本发明属于电子商务领域，更具体地，涉及一种导购方法及系统。
背景技术：
随着电子商务的飞速发展，消费者的购物习惯逐渐从线下实体购物扩散至网上购物。由于消费者网上购物的选择很多，从而催生了电子商务导购这个中间业务，从而节约消费者选购商品的时间以及在尽量短的时间内购得性价比较高的商品。
目前已有的导购系统实时收集商品数据、消费者购买商品的数据和其他相关数据，应用传统的数据挖掘技术，对当前用户的需求进行预测，根据预测结果以合适的方式向用户推荐合适的产品。现有的导购系统需要借助于正负词库对商品评论进行情感语义分析，导致对用户需要的预测误差大。
技术实现要素：
为克服上述电子商务导购中对用户需求的预测误差大的问题或者至少部分地解决上述问题，本发明提供了一种导购方法及系统。
根据本发明的第一方面，提供一种导购方法，包括：
S1，根据用户输入或选择的商品信息，获取所述商品信息对应的各待推荐商品；
S2，使用预先训练好的深度学习模型，对各所述待推荐商品的评论进行情感分类；
S3，根据各所述待推荐商品所属的情感类别对应的情感分数对预先获取的市场调研分数进行优化，获取各所述待推荐商品的最终得分，根据各所述待推荐商品的最终得分向所述用户推荐所述待推荐商品。
具体地，所述步骤S2具体包括：
S21，对各所述评论进行分词，生成词向量；
S22，根据所述词向量中的形容词和副词，使用LSTM神经网络模型对各所述评论进行情感分类。
具体地，所述步骤S3具体包括：
S31，根据所述词向量中的名词，对各所述评论进行指标分类；
S32，根据各所述评论所属的情感类别对应的情感分数，获取各所述待推荐商品针对同一指标的评论的情感平均分；
S33，根据各所述待推荐商品的各指标对应的情感平均分对各所述待推荐商品的各指标对应的市场调研分数进行优化，获取各所述待推荐商品的最终得分；
S34，根据各所述待推荐商品的最终得分，向所述用户推荐所述待推荐商品。
具体地，所述步骤S33具体包括：
S331，将各所述待推荐商品的各指标对应的情感平均分和市场调研分数进行比较，确定各所述待推荐商品的各指标对应的最终分数；
S332，根据各所述待推荐商品的各指标对应的权值和最终分数，获取各所述待推荐商品的最终得分。
具体地，所述步骤S331具体包括：
获取各所述待推荐商品的各指标对应的情感平均分和市场调研分数之间的差值；
若所述差值小于预设阈值，则将各所述待推荐商品的各指标对应的情感平均分和市场调研分数的平均值作为各所述待推荐商品的各指标对应的最终分数；或者，
若所述差值大于或等于所述预设阈值，则根据各所述待推荐商品的销售曲线和价格曲线，将各所述待推荐商品的各指标对应的情感平均分或市场调研分数作为各所述待推荐商品的各指标对应的最终分数。
具体地，所述步骤S3中根据各所述待推荐商品的最终得分向所述用户推荐所述待推荐商品的步骤具体包括：
对各所述待推荐商品的最终得分进行排序，将所述最终得分最高的预设数量的所述待推荐商品推荐给所述用户。
具体地，所述步骤S3之后还包括：
对于推荐给所述用户的每件所述待推荐商品，获取该待推荐商品的每种情感类别对应的评论条数与该待推荐商品的所有评论条数之间的比值；
将该待推荐商品的各情感类别对应的比值进行显示。
根据本发明的第二方面，提供一种导购系统，包括：
获取模块，用于根据用户输入或选择的商品信息，获取所述商品信息对应的各待推荐商品；
分类模块，用于使用已经训练好的神经网络模型，对各所述待推荐商品的评论进行情感分类；
推荐模块，用于根据情感分类的结果，获取各所述待推荐商品的最终得分，根据各所述待推荐商品的最终得分向所述用户推荐所述待推荐商品。
根据本发明的第三方面，提供一种导购设备，包括：
至少一个处理器、至少一个存储器和总线；其中，
所述处理器和存储器通过所述总线完成相互间的通信；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如前所述的方法。
根据本发明的第四方面，提供一种非暂态计算机可读存储介质，用于存储如前所述方法的计算机程序。
本发明提供一种导购方法及系统，该方法通过使用深度学习模型对各待推荐商品的评论自动进行情感分类，并根据每种所述情感类别对应情感分数对预先获取的市场调研分数进行优化，获取各所述待推荐商品的最终得分，根据最终得分向用户推荐所述待推荐商品，从而提高了商品导购的精度。
附图说明
图1为本发明实施例提供的导购方法整体流程示意图；
图2为本发明实施例提供的导购系统整体结构示意图；
图3为本发明实施例提供的导购设备整体结构示意图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
在本发明的一个实施例中提供一种导购方法，图1为本发明实施例提供的导购方法整体流程示意图，该方法包括：S1，根据用户输入或选择的商品信息，获取所述商品信息对应的各待推荐商品；S2，使用预先训练好的深度学习模型，对各所述待推荐商品的评论进行情感分类；S3，根据各所述待推荐商品所属的情感类别对应的情感分数，获取各所述待推荐商品的最终得分，根据各所述待推荐商品的最终得分向所述用户推荐所述待推荐商品。
具体地，S1中，当用户在网上购物时，可以输入或选择需要购买商品的类别、名称、品牌、尺寸和颜色等。例如，用户需要买一个女士单肩包，所述用户输入或选择女士单肩包的商品信息，系统会提取特征值包、女和单肩，然后从本地库中搜索出具有所述特征值的待推荐商品。所述本地库中存储有系统从各大主流电子商务网站中获取的商品数据，主要包括商品的名称、价格、销量、品牌、图片、基本描述和评论等。然后对获取的商品数据进行清洗，如去除无效数据，按特定格式截取所需数据。将清洗后的商品数据进行存储，如商品的元数据。所述价格会根据时间形成一条价格曲线，根据价格曲线可以清楚地展示商品价格的变化。所述本地库中存储的商品信息主要通过Python爬取网页商品的相关信息。S2中，使用历史商品数据预先对深度学习模型进行训练，使用预先训练好的深度学习模型对各所述待推荐商品的评论进行情感分类，所述情感分类是指根据各所述待推荐商品的评论所属的情感类别对所述评论进行分类，从而实现对商品评论的语义文本分析。所述深度学习模型对自然语言的处理比传统模型更精确，本实施例不限于所述深度学习模型的类型。所述情感类别包括强正面、弱正面、中性、弱负面和强负面。S3中，预先对每种所述情感类别设置有对应的情感分数，根据各所述待推荐商品所属情感类别对应的情感分数对预先获取的市场调研分数进行优化，获取各所述待推荐商品的最终得分。所述最终分数越高，所述待推荐商品的性价比也越高。根据各所述待推荐商品的最终得分向所述用户推荐所述待推荐商品。所述市场调研分数根据市场调研生成，市场调研获取的正面数据对应的市场调研分数为正值，相反为负值。同时，系统提供看板以展示推荐的所述待推荐商品的一些其他数据。
本实施例通过使用深度学习模型对各待推荐商品的评论自动进行情感分类，并根据每种所述情感类别对应情感分数对预先获取的市场调研分数进行优化，获取各所述待推荐商品的最终得分，根据最终得分向用户推荐所述待推荐商品，从而提高了商品导购的精度。
在上述实施例的基础上，本实施例中所述步骤S2具体包括：S21，对各所述评论进行分词，生成词向量；S22，根据所述词向量中的形容词和副词，使用LSTM神经网络模型对各所述评论进行情感分类。
具体地，在使用预先训练好的深度学习模型对各待推荐商品的评论进行情感分类时，先对各所述评论进行分词，生成词向量。对于每条评论，将该评论的词向量中的形容词和副词作为所述LSTM(Long Short Term Mermory，长短时记忆)神经网络的输入，所述LSTM神经网络输出该评论所属的情感类别。所述LSTM神经网络是一种特殊的递归神经网络，注重邻近位置的关系，适用于语言中的情感分析，因为语言由相邻的字构成，相邻的词构成短语，相邻的短语构成句子。
在上述实施例的基础上，本实施例中所述步骤S3具体包括：S31，根据所述词向量中的名词，对各所述评论进行指标分类；S32，根据各所述评论所属的情感类别对应的情感分数，获取各所述待推荐商品针对同一指标的评论的情感平均分；S33，根据各所述待推荐商品的各指标对应的情感平均分对各所述待推荐商品的各指标对应的市场调研分数进行优化，获取各所述待推荐商品的最终得分；S34，根据各所述待推荐商品的最终得分，向所述用户推荐所述待推荐商品。
具体地，对于每条评论，根据该条评论的词向量中的名词，对该评论进行指标分类，所述指标分类是根据该条评论所针对的指标对该条评论进行分类。所述指标为价格、质量、颜色或尺寸等。例如，若该条评论中存在“价格”，则说明该评论是针对价格的评论。对于每件所述待推荐商品，计算该待推荐商品针对同一指标的所有评论的情感分数的平均值，即情感平均分。根据该待推荐商品的各指标对应的情感平均分对该待推荐商品的各指标对应的市场调研分数进行优化，获取该待推荐商品的最终得分。
在上述实施例的基础上，本实施例中所述步骤S33具体包括：S331，将各所述待推荐商品的各指标对应的情感平均分和市场调研分数进行比较，确定各所述待推荐商品的各指标对应的最终分数；S332，根据各所述待推荐商品的各指标对应的权值和最终分数，获取各所述待推荐商品的最终得分。
