CN109118029B

CN109118029B - 对象排序处理方法、装置、计算机设备和存储介质

Info

Publication number: CN109118029B
Application number: CN201710482284.6A
Authority: CN
Inventors: 廖好; 陆克中; 毛一帆
Original assignee: Tencent Technology Shenzhen Co Ltd; Shenzhen University
Current assignee: Tencent Technology Shenzhen Co Ltd; Shenzhen University
Priority date: 2017-06-22
Filing date: 2017-06-22
Publication date: 2022-02-18
Anticipated expiration: 2037-06-22
Also published as: CN109118029A

Abstract

本发明涉及一种对象排序处理方法、装置、计算机设备和存储介质，所述方法包括：确定各排序对象在相应评分的时间片内的评分热度；根据所述评分热度，确定各排序对象在所述时间片后预设时长内的预期评分热度；获取各排序对象在所述时间片后预设时长内的实际评分热度；根据所述实际评分热度和所述预期评分热度的比值，确定各排序对象在相应时间片的质量分；根据所述排序对象在各时间片的质量分，确定所述排序对象的总质量分；将各排序对象按照相应的总质量分进行排序。本申请的方案中，能够在一定程度上避免时间偏向效应，从而更准确的体现排序对象的品质，使得排序结果更加准确。

Description

对象排序处理方法、装置、计算机设备和存储介质

技术领域

本发明涉及计算机技术领域，特别是涉及一种对象排序处理方法、装置、计算机设备和存储介质。

背景技术

随着计算机技术和网络平台技术的飞速发展，一些公众平台应运而生。在一些平台中，经常会有各种各样的对象(比如有形或无形的商品)，如何从海量的对象中甄别出有品质保障的对象成为一个至关重要的问题。

传统方法中，是从评分维度进行分析处理，用户可以对对象设定一个评分值来评估该对象，然后系统获取评分数据后，采用对对象的平均评分分值作为对象排序依据，对对象进行排序。传统的这种根据对对象的平均评分分值进行对象排序的方法，准确率比较低。

发明内容

基于此，有必要针对目前根据对对象的平均评分分值进行对象排序导致排序准确率比较低的问题，提供一种对象排序处理方法、装置、计算机设备和存储介质。

一种对象排序处理方法，所述方法包括：

确定各排序对象在相应评分的时间片内的评分热度；

根据所述评分热度，确定各排序对象在所述时间片后预设时长内的预期评分热度；

获取各排序对象在所述时间片后预设时长内的实际评分热度；

根据所述实际评分热度和所述预期评分热度的比值，确定各排序对象在相应时间片的质量分；

根据所述排序对象在各时间片的质量分，确定所述排序对象的总质量分；

将各排序对象按照相应的总质量分进行排序。

一种对象排序处理装置，所述装置包括：

评分热度确定模块，用于确定各排序对象在相应评分的时间片内的评分热度；

所述评分热度确定模块还用于根据所述评分热度，确定各排序对象在所述时间片后预设时长内的预期评分热度；获取各排序对象在所述时间片后预设时长内的实际评分热度；

质量分确定模块，用于根据所述实际评分热度和所述预期评分热度的比值，确定各排序对象在相应时间片的质量分；

所述质量分确定模块还用于根据所述排序对象在各时间片的质量分，确定所述排序对象的总质量分；

排序模块，用于将各排序对象按照相应的总质量分进行排序。

一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行如下步骤：

确定各排序对象在相应评分的时间片内的评分热度；

将各排序对象按照相应的总质量分进行排序。

一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如下步骤：

确定各排序对象在相应评分的时间片内的评分热度；

将各排序对象按照相应的总质量分进行排序。

上述对象排序处理方法、装置、计算机设备和存储介质，在时间维度上对评分热度进行分析处理，通过各排序对象在相应时间片后预设时长内的预期评分热度，与实际评分热度的比值，得到各排序对象在该时间片内的质量分，该质量分可以反映排序对象在该时间片内能够被用户对象接受的程度，通过排序对象在该时间片内的质量分得到各排序对象的总质量分，能够一定程度上避免时间偏向效应，因而能够更准确的体现排序对象本身的品质，从而使得按照各排序对象的总质量分对各排序对象进行的排序更加的准确。

附图说明

图1为一个实施例中计算机设备的内部结构示意图；

图2为一个实施例中对象排序处理方法的流程示意图；

图3为一个实施例中信誉值确定步骤的流程示意图；

图4为一个实施例中表征用户对象与排序对象间关联关系的二分网络图；

图5为一个实施例中预期评分热度确定步骤的流程示意图；

图6为一个实施例中实际评分热度确定步骤的流程示意图；

图7为另一个实施例中对象排序处理方法的流程示意图；

图8为一个实施例中对象排序处理装置的结构框图；

图9为一个实施例中评分热度确定模块的结构框图；

图10为另一个实施例中评分热度确定模块的结构框图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

图1为一个实施例中计算机设备的内部结构示意图。该计算机设备可以是终端或者服务器。终端可以是个人计算机或者移动电子设备，移动电子设备包括手机、平板电脑、个人数字助理或者穿戴式设备等中的至少一种。服务器可以用独立的服务器或者是多个物理服务器组成的服务器集群来实现。参照图1，该计算机设备包括通过系统总线连接的处理器、非易失性存储介质、内存储器和网络接口。其中，该计算机设备的非易失性存储介质可存储操作系统和计算机可读指令，该计算机可读指令被执行时，可使得处理器执行一种对象排序处理方法。该计算机设备的处理器用于提供计算和控制能力，支撑整个计算机设备的运行。该内存储器中可储存有计算机可读指令，该计算机可读指令被处理器执行时，可使得处理器执行一种对象排序处理方法。计算机设备的网络接口用于进行网络通信。

本领域技术人员可以理解，图1中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

图2为一个实施例中对象排序处理方法的流程示意图。本实施例主要以该方法应用于上述图1中的计算机设备来举例说明。参照图2，该方法具体包括如下步骤：

S202，确定各排序对象在相应评分的时间片内的评分热度。

其中，排序对象，是要进行排序处理的对象，包括电影、音乐、书籍、好友、群组以及商品中的至少一种。评分的时间片，是用户对象对排序对象进行评分的时间片，比如，用户i对排序对象α在时间片t内进行评分，则该时间片t为该排序对象α的相应评分的时间片。用户对象，是对排序对象进行评分的用户。时间片的度量单位可以是天、小时或分钟等，对此不做限定。

