产品反馈信息分类方法、装置、存储介质和设备

技术领域

本发明涉及反馈数据处理领域，尤其是涉及一种产品反馈信息分类方法、装置、存储介质和设备。

背景技术

在产品设计和研发过程中，研发人员往往需要收集用户对产品的反馈数据，用户的反馈数据可以在一定程度上体现产品的舆情走势，研发人员通过了解产品的舆情走势对产品进行针对性地优化，从而提升产品的质量和市场口碑。

然而，随着产品的热销及产品反馈数据量的增加，通过人工阅读产品反馈数据的内容，筛选出与涉及与产品优缺点相关的反馈数据，根据反馈数据来确定产品的需要改进的问题的效率较低，且容易出现分类失误，影响分类准确性。

发明内容

本申请实施例提供了一种产品反馈信息分类方法、装置、存储介质和设备，能够实现产品反馈数据的准确分类，提高产品反馈数据的分类效率。所述技术模块如下：

第一方面，本申请实施例提供了一种产品反馈信息分类方法，包括以下步骤：

获取产品反馈信息；其中，所述产品反馈信息包括至少一个关键词；

从数据库中筛选包含所述关键词的至少一个样本，计算所述产品反馈信息与每一个所述样本的相似度，获取所述产品反馈信息属于预设类别的第一类别得分信息；其中，每一个所述样本设有对应的类别信息；

将所述产品反馈信息输入预训练的分类模型，获取所述产品反馈信息属于预设类别的第二类别得分信息；

基于证据理论算法，融合所述第一类别得分信息和所述第二类别得分信息，获取所述产品反馈信息属于预设类别的融合得分信息；

根据所述融合得分信息，确定所述产品反馈信息的分类信息。

第二方面，本申请实施例提供了一种产品反馈信息分类装置，包括：

反馈信息获取模块，用于获取产品反馈信息；其中，所述产品反馈信息包括至少一个关键词；

第一分类模块，用于从数据库中筛选包含所述关键词的至少一个样本，计算所述产品反馈信息与每一个所述样本的相似度，获取所述产品反馈信息属于预设类别的第一类别得分信息；其中，每一个所述样本设有对应的类别信息；

第二分类模块，用于将所述产品反馈信息输入预训练的分类模型，获取所述产品反馈信息属于预设类别的第二类别得分信息；

融合模块，用于基于证据理论算法，融合所述第一类别得分信息和所述第二类别得分信息，获取所述产品反馈信息属于预设类别的融合得分信息；

分类信息获取模块，用于根据所述融合得分信息，确定所述产品反馈信息的分类信息。

第三方面，本申请实施例提供了一种计算机可读存储介质，其上储存有计算机程序，该计算机程序被处理器执行时实现如上述任意一项所述的产品反馈信息分类方法的步骤。

第四方面，本申请实施例提供了一种电子设备，包括存储器、处理器以及存储在所述存储器中并可被所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上述任意一项所述的产品反馈信息分类方法的步骤。

在本申请实施例中，通过计算产品反馈信息与数据库中的存在相同关键词的样本的相似度，获取产品反馈信息属于预设类别的第一类别得分信息，利用预训练的分类模型获取产品反馈信息属于预设类别的第二类别得分信息，基于证据理论算法融合第一类别得分信息和第二类别得分信息，得到产品反馈信息在各类别的融合得分，再根据融合得分的大小来确定产品反馈信息最有可能属于的类别，实现产品反馈信息的准确分类。

为了更好地理解和实施，下面结合附图详细说明本发明。

附图说明

图1为本发明一个实施例一种产品反馈信息分类方法的应用场景示意图；

图2为本发明一个实施例一种产品反馈信息分类方法的流程图；

图3为本发明一个实施例一种对各类别的融合得分进行分数统一的示意图；

图4为本发明一个实施例一种产品反馈信息分类装置的结构示意图；

图5为本发明一个实施例一种电子设备的结构示意图。

具体实施方式

为使本申请的目的、技术模块和优点更加清楚，下面将结合附图对本申请实施例方式作进一步地详细描述。

应当明确，所描述的实施例仅仅是本申请实施例一部分实施例，而不是全部的实施例。基于本申请实施例中的实施例，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它实施例，都属于本申请实施例保护的范围。

在本申请实施例使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请实施例。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的、本申请的一些方面相一致的方法和方法的例子。在本申请的描述中，需要理解的是，术语“第一”、“第二”、“第三”等仅用于区别类似的对象，而不必用于描述特定的顺序或先后次序，也不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。

此外，在本申请的描述中，除非另有说明，“若干个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。

请参阅图1，图1为本申请一个实施例提供的一种产品反馈信息分类方法的应用场景示意图，该应用场景包括本申请实施例提供的服务器101和客户端102；其中，服务器101和客户端102可以通过有线通信链路、无线通信链路或者光纤电缆进行数据交互。

产品反馈信息分类方法的执行主体可以为服务器101，具体地，当服务器101接收到产品反馈信息时，从数据库中筛选包含产品反馈信息的关键词的至少一个样本，计算产品反馈信息与每一个样本的相似度，获取产品反馈信息属于预设类别的第一类别得分信息，将产品反馈信息输入预训练的分类模型，获取产品反馈信息属于预设类别的第二类别得分信息，基于证据理论算法，融合第一类别得分信息和第二类别得分信息，获取产品反馈信息属于预设类别的融合得分信息；根据融合得分信息，确定产品反馈信息的分类信息，并推送至客户端102。

客户端102可以是研发人员或售后人员所在的一端，客户端102可以是具有显示屏的各种电子设备，客户端102用于对产品反馈信息的分类信息进行可视化显示，从而便于研发人员或售后人员根据产品反馈信息的分类信息了解用户的使用反馈情况并对产品进行针对性改进，客户端102包括但不限于智能手机、智能交互平板和个人计算机等。

在另一个实施例中，产品反馈信息分类方法的执行主体也可以为客户端102。

本领域技术人员可以理解，本申请所使用的“客户端”、“终端”既包括无线信号接收器的设备，其仅具备无发射能力的无线信号接收器的设备，又包括接收和发射硬件的设备，其具有能够在双向通信链路上，进行双向通信的接收和发射硬件的设备。这种设备可以包括：蜂窝或其他诸如个人计算机、平板电脑之类的通信设备，其具有单线路显示器或多线路显示器或没有多线路显示器的蜂窝或其他通信设备；PCS(PersonalCommunicationsService，个人通信系统)，其可以组合语音、数据处理、传真和/或数据通信能力；PDA(Personal Digital Assistant，个人数字助理)，其可以包括射频接收器、寻呼机、互联网/内联网访问、网络浏览器、记事本、日历和/或GPS(Global PositioningSystem，全球定位系统)接收器；常规膝上型和/或掌上型计算机或其他设备，其具有和/或包括射频接收器的常规膝上型和/或掌上型计算机或其他设备。这里所使用的“客户端”、“终端”可以是便携式、可运输、安装在交通工具(航空、海运和/或陆地)中的，或者适合于和/或配置为在本地运行，和/或以分布形式，运行在地球和/或空间的任何其他位置运行。

本申请所称的“服务器”、“客户端”等名称所指向的硬件，本质上是具备个人计算机等效能力的电子设备，为具有中央处理器(包括运算器和控制器)、存储器、输入设备以及输出设备等冯诺依曼原理所揭示的必要构件的硬件方法，计算机程序存储于其存储器中，中央处理器将存储在外存中的程序调入内存中运行，执行程序中的指令，与输入输出设备交互，借此完成特定的功能。

需要指出的是，本申请所称的“服务器”这一概念，同理也可扩展到适用于服务器机群的情况。依据本领域技术人员所理解的网络部署原理，所述各服务器应是逻辑上的划分，在物理空间上，这些服务器既可以是互相独立但可通过接口调用的，也可以是集成到一台物理计算机或一套计算机机群。本领域技术人员应当理解这一变通，而不应以此约束本申请的网络部署方式的实施方式。

