CN111415176A - 一种满意度评价方法、装置及电子设备 - Google Patents
一种满意度评价方法、装置及电子设备 Download PDFInfo
- Publication number
- CN111415176A CN111415176A CN201811555021.4A CN201811555021A CN111415176A CN 111415176 A CN111415176 A CN 111415176A CN 201811555021 A CN201811555021 A CN 201811555021A CN 111415176 A CN111415176 A CN 111415176A
- Authority
- CN
- China
- Prior art keywords
- comment data
- satisfaction
- machine learning
- word
- piece
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 153
- 239000013598 vector Substances 0.000 claims abstract description 150
- 238000010801 machine learning Methods 0.000 claims abstract description 115
- 239000011159 matrix material Substances 0.000 claims abstract description 88
- 238000000034 method Methods 0.000 claims abstract description 50
- 230000011218 segmentation Effects 0.000 claims abstract description 32
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 28
- 238000012545 processing Methods 0.000 claims description 27
- 230000009467 reduction Effects 0.000 claims description 22
- 238000012216 screening Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000015654 memory Effects 0.000 claims description 10
- 238000000926 separation method Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 230000000007 visual effect Effects 0.000 claims description 6
- 238000012552 review Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 23
- 238000012549 training Methods 0.000 description 13
- 238000003860 storage Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011946 reduction process Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000010926 purge Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0282—Rating or review of business operators or products
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请提供一种满意度评价方法、装置及电子设备，该方法包括：对获取的评价对象的每一条评论数据进行分词处理得到每一条评论数据中的词汇；基于已得到的每一条评论数据的词汇，从每一条评论数据中提取特征向量，并叠加各评论数据的特征向量得到特征矩阵；将所述特征矩阵输入至已训练的机器学习模型，以由所述机器学习模型依据回归算法对所述特征矩阵进行计算、并输出多个满意度参数；将所述多个满意度参数离散至指定数量的分箱区间内，并将包含最多满意度参数的分箱区间在所有分箱区间中的排列顺序作为满意度评价等级。在本申请中，可更直接地从评论数据中获得用户对评价对象的体验评论，从而准确得到满意度评价结果。
Description
技术领域
本申请涉及自然语言处理领域，特别涉及一种满意度评价方法、装置及电子设备。
背景技术
满意度评价指的是对饭店、景区、影院等场所的服务体验的评价，是社交媒体情感分析的一种形式。相关技术中主要利用层次分析法对客流量、消费金额等指标进行分析，从而获知客户对服务体验的满意程度。
然而，层次分析法是依据预设的权重对各个指标进行处理，不同的权重会得到不同的评价结果，且作为评价基础的几项指标实际上过于宽泛，因此，层次分析法获得的评价结果并不准确。
发明内容
有鉴于此，本申请提供一种满意度评价方法、装置及电子设备，用以直接地从评论数据中获得用户对评价对象的体验评论，准确实现满意度评价。
具体地，本申请是通过如下技术方案实现的：
一种满意度评价方法，包括：
对获取的评价对象的每一条评论数据进行分词处理得到每一条评论数据中的词汇；
基于已得到的每一条评论数据的词汇，从每一条评论数据中提取特征向量，并叠加各评论数据的特征向量得到特征矩阵；
将所述特征矩阵输入至已训练的机器学习模型，以由所述机器学习模型依据回归算法对所述特征矩阵进行计算、并输出多个满意度参数；
将所述多个满意度参数离散至指定数量的分箱区间内，并将包含最多满意度参数的分箱区间在所有分箱区间中的排列顺序作为满意度评价等级。
在所述满意度评价方法中，在将评论数据进行分词处理前，所述方法还包括：
对评论数据进行预处理，以得到符合预设分词条件的评论数据；其中，所述分词条件至少包括：评论数据的格式符合指定的编码格式、评论数据中不存在无效数据。
在所述满意度评价方法中，所述基于已得到的每一条评论数据的词汇，从每一条评论数据中提取特征向量，包括：
针对每一条评论数据的每一词汇，计算该词汇在该评论数据中的词频-逆文本频率，根据各词汇的词频-逆文本频率生成该评论数据的词频-逆文本频率向量；
依据预设的词向量转化算法和词向量语料库，将每一条评论数据中的各词汇转化为词向量；其中，所述语料库包括词汇和词向量的映射关系；
依据预设的多维属性筛选策略确定每一条评论数据的属性向量；
将每一条评论数据的词频-逆文本频率向量、词向量和属性向量合并得到该评论数据的特征向量。
在所述满意度评价方法中，所述将所述特征矩阵输入至已训练的机器学习模型，包括：
将所述特征矩阵进行降维处理，并将降维处理后的特征矩阵输入至所述机器学习模型。
在所述满意度评价方法中，所述方法还包括：
选择一定数量的评论数据中词频最高的词汇，进行可视化呈现；或，
将评价对象的满意度评价结果呈现在地图页面中该评价对象所在位置上。
在所述满意度评价方法中，所述机器学习模型包括至少两个机器学习子模型，各个机器学习子模型分别依据自身的回归算法对所述特征矩阵进行计算、并输出多个满意度参数；
所述将所述多个满意度参数离散至指定数量的分箱区间内，并将包含最多满意度参数的分箱区间在所有分箱区间中的排列顺序作为满意度评价等级，包括：
将每一机器学习子模型输出的多个满意度参数离散值指定数量的分箱区间内，并将包含最多满意度参数的分箱区间在所有分箱区间中的排列顺序作为该机器学习子模型得的参考满意度评价等级；并对多个参考满意度评价等级进行融合，得的满意度评价等级；或者，
对所有机器学习子模型输出的满意度参数进行融合，并将融合后的多个满意度参数离散至指定数量的分箱区间内；将包含最多融合后的满意度参数的分箱区间在所有分箱区间中的排列顺序作为满意度评价等级。
一种满意度评价装置，包括：
分词单元，用于对获取的评价对象的每一条评论数据进行分词处理得到每一条评论数据中的词汇；
提取单元，用于基于已得到的每一条评论数据的词汇，从每一条评论数据中提取特征向量，并叠加各评论数据的特征向量得到特征矩阵；
计算单元，用于将所述特征矩阵输入至已训练的机器学习模型，以由所述机器学习模型依据回归算法对所述特征矩阵进行计算、并输出多个满意度参数；
确定单元，用于将所述多个满意度参数离散至指定数量的分箱区间内，并将包含最多满意度参数的分箱区间在所有分箱区间中的排列顺序作为满意度评价等级。
在所述满意度评价装置中，所述装置还包括：
预处理单元，用于对评论数据进行预处理，以得到符合预设分词条件的评论数据；其中，所述分词条件至少包括：评论数据的格式符合指定的编码格式、评论数据中不存在无效数据。
在所述满意度评价装置中，所述提取单元，进一步用于：
针对每一条评论数据的每一词汇，计算该词汇在该评论数据中的词频-逆文本频率，根据各词汇的词频-逆文本频率生成该评论数据的词频-逆文本频率向量；
依据预设的词向量转化算法和词向量语料库，将每一条评论数据中的各词汇转化为词向量；其中，所述语料库包括词汇和词向量的映射关系；
依据预设的多维属性筛选策略确定每一条评论数据的属性向量；
将每一条评论数据的词频-逆文本频率向量、词向量和属性向量合并得到该评论数据的特征向量。
在所述满意度评价装置中，所述计算单元，进一步用于：
将所述特征矩阵进行降维处理，并将降维处理后的特征矩阵输入至所述机器学习模型。
在所述满意度评价装置中，所述装置还包括呈现单元，用于：
选择一定数量的评论数据中词频最高的词汇，进行可视化呈现；或，
将评价对象的满意度评价结果呈现在地图页面中该评价对象所在位置上。
在所述满意度评价装置中，所述机器学习模型包括至少两个机器学习子模型，各个机器学习子模型分别依据自身的回归算法对所述特征矩阵进行计算、并输出多个满意度参数；
所述确定单元，进一步用于：
将每一机器学习子模型输出的多个满意度参数离散值指定数量的分箱区间内，并将包含最多满意度参数的分箱区间在所有分箱区间中的排列顺序作为该机器学习子模型得的参考满意度评价等级；并对多个参考满意度评价等级进行融合，得的满意度评价等级；或者，
对所有机器学习子模型输出的满意度参数进行融合，并将融合后的多个满意度参数离散至指定数量的分箱区间内；将包含最多融合后的满意度参数的分箱区间在所有分箱区间中的排列顺序作为满意度评价等级。
一种电子设备，所述电子设备包括存储器、处理器及存储在存储器上并可在处理器上运行的机器可执行指令，其中，所述机器可执行指令被处理器执行时实现本申请所述的满意度评价方法。
在本申请实施例中，电子设备可对评论数据进行分词处理后，基于评论数据的词汇进行特征提取，有效地分析了评价对象的评论数据，进一步地，从评论数据中提取得到特征矩阵后，依据已训练的机器学习模型对上述特征矩阵进行计算，并依据计算出的满意度参数确定出满意度评价等级，从而更直接地获取用户对评价对象的体验评论，准确得到满意度评价结果。
附图说明
图1是本申请示出的一种满意度评价方法的流程图；
图2是本申请示出的一种满意度评价方法的流程示意图；
图3是本申请示出的一种满意度评价装置的实施例框图；
图4是本申请示出的一种电子设备的硬件结构图。
具体实施方式
为了使本技术领域的人员更好地理解本发明实施例中的技术方案，并使本发明实施例的上述目的、特征和优点能够更加明显易懂，下面结合附图对现有技术方案和本发明实施例中的技术方案作进一步详细的说明。
参见图1，为本申请示出的一种满意度评价方法的流程图，如图1所示，该方法包括以下步骤：
步骤101：对获取的评价对象的每一条评论数据进行分词处理得到每一条评论数据中的词汇。
该方法应用于电子设备，上述电子设备可以是用于指定满意度评价的服务器或服务器集群中的服务器。下文以电子设备作为执行主体描述方案。
上述评价对象可以是各类服务场所(比如：饭店、旅馆、影院、游乐园等)，上述评价对象的评论数据为用户发布在具有点评功能的网站(比如：大众点评、百度地图、高德地图等)上的数据，电子设备可从此类网站获取上述评论数据。
为更好地感知用户对评价对象的体验评论，电子设备可将获取到的评价对象的评论数据进行分词处理，以便后续可基于上述评论数据中的词汇进行分析。
作为一种实施例，电子设备可以抽取指定数量的评论数据(比如：10000条)，然后用预设的第一语料库中的词汇逐一在每一条评论数据进行匹配，从而实现对上述评论数据的分词处理。完成分词处理后，每条评论数据中的句子均被分解成词语序列。比如：“菜非常美味”分词后变为“菜”+“非常”+“美味”。
需要指出的是，在分词处理的过程中，可能会发现上述第一语料库中不存在的词汇。这种情况下，可对该词汇的出现次数进行计数，若该词汇的出现次数达到预设的次数阈值，则可认为该词汇会常用词汇，可将该词汇加入到上述第一语料库中，以便后续更高效地基于上述第一语料库进行分词处理。
在示出的一种实施方式中，由于电子设备从网站上获取的评论数据中可能存在大量的无效数据，并且评论数据的编码格式并不统一，所以，为便于后续的分析处理，电子设备首先可对上述评论数据进行预处理，以得到符合预设分词条件的评论数据。其中，上述分词条件至少包括：评论数据的格式符合指定的编码格式、评论数据中不存在无效数据；上述无效数据可包括特殊符号、停用词等对满意度分析没有作用的数据。
