CN111144122A - 评价处理方法、装置和计算机系统及介质 - Google Patents

Abstract

本公开提供了一种评论处理方法，包括：对接收的评论进行预处理，得到属性词；基于所述属性词与相邻的形容词之间的距离确定评价词，得到评价单元，所述评价单元至少包括一组属性词和评价词；以及至少基于所述评价单元的评价词获取所述评论的情感倾向。本公开另一方面还提供了一种评论处理装置、一种计算机系统和一种计算机可读存储介质。

Description

评价处理方法、装置和计算机系统及介质

技术领域

本公开涉及互联网技术领域，更具体地，涉及一种评价处理方法、装置和计算机系统及介质。

背景技术

互联网早已成为人们生活中的一部分，几乎所有的互联网形式都提供用户评论功能。真实且有价值的用户评论可以在很大程度上帮助其它用户了解被评价对象。这里的被评价对象可以是某个物品，也可以是某个服务项目。

在实现本公开构思的过程中，发明人发现现有技术中至少存在如下问题：并不是所有用户都能从评论中收益，经分析是由于互联网用户群体很大，发表的评论的数量、评论的字数往往很多，而用户已经习惯于碎片化阅读，用户很难在时间允许范围内发现并理解评论中要表达的核心观点。因此，需要通过具体方法将评论中的核心重要观点挖掘出来，以便让有价值的信息能够更有效地呈现给用户。

发明内容

有鉴于此，本公开提供了一种便于将评论中的核心重要观点挖掘出来，使得评价中有价值的信息能够更有效地呈现给用户的评价处理方法、装置和计算机系统及介质。

本公开的一个方面提供了一种评价处理方法，包括：首先，对接收的评论进行预处理，得到属性词，然后，基于所述属性词与相邻的形容词之间的距离确定评价词，得到评价单元，所述评价单元至少包括一组属性词和评价词，接着，至少基于所述评价单元的评价词获取所述评论的情感倾向。由于基于所述属性词与相邻的形容词之间的距离确定评价词，可以实现对没有直接与属性词相邻的评价词的识别，提高评价词的识别的准确度，进而提高确定的情感倾向的准确度，便于用户直接得到评论的情感倾向。

根据本公开的实施例，所述对接收的评论进行预处理，得到属性词可以包括如下操作：首先，至少基于第一分词工具对所述评论进行分词，得到词以及对应的词性，其中，所述词性包括名词，所述第一分词工具为基于FudanNLP分词工具进行源码级别二次开发扩展出补充字典功能的分词工具，该补充字典包括评论中常用术语，然后，利用词性为名词的词在属性词库中进行匹配得到属性词。

根据本公开的实施例，所述属性词库为属性词聚类库，每一聚类具有一个基准属性词或者一个基准属性词和至少一个相似属性词，所述利用词性为名词的词在属性词库中进行匹配得到属性词可以包括利用词性为名词的词在所述属性词聚类库中进行匹配得到属性词。

根据本公开的实施例，所述词性包括名词、否定副词和形容词，对于接收的评论中的一条评论，所述基于所述属性词与相邻的形容词之间的距离确定评价词，得到评价单元可以包括如下操作：首先，对所述一条评论的词进行遍历，将第一个属性词作为待选属性词，然后，遍历所述待选属性词之后指定个数的词，其中，如果遍历到形容词之前先遍历到另一个属性词，将所述另一个属性词作为待选属性词，如果遍历到形容词之前先遍历到语义边界，将所述语义边界之后的第一个属性词作为待选属性词，重复遍历所述待选属性词之后指定个数的词，直至所述待选属性词之后指定个数的词中遍历到形容词，将所述待选属性词作为属性词，将所述形容词作为评价词，接着，如果所述属性词和所述评价词之间不包括否定副词，则所述评价单元包括所述属性词和所述评价词，然后，如果所述属性词和所述评价词之间包括否定副词，则所述评价单元包括所述属性词、否定副词和所述评价词。

根据本公开的实施例，所述至少基于所述评价单元的评价词获取所述评论的情感倾向可以包括如下操作：首先，将所述评价单元在属性情感库中进行匹配，得到所述评价单元的情感倾向，所述感情倾向包括：正面、负面和中性，其中，所述属性情感库包括至少一组属性词、评价词和感情倾向标识，并且/或者，所述属性情感库包括至少一组属性词、否定副词、评价词和感情倾向标识，然后，将所述评价单元的情感倾向作为所述评论的情感倾向。

根据本公开的实施例，所述方法还可以包括如下操作：首先，如果所述评价单元在所述属性情感库中没有匹配结果，则发送所述评价单元，然后，响应于接收到第一指令，根据所述第一指令确定所述评价单元的情感倾向，所述第一指令包括情感倾向信息，接着，利用没有匹配结果的评价单元及对应的情感倾向更新所述属性情感库。

根据本公开的实施例，所述至少基于所述评价单元的评价词获取所述评论的情感倾向可以包括如下操作：首先，将所述评价单元中的形容词在情感词库中进行匹配，得到所述评价单元中的形容词的情感倾向，所述情感倾向包括：正面、负面和中性，然后，如果所述评价单元中包括否定副词，则所述评价单元的情感倾向与所述评价单元中的形容词的情感倾向相反，如果所述评价单元中不包括否定副词，则所述评价单元的情感倾向与所述评价单元中的形容词的情感倾向相同，接着，将所述评价单元的情感倾向作为所述评论的情感倾向。

根据本公开的实施例，所述方法还可以包括如下操作：在获取所述评论的情感倾向之后，发送所述评论的情感倾向以便于终端进行展示，具体地，可以包括如下操作：首先，获取至少一个评论的评价单元的属性词，然后，根据所述属性词的数量按照降序进行排序，得到指定个数属性词，接着，分别获取所述指定个数属性词中每个属性词对应的正面的情感倾向的数量和负面的情感倾向的数量，然后，发送所述指定个数属性词及对应的正面的情感倾向的数量和负面的情感倾向的数量以便于终端进行可视化展示。

根据本公开的实施例，所述方法还可以包括如下操作：首先，如果在发送所述评论的情感倾向之后接收到第二指令，所述第二指令包括属性词信息和情感倾向信息，然后，响应于接收到所述评价词，发送所述属性词信息和情感倾向信息中的属性词和情感倾向对应的至少一个评论以便于终端进行展示，其中，所述至少一个评论的评价单元以不同于所述至少一个评论的其余词的展示方式进行展示。

根据本公开的实施例，所述词性包括停用词，所述方法还可以包括如下操作：在得到词以及对应的词性之后，过滤停用词。

本公开的另一个方面提供了一种评论处理装置，包括属性词获取模块、评价单元获取模块和情感倾向获取模块，其中，所述属性词获取模块用于对接收的评论进行预处理，得到属性词，所述评价单元获取模块用于基于所述属性词与相邻的形容词之间的距离确定评价词，得到评价单元，所述评价单元至少包括一组属性词和评价词，所述情感倾向获取模块用于至少基于所述评价单元的评价词获取所述评论的情感倾向。

