一种商品评价的排序方法和系统与流程

本发明涉及电商运营领域，具体涉及一种商品评价的排序方法和系统。

背景技术：

评价作为用户购物环节中的起始点，是影响商品转化的关键元素。作为消费者，用户需求出发点：看到真实的、评价内容丰富、与商品强相关的评价。作为商家或者平台，商家需求出发点：希望描述正向感情、高评价星级、凸显商品优质特性的评价优先展示给消费者。但是，目前电子商户平台为了满足消费者和商户平台的共同需求，对于评价排序设定了不同的策略算法，现有的排序算法存在评价内容文字信息杂乱、大段无效文字的评价展示在前、图片质量查不清晰的问题。另一方面，由于部分卖家的商品种类多，每种商品的评价可能数量不多，很多卖家都是人工对商品的排序进行挑选，这种人工挑选评价排序的方法会造成人工成本的提高，加大电商运营的成本，如何在降低电商运营成本的同时，将真实、合理的评价展示给消费者，从而提高将卖家商品转化为买家购买的欲望，也即是商品转化率的问题，需要进一步的技术创新。

技术实现要素：

为了解决现有技术的问题，本发明实施例提供了一种商品评价的排序方法和系统，通过对商品评价的图片和文字识别和模型计算，将商品特性的优质评价展示给消费者，提高商品的转化率，同时还降低了电商的运营成本。

为解决上述技术问题，本发明采用的技术方案是：

第一方面，本发明实施例提供了一种商品评价的排序方法，包括以下步骤：

确定用户对商品评价的需求和需求所涉及到评价排序的影响因子，利用因素分析法对所述影响因子进行分析，构建出评价权重模型；

获取用户对商品的评价数据，从所述评价数据中提取出评价文字和评价画面，分别对所述评价文字和所述评价画面打分；

通过所述评价权重模型对所述评价文字和所述评价画面的总得分进行数值大小排序，将所述数值大小排序对应为商品的评价排序。

进一步地，对所述评价文字的打分包括：先分别对所述评价文字进行语义情感倾向的分析和内容丰富度的分析，再对所述语义情感倾向和所述内容丰富度进行数值运算，得出所述评价文字的最终分数。

进一步地，所述语义情感倾向的分析通过判断所述评价文字的情感极性类别的置信度，从而区分出积极、消极、中性的情感极性，统计情感极性类别为消极的评价数量。

进一步地，所述内容丰富度的分析包括先通过商品、物流、服务三个维度的评价情感词库，对所述评价文字中涉及到所述评价情感词库的情感观点进行抽取，得到好评和差评两个极性评论观点标签。

进一步地，对所述评价画面的打分包括：分别识别评价图片和店铺商品主图的特征向量，得出所述特征向量的欧式距离作为相似分，通过所述相似分计算出所述评价画面的最终分数。

另一方面，本发明实施例还提供了一种商品评价的排序系统，包括：

评价构建模块，用于确定用户对商品评价的需求和需求所涉及到评价排序的影响因子，利用因素分析法对所述影响因子进行分析，构建出评价权重模型；

评价处理模块，用于获取用户对商品的评价数据，从所述评价数据中提取出评价文字和评价画面，分别对所述评价文字和所述评价画面打分；

评价排序模块，用于通过所述评价权重模型对所述评价文字和所述评价画面的总得分进行数值大小排序，将所述数值大小排序对应为商品的评价排序。

进一步地，所述评价处理模块包括评价文字分析单元，所述评价文字分析单元用于分别对所述评价文字进行语义情感倾向的分析和内容丰富度的分析，再对所述语义情感倾向和所述内容丰富度进行数值运算，得出所述评价文字的最终分数。

进一步地，所述评价文字分析单元包括情感分析子单元，所述情感分析子单元用于判断所述评价文字的情感极性类别的置信度，从而区分出积极、消极、中性的情感极性，统计情感极性类别为消极的评价数量。

进一步地，所述评价文字分析单元还包括内容分析子单元，所述内容分析子单元用于通过商品、物流、服务三个维度的评价情感词库，对所述评价文字中涉及到所述评价情感词库的情感观点进行抽取，得到好评和差评两个极性评论观点标签。

进一步地，所述评价处理模块还包括评价图片分析单元，所述评价图片分析单元用于分别识别评价图片和店铺商品主图的特征向量，得出所述特征向量的欧式距离作为相似分，通过所述相似分计算出所述评价画面的最终分数。

