TWI660279B - 網路文章推薦方法及應用其的系統 - Google Patents

Abstract

一種網路文章推薦方法可包含根據具有一或多個關鍵字的關鍵字列表，比對具有複數個詞句的網路文章，其中當網路文章的詞句中任一者與關鍵字中至少一者相符時，判斷網路文章為關鍵文章；即時地記錄關鍵文章的社群互動指標，社群互動指標係隨時間變動；以及根據社群互動指標對時間的變化，計算關鍵文章的社群互動指標停止變動時的傳播效益數值，其中當關鍵文章的傳播效益數值大於一彧值時，判斷關鍵文章為推薦文章。

Description

網路文章推薦方法及應用其的系統

本發明是有關於一種網路文章推薦方法，特別是有關於具有文字內容的網路文章的推薦方法。

隨著智慧型通訊裝置的普及，網路使用者與網路平台的數量呈指數型的成長。同時，網路使用者透過多種不同的網路平台所生產的網路內容以及與網路內容相應的互動內容也劇烈地增加。然而，對網路使用者來說，過量的網路內容與互動內容反讓使用者無法逐一瀏覽或閱讀，使得重要的網路資訊會被其他相對不重要的過量網路資訊給掩蓋。如此一來，對網路使用者來說，要獲取到重要的網路資訊需要花費更多的時間瀏覽與尋找，並排擠到其他時間。進一步地，會影響網路使用者對網路平台的使用意願。甚至，因為不同的網路平台的使用者介面之間差異甚大，使得網路使用者在切換網路平台 時，需要時間適應不同的使用者介面，讓重要的網路資訊的獲取更形困難。

由此可見，上述現有的架構，顯然仍存在不便與缺陷，而有待加以進一步改進。為了解决上述問題，相關領域莫不費盡心思來謀求解决之道，但長久以來一直未見適用的方式被發展完成。因此，如何能有效解决上述問題，實屬當前重要研發課題之一，亦成為當前相關領域亟需改進的目標。

本發明之一技術態樣是有關於一種網路文章推薦方法，其利用使用者所設定的關鍵字過濾網路平台上的網路內容與對應的互動內容，使得使用者可輕易地獲取到對使用者來說相對重要的網路內容，讓使用者減少尋找需求的網路內容所花費的時間，且同時增加重要的網路內容的傳播量。如此一來，可降低或避免使用者因花費大量的時間過濾過量的網路內容與互動內容，進一步增加網路使用的效率。

本發明的一實施方法提供一種網路文章推薦方法可包含：A)根據具有一或多個關鍵字的關鍵字列表，比對具有複數個詞句的網路文章，其中當網路文章的詞句中任一者與關鍵字中至少一者相符時，判斷網路文章為關鍵文章；B)即時地記錄關鍵文章的社群互動指標，社群互動指標係隨時間變動；以及C)根據社群互動指標對時間的變化，計算關鍵文章的社群互動指標停止變動時的傳播效益數值，其中當關鍵文章的傳播效益數值大於一彧值，判斷關鍵文章為推薦文章。

在本發明一或多個實施方式中，上述之網路文章進一步包含作者名、文章標題以及文章內文。其中，網路文章推薦方法可更包含根據語言處理工具，解析網路文章的作者名、文章標題以及文章內文，以產生網路文章的詞句。

在本發明一或多個實施方式中，上述之網路文章進一步包含至少一互動資料。互動資料包含使用者資訊以及互動內容。其中，網路文章推薦方法可更包含根據語言處理工具，解析互動資料的使用者資訊以及互動內容，以產生網路文章的詞句。

在本發明一或多個實施方式中，上述之網路文章進一步包含文章生命週期，其中文章生命週期係根據互動資料最後變動的時間所產生。其中，網路文章推薦方法可更包含在文章生命週期內，更新網路文章對應的互動內容；以及根據更新後的網路文章，進行步驟A至步驟C。

在本發明一或多個實施方式中，上述之更新網路文章的步驟包含根據更新周期定期地更新網路文章。更新周期小於或等於文章生命週期的1/60。

在本發明一或多個實施方式中，上述之關鍵字其中至少一者具有至少一關聯詞。判斷網路文章為關鍵文章的步驟進一步包含當網路文章的詞句中至少一者與關鍵字的至少一關聯詞中至少一者相符時，判斷網路文章為關鍵文章。

在本發明一或多個實施方式中，上述之網路文章推薦方法可進一步包含根據複數個關鍵文章，產生關鍵文章列表。其中，網路文章推薦方法可更包含根據關鍵文章的詞句， 對應產生關鍵文章的一或多個文章標籤；接續地，根據關鍵文章的文章標籤，將關鍵文章列表分類成一或多個關聯分組，其中每一關聯分組內具有關鍵文章中至少複數個，且每一關鍵文章具有至少部分相同的一或多個文章標籤；接續地，計算每一關聯分組內的關鍵文章分別的傳播效益數值的傳播效益總和；以及，當關聯分組其中一者的傳播效益總和大於彧值，判斷關聯分組中的對應者所具有的關鍵文章為推薦文章。

本發明的另一實施方法提供一種網路文章推薦系統，可包含比對模組、社群模組以及推薦模組。比對模組可用以根據具有一或多個關鍵字的關鍵字列表，比對具有複數個詞句的網路文章，並判斷詞句中具有關鍵字中至少一者的網路文章為關鍵文章。社群模組具有第一編程以及第二編程。第一編程可用以即時地記錄關鍵文章的社群互動指標。社群互動指標係隨時間變動。第二編程可用以根據社群互動指標對時間的變化預估關鍵文章的社群互動指標停止變動時的傳播效益數值。其中，當關鍵文章的傳播效益數值大於彧值時，判斷關鍵文章為推薦文章。推薦模組可用以根據經判斷為推薦文章的關鍵文章，產生推薦文章列表。

在本發明一或多個實施方式中，上述之網路文章推薦系統還包含通知模組，用以根據推薦文章列表，產生通知訊號，並主動地發送到至少一終端裝置。

在本發明一或多個實施方式中，上述之網路文章還包含至少一互動資料以及文章生命週期。其中，文章生命週 期係根據互動資料所產生。比對模組還可用以在文章生命週期內，更新互動內容至對應的網路文章。

100‧‧‧網路文章推薦系統

110‧‧‧存儲模組

120‧‧‧比對模組

130‧‧‧社群模組

140‧‧‧推薦模組

150‧‧‧爬蟲模組

160‧‧‧通知模組

200‧‧‧網路文章推薦方法

S201~S203‧‧‧步驟

為讓本發明之上述和其他目的、特徵、優點與實施例能更明顯易懂，所附圖式之說明如下：第1圖繪示依據本發明多個實施方式之網路文章推薦系統的方塊圖。

第2圖繪示依據本發明多個實施方式之網路文章推薦方法的流程圖。

除非有其他表示，在不同圖式中相同之號碼與符號通常被當作相對應的部件。該些圖示之繪示為清楚表達該些實施方式之相關關聯而非繪示該實際尺寸。

以下將以圖式揭露本發明之複數個實施方式，為明確說明起見，許多實務上的細節將在以下敘述中一併說明。然而，應瞭解到，這些實務上的細節不應用以限制本發明。也就是說，在本發明部分實施方式中，這些實務上的細節是非必要的。此外，為簡化圖式起見，一些習知慣用的結構與組件在圖式中將以簡單示意的方式繪示之。

在本文中，使用第一、第二與第三等等之詞彙，是用於描述各種元件、組件、區域、層與/或區塊是可以被理解的。但是這些元件、組件、區域、層與/或區塊不應該被這 些術語所限制。這些詞彙只限於用來辨別單一元件、組件、區域、層與/或區塊。因此，在下文中的一第一元件、組件、區域、層與/或區塊也可被稱為第二元件、組件、區域、層與/或區塊，而不脫離本發明的本意。

第1圖繪示依據本發明多個實施方式之網路文章推薦系統100的方塊圖。如第1圖所示，在多個實施方式中，網路文章推薦系統100可包含存儲模組110、比對模組120、社群模組130以及推薦模組140。在其他的多個實施方式中，網路文章推薦系統100還包含爬蟲模組150。在多個實施方式中，網路文章推薦系統100可為具有資料庫的雲端伺服器。在其他的實施方式中，網路文章推薦系統100可為實體的計算裝置。網路文章推薦系統100可透過有線或無線的連接方式，連接到可提供網路文章的伺服器200，以接收網路文章資料。在多個實施方式中，伺服器200可包含社群媒體，像是臉書(Facebook)、google+、推特(tweet)、天涯、微博、百度...等；討論性論壇，像是reddit、知乎、mobile01、批踢踢(Ptt)；轉載式的網路文章平台以及其他合適之提供網路文章的伺服器，但不限於此。應瞭解到，本領域具有通常知識者，當可視實際狀況，在不脫離本揭露之精神與範圍的情況下，做同等的更動或取代。只要伺服器200所提供的網路文章的文字內容可供解析即可。在多個實施方式中，也可進一步透過爬蟲模組150擷取網路文章的文字內容，並存儲到網路文章推薦系統100的存儲模組110中。

在多個實施方式中，存儲模組110可進一步用以存儲至少一使用者資料。使用者資料可具有一或多個關鍵字。在其他的實施方式中，使用者資料還可包含關鍵字列表的歷史變更紀錄。在多個實施方式中，比對模組120可用以根據使用者資料的關鍵字或以一或多個關鍵字集成的關鍵字列表，比對具有複數個詞句的網路文章，並判斷網路文章所具有的詞句中任一者與關鍵字中至少一者實質上相符(match)的網路文章為關鍵文章。在多個實施方式中，可透過斷詞庫、自然語言處理工具(natural language processing,NLP)或其他合適的語言處理工具等，解析網路文章的內容，以獲得網路文章的複數個詞句，將如後詳述。

在多個實施方式中，社群模組130可具有第一編程132以及第二編程134。第一編程132可用以即時地記錄關鍵文章的社群互動指標。社群互動指標係隨時間變動。舉例來說，在臉書上的社群互動指標可以是按讚數、分享數以及留言數等其中至少一者。舉例來說，在推特上的社群互動指標可以是留言數與分享數等其中至少一者。舉例來說，在批踢踢上的社群互動指標可以是留言數與回文數等其中至少一者。應瞭解到，本領域具有通常知識者，當可視實際狀況，在不脫離本揭露之精神與範圍的情況下，做同等的更動或取代。只要關鍵文章的社群互動指標可據以判斷關鍵文章的傳播效益，像是觸及人數等，即可。

在多個實施方式中，第二編程134可用以根據關鍵文章的社群互動指標對時間的變化預估關鍵文章的社群互 動指標停止變動時的傳播效益數值。舉例來說，可透過社群互動指標的每1分鐘的增加率、每5分鐘的增加率或5分鐘區間的增加率的移動平均等，來預估社群互動指標最終的傳播效益的數值，但不限於此。舉例來說，也可以指數級生長(exponential growth)作為函數，來預估社群互動指標最終的傳播效益的數值，但不限於此。其中，當關鍵文章的傳播效益數值大於彧值時，判斷關鍵文章為推薦文章。舉例來說，若預估關鍵文章可能觸及人數大於彧值，像是超過10000人，則判斷為推薦文章，但不限於此。舉例來說，彧值也可為10萬人、30萬人等。舉例來說，彧值也可為臉書的分享數，像是預估關鍵文章可能超過1000個分享數，則判斷為推薦文章，但不限於此。舉例來說，彧值也可為2000分享數、3000分享數等。舉例來說，彧值也可為批踢踢的留言數，像是預估關鍵文章可能超過100個留言數，則判斷為推薦文章，但不限於此。舉例來說，彧值也可為50留言數、300留言數等。舉例來說，彧值也可為根據社群互動指標的每1分鐘的增加率、每5分鐘的增加率或5分鐘區間的增加率的移動平均、分享數、留言數等，所產生的綜合性指標。

在多個實施方式中，推薦模組140可用以根據經判斷為推薦文章的關鍵文章，產生推薦文章列表。在其他的實施方式中，網路文章推薦系統100還可包含通知模組160，用以根據推薦文章列表，產生通知訊號，並主動地發送到至少一終端裝置300。舉例來說，可透過多種不同的應用程式或通訊 軟體，如LINE、臉書等，將具有推薦文章列表的通知訊號發送至終端裝置300。

由於網路文章推薦系統100的社群模組120可根據使用者所設定的關鍵字過濾網路文章，判定具有關鍵的對應網路文章為關鍵文章，且可更進一步地根據預估的社群影響力決定關鍵文章中傳播較廣者為推薦文章。如此一來，使用者可較輕易地過濾網路上具有使用者關注的關鍵字，且較受其他使用者傳播的文章。

在多個實施方式中，網路文章還包含至少一互動資料以及文章生命週期。舉例來說，臉書的互動資料可為留言內容。舉例來說，推特的互動資料可為留言內容。舉例來說，批踢踢的互動資料可為推文內容。但不限於此。其中，文章生命週期係根據互動資料最後變動的時間所產生。在多個實施方式中，文章生命週期可為互動資料最後變動的時間。在其他的實施方式中，文章生命週期可為互動資料中前95%的互動資料變動的時間。爬蟲模組120還可進一步用以在文章生命週期內，更新互動內容至對應的網路文章。

第2圖為依據本發明多個實施方式繪示之網路文章推薦方法200的流程圖。如第2圖所示，在多個實施方式中，網路文章推薦方法200可自步驟S201開始。於步驟S201中，根據具有一或多個關鍵字的關鍵字列表，比對具有複數個詞句的網路文章，其中當網路文章的詞句中任一者與關鍵字中至少一者相符時，判斷網路文章為關鍵文章。接續地，網路文章推薦方法200可進行步驟S202。於步驟S202中，即時地記錄關 鍵文章的社群互動指標，社群互動指標係隨時間變動。接續地，網路文章推薦方法200可進行步驟S203。於步驟S203中，根據社群互動指標對時間的變化，計算關鍵文章的社群互動指標停止變動時的傳播效益數值，其中當關鍵文章的傳播效益數值大於一彧值，判斷關鍵文章為推薦文章。

在多個實施方式中，網路文章可進一步包含作者名、文章標題以及文章內文。其中，網路文章推薦方法200可更包含根據語言處理工具，解析網路文章的作者名、文章標題以及文章內文，以產生網路文章的詞句。

在多個實施方式中，網路文章進一步包含至少一互動資料。互動資料包含使用者資訊以及互動內容。其中，網路文章推薦方法可更包含根據語言處理工具，解析互動資料的使用者資訊以及互動內容，以產生網路文章的詞句。

在多個實施方式中，網路文章進一步包含文章生命週期，其中文章生命週期係根據互動資料最後變動的時間所產生。網路文章推薦方法200可更包含在文章生命週期內，更新網路文章對應的互動內容；以及根據更新後的網路文章，進行步驟S201至步驟S203。

在多個實施方式中，更新網路文章的步驟進一步包含根據更新周期定期地更新網路文章。更新周期小於或等於文章生命週期的1/60。

在多個實施方式中，關鍵字其中至少一者具有至少一關聯詞。步驟S201進一步包含當網路文章的詞句中至少 一者與關鍵字的至少一關聯詞中至少一者相符時，判斷網路文章為關鍵文章。

在多個實施方式中，網路文章推薦方法200可進一步包含根據複數個關鍵文章，產生關鍵文章列表。其中，網路文章推薦方法200可更包含根據關鍵文章的詞句，對應產生關鍵文章的一或多個文章標籤；接續地，根據關鍵文章的文章標籤，將關鍵文章列表分類成一或多個關聯分組，其中每一關聯分組內具有關鍵文章中至少複數個，且每一關鍵文章具有至少部分相同的一或多個文章標籤；接續地，計算每一關聯分組內的關鍵文章分別的傳播效益數值的傳播效益總和；以及，當關聯分組其中一者的傳播效益總和大於彧值，判斷關聯分組中的對應者所具有的關鍵文章為推薦文章。

綜上所述，本發明提供一種網路文章推薦方法可包含根據具有一或多個關鍵字的關鍵字列表，比對具有複數個詞句的網路文章，其中當網路文章的詞句中任一者與關鍵字中至少一者相符時，判斷網路文章為關鍵文章即時地記錄關鍵文章的社群互動指標，社群互動指標係隨時間變動；以及根據社群互動指標對時間的變化，計算關鍵文章的社群互動指標停止變動時的傳播效益數值，其中當關鍵文章的傳播效益數值大於一彧值，判斷關鍵文章為推薦文章。藉由使用者所設定的關鍵字過濾網路平台上的網路內容與對應的互動內容，使得使用者可輕易地獲取到對使用者來說相對重要的網路內容，讓使用者減少尋找需求的網路內容所花費的時間，且同時增加重要的網路內容的傳播量。如此一來，可降低或避免使用者因花費大量 的時間過濾過量的網路內容與互動內容，進一步增加網路使用的效率。

雖然本發明已以實施方式揭露如上，然其並非用以限定本發明，任何熟習此技藝者，在不脫離本發明之精神和範圍內，當可作各種之更動與潤飾，因此本發明之保護範圍當視後附之申請專利範圍所界定者為準。

Claims (10)

1. 一種網路文章推薦方法，包含：A)根據具有一或多個關鍵字的一關鍵字列表，比對具有複數個詞句的至少一網路文章，其中當該網路文章的該些詞句中任一者與該一或多個關鍵字中至少一者實質上相同時，判斷該網路文章為一關鍵文章；B)即時地記錄該關鍵文章的一社群互動指標，該社群互動指標係隨時間變動；C)根據該社群互動指標對時間的變化，計算該關鍵文章的社群互動指標停止變動時的一傳播效益數值，其中當該關鍵文章的該傳播效益數值大於一彧值，判斷該關鍵文章為一推薦文章。
2. 如申請專利範圍第1項所述之網路文章推薦方法，其中該網路文章進一步包含一作者名、一文章標題以及一文章內文，其中該網路文章推薦方法更包含：根據一語言處理工具，解析該網路文章的該作者名、該文章標題以及該文章內文，以產生該網路文章的該些詞句。
3. 如申請專利範圍第1項所述之網路文章推薦方法，其中該網路文章進一步包含至少一互動資料，該互動資料包含一使用者資訊以及一互動內容，其中該網路文章推薦方法更包含：根據一語言處理工具，解析該至少一互動資料的該使用者資訊以及該互動內容，以產生該網路文章的該些詞句。
4. 如申請專利範圍第3項所述之網路文章推薦方法，其中該網路文章進一步包含一文章生命週期，其中該文章生命週期係根據該互動資料最後變動的時間所產生，其中該網路文章推薦方法更包含：在該文章生命週期內，更新該網路文章對應的該互動內容；以及根據更新後的該網路文章，進行步驟A至步驟C。
5. 如申請專利範圍第4項所述之網路文章推薦方法，其中該更新該網路文章的步驟包含根據一更新周期定期地更新該網路文章，其中該更新周期小於或等於該文章生命週期的1/60。
6. 如申請專利範圍第1項所述之網路文章推薦方法，其中該一或多個關鍵字其中至少一者具有至少一關聯詞，其中該判斷該網路文章為該關鍵文章的步驟進一步包含當該網路文章的該些詞句中任一者與該一或多個關鍵字的該至少一關聯詞中至少一者相符時，判斷該網路文章為該關鍵文章。
7. 如申請專利範圍第1項所述之網路文章推薦方法，進一步包含根據複數個該關鍵文章，產生一關鍵文章列表，其中該網路文章推薦方法更包含：根據每一該些關鍵文章的該些詞句，對應產生每一該些關鍵文章的一或多個文章標籤；根據該些關鍵文章的該一或多個文章標籤，將該關鍵文章列表分類成一或多個關聯分組，其中每一該些關聯分組內具有該些關鍵文章中至少複數個，且每一該些關鍵文章具有至少部分相同的該一或多個文章標籤；計算每一該些關聯分組內的該些關鍵文章分別的該傳播效益數值的一傳播效益總和；以及當該些關聯分組其中一者的該傳播效益總和大於該彧值，判斷該些關聯分組中的對應者所具有的該些關鍵文章為複數個該推薦文章。
8. 一種網路文章推薦系統，包含：一比對模組，配置以根據具有一或多個關鍵字的一關鍵字列表，比對具有複數個詞句的至少一網路文章，並判斷該網路文章的該些詞句中具有該關鍵字中至少一者的該網路文章為一關鍵文章；一社群模組，具有：一第一編程，配置以即時地記錄該關鍵文章的一社群互動指標，該社群互動指標係隨時間變動；以及一第二編程，配置以根據該社群互動指標對時間的變化預估該關鍵文章的社群互動指標停止變動時的一傳播效益數值，其中當該關鍵文章的該傳播效益數值大於一彧值，判斷該關鍵文章為推薦文章；以及一推薦模組，配置以根據經判斷為推薦文章的該關鍵文章，產生一推薦文章列表。
9. 如申請專利範圍第8項所述之網路文章推薦系統，更包含：一通知模組，配置以根據該推薦文章列表，產生一通知訊號，並主動地發送到至少一終端裝置。
10. 如申請專利範圍第8項所述之網路文章推薦系統，其中該網路文章還包含至少一互動資料以及一文章生命週期，其中該文章生命週期係根據該互動資料最後變動的時間所產生，其中該網路文章推薦系統還包含一爬蟲模組，配置以在該文章生命週期內，更新該互動內容至對應的該網路文章。