根据本公开的实施例，所述属性词获取模块可以包括分词单元和属性词获取单元，其中，所述分词单元用于至少基于第一分词工具对所述评论进行分词，得到词以及对应的词性，其中，所述词性包括名词，所述第一分词工具为基于FudanNLP分词工具进行源码级别二次开发扩展出补充字典功能的分词工具，该补充字典包括评论中常用术语，所述属性词获取单元用于利用词性为名词的词在属性词库中进行匹配得到属性词。

根据本公开的实施例，所述属性词库为属性词聚类库，每一聚类具有一个基准属性词或者一个基准属性词和至少一个相似属性词，所述属性词获取单元具体用于利用词性为名词的词在所述属性词聚类库中进行匹配得到属性词。

根据本公开的实施例，所述词性包括名词、否定副词和形容词，对于接收的评论中的一条评论，所述评价单元获取模块可以包括：待选属性词获取单元、遍历单元、评价词获取单元、第一评价单元获取单元和第二评价单元获取单元。其中，所述待选属性词获取单元用于对所述一条评论的词进行遍历，将第一个属性词作为待选属性词，所述遍历单元用于遍历所述待选属性词之后指定个数的词，其中，如果遍历到形容词之前先遍历到另一个属性词，将所述另一个属性词作为待选属性词，如果遍历到形容词之前先遍历到语义边界，将所述语义边界之后的第一个属性词作为待选属性词，所述评价词获取单元用于重复遍历所述待选属性词之后指定个数的词，直至所述待选属性词之后指定个数的词中遍历到形容词，将所述待选属性词作为属性词，将所述形容词作为评价词，所述第一评价单元获取单元用于如果所述属性词和所述评价词之间不包括否定副词，则所述评价单元包括所述属性词和所述评价词，所述第二评价单元获取单元用于如果所述属性词和所述评价词之间包括否定副词，则所述评价单元包括所述属性词、否定副词和所述评价词。

根据本公开的实施例，所述情感倾向获取模块可以包括：第一匹配单元和第一情感倾向获取单元，其中，所述第一匹配单元用于将所述评价单元在属性情感库中进行匹配，得到所述评价单元的情感倾向，所述感情倾向包括：正面、负面和中性，其中，所述属性情感库包括至少一组属性词、评价词和感情倾向标识，并且/或者，所述属性情感库包括至少一组属性词、否定副词、评价词和感情倾向标识，所述第一情感倾向获取单元用于将所述评价单元的情感倾向作为所述评论的情感倾向。

根据本公开的实施例，所述装置还可以包括第一发送模块、第一接收模块和更新模块，其中，所述第一发送模块用于如果所述评价单元在所述属性情感库中没有匹配结果，则发送所述评价单元，所述第一接收模块用于响应于接收到第一指令，根据所述第一指令确定所述评价单元的情感倾向，所述第一指令包括情感倾向信息，所述更新模块用于利用没有匹配结果的评价单元及对应的情感倾向更新所述属性情感库。

根据本公开的实施例，所述情感倾向获取模块可以包括：第二匹配单元、第二情感倾向获取单元和第三情感倾向获取单元，其中，所述第二匹配单元用于将所述评价单元中的形容词在情感词库中进行匹配，得到所述评价单元中的形容词的情感倾向，所述情感倾向包括：正面、负面和中性，所述第二情感倾向获取单元用于如果所述评价单元中包括否定副词，则所述评价单元的情感倾向与所述评价单元中的形容词的情感倾向相反，如果所述评价单元中不包括否定副词，则所述评价单元的情感倾向与所述评价单元中的形容词的情感倾向相同，所述第三情感倾向获取单元用于将所述评价单元的情感倾向作为所述评论的情感倾向。

根据本公开的实施例，所述装置还可以包括第二发送模块，所述第二发送模块用于在获取所述评论的情感倾向之后，发送所述评论的情感倾向以便于终端进行展示，具体地，所述第二发送模块可以包括：第一获取单元、排序单元、第二获取单元和发送单元，其中，所述第一获取单元用于获取至少一个评论的评价单元的属性词，所述排序单元用于根据所述属性词的数量按照降序进行排序，得到指定个数属性词，所述第二获取单元用于分别获取所述指定个数属性词中每个属性词对应的正面的情感倾向的数量和负面的情感倾向的数量，所述发送单元用于发送所述指定个数属性词及对应的正面的情感倾向的数量和负面的情感倾向的数量以便于终端进行展示。

根据本公开的实施例，所述装置还可以包括：第二接收模块和第三发送模块，其中，所述第二接收模块用于如果在发送所述评论的情感倾向之后接收到第二指令，所述第二指令包括属性词信息和情感倾向信息，所述第三发送模块用于响应于接收到所述评价词，发送所述属性词信息和情感倾向信息中的属性词和情感倾向对应的至少一个评论以便于终端进行展示，其中，所述至少一个评论的评价单元以不同于所述至少一个评论的其余词的展示方式进行展示。

根据本公开的实施例，所述词性包括停用词，所述装置还可以包括过滤模块，其中，所述过滤模块用于在得到词以及对应的词性之后，过滤停用词。

本公开的另一方面提供了一种计算机系统，包括：一个或多个处理器，以及存储装置，所述存储装置用于存储可执行指令，所述可执行指令在被所述处理器执行时，实现如上所述的方法。

本公开的另一方面提供了一种计算机可读存储介质，存储有计算机可执行指令，所述指令在被执行时用于实现如上所述的方法。

本公开的另一方面提供了一种计算机程序，所述计算机程序包括计算机可执行指令，所述指令在被执行时用于实现如上所述的方法。

根据本公开的实施例，可以至少部分地解决用户已经习惯于碎片化阅读，用户很难在时间允许范围内发现并理解评论中要表达的核心观点的问题，并因此可以实现便于让有价值的信息能够更有效地呈现给用户的技术效果。

根据本公开的实施例，现有技术中往往只能识别紧挨着属性词后面的评价词，而当属性词和评价词中间还有其它词语时，识别效果不好。如“价格比想象的贵”，则难以很好地识别出“价格贵”这个核心观点，利用本公开的技术方案可以至少部分解决上述问题，有助于提升评价词识别的准确率。

根据本公开的实施例，现有技术中定义评论对象(属性词)方面对人工依赖较高，而人工方式难以穷尽所有属性词。如属性中会有颜色、尺寸等；另一方面汉语中的近义词很丰富，形容价格的词除了“价格”本身，还有“价钱”、“价位”、“性价比”等变体。本公开提供的方案通过聚类的方式有效提升了属性词库的覆盖面，有助于提升属性词识别的准确率。

根据本公开的实施例，现有技术中往往会忽略评价词前面修饰词的作用，特别是对情感倾向有影响的否定修饰词，这样会导致情感倾向识别结果与实际不一致，甚至相反。本公开提供的方案通过否定副词识别的方式有效提升了确定的情感倾向的准确率。

根据本公开的实施例，对于像“价格高”这样的标签，评价词“高”本身无明显情感倾向，因此与情感词典匹配不会有正负面返回结果，但很明显对于“价格”这个属性而言，“高”表示负面情感。这种情况单纯基于情感词典匹配的方式无法判断“价格高”这个标签的情感倾向。本公开提供的方案可以直接利用构建的属性情感库进行匹配，其中，所述属性情感库包括至少一组属性词、评价词和感情倾向标识，并且/或者，所述属性情感库包括至少一组属性词、否定副词、评价词和感情倾向标识，通过引入属性级别情感字典，提高了评价词的情感倾向识别准确度。

根据本公开的实施例，现有技术在提取出属性-评价词对后，往往只是罗列出，没有直观区分评价的情感倾向，即正面评价与负面评价的应用，需要用户自己去判断评价倾向。本公开提供的方法对评价标签进行多属性维度分析，并可以将分析结果发送给终端，以便于终端进行多元可视化展示，提高了标签的应用价值及用户体验。

附图说明

通过以下参照附图对本公开实施例的描述，本公开的上述以及其他目的、特征和优点将更为清楚，在附图中：

图1示意性示出了根据本公开实施例的评价处理方法、装置和计算机系统及介质的应用场景；

图2A示意性示出了根据本公开实施例的评价处理方法的流程图；

图2B示意性示出了根据本公开实施例的二维空间向量中属性聚类效果示意图；

图3A示意性示出了根据本公开另一实施例的评价处理方法的流程图；

图3B示意性示出了根据本公开实施例的可视化展示的效果示意图；

图3C示意性示出了根据本公开另一实施例的可视化展示的效果示意图；

图4示意性示出了根据本公开实施例的评价处理装置的框图；以及

图5示意性示出了根据本公开实施例的适于实现评价处理方法的计算机系统的方框图。

具体实施方式

以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。

在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。

在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。

在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。在使用类似于“A、B或C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B或C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。本领域技术人员还应理解，实质上任意表示两个或更多可选项目的转折连词和/或短语，无论是在说明书、权利要求书还是附图中，都应被理解为给出了包括这些项目之一、这些项目任一方、或两个项目的可能性。例如，短语“A或B”应当被理解为包括“A”或“B”、或“A和B”的可能性。

现有技术在评论核心观点挖掘上普遍采用的流程是人工为主技术辅助的方式来实现，例如，首先，定义评论对象的属性词，然后，通过关键字/关键词匹配等方式，找到这些属性以及紧挨在后面的描述该属性的评价词，如评论内容是“这件衬衣价格不贵，包装精美”，那么可以将“价格不贵”中的“贵”、“包装精美”中的“精美”识别出来。接着，将识别出的评价词与情感词典匹配，当匹配结果为正面时，判定该标签是对这个属性的正面评价；反之，当匹配结果为负面时，判定该标签是对这个属性的负面评价。如上述例子中“贵”会被识别成负面评价，“精美”会被识别成正面评价。

但是，现有技术中存在以下缺点：首先，定义评论对象方面对人工依赖较高，而人工方式难以穷尽所有属性词，如属性中会有颜色、尺寸等；另一方面汉语中的近义词很丰富，形容价格的词除了“价格”本身，还有“价钱”、“价位”、“性价比”等变体，这会导致部分属性词被遗漏，进而造成属性词对应的评价词被遗漏。

其次，现有方法往往只能识别紧挨着属性词后面的评价词，而当属性词和评价词中间还有其它词语时，识别效果不好。如“价格比想象的贵”，则难以很好地识别出“价格贵”这个核心观点。

再次，现有方法往往会忽略评价词前面修饰词的作用，特别是对情感倾向有影响的否定修饰词，这样会导致情感倾向识别结果与实际不一致，甚至相反，而给出相反的情感倾向结果是需要极力避免的现象。

此外，对于像“价格高”这样的标签，评价词“高”本身无明显情感倾向，因此与情感词典匹配不会有正负面返回结果，但很明显对于“价格”这个属性而言，“高”表示负面情感。这种情况单纯基于情感词典匹配的方式无法判断“价格高”这个标签的情感倾向，这会导致现有技术给出的情感倾向准确度不高。

另外，现有技术在提取出属性-评价词对后，往往只是简单罗列出，鲜有直观区分评价的情感倾向，即正面评价与负面评价的应用，需要用户自己去判断评价倾向，不够直观。

本公开的实施例提供了一种便于让评论中有价值的信息能够更有效地呈现给用户的评价处理方法、装置和计算机系统及介质，可以通过聚类、词语距离判断、基于属性的情感词典、情感倾向可视化等操作，更为高效、准确、直观地将冗长的用户评论中的核心观点提炼出来，以便于展示给用户。在一个实施例中，该方法包括评价单元获取过程和情感倾向确定过程。在评价单元获取过程中，对接收的评论进行预处理，得到属性词，然后，基于所述属性词与相邻的形容词之间的距离确定评价词，得到评价单元，所述评价单元至少包括一组属性词和评价词。在得到评价单元之后，进入情感倾向确定过程，至少基于所述评价单元的评价词获取所述评论的情感倾向。由于基于所述属性词与相邻的形容词之间的距离确定评价词，可以实现对没有直接与属性词相邻的评价词的识别，提高评价词的识别的准确度，进而提高确定的情感倾向的准确度，便于用户直接得到评论的情感倾向。

图1示意性示出了根据本公开实施例的评价处理方法、装置和计算机系统及介质的应用场景，如图1所示的示例性系统架构100。需要注意的是，图1所示仅为可以应用本公开实施例的系统架构的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。

如图1所示，根据该实施例的系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器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。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种具有评价功能和/或展示评价功能的通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。

终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，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。

服务器105可以是提供各种服务的服务器，例如对用户利用终端设备101、102、103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据(如评价数据请求)进行分析等处理，并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。

需要说明的是，本公开实施例所提供的评价处理方法一般可以由服务器105执行。相应地，本公开实施例所提供的评价处理装置一般可以设置于服务器105中。本公开实施例所提供的评价处理方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地，本公开实施例所提供的评价处理装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。

应该理解，图1中的终端设备、网络和服务器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终端设备、网络和服务器。

图2A示意性示出了根据本公开实施例的评价处理方法的流程图。

如图2A所示，该方法可以包括操作S201～操作S203。

在操作S201，对接收的评论进行预处理，得到属性词。

在本实施例中，可以对评论进行分词处理，然后根据分词结果(如分词后得到的词以及对应的词性)获取所述评论中的属性词，其中，属性词通常为名词，因此，可以利用名词在预先构建的属性词典中进行匹配，以确定该名词是否为属性词，所述属性词可以为人工定义评论对象属性词，如价格、外观、包装、物流等。

具体地，分词主要指将语句中的词分离出，具体是将一个汉字序列切分成一个一个单独的词。词性标注是指对于句子中的每个词都标注一个合适的词性，即确定每个词是名词、动词、形容词或其他词的过程，又称词类标注或者简称标注。例如，评论原文为：这件衬衣价格不贵。相应地，分词、词性标注后结果：这\代词件\量词衬衣\名词价格\名词不\副词贵\形容词。

在一个实施例中，所述对接收的评论进行预处理，得到属性词可以包括如下操作：首先，至少基于第一分词工具对所述评论进行分词，得到词以及对应的词性，其中，所述词性包括名词，所述第一分词工具为基于FudanNLP分词工具进行源码级别二次开发扩展出补充字典功能的分词工具，该补充字典包括评论中常用术语。然后，利用词性为名词的词在属性词库中进行匹配得到属性词。

需要说明的是，目前分词、词性标注工具有很多，一般会默认使用中科院ictclas分词工具。但本公开并未效仿相信权威，而是对多个分词工具，在准确率、性能上进行全面比较，最终发现FudanNLP分词工具最适合评论类语料的分词和词性标注处理。但是，在确定使用复旦NLP分词工具后，复旦NLP分词工具的原始版本并不支持字典功能。由于评论中会出现特定词汇，如评论中常用术语等，因此，补充字典辅助分词功能十分必要，引出，基于FudanNLP分词工具进行源码级别二次开发扩展出补充字典功能的分词工具，实现了字典辅助分词功能，进一步提高了评论的分词的准确度。

此外，关于属性词的获取，常规做法通常是将评论中的名词(属性词几乎都是名词)，与人工提供的属性词库进行匹配，然后基于匹配到的属性结果识别对应的评价词。这意味着，如果未出现在属性词库的词不会被识别出。如上所述，汉语中的近义词很丰富，例如形容价格的词除了“价格”本身，还有“价钱”、“价位”、“性价比”等变体。属性词库很难将这些变体全部穷尽，因此这种依赖词库的方式存在遗漏属性词的可能性。为解决该问题，本公开采用一种基于文本聚类的方法，自动将意思相近的词语聚集到一起，得到属性词聚类库，一定程度上改善了属性词遗漏的问题。

具体地，所述属性词库为属性词聚类库，每一聚类具有一个基准属性词或者一个基准属性词和至少一个相似属性词，所述利用词性为名词的词在属性词库中进行匹配得到属性词包括利用词性为名词的词在所述属性词聚类库中进行匹配得到属性词。

图2B示意性示出了根据本公开实施例的二维空间向量中属性聚类效果示意图。

如图2B所示，可以预先收集大量的词汇(也可以是收集大量的评论，然后提取出其中的名词)，然后对收集的词汇进行聚类，每一聚类中可以具有一个基准属性词或者一个基准属性词和至少一个相似属性词，例如，价格作为基准属性词，相应的相似属性词包括但不限于：售价、价位或价钱等；物流作为基准属性词，相应的相似属性词包括但不限于：送货、快递或配送等；外观作为基准属性词，相应的相似属性词包括但不限于：外形、外表或表面等；味道作为基准属性词，相应的相似属性词包括但不限于：口感、味儿或口味等。图中字体大的词为基准词，基准词的附近的词是被聚集到一起的相似属性词。具体可以利用余弦距离等来判断各词的相似度。

在一个具体实施例中，首先，可以利用向量空间模型将多个名词(如收集的多个名词或收集的多个评论中的名词)刻画到二维向量空间中，然后，以基准词作为质心，利用Word2Vec算法做聚类，将意思相似的词会自动聚合到一起，这样就可以有效扩展了现有的属性词库，得到属性词聚类库，大大提升了现有的属性词库的覆盖率，有助于减少属性词遗漏。其中，向量空间模型是由Salton等人于20世纪70年代提出，并成功地应用于著名的SMART文本检索系统，把对文本内容的处理简化为向量空间中的向量运算，并且它以空间上的相似度表达语义的相似度，直观易懂。Word2Vec算法是一种基于向量空间模型的优化算法。聚类是机器学习领域的一类无监督算法，主要用于自动发现基准点附近的相似数据点。

这样，就可以实现利用词性为名词的词在所述属性词聚类库中进行匹配得到属性词，且得到的属性词相较于现有技术更加准确和全面。

在另一个实施例中，所述词性包括停用词，所述方法还可以包括如下操作，在得到词以及对应的词性之后，过滤停用词。

其中，停用词是指在信息检索中，为节省存储空间和提高搜索效率，在处理自然语言数据(或文本)之前或之后会自动过滤掉某些字或词，这些字或词即被称为停用词(StopWords)。常见的停用词包括：的、了、嗯等。由于停用词出现频次较高，在某种程度上会干扰分析结果，因此可以在初始阶段将停用词从待处理的分词、词性标注文本中过滤掉。

具体地，由于汉语的停用词规律性较强，本实施例采取匹配权威停用词语料库的方式直接过滤。通过过滤停用词，可以有效提升获取的属性词和评价词的准确性，且更加全面。

然后，在操作S202，基于所述属性词与相邻的形容词之间的距离确定评价词，得到评价单元，所述评价单元至少包括一组属性词和评价词。

在本实施例中，考虑到评论中的属性词和对应的评价词并不一定直接相邻，也就是说属性词和对应的评价词中间可能存在其它词，而现有技术中通常是对每条评论进行遍历，在定位的属性词位置相邻的位置判断该相邻的词是否为形容词(从语义上，评价词都是形容词)，如果是，则将该形容词作为定位的属性词对应的评价词，如果不是，则认为该属性词无效。这就导致现有技术可能遗留很多有用的属性词和评价词，为了克服这些问题，本实施例基于所述属性词与相邻的形容词之间的距离确定评价词。这是由于，通过大数据分析发现，绝大多数的属性词与对应的评价词之间的距离不超过一定值，例如，99％以上的属性词与对应评价词之间的距离不超过N个词。因此可以以N作为属性词与评价词的最长距离，其中，N为正整数。

在一个实施例中，所述词性包括名词、否定副词和形容词，对于接收的评论中的一条评论，所述基于所述属性词与相邻的形容词之间的距离确定评价词，得到评价单元可以包括如下操作。

首先，对所述一条评论的词进行遍历，将第一个属性词作为待选属性词；然后，遍历所述待选属性词之后指定个数的词，其中，如果遍历到形容词之前先遍历到另一个属性词，将所述另一个属性词作为待选属性词，如果遍历到形容词之前先遍历到语义边界，将所述语义边界之后的第一个属性词作为待选属性词，重复上述遍历所述待选属性词之后指定个数的词的过程，直至所述待选属性词之后指定个数的词中遍历到形容词，将所述待选属性词作为属性词，将所述形容词作为评价词，这样就可以得到属性词对应的评价词。后续可以直接利用该评价词在情感词库中进行匹配得到该评价词的情感倾向，还可以利用该评价词、属性词以及否定副词作为整体在预设的属性情感库中进行匹配来从整体上判断其情感倾向，例如，如果所述属性词和所述评价词之间不包括否定副词，则所述评价单元包括所述属性词和所述评价词，或者，如果所述属性词和所述评价词之间包括否定副词，则所述评价单元包括所述属性词、否定副词和所述评价词。这样就可以得到评价词和/或评价单元以便于确定情感倾向。其中，所述指定个数的词可以为1个、2个、5个、8个、10个、12个、15个、20个或30个等，具体根据使用效果而定，优选地，通过大数据分析发现，99％以上的属性词与对应评价词之间的距离不超过10。因此可以以10作为指定个数，及属性词与评价词的最长距离为10，如果超过10，则表明当前属性词不存在对应的评价词。

