舆情分类方法、介质、装置和计算设备与流程

本发明的实施方式涉及数据分析
技术领域：
，更具体地，本发明的实施方式涉及舆情分类方法、介质、装置和计算设备。
背景技术：
：本部分旨在为权利要求书中陈述的本发明的实施方式提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。目前，针对舆情数据的分类，通常基于机器学习的文本分类算法模型构建舆情数据分类系统。将舆情数据输入舆情数据分类系统，得到舆情数据对应的分类。电商舆情数据是用户在电商网站购物过程中产生的包括商品评论、退货换货申请原因、投诉内容及建议等在内的舆情数据。针对电商舆情数据的分类，可以将电商舆情数据及相关的业务信息字段(包括商品信息、订单信息、物流单信息等)作为参数，一并传输至舆情数据分类系统。舆情数据分类系统根据前述参数，针对每一个分类，判断该电商舆情数据是否对应该分类，并输出判断结果。由上述过程可见，现有的舆情分类方式在确定舆情数据对应的分类时，需要多次判断舆情数据文本所属的各个分类，导致分类的效率及准确率较低。技术实现要素：本发明期望提供一种舆情分类方法和装置，以提高对舆情数据分类的效率及准确率。在本发明实施方式的第一方面中，提供了一种舆情分类方法，包括：确定第一数据，以及确定至少一个候选分类模型；其中，所述第一数据包括：舆情数据文本、所述舆情数据文本关联的业务信息字段以及所述舆情数据文本针对不同候选分类的相关分类的打分结果中的至少一项；每个所述候选分类模型对应一个候选分类；将所述第一数据分别输入各个所述候选分类模型；根据各个所述候选分类模型的输出结果，确定所述舆情数据文本所属的分类集合。在本发明的一个实施例中，所述候选分类模型的输出结果为第一取值时，表示所述舆情数据文本属于所述候选分类模型对应的分类；所述候选分类模型的输出结果为第二取值时，表示所述舆情数据文本不属于所述候选分类模型对应的分类；所述根据各个所述候选分类模型的输出结果，确定所述舆情数据文本所属的分类集合，包括：确定输出结果为所述第一取值的候选分类模型，将确定的所述候选分类模型所对应的分类组合形成所述舆情数据文本所属的分类集合。在本发明的一个实施例中，所述确定至少一个候选分类模型，包括：根据所述业务信息字段中的商品类目信息，确定所述舆情数据文本所属的候选分类；根据所述候选分类，确定对应的候选分类模型。在本发明的一个实施例中，确定所述舆情数据文本针对不同候选分类的相关分类的打分结果，包括：将所述舆情数据文本分别输入对应各个分类的文本打分模型，得到所述舆情数据文本针对各个分类的打分结果；从所述针对各个分类的打分结果中，提取针对所述不同候选分类的相关分类的打分结果。在本发明的一个实施例中，所述打分结果为预定区间范围内的数值，所述打分结果表示所述舆情数据文本属于所述候选分类的可能性。在本发明实施方式的第二方面中，提供了一种舆情分类装置，包括：数据确定模块，用于确定第一数据；所述第一数据包括：舆情数据文本、所述舆情数据文本关联的业务信息字段以及所述舆情数据文本针对不同候选分类的相关分类的打分结果中的至少一项；候选分类模型确定模块，用于确定至少一个候选分类模型，每个所述候选分类模型对应一个候选分类；输入模块，用于将所述第一数据分别输入各个所述候选分类模型；分类集合确定模块，用于根据各个所述候选分类模型的输出结果，确定所述舆情数据文本所属的分类集合。在本发明的一个实施例中，所述候选分类模型的输出结果为第一取值时，表示所述舆情数据文本属于所述候选分类模型对应的分类；所述候选分类模型的输出结果为第二取值时，表示所述舆情数据文本不属于所述候选分类模型对应的分类；所述分类集合确定模块，用于确定输出结果为所述第一取值的候选分类模型，将确定的所述候选分类模型所对应的分类组合形成所述舆情数据文本所属的分类集合。在本发明的一个实施例中，所述候选分类模型确定模块，用于根据所述业务信息字段中的商品类目信息，确定所述舆情数据文本所属的候选分类；根据所述候选分类，确定对应的候选分类模型。在本发明的一个实施例中，所述数据确定模块，用于将所述舆情数据文本分别输入对应各个分类的文本打分模型，得到所述舆情数据文本针对各个分类的打分结果；从所述针对各个分类的打分结果中，提取针对所述不同候选分类的相关分类的打分结果。在本发明的一个实施例中，所述打分结果为预定区间范围内的数值，所述打分结果表示所述舆情数据文本属于所述候选分类的可能性。