CN113361264A - 数据处理方法及装置 - Google Patents
数据处理方法及装置 Download PDFInfo
- Publication number
- CN113361264A CN113361264A CN202110710939.7A CN202110710939A CN113361264A CN 113361264 A CN113361264 A CN 113361264A CN 202110710939 A CN202110710939 A CN 202110710939A CN 113361264 A CN113361264 A CN 113361264A
- Authority
- CN
- China
- Prior art keywords
- comment
- information
- comment information
- piece
- evaluation
- 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.)
- Pending
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 41
- 238000011156 evaluation Methods 0.000 claims abstract description 108
- 238000005259 measurement Methods 0.000 claims abstract description 45
- 230000004044 response Effects 0.000 claims abstract description 17
- 238000000034 method Methods 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 23
- 238000012549 training Methods 0.000 claims description 14
- 238000012163 sequencing technique Methods 0.000 claims description 9
- 238000012552 review Methods 0.000 claims 3
- 238000010586 diagram Methods 0.000 description 7
- 238000003058 natural language processing Methods 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
- G06F40/216—Parsing using statistical methods
-
- 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
- G06F16/957—Browsing optimisation, e.g. caching or content distillation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Data Mining & Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请提供数据处理方法及装置,其中所述数据处理方法包括:接收评论查看指令;响应于所述评论查看指令获取评论信息列表,提取所述评论信息列表中的每条评论信息以及针对每条评论信息的评价信息;根据每条评论信息的评价信息计算每条评论信息的目标度量值;基于每条评论信息的目标度量值对每条评论信息进行排序并展示,本申请提供的数据处理方法,可以根据评论信息和评论信息对应的评价信息对评论信息进行度量,将优质的评论信息优先展示。
Description
技术领域
本申请涉及互联网技术领域,特别涉及一种数据处理方法。本申请同时涉及一种数据处理装置,一种计算设备,以及一种计算机可读存储介质。
背景技术
发布在互联网上的多媒体信息(例如音频、视频、新闻、文章、图片),都会有用户对其进行留言、讨论。目前针对多媒体信息的评论展示排序方法通常是基于时间排序或基于点赞数排序,但是这两种评论排序的局限性都较大,基于时间排序的评论展示排序方法无法反应评论内容的质量,基于点赞数排序的评论展示排序方法无法避免刷票的行为,因此,亟需一种新的方法对评论信息进行排序展示。
发明内容
有鉴于此,本申请实施例提供了一种数据处理方法。本申请同时涉及一种数据处理装置,一种计算设备,以及一种计算机可读存储介质,以解决现有技术中存在的无法展示真正热门、优质的评论的问题。
根据本申请实施例的第一方面,提供了一种数据处理方法,包括:
接收评论查看指令;
响应于所述评论查看指令获取评论信息列表,提取所述评论信息列表中的每条评论信息以及针对每条评论信息的评价信息;
根据每条评论信息的评价信息计算每条评论信息的目标度量值;
基于每条评论信息的目标度量值对每条评论信息进行排序并展示。
根据本申请实施例的第二方面,提供了一种数据处理装置,包括:
接收模块,被配置为接收评论查看指令;
获取模块,被配置为响应于所述评论查看指令获取评论信息列表,提取所述评论信息列表中的每条评论信息以及针对每条评论信息的评价信息;
度量模块,被配置为根据每条评论信息的评价信息计算每条评论信息的目标度量值;
排序展示模块,被配置为基于每条评论信息的目标度量值对每条评论信息进行排序并展示。
根据本申请实施例的第三方面,提供了一种计算设备,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指令,所述处理器执行所述计算机指令时实现所述数据处理方法的步骤。
根据本申请实施例的第四方面,提供了一种计算机可读存储介质,其存储有计算机指令,该计算机指令被处理器执行时实现所述数据处理方法的步骤。
本申请提供的数据处理方法,接收评论查看指令;响应于所述评论查看指令获取评论信息列表,提取所述评论信息列表中的每条评论信息以及针对每条评论信息的评价信息;根据每条评论信息的评价信息计算每条评论信息的目标度量值;基于每条评论信息的目标度量值对每条评论信息进行排序并展示。本申请一实施例实现了根据评论信息和评论信息对应的评价信息为评论信息进行综合度量,既能从评价信息的内容识别评论信息的优劣,又能从针对评论信息的评价信息中综合识别评论信息的度量值,从而展示优质的排序列表。
附图说明
图1是本申请一实施例提供的一种数据处理方法的流程图;
图2是本申请一实施例体用的数据处理方法的结构框架图;
图3是本申请一实施例提供的一种应用于获取新闻评论场景的数据处理方法的处理流程图;
图4是本申请一实施例提供的一种数据处理装置的结构示意图;
图5是本申请一实施例提供的一种计算设备的结构框图。
具体实施方式
在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本申请内涵的情况下做类似推广,因此本申请不受下面公开的具体实施的限制。
在本申请一个或多个实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请一个或多个实施例。在本申请一个或多个实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本申请一个或多个实施例中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本申请一个或多个实施例中可能采用术语第一、第二等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本申请一个或多个实施例范围的情况下,第一也可以被称为第二,类似地,第二也可以被称为第一。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
在本申请中,提供了一种数据处理方法,本申请同时涉及一种数据处理装置,一种计算设备,以及一种计算机可读存储介质,在下面的实施例中逐一进行详细说明。
图1示出了根据本申请一实施例提供的一种数据处理方法的流程图,具体包括以下步骤:
步骤102:接收评论查看指令。
评论查看指令具体是指用户在点击某个多媒体资源对应的评论信息列表时发出的查看指令,例如,用户在查看某个热门视频的评论信息列表时,会发出针对该热门视频的评论查看指令,服务器接收到该评论查看指令后,展示该热门视频的评论信息列表供用户查阅。
在实际应用中,评论查看指令中会携带有多媒体资源标识,该多媒体资源标识用于确定该评论查看指令具体查看的是哪一个多媒体资源的评论信息列表。
在本申请提供的一具体实施方式中,以用户观看视频A的评论信息列表为例,接收到用户发送的针对视频A的评论查看指令。
步骤104:响应于所述评论查看指令获取评论信息列表,提取所述评论信息列表中的每条评论信息以及针对每条评论信息的评价信息。
在接收到评论查看指令后,即可根据评论查看指令获取对应的评论信息列表,在评论信息列表中有多条评论信息和针对每条评论信息的评价信息。
具体的,在实际应用中,所述评价信息包括正向信息和/或负向信息,正向信息包括支持该条评论信息的支持信息,例如点赞、打赏、支持等等,负向信息包括反对该条评论的不支持信息,例如踩、举报、不赞同等等。
在实际应用中,如上所述,评论查看指令包括目标多媒体资源标识;
所述响应于所述评论查看指令获取评论信息列表,提取所述评论信息列表中的每条评论信息以及针对每条评论信息的评价信息,具体包括S1042-S1044:
S1042、响应于所述评论查看指令获取所述目标多媒体资源标识对应的评论信息列表,其中,所述评论信息列表中包括多条评论信息。
获取评论查看指令中的目标多媒体资源标识,并获取所述目标多媒体资源标识对应的评论信息列表,在本申请提供的一具体实施方式中,目标多媒体资源标识为新闻B,获取新闻B对应的评论信息列表List1,在评论信息列表List1中,包括有120条评论信息。
其中,响应于所述评论查看指令获取所述目标多媒体资源标识对应的评论信息列表,包括:
响应于所述评论查看指令从评论数据库中获取所述目标多媒体资源标识对应的评论信息列表;
将所述评论信息列表添加至评论缓存库。
在实际应用中,评论信息列表是保存在对应的评论数据库中,该评论数据库保存有多个多媒体资源对应的评论信息列表,响应于评论查看指令即可在评论数据库中获取与所述目标多媒体资源标识对应的评论信息列表。
在获取到评论信息列表后,需要将其添加至评论缓存库(Redis),Redis(RemoteDictionary Server,远程字典服务),是一个开源的Key-Value数据库,响应速度快。将评论信息列表从评论数据库中获取后,添加至评论缓存库,便于在后续的处理过程中能有更快的处理速度。
在本申请提供的一具体实施方式中,沿用上例,将评论信息列表List1保存至评论缓存库Redis-A。
S1044、提取所述评论信息列表中的每条评论信息,同时提取针对每条评论信息的评价信息。
在获得评论信息列表后,由上述步骤可知,在评论信息列表中包括多条评论信息,再根据每条评论信息获取其对应的评价信息。例如,评论信息列表中有50条评论信息,获取每条评论信息对应的评价信息。
具体的,提取针对每条评论信息的评价信息,包括:
从评价缓存库中提取所述评论信息列表中每条评论信息对应的评价信息。
在实际应用中,评价信息存储在评价缓存库中,需要注意的是,评价缓存库和评论缓存库可以为同一个Redis,也可以是不同的Redis,具体以实际应用为准。
在实际应用中,在提取针对每条评论信息的评价信息之前,所述方法还包括:
接收用户针对目标评论信息的评价信息;
将所述评价信息添加至评价缓存库。
用户在查看评论信息的过程中,会对评论信息发表自己的评价信息,该评价信息包括正向信息和/或负向信息,对于同一条评论信息,不同的用户也会发表不同的评价信息,接收并统计针对目标评论信息的评价信息,并将该评价信息添加至评论缓存库,将评价信息添加至评价缓存库便于在后续的处理过程中,可以快速的从评价缓存库中获取评论信息对应的评价信息。
在本申请提供的一具体实施方式中,沿用上例,接收多个用户针对评论信息列表List1中不同评论信息的评价信息,并将针对评论信息列表List1中每个评论信息的评价信息添加至评价缓存库Redis-B,响应于评论查看指令从评价缓存库Redis-B中获取评论信息列表List1中每条评论信息的评价信息,如评论信息1的正向信息100个,负向信息30个;评论信息2的正向信息5个,负向信息1个等等。
步骤106:根据每条评论信息的评价信息计算每条评论信息的目标度量值。
在获得评论信息列表和评论信息列表中每条评论信息对应的评价信息后,即可根据评论信息和评论信息对应的评价信息为每条评论信息进行度量,确定每条评论信息的评论质量,在为评论信息度量时,即考虑评论信息的内容,又参考其他用户对于该条评论信息的评价信息。
具体的,根据每条评论信息的评价信息计算每条评论信息的目标度量值,包括S1062-S1066:
S1062、在所述评论信息列表中确定待度量评论信息。
在实际应用中,评论信息列表中会有多条评论信息,从中选取一条待度量评论信息,其中待度量评论信息具体是指在当前度量时的评论信息。
在本申请提供的一具体实施方式中,沿用上例,评论信息列表List1中有120条评论信息,在为评论信息1进行度量时,评论信息1即为待度量评论信息。
S1064、将所述待度量评论信息输入至评论度量模型进行度量处理,获得所述待度量评论信息的初始度量值。
评论度量模型是经过大量评论信息进行训练的深度神经网络模型,评论度量模型可以根据评论信息准确识别出评论信息的具体内容,并为评论信息进行度量,具体的,评论信息的内容质量越高,则评论度量模型输出的度量值越高,评论度量模型根据待度量评论信息输出的度量值即为待度量评论信息的初始度量值。
在实际应用中,所述评论度量模型通过下述步骤训练:
获取样本数据,其中,所述样本数据包括样本评论和所述样本评论对应的样本度量值;
将所述样本评论输入至评论度量模型;
获取所述评论度量模型输出的所述样本评论对应的预测度量值;
根据所述预测度量值和所述样本度量值计算损失值;
根据所述损失值调整所述评论度量模型的模型参数,并继续对所述评论度量模型进行训练,直至达到训练停止条件。
具体的,评论度量模型是需要预先训练生成,在训练评论度量模型时,获取多个用于训练的样本数据,所述样本数据具体包括样本评论和样本评论对应的样本度量值,将样本评论输入至待训练的评论度量模型,所述评论度量模型根据样本评论预测出样本评论对应的预测度量值,将预测度量值与样本评论对应的样本度量值计算损失值,并根据所述损失值调整所述评论度量模型的模型参数,重复循环训练,直至达到训练停止条件,在实际应用中,计算损失值的方法可以有最大损失值法、平均损失值法等等,模型训练的停止条件可以为计算获得的损失值低于预设阈值或模型训练的轮次达到预设的轮次。
S1066、基于所述待度量评论信息对应的评价信息对所述待度量评论信息的初始度量值进行校准,获得所述待度量评论信息的目标度量值。
在计算获得待度量评论信息的初始度量值后,即可结合待度量评论信息的评价信息对所述初始度量值进行校准,具体的,可以通过评价信息中的正向信息和负向信息的比值,对初始度量值进行校准,例如,待度量评论信息的正向信息有100条,负向信息有30条,则正负比值为3.33,待度量评论信息的初始度量值为40分,将正负比值与初始度量值相乘即可获得待度量评论信息的目标度量值。需要注意的是,根据评价信息对初始度量值进行校准的方式有很多,在本申请中仅做示意性说明,在实际应用中,应以具体实施为准,在本申请中对校准的方法不做限定。
通过评价信息对待度量信息的初始度量值进行校准,客观的表达了用户对于待度量信息内容是否优质的判断。
步骤108:基于每条评论信息的目标度量值对每条评论信息进行排序并展示。
在计算获得每条评论信息的目标度量值后,即可根据每条评论信息的目标度量值将每条评论信息进行排序,并将最终的排序结果展示给用户。
具体的,基于每条评论信息的目标度量值对每条评论信息进行排序并展示,包括:
将每条评论信息根据每条评论信息的目标度量值进行降序排列;
展示所述排列结果。
在实际应用中,用户更期望查看更优质的评论信息,而越优质的评论信息的目标度量值的分值会越高,因此,将每条评论信息根据目标度量值进行降序排列,将目标度量值越高的评论信息排在评论信息列表的前列,从而向用户展示优质的评论信息。
本申请提供的数据处理方法,通过接收评论查看指令;响应于所述评论查看指令获取评论信息列表,提取所述评论信息列表中的每条评论信息以及针对每条评论信息的评价信息;根据每条评论信息的评价信息计算每条评论信息的目标度量值;基于每条评论信息的目标度量值对每条评论信息进行排序并展示。实现了根据评论信息和评论信息对应的评价信息为评论信息进行综合度量,既能从评价信息的内容识别评论信息的优劣,又能从针对评论信息的评价信息中综合识别评论信息的度量值,从而展示优质的排序列表。
其次,在为评论信息进行度量时,利用神经网络模型,通过对自然语言处理,准确识别评论信息内容的优劣,并给出较为准确的初始度量值,再结合评价信息客观的表达了其他用户对于评论信息内容优劣的判断,避免因恶意负向评论或恶意正向评论导致的优质评论信息无法展示、劣质评论信息排名靠前的情况。
下述结合附图2和附图3,以本申请提供的数据处理方法在新闻场景下获取评论的应用为例,对所述数据处理方法进行进一步说明。其中,图2示出了本申请一实施例提供的数据处理方法的结构框架图。
如图2所示,分为用户发送评价信息和发送评论查看指令两个分支,在用户发送评价信息的分支中,用户对新闻N的评论发送评价信息(如点赞、举报等),评价信息会通过reply-interface网关,经由Databus存入评价缓存库中,Databus是一个实时、可靠、支持事物、保持一致性的数据变更抓取系统,通过挖掘数据库日志的方式,将数据库变更实时、可靠的从数据库中拉取出来,并存入到评价缓存库中。
在用户发送评论查看指令的分支中,在接收到针对新闻N的评论查看指令,通过reply-service在评论数据库中获取与评论查看指令对应的评论信息列表,并将评论信息列表写入到评论缓存库中,同时将评论缓存库中关于新闻N的评论信息输入至评论度量模型进行处理,获得评论度量模型输出的初始度量值,再根据评价缓存库中针对每条评论信息的评价信息对每条评论信息的初始度量值进行校准,获得每条评论信息的目标度量值。
最终,将新闻N的评论信息根据每条评论信息的目标度量值进行降序排列并展示。
图3示出了本申请一实施例提供的一种应用于获取新闻评论场景的数据处理方法的处理流程图,具体包括以下步骤:
步骤302:接收评论查看指令,其中,评论查看指令中携带有新闻N标识。
在本申请提供的实施例中,接收到用户针对新闻N发送的评论查看指令,在评论查看指令中携带有新闻N的标识。
步骤304:响应于所述评论查看指令在评论数据库中获取所述新闻N对应的评论信息列表,并将该评论信息列表添加至评论缓存库。
在本申请提供的实施例中,沿用上例,响应于该评论查看指令,根据新闻N的标识在评论数据库中获取新闻N对应的评论信息列表,并将该评论信息列表添加至评论缓存库,其中,该评论信息列表中有40条评论信息。
步骤306:在评价缓存库中获取该评论信息列表中每条评论信息的评价信息。
在本申请提供的实施例中,沿用上例,在评价缓存库获取上述的40条评论信息各自对应的评价信息。
步骤308:在该评论信息列表中确定待度量评论信息。
在本申请提供的实施例中,沿用上例,在40条评论信息中依次选取待度量评论信息。
步骤310:将该待度量评论信息输入至评论度量模型进行度量处理,获得所述待度量评论信息的初始度量值。
在本申请提供的实施例中,沿用上例,将待度量评论信息输入至评论度量模型,评论度量模型经过自然语言处理后,输出该待度量评论信息的初始度量值。
步骤312:根据该待度量评论信息对应的评价信息对该待度量评论信息的初始度量值进行校准,获得所述待度量评论信息的目标度量值。
在本申请提供的实施例中,沿用上例,根据该待度量评论信息对应的评价信息对该待度量评论信息的初始度量值进行校准调整,计算所述待度量评论信息的目标度量值。并依次对评论信息列表中的每条评论信息执行步骤308至步骤310的操作。直至获得评论信息列表中每条评论信息对应的目标度量值。
步骤314:在计算确定新闻N对应的评论信息列表中每条评论信息的目标度量值后,将每条评论信息根据对应的目标度量值进行降序排列。
在本申请提供的实施例中,沿用上例,在获得每条评论信息对应的目标度量值后,将评论信息根据各自对应的目标度量值进行降序排列,获得更新后的评论信息排列结果。
步骤316:展示最终排列结果。
在本申请提供的实施例中,沿用上例,将降序排列的评论信息展示给用户。
本申请提供的数据处理方法,通过接收评论查看指令;响应于所述评论查看指令获取评论信息列表,提取所述评论信息列表中的每条评论信息以及针对每条评论信息的评价信息;根据每条评论信息的评价信息计算每条评论信息的目标度量值;基于每条评论信息的目标度量值对每条评论信息进行排序并展示。实现了根据评论信息和评论信息对应的评价信息为评论信息进行综合度量,既能从评价信息的内容识别评论信息的优劣,又能从针对评论信息的评价信息中综合识别评论信息的度量值,从而展示优质的排序列表。
其次,在为评论信息进行度量时,利用神经网络模型,通过对自然语言处理,准确识别评论信息内容的优劣,并给出较为准确的度量值,再结合评价信息客观的表达了其他用户对于评论信息内容优劣的判断,避免因恶意负向评论或恶意正向评论导致的优质评论信息无法展示、劣质评论信息排名靠前的情况。
与上述数据处理方法实施例相对应,本申请还提供了数据处理装置实施例,图4示出了本申请一实施例提供的一种数据处理装置的结构示意图。如图4所示,该装置包括:
接收模块402,被配置为接收评论查看指令;
获取模块404,被配置为响应于所述评论查看指令获取评论信息列表,提取所述评论信息列表中的每条评论信息以及针对每条评论信息的评价信息;
度量模块406,被配置为根据每条评论信息的评价信息计算每条评论信息的目标度量值;
排序展示模块408,被配置为基于每条评论信息的目标度量值对每条评论信息进行排序并展示。
可选的,所述评论查看指令包括目标多媒体资源标识;
所述获取模块404,进一步被配置为:
响应于所述评论查看指令获取所述目标多媒体资源标识对应的评论信息列表,其中,所述评论信息列表中包括多条评论信息;
提取所述评论信息列表中的每条评论信息,同时提取针对每条评论信息的评价信息。
可选的,所述获取模块404,进一步被配置为:
响应于所述评论查看指令从评论数据库中获取所述目标多媒体资源标识对应的评论信息列表;
将所述评论信息列表添加至评论缓存库。
可选的,所述获取模块404,进一步被配置为:
从评价缓存库中提取所述评论信息列表中每条评论信息对应的评价信息。
可选的,所述装置还包括:
评价信息接收模块,被配置为接收用户针对目标评论信息的评价信息;
添加模块,被配置为将所述评价信息添加至评价缓存库。
可选的,所述度量模块406,进一步被配置为:
在所述评论信息列表中确定待度量评论信息;
将所述待度量评论信息输入至评论度量模型进行度量处理,获得所述待度量评论信息的初始度量值;
基于所述待度量评论信息对应的评价信息对所述待度量评论信息的初始度量值进行校准,获得所述待度量评论信息的目标度量值。
可选的,所述排序展示模块408,被配置为:
将每条评论信息根据每条评论信息的目标度量值进行降序排列;
展示所述排列结果。
可选的,所述装置还包括训练模块;
所述训练模块,被配置为:
获取样本数据,其中,所述样本数据包括样本评论和所述样本评论对应的样本度量值;
将所述样本评论输入至评论度量模型;
获取所述评论度量模型输出的所述样本评论对应的预测度量值;
根据所述预测度量值和所述样本度量值计算损失值;
根据所述损失值调整所述评论度量模型的模型参数,并继续对所述评论度量模型进行训练,直至达到训练停止条件。
可选的,所述评价信息包括正向信息和/或负向信息。
本申请提供的数据处理装置,通过接收评论查看指令;响应于所述评论查看指令获取评论信息列表,提取所述评论信息列表中的每条评论信息以及针对每条评论信息的评价信息;根据每条评论信息的评价信息计算每条评论信息的目标度量值;基于每条评论信息的目标度量值对每条评论信息进行排序并展示。实现了根据评论信息和评论信息对应的评价信息为评论信息进行综合度量,既能从评价信息的内容识别评论信息的优劣,又能从针对评论信息的评价信息中综合识别评论信息的度量值,从而展示优质的排序列表。
其次,在为评论信息进行度量时,利用神经网络模型,通过对自然语言处理,准确识别评论信息内容的优劣,并给出较为准确的初始度量值,再结合评价信息客观的表达了其他用户对于评论信息内容优劣的判断,避免因恶意负向评论或恶意正向评论导致的优质评论信息无法展示、劣质评论信息排名靠前的情况。
上述为本实施例的一种数据处理装置的示意性方案。需要说明的是,该数据处理装置的技术方案与上述的数据处理方法的技术方案属于同一构思,数据处理装置的技术方案未详细描述的细节内容,均可以参见上述数据处理方法的技术方案的描述。
图5示出了根据本申请一实施例提供的一种计算设备500的结构框图。该计算设备500的部件包括但不限于存储器510和处理器520。处理器520与存储器510通过总线530相连接,数据库550用于保存数据。
计算设备500还包括接入设备540,接入设备540使得计算设备500能够经由一个或多个网络560通信。这些网络的示例包括公用交换电话网(PSTN)、局域网(LAN)、广域网(WAN)、个域网(PAN)或诸如因特网的通信网络的组合。接入设备540可以包括有线或无线的任何类型的网络接口(例如,网络接口卡(NIC))中的一个或多个,诸如IEEE802.11无线局域网(WLAN)无线接口、全球微波互联接入(Wi-MAX)接口、以太网接口、通用串行总线(USB)接口、蜂窝网络接口、蓝牙接口、近场通信(NFC)接口,等等。
在本申请的一个实施例中,计算设备500的上述部件以及图5中未示出的其他部件也可以彼此相连接,例如通过总线。应当理解,图5所示的计算设备结构框图仅仅是出于示例的目的,而不是对本申请范围的限制。本领域技术人员可以根据需要,增添或替换其他部件。
计算设备500可以是任何类型的静止或移动计算设备,包括移动计算机或移动计算设备(例如,平板计算机、个人数字助理、膝上型计算机、笔记本计算机、上网本等)、移动电话(例如,智能手机)、可佩戴的计算设备(例如,智能手表、智能眼镜等)或其他类型的移动设备,或者诸如台式计算机或PC的静止计算设备。计算设备500还可以是移动式或静止式的服务器。
其中,处理器520执行所述计算机指令时实现所述的数据处理方法的步骤。
上述为本实施例的一种计算设备的示意性方案。需要说明的是,该计算设备的技术方案与上述的数据处理方法的技术方案属于同一构思,计算设备的技术方案未详细描述的细节内容,均可以参见上述数据处理方法的技术方案的描述。
本申请一实施例还提供一种计算机可读存储介质,其存储有计算机指令,该计算机指令被处理器执行时实现如前所述数据处理方法的步骤。
上述为本实施例的一种计算机可读存储介质的示意性方案。需要说明的是,该存储介质的技术方案与上述的数据处理方法的技术方案属于同一构思,存储介质的技术方案未详细描述的细节内容,均可以参见上述数据处理方法的技术方案的描述。
上述对本申请特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
所述计算机指令包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
需要说明的是,对于前述的各方法实施例,为了简便描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其它顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定都是本申请所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其它实施例的相关描述。
以上公开的本申请优选实施例只是用于帮助阐述本申请。可选实施例并没有详尽叙述所有的细节,也不限制该发明仅为所述的具体实施方式。显然,根据本申请的内容,可作很多的修改和变化。本申请选取并具体描述这些实施例,是为了更好地解释本申请的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本申请。本申请仅受权利要求书及其全部范围和等效物的限制。
Claims (12)
1.一种数据处理方法,其特征在于,包括:
接收评论查看指令;
响应于所述评论查看指令获取评论信息列表,提取所述评论信息列表中的每条评论信息以及针对每条评论信息的评价信息;
根据每条评论信息的评价信息计算每条评论信息的目标度量值;
基于每条评论信息的目标度量值对每条评论信息进行排序并展示。
2.如权利要求1所述的数据处理方法,其特征在于,所述评论查看指令包括目标多媒体资源标识;
所述响应于所述评论查看指令获取评论信息列表,提取所述评论信息列表中的每条评论信息以及针对每条评论信息的评价信息,包括:
响应于所述评论查看指令获取所述目标多媒体资源标识对应的评论信息列表,其中,所述评论信息列表中包括多条评论信息;
提取所述评论信息列表中的每条评论信息,同时提取针对每条评论信息的评价信息。
3.如权利要求2所述的数据处理方法,其特征在于,响应于所述评论查看指令获取所述目标多媒体资源标识对应的评论信息列表,包括:
响应于所述评论查看指令从评论数据库中获取所述目标多媒体资源标识对应的评论信息列表;
将所述评论信息列表添加至评论缓存库。
4.如权利要求2所述的数据处理方法,其特征在于,提取针对每条评论信息的评价信息,包括:
从评价缓存库中提取所述评论信息列表中每条评论信息对应的评价信息。
5.如权利要求2所述的数据处理方法,其特征在于,在提取针对每条评论信息的评价信息之前,所述方法还包括:
接收用户针对目标评论信息的评价信息;
将所述评价信息添加至评价缓存库。
6.如权利要求1所述的数据处理方法,其特征在于,根据每条评论信息的评价信息计算每条评论信息的目标度量值,包括:
在所述评论信息列表中确定待度量评论信息;
将所述待度量评论信息输入至评论度量模型进行度量处理,获得所述待度量评论信息的初始度量值;
基于所述待度量评论信息对应的评价信息对所述待度量评论信息的初始度量值进行校准,获得所述待度量评论信息的目标度量值。
7.如权利要求6所述的数据处理方法,其特征在于,所述评论度量模型通过下述步骤训练:
获取样本数据,其中,所述样本数据包括样本评论和所述样本评论对应的样本度量值;
将所述样本评论输入至评论度量模型;
获取所述评论度量模型输出的所述样本评论对应的预测度量值;
根据所述预测度量值和所述样本度量值计算损失值;
根据所述损失值调整所述评论度量模型的模型参数,并继续对所述评论度量模型进行训练,直至达到训练停止条件。
8.如权利要求1所述的数据处理方法,其特征在于,基于每条评论信息的目标度量值对每条评论信息进行排序并展示,包括:
将每条评论信息根据每条评论信息的目标度量值进行降序排列;
展示所述排列结果。
9.如权利要求1-8任意一项所述的数据处理方法,其特征在于,所述评价信息包括正向信息和/或负向信息。
10.一种数据处理装置,其特征在于,包括:
接收模块,被配置为接收评论查看指令;
获取模块,被配置为响应于所述评论查看指令获取评论信息列表,提取所述评论信息列表中的每条评论信息以及针对每条评论信息的评价信息;
度量模块,被配置为根据每条评论信息的评价信息计算每条评论信息的目标度量值;
排序展示模块,被配置为基于每条评论信息的目标度量值对每条评论信息进行排序并展示。
11.一种计算设备,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指令,其特征在于,所述处理器执行所述计算机指令时实现权利要求1-9任意一项所述方法的步骤。
12.一种计算机可读存储介质,其存储有计算机指令,其特征在于,该计算机指令被处理器执行时实现权利要求1-9任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110710939.7A CN113361264A (zh) | 2021-06-25 | 2021-06-25 | 数据处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110710939.7A CN113361264A (zh) | 2021-06-25 | 2021-06-25 | 数据处理方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113361264A true CN113361264A (zh) | 2021-09-07 |
Family
ID=77536635
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110710939.7A Pending CN113361264A (zh) | 2021-06-25 | 2021-06-25 | 数据处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113361264A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015069235A (ja) * | 2013-09-26 | 2015-04-13 | 大日本印刷株式会社 | 情報処理装置及び情報処理方法 |
CN109492160A (zh) * | 2018-10-31 | 2019-03-19 | 北京字节跳动网络技术有限公司 | 用于推送信息的方法和装置 |
CN111046941A (zh) * | 2019-12-09 | 2020-04-21 | 腾讯科技(深圳)有限公司 | 一种目标评论检测方法、装置、电子设备和存储介质 |
CN112559869A (zh) * | 2020-12-18 | 2021-03-26 | 上海众源网络有限公司 | 一种评论信息的显示方法、装置、电子设备及存储介质 |
CN112733043A (zh) * | 2021-03-30 | 2021-04-30 | 腾讯科技(深圳)有限公司 | 评论推荐方法及装置 |
-
2021
- 2021-06-25 CN CN202110710939.7A patent/CN113361264A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015069235A (ja) * | 2013-09-26 | 2015-04-13 | 大日本印刷株式会社 | 情報処理装置及び情報処理方法 |
CN109492160A (zh) * | 2018-10-31 | 2019-03-19 | 北京字节跳动网络技术有限公司 | 用于推送信息的方法和装置 |
CN111046941A (zh) * | 2019-12-09 | 2020-04-21 | 腾讯科技(深圳)有限公司 | 一种目标评论检测方法、装置、电子设备和存储介质 |
CN112559869A (zh) * | 2020-12-18 | 2021-03-26 | 上海众源网络有限公司 | 一种评论信息的显示方法、装置、电子设备及存储介质 |
CN112733043A (zh) * | 2021-03-30 | 2021-04-30 | 腾讯科技(深圳)有限公司 | 评论推荐方法及装置 |
Non-Patent Citations (1)
Title |
---|
WENPENG YIN: "Meta-learning for Few-shot Natural Language Processing: A Survey", 《ARXIV》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108830235B (zh) | 用于生成信息的方法和装置 | |
CN109460514B (zh) | 用于推送信息的方法和装置 | |
CN109460513B (zh) | 用于生成点击率预测模型的方法和装置 | |
CN109344908B (zh) | 用于生成模型的方法和装置 | |
CN111125574B (zh) | 用于生成信息的方法和装置 | |
CN108805091B (zh) | 用于生成模型的方法和装置 | |
CN109376267B (zh) | 用于生成模型的方法和装置 | |
CN109447156B (zh) | 用于生成模型的方法和装置 | |
CN109492128B (zh) | 用于生成模型的方法和装置 | |
CN109308490B (zh) | 用于生成信息的方法和装置 | |
CN108228463B (zh) | 用于检测首屏时间的方法和装置 | |
CN109857935B (zh) | 一种信息推荐方法及装置 | |
CN109145828B (zh) | 用于生成视频类别检测模型的方法和装置 | |
CN110502665B (zh) | 视频处理方法和装置 | |
CN111831855B (zh) | 用于匹配视频的方法、装置、电子设备和介质 | |
CN113316015B (zh) | 弹幕处理方法、装置及系统 | |
CN109815448B (zh) | 幻灯片生成方法及装置 | |
CN109271929B (zh) | 检测方法和装置 | |
CN109064815B (zh) | 在线考试方法和装置、计算设备及存储介质 | |
CN112464106B (zh) | 对象推荐方法及装置 | |
CN113836388A (zh) | 信息推荐方法、装置、服务器及存储介质 | |
CN113361264A (zh) | 数据处理方法及装置 | |
CN111291259B (zh) | 一种数据筛选方法、装置、电子设备和存储介质 | |
CN113420809A (zh) | 视频质量评价方法、装置和电子设备 | |
CN112287173A (zh) | 用于生成信息的方法和装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210907 |
|
RJ01 | Rejection of invention patent application after publication |