评分热度，是用户对象对排序对象评分的热烈程度。可以理解，用户对象对排序对象的评分热度越高，则一定程度上可以说明排序对象的被关注程度越高。各排序对象在相应评分的时间片内的评分热度，是指每个排序对象自身在相应评分的时间片内的评分热度。

具体地，计算机设备可以确定要进行排序的各排序对象，以及确定与各排序对象分别对应的评分的时间片，并确定各排序对象在相应评分的时间片内的评分热度。

在一个实施例中，计算机设备中可以预先存储了排序对象、评分的时间片以及评分热度之间的对应关系，根据该对应关系，计算机设备可以查找所确定要进行排序的各排序对象在相应评分的时间片内的评分热度。

在另一个实施例中，计算机设备可以获取评分数据集，其中，评分数据集中包括各用户对象、各排序对象、各用户对象与各排序对象之间的评分关系以及相应评分的时间片等。计算机设备可以从评分数据集中确定各排序对象，并根据在评分数据集中相应评分的时间片内，各用户对象与各排序对象之间的评分关系，确定该评分数据集中的各排序对象在相应评分的时间片内的评分热度。

其中，各用户对象与各排序对象之间的评分关系，可以是各用户对象对各排序对象进行评分的评分值，也可以是各用户对象于各排序对象间评分的对应关系，可以理解，用户对象对排序对象进行评分了，该用户对象就与被评分的排序对象间存在评分的对应关系。

在一个实施例中，计算机设备还可以根据各排序对象在相应评分的时间片内与存在评分的对应关系的用户对象间的关联度，生成各排序对象在相应评分的时间片内的评分热度。其中，关联度，用于表征排序对象和用户对象间的关联关系。

在一个实施例中，计算机设备还可以根据各排序对象在相应评分的时间片内存在评分的对应关系的用户对象的信誉值，生成各排序对象在相应评分的时间片内的评分热度。其中，用户对象的信誉值，用于反映用户发现高质量或高品质的排序对象的能力。

S204，根据评分热度，确定各排序对象在该时间片后预设时长内的预期评分热度。

其中，预期评分热度，是估算的非真实的评分热度。预设时长，是预先设置的时间长度。在时间片后预设时长内，是在距该时间片预设时间长度内的时间段。比如，时间片为t₁，预设时长为Δt，则在时间片t₁后预设时长Δt内，是指大于t₁且小于等于t₁+Δt的时间段。各排序对象在该时间片后预设时长内的预期评分热度，是每个排序对象在该时间片后预设时长内的预期评分热度。

具体地，计算机设备可以根据各排序对象在相应评分的时间片内的评分热度作为参考，来预估出各排序对象在该时间片后预设时长内的预期评分热度。

在一个实施例中，计算机设备可以获取各排序对象的当前的相应评分的时间片(简称当前时间片)的前预设数量个时间片，根据各排序对象在当前时间片的前预设数量个时间片内的各评分热度，和在当前时间片内的评分热度，生成各排序对象的评分热度估算模型，根据该评分热度估算模型，确定各排序对象在该时间片后预设时长内的预期评分热度。可以理解，如果当前时间片为首位时间片，则可以根据预设的评分热度估算规则(比如，将预设评分热度翻倍或持平等估算规则)，来估算出该当前时间片后预设时长内的预期评分热度。

在另一个实施例中，计算机设备可以根据各排序对象在相应评分的时间片内的评分热度、各排序对象在该时间片内的总评分热度以及各排序对象在该时间片后预设时长内的总评分热度，确定各排序对象在时间片后预设时长内的预期评分热度。

其中，各排序对象在该时间片内的总评分热度，是每个排序对象在该时间片内的评分热度之和。各排序对象在该时间片后预设时长内的总评分热度，是每个排序对象在该时间片后预设时长内的评分热度之和。

S206，获取各排序对象在该时间片后预设时长内的实际评分热度。

其中，实际评分热度，是实际产生的真实的评分热度。

具体地，计算机设备可以根据各排序对象在该时间片后预设时长内所对应的各时间片内的评分热度，确定各排序对象在时间片后预设时长内的实际评分热度。

可以理解，步骤S206中获取的实际评分热度与步骤S204中的预期评分热度对应于同一时间片后预设时长内的时间段。比如，步骤S204中确定的是各排序对象在时间片t₁后的预设时长Δt内的预期评分热度，则步骤S206中获取的是各排序对象在时间片t₁后的预设时长Δt内的实际评分热度。

S208，根据实际评分热度和预期评分热度的比值，确定各排序对象在相应时间片的质量分。

其中，质量分，用于反映排序对象被用户对象接受的程度。质量分与排序对象被用户对象接受的程度正相关。质量分越高，表示排序对象越被用户对象接受。排序对象在相应时间片的质量分，用于反映排序对象在该时间片内能够被用户对象接受的程度。

具体地，计算机设备可以直接将实际评分热度和预期评分热度的比值，作为各排序对象在相应时间片的质量分，也可以将实际评分热度和预期评分热度的比值乘以预设质量分调节系数，得到各排序对象在相应时间片的质量分。其中，质量分调节系数，可以是预设常数值，用于将比值转换为质量分。

S210，根据排序对象在各时间片的质量分，确定排序对象的总质量分。

其中，总质量分，可以用来表征排序对象的品质好坏。排序对象的总质量分与排序对象的品质正相关。可以理解，总质量分，是排序对象整体来说被各用户对象接受的程度，排序对象的总质量分越高，说明排序对象被各用户对象接受的程度越高，而被各用户对象接受的程度越高，可以体现排序对象的品质越高。

具体地，计算机设备可以分别将同一排序对象在相应的每个时间片的质量分求和，得到各排序对象的总质量分。计算机设备也可以获取各时间片所对应的预设影响权重，按照所对应的预设影响权重，将同一排序对象在各时间片的质量分进行加权求和，得到该排序对象的总质量分。其中，可以将非常规时间段内的时间片的影响权重设置的比较低一些，非常规时间段是指非正常作息的时间段，比如凌晨2点～4点，由于非常规时间段内很多真正的用户对象很可能都已经休息了，此时进行评论的用户对象很有可能是水军，因此将非常规时间段内的时间片的影响权重设置的比较低一些，能够一定程度上保证各排序对象的总质量分的准确性。

可以理解，可以按照步骤S202至步骤S210的方法，分别确定每个排序对象的总质量分。

S212，将各排序对象按照相应的总质量分进行排序。

具体地，计算机设备可以将各排序对象按照相应的总质量分进行由高到低的顺序进行排序，根据排序后的排序对象生成推荐信息，以使得根据该推荐信息可以获知高品质的排序对象。计算机设备也可以将各排序对象按照相应的总质量分进行由低到高的顺序进行排序，根据排序后的排序对象生成提醒信息，以使得可以根据该提醒信息可以获知低品质的排序对象，以降低后续购买或使用的风险。

上述对象排序处理方法，在时间维度上对评分热度进行分析处理，通过各排序对象在相应时间片后预设时长内的预期评分热度，与实际评分热度的比值，得到各排序对象在该时间片内的质量分，该质量分可以反映排序对象在该时间片内能够被用户对象接受的程度，通过排序对象在该时间片内的质量分得到各排序对象的总质量分，能够一定程度上避免时间偏向效应，能够更准确的体现排序对象本身的品质，从而使得按照各排序对象的总质量分对各排序对象进行的排序更加的准确。

在一个实施例中，步骤S202包括：根据用户对象和排序对象间评分的对应关系，确定各用户对象的信誉值；根据各排序对象在相应时间片内存在评分的对应关系的用户对象的信誉值，生成各排序对象在相应评分的时间片内的评分热度。

其中，用户对象的信誉值，用于反映用户对象发现高质量或高品质的排序对象的能力。

具体地，计算机设备可以直接对各排序对象在相应时间片内存在评分的对应关系的用户对象的信誉值进行求和，将求和得到的值作为各排序对象在相应评分的时间片内的评分热度值。

在一个实施例中，计算机设备还可以获取各排序对象在相应时间片内与存在评分的对应关系的用户对象的关联度，根据该关联度和相应的用户对象的信誉值，生成各排序对象在相应评分的时间片内的评分热度。

上述实施例中，在确定各排序对象在相应评分的时间片内的评分热度时，参照了用户对象的信誉值，而用户的信誉值能够反映用户对象发现高品质的排序对象的能力，从而基于用户的信誉值确定的排序对象的评分热度更加的具有参考性。

如图3所示，在一个实施例中，根据用户对象和排序对象间评分的对应关系，确定各用户对象的信誉值(简称信誉值确定步骤)，具体包括以下步骤：

S302，针对每个排序对象，分别统计进行评分的用户对象的数量。

具体地，计算机设备可以针对每个排序对象，统计对该排序对象进行评分的用户对象的数量。比如，排序对象一共有3个，为α₁、α₂和α₃，统计针对排序对象α₁进行评分的用户对象有4个，统计针对排序对象α₂进行评分的用户对象有5个，统计针对排序对象α₃进行评分的用户对象有2个。

S304，在每个用户对象所评分的各排序对象中，确定目标数量的排序对象，且目标数量的排序对象所针对统计的用户对象的数量均大于或等于目标数量。

其中，排序对象所针对统计的用户对象的数量，是针对该排序对象，统计对该排序对象进行评分的用户对象的数量。

具体地，计算机设备可以在每个用户对象所评分的各排序对象中，确定出目标数量个排序对象，其中，所确定出的这目标数量个排序对象所针对统计的用户对象的数量均大于或等于该目标数量。

比如，用户对象i所评分的排序对象有5个，分别为α₁、α₂、α₃、α₄和α₅，α₁所针对统计的用户对象的数量为3个(即统计对排序对象α₁进行评分的用户对象的数量为3)、α₂所针对统计的用户对象的数量为4个、α₃所针对统计的用户对象的数量为3个、α₄所针对统计的用户对象的数量为6个，α₅所针对统计的用户对象的数量为5个，则需要从5个排序对象中确定出N个排序对象，其中，该确定出的N个排序对象所针对统计的用户对象的数量均大于或等于N。因为所有排序对象所针对统计的用户对象的数量都大于或等于3，所以，若从中确定1个排序对象，则可以满足该确定出的1个排序对象所针对统计的用户对象的数量大于1的条件，若从中确定2个排序对象，则可以满足确定出的2个排序对象所针对统计的用户对象的数量大于2的条件，若从中确定3个排序对象，则可以满足该确定出的3个排序对象所针对统计的用户对象的数量大于3，若从中确定出4个排序对象，则无法满足4个排序对象所针对统计的用户对象的数量大于或等于4，因此N的取值可以为1、2和3。

S306，取每个用户对象所对应的最大的目标数量为相应用户对象的信誉值。

其中，每个用户对象所对应的最大的目标数量，是指每个用户对象所评分的各排序对象中，满足目标数量的排序对象所针对统计的用户对象的数量均大于或等于该目标数量这一条件的目标数量的最大值。

结合步骤S304中的例子，用户对象i所对应的最大的目标数量为3，则3为该用户对象i的信誉值。

可以理解，每个用户对象所评分的排序对象中，所针对统计的用户对象的数量高的排序对象越多，则说明该用户对象所评分的排序对象被其他用户对象接受或认可的可能性就越大，因此，取每个用户对象所对应的最大的目标数量为相应用户对象的信誉值，可以较为准确地反映该用户对象发现高质量或高品质的排序对象的能力。

在一个实施例中，根据各排序对象在相应时间片内存在评分的对应关系的用户对象的信誉值，生成各排序对象在相应评分的时间片内的评分热度，包括：根据各排序对象在相应时间片内与用户对象间评分的对应关系，确定各排序对象在时间片内与存在评分的对应关系的用户对象间的关联度；将各排序对象在时间片内与各用户对象间的关联度，以相应的用户对象的信誉值为权重进行加权求和，得到各排序对象在时间片内的评分热度。

其中，关联度，用于表征排序对象和用户对象间的关联关系。

具体地，如果各排序对象在相应时间片内与用户对象间存在评分的对应关系，可以说明各排序对象在相应时间片内与存在评分的对应关系的用户对象间具有关联关系，则可以根据相应的关联关系，确定各排序对象在该时间片内与存在评分的对应关系的用户对象间的关联度。