本发明实施例提供的技术方案带来的有益效果是：

本发明实施例公开了一种商品评价的排序方法和系统，在对电商评价排序的过程中，通过多方面考虑电商中买家评价排序的影响因子，着重于评价内容，包括评价文字和评价图片/视频的质量，对于评价排序的影响，在评价文字层面，通过语义分析技术，分析文字表达情感倾向、内容丰富度、商品相关度；在评价图片层面，通过图片识别技术，分析图片的商品相关度、清晰度、与历史图片相似度，通过因素分析法，构建评价排序模型，从而展示商品特性的优质评价展示给消费者，提高商品的转化率。此外，通过自动识别商品评价并进行自动的评价排序，显著降低了人工对商品评价的运营成本。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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发明的一些实施例，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是本发明实施例公开的商品评价的排序方法的一种流程示意图；

图2是本发明实施例公开的商品评价的排序方法中对于文字打分的逻辑示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，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，都属于本发明保护的范围。

实施例一：

如图1所示，本实施例提供了一种商品评价的排序方法，包括以下步骤：

s1：确定用户对商品评价的需求和需求所涉及到评价排序的影响因子，利用因素分析法对所述影响因子进行分析，构建出评价权重模型；

s2：获取用户对商品的评价数据，从所述评价数据中提取出评价文字和评价画面，分别对所述评价文字和所述评价画面打分；

s3：通过所述评价权重模型对所述评价文字和所述评价画面的总得分进行数值大小排序，将所述数值大小排序对应为商品的评价排序。

通过文字和画面的自动打分对评价进行智能排序是基于评价内容本身固有的属性维度(评价文字、评价图片、评价时间和评价星级)和用户本身固有的属性维度(会员等级)，利用因素分析法建立评价权重模型，每个评价计算可得权重值，在评价列表页降序展示。具体地，在对电商评价排序的过程中，通过多方面考虑电商中买家评价排序的影响因子，着重于评价内容，包括评价文字和评价图片/视频的质量，对于评价排序的影响，在评价文字层面，通过语义分析技术，分析文字表达情感倾向、内容丰富度、商品相关度；在评价图片层面，通过图片识别技术，分析图片的商品相关度、清晰度、与历史图片相似度，通过因素分析法，构建评价排序模型，从而展示商品特性的优质评价展示给消费者，提高商品的转化率。此外，通过自动识别商品评价并进行自动的评价排序，显著降低了人工对商品评价的运营成本。其中，所述影响因子在评价中对于用户的购买欲望的影响比重，通过大数据的分析和用户的调研，首先找出评价中用户对于购物情感偏向、内容丰富度、商品强相关度、用户发表图片与商品相关性、图片清晰度这些影响因子的影响比重，然后进一步地通过这些影响因子对评价中文字图片进行分开处理，提高后续打分的代表性和准确性。

优选地，对所述评价文字的打分包括：先分别对所述评价文字进行语义情感倾向的分析和内容丰富度的分析，再对所述语义情感倾向和所述内容丰富度进行数值运算，得出所述评价文字的最终分数。进一步地，所述语义情感倾向的分析通过判断所述评价文字的情感极性类别的置信度，从而区分出积极、消极、中性的情感极性，统计情感极性类别为消极的评价数量。进一步地，所述内容丰富度的分析包括先通过商品、物流、服务三个维度的评价情感词库，对所述评价文字中涉及到所述评价情感词库的情感观点进行抽取，得到好评和差评两个极性评论观点标签。本实施例中对于评价文字的最终分数的运算为：最后评价文字分＝正向标签数-负向标签数-t0，其中，正向标签数表示好评的观点标签数量，负向标签数表示差评的观点标签数量，t0表示情感极性类别为消极的评价数量。这种计算打分是根据文献、用户(消费者、商户)调研，梳理整理评价展示顺序的需求以及实现用户需求所涉及到评价展示顺序的影响因子之后通过大数据的分析得到的，并且这种对于文字打分的运算规则在大量的自动排序后找到的最佳方式，能够实现本发明所解决的技术问题，并经过实际的验证可以很好的展示商品特性的优质评价展示给消费者，提高商品的转化率。

如图2所示的商品评价的排序方法中对于文字打分的逻辑示意图，通过从开始到结束的所有评价系统中数据调用流程和接口可以看出整个文字评价的过程，首先推送买家新增加的评价数据，同时实时更新买家的评价，然后进入到下一流程中，进行评价数据的解析，这个解析的过程即是上述的评价文字的语义情感倾向的分析和所述评价文字的内容丰富度的分析，然后将解析后的分数传递到下一个流程进行文字分的最终计算。

优选地，对所述评价画面的打分包括：分别识别评价图片和店铺商品主图的特征向量，得出所述特征向量的欧式距离作为相似分，通过所述相似分计算出所述评价画面的最终分数。在本实施例中，利用图片识别模型计算出用户评价图片和5张商品主图的图片特征向量，再分别计算每张用户评价图片的特征向量与5张商品主图的特征向量的欧式距离，即相似分，最终取5个相似分的最高值为该用户评价图片的相似分，并统计评价图片中的好图数和差图书，提高评价中图片的清晰度，最后评价图片分通过计算模型进行打分，其中，通过相似分计算出图片分可以通过下面的算法进行计算：

实施例二：

本实施例还提供了一种商品评价的排序系统，包括：

评价构建模块，用于确定用户对商品评价的需求和需求所涉及到评价排序的影响因子，利用因素分析法对所述影响因子进行分析，构建出评价权重模型；

评价处理模块，用于获取用户对商品的评价数据，从所述评价数据中提取出评价文字和评价画面，分别对所述评价文字和所述评价画面打分；

评价排序模块，用于通过所述评价权重模型对所述评价文字和所述评价画面的总得分进行数值大小排序，将所述数值大小排序对应为商品的评价排序。

通过文字和画面的自动打分对评价进行智能排序是基于评价内容本身固有的属性维度(评价文字、评价图片、评价时间和评价星级)和用户本身固有的属性维度(会员等级)，利用因素分析法建立评价权重模型，每个评价计算可得权重值，在评价列表页降序展示。具体地，通过所述商品评价的排序系统进行评价排序时，通过多方面考虑电商中买家评价排序的影响因子，着重于评价内容，包括评价文字和评价图片/视频的质量，对于评价排序的影响，在评价文字层面，通过语义分析技术，分析文字表达情感倾向、内容丰富度、商品相关度；在评价图片层面，通过图片识别技术，分析图片的商品相关度、清晰度、与历史图片相似度，通过因素分析法，构建评价排序模型，从而展示商品特性的优质评价展示给消费者，提高商品的转化率。此外，通过自动识别商品评价并进行自动的评价排序，显著降低了人工对商品评价的运营成本。

优选地，所述评价处理模块包括评价文字分析单元，所述评价文字分析单元用于分别对所述评价文字进行语义情感倾向的分析和内容丰富度的分析，再对所述语义情感倾向和所述内容丰富度进行数值运算，得出所述评价文字的最终分数。进一步地，所述评价文字分析单元包括情感分析子单元，所述情感分析子单元用于判断所述评价文字的情感极性类别的置信度，从而区分出积极、消极、中性的情感极性，统计情感极性类别为消极的评价数量。进一步地，所述评价文字分析单元还包括内容分析子单元，所述内容分析子单元用于通过商品、物流、服务三个维度的评价情感词库，对所述评价文字中涉及到所述评价情感词库的情感观点进行抽取，得到好评和差评两个极性评论观点标签。所述情感分析子单元和所述内容分析子单元主要从评价的情感和内容进行分析和打分，在打分的过程中，评价文字分＝正向标签数-负向标签数-t0，其中，正向标签数表示好评的观点标签数量，负向标签数表示差评的观点标签数量，t0表示情感极性类别为消极的评价数量。这种计算打分是根据文献、用户(消费者、商户)调研，梳理整理评价展示顺序的需求以及实现用户需求所涉及到评价展示顺序的影响因子之后通过大数据的分析得到的，并且这种对于文字打分的运算规则在大量的自动排序后找到的最佳方式，能够实现本发明所解决的技术问题，并经过实际的验证可以很好的展示商品特性的优质评价展示给消费者，提高商品的转化率。

优选地，所述评价处理模块还包括评价图片分析单元，所述评价图片分析单元用于分别识别评价图片和店铺商品主图的特征向量，得出所述特征向量的欧式距离作为相似分，通过所述相似分计算出所述评价画面的最终分数。利用图片识别模型计算出用户评价图片和5张商品主图的图片特征向量，再分别计算每张用户评价图片的特征向量与5张商品主图的特征向量的欧式距离，即相似分，最终取5个相似分的最高值为该用户评价图片的相似分，最后评价图片分通过计算模型进行打分。最终将文字得分和图片得分标识用户评论的质量，将内容的好坏以数值的形式表现出来，同时进行排序。

上述所有可选技术方案，可以采用任意结合形成本发明的可选实施例，在此不再一一赘述。

需要说明的是：上述实施例提供的商品评价的排序系统在对电商的评价进行排序时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将商品评价的排序系统的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的商品评价的排序系统与商品评价的排序方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。

本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。