CN112016321B - 用于邮件处理的方法、电子设备和存储介质 - Google Patents

Abstract

本公开的实施例涉及用于邮件处理的方法、电子设备和计算机存储介质，涉及信息处理领域。根据该方法，从接收的邮件获取多个词语；基于用于确定是否为下单邮件的第一决策树和多个词语，确定邮件是否为下单邮件；如果确定邮件不是下单邮件，则基于用于确定是否为投诉邮件的第二决策树和多个词语，确定邮件是否为投诉邮件；以及如果确定邮件为投诉邮件，则：基于多个词语、基准褒义词集合和基准贬义词集合，确定与多个词语相关联的多个情感倾向值；基于多个情感倾向值，确定邮件的投诉严重等级；以及执行与投诉严重等级相对应的投诉处理操作。由此，能够确定邮件是否为投诉邮件，以及分析投诉邮件的情感倾向来确定投诉严重等级，以便于后续操作。

Description

用于邮件处理的方法、电子设备和存储介质

技术领域

本公开的实施例总体涉及信息处理领域，具体涉及用于邮件处理的方法、电子设备和计算机存储介质。

背景技术

传统客服的邮件量比较大，目前主要通过人工阅读邮件的标题和内容，判断这个邮件是属于下单类型的邮件还是投诉类型的邮件，进行分类，如果是下单类型的邮件，需要人工进行地址查询，查到定位后人工下单，但是会有很多地址无法准确定位，导致无法下单。投诉类邮件通过人工标注严重等级，方便优先处理高等级的投诉邮件。

发明内容

提供了一种用于邮件处理的方法、电子设备以及计算机存储介质，能够确定邮件是否为投诉邮件，以及分析投诉邮件的情感倾向来确定投诉严重等级，以便于后续操作。

根据本公开的第一方面，提供了一种用于邮件处理的方法。该方法包括：从接收的邮件获取多个词语；基于用于确定是否为下单邮件的第一决策树和多个词语，确定邮件是否为下单邮件；如果确定邮件不是下单邮件，则基于用于确定是否为投诉邮件的第二决策树和多个词语，确定邮件是否为投诉邮件；以及如果确定邮件为投诉邮件，则：基于多个词语、基准褒义词集合和基准贬义词集合，确定与多个词语相关联的多个情感倾向值；基于多个情感倾向值，确定邮件的投诉严重等级；以及执行与投诉严重等级相对应的投诉处理操作。

根据本公开的第二方面，提供了一种电子设备。该电子设备包括：至少一个处理器，以及与至少一个处理器通信连接的存储器，其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行根据第一方面所述的方法。

在本公开的第三方面中，提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现根据本公开的第一方面的方法。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

结合附图并参考以下详细说明，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中，相同或相似的附图标注表示相同或相似的元素。

图1是根据本公开的实施例的信息处理环境100的示意图。

图2是根据本公开的实施例的用于邮件处理的方法200的示意图。

图3是根据本公开的实施例的用于确定多个情感倾向值的方法300的示意图。

图4是根据本公开的实施例的第一决策树400的示意图。

图5是根据本公开的实施例的第二决策树500的示意图。

图6是用来实现本公开实施例的用于邮件处理的方法的电子设备的框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

在本文中使用的术语“包括”及其变形表示开放性包括，即“包括但不限于”。除非特别申明，术语“或”表示“和/或”。术语“基于”表示“至少部分地基于”。术语“一个示例实施例”和“一个实施例”表示“至少一个示例实施例”。术语“另一实施例”表示“至少一个另外的实施例”。术语“第一”、“第二”等等可以指代不同的或相同的对象。下文还可能包括其他明确的和隐含的定义。

如上所述，传统客服主要通过人工阅读邮件来区分邮件是下单邮件还是投诉邮件，效率比较低下。此外，传统客服主要通过人工来给投诉邮件标注严重等级，由于邮件数量巨大，导致效率不高。还有，有些下单邮件中的地址不准确，导致无法根据该地址进行叫车服务。

为了至少部分地解决上述问题以及其他潜在问题中的一个或者多个，本公开的示例实施例提出了一种用于邮件处理的方案。在该方案中，从接收的邮件获取多个词语；基于用于确定是否为下单邮件的第一决策树和多个词语，确定邮件是否为下单邮件；如果确定邮件不是下单邮件，则基于用于确定是否为投诉邮件的第二决策树和多个词语，确定邮件是否为投诉邮件；以及如果确定邮件为投诉邮件，则：基于多个词语、基准褒义词集合和基准贬义词集合，确定与多个词语相关联的多个情感倾向值；基于多个情感倾向值，确定邮件的投诉严重等级；以及执行与投诉严重等级相对应的投诉处理操作。由此，能够确定邮件是否为投诉邮件，以及分析投诉邮件的情感倾向来确定投诉严重等级，以便于后续操作。

在下文中，将结合附图更详细地描述本方案的具体示例。

图1示出了根据本公开的实施例的信息处理环境100的示例的示意图。信息处理环境100可以包括计算设备110、接收的邮件120以及投诉严重等级130。

计算设备110例如包括但不限于服务器计算机、多处理器系统、大型计算机、包括上述系统或设备中的任意一个的分布式计算环境等。在一些实施例中，服务器110可以具有一个或多个处理单元，包括诸如图像处理单元GPU、现场可编程门阵列FPGA和专用集成电路ASIC等的专用处理单元以及诸如中央处理单元CPU的通用处理单元。

计算设备110用于从接收的邮件120获取多个词语；基于用于确定是否为下单邮件的第一决策树和多个词语，确定邮件是否为下单邮件；如果确定邮件不是下单邮件，则基于用于确定是否为投诉邮件的第二决策树和多个词语，确定邮件是否为投诉邮件；以及如果确定邮件为投诉邮件，则：基于多个词语、基准褒义词集合和基准贬义词集合，确定与多个词语相关联的多个情感倾向值；基于多个情感倾向值，确定邮件的投诉严重等级130；以及执行与投诉严重等级130相对应的投诉处理操作。

图2示出了根据本公开的实施例的用于邮件处理的方法200的流程图。例如，方法200可以由如图1所示的计算设备110来执行。应当理解的是，方法200还可以包括未示出的附加框和/或可以省略所示出的框，本公开的范围在此方面不受限制。

在框202处，计算设备110从接收的邮件120获取多个词语。

在一些实施例中，计算设备110可经由分词词库从邮件获取词频-逆向文件频率排名前预定数量位的多个词语。分词词库可以是本地实现的，也可以是在远端服务器通过分词服务实现的。预定数量例如包括但不限于15、20等。分词词库例如基于词频-逆向文件频率算法从语料库中确定了语料库中各个词语的词频-逆向文件频率。通过将邮件与分词词库进行匹配可以获取邮件中例如词频-逆向文件频率前20的词语。

在框204处，计算设备110基于用于确定是否为下单邮件的第一决策树和多个词语，确定邮件是否为下单邮件。

第一决策树的例子可如图4所示。如图4所示，第一决策树400包括节点401-407。节点401指示是否包括“订单”这个词。如果获取的多个词语包括“订单”这个词，则经由左侧分支“是”进入节点402，其指示邮件为下单邮件。如果获取的多个词语不包括“订单”这个词，则经由右侧分支“否”进入节点403，其指示是否包括“地址”这个词，如果获取的多个词语包括“地址”这个词，则经由左侧分支“是”进入节点404，其指示邮件为下单邮件，如果获取的多个词语不包括“地址”这个词，则经由右侧分支“否”进入节点405，其指示是否包括“手机号”这个词，如果获取的多个词语包括“手机号”这个词，则经由左侧分支“是”进入节点406，其指示邮件为下单邮件，如果获取的多个词语不包括“手机号”这个词，则经由右侧分支“否”进入节点407，其指示邮件不是下单邮件。应当理解，上述第一决策树只是举例说明，第一决策树可以包括更多或更少的节点，或者包括不同的节点。下文将参照图4详细描述用于生成第一决策树的方法。