在一个具体实施例中，具体识别过程如下：假设共有M条评论，从第一条评论开始遍历，当第m条评论定位到属性词mp1时，向后查找10个距离内的评价词(形容词)，若查找到评价词之前，遇到另一属性词mp2时，则跳过mp1，从mp2开始继续查找；若查找到评价词之前遇到了语义边界(如标点符号等可以作为语义边界)，则同样跳过mp1，从语义边界后面开始定位下一个属性词；若10个距离内首先查找到一个形容词ma1，则认为该形容词ma1是属性词mp1的评价词mc1，继续前查找mp1与mc1中间是否有否定副词(如“不”、“不怎么”等)，如果有则标记该否定词为mn1…以此类推，最终会形成如{属性mp-否定副词mn(如果有)-评价词mc}集合MPNC_k，该集合MPNC_k即为评价单元。

这样就可以得到评价词和评价单元，以便于后续根据评价词和/或评价单元得到所述评论的情感倾向。

在操作S203，至少基于所述评价单元的评价词获取所述评论的情感倾向。

在本实施例中，可以基于两种方案来获取所述评论的情感倾向：第一种，基于评价词得到所述评论的情感倾向，第二种，基于评价单元得到所述评论的情感倾向。

在第一个具体实施例中，所述至少基于所述评价单元的评价词获取所述评论的情感倾向可以包括如下操作：首先，将所述评价单元在属性情感库中进行匹配，得到所述评价单元的情感倾向，所述感情倾向包括：正面、负面和中性，其中，所述属性情感库包括至少一组属性词、评价词和感情倾向标识，并且/或者，所述属性情感库包括至少一组属性词、否定副词、评价词和感情倾向标识。然后，将所述评价单元的情感倾向作为所述评论的情感倾向。

需要说明的是，该属性情感库可以是根据领域知识构建的一个确定性高的属性情感词典PED，例如，里面的词包括“噪音大负面”、“味道小正面”、“性价比高正面”等，这样可以以评价单元为整体在属性情感词典PED中进行匹配，得到评价单元的情感倾向。这样做有如下好处：一些评价词，如“大”本身并不具有明显的情感倾向，但是对应特定的属性词时，则表现出特定的情感倾向，例如，“噪音大”，其中，评价词“大”本身不具有明显情感倾向，现有技术中该评价词会被识别为中性情感，相应地，该评论也会被确认为中性感情，但很明显“噪音大”是负面情感。为了正确识别这类情况，本实施例以评价单元为整体在预先构建的属性情感库中进行匹配，能有效识别上述这种单个评价词为中性，但是对应具体的属性词时具有明显的情感倾向的情形。此外，所述属性情感库包括至少一组属性词、评价词和感情倾向标识，并且/或者，所述属性情感库包括至少一组属性词、否定副词、评价词和感情倾向标识，例如，如上所述的例子，该属性情感库中还可以包括“噪音不大正面”、“味道不小负面”、“性价比不高负面”等。

在第一个具体实施例中，为了提升属性情感库的覆盖率，所述方法还可以包括如下操作：首先，如果所述评价单元在所述属性情感库中没有匹配结果，则发送所述评价单元，如发送给终端进行显示以便于开发人员查看，然后，响应于接收到第一指令(如开发人员对该评价单元进行人工标定的情感倾向信息)，根据所述第一指令确定所述评价单元的情感倾向，所述第一指令包括情感倾向信息，接着，利用没有匹配结果的评价单元及对应的情感倾向更新所述属性情感库。这样就可以将现有方法中被识别为“中性”MPNC_k结果中具有明显情感倾向的元素进一步补充到PED中，同时更新MPNC_k。由于PED具有较强复用性，随着不断地迭代更新，PED会持续丰富，MPNC_k结果准确度会持续提升，覆盖面越来越全面。

与原始评论相比，这些评价单元可以更为直观地反映出用户的核心评价心得。

在第二个具体实施例中，所述至少基于所述评价单元的评价词获取所述评论的情感倾向可以包括如下操作：首先，将所述评价单元中的形容词在情感词库中进行匹配，得到所述评价单元中的形容词的情感倾向，所述情感倾向包括：正面、负面和中性，然后，如果所述评价单元中包括否定副词，则所述评价单元的情感倾向与所述评价单元中的形容词的情感倾向相反，如果所述评价单元中不包括否定副词，则所述评价单元的情感倾向与所述评价单元中的形容词的情感倾向相同，接着，将所述评价单元的情感倾向作为所述评论的情感倾向。这样可以简单地利用现有的权威情感词库ED判断个评价词的情感倾向，进而得到该评论的情感倾向，且不会如现有技术中由于未识别否定副词导致给出相反的情感倾向。例如，可以将上述集合MPNC中每个元素中MPNC_k中的评价词C_k与权威情感词库ED(含有词-正负面标识的字典)中词进行匹配，若匹配上，则判断是否存在否定副词N_k，若不存在，则认为属性评价元素MPNC_k的情感倾向(正负面)与匹配上的情感词库对应词一致；若未匹配上，则情感倾向为中性。举两个例子：MPNC_k集合中某个元素为“价格划算”，ED中存在“划算正面”记录，则匹配结果是：“价格划算正面”；MPNC_k集合中某个元素为“质量不怎么好”，ED中存在“好正面”记录，则匹配结果是：“质量不怎么好负面”。

本公开提供的评论处理方法，引入了所述属性词与相邻的形容词之间的距离概念，扩大了属性词对应的评价词匹配的范围。此外，可以通过文本聚类技术，扩大了属性词匹配范围，弥补了单纯依赖人工提供属性词的局限。另外，可以通过增加否定副词识别提高评价词情感倾向识别准确度。再次，可以引入属性级别情感字典，提高了评价词的情感倾向识别准确度。

图3A示意性示出了根据本公开另一实施例的评价处理方法的流程图。

如图3A所示，所述评价处理方法还可以进一步对一个或多个评价以多个维度进行统计分析，将统计分析结果发送给终端，以便于用户在终端上直观、清晰的看到一个或多个评价的多维度统计分析结果。

在一个实施例中，所述方法还可以包括操作S301。

在操作S301中，在获取所述评论的情感倾向之后，发送所述评论的情感倾向。具体地，所述发送所述评论的情感倾向可以包括如下操作：首先，获取至少一个评论的评价单元的属性词，然后，根据所述属性词的数量按照降序进行排序，得到指定个数属性词，接着，分别获取所述指定个数属性词中每个属性词对应的正面的情感倾向的数量和负面的情感倾向的数量，然后，发送所述指定个数属性词及对应的正面的情感倾向的数量和负面的情感倾向的数量，以便终端进行可视化展示。这样就可以实现针对某些评论的个性化地在用户终端展示分析统计结果。

图3B示意性示出了根据本公开实施例的可视化展示的效果示意图。

如图3B所示，为一种商品的评论的可视化展示的示意图。其中，该商品的评论中，通过统计得到其属性词包括价格、包装、味道、物流、调料、手感等，其中，价格、包装、味道、物流、调料的排名靠前，且占据了评论数量的绝大部分比重，因此，可以以价格、包装、味道、物流、调料分别作为统计分析的维度。其中，每个维度对应有正面的情感倾向的数量和负面的情感倾向的数量。服务器可以将统计结果发送给用户终端，由用户终端进行展示。如图3B的上图为柱状图，可以显示每个维度对应的正面的情感倾向的数量和负面的情感倾向的数量，其中，价格、包装和味道的相关评论最多，价格和包装的赞誉度最高，味道和物流的负面评价偏多，对味道和物流要求高的用户可以避免选择该商品以免带来不良体验。如图3B的下图为雷达图，可以显示每个维度的正面的情感倾向的比例等，如该商品的价格和包装最受购买者的欢迎。

此外，为了提升用户使用的便利度，所述方法还可以包括如下操作：例如，如果服务器在给用户端发送所述评论的情感倾向之后接收到第二指令，所述第二指令包括属性词信息和情感倾向信息，则所述服务器响应于接收到所述评价词，发送所述属性词信息和情感倾向信息中的属性词和情感倾向对应的至少一个评论以便于终端进行展示。此外，所述至少一个评论的评价单元可以以不同于所述至少一个评论的其余词的展示方式进行展示，如服务器发送的评论中有相关的显示方式信息。

图3C示意性示出了根据本公开另一实施例的可视化展示的效果示意图。

如图3C所示，用户终端的展示界面还可以进行人机交互，例如，用户可以通过用户终端的人机交互界面向服务器请求所需的数据，如包装维度下正面的情绪倾向对应的一个或多个评论，且发送的评论中还可以进一步包括属性词、评价词、评价单元等信息，另外还可以包括属性词、评价词、评价单元等信息的显示方式等，以便于展示给用户的信息中的要点更加直观。

在一个具体实施例中，可视化界面可以包括两部分：图3B上图所示显示该商品评论次数最多的正面和负面的三个属性词，选中某个标签，图3B下图所示会展示与标签相关属性词对应的评论原文，并将具体标签内容高亮显示。图3C通过条形图和雷达图直观显示更多维度属性的详细信息。该系统可以让评论核心观点以非常直观的方式展示给潜在买家，从一定程度上增加了评论的应用价值及用户体验。

图4示意性示出了根据本公开实施例的评价处理装置的框图。

如图4所示，评论处理装置400包括属性词获取模块410、评价单元获取模块420和情感倾向获取模块430。

其中，所述属性词获取模块410用于对接收的评论进行预处理，得到属性词。

所述评价单元获取模块420用于基于所述属性词与相邻的形容词之间的距离确定评价词，得到评价单元，所述评价单元至少包括一组属性词和评价词。

所述情感倾向获取模块430用于至少基于所述评价单元的评价词获取所述评论的情感倾向。

其中，所述属性词获取模块可以包括分词单元和属性词获取单元。

所述分词单元用于至少基于第一分词工具对所述评论进行分词，得到词以及对应的词性，其中，所述词性包括名词，所述第一分词工具为基于FudanNLP分词工具进行源码级别二次开发扩展出补充字典功能的分词工具，该补充字典包括评论中常用术语。

所述属性词获取单元用于利用词性为名词的词在属性词库中进行匹配得到属性词。

可选地，所述属性词库为属性词聚类库，每一聚类具有一个基准属性词或者一个基准属性词和至少一个相似属性词，所述属性词获取单元具体用于利用词性为名词的词在所述属性词聚类库中进行匹配得到属性词。

在一个实施例中，所述词性包括名词、否定副词和形容词，对于接收的评论中的一条评论，所述评价单元获取模块420可以包括：待选属性词获取单元、遍历单元、评价词获取单元、第一评价单元获取单元和第二评价单元获取单元。

其中，所述待选属性词获取单元用于对所述一条评论的词进行遍历，将第一个属性词作为待选属性词。

遍历单元用于遍历所述待选属性词之后指定个数的词，其中，如果遍历到形容词之前先遍历到另一个属性词，将所述另一个属性词作为待选属性词，如果遍历到形容词之前先遍历到语义边界，将所述语义边界之后的第一个属性词作为待选属性词。

评价词获取单元用于重复遍历所述待选属性词之后指定个数的词，直至所述待选属性词之后指定个数的词中遍历到形容词，将所述待选属性词作为属性词，将所述形容词作为评价词。

第一评价单元获取单元用于如果所述属性词和所述评价词之间不包括否定副词，则所述评价单元包括所述属性词和所述评价词。

第二评价单元获取单元用于如果所述属性词和所述评价词之间包括否定副词，则所述评价单元包括所述属性词、否定副词和所述评价词。

在另一个实施例中，所述情感倾向获取模块430可以包括：第一匹配单元和第一情感倾向获取单元。

其中，所述第一匹配单元用于将所述评价单元在属性情感库中进行匹配，得到所述评价单元的情感倾向，所述感情倾向包括：正面、负面和中性，其中，所述属性情感库包括至少一组属性词、评价词和感情倾向标识，并且/或者，所述属性情感库包括至少一组属性词、否定副词、评价词和感情倾向标识。

所述第一情感倾向获取单元用于将所述评价单元的情感倾向作为所述评论的情感倾向。

此外，为了提升属性情感库的覆盖率，所述装置400还可以包括：第一发送模块440、第一接收模块450和更新模块460。

其中，所述第一发送模块440用于如果所述评价单元在所述属性情感库中没有匹配结果，则发送所述评价单元。

所述第一接收模块450用于响应于接收到第一指令，根据所述第一指令确定所述评价单元的情感倾向，所述第一指令包括情感倾向信息。

所述更新模块460用于利用没有匹配结果的评价单元及对应的情感倾向更新所述属性情感库。

在另一个实施例中，所述情感倾向获取模块430可以包括：第二匹配单元、第二情感倾向获取单元和第三情感倾向获取单元。

其中，所述第二匹配单元用于将所述评价单元中的形容词在情感词库中进行匹配，得到所述评价单元中的形容词的情感倾向，所述情感倾向包括：正面、负面和中性。

所述第二情感倾向获取单元用于如果所述评价单元中包括否定副词，则所述评价单元的情感倾向与所述评价单元中的形容词的情感倾向相反，如果所述评价单元中不包括否定副词，则所述评价单元的情感倾向与所述评价单元中的形容词的情感倾向相同。

所述第三情感倾向获取单元用于将所述评价单元的情感倾向作为所述评论的情感倾向。

在又一个实施例中，所述装置400还可以包括第二发送模块470。

所述第二发送模块470用于在获取所述评论的情感倾向之后，发送所述评论的情感倾向。具体地，所述第二发送模块470可以包括：第一获取单元、排序单元、第二获取单元和发送单元。

其中，所述第一获取单元用于获取至少一个评论的评价单元的属性词。

所述排序单元用于根据所述属性词的数量按照降序进行排序，得到指定个数属性词。

所述第二获取单元用于分别获取所述指定个数属性词中每个属性词对应的正面的情感倾向的数量和负面的情感倾向的数量。

所述发送单元用于发送所述指定个数属性词及对应的正面的情感倾向的数量和负面的情感倾向的数量以便于终端进行可视化展示。

在其它实施例中，所述装置400还可以包括：第二接收模块480和第三发送模块490。

其中，所述第二接收模块用于如果在发送所述评论的情感倾向之后接收到第二指令，所述第二指令包括属性词信息和情感倾向信息。

所述第三发送模块用于响应于接收到所述评价词，发送所述属性词信息和情感倾向信息中的属性词和情感倾向对应的至少一个评论以便于终端进行展示，其中，所述至少一个评论的评价单元以不同于所述至少一个评论的其余词的展示方式进行展示。

此外，所述装置400还可以包括过滤模块411，该过滤模块411用于在得到词以及对应的词性之后，过滤停用词。

根据本公开的实施例的模块、子模块、单元、子单元中的任意多个、或其中任意多个的至少部分功能可以在一个模块中实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以被拆分成多个模块来实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式的硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，根据本公开实施例的模块、子模块、单元、子单元中的一个或多个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。

例如，属性词获取模块410、评价单元获取模块420、情感倾向获取模块430、第一发送模块440、第一接收模块450、更新模块460、第二发送模块470、第二接收模块480、第三发送模块490和过滤模块411中的任意多个可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。根据本公开的实施例，属性词获取模块410、评价单元获取模块420、情感倾向获取模块430、第一发送模块440、第一接收模块450、更新模块460、第二发送模块470、第二接收模块480、第三发送模块490和过滤模块411中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，属性词获取模块410、评价单元获取模块420、情感倾向获取模块430、第一发送模块440、第一接收模块450、更新模块460、第二发送模块470、第二接收模块480、第三发送模块490和过滤模块411中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。

图5示意性示出了根据本公开实施例的适于实现上文描述的方法的计算机系统的方框图。图5示出的计算机系统仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图5所示，根据本公开实施例的计算机系统500包括处理器501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。处理器501例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(ASIC))，等等。处理器501还可以包括用于缓存用途的板载存储器。处理器501可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。

在RAM 503中，存储有系统500操作所需的各种程序和数据。处理器501、ROM 502以及RAM 503通过总线504彼此相连。处理器501通过执行ROM 502和/或RAM 503中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意，所述程序也可以存储在除ROM 502和RAM 503以外的一个或多个存储器中。处理器501也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。

根据本公开的实施例，系统500还可以包括输入/输出(I/O)接口505，输入/输出(I/O)接口505也连接至总线504。系统500还可以包括连接至I/O接口505的以下部件中的一项或多项：包括键盘、鼠标等的输入部分506；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507；包括硬盘等的存储部分508；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509。通信部分509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505。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508。

根据本公开的实施例，根据本公开实施例的方法流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存储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509从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被处理器501执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。

本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储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执行时，实现根据本公开实施例的方法。

根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质，例如可以包括但不限于：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)、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。在本公开中，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。例如，根据本公开的实施例，计算机可读存储介质可以包括上文描述的ROM 502和/或RAM 503和/或ROM 502和RAM 503以外的一个或多个存储器。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、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。

本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。

以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。

Claims (22)

1.一种评论处理方法，包括：

对接收的评论进行预处理，得到属性词；

基于所述属性词与相邻的形容词之间的距离确定评价词，得到评价单元，所述评价单元至少包括一组属性词和评价词；以及

至少基于所述评价单元的评价词获取所述评论的情感倾向。

2.根据权利要求1所述的方法，其中，所述对接收的评论进行预处理，得到属性词包括：

至少基于第一分词工具对所述评论进行分词，得到词以及对应的词性，其中，所述词性包括名词，所述第一分词工具为基于FudanNLP分词工具进行源码级别二次开发扩展出补充字典功能的分词工具，该补充字典包括评论中常用术语；以及

利用词性为名词的词在属性词库中进行匹配得到属性词。

3.根据权利要求2所述的方法，所述属性词库为属性词聚类库，每一聚类具有一个基准属性词或者一个基准属性词和至少一个相似属性词，所述利用词性为名词的词在属性词库中进行匹配得到属性词包括利用词性为名词的词在所述属性词聚类库中进行匹配得到属性词。

4.根据权利要求1所述的方法，其中，所述词性包括名词、否定副词和形容词，对于接收的评论中的一条评论，所述基于所述属性词与相邻的形容词之间的距离确定评价词，得到评价单元包括：

对所述一条评论的词进行遍历，将第一个属性词作为待选属性词；

遍历所述待选属性词之后指定个数的词，其中，

如果遍历到形容词之前先遍历到另一个属性词，将所述另一个属性词作为待选属性词，

如果遍历到形容词之前先遍历到语义边界，将所述语义边界之后的第一个属性词作为待选属性词；

重复遍历所述待选属性词之后指定个数的词，直至所述待选属性词之后指定个数的词中遍历到形容词，将所述待选属性词作为属性词，将所述形容词作为评价词；

如果所述属性词和所述评价词之间不包括否定副词，则所述评价单元包括所述属性词和所述评价词；以及

如果所述属性词和所述评价词之间包括否定副词，则所述评价单元包括所述属性词、否定副词和所述评价词。

5.根据权利要求4所述的方法，其中，所述至少基于所述评价单元的评价词获取所述评论的情感倾向包括：

将所述评价单元在属性情感库中进行匹配，得到所述评价单元的情感倾向，所述感情倾向包括：正面、负面和中性，其中，

所述属性情感库包括至少一组属性词、评价词和感情倾向标识，

并且/或者

所述属性情感库包括至少一组属性词、否定副词、评价词和感情倾向标识；以及

将所述评价单元的情感倾向作为所述评论的情感倾向。

6.根据权利要求5所述的方法，还包括：

如果所述评价单元在所述属性情感库中没有匹配结果，则发送所述评价单元；

响应于接收到第一指令，根据所述第一指令确定所述评价单元的情感倾向，所述第一指令包括情感倾向信息；以及

利用没有匹配结果的评价单元及对应的情感倾向更新所述属性情感库。

7.根据权利要求4所述的方法，其中，所述至少基于所述评价单元的评价词获取所述评论的情感倾向包括：

将所述评价单元中的形容词在情感词库中进行匹配，得到所述评价单元中的形容词的情感倾向，所述情感倾向包括：正面、负面和中性；

如果所述评价单元中包括否定副词，则所述评价单元的情感倾向与所述评价单元中的形容词的情感倾向相反，如果所述评价单元中不包括否定副词，则所述评价单元的情感倾向与所述评价单元中的形容词的情感倾向相同；以及

将所述评价单元的情感倾向作为所述评论的情感倾向。

8.根据权利要求5至7中任意一项所述的方法，其中，所述方法还包括：

在获取所述评论的情感倾向之后，发送所述评论的情感倾向，包括：

获取至少一个评论的评价单元的属性词；

根据所述属性词的数量按照降序进行排序，得到指定个数属性词；

分别获取所述指定个数属性词中每个属性词对应的正面的情感倾向的数量和负面的情感倾向的数量；以及

发送所述指定个数属性词及对应的正面的情感倾向的数量和负面的情感倾向的数量，以便终端进行可视化展示。

9.根据权利要求8所述的方法，还包括：

如果在发送所述评论的情感倾向之后接收到第二指令，所述第二指令包括属性词信息和情感倾向信息；以及

响应于接收到所述评价词，发送所述属性词信息和情感倾向信息中的属性词和情感倾向对应的至少一个评论以便于终端进行展示，其中，所述至少一个评论的评价单元以不同于所述至少一个评论的其余词的展示方式进行展示。

10.根据权利要求2所述的方法，所述词性包括停用词，所述方法还包括：

在得到词以及对应的词性之后，过滤停用词。

11.一种评论处理装置，包括：

属性词获取模块，用于对接收的评论进行预处理，得到属性词；

评价单元获取模块，用于基于所述属性词与相邻的形容词之间的距离确定评价词，得到评价单元，所述评价单元至少包括一组属性词和评价词；以及

情感倾向获取模块，用于至少基于所述评价单元的评价词获取所述评论的情感倾向。

12.根据权利要求11所述的装置，其中，所述属性词获取模块包括：

分词单元，用于至少基于第一分词工具对所述评论进行分词，得到词以及对应的词性，其中，所述词性包括名词，所述第一分词工具为基于FudanNLP分词工具进行源码级别二次开发扩展出补充字典功能的分词工具，该补充字典包括评论中常用术语；以及

属性词获取单元，用于利用词性为名词的词在属性词库中进行匹配得到属性词。

13.根据权利要求12所述的装置，所述属性词库为属性词聚类库，每一聚类具有一个基准属性词或者一个基准属性词和至少一个相似属性词，所述属性词获取单元具体用于利用词性为名词的词在所述属性词聚类库中进行匹配得到属性词。

14.根据权利要求11所述的装置，其中，所述词性包括名词、否定副词和形容词，对于接收的评论中的一条评论，所述评价单元获取模块包括：

待选属性词获取单元，用于对所述一条评论的词进行遍历，将第一个属性词作为待选属性词；

遍历单元，用于遍历所述待选属性词之后指定个数的词，其中，

如果遍历到形容词之前先遍历到另一个属性词，将所述另一个属性词作为待选属性词，

如果遍历到形容词之前先遍历到语义边界，将所述语义边界之后的第一个属性词作为待选属性词；

评价词获取单元，用于重复遍历所述待选属性词之后指定个数的词，直至所述待选属性词之后指定个数的词中遍历到形容词，将所述待选属性词作为属性词，将所述形容词作为评价词；

第一评价单元获取单元，用于如果所述属性词和所述评价词之间不包括否定副词，则所述评价单元包括所述属性词和所述评价词；以及

第二评价单元获取单元，用于如果所述属性词和所述评价词之间包括否定副词，则所述评价单元包括所述属性词、否定副词和所述评价词。

15.根据权利要求14所述的装置，其中，所述情感倾向获取模块包括：

第一匹配单元，用于将所述评价单元在属性情感库中进行匹配，得到所述评价单元的情感倾向，所述感情倾向包括：正面、负面和中性，其中，

所述属性情感库包括至少一组属性词、评价词和感情倾向标识，

并且/或者

所述属性情感库包括至少一组属性词、否定副词、评价词和感情倾向标识；以及

第一情感倾向获取单元，用于将所述评价单元的情感倾向作为所述评论的情感倾向。

16.根据权利要求15所述的装置，还包括：

第一发送模块，用于如果所述评价单元在所述属性情感库中没有匹配结果，则发送所述评价单元；

第一接收模块，用于响应于接收到第一指令，根据所述第一指令确定所述评价单元的情感倾向，所述第一指令包括情感倾向信息；以及

更新模块，用于利用没有匹配结果的评价单元及对应的情感倾向更新所述属性情感库。

17.根据权利要求14所述的装置，其中，所述情感倾向获取模块包括：

第二匹配单元，用于将所述评价单元中的形容词在情感词库中进行匹配，得到所述评价单元中的形容词的情感倾向，所述情感倾向包括：正面、负面和中性；

第二情感倾向获取单元，用于如果所述评价单元中包括否定副词，则所述评价单元的情感倾向与所述评价单元中的形容词的情感倾向相反，如果所述评价单元中不包括否定副词，则所述评价单元的情感倾向与所述评价单元中的形容词的情感倾向相同；以及

第三情感倾向获取单元，用于将所述评价单元的情感倾向作为所述评论的情感倾向。

18.根据权利要求15至17中任意一项所述的装置，其中，所述装置还包括：

第二发送模块，用于在获取所述评论的情感倾向之后，发送所述评论的情感倾向，包括：

第一获取单元，用于获取至少一个评论的评价单元的属性词；

排序单元，用于根据所述属性词的数量按照降序进行排序，得到指定个数属性词；

第二获取单元，用于分别获取所述指定个数属性词中每个属性词对应的正面的情感倾向的数量和负面的情感倾向的数量；以及

发送单元，用于发送所述指定个数属性词及对应的正面的情感倾向的数量和负面的情感倾向的数量以便于终端进行可视化展示。

19.根据权利要求18所述的装置，还包括：

第二接收模块，用于如果在发送所述评论的情感倾向之后接收到第二指令，所述第二指令包括属性词信息和情感倾向信息；以及

第三发送模块，用于响应于接收到所述评价词，发送所述属性词信息和情感倾向信息中的属性词和情感倾向对应的至少一个评论以便于终端进行展示，其中，所述至少一个评论的评价单元以不同于所述至少一个评论的其余词的展示方式进行展示。

20.根据权利要求12所述的装置，所述词性包括停用词，所述装置还包括：

过滤模块，用于在得到词以及对应的词性之后，过滤停用词。

21.一种计算机系统，包括：

一个或多个处理器；

存储装置，用于存储可执行指令，所述可执行指令在被所述处理器执行时，实现根据权利要求1～10中任一项所述的方法。

22.一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时实现根据权利要求1～10中任一项所述的方法。

Images