CN109740156B - 反馈信息处理方法、装置、电子设备及存储介质 - Google Patents

Abstract

本申请提出一种反馈信息处理方法、装置、电子设备及存储介质，属于计算机应用技术领域。其中，该方法包括：根据目标应用程序的标识，获取与目标应用程序对应的反馈信息集；根据目标应用程序的属性信息对反馈信息集中的每个反馈信息进行相关度识别，以获取与目标应用程序的相关度大于阈值的各关联信息；对各关联信息进行情感分析，以确定各关联信息对应的情感类型；根据各关联信息对应的情感类型，确定目标应用程序当前的用户反馈结果。由此，通过这种反馈信息处理方法，去除了反馈信息集中的噪声数据，提高了分析结果的准确性和可靠性。

Description

反馈信息处理方法、装置、电子设备及存储介质

技术领域

本申请涉及计算机应用技术领域，尤其涉及一种反馈信息处理方法、装置、电子设备及存储介质。

背景技术

随着互联网技术的不断发展，互联网不再仅仅是人与人之间进行通信的媒介，用户利用各种网络应用进行工作、学习、娱乐、购物等已是信息社会的常态。并且，用户还可以通过网络上与各网络应用相关的网站、用户群等，向网络应用提供商反馈使用感受等信息。之后，网络应用提供商可以使用大数据技术根据大量用户对应用的反馈信息，分析出用户对应用的态度，以对应用的改进或销售策略进行指导。

相关技术中，可以直接对获取的反馈信息，进行情感分析，并根据情感分析的结果，对应用的改进或销售策略进行指导。但是，这种数据处理方法，由于获取的数据中可能包含大量与应用不相关的噪声数据，从而导致分析结果的准确性和可靠性较差。

发明内容

本申请提出的反馈信息处理方法、装置、电子设备及存储介质，用于解决相关技术中，对产品反馈信息的分析方法，由于获取的数据中可能包含大量与应用不相关的噪声数据，从而导致分析结果的准确性和可靠性较差的问题。

本申请一方面实施例提出的反馈信息处理方法，包括：根据目标应用程序的标识，获取与所述目标应用程序对应的反馈信息集；根据所述目标应用程序的属性信息对所述反馈信息集中的每个反馈信息进行相关度识别，以获取与所述目标应用程序的相关度大于阈值的各关联信息；对所述各关联信息进行情感分析，以确定所述各关联信息对应的情感类型；根据所述各关联信息对应的情感类型，确定所述目标应用程序当前的用户反馈结果。

可选地，在第一方面实施例的一种可能的实现形式中，所述确定所述各关联信息对应的情感类型之后，还包括：

根据所述各关联信息对应的时间戳，将所述各关联信息对应的情感类型进行时间排序；

根据排序后的各关联信息对应的情感类型，确定与所述目标应用程序对应的用户反馈的时间特性。

可选的，在第一方面实施例的另一种可能的实现形式中，所述根据所述目标应用程序的属性信息对所述反馈信息集中的每个反馈信息进行相关度识别，包括：

根据所述目标应用程序的属性信息，确定所述目标应用程序对应的第一预设词表及相关性识别模型；

根据所述第一预设词表，对每个反馈信息进行词频-逆文本频率指数分析，以确定与每个反馈信息对应的第一特征矩阵；

利用所述目标应用程序对应的相关性识别模型，对每个反馈信息对应的第一特征矩阵进行识别处理，以确定每个反馈信息与所述目标应用程序的相关度。

可选的，在第一方面实施例的再一种可能的实现形式中，所述对所述各关联信息进行情感分析，以确定所述各关联信息对应的情感类型，包括：

根据第二预设词表，对所述各关联信息进行熵相关系数运算处理，以确定所述各关联信息对应的第二特征矩阵；

利用预设的情感识别模型，对所述各关联信息对应的第二特征矩阵进行识别处理，以确定所述各关联信息对应的情感类型。

可选的，在第一方面实施例的又一种可能的实现形式中，所述获取与所述目标应用程序对应的反馈信息集之后，还包括：

对所述反馈信息集中的每个反馈信息进行预处理，以滤除每个反馈信息中的无效信息。

可选的，在第一方面实施例的又一种可能的实现形式中，所述无效信息，包括以下信息中的至少一种：网址信息、资源定位符、地址信息、停用词、及与预设的图像标识未匹配的图像数据。

本申请另一方面实施例提出的反馈信息处理装置，包括：获取模块，用于根据目标应用程序的标识，获取与所述目标应用程序对应的反馈信息集；识别模块，用于根据所述目标应用程序的属性信息对所述反馈信息集中的每个反馈信息进行相关度识别，以获取与所述目标应用程序的相关度大于阈值的各关联信息；第一确定模块，用于对所述各关联信息进行情感分析，以确定所述各关联信息对应的情感类型；第二确定模块，用于根据所述各关联信息对应的情感类型，确定所述目标应用程序当前的用户反馈结果。

可选地，在第二方面实施例的一种可能的实现形式中，所述装置，还包括：

排序模块，用于根据所述各关联信息对应的时间戳，将所述各关联信息对应的情感类型进行时间排序；

第三确定模块，用于根据排序后的各关联信息对应的情感类型，确定与所述目标应用程序对应的用户反馈的时间特性。

可选地，在第二方面实施例的另一种可能的实现形式中，所述识别模块，包括：

第一确定单元，用于根据所述目标应用程序的属性信息，确定所述目标应用程序对应的第一预设词表及相关性识别模型；

第二确定单元，用于根据所述第一预设词表，对每个反馈信息进行词频-逆文本频率指数分析，以确定与每个反馈信息对应的第一特征矩阵；

第三确定单元，用于利用所述目标应用程序对应的相关性识别模型，对每个反馈信息对应的第一特征矩阵进行识别处理，以确定每个反馈信息与所述目标应用程序的相关度。

可选地，在第二方面实施例的再一种可能的实现形式中，所述第一确定模块，包括：

第四确定单元，用于根据第二预设词表，对所述各关联信息进行熵相关系数运算处理，以确定所述各关联信息对应的第二特征矩阵；

第五确定模块，用于利用预设的情感识别模型，对所述各关联信息对应的第二特征矩阵进行识别处理，以确定所述各关联信息对应的情感类型。

可选地，在第二方面实施例的又一种可能的实现形式中，所述装置，还包括：

预处理模块，用于对所述反馈信息集中的每个反馈信息进行预处理，以滤除每个反馈信息中的无效信息。

可选地，在第二方面实施例的又一种可能的实现形式中，所述无效信息，包括以下信息中的至少一种：网址信息、资源定位符、地址信息、停用词、及与预设的图像标识未匹配的图像数据。

本申请再一方面实施例提出的电子设备，其包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如前所述的反馈信息处理方法。

本申请再一方面实施例提出的计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如前所述的反馈信息处理方法。

本申请又一方面实施例提出的计算机程序，该程序被处理器执行时，以实现本申请实施例所述的反馈信息处理方法。

本申请实施例提供的反馈信息处理方法、装置、电子设备、计算机可读存储介质及计算机程序，可以根据目标应用程序的标识，获取与目标应用程序对应的反馈信息集，并根据目标应用程序的属性信息对反馈信息集中的每个反馈信息进行相关度识别，以获取与目标应用程序的相关度大于阈值的各关联信息，之后对各关联信息进行情感分析，以确定各关联信息对应的情感类型，进而根据各关联信息对应的情感类型，确定目标应用程序当前的用户反馈结果。由此，通过根据反馈信息与目标应用程序的属性信息的相关度，确定出与目标应用程序相关的关联信息，进而对关联信息进行情感分析，从而去除了反馈信息集中的噪声数据，提高了分析结果的准确性和可靠性。

本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。

附图说明

本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1为本申请实施例所提供的一种反馈信息处理方法的流程示意图；

图2为本申请实施例所提供的另一种反馈信息处理方法的流程示意图；

图3为本申请实施例提供的一种反馈信息处理装置的结构示意图；

图4为本申请实施例提供的电子设备的结构示意图。

具体实施方式

下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的要素。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。

本申请实施例针对相关技术中，对产品反馈信息的分析方法，由于获取的数据中可能包含大量与应用不相关的噪声数据，从而导致分析结果的准确性和可靠性较差的问题，提出一种反馈信息处理方法。

本申请实施例提供的反馈信息处理方法，可以根据目标应用程序的标识，获取与目标应用程序对应的反馈信息集，并根据目标应用程序的属性信息对反馈信息集中的每个反馈信息进行相关度识别，以获取与目标应用程序的相关度大于阈值的各关联信息，之后对各关联信息进行情感分析，以确定各关联信息对应的情感类型，进而根据各关联信息对应的情感类型，确定目标应用程序当前的用户反馈结果。由此，通过根据反馈信息与目标应用程序的属性信息的相关度，确定出与目标应用程序相关的关联信息，进而对关联信息进行情感分析，从而去除了反馈信息集中的噪声数据，提高了分析结果的准确性和可靠性。

下面参考附图对本申请提供的反馈信息处理方法、装置、电子设备、存储介质及计算机程序进行详细描述。

图1为本申请实施例所提供的一种反馈信息处理方法的流程示意图。

如图1所示，该反馈信息处理方法，包括以下步骤：

步骤101，根据目标应用程序的标识，获取与所述目标应用程序对应的反馈信息集。

其中，目标应用程序的标识，是指可以将目标应用程序唯一确定的信息，比如，可以是目标应用程序的数字签名。

需要说明的是，在本申请实施例中，可以通过对用户对应用程序的反馈信息进行分析，确定用户对应用程序的喜好程度、使用感受等情感信息，以根据情感分析结果对应用程序的改进或推荐信息等进行指导。

在本申请实施例一种可能的实现形式中，可以首先根据目标应用程序的标识，确定与目标应用程序相关的反馈信息，并根据获取到的反馈信息构成反馈信息集。其中，反馈信息可以是根据目标应用程序的标识从网络中爬取的相关数据，也可以是从目标应用程序的网站中获取的用户对目标应用程序的评价信息，也可以是与目标应用程序相关的群组中，获取的聊天记录。

需要说明的是，反馈信息集的获取途径包括但不限于以上列举的情形。实际使用时，可以根据实际情况采用可能的方式或途径，获取与目标应用程序对应的反馈信息集，本申请实施例对此不做限定。

步骤102，根据所述目标应用程序的属性信息对所述反馈信息集中的每个反馈信息进行相关度识别，以获取与所述目标应用程序的相关度大于阈值的各关联信息。

其中，目标应用程序的属性信息，可以包括目标应用程序所属的行业、类别等。

在本申请实施例中，可以首先根据目标应用程序的属性信息，以及获取的大量与目标应用程序的属性信息相关的数据，通过大数据分析的方式，确定出目标应用程序对应的关键词向量。其中，目标应用程序的关键词向量可以用于描述目标应用程序的普遍特征，比如，可以反映出在涉及目标应用程序或者涉及目标应用程序的属性信息的文字信息中，经常出现的词语以及词语的特征信息等。

在确定出目标应用程序对应的关键词向量之后，可以按照预设的规则确定反馈信息集中的每个反馈信息的特征矩阵。比如，预设的规则可以是，首先度每个反馈信息进行分词处理，并根据第一预设词表，计算每个反馈信息中各分词在第一预设词表中的词频-逆文本频率(Term Frequency–Inverse Document Frequency，简称TF-IDF)指数，之后根据确定出的每个反馈信息中各分词的TF-IDF指数，确定出每个反馈信息中TF-IDF指数最高的多个分词，作为相应反馈信息的关键词，进而根据每个反馈信息对应的关键词的TF-IDF指数，构成每个反馈信息对应的第一特性矩阵。之后根据每个反馈信息对应的第一特性矩阵以及目标应用程序对应的关键词向量，确定出每个反馈信息对应的第一特性矩阵与目标应用程序对应的关键词向量之间的相似度，并将每个反馈信息对应的第一特性矩阵与目标应用程序对应的关键词向量之间的相似度，确定为每个反馈信息与目标应用程序的相关度。

其中，第一预设词表中包含了与目标应用程序相关的大量话题信息，可以通过人工的方式搜集从各种渠道获取与目标应用程序相关的数据信息，以建立第一词表。比如，第一预设词表中可以包括与目标应用程序相关的评价信息、介绍文章等。

需要说明的是，实际使用时，每个反馈信息中选取的关键词的数量，即每个反馈信息对应的第一特征矩阵中元素的数量，可以根据实际需要预设，本申请实施例对此不做限定。比如，可以选取反馈信息中TF-IDF指数最大的10个分词，作为该反馈信息的关键词，并利用这10个关键词对应的TF-IDF指数构成该反馈信息对应的第一特征矩阵。

需要说明的是，TF-IDF是一种用于资讯检索与资讯探勘的常用加权技术。TF-IDF是一种统计方法，用以评估一个字词对于一个文件集或一个语料库中的其中一份文件的重要程度。字词的重要性随着它在文件中出现的次数成正比增加，但同时会随着它在语料库中出现的频率成反比下降。

具体的，在一份给定的文件里，词频(Term Frequency，简称TF)指的是某一个特定的词语在该文件中出现的次数，这个数字通常会被归一化至0-1的区间范围内，以防止它偏向长的文件(同一个词语在长文件里可能会比短文件有更高的词频，而不管该词语重要与否)。词语在文件中的TF可以根据公式(1)确定。

其中，tf_i,j是指词t_i在文件d_j中的词频；n_i,j是指词t_i在文件d_j中出现的次数；∑_kn_k,j是指文件d_j中所有词出现的次数之和，即文件d_j中所有词的数量；i是指词t_i的序号；k是指文件d_j中各词的序号；j是指文件d_j的序号。

逆向文件频率(Inverse Document Frequency，简称IDF)是一个词语普遍重要性的度量。某一特定词语的IDF，是指语料库中总文件数量与包含该词语的文件的数量的比值的对数。词语在语料库中的IDF，可以由公式(2)确定。

其中，idf_i是指词语t_i在语料库中的IDF；|D|是指语料库中的文件总数；|{j:t_i∈d_j}|是指语料库中包含词语t_i的文件数量，若词语t_i未在语料库中出现，则|{j:t_i∈d_j}|＝0，因此，一般情况下分母为1+|{j:t_i∈d_j}|。

词语t_i在文件d_j中的TF-IDF可以由公式(3)确定。

tfidf_i,j＝tf_i,j×idf_i (3)

可以理解的是，某一特定文件内的高词语频率，以及该词语在整个文件集合中的低文件频率，可以产生出高权重的TF-IDF。因此，TF-IDF倾向于过滤掉常见的词语，保留重要的词语。

在本申请实施例一种可能的实现形式中，可以将第一预设词表作为语料库，将预设的词表中的每个数据单元(每个句子、每篇文章等)作为一个文件，确定出每个反馈信息中的各词语在第一预设词表中的TF-IDF，从而通过对每个反馈信息进行TF-IDF指数分析，确定出每个反馈信息对应的第一特征矩阵。并且，由于反馈信息对应的第一特征矩阵是根据反馈信息中各关键词(TF-IDF最大的多个词)的TF-IDF确定的，因此每个反馈信息对应的第一特征矩阵，可以反映出该反馈信息在第一预设词表中的重要性，即可以反映出该反馈信息与目标应用程序的相关性。

在本申请实施例一种可能的实现形式中，由于反馈信息对应的第一特征矩阵可以反映出该反馈信息与目标应用程序的相关性，因此可以根据每个反馈信息对应的特征矩阵与目标应用程序对应的关键词向量的相似度，确定每个反馈信息与目标应用程序的相关度。具体的，反馈信息对应的特征矩阵与目标应用程序对应的关键词向量的相似度越大，则确定该反馈信息与目标应用程序的相关度越大；反馈信息对应的特征矩阵与目标应用程序对应的关键词向量的相似度越小，则确定该反馈信息与目标应用程序的相关度越小。

需要说明的是，反馈信息对应的特征矩阵与目标应用程序对应的关键词向量的相似度，可以通过计算反馈信息对应的特征矩阵与目标应用程序对应的关键词向量之间的余弦相似度确定。

实际使用时，也可以根据实际需要确定合适的计算反馈信息对应的特征矩阵与目标应用程序对应的关键词向量的相似度的度量，比如可以计算两者之间的欧式距离、曼哈顿距离、汉明距离、马氏距离、切比雪夫距离等，本申请实施例对此不做限定。

在本申请实施例中，确定出每个反馈信息与目标应用程序的相关度之后，即可根据每个反馈信息与目标应用程序的相关度与预设的阈值的关系，确定出与目标应用程序相关的关联信息。具体的，可以将与目标应用程序的相关度大于预设的阈值的反馈信息，确定为关联信息。

需要说明的是，实际使用时，可以根据实际需要预设阈值，本申请实施例对此不做限定。比如，预设的阈值可以是0.8等。

步骤103，对所述各关联信息进行情感分析，以确定所述各关联信息对应的情感类型。

在本申请实施例中，确定出反馈信息集中的每个反馈信息与目标应用程序的相关度之后，即可将与目标应用程序的相关度小于阈值的反馈信息抛弃，并将与目标应用程序的相关度大于阈值的反馈信息确定为关联信息，并对每个关联信息进行情感分析，以确定每个关联信息对应的情感类型。

具体的，可以根据第二预设词表，确定出每个关联信息中包括的主观特征数据，进而利用预设的情感识别模型，确定出每个关联信息对应的情感类型。即在本申请实施例一种可能的实现形式中，上述步骤103，可以包括：

根据第二预设词表，对所述各关联信息进行熵相关系数运算处理，以确定所述各关联信息对应的第二特征矩阵；

利用预设的情感识别模型，对所述各关联信息对应的第二特征矩阵进行识别处理，以确定所述各关联信息对应的情感类型。

其中，第二预设词表中包括可以包括表达情感的词汇、图标等大量的数据，比如可以包括网络用语、否定词、语气词、情感词、表情符号等可以表达情感的文本或图片数据。

需要说明的是，根据第二预设词表，对各关联信息进行熵相关系数运算处理的过程，即是对各关联信息进行主观特征数据抽取处理过程，以确定出各关联信息中包括的可以用于表达情感的主观文本。具体的，可以首先对各关联信息进行分词处理，并确定关联信息中的各分词与第二预设词表之间的熵相关系数，并将对应的熵相关系数最大的多个分词确定为该关联信息的主观特征数据，并根据主观特征数据对应的熵相关系数，确定各关联信息对应的第二特征矩阵。

在本申请实施例中，确定出各关联信息对应的第二特征矩阵之后，即可将各关联信息对应的第二特征矩阵输入预设的情感识别模型，以对各关联信息对应的第二特征矩阵进行识别处理，以确定出各关联信息对应的情感类型。

需要说明的是，预设的情感识别模型是根据获取的大量训练数据提前训练的。首先对获取的训练数据集中的每个训练数据进行主观特征标注，即通过人工的方式对每个训练数据对应的情感类型进行标注，比如情感类型可以是积极、消极、客观等；或者也可以对每个训练数据进行打分，如分数等级范围为0-5分，0分代表非常差或者非常不喜欢，5分代表非常好或者非常喜欢等。实际使用时，情感类型可以包括但不限于以上列举的情形，可以根据实际需要预设，本申请实施例对此不做限定。

在对训练数据集中的每个训练数据进行标注之后，根据第二预设词表，对训练数据集中的每个训练数据进行熵相关系数运算，即首先对每个训练数据进行分词处理，并确定训练数据中的各分词与第二预设词表之间的熵相关系数，并将对应的熵相关系数最大的多个分词确定为该训练数据的主观特征数据，并根据主观特征数据对应的熵相关系数，确定每个训练数据对应的第二特征矩阵，进而根据每个训练数据对应的第二特征矩阵以及对应的人工标注信息，训练出情感识别模型，之后即可根据训练出的情感识别模型，以及测试数据对应的第二特征矩阵，确定出测试数据对应的情感类型。

步骤104，根据所述各关联信息对应的情感类型，确定所述目标应用程序当前的用户反馈结果。

在本申请实施例中，确定出各关联信息对应的情感类型之后，即可根据各关联信息对应的情感类型，确定出目标应用程序当前的用户反馈结果。具体的，可以将关联信息中占比最高的情感类型，确定为目标应用程序当前的用户反馈结果；或者也可以直接将关联信息对应的各情感类型的比例关系，确定为目标应用程序当前的用户反馈结果。

举例来说，所有关联信息中，对应的情感类型为“积极”的关联信息占比为80％，对应的情感类型为“客观”的关联信息占比为15％，对应的情感类型为“消极”的关联信息占比为5％。因此，可以将目标应用程序当前的用户反馈结果确定为“积极”；或者，也可以以文字、直方图、折线图等方式，反映各种情感类型对应的关联信息的比例关系，并作为目标应用程序当前的用户反馈结果。

本申请实施例提供的反馈信息处理方法，可以根据目标应用程序的标识，获取与目标应用程序对应的反馈信息集，并根据目标应用程序的属性信息对反馈信息集中的每个反馈信息进行相关度识别，以获取与目标应用程序的相关度大于阈值的各关联信息，之后对各关联信息进行情感分析，以确定各关联信息对应的情感类型，进而根据各关联信息对应的情感类型，确定目标应用程序当前的用户反馈结果。由此，通过根据反馈信息与目标应用程序的属性信息的相关度，确定出与目标应用程序相关的关联信息，进而对关联信息进行情感分析，从而去除了反馈信息集中的噪声数据，提高了分析结果的准确性和可靠性。

在本申请实施例一种可能的实现形式中，还可以根据关联信息的时间信息，对关联信息进行排序，进而确定出目标应用程序在不同时间段内用户反馈结果，以进一步了解目标应用程序的用户反馈结果的变化趋势。

下面结合图2，对本申请实施例提供的反馈信息处理方法进行进一步说明。

图2为本申请实施例所提供的另一种反馈信息处理方法的流程示意图。

如图2所示，该反馈信息处理方法，包括以下步骤：

步骤201，根据目标应用程序的标识，获取与所述目标应用程序对应的反馈信息集。

在本申请实施例中，可以首先根据目标应用程序的标识，确定与目标应用程序相关的反馈信息，并根据获取到的反馈信息构成反馈信息集。其中，反馈信息可以是根据目标应用程序的标识从网络中爬取的相关数据，也可以是从目标应用程序的网站中获取的用户对目标应用程序的评价信息，也可以是与目标应用程序相关的群组中，获取的聊天记录。

需要说明的是，反馈信息集的获取途径包括但不限于以上列举的情形。实际使用时，可以根据实际情况采用可能的方式或途径，获取与目标应用程序对应的反馈信息集，本申请实施例对此不做限定。

进一步的，在获取到目标应用程序对应的反馈信息集之后，还可以对反馈信息集进行初步的过滤处理，去除反馈信息集中明显的无效信息，以降低对对反馈信息集识别时的计算量和复杂度。即在本申请实施例一种可能的实现形式中，上述步骤201之后，还可以包括：

对所述反馈信息集中的每个反馈信息进行预处理，以滤除每个反馈信息中的无效信息。

其中，无效信息，可以包括网址信息、资源定位符、地址信息、停用词、及与预设的图像标识未匹配的图像数据。

需要说明的是，在本申请实施例一种可能的实现形式中，可以预设无效信息集，无效信息集中可以包括各种类型的无效信息，以及经过检验的确定无效信息的规则等。在获取到反馈信息集之后，可以对反馈信息集中的每个反馈信息进行预处理，即将每个反馈信息与预设的无效信息集进行比对，若反馈信息存在于预设的无效信息集中，或者符合无效信息集中包括的确定无效信息的规则，则可以将该反馈信息确定为无效信息，并将其从反馈信息集中删除；若反馈信息未存在于预设的无效信息集中，并且不符合无效信息集中包括的确定无效信息的规则，则该反馈信息确定为有效信息，需要保留该反馈信息。

步骤202，根据所述目标应用程序的属性信息，确定所述目标应用程序对应的第一预设词表及相关性识别模型。

其中，第一预设词表中包含了与目标应用程序相关的大量话题信息，可以通过人工的方式搜集从各种渠道获取与目标应用程序相关的数据信息，以建立第一词表。比如，第一预设词表中可以包括与目标应用程序相关的评价信息、介绍文章等。

在本申请实施例一种可能的实现形式中，可以根据目标应用程序对应的相关性识别模型，对获取的反馈信息集进行识别，以确定出反馈信息集中与目标应用程序相关的关联信息。

需要说明的是，目标应用程序对应的相关性识别模型是根据获取的与目标应用程序话题相关的大量训练数据提前训练的。首先对获取的训练数据集中的每个训练数据进行相关性标注，即通过人工的方式对每个训练数据与目标应用程序的相关性进行标注，比如相关性可以是相关与不相关等；或者也可以对每个训练数据进行打分，如分数等级范围为0-5分，0分代表不相关，5分代表非常相关，随着分数的增加，训练数据与目标应用的相关性也逐渐增加等。实际使用时，对训练数据相关性的标注方法可以包括但不限于以上列举的情形，可以根据实际需要预设，本申请实施例对此不做限定。

在对训练数据集中的每个训练数据进行标注之后，可以根据与目标应用程序对应的第一预设词表，计算每个训练数据中各分词在第一预设词表中的TF-IDF指数，之后根据确定出的每个反馈训练数据中各分词的TF-IDF指数，确定出每个训练数据中TF-IDF指数最高的多个分词，作为相应训练数据的关键词，进而根据每个训练数据对应的关键词的TF-IDF指数，构成每个训练数据对应的第一特性矩阵。进而根据每个训练数据对应的第一特征矩阵以及对应的人工标注信息，训练出目标应用程序对应的相关性识别模型，之后即可根据训练出的相关性识别模型，以及测试数据对应的第一特征矩阵，确定出测试数据与目标应用程序间的相关度。

可以理解的是，不同的应用程序对应的相关性识别模型以及第一预设词表可以是不同的，因此，可以首先根据目标应用程序的属性信息，将与目标应用程序的属性信息相符的第一预设词表以及相关性识别模型，确定为目标应用程序对应的相关性识别模型。

步骤203，根据所述第一预设词表，对每个反馈信息进行词频-逆文本频率指数分析，以确定与每个反馈信息对应的第一特征矩阵。

上述步骤203的具体实现过程及原理，可以参照上述实施例的详细描述，此处不再赘述。

步骤204，利用所述目标应用程序对应的相关性识别模型，对每个反馈信息对应的第一特征矩阵进行识别处理，以确定每个反馈信息与所述目标应用程序的相关度。

步骤205，根据每个反馈信息与所述目标应用程序的相关度，获取与所述目标应用程序的相关度大于阈值的各关联信息。

在本申请实施例中，确定出每个反馈信息对应的第一特征矩阵之后，即可将每个反馈信息对应的第一特征矩阵输入目标应用程序对应的相关性识别模型，以对每个反馈信息对应的第一特征矩阵进行识别处理，以确定出每个反馈信息与目标应用程序的相关度。

在本申请实施例一种可能的实现形式中，可以根据目标应用程序对应的相关性识别模型输出的每个反馈信息与目标应用程序的相关度，将与目标应用程序的相关度大于预设的阈值的反馈信息，确定为关联信息。

步骤206，对所述各关联信息进行情感分析，以确定所述各关联信息对应的情感类型。

上述步骤206的具体实现过程及原理，可以参照上述实施例的详细描述，此处不再赘述。

步骤207，根据所述各关联信息对应的时间戳，将所述各关联信息对应的情感类型进行时间排序。

步骤208，根据排序后的各关联信息对应的情感类型，确定与所述目标应用程序对应的用户反馈的时间特性。

步骤209，根据所述各关联信息对应的情感类型，确定所述目标应用程序当前的用户反馈结果。

在本申请实施例一种可能的实现形式中，在获取目标应用程序对应的反馈信息集时，还可以获取每个反馈信息对应的时间戳，即反馈信息的发布时间，并在确定出各关联信息对应的情感类型之后，根据各关联信息对应的时间戳，对各关联信息对应的情感类型进行排序，进而根据预设的连续时间段，统计出每个连续时间段内各种情感类型对应的关联信息的数量，以确定出目标应用程序对应是用户反馈的时间特性，即在不同时间阶段内，目标应用程序对应的用户反馈结果的情感类型的分布。

具体的，在统计出每个连续时间段内各种情感类型对应的关联信息的数量之后，可以将每个连续时间段内占比最大的情感类型，确定为在相应的连续时间段内目标应用程序对应的用户反馈结果；或者，也可以直接将每个连续时间段内关联信息对应的各情感类型的比例关系，确定为在相应的连续时间段内目标应用程序对应的用户反馈结果。在确定出每个连续时间段内目标应用程序对应的用户反馈结果之后，则可以文字描述、直方图或者折线图等方式，展现目标应用程序的用户反馈结果，在不同时间阶段内的变化趋势。

举例来说，预设的连续时间段为1个月，时间戳处于2018年10月的所有关联信息中，对应的情感类型为“积极”的关联信息占比为80％，对应的情感类型为“客观”的关联信息占比为15％，对应的情感类型为“消极”的关联信息占比为5％。因此，可以将2018年10月，目标应用程序的用户反馈结果确定为“积极”；或者，也可以直接将各种情感类型对应的关联信息的比例关系，确定为2018年10月，目标应用程序当前的用户反馈结果。

需要说明的是，上述举例仅为示例性的，不能视为对本申请的限制。实际使用时，可以根据实际需要预设连续时间段的长度以及目标应用程序的用户反馈结果的描述方式，本申请实施例对此不做限定。

本申请实施例提供的反馈信息处理方法，可以根据目标应用程序对应的第一预设词表，对获取的反馈信息集中的每个反馈信息进行词频-逆文本频率指数分析，以确定与每个反馈信息对应的第一特征矩阵，并利用目标应用程序对应的相关性识别模型，对每个反馈信息对应的第一特征矩阵进行识别处理，以确定反馈信息集中与所述目标应用程序的相关度大于阈值的各关联信息，之后对各关联信息进行情感分析，以确定各关联信息对应的情感类型，进而根据各关联信息对应的时间戳，将各关联信息对应的情感类型进行时间排序，并根据排序后的各关联信息对应的情感类型，确定与目标应用程序对应的用户反馈的时间特性。由此，由通过根据反馈信息与目标应用程序的属性信息的相关度，确定出与目标应用程序相关的关联信息，进而对关联信息进行情感分析，并根据各关联信息的时间戳对关联信息的情感类别进行排序，从而不仅去除了反馈信息集中的噪声数据，提高了分析结果的准确性和可靠性，而且可以反映出目标应用程序在不同时间段的用户反馈结果的变化趋势，进一步提高了分析结果的实用性。

为了实现上述实施例，本申请还提出一种反馈信息处理装置。

图3为本申请实施例提供的一种反馈信息处理装置的结构示意图，。

如图3所示，该反馈信息处理装置30，包括：

获取模块31，用于根据目标应用程序的标识，获取与所述目标应用程序对应的反馈信息集；

识别模块32，用于根据所述目标应用程序的属性信息对所述反馈信息集中的每个反馈信息进行相关度识别，以获取与所述目标应用程序的相关度大于阈值的各关联信息；

第一确定模块33，用于对所述各关联信息进行情感分析，以确定所述各关联信息对应的情感类型；

第二确定模块34，用于根据所述各关联信息对应的情感类型，确定所述目标应用程序当前的用户反馈结果。

在实际使用时，本申请实施例提供的反馈信息处理装置，可以被配置在任意电子设备中，以执行前述反馈信息处理方法。

本申请实施例提供的反馈信息处理装置，可以根据目标应用程序的标识，获取与目标应用程序对应的反馈信息集，并根据目标应用程序的属性信息对反馈信息集中的每个反馈信息进行相关度识别，以获取与目标应用程序的相关度大于阈值的各关联信息，之后对各关联信息进行情感分析，以确定各关联信息对应的情感类型，进而根据各关联信息对应的情感类型，确定目标应用程序当前的用户反馈结果。由此，通过根据反馈信息与目标应用程序的属性信息的相关度，确定出与目标应用程序相关的关联信息，进而对关联信息进行情感分析，从而去除了反馈信息集中的噪声数据，提高了分析结果的准确性和可靠性。

在本申请一种可能的实现形式中，上述反馈信息处理装置30，还包括：

排序模块，用于根据所述各关联信息对应的时间戳，将所述各关联信息对应的情感类型进行时间排序；

第三确定模块，用于根据排序后的各关联信息对应的情感类型，确定与所述目标应用程序对应的用户反馈的时间特性。

在本申请一种可能的实现形式中，上述识别模块32，包括：

第一确定单元，用于根据所述目标应用程序的属性信息，确定所述目标应用程序对应的第一预设词表及相关性识别模型；

第二确定单元，用于根据所述第一预设词表，对每个反馈信息进行词频-逆文本频率指数分析，以确定与每个反馈信息对应的第一特征矩阵；

第三确定单元，用于利用所述目标应用程序对应的相关性识别模型，对每个反馈信息对应的第一特征矩阵进行识别处理，以确定每个反馈信息与所述目标应用程序的相关度。

在本申请一种可能的实现形式中，上述第一确定模块33，包括：

第四确定单元，用于根据第二预设词表，对所述各关联信息进行熵相关系数运算处理，以确定所述各关联信息对应的第二特征矩阵；

第五确定模块，用于利用预设的情感识别模型，对所述各关联信息对应的第二特征矩阵进行识别处理，以确定所述各关联信息对应的情感类型。

进一步的，在本申请另一种可能的实现形式中，上述反馈信息处理装置30，还包括：

预处理模块，用于对所述反馈信息集中的每个反馈信息进行预处理，以滤除每个反馈信息中的无效信息。

相应的，上述无效信息，包括以下信息中的至少一种：网址信息、资源定位符、地址信息、停用词、及与预设的图像标识未匹配的图像数据。

需要说明的是，前述对图1、图2所示的反馈信息处理方法实施例的解释说明也适用于该实施例的反馈信息处理装置30，此处不再赘述。

本申请实施例提供的反馈信息处理装置，可以根据目标应用程序对应的第一预设词表，对获取的反馈信息集中的每个反馈信息进行词频-逆文本频率指数分析，以确定与每个反馈信息对应的第一特征矩阵，并利用目标应用程序对应的相关性识别模型，对每个反馈信息对应的第一特征矩阵进行识别处理，以确定反馈信息集中与所述目标应用程序的相关度大于阈值的各关联信息，之后对各关联信息进行情感分析，以确定各关联信息对应的情感类型，进而根据各关联信息对应的时间戳，将各关联信息对应的情感类型进行时间排序，并根据排序后的各关联信息对应的情感类型，确定与目标应用程序对应的用户反馈的时间特性。由此，由通过根据反馈信息与目标应用程序的属性信息的相关度，确定出与目标应用程序相关的关联信息，进而对关联信息进行情感分析，并根据各关联信息的时间戳对关联信息的情感类别进行排序，从而不仅去除了反馈信息集中的噪声数据，提高了分析结果的准确性和可靠性，而且可以反映出目标应用程序在不同时间段的用户反馈结果的变化趋势，进一步提高了分析结果的实用性。

为了实现上述实施例，本申请还提出一种电子设备。

图4为本发明一个实施例的电子设备的结构示意图。

如图4所示，上述电子设备400包括：

存储器410及处理器420，连接不同组件(包括存储器410和处理器420)的总线430，存储器410存储有计算机程序，当处理器420执行所述程序时实现本申请实施例所述的反馈信息处理方法。

总线430表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。

电子设备400典型地包括多种电子设备可读介质。这些介质可以是任何能够被电子设备400访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

存储器410还可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)440和/或高速缓存存储器450。电子设备400可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统460可以用于读写不可移动的、非易失性磁介质(图4未显示，通常称为“硬盘驱动器”)。尽管图4中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线430相连。存储器410可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本申请各实施例的功能。

具有一组(至少一个)程序模块470的程序/实用工具480，可以存储在例如存储器410中，这样的程序模块470包括——但不限于——操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块470通常执行本申请所描述的实施例中的功能和/或方法。

电子设备400也可以与一个或多个外部设备490(例如键盘、指向设备、显示器491等)通信，还可与一个或者多个使得用户能与该电子设备400交互的设备通信，和/或与使得该电子设备400能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口492进行。并且，电子设备400还可以通过网络适配器493与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器493通过总线430与电子设备400的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备400使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

处理器420通过运行存储在存储器410中的程序，从而执行各种功能应用以及数据处理。

需要说明的是，本实施例的电子设备的实施过程和技术原理参见前述对本申请实施例的反馈信息处理方法的解释说明，此处不再赘述。

本申请实施例提供的电子设备，可以执行如前所述的反馈信息处理方法，可以根据目标应用程序的标识，获取与目标应用程序对应的反馈信息集，并根据目标应用程序的属性信息对反馈信息集中的每个反馈信息进行相关度识别，以获取与目标应用程序的相关度大于阈值的各关联信息，之后对各关联信息进行情感分析，以确定各关联信息对应的情感类型，进而根据各关联信息对应的情感类型，确定目标应用程序当前的用户反馈结果。由此，通过根据反馈信息与目标应用程序的属性信息的相关度，确定出与目标应用程序相关的关联信息，进而对关联信息进行情感分析，从而去除了反馈信息集中的噪声数据，提高了分析结果的准确性和可靠性。

为了实现上述实施例，本申请还提出一种计算机可读存储介质。

其中，该计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时，以实现本申请实施例所述的反馈信息处理方法。

为了实现上述实施例，本申请再一方面实施例提供一种计算机程序，该程序被处理器执行时，以实现本申请实施例所述的反馈信息处理方法。

一种可选实现形式中，本实施例可以采用一个或多个计算机可读的介质的任意组合。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。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(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(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。在本文件中，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。

计算机可读的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。计算机可读的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——无线、电线、光缆、RF等等，或者上述的任意合适的组合。

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发明操作的计算机程序代码，所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电子设备上执行、部分地在用户电子设备上执行、作为一个独立的软件包执行、部分在用户电子设备上部分在远程电子设备上执行、或者完全在远程电子设备或服务器上执行。在涉及远程电子设备的情形中，远程电子设备可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户电子设备，或者，可以连接到外部电子设备(例如利用因特网服务提供商来通过因特网连接)。

本领域技术人员在考虑说明书及实践这里申请的发明后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未发明的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由权利要求指出。

应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。

Claims (12)

1.一种反馈信息处理方法，其特征在于，包括：

根据目标应用程序的标识，获取与所述目标应用程序对应的反馈信息集；

根据所述目标应用程序的属性信息对所述反馈信息集中的每个反馈信息进行相关度识别，以获取与所述目标应用程序的相关度大于阈值的各关联信息；

对所述各关联信息进行情感分析，以确定所述各关联信息对应的情感类型；

根据所述各关联信息对应的情感类型，确定所述目标应用程序当前的用户反馈结果；所述根据所述目标应用程序的属性信息对所述反馈信息集中的每个反馈信息进行相关度识别，包括：

根据所述目标应用程序的属性信息，确定所述目标应用程序对应的第一预设词表及相关性识别模型；

根据所述第一预设词表，确定出反馈信息中词频-逆文本频率指数最高的多个分词，作为反馈信息的关键词，根据每个反馈信息的对应的关键词的词频-逆文本频率指数，构成每个反馈信息对应的第一特性矩阵；

利用所述目标应用程序对应的相关性识别模型，对每个反馈信息对应的第一特征矩阵进行识别处理，以确定每个反馈信息与所述目标应用程序的相关度。

2.如权利要求1所述的方法，其特征在于，所述确定所述各关联信息对应的情感类型之后，还包括：

根据所述各关联信息对应的时间戳，将所述各关联信息对应的情感类型进行时间排序；

根据排序后的各关联信息对应的情感类型，确定与所述目标应用程序对应的用户反馈的时间特性。

3.如权利要求1-2任一所述的方法，其特征在于，所述对所述各关联信息进行情感分析，以确定所述各关联信息对应的情感类型，包括：

根据第二预设词表，对所述各关联信息进行熵相关系数运算处理，以确定所述各关联信息对应的第二特征矩阵；

利用预设的情感识别模型，对所述各关联信息对应的第二特征矩阵进行识别处理，以确定所述各关联信息对应的情感类型。

4.如权利要求1-2任一所述的方法，其特征在于，所述获取与所述目标应用程序对应的反馈信息集之后，还包括：

对所述反馈信息集中的每个反馈信息进行预处理，以滤除每个反馈信息中的无效信息。

5.如权利要求4所述的方法，其特征在于，所述无效信息，包括以下信息中的至少一种：网址信息、资源定位符、地址信息、停用词、及与预设的图像标识未匹配的图像数据。

6.一种反馈信息处理装置，其特征在于，包括：

获取模块，用于根据目标应用程序的标识，获取与所述目标应用程序对应的反馈信息集；

识别模块，用于根据所述目标应用程序的属性信息对所述反馈信息集中的每个反馈信息进行相关度识别，以获取与所述目标应用程序的相关度大于阈值的各关联信息；

第一确定模块，用于对所述各关联信息进行情感分析，以确定所述各关联信息对应的情感类型；

第二确定模块，用于根据所述各关联信息对应的情感类型，确定所述目标应用程序当前的用户反馈结果；

所述识别模块，包括：

第一确定单元，用于根据所述目标应用程序的属性信息，确定所述目标应用程序对应的第一预设词表及相关性识别模型；

第二确定单元，用于根据所述第一预设词表，确定出反馈信息中词频-逆文本频率指数最高的多个分词，作为反馈信息的关键词，根据每个反馈信息的对应的关键词的词频-逆文本频率指数，构成每个反馈信息对应的第一特性矩阵；

第三确定单元，用于利用所述目标应用程序对应的相关性识别模型，对每个反馈信息对应的第一特征矩阵进行识别处理，以确定每个反馈信息与所述目标应用程序的相关度。

7.如权利要求6所述的装置，其特征在于，还包括：

排序模块，用于根据所述各关联信息对应的时间戳，将所述各关联信息对应的情感类型进行时间排序；

第三确定模块，用于根据排序后的各关联信息对应的情感类型，确定与所述目标应用程序对应的用户反馈的时间特性。

8.如权利要求6-7任一所述的装置，其特征在于，所述第一确定模块，包括：

第四确定单元，用于根据第二预设词表，对所述各关联信息进行熵相关系数运算处理，以确定所述各关联信息对应的第二特征矩阵；

第五确定单元，用于利用预设的情感识别模型，对所述各关联信息对应的第二特征矩阵进行识别处理，以确定所述各关联信息对应的情感类型。

9.如权利要求6-7任一所述的装置，其特征在于，还包括：

预处理模块，用于对所述反馈信息集中的每个反馈信息进行预处理，以滤除每个反馈信息中的无效信息。

10.如权利要求9所述的装置，其特征在于，所述无效信息，包括以下信息中的至少一种：网址信息、资源定位符、地址信息、停用词、及与预设的图像标识未匹配的图像数据。

11.一种电子设备，其特征在于，包括：存储器、处理器及存储在存储器上并可在处理器上运行的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-5中任一所述的反馈信息处理方法。

12.一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，所述程序被处理器执行时实现如权利要求1-5中任一所述的反馈信息处理方法。