CN111400437A - 互联网信息响应方法、装置、电子设备和计算机可读介质 - Google Patents

Abstract

本申请实施例公开了互联网信息响应方法、装置、电子设备和计算机可读介质。该方法的实施例包括：获取针对目标产品的互联网信息，互联网信息中包括文本信息；对文本信息进行解析以识别互联网信息的内容类型和情感类型，内容类型包括评价类、疑问类以及建议类；在识别出互联网信息的内容类型为评价类且情感类型为负面类的情况下，确定互联网信息的来源网站；在确定出来源网站为非新闻类网站的情况下，响应于互联网信息并予以反馈。该实施方式可使对互联网信息的响应更具有针对性，且降低了对互联网信息响应的人力成本。

Description

互联网信息响应方法、装置、电子设备和计算机可读介质

技术领域

本申请实施例涉及计算机技术领域，具体涉及互联网信息响应方法、装置、电子设备和计算机可读介质。

背景技术

随着互联网技术的发展，互联网上的各类信息越来越多。例如，对于某公司的产品，互联网中通常会存在与该产品相关的各种信息，如用户使用后的评价信息、有关该产品的新闻资讯、用户针对该产品的提问信息、建议信息等。

现有技术中，在抓取互联网信息后，通常需要由人工对这些信息进行分析，从而基于分析结果进行人工响应。现有的方式无法自动分析互联网信息，也无法基于分析结果对互联网信息进行自动响应。由于从互联网中所获取的信息量通常较大，因而，这种方式较为耗费人力成本。

发明内容

本申请实施例提出了互联网信息响应方法、装置、电子设备和计算机可读介质，以解决现有技术中对互联网信息的响应方式较为耗费人力成本的技术问题。

第一方面，本申请实施例提供了一种互联网信息响应方法，该方法包括：获取针对目标产品的互联网信息，互联网信息中包括文本信息；对文本信息进行解析以识别互联网信息的内容类型和情感类型，内容类型包括评价类、疑问类以及建议类；在识别出互联网信息的内容类型为评价类且情感类型为负面类的情况下，确定互联网信息的来源网站；在确定出来源网站为非新闻类网站的情况下，响应于互联网信息并予以反馈。

第二方面，本申请实施例提供了一种互联网信息响应装置，该装置包括：获取单元，被配置成获取针对目标产品的互联网信息，所述互联网信息中包括文本信息；解析单元，被配置成对所述文本信息进行解析以识别所述互联网信息的内容类型和情感类型，所述内容类型包括评价类、疑问类以及建议类；确定单元，被配置成在识别出所述互联网信息的内容类型为评价类且情感类型为负面类的情况下，确定所述互联网信息的来源网站；反馈单元，被配置成在确定出所述来源网站为非新闻类网站的情况下，响应于所述互联网信息并予以反馈。

第三方面，本申请实施例提供了一种电子设备，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所描述的互联网信息响应方法。

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，该计算机程序被处理器执行时实现如第一方面中所描述的互联网信息响应方法。

本申请实施例提供的互联网信息响应方法、装置、电子设备和计算机可读介质，通过获取针对目标产品的互联网信息，而后对互联网信息中的文本信息进行解析以识别互联网信息的内容类型和情感类型；在识别出互联网信息的内容类型为评价类且情感类型为负面类的情况下，确定互联网信息的来源网站；在确定出来源网站为非新闻类网站的情况下，响应于互联网信息并予以反馈。由此，可以通过对互联网信息的情感类型、内容类型的分析以及来源网站的分析，针对性地选取响应方式对互联网信息进行自动响应。在此过程中，无需人工进行互联网信息的分析和响应，由此，降低了对互联网信息响应的人力成本。

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是根据本申请的互联网信息响应方法的一个实施例的流程图；

图2是根据本申请的互联网信息响应方法的一个应用场景的示意图；

图3是根据本申请的互联网信息响应方法的又一个实施例的流程图；

图4是根据本申请的互联网信息响应装置的一个实施例的结构示意图；

图5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。

请参考图1，其示出了根据本申请的互联网信息响应方法的一个实施例的流程。该互联网信息响应方法，包括以下步骤：

步骤101，获取针对目标产品的互联网信息，互联网信息中包括文本信息。

在本实施例中，互联网信息响应方法的执行主体(如服务器等电子设备)可以获取针对目标产品的互联网信息，上述互联网信息中可以包括文本信息。其中，目标产品可以是实体产品，也可以是虚拟产品。实体产品可以指有形的物品，如电子设备、图书、玩具等。非实体产品可以指无形的产品，如客户端应用、某客户端应用所提供的酒店预订服务、某客户端应用所提供的订餐服务等。

在本实施例中，上述执行主体可按照如下步骤获取针对目标产品的互联网信息：

第一步，从一个或多个目标网站中，获取页面信息。

此处，可以采用网络爬虫获取页面信息。网络爬虫又称为网页蜘蛛，网络机器人、网页追逐者等，是一种按照一定的规则，自动地抓取互联网信息的程序或者脚本。目标网站可以包括但不限于微博类网站、论坛类网站、新闻类网站、生活类或点评类的客户端应用所访问的网站等。

