用户评论价值的评估方法及装置制造方法及图纸

本说明书实施例提供一种用户评论价值的评估方法及装置。在用户评论价值的评估方法中，获取待评估用户评论。将待评估用户评论输入多任务预测模型，以预测待评估用户评论的有价值评估值和无价值评估值。该多任务预测模型是根据多条具有对应的有价值评估值和无价值评估值的用户评论样本，对神经网络进行训练后得到的。根据有价值评估值和无价值评估值，对待评估用户评论的价值进行评估。

Evaluation method and device for user comment value

This manual provides an evaluation method and device for user comment value. In the evaluation method of user comment value, users' comments to be evaluated are obtained. The user reviews to be evaluated are input into the multi-task prediction model to predict the value and value of the user reviews to be evaluated. The multi-task prediction model is based on the training of the neural network according to a number of user review samples with corresponding valuable and non-valuable evaluation values. Assess the value of user reviews based on the value assessment and value assessment.

【技术实现步骤摘要】
用户评论价值的评估方法及装置
本说明书一个或多个实施例涉及计算机
，尤其涉及一种用户评论价值的评估方法及装置。
技术介绍
伴随着网络电商的高速发展，消费者已经形成根据用户评论(review)来判断对象(如，商品或者商家等)好坏或者服务优劣。然而针对某一对象的用户评论通常是海量的，这些海量的用户评论中有些是有价值或者有信息量的，而有些是没有价值的。因此，需要提供一种用户评论价值的评估方法，以便能够对用户评论的价值进行评估就称为要解决的问题。
技术实现思路
本说明书一个或多个实施例描述了一种用户评论价值的评估方法及装置，可以提高用户评论价值的评估准确性。第一方面，提供了一种用户评论价值的评估方法，包括：获取待评估用户评论；将所述待评估用户评论输入多任务预测模型，以预测所述待评估用户评论的有价值评估值和无价值评估值；所述多任务预测模型是根据多条具有对应的有价值评估值和无价值评估值的用户评论样本，对神经网络进行训练后得到的；根据所述有价值评估值和无价值评估值，对所述待评估用户评论的价值进行评估。第二方面，提供了一种用户评论价值的评估装置，包括：获取单元，用于获取待评估用户评论；输入单元，用于将所述获取单元获取的所述待评估用户评论输入多任务预测模型，以预测所述待评估用户评论的有价值评估值和无价值评估值；所述多任务预测模型是根据多条具有对应的有价值评估值和无价值评估值的用户评论样本，对神经网络进行训练后得到的；根据所述有价值评估值和所述无价值评估值，对所述待评估用户评论的价值进行评估。本说明书一个或多个实施例提供的用户评论价值的评估方法及装置，获取待评估用户评论。将待评估用户评论输入多任务预测模型，以预测待评估用户评论的有价值评估值和无价值评估值。该多任务预测模型是根据多条具有对应的有价值评估值和无价值评估值的用户评论样本，对神经网络进行训练后得到的。根据有价值评估值和无价值评估值，对待评估用户评论的价值进行评估。由此，可以实现对用户评论价值的评估。附图说明为了更清楚地说明本说明书实施例的技术方案，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说明书的一些实施例，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它的附图。图1为本说明书提供的多任务预测模型的获取方法流程图；图2为本说明书提供的用户评论示意图；图3为本说明书提供的多任务预测模型示意图；图4为本说明书一个实施例提供的用户评论价值的评估方法流程图；图5为本说明书一个实施例提供的用户评论价值的评估装置示意图。具体实施方式下面结合附图，对本说明书提供的方案进行描述。本说明书一个实施例提供的用户评论价值的评估方法适用于对某一对象的海量用户评论的价值进行评估的场景。此处的对象可以是指商品或者商家等网络上的虚拟实体。在执行本说明书提供的用户评论价值的评估方法之前，可以先执行获取多任务预测模型的方法。本说明书中的多任务预测模型可以是根据多条具有对应的有价值评估值和无价值评估值的用户评论样本，对神经网络进行训练后得到的。此处的神经网络可以包括循环神经网络(RecurrentneuralNetwork，RNN)和卷积神经网络(ConvolutionalNeuralNetwork,CNN)等。其中，CNN具体可以为TextCNN，TextCNN是一种用于文本分类的卷积神经网络。基于TextCNN实现文本分类的基本思路是：将CNN与文本处理相结合。其核心在于在文本分类任务中利用CNN模型来提取句子中类似n-gram的关键信息。TextCNN在情感分析里应用较广，而且最大的优势是相较于RNN快很多，更容易符合线上服务的要求。以神经网络为TextCNN为例来说，上述获取多任务预测模型的方法可以如图1所示。图1中，该方法可以包括如下步骤：步骤110，预先收集多条用户评论样本。在一种实现方式中，可以针对网页页面上某一对象的用户评论，在已有的“点赞”功能的基础上，增加“点踩”功能，其中，“点赞”功能可以是用户在认为该用户评论有价值或者有信息量时使用，“点踩”功能可以是用户在认为该用户评论没有价值时使用。举例来说，用户在查看某个阳台柜时，如果有一条用户评论描述了关于这个阳台柜的优劣对比，以及相关安装信息，比如说要单独买水龙头等，下水管等，那么这个用户就会觉得这条用户评论是有价值或者有信息量的。在一种实现方式中，通过用户评论的“点赞”功能，可以统计出认为该用户评论的有价值或者有信息量的用户的个数P(简称：第一数量)。通过用户评论的“点踩”功能，可以统计出认为该用户评论没有价值的用户的个数Q(简称：第二数量)，其中，P和Q均为正整数。以对象为商品为例来说，在为该商品的用户评论增加“点踩”功能后，该商品的用户评论可以如图2所示。图2中，按钮“有用”与已有的“点赞”功能相对应，按钮“没用”与新增的“点踩”功能相对应。具体地，当用户认为某条用户评论有价值或者有信息量时，可以点击该用户评论对应的“有用”按钮。相应地，该用户评论的第一数量就会加1。而当用户觉得某条用户评论没有价值时，可以点击该用户评论对应的“没用”按钮。相应地，该用户评论的第二数量就会加1。具体地，可以从对象的用户评论同时具有“点赞”功能和“点踩”功能的网页页面中收集上述多条用户评论样本。从而，收集到的用户评论样本可以同时具有对应的第一数量和第二数量。当然，也可以只具有第一数量(或者，第二数量)，第二数量(或者，第一数量)可以根据默认值(如，0)确定，本说明书对此不作限定。需要说明的是，在收集到上述多条用户评论之后，可以确定其对应的有价值评估值和无价值评估值。其中，有价值评估值用于衡量某条用户评论是否有价值或者有信息量。无价值评估值用于衡量某条用户评论是否没有价值。在一种实现方式中，上述确定过程可以如下：在浏览该多条用户评论样本的用户数相同或者相近的情况下，可以将各条用户评论样本的第一数量作为其有价值评估值，将各条用户评论样本的第二数量作为其无价值评估值。而在浏览该多条用户评论样本的用户数相差比较大(如，有些用户评论样本的浏览用户数为100个，而另一些用户评论样本的浏览用户数为1000个)时，可以根据第一数量(即P)在总个数中的占比，确定该用户评论样本的有价值评估值，其中，该总个数为P与Q之和。如，有价值评估值＝P/(P+Q)。可以根据第二数量(即Q)在总个数中的占比，确定该用户评论样本的无价值评估值。如，无价值评估值＝Q/(P+Q)。当然，在实际应用中，也可以根据其它方式来确定上述有价值评估值和无价值评估值，如，为上述第一数量和第二数量分配对应的权值，本说明书对此不作限定。步骤120，对多条用户评论样本进行预处理，得到对应的多个词语。此处的预处理包括但不限于分词处理等。其中，分词处理为传统常规技术，在此不复赘述。步骤130，确定各个词语的词向量。在一个例子中，可以根据预定义的词与词向量对应表，来确定各个词语的词向量。上述预定义的词与词向量对应表用于记录多个词以及多个词对应的词向量。此处的词向量可以是用于表征词的向量，其可以包括若干个维度，能反映词与词之间实际的关系。常用的训练好的词向量有全局词向量表示(GlobalVectorsforWord，本文档来自技高网...

【技术保护点】
1.一种用户评论价值的评估方法，其特征在于，包括：获取待评估用户评论；将所述待评估用户评论输入多任务预测模型，以预测所述待评估用户评论的有价值评估值和无价值评估值；所述多任务预测模型是根据多条具有对应的有价值评估值和无价值评估值的用户评论样本，对神经网络进行训练后得到的；根据所述有价值评估值和无价值评估值，对所述待评估用户评论的价值进行评估。

【技术特征摘要】
1.一种用户评论价值的评估方法，其特征在于，包括：获取待评估用户评论；将所述待评估用户评论输入多任务预测模型，以预测所述待评估用户评论的有价值评估值和无价值评估值；所述多任务预测模型是根据多条具有对应的有价值评估值和无价值评估值的用户评论样本，对神经网络进行训练后得到的；根据所述有价值评估值和无价值评估值，对所述待评估用户评论的价值进行评估。2.根据权利要求1所述的方法，其特征在于，所述待评估用户评论的条数为多条，还包括：根据各条待评估用户评论的价值的评估结果，对所述各条待评估用户评论进行排序。3.根据权利要求1或2所述的方法，其特征在于，所述神经网络为卷积神经网络TextCNN。4.根据权利要求1所述的方法，其特征在于，所述根据所述有价值评估值和无价值评估值，对所述待评估用户评论的价值进行评估，包括：根据所述有价值评估值和所述无价值评估值，确定有价值评估值占比；根据所述有价值评估值占比，对所述待评估用户评论的价值进行评估。5.根据权利要求4所述的方法，其特征在于，所述根据所述有价值评估值和所述无价值评估值，确定有价值评估值占比，包括：根据如下公式确定所述有价值评估值占比：其中，C为所述有价值评估值占比，N0为所述有价值评估值，N1为所述无价值评估值，δ为常数。6.根据权利要求1所述的方法，其特征在于，所述用户评论样本的有价值评估值是根据认为该用户评论样本有价值或者有信息量的用户的个数P确定的；所述用户评论样本的无价值评估值是根据认为该用户评论样本无价值的用户的个数Q确定的；或者，所述用户评论样本的有价值评估值是根据P在总个数中的占比确定的；所述用户评论样本的无价值评估值是根据Q在总个数中的占比确定的；其中，所述总个数为P与Q之和，P，Q均...

【专利技术属性】
技术研发人员：陈岑，
申请(专利权)人：阿里巴巴集团控股有限公司，
类型：发明
国别省市：开曼群岛,KY