评论推荐方法、介质、装置和计算设备与流程

1.本公开的实施方式涉及计算机技术领域，更具体地，本公开的实施方式涉及一种评论推荐方法、介质、装置和计算设备。


背景技术：

2.本部分旨在为权利要求书中陈述的本公开的实施方式提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
3.随着互联网技术的发展，音乐播放类应用中越来越多涉及内容推荐功能，以根据用户流量的特点，推送相应的内容，提高用户的使用体验。其中，基于用户生成的评论筛选后得到的优质评论，也逐渐成为推荐的重点对象。
4.目前，现有推荐优质评论的算法主要是基于被推荐评论的互动次数或被推荐用户的粉丝数量，但由此导致对于不同用户，推荐的优质评论并没有实现个性化区分，导致用户对推荐内容的满意度较低。


技术实现要素：

5.本公开提供一种评论推荐方法、介质、装置和计算设备，以解决现有技术中评论推荐功能没有根据不同用户实现个性化区分，导致用户对推荐内容的满意度较低的问题。
6.在本公开实施方式的第一方面中，提供了一种评论推荐方法，包括：
7.响应于接收到的推荐优质评论的请求，确定需要推荐优质评论的目标用户；
8.计算目标用户的在线活跃值；
9.计算目标用户的互动意愿值；
10.基于在线活跃值、互动意愿值以及预先计算的第二用户的评论内容对目标用户的影响力值，计算得到目标用户对第二用户的评论内容的感兴趣度值，其中，第二用户为除目标用户以外的其他用户；
11.基于感兴趣度值，将第二用户的评论内容推荐给目标用户。
12.在本公开的一个实施例中，该评论推荐方法包括：
13.计算目标用户的在线活跃值，包括：
14.基于目标用户在设定时间段内存在互动动作的时间单元的数量与总时间单元数量的比值，或者，基于目标用户在设定时间段内的在线活动时长、在线时长或目标用户使用付费内容的时间长度与总时长的比值，确定目标用户的在线活跃值，互动动作包括用户发布评论或与现有评论内容进行互动的操作，总时间单元数量用于表示将设定时间段划分成的固定长度的时间单元的数量。
15.在本公开的一种示例性实施例中，计算目标用户的互动意愿值，包括：基于目标用户在设定时间段内对现有评论的交互操作次数与对评论的全部交互操作次数的比值，确定目标用户的互动意愿值，对现有评论的交互操作包括对现有评论的点赞、转发、收藏、评论或向现有评论的生成用户发送信息中的至少一种。
16.在本公开的另一实施例中，该评论推荐方法包括：
17.基于在线活跃值、互动意愿值以及预先计算的第二用户的评论内容对目标用户的影响力值，计算得到目标用户对第二用户的评论内容的感兴趣度值，包括：
18.计算在线活跃值和互动意愿值的乘积作为第一乘积；
19.计算第一乘积和预先计算的第二用户的评论内容对目标用户的影响力值的乘积作为第二乘积；
20.计算第二乘积与第二用户的在线活跃值的商，作为目标用户对第二用户的评论内容的感兴趣度值。
21.在本公开的一种示例性实施例中，预先计算的第二用户的评论内容对目标用户的影响力值是通过如下方式获得：获取所有用户历史数据，将历史数据划分为训练数据和测试数据；根据训练数据，计算得到所有用户间的影响力值的初始值；根据测试数据，计算得到所有用户的第一在线活跃值和第一互动意愿值；根据第一在线活跃值、第一互动意愿值和所有用户间的影响力值的初始值，计算得到其他用户对第二用户的评论内容的预测感兴趣度值，其他用户为除第二用户以外的用户；根据其他用户对第二用户的评论内容的实际感兴趣度值和预测感兴趣度值之间的误差，修正所有用户间的影响力值的初始值；根据修正后的所有用户间的影响力值，确定第二用户的评论内容对目标用户的影响力值。
22.在本公开的一种示例性实施例中，根据训练数据，计算得到所有用户间的影响力值的初始值，包括：按照时间长度将训练数据分割成k个长度为τ1的时间段；计算每个时间段内所有用户的第二在线活跃值；计算每个时间段内所有用户的第二互动意愿值；基于第二在线活跃值、第二互动意愿值，根据最大似然估计方法计算得到所有用户间的影响力值的初始值。
23.在本公开的又一个实施例中，该评论推荐方法包括：
24.基于感兴趣度值，将第二用户的评论内容推荐给目标用户之前还包括：
25.基于目标用户的在线活跃值、互动意愿值、预先计算的第二用户的评论内容对目标用户的影响力值和以下至少一个系数，计算得到目标用户对第二用户的评论内容的感兴趣度值：
26.第二用户的评论内容的推荐度系数；
27.目标用户的偏好标签与第二用户的评论内容的标签的第一重合度系数；
28.设定活动的热点标签与第二用户的评论内容的标签的第二重合度系数。
29.在本公开实施方式的第二方面中，提供了一种计算机可读存储介质，包括：
30.计算机可读存储介质中存储有计算机执行指令，计算机执行指令被处理器执行时用于实现如本公开第一方面中的评论推荐方法。
31.在本公开实施方式的第三方面中，提供了一种评论推荐装置，包括：
32.确定模块，用于响应于接收到的推荐优质评论的请求，确定需要推荐优质评论的目标用户；
33.第一计算模块，用于计算目标用户的在线活跃值；
34.第二计算模块，用于计算目标用户的互动意愿值；
35.处理模块，用于基于在线活跃值、互动意愿值以及预先计算的第二用户的评论内容对目标用户的影响力值，计算得到目标用户对第二用户的评论内容的感兴趣度值，其中，
第二用户为除目标用户以外的其他用户；
36.推荐模块，用于基于感兴趣度值，将第二用户的评论内容推荐给目标用户。
37.在本公开的一种示例性实施例中，第一计算模块具体用于：基于目标用户在设定时间段内存在互动动作的时间单元的数量与总时间单元数量的比值，或者，基于目标用户在设定时间段内的在线活动时长、在线时长或目标用户使用付费内容的时间长度与总时长的比值，确定目标用户的在线活跃值，互动动作包括用户发布评论或与现有评论内容进行互动的操作，总时间单元数量用于表示将设定时间段划分成的固定长度的时间单元的数量。
38.在本公开的一种示例性实施例中，第二计算模块具体用于：基于目标用户在设定时间段内对现有评论的交互操作次数与对评论的全部交互操作次数的比值，确定目标用户的互动意愿值，对现有评论的交互操作包括对现有评论的点赞、转发、收藏、评论或向现有评论的生成用户发送信息中的至少一种。
39.在本公开的一种示例性实施例中，处理模块具体用于：计算在线活跃值和互动意愿值的乘积作为第一乘积；计算第一乘积和预先计算的第二用户的评论内容对目标用户的影响力值的乘积作为第二乘积；计算第二乘积与第二用户的在线活跃值的商，作为目标用户对第二用户的评论内容的感兴趣度值。
40.在本公开的一种示例性实施例中，处理模块具体用于：获取所有用户历史数据，将历史数据划分为训练数据和测试数据；根据训练数据，计算得到所有用户间的影响力值的初始值；根据测试数据，计算得到所有用户的第一在线活跃值和第一互动意愿值；根据第一在线活跃值、第一互动意愿值和所有用户间的影响力值的初始值，计算得到其他用户对第二用户的评论内容的预测感兴趣度值，其他用户为除第二用户以外的用户；根据其他用户对第二用户的评论内容的实际感兴趣度值和预测感兴趣度值之间的误差，修正所有用户间的影响力值的初始值；根据修正后的所有用户间的影响力值，确定第二用户的评论内容对目标用户的影响力值。
41.在本公开的一种示例性实施例中，处理模块具体用于：按照时间长度将训练数据分割成k个长度为τ1的时间段；计算每个时间段内所有用户的第二在线活跃值；计算每个时间段内所有用户的第二互动意愿值；基于第二在线活跃值、第二互动意愿值，根据最大似然估计方法计算得到所有用户间的影响力值的初始值。
42.在本公开的一种示例性实施例中，处理模块还用于：基于目标用户的在线活跃值、互动意愿值、预先计算的第二用户的评论内容对目标用户的影响力值和以下至少一个系数，计算得到目标用户对第二用户的评论内容的感兴趣度值：第二用户的评论内容的推荐度系数；目标用户的偏好标签与第二用户的评论内容的标签的第一重合度系数；设定活动的热点标签与第二用户的评论内容的标签的第二重合度系数。
43.在本公开实施方式的第四方面中，提供了一种计算设备，包括：至少一个处理器；
44.以及与至少一个处理器通信连接的存储器；
45.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，以使计算设备执行如本公开第一方面中的评论推荐方法。
46.根据本公开实施方式的评论推荐方法、介质、装置和计算设备，通过根据接收到的推荐优质评论的请求，确定需要推荐优质评论的目标用户，并计算目标用户的在线活跃值
和互动意愿值，然后基于在线活跃值、互动意愿值以及预先计算的第二用户的评论内容对目标用户的影响力值，计算得到目标用户对第二用户的评论内容的感兴趣度值，最后基于感兴趣度值，将第二用户的评论内容推荐给目标用户。由此可以方便快速地确定向目标用户推送的优质评论，同时结合了目标用户自身的活跃度、互动意愿和倾向性等特点，而非仅考虑待推荐内容本身的热度，从而提高了待推荐评论内容与目标用户的关联性，进而提高了目标用户的感兴趣度，并且减少了与目标用户无关的评论推荐，为用户带来了更好的体验。
附图说明
47.通过参考附图阅读下文的详细描述，本公开示例性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公开的若干实施方式，其中：
48.图1示意性地示出了根据本公开实施方式的应用场景示意图；
49.图2示意性地示出了根据本公开一实施例的评论推荐方法的流程图；
50.图3示意性地示出了根据本公开另一实施例的评论推荐方法的流程图；
51.图4示意性地示出了根据本公开又一实施例的评论推荐方法的流程图；
52.图5示意性地示出了根据本公开再一实施例的评论推荐方法的流程图；
53.图6示意性地示出了根据本公开再一实施例的计算机可读存储介质的结构示意图；
54.图7示意性地示出了根据本公开再一实施例的评论推荐装置的结构示意图；
55.图8示意性地示出了根据本公开再一实施例的计算设备的结构示意图。
56.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
57.下面将参考若干示例性实施方式来描述本公开的原理和精神。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公开，而并非以任何方式限制本公开的范围。相反，提供这些实施方式是为了使本公开更加透彻和完整，并且能够将本公开的范围完整地传达给本领域的技术人员。
58.本领域技术人员知道，本公开的实施方式可以实现为一种系统、装置、设备、方法或计算机程序产品。因此，本公开可以具体实现为以下形式，即：完全的硬件、完全的软件(包括固件、驻留软件、微代码等)，或者硬件和软件结合的形式。
59.根据本公开的实施方式，提出了一种评论推荐方法、介质、装置和计算设备。
60.在本文中，需要理解的是，所涉及的术语仅用于方便理解，并未表示对含义的限制。此外，附图中的任何元素数量均用于示例而非限制，以及任何命名都仅用于区分，而不具有任何限制含义；且本公开所涉及的数据可以为经用户授权或者经过各方充分授权的数据。
61.下面是本公开中涉及的术语说明：
62.优质评论：由用户生成的评论内容，基于其他用户的收藏、转发、点赞等互动操作的次数，筛选出的高互动操作次数的评论内容。这类评论内容通常具有较高的分享价值，可
以用于推荐给其他用户。
63.交互操作：在本方案中，用于表示对现有评论的点赞、转发、收藏、评论等操作，当用户对一个现有评论进行交互操作后，该现有评论的生成用户能够收到相应的正反馈，从而促使生成用户继续生成优质评论。
64.互动操作：在本方案中，互动操作除前述对现有评论的交互操作外，还包括生成新的评论内容，因此，用户与评论相关的互动操作的不再只是消费现有评论内容，而是包括了评论内容的生成，即用户与评论相关的全部操作。
65.下面参考本公开的若干代表性实施方式，详细阐释本公开的原理和精神。
66.发明概述
67.本发明人发现，现在技术中，当音乐播放类应用需要向目标用户推荐优质评论时，基于现有算法，一般是推荐高粉丝数量的用户的评论内容，或推荐一定时间内互动操作次数最高的评论内容，但这类推荐方法通常未考虑目标用户的偏好，或目标用户对评论内容的倾向性，因此，容易导致用户对推荐内容的满意度较低。
68.在本方案中，通过基于目标用户本身的在线活跃值、互动意愿值和目标用户对待推荐评论的第二用户评论内容的影响力值，确定目标用户对待推荐评论的感兴趣度值，从而保证向目标用户推荐的评论为用户感兴趣的内容，进而有效提高用户对推荐内容的满意度。
69.在介绍了本公开的基本原理之后，下面具体介绍本公开的各种非限制性实施方式。
70.应用场景总览
71.首先参考图1所示，当音乐播放类应用需要向目标用户的客户端100推荐评论时，根据服务器110记录的目标用户的相关互动操作记录和预先筛选的可推荐评论，确定可以向目标用户的客户端100推荐的优质评论并输出。
72.需说明的是，图1所示场景中服务器和客户端仅以一个为例进行示例说明，但本公开不以此为限制，也就是说，服务器和客户端的个数可以是任意的。
73.示例性方法
74.下面结合图1的应用场景，参考图2至图5来描述根据本公开示例性实施方式的用于评论推荐方法。需要注意的是，上述应用场景仅是为了便于理解本公开的精神和原理而示出，本公开的实施方式在此方面不受任何限制。相反，本公开的实施方式可以应用于适用的任何场景。
75.图2为本公开一个实施例提供的评论推荐方法的流程图。如图2所示，本实施例提供的评论推荐方法包括以下步骤：
76.步骤s201、响应于接收到的推荐优质评论的请求，确定需要推荐优质评论的目标用户。
77.请求一般是应用内预设的，基于设定的功能，或设定的活动，当目标用户触发了相应的预设条件，就可以向该用户发送推荐的优质评论。
78.需要推荐的优质评论一般不止一条，根据具体功能或活动的设定，确定需要推荐的优质评论的数量。
79.对应不同的功能或活动设定，向用户推荐的优质评论种类可能不同，如对应节日
活动时，推荐的优质评论为节日主题相关的优质评论，对应用户偏好内容时，推荐的优质评论就不限具体主题，而以用户的感兴趣度值为核心。
80.通过向目标用户推荐优质评论，并获取目标用户对优质评论的交互操作，如点赞、收藏或转发，进而反馈到生成优质评论的第二用户，为第二用户带来满足感或成就感，形成正向反馈，从而促进第二用户继续生成优质评论，实现用户内容的持续产出。
81.步骤s202、计算目标用户的在线活跃值。
82.具体的，在线活跃值用于表示目标用户日常活跃情况，以便确定向其推荐内容的倾向性，如用户在特定时段比较活跃，则向其推荐的内容主题可以与该时段相关，如用户有很长一段时间未活跃，则向其推荐的内容可以基于未活跃的时间段进行筛选，反之，如用户在很长一段时间内活动非常频繁，一般向其推荐的评论内容就需要保证时效性较强。
83.进一步地，在线活跃值可以根据具体设定算法，通过用户在设定时间段内的在线活跃时长占比、在线时长占比等值来确定。
84.步骤s203、计算目标用户的互动意愿值。
85.具体的，互动意愿值用于表示目标用户对于与评论进行交互操作的意愿。
86.互动意愿值越高，目标用户进行交互操作的概率和频率越高，此时可以向目标用户推荐的优质评论的范围就越广，能够获取到的目标用户的反馈也越多；相反，互动意愿值越低，目标用户进行交互操作的概率和频率越低，此时向目标用户推荐的优质评论，所能得到的目标用户的反馈也会越低，因此，可推荐的优质评论的范围会相对于高互动意愿值的目标用户更低，因为部分优质评论更难激起目标用户进行交互操作的意愿，同时受到不满意评价的概率也会更高。
87.进一步地，互动意愿值可以基于目标用户在设定时间段的互动操作频率计算得到。
88.步骤s204、基于在线活跃值、互动意愿值以及预先计算的第二用户的评论内容对目标用户的影响力值，计算得到目标用户对第二用户的评论内容的感兴趣度值。
89.其中，第二用户为除目标用户以外的其他用户。
90.影响力值为基于目标用户既往互动操作数据确定的数值。对于特定的第二用户和目标用户，其影响力值一般在设定时间段内为固定值，因为每个人对于特定内容创作者的偏好程度通常不会频繁变化。
91.因此，可以基于一定时间段内的互动操作数据，计算得到与目标用户相关的多个第二用户的评论内容对目标用户的影响力值。
92.进一步地，感兴趣度值除了考虑第二用户评论内容对目标用户的影响力值外，还需要考虑目标用户的在线活跃值和互动意愿值，当这两个参数越低时，即使影响力值固定，目标用户对第二用户评论内容的感兴趣度值一般也越低，可推荐的评论范围也越少。
93.进一步地，感兴趣度值还可以考虑第二用户的在线活跃值，如一个第二用户每日都会产生2条优质评论，另一个第二用户每个月产生2条优质评论，则目标用户更可能对后者的优质评论感兴趣，因为前者产量太大，会稀释目标用户的好奇心和互动意愿。
94.步骤s205、基于感兴趣度值，将第二用户的评论内容推荐给目标用户。
95.具体的，第二用户的评论内容为预先筛选得到的可以推荐的优质内容。
96.进一步地，用于推荐的第二用户的评论内容为通过预先设置的优质评论内容库中
进行选择，最终得到推荐到目标用户的评论内容。
97.一些实施例中，最终推荐到目标用户的评论内容，可以是根据感兴趣度值排序得到设定数量的评论内容，也可以是基于预先设定的感兴趣度值的基准值，确定的满足该基准值的评论内容。
98.进一步地，每一个第二用户的评论内容，根据其对应的第二用户不同、需要推荐的目标用户不同，都能得到一个对应的感兴趣度值。同一评论内容对应的目标用户不同时，该感兴趣度值不同。
99.因此，根据每个目标用户的在线活跃值、互动意愿值和对应第二用户的评论内容的影响力值，可以确定对应特定目标用户的感兴趣度值从高到低的优质评论，进而优先将高感兴趣度值的评论推荐给目标用户，从而有效保证用户的满意度。
100.本实施例提供的评论推荐方法，通过根据接收到的推荐优质评论的请求，确定需要推荐优质评论的目标用户，并计算目标用户的在线活跃值和互动意愿值，然后基于在线活跃值、互动意愿值以及预先计算的第二用户的评论内容对目标用户的影响力值，计算得到目标用户对第二用户的评论内容的感兴趣度值，最后基于感兴趣度值，将第二用户的评论内容推荐给目标用户。由此可以方便快速地确定向目标用户推送的优质评论，同时结合了目标用户自身的活跃度、互动意愿和倾向性等特点，而非仅考虑待推荐内容本身的热度，从而提高了待推荐评论内容与目标用户的关联性，进而提高了目标用户的感兴趣度，并且减少了与目标用户无关的评论推荐，为用户带来了更好的体验。
101.图3为本公开一个实施例提供的评论推荐方法的流程图。如图3所示，本实施例提供的评论推荐方法包括以下步骤：
102.步骤s301、响应于接收到的推荐优质评论的请求，确定需要推荐优质评论的目标用户。
103.一些实施例中，目标用户为使用音乐播放类应用时长达到或超过设定值的用户，如使用超过5小时，由此，能够方便基于目标用户的历史数据(如使用时长、使用习惯等)推荐相对应的优质评论。
104.步骤s302、基于目标用户在设定时间段内存在互动动作的时间单元的数量与总时间单元数量的比值，确定目标用户的在线活跃值。
105.其中，互动动作包括用户发布评论或与现有评论内容进行互动的操作，总时间单元数量用于表示将设定时间段划分成的固定长度的时间单元的数量。
106.具体的，在线活跃值基于用户在设定时间段的活跃程度确定，用户越活跃，在线活跃值越高。而用户的活跃程度可以通过单位时间内互动动作的数量来确定。
107.进一步地，对于目标用户i在设定时间段t内的在线活跃值αi，将时间段t分割成s个小时间单元tj(j＝1,2,3
……
s)，每个时间单元的长度为τ0，满足：
[0108][0109]
即，时间单元的长度为设定时间段的时长与时间单元数量的比值的绝对值。
[0110]
然后通过最大似然估计算法，计算目标用户i在时间段t内的活跃程度，计算方法为：
[0111][0112]
其中，yk为一个表示目标用户是否在tk时间单元内进行过任意互动动作的二值变量，当目标用户有进行过互动动作时，yk＝1，否则，yk＝0；n{yk＝1}表示用户进行过互动动作的时间单元的数量。
[0113]
故目标用户在设定时间段的在线活跃值，可以通过目标用户进行过互动动作的时间单元的数量与设定时间段内全部时间单元数量的比值计算得到。
[0114]
示例性地，目标用户在过去一个月时间中，以24小时为时间单元，存在互动动作的时间单元有12个，则其在线活跃值为：12/30＝0.4。
[0115]
步骤s303、基于目标用户在设定时间段内的在线活动时长、在线时长或目标用户使用付费内容的时间长度与总时长的比值，确定目标用户的在线活跃值。
[0116]
本步骤为与步骤s302相平行的可选步骤。在本实施例的后续描述中，为基于步骤s302的计算方法计算对应在线活跃值。
[0117]
一些实施例中，一般服务器可以根据内存记录的数据完整性，优先选择步骤s302执行，当内存记录的数据完整性较差时，可以选择步骤s303执行。
[0118]
一些实施例中，在线活跃值也可以基于用户使用音乐播放器的时间确定，如用户更倾向于播放各类音乐而不是进行大量互动动作，也可以认为其在播放音乐的时候是处于活跃状态。
[0119]
此时就可以通过目标用户在线活动的时长、在线时长或使用付费内容的时长来确定。
[0120]
进一步地，对于目标用户i在设定时间段t内的在线活跃值αi，记目标用户i的在线活动时长为t
p
、在线时长为t
l
、使用付费内容的时长为tv，t
p
表示目标用户使用音乐播放功能的时长，t
l
表示目标用户处于登录在线状态的时长，tv表示目标用户开始使用付费内容以后的时长，则有：
[0121]
或或
[0122]
根据预先设置的计算规则，可以任意选择一种计算方式来确定目标用户的在线活跃值。
[0123]
示例性地，某目标用户在过去一个月内登录在线时间为180小时，则可以计算其在线活跃值为：180/(24*30)＝0.25。
[0124]
步骤s304、基于目标用户在设定时间段内对现有评论的交互操作次数与对评论的全部交互操作次数的比值，确定目标用户的互动意愿值。
[0125]
其中，对现有评论的交互操作包括对现有评论的点赞、转发、收藏、评论或向现有评论的生成用户发送信息中的至少一种。
[0126]
具体的，交互操作与互动动作的区别在于，交互操作仅限于与现有评论的交互，而互动动作还包括生成新的评论内容。
[0127]
对于同一目标用户，其进行的交互操作的频率或次数越高，可以认为其互动意愿越高。
[0128]
进一步地，对于目标用户i在设定时间段t内的互动意愿值ωi，通过最大似然估计
算法，计算目标用户i在时间段t内的互动意愿值，计算方法为：
[0129][0130]
其中，rti表示目标用户i在t时间段内对现有评论的交互操作的次数，twi表示目标用户i在t时间段内包括生成新评论内容在内的互动动作次数。
[0131]
由此，根据目标用户生成新评论内容的意愿的占比，确定目标用户i的互动意愿值。
[0132]
示例性地，目标用户在过去一个月时间中，累计进行包括收藏、转发、点赞在内的交互操作共15次，累计进行包括生成新评论、收藏、转发、点赞在内的互动动作共22次，则其互动意愿值为：15/22＝0.68。
[0133]
步骤s305、基于在线活跃值、互动意愿值以及预先计算的第二用户的评论内容对目标用户的影响力值，计算得到目标用户对第二用户的评论内容的感兴趣度值。
[0134]
具体的，由于目标用户在不同时间处在线活跃值和互动意愿值可能会有明显不同，如这个月在线活跃值0.5，上个月在线活跃值0.2，由此，根据选择用于计算在线活跃值和互动意愿值的数据不同，计算得到感兴趣度值会出现完全不同的结果。
[0135]
因此，一般在需要进行评论推荐的时候再实时计算目标用户的在线活跃值和互动意愿值，以保证与目标用户的实际活动状态相匹配。
[0136]
一些实施例中，服务器也可以定时计算全部目标用户的在线活跃值和互动意愿值，如每日计算并更新一次，以保证能满足目标用户的评论推荐的符合度需求。
[0137]
进一步地，第二用户的评论内容对目标用户的影响力值，一般为预先计算的固定值，因为同一第二用户对同一目标用户的影响力一般固定，因此，只需要用预先计算的该影响力值与在线活跃值和互动意愿值结合，即可得到对应的感兴趣度值。
[0138]
步骤s306、基于感兴趣度值，将第二用户的评论内容推荐给目标用户。
[0139]
具体的，由于目标用户在不同时段的在线活跃值和互动意愿值不同，因此，对应相同的评论内容，其计算得到的感兴趣度值也可能发生变化，因此，当需要向目标用户推送第二用户的评论内容时，需要根据实时更新或最新的感兴趣度值，确定目标用户对第二用户评论内容的感兴趣度，保证目标用户对推荐的评论内容的满意度。
[0140]
本实施例提供的评论推荐方法，在接收到推荐优质评论的请求后，通过实时或定期确定目标用户的在线活跃值与互动意愿值，并与预先计算的第二用户的评论内容对目标用户的影响力值结合，共同得到实时或最新的目标用户对第二用户的评论内容的感兴趣度值，以保证该感兴趣度值能符合目标用户在获取推荐评论时的实际状态，避免因为用户的在线活跃值和互动意愿值发生变化，导致推荐的评论内容无法满足用户需求的问题，从而为用户带来了更好的体验。
[0141]
图4为本公开一个实施例提供的评论推荐方法的流程图。如图4所示，本实施例提供的评论推荐方法包括以下步骤：
[0142]
步骤s401、响应于接收到的推荐优质评论的请求，确定需要推荐优质评论的目标用户。
[0143]
本步骤与图2对应实施例中的步骤s201内容相同，此处不再赘述。
[0144]
步骤s402、计算目标用户的在线活跃值。
[0145]
在线活跃值一般可以通过实时计算得到。
[0146]
步骤s403、计算目标用户的互动意愿值。
[0147]
互动意愿值一般也可以通过实时计算得到。
[0148]
步骤s404、计算在线活跃值和互动意愿值的乘积作为第一乘积。
[0149]
一些实施例中，若在线活跃值和互动意愿值是实时计算得到，则会同时计算对应第一乘积；若在线活跃值和互动意愿值是定期计算得到，如每日计算一次或每3日计算一次，则会同时计算对应第一乘积，并将第一乘积保存在服务器中，以便后续计算和调用。
[0150]
步骤s405、获取所有用户历史数据，将历史数据划分为训练数据和测试数据。
[0151]
具体的，所有用户为服务器中包含有数据的全部用户，一般不包含新注册或未注册用户，因为这类用户未在服务器中保存有对应的操作数据。
[0152]
历史数据包括过去设定时段，如一年或其他时长，的全部登录信息、使用时长、互动动作数据。通过历史数据，能够计算出每个用户的在线活跃值和互动意愿值。
[0153]
进一步地，通过历史数据具体划分训练数据和测试数据的比例，可以为任意设定值，如1：1，或7：3。
[0154]
一些实施例中，可以将距离现在时间较远的数据作为训练数据，较近的数据作为测试数据，如历史数据的长度为两个月，则可以将前一个月的数据作为训练数据，将后一个月的数据作为测试数据。
[0155]
一些实施例中，也可以等间距挑选数据分别作为训练数据和测试数据，如历史数据长度为100日，则可以将每个奇数日的数据作为训练数据，每个偶数日的数据作为测试数据。
[0156]
步骤s406、根据训练数据，计算得到所有用户间的影响力值的初始值。
[0157]
首先需要通过训练数据得到初始的影响力值，以便通过不断训练和测试调整，最终调整得到目标用户对第二用户评论内容的感兴趣度值。
[0158]
进一步地，具体计算影响力值的初始值的方法包括：
[0159]
步骤一、按照时间长度将训练数据分割成k个长度为τ1的时间段。
[0160]
其中，k或τ1的取值一般为预先设定的固定值，如预先将τ1的取值设置为24小时，或将k值设定为100，以便快速统一进行计算。
[0161]
步骤二、计算每个时间段内所有用户的第二在线活跃值。
[0162]
第二在线活跃值与步骤s402中的在线活跃值所基于的数据不同，为历史数据中每个时间段的在线活跃值。
[0163]
步骤三、计算每个时间段内所有用户的第二互动意愿值。
[0164]
第二互动意愿值与步骤s403中的互动意愿值所基于的数据不同，为历史数据中每个时间段的互动意愿值。
[0165]
步骤四、基于第二在线活跃值、第二互动意愿值，根据最大似然估计方法计算得到所有用户间的影响力值的初始值。
[0166]
具体的，对于特定目标用户i，当其为第二用户j的粉丝时，i会对j生成的优质评论m进行交互操作(如转发、分享)的概率p可以表示为：
[0167]
[0168]
式中，f
ij
用于表示第二用户j的评论内容对目标用户i的影响力值，p也即是目标用户i对第二用户j的评论内容的感兴趣度值。
[0169]
据此，可以得到目标用户i与第二用户j的评论进行交互操作的行为的似然函数：
[0170][0171]
式中，f
ij
＝1用于表示目标用户i关注第二用户j，mj为第二用户j发布的所有信息的集合，包括优质评论、非优质评论。
[0172]
结合将训练数据分成的时间段，对上式处理后，得到：
[0173]
log(l)＝ll
[0174][0175]
其中，其为目标用户i在t时段对第二用户j生成的优质评论m是否进行交互操作的二值变量，表示目标用户i进行了交互操作，表示目标用户i未进行交互操作。
[0176]
此时，可以通过将上式与最优化算法结合，以计算得到影响力值f
ij
的初始值，具体算法如下：
[0177][0178]
其中，和即目标用户i的第二在线活跃值和第二互动意愿值，为第二用户j的第二在线活跃值，因为当第二用户活跃程度较低时，其发布的信息较少，目标用户通常更愿意转发其产生的优质内容。
[0179]
由于本算法相对计算量比在线活跃值和互动意愿值更大，且同一第二用户的评论内容对同一目标用户的影响力通常在一定时间内处于稳定状态，因此，通过训练数据预先计算得到对应每个第二用户与目标用户间的影响力值f
ij
的初始值，以便进一步地分析得到对应的影响力值。
[0180]
步骤s407、根据测试数据，计算得到所有用户的第一在线活跃值和第一互动意愿值。
[0181]
其中，第一在线活跃值和第一互动意愿值均为基于测试数据得到的结果，与前述在线活跃值、互动意愿值、第二在线活跃值、第二互动意愿值均不相同。
[0182]
具体的，在使用测试数据时，也需要将测试数据按照时间长度分为l个长度为τ1的时间段，然后分别计算每个时间段对应的第一在线活跃值和第一互动意愿值。
[0183]
步骤s408、根据第一在线活跃值、第一互动意愿值和所有用户间的影响力值的初
始值，计算得到其他用户对第二用户的评论内容的预测感兴趣度值。
[0184]
其中，其他用户为除第二用户以外的用户。
[0185]
将第一在线活跃值、第一互动意愿值和所有用户间的影响力值的初始值代入步骤s406中计算感兴趣度值p的公式，可以得到其他用户对第二用户的评论内容的预测感兴趣度值p
ij
，具体表示为：
[0186][0187]
式中，为第k个时段的预测感兴趣度值，tk为测试数据中的第k个时间段，满足k＝1,
……
,k l；和即目标用户i的第一在线活跃值和第一互动意愿值，为第二用户j的第一在线活跃值，是用户j在每个时间段tk内发布信息的数量。
[0188]
步骤s409、根据其他用户对第二用户的评论内容的实际感兴趣度值和预测感兴趣度值之间的误差，修正所有用户间的影响力值的初始值。
[0189]
具体的，实际感兴趣度值可以通过历史数据中目标用户与第二用户的评论内容的实际互动次数与第二用户的评论内容数的比值确定，具体表示为：
[0190][0191]
其中，p
t
表示实际感兴趣度值，表示目标用户与第二用户的一条评论内容进行了互动动作，对于同一条评论，可能同时进行了点赞、转发、收藏等动作，无论具体执行了哪一种或哪几种，都可以认为与该评论内容进行了互动动作；aj＝1表示第二用户生成了一条评论内容。
[0192]
进一步地，确定实际感兴趣度值和预测感兴趣度值之间的误差可以用均方误差进行计算，表示为：
[0193][0194]
其中，mse表示均方误差，n表示全部建立了关注关系(如目标用户i关注了第二用户j)的用户对的数量。
[0195]
一些实施例中，当误差小于设定值时，计算得到的影响力值f
ij
就可以作为最终的第二用户评论内容对目标用户的影响力值。
[0196]
一些实施例中，当训练次数或影响力值f
ij
的修正次数达到设定次数时，如200次，最后得到的影响力值也可以作为最终的第二用户评论内容对目标用户的影响力值。
[0197]
进一步地，具体修正方法基于以下公式：
[0198][0199]
式中，f
ij
′
式中用于表示修正后的影响力值f
ij
。
[0200]
步骤s410、根据修正后的所有用户间的影响力值，确定第二用户的评论内容对目标用户的影响力值。
[0201]
具体的，从服务器计算得到的全部最终的第二用户评论内容对目标用户的影响力值中，可以得到第二用户的评论内容对目标用户的影响力值。
[0202]
步骤s411、计算第一乘积和第二用户的评论内容对目标用户的影响力值的乘积作为第二乘积。
[0203]
步骤s412、计算第二乘积与第二用户的在线活跃值的商，作为目标用户对第二用户的评论内容的感兴趣度值。
[0204]
基于第二乘积和第二用户的在线活跃值，结合步骤s406中，计算感兴趣度值p的公式，可以得到目标用户对第二用户的评论内容的感兴趣度值。
[0205]
步骤s413、基于感兴趣度值，将第二用户的评论内容推荐给目标用户。
[0206]
基于最终计算得到的目标用户对第二用户的评论内容的感兴趣度值，可以确定向目标用户推荐的评论内容。
[0207]
本实施例提供的评论推荐方法，在接收到推荐优质评论的请求后，通过计算在线活跃值与互动意愿值，并与基于历史数据训练和测试得到的第二用户的评论内容对目标用户的影响力值结合，共同得到目标用户对第二用户的评论内容的感兴趣度值，以保证该感兴趣度值基于第二用户的评论内容对目标用户的影响力值确定，从而提高目标用户对推荐的评论内容进行交互操作的概率，并提高目标用户的满意度，从而为用户带来了更好的体验。
[0208]
图5为本公开一个实施例提供的评论推荐方法的流程图。如图5所示，本实施例提供的评论推荐方法包括以下步骤：
[0209]
步骤s501、响应于接收到的推荐优质评论的请求，确定需要推荐优质评论的目标用户。
[0210]
一些实施例中，除了确定目标用户，还需要确定目标用户的偏好标签，如喜好的音乐类型、消费习惯和生日等，以便针对性推送相关内容的优质评论。
[0211]
示例性地，目标用户的偏好标签中包含喜好古典音乐类型，则推荐的优质评论中会增加古典音乐类型相关评论的比例。
[0212]
步骤s502、计算目标用户的在线活跃值。
[0213]
步骤s503、计算目标用户的互动意愿值。
[0214]
在线活跃值和互动意愿值与前述实施例中的计算方法相同。
[0215]
步骤s504、基于目标用户的在线活跃值、互动意愿值、预先计算的第二用户的评论内容对目标用户的影响力值结合，作为第一计算值。
[0216]
第一计算值可以参考图4对应实施例中感兴趣度值的计算方法，在本实施例中，通过图4对应实施例中计算方法得到的第一计算值，只作为一个中间值，并不是最终用于确定待推荐的优质评论的感兴趣度值。
[0217]
步骤s505、将第一计算值与第二用户的评论内容的推荐度系数相乘，计算得到目标用户对第二用户的评论内容的感兴趣度值。
[0218]
具体的，推荐度系数为系统或管理人员预设的参数，如某条评论内容在音乐播放应用以外的环境中也有很广的传播，此时，仅通过系统内对优质评论的筛选机制无法反应这一点，这时，可以为其单独赋予一个推荐度系数，如推荐度系数＝2.0，即相比于其他评论内容，目标用户更可能对该评论产生交互操作的兴趣，因此提高该第二用户的评论内容的感兴趣度值时，从而增加将该评论内容推送给目标用户的概率。
[0219]
步骤s506、将第一计算值与目标用户的偏好标签与第二用户的评论内容的标签的第一重合度系数相乘，计算得到目标用户对第二用户的评论内容的感兴趣度值。
[0220]
一些实施例中，评论内容也包含有标签，如对应的音乐作品、关键词和相关活动，基于评论内容的标签与目标用户的偏好标签的重合度计算重合度系数，通过重合度系数与第一计算值相乘，从而将更符合目标用户偏好的评论内容作为推荐给目标用户的评论内容，以提高目标用户的交互操作概率。
[0221]
进一步地，第一重合度系数d1的计算方法方法可以表示为：
[0222][0223]
其中，n1表示目标用户的偏好标签中与评论内容的标签相同的标签数，ni表示目标用户的偏好标签数，nj表示评论内容的标签数。
[0224]
步骤s507、将第一计算值与设定活动的热点标签与第二用户的评论内容的标签的第二重合度系数相乘，计算得到目标用户对第二用户的评论内容的感兴趣度值。
[0225]
一些实施例中，当运营商需要推出某些活动，如节日活动或特定庆祝活动时，为了引导用户关注相关活动，可以增加推送与活动相关的评论的比例。
[0226]
示例性地，运营商推出七夕节活动时，可以增加向目标用户推送与恋爱、情人、七夕、青春等标签相关的评论的比例。
[0227]
具体地，计算设定活动的热点标签与第二用户的评论内容的标签的第二重合度系数d2的方法可以表示为：
[0228][0229]
其中，n2表示设定活动的热点标签中与评论内容的标签相同的标签数，ns表示设定活动的热点标签数，热点标签为运营商退出活动时预先配置好的信息，nj表示评论内容的标签数。
[0230]
步骤s508、基于感兴趣度值，将第二用户的评论内容推荐给目标用户。
[0231]
基于步骤s505至步骤s507的参数与第一计算值的乘积，可以得到实际推出给目标用户的评论内容的感兴趣度值，基于感兴趣度值可以确定最终推荐给目标用户的评论内
容。
[0232]
本实施例提供的评论推荐方法，在接收到推荐优质评论的请求后，通过计算在线活跃值与互动意愿值、预先计算的第二用户的评论内容对目标用户的影响力值结合，得到第一计算值，再将第一计算值与相关的参数相乘，得到目标用户对第二用户的评论内容的感兴趣度值，以提高基于感兴趣度值推荐给目标用户的评论内容能够符合目标用户的喜好、并能与运营商的推出的活动等相关，从而在提高目标用户对推荐的评论内容进行交互操作的概率的同时，满足运营商的需求，从而为用户和运营商均带来了更好的体验。
[0233]
示例性介质
[0234]
在介绍了本公开示例性实施方式的方法之后，接下来，参考图6对本公开示例性实施方式的存储介质进行说明。
[0235]
参考图6所示，描述了根据本公开的实施方式的用于实现上述方法的程序产品60，其可以采用便携式紧凑盘只读存储器(cd-rom)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本公开的程序产品不限于此。
[0236]
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。
[0237]
可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质。
[0238]
可以以一种或多种程序设计语言的任意组合来编写用于执行本公开公开操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、c 等，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算设备。
[0239]
示例性装置
[0240]
在介绍了本公开示例性实施方式的介质之后，接下来，参考图7对本公开示例性实施方式的评论推荐装置进行说明，用于实现上述任一方法实施例中的方法，其实现原理和技术效果与前述方法的实施例类似，在此不再赘述。
[0241]
本公开提供的评论内容装置700，包括：
[0242]
确定模块710，用于响应于接收到的推荐优质评论的请求，确定需要推荐优质评论的目标用户；
[0243]
第一计算模块720，用于计算目标用户的在线活跃值；
[0244]
第二计算模块730，用于计算目标用户的互动意愿值；
[0245]
处理模块740，用于基于在线活跃值、互动意愿值以及预先计算的第二用户的评论内容对目标用户的影响力值，计算得到目标用户对第二用户的评论内容的感兴趣度值，其
中，第二用户为除目标用户以外的其他用户；
[0246]
推荐模块750，用于基于感兴趣度值，将第二用户的评论内容推荐给目标用户。
[0247]
在本公开的一种示例性实施例中，第一计算模块720具体用于：基于目标用户在设定时间段内存在互动动作的时间单元的数量与总时间单元数量的比值，或者，基于目标用户在设定时间段内的在线活动时长、在线时长或目标用户使用付费内容的时间长度与总时长的比值，确定目标用户的在线活跃值，互动动作包括用户发布评论或与现有评论内容进行互动的操作，总时间单元数量用于表示将设定时间段划分成的固定长度的时间单元的数量。
[0248]
在本公开的一种示例性实施例中，第二计算模块730具体用于：基于目标用户在设定时间段内对现有评论的交互操作次数与对评论的全部交互操作次数的比值，确定目标用户的互动意愿值，对现有评论的交互操作包括对现有评论的点赞、转发、收藏、评论或向现有评论的生成用户发送信息中的至少一种。
[0249]
在本公开的一种示例性实施例中，处理模块740具体用于：计算在线活跃值和互动意愿值的乘积作为第一乘积；计算第一乘积和预先计算的第二用户的评论内容对目标用户的影响力值的乘积作为第二乘积；计算第二乘积与第二用户的在线活跃值的商，作为目标用户对第二用户的评论内容的感兴趣度值。
[0250]
在本公开的一种示例性实施例中，处理模块740具体用于：获取所有用户历史数据，将历史数据划分为训练数据和测试数据；根据训练数据，计算得到所有用户间的影响力值的初始值；根据测试数据，计算得到所有用户的第一在线活跃值和第一互动意愿值；根据第一在线活跃值、第一互动意愿值和所有用户间的影响力值的初始值，计算得到其他用户对第二用户的评论内容的预测感兴趣度值，其他用户为除第二用户以外的用户；根据其他用户对第二用户的评论内容的实际感兴趣度值和预测感兴趣度值之间的误差，修正所有用户间的影响力值的初始值；根据修正后的所有用户间的影响力值，确定第二用户的评论内容对目标用户的影响力值。
[0251]
在本公开的一种示例性实施例中，处理模块740具体用于：按照时间长度将训练数据分割成k个长度为τ1的时间段；计算每个时间段内所有用户的第二在线活跃值；计算每个时间段内所有用户的第二互动意愿值；基于第二在线活跃值、第二互动意愿值，根据最大似然估计方法计算得到所有用户间的影响力值的初始值。
[0252]
在本公开的一种示例性实施例中，处理模块740还用于：基于目标用户的在线活跃值、互动意愿值、预先计算的第二用户的评论内容对目标用户的影响力值和以下至少一个系数，计算得到目标用户对第二用户的评论内容的感兴趣度值：第二用户的评论内容的推荐度系数；目标用户的偏好标签与第二用户的评论内容的标签的第一重合度系数；设定活动的热点标签与第二用户的评论内容的标签的第二重合度系数。
[0253]
示例性计算设备
[0254]
在介绍了本公开示例性实施方式的方法、介质和装置之后，接下来，参考图8对本公开示例性实施方式的计算设备进行说明。
[0255]
图8显示的计算设备80仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
[0256]
如图8所示，计算设备80以通用计算设备的形式表现。计算设备80的组件可以包括
但不限于：上述至少一个处理单元801、上述至少一个存储单元802，连接不同系统组件(包括处理单元401和存储单元802)的总线803。
[0257]
总线803包括数据总线、控制总线和地址总线。
[0258]
存储单元802可以包括易失性存储器形式的可读介质，例如随机存取存储器(ram)8021和/或高速缓存存储器8022，可以进一步包括非易失性存储器形式的可读介质，例如只读存储器(rom)4023。
[0259]
存储单元802还可以包括具有一组(至少一个)程序模块8024的程序，这样的程序模块8024包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
[0260]
计算设备80也可以与一个或多个外部设备804(例如键盘、指向设备等)通信。这种通信可以通过输入/输出(i/o)接口805进行。并且，计算设备80还可以通过网络适配器806与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图8所示，网络适配器406通过总线803与计算设备80的其它模块通信。应当理解，尽管图中未示出，可以结合计算设备80使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。
[0261]
应当注意，尽管在上文详细描述中提及了评论推荐装置的若干单元/模块或子单元/模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之，上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。
[0262]
此外，尽管在附图中以特定顺序描述了本公开方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
[0263]
虽然已经参考若干具体实施方式描述了本公开的精神和原理，但是应该理解，本公开并不限于所公开的具体实施方式，对各方面的划分也不意味着这些方面中的特征不能组合以进行受益，这种划分仅是为了表述的方便。本公开旨在涵盖所附权利要求的精神和范围内所包括的各种修改和等同布置。