CN112632443A - 内容评分方法、装置、电子设备及存储介质 - Google Patents
内容评分方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112632443A CN112632443A CN202011579085.5A CN202011579085A CN112632443A CN 112632443 A CN112632443 A CN 112632443A CN 202011579085 A CN202011579085 A CN 202011579085A CN 112632443 A CN112632443 A CN 112632443A
- Authority
- CN
- China
- Prior art keywords
- content
- classification label
- scoring
- historical
- data
- 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.)
- Granted
Links
- 238000013077 scoring method Methods 0.000 title claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000000034 method Methods 0.000 claims description 20
- 230000006399 behavior Effects 0.000 claims description 17
- 241001123248 Arma Species 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 8
- 238000009792 diffusion process Methods 0.000 description 8
- 101100368725 Bacillus subtilis (strain 168) tagF gene Proteins 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 230000002354 daily effect Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/958—Organisation or management of web site content, e.g. publishing, maintaining pages or automatic linking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/906—Clustering; Classification
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种内容评分方法、装置、电子设备及存储介质。其中,内容评分方法,包括:获取待评分内容对应的分类标签的热度预测值;将待评分内容对应的分类标签的热度预测值输入评分模型,获得所述评分模型输出的所述待评分内容的预测评分,其中,评分模型是基于待评分内容的历史评分数据和所述分类标签集合中每一分类标签的历史热度数据训练得到的。本发明的内容评分方法,通过跟踪分类标签热度来预测分类标签热度,并通过分类标签热度得到的内容评分,具有评分相对客观、准确的优点,使评分更具有权威性。
Description
技术领域
本发明涉及互联网技术领域,尤其涉及一种内容评分方法、装置、电子设备及存储介质。
背景技术
目前,对内容进行评分,如对某个网站中一些内容进行风评,通常采用的方法为:基于用户行为的统计指标进行内容的评分,例如:依据用户对内容的日平均播放次数、播放人次、播放完整度、阅读时长、搜索次数、点赞次数、收藏次数等进行内容的评分,这种方法中将各个用户行为指标加权得到内容评分,其无法清晰跟踪热点主题,也无法清楚从根源上解释内容评高低的原因,缺乏客观性。
发明内容
本发明提供一种内容评分方法、装置、电子设备及存储介质,可以通过跟踪分类标签热度来预测分类标签热度,并通过分类标签热度得到的内容评分,具有评分相对客观、准确的优点。
本发明提供一种内容评分方法,包括:
获取待评分内容对应的分类标签的热度预测值;
将待评分内容对应的分类标签的热度预测值输入评分模型,获得所述评分模型输出的所述待评分内容的预测评分,其中,所述评分模型是基于所述待评分内容的历史评分数据和所述分类标签集合中每一分类标签的历史热度数据训练得到的。
根据本发明提供的一种内容评分方法,所述获取待评分内容对应的分类标签的热度预测值,包括:
获取分类标签集合中每一分类标签的历史热度数据,其中,所述历史热度数据包括多个历史热度值;
基于每一所述分类标签的多个历史热度值,得到每一所述分类标签的热度预测值。
根据本发明提供的一种内容评分方法,所述获取分类标签集合中每一分类标签的历史热度数据,包括:
获取每一所述分类标签对应内容的历史播放时间数据,其中,所述历史播放时间数据包括多个历史播放时长;
获取每一所述分类标签对应内容的内容个数;
基于所述每一所述分类标签对应内容的历史播放时间数据和所述每一所述分类标签对应内容的内容个数,得到所述分类标签集合中每一分类标签的历史热度数据;
所述基于每一所述分类标签的多个历史热度值,得到每一所述分类标签的热度预测值,包括:
对每一所述分类标签的多个历史热度值进行差分运算,得到多个差分值;
基于所述多个差分值,得到所述每一所述分类标签的差分预测值;
基于所述差分预测值,得到每一所述分类标签的热度预测值。
根据本发明提供的一种内容评分方法,所述基于所述多个差分值,得到所述每一所述分类标签的差分预测值,包括:
将所述多个差分值输入至ARMA模型,得到所述ARMA模型输出的所述每一所述分类标签的差分预测值。
根据本发明提供的一种内容评分方法,在基于所述待评分内容的历史评分数据和所述分类标签集合中每一分类标签的历史热度数据训练得到所述评分模型之前,还包括:获得所述待评分内容的历史评分数据的步骤,具体包括:
获得所述待评分内容的用户行为历史统计指标数据,其中,所述用户行为历史统计指标数据包括多个用户行为历史统计指标值;
对所述多个用户行为历史统计指标值进行归一化,得到所述待评分内容的历史评分数据。
根据本发明提供的一种内容评分方法,所述待评分内容的用户行为历史统计指标数据包括所述待评分内容的历史播放人次数据,其中,所述历史播放人次数据包括多个历史播放人次统计值。
根据本发明提供的一种内容评分方法,在将待评分内容对应的分类标签的热度预测值输入评分模型,获得所述评分模型输出的所述待评分内容的预测评分之前,还包括:
将所述分类标签集合中每一分类标签的历史热度数据作为所述评分模型的输入,对应地将所述待评分内容的历史评分数据作为所述评分模型的输出,训练所述评分模型。
本发明还提供一种内容评分装置,包括:
获取模块,用于获取待评分内容对应的分类标签的热度预测值;
评分模块,用于将待评分内容对应的分类标签的热度预测值输入评分模型,获得所述评分模型输出的所述待评分内容的预测评分,其中,所述评分模型是基于所述待评分内容的历史评分数据和所述分类标签集合中每一分类标签的历史热度数据训练得到的。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述内容评分方法的步骤。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述内容评分的步骤。
本发明提供的内容评分方法、装置、电子设备及存储介质,可以根据统计出的每一分类标签的历史热度数据,得到每一分类标签的热度预测值,在得到每一分类标签的热度预测值之后,根据待评分内容对应的分类标签的热度预测值得到待评分内容的预测评分,本发明通过跟踪分类标签热度来预测分类标签热度,并通过分类标签热度得到的内容评分,具有评分相对客观、准确的优点,使评分更具有权威性。
附图说明
为了更清楚地说明本发明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一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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是本发明提供的内容评分方法的流程示意图;
图2是本发明提供的内容评分装置的结构示意图;
图3是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
以下结合附图描述本发明实施例的内容评分方法、装置、电子设备及存储介质。
图1是根据本发明一个实施例的内容评分方法的流程图。如图1所示,根据本发明实施例的内容评分方法,包括如下步骤:
S101:获取待评分内容对应的分类标签的热度预测值。
具体来说,获取待评分内容对应的分类标签的热度预测值可以进一步分为获取分类标签集合中每一分类标签的历史热度数据的步骤以及基于每一分类标签的历史热度数据,得到每一分类标签的热度预测值的步骤,其中,在以上描述中,历史热度数据可包括多个历史热度值。
具体来说,对于一个网站来说,分类标签集合可以对该网站中的所有内容的分类标签进行统计后得到的一个分类标签集合。分类标签的历史热度数据包括分类标签的多个历史热度,即:多个分类标签热度,此处称为历史热度值。其中,分类标签可以是对内容的一种分类并打上的标签,例如:内容为搞笑的、漫画等,则对应的分类标签可包括:喜剧、动漫等分类标签。当然了,分类标签也可以是基于对内容的各种评论,从各种评论中提取出多个关键词,然后对多个关键词进行排名后,取排在前几名的关键词作为内容的分类标签。
在具体示例中,获取分类标签集合中每一分类标签的历史热度数据,包括:获取每一分类标签对应内容的历史播放时间数据,其中,历史播放时间数据包括多个历史播放时长;获取每一分类标签对应内容的内容个数;基于每一所述分类标签对应内容的历史播放时间数据和每一分类标签对应内容的内容个数,得到分类标签集合中每一分类标签的历史热度数据。
以“国漫”分类标签为例,计算其每天的分类标签热度,具体计算方法如下:
Tag_hot_score=tag_play_time÷total_num_item,
其中,Tag_hot_score指“国漫”分类标签的分类标签热度;tag_play_time指含“国漫”分类标签的内容的播放总时长;total_num_item指包含“国漫”分类标签的内容个数。假设该网站中共有100个内容,其中有10个内容包括“国漫”分类标签,则统计这10个内容某一天的播放总时长,例如:播放总时长为5小时,则用5小时/10,便得到了该天中“国漫”分类标签的分类标签热度,即:一个历史热度值。
在本发明的一个实施例中,以过去的300天为例,则利用过去300天数据,按以上的计算方法,计算“国漫”分类标签每天的分类标签热度,可以得到一个时间序列timeseries_tag1,即:“国漫”分类标签的历史热度数据。
其中,timeseries_tag1=[tag1Score1,tag1Score2,...,tag1Score300],
tag1Score1,tag1Score2,...,tag1Score300分别指过去300天中第1天到第300天,每一天的“国漫”分类标签的分类标签热度。
同理,对于其它的分类标签,也可以按照上述方式得到每一天的分类标签热度,换言之,可以为网站中的所有的内容的分类标签集合中的每一个分类标签,统计一个时间序列。例如全站内容的分类标签集合共N个分类标签,则得到timeseries_tag2、timeseries_tag3、...timeseries_tagN,其中,timeseries_tag2、timeseries_tag3、...timeseries_tagN分别指分类标签2指分类标签N的时间序列,即:N个分类标签中每一个的历史热度数据。
在本发明的一个实施例中,可以通过如下方式得到每一分类标签的热度预测值,具体为:对每一分类标签的历史热度数据进行差分运算,得到多个差分值;基于多个差分值,得到每一分类标签的差分预测值;基于差分预测值,得到每一分类标签的热度预测值。
进一步地,基于多个差分值,得到每一分类标签的差分预测值,包括:将多个差分值输入至ARMA模型,得到ARMA模型输出的每一分类标签的差分预测值。
如上述一个实施例中得到的时间序列timeseries_tag1、timeseries_tag2、timeseries_tag3、...timeseries_tagN。分别对每个时间序列做一阶差分,得到新的时间序列,如下:
timeseries_tag1_new=[tag1Score2-tag1Score1,tag1Score3-tag1Score2,...,tag1Score300-tag1Score299],
timeseries_tag2_new=[tag2Score2-tag2Score1,tag2Score3-tag2Score2,...,tag2Score300-tag2Score299],
...
timeseries_tagN_new=[tagNScore2-tagNScore1,tagNScore3-tagNScore2,...,tagNScore300-tagNScore299]。
接着,将一阶差分后的数据,输入ARMA模型,预测未来一天的差分预测值。例如:将timeseries_tag1_new输入ARMA模型,得到未来1天的差分预测值,即:第301天的播放人次与第300天播放人次的差值的预测值,也就是说得到tag1Score301-tag1Score300的预测值。同理,也可以采用同样方式得到tag2Score301-tag2Score300、...、tagNScore301-tagNScore300的预测值。由于第300天的数据(如tag1Score300)是已知的,可以得到第301天预测的数据(即:热度预测值)。如喜爱:
tag1Score301=tag1Score300+预测值,
tag2Score301=tag2Score300+预测值,
...
tagNScore301=tagNScore300+预测值。
S102:将待评分内容对应的分类标签的热度预测值输入评分模型,获得评分模型输出的待评分内容的预测评分,其中,评分模型是基于待评分内容的历史评分数据和分类标签集合中每一分类标签的历史热度数据训练得到的。
在本发明的一个实施例中,历史评分数据可包括多个历史评分值,在基于待评分内容的历史评分数据和所述分类标签集合中每一分类标签的历史热度数据训练得到评分模型之前,还包括:获得待评分内容的历史评分数据的步骤,具体包括:获得待评分内容的用户行为历史统计指标数据,其中,用户行为历史统计指标数据包括多个用户行为历史统计指标值;对多个用户行为历史统计指标值进行归一化,得到待评分内容的历史评分数据。
该示例中,待评分内容的用户行为历史统计指标数据包括待评分内容的历史播放人次数据,其中,历史播放人次数据包括多个历史播放人次统计值。
具体来说,例如统计某个待评分内容过去300天,每天播放人次,得到时间序列timeseries_item,即:历史评分数据。时间序列timeseries_item的定义为按照时间排序的一组变量,通常是在相等间隔的时间段内依照给定的采样率对某种潜在过程进行观测的结果。该示例中,相等间隔时间段为1天,对播放人次进行统计,得到:
timeseries_item=[index1,index2,...,index300],
可以从timeseries_item时间序列中,得到最高播放人次与最小播放人次。即max_index与min_index,例如:index2为max_index,index275为min_index。之后,将timeseries_item中每个值进行标准化处理,例如采用0-1的归一化处理,其中,0-1归一化是将变量的范围压缩到0-1之间。例如:
index1_new=(index1-min_index)/(max_index-min_index),
index2_new=(index2-min_index)/(max_index-min_index),
...
index300_new=(index300-min_index)/(max_index-min_index)。
得到timeseries_item_new,其中,timeseries_item_new如下:
timeseries_item_new=[index1_new,index2_new,...,index300_new],其中,每个值为待评估内容在过去300天中每一天的内容评分。而本申请中,是预测未来的内容评分,如预测未来1天的内容评分,即待评分内容的预测评分index301_new。
在本发明的一个实施例中,在将待评分内容对应的分类标签的热度预测值输入评分模型,获得评分模型输出的待评分内容的预测评分之前,还包括:将分类标签集合中每一分类标签的历史热度数据作为评分模型的输入,对应地将待评分内容的历史评分数据作为评分模型的输出,训练评分模型。
如利用上述300天内的数据,构造样本,训练评分模型,在本发明的一个实施例中,评分模型采用LR模型。
利用如下时间序列数据,其中,数据如下:
timeseries_item_new=[index1_new,index2_new,...,index300_new],
timeseries_tag1=[tag1Score1,tag1Score2,...,tag1Score300],
timeseries_tag2=[tag2Score1,tag2Score2,...,tag2Score300],
......
timeseries_tagN=[tagNScore1,tagNScore2,...,tagNScore300]。
整理后,便可以得到300个训练样本。
例如,以上述300天中的第1天为例,训练好的LR模型输入(即:X)为tag1Score1、tag2Score1...tagNScore1,期望输出(即Y)为index2_new。
即:样本1为:
X1=[tag1Score1,tag2Score1,tagNScore1],
y1=index1_new;
样本2为:
X2=[tag1Score2,tag2Score2,tagNScore2],
y2=index2_new;
样本3为:
X3=[tag1Score3,tag2Score3,tagNScore3],
y3=index3_new;
...
样本300为:
X300=[tag1Score300,tag2Score300,tagNScore300],
y300=index300_new。
通过上述300个样本,训练LR模型,得到训练好的到LR模型。
然后,利用训练好的LR模型,预测待评分内容的预测评分。
将上述示例中得到的tag1Score301,tag2Score301,...tagNScore301输入训练好的LR模型,便可以得到待评分内容的预测评分。
在具体应用中,假设某一网站的全部的内容的分类标签集合数量为5个(即tag1,tag2,tag3,tag4,tag5)。且假设待评分内容拥有其中的3个分类标签,假设拥有tag1、tag3、tag5。
则训练好的LR模型的输入X为:
X=[tag1Score301,0,tag3Score301,0,tag5Score301];
可以理解的是,因为待评分内容,没有tag2,tag4,因此,tag3和tag4设置为0。
将X=[tag1Score301,0,tag3Score301,0,tag5Score301]输入训练好的LR模型,得到训练好的LR模型输出的待评分内容的预测评分,即:待评估内容的评估得分。
根据本发明实施例的内容评分方法,可以根据统计出的每一分类标签的历史热度数据,得到每一分类标签的热度预测值,在得到每一分类标签的热度预测值之后,根据待评分内容对应的分类标签的热度预测值得到待评分内容的预测评分,该方法通过跟踪分类标签热度来预测分类标签热度,并通过分类标签热度得到的内容评分,具有评分相对客观、准确的优点,使评分更具有权威性。
下面对本发明提供的内容评分装置进行描述,下文描述的内容评分装置与上文描述的内容评分方法可相互对应参照。
如图2所示,根据本发明一个实施例的内容评分装置,包括:获取模块210和评分模块220。其中:
获取模块210,用于获取待评分内容对应的分类标签的热度预测值;
评分模块220,用于将待评分内容对应的分类标签的热度预测值输入评分模型,获得所述评分模型输出的所述待评分内容的预测评分,其中,所述评分模型是基于所述待评分内容的历史评分数据和所述分类标签集合中每一分类标签的历史热度数据训练得到的。
根据本发明实施例的内容评分装置,可以根据统计出的每一分类标签的历史热度数据,得到每一分类标签的热度预测值,在得到每一分类标签的热度预测值之后,根据待评分内容对应的分类标签的热度预测值得到待评分内容的预测评分,该装置通过跟踪分类标签热度来预测分类标签热度,并通过分类标签热度得到的内容评分,具有评分相对客观、准确的优点,使评分更具有权威性。
图3示例了一种电子设备的实体结构示意图,如图3所示,该电子设备可以包括:处理器(processor)310、通信接口(CommunicationsInterface)320、存储器(memory)330和通信总线340,其中,处理器310,通信接口320,存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令,以执行内容评分方法,该方法包括:获取待评分内容对应的分类标签的热度预测值;将待评分内容对应的分类标签的热度预测值输入评分模型,获得所述评分模型输出的所述待评分内容的预测评分,其中,所述评分模型是基于所述待评分内容的历史评分数据和所述分类标签集合中每一分类标签的历史热度数据训练得到的。
此外,上述的存储器330中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法所提供的内容评分方法,该方法包括:获取待评分内容对应的分类标签的热度预测值;将待评分内容对应的分类标签的热度预测值输入评分模型,获得所述评分模型输出的所述待评分内容的预测评分,其中,所述评分模型是基于所述待评分内容的历史评分数据和所述分类标签集合中每一分类标签的历史热度数据训练得到的。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各提供的内容评分方法,该方法包括:获取待评分内容对应的分类标签的热度预测值;将待评分内容对应的分类标签的热度预测值输入评分模型,获得所述评分模型输出的所述待评分内容的预测评分,其中,所述评分模型是基于所述待评分内容的历史评分数据和所述分类标签集合中每一分类标签的历史热度数据训练得到的。
以上所描述的装置实施例仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例的方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种内容评分方法,其特征在于,包括:
获取待评分内容对应的分类标签的热度预测值;
将待评分内容对应的分类标签的热度预测值输入评分模型,获得所述评分模型输出的所述待评分内容的预测评分,其中,所述评分模型是基于所述待评分内容的历史评分数据和所述分类标签集合中每一分类标签的历史热度数据训练得到的。
2.根据权利要求1所述的内容评分方法,其特征在于,所述获取待评分内容对应的分类标签的热度预测值,包括:
获取分类标签集合中每一分类标签的历史热度数据,其中,所述历史热度数据包括多个历史热度值;
基于每一所述分类标签的多个历史热度值,得到每一所述分类标签的热度预测值。
3.根据权利要求2所述的内容评分方法,其特征在于,所述获取分类标签集合中每一分类标签的历史热度数据,包括:
获取每一所述分类标签对应内容的历史播放时间数据,其中,所述历史播放时间数据包括多个历史播放时长;
获取每一所述分类标签对应内容的内容个数;
基于所述每一所述分类标签对应内容的历史播放时间数据和所述每一所述分类标签对应内容的内容个数,得到所述分类标签集合中每一分类标签的历史热度数据;
所述基于每一所述分类标签的多个历史热度值,得到每一所述分类标签的热度预测值,包括:
对每一所述分类标签的多个历史热度值进行差分运算,得到多个差分值;
基于所述多个差分值,得到所述每一所述分类标签的差分预测值;
基于所述差分预测值,得到每一所述分类标签的热度预测值。
4.根据权利要求3所述的内容评分方法,其特征在于,所述基于所述多个差分值,得到所述每一所述分类标签的差分预测值,包括:
将所述多个差分值输入至ARMA模型,得到所述ARMA模型输出的所述每一所述分类标签的差分预测值。
5.根据权利要求1所述的内容评分方法,其特征在于,在基于所述待评分内容的历史评分数据和所述分类标签集合中每一分类标签的历史热度数据训练得到所述评分模型之前,还包括:获得所述待评分内容的历史评分数据的步骤,具体包括:
获得所述待评分内容的用户行为历史统计指标数据,其中,所述用户行为历史统计指标数据包括多个用户行为历史统计指标值;
对所述多个用户行为历史统计指标值进行归一化,得到所述待评分内容的历史评分数据。
6.根据权利要求5所述的内容评分方法,其特征在于,所述待评分内容的用户行为历史统计指标数据包括所述待评分内容的历史播放人次数据,其中,所述历史播放人次数据包括多个历史播放人次统计值。
7.根据权利要求1所述的内容评分方法,其特征在于,在将待评分内容对应的分类标签的热度预测值输入评分模型,获得所述评分模型输出的所述待评分内容的预测评分之前,还包括:
将所述分类标签集合中每一分类标签的历史热度数据作为所述评分模型的输入,对应地将所述待评分内容的历史评分数据作为所述评分模型的输出,训练所述评分模型。
8.一种内容评分装置,其特征在于,包括:
获取模块,用于获取待评分内容对应的分类标签的热度预测值;
评分模块,用于将待评分内容对应的分类标签的热度预测值输入评分模型,获得所述评分模型输出的所述待评分内容的预测评分,其中,所述评分模型是基于所述待评分内容的历史评分数据和所述分类标签集合中每一分类标签的历史热度数据训练得到的。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现根据权利要求1至7任一项所述内容评分方法的步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现根据权利要求1至7任一项所述内容评分方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011579085.5A CN112632443B (zh) | 2020-12-28 | 2020-12-28 | 内容评分方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011579085.5A CN112632443B (zh) | 2020-12-28 | 2020-12-28 | 内容评分方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112632443A true CN112632443A (zh) | 2021-04-09 |
CN112632443B CN112632443B (zh) | 2024-05-24 |
Family
ID=75325820
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011579085.5A Active CN112632443B (zh) | 2020-12-28 | 2020-12-28 | 内容评分方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112632443B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106227883A (zh) * | 2016-08-05 | 2016-12-14 | 北京聚爱聊网络科技有限公司 | 一种多媒体内容的热度分析方法和装置 |
CN106849157A (zh) * | 2017-01-10 | 2017-06-13 | 上海海事大学 | 基于风光互补的混合能源系统优化方法 |
CN110489644A (zh) * | 2019-08-13 | 2019-11-22 | 腾讯科技(北京)有限公司 | 信息推送方法、装置、计算机可读存储介质和计算机设备 |
US20200250273A1 (en) * | 2019-02-05 | 2020-08-06 | International Business Machines Corporation | Image Object Disambiguation Resolution Using Learner Model Based Conversation Templates |
-
2020
- 2020-12-28 CN CN202011579085.5A patent/CN112632443B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106227883A (zh) * | 2016-08-05 | 2016-12-14 | 北京聚爱聊网络科技有限公司 | 一种多媒体内容的热度分析方法和装置 |
CN106849157A (zh) * | 2017-01-10 | 2017-06-13 | 上海海事大学 | 基于风光互补的混合能源系统优化方法 |
US20200250273A1 (en) * | 2019-02-05 | 2020-08-06 | International Business Machines Corporation | Image Object Disambiguation Resolution Using Learner Model Based Conversation Templates |
CN110489644A (zh) * | 2019-08-13 | 2019-11-22 | 腾讯科技(北京)有限公司 | 信息推送方法、装置、计算机可读存储介质和计算机设备 |
Also Published As
Publication number | Publication date |
---|---|
CN112632443B (zh) | 2024-05-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109522556B (zh) | 一种意图识别方法及装置 | |
CN108829822B (zh) | 媒体内容的推荐方法和装置、存储介质、电子装置 | |
CN110163647B (zh) | 一种数据处理方法及装置 | |
CN111104526A (zh) | 一种基于关键词语义的金融标签提取方法及系统 | |
CN107766929B (zh) | 模型分析方法及装置 | |
JP5827416B2 (ja) | ユーザ質問の処理方法及び処理システム | |
CN108509499A (zh) | 一种搜索方法及装置,电子设备 | |
CN107807958A (zh) | 一种文章列表个性化推荐方法、电子设备及存储介质 | |
CN111191099B (zh) | 一种基于社交媒体的用户活动类型识别方法 | |
CN107665221A (zh) | 关键词的分类方法和装置 | |
CN103617146B (zh) | 一种基于硬件资源消耗的机器学习方法及装置 | |
CN113051486A (zh) | 基于交友场景的推荐模型的训练方法、装置、电子设备和计算机可读存储介质 | |
CN115222443A (zh) | 客户群体划分方法、装置、设备及存储介质 | |
CN104077288B (zh) | 网页内容推荐方法和网页内容推荐设备 | |
JP7139932B2 (ja) | 需要予測方法、需要予測プログラムおよび需要予測装置 | |
CN110990711A (zh) | 基于机器学习的微信公众号推荐算法及系统 | |
CN113190746B (zh) | 推荐模型的评估方法、装置及电子设备 | |
CN111768218B (zh) | 用于处理用户交互信息的方法和装置 | |
CN111523604A (zh) | 一种用户分类的方法和相关装置 | |
CN112632443A (zh) | 内容评分方法、装置、电子设备及存储介质 | |
CN116089616A (zh) | 主题文本获取方法、装置、设备及存储介质 | |
CN111881007A (zh) | 操作行为判断方法、装置、设备及计算机可读存储介质 | |
CN115936748A (zh) | 一种商业大数据分析方法及系统 | |
CN111159397B (zh) | 文本分类方法和装置、服务器 | |
CN109242690A (zh) | 理财产品推荐方法、装置、计算机设备及可读存储介质 |
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 |