如果计算设备110在框204处确定邮件不是下单邮件，则在框206处基于用于确定是否为投诉邮件的第二决策树和多个词语，确定邮件是否为投诉邮件。

第二决策树的例子可如图5所示。如图5所示，第二决策树500包括节点501-507。节点501指示是否包括“投诉”这个词。如果获取的多个词语包括“投诉”这个词，则经由左侧分支“是”进入节点502，其指示邮件为投诉邮件。如果获取的多个词语不包括“投诉”这个词，则经由右侧分支“否”进入节点503，其指示是否包括“无车”这个词，如果获取的多个词语包括“无车”这个词，则经由左侧分支“是”进入节点504，其指示邮件为投诉邮件，如果获取的多个词语不包括“无车”这个词，则经由右侧分支“否”进入节点505，其指示是否包括“迟到”这个词，如果获取的多个词语包括“迟到”这个词，则经由左侧分支“是”进入节点506，其指示邮件为投诉邮件，如果获取的多个词语不包括“迟到”这个词，则经由右侧分支“否”进入节点507，其指示邮件不是投诉邮件。应当理解，上述第二决策树只是举例说明，第二决策树可以包括更多或更少的节点，或者包括不同的节点。

如果计算设备110在框206处确定邮件为投诉邮件，则在框208处基于多个词语、基准褒义词集合和基准贬义词集合，确定与多个词语相关联的多个情感倾向值。

下文将参照图3详细描述用于确定多个情感倾向值的方法。

在框210处，计算设备110基于多个情感倾向值，确定邮件的投诉严重等级130。

在一些实施例中，计算设备110可以对多个情感倾向值求和，以得到邮件的总情感倾向值。

随后，计算设备110可以基于总情感倾向值和情感倾向值与投诉严重等级之间的关联，确定邮件的投诉严重等级。情感倾向值与投诉严重等级之间的关联例如可以包括情感倾向值区间与投诉严重等级的对应关系，例如，情感倾向值区间[-1,0]对应投诉严重等级中的普通级，情感倾向值区间[-5,-1]对应投诉严重等级中的紧急级，情感倾向值区间(<-5)对应投诉严重等级中的非常紧急级。

由此，能够通过多个情感倾向值之和与投诉严重等级之间的关联来确定邮件的投诉严重等级，使得邮件的投诉严重等级更准确。

在框212处，计算设备110执行与投诉严重等级130相对应的投诉处理操作。

由此，能够在确定邮件为非下单邮件后确定邮件是否为投诉邮件，以及分析投诉邮件的情感倾向来确定投诉严重等级，以便于后续操作。

图3示出了根据本公开的实施例的用于确定多个情感倾向值的方法300的流程图。例如，方法300可以由如图1所示的计算设备110来执行。应当理解的是，方法300还可以包括未示出的附加框和/或可以省略所示出的框，本公开的范围在此方面不受限制。

对于多个词语中的每个词语，在框302处，计算设备110确定词语与基准褒义词集合之间的第一点间互信息量集合。

第一点间互信息量可采用如下公式来确定。

其中，word1可表示多个词语中的词语，word2可表示基准褒义词，P(word1&word2)表示词语与基准褒义词共现的概率，P(word1)表示词语出现的概率，P(word2)表示基准褒义词出现的概率。上述概率例如可以是基于语料库确定的，例如语料库中词语与基准褒义词共现的概率、词语出现的概率、基准褒义词出现的概率。

基准褒义词集合中有多个基准褒义词时，可以对于每个基准褒义词，采用上述公式来计算第一点间互信息量，从而得到第一点间互信息量集合。

在框304处，计算设备110确定词语与基准贬义词集合之间的第二点间互信息量集合。第二点间互信息量集合的确定方式与第一点间互信息量集合的确定方式类似，不再赘述。

在框306处，计算设备110将第一点间互信息量集合之和与第二点间互信息量集合之和相减，以得到与词语相关联的情感倾向值。

如果情感倾向值大于零，则情感倾向正面，如果情感倾向值等于零，则情感倾向中立，以及如果情感倾向值小于零，则情感倾向负面。

通过对多个词语执行上述过程后，可以得到多个情感倾向值。

由此，能够基于多个词语与基准褒义词集合以及基准贬义词集合之间的点间互信息量，准确确定与多个词语相关联的多个情感倾向值。

备选地或者附加地，在一些实施例中，计算设备110还可以生成第一决策树。具体来说，计算设备110可以基于下单邮件和非下单邮件在第一训练集中的出现概率，确定与第一训练集相关联的第一熵。第一训练集中的训练项包括是否包括多个特征关键词的多个指示符和是否为下单邮件的指示符。第一训练集的示例可如下表1所示。

