CN109710841A - 评论推荐方法和装置 - Google Patents

Abstract

本发明提出一种评论推荐方法和装置，其中，方法包括：确定当前待评论文章的文章特征信息；将文章特征信息输入预设的第一匹配模型，其中，第一匹配模型包括文章特征信息与预设精句的对应关系；获取第一匹配模型输出的与文章特征信息对应的多个第一候选精句；根据预设的筛选模型，从多个第一候选精句中筛选出多个第一目标精句，并将多个第一目标精句作为评论推荐给用户。由此，实现了针对文章的评论推荐服务，且推荐的评论质量较高，较容易被用户采纳，有利于增加用户和产品的粘性。

Description

评论推荐方法和装置

技术领域

本发明涉及信息处理技术领域，尤其涉及一种评论推荐方法和装置。

背景技术

随着互联网技术的发展，基于智能终端的多媒体信息传播也越发普遍，比如，在手机终端的新闻等文章显示等。

相关技术中，依托于智能终端显示的文章界面提供了可以发表评论的评论入口，然而，通常用户由于习惯了纸质多媒体无交流的阅读方式，很少会使用该入口发表评论，因而，如何提高用户参与评论的积极性以充分发挥互联网多媒体的优势成为亟待解决的技术问题。

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本发明的第一个目的在于提出一种评论推荐方法，实现了针对文章的评论推荐服务，且推荐的评论的质量较高，实用性较强，有利于增加用户和产品的粘性。

本发明的第二个目的在于提出一种评论推荐装置。

本发明的第三个目的在于提出一种计算机程序产品。

本发明的第四个目的在于提出一种非临时性计算机可读存储介质。

为达上述目的，本发明第一方面实施例提出了一种评论推荐方法，包括以下步骤：确定当前待评论文章的文章特征信息；将所述文章特征信息输入预设的第一匹配模型，其中，所述第一匹配模型包括文章特征信息与预设精句的对应关系；获取所述第一匹配模型输出的与所述文章特征信息对应的多个第一候选精句；根据预设的筛选模型，从所述多个第一候选精句中筛选出多个第一目标精句，并将所述多个第一目标精句作为评论推荐给用户。

本发明第二方面实施例提出了一种评论推荐装置，包括：确定模块，用于确定当前待评论文章的文章特征信息；输入模块，用于将所述文章特征信息输入预设的第一匹配模型，其中，所述第一匹配模型包括文章特征信息与预设精句的对应关系；获取模块，用于获取所述第一匹配模型输出的与所述文章特征信息对应的多个第一候选精句；推荐模块，用于根据预设的筛选模型，从所述多个第一候选精句中筛选出多个第一目标精句，并将所述多个第一目标精句作为评论推荐给用户。

本发明第三方面实施例提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处理器执行时实现如前述方法实施例所述的评论推荐方法。

本发明第四方面实施例提出了一种非临时性计算机可读存储介质，其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如前述方法实施例所述的评论推荐方法。

本发明实施例提供的技术方案可以包含如下的有益效果：

确定当前待评论文章的文章特征信息，将文章特征信息输入预设的第一匹配模型，其中，第一匹配模型包括文章特征信息与预设精句的对应关系，获取第一匹配模型输出的与文章特征信息对应的多个第一候选精句，进而，根据预设的筛选模型，从多个第一候选精句中筛选出多个第一目标精句，并将多个第一目标精句作为评论推荐给用户。由此，实现了针对文章的评论推荐服务，且推荐的评论的质量较高，实用性较强，有利于增加用户和产品的粘性。

本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1为本发明实施例所提供的一种评论推荐方法的流程示意图；

图2-A为本发明实施例所提供的一种评论推荐显示界面示意图；

图2-B为本发明实施例所提供的另一种评论推荐显示界面示意图；

图3为本发明实施例所提供的另一种评论推荐方法的流程示意图；

图4为本发明实施例所提供的又一种评论推荐方法的流程示意图；

图5是根据本发明一个实施例的评论推荐装置的结构示意图；以及

图6是根据本发明另一个实施例的评论推荐装置的结构示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

下面参考附图描述本发明实施例的评论推荐方法和装置。

基于上述现有技术的描述可以知道，相关技术中，无法充分发挥多媒体平台的优势，用户线上交流的积极性不高，为了解决该技术问题，本发明提供了一种评论推荐方法，在评论输入框等位置显示推荐评论给用户，由此，一方面，方便了用户输入评论，另一方面，本发明中提供的推荐评论属于精句评论，比如网络流行段子等，较容易被用户采纳，提高了用户评论的积极性。

图1为本发明实施例所提供的一种评论推荐方法的流程示意图。如图1所示，该方法包括：

步骤101，确定当前待评论文章的文章特征信息。

其中，文章特征信息包括文章来源、文章领域类型、文章标题、文章正文的关键词、文章正文的语义等。本发明中的待评论文章可以为新闻、公众号文章等。

具体地，可以通过预先构建的神将网络模型等提取当前待评论文章的文章特征信息等，本发明的实施中，考虑到每个文章的个性化差异，基于文章特征信息来量化每个文章的个性化，以便于基于文章的个性特征进行评论推荐。

步骤102，将文章特征信息输入预设的第一匹配模型，其中，第一匹配模型包括文章特征信息与预设精句的对应关系。

步骤103，获取第一匹配模型输出的与文章特征信息对应的多个第一候选精句。

具体地，预先构建包含文章特征信息与预设精句的对应关系的第一匹配模型，基于该第一匹配模型获取与第一文章特征信息对应的多个第一候选精句，此时，需要说明的是，为了提高匹配效率，该第一匹配模型中的文章特征信息可以为较粗粒度的文章特征信息，以便于快速找到匹配的第一候选精句。

其中，上述精句可以理解为网络上流行度比较高的段子、或者权威性比较高的文本等。

作为一种可能的实现方式，从一个或者多个数据源获取网络评论数据，比如，从流行语网站上、人工编辑的数据库中、真实评论日志中等获取网络评论数据，进而，根据网络评论数据构建精句库。

需要说明的是，为了把握精句库中精句的质量，可以人工编辑精句模板，将从多个数据源中获取的网络评论数据与该精句模板进行匹配，将匹配度较高的网络评论数据作为精句，或者，可以预先构建评分模型，该评分模型根据网络评论数据的语义置信度、点赞次数、转发次数、核心词热度等对网络评论数据进行评分，当评分值大于预设阈值，则将其加入精句库中。

进而，在构建精句库后，根据文章特征信息与精句库中的精句的相似度，训练第一匹配模型，其中，文章特征信息来源于大数据，在具体训练过程中，可以基于文章特征信息与精句的关键词匹配程度、语义相关度、所属领域的一致性等来确定二者的相似度。

步骤104，根据预设的筛选模型，从多个第一候选精句中筛选出多个第一目标精句，并将多个第一目标精句作为评论推荐给用户。

具体地，由于第一候选精句可能有多个，为了提高推荐的有效性，以及可被采纳性，根据预设的筛选模型，从多个第一候选精句中筛选出多个第一目标精句，并将多个第一目标精句作为评论推荐给用户，比如，如图2-A所示，以推荐标签的形式在评论输入框下方显示第一目标精句，当用户点击对应的标签，则会将对应的第一目标精句作为评论发出，又比如，如图2-B所示，以列表的形式在评论的输入框旁边显示第一目标精句，当用户输入列表中的编号时，则会将对应的第一目标精句作为评论发出。

需要说明的是，根据应用场景的不同，预设的筛选模型不同，示例如下：

第一种示例：

在本示例中，筛选模型中包括文章原子粒度特征信息和精句的对应关系。

正如以上分析的，为了提高匹配效率，第一匹配模型中的文章特征信息粒度较粗，因而，在本实施例中，筛选模型的结构可以和第一匹配模型的结构相同，但是，筛选模型的匹配粒度较细，即在本实施例中，提取文章特征信息的文章原子粒度特征信息，比如，提取文章的子领域、子题目等，进而，根据文章原子粒度特征信息和筛选模型，确定多个第一候选精句的匹配度，将匹配度大于预设阈值的目标候选精句。

第二种示例：

在本示例中，预设的筛选模型包括打分策略，在该筛选模型中，获取每个第一候选精句的语义置信度、所属领域与待评论文章所属领域的领域匹配度等，进而，根据上述语义置信度、领域匹配度等对每一个候选精句进行打分，将分值满足预设值的前预设个数的多个目标候选精句。

基于以上描述，不难理解的是，本发明实施例中的评论推荐区别于“好”、“666”等相对没有意义的高频评论推荐，而是一种较能调动用户评论欲望的评论推荐，而有的时候用户可能具有使用上述高频评论的需求，因而，在本发明的一个实施例中，为了丰富评论推荐内容，还可以推荐一些高频评论。

具体而言，在本发明的一个实施例中，预先构建第二匹配模型，该第二匹配模型包括文章特征信息与预设高频评论的对应关系，该第二匹配模型还可以为seq2seq生成模型等，在将文章特征信息输入预设的第二匹配模型，进而，获取与第二匹配模型输出的与文章特征信息对应的多个第二候选精句，根据预设的筛选策略从多个第二候选精句中筛选出多个第二目标精句，并将多个第二目标精句作为评论推荐给用户，比如将使用频率最高的前预设个数的第二候选精句作为第二目标精句推荐给用户，其中，第二目标精句对应的预设个数可以由用户根据个人喜好设定，也可以根据用户的行为日志信息分析用户的个人喜好，根据用户的个人喜好确定第二目标精句的数量。

在实际执行过程中，为了保证推荐评论的质量，还需要对第一目标精句进行暴力等内容的识别，根据识别结果优化模型和评论推荐。

具体而言，如图3所示，在上述步骤将多个第一目标精句作为评论推荐给用户之前，还包括：

步骤201，对多个第一目标精句进行非法关键词识别，或者，精句类型与待评论文章的文章类型的匹配度的识别。

步骤202，识别包含非法关键词，或者，包含精句类型与待评论文章的文章类型的匹配度小于预设阈值的第三目标精句。

步骤203，根据第三目标精句修正第一目标精句。

在本发明的实施例中，对多个第一目标精句进行非法关键词识别，或者，精句类型与待评论文章的文章类型的匹配度的识别，该识别主体可是为预先构建的模型，当第一目标精句的数量不多时，还可以基于人工来进行标注，识别包含非法关键词，或者，包含精句类型与待评论文章的文章类型的匹配度小于预设阈值的第三目标精句后，为了进一步提高评论推荐的质量，根据第三目标精句修正第一目标精句，即将第一目标精句中的第三目标精句删除。

此时，进一步对第一匹配模型进行修正，以提高模型的稳定性和可靠性，即删除第一匹配模型中包含非法关键词的第三目标精句，按照预设算法获取匹配度小于预设阈值的第三目标精句的语义信息，根据语义信息确定与匹配度小于预设阈值的第三目标精句的匹配的目标文章特征信息，将第一匹配模型中与匹配度小于预设阈值的第三目标精句对应的原文章特征新替换为目标文章特征信息，即对第三目标精句所属的文章特征信息重新定位，当然，当第一匹配模型是根据算法参数确定文章特征信息和精句的对应关系时，还可以修正参数以优化模型。

基于以上的描述，在实际执行过程中，每一步执行过程都可以结合人工标注数据以进一步提高推荐评论的质量，下面结合具体地应用场景，对结合人工标注数据以进一步提高推荐评论的质量的过程进行描述。在本示例中，待评论文章为新闻，第一匹配模型为Multi-Feature Response Ranking模型，第二匹配模型为Seq2seq模型，筛选模型为Top过滤模型(SimNet)。

如图4所示，预先在线下构建精句库，其中，精句库中的精句为通过人工编辑的方式编辑精句模板，进而，从真实评论日志以及流行语网站中获取文本数据，将获取到的文本数据与精句模板进行聚类分析，确定与精句模板匹配的文本数据，构成精句库，进而，对输入的待评论的新闻提取文章特征信息，基于文章特征信息与第一匹配模型和第二匹配模型进行匹配，获取候选精句，进而，将候选精句输入预设的筛选模型，在筛选时，可以结合人工纠正数据优化筛选模型，比如，人工纠正数据中将包含“AA”的评论确定为非法评论，则在筛选模型中将包含“AA”作为筛选过滤的条件，当然，在筛选模型输出目标精句后，还可以将目标精句输入至人工干预平台，以在人工干预平台中将包含非法关键词的推荐评论，以及推荐评论的类别与待评论文章的类别不一致的推荐评论过滤掉以进一步提高推荐评论的质量，进而将人工干预平台干预后的评论推荐给用户。

综上，本发明实施例的评论推荐方法，确定当前待评论文章的文章特征信息，将文章特征信息输入预设的第一匹配模型，其中，第一匹配模型包括文章特征信息与预设精句的对应关系，获取第一匹配模型输出的与文章特征信息对应的多个第一候选精句，进而，根据预设的筛选模型，从多个第一候选精句中筛选出多个第一目标精句，并将多个第一目标精句作为评论推荐给用户。由此，实现了针对文章的评论推荐服务，且推荐的评论的质量较高，实用性较强，有利于增加用户和产品的粘性。

为了实现上述实施例，本发明还提出了一种评论推荐装置，图5是根据本发明一个实施例的评论推荐装置的结构示意图，如图5所示，该评论推荐装置包括确定模块10、输入模块20、获取模块30和推荐模块40。

其中，确定模块10，用于确定当前待评论文章的文章特征信息。

输入模块20，用于将文章特征信息输入预设的第一匹配模型，其中，第一匹配模型包括文章特征信息与预设精句的对应关系。

获取模块30，用于获取第一匹配模型输出的与文章特征信息对应的多个第一候选精句。

推荐模块40，用于根据预设的筛选模型，从多个第一候选精句中筛选出多个第一目标精句，并将多个第一目标精句作为评论推荐给用户。

在本发明的一个实施例中，如图6所示，在如图5所示的基础上，该装置还包括创建模块50和训练模块60。

其中，创建模块50，用于从一个或多个数据源获取网络评论数据，根据网络评论数据构建精句库。

训练模块60，用于根据文章特征信息与精句库中精句的相似度，训练第一匹配模型。

需要说明的是，前述对评论推荐方法实施例的解释说明也适用于该实施例的评论推荐装置，其实现原理类似，此处不再赘述。

综上，本发明实施例的评论推荐装置，确定当前待评论文章的文章特征信息，将文章特征信息输入预设的第一匹配模型，其中，第一匹配模型包括文章特征信息与预设精句的对应关系，获取第一匹配模型输出的与文章特征信息对应的多个第一候选精句，进而，根据预设的筛选模型，从多个第一候选精句中筛选出多个第一目标精句，并将多个第一目标精句作为评论推荐给用户。由此，实现了针对文章的评论推荐服务，且推荐的评论的质量较高，实用性较强，有利于增加用户和产品的粘性。

为了实现上述实施例，本发明还提出一种计算机程序产品，当所述计算机程序产品中的指令处理器执行时实现如前述方法实施例所描述的评论推荐方法。

为了实现上述实施例，本发明还提出一种非临时性计算机可读存储介质，其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如前述方法实施例所描述的评论推荐方法。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。

应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

此外，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模块中，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模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。

上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种评论推荐方法，其特征在于，包括以下步骤：

确定当前待评论文章的文章特征信息；

将所述文章特征信息输入预设的第一匹配模型，其中，所述第一匹配模型包括文章特征信息与预设精句的对应关系；

获取所述第一匹配模型输出的与所述文章特征信息对应的多个第一候选精句；

根据预设的筛选模型，从所述多个第一候选精句中筛选出多个第一目标精句，并将所述多个第一目标精句作为评论推荐给用户。

2.如权利要求1所述的方法，其特征在于，在所述将所述文章特征信息输入预设的第一匹配模型之前，包括：

从一个或多个数据源获取网络评论数据，根据所述网络评论数据构建精句库；

根据所述文章特征信息与所述精句库中精句的相似度，训练所述第一匹配模型。

3.如权利要求1所述的方法，其特征在于，所述筛选模型中包括文章原子粒度特征信息和精句的对应关系，所述根据预设的筛选模型，从所述多个第一候选精句中筛选出多个目标候选精句，包括：

提取所述文章特征信息的文章原子粒度特征信息；

根据所述文章原子粒度特征信息和所述筛选模型，确定所述多个第一候选精句的匹配度，将所述匹配度大于预设阈值的目标候选精句。

4.如权利要求1所述的方法，其特征在于，在所述确定当前待评论文章的文章特征信息之后，还包括：

将所述文章特征信息输入预设的第二匹配模型，其中，所述第二匹配模型包括文章特征信息与预设高频评论的对应关系；

获取所述第二匹配模型输出的与所述文章特征信息对应的多个第二候选精句；

根据预设的筛选策略从所述多个第二候选精句中筛选出多个第二目标精句，并将所述多个第二目标精句作为评论推荐给用户。

5.如权利要求1所述的方法，在所述将所述多个第一目标精句作为评论推荐给用户之前，还包括：

对所述多个第一目标精句进行非法关键词识别，或者，精句类型与所述待评论文章的文章类型的匹配度的识别；

识别包含所述非法关键词，或者，包含所述精句类型与所述待评论文章的文章类型的匹配度小于预设阈值的第三目标精句；

根据所述第三目标精句修正所述第一目标精句。

6.如权利要求5所述的方法，其特征在于，在所述识别包含所述非法关键词，或者，包含所述精句类型与所述待评论文章的文章类型的匹配度小于预设阈值的第三目标精句之后，还包括：

删除所述第一匹配模型中包含所述非法关键词的第三目标精句；

按照预设算法获取所述匹配度小于预设阈值的第三目标精句的语义信息，根据所述语义信息确定与所述匹配度小于预设阈值的第三目标精句的匹配的目标文章特征信息；

将所述第一匹配模型中与所述匹配度小于预设阈值的第三目标精句对应的原文章特征新替换为所述目标文章特征信息。

7.一种评论推荐装置，其特征在于，包括：

确定模块，用于确定当前待评论文章的文章特征信息；

输入模块，用于将所述文章特征信息输入预设的第一匹配模型，其中，所述第一匹配模型包括文章特征信息与预设精句的对应关系；

获取模块，用于获取所述第一匹配模型输出的与所述文章特征信息对应的多个第一候选精句；

推荐模块，用于根据预设的筛选模型，从所述多个第一候选精句中筛选出多个第一目标精句，并将所述多个第一目标精句作为评论推荐给用户。

8.如权利要求7所述的装置，其特征在于，还包括：

创建模块，用于从一个或多个数据源获取网络评论数据，根据所述网络评论数据构建精句库；

训练模块，用于根据所述文章特征信息与所述精句库中精句的相似度，训练所述第一匹配模型。

9.一种计算机程序产品，其特征在于，当所述计算机程序产品中的指令处理器执行时实现如权利要求1-6中任一所述的评论推荐方法。

10.一种非临时性计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-6中任一所述的评论推荐方法。