评论分析方法及装置与流程

本公开涉及计算机技术领域，尤其涉及一种评论分析方法及装置。

背景技术：

随着社交网络、移动互联网的不断普及，人们发布信息的成本越来越低，越来越多的用户乐于在互联网上分享自己的观点以及对于人物、事件、产品的评论。这些评论反映了人们对于事物的观点和情感倾向，对于舆情分析以及基于大数据的预测有着重要的意义。因此，情感分析技术应运而生。情感分析也被称为观点挖掘、观点分析，情感分析的目的是从文本中挖掘用户表达的观点，通常用情感极性来表示(例如，正向、负向、中性等)。传统的情感分析主要关注一条评论整体的情感极性，然而整体的情感极性往往粒度较粗，用户无法依据整体的情感极性来判断当前产品在自己关注的某个属性上是否具有良好的口碑。一个整体口碑较好的产品不一定在每个属性上都具有良好的口碑，而不同的用户对同类别的产品关注的属性往往也存在一定的差异。因此，如何对产品进行细粒度的情感分析成为亟待解决的问题。

技术实现要素：

有鉴于此，本公开提出了一种评论分析方法及装置。

根据本公开的一方面，提供了一种评论分析方法，包括：

从针对指定对象的各条评论中提取第一组新词；

根据所述第一组新词，对针对所述指定对象的各条评论进行分词处理，得到针对所述指定对象的各条评论的分词结果；

对于针对所述指定对象的任意一条评论，将所述评论的分词结果输入预测模型中，得到所述评论对应的观点类别，以及所述评论的分词结果中的观点部分；

根据各个观点类别对应的评论的分词结果中的观点部分，确定所述指定对象在各个观点类别的情感倾向。

在一种可能的实现方式中，在将所述评论的分词结果输入预测模型中之前，所述方法还包括：

对于训练数据集中的任意一个训练对象，从针对所述训练对象的各条评论中提取第二组新词；

根据所述第二组新词，对针对所述训练对象的各条评论进行分词处理，得到针对所述训练对象的各条评论的分词结果；

对于针对所述训练对象的任意一条评论，根据所述评论对应的观点类别，以及所述评论的分词结果中的观点部分，对所述评论的分词结果中的各个词进行标注，得到所述评论对应的标注结果；

根据针对所述训练对象的各条评论对应的标注结果训练所述预测模型。

在一种可能的实现方式中，对于针对所述训练对象的任意一条评论，根据所述评论对应的观点类别，以及所述评论的分词结果中的观点部分，对所述评论的分词结果中的各个词进行标注，得到所述评论对应的标注结果，包括：

对于针对所述训练对象的任意一条评论，根据所述评论对应的观点类别，将所述评论的分词结果中的各个词标注为观点部分的开头、观点部分的中间、观点部分的结尾或者不属于观点部分，得到所述评论对应的标注结果。

