基于知识图谱的用户用车体验调研方法、系统和云服务器
阅读：861发布：2020-05-15
专利汇可以提供基于知识图谱的用户用车体验调研方法、系统和云服务器专利检索，专利查询，专利分析的服务。并且本 申请 提供一种基于知识图谱的用户用车体验调研方法、系统和 云 服务器 ，首先建立网络预测结构模型，接着将评分信息输入到所述网络预测结构模型判断模糊意图，并将所述评分信息输入到知识图谱 数据库 判断标准意图，比较所述模糊意图和所述标准意图，建立损失函数，根据所述损失函数调整所述网络预测结构模型的结构参数并更新至所述网络预测结构模型，以得到用于判断用户用车体验真实意图的分类器函数。本申请能够利用 算法 网络构建判断模型，而且能够根据实际情况不断修正判断模型的参数，从而能够自动获取评分，并根据评分智能识别出用户真实意图的有效信息，以便研发人员根据有效信息作出开发需求，从而使产品能够适应市场需求的发展趋势。，下面是基于知识图谱的用户用车体验调研方法、系统和云服务器专利的具体信息内容。
1.一种基于知识图谱的用户用车体验调研方法，其特征在于，所述用户用车体验调研方法包括步骤：
建立网络预测结构模型；
将用于表示用户用车体验的评分信息输入到所述网络预测结构模型，通过所述网络预测结构模型判断所述评分信息的模糊意图；
将所述评分信息输入到知识图谱数据库，利用所述知识图谱数据库判断所述评分信息的标准意图；
比较所述模糊意图和所述标准意图，根据所述标准意图建立所述评分信息的损失函数；
根据所述损失函数调整所述网络预测结构模型的结构参数，将调整的结构参数更新至所述网络预测结构模型，以得到期望的用于判断用户用车体验真实意图的分类器函数。
2.根据权利要求1所述的用户用车体验调研方法，其特征在于，所述将用于表示用户用车体验的评分信息输入到所述网络预测结构模型的步骤之前，还包括：
获取用户输入的初始文本；
利用词向量模型对所述初始文本进行句法/语义处理，以得到用于表示用户用车体验的所述评分信息。
3.根据权利要求2所述的用户用车体验调研方法，其特征在于，所述词向量模型为用于构建整份文件的word2vec神经网络。
4.根据权利要求3所述的用户用车体验调研方法，其特征在于，所述获取用户输入的初始文本，具体包括：
从用户交互的网页、测试数据库或者预设的大数据数据库中获取所述初始文本。
5.根据权利要求3所述的用户用车体验调研方法，其特征在于，所述建立网络预测结构模型的步骤，具体包括：
建立一具备Bidirectional RNN双向递归神经网络性能的网络预测结构模型。
6.根据权利要求5所述的用户用车体验调研方法，其特征在于，所述双向递归神经网络的结构包括timestep时间步和rnn_cell递归神经网络基本单元，所述知识图谱数据库采用neo4j图数据库。
7.根据权利要求5所述的用户用车体验调研方法，其特征在于，所述根据所述损失函数调整所述网络预测结构模型的结构参数的步骤，具体包括：
将所述损失函数进行最小化处理，以分析得到导致所述模糊意图和所述标准意图之间存在差异的函数参数；
根据所述函数参数调整所述网络预测结构模型的结构参数。
8.一种基于知识图谱的用户用车体验调研方法，其特征在于，所述用户用车体验调研方法采用根据权利要求1-7任一项所述的用户用车体验调研方法所构造的分类器函数，所述用户用车体验调研方法包括步骤：
在用户用车体验反馈信息中获取初始文本；
将所述初始文本输入到所述分类器函数，以分析得到用于表达用户用车体验的真实意图。
9.根据权利要求8所述的用户用车体验调研方法，其特征在于，所述在用户用车体验反馈信息中获取初始文本的步骤，具体包括：
利用文本挖掘技术在用户用车体验反馈信息中获取初始文本。
10.一种基于知识图谱的用户用车体验调研系统，其特征在于，所述用户用车体验调研系统配置有处理器，所述处理器用于执行程序数据，以实现根据权利要求1-9任一项所述的用户用车体验调研方法。
11.一种云服务器，其特征在于，所述云服务器配置有根据权利要求10所述的基于知识图谱的用户用车体验调研系统。
基于知识图谱的用户用车体验调研方法、系统和云服务器
技术领域
[0001] 本申请涉及数据调研技术领域，具体涉及一种基于知识图谱的用户用车体验调研方法，一种基于知识图谱的用户用车体验调研系统，以及配置所述基于知识图谱的用户用车体验调研系统的云服务器。
背景技术
[0002] 随着互联网发展的突飞猛进，人们逐渐从一个信息匮乏的时代进入到了一个信息过载的时代。信息爆炸式的增长使得网络中信息泛滥的问题变得极其严重，对于用户来说从海量数据中寻找到对自己有价值的数据便变得很困难，一些有用信息往往被淹没到信息的海洋中，成为孤岛信息。
[0003] 在汽车技术领域，研发人员在进行开发时，往往需要调查用户的满意度，根据用户的满意度进行针对性设计。但是，很多用户反馈的满意度，不是用户的真实意图，比如很多用户不希望花时间，所以在调查表格上随便打勾或者随便写一些评价。
[0004] 这些不是真实的用户体验，不仅对研发人员毫无帮助，而且会反过来影响研发的判断，导致做出与市场需求完全相反的产品，而严重影响后续的产品销售、甚至影响到公司的生死存亡。
发明内容
[0006] 本申请的目的在于，提供一种基于知识图谱的用户用车体验调研方法、系统和云服务器，能够利用算法网络构建判断模型，而且能够根据实际情况不断修正判断模型的参数，从而能够用于自动获取评分，并能根据评分进行智能识别出用户真实意图的有效信息，以便研发人员根据有效信息作出开发需求，从而使产品能够适应市场需求的发展趋势，提高公司的产品竞争力。
[0007] 为解决上述技术问题，本申请提供一种基于知识图谱的用户用车体验调研方法，作为其中一种实施方式，所述用户用车体验调研方法包括步骤：
[0008] 建立网络预测结构模型；
[0009] 将用于表示用户用车体验的评分信息输入到所述网络预测结构模型，通过所述网络预测结构模型判断所述评分信息的模糊意图；
[0010] 将所述评分信息输入到知识图谱数据库，利用所述知识图谱数据库判断所述评分信息的标准意图；
[0011] 比较所述模糊意图和所述标准意图，根据所述标准意图建立所述评分信息的损失函数；
[0012] 根据所述损失函数调整所述网络预测结构模型的结构参数，将调整的结构参数更新至所述网络预测结构模型，以得到期望的用于判断用户用车体验真实意图的分类器函数。
[0013] 作为其中一种实施方式，所述将用于表示用户用车体验的评分信息输入到所述网络预测结构模型的步骤之前，还包括：
[0014] 获取用户输入的初始文本；
[0015] 利用词向量模型对所述初始文本进行句法/语义处理，以得到用于表示用户用车体验的所述评分信息。
[0016] 作为其中一种实施方式，所述词向量模型为用于构建整份文件的word2vec神经网络。
[0017] 作为其中一种实施方式，所述获取用户输入的初始文本，具体包括：
[0018] 从用户交互的网页、测试数据库或者预设的大数据数据库中获取所述初始文本。
[0019] 作为其中一种实施方式，所述建立网络预测结构模型的步骤，具体包括：
[0021] 作为其中一种实施方式，所述双向递归神经网络的结构包括timestep时间步和rnn_cell递归神经网络基本单元，所述知识图谱数据库采用neo4j图数据库。
[0022] 作为其中一种实施方式，所述根据所述损失函数调整所述网络预测结构模型的结构参数的步骤，具体包括：
[0023] 将所述损失函数进行最小化处理，以分析得到导致所述模糊意图和所述标准意图之间存在差异的函数参数；
[0024] 根据所述函数参数调整所述网络预测结构模型的结构参数。
[0025] 为解决上述技术问题，本申请还提供一种基于知识图谱的用户用车体验调研方法，作为其中一种实施方式，所述用户用车体验调研方法采用上述的用户用车体验调研方法所构造的分类器函数，所述用户用车体验调研方法包括步骤：
[0026] 在用户用车体验反馈信息中获取初始文本；
[0027] 将所述初始文本输入到所述分类器函数，以分析得到用于表达用户用车体验的真实意图。
[0028] 作为其中一种实施方式，所述在用户用车体验反馈信息中获取初始文本的步骤，具体包括：
[0029] 利用文本挖掘技术在用户用车体验反馈信息中获取初始文本。
[0030] 为解决上述技术问题，本申请还提供一种基于知识图谱的用户用车体验调研系统，作为其中一种实施方式，所述用户用车体验调研系统配置有处理器，所述处理器用于执行程序数据，以实现上述的用户用车体验调研方法。
[0031] 为解决上述技术问题，本申请还提供一种云服务器，作为其中一种实施方式，所述云服务器配置有上述的基于知识图谱的用户用车体验调研系统。
[0032] 本申请基于知识图谱的用户用车体验调研方法、系统和云服务器，首先建立网络预测结构模型，接着将用于表示用户用车体验的评分信息输入到所述网络预测结构模型，通过所述网络预测结构模型判断所述评分信息的模糊意图，并将所述评分信息输入到知识图谱数据库，利用所述知识图谱数据库判断所述评分信息的标准意图，然后比较所述模糊意图和所述标准意图，根据所述标准意图建立所述评分信息的损失函数，根据所述损失函数调整所述网络预测结构模型的结构参数，将调整的结构参数更新至所述网络预测结构模型，以得到期望的用于判断用户用车体验真实意图的分类器函数。本申请能够利用算法网络构建判断模型，而且能够根据实际情况不断修正判断模型的参数，从而能够用于自动获取评分，并能根据评分进行智能识别出用户真实意图的有效信息，以便研发人员根据有效信息作出开发需求，从而使产品能够适应市场需求的发展趋势，提高公司的产品竞争力。
[0033] 上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其他目的、特征和优点能够更明显易懂，以下特举较佳实施例，并配合附图,详细说明如下。
附图说明
[0034] 图1为本申请用户用车体验调研方法一实施方式的流程示意图。
[0035] 图2为本申请用户用车体验调研方法另一实施方式的流程示意图。
[0036] 图3为本申请用户用车体验调研系统一实施方式的结构示意图。
具体实施方式
[0037] 为更进一步阐述本申请为达成预定申请目的所采取的技术手段及功效,以下结合附图及较佳实施例，对本申请详细说明如下。
[0038] 通过具体实施方式的说明,当可对本申请为达成预定目的所采取的技术手段及效果得以更加深入且具体的了解，然而所附图式仅是提供参考与说明之用,并非用来对本申请加以限制。
[0039] 请参阅图1，图1为本申请用户用车体验调研方法一实施方式的流程示意图。
[0040] 作为其中一种实施方式，本申请所述用户用车体验调研方法可以包括但不限于如下几个步骤。
[0041] 步骤S101，建立网络预测结构模型；
[0042] 步骤S102，将用于表示用户用车体验的评分信息输入到所述网络预测结构模型，通过所述网络预测结构模型判断所述评分信息的模糊意图；
[0043] 步骤S103，将所述评分信息输入到知识图谱数据库，利用所述知识图谱数据库判断所述评分信息的标准意图；
[0044] 步骤S104，比较所述模糊意图和所述标准意图，根据所述标准意图建立所述评分信息的损失函数；
[0045] 步骤S105，根据所述损失函数调整所述网络预测结构模型的结构参数，将调整的结构参数更新至所述网络预测结构模型，以得到期望的用于判断用户用车体验真实意图的分类器函数。
[0046] 需要说明的是，本实施方式所述将用于表示用户用车体验的评分信息输入到所述网络预测结构模型的步骤之前，还可以包括：获取用户输入的初始文本；利用词向量模型对所述初始文本进行句法/语义处理，以得到用于表示用户用车体验的所述评分信息。
[0047] 具体而言，本实施方式所述词向量模型为用于构建整份文件的word2vec神经网络。
[0048] 值得一提的是，本实施方式所述word2vec神经网络，具体可以为一群用来产生词向量的相关模型，这些相关模型为浅而双层的神经网络，用来训练以重新建构语言学之词文本。在实现过程中，可以猜测相邻位置的输入词，在word2vec中词袋模型假设下，词的顺序并不重要，且在训练完成之后，本实施方式word2vec模型可用于映射每个词到一个向量，并可用于表示词对词之间的关系。
[0049] 需要说明的是，本实施方式所述获取用户输入的初始文本，具体可以包括：从用户交互的网页、测试数据库或者预设的大数据数据库中获取所述初始文本。
[0050] 不难理解的是，本实施方式交互的网页，可以为用户留言反馈、评价的专用网页，也可以为各种聊天软件的评论网页，比如朋友圈等等。所述测试数据库，可以为专门用于建立模型进行测试使用的随机数据库，其内容可以从各种网页上进行获取。
[0051] 需要说明的是，本实施方式所述建立网络预测结构模型的步骤，具体可以包括：建立一具备Bidirectional RNN双向递归神经网络性能的网络预测结构模型。
[0052] 具体而言，所述双向递归神经网络的结构包括timestep时间步和rnn_cell递归神经网络基本单元，所述知识图谱数据库采用neo4j图数据库。
[0053] 值得一提的是，本实施方式所述的neo4j图数据库，可以为由Java语言和Scala多范式编程语言写成的一个NoSql(非关系型)数据库，专门用于网络图的存储。通过这种方式，本实施方式可以进行快速的数据库操作，而且数据更直观、更灵活。
[0054] 本实施方式所述的neo4j图数据库可以采用特殊的数据存储结构和专门优化的图算法。
[0055] 需要说明的是，本实施方式所述根据所述损失函数调整所述网络预测结构模型的结构参数的步骤，具体可以包括：将所述损失函数进行最小化处理，以分析得到导致所述模糊意图和所述标准意图之间存在差异的函数参数；根据所述函数参数调整所述网络预测结构模型的结构参数。
[0056] 本申请能够利用算法网络构建判断模型，而且能够根据实际情况不断修正判断模型的参数，从而能够用于自动获取评分，并能根据评分进行智能识别出用户真实意图的有效信息，以便研发人员根据有效信息作出开发需求，从而使产品能够适应市场需求的发展趋势，提高公司的产品竞争力。
[0057] 请接着图1参阅图2，图2为本申请用户用车体验调研方法另一实施方式的流程示意图。
[0058] 需要特别说明的是，本实施方式所述用户用车体验调研方法采用上述图1及其实施方式所涉及的用户用车体验调研方法所构造的分类器函数，本实施方式所述用户用车体验调研方法可以包括步骤。
[0059] 步骤S201，在用户用车体验反馈信息中获取初始文本；
[0060] 步骤S202，将所述初始文本输入到所述分类器函数，以分析得到用于表达用户用车体验的真实意图。
[0061] 进一步而言，本实施方式所述在用户用车体验反馈信息中获取初始文本的步骤，具体可以包括：利用文本挖掘技术在用户用车体验反馈信息中获取初始文本。
[0062] 举例而言，本实施方式文本挖掘技术的处理过程可以包括如下过程。
[0063] 1.1：创建标签反馈信息库：
[0064] 1.1.1：抽取反馈信息样本，对样本进行清洗，清洗掉音频、视频、图片和残缺反馈信息、乱码、非法字符；
[0065] 1.1.2：根据标签定义库人工分类；
[0066] 1.1.3：对样本同时进行动态聚类和模糊聚类，设置簇参数；
[0067] 1.1.4：依次进行语义分析、簇特征分析、修正簇参数和密度降噪处理，得出噪音值M；
[0068] 1.1.5：将噪音值M与阈值a作比较，如果噪音值M小于阈值a，则跳转至步骤1.1.6，如果噪音值M大于或等于阈值a，则跳转至步骤1.1.3；
[0069] 1.1.6：再依次进行模型聚类、语义分析、类特征分析、修正类参数和密度降噪处理，得出噪音值N；
[0070] 1.1.7：将噪音值N与阈值a作比较，如果噪音值N小于阈值a，则跳转至步骤1.1.8，如果噪音值N大于或等于阈值a，则进行修正标签定义库后跳转至步骤1.1.6；
[0071] 1.1.8：进行模型分类形成标签反馈信息库；
[0072] 1.2：创建特征反馈信息库：
[0073] 1.2.1：对标签反馈信息库依次进行样本词频分析、语义分析；
[0074] 1.2.2：进行高词频分类；
[0075] 1.2.3：创建特征词与标签定义库的映射模型，形成特征反馈信息库；
[0076] 1.3：反馈信息库更新维护：
[0077] 1.3.1：抽取全量已分类反馈信息样本；
[0078] 1.3.2：依次进行词频分析、语义分析、密度降噪处理和清洗噪音数据，样本分类，更新标签反馈信息库或者特征反馈信息库；
[0079] 1.3.3：搜集新增标签，抽取带新增标签反馈信息样本，进入步骤1.1，清洗噪音数据，样本分类，更新标签反馈信息库；
[0080] (2)获取用户用车体验反馈信息集合：
[0081] 2.1：抽取线上线下用户全量历史反馈信息样本，对样本进行清洗，清洗掉视频、音频和图片；
[0082] 2.2：对样本进行动态聚类和模糊聚类同步处理，再依次进行词频分析、语义分析、类特征分析、修正类参数和密度降噪处理，得出噪音值A；
[0083] 2.3：将噪音值A与阈值a作比较，如果噪音值A小于阈值a，则跳转至步骤2.4，如果噪音值A大于或等于阈值a，则跳转至步骤2.2；
[0084] 2.4：再依次进行模型聚类、语义分析、类特征分析和密度降噪处理，得出噪音值B；
[0085] 2.5：将噪音值B与阈值a作比较，如果噪音值B小于阈值a，则跳转至步骤2.6，如果噪音值B大于或等于阈值a，则进行修正类参数处理后跳转至步骤2.4；
[0086] 2.6：进行模型分类形成用户用车体验反馈信息集合；
[0087] 上述过程中，阈值a可以根据业务需要进行调整；上述过程中涉及下述词语的定义如下：
[0088] 标签定义库：由一类自定义标签形成的类库，每一个标签均指向同一类属性的事物，不同类标签之间有明显特征区别，遵循高聚类、低耦合的原则；
[0089] 簇参数：用聚类算法进行聚类时，根据标签定义库的标签种类数量及反馈信息的相似度人为设定的一个组类数量，同组类的样本相似度较高，异组类的样本相似度较低，聚类时以此参数作为分组的依据，并通过人工监督的方式不断调整该参数，以达到与标签定义库最佳匹配的目的；
[0090] 语义分析：第一，人工分析：对样本进行聚类后，通过人工抽样的方式，对样本进行人工理解，判断样本之间的相似度的过程，同时作为簇参数的修改依据；第二，机器分析：对样本进行分类时，通过与反馈信息库的匹配算法，对样本进行分类的过程，同时作为反馈信息库修正的依据；
[0091] 簇特征分析：通过语义分析，利用提取主特征的算法，对已聚类的簇进行特征提取和标识的过程；
[0092] 修正簇参数：在构建反馈信息库时，对样本进行第一次聚类后，通过人工监督学习的方式，利用簇特征分析，调整聚类的组类数量以达到与标签定义库的最佳匹配，这个调整组类数量的过程即为修正簇参数；
[0093] 密度降噪处理：在簇特征分析过程中，需要对数据进行噪音处理，将主特征散点分布图中距离较远的点去掉，以形成可反应主特征的类别集合，这个去除噪音点的过程，即为密度降噪处理；
[0094] 类特征分析：经过第一次簇降噪，对降噪后的类别集合进行特征提取和标识的过程；
[0095] 修正类参数：在构建反馈信息库时，对样本进行第二次聚类后，通过人工监督学习的方式，利用类特征分析，调整聚类的组类数量以达到与标签定义库的最佳匹配，这个调整组类数量的过程即为修正类参数；
[0096] 修正标签定义库：在第二次聚类的过程中，由于已经进行过一次降噪处理，样本分类模型已初步满足高聚类、低耦合的原则，再基于此模型进行第二次降噪处理后，基本可以达到业务要求，此时的分类模型已经确定，需要通过调整标签定义库来达到与分类的最佳匹配，此调整过程即为修正标签定义库；
[0097] 基于模型分类：经过两次降噪处理后，形成一个基于样本的分类模型，作为冷启动的修正算法，再对需要分类的样本基于该模型进行分类的过程；
[0098] 动态聚类：按照限定类别去发现符合类别的样本词汇；
[0099] 模糊聚类：按照样本词汇语义模糊归属类别；
[0100] 模型聚类：先假设一个类别，再去发现符合类别的样本词汇，将给定类别和样本词汇达到最佳拟合。
[0101] 请接着参阅图3，图3为本申请用户用车体验调研系统一实施方式的结构示意图。
[0102] 需要说明的是，本实施方式所述用户用车体验调研系统配置有处理器31，所述处理器31用于执行程序数据，以实现上述的用户用车体验调研方法。
[0103] 具体而言，所述处理器31用于建立网络预测结构模型；
[0104] 所述处理器31用于将用于表示用户用车体验的评分信息输入到所述网络预测结构模型，通过所述网络预测结构模型判断所述评分信息的模糊意图；
[0105] 所述处理器31用于将所述评分信息输入到知识图谱数据库，利用所述知识图谱数据库判断所述评分信息的标准意图；
[0106] 所述处理器31用于比较所述模糊意图和所述标准意图，根据所述标准意图建立所述评分信息的损失函数；
[0107] 所述处理器31用于根据所述损失函数调整所述网络预测结构模型的结构参数，将调整的结构参数更新至所述网络预测结构模型，以得到期望的用于判断用户用车体验真实意图的分类器函数。
[0108] 需要说明的是，本实施方式所述处理器31还可以用于获取用户输入的初始文本；利用词向量模型对所述初始文本进行句法/语义处理，以得到用于表示用户用车体验的所述评分信息。
[0109] 具体而言，本实施方式所述词向量模型为用于构建整份文件的word2vec神经网络。
[0110] 值得一提的是，本实施方式所述word2vec神经网络，具体可以为一群用来产生词向量的相关模型，这些相关模型为浅而双层的神经网络，用来训练以重新建构语言学之词文本。在实现过程中，可以猜测相邻位置的输入词，在word2vec中词袋模型假设下，词的顺序并不重要，且在训练完成之后，本实施方式word2vec模型可用于映射每个词到一个向量，并可用于表示词对词之间的关系。
[0111] 需要说明的是，本实施方式所述处理器31具体可以用于从用户交互的网页、测试数据库或者预设的大数据数据库中获取所述初始文本。
[0112] 不难理解的是，本实施方式交互的网页，可以为用户留言反馈、评价的专用网页，也可以为各种聊天软件的评论网页，比如朋友圈等等。所述测试数据库，可以为专门用于建立模型进行测试使用的随机数据库，其内容可以从各种网页上进行获取。
[0113] 需要说明的是，本实施方式所述网络预测结构模型具体可以为一具备Bidirectional RNN双向递归神经网络性能的网络预测结构模型。
[0114] 具体而言，所述双向递归神经网络的结构包括timestep时间步和rnn_cell递归神经网络基本单元，所述知识图谱数据库采用neo4j图数据库。
[0115] 值得一提的是，本实施方式所述的neo4j图数据库，可以为由Java语言和Scala多范式编程语言写成的一个NoSql(非关系型)数据库，专门用于网络图的存储。通过这种方式，本实施方式可以进行快速的数据库操作，而且数据更直观、更灵活。
[0116] 本实施方式所述的neo4j图数据库可以采用特殊的数据存储结构和专门优化的图算法。
[0117] 需要说明的是，本实施方式所述处理器31具体可以用于将所述损失函数进行最小化处理，以分析得到导致所述模糊意图和所述标准意图之间存在差异的函数参数；根据所述函数参数调整所述网络预测结构模型的结构参数。
[0118] 本实施方式中，所述处理器31用于在用户用车体验反馈信息中获取初始文本；
[0119] 所述处理器31用于将所述初始文本输入到所述分类器函数，以分析得到用于表达用户用车体验的真实意图。
[0120] 进一步而言，本实施方式所述处理器31具体可以用于利用文本挖掘技术在用户用车体验反馈信息中获取初始文本。
[0121] 为解决上述技术问题，本申请还提供一种云服务器，作为其中一种实施方式，所述云服务器配置有上述图3及其实施方式所述的基于知识图谱的用户用车体验调研系统。
[0122] 本申请能够利用算法网络构建判断模型，而且能够根据实际情况不断修正判断模型的参数，从而能够用于自动获取评分，并能根据评分进行智能识别出用户真实意图的有效信息，以便研发人员根据有效信息作出开发需求，从而使产品能够适应市场需求的发展趋势，提高公司的产品竞争力。
[0123] 下面结合本申请的一具体应用例进行简单说明。
[0124] 图1及其实施方式所述的训练阶段：
[0125] 1.输入多条文本评论的评分信息；
[0126] 2.利用word2vec进行分词处理；
[0127] 3.定义Bi_RNN(双向递归神经网络)，其结构包括timestep和rnn_cell；
[0128] 4.通过所述网络预测结构模型得到分类结果的模糊意图，比如包括满意、不满意、一般；
[0129] 5.与知识图谱数据库判断所述评分信息的标准意图比较，建立信息损失函数，其中知识图谱数据库为标注真假作为知识参考；
[0130] 6.最小化损失函数，不断调整所述网络预测结构模型的结构参数[0131] 7.拟合出分类器函数F。
[0132] 接着在图2及其实施方式的预测阶段：
[0133] 1.输入任一条用户用车体验反馈信息的初始文本到分类器函数F；
[0134] 2.得到预测分类：包括不满意、满意或一般等。
[0135] 需要补充说明的是，本实施方式需要预先构建具有判断满意度真实性的知识图谱数据库；所述用户用车体验的满意度调研，可以理解为客户对服务或者商品的满意评价，真实反应商品的满意度。
[0136] 在本实施方式中，所述真实意图，可以理解为用户的意图是否真实存在，并排除恶意或者刷记录的虚假意图(影响因素)。
[0137] 本申请能够利用算法网络构建判断模型，而且能够根据实际情况不断修正判断模型的参数，从而能够用于自动获取评分，并能根据评分进行智能识别出用户真实意图的有效信息，以便研发人员根据有效信息作出开发需求，从而使产品能够适应市场需求的发展趋势，提高公司的产品竞争力。
[0138] 以上所述，仅是本申请的较佳实施例而已，并非对本申请作任何形式上的限制，虽然本申请已以较佳实施例揭露如上，然而并非用以限定本申请,任何熟悉本专业的技术人员，在不脱离本申请技术方案范围内,当可利用上述揭示的技术内容作出些许更动或修饰为等同变化的等效实施例,但凡是未脱离本申请技术方案内容，依据本申请的技术实质对以上实施例所作的任何简单修改、等同变化与修饰,均仍属于本申请技术方案的范围内。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种对大气污染物浓度的预测调控方法及系统 | 2020-05-08 | 540 |
| 基于知识图谱的用户用车体验调研方法、系统和云服务器 | 2020-05-15 | 861 |
| 一种基于大数据的产业链分析系统及方法 | 2020-05-08 | 445 |
| 用于对电梯系统进行健康监测的就地系统 | 2020-05-11 | 934 |
| 人脸关键点定位方法及装置 | 2020-05-14 | 949 |
| 一种基于多种实体注意力和改进预训练语言模型的药物间关系抽取方法 | 2020-05-11 | 936 |
| 一种基于深度学习的DDOS检测方法 | 2020-05-12 | 72 |
| 一种基于细胞神经网络的图像多尺度特征提取方法 | 2020-05-12 | 460 |
| 考虑气象因素的精细化短期负荷预测方法、装置及介质 | 2020-05-12 | 734 |
| 一种设置空调参数的方法和装置 | 2020-05-15 | 928 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
QQ群二维码
意见反馈
意见反馈