表1。

上面第一训练集一共包括10项训练项，根据已打的指示标签，是下单邮件类型为1（7个），不是下单邮件类型为0（3个），则与第一训练集相关联的第一熵为-0.7log₂ ^0.7 –0.3log₂ ^0.3= 0.879。

随后，计算设备110可以将第一训练集划分为包括多个特征关键词的多个第一训练子集和不包括多个特征关键词的多个第二训练子集。应当理解，这里特征关键词与第一训练子集和第二训练子集相对应，第一训练子集包括该特征关键词，而第二训练子集不包括该特征关键词，第一训练子集和第二训练子集组成第一训练集。

还是以上面的第一训练集为例，对于“订单”这个特征关键词来说，第一训练集分别按照这个特征关键词来划分的第一训练子集和第二训练子集分别如下表2和表3所示。

表2。

表3。

对于“手机号”和“地址”这2个特征关键词来说，划分也是类似处理，不再赘述。

接着，计算设备110可以基于下单邮件和非下单邮件在多个第一训练子集和多个第二训练子集中的出现概率，确定与多个第一训练子集相关联的第二熵集合和与所述多个第二训练子集相关联的第三熵集合。

还是接着上面的例子，对于是否包含“订单”这个词，取值为 1 的有6条记录，取值为0的有4条记录。在取值为1的条件下，是下单邮件类型的有 4条记录，不是下单邮件类型的有 2 条记录。在取值为0的条件下，是下单邮件类型的有 3条记录，不是下单邮件类型的有 1条记录。因而，与包含“订单”这个词的第一训练子集相关联的第二熵确定为-2/3log₂ ^{2 /3} - 1/2log₂ ^1/2 =0.889，与不包含“订单”这个词的第二训练子集相关联的第三熵确定为-3/4 log₂ ^3/4 – 1/4log₂ ^1/4 = 0.815。对于是否包含“手机号”这个词和是否包含“地址”这个词，相关联的第二熵和第三熵的计算方式也是类似，不再赘述。

然后，计算设备110基于多个特征关键词在第一训练集中的出现概率、第二熵集合和第三熵集合，确定与多个特征关键词相关联的多个期望信息量。具体来说，可以将特征关键词在第一训练集中的出现概率乘以与包括该特征关键词的第一训练子集相关联的第二熵，得到第一乘积，将该出现概率的逆乘以与不包括该特征关键词的第二训练子集相关联的第三熵，得到第二乘积，将第一乘积和第二乘积相加，得到与该特征关键词相关联的期望信息量。对于多个特征关键词也是类似处理，可以得到多个期望信息量。

还是接着上面的例子，对于是否包含“订单”这个词，取值为 1 的有6条记录，取值为0的有4条记录，也就是取值为1的概率为0.6，取值为0的概率为0.4。因而，与“订单”这个特征关键词相关联的期望信息量为0.6*0.889 + 0.4*0.815 = 0.8594。对于“手机号”和“地址”这两个特征关键词的期望信息量也是类似处理，不再赘述。

随后，计算设备110基于第一熵和多个期望信息量，确定与多个特征关键词相关联的多项信息增益。具体来说，将第一熵分别减去多个期望信息量，可以得到多项信息增益。

还是接着上面的例子，与“订单”这个特征关键词相关联的信息增益为0.879-0.8594= 0.019。同理，可计算出与“手机号”这个特征关键词相关联的信息增益为 0.553，与“地址”这个特征关键词相关联的信息增益为 0.276。

接着，计算设备110从多个特征关键词确定信息增益最大的第一特征关键词，作为第一决策树的第一树节点的分裂特征。

还是接着上面的例子，将信息增益最大的“订单”这个特征关键词作为第一决策树的第一树节点的分裂特征。如图4所示，第一决策树400的第一树节点401的分裂特征为是否包括“订单”这个词。

随后，计算设备110将包括第一特征关键词的第一训练子集和不包括第一特征关键词的第二训练子集分别作为用于确定第二树节点和第三树节点的分裂特征的训练集进行递归训练，第二树节点和第三树节点作为第一树节点的子节点。

在确定第二树节点和第三树节点的分裂特征的过程中，如果与第一训练子集相关联的第二熵和/或与第二训练子集相关联的第三熵大于阈值，则对应的节点和分支可以结束分裂。最终例如可以得到如图4所示的第一决策树400。

由此，能够通过信息增益确定决策树中的树节点的分裂特征从而实现基于邮件中的关键词确定邮件是否为下单邮件的决策树，提高了邮件分类准确度。

应当理解，生成第二决策树的方式与生成第一决策树的方式类似，只是针对的特征关键词有所不同，例如针对“投诉”、“无车”、“迟到”等与投诉相关的关键词，并且将下单邮件和非下单邮件替换为投诉邮件和非投诉邮件。

具体来说，生成第二决策树可以通过以下步骤来实现：基于投诉邮件和非投诉邮件在第二训练集中的出现概率，确定与第二训练集相关联的第四熵，第二训练集中的训练项包括是否包括多个特征关键词的多个指示符和是否为投诉邮件的指示符；将第二训练集划分为包括多个特征关键词的多个第三训练子集和不包括多个特征关键词的多个第四训练子集；基于投诉邮件和非投诉邮件在多个第三训练子集和多个第四训练子集中的出现概率，确定与多个第三训练子集相关联的第五熵集合和与多个第四训练子集相关联的第六熵集合；基于多个特征关键词在第二训练集中的出现概率、第五熵集合和第六熵集合，确定与多个特征关键词相关联的多个期望信息量；基于第四熵和多个期望信息量，确定与多个特征关键词相关联的多项信息增益；从多个特征关键词确定信息增益最大的第二特征关键词，作为第二决策树的第一树节点的分裂特征；以及将包括第二特征关键词的第三训练子集和不包括第二特征关键词的第四训练子集分别作为用于确定第二树节点和第三树节点的分裂特征的训练集进行递归训练，第二树节点和第三树节点作为第一树节点的子节点。详细过程可以参照上述生成第一决策树的过程，具体不再赘述。

备选地或者附加地，在一些实施例中，计算设备110如果确定邮件是下单邮件，则还可以从邮件获取目标门牌号。目标门牌号例如XX路200号。随后，计算设备110还可以确定在地图数据库中是否能够找到与目标门牌号相匹配的位置。

如果计算设备110确定在地图数据库中找不到与目标门牌号相匹配的位置，则从地图数据库获取与目标门牌号前后的两个门牌号相对应的两个位置。目标门牌号前后的两个门牌号例如为紧接目标门牌号前后的两个门牌号，例如XX路199号和XX路201号，或者为地图数据库中能够找到其位置的与目标门牌号最近的前后两个门牌号。

接着，计算设备110基于这两个位置和目标门牌号相对于两个门牌号之间的数值区间的分割比例，确定与门牌号相对应的目标位置。

例如，可以采用以下公式计算目标位置。

其中a为两个位置的纬度之差，b为两个位置的经度之差；Lat1为两个位置中的第一位置的纬度，Lat2为另一个位置的纬度；6378.137为地球半径。

目标门牌号y，y前一个门牌号x，y后一个门牌号是z，则通过M=（y-x）/(z-x)*s*1000，可以算出目标位置离x点距离M米，其中（y-x）/(z-x)表示目标门牌号相对于两个门牌号之间的数值区间的分割比例。

最后，计算设备110基于目标位置，执行叫车下单操作。

由此，能够在目标门牌号无法精准匹配时，通过前后门牌号对应的位置确定相对准确的与目标门牌号相对应的位置，从而实现叫车下单操作。

图6示出了可以用来实施本公开内容的实施例的示例设备600的示意性框图。例如，如图1所示的计算设备110可以由设备600来实施。如图所示，设备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中的计算机程序指令或者从存储单元608加载到随机存取存储器（RAM）603中的计算机程序指令，来执行各种适当的动作和处理。在RAM 603中，还可存储设备600操作所需的各种程序和数据。CPU 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。

设备600中的多个部件连接至I/O接口605，包括：输入单元606，例如键盘、鼠标、麦克风等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

上文所描述的各个过程和处理，例如方法200-300，可由中央处理单元601执行。例如，在一些实施例中，方法200-300可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元608。在一些实施例中，计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序被加载到RAM 603并由CPU 601执行时，可以执行上文描述的方法200-300的一个或多个动作。

本公开涉及方法、装置、系统、电子设备、计算机可读存储介质和/或计算机程序产品。计算机程序产品可以包括用于执行本公开的各个方面的计算机可读程序指令。

计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子（非穷举的列表）包括：便携式计算机盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、静态随机存取存储器（SRAM）、便携式压缩盘只读存储器（CD-ROM）、数字多功能盘（DVD）、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波（例如，通过光纤电缆的光脉冲）、或者通过电线传输的电信号。

这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。

用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构（ISA）指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令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）。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列（FPGA）或可编程逻辑阵列（PLA），该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。

这里参照根据本公开实施例的方法、装置（系统）和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。

这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理单元，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理单元执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。

也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。

附图中的流程图和框图显示了根据本公开的多个实施例的系统、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、程序段或指令的一部分，所述模块、程序段或指令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。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，两个连续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动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。

以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (7)

1.一种用于邮件处理的方法，包括：

从接收的邮件获取多个词语；

基于用于确定是否为下单邮件的第一决策树和所述多个词语，确定所述邮件是否为下单邮件；

如果确定所述邮件不是下单邮件，则基于用于确定是否为投诉邮件的第二决策树和所述多个词语，确定所述邮件是否为投诉邮件；以及

如果确定所述邮件为投诉邮件，则：

基于所述多个词语、基准褒义词集合和基准贬义词集合，确定与所述多个词语相关联的多个情感倾向值；

基于所述多个情感倾向值，确定所述邮件的投诉严重等级；以及

执行与所述投诉严重等级相对应的投诉处理操作；以及

所述方法还包括：

基于下单邮件和非下单邮件在第一训练集中的出现概率，确定与所述第一训练集相关联的第一熵，所述第一训练集中的训练项包括是否包括多个特征关键词的多个指示符和是否为下单邮件的指示符；

将所述第一训练集划分为包括所述多个特征关键词的多个第一训练子集和不包括所述多个特征关键词的多个第二训练子集；

基于所述下单邮件和所述非下单邮件在所述多个第一训练子集和所述多个第二训练子集中的出现概率，确定与所述多个第一训练子集相关联的第二熵集合和与所述多个第二训练子集相关联的第三熵集合；

基于所述多个特征关键词在所述第一训练集中的出现概率、所述第二熵集合和所述第三熵集合，确定与所述多个特征关键词相关联的多个期望信息量；

基于所述第一熵和所述多个期望信息量，确定与所述多个特征关键词相关联的多项信息增益；

从所述多个特征关键词确定信息增益最大的第一特征关键词，作为所述第一决策树的第一树节点的分裂特征；以及

将包括所述第一特征关键词的第一训练子集和不包括所述第一特征关键词的第二训练子集分别作为用于确定第二树节点和第三树节点的分裂特征的训练集进行递归训练，所述第二树节点和所述第三树节点作为所述第一树节点的子节点。

2.根据权利要求1所述的方法，其中确定所述多个情感倾向值包括：

对于所述多个词语中的每个词语：

确定所述词语与所述基准褒义词集合之间的第一点间互信息量集合；

确定所述词语与所述基准贬义词集合之间的第二点间互信息量集合；以及

将所述第一点间互信息量集合之和与所述第二点间互信息量集合之和相减，以得到与所述词语相关联的情感倾向值。

3.根据权利要求1所述的方法，其中确定所述投诉严重等级包括：

对所述多个情感倾向值求和，以得到所述邮件的总情感倾向值；以及

基于所述总情感倾向值和情感倾向值与投诉严重等级之间的关联，确定所述邮件的所述投诉严重等级。

4.根据权利要求1所述的方法，还包括：

如果确定所述邮件是下单邮件，则：

从所述邮件获取目标门牌号；

如果确定在地图数据库中找不到与所述目标门牌号相匹配的位置，则从所述地图数据库获取与所述目标门牌号前后的两个门牌号相对应的两个位置；

基于所述两个位置和所述目标门牌号相对于所述两个门牌号之间的数值区间的分割比例，确定与所述门牌号相对应的目标位置；以及

基于所述目标位置，执行叫车下单操作。

5.根据权利要求1所述的方法，其中获取所述多个词语包括：

经由分词词库从所述邮件获取词频-逆向文件频率排名前预定数量位的多个词语。

6.一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-5中任一项所述的方法。

7.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1-5中任一项所述的方法。

Images