CN110263329A - 软件产品测评处理方法、装置、计算机设备及存储介质 - Google Patents

Abstract

本发明公开一种软件产品测评处理方法、装置、计算机设备及存储介质。该方法包括：基于即时通讯工具创建目标评论群，获取目标评论数据和对应的评论时间；若目标评论数据未携带任务标识，则采用关键词提取算法进行关键词提取，获取目标关键词；根据目标关键词和评论时间，确定问题关键词；对系统当前时间对应的评论统计周期内的问题关键词进行频次统计，获取出现频次；若出现频次大于预设频次阈值，则确定高频关键词和对应的高频问题；对高频问题进行优先级分析，获取目标优先级；基于目标优先级查询评论响应机制信息表，获取对应的评论响应机制，基于评论响应机制对高频问题进行响应处理。该方法可提高软件产品测评效率并降低成本。

Description

软件产品测评处理方法、装置、计算机设备及存储介质

技术领域

本发明涉及软件测试技术领域，尤其涉及一种软件产品测评处理方法、装置、计算机设备及存储介质。

背景技术

当前银行、证券和保险等金融机构或者其他产品开发机构开发不同的软件产品(如银行机构开发的理财产品APP)，以便基于该软件产品进行业务推广。在软件产品上线之后，需进行测评，以便基于测评结果进一步优化软件产品，即需要采集用户的评论数据，对用户的评论数据进行分析，以便根据分析结果对软件产品进行优化，从而吸引更多用户使用软件产品。当前软件产品测评时，采用用户访谈或者调查问卷等传统调研方式，需要产品开发机构邀请相关评论员在测评周期内对自主设置的测评问题进行评论，获取评论数据并进行分析，得到分析结果。这种软件产品测评过程存在如下几点不足：其一是，成本较高、效率较低，需要由产品开发机构配备相应的人员进行测评问题设计和后续测评分析，其人力成本和时间成本较高，且效率较低；其二是，实时性不强，一般只采集评论员在测评周期内的评论数据，无法实时采集评论员在使用软件产品过程的想法或问题，进而进行产品优化；其三是，分析结果具有局限性，由于评论数据一般是针对自主设置的测评问题进行评论，使其分析结果围绕测评问题，无法及时反映评论员使用软件产品过程中的想法。

发明内容

本发明实施例提供一种软件产品测评处理方法、装置、计算机设备及存储介质，以解决当前软件产品测评过程中存在的成本较高、效率较低、实时性不强和分析结果具有局限性的问题。

一种软件产品测评处理方法，包括：

基于即时通讯工具创建安装产品测评平台上的任一特定软件产品对应的目标评论群，获取所述目标评论群中任一目标评论员发表的目标评论数据和对应的评论时间，判断所述目标评论数据是否携带任务标识；

若所述目标评论数据未携带所述任务标识，则采用关键词提取算法对所述目标评论数据进行关键词提取，获取所述目标评论数据对应的目标关键词；

根据所述目标评论数据对应的所述目标关键词和所述评论时间，确定所述目标评论数据对应的问题关键词；

对系统当前时间对应的评论统计周期内的所述问题关键词进行频次统计，获取所述问题关键词对应的出现频次；

若所述出现频次大于预设频次阈值，则将所述问题关键词确定为高频关键词，基于包含所述高频关键词的目标评论数据确定对应的高频问题；

获取所述高频问题对应的问题发生频率和问题影响程度，依据所述问题发生频率和所述问题影响程度进行优先级分析，获取所述高频问题对应的目标优先级；

基于所述目标优先级查询评论响应机制信息表，获取对应的评论响应机制，基于所述评论响应机制对所述高频问题进行响应处理。

一种软件产品测评处理装置，包括：

目标评论数据获取模块，用于基于即时通讯工具创建安装在产品测评平台上的任一特定软件产品对应的目标评论群，获取所述目标评论群中任一目标评论员发表的目标评论数据和对应的评论时间，判断所述目标评论数据是否携带任务标识；

目标关键词获取模块，用于若所述目标评论数据未携带所述任务标识，则采用关键词提取算法对所述目标评论数据进行关键词提取，获取所述目标评论数据对应的目标关键词；

问题关键词获取模块，用于根据所述目标评论数据对应的所述目标关键词和所述评论时间，确定所述目标评论数据对应的问题关键词；

出现频次获取模块，用于对系统当前时间对应的评论统计周期内的所述问题关键词进行频次统计，获取所述问题关键词对应的出现频次；

高频问题确定模块，用于若所述出现频次大于预设频次阈值，则将所述问题关键词确定为高频关键词，基于包含所述高频关键词的目标评论数据确定对应的高频问题；

目标优先级获取模块，用于获取所述高频问题对应的问题发生频率和问题影响程度，依据所述问题发生频率和所述问题影响程度进行优先级分析，获取所述高频问题对应的目标优先级；

响应处理模块，用于基于所述目标优先级查询评论响应机制信息表，获取对应的评论响应机制，基于所述评论响应机制对所述高频问题进行响应处理。

一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述软件产品测评处理方法。

一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述软件产品测评处理方法。

上述软件产品测评处理方法、装置、计算机设备及存储介质，通过即时通讯工具创建与特定软件产品相对应的目标评论群，并获取目标评论群中任一目标评论员发表的目标评论数据，从而保证目标评论数据处理的实时性。在目标评论数据未携带任务标识时，说明该目标评论数据不是针对待评论任务发表的评论，使得目标评论数据的评论内容更具有灵活性，避免局限性。然后，采用关键词提取算法对目标评论数据进行关键词提取，获取目标关键词，以保证后续数据处理的效率。根据目标评论数据对应的目标关键词和评论时间，确定对应的问题关键词，从而确定每一目标评论数据对应的评论问题，保障后续分析确定高频问题的客观性。通过比较问题关键词在系统当前时间对应的评论统计周期内的出现频次与预设频次阈值的大小，确定该问题关键词是否为高频关键词，从而确定高频问题，以保证高频问题确定的时效性，有助于提高软件产品的优化效率。最后，依据问题发生频率和问题影响程度对高频问题进行优先级分析，以确定对应的目标优先级之后，可根据目标优先级确定的评论响应机制对高频问题进行响应处理，以使对高频问题的响应处理更合理和更高效，确保高频问题的处理效率，提高软件产品的优化效率，缩短软件产品的优化周期。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，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性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明一实施例中软件产品测评处理方法的一应用环境示意图；

图2是本发明一实施例中软件产品测评处理方法的一流程图；

图3是本发明一实施例中软件产品测评处理方法的另一流程图；

图4是本发明一实施例中软件产品测评处理方法的另一流程图；

图5是本发明一实施例中软件产品测评处理方法的另一流程图；

图6是本发明一实施例中软件产品测评处理方法的另一流程图；

图7是本发明一实施例中软件产品测评处理装置的一示意图；

图8是本发明一实施例中计算机设备的一示意图。

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作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。

本发明实施例提供的软件产品测评处理方法，该软件产品测评处理方法可应用如图1所示的应用环境中。具体地，该软件产品测评处理方法应用在产品测评平台中，该产品测评平台是用于实现对软件产品进行测评的综合平台。该产品测评平台包括如图1所示的客户端和服务器，客户端与服务器通过网络进行通信，用于实现对软件产进行调研分析，既保证评论员评论的针对性和评论时间的灵活性，以便根据最终获取的目标评论结果进行软件产品优化，有效降低软件产品优化周期。其中，客户端又称为用户端，是指与服务器相对应,为客户提供本地服务的程序。客户端可安装在但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备上。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

如图2所示，提供一种软件产品测评处理方法，应用在产品测评平台上，该方法应用在图1所示的服务器上，具体包括如下步骤：

S201：基于即时通讯工具创建安装在产品测评平台上的任一特定软件产品对应的目标评论群，获取目标评论群中任一目标评论员发表的目标评论数据和对应的评论时间，判断目标评论数据是否携带任务标识。

其中，目标评论群是基于即时通讯工具创建与用于对特定软件产品进行评论的即时通信群，该目标评论群是由系统管理员和目标评论员组成的用于对特定软件产品进行评论的即时通信群。本实施例中，特定软件产品安装在产品测评平台上，以使该产品测评平台可以对该特定软件产品进行测评，保障软件产品综合测评的可执行性，无需产品开发机构配置相应的人员进行测评处理，节省人力成本。该系统管理员是用于创建并管理目标评论群的群成员，主要用于发表评论任务或者收集评论数据，一般为产品开发机构内部的工作人员。目标评论员是目标评论群中的群成员，更具体地，该目标评论员具体为满足预先设置的评论员条件的群成员，主要用于发表评论数据，使得发表目标评论数据的目标评论员具有固定性，节省目标评论员的确定时间，有利于保障目标评论数据的针对性。该预先设置的评论员条件具体可以包括参与活动的活跃程度和是否有意向等条件。每一目标评论数据对应一评论时间，该评论时间是目标评论员在目标评论群上发表目标评论数据的时间。本实施例中，目标评论数据是目标评论员在目标评论群上发表的数据，有助于保障评论数据分析的时效性。

具体地，服务器获取目标评论群中任一目标评论员发表的目标评论数据，具体包括如下两种情况：

第一种，具体包括如下步骤：1-1)服务器获取系统管理员通过评论终端发表的待评论任务，并在客户端的目标评论群上显示待评论任务，待评论任务包括任务标识、任务内容和任务评论期限。1-2)服务器获取目标评论群中任一目标评论员通过评论终端发表的采用特定评论数据格式的与待评论任务相对应的目标评论数据，目标评论数据对应一评论时间。这种情况下，采用特定评论数据格式的目标评论数据中携带任务标识。

其中，评论终端是用于供系统管理员或者目标评论员使用的用于在目标评论群上发表信息的终端，可以为安装有即时通信客户端的终端。该待评论任务是基于产品开发机构主导的专题问题所创建的需要评论的任务，即该待评论任务是针对产品开发机构预先设计的调研问题发布的任务。任务标识是用于区别于某一评论任务区别于其他评论任务的标识，可以按照预设的任务编号规则进行设置，该任务编号规则可以采用任务标签和顺序标签来确定，例如RW001和RW002中，RW为任务标签，001和002为顺序标签。一般来说，每一任务标识对应一待评论任务。任务内容是用于说明本次待评论任务所要针对的评论主题，可以为如某一功能的使用感受、痛点或者对新功能的想法等。任务评论期限是用于限定本次待评论任务的评论期限，以促使目标评论员及时评论，以保证软件产品优化的效率。本实施例中，可由系统管理员将该待评论任务发表在目标评论群中，以使目标评论群中所有目标评论员均可对该待评论任务进行评论，以获取特定评论数据格式的目标评论数据。

本实施例中，为了保证目标评论员所发表的目标评论数据与该待评论任务相关联，可预先配置特定评论数据格式，以使目标评论员采用特定评论数据格式发表相应的目标评论数据。在一实施例中，该特定评论数据格式可以为：评论标识(如#)-任务标识(如RW001或RW002)-评论内容数据。可以理解地，目标评论员采用这种特定评论数据格式发表目标评论数据，可有助于对同一评论标识相对应的目标评论数据进行统一分析处理，提高软件产品的调研效率，进而缩短软件产品优化周期。

进一步地，为了保证评论终端所发表的目标评论数据均在任务评论期限内，并方便采用特定评论数据格式上传目标评论数据，可以在目标评论员通过评论终端输入相应的评论标识(如#)之后，在该评论终端上以列表形式显示当前处于任务评论期限内的所有待评论任务的待评论任务列表，以便目标评论员基于待评论任务列表选择需要进行评论的待评论任务，该待评论任务列表上显示每一任务标识和对应的任务内容。目标评论员选择待评论任务列表中的任一待评论任务之后，再通过评论终端输入评论内容数据，即可获取“评论标识(如#)-任务标识(如RW001或RW002)-评论内容数据”这种特定评论数据格式的目标评论数据，以保证特定评论数据格式的目标评论数据的发表效率。

第二种，具体包括如下步骤：2-1)服务器获取目标评论群中任一目标评论员基于评论终端随机发表的未采用特定评论数据格式的目标评论数据。即这种情况下，未采用特定评论数据格式的目标评论数据中未携带任务标识。

本实施例中，目标评论员在使用该特定软件产品过程中产生的新想法或者认为存在某种问题或痛点，对软件产品功能改进可能有用时，可以通过评论终端发表未采用特定评论数据格式的目标评论数据。该目标评论数据可以为对该特定软件产品已有功能的问题类反馈，也可以是自主提出的新的需求类反馈，也即该目标评论数据不是针对系统管理员已经发表的待评论任务进行评论的数据。可以理解地，可通过分析目标评论群中任一目标评论员随机发表的目标评论数据，使其评论时间具有灵活性，有助于归纳分析出可进行软件产品优化改进的新的功能规划或新想法，并对新的功能规划和新想法进行优化完善，以便进行软件产品优化，避免直接优化的软件产品存在问题而需要反复修改，从而缩短软件产品的优化周期。

具体地，服务器获取目标评论群中任一目标评论员发表的目标评论数据之后，可采用字符串匹配算法或者正则表达式匹配算法对目标评论数据进行处理，以判断目标评论数据中是否携带任务标识。如上述实施例中，若在目标评论数据中匹配到RW这一任务标签和顺序标签时，即可认定该目标评论数据携带任务标识。

S202：若目标评论数据未携带任务标识，则采用关键词提取算法对目标评论数据进行关键词提取，获取目标评论数据对应的目标关键词。

其中，目标关键词是对目标评论数据进行关键词提取之后，所确定的可以用于反映目标评论数据的关键词。关键词提取算法是用于提取文本中关键词的算法，可以采用但不限于TextRank算法，或者可以通过对目标评论数据进行分词和去停用词等处理，以确定其对应的目标关键词。具体地，若目标评论数据未携带任务标识，则说明该目标评论数据不是基于系统管理员预先发布的待评论任务所发表的评论，而是目标评论员在日常使用软件产品过程中产生的新想法、痛点或者问题等内容反馈的评论。进一步地，若目标评论数据未携带任务标识时，其所发表的目标评论数据可以为问题类反馈也可以为需求类反馈。其中，问题类反馈是指对软件产品的现有功能、产品和操作流程过程中出现的问题的反馈。需求类反馈是指目标评论员期望该软件产品需增加的新功能的反馈。

本实施例中，若目标评论数据未携带任务标识，则服务器采用关键词提取算法对目标评论员发表的目标评论数据进行关键词提取，以提取出可反映目标评论数据中关键内容的目标关键词，以便后续进行数据的统计分析处理，提高处理效率。

S203：根据目标评论数据对应的目标关键词和评论时间，确定目标评论数据对应的问题关键词。

由于目标评论数据未携带任务标识时，说明目标评论员所发表的这一目标评论数据不是针对系统管理员预先发布的待评论任务的评论，此时目标评论数据所针对的评论问题无法直接确定，需分析目标评论数据的具体内容，以确定这一条目标评论数据所针对的评论问题。目标评论数据对应的问题关键词具体是指该目标评论数据所针对的评论问题对应的关键词。例如，“这个APP的登录界面容易卡顿，体验不好”这一个目标评论数据中，问题关键词可以为“登录界面”，即该问题关键词主要是针对特定软件产品中某一功能界面，以确定评论主题是针对这一功能界面的问题。

具体地，步骤S203具体包括如下步骤：

S2031：采用词性标注工具对所述目标评论数据对应的目标关键词进行词性标注，获取每一所述目标关键词对应的词性。

其中，词性标注工具是用于对任一目标关键词的词性进行标注的工具，包括但不限于PosTagger工具。

S2032：将词性为预设词性的目标关键词确定为待分析关键词。

其中，预设词性是系统预先设置的需要进行分析的词性，如名词、动词和形容词。

S2033：采用匹配算法对所述待分析关键词和问题关键词库中的每一预设关键词进行逐一匹配处理，获取匹配结果。

其中，问题关键词库为预先设置的用于存储预设关键词的数据库。该预设关键词为预先设置的与评论问题相关的关键词。匹配算法为预先设置的用于匹配两者是否相同或者相似的算法，包括但不限于正则表达式匹配算法。例如，若采用正则表达式匹配算法匹配到与待分析关键词相同的预设关键词，则获取的匹配结果为匹配成功，反之，获取的匹配结果为匹配失败。

S2034：若存在所述匹配结果为匹配成功的预设关键词，则将对应的待分析关键词确定为所述目标评论数据对应的问题关键词。

例如，“这个APP的登录界面容易卡顿，体验不好”这一目标评论数据中，匹配出该目标评论数据所提取的目标关键词包含问题关键词“登录界面”和“卡顿”等。

S2035：若不存在所述匹配结果为匹配成功的预设关键词，则根据所述目标评论数据的评论时间查询数据库，获取所述目标评论数据的评论时间之前的包含问题关键词的最近一条历史评论数据，根据最近一条所述历史评论数据的问题关键词确定所述目标评论数据对应的问题关键词。

例如，“我也碰到这个问题”或者“同意上述观点”等没有明确指示其对应的评论问题的目标评论数据中，所识别的待分析关键词中不存在匹配结果为匹配成功的预设关键词，此时，可根据目标评论数据的评论时间查询数据库，获取该目标评论数据的评论时间之前的包含问题关键词的最近一条历史评论数据，如“这个APP的登录界面容易卡顿，体验不好”这一历史评论数据，则直接将这一历史评论数据对应的问题关键词确定为该目标评论数据的问题关键词。

可以理解地，这种在目标评论数据中明确描述其评论问题时，可直接确定问题关键词；在目标评论数据中没有明确描述其评论问题时，可将目标评论数据的评论时间之前最近一个历史评论数据的问题关键词确定为该目标评论数据的问题关键词，利用目标评论数据的评论的连续性，有助于统计问题发生频率，保障后续分析确定高频问题的客观性。

S204：对评论时间在系统当前时间对应的评论统计周期内的问题关键词进行频次统计，获取问题关键词对应的出现频次。

其中，系统当前时间是指服务器的系统时间。评论统计周期是预先设置的用于对目标评论数据对应的问题关键词进行统计分析的周期，该评论统计周期可以为一周或者其他时间。系统当前时间对应的评论统计周期是指从系统当前时间之前与评论统计周期相对应的时间区间，即以系统当前时间为统计的截止时间，以保证问题关键词的出现频次统计的实时性。例如，若系统当前时间为2月10日，而评论统计周期为3天，则系统当前时间对应的评论统计周期为2月8日、2月9日和2月10日。

由于每一目标评论数据对应一评论时间，而从目标评论数据中提取出的问题关键词也对应该评论时间。本实施例中，对评论时间在系统当前时间对应的评论统计周期内的问题关键词进行频次统计，获取问题关键词对应的出现频次，具体包括：服务器先获取评论时间在系统当前时间对应的评论统计周期内的所有目标评论数据，对该目标评论数据包含该问题关键词的次数进行统计，以获取该问题关键词对应的出现频次。

S205：若出现频次大于预设频次阈值，则将问题关键词确定为高频关键词，基于包含高频关键词的目标评论数据确定对应的高频问题。

其中，预设频次阈值是预先设置的用于评估是否达到认定为高频率出现的次数的阈值。具体地，服务器将问题关键词对应的出现频次与预先设置的预设频次阈值进行比较，若该问题关键词对应的出现频次大于预设频次阈值，则认定该问题关键词为高频关键词，将包含该高频关键词对应的目标评论数据中提取出现的评论问题确定为高频问题。本实施例中，通过比较问题关键词在系统当前时间对应的评论统计周期内的出现频次与预设频次阈值的大小，确定该问题关键词是否为高频关键词，基于包含该高频关键词的目标评论数据，确定其对应的高频问题，以保证高频问题确定的时效性(既需在系统当前时间对应的评论统计周期内的数据)，有助于提高软件产品的优化效率。

本实施例中，基于包含高频关键词的目标评论数据确定对应的高频问题具体包括：若包含高频关键词的目标评论数据只有一条，则直接根据所述目标评论数据中包含的S206：统计高频问题对应的问题发生频率和问题影响程度，依据问题发生频率和问题影响程度进行优先级分析，获取高频问题对应的目标优先级。

其中，问题发生频率是依据该高频问题在目标评论群中的响应情况确定的出现频率的分析结果。具体地，服务器在认定某一评论问题为高频问题后，在目标评论群上发布相应的信息响应任务，获取目标评论群中所有目标评论员对该信息响应任务的问题响应信息，基于该问题响应信息统计问题发生概率，并将该问题发生概率与预设概率阈值进行比较，若问题发生概率大于预设概率阈值，则获取问题发生概率较大的问题发生概率结果；若问题发生概率不大于预设概率阈值，则获取问题发生概率较小的问题发生概率结果。其中，问题发生频率较小出现在较少目标评论员遇到这一高频问题的情况下，而问题发生频率较大出现在较多目标评论员遇到这一高频问题的情况下。信息响应任务是系统管理员发布的用于采集目标评论员是否遇到某一高频问题的任务。问题响应信息是目标评论中对信息响应任务进行响应的信息。预设概率阈值是预先设置的与概率相关的阈值。

例如，在1000个目标评论员的目标评论群中，目标评论员A提出一目标评论数据并认定其为高频问题，系统管理员基于该高频问题发表信息响应任务时，若获取的问题响应信息为有100个目标评论员响应自己也曾遇到过相应的问题，基于该问题响应信息统计的问题发生概率为10％，将该问题发生概率与预设概率阈值(如5％)进行比较，即可确定其对应的问题发生频率为问题发生概率较大。

其中，问题影响程度是用于反映高频问题对用户体验影响的程度指标。该问题影响程度可根据问题的严重性等级确定。本实施例中，问题的严重性等级采用Wilson(1990)的五级标准如下：5级-无关紧要的错误；4级-问题虽小但却让用户焦躁；3级-中等程度，耗费时间但不会丢失数据；2级-导致数据丢失的严重问题；1级-灾难性错误，导致数据的丢失或者软硬件的损坏。或者，问题的严重性等级可采用另一五级标准如下：0-不认为是一个可用性问题；1-这仅仅是一个装饰门面的可用性问题：并不需要特别的处理，除非这个项目有额外的时间；2-次要的(Minor)可用性问题：解决这个问题的优先级较低；3-主要的(Major)可用性问题：解决这个问题是很重要的，优先级很高；4-可用性灾难(Catastrophe)：解决这个问题是非常必要而且紧急的(Imperative)，必须在软件产品发布上线之前解决。本实施例中，问题影响程度与问题的严重性等级相匹配，如包括五级的问题影响程度。或者，问题影响程度可根据问题的严重性等级计算确定，如将五级的严重性等级划分成二级的问题影响程度，如Wilson(1990)的五级标准中，第5级和第4级标准的问题确定为问题影响程度较小的问题影响程度，第1、2和3级标准的问题确定为问题影响程度较大的问题影响程度。

本实施例中，对高频问题进行优先级分析，获取高频问题对应的目标优先级，具体包括：对高频问题进行优先级分析，获取高频问题对应的问题发生频率和问题影响程度；基于问题发生频率和问题影响程度查询优先级信息对照表，获取高频问题对应的目标优先级。其中，优先级信息对照表是用于反映不同的问题发生频率和问题影响程度组合的优先级信息的对照表(如下表一所示)。

具体地，对高频问题进行优先级分析，是指基于预先设置的评估指标判断标准，确定高频问题对应的问题发生频率和问题影响程度这两种评估指标进行综合分析，以确定其对应的目标优先级的过程。目标优先级是指基于问题发生频率和问题影响程度进行综合分析后确定的优先级，该目标优先级在一定程度上反馈高频问题的紧急程度。

表一 优先级信息对照表

S207：基于目标优先级查询评论响应机制信息表，获取对应的评论响应机制，基于评论响应机制对高频问题进行响应处理。

其中，评论响应机制信息表是用于反映每一种优先级对应的高频问题的响应机制的信息表。其中，响应机制是对某一高频问题进行响应的响应时间和响应流程进行规定的机制。响应时间是指对高频问题进行响应的时间。响应流程具体可以包括对某一高频问题配置的进行响应的流程和对应的处理人员，以使对高频问题的响应处理更合理和更高效，确保高频问题的处理效率，提高软件产品的优化效率，缩短软件产品的优化周期。一般来说，目标优先级越先，表明该高频问题越紧急，越需要优先处理，则其响应时间越短，其配置的响应流程越便捷，其参与的处理人员越多或者主管人员的岗位越高级等。

本实施例所提供的软件产品测评处理方法中，通过即时通讯工具创建创建安装在产品测评平台上的任一特定软件产品相对应的目标评论群，并获取目标评论群中任一目标评论员发表的目标评论数据，从而保证目标评论数据处理的实时性。在目标评论数据未携带任务标识时，说明该目标评论数据不是针对待评论任务发表的评论，使得目标评论数据的评论内容更具有灵活性，避免局限性。然后，采用关键词提取算法对目标评论数据进行关键词提取，获取目标关键词，以保证后续数据处理的效率。根据目标评论数据对应的目标关键词和评论时间，确定对应的问题关键词，从而确定每一目标评论数据对应的评论问题，保障后续分析确定高频问题的客观性。通过比较问题关键词在系统当前时间对应的评论统计周期内的出现频次与预设频次阈值的大小，确定该问题关键词是否为高频关键词，从而确定高频问题，以保证高频问题确定的时效性，有助于提高软件产品的优化效率。最后，依据问题发生频率和问题影响程度对高频问题进行优先级分析，以确定对应的目标优先级之后，可根据目标优先级确定的评论响应机制对高频问题进行响应处理，以使对高频问题的响应处理更合理和更高效，确保高频问题的处理效率，提高软件产品的优化效率，缩短软件产品的优化周期。

在一实施例中，在步骤S201中的判断所述目标评论数据是否携带任务标识之后，该软件产品测评处理方法还包括：

S208：若目标评论数据携带任务标识，则获取任务标识对应的任务评论期限，在评论时间在任务评论期限内时，将目标评论数据确定为有效评论数据。

其中，若目标评论数据携带任务标识，则说明该目标评论数据是基于系统管理员预先发布的待评论任务所发表的评论，所针对的评论问题与待评论任务中的任务内容相匹配，可以理解为针对任务内容进行的评论。

具体地，若目标评论数据携带任务标识，则服务器需获取目标评论数据对应的评论时间，并基于任务标识查询待评论任务列表，获取与该任务标识相对应的任务评论期限，判断该目标评论数据的评论时间是否在该任务评论期限内，以便分析该目标评论数据是否有效，从而保障待评论任务的时效性。其中，待评论任务列表是用于记录所有待评论任务的任务信息的数据表，具体用于存储每一待评论任务对应的任务标识、任务内容和任务评论期限等任务信息。

具体地，若目标评论数据的评论时间在该任务标识对应的任务评论周期内，则说明目标评论员是在该任务标识对应的待评论任务的任务评论周期内发表的评论，是对待评论任务的及时响应，可以将该目标评论数据作为后续数据分析的依据，即有效评论数据。其中，有效评论数据是指评论时间在对应的任务评论周期内的可作为数据分析依据的评论数据。

S209：对有效评论数据进行分析，获取有效评论数据对应的评论问题和与评论问题相对应的评论倾向结果。

其中，服务器对有效评论数据进行分析，是指用于分析每一有效评论数据所针对的评论问题以及该目标评论员对这一评论问题有什么倾向的分析过程。具体地，服务器可采用自然语言处理工具对有效评论数据进行分析，以获取有效评论数据对应的评论问题和与评论问题相对应的评论倾向结果。

评论问题是指该有效评论数据所针对的问题，该评论问题可以与待评论任务中的任务内容相匹配。例如，若有效评论数据中明确提及所针对的评论问题时，可直接确定有效评论数据对应的评论问题；若有效评论数据中没有明确提及所针对的评论问题(如采用省略问题而直接引用待评论任务的形式发表的有效评论数据)，可依据待评论任务中的任务内容确定对应的评论问题。

评论倾向结果是从目标评论员发表的有效评论数据中提取其对某一评论问题的某一种倾向的结果。例如，若有效评论数据是针对特定软件产品的数据上传功能是否好用进行评论这一评论问题进行评论的数据，则评论倾向结果包括好用和不好用两个不同倾向。若有效评论数据是针对P1、P2和P3这三种版本的数据上传功能，评价哪种更好用的评论问题，则其评论倾向结果包括P1、P2或者P3更好用的评论倾向结果。

S210：统计与任务标识相关联的同一评论问题对应的每一评论倾向结果对应的评论数量，将评论数量最多的评论倾向结果确定为评论问题对应的目标评论结果。

具体地，服务器统计该目标评论群中基于同一任务标识对应的待评论任务对应的有效评论数据中，同一评论问题对应的每一评论倾向结果对应的评论数量，该评论数量可以理解为目标评论群上支持该评论倾向结果的目标评论员的数量。然后，服务器将评论数量最多的评论倾向结果确定为该评论问题对应的目标评论结果。

例如，若有效评论数据是针对P1、P2和P3这三种版本的数据上传功能，评价哪种更好用的评论问题，不同目标评论员有不同的评论倾向结果，服务器需要对这一评论问题的每一种评论倾向结果进行统一汇总，以获取每一种评论倾向结果对应的评论数量，以将评论数量最多的评论倾向结果确定为该评论问题对应的目标评论结果，即采用多数原则确保目标评论结果的客观性。例如，在1000条有效评论数据中，认为P1、P2和P3这三种版本的数据上传功能更好用的评论数量分别为200、300和500，则将P3版本的数据上传功能更好用确定为该评论问题对应的目标评论结果。

本实施例所提供的软件产品测评处理方法中，通过获取目标评论群上任一目标评论员发表的目标评论数据，以使发表目标评论数据的评论员具有固定性，有利于保障目标评论数据的针对性。在目标评论数据携带任务标识时，若目标评论数据对应的评论时间在任务标识对应的任务评论期限内，则将目标评论数据确定为有效评论数据，以保证有效评论数据的评论时效性，有助于提高评论数据处理的时效性，从而缩短软件产品的优化周期。在对有效评论数据进行分析确定评论问题和评论倾向结果之后，统计同一评论问题对应的每一评论倾向结果的评论数量，以将评论数量最多的评论倾向结果确定为该评论问题对应的目标评论结果，以使目标评论结果更具有客观性，有助于保障软件产品优化的质量。

在一实施例中，为了鼓励目标评论群中的目标评论员及时发表更多对软件产品优化具有建设性意义的目标评论数据，可以设置不同的奖励标准对每一目标评论员的评论行为进行分析处理，并根据定时分析处理的结果提供相应的奖励。可以理解地，服务器可预先设置相应的定时分析任务，用于实现对每一目标评论员的评论行为进行定时分析。该定时分析任务是预先设置的用于在某一定时分析时间执行相应的分析过程的任务。其中，定时分析时间是预先设置的用于进行分析处理的时间。如图3所示，在步骤S210之后，即在将评论数量最多的评论倾向结果确定为评论问题对应的目标评论结果之后，软件产品测评处理方法还包括：

S301：在系统当前时间为定时分析时间时，基于目标评论员的用户帐号查询评论数据库，获取评论时间在定时分析时间对应的数据统计周期内的与用户帐号相对应的历史评论数据。

其中，历史评论数据是指在系统当前时间之前该目标评论员所发表的可用于进行数据统计分析的目标评论数据。目标评论员的用户帐号是指每个目标评论员在该目标评论群中的唯一帐号，可用于区分不同目标评论员发表的目标评论数据。评论数据库是用于存储目标评论库中所有目标评论员发表的目标评论数据的数据库。可以理解地，存储在评论数据库中的每一目标评论数据与一用户帐号关联存储，以便对每一目标评论员的评论行为进行综合分析。

数据统计周期是预先设置的用于对任一目标评论员的目标评论数据进行统计分析的周期。定时分析时间对应的数据统计周期是指在定时分析时间之前与数据统计周期相对应的时间区间。例如，定时分析时间为每周一12：00，而数据统计周期为一周，则定时分析时间对应的数据统计周期是指从定时分析时间之前的一周。

本实施例中，步骤S301具体包括：在系统当前时间为定时分析时间时，服务器执行预先设置的定时分析任务，即先基于每一目标评论员的用户帐号查询评论数据库，获取该用户帐号对应的所有目标评论数据并确定每一目标评论数据对应的评论时间；然后，将评论时间在定时分析时间对应的数据统计周期内的目标评论数据，确定为该用户帐号对应的可用于进行数据统计分析的历史评论数据。

S302：基于历史评论数据查询与数据统计周期相对应的评论项目列表，获取历史评论数据对应的评论参与比例。

其中，与数据统计周期相对应的评论项目列表是用于记录该数据统计周期内所有评论项目的信息表。该评论项目包括但不限于系统管理员自主确定的待评论任务对应的项目，还包括基于高频问题所创建的新增评论任务对应的项目。评论参与比例是用于反馈目标评论员参与评论的参与项目数量占整个评论项目列表中所有项目的项目总数的比值。例如，若在一数据统计周期内的评论项目有20个，即项目总数为20，而一目标评论员参与评论的参与项目数量为16个，则获取的评论参与比例为80％。可以理解地，该评论参与比例越高，说明该目标评论员越积极参与对评论项目的评论，可以客观地反映目标评论员在目标评论群中的活跃程度。

S303：获取历史评论数据对应的历史倾向结果和目标评论结果，获取历史评论数据对应的评论可用比例。

具体地，对于待评论任务对应的项目，每一目标评论数据已经预先进行过分析，可直接将历史评论数据对应的评论倾向结果作为历史倾向结果，相应地，并可直接获取评论问题对的目标评论结果。对于新增评论任务对应的项目，可对历史评论数据进行分析，以确定该历史评论数据对应的评论问题和与评论问题相对应的历史倾向结果，其过程如步骤S204所示，为避免重复，在此不一一赘述；并参考步骤S205确定该评论问题对应的目标评论结果。

其中，评论可用比例是指历史倾向结果与目标评论结果相匹配的历史评论数据的匹配数量与所有历史评论数据对应的参与项目数量的比例。例如，若在一数据统计周期内，一目标评论员对应的所有历史评论数据对应的参与项目数量为16，其中，有12个评论项目的历史倾向结果与最终确定的目标评论结果相同，即匹配数量为12，则计算出的评论可用比例为75％。可以理解地，该评论可用比例越高，说明目标评论员的评论建议对于软件产品优化的作用越大，即其评论有用性越高。

S304：基于历史评论数据对应的评论参与比例和评论可用比例，获取用户帐号对应的评论奖励信息。

其中，步骤S304具体包括如下步骤：(1)服务器基于历史评论数据对应的评论参与比例和评论可用比例查询预先设置分值对照表，分别确定该评论参与比例对应的参与分值P1和评论可用比例对应的可用分值P2。其中，分值对照表是预先设置的用于规定每一评论参与比例与对应的参与分值的相互关系，和评论可用比例与对应的可用分值的相互关系的对照表。(2)再获取该评论参与比例对应的参与权重W1和评论可用比例对应的可用权重W2，其中，W1+W2＝1。为了更有效地提高目标评论员参与评论的积极性，可设置该参与权重W1大于可用权重W2，如W1＝70％，而W2＝30％。(3)采用加权算法P＝P1*W1+P2*W2计算该目标评论员对应的评论分值P。本实施例中，P1和P2采用同一数值范围的分值，以使两者具有可比值，如均为0-10之间的数值，使得计算出来的评论分值也为0-10之间的数值。(4)基于评论分值P查询评论奖励标准表，获取与该评论分值P相对应的评论奖励信息，确定为该用户帐号对应的评论奖励信息。该评论奖励信息包括但不限于现金红包奖励、会员特权类奖励以及实体礼品奖励，可根据不同评论分值P自主确定。可以理解地，评论分值P越大，其对应的评论奖励信息中奖励越丰盛，越有助于吸引目标评论员积极发表目标评论数据，调动目标评论员的积极性。该评论奖励信息的确定是基于历史评论数据对应的评论参与比例和评论可用比例进行综合分析计算后确定的，使其具有客观性。

本实施例所提供的软件产品测评处理方法中，通过目标评论员的用户帐号查询评论数据，以确定与数据统计周期相对应的历史评论数据，以使基于历史评论数据进行评论行为分析具有周期性，更有利于促使目标评论员积极发表目标评论数据。在对历史评论数据进行统计分析过程中，确定对应的评论参与比例和评论可用比例，以分别从活跃程度和评论有用性这两个维度客观地对目标评论员进行评估。再基于历史评论数据对应的评论参与比例和评论可用比例，获取相应的评论奖励信息，以保证评论奖励信息的客观性，更有助于吸引目标评论员积极地在目标评论群上发表目标评论数据。

如图4所示，在步骤S201中，基于即时通讯工具创建安装所述产品测评平台上的任一特定软件产品对应的目标评论群，具体包括如下步骤：

S401：获取评论群创建请求，评论群创建请求包括产品标识和产品属性类型。

其中，评论群创建请求是用于触发对产品测评平台上的某一特定软件产品创建评论群的请求。产品标识是用于唯一区别不同软件产品的标识。产品属性类型是用于限定本次所要创建的评论群需要评论的软件产品的属性。该产品属性类型包括已有相关类型或者细分功能类型两种，系统管理员可以根据实际需求自主选择确定相应的产品属性类型。

已有相关类型可以用于说明本次评论群创建请求所针对的软件产品对应的类型，例如理财类型、保险类型或者其他类型。一般来说，在软件产品存在相同类型(如产险A与产险B)或者相似类型(如产险A与寿险C)的已有软件产品，选取已有相关类型作为评论群创建请求的产品属性类型。主要原因在于，这些已有软件产品积累了相当数量的已有用户的情况下，可根据已有用户的用户行为数据确定待招募评论员，使得待招募评论员的确定更具有针对性。

细分功能类型是用于说明本次评论群创建请求所针对的软件产品所具体的功能。一般来说，在软件产品不存在相同类型或者相似类型的已有产品的情况下，如为新产品的前瞻性研究，市面上尚无完全对标的竞品及已有产品时，选取细分功能类型作为评论群创建请求的产品属性类型。具体地，通过对特定软件产品进行产品功能拆解，以获取该特定软件产品具体包括哪些细分功能(如登录功能、支付功能、拍照功能或者其他功能)，再寻找与该细分功能相对应的已有用户，以便根据已有用户的用户行为数据确定待招募评论员。

S402：基于即时通讯工具，创建与产品标识相对应的目标评论群。

其中，即时通讯工具是设置在服务器上的可创建即时通信群的接口，该即时通讯工具包括但不限于微信接口、网易云信或者其他可实现即时通信功能的接口。具体地，服务器基于预先设置的即时通讯工具，创建与产品标识相对应的可实现即时通信功能的目标评论群，即该目标评论群主要针对产品标识对应的软件产品进行评论的通信群，使得该目标评论群的创建目的具有针对性。

S403：基于产品属性类型查询用户行为数据库，将预设时间段内与产品属性类型相匹配的活跃用户确定为待招募评论员。

其中，用户行为数据库是用于记录已有用户在相关软件产品的用户行为数据的数据库。用户行为数据是用于记录已有用户在相关软件产品的登录时间、登录时长和登录功能等数据。活跃用户是指根据已有用户的登录时间、登录时长和登录功能等用户行为数据确定达到活跃指标的用户。预设时间段是预先设置的用于限定所要采集的用户行为数据的时间，以避免将较长时间之前(如1年之前)活跃而最近一段时间(如3个月)不活跃的用户确定为待招募评论员，从而有助保障基于待招募评论员确定的目标评论员参与评论活动的积极性。待招募评论员是指根据已有用户参与活动的活跃程度确定的有较大可能被招募为最终的目标评论员的已有用户。

具体地，服务器基于产品属性类型查询对应的用户行为数据库，获取与产品属性类型相匹配的所有已有用户的用户行为数据；再筛选出登录时间在系统当前时间对应的预设时间段内(如近三个月)内的用户行为数据；最后，基于筛选出的用户行为数据分析该已有用户是否为活跃用户，以将该活跃用户确定为待招募评论员。其中，已有用户是否为活跃用户是指其用户行为数据分析是否达到相应的活跃指标确定。本实施例中，待招募评论员的确定，有助于保障基于待招募评论员确定的目标评论员参与评论活动的积极性。

S404：调用语音外呼平台对待招募评论员进行语音访问，获取待招募评论员对应的语音回访结果。

其中，语音外呼平台是用于实现语音外呼，以便进行语音访谈的平台。一般来说，在确定某一已有用户为待招募评论员之后，可以获取该已有用户的手机号码，通过调用语音外呼平台与待招募评论员用户进行1对1电话访谈，以确定其是否满足评论员招募条件，并征询其是否有参与评论的评论意愿，以便确定最终的目标评论员。语音回访结果是根据语音回访之后，确定某一待招募评论员是否满足评论员招募条件且是否有参与评论的评论意愿的结果。其中，语音回访结果包括符合评论员招募条件且有评论意愿、符合评论员招募条件但没有评论意愿、不符合评论员扫描条件但有评论意愿、不符合评论员招募条件且没有评论意愿等情况。

S405：若语音回访结果为符合评论员招募条件且有评论意愿，则将待招募评论员确定为目标评论员，邀请目标评论员加入目标评论群。

具体地，服务器在根据每一待招募评论员的语音回访结果确定该待招募评论员符合评论员招募条件且有评论意愿时，将其确定为目标评论员并邀请加入到目标评论群中，以使目标评论群中的每一目标评论员均为符合评论员招募条件且有评论意愿的评论员，使得目标评论员的确定经过特定的筛选，有助于保障后续针对软件产品进行评论时，目标评论员具有固定性，且其评论具有针对性，且目标评论员在目标评论群上发表的评论也具有即时性，有助于保障软件产品优化的效率，缩短优化周期。

本实施例所提供的软件产品测评处理方法中，基于即时通讯工具创建与产品标识相对应的目标评论群，使得该目标评论群的创建具有针对性，并保障后续通过目标评论群上获取的目标评论数据具有即时性。将预设时间段内与产品属性类型相匹配的活跃用户确定为待招募评论员，有助于保障基于待招募评论员确定的目标评论员参与评论活动的积极性。根据待招募评论员的语音回访结果确定目标评论员，使得目标评论员的确定经过特定的筛选，有助于保障后续针对软件产品进行评论时，目标评论员具有固定性，且其评论具有针对性，且目标评论员在目标评论群上发表的评论也具有即时性，有助于保障软件产品优化的效率，缩短优化周期。

如图5所示，步骤S403，即基于产品属性类型查询用户行为数据库，将预设时间段内与产品属性类型相匹配的活跃用户确定为待招募评论员，包括：

S501：基于产品属性类型查询用户行为数据库，获取系统当前时间之前预设时间段内的用户行为数据确定为待分析用户数据，每一待分析用户数据包括一用户标识和登录时长。

其中，待分析用户数据是满足特定条件的可用于分析确定待招募评论员的数据。具体地，服务器基于产品属性类型查询对应的用户行为数据库，获取与产品属性类型相匹配的所有已有用户的用户行为数据；再筛选出登录时间在系统当前时间对应的预设时间段内(如近三个月)内的用户行为数据确定为待分析用户数据。该用户标识是用于唯一识别已有用户在某一软件产品中身份的标识，如手机号码。登录时长是用于登录某一软件产品过程中的时间间隔，可以理解为登录时间与退出时间之间的时间间隔。

S502：将登录时长大于预设时长的待分析用户数据，确定为有效行为数据。

其中，有效行为数据是指可以作为有效分析确定目标评论员对应的行为数据。本实施例中，将登录时长大于预设时长的待分析用户数据确定为有效行为数据，可以有效避免用户误点击所触发的登录而对用户行为数据的分析造成干扰，从而保障后续数据分析的准确性和效率。

S503：基于同一用户标识对应的所有有效行为数据，确定用户标识对应的目标评估指标。

其中，目标评估指标是最终确定是可以用于评估已有用户是否为活跃用户的指标。该目标评估指标包括但不限于登录次数、交易次数和常用功能信息等。具体地，服务器基于同一用户标识对应的所有有效行为数据，统计分析所有有效行为数据对应的登录次数、交易次数和常用功能信息等目标评估指标，以便判断已有用户是否为活跃用户。

S504：若目标评估指标符合对应的指标评估阈值，则将用户标识对应的用户确定为待招募评论员。

其中，指标评估阈值是预先设置的用于评估是否达到活跃用户标准的阈值。该指标评估阈值包括但不限于用于评估登录次数是否达到活跃用户标准的第一次数阈值、用于评估交易次数是否达到活跃用户标准的第二次数阈值和用于评估常用功能信息是否达到活跃用户标准的细分功能信息。本实施例中，可根据实际需求，将达到上述指标评估阈值的至少一个的用户确定为待招募评论员，以保证待招募评论员的活跃程度。

本实施例所提供的软件产品测评处理方法中，待分析用户数据是与产品属性类型相匹配且登录时间在系统当前时间之前预设时间段内的用户行为数据，可确保最终确定的待招募评论员是近期活跃用户；根据登录时长确定有效行为数据，有助于保障确定的待招募评论员的准确性和效率；根据有效行为数据确定的目标评估指标和指标评估阈值，确定待招募评论员，以保证待招募评论员的活跃程度，可有助于后续评论的积极性。

如图6所示，步骤S404，即调用语音外呼平台对待招募评论员进行语音访问，获取待招募评论员对应的语音回访结果，包括：

S601：获取与产品属性类型相对应的标准访谈话术，将标准访谈话术与待招募评论员对应的用户标识发送给语音外呼平台，获取语音外呼平台返回的回访录音数据。

其中，标准访谈话术是预先设置的用于引导待招募评论员回复是否满足评论员招募条件且是否有参与评论的评论意愿的话术。

本实施例中，服务器获取与产品属性类型相对应的标准访谈话术，将该标准访谈话术与待招募评论员对应的用户标识(如手机号码或者可唯一确定对应的手机号码)发送给语音外呼平台，以便基于该语音外呼平台与用户标识对应的待招募评论员对应的移动终端进行电话通信，获取语音外呼平台返回的与该标准访谈话术相对应的回访录音数据。该回访录音数据是待招募评论员对标准访谈话术的语音回复。

S602：采用语音识别模型对回访录音数据进行识别，获取回访文本数据。

其中，语音识别模型是预先训练好的用于识别语音数据中的文本内容的模型。本实施例中的语音识别模型可采用语音静态解码网络，由于静态解码网络已经把搜索空间全部展开，因此其在进行文本翻译时，解码速度非常快，从而可快速获取回访文本数据。该语音静态解码网络是采用特定领域的训练语音数据进行训练所获取的静态解码网络，该特定领域的训练语音数据可以理解为预先存储的针对标准访谈话术进行回复的的语音数据。由于语音静态解码网络是基于特定领域的训练语音数据进行训练所获取的静态解码网络，使得其在对特定领域的回访录音数据进行识别时针对性强，使得解码准确率较高。

S603：对回访文本数据进行关键词提取，获取回访关键词。

具体地，服务器采用关键词提取算法对回访文本数据进行关键词提取，获取回访关键词。关键词提取算法是指从文本数据中提取其中的关键词的算法。例如，服务器先采用分词工具对回访文本数据进行分词，再采用去停用词算法对分词结果进行去停用词处理，以获取回访关键词。

S604：基于回访关键词查询评估结果对照表，获取待招募评论员对应的语音回访结果。

其中，评估结果对照表是预先设置用于评估是否满足评论员招募条件和是否有评论意愿的对照表。可以理解地，该评估结果对照表与标准访谈话术相匹配，即评估结果对照表可根据标准访谈话术中的引导问题确定不同结果相对应的预设关键词，以便根据该回访关键词与预设关键词的匹配结果，确定对应的语音回访结果。例如，标准访谈话术是设置“你是否意愿参与对软件产品A的项目优化项目”这一引导问题；在评估结果对照表中设置这一引导问题对应的预设关键词为“可以”、“愿意”和“想”等；则从这一引导问题对应的回访文本数据提取的回访关键词为“愿意”，则可以认定其有评论意愿。

本实施例所提供的软件产品测评处理方法中，通过对待招募评论员进行语音回访，获取回访录音数据，通过对该回访录音数据进行语音识别和关键词提取，以确定回访关键词之后，可查询评估结果对照表，从而快速获取待招募评论员对应的语音回访结果，以便实现对待招募评论员的进一步筛选，以使最终筛选出的目标评论员更符合软件产品的评论需求。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

在一实施例中，提供一种软件产品测评处理装置，该软件产品测评处理装置与上述实施例中软件产品测评处理方法一一对应。如图7所示，该软件产品测评处理装置包括目标评论数据获取模块701、目标关键词获取模块702、问题关键词获取模块703、出现频次获取模块704、高频问题确定模块705、目标优先级获取模块706、响应处理模块707、有效评论数据确定模块708、评论倾向结果获取模块709和目标评论结果获取模块710。各功能模块详细说明如下：

目标评论数据获取模块701，用于基于即时通讯工具创建安装在产品测评平台上的任一特定软件产品对应的目标评论群，获取所述目标评论群中任一目标评论员发表的目标评论数据和对应的评论时间，判断所述目标评论数据是否携带任务标识。

目标关键词获取模块702，用于若所述目标评论数据未携带所述任务标识，则采用关键词提取算法对所述目标评论数据进行关键词提取，获取所述目标评论数据对应的目标关键词。

问题关键词获取模块703，用于根据所述目标评论数据对应的所述目标关键词和所述评论时间，确定所述目标评论数据对应的问题关键词。

出现频次获取模块704，用于对系统当前时间对应的评论统计周期内的所述问题关键词进行频次统计，获取所述问题关键词对应的出现频次。

高频问题确定模块705，用于若所述出现频次大于预设频次阈值，则将所述问题关键词确定为高频关键词，基于包含所述高频关键词的目标评论数据确定对应的高频问题。

目标优先级获取模块706，用于获取所述高频问题对应的问题发生频率和问题影响程度，依据所述问题发生频率和所述问题影响程度进行优先级分析，获取所述高频问题对应的目标优先级。

响应处理模块707，用于基于所述目标优先级查询评论响应机制信息表，获取对应的评论响应机制，基于所述评论响应机制对所述高频问题进行响应处理。

优选地，在目标评论数据获取模块701之后，软件产品测评处理装置还包括：

有效评论数据确定模块708，用于若所述目标评论数据携带所述任务标识，则获取所述任务标识对应的任务评论期限，在所述评论时间在所述任务评论期限内时，将所述目标评论数据确定为有效评论数据。

评论倾向结果获取模块709，用于对所述有效评论数据进行分析，获取所述有效评论数据对应的评论问题和与所述评论问题相对应的评论倾向结果。

目标评论结果获取模块710，用于统计与所述任务标识相关联的同一所述评论问题对应的每一所述评论倾向结果对应的评论数量，将评论数量最多的所述评论倾向结果确定为所述评论问题对应的目标评论结果。

优选地，在目标评论结果获取模块710之后，软件产品测评处理装置还包括：历史评论数据获取单元、评论参与比例获取单元、评论可用比例获取单元和评论奖励信息获取单元。

历史评论数据获取单元，用于在系统当前时间为定时分析时间时，基于目标评论员的用户帐号查询评论数据库，获取评论时间在定时分析时间对应的数据统计周期内的与用户帐号相对应的历史评论数据。

评论参与比例获取单元，用于基于历史评论数据查询与数据统计周期相对应的评论项目列表，获取历史评论数据对应的评论参与比例。

评论可用比例获取单元，用于获取历史评论数据对应的历史倾向结果和目标评论结果，获取历史评论数据对应的评论可用比例。

评论奖励信息获取单元，用于基于历史评论数据对应的评论参与比例和评论可用比例，获取用户帐号对应的评论奖励信息。

优选地，问题关键词获取模块703，包括：词性标注单元、待分析关键词确定单元、第一问题关键词确定单元和第二问题关键词确定单元。

词性标注单元，用于采用词性标注工具对所述目标评论数据对应的目标关键词进行词性标注，获取每一所述目标关键词对应的词性。

待分析关键词确定单元，用于将词性为预设词性的目标关键词确定为待分析关键词。

匹配结果获取单元，用于采用匹配算法对所述待分析关键词和问题关键词库中的每一预设关键词进行逐一匹配处理，获取匹配结果。

第一问题关键词确定单元，用于若存在所述匹配结果为匹配成功的预设关键词，则将对应的待分析关键词确定为所述目标评论数据对应的问题关键词。

第二问题关键词确定单元，用于若不存在所述匹配结果为匹配成功的预设关键词，则根据所述目标评论数据的评论时间查询数据库，获取所述目标评论数据的评论时间之前的包含问题关键词的最近一条历史评论数据，根据最近一条所述历史评论数据的问题关键词确定所述目标评论数据对应的问题关键词。

优选地，目标评论数据获取模块701，包括：评论群创建请求获取单元、目标评论群创建单元、待招募评论员确定单元、语音回访结果获取单元和目标评论员确定单元。

评论群创建请求获取单元，用于获取评论群创建请求，评论群创建请求包括产品标识和产品属性类型。

目标评论群创建单元，用于基于即时通讯工具，创建与产品标识相对应的目标评论群。

待招募评论员确定单元，用于基于产品属性类型查询用户行为数据库，将预设时间段内与产品属性类型相匹配的活跃用户确定为待招募评论员。

语音回访结果获取单元，用于调用语音外呼平台对待招募评论员进行语音访问，获取待招募评论员对应的语音回访结果。

目标评论员确定单元，用于若语音回访结果为符合评论员招募条件且有评论意愿，则将待招募评论员确定为目标评论员，邀请目标评论员加入目标评论群。

优选地，待招募评论员确定单元，包括：待分析用户数据获取子单元、有效行为数据确定子单元、目标评论指标确定子单元和待招募评论员确定子单元。

待分析用户数据获取子单元，用于基于产品属性类型查询用户行为数据库，获取系统当前时间之前预设时间段内的用户行为数据确定为待分析用户数据，每一待分析用户数据包括一用户标识和登录时长。

有效行为数据确定子单元，用于将登录时长大于预设时长的待分析用户数据，确定为有效行为数据。

目标评论指标确定子单元，用于基于同一用户标识对应的所有有效行为数据，确定用户标识对应的目标评估指标。

待招募评论员确定子单元，用于若目标评估指标符合对应的指标评估阈值，则将用户标识对应的用户确定为待招募评论员。

优选地，语音回访结果获取单元，包括：回访录音数据获取子单元、回访文本数据获取子单元、回访关键词获取子单元和回访结果获取子单元。

回访录音数据获取子单元，用于获取与产品属性类型相对应的标准访谈话术，将标准访谈话术与待招募评论员对应的用户标识发送给语音外呼平台，获取语音外呼平台返回的回访录音数据。

回访文本数据获取子单元，用于采用语音识别模型对回访录音数据进行识别，获取回访文本数据。

回访关键词获取子单元，用于对回访文本数据进行关键词提取，获取回访关键词。

回访结果获取子单元，用于基于回访关键词查询评估结果对照表，获取待招募评论员对应的语音回访结果。

关于软件产品测评处理装置的具体限定可以参见上文中对于软件产品测评处理方法的限定，在此不再赘述。上述软件产品测评处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储执行软件产品测评处理方法过程采集获取生成的数据，如目标评论结果。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种软件产品测评处理方法。

在一个实施例中，提供了一种计算机设备，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，处理器执行计算机程序时实现上述实施例中软件产品测评处理方法，例如图2所示S201-S210，或者图3至图6中所示，为避免重复，这里不再赘述。或者，处理器执行计算机程序时实现软件产品测评处理装置这一实施例中的各模块/单元的功能，例如图7所示的各模块的功能，为避免重复，这里不再赘述。

在一实施例中，提供一计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例中软件产品测评处理方法，例如图2所示S201-S210，或者图3至图6中所示，为避免重复，这里不再赘述。或者，该计算机程序被处理器执行时实现上述软件产品测评处理装置这一实施例中的各模块/单元的功能例如图7所示的各模块的功能，为避免重复，这里不再赘述。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。

以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种软件产品测评处理方法，其特征在于，包括：

基于即时通讯工具创建安装产品测评平台上的任一特定软件产品对应的目标评论群，获取所述目标评论群中任一目标评论员发表的目标评论数据和对应的评论时间，判断所述目标评论数据是否携带任务标识；

若所述目标评论数据未携带所述任务标识，则采用关键词提取算法对所述目标评论数据进行关键词提取，获取所述目标评论数据对应的目标关键词；

根据所述目标评论数据对应的所述目标关键词和所述评论时间，确定所述目标评论数据对应的问题关键词；

对系统当前时间对应的评论统计周期内的所述问题关键词进行频次统计，获取所述问题关键词对应的出现频次；

若所述出现频次大于预设频次阈值，则将所述问题关键词确定为高频关键词，基于包含所述高频关键词的目标评论数据确定对应的高频问题；

获取所述高频问题对应的问题发生频率和问题影响程度，依据所述问题发生频率和所述问题影响程度进行优先级分析，获取所述高频问题对应的目标优先级；

基于所述目标优先级查询评论响应机制信息表，获取对应的评论响应机制，基于所述评论响应机制对所述高频问题进行响应处理。

2.如权利要求1所述的软件产品测评处理方法，其特征在于，在所述判断所述目标评论数据是否携带任务标识之后，所述软件产品测评处理方法还包括：

若所述目标评论数据携带所述任务标识，则获取所述任务标识对应的任务评论期限，在所述评论时间在所述任务评论期限内时，将所述目标评论数据确定为有效评论数据；

对所述有效评论数据进行分析，获取所述有效评论数据对应的评论问题和与所述评论问题相对应的评论倾向结果；

统计与所述任务标识相关联的同一所述评论问题对应的每一所述评论倾向结果对应的评论数量，将评论数量最多的所述评论倾向结果确定为所述评论问题对应的目标评论结果。

3.如权利要求2所述的软件产品测评处理方法，其特征在于，在所述将评论数量最多的所述评论倾向结果确定为所述评论问题对应的目标评论结果之后，所述软件产品测评处理方法还包括：

在系统当前时间为定时分析时间时，基于所述目标评论员的用户帐号查询评论数据库，获取评论时间在所述定时分析时间对应的数据统计周期内的与所述用户帐号相对应的历史评论数据；

基于所述历史评论数据查询与所述数据统计周期相对应的评论项目列表，获取所述历史评论数据对应的评论参与比例；

获取所述历史评论数据对应的历史倾向结果和目标评论结果，获取所述历史评论数据对应的评论可用比例；

基于所述历史评论数据对应的评论参与比例和评论可用比例，获取所述用户帐号对应的评论奖励信息。

4.如权利要求1所述的软件产品测评处理方法，其特征在于，所述根据所述目标评论数据对应的所述目标关键词和所述评论时间，确定所述目标评论数据对应的问题关键词，包括：

采用词性标注工具对所述目标评论数据对应的目标关键词进行词性标注，获取每一所述目标关键词对应的词性；

将词性为预设词性的目标关键词确定为待分析关键词；

采用匹配算法对所述待分析关键词和问题关键词库中的每一预设关键词进行逐一匹配处理，获取匹配结果；

若存在所述匹配结果为匹配成功的预设关键词，则将对应的待分析关键词确定为所述目标评论数据对应的问题关键词；

若不存在所述匹配结果为匹配成功的预设关键词，则根据所述目标评论数据的评论时间查询数据库，获取所述目标评论数据的评论时间之前的包含问题关键词的最近一条历史评论数据，根据最近一条所述历史评论数据的问题关键词确定所述目标评论数据对应的问题关键词。

5.如权利要求1所述的软件产品测评处理方法，其特征在于，所述基于即时通讯工具创建安装所述产品测评平台上的任一特定软件产品对应的目标评论群，包括：

获取评论群创建请求，所述评论群创建请求包括产品标识和产品属性类型；

基于即时通讯工具，创建与所述产品标识相对应的目标评论群；

基于所述产品属性类型查询用户行为数据库，将预设时间段内与所述产品属性类型相匹配的活跃用户确定为待招募评论员；

调用语音外呼平台对所述待招募评论员进行语音访问，获取所述待招募评论员对应的语音回访结果；

若所述语音回访结果为符合评论员招募条件且有评论意愿，则将所述待招募评论员确定为目标评论员，邀请所述目标评论员加入所述目标评论群。

6.如权利要求5所述的软件产品测评处理方法，其特征在于，所述基于所述产品属性类型查询用户行为数据库，将预设时间段内与所述产品属性类型相匹配的活跃用户确定为待招募评论员，包括：

基于所述产品属性类型查询用户行为数据库，获取系统当前时间之前预设时间段内的用户行为数据确定为待分析用户数据，每一所述待分析用户数据包括一用户标识和登录时长；

将所述登录时长大于预设时长的待分析用户数据，确定为有效行为数据；

基于同一所述用户标识对应的所有所述有效行为数据，确定所述用户标识对应的目标评估指标；

若所述目标评估指标符合对应的指标评估阈值，则将所述用户标识对应的用户确定为待招募评论员。

7.如权利要求5所述的软件产品测评处理方法，其特征在于，所述调用语音外呼平台对所述待招募评论员进行语音访问，获取所述待招募评论员对应的语音回访结果，包括：

获取与所述产品属性类型相对应的标准访谈话术，将所述标准访谈话术与所述待招募评论员对应的用户标识发送给语音外呼平台，获取所述语音外呼平台返回的回访录音数据；

采用语音识别模型对所述回访录音数据进行识别，获取回访文本数据；

对所述回访文本数据进行关键词提取，获取回访关键词；

基于所述回访关键词查询评估结果对照表，获取所述待招募评论员对应的语音回访结果。

8.一种软件产品测评处理装置，其特征在于，包括：

目标评论数据获取模块，用于基于即时通讯工具创建安装在产品测评平台上的任一特定软件产品对应的目标评论群，获取所述目标评论群中任一目标评论员发表的目标评论数据和对应的评论时间，判断所述目标评论数据是否携带任务标识；

目标关键词获取模块，用于若所述目标评论数据未携带所述任务标识，则采用关键词提取算法对所述目标评论数据进行关键词提取，获取所述目标评论数据对应的目标关键词；

问题关键词获取模块，用于根据所述目标评论数据对应的所述目标关键词和所述评论时间，确定所述目标评论数据对应的问题关键词；

出现频次获取模块，用于对系统当前时间对应的评论统计周期内的所述问题关键词进行频次统计，获取所述问题关键词对应的出现频次；

高频问题确定模块，用于若所述出现频次大于预设频次阈值，则将所述问题关键词确定为高频关键词，基于包含所述高频关键词的目标评论数据确定对应的高频问题；

目标优先级获取模块，用于获取所述高频问题对应的问题发生频率和问题影响程度，依据所述问题发生频率和所述问题影响程度进行优先级分析，获取所述高频问题对应的目标优先级；

响应处理模块，用于基于所述目标优先级查询评论响应机制信息表，获取对应的评论响应机制，基于所述评论响应机制对所述高频问题进行响应处理。

9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述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计算机程序时实现如权利要求1至7任一项所述软件产品测评处理方法。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述软件产品测评处理方法。