CN109934461A - 知识社区用户贡献能力计算方法及装置 - Google Patents

Abstract

本发明实施例涉及通信技术领域，提供一知识社区用户贡献能力计算方法及装置，其中，方法包括：用户活跃度计算步骤，基于时间衰减系数，计算得到用户活跃度；用户受欢迎度计算步骤，基于贡献内容的认可数量，计算得到用户受欢迎度；用户贡献能力计算步骤，基于用户活跃度、用户受欢迎度，计算得到用户知识贡献能力。本发明能够更加客观准确的体现在知识社区中用户的实际贡献能力，从而能够更加准确的判断用户对话题的影响程度。

Description

知识社区用户贡献能力计算方法及装置

技术领域

本发明涉及通信技术领域，尤其涉及一种知识社区用户贡献能力计算方法及装置。

背景技术

随着个人电脑的普及和互联网广泛的延伸,网络对社会的生产和人们的工作、学习、生活和生存模式、思维模式产生着越来越大的影响。以前需要面对面或是借助电话才能进行的交流,现在只要利用网络,足不出户就能轻松完成。根据近些年的知识社区的形式及发展，可以将知识社区定义为：由于部分人对某一主题的共同兴趣和知识获取、交流需求而聚集，并通过在网络环境下进行创造和共享相关知识的活动而结成密切互动关系的群体。知识社区是集知识共享以及网上社交功能于一体的互动平台。

用户是知识社区中的提问者和评价者，同时也可以是知识的提供者和问题的解决者。知识社区的建立在于知识的供给，也就是用户是否愿意向其他用户贡献自己的专业知识。知识社区被用户欢迎的是拥有大量的知识的提供者和问题的解决者。知识社区的可持续性以及繁荣程度取决于该社区的知识的提供者和问题的解决者的成员规模和他们所贡献的内容。因此，知识社区的成功构建和持续发展关键在于知识的提供者和问题的解决者的知识贡献。知识的提供者和问题的解决者的知识贡献越大，该用户在知识社区中的等级越高。

相关技术中，知识的提供者和问题的解决者的等级通过用户的行为产生，通过等级的划分评估用户的影响力。采用该种方式可以使得用户即使在没有知识贡献的情况下也可以提高等级，用户的等级并不是完全按照其知识贡献的能力来确定的。

发明内容

为了解决现有技术中存在的上述问题，本发明提供一种知识社区用户贡献能力计算方法。

根据本发明实施例的其中一方面，提供一种知识社区用户贡献能力计算方法，包括：

用户活跃度计算步骤，基于时间衰减系数，计算得到用户活跃度；

用户受欢迎度计算步骤，基于贡献内容的认可数量，计算得到用户受欢迎度；

用户贡献能力计算步骤，基于用户活跃度、用户受欢迎度，计算得到用户知识贡献能力。

在一例中，时间衰减系数采用指数衰减，基于用户最后一次知识贡献的时间计算得出。

在一例中，用户活跃度计算步骤，包括：

用户贡献数量获取步骤，统计得到用户贡献数量；

用户活跃度计算步骤，还基于用户贡献数量计算用户活跃度。

在一例中，用户活跃度计算步骤，包括：

用户贡献类型分值获取步骤，预设不同贡献类型的类型分值，根据用户最后一次知识贡献的类型，得到用户贡献类型分值；

用户活跃度计算步骤，还基于用户贡献类型分值计算用户活跃度。

在一例中，类型分值，基于贡献类型中的贡献数量在全部贡献数量中的占比计算得出。

在一例中，贡献内容的认可数量，基于一个或多个贡献类型中的类型认可数量计算得出；

贡献类型中的类型认可数量，基于贡献类型中的贡献内容的被点赞、被评论、被收藏、被分享其中一种或几种的数量，计算得出。

在一例中，方法还包括：

用户贡献意愿分值计算步骤，基于一个或多个贡献类型中的贡献值，计算得到用户贡献意愿分值；

用户贡献能力计算步骤，还基于所示用户贡献意愿分值，计算得到所示用户知识贡献能力。

在一例中，用户贡献意愿分值计算步骤包括：

贡献值计算步骤，基于贡献类型的贡献比例和/或贡献类型的优质贡献量，计算得到贡献值。

在一例中，贡献比例，基于贡献类型的用户贡献数量占用户全部贡献数量的比例计算得出。

在一例中，优质贡献量，基于贡献类型质量分值以及预设阈值，计算得出；贡献类型质量分值基于贡献类型受欢迎度分值计算得出。

在一例中，贡献类型受欢迎度分值，基于贡献类型的类型认可数量计算得出。

在一例中，贡献值，基于一个或多个话题计算得出。

在一例中，贡献值计算模块，用于基于预设算法，计算贡献值。

在一例中，用户贡献能力为用户活跃度、用户受欢迎度、用户知识贡献意愿分值的总和。

在一例中，用户贡献能力为用户活跃度与用户受欢迎度的乘积与用户知识贡献意愿分值之和。

根据本发明实施例的另一方面，提供一种知识社区用户贡献能力计算装置，其中，包括：

用户活跃度计算单元，用于基于时间衰减系数，计算得到用户活跃度；

用户受欢迎度计算单元，用于基于贡献内容的认可数量，计算得到用户受欢迎度；

用户贡献能力计算单元，用于基于用户活跃度、用户受欢迎度，计算得到用户知识贡献能力。

在一例中，时间衰减系数采用指数衰减，基于用户最后一次知识贡献的时间计算得出。

在一例中，用户活跃度计算单元，包括：

用户贡献数量获取模块，用于统计得到用户贡献数量；

用户活跃度计算单元，还用于基于用户贡献数量计算用户活跃度。

在一例中，用户活跃度计算单元，包括：

用户贡献类型分值获取模块，用于预设不同贡献类型的类型分值，根据用户最后一次知识贡献的类型，得到用户贡献类型分值；

用户活跃度计算单元，还用于基于用户贡献类型分值计算用户活跃度。

在一例中，类型分值，基于贡献类型中的贡献数量在全部贡献数量中的占比计算得出。

在一例中，贡献内容的认可数量，基于一个或多个贡献类型中的类型认可数量计算得出；

贡献类型中的类型认可数量，基于贡献类型中的贡献内容的被点赞、被评论、被收藏、被分享其中一种或几种的数量，计算得出。

在一例中，装置还包括：

用户贡献意愿分值计算单元，用于基于一个或多个贡献类型中的贡献值，计算得到用户贡献意愿分值；

用户贡献能力计算单元，还用于基于所示用户贡献意愿分值，计算得到所示用户知识贡献能力。

在一例中，用户贡献意愿分值计算单元包括：

贡献值计算模块，用于基于贡献类型的贡献比例和/或贡献类型的优质贡献量，计算得到贡献值。

在一例中，贡献比例，基于贡献类型的用户贡献数量占用户全部贡献数量的比例计算得出。

在一例中，优质贡献量，基于贡献类型质量分值以及预设阈值，计算得出；贡献类型质量分值基于贡献类型受欢迎度分值计算得出。

在一例中，贡献类型受欢迎度分值，基于贡献类型的类型认可数量计算得出。

在一例中，贡献值，基于一个或多个话题计算得出。

在一例中，贡献值计算模块，用于基于预设算法，计算贡献值。

在一例中，用户贡献能力为用户活跃度、用户受欢迎度、用户知识贡献意愿分值的总和。

在一例中，用户贡献能力为用户活跃度与用户受欢迎度的乘积与用户知识贡献意愿分值之和。

根据本发明实施例的另一方面，提供一种电子设备，其中，包括：

存储器，用于存储计算机程序；

处理器，用于执行存储器中存储的计算机程序，且计算机程序被执行时，实现上述任一实施例的方法。

根据本发明实施例的另一方面，提供一种计算机可读存储介质，存储有计算机程序，其中，所述计算机程序被处理器执行时，实现上述任一实施例所述的方法。

基于知识社区用户贡献能力计算方法及装置、电子设备、计算机可读存储介质，能够更加客观准确的体现在知识社区中用户的实际贡献能力，从而能够更加准确的判断用户对话题的影响程度。

附图说明

通过参考附图阅读下文的详细描述，本发明实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本发明的若干实施方式，其中：

图1示出了本发明的知识社区用户等级计算方法的一个实施例的流程示意图；

图2示出了本发明的知识社区用户贡献能力计算方法的另一实施例的流程示意图；

图3示出了本发明的知识社区用户贡献能力计算方法的另一实施例的流程示意图；

图4示出了本发明的知识社区用户贡献能力计算装置的一个实施例的结构示意图；

图5示出了本发明的知识社区用户贡献能力计算装置的另一实施例的结构示意图；

图6示出了本发明的知识社区用户贡献能力计算装置的另一实施例的结构示意图；

图7示出了本发明的知识社区用户贡献能力计算装置的另一实施例的结构示意图；

图8示出了本发明的知识社区用户贡献能力计算装置的另一实施例的结构示意图；

图9示出了本发明的电子设备的一个实施例的结构示意图。

在附图中，相同或对应的标号表示相同或对应的部分。

具体实施方式

下面将参考若干示例性实施方式来描述本发明的原理和精神。应当理解，给出这些实施方式仅仅是为了使本领域技术人员能够更好地理解进而实现本发明，而并非以任何方式限制本发明的范围。

需要注意，虽然本文中使用“第一”、“第二”等表述来描述本发明的实施方式的不同模块、步骤和数据等，但是“第一”、“第二”等表述仅是为了在不同的模块、步骤和数据等之间进行区分，而并不表示特定的顺序或者重要程度。实际上，“第一”、“第二”等表述完全可以互换使用。

本发明实施例可以应用于终端设备、计算机系统及服务器等电子设备，其可与众多其它通用或者专用的计算系统环境或者配置一起操作。适于与终端设备、计算机系统以及服务器等电子设备一起使用的众所周知的终端设备、计算系统、环境和/或配置的例子，包括但不限于：个人计算机系统、服务器计算机系统、瘦客户机、厚客户机、手持或膝上设备、基于微处理器的系统、机顶盒、可编程消费电子产品、网络个人电脑、小型计算机系统﹑大型计算机系统和包括上述任何系统的分布式云计算技术环境，等等。

终端设备、计算机系统以及服务器等电子设备可以在由计算机系统执行的计算机系统可执行指令(诸如程序模块)的一般语境下描述。通常，程序模块可以包括例程、程序、目标程序、组件、逻辑以及数据结构等等，它们执行特定的任务或者实现特定的抽象数据类型。计算机系统/服务器可以在分布式云计算环境中实施，分布式云计算环境中，任务是由通过通信网络链接的远程处理设备执行的。在分布式云计算环境中，程序模块可以位于包括存储设备的本地或远程计算系统存储介质上。

图1为本发明知识社区用户贡献能力计算方法一个实施例的流程图。如图1所示，该实施例方法包括：用户活跃度计算步骤110、用户受欢迎度计算步骤120、用户贡献能力计算步骤130。下面对图1中的各步骤进行详细说明。

用户活跃度计算步骤110，基于时间衰减系数，计算得到用户活跃度。

本实施例中，将用户的活跃度分值计算考虑了时间衰减因素，基于时间衰减因素，可以衡量出用户在某一时期内的活跃度随着时间逐渐冷却的过程。例如在某一年份时期中，用户没有在知识社区中进行登录及其他操作，那么该用户在该时期的最后时间的活跃度可能会降到最低值，影响用户在该时期的用户贡献能力或用户等级。

在一些实施例中，时间衰减为指数衰减，用户活跃度的计算周期从用户历史任一次在知识社区活动的时间开始，至计算周期长度结束相应的时间结束。本实施例中，某个量的下降速度和它的值成比例，称之为服从指数衰减。用符号可以表达为以下微分方程，其中N是指量，λ指衰减常数。

方程的一个解为：N(t)＝N₀e^-λt.这里N(t)是与时间t有关的量，N₀＝N(0)是初始量，即在时间为零时候的量，即计算周期开始时刻的量。利用指数衰减函数做为时间衰减因子，这个也是牛顿冷却定律最终的一个形态，标签的权重可以称为标签的热度，权重越大，热度就越高，时间衰减因子体现了标签的热度随着时间逐渐冷却的过程。

