一种商品服务文化附加值评估方法、装置和系统

技术领域

本发明涉及商品服务评估技术，特别地，涉及一种商品服务文化附加值评估方法、装置和系统。

背景技术

近年来，异质资源交易市场逐渐扩大，其相关的服务网络交易平台也不断涌现。目前，在异质资源服务交易平台中对其价值精准评估是提升平台交易活跃度的关键所在。影响异质资源服务价值的因素众多，不同类型的服务价值评估对应的计算模型也不同，如影视作品、文创产品、专利等资源评价标准的数据结构，与其相对应价值评估模型的接口都难以统一，也导致对价值的精准评估非常困难。互联网技术的快速发展引领了一股数字经济潮流。在新的时代背景下，文创产业逐渐走向数字化、智能化，带给人们不一样的文化体验。“数字”、“文化”和“平台”的有机融合衍生出一系列文创新形态和新业态，它们使得文创产品不再是简单的复现传统文化，而是通过数字技术去实现产品与不同文化的融通共生，让空洞而又呆板的文化符号“活”起来，为产品带来更多的文化附加价值。比如，网络文创博物馆打造了无数深入人心的“网红产品”：故宫口红吸粉无数，雍正御批胶带红遍网络......。

高文化附加值使文创产品不仅能满足消费者的精神文化需求，成为商家赢得消费者青睐的重要手段，还能创造独特的文化品牌形象。因此现有商品服务除了质量，其文化附加值也是影响商品服务消费的重要因素。但是和重量等因素不同，文化附加值现在只能通过人工评定。

发明内容

为了克服现有技术的不足，本发明提供一种商品服务文化附加值评估方法、装置和系统，以解决现有文化附加值只能通过人工评定的问题。

本发明解决其技术问题所采用的技术方案是：

第一方面，

一种商品服务文化附加值评估方法，包括以下步骤：

获取商品服务的评论数据；

根据所述评论数据得到所述商品服务的文化附加值特征词及其出现的频率；

根据所述特征词和所述频率计算得到所述商品服务文化附加值的报告。

进一步地，所述获取商品服务的评论数据包括：

接收用户上传的所述商品服务的评论数据；和/或,

通过网络爬虫获取所述商品服务的评论数据。

进一步地，根据所述评论数据得到所述商品服务的文化附加值特征词及其出现的频率为通过预训练的模型得到附加值特征词及其出现的频率；所述预训练的模型的训练步骤包括：

获取样本数据；

处理所述样本数据；

根据处理后的样本数据筛选得到特征词以及特征词所在的特征句；

获取人工标注的特征句；

根据所述标注后的特征句训练得到LSTM模型。

进一步地，所述处理所述样本数据包括：

删除默认评论数据以及多余的重复评论数据；所述默认评论数据为非人工评论的数据。

进一步地，所述根据处理后的样本数据筛选得到特征词以及特征词所在的特征句包括：

采用jieba分词器对处理后的样本数据进行分词处理；

使用TF-IDF算法提取关键词，用Counter库对关键词进行词频统计从而得到待定特征词；筛选所述待定特征词并进行分类和分级得到文化附加值特征词表；

将待定特征词并与所述特征词表进行比对；

将匹配到的特征词作为所述特征词所属句子的属性特征；使用StandfordNLP平台进行依存句式分析，得到每个句子的“属性特征-情感词-权重”，没有匹配到特征词的句子，提取其情感词并从“属性特征-情感词-权重”中得到权重最大的特征词作为所述句子的属性特征，并将所述特征词所属的句子作为特征句。

进一步地，所述获取人工标注的特征句包括。

对每个句子人工进行情感极性标注，正向情感记为1，负向情感记为-1，中性情感记为0。

进一步地，所述根据所述标注后的特征句训练得到LSTM模型包括：

设置训练集和测试集的比例；

多次测试后确定LSTM模型超参数得到LSTM模型。

进一步地，所述根据所述特征词和所述频率计算得到所述商品服务文化附加值的报告包括：

统计文化附加值特征词表中相关特征词的出现频率来作为指标赋权的依据，计算具体权重值，得到每个指标的分值作为文化附加值的报告；

其中，所述指标包括一级指标和二级指标；

所述一级指标为从个体层面、组织层面和社会层面三个维度被配置为：文化精神享受、文化品牌塑造和文化精神传承；

所述二级指标包括：文化产品的观赏性、文化产品的艺术性、文件品牌的知名度、文化品牌的忠诚度、文化的继承性和文化的传播性；

文化产品的观赏性和文化产品的艺术性属于文化精神享受；文件品牌的知名度和文化品牌的忠诚度属于文化品牌塑造；文化的继承性和文化的传播性属于文化精神传承。

第二方面，

一种商品服务文化附加值评估装置，包括：

评论数据获取模块，用于获取商品服务的评论数据；

特征词及频率获取模块，用于根据所述评论数据得到所述商品服务的文化附加值特征词及其出现的频率；

附加值报告获取模块，用于根据所述特征词和所述频率计算得到所述商品服务文化附加值的报告。

第三方面，

一种商品服务文化附加值评估系统，所述系统采用由服务支撑层和应用服务层构成的分层架构；在开发时采用前端与后端分离的方式进行；所述服务支撑层和应用服务层采用云存储的方式部署在基础设施层上；

所述应用服务层包括模型注册模块和价值评估模块；所述服务支撑层包括计算逻辑管控模块和用户数据库模块；

模型注册模块，用于支持用户上传或修改模型；当注册模型行为是增加或修改模型时，系统在服务模型库的模型信息存储库中增加或修改该模型的对应字段，并在模型文件存储库中原有地址上更新虚拟存储设备中的计算模型文件；

价值评估模块，用于接收用户上传的待评估数据并存入用户数据库模块中，通过调用计算逻辑管控模块中的模型计算功能来对该数据进行转换和预处理，使用服务价值模型库中相应类别的模型来对评测数据进行在线评估；并将评估结果以文件或报表的形式返回给前端界面，对用户提供展示和下载的服务；

计算逻辑管控模块，用于维护正在使用的应用服务列表，响应上层服务请求控制支撑层中模块的调度与执行，同时负责价值评估模块中服务价值模型计算；

用户数据库，用于在用户上传待评估数据时，下载到用户数据库中；由基础设施层中云存储虚拟设备临时开辟的用户数据缓存区中进行缓存，并为该待评估数据文件新建一个任务调度信息，加入到计算逻辑管控模块中的服务队列中等待处理；用户单次提交的价值评估任务所产生的模型计算结果也将录入用户数据库的计算结果缓存区的表中，留待上层模块对数据进行查询和访问；

基础设施层，通过资源监控，负载均衡，资源部署和安全管理云平台管理方法，对可弹性扩展的虚拟服务器、虚拟存储器和虚拟网络设备等虚拟资源进行管理。

本申请采用以上技术方案，至少具备以下有益效果：

本申请技术方案提供一种商品服务文化附加值评估方法、装置和系统，通过获取商品服务的评论数据，得到商品服务的文化附加值特征词及其出现的频率，并根据商品服务的文化附加值特征词及其出现的频率得到商品服务文化附加值的报告，无需人工手动评估，只需要提供评论数据就可以对商品服务的文化价值的进行精准评估。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的一种商品服务文化附加值评估方法流程图；

图2是本发明实施例提供的一种商品服务文化附加值评估方法详细流程图；

图3是本发明实施例提供的一种商品服务文化附加值评估装置结构示意图；

图4是本发明实施例提供的一种商品服务文化附加值评估系统结构示意图；

图5是本发明实施例提供的一种商品服务文化附加值评估系统前后端开发示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面结合附图和实施例对本发明的技术方案进行详细的描述说明。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式，都属于本申请所保护的范围。

参照图1，本发明实施例提供一种商品服务文化附加值评估方法，包括以下步骤：

获取商品服务的评论数据；

根据评论数据得到商品服务的文化附加值特征词及其出现的频率；

根据特征词和频率计算得到商品服务文化附加值的报告。

本发明实施例提供一种商品服务文化附加值评估方法，通过获取商品服务的评论数据，得到商品服务的文化附加值特征词及其出现的频率，并根据商品服务的文化附加值特征词及其出现的频率得到商品服务文化附加值的报告，无需人工手动评估，只需要提供评论数据就可以对商品服务的文化价值的进行精准评估。

作为对上述实施例的一种补充说明，获取商品服务的评论数据包括两种方式：接收用户上传的商品服务的评论数据；和/或,通过网络爬虫获取商品服务的评论数据。

作为对上述实施例的一种可选的实现方式，根据评论数据得到商品服务的文化附加值特征词及其出现的频率为通过预训练的模型得到附加值特征词及其出现的频率；预训练的模型的训练步骤包括：

获取样本数据；

处理样本数据；具体地，删除默认评论数据以及多余的重复评论数据；默认评论数据为非人工评论的数据。

根据处理后的样本数据筛选得到特征词以及特征词所在的特征句；具体地，采用jieba分词器对处理后的样本数据进行分词处理；使用TF-IDF算法提取关键词，用Counter库对关键词进行词频统计从而得到待定特征词；筛选待定特征词并进行分类和分级得到文化附加值特征词表；将待定特征词并与特征词表进行比对；将匹配到的特征词作为特征词所属句子的属性特征；使用StandfordNLP平台进行依存句式分析，得到每个句子的“属性特征-情感词-权重”，没有匹配到特征词的句子，提取其情感词并从“属性特征-情感词-权重”中得到权重最大的特征词作为句子的属性特征，并将特征词所属的句子作为特征句。

获取人工标注的特征句；具体地，对每个句子人工进行情感极性标注，正向情感记为1.负向情感记为-1，中性情感记为0。

根据标注后的特征句训练得到LSTM模型。通过对特征词和特征句人工进行情感标注之后，利用word2vec把文本数据转为词向量，使用LSTM模型对数据进行分析和训练，并将训练好的模型保存后以待对其他数据进行情感分析。具体地，设置训练集和测试集的比例；多次测试后确定LSTM模型超参数得到LSTM模型。

作为本发明实施例一种可选的实现方式，根据特征词和频率计算得到商品服务文化附加值的报告包括：

统计文化附加值特征词表中相关特征词的出现频率来作为指标赋权的依据，计算具体权重值，得到每个指标的分值作为文化附加值的报告；

其中，指标包括一级指标和二级指标；

一级指标为从个体层面、组织层面和社会层面三个维度被配置为：文化精神享受、文化品牌塑造和文化精神传承；

二级指标包括：文化产品的观赏性、文化产品的艺术性、文件品牌的知名度、文化品牌的忠诚度、文化的继承性和文化的传播性；

文化产品的观赏性和文化产品的艺术性属于文化精神享受；文件品牌的知名度和文化品牌的忠诚度属于文化品牌塑造；文化的继承性和文化的传播性属于文化精神传承。

为了更清楚的说明本申请实施方式，如图2所示，提供一种详细的实现方式，包括：

(1)数据获取与预处理

a)选择淘宝平台的“故宫博物院文创旗舰店”(简称“故宫淘宝”)作为实证样本来源。

b)通过网络爬虫爬取“故宫淘宝”店铺中销量较高的故宫口红、故宫折扇、故宫书签和故宫胶带这四种产品的产品名称、顾客评论以及产品颜色分类等数据。

c)对获取到的顾客评论进行如下筛选和处理：若是出现“此用户没有填写评论”、“评价方未及时做出评价，系统默认好评”等平台默认的评论，则去除评论缺省值；若出现重复数据则删除多余评论，仅留下一条有效数据。

(2)文本特征提取与模型训练

a)使用TF-IDF算法来从文本中筛选出对分类结果有较大影响的特征词

b)通过人工筛选的方式对候选特征词进行筛选，剔除掉无关特征词后并对其分级和分类，最终得到一个文化附加值特征词表

c)将jieba分词处理后的分词结果进行逐词遍历，并与表中的文化附加值特征词表进行比对，把匹配到的特征词作为该句评论的特征属性，同时将这句评论提取出来作为特征句。

d)对提取到的显式特征句使用StandfordNLP平台进行依存句式分析，将主导词作为特征词，其修饰词作为情感词，构建“属性特征-情感词”对，逐个进行分析并统计其出现的次数后得到“属性特征-情感词-权重”。对于没有出现特征词的主观句即隐式特征句，提取其情感词并从“属性特征-情感词-权重”中得到权重最大的特征词作为这个评论的属性特征，最后再提取对应的特征句。

e)针对上一步提取到的特征句，对每一个短句人工进行情感极性标注(正向情感记为1，负向情感记为-1，中性情感记为0)，然后将训练集和测试集的比例设置为4:1，利用训练集数据经过多次实验测试后确定LSTM模型的超参数。

f)通过统计文化附加值特征词表中相关特征词的出现频率来作为指标赋权的依据，计算具体权重值。

(3)接入在线评估系统上线使用

a)将训练好的模型整体流程封装，利用python-joblib包保存成单一文件，并将整体评估流程保存在后端模型库模块中。

b)将四个产品的评论测试数据上传到在线评估系统前端输入模块中，测试数据经ajax协议传送至后端相应路由中，经服务器模型计算模块对测试数据进行计算，对输出进行统计得到各个指标的情感值均值，将相应的结果记录在用户历史记录模块中并返回给前端展示。

一个实施例中，本发明实施例还提供一种商品服务文化附加值评估装置，如图3所示，包括：

评论数据获取模块31，用于获取商品服务的评论数据；具体地，评论数据获取模块接收用户上传的商品服务的评论数据；和/或,通过网络爬虫获取商品服务的评论数据。

特征词及频率获取模块32，用于根据评论数据得到商品服务的文化附加值特征词及其出现的频率；特征词及频率获取模块通过预训练的模型得到附加值特征词及其出现的频率；预训练的模型的训练步骤包括：

