一种信息筛选方法及装置与流程

本申请实施例涉及信息处理技术领域，尤其是一种信息筛选方法及装置。

背景技术：

大数据指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合，是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的信息资产。大数据技术的战略意义不在于掌握庞大的数据信息，而在于对这些含有意义的数据进行专业化处理。

如何高效率地将海量的数据信息筛选整理成为用户所需要的数据，是本申请所要解决的技术问题。

技术实现要素：

本申请实施例目的是提供一种信息筛选方法及装置，能够高效率地将海量的数据信息筛选整理成为用户所需要的数据。

为了实现上述目的，本申请实施例是这样实现的：

第一方面，提供一种信息筛选方法，包括：

获取资源对象的评价信息；

对所述评价信息进行语义分析，得到所述资源对象对应的评价标签集；

基于用于筛选符合置信要求的评价标签的选取策略，从所述评价标签集中选取出至少一个目标评价标签；

将所述至少一个目标评价标签关联所述资源对象，供用户进行所述资源对象的相关筛选。

第二方面，提供一种信息筛选装置，包括：

评价获取模块，用于获取资源对象的评价信息

标签生成模块，用于对所述评价信息进行语义分析，得到所述资源对象对应的评价标签集；

标签选取模块，用于基于用于筛选符合置信要求的评价标签的选取策略，从所述评价标签集中选取出至少一个目标评价标签；

标签关联模块，将所述至少一个目标评价标签关联所述资源对象，供用户进行所述资源对象的相关筛选。

本申请实施例的方案对资源对象的评价信息进行语义分析，得到资源对象的评价标签集，之后从评价标签集中选取出目标评价标签关联至资源对象，供用户进行资源对象的相关筛选。由于目标评价标签是从用户评论总结出的体验类属性，因此基于目标评价标的相关筛选可以更高效率地获得符合用户期望的数据信息。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请实施例中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例提供的信息筛选方法的第一种流程示意图。

图2为本申请实施例提供的信息筛选方法的第二种流程示意图。

图3为本申请实施例提供的信息筛选方法的第三种流程示意图。

图4为本申请实施例提供的信息筛选方法的第四种流程示意图。

图5为本申请实施例提供的信息筛选方法展示筛选类目的示意图。

图6为本申请实施例提供的信息筛选方法的第五种流程示意图。

图7为本申请实施例提供的信息筛选方法的第六种流程示意图。

图8为本申请实施例提供的信息筛选方法的第七种流程示意图。

图9为本申请实施例提供的信息筛选装置的结构示意图。

图10为本申请实施例提供的电子设备的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本申请中的技术方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。

大数据技术发展至今已不再局限于掌握海量的数据信息，而更着眼于在合理的时间内采集、处理并整理成为用户所需要的数据。有鉴于此，本申请旨在提供一种信息筛选方案，能够高效率将海量的数据信息筛选整理成为用户所需要的数据。

一方面，本申请实施例提供一种信息筛选方法，如图1所示，包括：

步骤s102，获取资源对象的评价信息。

针对步骤s102而言：

资源对象可以但不限于是购物网站中的商品、视频网站中的视频等网络资源数据。对应的评价信息可以是用户对资源对象体验后的评价内容。比如，用户购买某一件商品后，对该商品使用后的评价内容。

步骤s104，对评价信息进行语义分析，得到资源对象对应的评价标签集。

针对步骤s104而言：

评价标签集中的评价标签是从评价信息中总结得出的体验类属性。比如，某个笔记本电脑的评价信息为：“电脑做工好，散热强，性价比高！”，则对应的评价标签可以是“做工不错”、“散热强”、“性价高”。

其中，本步骤具体可以基语言模型，对评价信息集进行语义分析，得到资源对象对应的候选评价标签集；之后，基于相似词样本库，对候选评价标签集进行相似度去重，得到资源对象对应的评价标签集。

步骤s106，基于用于筛选符合置信要求的评价标签的选取策略，从评价标签集中选取出至少一个目标评价标签；

针对步骤s106而言：

本步骤可以基于评价标签的出现次数最大化的选取策略，从目标资源类型对应的评价标签集中选取出至少一个目标评价标签。

应理解，评价标签的出现次数越多，则表示评价越客观，对应的置信度也越高。因此，可以根据将出现次数较多的评价标签作为目标评价标签。比如，根据评价标签的出现次数，选取预设数量的评价标签作为目标评价标签；或者，选择出现次数大于预设阈值的评价标签作为目标评价标签。