如图2所示，本申请实施例提供了一种产品反馈信息分类方法，包括以下步骤：

S101：获取产品反馈信息；其中，所述产品反馈信息包括至少一个关键词；

S102：从数据库中筛选包含所述关键词的至少一个样本，计算所述产品反馈信息与每一个所述样本的相似度，获取所述产品反馈信息属于预设类别的第一类别得分信息；其中，每一个所述样本设有对应的类别信息；

S103：将所述产品反馈信息输入预训练的分类模型，获取所述产品反馈信息属于预设类别的第二类别得分信息；

S104：基于证据理论算法，融合所述第一类别得分信息和所述第二类别得分信息，获取所述产品反馈信息属于预设类别的融合得分信息；

S105：根据所述融合得分信息，确定所述产品反馈信息的分类信息。

步骤S101中，产品反馈信息用于反馈用户对相关产品的评价，产品反馈信息可以是通过爬虫等手段从售卖平台、厂家公众号抓取到用户评价信息得到。

关键词可以是指产品反馈信息的代词、名词等实体词，以便于快速从数据库中筛选出对应的样本，提高样本筛选效率。

在得到产品反馈信息后，可以借助现有的分词工具例如jieba分词、ltp分词对产品反馈信息进行分词，根据得到的分词通过人工选取的方式确定产品反馈信息的关键词，或者，在得到产品反馈信息后，将其输入预训练的关键词筛选模型中，利用关键词筛选模型获取产品反馈信息的关键词。

步骤S102中，数据库中可以预先存储有多个样本，其中，样本可以是预先标注有类别信息的历史产品反馈信息。

在本申请实施例中，预设类别可以包括至少一个类别，例如可以包括危机类、技术类、产品类、内容类和垃圾类，本申请分别计算产品反馈信息与上述类别的相似度，获取产品反馈信息属于危机类、技术类、产品类、内容类和垃圾类的第一类别得分。

或者，在另一个实施例中，预设类别可以为用户指定的某一个类别，例如可以为危机类，则根据产品反馈信息与该类别的相似度，获取产品反馈信息属于危机类的第一类别得分。

在该步骤中，可以利用ES搜索引擎对数据库存储的样本建立倒排索引，倒排索引包括词典和倒排列表，其中，词典用于记录文档的所有单词，倒排列表用于记录单词与文档之间的对应关系文档，到排文档包括文档的id、词频(单词在文档中出现的次数)、单词的起始位置和结束位置和单词在文档中的位置，使得在根据关键词查找样本时，可以根据倒排索引快速查找到出现过该关键词的样本，提高查找效率。

其中，样本可以是包含该关键词对应的句子或者包含该关键词对应的文档。

在一个实施例中，若数据库不存在包含相同关键词的样本，可以将该产品反馈信息标识为垃圾类信息或者无效信息并结束上述步骤。

第一类别得分信息用于确定产品反馈信息属于预设类别的概率，其中，对应类别的第一类别得分越高，表示产品反馈信息属于该类别的概率越高。

相似度用于确定产品反馈信息与样本的相似程度，相似度可以是产品反馈信息与样本的文本相似度，文本相似度可以通过计算两个文本中的词频向量之间的距离得到。

或者，在另一个实施例中，相似度也可以是指产品反馈信息与样本的句子相似度，具体地，句子相似度可以通过将产品反馈信息与样本转换为多个句向量，通过计算各个句向量的相似度得到。具体地，可以采用例如BERT模型等现有的句向量转换模型，将产品反馈信息与样本转换为多个句向量，再通过计算各个句向量的余弦相似度，从而获取第一类别得分信息。

在本申请实施例中，计算所述产品反馈信息与每一个所述样本的相似度的步骤具体包括：

利用预训练的BERT-flow模型，获取产品反馈信息对应的第一句向量及样本对应的第二句向量；

按照以下方式，获取第一句向量与第二句向量的相似度：

其中，cos(θ)表示第i个第一句向量E

BERT模型是Google AI研究院提出的一种预训练模型，主要模型结构是trasnformer的encoder堆叠而成，BERT模型是采用新的MLM(masked language model)掩码语言模型，以致能生成深度的双向语言表征，flow模型是一个向量变换模型，flow模型可以将输入数据的分布转化为标准正态分布，在本申请实施例中，利用耦合BERT模型和flow模型的BERT-flow模型，将产品反馈信息转换为句向量并校正句向量的分布，从而提高相似度计算的准确性。

在得到第一句向量与第二句向量的相似度之后，可以直接根据产品反馈信息的句向量与样本中各句向量的相似度，通过计算均值或者取最大值的方式获取产品反馈信息属于预设类别的第一类别得分。

优选地，为了降低数据计算量，本申请中选取每个类别中最相似的句向量对应的相似度作为该类别对应的第一类别得分。具体地，获取所述产品反馈信息属于预设类别的第一类别得分信息的步骤具体包括：

根据所述第一句向量与所述第二句向量的相似度及所述至少一个样本的类别信息，获取每一个类别对应的最高相似度；

根据所述每一个类别对应的最高相似度，确定所述产品反馈信息属于预设类别的第一类别得分信息。

步骤S103中，分类模型用于获取产品反馈信息的分类信息，分类模型可以基于现有的自然语言表征模型构建，在构建分类模型后，可以利用事先收集到的大量标注有类别信息的文本信息对分类模型进行预训练，直至分类模型的分类精度大于或等于预设分类精度阈值。

在一个实施例中，分类模型可以基于ERNIE模型构建，ERNIE模型是一种基于知识遮蔽策略的、增强型的语义表示模型。通过对字、词、实体等语义单元的掩码，使得模型学习完整概念的语义表示。ERNIE模型在结构上主要分为两个部分，Transformer编码和知识整合，前者使用Transformer作为模型的基本编码器，生成对应的词向量表示，以此保留词在文本中的上下文信息。后者则是通过多阶段的知识遮蔽策略，将短语和实体层次的知识整合到语言表示中。

具体地，在将所述产品反馈信息输入预训练的分类模型之前，还包括以下步骤：

获取若干标注有类别信息的文本数据；

基于ERNIE模型，构建用于获取产品反馈信息属于预设类别的第二类别得分信息的分类模型；

利用所述若干标注有类别信息的文本数据对所述分类模型进行预训练。

具体地，可以通过爬虫等手段从售卖平台、厂家公众号抓取到历史评价信息，在历史评价信息抽取部分数据进行人工分类并标注对应的类别信息，将标注有类别信息的文本数据作为分类模型的训练样本，对分类模型进行预训练。

ERNIE模型是一种基于知识遮蔽策略的、增强型的语义表示模型。通过对字、词、实体等语义单元的掩码，使得模型学习完整概念的语义表示。ERNIE在结构上主要分为两个部分，Transformer编码和知识整合，前者使用Transformer作为模型的基本编码器，生成对应的词向量表示，以此保留词在文本中的上下文信息。后者则是通过多阶段的知识遮蔽策略，将短语和实体层次的知识整合到语言表示中。

本申请实施例中基于ERNIE模型构建用于获取产品反馈信息属于预设类别的融合得分信息的分类模型，并利用标注有类别信息的文本数据对分类模型进行预训练，再利用预训练后的分类模型对产品反馈信息所属的类别进行分类预测，得到第二类别得分信息。

优选地，为了提高分类模型的分类准确性，文本数据可以包括所有的预设类别的文本，其中，每一个类别设有至少一个文本。

步骤S104中，证据理论(Dempster′s combinational rule)，也称证据合成公式，证据理论将待识别对象所有可能的集合所构成的空间定义为识别框架Θ，识别框架Θ为包含n个元素的非空集合，在辨识框架设有mass函数，对于

第一类别得分信息可以包括产品反馈信息属于类别A的第一类别得分，通过与样本的相似度来分类，其具有响应快、分类效率高的特点，但是，该分类方式泛化能力较差，且分类的准确性依赖于配置的样本，当样本和产品反馈信息较为相似时，其分类准确率高；而当样本和产品反馈信息都不相似时，其分类准确率较低。

第二类别得分信息可以包括产品反馈信息属于类别A的第二类别得分，分类模型可以直接将输入的产品反馈信息分类至最相似的类别，泛化能力好，但是该分类方式的精度和响应度较差。

本申请中将两种不同分类方式得到的类别得分作为不同的证据，基于证据理论算法进行融合，当两个证据指向一致时获取的融合得分增加，当证据指向不一致获取的融合得分降低，通过融合两种不同的分类方式的类别得分，提高产品反馈信息的分类精度。

具体地，所述基于证据理论算法，融合所述第一类别得分信息和所述第二类别得分信息的步骤具体包括：

按照以下方式，融合所述第一类别得分信息和所述第二类别得分信息：

其中，

其中，B表示第一类别得分信息，C表示第二类别得分信息，m

在本申请实施例中，分别根据产品反馈信息与样本的相似度得到产品反馈信息属于预设类别的第一类别得分信息以及根据预训练的分类模型得到产品反馈信息属于预设类别的第二类别得分信息，利用证据理论算法组合第一得分信息和第二得分信息，得到产品反馈信息在各类别的融合得分，再根据融合得分的大小来确定产品反馈信息最有可能属于的类别，实现产品反馈信息的分类。

步骤S105中，产品反馈信息的分类信息可以是根据产品反馈信息在各类别的融合得分来确定。

具体地，可以以最大融合得分对应的类别作为产品反馈信息所属的类别，从而得到产品反馈信息的分类信息。

在本申请实施例中，通过计算产品反馈信息与数据库中的存在相同关键词的样本的相似度，获取产品反馈信息属于预设类别的第一类别得分信息，利用预训练的分类模型获取产品反馈信息属于预设类别的第二类别得分信息，基于证据理论算法融合第一类别得分信息和第二类别得分信息，得到产品反馈信息在各类别的融合得分，再根据融合得分的大小来确定产品反馈信息最有可能属于的类别，实现产品反馈信息的准确分类。

本申请实施例中第一类别得分信息实际为产品反馈信息的某一句与样本的相似度，第二类别得分信息实际为产品反馈信息与某个类别的相似度，即使当产品反馈信息属于某个类别的第二类别得分为0.9，也不意味着产品反馈信息与该类别的样本非常相似，只是相对于其他类别，该类别更加相似，而此时产品反馈信息属于该类别的第一类别得分可能只有0.4，在经过证据理论算法融合后，可以得到具有更高置信度的融合得分。当产品反馈信息只有第一类别得分信息或者融合失败时，如何将产品反馈信息与各类别的融合得分进行分数统一是一大问题。

因此，针对上述问题，在一个实施例中，当预设类别包括至少一个类别时，在获取所述产品反馈信息属于预设类别的融合得分信息之后，还包括以下步骤：

根据所述融合得分信息，按照从高至低的排列顺序对所述产品反馈信息所属的类别进行排序，获取各类别之间的融合得分的差值；

获取所述第一类别得分信息中的最大类别得分和最小类别得分；

利用所述最大类别得分和所述最小类别得分替代对应类别的融合得分，并根据所述各类别之间的融合得分的差值重新计算其它类别的融合得分。

具体地，预设类别可以包括：危机类、技术类、产品类、内容类和垃圾类。

如图3所示，其为一个实施例中对各类别的融合得分进行分数统一的示意图，在该实施例中，将产品反馈信息分为危机类、技术类、产品类、内容类和垃圾类5类，并按照产品反馈信息属于危机类、技术类、产品类、内容类和垃圾类的融合得分按照从高到低进行排序，得到类别1-5，并获取产品反馈信息属于危机类、技术类、产品类、内容类和垃圾类的第一类别得分。

其中，P2为最高第一类别得分，P4为最低第一类别得分，P2为产品反馈性属于类别2的第一类别得分，P4为产品反馈性属于类别4的第一类别得分，delta1为类别1与类别2的融合得分差值，delta2为类别2与类别3的融合得分差值，delta3为类别3与类别4的融合得分差值，delta4为类别4与类别5的融合得分差值。

用最高第一类别得分P2替代融合得分中对应的类别2的融合得分，利用最低第一类别得分P4替代融合得分中对应的类别4的融合得分，并根据各类别之间的融合得分差值，重新获取各类别的融合得分：类别1＝P2+delta1，类别2＝P2，类别3＝0.5*(P2-delta1+P4+delta3)，类别4＝P4，类别5＝P4-delta4。

本申请利用最高第一类别得分和最低第一类别得分分别替代对应类别的融合得分，并通过对其它类别的融合得分进行同比缩放的方式使各类别的融合得分处于同一空间维度，实现融合得分的分数统一，便于后续通过设置阈值的方式来确定产品反馈信息的分类结果。

本申请中先获取产品反馈信息属于预设类别的第一类别得分信息，用户可以根据第一类别得分信息确定产品反馈信息属于预设类别的概率，当产品反馈信息属于预设类别的概率较低，也即产品反馈信息明显不属于预设类别时，可以将该反产品反馈信息标识为无效信息并结束步骤，无需再执行步骤S103-S105，提高产品反馈信息的分类效率。

具体地，在将所述产品反馈信息输入预训练的分类模型之前，还包括以下步骤：

若所述第一类别得分信息小于预设的得分阈值，确定所述产品反馈信息为无效信息；

若所述第一类别得分信息大于或等于预设的得分阈值，将所述产品反馈信息输入预训练的分类模型，获取所述产品反馈信息属于预设类别的第二类别得分信息。

在本申请实施例中，当产品反馈信息对于的第一类别得分信息大于或等于预设的得分阈值，再执行步骤S103-S105计算产品反馈信息的融合得分信息并以此来确定产品反馈信息的分类信息，而对于第一类别得分信息小于预设的得分阈值的产品反馈信息，将其标识为无效信息或者舍弃，提高产品反馈信息的分类效率。

在一个优选的实施例中，产品反馈信息分类方法还包括以下步骤：

按照预设的周期，统计各周期的产品反馈信息的分类信息并存储在数据库中；

根据所述数据库中存储的产品反馈信息，计算各类别的产品反馈信息的环比增长率；

当环比增长率大于预设阈值，向对应类别的负责人所在的终端发送舆情反馈警报信息。

产品反馈信息的分类信息的周期可以根据产品反馈信息的数量设置为每日、每周、每月、每季度或每年。例如，在本申请实施例中，产品反馈信息的分类信息的周期设置为每日，通过统计每日的产品反馈信息的分类信息，得到各类别的数量并存储在数据库中。

环比增长率用于确定当前周期与上一周期相比的增长率，在本申请实施例中，环比增长率用于确定每日各类别的产品反馈信息的数量增长情况，当某日的环比增长率大于预设阈值，向对应类别的负责人所在的终端发送舆情反馈警报信息。

数据库可以预先存储有各类别的负责人所在终端的地址信息，负责人所在终端的地址信息可以为负责人的联系方式，在某个环比增长率大于预设阈值时，向各类别的负责人的手机发送舆情反馈警报信息。其中，舆情反馈警报信息可以包括各类别信息、各类别的环比增长率以及预设的警报信息。

本申请将从官方反馈平台或公众号收集到的产品反馈信息，利用本申请的产品反馈信息分类方法实现产品反馈信息的智能分类和舆情预警，使得研发人员可以更加及时地发现舆情异常，提高舆情处理效率并促进产品优化，提高产品市场口碑。

如图4所示，本申请实施例还提供了一种产品反馈信息分类装置，该装置包括：

反馈信息获取模块201，用于获取产品反馈信息；其中，所述产品反馈信息包括至少一个关键词；

第一分类模块202，用于从数据库中筛选包含所述关键词的至少一个样本，计算所述产品反馈信息与每一个所述样本的相似度，获取所述产品反馈信息属于预设类别的第一类别得分信息；其中，每一个所述样本设有对应的类别信息；

第二分类模块203，用于将所述产品反馈信息输入预训练的分类模型，获取所述产品反馈信息属于预设类别的第二类别得分信息；

融合模块204，用于基于证据理论算法，融合所述第一类别得分信息和所述第二类别得分信息，获取所述产品反馈信息属于预设类别的融合得分信息；

分类信息获取模块205，用于根据所述融合得分信息，确定所述产品反馈信息的分类信息。

需要说明的是，上述实施例提供的产品反馈信息分类装置在执行产品反馈信息分类方法时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分为不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的产品反馈信息分类装置与产品反馈信息分类方法属于同一构思，其体现实现过程详见方法实施例，这里不再赘述。

本实施例提供一种电子设备，可以用于执行本申请实施例的产品反馈信息分类方法的全部或部分步骤。对于本实施例中未披露的细节，请参照本申请的方法实施例。

请参阅图5，图5为本申请实施例提供的电子设备的结构示意图。所述电子设备300可以但不限于是各种服务器、个人计算机、笔记本电脑、智能手机、平板电脑等设备的一个或多个的组合。

在本申请较佳实施例中，所述电子设备300包括存储器301、至少一个处理器302、至少一条通信总线303及收发器304。

本领域技术人员应该了解，图5示出的电子设备的结构并不构成本申请实施例的限定，既可以是总线型结构，也可以是星形结构，所述电子设备300还可以包括比图示更多或更少的其他硬件或者软件，或者不同的部件布置。

在一些实施例中，所述电子设备300是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路、可编程门阵列、数字处理器及嵌入式设备等。所述电子设备300还可包括客户设备，所述客户设备包括但不限于任何一种可与客户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、数码相机等。

需要说明的是，所述电子设备300仅为举例，其他现有的或今后可能出现的电子产品如可适应于本申请，也应包含在本申请的保护范围以内，并以引用方式包含于此。

在一些实施例中，所述存储器301中存储有计算机程序，所述计算机程序被所述至少一个处理器302执行时实现如所述实施例的产品反馈信息分类方法中的全部或者部分步骤。所述存储器301包括只读存储器(Read-Only Memory，ROM)、可编程只读存储器(Programmable Read-Only Memory，PROM)、可擦除可编程只读存储器(ErasableProgrammable Read-Only Memory，EPROM)、一次可编程只读存储器(One-timeProgrammable Read-Only Memory，OTPROM)、电子擦除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory，EEPROM)、只读光盘(CompactDisc Read-Only Memory，CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。

在一些实施例中，所述至少一个处理器302是所述电子设备300的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备300的各个部件，通过运行或执行存储在所述存储器301内的程序或者模块，以及调用存储在所述存储器301内的数据，以执行电子设备300的各种功能和处理数据。例如，所述至少一个处理器302执行所述存储器中存储的计算机程序时实现本申请实施例中的产品反馈信息分类方法的全部或者部分步骤；或者实现产品反馈信息分类装置的全部或者部分功能。所述至少一个处理器302可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(CentralProcessing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。

在一些实施例中，所述至少一条通信总线303被设置为实现所述存储器301以及所述至少一个处理器302等之间的连接通信。

所述电子设备300还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。

本实施例提供一种计算机可读存储介质，其上储存有计算机程序，所述指令适于由处理器加载并执行本申请实施例的产品反馈信息分类方法，具体执行过程可以参见方法实施例的具体说明，在此不进行赘述。

对于设备实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的设备实施例仅仅是示意性的，其中所述作为分离部件说明的组件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模块来实现本申请模块的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

本领域内的技术人员应明白，本申请的实施例可提供为方法、装置、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(装置)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的方法。

以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理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权利要求范围之内。