具体地，电子设备可对获取的评论数据进行清洗，以删除上述评论数据中的无效数据。作为一种实施例，电子设备可以用包含大量无效数据的第二语料库中的各种无效数据在上述评论数据中进行匹配，当匹配到任一无效数据，则将上述评论数据中的无效数据删除。
进一步地，电子设备可统一清洗后的评论数据的编码格式，使评论数据的编码格式均为指定的编码格式。比如：可将评论数据的编码格式统一为万国码(8-bit UnicodeTransformation Format，UTF-8)。
步骤102：基于已得到的每一条评论数据的词汇，从每一条评论数据中提取特征向量，并叠加各评论数据的特征向量得到特征矩阵。
在获得上述评论数据的词汇后，为使后续可基于深度学习的方法对大量的词汇进行处理，首先需从上述评论数据的词汇中提取上述评论数据的特征，该特征交由深度学习模型进行处理。需要指出的是，在机器学习领域，提取到的特征通常以特征向量或特征矩阵的形式存在。
在示出的一种实施方式中，电子设备首先可以针对每一条评论数据的每一词汇，计算该词汇在该评论数据中的词频-逆文本频率(Term Frequency–Inverse DocumentFrequency，TF-IDF)，根据各词汇的词频-逆文本频率生成该评论数据的词频-逆文本频率向量。
其中，可通过如下公式(1)表示任一词汇在任意一条评论数据中的词频-逆文本频率的计算方式：
其中，a表示该词汇在该评论数据中出现的次数，b表示该评论数据的词汇总量，c表示评论数据的总条数，d表示出现该词语的评论数据的条数。
在计算得到各词汇在一条评论数据中的词频-逆文本频率后，可生成该评论数据的词频-逆文本频率向量。
作为一种实施例，电子设备可确定其获得的所有评论数据中存在的词汇总量n，然后为每一条评论数据生成尺寸为1×n的词频-逆文本频率向量，该词频-逆文本频率向量的每个位置分别与n个不同的词汇对应。
电子设备计算得到任一评论数据的各个词汇的词频-逆文本频率后，将每一词汇的词频-逆文本频率填入到该评论数据的词频-逆文本频率向量内与该词汇对应的位置上，得到该评论数据的词频-逆文本频率向量。
比如：若所有评论数据中存在的词汇总量为1000，则词频-逆文本频率向量的尺寸为1×1000，该词频-逆文本频率向量的每个位置分别与1000个不同的词汇对应。若计算得到一条包含4个词语的评论数据中各个词汇的词频-逆文本频率为0.12、0.04、0.009、0.12，则将这4个值分别填入向量中与4个词语对应的位置上。而该评论数据的词频-逆文本频率向量的其它位置上，可填入0。
此外，电子设备可以依据预设的词向量转化算法和词向量语料库，将每一条评论数据中各词汇转化为词向量。其中，上述词向量语料库包括词汇和词向量的映射关系。上述词向量转化算法可以包括Fasttext算法、Word2Vec算法等，上述词向量转化算法可预先以评价对象所在领域的常用词汇进行训练。训练方式可参照现有相关技术，在此不赘述。
需要指出的是，在将词汇转化为词向量过程中，可能会发现上述词向量语料库中不存在词向量的生僻词汇。在这种情况下，电子设备可基于上述词向量转化算法为上述生僻词汇生成词向量，然后将新生成的词向量与上述生僻词汇的映射关系添加到上述词向量语料库中。此外，电子设备还需根据该生僻词汇的语义对该生僻词汇的近义词对应的词向量和反义词对应的词向量进行调整。通过该措施更新上述词向量语料库后，电子设备后续可更高效地将评论数据中的词汇转化为词向量，也可提高满意度评价的准确性。
各词汇被转化为尺寸为1×m的词向量后，每一条评论数据对应至少一条词向量。
除此以外，电子设备还可以依据预设的多维属性筛选策略确定每一条评论数据的属性向量。其中每一评论数据的属性向量中的各元素均表征该评论数据的一种属性。
作为一种实施例，上述多维属性筛选策略可以是一系列判断逻辑，基于上述多维属性筛选策略对每一评论数据进行判断，从而确定该评论数据的属性。
比如：上述多维属性筛选策略可以判断评论数据中是否包括英文词汇、上述评论数据中是否包括任一预设的关键词汇(该关键词汇可以是评价对象所在领域内的术语、行话等)、上述评论数据的词汇量是否达到预设的长句词汇量数值等。
电子设备通过上述多维属性筛选策略对评论数据进行判断时，若任一判断结果为肯定，则可将该判断结果对应的属性记为1，若任一判断结果为否定，则可将该判断结果对应的属性记为0。
当然，上述多维属性筛选策略可包括更复杂的判断逻辑(比如：基于“与或非”的判断逻辑)，从而将多种属性的判断结果集合在属性向量一个维度上。在这种情况下，该维度的判断结果可通过多个数值来表示。
总之，对于一个包含k个判断逻辑的多维属性筛选策略，电子设备从每一条评论数据中可以获得尺寸为1×k的属性向量。
当电子设备确定每一条评论数据的词频-逆文本频率向量、词向量和属性向量后，可合并得到该评论数据的特征向量。
具体地，若该评论数据的词频-逆文本频率向量的尺寸为1×n，各词向量的尺寸为1×m，属性向量的尺寸为1×k。
首先可合并各个词向量。
作为一种实施例，可计算各词向量中相同位置的元素的平均值，然后以该平均值作为该位置的元素，从而得到尺寸为1×m的合并后的词向量。
作为另一种实施例，可叠加该评论数据的总共p个词向量，从而得到尺寸为1×(m×p)的合并后的词向量。为保证各评论数据的合并后的词向量的尺寸统一，可依据经验设定评论数据中词汇量最大值z，确定合并后的词向量的尺寸为1×(m×z)。其中，z大于等于p。因此，当合并得到尺寸为1×(m×p)的词向量后，可在该词向量尾部填0，直到尺寸变成1×(m×z)。
在获得合并后的词向量后，可将词频-逆文本频率向量、合并后的词向量和属性向量合并为特征向量。若以第一种实施例合并词向量，则特征向量的尺寸为1×(n+m+k)；若以第二种实施例合并词向量，则特征向量的尺寸为1×(n+m×z+k)。
进一步地，电子设备可叠加每一条评论数据的特征向量，得到上述评论数据的特征矩阵。
具体地，若评论数据的总条数为c，则电子设备可叠加每一条评论数据的特征向量，从而得到特征矩阵。其中，若特征向量的尺寸为1×(n+m+k)，则特征矩阵的尺寸为c×(n+m+k)；若特征向量的尺寸为1×(n+m×z+k)，则特征矩阵的尺寸为c×(n+m×z+k)。
至此，电子设备完成对上述评论数据的特征提取。
步骤103：将所述特征矩阵输入至已训练的机器学习模型，以由所述机器学习模型依据回归算法对所述特征矩阵进行计算、并输出多个满意度参数。
其中，上述回归算法可以包括线性回归、多元多项式回归、梯度提升回归、随机森林回归、长短时记忆网络等。需要指出的是，当机器学习模型基于长短时记忆网络搭建时，则该机器学习模型属于深度学习模型。
在应用上述机器学习模型以前，首先需依据回归算法搭建机器学习模型。
