基于NLP算法的汽车产品分析方法、设备及介质

摘要

本发明提供基于NLP算法的汽车产品分析方法、设备及介质，方法包括：确定若干个信号采集端与网关已建立连接，信号采集端采集网络舆情数据并基于NLP算法预处理并识别每个信号采集端采集到的网络舆情数据的若干个评论作者后，传输至若干个网关节点；网关节点对信号采集端采集到的数据进行规范化处理，传输至移动显示终端或交换机；交换机将数据传输至若干个边缘节点，若干个边缘节点分配交换机传输的若干个信号采集端采集到的信号数据，并将数据传输至云端，远程终端从云端下载数据。本发明采用NLP算法和OBD数据融合，能够准确地分析出网络舆情数据文本中的评论作者，使企业及时对网络舆情作出应对策略，不断创新完善自身的产品及服务。

说明书

技术领域

本发明属于汽车行业产品设计分析技术领域，具体涉及基于NLP算法的汽 车产品分析方法、设备及介质。

背景技术

汽车安全与消费者的人身安全密切相关，在网络舆情方面，汽车行业很容易 获得比其他行业更高的关注度和敏感度。消费者在对品牌和产品的了解度不足以 作出决定时，便会更倾向于以网络上搜索的信息作为自身决策的参考。现如今， 信息一方面为人类带来了便利和发展，但仍然存在着信息鱼龙混杂、真假难辨的 情况。

网络在今时今日的影响力逐步扩大，网络流量为企业品牌带来热度和知名度 的同时也很容易造成负面舆情形势。汽车行业的网络舆情涉及广且较为复杂，汽 车企业对于网络舆情的处理往往也很难达到理想标准。在实际生活中，汽车行业 的负面舆情数不胜数，造成舆论影响的事件和原因更是五花八门，很多方面都有 可能上升到舆论热点高度，从而给企业造成一定的网络舆情困扰，而汽车企业如 若不能及时作出应对，任由舆情不断发酵，很可能会对自身造成较大的负面影响。

自然语言处理(Natural Language Processing,NLP)是计算机科学领域和人 工智能领域中的一个重要分支，它关注计算机与人类之间使用自然语言的互动交 流，最终实现计算机能够以一种智能与高效的方式理解和生成语言的目标。NLP 技术应用于多个领域，在信息检索、情感分析、文章作者识别、机器翻译等方面 均取得了较好的效果，研究方向也从词汇语义成分的分析向叙事理解扩展。

发明内容

本发明针对上述缺陷，提供一种基于NLP算法的汽车产品分析方法、设备 及介质。本发明能够准确地分析出网络舆情数据文本中的评论作者，并使企业及 时对网络舆情作出应对策略，不断提升、创新和完善自身的产品及服务，以提高 自身市场占有率和竞争力。

本发明提供如下技术方案：基于NLP算法的汽车产品分析方法，所述方法 基于NLP算法处理网络舆情数据，包括以下步骤：

确定若干个信号采集端与网关已建立连接，信号采集端采集车辆状态信息以 及网络舆情数据，并基于NLP算法预处理并识别每个信号采集端采集到的网络 舆情数据的若干个评论作者后，传输至若干个网关节点；

网关节点对信号采集端采集到的数据进行规范化处理，传输至移动显示终端 或交换机；

交换机将数据传输至若干个边缘节点，所述若干个边缘节点分配交换机传输 的若干个信号采集端采集到的信号数据，并将数据传输至云端，远程终端从云端 下载数据。

进一步地，所述基于NLP算法预处理各个信号采集端采集到的数据包括：

对数据进行预处理，将小写字母归一化、分离标点符号并删除出现次数为1 次的单词；

对预处理后的数据进行特征表示，计算每个信号端采集到的数据中的文本中 的每个整语句的次数；

对特征表示后的数据进行NLP算法的自然语言处理，进行每个语句中的词 干提取、词形还原、停用词移除；

将经过自然语言处理后的数据输入至概率分类器中，进行多项式朴素贝叶斯 的分类学习，得到在线评论汽车产品的评论文本作者。

进一步地，对每个信号采集端采集到的数据中的文本中出现的次数进行统 计，然后通过每个整语句中出现的每个词在文本中出现的次数的概率乘积计算整 个语句出现的次数。

进一步地，所述若干个边缘节点分配交换机传输的若干个信号采集端采集到 的信号数据，将数据进行平均分配或根据边缘节点的数据流转通量赋予不同权重 进行数据分配。

进一步地，所述根据边缘节点的数据流转通量赋予不同权重进行数据分配包 括以下步骤：

采集边缘节点的数据流通量并确定边缘节点所在信道带宽，计算边缘节点所 在信道的数据传输速率，其中，边缘节点所在信道的数据传输速率计算公式如下：

v

其中，W

采用每个边缘节点的数据流通量与数据传输速率构建边缘节点数据分配权 重计算模型：

其中，K

根据计算得到的边缘节点数据分配权重计算模型计算每个边缘节点的数据 分配权重，按照权重由大到小依次按照分配权重占比分配每个边缘节点传输的数 据量。

进一步地，所述信号采集端采集信号传输至若干个网关节点包括：信号采集 端中的边缘端采集车辆状态信息，信号采集端中的用户感知端采集售后记录数据 及汽车品牌评价数据。

进一步地，所述车辆状态信息包括发动机系统(EFI)数据、变速箱系统(AT) 数据、刹车系统(ABS)数据、安全气囊系统(SRS)数据、电子转向系统(ESP) 数据、发动机转速数据、冷却液温度数据、车辆速度数据、进气歧管压力数据、 进气温度数据、空气流速数据、节气门位置数据、氧传感器电压数据和燃油压力 数据。

进一步地，所述云端根据所述边缘端和所述用户感知端采集到的数据，根据 汽车急加速、急减速、急加油、急转弯、长时间怠速、超速和疲劳驾驶的实时数 据进行汽车驾驶行为建模，进行特征融合，分析出超速形式时间、高速行驶的时 间、里程比例和车主行驶的时间和里程，进行车辆不良状态预警、不良状态归因、 舆情洞察与释义和产品改良；所述信号采集端中的边缘端和用户感知端以及所述 云端计算得到的数据均采用车载故障诊断系统(OBD)格式进行存储和传输。

本发明还提供一种电子设备，包括存储器和处理器，所述存储器存储有计算 机程序，所述处理器执行所述计算机程序时实现上述基于NLP算法的汽车产品 分析方法的步骤。

本发明还提供一种计算机可读存储介质，其上存储有计算机程序，其特征在 于，所述计算机程序被处理器执行时实现上述基于NLP算法的汽车产品分析方 法

本发明的有益效果为：

1、本发明提供的方法，通过监测网络舆情数据能够为汽车企业收集、提取 和分析汽车网络舆情数据，并将大量网络舆情信息进行整合分析，对汽车使用故 障/易损坏等进行预测性分析，提供前置的用户服务，减少负面舆情的发生，使 得汽车企业能够及时对网络舆情做出应对策略，不断对自身的产品和服务进行创 新和完善，以提高自身市场占有率和竞争力。

2、本发明提供的方法能够适用于不同的语言特征，相对于基线模型，引入 基于NLP算法处理网络舆情数据结合多项式朴素贝叶斯的分类学习，能够精准 地得到在线评论汽车产品的评论文本作者，解决了评论网站上在线评论文本的作 者识别问题，经过仿真验证，本发明提供的基于NLP算法处理网络舆情数据结 合多项式朴素贝叶斯的分类学习，在预处理数据过程中，NLP算法的自然语言 处理进行词形还原，二者结合的分类精度达到90.0-95.0％，从而证实了本发明提 供的方法对作者人数众多，且评论规模很小的数据集能够产生良好的准确性。

3、采用本发明提供的方法，汽车企业能够对网络上一些对自己品牌和产品 不利的舆情及时作出回应处理，让消费者更真实直观的了解到汽车企业品牌和产 品的真实信息，便会一定程度上减少网络舆情对普通消费者购买决策的误导和影 响。

4、本发明通过若干个信号采集端采集信号，传输至若干个网关节点，网关 节点对信号采集端采集到的数据进行规范化处理，传输至移动显示终端或交换 机；交换机将数据上传至云端，远程终端从云端下载数据。通过本发明的技术方 案的内容，提高了信号传输的速率、准确度并降低了信号传输的时延，保证了紧 急信号数据的优先传输。

5、本发明提供的方法能够通过关键字抓取和收集人们需要的信息，并在后 台进行数据统计、分类、分析，通过基于NLP算法对数据进行预处理，能够使 输入的一组数据从输入数据生成特征数据，传递至云端，对负面舆情能够结合车 机数据快速进行归因，提供舆情引导事实支撑，强化舆情引导信服力；结合舆情 的用户感知、车机数据、行为特征数据发现使用习惯与产品设计的需求，改进产 品设计，远程终端再通过云端下载数据，传递至云端的数据，由于基于NLP算 法对数据进行了预处理，根据自然语言的上下文关系建立特性数学模型，该模型 具有能够表达不同可能的答案，可以产生更可靠的结果，最终达成实现集网络舆 情的“采集、存储、分析、应用、管理”五位一体的汽车网络舆情监测系统的整体架构。

附图说明

在下文中将基于实施例并参考附图来对本发明进行更详细的描述。其中：

图1为本发明提供的基于NLP算法的汽车产品分析方法流程示意图；

图2为本发明提供的基于NLP算法的汽车产品分析方法应用场景图；

图3为本发明提供的基于NLP算法预处理各个信号采集端采集到的数据方 法流程示意图；

图4为本发明提供的基于NLP算法的汽车产品分析方法中赋予不同权重进 行数据分配方法的流程示意图；

图5为本发明提供的另一种基于NLP算法的汽车产品分析方法流程示意图；

图6为本发明提供的方法在场景中应用的示意图；

图7为本发明提供的采用基于NLP算法的汽车产品分析方法的电子设备结 构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清 楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全 部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳 动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本公开实施例提供一种基于NLP算法的汽车产品分析方法。本实施例提供 的基于NLP算法的汽车产品分析方法可以由一计算装置来执行，该计算装置可 以实现为软件，或者实现为软件和硬件的组合，该计算装置可以集成设置在服务 器、终端设备等中。

参见图1-2，本发明实施例提供一种基于NLP算法的汽车产品分析方法，该 方法可以运行在服务器端，该方法包括以下步骤：

S101、确定若干个信号采集端与网关已建立连接，信号采集端采集车辆状态 信息以及网络舆情数据，并基于NLP算法预处理并识别每个信号采集端采集到 的网络舆情数据的若干个评论作者后，传输至若干个网关节点；

S102、网关节点对信号采集端采集到的数据进行规范化处理，传输至移动显 示终端或交换机；

S103、交换机将数据传输至若干个边缘节点，所述若干个边缘节点分配交换 机传输的若干个信号采集端采集到的信号数据，并将数据传输至云端，远程终端 从云端下载数据。

作为本发明的一个优选实施例，如图3所示，所述基于NLP算法预处理各 个信号采集端采集到的数据包括：

S1011、对数据进行预处理，将小写字母归一化、分离标点符号并删除出现 次数为1次的单词；

S1012、对预处理后的数据进行特征表示，计算每个信号端采集到的数据中 的文本中的每个整语句的次数；

S1013、对特征表示后的数据进行NLP算法的自然语言处理，进行每个语句 中的词干提取、词形还原、停用词移除；

S1014、将经过自然语言处理后的数据输入至概率分类器中，进行多项式朴 素贝叶斯的分类学习，得到在线评论汽车产品的评论文本作者。

作为本发明的另一个优选实施例，对每个信号采集端采集到的数据中的文本 中出现的次数进行统计，然后通过每个整语句中出现的每个词在文本中出现的次 数的概率乘积计算整个语句出现的次数。

具体地，作为本发明的一个优选实施例，信号采集端设置为5个，网关节点 设置为2个，边缘节点设置为3个，所有的网关节点连接至交换机，进行数据上 传，交换机载连接至所有的边缘节点，进行数据下行传输，所有的网关节点与同 一个显示终端相连接，以供实时采集移动端进行数据显示，云端再连接至远程终 端，为远程终端进行数据云储存以及下行传输数据至远程终端，为远程终端的数 据信号下载提供云储存数据。

为了提高数据交换流畅性，避免携带关键信息的码元在数据堆积的信道内流 通不畅，可以采取多种方式进行交换机上传数据至云端，作为本发明的一个优选 实施例，所述若干个边缘节点分配交换机传输的若干个信号采集端采集到的信号 数据，将数据进行平均分配或根据边缘节点的数据流转通量赋予不同权重进行数 据分配。在各个边缘节点的数据传输效率、边缘节点所在信道的带宽以及数据传 输量相同的情况下，交换机可以选择将数据进行平均分配数据信号至各个边缘节 点。

当各个边缘节点的数据传输效率、边缘节点所在信道的带宽以及数据传输量 不相同的情况下，作为本发明的另一个优选实施例，所述根据边缘节点的数据流 转通量赋予不同权重进行数据分配，参见图4，包括以下步骤：

S1031、采集边缘节点的数据流通量并确定边缘节点所在信道带宽，计算边 缘节点所在信道的数据传输速率，其中，边缘节点所在信道的数据传输速率计算 公式如下：

v

其中，W

S1032、采用每个边缘节点的数据流通量与数据传输速率构建边缘节点数据 分配权重计算模型：

其中，K

S1033、根据计算得到的边缘节点数据分配权重计算模型计算每个边缘节点 的数据分配权重，按照权重由大到小依次按照分配权重占比分配每个边缘节点传 输的数据量。

根据采集到的第i个边缘节点的数据流通量Q

argmin是一种函数，是对函数求参数(集合)的函数。当我们有另一个函数 y＝f(x)时，若有结果x0＝argmin(f(x))，则表示当函数f(x)取x＝x0的时候，得到f(x) 取值范围的最小值；若有多个点使得f(x)取得相同的最小值，那么argmax(f(x)) 的结果就是一个点集。也就是说，argmax(f(x))是使得f(x)取得最小值所对应的 变量点x(或x的集合)。arg即argument，此处意为“自变量”。

为了提高本发明的方案为远程终端提供的数据信号的准确性，可以采取对信 号采集端的数据进行信噪比计算后剔除噪声数据的基于NLP算法的汽车产品分 析方法，作为本发明的另一个优选实施例，参见图5，本发明提供了另一种基于 NLP算法的汽车产品分析方法，该方法可以运行在服务器端，包括以下步骤：

S201、确定若干个信号采集端与网关已建立连接，信号采集端采集车辆状态 信息以及网络舆情数据，同时信号采集端采集总信号参数与噪声信号参数，并基 于NLP算法预处理并识别每个信号采集端采集到的网络舆情数据的若干个评论 作者后进行信噪比计算后，剔除超过信噪比阈值的噪声信号后传输至若干个网关 节点；

S202、网关节点对信号采集端采集到的数据进行规范化处理，传输至移动显 示终端或交换机；

S203、交换机将数据传输至若干个边缘节点，所述若干个边缘节点分配交换 机传输的若干个信号采集端采集到的信号数据，并将数据传输至云端，远程终端 从云端下载数据。

作为本发明的一个优选实施例，如图6所示，所述信号采集端采集信号传输 至若干个网关节点包括：信号采集端中的边缘端采集车辆状态信息，信号采集端 中的用户感知端采集售后记录数据及汽车品牌评价数据。

其中，车辆状态信息包括发动机系统(EFI)数据、变速箱系统(AT)数据、 刹车系统(ABS)数据、安全气囊系统(SRS)数据、电子转向系统(ESP)数 据、发动机转速数据、冷却液温度数据、车辆速度数据、进气歧管压力数据、进 气温度数据、空气流速数据、节气门位置数据、氧传感器电压数据和燃油压力数 据。

云端根据所述边缘端和所述用户感知端采集到的数据，根据汽车急加速、急 减速、急加油、急转弯、长时间怠速、超速和疲劳驾驶的实时数据进行汽车驾驶 行为建模，进行特征融合，分析出超速形式时间、高速行驶的时间、里程比例和 车主行驶的时间和里程，进行车辆不良状态预警、不良状态归因、舆情洞察与释 义和产品改良；所述信号采集端中的边缘端和用户感知端以及所述云端计算得到 的数据均采用车载故障诊断系统(OBD)格式进行存储和传输。

智能汽车通过车载故障诊断系统保存车辆状态信息和用户操作信息，通过车 辆的状态信息和用户操作信息进行数据建模，形成新的用户使用车辆的感知维度 数据，这部分数据可以对网络舆情数据进行预测和快速解释。

本发明还提供一种采用上述基于NLP算法的汽车产品分析方法的电子设 备，参见图7，其示出了适于用来实现本公开实施例的电子设备300的结构示意 图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、 数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播 放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计 算机等等的固定终端。图7示出的电子设备仅仅是一个示例，不应对本公开实施 例的功能和使用范围带来任何限制。

如图7所示，电子设备300可以包括处理装置(例如中央处理器、图形处理 器等)301，其可以根据存储在只读存储器(ROM)302中的程序或者从存储装置308 加载到随机访问存储器(RAM)303中的程序而执行各种适当的动作和处理。在 RAM 303中，还存储有电子设备300操作所需的各种程序和数据。处理装置301、 ROM 302以及RAM 303通过总线304彼此相连。输入/输出(I/O)接口305也连接 至总线304。

通常，以下装置可以连接至I/O接口305：包括例如触摸屏、触摸板、键盘、 鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置306；包括例如液 晶显示器(LCD)、扬声器、振动器等的输出装置307；包括例如磁带、硬盘等的 存储装置308；以及通信装置309。通信装置309可以允许电子设备300与其他 设备进行无线或有线通信以交换数据。虽然图7示出了具有各种装置的电子设备 300，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施 或具备更多或更少的装置。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计 算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在 计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法 的程序代码。在这样的实施例中，该计算机程序可以通过通信装置309从网络上 被下载和安装，或者从存储装置308被安装，或者从ROM 302被安装。在该计 算机程序被处理装置301执行时，执行本公开实施例的方法中限定的上述功能。

需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或 者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可 以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器 件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限 于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器 (RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、 便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的 任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序 的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。 而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播 的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用 多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可 读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机 可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用 或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的 介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的 组合。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在， 而未装配入该电子设备中。

上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被 该电子设备执行时，使得该电子设备：获取至少两个网际协议地址；向节点评价 设备发送包括所述至少两个网际协议地址的节点评价请求，其中，所述节点评价 设备从所述至少两个网际协议地址中，选取网际协议地址并返回；接收所述节点 评价设备返回的网际协议地址；其中，所获取的网际协议地址指示内容分发网络 中的边缘节点。

或者，上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个 程序被该电子设备执行时，使得该电子设备：接收包括至少两个网际协议地址的 节点评价请求；从所述至少两个网际协议地址中，选取网际协议地址；返回选取 出的网际协议地址；其中，接收到的网际协议地址指示内容分发网络中的边缘节 点。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的 计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、 Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的 程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机 上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上 执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远 程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连 接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来 通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、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，该模块、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。也应当注 意，在有些作为替换的实现中，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，两个接连地表示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 定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机 指令的组合来实现。

描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通 过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的 限定，例如，第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。

应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执 行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示 出的步骤。本公开的范围在此方面不受限制。

本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术 语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”； 术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示 “至少一些实施例”。其他术语的相关定义将在下文描述中给出。

需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、 模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序 或者相互依存关系。

需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的， 本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个 或多个”。

以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技 术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组 合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术 特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开 中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。