获取样本数据；处理样本数据；具体地，删除默认评论数据以及多余的重复评论数据；默认评论数据为非人工评论的数据。根据处理后的样本数据筛选得到特征词以及特征词所在的特征句；具体地，采用jieba分词器对处理后的样本数据进行分词处理；使用TF-IDF算法提取关键词作为待定特征词；筛选待定特征词并进行分类和分级得到文化附加值特征词表；将待定特征词并与特征词表进行比对；将匹配到的特征词作为特征词所属句子的属性特征；使用StandfordNLP平台进行依存句式分析，得到每个句子的“属性特征-情感词-权重”，没有匹配到特征词的句子，提取其情感词并从“属性特征-情感词-权重”中得到权重最大的特征词作为句子的属性特征，并将特征词所属的句子作为特征句。获取人工标注的特征句；具体地，对每个句子人工进行情感极性标注，正向情感记为1，负向情感记为-1，中性情感记为0。根据标注后的特征句训练得到LSTM模型。具体地，设置训练集和测试集的比例；多次测试后确定LSTM模型超参数得到LSTM模型。

附加值报告获取模块33，用于根据特征词和频率计算得到商品服务文化附加值的报告。具体地，附加值报告获取模块统计文化附加值特征词表中相关特征词的出现频率来作为指标赋权的依据，计算具体权重值，得到每个指标的分值作为文化附加值的报告；其中，指标包括一级指标和二级指标；

一级指标为从个体层面、组织层面和社会层面三个维度被配置为：文化精神享受、文化品牌塑造和文化精神传承；

二级指标包括：文化产品的观赏性、文化产品的艺术性、文件品牌的知名度、文化品牌的忠诚度、文化的继承性和文化的传播性；

文化产品的观赏性和文化产品的艺术性属于文化精神享受；文件品牌的知名度和文化品牌的忠诚度属于文化品牌塑造；文化的继承性和文化的传播性属于文化精神传承。

本发明实施例提供的利用了装置，一种基于LSTM的价值评估方法，对文创产品的文化附加值进行在线评估。该方法基于情感视角构建了文化附加值评估指标体系，提出了一种LSTM细粒度情感分析评估模型。运用jieba中文分词库、stanfordNLP平台实现TF-IDF算法、word2vec模型和依存句式分析等方法，提取评论数据中的关键词并构建文化附加值特征词表，并在此基础上对提取到的显/隐式特征句进行情感极性标注，最后使用LSTM模型对数据进行情感极性识别和情感学习训练。通过该装置能够快速得到商品服务的文化附加值。

一个实施例中，本发明还提供一种商品服务文化附加值评估系统，如图4所示，系统采用由服务支撑层42和应用服务层41构成的分层架构；在开发时采用前端与后端分离的方式进行，服务支撑层和应用服务层采用云存储的方式部署在基础设施层43上；

应用服务层包括模型注册模块411和价值评估模块412；服务支撑层包括计算逻辑管控模块421和用户数据库模块422；

模型注册模块，用于支持用户上传或修改模型；当注册模型行为是增加或修改模型时，系统在服务模型库的模型信息存储库中增加或修改该模型的对应字段，并在模型文件存储库中原有地址上更新虚拟存储设备中的计算模型文件；

价值评估模块，用于接收用户上传的待评估数据并存入用户数据库模块中，通过调用计算逻辑管控模块中的模型计算功能来对该数据进行转换和预处理，使用服务价值模型库中相应类别的模型来对评测数据进行在线评估；并将评估结果以文件或报表的形式返回给前端界面，对用户提供展示和下载的服务；

计算逻辑管控模块，用于维护正在使用的应用服务列表，响应上层服务请求控制支撑层中模块的调度与执行，同时负责价值评估模块中服务价值模型计算；

用户数据库，用于在用户上传待评估数据时，下载到用户数据库中；由基础设施层中云存储虚拟设备临时开辟的用户数据缓存区中进行缓存，并为该待评估数据文件新建一个任务调度信息，加入到计算逻辑管控模块中的服务队列中等待处理；用户单次提交的价值评估任务所产生的模型计算结果也将录入用户数据库的计算结果缓存区的表中，留待上层模块对数据进行查询和访问；

基础设施层，通过资源监控，负载均衡，资源部署和安全管理云平台管理方法，对可弹性扩展的虚拟服务器、虚拟存储器和虚拟网络设备等虚拟资源进行管理。

如图5所示，本发明实施例还提供了一种基于Flask框架与Vue.js框架搭建了一种前后端分离式的在线评估系统的示意图。

本发明实施例提供的基于Flask框架与Vue.js框架搭建的一种前后端分离式的在线评估系统，能够在线得到商品服务的文化附加值。同时前后端分离式开发，系统构建快。

可以理解的是，上述各实施例中相同或相似部分可以相互参考，在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。

需要说明的是，在本申请的描述中，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本申请的描述中，除非另有说明，“多个”的含义是指至少两个。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。

应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。

上述提到的存储介质可以是只读存储器，磁盘或光盘等。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。