第二步，从所获取的页面信息中，提取针对目标产品的互联网信息。

以目标产品为某一款手机为例，页面信息可包括与这款手机相关的各种信息。例如，用户使用这款手机后的评价信息、有关这款手机的新闻资讯、用户针对这款手机的提问信息等。

需要说明的是，在提取针对目标产品的互联网信息后，上述执行主体还可以对所提取的互联网信息进行格式转换、去重等处理，以便于更好的对互联网信息进行分析。

步骤102，对文本信息进行解析以识别互联网信息的内容类型和情感类型。

在本实施例中，内容类型和情感类型的划分方式可以根据需要预先设定。例如，内容类型可以包括评价类、疑问类以及建议类。情感类型可以包括正面类、负面类以及中性类。

实践中，上述执行主体可以采用多种解析方式对互联网信息中的文本信息进行解析。例如，可以对本文中的词语进行分析，来确定互联网信息的内容类型和情感类型。也可以通过预先训练的模型来解析文本信息，从而确定互联网信息的内容类型和情感类型。

在一种实现方式中，可采用词语匹配的方式来确定互联网信息的内容类型。具体过程可参见如下步骤：

第一步，设定各内容类型对应的词表。例如，评价类对应的词表中可以包含用户对产品进行评价时使用的常见词语，如“好用”、“太差”、“便捷”、“流畅”、“美观”、“丑”、“舒适”、“卡顿”等。建议类对应的词表中可以包含“建议”或“提个建议”等词。疑问类对应的词表中可以包含“？”、“哪个”、“哪款”、“怎样”、“为什么”、“在哪”等表征疑问与其的常用词汇。

第二步，对互联网信息中的文本信息进行分词，将分词后所得到的各词与各词表中的词进行匹配，从而基于匹配结果确定互联网信息对应的内容类型。例如，互联网信息为“XX品牌哪款手机配置最高？”，由于包含疑问类对应的词表中的词语“哪款”以及“？”，则可以认为该互联网信息的内容类型为疑问类。

需要说明的是，若互联网信息匹配到两个或两个以上的词表中的词，则可以将匹配到的词数最多的词表所对应的内容类型，作为该互联网信息的内容类型。也可以根据预设的优先级(如优先级由高到低依次为疑问类、建议类、评价类)确定互联网信息的类型。

在一种实现方式中，对于互联网信息的情感类型，也可采用词语匹配的方式确定。以情感类型包括正面类、负面类以及中性类为例，具体过程可参见如下步骤：

第一步，设定正面类的情感类型对应的词表以及负面类的情感类型对应的词表。其中，正面类对应的词表中可以包含表征正面情绪(如开心、期待等)时的常见词语，如“赞”、“支持”、“喜欢”、“太爱了”、“哈哈”、“好用”等词语。负面类对应的词表中可以包含表征负面情绪(如伤心、烦躁等)时的常见词语，如“无语”、“悲催”、“生气”、“烦”、“难用”、“不好”、“太差”等词语。

第二步，对互联网信息中的文本信息进行分词，将分词后所得到的各词与各词表(即正面类的情感类型对应的词表以及负面类的情感类型对应的词表)进行匹配，从而基于匹配结果确定互联网信息对应的情感类型。例如，互联网信息为“XX客户端应用太难用了，越用越生气”，由于包含负面类对应的词表中的词语“难用”和“生气”，因而可以认为该互联网信息的情感类型为负面类。

需要说明的是，若互联网信息既匹配到正面类对应的词表中的词语，又匹配到负面类对应的词表中的词语，则可以将互联网信息的情感类型确定为中性类。或者，还可以分别确定匹配到正面类对应的词表中的词语的数量和匹配到负面类对应的词表中的词语的数量，将数量较多的类型作为互联网信息的情感类型。若两者数量相同，则可以将互联网信息的情感类型确定为中性类。

需要指出的是，若既未配到正面类对应的词表中的词语，又未匹配到负面类对应的词表中的词语，则也可以将互联网信息的情感类型确定为中性类。

在本实施例的一种可选的实现方式中，对于互联网信息的内容类型，还可采用预先训练的文本内容类型识别模型来进行识别。此处，文本内容类型识别模型用于表征文本信息与内容类型的对应关系。上述执行主体可以将互联网信息中的文本信息输入至预先训练后的文本内容类型识别模型，文本内容类型识别模型即可输出上述文本信息的内容类型。此时，可以直接将上述文本信息的内容类型作为上述互联网信息的内容类型。

上述文本内容类型识别模型可以基于机器学习方法(如有监督学习方式)预先训练生成。实践中，可以采用各种具有分类功能的模型进行训练得到文本内容类型识别模型。例如，可采用卷积神经网络(Convolutional Neural Networks，CNN)、支持向量机(SupportVector Machine，SVM)等。在训练前，可以首先获取用于训练文本内容类型识别模型的样本集。该样本集中可以包括大量的文本信息，每一个文本信息可以作为一个训练样本。每一个文本信息可以带有标注信息。标注信息可以用于指示文本信息的内容类型。在训练时，可以将训练样本作为模型输入，将所输入的训练样本对应的标注信息作为模型输出，利用有监督学习方式训练该模型，从而得到文本内容类型识别模型。

通过文本内容类型识别模型来检测互联网信息的内容类型，相对于通过词语匹配的方式，可以通过对样本集进行扩展来改进模型，从而提高内容类型识别的准确性。例如，互联网信息为“最近对XXX长草，请大家给个建议”，通过词语匹配的方式，或者通过早前训练的文本内容类型识别模型进行识别，可能会得到内容类型为建议类的识别结果。而通过扩展样本集，将包含“种草”等相关词语的文本信息作为新的训练样本，并添加指示疑问类的标注信息，对内容类型识别模型进行进一步训练，可以使文本内容类型识别模型能够识别此类文本信息，得到内容类型为疑问类的正确识别结果。由于文本内容类型识别模型可以根据需要定期进行更新，因而，通过文本内容类型识别模型来检测互联网信息的内容类型，有助于提高内容类型识别的准确性。

