一种服务质量评价提取方法、装置、设备及可读存储介质与流程

1.本发明涉及数据处理技术领域，具体而言，涉及服务质量评价提取方法、装置、设备及可读存储介质。


背景技术：

2.质量服务的文本情感描述随意性大，数据混杂，受客户主观感受所制约，文本数据大多不规范。使用传统卷积神经网络方法无法很好地提取出文本中情感信息，并且无法较好处理较长文本，无法对服务质量评价进行较好提取。


技术实现要素：

3.本发明的目的在于提供一种服务质量评价提取方法、装置、设备及可读存储介质，以改善上述问题。为了实现上述目的，本发明采取的技术方案如下：
4.第一方面，本技术提供了一种服务质量评价提取方法，包括：获取第一信息，所述第一信息包括客户对业务的至少一条服务质量评价数据；对所述第一信息进行粗粒度提取计算得到第二信息，所述第二信息包括降维后的情感数据集，所述情感数据集包括所有评价提取出的服务评价结果集合和情感表达集合；对所述第二信息进行细粒度提取归纳计算得到服务质量评价信息，所述服务质量评价集中的每个第三元素均包括一个服务评价和所述服务评价对应的情感表达；对所述服务质量评价信息进行二重归纳，得到归纳后的所述服务质量评价信息。
5.进一步地,所述对所述第一信息进行粗粒度提取计算得到第二信息，包括：对所述第一信息进行预处理，得到向量化的样本集；对所述样本集进行情感评价粗粒度提取，得到所述第二信息。
6.进一步地,所述对所述样本集进行情感评价粗粒度提取，得到所述第二信息，包括：对所述样本集进行词性分类，得到词性分类后的所述样本集；对词性分类后的所述样本集进行主谓关系的感情抽取，得到情感数据集，所述情感数据集包括所有评价提取得到服务评价结果集合和情感表达集合，所述服务评价结果集合内的每个第一元素均唯一对应情感表达集合中的一个第二元素；对所述情感数据集进行转换、降维，得到第二信息。
7.进一步地,所述对所述第二信息进行细粒度提取归纳计算得到服务质量评价信息，包括：建立lstm数学模型；将所述第二信息作为所述lstm数学模型的输入信息，求解所述lstm数学模型得到第三信息，所述第三信息为对所述第二信息进行感情结果的细粒度提取后的所述情感表达集，所述情感表达集包括细粒度提取后的所述服务评价结果集合和细粒度提取后的所述情感表达集合；对细粒度提取后的所述情感表达集进行相错校正匹配，得到服务质量评价集，所述服务质量评价集中的每个第三元素均包括一个服务评价和所述服务评价对应的情感表达。
8.进一步地,所述对细粒度提取后的所述情感表达集进行相错校正匹配，得到服务质量评价集，包括：对所述细粒度提取后的情感表达集进行元素数量提取，得到细粒度提取
后的所述服务评价结果集合内第一元素总数量和细粒度提取后的所述情感表达集合内第二元素总数量；若细粒度提取后的所述服务评价结果集合内第一元素总数量等于细粒度提取后的所述情感表达集合内第二元素总数量，则对所述评价结果集合匹配提取，得到相错校正后的所述情感表达集；若细粒度提取后的所述评价结果集合内第一元素总数量大于细粒度提取后的所述情感表达集合内第二元素总数量，则根据细粒度提取后的所述评价结果集合和所述情感表达集合进行纠错匹配计算，得到相错校正后的所述情感表达集；若细粒度提取后的所述评价结果集合内元素总数量小于细粒度提取后的所述情感表达集合内元素总数量，则根据细粒度提取后的所述情感表达集合和所述评价结果集合进行纠错匹配计算，得到相错校正后的所述情感表达集。
9.进一步地,所述根据细粒度提取后的所述评价结果集合和所述情感表达集合进行纠错匹配计算，得到相错校正后的所述情感表达集，包括：对细粒度提取后的所述评价结果集合中的每个第一元素，利用最小文本匹配距离法在所述情感表达集合中找到每个元素对应的情感表达；将细粒度提取后的所述评价结果集合中的每个第一元素和每个第一元素对应的情感表达，记为所述第三元素；将所有所述第三元素，记为相错校正后的所述情感表达集。
10.第二方面，本技术还提供了一种服务质量评价提取装置，包括：第一获取单元、粗粒度提取单元、细粒度提取单元和二重归纳单元；第一获取单元，用于获取第一信息，所述第一信息包括客户对业务的至少一条服务质量评价数据；粗粒度提取单元，用于对所述第一信息进行粗粒度提取计算得到第二信息，所述第二信息包括降维后的情感数据集，所述情感数据集包括所有评价提取出的服务评价结果集合和情感表达集合；细粒度提取单元，用于对所述第二信息进行细粒度提取归纳计算得到服务质量评价信息，所述服务质量评价集中的每个第三元素均包括一个服务评价和所述服务评价对应的情感表达；二重归纳单元，用于对所述服务质量评价信息进行二重归纳，得到归纳后的所述服务质量评价信息。
11.进一步地，所述粗粒度提取单元包括：预处理单元，用于对所述第一信息进行预处理，得到向量化的样本集；第一粒度单元，用于对所述样本集进行情感评价粗粒度提取，得到所述第二信息。
12.进一步地，所述第一粒度单元包括：分类单元，用于对所述样本集进行词性分类，得到词性分类后的所述样本集；抽取单元，用于对词性分类后的所述样本集进行主谓关系的感情抽取，得到情感数据集，所述情感数据集包括所有评价提取得到服务评价结果集合和情感表达集合，所述服务评价结果集合内的每个第一元素均唯一对应情感表达集合中的一个第二元素；转化单元，用于对所述情感数据集进行转换、降维，得到第二信息。
13.进一步地，所述细粒度提取单元包括：模型建立单元，用于建立lstm数学模型；第二粒度单元，用于将所述第二信息作为所述lstm数学模型的输入信息，求解所述lstm数学模型得到第三信息，所述第三信息为对所述第二信息进行感情结果的细粒度提取后的所述情感表达集，所述情感表达集包括细粒度提取后的所述服务评价结果集合和细粒度提取后的所述情感表达集合；校正匹配单元，用于对细粒度提取后的所述情感表达集进行相错校正匹配，得到服务质量评价集，所述服务质量评价集中的每个第三元素均包括一个服务评价和所述服务评价对应的情感表达。
14.进一步地，所述校正匹配单元包括：数量提取单元，用于对所述细粒度提取后的情
感表达集进行元素数量提取，得到细粒度提取后的所述服务评价结果集合内第一元素总数量和细粒度提取后的所述情感表达集合内第二元素总数量；第一判断单元，用于若细粒度提取后的所述服务评价结果集合内第一元素总数量等于细粒度提取后的所述情感表达集合内第二元素总数量，则对所述评价结果集合匹配提取，得到相错校正后的所述情感表达集；第二判断单元，用于若细粒度提取后的所述评价结果集合内第一元素总数量大于细粒度提取后的所述情感表达集合内第二元素总数量，则根据细粒度提取后的所述评价结果集合和所述情感表达集合进行纠错匹配计算，得到相错校正后的所述情感表达集；第三判断单元，用于若细粒度提取后的所述评价结果集合内元素总数量小于细粒度提取后的所述情感表达集合内元素总数量，则根据细粒度提取后的所述情感表达集合和所述评价结果集合进行纠错匹配计算，得到相错校正后的所述情感表达集。
15.进一步地，所述第二判断单元包括：遍历单元，用于对细粒度提取后的所述评价结果集合中的每个第一元素，利用最小文本匹配距离法在所述情感表达集合中找到每个元素对应的情感表达；配对单元，用于将细粒度提取后的所述评价结果集合中的每个第一元素和每个第一元素对应的情感表达，记为所述第三元素；标记单元，用于将所有所述第三元素，记为相错校正后的所述情感表达集。
16.第三方面，本技术还提供了一种服务质量评价提取设备，包括：
17.存储器，用于存储计算机程序；
18.处理器，用于执行所述计算机程序时实现所述服务质量评价提取方法的步骤。
19.第四方面，本技术还提供了一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述基于服务质量评价提取方法的步骤。
20.本发明的有益效果为：
21.1、本发明通过两级颗粒度逐级提取，提升对于客户的真实情感；
22.2、本发明通过对评价的主谓关系的感情抽取，数据进行句法匹配，提升了后期使用神经网络算法的准确性，同时降低了人工标注数据集的问题；
23.3、本方法通过二重粒度的感情提取、两次去重以及防止数据的错位的方式，提升算法的泛化性能，建立更精准的银行业服务质量评价模型，降低传统服务质量评价方法依赖专家主观意识，单一的特征值评价模型得出的结果较为片面的结果；
24.4、通过聚类评价，对神经网络提取出的情感元素进行进一步的处理，将评价类别相似的结果进行整合，降低情感元素类别划分，进一步提升模型的情感评价准确率。
25.本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
26.为了更清楚地说明本发明实施例的技术方案，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发明的某些实施例，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。
27.图1为本发明实施例中所述的服务质量评价提取方法流程示意图；
28.图2为本发明实施例中所述的服务质量评价提取装置结构示意图；
29.图3为本发明实施例中所述的服务质量评价提取装置结构示意图；
30.图4为本发明实施例中所述的服务质量评价提取设备结构示意图。
具体实施方式
31.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
32.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。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
33.实施例1：
34.本实施例提供了一种服务质量评价提取方法。
35.参见图1，图中示出了本方法包括步骤s100、步骤s200、步骤s300、步骤s400和步骤s500。
36.s100、获取第一信息，第一信息包括客户对业务的至少一条服务质量评价数据。
37.可以理解的是，在本步骤是为了获取多条服务质量评价数据，比如将某项服务对应所有评价信息均录入。
38.s200、对第一信息进行粗粒度提取计算得到第二信息，第二信息包括降维后的情感数据集，情感数据集包括所有评价提取出的服务评价结果集合和情感表达集合。
39.可以理解的是，在本步骤中是为了对数据进行初步加工，初步进行文本数据的规范，并对评价数据进行标注降低人工标注数据的工作量。具体而言，本步骤中包括步骤s210和步骤s220。
40.s210、对第一信息进行预处理，得到向量化的样本集。
41.具体而言，本步骤中包括步骤s211、步骤s212和步骤s213。
42.s211、对第一信息中无效数据进行过滤，并更新第一信息。
43.可以理解的是，在实际的服务质量评价中有些客户不会键入有用信息，会输入一些纯符号或者一些无意义的话语，本步骤即为过滤无用数据，降低其对后续深度神经网络模型的干扰，其中本步骤的具体实施方式，为本领域的公知常识，只需要通过一些规则即可实现，本技术中不再赘述。
44.s212、对第一信息中每个服务质量评价进行中文文本分词，并更新第一信息。
45.需要说明是，本步骤中所使用的中文文本分词的方式为利用crf算法进行计算。
46.s213、对第一信息进行向量化处理，得到向量化的样本集。
47.需要说明的是，本步骤中所提及的向量化处理为本领域的公知常识，本领域技术人员可以采用one-hot算法实现。
48.s220、对样本集进行情感评价粗粒度提取，得到第二信息。
49.具体而言，本步骤为了针对于服务质量评价中文本情感描述随意性大，数据混杂的问题，先对服务质量评价中进行粗颗粒度提取，降低服务质量评价中维数，将均有予以重复的评价给予合并，降低后续数据处理问题。
50.具体而言，在本步骤中包括步骤s221、步骤s222和步骤s223。
51.s221、对样本集进行词性分类，得到词性分类后的样本集；
52.具体而言，本步骤中所采用的开源的pyltp对服务质量评价进行词性分类，通过将一个长文本内容按照不同的词性将内容进行划分，如原输入文本“业务人员很热情，但是排队的时间太久了。”通过分词后就变成：“业务人员/很/热情，但是/排队/的/时间/太/久/了。”提升后期主谓关系词性抽取的精确性以及使得本方法的词处理都建立在具有独立意义的单词的基础上。
53.s222、对词性分类后的样本集进行主谓关系的感情抽取，得到情感数据集，情感数据集包括所有评价提取得到服务评价结果集合和情感表达集合，服务评价结果集合内的每个第一元素均唯一对应情感表达集合中的一个第二元素；
54.具体而言，本步骤与步骤s221结合，使用一句依存句法方法，仍然以s221例子说明，经过主谓关系提取后即可得到“业务人员，热情”“时间，久”，通过本步骤的粗粒度提取后，主语和谓语之间的对应关系匹配数据；
55.s223、对情感数据集进行转换、降维，得到第二信息。
56.具体而言，本步骤中通过s222步骤的述情感数据集通过word2vec词向量模型把数据样本进行转换、降维。
57.s300、对第二信息进行细粒度提取归纳计算得到服务质量评价信息，服务质量评价集中的每个第三元素均包括一个服务评价和服务评价对应的情感表达。
58.可以理解的是，在本步骤中对已经粗加工后的服务质量评价再次进行细颗粒度提取，进一步分类出“好”在哪方面，“差”的具体表现。
59.具体而言，s300中还包括步骤s310、步骤s320和步骤s330。
60.s310、建立lstm数学模型。
61.s320、将第二信息作为lstm数学模型的输入信息，求解lstm数学模型得到第三信息，第三信息为对第二信息进行感情结果的细粒度提取后的情感表达集，情感表达集包括细粒度提取后的服务评价结果集合和细粒度提取后的情感表达集合。
62.可以理解的是，本步骤中利用通过无监督学习得到更为准确的用户评价数据。并与s200中进行的长句分词后的数据结合提升服务质量评价的提取精度。
63.s330、对细粒度提取后的情感表达集进行相错校正匹配，得到服务质量评价集，服务质量评价集中的每个第三元素均包括一个服务评价和服务评价对应的情感表达。
64.需要说明的是，本步骤中为了针对于lstm算法在对象分类提取的过程中会出现多种匹配结果的问题，进行优化。
65.具体而言，本步骤中还包括步骤s331、步骤s332、步骤s333和步骤s334。
66.s331、对细粒度提取后的情感表达集进行元素数量提取，得到细粒度提取后的服务评价结果集合内第一元素总数量和细粒度提取后的情感表达集合内第二元素总数量。
67.s332、若细粒度提取后的服务评价结果集合内第一元素总数量等于细粒度提取后
的情感表达集合内第二元素总数量，则对评价结果集合匹配提取，得到相错校正后的情感表达集。
68.需要说明是，本步骤中所提的评价结果集合匹配提取指的是，是对将一个服务评价和服务评价对应的情感表达构成一个第三元素，并通过所有第三元素构成情感表达集。本实施例中以如下内容举例说明，服务评价结果集合包括{u1,u2,
…
uq}，情感表达集合包括{t1,t2,
…
t
p
}，由于在本步骤中q＝p，本步骤中只需要将{u1,t1}作为第三元素即可，最终构成情感表达集s＝{(u1,t1),(u2,t2),
…
(uq,t
p
)}。
69.s333、若细粒度提取后的评价结果集合内第一元素总数量大于细粒度提取后的情感表达集合内第二元素总数量，则根据细粒度提取后的评价结果集合和情感表达集合进行纠错匹配计算，得到相错校正后的情感表达集。
70.需要说明是的，在本步骤判断的目的为确定是细粒度提取后的情感表达集合的第二元素在lstm细粒度提取后缺少，并且由于细粒度提取后的情感表达集合缺少的第二元素不知道为哪个，所以细粒度提取后的情感表达集合与细粒度提取后的评价结果集合匹配关系已经错乱。
71.所以本步骤为了解决上述问题，还包括步骤s3331、步骤s3331和步骤s3331。
72.s3331、对细粒度提取后的评价结果集合中的每个第一元素，利用最小文本匹配距离法在情感表达集合中找到每个元素对应的情感表达；
73.需要说明的是，本步骤中即通过最小文本匹配距离法，找到每个第一元素对应的第二元素。
74.s3332、将细粒度提取后的评价结果集合中的每个第一元素和每个第一元素对应的情感表达，记为第三元素；
75.可以理解是，本步骤即将一个第一元素和第一第二元素构成第三元素，即为步骤s332中的(u1,t1)，最终构成一个情感表达集s＝{(u1,t1),(u2,t2),
…
(uq,tq)}。
76.s3333、将所有第三元素，记为相错校正后的情感表达集。
77.s334、若细粒度提取后的评价结果集合内元素总数量小于细粒度提取后的情感表达集合内元素总数量，则根据细粒度提取后的情感表达集合和评价结果集合进行纠错匹配计算，得到相错校正后的情感表达集。
78.需要说明的是，本步骤有步骤s333相识，只是处理的对象不同。
79.通过s330步骤的处理，减少了lstm算法在对象分类提取的过程中会出现匹配相错的结果，提升本方法的精度。
80.s400、对服务质量评价信息进行二重归纳，得到归纳后的服务质量评价信息。
81.需要说明的是，由于lstm算法在进行情感抽取过程中存在情感元素重复问题，造成准确率下降。所以本步骤为了了进一步归纳感情元素，具体还包括步骤s410、
82.s410、获取预设k值；
83.需要说明的是，k值为经验值，根据第一信息中具有的数量进行大致判断，本实施例汇总优选为7。
84.s420、根据服务质量评价信息，使用密度法计算得到第一个聚集中心 点；
85.为了便于理解，在s400中服务质量评价信息为集合s，其中集合s中包括{s1，s2，
…
sn}。其中每个第三元素的si的密度值计算公式如下：
86.pi＝∑x(d
ij-dc)
87.其中，d
ij
为si和sj的欧式距离，dc为s的样本集平均距离，x为(d
ij-dc)小于零时为零，x为(d
ij-dc)大于零时为一。
88.dc计算公式如下：
[0089][0090]
s430、根据服务质量评价信息，使用预设公式计算得到k-1个聚集中心点，每个聚集中心点均对应一个类；
[0091]
具体而言，在本步骤中所使用的预设公式为：
[0092]
disti＝max{min(d
i1
，d
i2
，...，d
in
，)}(i＝1，2
…
n)
[0093]
s440、二重归纳提取：依次计算服务质量评价信息中每个第三元素到每个聚集中心点的权重距离，将每个第三元素分到权重距离最小的聚集中心点所对应的类中；计算每个类内的第三元素的均值，并使用均值更新类对应的聚集中心点；
[0094]
需要说明的是，在本步骤中所使用的权重距离计算公式如下：
[0095][0096]
式中，式中，和表示在空间(l)维下的样本si和sj，m为空间维度的数量。
[0097]
s450、重复执行二重归纳提取，直到每个类内的第三元素的均值不变。
[0098]
本方法与传统依存句法分析 lstm模型相比，本方法通过文本分词和词性归类的方式，解决了lstm模型对单文本多评价结果处理能力较差的问题，同时针对lstm模型情感抽取过程中存在情感元素错位问题，采用纠错匹配的方式，并与后续的二重归纳降低情感元素重复几率。同时在二重归纳中采用密度法与最大最小距离结合的方式遍历寻找k个中心点，解决初始中心电学选取片面问题，同时采用的权重距离分配的方式解决易陷于局部最优问题。在对在公开中文服务质量评价的提取上具有更高的准确率，能够准确定位用户真实情感，得到更加精确的用户画像。
[0099]
s500、发送第一显示命令，第一显示命令包括将归纳后的服务质量评价信息通过词云图示出的命令。
[0100]
参见图2，图中示出本实施例处理后的词云图。
[0101]
实施例2：
[0102]
如图所示，本实施例提供了一种服务质量评价提取装置，参见图3装置包括：
[0103]
第一获取单元1，用于获取第一信息，第一信息包括客户对业务的至少一条服务质量评价数据；
[0104]
粗粒度提取单元2，用于对第一信息进行粗粒度提取计算得到第二信息，第二信息包括降维后的情感数据集，情感数据集包括所有评价提取出的服务评价结果集合和情感表
达集合；
[0105]
细粒度提取单元3，用于对第二信息进行细粒度提取归纳计算得到服务质量评价信息，服务质量评价集中的每个第三元素均包括一个服务评价和服务评价对应的情感表达；
[0106]
二重归纳单元4，用于对服务质量评价信息进行二重归纳，得到归纳后的服务质量评价信息。
[0107]
在一些具体的实施例中，粗粒度提取单元2包括：
[0108]
预处理单元21，用于对第一信息进行预处理，得到向量化的样本集；
[0109]
第一粒度单元22，用于对样本集进行情感评价粗粒度提取，得到第二信息。
[0110]
在一些具体的实施例中，第一粒度单元22包括：
[0111]
分类单元221，用于对样本集进行词性分类，得到词性分类后的样本集；
[0112]
抽取单元222，用于对词性分类后的样本集进行主谓关系的感情抽取，得到情感数据集，情感数据集包括所有评价提取得到服务评价结果集合和情感表达集合，服务评价结果集合内的每个第一元素均唯一对应情感表达集合中的一个第二元素；
[0113]
转化单元223，用于对情感数据集进行转换、降维，得到第二信息。
[0114]
在一些具体的实施例中，细粒度提取单元3包括：
[0115]
模型建立单元31，用于建立lstm数学模型；
[0116]
第二粒度单元32，用于将第二信息作为lstm数学模型的输入信息，求解lstm数学模型得到第三信息，第三信息为对第二信息进行感情结果的细粒度提取后的情感表达集，情感表达集包括细粒度提取后的服务评价结果集合和细粒度提取后的情感表达集合；
[0117]
校正匹配单元33，用于对细粒度提取后的情感表达集进行相错校正匹配，得到服务质量评价集，服务质量评价集中的每个第三元素均包括一个服务评价和服务评价对应的情感表达。
[0118]
在一些具体的实施例中，校正匹配单元33包括：
[0119]
数量提取单元331，用于对细粒度提取后的情感表达集进行元素数量提取，得到细粒度提取后的服务评价结果集合内第一元素总数量和细粒度提取后的情感表达集合内第二元素总数量；
[0120]
第一判断单元332，用于若细粒度提取后的服务评价结果集合内第一元素总数量等于细粒度提取后的情感表达集合内第二元素总数量，则对评价结果集合匹配提取，得到相错校正后的情感表达集；
[0121]
第二判断单元333，用于若细粒度提取后的评价结果集合内第一元素总数量大于细粒度提取后的情感表达集合内第二元素总数量，则根据细粒度提取后的评价结果集合和情感表达集合进行纠错匹配计算，得到相错校正后的情感表达集；
[0122]
第三判断单元334，用于若细粒度提取后的评价结果集合内元素总数量小于细粒度提取后的情感表达集合内元素总数量，则根据细粒度提取后的情感表达集合和评价结果集合进行纠错匹配计算，得到相错校正后的情感表达集。
[0123]
在一些具体的实施例中，第二判断单元333包括：
[0124]
遍历单元3341，用于对细粒度提取后的评价结果集合中的每个第一元素，利用最小文本匹配距离法在情感表达集合中找到每个元素对应的情感表达；
[0125]
配对单元3342，用于将细粒度提取后的评价结果集合中的每个第一元素和每个第一元素对应的情感表达，记为第三元素；
[0126]
标记单元3343，用于将所有第三元素，记为相错校正后的情感表达集。
[0127]
在一些具体的实施例中，二重归纳单元4包括：
[0128]
第二获取单元41，用于获取预设k值；
[0129]
第一计算单元42，用于根据服务质量评价信息，使用密度法计算得到第一个聚集中心点；
[0130]
第二计算单元43，用于根据服务质量评价信息，使用预设公式计算得到k-1个聚集中心点，每个聚集中心点均对应一个类；
[0131]
重复单元44，用于二重归纳提取：依次计算服务质量评价信息中每个第三元素到每个聚集中心点的权重距离，将每个第三元素分到权重距离最小的聚集中心点所对应的类中；计算每个类内的第三元素的均值，并使用均值更新类对应的聚集中心点；
[0132]
重复判断单元45，用于重复执行二重归纳提取，直到每个类内的第三元素的均值不变。
[0133]
需要说明的是，关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
[0134]
实施例3：
[0135]
相应于上面的方法实施例，本实施例中还提供了一种服务质量评价提取设备，下文描述的一种服务质量评价提取设备与上文描述的一种服务质量评价提取方法可相互对应参照。
[0136]
图4是根据示例性实施例示出的一种服务质量评价提取设备800的框图。如图4所示，该服务质量评价提取设备800可以包括：处理器801，存储器802。该服务质量评价提取设备800还可以包括多媒体组件803，i/o接口804，以及通信组件805中的一者或多者。
[0137]
其中，处理器801用于控制该服务质量评价提取设备800的整体操作，以完成上述的服务质量评价提取方法中的全部或部分步骤。存储器802用于存储各种类型的数据以支持在该服务质量评价提取设备800的操作，这些数据例如可以包括用于在该服务质量评价提取设备800上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器802可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(static random access memory，简称sram)，电可擦除可编程只读存储器(electrically erasable programmable read-only memory，简称eeprom)，可擦除可编程只读存储器(erasable programmable read-only memory，简称eprom)，可编程只读存储器(programmable read-only memory，简称prom)，只读存储器(read-only memory，简称rom)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件803可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器802或通过通信组件805发送。音频组件还包括至少一个扬声器，用于输出音频信号。i/o接口804为处理器801和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件805用于该服务质量评价提取设备800与其他设备之间进行有线或无线通信。
无线通信，例如wi-fi，蓝牙，近场通信(near fieldcommunication，简称nfc)，2g、3g或4g，或它们中的一种或几种的组合，因此相应的该通信组件805可以包括：wi-fi模块，蓝牙模块，nfc模块。
[0138]
在一示例性实施例中，服务质量评价提取设备800可以被一个或多个应用专用集成电路(application specific integrated circuit，简称asic)、数字信号处理器(digitalsignal processor，简称dsp)、数字信号处理设备(digital signal processing device，简称dspd)、可编程逻辑器件(programmable logic device，简称pld)、现场可编程门阵列(fieldprogrammable gate array，简称fpga)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的服务质量评价提取方法。
[0139]
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的服务质量评价提取方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器802，上述程序指令可由服务质量评价提取设备800的处理器801执行以完成上述的服务质量评价提取方法。
[0140]
实施例4：
[0141]
相应于上面的方法实施例，本实施例中还提供了一种可读存储介质，下文描述的一种可读存储介质与上文描述的一种服务质量评价提取方法可相互对应参照。
[0142]
一种可读存储介质，可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例的服务质量评价提取方法的步骤。
[0143]
该可读存储介质具体可以为u盘、移动硬盘、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等各种可存储程序代码的可读存储介质。
[0144]
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
[0145]
以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。