在本发明实施方式的第三方面中，提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行实现上述舆情分类方法的步骤。在本发明实施方式的第四方面中，提供了一种计算设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现舆情分类方法的步骤。根据本发明实施方式的舆情分类方法和装置，在对舆情数据分类时，可以首先确定至少一个候选分类模型，每个候选分类模型对应一个候选分类。候选分类可以认为是舆情数据分类可能对应的分类。之后，将包含舆情数据文本等信息的第一数据分别输入各个候选分类模型，并根据各个候选分类模型的输出结果确定舆情数据文本所属的分类集合。可见，由于在确定分类时预先筛选可能对应的分类，并且仅针对筛选出的分类做判断，因此能提高舆情数据分类的效率及准确率。附图说明通过参考附图阅读下文的详细描述，本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本发明的若干实施方式，其中：图1示意性地示出了根据本发明一实施方式的舆情分类方法实现流程图；图2示意性地示出了根据本发明一实施方式的舆情分类方法中，步骤s11中确定至少一个候选分类模型的实现流程图；图3示意性地示出了根据本发明一实施方式的舆情分类方法的实现框架示意图；图4示意性地示出了根据本发明一实施方式的用于舆情分类方法的介质示意图；图5示意性地示出了根据本发明一实施方式的舆情分类装置结构示意图；图6示意性地示出了根据本发明一实施方式的计算设备的结构示意图。在附图中，相同或对应的标号表示相同或对应的部分。具体实施方式下面将参考若干示例性实施方式来描述本发明的原理和精神。应当理解，给出这些实施方式仅仅是为了使本领域技术人员能够更好地理解进而实现本发明，而并非以任何方式限制本发明的范围。相反，提供这些实施方式是为了使本公开更加透彻和完整，并且能够将本公开的范围完整地传达给本领域的技术人员。本领域技术人员知道，本发明的实施方式可以实现为一种系统、装置、设备、方法或计算机程序产品。因此，本公开可以具体实现为以下形式，即：完全的硬件、完全的软件(包括固件、驻留软件、微代码等)，或者硬件和软件结合的形式。根据本发明的实施方式，提出了一种舆情分类方法、介质、装置和计算设备。在本文中，附图中的任何元素数量均用于示例而非限制，以及任何命名都仅用于区分，而不具有任何限制含义。下面参考本发明的若干代表性实施方式，详细阐释本发明的原理和精神。发明概述本发明人发现，现有的舆情分类方式需要多次判断舆情数据文本所属的各个分类，导致分类的效率及准确率较低。有鉴于此，本发明提供一种舆情分类方法和装置，首先确定至少一个候选分类模型，每个候选分类模型对应一个候选分类。之后采用候选分类模型确定舆情数据文本所属的分类集合。由于在分类之前做了筛选，因此可以仅对舆情数据文本可能对应的分类进行判断，从而提高舆情数据分类的效率及准确率。在介绍了本发明的基本原理之后，下面具体介绍本发明的各种非限制性实施方式。示例性方法下面参考图1来描述根据本发明示例性实施方式的舆情分类方法。图1示意性地示出了根据本发明一实施方式的舆情分类方法实现流程图，包括：s11：确定第一数据，以及确定至少一个候选分类模型；其中，所述第一数据包括：舆情数据文本、所述舆情数据文本关联的业务信息字段以及所述舆情数据文本针对不同候选分类的相关分类的打分结果中的至少一项；每个所述候选分类模型对应一个候选分类；s12：将第一数据分别输入各个候选分类模型；s13：根据各个候选分类模型的输出结果，确定舆情数据文本所属的分类集合。一种可能的实施方式中，上述步骤s11中的舆情数据文本针对不同分类的打分结果可以由文本打分模型生成，具体的生成方式将在后续流程中详细介绍。步骤s12中将第一数据分别输入各个候选分类模型之后，可以由各个候选分类模型分别对第一数据进行处理，得到对应各个候选分类的输出结果。一种可能的实施方式中，上述舆情数据文本为电商舆情数据文本。在以下的实施例中，将以电商舆情数据为例进行说明。例如，某用户对一个塑料玩具提交一段评论文本，该评论文本可以作为一条电商舆情数据。该电商舆情数据不可能对应“受潮”、“屏幕损坏”这样的分类，本发明实施例采用上述步骤s11的方式确定候选分类模型，可以将明显不对应的分类排除出去。通过上述过程，本发明实施例筛选出候选分类模型，并采用候选分类模型确定舆情数据文本所属的分类集合。因此能够减少对舆情数据文本明显不对应的分类的分析，从而提高舆情数据分类的效率及准确率。在本发明的一个实施例中，业务信息字段包括商品类目信息、订单信息(例如下单时间、收货地址等)和物流单信息(例如出库时间、揽收时间等)。电商舆情数据文本关联的业务信息字段可以指：电商舆情数据文本所针对的商品的业务信息字段。例如，用户x在购买商品y之后，针对商品y提交了一段评价文本c，该评价文本c为舆情数据文本。商品y的商品类目信息、以及用户x购买商品y所产生的订单信息及物流单信息构成业务信息字段i。i即为c关联的业务信息字段。在一种可能的实施方式中，所述候选分类模型的输出结果为第一取值时，表示所述舆情数据文本属于所述候选分类模型对应的分类；所述候选分类模型的输出结果为第二取值时，表示所述舆情数据文本不属于所述候选分类模型对应的分类；相应地，步骤s13包括：确定输出结果为第一取值的候选分类模型，将确定的候选分类模型所对应的分类组合形成舆情数据文本所属的分类集合。其中，第一取值可以为“1”或“ture(真)”，第二取值可以为“0”或“false(假)”。候选分类模型可以采用规则表达式的形式，称为分类规则表达式。为确保分类规则表达式的可读性，本发明实施例可以将每个分类规则表达式定义为返回值为布尔类型的规则表达式。布尔类型的返回值有2个可选项，代表2种结果。分类规则表达式可以由语法近似于程序设计语言的脚本语言编写。分类规则表达式的输入变量值为上述舆情数据文本、业务信息字段及舆情数据文本针对不同候选分类的打分结果中的至少一项。分类规则表达式可以在脚本语言解析器中执行。将输入变量值输入脚本语言解析器，分别执行各个候选分类对应的分类规则表达式，由脚本语言解析器输出各个分类规则表达式的计算结果。该计算结果即表示舆情数据文本是否属于该分类规则表达式对应的候选分类。上述分类可以包括一级分类和二级分类。一级分类是更高层级的分类，每个一级分类可以包括多个二级分类。例如，“库存问题”、“质量问题”可以作为一级分类。一级分类“库存问题”可以包括二级分类“异地发货”，一级分类“质量问题”可以包括“受潮”。上述分类规则表达式可以针对二级分类。例如，二级分类“异地发货”对应的分类规则表达式如下表1所示：表1上述分类规则表达式中，“算法一级分类打分”、“算法二级分类打分”、“仓库类型”、“仓库名”、“收货省”、“内部仓省份优先级表”为分类规则表达式的输入变量值。可见，该分类规则表达式的输入变量值包括两类内容，即业务信息字段和针对候选分类的相关分类的打分结果。其中，候选分类的相关分类包括：候选分类以及候选分类所属的一级分类。具体地，“算法一级分类打分”是指文本打分模型对电商舆情数据文本针对“异地发货”所属的一级分类(即“库存问题”)的打分结果，“算法二级分类打分”是指文本打分模型对电商舆情数据文本针对该候选分类(即“异地发货”)的打分结果。分类规则表达式中还包括脚本语言所支持的运算符、在脚本语言解析器中注册的自定义函数、在脚本语言解析器中注册的自定义运算符以及常量及流程控制符。分类规则表达式的计算结果为ture或false。当输出结果为ture时，表示舆情数据文本属于该分类规则表达式对应的分类，即属于“异地发货”分类。当输出结果为false时，表示舆情数据文本不属于该分类规则表达式对应的分类，即不属于“异地发货”分类。又如，二级分类“受潮”对应的分类规则表达式如下表2所示：表2质量问题——>受潮(算法一级分类打分>0.5&&match("舆情数据文本,"受潮|返潮|发潮|回潮|变潮)")上述分类规则表达式中，“算法一级分类打分”及舆情数据文本为分类规则表达式的输入变量值。可见，上述分类规则表达式的输入变量值包括两类内容，即针对候选分类的相关分类的打分结果和舆情数据文本。其中，候选分类的相关分类包括：候选分类所属的一级分类。具体地，“算法一级分类打分”是指文本打分模型对电商舆情数据文本针对“受潮”所属的一级分类(即“质量问题”)的打分结果。上述分类规则表达式并未使用针对“受潮”分类的打分结果。当输出结果为ture时，表示舆情数据文本属于该分类规则表达式对应的分类，即属于“受潮”分类。当输出结果为false时，表示舆情数据文本不属于该分类规则表达式对应的分类，即不属于“受潮”分类。由上述表1和表2所示的例子可见，候选分类的相关分类可以包括：候选分类和/或候选分类所属的一级分类。图2示意性地示出了根据本发明一实施方式的舆情分类方法中，步骤s11中确定至少一个候选分类模型的实现流程图，包括：s111：根据业务信息字段中的商品类目信息，确定舆情数据文本所属的候选分类；s112：根据候选分类，确定对应的候选分类模型。例如，当商品类目信息为“食品”时，可以确定舆情数据文本所属的候选分类，如“受潮”、“变质”、“超过保质期”等。根据这些候选分类，可以确定对应的候选分类模型。候选分类模型可以具体为上述分类规则表达式。在一种可能的实施方式中，上述步骤s11中确定所述舆情数据文本针对不同候选分类的相关分类的打分结果，包括：将所述舆情数据文本分别输入对应各个分类的文本打分模型，得到所述舆情数据文本针对各个分类的打分结果；从所述针对各个分类的打分结果中，提取针对所述不同候选分类的相关分类的打分结果。文本打分模型可以采用预先训练的机器学习模型，一个文本打分模型可以对应一个分类或对应多个分类。文本打分模型可以针对上述一级分类或二级分类打分。文本打分模型的输入值为舆情数据文本，文本打分模型的输出值为预定区间范围内的数值，所述打分结果表示所述舆情数据文本属于所述对应分类的可能性。例如，该预定区间范围可以为[0,1]区间。当然，这一可能性是仅参考舆情数据文本做出的初步判断；而上述候选分类模型的输出结果是参考舆情数据文本、业务信息字段及针对候选分类的相关分类的打分结果做出的综合判断。显然后者的判断更有可能接近真实情况。图3示意性地示出了根据本发明一实施方式的舆情分类方法的实现框架示意图。如图3所示，将舆情数据文本通过调用参数传入独立部署的各个文本打分模型中，由各个文本打分模型输出对应的打分结果。本发明实施例可以对舆情数据文本针对各个分类进行打分，以得到舆情数据文本针对各个分类的打分结果。根据业务信息字段中的商品类目信息，从所有分类对应的分类规则表达式中选取候选分类对应的分类规则表达式。在脚本语言解析器中逐条执行各个候选分类对应的分类规则表达式，将舆情数据文本、业务信息字段及针对候选分类的相关分类的打分结果作为各个候选分类对应的分类规则表达式的输入变量值。例如，表1所示的分类规则表达式的输入变量值中包含针对“库存问题”及“异地发货”的打分结果；因此，在执行表1所示的分类规则表达式时，将针对“库存问题”及“异地发货”的打分结果输入该分类规则表达式。表2所示的分类规则表达式的输入变量值中包含针对“质量问题”的打分结果；因此，在执行表2所示的分类规则表达式时，将针对“质量问题”的打分结果输入该分类规则表达式。下面以上述表1为例，介绍分类规则表达式的执行过程。在执行表1所示的分类规则表达式，判断舆情数据文本是否属于“异地发货”分类时，执行过程如下：1)判断算法一级分类打分(即针对“库存问题”的打分)是否大于0.8，并且算法二级分类打分(即针对“异地发货”的打分)是否大于0。如果前述两个判断结果均为是，则继续执行步骤2)。如果至少一个判断结果为否，则分类规则表达式的输出为false，表示舆情数据文本不属于“异地发货”分类。2)判断仓库类型是否等于1，并且仓库名是否不包含“安得仓”。如果前述两个判断结果均为是，则继续执行步骤3)。如果至少一个判断结果为否，则分类规则表达式的输出为false，表示舆情数据文本不属于“异地发货”分类。3)判断收货省是否不为空，并且收货省是否为"上海市"、"浙江省"、"安徽省"、"江苏省"中的一个。如果前述两个判断结果均为是，则继续执行步骤4)。如果至少一个判断结果为否，则继续执行步骤5)。4)判断收货省在内部仓省份优先级表中的优先级是否大于4。如果是，则分类规则表达式的输出为ture，表示舆情数据文本属于“异地发货”分类。否则，分类规则表达式的输出为false，表示舆情数据文本不属于“异地发货”分类。5)判断收货省在内部仓省份优先级表中的优先级是否大于2。如果是，则分类规则表达式的输出为ture，表示舆情数据文本属于“异地发货”分类。否则，分类规则表达式的输出为false，表示舆情数据文本不属于“异地发货”分类。由上述过程可见，分类规则表达式的执行过程就是逐步与不同的条件匹配的过程。在匹配成功的情况下，分类规则表达式的输出ture；在匹配不成功的情况下，分类规则表达式的输出false。下面以上述表2为例，介绍分类规则表达式的执行过程。在执行表2所示的分类规则表达式，判断舆情数据文本是否属于“受潮”分类时，执行过程如下：判断算法一级分类打分(即针对“质量问题”的打分)是否大于0.5，并且舆情数据文本中是否存在“受潮、返潮、发潮、回潮、变潮”字样。如果前述两个判断结果均为是，则分类规则表达式的输出为ture，表示舆情数据文本属于“受潮”分类。如果至少一个判断结果为否，则分类规则表达式的输出为false，表示舆情数据文本不属于“受潮”分类。根据各个候选分类对应的分类规则表达式的输出结果，确定该舆情数据文本所属的分类集合。例如，针对一个舆情数据文本，如果“异地发货”分类的分类规则表达式输出结果为ture，“受潮”分类的分类规则表达式输出结果为ture，其他候选分类的分类规则表达式输出结果均为false，则可以确定该舆情数据文本所属的分类集合中包括“异地发货”分类和“受潮”分类。脚本语言解析器的原理是将满足脚本语言语法规范的表达式解析为可执行的程序，通过变量赋值和方法引用实现参数写入和自定义方法与运算符的调用。因此，本发明实施例提出的对应各个分类的分类规则表达式可以直接作为分类的属性，将分类规则表达式以字符串的格式存储。在修改分类的属性时，直接修改分类规则表达式。修改之后，在下次执行该分类规则表达式时，新的分类的属性即可生效。本发明实施例将文本打分模型对舆情数据文本的打分结果、舆情数据文本、以及包含商品信息、订单信息、物流单信息等内容的业务信息字段共同作为参与分类规则表达式计算的信息字段，使舆情分类能够更加细化的同时，提升分类的准确性。此外，本发明实施例将各个分类的分类规则抽象为分类规则表达式，与分类信息共同进行存储、修改及展示，使舆情分类规则更加直观、公开且配置灵活。同时，将对舆情数据文本进行打分的文本打分模型作为独立的轻量级打分服务，降低了功能耦合度和维护成本。示例性介质在介绍了本发明示例性实施方式的方法之后，接下来，参考图4对本发明示例性实施方式的介质进行说明。在一些可能的实施方式中，本发明的各个方面还可以实现为一种计算机可读介质，其上存储有程序，当所述程序被处理器执行时用于实现本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的舆情分类方法中的步骤。具体地，上述处理器执行上述程序时用于实现如下步骤：确定第一数据，以及确定至少一个候选分类模型；其中，所述第一数据包括：舆情数据文本、所述舆情数据文本关联的业务信息字段以及所述舆情数据文本针对不同候选分类的打分结果中的至少一项；每个所述候选分类模型对应一个候选分类；将所述第一数据分别输入各个所述候选分类模型；根据各个所述候选分类模型的输出结果，确定所述舆情数据文本所属的分类集合。需要说明的是：上述的介质可以是可读信号介质或者可读存储介质。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。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、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)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。如图4所示，描述了根据本发明的实施方式的介质40，其可以采用便携式紧凑盘只读存储器(cd-rom)并包括程序，并可以在设备上运行。然而，本发明不限于此，在本文件中，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。可读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，其中承载了可读程序代码。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。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、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。可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如java、c++等，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络—包括局域网(lan)或广域网(wan)—连接到用户计算设备。示例性装置在介绍了本发明示例性实施方式的介质之后，接下来，参考图5对本发明示例性实施方式的舆情分类装置进行说明。图5示意性地示出了根据本发明一实施方式的舆情分类装置结构示意图，包括：数据确定模块510，用于确定第一数据；所述第一数据包括：舆情数据文本、所述舆情数据文本关联的业务信息字段以及所述舆情数据文本针对不同候选分类的相关分类的打分结果中的至少一项；每个所述候选分类模型对应一个候选分类；候选分类模型确定模块520，用于确定至少一个候选分类模型，每个所述候选分类模型对应一个候选分类；输入模块530，用于将所述第一数据分别输入各个所述候选分类模型；分类集合确定模块540，用于根据各个所述候选分类模型的输出结果，确定所述舆情数据文本所属的分类集合。在一种可能的实施方式中，候选分类模型的输出结果为第一取值时，表示所述舆情数据文本属于所述候选分类模型对应的分类；所述候选分类模型的输出结果为第二取值时，表示所述舆情数据文本不属于所述候选分类模型对应的分类；所述分类集合确定模块540，用于确定输出结果为所述第一取值的候选分类模型，将确定的所述候选分类模型所对应的分类组合形成所述舆情数据文本所属的分类集合。在一种可能的实施方式中，所述候选分类模型确定模块520，用于根据所述业务信息字段中的商品类目信息，确定所述舆情数据文本所属的候选分类；根据所述候选分类，确定对应的候选分类模型。在一种可能的实施方式中，所述数据确定模块510，用于将所述舆情数据文本分别输入对应各个分类的文本打分模型，得到所述舆情数据文本针对各个分类的打分结果；从所述针对各个分类的打分结果中，提取针对所述不同候选分类的相关分类的打分结果。在一种可能的实施方式中，所述打分结果为预定区间范围内的数值，所述打分结果表示所述舆情数据文本属于所述候选分类的可能性。示例性计算设备在介绍了本发明示例性实施方式的方法、介质和装置之后，接下来，参考图6对本发明示例性实施方式的计算设备进行说明。所属
技术领域：
的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。在一些可能的实施方式中，根据本发明实施方式的计算设备可以至少包括至少一个处理单元以及至少一个存储单元。其中，所述存储单元存储有程序代码，当所述程序代码被所述处理单元执行时，使得所述处理单元执行本说明书上述“示例性方法”部分中描述的根据本发明的各种示例性实施方式的舆情分类方法中的步骤。下面参照图6来描述根据本发明的这种实施方式的计算设备60。图6显示的计算设备60仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。如图6所示，计算设备60以通用计算设备的形式表现。计算设备60的组件可以包括但不限于：上述至少一个处理单元601、上述至少一个存储单元602，连接不同系统组件(包括处理单元601和存储单元602)的总线603。总线603包括数据总线、控制总线和地址总线。存储单元602可以包括易失性存储器形式的可读介质，例如随机存取存储器(ram)6021和/或高速缓存存储器6022，可以进一步包括非易失性存储器形式的可读介质，例如只读存储器(rom)6023。存储单元602还可以包括具有一组(至少一个)程序模块6024的程序/实用工具6025，这样的程序模块6024包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。计算设备60也可以与一个或多个外部设备604(例如键盘、指向设备等)通信。这种通信可以通过输入/输出(i/o)接口605进行。并且，计算设备60还可以通过网络适配器606与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图6所示，网络适配器606通过总线603与计算设备60的其它模块通信。应当理解，尽管图中未示出，可以结合计算设备60使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。应当注意，尽管在上文详细描述中提及了舆情分类装置的若干单元/模块或子单元/模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之，上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。此外，尽管在附图中以特定顺序描述了本发明方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。虽然已经参考若干具体实施方式描述了本发明的精神和原理，但是应该理解，本发明并不限于所公开的具体实施方式，对各方面的划分也不意味着这些方面中的特征不能组合以进行受益，这种划分仅是为了表述的方便。本发明旨在涵盖所附权利要求的精神和范围内所包括的各种修改和等同布置。当前第1页12