CN109885770B - 一种信息推荐方法、装置、电子设备及存储介质 - Google Patents
一种信息推荐方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN109885770B CN109885770B CN201910135898.6A CN201910135898A CN109885770B CN 109885770 B CN109885770 B CN 109885770B CN 201910135898 A CN201910135898 A CN 201910135898A CN 109885770 B CN109885770 B CN 109885770B
- Authority
- CN
- China
- Prior art keywords
- comment
- target
- user
- network data
- comments
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000004140 cleaning Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 11
- 238000012552 review Methods 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 7
- 238000012512 characterization method Methods 0.000 claims description 5
- 230000007704 transition Effects 0.000 claims description 4
- 230000003993 interaction Effects 0.000 abstract description 31
- 230000000694 effects Effects 0.000 abstract description 10
- 238000004891 communication Methods 0.000 description 14
- 238000004422 calculation algorithm Methods 0.000 description 7
- 239000013598 vector Substances 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000002996 emotional effect Effects 0.000 description 5
- 238000012163 sequencing technique Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
Images
Landscapes
- Information Transfer Between Computers (AREA)
Abstract
本申请实施例提供了一种信息推荐方法、装置、电子设备及存储介质。所述信息推荐方法包括：针对作为评论对象的网络数据，从预先构建的评论库中，确定与所述网络数据匹配的多个初始评论；从所述多个初始评论中，确定待向目标用户推荐的目标评论；其中，所述目标用户为访问所述网络数据的用户；向所述目标用户输出所确定的目标评论；其中，每一目标评论为所述目标用户可选择的内容，且被选择后作为所述目标用户对所述网络数据的评论内容进行发布。通过本申请所提供的方案，可以降低用户针对网络数据的互动成本，从而提升网络数据的互动效果。
Description
技术领域
本申请涉及数据处理领域，特别是涉及一种信息推荐方法、装置、电子设备及存储介质。
背景技术
随着互联网的发展，可供用户访问的网络数据变得越来越丰富，如资讯类新闻、直播类视频等等。而网络数据在发布后，与用户的互动是一种常见的方式。所谓的互动是指：用户可以针对网络数据的内容进行评论，即表达自己的观点、态度和意见。
现有技术中，网络数据的展示界面中包括有评论区域，这样，用户通过在评论区域输入评论内容，点击提交或发布按钮，可发布成功，完成用户互动。
但是，由于在评论区域输入评论内容的互动方式，需要用户去构思和组织语言，导致用户的互动成本较高。而随着网络数据的属性变得越来越像快消品，使得用户越来越缺乏足够的意愿去主动参与成本较高的互动形式，最终导致网络数据的互动效果较差。
发明内容
本申请实施例的目的在于提供一种信息推荐方法及装置，以降低用户针对网络数据的互动成本，从而提升网络数据的互动效果。具体技术方案如下：
第一方面，本申请实施例提供了一种信息推荐方法，包括：
针对作为评论对象的网络数据，从预先构建的评论库中，确定与所述网络数据匹配的多个初始评论；
从所述多个初始评论中，确定待向目标用户推荐的目标评论；其中，所述目标用户为访问所述网络数据的用户；
向所述目标用户输出所确定的目标评论；其中，每一目标评论为所述目标用户可选择的内容，且被选择后作为所述目标用户对所述网络数据的评论内容进行发布。
可选地，所述从预先构建的评论库中，确定与所述网络数据匹配的多个初始评论，包括：从所述网络数据的数据内容中，确定至少一个目标关键词；基于所述至少一个目标关键词，从预先构建的评论库中，确定与所述网络数据匹配的多个初始评论。
可选地，所述从所述多个初始评论中，确定待向目标用户推荐的目标评论的步骤，包括：基于目标用户的画像数据，从所述多个初始评论中，确定待向目标用户推荐的目标评论。
可选地，所述评论库中的每一评论预标注有内容标签，每一评论的内容标签为基于该评论的数据内容所确定的；
所述基于所述至少一个目标关键词，从预先构建的评论库中，确定与所述网络数据匹配的多个初始评论的步骤，包括：针对所述至少一个目标关键词中的每一目标关键词，计算各个内容标签与该目标关键词的相似度，基于所计算的相似度，确定与该目标关键词相匹配的目标内容标签；针对每一目标内容标签，从预先构建的评论库中，查找具有该目标内容标签的第一评论；基于所查找到的各个第一评论，确定与所述网络数据匹配的多个初始评论。
可选地，所述基于所查找到的各个第一评论，确定与所述网络数据匹配的多个初始评论的步骤，包括：针对所查找到的每一第一评论，基于该第一评论与所述网络数据的内容匹配度，以及该第一评论对应的热度值，计算该第一评论的权重；基于各个第一评论的权重，从所查找到的第一评论中，筛选与所述网络数据匹配的多个初始评论。
可选地，所述针对所查找到的每一第一评论，基于该第一评论与所述网络数据的内容匹配度，以及该第一评论对应的热度值，计算该第一评论的权重的步骤，包括：针对所查找到的每一第一评论，将该第一评论与所述网络数据的内容匹配度乘以该第一评论对应的热度值，将所得到的乘积作为该第一评论的权重。
可选地，基于各个第一评论的权重，从所查找到的第一评论中，筛选与所述网络数据匹配的多个初始评论的步骤，包括：按照各个第一评论的权重大小，对各个第一评论进行降序排序；将排序所得序列中的前第三数量个第一评论，作为与该网络数据匹配的多个初始评论。
可选地，每一第一评论与所述网络数据的内容匹配度的确定方式为：
针对每一第一评论，计算该第一评论中各个目标词的TF*IDF值的和，将所计算得到的和作为该第一评论与所述网络数据的内容匹配度；其中，所述各个目标词为属于所述网络数据的词语，TF为词频，IDF为逆文件频率；
每一第一评论对应的热度值的确定方式为：
针对每一第一评论，利用预设的热度值计算公式，计算该第一评论对应的热度值；其中，所述热度值计算公式为：C＝(N+1)/log(t+c)，其中，C为待计算评论对应的热度值，N为待计算评论对应的总点赞数，t为该待计算评论已发布的天数，c为预设的常数。
可选地，所述基于目标用户的画像数据，从所述多个初始评论中，确定待向目标用户推荐的目标评论的步骤，包括：
基于目标用户的画像数据和各个指定用户的画像数据，计算所述目标用户与各个指定用户的兴趣相似度，并基于所计算的兴趣相似度，从所述各个指定用户中，确定所述目标用户对应的多个参考用户，每一参考用户为与所述目标用户的兴趣相似的用户；
针对每一初始评论，基于预先记录的、各个参考用户对该初始评论是否感兴趣的表征值，预估所述目标用户对该初始评论的兴趣程度值；
基于所述目标用户对各个初始评论的兴趣程度值，从所述多个初始评论中，选择待向目标用户推荐的目标评论。
可选地，所述基于所计算的兴趣相似度，从所述各个指定用户中，确定所述目标用户对应的多个参考用户的步骤，包括：
按照各个指定用户对应的兴趣相似度的大小，对各个指定用户进行降序排序；
将排序所得序列中的前第四数量个指定用户，作为该目标用户对应的多个参考用户。
可选地，所述基于所述目标用户对各个初始评论的兴趣程度值，从所述多个初始评论中，选择待向目标用户推荐的目标评论的步骤，包括：
按照该目标用户对各个初始评论的兴趣程度值的大小，对各个初始评论进行降序排序；
将排序所得序列中的前第五数量个初始评论，作为待向目标用户推荐的目标评论。
可选地，所述画像数据包括：预先记录的、对各个内容标签的喜好程度值；
所述计算所述目标用户与各个指定用户的兴趣相似度所利用的公式包括：
其中，ωuv为目标用户u和指定用户v的兴趣相似度，ui为目标用户u对于内容标签i的喜好程度值，vi为指定用户v对于内容标签i的喜好程度值，n为用于计算兴趣相似度的内容标签的数量。
可选地，所述预估所述目标用户对该初始评论的兴趣程度值所利用的公式包括：
其中，p(u，j)为所述目标用户u对初始评论j的兴趣程度值，ωuv为目标用户u和参考用户v的兴趣相似度，rvj为参考用户v对初始评论j是否感兴趣的表征值，S为所述目标用户对应的参考用户的集合。
可选地，所述评论库的构建方式包括：获取预定网络平台下的多个评论；对所述多个评论进行预定的内容清洗处理；基于内容清洗处理后剩余的多个第二评论，构建评论库。
可选地，所述基于内容清洗处理后剩余的多个第二评论，构建评论库的步骤，包括：
按照预定的欢迎程度确定方式，确定内容清洗处理后剩余的各个第二评论的受欢迎程度值；
基于各个第二评论的受欢迎程度值，从多个第二评论中，确定用于构建评论库的第三评论；
构建包含各个第三评论的评论库。
第二方面，本申请实施例提供了一种信息推荐装置，包括：
第一确定单元，用于针对作为评论对象的网络数据，从预先构建的评论库中，确定与所述网络数据匹配的多个初始评论；
第二确定单元，用于从所述多个初始评论中，确定待向目标用户推荐的目标评论；其中，所述目标用户为访问所述网络数据的用户；
输出单元，用于向所述目标用户输出所确定的目标评论；其中，每一目标评论为所述目标用户可选择的内容，且被选择后作为所述目标用户对所述网络数据的评论内容进行发布。
可选地，所述第一确定单元包括：
关键词确定子单元，用于针对作为评论对象的网络数据，从所述网络数据的数据内容中，确定至少一个目标关键词；
初始评论确定子单元，用于基于所述至少一个目标关键词，从预先构建的评论库中，确定与所述网络数据匹配的多个初始评论。
可选地，所述第二确定单元包括：
目标评论确定子单元，用于基于目标用户的画像数据，从所述多个初始评论中，确定待向目标用户推荐的目标评论。
可选地，所述评论库中的每一评论预标注有内容标签，每一评论的内容标签为基于该评论的数据内容所确定的；
所述初始评论确定子单元包括：
标签确定模块，用于针对所述至少一个目标关键词中的每一目标关键词，计算各个内容标签与该目标关键词的相似度，基于所计算的相似度，确定与该目标关键词相匹配的目标内容标签；
评论查找模块，用于针对每一目标内容标签，从预先构建的评论库中，查找具有该目标内容标签的第一评论；
评论确定模块，用于基于所查找到的各个第一评论，确定与所述网络数据匹配的多个初始评论。
可选地，所述目标评论确定子单元包括：
参考用户确定模块，用于基于目标用户的画像数据和各个指定用户的画像数据，计算所述目标用户与各个指定用户的兴趣相似度，并基于所计算的兴趣相似度，从所述各个指定用户中，确定所述目标用户对应的多个参考用户，每一参考用户为与所述目标用户的兴趣相似的用户；
兴趣值预估模块，用于针对每一初始评论，基于预先记录的、各个参考用户对该初始评论是否感兴趣的表征值，预估所述目标用户对该初始评论的兴趣程度值；
评论选择模块，用于基于所述目标用户对各个初始评论的兴趣程度值，从所述多个初始评论中，选择待向目标用户推荐的目标评论。
第三方面，本申请实施例提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；存储器，用于存放计算机程序；处理器，用于执行存储器上所存放的程序时，实现本申请实施例所提供的一种信息推荐方法的步骤。
本申请实施例中，针对作为评论对象的网络数据，从预先构建的评论库中，确定与该网络数据匹配的多个初始评论；从多个初始评论中，确定待向目标用户推荐的目标评论；其中，目标用户为访问所述网络数据的用户；向目标用户输出所确定的目标评论；其中，每一目标评论为该目标用户可选择的内容，且被选择后作为目标用户对该网络数据的评论内容进行发布。可见，通过向用户推荐针对于网络数据的目标评论，使得用户直接对目标评论进行选择即可完成互动，而无需用户构思和组织评论内容，因此，通过本方案可以有效降低用户针对网络数据的互动成本，从而提升网络数据的互动效果。另外，本申请所提供的方案，相对于点赞或踩的单调的互动方式，可以提高互动的趣味性，更个性化的表达用户的观点和意见。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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的附图。
图1为本申请实施例所提供的一种信息推荐方法的流程图；
图2为本申请实施例所提供的一种信息推荐方法的另一流程图；
图3为本申请实施例所提供的一种信息推荐方法的又一流程图；
图4为本申请实施例所提供的一种信息推荐装置的结构示意图；
图5为本申请实施例所提供的一种电子设备的结构示意图；
图6为本申请实施例示例性给出的一个展示有各个目标评论的界面的效果示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
为了解决现有技术问题，本申请实施例提供了一种信息推荐方法、装置、电子设备及存储介质。
下面首先对本申请实施例所提供的一种信息推荐方法进行介绍。
本申请实施例所提供的一种信息推荐方法的执行主体可以为一种信息推荐装置，该信息推荐装置可以运行于电子设备中。在具体应用中，该电子设备可以为客户端软件对应的服务器；或者，该电子设备可以为安装有客户端软件的终端设备，例如：计算机、智能手机、平板设备等等。
需要说明的是，当该电子设备为客户端软件对应的服务器时，该信息推荐装置针对该客户端软件输出的网络数据进行信息推荐，并通过向客户端软件将所推荐的信息输出给用户。而当该电子设备为安装有客户端软件的终端设备时，该信息推荐装置可以为该客户端软件中的插件，或者，也可以为该客户端软件本身，进而，该信息推荐装置针对该客户端软件输出的网络数据进行信息推荐，并将所推荐的信息输出给用户。
并且，本申请实施例中所提及的网络数据可以为任何能够作为评论对象的数据，例如：资讯类新闻、直播视频、分享类数据、电竞比赛类数据等等。本申请对于网络数据的具体类型不作任何限定。另外，为了后续便于描述方案，将访问网络数据的用户命名为：目标用户，该目标用户具体为访问客户端软件的账号。其中，该访问客户端软件的账号可以为已登录账号，或者，访客账号，这都是合理的。
如图1所示，本申请实施例所提供的一种信息推荐方法，可以包括如下步骤：
S101，针对作为评论对象的网络数据，从预先构建的评论库中，确定与该网络数据匹配的多个初始评论；
为了降低用户针对网络数据的互动成本，在满足预定的触发时机时，针对作为评论对象的网络数据，该信息推荐装置可以从预先构建的评论库中，确定与该网络数据匹配的多个初始评论，并利用多个初始评论执行后续的步骤。其中，确定与该网络数据匹配的多个初始评论的目的在于：从内容角度上，为该网络数据筛选有效的评论。
其中，在作为评论对象的网络数据确定的前提下，所述预定的触发时机存在多种，也就是本申请实施例所提供的信息推荐方法的执行时机存在多种。
可选地，在一种实现方式中，该预定的触发时机可以为：在请求网络数据时。此时，网络数据和信息推荐结果可以同时输出，也就是说，目标用户在请求网络数据时，连同信息推荐结果一并请求得到，而无需发出额外的请求。举例而言：对于作为评论对象的网络数据为直播视频时，当目标用户点击进入直播视频所在直播界面时，该信息推荐装置可以针对该直播视频，执行该信息推荐方法；或者，对于网络数据为资讯类新闻时，当目标用户点击进入该资讯类新闻的内容界面时，该信息推荐装置针对该资讯类新闻，可以执行该信息推荐方法。
可选地，在另一种实现方式中，预定的触发时机可以为：作为评论对象的网络数据被展示后，当接收到关于该网络数据的评论的推荐指令时。此时，目标用户需要发出额外的指令，以请求关于该网络数据的评论的推荐结果。其中，该推荐指令的发出方式存在多种，示例性的：通过点击网络数据所在界面中的指定按钮，或者，通过对网络数据所在界面执行指定手势操作，等等。举例而言：对于作为评论对象的网络数据为直播视频时，在目标用户点击进入直播视频所在直播界面后，当目标用户点击该直播界面中的用于指示对评论进行推荐的指定按钮时，该信息推荐装置接收到推荐指令，进而执行该信息推荐方法；或者，对于作为评论对象的网络数据为资讯类新闻时，在目标用户点击进入该资讯类新闻的内容界面后，当目标用户在内容该界面执行用于指示对评论进行推荐的指定手势时，该信息推荐装置接收到推荐指令，进而执行该信息推荐方法。
需要强调的是，从预先构建的评论库中，确定与该网络数据匹配的多个初始评论的实现方式存在多种。例如：对于评论库中的各个评论，预先基于评论内容设定了标签，此时，可以基于该网络数据的数据内容与各个评论对应的标签的匹配程度，从预先构建的评论库中，确定与该网络数据匹配的多个初始评论；或者，对于评论库中各个评论，预先基于所属网络平台的类型设定了标签，此时，可以基于该网络数据所在的网络平台的类型与各个评论对应的标签的匹配程度，从预先构建的评论库中，确定与该网络数据匹配的多个初始评论；或者，对于评论库中各个评论，预先基于所对应网络数据的数据类型设定了标签，此时，可以基于该网络数据的数据类型与各个评论对应的标签的匹配程度，从预先构建的评论库中，确定与该网络数据匹配的多个初始评论，等等。
为了方案清楚及布局清晰，后续结合具体实施例，对所述从预先构建的评论库中，确定与该网络数据匹配的多个初始评论的实现方式进行详细介绍。另外，为了方案清楚及布局清晰，后续对评论库的构建方式进行介绍。
S102，从多个初始评论中，确定待向目标用户推荐的目标评论；
在确定出与网络数据匹配的多个初始评论后，可以从多个初始评论中，确定待向目标用户推荐的目标评论，这样，该信息推荐装置进一步对多个初始评论进行筛选，从而确定出适合输出给目标用户的评论。
需要说明的是，从多个初始评论中，确定待向目标用户推荐的目标评论的步骤的具体实现方式可以存在多种。例如：从多个初始评论中，随机选取预定数量的初始评论，将该预定数量的初始评论作为待向目标用户推荐的目标评论；或者，基于多个初始评论的已发布时长或热度值等评判信息，从多个初始评论中，确定待向目标用户推荐的目标评论；或者，基于目标用户的画像数据，从多个初始评论中，确定待向目标用户推荐的目标评论，等等。其中，目标用户的画像数据为目标用户的行为信息或者身份属性信息等用于表征用户的数据；而热度值可以为基于出现频次、点赞数等所确定的数值，该数值表征了受欢迎程度。
为了布局清楚及方案清楚，后续结合具体实施例，对从所述多个初始评论中，确定待向目标用户推荐的目标评论的步骤进行详细介绍。
S103，向该目标用户输出所确定的目标评论；其中，每一目标评论为该目标用户可选择的内容，且被选择后作为该目标用户对该网络数据的评论内容进行发布。
在确定出各个目标评论后，可以向该目标用户输出各个目标评论；并且，每一目标评论为该目标用户可选择的内容，而每一目标评论被选择后作为该目标用户对该网络数据的评论内容进行发布，从而实现了无需用户构思和组织语言的过程，即可完成互动。可以理解的是，所确定出的多个目标评论可以同时进行输出，或者，按照批次进行输出，这都是合理的。其中，向该目标用户输出所确定的目标评论的具体实现方式存在多种。示例性的，在一种实现方式中，在该网络数据所在的界面中输出所确定的目标评论。在另一种实现方式中，在该网络数据所在的界面关联的弹框界面中输出所确定的目标评论。为了便于方案理解，图6示例性地给出了一个展示有各个目标评论的界面的效果示意图，该示意图中通过虚线框标出的区域为展示有各个目标评论的区域。
另外，为了保证目标评论的可选择，在一种实现方式中，每一目标评论可以关联有选择框，通过勾选该选择框，可以选择评论。其中，该选择框可以连同目标评论一并展示，或者，经过对目标评论进行点击或者滑动操作后，展示选择框。并且，选择框与目标评论的位置关系存在多种，例如：选择框在目标评论的左侧、右侧、上侧、下侧等等。当然，对于目标评论的输出设备为具有触控功能的设备而言，目标用户通过触控目标评论的方式对目标评论进行选择，这也是合理的。
另外，评论库中的各个评论可以预标注有该评论的情感属性，该情感属性可以为喜欢或讨厌，当然并不局限于此。这样，在输出各个目标评论时，可以基于各个目标评论的情感属性，对各个目标评论进行分区，此时，在每个区域中显示属于同一类情感属性的目标评论；或者，可以基于各个目标评论的情感属性，对各个目标进行分批次输出，此时，在每一批次中显示属于同一类情感属性的目标评论，等等。
本申请实施例中，针对作为评论对象的网络数据，从预先构建的评论库中，确定与该网络数据匹配的多个初始评论；从多个初始评论中，确定待向目标用户推荐的目标评论；其中，目标用户为访问所述网络数据的用户；向目标用户输出所确定的目标评论；其中，每一目标评论为该目标用户可选择的内容，且被选择后作为目标用户对该网络数据的评论内容进行发布。可见，通过向用户推荐针对于网络数据的目标评论，使得用户直接对目标评论进行选择即可完成互动，而无需用户构思和组织评论内容，因此，通过本方案可以有效降低用户针对网络数据的互动成本，从而提升网络数据的互动效果。另外，本申请所提供的方案，相对于点赞或踩的单调的互动方式，可以提高互动的趣味性，更个性化的表达用户的观点和意见。
为了方案清楚及布局清晰，下面介绍评论库的构建方式。
该评论库为关于评论的数据库，也就是说，该评论库中包含若干的评论。可选地，所述评论库的构建方式，可以包括步骤A1-A3：
步骤A1，获取预定网络平台下的多个评论；
步骤A2，对所述多个评论进行预定的内容清洗处理；
步骤A3，基于内容清洗处理后剩余的多个第二评论，构建评论库。
可以理解的是，该预定网络平台可以为人工指定的平台，或者，通过预定筛选方式所确定的平台，等等。并且，可以通过网络爬虫爬取数据的方式，来获取预定网络平台下的多个评论；也可以通过人工方式来收集预定网络平台下的多个评论，进而获得人工提交的该预定网络平台下的多个评论，当然，并不局限于此。
其中，对多个评论进行预定的内容清洗处理的目的至少为：去除违规评论。具体的内容清洗处理方法，可以根据实际情况进行选定，本申请不做限定。另外，可以从内容清洗处理后剩余的多个第二评论中选择全部或部分评论，来构建评论库。对于选择部分评论的情况而言，基于内容清洗处理后剩余的多个第二评论，构建评论库的具体实现方式，存在多种。
可选地，在一种实现方式中，可以从内容清洗处理后剩余的多个第二评论中，随机选择部分的评论，来构建评论库。
可选地，在另一种实现方式中，所述基于内容清洗处理后剩余的多个第二评论，构建评论库的步骤，可以包括：
按照预定的欢迎程度确定方式，确定内容清洗处理后剩余的各个第二评论的受欢迎程度值；
基于各个第二评论的受欢迎程度值，从多个第二评论中，确定用于构建评论库的第三评论；
构建包含各个第三评论的评论库。
其中，按照预定的欢迎程度确定方式，确定内容清洗处理后剩余的各个第二评论的受欢迎程度值的实现方式存在多种。例如：针对内容清洗处理后剩余的每一第二评论，将该第二评论的总的点赞数，作为该第二评论的受欢迎程度值；或者，针对内容清洗处理后剩余的每一第二评论，基于该第二评论的被回复的次数，作为该第二评论的受欢迎程度值，等等。
并且，基于各个第二评论的受欢迎程度值，从多个第二评论中，确定用于构建评论库的第三评论的具体实现方式存在多种，例如：为了保证评论为热度较高的评论，可以将受欢迎程度值大于预定程度值的第二评论作为构建评论库的第三评论；或者，为了保证评论库中的评论的数量符合预定数量要求，可以按照各个第二评论的受欢迎程度值，对各个第二评论进行降序排列，将位于排序所得序列的前指定数量个第二评论，作为用于构建评论库的第三评论。
需要强调的是，上述所给出的评论库的构建方式仅仅作为示例，并不应该构成对本申请实施例的限定。
下面结合具体实施例，对本申请实施例所提供的一种信息推荐方法进行介绍。如图2所示，本申请实施例所提供的一种信息推荐方法，可以包括：
S201，针对作为评论对象的网络数据，从该网络数据的数据内容中，确定至少一个目标关键词；
本具体实施例中，S201-S202是图1所示实施例中S101的一种具体实现方式，当然，S101的具体实现方式并不局限于S201-S202。
为了降低用户针对网络数据的互动成本，在满足预定的触发时机时，针对作为评论对象的网络数据，该信息推荐装置可以从该网络数据的数据内容中，确定至少一个目标关键词，并基于至少一个目标关键词，从预先构建的评论库中，确定与该网络数据匹配的多个初始评论，进而利用多个初始评论进行后续的步骤。其中，在作为评论对象的网络数据确定的前提下，所述预定的触发时机存在多种，关于触发时机的具体示例可以参见图1所示实施例中的相关描述内容，在此不做赘述。
需要说明的是，对于网络数据为文字类内容的情况而言，网络数据的数据内容可以为网络数据本身；而对于网络数据为视频类内容的情况而言，网络数据的数据内容可以为网络数据的音频内容，或者，文字简介内容，等等，这都是合理的。
并且，在网络数据确定的情况下，确定该网络数据的至少一个目标关键词的方式，可以为现有技术中任何一种能够从数据中确定关键词的方式。例如：采用TF-IDF(TermFrequency-Inverse Document Frequency，词频-逆向文件频率)算法，来提取网络数据对应的至少一个目标关键词，具体的，计算从网络数据的数据内容中提取的每一个词语的TF*IDF，将TF*IDF大于预定阈值的词语作为目标关键词，或者，对各个TF*IDF进行降序排序，将排序所得序列中的前指定数量个词语作为目标关键词。
可以理解的是，TF-IDF的主要思想是：如果某个词语在一文档中出现的频率高，并且在其他文档中很少出现，则认为此词语具有很好的类别区分能力，适合用来分类。其中，这里的词语为单个字或多个字。
