CN113449507B - 质量改进方法及装置、电子设备、存储介质 - Google Patents
质量改进方法及装置、电子设备、存储介质 Download PDFInfo
- Publication number
- CN113449507B CN113449507B CN202110775302.6A CN202110775302A CN113449507B CN 113449507 B CN113449507 B CN 113449507B CN 202110775302 A CN202110775302 A CN 202110775302A CN 113449507 B CN113449507 B CN 113449507B
- Authority
- CN
- China
- Prior art keywords
- defect
- importance
- theme
- demand
- word
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/335—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/284—Lexical analysis, e.g. tokenisation or collocates
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- 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
- G06Q30/0282—Rating or review of business operators or products
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请提供一种质量改进方法及装置、电子设备、计算机可读存储介质,该方法包括:从多条评论数据中获取多个顾客需求特征词和多个产品缺陷特征词;确定所述多个顾客需求特征词所属的多个需求主题,以及所述多个产品缺陷特征词所属的多个缺陷主题;通过有序回归分析对所述评论数据进行处理,确定各需求主题的第一重要度和各缺陷主题的第二重要度;依据各需求主题的第一重要度、各缺陷主题的第二重要度、预设计算参数,确定多个纠正措施的重要度;将重要度最大的第一数量的纠正措施作为质量改进措施。本申请方案,可以从评论数据中挖掘出顾客最关注的需求和缺陷,并以此确定改进措施,从而可有效实现质量改进。
Description
技术领域
本申请涉及计算机技术领域,特别涉及一种质量改进方法及装置、电子设备、计算机可读存储介质。
背景技术
随着消费者对产品质量要求的提高,产品之间竞争的重点从价格逐渐转移到质量。在产品设计、制造和服务过程中,不可避免存在各种质量缺陷。电子商务销售渠道的***式增长使得企业可以通过电商平台的在线评论及时了解消费者对其产品或服务的看法。评论数据中往往包含消费者最看重的需求以及最厌恶的缺陷。如何利用评论数据挖掘用于改进质量的信息是亟待解决的难题。
发明内容
本申请实施例的目的在于提供一种质量改进方法及装置、电子设备、计算机可读存储介质,用于基于评论数据确定用于改进的措施。
一方面,本申请实施例提供了一种质量改进方法,包括:
从多条评论数据中获取多个顾客需求特征词和多个产品缺陷特征词;
确定所述多个顾客需求特征词所属的多个需求主题,以及所述多个产品缺陷特征词所属的多个缺陷主题;
通过有序回归分析对所述评论数据进行处理,确定各需求主题的第一重要度和各缺陷主题的第二重要度;
依据各需求主题的第一重要度、各缺陷主题的第二重要度、预设计算参数,确定多个纠正措施的重要度;
将重要度最大的第一数量的纠正措施作为质量改进措施。
在一实施例中,所述从多条评论数据中获取多个顾客需求特征词和多个产品缺陷特征词,包括:
针对每条评论数据分别进行分词处理,得到多个分词单元和分词单元的词性;
筛选出词性为目标词性的多个分词单元;
依据Apriori算法对所述目标词性对应的多个分词单元进行筛选,获得指定分词单元;
通过缺陷词表将所述指定分词单元划分为多个顾客需求特征词和多个产品缺陷特征词。
在一实施例中,在所述依据Apriori算法对所述目标词性对应的多个分词单元进行筛选之前,所述方法还包括:
通过评估函数对所述目标词性对应的多个分词单元计算评估参数;
筛选出评估参数最大的第二数量的分词单元,以基于所述Apriori算法进行筛选。
在一实施例中,在所述通过缺陷词表将所述指定分词单元划分为多个顾客需求特征词和多个产品缺陷特征词之前,所述方法还包括:
获取多个常规缺陷词和所述评论数据指示产品的多个特定缺陷词,并依据所述常规缺陷词和所述特定缺陷词构建初始缺陷词表;
基于所述初始缺陷词表,根据词向量算法对所述多条评论数据进行处理,获得多个语料缺陷词,并将所述语料缺陷词放入所述初始缺陷词表,获得所述缺陷词表。
在一实施例中,所述确定所述多个顾客需求特征词所属的多个需求主题,以及所述多个产品缺陷特征词所属的多个缺陷主题,包括:
在预设的需求主题配置词库中查找与每个顾客需求特征词对应的需求主题,获得多个需求主题;
在预设的缺陷主题配置词库中查找与每个产品缺陷特征词对应的缺陷主题,获得多个缺陷主题。
在一实施例中,所述计算参数包括所述需求主题与所述缺陷主题之间的第一关系矩阵、所述缺陷主题与预设多个缺陷原因之间的第二关系矩阵、所述缺陷原因与预设多个纠正措施之间的第三关系矩阵;
所述依据各需求主题的第一重要度、各缺陷主题的第二重要度、预设计算参数,确定多个纠正措施的重要度,包括:
依据各需求主题的第一重要度、各缺陷主题的第二重要度、所述第一关系矩阵,确定各缺陷主题的第三重要度;
依据各缺陷主题的第三重要度、所述第二关系矩阵,确定各缺陷原因的第四重要度;
依据各缺陷原因的第四重要度、所述第三关系矩阵,确定各纠正措施的重要度。
另一方面,本申请实施例还提供了一种质量改进装置,包括:
获取模块,用于从多条评论数据中获取多个顾客需求特征词和多个产品缺陷特征词;
第一确定模块,用于确定所述多个顾客需求特征词所属的多个需求主题,以及所述多个产品缺陷特征词所属的多个缺陷主题;
第二确定模块,用于通过有序回归分析对所述评论数据进行处理,确定各需求主题的第一重要度和各缺陷主题的第二重要度;
第三确定模块,用于依据各需求主题的第一重要度、各缺陷主题的第二重要度、预设计算参数,确定多个纠正措施的重要度;
改进模块,用于将重要度最大的第一数量的纠正措施作为质量改进措施。
在一实施例中,所述计算参数包括所述需求主题与所述缺陷主题之间的第一关系矩阵、所述缺陷主题与预设多个缺陷原因之间的第二关系矩阵、所述缺陷原因与预设多个纠正措施之间的第三关系矩阵;所述第三确定模块,还用于:
依据各需求主题的第一重要度、各缺陷主题的第二重要度、所述第一关系矩阵,确定各缺陷主题的第三重要度;
依据各缺陷主题的第三重要度、所述第二关系矩阵,确定各缺陷原因的第四重要度;
依据各缺陷原因的第四重要度、所述第三关系矩阵,确定各纠正措施的重要度。
进一步的,本申请实施例还提供了一种电子设备,所述电子设备包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为执行上述质量改进方法。
另外,本申请实施例还提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序可由处理器执行以完成上述质量改进方法。
本申请方案,从多个评论数据中获取多个顾客需求特征词和多个产品缺陷特征词,并依据顾客需求特征词确定多个需求主题,依据多个产品缺陷特征词确定多个缺陷主体,通过有序归回分析从评论数据中确定各需求主题的第一重要度和各缺陷主题的第二重要度之后,可以计算出预设多个纠正措施的重要度,从而选择重要度最大的第一数量的纠正措施作为质量改进措施;通过上述措施,可以从评论数据中挖掘出顾客最关注的需求和缺陷,并以此确定改进措施,从而可有效实现质量改进。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍。
图1为本申请一实施例提供的质量改进方法的应用场景示意图;
图2为本申请一实施例提供的电子设备的结构示意图;
图3为本申请一实施例提供的质量改进方法的流程示意图;
图4为本申请一实施例提供的特征词的获取方法的流程示意图;
图5为本申请一实施例提供的纠正措施的重要度确定方法的流程示意图;
图6为本申请一实施例提供的缺陷报告质量屋的示意图;
图7为本申请一实施例提供的缺陷原因分析质量屋的示意图;
图8为本申请一实施例提供的纠正措施分析质量屋的示意图;
图9为本申请一实施例提供的质量改进装置的框图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行描述。
相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
图1为本申请实施例提供的质量改进方法的应用场景示意图。如图1所示,该应用场景包括服务端20和服务端30;服务端20可以是搭载购物网站的服务器、服务器集群或云计算中心,用于向服务端30提供购物网站上针对某一商品或某一服务的在线评论数据;服务端30可以是服务器、服务器集群或云计算中心,可以基于评论数据确定质量改进措施。
如图2所示,本实施例提供一种电子设备1,包括:至少一个处理器11和存储器12,图2中以一个处理器11为例。处理器11和存储器12通过总线10连接,存储器12存储有可被处理器11执行的指令,指令被处理器11执行,以使电子设备1可执行下述的实施例中方法的全部或部分流程。在一实施例中,电子设备1可以是上述服务端30,用于执行质量改进方法。
存储器12可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(Static Random Access Memory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read Only Memory,简称EPROM),可编程只读存储器(Programmable Red-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。
本申请还提供了一种计算机可读存储介质,存储介质存储有计算机程序,计算机程序可由处理器11执行以完成本申请提供的质量改进方法。
参见图3,为本申请一实施例提供的质量改进方法的流程示意图,如图3所示,该方法可以包括以下步骤310-步骤350。
步骤310:从多条评论数据中获取多个顾客需求特征词和多个产品缺陷特征词。
其中,评论数据可以是电商平台上消费者购买产品后留下的在线评论,评论数据可以包括评论文本和评论打分。示例性的,对于手机的评论数据,评论文本可以是“做工精良,屏幕细腻,***非常流畅”,评论打分可以是五分制中的五分。
顾客需求特征词可以是用于说明顾客需求的词汇。示例性的,对于电子产品,顾客需求特征词可以包括“价格”、“便宜”、“打折”、“手写”、“录音机”、“电池质量”、“音效”、“耳机”等。
产品缺陷特征词可以是用于说明产品缺陷的词汇。示例性的,对于电子产品,产品缺陷特征词可以包括“漏电”、“死机”、“蓝屏”、“无法开机”、“散热差”、“做工差”、“坏点”等。
针对一款产品,服务端可以从电商平台获取该产品的多条评论数据,并从评论数据的评论文本中获取多个顾客需求特征词和多个产品缺陷特征词。
步骤320:确定多个顾客需求特征词所属的多个需求主题,以及多个产品缺陷特征词所属的多个缺陷主题。
其中,需求主题是概括顾客需求特征词的类别信息,不同顾客需求特征词可以属于同一需求主题。缺陷主题是概括产品缺陷特征词的类别信息,不同产品缺陷特征词可以属于同一缺陷主题。
服务端可以判断每个顾客需求特征词所属的需求主题,从而得到多个需求主题。服务端可以判断每个产品缺陷词所属的缺陷主题,从而得到多个缺陷主题。
示例性的,对于电子产品,需求主题可以包括“价格”、“外观”、“功能”、“屏幕”、“电池”、“音质”、“硬件”、“软件”、“服务”、“配件”等;缺陷主题可以包括“漏电”、“死机”、“失灵”、“屏幕无显示”、“无法开机”、“无法上网”、“屏幕差”、“做工差”、“键盘差”、“散热不好”、“速度慢”等。
步骤330:通过有序回归分析对评论数据进行处理,确定各需求主题的第一重要度和各缺陷主题的第二重要度。
服务端可以依据评论数据中各需求主题所对应的顾客需求特征词的出现频次、各缺陷主题对应的产品缺陷特征词的出现频次、各顾客需求特征词对应的情感值、以及评论数据中的评论打分构建数据集,并对数据集进行有序回归分析,确定各需求主题的第一重要度和各缺陷主题的第二重要度。
其中,顾客需求特征词的情感值可以依据其在评论文本上下文的词汇确定;若顾客需求特征词在评论文本上下文的词汇出现在预设积极情感词表,则顾客需求特征词的情感值为1分;若顾客需求特征词在评论文本上下文的词汇出现在预设消极情感词表,则顾客需求特征词的情感值为-1分。
步骤340:依据各需求主题的第一重要度、各缺陷主题的第二重要度、预设计算参数,确定多个纠正措施的重要度。
在确定各需求主题的第一重要度和各缺陷主题的第二重要度之后,服务端可以依据计算参数,确定预设多个纠正措施对应的重要度。这里,纠正措施可以是针对产品生产过程各个阶段的改进措施。示例性的,纠正措施可以包括“加强技能培训”、“采取激励机制”、“定期维护设备”“加强检测方法效果”、“监督生产过程”、“使用控制图管理”、“采用5S管理”、“加强监督工作”、“制定合理的抽样方法”、“企业产品”、“竞争产品”、“改进产品”等。
步骤350:将重要度最大的第一数量的纠正措施作为质量改进措施。
在确定每一纠正措施对应的重要度之后,服务端可以依据重要度从大到小的顺序对多个纠正措施进行排序,并选择重要度最大的第一数量的纠正措施,作为质量改进措施。其中,第一数量可以是预配置的经验值。
示例性的,服务端基于重要度对纠正措施排序后,从中选择重要度最大的3个纠正措施作为质量改进措施,并可向用户终端(比如:手机、平板电脑、计算机等)输出上述质量改进措施,从而提示用户基于上述质量改进措施对产品质量进行改进。
通过上述措施,可以从大量评论数据中挖掘出用于改进质量的顾客需求特征词和产品缺陷特征词,在确定顾客需求特征词所属需求主题和产品缺陷特征词所属缺陷主题之后,从评论数据中确定各需求主题和缺陷主题的重要度,从而可以确定各纠正措施的重要度,进而选择重要度大的若干纠正措施作为质量改进措施。
在一实施例中,参见图4,为本申请一实施例提供的特征词的获取方法的流程示意图,如图4所示,服务端在执行步骤310时,可以执行如下步骤311-步骤314。
步骤311:针对每条评论数据分别进行分词处理,得到多个分词单元和分词单元的词性。
服务端可以通过分词算法对每条评论数据中的评论文本进行分词处理,从而得到多个分词单元和分词单元的词性。这里,分词单元是分词得到的最小结果。分词算法可以是BERT(Bidirectional Encoder Representations from Transformers)+CRF(ConditionalRandom Field Algorithm,条件随机场算法)。
步骤312:筛选出词性为目标词性的多个分词单元。
其中,目标词性是与顾客需求或产品缺陷关联密切的词性,目标词性可以是名称、形容词和动词中一种或多种的组合。
服务端可以筛选出词性为目标词性的分词单元,并将其它词性的分词单元进行过滤。
步骤313:依据Apriori算法对目标词性对应的多个分词单元进行筛选,获得指定分词单元。
服务端可以基于Apriori算法来实现关联挖掘,可以从满足预设最小支持度的事务集合中生成规则找到频繁项集。这里,事务集合是评论文本集合;频繁项集为分词单元集合。服务端根据预设的最小支持度、最小领域支持度和独立支持度,从频繁项集筛选出高频的、能够表达关键产品特征的分词单元,构成关键项集。关键项集中的分词单元可认为是指定分词单元。
步骤314:通过缺陷词表将指定分词单元划分为多个顾客需求特征词和多个产品缺陷特征词。
其中,缺陷词表包含大量表示缺陷的词汇。
服务端可以在缺陷词表中查找每一指定分词单元,一方面,若查到该指定分词单元,则该指定分词单元为产品缺陷特征词;另一方面,若未查到该指定分词单元,则该指定分词单元为顾客需求特征词。
通过上述措施,可以从评论数据中提取得到顾客需求特征词和产品缺陷特征词。
在一实施例中,服务端在依据Apriori算法对目标词性对应的多个分词单元进行筛选之前,还可以通过评估函数对目标词性对应的多个分词单元计算评估参数。这里,评估函数可以用于评估分词单元在评论数据中的重要程度。示例性的,评估函数可通过如下公式(1)来表示:
其中,T表示词性为目标词性的分词单元的集合;D表示评论数据中评论文本的集合;ti表示第i个分词单元;g为预设常数,可以是0.2;tfij是分词单元ti出现在评论文本dj中的概率;dij是指评论文本dj的长度;为集合D中评论文本的平均长度;dfi表示包含分词单元ti的评论文本的数量;I为所有评论文本中词的个数。
在计算出各分词单元的评估参数后,服务端可以依据评估参数的大小对分词单元进行排序,并筛选出评估参数最大的第二数量的分词单元。这里,第二数量可以是预配置的经验值。示例性的,第二数量可以是5000,服务端可以从所有词性为目标词性的分词单元中,选择评估参数最大的5000个分词单元。
后续服务端可以基于Apriori算法对第二数量的分词单元进行进一步筛选。
通过上述措施,服务端可以从所有词性为目标词性的分词单元中进行筛选,从而降低后续通过Apriori算法筛选的计算量。
在一实施例中,服务端在通过缺陷词表对指定分词单元进行划分之前,可以生成缺陷词表。
服务端可以获取多个常规缺陷词和评论数据指示产品的多个特定缺陷词。这里,常规缺陷词可以是描述产品缺陷的一般词汇;特定缺陷词可以是行业专家提供的能够更准确描述产品特定部位缺陷的词汇。服务端可以依据多个常规缺陷词和多个特定缺陷词构成初始缺陷词表。
服务端可以基于初始缺陷词表,根据词向量算法对多个评论数据进行处理,获得多个语料缺陷词。其中,词向量算法可以是Word2vec(word to vector)算法。服务端可以基于词向量算法对初始缺陷词表中的常规缺陷词和特定缺陷词计算词向量,并将多个评论数据作为语料属于词向量算法,通过词向量算法从评论数据中识别出与已计算出的词向量近似的新词,作为语料缺陷词。服务端可以将从评论数据中识别出的语料缺陷词放入初始缺陷词表,从而得到缺陷词表。
在一实施例中,服务端在执行步骤320时,可以在预设的需求主题配置词库中查找与每个顾客需求特征词对应的需求主题,从而获得多个需求主题。其中,需求主题配置词库包括多个需求主题,以及对应于每一需求主题的顾客需求特征词。参见如下表1,为本申请示出的一种需求主题配置词库:
表1
针对每个顾客需求特征词,服务端可以在需求主题配置词库中查找该顾客需求特征词对应的需求主题。对每个顾客需求特征词进行查找后,可以确定所有顾客需求特征词对应的所有需求主题。服务端确定的需求主题可以与需求主题配置词库中所有需求主题一致,也可能少于需求主题配置词库中的需求主题。
服务端可以在预设的缺陷主题配置词库中查找与每个产品缺陷特征词对应的缺陷主题,从而获得多个缺陷主题。其中,缺陷主题配置词库包括多个缺陷主题,以及对应于每一缺陷主题的产品缺陷特征词。参见如下表2,为本申请示出的一种缺陷主题配置词库:
表2
针对每个产品缺陷特征词,服务端可以在缺陷主题配置词库中查找该产品缺陷特征词对应的缺陷主题。对每个产品缺陷特征词进行查找后,可以确定所有产品缺陷特征词对应的所有缺陷主题。服务端确定的缺陷主题可以与缺陷主题配置词库中给所有缺陷主题一致,也可能少于缺陷主题配置词库中的缺陷主题。
在一实施例中,计算参数可以包括需求主题与缺陷主题之间的第一关系矩阵、缺陷主题与预设多个缺陷原因之间的第二关系矩阵、缺陷原因与预设多个纠正措施之间的第三关系矩阵。
参见图5,为本申请一实施例提供的纠正措施的重要度确定方法的流程示意图,如图5所示,该方法包括以下步骤341-步骤343。
步骤341:依据各需求主题的第一重要度、各缺陷主题的第二重要度、第一关系矩阵,确定各缺陷主题的第三重要度。
其中,第一关系矩阵表示每个需求主题和每个缺陷主题之间的关系程度,关系程度可以包括“强”、“中”、“弱”三种。
服务端可以在预设缺陷报告质量屋中填入各需求主题的第一重要度、各缺陷主体的第二重要度、各需求主题与各缺陷主体之间的关系程度,进而计算出各缺陷主题的第三重要度。
针对任一缺陷主题,服务端可以依据该缺陷主题与各个需求主题之间的关系程度,确定该缺陷主题下各需求主题的权重系数。这里,不同关系程度对应的权重系数可以预先配置。示例性的,关系程度“强”对应的权重系数为3、关系程度“中”对应的权重系数为2、关系程度“强”对应的权重系数为1。服务端可以基于不同需求主题的权重系数对需求主题的第一重要度加权求和,并以加权求和结果与该缺陷主题的第二重要度相乘,获得缺陷主题的第三重要度。
参见图6,为本申请一实施例提供的缺陷报告质量屋的示意图,如图6所示,缺陷报告质量屋的左墙填入了各需求主体的第一重要度,天花板填入了各缺陷主体的第二重要度,“产品缺陷重要度”一栏为计算出的第三重要度。
以图6说明计算过程,关系程度“强”对应的权重系数为3、关系程度“中”对应的权重系数为2、关系程度“强”对应的权重系数为1,缺陷主题“漏电”与需求主题“外观”的关系程度为“中”,对应的权重系数为2;缺陷主题“漏电”与需求主题“音质”的关系程度为“强”,对应的权重系数为3;缺陷主题“漏电”与需求主题“硬件”的关系程度为“强”,对应的权重系数为3;缺陷主题“漏电”与需求主题“服务”的关系程度为“弱”,对应的权重系数为1。缺陷主题“漏电”的第三重要度为(0.938*2+1.322*3+1.058*3+2.243*1)*2.543=28.6。
步骤342:依据各缺陷主题的第三重要度、第二关系矩阵,确定各缺陷原因的第四重要度。
其中,第二关系矩阵表示每个缺陷主题和每个缺陷原因之间的关系程度,关系程度可以包括“强”、“中”、“弱”三种。
服务端可以在预设缺陷原因分析质量屋中填入各缺陷主题的第三重要度、各缺陷主题和各缺陷原因之间的关系程度,进而计算出各缺陷原因的第四重要度。
针对任一缺陷原因,服务端可以依据该缺陷原因与各个缺陷主题之间的关系程度,确定该缺陷原因下各缺陷主题的权重系数。这里,不同关系程度对应的权重系数可以预先配置。示例性的,关系程度“强”对应的权重系数为3、关系程度“中”对应的权重系数为2、关系程度“强”对应的权重系数为1。服务端可以基于不同缺陷主题的权重系数对缺陷主题的第三重要度进行加权求和,从而得到缺陷原因的第四重要度。
图7为本申请一实施例提供的缺陷原因分析质量屋的示意图,如图7所示,缺陷原因分析质量屋的左墙填入了各缺陷主题的第三重要度,“缺陷原因重要度”一栏为计算出的第四重要度。
以图7说明计算过程,关系程度“强”对应的权重系数为3、关系程度“中”对应的权重系数为2、关系程度“强”对应的权重系数为1。缺陷原因“缺乏专业技能”与各缺陷主题“漏电”、“死机”、“失灵”、“屏幕无显示”、“无法开机”、“无法上网”、“屏幕差”、“做工差”、“散热不好”的关系程度分别为“强”、“强”、“中”、“弱”、“强”、“中”、“弱”、“弱”、“弱”,在这种情况下,缺陷原因“缺乏专业技能”的第四重要度为28.6*3+9.5*3+16*2+34.4*1+25.1*3+21.5*2+15.9*1+20.9*1+9.3*1=345.1。
步骤343:依据各缺陷原因的第四重要度、第三关系矩阵,确定各纠正措施的重要度。
其中,第三关系矩阵表示每个缺陷原因与每个纠正措施之间的关系程度,关系程度可以包括“强”、“中”、“弱”三种。
服务端可以在预设纠正措施分析质量屋中填入各缺陷原因的第四重要度、各缺陷原因与各纠正措施之间的关系程度,进而计算出各纠正措施的重要度。
针对任一纠正措施,服务端可以依据该纠正措施与各个缺陷原因之间的关系程度,确定该纠正措施下各缺陷原因的权重系数。这里,不同关系程度对应的权重系数可以预先配置。示例性的,关系程度“强”对应的权重系数为3、关系程度“中”对应的权重系数为2、关系程度“强”对应的权重系数为1。服务端可以基于不通过缺陷原因的权重系数对缺陷原因的第四重要度进行加权求和,从而得到纠正措施的重要度。
图8为本申请一实施例提供的纠正措施分析质量屋的示意图,如图所示,纠正措施分析质量屋的左墙填入了各缺陷原因的第四重要度,“纠正措施重要度”一栏为计算出的各纠正措施的重要度。
以图8说明计算过程,关系程度“强”对应的权重系数为3、关系程度“中”对应的权重系数为2、关系程度“强”对应的权重系数为1。纠正措施“加强技能培训”与各缺陷原因“缺乏专业技能”、“操作不规范”、“设备老化”、“工艺设计不完善”、“工艺参数不当”、“监督工作不严格”的关系程度分别为“强”、“弱”、“弱”、“强”、“强”、“弱”,纠正措施“加权技能培训”的重要度为345.1*3+442*1+155.9*1+205.7*3+114.7*3+330.6*1=2925。
图9是本发明一实施例的一种质量改进装置的框图,如图9所示,该装置可以包括:
获取模块910,用于从多条评论数据中获取多个顾客需求特征词和多个产品缺陷特征词;
第一确定模块920,用于确定所述多个顾客需求特征词所属的多个需求主题,以及所述多个产品缺陷特征词所属的多个缺陷主题;
第二确定模块930,用于通过有序回归分析对所述评论数据进行处理,确定各需求主题的第一重要度和各缺陷主题的第二重要度;
第三确定模块940,用于依据各需求主题的第一重要度、各缺陷主题的第二重要度、预设计算参数,确定多个纠正措施的重要度;
改进模块950,用于将重要度最大的第一数量的纠正措施作为质量改进措施。
在一实施例中,改进模块950,还用于:
依据各需求主题的第一重要度、各缺陷主题的第二重要度、所述第一关系矩阵,确定各缺陷主题的第三重要度;
依据各缺陷主题的第三重要度、所述第二关系矩阵,确定各缺陷原因的第四重要度;
依据各缺陷原因的第四重要度、所述第三关系矩阵,确定各纠正措施的重要度。
上述装置中各个模块的功能和作用的实现过程具体详见上述质量改进方法中对应步骤的实现过程,在此不再赘述。
在本申请所提供的几个实施例中,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
功能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,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
Claims (8)
1.一种质量改进方法,其特征在于,包括:
从多条评论数据中获取多个顾客需求特征词和多个产品缺陷特征词;
确定所述多个顾客需求特征词所属的多个需求主题,以及所述多个产品缺陷特征词所属的多个缺陷主题;
通过有序回归分析对所述评论数据进行处理,确定各需求主题的第一重要度和各缺陷主题的第二重要度;
依据各需求主题的第一重要度、各缺陷主题的第二重要度、所述需求主题与所述缺陷主题之间的第一关系矩阵,确定各缺陷主题的第三重要度;
依据各缺陷主题的第三重要度、所述缺陷主题与预设多个缺陷原因之间的第二关系矩阵,确定各缺陷原因的第四重要度;
依据各缺陷原因的第四重要度、所述缺陷原因与预设多个纠正措施之间的第三关系矩阵,确定各纠正措施的重要度;
将重要度最大的第一数量的纠正措施作为质量改进措施。
2.根据权利要求1所述的方法,其特征在于,所述从多条评论数据中获取多个顾客需求特征词和多个产品缺陷特征词,包括:
针对每条评论数据分别进行分词处理,得到多个分词单元和分词单元的词性;
筛选出词性为目标词性的多个分词单元;
依据Apriori算法对所述目标词性对应的多个分词单元进行筛选,获得指定分词单元;
通过缺陷词表将所述指定分词单元划分为多个顾客需求特征词和多个产品缺陷特征词。
3.根据权利要求2所述的方法,其特征在于,在所述依据Apriori算法对所述目标词性对应的多个分词单元进行筛选之前,所述方法还包括:
通过评估函数对所述目标词性对应的多个分词单元计算评估参数;
筛选出评估参数最大的第二数量的分词单元,以基于所述Apriori算法进行筛选。
4.根据权利要求2所述的方法,其特征在于,在所述通过缺陷词表将所述指定分词单元划分为多个顾客需求特征词和多个产品缺陷特征词之前,所述方法还包括:
获取多个常规缺陷词和所述评论数据指示产品的多个特定缺陷词,并依据所述常规缺陷词和所述特定缺陷词构建初始缺陷词表;
基于所述初始缺陷词表,根据词向量算法对所述多条评论数据进行处理,获得多个语料缺陷词,并将所述语料缺陷词放入所述初始缺陷词表,获得所述缺陷词表。
5.根据权利要求1所述的方法,其特征在于,所述确定所述多个顾客需求特征词所属的多个需求主题,以及所述多个产品缺陷特征词所属的多个缺陷主题,包括:
在预设的需求主题配置词库中查找与每个顾客需求特征词对应的需求主题,获得多个需求主题;
在预设的缺陷主题配置词库中查找与每个产品缺陷特征词对应的缺陷主题,获得多个缺陷主题。
6.一种质量改进装置,其特征在于,包括:
获取模块,用于从多条评论数据中获取多个顾客需求特征词和多个产品缺陷特征词;
第一确定模块,用于确定所述多个顾客需求特征词所属的多个需求主题,以及所述多个产品缺陷特征词所属的多个缺陷主题;
第二确定模块,用于通过有序回归分析对所述评论数据进行处理,确定各需求主题的第一重要度和各缺陷主题的第二重要度;
第三确定模块,用于依据各需求主题的第一重要度、各缺陷主题的第二重要度、所述需求主题与所述缺陷主题之间的第一关系矩阵,确定各缺陷主题的第三重要度;依据各缺陷主题的第三重要度、所述缺陷主题与预设多个缺陷原因之间的第二关系矩阵,确定各缺陷原因的第四重要度;依据各缺陷原因的第四重要度、所述缺陷原因与预设多个纠正措施之间的第三关系矩阵,确定各纠正措施的重要度;
改进模块,用于将重要度最大的第一数量的纠正措施作为质量改进措施。
7.一种电子设备,其特征在于,所述电子设备包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为执行权利要求1-5任意一项所述的质量改进方法。
8.一种计算机可读存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序可由处理器执行以完成权利要求1-5任意一项所述的质量改进方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110775302.6A CN113449507B (zh) | 2021-07-08 | 2021-07-08 | 质量改进方法及装置、电子设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110775302.6A CN113449507B (zh) | 2021-07-08 | 2021-07-08 | 质量改进方法及装置、电子设备、存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113449507A CN113449507A (zh) | 2021-09-28 |
CN113449507B true CN113449507B (zh) | 2023-02-17 |
Family
ID=77815556
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110775302.6A Active CN113449507B (zh) | 2021-07-08 | 2021-07-08 | 质量改进方法及装置、电子设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113449507B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110826323A (zh) * | 2019-10-24 | 2020-02-21 | 新华三信息安全技术有限公司 | 评论信息有效性检测方法及装置 |
CN111258905A (zh) * | 2020-01-19 | 2020-06-09 | 中信银行股份有限公司 | 缺陷定位方法、装置和电子设备及计算机可读存储介质 |
CN112417845A (zh) * | 2020-11-18 | 2021-02-26 | 武汉大学 | 一种文本评价方法、装置、电子设备及存储介质 |
CN113032554A (zh) * | 2019-12-24 | 2021-06-25 | Tcl集团股份有限公司 | 一种决策***和计算机可读存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10909550B2 (en) * | 2013-03-12 | 2021-02-02 | Oracle International Corporation | Method and system for performing trend analysis of themes in social data |
-
2021
- 2021-07-08 CN CN202110775302.6A patent/CN113449507B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110826323A (zh) * | 2019-10-24 | 2020-02-21 | 新华三信息安全技术有限公司 | 评论信息有效性检测方法及装置 |
CN113032554A (zh) * | 2019-12-24 | 2021-06-25 | Tcl集团股份有限公司 | 一种决策***和计算机可读存储介质 |
CN111258905A (zh) * | 2020-01-19 | 2020-06-09 | 中信银行股份有限公司 | 缺陷定位方法、装置和电子设备及计算机可读存储介质 |
CN112417845A (zh) * | 2020-11-18 | 2021-02-26 | 武汉大学 | 一种文本评价方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113449507A (zh) | 2021-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108320171B (zh) | 热销商品预测方法、***及装置 | |
US11709875B2 (en) | Prioritizing survey text responses | |
US9117006B2 (en) | Recommending keywords | |
CN107256267A (zh) | 查询方法和装置 | |
CN104933081A (zh) | 一种搜索建议提供方法及装置 | |
CN112507196A (zh) | 融合排序模型的训练方法、搜索排序方法、装置和设备 | |
CN111639247A (zh) | 用于评估评论的质量的方法、装置、设备以及计算机可读存储介质 | |
CN111680165B (zh) | 信息匹配方法、装置、可读存储介质和电子设备 | |
US20040267554A1 (en) | Methods and systems for semi-automated job requisition | |
CN110706028A (zh) | 基于属性特征的商品评价情感分析*** | |
CN108153735B (zh) | 一种近义词的获取方法及*** | |
Irawaty et al. | Vectorizer comparison for sentiment analysis on social media youtube: A case study | |
CN105405051A (zh) | 金融事件预测方法和装置 | |
CN116579351B (zh) | 一种用户评价信息的分析方法及装置 | |
CN115577890A (zh) | 智能质量管理方法、电子装置及存储介质 | |
CN117593089A (zh) | ***推荐方法、装置、设备、存储介质及程序产品 | |
CN113449507B (zh) | 质量改进方法及装置、电子设备、存储介质 | |
CN110019702B (zh) | 数据挖掘方法、装置和设备 | |
CN112445908A (zh) | 商品评论信息的展示方法、装置、电子设备和存储介质 | |
CN111859946A (zh) | 对评论进行排序的方法和装置及机器可读存储介质 | |
CN108334522B (zh) | 确定海关编码的方法,以及确定类型信息的方法和*** | |
CN105893397A (zh) | 一种视频推荐方法及装置 | |
CN115186063A (zh) | 一种业务数据处理方法、装置、设备及存储介质 | |
CN110795537B (zh) | 一种确定目标商品的改进策略的方法、装置、设备和介质 | |
CN114329210A (zh) | 信息推荐方法、装置及电子设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |