CN110738056A - 用于生成信息的方法和装置 - Google Patents

Abstract

本申请实施例公开了用于生成信息的方法和装置。该方法的一具体实施方式包括：获取评论信息集合；对于评论信息集合中的评论信息，从该评论信息中提取出目标词，将提取出的目标词组成词组，其中，目标词包括评价对象词和评价词；对于所组成的至少一个词组中的词组，将该词组中的评价对象词和评价词输入预先训练的预测模型，得到预测结果，基于预测结果确定该词组中的评价对象词和评价词是否搭配，若搭配，则将该词组归入词组集合；基于词组集合中的词组生成观点信息。该实施方式实现了对具有较高可读性的观点信息的生成。

Description

用于生成信息的方法和装置

技术领域

本申请实施例涉及计算机技术领域，具体涉及用于生成信息的方法和装置。

背景技术

目前，现有的观点信息生成方法通常是从评论信息中抽取出评价对象词和评价词，然后直接将评价对象词和评价词组成观点信息，但该评价对象词和该评价词有可能不搭配，例如评价对象词“手机”和评价词“好吃”就是不搭配的。

发明内容

本申请实施例提出了用于生成信息的方法和装置。

第一方面，本申请实施例提供了一种用于生成信息的方法，该方法包括：获取评论信息集合；对于评论信息集合中的评论信息，从该评论信息中提取出目标词，将提取出的目标词组成词组，其中，目标词包括评价对象词和评价词；对于所组成的至少一个词组中的词组，将该词组中的评价对象词和评价词输入预先训练的预测模型，得到预测结果，基于预测结果确定该词组中的评价对象词和评价词是否搭配，若搭配，则将该词组归入词组集合，其中，预测结果包括该词组中的评价对象词和评价词之间的搭配概率，预测模型用于表征评价对象词、评价词与预测结果之间的对应关系；基于词组集合中的词组生成观点信息。

在一些实施例中，从该评论信息中提取出目标词，包括：利用以下至少一项从该评论信息中提取出词作为候选评价词：预设的评价词集合、预先训练的评价词提取模型，将提取出的候选评价词组成候选评价词集合，基于候选评价词集合，确定该评论信息所包括的评价词；利用预先训练的评价对象提取模型从该评论信息中提取出词作为候选评价对象词，将提取出的候选评价对象词组成候选评价对象词集合，基于候选评价对象词集合，确定该评论信息所包括的评价对象词。

在一些实施例中，基于候选评价词集合，确定该评论信息所包括的评价词，包括：利用预设的与评价词提取相关联的词性模板，对候选评价词集合中的候选评价词进行优化，将经优化后的候选评价词集合中的候选评价词确定为该评论信息所包括的评价词。

在一些实施例中，基于候选评价对象词集合，确定该评论信息所包括的评价对象词，包括：利用预设的与评价对象词提取相关联的词性模板，对候选评价对象词集合中的候选评价对象词进行优化，将经优化后的候选评价对象词集合中的候选评价对象词确定为该评论信息所包括的评价对象词。

在一些实施例中，基于词组集合中的词组生成观点信息，包括：对词组集合中的词组执行合并操作，得到新词组集合，将新词组集合中的词组确定为观点信息。

在一些实施例中，将所包括的词的数目为2的词组称为二元词组；以及对词组集合中的词组执行合并操作，包括：对于词组集合中的二元词组，若词组集合中存在所包括的评价词与该二元词组中的评价词相匹配的目标二元词组，则将该二元词组与目标二元词组进行合并。

在一些实施例中，上述方法还包括：将所生成的观点信息组成观点信息集合，输出观点信息集合中的观点信息。

在一些实施例中，获取评论信息集合，包括：获取与目标主题相关联的评论信息集合。

在一些实施例中，输出观点信息集合中的观点信息，包括：确定观点信息集合中的观点信息与目标主题之间的相似度；从观点信息集合中选取出与目标主题之间的相似度不低于相似度阈值的观点信息；按照相似度由大到小的顺序，输出选取出的观点信息。

第二方面，本申请实施例提供了一种用于生成信息的装置，该装置包括：获取单元，被配置成获取评论信息集合；提取单元，被配置成对于评论信息集合中的评论信息，从该评论信息中提取出目标词，将提取出的目标词组成词组，其中，目标词包括评价对象词和评价词；确定单元，被配置成对于所组成的至少一个词组中的词组，将该词组中的评价对象词和评价词输入预先训练的预测模型，得到预测结果，基于预测结果确定该词组中的评价对象词和评价词是否搭配，若搭配，则将该词组归入词组集合，其中，预测结果包括该词组中的评价对象词和评价词之间的搭配概率，预测模型用于表征评价对象词、评价词与预测结果之间的对应关系；生成单元，被配置成基于词组集合中的词组生成观点信息。

在一些实施例中，提取单元包括：第一确定子单元，被配置成利用以下至少一项从该评论信息中提取出词作为候选评价词：预设的评价词集合、预先训练的评价词提取模型，将提取出的候选评价词组成候选评价词集合，基于候选评价词集合，确定该评论信息所包括的评价词；第二确定子单元，被配置成利用预先训练的评价对象提取模型从该评论信息中提取出词作为候选评价对象词，将提取出的候选评价对象词组成候选评价对象词集合，基于候选评价对象词集合，确定该评论信息所包括的评价对象词。

在一些实施例中，第一确定子单元进一步被配置成：利用预设的与评价词提取相关联的词性模板，对候选评价词集合中的候选评价词进行优化，将经优化后的候选评价词集合中的候选评价词确定为该评论信息所包括的评价词。

在一些实施例中，第二确定子单元进一步被配置成：利用预设的与评价对象词提取相关联的词性模板，对候选评价对象词集合中的候选评价对象词进行优化，将经优化后的候选评价对象词集合中的候选评价对象词确定为该评论信息所包括的评价对象词。

在一些实施例中，生成单元包括：生成子单元，被配置成对词组集合中的词组执行合并操作，得到新词组集合，将新词组集合中的词组确定为观点信息。

在一些实施例中，将所包括的词的数目为2的词组称为二元词组；以及生成子单元进一步被配置成：对于词组集合中的二元词组，若词组集合中存在所包括的评价词与该二元词组中的评价词相匹配的目标二元词组，则将该二元词组与目标二元词组进行合并。

在一些实施例中，上述装置还包括：输出单元，被配置成将所生成的观点信息组成观点信息集合，输出观点信息集合中的观点信息。

在一些实施例中，获取单元进一步被配置成：获取与目标主题相关联的评论信息集合。

在一些实施例中，输出单元进一步被配置成：确定观点信息集合中的观点信息与目标主题之间的相似度；从观点信息集合中选取出与目标主题之间的相似度不低于相似度阈值的观点信息；按照相似度由大到小的顺序，输出选取出的观点信息。

第三方面，本申请实施例提供了一种电子设备，该电子设备包括：一个或多个处理器；存储装置，其上存储有一个或多个程序；当该一个或多个程序被该一个或多个处理器执行，使得该一个或多个处理器实现如第一方面中任一实现方式描述的方法。

第四方面，本申请实施例提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面中任一实现方式描述的方法。

本申请实施例提供的用于生成信息的方法和装置，通过获取评论信息集合，而后对于评论信息集合中的评论信息，从该评论信息中提取出目标词(包括评价对象词和评价词)，将提取出的目标词组成词组，然后对于所组成的至少一个词组中的词组，将该词组中的评价对象词和评价词输入预先训练的预测模型，得到预测结果，以便基于预测结果确定该词组中的评价对象词和评价词是否搭配，以及在确定搭配时将该词组归入词组集合。最后可以基于词组集合中的词组生成观点信息。从而有效利用了预测模型，实现了对词组中的评价对象词和评价词是否搭配的确定，进而实现了对具有较高可读性的观点信息的生成。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请的一个实施例可以应用于其中的示例性系统架构图；

图2是根据本申请的用于生成信息的方法的一个实施例的流程图；

图3是根据本申请的用于生成信息的方法的一个应用场景的示意图；

图4是根据本申请的用于生成信息的方法的又一个实施例的流程图；

图5是根据本申请的用于生成信息的装置的一个实施例的结构示意图；

图6是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出了可以应用本申请的用于生成信息的方法或用于生成信息的装置的实施例的示例性系统架构100。

如图1所示，系统架构100可以包括信息生成端101、102、103，网络104和信息存储端105。网络104用以在信息生成端101、102、103和信息存储端105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

信息生成端101、102、103可以通过网络104与信息存储端105交互，以接收或发送消息等。例如，信息生成端101、102、103可以从信息存储端105获取所需的评论信息集合，然后对该评论信息集合中的评论信息进行分析等处理，得到处理结果(例如生成的观点信息)。

信息生成端101、102、103可以是终端设备，也可以是服务器。当信息生成端101、102、103是终端设备时，该终端设备上可以安装有各种通讯客户端应用，例如网页浏览器应用、观点信息挖掘类应用等等。

信息存储端105可以是提供各种服务的服务器，例如存储有评论信息集合的服务器。

需要说明的是，本申请实施例所提供的用于生成信息的方法一般由信息生成端101、102、103执行，相应地，用于生成信息的装置一般设置于信息生成端101、102、103中。

需要指出的是，终端设备可以是硬件，也可以是软件。当终端设备为硬件时，可以是各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。

另外，服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。

实践中，若信息生成端101、102、103预先存储所需的评论信息集合，则系统架构100可以不包括信息存储端105。

应该理解，图1中的信息生成端、网络和信息存储端的数目仅仅是示意性的。根据实现需要，可以具有任意数目的信息生成端、网络和信息存储端。

继续参考图2，示出了根据本申请的用于生成信息的方法的一个实施例的流程200。该用于生成信息的方法的流程200，包括以下步骤：

步骤201，获取评论信息集合。

在本实施例中，用于生成信息的方法的执行主体(例如图1所示的信息生成端101、102、103)可以从所连接的服务器(例如图1所示的信息存储端105)获取评论信息集合，也可以从本地获取评论信息集合。其中，评论信息可以是用户针对某个主题发表的意见。例如，主题“手机A的质量如何”，针对该主题的评论信息例如可以包括“手机A的质量很好”、“手机A的质量一般吧”等等。

作为示例，上述执行主体可以定时地从本地的指定路径提取新增的评论信息，将提取出的评论信息组成评论信息集合。再例如，上述执行主体也可以从该指定路径随机提取评论信息，将提取出的评论信息组成评论信息集合。

需要说明的是，上述执行主体所获取的评论信息集合中的评论信息既可以是短文本评论信息，也可以是长文本评论信息。其中，短文本评论信息例如可以是字数不大于预设字数或包括一条语句等的评论信息。长文本评论信息例如可以是字数大于上述预设字数或包括至少两条语句等的评论信息。

步骤202，对于评论信息集合中的评论信息，从该评论信息中提取出目标词，将提取出的目标词组成词组。

在本实施例中，对于获取到的评论信息集合中的评论信息，上述执行主体可以从该评论信息中提取出目标词，以及将提取出的目标词组成词组。其中，目标词可以包括评价对象词和评价词。评价对象可以是评论信息所针对的对象。评价词可以用于表达用户对评价对象的观点。例如，对于评论信息“手机A的质量一般吧”，该评论信息所针对的评价对象可以是手机A。该评论信息中的评价对象词可以为“手机A”，评价词可以为“一般”。上述执行主体可以将该评价对象词和该评价词组成词组<手机A，一般>。

需要说明的是，对于获取到的评论信息集合中的评论信息，上述执行主体可以利用预设的评价对象词集合从该评论信息中提取出评价对象词，以及利用预设的评价词集合从该评论信息中提取出评价词。例如，上述执行主体可以从该评论信息中提取出包含在上述评价对象词集合中的词作为评价对象词。而且，上述执行主体可以从该评论信息中提取出包含在上述评价词集合中的词作为评价词。

在本实施例的一些可选的实现方式中，目标词还可以包括属性词。属性可以指评价对象的属性。以评论信息“手机A的质量很不错”为例，该评论信息中的属性词可以是“质量”。对于获取到的评论信息集合中的评论信息，上述执行主体可以利用预设的属性词集合从该评论信息中提取出属性词。例如，上述执行主体可以从该评论信息中提取出包含在该属性词集合中的词作为属性词。

在本实施例的一些可选的实现方式中，对于获取到的评论信息集合中的评论信息，上述执行主体可以先利用预先训练的评价词提取模型从该评论信息中提取出词作为候选评价词。而后上述执行主体可以基于该候选评价词确定该评论信息所包括的评价词。例如，直接将该候选评价词确定为该评论信息所包括的评价词。

需要说明的是，评价词提取模型可以用于表征评论信息与评价词之间的对应关系。评价词提取模型可以是技术人员基于对大量的评论信息和评价词的统计而预先制定的、存储有多个评论信息与评价词的对应关系的对应关系表。对于获取到的评论信息集合中的评论信息，将该评论信息作为待处理评论信息。上述执行主体可以在该对应关系表中查找与该待处理评论信息相匹配的评论信息，将查找到的评论信息所对应的评价词确定为候选评价词。需要指出的是，在本实施例中，相匹配可以指相同或相近(例如相似度达到相似度阈值)。上述执行主体例如可以采用各种文本相似度计算方法(例如余弦相似度算法、Jaccard系数等)来进行相似度计算，本实施例不对此方面内容做任何限定。

另外，评价词提取模型也可以是利用机器学习方法，基于预设的训练样本，对预设的第一循环神经网络进行训练得到的。其中，该第一循环神经网络可以是未经训练或未训练完成的循环神经网络。需要说明的是，循环神经网络(Recurrent Neural Network，RNN)的本质特征一般是在处理单元之间既有内部的反馈连接又有前馈连接。实践中，上述执行主体可以将上述待处理评论信息输入评价词提取模型，得到评价词，将该评价词作为候选评价词。

步骤203，对于所组成的至少一个词组中的词组，将该词组中的评价对象词和评价词输入预先训练的预测模型，得到预测结果，基于预测结果确定该词组中的评价对象词和评价词是否搭配，若搭配，则将该词组归入词组集合。

在本实施例中，上述执行主体在执行完步骤202后，对于所组成的至少一个词组(例如去重后的词组)中的词组，上述执行主体可以将该词组中的评价对象词和评价词输入预先训练的预测模型，得到预测结果。其中，该预测结果可以包括该词组中的评价对象词和评价词之间的搭配概率。该预测模型可以用于表征评价对象词、评价词与预测结果之间的对应关系。而后，上述执行主体可以基于所得的预测结果，确定该词组中的评价对象词和评价词是否搭配。若搭配，则上述执行主体可以将该词组归入词组集合。例如，上述执行主体可以将该预测结果中的概率与概率阈值(例如0.5等)进行比较。若该概率不低于概率阈值，则上述执行主体可以确定该词组中的评价对象词和评价词搭配；否则，上述执行主体可以确定该词组中的评价对象词和评价词不搭配。

需要说明的是，预测模型可以是技术人员基于对大量的词对(评价对象词-评价词对)和预测结果的统计而预先制定的、存储有多个词对与预测结果的对应关系的对应关系表。对于上述至少一个词组中的词组，上述执行主体可以在该对应关系表中查找与该词组中的评价对象词和评价词相匹配的词对，将查找到的词对所对应的预测结果确定为该词组中的评价对象词和评价词所对应的预测结果。

另外，预测模型也可以是利用机器学习方法，基于预设的训练样本，对初始模型进行训练得到的。其中，该初始模型可以是未经训练或未训练完成的循环神经网络或卷积神经网络(Convolutional Neural Network，CNN)等。

步骤204，基于词组集合中的词组生成观点信息。

在本实施例中，上述执行主体可以基于上述词组集合中的词组生成观点信息。例如，上述执行主体可以将上述词组集合中的词组确定为观点信息。

再例如，上述执行主体可以将上述词组集合中的包含相同评价对象词的词组进行合并。以词组<手机A，很好>和词组<手机A，便宜>为例，上述执行主体可以将这两个词组合并为<手机A，很好，便宜>。

继续参见图3，图3是根据本实施例的用于生成信息的方法的应用场景的一个示意图。在图3的应用场景中，服务器301可以定时地执行上述流程200。当指定的时刻到来时，服务器301可以从服务器302获取评论信息集合，其中，评论信息集合可以包括评论信息“手机A比较耐用”、“平板电脑B很苗条”。

而后，服务器301可以从评论信息“手机A比较耐用”中提取出评价对象词“手机A”和评价词“耐用”，组成词组<手机A，耐用>，如标号303所示。服务器301还可以从评论信息“平板电脑B很苗条”中提取出评价对象词“平板电脑B”和评价词“苗条”，组成词组<平板电脑B，苗条>，如标号304所示。

然后，服务器301可以将词组<手机A，耐用>中的评价对象词“手机A”和评价词“耐用”输入预先训练的预测模型，得到预测结果305，预测结果305可以包括评价对象词“手机A”和评价词“耐用”之间的搭配概率0.9。服务器301可以将0.9与预设的概率阈值0.5进行比较，确定0.9不低于0.5，进而服务器301可以确定评价对象词“手机A”和评价词“耐用”搭配，服务器301可以将词组<手机A，耐用>归入词组集合306。服务器301还可以将词组<平板电脑B，苗条>中的评价对象词“平板电脑B”和评价词“苗条”输入上述预测模型，得到预测结果307，预测结果307可以包括评价对象词“平板电脑B”和评价词“苗条”之间的搭配概率0.2。服务器301可以将0.2与0.5进行比较，确定0.2低于0.5，进而服务器301可以确定评价对象词“平板电脑B”和评价词“苗条”不搭配，因此，服务器301可以不将词组<平板电脑B，苗条>归入词组集合306。

最后，服务器301可以将词组集合306中的词组<手机A，耐用>确定为观点信息308。

本申请的上述实施例提供的方法，有效利用了预测模型，实现了对词组中的评价对象词和评价词是否搭配的确定，进而实现了对具有较高可读性的观点信息的生成。

进一步参考图4，其示出了用于生成信息的方法的又一个实施例的流程400。该用于生成信息的方法的流程400，包括以下步骤：

步骤401，获取与目标主题相关联的评论信息集合。

在本实施例中，用于生成信息的方法的执行主体(例如图1所示的信息生成端101、102、103)可以从所连接的服务器(例如图1所示的信息存储端105)获取与目标主题相关联的评论信息集合，也可以从本地获取该评论信息集合。其中，评论信息可以是用户针对某个主题发表的意见。例如，主题“手机A的质量如何”，针对该主题的评论信息例如可以包括“手机A的质量很好”、“手机A的质量一般吧”等等。

需要说明的是，上述执行主体可以响应于接收到观点信息生成指令而执行步骤401。其中，该观点信息生成指令可以是用于指示生成与某个主题相关联的观点信息的观点信息指令。因而，目标主题可以是上述执行主体接收到的观点信息生成指令所指示的主题。另外，上述执行主体也可以定时地执行步骤401。故而目标主题也可以是预先设定的主题。本实施例不对此方面内容做任何限定。

需要指出的是，上述执行主体本地或上述服务器可以预先存储第一对应关系表。第一对应关系表可以用于表征主题与评论信息集合之间的对应关系。第一对应关系表例如可以包括主题和与该主题对应的评论信息集合的集合标识。上述执行主体可以在第一对应关系表中查找与目标主题相匹配的主题，将查找到的主题所关联的集合标识所指示的评论信息集合确定为与目标主题相关联的评论信息集合。上述执行主体可以基于该集合标识获取该评论信息集合。

步骤402，对于评论信息集合中的评论信息，执行以下词组生成操作：利用预设的评价词集合和预先训练的评价词提取模型，从该评论信息中提取出词作为候选评价词，将提取出的候选评价词组成候选评价词集合，基于候选评价词集合，确定该评论信息所包括的评价词；利用预先训练的评价对象提取模型从该评论信息中提取出词作为候选评价对象词，将提取出的候选评价对象词组成候选评价对象词集合，基于候选评价对象词集合，确定该评论信息所包括的评价对象词；将所确定的评价对象词和评价词组成词组。

在本实施例中，对于获取到的评论信息集合中的评论信息，将该评论信息作为待处理评论信息，上述执行主体可以执行以下词组生成操作：

第一步，上述执行主体可以利用预设的评价词集合和预先训练的评价词提取模型，从上述待处理评论信息中提取出词作为候选评价词。而后上述执行主体可以将提取出的候选评价词组成候选评价词集合。然后上述执行主体可以基于候选评价词集合，确定上述待处理评论信息所包括的评价词。例如，上述执行主体可以将该候选评价词集合中的候选评价词确定为上述待处理评论信息所包括的评价词。

再例如，上述执行主体可以利用预设的与评价词提取相关联的词性模板，对该候选评价词集合中的候选评价词进行优化，将经优化后的候选评价词集合中的候选评价词确定为上述待处理评论信息所包括的评价词。需要说明的是，该词性模板例如可以包括评价词的词性组合。例如，有的评价词的词性组合是“副词+形容词”。以评价词“非常不错”为例，其中“非常”的词性可以是副词，“不错”的词性可以是形容词。假设上述待处理评论信息为“手机A非常不错”，从该评论信息中提取出的评价词为“不错”。该词性模板包括词性组合“副词+形容词”。上述执行主体基于该词性组合，可以从上述待处理评论信息中提取出“非常”，将评价词“不错”优化为“非常不错”。这样，可以提高评价词的准确度。应该理解，该词性模板可以包括至少一种词性组合，本实施例不对此方面内容做任何限定。

这里，针对评价词集合和评价词提取模型的解释说明，可参看图2所示实施例中的相关说明，在此不再赘述。需要指出的是，利用评价词集合和评价词提取模型进行候选评价词提取，可以有助于提高从评论信息中提取出的评价词的全面性。

第二步，上述执行主体可以利用预先训练的评价对象提取模型从上述待处理评论信息中提取出词作为候选评价对象词。而后上述执行主体可以将提取出的候选评价对象词组成候选评价对象词集合。然后上述执行主体可以基于候选评价对象词集合，确定上述待处理评论信息所包括的评价对象词。例如，上述执行主体可以直接将该候选评价对象词集合中的候选评价对象词确定为上述待处理评论信息所包括的评价对象词。

再例如，上述执行主体可以利用预设的与评价对象词提取相关联的词性模板，对该候选评价对象词集合中的候选评价对象词进行优化，将经优化后的候选评价对象词集合中的候选评价对象词确定为上述待处理评论信息所包括的评价对象词。其中，该词性模板例如可以包括评价对象词的词性组合。作为示例，该词性模板例如可以包括词性组合“名词+名词”、“副词+名词”等。以评价对象词“手机屏幕”为例，该评价对象词的词性组合可以为“名词+名词”。其中，“手机”和“屏幕”的词性均为名词。再以评价对象词“有限公司”为例，该评价对象词的词性组合可以为“副词+名词”。其中，“有限”的词性可以为副词。“公司”的词性可以为名词。

假设上述待处理评论信息为“手机屏幕很大”，提取出的评价对象词为“屏幕”，上述执行主体通过对该词性模板的利用，可以从上述待处理评论信息中提取出“手机”，进而将评价对象词“屏幕”优化为“手机屏幕”。这样可以提高评价对象词的准确度。

需要说明的是，上述评价对象提取模型可以用于表征评论信息与评价对象词之间的对应关系。上述评价对象提取模型可以是技术人员基于对大量的评论信息和评价对象词的统计而预先制定的、存储有多个评论信息与评价对象词的对应关系的对应关系表。上述执行主体可以在该对应关系表中查找与上述待处理评论信息相匹配的评论信息，将查找到的评论信息所对应的评价对象词确定为候选评价对象词。

另外，上述评价对象提取模型也可以是利用机器学习方法，基于预设的训练样本，对预设的第二循环神经网络进行训练得到的。其中，该第二循环神经网络可以是未经训练或未训练完成的循环神经网络。实践中，上述执行主体可以将上述待处理评论信息输入上述评价对象提取模型，得到评价对象词，将该评价对象词作为候选评价对象词。

第三步，上述执行主体可以将所确定的评价对象词和评价词组成词组。作为示例，假设上述执行主体所确定的评价对象词为“手机屏幕”，评价词为“很大”，上述执行主体可以将该评价对象词和该评价词组成词组<手机屏幕，很大>。

步骤403，对于所组成的至少一个词组中的词组，将该词组中的评价对象词和评价词输入预先训练的预测模型，得到预测结果，基于预测结果确定该词组中的评价对象词和评价词是否搭配，若搭配，则将该词组归入词组集合。

在本实施例中，针对步骤403的解释说明，可参看图2所示实施例的步骤203的相关说明，在此不再赘述。

步骤404，对词组集合中的词组执行合并操作，得到新词组集合，将新词组集合中的词组确定为观点信息。

在本实施例中，上述执行主体可以对上述词组集合中的词组执行合并操作，得到新词组集合。上述执行主体可以将新词组集合中的词组确定为观点信息。

这里，将所包括的词的数目为2的词组称为二元词组。上述执行主体可以执行以下合并操作：对于上述词组集合中的二元词组，若上述词组集合中存在所包括的评价词与该二元词组中的评价词相匹配的目标二元词组，则将该二元词组和目标二元词组合进行合并。

作为示例，假设上述词组集合为{<手机A，耐用>，<平板电脑B，耐用>，<手机A，喜欢>，<电池，耐用>}。上述执行主体在对二元词组<手机A，耐用>进行分析时，可以确定上述词组集合中存在与词组<手机A，耐用>包括相同评价词“耐用”的目标二元词组，即<平板电脑B，耐用>和<电池，耐用>。这时，上述执行主体可以将二元词组<手机A，耐用>和与其位置临近的目标二元词组<平板电脑B，耐用>合并为三元词组<手机A，平板电脑B，耐用>。

步骤405，将所确定的观点信息组成观点信息集合，输出观点信息集合中的观点信息。

在本实施例中，上述执行主体可以将在步骤404中确定的观点信息组成观点信息集合。然后上述执行主体可以输出该观点信息集合中的观点信息。例如，输出该观点信息集合中的每条观点信息。这里，上述执行主体可以将观点信息输出至显示屏上或者指定的文件中等，本实施例不对此方面内容做任何限定。

可选地，上述执行主体可以计算出上述观点信息集合中的观点信息与上述目标主题之间的相似度。而后上述执行主体可以从上述观点信息集合中选取出与上述目标主题之间的相似度不低于相似度阈值的观点信息。然后上述执行主体可以按照相似度由大到小的顺序，输出选取出的观点信息。

从图4中可以看出，与图2对应的实施例相比，本实施例中的用于生成信息的方法的流程400突出了对与目标主题相关联的评论信息集合进行获取的步骤，基于预设的评价词集合和预先训练的评价词提取模型对评论信息集合中的评论信息进行评价词提取、以及基于预先训练的评价对象提取模型对该评论信息进行评价对象词提取的步骤，对词组集合中的词组执行合并操作的步骤，以及对观点信息进行输出的步骤。由此，本实施例描述的方案可以提高提取出的评价对象词和评价词的全面性和准确度，还可以实现对具有较高可读性的观点信息的输出。

进一步参考图5，作为对上述各图所示方法的实现，本申请提供了一种用于生成信息的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图5所示，本实施例的用于生成信息的装置500包括：获取单元501被配置成获取评论信息集合；提取单元502被配置成对于评论信息集合中的评论信息，从该评论信息中提取出目标词，将提取出的目标词组成词组，其中，目标词可以包括评价对象词和评价词；确定单元503被配置成对于所组成的至少一个词组中的词组，将该词组中的评价对象词和评价词输入预先训练的预测模型，得到预测结果，基于预测结果确定该词组中的评价对象词和评价词是否搭配，若搭配，则将该词组归入词组集合，其中，预测结果可以包括该词组中的评价对象词和评价词之间的搭配概率，预测模型可以用于表征评价对象词、评价词与预测结果之间的对应关系；生成单元504被配置成基于词组集合中的词组生成观点信息。

在本实施例中，用于生成信息的装置500中：获取单元501、提取单元502、确定单元503和生成单元504的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201、步骤202、步骤203和步骤204的相关说明，在此不再赘述。

在本实施例的一些可选的实现方式中，提取单元502可以包括：第一确定子单元(图中未示出)，被配置成利用以下至少一项从该评论信息中提取出词作为候选评价词：预设的评价词集合、预先训练的评价词提取模型，将提取出的候选评价词组成候选评价词集合，基于候选评价词集合，确定该评论信息所包括的评价词；第二确定子单元(图中未示出)，被配置成利用预先训练的评价对象提取模型从该评论信息中提取出词作为候选评价对象词，将提取出的候选评价对象词组成候选评价对象词集合，基于候选评价对象词集合，确定该评论信息所包括的评价对象词。

在本实施例的一些可选的实现方式中，第一确定子单元可以进一步被配置成：利用预设的与评价词提取相关联的词性模板，对候选评价词集合中的候选评价词进行优化，将经优化后的候选评价词集合中的候选评价词确定为该评论信息所包括的评价词。

在本实施例的一些可选的实现方式中，第二确定子单元可以进一步被配置成：利用预设的与评价对象词提取相关联的词性模板，对候选评价对象词集合中的候选评价对象词进行优化，将经优化后的候选评价对象词集合中的候选评价对象词确定为该评论信息所包括的评价对象词。

在本实施例的一些可选的实现方式中，生成单元504可以包括：生成子单元(图中未示出)，被配置成对词组集合中的词组执行合并操作，得到新词组集合，将新词组集合中的词组确定为观点信息。

在本实施例的一些可选的实现方式中，将所包括的词的数目为2的词组称为二元词组；以及生成子单元可以进一步被配置成：对于词组集合中的二元词组，若词组集合中存在所包括的评价词与该二元词组中的评价词相匹配的目标二元词组，则将该二元词组与目标二元词组进行合并。

在本实施例的一些可选的实现方式中，上述装置500还可以包括：输出单元(图中未示出)，被配置成将所生成的观点信息组成观点信息集合，输出观点信息集合中的观点信息。

在本实施例的一些可选的实现方式中，获取单元501可以进一步被配置成：获取与目标主题相关联的评论信息集合。

在本实施例的一些可选的实现方式中，输出单元可以进一步被配置成：确定观点信息集合中的观点信息与目标主题之间的相似度；从观点信息集合中选取出与目标主题之间的相似度不低于相似度阈值的观点信息；按照相似度由大到小的顺序，输出选取出的观点信息。

本申请的上述实施例提供的装置，有效利用了预测模型，实现了对词组中的评价对象词和评价词是否搭配的确定，进而实现了对具有较高可读性的观点信息的生成。

下面参考图6，其示出了适于用来实现本申请实施例的电子设备(例如图1所示的信息生成端101、102、103)的计算机系统600的结构示意图。图6示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图6所示，计算机系统600包括中央处理单元(CPU)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有系统600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

以下部件连接至I/O接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时，执行本申请的系统中限定的上述功能。

需要说明的是，本申请所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，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申请的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计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或信息存储端上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)-连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、提取单元、确定单元和生成单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取评论信息集合的单元”。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该电子设备执行时，使得该电子设备：获取评论信息集合；对于评论信息集合中的评论信息，从该评论信息中提取出目标词，将提取出的目标词组成词组，其中，目标词可以包括评价对象词和评价词；对于所组成的至少一个词组中的词组，将该词组中的评价对象词和评价词输入预先训练的预测模型，得到预测结果，基于预测结果确定该词组中的评价对象词和评价词是否搭配，若搭配，则将该词组归入词组集合，其中，预测结果可以包括该词组中的评价对象词和评价词之间的搭配概率，预测模型用于表征评价对象词、评价词与预测结果之间的对应关系；基于词组集合中的词组生成观点信息。

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

Claims (20)

1.一种用于生成信息的方法，包括：

获取评论信息集合；

对于所述评论信息集合中的评论信息，从该评论信息中提取出目标词，将提取出的目标词组成词组，其中，目标词包括评价对象词和评价词；

对于所组成的至少一个词组中的词组，将该词组中的评价对象词和评价词输入预先训练的预测模型，得到预测结果，基于预测结果确定该词组中的评价对象词和评价词是否搭配，若搭配，则将该词组归入词组集合，其中，预测结果包括该词组中的评价对象词和评价词之间的搭配概率，所述预测模型用于表征评价对象词、评价词与预测结果之间的对应关系；

基于所述词组集合中的词组生成观点信息。

2.根据权利要求1所述的方法，其中，所述从该评论信息中提取出目标词，包括：

利用以下至少一项从该评论信息中提取出词作为候选评价词：预设的评价词集合、预先训练的评价词提取模型，将提取出的候选评价词组成候选评价词集合，基于所述候选评价词集合，确定该评论信息所包括的评价词；

利用预先训练的评价对象提取模型从该评论信息中提取出词作为候选评价对象词，将提取出的候选评价对象词组成候选评价对象词集合，基于所述候选评价对象词集合，确定该评论信息所包括的评价对象词。

3.根据权利要求2所述的方法，其中，所述基于所述候选评价词集合，确定该评论信息所包括的评价词，包括：

利用预设的与评价词提取相关联的词性模板，对所述候选评价词集合中的候选评价词进行优化，将经优化后的候选评价词集合中的候选评价词确定为该评论信息所包括的评价词。

4.根据权利要求2所述的方法，其中，所述基于所述候选评价对象词集合，确定该评论信息所包括的评价对象词，包括：

利用预设的与评价对象词提取相关联的词性模板，对所述候选评价对象词集合中的候选评价对象词进行优化，将经优化后的候选评价对象词集合中的候选评价对象词确定为该评论信息所包括的评价对象词。

5.根据权利要求1所述的方法，其中，所述基于所述词组集合中的词组生成观点信息，包括：

对所述词组集合中的词组执行合并操作，得到新词组集合，将所述新词组集合中的词组确定为观点信息。

6.根据权利要求5所述的方法，其中，将所包括的词的数目为2的词组称为二元词组；以及

所述对所述词组集合中的词组执行合并操作，包括：

对于所述词组集合中的二元词组，若所述词组集合中存在所包括的评价词与该二元词组中的评价词相匹配的目标二元词组，则将该二元词组与所述目标二元词组进行合并。

7.根据权利要求1所述的方法，其中，所述方法还包括：

将所生成的观点信息组成观点信息集合，输出所述观点信息集合中的观点信息。

8.根据权利要求1-7之一所述的方法，其中，所述获取评论信息集合，包括：

获取与目标主题相关联的评论信息集合。

9.根据权利要求8所述的方法，其中，所述输出所述观点信息集合中的观点信息，包括：

确定所述观点信息集合中的观点信息与所述目标主题之间的相似度；

从所述观点信息集合中选取出与所述目标主题之间的相似度不低于相似度阈值的观点信息；

按照相似度由大到小的顺序，输出选取出的观点信息。

10.一种用于生成信息的装置，包括：

获取单元，被配置成获取评论信息集合；

提取单元，被配置成对于所述评论信息集合中的评论信息，从该评论信息中提取出目标词，将提取出的目标词组成词组，其中，目标词包括评价对象词和评价词；

确定单元，被配置成对于所组成的至少一个词组中的词组，将该词组中的评价对象词和评价词输入预先训练的预测模型，得到预测结果，基于预测结果确定该词组中的评价对象词和评价词是否搭配，若搭配，则将该词组归入词组集合，其中，预测结果包括该词组中的评价对象词和评价词之间的搭配概率，所述预测模型用于表征评价对象词、评价词与预测结果之间的对应关系；

生成单元，被配置成基于所述词组集合中的词组生成观点信息。

11.根据权利要求10所述的装置，其中，所述提取单元包括：

第一确定子单元，被配置成利用以下至少一项从该评论信息中提取出词作为候选评价词：预设的评价词集合、预先训练的评价词提取模型，将提取出的候选评价词组成候选评价词集合，基于所述候选评价词集合，确定该评论信息所包括的评价词；

第二确定子单元，被配置成利用预先训练的评价对象提取模型从该评论信息中提取出词作为候选评价对象词，将提取出的候选评价对象词组成候选评价对象词集合，基于所述候选评价对象词集合，确定该评论信息所包括的评价对象词。

12.根据权利要求11所述的装置，其中，所述第一确定子单元进一步被配置成：

利用预设的与评价词提取相关联的词性模板，对所述候选评价词集合中的候选评价词进行优化，将经优化后的候选评价词集合中的候选评价词确定为该评论信息所包括的评价词。

13.根据权利要求11所述的装置，其中，所述第二确定子单元进一步被配置成：

利用预设的与评价对象词提取相关联的词性模板，对所述候选评价对象词集合中的候选评价对象词进行优化，将经优化后的候选评价对象词集合中的候选评价对象词确定为该评论信息所包括的评价对象词。

14.根据权利要求10所述的装置，其中，所述生成单元包括：

生成子单元，被配置成对所述词组集合中的词组执行合并操作，得到新词组集合，将所述新词组集合中的词组确定为观点信息。

15.根据权利要求14所述的装置，其中，将所包括的词的数目为2的词组称为二元词组；以及

所述生成子单元进一步被配置成：

对于所述词组集合中的二元词组，若所述词组集合中存在所包括的评价词与该二元词组中的评价词相匹配的目标二元词组，则将该二元词组与所述目标二元词组进行合并。

16.根据权利要求10所述的装置，其中，所述装置还包括：

输出单元，被配置成将所生成的观点信息组成观点信息集合，输出所述观点信息集合中的观点信息。

17.根据权利要求10-16之一所述的装置，其中，所述获取单元进一步被配置成：

获取与目标主题相关联的评论信息集合。

18.根据权利要求17所述的装置，其中，所述输出单元进一步被配置成：

确定所述观点信息集合中的观点信息与所述目标主题之间的相似度；

从所述观点信息集合中选取出与所述目标主题之间的相似度不低于相似度阈值的观点信息；

按照相似度由大到小的顺序，输出选取出的观点信息。

19.一种电子设备，包括：

一个或多个处理器；

存储装置，其上存储有一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-9中任一所述的方法。

20.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-9中任一所述的方法。

Images