一种基于贝叶斯网络的在线商品评价质量评估方法技术

本发明专利技术涉及一种基于贝叶斯网络的在线商品评价质量评估方法，属于在线商品评价及不确定性推理技术领域。本发明专利技术首先对在线商品评价数据进行规范化处理并确定在线商品评价质量度量衡量标准，得到特征值向量并构建特征值矩阵；进而获得贝叶斯网的图结构，并得到概率参数表集合；最后，对评价质量值进行概率推理，取最大概率权重值及对应的评价质量值，最终得到评价质量度量值，以同一商品的评价质量度量值构建评价质量度量值集合，根据评价质量度量值对同一商品的评价数据进行排序，得到评估结果。本发明专利技术可以为第三方平台提供重要的评价质量评估方法，并能以用户视角改善评论显示顺序，使得用户可以更便捷地查看高质量评论信息。

A method for evaluating the quality of online commodity evaluation based on Bayesian network

The invention relates to a method for evaluating the quality of online commodity evaluation based on Bayesian network. The invention of the first online commodity evaluation data are normalized and determine the quality of goods online evaluation metric, get the feature vector and construct the eigenvalue matrix; and then obtain the graph structure of Bayesian networks, and obtain the probability parameters set; finally, probability reasoning on quality evaluation value, taking the maximum probability weight value and quality the corresponding evaluation value, finally get the evaluation of the quality metrics, metrics evaluation quality metrics set to evaluate quality of the same goods, according to the evaluation of the quality metric evaluation data of the same goods in order, the evaluation result is obtained. The invention provides an important method for evaluating the quality of evaluation for the third party platform, and can improve the display order of the comments from the user perspective, so that the user can view the high quality comment information more conveniently.

【技术实现步骤摘要】

本专利技术涉及一种基于贝叶斯网络的在线商品评价质量评估方法，属于在线商品评价及不确定性推理

技术介绍
随着Web2.0的发展，网络社交领域发生了巨大的改变，进而对电子商务领域也产生了深远的影响。J.Roed(<ComputerAssistedLanGuaGeLearninG>16(2–3)(2003)155–172)指出，网络用户愿意披露自己的个人信息，并真实的展示他们的观点，而J.A.CheValier,D.Mayzlin(<JournalofMarketinGResearch)43(3)(2006)345–354)也指出用户观点对用户决策有很大的影响，在线商品评价对产品有着间接的口头营销作用。因此，网络用户提供的评价信息不仅促进着经济交流，也作为社交论坛，影响着用户消费行为。然而，随着电子商务领域的迅速发展，出现了在线商品评价信息数量大、评价质量参差不齐以及充斥着大量虚假评论等问题。对用户而言，在海量评价中找到有用信息愈加困难；尽管现在许多网站会以最近评价或有用投票展示评价信息，但若以最近评价排序将导致展示给用户的新评价信息质量不稳定，而若以有用投票展示评价信息，会因为新评价投票不足，而忽略高质量低投票的评价信息。这些问题都可以归结为评价质量的评估问题。因此一个客观的在线商品评价质量评估方法可以有效地解决评价的分类、排序与显示、垃圾评论等问题，以辅助用户了解商品的真实信息，做出正确的购买决策。目前，对评价质量有多种定义及评估方法：孟美任等(现代图书情报技术，2012(9)：60-66)采用人工标注的方法对评价质量进行分类训练，采用CRFs模型对评论可信度进行了四级分类，但这种人工标注的方法需要大负荷人工工作，也存在着训练样本不足，分类信息依赖于小部分人从而导致与大多数人观点相异等问题。当前，还有一部分研究使用支持向量机(SVM)来解决质量评估问题，但无法反映评价特征的依赖关系，对于多分类问题，精度仍显不足，并且组合起来较为复杂，也有研究使用回归分析评估评价质量，但其因素属推测，实际应用受限。而对于评价质量定义，目前定义方法也存在明显缺陷，TsurO,RappoportA(<ICWSM>,2009)以书评为例，认为好的书评应当就书的主题、情节等方面向读者提供充分的信息，以便他们做出适当的阅读或购买决定。类似地，林煜明,王晓玲等(<软件学报>,2014,25(3):506-527)则认为高质量的、有用的评论应定义为：能具体描述单品的特征/性能等信息，辅助潜在用户做出适当决策的评论。但这些定义方式过于概念性、主观性，导致评论质量难以量化，以此定义方式建立的模型不适合用户需求等问题。因此，应以用户视角分析评价质量的影响因素，选取可以量化的指标衡量评价质量，并且能够反映评价特征之间的依赖关系，给出评价质量类别置信的度模型对评价质量进行评估。张连文(《贝叶斯网引论》，2006)指出，贝叶斯网是一种概率网络，它是为了解决不定性和不完整性问题而提出的，是处理不确定性信息的重要工具。作为一种基于概率的不确定性推理方法，贝叶斯网络在处理不确定信息的智能化系统中已经得到了重要的应用，已成功地用于医疗诊断、统计决策、专家系统、学习预测等领域。这些成功的应用，充分体现了贝叶斯网络技术是一种强有力的不确定性推理方法。本专利技术以用户对评价信息的有用性投票为基础，提出运用概率图模型来解决评论质量的评估问题，利用贝叶斯网络分析影响评价质量特征依赖关系，使用推理机制评估评价质量，给出了评价质量置信度，为在线商品评价质量评估提供了新的思路和技术方法。
技术实现思路
本专利技术提供了一种基于贝叶斯网络的在线商品评价质量评估方法，以用于解决在不能以用户视角分析评价质量及其影响因素之间的依赖关系、评价质量难以量化且不能给出评价质量分类置信度问题，属于在线商品评价及不确定性推理领域。本专利技术的技术方案是：一种基于贝叶斯网络的在线商品评价质量评估方法，首先对在线商品评价数据进行规范化处理并确定在线商品评价质量度量衡量标准，得到特征值向量并构建特征值矩阵；进而根据特征值矩阵进行结构学习，获得贝叶斯网的图结构，并根据图结构进行贝叶斯网络参数学习，得到概率参数表集合；最后，对评价质量值进行概率推理，取最大概率权重值及对应的评价质量值，最终得到评价质量度量值，以同一商品的评价质量度量值构建评价质量度量值集合，根据评价质量度量值对同一商品的评价数据进行排序，得到评估结果。所述基于贝叶斯网络的在线商品评价质量评估方法的具体步骤如下：Step1、首先使用特征函数对在线商品评价数据中的含有有用性投票的评价信息进行规范化处理，再基于在线商品评价有用性投票的数量确定在线商品评价质量度量衡量标准，最终得到在线商品评价数据的特征值向量，并以在线商品评价数据的特征值向量构建特征值矩阵；Step2、基于在线商品评价数据的特征值矩阵，进行贝叶斯网络结构学习，得到贝叶斯网的图结构；并根据图结构进行贝叶斯网络参数学习，得到概率参数表集合，概率参数表集合与图结构构成贝叶斯网络；Step3、按Step1对在线商品评价数据中的缺乏有用性投票的评价信息进行规范化处理，并根据Step2所得贝叶斯网络的图结构与概率参数表集合使用贝叶斯网推理算法对评价质量值进行概率推理，取最大概率权重值及对应的评价质量值，最终得到评价质量度量值，以同一商品的评价质量度量值构建评价质量度量值集合；根据评价质量度量值对同一商品的评价数据进行排序，得到评估结果。所述步骤Step1的具体步骤为：Step1.1、在线商品评价数据是从电子商务网站获取的对商品的评价数据；一件商品包含不同或相同用户的多条评价数据，每条评价数据都包含对商品的文本评论、好评、中评或差评及评价时间、名称、价格等一组综合评价数据，其中每个分量都是一个特征，而文本评论还包含语法、语义等特征，使用特征函数集F＝(f1(Reviewi)，f2(Reviewi)，…，fn(Reviewi))对第i条原始评价数据Reviewi(i∈Z+)进行特定整数集映射，从而对原始评价数据进行规范化处理；fj(Reviewi)(1≤j≤n，i∈Z+)为某一评价特征函数，用以将评价的某特征映射至特定整数，n为评价特征数；所述步骤Step1.1中，特征函数集主要从以下维度分析，主要包括：评论语法维度：指的是各种词性的数量，如名词、动词、数词、副词、形容词的数量等；评论语义维度：反应评价中表示主观或客观性及情感特性的词，如表示程度的词、肯定或否定情感的词、观点词数等；评价的元维度：指的是评论信息中不可再分的特征，如评价中用户的评分、商品的平均得分、评论发表时间、是否促销、价格、用户所购得商品型号、评价图片状态、确认收货距评价时间、追加图片状态、确认收货距追加评价时间等；评论人维度：关于评价用户的特征，如是否匿名、评论人等级、购买数量等；Step1.2、评价质量用以衡量评价的有用性，其中：评价有用性其中i∈Z+；评价质量度量值Qualityi＝(Qi，Pi(Qi|Ei＝ei))，Qi＝g(Ratei)为评价质量类别，定义为评价质量值，Pi(Qi|Ei＝ei)为评价数据Reviewi(i∈Z+)在Qi类的概率，为概率权重值，g本文档来自技高网...

【技术保护点】
一种基于贝叶斯网络的在线商品评价质量评估方法，其特征在于：首先对在线商品评价数据进行规范化处理并确定在线商品评价质量度量衡量标准，得到特征值向量并构建特征值矩阵；进而根据特征值矩阵进行结构学习，获得贝叶斯网的图结构，并根据图结构进行贝叶斯网络参数学习，得到概率参数表集合；最后，对评价质量值进行概率推理，取最大概率权重值及对应的评价质量值，最终得到评价质量度量值，以同一商品的评价质量度量值构建评价质量度量值集合，根据评价质量度量值对同一商品的评价数据进行排序，得到评估结果。

【技术特征摘要】
1.一种基于贝叶斯网络的在线商品评价质量评估方法，其特征在于：首先对在线商品评价数据进行规范化处理并确定在线商品评价质量度量衡量标准，得到特征值向量并构建特征值矩阵；进而根据特征值矩阵进行结构学习，获得贝叶斯网的图结构，并根据图结构进行贝叶斯网络参数学习，得到概率参数表集合；最后，对评价质量值进行概率推理，取最大概率权重值及对应的评价质量值，最终得到评价质量度量值，以同一商品的评价质量度量值构建评价质量度量值集合，根据评价质量度量值对同一商品的评价数据进行排序，得到评估结果。2.根据权利要求1所述的基于贝叶斯网络的在线商品评价质量评估方法，其特征在于：所述基于贝叶斯网络的在线商品评价质量评估方法的具体步骤如下：Step1、首先使用特征函数对在线商品评价数据中的含有有用性投票的评价信息进行规范化处理，再基于在线商品评价有用性投票的数量确定在线商品评价质量度量衡量标准，最终得到在线商品评价数据的特征值向量，并以在线商品评价数据的特征值向量构建特征值矩阵；Step2、基于在线商品评价数据的特征值矩阵，进行贝叶斯网络结构学习，得到贝叶斯网的图结构；并根据图结构进行贝叶斯网络参数学习，得到概率参数表集合，概率参数表集合与图结构构成贝叶斯网络；Step3、按Step1对在线商品评价数据中的缺乏有用性投票的评价信息进行规范化处理，并根据Step2所得贝叶斯网络的图结构与概率参数表集合使用贝叶斯网推理算法对评价质量值进行概率推理，取最大概率权重值及对应的评价质量值，最终得到评价质量度量值，以同一商品的评价质量度量值构建评价质量度量值集合；根据评价质量度量值对同一商品的评价数据进行排序，得到评估结果。3.根据权利要求2所述的基于贝叶斯网络的在线商品评价质量评估方法，其特征在于：所述步骤Step1的具体步骤为：Step1.1、在线商品评价数据是从电子商务网站获取的对商品的评价数据；一件商品包含不同或相同用户的多条评价数据，每条评价数据都包含对商品的文本评论、好评、中评或差评及评价时间、名称、价格等一组综合评价数据，其中每个分量都是一个特征，而文本评论还包含语法、语义等特征，使用特征函数集F＝(f1(Reviewi)，f2(Reviewi)，…，fn(Reviewi))对第i条原始评价数据Reviewi(i∈Z+)进行特定整数集映射，从而对原始评价数据进行规范化处理；fj...

【专利技术属性】
技术研发人员：付晓东，丁东，刘骊，刘利军，冯勇，
申请(专利权)人：昆明理工大学，
类型：发明
国别省市：云南;53