一种在线评分方法及其系统技术方案

本发明专利技术提供了一种在线评分方法，包括：对用户数据和商品数据进行预定义处理；输入一组原始评分数据；对所述原始评分数据进行转换以形成一组新评分数据；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；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。本发明专利技术还提供了一种在线评分系统。本发明专利技术提供的一种在线评分方法及其系统能有效提高排序算法的准确性。

【技术实现步骤摘要】

本专利技术涉及数据挖掘领域，尤其涉及一种在线评分方法及其系统。
技术介绍
在大数据时代如何从现有的大数据中提取有价值的信息，这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。但这也产生了很多不相关的在线商品，为了过滤掉这些不相关的商品，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Netflix等引进了所谓的在线评分系统。在这些在线评分系统里，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这些商品进行排序。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，但这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。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Netflix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)这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。基于这点的考虑，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，以提高排序算法的准确性。
技术实现思路
有鉴于此，本专利技术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以及排序算法的准确性较低的问题。本专利技术实施例是这样实现的，一种在线评分方法，包括：对用户数据和商品数据进行预定义处理；输入一组原始评分数据；对所述原始评分数据进行转换以形成一组新评分数据；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；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。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：标记用户数据以及标记商品数据，其中，将用户集标记为U，商品标记为O，用户i对商品α的评分标记为riα，用户i选择的商品集合标记为Oi，选择商品α的用户集合标记为Uα，用户i和商品α的度分别标记为ki和kα，用户i的信誉和商品α的质量分别标记为Ri和Qα。优选的，所述一组原始评分数据包括1、2、3、4以及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以形成一组新评分数据的步骤具体包括：将评分2和4分别转换成新评分R2和R4，其中，R2＝1+p1*2，R4＝3+p2*2，第一参数P1∈(0，1)，第二参数P2∈(0，1)，且调整P1和P2的步长为0.01；将1、R2、3、R4形成一组新评分数据。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：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p1和所述第二参数p2，并利用迭代方式直到达到稳态。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：在所述稳态下获取所述第一参数p1和所述第二参数p2的最佳值；根据所述第一参数p1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。另一方面，本专利技术还提供一种在线评分系统，包括：预处理模块，用于对用户数据和商品数据进行预定义处理；数据输入模块，用于输入一组原始评分数据；数据转换模块，用于对所述原始评分数据进行转换以形成一组新评分数据；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；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。优选的，所述预处理模块具体用于标记用户数据以及标记商品数据，其中，将用户集标记为U，商品标记为O，用户i对商品α的评分标记为riα，用户i选择的商品集合标记为Oi，选择商品α的用户集合标记为Uα，用户i和商品α的度分别标记为ki和kα，用户i的信誉和商品α的质量分别标记为Ri和Qα。优选的，所述一组原始评分数据包括1、2、3、4以及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*2，R4＝3+p2*2，第一参数P1∈(0，1)，第二参数P2∈(0，1)，且调整P1和P2的步长为0.01；以及将1、R2、3、R4形成一组新评分数据。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p1和所述第二参数p2，并利用迭代方式直到达到稳态。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p1和所述第二参数p2的最佳值，并根据所述第一参数p1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。在本专利技术实施例中，本专利技术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以及提高了排序算法的准确性。附图说明图1为本专利技术一实施方式中在线评分方法流程图；图2为本专利技术一实施方式中在线评分系统结构示意图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术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以解释本专利技术，并不用于限定本专利技术。本专利技术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：S11、对用户数据和商品数据进行预定义处理；S12、输入一组原始评分数据；S13、对所述原始评分数据进行转换以形成一组新评分数据；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本文档来自技高网...

【技术保护点】
一种在线评分方法，其特征在于，所述在线评分方法包括：对用户数据和商品数据进行预定义处理；输入一组原始评分数据；对所述原始评分数据进行转换以形成一组新评分数据；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；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。

【技术特征摘要】
1.一种在线评分方法，其特征在于，所述在线评分方法包括：
对用户数据和商品数据进行预定义处理；
输入一组原始评分数据；
对所述原始评分数据进行转换以形成一组新评分数据；
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；
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。
2.如权利要求1所述的在线评分方法，其特征在于，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：
标记用户数据以及标记商品数据，其中，将用户集标记为U，商品标记为O，用户i对商品
α的评分标记为riα，用户i选择的商品集合标记为Oi，选择商品α的用户集合标记为Uα，用户i
和商品α的度分别标记为ki和kα，用户i的信誉和商品α的质量分别标记为Ri和Qα。
3.如权利要求2所述的在线评分方法，其特征在于，所述一组原始评分数据包括1、2、3、
4以及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
换以形成一组新评分数据的步骤具体包括：
将评分2和4分别转换成新评分R2和R4，其中，R2＝1+p1*2，R4＝3+p2*2，第一参数P1∈(0，
1)，第二参数P2∈(0，1)，且调整P1和P2的步长为0.01；
将1、R2、3、R4形成一组新评分数据。
4.如权利要求3所述的在线评分方法，其特征在于，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：
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p1和所述第二参数p2，并利
用迭代方式直到达到稳态。
5.如权利要求4所述的在线评分方法，其特征在于，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：
在所述稳态下获取所述第一参数p1和所述第二参数p2的最佳值；
根...

【专利技术属性】
技术研发人员：廖好，沈婧，曾安，毛睿，王毅，许红龙，李荣华，刘刚，
申请(专利权)人：深圳大学，
类型：发明
国别省市：广东;44