在本实施例的一种可选的实现方式中，对于互联网信息的情感类型，还可采用预先训练的文本情感识别模型来进行识别。此处，文本情感识别模型用于表征文本信息与情感类型的对应关系。上述执行主体可以将互联网信息中的文本信息输入至预先训练后的文本情感识别模型，所述文本情感识别模型即可输出上述文本信息的情感类型。此时，可以直接将上述文本的情感类型作为上述互联网信息的情感类型。

上述文本情感识别模型也可基于机器学习方法(如有监督学习方式)训练生成。与训练上述文本内容类型识别模型相似，也可采用各种具有分类功能的模型进行训练得到文本情感识别模型。例如，可采用卷积神经网络、支持向量机等。在训练前，可以首先获取用于训练文本情感识别模型的样本集。该样本集中可以包括大量的文本信息，每一个文本信息可以作为一个训练样本。每一个文本信息可以带有标注信息。标注信息可以用于指示文本信息的情感类型(如可将负面类标注为0，将中性类标注为1，将正面类标注为2)。在训练时，可以将训练样本作为模型输入，将所输入的训练样本对应的标注信息作为模型输出，利用有监督学习方式训练该模型，从而得到文本情感识别模型。

通过文本情感识别模型识别互联网信息的情感类型，相对于通过词语匹配的方式，可以通过对样本集进行扩展来灵活改进模型，以扩展文本情感识别模型可识别的文本信息，从而提高情感类型识别的准确性。

在本实施例的一种可选的实现方式中，上述互联网信息中还可以包括图像。例如，用户在社交平台中发布的信息通常同时包含文字和配图。再例如，用户在对某款产品的评价信息通常同时包含文字和表情图像。上述执行主体还可以按照如下步骤确定互联网信息的情感类型：

第一步，将互联网信息中的文本信息输入至预先训练的文本情感识别模型，得到上述文本的情感类型。此处，文本情感识别模型用于表征文本信息与情感类型的对应关系，上述图像情感识别模型用于表征图像与情感类型的对应关系。此处对文本情感识别模型的训练方式不再重复赘述。

图像情感识别模型可基于机器学习方法训练生成。此处，可采用各种具有分类功能且能够进行图像处理的模型(如卷积神经网络)进行训练得到文本情感识别模型。在训练前，可以首先获取用于训练图像情感识别模型的样本集。该样本集中可以包括大量的图像，每一个图像可以作为一个训练样本。每一个图像可以带有标注信息。标注信息可以用于指示图像的情感类型(如可将负面类标注为0，将中性类标注为1，将正面类标注为2)。在训练时，可以将训练图像作为模型输入，将所输入的训练样本对应的标注信息作为模型输出，利用有监督学习方式训练该模型，从而得到图像情感识别模型。

第二步，在文本信息的情感类型为负面类或正面类的情况下，将文本信息的情感类型作为上述互联网信息的情感类型。

作为示例，互联网信息为用户在社交平台中发布的一条信息。该条信息包括文本信息“XX款手机太好用了！”以及配图。此时，则可以利用文本情感识别模型确定该条信息中的文本信息的情感类型。若通过文本情感识别模型确定出该文本信息的情感类型为正面类，则可直接将该互联网信息的情感类型确定为正面类。

第三步，在文本信息的情感类型为中性类的情况下，将互联网信息中的图像输入至预先训练的图像情感识别模型，得到上述图像的情感类型，并将上述图像的情感类型作为上述互联网信息的情感类型。上述图像情感识别模型用于表征图像与情感类型的对应关系。

作为示例，若用户在社交平台中发布的一条互联网信息包括文本信息“XX客户端的界面变了”以及配图(如一张哭泣的图片，或者一张色调阴暗的图片等)。此时，则可以利用文本情感识别模型确定该条信息中的文本信息的情感类型。若通过文本情感识别模型可确定出该文本信息的情感类型为中性类，则可以利用图像情感识别模型对该条信息中的配图的情感类型进行识别。若对该配图的情感类型识别结果为负面类，则可认为这条互联网信息的情感类型为负面类。

由此，在互联网信息同时包括文本信息和图像且通过文本信息无法识别出正面类或负面类的情感类型的情况下，可以结合对图像的分析，进行最终的情感类型的确定。从而提高了对互联网信息的情感类型的识别的准确性。

需要说明的是，在解析出互联网信息的内容类型为评价类且情感类型为负面类的情况下，可以执行如下步骤103。

在本实施例的一种可选的实现方式中，在解析出上述互联网信息的内容类型为建议类的情况下，上述执行主体可以存储上述互联网信息，并将上述互联网信息发送至负责上述目标产品的业务人员。由此，可以便于业务人员参考或采纳该建议，以便于更好地改进目标产品。此外，通过自动将建议类的互联网信息发送给业务人员，从而无需业务人员从大量的互联网信息中人工查找用户的建议类信息，由此，降低了人力成本。

