一种数据处理方法、装置、电子设备及存储介质与流程

1.本发明涉及计算机技术领域，尤其涉及一种数据处理方法、装置、电子设备及存储介质。


背景技术：

2.在个性化推荐系统中常常通过用户对对象的反馈来获得用户对对象的情感分类，再结合用户对对象的情感分类以及对象的属性更新用户的偏好信息，然后根据更新后的用户的偏好信息向用户推荐符合用户偏好的对象。
3.其中，用户的反馈往往是用户对对象操控行为等，例如，点赞、点踩、购买以及分享等。
4.如此，可以根据用户对对象执行的操控行为来判别用户对对象的情感分类，但是，发明人发现，这样很可能导致获取的用户对对象的情感分类不准确。


技术实现要素：

5.本技术示出了一种数据处理方法、装置、电子设备及存储介质。
6.第一方面，本技术示出了一种数据处理方法，应用于终端，所述方法包括：
7.在用户操控当前对象的情况下，针对所述当前对象支持的各个操控类型的操控行为，获取所述用户对所述当前对象的当前操控行为数据，所述当前操控行为数据包括所述用户对所述当前对象实际执行的操控行为的操控类型以及未执行操控行为的操控类型；
8.对于所述用户在历史过程中操控过的各个历史对象，针对所述历史对象支持的各个操控类型的操控行为，获取所述用户对所述历史对象的历史操控行为数据，所述历史操控行为数据包括所述用户对所述历史对象实际执行的操控行为的操控类型以及未执行操控行为的操控类型；
9.根据所述当前操控行为数据以及所述历史操控行为数据，获取所述用户对所述当前对象的情感分类。
10.在一个可选的实现方式中，所述根据所述当前操控行为数据以及所述历史操控行为数据，获取所述用户对所述当前对象的情感分类，包括：
11.获取情感分类获取模型，所述情感分类获取模型是根据多个训练数据集训练得到的，训练数据集包括：样本用户对第一样本对象的第一样本操控行为数据、所述样本用户对第二样本对象的第二样本操控行为数据以及所述样本用户对所述第二样本对象的标注情感分类；
12.向所述情感分类获取模型中输入所述当前操控行为数据以及所述历史操控行为数据，以使所述情感分类获取模型对所述当前操控行为数据以及所述历史操控行为数据处理，得到所述用户对所述当前对象的情感分类，并输出所述用户对所述当前对象的情感分类；
13.获取所述情感分类获取模型输出的所述用户对所述当前对象的情感分类。
14.在一个可选的实现方式中，所述获取情感分类获取模型，包括：
15.根据所述历史操控行为数据，在已训练的多个情感分类获取模型中获取适用于所述用户的情感分类获取模型。
16.在一个可选的实现方式中，所述根据所述历史操控行为数据，在已训练的多个情感分类获取模型中获取适用于所述用户的情感分类获取模型，包括：
17.根据所述历史操控行为数据，在多个用户集中确定所述用户所属的用户集；
18.在分别适用于各个用户集的情感分类获取模型中，选择适用于所述用户所属的用户集的情感分类获取模型。
19.在一个可选的实现方式中，所述根据所述当前操控行为数据以及所述历史操控行为数据，获取所述用户对所述当前对象的情感分类，包括：
20.对于所述当前对象支持的任意一个操控类型的操控行为，根据所述当前操控行为数据确定所述用户对所述当前对象关于所述操控类型的操控行为的当前执行情况，以及，根据所述历史操控行为数据确定所述用户对所述历史对象关于所述操控类型的操控行为的历史执行情况，根据所述当前执行情况与所述历史执行情况获取所述用户对所述当前对象关于所述操控类型的操控行为的情感分值；
21.根据所述用户对所述当前对象分别关于各个操控类型的操控行为的情感分值，获取所述用户对所述当前对象的情感分类。
22.在一个可选的实现方式中，所述根据所述当前执行情况与所述历史执行情况获取所述用户对所述当前对象关于所述操控类型的操控行为的情感分值，包括：
23.获取所述操控类型的操控行为的基础情感分类；
24.根据所述历史执行情况统计所述用户对所述历史对象是否具有执行所述操控类型的操控行为的执行倾向的统计结果，以及，根据所述当前执行情况确定所述用户对所述当前对象是否执行了所述操控类型的操控行为的执行结果；
25.根据所述操控类型的操控行为的基础情感分类、所述统计结果以及所述执行结果，获取所述用户对所述当前对象关于所述操控类型的操控行为的情感分值。
26.在一个可选的实现方式中，所述根据所述历史执行情况统计所述用户对所述历史对象是否具有执行所述操控类型的操控行为的执行倾向的统计结果，包括：
27.获取所述用户在历史过程中操控过的历史对象的历史数量，以及，获取所述用户在历史过程中操控历史对象的过程中对历史对象执行所述操控类型的操控行为的执行次数；
28.根据所述历史数量以及所述执行次数统计所述用户对所述历史对象是否具有执行所述操控类型的操控行为的执行倾向的统计结果。
29.在一个可选的实现方式中，所述根据所述历史数量以及所述执行次数统计所述用户对所述历史对象是否具有执行所述操控类型的操控行为的执行倾向的统计结果，包括：
30.计算所述执行次数与所述历史数量之间的比值；
31.在所述比值大于或等于预设比值的情况下，确定所述用户对所述历史对象具有执行所述操控类型的操控行为的执行倾向；
32.或者，
33.在所述比值小于预设比值的情况下，确定所述用户对所述历史对象不具有执行所
述操控类型的操控行为的执行倾向。
34.在一个可选的实现方式中，所述根据所述操控类型的操控行为的基础情感分类、所述统计结果以及所述执行结果，获取所述用户对所述当前对象关于所述操控类型的操控行为的情感分值，包括：
35.在操控行为的基础情感分类、执行操控行为的执行倾向的统计结果、执行操控行为的执行结果以及用户关于操控行为的情感分值四者之间的对应关系中，查找与所述操控类型的操控行为的基础情感分类、所述统计结果以及所述执行结果同时相对应的用户关于操控行为的情感分值，并作为所述用户对所述当前对象关于所述操控类型的操控行为的情感分值。
36.在一个可选的实现方式中，所述根据所述用户对所述当前对象分别关于各个操控类型的操控行为的情感分值，获取所述用户对所述当前对象的情感分类，包括：
37.将所述用户对所述当前对象分别关于各个操控类型的操控行为的情感分值加权求和，得到所述用户对所述当前对象的情感总值；
38.根据所述用户对所述当前对象的情感总值获取所述用户对所述当前对象的情感分类。
39.在一个可选的实现方式中，所述根据所述用户对所述当前对象的情感总值获取所述用户对所述当前对象的情感分类，包括：
40.在所述用户对所述当前对象的情感总值大于预设情感阈值的情况下，确定所述用户对所述当前对象的情感分类为正向情感；
41.或者，
42.在所述用户对所述当前对象的情感总值等于预设情感阈值的情况下，确定所述用户对所述当前对象的情感分类为中性情感；
43.或者，
44.在所述用户对所述当前对象的情感总值小于预设情感阈值的情况下，确定所述用户对所述当前对象的情感分类为负向情感。
45.第二方面，本技术示出了一种数据处理装置，应用于终端，所述装置包括：
46.第一获取模块，用于在用户操控当前对象的情况下，针对所述当前对象支持的各个操控类型的操控行为，获取所述用户对所述当前对象的当前操控行为数据，所述当前操控行为数据包括所述用户对所述当前对象实际执行的操控行为的操控类型以及未执行操控行为的操控类型；
47.第二获取模块，用于对于所述用户在历史过程中操控过的各个历史对象，针对所述历史对象支持的各个操控类型的操控行为，获取所述用户对所述历史对象的历史操控行为数据，所述历史操控行为数据包括所述用户对所述历史对象实际执行的操控行为的操控类型以及未执行操控行为的操控类型；
48.第三获取模块，用于根据所述当前操控行为数据以及所述历史操控行为数据，获取所述用户对所述当前对象的情感分类。
49.在一个可选的实现方式中，所述第三获取模块包括：
50.第一获取单元，用于获取情感分类获取模型，所述情感分类获取模型是根据多个训练数据集训练得到的，训练数据集包括：样本用户对第一样本对象的第一样本操控行为
数据、所述样本用户对第二样本对象的第二样本操控行为数据以及所述样本用户对所述第二样本对象的标注情感分类；
51.输入单元，用于向所述情感分类获取模型中输入所述当前操控行为数据以及所述历史操控行为数据，以使所述情感分类获取模型对所述当前操控行为数据以及所述历史操控行为数据处理，得到所述用户对所述当前对象的情感分类，并输出所述用户对所述当前对象的情感分类；
52.第二获取单元，用于获取所述情感分类获取模型输出的所述用户对所述当前对象的情感分类。
53.在一个可选的实现方式中，所述第一获取单元包括：
54.第一获取子单元，用于根据所述历史操控行为数据，在已训练的多个情感分类获取模型中获取适用于所述用户的情感分类获取模型。
55.在一个可选的实现方式中，所述第一获取子单元具体用于：根据所述历史操控行为数据，在多个用户集中确定所述用户所属的用户集；在分别适用于各个用户集的情感分类获取模型中，选择适用于所述用户所属的用户集的情感分类获取模型。
56.在一个可选的实现方式中，所述第三获取模块包括：
57.第一确定单元，用于对于所述当前对象支持的任意一个操控类型的操控行为，根据所述当前操控行为数据确定所述用户对所述当前对象关于所述操控类型的操控行为的当前执行情况，以及，第二确定单元，用于根据所述历史操控行为数据确定所述用户对所述历史对象关于所述操控类型的操控行为的历史执行情况，第三获取单元，用于根据所述当前执行情况与所述历史执行情况获取所述用户对所述当前对象关于所述操控类型的操控行为的情感分值；
58.第四获取单元，用于根据所述用户对所述当前对象分别关于各个操控类型的操控行为的情感分值，获取所述用户对所述当前对象的情感分类。
59.在一个可选的实现方式中，所述第三获取单元包括：
60.第二获取子单元，用于获取所述操控类型的操控行为的基础情感分类；
61.统计子单元，用于根据所述历史执行情况统计所述用户对所述历史对象是否具有执行所述操控类型的操控行为的执行倾向的统计结果，以及，确定子单元，用于根据所述当前执行情况确定所述用户对所述当前对象是否执行了所述操控类型的操控行为的执行结果；
62.第三获取子单元，用于根据所述操控类型的操控行为的基础情感分类、所述统计结果以及所述执行结果，获取所述用户对所述当前对象关于所述操控类型的操控行为的情感分值。
63.在一个可选的实现方式中，所述统计子单元具体用于：获取所述用户在历史过程中操控过的历史对象的历史数量，以及，获取所述用户在历史过程中操控历史对象的过程中对历史对象执行所述操控类型的操控行为的执行次数；根据所述历史数量以及所述执行次数统计所述用户对所述历史对象是否具有执行所述操控类型的操控行为的执行倾向的统计结果。
64.在一个可选的实现方式中，所述统计子单元具体用于：计算所述执行次数与所述历史数量之间的比值；在所述比值大于或等于预设比值的情况下，确定所述用户对所述历
史对象具有执行所述操控类型的操控行为的执行倾向；或者，在所述比值小于预设比值的情况下，确定所述用户对所述历史对象不具有执行所述操控类型的操控行为的执行倾向。
65.在一个可选的实现方式中，所述第三获取子单元具体用于：在操控行为的基础情感分类、执行操控行为的执行倾向的统计结果、执行操控行为的执行结果以及用户关于操控行为的情感分值四者之间的对应关系中，查找与所述操控类型的操控行为的基础情感分类、所述统计结果以及所述执行结果同时相对应的用户关于操控行为的情感分值，并作为所述用户对所述当前对象关于所述操控类型的操控行为的情感分值。
66.在一个可选的实现方式中，所述第四获取单元包括：
67.求和子单元，用于将所述用户对所述当前对象分别关于各个操控类型的操控行为的情感分值加权求和，得到所述用户对所述当前对象的情感总值；
68.第四获取子单元，用于根据所述用户对所述当前对象的情感总值获取所述用户对所述当前对象的情感分类。
69.在一个可选的实现方式中，所述第四获取子单元具体用于：在所述用户对所述当前对象的情感总值大于预设情感阈值的情况下，确定所述用户对所述当前对象的情感分类为正向情感；或者，在所述用户对所述当前对象的情感总值等于预设情感阈值的情况下，确定所述用户对所述当前对象的情感分类为中性情感；或者，在所述用户对所述当前对象的情感总值小于预设情感阈值的情况下，确定所述用户对所述当前对象的情感分类为负向情感。
70.第三方面，本技术示出了一种电子设备，所述电子设备包括：
71.处理器；
72.用于存储处理器可执行指令的存储器；
73.其中，所述处理器被配置为执行如第一方面所述的数据处理方法。
74.第四方面，本技术示出了一种非临时性计算机可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行如第一方面所述的数据处理方法。
75.第五方面，本技术示出了一种计算机程序产品，当所述计算机程序产品中的指令由电子设备的处理器执行时，使得电子设备能够执行如第一方面所述的数据处理方法。
76.本技术提供的技术方案可以包括以下有益效果：
77.经过发明人的分析得出：仅根据用户对当前对象执行的操控行为来判别用户对当前对象的情感分类，也即，使用用户对当前对象执行的操控行为绝对性地来判别用户对当前对象的情感分类，则很可能导致获取的用户对当前对象的情感分类不准确。
78.例如，“点踩”这一操控行为的基础情感分类为负向情感(如果用户对一个对象点踩，则说明用户不喜欢这个对象，如果用户未对这一个对象点踩，则不说明用户喜欢这个对象也不说明用户不喜欢这个对象，仅根据“用户未对这一个对象点踩”的状态且往往无法确定出用户是喜欢这个对象还是不喜欢这个对象，从而往往是确定用户对这个对象的情感分类为中性情感)。其中，用户在使用短视频应用程序一个接一个地浏览短视频的过程中，如果几乎浏览每一个短视频都会对短视频点踩，对短视频点踩往往说明不喜欢短视频。而之后在用户浏览一个短视频时如果未对该一个短视频点踩，结合用户的习惯来看，用户往往是对该一个短视频比较喜欢(因为按照用户习惯若用户不喜欢则会点踩)，“未对该一个短
视频点踩”可以看作是一个正向情感的隐式反馈。但是，单独根据“用户未对该一个短视频点踩”往往会将用户对该一个短视频的情感分类确定为中性情感，这就与用户对该一个短视频比较喜欢的正向情感不相符，导致获取的用户对当前对象的情感分类不准确。
79.再例如，“点赞”这一操控行为的基础情感分类为正向情感(如果用户对一个对象点赞，则说明用户喜欢这个对象，如果用户未对这一个对象点赞，则不说明用户不喜欢这个对象也不说明用户喜欢这个对象，仅根据“用户未对这一个对象点赞”的状态且往往无法确定出用户是不喜欢这个对象还是喜欢这个对象，从而往往是确定用户对这个对象的情感分类为中性情感)。其中，用户在使用短视频应用程序一个接一个地浏览短视频的过程中，如果几乎浏览每一个短视频都会对短视频点赞，对短视频点赞往往说明喜欢短视频。而之后在用户浏览一个短视频时如果未对该一个短视频点赞，结合用户的习惯来看，用户往往是对该一个短视频不喜欢(因为按照用户习惯若用户喜欢则会点赞)，“未对该一个短视频点赞”可以看作是一个负向情感的隐式反馈。但是，单独根据“用户未对该一个短视频点赞”往往会将用户对该一个短视频的情感分类确定为中性情感，这就与用户对该一个短视频比较喜欢的正向情感不相符，导致获取的用户对当前对象的情感分类不准确。
80.其次，用户在历史过程中对历史对象的历史操控行为数据可以体现用户在历史过程中的历史行为习惯，用户对当前对象的当前操控行为数据可以体现用户当前的一个操控状态。
81.若当前的操控状态与用户在历史过程中的历史行为习惯之间相差较大，则用户对当前对象的当前操控行为数据能够体现的用户对当前对象的情感分类往往是负向情感或正向情感。
82.鉴于此，在本技术中，在用户操控当前对象的情况下，针对当前对象支持的各个操控类型的操控行为，获取用户对当前对象的当前操控行为数据，用户对当前对象的当前操控行为数据包括用户对当前对象实际执行的操控行为的操控类型以及未执行操控行为的操控类型。对于用户在历史过程中操控过的各个历史对象，针对历史对象支持的各个操控类型的操控行为，获取用户对历史对象的历史操控行为数据，用户对历史对象的历史操控行为数据包括用户对历史对象实际执行的操控行为的操控类型以及未执行操控行为的操控类型。根据用户对当前对象的当前操控行为数据以及用户对历史对象的历史操控行为数据，获取用户对当前对象的情感分类。
83.通过本技术，以用户在历史过程中对历史对象的历史操控行为数据为基准，也即以用户在历史过程中的历史行为习惯为基准，结合用户对当前对象的当前操控行为数据获取用户对当前对象的情感分类，从而可以针对用户的实际情况(例如行为习惯等)来获取的用户对当前对象的情感分类，进而可以提高获取的用户对当前对象的情感分类准确性。
附图说明
84.图1是本技术的一种数据处理方法的步骤流程图。
85.图2是本技术的一种数据处理方法的步骤流程图。
86.图3是本技术的一种数据处理方法的步骤流程图。
87.图4是本技术的一种数据处理方法的步骤流程图。
88.图5是本技术的一种数据处理装置的结构框图。
89.图6是本技术的一种电子设备的框图。
90.图7是本技术的一种电子设备的框图。
具体实施方式
91.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。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。
92.参照图1，示出了本技术的一种数据处理方法的步骤流程图，该方法应用于终端，该方法具体可以包括如下步骤：
93.在步骤s101中，在用户操控当前对象的情况下，针对当前对象支持的各个操控类型的操控行为，获取用户对当前对象的当前操控行为数据，用户对当前对象的当前操控行为数据包括用户对当前对象实际执行的操控行为的操控类型以及未执行操控行为的操控类型。
94.当前对象支持的操控行为包括：多个不同的持续时长的浏览(例如短时长浏览、中时长浏览以及长时长浏览等，多个不同的时长可以根据实际情况而定，例如0～20秒、20秒～40秒以及40秒～60秒等)、点赞、点踩、举报、投诉、分享、收藏、加入购物车、购买、报名、下载以及转发等，这些操控行为均为不同操控类型的操控行为。
95.用户对当前对象的当前操控行为数据包括：用户对当前对象支持的各个操控类型的操控行为是否执行了操控行为。
96.例如，用户对当前对象执行了其中一个持续时长的浏览行为、没执行点赞行为、没执行点踩行为、没执行举报行为、没执行投诉行为、没执行分享行为、没执行收藏行为、没执行加入购物车行为、没执行购买行为、没执行报名行为、没执行下载行为以及没执行转发行为等。
97.其中，用户对当前对象的当前操控行为数据可以是在用户操控当前对象的情况下实时统计的。
98.其中，在用户浏览当前对象的过程中，在当前对象支持的各个操控类型的操控行为中，如果用户对当前对象未执行某一操控类型的操控行为，则“未执行某一操控类型的操控行为”可以看作用户对当前对象的隐式反馈。
99.或者，在用户浏览当前对象的过程中，用户对当前对象未执行的操控类型的操控行为可以看作用户对当前对象的隐式反馈。
100.在步骤s102中，对于用户在历史过程中操控过的各个历史对象，针对历史对象支持的各个操控类型的操控行为，获取用户对历史对象的历史操控行为数据，用户对历史对象的历史操控行为数据包括用户对历史对象实际执行的操控行为的操控类型以及未执行操控行为的操控类型。
101.每当用户在历史过程中操控历史对象，则会自动记录用户对历史对象的历史操控行为数据，因此，可以根据记录的内容获取用户对历史对象的历史操控行为数据。
102.用户在历史过程中操控过的各个历史对象可以包括：在距离当前时刻较近的时段内用户操控过的各个历史对象等，以提高时效性。
103.历史对象支持的操控行为包括：多个不同的持续时长的浏览(例如短时长浏览、中时长浏览以及长时长浏览等，多个不同的时长可以根据实际情况而定，例如0～20秒、20秒～40秒以及40秒～60秒等)、点赞、点踩、举报、投诉、分享、收藏、加入购物车、购买、报名、下载以及转发等，这些操控行为均为不同操控类型的操控行为。
104.用户对历史对象的历史操控行为数据包括：用户对历史对象支持的各个操控类型的操控行为是否执行了操控行为。
105.例如，用户对历史对象执行了其中一个持续时长的浏览行为、没执行点赞行为、没执行点踩行为、没执行举报行为、没执行投诉行为、没执行分享行为、没执行收藏行为、没执行加入购物车行为、没执行购买行为、没执行报名行为、没执行下载行为以及没执行转发行为等。
106.在步骤s103中，根据用户对当前对象的当前操控行为数据以及用户对历史对象的历史操控行为数据，获取用户对当前对象的情感分类。
107.情感分类包括正向情感、中性情感以及负向情感等。
108.其中，在用户对当前对象的情感分类为正向情感的情况下，用户对当前对象往往是喜欢的。在用户对当前对象的情感分类为负向情感的情况下，用户对当前对象往往是厌恶的。在用户对当前对象的情感分类为中性情感的情况下，用户对当前对象往往是不明确喜欢也不明确厌恶的。
109.当然，进一步地，还可以划分更细粒度的情感分类等。
110.例如，划分多个不同级别的正向情感，高级别的正向情感体现的喜欢程度高于低级别的正向情感体现的喜欢程度。
111.再例如，划分多个不同级别的负向情感，高级别的负向情感体现的厌恶程度高于低级别的负向情感体现的厌恶程度。
112.其中，本步骤具体可以参见之后图2或图3所示的实施例，在此不做详述。
113.经过发明人的分析得出：仅根据用户对当前对象执行的操控行为来判别用户对当前对象的情感分类，也即，使用用户对当前对象执行的操控行为绝对性地来判别用户对当前对象的情感分类，则很可能导致获取的用户对当前对象的情感分类不准确。
114.例如，“点踩”这一操控行为的基础情感分类为负向情感(如果用户对一个对象点踩，则说明用户不喜欢这个对象，如果用户未对这一个对象点踩，则不说明用户喜欢这个对象也不说明用户不喜欢这个对象，仅根据“用户未对这一个对象点踩”的状态且往往无法确定出用户是喜欢这个对象还是不喜欢这个对象，从而往往是确定用户对这个对象的情感分类为中性情感)。其中，用户在使用短视频应用程序一个接一个地浏览短视频的过程中，如果几乎浏览每一个短视频都会对短视频点踩，对短视频点踩往往说明不喜欢短视频。而之后在用户浏览一个短视频时如果未对该一个短视频点踩，结合用户的习惯来看，用户往往是对该一个短视频比较喜欢(因为按照用户习惯若用户不喜欢则会点踩)，“未对该一个短视频点踩”可以看作是一个正向情感的隐式反馈。但是，单独根据“用户未对该一个短视频点踩”往往会将用户对该一个短视频的情感分类确定为中性情感，这就与用户对该一个短视频比较喜欢的正向情感不相符，导致获取的用户对当前对象的情感分类不准确。
115.再例如，“点赞”这一操控行为的基础情感分类为正向情感(如果用户对一个对象点赞，则说明用户喜欢这个对象，如果用户未对这一个对象点赞，则不说明用户不喜欢这个
对象也不说明用户喜欢这个对象，仅根据“用户未对这一个对象点赞”的状态且往往无法确定出用户是不喜欢这个对象还是喜欢这个对象，从而往往是确定用户对这个对象的情感分类为中性情感)。其中，用户在使用短视频应用程序一个接一个地浏览短视频的过程中，如果几乎浏览每一个短视频都会对短视频点赞，对短视频点赞往往说明喜欢短视频。而之后在用户浏览一个短视频时如果未对该一个短视频点赞，结合用户的习惯来看，用户往往是对该一个短视频不喜欢(因为按照用户习惯若用户喜欢则会点赞)，“未对该一个短视频点赞”可以看作是一个负向情感的隐式反馈。但是，单独根据“用户未对该一个短视频点赞”往往会将用户对该一个短视频的情感分类确定为中性情感，这就与用户对该一个短视频比较喜欢的正向情感不相符，导致获取的用户对当前对象的情感分类不准确。
116.其次，用户在历史过程中对历史对象的历史操控行为数据可以体现用户在历史过程中的历史行为习惯，用户对当前对象的当前操控行为数据可以体现用户当前的一个操控状态。
117.若当前的操控状态与用户在历史过程中的历史行为习惯之间相差较大，则用户对当前对象的当前操控行为数据能够体现的用户对当前对象的情感分类往往是负向情感或正向情感。
118.鉴于此，在本技术中，在用户操控当前对象的情况下，针对当前对象支持的各个操控类型的操控行为，获取用户对当前对象的当前操控行为数据，用户对当前对象的当前操控行为数据包括用户对当前对象实际执行的操控行为的操控类型以及未执行操控行为的操控类型。对于用户在历史过程中操控过的各个历史对象，针对历史对象支持的各个操控类型的操控行为，获取用户对历史对象的历史操控行为数据，用户对历史对象的历史操控行为数据包括用户对历史对象实际执行的操控行为的操控类型以及未执行操控行为的操控类型。根据用户对当前对象的当前操控行为数据以及用户对历史对象的历史操控行为数据，获取用户对当前对象的情感分类。
119.通过本技术，以用户在历史过程中对历史对象的历史操控行为数据为基准，也即以用户在历史过程中的历史行为习惯为基准，结合用户对当前对象的当前操控行为数据获取用户对当前对象的情感分类，从而可以针对用户的实际情况(例如行为习惯等)来获取的用户对当前对象的情感分类，进而可以提高获取的用户对当前对象的情感分类准确性。
120.在本技术一个实施例中，参见图2，步骤s103包括：
121.在步骤s201中，获取情感分类获取模型，情感分类获取模型是根据多个训练数据集训练得到的，训练数据集包括：样本用户对第一样本对象的第一样本操控行为数据、样本用户对第二样本对象的第二样本操控行为数据以及样本用户对第二样本对象的标注情感分类。
122.其中，事先可以训练情感分类获取模型。
123.例如，可以获取多个训练数据集，训练数据集包括：样本用户对第一样本对象的第一样本操控行为数据、样本用户对第二样本对象的第二样本操控行为数据以及样本用户对第二样本对象的标注情感分类。
124.样本用户对第一样本对象的第一样本操控行为数据包括：样本用户对第一样本对象实际执行的操控行为的操控类型以及未执行操控行为的操控类型。
125.样本用户对第二样本对象的第二样本操控行为数据包括：样本用户对第二样本对
象实际执行的操控行为的操控类型以及未执行操控行为的操控类型。
126.然后可以使用多个训练数据集对模型训练，直至模型中参数收敛，从而得到情感分类获取模型。
127.模型包括卷积神经网络或循环神经网络等。
128.训练得到的情感分类获取模型可以部署在终端中，如此，终端可以直接获取在终端中部署的情感分类获取模型，然后可以执行步骤s202。
129.在步骤s202中，向情感分类获取模型中输入用户对当前对象的当前操控行为数据以及用户对历史对象的历史操控行为数据，以使情感分类获取模型对用户对当前对象的当前操控行为数据以及用户对历史对象的历史操控行为数据处理，得到用户对当前对象的情感分类，并输出用户对当前对象的情感分类。
130.在步骤s203中，获取情感分类获取模型输出的用户对当前对象的情感分类。
131.进一步地，在本技术一个实施例中，事先可以训练多个情感分类获取模型，一个情感分类获取模型适用于一部分用户，不同情感分类获取模型适用的用户可以不重叠。
132.如此，在获取情感分类获取模型时，可以根据用户对历史对象的历史操控行为数据，在已训练的多个情感分类获取模型中获取适用于用户的情感分类获取模型。
133.如此，在根据用户对当前对象的当前操控行为数据以及用户对历史对象的历史操控行为数据，获取用户对当前对象的情感分类时，可以使用适用于用户的情感分类获取模型，而不是使用公用的情感分类获取模型，从而可以进一步地提高获取用户对当前对象的情感分类的准确性。
134.其中，在根据用户对历史对象的历史操控行为数据，在已训练的多个情感分类获取模型中获取适用于用户的情感分类获取模型时，可以根据用户对历史对象的历史操控行为数据，在多个用户集中确定用户所属的用户集，然后在分别适用于各个用户集的情感分类获取模型中，选择适用于用户所属的用户集的情感分类获取模型。
135.其中，不同的用户集适用的情感分类获取模型不同。
136.其中，一个用户集中的各个用户分别对历史对象的历史操控行为数据相似，不同用户集中的用户对历史对象的历史操控行为数据不相似。
137.如此，可以通过如下方式来根据用户对历史对象的历史操控行为数据，在多个用户集中确定用户所属的用户集。
138.例如，对于任意一个用户集，获取该用户集中的各个用户分别对历史对象的历史操控行为数据的统计数据。例如，获取该用户集中的各个用户分别对历史对象执行各个操控类型的操控操作的执行次数，然后将执行的各个操控类型的操控操作的执行次数求和，得到执行总次数，计算执行的各个操控类型的操控操作的执行次数分别与执行总次数之间的比值，得到该用户集的各个操控类型的操控操作的执行比例，统计数据能够体现该用户集中的各个用户分别对历史对象的操控特点(历史行为习惯等)等。
139.对于其他每一个用户集，同样如此。
140.然后可以获取用户对历史对象的历史操控行为数据的统计数据。例如，获取用户对历史对象执行各个操控类型的操控操作的执行次数，然后将执行的各个操控类型的操控操作的执行次数求和，得到执行总次数，计算执行各个操控类型的操控操作的执行次数分别与执行总次数之间的比值，得到用户的各个操控类型的操控操作的执行比例，统计数据
能够体现用户对历史对象的操控特点(历史行为习惯等)等。
141.之后可以计算用户的统计数据分别与各个用户集的统计数据之间的相似度。例如，对于任意一个用户集，对于任意一个操控类型，可以计算用户的该操控类型的操控操作的执行比例与该用户集的该操控类型的操控操作的执行比例之间的差值的平方，得到该操控类型对应的平方，对于其他每一个操控类型，同样如此。然后计算各个操控类型对应的平方的和值的开方，作为用户的统计数据与该用户集的统计数据之间的相似度。对于其他每一个用户集，同样如此。
142.再可以将统计数据与用户的统计数据之间的相似度最高的用户集作为用户所属的用户集。
143.在本技术另一实施例中，适用于不同的用户集的情感分类获取模型的训练方式，包括：
144.针对第一样本对象支持的各个操控类型的操控行为，获取多个样本用户中的各个样本用户分别对第一样本对象的第一样本操控行为数据。第一样本操控行为数据包括样本用户对第一样本对象实际执行的操控行为的操控类型以及未执行操控行为的操控类型。
145.根据各个样本用户分别对第一样本对象的第一样本操控行为数据，将多个样本用户分类，得到至少两个样本用户集。
146.例如，可以根据各个样本用户分别对第一样本对象的第一样本操控行为数据按照当前已经存在的方式(例如k临近算法等)对多个样本用户分类，不同的样本用户集中的样本用户不重合。
147.其中，一个样本用户集中的各个用户分别对历史对象的历史操控行为数据相似。不同样本用户集中的用户对历史对象的历史操控行为数据不相似。
148.对于任意一个样本用户集，可以通过如下方式得到适用于该样本用户集的情感分类获取模型，对于其他每一个样本用户集，同样如此。
149.对于该样本用户集中的任意一个第一样本用户，针对第二样本对象支持的各个操控类型的操控行为，获取该第一样本用户对第二样本对象的第二样本操控行为数据，第二样本操控行为数据包括第一样本用户对第二样本对象实际执行的操控行为的操控类型以及未执行操控行为的操控类型，以及，获取该第一样本用户对第二样本对象的标注情感分类。将该第一样本用户对第一样本对象的第一样本操控行为数据、该第一样本用户对第二样本对象的第二样本操控行为数据以及该第一样本用户对第二样本对象的标注情感分类组合为该第一样本用户的训练数据集。对于其该样本用户集的每一个样本用户，同样如此，从得到该样本用户集中的各个样本用户的训练数据集。
150.根据该样本用户集中的各个第一样本用户的训练数据集对模型训练，直至模型中的参数收敛，从而得到适用于该样本用户集的情感分类获取模型。
151.其中，模型包括卷积神经网络或循环神经网络等。
152.在本技术一个实施例中，参见图3，步骤s103包括：
153.在步骤s301中，对于当前对象支持的任意一个操控类型的操控行为，根据用户对当前对象的当前操控行为数据确定用户对当前对象关于该操控类型的操控行为的当前执行情况，以及，根据用户对历史对象的历史操控行为数据确定用户对历史对象关于该操控类型的操控行为的历史执行情况，根据当前执行情况与历史执行情况获取用户对当前对象
关于该操控类型的操控行为的情感分值。
154.用户对当前对象关于该操控类型的操控行为的当前执行情况包括：用户对当前对象执行了关于该操控类型的操控行为还是未执行关于该操控类型的操控行为。
155.用户对历史对象关于该操控类型的操控行为的历史执行情况包括：用户对历史对象执行了关于该操控类型的操控行为还是未执行关于该操控类型的操控行为。
156.根据当前执行情况与历史执行情况获取用户对当前对象关于该操控类型的操控行为的情感分值的具体获取方式可以参见之后如图4所示的实施例，在此不做详述。
157.在步骤s302中，根据用户对当前对象分别关于各个操控类型的操控行为的情感分值，获取用户对当前对象的情感分类。
158.在本步骤中，可以将用户对当前对象分别关于各个操控类型的操控行为的情感分值加权求和，得到用户对当前对象的情感总值，然后可以根据用户对当前对象的情感总值获取用户对当前对象的情感分类。
159.例如，在用户对当前对象的情感总值大于预设情感阈值的情况下，确定用户对当前对象的情感分类为正向情感。或者，在用户对当前对象的情感总值等于预设情感阈值的情况下，确定用户对当前对象的情感分类为中性情感。或者，在用户对当前对象的情感总值小于预设情感阈值的情况下，确定用户对当前对象的情感分类为负向情感。
160.其中，预设情感阈值可以根据实际情况而定，本技术对此不加以限定。
161.在本技术一个实施例中，参见图4，步骤s301包括：
162.在步骤s401中，获取该操控类型的操控行为的基础情感分类。
163.在本技术中，当前对象支持的操控行为中的每一个操控类型的操控行为都具有各自的基础情感分类，基础情感分类包括正向情感以及负向情感等。
164.例如，点赞的基础情感分类为正向情感，点踩的基础情感分类为负向情感，举报的基础情感分类为负向情感，投诉的基础情感分类为负向情感，分享的基础情感分类为正向情感，收藏的基础情感分类为正向情感，加入购物车的基础情感分类为正向情感，购买的基础情感分类为正向情感，报名的基础情感分类为正向情感，下载的基础情感分类为正向情感以及转发的基础情感分类为正向情感等。
165.当前对象支持的操控行为中的每一个操控类型的操控行为的基础情感分类可以是事先人工根据经验以及实际情况设置的。
166.在步骤s402中，根据历史执行情况统计用户对历史对象是否具有执行该操控类型的操控行为的执行倾向的统计结果，以及，根据当前执行情况确定用户对当前对象是否执行了该操控类型的操控行为的执行结果。
167.其中，在根据历史执行情况统计用户对历史对象是否具有执行该操控类型的操控行为的执行倾向的统计结果时，可以通过如下流程实现，包括：
168.4021、获取用户在历史过程中操控过的历史对象的历史数量。以及，获取用户在历史过程中操控历史对象的过程中对历史对象执行该操控类型的操控行为的执行次数。
169.4021、根据历史数量以及该执行次数统计用户对历史对象是否具有执行该操控类型的操控行为的执行倾向的统计结果。
170.例如，可以计算该执行次数与历史数量之间的比值。在该比值大于或等于预设比值的情况下，确定用户对历史对象具有执行该操控类型的操控行为的执行倾向。或者，在该
比值小于预设比值的情况下，确定用户对历史对象不具有执行该操控类型的操控行为的执行倾向。
171.预设比值可以根据实际情况而定，本技术对此不加以限定。
172.在步骤s403中，根据该操控类型的操控行为的基础情感分类、统计结果以及执行结果，获取用户对当前对象关于该操控类型的操控行为的情感分值。
173.在一个例子中，在该操控类型的操控行为的基础情感分类为正向情感的情况下，如果统计结果用于指示用户对历史对象具有执行该操控类型的操控行为的执行倾向，且执行结果用于指示用户对当前对象未执行该操控类型的操控行为，则将用户对当前对象关于该操控类型的操控行为的情感分值设置为第一负向情感分值。
174.或者，在该操控类型的操控行为的基础情感分类为正向情感的情况下，如果统计结果用于指示用户对历史对象具有执行该操控类型的操控行为的执行倾向，且执行结果用于指示用户对当前对象执行了该操控类型的操控行为，则将用户对当前对象关于该操控类型的操控行为的情感分值设置为中性情感分值。中性情感分值大于第一负向情感分值。
175.或者，在该操控类型的操控行为的基础情感分类为正向情感的情况下，如果统计结果用于指示用户对历史对象不具有执行该操控类型的操控行为的执行倾向，且执行结果用于指示用户对当前对象未执行该操控类型的操控行为，则将用户对当前对象关于该操控类型的操控行为的情感分值设置为中性情感分值。
176.或者，在该操控类型的操控行为的基础情感分类为正向情感的情况下，如果统计结果用于指示用户对历史对象不具有执行该操控类型的操控行为的执行倾向，且执行结果用于指示用户对当前对象执行了该操控类型的操控行为，则将用户对当前对象关于该操控类型的操控行为的情感分值设置为第一正向情感分值。第一正向情感分值大于中性情感分值。
177.或者，在该操控类型的操控行为的基础情感分类为负向情感的情况下，如果统计结果用于指示用户对历史对象具有执行该操控类型的操控行为的执行倾向，且执行结果用于指示用户对当前对象未执行该操控类型的操控行为，则将用户对当前对象关于该操控类型的操控行为的情感分值设置为第二正向情感分值。
178.或者，在该操控类型的操控行为的基础情感分类为负向情感的情况下，如果统计结果用于指示用户对历史对象具有执行该操控类型的操控行为的执行倾向，且执行结果用于指示用户对当前对象执行了该操控类型的操控行为，则将用户对当前对象关于该操控类型的操控行为的情感分值设置为中性情感分值。中性情感分值小于第二正向情感分值。
179.或者，在该操控类型的操控行为的基础情感分类为负向情感的情况下，如果统计结果用于指示用户对历史对象不具有执行该操控类型的操控行为的执行倾向，且执行结果用于指示用户对当前对象未执行该操控类型的操控行为，则将用户对当前对象关于该操控类型的操控行为的情感分值设置为中性情感分值。
180.或者，在该操控类型的操控行为的基础情感分类为负向情感的情况下，如果统计结果用于指示用户对历史对象不具有执行该操控类型的操控行为的执行倾向，且执行结果用于指示用户对当前对象执行了该操控类型的操控行为，则将用户对当前对象关于该操控类型的操控行为的情感分值设置为第二负向情感分值。第二负向情感分值小于中性情感分值。
181.如此，事先可以设置操控行为的基础情感分类、执行操控行为的执行倾向的统计结果、执行操控行为的执行结果以及用户关于操控行为的情感分值四者之间的对应关系，该对应关系中包括不同的操控行为的基础情感分类、不同执行操控行为的执行倾向的统计结果、不同的执行操控行为的执行结果以及用户关于不同的操控行为的情感分值的对应表项，如此，可以在操控行为的基础情感分类、执行操控行为的执行倾向的统计结果、执行操控行为的执行结果以及用户关于操控行为的情感分值四者之间的对应关系中，查找与该操控类型的操控行为的基础情感分类、统计结果以及执行结果同时相对应的用户关于操控行为的情感分值，并作为用户对当前对象关于该操控类型的操控行为的情感分值。
182.需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本技术并不受所描述的动作顺序的限制，因为依据本技术，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于可选实施例，所涉及的动作并不一定是本技术所必须的。
183.参照图5，示出了本技术的一种数据处理装置的结构框图，应用于终端，所述装置包括：
184.第一获取模块11，用于在用户操控当前对象的情况下，针对所述当前对象支持的各个操控类型的操控行为，获取所述用户对所述当前对象的当前操控行为数据，所述当前操控行为数据包括所述用户对所述当前对象实际执行的操控行为的操控类型以及未执行操控行为的操控类型；
185.第二获取模块12，用于对于所述用户在历史过程中操控过的各个历史对象，针对所述历史对象支持的各个操控类型的操控行为，获取所述用户对所述历史对象的历史操控行为数据，所述历史操控行为数据包括所述用户对所述历史对象实际执行的操控行为的操控类型以及未执行操控行为的操控类型；
186.第三获取模块13，用于根据所述当前操控行为数据以及所述历史操控行为数据，获取所述用户对所述当前对象的情感分类。
187.在一个可选的实现方式中，所述第三获取模块包括：
188.第一获取单元，用于获取情感分类获取模型，所述情感分类获取模型是根据多个训练数据集训练得到的，训练数据集包括：样本用户对第一样本对象的第一样本操控行为数据、所述样本用户对第二样本对象的第二样本操控行为数据以及所述样本用户对所述第二样本对象的标注情感分类；
189.输入单元，用于向所述情感分类获取模型中输入所述当前操控行为数据以及所述历史操控行为数据，以使所述情感分类获取模型对所述当前操控行为数据以及所述历史操控行为数据处理，得到所述用户对所述当前对象的情感分类，并输出所述用户对所述当前对象的情感分类；
190.第二获取单元，用于获取所述情感分类获取模型输出的所述用户对所述当前对象的情感分类。
191.在一个可选的实现方式中，所述第一获取单元包括：
192.第一获取子单元，用于根据所述历史操控行为数据，在已训练的多个情感分类获取模型中获取适用于所述用户的情感分类获取模型。
193.在一个可选的实现方式中，所述第一获取子单元具体用于：根据所述历史操控行
为数据，在多个用户集中确定所述用户所属的用户集；在分别适用于各个用户集的情感分类获取模型中，选择适用于所述用户所属的用户集的情感分类获取模型。
194.在一个可选的实现方式中，所述第三获取模块包括：
195.第一确定单元，用于对于所述当前对象支持的任意一个操控类型的操控行为，根据所述当前操控行为数据确定所述用户对所述当前对象关于所述操控类型的操控行为的当前执行情况，以及，第二确定单元，用于根据所述历史操控行为数据确定所述用户对所述历史对象关于所述操控类型的操控行为的历史执行情况，第三获取单元，用于根据所述当前执行情况与所述历史执行情况获取所述用户对所述当前对象关于所述操控类型的操控行为的情感分值；
196.第四获取单元，用于根据所述用户对所述当前对象分别关于各个操控类型的操控行为的情感分值，获取所述用户对所述当前对象的情感分类。
197.在一个可选的实现方式中，所述第三获取单元包括：
198.第二获取子单元，用于获取所述操控类型的操控行为的基础情感分类；
199.统计子单元，用于根据所述历史执行情况统计所述用户对所述历史对象是否具有执行所述操控类型的操控行为的执行倾向的统计结果，以及，确定子单元，用于根据所述当前执行情况确定所述用户对所述当前对象是否执行了所述操控类型的操控行为的执行结果；
200.第三获取子单元，用于根据所述操控类型的操控行为的基础情感分类、所述统计结果以及所述执行结果，获取所述用户对所述当前对象关于所述操控类型的操控行为的情感分值。
201.在一个可选的实现方式中，所述统计子单元具体用于：获取所述用户在历史过程中操控过的历史对象的历史数量，以及，获取所述用户在历史过程中操控历史对象的过程中对历史对象执行所述操控类型的操控行为的执行次数；根据所述历史数量以及所述执行次数统计所述用户对所述历史对象是否具有执行所述操控类型的操控行为的执行倾向的统计结果。
202.在一个可选的实现方式中，所述统计子单元具体用于：计算所述执行次数与所述历史数量之间的比值；在所述比值大于或等于预设比值的情况下，确定所述用户对所述历史对象具有执行所述操控类型的操控行为的执行倾向；或者，在所述比值小于预设比值的情况下，确定所述用户对所述历史对象不具有执行所述操控类型的操控行为的执行倾向。
203.在一个可选的实现方式中，所述第三获取子单元具体用于：在操控行为的基础情感分类、执行操控行为的执行倾向的统计结果、执行操控行为的执行结果以及用户关于操控行为的情感分值四者之间的对应关系中，查找与所述操控类型的操控行为的基础情感分类、所述统计结果以及所述执行结果同时相对应的用户关于操控行为的情感分值，并作为所述用户对所述当前对象关于所述操控类型的操控行为的情感分值。
204.在一个可选的实现方式中，所述第四获取单元包括：
205.求和子单元，用于将所述用户对所述当前对象分别关于各个操控类型的操控行为的情感分值加权求和，得到所述用户对所述当前对象的情感总值；
206.第四获取子单元，用于根据所述用户对所述当前对象的情感总值获取所述用户对所述当前对象的情感分类。
207.在一个可选的实现方式中，所述第四获取子单元具体用于：在所述用户对所述当前对象的情感总值大于预设情感阈值的情况下，确定所述用户对所述当前对象的情感分类为正向情感；或者，在所述用户对所述当前对象的情感总值等于预设情感阈值的情况下，确定所述用户对所述当前对象的情感分类为中性情感；或者，在所述用户对所述当前对象的情感总值小于预设情感阈值的情况下，确定所述用户对所述当前对象的情感分类为负向情感。
208.经过发明人的分析得出：仅根据用户对当前对象执行的操控行为来判别用户对当前对象的情感分类，也即，使用用户对当前对象执行的操控行为绝对性地来判别用户对当前对象的情感分类，则很可能导致获取的用户对当前对象的情感分类不准确。
209.例如，“点踩”这一操控行为的基础情感分类为负向情感(如果用户对一个对象点踩，则说明用户不喜欢这个对象，如果用户未对这一个对象点踩，则不说明用户喜欢这个对象也不说明用户不喜欢这个对象，仅根据“用户未对这一个对象点踩”的状态且往往无法确定出用户是喜欢这个对象还是不喜欢这个对象，从而往往是确定用户对这个对象的情感分类为中性情感)。其中，用户在使用短视频应用程序一个接一个地浏览短视频的过程中，如果几乎浏览每一个短视频都会对短视频点踩，对短视频点踩往往说明不喜欢短视频。而之后在用户浏览一个短视频时如果未对该一个短视频点踩，结合用户的习惯来看，用户往往是对该一个短视频比较喜欢(因为按照用户习惯若用户不喜欢则会点踩)，“未对该一个短视频点踩”可以看作是一个正向情感的隐式反馈。但是，单独根据“用户未对该一个短视频点踩”往往会将用户对该一个短视频的情感分类确定为中性情感，这就与用户对该一个短视频比较喜欢的正向情感不相符，导致获取的用户对当前对象的情感分类不准确。
210.再例如，“点赞”这一操控行为的基础情感分类为正向情感(如果用户对一个对象点赞，则说明用户喜欢这个对象，如果用户未对这一个对象点赞，则不说明用户不喜欢这个对象也不说明用户喜欢这个对象，仅根据“用户未对这一个对象点赞”的状态且往往无法确定出用户是不喜欢这个对象还是喜欢这个对象，从而往往是确定用户对这个对象的情感分类为中性情感)。其中，用户在使用短视频应用程序一个接一个地浏览短视频的过程中，如果几乎浏览每一个短视频都会对短视频点赞，对短视频点赞往往说明喜欢短视频。而之后在用户浏览一个短视频时如果未对该一个短视频点赞，结合用户的习惯来看，用户往往是对该一个短视频不喜欢(因为按照用户习惯若用户喜欢则会点赞)，“未对该一个短视频点赞”可以看作是一个负向情感的隐式反馈。但是，单独根据“用户未对该一个短视频点赞”往往会将用户对该一个短视频的情感分类确定为中性情感，这就与用户对该一个短视频比较喜欢的正向情感不相符，导致获取的用户对当前对象的情感分类不准确。
211.其次，用户在历史过程中对历史对象的历史操控行为数据可以体现用户在历史过程中的历史行为习惯，用户对当前对象的当前操控行为数据可以体现用户当前的一个操控状态。
212.若当前的操控状态与用户在历史过程中的历史行为习惯之间相差较大，则用户对当前对象的当前操控行为数据能够体现的用户对当前对象的情感分类往往是负向情感或正向情感。
213.鉴于此，在本技术中，在用户操控当前对象的情况下，针对当前对象支持的各个操控类型的操控行为，获取用户对当前对象的当前操控行为数据，用户对当前对象的当前操
控行为数据包括用户对当前对象实际执行的操控行为的操控类型以及未执行操控行为的操控类型。对于用户在历史过程中操控过的各个历史对象，针对历史对象支持的各个操控类型的操控行为，获取用户对历史对象的历史操控行为数据，用户对历史对象的历史操控行为数据包括用户对历史对象实际执行的操控行为的操控类型以及未执行操控行为的操控类型。根据用户对当前对象的当前操控行为数据以及用户对历史对象的历史操控行为数据，获取用户对当前对象的情感分类。
214.通过本技术，以用户在历史过程中对历史对象的历史操控行为数据为基准，也即以用户在历史过程中的历史行为习惯为基准，结合用户对当前对象的当前操控行为数据获取用户对当前对象的情感分类，从而可以针对用户的实际情况(例如行为习惯等)来获取的用户对当前对象的情感分类，进而可以提高获取的用户对当前对象的情感分类准确性。
215.对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
216.可选的，本发明实施例还提供了一种电子设备，包括：处理器，存储器，存储在存储器上并可在处理器上运行的计算机程序，该计算机程序被处理器执行时实现上述数据处理方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
217.本发明实施例还提供了一种计算机可读存储介质，计算机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数据处理方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。其中，所述的计算机可读存储介质，如只读存储器(read-only memory，简称rom)、随机存取存储器(random access memory，简称ram)、磁碟或者光盘等。
218.图6是本技术示出的一种电子设备800的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。
219.参照图6，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电力组件806，多媒体组件808，音频组件810，输入/输出(i/o)的接口812，传感器组件814，以及通信组件816。
220.处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
221.存储器804被配置为存储各种类型的数据以支持在设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图像，视频等。存储器804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，如静态随机存取存储器(sram)，电可擦除可编程只读存储器(eeprom)，可擦除可编程只读存储器(eprom)，可编程只读存储器(prom)，只读存储器(rom)，磁存储器，快闪存储器，磁盘或光盘。
222.电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。
223.多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(lcd)和触摸面板(tp)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
224.音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(mic)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收到的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
225.i/o接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
226.传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如cmos或ccd图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
227.通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如wifi，运营商网络(如2g、3g、4g或5g)，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播操作信息。在一个示例性实施例中，所述通信组件816还包括近场通信(nfc)模块，以促进短程通信。例如，在nfc模块可基于射频识别(rfid)技术，红外数据协会(irda)技术，超宽带(uwb)技术，蓝牙(bt)技术和其他技术来实现。
228.在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(asic)、数字信号处理器(dsp)、数字信号处理设备(dspd)、可编程逻辑器件(pld)、现场可编程门阵列(fpga)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
229.在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器804，上述指令可由电子设备800的处理器820执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是rom、随机存取存储器(ram)、cd-rom、磁带、软盘和光数据存储设备等。
230.图7是本技术示出的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。
231.参照图7，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以
及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
232.电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(i/o)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如windows servertm，mac os xtm，unixtm,linuxtm，freebsdtm或类似。
233.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、物品或者装置不仅包括那些要素，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、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
234.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献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(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
235.上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本发明的保护之内。
236.本领域普通技术人员可以意识到，结合本发明实施例中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
237.所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
238.在本技术所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
239.所述作为分离部件说明的单元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单元来实现本实施例方案的目的。
240.另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
241.所述功能如果以软件功能单元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，本发明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，服务器，或者网络设备等)执行本发明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、rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。
242.以上所述，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。