在一个实施例中，计算机设备可以根据各排序对象在相应时间片内与用户对象间评分的对应关系，生成表征用户对象与排序对象间关联关系的二分网络图，其中，二分网络图中的连边，用于表示与所连接的节点对应的用户对象和排序对象间具有关联关系。计算机设备可以根据二分网络图中各排序对象的节点和各用户对象的节点间是否具有连边，确定各排序对象与各用户对象间的关联度，其中，所对应的节点间具有连边的排序对象和用户对象间的关联度高于节点间没有连边的排序对象和用户对象间的关联度。

在一个实施例中，如果排序对象的节点和用户对象的节点有连边，则确定各排序对象与各用户对象间的关联度为1，如果排序对象的节点和用户对象的节点没有连边，则确定各排序对象与各用户对象间的关联度为0。

图4为一个实施例中表征用户对象与排序对象间关联关系的二分网络图。该二分网络图中包括各排序对象对应的节点以及各用户对象对应的节点，其中，i₁、i₂、i₃和i₄为各用户对象对应的节点，α₁、α₂、α₃、α₄和α₅为各排序对象对应的节点，具有关联关系的用户对象与排序对象所分别对应的节点之间有连边，i₁和α₁间有连边，说明用户对象i₁和排序对象α₁间有关联关系，则可以确定用户对象i₁和排序对象α₁间关联度为1，i₁和α₂间没有连边，说明用户对象i₁和排序对象α₂间没有关联关系，则可以确定用户对象i₁和排序对象α₁间关联度为0。

进一步地，计算机设备可以将各排序对象在时间片内与各用户对象间的关联度，以相应的用户对象的信誉值为权重进行加权求和，得到各排序对象在时间片内的评分热度。具体可以按照以下公式得到各排序对象在时间片内的评分热度：

k_α(t)＝∑_ic_ia(t)h_i

其中，α为排序对象；t为时间片；k_α(t)为排序对象α在时间片t内的评分热度；i为用户对象；c表示关联度，c_ia(t)为在时间片t内，用户对象i与排序对象α间的关联度；h表示信誉值；h_i为用户对象i的信誉值。

上述实施例中，将相应的用户对象的信誉值为权重，对各排序对象在时间片内与各用户对象间的关联度进行加权求和，相当于将用户对象的信誉值和排序对象和用户对象间的关联度这两个维度结合，来确定各排序对象在时间片内的评分热度，使得确定的评分热度更加的准确。

在一个实施例中，如图5所示，步骤S204(简称预期评分热度确定步骤)，具体包括以下步骤：

S502，根据各排序对象在相应评分的时间片内的评分热度，确定各排序对象在时间片内的第一总评分热度。

具体地，计算机设备可以将每个排序对象在相应评分的时间片内的评分热度相加，得到各排序对象在该时间片内的第一总评分热度。计算机设备也可以获取各排序对象的预设权重，按照相应的预设权重，对各排序对象在相应评分的时间片内的评分热度进行加权求和，得到各排序对象在该时间片内的第一总评分热度。

在一个实施例中，可以按照以下公式求得各排序对象在时间片内的第一总评分热度：

L(t)＝∑_αk_α(t)

其中，α为排序对象；t为时间片；L(t)表示各排序对象在该时间片t内的第一总评分热度；k_α(t)为排序对象α在时间片t内的评分热度；∑_αk_α(t)表示对每个排序对象α在时间片t内的评分热度求和。

S504，获取各排序对象在该时间片后预设时长内的第二总评分热度。

其中，第二总评分热度，是每个排序对象在该时间片后预设时长内的评分热度的总和。

具体地，计算机设备可以确定各排序对象在该时间片后预设时长内所对应的时间片，并获取各排序对象在确定的所对应的时间片中的评分热度。计算机设备，可以以时间片为统计维度，按照确定的对应的每个时间片，将所对应的排序对象在该时间片内的评分热度相加，得到在确定的所对应的每个时间片内的各排序对象的评分热度之和，然后将在确定的所对应的所有时间片所对应的评分热度之和相加，得到各排序对象在该时间片后预设时长内的第二总评分热度。计算机设备也可以以排序对象为统计维度，将每个排序对象在确定的所对应的时间片中的评分热度相加，得到各排序对象在该时间片后预设时长内的第二总评分热度。

在一个实施例中，各排序对象在该时间片后预设时长内所对应的时间片，可以是各排序对象在该时间片后预设时长内被用户对象评分的时间片。可以理解，该时间片后预设时长内的这个时间段是由一系列连续的时间片组成的，计算机设备可以从该时间片后预设时长内的这个时间段中查找与各个排序对象被用户对象评分的时间片，从而确定各排序对象在该时间片后预设时长内所对应的时间片。可以理解，由于各排序对象被用户对象评分的时间可能不同，则各排序对象在该时间片后预设时长内所对应的时间片可能不同，同一排序对象在该时间片后预设时长内所对应的时间片可以为一个或多个。

现结合例子对第二总评分热度的获取进行说明。假设，排序对象为α₁、α₂和α₃，时间片为t₁，预设时长为Δt，则确定三个排序对象分别在t₁～t₁+Δt这段时间内所对应的时间片，然后获取各排序对象在该时间段内各自所对应的时间片中的评分热度，比如，排序对象α₁和α₂在t₁～t₁+Δt内所对应的时间片都为t₂和t₃，排序对象α₃在t₁～t₁+Δt内所对应的时间片都为t₂、t₃和t₄，则获取排序对象α₁分别在时间片t₂和t₃中的评分热度，获取排序对象α₂分别在时间片t₂和t₃中的评分热度，以及获取排序对象α₃分别在时间片t₂、t₃和t₄中的评分热度，然后将所获取的所有评分热度相加，得到各排序对象在t₁～t₁+Δt这段时间内的第二总评分热度。

在另一个实施例中，各排序对象在该时间片后预设时长内所对应的时间片，可以是按照预设间隔，将在该时间片后预设时长内的这个时间段划分得到的时间片。比如，在t～t+Δt这段时间内所对应的时间片，可以是t+1、t+2......t+Δt。在一个实施例中，可以按照以下公式求得各排序对象在该时间片后预设时长内的第二总评分热度：

L(t，Δt)＝L(t+1)+......+L(t+Δt)

其中，t为时间片，Δt为预设时长，L(t，Δt)表示各排序对象在时间片t后预设时长Δt内的第二总评分热度，L(t+1)表示各排序对象在时间片t+1内的评分热度的总和，L(t+Δt)表示各排序对象在时间片t+Δt内的评分热度的总和。

S506，根据各排序对象在相应评分的时间片内的评分热度、第一总评分热度和第二总评分热度，确定各排序对象在该时间片后预设时长内的预期评分热度。

在一个实施例中，步骤S506包括：将各排序对象在相应评分的时间片内的评分热度除以第一总评分热度，并乘以第二总评分热度，得到各排序对象在该时间片后预设时长内的预期评分热度。

在一个实施例中，计算机设备可以按照以下公式计算得到各排序对象在该时间片后预设时长内的预期评分热度：

Δk_α(t，Δt)_PA＝L(t，Δt)k_α(t)/L(t)

其中，α为排序对象，t为时间片，Δt为预设时长，PA用于表示预期，Δk_α(t，Δt)_PA表示排序对象α在时间片t后预设时长Δt内的预期评分热度；L(t，Δt)表示各排序对象在时间片t后预设时长Δt内的第二总评分热度；k_α(t)为排序对象α在时间片t内的评分热度；L(t)表示各排序对象在该时间片t内的第一总评分热度。

上述实施例中，相当于根据在该时间片内排序对象相较于所有排序对象的评分热度水平，来预测排序对象在接下来的时间的评分热度，使得预测出的预期评分热度能够反映排序对象在品质较稳定的情况下所可能得到的评分热度，从而使得根据该预期评分热度和实际评分热度所确定质量分能够更加准确反映排序对象的质量。

如图6所示，在一个实施例中，步骤S306(简称实际评分热度确定步骤)，具体包括以下步骤：

S602，确定各排序对象在时间片后预设时长内所对应的时间片。

在一个实施例中，各排序对象在该时间片后预设时长内所对应的时间片，可以是各排序对象在该时间片后预设时长内被用户对象评分的时间片。

可以理解，该时间片后预设时长内的这个时间段是由一系列连续的时间片组成的，计算机设备可以从该时间片后预设时长内的这个时间段中查找与各个排序对象被用户对象评分的时间片，从而确定各排序对象在该时间片后预设时长内所对应的时间片。可以理解，由于各排序对象被用户对象评分的时间可能不同，则各排序对象在该时间片后预设时长内所对应的时间片可能不同，同一排序对象在该时间片后预设时长内所对应的时间片可以为一个或多个。

在另一个实施例中，各排序对象在该时间片后预设时长内所对应的时间片，可以是按照预设间隔，将在该时间片后预设时长内的这个时间段划分得到的时间片。比如，在t～t+Δt这段时间内所对应的时间片，可以是t+1、t+2......t+Δt。

S604，获取各排序对象在确定的时间片中的评分热度。

在一个实施例中，计算机设备可以获取各排序对象在确定的所对应的每个时间片内，对各排序对象进行评分的用户对象的信誉值，根据在确定的所对应的每个时间片内，各排序对象与用户对象间评分的对应关系，确定各排序对象在每个时间片内与存在评分的对应关系的用户对象间的关联度。计算机设备根据各排序对象在每个时间片内与各用户对象间的关联度，以相应的用户对象的信誉值为权重进行加权求和，得到各排序对象在确定的所对应的每个时间片内的评分热度。

比如，排序对象为α₁，时间片为t₁，预设时长为Δt，排序对象α₁在t₁～t₁+Δt这段时间内所对应的时间片为t₂和t₃，在时间片t₂中对排序对象α₁进行评分的用户对象为i₁和i₂，在时间片t₃中对排序对象a1进行评分的用户对象为i₃，用户对象i₁对应的信誉值为h₁，用户对象i₂对应的信誉值为h₂，用户对象i₃对应的信誉值为h₃，则针对时间片t₂，计算机设备可以根据排序对象a1在时间片t₂内与用户对象i₁和i₂间评分的对应关系，确定在时间片t₂内分别与用户对象i₁和i₂间的关联度Ci₁α₁和Ci₂α₁，然后根据Ci₁α₁和Ci₂α₁，以相应的用户对象i₁和i₂的信誉值为权重进行加权求和，即h₁*Ci₂α₁+h₂*Ci₁α₁得到排序对象α₁在时间片t₂内的评分热度，同样地，可以按照上述方法计算出排序对象α₁在时间片t₃内的评分热度。

S606，将获取的各排序对象在确定的时间片中的评分热度分别求和，得到各排序对象在相应时间片后预设时间内的实际评分热度。

具体地，计算机设备可以同一排序对象在确定的时间片中的评分热度求和，得到该排序对象在相应时间片后预设时间内的实际评分热度。

在一个实施例中，计算机设备可以按照以下公式计算各排序对象在相应时间片后预设时间内的实际评分热度：

Δk_α(t，Δt)＝k_α(t+1)+…+k_α(t+Δt)

其中，α为排序对象；t为时间片，Δt为预设时长，，Δk_α(t，Δt)表示排序对象α在时间片t后预设时长Δt内的实际评分热度；k_α(t+1)为排序对象α在时间片t+1内的评分热度；k_α(t+Δt)为排序对象α在时间片t+Δt内的评分热度。

在一个实施例中，步骤S208可以按照以下公式求得各排序对象在相应时间片的质量分：

其中，α为排序对象；t为时间片，r_α(t)表示排序对象α在相应时间片t内的质量分；Δt为预设时长，PA用于表示预期，Δk_α(t，Δt)表示排序对象α在时间片t后预设时长Δt内的实际评分热度，Δk_α(t，Δt)_PA表示排序对象α在时间片t后预设时长Δt内的预期评分热度；L(t)表示各排序对象在该时间片t内的第一总评分热度；L(t，Δt)表示各排序对象在时间片t后预设时长Δt内的第二总评分热度；k_α(t)为排序对象α在时间片t内的评分热度。

在一个实施例中，步骤S210可以按照以下公式计算排序对象的总质量分：

R_α＝∑_tr_α(t)

其中，α为排序对象；R_α表示排序对象α的总质量分；t为时间片；r_α(t)表示排序对象α在某一时间片t内的质量分；∑_tr_α(t)表示对排序对象α在所对应的每个时间片t内的质量分求和。

上述实施例中，确定各排序对象在时间片后预设时长内所对应的时间片，将各排序对象在确定的时间片中的评分热度分别求和，得到各排序对象在相应时间片后预设时间内的实际评分热度。能够准确得到各排序对象在相应时间片后预设时间内的实际评分热度。

