器401中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器401可以是通用处理器，包括中央处理器(centralprocessingunit，简称cpu)、网络处理器(networkprocessor，简称np)等；还可以是数字信号处理器(digitalsignalprocessing，简称dsp)、专用集成电路(applicationspecificintegratedcircuit，简称asic)、现成可编程门阵列(field-programmablegatearray，简称fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器402，处理器401读取存储器402中的信息，结合其硬件完成上述方法的步骤。

在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

另外，在本发明实施例的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置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，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者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者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。