基于云计算的在线互动话题意图分析方法、服务器及介质

摘要

本申请涉及云计算和话题分析技术领域，具体而言，涉及基于云计算的在线互动话题意图分析方法、服务器及介质，在通过已分析话题互动评论的测试网络指标训练话题评论分析网络的基础上，还引入了未分析话题互动评论对话题评论分析网络一起进行训练。而通过未分析话题互动评论相关的区分性网络指标来训练话题评论分析网络，可以使得话题评论分析网络对话题评论中评论内容的各种评论内容意图进行分析的分析差别尽可能达到一个平衡，从而提高所训练得到的目标话题评论分析网络的噪声干扰应对能力，进而确保目标话题评论分析网络在进行评论意图内容分析时精度。

权利要求

1.一种基于云计算的在线互动话题意图分析方法，其特征在于，包括：获取n个已分析话题互动评论和m个未分析话题互动评论，将所述n个已分析话题互动评论和所述m个未分析话题互动评论输入话题评论分析网络；n和m均为正整数；所述n个已分析话题互动评论分别标注有所包含的评论内容的评论内容意图描述；所述n个已分析话题互动评论所标注的评论内容和所述m个未分析话题互动评论所标注的评论内容属于相同的评论类别；

在所述话题评论分析网络中确定每个已分析话题互动评论所包含的评论内容的第一意图测试结果，从话题评论序列中获取所述每个已分析话题互动评论的相关话题评论；所述话题评论序列包括所述n个已分析话题互动评论和所述m个未分析话题互动评论；所述每个已分析话题互动评论的相关话题评论未标注所属已分析话题互动评论所标注的评论内容意图描述；

根据所述每个已分析话题互动评论与所属的相关话题评论之间的话题评论相关度确定区分性网络指标，根据所述每个已分析话题互动评论对应的第一意图测试结果和所标注的评论内容意图描述确定测试网络指标；

基于所述区分性网络指标和所述测试网络指标更新所述话题评论分析网络的模型变量，得到目标话题评论分析网络；所述目标话题评论分析网络用于对属于所述评论类别的评论内容进行意图分析；

其中，所述方法还包括：获取第二待分析话题评论；将所述第二待分析话题评论输入所述目标话题评论分析网络，在所述目标话题评论分析网络中生成所述第二待分析话题评论的话题评论描述特征；根据所述第二待分析话题评论的话题评论描述特征，从两种或多于两种评论内容意图中确定所述第二待分析话题评论中的评论内容的评论内容意图；

其中，所述方法还包括：在所述第二待分析话题评论中的评论内容的评论内容意图表征团购业务服务升级需求时，获取团购业务互动数据并进行多层面优化，以得到全局优化互动数据；

其中，所述获取团购业务互动数据并进行多层面优化，以得到全局优化互动数据，包括：获取热门业务互动数据和冷门业务互动数据，所述热门业务互动数据包括热门业务关注信息和热门业务场景信息，所述冷门业务互动数据包括冷门业务关注信息和冷门业务关联信息；对所述冷门业务关联信息/热门业务场景信息进行互动状态识别，分别优化各互动状态的冷门业务关联信息与热门业务场景信息，将各互动状态优化后的场景信息进行整理得到场景优化互动数据；优化所述热门业务关注信息和所述冷门业务关注信息，得到关注度优化互动数据；整理所述场景优化互动数据和所述关注度优化互动数据得到全局优化互动数据；

其中，对冷门业务关联信息进行互动状态识别，包括：获取所述冷门业务关联信息对应的所述冷门业务关注信息的各业务互动事件的事件特征描述值；确定所述事件特征描述值所在量化描述范围，将所述冷门业务关联信息分类至与所述量化描述范围相对应的互动状态；

其中，所述优化所述热门业务关注信息和所述冷门业务关注信息，得到关注度优化互动数据，包括：分别对所述热门业务关注信息和所述冷门业务关注信息进行多维度分治处理；分别优化各个维度的所述热门业务关注信息和所述冷门业务关注信息；整理各维度的关注度优化互动数据，得到所述关注度优化互动数据。

2.根据权利要求1所述的方法，其特征在于，所述从话题评论序列中获取所述每个已分析话题互动评论的相关话题评论，包括：在所述话题评论分析网络中生成所述每个已分析话题互动评论的话题评论描述特征和每个未分析话题互动评论的话题评论描述特征；

根据所述每个已分析话题互动评论的话题评论描述特征和每个未分析话题互动评论的话题评论描述特征，生成相关度分布图；

从所述相关度分布图中获取所述每个已分析话题互动评论分别与所述话题评论序列中的话题评论之间的话题评论相关度；

根据所述每个已分析话题互动评论分别与所述话题评论序列中的话题评论之间的话题评论相关度，从所述话题评论序列中确定所述每个已分析话题互动评论的相关话题评论；

相应的，所述n个已分析话题互动评论包括已分析话题互动评论x，x为小于或等于n的正整数；所述根据所述每个已分析话题互动评论分别与所述话题评论序列中的话题评论之间的话题评论相关度，从所述话题评论序列中确定所述每个已分析话题互动评论的相关话题评论，包括：

从所述话题评论序列中删除与所述已分析话题互动评论x标注有相同评论内容意图描述的话题评论，得到基准话题评论序列；

按照所述已分析话题互动评论x分别与所述基准话题评论序列中的每个话题评论之间的话题评论相关度的降序的规则，对所述每个话题评论进行调整，得到基准评论排序结果；

获取相关话题评论数量j，将所述基准评论排序结果中的前j个话题评论确定为所述已分析话题互动评论x的相关话题评论；j为小于n和m之和的正整数；

相应的，所述根据所述每个已分析话题互动评论的话题评论描述特征和每个未分析话题互动评论的话题评论描述特征，生成相关度分布图，包括：获取对所述每个已分析话题互动评论的话题评论描述特征进行全局优化处理后所得到的优化描述特征，获取对所述每个未分析话题互动评论的话题评论描述特征进行全局优化处理后所得到的优化描述特征；

获取包括所述每个已分析话题互动评论的优化描述特征的第一特征分布图和包括所述每个未分析话题互动评论的优化描述特征的第二特征分布图；

对所述第一特征分布图和所述第二特征分布图进行融合，得到目标特征分布图；

获取所述目标特征分布图的映射分布图，将所述第一特征分布图和所述映射分布图的加权结果确定为所述相关度分布图。

3.根据权利要求1所述的方法，其特征在于，所述根据所述每个已分析话题互动评论与所属的相关话题评论之间的话题评论相关度确定区分性网络指标，包括：根据所述每个已分析话题互动评论与所属的相关话题评论之间的话题评论相关度，分别确定所述每个已分析话题互动评论与所属的相关话题评论之间的平均相关度；

根据所述每个已分析话题互动评论与所属的相关话题评论之间的平均相关度生成平均相关度数组；

将所述平均相关度数组的差异分布情况，确定为所述区分性网络指标。

4.根据权利要求1所述的方法，其特征在于，所述基于所述区分性网络指标和所述测试网络指标更新所述话题评论分析网络的模型变量，得到目标话题评论分析网络，包括：对所述区分性网络指标和所述测试网络指标进行叠加，得到目标网络指标；

基于所述目标网络指标更新所述话题评论分析网络的模型变量；

当检测到对所述话题评论分析网络的模型变量更新至设定状态时，将模型变量处于所述设定状态的所述话题评论分析网络确定为所述目标话题评论分析网络。

5.根据权利要求1所述的方法，其特征在于，所述方法还包括：将所述n个已分析话题互动评论输入原始话题评论分析网络；

在所述原始话题评论分析网络中确定所述每个已分析话题互动评论所包含的评论内容的第二意图测试结果；

根据所述每个已分析话题互动评论对应的第二意图测试结果和所述每个已分析话题互动评论所标注的评论内容意图描述，更新所述原始话题评论分析网络的模型变量，得到所述话题评论分析网络。

6.根据权利要求1所述的方法，其特征在于，所述在所述话题评论分析网络中确定每个已分析话题互动评论所包含的评论内容的第一意图测试结果，包括：在所述话题评论分析网络中生成所述每个已分析话题互动评论的话题评论描述特征；

对所述每个已分析话题互动评论的话题评论描述特征进行全局优化处理，得到所述每个已分析话题互动评论的优化描述特征；

基于所述每个已分析话题互动评论的优化描述特征，确定所述每个已分析话题互动评论的第一意图测试结果；

相应的，所述n个已分析话题互动评论包括已分析话题互动评论x，x为小于或等于n的正整数；所述话题评论分析网络的模型变量包括分类单元的模型变量；所述n个已分析话题互动评论共标注有q种评论内容意图描述，一种评论内容意图描述对应一种评论内容意图，q为小于或等于n的正整数；所述基于所述每个已分析话题互动评论的优化描述特征，确定所述每个已分析话题互动评论的第一意图测试结果，包括：对所述分类单元的模型变量进行全局优化处理，得到所述分类单元的优化模型变量；

基于所述已分析话题互动评论x的优化描述特征和所述优化模型变量，确定所述已分析话题互动评论x所包含的评论内容为q种评论内容意图中的每种评论内容意图的可能性；

将所述已分析话题互动评论x所包含的评论内容为所述每种评论内容意图的可能性，确定为所述已分析话题互动评论x的第一意图测试结果。

7.根据权利要求1所述的方法，其特征在于，所述方法还包括：获取第一待分析话题评论以及与所述第一待分析话题评论相关联的评论内容标签；

获取所述评论内容标签所指示的目标评论内容的目标评论内容描述特征；

将所述第一待分析话题评论输入所述目标话题评论分析网络，在所述目标话题评论分析网络中生成所述第一待分析话题评论的话题评论描述特征；

当检测到所述第一待分析话题评论的话题评论描述特征与所述目标评论内容描述特征相关时，确定所述第一待分析话题评论中的评论内容为所述目标评论内容，确定对所述第一待分析话题评论中的评论内容的评论内容意图分析成功。

8.一种云计算服务器，其特征在于，包括处理器、通信总线和存储器；所述处理器和所述存储器通过所述通信总线通信，所述处理器从所述存储器中读取计算机程序并运行，以执行权利要求1‑7任一项所述的方法。

9.一种计算机存储介质，其特征在于，所述计算机存储介质存储有计算机程序，所述计算机程序在运行时实现权利要求1‑7任一项所述的方法。

说明书

基于云计算的在线互动话题意图分析方法、服务器及介质

技术领域

[0001] 本申请实施例涉及云计算和话题分析技术领域，具体涉及一种基于云计算的在线互动话题意图分析方法、服务器及介质。

背景技术

[0002] 话题分析是大数据应用的其中一个分支。伴随着云计算的不断发展，大数据、云计算和话题分析的应用场景越来越广泛。社区团购作为话题输出的重要业务场景，对该业务
场景进行互动话题分析能够为团购服务的优化和更新提供决策依据。

[0003] 现目前，对于互动话题分析而言，通常基于对评论文本进行分析实现。而相关技术可以结合人工智能模型进行评论文本分析，但是在进行评论文本分析时，不同的评论文本
可能会对人工智能模型产生噪声干扰，从而难以保证评论内容的分析精度。

发明内容

[0004] 有鉴于此，本申请实施例提供了一种基于云计算的在线互动话题意图分析方法、服务器及介质。

[0005] 本申请实施例提供了一种基于云计算的在线互动话题意图分析方法，应用于云计算服务器，包括：

[0006] 获取n个已分析话题互动评论和m个未分析话题互动评论，将所述n个已分析话题互动评论和所述m个未分析话题互动评论输入话题评论分析网络；n和m均为正整数；所述n
个已分析话题互动评论分别标注有所包含的评论内容的评论内容意图描述；所述n个已分
析话题互动评论所标注的评论内容和所述m个未分析话题互动评论所标注的评论内容属于
相同的评论类别；

[0007] 在所述话题评论分析网络中确定每个已分析话题互动评论所包含的评论内容的第一意图测试结果，从话题评论序列中获取所述每个已分析话题互动评论的相关话题评
论；所述话题评论序列包括所述n个已分析话题互动评论和所述m个未分析话题互动评论；
所述每个已分析话题互动评论的相关话题评论未标注所属已分析话题互动评论所标注的
评论内容意图描述；

[0008] 根据所述每个已分析话题互动评论与所属的相关话题评论之间的话题评论相关度确定区分性网络指标，根据所述每个已分析话题互动评论对应的第一意图测试结果和所
标注的评论内容意图描述确定测试网络指标；

[0009] 基于所述区分性网络指标和所述测试网络指标更新所述话题评论分析网络的模型变量，得到目标话题评论分析网络；所述目标话题评论分析网络用于对属于所述评论类
别的评论内容进行意图分析。

[0010] 优选的，所述从话题评论序列中获取所述每个已分析话题互动评论的相关话题评论，包括：

[0011] 在所述话题评论分析网络中生成所述每个已分析话题互动评论的话题评论描述特征和每个未分析话题互动评论的话题评论描述特征；

[0012] 根据所述每个已分析话题互动评论的话题评论描述特征和每个未分析话题互动评论的话题评论描述特征，生成相关度分布图；

[0013] 从所述相关度分布图中获取所述每个已分析话题互动评论分别与所述话题评论序列中的话题评论之间的话题评论相关度；

[0014] 根据所述每个已分析话题互动评论分别与所述话题评论序列中的话题评论之间的话题评论相关度，从所述话题评论序列中确定所述每个已分析话题互动评论的相关话题
评论；

[0015] 相应的，所述n个已分析话题互动评论包括已分析话题互动评论x，x为小于或等于n的正整数；所述根据所述每个已分析话题互动评论分别与所述话题评论序列中的话题评
论之间的话题评论相关度，从所述话题评论序列中确定所述每个已分析话题互动评论的相
关话题评论，包括：

[0016] 从所述话题评论序列中删除与所述已分析话题互动评论x标注有相同评论内容意图描述的话题评论，得到基准话题评论序列；

[0017] 按照所述已分析话题互动评论x分别与所述基准话题评论序列中的每个话题评论之间的话题评论相关度的降序的规则，对所述每个话题评论进行调整，得到基准评论排序
结果；

[0018] 获取相关话题评论数量j，将所述基准评论排序结果中的前j个话题评论确定为所述已分析话题互动评论x的相关话题评论；j为小于n和m之和的正整数；

[0019] 相应的，所述根据所述每个已分析话题互动评论的话题评论描述特征和每个未分析话题互动评论的话题评论描述特征，生成相关度分布图，包括：

[0020] 获取对所述每个已分析话题互动评论的话题评论描述特征进行全局优化处理后所得到的优化描述特征，获取对所述每个未分析话题互动评论的话题评论描述特征进行全
局优化处理后所得到的优化描述特征；

[0021] 获取包括所述每个已分析话题互动评论的优化描述特征的第一特征分布图和包括所述每个未分析话题互动评论的优化描述特征的第二特征分布图；

[0022] 对所述第一特征分布图和所述第二特征分布图进行融合，得到目标特征分布图；

[0023] 获取所述目标特征分布图的映射分布图，将所述第一特征分布图和所述映射分布图的加权结果确定为所述相关度分布图。

[0024] 优选的，所述根据所述每个已分析话题互动评论与所属的相关话题评论之间的话题评论相关度确定区分性网络指标，包括：

[0025] 根据所述每个已分析话题互动评论与所属的相关话题评论之间的话题评论相关度，分别确定所述每个已分析话题互动评论与所属的相关话题评论之间的平均相关度；

[0026] 根据所述每个已分析话题互动评论与所属的相关话题评论之间的平均相关度生成平均相关度数组；

[0027] 将所述平均相关度数组的差异分布情况，确定为所述区分性网络指标。

[0028] 优选的，所述基于所述区分性网络指标和所述测试网络指标更新所述话题评论分析网络的模型变量，得到目标话题评论分析网络，包括：

[0029] 对所述区分性网络指标和所述测试网络指标进行叠加，得到目标网络指标；

[0030] 基于所述目标网络指标更新所述话题评论分析网络的模型变量；

[0031] 当检测到对所述话题评论分析网络的模型变量更新至设定状态时，将模型变量处于所述设定状态的所述话题评论分析网络确定为所述目标话题评论分析网络。

[0032] 优选的，所述方法还包括：

[0033] 将所述n个已分析话题互动评论输入原始话题评论分析网络；

[0034] 在所述原始话题评论分析网络中确定所述每个已分析话题互动评论所包含的评论内容的第二意图测试结果；

[0035] 根据所述每个已分析话题互动评论对应的第二意图测试结果和所述每个已分析话题互动评论所标注的评论内容意图描述，更新所述原始话题评论分析网络的模型变量，
得到所述话题评论分析网络。

[0036] 优选的，所述在所述话题评论分析网络中确定每个已分析话题互动评论所包含的评论内容的第一意图测试结果，包括：

[0037] 在所述话题评论分析网络中生成所述每个已分析话题互动评论的话题评论描述特征；

[0038] 对所述每个已分析话题互动评论的话题评论描述特征进行全局优化处理，得到所述每个已分析话题互动评论的优化描述特征；

[0039] 基于所述每个已分析话题互动评论的优化描述特征，确定所述每个已分析话题互动评论的第一意图测试结果；

[0040] 相应的，所述n个已分析话题互动评论包括已分析话题互动评论x，x为小于或等于n的正整数；所述话题评论分析网络的模型变量包括分类单元的模型变量；所述n个已分析
话题互动评论共标注有q种评论内容意图描述，一种评论内容意图描述对应一种评论内容
意图，q为小于或等于n的正整数；所述基于所述每个已分析话题互动评论的优化描述特征，
确定所述每个已分析话题互动评论的第一意图测试结果，包括：

[0041] 对所述分类单元的模型变量进行全局优化处理，得到所述分类单元的优化模型变量；

[0042] 基于所述已分析话题互动评论x的优化描述特征和所述优化模型变量，确定所述已分析话题互动评论x所包含的评论内容为q种评论内容意图中的每种评论内容意图的可
能性；

[0043] 将所述已分析话题互动评论x所包含的评论内容为所述每种评论内容意图的可能性，确定为所述已分析话题互动评论x的第一意图测试结果。

[0044] 优选的，所述方法还包括：

[0045] 获取第一待分析话题评论以及与所述第一待分析话题评论相关联的评论内容标签；

[0046] 获取所述评论内容标签所指示的目标评论内容的目标评论内容描述特征；

[0047] 将所述第一待分析话题评论输入所述目标话题评论分析网络，在所述目标话题评论分析网络中生成所述第一待分析话题评论的话题评论描述特征；

[0048] 当检测到所述第一待分析话题评论的话题评论描述特征与所述目标评论内容描述特征相关时，确定所述第一待分析话题评论中的评论内容为所述目标评论内容，确定对
所述第一待分析话题评论中的评论内容的评论内容意图分析成功。

[0049] 优选的，所述方法还包括：

[0050] 获取第二待分析话题评论；

[0051] 将所述第二待分析话题评论输入所述目标话题评论分析网络，在所述目标话题评论分析网络中生成所述第二待分析话题评论的话题评论描述特征；

[0052] 根据所述第二待分析话题评论的话题评论描述特征，从两种或多于两种评论内容意图中确定所述第二待分析话题评论中的评论内容的评论内容意图。

[0053] 本申请实施例还提供了一种云计算服务器，包括处理器、通信总线和存储器；所述处理器和所述存储器通过所述通信总线通信，所述处理器从所述存储器中读取计算机程序
并运行，以执行上述的方法。

[0054] 本申请实施例还提供了一种计算机存储介质，所述计算机存储介质存储有计算机程序，所述计算机程序在运行时实现上述的方法。

[0055] 相较于现有技术，本申请实施例提供的基于云计算的在线互动话题意图分析方法、服务器及介质具有以下技术效果：本申请可以获取n个已分析话题互动评论和m个未分
析话题互动评论，将n个已分析话题互动评论和m个未分析话题互动评论输入话题评论分析
网络；在话题评论分析网络中确定每个已分析话题互动评论所包含的评论内容的第一意图
测试结果，从话题评论序列中获取每个已分析话题互动评论的相关话题评论；话题评论序
列包括n个已分析话题互动评论和m个未分析话题互动评论；每个已分析话题互动评论的相
关话题评论未标注所属已分析话题互动评论所标注的评论内容意图描述；根据每个已分析
话题互动评论与所属的相关话题评论之间的话题评论相关度确定区分性网络指标，根据每
个已分析话题互动评论对应的第一意图测试结果和所标注的评论内容意图描述确定测试
网络指标；基于区分性网络指标和测试网络指标更新话题评论分析网络的模型变量，得到
目标话题评论分析网络。

[0056] 由此可见，本申请提出的方法在通过已分析话题互动评论的测试网络指标训练话题评论分析网络的基础上，还引入了未分析话题互动评论对话题评论分析网络一起进行训
练。而通过未分析话题互动评论相关的区分性网络指标来训练话题评论分析网络，可以使
得话题评论分析网络对话题评论中评论内容的各种评论内容意图进行分析的分析差别尽
可能达到一个平衡，从而提高所训练得到的目标话题评论分析网络的噪声干扰应对能力，
进而确保目标话题评论分析网络在进行评论意图内容分析时精度。

[0057] 在后面的描述中，将部分地陈述其他的特征。在检查后面内容和附图时，本领域的技术人员将部分地发现这些特征，或者可以通过生产或运用了解到这些特征。通过实践或
使用后面所述详细示例中列出的方法、工具和组合的各个方面，当前申请中的特征可以被
实现和获得。

附图说明

[0058] 为了更清楚地说明本申请实施例的技术方案，下面将对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申请的某些实施例，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。

[0059] 图1为本申请实施例所提供的一种云计算服务器的方框示意图。

[0060] 图2为本申请实施例所提供的一种基于云计算的在线互动话题意图分析方法的流程图。

[0061] 图3为本申请实施例所提供的一种基于云计算的在线互动话题意图分析装置的框图。

具体实施方式

[0062] 为使本申请实施例的目的、技术方案和优点更加清楚，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，所描述的实施例只
是本申请的一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请
实施例的组件可以以各种不同的配置来布置和设计。

[0063] 因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。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，都属于本申请保护的范
围。

[0064] 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。

[0065] 图1示出了本申请实施例所提供的一种云计算服务器10的方框示意图。本申请实施例中的云计算服务器10可以为具有数据存储、传输、处理功能的服务端，如图1所示，云计
算服务器10包括：存储器11、处理器12、通信总线13和基于云计算的在线互动话题意图分析
装置20。

[0066] 存储器11、处理器12和通信总线13之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件互相之间可以通过一条或多条通讯总线或信号线实现电性连接。
存储器11中存储有基于云计算的在线互动话题意图分析装置20，所述基于云计算的在线互
动话题意图分析装置20包括至少一个可以软件或固件（firmware）的形式储存于所述存储
器11中的软件功能模块，所述处理器12通过运行存储在存储器11内的软件程序以及模块，
例如本申请实施例中的基于云计算的在线互动话题意图分析装置20，从而执行各种功能应
用以及数据处理，即实现本申请实施例中的基于云计算的在线互动话题意图分析方法。

[0067] 其中，所述存储器11可以是，但不限于，随机存取存储器（Random Access Memory，RAM），只读存储器（Read Only Memory，ROM），可编程只读存储器（Programmable Read‑Only 
Memory，PROM），可擦除只读存储器（Erasable Programmable Read‑Only Memory，EPROM），
电可擦除只读存储器（Electric Erasable Programmable Read‑Only Memory，EEPROM）等。
其中，存储器11用于存储程序，所述处理器12在接收到执行指令后，执行所述程序。

[0068] 所述处理器12可能是一种集成电路芯片，具有数据的处理能力。上述的处理器12可以是通用处理器，包括中央处理器 (Central Processing Unit，CPU)、网络处理器 
(Network Processor，NP)等。可以实现或者执行本申请实施例中公开的各方法、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。

[0069] 通信总线13用于通过网络建立云计算服务器10与其他通信终端设备之间的通信连接，实现网络信号及数据的收发操作。上述网络信号可包括无线信号或者有线信号。

[0070] 可以理解，图1所示的结构仅为示意，云计算服务器10还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。图1中所示的各组件可以采用硬件、软件
或其组合实现。

[0071] 本申请实施例还提供了一种计算机存储介质，所述计算机存储介质存储有计算机程序，所述计算机程序在运行时实现上述的方法。

[0072] 图2示出了本申请实施例所提供的一种基于云计算的在线互动话题意图分析的流程图。所述方法有关的流程所定义的方法步骤应用于云计算服务器10，可以由所述处理器
12实现，所述方法包括以下步骤100‑步骤400。

[0073] 步骤100、获取n个已分析话题互动评论和m个未分析话题互动评论，将所述n个已分析话题互动评论和所述m个未分析话题互动评论输入话题评论分析网络。

[0074] 在本申请实施例中，n和m均为正整数。相应的，所述n个已分析话题互动评论分别标注有所包含的评论内容的评论内容意图描述，所述n个已分析话题互动评论所标注的评
论内容和所述m个未分析话题互动评论所标注的评论内容属于相同的评论类别。

[0075] 例如，已分析话题互动评论和未分析话题互动评论可以是针对社区团购业务的话题互动评论。评论内容意图描述可以理解为评论内容意图标签，用于区分不同的评论内容
意图。话题互动评论所标注的评论内容可以理解为话题互动评论所携带的评论内容。

[0076] 此外，云计算服务器可以在获得业务用户端授权的前提下对不同的话题互动评论进行获取。

[0077] 进一步地，话题评论分析网络可以是基于人工智能的网络模型，比如卷积神经网络或者分类器等。

[0078] 步骤200、在所述话题评论分析网络中确定每个已分析话题互动评论所包含的评论内容的第一意图测试结果，从话题评论序列中获取所述每个已分析话题互动评论的相关
话题评论。

[0079] 在本申请实施例中，所述话题评论序列包括所述n个已分析话题互动评论和所述m个未分析话题互动评论；所述每个已分析话题互动评论的相关话题评论未标注所属已分析
话题互动评论所标注的评论内容意图描述。

[0080] 例如，相关话题评论可以是相似的话题评论。第一意图测试结果可以是意图分析的预测结果。

[0081] 在一些可能的实施例中，步骤200所描述的从话题评论序列中获取所述每个已分析话题互动评论的相关话题评论，可以包括以下步骤210‑步骤240所描述的技术方案。

[0082] 步骤210、在所述话题评论分析网络中生成所述每个已分析话题互动评论的话题评论描述特征和每个未分析话题互动评论的话题评论描述特征。

[0083] 例如，话题评论描述特征可以是话题评论特征向量。

[0084] 步骤220、根据所述每个已分析话题互动评论的话题评论描述特征和每个未分析话题互动评论的话题评论描述特征，生成相关度分布图。

[0085] 例如，相关度分布图可以是多维矩阵。

[0086] 在一些可能的实施例中，步骤220所描述的根据所述每个已分析话题互动评论的话题评论描述特征和每个未分析话题互动评论的话题评论描述特征，生成相关度分布图，
可以包括以下步骤221‑步骤224所描述的技术方案。

[0087] 步骤221、获取对所述每个已分析话题互动评论的话题评论描述特征进行全局优化处理后所得到的优化描述特征，获取对所述每个未分析话题互动评论的话题评论描述特
征进行全局优化处理后所得到的优化描述特征。

