本發(fā)明涉及互聯(lián)網(wǎng)技術(shù)，尤其涉及一種垃圾評(píng)論識(shí)別方法以及垃圾評(píng)論識(shí)別裝置。

背景技術(shù)：

在互聯(lián)網(wǎng)產(chǎn)品評(píng)論技術(shù)領(lǐng)域中，垃圾評(píng)論通常包括：無(wú)用評(píng)論以及不真實(shí)評(píng)論，其中的無(wú)用評(píng)論主要是指不帶有感情色彩的隨機(jī)文本、對(duì)非產(chǎn)品信息的評(píng)論文本、問(wèn)句以及廣告等，其中的不真實(shí)評(píng)論主要是指基于推銷某一產(chǎn)品而詆毀競(jìng)爭(zhēng)對(duì)手的產(chǎn)品等原因而故意發(fā)表的不符合實(shí)際情況的評(píng)論。相較于無(wú)用評(píng)論而言，不真實(shí)評(píng)論往往與真實(shí)評(píng)論更相像，而且不真實(shí)評(píng)論的危害性也往往更大。

垃圾評(píng)論(尤其是不真實(shí)評(píng)論)會(huì)對(duì)產(chǎn)品的公正性產(chǎn)生不良影響，破壞產(chǎn)品真實(shí)屬性和用戶反饋信息。需要一種技術(shù)，能夠從眾多的評(píng)論中準(zhǔn)確的識(shí)別出垃圾評(píng)論(尤其是識(shí)別出不真實(shí)評(píng)論)，保護(hù)用戶反饋數(shù)據(jù)完整性和真實(shí)性。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的是提供一種垃圾評(píng)論識(shí)別方法及裝置。

根據(jù)本發(fā)明的一個(gè)方面，提供一種垃圾評(píng)論識(shí)別方法，該方法主要包括以下步驟：根據(jù)從評(píng)論集合中讀取出的一條評(píng)論中的分詞為所述評(píng)論構(gòu)建語(yǔ)言模型，以獲得所述評(píng)論的概率；根據(jù)所述評(píng)論的概率與所述評(píng)論集合中的另一條評(píng)論的概率計(jì)算兩條評(píng)論之間的相似度；在所述相似度滿足相似度要求的情況下，將所述兩條評(píng)論均確定為不真實(shí)評(píng)論。

優(yōu)選的，前述的垃圾評(píng)論識(shí)別方法，其中該方法還包括：獲取網(wǎng)絡(luò)中的評(píng)論；在判斷出所述獲取的評(píng)論滿足預(yù)定條件的情況下，將所述獲取的評(píng)論 添加在評(píng)論集合中。

優(yōu)選的，前述的垃圾評(píng)論識(shí)別方法，其中所述在判斷出所述獲取的評(píng)論滿足預(yù)定條件的情況下，將所述獲取的評(píng)論添加在評(píng)論集合中的步驟包括：在根據(jù)分類模型輸出的信息確定所述獲取的評(píng)論不是無(wú)用評(píng)論的情況下，將所述獲取的評(píng)論添加在評(píng)論集合中；或者，在判斷出所述獲取的評(píng)論的長(zhǎng)度超過(guò)預(yù)定長(zhǎng)度閾值的情況下，將所述獲取的評(píng)論添加在所述評(píng)論集合中；或者，在根據(jù)分類模型輸出的信息確定所述獲取的評(píng)論不是無(wú)用評(píng)論，且在判斷出所述獲取的評(píng)論的長(zhǎng)度超過(guò)預(yù)定長(zhǎng)度閾值的情況下，將所述獲取的評(píng)論添加在評(píng)論集合中。

優(yōu)選的，前述的垃圾評(píng)論識(shí)別方法，其中所述根據(jù)分類模型輸出的信息確定所述獲取的評(píng)論不是無(wú)用評(píng)論的步驟包括：將所述獲取的評(píng)論進(jìn)行特征量化處理，以獲得所述獲取的評(píng)論對(duì)應(yīng)的特征量化值；將所述評(píng)論對(duì)應(yīng)的特征量化值提供給邏輯回歸分類模型；根據(jù)所述邏輯回歸分類模型輸出的概率值判斷所述獲取的評(píng)論是否為無(wú)用評(píng)論。

優(yōu)選的，前述的垃圾評(píng)論識(shí)別方法，其中該獲取的評(píng)論對(duì)應(yīng)的特征量化值還包括：基于信息增益方式從評(píng)論樣本中抽取出的特征分詞的量化值。

優(yōu)選的，前述的垃圾評(píng)論識(shí)別方法，其中所述將所述獲取的評(píng)論進(jìn)行特征量化處理，以獲得所述獲取的評(píng)論對(duì)應(yīng)的特征量化值的步驟包括：統(tǒng)計(jì)各特征分詞在所述獲取的評(píng)論中出現(xiàn)的次數(shù)，其中，所述統(tǒng)計(jì)出的各次數(shù)被作為所述基于信息增益方式從評(píng)論樣本中抽取出的特征分詞的量化值。

優(yōu)選的，前述的垃圾評(píng)論識(shí)別方法，其中所述構(gòu)建的語(yǔ)言模型包括：基于最大似然估計(jì)法以及katz平滑處理的二元語(yǔ)言模型。

優(yōu)選的，前述的垃圾評(píng)論識(shí)別方法，其中所述根據(jù)所述評(píng)論的概率與所述評(píng)論集合中的另一條評(píng)論的概率計(jì)算兩條評(píng)論之間的相似度的步驟包括：根據(jù)所述評(píng)論的概率與所述評(píng)論集合中的另一條評(píng)論的概率利用kl散度計(jì)算兩條評(píng)論之間的相似度。

根據(jù)本發(fā)明的另一個(gè)方面，還提供了一種垃圾評(píng)論識(shí)別裝置，該裝置包括：構(gòu)建模型模塊，用于根據(jù)從評(píng)論集合中讀取出的一條評(píng)論中的分詞為所述評(píng)論構(gòu)建語(yǔ)言模型，以獲得所述評(píng)論的概率；計(jì)算相似度模塊，用于根據(jù) 所述評(píng)論的概率與所述評(píng)論集合中的另一條評(píng)論的概率計(jì)算兩條評(píng)論之間的相似度；判別不真實(shí)模塊，用于在所述相似度滿足相似度要求的情況下，將所述兩條評(píng)論均確定為不真實(shí)評(píng)論。

優(yōu)選的，前述的垃圾評(píng)論識(shí)別裝置，其中該裝置還包括：獲取評(píng)論模塊，用于獲取網(wǎng)絡(luò)中的評(píng)論；評(píng)論過(guò)濾模塊，用于在判斷出所述獲取的評(píng)論滿足預(yù)定條件的情況下，將所述獲取的評(píng)論添加在評(píng)論集合中。

優(yōu)選的，前述的垃圾評(píng)論識(shí)別裝置，其中所述評(píng)論過(guò)濾模塊包括：第一過(guò)濾子模塊，用于在根據(jù)分類模型輸出的信息確定所述獲取的評(píng)論不是無(wú)用評(píng)論的情況下，將所述獲取的評(píng)論添加在評(píng)論集合中；或者，第二過(guò)濾子模塊，用于在判斷出所述獲取的評(píng)論的長(zhǎng)度超過(guò)預(yù)定長(zhǎng)度閾值的情況下，將所述獲取的評(píng)論添加在所述評(píng)論集合中；或者，第三過(guò)濾子模塊，用于在根據(jù)分類模型輸出的信息確定所述獲取的評(píng)論不是無(wú)用評(píng)論，且在判斷出所述獲取的評(píng)論的長(zhǎng)度超過(guò)預(yù)定長(zhǎng)度閾值的情況下，將所述獲取的評(píng)論添加在評(píng)論集合中。

優(yōu)選的，前述的垃圾評(píng)論識(shí)別裝置，其中所述第一過(guò)濾子模塊和第三過(guò)濾子模塊包括：量化處理子模塊，用于將所述獲取的評(píng)論進(jìn)行特征量化處理，以獲得所述獲取的評(píng)論對(duì)應(yīng)的特征量化值；輸入子模塊，用于將所述評(píng)論及其對(duì)應(yīng)的特征量化值提供給邏輯回歸分類模型；判別無(wú)用子模塊，用于根據(jù)所述邏輯回歸分類模型輸出的概率值判斷所述獲取的評(píng)論是否為無(wú)用評(píng)論。

優(yōu)選的，前述的垃圾評(píng)論識(shí)別裝置，其中所述獲取的評(píng)論對(duì)應(yīng)的特征量化值還包括：采用信息增益方式設(shè)置的基于從評(píng)論樣本中抽取出的特征分詞的量化值。

優(yōu)選的，前述的垃圾評(píng)論識(shí)別裝置，其中所述量化處理子模塊包括：統(tǒng)計(jì)次數(shù)子模塊，用于統(tǒng)計(jì)各特征分詞在所述獲取的評(píng)論中出現(xiàn)的次數(shù)，其中，所述統(tǒng)計(jì)出的各次數(shù)被作為所述基于信息增益方式從評(píng)論樣本中抽取出的特征分詞的量化值。

優(yōu)選的，前述的垃圾評(píng)論識(shí)別裝置，其中所述構(gòu)建的語(yǔ)言模型包括：基于最大似然估計(jì)法以及katz平滑處理的二元語(yǔ)言模型。

優(yōu)選的，前述的垃圾評(píng)論識(shí)別裝置，其中所述計(jì)算相似度模塊具體用于： 根據(jù)所述評(píng)論的概率與所述評(píng)論集合中的另一條評(píng)論的概率利用kl散度計(jì)算兩條評(píng)論之間的相似度。

