1.本技术涉及数据分析技术领域，具体涉及一种评价分类方法、装置、电子设备及存储介质。
背景技术：
2.现有的汽车评价分类方法大多基于传统的汽车领域知识图谱对评价数据进行分类。但汽车智能网联发展迅速，不同品牌的汽车之间的差异化越来越大，汽车行业的用户评价数据也不再局限于汽车尺寸、汽车空间等外观或结构方面的问题。
3.随着当前汽车行业的用户评价数据的种类越来越多，基于传统的汽车领域知识图谱，已无法准确地实现对用户评价数据的分类，进而无法准确快速的发现用户的关注焦点。以致当前的汽车评价数据分类方法发现汽车问题的效率较低，影响了汽车的改善和更新周期。
技术实现要素：
4.本技术实施例的目的在于提供一种评价分类方法、装置、电子设备及存储介质，以改善上述无法准确快速的发现用户的关注焦点，导致发现汽车问题的效率降低的技术问题。
5.为实现上述目的，本技术提供如下技术方案：
6.第一方面，本技术实施例提供一种评价分类方法，所述方法包括：
7.获取用户对汽车的第一评价数据；
8.获取所述第一评价数据中的第一评价关键词；
9.通过训练好的词向量模型获取所述第一评价关键词和汽车知识图谱中每一图谱关键词之间的第一从属概率；其中，所述汽车知识图谱包括多个图谱关键词；且所述汽车知识图谱是基于历史评价数据的历史评价关键词和汽车行业词库所构建的；
10.基于所述第一从属概率和第一预设概率阈值确定第一从属图谱关键词；其中，所述第一从属图谱关键词和所述第一评价关键词之间的第二从属概率大于第一预设概率阈值；
11.根据所述第一从属图谱关键词的第一分类标签确定所述第一评价数据的第二分类标签。
12.在上述方案中，该评价分类方法通过训练好的词向量模型获取用户对汽车的第一评价关键词与汽车知识图谱中每一图谱关键词之间的第一从属概率，并根据第一从属概率确定相应第一评价数据的第一从属图谱关键词，进而根据第一从属图谱关键词的第一分类标签确定第一评价数据的第二分类标签。该评价分类方法通过基于历史评价数据的历史评价关键词和汽车行业词库所构建的汽车知识图谱对用户对汽车的第一评价数据进行分类，可以更准确实现对用户评价数据的分类，根据上述方法所确定第二分类标签可以将相应的评价数据归类到匹配度更高的处理部门，进而使相关处理部门更快地发现汽车的相关问
题，缩短汽车的改善和更新周期。
13.可选的，所述第一评价数据包括：汽车相关群聊消息、汽车语音指令和汽车评论文本；在所述获取所述第一评价数据中的第一评价关键词之前，所述方法还包括：将所述第一评价数据统一成文本格式。
14.在上述方案中，第一评价数据中包括，相关群聊消息、汽车语音指令和汽车评论文本等多种类型的评价数据，通过将第一评价数据统一成文本格式，便于获取第一评价数据中的第一评价关键词。
15.可选的，在所述通过训练好的词向量模型获取所述第一评价关键词和汽车知识图谱中每一图谱关键词之间的第一从属概率之前，所述方法还包括：获取第一时间内的第二评价数据；确定每一第二评价数据的第二评价关键词及第三分类标签；将所述第二评价关键词和每一所述图谱关键词依次输入到待训练词向量模型中，获取所述待训练词向量模型所输出的第三从属概率；其中，所述第三从属概率为所述第二评价关键词和所述图谱关键词之间的从属概率；基于所述第三从属概率和第二预设概率阈值确定第二从属图谱关键词；其中，所述第二从属图谱关键词和所述第二评价关键词之间的第三从属概率大于第二预设概率阈值；根据所述第二从属图谱关键词的第三分类标签确定所述第二评价数据的第四分类标签；根据所述第三分类标签和所述第四分类标签对所述待训练词向量模型的内部参数进行调整，以获得训练好的词向量模型。
16.可选的，所述获取所述第一评价数据中的第一评价关键词，包括：对所述第一评价数据进行分词及词性标注；判断名词词性的分词结果中是否包含任一所述图谱关键词；若否，剔除所述第一评价数据；若是，获取所述第一评价数据中的第一评价关键词。
17.在上述方案中，通过判断名词词性的分词结果中是否包含图谱关键词，对所获取的第一评价数据进行筛选，并剔除不相关数据，只保留和汽车具有一定相关度的第一评价数据，进而提高了评价分类的准确性。
18.可选的，所述若是，获取所述第一评价数据中的第一评价关键词，包括：若是，采用tf-idf算法从所述名词词性的分词结果中获取所述第一评价关键词。
19.在上述方案中，通过tf-idf算法可以简单快速地从第一评价数据的名词词性的分词结果中获取相应的第一评价关键词。
20.可选的，在所述通过训练好的词向量模型获取所述第一评价关键词和汽车知识图谱中每一图谱关键词之间的第一从属概率之后，所述方法还包括：确定所述汽车知识图谱中的和第一汽车部件相关的第一部件图谱关键词；基于所述第一评价关键词和每一所述第一部件图谱关键词之间的第一部件从属概率，确定所述第一汽车部件的关注度。
21.在上述方案中，通过获取汽车用户对不同汽车部件的关注度，根据该关注度可以准确快速地发现用户的关注焦点，有助于缩短汽车的改善和更新周期。
22.可选的，在所述根据所述第一从属图谱关键词的第一分类标签确定所述第一评价数据的第二分类标签之后，所述方法还包括：根据所述第二分类标签向相应的部门处理终端发送所述第一评价数据，以使相应的部门处理人员对所述第一评价数据进行处理分析。
23.在上述方案中，通过向相应的部门处理终端发送该第一评价数据，可以提高相应的部门处理人员发现相关汽车问题的速度。
24.第二方面，本技术实施例提供一种评价分类装置，所述装置包括：
25.评价数据获取模块，所述评价数据获取模块用于获取用户对汽车的第一评价数据；
26.评价关键词获取模块，所述评价关键词获取模块用于获取所述第一评价数据中的第一评价关键词；
27.从属概率获取模块，所述从属概率获取模块用于通过训练好的词向量模型获取所述第一评价关键词和汽车知识图谱中每一图谱关键词之间的第一从属概率；其中，所述汽车知识图谱包括多个图谱关键词；且所述汽车知识图谱是基于历史评价数据的历史评价关键词和汽车行业词库所构建的；
28.从属图谱关键词确定模块，所述从属图谱关键词确定模块用于基于所述第一从属概率和第一预设概率阈值确定第一从属图谱关键词；其中，所述第一从属图谱关键词和所述第一评价关键词之间的第二从属概率大于第一预设概率阈值；
29.分类标签确定模块，所述分类标签确定模块用于根据所述第一从属图谱关键词的第一分类标签确定所述第一评价数据的第二分类标签。
30.在上述方案中，该评价分类装置通过训练好的词向量模型获取用户对汽车的第一评价关键词与汽车知识图谱中每一图谱关键词之间的第一从属概率，并根据第一从属概率确定相应第一评价数据的第一从属图谱关键词，进而根据第一从属图谱关键词的第一分类标签确定第一评价数据的第二分类标签。该评价分类装置通过基于历史评价数据的历史评价关键词和汽车行业词库所构建的汽车知识图谱对用户对汽车的第一评价数据进行分类，可以更准确实现对用户评价数据的分类，基于上述装置所确定第二分类标签可以将相应的评价数据归类到匹配度更高的处理部门，进而使相关处理部门更快地发现汽车的相关问题，缩短汽车的改善和更新周期。
31.可选的，所述第一评价数据包括：汽车相关群聊消息、汽车语音指令和汽车评论文本；所述装置还包括格式统一模块，所述格式统一模块用于：在所述获取所述第一评价数据中的第一评价关键词之前，将所述第一评价数据统一成文本格式。
32.可选的，所述评价数据获取模块还用于获取第一时间内的第二评价数据；所述分类标签确定模块还用于确定每一第二评价数据的第二评价关键词及第三分类标签；所述从属概率获取模块还用于将所述第二评价关键词和每一所述图谱关键词依次输入到待训练词向量模型中，获取所述待训练词向量模型所输出的第三从属概率；其中，所述第三从属概率为所述第二评价关键词和所述图谱关键词之间的从属概率；所述从属图谱关键词确定模块还用于基于所述第三从属概率和第二预设概率阈值确定第二从属图谱关键词；其中，所述第二从属图谱关键词和所述第二评价关键词之间的第三从属概率大于第二预设概率阈值；所述分类标签确定模块还用于根据所述第二从属图谱关键词的第三分类标签确定所述第二评价数据的第四分类标签；所述装置还包括参数调整模块，所述参数调整模块用于根据所述第三分类标签和所述第四分类标签对所述待训练词向量模型的内部参数进行调整，以获得训练好的词向量模型。
33.可选的，所述评价数据获取模块包括：分词及词性标注模块，所述分词及词性标注模块用于对所述第一评价数据进行分词及词性标注；判断模块，所述判断模块用于判断名词词性的分词结果中是否包含任一所述图谱关键词；数据剔除模块，所述数据剔除模块用于若否，剔除所述第一评价数据；评价关键词获取子模块，所述评价关键词获取子模块用于
若是，获取所述第一评价数据中的第一评价关键词。
34.可选的，所述评价关键词获取子模块具体用于若是，采用tf-idf算法从所述名词词性的分词结果中获取所述第一评价关键词。
35.可选的，所述装置还包括：第一部件图谱关键词确定模块，所述第一部件图谱关键词确定模块用于确定所述汽车知识图谱中的和第一汽车部件相关的第一部件图谱关键词；关注度确定模块，所述关注度确定模块用于基于所述第一评价关键词和每一所述第一部件图谱关键词之间的第一部件从属概率，确定所述第一汽车部件的关注度。
36.可选的，所述装置还包括：数据发送模块，根据所述第二分类标签向相应的部门处理终端发送所述第一评价数据，以使相应的部门处理人员对所述第一评价数据进行处理分析。
37.第三方面，本技术实施例提供一种电子设备，包括：存储器以及处理器，所述存储器中存储有计算机程序指令，所述计算机程序指令被所述处理器读取并运行时，执行第一方面任意一种可能的实现方式提供的方法。
38.第四方面，本技术实施例提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序指令，所述计算机程序指令被处理器读取并运行时，执行第一方面任意一种可能的实现方式提供的方法。
39.本技术的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本技术实施例了解。本技术的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
40.为了更清楚地说明本技术实施例的技术方案，下面将对本技术实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本技术的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
41.图1为本技术实施例提供的一种评价分类方法的流程示意图；
42.图2为本技术实施例提供的另一种评价分类方法的流程示意图；
43.图3为本技术实施例提供的一种评价分类装置的结构示意图；
44.图4为本技术实施例提供的一种电子设备的结构示意图。
具体实施方式
45.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行描述。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
46.术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，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他要素，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。
47.术语“第一”、“第二”等仅用于将一个实体或者操作与另一个实体或操作区分开来，而不能理解为指示或暗示相对重要性，也不能理解为要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
48.针对现有技术中存在的不足，本技术实施例提供一种评价分类方法，用于改善上述无法准确快速的发现用户的关注焦点，导致发现汽车问题的效率降低的技术问题。
49.请参照图1，图1为本技术实施例提供的一种评价分类方法的流程示意图，该评价分类方法，包括：
50.步骤101、获取用户对汽车的第一评价数据；
51.步骤102、获取所述第一评价数据中的第一评价关键词；
52.步骤103、通过训练好的词向量模型获取所述第一评价关键词和汽车知识图谱中每一图谱关键词之间的第一从属概率；其中，所述汽车知识图谱包括多个图谱关键词；且所述汽车知识图谱是基于历史评价数据的历史评价关键词和汽车行业词库所构建的；
53.步骤104、基于所述第一从属概率和第一预设概率阈值确定第一从属图谱关键词；其中，所述第一从属图谱关键词和所述第一评价关键词之间的第二从属概率大于第一预设概率阈值；
54.步骤105、根据所述第一从属图谱关键词的第一分类标签确定所述第一评价数据的第二分类标签。
55.其中，在步骤101中，第一评价数据指的是用户对汽车的评价数据，可以是车企应用软件上的用户对车辆的评论数据，也可以是汽车专属服务群聊消息或者汽车客服的回访录音数据。
56.其中，在步骤102中，可以通过tf-idf(term frequency
–
inverse document frequency)算法获取第一评价数据的第一评价关键词。tf-idf是一种用于信息检索与数据挖掘的加权技术，tf即词频，指某一给定词语在第一评价数据中出现的频率；idf即逆文本频率指数，用于度量该给定词语的普遍重要性。也可以通过基于语义的关键词提取方法或基于隐含狄利克雷分布(latent dirichlet allocation，lda)的关键词提取方法等获取第一评价数据的第一评价关键词。
57.其中，在步骤103中，第一从属概率即归一化的第一评价关键词和汽车知识图谱中每一图谱关键词之间的相似程度。具体地，基于确定第一从属概率的大小，其中，cos(a,b)表示第一评价关键词a和图谱关键词b之间的相似程度，pr表示a和b之间的第一从属概率。基于确定第一评价关键词a和图谱关键词b之间的相似程度。
58.其中，在步骤104中，第一预设概率阈值可以是0.8，也可以是0.75，第一预设概率阈值的具体数值根据实际情况进行确定。
59.其中，在步骤105中，汽车知识图谱可以包括多个图谱关键词以及每一图谱关键词的第一分类标签。第一分类标签包括与该图谱关键词所对应的汽车部件，可以根据与图谱关键词相应的汽车部件将第一评价数据分配至该汽车部件所属部门的部门处理终端。第二
分类标签包括该第一评价数据的所属部门，进而根据其所属部门将第一评价数据分配至相应的部门处理终端。
60.在上述方案中，该评价分类方法通过基于历史评价数据的历史评价关键词和汽车行业词库所构建的汽车知识图谱对用户对汽车的第一评价数据进行分类，可以更准确实现对用户评价数据的分类，根据上述方法所确定第二分类标签可以将相应的评价数据归类到匹配度更高的处理部门，进而使相关处理部门更快地发现汽车的相关问题，缩短汽车的改善和更新周期。
61.在一些可选的实施例中，所述第一评价数据包括：汽车相关群聊消息、汽车语音指令和汽车评论文本；在步骤102、获取所述第一评价数据中的第一评价关键词之前，所述方法还包括：将所述第一评价数据统一成文本格式。
62.其中，可以通过语音识别技术对第一评价数据中的非文本数据进行转换，进而将第一评价数据统一成文本格式，便于后续获取第一评价关键词。第一评价数据还包括与汽车相关的文章以及汽车调查问卷等，还可以将第一评价数据的来源作为数据新增特征，数据新增特征附属于相应的第一评价数据。
63.在一些可选的实施例中，在步骤103、通过训练好的词向量模型获取所述第一评价关键词和汽车知识图谱中每一图谱关键词之间的第一从属概率之前，所述方法还包括：获取第一时间内的第二评价数据；确定每一第二评价数据的第二评价关键词及第三分类标签；将所述第二评价关键词和每一所述图谱关键词依次输入到待训练词向量模型中，获取所述待训练词向量模型所输出的第三从属概率；其中，所述第三从属概率为所述第二评价关键词和所述图谱关键词之间的从属概率；基于所述第三从属概率和第二预设概率阈值确定第二从属图谱关键词；其中，所述第二从属图谱关键词和所述第二评价关键词之间的第三从属概率大于第二预设概率阈值；根据所述第二从属图谱关键词的第三分类标签确定所述第二评价数据的第四分类标签；根据所述第三分类标签和所述第四分类标签对所述待训练词向量模型的内部参数进行调整，以获得训练好的词向量模型。
64.其中，第一时间可以是三天，也可以是一个月，第一时间的时间长短具体可以根据所需要分类的评价数据的范围进行确定。第二评价关键词指的是用于训练词向量模型的关键词，可以采用tf-idf算法、基于语义的关键词提取方法或基于lda的关键词提取方法等获取第二评价数据的第二评价关键词，也可以通过人工批注的方法获取第二评价数据的第二评价关键词及相应的第三分类标签。可以根据第三分类标签和第四分类标签对待训练词向量模型的内部参数进行多次优化，以获取更加可靠的词向量模型。
65.在一些可选的实施例中，步骤102、获取所述第一评价数据中的第一评价关键词，包括：对所述第一评价数据进行分词及词性标注；判断名词词性的分词结果中是否包含任一所述图谱关键词；若否，剔除所述第一评价数据；若是，获取所述第一评价数据中的第一评价关键词。
66.其中，对第一评价数据进行分词操作，所得到的初步分词结果中可能会存在标点符号以及“的”、“啊”等无意义词，可以使用基于停用词表的方式对分词结果进行去停用词操作，进而得到包含多个词语的第二分词结果，再对所得到的词语进行词性标注，获得包含名词词性的词语的分词结果即“名词词性的分词结果”。通过判断名词词性的分词结果中是否包含任一图谱关键词，进而剔除和汽车无关的第一评价数据，以获得更准确地评价数据
分类结果。
67.在一些可选的实施例中，所述若是，获取所述第一评价数据中的第一评价关键词，报警：若是，采用tf-idf算法从所述名词词性的分词结果中获取所述第一评价关键词。
68.其中，计算名词词性的分词结果中的每一词语的词频(即该词语在第一评价数据中出现的次数除以该第一评价数据中所包含的词语个数)以及相应的逆文本频率指数(可以采用全部的第一评价数据的数目除以包含该词语的第一评价数据的数目，再将所得到的商取以10为底的对数得到)；根据上述计算结果计算每一词语的tf-idf值(tf-idf值等于词频和逆文本频率指数的乘积)。将名词词性的分词结果中的每一词语按照tf-idf值由大到小进行排列，取tf-idf值的排名在预设排名内的词语作为该第一评价数据的第一评价关键词。预设排名可以是排名前十也可以是排名前五，可以根据实际情况进行确定。
69.在一些可选的实施例中，在步骤103、通过训练好的词向量模型获取所述第一评价关键词和汽车知识图谱中每一图谱关键词之间的第一从属概率之后，所述方法还包括：确定所述汽车知识图谱中的和第一汽车部件相关的第一部件图谱关键词；基于所述第一评价关键词和每一所述第一部件图谱关键词之间的第一部件从属概率，确定所述第一汽车部件的关注热度。
70.其中，第一分类标签包括与该图谱关键词所对应的汽车部件，根据第一分类标签可以确定汽车知识图谱中的和第一汽车部件相关的第一部件图谱关键词。基于部件热度计算公式hb＝∑
i∈i，j∈j
pr(i,j)计算第一汽车部件在一段时间内的关注热度，其中，hb为第一汽车部件的关注热度，i为这段时间内的任一评价数据，i为这段时间内的所有评价数据的集合，j为和任一第一汽车部件相关的第一部件图谱关键词，j为和第一汽车部件相关的所有第一部件图谱关键词的集合。基于部件热度计算公式可以获取多个汽车部件在一段时间内的关注热度，根据多个汽车部件在这段时间内的关注热度的高低，可以确定最受关注的汽车部件，而最受关注的汽车部件也是最紧急的汽车部件，可以对最关注的汽车部件的相关评论数据进行优先处理，以确定用户最关心的汽车相关问题。
71.汽车系统包括多个汽车部件，还可以基于汽车部件的关注热度，确定汽车系统的关注热度。具体地，第一汽车系统包括：第二汽车部件和第三汽车部件；则对一段时间内的第二汽车部件和第三汽车部件的关注热度进行求和，即可获得这段时间内的该第一汽车系统的关注热度。
72.请参照图2，图2为本技术实施例提供的另一种评价分类方法的流程示意图。
73.在一些可选的实施例中，在步骤105、根据所述第一从属图谱关键词的第一分类标签确定所述第一评价数据的第二分类标签之后，所述方法还包括：步骤106、根据所述第二分类标签向相应的部门处理终端发送所述第一评价数据，以使相应的部门处理人员对所述第一评价数据进行处理分析。
74.其中，通过向相应的部门处理终端发送该第一评价数据，可以提高相应的部门处理人员发现相关汽车问题的速度，进而提高汽车问题的流转效率，为后续对汽车产品的改善迭代提供重要依据。
75.请参照图3，图3为本技术实施例提供的一种评价分类装置的结构示意图，该评价分类装置，包括：
76.评价数据获取模块201，评价数据获取模块201用于获取用户对汽车的第一评价数
据；
77.评价关键词获取模块202，评价关键词获取模块202用于获取所述第一评价数据中的第一评价关键词；
78.从属概率获取模块203，从属概率获取模块203用于通过训练好的词向量模型获取所述第一评价关键词和汽车知识图谱中每一图谱关键词之间的第一从属概率；其中，所述汽车知识图谱包括多个图谱关键词；且所述汽车知识图谱是基于历史评价数据的历史评价关键词和汽车行业词库所构建的；
79.从属图谱关键词确定模块204，从属图谱关键词确定模块204用于基于所述第一从属概率和第一预设概率阈值确定第一从属图谱关键词；其中，所述第一从属图谱关键词和所述第一评价关键词之间的第二从属概率大于第一预设概率阈值；
80.分类标签确定模块205，分类标签确定模块205用于根据所述第一从属图谱关键词的第一分类标签确定所述第一评价数据的第二分类标签。
81.在一些可选的实施例中，所述第一评价数据包括：汽车相关群聊消息、汽车语音指令和汽车评论文本；所述装置还包括格式统一模块，所述格式统一模块用于：在所述获取所述第一评价数据中的第一评价关键词之前，将所述第一评价数据统一成文本格式。
82.在一些可选的实施例中，评价数据获取模块201还用于获取第一时间内的第二评价数据；分类标签确定模块205还用于确定每一第二评价数据的第二评价关键词及第三分类标签；从属概率获取模块203还用于将所述第二评价关键词和每一所述图谱关键词依次输入到待训练词向量模型中，获取所述待训练词向量模型所输出的第三从属概率；其中，所述第三从属概率为所述第二评价关键词和所述图谱关键词之间的从属概率；从属图谱关键词确定模块204还用于基于所述第三从属概率和第二预设概率阈值确定第二从属图谱关键词；其中，所述第二从属图谱关键词和所述第二评价关键词之间的第三从属概率大于第二预设概率阈值；分类标签确定模块205还用于根据所述第二从属图谱关键词的第三分类标签确定所述第二评价数据的第四分类标签；所述装置还包括：参数调整模块，所述参数调整模块用于根据所述第三分类标签和所述第四分类标签对所述待训练词向量模型的内部参数进行调整，以获得训练好的词向量模型。
83.在一些可选的实施例中，评价数据获取模块201包括：分词及词性标注模块，所述分词及词性标注模块用于对所述第一评价数据进行分词及词性标注；判断模块，所述判断模块用于判断名词词性的分词结果中是否包含任一所述图谱关键词；数据剔除模块，所述数据剔除模块用于若否，剔除所述第一评价数据；评价关键词获取子模块，所述评价关键词获取子模块用于若是，获取所述第一评价数据中的第一评价关键词。
84.在一些可选的实施例中，所述评价关键词获取子模块具体用于若是，采用tf-idf算法从所述名词词性的分词结果中获取所述第一评价关键词。
85.在一些可选的实施例中，所述装置还包括：第一部件图谱关键词确定模块，所述第一部件图谱关键词确定模块用于确定所述汽车知识图谱中的和第一汽车部件相关的第一部件图谱关键词；关注度确定模块，所述关注度确定模块用于基于所述第一评价关键词和每一所述第一部件图谱关键词之间的第一部件从属概率，确定所述第一汽车部件的关注度。
86.在一些可选的实施例中，所述装置还包括：数据发送模块，所述数据发送模块用于
根据所述第二分类标签向相应的部门处理终端发送所述第一评价数据，以使相应的部门处理人员对所述第一评价数据进行处理分析。
87.本技术实施例提供的评价分类装置，其实现原理及产生的技术效果在前述方法实施例中已经介绍，为简要描述，装置实施例部分未提及之处，可参考方法实施例中相应内容。
88.图4为本技术实施例提供的一种电子设备的结构示意图。参照图4，电子设备3包括：处理器301、存储器302，这些组件通过通信总线303和/或其他形式的连接机构(未示出)互连并相互通讯。
89.其中，存储器302包括一个或多个(图中仅示出一个)，其可以是，但不限于，随机存取存储器(random access memory，简称ram)，只读存储器(read only memory，简称rom)，可编程只读存储器(programmable read-only memory，简称prom)，可擦除可编程只读存储器(erasable programmable read-only memory，简称eprom)，电可擦除可编程只读存储器(electric erasable programmable read-only memory，简称eeprom)等。处理器301以及其他可能的组件可对存储器302进行访问，读和/或写其中的数据。
90.处理器301包括一个或多个(图中仅示出一个)，其可以是一种集成电路芯片，具有信号的处理能力。上述的处理器301可以是通用处理器，包括中央处理器(central processing unit，简称cpu)、微控制单元(micro controller unit，简称mcu)、网络处理器(network processor，简称np)或者其他常规处理器；还可以是专用处理器，包括神经网络处理器(neural-network processing unit，简称npu)、图形处理器(graphics processing unit，简称gpu)、数字信号处理器(digital signal processor，简称dsp)、专用集成电路(application specific integrated circuits，简称asic)、现场可编程门阵列(field programmable gate array，简称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。并且，在处理器301为多个时，其中的一部分可以是通用处理器，另一部分可以是专用处理器。
91.在存储器302中可以存储一个或多个计算机程序指令，处理器301可以读取并运行这些计算机程序指令，以实现本技术实施例提供的一种评价分类方法。
92.可以理解的，图4所示的结构仅为示意，电子设备3还可以包括比图4中所示更多或者更少的组件，或者具有与图4所示不同的结构。图4中所示的各组件可以采用硬件、软件或其组合实现。电子设备3可能是实体设备，例如pc机、笔记本电脑、平板电脑、手机、服务器、嵌入式设备等，也可能是虚拟设备，例如虚拟机、虚拟化容器等。并且，电子设备3也不限于单台设备，也可以是多台设备的组合或者大量设备构成的集群。
93.本技术实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序指令，所述计算机程序指令被计算机的处理器读取并运行时，执行本技术实施例提供的评价分类方法。例如，计算机可读存储介质可以实现为图4中电子设备3中的存储器302。
94.在本技术所提供的实施例中，应该理解到，所揭露装置以及系统，可以通过其它的方式实现。以上所描述的系统实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之
间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
95.另外，作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
96.再者，在本技术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。
97.以上所述仅为本技术的实施例而已，并不用于限制本技术的保护范围，对于本领域的技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。