本申请涉及计算机技术领域，具体涉及互联网技术领域，尤其涉及信息输出方法和装置。
背景技术：
在人工智能领域，目前涌现出了很多基于自然语言处理的自动人工智能应答系统。人工智能应答系统的信息输出效率很大程度上依赖于分类模型的准确性。
然而，现有的分类模型的准确性通常较低，从而导致人工智能应答系统的信息输出效率较低。
技术实现要素：
本申请的目的在于提出一种改进的信息输出方法和装置，来解决以上背景技术部分提到的技术问题。
第一方面，本申请提供了一种信息输出方法，该方法包括：接收客户端发送的信息；从上述信息中提取出特征向量，其中，上述特征向量用于表征上述信息的内容；将上述特征向量导入预先训练的信息分类模型进行分类得到上述信息所属的类别；从上述类别所指示的预存反馈信息集合中匹配出与上述信息相关联的目标反馈信息，并将上述目标反馈信息输出至上述客户端。
在一些实施例中，上述方法还包括建立信息分类模型的步骤，上述建立信息分类模型的步骤包括:获取样本数据集合和与上述样本数据集合中的每一个样本数据分别相关联的类别；对于预先存储的候选信息分类模型中的每一个候选信息分类模型，将上述候选信息分类模型作为待评估候选信息分类模型，基于上述样本数据集合和与上述样本数据集合中的每一个样本数据分别相关联的类别，确定上述待评估候选信息分类模型的准确率，其中，上述预先存储的候选信息分类模型是未经训练的模型；基于所确定的准确率，在上述预先存储的候选信息分类模型中确定目标信息分类模型；利用机器学习方法，基于上述样本数据集合和与上述样本数据集合中的每一个样本数据分别相关联的类别，对上述目标信息分类模型进行训练得到信息分类模型。
在一些实施例中，上述确定上述待评估候选信息分类模型的准确率，包括：采用交叉验证方法来确定上述待评估候选信息分类模型的准确率。
在一些实施例中，上述确定上述待评估候选信息分类模型的准确率，包括：对于上述样本数据集合中的每一类别样本数据，确定与上述类别样本数据相关联的权重值，其中，上述权重值为上述类别样本数据的数目与上述样本数据集合所包含的样本数据的总数目的比值；根据所确定的权重值，确定上述待评估候选信息分类模型的准确率。
在一些实施例中，上述根据所确定的权重值，确定上述待评估候选信息分类模型的准确率，包括：循环执行以下处理步骤预定数目次：将上述样本数据集合划分为训练集和测试集，利用机器学习方法，基于上述训练集和与上述训练集中的每一个训练样本数据分别相关联的类别对上述待评估候选信息分类模型进行训练得到训练后的候选信息分类模型，利用上述训练后的候选信息分类模型对上述测试集中的每一个测试样本数据的类别进行预测得到预测结果，对于上述测试集中的每一类别测试样本数据，基于上述预测结果确定与上述类别测试样本数据相关联的预测准确率，将与上述样本数据集合所包含的与上述类别测试样本数据具有相同类别的样本数据相关联的权重值与上述预测准确率的乘积作为与上述类别测试样本数据相关联的加权预测准确率，将与上述测试集中的每一类别测试样本数据分别相关联的加权预测准确率相加所得的数值作为与上述待评估候选信息分类模型相关联的第一加权预测准确率，将上述待评估候选信息分类模型恢复至未经训练的状态，其中，上述训练集和上述测试集包含相同类别的样本数据，与上述类别测试样本数据相关联的预测准确率为上述训练后的候选信息分类模型对上述类别测试样本数据的类别预测正确的数目与上述类别测试样本数据的数目的比值；将所得的上述预定数目个第一加权预测准确率的平均值作为上述待评估候选信息分类模型的准确率。
在一些实施例中，上述基于所确定的准确率，在上述预先存储的候选信息分类模型中确定目标信息分类模型，包括：将上述预先存储的候选信息分类模型中的准确率最高的候选信息分类模型作为目标信息分类模型。
第二方面，本申请提供了一种信息输出装置，该装置包括：接收单元，配置用于接收客户端发送的信息；提取单元，配置用于从上述信息中提取出特征向量，其中，上述特征向量用于表征上述信息的内容；分类单元，配置用于将上述特征向量导入预先训练的信息分类模型进行分类得到上述信息所属的类别；输出单元，配置用于从上述类别所指示的预存反馈信息集合中匹配出与上述信息相关联的目标反馈信息，并将上述目标反馈信息输出至上述客户端。
在一些实施例中，上述装置还包括：信息分类模型建立单元，配置用于建立信息分类模型，包括：获取子单元，配置用于获取样本数据集合和与上述样本数据集合中的每一个样本数据分别相关联的类别；准确率确定子单元，配置用于对于预先存储的候选信息分类模型中的每一个候选信息分类模型，将上述候选信息分类模型作为待评估候选信息分类模型，基于上述样本数据集合和与上述样本数据集合中的每一个样本数据分别相关联的类别，确定上述待评估候选信息分类模型的准确率，其中，上述预先存储的候选信息分类模型是未经训练的模型；目标信息分类模型确定子单元，配置用于基于所确定的准确率，在上述预先存储的候选信息分类模型中确定目标信息分类模型；训练子单元，配置用于利用机器学习方法，基于上述样本数据集合和与上述样本数据集合中的每一个样本数据分别相关联的类别，对上述目标信息分类模型进行训练得到信息分类模型。
在一些实施例中，上述准确率确定子单元包括：第一准确率确定模块，配置用于采用交叉验证方法来确定上述待评估候选信息分类模型的准确率。
在一些实施例中，上述准确率确定子单元包括：权重值确定模块，配置用于对于上述样本数据集合中的每一类别样本数据，确定与上述类别样本数据相关联的权重值，其中，上述权重值为上述类别样本数据的数目与上述样本数据集合所包含的样本数据的总数目的比值；第二准确率确定模块，配置用于根据所确定的权重值，确定上述待评估候选信息分类模型的准确率。
在一些实施例中，上述第二准确率确定模块包括：处理子模块，配置用于循环执行以下处理步骤预定数目次：将上述样本数据集合划分为训练集和测试集，利用机器学习方法，基于上述训练集和与上述训练集中的每一个训练样本数据分别相关联的类别对上述待评估候选信息分类模型进行训练得到训练后的候选信息分类模型，利用上述训练后的候选信息分类模型对上述测试集中的每一个测试样本数据的类别进行预测得到预测结果，对于上述测试集中的每一类别测试样本数据，基于上述预测结果确定与上述类别测试样本数据相关联的预测准确率，将与上述样本数据集合所包含的与上述类别测试样本数据具有相同类别的样本数据相关联的权重值与上述预测准确率的乘积作为与上述类别测试样本数据相关联的加权预测准确率，将与上述测试集中的每一类别测试样本数据分别相关联的加权预测准确率相加所得的数值作为与上述待评估候选信息分类模型相关联的第一加权预测准确率，将上述待评估候选信息分类模型恢复至未经训练的状态，其中，上述训练集和上述测试集包含相同类别的样本数据，与上述类别测试样本数据相关联的预测准确率为上述训练后的候选信息分类模型对上述类别测试样本数据的类别预测正确的数目与上述类别测试样本数据的数目的比值；准确率确定子模块，配置用于将所得的上述预定数目个第一加权预测准确率的平均值作为上述待评估候选信息分类模型的准确率。
在一些实施例中，上述目标信息分类模型确定子单元包括：目标信息分类模型确定模块，配置用于将上述预先存储的候选信息分类模型中的准确率最高的候选信息分类模型作为目标信息分类模型。
第三方面，本申请提供了一种服务器，该服务器包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当上述一个或多个程序被上述一个或多个处理器执行，使得上述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，本申请提供了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，上述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。
本申请提供的信息输出方法和装置，通过从所接收的信息中提取出特征向量，以便将该特征向量导入预先训练的信息分类模型进行分类得到该信息所属的类别。而后从该类别所指示的预存反馈信息集合中匹配出与该信息相关联的目标反馈信息，以便将该目标反馈信息输出至客户端。从而有效利用了预先训练的信息分类模型对该信息进行分类，提高了信息输出的效率。
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是根据本申请的信息输出方法的一个实施例的流程图；
图3是与图2所示的实施例对应的一个应用场景的示意图；
图4是根据本申请的根据所确定的权重值确定待评估候选信息分类模型的准确率的一个实施例的流程图。