與現(xiàn)有技術(shù)相比，本發(fā)明具有以下優(yōu)點(diǎn)：本發(fā)明通過(guò)針對(duì)評(píng)論中的分詞構(gòu)建語(yǔ)言模型，可以獲得該條評(píng)論的概率，通過(guò)利用評(píng)論集合中的兩條評(píng)論的概率計(jì)算兩條評(píng)論之間的相似度，可以根據(jù)該相似度判斷出兩條評(píng)論是否均為不真實(shí)評(píng)論，從而為不真實(shí)評(píng)論提供了一種切實(shí)可行的識(shí)別方案，保護(hù)用戶反饋數(shù)據(jù)完整性和真實(shí)性。

附圖說(shuō)明

通過(guò)閱讀參照以下附圖所作的對(duì)非限制性實(shí)施例所作的詳細(xì)描述，本發(fā)明的其它特征、目的和優(yōu)點(diǎn)將會(huì)變得更明顯：

圖1為本發(fā)明實(shí)施例一的垃圾評(píng)論識(shí)別方法流程圖；

圖2為本發(fā)明實(shí)施例一的將滿足預(yù)定條件的評(píng)論添加在評(píng)論集合中的第一種方式的流程圖；

圖3為本發(fā)明實(shí)施例一的將滿足預(yù)定條件的評(píng)論添加在評(píng)論集合中的第二種方式的流程圖；

圖4為本發(fā)明實(shí)施例一的將滿足預(yù)定條件的評(píng)論添加在評(píng)論集合中的第三種方式的流程圖；

圖5為本發(fā)明實(shí)施例一的判斷一條評(píng)論是否為無(wú)用評(píng)論的流程圖；

圖6為本發(fā)明實(shí)施例一的對(duì)評(píng)論進(jìn)行特征量化處理過(guò)程的一個(gè)具體例子的流程圖；

圖7為本發(fā)明實(shí)施例一的對(duì)評(píng)論進(jìn)行特征量化處理過(guò)程的另一個(gè)具體例子的流程圖；

圖8為本發(fā)明實(shí)施例一的對(duì)評(píng)論進(jìn)行特征量化處理過(guò)程的再一個(gè)具體例子的流程圖；

圖9為本發(fā)明實(shí)施例一的對(duì)評(píng)論進(jìn)行特征量化處理過(guò)程的第四個(gè)具體例子的流程圖；

圖10為本發(fā)明實(shí)施例二的垃圾評(píng)論識(shí)別裝置的一結(jié)構(gòu)示意圖；

圖11為本發(fā)明實(shí)施例二的垃圾評(píng)論識(shí)別裝置的另一結(jié)構(gòu)示意圖；

圖12為本發(fā)明實(shí)施例二的評(píng)論過(guò)濾模塊的一結(jié)構(gòu)示意圖；

圖13為本發(fā)明實(shí)施例二的評(píng)論過(guò)濾模塊的另一結(jié)構(gòu)示意圖；

圖14為本發(fā)明實(shí)施例二的評(píng)論過(guò)濾模塊的再一結(jié)構(gòu)示意圖；

圖15為本發(fā)明實(shí)施例二的第一/第三過(guò)濾子模塊的結(jié)構(gòu)示意圖；

圖16為本發(fā)明實(shí)施例二的量化處理子模塊的第一結(jié)構(gòu)示意圖；

圖17為本發(fā)明實(shí)施例二的量化處理子模塊的第二結(jié)構(gòu)示意圖；

圖18為本發(fā)明實(shí)施例二的量化處理子模塊的第三結(jié)構(gòu)示意圖；

圖19為本發(fā)明實(shí)施例二的量化處理子模塊的第四結(jié)構(gòu)示意圖；

圖20為本發(fā)明實(shí)施例二的量化處理子模塊的第五結(jié)構(gòu)示意圖。

具體實(shí)施方式

為使本發(fā)明的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面將結(jié)合附圖對(duì)本發(fā)明的實(shí)施例作詳細(xì)描述。

在更加詳細(xì)地討論示例性實(shí)施例之前應(yīng)當(dāng)提到的是，一些示例性實(shí)施例被描述成作為流程圖描繪的處理或方法。雖然本發(fā)明的流程圖將各項(xiàng)操作描述成順序的處理，但是，其中的許多操作可以被并行地、并發(fā)地或者同時(shí)實(shí)施。此外，各項(xiàng)操作的順序可以被重新安排。當(dāng)其操作完成時(shí)所述處理可以被終止，但是還可以具有未包括在附圖中的附加步驟。所述處理可以對(duì)應(yīng)于方法、函數(shù)、規(guī)程、子例程、子程序等等。

本實(shí)施例中的網(wǎng)絡(luò)設(shè)備包括但不限于單個(gè)網(wǎng)絡(luò)服務(wù)器、多個(gè)網(wǎng)絡(luò)服務(wù)器組成的服務(wù)器組或者基于云計(jì)算(cloudcomputing)的由大量計(jì)算機(jī)或者網(wǎng)絡(luò)服務(wù)器構(gòu)成的云，其中，云計(jì)算是分布式計(jì)算的一種，由一群松散耦合的計(jì)算機(jī)集組成的一個(gè)超級(jí)虛擬計(jì)算機(jī)。其中，所述網(wǎng)絡(luò)設(shè)備可以接入網(wǎng)絡(luò)并與網(wǎng)絡(luò)中的其他網(wǎng)絡(luò)設(shè)備進(jìn)行信息交互操作。其中，所述網(wǎng)絡(luò)設(shè)備所能夠接入的網(wǎng)絡(luò)包括但不限于互聯(lián)網(wǎng)、廣域網(wǎng)、城域網(wǎng)、局域網(wǎng)、vpn網(wǎng)絡(luò)等。

需要說(shuō)明的是，所述網(wǎng)絡(luò)設(shè)備以及網(wǎng)絡(luò)等僅為舉例，其他現(xiàn)有的或今后可能出現(xiàn)的網(wǎng)絡(luò)設(shè)備或者網(wǎng)絡(luò)如可適用于本申請(qǐng)，也應(yīng)包含在本申請(qǐng)保護(hù)范圍以內(nèi)，并以引用方式包含于此。

后面描述所討論的方法(其中一些通過(guò)流程圖示出)實(shí)施例可以通過(guò)硬 件、軟件、固件、中間件、微代碼、硬件描述語(yǔ)言或者其任意組合的形式來(lái)實(shí)施。當(dāng)用軟件、固件、中間件或者微代碼來(lái)實(shí)施時(shí)，用以實(shí)施必要任務(wù)的程序代碼或者代碼段可以被存儲(chǔ)在機(jī)器或計(jì)算機(jī)可讀介質(zhì)(比如存儲(chǔ)介質(zhì))中。(一個(gè)或多個(gè))處理器可以實(shí)施必要的任務(wù)。

這里所公開(kāi)的具體結(jié)構(gòu)和功能細(xì)節(jié)僅僅是代表性的，并且是用于描述本申請(qǐng)的示例性實(shí)施例的目的，但是，本申請(qǐng)可以通過(guò)許多替換形式來(lái)具體實(shí)現(xiàn)，并且不應(yīng)當(dāng)被解釋成僅僅受限于這里所闡述的實(shí)施例。

應(yīng)當(dāng)理解的是，雖然在這里可能使用了術(shù)語(yǔ)“第一”、“第二”等等來(lái)描述各個(gè)單元，但是這些單元不應(yīng)當(dāng)受這些術(shù)語(yǔ)限制。使用這些術(shù)語(yǔ)僅僅是為了將一個(gè)單元與另一個(gè)單元進(jìn)行區(qū)分。舉例來(lái)說(shuō)，在不背離示例性實(shí)施例的范圍的情況下，第一單元可以被稱為第二單元，并且類似地第二單元可以被稱為第一單元。這里所使用的術(shù)語(yǔ)“和/或”包括其中一個(gè)或更多所列出的相關(guān)聯(lián)項(xiàng)目的任意和所有組合。

應(yīng)當(dāng)理解的是，當(dāng)一個(gè)單元被稱為“連接”或者“耦合”到另一個(gè)單元時(shí)，其可以直接連接或者耦合到所述另一個(gè)單元，也可以存在中間單元。與此相對(duì)的，當(dāng)一個(gè)單元被稱為“直接連接”或者“直接耦合”到另一個(gè)單元時(shí)，則不存在中間單元。應(yīng)當(dāng)按照類似的方式來(lái)解釋被用于描述單元之間的關(guān)系的其他詞語(yǔ)(例如，“處于...之間”相比于“直接處于...之間”，“與...鄰近”相比于“與...直接鄰近”等等)。

這里所使用的術(shù)語(yǔ)僅僅是為了描述具體實(shí)施例，而不是意圖限制示例性實(shí)施例。除非上下文中明確地另有所指，否則，這里所使用的單數(shù)形式“一個(gè)”、“一項(xiàng)”還意圖包括復(fù)數(shù)。還應(yīng)當(dāng)理解的是，這里所使用的術(shù)語(yǔ)“包括”和/或“包含”規(guī)定了所陳述的特征、整數(shù)、步驟、操作、單元和/或組件的存在，而不排除存在或者添加一個(gè)或更多的其他特征、整數(shù)、步驟、操作、單元、組件和/或其組合。

還應(yīng)當(dāng)提到的是，在一些替換的實(shí)現(xiàn)方式中，所提到的功能/動(dòng)作可以按照不同于附圖中標(biāo)示的順序發(fā)生。舉例來(lái)說(shuō)，取決于所涉及的功能/動(dòng)作，相繼示出的兩幅圖實(shí)際上可以基本上同時(shí)執(zhí)行或者有時(shí)可以按照相反的順序來(lái)執(zhí)行。

下面結(jié)合附圖對(duì)本申請(qǐng)的技術(shù)方案作進(jìn)一步詳細(xì)描述。

實(shí)施例一、垃圾評(píng)論識(shí)別方法。

圖1為本實(shí)施例的垃圾評(píng)論識(shí)別方法流程圖。如圖1所示，本實(shí)施例的方法主要包括：步驟s100、步驟s110以及步驟s120。本實(shí)施例所記載的方法通常是在網(wǎng)絡(luò)設(shè)備中被執(zhí)行的，如本實(shí)施例所記載的方法可以在網(wǎng)絡(luò)購(gòu)物平臺(tái)一側(cè)的網(wǎng)絡(luò)設(shè)備中執(zhí)行。

下面對(duì)圖1中的各步驟分別進(jìn)行詳細(xì)描述。

s100、根據(jù)從評(píng)論集合中讀取出的一條評(píng)論中的分詞為該評(píng)論構(gòu)建語(yǔ)言模型，以獲得該評(píng)論的概率。

具體的，本實(shí)施例的評(píng)論集合中包含有多條評(píng)論，且評(píng)論集合中的評(píng)論為需要進(jìn)行真實(shí)評(píng)論鑒定的評(píng)論。本實(shí)施例的評(píng)論集合中的評(píng)論通常是指對(duì)通過(guò)網(wǎng)絡(luò)進(jìn)行銷售的商品或者服務(wù)等多種類型的產(chǎn)品的評(píng)論。本實(shí)施例不限制產(chǎn)品以及評(píng)論的具體表現(xiàn)形式。

作為示例，本實(shí)施例的評(píng)論集合中的評(píng)論可以是采用爬取等方式從網(wǎng)絡(luò)中獲取到的評(píng)論。本實(shí)施例可以對(duì)從網(wǎng)絡(luò)中獲取到的評(píng)論進(jìn)行篩選，以篩選出滿足預(yù)定條件的評(píng)論，從而將滿足預(yù)定條件的評(píng)論添加在評(píng)論集合中，這樣，可以使評(píng)論集合中的評(píng)論為確實(shí)需要進(jìn)行真實(shí)評(píng)論鑒定的評(píng)論，進(jìn)而本實(shí)施例可以有效控制評(píng)論集合中的評(píng)論的數(shù)量。

本實(shí)施例可以根據(jù)實(shí)際需求來(lái)設(shè)置預(yù)定條件，從而本實(shí)施例可以采用多種不同的篩選方式將滿足預(yù)定條件的評(píng)論添加在評(píng)論集合中。作為示例，下面簡(jiǎn)單例舉三種實(shí)現(xiàn)方式：

方式一、如圖2所示，s200、利用預(yù)先設(shè)置的分類模型對(duì)從網(wǎng)絡(luò)中獲取到的一條評(píng)論進(jìn)行是否為無(wú)用評(píng)論的分類處理，這樣，本實(shí)施例根據(jù)分類模型輸出的信息即可判斷出從網(wǎng)絡(luò)中獲取到的評(píng)論是否為無(wú)用評(píng)論，如果判斷出從網(wǎng)絡(luò)中獲取到的評(píng)論是無(wú)用評(píng)論時(shí)，則到s210，如果判斷出從網(wǎng)絡(luò)中獲取到的評(píng)論不是無(wú)用評(píng)論時(shí)，則到s220。

s210、本實(shí)施例不會(huì)將該條評(píng)論添加在評(píng)論集合中。

s220、本實(shí)施例應(yīng)將該條評(píng)論添加在評(píng)論集合中。

由上述描述可知，本方式中的預(yù)定條件可以描述為：分類模型輸出的信 息表示不是無(wú)用評(píng)論。本方式通過(guò)利用分類模型進(jìn)行無(wú)用評(píng)論的辨識(shí)，可以有效避免無(wú)用評(píng)論被添加到評(píng)論集合中的現(xiàn)象。

方式二、如圖3所示，s300、計(jì)算從網(wǎng)絡(luò)中獲取到的一條評(píng)論的長(zhǎng)度(如統(tǒng)計(jì)評(píng)論所包含的字符數(shù)等)，并到s310。

s310、判斷該條評(píng)論的長(zhǎng)度是否達(dá)到/超過(guò)預(yù)定長(zhǎng)度閾值，如果判斷出該條評(píng)論的長(zhǎng)度沒(méi)有達(dá)到/超過(guò)預(yù)定長(zhǎng)度閾值，則到s320，而如果判斷出該條評(píng)論的長(zhǎng)度達(dá)到/超過(guò)預(yù)定長(zhǎng)度閾值，則到s330。

s320、本實(shí)施例不會(huì)將該條評(píng)論添加在評(píng)論集合中。

s330、本實(shí)施例應(yīng)將該條評(píng)論添加在評(píng)論集合中。

由上述描述可知，本方式中的預(yù)定條件可以描述為：評(píng)論的長(zhǎng)度達(dá)到/超過(guò)預(yù)定長(zhǎng)度閾值。本方式充分考慮到了不真實(shí)評(píng)論為了引起他人注意而通常會(huì)具有較長(zhǎng)的長(zhǎng)度這一特征，通過(guò)設(shè)置預(yù)定長(zhǎng)度閾值對(duì)評(píng)論進(jìn)行辨識(shí)，可以在一定程度上避免將更傾向于是真實(shí)評(píng)論的評(píng)論添加在評(píng)論集合中的現(xiàn)象。

方式三、如圖4所示，s400、利用預(yù)先設(shè)置的分類模型對(duì)從網(wǎng)絡(luò)中獲取到的一條評(píng)論進(jìn)行是否為無(wú)用評(píng)論的分類處理，這樣，本實(shí)施例根據(jù)分類模型輸出的信息即可判斷出從網(wǎng)絡(luò)中獲取到的評(píng)論是否為無(wú)用評(píng)論，如果判斷出從網(wǎng)絡(luò)中獲取到的評(píng)論是無(wú)用評(píng)論時(shí)，則到s430，如果判斷出從網(wǎng)絡(luò)中獲取到的評(píng)論不是無(wú)用評(píng)論時(shí)，則到s410。

s410、計(jì)算該條評(píng)論的長(zhǎng)度(如統(tǒng)計(jì)該條評(píng)論所包含的字符數(shù)等)，并到s420。

s420、判斷該條評(píng)論的長(zhǎng)度是否達(dá)到/超過(guò)預(yù)定長(zhǎng)度閾值，如果判斷出該條評(píng)論的長(zhǎng)度沒(méi)有達(dá)到/超過(guò)預(yù)定長(zhǎng)度閾值，則到s430，而如果判斷出該條評(píng)論的長(zhǎng)度達(dá)到/超過(guò)預(yù)定長(zhǎng)度閾值，則到s440。

s430、本實(shí)施例不會(huì)將該條評(píng)論添加在評(píng)論集合中。

s440、本實(shí)施例應(yīng)將該條評(píng)論添加在評(píng)論集合中。

由上述描述可知，本方式中的預(yù)定條件可以描述為：分類模型輸出的信息表示不是無(wú)用評(píng)論，且評(píng)論的長(zhǎng)度達(dá)到/超過(guò)預(yù)定長(zhǎng)度閾值。本方式通過(guò)利用分類模型進(jìn)行無(wú)用評(píng)論的辨識(shí)，并通過(guò)設(shè)置預(yù)定長(zhǎng)度閾值對(duì)非無(wú)用評(píng)論進(jìn) 行辨識(shí)，不僅可以有效避免無(wú)用評(píng)論被添加到評(píng)論集合中的現(xiàn)象，而且可以在一定程度上避免將更傾向于是真實(shí)評(píng)論的評(píng)論添加在評(píng)論集合中的現(xiàn)象。

在上述方式一和方式三中，都采用了利用分類模型來(lái)識(shí)別評(píng)論是否為無(wú)用評(píng)論這一分類技術(shù)，本實(shí)施例中的分類模型可以具體為logistic回歸分類模型(即邏輯回歸分類模型或者邏輯回歸分類器)，當(dāng)然，本實(shí)施例也可以采用決策樹(shù)分類模型(即決策樹(shù)分類器)等其他形式的分類模型。

作為示例，本實(shí)施例在采用邏輯回歸分類模型的情況下，判斷一條評(píng)論是否為無(wú)用評(píng)論的過(guò)程可以具體如圖5所示。

在圖5中，s500、將獲取到的一條評(píng)論進(jìn)行特征量化處理，以獲得該條評(píng)論對(duì)應(yīng)的特征量化值。

s510、將該評(píng)論對(duì)應(yīng)的特征量化值提供給邏輯回歸分類模型。

s520、根據(jù)邏輯回歸分類模型輸出的概率值判斷該條評(píng)論是否為無(wú)用評(píng)論，如概率值達(dá)到/超過(guò)預(yù)定概率閾值的評(píng)論為無(wú)用評(píng)論，而概率值未達(dá)到/未超過(guò)預(yù)定概率閾值的評(píng)論為正常評(píng)論。