具体地，对于每件所述待推荐商品，将该待推荐商品的各指标对应的情感平均分和市场调研分数进行比较，根据比较结果确定该待推荐商品的各指标对应的最终分数。对应每个所述待推荐商品的每个指标，将该指标对应的最终分数与该指标对应的权重相乘。然后各指标对应的相乘结果相加，作为该待推荐商品的最终得分。
在上述实施例的基础上，本实施例中所述步骤S331具体包括：获取各所述待推荐商品的各指标对应的情感平均分和市场调研分数之间的差值；若所述差值小于预设阈值，则将各所述待推荐商品的各指标对应的情感平均分和市场调研分数的平均值作为各所述待推荐商品的各指标对应的最终分数；或者，若所述差值大于或等于所述预设阈值，则根据各所述待推荐商品的销售曲线和价格曲线，将各所述待推荐商品的各指标对应的情感平均分或市场调研分数的平均值作为各所述待推荐商品的各指标对应的最终分数。
具体地，对于每件所述待推荐商品的每个指标，若该指标对应的情感平均分和该指标对应的市场调研分数之间的差值较小，则将该指标对应的情感平均分和该指标对应的市场调研分数的平均值作为该待推荐商品的该指标对应的最终分数；若该指标对应的情感平均分和该指标对应的市场调研分数之间的差值较大，则根据该所述待推荐商品的销售曲线和价格曲线，将该指标对应的情感平均分或市场调研分数作为该指标对应的最终分数。例如，对于某件待推荐商品的价格指标，若价格曲线递增，而对应的销量曲线也递增，若价格指标对应的市场调研分数太低，明显错误，则将价格指标对应的情感平均分作为价格指标对应的最终分数。
在上述各实施例的基础上，本实施例中所述步骤S3中根据各所述待推荐商品的最终得分向所述用户推荐所述待推荐商品的步骤具体包括：对各所述待推荐商品的最终得分进行排序，将所述最终得分最高的预设数量的所述待推荐商品推荐给所述用户。
具体地，选择最终得分最高的预设数量的所述待推荐商品推荐给用户，即将最终得分最高的预设数量的所述待推荐商品在所述用户的客户端进行显示，从而向用户推荐性价比较高的商品，使用户在较短时间内挑选出需要购买的商品。当用户点击推荐的所述待推荐商品时，可以显示推荐的所述待推荐商品信息，还可以显示推荐的所述待推荐商品近段时间的价格曲线，如一个月，以及本月销售量前十的待推荐商品等。
在上述各实施例的基础上，本实施例中所述步骤S3之后还包括：对于推荐给所述用户的每件所述待推荐商品，获取该待推荐商品的每种情感类别对应的评论条数与该待推荐商品的所有评论条数之间的比值；将该待推荐商品的各情感类别对应的比值进行显示。
在本发明的另一个实施例中提供一种导购系统，图2为本发明实施例提供的导购系统整体结构示意图，该系统包括获取模块1、分类模块2和推荐模块3，其中：
所述获取模块1用于根据用户输入或选择的商品信息，获取所述商品信息对应的各待推荐商品；所述分类模块2用于使用已经训练好的神经网络模型，对各所述待推荐商品的评论进行情感分类；所述推荐模块3用于根据情感分类的结果，获取各所述待推荐商品的最终得分，根据各所述待推荐商品的最终得分向所述用户推荐所述待推荐商品。
具体地，当用户在网上购物时，可以输入或选择需要购买商品的类别、名称、品牌、尺寸和颜色等。例如，用户需要买一个女士单肩包，所述用户输入或选择女士单肩包的商品信息，系统会提取特征值包、女和单肩，然后所述获取模块1从本地库中搜索出具有所述特征值的待推荐商品。所述本地库中存储有系统从各大主流电子商务网站中获取的商品数据，主要包括商品的名称、价格、销量、品牌、图片、基本描述和评论等。然后对获取的商品数据进行清洗，如去除无效数据，按特定格式截取所需数据。将清洗后的商品数据进行存储，如商品的元数据。所述价格会根据时间形成一条价格曲线，根据价格曲线可以清楚地展示商品价格的变化。所述本地库中存储的商品信息主要通过Python爬取网页商品的相关信息。所述分类模块2使用历史商品数据预先对深度学习模型进行训练，使用预先训练好的深度学习模型对各所述待推荐商品的评论进行情感分类，所述情感分类是指根据各所述待推荐商品的评论所属的情感类别对所述评论进行分类，从而实现对商品评论的语义文本分析。所述深度学习模型对自然语言的处理比传统模型更精确，本实施例不限于所述深度学习模型的类型。所述情感类别包括强正面、弱正面、中性、弱负面和强负面。预先对每种所述情感类别设置有对应的情感分数，所述推荐模块3根据各所述待推荐商品所属情感类别对应的情感分数对预先获取的市场调研分数进行优化，获取各所述待推荐商品的最终得分。所述最终分数越高，所述待推荐商品的性价比也越高。根据各所述待推荐商品的最终得分向所述用户推荐所述待推荐商品。所述市场调研分数根据市场调研生成，市场调研获取的正面数据对应的市场调研分数为正值，相反为负值。同时，系统提供看板以展示推荐的所述待推荐商品的一些其他数据。
本实施例通过使用深度学习模型对各待推荐商品的评论自动进行情感分类，并根据每种所述情感类别对应情感分数对预先获取的市场调研分数进行优化，获取各所述待推荐商品的最终得分，根据最终得分向用户推荐所述待推荐商品，从而提高了商品导购的精度。
在上述实施例的基础上，本实施例中所述分类模块具体用于：对各所述评论进行分词，生成词向量；根据所述词向量中的形容词和副词，使用LSTM神经网络模型对各所述评论进行情感分类。
在上述实施例的基础上，本实施例中所述推荐模块具体用于：根据所述词向量中的名词，对各所述评论进行指标分类；根据各所述评论所属的情感类别对应的情感分数，获取各所述待推荐商品针对同一指标的评论的情感平均分；根据各所述待推荐商品的各指标对应的情感平均分对各所述待推荐商品的各指标对应的市场调研分数进行优化，获取各所述待推荐商品的最终得分；根据各所述待推荐商品的最终得分，向所述用户推荐所述待推荐商品。
在上述实施例的基础上，本实施例中所述推荐模块进一步具体用于：将各所述待推荐商品的各指标对应的情感平均分和市场调研分数进行比较，确定各所述待推荐商品的各指标对应的最终分数；根据各所述待推荐商品的各指标对应的权值和最终分数，获取各所述待推荐商品的最终得分。
在上述实施例的基础上，本实施例中所述推荐模块进一步具体用于：获取各所述待推荐商品的各指标对应的情感平均分和市场调研分数之间的差值；若所述差值小于预设阈值，则将各所述待推荐商品的各指标对应的情感平均分和市场调研分数的平均值作为各所述待推荐商品的各指标对应的最终分数；或者，若所述差值大于或等于所述预设阈值，则根据各所述待推荐商品的销售曲线和价格曲线，将各所述待推荐商品的各指标对应的情感平均分或市场调研分数作为各所述待推荐商品的各指标对应的最终分数。
在上述各实施例的基础上，本实施例中所述推荐模块具体用于：对各所述待推荐商品的最终得分进行排序，将所述最终得分最高的预设数量的所述待推荐商品推荐给所述用户。
在上述实施例的基础上，本实施例中所述系统还包括显示模块，用于：对于推荐给所述用户的每件所述待推荐商品，获取该待推荐商品的每种情感类别对应的评论条数与该待推荐商品的所有评论条数之间的比值；将该待推荐商品的各情感类别对应的比值进行显示。
本实施例提供一种导购设备，图3为本发明实施例提供的导购设备整体结构示意图，该设备包括：至少一个处理器31、至少一个存储器32和总线33；其中，
所述处理器31和存储器32通过所述总线33完成相互间的通信；
所述存储器32存储有可被所述处理器31执行的程序指令，所述处理器调用所述程序指令能够执行上述各方法实施例所提供的方法，例如包括：S1，根据用户输入或选择的商品信息，获取所述商品信息对应的各待推荐商品；S2，使用预先训练好的深度学习模型，对各所述待推荐商品的评论进行情感分类；S3，根据各所述待推荐商品所属的情感类别对应的情感分数，获取各所述待推荐商品的最终得分，根据各所述待推荐商品的最终得分向所述用户推荐所述待推荐商品。
本实施例提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述各方法实施例所提供的方法，例如包括：S1，根据用户输入或选择的商品信息，获取所述商品信息对应的各待推荐商品；S2，使用预先训练好的深度学习模型，对各所述待推荐商品的评论进行情感分类；S3，根据各所述待推荐商品所属的情感类别对应的情感分数，获取各所述待推荐商品的最终得分，根据各所述待推荐商品的最终得分向所述用户推荐所述待推荐商品。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的导购设备实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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)执行各个实施例或者实施例的某些部分所述的方法。
最后，本申请的方法仅为较佳的实施方案，并非用于限定本发明的保护范围。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。