(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210183068.2 (22)申请日 2022.02.27 (71)申请人 创络 （上海） 数据科技有限公司 地址 201100 上海市闵行区光 华路2118号 第4幢A157室 (72)发明人 江元元　 (51)Int.Cl. G06F 11/34(2006.01) G06F 16/35(2019.01) G06F 16/955(2019.01) G06F 40/30(2020.01) G06K 7/14(2006.01) G06N 3/04(2006.01) (54)发明名称 一种获取用户对AP P情感反馈的方法 (57)摘要 本发明公开了一种获取用户对目标APP情感 反馈的方法， 该方法包括： 利用埋点获取用户路 径， 利用自动化脚本获取路径上的文本和/或图 片信息； 对获取的信息进行两轮筛选的预处理， 得到有用信息； 对得到的有用信息分为评价信息 和使用信息， 对评价信息的情感分析； 对使用信 息进行使用频率统计； 根据用户对目标APP使用 频率以及评价综合得到用户对该APP的情感反 馈。 本发明实现了不仅仅单纯依靠用户在应用市 场的评价而可以获取用户对目标APP的情感反 馈。 权利要求书2页 说明书6页 附图2页 CN 114860555 A 2022.08.05 CN 114860555 A 1.一种获取用户对AP P情感反馈的方法， 其特 征在于具体包括如下步骤： S1.利用埋 点获取用户路径， 利用自动化脚本获取路径上的文本和图片信息； S2.对获取的信息进行两轮预处 理， 得到有用信息， 其中包括对文本和图片的处 理； S3.对得到的有用信息进行分类， 对评价信息进行情感分析； 对使用信息进行统计； 根 据用户对相关AP P使用频率以及评价综合得到用户对目标AP P的情感反馈； S4.将上述得到的用户对目标APP使用频率进行归一化处理， 设置为正向值； 对步骤S3 得到的评价进 行归一化处理， 对正面评论设置正值， 负面评论设置负值， 融合上述二者的结 果得到最终的情感反馈值。 2.根据权利要求1所述的获取用户对APP情感反馈的方法， 其特征在于， 所述步骤S2中 两轮预处 理具体为： 数据的第一轮筛 选： 对于文本预处 理， 筛选出以下文本： 文本中直接提及目标APP名称的文本， 该文本包括目标APP的名称， 英文或拼音及其缩 写， 别名， 以及包 含容错空间的名称； 目标APP的分享链接， 根据链接中与目标APP相关的文字或者网址信息获得相关的目标 APP； 对于图片信息预处 理， 筛选出以下类型的图片： 二维码图片， 二维码图片是与APP相关的二维码， 包括下载APP的二维码或由该APP生成 的二维码； 来自APP的商品或视频截图， 主要根据图片上的信息进行判断， 包括APP的标志， 二维 码； 筛选出目标 数据后， 对其所在数据链路的位置进行 标记； 第二轮筛 选： 对于第一轮筛 选得到的文本信息： 根据第一轮筛选中得到的文本， 获取其上下文文本， 主要针对具有评论性的情感词汇 语句， 若该文本上 下文具有评论 性的语句， 则保留此文本； 对于第一轮筛选得到的图片进行二 次精筛， 具体为对二维码的识别和对图片上的文字 和标志的识别。 3.根据权利要求1所述的获取用户对APP情感反馈的方法， 其特征在于， 步骤S3中采用 机器学习的方式对评价信息进行 所述情感分析。 4.根据权利要求3所述的获取用户对APP情感反馈的方法， 其特征在于， 所述情感分析 具体包括： 数据预处理： 对数据进行数据清洗； 基于统计的分词方法进行文本分词； 文本向量化， 将文本表示成能够表达文本语义的向量， 把文本信息变成计算机可识别可处理的数字信 息； 算法模型建立， 输入层输入文本向量； 卷积层对矩阵与卷积核进行卷积操作； 池化层对 卷积层提取到的特征进行全局筛选， 输出局部的最优特征； 全连接层将池化层产生的一系 列具有代表性的局部特征整合局部特征为全局特征； 输出层通过全连接层进 行局部特征整 合之后， 将其连接 到一个分类 器以获取最终结果； 算法模型训练， 通过有监督学习对模型进行训练， 在网络训练时， 文本向量矩阵由输入权　利　要　求　书 1/2 页 2 CN 114860555 A 2层进入卷积神经网络， 通过卷积层进 行非线性转换， 由输出层进 行预测结果的输出， 再通过 预测结果和实际结果之间的误差， 更新神经 元的各参数权 重， 直到模型达 到拟合。 5.根据权利要求4所述的获取用户对APP情感反馈的方法， 其特征在于， 神经网络的输 入层为双输入， 分别输入由上述 步骤得到的文本向量和拓展特 征向量。 6.根据权利要求4所述的获取用户对APP情感反馈的方法， 其特征在于， 利用遗传算法 和梯度下降法结合 来更新神经 元的各参数权 重。 7.根据权利要求4所述的获取用户对APP情感反馈的方法， 其特征在于， 卷积层采用多 卷积核的方式进行 卷积操作， 所选择的3组卷积核大小分别为2， 3， 4。 8.根据权利要求7所述的获取用户对APP情感反馈的方法， 其特征在于， 双输入的局部 特征值Ci的提取如下公式所示： 其中W为滤波器， h为卷积核大小， 和 为两个输入向量的第i行到第i+h ‑1 行的矩阵， b为卷积 偏置项， f()为激活函数。 9.根据权利要求4所述的获取用户对APP情感反馈的方法， 其特征在于， 所述池化层对 卷积层提取到的特 征进行全局筛 选， 输出局部的最优特 征c′； c′＝max(c1， c2， ....， cn‑h+1)。 10.根据权利要求4所述的获取用户对APP情感反馈的方法， 其特征在于， 输出层通过全 连接层进行局部特征整合之后， 将其连接到一个分类器以获取最 终结果， 选用softmax分类 器进行文本分类， 计算公式如下： y＝softmax(W3×C″+b) 其中y为模型预测的文本情感类别， W3为全连接层的权重矩阵， C ″为全局特征， b为全连 接层的偏置矩阵。权　利　要　求　书 2/2 页 3 CN 114860555 A 3