在本实施例的一种可选的实现方式中，在解析出互联网信息的内容类型为疑问类的情况下，上述执行主体可以确定上述互联网信息中的关键词。而后，获取与上述关键词对应的答复信息。最后，在上述互联网信息所在页面中回复上述答复信息。作为示例，目标产品为某品牌手机，互联网信息用于询问哪款型号的目标产品配置最高。此时，上述执行主体可以获取到互联网信息中的关键词“配置”以及“最高”。而后，可以查询该品牌手机各款产品的配置信息，从而确定出配置最高的一款产品。进而，可以将该款产品的配置信息以及产品型号等信息作为答复信息，在上述互联网信息所在页面中回复上述答复信息。由此，可以在解析出出上述互联网信息的内容类型为疑问类的情况下，自动答复用户其所需的信息，为用户提供便捷地服务。

步骤103，在识别出互联网信息的内容类型为评价类且情感类型为负面类的情况下，确定互联网信息的来源网站。

在本实施例中，在识别出互联网信息的内容类型为评价类且情感类型为负面类的情况下，上述执行主体可以确定互联网信息的来源网站。实践中，上述执行主体在获取互联网信息时，可以同时记录该互联网信息的来源网址。通过来源网址，则可确定出其来源网站。此处的来源网站可以包括但不限于新闻类网站、社交类网站、搜索类网站等。除新闻类网站之外的网站可称为非新闻类网站。

步骤104，在确定出来源网站为非新闻类网站的情况下，响应于互联网信息并以予以反馈。

在本实施例中，在不同情况下，可采用不同方式对互联网信息进行响应。此处，新闻类网站即为提供合法的新闻资讯的网站。通常，这类网站中的信息相较于其他类型网站(如社交网站、电子商务网站等)中的信息，准确度、真实性以及权威性较强。

因而，在互联网信息是对目标产品的评价信息且较为负面时，若互联网信息的来源网站为非新闻类网站，则意味着该互联网信息的真实性以及权威性相对较弱。此时，上述执行主体可以响应于该互联网信息并以予以反馈。此处的反馈方式可以根据需要预先设定。

在本实施例的一些可选的实现方式中，可以在互联网信息所在页面中，回复预设信息。例如，回复“XX产品未能使您满意，我们深感歉意”或者“感谢您对本产品的使用评价”等预先设定的默认信息。

在本实施例的一些可选的实现方式中，在确定出所述来源网站为非新闻类网站的情况下，上述执行主体可以首先检测该互联网信息的热度。互联网信息的热度可以用于表征该互联网信息的受关注程度，该热度可以采用数值来表示。数值越大，则热度越大。

此处，若热度较高，则意味着该互联网信息的传播程度和认可程度相对较高，目标产品需要在近期进行调整，以满足广大用户需求。因而，在确定出来源网站为非新闻类网站但热度大于或等于预设值的情况下，上述执行主体除了可以在互联网信息所在页面中回复上述预设信息之外，还可以在目标产品的官方网站中展示对目标产品的调整公告。

实践中，上述执行主体可以采用多种方式检测热度。可选的，可以首先获取发布该互联网信息的用户的相关信息，如年龄、性别、职业介绍信息等。而后基于该用户的相关信息生成用户画像。最后基于该用户画像确定该互联网信息的影响程度，并将该影响程度以数值表征。该数值可视为该互联网信息的热度。例如，若该用户为公众人物，则可认为该互联网信息的影响程度较大，从而可将热度设置为较大的数值。若该用户为小学生，则影响程度较小，则可将热度设置为较小的数值。

可选的，上述执行主体可以基于互联网信息的上下文信息确定互联网信息的热度。具体可参见如下步骤：

第一步，获取互联网信息的上下文信息。其中，上述上下文信息中包括以下至少一项：转发数、点赞数、评论数、关注数、浏览量。

实践中，上下文信息可以在获取互联网信息时获取。例如，若互联网信息为某用户在微博中发布的信息，则该互联网信息所在区域通常包含转发数、评论数和点赞数。若互联网信息为某用户在某商品页面下方的评论，则该互联网信息所在区域通常包括点赞数。若互联网信息为某用户在自媒体平台发布的文章，则该互联网信息所在页面中通常包括浏览量。

第二步，基于上下文信息，确定互联网信息的热度。

此处，上述执行主体中可以预先存储有转发数与热度的对应关系、点赞数与热度的对应关系、评论数与热度的对应关系、关注数与热度的对应关系以及浏览量与热度的对应关系。若上下文信息中包含转发数、点赞数、评论数、关注数、浏览量中的任一项，则可以基于该项与热度的对应关系，确定出互联网信息的热度。

以转发数与热度的对应关系为例，若转发数小于1千，则对应的热度可以是0.1；若转发数大于或等于1千且小于1万，则对应的热度可以是0.2；若转发数大于或等于1万且小于2万，则对应的热度可以是0.3；若转发数大于或等于2万且小于5万，则对应的热度可以是0.4，若转发数大于或等于5万且小于10万，则对应的热度可以是0.5；若转发数大于或等于10万且小于20万，则对应的热度可以是0.6；若转发数大于或等于20万且小于30万，则对应的热度可以是0.7；若转发数大于或等于30万且50万，则对应的热度可以是0.8；若转发数大于或等于50万且100万，则对应的热度可以是0.9；若转发数大于或等于100万，则对应的热度可以是1。

需要说明的是，若上下文信息中包含转发数、点赞数、评论数、关注数、浏览量中的两项或多项，则可以分别确定所包含的各项对应的热度。而后将所确定出的热度的最大值(或最小值、平均值、加权求和值等)作为互联网信息的热度。

在本实施例的一些可选的实现方式中，由于新闻类网站中的信息相较于其他类型网站，准确度、真实性以及权威性较强。因而，在互联网信息是对目标产品的评价信息且较为负面时，若互联网信息的来源网站为新闻类网站，意味着目标产品存在较大问题，需要即刻进行改进。由此，在互联网信息的来源网站为新闻类网站的情况下，上述执行主体可以生成包含上述来源网站的网址的预警信息，并将上述预警信息发送至负责上述目标产品的业务人员，以提示业务人员及时应对。需要说明的是，本申请实施例对预警信息的方式不作限定。例如，可以采用发送短信、拨打电话、发送邮件等一种或多种信息输出方式输出预警信息。

继续参见图2，图2是根据本实施例的互联网信息响应方法的应用场景的一个示意图。在图2的应用场景中，服务器可以提供多种服务。所提供的服务可以包括数据采集服务、解析服务、发布场景与内容类型识别服务、规则服务以及响应服务。其中，发布场景可包括来源网站和热度。

首先，可以通过数据采集服务，获取数据源(即互联网信息)。如“某论坛帖子发布：XXX产品质量很差，外观很丑”。

而后，可以通过解析服务，对该数据源进行情感分析，得到情感分析结果指示情感类型为“负面”。

之后，可以通过发布场景与内容类型识别服务，识别出该数据源的发布场景为“XX论坛、热度极高”和内容类型为“评价类”。

然后，可以通过规则服务，选取对该数据源的响应方式。例如，该数据源为最新的负面评价，并且热度极高，需要立刻进行回复并更改产品外观。

最后，可以通过响应服务在该数据源的评论位置自动回复“您好，对于您的投诉公司已收到，感谢您的反馈”；同时，可以更改该产品的外观，并在官网发送公告。

本申请的上述实施例提供的方法，通过获取针对目标产品的互联网信息，而后对互联网信息中的文本信息进行解析以识别互联网信息的内容类型和情感类型；在识别出互联网信息的内容类型为评价类且情感类型为负面类的情况下，确定互联网信息的来源网站；在确定出来源网站为非新闻类网站的情况下，响应于互联网信息并予以反馈。由此，可以通过对互联网信息的情感类型、内容类型的分析以及来源网站的分析，针对性地选取响应方式对互联网信息进行自动响应。在此过程中，无需人工进行互联网信息的分析和响应，由此，降低了对互联网信息响应的人力成本。

进一步参考图3，其示出了互联网信息响应方法的又一个实施例的流程。该互联网信息响应方法的流程，包括以下步骤：

步骤301，获取针对目标产品的互联网信息，互联网信息中包括文本信息。

本实施例中的步骤301请参见图1对应实施例的步骤101，此处不再赘述。

步骤302，将文本信息输入至预先训练的文本内容类型识别模型，得到文本信息的内容类型，并将文本信息的内容类型作为互联网信息的内容类型。

在本实施例中，上述执行主体可以采用预先训练的文本内容类型识别模型来进行检测互联网信息的内容类型。此处，文本内容类型识别模型用于表征文本信息与内容类型的对应关系。对于互联网信息的内容类型，上述执行主体可以将互联网信息中的文本信息输入至预先训练后的文本内容类型识别模型，文本内容类型识别模型即可输出上述文本信息的内容类型。此时，可以直接将上述文本信息的内容类型作为上述互联网信息的内容类型。

上述文本内容类型识别模型可以基于机器学习方法(如有监督学习方式)预先训练生成。实践中，可以采用各种具有分类功能的模型进行训练得到文本内容类型识别模型。例如，可采用卷积神经网络(Convolutional Neural Networks，CNN)、支持向量机(SupportVector Machine，SVM)等。在训练前，可以首先获取用于训练文本内容类型识别模型的样本集。该样本集中可以包括大量的文本信息，每一个文本信息可以作为一个训练样本。每一个文本信息可以带有标注信息。标注信息可以用于指示文本信息的内容类型。在训练时，可以将训练样本作为模型输入，将所输入的训练样本对应的标注信息作为模型输出，利用有监督学习方式训练该模型，从而得到文本内容类型识别模型。

通过文本内容类型识别模型来检测互联网信息的内容类型，相对于通过词语匹配的方式，可以通过对样本集进行扩展来改进模型，从而提高内容类型检测的准确性。例如，互联网信息为“最近对XXX长草，请大家给个建议”，通过词语匹配的方式，或者通过早前训练的文本内容类型识别模型进行识别，可能会得到内容类型为建议类的识别结果。而通过扩展样本集，将包含“种草”等相关词语的文本信息作为新的训练样本，并添加指示疑问类的标注信息，对内容类型识别模型进行进一步训练，可以使文本内容类型识别模型能够识别此类文本信息，得到内容类型为疑问类的正确识别结果。由于文本内容类型识别模型可以根据需要定期进行更新，因而，通过文本内容类型识别模型来检测互联网信息的内容类型，有助于提高内容类型识别的准确性。

步骤303，将文本信息输入至预先训练的文本情感识别模型，得到上述文本信息的情感类型，并将文本信息的情感类型作为互联网信息的情感类型。

在本实施例中，上述执行主体可以采用预先训练的文本情感识别模型来进行检测互联网信息的情感类型。此处，文本情感识别模型用于表征文本信息与情感类型的对应关系。对于互联网信息的情感类型，还可采用预先训练的文本情感识别模型来进行检测。上述执行主体可以将互联网信息中的文本信息输入至预先训练后的文本情感识别模型，所述文本情感识别模型即可输出上述文本信息的情感类型。此时，可以直接将上述文本的情感类型作为上述互联网信息的情感类型。

上述文本情感识别模型也可基于机器学习方法(如有监督学习方式)训练生成。与训练上述文本内容类型识别模型相似，也可采用各种具有分类功能的模型进行训练得到文本情感识别模型。例如，可采用卷积神经网络、支持向量机等。在训练前，可以首先获取用于训练文本情感识别模型的样本集。该样本集中可以包括大量的文本信息，每一个文本信息可以作为一个训练样本。每一个文本信息可以带有标注信息。标注信息可以用于指示文本信息的情感类型(如可将负面类标注为0，将中性类标注为1，将正面类标注为2)。在训练时，可以将训练样本作为模型输入，将所输入的训练样本对应的标注信息作为模型输出，利用有监督学习方式训练该模型，从而得到文本情感识别模型。

通过文本情感识别模型确定互联网信息的情感类型，相对于通过词语匹配的方式，可以通过对样本集进行扩展来灵活改进模型，以扩展文本情感识别模型可识别的文本信息，从而提高情感类型检测的准确性。

步骤304，在识别出互联网信息的内容类型为评价类且情感类型为负面类的情况下，确定互联网信息的来源网站。

在本实施例中，在识别出上述互联网信息的内容类型为评价类且情感类型为负面类的情况下，上述执行主体可以确定互联网信息的来源网站。实践中，上述执行主体在获取互联网信息时，可以同时记录该互联网信息的来源网址。通过来源网址，则可确定出其来源网站。此处的来源网站可以包括但不限于新闻类网站、社交类网站、搜索类网站等。除新闻类网站之外的网站可称为非新闻类网站。

由于新闻类网站中的信息相较于其他类型网站，准确度、真实性以及权威性较强。因而，在互联网信息是对目标产品的评价信息且较为负面时，若互联网信息的来源网站为新闻类网站，意味着目标产品存在较大问题，需要即刻进行改进。由此，在互联网信息的来源网站为新闻类网站的情况下，上述执行主体可以生成包含上述来源网站的网址的预警信息，并将上述预警信息发送至负责上述目标产品的业务人员，以提示业务人员及时应对。需要说明的是，本申请实施例对预警信息的方式不作限定。例如，可以采用发送短信、拨打电话、发送邮件等一种或多种信息输出方式输出预警信息。在确定出来源网站为非新闻类网站的情况下，可以执行如下步骤305。

步骤305，在确定出来源网站为非新闻类网站的情况下，检测互联网信息的热度。

在本实施例中，在不同情况下，可采用不同方式对互联网信息进行响应。此处，新闻类网站即为提供合法的新闻资讯的网站。通常，这类网站中的信息相较于其他类型网站(如社交网站、电子商务网站等)中的信息，准确度、真实性以及权威性较强。

因而，在互联网信息是对目标产品的评价信息且较为负面时，若互联网信息的来源网站不为新闻类网站，则意味着该互联网信息的真实性以及权威性相对较弱。此时，可以进一步检测互联网信息的热度。互联网信息的热度可以用于表征该互联网信息的受关注程度，该热度可以采用数值来表示。数值越大，则热度越大。上述执行主体可以采用多种方式确定。

在本实施例中，上述执行主体可以基于互联网信息的上下文信息检测互联网信息的热度。具体可参见如下步骤：

第一步，获取上述互联网信息的上下文信息。其中，上述上下文信息中包括以下至少一项：转发数、点赞数、评论数、关注数、浏览量。

实践中，上下文信息可以在获取互联网信息时获取。例如，若互联网信息为某用户在微博中发布的信息，则该信息所在区域通常包含转发数、评论数和点赞数。若互联网信息为某用户在某商品页面下方的评论，则该信息所在区域通常包括点赞数。若互联网信息为某用户在自媒体平台发布的文章，则信息所在页面中通常包括浏览量。

第二步，基于上述上下文信息，确定上述互联网信息的热度。

此处，上述执行主体中可以预先存储有转发数与热度的对应关系、点赞数与热度的对应关系、评论数与热度的对应关系、关注数与热度的对应关系以及浏览量与热度的对应关系。

若上下文信息中包含转发数、点赞数、评论数、关注数、浏览量中的任一项，则可以基于该项与热度的对应关系，确定出互联网信息的热度。

若上下文信息中包含转发数、点赞数、评论数、关注数、浏览量中的两项或多项，则可以分别确定所包含的各项对应的热度。而后将所确定出的热度的最大值(或最小值、平均值、加权求和值等)作为互联网信息的热度。

需要说明的是，若热度小于预设值，则意味着该互联网信息的传播程度和认可程度相对较弱。由此，在这种情况下，上述执行主体可以采用在互联网信息所在页面中，回复预设信息等响应方式对互联网信息进行响应。例如，可恢复预先设定的默认信息“XX产品未能使您满意，我们深感歉意”或者“感谢您对本产品的使用评价”等。在热度大于或等于预设值的情况下，可以执行如下步骤306。

步骤306，在检测出热度大于或等于预设值的情况下，在互联网信息所在页面中回复预设信息，并在目标产品的官方网站中展示对目标产品的调整公告。

在本实施例中，若互联网信息的热度大于或等于预设值，则意味着该互联网信息的传播程度和认可程度相对将高，目标产品需要在近期进行调整，以满足广大用户需求。因而，在确定出上述来源网站为非新闻类网站但热度大于或等于预设值的情况下，上述执行主体除了可以在该互联网信息所在页面中回复预设信息之外，还可以在目标产品的官方网站中展示对目标产品的调整公告。

从图3中可以看出，与图1对应的实施例相比，本实施例中的互联网信息响应方法的流程300涉及了通过文本内容类型识别模型确定互联网信息的内容类型的步骤，以及，通过文本情感识别模型确定互联网信息的情感类型的步骤。由于可通过扩展样本集的方式，来使文本内容类型识别模型以及文本情感识别模型适用于对更新的文本信息的检测，从而提高了内容类型检测和情感类型检测的准确性。

进一步参考图4，作为对上述各图所示方法的实现，本申请提供了一种互联网信息响应装置的一个实施例，该装置实施例与图1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4所示，本实施例所述的互联网信息响应装置包括：获取单元401，被配置成获取针对目标产品的互联网信息，上述互联网信息中包括文本信息；解析单元402，被配置成对上述文本信息进行解析以识别上述互联网信息的内容类型和情感类型，上述内容类型包括评价类、疑问类以及建议类；确定单元403，被配置成在识别出上述互联网信息的内容类型为评价类且情感类型为负面类的情况下，确定上述互联网信息的来源网站；反馈单元404，被配置成在确定出上述来源网站为非新闻类网站的情况下，响应于上述互联网信息并予以反馈。

在本实施例的一些可选的实现方式中，上述解析单元402，进一步被配置成：将上述文本信息输入至预先训练的文本内容类型识别模型，得到上述文本信息的内容类型，并将上述文本信息的内容类型作为上述互联网信息的内容类型；其中，上述文本内容类型识别模型用于表征文本信息与内容类型的对应关系，上述文本内容类型识别模型基于机器学习方法训练生成。

在本实施例的一些可选的实现方式中，上述解析单元402，进一步被配置成：将上述文本信息输入至预先训练的文本情感识别模型，得到上述文本信息的情感类型，并将上述文本信息的情感类型作为上述互联网信息的情感类型；其中，上述文本情感识别模型用于表征文本信息与情感类型的对应关系，上述文本情感类型识别模型基于机器学习方法训练生成。

在本实施例的一些可选的实现方式中，上述情感类型还包括中性类和正面类，上述互联网信息中还包括图像；以及，上述解析单元402，进一步被配置成：将上述文本信息输入至预先训练的文本情感识别模型，得到上述文本信息的情感类型；在上述文本信息的情感类型为负面类或正面类的情况下，将上述文本信息的情感类型作为上述互联网信息的情感类型；在上述文本信息的情感类型为中性类的情况下，将上述图像输入至预先训练的图像情感识别模型，得到上述图像的情感类型，并将上述图像的情感类型作为上述互联网信息的情感类型；其中，上述文本情感识别模型用于表征文本信息与情感类型的对应关系，上述图像情感识别模型用于表征图像与情感类型的对应关系，上述文本情感识别模型和上述图像情感识别模型均基于机器学习方法训练生成。

在本实施例的一些可选的实现方式中，上述反馈单元404，进一步被配置成：在确定出上述来源网站为非新闻类网站的情况下，在上述互联网信息所在页面中回复预设信息。

在本实施例的一些可选的实现方式中，上述反馈单元404，进一步被配置成：在确定出上述来源网站为非新闻类网站的情况下，检测上述互联网信息的热度；在检测出上述热度大于或等于预设值的情况下，在上述互联网信息所在页面中回复上述预设信息，并在上述目标产品的官方网站中展示对上述目标产品的调整公告。

在本实施例的一些可选的实现方式中，上述反馈单元404，进一步被配置成：获取上述互联网信息的上下文信息，其中，上述上下文信息中包括以下至少一项：转发数、点赞数、评论数、关注数、浏览量；基于上述上下文信息，确定上述互联网信息的热度。

在本实施例的一些可选的实现方式中，上述装置还包括：预警单元，被配置成在确定出上述来源网站为新闻类网站的情况下，生成包含上述来源网站的网址的预警信息，并将上述预警信息发送至负责上述目标产品的业务人员。

在本实施例的一些可选的实现方式中，上述装置还包括：发送单元，被配置成在识别出上述互联网信息的内容类型为建议类的情况下，存储上述互联网信息，并将上述互联网信息发送至负责上述目标产品的业务人员。

在本实施例的一些可选的实现方式中，上述装置还包括：答复单元，被配置成在识别出上述互联网信息的内容类型为疑问类的情况下，确定上述互联网信息中的关键词；获取与上述关键词对应的答复信息；在上述互联网信息所在页面中回复上述答复信息。

本申请的上述实施例提供的装置，通过获取针对目标产品的互联网信息，而后对互联网信息中的文本信息进行解析以识别互联网信息的内容类型和情感类型；在识别出互联网信息的内容类型为评价类且情感类型为负面类的情况下，确定互联网信息的来源网站；在确定出来源网站为非新闻类网站的情况下，响应于互联网信息并予以反馈。由此，可以通过对互联网信息的情感类型、内容类型的分析以及来源网站的分析，针对性地选取响应方式对互联网信息进行自动响应。在此过程中，无需人工进行互联网信息的分析和响应，由此，降低了对互联网信息响应的人力成本。

下面参考图5，其示出了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。图5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5所示，计算机系统500包括中央处理单元(CPU)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。在RAM 503中，还存储有系统500操作所需的各种程序和数据。CPU 501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。

以下部件连接至I/O接口505：包括键盘、鼠标等的输入部分506；包括诸如液晶显示器(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510也根据需要连接至I/O接口505。可拆卸介质511，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510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。

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509从网络上被下载和安装，和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU)501执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请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。

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，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，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。

