[发明专利]基于用户在线生成内容的产品提升策略获取方法和系统

权利要求书

1.一种基于用户在线生成内容的产品提升策略获取方法，其特征在于，所述方法由计算机执行，包括以下步骤：

S1、获取社交媒体上的在线产品评论文本，得到评论文本集合，基于所述评论文本集合获取产品特征词，对所述产品特征词进行归类，得到产品特征词集合；

S2、基于所述产品特征词集合和所述评论文本集合获取产品特征的满意度和产品特征的重要性；

S3、基于所述产品特征重要性和所述产品特征的满意度，构建Kano-IPA整合模型，对产品特征进行分类，基于预设的分类和产品提升策略之间的对应关系，获取产品提升策略。

2.如权利要求1所述的基于用户在线生成内容的产品提升策略获取方法，其特征在于，所述步骤S1具体包括：

S101、获取社交媒体上的在线产品评论文本，得到评论文本集合，将所述评论文本集合中评论文本的进行分词、词性标注，提取所述评论文本集合中的名词，所述评论文本集合中的每个评论文本中的名词构成一个项集；

S102、基于关联规则挖掘Apriori算法提取所述项集中的频繁1-项集、频繁2-项集，过滤不能组成短语的所述频繁2-项集和无关项集，得到初始产品特征词集合；

S103、基于所述初始产品特征词集合进行特征归类，计算产品特征词的语义相似度，进行产品特征词聚合，得到归类后的所述产品特征词集合。

3.如权利要求2所述的基于用户在线生成内容的产品提升策略获取方法，其特征在于，所述步骤S2具体包括：

S201、针对产品特征，调用jieba分词对所述评论文本集合进行分词，得到词语集合，对所述词语集合进行词频统计，使用Word2Vec将所述词语集合中词语转换为词向量矩阵；

S202、将所述词向量矩阵输入CNN-LSTM模型的CNN层中，通过卷积层的提取词向量的语义特征，通过K-Max池化层是将所述语义特征聚合，简化所述语义特征的表述，得到泛化后的特征向量矩阵；特征向量矩阵经过Dropout操作后进入LSTM层，进行情感倾向的预测，再经过全连接层和Softmax层输出0-1的连续数值X；统计产品特征的正面情感极性和负面情感极性数值，并计算其平均值，得到所述产品特征的满意度，具体计算公式如下：

其中：

Performance_jk表示产品中其中一个型号j下特征词k的满意度；

x_m表示全连接层输出节点输出的第m个节点的数值；

N_jk表示在评论文本集合中涉及特征词k的总评论文本数量；

S203、构建产品评论相关性对产品特征市场反应影响的有序选择模型，计算产品特征重要性，具体模型如下：

L_ki＝E(x_ki)

X_kij＝E(x_kij)

Z_kj＝ω₁L_ki+ω₂X_kij

其中：

参数表示在产品i下其中一个型号j的评论文本集合中涉及特征k的评论文本数量；

参数表示在产品i下其中一个型号j的评论文本集合中没有涉及特征k的评论文本数量；

参数表示在评论文本集合中，产品i下所有型号的评论文本中涉及特征k的评论文本数量，且

参数表示在评论文本集合中，产品i下所有型号的评论文本中没有涉及特征k的评论文本数量，且

L_kj为随机变量x_ki服从Beta分布的期望值；

X_kij为随机变量x_kij服从Beta分布的期望值；

Z_kj表示在评论文本集合中，特征k对其中一个型号j的重要性；

L_ki表示特征k对产品i的重要性；

X_kij表示在产品i中特征k对其中一个型号j的重要性；

ω₁为在评论文本集合中，特征k对产品i的重要性系数；

ω₂为在评论文本集合中，特征k对其中一个型号j的重要性系数。