一种客户体验管理方法和系统与流程

1.本发明属于数据处理技术领域，具体涉及一种客户体验管理方法和系统。


背景技术：

2.在企业发展过程中，良好的用户口碑能够为企业带来更多的客户；反之，低劣的用户口碑会使企业失去现有客户。
3.现有技术中，为了获取用户对于企业产品的口碑的好坏，了解用户对产品的认可程度和购买意愿，企业往往通过向用户发送调查问卷来获取用户调查数据，并根据上述用户调查数据计算净推荐值（nps，net promoter score）来衡量用户口碑及客户的忠诚度等。
4.现有的净推荐值获取的工作流程主要包括：每月由人工抽取1-2个月之前的客户数据作为被调查样本，并通过电话方式向客户实施nps调查，然后将客户的推荐意愿评分及客户反馈的评分原因记录到系统。之后，每月在系统提取调查结果数据清单及将清单反馈至nps管理部门，nps管理部门根据清单数据进行数据清洗、数据分析等并最终生成nps数据分析报告。从最初客户数据的抽取到获取nps数据分析结果这一整个过程，不仅人工参与的工作量较大，还存在抽取的调查样本偏差不稳定、净推荐值计算准确性低、调查时效滞后、难以准确评价客户体验等问题。


技术实现要素：

5.为了解决现有技术通过向用户发送调查问卷来获取用户调查数据，并根据上述用户调查数据计算净推荐值来衡量用户口碑及客户的忠诚度，不仅人工参与的工作量较大，费时费力，还存在抽取的调查样本偏差不稳定、净推荐值计算准确性低、调查时效滞后、难以准确评价客户体验的技术问题，本发明提供一种客户体验管理方法和系统。
6.第一方面本发明提供了一种客户体验管理方法，包括：s101：获取目标产品在预设历史时间段内多个平台上的评论数据；s102：通过句法依存分析算法，从所述评论数据中提取出特征词以及对应的观点词；s103：通过基于超链接的主题搜索算法，计算各个特征词的置信度，保留置信度大于预设置信度的特征词以及对应的观点词；s104：根据各个特征词之间的语义相似度，将同义特征词聚合形成产品特征簇；s105：统计各个所述产品特征簇中含有的特征词的数量，保留含有特征词的数量大于预设数量的产品特征簇，去除含有特征词的数量小于或者等于预设数量的产品特征簇；s106：确定保留下来的产品特征簇的权重；s107：计算各个平台的数据可信度；s108：统计各个产品特征簇中所含有的来源于各个平台的正向观点词以及负向观
点词的数量；s109：根据各个产品特征簇的权重、各个平台的数据可信度以及各个产品特征簇中所含有的来源于各个平台的正向观点词以及负向观点词数量，计算用户对于所述目标产品的客户体验满意度；s110：当用户对于所述目标产品的客户体验满意度低于预设满意度时，发出警报。
7.第二方面本发明提供了一种客户体验管理系统，用于执行第一方面中的客户体验管理方法。
8.与现有技术相比，本发明至少具有以下有益技术效果：（1）在本发明中，获取目标产品在预设历史时间段内多个平台上的评论数据，进而根据多个平台上的评论数据提取出特征词以及对应的观点词，并将特征词聚类为产品特征簇，根据各个产品特征簇的权重、各个平台的数据可信度以及各个产品特征簇中所含有的来源于各个平台的正向观点词以及负向观点词数量，自动化地计算用户对于所述目标产品的客户体验满意度，无需人工参与，省时省力，数据来源稳定、客户体验满意度计算准确性高、调查时效及时性高、可以准确评价对于目标产品的客户体验。
9.（2）在本发明中，使用基于超链接的主题搜索算法计算特征词的置信度，并保留置信度大于预设阈值的特征词和对应的观点词，可以提高数据的可信度，排除不可靠的评论和观点，从而更准确地反映用户的体验和意见。
10.（3）在本发明中，通过根据特征词之间的语义相似度，将同义特征词聚合成产品特征簇，可以将相似的评价和意见聚合在一起，减少数据冗余，提取出更重要的特征信息。
11.（4）在本发明中，在计算客户体验满意度的过程中考虑各个平台的数据可信度，避免用户在个别平台的恶意差评行为，提高数据的可信度，从而更准确地反映用户的体验和意见。
附图说明
12.下面将以明确易懂的方式，结合附图说明优选实施方式，对本发明的上述特性、技术特征、优点及其实现方式予以进一步说明。
13.图1是本发明提供的一种客户体验管理方法的流程示意图；图2是本发明提供的一种客户体验管理方法的结构示意图。
具体实施方式
14.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对照附图说明本发明的具体实施方式。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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，并获得其他的实施方式。
15.为使图面简洁，各图中只示意性地表示出了与发明相关的部分，它们并不代表其作为产品的实际结构。另外，以使图面简洁便于理解，在有些图中具有相同结构或功能的部件，仅示意性地绘示了其中的一个，或仅标出了其中的一个。在本文中，“一个”不仅表示“仅此一个”，也可以表示“多于一个”的情形。
16.还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
17.在本文中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接。可以是机械连接，也可以是电连接。可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
18.另外，在本发明的描述中，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。
实施例1
19.在一个实施例中，参考说明书附图1，示出了本发明提供的客户体验管理方法的流程示意图。参考说明书附图2，示出了本发明提供的一种客户体验管理方法的结构示意图。
20.本发明提供的一种客户体验管理方法，包括：s101：获取目标产品在预设历史时间段内多个平台上的评论数据。
21.可选地，目标产品可以是一家店铺、一家餐厅、一个应用程序、一款游戏，本发明对于目标产品的具体类型不做限制。
22.其中，本领域技术人员可以根据实际情况设置预设历史时间段的大小，本发明不做限定。
23.可选地，预设历史时间段为过去一个月之内。
24.s102：通过句法依存分析算法，从评论数据中提取出特征词以及对应的观点词。
25.其中，句法依存分析是自然语言处理中的一项重要任务，其目标是分析句子中单词之间的语法依存关系，构建出句子的依存关系树或依存图。在依存关系树或依存图中，每个单词作为一个节点，彼此之间通过依存关系进行连接。依存关系描述了单词之间的修饰、从属关系，以及句子的语法结构。
26.其中，特征词是指评论中用于描述目标产品或服务特征、属性、功能等的词语。例如，对于一款手机产品，特征词可能包括“屏幕大小”、“电池续航”、“性能”、“外观设计”等。
27.其中，观点词是指评论中用于表达用户对特征词所描述特征的态度、情感、评价或意见的词语。例如，对于手机产品中的特征词“电池续航”，观点词可能包括“长久”、“持久”等正向观点词，以及“短暂”、“不足”等负向观点词。
28.具体而言，可以使用预定义的语法规则和依存关系模式来分析句子的结构。基于规则的方法通常利用词性标注、句法标记等预处理信息，并应用一系列规则来确定单词之间的依存关系。
29.在实际应用过程中，申请人发现句子的语义往往是由不同单词之间的复杂关系和依赖关系所构成的，然而某些句子语法结构复杂，单词之间的依赖关系可能跨越较长的距离，难以进行准确地捕捉，同时，某些单词可能具有多义性，而在不同上下文中可能有不同的含义，这也导致分词困难。由此，申请人提供了一种全新的基于注意力机制的分词算法。
30.在一种可能的实施方式中，s102具体包括子步骤s1021至s1026：s1021：分析评论数据的句法依存关系。
31.其中，句法依存关系包括：主谓关系sbv、定中关系att、状中关系adv、动宾关系vob、并列关系conj等。
32.具体而言，可以使用预定义的语法规则和依存关系模式来分析句法依存关系，或者，可以使用机器学习算法来分析句法依存关系。
33.s1022：根据评论数据中的各个字符之间的句法依存关系，构建句法关系矩阵：；其中，表示句法关系矩阵m中第i行第j列的元素，表示第i个字符与第j个字符之间是否存在句法依存关系，当=1时，表示第i个字符与第j个字符之间存在句法依存关系，当=0时，表示第i个字符与第j个字符之间不存在句法依存关系，表示第j个字符的所表示的节点，表示第i个字符连通节点集合，表示第j个字符连通节点集合。
34.s1023：根据句法关系矩阵m以及各个字符在评论数据中的位置，构建位置关系矩阵：；其中，表示位置关系矩阵p中第i行第j列的元素，表示从第i个字符到被支配的第j个字符的正向跳跃数，表示从被支配的第i个字符到第j个字符的反向跳跃数。
35.s1024：引入注意力机制，构建分词神经网络，分词神经网络的前向传播过程可表示为：；其中，表示第i个字符的输出向量，表示第i个字符与第j个字符之间的注意力权重，表示第i个字符的特征向量，表示第j个字符的特征向量，和表示分词神经网络的模型参数，表示激活函数，表示第i个字符与第j个字符之间的相关性分数，d表示特征向量的维度，表示矩阵转置。
36.需要说明的是，引入注意力机制，允许网络根据输入的信息动态地调整对不同位置的关注程度。具体来说，注意力机制可以根据各个字符之间的相关性分数来赋予它们不
同的权重，从而在特定任务中更关注重要的字符，忽略不相关的字符。引入注意力机制的分词神经网络可以考虑词语之间的语义关联性，从而更好地理解句子的结构和含义。这有助于提高特征词和观点词的准确性，避免对无关信息的误解。
37.s1025：根据各个字符的输出向量，对评论数据进行分词。
38.需要说明的是，采用机器学习算法和神经网络，整个过程可以实现自动化处理，无需人工干预。这样可以大大提高处理评论数据的效率和准确性，节省人力成本。
39.进一步地，句法依存分析和神经网络方法可以支持对大规模评论数据的处理，适用于大量用户对产品或服务的评价进行综合分析，帮助企业更好地了解用户需求和改进产品。
40.s1026：根据多种抽取规则，从评论数据中抽取出特征词以及对应的观点词。
41.在一种可能的实施方式中，s1026具体包括：当两个词语为主谓关系sbv时，将主语作为特征词，将谓语作为与之对应的观点词。
42.需要说明的是，当两个词语为主谓关系sbv时：主谓关系是指一个词作为主语，另一个词作为谓语，表达了一个主体执行的动作。在这种情况下，将主语作为特征词，将谓语作为与之对应的观点词。例如，对于句子“小明喜欢这个产品”，“小明”是特征词，而“喜欢”是对应的观点词，描述了小明对产品的喜欢程度。
43.当两个词语为定中关系att时，将中心词作为特征词，将定语作为与之对应的观点词。
44.需要说明的是，当两个词语为定中关系att时：定中关系是指一个词作为中心词，另一个词作为定语，用于修饰中心词。在这种情况下，将中心词作为特征词，将定语作为与之对应的观点词。例如，对于句子“这个手机的屏幕很大”，“手机”是特征词，而“屏幕很大”是对应的观点词，描述了手机的特征。
45.当两个词语为状中关系adv时，将中心词作为特征词，将状语作为与之对应的观点词。
46.需要说明的是，当两个词语为状中关系adv时：状中关系是指一个词作为中心词，另一个词作为状语，用于描述中心词的状态或程度。在这种情况下，将中心词作为特征词，将状语作为与之对应的观点词。例如，对于句子“这家餐厅的服务非常好”，“餐厅”是特征词，而“非常好”是对应的观点词，描述了餐厅的服务状态。
47.可选地，抽取规则还可以包括：当两个词语为动宾关系vob时：动宾关系是指一个词作为动词，另一个词作为宾语，用于描述动作的执行对象。在这种情况下，可以将宾语作为特征词，将动词作为对应的观点词；当两个词语为并列关系conj时：并列关系是指两个词在同一句子中并列出现，没有从属关系。在这种情况下，可以将两个并列词都作为特征词，但需要注意它们之间可能存在不同的观点。
48.在本发明中，引入注意力机制可以使模型更有针对性地关注句子中的关键信息，在面对语法结构复杂的句子时，可以更好地捕捉这种长距离的依赖关系，使得分析结果更准确。进一步地，在面对具有多义性的单词时，注意力机制可以帮助模型根据上下文动态选
择合适的含义，从而更好地理解句子的语义。
49.s103：通过基于超链接的主题搜索算法，计算各个特征词的置信度，保留置信度大于预设置信度的特征词以及对应的观点词。
50.其中，基于超链接的主题搜索算法是一种用于计算特征词置信度的方法，它可以帮助识别重要的特征词和对应的观点词。该算法基于网络图的概念，使用超链接的结构来表示特征词与观点词之间的关系，类似于网页之间的链接关系。
51.其中，本领域技术人员可以根据实际情况设置预设置信度的大小，本发明不做限定。
52.需要说明的是，保留置信度大于预设置信度的特征词以及对应的观点词可以增加数据的可信度，减少数据中的冗余信息。
53.在一种可能的实施方式中，s103具体包括子步骤s1031至s1037：s1031：将抽取规则作为hub节点，特征词作为authority节点，定义表示特征词与抽取规则之间的二分有向图，f表示特征词集，ex表示抽取规则集合，表示抽取规则集合指向特征词集的边集合，则特征词与抽取规则之间的二分有向图的邻接矩阵为：；其中，表示抽取规则ex与特征词之间的关系，若成立，表示抽取规则ex可以成功抽取特征词，计为1。
54.s1032：根据特征词与抽取规则之间的二分有向图的邻接矩阵，计算特征词的置信度向量以及抽取规则的置信度向量：；其中，表示特征词的置信度向量，表示抽取规则的置信度向量，表示矩阵转置。
55.s1033：将观点词作为hub节点，特征词作为authority节点，定义表示特征词与观点词之间的二分有向图，f表示特征词集，o表示观点词集，表示观点词集指向特征词集的边集合，则特征词与观点词之间的二分有向图的邻接矩阵为：；其中，表示观点词o与特征词之间的关系，若成立，表示观点词o与特征词同时出现，计为1。
56.s1034：根据特征词与观点词之间的二分有向图的邻接矩阵，计算特征词的置信度向量以及观点词的置信度向量：；其中，表示特征词的置信度向量，表示特征词的置信度向量。
57.s1035：将抽取规则作为hub节点，观点词作为authority节点，定义表示特征词与抽取规则之间的二分有向图，o表示观点词集，ex表示抽取规则集合，表示抽取规则集合指向观点词集的边集合，则观点词与抽取规则之间的二分有向图的邻接矩阵为：；其中，表示通过抽取规则ex与观点词o之间的关系，若成立，表示抽取规则ex可以成功抽取观点词o，计为1。
58.s1036：根据以下公式，计算抽取规则、特征词以及观点词的置信度矩阵：；其中，a表示特征词的置信度矩阵，表示观点词的置信度矩阵、表示抽取规则的置信度矩阵，表示质信度参数。
59.其中，本领域技术人员可以根据实际情况设置质信度参数的大小，本发明不做限定。
60.需要说明的是，特征词的置信度矩阵a，观点词的置信度矩阵、抽取规则的置信度矩阵三者相互影响，特征词的置信度矩阵a由观点词的置信度矩阵和抽取规则的置信度矩阵共同决定，观点词的置信度矩阵由特征词的置信度矩阵a和抽取规则的置信度矩阵共同决定，抽取规则的置信度矩阵由特征词的置信度矩阵a和观点词的置信度矩阵共同决定。三者通过上述公式互相增强彼此的可信度。
61.在本发明中，通过构建二分有向图和邻接矩阵，将特征词、抽取规则和观点词之间的关系进行综合考虑，而不是单独处理，从而得到更全面和准确的信息。通过相互增强可信度，可以降低由于错误或不完整信息导致的误差。特征词和观点词的选择对于后续的计算客户体验满意度至关重要，通过增强可信度，可以减少误判和错误结果。
62.s1037：对特征词的置信度矩阵a中的各个特征词的置信度进行排序，保留置信度大于预设置信度的特征词以及对应的观点词。
63.在本发明中，使用基于超链接的主题搜索算法计算特征词的置信度，并保留置信度大于预设阈值的特征词和对应的观点词，可以提高数据的可信度，排除不可靠的评论和观点，从而更准确地反映用户的体验和意见。
64.s104：根据各个特征词之间的语义相似度，将同义特征词聚合形成产品特征簇。
65.在一种可能的实施方式中，s104具体包括子步骤s1041至s1045：s1041：通过词嵌入技术，提取各个特征词的词向量。
66.其中，词嵌入技术是自然语言处理领域的一种重要技术，将文本中的词语映射为实数向量，并且在向量空间中保留了词语之间的语义关系。
67.具体地，词嵌入技术可以是word2vec、glove、fasttext等。
68.s1042：随机初始化k个聚类中心。
69.s1043：根据各个特征词的词向量，计算当前特征词到各个聚类中心的中心点的距离：；其中，表示当前特征词到第j个聚类中心的距离，表示当前特征词的词向量中的第i个元素，表示第j个聚类中心的中心点的词向量中的第i个元素，s表示词向量的维度。
70.s1044：将当前特征词划分到最小的聚类中，并更新聚类中心。
71.s1045：继续选取下一个特征词，直至完成所有特征词的聚类，得到k个产品特征簇。
72.在本发明中，通过根据特征词之间的语义相似度，将同义特征词聚合成产品特征簇，可以将相似的评价和意见聚合在一起，减少数据冗余，提取出更重要的特征信息。
73.s105：统计各个产品特征簇中含有的特征词的数量，保留含有特征词的数量大于预设数量的产品特征簇，去除含有特征词的数量小于或者等于预设数量的产品特征簇。
74.需要说明的是，通过保留含有特征词数量大于预设数量的产品特征簇，去除含有特征词数量小于或等于预设数量的簇，可以提高聚类的准确性，减少特征冗余，降低计算复杂性，并为后续的数据分析和挖掘任务提供更有效、准确的特征信息，从而增强对产品特征的理解和洞察力。
75.s106：确定保留下来的产品特征簇的权重。
76.在一种可能的实施方式中，s106具体包括子步骤s1061至s1063：s1061：通过对各个产品特征簇进行两两比较，结合九级标度法，建立判别矩阵a： ；
其中，表示第i个产品特征簇相对于第j个产品特征簇的重要程度，的取值可通过九极标度法确定，n表示产品特征簇的总数。
77.其中，九极标度法是一种常用的量化评估方法，用于在多个选项或因素之间进行比较和判定优劣。使用九级标度法，让决策者对产品特征簇a和产品特征簇b之间的重要性进行比较。比较的结果通常基于主观感受，决策者需要选择一个九级标度法中的一个数字，表示a相对于b的重要性程度。
78.s1062：计算判别矩阵a的特征向量和特征值：；其中，表示判别矩阵a的特征值，w表示判别矩阵a的特征向量，取最大的特征值记为，与最大的特征值对应的特征向量记为，。
79.s1063：对最大的特征值对应的特征向量进行归一化处理：；其中，归一化后的向量的各个分量分别代表各个产品特征簇的权重，可分别记为。
80.需要说明的是，通过确定产品特征簇的权重，可以量化特征簇的重要性，帮助决策制定，简化决策过程，优化产品设计和改进。这样做可以使产品管理和决策更加科学和客观，为企业提供更有价值的决策支持。
81.s107：计算各个平台的数据可信度。
82.在一种可能的实施方式中，s107具体包括子步骤s1071至s1073：s1071：统计各个产品特征簇中所含有的来源于各个平台的特征词的数量。
83.s1072：计算第j个平台与其他平台的评论数据的接近度：；其中，表示第j个平台与其他平台的评论数据的接近度，表示第i个产品特征簇中所含有的来源于第j个平台的特征词的数量，表示第i个产品特征簇中所含有的特征词在各个平台中的平均数，n表示产品特征簇的总数。
84.可以理解的是，如果某个平台与其他平台的评论数据的接近度越高，说明该平台所提供的数据在整体评论数据中具有更高的一致性和稳定性，该平台的数据存在恶意差评或者恶意刷单行为的可能性越低，其数据可信度越高。
85.s1073：对各个平台的接近度进行标准化处理，得到第j个平台的数据可信度：；其中，表示第j个平台的数据可信度，m表示平台的数量。
86.在本发明中，在计算客户体验满意度的过程中考虑各个平台的数据可信度，避免用户在个别平台的恶意差评行为，提高数据的可信度，从而更准确地反映用户的体验和意见。
87.s108：统计各个产品特征簇中所含有的来源于各个平台的正向观点词以及负向观点词的数量。
88.其中，正向观点词用于表示积极、赞赏或支持的态度，通常用于表达对某事物的好感、满意、喜爱等正面情感。例如：“优秀”、“棒”、“高兴”、“满意”等词汇都属于正向观点词。
89.其中，负向观点词用于表示消极、不满或批评的态度，通常用于表达对某事物的不满意、厌恶、负面评价等负面情感。例如：“糟糕”、“糗”、“失望”、“讨厌”等词汇都属于负向观点词。
90.s109：根据各个产品特征簇的权重、各个平台的数据可信度以及各个产品特征簇中所含有的来源于各个平台的正向观点词以及负向观点词数量，计算用户对于目标产品的客户体验满意度。
91.在一种可能的实施方式中，s109具体为：根据以下公式计算用户对于目标产品的客户体验满意度：；其中，s表示客户体验满意度，表示第i个产品特征簇的权重，表示第j个平台的数据可信度，表示第i个产品特征簇中所含有的来源于第j个平台的正向观点的数量，表示第i个产品特征簇中所含有的来源于第j个平台的负向观点词的数量，n表示产品特征簇的数量，m表示平台的数量。
92.在本发明中，根据各个产品特征簇的权重、各个平台的数据可信度以及各个产品特征簇中所含有的来源于各个平台的正向观点词以及负向观点词数量，自动化地计算用户对于目标产品的客户体验满意度，无需人工参与，省时省力，数据来源稳定、客户体验满意度计算准确性高、调查时效及时性高、可以准确评价对于目标产品的客户体验。
93.s110：当用户对于目标产品的客户体验满意度低于预设满意度时，发出警报。
94.其中，本领域技术人员可以根据实际情况设置预设满意度的大小，本发明不做限定。
95.在一种可能的实施方式中，s110具体为：当用户对于目标产品的客户体验满意度低于预设满意度时，通过以下至少一种方式发出警报：
显示警报弹窗。
96.发送警报邮件通知相关人员。
97.或者，发送警报短信通知相关人员。
98.需要说明的是，发出警报是一种及时响应用户不满意的重要手段，有助于提高产品质量和用户体验，增强企业的竞争力和声誉。同时，警报系统的设置需要根据实际情况和预设满意度来确定，以保证警报的准确性和可信度。
99.与现有技术相比，本发明至少具有以下有益技术效果：（1）在本发明中，获取目标产品在预设历史时间段内多个平台上的评论数据，进而根据多个平台上的评论数据提取出特征词以及对应的观点词，并将特征词聚类为产品特征簇，根据各个产品特征簇的权重、各个平台的数据可信度以及各个产品特征簇中所含有的来源于各个平台的正向观点词以及负向观点词数量，自动化地计算用户对于目标产品的客户体验满意度，无需人工参与，省时省力，数据来源稳定、客户体验满意度计算准确性高、调查时效及时性高、可以准确评价对于目标产品的客户体验。
100.（2）在本发明中，使用基于超链接的主题搜索算法计算特征词的置信度，并保留置信度大于预设阈值的特征词和对应的观点词，可以提高数据的可信度，排除不可靠的评论和观点，从而更准确地反映用户的体验和意见。
101.（3）在本发明中，通过根据特征词之间的语义相似度，将同义特征词聚合成产品特征簇，可以将相似的评价和意见聚合在一起，减少数据冗余，提取出更重要的特征信息。
102.（4）在本发明中，在计算客户体验满意度的过程中考虑各个平台的数据可信度，避免用户在个别平台的恶意差评行为，提高数据的可信度，从而更准确地反映用户的体验和意见。
实施例2
103.在一个实施例中，本发明提供的一种客户体验管理系统，用于执行实施例1中的客户体验管理方法。
104.本发明提供的一种客户体验管理系统可以实现上述实施例1中的客户体验管理方法的步骤和效果，为避免重复，本发明不再赘述。
105.与现有技术相比，本发明至少具有以下有益技术效果：（1）在本发明中，获取目标产品在预设历史时间段内多个平台上的评论数据，进而根据多个平台上的评论数据提取出特征词以及对应的观点词，并将特征词聚类为产品特征簇，根据各个产品特征簇的权重、各个平台的数据可信度以及各个产品特征簇中所含有的来源于各个平台的正向观点词以及负向观点词数量，自动化地计算用户对于所述目标产品的客户体验满意度，无需人工参与，省时省力，数据来源稳定、客户体验满意度计算准确性高、调查时效及时性高、可以准确评价对于目标产品的客户体验。
106.（2）在本发明中，使用基于超链接的主题搜索算法计算特征词的置信度，并保留置信度大于预设阈值的特征词和对应的观点词，可以提高数据的可信度，排除不可靠的评论和观点，从而更准确地反映用户的体验和意见。
107.（3）在本发明中，通过根据特征词之间的语义相似度，将同义特征词聚合成产品特征簇，可以将相似的评价和意见聚合在一起，减少数据冗余，提取出更重要的特征信息。
108.（4）在本发明中，在计算客户体验满意度的过程中考虑各个平台的数据可信度，避免用户在个别平台的恶意差评行为，提高数据的可信度，从而更准确地反映用户的体验和意见。
109.以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
110.以上实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

技术特征：
1.一种客户体验管理方法，其特征在于，包括：s101：获取目标产品在预设历史时间段内多个平台上的评论数据；s102：通过句法依存分析算法，从所述评论数据中提取出特征词以及对应的观点词；s103：通过基于超链接的主题搜索算法，计算各个特征词的置信度，保留置信度大于预设置信度的特征词以及对应的观点词；s104：根据各个特征词之间的语义相似度，将同义特征词聚合形成产品特征簇；s105：统计各个所述产品特征簇中含有的特征词的数量，保留含有特征词的数量大于预设数量的产品特征簇，去除含有特征词的数量小于或者等于预设数量的产品特征簇；s106：确定保留下来的产品特征簇的权重；s107：计算各个平台的数据可信度；s108：统计各个产品特征簇中所含有的来源于各个平台的正向观点词以及负向观点词的数量；s109：根据各个产品特征簇的权重、各个平台的数据可信度以及各个产品特征簇中所含有的来源于各个平台的正向观点词以及负向观点词数量，计算用户对于所述目标产品的客户体验满意度；s110：当用户对于所述目标产品的客户体验满意度低于预设满意度时，发出警报。2.根据权利要求1所述的客户体验管理方法，其特征在于，所述s102具体包括：s1021：分析所述评论数据的句法依存关系；s1022：根据所述评论数据中的各个字符之间的句法依存关系，构建句法关系矩阵：；其中，表示句法关系矩阵m中第i行第j列的元素，表示第i个字符与第j个字符之间是否存在句法依存关系，当=1时，表示第i个字符与第j个字符之间存在句法依存关系，当=0时，表示第i个字符与第j个字符之间不存在句法依存关系，表示第j个字符的所表示的节点，表示第i个字符连通节点集合，表示第j个字符连通节点集合；s1023：根据所述句法关系矩阵m以及各个字符在所述评论数据中的位置，构建位置关系矩阵：；其中，表示位置关系矩阵p中第i行第j列的元素，表示从第i个字符到被支配的第j个字符的正向跳跃数，表示从被支配的第i个字符到第j个字符的反向跳跃数；s1024：引入注意力机制，构建分词神经网络，所述分词神经网络的前向传播过程可表示为：
；其中，表示第i个字符的输出向量，表示第i个字符与第j个字符之间的注意力权重，表示第i个字符的特征向量，表示第j个字符的特征向量，和表示所述分词神经网络的模型参数，表示激活函数，表示第i个字符与第j个字符之间的相关性分数，d表示特征向量的维度，表示矩阵转置；s1025：根据各个字符的输出向量，对所述评论数据进行分词；s1026：根据多种抽取规则，从所述评论数据中抽取出特征词以及对应的观点词。3.根据权利要求2所述的客户体验管理方法，其特征在于，所述s1026具体包括：当两个词语为主谓关系sbv时，将主语作为特征词，将谓语作为与之对应的观点词；当两个词语为定中关系att时，将中心词作为特征词，将定语作为与之对应的观点词；当两个词语为状中关系adv时，将中心词作为特征词，将状语作为与之对应的观点词。4.根据权利要求1所述的客户体验管理方法，其特征在于，所述s103具体包括：s1031：将抽取规则作为hub节点，特征词作为authority节点，定义表示特征词与抽取规则之间的二分有向图，f表示特征词集，ex表示抽取规则集合，表示抽取规则集合指向特征词集的边集合，则特征词与抽取规则之间的二分有向图的邻接矩阵为：；其中，表示抽取规则ex与特征词之间的关系，若成立，表示抽取规则ex可以成功抽取特征词，计为1；s1032：根据特征词与抽取规则之间的二分有向图的邻接矩阵，计算特征词的置信度向量以及抽取规则的置信度向量：；其中，表示特征词的置信度向量，表示抽取规则的置信度向量，表示矩阵转置；s1033：将观点词作为hub节点，特征词作为authority节点，定义表示特征词与观点词之间的二分有向图，f表示特征词集，o表示观点词集，表示观点词集指向
特征词集的边集合，则特征词与观点词之间的二分有向图的邻接矩阵为：；其中，表示观点词o与特征词之间的关系，若成立，表示观点词o与特征词同时出现，计为1；s1034：根据特征词与观点词之间的二分有向图的邻接矩阵，计算特征词的置信度向量以及观点词的置信度向量：；其中，表示特征词的置信度向量，表示特征词的置信度向量；s1035：将抽取规则作为hub节点，观点词作为authority节点，定义表示特征词与抽取规则之间的二分有向图，o表示观点词集，ex表示抽取规则集合，表示抽取规则集合指向观点词集的边集合，则观点词与抽取规则之间的二分有向图的邻接矩阵为：；其中，表示通过抽取规则ex与观点词o之间的关系，若成立，表示抽取规则ex可以成功抽取观点词o，计为1；s1036：根据以下公式，计算抽取规则、特征词以及观点词的置信度矩阵：；其中，a表示特征词的置信度矩阵，表示观点词的置信度矩阵、表示抽取规则的置信度矩阵，表示质信度参数；s1037：对特征词的置信度矩阵a中的各个特征词的置信度进行排序，保留置信度大于预设置信度的特征词以及对应的观点词。5.根据权利要求1所述的客户体验管理方法，其特征在于，所述s104具体包括：s1041：通过词嵌入技术，提取各个特征词的词向量；s1042：随机初始化k个聚类中心；s1043：根据各个特征词的词向量，计算当前特征词到各个聚类中心的中心点的距离：
；其中，表示当前特征词到第j个聚类中心的距离，表示当前特征词的词向量中的第i个元素，表示第j个聚类中心的中心点的词向量中的第i个元素，s表示词向量的维度；s1044：将所述当前特征词划分到最小的聚类中，并更新聚类中心；s1045：继续选取下一个特征词，直至完成所有特征词的聚类，得到k个产品特征簇。6.根据权利要求1所述的客户体验管理方法，其特征在于，所述s106具体包括：s1061：通过对各个产品特征簇进行两两比较，结合九级标度法，建立判别矩阵a：；其中，表示第i个产品特征簇相对于第j个产品特征簇的重要程度，的取值可通过九极标度法确定，n表示产品特征簇的总数；s1062：计算所述判别矩阵a的特征向量和特征值：；其中，表示所述判别矩阵a的特征值，w表示所述判别矩阵a的特征向量，取最大的特征值记为，与最大的特征值对应的特征向量记为，；s1063：对所述最大的特征值对应的特征向量进行归一化处理：；其中，归一化后的向量的各个分量分别代表各个产品特征簇的权重，可分别记为。7.根据权利要求1所述的客户体验管理方法，其特征在于，所述s107具体包括：s1071：统计各个产品特征簇中所含有的来源于各个平台的特征词的数量；s1072：计算第j个平台与其他平台的评论数据的接近度：
；其中，表示第j个平台与其他平台的评论数据的接近度，表示第i个产品特征簇中所含有的来源于第j个平台的特征词的数量，表示第i个产品特征簇中所含有的特征词在各个平台中的平均数，n表示产品特征簇的总数；s1073：对各个平台的接近度进行标准化处理，得到第j个平台的数据可信度：；其中，表示第j个平台的数据可信度，m表示平台的数量。8.根据权利要求1所述的客户体验管理方法，其特征在于，所述s109具体为：根据以下公式计算用户对于所述目标产品的客户体验满意度：；其中，s表示客户体验满意度，表示第i个产品特征簇的权重，表示第j个平台的数据可信度，表示第i个产品特征簇中所含有的来源于第j个平台的正向观点的数量，表示第i个产品特征簇中所含有的来源于第j个平台的负向观点词的数量，n表示产品特征簇的数量，m表示平台的数量。9.根据权利要求1所述的客户体验管理方法，其特征在于，所述s110具体为：当用户对于所述目标产品的客户体验满意度低于预设满意度时，通过以下至少一种方式发出警报：显示警报弹窗；发送警报邮件通知相关人员；或者，发送警报短信通知相关人员。10.一种客户体验管理系统，其特征在于，用于执行权利要求1至9中任一项所述的客户体验管理方法。

技术总结
本发明公开了一种客户体验管理方法和系统，属于数据处理技术领域，方法包括：获取目标产品在预设历史时间段内多个平台上的评论数据；从评论数据中提取出特征词以及对应的观点词；计算各个特征词的置信度，保留置信度大于预设置信度的特征词以及对应的观点词；将同义特征词聚合形成产品特征簇；统计各个产品特征簇中含有的特征词的数量，保留含有特征词的数量大于预设数量的产品特征簇；确定保留下来的产品特征簇的权重；计算各个平台的数据可信度；统计各个产品特征簇中所含有的来源于各个平台的正向观点词以及负向观点词的数量；计算用户对于目标产品的客户体验满意度；当用户对于目标产品的客户体验满意度低于预设满意度时，发出警报。发出警报。发出警报。


技术研发人员：郑直 宋世达 于超 申吉宁
受保护的技术使用者：北京数字一百信息技术有限公司
技术研发日：2023.08.14
技术公布日：2023/9/14