CN111382262B - 用于输出信息的方法和装置 - Google Patents

Abstract

本公开的实施例公开了用于输出信息的方法和装置，涉及知识图谱技术领域。该方法的一具体实施方式包括：响应于接收到用户输入的问题，从历史评论信息中筛选出与问题相关的评论集合；对评论集合进行质量过滤，得到合格评论集合；基于合格评论集合的特征、合格评论集合与问题的语义相关性，对合格评论集合中的各合格评论进行价值度打分；按照价值度分数由高到低的顺序输出合格评论集合。该实施方式能够为创作者提供主题相关评论的检索、内容理解和情感理解，助力创作者从评论中获取创作思路，丰富文章内容。

Description

用于输出信息的方法和装置

技术领域

本公开的实施例涉及计算机技术领域，具体涉及用于输出信息的方法和装置。

背景技术

在进行资讯创作前，创作者往往需要从各大资讯站点查阅大量资料，确定创作的一个或多个主题，并提前规划好主题相关的切入角度，这个切入角度可以是主题相关的其他一些主题、主题相关的一些事件信息以及主题背景信息。而主题相关的评论信息，往往能提供一些较为新颖的写作角度，对于创作者把握主题相关的用户群体观点，也有非常重要的作用。

目前其他产品的主题评论，只是简单地将主题相关文章的热门评论展示给创作者。现有方法的主要问题在于：(1)相关性差：主题相关文章下的热门评论是否与主题相关，不仅取决于主题与文章是否相关，也取决于评论本身的内容与主题是否相关，不能简单的认为相关文章下的热门评论跟主题就一定是相关的，比如当文章是盘点类文章时，就很难确定热门评论与某一个主题就是相关的；(2)信息增益少：现有方法没有对评论内容进行加工和理解，提供原始评论给创作者，相对来说信息增益比较少。

发明内容

本公开的实施例提出了用于输出信息的方法和装置。

第一方面，本公开的实施例提供了一种用于输出信息的方法，包括：响应于接收到用户输入的问题，从历史评论信息中筛选出与问题相关的评论集合；对评论集合进行质量过滤，得到合格评论集合；基于合格评论集合的特征、合格评论集合与问题的语义相关性，对合格评论集合中的各合格评论进行价值度打分；按照价值度分数由高到低的顺序输出合格评论集合。

在一些实施例中，在按照价值度分数由高到低的顺序输出合格评论集合之前，该方法还包括：按照价值度分数由高到低的顺序开始去重，从合格评论集合过滤掉主要内容重复的合格评论。

在一些实施例中，该方法还包括：对合格评论集合进行观点识别以聚合相同观点，输出热门观点。

在一些实施例中，该方法还包括：对合格评论集合进行情感识别，输出评论情感分布信息。

在一些实施例中，从历史评论信息中筛选出与问题相关的评论集合，包括：通过搜索点击泛化和语义泛化，将问题映射到主题图谱中的至少一个节点的主题上；通过标题匹配、评论内容匹配的方法，从历史评论信息中筛选出与问题相关的候选评论集合；对候选评论集合进行资讯主题判别和评论主题判别，过滤出评论所在资讯主题或评论主题与节点中的主题一致的相关评论。

在一些实施例中，对评论集合进行质量过滤，得到合格评论集合，包括：通过分类器识别出以下至少一种类别的信息，并过滤掉：偏激的评论、色情评论、涉政评论。

在一些实施例中，合格评论集合的特征，包括以下至少一项：评论窗口的用户行为数据、评论窗口点击率、评论事件概率得分、评论所在文章窗口的用户行为数据、评论所在文章与问题的主题匹配概率、评论内容与问题的主题匹配概率。

第二方面，本公开的实施例提供了一种用于输出信息的装置，包括：筛选单元，被配置成响应于接收到用户输入的问题，从历史评论信息中筛选出与问题相关的评论集合；过滤单元，被配置成对评论集合进行质量过滤，得到合格评论集合；打分单元，被配置成基于合格评论集合的特征、合格评论集合与问题的语义相关性，对合格评论集合中的各合格评论进行价值度打分；输出单元，被配置成按照价值度分数由高到低的顺序输出合格评论集合。

在一些实施例中，该装置还包括去重单元，被配置成：在按照价值度分数由高到低的顺序输出合格评论集合之前，按照价值度分数由高到低的顺序开始去重，从合格评论集合过滤掉主要内容重复的合格评论。

在一些实施例中，该装置还包括观点识别单元，被配置成：对合格评论集合进行观点识别以聚合相同观点，输出热门观点。

在一些实施例中，该装置还包括情感识别单元，被配置成：对合格评论集合进行情感识别，输出评论情感分布信息。

在一些实施例中，筛选单元进一步被配置成：通过搜索点击泛化和语义泛化，将问题映射到主题图谱中的至少一个节点的主题上；通过标题匹配、评论内容匹配的装置，从历史评论信息中筛选出与问题相关的候选评论集合；对候选评论集合进行资讯主题判别和评论主题判别，过滤出评论所在资讯主题或评论主题与节点中的主题一致的相关评论。

在一些实施例中，过滤单元进一步被配置成：通过分类器识别出以下至少一种类别的信息，并过滤掉：偏激的评论、色情评论、涉政评论。

在一些实施例中，合格评论集合的特征，包括以下至少一项：评论窗口的用户行为数据、评论窗口点击率、评论事件概率得分、评论所在文章窗口的用户行为数据、评论所在文章与问题的主题匹配概率、评论内容与问题的主题匹配概率。

第三方面，本公开的实施例提供了一种用于输出信息的电子设备，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，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一的方法。

第四方面，本公开的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，其中，程序被处理器执行时实现如第一方面中任一的方法。

本公开的实施例提供的用于输出信息的方法和装置，依托海量的评论信息，结合多样的文本处理和内容理解技术，为创作者推荐其关注主题下的相关评论，帮助创作者迅速把握用户关注点，确定写作主题和写作角度，把握主题受众的情感倾向和观点，创作出更优质、更有深度的内容。

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，本公开的其它特征、目的和优点将会变得更明显：

图1是本公开的一个实施例可以应用于其中的示例性系统架构图；

图2是根据本公开的用于输出信息的方法的一个实施例的流程图；

图3是根据本公开的用于输出信息的方法的一个应用场景的示意图；

图4是根据本公开的用于输出信息的方法的又一个实施例的流程图；

图5是根据本公开的用于输出信息的装置的一个实施例的结构示意图；

图6是适于用来实现本公开的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公开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，本公开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公开。

图1示出了可以应用本公开的用于输出信息的方法或用于输出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上可以安装有各种通讯客户端应用，例如文档编辑类应用、网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。

终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，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、电子书阅读器、MP3播放器(Moving Picture Experts Group Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103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。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上提出的问题提供评论挖掘的后台挖掘服务器。后台挖掘服务器可以对接收到的挖掘请求等数据进行分析等处理，并将处理结果(例如合格评论和相关的观点、情感分析结果)反馈给终端设备。

需要说明的是，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的多个软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。

需要说明的是，本公开的实施例所提供的用于输出信息的方法一般由服务器105执行，相应地，用于输出信息的装置一般设置于服务器105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。

继续参考图2，示出了根据本公开的用于输出信息的方法的一个实施例的流程200。该用于输出信息的方法，包括以下步骤：

步骤201，响应于接收到用户输入的问题，从历史评论信息中筛选出与问题相关的评论集合。

在本实施例中，用于输出信息的方法的执行主体(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式从用户利用其进行文本编辑的终端接收用户输入的问题(query)，然后从海量的历史评论信息中筛选出与问题相关的评论集合。可直接将问题与历史评论信息逐一进行相似度计算。找出相似度高于阈值值的评论信息加入评论集合。

可选地，可从每条历史评论信息中通过预先训练的主题判别模型提取评论主题，然后将query与评论主题进行匹配，匹配度达到预定阈值就认为该评论主题对应的评论信息是相关的评论，添加到评论信息集合中。

可选地，还可先找到与query相关的资讯(通过标题匹配的方法)，再将针对该资讯的评论添加到与问题相关的评论集合。

在本实施例的一些可选的实现方式中，从历史评论信息中筛选出与所述问题相关的评论集合，包括：

步骤2011，通过搜索点击泛化和语义泛化，将问题映射到主题图谱中的至少一个节点的主题上。

在本实施例中，主题图谱搜索点击泛化指的是：输入不同的query的用户却选择同一个搜索结果，说明不同的query是同义的，因此可对原始的query进行扩展。语义泛化指的是：将与用户输入的query语义相同的问题也作为搜索词在主题图谱中查找。主题图谱是知识图谱的一种，其节点是主题。通过主题图谱可查找到query对应的其它主题。

知识图谱(Knowledge Graph)又称为科学知识图谱，在图书情报界称为知识域可视化或知识领域映射地图，是显示知识发展进程与结构关系的一系列各种不同的图形，用可视化技术描述知识资源及其载体，挖掘、分析、构建、绘制和显示知识及它们之间的相互联系。在知识图谱里，通常用“实体(Entity)”来表达图里的节点、用“关系(Relation)”来表达图里的“边”。实体指的是现实世界中的事物，比如：人、地名、概念、药物、公司等，关系则用来表达不同实体之间的某种联系，比如：人“居住在”北京、张三和李四是“朋友”。

上述步骤是将用户原始输入的query进行了扩展，找到了相似的主题。

步骤2012，通过标题匹配、评论内容匹配的方法，从历史评论信息中筛选出与问题相关的候选评论集合。

在本实施例中，可将用户输入的query与海量资讯进行标题匹配，找到相似的资讯，对资讯的评论即可加入到与问题相关的候选评论集合。

还可将用户输入的query与海量历史评论信息的内容进行匹配，找到相关的评论信息加入候选评论集合。

步骤2013，对候选评论集合进行资讯主题判别和评论主题判别，过滤出评论所在资讯主题或评论主题与节点中的主题一致的相关评论。

在本实施例中，可通过主题判别模型来识别各种素材的主题。主题判别模型是一种预先训练好的神经网络，训练样本为标注了主题的文章片段。通过训练后，神经网络可以对文章片段进行主题标注。通过该主题判别模型将上一步获取的资讯和候选评论集的主题识别出来。如果资讯的主题与主题图谱映射得到的主题一致，则保留该资讯主题下面的评论进入后续处理。同理，如果评论的主题与主题图谱映射得到的主题一致，则保留该评论进入后续处理。

步骤202，对评论集合进行质量过滤，得到合格评论集合。

在本实施例中，可通过预先训练的分类器进行过滤。训练样本分为合格样本和不合格样本。不合格样本可包括偏激的评论、色情评论、涉政评论等。

在本实施例的一些可选的实现方式中，可分别用三种分类器进行质量过滤。分别过滤出偏激的评论、色情评论、涉政评论。

步骤203，基于合格评论集合的特征、合格评论集合与问题的语义相关性，对合格评论集合中的各合格评论进行价值度打分。

在本实施例中，可通过相关性模型计算合格评论集合与问题的语义的相关性。再与各合格评论的至少一种特征一起作为评论价值度模型的输入，得到价值度得分。评论价值度模型使用包括但不限于LR(Logistic Regression，逻辑回归)、GBDT(GradientBoosting Decision Tree，梯度提升判决树)、DNN(Deep Neural Networks,深度神经网络)等多种模型结构进行训练。

合格评论集合的特征，包括以下至少一项：

评论窗口(最近一小时、最近一天、最近一周、历史)用户行为数据(评论数、点赞量、踩数量)、评论窗口点击率(最近一小时、最近一天、最近一周、历史)、评论事件概率得分(是否是在评论一件事的概率)、评论所在文章窗口(最近一小时、最近一天、最近一周、历史)用户行为数据(评论数、浏览数、点赞量、用户量)、评论所在文章与query主题(可通过主题判别模型提取query的主题)匹配概率、评论内容与query主题匹配概率等。

步骤204，按照价值度分数由高到低的顺序输出合格评论集合。

在本实施例中，价值度分数越高才越有参考价值。因此可按由高到低的顺序输出。

进一步参考图3，其示出了用于输出信息的方法的又一个实施例的流程300。该用于输出信息的方法的流程300，包括以下步骤：

步骤301，响应于接收到用户输入的问题，从历史评论信息中筛选出与问题相关的评论集合。

步骤302，对评论集合进行质量过滤，得到合格评论集合。

步骤303，基于合格评论集合的特征、合格评论集合与问题的语义相关性，对合格评论集合中的各合格评论进行价值度打分。

步骤301-303与步骤201-203基本相同，因此不再赘述。

步骤304，按照价值度分数由高到低的顺序开始去重，从合格评论集合过滤掉主要内容重复的合格评论。

在本实施例中，计算各合格评论之间的相似度，从相似度大于预定重复阈值的多个合格评论中选择价值度分数最高的保留，低分的过滤掉。

步骤305，按照价值度分数由高到低的顺序输出合格评论集合。

在本实施例中，价值度分数越高才越有参考价值。因此可按由高到低的顺序输出。

步骤306，对合格评论集合进行观点识别以聚合相同观点，输出热门观点。

在本实施例中，基于评论观点抽取模型，将主题下的相关评论进行观点抽取，聚合相同观点，展现主题下热门观点。评论观点抽取模型是预先训练的神经网络模型，训练样本为标注了观点的文章片段。

步骤307，对合格评论集合进行情感识别，输出评论情感分布信息。

在本实施例中，通过标注一批正向、负面评论，通过评论的语义向量作为输入，用深度模型训练一个二分类模型，识别出评论的情感倾向，展现主题下的评论情感分布情况。

创作者经过信息化资讯时代的洗礼，也希望能借助技术手段，指导自己的内容创作。而资讯热门评论信息，往往带着新颖的角度，能给创作者提供不一样的写作角度指引，也能给创作者提供最直接的用户情感反馈，让创作者对主题的选取有一个更完善的全盘思考。

本发明依托海量的评论信息，结合多样的文本处理和内容理解技术，为创作者推荐其关注主题下的相关评论，帮助创作者迅速把握用户关注点，确定写作主题和写作角度，把握主题受众的情感倾向和观点，创作出更优质、更有深度的内容。

继续参见图4，图4是根据本实施例的用于输出信息的方法的应用场景的一个示意图。在图4的应用场景中，用户首先发起一个主题相关评论查询请求。然后从评论库中查找到资讯主题和评论主题与待查询主题一致的评论。然后将这些评论通过偏激识别、黄反识别过滤出合格的评论。再对合格的评论的价值度打分，接着再排序去重。最后再通过观点识别和情感识别，输出辅助信息。

进一步参考图5，作为对上述各图所示方法的实现，本公开提供了一种用于输出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，本实施例的用于输出信息的装置500包括：筛选单元501、过滤单元502、打分单元503、输出单元504。其中，筛选单元501，被配置成响应于接收到用户输入的问题，从历史评论信息中筛选出与问题相关的评论集合；过滤单元502，被配置成对评论集合进行质量过滤，得到合格评论集合；打分单元503，被配置成基于合格评论集合的特征、合格评论集合与问题的语义相关性，对合格评论集合中的各合格评论进行价值度打分；输出单元504，被配置成按照价值度分数由高到低的顺序输出合格评论集合。

在本实施例中，用于输出信息的装置500的筛选单元501、过滤单元502、打分单元503、输出单元504的具体处理可以参考图2对应实施例中的步骤201、步骤202、步骤203、步骤204。

在本实施例的一些可选的实现方式中，装置500还包括去重单元(附图中未示出)，被配置成：在按照价值度分数由高到低的顺序输出合格评论集合之前，按照价值度分数由高到低的顺序开始去重，从合格评论集合过滤掉主要内容重复的合格评论。

在本实施例的一些可选的实现方式中，装置500还包括观点识别单元(附图中未示出)，被配置成：对合格评论集合进行观点识别以聚合相同观点，输出热门观点。

在本实施例的一些可选的实现方式中，装置500还包括情感识别单元(附图中未示出)，被配置成：对合格评论集合进行情感识别，输出评论情感分布信息。

在本实施例的一些可选的实现方式中，筛选单元501进一步被配置成：通过搜索点击泛化和语义泛化，将问题映射到主题图谱中的至少一个节点的主题上；通过标题匹配、评论内容匹配的装置，从历史评论信息中筛选出与问题相关的候选评论集合；对候选评论集合进行资讯主题判别和评论主题判别，过滤出评论所在资讯主题或评论主题与节点中的主题一致的相关评论。

在本实施例的一些可选的实现方式中，过滤单元502进一步被配置成：通过分类器识别出以下至少一种类别的信息，并过滤掉：偏激的评论、色情评论、涉政评论。

在本实施例的一些可选的实现方式中，合格评论集合的特征，包括以下至少一项：评论窗口的用户行为数据、评论窗口点击率、评论事件概率得分、评论所在文章窗口的用户行为数据、评论所在文章与问题的主题匹配概率、评论内容与问题的主题匹配概率。

下面参考图6，其示出了适于用来实现本公开的实施例的电子设备(例如图1中的服务器或终端设备)600的结构示意图。本公开的实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图6示出的终端设备/服务器仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。

如图6所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)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装置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，还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM603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。

通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图6中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。

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装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开的实施例的方法中限定的上述功能。需要说明的是，本公开的实施例所述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。在本公开的实施例中，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。而在本公开的实施例中，计算机可读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，该计算机可读信号介质可以发送、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：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

上述计算机可读介质可以是上述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该电子设备执行时，使得该电子设备：响应于接收到用户输入的问题，从历史评论信息中筛选出与问题相关的评论集合；对评论集合进行质量过滤，得到合格评论集合；基于合格评论集合的特征、合格评论集合与问题的语义相关性，对合格评论集合中的各合格评论进行价值度打分；按照价值度分数由高到低的顺序输出合格评论集合。

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公开的实施例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服务器上执行。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，该模块、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，框图和/或流程图中的每个方框、以及框图和/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。

描述于本公开的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：一种处理器包括筛选单元、过滤单元、打分单元和输出单元。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，筛选单元还可以被描述为“响应于接收到用户输入的问题，从历史评论信息中筛选出与所述问题相关的评论集合的单元”。

以上描述仅为本公开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，本公开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所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。例如上述特征与本公开中公开的(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 (14)

1.一种用于输出信息的方法，包括：

响应于接收到用户输入的问题，从历史评论信息中筛选出与所述问题相关的评论集合；

对所述评论集合进行质量过滤，得到合格评论集合；

基于所述合格评论集合的特征、所述合格评论集合与所述问题的语义相关性，对所述合格评论集合中的各合格评论进行价值度打分，其中，所述合格评论集合的特征，包括以下至少一项：评论窗口的用户行为数据、评论窗口点击率、评论事件概率得分、评论所在文章窗口的用户行为数据、评论所在文章与所述问题的主题匹配概率、评论内容与所述问题的主题匹配概率；

按照价值度分数由高到低的顺序输出合格评论集合；

其中，所述从历史评论信息中筛选出与所述问题相关的评论集合，包括：

从每条历史评论信息中通过预先训练的主题判别模型提取评论主题；

将问题与各评论主题进行匹配，匹配度达到预定阈值就认为该评论主题对应的评论信息是相关的评论，添加到评论信息集合中。

2.根据权利要求1所述的方法，其中，在按照价值度分数由高到低的顺序输出合格评论集合之前，所述方法还包括：

按照价值度分数由高到低的顺序开始去重，从所述合格评论集合过滤掉主要内容重复的合格评论。

3.根据权利要求1或2所述的方法，其中，所述方法还包括：

对所述合格评论集合进行观点识别以聚合相同观点，输出热门观点。

4.根据权利要求1或2所述的方法，其中，所述方法还包括：

对所述合格评论集合进行情感识别，输出评论情感分布信息。

5.根据权利要求1或2所述的方法，其中，所述从历史评论信息中筛选出与所述问题相关的评论集合，包括：

通过搜索点击泛化和语义泛化，将所述问题映射到主题图谱中的至少一个节点的主题上；

通过标题匹配、评论内容匹配的方法，从历史评论信息中筛选出与所述问题相关的候选评论集合；

对所述候选评论集合进行资讯主题判别和评论主题判别，过滤出评论所在资讯主题或评论主题与节点中的主题一致的相关评论。

6.根据权利要求1或2所述的方法，其中，所述对所述评论集合进行质量过滤，得到合格评论集合，包括：

通过分类器识别出以下至少一种类别的信息，并过滤掉：

偏激的评论、色情评论、涉政评论。

7.一种用于输出信息的装置，包括：

筛选单元，被配置成响应于接收到用户输入的问题，从历史评论信息中筛选出与所述问题相关的评论集合；

过滤单元，被配置成对所述评论集合进行质量过滤，得到合格评论集合，其中，所述合格评论集合的特征，包括以下至少一项：评论窗口的用户行为数据、评论窗口点击率、评论事件概率得分、评论所在文章窗口的用户行为数据、评论所在文章与所述问题的主题匹配概率、评论内容与所述问题的主题匹配概率；

打分单元，被配置成基于所述合格评论集合的特征、所述合格评论集合与所述问题的语义相关性，对所述合格评论集合中的各合格评论进行价值度打分；

输出单元，被配置成按照价值度分数由高到低的顺序输出合格评论集合；

所述筛选单元进一步被配置成：

从每条历史评论信息中通过预先训练的主题判别模型提取评论主题；

将问题与各评论主题进行匹配，匹配度达到预定阈值就认为该评论主题对应的评论信息是相关的评论，添加到评论信息集合中。

8.根据权利要求7所述的装置，其中，所述装置还包括去重单元，被配置成：

在按照价值度分数由高到低的顺序输出合格评论集合之前，按照价值度分数由高到低的顺序开始去重，从所述合格评论集合过滤掉主要内容重复的合格评论。

9.根据权利要求7或8所述的装置，其中，所述装置还包括观点识别单元，被配置成：

对所述合格评论集合进行观点识别以聚合相同观点，输出热门观点。

10.根据权利要求7或8所述的装置，其中，所述装置还包括情感识别单元，被配置成：

对所述合格评论集合进行情感识别，输出评论情感分布信息。

11.根据权利要求7或8所述的装置，其中，所述筛选单元进一步被配置成：

通过搜索点击泛化和语义泛化，将所述问题映射到主题图谱中的至少一个节点的主题上；

通过标题匹配、评论内容匹配的装置，从历史评论信息中筛选出与所述问题相关的候选评论集合；

对所述候选评论集合进行资讯主题判别和评论主题判别，过滤出评论所在资讯主题或评论主题与节点中的主题一致的相关评论。

12.根据权利要求7或8所述的装置，其中，所述过滤单元进一步被配置成：

通过分类器识别出以下至少一种类别的信息，并过滤掉：

偏激的评论、色情评论、涉政评论。

13.一种用于输出信息的电子设备，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1-6中任一所述的方法。

14.一种计算机可读介质，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1-6中任一所述的方法。