数据处理方法、系统、计算机系统及计算机可读存储介质与流程
本公开涉及数据处理技术领域，更具体地，涉及一种数据处理方法、系统、计算机系统及计算机可读存储介质。
背景技术：
在电商领域，随着业务范围迅速发展和平台模式日益扩大，店铺量日以万计增长。面对如此庞大的群体，需要设定某个标准来衡量店铺的水平高低，例如通过评估店铺的“综合”水平来衡量，而“综合”又可以通过行为来具体化描述。具体而言，用户和店铺之间通常发生着各种行为，如购物、网页点击、售后服务等等，这些行为是影响店铺和用户之间的关系、调整用户对店铺的观感、反映店铺的管理效果的可量化的重要影响因子。如何从各种行为数据出发，准确定位评估对象属性特征，抽象和量化关键性因子和具体指标，是体系建立中的重要工作。
然而，在实现本公开构思的过程中，发明人发现现有技术至少存在以下缺陷：现有的店铺评级系统，由于对所有用户都一视同仁，没有区分度，导致不能真实地反映店铺的等级。
针对上述问题，目前相关技术中尚未给出有效的解决方案。
技术实现要素：
有鉴于此，本公开提供了一种基于神经网络输出用于对目标对象进行评级的标准评价指标的得分以提高反映目标对象等级的真实度的数据处理方法和系统。
本公开的一个方面提供了一种数据处理方法，包括：获取用于评论目标对象的多条评论信息；将获取的多条评论信息输入对应的神经网络，使得神经网络能够基于多条评论信息输出标准评价指标的得分，其中，标准评价指标的得分可用于作为对目标对象进行评级的参考数据；以及基于神经网络输出的标准评价指标的得分，对目标对象进行评级。
根据本公开的实施例，上述数据处理方法还包括：从多条评论信息中提取用于描述目标对象的服务质量和/或服务指标的描述信息；以及基于提取的描述信息，得到关于服务质量和/或服务指标的标签，其中，标签也可用于作为对目标对象进行评级的参考数据。
根据本公开的实施例，上述数据处理方法还包括：将标签标记到目标对象上。
根据本公开的实施例，基于提取的描述信息，得到关于服务质量和/或服务指标的标签包括：基于提取的描述信息从预先设定的对象描述标签中匹配出关于服务质量和/或服务指标的标签。
根据本公开的实施例，上述数据处理方法还包括：在基于提取的描述信息从预先设定的对象描述标签中匹配不出关于服务质量和/或服务指标的标签的情况下，将描述信息转化为对应的标签；以及将转化得到的对应的标签存入对象描述标签库中。
根据本公开的实施例，在神经网络基于多条评论信息输出标准评价指标的得分的过程中：将不同用户对目标对象的评价标准进行归一化处理，得到对应的归一化的评价标准；以及使得神经网络基于多条评论信息，在归一化的评价标准的基础上输出标准评价指标的得分。
本公开的另一方面提供了一种数据处理系统，包括：获取模块，用于获取用于评论目标对象的多条评论信息；输出模块，用于将获取的多条评论信息输入对应的神经网络，使得神经网络能够基于多条评论信息输出标准评价指标的得分，其中，标准评价指标的得分可用于作为对目标对象进行评级的参考数据；以及评级模块，用于基于神经网络输出的标准评价指标的得分，对目标对象进行评级。
根据本公开的实施例，上述数据处理系统还包括：提取模块，用于从多条评论信息中提取用于描述目标对象的服务质量和/或服务指标的描述信息；以及第一处理模块，用于基于提取的描述信息，得到关于服务质量和/或服务指标的标签，其中，标签也可用于作为对目标对象进行评级的参考数据。
根据本公开的实施例，上述数据处理系统还包括：第二处理模块，用于将标签标记到目标对象上。
根据本公开的实施例，第一处理模块还用于，基于提取的描述信息从预先设定的对象描述标签中匹配出关于服务质量和/或服务指标的标签。
根据本公开的实施例，上述数据处理系统还包括：转化模块，用于在基于提取的描述信息从预先设定的对象描述标签中匹配不出关于服务质量和/或服务指标的标签的情况下，将描述信息转化为对应的标签；以及存储模块，用于将转化得到的对应的标签存入对象描述标签库中。
根据本公开的实施例，在神经网络基于多条评论信息输出标准评价指标的得分的过程中：将不同用户对目标对象的评价标准进行归一化处理，得到对应的归一化的评价标准；以及使得神经网络基于多条评论信息，在归一化的评价标准的基础上输出标准评价指标的得分。
本公开的另一方面提供了一种计算机系统，包括：一个或多个处理器；存储器，用于存储一个或多个程序，其中，当上述一个或多个程序被上述一个或多个处理器执行时，使得上述一个或多个处理器实现如上任一项所述的数据处理方法。
本公开的另一方面提供了一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器实现如上任一项所述的数据处理方法。
