1、用户评论分类 场景 用户评论能反映出用户对商品、服务的关注点和不满意点。评论从情感分析上可以分为正面与负面。细粒度上也可以将负面评论按照业务环节进行分类,便于定位哪个环节需要不断优化。 机器学习模型 主题聚类、词向量计算。传统的机器学习分类模型在评论分类上的精度表现一般,但基于语义的角度进行分类可以有效提高精度。即便如此,在语义类别描述的特征挖掘时,机器学习中的主题聚类、词向量挖掘技术也不可或缺。 2、搜索词的需求识别 场景 用户搜索行为是电商平台上用户购物的常用入口,是用户需求的强体现。将用户搜索词分别归一到具体的品类需求,这是对搜索词的需求分类。 机器学习模型 基于用户点击模型和文本语义关联的模型,在整个过程中应用到回归预测、文本分类等。 3、商品标签挖掘 场景 通常电商平台需要对商品的功能或风格加上直观的标签,便于用户查找。那么如何从海量的商品描述去挖掘标签并给商品打上合适的标签呢。 机器学习模型 聚类与分类技术能大幅减轻人工上的操作。先对商品描述文本预处理,然后进行标签主题聚类,找出标签主题的词分布概率作为特征库。再根据主题标签对应的词分布概率,利用机器学习分类模型去预测商品所属的标签。 4、商品咨询挖掘 场景 商品咨询可以体现用户对商品的需求点,有利于需求与服务精确定位。 机器学习模型 不管是咨询语料的特征词库挖掘,还是咨询短文本的意图识别,始终要以机器学习与自然语言处理技术作为基础。 另外,深度学习作为机器学习中的热门分支,不仅在图像和语音上有卓越的表现,在自然语言处理上也有应用亮点。 |
Powered by Discuz! X3.2 © 2001-2013 Comsenz Inc. 广州良师益友文化传播有限公司 ICP证:粤ICP备13026616号 增值电信业务经营许可证:粤B2-20140196