CN105975487B - 一种app软件用户评论有关性判断方法 - Google Patents

Abstract

本发明涉及一种APP软件用户评论有关性判断方法，属于APP软件用户评价领域。本发明首先提取APP软件每条评论的关键词集；然后计算提取的APP软件每条评论的关键词集对特征库中的有关性概率得分；最后通过判断有关性概率得分是否大于预设阈值的情况来确定APP软件用户评论是否与该APP软件有关。本发明定义并提取APP软件用户评论关键词集，有利于提高判断用户评论有关性的效率；将朴素贝叶斯文本分类方法进行了修改，结合词频统计的方法判断APP软件用户评论有关性概率得分，有助于给用户筛选出有关评论，减少对评论筛选的时间；通过判断APP软件用户评论的有关性，有助于用户评价APP软件的质量。

Description

一种APP软件用户评论有关性判断方法

技术领域

本发明涉及一种APP软件用户评论有关性判断方法，属于APP软件用户评价领域。

背景技术

用户评论在电子商务与微博领域的信息分析日渐成熟。多数对中文评论的研究使用ICTCLAS进行信息处理，最后通过自然语言处理的方法来对处理后的用户评论信息进行分析。例如，杨震等提出一种基于上下文重构的短文本情感极性判别研究；宋友等提出一种基于正则表达式对网络通用文本处理方法。

用户对于应用的选择一定基础上是来自于企业宣传和应用本身的知名度。但是对于某些同种类型或有相似功能的应用，用户更愿意对比各APP间用户们对于应用的评价、描述等来判断哪个应用更好或者更加适合自己。APP软件评价能够节约用户查看应用的其他用户评论、评价等的时间，而且能够更快的告诉用户所关注应用的综合性评价，减少用户对有关信息的筛选。目前对于APP评价，基本只有企业自己进行评测，可能会出现对APP不实的介绍等。APP软件评价是第三方的，有助于对APP提出一个较为客观的介绍和评价。

本发明提出通过提取APP软件用户评论关键词集，计算关键词集对特征库中的有关性概率得分，并根据有关性概率得分判断APP软件用户评论的有关性，有助于用户选择满足需要的APP软件。

发明内容

针对上述问题，本发明提供了一种APP软件用户评论有关性判断方法，以用于帮助用户从大量的APP评论中提取出与该APP软件有关的评论。

本发明的技术方案是：一种APP软件用户评论有关性判断方法，首先提取APP软件每条评论的关键词集；然后计算提取的APP软件每条评论的关键词集对特征库中的有关性概率得分；最后通过判断有关性概率得分是否大于预设阈值的情况来确定APP软件用户评论是否与该APP软件有关。

所述方法的具体步骤如下：

Step1、提取APP软件num条用户评论，以及每条用户评论的评论分词结果集WordResult_i＝{w₀/f₀,w₁/f₁,…,w_j/f_j}，评论分词词性集Feature_i＝{f₀,f₁,…f_j}；其中w_j为词，f_j为词性(i＝0,1,…,num-1，j＝0,1,…,n-1)，n为分词以后词的个数；

Step2、根据num条用户评论的WordResult_i和Feature_i提取每条评论的关键词集Keywords_i：

提取Keywords_i方法：找到Feature_i中为动词、名词和形容词词性所有的元素下标，并将WordResult_i中对应下标所有元素w_j/f_j存入Keywords_i；

Step3、判断current是否小于L，如果是，则执行步骤Step4；否则，执行步骤Step13；其中，总迭代次数index表示每次迭代条数且满足不大于num，初始时的当前迭代次数current＝0；

Step4、根据current与L，确定在第current次迭代时，第一条评论所在条数first、最后一条评论所在条数last、i＝first；

其中，first＝current*index；当current＝L-1时，last＝num；否则，last＝(current+1)*index-1；

Step5、判断i是否小于或等于last，如果是，则执行步骤Step6；否则，执行步骤Step12；

Step6、判断第i条评论的Keywords_i是否为空，如果是，则执行步骤Step11；否则执行步骤Step7；

Step7、根据第first条评论的Keywords_i提取被测词集Test_i＝{t₁,t₂,…,t_k}(k＝0，1,2,…,u-1)：

当Keywords_i中所有元素w_k/f_k中f_k都为形容词，则将其所有w_k存入Test_i，否则，对元素w_k/f_k中f_k为动词、名词的元素，将其w_k存入Test_i，f_k存入判断词性集TestFeature_i；

Step8、计算第i条评论有关性概率得分score，并将其特征词存入对应的特征库：其中，第i条评论中包含被测词w_k的特征库中文本个数N_k(k＝0,1,2,…,u-1)，文档个数N＝4，w_k在对应特征库中出现频数为times_k，w_k在对应特征库中平均特征频数为m，u为Testi的元素个数；

Step9、判断有关性概率得分score是否大于阈值α，如果是，则执行步骤Step10；否则执行步骤Step11；

Step10、第i条评论有关性标记输出为“有关”，i++，执行步骤Step5：

Step11、第i条评论有关性标记输出为“无关”，i++，执行步骤Step5；

Step12、current++，执行步骤Step3；

Step13、输出“完成所有迭代”。

所述α＝1。

本发明的工作原理是：

提取APP软件用户评论关键词集，用于对用户评论信息的内容进行处理并筛选出APP软件用户评论关键词集；

计算贝叶斯与词频的综合概率得分，用于判断用户评论信息中APP软件用户评论关键词集与特征库有关。

本发明使用ICTCLAS 2015作为数据处理工具，进行用户评论的分词及词性标记。

本发明的有益效果是：

(1)本发明定义并提取APP软件用户评论关键词集，有利于提高判断用户评论有关性的效率；

(2)本发明将朴素贝叶斯文本分类方法进行了修改，结合词频统计的方法判断APP软件用户评论有关性概率得分，有助于给用户筛选出有关评论，减少对评论筛选的时间；

(3)本发明通过判断APP软件用户评论的有关性，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；

图2为图1中步骤S1的具体流程；

图3为图1中步骤S2的具体流程；

图4为图1中步骤S8的具体流程；

图5为图1中步骤S9的具体流程。

具体实施方式

实施例1：如图1-5所示，APP软件用户评论如表1所示，

表1

所述APP软件用户评论有关性判断方法的具体步骤如下：

Step1、提取APP软件num条用户评论，以及每条用户评论的评论分词结果集WordResult_i＝{w₀/f₀,w₁/f₁,…,w_j/f_j}，评论分词词性集Feature_i＝{f₀,f₁,…f_j}，其中w_j为词，f_j为词性(i＝0,1,…,num-1，j＝0,1,…,n-1)：

本发明利用ICTCLAS 2015作为数据处理的工具，进行用户评论的分词及词性标注。本实施例中对用户评论信息分词结果为：“无意/v中/f。/wj”，提取分词结果集：WordResult₀＝{无意/v，中/f，。/wj}，提取评论分词词性集：Feature₀＝{v，f，wj}，此时num＝1。

Step2、根据num条用户评论的WordResult和Feature提取每条评论的关键词集Keywords_i：

提取Keywords_i方法：找到Feature_i中为动词、名词和形容词词性所有的元素下标，并将Keywords_i中对应下标所有元素w_j/f_j存入Keywords_i：

本实施例中，Keywords₀＝{无意/v}；

Step3、定义每次迭代条数index(index必须满足不大于num)，总迭代次数初始化当前迭代次数current＝0：

本实施例中，定义index＝1，则L＝1；

Step4、判断current是否小于L：本实施例中，0<1，执行步骤Step5；

Step5、根据current与L，确定在第current次迭代时，第一条评论所在条数first和最后一条评论所在条数last，i＝first：本实施例中，第0次时first＝0，last＝0，i＝0；

Step6、判断i是否小于或等于last：本实施例中，0<＝0，执行步骤Step7；

Step7、判断第i条评论的Keywords_i是否为空：本实施例中，第0条评论的Keywords₀不为空，执行步骤Step8；

Step8、根据第first条评论的Keywords_i提取被测词集Test_i＝{t₁,t₂,…,t_k}(k＝0，1,2,…,u-1)：

当Keywords_i中所有元素w_k/f_k中f_k都为形容词，则将其所有w_k存入Test_i，否则，对元素w_k/f_k中f_k为动词、名词的元素，将其w_k存入Test_i，f_k存入判断词性集TestFeature_i：本实施例中，Keywords₀＝{无意/v}中f_k有动词，则其Test₀＝{无意}，TestFeature₀＝{v}，isAllAdjust＝false；

Step9、计算第i条评论得分score，并将其特征词存入对应的特征库：

计算第i条评论的贝叶斯与词频的综合概率得分score时，需获取第i条评论中包含被测词w_k的特征库中文本个数N_k(k＝0,1,2,…,u-1)，文档中含形容词特征库，名词特征库，动词特征库，软件简介，其文档个数N＝4，w_k在对应特征库中出现频数times_k，w_k在对应特征库中平均特征频数m，u为Testi的元素个数；根据公式计算score：

将特征词存入对应特征库：若特征词全为形容词，则将其特征词全存入形容词特征词库并增加频数；否则存入对应特征库并增加频数；若特征词在对应特征库中不存在，则先在对应特征库中新增该特征词，并将其频数设置为1：

本实施例中，此时动词特征库中所有动词出现的频数总和为56，动词个数为14，则动词特征库中平均特征频数avg_v为56/14＝4，则Test₀的w₀其对应的m＝4，N₀＝1，times₀＝1，计算第0条评论score＝0.9；

Step10、判断score是否大于阈值α，本实施例中，0.9<1，执行步骤Step12；

Step12、第i条评论有关性标记输出为“无关”，i++：本实施例中，第0条评论有关性标记输出为“无关”，i++＝1，执行步骤Step6；

Step6、判断i是否小于或等于last：本实施例中，1>0，执行步骤Step13；

Step13、current++＝1，执行步骤Step4；

Step4、判断current是否小于L：本实施例中，1＝1，执行步骤Step14；

Step14、输出“完成所有迭代”。

实施例2：如图1-5所示，

APP软件用户评论如表2所示，

表2

所述APP软件用户评论有关性判断方法的具体步骤如下：

Step1、提取APP软件num条用户评论，以及每条用户评论的评论分词结果集WordResult_i＝{w₀/f₀,w₁/f₁,…,w_j/f_j}，评论分词词性集Feature_i＝{f₀,f₁,…f_j}，其中w_j为词，f_j为词性(i＝0,1,…,num-1，j＝0,1,…,n-1)：

本实施例中，WordResult₀＝{哈哈哈/o}，提取评论分词词性集：Feature₀＝{o}，此时num＝1。

Step2、根据num条用户评论的WordResult和Feature提取每条评论的关键词集Keywords_i：本实施例中，Keywords₀＝{}；

Step3、定义每次迭代条数index(index必须满足不大于num)，总迭代次数初始化当前迭代次数current＝0：

本实施例中，定义index＝1，则L＝1；

Step4、判断current是否小于L：本实施例中，0<1，执行步骤Step5；

Step5、根据current与L，确定在第current次迭代时，第一条评论所在条数first和最后一条评论所在条数last，i＝first：本实施例中，第0次时first＝0，last＝0，i＝0；

Step6、判断i是否小于或等于last：本实施例中，0<＝0，执行步骤Step7；

Step7、判断第i条评论的Keywords_i是否为空：本实施例中，第0条评论的Keywords₀为空，执行步骤Step12；

Step12、第i条评论有关性标记输出为“无关”，i++：本实施例中，第0条评论有关性标记输出为“无关”，i++＝1，执行步骤Step6；

Step6、判断i是否小于或等于last：本实施例中，1>0，执行步骤Step13；

Step13、current++＝1，执行步骤Step4；

Step4、判断current是否小于L：本实施例中，1＝1，执行步骤Step14；

Step14、输出“完成所有迭代”。

实施例3：如图1-5所示，

APP软件用户评论如表3所示，

表3

所述APP软件用户评论有关性判断方法的具体步骤如下：

Step1、提取APP软件num条用户评论，以及每条用户评论的评论分词结果集WordResult_i＝{w₀/f₀,w₁/f₁,…,w_j/f_j}，评论分词词性集Feature_i＝{f₀,f₁,…f_j}，其中w_j为词，f_j为词性(i＝0,1,…,num-1，j＝0,1,…,n-1)：

本实施例中，WordResult₀＝{真/d，好/a，用/v}，提取评论分词词性集：Feature₀＝{d，a，v}，此时num＝1。

Step2、根据num条用户评论的WordResult和Feature提取每条评论的关键词集Keywords_i：

提取Keywords_i方法：找到Feature_i中为动词、名词和形容词词性所有的元素下标，并将Keywords_i中对应下标所有元素w_j/f_j存入Keywords_i：

本实施例中，Keywords₀＝{好/a，用/v}；

Step3、定义每次迭代条数index(index必须满足不大于num)，总迭代次数初始化当前迭代次数current＝0：

本实施例中，定义index＝1，则L＝1；

Step4、判断current是否小于L：本实施例中，0<1，执行步骤Step5；

Step5、根据current与L，确定在第current次迭代时，第一条评论所在条数first和最后一条评论所在条数last，i＝first：本实施例中，第0次时first＝0，last＝0，i＝0；

Step6、判断i是否小于或等于last：本实施例中，0<＝0，执行步骤Step7；

Step7、判断第i条评论的Keywords_i是否为空：本实施例中，第0条评论的Keywords₀不为空，执行步骤Step8；

Step8、根据第first条评论的Keywords_i提取被测词集Test_i＝{t₁,t₂,…,t_k}(k＝0，1,2,…,u-1)：

当Keywords_i中所有元素w_k/f_k中f_k都为形容词，则将其所有w_k存入Test_i，否则，对于元素w_k/f_k中f_k为动词、名词的元素，将其w_k存入Test_i，f_k存入判断词性集TestFeature_i：本实施例中，Keywords₀＝{好/a，用/v}中f_k有动词，则其Test₀＝{用}，TestFeature₀＝{v}，isAllAdjust＝false；

Step9、计算第i条评论得分score，并将其特征词存入对应的特征库：

本实施例中，此时动词特征库中平均特征频数avg_v为11.125，则Test₀的w₀其对应的m＝11.125，N₀＝2，times₀＝16，计算第0条评论score＝2.128；

Step10、判断score是否大于阈值α，本实施例中，2.128>1，执行步骤Step11；

Step11、第i条评论有关性标记输出为“有关”，i++：本实施例中，第0条评论有关性标记输出为“有关”，i++＝1，执行步骤Step6；

Step6、判断i是否小于或等于last：本实施例中，1>0，执行步骤Step13；

Step13、current++＝1，执行步骤Step4；

Step4、判断current是否小于L：本实施例中，1＝1，执行步骤Step14；

Step14、输出“完成所有迭代”。

实施例4：如图1-5所示，

APP软件用户评论如表4所示，

表4

所述APP软件用户评论有关性判断方法的具体步骤如下：

Step1、提取APP软件num条用户评论，以及每条用户评论的评论分词结果集WordResult_i＝{w₀/f₀,w₁/f₁,…,w_j/f_j}，评论分词词性集Feature_i＝{f₀,f₁,…f_j}，其中w_j为词，f_j为词性(i＝0,1,…,num-1，j＝0,1,…,n-1)：

本实施例中，WordResult₀＝{差/a}，提取评论分词词性集：Feature₀＝{a}，此时num＝1。

Step2、根据num条用户评论的WordResult和Feature提取每条评论的关键词集Keywords_i：

提取Keywords_i方法：找到Feature_i中为动词、名词和形容词词性所有的元素下标，并将Keywords_i中对应下标所有元素w_j/f_j存入Keywords_i：

本实施例中，Keywords₀＝{差/a}；

Step3、定义每次迭代条数index(index必须满足不大于num)，总迭代次数初始化当前迭代次数current＝0：

本实施例中，定义index＝1，则L＝1；

Step4、判断current是否小于L：本实施例中，0<1，执行步骤Step5；

Step5、根据current与L，确定在第current次迭代时，第一条评论所在条数first和最后一条评论所在条数last，i＝first：本实施例中，第0次时first＝0，last＝0，i＝0；

Step6、判断i是否小于或等于last：本实施例中，0<＝0，执行步骤Step7；

Step7、判断第i条评论的Keywords_i是否为空：本实施例中，第0条评论的Keywords₀不为空，执行步骤Step8；

Step8、根据第first条评论的Keywords_i提取被测词集Test_i＝{t₁,t₂,…,t_k}(k＝0，1,2,…,u-1)：

当Keywords_i中所有元素w_k/f_k中f_k都为形容词，则将其所有w_k存入Test_i，否则，对元素w_k/f_k中f_k为动词、名词的元素，将其w_k存入Test_i，f_k存入判断词性集TestFeature_i：本实施例中，Keywords₀＝{差/a}中f_k只有形容词，则其Test₀＝{差}，isAllAdjust＝true；

Step9、计算第i条评论得分score，并将其特征词存入对应的特征库：

本实施例中，此时动词特征库中平均特征频数avg_v为11.5，则Test₀的w₀其对应的m＝11.15，N₀＝1，times₀＝15，计算第0条评论score＝1.791；

Step10、判断score是否大于阈值α，本实施例中，1.791>1，执行步骤Step11；

Step11、第i条评论有关性标记输出为“有关”，i++：本实施例中，第0条评论有关性标记输出为“有关”，i++＝1，执行步骤Step6；

Step6、判断i是否小于或等于last：本实施例中，1>0，执行步骤Step13；

Step13、current++＝1，执行步骤Step4；

Step4、判断current是否小于L：本实施例中，1＝1，执行步骤Step14；

Step14、输出“完成所有迭代”。

实施例5：如图1-5所示，

APP软件用户评论如表5所示，

表5

所述APP软件用户评论有关性判断方法的具体步骤如下：

Step1、提取APP软件num条用户评论，以及每条用户评论的评论分词结果集WordResult_i＝{w₀/f₀,w₁/f₁,…,w_j/f_j}，评论分词词性集Feature_i＝{f₀,f₁,…f_j}，其中w_j为词，f_j为词性(i＝0,1,…,num-1，j＝0,1,…,n-1)：

本实施例中，WordResult₀＝{为什么/ryv，以前/f，安装/v，的/ude1，了/y，，/wd，现在/t，安装/v，不/d，了/y}，Feature₀＝{ryv，f，v，ude1，y，wd，t，v，d，y}，WordResult₁＝{不错/a}，Feature₁＝{a}，此时num＝2。

Step2、根据num条用户评论的WordResult和Feature提取每条评论的关键词集Keywords_i：

提取Keywords_i方法：找到Feature_i中为动词、名词和形容词词性所有的元素下标，并将Keywords_i中对应下标所有元素w_j/f_j存入Keywords_i：

本实施例中，Keywords₀＝{安装/v}，Keywords₁＝{不错/a}；

Step3、定义每次迭代条数index(index必须满足不大于num)，总迭代次数初始化当前迭代次数current＝0：

本实施例中，定义index＝1，则L＝2；

Step4、判断current是否小于L：本实施例中，0<2，执行步骤Step5；

Step5、根据current与L，确定在第current次迭代时，第一条评论所在条数first和最后一条评论所在条数last，i＝first：本实施例中，第0次时first＝0，last＝0，i＝0；

Step6、判断i是否小于或等于last：本实施例中，0<＝0，执行步骤Step7；

Step7、判断第i条评论的Keywords_i是否为空：本实施例中，第0条评论的Keywords₀不为空，执行步骤Step8；

Step8、根据第first条评论的Keywords_i提取被测词集Test_i＝{t₁,t₂,…,t_k}(k＝0，1,2,…,u-1)：本实施例中，Test₀＝{安装}，TestFeature₀＝{v}，isAllAdjust＝false；

Step9、计算第i条评论得分score，并将其特征词存入对应的特征库：

本实施例中，此时动词特征库中平均特征频数avg_v为5.571，则Test₀的w₀其对应的m＝5.571，N₀＝1，times₀＝34，计算第0条评论score＝6.682；

Step10、判断score是否大于阈值α，本实施例中，6.682>1，执行步骤Step11；

Step11、第i条评论有关性标记输出为“有关”，i++：本实施例中，第0条评论有关性标记输出为“有关”，i++＝1，执行步骤Step6；

Step6、判断i是否小于或等于last：本实施例中，1>0，执行步骤Step13；

Step13、current++＝1，执行步骤Step4；

Step4、判断current是否小于L：本实施例中，1<2，执行步骤Step5；

Step5、根据current与L，确定在第current次迭代时，第一条评论所在条数first和最后一条评论所在条数last，i＝first：本实施例中，第1次时first＝1，last＝1，i＝1；

Step6、判断i是否小于或等于last：本实施例中，1<＝1，执行步骤Step7；

Step7、判断第i条评论的Keywords_i是否为空：本实施例中，第1条评论的Keywords₁不为空，执行步骤Step8；

Step8、根据第first条评论的Keywords_i提取被测词集Test_i＝{t₁,t₂,…,t_k}(k＝0，1,2,…,u-1)：本实施例中，Test₁＝{不错}，isAllAdjust＝true；

Step9、计算第i条评论得分score，并将其特征词存入对应的特征库：

本实施例中，此时形容词特征库中平均特征频数avg_a为11.25，则Test₁的w₀其对应的m＝11.25，N₀＝1，times₀＝19，计算第1条评论score＝2.178；

Step10、判断score是否大于阈值α，本实施例中，2.178>1，执行步骤Step11；

Step11、第i条评论有关性标记输出为“有关”，i++：本实施例中，第0条评论有关性标记输出为“有关”，i++＝1，执行步骤Step6；

Step6、判断i是否小于或等于last：本实施例中，2>1，执行步骤Step13；

Step13、current++＝2，执行步骤Step4；

Step4、判断current是否小于L：本实施例中，2＝2，执行步骤Step14；

Step14、输出“完成所有迭代”。

实施例6：如图1-5所示，

APP软件用户评论如表6所示，

表6

所述APP软件用户评论有关性判断方法的具体步骤如下：

Step1、提取APP软件num条用户评论，以及每条用户评论的评论分词结果集WordResult_i＝{w₀/f₀,w₁/f₁,…,w_j/f_j}，评论分词词性集Feature_i＝{f₀,f₁,…f_j}，其中w_j为词，f_j为词性(i＝0,1,…,num-1，j＝0,1,…,n-1)：

本实施例中，WordResult₀＝{非常/d，不错/a}，Feature₀＝{d，a}，WordResult₁＝{很/d，好/a}；Feature₁＝{d，a}，此时num＝2。

Step2、根据num条用户评论的WordResult和Feature提取每条评论的关键词集Keywords_i：

提取Keywords_i方法：找到Feature_i中为动词、名词和形容词词性所有的元素下标，并将Keywords_i中对应下标所有元素w_j/f_j存入Keywords_i：

本实施例中，Keywords₀＝{不错/a}，Keywords₁＝{好/a}；

Step3、定义每次迭代条数index(index必须满足不大于num)，总迭代次数初始化当前迭代次数current＝0：

本实施例中，定义index＝1，则L＝2；

Step4、判断current是否小于L：本实施例中，0<2，执行步骤Step5；

Step5、根据current与L，确定在第current次迭代时，第一条评论所在条数first和最后一条评论所在条数last，i＝first：本实施例中，第0次时first＝0，last＝0，i＝0；

Step6、判断i是否小于或等于last：本实施例中，0<＝0，执行步骤Step7；

Step7、判断第i条评论的Keywords_i是否为空：本实施例中，第0条评论的Keywords₀不为空，执行步骤Step8；

Step8、根据第first条评论的Keywords_i提取被测词集Test_i＝{t₁,t₂,…,t_k}(k＝0，1,2,…,u-1)：本实施例中，Test₀＝{不错}，isAllAdjust＝true；

Step9、计算第i条评论得分score，并将其特征词存入对应的特征库：

本实施例中，此时动词特征库中平均特征频数avg_a为12.125，则Test₀的w₀其对应的m＝12.125，N₀＝1，times₀＝21，计算第0条评论score＝2.214；

Step10、判断score是否大于阈值α，本实施例中，2.214>1，执行步骤Step11；

Step11、第i条评论有关性标记输出为“有关”，i++：本实施例中，第0条评论有关性标记输出为“有关”，i++＝1，执行步骤Step6；

Step6、判断i是否小于或等于last：本实施例中，1>0，执行步骤Step13；

Step13、current++＝1，执行步骤Step4；

Step4、判断current是否小于L：本实施例中，1<2，执行步骤Step5；

Step5、根据current与L，确定在第current次迭代时，第一条评论所在条数first和最后一条评论所在条数last，i＝first：本实施例中，第1次时first＝1，last＝1，i＝1；

Step6、判断i是否小于或等于last：本实施例中，1<＝1，执行步骤Step7；

Step7、判断第i条评论的Keywords_i是否为空：本实施例中，第1条评论的Keywords₁不为空，执行步骤Step8；

Step8、根据第first条评论的Keywords_i提取被测词集Test_i＝{t₁,t₂,…,t_k}(k＝0，1,2,…,u-1)：本实施例中，Test₁＝{好}，isAllAdjust＝true；

Step9、计算第i条评论得分score，并将其特征词存入对应的特征库：

本实施例中，此时形容词特征库中平均特征频数avg_a为11.25，则Test₁的w₀其对应的m＝11.25，N₀＝3，times₀＝35，计算第1条评论score＝3.739；

Step10、判断score是否大于阈值α，本实施例中，3.739>1，执行步骤Step11；

Step11、第i条评论有关性标记输出为“有关”，i++：本实施例中，第0条评论有关性标记输出为“有关”，i++＝1，执行步骤Step6；

Step6、判断i是否小于或等于last：本实施例中，2>1，执行步骤Step13；

Step13、current++＝2，执行步骤Step4；

Step4、判断current是否小于L：本实施例中，2＝2，执行步骤Step14；

Step14、输出“完成所有迭代”。

实施例7：如图1-5所示，

APP软件用户评论如表7所示，

表7

所述APP软件用户评论有关性判断方法的具体步骤如下：

Step1、提取APP软件num条用户评论，以及每条用户评论的评论分词结果集WordResult_i＝{w₀/f₀,w₁/f₁,…,w_j/f_j}，评论分词词性集Feature_i＝{f₀,f₁,…f_j}，其中w_j为词，f_j为词性(i＝0,1,…,num-1，j＝0,1,…,n-1)：

本实施例中，WordResult₀＝{为什么/ryv，下载/v，了/ule，没有/d，在/p，桌面/n，上/f，出现/v，？/ww}，Feature₀＝{ryv，v，ule，d，p，n，f，v，ww}，WordResult₁＝{好/a，，/wd，感谢/v，微信/nz，各位/rr，朋友/n}，Feature₁＝{a，wd，v，nz，rr，n}，此时num＝2。

Step2、根据num条用户评论的WordResult和Feature提取每条评论的关键词集Keywords_i：

提取Keywords_i方法：找到Feature_i中为动词、名词和形容词词性所有的元素下标，并将Keywords_i中对应下标所有元素w_j/f_j存入Keywords_i：

本实施例中，Keywords₀＝{下载/v，桌面/n，出现/v}，Keywords₁＝{好/a，感谢/v，微信/nz，朋友/n}；

Step3、定义每次迭代条数index(index必须满足不大于num)，总迭代次数初始化当前迭代次数current＝0：

本实施例中，定义index＝1，则L＝2；

Step4、判断current是否小于L：本实施例中，0<2，执行步骤Step5；

Step5、根据current与L，确定在第current次迭代时，第一条评论所在条数first和最后一条评论所在条数last，i＝first：本实施例中，第0次时first＝0，last＝0，i＝0；

Step6、判断i是否小于或等于last：本实施例中，0<＝0，执行步骤Step7；

Step7、判断第i条评论的Keywords_i是否为空：本实施例中，第0条评论的Keywords₀不为空，执行步骤Step8；

Step8、根据第first条评论的Keywords_i提取被测词集Test_i＝{t₁,t₂,…,t_k}(k＝0，1,2,…,u-1)：本实施例中，Test₀＝{下载，桌面，出现}，TestFeature₀＝{v，n，v}，isAllAdjust＝false；

Step9、计算第i条评论得分score，并将其特征词存入对应的特征库：

本实施例中，此时动词特征库中平均特征频数avg_v为6.343，名词特征库中平均特征频数avg_n为3.852，则Test₀的w₀其对应的m＝6.343，N₀＝1，times₀＝25；w₁对应的m＝3.852，N₁＝1，times₁＝1；w₂对应的m＝6.343，N₂＝1，times₂＝1，计算第0条评论score＝2.958；

Step10、判断score是否大于阈值α，本实施例中，2.958>1，执行步骤Step11；

Step11、第i条评论有关性标记输出为“有关”，i++：本实施例中，第0条评论有关性标记输出为“有关”，i++＝1，执行步骤Step6；

Step6、判断i是否小于或等于last：本实施例中，1>0，执行步骤Step13；

Step13、current++＝1，执行步骤Step4；

Step4、判断current是否小于L：本实施例中，1<2，执行步骤Step5；

Step5、根据current与L，确定在第current次迭代时，第一条评论所在条数first和最后一条评论所在条数last，i＝first：本实施例中，第1次时first＝1，last＝1，i＝1；

Step6、判断i是否小于或等于last：本实施例中，1<＝1，执行步骤Step7；

Step7、判断第i条评论的Keywords_i是否为空：本实施例中，第1条评论的Keywords₁不为空，执行步骤Step8；

Step8、根据第first条评论的Keywords_i提取被测词集Test_i＝{t₁,t₂,…,t_k}(k＝0，1,2,…,u-1)：本实施例中，Test₁＝{感谢，微信，朋友}，TestFeature₁＝{v，nz，n}，isAllAdjust＝false；

Step9、计算第i条评论得分score，并将其特征词存入对应的特征库：

本实施例中，此时动词特征库中平均特征频数avg_v为13.25，名词特征库中平均特征频avg_n为6.829，则Test₁的w₀其对应的m＝13.25，N₀＝1，times₀＝4，w₁其对应的m＝6.829，N₀＝2，times₀＝32，w₂其对应的m＝6.829，N₀＝2，times₀＝4，计算第1条评论score＝7.535；

Step10、判断score是否大于阈值α，本实施例中，7.535>1，执行步骤Step11；

Step11、第i条评论有关性标记输出为“有关”，i++：本实施例中，第0条评论有关性标记输出为“有关”，i++＝1，执行步骤Step6；

Step6、判断i是否小于或等于last：本实施例中，2>1，执行步骤Step13；

Step13、current++＝2，执行步骤Step4；

Step4、判断current是否小于L：本实施例中，2＝2，执行步骤Step14；

Step14、输出“完成所有迭代”。

实施例8：如图1-5所示，

APP软件用户评论如表8所示，

表8

所述APP软件用户评论有关性判断方法的具体步骤如下：

Step1、提取APP软件num条用户评论，以及每条用户评论的评论分词结果集WordResult_i＝{w₀/f₀,w₁/f₁,…,w_j/f_j}，评论分词词性集Feature_i＝{f₀,f₁,…f_j}，其中w_j为词，f_j为词性(i＝0,1,…,num-1，j＝0,1,…,n-1)：

本实施例中，WordResult₀＝{小武/nr2}，Feature₀＝{nr2}，WordResult₁＝{邬卫忠/nr}，Feature₁＝{nr}，此时num＝2。

Step2、根据num条用户评论的WordResult和Feature提取每条评论的关键词集Keywords_i：

提取Keywords_i方法：找到Feature_i中为动词、名词和形容词词性所有的元素下标，并将Keywords_i中对应下标所有元素w_j/f_j存入Keywords_i：

本实施例中，Keywords₀＝{小武/nr2}，Keywords₁＝{邬卫忠/nr}；

Step3、定义每次迭代条数index(index必须满足不大于num)，总迭代次数初始化当前迭代次数current＝0：

本实施例中，定义index＝1，则L＝2；

Step4、判断current是否小于L：本实施例中，0<2，执行步骤Step5；

Step5、根据current与L，确定在第current次迭代时，第一条评论所在条数first和最后一条评论所在条数last，i＝first：本实施例中，第0次时first＝0，last＝0，i＝0；

Step6、判断i是否小于或等于last：本实施例中，0<＝0，执行步骤Step7；

Step7、判断第i条评论的Keywords_i是否为空：本实施例中，第0条评论的Keywords₀不为空，执行步骤Step8；

Step8、根据第first条评论的Keywords_i提取被测词集Test_i＝{t₁,t₂,…,t_k}(k＝0，1,2,…,u-1)：本实施例中，Test₀＝{小武}，TestFeature₀＝{nr2}，isAllAdjust＝false；

Step9、计算第i条评论得分score，并将其特征词存入对应的特征库：

本实施例中，名词特征库中平均特征频数avg_n为4.148，则Test₀的w₀其对应的m＝4.148，N₀＝1，times₀＝1，计算第0条评论score＝0.882；

Step10、判断score是否大于阈值α，本实施例中，0.882<1，执行步骤Step12；

Step12、第i条评论有关性标记输出为“无关”，i++：本实施例中，第0条评论有关性标记输出为“无关”，i++＝1，执行步骤Step6；

Step6、判断i是否小于或等于last：本实施例中，1>0，执行步骤Step13；

Step13、current++＝1，执行步骤Step4；

Step4、判断current是否小于L：本实施例中，1<2，执行步骤Step5；

Step5、根据current与L，确定在第current次迭代时，第一条评论所在条数first和最后一条评论所在条数last，i＝first：本实施例中，第1次时first＝1，last＝1，i＝1；

Step6、判断i是否小于或等于last：本实施例中，1<＝1，执行步骤Step7；

Step7、判断第i条评论的Keywords_i是否为空：本实施例中，第1条评论的Keywords₁不为空，执行步骤Step8；

Step8、根据第first条评论的Keywords_i提取被测词集Test_i＝{t₁,t₂,…,t_k}(k＝0，1,2,…,u-1)：本实施例中，Test₁＝{邬卫忠}，TestFeature₁＝{nr}，isAllAdjust＝false；

Step9、计算第i条评论得分score，并将其特征词存入对应的特征库：

本实施例中，此时名词特征库中平均特征频avg_n为4.296，则Test₁的w₀其对应的m＝4.296，N₀＝1，times₀＝1，计算第1条评论score＝0.866；

Step10、判断score是否大于阈值α，本实施例中，0.866<1，执行步骤Step12；

Step12、第i条评论有关性标记输出为“无关”，i++：本实施例中，第0条评论有关性标记输出为“无关”，i++＝1，执行步骤Step6；

Step6、判断i是否小于或等于last：本实施例中，2>1，执行步骤Step13；

Step13、current++＝2，执行步骤Step4；

Step4、判断current是否小于L：本实施例中，2＝2，执行步骤Step14；

Step14、输出“完成所有迭代”。

实施例9：如图1-5所示，

APP软件用户评论如表9所示，

表9

所述APP软件用户评论有关性判断方法的具体步骤如下：

Step1、提取APP软件num条用户评论，以及每条用户评论的评论分词结果集WordResult_i＝{w₀/f₀,w₁/f₁,…,w_j/f_j}，评论分词词性集Feature_i＝{f₀,f₁,…f_j}，其中w_j为词，f_j为词性(i＝0,1,…,num-1，j＝0,1,…,n-1)：

本实施例中，WordResult₀＝{呵呵/o}，Feature₀＝{o}，WordResult₁＝{哈哈/o，！/wt}，Feature₁＝{o，wt}，此时num＝2。

Step2、根据num条用户评论的WordResult和Feature提取每条评论的关键词集Keywords_i：本实施例中，Keywords₀＝{}，Keywords₁＝{}；

Step3、定义每次迭代条数index(index必须满足不大于num)，总迭代次数初始化当前迭代次数current＝0：

本实施例中，定义index＝1，则L＝2；

Step4、判断current是否小于L：本实施例中，0<2，执行步骤Step5；

Step5、根据current与L，确定在第current次迭代时，第一条评论所在条数first和最后一条评论所在条数last，i＝first：本实施例中，第0次时first＝0，last＝0，i＝0；

Step6、判断i是否小于或等于last：本实施例中，0<＝0，执行步骤Step7；

Step7、判断第i条评论的Keywords_i是否为空：本实施例中，第0条评论的Keywords₀为空，执行步骤Step12；

Step12、第i条评论有关性标记输出为“无关”，i++：本实施例中，第0条评论有关性标记输出为“无关”，i++＝1，执行步骤Step6；

Step6、判断i是否小于或等于last：本实施例中，1>0，执行步骤Step13；

Step13、current++＝1，执行步骤Step4；

Step4、判断current是否小于L：本实施例中，1<2，执行步骤Step5；

Step5、根据current与L，确定在第current次迭代时，第一条评论所在条数first和最后一条评论所在条数last，i＝first：本实施例中，第1次时first＝1，last＝1，i＝1；

Step6、判断i是否小于或等于last：本实施例中，1<＝1，执行步骤Step7；

Step7、判断第i条评论的Keywords_i是否为空：本实施例中，第1条评论的Keywords₁为空，执行步骤Step12；

Step12、第i条评论有关性标记输出为“无关”，i++：本实施例中，第0条评论有关性标记输出为“无关”，i++＝1，执行步骤Step6；

Step6、判断i是否小于或等于last：本实施例中，2>1，执行步骤Step13；

Step13、current++＝2，执行步骤Step4；

Step4、判断current是否小于L：本实施例中，2＝2，执行步骤Step14；

Step14、输出“完成所有迭代”。

实施例10：如图1-5所示，

APP软件用户评论如表10所示，

表10

所述APP软件用户评论有关性判断方法的具体步骤如下：

Step1、提取APP软件num条用户评论，以及每条用户评论的评论分词结果集WordResult_i＝{w₀/f₀,w₁/f₁,…,w_j/f_j}，评论分词词性集Feature_i＝{f₀,f₁,…f_j}，其中w_j为词，f_j为词性(i＝0,1,…,num-1，j＝0,1,…,n-1)：

本实施例中，WordResult₀＝{嘻嘻/o}，Feature₀＝{o}，WordResult₁＝{彭江/nr}，Feature₁＝{nr}，此时num＝2。

Step2、根据num条用户评论的WordResult和Feature提取每条评论的关键词集Keywords_i：

提取Keywords_i方法：找到Feature_i中为动词、名词和形容词词性所有的元素下标，并将Keywords_i中对应下标所有元素w_j/f_j存入Keywords_i：

本实施例中，Keywords₀＝{}，Keywords₁＝{彭江/nr}；

Step3、定义每次迭代条数index(index必须满足不大于num)，总迭代次数初始化当前迭代次数current＝0：

本实施例中，定义index＝1，则L＝2；

Step4、判断current是否小于L：本实施例中，0<2，执行步骤Step5；

Step5、根据current与L，确定在第current次迭代时，第一条评论所在条数first和最后一条评论所在条数last，i＝first：本实施例中，第0次时first＝0，last＝0，i＝0；

Step6、判断i是否小于或等于last：本实施例中，0<＝0，执行步骤Step7；

Step7、判断第i条评论的Keywords_i是否为空：本实施例中，第0条评论的Keywords₀为空，执行步骤Step12；

Step12、第i条评论有关性标记输出为“无关”，i++：本实施例中，第0条评论有关性标记输出为“无关”，i++＝1，执行步骤Step6；

Step6、判断i是否小于或等于last：本实施例中，1>0，执行步骤Step13；

Step13、current++＝1，执行步骤Step4；

Step4、判断current是否小于L：本实施例中，1<2，执行步骤Step5；

Step5、根据current与L，确定在第current次迭代时，第一条评论所在条数first和最后一条评论所在条数last，i＝first：本实施例中，第1次时first＝1，last＝1，i＝1；

Step6、判断i是否小于或等于last：本实施例中，1<＝1，执行步骤Step7；

Step7、判断第i条评论的Keywords_i是否为空：本实施例中，第1条评论的Keywords₁不为空，执行步骤Step8；

Step8、根据第first条评论的Keywords_i提取被测词集Test_i＝{t₁,t₂,…,t_k}(k＝0，1,2,…,u-1)：本实施例中，Test₁＝{彭江}，TestFeature₁＝{nr}，isAllAdjust＝false；

Step9、计算第i条评论得分score，并将其特征词存入对应的特征库：

本实施例中，此时名词特征库中平均特征频avg_n为4.819，则Test₁的w₀其对应的m＝4.819，N₀＝1，times₀＝1，计算第1条评论score＝0.815；

Step10、判断score是否大于阈值α，本实施例中，0.815<1，执行步骤Step12；

Step12、第i条评论有关性标记输出为“无关”，i++：本实施例中，第0条评论有关性标记输出为“无关”，i++＝1，执行步骤Step6；

Step6、判断i是否小于或等于last：本实施例中，2>1，执行步骤Step13；

Step13、current++＝2，执行步骤Step4；

Step4、判断current是否小于L：本实施例中，2＝2，执行步骤Step14；

Step14、输出“完成所有迭代”。

实施例11：如图1-5所示，

APP软件用户评论如表11所示，

表11

所述APP软件用户评论有关性判断方法的具体步骤如下：

Step1、提取APP软件num条用户评论，以及每条用户评论的评论分词结果集WordResult_i＝{w₀/f₀,w₁/f₁,…,w_j/f_j}，评论分词词性集Feature_i＝{f₀,f₁,…f_j}，其中w_j为词，f_j为词性(i＝0,1,…,num-1，j＝0,1,…,n-1)：

本实施例中，WordResult₀＝{后台/n，运行/vn，就/d，收/v，不/d，到/v，信息/n，提示/v，什么/ry，情况/n，？/ww}，Feature₀＝{n，vn，d，v，d，v，n，v，ry，n，ww}，WordResult₁＝{爱/v，马仕/nr}，Feature₁＝{v，nr}，此时num＝2。

Step2、根据num条用户评论的WordResult和Feature提取每条评论的关键词集Keywords_i：

提取Keywords_i方法：找到Feature_i中为动词、名词和形容词词性所有的元素下标，并将Keywords_i中对应下标所有元素w_j/f_j存入Keywords_i：

本实施例中，Keywords₀＝{后台/n，运行/vn，收/v，到/v，信息/n，提示/v，情况/n}，Keywords₁＝{爱/v，马仕/nr}；

Step3、定义每次迭代条数index(index必须满足不大于num)，总迭代次数初始化当前迭代次数current＝0：

本实施例中，定义index＝1，则L＝2；

Step4、判断current是否小于L：本实施例中，0<2，执行步骤Step5；

Step5、根据current与L，确定在第current次迭代时，第一条评论所在条数first和最后一条评论所在条数last，i＝first：本实施例中，第0次时first＝0，last＝0，i＝0；

Step6、判断i是否小于或等于last：本实施例中，0<＝0，执行步骤Step7；

Step7、判断第i条评论的Keywords_i是否为空：本实施例中，第0条评论的Keywords₀不为空，执行步骤Step8；

Step8、根据第first条评论的Keywords_i提取被测词集Test_i＝{t₁,t₂,…,t_k}(k＝0，1,2,…,u-1)：本实施例中，Test₀＝{后台，运行，收，到，信息，提示，情况}，TestFeature₀＝{n，vn，v，v，n，v，n}，isAllAdjust＝false；

Step9、计算第i条评论得分score，并将其特征词存入对应的特征库：

本实施例中，此时动词特征库中平均特征频数avg_v为7.314，名词特征库中平均特征频数avg_n为4.667，则Test₀的w₀其对应的m＝4.667，N₀＝1，times₀＝11；w₁对应的m＝7.314，N₁＝1，times₁＝11；w₂对应的m＝7.314，N₂＝2，times₂＝11；w₃对应的m＝7.314，N₃＝1，times₃＝19；w₄对应的m＝4.667，N₄＝1，times₄＝11，；w₅对应的m＝7.314，N₅＝1，times₅＝11；w₆对应的m＝4.667，N₆＝1，times₆＝11，计算第0条评论score＝767.26；

Step10、判断score是否大于阈值α，本实施例中，767.26>1，执行步骤Step11；

Step11、第i条评论有关性标记输出为“有关”，i++：本实施例中，第0条评论有关性标记输出为“有关”，i++＝1，执行步骤Step6；

Step6、判断i是否小于或等于last：本实施例中，1>0，执行步骤Step13；

Step13、current++＝1，执行步骤Step4；

Step4、判断current是否小于L：本实施例中，1<2，执行步骤Step5；

Step5、根据current与L，确定在第current次迭代时，第一条评论所在条数first和最后一条评论所在条数last，i＝first：本实施例中，第1次时first＝1，last＝1，i＝1；

Step6、判断i是否小于或等于last：本实施例中，1<＝1，执行步骤Step7；

Step7、判断第i条评论的Keywords_i是否为空：本实施例中，第1条评论的Keywords₁不为空，执行步骤Step8；

Step8、根据第first条评论的Keywords_i提取被测词集Test_i＝{t₁,t₂,…,t_k}(k＝0，1,2,…,u-1)：本实施例中，Test₁＝{爱，马仕}，TestFeature₁＝{v，nr}，isAllAdjust＝false；

Step9、计算第i条评论得分score，并将其特征词存入对应的特征库：

本实施例中，此时动词特征库中平均特征频数avg_v为7.429，名词特征库中平均特征频avg_n为4.778，则Test₁的w₀其对应的m＝7.429，N₀＝1，times₀＝4，w₁其对应的m＝4.778，N₀＝1，times₀＝1，计算第1条评论score＝0.878；

Step10、判断score是否大于阈值α，本实施例中，0.878<1，执行步骤Step12；

Step12、第i条评论有关性标记输出为“无关”，i++：本实施例中，第0条评论有关性标记输出为“无关”，i++＝1，执行步骤Step6；

Step6、判断i是否小于或等于last：本实施例中，2>1，执行步骤Step13；

Step13、current++＝2，执行步骤Step4；

Step4、判断current是否小于L：本实施例中，2＝2，执行步骤Step14；

Step14、输出“完成所有迭代”。

实施例12：如图1-5所示，

APP软件用户评论如表12所示，

表12

所述APP软件用户评论有关性判断方法的具体步骤如下：

Step1、提取APP软件num条用户评论，以及每条用户评论的评论分词结果集WordResult_i＝{w₀/f₀,w₁/f₁,…,w_j/f_j}，评论分词词性集Feature_i＝{f₀,f₁,…f_j}，其中w_j为词，f_j为词性(i＝0,1,…,num-1，j＝0,1,…,n-1)：

本实施例中，WordResult₀＝{很/d，爱/v}，Feature₀＝{d，v}，WordResult₁＝{嘎嘎/o}，Feature₁＝{o}，此时num＝2。

Step2、根据num条用户评论的WordResult和Feature提取每条评论的关键词集Keywords_i：

提取Keywords_i方法：找到Feature_i中为动词、名词和形容词词性所有的元素下标，并将Keywords_i中对应下标所有元素w_j/f_j存入Keywords_i：

本实施例中，Keywords₀＝{爱/v}，Keywords₁＝{}；

Step3、定义每次迭代条数index(index必须满足不大于num)，总迭代次数初始化当前迭代次数current＝0：

本实施例中，定义index＝1，则L＝2；

Step4、判断current是否小于L：本实施例中，0<2，执行步骤Step5；

Step5、根据current与L，确定在第current次迭代时，第一条评论所在条数first和最后一条评论所在条数last，i＝first：本实施例中，第0次时first＝0，last＝0，i＝0；

Step6、判断i是否小于或等于last：本实施例中，0<＝0，执行步骤Step7；

Step7、判断第i条评论的Keywords_i是否为空：本实施例中，第0条评论的Keywords₀不为空，执行步骤Step8；

Step8、根据第first条评论的Keywords_i提取被测词集Test_i＝{t₁,t₂,…,t_k}(k＝0，1,2,…,u-1)：本实施例中，Test₀＝{爱}，TestFeature₀＝{v}，isAllAdjust＝false；

Step9、计算第i条评论得分score，并将其特征词存入对应的特征库：

本实施例中，此时动词特征库中平均特征频数avg_v为7.457，则Test₀的w₀其对应的m＝7.457，N₀＝1，times₀＝5，计算第0条评论score＝1.205；

Step10、判断score是否大于阈值α，本实施例中，1.205>1，执行步骤Step11；

Step11、第i条评论有关性标记输出为“有关”，i++：本实施例中，第0条评论有关性标记输出为“有关”，i++＝1，执行步骤Step6；

Step6、判断i是否小于或等于last：本实施例中，1>0，执行步骤Step13；

Step13、current++＝1，执行步骤Step4；

Step4、判断current是否小于L：本实施例中，1<2，执行步骤Step5；

Step5、根据current与L，确定在第current次迭代时，第一条评论所在条数first和最后一条评论所在条数last，i＝first：本实施例中，第1次时first＝1，last＝1，i＝1；

Step6、判断i是否小于或等于last：本实施例中，1<＝1，执行步骤Step7；

Step7、判断第i条评论的Keywords_i是否为空：本实施例中，第1条评论的Keywords₁为空，执行步骤Step12；

Step12、第i条评论有关性标记输出为“无关”，i++：本实施例中，第0条评论有关性标记输出为“无关”，i++＝1，执行步骤Step6；

Step6、判断i是否小于或等于last：本实施例中，2>1，执行步骤Step13；

Step13、current++＝2，执行步骤Step4；

Step4、判断current是否小于L：本实施例中，2＝2，执行步骤Step14；

Step14、输出“完成所有迭代”。

实施例13：如图1-5所示，

APP软件用户评论如表13所示，

表13

所述APP软件用户评论有关性判断方法的具体步骤如下：

Step1、提取APP软件num条用户评论，以及每条用户评论的评论分词结果集WordResult_i＝{w₀/f₀,w₁/f₁,…,w_j/f_j}，评论分词词性集Feature_i＝{f₀,f₁,…f_j}，其中w_j为词，f_j为词性(i＝0,1,…,num-1，j＝0,1,…,n-1)：

本实施例中，WordResult₀＝{太/d，好/a，了/y，！/wt，我/rr，非常/d，喜欢/vi}，Feature₀＝{d，a，y，wt，rr，d，vi}，WordResult₁＝{只要/c，东西/n，好/a，，/wd，评价/v，也/d，会/v，高/a，，/wd，良心/n，品牌/n}，Feature₁＝{c，n，a，wd，v，d，v，a，wd，n，n}，WordResult₂＝{不错/a，，/wd，值得/v，下载/v，！/wt}，Feature₂＝{a，wd，v，v，wt}，WordResult₃＝{内容/n，丰富/a，，/wd，出乎/v，我/rr，所/usuo，料/v，啊/y，！/wt}，Feature₃＝{n，a，wd，v，rr，usuo，v，y，wt}，此时num＝4。

Step2、根据num条用户评论的WordResult和Feature提取每条评论的关键词集Keywords_i：

提取Keywords_i方法：找到Feature_i中为动词、名词和形容词词性所有的元素下标，并将WordResult_i中对应下标所有元素w_j/f_j存入Keywords_i：

本实施例中，Keywords₀＝{好/a，喜欢/v}，Keywords₁＝{东西/n，好/a，评价/v，会/v，高/a，良心/n，品牌/n}，Keywords₂＝{不错/a，值得/v，下载/v}，Keywords₃＝{内容/n，丰富/a，出乎/v，料/v}；

Step3、定义每次迭代条数index(index必须满足不大于num)，总迭代次数初始化当前迭代次数current＝0：

本实施例中，定义index＝2，则L＝2；

Step4、判断current是否小于L：本实施例中，0<2，执行步骤Step5；

Step5、根据current与L，确定在第current次迭代时，第一条评论所在条数first和最后一条评论所在条数last，i＝first：本实施例中，第0次时first＝0，last＝1，i＝0；

Step6、判断i是否小于或等于last：本实施例中，0<＝1，执行步骤Step7；

Step7、判断第i条评论的Keywords_i是否为空：本实施例中，第0条评论的Keywords₀不为空，执行步骤Step8；

Step8、根据第first条评论的Keywords_i提取被测词集Test_i＝{t₁,t₂,…,t_k}(k＝0，1,2,…,u-1)：本实施例中，Test₀＝{喜欢}，TestFeature₀＝{v}，isAllAdjust＝false，u＝1；

Step9、计算第i条评论得分score，并将其特征词存入对应的特征库：

本实施例中，此时动词特征库中平均特征频数avg_v为7.457，则Test₀的w₀其对应的m＝7.457，N₀＝1，times₀＝5，u＝1，计算第0条评论score＝1.205；

Step10、判断score是否大于阈值α，本实施例中，1.205>1，执行步骤Step11；

Step11、第i条评论有关性标记输出为“有关”，i++：本实施例中，第0条评论有关性标记输出为“有关”，i++＝1，执行步骤Step6；

Step6、判断i是否小于或等于last：本实施例中，1<＝1，执行步骤Step7；

Step7、判断第i条评论的Keywords_i是否为空：本实施例中，第1条评论的Keywords₁不为空，执行步骤Step8；

Step8、根据第first条评论的Keywords_i提取被测词集Test_i＝{t₁,t₂,…,t_k}(k＝0，1,2,…,u-1)：本实施例中，Test₁＝{东西，评价，会，良心，品牌}，TestFeature₁＝{n，v，v，n，n}，isAllAdjust＝false，u＝5；

Step9、计算第i条评论得分score，并将其特征词存入对应的特征库：

本实施例中，此时动词特征库中平均特征频数avg_v为7.457，名词特征库中平均特征频数avg_n为4.975，Test₁的w₀其对应的m＝4.975，N₀＝1，times₀＝20；w₁其对应的m＝7.457，N₁＝2，times₁＝32；w₂其对应的m＝7.457，N₂＝2，times₂＝30；w₃其对应的m＝4.975，N₃＝0，times₃＝0；w₄其对应的m＝4.975，N₄＝1，times₄＝12，u＝5，计算第1条评论score＝132.9181；

Step10、判断score是否大于阈值α，本实施例中，132.9181>1，执行步骤Step11；

Step11、第i条评论有关性标记输出为“有关”，i++：本实施例中，第0条评论有关性标记输出为“有关”，i++＝2，执行步骤Step6；

Step6、判断i是否小于或等于last：本实施例中，2>1，执行步骤Step13；

Step13、current++＝1，执行步骤Step4；

Step4、判断current是否小于L：本实施例中，1<2，执行步骤Step5；

Step5、根据current与L，确定在第current次迭代时，第一条评论所在条数first和最后一条评论所在条数last，i＝first：本实施例中，第1次时first＝2，last＝3，i＝2；

Step6、判断i是否小于或等于last：本实施例中，2<＝3，执行步骤Step7；

Step7、判断第i条评论的Keywords_i是否为空：本实施例中，第2条评论的Keywords₂不为空，执行步骤Step8；

Step8、根据第first条评论的Keywords_i提取被测词集Test_i＝{t₁,t₂,…,t_k}(k＝0,1,2,…,u-1)：本实施例中，Test₂＝{值得，下载}，TestFeature₂＝{v，v}，isAllAdjust＝false，u＝2；

Step9、计算第i条评论得分score，并将其特征词存入对应的特征库：

本实施例中，此时动词特征库中平均特征频数avg_v为7.594，则Test₂的w₀其对应的m＝7.594，N₀＝1，times₀＝11；w₁其对应的m＝7.594，N₀＝2，times₀＝36，u＝2，计算第2条评论score＝10.836；

Step10、判断score是否大于阈值α，本实施例中，10.836>1，执行步骤Step11；

Step11、第i条评论有关性标记输出为“有关”，i++：本实施例中，第0条评论有关性标记输出为“有关”，i++＝3，执行步骤Step6；

Step6、判断i是否小于或等于last：本实施例中，3<＝3，执行步骤Step7；

Step7、判断第i条评论的Keywords_i是否为空：本实施例中，第3条评论的Keywords₃不为空，执行步骤Step8；

Step8、根据第first条评论的Keywords_i提取被测词集Test_i＝{t₁,t₂,…,t_k}(k＝0，1,2,…,u-1)：本实施例中，Test₃＝{内容，出乎，料}，TestFeature₃＝{n，v，v}，isAllAdjust＝false，u＝3；

Step9、计算第i条评论得分score，并将其特征词存入对应的特征库：

本实施例中，此时动词特征库中平均特征频数avg_v为8.004，名词特征库中平均特征频数avg_n为5.100，Test₃的w₀其对应的m＝5.100，N₀＝2，times₀＝34；w₁其对应的m＝8.004，N₁＝1，times₁＝4；w₂其对应的m＝8.004，N₂＝1，times₂＝8，u＝3，计算第3条评论score＝11.657；

Step10、判断score是否大于阈值α，本实施例中，11.657>1，执行步骤Step11；

Step11、第i条评论有关性标记输出为“有关”，i++：本实施例中，第0条评论有关性标记输出为“有关”，i++＝4，执行步骤Step6；

Step6、判断i是否小于或等于last：本实施例中，4>3，执行步骤Step13；

Step13、current++＝2，执行步骤Step4；

Step4、判断current是否小于L：本实施例中，2＝2，执行步骤Step14；

Step14、输出“完成所有迭代”。

词性解释：

n名词，t时间词，s处所词，f方位词，v动词，a形容词，b区别词，z状态词，r代词，m数词，q量词，d副词，p介词，c连词，u助词，e叹词，y语气词，o拟声词，h前缀，x字符串，w标点符号。

实施例14：如图1-5所示，一种APP软件用户评论有关性判断方法，首先提取APP软件每条评论的关键词集；然后计算提取的APP软件每条评论的关键词集对特征库中的有关性概率得分；最后通过判断有关性概率得分是否大于预设阈值的情况来确定APP软件用户评论是否与该APP软件有关。

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 (2)

1.一种APP软件用户评论有关性判断方法，其特征在于：首先提取APP软件每条评论的关键词集；然后计算提取的APP软件每条评论的关键词集对特征库中的有关性概率得分；最后通过判断有关性概率得分是否大于预设阈值的情况来确定APP软件用户评论是否与该APP软件有关；

所述方法的具体步骤如下：

Step1、提取APP软件num条用户评论，以及每条用户评论的评论分词结果集WordResult_i＝{w₀/f₀,w₁/f₁,…,w_j/f_j}，评论分词词性集Feature_i＝{f₀,f₁,…f_j}；其中w_j为词，f_j为词性(i＝0,1,…,num-1，j＝0,1,…,n-1)，n为分词以后词的个数；

Step2、根据num条用户评论的WordResult_i和Feature_i提取每条评论的关键词集Keywords_i：

提取Keywords_i方法：找到Feature_i中为动词、名词和形容词词性所有的元素下标，并将WordResult_i中对应下标所有元素w_j/f_j存入Keywords_i；

Step3、判断current是否小于L，如果是，则执行步骤Step4；否则，执行步骤Step13；其中，总迭代次数index表示每次迭代条数且满足不大于num，初始时的当前迭代次数current＝0；

Step4、根据current与L，确定在第current次迭代时，第一条评论所在条数first、最后一条评论所在条数last、i＝first；

其中，first＝current*index；当current＝L-1时，last＝num；否则，last＝(current+1)*index-1；

Step5、判断i是否小于或等于last，如果是，则执行步骤Step6；否则，执行步骤Step12；

Step6、判断第i条评论的Keywords_i是否为空，如果是，则执行步骤Step11；否则执行步骤Step7；

Step7、根据第first条评论的Keywords_i提取被测词集Test_i＝{t₁,t₂,…,t_k}(k＝0，1,2,…,u-1)：

当Keywords_i中所有元素w_k/f_k中f_k都为形容词，则将其所有w_k存入Test_i，否则，对元素w_k/f_k中f_k为动词、名词的元素，将其w_k存入Test_i，f_k存入判断词性集TestFeature_i；

Step8、计算第i条评论有关性概率得分score，并将其特征词存入对应的特征库：其中，第i条评论中包含被测词w_k的特征库中文本个数N_k(k＝0,1,2,…,u-1)，文档个数N＝4，w_k在对应特征库中出现频数为times_k，w_k在对应特征库中平均特征频数为m，u为Testi的元素个数；

Step9、判断有关性概率得分score是否大于阈值α，如果是，则执行步骤Step10；否则执行步骤Step11；

Step10、第i条评论有关性标记输出为“有关”，i++，执行步骤Step5：

Step11、第i条评论有关性标记输出为“无关”，i++，执行步骤Step5；

Step12、current++，执行步骤Step3；

Step13、输出“完成所有迭代”。

2.根据权利要求1所述的APP软件用户评论有关性判断方法，其特征在于：所述α＝1。