图5是根据本申请的信息输出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服务器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信息输出方法或信息输出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，例如支持自动人工智能应答的应用、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可以是具有显示屏的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、mp3播放器(movingpictureexpertsgroupaudiolayeriii，动态影像专家压缩标准音频层面3)、mp4(movingpictureexpertsgroupaudiolayeriv，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。
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发送的信息进行分析等处理的后台服务器，该后台服务器还可以将处理结果(例如与上述信息相关联的目标反馈信息)反馈给终端设备。
需要说明的是，本申请实施例所提供的信息输出方法一般由服务器105执行，相应地，信息输出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，示出了根据本申请的信息输出方法的一个实施例的流程200。该信息输出方法，包括以下步骤：
步骤201，接收客户端发送的信息。
在本实施例中，信息输出方法运行于其上的电子设备(例如图1所示的服务器105)可以通过有线连接方式或者无线连接方式接收客户端(例如图1所示的终端设备101、102、103)发送的信息。其中，该信息可以是用户通过上述客户端以文本或语音方式发送的咨询信息，例如用于咨询能否送货上门、下单后是否可以修改订单、支付方式有哪些、大家电安装费用怎么算等的信息。
步骤202，从上述信息中提取出特征向量。
在本实施例中，上述电子设备可以从上述信息中提取出特征向量。其中，该特征向量可以用于表征上述信息的内容。这里，如果上述信息为语音信息，上述电子设备可以利用语音识别技术将上述信息转换为文本信息。上述电子设备可以将上述信息或对上述信息进行转换所得的文本信息导入预先训练的用于提取特征词的特征提取模型进行特征词提取，并基于所得的特征词生成特征向量。作为示例，对于文本信息“大家电安装费用怎么算”，通过上述特征提取模型提取的该文本信息的特征词可以为“大家电”和“安装费用”，那么可以得到该文本信息的二维特征向量(“大家电”，“安装费用”)。
在本实施例的一些可选的实现方式中，上述电子设备还可以对从上述信息中提取的特征词进行量化，得到用于表征特征词的数值，并基于该数值生成特征向量。这里，上述数值可以为特征词的权值，权值可以为特征词在所在信息中出现的次数。
步骤203，将特征向量导入预先训练的信息分类模型进行分类得到上述信息所属的类别。
在本实施例中，上述电子设备可以将从上述信息中提取出的特征向量导入上述信息分类模型，上述信息分类模型会将上述特征向量按照预先训练好的对应关系，找到与上述特征向量对应的类别，并将该类别作为上述信息所属的类别。
在本实施例的一些可选的实现方式中，上述信息输出方法还可以包括建立信息分类模型的步骤，可以包括：首先，上述电子设备可以获取样本数据集合和与该样本数据集合中的每一个样本数据分别相关联的类别，其中，与上述样本数据集合中的每一个样本数据分别相关联的类别可以是人为预先标注的。而后，对于预先存储的候选信息分类模型中的每一个候选信息分类模型，将该候选信息分类模型作为待评估候选信息分类模型，上述电子设备可以基于上述样本数据集合和与上述样本数据集合中的每一个样本数据分别相关联的类别，确定上述待评估候选信息分类模型的准确率。之后，上述电子设备可以基于所确定的准确率，在上述预先存储的候选信息分类模型中确定目标信息分类模型。最后，上述电子设备可以利用机器学习方法，基于上述样本数据集合和与上述样本数据集合中的每一个样本数据分别相关联的类别，对上述目标信息分类模型进行训练得到信息分类模型。这里，上述电子设备可以采用交叉验证方法来确定上述待评估候选信息分类模型的准确率。而且上述电子设备可以将上述预先存储的候选信息分类模型中的准确率最高的候选信息分类模型作为目标信息分类模型。如果准确率最高的候选信息分类模型多于1个，上述电子设备可以从该准确率最高的候选信息分类模型中随机选取出一个候选信息分类模型作为目标信息分类模型。需要说明的是，上述交叉验证方法是目前广泛研究和应用的公知技术，在此不再赘述。
在本实施例的一些可选的实现方式中，对于上述样本数据集合中的每一类别样本数据，上述电子设备可以确定与该类别样本数据相关联的权重值，其中，该权重值可以为该类别样本数据的数目与上述样本数据集合所包含的样本数据的总数目的比值。例如，上述样本数据所包含的样本数据的总数目为1000，上述样本数据集合所包含的某一类别的样本数据的数目为100，则与该类别样本数据相关联的权重值为100与1000的比值，即10％。然后，上述电子设备可以根据所确定的权重值，确定上述待评估候选信息分类模型的准确率。这里，上述电子设备可以通过执行如图4所示的流程400来根据所确定的权重值确定上述待评估候选信息分类模型的准确率。
步骤204，从上述类别所指示的预存反馈信息集合中匹配出与上述信息相关联的目标反馈信息，并将目标反馈信息输出至客户端。
在本实施例中，对于上述信息分类模型所能识别出的每一个类别，上述电子设备本地或与上述电子设备远程连接的服务器可以有与该类别相关联的预存反馈信息集合，该预存反馈信息集合可以包括与该类别的信息相关的反馈信息。例如，上述信息分类模型所能识别出的某一个类别为“订单咨询”，那么与“订单咨询”类别相关联的预存反馈信息集合可以包含与订单咨询类信息相关的反馈信息，例如反馈信息“您可以点击这里查看相应订单号后面的‘删除’选项，删除该订单购买记录。删除订单可以在我的订单页面订单回收站里面查看到”。而且，对于上述信息分类模型所能识别出的每一个类别，上述电子设备本地或与上述电子设备远程连接的服务器可以预先存储用于表征该类别以及与该类别相关联的预存反馈信息集合的对应关系的信息列表。该信息列表中的每一条信息可以包括类别和与该类别相关联的预存反馈信息集合的标识。
在本实施例中，当上述电子设备通过执行上述步骤203得到上述信息所属的类别后，可以通过读取上述信息列表来确定上述类别所指示的预存反馈信息集合，进而上述电子设备可以在该预存信息反馈集合中匹配出与上述信息相关联的目标反馈信息，并将该目标反馈信息输出至上述客户端。这里，上述电子设备可以通过计算上述信息与上述类别所指示的预存反馈信息集合中的每一条反馈信息的匹配度，按匹配度由大到小的顺序，从该预存反馈信息集合中选取出第二预定数目条反馈信息作为目标反馈信息。
在本实施例的一些可选的实现方式中，对于上述信息所属的类别所指示的预存反馈信息集合中的每一条反馈信息，该条反馈信息与上述信息的匹配度可以为该条反馈信息包含的上述信息的特征词的数目与上述信息所包含的特征词的总数目的比值。作为示例，上述信息为“大家电安装费用怎么算”，上述信息的特征词为“大家电”和“安装费用”；上述类别所指示的预存反馈信息集合中的某一条反馈信息为“不同厂家安装费用收取标准不同，建议咨询厂家客服了解，空调安装费用可在商品介绍页面查看”。由于该条反馈信息包括上述信息的特征词“安装费用”，因此该条反馈信息与上述信息的匹配度可以为1与2的比值，即50％。
继续参见图3，图3是与图2所示的实施例对应的一个应用场景。在图3的应用场景中，如标号301所示，用户首先通过客户端发送文本信息“订单如何取消”。之后，如标号302所示，服务器可以在上述文本信息中提取出特征向量(3，1)，其中，3表示特征词“订单”，1表示特征词“取消”。然后，如标号303所示，服务器可以将上述特征向量导入预先训练的信息分类模型进行分类得到上述文本信息所属的类别“订单咨询”。最后，如标号304所示，服务器可以从“订单咨询”所指示的预存反馈信息集合中匹配出与上述文本信息相关联的目标反馈信息“请点击这里在相应订单申请取消即可。若因商品已发出而取消失败，建议拒收(特殊商品如：生鲜，奢侈品，定制类等除外)”，并将该目标反馈信息输出至上述客户端。
本实施例所示的信息输出方法，有效利用了预先训练的信息分类模型对该信息进行分类，提高了信息输出的效率。
进一步参考图4，其示出了根据本申请的根据所确定的权重值确定待评估候选信息分类模型的准确率的流程400。该流程400包括以下步骤：
步骤401，将样本数据集合划分为训练集和测试集。
在本实施例中，上述电子设备可以将上述样本数据集合划分为训练集和测试集，其中，上述训练集和上述测试集包含相同类别的样本数据。这里，上述训练集所包含的训练样本数据与上述测试集所包含的测试样本数据通常是互不相同的。而且上述训练集所包含的训练样本数据的数目通常多于上述测试集所包含的测试样本数据的数目。作为示例，上述样本数据集合包含样本数据a1、a2、a3、b1、b2、b3，其中a1、a2、a3所属的类别被标注为a，b1、b2、b3所属的类别被标注为b，则上述电子设备可以在a类别样本数据中随机选取第一预定数目个样本数据作为测试样本，如果a1被作为测试样本，上述电子设备可以将a2和a3作为训练样本；同理，如果b类别样本数据中的b2被作为测试样本，上述电子设备可以将b1和b3作为训练样本；上述电子设备可以将测试样本a1和b2作为测试集，将训练样本a2、a3、b1和b3作为训练集。
步骤402，利用机器学习方法，基于训练集和与训练集中的每一个训练样本数据分别相关联的类别对待评估候选信息分类模型进行训练得到训练后的候选信息分类模型。
在本实施例中，上述电子设备可以利用机器学习方法，通过上述训练集和与上述训练集中的每一个训练样本数据分别相关联的类别对待评估候选信息分类模型进行训练，得到能够建立上述训练集中的每一个训练样本数据和与该训练样本数据相关联的类别之间准确对应关系的训练后的候选信息分类模型。
步骤403，利用训练后的候选信息分类模型对测试集中的每一个测试样本数据的类别进行预测得到预测结果。
在本实施例中，对于上述测试集中的每一个测试样本数据，上述电子设备可以采用与上述步骤206相同的方法，从该测试样本数据中提取出该测试样本数据的特征向量，并将该特征向量导入上述训练后的候选信息分类模型进行类别预测，得到预测结果。
步骤404，对于测试集中的每一类别测试样本数据，基于预测结果确定与该类别测试样本数据相关联的预测准确率，将与样本数据集合所包含的与该类别测试样本数据具有相同类别的样本数据相关联的权重值与上述预测准确率的乘积作为与该类别测试样本数据相关联的加权预测准确率。
在本实施例中，对于上述测试集中的每一类别测试样本数据，上述电子设备可以基于上述预测结果确定与该类别测试样本数据相关联的预测准确率。其中，该预测准确率可以为上述训练后的候选信息分类模型对该类别测试样本数据的类别预测正确的数目与该类别测试样本数据的数目的比值。这里，上述电子设备可以将与该类别测试样本数据相关联的预测结果与该类别测试样本数据的实际类别进行比较，从而得到上述训练后的候选信息分类模型对该类别测试样本数据的类别预测正确的数目。之后，上述电子设备可以将与上述样本数据集合所包含的与该类别测试样本数据具有相同类别的样本数据相关联的权重值与该预测准确率的乘积作为与该类别测试样本数据相关联的加权预测准确率。
作为示例，上述样本数据集合包含1000个样本数据，其中有200个样本数据所属的类别被标注为a，有400个样本数据的类别被标注为b，其余400个样本数据的类别被标注为c。与a类别样本数据相关联的权重值为20％。与b类别样本数据和c类别样本数据分别相关联的权重值均为40％。假定上述测试集包含a、b、c类别的测试样本数据各50个，并且上述电子设备已确定上述训练后的候选信息分类模型对a类别测试样本数据的类别预测正确的数目为45，对b类别测试样本数据的类别预测正确的数目为46，对c类别测试样本数据的类别预测正确的数目为44。那么对于上述测试集中的每一类别测试样本数据，与a类别测试样本数据相关联的预测准确率可以为45与50的比值，即90％，与a类别测试样本数据相关联的加权预测准确率可以为20％(与上述样本数据集合所包含的a类别样本数据相关联的权重值)与90％的乘积，即16％；与b类别测试样本数据相关联的预测准确率可以为46与50的比值，即92％，与b类别测试样本数据相关联的加权预测准确率可以为40％(与上述样本数据集合所包含的b类别样本数据相关联的权重值)与92％的乘积，即36.8％；与c类别测试样本数据相关联的预测准确率可以为44与50的比值，即88％，与c类别测试样本数据相关联的加权预测准确率可以为40％(与上述样本数据集合所包含的c类别样本数据相关联的权重值)与88％的乘积，即35.2％。
步骤405，将与测试集中的每一类别测试样本数据分别相关联的加权预测准确率相加所得的数值作为与待评估候选信息分类模型相关联的第一加权预测准确率。
在本实施例中，上述电子设备可以将与上述测试集中的每一类别测试样本数据分别相关联的加权预测准确率相加所得的数值作为与上述待评估候选信息分类模型相关联的第一加权预测准确率。继续以步骤404中的示例为例，已知与测试集中的a类别测试样本数据相关联的加权预测准确率为16％，与测试集中的b类别测试样本数据相关联的加权预测准确率为36.8％，与测试集中的c类别测试样本数据相关联的加权预测准确率为35.2％，那么16％、36.8％和35.2％相加所得的数值88％可以作为与上述待评估候选信息分类模型相关联的第一加权预测准确率。
在本实施例的一些可选的实现方式中，上述电子设备可以记录上述第一加权预测准确率至本地内存或硬盘中。
步骤406，将待评估候选信息分类模型恢复至未经训练的状态。
在本实施例中，在得到与上述待评估候选信息分类模型相关联的第一加权预测准确率后，上述电子设备可以将上述待评估候选信息分类模型恢复至未经训练的状态，以备后续的训练使用。
在本实施例的一些可选的实现方式中，上述电子设备在将上述待评估候选信息分类模型恢复至未经训练的状态后，可以记录针对上述步骤401至上述步骤406的循环执行次数。
步骤407，确定针对上述步骤401至上述步骤406的循环执行次数是否达到预定数目次。
在本实施例中，上述电子设备在执行完上述步骤406后，可以将所记录的针对上述步骤401至上述步骤406的循环执行次数与预定数目进行比较，若该循环执行次数低于预定数目，上述电子设备可以转到步骤401；若该环执行次数达到预定数目次，上述电子设备可以转到步骤408。
步骤408，将所得的预定数目个第一加权预测准确率的平均值作为待评估候选信息分类模型的准确率。
在本实施例中，上述电子设备在循环执行完上述步骤401至上述步骤406预定数目次后，可以将所得到的上述预定数目个第一加权预测准确率的平均值作为上述待评估候选信息分类模型的准确率。
图4所示的实施例，通过结合与上述样本数据集合中的每一类别样本数据相关联的权重值，来确定上述待评估候选信息分类模型的准确率，从而提高了对上述待评估候选信息分类模型的准确率进行评估的准确度。
进一步参考图5，作为对上述各图所示方法的实现，本申请提供了一种信息输出装置的一个实施例，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，本实施例所示的信息输出装置500包括：接收单元501、提取单元502、分类单元503和输出单元504。其中，接收单元501配置用于接收客户端发送的信息；提取单元502配置用于从上述信息中提取出特征向量，其中，上述特征向量用于表征上述信息的内容；分类单元503配置用于将上述特征向量导入预先训练的信息分类模型进行分类得到上述信息所属的类别；输出单元504配置用于从上述类别所指示的预存反馈信息集合中匹配出与上述信息相关联的目标反馈信息，并将上述目标反馈信息输出至上述客户端。
在本实施例中，信息输出装置500中：接收单元501、提取单元502、分类单元503和输出单元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，上述装置500还可以包括：信息分类模型建立单元(图中未示出)，配置用于建立信息分类模型，可以包括：获取子单元(图中未示出)，配置用于获取样本数据集合和与上述样本数据集合中的每一个样本数据分别相关联的类别；准确率确定子单元(图中未示出)，配置用于对于预先存储的候选信息分类模型中的每一个候选信息分类模型，将该候选信息分类模型作为待评估候选信息分类模型，基于上述样本数据集合和与上述样本数据集合中的每一个样本数据分别相关联的类别，确定上述待评估候选信息分类模型的准确率，其中，上述预先存储的候选信息分类模型是未经训练的模型；目标信息分类模型确定子单元(图中未示出)，配置用于基于所确定的准确率，在上述预先存储的候选信息分类模型中确定目标信息分类模型；训练子单元(图中未示出)，配置用于利用机器学习方法，基于上述样本数据集合和与上述样本数据集合中的每一个样本数据分别相关联的类别，对上述目标信息分类模型进行训练得到信息分类模型。
在本实施例的一些可选的实现方式中，上述准确率确定子单元可包括：第一准确率确定模块(图中未示出)，配置用于采用交叉验证方法来确定上述待评估候选信息分类模型的准确率。
在本实施例的一些可选的实现方式中，上述准确率确定子单元可以包括：权重值确定模块(图中未示出)，配置用于对于上述样本数据集合中的每一类别样本数据，确定与该类别样本数据相关联的权重值，其中，上述权重值为该类别样本数据的数目与上述样本数据集合所包含的样本数据的总数目的比值；第二准确率确定模块(图中未示出)，配置用于根据所确定的权重值，确定上述待评估候选信息分类模型的准确率。
在本实施例的一些可选的实现方式中，上述第二准确率确定模块可以包括：处理子模块(图中未示出)，配置用于循环执行以下处理步骤预定数目次：将上述样本数据集合划分为训练集和测试集，利用机器学习方法，基于上述训练集和与上述训练集中的每一个训练样本数据分别相关联的类别对上述待评估候选信息分类模型进行训练得到训练后的候选信息分类模型，利用上述训练后的候选信息分类模型对上述测试集中的每一个测试样本数据的类别进行预测得到预测结果，对于上述测试集中的每一类别测试样本数据，基于上述预测结果确定与该类别测试样本数据相关联的预测准确率，将与上述样本数据集合所包含的与该类别测试样本数据具有相同类别的样本数据相关联的权重值与上述预测准确率的乘积作为与该类别测试样本数据相关联的加权预测准确率，将与上述测试集中的每一类别测试样本数据分别相关联的加权预测准确率相加所得的数值作为与上述待评估候选信息分类模型相关联的第一加权预测准确率，将上述待评估候选信息分类模型恢复至未经训练的状态，其中，上述训练集和上述测试集包含相同类别的样本数据，对于上述测试集中的每一类别测试样本数据，与该类别测试样本数据相关联的预测准确率为上述训练后的候选信息分类模型对该类别测试样本数据的类别预测正确的数目与该类别测试样本数据的数目的比值；准确率确定子模块(图中未示出)，配置用于将所得的上述预定数目个第一加权预测准确率的平均值作为上述待评估候选信息分类模型的准确率。
在本实施例的一些可选的实现方式中，上述目标信息分类模型确定子单元可以包括：目标信息分类模型确定模块(图中未示出)，配置用于将上述预先存储的候选信息分类模型中的准确率最高的候选信息分类模型作为目标信息分类模型。
下面参考图6，其示出了适于用来实现本申请实施例的服务器的计算机系统600的结构示意图。图6示出的服务器仅仅是一个示例，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ram603中，还存储有系统600操作所需的各种程序和数据。cpu601、rom602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。
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。
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：一种处理器包括接收单元、提取单元、分类单元和输出单元。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，接收单元还可以被描述为“接收客户端发送的信息的单元”。
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一个该装置执行时，使得该装置包括：接收客户端发送的信息；从上述信息中提取出特征向量，其中，上述特征向量用于表征上述信息的内容；将上述特征向量导入预先训练的信息分类模型进行分类得到上述信息所属的类别；从上述类别所指示的预存反馈信息集合中匹配出与上述信息相关联的目标反馈信息，并将上述目标反馈信息输出至上述客户端。
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。