其中，TF具体指某一给定的词语在一文档中出现的频率，具体的计算公式可以为：
其中，IDF的主要思想是：如果包含词语W的文档越少,IDF越大，则说明对词语W具有很好的类别区分能力。某一特定词语的IDF，可以由总文档数目除以包含该词语的文档的数目，再将得到的商取对数得到，具体的计算公式可以为：
需要说明的是，本申请在利用TF-IDF算法时，可以预先构建预料库，该语料库可以由多个网络数据样本的数据内容所构成。这样，在执行S201时，针对网络数据的数据内容中的每一词语，可以将该词语在该网络数据的数据内容中出现次数，除以该网络数据的数据内容中所有词语的数目，从而得到该词语的TF；而针对网络数据的数据内容中的每一词语，可以由语料库中网络数据样本的总数目除以包含该词语的网络数据样本的数目，再将得到的商取对数得到该词语的IDF。
S202，基于至少一个目标关键词，从预先构建的评论库中，确定与该网络数据匹配的多个初始评论；
本具体实施例中，为了能够基于网络数据的数据内容，从预先构建的评论库中，确定与该网络数据匹配的多个初始评论，对评论库中的每个评论进行了预标注处理。具体的，该评论库中的每一评论预标注有内容标签，每一评论的内容标签为基于该评论的数据内容所确定的。可以理解的是，每一评论的内容标签可以通过人工方式设定，即人工基于评论的数据内容为评论标注内容标签；或者，可以通过预定的分析算法得到各个评论的内容标签，例如：通过TF-IDF算法提取评论中的关键词，将关键词作为评论的内容标签，等等。另外，对于一个评论而言，该评论可以标注有一个内容标签，也可以标注有至少两个内容标签，这都是合理的。
并且，内容标签的可以为从评论的数据内容中所提取的、能够表征该评论的部分内容，也可以为基于评论的数据内容，结合评论所在的网络平台或所属的网络数据，所总结的、能够表征该评论的内容。例如：对于评论：明星A的演技真是太厉害了，此时，可以将该明星A作为该评论的内容标签，或者，结合评论所属的网络数据电视剧1，将明星A和该评论所属的电视剧1作为评论的两个内容标签。
在评论库中的每个评论预标注有内容标签的前提下，可选地，在一种实现方式中，所述基于至少一个目标关键词，从预先构建的评论库中，确定与该网络数据匹配的多个初始评论的步骤，可以包括如下步骤B1-B3：
步骤B1，针对至少一个目标关键词中的每一目标关键词，计算各个内容标签与该目标关键词的相似度，基于所计算的相似度，确定与该目标关键词相匹配的目标内容标签；
可以理解的是，计算各个内容标签与该目标关键词的相似度即为计算文本之间的相似度，现有技术中任何一种能够计算文本之间的相似度的实现方式均可以应用于本申请。现有技术中能够计算文本之间的相似度的实现方式可以包括但不局限于：计算文本之间的欧氏距离、余弦相似度或编辑距离，将计算得到的值作为文本之间的相似度。
其中，欧式距离也称欧几里得距离，是最常见的距离度量，衡量的是多维空间中两个点之间的绝对距离。余弦相似度，用向量空间中两个向量的夹角的余弦值来衡量两个文本间的相似度，相比距离度量，余弦相似度更加注重两个向量在方向上的差异。而编辑距离主要用来计算两个字符串的相似度，其定义如下：设有字符串A和B，B为模式串，现给定以下操作：从字符串中删除一个字符，从字符串中插入一个字符，从字符串中替换一个字符；通过以上三种操作，将字符串A编辑为模式串B所需的最小操作数称为A和B的最短编辑距离，记为ED(A,B)。另外，需要说明的是，在计算文本之间的欧式距离、余弦相似度之前，可以首先利用word2vec算法等向量表示算法得到文本的向量表示内容，进而利用文本的向量表示内容，来计算文本之间的欧式距离、余弦相似度。其中，word2vec是一种自然语言处理算法，它的特点是将所有的词向量化，这样词与词之间就可以定量的去度量他们之间的关系，挖掘词之间的联系。
并且，基于所计算的相似度，确定与该目标关键词相匹配的目标内容标签的具体实现方式存在多种。示例性的，针对每一目标关键词，可以将相似度大于预设相似度阈值的内容标签，作为与该目标关键词相匹配的目标标签；或者，针对每一目标关键词，将所计算得到的该目标关键词对应的相似度进行降序排列，将排列所得序列中的前第一数量个相似度对应的内容标签，作为与该目标关键词相匹配的目标内容标签，等等。
步骤B2，针对每一目标内容标签，从预先构建的评论库中，查找具有该目标内容标签的第一评论；
步骤B3，基于所查找到的各个第一评论，确定与该网络数据匹配的多个初始评论。
在查找到各个第一评论后，可以从各个第一评论中筛选出与该网络数据匹配的多个初始评论。
需要说明的是，基于所查找到的各个第一评论，确定与该网络数据匹配的多个初始评论的具体实现方式存在多种。
示例性的，在一种实现方式中，可以从各个第一评论中随机筛选所需数量的第一评论，作为与该网络数据匹配的多个初始评论。
在另一种实现方式中，可以按照各个第一评论的受欢迎程度值，对各个第一评论进行降序排序，将排序所得序列中的前第二数量个第一评论，作为与该网络数据匹配的多个初始评论。其中，每一第一评论的受欢迎程度值，可以为该第一评论的总点赞数。
为了找到契合度更高的初始评论，在另一种实现方式中，所述基于所查找到的各个第一评论，确定与该网络数据匹配的多个初始评论的步骤，可以包括步骤B31-B32：
步骤B31，针对所查找到的每一第一评论，基于该第一评论与该网络数据的内容匹配度，以及该第一评论对应的热度值，计算该第一评论的权重；
步骤B32，基于各个第一评论的权重，从所查找到的第一评论中，筛选与所述网络数据匹配的多个初始评论。
其中，第一评论与该网络数据的内容匹配度即为在内容上的相似度。可以理解的是，第一评论与该网络数据的内容匹配度的计算方式存在多种。示例性的，在一种实现方式中，每一第一评论与该网络数据的内容匹配度的确定方式可以为：针对每一第一评论，计算该第一评论中各个目标词的数量，将所计算得到的数量作为该第一评论与该网络数据的内容匹配度，其中，该各个目标词为属于该网络数据的词语。示例性的，在另一种实现方式中，每一第一评论与该网络数据的内容匹配度的确定方式可以为：
针对每一第一评论，计算该第一评论中各个目标词的TF*IDF值的和，将所计算得到的和作为该第一评论与该网络数据的内容匹配度；其中，该各个目标词为属于该网络数据的词语，TF为词频，IDF为逆文件频率。其中，各个目标词的TF和IDF的具体计算方式可以参照前述的相关描述内容，在此不做赘述。
其中，第一评论对应的热度值的计算方式存在多种。示例性，在一种实现方式中，每一第一评论对应的热度值的确定方式可以为：针对每一第一评论，将该第一评论的总点赞数作为该第一评论的热度值。示例性的，在另一种实现方式中，每一第一评论对应的热度值的确定方式可以为：
针对每一第一评论，利用预设的热度值计算公式，计算该第一评论对应的热度值；其中，所述热度值计算公式为：C＝(N+1)/log(t+c)，其中，C为待计算评论对应的热度值，N为待计算评论对应的总点赞数，t为该待计算评论已发布的天数，c为预设的常数。其中，对于网络数据更新较快的场景而言，C的数值可以设置较大的数值，而对于网络数据更新较慢的场景而言，C的数值可以设置较小的数值。其中，参数N使得所有评论中，更多人使用的评论具有更高的权重；而参数t和c可以使评论具有时效性，即最新的评论会有更高的权重，并且，在几天内快速下降，保证最新的评论可以具有一定的热度，同时，参数c来调整权重下降的速率。
另外，所述针对所查找到的每一第一评论，基于该第一评论与所述网络数据的内容匹配度，以及该第一评论对应的热度值，计算该第一评论的权重的具体实现方式存在多种。示例性的，在一种实现方式中，可以针对所查找到的每一第一评论，将该第一评论与所述网络数据的内容匹配度乘以该第一评论对应的热度值，将所得到的乘积作为该第一评论的权重。
基于上述描述，在具体应用中，为了找到契合度更高的初始评论，针对所查找到的每一第一评论，基于该第一评论与该网络数据的内容匹配度，以及该第一评论对应的热度值，计算该第一评论的权重时，所利用的公式可以表示如下：
其中，Q为待计算评论的权重，k为待计算评论中各个目标词的TF*IDF值的和，N为待计算评论对应的总点赞数，t为该待计算评论已发布的天数，c为预设的常数，该各个目标词为属于网络数据的词语。该具体方式中，k为待计算评论与网络数据的内容匹配度，(N+1)/log(t+c)为待计算评论对应的热度值。
另外，所述基于各个第一评论的权重，从所查找到的第一评论中，确定与该网络数据匹配的多个初始评论的步骤，可以包括：
按照各个第一评论的权重大小，对各个第一评论进行降序排序；
将排序所得序列中的前第三数量个第一评论，作为与该网络数据匹配的多个初始评论。
需要强调的是，所述基于各个第一评论的权重，从所查找到的第一评论中，确定与所述网络数据匹配的多个初始评论的具体实现方式仅仅作为示例，并不应该构成对本申请的限定。例如：还可以将权重大于预设权重阈值的第一评论，确定为与该网络数据匹配的多个初始评论，等等。
S203，从多个初始评论中，确定待向目标用户推荐的目标评论；
S204，向该目标用户输出所确定的目标评论；其中，每一目标评论为所述目标用户可选择的内容，且被选择后作为所述目标用户对所述网络数据的评论内容进行发布。
本具体实施例中，S203-S204与上述图1所示实施例的S102和S103相同，在此不做赘述。
本具体实施例中，针对作为评论对象的网络数据，从网络数据的数据内容中，确定至少一个目标关键词；基于至少一个目标关键词，从预先构建的评论库中，确定与该网络数据匹配的多个初始评论；从多个初始评论中，确定待向目标用户推荐的目标评论；向目标用户输出所确定的目标评论；其中，每一目标评论为该目标用户可选择的内容，且被选择后作为目标用户对该网络数据的评论内容进行发布。可见，通过向用户推荐针对于网络数据的目标评论，使得用户直接对目标评论进行选择即可完成互动，而无需用户构思和组织评论内容，因此，通过本方案可以有效降低用户针对网络数据的互动成本，从而提升网络数据的互动效果。另外，在确定目标评论时基于网络数据的数据内容，使得目标评论与网络数据的契合程度较高，可以提高目标评论对于网络数据的有效性。
下面结合另一具体实施例，对本申请实施例所提供的一种信息推荐方法进行介绍。
如图3所示，本申请实施例所提供的一种信息推荐方法，可以包括如下步骤：
S301，针对作为评论对象的网络数据，从所述网络数据的数据内容中，确定至少一个目标关键词；
S302，基于至少一个目标关键词，从预先构建的评论库中，确定与所述网络数据匹配的多个初始评论；
本具体实施例中，S301-S302与上述图2所示实施例中的S210-S202相同，在此不做赘述。
S303，基于该目标用户的画像数据，从多个初始评论中，确定待向目标用户推荐的目标评论；
本具体实施例中，S303为上述实施例S102的一种具体实现方式。
可以理解的是，基于该目标用户的画像数据，从多个初始评论中，确定待向目标用户推荐的目标评论的具体实现方式存在多种。
示例性的，在一种实现方式中，可以基于用户行为的协同过滤思想，来从多个初始评论中筛选出待向目标用户推荐的目标评论，实现基于目标用户的个性化推荐，该协同过滤思想具体为：查找与目标用户兴趣相似度的其他用户，基于其他用户对于各个初始评论是否感兴趣，来预估目标用户对各个初始评论的兴趣程度值，进而基于预估出的结果，从多个初始评论中进行筛选，得到待向目标用户推荐的目标评论。基于该种处理思想，具体的，所述基于目标用户的画像数据，从多个初始评论中，确定待向目标用户推荐的目标评论的步骤，可以包括步骤C1-C3：
步骤C1，基于目标用户的画像数据和各个指定用户的画像数据，计算目标用户与各个指定用户的兴趣相似度，并基于所计算的兴趣相似度，从各个指定用户中，确定目标用户对应的多个参考用户，每一参考用户为与目标用户的兴趣相似的用户；
其中，各个指定用户可以为预先指定的用于计算兴趣相似度的用户，具体的，各个指定用户可以为已登录用户中的部分用户或全部用户。
可选地，在一种实现方式中，所述画像数据包括：预先记录的、对各个内容标签的喜好程度值；该喜好程度值可以为使用评论的次数，或者，对评论点赞的次数，等等。
此时，所述计算目标用户与各个指定用户的兴趣相似度所利用的公式包括：
其中，ωuv为目标用户u和指定用户v的兴趣相似度，ui为目标用户u对于内容标签i的喜好程度值，vi为指定用户v对于内容标签i的喜好程度值，n为用于计算兴趣相似度的内容标签的数量。其中，内容标签i为用于计算兴趣相似度的内容标签，并且，可以将评论库中各个评论的内容标签均作为用于计算兴趣相似度的内容标签，或者，可以按照预定的筛选方式，从评论库中各个评论的内容标签筛选部分内容标签，作为用于计算兴趣相似度的内容标签，这都是合理的。
其中，基于所计算的兴趣相似度，从各个指定用户中，确定目标用户对应的多个参考用户的具体实现方式存在多种。示例性的，按照各个指定用户对应的兴趣相似度的大小，对各个指定用户进行降序排序，将排序所得序列中的前第四数量个指定用户，作为该目标用户对应的多个参考用户。或者，将所对应的兴趣相似度大于预设相似度阈值的指定用户作为目标用户对应的参考用户。
步骤C2，针对每一初始评论，基于预先记录的、各个参考用户对该初始评论是否感兴趣的表征值，预估该目标用户对该初始评论的兴趣程度值；
其中，每一参考用户对该初始评论是否感兴趣的表征值的具体给定方式可以为：如果该参考用户使用过该初始评论或者点赞过该初始评论，则该参考用户对该初始评论是否感兴趣的表征值可以为第一数值，否则，该表征值可以为第二数值。其中，第一数值大于第二数值，例如：第一数值可以为1，而第二数值可以为0。
其中，在一种实现方式中，所述预估目标用户对该初始评论的兴趣程度值所利用的公式包括：
其中，p(u，j)为所述目标用户u对初始评论j的兴趣程度值，ωuv为目标用户u和参考用户v的兴趣相似度，rvj为参考用户v对初始评论j是否感兴趣的表征值，S为所述目标用户对应的参考用户的集合。
步骤C3，基于该目标用户对各个初始评论的兴趣程度值，从多个初始评论中，选择待向目标用户推荐的目标评论。
其中，基于该目标用户对各个初始评论的兴趣程度值，从多个初始评论中，选择待向目标用户推荐的目标评论的具体实现方式存在多种。
示例性的，在一种实现方式中，所述基于该目标用户对各个初始评论的兴趣程度值，从多个初始评论中，选择待向目标用户推荐的目标评论的步骤，可以包括：
按照该目标用户对各个初始评论的兴趣程度值的大小，对各个初始评论进行降序排序；
将排序所得序列中的前第五数量个初始评论，作为待向目标用户推荐的目标评论。
示例性的，在另一种实现方式中，所述基于目标用户对各个初始评论的兴趣程度值，从多个初始评论中，选择待向目标用户推荐的目标评论的步骤，可以包括：
将兴趣程度值大于预设兴趣值阈值的初始评论，作为待向目标用户推荐的目标评论。
S304，向该目标用户输出所确定的目标评论；其中，每一目标评论为该目标用户可选择的内容，且被选择后作为该目标用户对该网络数据的评论内容进行发布。
本具体实施例中，S304与上述图1所示实施例中S103相同，在此不做赘述。
本具体实施例中，针对作为评论对象的网络数据，从网络数据的数据内容中，确定至少一个目标关键词；基于至少一个目标关键词，从预先构建的评论库中，确定与该网络数据匹配的多个初始评论；基于目标用户的画像数据，从多个初始评论中，确定待向目标用户推荐的目标评论；向目标用户输出所确定的目标评论；其中，每一目标评论为该目标用户可选择的内容，且被选择后作为目标用户对该网络数据的评论内容进行发布。可见，通过向用户推荐针对于网络数据的目标评论，使得用户直接对目标评论进行选择即可完成互动，而无需用户构思和组织评论内容，因此，通过本方案可以有效降低用户针对网络数据的互动成本，从而提升网络数据的互动效果。另外，在确定目标评论时基于网络数据的数据内容和目标用户的画像数据，使得目标评论与网络数据的契合程度较高，且目标评论与目标用户的兴趣的契合度较高，可以进一步提高目标评论对于网络数据的有效性。
相应于上述的方法实施例，本申请实施例还提供了一种信息推荐装置。
如图4所示，本申请实施例所提供的一种信息推荐装置，可以包括：
第一确定单元410，用于针对作为评论对象的网络数据，从预先构建的评论库中，确定与所述网络数据匹配的多个初始评论；
第二确定单元420，用于从所述多个初始评论中，确定待向目标用户推荐的目标评论；其中，所述目标用户为访问所述网络数据的用户；
输出单元430，用于向所述目标用户输出所确定的目标评论；其中，每一目标评论为所述目标用户可选择的内容，且被选择后作为所述目标用户对所述网络数据的评论内容进行发布。
本申请实施例中，针对作为评论对象的网络数据，从预先构建的评论库中，确定与该网络数据匹配的多个初始评论；从多个初始评论中，确定待向目标用户推荐的目标评论；其中，目标用户为访问所述网络数据的用户；向目标用户输出所确定的目标评论；其中，每一目标评论为该目标用户可选择的内容，且被选择后作为目标用户对该网络数据的评论内容进行发布。可见，通过向用户推荐针对于网络数据的目标评论，使得用户直接对目标评论进行选择即可完成互动，而无需用户构思和组织评论内容，因此，通过本方案可以有效降低用户针对网络数据的互动成本，从而提升网络数据的互动效果。
可选地，所述第一确定单元410可以包括：
关键词确定子单元，用于针对作为评论对象的网络数据，从所述网络数据的数据内容中，确定至少一个目标关键词；
初始评论确定子单元，用于基于所述至少一个目标关键词，从预先构建的评论库中，确定与所述网络数据匹配的多个初始评论。
可选地，所述第二确定单元420可以包括：
目标评论确定子单元，用于基于目标用户的画像数据，从所述多个初始评论中，确定待向目标用户推荐的目标评论。
可选地，所述评论库中的每一评论预标注有内容标签，每一评论的内容标签为基于该评论的数据内容所确定的；
所述初始评论确定子单元可以包括：
标签确定模块，用于针对所述至少一个目标关键词中的每一目标关键词，计算各个内容标签与该目标关键词的相似度，基于所计算的相似度，确定与该目标关键词相匹配的目标内容标签；
评论查找模块，用于针对每一目标内容标签，从预先构建的评论库中，查找具有该目标内容标签的第一评论；
评论确定模块，用于基于所查找到的各个第一评论，确定与所述网络数据匹配的多个初始评论。
可选地，所述评论确定模块可以包括：
权重计算子模块，用于针对所查找到的每一第一评论，基于该第一评论与所述网络数据的内容匹配度，以及该第一评论对应的热度值，计算该第一评论的权重；
评论确定子模块，用于基于各个第一评论的权重，从所查找到的第一评论中，筛选与所述网络数据匹配的多个初始评论。
可选地，所述权重计算子模块具体用于：
针对所查找到的每一第一评论，将该第一评论与所述网络数据的内容匹配度乘以该第一评论对应的热度值，将所得到的乘积作为该第一评论的权重。
可选地，所述评论确定子模块具体用于：
按照各个第一评论的权重大小，对各个第一评论进行降序排序；
将排序所得序列中的前第三数量个第一评论，作为与该网络数据匹配的多个初始评论。可选地，每一第一评论与所述网络数据的内容匹配度的确定方式为：
针对每一第一评论，计算该第一评论中各个目标词的TF*IDF值的和，将所计算得到的和作为该第一评论与所述网络数据的内容匹配度；其中，所述各个目标词为属于所述网络数据的词语，TF为词频，IDF为逆文件频率；
每一第一评论对应的热度值的确定方式为：
针对每一第一评论，利用预设的热度值计算公式，计算该第一评论对应的热度值；其中，所述热度值计算公式为：C＝(N+1)/log(t+c)，其中，C为待计算评论对应的热度值，N为待计算评论对应的总点赞数，t为该待计算评论已发布的天数，c为预设的常数。
可选地，所述目标评论确定子单元包括：
参考用户确定模块，用于基于目标用户的画像数据和各个指定用户的画像数据，计算所述目标用户与各个指定用户的兴趣相似度，并基于所计算的兴趣相似度，从所述各个指定用户中，确定所述目标用户对应的多个参考用户，每一参考用户为与所述目标用户的兴趣相似的用户；
兴趣值预估模块，用于针对每一初始评论，基于预先记录的、各个参考用户对该初始评论是否感兴趣的表征值，预估所述目标用户对该初始评论的兴趣程度值；
评论选择模块，用于基于所述目标用户对各个初始评论的兴趣程度值，从所述多个初始评论中，选择待向目标用户推荐的目标评论。
可选地，所述参考用户确定模块基于所计算的兴趣相似度，从所述各个指定用户中，确定所述目标用户对应的多个参考用户，具体为：
按照各个指定用户对应的兴趣相似度的大小，对各个指定用户进行降序排序；
将排序所得序列中的前第四数量个指定用户，作为该目标用户对应的多个参考用户。
可选地，所述评论选择模块具体用于：
按照该目标用户对各个初始评论的兴趣程度值的大小，对各个初始评论进行降序排序；
将排序所得序列中的前第五数量个初始评论，作为待向目标用户推荐的目标评论。可选地，所述画像数据包括：预先记录的、对各个内容标签的喜好程度值；
所述计算所述目标用户与各个指定用户的兴趣相似度所利用的公式包括：
其中，ωuv为目标用户u和指定用户v的兴趣相似度，ui为目标用户u对于内容标签i的喜好程度值，vi为指定用户v对于内容标签i的喜好程度值，n为用于计算兴趣相似度的内容标签的数量。
可选地，所述预估所述目标用户对该初始评论的兴趣程度值所利用的公式包括：
其中，p(u，j)为所述目标用户u对初始评论j的兴趣程度值，ωuv为目标用户u和参考用户v的兴趣相似度，rvj为参考用户v对初始评论j是否感兴趣的表征值，S为所述目标用户对应的参考用户的集合。
可选地，所述评论库的构建方式包括：
获取预定网络平台下的多个评论；
对所述多个评论进行预定的内容清洗处理；
基于内容清洗处理后剩余的多个第二评论，构建评论库。
可选地，所述基于内容清洗处理后剩余的多个第二评论，构建评论库的步骤，包括：
按照预定的欢迎程度确定方式，确定内容清洗处理后剩余的各个第二评论的受欢迎程度值；
基于各个第二评论的受欢迎程度值，从多个第二评论中，确定用于构建评论库的第三评论；
构建包含各个第三评论的评论库。
本申请实施例还提供了一种电子设备，如图5所示，包括处理器501、通信接口502、存储器503和通信总线504，其中，处理器501，通信接口502，存储器503通过通信总线504完成相互间的通信，
存储器503，用于存放计算机程序；
处理器501，用于执行存储器503上所存放的程序时，实现本申请实施例所提供的一种信息推荐方法的步骤。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(Extended IndustryStandardArchitecture，EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
另外，本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现本申请实施例所提供的一种信息推荐方法的步骤。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物品或者设备不仅包括那些要素，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、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，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。
以上所述仅为本申请的较佳实施例而已，并非用于限定本申请的保护范围。凡在本申请的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本申请的保护范围内。
Claims (12)
1.一种信息推荐方法，其特征在于，包括：
针对作为评论对象的网络数据，从预先构建的评论库中，确定与所述网络数据匹配的多个初始评论；
从所述多个初始评论中，确定待向目标用户推荐的目标评论；其中，所述目标用户为访问所述网络数据的用户；
向所述目标用户输出所确定的目标评论；其中，每一目标评论为所述目标用户可选择的内容，且被选择后作为所述目标用户对所述网络数据的评论内容进行发布；
其中，所述从所述多个初始评论中，确定待向目标用户推荐的目标评论的步骤，包括：
基于目标用户的画像数据，从所述多个初始评论中，确定待向目标用户推荐的目标评论。
2.根据权利要求1所述的方法，其特征在于，所述从预先构建的评论库中，确定与所述网络数据匹配的多个初始评论，包括：
从所述网络数据的数据内容中，确定至少一个目标关键词；
基于所述至少一个目标关键词，从预先构建的评论库中，确定与所述网络数据匹配的多个初始评论。
3.根据权利要求2所述的方法，其特征在于，所述评论库中的每一评论预标注有内容标签，每一评论的内容标签为基于该评论的数据内容所确定的；
所述基于所述至少一个目标关键词，从预先构建的评论库中，确定与所述网络数据匹配的多个初始评论的步骤，包括：
针对所述至少一个目标关键词中的每一目标关键词，计算各个内容标签与该目标关键词的相似度，基于所计算的相似度，确定与该目标关键词相匹配的目标内容标签；
针对每一目标内容标签，从预先构建的评论库中，查找具有该目标内容标签的第一评论；
基于所查找到的各个第一评论，确定与所述网络数据匹配的多个初始评论。
4.根据权利要求3所述的方法，其特征在于，所述基于所查找到的各个第一评论，确定与所述网络数据匹配的多个初始评论的步骤，包括：
针对所查找到的每一第一评论，基于该第一评论与所述网络数据的内容匹配度，以及该第一评论对应的热度值，计算该第一评论的权重；
基于各个第一评论的权重，从所查找到的第一评论中，筛选与所述网络数据匹配的多个初始评论。
5.根据权利要求4所述的方法，其特征在于，所述针对所查找到的每一第一评论，基于该第一评论与所述网络数据的内容匹配度，以及该第一评论对应的热度值，计算该第一评论的权重的步骤，包括：
针对所查找到的每一第一评论，将该第一评论与所述网络数据的内容匹配度乘以该第一评论对应的热度值，将所得到的乘积作为该第一评论的权重。
6.根据权利要求4所述的方法，其特征在于，每一第一评论与所述网络数据的内容匹配度的确定方式为：
针对每一第一评论，计算该第一评论中各个目标词的TF*IDF值的和，将所计算得到的和作为该第一评论与所述网络数据的内容匹配度；其中，所述各个目标词为属于所述网络数据的词语， TF为词频，IDF为逆文件频率；
每一第一评论对应的热度值的确定方式为：
针对每一第一评论，利用预设的热度值计算公式，计算该第一评论对应的热度值；其中，所述热度值计算公式为：C=（N+1） /log(t+c)，其中，C为待计算评论对应的热度值，N为待计算评论对应的总点赞数，t为该待计算评论已发布的天数，c为预设的常数。
7.根据权利要求1所述的方法，其特征在于，所述基于目标用户的画像数据，从所述多个初始评论中，确定待向目标用户推荐的目标评论的步骤，包括：
基于目标用户的画像数据和各个指定用户的画像数据，计算所述目标用户与各个指定用户的兴趣相似度，并基于所计算的兴趣相似度，从所述各个指定用户中，确定所述目标用户对应的多个参考用户，每一参考用户为与所述目标用户的兴趣相似的用户；
针对每一初始评论，基于预先记录的、各个参考用户对该初始评论是否感兴趣的表征值，预估所述目标用户对该初始评论的兴趣程度值；
基于所述目标用户对各个初始评论的兴趣程度值，从所述多个初始评论中，选择待向目标用户推荐的目标评论。
8.根据权利要求7所述的方法，其特征在于，所述画像数据包括：预先记录的、对各个内容标签的喜好程度值；
所述计算所述目标用户与各个指定用户的兴趣相似度所利用的公式包括：
其中，
为目标用户u和指定用户v的兴趣相似度，
为目标用户u对于内容标签i的喜好程度值，
为指定用户v对于内容标签i的喜好程度值，n为用于计算兴趣相似度的内容标签的数量。
9.根据权利要求7所述的方法，其特征在于，所述预估所述目标用户对该初始评论的兴趣程度值所利用的公式包括：
其中，
为所述目标用户u对初始评论
的兴趣程度值，
为目标用户u和参考用户v的兴趣相似度，
为参考用户v对初始评论
是否感兴趣的表征值，
为所述目标用户对应的参考用户的集合。
10.根据权利要求1所述的方法，其特征在于，所述评论库的构建方式包括：
获取预定网络平台下的多个评论；
对所述多个评论进行预定的内容清洗处理；
基于内容清洗处理后剩余的多个第二评论，构建评论库。
11.根据权利要求10所述的方法，其特征在于，所述基于内容清洗处理后剩余的多个第二评论，构建评论库的步骤，包括：
按照预定的欢迎程度确定方式，确定内容清洗处理后剩余的各个第二评论的受欢迎程度值；
基于各个第二评论的受欢迎程度值，从多个第二评论中，确定用于构建评论库的第三评论；
构建包含各个第三评论的评论库。
12.一种信息推荐装置，其特征在于，包括：
第一确定单元，用于针对作为评论对象的网络数据，从预先构建的评论库中，确定与所述网络数据匹配的多个初始评论；
第二确定单元，用于从所述多个初始评论中，确定待向目标用户推荐的目标评论；其中，所述目标用户为访问所述网络数据的用户；
输出单元，用于向所述目标用户输出所确定的目标评论；其中，每一目标评论为所述目标用户可选择的内容，且被选择后作为所述目标用户对所述网络数据的评论内容进行发布；
其中，所述第二确定单元包括：目标评论确定子单元，用于基于目标用户的画像数据，从所述多个初始评论中，确定待向目标用户推荐的目标评论。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910135898.6A CN109885770B (zh) | 2019-02-20 | 2019-02-20 | 一种信息推荐方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910135898.6A CN109885770B (zh) | 2019-02-20 | 2019-02-20 | 一种信息推荐方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109885770A CN109885770A (zh) | 2019-06-14 |
| CN109885770B true CN109885770B (zh) | 2022-01-07 |
Family
ID=66929139
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910135898.6A Active CN109885770B (zh) | 2019-02-20 | 2019-02-20 | 一种信息推荐方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109885770B (zh) |
Families Citing this family (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110324647A (zh) * | 2019-07-15 | 2019-10-11 | 北京字节跳动网络技术有限公司 | 信息的确定方法、装置及电子设备 |
| CN110519617B (zh) * | 2019-07-18 | 2023-04-07 | 平安科技（深圳）有限公司 | 视频评论处理方法、装置、计算机设备及存储介质 |
| CN110569334A (zh) * | 2019-09-11 | 2019-12-13 | 北京搜狐新动力信息技术有限公司 | 一种自动生成评论的方法及装置 |
| CN110866192B (zh) * | 2019-11-13 | 2023-05-02 | 北京秒针人工智能科技有限公司 | 推广效率评价方法、推广方式确定方法及装置 |
| CN110968682A (zh) * | 2019-11-29 | 2020-04-07 | 北京达佳互联信息技术有限公司 | 评论信息发布方法、装置、客户端、服务器和系统 |
| CN110889076B (zh) * | 2019-11-29 | 2021-04-13 | 北京达佳互联信息技术有限公司 | 评论信息发布方法、装置、客户端、服务器、系统和介质 |
| CN110913266B (zh) * | 2019-11-29 | 2020-12-29 | 北京达佳互联信息技术有限公司 | 评论信息显示方法、装置、客户端、服务器、系统和介质 |
| CN110990700A (zh) * | 2019-11-29 | 2020-04-10 | 北京达佳互联信息技术有限公司 | 评论信息显示方法、装置、客户端、服务器和系统 |
| CN113495942B (zh) * | 2020-04-01 | 2022-07-05 | 百度在线网络技术（北京）有限公司 | 推送信息的方法和装置 |
| CN111310060B (zh) * | 2020-05-13 | 2020-10-09 | 腾讯科技（深圳）有限公司 | 推荐方法、装置、电子设备及计算机可读存储介质 |
| CN111669657A (zh) * | 2020-06-08 | 2020-09-15 | 咪咕文化科技有限公司 | 视频评论方法、装置、电子设备及存储介质 |
| CN111783013A (zh) * | 2020-06-28 | 2020-10-16 | 百度在线网络技术（北京）有限公司 | 评论信息发布的方法、装置、设备及计算机可读存储介质 |
| CN111782968B (zh) * | 2020-07-02 | 2022-02-18 | 北京字节跳动网络技术有限公司 | 内容推荐方法、装置、可读介质及电子设备 |
| CN112115368B (zh) * | 2020-09-29 | 2022-07-05 | 安徽多点美好智能科技有限公司 | 一种基于大数据的内容信息分发引擎的方法 |
| CN112256369A (zh) * | 2020-10-20 | 2021-01-22 | 北京达佳互联信息技术有限公司 | 一种内容显示方法、装置、系统及存储介质 |
| CN112541120B (zh) * | 2020-12-21 | 2023-06-27 | 北京百度网讯科技有限公司 | 推荐评论生成方法、装置、设备和介质 |
| CN113792037A (zh) * | 2021-02-03 | 2021-12-14 | 北京沃东天骏信息技术有限公司 | 画像信息的确定方法及装置 |
| CN113177170B (zh) * | 2021-04-12 | 2023-05-23 | 维沃移动通信有限公司 | 评论展示方法、装置及电子设备 |
| CN113127628B (zh) * | 2021-04-23 | 2024-03-19 | 北京达佳互联信息技术有限公司 | 用于生成评论的方法、装置、设备及计算机可读存储介质 |
| CN113177399B (zh) * | 2021-04-25 | 2024-02-06 | 网易（杭州）网络有限公司 | 文本处理方法、装置、电子设备及存储介质 |
| CN113177137A (zh) * | 2021-05-27 | 2021-07-27 | 腾讯音乐娱乐科技（深圳）有限公司 | 推荐歌曲的评论信息的方法、设备和存储介质 |
| CN113157872B (zh) * | 2021-05-27 | 2021-12-28 | 西藏凯美信息科技有限公司 | 基于云计算的在线互动话题意图分析方法、服务器及介质 |
| CN113377271A (zh) * | 2021-05-31 | 2021-09-10 | 北京达佳互联信息技术有限公司 | 文本获取方法、装置、计算机设备及介质 |
| CN113672800B (zh) * | 2021-07-12 | 2024-09-06 | 浪潮软件股份有限公司 | 实名认证自然人用户的事项推荐方法及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104123358A (zh) * | 2014-07-17 | 2014-10-29 | 广州金山网络科技有限公司 | 一种展示用户评论的方法及系统 |
| CN104809177A (zh) * | 2015-04-14 | 2015-07-29 | 华信弘道（北京）科技有限公司 | 一种基于客户端的网页评论、推荐方法及系统 |
| CN107704512A (zh) * | 2017-08-31 | 2018-02-16 | 平安科技（深圳）有限公司 | 基于社交数据的金融产品推荐方法、电子装置及介质 |
| CN108449642A (zh) * | 2018-04-03 | 2018-08-24 | 优视科技有限公司 | 一种视频评论的筛选显示方法、装置和终端设备 |
| CN109189892A (zh) * | 2018-09-17 | 2019-01-11 | 北京点网聚科技有限公司 | 一种基于文章评论的推荐方法及装置 |
| CN109241402A (zh) * | 2018-07-31 | 2019-01-18 | 成都华栖云科技有限公司 | 一种基于新闻内容的虚拟评论机器导入方法 |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102622411A (zh) * | 2012-02-17 | 2012-08-01 | 清华大学 | 一种结构化摘要的生成方法 |
| CN104281622B (zh) * | 2013-07-11 | 2017-12-05 | 华为技术有限公司 | 一种社交媒体中的信息推荐方法和装置 |
| CN104156390A (zh) * | 2014-07-07 | 2014-11-19 | 乐视网信息技术（北京）股份有限公司 | 一种评论推荐方法和系统 |
| CN106980692B (zh) * | 2016-05-30 | 2020-12-08 | 国家计算机网络与信息安全管理中心 | 一种基于微博特定事件的影响力计算方法 |
| CN106126582A (zh) * | 2016-06-20 | 2016-11-16 | 乐视控股（北京）有限公司 | 推荐方法及装置 |
| CN108153723B (zh) * | 2017-12-27 | 2021-10-19 | 北京百度网讯科技有限公司 | 热点资讯评论文章生成方法、装置及终端设备 |
| CN108540826B (zh) * | 2018-04-17 | 2021-01-26 | 京东方科技集团股份有限公司 | 弹幕推送方法、装置、电子设备及存储介质 |
| CN108763314B (zh) * | 2018-04-26 | 2021-01-19 | 深圳市腾讯计算机系统有限公司 | 一种兴趣推荐方法、装置、服务器及存储介质 |
| CN109062994A (zh) * | 2018-07-04 | 2018-12-21 | 平安科技（深圳）有限公司 | 推荐方法、装置、计算机设备和存储介质 |
-
2019
- 2019-02-20 CN CN201910135898.6A patent/CN109885770B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104123358A (zh) * | 2014-07-17 | 2014-10-29 | 广州金山网络科技有限公司 | 一种展示用户评论的方法及系统 |
| CN104809177A (zh) * | 2015-04-14 | 2015-07-29 | 华信弘道（北京）科技有限公司 | 一种基于客户端的网页评论、推荐方法及系统 |
| CN107704512A (zh) * | 2017-08-31 | 2018-02-16 | 平安科技（深圳）有限公司 | 基于社交数据的金融产品推荐方法、电子装置及介质 |
| CN108449642A (zh) * | 2018-04-03 | 2018-08-24 | 优视科技有限公司 | 一种视频评论的筛选显示方法、装置和终端设备 |
| CN109241402A (zh) * | 2018-07-31 | 2019-01-18 | 成都华栖云科技有限公司 | 一种基于新闻内容的虚拟评论机器导入方法 |
| CN109189892A (zh) * | 2018-09-17 | 2019-01-11 | 北京点网聚科技有限公司 | 一种基于文章评论的推荐方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 基于在线评论信息挖掘的动态用户偏好模型构建;李金海等;《情报杂志》;20160918(第09期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109885770A (zh) | 2019-06-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109885770B (zh) | 一种信息推荐方法、装置、电子设备及存储介质 | |
| US11182564B2 (en) | Text recommendation method and apparatus, and electronic device | |
| US10860811B2 (en) | Method and device for generating review article of hot news, and terminal device | |
| CN110929052B (zh) | 多媒体资源推荐方法、装置、电子设备及存储介质 | |
| CN108829808B (zh) | 一种页面个性化排序方法、装置及电子设备 | |
| US8234311B2 (en) | Information processing device, importance calculation method, and program | |
| JP5358442B2 (ja) | 共同タギング環境内での用語の収束化 | |
| US20160284007A1 (en) | Information processing apparatus, information processing method, and recording medium | |
| US9607325B1 (en) | Behavior-based item review system | |
| US9875313B1 (en) | Ranking authors and their content in the same framework | |
| WO2020238502A1 (zh) | 物品推荐方法及装置、电子设备及存储介质 | |
| CN109753601B (zh) | 推荐信息点击率确定方法、装置及电子设备 | |
| CN109189990B (zh) | 一种搜索词的生成方法、装置及电子设备 | |
| US20180285331A1 (en) | Method, server, browser, and system for recommending text information | |
| CN109857853B (zh) | 基于电子书的搜索方法、电子设备及计算机存储介质 | |
| CN111932308A (zh) | 数据推荐方法、装置和设备 | |
| CN105550217B (zh) | 场景音乐搜索方法及场景音乐搜索装置 | |
| CN112836126A (zh) | 基于知识图谱的推荐方法、装置、电子设备及存储介质 | |
| CN113688310A (zh) | 一种内容推荐方法、装置、设备及存储介质 | |
| JP2016177690A (ja) | サービス推薦装置およびサービス推薦方法並びにサービス推薦プログラム | |
| CN108647227B (zh) | 一种推荐方法及装置 | |
| US8903817B1 (en) | Determining search relevance from user feedback | |
| CN107369066B (zh) | 一种评论对象之间的特征比较方法及装置 | |
| CN106445922B (zh) | 确定多媒体资源的标题的方法及装置 | |
| CN113342626B (zh) | 内容处理方法、装置、电子设备及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |