一种互联网反馈评论的生成方法及系统技术方案

本申请公开了一种互联网反馈评论的生成方法，获取用户的身份信息，将用户身份信息按预设分类关键词进行分类处理，获取用户的评论信息，将评论信息及用户身份信息进行切词得到评论搜索关键词及用户身份信息搜索关键词，将用户身份信息、评论信息与预设类别关键词及用户身份信息搜索关键词、评论搜索关键词进行对比，并将符合此关键词展示于该对应的关键词类别中，将分类后用户身份信息及评论信息进行统计，展示评论面板或其所发布内容的相关位置，根据统计信息可以进行搜索查询得到对应的用户、评论信息及发布内容，本发明专利技术回收难度简单，用户都是真实反映，可以保证真实性；由于是对整体用户的大数据分析，而非样本推测整体，分析的准确率高。

【技术实现步骤摘要】
一种互联网反馈评论的生成方法及系统
本专利技术涉及数据分析
，特别涉及一种互联网反馈评论的生成方法及系统。
技术介绍
随着今年来互联网、一点互联网的发展，营销从以产品为中心逐渐转换到以用户为中心，通过获取品牌的用户反馈及评论，一方面可以找到对于商家可以确定在用户心中的地位，另一方面便于用户更好的，更方便的，更快的了解到用户所感兴趣的东西，因此，如何保证口碑分析的真实性以及用户提现的便利性，提高分析结果的准确率和精确性成为了本领域技术人员的需求解决了问题。
技术实现思路
本申请提供了一种互联网反馈评论的生成方法及系统，与现有技术相比本专利技术以用户的互联网评论进行分析的口碑分析方法，用户的一切行为都是其自身偏好的真实反映，可以保证真实性，最后由于是对真实用户的大数据分析，而分样本推测整体，分析的准确率高。本申请提供了一种互联网反馈评论的生成方法，包括：获取用户的身份信息；将所述的用户身份信息按照预设分类关键词进行分类处理；获取用户在互联网上的评论信息；将所述的评论信息进行切词得到该本文档来自技高网...

【技术保护点】
1.一种互联网反馈评论的生成方法，其特征在于，包括：/n获取用户的身份信息；/n将所述的用户身份信息按照预设分类关键词进行分类处理；/n获取用户在互联网上的评论信息；/n将所述的评论信息进行切词得到该类评论信息的评论搜索关键词；/n将所述的用户身份信息进行切词得到该类用户身份信息的搜索关键词；/n将用户身份信息与预设类别搜索关键词对比，并将符合所述预设类别搜索关键词的用户及评论信息展示于预设类别搜索关键词类别中；/n将用户身份信息与用户身份信息搜索关键词进行对比，并将符合所述用户身份信息搜索关键词的用户及评论信息展示于用户身份信息搜索关键词的类别中；/n将评论信息与评论信息搜索关键词进行对比，...

【技术特征摘要】
1.一种互联网反馈评论的生成方法，其特征在于，包括：
获取用户的身份信息；
将所述的用户身份信息按照预设分类关键词进行分类处理；
获取用户在互联网上的评论信息；
将所述的评论信息进行切词得到该类评论信息的评论搜索关键词；
将所述的用户身份信息进行切词得到该类用户身份信息的搜索关键词；
将用户身份信息与预设类别搜索关键词对比，并将符合所述预设类别搜索关键词的用户及评论信息展示于预设类别搜索关键词类别中；
将用户身份信息与用户身份信息搜索关键词进行对比，并将符合所述用户身份信息搜索关键词的用户及评论信息展示于用户身份信息搜索关键词的类别中；
将评论信息与评论信息搜索关键词进行对比，并将符合所述评论信息搜索关键词的用户及评论信息展示于该评论信息搜索关键词的类别中；
将所述的分类后用户身份信息以及评论信息进行统计信息，并根据统计信息进行反馈、搜索。


2.如权利要求1所述的方法，其特征在于，在所述将所述评论信息进行切词得到该评论信息的评论词语信息之前还包括：
对所述评论信息进行清洗，去除所述评论信息中的杂质。


3.如权利要求1所述的方法，其特征在于，所述将用户身份信息基于预设的类别关键词分类处理步骤如下：
所述预设的类别关键词包括性别、年龄段、行业、星座、属相、教育程度、国籍/非国籍、所处地区等中的任一类或多类；
基于预设的类别将其用户身份信息进行统计并归纳其类别中。


4.如权利要求2所述的方法，其特征在于，所述杂质包括非用户生成内容评论信息。


5.如权利要求1所述的方法，其特征在于，所述统计信息包括：根据用户身份信息及评论信息统计得到的用户浏览量、用户点赞量以及用户评论信息量等一类或多类。


6.如权利要求1所述的方法，其特征在于：所述对身份信息按照预设分类关键词进行分类处理，包括如下步骤：
步骤A1，构建所述的用户身份信息数据，其过程如下：



其中，X为用户信息的总数据，x1代表特征年龄段，x2代表特征性别，xi代表行业等等，i代表每一个用户的特征数量，m代表做模型分类收集的用户的数量；
步骤A2，根据上述的用户身份信息的数据进行模型选取，其过程如下：
z1＝X*w1+b1



z2＝h1*w2+b2



其中，X代表用户身份信息总数据，w1模型第一层的参数，b1代表模型第一层的偏执，w2代表模型第二层的参数，b2代表模型第二层的偏执，z1代表线性变换后的用户身份信息数据，h1代表激活后的用户信息数据转成非线性预测用户身份信息类别，z2,h2与z1,h1相同，只不过把网络层数加深效果会更好；
步骤A3，根据上述模型选用的代价函数表达式如下：



其中，J代表损失，m代表模型分类收集的用户身份信息的数量，h2代表非线性模型预测的用户身份信息类别，y代表用户身份信息的真实类别；
步骤A4，根据上述步骤，对其模型进行训练步骤如下：












其中，m代表模型分类收集的用户身份信息的数量，T相当于对其矩阵进行转置操作，y代表用户身份信息的真实类别，h2代表非线性模型预测的用户身份信息类别，X代表用户身份信息总数据，h1代表激活后的用户信息数据转成非线性预测用户身份信息，dw1代表反向训练了过程反向传播第一层的参数，db1代表反向训练了过程反向传播第一层的偏执，dw2代表反向训练了过程反向传播第二层的参数，db2代表反向训练了过程反向传播第二层的偏执；
步骤A5，根据上述步骤进行一下参数更新，其步骤如下：
w1＝w1-α*dw1
b1＝b1-α*db1
w2＝w2-α*dw2
b2＝b2-α*db2
其中，dw1代表反向训练了过程反向传播第一层的参数，db1代表反向训练了过程反向传播第一层的偏执，dw2代表反向训练了过程反向传播第二层的参数，db2代表反向训练了过程反向传播第二层的偏执,α代表学习率一般初始设置为0.01，w1模型更新后的第一层的参数，b1代表更新后的模型第一层的偏执，w2...

【专利技术属性】
技术研发人员：郭庆涛，
申请(专利权)人：郭庆涛，
类型：发明
国别省市：北京;11