在一种可能的实现方式中，根据各个观点类别对应的评论的分词结果中的观点部分，确定所述指定对象在各个观点类别的情感倾向，包括：

对于任意一个观点类别，根据所述观点类别对应的评论的分词结果中的观点部分，确定各条评论对应的观点提取结果；

将各条评论对应的观点提取结果转换为二维矩阵；

将所述二维矩阵输入卷积神经网络中，并通过所述卷积神经网络的最大池化层提取所有卷积核的匹配特征；

根据所述匹配特征确定所述指定对象在所述观点类别的情感倾向。

在一种可能的实现方式中，从针对指定对象的各条评论中提取第一组新词，包括：

对针对指定对象的各条评论进行相邻文字切割，得到切割结果；

根据所述切割结果的凝固度和自由度，从针对指定对象的各条评论中提取新词。

根据本公开的另一方面，提供了一种评论分析装置，包括：

第一提取模块，用于从针对指定对象的各条评论中提取第一组新词；

第一分词模块，用于根据所述第一组新词，对针对所述指定对象的各条评论进行分词处理，得到针对所述指定对象的各条评论的分词结果；

预测模块，用于对于针对所述指定对象的任意一条评论，将所述评论的分词结果输入预测模型中，得到所述评论对应的观点类别，以及所述评论的分词结果中的观点部分；

确定模块，用于根据各个观点类别对应的评论的分词结果中的观点部分，确定所述指定对象在各个观点类别的情感倾向。

在一种可能的实现方式中，所述装置还包括：

第二提取模块，用于对于训练数据集中的任意一个训练对象，从针对所述训练对象的各条评论中提取第二组新词；

第二分词模块，用于根据所述第二组新词，对针对所述训练对象的各条评论进行分词处理，得到针对所述训练对象的各条评论的分词结果；

标注模块，用于对于针对所述训练对象的任意一条评论，根据所述评论对应的观点类别，以及所述评论的分词结果中的观点部分，对所述评论的分词结果中的各个词进行标注，得到所述评论对应的标注结果；

训练模块，用于根据针对所述训练对象的各条评论对应的标注结果训练所述预测模型。

在一种可能的实现方式中，所述标注模块用于：

对于针对所述训练对象的任意一条评论，根据所述评论对应的观点类别，将所述评论的分词结果中的各个词标注为观点部分的开头、观点部分的中间、观点部分的结尾或者不属于观点部分，得到所述评论对应的标注结果。

在一种可能的实现方式中，所述确定模块包括：

第一确定子模块，用于对于任意一个观点类别，根据所述观点类别对应的评论的分词结果中的观点部分，确定各条评论对应的观点提取结果；

转换子模块，用于将各条评论对应的观点提取结果转换为二维矩阵；

第一提取子模块，用于将所述二维矩阵输入卷积神经网络中，并通过所述卷积神经网络的最大池化层提取所有卷积核的匹配特征；

第二确定子模块，用于根据所述匹配特征确定所述指定对象在所述观点类别的情感倾向。

在一种可能的实现方式中，所述第一提取模块包括：

切割子模块，用于对针对指定对象的各条评论进行相邻文字切割，得到切割结果；

第二提取子模块，用于根据所述切割结果的凝固度和自由度，从针对指定对象的各条评论中提取新词。

根据本公开的另一方面，提供了一种评论分析装置，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为执行上述方法。

根据本公开的另一方面，提供了一种非易失性计算机可读存储介质，其上存储有计算机程序指令，其中，所述计算机程序指令被处理器执行时实现上述方法。

本公开的各方面的评论分析方法及装置通过从针对指定对象的各条评论中提取第一组新词，根据第一组新词，对针对指定对象的各条评论进行分词处理，得到针对指定对象的各条评论的分词结果，对于针对指定对象的任意一条评论，将该评论的分词结果输入预测模型中，得到该评论对应的观点类别，以及该评论的分词结果中的观点部分，并根据各个观点类别对应的评论的分词结果中的观点部分，确定指定对象在各个观点类别的情感倾向，由此能够对指定对象进行细粒度的情感分析，准确确定指定对象在各个观点类别的情感倾向，能够帮助业务人员了解广大用户对指定对象的评论角度和褒贬态度，充分挖掘评论信息的价值。

根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。

附图说明

包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面，并且用于解释本公开的原理。

图1示出根据本公开一实施例的评论分析方法的流程图。

图2示出根据本公开一实施例的评论分析方法中通过预测模型确定评论对应的观点类别，以及评论的分词结果中的观点部分的示意图。

图3示出根据本公开一实施例的评论分析方法的一示例性的流程图。

图4示出根据本公开一实施例的评论分析方法步骤s14的一示例性的流程图。

图5示出根据本公开一实施例的评论分析方法中确定指定对象在各个观点类别的情感倾向的示意图。

图6a至图6c示出根据本公开一实施例的评论分析方法中电影或电视剧类视频在各个观点类别的情感倾向的示意图。

图7a和图7b示出根据本公开一实施例的评论分析方法中综艺类视频在各个观点类别的情感倾向的示意图。

图8示出根据本公开一实施例的评论分析方法步骤s11的一示例性的流程图。

图9示出根据本公开一实施例的评论分析装置的框图。

图10示出根据本公开一实施例的评论分析装置的一示例性的框图。

图11是根据一示例性实施例示出的一种用于评论分析的装置800的框图。

图12是根据一示例性实施例示出的一种用于评论分析的装置1900的框图。

具体实施方式

以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。

在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。

另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。

图1示出根据本公开一实施例的评论分析方法的流程图。如图1所示，该方法包括步骤s11至步骤s14。

在步骤s11中，从针对指定对象的各条评论中提取第一组新词。

其中，指定对象可以指需要进行评论分析的任意对象。例如，指定对象可以为视频、音频、新闻、人物、事件或者产品等。

在本实施例中，可以采用相关技术中的新词提取技术，从针对指定对象的所有评论中提取第一组新词。其中，第一组新词可以指指定对象对应的新词。

在步骤s12中，根据第一组新词，对针对指定对象的各条评论进行分词处理，得到针对指定对象的各条评论的分词结果。

在一种可能的实现方式中，可以将第一组新词作为对指定对象进行分词的字典，对针对指定对象的各条评论进行分词处理。

在一种可能的实现方式中，在对针对指定对象的各条评论进行分词处理之前，可以对针对指定对象的各条评论进行预处理，以提高评论分析的准确性和效率。

作为该实现方式的一个示例，对针对指定对象的各条评论进行预处理可以包括：删除针对指定对象的各条评论中的指定字符。例如，可以删除微博等评论中的转发字符。

作为该实现方式的另一个示例，对针对指定对象的各条评论进行预处理可以包括：将针对指定对象的各条评论中的繁体字转换为简体字。

作为该实现方式的另一个示例，对针对指定对象的各条评论进行预处理可以包括：删除针对指定对象的重复的评论。

在步骤s13中，对于针对指定对象的任意一条评论，将该评论的分词结果输入预测模型中，得到该评论对应的观点类别，以及该评论的分词结果中的观点部分。

在本实施例中，预测模型可以用于预测各条评论对应的观点类别，以及各条评论的分词结果中的观点部分。例如，可以预测出各条评论的分词结果中的各个词是否属于观点部分，在某一个词属于观点部分的情况下，可以预测出该词属于观点部分的开头、观点部分的中间或者观点部分的结尾。

图2示出根据本公开一实施例的评论分析方法中通过预测模型确定评论对应的观点类别，以及评论的分词结果中的观点部分的示意图。如图2所示，可以采用bilstm+softmax结构训练预测模型。其中，可以采用3层的bilstm结构。

在步骤s14中，根据各个观点类别对应的评论的分词结果中的观点部分，确定指定对象在各个观点类别的情感倾向。

本实施例通过从针对指定对象的各条评论中提取第一组新词，根据第一组新词，对针对指定对象的各条评论进行分词处理，得到针对指定对象的各条评论的分词结果，对于针对指定对象的任意一条评论，将该评论的分词结果输入预测模型中，得到该评论对应的观点类别，以及该评论的分词结果中的观点部分，并根据各个观点类别对应的评论的分词结果中的观点部分，确定指定对象在各个观点类别的情感倾向，由此能够对指定对象进行细粒度的情感分析，准确确定指定对象在各个观点类别的情感倾向，能够帮助业务人员了解广大用户对指定对象的评论角度和褒贬态度，充分挖掘评论信息的价值。

图3示出根据本公开一实施例的评论分析方法的一示例性的流程图。如图3所示，该方法可以包括步骤s31至步骤s38。

在步骤s31中，对于训练数据集中的任意一个训练对象，从针对训练对象的各条评论中提取第二组新词。

其中，训练数据集中可以包括大量训练对象，训练对象可以为视频、音频、新闻、人物、事件或者产品等，在此不作限定。

在本实施例中，可以采用相关技术中的新词提取技术，从针对训练对象的各条评论中提取第二组新词。其中，第二组新词可以指训练对象对应的新词。

在步骤s32中，根据第二组新词，对针对训练对象的各条评论进行分词处理，得到针对训练对象的各条评论的分词结果。

在一种可能的实现方式中，可以将第二组新词作为对训练对象进行分词的字典，对针对训练对象的各条评论进行分词处理。

在一种可能的实现方式中，在对针对训练对象的各条评论进行分词处理之前，可以对针对训练对象的各条评论进行预处理，以提高评论分析的准确性和效率。

作为该实现方式的一个示例，对针对训练对象的各条评论进行预处理可以包括：删除针对训练对象的各条评论中的指定字符。例如，可以删除微博等评论中的转发字符。

作为该实现方式的另一个示例，对针对训练对象的各条评论进行预处理可以包括：将针对训练对象的各条评论中的繁体字转换为简体字。

作为该实现方式的另一个示例，对针对训练对象的各条评论进行预处理可以包括：删除针对训练对象的重复的评论。

在步骤s33中，对于针对训练对象的任意一条评论，根据该评论对应的观点类别，以及该评论的分词结果中的观点部分，对该评论的分词结果中的各个词进行标注，得到该评论对应的标注结果。

在一种可能的实现方式中，对于针对训练对象的任意一条评论，根据该评论对应的观点类别，以及该评论的分词结果中的观点部分，对该评论的分词结果中的各个词进行标注，得到该评论对应的标注结果，包括：对于针对训练对象的任意一条评论，根据该评论对应的观点类别，将该评论的分词结果中的各个词标注为观点部分的开头、观点部分的中间、观点部分的结尾或者不属于观点部分，得到该评论对应的标注结果。

在步骤s34中，根据针对训练对象的各条评论对应的标注结果训练预测模型。

例如，某一训练对象的某一条评论为“真的很喜欢女主的演技”，该评论的分词结果为“真的\t很\t喜欢\t女主\t的\t演技”。该分词结果中的观点部分为“喜欢\t女主\t演技”。对该分词结果中的各个词进行标注，得到该评论对应的标注结果为“o\to\ts(演员-b)\ts(演员-m)\to\ts(演员-e)”。其中，“o”表示该词语不属于观点部分，“s(演员-b)”、“s(演员-m)”和“s(演员-e)”中的“s”表示该词语属于观点部分，“s(演员-b)”、“s(演员-m)”和“s(演员-e)”中的“演员”表示该观点部分对应的观点类别为演员类，“s(演员-b)”中的“b”表示该观点部分的开头，“s(演员-m)”中的“m”表示该观点部分的中间，“s(演员-e)”中的“e”表示该观点部分的结尾。将分词结果“真的\t很\t喜欢\t女主\t的\t演技”转换为word2vec数据，得到分词结果对应的word2vec数据。其中，分词结果对应的word2vec数据包括“真的”对应的word2vec数据，“很”对应的word2vec数据，“喜欢”对应的word2vec数据，“女主”对应的word2vec数据，“的”对应的word2vec数据，以及“演技”对应的word2vec数据。将标注结果“o\to\ts(演员-b)\ts(演员-m)\to\ts(演员-e)”转换为用于分类模型的onehot编码数据，得到标注结果对应的onehot编码数据。其中，标注结果对应的onehot编码数据包括“o”对应的onehot编码数据，“o”对应的onehot编码数据，“s(演员-b)”对应的onehot编码数据，“s(演员-m)”对应的onehot编码数据，“o”对应的onehot编码数据，以及“s(演员-e)”对应的onehot编码数据。将分词结果对应的word2vec数据作为预测模型的输入，将标注结果对应的onehot编码数据作为预测模型的输出，可以训练预测模型。

在步骤s35中，从针对指定对象的各条评论中提取第一组新词。

其中，对步骤s35参见上文对步骤s11的描述。

在步骤s36中，根据第一组新词，对针对指定对象的各条评论进行分词处理，得到针对指定对象的各条评论的分词结果。

其中，对步骤s36参见上文对步骤s12的描述。

在步骤s37中，对于针对指定对象的任意一条评论，将该评论的分词结果输入预测模型中，得到该评论对应的观点类别，以及该评论的分词结果中的观点部分。

其中，对步骤s37参见上文对步骤s13的描述。

在步骤s38中，根据各个观点类别对应的评论的分词结果中的观点部分，确定指定对象在各个观点类别的情感倾向。

其中，对步骤s38参见上文对步骤s14的描述。

图4示出根据本公开一实施例的评论分析方法步骤s14的一示例性的流程图。如图4所示，步骤s14可以包括步骤s141至步骤s144。

在步骤s141中，对于任意一个观点类别，根据该观点类别对应的评论的分词结果中的观点部分，确定各条评论对应的观点提取结果。

例如，某一评论“真的很喜欢女主的演技”对应的观点提取结果为“o\to\ts(演员-b)\ts(演员-m)\to\ts(演员-e)”。

在步骤s142中，将各条评论对应的观点提取结果转换为二维矩阵。

在一种可能的实现方式中，对于任意一个观点类别，可以通过text-cnn算法将该观点类别对应的各条评论的观点提取结果经过word2vec模型转换为二维矩阵。

在步骤s143中，将二维矩阵输入卷积神经网络中，并通过卷积神经网络的最大池化层提取所有卷积核的匹配特征。

在步骤s144中，根据匹配特征确定指定对象在该观点类别的情感倾向。

在本实施例中，卷积神经网络可以对提取的句法分析结果进行情感倾向的比例分析，从而得到指定对象在该观点类别的情感倾向。

在一种可能的实现方式中，在得到所有卷积核的匹配特征之后，可以经过全连接层和softmax得到指定对象在该观点类别的情感倾向。

图5示出根据本公开一实施例的评论分析方法中确定指定对象在各个观点类别的情感倾向的示意图。如图5所示，可以根据每个卷积核卷积后的最大值确定匹配特征。指定对象在各个观点类别的情感倾向可以为正向、负向或者中性。

图6a至图6c示出根据本公开一实施例的评论分析方法中电影或电视剧类视频在各个观点类别的情感倾向的示意图。其中，图6a示出电影或电视剧类视频在观点类别“整体评价”和“演员”的情感倾向的示意图；图6b示出电影或电视剧类视频在观点类别“剧情”和“制作”的情感倾向的示意图；图6c示出电影或电视剧类视频在观点类别“视觉音效”和“场面”的情感倾向的示意图。

图7a和图7b示出根据本公开一实施例的评论分析方法中综艺类视频在各个观点类别的情感倾向的示意图。其中，图7a示出综艺类视频在观点类别“整体评价”和“人物”的情感倾向的示意图；图7b示出综艺类视频在观点类别“环节设定”和“制作”的情感倾向的示意图。

图8示出根据本公开一实施例的评论分析方法步骤s11的一示例性的流程图。如图8所示，步骤s11可以包括步骤s111和步骤s112。

在步骤s111中，对针对指定对象的各条评论进行相邻文字切割，得到切割结果。

在一种可能的实现方式中，可以采用lucenetokenstream的offsetattribute类，对针对指定对象的评论进行相邻文字切割，得到切割结果。

在步骤s112中，根据切割结果的凝固度和自由度，从针对指定对象的各条评论中提取新词。

在本实施例中，可以根据相关技术中计算凝固度和自由度的方法，计算切割结果中各个词的凝固度和自由度。

在一种可能的实现方式中，可以在切割结果中的词a的凝固度大于第一阈值，且自由度大于第二阈值的情况下，将词a确定为新词。

图9示出根据本公开一实施例的评论分析装置的框图。如图9所示，该装置包括：第一提取模块91，用于从针对指定对象的各条评论中提取第一组新词；第一分词模块92，用于根据第一组新词，对针对指定对象的各条评论进行分词处理，得到针对指定对象的各条评论的分词结果；预测模块93，用于对于针对指定对象的任意一条评论，将该评论的分词结果输入预测模型中，得到该评论对应的观点类别，以及该评论的分词结果中的观点部分；确定模块94，用于根据各个观点类别对应的评论的分词结果中的观点部分，确定指定对象在各个观点类别的情感倾向。

图10示出根据本公开一实施例的评论分析装置的一示例性的框图。如图10所示：

在一种可能的实现方式中，该装置还包括：第二提取模块95，用于对于训练数据集中的任意一个训练对象，从针对训练对象的各条评论中提取第二组新词；第二分词模块96，用于根据第二组新词，对针对训练对象的各条评论进行分词处理，得到针对训练对象的各条评论的分词结果；标注模块97，用于对于针对训练对象的任意一条评论，根据该评论对应的观点类别，以及该评论的分词结果中的观点部分，对该评论的分词结果中的各个词进行标注，得到该评论对应的标注结果；训练模块98，用于根据针对训练对象的各条评论对应的标注结果训练预测模型。

在一种可能的实现方式中，标注模块97用于：对于针对训练对象的任意一条评论，根据该评论对应的观点类别，将该评论的分词结果中的各个词标注为观点部分的开头、观点部分的中间、观点部分的结尾或者不属于观点部分，得到该评论对应的标注结果。

在一种可能的实现方式中，确定模块94包括：第一确定子模块941，用于对于任意一个观点类别，根据该观点类别对应的评论的分词结果中的观点部分，确定各条评论对应的观点提取结果；转换子模块942，用于将各条评论对应的观点提取结果转换为二维矩阵；第一提取子模块943，用于将二维矩阵输入卷积神经网络中，并通过卷积神经网络的最大池化层提取所有卷积核的匹配特征；第二确定子模块944，用于根据匹配特征确定指定对象在该观点类别的情感倾向。

在一种可能的实现方式中，第一提取模块91包括：切割子模块911，用于对针对指定对象的各条评论进行相邻文字切割，得到切割结果；第二提取子模块912，用于根据切割结果的凝固度和自由度，从针对指定对象的各条评论中提取新词。

本实施例通过从针对指定对象的各条评论中提取第一组新词，根据第一组新词，对针对指定对象的各条评论进行分词处理，得到针对指定对象的各条评论的分词结果，对于针对指定对象的任意一条评论，将该评论的分词结果输入预测模型中，得到该评论对应的观点类别，以及该评论的分词结果中的观点部分，并根据各个观点类别对应的评论的分词结果中的观点部分，确定指定对象在各个观点类别的情感倾向，由此能够对指定对象进行细粒度的情感分析，准确确定指定对象在各个观点类别的情感倾向，能够帮助业务人员了解广大用户对指定对象的评论角度和褒贬态度，充分挖掘评论信息的价值。

图11是根据一示例性实施例示出的一种用于评论分析的装置800的框图。例如，装置800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。

参照图11，装置800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(i/o)的接口812，传感器组件814，以及通信组件816。

处理组件802通常控制装置800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。

存储器804被配置为存储各种类型的数据以支持在装置800的操作。这些数据的示例包括用于在装置800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(sram)，电可擦除可编程只读存储器(eeprom)，可擦除可编程只读存储器(eprom)，可编程只读存储器(prom)，只读存储器(rom)，磁存储器，快闪存储器，磁盘或光盘。

电源组件806为装置800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为装置800生成、管理和分配电力相关联的组件。

多媒体组件808包括在所述装置800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(lcd)和触摸面板(tp)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当装置800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(mic)，当装置800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。

i/o接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件814包括一个或多个传感器，用于为装置800提供各个方面的状态评估。例如，传感器组件814可以检测到装置800的打开/关闭状态，组件的相对定位，例如所述组件为装置800的显示器和小键盘，传感器组件814还可以检测装置800或装置800一个组件的位置改变，用户与装置800接触的存在或不存在，装置800方位或加速/减速和装置800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如cmos或ccd图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件816被配置为便于装置800和其他设备之间有线或无线方式的通信。装置800可以接入基于通信标准的无线网络，如wifi，2g或3g，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(nfc)模块，以促进短程通信。例如，在nfc模块可基于射频识别(rfid)技术，红外数据协会(irda)技术，超宽带(uwb)技术，蓝牙(bt)技术和其他技术来实现。

在示例性实施例中，装置800可以被一个或多个应用专用集成电路(asic)、数字信号处理器(dsp)、数字信号处理设备(dspd)、可编程逻辑器件(pld)、现场可编程门阵列(fpga)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由装置800的处理器820执行以完成上述方法。

图12是根据一示例性实施例示出的一种用于评论分析的装置1900的框图。例如，装置1900可以被提供为一服务器。参照图12，装置1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。

装置1900还可以包括一个电源组件1926被配置为执行装置1900的电源管理，一个有线或无线网络接口1950被配置为将装置1900连接到网络，和一个输入输出(i/o)接口1958。装置1900可以操作基于存储在存储器1932的操作系统，例如windowsservertm，macosxtm，unixtm,linuxtm，freebsdtm或类似。

在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由装置1900的处理组件1922执行以完成上述方法。

本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现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器，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器执行时，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。