1.本发明属于电子商务应用技术领域，尤其涉及一种基于大数据平台的在线评论有效性的推荐方法。
背景技术：
2.随着社会和经济的快速发展，尤其是互联网技术的空前繁荣，人们的生活方式也随之发生了变化，越来越多的消费者倾向网上购物。淘宝、京东、拼多多、亚马逊等电子商务网站迅猛扩张，商品数量和用户规模呈爆炸性增长趋势。同时，随着互联网和信息技术的迅猛发展，使得原有的以企业威中心的电子商务模式转变为以消费者为中心的社会化电子商务，消费者不再被动的接收企业发布的产品信息，他们也可以主动的传播信息，全球进入大数据时代，数据呈现爆炸式增长趋势。消费者与企业在享受着丰富的网络信息带来便利的同时，也在遭受着信息过载问题带来的困扰。
3.面对现有电子商务网站上琳琅满目的商品，无数的用户针对自己感受发表了不计其数的评论，造成了评论信息的“信息过载”。面对如此丰厚的信息金矿，现有电子商务网站期待高效地从中挖掘出有价值的评论并呈现在用户面前，帮助其了解商品信息，缩短用户购买决策时间。与此同时，由于移动支付的安全性和便捷性大大提高，越来越多的用户通过移动端进行购物，考虑实际场景和屏幕大小的限制，用户希望通过浏览尽量少的评论来获取更多的商品信息，因此，如果将最优的评论推荐给用户就成为了目前电子商务网站重点研究的方向。
技术实现要素：
4.本发明针对上述的评论信息过载所存在的技术问题，提出一种设计合理、方法简单且能够有效推荐出最优评论的基于大数据平台的在线评论有效性的推荐方法。
5.为了达到上述目的，本发明采用的技术方案为，本发明提供一种基于大数据平台的在线评论有效性的推荐方法，包括以下有效步骤：
6.a、首先根据同类产品中消费者对该类产品的提问提取相应的关键词；
7.b、根据提取出来的关键词对某一商品的所有评论根据关键词来制定商品的评论集；
8.c、对于每条评论的发表时间予以赋值，其中，三日内发表的为1，一周以内发表的为0.9，二周以内发表的为0.8，三周以内发表的为0.7，一月以内发表的为0.6，三个月以内发表的为0.5，半年以内发表的为0.3，一年以内发表的为0.1；
9.d、根据公式：
[0010][0011]
其中，c
g
为商品某一评论的推荐值，t为该评论发表的时间赋值，k为该评论中含有的所有关键词，tc为该商品的评论总数，kc
i
为某一关键词的评论个数；
[0012]
e、最后根据计算所得的推荐值的大小按照从大到小的顺序进行推荐。
[0013]
作为优选，所述b步骤中，评论包括最初评论和追加评论。
[0014]
作为优选，所述c步骤中，在一个评论有追加评论的情况下，以追加评论的发表时间予以赋值。
[0015]
作为优选，所述d步骤中，k为该评论中含有除去物流信息的所有关键词。
[0016]
作为优选，所述e步骤中，采用协同过滤的方式将评论中关键词一致得分较少的评论予以去掉，将得分稍后的评论上提。
[0017]
作为优选，所述e步骤中，采用协同过滤的方式将评论中关键词一致的评论予以去掉，只包括得分较高的前五个评论。
[0018]
与现有技术相比，本发明的优点和积极效果在于，
[0019]
1、本发明提供一种基于大数据平台的在线评论有效性的推荐方法，通过从消费者的角度进行考虑，以消费者对商家的提问的信息为关键词去分析评论的有效性，进而解决了现有评论所存在的问题，同时，本方法简单、安全可靠，适合大规模推广使用。
具体实施方式
[0020]
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合实施例对本发明做进一步说明。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
[0021]
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用不同于在此描述的其他方式来实施，因此，本发明并不限于下面公开说明书的具体实施例的限制。
[0022]
实施例1，本实施例提供一种基于大数据平台的在线评论有效性的推荐方法，
[0023]
首先根据同类产品中消费者对该类产品的提问提取相应的关键词，在现有的电子商务网站中，为了减少不必要的纠纷，电子商务网站都增加了客户对该商品的提问功能，通过客服或消费者对问题进行回答，以达到减少消费者观看评论的目的，考虑到品牌问题或价格等问题，属于产品的特有问题，而这些特有的问题，可能在一些消费者的评论中不主要体现出来，而这些问题，可能对其他消费者又有不同的意义，为此，提取同类产品的所有问题的关键词，不仅能够对该类产品更加全面的展示，也有利于消费者从消费者的角度获悉该类产品。
[0024]
然后根据提取出来的关键词对某一商品的所有评论根据关键词来制定商品的评论集，制定评论集的主要目的就是确定该关键词在本商品中所占有的比重，如果一个关键词在许多评论中都有出现，那么这个关键词属于消费者针对该商品在意的点，当然，一个评论可能出现在不同的评论集内。
[0025]
考虑到某些商品的更新换代很快，为此，发表时间越近的评论对消费者的影响越大，为此，对于每条评论的发表时间予以赋值，其中，三日内发表的为1，一周以内发表的为0.9，二周以内发表的为0.8，三周以内发表的为0.7，一月以内发表的为0.6，三个月以内发表的为0.5，半年以内发表的为0.3，一年以内发表的为0.1，由于三个月以上的消费记录可能产品、物流等都发生了较大的变化，为此，针对三个月以上的评论，赋值较低。
[0026]
然后，计算商品某一评论的推荐值，根据公式：
[0027][0028]
其中，c
g
为商品某一评论的推荐值，t为该评论发表的时间赋值，k为该评论中含有的所有关键词，tc为该商品的评论总数，kc
i
为某一关键词的评论个数，考虑到在电子商务的交易中，物流可能是消费者最关心的问题，为此，物流的占比在所有评论中最高，那么针对一些优异的评论中没有记载物流信息的评论可能就会存在失误，为此，k为该评论中含有除去物流信息的所有关键词。这样，将物流的得分给予去除，一个商品的推荐值就有时间和评论占比组成。
[0029]
最后根据计算所得的推荐值的大小按照从大到小的顺序进行推荐，考虑到相同关键词的评论可能很多，而这种排序推荐的方式就可能所展示的全部都是同类型的评论，为此，在采用协同过滤的方式将评论中关键词一致的评论予以去掉，只包括得分较高的前五个评论。协同过滤推荐是在信息过滤和信息系统中正迅速成为一项很受欢迎的技术。与传统的基于内容过滤直接分析内容进行推荐不同，协同过滤分析用户兴趣，在用户群中找到指定用户的相似(兴趣)用户，综合这些相似用户对某一信息的评价，形成系统对该指定用户对此信息的喜好程度预测。这样，通过协同过滤算法就可以将同类的评论选择出来，然后对排名靠后的同类评论不再进行排序，将其他靠后的评论向前，这样，有利于评论的全面性，由于协同过滤算法属于现有推荐系统中常用的算法，故在本实施例中，不加详细描述。
[0030]
考虑到同一个用户的评论可能有追加评论，为此，评论包括最初评论和追加评论。在一个评论有追加评论的情况下，以追加评论的发表时间予以赋值。在评论推荐值计算中，以最初评论和追加评论确定为整个评论。
[0031]
通过上述的设置，以消费者的观点去提炼关键词，解决了现有商家提炼关键词的不全面性以及所有评论中提取关键词的计算复杂性，另外，根据关键词在所有评论中的占比得分加上时间赋值所得分数，确定为某一评论的推荐值，进而确保了推荐值的准确性以及全面性，为在线评论推荐的有效性予以保证。
[0032]
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例应用于其它领域，但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。