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装置中所包含的；也可以是单独存在，而未装配入该装置中。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装置执行时，使得该装置：获取针对目标产品的互联网信息，互联网信息中包括文本信息；对文本信息进行解析以识别互联网信息的内容类型和情感类型，内容类型包括评价类、疑问类以及建议类；在识别出互联网信息的内容类型为评价类且情感类型为负面类的情况下，确定互联网信息的来源网站；在确定出来源网站为非新闻类网站的情况下，响应于互联网信息并予以反馈。

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 (13)

1.一种互联网信息响应方法，其特征在于，所述方法包括：

获取针对目标产品的互联网信息，所述互联网信息中包括文本信息；

对所述文本信息进行解析以识别所述互联网信息的内容类型和情感类型，所述内容类型包括评价类、疑问类以及建议类；

在识别出所述互联网信息的内容类型为评价类且情感类型为负面类的情况下，确定所述互联网信息的来源网站；

在确定出所述来源网站为非新闻类网站的情况下，响应于所述互联网信息并予以反馈。

2.根据权利要求1所述的互联网信息响应方法，其特征在于，所述对所述文本信息进行解析以识别所述互联网信息的内容类型，包括：

将所述文本信息输入至预先训练的文本内容类型识别模型，得到所述文本信息的内容类型，并将所述文本信息的内容类型作为所述互联网信息的内容类型；

其中，所述文本内容类型识别模型用于表征文本信息与内容类型的对应关系，所述文本内容类型识别模型基于机器学习方法训练生成。

3.根据权利要求1所述的互联网信息响应方法，其特征在于，对所述文本信息进行解析以识别所述互联网信息的情感类型，包括：

将所述文本信息输入至预先训练的文本情感识别模型，得到所述文本信息的情感类型，并将所述文本信息的情感类型作为所述互联网信息的情感类型；

其中，所述文本情感识别模型用于表征文本信息与情感类型的对应关系，所述文本情感类型识别模型基于机器学习方法训练生成。

4.根据权利要求1所述的互联网信息响应方法，其特征在于，所述情感类型还包括中性类和正面类，所述互联网信息中还包括图像；以及

对所述文本信息进行解析以识别所述互联网信息的情感类型，包括：

将所述文本信息输入至预先训练的文本情感识别模型，得到所述文本信息的情感类型；

在所述文本信息的情感类型为负面类或正面类的情况下，将所述文本信息的情感类型作为所述互联网信息的情感类型；

在所述文本信息的情感类型为中性类的情况下，将所述图像输入至预先训练的图像情感识别模型，得到所述图像的情感类型，并将所述图像的情感类型作为所述互联网信息的情感类型；

其中，所述文本情感识别模型用于表征文本信息与情感类型的对应关系，所述图像情感识别模型用于表征图像与情感类型的对应关系，所述文本情感识别模型和所述图像情感识别模型均基于机器学习方法训练生成。

5.根据权利要求1所述的互联网信息响应方法，其特征在于，所述在确定出所述来源网站为非新闻类网站的情况下，响应于所述互联网信息并予以反馈，包括：

在确定出所述来源网站为非新闻类网站的情况下，在所述互联网信息所在页面中回复预设信息。

6.根据权利要求5所述的互联网信息响应方法，其特征在于，所述在确定出所述来源网站为非新闻类网站的情况下，响应于所述互联网信息并予以反馈，包括：

在确定出所述来源网站为非新闻类网站的情况下，检测所述互联网信息的热度；

在检测出所述热度大于或等于预设值的情况下，在所述互联网信息所在页面中回复所述预设信息，并在所述目标产品的官方网站中展示对所述目标产品的调整公告。

7.根据权利要求6所述的互联网信息响应方法，其特征在于，所述检测所述互联网信息的热度，包括：

获取所述互联网信息的上下文信息，其中，所述上下文信息中包括以下至少一项：转发数、点赞数、评论数、关注数、浏览量；

基于所述上下文信息，确定所述互联网信息的热度。

8.根据权利要求1所述的互联网信息响应方法，其特征在于，所述方法还包括：

在确定出所述来源网站为新闻类网站的情况下，生成包含所述来源网站的网址的预警信息，并将所述预警信息发送至负责所述目标产品的业务人员。

9.根据权利要求1所述的互联网信息响应方法，其特征在于，所述方法还包括：

在识别出所述互联网信息的内容类型为建议类的情况下，存储所述互联网信息，并将所述互联网信息发送至负责所述目标产品的业务人员。

10.根据权利要求1所述的互联网信息响应方法，其特征在于，所述方法还包括：

在识别出所述互联网信息的内容类型为疑问类的情况下，确定所述互联网信息中的关键词；

获取与所述关键词对应的答复信息；

在所述互联网信息所在页面中回复所述答复信息。

11.一种互联网信息响应装置，其特征在于，所述装置包括：

获取单元，被配置成获取针对目标产品的互联网信息，所述互联网信息中包括文本信息；

解析单元，被配置成对所述文本信息进行解析以识别所述互联网信息的内容类型和情感类型，所述内容类型包括评价类、疑问类以及建议类；

确定单元，被配置成在识别出所述互联网信息的内容类型为评价类且情感类型为负面类的情况下，确定所述互联网信息的来源网站；

反馈单元，被配置成在确定出所述来源网站为非新闻类网站的情况下，响应于所述互联网信息并予以反馈。

12.一种电子设备，其特征在于，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1-10中任一所述的互联网信息响应方法。

13.一种计算机可读介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1-10中任一所述的互联网信息响应方法。

Images