System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及一种基于robert-cross的动态重要性绩效分析方法和装置,属于重要性绩效分析。
技术介绍
1、在竞争激烈的商业环境中,找出竞争优势与竞争劣势对商家至关重要。通过分析竞争优劣势,商家可以制定相应的策略以提高竞争力,从而增加盈利能力。因此能如何定量分析商家的竞争优劣势,是一个值得关注的问题。重要性绩效分析是一种商业分析技术,它通过获取重要性和得分两个数值将所有属性划分到四个象限,以确定竞争过程中的主要优势、次要优势、主要劣势及次要劣势,从而帮助管理人员分配有限的资源或者精力。市场境况复杂多变,只分析静态信息无法满足管理人员需求。
2、在实现本公开实施例的过程中,发现相关技术中至少存在如下问题:
3、传统的重要性绩效分析(ipa)方法主要依赖于调查方式获取数据,存在调查对象主观偏见、记忆误差等问题,影响了数据的准确性。本专利技术旨在解决这一问题,通过利用电子商务平台上的大量在线评论数据,提高数据的有效性和客观性,因为这些评论是消费者真实、客观的反馈。
4、并且传统调查方法需要投入大量时间、精力和资源,包括设计问卷、选取受访对象、收集数据、分析结果等。而在线评论数据是即时生成的,数量通常庞大,可以更高效地获取有关商品或服务的反馈信息。本专利技术旨在提高数据获取的效率,降低成本。
5、人工阅读在线评论费时费力,难以归纳、挖掘出全面的信息。通过引入深度学习情感分析技术,本专利技术旨在解决信息挖掘难度问题,从大量评论中提取出对商品或服务的有效信息。
>技术实现思路
1、本专利技术目的是提供了一种基于robert-cross的动态重要性绩效分析方法和装置,使用深度学习情感分析技术挖掘属性信息,减少了通过调查归纳获取属性数据的人工和时间成本,并且定量计算了属性情感倾向与在线评论总体情感倾向之间的关联性,可以客观、准确地反映属性的重要性。
2、本专利技术为实现上述目的,通过以下技术方案实现:
3、采集连续时间段内评论文本,并按照时间段划分为子集,划定每个子集中需要分析的各个属性,输入到训练好的roberta-cross模型中转化为各个属性的结构化数据;
4、将每个子集中各个属性的结构化数据转换为得分值;
5、通过互信息算法计算每个子集中各个属性的重要性,某一个属性与整体文本的情感倾向间的互信息越大该属性在整体的情感倾向中越重要;
6、将每个属性的重要性数值作为纵轴,每个属性的得分值作为横轴,绘制各个子集重要性绩效分析矩阵图;
7、分析重要性绩效分析矩阵图;若一个属性的位置始终处于一个固定象限,则该属性的得分和重要性并没有随时间发生显著变化;如果一个属性的位置从第一象限移动到第二象限,则该属性是重要的,属性得分随着时间的推移而下降,需要分配更多的资源来提高该属性的得分;若一个属性的位置从第三象限移动到第二象限,则对该属性的重视程度在提高,但是该属性的得分一直较低,需要更加关注该属性。
8、优选的,所述roberta-cross模型包括cross输入层、输入编码层、预训练模型roberta和全连接层;所述输入编码层包括vectorization层和positionembedding层、segmentembedding层、tokenembedding层。
9、优选的,所述预训练模型roberta由12层transformer模型组成。
10、优选的,将各个属性的结构化数据转换为得分值的具体方法如下:
11、将划定的属性表示为属性集,其中代表着在线文本中的第个属性,通过如下公式计算文本中各个属性的得分值:
12、,
13、其中,表示第条文本关于属性的情感倾向,表示第条文本关于属性的情感倾向对应的得分值,
14、根据计算各个属性的得分值,具体公式如下:
15、,
16、其中,为第个属性中不包含无关的在线评论数,表示第个属性的得分值。
17、优选的,通过互信息算法计算各个属性的重要性的具体公式如下:
18、,
19、其中,表示属性情感倾向和评论整体情感倾向的联合概率密度函数,与分别表示属性情感倾向和整体情感倾向的边际概率密度函数,表示第个属性的重要性。
20、优选的,所述绘制重要性绩效分析矩阵图中每个二维数据点表示每个属性,将同属性的点连线以表征该属性的动态过程。
21、本专利技术的优点在于:本专利技术的主要工作是将深度学习的情感分析方法与重要性绩效分析相关方法结合,从大量在线评论中分析商家在竞争市场中自身竞争因素的变化趋势。利用roberta情感分析模型,预测在线评论中各属性的情感倾向,定量计算了各属性的得分与重要性 ,为动态重要性绩效分析提供了一种新型计算、执行方式。
22、本专利技术基于在线评论使用深度学习情感分析技术挖掘属性信息,减少了通过调查归纳获取属性数据的人工和时间成本。并且使用互信息算法计算每个属性的重要性,该方法定量计算了属性情感倾向与在线评论总体情感倾向之间的关联性,可以客观、准确地反映属性的重要性。
本文档来自技高网...【技术保护点】
1.一种基于RoBERT-Cross的动态重要性绩效分析方法,其特征在于,包括:
2.根据权利要求1所述的基于RoBERT-Cross的动态重要性绩效分析方法,其特征在于,所述RoBERTa-Cross模型包括Cross输入层、输入编码层、预训练模型RoBERTa和全连接层;所述输入编码层包括Vectorization层和PositionEmbedding层、SegmentEmbedding层、TokenEmbedding层。
3.根据权利要求2所述的基于RoBERT-Cross的动态重要性绩效分析方法,其特征在于,所述预训练模型RoBERTa由12层Transformer模型组成。
4.根据权利要求1所述的基于RoBERT-Cross的动态重要性绩效分析方法,其特征在于,将各个属性的结构化数据转换为得分值的具体方法如下:
5.根据权利要求4所述的基于RoBERT-Cross的动态重要性绩效分析方法,其特征在于,通过互信息算法计算各个属性的重要性的具体公式如下:
6.根据权利要求1所述的基于RoBERT-Cross的动态
7.一种基于RoBERT-Cross的动态重要性绩效分析装置,包括处理器和存储有程序指令的存储器,其特征在于,所述处理器被配置为在运行所述程序指令时,执行如权利要求1至6任一项所述的基于RoBERT-Cross的动态重要性绩效分析方法。
8.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,该程序被处理器执行时实现如上述权利要求1-6任一项所述的方法。
...【技术特征摘要】
1.一种基于robert-cross的动态重要性绩效分析方法,其特征在于,包括:
2.根据权利要求1所述的基于robert-cross的动态重要性绩效分析方法,其特征在于,所述roberta-cross模型包括cross输入层、输入编码层、预训练模型roberta和全连接层;所述输入编码层包括vectorization层和positionembedding层、segmentembedding层、tokenembedding层。
3.根据权利要求2所述的基于robert-cross的动态重要性绩效分析方法,其特征在于,所述预训练模型roberta由12层transformer模型组成。
4.根据权利要求1所述的基于robert-cross的动态重要性绩效分析方法,其特征在于,将各个属性的结构化数据转换为得分值的具...
【专利技术属性】
技术研发人员:张峻铭,冯落落,李志芸,尹青山,
申请(专利权)人:山东新一代信息产业技术研究院有限公司,
类型:发明
国别省市:
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。