【技术实现步骤摘要】
一种满意度评价方法、装置及电子设备
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。
技术介绍
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。
技术实现思路
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...
【技术保护点】
1.一种满意度评价方法，其特征在于，包括：/n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；/n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；/n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；/n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。/n
【技术特征摘要】
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，...
【专利技术属性】
技术研发人员：李国琪，
申请(专利权)人：杭州海康威视数字技术股份有限公司，
类型：发明
国别省市：浙江;33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。