此外，本步骤可以还可以基于评价标签与用户的画像信息相匹配的选取策略，从目标资源类型对应的评价标签集中选取出至少一个目标评价标签。

应理解，评价标签与用户的画像信息相匹配，则表示评价标签有很大的概率符合用户的预期，对应的置信度也越高。因此，可以在目标资源类型对应的评价标签集中，选取与用户的画像信息相匹配的评价标签作为目标评价标签。其中，用户的画像信息可以但不限于是：用户的年龄、性别、身份、经济能力等信息。比如，本步骤中确定到用户的画像信息的身份为学生，性别为女性，则可以在评价标签中选取适合女学生的目标评价标签。

此外，本步骤还可以同时基于评价标签的出现次数最大化的选取策略，和评价标签与用户的画像信息相匹配的选取策略，从目标资源类型对应的评价标签集中选取出至少一个目标评价标签。比如，在先基于评价标签的出现次数最大化的选取策略，选取出预设数量的候选目标评价标签，之后再进一步基于评价标签与用户的画像信息相匹配的选取策略，从候选目标评价标签中，再进一步选取出最终的目标评价标签。

步骤s108，将至少一个目标评价标签关联所述资源对象，供用户进行资源对象的相关筛选。

针对步骤s108而言：

本步骤可以将至少一个目标评价标签配置为资源对象的属性，供用户进行针对所述资源对象本身的筛选；和/或，将至少一个目标评价标签配置为资源对象的评价信息的属性，供用户进行对资源对象的评价信息的筛选。

通过图1所示的信息筛选方法可以知道，本申请实施例的方案对资源对象的评价信息进行语义分析，得到资源对象的评价标签集，之后从评价标签集中选取出目标评价标签关联至资源对象，供用户进行资源对象的相关筛选。由于目标评价标签是从用户评论总结出的体验类属性，因此基于目标评价标的相关筛选可以更高效率地获得符合用户期望的数据信息。

具体地，作为其中一种供用户进行资源对象的相关筛选的表现方式，用户可以在前端基于目标评价标签，发起资源对象的搜索请求。即，本申请实施例的信息筛选方法还可以包括：

步骤s110，将至少一个目标评价标签配置为资源对象所属的资源类型对应的筛选类目，和/或资源对象所属的资源类型对应的筛选类目，使得用户将目标评价标签作为关键词，对属于上述资源类型下所有资源对象或者所有评价信息进行精确筛选。

作为示例性介绍，步骤s110的应用如下：

当用户想要购买某个商品类型的商品时，如果不知道哪个品牌质量好，则可以直接根据该商品类型提供的筛选类目，来筛选匹配的资源对象或者是资源对象的评价信息。

显然，步骤s110将目标评鉴信息配置为对应资源类型的筛选类目，可以让用户更便捷地以其他用户的评价信息为参考，对资源对象进行筛选。

下面对本申请实施例的信息筛选方法进行详细介绍。

实现方式一

在本实现方式一中，信息筛选方法可以根据评价信息中的评价标签，对资源对象进行筛选。

其中，信息筛选方法分为三个阶段。

第一阶段用于将评价标签配置为资源对象的属性，从而实现基于评价标签对资源对象进行筛选的功能。

其中，如图2所示，第一阶段具体包括以下步骤：

步骤s201，定期收集/更新资源池中各个资源对象的评论信息。

步骤s202，通过语义分析api(机器学习)，去除负面无意义评论信息，并提取每个资源对象的评论信息中出现的评价标签，生成每个资源对象的评论标签集。

步骤s203，基于评价标签的出现次数最大化的选取策略，和/或评价标签与用户的画像信息相匹配的选取策略，从每个资源对象的评价标签集中选取出至少一个目标评价标签，作为该资源对象的属性。

第二阶段用于建立用于细分类目数据库(即上文所述的第一数据库)和标签数据库(即上文所述的第二数据库)。

细分类目数据库关联存储有各个资源类型以及资源类型对应的目标评价标签。本申请实施例中，在确定某一资源类型后，可以从细分类目数据库中属于该资源类型的各个目标评价标签中选取一者或多者作为该资源类型的筛选类目。

标签数据库关联存储有各个评价标签以及评价标签对应的资源对象，本申请实施例中，在确定用户用于筛选的评价标签后，可以从标签数据库中匹配查询出符合该评价标签的资源对象。

其中，如图3所示，第二阶段包括以下步骤：

步骤s301，对所有资源对象的评论标签集按照资源类型进行分类，得到各个资源类型对应的评论标签集。

步骤s302，按照有序集合数据结构(即rediszset结构)，将资源类型、评价标签集中的目标评价标签以及目标评价标签的出现次数关联存储至细分类目数据库。

作为示例性介绍，zset结构可以但不限于有以下两种方式。

第一种方式：zset结构具有键key、成员member、得分score三种属性。其中，key为资源类型，member为评价标签集中的评价标签，score为评价标签的出现次数。

第二种方式：zset结构具有key和值value两种属性。key为detailcategoryid(类目id)，value为:map<string,value>(map中的key为:tagid,value为：评价标签的出现次数)。

其中，基于zset结构的排序命令，能够针对上述两种方式的zset结构，实现以目标资源类型为约束条件，对评价标签按照出现次数进行排序的汇总。

步骤s303，按照无序集合数据结构(即redisset结构)，将资源类型、资源对象以及评价标签集中的目标评价标签关联存储至标签数据库。

作为示例性介绍，set结构key和value两种属性。其中，key为资源类型、评价标签集中的目标评价标签，value为资源对象。

应理解，基于set结构的搜索命令，可以将目标资源类型和目标筛选类目对应的评价标签为约束条件，对资源对象进行搜索。

在建立细分类目数据库和标签数据库，即可进入第三阶段，配置各个资源类型的筛选类目，并基于用户针对目标资源类型的目标筛选类目所发起的资源对象搜索请求进行筛选，确定并呈现至少一个符合目标筛选类目且属于目标资源类型的目标资源对象。

其中，如图4所示，第三阶段具体包括以下步骤：

步骤s401，对细分类目数据库执行zset结构的排序命令，获得每个资源类型对应的目标评论标签的排序结果(评论标签按照出现次数排序)。

步骤s402，根据每个资源类型对应的评论标签的排序结果，为每个资源类型确定一定数量的与用户画像信息相匹配的目标评价标签，并在前端将确定到的目标评价标签配置为所属资源类型对应的筛选类目。

比如，基于排序结果，按照出现次数由多到少的顺序，选取前n个目标评价标签配置为筛选类目。

步骤s403，接收用户针对目标资源类型的目标筛选类目所发起的资源对象搜索请求。

步骤s404，基于资源对象搜索请求，生成标签数据库的搜索命令，该搜索命令用于以目标资源类型和选中的目标筛选类目所对应的评价标签为key，对value进行搜索。

步骤s405，对标签数据库执行搜索命令，得到属于目标资源类型以及符合目标筛选类目的目标资源对象。

步骤s406，将目标资源对象作为搜索结果在前端展示给用户。

下面结合一个应用场景，对实现方式一的应用进行详细介绍。

本应用场景将用户评论信息中的评价标签配置为商品属性，以帮助用户基于作为商品属性的评价标签快速筛选商品。

对应流程如下：

步骤1：定期增量更新购物网站中全部商品的用户评论(商品及评论数会随时间发生变化)。

步骤2：基于语言模型，对确定有效的评论信息(例如正向的评论信息)，以及并分析出有效的评论信息所出现的评价标签。

例如，某品牌的一台电脑的用户评论为：“电脑做工精致，散热风扇给力，给人一种厚重的感觉，灯带键盘晚上很漂亮，键盘手感好，cpu，显卡和内存都十分给力，屏幕清晰，音效不错，总之这个价位很良心！”，通过语义api分析后。去掉参数和名词用语，提取到主观用语的候选评价标签集为：“做工精致”、“风扇给力”、“键盘漂亮”、“键盘手感不错”、“手感好”、“屏幕清晰”、“音效不错”。

另一个笔记本电脑的评价为：“电脑做工好，散热强，键盘有背光，手感好，屏幕清晰，音效不错，性价比高！”。提取的候选评价标签集有：“做工不错”、“散热强”、“手感好”、“屏幕清晰”、“音效不错”、“性价比高”。

之后根据相近词样本库对，评价标签集进行相似度去重，得到最终的评价标签集。比如，可以将“做工不错”和“做工精致”匹配为同义词，所以类似其他商品可以提取出类似如下的语义信息，遍历所有商品，

统计出笔记本电脑的评价标签集：“运行快”(出现次数：101)、“屏幕清晰”(出现次数：73)、“音质好”(出现次数：55)、“散热快”(出现次数：47)、“操作流畅”(出现次数：41)、“做工好”(出现次数：33)、“性价比高”(出现次数：32)。

这些标签因为出自用户评论，能够真实的反应用户的使用感受，是更具有意义和代表性的商品属性标签。

步骤3：将提取出来的评价标签集存到标签库中，并且标签库要和细分类目库互相对应，通过细分类目能查到对应的评价标签。目的是在用户查找某样商品时，能获取到该类商品的所有评价标签。例如用户查找“笔记本电脑”、“笔记本”、“macbook”等，要对应到“笔记本电脑”相关的评价标签上。

步骤4：将商品对应的评价标签集中评价标签配置为商品属性，使评价标签与商品关联，从而能够根据评价标签来匹配筛选出对应的商品。

步骤5：用户在网站上选择某类别的商品时，如选择“笔记本电脑”，则在标签库中查找出“笔记本电脑”所带有的全部用户评论标签的排序前5个，即上文所述的“运行快”、“屏幕清晰”、“音质好”、“散热快”以及“操作流畅”，之后如图5所示，将这些评价标签作为用户可选的“笔记本电脑”的筛选类目显示在客户端界面上。

步骤5：用户选中“运行快”的评价标签，进行笔记本电脑的商品搜索。

步骤6：将评价标签“运行快”和用户想要查找的商品类型“笔记本”发送到服务端去请求商品。服务端收到请求后，首先查找笔记本中带有用户所选择的“运行快”的全部商品，以及用户的画像信息。若未查询到画像信息，则直接向客户端发送“运行快”下的某个排行标准的一批商品的信息；若获取到较为准确的画像信息，则在“运行快”下的某个排行标准的一批商品中，进一步确定出与画像信息相匹配的目标商品，最后将目标商品的信息发送给客户端。

步骤7：客户端将收到的商品进行展示。

显然，在本实际应用中，根据用户评论快速筛选商品的功能，其优点在于：

1)增加商品可选的筛选属性。

例如：在原本商品的常规基本属性(尺寸、发货地等)基础上，提供更多根据用户评论总结出的用户体验类的属性，例如：使用流畅、做工精良、面料舒适等。

2)节省用户查看评论诗选商品的时间。

实现方式二

在本实现方式二中，信息筛选方法可以根据评价信息中的评价标签，对评价信息进行筛选。

其中，信息筛选方法分为三个阶段。

第一阶段用于将评价标签配置为资源对象的评价信息的属性，从而实现基于评价标签对资源对象的评价信息进行筛选的功能。

其中，如图6所示，第一阶段具体包括以下步骤：

步骤s601，定期收集/更新资源池中各个资源对象的评论信息。

步骤s602，通过语义分析api，去除负面无意义评论信息，并提取每个资源对象的评论信息中出现的评价标签，生成每个资源对象的评论标签集。

步骤s603，基于评价标签的出现次数最大化的选取策略，和/或评价标签与用户的画像信息相匹配的选取策略，从每个资源对象的评价标签集中选取出至少一个目标评价标签，并将目标评价标签作为其对应的评价信息的属性。

第二阶段用于建立用于细分类目数据库(即上文所述的第一数据库)和标签数据库(即上文所述的第二数据库)。

细分类目数据库关联存储有各个资源类型以及资源类型对应的目标评价标签。本申请实施例中，在确定某一资源类型后，可以从细分类目数据库中属于该资源类型的各个目标评价标签中选取一者或多者作为该资源类型的筛选类目。

标签数据库关联存储有各个评价标签、评价标签对应的评价信息，本申请实施例中，在确定用户用于筛选的评价标签后，可以从标签数据库中匹配查询出符合该评价标签的评价信息。

其中，如图7所示，第二阶段包括以下步骤：

步骤s701，对所有资源对象的评论标签集按照资源类型进行分类，得到各个资源类型对应的评论标签集。

步骤s702，按照zset结构，将资源类型、评价标签集中的目标评价标签以及目标评价标签的出现次数关联存储至细分类目数据库。

作为示例性介绍，zset结构可以但不限于有以下两种方式。

第一种方式：zset结构具有键key、成员member、得分score三种属性。其中，key为资源类型，member为评价标签集中的评价标签，score为评价标签的出现次数。

第二种方式：zset结构具有key和值value两种属性。key为detailcategoryid(类目id)，value为:map<string,value>(map中的key为:tagid,value为：评价标签的出现次数)。

其中，基于zset结构的排序命令，能够针对上述两种方式的zset结构，实现以目标资源类型为约束条件，对评价标签按照出现次数进行排序的汇总。

步骤s703，按照set结构，将资源类型、评价信息以及评价标签集中的目标评价标签关联存储至标签数据库。

作为示例性介绍，set结构key和value两种属性。其中，key为资源类型、评价标签集中的目标评价标签，value为评价信息。

应理解，基于set结构的搜索命令，可以目标资源类型和目标筛选类目对应的评价标签为约束条件，对评价信息进行搜索。

在建立细分类目数据库和标签数据库，即可进入第三阶段，配置各个资源类型的筛选类目，并基于用户针对目标资源类型的目标筛选类目所发起的评价信息搜索请求进行筛选，确定并呈现至少一个符合目标筛选类目且属于目标资源类型的目标评价信息。

其中，如图8所示，第三阶段具体包括以下步骤：

步骤s801，对细分类目数据库执行zset结构的排序命令，获得每个资源类型对应的目标评论标签的排序结果(评论标签按照出现次数排序)。

步骤s802，根据每个资源类型对应的评论标签的排序结果，为每个资源类型确定一定数量的与用户画像信息相匹配的目标评价标签，并在前端将确定到的目标评价标签配置为所属资源类型对应的筛选类目。

比如，基于排序结果，按照出现次数由多到少的顺序，选取前n个目标评价标签配置为筛选类目。

步骤s803，接收用户针对目标资源类型的目标筛选类目所发起的评价信息搜索请求。

步骤s804，基于评价信息搜索请求，生成标签数据库的搜索命令，该搜索命令用于以目标资源类型和选中的目标筛选类目所对应的评价标签为key，对value进行搜索。

步骤s805，对标签数据库执行搜索命令，得到属于目标资源类型以及符合目标筛选类目的目标评价信息。

步骤s806，将目标评价信息作为搜索结果在前端展示给用户。

下面结合一个应用场景，对实现方式二的应用进行详细介绍。

本应用场景将用户评论信息中的评价标签配置为视频属性，以帮助用户基于作为视频属性的评价标签快速筛选视频的评价信息。

对应流程如下：

步骤1：定期增量更新视频网站中全部视频的用户评论(商品及评论数会随时间发生变化)。

步骤2：基于语言模型，对确定有效的评论信息(例如正向的评论信息)，以及并分析出有效的评论信息所出现的评价标签。

例如，某一综艺节目类的视频的用户评论为：“情节搞笑，适合打发时间”，通过语义api分析后。去掉参数和名词用语，提取到主观用语的候选评价标签集为：“情节搞笑”。

另一综艺节目类的视频的评价为：“情节有趣，音乐好听，当前热播！”。提取的候选评价标签集有：“情节有趣”、“音乐好听”、“当前热播”。

之后根据相近词样本库对，评价标签集进行相似度去重，得到最终的评价标签集。比如，可以将“情节搞笑”和“情节有趣”匹配为同义词，所以类似其他商品可以提取出类似如下的语义信息，遍历所有商品，

统计出笔记本电脑的评价标签集：“情节有趣”(出现次数：101)、“音乐好听”(出现次数：73)、“当前热播”(出现次数：55)。

这些标签因为出自用户评论，能够真实的反应用户的使用感受，是更具有意义和代表性的视频属性标签。

步骤3：将提取出来的评价标签集存到标签库中，并且标签库要和细分类目库互相对应，通过细分类目能查到对应的评价标签。目的是在用户查找某类视频的评价信息时，能获取到该类视频的所有评价标签。例如用户查找“综艺节目类”的视频时，要对应到“综艺节目类”相关的评价标签上。

步骤4：将视频对应的评价标签集中评价标签配置为视频属性，使评价标签与视频关联，从而能够根据评价标签来匹配筛选出对应的视频的评价信息。

步骤5：用户在网站上选择某类别的视频时，如选择“综艺节目类”，则在标签库中查找出“综艺节目类”所带有的全部用户评论标签的排序前2个，即上文所述的“情节有趣”和“音乐好听”，之后将“情节有趣”和“音乐好听作为用户可选的“综艺节目类”的筛选类目显示在客户端界面上。

步骤5：用户选中“情节有趣”的评价标签，进行综艺节目类视频的评价信息搜索。

步骤6：将评价标签“情节有趣”和用户想要查找的视频类型“综艺节目”发送到服务端去请求商品。服务端收到请求后，首先查找综艺节目中带有用户所选择的“情节有趣”的全部评价信息，以及用户的画像信息。若未查询到画像信息，则直接向客户端发送“情节有趣”下的某个排行标准的一批评价信息；若获取到较为准确的画像信息，则在“情节有趣”下的某个排行标准的一批评价信息中，进一步确定出与画像信息相匹配的目标评价信息，最后将目标评价信息发送给客户端。

步骤7：客户端将收到的评价信息进行展示。

显然，在本实际应用中，用户可以基于评价标签对某一类型的视频进行评价信息的筛选，从而节省查找评价信息的时间。

以上是对本申请实施例的播放方法的示例性介绍，在不脱离本文上述原理基础之上，还可以进行适当的变化，这些变化也应视为本申请实施例的保护范围。

与之对应地，本申请实施例还提供一种搜索辅助方装置，如图9所示，包括：

评价获取模块91，用于获取资源对象的评价信息

标签生成模块92，用于对所述评价信息进行语义分析，得到所述资源对象对应的评价标签集；

标签选取模块93，用于基于用于筛选符合置信要求的评价标签的选取策略，从所述评价标签集中选取出至少一个目标评价标签；

标签关联模块94，将所述至少一个目标评价标签关联所述资源对象，供用户进行所述资源对象的相关筛选。

通过图9所示的信息筛选装置可以知道，本申请实施例的方案对资源对象的评价信息进行语义分析，得到资源对象的评价标签集，之后从评价标签集中选取出目标评价标签关联至资源对象，供用户进行资源对象的相关筛选。由于目标评价标签是从用户评论总结出的体验类属性，因此基于目标评价标的相关筛选可以更高效率地获得符合用户期望的数据信息。

可选地，标签关联模块94具体用于：

将所述至少一个目标评价标签配置为所述资源对象的属性，供用户进行针对所述资源对象本身的筛选；

和/或，

将所述至少一个目标评价标签配置为所述资源对象的评价信息的属性，供用户进行针对所述资源对象的评价信息的筛选。

可选地，标签选取模块93具体用于：

基于评价标签的出现次数最大化的选取策略和/或评价标签与用户的画像信息相匹配的选取策略，从评价标签集中选取出至少一个目标评价标签。

可选地，信息筛选装置还包括:

类目配置模块，用于将所述至少一个目标评价标签配置为所述资源对象所属的资源类型对应筛选类目，所述筛选类目用于对资源类型下的资源对象和/或资源对象的评价信息进行筛选。

可选地，信息筛选装置还包括:

第一存储模块，用于在得到资源对象对应的评价标签集后，按照有序集合数据结构，将资源对象所属的资源类型、评价标签集中的评价标签以及评价标签的出现次数关联存储至第一数据库；

对应地，上述类目配置模块包括：

第一配置单元，用于对所述第一数据库中的数据执行有序集合数据结构的排序命令，得到目标评价标签的排序结果，所述排序命令用于以所述资源对象所属资源类型为约束条件，对目标评价标签按照出现次数进行排序；按照排序结果的排序，选取出至少一个目标评价标签配置为所述资源对象所属的资源类型对应的筛选类目。

可选地，信息筛选装置还包括:

资源对象搜索模块，用于在将所述至少一个目标评价标签配置为所述资源对象所属的资源类型对应的筛选类目后，响应用户针对所述目标资源类型的目标筛选类目所发起的资源对象搜索请求，确定至少一个目标资源对象，所述至少一个目标资源对象符合所述目标筛选类目且属于所述目标资源类型，以及将所述至少一个目标资源对象作为所述资源对象搜索请求的搜索结果。

可选地，信息筛选装置还包括:

第二存储模块，用于在得到所述资源对象对应的评价标签集后，按照无序集合数据结构，将资源对象所属的资源类型、资源对象以及评价标签集中的目标评价标签关联存储至第二数据库；

对应地，上述资源对象搜索模块还用于：对所述第二数据库中的数据执行无序集合数据结构的搜索命令，得到至少一个目标资源对象；所述搜索命令用于以所述资源对象所属的资源类型和所述目标筛选类目对应的评价标签为约束条件，对资源对象进行搜索。

显然，本申请实施例的信息筛选装置可以作为上述信息筛选方法的执行主体，因此该信息筛选装置能够实现信息筛选方法在图1-图8所实现的功能。由于原理相同，本文不再赘述。

此外，如图10所示，本申请实施例还提供一种电子设备。在硬件层面，该电子设备包括处理器，可选地还包括内部总线、网络接口、存储器。其中，存储器可能包含内存，例如高速随机存取存储器(random-accessmemory，ram)，也可能还包括非易失性存储器(non-volatilememory)，例如至少1个磁盘存储器等。当然，该电子设备还可能包括其他业务所需要的硬件。

处理器、网络接口和存储器可以通过内部总线相互连接，该内部总线可以是isa(industrystandardarchitecture，工业标准体系结构)总线、pci(peripheralcomponentinterconnect，外设部件互连标准)总线或eisa(extendedindustrystandardarchitecture，扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图10中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。

存储器，用于存放程序。具体地，程序可以包括程序代码，所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器，并向处理器提供指令和数据。

处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，在逻辑层面上形成问答对数据挖掘装置。处理器，执行存储器所存放的程序，并具体用于执行以下操作：

获取资源对象的评价信息；

对所述评价信息进行语义分析，得到所述资源对象对应的评价标签集；

基于用于筛选符合置信要求的评价标签的选取策略，从所述评价标签集中选取出至少一个目标评价标签；

将所述至少一个目标评价标签关联所述资源对象，供用户进行所述资源对象的相关筛选。

本申请实施例的方案对资源对象的评价信息进行语义分析，得到资源对象的评价标签集，之后从评价标签集中选取出目标评价标签关联至资源对象，供用户进行资源对象的相关筛选。由于目标评价标签是从用户评论总结出的体验类属性，因此基于目标评价标的相关筛选可以更高效率地获得符合用户期望的数据信息。

本申请图1所示实施例揭示的信息筛选方法可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器(centralprocessingunit，cpu)、网络处理器(networkprocessor，np)等；还可以是数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现场可编程门阵列(field－programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。

可选地，处理器执行存储器所存放的程序以将所述至少一个目标评价标签关联所述资源对象，供用户进行所述资源对象的相关筛选，包括：

将所述至少一个目标评价标签配置为所述资源对象的属性，供用户进行针对所述资源对象本身的筛选；

和/或，

将所述至少一个目标评价标签配置为所述资源对象的评价信息的属性，供用户进行针对所述资源对象的评价信息的筛选。

可选地，处理器执行存储器所存放的程序以基于用于筛选符合置信要求的评价标签的选取策略，从所述评价标签集中选取出至少一个目标评价标签，包括：

基于评价标签的出现次数最大化的选取策略和/或评价标签与用户的画像信息相匹配的选取策略，从评价标签集中选取出至少一个目标评价标签。

可选地，处理器执行存储器所存放的程序时还实现以下步骤：

将所述至少一个目标评价标签配置为所述资源对象所属的资源类型对应筛选类目，所述筛选类目用于对资源类型下的资源对象和/或资源对象的评价信息进行筛选。

可选地，处理器执行存储器所存放的程序在得到资源对象对应的评价标签集后，还实现以下步骤：

按照有序集合数据结构，将资源对象所属的资源类型、评价标签集中的目标评价标签以及目标评价标签的出现次数关联存储至第一数据库；

对应地，处理器执行存储器所存放的程序以将所述至少一个目标评价标签配置为所述资源对象所属的资源类型对应的筛选类目，包括：

对所述第一数据库中的数据执行有序集合数据结构的排序命令，得到目标评价标签的排序结果，所述排序命令用于以所述资源对象所属资源类型为约束条件，对目标评价标签按照出现次数进行排序；

按照排序结果的排序，选取出至少一个目标评价标签配置为所述资源对象所属的资源类型对应的筛选类目。

可选地，处理器执行存储器所存放的程序在将所述至少一个目标评价标签配置为所述资源对象所属的资源类型对应的筛选类目后，还实现以下步骤：

响应用户针对目标资源类型的目标筛选类目所发起的资源对象搜索请求，确定至少一个目标资源对象，所述至少一个目标资源对象符合所述目标筛选类目且属于所述目标资源类型；

将所述至少一个目标资源对象作为所述资源对象搜索请求的搜索结果。

可选地，处理器执行存储器所存放的程序在得到所述资源对象对应的评价标签集后，还实现以下步骤：

按照无序集合数据结构，将资源对象所属的资源类型、资源对象以及评价标签集中的目标评价标签关联存储至第二数据库；

对应地，，处理器执行存储器所存放的程序以确定至少一个目标资源对象，包括：

对所述第二数据库中的数据执行无序集合数据结构的搜索命令，得到至少一个目标资源对象；所述搜索命令用于以所述资源对象所属的资源类型和所述目标筛选类目对应的评价标签为约束条件，对资源对象进行搜索。

应理解，本申请实施例的电子设备还可执行图1所示的信息筛选方法，并实现信息筛选装置在图1-图8所示实施例的功能，本文不再进行赘述。

当然，除了软件实现方式之外，本申请的电子设备并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。

本申请实施例还提出了一种计算机可读存储介质，该计算机可读存储介质存储一个或多个程序，该一个或多个程序包括指令，该指令当被包括多个应用程序的便携式电子设备执行时，能够使该便携式电子设备执行图1所示实施例的方法，并具体用于执行以下方法：

获取资源对象的评价信息；

对所述评价信息进行语义分析，得到所述资源对象对应的评价标签集；

基于用于筛选符合置信要求的评价标签的选取策略，从所述评价标签集中选取出至少一个目标评价标签；

将所述至少一个目标评价标签关联所述资源对象，供用户进行所述资源对象的相关筛选。

可选地，处理器执行存储器所存放的程序以将所述至少一个目标评价标签关联所述资源对象，供用户进行所述资源对象的相关筛选，包括：

将所述至少一个目标评价标签配置为所述资源对象的属性，供用户进行针对所述资源对象本身的筛选；

和/或，

将所述至少一个目标评价标签配置为所述资源对象的评价信息的属性，供用户进行针对所述资源对象的评价信息的筛选。

可选地，处理器执行存储器所存放的程序以基于用于筛选符合置信要求的评价标签的选取策略，从所述评价标签集中选取出至少一个目标评价标签，包括：

基于评价标签的出现次数最大化的选取策略和/或评价标签与用户的画像信息相匹配的选取策略，从评价标签集中选取出至少一个目标评价标签。

可选地，处理器执行存储器所存放的程序时还实现以下步骤：

将所述至少一个目标评价标签配置为所述资源对象所属的资源类型对应筛选类目，所述筛选类目用于对资源类型下的资源对象和/或资源对象的评价信息进行筛选。

可选地，处理器执行存储器所存放的程序在得到资源对象对应的评价标签集后，还实现以下步骤：

按照有序集合数据结构，将资源对象所属的资源类型、评价标签集中的目标评价标签以及目标评价标签的出现次数关联存储至第一数据库；

对应地，处理器执行存储器所存放的程序以将所述至少一个目标评价标签配置为所述资源对象所属的资源类型对应的筛选类目，包括：

对所述第一数据库中的数据执行有序集合数据结构的排序命令，得到目标评价标签的排序结果，所述排序命令用于以所述资源对象所属资源类型为约束条件，对目标评价标签按照出现次数进行排序；

按照排序结果的排序，选取出至少一个目标评价标签配置为所述资源对象所属的资源类型对应的筛选类目。

可选地，处理器执行存储器所存放的程序在将所述至少一个目标评价标签配置为所述资源对象所属的资源类型对应的筛选类目后，还实现以下步骤：

响应用户针对目标资源类型的目标筛选类目所发起的资源对象搜索请求，确定至少一个目标资源对象，所述至少一个目标资源对象符合所述目标筛选类目且属于所述目标资源类型；

将所述至少一个目标资源对象作为所述资源对象搜索请求的搜索结果。

可选地，处理器执行存储器所存放的程序在得到所述资源对象对应的评价标签集后，还实现以下步骤：

按照无序集合数据结构，将资源对象所属的资源类型、资源对象以及评价标签集中的目标评价标签关联存储至第二数据库；

对应地，，处理器执行存储器所存放的程序以确定至少一个目标资源对象，包括：

对所述第二数据库中的数据执行无序集合数据结构的搜索命令，得到至少一个目标资源对象；所述搜索命令用于以所述资源对象所属的资源类型和所述目标筛选类目对应的评价标签为约束条件，对资源对象进行搜索。

基于本本申请实施例的计算机存储介质可以知道，本申请实施例的方案对资源对象的评价信息进行语义分析，得到资源对象的评价标签集，之后从评价标签集中选取出目标评价标签关联至资源对象，供用户进行资源对象的相关筛选，从而更高效率地为筛选整理出符合用户期望的数据信息，可提高用户体验。

在本发明所提供的实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置和方法实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明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、程序段或代码的一部分，所述模块、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方式中，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。另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

需要说明的是，在本文中，术语"包括"、"包含"或者其任何其它变体意在涵盖非排它性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其它要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句"包括一个……"限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。