如图7所示，在另一个实施例中，提供了一种对象排序处理方法，该方法具体包括以下步骤：

S702，针对每个排序对象，分别统计进行评分的用户对象的数量。

S704，在每个用户对象所评分的各排序对象中，确定目标数量的排序对象，且目标数量的排序对象所针对统计的用户对象的数量均大于或等于目标数量。

S706，取每个用户对象所对应的最大的目标数量为相应用户对象的信誉值。

S708，根据各排序对象在相应时间片内与用户对象间评分的对应关系，确定各排序对象在时间片内与存在评分的对应关系的用户对象间的关联度。

S710，将各排序对象在时间片内与各用户对象间的关联度，以相应的用户对象的信誉值为权重进行加权求和，得到各排序对象在时间片内的评分热度。

S712，根据各排序对象在相应评分的时间片内的评分热度，确定各排序对象在时间片内的第一总评分热度。

S714，获取各排序对象在时间片后预设时长内的第二总评分热度。

S716，将各排序对象在相应评分的时间片内的评分热度除以第一总评分热度，并乘以第二总评分热度，得到各排序对象在时间片后预设时长内的预期评分热度。

S718，确定各排序对象在时间片后预设时长内所对应的时间片，获取各排序对象在确定的时间片中的评分热度。

S720，将获取的各排序对象在确定的时间片中的评分热度分别求和，得到各排序对象在相应时间片后预设时间内的实际评分热度。

S722，根据实际评分热度和预期评分热度的比值，确定各排序对象在相应时间片的质量分。

S724，根据排序对象在各时间片的质量分，确定排序对象的总质量分。

S726，将各排序对象按照相应的总质量分进行排序。

其次，取每个用户对象所评分的各排序对象中，满足目标数量的排序对象所针对统计的用户对象的数量均大于或等于该目标数量这一条件的目标数量的最大值，作为相应用户对象的信誉值，可以较为准确地反映该用户对象发现高质量或高品质的排序对象的能力。

此外，将相应的用户对象的信誉值为权重，对各排序对象在时间片内与各用户对象间的关联度进行加权求和，相当于将用户对象的信誉值和排序对象和用户对象间的关联度这两个维度结合，来确定各排序对象在时间片内的评分热度，使得确定的评分热度更加的准确。

为了验证根据本申请中的对象排序处理方法所得到的排序效果，分别网上爬取了两个数据集，并按照以下方法从爬取的一个原始数据集中选取一个子集作为最终参与排序处理的第一数据集，该选取子集的方法如下：1)针对商城将部分属于同一专辑的上不同版本(譬如CD版和黑胶唱片版)当作同一商品；2)选取被评论次数大于10的商品作为有效商品；3)再选取评论超过10次的用户作为有效用户。选取过后的一个数据集中包含22,959位用户和62,828份专辑，以及729,483评价记录，时间跨度为1997年12月16日至2014年8月26日。第二个数据集包含138,493位用户和27278部电影，以及20,000,263条评分记录，该数据集中的用户都至少评价过20部电影。数据集时间跨度为1995年1月9日至2015年3月31日。两个数据集的基本统计信息表1所示：

表1

下面从均衡性及准确度两个方面对算法进行测试和分析。其中，进行均衡性分析是指从时间维度分析各算法排序结果是否均衡；进行准确性分析，是考察排序算法对高质量排序对象节点的识别准确性。

在均衡性方面，定义了两个评价指标。新颖度(Novelty)是用来刻画排序对象节点的新颖程度的评价指标。给定一组排序对象的排序结果以及这组排序对象进入网络的时间，那么这组排序对象中Top-z排序对象进入网络的平均时间：

其中，m为排序对象总数，变量z是一个比例值，α为排序对象。若一个排序算法的新颖度值较小表明该算法比较偏向于较老的排序对象节点。反之则偏向于较新的排序对象节点。

对于一个理想的无时间偏向的排序算法，老的排序对象节点和新的排序对象节点都有相等的机会获得高排序。将所有排序对象根据其进入网络时间平均分为S份，其中第一份为最早进入网络的对象，第S份为最后进入网络的对象。一个理想的无时间偏向的排序，每个时间分区内排在Top-z的对象数服从多元超几何分布，变量z是一个比例值。假设每个时间区间的对象排在Top-z的对象数的平均值为n(z)＝zm/s个对象，那么理想排序算法的理想标准差为：

而对于算法的实际排序结果，其实际标准差为：

那么可以使用实际标准差与理想标准差的的比值来衡量排序结果的时间的偏向程度：

其中，Balance为时间均衡度，Balance＝0表示排序结果没有时间偏向，而Balance的值越大表示排序算法的时间偏向越强。

在准确性方面，使用两个应用广泛的评价指标，Precision和AUC。Precision通过分析有序列表中前L项来评价排序算法的准确性。给定一组排序结果和一组基准排序对象，如果排序在前L的排序对象中有p个基准排序对象，则准确度为：

Precision的值越大代表该排序的结果越准确。

AUC是一个分类准确度的评价指标。将所有排序对象分为基准排序对象与非基准排序对象，随机的选取基准排序对象与非基准排序对象进行比较。如果基准排序对象的分数值大于非基准排序对象的分数值，就加1分；如果两个分数值相等，就加0.5分。独立地比较n次，如果有n’次基准对象的分数值大于非基准对象的分数，有n”次两分数值相等，则AUC定义为：

如果所有分数都是随机产生的，AUC＝0.5。因此，AUC大于0.5的程度衡量了算法在多大程度上比随机选择的方法精确。

根据上述分析方法，对按照本申请所提出的对象排序处理方法对第一个数据集和第二个数据集进行排序的结果进行分析，得到结果如表2所示：

表2

按照上述分析方法，对传统方法进行排序的结果进行分析，得到的新颖度一般在1100左右，时间均衡度一般在12左右，准确度一般在0.06左右，AUC值一般在0.89左右，很明显，本申请所提出的对象排序处理方法得到的排序结果的新颖度、时间均衡度和准确度相较于传统方法有明显提升，在AUC值上也有一定的提高。

如图8所示，在一个实施例中，提供了一种对象排序处理装置800，该装置800包括：评分热度确定模块802、质量分确定模块804以及排序模块806，其中：

评分热度确定模块802，用于确定各排序对象在相应评分的时间片内的评分热度。

所述评分热度确定模块802还用于根据所述评分热度，确定各排序对象在所述时间片后预设时长内的预期评分热度；获取各排序对象在所述时间片后预设时长内的实际评分热度。

质量分确定模块804，用于根据所述实际评分热度和所述预期评分热度的比值，确定各排序对象在相应时间片的质量分。

所述质量分确定模块804还用于根据所述排序对象在各时间片的质量分，确定所述排序对象的总质量分。

排序模块806，用于将各排序对象按照相应的总质量分进行排序。

如图9所示，在一个实施例中，所述评分热度确定模块802包括：

信誉值生成模块802A，用于根据用户对象和排序对象间评分的对应关系，确定各用户对象的信誉值。

评分热度生成模块802B，用于根据各排序对象在相应时间片内存在评分的对应关系的用户对象的所述信誉值，生成各排序对象在相应评分的时间片内的评分热度。

在一个实施例中，所述信誉值生成模块802A还用于针对每个排序对象，分别统计进行评分的用户对象的数量；在每个用户对象所评分的各排序对象中，确定目标数量的排序对象，且目标数量的排序对象所针对统计的用户对象的数量均大于或等于所述目标数量；取每个用户对象所对应的最大的目标数量为相应用户对象的信誉值。

在一个实施例中，所述评分热度生成模块804B还用于根据各排序对象在相应时间片内与用户对象间评分的对应关系，确定各排序对象在所述时间片内与存在评分的对应关系的用户对象间的关联度；将各排序对象在所述时间片内与各用户对象间的所述关联度，以相应的用户对象的所述信誉值为权重进行加权求和，得到各排序对象在所述时间片内的评分热度。

如图10所示，在一个实施例中，所述评分热度确定模块802包括：

第一总评分热度确定模块802a，用于根据各排序对象在相应评分的时间片内的评分热度，确定各排序对象在所述时间片内的第一总评分热度；

第二总评分热度确定模块802b，用于获取各排序对象在所述时间片后预设时长内的第二总评分热度；

预期评分热度确定模块802c，用于根据各排序对象在相应评分的时间片内的评分热度、所述第一总评分热度和所述第二总评分热度，确定各排序对象在所述时间片后预设时长内的预期评分热度。

在一个实施例中，所述预期评分热度确定模块802c还用于将各排序对象在相应评分的时间片内的评分热度除以所述第一总评分热度，并乘以所述第二总评分热度，得到各排序对象在所述时间片后预设时长内的预期评分热度。

在一个实施例中，所述评分热度确定模块802还用于确定各排序对象在所述时间片后预设时长内所对应的时间片；获取各排序对象在确定的所述时间片中的评分热度；将获取的各排序对象在确定的所述时间片中的评分热度分别求和，得到各排序对象在相应时间片后预设时间内的实际评分热度。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行如下步骤：确定各排序对象在相应评分的时间片内的评分热度；根据所述评分热度，确定各排序对象在所述时间片后预设时长内的预期评分热度；获取各排序对象在所述时间片后预设时长内的实际评分热度；根据所述实际评分热度和所述预期评分热度的比值，确定各排序对象在相应时间片的质量分；根据所述排序对象在各时间片的质量分，确定所述排序对象的总质量分；将各排序对象按照相应的总质量分进行排序。

在一个实施例中，处理器所执行的所述确定各排序对象在相应评分的时间片内的评分热度包括：根据用户对象和排序对象间评分的对应关系，确定各用户对象的信誉值；根据各排序对象在相应时间片内存在评分的对应关系的用户对象的所述信誉值，生成各排序对象在相应评分的时间片内的评分热度。

在一个实施例中，处理器所执行的所述根据用户对象和排序对象间评分的对应关系，确定各用户对象的信誉值，包括：针对每个排序对象，分别统计进行评分的用户对象的数量；在每个用户对象所评分的各排序对象中，确定目标数量的排序对象，且目标数量的排序对象所针对统计的用户对象的数量均大于或等于所述目标数量；取每个用户对象所对应的最大的目标数量为相应用户对象的信誉值。

在一个实施例中，处理器所执行的所述根据各排序对象在相应时间片内存在评分的对应关系的用户对象的所述信誉值，生成各排序对象在相应评分的时间片内的评分热度，包括：根据各排序对象在相应时间片内与用户对象间评分的对应关系，确定各排序对象在所述时间片内与存在评分的对应关系的用户对象间的关联度；将各排序对象在所述时间片内与各用户对象间的所述关联度，以相应的用户对象的所述信誉值为权重进行加权求和，得到各排序对象在所述时间片内的评分热度。

在一个实施例中，处理器所执行的所述根据所述评分热度，确定各排序对象在所述时间片后预设时长内的预期评分热度，包括：根据各排序对象在相应评分的时间片内的评分热度，确定各排序对象在所述时间片内的第一总评分热度；获取各排序对象在所述时间片后预设时长内的第二总评分热度；根据各排序对象在相应评分的时间片内的评分热度、所述第一总评分热度和所述第二总评分热度，确定各排序对象在所述时间片后预设时长内的预期评分热度。

在一个实施例中，处理器所执行的所述根据各排序对象在相应评分的时间片内的评分热度、所述第一总评分热度和所述第二总评分热度，确定各排序对象在所述时间片后预设时长内的预期评分热度，包括：将各排序对象在相应评分的时间片内的评分热度除以所述第一总评分热度，并乘以所述第二总评分热度，得到各排序对象在所述时间片后预设时长内的预期评分热度。

在一个实施例中，处理器所执行的所述获取各排序对象在所述时间片后预设时长内的实际评分热度，包括：确定各排序对象在所述时间片后预设时长内所对应的时间片；获取各排序对象在确定的所述时间片中的评分热度；将获取的各排序对象在确定的所述时间片中的评分热度分别求和，得到各排序对象在相应时间片后预设时间内的实际评分热度。

在一个实施例中，提供了一种存储有计算机可读指令的存储介质，计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如下步骤：确定各排序对象在相应评分的时间片内的评分热度；根据所述评分热度，确定各排序对象在所述时间片后预设时长内的预期评分热度；获取各排序对象在所述时间片后预设时长内的实际评分热度；根据所述实际评分热度和所述预期评分热度的比值，确定各排序对象在相应时间片的质量分；根据所述排序对象在各时间片的质量分，确定所述排序对象的总质量分；将各排序对象按照相应的总质量分进行排序。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等非易失性存储介质，或随机存储记忆体(Random Access Memory，RAM)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims

1.一种对象排序处理方法，所述方法包括：

确定各排序对象在相应评分的时间片内的评分热度；所述评分热度，是用户对象对所述排序对象评分的热烈程度，用于表征所述排序对象的被关注程度；

将所述实际评分热度和所述预期评分热度的比值作为各排序对象在相应时间片的质量分，或，将实际评分热度和预期评分热度的比值乘以预设质量分调节系数，得到各排序对象在相应时间片的质量分；质量分，用于反映排序对象被用户对象接受的程度；

对所述排序对象在各时间片的质量分求和，或，按照各时间片所对应的预设影响权重对所述排序对象在各时间片的质量分进行加权求和，得到所述排序对象的总质量分；

将各排序对象按照相应的总质量分进行排序。

2.根据权利要求1所述的方法，其特征在于，所述确定各排序对象在相应评分的时间片内的评分热度包括：

根据用户对象和排序对象间评分的对应关系，确定各用户对象的信誉值；

根据各排序对象在相应时间片内存在评分的对应关系的用户对象的所述信誉值，生成各排序对象在相应评分的时间片内的评分热度。

3.根据权利要求2所述的方法，其特征在于，所述根据用户对象和排序对象间评分的对应关系，确定各用户对象的信誉值，包括：

针对每个排序对象，分别统计进行评分的用户对象的数量；

在每个用户对象所评分的各排序对象中，确定目标数量的排序对象，且目标数量的排序对象所针对统计的用户对象的数量均大于或等于所述目标数量；

取每个用户对象所对应的最大的目标数量为相应用户对象的信誉值。

4.根据权利要求2所述的方法，其特征在于，所述根据各排序对象在相应时间片内存在评分的对应关系的用户对象的所述信誉值，生成各排序对象在相应评分的时间片内的评分热度，包括：

根据各排序对象在相应时间片内与用户对象间评分的对应关系，确定各排序对象在所述时间片内与存在评分的对应关系的用户对象间的关联度；

将各排序对象在所述时间片内与各用户对象间的所述关联度，以相应的用户对象的所述信誉值为权重进行加权求和，得到各排序对象在所述时间片内的评分热度。

5.根据权利要求1所述的方法，其特征在于，所述根据所述评分热度，确定各排序对象在所述时间片后预设时长内的预期评分热度，包括：

根据各排序对象在相应评分的时间片内的评分热度，确定各排序对象在所述时间片内的第一总评分热度；

获取各排序对象在所述时间片后预设时长内的第二总评分热度；

根据各排序对象在相应评分的时间片内的评分热度、所述第一总评分热度和所述第二总评分热度，确定各排序对象在所述时间片后预设时长内的预期评分热度。

6.根据权利要求5所述的方法，其特征在于，所述根据各排序对象在相应评分的时间片内的评分热度、所述第一总评分热度和所述第二总评分热度，确定各排序对象在所述时间片后预设时长内的预期评分热度，包括：

将各排序对象在相应评分的时间片内的评分热度除以所述第一总评分热度，并乘以所述第二总评分热度，得到各排序对象在所述时间片后预设时长内的预期评分热度。

7.根据权利要求1至6中任一项所述的方法，其特征在于，所述获取各排序对象在所述时间片后预设时长内的实际评分热度，包括：

确定各排序对象在所述时间片后预设时长内所对应的时间片；

获取各排序对象在确定的所述时间片中的评分热度；

将获取的各排序对象在确定的所述时间片中的评分热度分别求和，得到各排序对象在相应时间片后预设时间内的实际评分热度。

8.一种对象排序处理装置，其特征在于，所述装置包括：

评分热度确定模块，用于确定各排序对象在相应评分的时间片内的评分热度；所述评分热度，是用户对象对所述排序对象评分的热烈程度，用于表征所述排序对象的被关注程度；

质量分确定模块，用于将所述实际评分热度和所述预期评分热度的比值，作为各排序对象在相应时间片的质量分，或，将实际评分热度和预期评分热度的比值乘以预设质量分调节系数，得到各排序对象在相应时间片的质量分；质量分，用于反映排序对象被用户对象接受的程度；

所述质量分确定模块还用于对所述排序对象在各时间片的质量分求和，或，按照各时间片所对应的预设影响权重对所述排序对象在各时间片的质量分进行加权求和，得到所述排序对象的总质量分；

9.根据权利要求8所述的装置，其特征在于，所述评分热度确定模块包括：

信誉值生成模块，用于根据用户对象和排序对象间评分的对应关系，确定各用户对象的信誉值；

评分热度生成模块，用于根据各排序对象在相应时间片内存在评分的对应关系的用户对象的所述信誉值，生成各排序对象在相应评分的时间片内的评分热度。

10.根据权利要求9所述的装置，其特征在于，所述信誉值生成模块还用于针对每个排序对象，分别统计进行评分的用户对象的数量；在每个用户对象所评分的各排序对象中，确定目标数量的排序对象，且目标数量的排序对象所针对统计的用户对象的数量均大于或等于所述目标数量；取每个用户对象所对应的最大的目标数量为相应用户对象的信誉值。

11.根据权利要求9所述的装置，其特征在于，所述评分热度生成模块还用于根据各排序对象在相应时间片内与用户对象间评分的对应关系，确定各排序对象在所述时间片内与存在评分的对应关系的用户对象间的关联度；将各排序对象在所述时间片内与各用户对象间的所述关联度，以相应的用户对象的所述信誉值为权重进行加权求和，得到各排序对象在所述时间片内的评分热度。

12.根据权利要求8所述的装置，其特征在于，所述评分热度确定模块包括：

第一总评分热度确定模块，用于根据各排序对象在相应评分的时间片内的评分热度，确定各排序对象在所述时间片内的第一总评分热度；

第二总评分热度确定模块，用于获取各排序对象在所述时间片后预设时长内的第二总评分热度；

预期评分热度确定模块，用于根据各排序对象在相应评分的时间片内的评分热度、所述第一总评分热度和所述第二总评分热度，确定各排序对象在所述时间片后预设时长内的预期评分热度。

13.根据权利要求12所述的装置，其特征在于，所述预期评分热度确定模块还用于将各排序对象在相应评分的时间片内的评分热度除以所述第一总评分热度，并乘以所述第二总评分热度，得到各排序对象在所述时间片后预设时长内的预期评分热度。

14.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行如权利要求1至6中任一项所述方法的步骤。

15.一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如权利要求1至6中任一项所述方法的步骤。