CN112115334B - 网络社区热点内容的判别方法、装置、设备以及存储介质 - Google Patents

Abstract

本申请实施例公开了网络社区热点内容的判别方法、装置、设备以及存储介质，涉及机器学习技术领域。该网络社区热点内容的判别方法的一具体实施方式包括：接收到根据用户对网络社区内帖子的操作行为确定的触发信号；获取帖子的属性信息特征；将所述帖子的属性信息特征输入至预先训练的判别模型，进行热点内容判别，得到属于热点内容的帖子，从而获取符合本网络社区特征的热点内容，提高获取的热点内容的时效性，降低获取热点内容的人工成本。

Description

网络社区热点内容的判别方法、装置、设备以及存储介质

技术领域

本申请涉及计算机技术领域，具体涉及机器学习领域，尤其涉及网络社区热点内容的判别方法、装置、设备以及存储介质。

背景技术

随着移动互联网时代的到来，互联网技术正在不断的影响着人们的生活，各种社区类站点(如：脉脉、贴吧、微博、知乎等)每天产生数亿的内容供用户消费，人们在逛社区时不仅浏览阅读常规内容，更多的会去寻找、消费社会广泛关注的内容，即社会热点新闻或热点内容。

现有的热点内容挖掘主要是通过机器抓取、人工等方式，通过机器抓取其它新闻站点(如：微博、头条)的热点事件，其发现的热点事件内容带有其它站点特征较重，与本社区特征不相符，且时效性不强，存在时间延迟。通过人工编辑添加的热点内容发现策略，需要新闻敏感度的运营人员去手工添加，人工成本太高。

发明内容

为了解决上述背景技术部分提到的一个或多个技术问题，本申请实施例提供了网络社区热点内容的判别方法、装置、设备以及存储介质。

第一方面，本申请实施例提供了网络社区热点内容的判别方法，包括：接收到根据用户对网络社区内帖子的操作行为确定的触发信号；获取帖子的属性信息特征；将所述帖子的属性信息特征输入至预先训练的判别模型，进行热点内容判别，得到属于热点内容的帖子。

第二方面，本申请实施例提供了网络社区热点内容的判别装置，包括：接收模块，被配置为接收到根据用户对网络社区内帖子的操作行为确定的触发信号；获取模块，被配置为获取帖子的属性信息特征；判别模块，被配置为将所述帖子的属性信息特征输入至预先训练的判别模型，进行热点内容判别，得到属于热点内容的帖子。

第三方面，本申请实施例提出了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如第一方面中任一实现方式描述的方法。

第四方面，本申请实施例提出了一种存储有计算机指令的非瞬时计算机可读存储介质，计算机指令用于使计算机执行如第一方面中任一实现方式描述的方法。

本申请实施例提供的网络社区热点内容的判别方法、装置、设备以及存储介质，首先接收到根据用户对网络社区内帖子的操作行为确定的触发信号；之后获取帖子的属性信息特征；最后将所述帖子的属性信息特征输入至预先训练的判别模型，进行热点内容判别，得到属于热点内容的帖子，从而获取符合本网络社区特征的热点内容，提高获取的热点内容的时效性，降低获取热点内容的人工成本。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显。附图用于更好地理解本方案，不构成对本申请的限定。其中：

图1是本申请可以应用于其中的示例性系统架构图；

图2是根据本申请的网络社区热点内容的判别方法的一个实施例的流程示意图；

图3是根据本申请实施例的判别模型的一个实施例的流程图；

图4是本申请的网络社区热点内容的判别装置的一个实施例的结构示意图；

图5是用来实现本申请实施例的网络社区热点内容的判别方法的电子设备的框图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出了可以应用本申请的网络社区热点内容的判别方法或网络社区热点内容的判别装置的实施例的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101、网络102、服务器103。网络102用以在终端设备101、服务器103之间提供通信链路的介质。网络102可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

终端设备101可以通过网络102与服务器103交互。终端设备101中可以检测用户对网络社区内帖子的操作行为，并将根据用户对网络社区内帖子的操作行为确定的触发信号发送至服务器103，包括终端设备但不限于数据库、用户终端等等。

服务器103可以提供各种服务，例如服务器103可以对获取帖子的属性信息特征等数据进行分析等处理，生成处理结果(例如将帖子的属性信息特征输入至预先训练的判别模型，进行热点内容判别，得到属于热点内容的帖子)。

需要说明的是，服务器103可以是硬件，也可以是软件。当服务器103为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器103为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。

需要说明的是，本申请实施例所提供的网络社区热点内容的判别方法一般由服务器103执行，相应地，网络社区热点内容的判别装置一般设置于服务器103中。

应该理解，图1中的存储设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的存储设备、网络和服务器。

继续参考图2，示出了根据本申请的网络社区热点内容的判别方法的一个实施例的流程200。该网络社区热点内容的判别方法，包括以下步骤：

步骤201，接收到根据用户对网络社区内帖子的操作行为确定的触发信号。

在本实施例中，网络社区热点内容的判别方法的执行主体(例如图1所示的服务器103)可以接收到根据用户对网络社区内帖子的操作行为确定的触发信号。其中，网络社区是指基于网络技术提供的各种交流信息的手段，比如讨论、通信、聊天等，使社区居民得以互动。例如BBS/论坛、贴吧、知乎、微博、脉脉等。帖子指的是供网络社区内的用户进行搜索、阅读、分享、互动的内容，例如百度贴吧的贴子等。本申请实例的网络社区热点内容的判决方法的触发条件是用户对对帖子的操作行为，例如用户回帖、点赞、点踩、分享等等。终端设备(例如图1所述的终端设备101)可以检测到用户对网络社区内帖子的操作行为，之后基于检测到的操作行为生成触发信号，并将触发信号发送到上述执行主体。

步骤202，获取帖子的属性信息特征。

在本实施例中，上述执行主体可以获取帖子的属性信息特征。以百度贴吧为例，其贴子的属性信息包括贴子回复总数、贴子点赞总数、贴子浏览总数、贴子分享总数、贴子点踩总数、贴子回复时间、回帖子发贴时间、贴子内容长度、贴子内容等。

步骤203，将帖子的属性信息特征输入至预先训练的判别模型，进行热点内容判别，得到属于热点内容的帖子。

在本实施例中，上述执行主体可以将帖子的属性信息特征输入至预先训练的判别模型，进行热点内容判别，得到属于热点内容的帖子。具体地，可以使用训练好的判别模型对帖子进行计算分值，分数大于预定阈值的帖子标记为热点内容。示例性地，可以使用训练好的逻辑回归模型，计算帖子属性特征权重向量W与帖子属性特征向量X的内积，并利用sigmoid函数将帖子的分值P划归(0,1)之间，并取0.5为阈值，W·X越接近正无穷，它的概率值就越接近1，W·X越接近负无穷，它的概率值越接近0，如果帖子的分值P大于0.5则为热点内容，若小于0.5则为非热点内容。

在本实施例中，训练逻辑回归模型包括如下步骤：获取训练样本帖子的属性信息特征及属性信息特征的权重信息；标注训练样本帖子的类别；基于训练样本帖子的类别、属性信息特征、属性信息特征的权重信息，训练逻辑回归模型，并用梯度下降对所述属性信息特征的权重信息进行更新，得到所述属性信息特征的权重向量。具体地，线下对每一个样本帖子获取特征属性，并人工标注每个样本帖子是否为热点内容，每条样本帖子格式为X＝(x₁,w₁；x₂,w₂；x₃,w₃；…；x_n,w_n)，其中，x_i表示第i个属性特征，训练样本数据集则表示为：{(X₁,y₁),(X₂,y₂),…,(X_n,y_n)}，其中X_i为第i个帖子样本，y_i为X_i的类别，y_i的值为0或1，0表示为非热点内容，1则表示为热点内容。之后使用逻辑回归(Logistics Regression)模型进行训练，并使用梯度下降的方式来对样本属性信息权重向量W进行更新，最终得到帖子属性信息特征的权重向量W＝(w₁,w₂,…,w_n)。

其中，示例性地，逻辑回归模型的训练算法如下：

S11:将待分类帖子数据集合{X₁,X₂,,…,X_n}输入至逻辑回归模型；

S12：初始化帖子属性特征权重向量W＝{0,0,0,…,0}；

S13：对于每条帖子(X_i,y_i)通过内积W·X_i来计算特征权重之和，并采用sigmoid函数将每一条帖子样本的分值划归到(0,1)之间，并取0.5作为阈值，其中，X_i为第i个帖子样本，y_i为X_i的类别；

S14：将分值大于0.5的帖子样本初步判定为热点内容帖子，其余的帖子样本判定为非热点内容帖子；

S15：当第k个帖子到来时，先对这条帖子进行识别，而后用第k条帖子更新第k-1个分类器，生成第k个分类器，这样权重向量W实时更新，最后训练出一组帖子属性信息特征的权重向量W＝(w₁,w₂,…,w_n)。

与现有技术相比，本申请实施例弥补了现有技术中机器抓取的热点内容不符合本网络社区特征、时间延迟较大的弊端，同时有效地降低了人工运营成本，弥补了人工方式抓取的热点内容数目较少的不足。

进一步参考图3，其示出了根据本申请实施例的判别模型的一个实施例的流程图，其中，根据该判别模型对帖子进行热点内容判别包括如下步骤：

步骤301，将帖子的属性信息特征输入至预先训练的逻辑回归模型，得到帖子的第一分数。

在本实施例中，训练逻辑回归模型的方法可以采用图2中步骤203中所述的训练方法。上述执行主体可以将帖子的属性信息特征输入至训练好的逻辑回归模型，得到帖子的第一分数。优选地，若帖子的第一分数大于或等于预定阈值，则执行步骤302；否则，不执行任何操作。

步骤302，将帖子的文本信息输入至自然语言处理分词模型，得到分词集合。

在本实施例中，上述执行主体可以调用自然语言处理(Natural LanguageProcessing，NLP)分词模型对帖子的内容进行分词。例如，若帖子的主帖内容是“高考分数查询”，将主帖内容输入至NLP分词模型后，得到分词集合{高考，查分}。

步骤303，将分词集合输入至搜索加权模型，得到帖子的第二分数。

在本实施例中，上述执行主体可以将分词集合输入至搜索加权模型，得到帖子的第二分数。在这里，搜索加权模型根据分词集合中的分词在第三方网络社区出现的频次信息，计算该分词的权重分数，并将得到的权重分数作为帖子的第二分数。具体地，以百度贴吧为例，若某个贴子的分词集合中有“高考”这个分词，搜索加权模型会获取“高考”这个分词在“微博热搜”中出现的频次信息，并根据获得的频次信息确定对应的权重分数。示例性地，若“高考”这个分词在“微博热搜”中近5分钟内最大搜索频次>＝N₁，N₁为正数，则可以得到权重分数w₁，这里的权重分数w₁就是帖子的第二分数。

值得一提的是，这里的权重分数可以是多个，权重分数的个数并不构成本申请实施例限定的技术特征，本领域技术人员可以根据实际需要获取多个权重分数，并可以根据实际需要将多个权重分数的总和作为帖子的第二分数。例如，若帖子中的分词在第三方网络社区中近5分钟内的最大搜索频次>＝N₁，则可以得到权重分数w₁；若帖子中的分词在第三方网络社区中近10分钟内的最大搜索频次>＝N₂，则可以得到权重分数w₂；若帖子中的分词在第三方网络社区中近30分钟内的最大搜索频次>＝N₃，则可以得到权重分数w₃，以此类推；最后，将得到的权重分数w₁、w₂、w₃求和，并将求和结果作为帖子的第二分数。

步骤304，基于帖子的第一分数和第二分数，确定帖子的综合分数，若帖子的综合分数大于或等于预定阈值，则将帖子标记为热点内容。

在本实施例中，上述执行主体可以基于帖子的第一分数和第二分数，确定帖子的综合分数。例如，可以将帖子的第一分数和第二分数求和，并将求和后的结果作为帖子的综合分数；若帖子的综合分数>＝1，则将帖子标记为热点内容。

在本申请的另一实施例中，可以根据帖子中的分词出现在第三方网络社区的个数，利用搜索加权模型确定分词对应的权重分数，得到帖子的第三分数。以百度贴吧为例，若某一贴子中的分词在微博热搜、百度大搜、知乎热搜中出现，则确定贴子的第三分数为n*w₅，其中，n＝3。最后基于帖子的第一分数、第二分数、第三分数，确定帖子的综合分数，若帖子的综合分数大于或等于预定阈值，则将帖子标记为热点内容。示例性地，可以将帖子的第一分数、第二分数、第三分数进行求和运算，并将求和值作为帖子的最终分数。

进一步参考图4，作为对上述各图所示方法的实现，本申请提供了一种网络社区热点内容的判别的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图4所示，本实施例的网络社区热点内容的判别装置400可以包括：接收模块401、获取模块402、判别模块403。其中，接收模块401，被配置为接收到根据用户对网络社区内帖子的操作行为确定的触发信号；获取模块402，被配置为获取帖子的属性信息特征；判别模块403，被配置为将所述帖子的属性信息特征输入至预先训练的判别模型，进行热点内容判别，得到属于热点内容的帖子。

在本实施例中，网络社区热点内容的判别装置400中：接收模块401、获取模块402、判别模块403的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201-203的相关说明，在此不再赘述。

在本实施例的一些可选的实现方式中，所述判决模块进一步被配置成：将所述帖子的属性信息特征输入至预先训练的逻辑回归模型，得到所述帖子的第一分数；将所述帖子的文本信息输入至自然语言处理分词模型，得到分词集合；将所述分词集合输入至搜索加权模型，得到所述帖子的第二分数，其中，所述搜索加权模型基于每个分词的搜索频次确定对应的权重分数；基于所述帖子的第一分数和第二分数，确定所述帖子的综合分数，若所述帖子的综合分数大于或等于预定阈值，则将所述帖子标记为热点内容。

在本实施例的一些可选的实现方式中，所述判别模块进一步被配置成：根据所述分词出现在第三方网络社区的个数，利用所述搜索加权模型确定所述分词对应的权重分数，得到所述帖子的第三分数；基于所述帖子的第一分数、第二分数、第三分数，确定所述帖子的综合分数，若所述帖子的综合分数大于或等于预定阈值，则将所述帖子标记为热点内容。

在本实施例的一些可选的实现方式中，所述判别模块进一步被配置为：在将所述帖子的文本信息输入至自然语言处理分词模型之前，若所述帖子的发布时间与当前时间的时间间隔大于约定阈值，则将所述帖子标记为非热点内容。

在本实施例的一些可选的实现方式中，训练所述逻辑回归模型的方法包括：获取训练样本帖子的属性信息特征及属性信息特征的权重信息；标注训练样本帖子的类别；基于训练样本帖子的类别、属性信息特征、属性信息特征的权重信息，训练逻辑回归模型，并用梯度下降对所述属性信息特征的权重信息进行更新，得到所述属性信息特征的权重向量。

在本实施例的一些可选的实现方式中，所述判别模块进一步被配置为：所述将所述帖子的属性信息特征输入至预先训练的逻辑回归模型，得到所述帖子的第一分数，若所述帖子的第一分数小于预定阈值，则将所述帖子标记为非热点内容。

如图5所示，是根据本申请实施例网络社区热点内容的判别方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。

如图5所示，该电子设备包括：一个或多个处理器501、存储器502，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图5中以一个处理器501为例。

存储器502即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的网络社区热点内容的判别方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的网络社区热点内容的判别方法。

存储器502作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的网络社区热点内容的判别方法对应的程序指令/模块(例如，附图4所示的接收模块401、获取模块402、判别模块403)。处理器501通过运行存储在存储器502中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的网络社区热点内容的判别方法。

存储器502可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据网络社区热点内容的判别方法的电子设备的使用所创建的数据等。此外，存储器502可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器502可选包括相对于处理器501远程设置的存储器，这些远程存储器可以通过网络连接至网络社区热点内容的判别方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

网络社区热点内容的判别方法的电子设备还可以包括：输入装置503和输出装置504。处理器501、存储器502、输入装置503和输出装置504可以通过总线或者其他方式连接，图5中以通过总线连接为例。

输入装置503可接收输入的数字或字符信息，以及产生与网络社区热点内容的判别方法的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置504可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。

此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。

根据本申请的技术方案，首先接收到根据用户对网络社区内帖子的操作行为确定的触发信号；之后获取帖子的属性信息特征；最后将所述帖子的属性信息特征输入至预先训练的判别模型，进行热点内容判别，得到属于热点内容的帖子，从而获取符合本网络社区特征的热点内容，提高获取的热点内容的时效性，降低获取热点内容的人工成本。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (12)

1.一种网络社区热点内容的判别方法，包括：

接收到根据用户对网络社区内帖子的操作行为确定的触发信号；

获取帖子的属性信息特征；

将所述帖子的属性信息特征输入至预先训练的判别模型，进行热点内容判别，得到属于热点内容的帖子；

其中，所述将所述帖子的属性信息特征输入至预先训练的判别模型，进行热点内容判别包括：

将所述帖子的属性信息特征输入至预先训练的逻辑回归模型，得到所述帖子的第一分数；

将所述帖子的文本信息输入至自然语言处理分词模型，得到分词集合；

将所述分词集合输入至搜索加权模型，得到所述帖子的第二分数，其中，所述搜索加权模型基于每个分词的搜索频次确定对应的权重分数；

基于所述帖子的第一分数和第二分数，确定所述帖子的综合分数，若所述帖子的综合分数大于或等于预定阈值，则将所述帖子标记为热点内容。

2.根据权利要求1所述的方法，还包括：

根据所述分词出现在第三方网络社区的个数，利用所述搜索加权模型确定所述分词对应的权重分数，得到所述帖子的第三分数；

基于所述帖子的第一分数、第二分数、第三分数，确定所述帖子的综合分数，若所述帖子的综合分数大于或等于预定阈值，则将所述帖子标记为热点内容。

3.根据权利要求1所述的方法，其中，在将所述帖子的文本信息输入至自然语言处理分词模型之前，还包括：

若所述帖子的发布时间与当前时间的时间间隔大于约定阈值，则将所述帖子标记为非热点内容。

4.根据权利要求1所述的方法，训练所述逻辑回归模型的方法包括：

获取训练样本帖子的属性信息特征及属性信息特征的权重信息；

标注训练样本帖子的类别；

基于训练样本帖子的类别、属性信息特征、属性信息特征的权重信息，训练逻辑回归模型，并用梯度下降对所述属性信息特征的权重信息进行更新，得到所述属性信息特征的权重向量。

5.根据权利要求1所述的方法，所述将所述帖子的属性信息特征输入至预先训练的逻辑回归模型，得到所述帖子的第一分数包括：

若所述帖子的第一分数小于预定阈值，则将所述帖子标记为非热点内容。

6.一种网络社区热点内容的判别装置，其特征在于，所述装置包括：

接收模块，被配置为接收到根据用户对网络社区内帖子的操作行为确定的触发信号；

获取模块，被配置为获取帖子的属性信息特征；

判别模块，被配置为将所述帖子的属性信息特征输入至预先训练的判别模型，进行热点内容判别，得到属于热点内容的帖子；

其中，所述判别模块进一步被配置成：

将所述帖子的属性信息特征输入至预先训练的逻辑回归模型，得到所述帖子的第一分数；

将所述帖子的文本信息输入至自然语言处理分词模型，得到分词集合；

将所述分词集合输入至搜索加权模型，得到所述帖子的第二分数，其中，所述搜索加权模型基于每个分词的搜索频次确定对应的权重分数；

基于所述帖子的第一分数和第二分数，确定所述帖子的综合分数，若所述帖子的综合分数大于或等于预定阈值，则将所述帖子标记为热点内容。

7.根据权利要求6所述的装置，其中，所述判别模块进一步被配置成：

根据所述分词出现在第三方网络社区的个数，利用所述搜索加权模型确定所述分词对应的权重分数，得到所述帖子的第三分数；

基于所述帖子的第一分数、第二分数、第三分数，确定所述帖子的综合分数，若所述帖子的综合分数大于或等于预定阈值，则将所述帖子标记为热点内容。

8.根据权利要求6所述的装置，所述判别模块进一步被配置为：

在将所述帖子的文本信息输入至自然语言处理分词模型之前， 若所述帖子的发布时间与当前时间的时间间隔大于约定阈值，则将所述帖子标记为非热点内容。

9.根据权利要求6所述的装置，其中，训练所述逻辑回归模型的方法包括：

获取训练样本帖子的属性信息特征及属性信息特征的权重信息；

标注训练样本帖子的类别；

基于训练样本帖子的类别、属性信息特征、属性信息特征的权重信息，训练逻辑回归模型，并用梯度下降对所述属性信息特征的权重信息进行更新，得到所述属性信息特征的权重向量。

10.根据权利要求6所述的装置，所述判别模块进一步被配置为：

所述将所述帖子的属性信息特征输入至预先训练的逻辑回归模型，得到所述帖子的第一分数，若所述帖子的第一分数小于预定阈值，则将所述帖子标记为非热点内容。

11.一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-5中任一项所述的方法。

12.一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行权利要求1-5中任一项所述的方法。