作為示例，本實(shí)施例通過(guò)對(duì)一條評(píng)論進(jìn)行特征量化處理而獲得的該評(píng)論對(duì)應(yīng)的特征量化值可以包括：表征評(píng)論與相應(yīng)產(chǎn)品類型的產(chǎn)品特征之間的相似度的量化值(上述相應(yīng)產(chǎn)品類型為評(píng)論對(duì)應(yīng)的產(chǎn)品所屬的產(chǎn)品類型)、表征評(píng)論中的非產(chǎn)品評(píng)價(jià)部分與評(píng)論之間比例的量化值、表征評(píng)論中是否包含有超鏈接的量化值以及表征評(píng)論中的疑問(wèn)語(yǔ)句與評(píng)論之間比例的量化值中的一個(gè)或者多個(gè)。優(yōu)選的，本實(shí)施例通過(guò)對(duì)一條評(píng)論進(jìn)行特征量化處理，獲得該評(píng)論對(duì)應(yīng)的上述四個(gè)量化值。

作為示例，針對(duì)表征評(píng)論與相應(yīng)產(chǎn)品類型的產(chǎn)品特征之間的相似度的量化值而言，本實(shí)施例對(duì)評(píng)論進(jìn)行特征量化處理過(guò)程的一個(gè)具體的例子如圖6所示。

圖6中，在本次對(duì)評(píng)論進(jìn)行特征量化處理之前，如果一條評(píng)論并未進(jìn)行分詞處理，則執(zhí)行s600，對(duì)該條評(píng)論進(jìn)行分詞處理，以將該條評(píng)論劃分為一個(gè)或多個(gè)分詞，然后，到s610。而在本次特征量化處理之前，如果一條評(píng)論已經(jīng)進(jìn)行了分詞處理(如評(píng)論集合中存儲(chǔ)的評(píng)論包括預(yù)處理后的評(píng)論，且該預(yù)處理包括分詞處理)，則可以直接到s610。也就是說(shuō)，s600為可選步驟。

本實(shí)施例可以采用現(xiàn)有的ictclas等分詞工具對(duì)評(píng)論進(jìn)行分詞處理。

s610、在本次特征量化處理之前，如果一條評(píng)論并未進(jìn)行去除停用詞處理，則對(duì)該條評(píng)論的各分詞分別進(jìn)行去除停用詞處理，以便于去除該評(píng)論中的為停用詞的分詞；如根據(jù)預(yù)先設(shè)置的停用詞表(即停用詞集合)所包含的各停用詞來(lái)去除該評(píng)論中的為停用詞的分詞；本實(shí)施例中的停用詞可以為語(yǔ)氣助詞等沒(méi)有實(shí)際含義的詞；到s620。

在本次特征量化處理之前，如果一條評(píng)論已經(jīng)進(jìn)行了去除停用詞處理(如評(píng)論集合中存儲(chǔ)的評(píng)論包括預(yù)處理后的評(píng)論，且該預(yù)處理包括分詞處理和去除停用詞處理)，則可以直接到s620，也就是說(shuō)，s620為可選步驟。

s620、計(jì)算去除停用詞之后的各分詞的tf-idf(termfrequency–inversedocumentfrequency，詞頻逆向文件頻率)值，且一個(gè)分詞的tf-idf值可以作為該分詞的權(quán)重值；到s630。

本實(shí)施例可以采用下述公式(1)來(lái)計(jì)算評(píng)論中的第i個(gè)分詞d的tf-idf值，即wi(d)：

在上述公式(1)中，tfi(d)表示評(píng)論中的第i個(gè)分詞d在該評(píng)論中出現(xiàn)的頻率(即次數(shù))，n表示評(píng)論集合中的評(píng)論的數(shù)量，ni表示評(píng)論集合中包含有第i個(gè)分詞d的評(píng)論的數(shù)量。

s630、根據(jù)各分詞的tf-idf值以及該條評(píng)論對(duì)應(yīng)的產(chǎn)品所屬的產(chǎn)品類型的產(chǎn)品特征詞表中的各產(chǎn)品特征詞的權(quán)重值進(jìn)行余弦相似度計(jì)算，計(jì)算獲得的余弦相似度即為表征評(píng)論與相應(yīng)產(chǎn)品類型的產(chǎn)品特征之間的相似度的量化值。本實(shí)施例中的產(chǎn)品特征詞表是預(yù)先設(shè)置的，且產(chǎn)品特征詞表中所包含的產(chǎn)品特征詞可以是從購(gòu)物網(wǎng)站所提供的對(duì)該產(chǎn)品類型的產(chǎn)品的細(xì)節(jié)描述頁(yè)面中提取出來(lái)的。另外，本實(shí)施例中的產(chǎn)品特征詞表中的各產(chǎn)品特征詞的權(quán)重值可以在初始化時(shí)全部設(shè)置為相同的權(quán)重值(如全部設(shè)置為1)，然后，再在邏輯回歸分類模型的學(xué)習(xí)訓(xùn)練過(guò)程不斷的調(diào)整各產(chǎn)品特征詞的權(quán)重值，以不斷的優(yōu)化各產(chǎn)品特征詞的權(quán)重值。

本實(shí)施例可以利用下述公式(2)針對(duì)第i條評(píng)論di和第i條評(píng)論di所對(duì)應(yīng)的產(chǎn)品所屬的產(chǎn)品類型的產(chǎn)品特征進(jìn)行余弦相似度的計(jì)算：

在上述公式(2)中，sim(di,fj)表示第i條評(píng)論di與第i條評(píng)論所對(duì)應(yīng)的產(chǎn)品所屬的產(chǎn)品類型的產(chǎn)品特征fj(即第j個(gè)產(chǎn)品類型所對(duì)應(yīng)的產(chǎn)品特征)之間的余弦相似度，wik表示第i條評(píng)論di中的第k個(gè)分詞的tf-idf值，wjk表示第j個(gè)產(chǎn)品類型所對(duì)應(yīng)的產(chǎn)品特征詞表中的第k個(gè)產(chǎn)品特征詞的權(quán)重值。

作為示例，針對(duì)表征評(píng)論中的非產(chǎn)品評(píng)價(jià)部分與評(píng)論之間比例的量化值而言，本實(shí)施例對(duì)評(píng)論進(jìn)行特征量化處理過(guò)程的一個(gè)具體的例子如圖7所示。

圖7中，在本次對(duì)評(píng)論進(jìn)行特征量化處理之前，如果一條評(píng)論并未進(jìn)行斷句處理，則執(zhí)行s700，對(duì)該條評(píng)論進(jìn)行斷句處理，以將該條評(píng)論劃分為一個(gè)或多個(gè)語(yǔ)句，然后，到s710。而在本次特征量化處理之前，如果一條評(píng)論已經(jīng)進(jìn)行了斷句處理(如評(píng)論集合中存儲(chǔ)的評(píng)論包括預(yù)處理后的評(píng)論，且該預(yù)處理包括斷句處理)，則可以直接到s710。也就是說(shuō)，s700為可選步驟。

本實(shí)施例可以根據(jù)評(píng)論中的空格或者標(biāo)點(diǎn)符號(hào)等特殊符號(hào)將評(píng)論劃分為多個(gè)語(yǔ)句。

s710、在本次特征量化處理之前，如果一條評(píng)論并未進(jìn)行過(guò)短句合并處理，則對(duì)該條評(píng)論的各語(yǔ)句分別進(jìn)行短句合并處理，以便于將多個(gè)短句合并為一個(gè)語(yǔ)句；如將名稱代詞和謂語(yǔ)動(dòng)詞合并為一個(gè)語(yǔ)句等；到s720。

在本次特征量化處理之前，如果一條評(píng)論已經(jīng)進(jìn)行了短句合并處理(如評(píng)論集合中存儲(chǔ)的評(píng)論包括預(yù)處理后的評(píng)論，且該預(yù)處理包括斷句處理以及短句合并處理等)，則可以直接到s720，也就是說(shuō)，s720為可選步驟。

s720、針對(duì)短句合并處理后的各語(yǔ)句，分別根據(jù)預(yù)先設(shè)置的情感詞集合判斷語(yǔ)句中是否包含有情感詞，如果判斷出一個(gè)語(yǔ)句中包含有情感詞，則到s730，否則，到s721。

本實(shí)施例中的情感詞集合所包含的情感詞通常是指用于表達(dá)用戶對(duì)產(chǎn)品所產(chǎn)生的情感的詞語(yǔ)，如好、很好、不好、差、很差以及湊合等等。

s721、將該語(yǔ)句作為非評(píng)價(jià)語(yǔ)句進(jìn)行計(jì)數(shù)。非評(píng)價(jià)語(yǔ)句是指既不是對(duì)產(chǎn)品進(jìn)行評(píng)價(jià)的語(yǔ)句，也不是對(duì)非產(chǎn)品(如淘寶或者客服或者快遞等)進(jìn)行評(píng)價(jià)的語(yǔ)句。

s730、根據(jù)預(yù)先設(shè)置的非產(chǎn)品信息集合(也可以稱為非產(chǎn)品信息列表)判斷包含有情感詞的語(yǔ)句中是否包含有非產(chǎn)品信息，如果判斷出包含有情感詞的語(yǔ)句中包含有非產(chǎn)品信息，則到s740，否則，到s731。本實(shí)施例中的非產(chǎn)品信息集合所包含的非產(chǎn)品信息可以具體為客服或者快遞或者快遞公司的名稱等。

s731、將該語(yǔ)句作為產(chǎn)品評(píng)價(jià)語(yǔ)句進(jìn)行計(jì)數(shù)。產(chǎn)品評(píng)價(jià)語(yǔ)句是指對(duì)產(chǎn)品進(jìn)行評(píng)價(jià)的語(yǔ)句。

s740、將該語(yǔ)句作為非產(chǎn)品評(píng)價(jià)語(yǔ)句進(jìn)行計(jì)數(shù)。非產(chǎn)品評(píng)價(jià)語(yǔ)句是指對(duì)非產(chǎn)品(如淘寶或者客服或者快遞等)進(jìn)行評(píng)價(jià)的語(yǔ)句，這樣的語(yǔ)句如快遞太慢或者客服態(tài)度不好等。

s750、計(jì)算上述通過(guò)計(jì)數(shù)獲得的非產(chǎn)品評(píng)價(jià)語(yǔ)句數(shù)量與該條評(píng)論的總語(yǔ)句數(shù)量(如產(chǎn)品評(píng)價(jià)語(yǔ)句的計(jì)數(shù)值、非產(chǎn)品評(píng)價(jià)語(yǔ)句的計(jì)數(shù)值以及非評(píng)價(jià)語(yǔ)句的計(jì)數(shù)值之和)之間的比例，該計(jì)算出的比例即為表征評(píng)論中的非產(chǎn)品評(píng)價(jià)部分與評(píng)論之間比例的量化值。

作為示例，針對(duì)表征評(píng)論中是否包含有超鏈接的量化值而言，本實(shí)施例對(duì)評(píng)論進(jìn)行特征量化處理過(guò)程的一個(gè)具體的例子如圖8所示。

圖8中，s800、判斷評(píng)論中是否包含有超鏈接(如利用正則表達(dá)式來(lái)判斷評(píng)論中是否包含有超鏈接或者判斷評(píng)論中是否包含有超鏈接關(guān)鍵字)，如果判斷出評(píng)論中包含有超鏈接(如判斷出評(píng)論中存在與正則表達(dá)式匹配的內(nèi)容或者評(píng)論中包含有超鏈接關(guān)鍵字)，則到s810，如果判斷出評(píng)論中沒(méi)有包含有超級(jí)鏈接(如判斷出評(píng)論中并不存在與正則表達(dá)式匹配的內(nèi)容或者評(píng)論中并沒(méi)有包含有超鏈接關(guān)鍵字)，則到s820。

s810，為該條評(píng)論設(shè)置超鏈接標(biāo)識(shí)(如00)。

s820、為該條評(píng)論設(shè)置非超鏈接標(biāo)識(shí)(如01)。

上述為評(píng)論所設(shè)置的超鏈接標(biāo)識(shí)或者非超鏈接標(biāo)識(shí)即為表征評(píng)論中是否包含有超鏈接的量化值。

作為示例，本實(shí)施例還可以在判斷出評(píng)論中包含有超鏈接的基礎(chǔ)上，進(jìn)一步通過(guò)評(píng)論中的超鏈接來(lái)獲取該超鏈接所鏈接的具體內(nèi)容，并通過(guò)對(duì)該超鏈接所鏈接的具體內(nèi)容進(jìn)行關(guān)鍵字提取等操作，以判斷該超鏈接所鏈接的具體內(nèi)容是否為產(chǎn)品的評(píng)論，如果確定出是對(duì)產(chǎn)品的評(píng)論，則可以為該條評(píng)論設(shè)置非超鏈接標(biāo)識(shí)，如果確定出不是對(duì)產(chǎn)品的評(píng)論(如鏈接廣告)，則可以為該條評(píng)論設(shè)置超鏈接標(biāo)識(shí)。

作為再一個(gè)示例，針對(duì)表征評(píng)論中的疑問(wèn)語(yǔ)句與評(píng)論之間比例的量化值而言，本實(shí)施例對(duì)評(píng)論進(jìn)行特征量化處理過(guò)程的一個(gè)具體的例子如圖9所示。

圖9中，在本次對(duì)評(píng)論進(jìn)行特征量化處理之前，如果一條評(píng)論并未進(jìn)行斷句處理，則執(zhí)行s900，對(duì)該條評(píng)論進(jìn)行斷句處理，以將該條評(píng)論劃分為一個(gè)或多個(gè)語(yǔ)句，然后，到s910。而在本次特征量化處理之前，如果一條評(píng)論已經(jīng)進(jìn)行了斷句處理(如評(píng)論集合中存儲(chǔ)的評(píng)論包括預(yù)處理后的評(píng)論，且該預(yù)處理包括斷句處理)，則可以直接到s910。也就是說(shuō)，s900為可選步驟。

本實(shí)施例可以根據(jù)評(píng)論中的空格或者標(biāo)點(diǎn)符號(hào)等特殊符號(hào)將評(píng)論劃分為多個(gè)語(yǔ)句。

s910、在本次特征量化處理之前，如果一條評(píng)論并未進(jìn)行過(guò)短句合并處理，則對(duì)該條評(píng)論的各語(yǔ)句分別進(jìn)行短句合并處理，以便于將多個(gè)短句合并為一個(gè)語(yǔ)句；如將名稱代詞和謂語(yǔ)動(dòng)詞合并為一個(gè)語(yǔ)句等；之后，到s920。

在本次特征量化處理之前，如果一條評(píng)論已經(jīng)進(jìn)行了短句合并處理(如評(píng)論集合中存儲(chǔ)的評(píng)論包括預(yù)處理后的評(píng)論，且該預(yù)處理包括斷句處理以及短句合并處理等)，則可以直接到s920，也就是說(shuō)，s920為可選步驟。

s920、針對(duì)短句合并處理后的各語(yǔ)句，分別根據(jù)預(yù)先設(shè)置的疑問(wèn)詞集合判斷語(yǔ)句中是否包含有疑問(wèn)詞，如果判斷出一個(gè)語(yǔ)句中包含有疑問(wèn)詞詞，則到s930，否則，到s921。

本實(shí)施例中的疑問(wèn)詞集合所包含的疑問(wèn)詞可以包括：?jiǎn)?、呢、?wèn)號(hào)、什么以及怎么樣等等。

s921、將該語(yǔ)句作為非疑問(wèn)語(yǔ)句進(jìn)行計(jì)數(shù)。

s930、將該語(yǔ)句作為疑問(wèn)語(yǔ)句進(jìn)行計(jì)數(shù)。到s940。

s940、計(jì)算上述通過(guò)計(jì)數(shù)獲得的疑問(wèn)語(yǔ)句數(shù)量與該條評(píng)論的總語(yǔ)句數(shù)量 (如疑問(wèn)語(yǔ)句的計(jì)數(shù)值與非疑問(wèn)語(yǔ)句的計(jì)數(shù)值之和)之間的比例，該計(jì)算出的比例即為表征評(píng)論中的疑問(wèn)語(yǔ)句與評(píng)論之間比例的量化值。

作為再一個(gè)示例，針對(duì)采用信息增益方式設(shè)置的基于從評(píng)論樣本中抽取出的特征分詞的量化值而言，本實(shí)施例對(duì)評(píng)論進(jìn)行特征量化處理過(guò)程的一個(gè)具體的例子為：統(tǒng)計(jì)預(yù)先設(shè)置的各特征分詞在從評(píng)論集合中獲得到的一條評(píng)論中出現(xiàn)的頻率(即次數(shù))，并將統(tǒng)計(jì)出的各特征分詞對(duì)應(yīng)的次數(shù)作為特征分詞的量化值。上述各特征分詞是在邏輯回歸分類模型的學(xué)習(xí)訓(xùn)練過(guò)程中基于信息增益的方式設(shè)置的。

需要特別說(shuō)明的是，本實(shí)施例中的邏輯回歸分類模型在學(xué)習(xí)訓(xùn)練過(guò)程中所使用的評(píng)論樣本通常標(biāo)記有無(wú)用評(píng)論標(biāo)識(shí)(如spam)或者正常評(píng)論標(biāo)識(shí)(如ham)，如可以通過(guò)人工來(lái)對(duì)評(píng)論樣本進(jìn)行無(wú)用評(píng)論標(biāo)識(shí)或者正常評(píng)論標(biāo)識(shí)的標(biāo)記。具有無(wú)用評(píng)論標(biāo)識(shí)的評(píng)論樣本可以稱為黑樣本，而具有正常評(píng)論標(biāo)識(shí)的標(biāo)記的評(píng)論樣本可以稱為白樣本，本實(shí)施例可以在邏輯回歸分類模型的學(xué)習(xí)訓(xùn)練過(guò)程中不斷的調(diào)整黑樣本和白樣本的比例，以提高邏輯回歸分類模型對(duì)無(wú)用評(píng)論識(shí)別的準(zhǔn)確性。

另外，本實(shí)施例可以結(jié)合信息增益的方法來(lái)實(shí)現(xiàn)邏輯回歸分類模型的學(xué)習(xí)訓(xùn)練，以便于可以從評(píng)論樣本中抽取出部分分詞作為特征分詞。在學(xué)習(xí)訓(xùn)練的過(guò)程中設(shè)置特征分詞的一個(gè)具體的例子如下：

首先，獲取各評(píng)論樣本中的所有分詞(如所有評(píng)論樣本中去除停用詞之后的所有分詞)，針對(duì)每一個(gè)分詞x，分別進(jìn)行下述四種統(tǒng)計(jì)操作：

1、統(tǒng)計(jì)屬于ham且包含有分詞x的評(píng)論樣本數(shù)量；2、統(tǒng)計(jì)屬于spam且包含有分詞x的評(píng)論樣本數(shù)量；3、統(tǒng)計(jì)屬于ham且不包含有分詞x的評(píng)論樣本數(shù)量；4、統(tǒng)計(jì)屬于spam且不包含有分詞x的評(píng)論樣本數(shù)量；

然后，本實(shí)施例針對(duì)每一個(gè)分詞x，均利用上述統(tǒng)計(jì)出的數(shù)量來(lái)計(jì)算該分詞的信息增益值，并根據(jù)信息增益值的大小，選取前k(k>1)個(gè)信息增益值最大的分詞作為特征分詞，并分別統(tǒng)計(jì)這k個(gè)特征分詞在一條評(píng)論樣本中出現(xiàn)的詞頻(即次數(shù))，并將統(tǒng)計(jì)出的各詞頻均作為該條評(píng)論樣本的針對(duì)各特征分詞的特征量化值，各特征分詞的特征量化值與評(píng)論樣本的表征評(píng)論樣本與相應(yīng)產(chǎn)品類型的產(chǎn)品特征之間的相似度的量化值、表征評(píng)論樣本中的非 產(chǎn)品評(píng)價(jià)部分與評(píng)論之間比例的量化值、表征評(píng)論樣本中是否包含有超鏈接的量化值以及表征評(píng)論樣本中的疑問(wèn)語(yǔ)句與評(píng)論之間比例的量化值一起表示一條評(píng)論樣本，并提供給邏輯回歸分類模型，以使邏輯回歸分類模型進(jìn)行學(xué)習(xí)訓(xùn)練。

本實(shí)施例在從評(píng)論集合中讀取出一條評(píng)論時(shí)，可以根據(jù)該條評(píng)論中的分詞(如已經(jīng)去除了評(píng)論中的停用詞之后的所有分詞)為該條評(píng)論構(gòu)建語(yǔ)言模型，以獲得該評(píng)論的概率。

本實(shí)施例為評(píng)論構(gòu)建的語(yǔ)言模型可以為基于最大似然估計(jì)法以及katz平滑處理的二元語(yǔ)言模型，且為了使評(píng)論內(nèi)的各分詞的概率和為1，本實(shí)施例在每一條評(píng)論的開(kāi)始位置添加了一個(gè)標(biāo)志(如start)，并在評(píng)論的結(jié)束位置添加了一個(gè)標(biāo)志(如end)，從而使一條評(píng)論可以表示為下述形式：

<start>w1w2...wk<end>。

針對(duì)上述形式的評(píng)論，本實(shí)施例的二元語(yǔ)言模型的一個(gè)具體例子可以表示為下公式(3)的形式：

p(s)＝p(w1|<start>)p(w2|w1)...p(<end>|wk)公式(3)

在上述公式(3)中，start為評(píng)論開(kāi)始位置標(biāo)志，end為評(píng)論結(jié)束位置標(biāo)志，p(w1|<start>)表示w1和start這一二元詞對(duì)的概率值，p(w2|w1)表示w2和w1這一二元詞對(duì)的概率值，p(<end>|wk)表示end和wk這一二元詞對(duì)的概率值。

上述公式(3)中的p(w1|<start>)、p(w2|w1)以及p(<end>|wk)可以采用下述公式(4)計(jì)算獲得：

在上述公式(4)中，n表示評(píng)論集合中的評(píng)論的數(shù)量，pml(wi)表示使用最大似然估計(jì)方法估計(jì)出的評(píng)論中的分詞wi的概率值，r表示wi和wi-1這一二元詞對(duì)出現(xiàn)在評(píng)論樣本中的計(jì)數(shù)值，dr表示折扣率，且nr表示二元詞對(duì)在評(píng)論樣本中出現(xiàn)r次的數(shù)量，nr+1表示二元詞對(duì)在評(píng)論樣本中出現(xiàn)r+1詞的數(shù)量，α表示歸一化參數(shù)，且α(wi-1)可以通過(guò)下述公式(5) 來(lái)表示：

本實(shí)施例可以通過(guò)為評(píng)論集合中的每一條評(píng)論構(gòu)建語(yǔ)言模型的方式，獲得評(píng)論集合中的每一條評(píng)論的概率值。

s110、根據(jù)評(píng)論的概率與評(píng)論集合中的另一條評(píng)論的概率計(jì)算兩條評(píng)論之間的相似度。

具體的，本實(shí)施例可以根據(jù)評(píng)論集合中的所有評(píng)論的概率計(jì)算出其中任意一條評(píng)論與其他各條評(píng)論之間的相似度(即其中任意一條評(píng)論的概率分布與其他各條評(píng)論的概率分布之間的距離)，如評(píng)論集合中包括4條評(píng)論，則針對(duì)第一條評(píng)論而言，可以根據(jù)這4條評(píng)論各自的概率計(jì)算出第一條評(píng)論與第二條評(píng)論之間的相似度，第一條評(píng)論與第三條評(píng)論之間的相似度，第一條評(píng)論與第四條評(píng)論之間的相似度。

本實(shí)施例可以利用kl散度計(jì)算出評(píng)論集合中任意兩條評(píng)論之間的相似度(即任意兩條評(píng)論的概率分布之間的kl距離)，如本實(shí)施例可以利用下述公式(6)計(jì)算出評(píng)論集合中任意兩條評(píng)論之間的相似度：

在上述公式(6)中，kl(p||q)表示評(píng)論p和評(píng)論q之間的相似度，p(x)表示評(píng)論p的概率，q(x)表示評(píng)論q的概率，x表示評(píng)論集合。

s120、在相似度滿足相似度要求的情況下，將兩條評(píng)論均確定為不真實(shí)評(píng)論。

具體的，本實(shí)施例可以預(yù)先設(shè)置有相似度閾值，在判斷出兩條評(píng)論之間的相似度沒(méi)有超過(guò)/小于相似度閾值時(shí)，可以將這兩條評(píng)論均確定為不真實(shí)評(píng)論；而在判斷出兩條評(píng)論之間的相似度超過(guò)/不小于相似度閾值時(shí)，可以將這兩條評(píng)論均確定為真實(shí)評(píng)論。

在針對(duì)評(píng)論集合中的任意兩條評(píng)論均進(jìn)行了相似度是否滿足相似度要求的判斷之后，本實(shí)施例可以從評(píng)論集合中挑選出所有不真實(shí)評(píng)論。

實(shí)施例二、垃圾評(píng)論識(shí)別裝置。

圖10為本實(shí)施例的垃圾評(píng)論識(shí)別裝置示意圖。如圖10所示，本實(shí)施例的裝置主要包括：構(gòu)建模型模塊1000、計(jì)算相似度模塊1010以及判別不真實(shí)模塊1020。在一個(gè)應(yīng)用場(chǎng)景中，本實(shí)施例的裝置也可以包括：構(gòu)建模型模塊1000、計(jì)算相似度模塊1010、判別不真實(shí)模塊1020、獲取評(píng)論模塊1030以及評(píng)論過(guò)濾模塊1040(如圖11所示)。本實(shí)施例所記載的垃圾評(píng)論識(shí)別裝置通常設(shè)置于網(wǎng)絡(luò)設(shè)備中，優(yōu)選的，本實(shí)施例所記載的裝置通常是設(shè)置于網(wǎng)絡(luò)購(gòu)物平臺(tái)一側(cè)的網(wǎng)絡(luò)設(shè)備中。

下面結(jié)合圖10-圖20對(duì)本實(shí)施例的垃圾評(píng)論識(shí)別裝置的結(jié)構(gòu)進(jìn)行說(shuō)明。

獲取評(píng)論模塊1030主要用于獲取網(wǎng)絡(luò)中的評(píng)論，如獲取評(píng)論模塊1030可以是采用爬取等方式從網(wǎng)絡(luò)中獲取到的評(píng)論。

評(píng)論過(guò)濾模塊1040主要用于在判斷出獲取評(píng)論模塊1030獲取的評(píng)論滿足預(yù)定條件的情況下，將獲取的評(píng)論添加在評(píng)論集合中。也就是說(shuō)，評(píng)論過(guò)濾模塊1040可以對(duì)獲取評(píng)論模塊1030從網(wǎng)絡(luò)中獲取到的評(píng)論進(jìn)行篩選，以篩選出滿足預(yù)定條件的評(píng)論，從而將滿足預(yù)定條件的評(píng)論添加在評(píng)論集合中。

作為示例，評(píng)論過(guò)濾模塊1040可以包括：第一過(guò)濾子模塊1041(如圖12所示)、第二過(guò)濾子模塊1042(如圖13所示)或者第三過(guò)濾子模塊1043(如圖14所示)。

上述第一過(guò)濾子模塊1041主要用于在根據(jù)分類模型輸出的信息確定獲取的評(píng)論不是無(wú)用評(píng)論的情況下，將獲取的評(píng)論添加在評(píng)論集合中；即第一過(guò)濾子模塊1041利用預(yù)先設(shè)置的分類模型對(duì)獲取評(píng)論模塊1030從網(wǎng)絡(luò)中獲取到的一條評(píng)論進(jìn)行是否為無(wú)用評(píng)論的分類處理，這樣，第一過(guò)濾子模塊1041根據(jù)分類模型輸出的信息即可判斷出從網(wǎng)絡(luò)中獲取到的評(píng)論是否為無(wú)用評(píng)論，如果第一過(guò)濾子模塊1041判斷出獲取評(píng)論模塊1030從網(wǎng)絡(luò)中獲取到的評(píng)論是無(wú)用評(píng)論時(shí)，則第一過(guò)濾子模塊1041不會(huì)將該條評(píng)論添加在評(píng)論集合中，如果第一過(guò)濾子模塊1041判斷出獲取評(píng)論模塊1030從網(wǎng)絡(luò)中獲取到的評(píng)論不是無(wú)用評(píng)論時(shí)，則第一過(guò)濾子模塊1041應(yīng)將該條評(píng)論添加在評(píng)論集合中。

上述第二過(guò)濾子模塊1042主要用于在判斷出獲取的評(píng)論的長(zhǎng)度超過(guò)預(yù)定長(zhǎng)度閾值的情況下，將獲取評(píng)論模塊1030獲取的評(píng)論添加在所述評(píng)論集合 中；即第二過(guò)濾子模塊1042計(jì)算從獲取評(píng)論模塊1030網(wǎng)絡(luò)中獲取到的一條評(píng)論的長(zhǎng)度(如統(tǒng)計(jì)評(píng)論所包含的字符數(shù)等)，第二過(guò)濾子模塊1042判斷該條評(píng)論的長(zhǎng)度是否達(dá)到/超過(guò)預(yù)定長(zhǎng)度閾值，如果判斷出該條評(píng)論的長(zhǎng)度沒(méi)有達(dá)到/超過(guò)預(yù)定長(zhǎng)度閾值，則第二過(guò)濾子模塊1042不會(huì)將該條評(píng)論添加在評(píng)論集合中，而如果判斷出該條評(píng)論的長(zhǎng)度達(dá)到/超過(guò)預(yù)定長(zhǎng)度閾值，則第二過(guò)濾子模塊1042應(yīng)將該條評(píng)論添加在評(píng)論集合中。

上述第三過(guò)濾子模塊1043主要用于在根據(jù)分類模型輸出的信息確定獲取的評(píng)論不是無(wú)用評(píng)論，且在判斷出獲取的評(píng)論的長(zhǎng)度超過(guò)預(yù)定長(zhǎng)度閾值的情況下，將獲取的評(píng)論添加在評(píng)論集合中。具體的，第三過(guò)濾子模塊1043利用預(yù)先設(shè)置的分類模型對(duì)從網(wǎng)絡(luò)中獲取到的一條評(píng)論進(jìn)行是否為無(wú)用評(píng)論的分類處理，這樣，第三過(guò)濾子模塊1043根據(jù)分類模型輸出的信息即可判斷出從網(wǎng)絡(luò)中獲取到的評(píng)論是否為無(wú)用評(píng)論，如果第三過(guò)濾子模塊1043判斷出從網(wǎng)絡(luò)中獲取到的評(píng)論是無(wú)用評(píng)論時(shí)，則第三過(guò)濾子模塊1043不會(huì)將該條評(píng)論添加在評(píng)論集合中，如果判斷出從網(wǎng)絡(luò)中獲取到的評(píng)論不是無(wú)用評(píng)論時(shí)，則第三過(guò)濾子模塊1043計(jì)算該條評(píng)論的長(zhǎng)度(如統(tǒng)計(jì)該條評(píng)論所包含的字符數(shù)等)，并判斷該條評(píng)論的長(zhǎng)度是否達(dá)到/超過(guò)預(yù)定長(zhǎng)度閾值，如果判斷出該條評(píng)論的長(zhǎng)度沒(méi)有達(dá)到/超過(guò)預(yù)定長(zhǎng)度閾值，則第三過(guò)濾子模塊1043不會(huì)將該條評(píng)論添加在評(píng)論集合中到s430，而如果判斷出該條評(píng)論的長(zhǎng)度達(dá)到/超過(guò)預(yù)定長(zhǎng)度閾值，則第三過(guò)濾子模塊1043將該條評(píng)論添加在評(píng)論集合中。

上述第一過(guò)濾子模塊1041以及第三過(guò)濾子模塊1043均可以包括：量化處理子模塊1044、輸入子模塊1045以及判別無(wú)用子模塊1046(如圖15所示)。

其中的量化處理子模塊1044主要用于將獲取的評(píng)論進(jìn)行特征量化處理，以獲得獲取的評(píng)論對(duì)應(yīng)的特征量化值。其中的輸入子模塊1045主要用于將評(píng)論及其對(duì)應(yīng)的特征量化值提供給邏輯回歸分類模型。其中的判別無(wú)用子模塊1046用于根據(jù)邏輯回歸分類模型輸出的概率值判斷獲取的評(píng)論是否為無(wú)用評(píng)論，如判別無(wú)用子模塊1046將概率值達(dá)到/超過(guò)預(yù)定概率閾值的評(píng)論判別為無(wú)用評(píng)論，而將概率值未達(dá)到/未超過(guò)預(yù)定概率閾值的評(píng)論判別為正常評(píng)論。

作為示例，量化處理子模塊1044通過(guò)對(duì)一條評(píng)論進(jìn)行特征量化處理而獲得的該評(píng)論對(duì)應(yīng)的特征量化值可以包括：表征評(píng)論與相應(yīng)產(chǎn)品類型的產(chǎn)品特 征之間的相似度的量化值(上述相應(yīng)產(chǎn)品類型為評(píng)論對(duì)應(yīng)的產(chǎn)品所屬的產(chǎn)品類型)、表征評(píng)論中的非產(chǎn)品評(píng)價(jià)部分與評(píng)論之間比例的量化值、表征評(píng)論中是否包含有超鏈接的量化值以及表征評(píng)論中的疑問(wèn)語(yǔ)句與評(píng)論之間比例的量化值中的一個(gè)或者多個(gè)。優(yōu)選的，量化處理子模塊1044通過(guò)對(duì)一條評(píng)論進(jìn)行特征量化處理，獲得該評(píng)論對(duì)應(yīng)的上述四個(gè)量化值。

作為示例，本實(shí)施例的量化處理子模塊1044可以包括：停用詞處理子模塊10441主要用于對(duì)獲取的評(píng)論的各分詞進(jìn)行去除停用詞處理；計(jì)算tf-idf值子模塊10442主要用于計(jì)算去除停用詞之后的各分詞的tf-idf值，如利用上述公式(1)計(jì)算各分詞的tf-idf值；計(jì)算相似度子模塊10443主要用于根據(jù)各分詞的tf-idf值和預(yù)先設(shè)定的相應(yīng)產(chǎn)品類型的各產(chǎn)品特征詞的權(quán)重值進(jìn)行余弦相似度計(jì)算，如利用上述公式(2)計(jì)算余弦相似度，其中，計(jì)算相似度子模塊10443計(jì)算出的余弦相似度被作為表征評(píng)論與相應(yīng)產(chǎn)品類型的產(chǎn)品特征之間的相似度的量化值(如圖16所示)。上述停用詞處理子模塊10441、計(jì)算tf-idf值子模塊10442以及計(jì)算相似度子模塊10443具體執(zhí)行的操作可以參見(jiàn)上述實(shí)施例一中針對(duì)圖6的描述。

作為示例，量化處理子模塊1044還可以包括：識(shí)別非產(chǎn)品評(píng)價(jià)子模塊10444主要用于根據(jù)預(yù)先設(shè)置的情感詞集合以及非產(chǎn)品信息集合將所述獲取的評(píng)論中包含有情感詞以及非產(chǎn)品信息的語(yǔ)句確定為非產(chǎn)品評(píng)價(jià)語(yǔ)句；第一計(jì)算比例子模塊10445主要用于計(jì)算所述獲取的評(píng)論中的非產(chǎn)品評(píng)價(jià)語(yǔ)句數(shù)量與所述獲取的評(píng)論的總語(yǔ)句數(shù)量之間的比例，其中，所述計(jì)算出的比例被作為所述表征評(píng)論中的非產(chǎn)品評(píng)價(jià)部分與評(píng)論之間比例的量化值(如圖17所示)。識(shí)別非產(chǎn)品評(píng)價(jià)子模塊10444以及第一計(jì)算比例子模塊10445具體執(zhí)行的操作可以參見(jiàn)上述實(shí)施例一中針對(duì)圖7的描述。

作為示例，量化處理子模塊1044還可以包括：識(shí)別超鏈接子模塊10446主要用于在判斷出獲取的評(píng)論中包含有超鏈接的情況下，為獲取的評(píng)論設(shè)置超鏈接標(biāo)識(shí)，否則，為獲取的評(píng)論設(shè)置非超鏈接標(biāo)識(shí)，其中，所述超鏈接標(biāo)識(shí)和非超鏈接標(biāo)識(shí)為所述表征評(píng)論中是否包含有超鏈接的量化值(如圖18所示)。識(shí)別超鏈接子模塊10446具體執(zhí)行的操作可以參見(jiàn)上述實(shí)施例一中針對(duì)圖8的描述。

作為示例，量化處理子模塊1044還可以包括：識(shí)別疑問(wèn)句子模塊10447主要用于根據(jù)預(yù)先設(shè)置的疑問(wèn)詞集合將獲取的評(píng)論中包含有疑問(wèn)詞的語(yǔ)句確定為疑問(wèn)句；第二計(jì)算比例子模塊10448主要用于計(jì)算獲取的評(píng)論中的疑問(wèn)句數(shù)量與獲取的評(píng)論的總語(yǔ)句數(shù)量之間的比例，其中，計(jì)算出的比例被作為所述表征評(píng)論中的疑問(wèn)語(yǔ)句與評(píng)論之間比例的量化值(如圖19所示)。識(shí)別疑問(wèn)句子模塊10447具體執(zhí)行的操作可以參見(jiàn)上述實(shí)施例一中針對(duì)圖9的描述。

作為示例，量化處理子模塊1044還可以包括：統(tǒng)計(jì)次數(shù)子模塊10449主要用于統(tǒng)計(jì)各特征分詞在獲取的評(píng)論中出現(xiàn)的次數(shù)，其中，統(tǒng)計(jì)出的各次數(shù)被作為所述基于信息增益方式從評(píng)論樣本中抽取出的特征分詞的量化值(如圖20所示)。具體的，統(tǒng)計(jì)次數(shù)子模塊10449統(tǒng)計(jì)預(yù)先設(shè)置的各特征分詞在從評(píng)論集合中獲得到的一條評(píng)論中出現(xiàn)的頻率(即次數(shù))，并將統(tǒng)計(jì)出的各特征分詞對(duì)應(yīng)的次數(shù)作為特征分詞的量化值。上述各特征分詞是在邏輯回歸分類模型的學(xué)習(xí)訓(xùn)練過(guò)程中基于信息增益的方式設(shè)置的。

另外，本實(shí)施例的裝置還可以包括：學(xué)習(xí)訓(xùn)練模塊(圖中未示出)，該學(xué)習(xí)訓(xùn)練模塊可以結(jié)合信息增益的方法來(lái)實(shí)現(xiàn)邏輯回歸分類模型的學(xué)習(xí)訓(xùn)練，從而學(xué)習(xí)訓(xùn)練模塊可以從評(píng)論樣本中抽取出部分分詞作為特征分詞。學(xué)習(xí)訓(xùn)練模塊在學(xué)習(xí)訓(xùn)練邏輯回歸分類模型的過(guò)程中設(shè)置特征分詞的一個(gè)具體的例子如下：

首先，學(xué)習(xí)訓(xùn)練模塊獲取各評(píng)論樣本中的所有分詞(如所有評(píng)論樣本中去除停用詞之后的所有分詞)，針對(duì)每一個(gè)分詞x，學(xué)習(xí)訓(xùn)練模塊分別進(jìn)行下述四種統(tǒng)計(jì)操作：

1、統(tǒng)計(jì)屬于ham且包含有分詞x的評(píng)論樣本數(shù)量；2、統(tǒng)計(jì)屬于spam且包含有分詞x的評(píng)論樣本數(shù)量；3、統(tǒng)計(jì)屬于ham且不包含有分詞x的評(píng)論樣本數(shù)量；4、統(tǒng)計(jì)屬于spam且不包含有分詞x的評(píng)論樣本數(shù)量；

然后，學(xué)習(xí)訓(xùn)練模塊針對(duì)每一個(gè)分詞x，均利用上述統(tǒng)計(jì)出的相應(yīng)的數(shù)量來(lái)計(jì)算該分詞的信息增益值，并根據(jù)信息增益值的大小，學(xué)習(xí)訓(xùn)練模塊選取前k(k>1)個(gè)信息增益值最大的分詞作為特征分詞，學(xué)習(xí)訓(xùn)練模塊分別統(tǒng)計(jì)這k個(gè)特征分詞在一條評(píng)論樣本中出現(xiàn)的詞頻(即次數(shù))，學(xué)習(xí)訓(xùn)練模塊 將統(tǒng)計(jì)出的各詞頻均作為該條評(píng)論樣本的針對(duì)各特征分詞的特征量化值，各特征分詞的特征量化值與評(píng)論樣本的表征評(píng)論樣本與相應(yīng)產(chǎn)品類型的產(chǎn)品特征之間的相似度的量化值、表征評(píng)論樣本中的非產(chǎn)品評(píng)價(jià)部分與評(píng)論之間比例的量化值、表征評(píng)論樣本中是否包含有超鏈接的量化值以及表征評(píng)論樣本中的疑問(wèn)語(yǔ)句與評(píng)論之間比例的量化值一起表示一條評(píng)論樣本，學(xué)習(xí)訓(xùn)練模塊將其提供給邏輯回歸分類模型，以使邏輯回歸分類模型進(jìn)行學(xué)習(xí)訓(xùn)練。

構(gòu)建模型模塊1000主要用于根據(jù)從評(píng)論集合中讀取出的一條評(píng)論中的分詞為該條評(píng)論構(gòu)建語(yǔ)言模型，以獲得該條評(píng)論的概率。構(gòu)建模型模塊1000構(gòu)建的語(yǔ)言模型可以為基于最大似然估計(jì)法以及katz平滑處理的二元語(yǔ)言模型。即構(gòu)建模型模塊1000在從評(píng)論集合中讀取出一條評(píng)論時(shí)，可以根據(jù)該條評(píng)論中的分詞(如已經(jīng)去除了評(píng)論中的停用詞之后的所有分詞)為該評(píng)論構(gòu)建語(yǔ)言模型，以獲得該評(píng)論的概率。

構(gòu)建模型模塊1000為評(píng)論構(gòu)建的語(yǔ)言模型可以為基于最大似然估計(jì)法以及katz平滑處理的二元語(yǔ)言模型，構(gòu)建模型模塊1000所構(gòu)建的二元語(yǔ)言模型的一個(gè)具體例子如上述公式(3)所示。構(gòu)建模型模塊1000可以通過(guò)為評(píng)論集合中的每一條評(píng)論構(gòu)建語(yǔ)言模型的方式，獲得評(píng)論集合中的每一條評(píng)論的概率值。

計(jì)算相似度模塊1010主要用于根據(jù)上述評(píng)論的概率與評(píng)論集合中的另一條評(píng)論的概率計(jì)算兩條評(píng)論之間的相似度。

具體的，計(jì)算相似度模塊1010可以根據(jù)評(píng)論集合中的所有評(píng)論的概率計(jì)算出其中任意一條評(píng)論與其他各條評(píng)論之間的相似度(即其中任意一條評(píng)論的概率分布與其他各條評(píng)論的概率分布之間的距離)，如評(píng)論集合中包括4條評(píng)論，則針對(duì)第一條評(píng)論而言，計(jì)算相似度模塊1010可以根據(jù)這4條評(píng)論各自的概率計(jì)算出第一條評(píng)論與第二條評(píng)論之間的相似度，第一條評(píng)論與第三條評(píng)論之間的相似度，第一條評(píng)論與第四條評(píng)論之間的相似度。

計(jì)算相似度模塊1010可以利用kl散度計(jì)算出評(píng)論集合中任意兩條評(píng)論之間的相似度(即任意兩條評(píng)論的概率分布之間的kl距離)，如計(jì)算相似度模塊1010可利用公式(6)計(jì)算出評(píng)論集合中任意兩條評(píng)論之間的相似度。

判別不真實(shí)模塊1020主要用于在相似度滿足相似度要求的情況下，將這 兩條評(píng)論均確定為不真實(shí)評(píng)論。

具體的，判別不真實(shí)模塊1020可以預(yù)先設(shè)置有相似度閾值，在判斷出兩條評(píng)論之間的相似度沒(méi)有超過(guò)/小于相似度閾值時(shí)，判別不真實(shí)模塊1020可以將這兩條評(píng)論均確定為不真實(shí)評(píng)論；而在判斷出兩條評(píng)論之間的相似度超過(guò)/不小于相似度閾值時(shí)，判別不真實(shí)模塊1020可以將這兩條評(píng)論均確定為真實(shí)評(píng)論。在針對(duì)評(píng)論集合中的任意兩條評(píng)論均進(jìn)行了相似度是否滿足相似度要求的判斷之后，判別不真實(shí)模塊1020可以從評(píng)論集合中挑選出所有不真實(shí)評(píng)論。

需要注意的是，本發(fā)明的一部分可以被應(yīng)用為計(jì)算機(jī)程序產(chǎn)品，例如計(jì)算機(jī)程序指令，當(dāng)其被智能電子設(shè)備(如計(jì)算機(jī)或者服務(wù)器等)執(zhí)行時(shí)，通過(guò)該智能電子設(shè)備的操作可以調(diào)用或者提供根據(jù)本發(fā)明的方法和/或技術(shù)方案。而調(diào)用本發(fā)明的方法的程序指令，可能被存儲(chǔ)在固定的或可移動(dòng)的記錄介質(zhì)中，和/或通過(guò)廣播或者其他信號(hào)承載媒體中的數(shù)據(jù)流而被傳輸，和/或被存儲(chǔ)在根據(jù)所述程序指令運(yùn)行的智能電子設(shè)備的工作存儲(chǔ)器中。在此，根據(jù)本發(fā)明的一個(gè)實(shí)施例包括一個(gè)裝置，該裝置包括用于存儲(chǔ)計(jì)算機(jī)程序指令的存儲(chǔ)器和用于執(zhí)行程序指令的處理器，其中，當(dāng)該計(jì)算機(jī)程序指令被該處理器執(zhí)行時(shí)，觸發(fā)該裝置運(yùn)行基于前述根據(jù)本發(fā)明的多個(gè)實(shí)施例的方法和/或技術(shù)方案。

對(duì)于本領(lǐng)域技術(shù)人員而言，顯然本發(fā)明并不局限于上述示范性實(shí)施例的細(xì)節(jié)，而且在不背離本發(fā)明的精神或者基本特征的情況下，能夠以其他的具體形式實(shí)現(xiàn)本發(fā)明。因此，無(wú)論從哪一點(diǎn)來(lái)看，均應(yīng)將本發(fā)明的實(shí)施例看作是示范性的，而且是非限制性的，本發(fā)明的范圍由所附權(quán)利要求而不是上述說(shuō)明限定，因此旨在將落在權(quán)利要求的等同要件的含義和范圍內(nèi)的所有變化涵括在本發(fā)明內(nèi)。不應(yīng)將權(quán)利要求中的任何附圖標(biāo)記視為限制所涉及的權(quán)利要求。此外，顯然“包括”一詞不排除其他單元或步驟，單數(shù)不排除復(fù)數(shù)。裝置權(quán)利要求中陳述的多個(gè)單元或者裝置或者模塊也可以由一個(gè)單元或者裝置或者模塊通過(guò)軟件或者硬件來(lái)實(shí)現(xiàn)。第一，第二等詞語(yǔ)用來(lái)表示名稱，而并不表示任何特定的順序。