根据本公开的实施例，因为采用了基于神经网络输出用于对目标对象进行评级的标准评价指标的得分的技术手段，可以至少部分地解决现有的店铺评级系统，由于对所有用户都一视同仁，没有区分度，导致不能真实地反映店铺的等级的技术问题，并因此可以实现提高反映目标对象等级的真实度的技术效果。
附图说明
通过以下参照附图对本公开实施例的描述，本公开的上述以及其他目的、特征和优点将更为清楚，在附图中：
图1示意性示出了根据本公开实施例的可以应用数据处理方法及系统的应用场景；
图2a示意性示出了根据本公开实施例的数据处理方法的流程图；
图2b示意性示出了根据本公开另一实施例的数据处理方法的流程图；
图3a示意性示出了根据本公开另一实施例的数据处理方法的流程图；
图3b示意性示出了根据本公开另一实施例的数据处理方法的流程图；
图3c示意性示出了根据本公开另一实施例的数据处理方法的流程图；
图3d示意性示出了根据本公开实施例的评价标准归一化的示意图；
图3e示意性示出了根据本公开实施例的评价系统的示意图；
图4示意性示出了根据本公开实施例的数据处理系统的框图；
图5a示意性示出了根据本公开另一实施例的数据处理系统的框图；
图5b示意性示出了根据本公开另一实施例的数据处理系统的框图；
图5c示意性示出了根据本公开另一实施例的数据处理系统的框图；以及
图6示意性示出了根据本公开实施例的适于实现数据处理方法的计算机系统的框图。
具体实施方式
以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。
在使用类似于“a、b和c等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有a、b和c中至少一个的系统”应包括但不限于单独具有a、单独具有b、单独具有c、具有a和b、具有a和c、具有b和c、和/或具有a、b、c的系统等)。在使用类似于“a、b或c等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有a、b或c中至少一个的系统”应包括但不限于单独具有a、单独具有b、单独具有c、具有a和b、具有a和c、具有b和c、和/或具有a、b、c的系统等)。本领域技术人员还应理解，实质上任意表示两个或更多可选项目的转折连词和/或短语，无论是在说明书、权利要求书还是附图中，都应被理解为给出了包括这些项目之一、这些项目任一方、或两个项目的可能性。例如，短语“a或b”应当被理解为包括“a”或“b”、或“a和b”的可能性。
本公开的实施例提供了一种数据处理方法，包括：获取用于评论目标对象的多条评论信息；将获取的多条评论信息输入对应的神经网络，使得神经网络能够基于多条评论信息输出标准评价指标的得分，其中，标准评价指标的得分可用于作为对目标对象进行评级的参考数据；以及基于神经网络输出的标准评价指标的得分，对目标对象进行评级。
图1示意性示出了根据本公开实施例的可以应用数据处理方法及系统的应用场景。需要注意的是，图1所示仅为可以应用本公开实施例的系统架构的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。
在本公开的实施例中，随着业务范围迅速发展和平台模式日益扩大，店铺量日以万计增长，面对如此庞大的群体，需要通过对店铺评级以衡量店铺的水平高低。如图1所示，现有技术的方案在对店铺a评级时，由于对所有用户都一视同仁，没有区分度，导致不能真实地反映店铺的等级。此时，可以利用本公开提供的方案，通过将获取的用于评论目标对象的多条评论信息输入对应的神经网络，并使该神经网络输出对应的标准评价指标的得分，对目标对象进行评级，进而可以提高反映店铺等级的真实度。
图2a示意性示出了根据本公开实施例的数据处理方法的流程图。
如图2a所示，该数据处理方法可以包括操作s201～s203，其中：
在操作s201，获取用于评论目标对象的多条评论信息。
在操作s202，将获取的多条评论信息输入对应的神经网络，使得神经网络能够基于多条评论信息输出标准评价指标的得分，其中，标准评价指标的得分可用于作为对目标对象进行评级的参考数据。
在操作s203，基于神经网络输出的标准评价指标的得分，对目标对象进行评级。
根据本公开的实施例，目标对象例如可以是电商网站中的店铺，对目标对象进行评论例如可以是对购买后的店铺的商品、店铺发货速度、店铺服务态度等的评论，其中，多条评论信息可以是不同用户针对目标对象的评论。
在本公开实施例中，在获取多条评论信息后，可以将其输入对应的神经网络中进行转化，以使神经网络将多条评论信息转化为对应的数值。简言之，该神经网络可以将多条评论信息转化为对应的标准评价指标的得分，以对目标对象进行评级。
具体地，如图2b所示，从用户留言(可以是上述多条评论信息)可以得到标准评价指标的得分。本公开实施例采用的方案是基于神经网络的端到端学习，具体实施方式如下：首先，基于历史所有的用户留言，训练word2vec模型，训练完成之后，可以将用户留言转化为一组向量(vector)，该向量中包含数值与用户留言向对应；其次，对上述向量进行聚合，该聚合的方式可以是将上述向量中的数值叠加(例如vector中包括vector-1、vector-2和vector-3，将三者进行叠加)后取均值；再次，将聚合之后的向量输入到对应的神经网络中，以使神经网络的输出店铺(可以是目标对象)的标准评价指标的得分，例如服务态度的得分、商品评价的得分、发货速度的得分等；最后，由于每个用户的评判标准不一样，所以需要对每个用户的得分进行加权，具体地，由于标准严格的用户对店铺的打分会比较低，此时可以将该用户对店铺的打分调高一些；由于标准低的用户对店铺的打分会比较高，此时可以将该用户对店铺的打分调低一些。
与本公开的实施例不同，现有技术都是基于规则的评分系统对店铺进行评级。例如成功完成每一笔交易后，买家与卖家均有权对对方交易的情况作一个评价，这个评价亦称之为信用评价。信用评价分为“好评”、“中评”、“差评”三类，每种评价对应一个积分，即评价积分。计算评价积分的方法为评价计分，具体为：“好评”加一分，“中评”零分，“差评”扣一分。对店铺的评价积分进行累积可以反映店铺的信用度。评价计分规则通常包含：每个自然月中，相同买家和卖家之间的评价计分不得超出计分规则范围；若规定时间内相同买卖家之间就同一商品，有多笔交易，则多个好评只计1分，多个差评只记-1分。店铺评分指标包括商品与描述相符、卖家服务态度、卖家发货速度、物流公司服务等。交易成功后，买家可本着自愿的原则对卖家进行店铺评分。逾期未打分则视为放弃，系统不会产生默认评分，不会影响卖家的店铺评分。若买家在进行店铺评分时，只对其中1项或几项指标作出评分，就确认提交，则视为完成店铺评分，且用户无法评价进行修改和补充评分，剩余未评的指标视作放弃评分，系统不会默认评分。商城订单买家完成店铺评分后，系统会自动代卖家给买家一个好评。但是，目前的评分系统，都是基于用户的打分，所有用户都一视同仁，没有区分度，很多用户都没有打分的习惯，造成大部分默认都是好评；此外评价的维度是固定不变的，虽然对于标准化有意义的，但是缺失了对每个店铺个性化或者不同纬度的评价指标。
而通过本公开的实施例，通过将目标对象的多条评论信息输入对应的神经网络，以使神经网络输出用于评价目标对象的标准评价指标的得分，可以提高反映店铺等级的真实度。
下面参考图3a～图3e，结合具体实施例对图2a～图2b所示的方法做进一步说明。
图3a示意性示出了根据本公开另一实施例的数据处理方法的流程图。
如图3a所示，该数据处理方法还可以包括操作s301～s302，其中：
在操作s301，从多条评论信息中提取用于描述目标对象的服务质量和/或服务指标的描述信息。
在操作s302，基于提取的描述信息，得到关于服务质量和/或服务指标的标签，其中，该标签也可用于作为对目标对象进行评级的参考数据。
具体地，本公开实施例是从多条评论信息中提取对目标对象例如目标对象的服务质量和/或若干服务指标的描述信息，并进行汇集，在满足一定量的比例之后，可以将大部分用户对于目标对象某一项或多项服务的描述信息，转换为标签，以便可以将该标签作为对目标对象进行评级的参考数据
通过本公开的实施例，通过将从多条评论信息中提取的用于描述目标对象的服务质量和/或服务指标的描述信息转换的标签作为对目标对象进行评级的参考数据，可以提高反映店铺的等级的真实度，还可以从多条评论信息中不断积累对目标对象的其他更多方位的评价。
作为一种可选的实施例，该数据处理方法还可以包括将标签标记到目标对象上。
根据本公开的实施例，将上述标签标记到对应的目标对象例如店铺上去，可以供所有用户进行查看。因此，在系统默认提供的有限项目打分评价之外，可以从多条评论信息中不断积累对目标对象的其他更多方位的评价。
作为一种可选的实施例，基于提取的描述信息，得到关于服务质量和/或服务指标的标签可以包括：基于提取的描述信息从预先设定的对象描述标签中匹配出关于服务质量和/或服务指标的标签。
在本公开的实施例中，基于提取的服务质量和/或服务指标的描述信息，可以从预先设定的对象描述标签例中选择出对应的标签。
具体实施时，如图3b所示，假设目标对象为店铺，首先，在获取多条评论信息(图中的用户留言)后可以先经过情感检测模块，进行好评或差评的判断，得到的情感检测结果会影响对店铺标签的处理；然后将该多条评论信息会进行中文分词，即将一整句话分解为多个词语，并将该多条评论信息分解出的所有词语转化为上述描述的向量；然后基于该向量对每一个词语，使用余弦相似度即
计算多条评论信息和商家描述标签库中的相似度，其中，本公开的实施例可以预先初始化一个商家描述标签库(又称为对象描述标签库)，该商家描述标签库中可以预先存储多个对商家的评价，例如热情周到，货真价实，反馈及时等，进而，可以根据预先设置的阈值得到匹配的标签；对于匹配到的标签，如果是好评，则对应的标签评分可以+1，如果是差评，对应的标签评分-1。进一步，还可以对商家描述标签库中的标签进行聚类，以使相似的标签可以归集到一起；此外，还可以人工对其中大规模的标签集合进行分析，并最终生成店铺的标签。
通过本公开的实施例，通过从预先设定的对象描述标签中匹配出关于所述服务质量和/或服务指标的所述标签，可以提高反映店铺的等级的真实度。
图3c示意性示出了根据本公开另一实施例的数据处理方法的流程图。
如图3c所示，该数据处理方法还可以包括操作s501～s502，其中：
在操作s501，在基于提取的描述信息从预先设定的对象描述标签中匹配不出关于服务质量和/或服务指标的标签的情况下，将描述信息转化为对应的标签。
在操作s502，将转化得到的对应的标签存入对象描述标签库中。
在本公开的实施例中，若在上述对象描述标签中无法匹配出关于服务质量和/或服务指标的标签，则可以直接将上述描述信息转化为对应的标签，并可以将该对应的标签存入对象描述标签库(可以是上述描述的商家描述词库)中。
通过本公开的实施例，通过将对象描述标签库中没有的标签存入该对象描述标签库中，进而可以更新该对象描述标签库，以备后续使用。
作为一种可选的实施例，在神经网络基于多条评论信息输出标准评价指标的得分的过程中：将不同用户对目标对象的评价标准进行归一化处理，得到对应的归一化的评价标准；以及使得神经网络基于多条评论信息，在归一化的评价标准的基础上输出标准评价指标的得分。
根据本公开的实施例，由于不同用户的标准不尽相同，例如部分用户要求较为严格，部分用户要求较为宽松，进而对目标对象的评价标准有所不同，此时，可以对上述评价标准进行归一化处理，以在对店铺打分过程中尽可能的实现公平公正打分原则。
简言之，可以将将不同用户对目标对象的评价标准进行归一化处理，以得到对应的归一化的评价标准，进而可以使神经网络在该归一化的评价标准的基础上，基于多条评论信息输出对应的标准评价指标的得分，以为目标对象进行评级。
根据本公开的实施例，如图3d所示，可以计算每个用户的评价标准w，以衡量每个用户对目标对象例如店铺服务和购物体验的评价标准w，得到的该评价标准w的取值范围是[0，1]，其中，评价标准w的值越大，表明用户的标准越高，对目标对象的要求越严格；评价标准w的值越小，表明用户的标准越低，对目标对象的要求越宽松。
例如，该目标对象为店铺，ui可以表示用户对店铺第i次购买记录的打分，
通过本公开的实施例，通过将目标对象的评价标准进行归一化处理，可以提高反映店铺等级的真实度。
图3e示意性示出了根据本公开实施例的评价系统的示意图。
如图3e所示，假设目标对象为店铺，评分系统主要可以包括以下模块：1.店铺评级识别模块，即可以根据用户留言，自动识别该用户留言中关于店铺标准评价体系的内容，并根据用户的反馈，自动完成打分。2.用户评价标准化模块，即对每个用户的评价进行标准化，例如3天收到货，部分用户认为较快，部分用户认为较慢，因此可以对不同用户的评价标准进行归一化。3.店铺标签识别模块，即可以根据用户留言，对店铺进行自动标注，形成店铺的标签体系。
通过本公开的实施例，由于用户留言(即多条评论信息)是最能反映目标对象真实情况的信息，因此本公开的实施例可以通过用户留言明确判断用户对目标对象的评价，还可以通过对用户留言设置更多的权重反应店铺评级，以尽可能的避免用户留言和实际打分不一致的情况；此外，现有技术的评级只能通过有限且固定的标准对店铺评级，无法给予用户更多的信息，而本公开的实施例可以通过分析用户留言，抽取目标对象的标签，从更可以避免主观因素，并多方面对目标对象进行描述和评级。
图4示意性示出了根据本公开实施例的数据处理系统的框图。
如图4所示，该数据处理系统400可以包括获取模块410、输出模块420和评级模块430，其中：
获取模块410用于获取用于评论目标对象的多条评论信息。
输出模块420用于将获取的多条评论信息输入对应的神经网络，使得神经网络能够基于多条评论信息输出标准评价指标的得分，其中，标准评价指标的得分可用于作为对目标对象进行评级的参考数据。
评级模块430用于基于神经网络输出的标准评价指标的得分，对目标对象进行评级。
通过本公开的实施例，通过将目标对象的多条评论信息输入对应的神经网络，以使神经网络输出用于评价目标对象的标准评价指标的得分，可以提高反映店铺等级的真实度。
图5a示意性示出了根据本公开另一实施例的数据处理系统的框图。
如图5a所示，该数据处理系统400还可以包括提取模块510和第一处理模块520，其中：
提取模块510用于从多条评论信息中提取用于描述目标对象的服务质量和/或服务指标的描述信息。
第一处理模块520用于基于提取的描述信息，得到关于服务质量和/或服务指标的标签，其中，标签也可用于作为对目标对象进行评级的参考数据。
通过本公开的实施例，通过将从多条评论信息中提取的用于描述目标对象的服务质量和/或服务指标的描述信息转换的标签作为对目标对象进行评级的参考数据，可以提高反映店铺的等级的真实度，还可以从多条评论信息中不断积累对目标对象的其他更多方位的评价。
图5b示意性示出了根据本公开另一实施例的数据处理系统的框图。
如图5b所示，该数据处理系统400还可以包括第二处理模块610，其中：
第二处理模块610用于将标签标记到目标对象上。
根据本公开的实施例，将上述标签标记到对应的目标对象例如店铺上去，可以供所有买家进行查看。因此，在系统默认提供的有限项目打分评价之外，可以从多条评论信息中不断积累对目标对象的其他更多方位的评价。
作为一种可选的实施例，第一处理模块还用于，基于提取的描述信息从预先设定的对象描述标签中匹配出关于服务质量和/或服务指标的标签。
通过本公开的实施例，通过从预先设定的对象描述标签中匹配出关于所述服务质量和/或服务指标的所述标签，可以提高反映店铺的等级的真实度。
图5c示意性示出了根据本公开另一实施例的数据处理系统的框图。
如图5c所示，该数据处理系统400还可以包括转化模块710和存储模块720，其中：
转化模块710用于在基于提取的描述信息从预先设定的对象描述标签中匹配不出关于服务质量和/或服务指标的标签的情况下，将描述信息转化为对应的标签。
存储模块720用于将转化得到的对应的标签存入对象描述标签库中。
通过本公开的实施例，通过将对象描述标签库中没有的标签存入该对象描述标签库中，进而可以更新该对象描述标签库，以备后续使用。
作为一种可选的实施例，在神经网络基于多条评论信息输出标准评价指标的得分的过程中：将不同用户对目标对象的评价标准进行归一化处理，得到对应的归一化的评价标准；以及使得神经网络基于多条评论信息，在归一化的评价标准的基础上输出标准评价指标的得分。
通过本公开的实施例，通过将目标对象的评价标准进行归一化处理，可以提高反映店铺等级的真实度。
可以理解的是，前述的获取模块410、输出模块420、评级模块430、提取模块510、第一处理模块520、第二处理模块610、转化模块710以及存储模块720等可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。根据本发明的实施例，获取模块410、输出模块420、评级模块430、提取模块510、第一处理模块520、第二处理模块610、转化模块710以及存储模块720中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(fpga)、可编程逻辑阵列(pla)、片上系统、基板上的系统、封装上的系统、专用集成电路(asic)，或可以以对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式的适当组合来实现。或者，获取模块410、输出模块420、评级模块430、提取模块510、第一处理模块520、第二处理模块610、转化模块710以及存储模块720中的至少一个可以至少被部分地实现为计算机程序模块，当该程序被计算机运行时，可以执行相应模块的功能。
需要说明的是，本公开的实施例中数据处理方法部分与本公开的实施例中数据处理系统部分是相对应的，数据处理系统部分的描述具体参考数据处理方法部分，在此不再赘述。
作为另一方面，本公开还提供了一种计算机系统，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，其中，当一个或多个程序被一个或多个处理器执行时，使得一个或多个处理器实现如上任一项所述的数据处理方法。
图6示意性示出了根据本公开实施例的适于实现数据处理方法的计算机系统的框图。图6示出的计算机系统仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图6所示，根据本公开实施例的计算机系统800包括处理器801，其可以根据存储在只读存储器(rom)802中的程序或者从存储部分708加载到随机访问存储器(ram)803中的程序而执行各种适当的动作和处理。处理器801例如可以包括通用微处理器(例如cpu)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(asic))，等等。处理器801还可以包括用于缓存用途的板载存储器。处理器801可以包括用于执行参考图2a～图2b，图3a～图3e描述的根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在ram803中，存储有计算机系统800操作所需的各种程序和数据。处理器801、rom802以及ram803通过总线804彼此相连。处理器801通过执行rom802和/或ram803中的程序来执行以上参考2a～图2b，图3a～图3e描述的各种操作。需要注意，所述程序也可以存储在除rom802和ram803以外的一个或多个存储器中。处理器801也可以通过执行存储在所述一个或多个存储器中的程序来执行以上参考2a～图2b，图3a～图3e描述的各种操作。
根据本公开的实施例，计算机系统800还可以包括输入/输出(i/o)接口705，输入/输出(i/o)接口705也连接至总线804。计算机系统800还可以包括连接至i/o接口805的以下部件中的一项或多项：包括键盘、鼠标等的输入部分806；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807；包括硬盘等的存储部分808；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809。通信部分809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至i/o接口805。可拆卸介质811，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810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808。
根据本公开的实施例，上文参考流程图描述的方法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存储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809从网络上被下载和安装，和/或从可拆卸介质811被安装。在该计算机程序被处理器801执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
需要说明的是，本公开所示的计算机可读存储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。在本公开中，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。而在本公开中，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存储介质，该计算机可读存储介质可以发送、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。计算机可读存储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。根据本公开的实施例，计算机可读存储介质可以包括上文描述的rom802和/或ram803和/或rom802和ram803以外的一个或多个存储器。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、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。
作为另一方面，本公开还提供了一种计算机可读介质，其上存储有可执行指令，该指令被处理器执行时使处理器实现如上任一项所述的数据处理方法。该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。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设备执行时，使得该设备执行：获取用于评论目标对象的多条评论信息；将获取的多条评论信息输入对应的神经网络，使得神经网络能够基于多条评论信息输出标准评价指标的得分，其中，标准评价指标的得分可用于作为对目标对象进行评级的参考数据；以及基于神经网络输出的标准评价指标的得分，对目标对象进行评级。
以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。
- 还没有人留言评论。精彩留言会获得点赞！