[0088] 例如，全局优化处理可以理解为全局归一化处理，从而确保优化描述特征之间的格式一致性。

[0089] 步骤222、获取包括所述每个已分析话题互动评论的优化描述特征的第一特征分布图和包括所述每个未分析话题互动评论的优化描述特征的第二特征分布图。

[0090] 步骤223、对所述第一特征分布图和所述第二特征分布图进行融合，得到目标特征分布图。

[0091] 例如，可以拼接所述第一特征分布图和所述第二特征分布图，以得到目标特征分布图。

[0092] 步骤224、获取所述目标特征分布图的映射分布图，将所述第一特征分布图和所述映射分布图的加权结果确定为所述相关度分布图。

[0093] 例如，映射分布图可以是目标特征分布图的转置，这样可以确保相关度分布图的完整性。

[0094] 步骤230、从所述相关度分布图中获取所述每个已分析话题互动评论分别与所述话题评论序列中的话题评论之间的话题评论相关度。

[0095] 步骤240、根据所述每个已分析话题互动评论分别与所述话题评论序列中的话题评论之间的话题评论相关度，从所述话题评论序列中确定所述每个已分析话题互动评论的
相关话题评论。

[0096] 在一些可能的实施例中，所述n个已分析话题互动评论包括已分析话题互动评论x，x为小于或等于n的正整数。基于此，上述步骤240所描述的根据所述每个已分析话题互动
评论分别与所述话题评论序列中的话题评论之间的话题评论相关度，从所述话题评论序列
中确定所述每个已分析话题互动评论的相关话题评论，可以包括以下步骤241‑步骤243所
描述的技术方案。

[0097] 步骤241、从所述话题评论序列中删除与所述已分析话题互动评论x标注有相同评论内容意图描述的话题评论，得到基准话题评论序列。

[0098] 步骤242、按照所述已分析话题互动评论x分别与所述基准话题评论序列中的每个话题评论之间的话题评论相关度的降序的规则，对所述每个话题评论进行调整，得到基准
评论排序结果。

[0099] 步骤243、获取相关话题评论数量j，将所述基准评论排序结果中的前j个话题评论确定为所述已分析话题互动评论x的相关话题评论。

[0100] 在本申请实施例中，j为小于n和m之和的正整数。

[0101] 可以理解，通过实施上述步骤241‑步骤243，能够结合基准话题评论序列进行分析，并按照话题评论之间的话题评论相关度的降序的规则对话题评论进行排序，从而根据
相关度精准选择相关话题评论。

[0102] 可以理解的是，基于上述步骤210‑步骤240，能够确保每个已分析话题互动评论的相关话题评论的互相独立性，并尽可能避免不同已分析话题互动评论的相关话题评论之间
的混乱。

[0103] 在一些可能的实施例中，步骤200所描述的在所述话题评论分析网络中确定每个已分析话题互动评论所包含的评论内容的第一意图测试结果，可以包括以下步骤250‑步骤
270。

[0104] 步骤250、在所述话题评论分析网络中生成所述每个已分析话题互动评论的话题评论描述特征。

[0105] 步骤260、对所述每个已分析话题互动评论的话题评论描述特征进行全局优化处理，得到所述每个已分析话题互动评论的优化描述特征。

[0106] 步骤270、基于所述每个已分析话题互动评论的优化描述特征，确定所述每个已分析话题互动评论的第一意图测试结果。

[0107] 在一些可能的实施例中，所述n个已分析话题互动评论包括已分析话题互动评论x，x为小于或等于n的正整数；所述话题评论分析网络的模型变量包括分类单元的模型变
量；所述n个已分析话题互动评论共标注有q种评论内容意图描述，一种评论内容意图描述
对应一种评论内容意图，q为小于或等于n的正整数。

[0108] 基于此，上述步骤270所描述的基于所述每个已分析话题互动评论的优化描述特征，确定所述每个已分析话题互动评论的第一意图测试结果，可以包括以下步骤271‑步骤
273所描述的技术方案。

[0109] 步骤271、对所述分类单元的模型变量进行全局优化处理，得到所述分类单元的优化模型变量。例如，分类单元可以是全连接层。步骤272、基于所述已分析话题互动评论x的
优化描述特征和所述优化模型变量，确定所述已分析话题互动评论x所包含的评论内容为q
种评论内容意图中的每种评论内容意图的可能性。步骤273、将所述已分析话题互动评论x
所包含的评论内容为所述每种评论内容意图的可能性，确定为所述已分析话题互动评论x
的第一意图测试结果。这样，可以结合全连接层以及每种评论内容意图的可能性精准确定
已分析话题互动评论x的第一意图测试结果。

[0110] 如此设计，通过上述步骤250‑步骤270，能够精准地得到第一意图测试结果。

[0111] 步骤300、根据所述每个已分析话题互动评论与所属的相关话题评论之间的话题评论相关度确定区分性网络指标，根据所述每个已分析话题互动评论对应的第一意图测试
结果和所标注的评论内容意图描述确定测试网络指标。

[0112] 例如，区分性网络指标可以理解为相关度差异对应的损失函数，测试网络指标可以理解为预测情况对应的损失函数。

[0113] 进一步地，上述步骤300所描述的根据所述每个已分析话题互动评论与所属的相关话题评论之间的话题评论相关度确定区分性网络指标，可以包括以下技术方案：根据所
述每个已分析话题互动评论与所属的相关话题评论之间的话题评论相关度，分别确定所述
每个已分析话题互动评论与所属的相关话题评论之间的平均相关度；根据所述每个已分析
话题互动评论与所属的相关话题评论之间的平均相关度生成平均相关度数组；将所述平均
相关度数组的差异分布情况，确定为所述区分性网络指标。

[0114] 如此设计，可以确保区分性网络指标尽可能与实际的话题评论场景相匹配。

[0115] 步骤400、基于所述区分性网络指标和所述测试网络指标更新所述话题评论分析网络的模型变量，得到目标话题评论分析网络。

[0116] 在本申请实施例中，所述目标话题评论分析网络可以用于对属于所述评论类别的评论内容进行意图分析，从而提取出评论内容对应的意图信息，从而获取得到评论方的情
绪极性或者倾向性分析结果。

[0117] 在一些可能的实施例中，上述步骤400所描述的基于所述区分性网络指标和所述测试网络指标更新所述话题评论分析网络的模型变量，得到目标话题评论分析网络，可以
包括以下步骤410‑步骤430所描述的技术方案。

[0118] 步骤410、对所述区分性网络指标和所述测试网络指标进行叠加，得到目标网络指标。

[0119] 例如，可以将所述区分性网络指标和所述测试网络指标进行求和，从而得到求和之后的目标网络指标。

[0120] 步骤420、基于所述目标网络指标更新所述话题评论分析网络的模型变量。

[0121] 例如，模型变量可以是话题评论分析网络的网络参数或者模型参量。

[0122] 步骤430、当检测到对所述话题评论分析网络的模型变量更新至设定状态时，将模型变量处于所述设定状态的所述话题评论分析网络确定为所述目标话题评论分析网络。

[0123] 例如，设定状态可以是收敛状态。

[0124] 如此设计，通过实施上述步骤410‑步骤430，基于模型变量的收敛状态实现对话题评论分析网络的训练、优化和调整，从而确保目标话题评论分析网络的噪声干扰应对能力。

[0125] 在上述步骤100‑步骤400的基础上，该方法还可以包括以下步骤510‑步骤530所描述的技术方案。

[0126] 步骤510、将所述n个已分析话题互动评论输入原始话题评论分析网络。

[0127] 步骤520、在所述原始话题评论分析网络中确定所述每个已分析话题互动评论所包含的评论内容的第二意图测试结果。

[0128] 步骤530、根据所述每个已分析话题互动评论对应的第二意图测试结果和所述每个已分析话题互动评论所标注的评论内容意图描述，更新所述原始话题评论分析网络的模
型变量，得到所述话题评论分析网络。

[0129] 在上述内容的基础上，该方法还可以包括以下步骤610‑步骤640所描述逇技术方案。

[0130] 步骤610、获取第一待分析话题评论以及与所述第一待分析话题评论相关联的评论内容标签。

[0131] 步骤620、获取所述评论内容标签所指示的目标评论内容的目标评论内容描述特征。

[0132] 步骤630、将所述第一待分析话题评论输入所述目标话题评论分析网络，在所述目标话题评论分析网络中生成所述第一待分析话题评论的话题评论描述特征。

[0133] 步骤640、当检测到所述第一待分析话题评论的话题评论描述特征与所述目标评论内容描述特征相关时，确定所述第一待分析话题评论中的评论内容为所述目标评论内
容，确定对所述第一待分析话题评论中的评论内容的评论内容意图分析成功。

[0134] 例如，评论内容意图分析成功可以理解为目标话题评论分析网络削弱或者应对了噪声干扰，进而保证了评论内容意图分析的精度和可信度。

[0135] 在上述内容的基础上，该方法还可以包括以下步骤710‑步骤730所描述逇技术方案。

[0136] 步骤710、获取第二待分析话题评论。

[0137] 步骤720、将所述第二待分析话题评论输入所述目标话题评论分析网络，在所述目标话题评论分析网络中生成所述第二待分析话题评论的话题评论描述特征。

[0138] 步骤730、根据所述第二待分析话题评论的话题评论描述特征，从两种或多于两种评论内容意图中确定所述第二待分析话题评论中的评论内容的评论内容意图。

[0139] 可以理解的是，通过实施上述步骤710‑步骤730，能够精准确定出评论意图内容，从而为后续的情绪分析或者用户倾向性分析提供准确可靠的决策依据。

[0140] 在一些选择性的实施例中，云计算服务器在进行了在线互动话题意图分析之后，可以根据得到的评论内容意图进行相关的业务互动数据的处理，基于此，在步骤730所描述
的根据所述第二待分析话题评论的话题评论描述特征，从两种或多于两种评论内容意图中
确定所述第二待分析话题评论中的评论内容的评论内容意图的基础上，该方法还可以包括
以下步骤800。

[0141] 步骤800、在所述第二待分析话题评论中的评论内容的评论内容意图表征团购业务服务升级需求时，获取团购业务互动数据并进行多层面优化，以得到全局优化互动数据。

[0142] 例如，团购业务服务升级需求可以是可视化界面的升级需求或者操作方式的升级需求等。

[0143] 在一些选择性的实施例中，步骤800所描述的获取团购业务互动数据并进行多层面优化，以得到全局优化互动数据，可以包括以下内容：获取热门业务互动数据和冷门业务
互动数据，所述热门业务互动数据包括热门业务关注信息和热门业务场景信息，所述冷门
业务互动数据包括冷门业务关注信息和冷门业务关联信息；对所述冷门业务关联信息/热
门业务场景信息进行互动状态识别，分别优化各互动状态的冷门业务关联信息与热门业务
场景信息，将各互动状态优化后的场景信息进行整理得到场景优化互动数据；优化所述热
门业务关注信息和所述冷门业务关注信息，得到关注度优化互动数据；整理所述场景优化
互动数据和所述关注度优化互动数据得到全局优化互动数据。

[0144] 在一些选择性的实施例中，上述步骤所描述的获取热门业务互动数据和冷门业务互动数据，所述热门业务互动数据包括热门业务关注信息和热门业务场景信息，所述冷门
业务互动数据包括冷门业务关注信息和冷门业务关联信息；对所述冷门业务关联信息/热
门业务场景信息进行互动状态识别，分别优化各互动状态的冷门业务关联信息与热门业务
场景信息，将各互动状态优化后的场景信息进行整理得到场景优化互动数据；优化所述热
门业务关注信息和所述冷门业务关注信息，得到关注度优化互动数据；整理所述场景优化
互动数据和所述关注度优化互动数据得到全局优化互动数据，可以通过以下实施方式实
施。

[0145] 步骤S21、获取热门业务互动数据和冷门业务互动数据。

[0146] 在本申请实施例中，所述热门业务互动数据包括热门业务关注信息和热门业务场景信息，所述冷门业务互动数据包括冷门业务关注信息和冷门业务关联信息。

[0147] 可以理解的是，热门业务互动数据和冷门业务互动数据均可以为团购业务互动数据，比如用户和商家之间在团购层面的交互信息。热门业务关注信息用于表征用户和/或商
家所关注的较为热门的信息，热门业务场景信息对应于不同的业务场景，比如生鲜团购、家
电团购等。相应的，冷门业务关注信息用于表征关注度较低的信息，冷门业务关联信息对应
于冷门业务的业务场景。

[0148] 步骤S22、对所述冷门业务关联信息/热门业务场景信息进行互动状态识别，分别优化各互动状态的冷门业务关联信息与热门业务场景信息，将各互动状态优化后的场景信
息进行整理得到场景优化互动数据。

[0149] 例如，互动状态可以是用户和商家之间的团购层面的互动情况，比如实时互动或者延时互动等。场景优化互动信息可以是将各互动状态优化后的场景信息（热门场景信息
和冷门场景信息）进行合并或者融合之后得到的，用于从整体层面反应团购业务的场景情
况。

[0150] 在一些可能的实施例中，步骤S22中的对冷门业务关联信息进行互动状态识别，可以包括以下步骤S221和步骤S222所描述的内容。

[0151] 步骤S221、获取所述冷门业务关联信息对应的所述冷门业务关注信息的各业务互动事件的事件特征描述值。

[0152] 例如，事件特征描述值用于从数值层面对不同的业务互动事件进行区分，业务互动事件包括聊天事件、购买事件、退货事件或者投诉事件。

[0153] 步骤S222、确定所述事件特征描述值所在量化描述范围，将所述冷门业务关联信息/热门业务场景信息分类至与所述量化描述范围相对应的互动状态。

[0154] 例如，量化描述范围可以是对应的描述值区间，用于进行相关场景信息的分类。

[0155] 如此设计，能够通过量化描述实现对相关场景信息的分类，从而在提高互动状态识别精度的前提下减少云计算服务器的开销。

[0156] 在另外一些实施例中，步骤S222所描述的确定所述事件特征描述值所在量化描述范围，可以包括以下技术方案：基于互动数据分布情况设定所述量化描述范围，所述互动数
据分布情况包括所述全局优化互动数据中冷门业务互动数据片段与热门业务互动数据片
段的比较结果。

[0157] 例如，互动数据分布情况可以是分布图或者分布列表，如此设计，能够尽可能从整体层面准确地确定量化描述范围。

[0158] 在另外的一些实施例中，步骤S22所描述的对冷门业务关联信息进行互动状态识别，可以包括以下实施例A所描述的内容：将所述冷门业务关联信息识别为第一互动状态和
第二互动状态，所述第一互动状态中所述冷门业务关联信息对应的所述冷门业务关注信息
的各业务互动事件的事件特征描述值小于第一设定描述值，所述第二互动状态中所述冷门
业务关联信息对应的所述冷门业务关注信息的各业务互动事件的事件特征描述值大于或
等于所述第一设定描述值。

[0159] 基于上述实施例A，步骤S22所描述的分别优化各互动状态的冷门业务关联信息与热门业务场景信息，可以通过以下实施例B实现：利用第一信息优化方式优化所述第一互动
状态的所述热门业务场景信息和所述冷门业务关联信息；所述第一信息优化方式包括：分
别确定各业务互动事件的热门业务场景信息的优化因子和冷门业务关联信息的优化因子，
将所述第一互动状态中各业务互动事件的热门业务场景信息的场景标签特征值与冷门业
务关联信息的场景标签特征值进行全局整合，得到第一场景优化互动数据。

[0160] 例如，优化因子可以是校正权重或者修正权重，如此设计，能够结合优化因子对各互动状态的冷门业务关联信息与热门业务场景信息进行场景层面的精准校正，从而确保场
景优化互动数据与实际的团购业务场景相适配。

[0161] 在上述实施例B中，分别确定各业务互动事件的热门业务场景信息的优化因子和冷门业务关联信息的优化因子，可以通过以下实施例B1或者实施例B2实现。

[0162] 实施例B1，所述分别确定各业务互动事件的热门业务场景信息的优化因子和冷门业务关联信息的优化因子包括：所述冷门业务关联信息的优化因子为所述冷门业务关注信
息的事件特征描述值与所述第一设定描述值的对比情况，所述冷门业务关联信息的优化因
子与所述热门业务场景信息的优化因子之和为一。

[0163] 实施例B2，所述分别确定各业务互动事件的热门业务场景信息的优化因子和冷门业务关联信息的优化因子包括：所述冷门业务关联信息对应的所述冷门业务关注信息的事
件特征描述值越低，所述冷门业务关联信息的优化因子越低；所述热门业务场景信息的优
化因子与所述冷门业务关联信息的优化因子之和为一。

[0164] 在另外的一些可能的实施例中，步骤S22所描述的对冷门业务关联信息进行互动状态识别，可以包括以下内容：将所述冷门业务关联信息识别为第一互动状态和第二互动
状态，所述第一互动状态中所述冷门业务关联信息对应的所述冷门业务关注信息的各业务
互动事件的事件特征描述值小于第一设定描述值，所述第二互动状态中所述冷门业务关联
信息对应的所述冷门业务关注信息的各业务互动事件的事件特征描述值大于或等于所述
第一设定描述值。基于此，上述步骤所描述的分别优化各互动状态的冷门业务关联信息与
热门业务场景信息包括：利用第二信息优化方式优化所述第二互动状态的所述热门业务场
景信息和所述冷门业务关联信息；所述第二信息优化方式包括：将所述第二互动状态中各
业务互动事件的所述冷门业务关联信息的的场景标签特征值作为该业务互动事件优化后
场景信息的的场景标签特征值。

[0165] 在一些示例中，可以基于互动数据分布情况设定所述第一设定描述值，所述互动数据分布情况包括所述全局优化互动数据中冷门业务互动数据片段与热门业务互动数据
片段的比较结果，所述互动数据分布情况对应的比值越高，所述第一设定描述值越低。

[0166] 步骤S23、优化所述热门业务关注信息和所述冷门业务关注信息，得到关注度优化互动数据。

[0167] 在本申请实施例中，关注度优化互动数据用于表征业务数据在关注度层面的校正情况，进而确保关注度优化互动数据与实际的业务互动情况相适配。

[0168] 在一些可能的实施例中，步骤S23所描述的优化所述热门业务关注信息和所述冷门业务关注信息，得到关注度优化互动数据，可以包括以下步骤S231和步骤S233所描述的
技术方案。

[0169] 步骤S231、分别对所述热门业务关注信息和所述冷门业务关注信息进行多维度分治处理。

[0170] 步骤S232、分别优化各个维度的所述热门业务关注信息和所述冷门业务关注信息。

[0171] 步骤S233、整理各维度的关注度优化互动数据，得到所述关注度优化互动数据。

[0172] 可以理解的是，多维度分治处理可以理解为多维度拆分处理，这样能够精准拆分不同维度的所述热门业务关注信息和所述冷门业务关注信息，进而实现不同维度的所述热
门业务关注信息和所述冷门业务关注信息的并行优化，最后进行各维度的关注度优化互动
数据整合，确保得到的关注度优化互动数据的全局完整性。

[0173] 可以理解的是，对于上述步骤S231‑步骤S233而言，分别对所述热门业务关注信息和所述冷门业务关注信息进行多维度分治处理，优化各个维度的所述热门业务关注信息和
所述冷门业务关注信息，可以包括以下技术方案：分别对所述热门业务关注信息和所述冷
门业务关注信息进行多维度分治处理，并在各维度进行基于噪声清洗的数据筛选，得到热
门业务的全局关注互动数据、多个维度的热门业务的局部关注互动数据、冷门业务的全局
关注互动数据和多个维度的冷门业务的局部关注互动数据；优化所述热门业务的全局关注
互动数据和所述冷门业务的全局关注互动数据得到动态关注互动数据；分别优化各维度的
所述热门业务的局部关注互动数据和所述冷门业务的局部关注互动数据得到多个静态关
注互动数据；整理所述动态关注互动数据和所述静态关注互动数据，得到所述关注度优化
互动数据。

[0174] 例如，动态关注互动数据可以是关注度随时间变化的，静态关注互动数据可以是关注度不随时间变化的，如此设计，能够将动静态关注互动数据考虑在内，从而确保关注度
优化互动数据的完整性。

[0175] 进一步地，上述步骤所描述的优化所述热门业务的全局关注互动数据和所述冷门业务的全局关注互动数据得到动态关注互动数据，可以包括以下技术方案：确定所述热门
业务的全局关注互动数据的的优化因子和所述冷门业务的全局关注互动数据的的优化因
子；将所述热门业务的全局关注互动数据的关注度值与所述冷门业务的全局关注互动数据
的关注度值进行全局整合，得到所述动态关注互动数据。

[0176] 在一些实施例中，基于互动数据分布情况设定所述热门业务的全局关注互动数据的的优化因子和所述冷门业务的全局关注互动数据的的优化因子，所述互动数据分布情况
包括所述全局优化互动数据中冷门业务互动数据片段与热门业务互动数据片段的比较结
果，所述热门业务的全局关注互动数据的的优化因子与所述冷门业务的全局关注互动数据
的的优化因子之和为一。

[0177] 在一些可能的实施例中，所述基于互动数据分布情况设定所述热门业务的全局关注互动数据的的优化因子和所述冷门业务的全局关注互动数据的的优化因子包括：所述互
动数据分布情况对应的比值越高，所述冷门业务的全局关注互动数据的的优化因子越大。

[0178] 在上述内容的基础上，优化各维度的所述热门业务的局部关注互动数据和所述冷门业务的局部关注互动数据得到多个静态关注互动数据，可以包括以下技术方案：分别确
定各维度中各业务互动事件的热门业务的局部关注互动数据的优化因子和冷门业务的局
部关注互动数据的优化因子；分别将各维度中各业务互动事件的热门业务的全局关注互动
数据关注度值与冷门业务的全局关注互动数据关注度值进行全局整合，得到各维度的静态
关注互动数据。

[0179] 可以理解的是，基于优化因子图谱设定各维度中各业务互动事件的所述热门业务的局部关注互动数据的优化因子和所述冷门业务的局部关注互动数据的优化因子，所述热
门业务的局部关注互动数据的优化因子与所述冷门业务的局部关注互动数据的优化因子
之和为一。

[0180] 在上述内容的基础上，整理所述动态关注互动数据和所述静态关注互动数据，得到所述关注度优化互动数据可以包括：分别将各维度的静态关注互动数据分别与对应的优
化矩阵进行融合，以对所述静态关注互动数据进行调整，各个所述优化矩阵的维度均大于
一。

[0181] 在本申请实施例中，可以基于互动数据分布情况设定所述优化矩阵，所述互动数据分布情况包括所述全局优化互动数据中热门业务互动数据片段与冷门业务互动数据片
段的比较结果。进一步地，基于互动数据分布情况设定所述优化矩阵包括：所述互动数据分
布情况对应的比值越高，所述优化矩阵对应的矩阵维度数越大。

[0182] 如此设计，能够从数值层面出发，结合局部分析和全局分析，以尽可能减少关注度优化互动数据的关注度噪声。

[0183] 步骤S24、整理所述场景优化互动数据和所述关注度优化互动数据得到全局优化互动数据。

[0184] 在本申请实施例中，可以将所述场景优化互动数据和所述关注度优化互动数据进行合并，从而得到全局优化互动数据。比如，可以将所述场景优化互动数据和所述关注度优
化互动数据按照设定映射关系进行绑定，从而得到全局优化互动数据。

[0185] 区别于常规技术的情况，对热门业务互动数据与冷门业务互动数据分别进行场景优化和关注度优化，在场景优化时，识别得到冷门业务关联信息/热门业务场景信息的多个
互动状态，这样可以采用不同的信息优化方式对不同互动状态的互动数据进行场景优化，
能够尽可能全面、灵活地利用互动数据中的热门业务信息和冷门业务信息，得到各互动状
态的实际业务互动信息。这样一来，能够实现对互动数据的场景层面和关注度层面的优化，
以确保全局优化互动数据尽可能从实际业务互动层面反应各个业务用户端之间的业务互
动情况，从而为后续的业务服务升级提供准确可靠的决策依据。

[0186] 本申请可以获取n个已分析话题互动评论和m个未分析话题互动评论，将n个已分析话题互动评论和m个未分析话题互动评论输入话题评论分析网络；在话题评论分析网络
中确定每个已分析话题互动评论所包含的评论内容的第一意图测试结果，从话题评论序列
中获取每个已分析话题互动评论的相关话题评论；话题评论序列包括n个已分析话题互动
评论和m个未分析话题互动评论；每个已分析话题互动评论的相关话题评论未标注所属已
分析话题互动评论所标注的评论内容意图描述；根据每个已分析话题互动评论与所属的相
关话题评论之间的话题评论相关度确定区分性网络指标，根据每个已分析话题互动评论对
应的第一意图测试结果和所标注的评论内容意图描述确定测试网络指标；基于区分性网络
指标和测试网络指标更新话题评论分析网络的模型变量，得到目标话题评论分析网络。

[0187] 由此可见，本申请提出的方法在通过已分析话题互动评论的测试网络指标训练话题评论分析网络的基础上，还引入了未分析话题互动评论对话题评论分析网络一起进行训
练。而通过未分析话题互动评论相关的区分性网络指标来训练话题评论分析网络，可以使
得话题评论分析网络对话题评论中评论内容的各种评论内容意图进行分析的分析差别尽
可能达到一个平衡，从而提高所训练得到的目标话题评论分析网络的噪声干扰应对能力，
进而确保目标话题评论分析网络在进行评论意图内容分析时精度。

[0188] 基于上述同样的发明构思，还提供了一种基于云计算的在线互动话题意图分析装置20，应用于云计算服务器10，所述装置包括：

[0189] 评论获取模块21，用于获取n个已分析话题互动评论和m个未分析话题互动评论，将所述n个已分析话题互动评论和所述m个未分析话题互动评论输入话题评论分析网络；n
和m均为正整数；所述n个已分析话题互动评论分别标注有所包含的评论内容的评论内容意
图描述；所述n个已分析话题互动评论所标注的评论内容和所述m个未分析话题互动评论所
标注的评论内容属于相同的评论类别；

[0190] 意图测试模块22，用于在所述话题评论分析网络中确定每个已分析话题互动评论所包含的评论内容的第一意图测试结果，从话题评论序列中获取所述每个已分析话题互动
评论的相关话题评论；所述话题评论序列包括所述n个已分析话题互动评论和所述m个未分
析话题互动评论；所述每个已分析话题互动评论的相关话题评论未标注所属已分析话题互
动评论所标注的评论内容意图描述；

[0191] 指标确定模块23，用于根据所述每个已分析话题互动评论与所属的相关话题评论之间的话题评论相关度确定区分性网络指标，根据所述每个已分析话题互动评论对应的第
一意图测试结果和所标注的评论内容意图描述确定测试网络指标；

[0192] 网络更新模块24，用于基于所述区分性网络指标和所述测试网络指标更新所述话题评论分析网络的模型变量，得到目标话题评论分析网络；所述目标话题评论分析网络用
于对属于所述评论类别的评论内容进行意图分析。

[0193] 在本申请实施例所提供的几个实施例中，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申请的多个实施例的装置、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。

[0194] 另外，在本申请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。

[0195] 所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说
对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计
算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个
人计算机，云计算服务器10，或者网络设备等）执行本申请各个实施例所述方法的全部或部
分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read‑Only Memory）、随
机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介
质。需要说明的是，在本文中，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。

[0196] 以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修
改、等同替换、改进等，均应包含在本申请的保护范围之内。