进一步地，获取训练样本，其中，上述训练样本包括大量尺寸相同的特征矩阵，上述特征矩阵可通过前述方法从评论数据中提取得到。需要指出的是，上述特征矩阵的每一行的特征向量均被标定满意度参数标签，该满意度参数标签表征对应的满意度评价等级。比如：满意度参数标签包括1、2、3、4、5共五种，各个满意度参数标签分别对应一个满意度评价等级。在人工标定训练样本的过程中，通过人为判断的方式确定任一一条评论数据所表征的满意度评价等级，进而将该满意度评价等级对应的满意度参数标签标定到该评论数据在上述特征矩阵中的特征向量上。
电子设备利用上述机器学习模型对上述训练样本中的特征矩阵进行处理，从而得到多个满意度参数，并依据对应于每一特征向量的满意度参数与该特征向量上标定的满意度参数标签之间的差异，对机器学习模型的网络参数进行训练。
通过一定数量的训练样本对上述机器学习模型训练后，获得可实现对特征矩阵进行处理的机器学习模型。
获得上述机器学习模型后，在基于上述机器学习模型实现满意度评价的过程中，电子设备可以将从步骤102中得到的特征矩阵输入至上述机器学习模型，以由上述机器学习模型依据自身的回归算法对上述特征矩阵进行计算，从而得到对应于上述特征矩阵中的各特征向量的多个满意度参数。
在示出的一种实施方式中，为降低电子设备的计算量，在将上述特征矩阵输入至上述机器学习模型以前，还可将提取到的上述特征矩阵进行降维处理，然后将降维处理后的特征矩阵输入至上述机器学习模型。
作为一种实施例，电子设备可通过奇异值分解(Singular Value Decomposition，SVD)的方式对上述特征矩阵进行降维处理。
电子设备可将上述特征矩阵拆解为两个尺寸较小的矩阵，然后选择其中一个矩阵作为特征矩阵交由机器学习模型处理。
作为另一种实施例，电子设备可通过文档主题生成模型(Latent DirichletAllocation，LDA)对上述特征矩阵进行降维处理。文档主题生成模型对矩阵的降维处理过程可参照现有相关技术，在此不赘述。
当然，还可有其它降维手段，具体可参照相关技术，在此不再赘述。
需要指出的是，降维处理后的特征矩阵与降维处理前的特征矩阵的行数相同，换而言之，降维处理并不会改变特征矩阵所包含的特征向量的数量。
在这种实施方式中，为使机器学习模型适配降维后的特征矩阵，电子设备可对机器学习模型进行参数调优。
具体地，电子设备需将机器学习模型中涉及特征矩阵的维度的网络参数进行调整，使得机器学习模型可以正确地对降维后的特征矩阵进行处理。
另外，仅调整涉及特征矩阵的维度的网络参数，可能会降低机器学习模型的泛化能力，因此，可以利用降维后的特征矩阵，重新对上述机器学习模型进行训练。
电子设备可根据预设的若干种评价指标(比如：以准确率、召回率、F1-Measure等)检查网络参数对满意度参数的影响，然后通过不同的网络参数对降维后的特征矩阵进行计算，进而依据上述评价指标确定出最优的网络参数。
其中，由于本申请中机器学习模型应用的主要是回归算法，作为一种实施例，可以根据降维处理后的特征矩阵中各特征向量的满意度参数和该特征向量上标定的满意度参数标签计算均方根误差，然后以该均方根误差作为评价指标，从而选择出最优的网络参数。
在示出的一种实施方式中，为通过机器学习模型更准确地实现满意度评价，可基于包含至少两个机器学习子模型的机器学习模型对上述特征矩阵进行处理。不同的机器学习子模型应用的回归算法不同，从而能够得到不同的满意度参数。对每一机器学习子模型而言，其训练过程如前所述，在此不再赘述。
在这种实施方式中，可将步骤102中提取到的特征矩阵或降维处理后的特征矩阵分别输入至已训练的至少两个机器学习子模型。使得各机器学习子模型可依据自身的回归算法对上述特征矩阵进行计算，然后输出多个满意度参数。
在利用至少两个机器学习子模型对上述特征矩阵进行处理，并得到满意度参数后，后续可基于上述满意度参数实现更准确的满意度评价。
步骤104：将所述多个满意度参数离散至指定数量的分箱区间内，并将包含最多满意度参数的分箱区间在所有分箱区间中的排列顺序作为满意度评价等级。
通过上述机器学习模型获得多个满意度参数后，电子设备可依据上述满意度参数对评价对象进行评价。
在本申请技术方案中，对评价对象的评价结果是一个满意度评价等级，可预先划定指定数量的满意度评价等级，用以表征客户对评价对象的满意程度。比如：可将满意度评价等级划分为“非常满意”、“满意”、“差强人意”、“不满意”、“非常不满”5个级别。上述指定数量同样也是对机器学习模型训练时在训练样本上标定的满意度参数标签的种类数量。
而上述机器学习模型的满意度参数为多个数值，这些数值可被划分至上述指定数量的分箱区间内。
实际上，在训练阶段，作为训练样本的特征矩阵上标定的数值(满意度参数标签)的数量即可确定各个区间，各区间即为后续依据分箱法进行满意度参数分箱处理的分箱区间。以标定的满意度参数标签1、2、3、4、5为例，此时划分出的分箱区间为：0到1、1到2、2到3、3到4、4到5。各分箱区间在所有分箱区间中的排列顺序可作为该分箱区间指示的满意度评价等级。
比如：0到1的分箱区间排在第1，指示的满意度评价等级为“非常不满”；1到2的分箱区间排在第2，指示的满意度评价等级为“不满意”；2到3的分箱区间排在第3，指示的满意度评价等级为“差强人意”；3到4的分箱区间排在第4，指示的满意度评价等级为“满意”；4到5的分箱区间排在第5，指示的满意度评价等级为“非常满意”。
机器学习模型经过训练后，从上述特征矩阵中每一特征向量得到的满意度参数可接近该特征向量指示的满意度评价等级所对应的满意度参数标签，甚至等于该满意度参数标签。比如：若任一一条评论数据表征的满意度评价等级为“不满意”，而该满意度评价等级对应满意度参数标签为2，则机器学习模型对该评论数据的特征向量计算得到的满意度参数接近或等于2。
因此，电子设备通过机器学习模型对上述特征矩阵处理得到的满意度参数聚拢在指定数量的满意度参数标签周围，进而可离散至指定数量的区间内。
需要指出的是，由于在应用机器学习模型时输入的特征矩阵与训练阶段采用的训练样本中的特征矩阵存在差异，而机器学习模型的泛化能力往往有限，因此，电子设备利用机器学习模型处理不同的特征矩阵得到的满意度参数的分布状态是有差异的。换而言之，在依据分箱法处理从不同的特征矩阵中得到的满意度参数时，采用的区间端点可能是不同的。
电子设备可统计各分箱区间内满意度参数的数量，然后依据包含最多满意度参数的分箱区间在所有分箱区间中的排列顺序作为满意度评价等级。
比如：若第3个分箱区间内包含最多的满意度参数，可知满意度评价等级为“差强人意”。
在示出的一种实施方式中，若电子设备通过包括至少两个机器学习子模型的机器学习模型从上述特征矩阵中获得满意度参数，则可通过两种方式将不同的机器学习子模型的满意度参数融合出满意度评价等级。
第一种方式：首先，电子设备可依据分箱法将每一机器学习子模型输出的多个满意度参数离散至指定数量的分箱区间内，并将包含最多满意度参数的分箱区间在所有分箱区间中的排列顺序作为基于该机器学习子模型得到的参考满意度评价等级。
进一步地，电子设备可对多个参考满意度评价等级进行融合，得到满意度评价等级。
作为一种实施例，电子设备可基于预设的权值对多个参考满意度评价等级进行加权计算，从而得到满意度评价等级。比如：电子设备通过5个机器学习子模型对特征矩阵进行计算后，依据5个机器学习子模型的满意度参数确定出的参考满意度评价等级分别为：“非常满意”、“满意”、“差强人意”、“满意”、“不满意”，且对应于5个机器学习子模型的权值分别为0.1、0.2、0.4、0.1、0.2，则计算得到的满意度评价结果为“差强人意”。
作为另一种实施例，电子设备可基于预设的投票算法对多个参考满意度评价等级进行处理，从而得到满意度评价等级。比如：电子设备通过5个机器学习子模型对特征矩阵进行计算后，依据5个机器学习子模型的满意度参数确定出的参考满意度评价等级分别为：“满意”、“差强人意”、“满意”、“满意”、“非常满意”。则可从中确定出满意度评价等级为“满意”。
第二种方式：首先，电子设备对所有机器学习子模型输出的满意度参数进行融合，然后将融合后的多个满意度参数离散至指定数量的分箱区间内。
其中，每一机器学习子模型的满意度参数的数量均与上述特征矩阵中特征向量的数量相同。电子设备在融合满意度参数时，实际上是将不同机器学习子模型对同一特征向量的满意度参数融合为一个满意度参数。因此，在融合处理后，仍得到与上述特征矩阵中每一特征向量对应的满意度参数。比如：机器学习子模型1得到满意度参数A1、A2……Ac-1、Ac，机器学习子模型2得到满意度参数B1、B2……Bc-1、Bc，各机器学习子模型的满意度参数对应c个特征向量，则融合后的满意度参数Q1、Q2……Qc-1、Qc同样对应于c个特征向量。
作为一种实施例，电子设备可基于预设的权值对与任一特征向量对应的多个满意度参数进行加权计算，从而得到对应于该特征向量的融合后的满意度参数。比如：若依据5个机器学习子模型对任一特征向量计算出的满意度参数分别为5、4、3、4、2，且对应于5个机器学习子模型的权值分别为0.1、0.2、0.4、0.1、0.2，则计算得到该特征向量的融合后的满意度参数为3.3。
进一步地，电子设备可将包含最多融合后的满意度参数的分箱区间在所有分箱区间中的排列顺序作为满意度评价等级。
在这种实施方式中，由于通过多个机器学习子模型的满意度参数确定出满意度评价等级，避免了单个机器学习子模型的计算错误，提高了评价结果的准确性。
在本申请实施例中，为以更丰富的形式展示评价对象在客户心目中的满意程度，电子设备可将满意度评价结果进行可视化呈现。其中，上述满意度评价结果包括上述满意度评价等级和上述评论数据中的关键词汇。
作为一种实施例，电子设备可从所有评论数据的分词结果中，选择词频最高的多个词汇，然后以wordcloud来展示上述多个词汇。
作为另一种实施例，电子设备可将评价对象的满意度评价等级呈现在地图页面中该评价对象所在位置上，使得客户可以从地图页面中中直观地获知各评价对象的优劣。
为更清晰地说明本申请技术方案，参见图2，为本申请示出的一种满意度评价方法的流程示意图。
如图2所示，电子设备获得评论数据后，首先对上述评论数据进行数据异常清洗处理，即删除上述评论数据中的无效数据，以及，统一评论数据的编码格式。
接着，电子设备对清除无效数据且编码格式统一的评论数据进行分词处理，获得评论数据中的词汇。在这个过程中，可以对分词处理所应用的语料库进行调整，即更新第一语料库。
进一步地，电子设备对上述评论数据的词汇进行特征提取，获得词频-逆文本频率向量、词向量和属性向量。在这个过程中，可以对特征提取所应用的语料库进行调整，即更新词向量语料库。
然后，电子设备可对提取到的特征矩阵进行降维处理，进而基于已训练的机器学习模型处理上述特征矩阵，并依据处理得到的满意度参数确定满意度评价结果。
综上所述，在本申请实施例中，电子设备可有效地对评价对象的评论数据进行分析，然后从评论数据中提取得到特征矩阵，并依据已训练的机器学习模型对上述特征矩阵进行计算，从而更直接地获取用户对评价对象的体验评论，准确得到满意度评价结果；其中，当应用多个机器学习模型处理上述特征矩阵时，可以减少单个机器学习模型在处理特征矩阵时出现的误差，从而得到更准确的满意度参数，进而实现更准确的满意度评价；
此外，电子设备还可通过可视化的方式呈现评价对象的满意度评价结果，提高了用户体验。
与前述满意度评价方法的实施例相对应，本申请还提供了满意度评价装置的实施例。
参见图3，为本申请示出的一种满意度评价装置的实施例框图：
如图3所示，该满意度评价装置30，包括：
分词单元310，用于对获取的评价对象的每一条评论数据进行分词处理得到每一条评论数据中的词汇。
提取单元320，用于基于已得到的每一条评论数据的词汇，从每一条评论数据中提取特征向量，并叠加各评论数据的特征向量得到特征矩阵。
计算单元330，用于将所述特征矩阵输入至已训练的机器学习模型，以由所述机器学习模型依据回归算法对所述特征矩阵进行计算、并输出多个满意度参数。
确定单元340，用于将所述多个满意度参数离散至指定数量的分箱区间内，并将包含最多满意度参数的分箱区间在所有分箱区间中的排列顺序作为满意度评价等级。
在本例中，所述装置还包括：
预处理单元350(图中未示出)，用于对评论数据进行预处理，以得到符合预设分词条件的评论数据；其中，所述分词条件至少包括：评论数据的格式符合指定的编码格式、评论数据中不存在无效数据。
在本例中，所述提取单元320，进一步用于：
针对每一条评论数据的每一词汇，计算该词汇在该评论数据中的词频-逆文本频率，根据各词汇的词频-逆文本频率生成该评论数据的词频-逆文本频率向量；
依据预设的词向量转化算法和词向量语料库，将每一条评论数据中的各词汇转化为词向量；其中，所述语料库包括词汇和词向量的映射关系；
依据预设的多维属性筛选策略确定每一条评论数据的属性向量；
将每一条评论数据的词频-逆文本频率向量、词向量和属性向量合并得到该评论数据的特征向量。
在本例中，所述计算单元330，进一步用于：
将所述特征矩阵进行降维处理，并将降维处理后的特征矩阵输入至所述机器学习模型。
在本例中，所述装置还包括呈现单元360(图中未示出)，用于：
选择一定数量的评论数据中词频最高的词汇，进行可视化呈现；或，
将评价对象的满意度评价结果呈现在地图页面中该评价对象所在位置上。
在本例中，所述机器学习模型包括至少两个机器学习子模型，各个机器学习子模型分别依据自身的回归算法对所述特征矩阵进行计算、并输出多个满意度参数；
所述确定单元340，进一步用于：
将每一机器学习子模型输出的多个满意度参数离散值指定数量的分箱区间内，并将包含最多满意度参数的分箱区间在所有分箱区间中的排列顺序作为该机器学习子模型得的参考满意度评价等级；并对多个参考满意度评价等级进行融合，得的满意度评价等级；或者，
对所有机器学习子模型输出的满意度参数进行融合，并将融合后的多个满意度参数离散至指定数量的分箱区间内；将包含最多融合后的满意度参数的分箱区间在所有分箱区间中的排列顺序作为满意度评价等级。
本申请满意度评价装置的实施例可以应用在电子设备上。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在电子设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。
从硬件层面而言，如图4所示，为本申请满意度评价装置所在电子设备的一种硬件结构图，
该电子设备可包括处理器401、存储有机器可执行指令的的机器可读存储介质402。处理器401与机器可读存储介质402可经由系统总线403通信。处理器401通过加载并执行机器可读存储介质402存储的机器可执行指令，能够实现上述满意度评价。
本文中提到的机器可读存储介质402可以是任何电子、磁性、光学或其它物理存储装置，可以包含或存储信息，如可执行指令、数据，等等。例如，机器可读存储介质可以是：RAM(Radom Access Memory，随机存取存储器)、易失存储器、非易失性存储器、闪存、存储驱动器(如硬盘驱动器)、固态硬盘、任何类型的存储盘(如光盘、dvd等)，或者类似的存储介质，或者它们的组合。
上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。
对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置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申请方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上所述仅为本申请的较佳实施例而已，并不用以限制本申请，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请保护的范围之内。
Claims (13)
1.一种满意度评价方法，其特征在于，包括：
对获取的评价对象的每一条评论数据进行分词处理得到每一条评论数据中的词汇；
基于已得到的每一条评论数据的词汇，从每一条评论数据中提取特征向量，并叠加各评论数据的特征向量得到特征矩阵；
将所述特征矩阵输入至已训练的机器学习模型，以由所述机器学习模型依据回归算法对所述特征矩阵进行计算、并输出多个满意度参数；
将所述多个满意度参数离散至指定数量的分箱区间内，并将包含最多满意度参数的分箱区间在所有分箱区间中的排列顺序作为满意度评价等级。
2.根据权利要求1所述的方法，其特征在于，在将评论数据进行分词处理前，所述方法还包括：
对评论数据进行预处理，以得到符合预设分词条件的评论数据；其中，所述分词条件至少包括：评论数据的格式符合指定的编码格式、评论数据中不存在无效数据。
3.根据权利要求1所述的方法，其特征在于，所述基于已得到的每一条评论数据的词汇，从每一条评论数据中提取特征向量，包括：
针对每一条评论数据的每一词汇，计算该词汇在该评论数据中的词频-逆文本频率，根据各词汇的词频-逆文本频率生成该评论数据的词频-逆文本频率向量；
依据预设的词向量转化算法和词向量语料库，将每一条评论数据中的各词汇转化为词向量；其中，所述语料库包括词汇和词向量的映射关系；
依据预设的多维属性筛选策略确定每一条评论数据的属性向量；
将每一条评论数据的词频-逆文本频率向量、词向量和属性向量合并得到该评论数据的特征向量。
4.根据权利要求1所述的方法，其特征在于，所述将所述特征矩阵输入至已训练的机器学习模型，包括：
将所述特征矩阵进行降维处理，并将降维处理后的特征矩阵输入至所述机器学习模型。
5.根据权利要求3所述的方法，其特征在于，所述方法还包括：
选择一定数量的评论数据中词频最高的词汇，进行可视化呈现；或，
将评价对象的满意度评价结果呈现在地图页面中该评价对象所在位置上。
6.根据权利要求1所述的方法，其特征在于，所述机器学习模型包括至少两个机器学习子模型，各个机器学习子模型分别依据自身的回归算法对所述特征矩阵进行计算、并输出多个满意度参数；
所述将所述多个满意度参数离散至指定数量的分箱区间内，并将包含最多满意度参数的分箱区间在所有分箱区间中的排列顺序作为满意度评价等级，包括：
将每一机器学习子模型输出的多个满意度参数离散值指定数量的分箱区间内，并将包含最多满意度参数的分箱区间在所有分箱区间中的排列顺序作为该机器学习子模型得的参考满意度评价等级；并对多个参考满意度评价等级进行融合，得的满意度评价等级；或者，
对所有机器学习子模型输出的满意度参数进行融合，并将融合后的多个满意度参数离散至指定数量的分箱区间内；将包含最多融合后的满意度参数的分箱区间在所有分箱区间中的排列顺序作为满意度评价等级。
7.一种满意度评价装置，其特征在于，包括：
分词单元，用于对获取的评价对象的每一条评论数据进行分词处理得到每一条评论数据中的词汇；
提取单元，用于基于已得到的每一条评论数据的词汇，从每一条评论数据中提取特征向量，并叠加各评论数据的特征向量得到特征矩阵；
计算单元，用于将所述特征矩阵输入至已训练的机器学习模型，以由所述机器学习模型依据回归算法对所述特征矩阵进行计算、并输出多个满意度参数；
确定单元，用于将所述多个满意度参数离散至指定数量的分箱区间内，并将包含最多满意度参数的分箱区间在所有分箱区间中的排列顺序作为满意度评价等级。
8.根据权利要求7所述的装置，其特征在于，所述装置还包括：
预处理单元，用于对评论数据进行预处理，以得到符合预设分词条件的评论数据；其中，所述分词条件至少包括：评论数据的格式符合指定的编码格式、评论数据中不存在无效数据。
9.根据权利要求7所述的装置，其特征在于，所述提取单元，进一步用于：
针对每一条评论数据的每一词汇，计算该词汇在该评论数据中的词频-逆文本频率，根据各词汇的词频-逆文本频率生成该评论数据的词频-逆文本频率向量；
依据预设的词向量转化算法和词向量语料库，将每一条评论数据中的各词汇转化为词向量；其中，所述语料库包括词汇和词向量的映射关系；
依据预设的多维属性筛选策略确定每一条评论数据的属性向量；
将每一条评论数据的词频-逆文本频率向量、词向量和属性向量合并得到该评论数据的特征向量。
10.根据权利要求7所述的装置，其特征在于，所述计算单元，进一步用于：
将所述特征矩阵进行降维处理，并将降维处理后的特征矩阵输入至所述机器学习模型。
11.根据权利要求9所述的装置，其特征在于，所述装置还包括呈现单元，用于：
选择一定数量的评论数据中词频最高的词汇，进行可视化呈现；或，
将评价对象的满意度评价结果呈现在地图页面中该评价对象所在位置上。
12.根据权利要求7所述的装置，其特征在于，所述机器学习模型包括至少两个机器学习子模型，各个机器学习子模型分别依据自身的回归算法对所述特征矩阵进行计算、并输出多个满意度参数；
所述确定单元，进一步用于：
将每一机器学习子模型输出的多个满意度参数离散值指定数量的分箱区间内，并将包含最多满意度参数的分箱区间在所有分箱区间中的排列顺序作为该机器学习子模型得的参考满意度评价等级；并对多个参考满意度评价等级进行融合，得的满意度评价等级；或者，
对所有机器学习子模型输出的满意度参数进行融合，并将融合后的多个满意度参数离散至指定数量的分箱区间内；将包含最多融合后的满意度参数的分箱区间在所有分箱区间中的排列顺序作为满意度评价等级。
13.一种电子设备，其特征在于，所述电子设备包括存储器、处理器及存储在存储器上并可在处理器上运行的机器可执行指令，其中，所述机器可执行指令被处理器执行时实现权利要求1-6任一所述的满意度评价方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811555021.4A CN111415176B (zh) | 2018-12-19 | 2018-12-19 | 一种满意度评价方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811555021.4A CN111415176B (zh) | 2018-12-19 | 2018-12-19 | 一种满意度评价方法、装置及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111415176A true CN111415176A (zh) | 2020-07-14 |
| CN111415176B CN111415176B (zh) | 2023-06-30 |
Family
ID=71490687
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811555021.4A Active CN111415176B (zh) | 2018-12-19 | 2018-12-19 | 一种满意度评价方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111415176B (zh) |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1276061A1 (en) * | 2001-07-09 | 2003-01-15 | Accenture | Computer based system and method of determining a satisfaction index of a text |
| CN101174273A (zh) * | 2007-12-04 | 2008-05-07 | 清华大学 | 基于元数据分析的新闻事件检测方法 |
| AU2009260033A1 (en) * | 2008-06-19 | 2009-12-23 | Wize Technologies, Inc. | System and method for aggregating and summarizing product/topic sentiment |
| CN105654250A (zh) * | 2016-02-01 | 2016-06-08 | 百度在线网络技术（北京）有限公司 | 一种满意度自动测评的方法和装置 |
| CN105930503A (zh) * | 2016-05-09 | 2016-09-07 | 清华大学 | 基于组合特征向量和深度学习的情感分类方法及装置 |
| CN106156004A (zh) * | 2016-07-04 | 2016-11-23 | 中国传媒大学 | 基于词向量的针对电影评论信息的情感分析系统及方法 |
| CN106202481A (zh) * | 2016-07-18 | 2016-12-07 | 量子云未来（北京）信息科技有限公司 | 一种感知数据的评价方法和系统 |
| CN107527231A (zh) * | 2017-07-27 | 2017-12-29 | 温州市鹿城区中津先进科技研究院 | 基于自然语言分析的电商用户满意度评价方法 |
| CN107679754A (zh) * | 2017-09-30 | 2018-02-09 | 国网安徽省电力公司经济技术研究院 | 基于改进ahp与模糊理论的电力用户满意度评价方法 |
| CN108038725A (zh) * | 2017-12-04 | 2018-05-15 | 中国计量大学 | 一种基于机器学习的电商产品客户满意度分析方法 |
| JP2018097610A (ja) * | 2016-12-13 | 2018-06-21 | パナソニックＩｐマネジメント株式会社 | 満足度評価装置、満足度評価方法及び満足度評価プログラム |
| US10037491B1 (en) * | 2014-07-18 | 2018-07-31 | Medallia, Inc. | Context-based sentiment analysis |
| WO2018161880A1 (zh) * | 2017-03-08 | 2018-09-13 | 腾讯科技（深圳）有限公司 | 媒体搜索词推送方法、装置及存储介质 |
| CN108763477A (zh) * | 2018-05-29 | 2018-11-06 | 厦门快商通信息技术有限公司 | 一种短文本分类方法及系统 |
-
2018
- 2018-12-19 CN CN201811555021.4A patent/CN111415176B/zh active Active
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1276061A1 (en) * | 2001-07-09 | 2003-01-15 | Accenture | Computer based system and method of determining a satisfaction index of a text |
| CN101174273A (zh) * | 2007-12-04 | 2008-05-07 | 清华大学 | 基于元数据分析的新闻事件检测方法 |
| AU2009260033A1 (en) * | 2008-06-19 | 2009-12-23 | Wize Technologies, Inc. | System and method for aggregating and summarizing product/topic sentiment |
| US10037491B1 (en) * | 2014-07-18 | 2018-07-31 | Medallia, Inc. | Context-based sentiment analysis |
| CN105654250A (zh) * | 2016-02-01 | 2016-06-08 | 百度在线网络技术（北京）有限公司 | 一种满意度自动测评的方法和装置 |
| WO2017133165A1 (zh) * | 2016-02-01 | 2017-08-10 | 百度在线网络技术（北京）有限公司 | 一种满意度自动测评的方法、装置、设备和计算机存储介质 |
| CN105930503A (zh) * | 2016-05-09 | 2016-09-07 | 清华大学 | 基于组合特征向量和深度学习的情感分类方法及装置 |
| CN106156004A (zh) * | 2016-07-04 | 2016-11-23 | 中国传媒大学 | 基于词向量的针对电影评论信息的情感分析系统及方法 |
| CN106202481A (zh) * | 2016-07-18 | 2016-12-07 | 量子云未来（北京）信息科技有限公司 | 一种感知数据的评价方法和系统 |
| JP2018097610A (ja) * | 2016-12-13 | 2018-06-21 | パナソニックＩｐマネジメント株式会社 | 満足度評価装置、満足度評価方法及び満足度評価プログラム |
| WO2018161880A1 (zh) * | 2017-03-08 | 2018-09-13 | 腾讯科技（深圳）有限公司 | 媒体搜索词推送方法、装置及存储介质 |
| CN107527231A (zh) * | 2017-07-27 | 2017-12-29 | 温州市鹿城区中津先进科技研究院 | 基于自然语言分析的电商用户满意度评价方法 |
| CN107679754A (zh) * | 2017-09-30 | 2018-02-09 | 国网安徽省电力公司经济技术研究院 | 基于改进ahp与模糊理论的电力用户满意度评价方法 |
| CN108038725A (zh) * | 2017-12-04 | 2018-05-15 | 中国计量大学 | 一种基于机器学习的电商产品客户满意度分析方法 |
| CN108763477A (zh) * | 2018-05-29 | 2018-11-06 | 厦门快商通信息技术有限公司 | 一种短文本分类方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111415176B (zh) | 2023-06-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110084271B (zh) | 一种图片类别的识别方法和装置 | |
| US20190333118A1 (en) | Cognitive product and service rating generation via passive collection of user feedback | |
| CN107194430B (zh) | 一种样本筛选方法及装置，电子设备 | |
| CN103425727B (zh) | 上下文语音查询扩大方法和系统 | |
| CN109190109B (zh) | 融合用户信息生成评论摘要的方法及装置 | |
| CN112288455A (zh) | 标签生成方法及装置、计算机可读存储介质、电子设备 | |
| US20200057948A1 (en) | Automatic prediction system, automatic prediction method and automatic prediction program | |
| CN111079937A (zh) | 一种快速建模的方法 | |
| CN117668205B (zh) | 智慧物流客服处理方法、系统、设备及存储介质 | |
| CN110458600A (zh) | 画像模型训练方法、装置、计算机设备及存储介质 | |
| CN110796171A (zh) | 机器学习模型的未分类样本处理方法、装置及电子设备 | |
| CN109460474B (zh) | 用户偏好趋势挖掘方法 | |
| CN109241993B (zh) | 融合用户和整体评价信息的评价对象情感分类方法及装置 | |
| CN114048148A (zh) | 一种众包测试报告推荐方法、装置及电子设备 | |
| CN114023407A (zh) | 一种健康档案缺失值补全方法、系统以及存储介质 | |
| CN117785539A (zh) | 日志数据分析方法、装置、计算机设备及存储介质 | |
| US20240045923A1 (en) | Information processing device, information processing method, and computer program product | |
| CN112434862A (zh) | 上市企业财务困境预测方法及装置 | |
| CN116955534A (zh) | 投诉工单智能处理方法、装置、设备及存储介质 | |
| CN111415176A (zh) | 一种满意度评价方法、装置及电子设备 | |
| WO2016200413A1 (en) | Application session analysis and recommendation system | |
| TWI755995B (zh) | 對工程資料進行篩選以得到特徵的方法與系統、對工程資料進行多次篩選以得到特徵的方法、產生預測模型的方法以及將工程資料線上特徵化的系統 | |
| CN115114073A (zh) | 告警信息的处理方法及装置、存储介质、电子设备 | |
| CN114897607A (zh) | 产品资源的数据处理方法及装置、电子设备、存储介质 | |
| CN116415548A (zh) | 标签预测模型的训练方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |