CN111340531A - 一种实现品***的方法、装置、计算机存储介质及终端 - Google Patents
一种实现品***的方法、装置、计算机存储介质及终端 Download PDFInfo
- Publication number
- CN111340531A CN111340531A CN202010099087.8A CN202010099087A CN111340531A CN 111340531 A CN111340531 A CN 111340531A CN 202010099087 A CN202010099087 A CN 202010099087A CN 111340531 A CN111340531 A CN 111340531A
- Authority
- CN
- China
- Prior art keywords
- brand
- positive
- emotion
- platform
- information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Databases & Information Systems (AREA)
- Finance (AREA)
- Theoretical Computer Science (AREA)
- Accounting & Taxation (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
一种实现品***的方法、装置、计算机存储介质及终端,包括:从社交舆情数据中获取待分析品牌的品牌相关信息;根据获取的品牌相关信息,确定待分析品牌的喜爱度信息。其中,所述品牌相关信息包括品牌的以下一项或任意组合的信息:声量、互动量和情感正负面数据。本发明实施例通过社交舆情数据实现了喜爱度信息的分析,提升了喜爱度信息的分析效率和准确度。
Description
技术领域
本文涉及但不限于信息分析技术,尤指一种实现品***的方法、装置、计算机存储介质及终端。
背景技术
喜爱度(又称为品牌热爱(brand love))反映消费者对品牌的喜爱程度,是品牌健康度的一个重要指标。目前,喜爱度的确定主要采用问卷调研的方式进行;问卷调研时效性低,调研范围有限,无法获得全面准确的分析结果。随着小众品牌的发展,如何对小众品牌的喜爱度信息进行有效监测,成为一个有待解决的技术问题。
发明内容
以下是对本文详细描述的主题的概述。本概述并非是为了限制权利要求的保护范围。
本发明实施例提供一种实现品***的方法、装置、计算机存储介质及终端,能够提升喜爱度信息的分析效率和准确度。
本发明实施例提供了一种实现品***的方法,包括:
从社交舆情数据中获取待分析品牌的品牌相关信息;
根据获取的品牌相关信息,确定待分析品牌的喜爱度信息;
其中,所述品牌相关信息包括品牌的以下一项或任意组合的信息:声量、互动量和情感正负面数据。
在一种示例性实施例中,所述确定待分析品牌的喜爱度信息,包括:
转换所述待分析品牌的每一种品牌相关信息为相应的指数信息;
将预设的指数加权系数与对应的各指数信息相乘后,累加获得所述喜爱度信息。
在一种示例性实施例中,所述品牌相关信息包括互动量时,所述转换待分析品牌的每一种品牌相关信息为相应的指数信息,包括:
通过以下公式计算所述待分析品牌在每一个平台的互动量的指数信息Y1:
Y1=100+(X1-AVERAGE1)/(MAX1–MIN1)*100;
将预设的各平台第一平台加权系数与对应的互动量的指数信息相乘后,累加获得所述待分析品牌的互动量的指数信息;
其中,所述X1为待分析品牌在平台的互动量数值;所述AVERAGE1为平台内两个或两个以上品牌的互动量数值的平均值;所述MAX1为平台内两个或两个以上品牌中互动量数值的最大值;所述MIN1为平台内两个或两个以上品牌中互动量数值的最小值。
在一种示例性实施例中,所述品牌相关信息包括声量时,所述转换待分析品牌的每一种品牌相关信息为相应的指数信息,包括:
通过以下公式计算所述待分析品牌在每一个平台的声量的指数信息Y2:
Y2=100+(X2-AVERAGE2)/(MAX2–MIN2)*100;
将预设的第二平台加权系数与对应的声量的指数信息相乘后,累加获得待分析品牌的声量的指数信息;
其中,X2为待分析品牌在平台的声量数值;AVERAGE2为平台内两个或两个以上品牌的声量数值的平均值;MAX2为平台内两个或两个以上品牌中声量数值的最大值;MIN2为平台内两个或两个以上品牌中声量数值的最小值。
在一种示例性实施例中,所述品牌相关信息包括情感正负面数据时,所述转换待分析品牌的每一种品牌相关信息为相应的指数信息,包括:
对所述情感正负面数据进行统计,获得情感正负面帖子统计信息;
根据获得的情感正负面帖子统计信息计算以下之一获得情感正负面数据对应的指数信息:
(所有平台包含情感正面词的帖子数-所有平台包含情感负面词的帖子数) /(所有平台包含情感正面词的帖子数+所有平台包含情感负面词的帖子数) *100;
(所有平台情感正面词的帖子数+所有平台未包含情感正负面词的帖子数)/所有平台情感正负面数据中包含帖子总数*100;
所有平台包含情感正面词的帖子数/所有平台情感正负面数据中包含帖子总数*100;
通过以下公式计算所述待分析品牌在每一个平台的情感正负面数据的指数信息Y3:Y3=100+(X3-AVERAGE3)/(MAX3–MIN3)*100;将预设的第三平台加权系数与对应的情感正负面数据的指数信息相乘后,累加获得待分析品牌的声量的指数信息;
其中,所述情感正负面帖子统计信息包括以下一项或任意组合:所有平台包含情感正面词的帖子数、所有平台包含情感负面词的帖子数、所有平台未包含情感正负面词的帖子数、所有平台情感正负面数据中包含帖子总数、每一个平台包含情感正面词的帖子数、及每一个平台包含情感负面词的帖子数;所述X3为待分析品牌在当前平台的情感正负面评分;所述AVERAGE3为当前平台内两个或两个以上品牌的情感正负面评分的平均值;所述MAX3为当前平台内两个或两个以上品牌中情感正负面评分的最大值;所述MIN3为当前平台内两个或两个以上品牌中情感正负面评分的最小值;所述情感正负面评分包括通过以下公式计算获得的分值:(当前平台包含情感正面词的帖子数-当前平台包含情感负面词的帖子数)/(当前平台包含情感正面词的帖子数+当前平台包含情感负面词的帖子数)*100。
在一种示例性实施例中,所述获取待分析品牌的品牌相关信息后,所述方法还包括:
对获取的所述品牌相关信息进行去水处理。
另一方面,本发明实施例还提供一种计算机存储介质,所述计算机存储介质中存储有计算机程序,所述计算机程序被处理器执行时实现上述实现品***的方法。
再一方面,本发明实施例还提供一种终端,包括:存储器和处理器,所述存储中保存有计算机程序;其中,
处理器被配置为执行存储器中的计算机程序;
所述计算机程序被所述处理器执行时实现如上述实现品***的方法。
还一方面,本发明实施例还提供一种实现品***的装置,包括:获取单元和确定单元;其中,
获取单元用于:从社交舆情数据中获取待分析品牌的品牌相关信息;
确定单元用于:根据获取的品牌相关信息,确定待分析品牌的喜爱度信息;
其中,所述品牌相关信息包括品牌的以下一项或任意组合的信息:声量、互动量和情感正负面数据。
在一种示例性实施例中,所述确定单元具体用于:
转换所述待分析品牌的每一种品牌相关信息为相应的指数信息;
将预设的指数加权系数与对应的各指数信息相乘后,累加获得所述喜爱度信息。
与相关技术相比,本申请技术方案包括:从社交舆情数据中获取待分析品牌的品牌相关信息;根据获取的品牌相关信息,确定待分析品牌的喜爱度信息。其中,所述品牌相关信息包括品牌的以下一项或任意组合的信息:声量、互动量和情感正负面数据。本发明实施例通过社交舆情数据实现了喜爱度信息的分析,提升了喜爱度信息的分析效率和准确度。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
附图用来提供对本发明技术方案的进一步理解,并且构成说明书的一部分,与本申请的实施例一起用于解释本发明的技术方案,并不构成对本发明技术方案的限制。
图1为本发明实施例实现品***的方法的流程图;
图2为本发明实施例实现品***的装置的结构框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下文中将结合附图对本发明的实施例进行详细说明。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互任意组合。
在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行。并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1为本发明实施例实现品***的方法的流程图,如图1所示,包括:
步骤101、从社交舆情数据中获取待分析品牌的品牌相关信息;
其中,所述品牌相关信息包括品牌的以下一项或任意组合的信息:声量、互动量和情感正负面数据。
在一种示例性实施例中,互动量包括但不限于以下一项或任意组合:转发数、点赞数、评论数。
需要说明的是,本发明实施例互动量可以是转发数、点赞数、和/或评论数的累加。
在一种示例性实施例中,声量包括但不限于:品牌相关的关键字在平台的搜索量。
在一种示例性实施例中,品牌相关信息可以是预设时长内的信息;例如、从第一时间开始的一个月的信息。预设时长可以根据品牌所属类型、定位、产品使用周期等进行分析确定。此外,品牌相关信息也可以是抽样信息,例如、获取一个较长周期或数据量较大的历史数据后,按照设定的时间间隔抽取一定数量的样本数据,用作品牌相关信息。
需要说明的是,本发明实施例社交舆情数据可以包括通过相关技术获得的数据。
步骤102、根据获取的品牌相关信息,确定待分析品牌的喜爱度信息。
在一种示例性实施例中,所述确定待分析品牌的喜爱度信息,包括:
转换所述待分析品牌的每一种品牌相关信息为相应的指数信息;
将预设的指数加权系数与对应的各指数信息相乘后,累加获得所述喜爱度信息。
在一种示例性实施例中,本发明实施例可以根据预先存储的各种类品牌相关信息的重要程度的评分信息,通过层次分析法(AHP,The Analytic Hierarchy Process)获得各品牌相关信息的指数加权系数;AHP是相关技术中一种定性和定量相结合的、***化的、层次化的分析方法,用来处理复杂的决策问题;它提供了判断一致性的度量,并通过成对比较简化了决策准则中的偏好等级。
需要说明的是,指数加权系数可以由本领域技术人员根据经验进行设定,根据输出结果进行调整。
在一种示例性实施例中,所述品牌相关信息包括互动量时,所述转换待分析品牌的每一种品牌相关信息为相应的指数信息,包括:
通过以下公式计算所述待分析品牌在每一个平台的互动量的指数信息Y1:
Y1=100+(X1-AVERAGE1)/(MAX1–MIN1)*100;
将预设的各平台第一平台加权系数与对应的互动量的指数信息相乘后,累加获得所述待分析品牌的互动量的指数信息;
其中,所述X1为待分析品牌在平台的互动量数值;所述AVERAGE1为平台内两个或两个以上品牌的互动量数值的平均值;所述MAX1为平台内两个或两个以上品牌中互动量数值的最大值;所述MIN1为平台内两个或两个以上品牌中互动量数值的最小值。
需要说明的是,第一平台加权系数可以参考在前的问卷调整的结果进行分析配置,也可以由本领域技术人员基于经验值进行设定和调整。此外,本发明实施例可以采用其他公式计算指数信息,一般计算获得的指数信息取值范围为小于预设数值的一个正数。例如、指数信息为小于200的正数。互动量数值的平均值可以由本领域技术人员通过设定的规则进行品牌筛选后,计算获得的平均值。
在一种示例性实施例中,所述品牌相关信息包括声量时,所述转换待分析品牌的每一种品牌相关信息为相应的指数信息,包括:
通过以下公式计算所述待分析品牌在每一个平台的声量的指数信息Y2:
Y2=100+(X2-AVERAGE2)/(MAX2–MIN2)*100;
将预设的第二平台加权系数与对应的声量的指数信息相乘后,累加获得待分析品牌的声量的指数信息;
其中,X2为待分析品牌在平台的声量数值;AVERAGE2为平台内两个或两个以上品牌的声量数值的平均值;MAX2为平台内两个或两个以上品牌中声量数值的最大值;MIN2为平台内两个或两个以上品牌中声量数值的最小值。
需要说明的是,第二平台加权系数可以参考在前的问卷调整的结果进行分析配置,也可以由本领域技术人员基于经验值进行设定和调整。此外,本发明实施例可以采用其他公式计算指数信息,一般计算获得的指数信息取值范围为小于预设数值的一个正数。例如、指数信息为小于200的正数。声量数值的平均值可以由本领域技术人员通过设定的规则进行品牌筛选后,计算获得的平均值。
所述品牌相关信息包括情感正负面数据时,所述转换待分析品牌的每一种品牌相关信息为相应的指数信息,包括:
对所述情感正负面数据进行统计,获得情感正负面帖子统计信息;
根据获得的情感正负面帖子统计信息计算以下之一获得情感正负面数据对应的指数信息:
(所有平台包含情感正面词的帖子数-所有平台包含情感负面词的帖子数) /(所有平台包含情感正面词的帖子数+所有平台包含情感负面词的帖子数) *100;
(所有平台情感正面词的帖子数+所有平台未包含情感正负面词的帖子数)/所有平台情感正负面数据中包含帖子总数*100;
所有平台包含情感正面词的帖子数/所有平台情感正负面数据中包含帖子总数*100;
通过以下公式计算所述待分析品牌在每一个平台的情感正负面数据的指数信息Y3:Y3=100+(X3-AVERAGE3)/(MAX3–MIN3)*100;将预设的第三平台加权系数与对应的情感正负面数据的指数信息相乘后,累加获得待分析品牌的声量的指数信息;
其中,所述情感正负面帖子统计信息包括以下一项或任意组合:所有平台包含情感正面词的帖子数、所有平台包含情感负面词的帖子数、所有平台未包含情感正负面词的帖子数、所有平台情感正负面数据中包含帖子总数、每一个平台包含情感正面词的帖子数、及每一个平台包含情感负面词的帖子数;所述X3为待分析品牌在当前平台的情感正负面评分;所述AVERAGE3为当前平台内两个或两个以上品牌的情感正负面评分的平均值;所述MAX3为当前平台内两个或两个以上品牌中情感正负面评分的最大值;所述MIN3为当前平台内两个或两个以上品牌中情感正负面评分的最小值;所述情感正负面评分包括通过以下公式计算获得的分值:(当前平台包含情感正面词的帖子数-当前平台包含情感负面词的帖子数)/(当前平台包含情感正面词的帖子数+当前平台包含情感负面词的帖子数)*100。
在一种示例性实施例中,本发明实施例品牌相关信息包括情感正负面数据时,可以参照相关技术计算获得对应于情感正负面数据的指数信息;例如、对情感正负面数据进行词频统计后,统计情感正面数据和情感负面数据的词频;根据情感正面数据和情感负面数据的词频,转换获得取值范围为小于预设数值的一个取值为正的指数信息。例如、参照相关技术对情感正负面数据进行处理后,获得的情感评分为百分比数值时,可以将获得的百分比数值直接乘以100,获得相应的指数信息;
假设待分析品牌为A品牌,根据本发明实施例方法计算获得的A品牌的声量的指数信息、互动量的指数信息和情感正负面数据的指数信息,则根据设定的声量的指数加权系数、互动量的指数加权系数和情感正负面数据的指数加权系数,则将预设的指数加权系数与对应的各指数信息相乘后,累加获得喜爱度信息:
喜爱度信息=A品牌的声量的指数信息*声量的指数加权系数+A品牌的互动量的指数信息*互动量的指数加权系数+A品牌的情感正负面数据的指数信息*情感正负面数据的指数加权系数。
在一种示例性实施例中,所述获取待分析品牌的品牌相关信息后,本发明实施例方法还包括:
对获取的所述品牌相关信息进行去水处理。
需要说明的是,去水处理可以采用相关技术中已有的方法进行,在此不做赘述。
此外,本发明实施例获得多个品牌的喜爱度信息,可以通过对多个品牌的喜爱度信息进行对比,实现对品牌的分析。
与相关技术相比,本申请技术方案包括:从社交舆情数据中获取待分析品牌的品牌相关信息;根据获取的品牌相关信息,确定待分析品牌的喜爱度信息。其中,所述品牌相关信息包括品牌的以下一项或任意组合的信息:声量、互动量和情感正负面数据。本发明实施例通过社交舆情数据实现了喜爱度信息的分析,提升了喜爱度信息的分析效率和准确度。
本发明实施例还提供一种计算机存储介质,所述计算机存储介质中存储有计算机程序,所述计算机程序被处理器执行时实现上述实现品***的方法。
本发明实施例还提供一种终端,包括:存储器和处理器,所述存储中保存有计算机程序;其中,
处理器被配置为执行存储器中的计算机程序;
所述计算机程序被所述处理器执行时实现如上述实现品***的方法。
图2为本发明实施例实现品***的装置的结构框图,如图2所示,包括:获取单元和确定单元;其中,
获取单元用于:从社交舆情数据中获取待分析品牌的品牌相关信息;
其中,所述品牌相关信息包括品牌的以下一项或任意组合的信息:声量、互动量和情感正负面数据。
在一种示例性实施例中,互动量包括但不限于以下一项或任意组合:转发数、点赞数、评论数。
需要说明的是,本发明实施例互动量可以是转发数、点赞数、和/或评论数的累加。
在一种示例性实施例中,声量包括但不限于:品牌相关的关键字在平台的搜索量。
在一种示例性实施例中,品牌相关信息可以是预设时长内的信息;例如、从第一时间开始的一个月的信息。预设时长可以根据品牌所属类型、定位、产品使用周期等进行分析确定。此外,品牌相关信息也可以是抽样信息,例如、获取一个较长周期或数据量较大的历史数据后,按照设定的时间间隔抽取一定数量的样本数据,用作品牌相关信息。
需要说明的是,本发明实施例社交舆情数据可以包括通过相关技术获得的数据。
确定单元用于:根据获取的品牌相关信息,确定待分析品牌的喜爱度信息。
在一种示例性实施例中,所述确定单元具体用于:
转换所述待分析品牌的每一种品牌相关信息为相应的指数信息;
将预设的指数加权系数与对应的各指数信息相乘后,累加获得所述喜爱度信息。
需要说明的是,指数加权系数可以由本领域技术人员根据经验进行设定,根据输出结果进行调整。
在一种示例性实施例中,所述确定单元用于转换待分析品牌的每一种品牌相关信息为相应的指数信息,包括:
所述品牌相关信息包括互动量时,通过以下公式计算所述待分析品牌在每一个平台的互动量的指数信息Y1:Y1=100+(X1-AVERAGE1)/(MAX1–MIN1) *100;将预设的各平台第一平台加权系数与对应的互动量的指数信息相乘后,累加获得所述待分析品牌的互动量的指数信息;
所述品牌相关信息包括声量时,通过以下公式计算待分析品牌在每一个平台的声量的指数信息Y2:Y2=100+(X2-AVERAGE2)/(MAX2–MIN2)*100;将预设的第二平台加权系数与对应的声量的指数信息相乘后,累加获得待分析品牌的声量的指数信息;
所述品牌相关信息包括情感正负面数据时,对所述情感正负面数据进行统计,获得情感正负面帖子统计信息;
根据获得的情感正负面帖子统计信息计算以下之一获得情感正负面数据对应的指数信息:
(所有平台包含情感正面词的帖子数-所有平台包含情感负面词的帖子数) /(所有平台包含情感正面词的帖子数+所有平台包含情感负面词的帖子数) *100;
(所有平台情感正面词的帖子数+所有平台未包含情感正负面词的帖子数)/所有平台情感正负面数据中包含帖子总数*100;
所有平台包含情感正面词的帖子数/所有平台情感正负面数据中包含帖子总数*100;
通过以下公式计算所述待分析品牌在每一个平台的情感正负面数据的指数信息Y3:Y3=100+(X3-AVERAGE3)/(MAX3–MIN3)*100;将预设的第三平台加权系数与对应的情感正负面数据的指数信息相乘后,累加获得待分析品牌的声量的指数信息;
其中,X1为待分析品牌在平台的互动量数值;AVERAGE1为平台内两个或两个以上品牌的互动量数值的平均值;MAX1为平台内两个或两个以上品牌中互动量数值的最大值;MIN1为平台内两个或两个以上品牌中互动量数值的最小值;X2为待分析品牌在平台的声量数值;AVERAGE2为平台内两个或两个以上品牌的声量数值的平均值;MAX2为平台内两个或两个以上品牌中声量数值的最大值;MIN2为平台内两个或两个以上品牌中声量数值的最小值。所述情感正负面帖子统计信息包括以下一项或任意组合:所有平台包含情感正面词的帖子数、所有平台包含情感负面词的帖子数、所有平台未包含情感正负面词的帖子数、所有平台情感正负面数据中包含帖子总数、每一个平台包含情感正面词的帖子数、及每一个平台包含情感负面词的帖子数;所述X3为待分析品牌在当前平台的情感正负面评分;所述AVERAGE3为当前平台内两个或两个以上品牌的情感正负面评分的平均值;所述MAX3为当前平台内两个或两个以上品牌中情感正负面评分的最大值;所述MIN3为当前平台内两个或两个以上品牌中情感正负面评分的最小值;所述情感正负面评分包括通过以下公式计算获得的分值:(当前平台包含情感正面词的帖子数-当前平台包含情感负面词的帖子数)/(当前平台包含情感正面词的帖子数+当前平台包含情感负面词的帖子数)*100。
需要说明的是,第一平台加权系数可以参考在前的问卷调整的结果进行分析配置,也可以由本领域技术人员基于经验值进行设定和调整。此外,本发明实施例可以采用其他公式计算指数信息,一般计算获得的指数信息取值范围为小于预设数值的一个正数。例如、指数信息为小于200的正数。互动量数值的平均值可以由本领域技术人员通过设定的规则进行品牌筛选后,计算获得的平均值。第二平台加权系数可以参考在前的问卷调整的结果进行分析配置,也可以由本领域技术人员基于经验值进行设定和调整。此外,本发明实施例可以采用其他公式计算指数信息,一般计算获得的指数信息取值范围为小于预设数值的一个正数。例如、指数信息为小于200的正数。声量数值的平均值可以由本领域技术人员通过设定的规则进行品牌筛选后,计算获得的平均值。
在一种示例性实施例中,本发明实施例品牌相关信息包括情感正负面数据时,可以参照相关技术计算获得对应于情感正负面数据的指数信息;例如、对情感正负面数据进行词频统计后,统计情感正面数据和情感负面数据的词频;根据情感正面数据和情感负面数据的词频,转换获得取值范围为小于预设数值的一个取值为正的指数信息。例如、参照相关技术对情感正负面数据进行处理后,获得的情感评分为百分比数值时,可以将获得的百分比数值直接乘以100,获得相应的指数信息;
在一种示例性实施例中,所述装置还包括去水单元,用于:
对获取的所述品牌相关信息进行去水处理。
需要说明的是,去水处理可以采用相关技术中已有的方法进行,在此不做赘述。
与相关技术相比,本申请技术方案包括:从社交舆情数据中获取待分析品牌的品牌相关信息;根据获取的品牌相关信息,确定待分析品牌的喜爱度信息。其中,所述品牌相关信息包括品牌的以下一项或任意组合的信息:声量、互动量和情感正负面数据。本发明实施例通过社交舆情数据实现了喜爱度信息的分析,提升了喜爱度信息的分析效率和准确度。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、***、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中,在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分;例如,一个物理组件可以具有多个功能,或者一个功能或步骤可以由若干物理组件合作执行。某些组件或所有组件可以被实施为由处理器,如数字信号处理器或微处理器执行的软件,或者被实施为硬件,或者被实施为集成电路,如专用集成电路。这样的软件可以分布在计算机可读介质上,计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的,术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外,本领域普通技术人员公知的是,通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何信息递送介质。
Claims (10)
1.一种实现品***的方法,包括:
从社交舆情数据中获取待分析品牌的品牌相关信息;
根据获取的品牌相关信息,确定待分析品牌的喜爱度信息;
其中,所述品牌相关信息包括品牌的以下一项或任意组合的信息:声量、互动量和情感正负面数据。
2.根据权利要求1所述的方法,其特征在于,所述确定待分析品牌的喜爱度信息,包括:
转换所述待分析品牌的每一种品牌相关信息为相应的指数信息;
将预设的指数加权系数与对应的各指数信息相乘后,累加获得所述喜爱度信息。
3.根据权利要求2所述的方法,其特征在于,所述品牌相关信息包括互动量时,所述转换待分析品牌的每一种品牌相关信息为相应的指数信息,包括:
通过以下公式计算所述待分析品牌在每一个平台的互动量的指数信息Y1:
Y1=100+(X1-AVERAGE1)/(MAX1–MIN1)*100;
将预设的各平台第一平台加权系数与对应的互动量的指数信息相乘后,累加获得所述待分析品牌的互动量的指数信息;
其中,所述X1为待分析品牌在平台的互动量数值;所述AVERAGE1为平台内两个或两个以上品牌的互动量数值的平均值;所述MAX1为平台内两个或两个以上品牌中互动量数值的最大值;所述MIN1为平台内两个或两个以上品牌中互动量数值的最小值。
4.根据权利要求2所述的方法,其特征在于,所述品牌相关信息包括声量时,所述转换待分析品牌的每一种品牌相关信息为相应的指数信息,包括:
通过以下公式计算所述待分析品牌在每一个平台的声量的指数信息Y2:
Y2=100+(X2-AVERAGE2)/(MAX2–MIN2)*100;
将预设的第二平台加权系数与对应的声量的指数信息相乘后,累加获得待分析品牌的声量的指数信息;
其中,所述X2为待分析品牌在平台的声量数值;所述AVERAGE2为平台内两个或两个以上品牌的声量数值的平均值;所述MAX2为平台内两个或两个以上品牌中声量数值的最大值;所述MIN2为平台内两个或两个以上品牌中声量数值的最小值。
5.根据权利要求2所述的方法,其特征在于,所述品牌相关信息包括情感正负面数据时,所述转换待分析品牌的每一种品牌相关信息为相应的指数信息,包括:
对所述情感正负面数据进行统计,获得情感正负面帖子统计信息;
根据获得的情感正负面帖子统计信息计算以下之一获得情感正负面数据对应的指数信息:
(所有平台包含情感正面词的帖子数-所有平台包含情感负面词的帖子数)/(所有平台包含情感正面词的帖子数+所有平台包含情感负面词的帖子数)*100;
(所有平台情感正面词的帖子数+所有平台未包含情感正负面词的帖子数)/所有平台情感正负面数据中包含帖子总数*100;
所有平台包含情感正面词的帖子数/所有平台情感正负面数据中包含帖子总数*100;
通过以下公式计算所述待分析品牌在每一个平台的情感正负面数据的指数信息Y3:Y3=100+(X3-AVERAGE3)/(MAX3–MIN3)*100;将预设的第三平台加权系数与对应的情感正负面数据的指数信息相乘后,累加获得待分析品牌的声量的指数信息;
其中,所述情感正负面帖子统计信息包括以下一项或任意组合:所有平台包含情感正面词的帖子数、所有平台包含情感负面词的帖子数、所有平台未包含情感正负面词的帖子数、所有平台情感正负面数据中包含帖子总数、每一个平台包含情感正面词的帖子数、及每一个平台包含情感负面词的帖子数;所述X3为待分析品牌在当前平台的情感正负面评分;所述AVERAGE3为当前平台内两个或两个以上品牌的情感正负面评分的平均值;所述MAX3为当前平台内两个或两个以上品牌中情感正负面评分的最大值;所述MIN3为当前平台内两个或两个以上品牌中情感正负面评分的最小值;所述情感正负面评分包括通过以下公式计算获得的分值:(当前平台包含情感正面词的帖子数-当前平台包含情感负面词的帖子数)/(当前平台包含情感正面词的帖子数+当前平台包含情感负面词的帖子数)*100。
6.根据权利要求1~5任一项所述的方法,其特征在于,所述获取待分析品牌的品牌相关信息后,所述方法还包括:
对获取的所述品牌相关信息进行去水处理。
7.一种计算机存储介质,所述计算机存储介质中存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1~6中任一项所述的实现品***的方法。
8.一种终端,包括:存储器和处理器,所述存储中保存有计算机程序;其中,
处理器被配置为执行存储器中的计算机程序;
所述计算机程序被所述处理器执行时实现如执行权利要求1~6中任一项所述的实现品***的方法。
9.一种实现品***的装置,包括:获取单元和确定单元;其中,
获取单元用于:从社交舆情数据中获取待分析品牌的品牌相关信息;
确定单元用于:根据获取的品牌相关信息,确定待分析品牌的喜爱度信息;
其中,所述品牌相关信息包括品牌的以下一项或任意组合的信息:声量、互动量和情感正负面数据。
10.根据权利要求9所述的装置,其特征在于,所述确定单元具体用于:
转换所述待分析品牌的每一种品牌相关信息为相应的指数信息;
将预设的指数加权系数与对应的各指数信息相乘后,累加获得所述喜爱度信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010099087.8A CN111340531A (zh) | 2020-02-18 | 2020-02-18 | 一种实现品***的方法、装置、计算机存储介质及终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010099087.8A CN111340531A (zh) | 2020-02-18 | 2020-02-18 | 一种实现品***的方法、装置、计算机存储介质及终端 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111340531A true CN111340531A (zh) | 2020-06-26 |
Family
ID=71186971
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010099087.8A Pending CN111340531A (zh) | 2020-02-18 | 2020-02-18 | 一种实现品***的方法、装置、计算机存储介质及终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111340531A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106296282A (zh) * | 2016-08-08 | 2017-01-04 | 南京大学 | 一种基于用户评论和历史评分的网购产品评估方法 |
CN109145216A (zh) * | 2018-08-29 | 2019-01-04 | 中国平安保险(集团)股份有限公司 | 网络舆情监控方法、装置及存储介质 |
CN109829768A (zh) * | 2019-04-09 | 2019-05-31 | 致维科技(北京)有限公司 | 广告主品牌塑形与融合媒体相互作用演示*** |
CN110399602A (zh) * | 2018-04-25 | 2019-11-01 | 北京京东尚科信息技术有限公司 | 一种评测文本可靠性的方法和装置 |
CN110689382A (zh) * | 2019-10-11 | 2020-01-14 | 精硕科技(北京)股份有限公司 | 一种信息处理的方法、装置、计算机存储介质及终端 |
AU2019100968A4 (en) * | 2019-09-10 | 2020-01-23 | Chen, Jiayi Miss | A Credit Reporting Evaluation System Based on Mixed Machine Learning |
-
2020
- 2020-02-18 CN CN202010099087.8A patent/CN111340531A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106296282A (zh) * | 2016-08-08 | 2017-01-04 | 南京大学 | 一种基于用户评论和历史评分的网购产品评估方法 |
CN110399602A (zh) * | 2018-04-25 | 2019-11-01 | 北京京东尚科信息技术有限公司 | 一种评测文本可靠性的方法和装置 |
CN109145216A (zh) * | 2018-08-29 | 2019-01-04 | 中国平安保险(集团)股份有限公司 | 网络舆情监控方法、装置及存储介质 |
CN109829768A (zh) * | 2019-04-09 | 2019-05-31 | 致维科技(北京)有限公司 | 广告主品牌塑形与融合媒体相互作用演示*** |
AU2019100968A4 (en) * | 2019-09-10 | 2020-01-23 | Chen, Jiayi Miss | A Credit Reporting Evaluation System Based on Mixed Machine Learning |
CN110689382A (zh) * | 2019-10-11 | 2020-01-14 | 精硕科技(北京)股份有限公司 | 一种信息处理的方法、装置、计算机存储介质及终端 |
Non-Patent Citations (1)
Title |
---|
张继东等: "基于交互行为和情感倾向的移动社交网络用户影响力度量模型研究" * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11729317B1 (en) | Systems and methods for electronic request routing and distribution | |
WO2019242453A1 (zh) | 信息处理方法及装置、存储介质、电子装置 | |
CN111260145A (zh) | 一种微信公众号文章阅读量的预测方法及*** | |
CN112383828A (zh) | 一种具有类脑特性的体验质量预测方法、设备及*** | |
CN111241258A (zh) | 数据清洗方法、装置、计算机设备及可读存储介质 | |
CN110689382A (zh) | 一种信息处理的方法、装置、计算机存储介质及终端 | |
CN108900339B (zh) | 一种度量业务质量的方法、装置及电子设备 | |
CN114782123A (zh) | 一种信用评估方法及*** | |
CN113407831A (zh) | 课程推荐方法及设备 | |
CN108269118B (zh) | 一种数据分析的方法和装置 | |
CN111340531A (zh) | 一种实现品***的方法、装置、计算机存储介质及终端 | |
CN111260402A (zh) | 一种品牌竞争力分析方法及装置 | |
KR20020020584A (ko) | 인터넷 설문조사 시스템 및 방법과 그 프로그램 소스를저장한 기록매체 | |
CN114969525B (zh) | 音乐社交推荐方法、***、装置及存储介质 | |
CN116542747A (zh) | 产品推荐方法、装置、存储介质及电子设备 | |
CN110674632A (zh) | 一种确定安全级别的方法及装置、存储介质和设备 | |
CN114466214A (zh) | 直播间人数统计方法及装置 | |
CN109697260B (zh) | 虚拟货币的检测方法、装置、计算机设备和存储介质 | |
CN113011985A (zh) | 金融产品推送数据处理方法及装置 | |
CN114726610B (zh) | 一种网络数据自动获取器攻击的检测方法和装置 | |
CN110866003A (zh) | 索引值数目的估算方法和装置以及电子设备 | |
CN111382345A (zh) | 话题筛选和发布的方法、装置和服务器 | |
CN115271544B (zh) | 降低噪声投诉率的方法、装置、电子设备及存储介质 | |
CN111428050B (zh) | 一种评测知识图谱的方法、装置、计算机存储介质及终端 | |
US11797779B2 (en) | System and method for generating subjective wellbeing analytics score |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20201225 Address after: A108, 1 / F, curling hall, winter training center, 68 Shijingshan Road, Shijingshan District, Beijing 100041 Applicant after: Beijing second hand Artificial Intelligence Technology Co.,Ltd. Address before: 100080 area C, 3rd floor, building 2, zone B, Dongsheng Science Park, Zhongguancun, Haidian District, Beijing Applicant before: ADMASTER TECHNOLOGY (BEIJING) Co.,Ltd. |