首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >【机器学习】机器学习在电商文本挖掘中的应用浅析

【机器学习】机器学习在电商文本挖掘中的应用浅析

作者头像
陆勤_数据人网
发布2018-02-27 11:07:31
1.8K0
发布2018-02-27 11:07:31
举报

电商平台中有海量的非结构化文本数据,如商品描述、用户评论、用户搜索词、用户咨询等。这些文本数据不仅反映了产品特性,也蕴含了用户的需求以及使用反馈。通过深度挖掘,可以精细化定位产品与服务的不足。下面描述了电商平台下机器学习在文本挖掘的应用例子。

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。

以用户的负面评论分类为例,浅析深度学习在自然语言处理上的应用。电商平台上,用户的负面评论的是千千万万细微而散落的点,但我们要将这些点聚集成若干个团,这是一个聚类问题。聚类处理后的点与团,如何直观的展示出来,这是个数据可视化问题。

如图所示,我们抽取负面评论中与业务环节相关的语料进行训练,用WORD2VECTOR生成词向量,再通过PCA降维,将高维词向量低维化,然后将词在二维图上展示出来。可以直观的看出物流、售后、促销环节是关注点。

本文参与 腾讯云自媒体分享计划,分享自微信公众号。
原始发表:2015-11-02,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 数据科学与人工智能 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体分享计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
相关产品与服务
NLP 服务
NLP 服务(Natural Language Process,NLP)深度整合了腾讯内部的 NLP 技术,提供多项智能文本处理和文本生成能力,包括词法分析、相似词召回、词相似度、句子相似度、文本润色、句子纠错、文本补全、句子生成等。满足各行业的文本智能需求。
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档