一种在线评分方法及其系统的制作方法
【技术领域】
[0001 ]本发明设及数据挖掘领域，尤其设及一种在线评分方法及其系统。
【背景技术】
[0002] 在大数据时代如何从现有的大数据中提取有价值的信息，运对于数据极其丰富的 在线系统是非常至关重要的一个问题。在线系统允许大量的用户进行交互，并提供成千上 万的电影、书籍等等在线商品。但运也产生了很多不相关的在线商品，为了过滤掉运些不相 关的商品，推荐系统采取很了很多基于相关性的方法，例如协同过滤方法得到了广大的应 用。除了对相关性的考虑之外，商品的质量对在线用户也同样重要，因此，很多在线的网站 例如Amazon和化tf Iix等引进了所谓的在线评分系统。
[0003] 在运些在线评分系统里，用户可通过对商品设定的一个评分等级值来评估该商 品。在线评分系统能够帮助用户发现真正的高质量的商品。获得评分数据后，我们需要采用 一些算法对运些商品进行排序。
[0004] 当前多数电商采用五星评分（例如1至5对应五种不同等级评分)作为主要评分标 准，但运种评分往往不能横向的体现各商家的服务具体表现，也无法具体体现消费者的真 实主观感受。此外，由于网络平台的特殊性，一些商家更是应用网络等技术通过非正常途径 来提高自身的评分等级，欺骗消费者。因此，当前评分系统的可信度问题亟待解决。
[0005] 同时，在线信誉系统有一个长时间被忽视的关键问题，即大多数在线信誉系统中 的评分值都是离散并且线性分离的。例如，众所周知的Amazon和化tflix网站采用的是五星 评分系统，用户通过设定1(最差)到5(最好)运五个整数来对商品进行评分。然而，用户对商 品的评分在两个连续值之间实际上可能是非线性的。例如五星评分系统中，评分值3和4之 间的差异可能并不等同于4和5之间的差异。基于运点的考虑，因此，亟需提出一种全新的评 分映射方法对评分等级值进行重新的定义，W提高排序算法的准确性。
【发明内容】
[0006] 有鉴于此，本发明实施例的目的在于提供一种在线评分方法及其系统，旨在解决 现有技术中的五星评分系统的准确度不高W及排序算法的准确性较低的问题。
[0007] 本发明实施例是运样实现的，一种在线评分方法，包括：
[000引对用户数据和商品数据进行预定义处理；
[0009] 输入一组原始评分数据；
[0010] 对所述原始评分数据进行转换W形成一组新评分数据；
[0011] 通过预设算法调整所述一组新评分数据中的所有数据，并利用迭代方式直到达到 稳态；
[0012] 在所述稳态下获取所述所有数据的最佳值，并根据所述最佳值得出所述原始评分 数据的偏好设置。
[0013] 优选的，所述对用户数据和商品数据进行预定义处理的步骤具体包括：
[0014] 标记用户数据W及标记商品数据，其中，将用户集标记为U，商品标记为0,用户i对 商品a的评分标记为ria，用户i选择的商品集合标记为化，选择商品a的用户集合标记为Ua, 用户i和商品a的度分别标记为ki和ka，用户i的信誉和商品a的质量分别标记为Ri和Qa。
[0015] 优选的，所述一组原始评分数据包括1、2、3、4W及5,分别用于代表用户对商品评 价的好坏程度，其中，所述对所述原始评分数据进行转换W形成一组新评分数据的步骤具 体包括：
[0016] 将评分2和4分别转换成新评分R2和R4，其中，R2 = l+pi*2，R4 = 3+P2巧，第一参数Pi e (0，1)，第二参数P2E (0，1)，且调整Pi和P2的步长为0.0 l;
[0017]将1、R2、3、R4形成一组新评分数据。
[0018] 优选的，所述通过预设算法调整所述一组新评分数据中的所有数据，并利用迭代 方式直到达到稳态的步骤包括：
[0019] 根据预设排序算法调整所述新评分R2和R4中的所述第一参数Pi和所述第二参数 P2，并利用迭代方式直到达到稳态。
[0020] 优选的，所述在所述稳态下获取所述所有数据的最佳值，并根据所述最佳值得出 所述原始评分数据的偏好设置的步骤具体包括：
[0021 ]在所述稳态下获取所述第一参数Pi和所述第二参数P2的最佳值；
[0022] 根据所述第一参数Pi和所述第二参数P2的最佳值来判断原始评分的偏高或者偏 低。
[0023] 另一方面，本发明还提供一种在线评分系统，包括：
[0024] 预处理模块，用于对用户数据和商品数据进行预定义处理；
[0025] 数据输入模块，用于输入一组原始评分数据；
[0026] 数据转换模块，用于对所述原始评分数据进行转换W形成一组新评分数据；
[0027] 数据迭代模块，用于通过预设算法调整所述一组新评分数据中的所有数据，并利 用迭代方式直到达到稳态；
[0028] 偏好设置模块，用于在所述稳态下获取所述所有数据的最佳值，并根据所述最佳 值得出所述原始评分数据的偏好设置。
[0029] 优选的，所述预处理模块具体用于标记用户数据W及标记商品数据，其中，将用户 集标记为U，商品标记为0,用户i对商品a的评分标记为ria，用户i选择的商品集合标记为化， 选择商品a的用户集合标记为Ua,用户i和商品a的度分别标记为ki和ka，用户i的信誉和商品 a的质量分别标记为Ri和Qa。
[0030] 优选的，所述一组原始评分数据包括1、2、3、4W及5,分别用于代表用户对商品评 价的好坏程度，其中，所述数据转换模块，具体用于将评分2和4分别转换成新评分R2和R4，其 中，R2 = 1+P1巧，R4 = 3+P2巧，第一参数Pi e (0，1)，第二参数P2 e (0，1)，且调整Pi和P2的步长 为〇.〇1;从及将1、32、3、1?4形成一组新评分数据。
[0031] 优选的，所述数据迭代模块具体用于根据预设排序算法调整所述新评分R2和R4中 的所述第一参数Pl和所述第二参数P2，并利用迭代方式直到达到稳态。
[0032] 优选的，所述偏好设置模块具体用于在所述稳态下获取所述第一参数Pi和所述第 二参数P2的最佳值，并根据所述第一参数Pl和所述第二参数P2的最佳值来判断原始评分的 偏局或者偏低。
[0033] 在本发明实施例中，本发明提供的技术方案对于一个基于5星评分系统来说，评分 映射保留了 1，3,5评分，分别表示最差、中立和最好，并对评分2和4进行了重新的定义，将所 得的评分数据重新分配，将评分映射与当前自洽的各个排序算法相结合，从而更加精确的 表达商品的质量，进而极大地提高了五星评分系统的准确度W及提高了排序算法的准确 性。
【附图说明】
[0034] 图1为本发明一实施方式中在线评分方法流程图；
[0035] 图2为本发明一实施方式中在线评分系统结构示意图。
【具体实施方式】
[0036] 为了使本发明的目的、技术方案及优点更加清楚明白，W下结合附图及实施例，对 本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用W解释本发明，并 不用于限定本发明。
[0037] 本发明【具体实施方式】提供了一种在线评分方法，主要包括如下步骤：
[0038] S11、对用户数据和商品数据进行预定义处理；
[0039] S12、输入一组原始评分数据；
[0040] S13、对所述原始评分数据进行转换W形成一组新评分数据；
[0041] S14、通过预设算法调整所述一组新评分数据中的所有数据，并利用迭代方式直到 达到稳态；
[0042] S15、在所述稳态下获取所述所有数据的最佳值，并根据所述最佳值得出所述原始 评分数据的偏好设置。
[0043] 本发明所提供的一种在线评分方法，提高了五星评分系统的准确度W及提高了排 序算法的准确性。
[0044] W下将对本发明所提供的一种在线评分方法进行详细说明。
[0045] 请参阅图1，为本发明一实施方式中在线评分方法流程图。
[0046] 在步骤Sll中，对用户数据和商品数据进行预定义处理。
[0047] 在本实施方式中，对用户数据和商品数据进行预定义处理的步骤Sll具体包括： [004引标记用户数据W及标记商品数据，其中，将用户集标记为U，商品标记为0,用户i对 商品a的评分标记为ria，用户i选择的商品集合标记为化，选择商品a的用户集合标记为Ua, 用户i和商品a的度分别标记为ki和ka，用户i的信誉和商品a的质量分别标记为Ri和Qa。
[0049] 在步骤S12中，输