1.一种基于多模态信息融合的评论有用性预测方法，其特征在于，所述方法包括：基于产品有用性评论多模态数据根据领域专家知识提取影响产品评论有用性的关键特征；基于所述关键特征获取领域知识混合视角的评论有用性度量结果，其中，所述关键特征包括评论中的主题复杂度、评论的主题一致性、情绪偏差、评论星级与情绪一致性、评论星级和评论文本一致性、图片和文本相似度、文本可读性以及图片复杂度；

基于产品有用性评论多模态数据获取不同单个视角的产品有用性评论度量结果；

基于证据推理规则，将所述领域知识混合视角的评论有用性度量结果、文本视角的产品有用性评论度量结果、图片视角的产品有用性评论度量结果，以及初始投票数视角的产品有用性评论度量结果进行融合，获取产品有用性评论的评估结果，包括：

1）将所述领域知识混合视角的评论有用性度量结果、文本视角的产品有用性评论度量结果、图片视角的产品有用性评论度量结果，以及初始投票数视角的产品有用性评论度量结果表示为证据 ,其中，i=1,…,4,为证据的个数；θ表示评论的有用性等级，1表示有用，2表示无用， 表示每个等级上的程度；

2）确定第i条证据的可靠性 和权重 ：假设第i个证据对应的评论有用性度量模型的不确定性表示为 ，第i个证据 自身的不确定性表示为 ，则第i个证据的可靠性为 ，其中α和β为0‑1之间的系数，每条证据的权重等于其对应的可靠性；

3）将带有可靠性与权重的证据进行融合：两条相互独立的证据合成结果为：其中， ， ,i=

1,…,4；

将所述评估结果按照有用性概率大小进行排序，获取产品有用性评论的最终评估结果。

2.如权利要求1所述的方法，其特征在于，所述产品有用性评论多模态数据包括评论文本数据、评论图片数据以及用户投票行为数据。

3.如权利要求2所述的方法，其特征在于，所述基于所述产品有用性评论多模态数据获取不同单个视角的产品有用性评论度量结果包括：基于自然语言处理技术和深度学习算法构建评论文本视角的评论有用性度量模型，利用所述评论文本视角的评论有用性度量模型和所述评论文本数据获取文本视角的产品有用性评论度量结果；

基于深度神经网络构建评论图片视角的评论有用性度量模型，利用所述评论图片视角的评论有用性度量模型和所述评论图片数据获取图片视角的产品有用性评论度量结果；

基于用户投票行为数据，预设评论投票数有用性阈值，将所述用户投票行为数据进行归一化以获取投票行为视角的产品有用性评论度量结果。

4.一种基于多模态信息融合的评论有用性预测系统，其特征在于，所述系统包括：混合视角的评论有用性度量结果获取模块，用于基于产品有用性评论多模态数据根据领域专家知识提取影响产品评论有用性的关键特征；基于所述关键特征获取领域知识混合视角的评论有用性度量结果，其中，所述关键特征包括评论中的主题复杂度、评论的主题一致性、情绪偏差、评论星级与情绪一致性、评论星级和评论文本一致性、图片和文本相似度、文本可读性以及图片复杂度；

单个视角的产品有用性评论度量结果获取模块，用于基于产品有用性评论多模态数据获取不同单个视角的产品有用性评论度量结果；

基于证据推理规则，将所述领域知识混合视角的评论有用性度量结果、文本视角的产品有用性评论度量结果、图片视角的产品有用性评论度量结果，以及初始投票数视角的产品有用性评论度量结果进行融合，获取产品有用性评论的评估结果，包括：

1）将所述领域知识混合视角的评论有用性度量结果、文本视角的产品有用性评论度量结果、图片视角的产品有用性评论度量结果，以及初始投票数视角的产品有用性评论度量结果表示为证据 ,其中，i=1,…,4,为证据的个数；θ表示评论的有用性等级，1表示有用，2表示无用， 表示每个等级上的程度；

2）确定第i条证据的可靠性 和权重 ：假设第i个证据对应的评论有用性度量模型的不确定性表示为 ，第i个证据 自身的不确定性表示为 ，则第i个证据的可靠性为 ，其中α和β为0‑1之间的系数，每条证据的权重等于其对应的可靠性；

3）将带有可靠性与权重的证据进行融合：两条相互独立的证据合成结果为：其中， ， ,i=

1,…,4；

将所述评估结果按照有用性概率大小进行排序，获取产品有用性评论的最终评估结果。

5.如权利要求4所述的系统，其特征在于，所述产品有用性评论多模态数据包括评论文本数据、评论图片数据以及用户投票行为数据。

6.如权利要求5所述的系统，其特征在于，所述单个视角的产品有用性评论度量结果获取模块基于所述产品有用性评论多模态数据获取不同单个视角的产品有用性评论度量结果包括：基于自然语言处理技术和深度学习算法构建评论文本视角的评论有用性度量模型，利用所述评论文本视角的评论有用性度量模型和所述评论文本数据获取文本视角的产品有用性评论度量结果；

基于深度神经网络构建评论图片视角的评论有用性度量模型，利用所述评论图片视角的评论有用性度量模型和所述评论图片数据获取图片视角的产品有用性评论度量结果；

基于用户投票行为数据，预设评论投票数有用性阈值，将所述用户投票行为数据进行归一化以获取投票行为视角的产品有用性评论度量结果。

7.一种计算机可读存储介质，其特征在于，其存储用于基于多模态信息融合的评论有用性预测的计算机程序，其中，所述计算机程序使得计算机执行如下步骤：基于产品有用性评论多模态数据根据领域专家知识提取影响产品评论有用性的关键特征；基于所述关键特征获取领域知识混合视角的评论有用性度量结果，其中，所述关键特征包括评论中的主题复杂度、评论的主题一致性、情绪偏差、评论星级与情绪一致性、评论星级和评论文本一致性、图片和文本相似度、文本可读性以及图片复杂度；

基于产品有用性评论多模态数据获取不同单个视角的产品有用性评论度量结果；

基于证据推理规则，将所述领域知识混合视角的评论有用性度量结果、文本视角的产品有用性评论度量结果、图片视角的产品有用性评论度量结果，以及初始投票数视角的产品有用性评论度量结果进行融合，获取产品有用性评论的评估结果，包括：

1）将所述领域知识混合视角的评论有用性度量结果、文本视角的产品有用性评论度量结果、图片视角的产品有用性评论度量结果，以及初始投票数视角的产品有用性评论度量结果表示为证据 ,其中，i=1,…,4,为证据的个数；θ表示评论的有用性等级，1表示有用，2表示无用， 表示每个等级上的程度；

2）确定第i条证据的可靠性 和权重 ：假设第i个证据对应的评论有用性度量模型的不确定性表示为 ，第i个证据 自身的不确定性表示为 ，则第i个证据的可靠性为 ，其中α和β为0‑1之间的系数，每条证据的权重等于其对应的可靠性；

3）将带有可靠性与权重的证据进行融合：两条相互独立的证据合成结果为：其中， ， ,i=

1,…,4；

将所述评估结果按照有用性概率大小进行排序，获取产品有用性评论的最终评估结果。

8.一种电子设备，其特征在于，包括：

一个或多个处理器；

存储器；以及

一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置成由所述一个或多个处理器执行，所述程序包括用于执行如下步骤：基于产品有用性评论多模态数据根据领域专家知识提取影响产品评论有用性的关键特征；基于所述关键特征获取领域知识混合视角的评论有用性度量结果，其中，所述关键特征包括评论中的主题复杂度、评论的主题一致性、情绪偏差、评论星级与情绪一致性、评论星级和评论文本一致性、图片和文本相似度、文本可读性以及图片复杂度；

基于产品有用性评论多模态数据获取不同单个视角的产品有用性评论度量结果；

基于证据推理规则，将所述领域知识混合视角的评论有用性度量结果、文本视角的产品有用性评论度量结果、图片视角的产品有用性评论度量结果，以及初始投票数视角的产品有用性评论度量结果进行融合，获取产品有用性评论的评估结果，包括：

1）将所述领域知识混合视角的评论有用性度量结果、文本视角的产品有用性评论度量结果、图片视角的产品有用性评论度量结果，以及初始投票数视角的产品有用性评论度量结果表示为证据 ,其中，i=1,…,4,为证据的个数；θ表示评论的有用性等级，1表示有用，2表示无用， 表示每个等级上的程度；

2）确定第i条证据的可靠性 和权重 ：假设第i个证据对应的评论有用性度量模型的不确定性表示为 ，第i个证据 自身的不确定性表示为 ，则第i个证据的可靠性为 ，其中α和β为0‑1之间的系数，每条证据的权重等于其对应的可靠性；

3）将带有可靠性与权重的证据进行融合：两条相互独立的证据合成结果为：其中， ， ,i=

1,…,4；

将所述评估结果按照有用性概率大小进行排序，获取产品有用性评论的最终评估结果。