在一例中，如图2所示，用户活跃度计算步骤110，包括：用户贡献数量获取步骤111，统计得到用户贡献数量；用户活跃度计算步骤110，还基于用户贡献数量计算用户活跃度。通过统计得到用户贡献数量，可以体现用户的活跃程度，用户的行动越多，说明用户越活跃，贡献能力也就越强。考虑用户贡献数量能够使得用户贡献能力的计算更加客观。

本实施例中用户贡献数量为用户所有贡献类型的贡献数量的总和。例如用户只发表了1篇游记，则用户贡献数量为1；用户发表了1篇游记和2篇攻略，那么用户贡献数量为3；用户发表了1篇游记、2篇攻略和3篇问答，那么用户贡献数量为6，以此类推。其中的游记、攻略、问答均为用于计算用户贡献能力的贡献类别。

在一例中，如图2所示，用户活跃度计算步骤110，包括：用户贡献类型分值获取步骤112，预设不同贡献类型的类型分值，根据用户最后一次知识贡献的类型，得到用户贡献类型分值；用户活跃度计算步骤110，还基于用户贡献类型分值计算用户活跃度。在另一例中，类型分值，基于贡献类型中的贡献数量在全部贡献数量中的占比计算得出。本实施例中用户贡献类型分值与整个知识社区中该贡献类型的数量相关，数量越多，相应的用户贡献类型分值越高；数量越少，相应的用户贡献类型分值就越低。为保障用户的活跃度，需要用户能够经常发表知识社区中数量最多类型的知识贡献，以保障能够保持较高的用户活跃度分值。因此，根据用户最后一次知识贡献的类型确定用户贡献类型分值能够使得用户贡献能力的计算更加客观。

以旅游类知识社区中的用户为例，用户活跃度公值可以通过A＝e^-αt×F×E计算获得，其中，A代表用户活跃度分值，e^-αt代表最近一次访问时间距离今天的时间衰减，α为衰减系数。通过对大数据的调查可得：当时间t为一年(365天)的时候衰减为最小值0.0001，此时带入公式求出α的值。这里考虑的是用户一年未贡献任何的内容则意愿衰减至最低，求的α为0.0189。F代表的是知识社区中用户的知识贡献频次，这里的知识贡献可以是游记、攻略、问答等的数量。其中，游记、攻略、问答可以是以文字、图、视频等形式贡献的内容，F即是用户发布上述内容的频次。用户在一年时间内只发表了1篇游记，则F＝1；用户在一年时间内发表了1篇游记、2篇攻略、回答了3此问题，那么F＝6。

E代表的是用户最近一次知识贡献的类型的分值。每一知识社区在用户做出知识贡献之后均会给予一定的分值，而不同类型的知识贡献在知识社区中的分值可以是不同的，也可以是相同的。在一具体实施方式中，可以根据用户知识贡献的类型在所有用户的知识贡献中所占的比例进行赋值得到。例如，在某一旅游类知识社区中游记数量、问答数量、攻略数量的比值为10∶5∶6，则可赋予游记类的知识贡献为每篇5分，问答类的知识贡献为每篇2.5分，攻略类的知识贡献为每篇3分。其中，攻略为该旅游知识社区中特有的知识贡献类型，在此不做具体解释，但不影响本领域技术人员对本方案的理解。

在一例中，用户在社区中总共发表过10篇文章，最近一次在知识社区中做出知识贡献是距今100天时候发表的一篇攻略，那么在计算该用户在距今100天内的活跃度分值时分别将E＝3、F＝10、α＝0.0189、t＝100代入上述公式A＝e^-αt×F×E，得出A＝4.53，即该用户在该旅游类知识社区距今100天内的活跃度分值为4.53分。

用户受欢迎度计算步骤120，基于贡献内容的认可数量，计算得到用户受欢迎度。

本实施例中，贡献内容的认可数量，基于一个或多个贡献类型中的类型认可数量计算得出；贡献类型中的类型认可数量，基于贡献类型中的贡献内容的被点赞、被评论、被收藏、被分享其中一种或几种的数量，计算得出。

认可数量是体现用户贡献内容在知识社区中受欢迎的程度，可以是通过被点赞、被评论、被收藏、被分享其中一种或几种体现用户受欢迎度。

而我们也注意到，被点赞、被评论、被收藏、被分享等不同方式的认可贡献内容的程度也是不一样的，因此在一例中，对不同方式的认可设置了不同的参考权重，使得计算结果更加准确客观。

同时，不同贡献类型在知识社区中受欢迎的程度可能是不同的，比如某些贡献类型中曝光较多的贡献内容被点赞、被评论、被收藏、被分享的数量不及被其他贡献类型中曝光较小的贡献内容，因此在一例中，对不同贡献类型设置了不同的分配权重。使得计算结果更加准确客观。

现以一具体实施例进行说明：本实施例中，可通过公式N＝w₁Vote+w₂Fav+w₃Comment+w₄Share计算一个贡献类型中的认可数量，其中，w₁，w₂，w₃，w₄分别为参考因子在知识社区中被点赞(Vote)、被收藏(Fav)、被评论(Comment)、被分享(Share)的权重。w₁，w₂，w₃，w₄是根据知识社区中所有参考因子被点赞的总和、被收藏的总和、被评论的总和、被分享的总和的比例获得的。

通过进行逻辑回归训练w₁，w₂，w₃，w₄权重的具体数值。人工选择知识社区的某些作为正样本，来通过梯度下降训练参数，属于机器学习领域一中常用的操作，即选择人工筛选的正样本来通过逻辑回归训练相关的参数。得到上述不同参考因子w₁，w₂，w₃，w₄的被点赞(Vote)、被收藏(Fav)、被评论(Comment)、被分享(Share)的权重数值。

通过上述计算得出的w₁，w₂，w₃，w₄权重的具体数值计算用户的贡献类型的受欢迎程度分值N，再将该用户的贡献类型的受欢迎程度分值N代入得出该用户的贡献类型质量分值。

在一些本发明提供实施例中，计算得到的数值在0-1之间，可以在0-1之间设定以具体数值，如0.5，作为判断参考因子是否优质的标准，小于0.5为低质量参考因子，大于或等于0.5为优质参考因子。优质参考因子可以用于计算用户一种参考因子贡献意愿分值。Y表示训练的文章是否是优质，代表权重，通过模型训练得出，N代表不同类型文章的受欢迎程度，即分别计算游记、攻略、问答的受欢迎程度，训练权重的值。最后求得权重以通过权重计算来评判贡献内容受欢迎的程度，经模型训练的得出结果如下(这里为了计算方便，四舍五入取值小数点后一位)，对于游记这一贡献类别w₁＝0.1，w₂＝0.5，w₃＝0.2，w₄＝0.4；对于问答这一贡献类别，w₁＝0.2，w₂＝0.9，w₃＝0.3，w₄＝0.6；对于攻略这一贡献类别w₁＝0.1，w₂＝0.5，w₃＝0.3，w₄＝0.6。例如，用户所有游记被点赞10次，被评论4次，被收藏1次，被分享1次，那么该用户的游记受欢迎程度分值0.1*10+0.5*1+0.2*4+0.4*1＝2.7。用户所有问答被点赞10次，被评论5次，被收藏2次，被分享0次，那么该用户的问答受欢迎程度分值0.2*10+0.9*1+0.3*5+0.6*0＝4.4。用户所有攻略总共被点赞了5次，被评论了9次，被收藏3次，被分享0次，那么该用户的攻略受欢迎程度分值0.1*3+0.5*2+0.5*9+0.6*0＝5.8。通过上述贡献类型获得的用户受欢迎度为W＝α·Travel+β·Answet+χ·Weng＝1*2.7+1*4.4+1*5.8＝12.9其中，α、β、χ分别代表的是不同的分配权重，这里通过计算整个知识社区不同贡献类别的文章被赞的情况进行分析，得出α∶β∶χ＝1∶1.05∶0.98，这里为了计算方便可以将α、β、χ近似取值均为1。

用户贡献能力计算步骤130，基于用户活跃度、用户受欢迎度，计算得到用户贡献能力。

在一例中，用户贡献能力为用户活跃度与用户受欢迎度之和或乘积。

在本实施例中，用于计算用户知识贡献能力的用户活跃度、用户受欢迎度考虑了时间衰减以及用户贡献内容等因素，更能体现出计算用户知识贡献能力计算的公平以及准确性。

在一些实施例中，根据用户贡献能力计算用户等级，知识社区对用户的等级具有分值梯度设置，用户贡献能力达到某一分值之后，用户的等级会自动调节到与该分值匹配的等级。本实施例中将用户等级的划分根据用户知识贡献能力分值进行调节，避免了用户仅通过日常登录、浏览、签到、分享等操作提高用户等级的弊端，提高了用户等级评定的有效性以及公平准确性。

图3为本发明知识社区用户等级计算方法另一个实施例的流程图，如图3所示，该实施例方法还包括：用户贡献意愿分值计算步骤140，基于一个或多个贡献类型中的贡献值，计算得到用户贡献意愿分值；用户贡献能力计算步骤130，还基于用户贡献意愿分值，计算得到用户知识贡献能力。

通过用户贡献意愿分值体现了用户的贡献内容的影响力，也从侧面体现了用户贡献能力。

在一例中，用户贡献意愿分值计算步骤140包括：贡献值计算步骤，基于贡献类型的贡献比例和/或贡献类型的优质贡献量，计算得到贡献值。

用户贡献内容的贡献比例以及贡献内容是否优质直接体现了用户的贡献意愿以及贡献内容的质量，也就直接说明了用户贡献能力，通过考虑上述因素计算得到贡献值，进而得到用户贡献能力，使得更加客观和准确。其中，贡献值可以是基于一个话题，仅评估用户在该话题下的贡献意愿和能力。同时，贡献值也可以是多个话题，评估多话题的贡献意愿。

在一例中，贡献比例，基于贡献类型的用户贡献数量占用户全部贡献数量的比例计算得出。在一例中，优质贡献量，基于贡献类型质量分值以及预设阈值，计算得出；贡献类型质量分值基于贡献类型受欢迎度分值计算得出。在一例中，贡献类型受欢迎度分值，基于贡献类型的类型认可数量，计算得出。对于用户贡献意愿分值计算步骤140，下文以一具体实施例详细说明。

在一具体实施例中，其中，D代表用户贡献意愿分值，d_i代表用户对某一贡献类型的贡献意愿(比如写作游记的意愿)。进一步的，d_i＝(1-N)·T_i+N·C_i，T_i代表用户在写过的某一贡献类型的贡献内容占用户写过的所有贡献内容的比值，其中T₁代表游记T₂代表问答T₃代表攻略；C_i代表用户写过的某一贡献类型的贡献内容其中出被社区评为优质的数量，同理C₁为贡献优质游记的数量，C₂为贡献优质问答数量，C₃为贡献优质攻略数量。N代表阻尼系数，这里取N为0.85。例如，用户发表过10篇文章其中有3篇游记(一篇优质)、4篇问答(无优质)、3篇嗡嗡(两篇优质)，则T₁为0.3，T₂为0.4，T₃为0.3，C₁为1，C₂为0，C₃为2。将上述数值分别代入d_i＝(1-N)·T_i+N·C_i中计算可得d₁＝(1-N)·T₁+N·C₁＝0.895，d₁＝(1-N)·T₁+N·C₁＝0.06，d₃＝(1-N)·T₃+N·C₃＝1.744，将d₁、d₂、d₃代入中得出用户贡献意愿分值为2.699。

通过上述方式计算得到用户贡献意愿分值，体现了用户的贡献意愿，由于考虑到用户贡献的意愿和/或贡献内容的质量因素，从而能够得到更加准确的用户贡献能力。

在一些实施例中，用户贡献能力为用户活跃度、用户受欢迎度、用户知识贡献意愿分值的总和。在另一实施例中，用户贡献能力为用户活跃度与用户受欢迎度的乘积与用户知识贡献意愿分值之和。采用该种方式计算用户贡献能力分值更加能够体现用户贡献能力与时间的关系。

在一些实施例中，用户一种参考因子贡献意愿分值计算步骤，包括：基于预设算法，计算用户一种参考因子贡献意愿分值。预设算法代表的是页面权重的计算，其中，预设算法公式为pr＝(1-p)+p*PR，公式中，PR代表其他页面链接到当前页面时候贡献的权重，p代表阻尼系数，工程界一般取默认值0.85。其中，pr值越大，代表当前网页的权重越高。本实施例中，对公式变形，贡献意愿＝(1-p)*Tag+p*pr含义如下：用户贡献的某种类型的优质内容越多(即pr值越大)，理解为贡献意愿越强。此外，Tag代表的是用户的兴趣标签，代表的是用户对某种类型的标签的兴趣。例如，用户对A类型参考因子兴趣标签为0.2，用户输出A类型的优质文章为2，因此用户对A类型的贡献意愿：0.15*0.2+0.85*2＝1.73；用户对B类型的兴趣标签为0.6，用户输出B类型的优质内容为6篇，则用户对B类型的贡献意愿为：0.15*0.6+0.85*6＝5.19。

预设算法通过网页的链接来评价网页的重要性，在一定程度上避免和减少了人为因素对排序结果的影响；采用与查询无关的离线计算方式，使其具有较高的响应速度；一个参考因子只能通过别的参考因子对其引用来增加自身的PR值，且算法的均匀策略使得一个参考因子的引用越多，被引用网页所获得的PR值就越少。因此，预设算法可以有效避免为了提高用户等级而故意使用链接的行为。

本发明实施例提供的任一种知识社区用户贡献能力计算方法可以由任意适当的具有数据处理能力的设备执行，包括但不限于：终端设备和服务器等。或者，本发明实施例提供的任一种知识社区用户贡献能力计算方法可以由处理器执行，如处理器通过调用存储器存储的相应指令来执行本发明实施例提及的任一种知识社区用户贡献能力计算方法。下文不再赘述。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

本发明实施例还提供一种知识社区用户等级计算装置。图4示出了本发明的知识社区用户等级计算装置的一个实施例的结构示意图，如图4所示，本实施例的知识社区用户等级计算装置，包括用户活跃度计算单元10，用于基于时间衰减系数，计算得到用户活跃度；用户受欢迎度计算单元20，用于基于贡献内容的认可数量，计算得到用户受欢迎度；用户贡献能力计算单元30，用于基于用户活跃度、用户受欢迎度，计算得到用户知识贡献能力。

在一些实施例中，将用户的活跃度分值计算考虑了时间衰减因素，基于时间衰减因素，可以衡量出用户在某一时期内的活跃度随着时间逐渐冷却的过程。例如在某一年份时期中，用户没有在知识社区中进行登录及其他操作，那么该用户在该时期的最后时间的活跃度可能会降到最低值，影响用户在该时期的用户贡献能力或用户等级。

在一例中，时间衰减为指数衰减，用户活跃度的计算周期从用户历史任一次在知识社区活动的时间开始，至计算周期长度结束相应的时间结束。本实施例中，某个量的下降速度和它的值成比例，称之为服从指数衰减。用符号可以表达为以下微分方程，其中N是指量，λ指衰减常数。

方程的一个解为：N(t)＝N₀e^-λt.这里N(t)是与时间t有关的量，N0＝N(0)是初始量，即在时间为零时候的量，即计算周期开始时刻的量。利用指数衰减函数做为时间衰减因子，这个也是牛顿冷却定律最终的一个形态，标签的权重可以称为标签的热度，权重越大，热度就越高，时间衰减因子体现了标签的热度随着时间逐渐冷却的过程。

本实施例通过用户活跃度计算单元10计算得到的用户活跃度，加入了时间衰减的因素，更加能够体现出用户在当期的活跃度，对用户的活跃度考量提供了更准确的数据。例如，在某些时效性较强的知识社区中，如旅游知识社区、时尚知识社区等，设置用户活跃度计算单元10，将时间衰减因素用于计算用户的活跃度，可以了解该用户在某段时期的旅行意愿或者其更关注哪段时期内的旅行信息。通过计算结果可得知该用户的偏好，以便更准确地向用户推送信息以及预知其可能的出行计划，已提供更优质的服务信息，提高用户的使用体验感。

在一些实施例中，图5示出了本发明的知识社区用户贡献能力计算装置的另一实施例的流程示意图，如图5所示，用户活跃度计算单元10可以包括用户贡献数量获取模块101，用于统计得到用户贡献数量。用户活跃度计算单元10还通过用户贡献数量获取模块101获取的用户贡献数量通过统计得到用户贡献数量，可以体现用户的活跃程度，用户的行动越多，说明用户越活跃，贡献能力也就越强。通过设置用户贡献数量获取模块101进行用户贡献数量计算，考虑用户贡献数量，能够使得用户贡献能力的计算更加客观。

本实施例中，用户贡献数量为用户所有贡献类型的贡献数量的总和。例如用户只发表了1篇游记，则用户贡献数量为1；用户发表了1篇游记和2篇攻略，那么用户贡献数量为3；用户发表了1篇游记、2篇攻略和3篇问答，那么用户贡献数量为6，以此类推。其中的游记、攻略、问答均为用于计算用户贡献能力的贡献类别。

图6示出了本发明的知识社区用户贡献能力计算装置的另一实施例的结构示意图，如图6所示，本实施例的用户活跃度计算单元10还可以包括用户贡献类型分值获取模块102，用于预设不同贡献类型的类型分值，根据用户最后一次知识贡献的类型，得到用户贡献类型分值。在一些实施例中，类型分值，基于贡献类型中的贡献数量在全部贡献数量中的占比计算得出。

本实施例中用户贡献类型分值与整个知识社区中该贡献类型的数量相关，数量越多，相应的用户贡献类型分值越高；数量越少，相应的用户贡献类型分值就越低。为保障用户的活跃度，需要用户能够经常发表知识社区中数量最多类型的知识贡献，以保障能够保持较高的用户活跃度分值。因此，根据用户最后一次知识贡献的类型确定用户贡献类型分值能够使得用户贡献能力的计算更加客观。

以旅游类知识社区中的用户为例，用户活跃度分值可以通过A＝e^-αt×F×E计算获得，其中，A代表用户活跃度分值，e^-αt代表最近一次访问时间距离今天的时间衰减，α为衰减系数。通过对大数据的调查可得：当时间t为一年(365天)的时候衰减为最小值0.0001，此时带入公式求出α的值。这里考虑的是用户一年未贡献任何的内容则意愿衰减至最低，求的α为0.0189。

F代表的是知识社区中用户的知识贡献频次，这里的知识贡献可以是游记、攻略、问答等的数量。其中，游记、攻略、问答可以是以文字、图、视频等形式贡献的内容，F即是用户发布上述内容的频次。用户在一年时间内只发表了1篇游记，则F＝1；用户在一年时间内发表了1篇游记、2篇攻略、回答了3此问题，那么F＝6。

E代表的是用户最近一次知识贡献的类型的分值。每一知识社区在用户做出知识贡献之后均会给予一定的分值，而不同类型的知识贡献在知识社区中的分值可以是不同的，也可以是相同的。在一具体实施方式中，可以根据用户知识贡献的类型在所有用户的知识贡献中所占的比例进行赋值得到。例如，在某一旅游类知识社区中游记数量、问答数量、攻略数量的比值为10∶5∶6，则可赋予游记类的知识贡献为每篇5分，问答类的知识贡献为每篇2.5分，攻略类的知识贡献为每篇3分。其中，攻略为该旅游知识社区中特有的知识贡献类型，在此不做具体解释，但不影响本领域技术人员对本方案的理解。

在一例中，用户在社区中总共发表过10篇文章，最近一次在知识社区中做出知识贡献是距今100天时候发表的一篇攻略，那么在计算该用户在距今100天内的活跃度分值时分别将E＝3、F＝10、α＝0.0189、t＝100代入上述公式A＝e^-αt×F×E，得出A＝4.53，即该用户在该旅游类知识社区距今100天内的活跃度分值为4.53分。

在一些实施例中，贡献内容的认可数量，基于一个或多个贡献类型中的类型认可数量计算得出；贡献类型中的类型认可数量，基于贡献类型中的贡献内容的被点赞、被评论、被收藏、被分享其中一种或几种的数量，计算得出。

在一些实施例中，认可数量是体现用户贡献内容在知识社区中受欢迎的程度，可以是通过被点赞、被评论、被收藏、被分享其中一种或几种体现用户受欢迎度。其中，被点赞、被评论、被收藏、被分享等不同方式的认可贡献内容的程度也是不一样的，因此在一例中，对不同方式的认可设置了不同的参考权重，使得计算结果更加准确客观。

同时，不同贡献类型在知识社区中受欢迎的程度可能是不同的，比如某些贡献类型中曝光较多的贡献内容被点赞、被评论、被收藏、被分享的数量不及被其他贡献类型中曝光较小的贡献内容，因此在一例中，对不同贡献类型设置了不同的分配权重。使得计算结果更加准确客观。

现以一具体实施例进行说明：本实施例中，用户受欢迎度计算单元20可通过公式N＝w₁Vote+w₂Fav+w₃Comment+w₄Share计算一个贡献类型中的认可数量，其中，w₁，w₂，w₃，w₄分别为参考因子在知识社区中被点赞(Vote)、被收藏(Fav)、被评论(Comment)、被分享(Share)的权重。w₁，w₂，w₃，w₄是根据知识社区中所有参考因子被点赞的总和、被收藏的总和、被评论的总和、被分享的总和的比例获得的。

通过进行逻辑回归训练w₁，w₂，w₃，w₄权重的具体数值。人工选择知识社区的某些作为正样本，来通过梯度下降训练参数，属于机器学习领域一中常用的操作，即选择人工筛选的正样本来通过逻辑回归训练相关的参数。得到上述不同参考因子w₁，w₂，w₃，w₄的被点赞(Vote)、被收藏(Fav)、被评论(Comment)、被分享(Share)的权重数值。

通过上述计算得出的w₁，w₂，w₃，w₄权重的具体数值计算用户的贡献类型的受欢迎程度分值N，再将该用户的贡献类型的受欢迎程度分值N代入得出该用户的贡献类型质量分值。

在一些本发明提供的实施例中，计算得到的数值在0-1之间，可以在0-1之间设定以具体数值，如0.5，作为判断参考因子是否优质的标准，小于0.5为低质量参考因子，大于或等于0.5为优质参考因子。优质参考因子可以用于计算用户一种参考因子贡献意愿分值。Y表示训练的文章是否是优质，代表权重，通过模型训练得出；N代表不同类型文章的受欢迎程度，即分别计算游记、攻略、问答的受欢迎程度，训练权重的值。最后求得权重以通过权重计算来评判贡献内容受欢迎的程度，经模型训练的得出结果如下(这里为了计算方便，四舍五入取值小数点后一位)，对于游记这一贡献类别w₁＝0.1，w₂＝0.5，w₃＝0.2，w₄＝0.4；对于问答这一贡献类别，w₁＝0.2，w₂＝0.9，w₃＝0.3，w₄＝0.6；对于攻略这一贡献类别w₁＝0.1，w₂＝0.5，w₃＝0.3，w₄＝0.6。例如，用户所有游记被点赞10次，被评论4次，被收藏1次，被分享1次，那么该用户的游记受欢迎程度分值0.1*10+0.5*1+0.2*4+0.4*1＝2.7。用户所有问答被点赞10次，被评论5次，被收藏2次，被分享0次，那么该用户的问答受欢迎程度分值0.2*10+0.9*1+0.3*5+0.6*0＝4.4。用户所有攻略总共被点赞了5次，被评论了9次，被收藏3次，被分享0次，那么该用户的攻略受欢迎程度分值0.1*3+0.5*2+0.5*9+0.6*0＝5.8。通过上述贡献类型获得的用户受欢迎度为W＝α·Travel+β·Answet+χ·Weng＝1*2.7+1*4.4+1*5.8＝12.9其中，α、β、χ分别代表的是不同的分配权重，这里通过计算整个知识社区不同贡献类别的文章被赞的情况进行分析，得出α∶β∶χ＝1∶1.05∶0.98，这里为了计算方便可以将α、β、χ近似取值均为1。

图7示出了本发明的知识社区用户贡献能力计算装置的另一实施例的结构示意图，如图7所示，本发明实施例提供的知识社区用户贡献能力计算装置还包括用户贡献意愿分值计算单元40，用于基于一个或多个贡献类型中的贡献值，计算得到用户贡献意愿分值。通过在本实施例的知识社区用户贡献能力计算装置中设置用户贡献意愿分值计算单元40，计算得到的用户贡献意愿分值作为评价用户贡献能力计算的一部分，既可以体现用户的贡献内容的影响力，也可以从侧面体现用户贡献能力。

图8示出了本发明的知识社区用户贡献能力计算装置的另一实施例的结构示意图。如图8所示，用户贡献意愿分值计算单元40可以包括贡献值计算模块401，用来基于贡献类型的贡献比例和/或贡献类型的优质贡献量，计算得到贡献值。

用户贡献内容的贡献比例以及贡献内容是否优质直接体现了用户的贡献意愿以及贡献内容的质量，也就直接说明了用户贡献能力，通过考虑上述因素计算得到贡献值，进而得到用户贡献能力，使得更加客观和准确。其中，贡献值可以是基于一个话题，仅评估用户在该话题下的贡献意愿和能力。同时，贡献值也可以是多个话题，评估多话题的贡献意愿。

在一例中，贡献比例，基于贡献类型的用户贡献数量占用户全部贡献数量的比例计算得出。在一例中，优质贡献量，基于贡献类型质量分值以及预设阈值，计算得出；贡献类型质量分值基于贡献类型受欢迎度分值计算得出。在一例中，贡献类型受欢迎度分值，基于贡献类型的类型认可数量，计算得出。

以下以一具体实施例详细说明用户贡献意愿分值计算单元40的具体作用。

在一具体实施例中，其中，D代表用户贡献意愿分值，d_i代表用户对某一贡献类型的贡献意愿(比如写作游记的意愿)。进一步的，d_i＝(1-N)·T_i+N·C_i，T_i代表用户在写过的某一贡献类型的贡献内容占用户写过的所有贡献内容的比值，其中T₁代表游记T₂代表问答T₃代表攻略；C_i代表用户写过的某一贡献类型的贡献内容其中出被社区评为优质的数量，同理C₁为贡献优质游记的数量，C₂为贡献优质问答数量，C₃为贡献优质攻略数量。N代表阻尼系数，这里取N为0.85。例如，用户发表过10篇文章其中有3篇游记(一篇优质)、4篇问答(无优质)、3篇嗡嗡(两篇优质)，则T₁为0.3，T₂为0.4，T₃为0.3，C₁为1，C₂为0，C₃为2。将上述数值分别代入d_i＝(1-N)·T_i+N·C_i中计算可得d₁＝(1-N)·T₁+N·C₁＝0.895，d₁＝(1-N)·T₁+N·C₁＝0.06，d₃＝(1-N)·T₃+N·C₃＝1.744，将d₁、d₂、d₃代入中得出用户贡献意愿分值为2.699。

通过上述方式计算得到用户贡献意愿分值，体现了用户的贡献意愿，由于考虑到用户贡献的意愿和/或贡献内容的质量因素，从而能够得到更加准确的用户贡献能力。

在一些实施例中，用户贡献能力为用户活跃度、用户受欢迎度、用户知识贡献意愿分值的总和。在另一实施例中，用户贡献能力为用户活跃度与用户受欢迎度的乘积与用户知识贡献意愿分值之和。采用该种方式计算用户贡献能力分值更加能够体现用户贡献能力与时间的关系。

在一些实施例中，用户一种参考因子贡献意愿分值计算单元，用于基于预设算法，计算用户一种参考因子贡献意愿分值。预设算法代表的是页面权重的计算，其中，预设算法公式为pr＝(1-p)+p*PR，公式中，PR代表其他页面链接到当前页面时候贡献的权重，p代表阻尼系数，工程界一般取默认值0.85。其中，pr值越大，代表当前网页的权重越高。本实施例中，对公式变形，贡献意愿＝(1-p)*Tag+p*pr含义如下：用户贡献的某种类型的优质内容越多(即pr值越大)，理解为贡献意愿越强。此外，Tag代表的是用户的兴趣标签，代表的是用户对某种类型的标签的兴趣。例如，用户对A类型参考因子兴趣标签为0.2，用户输出A类型的优质文章为2，因此用户对A类型的贡献意愿：0.15*0.2+0.85*2＝1.73；用户对B类型的兴趣标签为0.6，用户输出B类型的优质内容为6篇，则用户对B类型的贡献意愿为：0.15*0.6+0.85*6＝5.19。

预设算法通过网页的链接来评价网页的重要性，在一定程度上避免和减少了人为因素对排序结果的影响；采用与查询无关的离线计算方式，使其具有较高的响应速度；一个参考因子只能通过别的参考因子对其引用来增加自身的PR值，且算法的均匀策略使得一个参考因子的引用越多，被引用网页所获得的PR值就越少。因此，预设算法可以有效避免为了提高用户等级而故意使用链接的行为。

图9为本发明实施例电子设备一个应用实施例的结构示意图。下面参考图9，其示出了适于用来实现本申请实施例的终端设备或服务器的电子设备的结构示意图。如图9所示，该电子设备包括存储器，用于存储计算机程序以及一个或多个处理器，用于执行存储器中存储的计算机程序。在一例中，存储器可以是只读存储器(ROM)和/或随机访问存储器(RAM)。

在一例中，一个或多个处理器可以是一个或多个中央处理单元(CPU)，和/或一个或多个图像处理器(GPU)等，处理器可以根据存储在ROM中的可执行指令或者从存储部分加载到RAM中的可执行指令而执行各种适当的动作和处理。在一例中，电子设备还可以包括通信部，通信部可包括但不限于网卡，网卡可包括但不限于IB(Infiniband)网卡，处理器可与ROM和/或RAM中通信以执行可执行指令，通过总线与通信部相连、并经通信部与其他目标设备通信，从而完成本申请实施例提供的任一方法对应的操作，例如，基于时间衰减系数，计算得到用户活跃度；基于贡献内容的认可数量，计算得到用户受欢迎度；基于用户活跃度、用户受欢迎度，计算得到用户知识贡献能力。

此外，在RAM中，还可存储有装置操作所需的各种程序和数据。CPU、ROM以及RAM通过总线彼此相连。在有RAM的情况下，ROM为可选模块。RAM存储可执行指令，或在运行时向ROM中写入可执行指令，可执行指令使处理器执行本发明上述任一方法对应的操作。输入/输出(I/O)接口也连接至总线。通信部可以集成设置，也可以设置为具有多个子模块(例如多个IB网卡)，并在总线链接上。

以下部件连接至I/O接口：包括键盘、鼠标等的输入部分；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分；包括硬盘等的存储部分；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分。通信部分经由诸如因特网的网络执行通信处理。驱动器也根据需要连接至I/O接口。可拆卸介质，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器上，以便于从其上读出的计算机程序根据需要被安装入存储部分。

需要说明的，如图9所示的架构仅为一种可选实现方式，在具体实践过程中，可根据实际需要对上述图9的部件数量和类型进行选择、删减、增加或替换；在不同功能部件设置上，也可采用分离设置或集成设置等实现方式，例如GPU和CPU可分离设置或者可将GPU集成在CPU上，通信部可分离设置，也可集成设置在CPU或GPU上，等等。这些可替换的实施方式均落入本发明公开的保护范围。

在一个或多个可选实施方式中，本发明实施例还提供了一种计算机可读存储介质，用于存储计算机可读指令，该指令被执行时使得计算机执行上述任一可能的实现方式中的数据传输方法。在另一个可选例子中，该计算机程序产品具体体现为软件产品，例如软件开发包(Software Development Kit，SDK)等等。

尽管在附图中以特定的顺序描述操作，但是不应将其理解为要求按照所示的特定顺序或是串行顺序来执行这些操作，或是要求执行全部所示的操作以得到期望的结果。在特定环境中，多任务和并行处理可能是有利的。

本发明的方法和装置能够利用标准编程技术来完成，利用基于规则的逻辑或者其他逻辑来实现各种方法步骤。还应当注意的是，此处以及权利要求书中使用的词语“装置”和“模块”意在包括使用一行或者多行软件代码的实现和/或硬件实现和/或用于接收输入的设备。

此处描述的任何步骤、操作或程序可以使用单独的或与其他设备组合的一个或多个硬件或软件模块来执行或实现。在一个实施方式中，软件模块使用包括包含计算机程序代码的计算机可读介质的计算机程序产品实现，其能够由计算机处理器执行用于执行任何或全部的所描述的步骤、操作或程序。

出于示例和描述的目的，已经给出了本发明实施的前述说明。前述说明并非是穷举性的也并非要将本发明限制到所公开的确切形式，根据上述教导还可能存在各种变形和修改，或者是可能从本发明的实践中得到各种变形和修改。选择和描述这些实施例是为了说明本发明的原理及其实际应用，以使得本领域的技术人员能够以适合于构思的特定用途来以各种实施方式和各种修改而利用本发明。

Claims (10)

1.一种知识社区用户贡献能力计算方法，其中，包括：

用户活跃度计算步骤，基于时间衰减系数，计算得到用户活跃度；

用户受欢迎度计算步骤，基于贡献内容的认可数量，计算得到用户受欢迎度；

用户贡献能力计算步骤，基于所述用户活跃度、所述用户受欢迎度，计算得到用户知识贡献能力。

2.根据权利要求1所述的方法，其中，所述时间衰减系数采用指数衰减，基于用户最后一次知识贡献的时间计算得出。

3.根据权利要求1所述的方法，其中，所述用户活跃度计算步骤，包括：

用户贡献数量获取步骤，统计得到用户贡献数量；

所述用户活跃度计算步骤，还基于所述用户贡献数量计算用户活跃度。

4.根据权利要求1至3中任一项所述的方法，其中，所述用户活跃度计算步骤，包括：

用户贡献类型分值获取步骤，预设不同贡献类型的类型分值，根据用户最后一次知识贡献的类型，得到用户贡献类型分值；

所述用户活跃度计算步骤，还基于所述用户贡献类型分值计算用户活跃度。

5.根据权利要求4所述的方法，其中，所述类型分值，基于所述贡献类型中的贡献数量在全部贡献数量中的占比计算得出。

6.根据权利要求1所述的方法，其中，所述贡献内容的所述认可数量，基于一个或多个贡献类型中的类型认可数量计算得出；

所述贡献类型中的所述类型认可数量，基于所述贡献类型中的所述贡献内容的被点赞、被评论、被收藏、被分享其中一种或几种的数量，计算得出。

7.根据权利要求1所述的方法，其中，所述方法还包括：

用户贡献意愿分值计算步骤，基于一个或多个贡献类型中的贡献值，计算得到用户贡献意愿分值；

所述用户贡献能力计算步骤，还基于所述用户贡献意愿分值，计算得到所述用户知识贡献能力。

8.一种知识社区用户贡献能力计算装置，其中，包括：

用户活跃度计算单元，用于基于时间衰减系数，计算得到用户活跃度；

用户受欢迎度计算单元，用于基于贡献内容的认可数量，计算得到用户受欢迎度；

用户贡献能力计算单元，用于基于所述用户活跃度、所述用户受欢迎度，计算得到用户知识贡献能力。

9.一种电子设备，其中，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述存储器中存储的计算机程序，且所述计算机程序被执行时，实现权利要求1-7中任一所述的方法。

10.一种计算机可读存储介质，存储有计算机程序，其中，所述计算机程序被处理器执行时，实现权利要求1-7中任一所述的方法。