CN105279148A - 一种app软件用户评论一致性判断方法 - Google Patents
一种app软件用户评论一致性判断方法 Download PDFInfo
- Publication number
- CN105279148A CN105279148A CN201510673488.9A CN201510673488A CN105279148A CN 105279148 A CN105279148 A CN 105279148A CN 201510673488 A CN201510673488 A CN 201510673488A CN 105279148 A CN105279148 A CN 105279148A
- Authority
- CN
- China
- Prior art keywords
- app software
- word
- comment
- value
- judge
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012552 review Methods 0.000 title abstract description 11
- 230000008451 emotion Effects 0.000 claims description 102
- 238000000605 extraction Methods 0.000 claims description 18
- 230000007935 neutral effect Effects 0.000 claims description 7
- 230000002349 favourable effect Effects 0.000 abstract 3
- 238000011156 evaluation Methods 0.000 abstract 1
- 239000000284 extract Substances 0.000 description 15
- 238000011002 quantification Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000010009 beating Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及一种APP软件用户评论一致性判断方法，属于APP软件用户评价领域。本发明首先提取APP软件特征情感词对集；然后计算提取的APP软件特征情感词对集中情感词对的情感倾向程度得分；最后判断情感倾向程度得分是否存在不等于零的情况来确定APP软件用户评论是否一致。本发明定义并提取APP软件特征情感词对集，有助于更准确的判断用户评论信息与评分星级的一致性；将用户对APP软件的情感倾向程度划分成与评分星级对应的5个等级，以判断APP软件用户评论的一致性，有助于用户选择满足需求的APP软件；通过判断APP软件用户评论的一致性，有助于用户评价APP软件的质量。
Description
技术领域
本发明涉及一种APP软件用户评论一致性判断方法，属于APP软件用户评价领域。
背景技术
用户评论信息分析方法在商品领域日趋成熟，多数研究主要使用ICTCLAS作为用户评论信息数据处理的工具，最后通过自然语言处理等方法来对用户评论信息进行分析。例如，朱征宇等人提出一种改进《知网》的词汇语义相似度计算方法；尹洪波等人提出当否定副词与程度副词共现时，句法语义可以相互推衍的规则；扈中凯等人通过对特征词和情感词同时提取，并建立用户兴趣偏好模型，结合用户历史评分数据来改善传统协同过滤推荐算法的推荐准确性；林钦和等人通过基于《HowNet》词典的程度语料库，设置6种类别的程度副词，并定义5种极性参数来计算用户对产品的不同态度。上述研究针对商品的用户评论信息进行挖掘和分析，将用户的情感倾向分为了正面、反面、中性三个方面。
目前，面对海量的移动应用，大多数用户在选择APP软件之前会查看APP软件信息和用户评论。用户评论包括用户给APP软件所打的评分星级(通常为5个等级)，以及描述使用APP软件后的评论信息。用户的评论信息往往隐含了用户对APP软件的喜好程度及对软件特定属性的关注程度等潜在信息。然而，由于网络评论的自由性和随意性，导致评论信息与所给的评分星级不一致，或者评论信息与APP软件信息不一致。这给用户评价APP软件的质量带来了困难，因此如何判断APP软件的用户评论是否一致成为需要解决的问题。
本发明提出通过提取用户评论信息中的APP软件特征情感词对集，量化用户对APP软件特征情感倾向程度，并将量化后的综合评分划分成5个等级等方法来判断APP软件用户评论的一致性，有助于用户选择满足需求的APP软件。
发明内容
针对上述问题，本发明提供了一种APP软件用户评论一致性判断方法，以用于帮助用户选择所需的APP软件。
本发明的技术方案是：一种APP软件用户评论一致性判断方法，首先提取APP软件特征情感词对集；然后计算提取的APP软件特征情感词对集中情感词对的情感倾向程度得分；最后判断情感倾向程度得分是否存在不等于零的情况来确定APP软件用户评论是否一致。
所述方法的具体步骤如下：
Step1、提取APP软件特征情感词对集F＝{f1,f2,...,fx}；其中fx＝(Wh,Wd,Wa)(x＝1,2,...,u)表示APP软件特征情感词对，Wh表示评论用户关注的APP软件特征词，Wa为修饰特征Wh的情感词，Wd为修饰情感词Wa的副词；
Step2、设置x＝1；
Step3、判断x是否小于或等于u：如果是，则执行步骤Step4；否则，执行步骤Step11；
Step4、判断fx中的Wh是否为空：如果是，则执行步骤Step6；否则，执行步骤Step5；
Step5、判断Wh是否属于集合U：如果是，则执行步骤Step6；否则，计算Wh与集合U中每个词或词组的相似度a：如果amax>＝α，则执行步骤Step6，否则，将fx的情感倾向程度得分F(x)赋值为0，x++，执行Step3；
Step6、判断fx中的Wa是否为自定义网络情感词：如果是，则与自定义网络情感词库匹配，并根据公式F(x)＝F(d)*F(z)计算F(x)，x++，执行Step3；否则，执行Step7；
Step7、判断Wd是否为空：如果是，则与《HowNet》词典匹配，并根据公式F(x)＝F(a)*F(d)*F(n)计算F(x)，x++，执行Step3；否则，执行Step8；
Step8、判断fx是否含否定副词：如果不含，则与《HowNet》词典匹配，并根据公式F(x)＝F(a)*F(d)计算F(x)，x++，执行Step3；否则，执行Step9；
Step9、判断fx是否含程度副词：如果不含，则与《HowNet》词典匹配，并根据公式F(x)＝-0.5*F(a)计算F(x)，x++，执行Step3；否则，执行Step10；
Step10、判断fx是否属于DNP形式：如果不属于，则与《HowNet》词典匹配，并根据公式F(x)＝0.6*F(d)*F(a)计算否定副词在程度副词之前的情感倾向程度得分F(x)，x++，执行Step3；否则，根据公式F(x)＝-0.5*F(d)*F(a)计算程度副词在否定副词之前的情感倾向程度得分F(x)，x++，执行Step3；
Step11、判断是否存在F(x)！＝0：
如果存在F(x)！＝0，则根据公式计算出用户对该APP软件每条评论的综合评分F(O)，再根据用户给APP软件所打的5个评分星级将综合评分F(O)划分成对应的5个等级，如果量化后的评分星级与用户的评分星级相同，则输出“APP软件用户评论一致”，否则输出“APP软件用户评论不一致”；
如果不存在F(x)！＝0，则输出“APP软件用户评论不一致”；
式中，U表示APP软件信息中特征集合，amax表示相似度a的最大值，α表示阈值且α＝0.1；F(x)表示用户评论中对第x个特征评论的情感倾向程度得分，t表示APP软件特征情感词对集F中F(x)！＝0的个数；F(d)为程度副词的极性参数：若存在程度副词，F(d)取值根据程度副词极性参数类别确定，若不存在程度副词，F(d)取值为1；F(n)为否定副词的极性参数：若存在否定副词，F(n)取值为-0.5，若不存在否定副词，F(n)取值为1；F(a)为情感词的原极性参数：如果情感词为正面，F(a)取值为1，如果情感词为反面，F(a)取值为-1，如果情感词为中性，F(a)的取值为0.1；F(z)表示自定义网络情感词语库中情感词的原极性参数：如果自定义网络情感词语库中情感词为正面，F(z)取值为1.6，如果自定义网络情感词语库中情感词为反面，F(z)取值为-1.6。
所述程度副词极性参数类别分别五类：第一类，F(d)取值为1.6；第二类，F(d)取值为1.4；第三类，F(d)取值为1.2；第四类，F(d)取值为0.8；第五类，F(d)取值为0.6。
所述5个评分星级对应的F(O)取值区间：5星，取值区间为(1,1.6]；4星，取值区间为[0.5,1]；3星，取值区间为(-0.5,0.5)；2星，取值区间为[-1,-0.5]；1星，取值区间为[-1.6,-1)。
其中，情感词的正面、反面、中性根据《HowNet》词典匹配。
本发明的工作原理是：
一种APP软件用户评论一致性判断方法，包括：
提取APP软件特征情感词对集，用于对用户评论信息中的非结构化数据进行相应的数据处理并提取APP软件特征情感词对集；
判断用户评论信息与APP软件信息的一致性，用于判断用户评论信息中APP软件特征情感词对集中的特征是否与当前APP软件信息特征一致；
判断用户评论信息与评分星级的一致性，用于判断用户评论信息中用户对APP软件特征的情感倾向程度综合评分是否与用户对APP软件所给的评分星级一致。
本发明使用ICTCLAS2015作为数据处理的工具，进行用户评论信息的分词及词性标注；基于扈中凯等人对特征词、情感词同时提取的方法，本发明对特征词、副词、情感词进行同时提取，即提取APP软件特征情感词对集F。
所述U表示APP软件信息中特征集合，amax表示相似度a的最大值，α表示阈值且α＝0.1，相似度计算使用的是朱征宇等人提出的改进《知网》的词汇语义相似度计算方法，计算公式如下：
Sim(W1,W2)＝max(Sim(C1i,C2j))
其中：i＝1,2,...,n，j＝1,2,...,m，Sim(W1,W2)为词汇W1与W2之间的相似度值，Sim(C1i,C2j)为概念C1i与C2j之间的概念相似度值。
APP软件用户评论是一种典型的网络评论，用户往往会使用许多网络情感词语。目前，词典不能识别这部分网络情感词，但这些词语又能表达用户对APP软件一个或多个特征的态度，从而对APP软件用户评论一致性的判断造成影响。因此，本发明建立了自定义网络情感词语库，如：TMD/n_newword、狗屎/n_newword、神器/n_newword、牛逼/n_newword等，并对这部分情感词进行权重极性的定义。这类词语大多表现为用户对APP软件的一个或多个特征持非常强烈的态度。
本发明基于《HowNet》词典的程度语料库，将林钦和等人的6种类别程度副词中极性参数相同的类别进行合并，最终分为5种不同极性参数的类别，如表1所示。
表1程度副词分类及极性参数表
对于否定副词的处理，本发明首先设置否定副词的极性参数为-0.5，由于否定副词和程度副词共现语序情况可分为两种：1)程度副词在否定副词之前，是对否定副词所否定程度的确定，否定程度是逐渐递增的，例如：“画面不好”和“画面很不好”；2)否定副词在程度副词之前，是对某个程度的否定，作用是把原来的程度降低，例如：“画面不非常好”和“画面相对好”，这两个例句表达的情感倾向程度大体相同。这种情况根据尹洪波等人提出的在语义上能够相互推衍的，基于以上规则，根据公式F(x)＝0.6*F(d)*F(a)计算否定副词在程度副词之前的情感倾向程度得分F(x)；根据公式F(x)＝-0.5*F(d)*F(a)计算程度副词在否定副词之前的情感倾向程度得分F(x)。
所述将综合评分F(O)划分成对应的5个等级的划分过程：由上述过程可以计算出综合评分F(O)的取值范围是[-1.6,+1.6]，因为从表2中可以看出极性参数的最大值是1.6，正面、反面情感词的极性分别为+1、-1，且本专利中的否定副词极性参数为-0.5。所以5星中最大取值为1.6*1＝1.6；4星的最大取值为1，最小值为-1*(-0.5)＝0.5，即5星的取值区间为(1,1.6]，4星的取值区间为[0.5,1]。用户综合评分划分区间如表2所示。
表2用户综合评分划分区间
本发明的有益效果是：
(1)本发明定义并提取APP软件特征情感词对集，有助于更准确的判断用户评论信息与评分星级的一致性；
(2)本发明将用户对APP软件的情感倾向程度划分成与评分星级对应的5个等级，以判断APP软件用户评论的一致性，有助于用户选择满足需求的APP软件；
(3)本发明通过判断APP软件用户评论的一致性，有助于用户评价APP软件的质量。
附图说明
图1是本发明的流程图。
具体实施方式
实施例1：如图1所示，一种APP软件用户评论一致性判断方法，首先提取APP软件特征情感词对集；然后计算提取的APP软件特征情感词对集中情感词对的情感倾向程度得分；最后判断情感倾向程度得分是否存在不等于零的情况来确定APP软件用户评论是否一致。
所述方法的具体步骤如下：
Step1、提取APP软件特征情感词对集F＝{f1,f2,...,fx}；其中fx＝(Wh,Wd,Wa)(x＝1,2,...,u)表示APP软件特征情感词对，Wh表示评论用户关注的APP软件特征词，Wa为修饰特征Wh的情感词，Wd为修饰情感词Wa的副词；
Step2、设置x＝1；
Step3、判断x是否小于或等于u：如果是，则执行步骤Step4；否则，执行步骤Step11；
Step4、判断fx中的Wh是否为空：如果是，则执行步骤Step6；否则，执行步骤Step5；
Step5、判断Wh是否属于集合U：如果是，则执行步骤Step6；否则，计算Wh与集合U中每个词或词组的相似度a：如果amax>＝α，则执行步骤Step6，否则，将fx的情感倾向程度得分F(x)赋值为0，x++，执行Step3；
Step6、判断fx中的Wa是否为自定义网络情感词：如果是，则与自定义网络情感词库匹配，并根据公式F(x)＝F(d)*F(z)计算F(x)，x++，执行Step3；否则，执行Step7；
Step7、判断Wd是否为空：如果是，则与《HowNet》词典匹配，并根据公式F(x)＝F(a)*F(d)*F(n)计算F(x)，x++，执行Step3；否则，执行Step8；
Step8、判断fx是否含否定副词：如果不含，则与《HowNet》词典匹配，并根据公式F(x)＝F(a)*F(d)计算F(x)，x++，执行Step3；否则，执行Step9；
Step9、判断fx是否含程度副词：如果不含，则与《HowNet》词典匹配，并根据公式F(x)＝-0.5*F(a)计算F(x)，x++，执行Step3；否则，执行Step10；
Step10、判断fx是否属于DNP形式：如果不属于，则与《HowNet》词典匹配，并根据公式F(x)＝0.6*F(d)*F(a)计算否定副词在程度副词之前的情感倾向程度得分F(x)，x++，执行Step3；否则，根据公式F(x)＝-0.5*F(d)*F(a)计算程度副词在否定副词之前的情感倾向程度得分F(x)，x++，执行Step3；
Step11、判断是否存在F(x)！＝0：
如果存在F(x)！＝0，则根据公式计算出用户对该APP软件每条评论的综合评分F(O)，再根据用户给APP软件所打的5个评分星级将综合评分F(O)划分成对应的5个等级，如果量化后的评分星级与用户的评分星级相同，则输出“APP软件用户评论一致”，否则输出“APP软件用户评论不一致”；
如果不存在F(x)！＝0，则输出“APP软件用户评论不一致”；
式中，U表示APP软件信息中特征集合，amax表示相似度a的最大值，α表示阈值且α＝0.1；F(x)表示用户评论中对第x个特征评论的情感倾向程度得分，t表示APP软件特征情感词对集F中F(x)！＝0的个数；F(d)为程度副词的极性参数：若存在程度副词，F(d)取值根据程度副词极性参数类别确定，若不存在程度副词，F(d)取值为1；F(n)为否定副词的极性参数：若存在否定副词，F(n)取值为-0.5，若不存在否定副词，F(n)取值为1；F(a)为情感词的原极性参数：如果情感词为正面，F(a)取值为1，如果情感词为反面，F(a)取值为-1，如果情感词为中性，F(a)的取值为0.1；F(z)表示自定义网络情感词语库中情感词的原极性参数：如果自定义网络情感词语库中情感词为正面，F(z)取值为1.6，如果自定义网络情感词语库中情感词为反面，F(z)取值为-1.6。
所述程度副词极性参数类别分别五类：第一类，F(d)取值为1.6；第二类，F(d)取值为1.4；第三类，F(d)取值为1.2；第四类，F(d)取值为0.8；第五类，F(d)取值为0.6。
所述5个评分星级对应的F(O)取值区间：5星，取值区间为(1,1.6]；4星，取值区间为[0.5,1]；3星，取值区间为(-0.5,0.5)；2星，取值区间为[-1,-0.5]；1星，取值区间为[-1.6,-1)。
实施例2：如图1所示，一种APP软件用户评论一致性判断方法，首先提取APP软件特征情感词对集；然后计算提取的APP软件特征情感词对集中情感词对的情感倾向程度得分；最后判断情感倾向程度得分是否存在不等于零的情况来确定APP软件用户评论是否一致。
所述方法的具体步骤如下：
Step1、提取APP软件特征情感词对集F＝{f1,f2,...,fx}；其中fx＝(Wh,Wd,Wa)(x＝1,2,...,u)表示APP软件特征情感词对，Wh表示评论用户关注的APP软件特征词，Wa为修饰特征Wh的情感词，Wd为修饰情感词Wa的副词；
Step2、设置x＝1；
Step3、判断x是否小于或等于u：如果是，则执行步骤Step4；否则，执行步骤Step11；
Step4、判断fx中的Wh是否为空：如果是，则执行步骤Step6；否则，执行步骤Step5；
Step5、判断Wh是否属于集合U：如果是，则执行步骤Step6；否则，计算Wh与集合U中每个词或词组的相似度a：如果amax>＝α，则执行步骤Step6，否则，将fx的情感倾向程度得分F(x)赋值为0，x++，执行Step3；
Step6、判断fx中的Wa是否为自定义网络情感词：如果是，则与自定义网络情感词库匹配，并根据公式F(x)＝F(d)*F(z)计算F(x)，x++，执行Step3；否则，执行Step7；
Step7、判断Wd是否为空：如果是，则与《HowNet》词典匹配，并根据公式F(x)＝F(a)*F(d)*F(n)计算F(x)，x++，执行Step3；否则，执行Step8；
Step8、判断fx是否含否定副词：如果不含，则与《HowNet》词典匹配，并根据公式F(x)＝F(a)*F(d)计算F(x)，x++，执行Step3；否则，执行Step9；
Step9、判断fx是否含程度副词：如果不含，则与《HowNet》词典匹配，并根据公式F(x)＝-0.5*F(a)计算F(x)，x++，执行Step3；否则，执行Step10；
Step10、判断fx是否属于DNP形式：如果不属于，则与《HowNet》词典匹配，并根据公式F(x)＝0.6*F(d)*F(a)计算否定副词在程度副词之前的情感倾向程度得分F(x)，x++，执行Step3；否则，根据公式F(x)＝-0.5*F(d)*F(a)计算程度副词在否定副词之前的情感倾向程度得分F(x)，x++，执行Step3；
Step11、判断是否存在F(x)！＝0：
如果存在F(x)！＝0，则根据公式计算出用户对该APP软件每条评论的综合评分F(O)，再根据用户给APP软件所打的5个评分星级将综合评分F(O)划分成对应的5个等级，如果量化后的评分星级与用户的评分星级相同，则输出“APP软件用户评论一致”，否则输出“APP软件用户评论不一致”；
如果不存在F(x)！＝0，则输出“APP软件用户评论不一致”；
式中，U表示APP软件信息中特征集合，amax表示相似度a的最大值，α表示阈值且α＝0.1；F(x)表示用户评论中对第x个特征评论的情感倾向程度得分，t表示APP软件特征情感词对集F中F(x)！＝0的个数；F(d)为程度副词的极性参数：若存在程度副词，F(d)取值根据程度副词极性参数类别确定，若不存在程度副词，F(d)取值为1；F(n)为否定副词的极性参数：若存在否定副词，F(n)取值为-0.5，若不存在否定副词，F(n)取值为1；F(a)为情感词的原极性参数：如果情感词为正面，F(a)取值为1，如果情感词为反面，F(a)取值为-1，如果情感词为中性，F(a)的取值为0.1；F(z)表示自定义网络情感词语库中情感词的原极性参数：如果自定义网络情感词语库中情感词为正面，F(z)取值为1.6，如果自定义网络情感词语库中情感词为反面，F(z)取值为-1.6。
实施例3：如图1所示，一种APP软件用户评论一致性判断方法，首先提取APP软件特征情感词对集；然后计算提取的APP软件特征情感词对集中情感词对的情感倾向程度得分；最后判断情感倾向程度得分是否存在不等于零的情况来确定APP软件用户评论是否一致。
实施例4：如图1所示，
APP软件用户评论如表3所示，
表3
所述APP软件用户评论一致性判断方法的具体步骤如下：
Step1、提取APP软件特征情感词对集F＝{f1,f2,...,fx}；其中fx＝(Wh,Wd,Wa)(x＝1,2,...,u)表示APP软件特征情感词对，Wh表示评论用户关注的APP软件特征词，如“下载”、“画面”等；Wa为修饰特征Wh的情感词，表达了用户对APP软件特征的主观感受，如“麻烦”、“流畅”等；Wd为修饰情感词Wa的副词，表达了用户对特征情感的程度，如“很”、“非常”等。
本发明使用ICTCLAS2015作为数据处理的工具，进行用户评论信息的分词及词性标注；基于扈中凯等人对特征词、情感词同时提取的方法，本发明对特征词、副词、情感词进行同时提取，即提取APP软件特征情感词对集F。本实施例中对用户评论信息分词之后为：“呵呵/o交换机/n”，提取特征情感词对集：F＝{f1}。
Step2、设置x＝1；
f1＝(交换机/n，null，null)。
Step3、判断x是否小于或等于u：本实施例中1<＝1，执行步骤Step4；
Step4、判断fx中的Wh是否为空：本实施例Wh为“交换机”，执行步骤Step5；
Step5、判断Wh是否属于集合U：本实施例中Wh不属于该APP软件信息特征集合U＝{QQ/n,软件/n，帮助/vn,彩铃/n,超过/v,充/v,触/v,传输/vn,创新/vi,打造/v,电脑/n,动态/n,反馈/v,方便/v,分享/v,服务/vn,感动/v,个性/n,功能/n,沟通/v,购/vg,过程/n,好友/n,互联网/n,话费/n,获知/v,进入/v,空间/n,联系/v,聊天/vi,留住/v,满足/v,名片/n,气泡/n,全民/n,热线/n,人/n,设置/v,生活/vn,时间/n,使用/v,视频/n,收发/v,收款/vn,手机/n,体验/vn,停/vi,通话/vi,文件/n,问题/n,无限/vi,相见/vi,想念/v,消息/n,需/v,选/v,一应俱全/v,移动/vn,用户/n,游戏/n,娱乐/vn,语音/n,遇到/v,支付/v,中心/n,主题/n,转账/vn,装扮/v}，因此，根据公式：Sim(W1,W2)＝max(Sim(C1i,C2j))计算出Wh与U中每个特征词的相似度a，最后得出相似度a中的最大值amax＝0.05；由于amax<α，阈值α＝0.1，因此，将f1的情感倾向程度得分F(1)赋值为0，x＝2，执行Step3：2>1，执行执行Step6；
Step6、判断是否存在F(x)！＝0：本实施例中不存在F(x)！＝0，因此输出“APP软件用户评论不一致”。
实施例5：如图1所示，APP软件用户评论如表4所示，
表4
所述APP软件用户评论一致性判断方法的具体步骤如下：
Step1、提取APP软件特征情感词对集F＝{f1,f2,...,fx}：
本实施例中特征情感词对集：F＝{f1,f2}，f1＝(null，null，(好/a用/v)),f2＝(迅雷/nz，null，好/a)；
Step2、设置x＝1；
f1＝(null，null，(好/a用/v))。
Step3、判断x是否小于或等于u：本实施例中1<＝2，执行步骤Step4；
Step4、判断fx中的Wh是否为空：本实施例Wh为空，执行步骤Step5；
Step5、判断fx中的Wa是否为自定义网络情感词：本实施例中Wa为“好用”，不属于自定义网络情感词，执行Step6；
Step6、判断Wd是否为空：本实施例中Wd为空，则与《HowNet》词典匹配，并根据公式F(x)＝F(a)*F(d)*F(n)(其中，情感词的正面、反面、中性根据《HowNet》词典匹配，从而确定F(a)的取值)计算出F(1)的评分：F(1)＝1*1*1＝1，x＝2，执行Step3：2<＝2，执行步骤Step4；
判断fx中的Wh是否为空：本实施例f2中Wh为“迅雷”，判断Wh是否属于集合U：本实施例中Wh不属于该APP软件信息特征集合U＝{百度/nz,视频/n,想/v,看/v,有/v,观看/v,离线/vn,视频/n,享受/v,片/n,APP/n,够/v,电影/n,播/v,剧/n,动漫/vn,节目/n,应有尽有/v,搜索/vn,个性化/vn,推荐/vn能/v,找到/v,装/v,采用/v,独有/v,移动/vn,云/n,播放/v,内核/n,技术/n,播放/v,加载/v,速度/n}，因此，根据公式：Sim(W1,W2)＝max(Sim(C1i,C2j))计算出Wh与U中每个特征词的相似度a，最后得出相似度a中的最大值amax＝0.08；由于amax<α，阈值α＝0.1，因此，将f2的情感倾向程度得分F(2)赋值为0，x＝3，执行Step3：3>2，执行执行Step7；
Step7、判断是否存在F(x)！＝0：本实施例中存在F(1)＝1，根据公式计算出综合评分F(O)＝1/1＝1，最后根据表2得出量化后的评分星级为4星，但用户给出的评分星级是5星。因此，输出“APP软件用户评论不一致”。
实施例6：如图1所示，APP软件用户评论如表5所示，
表5
所述APP软件用户评论一致性判断方法的具体步骤如下：
Step1、提取APP软件特征情感词对集F＝{f1,f2,...,fx}：
本实施例中对用户评论信息分词之后为：“TMD/n_newword不/d好/a！/wt”，提取特征情感词对集：F＝{f1}，f1＝(null，不/d，(TMD/n_newword好/a))。
Step2、设置x＝1；
f1＝(null，不/d，(TMD/n_newword好/a)。
Step3、判断x是否小于或等于u：本实施例中1<＝1，执行步骤Step4；
Step4、判断fx中的Wh是否为空：本实施例Wh为空，执行步骤Step5；
Step5、判断fx中的Wa是否为自定义网络情感词：本实施例中Wa为“TMD/n_newword好”，属于自定义网络情感词，则与自定义网络情感词库匹配，并根据公式F(x)＝F(d)*F(z)计算出F(1)的评分：F(1)＝1*(-1.6)＝-1.6，x＝2，执行Step3：2>1，执行步骤Step6；
Step6、判断是否存在F(x)！＝0：本实施例中存在F(1)＝-1.6，根据公式计算出综合评分F(O)＝-1.6/1＝-1.6；最后根据表2得出量化后的评分星级为1星，用户给出的评分星级是1星。因此，输出“APP软件用户评论一致”。
实施例7：如图1所示，APP软件用户评论如表6所示，
表6
所述APP软件用户评论一致性判断方法的具体步骤如下：
Step1、提取APP软件特征情感词对集F＝{f1,f2,...,fx}：
本实施例中对用户评论信息分词之后为：“SB/n_newword软件/n”，提取特征情感词对集：F＝{f1}，f1＝(软件/n，null，SB/n_newword))。
Step2、设置x＝1；
f1＝(软件/n，null，SB/n_newword)。
Step3、判断x是否小于或等于u：本实施例中1<＝1，执行步骤Step4；
Step4、判断fx中的Wh是否为空：本实施例Wh为“软件”，执行步骤Step5；
Step5、判断Wh是否属于集合U：本实施例Wh为“软件”属于U，执行步骤Step6；
Step6、判断fx中的Wa是否为自定义网络情感词：本实施例中Wa为“SB”，属于自定义网络情感词，则与自定义网络情感词库匹配，并根据公式F(x)＝F(d)*F(z)计算出F(1)的评分：F(1)＝1*(-1.6)＝-1.6，x＝2，执行Step3：2>1，执行步骤Step7；
Step7、判断是否存在F(x)！＝0：本实施例中存在F(1)＝-1.6，根据公式计算出综合评分F(O)＝-1.6/1＝-1.6；最后根据表2得出量化后的评分星级为1星，用户给出的评分星级是1星。因此，输出“APP软件用户评论一致”。
实施例8：如图1所示，APP软件用户评论如表7所示，
表7
所述APP软件用户评论一致性判断方法的具体步骤如下：
Step1、提取APP软件特征情感词对集F＝{f1,f2,...,fx}：
本实施例中特征情感词对集：F＝{f1}，f1＝(安/v，很/d，慢/a)；
Step2、设置x＝1；
f1＝(安/v，很/d，慢/a)。
Step3、判断x是否小于或等于u：本实施例中1<＝1，执行步骤Step4；
Step4、判断fx中的Wh是否为空：本实施例Wh为“安”，执行步骤Step5；
Step5、判断Wh是否属于集合U：本实施例Wh为“安”不属于U，因此，根据公式：Sim(W1,W2)＝max(Sim(C1i,C2j))计算出Wh与U中每个特征词的相似度a，最后得出相似度a中的最大值amax＝0.6；由于amax>α，阈值α＝0.1，执行步骤Step6；
Step6、判断fx中的Wa是否为自定义网络情感词：本实施例中Wa为“慢”，不属于自定义网络情感词，执行Step7；
Step7、判断Wd是否为空：本实施例中Wd为“很”，执行步骤Step8；
Step8、判断fx是否含否定副词：本实施例中不含否定副词如，则与《HowNet》词典匹配，并根据公式F(x)＝F(a)*F(d)计算出F(1)的评分：F(1)＝-1*1.4＝-1.4，x＝2，执行Step3：2>1，执行步骤Step9；
Step9、判断是否存在F(x)！＝0：本实施例中存在F(1)＝-1.4，根据公式计算出综合评分F(O)＝-1.4/1＝-1.4；最后根据表2得出量化后的评分星级为1星，用户给出的评分星级是4星。因此，输出“APP软件用户评论不一致”。
实施例9：如图1所示，APP软件用户评论如表8所示，
表8
所述APP软件用户评论一致性判断方法的具体步骤如下：
Step1、提取APP软件特征情感词对集F＝{f1,f2,...,fx}：
本实施例中提取的特征情感词对集：F＝{f1}，f1＝(null，null，好/a)；
Step2、设置x＝1；
f1＝(null，null，好/a)。
Step3、判断x是否小于或等于u：本实施例中1<＝1，执行步骤Step4；
Step4、判断fx中的Wh是否为空：本实施例Wh为空，执行步骤Step5；
Step5、判断fx中的Wa是否为自定义网络情感词：本实施例中Wa为“好”，不属于自定义网络情感词，执行Step6；
Step6、判断Wd是否为空：本实施例中Wd为空，则与《HowNet》词典匹配，并根据并根据公式F(x)＝F(a)*F(d)*F(n)计算出F(1)的评分：F(1)＝1*1*1＝1，i＝2，执行Step3：2>1，执行步骤Step7；
Step7、判断是否存在F(x)！＝0：本实施例中存在F(1)＝1，根据公式计算出综合评分F(O)＝1/1＝1；最后根据表2得出量化后的评分星级为4星，用户给出的评分星级是4星。因此，输出“APP软件用户评论一致”。
实施例10：如图1所示，APP软件用户评论如表9所示，
表9
所述APP软件用户评论一致性判断方法的具体步骤如下：
Step1、提取APP软件特征情感词对集F＝{f1,f2,...,fx}：
本实施例中提取特征情感词对集：F＝{f1}，f1＝(null，(不/d太/d)，好/a)；
Step2、设置x＝1；
f1＝(null，(不/d太/d)，好/a)。
Step3、判断x是否小于或等于u：本实施例中1<＝1，执行步骤Step4；
Step4、判断fx中的Wh是否为空：本实施例Wh为空，执行步骤Step5；
Step5、判断fx中的Wa是否为自定义网络情感词：本实施例中Wa为“好”，不属于自定义网络情感词，执行Step6；
Step6、判断Wd是否为空：本实施例中Wd为“不太”，执行Step7；
Step7、判断fx是否含否定副词：本实施例中含否定副词“不”，执行Step8；
Step8、判断fx是否含程度副词：本实施例中含有程度副词“太”，执行Step9；
Step9、判断fx是否属于DNP形式：本实施例不属于DNP形式，则根据公式F(x)＝0.6*F(d)*F(a)计算程度副词在否定副词之前的情感倾向程度得分F(1)：F(1)＝0.6*1.4*1＝0.84，x＝2，执行Step3：2>1，执行步骤Step10；
Step10、判断是否存在F(x)！＝0：本实施例中存在F(1)＝0.84，根据公式计算出综合评分F(O)＝0.84/1＝0.84；最后根据表2得出量化后的评分星级为4星，用户给出的评分星级是5星。因此，输出“APP软件用户评论不一致”。
实施例11：如图1所示，APP软件用户评论如表10所示，
表10
所述APP软件用户评论一致性判断方法的具体步骤如下：
Step1、提取APP软件特征情感词对集F＝{f1,f2,...,fx}：
本实施例中提取特征情感词对集：F＝{f1}，f1＝(null，(有点/d不/d)，好/a)；
Step2、设置x＝1；
f1＝(null，(有点/d不/d)，好/a)。
Step3、判断x是否小于或等于u：本实施例中1<＝1，执行步骤Step4；
Step4、判断fx中的Wh是否为空：本实施例Wh为空，执行步骤Step5；
Step5、判断fx中的Wa是否为自定义网络情感词：本实施例中Wa为“好”，不属于自定义网络情感词，执行Step6；
Step6、判断Wd是否为空：本实施例中Wd为“有点不”，执行Step7；
Step7、判断fx是否含否定副词：本实施例中含否定副词“不”，执行Step8；
Step8、判断fx是否含程度副词：本实施例中含有程度副词“有点”，执行Step9；
Step9、判断fx是否属于DNP形式：本实施例属于DNP形式，则根据公式F(x)＝-0.5*F(d)*F(a)计算程度副词在否定副词之前的情感倾向程度得分F(1)：F(1)＝(-0.5)*0.8*1＝-0.4，x＝2，执行Step3：2>1，执行步骤Step10；
Step10、判断是否存在F(x)！＝0：本实施例中存在F(x)＝-0.4，根据公式计算出综合评分F(O)＝-0.4/1＝-0.4；最后根据表2得出量化后的评分星级为2星，用户给出的评分星级是1星。因此，输出“APP软件用户评论不一致”。
实施例12：如图1所示，APP软件用户评论如表11所示，
表11
所述APP软件用户评论一致性判断方法的具体步骤如下：
Step1、提取APP软件特征情感词对集F＝{f1,f2,...,fx}：
本实施例中提取特征情感词对集：F＝{f1}，f1＝(null，不/d，好/a)；
Step2、设置x＝1；
f1＝(null，不/d，好/a)。
Step3、判断x是否小于或等于u：本实施例中1<＝1，执行步骤Step4；
Step4、判断fx中的Wh是否为空：本实施例Wh为空，执行步骤Step5；
Step5、判断fx中的Wa是否为自定义网络情感词：本实施例中Wa为“好”，不属于自定义网络情感词，执行Step6；
Step6、判断Wd是否为空：本实施例中Wd为“不”，执行Step7；
Step7、判断fx是否含否定副词：本实施例中含否定副词“不”，执行Step8；
Step8、判断fx是否含程度副词：本实施例中不含程度副词，则与《HowNet》词典匹配，并根据公式F(x)＝-0.5*F(a)计算出F(1)的评分：F(1)＝(-0.5)*1＝-0.5，x＝2，执行Step3：2>1，执行步骤Step9；
Step9、判断是否存在F(x)！＝0：本实施例中存在F(1)＝-0.5，根据公式计算出综合评分F(O)＝-0.5/1＝-0.5；最后根据表2得出量化后的评分星级为2星，用户给出的评分星级是4星。因此，输出“APP软件用户评论不一致”。
上面结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (4)
1.一种APP软件用户评论一致性判断方法，其特征在于：
首先提取APP软件特征情感词对集；然后计算提取的APP软件特征情感词对集中情感词对的情感倾向程度得分；最后判断情感倾向程度得分是否存在不等于零的情况来确定APP软件用户评论是否一致。
2.根据权利要求1所述的APP软件用户评论一致性判断方法，其特征在于：所述方法的具体步骤如下：
Step1、提取APP软件特征情感词对集F＝{f1,f2,...,fx}；其中fx＝(Wh,Wd,Wa)(x＝1,2,...,u)表示APP软件特征情感词对，Wh表示评论用户关注的APP软件特征词，Wa为修饰特征Wh的情感词，Wd为修饰情感词Wa的副词；
Step2、设置x＝1；
Step3、判断x是否小于或等于u：如果是，则执行步骤Step4；否则，执行步骤Step11；
Step4、判断fx中的Wh是否为空：如果是，则执行步骤Step6；否则，执行步骤Step5；
Step5、判断Wh是否属于集合U：如果是，则执行步骤Step6；否则，计算Wh与集合U中每个词或词组的相似度a：如果amax>＝α，则执行步骤Step6，否则，将fx的情感倾向程度得分F(x)赋值为0，x++，执行Step3；
Step6、判断fx中的Wa是否为自定义网络情感词：如果是，则与自定义网络情感词库匹配，并根据公式F(x)＝F(d)*F(z)计算F(x)，x++，执行Step3；否则，执行Step7；
Step7、判断Wd是否为空：如果是，则与《HowNet》词典匹配，并根据公式F(x)＝F(a)*F(d)*F(n)计算F(x)，x++，执行Step3；否则，执行Step8；
Step8、判断fx是否含否定副词：如果不含，则与《HowNet》词典匹配，并根据公式F(x)＝F(a)*F(d)计算F(x)，x++，执行Step3；否则，执行Step9；
Step9、判断fx是否含程度副词：如果不含，则与《HowNet》词典匹配，并根据公式F(x)＝-0.5*F(a)计算F(x)，x++，执行Step3；否则，执行Step10；
Step10、判断fx是否属于DNP形式：如果不属于，则与《HowNet》词典匹配，并根据公式F(x)＝0.6*F(d)*F(a)计算否定副词在程度副词之前的情感倾向程度得分F(x)，x++，执行Step3；否则，根据公式F(x)＝-0.5*F(d)*F(a)计算程度副词在否定副词之前的情感倾向程度得分F(x)，x++，执行Step3；
Step11、判断是否存在F(x)！＝0：
如果存在F(x)！＝0，则根据公式计算出用户对该APP软件每条评论的综合评分F(O)，再根据用户给APP软件所打的5个评分星级将综合评分F(O)划分成对应的5个等级，如果量化后的评分星级与用户的评分星级相同，则输出“APP软件用户评论一致”，否则输出“APP软件用户评论不一致”；
如果不存在F(x)！＝0，则输出“APP软件用户评论不一致”；
式中，U表示APP软件信息中特征集合，amax表示相似度a的最大值，α表示阈值且α＝0.1；F(x)表示用户评论中对第x个特征评论的情感倾向程度得分，t表示APP软件特征情感词对集F中F(x)！＝0的个数；F(d)为程度副词的极性参数：若存在程度副词，F(d)取值根据程度副词极性参数类别确定，若不存在程度副词，F(d)取值为1；F(n)为否定副词的极性参数：若存在否定副词，F(n)取值为-0.5，若不存在否定副词，F(n)取值为1；F(a)为情感词的原极性参数：如果情感词为正面，F(a)取值为1，如果情感词为反面，F(a)取值为-1，如果情感词为中性，F(a)的取值为0.1；F(z)表示自定义网络情感词语库中情感词的原极性参数：如果自定义网络情感词语库中情感词为正面，F(z)取值为1.6，如果自定义网络情感词语库中情感词为反面，F(z)取值为-1.6。
3.根据权利要求2所述的APP软件用户评论一致性判断方法，其特征在于：所述程度副词极性参数类别分别五类：第一类，F(d)取值为1.6；第二类，F(d)取值为1.4；第三类，F(d)取值为1.2；第四类，F(d)取值为0.8；第五类，F(d)取值为0.6。
4.根据权利要求2所述的APP软件用户评论一致性判断方法，其特征在于：所述5个评分星级对应的F(O)取值区间：5星，取值区间为(1,1.6]；4星，取值区间为[0.5,1]；3星，取值区间为(-0.5,0.5)；2星，取值区间为[-1,-0.5]；1星，取值区间为[-1.6,-1)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510673488.9A CN105279148B (zh) | 2015-10-19 | 2015-10-19 | 一种app软件用户评论一致性判断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510673488.9A CN105279148B (zh) | 2015-10-19 | 2015-10-19 | 一种app软件用户评论一致性判断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105279148A true CN105279148A (zh) | 2016-01-27 |
| CN105279148B CN105279148B (zh) | 2018-05-11 |
Family
ID=55148177
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510673488.9A Active CN105279148B (zh) | 2015-10-19 | 2015-10-19 | 一种app软件用户评论一致性判断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105279148B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106204103A (zh) * | 2016-06-24 | 2016-12-07 | 有米科技股份有限公司 | 一种移动广告平台寻找相似用户的方法 |
| 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 |
| CN107180021A (zh) * | 2016-03-09 | 2017-09-19 | 北京京东尚科信息技术有限公司 | 一种数据处理方法、系统及其服务器 |
| CN107993126A (zh) * | 2017-11-30 | 2018-05-04 | 武汉理工大学 | 一种基于挖掘评论修正用户评分的改进协同过滤方法 |
| CN108920512A (zh) * | 2018-05-31 | 2018-11-30 | 江苏乙生态农业科技有限公司 | 一种基于游戏软件场景的推荐方法 |
| CN109918708A (zh) * | 2019-01-21 | 2019-06-21 | 昆明理工大学 | 一种基于异质集成学习的材料性能预测模型构建方法 |
| CN110659828A (zh) * | 2019-09-23 | 2020-01-07 | 上海海事大学 | 一种基于评论数据的软件特征评价方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101782898A (zh) * | 2010-03-25 | 2010-07-21 | 中国科学院计算技术研究所 | 一种情感词倾向性的分析方法 |
| US20110209043A1 (en) * | 2010-02-21 | 2011-08-25 | International Business Machines Corporation | Method and apparatus for tagging a document |
| CN103440235A (zh) * | 2013-08-20 | 2013-12-11 | 中国科学院自动化研究所 | 一种基于认知结构模型的文本情感类型识别方法及装置 |
| CN104331451A (zh) * | 2014-10-30 | 2015-02-04 | 南京大学 | 一种基于主题的网络用户评论的推荐度评分方法 |
-
2015
- 2015-10-19 CN CN201510673488.9A patent/CN105279148B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110209043A1 (en) * | 2010-02-21 | 2011-08-25 | International Business Machines Corporation | Method and apparatus for tagging a document |
| CN101782898A (zh) * | 2010-03-25 | 2010-07-21 | 中国科学院计算技术研究所 | 一种情感词倾向性的分析方法 |
| CN103440235A (zh) * | 2013-08-20 | 2013-12-11 | 中国科学院自动化研究所 | 一种基于认知结构模型的文本情感类型识别方法及装置 |
| CN104331451A (zh) * | 2014-10-30 | 2015-02-04 | 南京大学 | 一种基于主题的网络用户评论的推荐度评分方法 |
Non-Patent Citations (3)
| Title |
|---|
| MARK HARMAN等: "App store mining and analysis: MSR for app stores", 《2012 9TH IEEE WORKING CONFERENCE ON MINING SOFTWARE REPOSITORIES (MSR)》 * |
| 刘洋等: "在线评论对应用软件及平台定价策略的影响", 《系统工程学报》 * |
| 姚天昉等: "汉语语句主题语义倾向分析方法的研究", 《中文信息学报》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107180021A (zh) * | 2016-03-09 | 2017-09-19 | 北京京东尚科信息技术有限公司 | 一种数据处理方法、系统及其服务器 |
| CN106204103A (zh) * | 2016-06-24 | 2016-12-07 | 有米科技股份有限公司 | 一种移动广告平台寻找相似用户的方法 |
| 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 |
| CN107993126A (zh) * | 2017-11-30 | 2018-05-04 | 武汉理工大学 | 一种基于挖掘评论修正用户评分的改进协同过滤方法 |
| CN108920512A (zh) * | 2018-05-31 | 2018-11-30 | 江苏乙生态农业科技有限公司 | 一种基于游戏软件场景的推荐方法 |
| CN108920512B (zh) * | 2018-05-31 | 2021-12-28 | 江苏一乙生态农业科技有限公司 | 一种基于游戏软件场景的推荐方法 |
| CN109918708A (zh) * | 2019-01-21 | 2019-06-21 | 昆明理工大学 | 一种基于异质集成学习的材料性能预测模型构建方法 |
| CN109918708B (zh) * | 2019-01-21 | 2022-07-26 | 昆明理工大学 | 一种基于异质集成学习的材料性能预测模型构建方法 |
| CN110659828A (zh) * | 2019-09-23 | 2020-01-07 | 上海海事大学 | 一种基于评论数据的软件特征评价方法 |
| CN110659828B (zh) * | 2019-09-23 | 2022-03-08 | 上海海事大学 | 一种基于评论数据的软件特征评价方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105279148B (zh) | 2018-05-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105279148A (zh) | 一种app软件用户评论一致性判断方法 | |
| CN103365867B (zh) | 一种对用户评价进行情感分析的方法和装置 | |
| CN108984530A (zh) | 一种网络敏感内容的检测方法及检测系统 | |
| CN103294800B (zh) | 一种信息推送方法及装置 | |
| CN104778173B (zh) | 目标用户确定方法、装置及设备 | |
| CN111767403B (zh) | 一种文本分类方法和装置 | |
| CN103577989B (zh) | 一种基于产品识别的信息分类方法及信息分类系统 | |
| CN108595519A (zh) | 热点事件分类方法、装置及存储介质 | |
| CN112104642B (zh) | 一种异常账号确定方法和相关装置 | |
| CN111460221B (zh) | 评论信息处理方法、装置及电子设备 | |
| CN107944911B (zh) | 一种基于文本分析的推荐系统的推荐方法 | |
| CN103399916A (zh) | 基于产品特征的互联网评论观点挖掘方法及系统 | |
| CN103617230A (zh) | 一种基于微博的广告推荐方法及系统 | |
| CN102929860B (zh) | 一种基于上下文语境的中文分句情感极性判别方法 | |
| CN107133282B (zh) | 一种改进的基于双向传播的评价对象识别方法 | |
| Petz et al. | On text preprocessing for opinion mining outside of laboratory environments | |
| CN111597446B (zh) | 基于人工智能的内容推送方法、装置、服务器和存储介质 | |
| CN107301200A (zh) | 一种基于情感倾向分析的文章评估方法和系统 | |
| CN106339368A (zh) | 文本情感倾向的获取方法及装置 | |
| CN105740382A (zh) | 一种对短评论文本进行方面分类方法 | |
| CN110457711A (zh) | 一种基于主题词的社交媒体事件主题识别方法 | |
| CN110706028A (zh) | 基于属性特征的商品评价情感分析系统 | |
| CN106919551A (zh) | 一种情感词极性的分析方法、装置及设备 | |
| CN111405360A (zh) | 视频处理方法、装置、电子设备和存储介质 | |
| CN108460049A (zh) | 一种确定信息类别的方法和系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |