CN109471981B - 评论信息排序方法、装置、服务器及存储介质 - Google Patents
评论信息排序方法、装置、服务器及存储介质 Download PDFInfo
- Publication number
- CN109471981B CN109471981B CN201811314047.XA CN201811314047A CN109471981B CN 109471981 B CN109471981 B CN 109471981B CN 201811314047 A CN201811314047 A CN 201811314047A CN 109471981 B CN109471981 B CN 109471981B
- Authority
- CN
- China
- Prior art keywords
- comment information
- quality
- information
- piece
- comment
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 107
- 238000012163 sequencing technique Methods 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims description 27
- 238000002372 labelling Methods 0.000 claims description 25
- 238000000605 extraction Methods 0.000 claims description 24
- 238000012552 review Methods 0.000 claims description 22
- 230000015654 memory Effects 0.000 claims description 9
- 238000013441 quality evaluation Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003993 interaction Effects 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
- Information Transfer Between Computers (AREA)
Abstract
本公开是关于一种评论信息排序方法、装置、服务器及存储介质,涉及多媒体技术领域,所述方法包括:获取多媒体资源的多个评论信息;根据每个评论信息的相关用户账号的反馈质量,获取所述每个评论信息的质量,所述每个评论信息的相关用户账号为对所述评论信息进行反馈操作的用户账号,所述相关用户账号的反馈质量基于所述相关用户账号进行过反馈操作的评论信息的质量确定;根据所述多个评论信息的质量,对所述多媒体资源的所述多个评论信息进行排序。本公开考虑到了用户对评论信息的反馈,也即是考虑到了用户偏好,也考虑到了用户的质量,因而得到的评论信息的顺序更能准确反映出评论信息的质量,准确性高。
Description
技术领域
本公开涉及多媒体技术领域,尤其涉及一种评论信息排序方法、装置、服务器及存储介质。
背景技术
随着多媒体技术的发展,人们通常可以在媒体应用中分享多媒体资源,也可以在该媒体应用中观看别人分享的多媒体资源。当然,在观看多媒体资源时,也可以对该多媒体资源进行评论。这样评论的用户和其他用户均可以看到该用户的评论,且用户还可以对多媒体资源的评论进行点赞,表示对评论的认同。
在这类应用中,还有一种热评功能,该热评功能是指将多媒体资源的评论信息中的精华部分提取出来,显示在所有评论信息的前面,也即是置顶显示,也即是对于一个多媒体资源的评论信息,将精华部分排在其他评论信息的前面,这样可以激发多媒体资源的上传者的创作欲望,也提高了进行评论的用户的积极性,从而加强了用户之间的交互性。
相关技术中,评论信息排序方法通常是:对于某个多媒体资源的多个评论信息,按照该多个评论信息的被点赞数从高到低,对该多媒体资源的评论信息进行排序。也即是,被点赞数多的评论信息排列在前面,被点赞数少的评论信息排列在后面。还有一些评论信息排序方法是基于进行评论的用户的历史信用度,对评论信息进行排序,例如,可以基于进行评论的用户发布的历史评论的被点赞数或被回复数,或基于进行评论的用户的粉丝数、注册时长等等因素,对评论信息进行排序。
上述评论信息排序方法中的第一种方法中,用户的偏好并不一定能准确地反映出评论信息的质量,例如,对于一条内容低俗的评论信息,可能也会有很多用户对其进行点赞。第二种方法中,仅考虑到了进行评论的用户的历史信用度,并没有考虑当前评论信息是否真的受欢迎,没有考虑到其他用户对当前评论信息的反馈,也不能准确地反映出评论信息的质量,因此,上述评论信息排序方法的准确性低。
发明内容
为克服相关技术中存在的问题,本公开提供一种评论信息排序方法、装置、服务器及存储介质。
根据本公开实施例的第一方面,提供一种评论信息排序方法,包括:
获取多媒体资源的多个评论信息;
根据每个评论信息的相关用户账号的反馈质量,获取所述每个评论信息的质量,所述每个评论信息的相关用户账号为对所述评论信息进行反馈操作的用户账号,所述相关用户账号的反馈质量基于所述相关用户账号进行过反馈操作的评论信息的质量确定;
根据所述多个评论信息的质量,对所述多媒体资源的所述多个评论信息进行排序。
在一种可能实施方式中,所述根据每个评论信息的相关用户账号的反馈质量,获取所述每个评论信息的质量,包括:
获取所述每个评论信息的相关用户账号的反馈质量的和值,将所述和值作为所述每个评论信息的质量。
在一种可能实施方式中,所述根据每个评论信息的相关用户账号的反馈质量,获取所述每个评论信息的质量,包括:
获取所述每个评论信息的相关用户账号的反馈质量的和值;
获取所述和值与所述每个评论信息的显示次数的第一比值,将所述第一比值作为所述每个评论信息的质量。
在一种可能实施方式中,所述根据每个评论信息的相关用户账号的反馈质量,获取所述每个评论信息的质量,包括:
获取所述每个评论信息的相关用户账号的反馈质量的和值;
获取所述和值与所述每个评论信息的反馈操作次数的第二比值,将所述第二比值作为所述每个评论信息的质量。
在一种可能实施方式中,所述根据每个评论信息的相关用户账号的反馈质量,获取所述每个评论信息的质量,包括:
根据每个评论信息的相关用户账号的反馈质量,获取所述每个评论信息的第一质量;
调用质量获取模型,将所述多媒体资源和所述多个评论信息输入所述质量获取模型,由所述质量获取模型对所述多媒体资源和所述多个评论信息进行特征提取,分别基于所述多媒体资源的特征和每个评论信息的特征,输出所述每个评论信息的第二质量;
基于所述每个评论信息的所述第一质量和所述第二质量,获取所述每个评论信息的质量。
在一种可能实施方式中,所述相关用户账号的反馈质量的确定过程包括:
获取第一评论信息的质量的平均值作为所述相关用户账号的反馈质量,所述第一评论信息为所述相关用户账号进行过反馈操作的评论信息;或,
基于第一评论信息的质量的来源,对所述第一评论信息的质量进行加权求和,得到所述相关用户账号的反馈质量,所述第一评论信息为所述相关用户账号进行过反馈操作的评论信息。
在一种可能实施方式中,所述第一评论信息的质量的获取过程包括:
当所述第一评论信息包括标注信息时,获取所述标注信息所指示的所述第一评论信息的质量。
在一种可能实施方式中,所述第一评论信息的质量的获取过程包括:
当所述第一评论信息不包括标注信息时,获取目标质量作为所述第一评论信息的质量;或,
当所述第一评论信息不包括标注信息时,基于所述第一评论信息的相关用户账号的反馈质量,获取所述第一评论信息的质量。
在一种可能实施方式中,所述第一评论信息的标注信息的获取过程包括:
获取反馈操作次数大于目标次数的第一评论信息;
标注所述第一评论信息的质量,得到所述第一评论信息的标注信息。
在一种可能实施方式中,所述标注所述第一评论信息的质量,得到所述第一评论信息的标注信息,包括:
获取输入或已选中的质量,基于所述输入或已选中的质量,生成所述第一评论信息的标注信息,所述输入或已选中的质量基于所述第一评论信息与所述多媒体资源的关联程度和所述第一评论信息的利害确定;或,
将所述第一评论信息与目标评论信息进行匹配,基于匹配到的目标评论信息的质量,生成所述第一评论信息的标注信息,所述目标评论信息已标注有质量的评论信息。
在一种可能实施方式中,所述方法还包括:
当生成任一评论信息的标注信息时,对所述第一评论信息的相关用户账号的反馈质量进行更新。
在一种可能实施方式中,所述对所述评论信息的相关用户账号的反馈质量进行更新,包括:
根据所述相关用户账号的第二评论信息的质量和所述评论信息的质量,获取所述相关用户账号的更新后的反馈质量,所述第二评论信息为反馈操作的进行时间在目标时间之前的第一评论信息。
在一种可能实施方式中,所述根据所述多个评论信息的质量,对所述多媒体资源的所述多个评论信息进行排序,包括:
根据所述多个评论信息的质量,按照质量从高到低的顺序,对所述多媒体资源的所述多个评论信息进行排序。
在一种可能实施方式中,所述反馈操作为点赞操作或回复操作。
根据本公开实施例的第二方面,提供一种评论信息排序方法,包括:
获取多个样本多媒体资源和所述多个样本多媒体资源的多个评论信息,每个评论信息携带有标注信息,所述标注信息用于指示评论信息的质量;
调用初始模型,基于所述多个样本多媒体资源、所述多个样本多媒体资源的多个评论信息和所述每个评论信息携带的标注信息,对初始模型进行训练,得到质量获取模型;
当获取多媒体资源和所述多媒体资源的多个评论信息时,调用质量获取模型,将所述多媒体资源和所述多个评论信息输入所述质量获取模型,由所述质量获取模型对所述多媒体资源和所述多个评论信息进行特征提取,分别基于所述多媒体资源的特征和每个评论信息的特征,输出所述每个评论信息的质量;
根据所述多个评论信息的质量,对所述多媒体资源的所述多个评论信息进行排序。
在一种可能实施方式中,所述每个评论信息的标注信息的获取方式包括:
获取输入或已选中的质量,基于所述输入或已选中的质量,生成所述评论信息的标注信息,所述输入或已选中的质量基于所述评论信息与所述多媒体资源的关联程度和所述评论信息的利害确定;或,
将所述评论信息与目标评论信息进行匹配,基于匹配到的目标评论信息的质量,生成所述评论信息的标注信息,所述目标评论信息已标注有质量的评论信息。
根据本公开实施例的第三方面,提供一种评论信息排序装置,包括:
信息获取模块,被配置为执行获取多媒体资源的多个评论信息;
质量获取模块,被配置为执行根据每个评论信息的相关用户账号的反馈质量,获取所述每个评论信息的质量,所述每个评论信息的相关用户账号为对所述评论信息进行反馈操作的用户账号,所述相关用户账号的反馈质量基于所述相关用户账号进行过反馈操作的评论信息的质量确定;
顺序获取模块,被配置为执行根据所述多个评论信息的质量,对所述多媒体资源的所述多个评论信息进行排序。
在一种可能实施方式中,所述质量获取模块被配置为执行获取所述每个评论信息的相关用户账号的反馈质量的和值,将所述和值作为所述每个评论信息的质量。
在一种可能实施方式中,所述质量获取模块被配置为执行:
获取所述每个评论信息的相关用户账号的反馈质量的和值;
获取所述和值与所述每个评论信息的显示次数的第一比值,将所述第一比值作为所述每个评论信息的质量。
在一种可能实施方式中,所述质量获取模块被配置为执行:
获取所述每个评论信息的相关用户账号的反馈质量的和值;
获取所述和值与所述每个评论信息的反馈操作次数的第二比值,将所述第二比值作为所述每个评论信息的质量。
在一种可能实施方式中,所述质量获取模块被配置为执行:
根据每个评论信息的相关用户账号的反馈质量,获取所述每个评论信息的第一质量;
调用质量获取模型,将所述多媒体资源和所述多个评论信息输入所述质量获取模型,由所述质量获取模型对所述多媒体资源和所述多个评论信息进行特征提取,分别基于所述多媒体资源的特征和每个评论信息的特征,输出所述每个评论信息的第二质量;
基于所述每个评论信息的所述第一质量和所述第二质量,获取所述每个评论信息的质量。
在一种可能实施方式中,所述质量获取模块还被配置为执行获取第一评论信息的质量的平均值作为所述相关用户账号的反馈质量,所述第一评论信息为所述相关用户账号进行过反馈操作的评论信息;或,
所述质量获取模块还被配置为执行基于第一评论信息的质量的来源,对所述第一评论信息的质量进行加权求和,得到所述相关用户账号的反馈质量,所述第一评论信息为所述相关用户账号进行过反馈操作的评论信息。
在一种可能实施方式中,所述质量获取模块还被配置为执行当所述第一评论信息包括标注信息时,获取所述标注信息所指示的所述第一评论信息的质量。
在一种可能实施方式中,所述质量获取模块还被配置为执行当所述第一评论信息不包括标注信息时,获取目标质量作为所述第一评论信息的质量;或,
所述质量获取模块还被配置为执行当所述第一评论信息不包括标注信息时,基于所述第一评论信息的相关用户账号的反馈质量,获取所述第一评论信息的质量。
在一种可能实施方式中,所述信息获取模块还被配置为执行:
获取反馈操作次数大于目标次数的第一评论信息;
标注所述第一评论信息的质量,得到所述第一评论信息的标注信息。
在一种可能实施方式中,所述信息获取模块还被配置为执行获取输入或已选中的质量,基于所述输入或已选中的质量,生成所述第一评论信息的标注信息,所述输入或已选中的质量基于所述第一评论信息与所述多媒体资源的关联程度和所述第一评论信息的利害确定;或,
所述信息获取模块还被配置为执行将所述第一评论信息与目标评论信息进行匹配,基于匹配到的目标评论信息的质量,生成所述第一评论信息的标注信息,所述目标评论信息已标注有质量的评论信息。
在一种可能实施方式中,所述装置还包括:
更新模块,被配置为执行当生成任一评论信息的标注信息时,对所评论信息的相关用户账号的反馈质量进行更新。
在一种可能实施方式中,所述更新模块被配置为执行根据所述相关用户账号的第二评论信息的质量和所述评论信息的质量,获取所述相关用户账号的更新后的反馈质量,所述第二评论信息为反馈操作的进行时间在目标时间之前的第一评论信息。
在一种可能实施方式中,所述顺序获取模块被配置为执行根据所述多个评论信息的质量,按照质量从高到低的顺序,对所述多媒体资源的所述多个评论信息进行排序。
在一种可能实施方式中,所述反馈操作为点赞操作或回复操作。
根据本公开实施例的第四方面,提供一种评论信息排序装置,包括:
样本获取模块,被配置为执行获取多个样本多媒体资源和所述多个样本多媒体资源的多个评论信息,每个评论信息携带有标注信息,所述标注信息用于指示评论信息的质量;
模型训练模块,被配置为执行调用初始模型,基于所述多个样本多媒体资源、所述多个样本多媒体资源的多个评论信息和所述每个评论信息携带的标注信息,对初始模型进行训练,得到质量获取模型;
质量获取模块,还被配置为执行当获取多媒体资源和所述多媒体资源的多个评论信息时,调用质量获取模型,将所述多媒体资源和所述多个评论信息输入所述质量获取模型,由所述质量获取模型对所述多媒体资源和所述多个评论信息进行特征提取,分别基于所述多媒体资源的特征和每个评论信息的特征,输出所述每个评论信息的质量;
顺序获取模块,被配置为执行根据所述多个评论信息的质量,对所述多媒体资源的所述多个评论信息进行排序。
在一种可能实施方式中,所述样本获取模块被配置为执行获取输入或已选中的质量,基于所述输入或已选中的质量,生成所述评论信息的标注信息,所述输入或已选中的质量基于所述评论信息与所述多媒体资源的关联程度和所述评论信息的利害确定;或,
所述样本获取模块被配置为执行将所述评论信息与目标评论信息进行匹配,基于匹配到的目标评论信息的质量,生成所述评论信息的标注信息,所述目标评论信息已标注有质量的评论信息。
根据本公开实施例的第五方面,提供一种服务器,该服务器包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:
获取多媒体资源的多个评论信息;
根据每个评论信息的相关用户账号的反馈质量,获取所述每个评论信息的质量,所述每个评论信息的相关用户账号为对所述评论信息进行反馈操作的用户账号,所述相关用户账号的反馈质量基于所述相关用户账号进行过反馈操作的评论信息的质量确定;
根据所述多个评论信息的质量,对所述多媒体资源的所述多个评论信息进行排序。
根据本公开实施例的第六方面,提供一种服务器,该服务器包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:
获取多个样本多媒体资源和所述多个样本多媒体资源的多个评论信息,每个评论信息携带有标注信息,所述标注信息用于指示评论信息的质量;
调用初始模型,基于所述多个样本多媒体资源、所述多个样本多媒体资源的多个评论信息和所述每个评论信息携带的标注信息,对初始模型进行训练,得到质量获取模型;
当获取多媒体资源和所述多媒体资源的多个评论信息时,调用质量获取模型,将所述多媒体资源和所述多个评论信息输入所述质量获取模型,由所述质量获取模型对所述多媒体资源和所述多个评论信息进行特征提取,分别基于所述多媒体资源的特征和每个评论信息的特征,输出所述每个评论信息的质量;
根据所述多个评论信息的质量,对所述多媒体资源的所述多个评论信息进行排序。
根据本公开实施例的第七方面,提供一种非临时性计算机可读存储介质,该非临时性计算机可读存储介质中的指令由服务器的处理器执行时,使得服务器能够执行一种评论信息排序方法,所述方法包括:
获取多媒体资源的多个评论信息;
根据每个评论信息的相关用户账号的反馈质量,获取所述每个评论信息的质量,所述每个评论信息的相关用户账号为对所述评论信息进行反馈操作的用户账号,所述相关用户账号的反馈质量基于所述相关用户账号进行过反馈操作的评论信息的质量确定;
根据所述多个评论信息的质量,对所述多媒体资源的所述多个评论信息进行排序。
根据本公开实施例的第八方面,提供一种非临时性计算机可读存储介质,该非临时性计算机可读存储介质中的指令由服务器的处理器执行时,使得服务器能够执行一种评论信息排序方法,所述方法包括:
获取多个样本多媒体资源和所述多个样本多媒体资源的多个评论信息,每个评论信息携带有标注信息,所述标注信息用于指示评论信息的质量;
调用初始模型,基于所述多个样本多媒体资源、所述多个样本多媒体资源的多个评论信息和所述每个评论信息携带的标注信息,对初始模型进行训练,得到质量获取模型;
当获取多媒体资源和所述多媒体资源的多个评论信息时,调用质量获取模型,将所述多媒体资源和所述多个评论信息输入所述质量获取模型,由所述质量获取模型对所述多媒体资源和所述多个评论信息进行特征提取,分别基于所述多媒体资源的特征和每个评论信息的特征,输出所述每个评论信息的质量;
根据所述多个评论信息的质量,对所述多媒体资源的所述多个评论信息进行排序。
根据本公开实施例的第九方面,提供一种应用程序,包括一条或多条指令,该一条或多条指令可以由服务器的处理器执行时,使得服务器能够执行一种评论信息排序方法,所述方法包括:
获取多媒体资源的多个评论信息;
根据每个评论信息的相关用户账号的反馈质量,获取所述每个评论信息的质量,所述每个评论信息的相关用户账号为对所述评论信息进行反馈操作的用户账号,所述相关用户账号的反馈质量基于所述相关用户账号进行过反馈操作的评论信息的质量确定;
根据所述多个评论信息的质量,对所述多媒体资源的所述多个评论信息进行排序。
根据本公开实施例的第十方面,提供一种应用程序,包括一条或多条指令,该一条或多条指令可以由服务器的处理器执行时,使得服务器能够执行一种评论信息排序方法,所述方法包括:
获取多个样本多媒体资源和所述多个样本多媒体资源的多个评论信息,每个评论信息携带有标注信息,所述标注信息用于指示评论信息的质量;
调用初始模型,基于所述多个样本多媒体资源、所述多个样本多媒体资源的多个评论信息和所述每个评论信息携带的标注信息,对初始模型进行训练,得到质量获取模型;
当获取多媒体资源和所述多媒体资源的多个评论信息时,调用质量获取模型,将所述多媒体资源和所述多个评论信息输入所述质量获取模型,由所述质量获取模型对所述多媒体资源和所述多个评论信息进行特征提取,分别基于所述多媒体资源的特征和每个评论信息的特征,输出所述每个评论信息的质量;
根据所述多个评论信息的质量,对所述多媒体资源的所述多个评论信息进行排序。
本公开的实施例提供的技术方案可以至少包括以下有益效果:本公开实施例通过评论信息的相关用户账号的反馈质量,来评估评论信息的质量,从而基于评论信息的质量,对多媒体资源的评论信息进行排序,这样得到的多媒体资源的评论信息的顺序考虑到了用户对评论信息的反馈,也即是考虑到了用户偏好,也考虑到了用户的质量,因而得到的评论信息的顺序更能准确反映出评论信息的质量,准确性高。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
图1是根据一示例性实施例示出的一种评论信息排序方法的流程图。
图2是根据一示例性实施例示出的一种评论信息排序方法的流程图。
图3是根据一示例性实施例示出的一种评论信息排序方法的流程图。
图4是根据一示例性实施例示出的一种评论信息排序方法的流程图。
图5是根据一示例性实施例示出的一种评论信息排序装置的框图。
图6是根据一示例性实施例示出的一种评论信息排序装置的框图。
图7是根据一示例性实施例示出的一种服务器的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
图1是根据一示例性实施例示出的一种评论信息排序方法的流程图,如图1所示,该评论信息排序方法应用于服务器中,包括以下步骤。
在步骤S11中,获取多媒体资源的多个评论信息。
在步骤S12中,根据每个评论信息的相关用户账号的反馈质量,获取该每个评论信息的质量,该每个评论信息的相关用户账号为对该评论信息进行反馈操作的用户账号,该相关用户账号的反馈质量基于该相关用户账号进行过反馈操作的评论信息的质量确定。
在步骤S13中,根据该多个评论信息的质量,对该多媒体资源的该多个评论信息进行排序。
本公开实施例通过评论信息的相关用户账号的反馈质量,来评估评论信息的质量,从而基于评论信息的质量,对多媒体资源的评论信息进行排序,这样得到的多媒体资源的评论信息的顺序考虑到了用户对评论信息的反馈,也即是考虑到了用户偏好,也考虑到了用户的质量,因而得到的评论信息的顺序更能准确反映出评论信息的质量,准确性高。
在一种可能实施方式中,该根据每个评论信息的相关用户账号的反馈质量,获取该每个评论信息的质量,包括:
获取该每个评论信息的相关用户账号的反馈质量的和值,将该和值作为该每个评论信息的质量。
在一种可能实施方式中,该根据每个评论信息的相关用户账号的反馈质量,获取该每个评论信息的质量,包括:
获取该每个评论信息的相关用户账号的反馈质量的和值;
获取该和值与该每个评论信息的显示次数的第一比值,将该第一比值作为该每个评论信息的质量。
在一种可能实施方式中,该根据每个评论信息的相关用户账号的反馈质量,获取该每个评论信息的质量,包括:
获取该每个评论信息的相关用户账号的反馈质量的和值;
获取该和值与该每个评论信息的反馈操作次数的第二比值,将该第二比值作为该每个评论信息的质量。
在一种可能实施方式中,该根据每个评论信息的相关用户账号的反馈质量,获取该每个评论信息的质量,包括:
根据每个评论信息的相关用户账号的反馈质量,获取该每个评论信息的第一质量;
调用质量获取模型,将该多媒体资源和该多个评论信息输入该质量获取模型,由该质量获取模型对该多媒体资源和该多个评论信息进行特征提取,分别基于该多媒体资源的特征和每个评论信息的特征,输出该每个评论信息的第二质量;
基于该每个评论信息的该第一质量和该第二质量,获取该每个评论信息的质量。
在一种可能实施方式中,该相关用户账号的反馈质量的确定过程包括:
获取第一评论信息的质量的平均值作为该相关用户账号的反馈质量,该第一评论信息为该相关用户账号进行过反馈操作的评论信息;或,
基于第一评论信息的质量的来源,对该第一评论信息的质量进行加权求和,得到该相关用户账号的反馈质量,该第一评论信息为该相关用户账号进行过反馈操作的评论信息。
在一种可能实施方式中,该第一评论信息的质量的获取过程包括:
当该第一评论信息包括标注信息时,获取该标注信息所指示的该第一评论信息的质量。
在一种可能实施方式中,该第一评论信息的质量的获取过程包括:
当该第一评论信息不包括标注信息时,获取目标质量作为该第一评论信息的质量;或,
当该第一评论信息不包括标注信息时,基于该第一评论信息的相关用户账号的反馈质量,获取该第一评论信息的质量。
在一种可能实施方式中,该第一评论信息的标注信息的获取过程包括:
获取反馈操作次数大于目标次数的第一评论信息;
标注该第一评论信息的质量,得到该第一评论信息的标注信息。
在一种可能实施方式中,该标注该第一评论信息的质量,得到该第一评论信息的标注信息,包括:
获取输入或已选中的质量,基于该输入或已选中的质量,生成该第一评论信息的标注信息,该输入或已选中的质量基于该第一评论信息与该多媒体资源的关联程度和该第一评论信息的利害确定;或,
将该第一评论信息与目标评论信息进行匹配,基于匹配到的目标评论信息的质量,生成该第一评论信息的标注信息,该目标评论信息已标注有质量的评论信息。
在一种可能实施方式中,该方法还包括:
当生成任一评论信息的标注信息时,对该评论信息的相关用户账号的反馈质量进行更新。
在一种可能实施方式中,该对该评论信息的相关用户账号的反馈质量进行更新,包括:
根据该相关用户账号的第二评论信息的质量和该评论信息的质量,获取该相关用户账号的更新后的反馈质量,该第二评论信息为反馈操作的进行时间在目标时间之前的第一评论信息。
在一种可能实施方式中,该根据该多个评论信息的质量,对该多媒体资源的该多个评论信息进行排序,包括:
根据该多个评论信息的质量,按照质量从高到低的顺序,对该多媒体资源的该多个评论信息进行排序。
在一种可能实施方式中,该反馈操作为点赞操作或回复操作。
图2是根据一示例性实施例示出的一种评论信息排序方法的流程图,如图2所示,该评论信息排序方法应用于服务器中,包括以下步骤:
在步骤S21中,获取多个样本多媒体资源和该多个样本多媒体资源的多个评论信息,每个评论信息携带有标注信息,该标注信息用于指示评论信息的质量。
在步骤S22中,调用初始模型,基于该多个样本多媒体资源、该多个样本多媒体资源的多个评论信息和该每个评论信息携带的标注信息,对初始模型进行训练,得到质量获取模型。
在步骤S23中,当获取多媒体资源和该多媒体资源的多个评论信息时,调用质量获取模型,将该多媒体资源和该多个评论信息输入该质量获取模型,由该质量获取模型对该多媒体资源和该多个评论信息进行特征提取,分别基于该多媒体资源的特征和每个评论信息的特征,输出该每个评论信息的质量。
在步骤S24中,根据该多个评论信息的质量,对该多媒体资源的该多个评论信息进行排序。
本公开实施例通过样本多媒体资源和对应的评论信息对初始模型进行训练得到质量获取模型,基于该质量获取模型可以对多媒体资源和评论信息进行特征提取,基于训练得到的知识,可以对多媒体资源的特征和评论信息的特征进行计算得到评论信息的质量,从而对评论信息进行排序,该质量获取过程中不是对评论信息被用户进行反馈操作或该评论信息的发布者的信用度来评估质量,不单单对评论信息进行分析,还考虑到了评论信息和多媒体资源之间的关系,因而得到的评论信息的质量更准确,从而基于该评论信息的质量进行排序也更准确。
在一种可能实施方式中,该每个评论信息的标注信息的获取方式包括:
获取输入或已选中的质量,基于该输入或已选中的质量,生成该评论信息的标注信息,该输入或已选中的质量基于该评论信息与该多媒体资源的关联程度和该评论信息的利害确定;或,
将该评论信息与目标评论信息进行匹配,基于匹配到的目标评论信息的质量,生成该评论信息的标注信息,该目标评论信息已标注有质量的评论信息。
图3是根据一示例性实施例示出的一种评论信息排序方法的流程图,如图3所示,该评论信息排序方法应用于服务器中,包括以下步骤:
在步骤301中,服务器获取多媒体资源的多个评论信息。
在本公开实施例中,服务器可以对多媒体资源的评论信息进行排序,从而在终端要显示某个多媒体资源的评论信息时,可以从该服务器处获取排序后的评论信息,再基于评论信息的顺序显示评论信息。其中,该多媒体资源可以为视频资源,也可以为音频资源,还可以为图片资源或文字资源,当然,该多媒体资源还可以为其他类型的资源,本公开实施例对该多媒体资源的类型不作限定。
例如,以该多媒体资源为视频资源为例,某个用户在媒体应用中上传了一个视频资源,其他用户可以观看该视频资源,并对该视频资源进行评论,从而各个终端在获取到对视频资源的评论信息时,均可以将评论信息发送至服务器,该服务器可以获取到视频资源的多个评论信息。当然,该用户本身也可以对自己上传的视频资源进行评论,且任一用户均可以对其它用户的评论信息进行点赞操作或回复操作,从而实现社区用户之间的互动。
在一种可能实现方式中,该服务器可以周期性执行该步骤301,也即是每隔第一目标时长,执行该步骤301。其中,该第一目标时长可以由相关技术人员预先设置,本公开实施例对此不作限定。在另一种可能实现方式中,该服务器可以在接收到终端发送的评论信息显示请求时,基于评论信息显示请求,执行该步骤301,再执行后续步骤,从而为该终端提供评论信息排序服务。
在步骤302中,服务器获取每个评论信息的相关用户账号的反馈质量。
其中,该每个评论信息的相关用户账号为对该评论信息进行反馈操作的用户账号。在一种可能实现方式中,该反馈操作可以为点赞操作或回复操作。当然,也可以为其他反馈操作,例如,转发操作等,本公开实施例对该反馈操作的操作类型不作限定。也即是,对于一个评论信息,某个用户登录用户账号对该评论信息进行了点赞操作,则该用户账号即为该评论信息的相关用户账号。
在本公开实施例中,在该服务器中可以存储有用户账号的反馈质量,在服务器需要获取评论信息的相关用户账号的反馈质量时,可以从存储数据中获取得到。当然,该用户账号的反馈质量也可以存储于其他服务器中,本公开实施例对此不作限定。
需要说明的是,上述获取得到的相关用户账号的反馈质量基于该相关用户账号进行过反馈操作的评论信息的质量确定。这样通过用户对评论信息的反馈情况来评估该评论信息的质量,且针对进行反馈的用户进行了区分,通过用户历史反馈过的评论信息的质量来获知该用户经常对什么类型的评论信息进行反馈,从而可以准确评估当前评论信息的质量。具体地,该相关用户账号的反馈质量的确定过程可以包括以下两种可能情况:
在第一种情况中,服务器获取第一评论信息的质量的平均值作为该相关用户账号的反馈质量,该第一评论信息为该相关用户账号进行过反馈操作的评论信息。
对于任一个相关用户账号,服务器可以获取该相关用户账号的第一评论信息,也即是该相关用户账号之前进行过反馈操作的评论信息,然后该评论信息可以均被赋予了质量,然后服务器可以基于该相关用户账号的历史反馈情况,来评估该相关用户账号的反馈质量。在一种可能实现方式中,该相关用户账号可能对至少一个评论信息进行过反馈操作,则该服务器可以直接对该至少一个评论信息的质量取平均,得到该相关用户账号的反馈质量。
在另一种可能实现方式中,该相关用户账号可能之前未对任何评论信息进行过反馈操作,则该服务器可以直接获取目标质量作为该相关用户账号的反馈质量。其中,该目标质量可以由相关技术人员根据用户账号的平均反馈质量确定,本公开实施例对该目标质量的具体取值不作限定。具体地,该目标质量的获取方式可以为:相关技术人员为多个评论信息标注质量,并将标注的所有质量的平均值作为目标质量。该标注的多个评论信息的数量可以为一个较大的数值,这样通过大量统计结果,可以得到一个较为平均的数值作为目标质量,从而该目标质量可以无偏地估计一般用户账号的质量。
在该第一种情况中,该第一评论信息的质量可以包括不同的获取方式,也即是该第一评论信息的质量可以包括不同来源。具体地,可以为部分第一评论信息标注质量,得到这部分第一评论信息的标注信息,而还有一部分第一评论信息可能没有被标注,则不包括标注信息。也即是,该第一评论信息的质量基于该第一评论信息的标注信息确定,该第一评论信息的质量也可以为一个默认值,例如目标质量,或该第一评论信息基于相关用户账号的质量来确定。
也即是,该第一评论信息的质量的获取过程可以包括两种不同场景。在场景一中,该第一评论信息包括标注信息,则服务器可以基于该第一评论信息的标注信息,获取第一评论信息的质量。具体地,该过程可以为:当该第一评论信息包括标注信息时,服务器获取该标注信息所指示的该第一评论信息的质量。例如,该第一评论信息已经被标注过质量,则服务器可以直接获取标注的质量即可。
在一种可能实现方式中,上述包括标注信息的第一评论信息可以均为热评,该热评是指反馈操作次数较多的第一评论信息。在这种实现方式中,标注信息的获取过程可以为:服务器获取反馈操作次数大于目标次数的第一评论信息,服务器标注该第一评论信息的质量,得到该第一评论信息的标注信息。这样由于其他第一评论信息不是热评,其显示位置不会太靠前,这部分第一评论信息在显示时从用户体验的角度来说,并不会造成太大影响,因而仅对热评进行标注,既可以保证用户体验,也可以减少标注的工作量,提高了该评论信息排序方法的实用性。
其中,该目标次数可以由相关技术人员预先设置,也可以基于该多媒体资源的多个评论信息的反馈操作次数确定。例如,该目标次数可以为10,也即是,当某个第一评论信息的反馈操作次数超过了10次,则可以认为该评论信息为热评,则服务器可以获取该评论信息,对其进行标注。又例如,一个多媒体资源共有10条评论信息,该10条评论信息的反馈操作次数分别为50、1、3、30、10、5、20、60、2和0,该目标次数可以为该10条评论信息的反馈操作次数的平均值18.1,则反馈操作次数超过18.1的评论信息即可作为热评,例如,反馈操作次数为50、30、20和60的评论信息,服务器即可获取该热评,并对其进行标注。
当然,上述服务器获取反馈操作次数大于目标次数的第一评论信息的过程可以由服务器实时检测第一评论信息的反馈操作次数,在反馈操作次数大于目标次数时,即执行上述步骤,也可以由服务器周期性获取反馈操作次数大于目标次数的第一评论信息,也即是,由服务器每隔第二目标时长,获取反馈操作次数大于目标次数的第一评论信息。需要说明的是,该服务器获取的反馈操作次数大于目标次数的第一评论信息均为不包括标注信息的第一评论信息,这样避免重复标注,以减少不必要的工作量。
在一种可能实现方式中,该服务器周期获取第一评论信息时,可以获取发布时间距离当前时间小于第三目标时长,且反馈操作次数大于目标次数的第一评论信息,其中,该第二目标时长和第三目标时长可以相等,也可以不等,该第二目标时长和第三目标时长均可以由相关技术人员预先设置,本公开实施例对此不作限定。这样,服务器可以每隔一段时间获取某个时间周期内的第一评论信息,并进行标注。
服务器对其评论信息进行标注的过程也可以包括不同的实现方式中,该标注过程可以通过下述任一种方式或多种方式的组合方式实现:
方式一、人工标注方式。在该方式一中,服务器可以获取输入或已选中的质量,基于该输入或已选中的质量,生成该第一评论信息的标注信息,该输入或已选中的质量基于该第一评论信息与该多媒体资源的关联程度和该第一评论信息的利害确定。
相关技术人员,例如运营人员,可以对热评进行抽样,人工判断该热评与多媒体资源是否相关,判断该热评为用户带来的是负向反馈还是正向反馈,判断该热评所传达的理念是否有意义,从而为该第一评论信息进行评分。例如,运营人员对每天的热评进行抽样标注,给评论信息的质量进行打分,例如,质量高的打5分,质量低的打1分,没有价值的打0分等。上述仅为一种示例性说明,本公开实施例对评论信息的质量取值范围不作限定。
这样通过人工标注方式,可以引入外部指示指导对评论信息的质量获取过程,纠正基于用户的点赞和评论信息的质量之间的偏差,能够识别出有价值的评论信息和无价值的评论信息,从而找到能够确定用户对各种评论信息的识别能力,从而对用户进行区分,这样在评估评论信息的质量时更准确。
方式二、自动标注方式。在该方式二中,服务器可以将该第一评论信息与目标评论信息进行匹配,基于匹配到的目标评论信息的质量,生成该第一评论信息的标注信息,该目标评论信息已标注有质量的评论信息。
在该服务器中可以存储有目标评论信息,每个目标评论信息可以携带有标注信息。当然,该目标评论信息也可以未存储于该服务器中,而是存储于其他服务器中,该服务器可以将获取到的第一评论信息发送至其他服务器进行匹配,或获取其他服务器上存储的目标评论信息进行匹配。其中,该目标评论信息可以为已标注有质量的评论信息,在一种可能实现方式中,该目标评论信息可以为上述方式一中进行人工标注过的第一评论信息。当然,该目标评论信息也可以为相关技术人员进行人工标注过的部分第一评论信息,例如,运营人员可以从标注过的第一评论信息中挑选出包括涵盖多种类型的多媒体资源、具有代表性的第一评论信息作为目标评论信息,该目标评论信息可以存储于数据库中。这样服务器在获取到热评后,可以基于该数据库中的目标评论信息进行匹配,如果有与目标评论信息类似的第一评论信息,服务器直接将匹配的目标评论信息的质量作为该第一评论信息的质量,即可自动完成标注过程,这样可以有效减少人工操作,也有利于统一第一评论信息的质量的标准,提高质量获取的准确性。
在场景二中,该第一评论信息不包括标注信息,则服务器可以采用以下任一种实现方式,获取第一评论信息的质量。在方式一中,当该第一评论信息不包括标注信息时,服务器获取目标质量作为该第一评论信息的质量。在方式二中,当该第一评论信息不包括标注信息时,服务器基于该第一评论信息的相关用户账号的反馈质量,获取该第一评论信息的质量。
当然,还有一部分第一评论信息未被标注,服务器可以使用默认值作为这部分第一评论信息的质量,当然,这部分第一评论信息虽没有被标注,但可能已经基于相关用户账号的反馈质量计算得到了质量,则也可使用计算得到的质量,进行后续的相关用户账号的反馈质量获取过程。
下面通过一个具体示例对上述相关用户账号的反馈质量的获取过程进行说明,以反馈操作为点赞操作,不包括标注信息的第一评论信息的质量为目标质量为例,设标注的热评为Ci,i=1,2,...,N,其中,N为大于2的整数,通过人工标注方式或机器标注方式得到该N个热评的质量为Si,i=1,2,...,N,每个给评论信息点赞的用户为Uj,j=1,2,...,M,其中,M为大于2的整数。例如,对于热评Uj,如果该用户账号对k个评论信息进行过点赞,则每个点赞的评论信息的质量为Sjk,其中,如果评论信息被标注过,则Sjk=Si,如果评论信息未被标注过,则Sjk=δ,其中,δ即为目标质量。对于Uj的反馈质量Sj=sum(Sjk)/#(Sjk),其中,sum()为求和运算,#()为计数运算。例如,对于用户账号U1,该用户账号可能进行过3次点赞为C1、C5和一条未标注的热评,该三次点赞的评论信息的质量为S1、S5和δ,则该用户账号U1的反馈质量可以为该三个质量的S1、S5和δ的和值与3的比值,也即是该三个质量的平均值。在此仅以此为例进行说明,当然,用户账号的反馈质量获取过程也可以采用其他方式,本公开实施例对此不作限定。
随着时间增长,某一用户账号可能会继续对评论信息进行反馈操作,且标注过程也可能继续进行,则该相关用户账号的反馈质量还可再基于后续标注结果进行更新。该更新时机可以为标注步骤完成时,也即是,每当对一条评论信息进行标注,则该评论信息,当生成任一评论信息的标注信息时,服务器对该评论信息的相关用户账号的反馈质量进行更新。
在一种可能实现方式中,该更新过程可以为:服务器根据该相关用户账号的第二评论信息的质量和该评论信息的质量,获取该相关用户账号的更新后的反馈质量,该第二评论信息为反馈操作的进行时间在目标时间之前的第一评论信息。也即是,在目标时间,服务器可以为每个用户账号进行反馈质量的获取,在后续用户账号的反馈质量进行更新时,均可以基于目标时间之前该用户账号进行过反馈操作的评论信息和当前被标注的评论信息的质量获取,而不再考虑该目标时间和当前时间之间该用户账号进行过反馈操作的评论信息的质量,这样可以尽量减少该用户账号的反馈质量的获取过程中未被标注的评论信息的质量所占的比重,从而可以保证该用户账号的反馈质量与标注信息的一致性,提高了该用户账号的反馈质量的准确性。
在第二种情况中,服务器基于第一评论信息的质量的来源,对该第一评论信息的质量进行加权求和,得到该相关用户账号的反馈质量,该第一评论信息为该相关用户账号进行过反馈操作的评论信息。
与上述第一种情况中同理,该第一评论信息的质量可以包括不同的来源,可以基于相关用户账号的反馈质量获取得到,也可以基于标注信息得到,标注过程还可以包括不同的方式,则服务器在获取相关用户账号的反馈质量时,服务器也可以基于第一评论信息的质量的来源不同,为其赋予不同的权重,从而对第一评论信息的质量进行加权求和,例如,可以为人工标注得到的质量赋予较高的权重,为基于相关用户账号的反馈质量获取得到的质量赋予较低的权重,本公开实施例在此不多做赘述。
在步骤303中,服务器根据每个评论信息的相关用户账号的反馈质量,获取该每个评论信息的质量。
对于每个评论信息,服务器均可以根据该评论信息的相关用户账号的反馈质量,获取该评论信息的质量。当然,服务器在获取得到相关用户账号的反馈质量后,还可以采用下述任一种方式获取评论信息的质量:
方式一、服务器获取该每个评论信息的相关用户账号的反馈质量的和值,将该和值作为该每个评论信息的质量。
在该方式一中,对于一个评论信息,服务器可以将该评论信息的相关用户账号的反馈质量的和值作为该评论信息的质量,这样对该评论信息进行反馈操作的用户账号越多,该评论信息的质量越高,且为该评论信息进行反馈操作的用户账号的反馈质量越高,该评论信息的质量越高,如果为该评论信息进行反馈操作的用户账号的反馈质量均比较低,则该评论信息的质量也相对较低。这样每个评论信息的质量不单单依赖点赞数确定,还考虑到了对该评论信息进行反馈操作的用户账号的质量,得到的评论信息的质量更准确。
方式二、服务器获取该每个评论信息的相关用户账号的反馈质量的和值,获取该和值与该每个评论信息的显示次数的第一比值,将该第一比值作为该每个评论信息的质量。
在该方式二中,该服务器也可以基于评论信息被进行反馈操作的概率,来评估该评论信息的质量,具体地,服务器获取到相关用户账号的反馈质量后,可以获取该相关用户账号的反馈质量的和值,再获取该和值与显示次数的第一比值,这样既考虑到了评论信息被进行反馈操作的概率,也考虑到了用户账号的反馈质量,反馈操作次数越多,评论信息的质量越高,对于反馈操作次数相同的情况,显示次数较高的评论信息的质量则相对较低。
例如,以该反馈操作为点赞操作为例,通过该方式二中既考虑到了评论信息的被点赞率,且考虑到了点赞用户账号的反馈质量,这样得到的评论信息的质量更准确。
方式三、服务器获取该每个评论信息的相关用户账号的反馈质量的和值,获取该和值与该每个评论信息的反馈操作次数的第二比值,将该第二比值作为该每个评论信息的质量。
在该方式三中,服务器还可以用相关用户账号的反馈质量的和值和反馈操作次数作比值,除去反馈操作次数的因素,以相关用户账号的反馈质量来衡量评论信息的质量。例如,以反馈操作为点赞操作为例,两个评论信息均被点赞了4次,其中一个评论信息的四个相关用户账号的反馈质量分别为4、3、4、2,则该评论信息的质量可以为3.25,另一个评论信息的四个相关用户账号的反馈质量分别为3、1、2、1,则该另一个评论信息的质量为1.75,则很明显地,进行反馈操作的用户账号的反馈质量越高,则该评论信息的质量越高。
方式四、服务器根据每个评论信息的相关用户账号的反馈质量,获取该每个评论信息的第一质量,调用质量获取模型,将该多媒体资源和该多个评论信息输入该质量获取模型,由该质量获取模型对该多媒体资源和该多个评论信息进行特征提取,分别基于该多媒体资源的特征和每个评论信息的特征,输出该每个评论信息的第二质量,服务器可以基于该每个评论信息的该第一质量和该第二质量,获取该每个评论信息的质量。
在该方式四中,对于每个评论信息,服务器可以根据相关用户账号的反馈质量,获取评论信息的第一质量,具体地,该第一质量的获取过程可以采用上述方式一至三中任一种方式实现。为了进一步提高获取到的评论信息的质量的准确性,服务器还可以通过质量获取模型,也获取每个评论信息的第二质量,这样基于相关用户账号的反馈质量获取质量和通过质量获取模型获取质量两个角度分别获取到评论信息的质量,再综合两个角度的结果,得到评论信息的质量,使得获取到的评论信息的质量更准确。
其中,该质量获取模型可以基于多个样本多媒体资源和该多个样本多媒体资源的多个评论信息训练得到,每个评论信息可以携带有标注信息,该标注信息用于指示评论信息的质量,也即是上述步骤302中所示的标注信息,这样基于该多个样本多媒体资源和多个评论信息即可训练得到质量获取模型,从而可以通过该质量获取模型准确获取评论信息的质量。具体地,该质量获取模型可以基于模型参数对提取到的特征进行计算,得到评论信息的质量。例如,该质量获取模型可以为神经网络,该质量获取模型可以提取多媒体资源的特征和评论信息的特征,神经网络可以基于网络参数对二者的特征进行计算,得到该评论信息的质量。而上述质量获取模型的训练过程也即是训练得到上述网络参数的过程,具体过程可以参见下述图4所示实施例,本公开实施例在此不多做赘述。
上述仅以四种可能实现方式对获取评论信息的质量的过程进行了说明,本公开实施例对具体采用那种实现方式不作限定。
在步骤304中,服务器根据该多个评论信息的质量,对该多媒体资源的该多个评论信息进行排序。
服务器获取到多个评论信息的质量之后,则可以进一步对该多个评论信息进行排序,这样基于该评论信息的质量得到的各个评论信息的顺序,可以准确地体现出该多个评论信息的质量高低,基于这样的顺序对评论信息进行显示,也可以提高评论信息的显示效果,提高用户体验。
具体地,该步骤304中,服务器可以根据该多个评论信息的质量,按照质量从高到低的顺序,对该多媒体资源的多个评论信息进行排序。进一步地,如果该多个评论信息中至少两个评论信息的质量相同时,基于该至少两个评论信息的发布时间,按照从近到远的顺序,对该至少两个评论信息进行排序。
在步骤305中,服务器将该多媒体资源的排序后的该多个评论信息发送至终端,由终端根据该多个评论信息的顺序,对该多媒体资源的评论信息进行显示。
服务器对该多媒体资源的多个评论信息进行排序后,终端在需要显示该多媒体资源的评论信息时,即可向服务器请求该多媒体资源的评论信息,服务器可以向终端返回该多媒体资源的经过上述步骤排序后的多个评论信息,从而该终端即可根据该多个评论信息的顺序,对该多媒体资源的评论信息进行显示。具体地,该终端对评论信息进行显示的过程中,终端可以基于界面尺寸和评论信息的内容,按照服务器发送的排序后的评论信息的顺序,显示该多媒体资源的部分或全部评论信息。具体显示部分还是全部基于该多媒体资源的评论信息的数量、界面尺寸以及每条评论信息的内容确定,本公开实施例对此不作限定。
本公开实施例通过评论信息的相关用户账号的反馈质量,来评估评论信息的质量,从而基于评论信息的质量,对多媒体资源的评论信息进行排序,这样得到的多媒体资源的评论信息的顺序考虑到了用户对评论信息的反馈,也即是考虑到了用户偏好,也考虑到了用户的质量,因而得到的评论信息的顺序更能准确反映出评论信息的质量,准确性高。
上述图3所示实施例中提供了两种方法,服务器可以基于相关用户账号的反馈质量,获取评论信息的质量,也可以综合基于相关用户账号的反馈质量和基于质量获取模型两种方式获取评论信息的质量,在一种可能实现方式中,还有一种评论信息排序方法,在这种方法中,服务器可以直接基于质量获取模型获取评论信息的质量。具体可以参见下述图4所示实施例。
图4是根据一示例性实施例示出的一种评论信息排序方法的流程图,如图4所示,该评论信息排序方法应用于服务器中,包括以下步骤:
在步骤401中,服务器获取多个样本多媒体资源和该多个样本多媒体资源的多个评论信息,每个评论信息携带有标注信息,该标注信息用于指示评论信息的质量。
其中,该标注信息的获取方式同上述步骤302中所示的内容同理,该标注信息的获取方式可以包括人工标注和自动标注两种方式,具体可以采用任一种或两种方式的组合方式实现该标注信息的获取过程。
具体地,人工标注方式:服务器获取输入或已选中的质量,基于该输入或已选中的质量,生成该评论信息的标注信息,该输入或已选中的质量基于该评论信息与该多媒体资源的关联程度和该评论信息的利害确定。
自动标注方式:服务器将该评论信息与目标评论信息进行匹配,基于匹配到的目标评论信息的质量,生成该评论信息的标注信息,该目标评论信息已标注有质量的评论信息。
需要说明的是,该多个样本多媒体资源的资源类型可以包括多种,例如,视频资源、音频资源、图片资源或文字资源等,这样基于多种资源类型的样本训练得到的质量获取模型可以对该多种资源类型的多媒体资源进行质量获取过程,当然,该多个样本多媒体资源的资源类型也可以包括一种,这样得到的质量获取模型可以针对一种多媒体资源进行质量获取,本公开实施例对该多个样本多媒体资源的资源类型不作限定。在一种可能实现方式中,对于每种资源类型,该多个样本多媒体资源中还可以包括多种类型,例如,对于视频资源,该多个样本多媒体资源中可以包括风景、电影、教育等等,则样本多媒体资源的涵盖范围较广,质量获取模型即可以更准确地对各种多媒体资源进行质量获取。
在步骤402中,服务器调用初始模型,基于该多个样本多媒体资源、该多个样本多媒体资源的多个评论信息和该每个评论信息携带的标注信息,对初始模型进行训练,得到质量获取模型。
该初始模型可以存储于该服务器中,在该服务器需要进行模型训练时调用即可,该初始模型也可以存储于其他服务器中,服务器可以从其他服务器处调用该初始模型。该初始模型中模型参数为初始值,该初始模型未经过样本多媒体资源训练,则通过该初始模型对多媒体资源进行质量获取时得到的结果可能不准确,因而需要通过上述步骤401中获取到的样本多媒体资源对该初始模型进行训练,在该训练过程中可以基于训练过程中初始模型得到的预测质量与真实质量之间的误差,对初始模型的模型参数进行调整,直到符合目标条件时,停止调整,得到质量获取模型,该真实质量即为该标注信息所指示的评论信息的质量。
具体地,该步骤402可以包括步骤A至步骤E,通过多次迭代,训练得到模型参数:
在步骤A中,服务器调用初始模型,将该多个样本多媒体资源和该多个样本多媒体资源的多个评论信息输入该初始模型中。
在步骤B中,服务器通过该初始模型分别对该多个样本多媒体资源和该多个评论信息进行特征提取,得到该多个样本多媒体资源的特征和该多个评论信息的特征。
具体地,该步骤B中服务器可以基于任一种特征提取方式对该多个样本多媒体资源和该多个评论信息进行特征提取,当然,该特征提取过程也可以由服务器基于样本多媒体资源的资源类型,或该多个评论信息的类型,采用该资源类型或该类型对应的特征提取方式进行特征提取,本公开实施例对此不作限定,在此也不多做赘述。
在步骤C中,服务器通过该初始模型基于模型参数对该多个样本多媒体资源的特征和该多个评论信息的特征进行计算,输出每个评论信息的预测质量。
在该步骤C中,对于每个样本多媒体资源,服务器通过该初始模型基于模型参数对该样本多媒体资源的特征和该样本多媒体资源的多个评论信息的特征进行计算,输入该样本多媒体资源的每个评论信息的预测质量。
在步骤D中,服务器通过该初始模型基于每个评论信息的预测质量和该每个评论信息携带的标注信息,获取每个评论信息的质量误差。
在该步骤D中,服务器可以读取每个评论信息的标注信息中的真实质量,基于该预测质量和真实质量,获取质量误差,具体地,该步骤D可以采用损失函数实现,例如,交叉熵损失函数(Cross Entropy Loss Function)或归一化指数损失函数(Softmax LossFunction),当然也可以是其它损失函数,本公开实施例对该损失函数的具体类型不作限定。
在步骤E中,服务器基于该每个评论信息的质量误差,对初始模型的模型参数进行调整,直到符合目标条件时,停止调整,得到质量获取模型。
其中,该目标条件可以为该质量误差收敛,或迭代次数达到预设次数。其中,该预设次数可以由相关技术人员预先设置,也可以采用交叉验证的方式确定,本公开实施例对该预设次数的取值不作限定。当然,上述模型训练过程可以基于梯度下降算法确定是否符合目标条件,也即是确定质量误差是否收敛,也可以通过其他方式确定,本公开实施例对此不作限定。
需要说明的是,上述通过分别提取多媒体资源和评论信息的特征,并基于标注了评论信息的真实质量,通过上述学习过程学习得到评论信息的特征和多媒体资源的特征与真实质量的映射关系,这样后续质量获取模型即可基于学习到的上述映射关系,自行判断多媒体资源的某个评论信息的质量。
在步骤403中,当获取多媒体资源和该多媒体资源的多个评论信息时,服务器调用质量获取模型,将该多媒体资源和该多个评论信息输入该质量获取模型,由该质量获取模型对该多媒体资源和该多个评论信息进行特征提取,分别基于该多媒体资源的特征和每个评论信息的特征,输出该每个评论信息的质量。
上述质量获取模型训练得到之后,该服务器在需要对多媒体资源的评论信息进行质量获取时,即可调用上述训练得到的质量获取模型。在一种可能实现方式中,上述模型训练过程还可以在其他服务器中进行,该服务器在需要进行质量获取时,从其他服务器处调用质量获取模型。
在该步骤403中,服务器调用质量获取模型后,将多媒体资源和评论信息输入质量获取模型中,该质量获取模型可以对多媒体资源和该多个评论信息进行特征提取,提取特征后,对于每个评论信息,质量获取模型可以基于训练得到的模型参数对该评论信息的特征和多媒体资源的特征进行计算,得到该评论信息的质量并输出该质量。
在步骤404中,服务器根据该多个评论信息的质量,对该多媒体资源的该多个评论信息进行排序。
具体地,该步骤404中与步骤304同理,服务器可以根据该多个评论信息的质量,按照质量从高到低的顺序,对该多媒体资源的该多个评论信息进行排序。进一步地,如果该多个评论信息中至少两个评论信息的质量相同时,基于该至少两个评论信息的发布时间,按照从近到远的顺序,对该至少两个评论信息进行排序。
在步骤405中,服务器将该多媒体资源的排序后的该多个评论信息发送至终端,由终端根据该多个评论信息的顺序,对该多媒体资源的评论信息进行显示。
该步骤405与上述步骤305同理,在此不多做赘述。
本公开实施例通过样本多媒体资源和对应的评论信息对初始模型进行训练得到质量获取模型,基于该质量获取模型可以对多媒体资源和评论信息进行特征提取,基于训练得到的知识,可以对多媒体资源的特征和评论信息的特征进行计算得到评论信息的质量,从而对评论信息进行排序,该质量获取过程中不是对评论信息被用户进行反馈操作或该评论信息的发布者的信用度来评估质量,不单单对评论信息进行分析,还考虑到了评论信息和多媒体资源之间的关系,因而得到的评论信息的质量更准确,从而基于该评论信息的质量进行排序得到的评论信息的顺序也更准确。
图5是根据一示例性实施例示出的一种评论信息排序装置的框图。参照图5,该装置包括:
信息获取模块501,被配置为执行获取多媒体资源的多个评论信息;
质量获取模块502,被配置为执行根据每个评论信息的相关用户账号的反馈质量,获取该每个评论信息的质量,该每个评论信息的相关用户账号为对该评论信息进行反馈操作的用户账号,该相关用户账号的反馈质量基于该相关用户账号进行过反馈操作的评论信息的质量确定;
顺序获取模块503,被配置为执行根据该多个评论信息的质量,对该多媒体资源的该多个评论信息进行排序。
在一种可能实施方式中,该质量获取模块502被配置为执行获取该每个评论信息的相关用户账号的反馈质量的和值,将该和值作为该每个评论信息的质量。
在一种可能实施方式中,该质量获取模块502被配置为执行:
获取该每个评论信息的相关用户账号的反馈质量的和值;
获取该和值与该每个评论信息的显示次数的第一比值,将该第一比值作为该每个评论信息的质量。
在一种可能实施方式中,该质量获取模块502被配置为执行:
获取该每个评论信息的相关用户账号的反馈质量的和值;
获取该和值与该每个评论信息的反馈操作次数的第二比值,将该第二比值作为该每个评论信息的质量。
在一种可能实施方式中,该质量获取模块502被配置为执行:
根据每个评论信息的相关用户账号的反馈质量,获取该每个评论信息的第一质量;
调用质量获取模型,将该多媒体资源和该多个评论信息输入该质量获取模型,由该质量获取模型对该多媒体资源和该多个评论信息进行特征提取,分别基于该多媒体资源的特征和每个评论信息的特征,输出该每个评论信息的第二质量;
基于该每个评论信息的该第一质量和该第二质量,获取该每个评论信息的质量。
在一种可能实施方式中,该质量获取模块502还被配置为执行获取第一评论信息的质量的平均值作为该相关用户账号的反馈质量,该第一评论信息为该相关用户账号进行过反馈操作的评论信息;或,
该质量获取模块502还被配置为执行基于第一评论信息的质量的来源,对该第一评论信息的质量进行加权求和,得到该相关用户账号的反馈质量,该第一评论信息为该相关用户账号进行过反馈操作的评论信息。
在一种可能实施方式中,该质量获取模块502还被配置为执行当该第一评论信息包括标注信息时,获取该标注信息所指示的该第一评论信息的质量。
在一种可能实施方式中,该质量获取模块502还被配置为执行当该第一评论信息不包括标注信息时,获取目标质量作为该第一评论信息的质量;或,
该质量获取模块502还被配置为执行当该第一评论信息不包括标注信息时,基于该第一评论信息的相关用户账号的反馈质量,获取该第一评论信息的质量。
在一种可能实施方式中,该信息获取模块501还被配置为执行:
获取反馈操作次数大于目标次数的第一评论信息;
标注该第一评论信息的质量,得到该第一评论信息的标注信息。
在一种可能实施方式中,该信息获取模块501还被配置为执行获取输入或已选中的质量,基于该输入或已选中的质量,生成该第一评论信息的标注信息,该输入或已选中的质量基于该第一评论信息与该多媒体资源的关联程度和该第一评论信息的利害确定;或,
该信息获取模块501还被配置为执行将该第一评论信息与目标评论信息进行匹配,基于匹配到的目标评论信息的质量,生成该第一评论信息的标注信息,该目标评论信息已标注有质量的评论信息。
在一种可能实施方式中,该装置还包括:
更新模块,被配置为执行当生成任一评论信息的标注信息时,对该评论信息的相关用户账号的反馈质量进行更新。
在一种可能实施方式中,该更新模块被配置为执行根据该相关用户账号的第二评论信息的质量和该评论信息的质量,获取该相关用户账号的更新后的反馈质量,该第二评论信息为反馈操作的进行时间在目标时间之前的第一评论信息。
在一种可能实施方式中,该顺序获取模块503被配置为执行根据该多个评论信息的质量,按照质量从高到低的顺序,对该多媒体资源的该多个评论信息进行排序。
在一种可能实施方式中,该反馈操作为点赞操作或回复操作。
本公开实施例提供的装置,通过评论信息的相关用户账号的反馈质量,来评估评论信息的质量,从而基于评论信息的质量,对多媒体资源的评论信息进行排序,这样得到的多媒体资源的评论信息的顺序考虑到了用户对评论信息的反馈,也即是考虑到了用户偏好,也考虑到了用户的质量,因而得到的评论信息的顺序更能准确反映出评论信息的质量,准确性高。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
图6是根据一示例性实施例示出的一种评论信息排序装置的框图。参照图6,该装置包括:
样本获取模块601,被配置为执行获取多个样本多媒体资源和该多个样本多媒体资源的多个评论信息,每个评论信息携带有标注信息,该标注信息用于指示评论信息的质量;
模型训练模块602,被配置为执行调用初始模型,基于该多个样本多媒体资源、该多个样本多媒体资源的多个评论信息和该每个评论信息携带的标注信息,对初始模型进行训练,得到质量获取模型;
质量获取模块603,还被配置为执行当获取多媒体资源和该多媒体资源的多个评论信息时,调用质量获取模型,将该多媒体资源和该多个评论信息输入该质量获取模型,由该质量获取模型对该多媒体资源和该多个评论信息进行特征提取,分别基于该多媒体资源的特征和每个评论信息的特征,输出该每个评论信息的质量;
顺序获取模块604,被配置为执行根据该多个评论信息的质量,对该多媒体资源的该多个评论信息进行排序。
在一种可能实施方式中,该样本获取模块601被配置为执行获取输入或已选中的质量,基于该输入或已选中的质量,生成该评论信息的标注信息,该输入或已选中的质量基于该评论信息与该多媒体资源的关联程度和该评论信息的利害确定;或,
该样本获取模块601被配置为执行将该评论信息与目标评论信息进行匹配,基于匹配到的目标评论信息的质量,生成该评论信息的标注信息,该目标评论信息已标注有质量的评论信息。
本公开实施例提供的装置,通过样本多媒体资源和对应的评论信息对初始模型进行训练得到质量获取模型,基于该质量获取模型可以对多媒体资源和评论信息进行特征提取,基于训练得到的知识,可以对多媒体资源的特征和评论信息的特征进行计算得到评论信息的质量,从而对评论信息进行排序,该质量获取过程中不是对评论信息被用户进行反馈操作或该评论信息的发布者的信用度来评估质量,不单单对评论信息进行分析,还考虑到了评论信息和多媒体资源之间的关系,因而得到的评论信息的质量更准确,从而基于该评论信息的质量进行排序得到的评论信息的顺序也更准确。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
图7是根据一示例性实施例示出的一种服务器的结构示意图,该服务器700可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(centralprocessing units,CPU)701和一个或一个以上的存储器702,其中,该存储器702中存储有至少一条指令,该至少一条指令由该处理器701加载并执行以实现上述各个方法实施例提供的评论信息排序方法,在一个具体的实施例中,该方法包括:
获取多媒体资源的多个评论信息;
根据每个评论信息的相关用户账号的反馈质量,获取该每个评论信息的质量,该每个评论信息的相关用户账号为对该评论信息进行反馈操作的用户账号,该相关用户账号的反馈质量基于该相关用户账号进行过反馈操作的评论信息的质量确定;
根据该多个评论信息的质量,对该多媒体资源的该多个评论信息进行排序。
在另一个具体的实施例中,该方法包括:
获取多个样本多媒体资源和该多个样本多媒体资源的多个评论信息,每个评论信息携带有标注信息,该标注信息用于指示评论信息的质量;
调用初始模型,基于该多个样本多媒体资源、该多个样本多媒体资源的多个评论信息和该每个评论信息携带的标注信息,对初始模型进行训练,得到质量获取模型;
当获取多媒体资源和该多媒体资源的多个评论信息时,调用质量获取模型,将该多媒体资源和该多个评论信息输入该质量获取模型,由该质量获取模型对该多媒体资源和该多个评论信息进行特征提取,分别基于该多媒体资源的特征和每个评论信息的特征,输出该每个评论信息的质量;
根据该多个评论信息的质量,对该多媒体资源的该多个评论信息进行排序。
当然,该服务器700还可以具有有线或无线网络接口、键盘以及输入输出接口等部件,以便进行输入输出,该服务器700还可以包括其他用于实现设备功能的部件,在此不做赘述。
在示例性实施例中,还提供了一种计算机可读存储介质,例如包括指令的存储器,上述指令可由处理器执行以完成上述实施例中的评论信息排序方法,在一个具体的实施例中,该方法包括:
获取多媒体资源的多个评论信息;
根据每个评论信息的相关用户账号的反馈质量,获取该每个评论信息的质量,该每个评论信息的相关用户账号为对该评论信息进行反馈操作的用户账号,该相关用户账号的反馈质量基于该相关用户账号进行过反馈操作的评论信息的质量确定;
根据该多个评论信息的质量,对该多媒体资源的该多个评论信息进行排序。
在另一个具体的实施例中,该方法包括:
获取多个样本多媒体资源和该多个样本多媒体资源的多个评论信息,每个评论信息携带有标注信息,该标注信息用于指示评论信息的质量;
调用初始模型,基于该多个样本多媒体资源、该多个样本多媒体资源的多个评论信息和该每个评论信息携带的标注信息,对初始模型进行训练,得到质量获取模型;
当获取多媒体资源和该多媒体资源的多个评论信息时,调用质量获取模型,将该多媒体资源和该多个评论信息输入该质量获取模型,由该质量获取模型对该多媒体资源和该多个评论信息进行特征提取,分别基于该多媒体资源的特征和每个评论信息的特征,输出该每个评论信息的质量;
根据该多个评论信息的质量,对该多媒体资源的该多个评论信息进行排序。
例如,该计算机可读存储介质可以是只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、只读光盘(Compact Disc Read-Only Memory,CD-ROM)、磁带、软盘和光数据存储设备等。
在示例性实施例中,还提供了一种应用程序,包括一条或多条指令,该一条或多条指令可以由终端的处理器执行,以完成上述实施例中提供的评论信息排序方法的方法步骤,在一个具体的实施例中,该方法步骤可以包括:
获取多媒体资源的多个评论信息;
根据每个评论信息的相关用户账号的反馈质量,获取该每个评论信息的质量,该每个评论信息的相关用户账号为对该评论信息进行反馈操作的用户账号,该相关用户账号的反馈质量基于该相关用户账号进行过反馈操作的评论信息的质量确定;
根据该多个评论信息的质量,对该多媒体资源的该多个评论信息进行排序。
在另一个具体的实施例中,该方法步骤可以包括:
获取多个样本多媒体资源和该多个样本多媒体资源的多个评论信息,每个评论信息携带有标注信息,该标注信息用于指示评论信息的质量;
调用初始模型,基于该多个样本多媒体资源、该多个样本多媒体资源的多个评论信息和该每个评论信息携带的标注信息,对初始模型进行训练,得到质量获取模型;
当获取多媒体资源和该多媒体资源的多个评论信息时,调用质量获取模型,将该多媒体资源和该多个评论信息输入该质量获取模型,由该质量获取模型对该多媒体资源和该多个评论信息进行特征提取,分别基于该多媒体资源的特征和每个评论信息的特征,输出该每个评论信息的质量;
根据该多个评论信息的质量,对该多媒体资源的该多个评论信息进行排序。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (18)
1.一种评论信息排序方法,其特征在于,包括:
获取多媒体资源的多个评论信息;
根据每个评论信息的相关用户账号的反馈质量,获取所述每个评论信息的质量,所述每个评论信息的相关用户账号为对所述评论信息进行反馈操作的用户账号,所述相关用户账号的反馈质量为第一评论信息的质量的平均值,或,所述相关用户账号的反馈质量基于所述第一评论信息的来源,对所述第一评论信息的质量进行加权求和得到,所述第一评论信息为所述相关用户账号进行过反馈操作的评论信息,所述反馈操作为点赞操作、回复操作或转发操作;
根据所述多个评论信息的质量,对所述多媒体资源的所述多个评论信息进行排序;
其中,所述根据每个评论信息的相关用户账号的反馈质量,获取所述每个评论信息的质量,包括:
获取所述每个评论信息的相关用户账号的反馈质量的和值,将所述和值作为所述每个评论信息的质量;或者,
获取所述每个评论信息的相关用户账号的反馈质量的和值;获取所述和值与所述每个评论信息的显示次数的第一比值,将所述第一比值作为所述每个评论信息的质量;或者,
获取所述每个评论信息的相关用户账号的反馈质量的和值;获取所述和值与所述每个评论信息的反馈操作次数的第二比值,将所述第二比值作为所述每个评论信息的质量;或者,
根据每个评论信息的相关用户账号的反馈质量,获取所述每个评论信息的第一质量;调用质量获取模型,将所述多媒体资源和所述多个评论信息输入所述质量获取模型,由所述质量获取模型对所述多媒体资源和所述多个评论信息进行特征提取,分别基于所述多媒体资源的特征和每个评论信息的特征,输出所述每个评论信息的第二质量;基于所述每个评论信息的所述第一质量和所述第二质量,获取所述每个评论信息的质量;
其中,所述第一评论信息的质量的获取过程包括:
当所述第一评论信息包括标注信息时,获取所述标注信息所指示的所述第一评论信息的质量;或者,
当所述第一评论信息不包括所述标注信息时,获取目标质量作为所述第一评论信息的质量;或者,
当所述第一评论信息不包括所述标注信息时,基于所述第一评论信息的相关用户账号的反馈质量,获取所述第一评论信息的质量。
2.根据权利要求1所述的评论信息排序方法,其特征在于,所述第一评论信息的标注信息的获取过程包括:
获取反馈操作次数大于目标次数的第一评论信息;
标注所述第一评论信息的质量,得到所述第一评论信息的标注信息。
3.根据权利要求2所述的评论信息排序方法,其特征在于,所述标注所述第一评论信息的质量,得到所述第一评论信息的标注信息,包括:
获取输入或已选中的质量,基于所述输入或已选中的质量,生成所述第一评论信息的标注信息,所述输入或已选中的质量基于所述第一评论信息与所述多媒体资源的关联程度和所述第一评论信息的利害确定;或,
将所述第一评论信息与目标评论信息进行匹配,基于匹配到的目标评论信息的质量,生成所述第一评论信息的标注信息,所述目标评论信息为已标注有质量的评论信息。
4.根据权利要求1所述的评论信息排序方法,其特征在于,所述方法还包括:
当生成任一评论信息的标注信息时,对所述评论信息的相关用户账号的反馈质量进行更新。
5.根据权利要求4所述的评论信息排序方法,其特征在于,所述对所述评论信息的相关用户账号的反馈质量进行更新,包括:
根据所述相关用户账号的第二评论信息的质量和所述评论信息的质量,获取所述相关用户账号的更新后的反馈质量,所述第二评论信息为反馈操作的进行时间在目标时间之前的第一评论信息。
6.根据权利要求1所述的评论信息排序方法,其特征在于,所述根据所述多个评论信息的质量,对所述多媒体资源的所述多个评论信息进行排序,包括:
根据所述多个评论信息的质量,按照质量从高到低的顺序,对所述多媒体资源的所述多个评论信息进行排序。
7.一种评论信息排序方法,其特征在于,包括:
获取多个样本多媒体资源和所述多个样本多媒体资源的多个评论信息,每个评论信息携带有标注信息,所述标注信息用于指示评论信息的质量;
调用初始模型,基于所述多个样本多媒体资源、所述多个样本多媒体资源的多个评论信息和所述每个评论信息携带的标注信息,对初始模型进行训练,得到质量获取模型;
当获取多媒体资源和所述多媒体资源的多个评论信息时,调用质量获取模型,将所述多媒体资源和所述多个评论信息输入所述质量获取模型,由所述质量获取模型对所述多媒体资源和所述多个评论信息进行特征提取,分别基于所述多媒体资源的特征和每个评论信息的特征,输出所述每个评论信息的质量;
根据所述多个评论信息的质量,对所述多媒体资源的所述多个评论信息进行排序;
其中,所述每个评论信息的标注信息的获取方式还包括:
基于输入或已选中的质量生成所述每个评论信息的标注信息,所述输入或已选中的质量基于所述评论信息与所述多媒体资源的关联程度和所述评论信息的利害确定,所述已选中的质量为预先设置好的评论信息对应的质量分值中被选中的质量分值;或者,
将所述评论信息与目标评论信息进行匹配,基于匹配到的目标评论信息的质量,生成所述评论信息的标注信息,所述目标评论信息为从标注过的评论信息中挑选出的评论信息,且所述目标评论信息为涵盖多种类型的多媒体资源的评论信息。
8.一种评论信息排序装置,其特征在于,包括:
信息获取模块,被配置为执行获取多媒体资源的多个评论信息;
质量获取模块,被配置为执行根据每个评论信息的相关用户账号的反馈质量,获取所述每个评论信息的质量,所述每个评论信息的相关用户账号为对所述评论信息进行反馈操作的用户账号,所述相关用户账号的反馈质量为第一评论信息的质量的平均值,或,所述相关用户账号的反馈质量基于所述第一评论信息的来源,对所述第一评论信息的质量进行加权求和得到,所述第一评论信息为所述相关用户账号进行过反馈操作的评论信息,所述反馈操作为点赞操作、回复操作或转发操作;
顺序获取模块,被配置为执行根据所述多个评论信息的质量,对所述多媒体资源的所述多个评论信息进行排序;
其中,所述质量获取模块被配置为执行获取所述每个评论信息的相关用户账号的反馈质量的和值,将所述和值作为所述每个评论信息的质量;或者,
所述质量获取模块被配置为执行:获取所述每个评论信息的相关用户账号的反馈质量的和值;获取所述和值与所述每个评论信息的显示次数的第一比值,将所述第一比值作为所述每个评论信息的质量;或者,
所述质量获取模块被配置为执行:获取所述每个评论信息的相关用户账号的反馈质量的和值;获取所述和值与所述每个评论信息的反馈操作次数的第二比值,将所述第二比值作为所述每个评论信息的质量;或者,
所述质量获取模块被配置为执行:根据每个评论信息的相关用户账号的反馈质量,获取所述每个评论信息的第一质量;调用质量获取模型,将所述多媒体资源和所述多个评论信息输入所述质量获取模型,由所述质量获取模型对所述多媒体资源和所述多个评论信息进行特征提取,分别基于所述多媒体资源的特征和每个评论信息的特征,输出所述每个评论信息的第二质量;基于所述每个评论信息的所述第一质量和所述第二质量,获取所述每个评论信息的质量;
其中,所述质量获取模块还被配置为执行当所述第一评论信息包括标注信息时,获取所述标注信息所指示的所述第一评论信息的质量;或者,
所述质量获取模块还被配置为执行当所述第一评论信息不包括所述标注信息时,获取目标质量作为所述第一评论信息的质量;或者,
所述质量获取模块还被配置为执行当所述第一评论信息不包括所述标注信息时,基于所述第一评论信息的相关用户账号的反馈质量,获取所述第一评论信息的质量。
9.根据权利要求8所述的评论信息排序装置,其特征在于,所述信息获取模块还被配置为执行:
获取反馈操作次数大于目标次数的第一评论信息;
标注所述第一评论信息的质量,得到所述第一评论信息的标注信息。
10.根据权利要求9所述的评论信息排序装置,其特征在于,所述信息获取模块还被配置为执行获取输入或已选中的质量,基于所述输入或已选中的质量,生成所述第一评论信息的标注信息,所述输入或已选中的质量基于所述第一评论信息与所述多媒体资源的关联程度和所述第一评论信息的利害确定;或,
所述信息获取模块还被配置为执行将所述第一评论信息与目标评论信息进行匹配,基于匹配到的目标评论信息的质量,生成所述第一评论信息的标注信息,所述目标评论信息为已标注有质量的评论信息。
11.根据权利要求8所述的评论信息排序装置,其特征在于,所述装置还包括:
更新模块,被配置为执行当生成任一评论信息的标注信息时,对所述评论信息的相关用户账号的反馈质量进行更新。
12.根据权利要求11所述的评论信息排序装置,其特征在于,所述更新模块被配置为执行根据所述相关用户账号的第二评论信息的质量和所述评论信息的质量,获取所述相关用户账号的更新后的反馈质量,所述第二评论信息为反馈操作的进行时间在目标时间之前的第一评论信息。
13.根据权利要求8所述的评论信息排序装置,其特征在于,所述顺序获取模块被配置为执行根据所述多个评论信息的质量,按照质量从高到低的顺序,对所述多媒体资源的所述多个评论信息进行排序。
14.一种评论信息排序装置,其特征在于,包括:
样本获取模块,被配置为执行获取多个样本多媒体资源和所述多个样本多媒体资源的多个评论信息,每个评论信息携带有标注信息,所述标注信息用于指示评论信息的质量;
模型训练模块,被配置为执行调用初始模型,基于所述多个样本多媒体资源、所述多个样本多媒体资源的多个评论信息和所述每个评论信息携带的标注信息,对初始模型进行训练,得到质量获取模型;
质量获取模块,还被配置为执行当获取多媒体资源和所述多媒体资源的多个评论信息时,调用质量获取模型,将所述多媒体资源和所述多个评论信息输入所述质量获取模型,由所述质量获取模型对所述多媒体资源和所述多个评论信息进行特征提取,分别基于所述多媒体资源的特征和每个评论信息的特征,输出所述每个评论信息的质量;
顺序获取模块,被配置为执行根据所述多个评论信息的质量,对所述多媒体资源的所述多个评论信息进行排序;
其中,所述样本获取模块被配置为基于输入或已选中的质量生成所述标注信息,所述输入或已选中的质量基于所述评论信息与所述多媒体资源的关联程度和所述评论信息的利害确定,所述已选中的质量为预先设置好的评论信息对应的质量分值中被选中的质量分值;或者,
执行将所述评论信息与目标评论信息进行匹配,基于匹配到的目标评论信息的质量,生成所述评论信息的标注信息,所述目标评论信息为从标注过的评论信息中挑选出的评论信息,且所述目标评论信息为涵盖多种类型的多媒体资源的评论信息。
15.一种服务器,其特征在于,包括:
一个或多个处理器;
用于存储一个或多个处理器可执行指令的一个或多个存储器;
其中,所述一个或多个处理器被配置为:
获取多媒体资源的多个评论信息;
根据每个评论信息的相关用户账号的反馈质量,获取所述每个评论信息的质量,所述每个评论信息的相关用户账号为对所述评论信息进行反馈操作的用户账号,所述相关用户账号的反馈质量为第一评论信息的质量的平均值,或,所述相关用户账号的反馈质量基于所述第一评论信息的来源,对所述第一评论信息的质量进行加权求和得到,所述第一评论信息为所述相关用户账号进行过反馈操作的评论信息,所述反馈操作为点赞操作、回复操作或转发操作;
根据所述多个评论信息的质量,对所述多媒体资源的所述多个评论信息进行排序;
其中,所述根据每个评论信息的相关用户账号的反馈质量,获取所述每个评论信息的质量,包括:
获取所述每个评论信息的相关用户账号的反馈质量的和值,将所述和值作为所述每个评论信息的质量;或者,
获取所述每个评论信息的相关用户账号的反馈质量的和值;获取所述和值与所述每个评论信息的显示次数的第一比值,将所述第一比值作为所述每个评论信息的质量;或者,
获取所述每个评论信息的相关用户账号的反馈质量的和值;获取所述和值与所述每个评论信息的反馈操作次数的第二比值,将所述第二比值作为所述每个评论信息的质量;或者,
根据每个评论信息的相关用户账号的反馈质量,获取所述每个评论信息的第一质量;调用质量获取模型,将所述多媒体资源和所述多个评论信息输入所述质量获取模型,由所述质量获取模型对所述多媒体资源和所述多个评论信息进行特征提取,分别基于所述多媒体资源的特征和每个评论信息的特征,输出所述每个评论信息的第二质量;基于所述每个评论信息的所述第一质量和所述第二质量,获取所述每个评论信息的质量;
其中,所述第一评论信息的质量的获取过程包括:
当所述第一评论信息包括标注信息时,获取所述标注信息所指示的所述第一评论信息的质量;或者,
当所述第一评论信息不包括所述标注信息时,获取目标质量作为所述第一评论信息的质量;或者,
当所述第一评论信息不包括所述标注信息时,基于所述第一评论信息的相关用户账号的反馈质量,获取所述第一评论信息的质量。
16.一种服务器,其特征在于,包括:
一个或多个处理器;
用于存储一个或多个处理器可执行指令的一个或多个存储器;
其中,所述一个或多个处理器被配置为:
获取多个样本多媒体资源和所述多个样本多媒体资源的多个评论信息,每个评论信息携带有标注信息,所述标注信息用于指示评论信息的质量;
调用初始模型,基于所述多个样本多媒体资源、所述多个样本多媒体资源的多个评论信息和所述每个评论信息携带的标注信息,对初始模型进行训练,得到质量获取模型;
当获取多媒体资源和所述多媒体资源的多个评论信息时,调用质量获取模型,将所述多媒体资源和所述多个评论信息输入所述质量获取模型,由所述质量获取模型对所述多媒体资源和所述多个评论信息进行特征提取,分别基于所述多媒体资源的特征和每个评论信息的特征,输出所述每个评论信息的质量;
根据所述多个评论信息的质量,对所述多媒体资源的所述多个评论信息进行排序;
其中,所述每个评论信息的标注信息的获取方式还包括:
基于输入或已选中的质量生成所述每个评论信息的标注信息,所述输入或已选中的质量基于所述评论信息与所述多媒体资源的关联程度和所述评论信息的利害确定,所述已选中的质量为预先设置好的评论信息对应的质量分值中被选中的质量分值;或者
将所述评论信息与目标评论信息进行匹配,基于匹配到的目标评论信息的质量,生成所述评论信息的标注信息,所述目标评论信息为从标注过的评论信息中挑选出的评论信息,且所述目标评论信息为涵盖多种类型的多媒体资源的评论信息。
17.一种非临时性计算机可读存储介质,其特征在于,当所述存储介质中的指令由服务器的处理器执行时,使得服务器能够执行一种评论信息排序方法,所述方法包括:
获取多媒体资源的多个评论信息;
根据每个评论信息的相关用户账号的反馈质量,获取所述每个评论信息的质量,所述每个评论信息的相关用户账号为对所述评论信息进行反馈操作的用户账号,所述相关用户账号的反馈质量为第一评论信息的质量的平均值,或,所述相关用户账号的反馈质量基于所述第一评论信息的来源,对所述第一评论信息的质量进行加权求和得到,所述第一评论信息为所述相关用户账号进行过反馈操作的评论信息,所述反馈操作为点赞操作、回复操作或转发操作;
根据所述多个评论信息的质量,对所述多媒体资源的所述多个评论信息进行排序;
其中,所述根据每个评论信息的相关用户账号的反馈质量,获取所述每个评论信息的质量,包括:
获取所述每个评论信息的相关用户账号的反馈质量的和值,将所述和值作为所述每个评论信息的质量;或者,
获取所述每个评论信息的相关用户账号的反馈质量的和值;获取所述和值与所述每个评论信息的显示次数的第一比值,将所述第一比值作为所述每个评论信息的质量;或者,
获取所述每个评论信息的相关用户账号的反馈质量的和值;获取所述和值与所述每个评论信息的反馈操作次数的第二比值,将所述第二比值作为所述每个评论信息的质量;或者,
根据每个评论信息的相关用户账号的反馈质量,获取所述每个评论信息的第一质量;调用质量获取模型,将所述多媒体资源和所述多个评论信息输入所述质量获取模型,由所述质量获取模型对所述多媒体资源和所述多个评论信息进行特征提取,分别基于所述多媒体资源的特征和每个评论信息的特征,输出所述每个评论信息的第二质量;基于所述每个评论信息的所述第一质量和所述第二质量,获取所述每个评论信息的质量;
其中,所述第一评论信息的质量的获取过程包括:
当所述第一评论信息包括标注信息时,获取所述标注信息所指示的所述第一评论信息的质量;或者,
当所述第一评论信息不包括所述标注信息时,获取目标质量作为所述第一评论信息的质量;或者,
当所述第一评论信息不包括所述标注信息时,基于所述第一评论信息的相关用户账号的反馈质量,获取所述第一评论信息的质量。
18.一种非临时性计算机可读存储介质,其特征在于,当所述存储介质中的指令由服务器的处理器执行时,使得服务器能够执行一种评论信息排序方法,所述方法包括:
获取多个样本多媒体资源和所述多个样本多媒体资源的多个评论信息,每个评论信息携带有标注信息,所述标注信息用于指示评论信息的质量;
调用初始模型,基于所述多个样本多媒体资源、所述多个样本多媒体资源的多个评论信息和所述每个评论信息携带的标注信息,对初始模型进行训练,得到质量获取模型;
当获取多媒体资源和所述多媒体资源的多个评论信息时,调用质量获取模型,将所述多媒体资源和所述多个评论信息输入所述质量获取模型,由所述质量获取模型对所述多媒体资源和所述多个评论信息进行特征提取,分别基于所述多媒体资源的特征和每个评论信息的特征,输出所述每个评论信息的质量;
根据所述多个评论信息的质量,对所述多媒体资源的所述多个评论信息进行排序;
其中,所述每个评论信息的标注信息的获取方式还包括:
基于输入或已选中的质量生成所述每个评论信息的标注信息,所述输入或已选中的质量基于所述评论信息与所述多媒体资源的关联程度和所述评论信息的利害确定,所述已选中的质量为预先设置好的评论信息对应的质量分值中被选中的质量分值;或者
将所述评论信息与目标评论信息进行匹配,基于匹配到的目标评论信息的质量,生成所述评论信息的标注信息,所述目标评论信息为从标注过的评论信息中挑选出的评论信息,且所述目标评论信息为涵盖多种类型的多媒体资源的评论信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811314047.XA CN109471981B (zh) | 2018-11-06 | 2018-11-06 | 评论信息排序方法、装置、服务器及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811314047.XA CN109471981B (zh) | 2018-11-06 | 2018-11-06 | 评论信息排序方法、装置、服务器及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109471981A CN109471981A (zh) | 2019-03-15 |
CN109471981B true CN109471981B (zh) | 2021-05-25 |
Family
ID=65671991
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811314047.XA Active CN109471981B (zh) | 2018-11-06 | 2018-11-06 | 评论信息排序方法、装置、服务器及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109471981B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109961802B (zh) * | 2019-03-26 | 2021-05-18 | 北京达佳互联信息技术有限公司 | 音质比较方法、装置、电子设备及存储介质 |
CN111859946B (zh) * | 2019-04-22 | 2023-09-29 | 百度在线网络技术(北京)有限公司 | 对评论进行排序的方法和装置及机器可读存储介质 |
CN113542893B (zh) * | 2020-04-14 | 2023-08-18 | 北京达佳互联信息技术有限公司 | 用于获取作品评价信息的方法、装置、视频筛选方法及装置 |
CN113177137A (zh) * | 2021-05-27 | 2021-07-27 | 腾讯音乐娱乐科技(深圳)有限公司 | 推荐歌曲的评论信息的方法、设备和存储介质 |
CN113553417B (zh) * | 2021-07-19 | 2023-06-23 | 中国联合网络通信集团有限公司 | 用户终端使用反馈方法以及实现该方法的*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102789449A (zh) * | 2011-05-20 | 2012-11-21 | 日电(中国)有限公司 | 对评论文本进行评价的方法和装置 |
CN103957275A (zh) * | 2014-05-19 | 2014-07-30 | 北京奇虎科技有限公司 | 用户评论信息的推送方法、客户端、服务器及*** |
CN107657056A (zh) * | 2017-10-18 | 2018-02-02 | 北京百度网讯科技有限公司 | 基于人工智能展示评论信息的方法和装置 |
CN107807936A (zh) * | 2016-09-09 | 2018-03-16 | 腾讯科技(深圳)有限公司 | 评论信息排序方法及装置 |
CN108269125A (zh) * | 2018-01-15 | 2018-07-10 | 口碑(上海)信息技术有限公司 | 评论信息质量评估方法及***、评论信息处理方法及*** |
-
2018
- 2018-11-06 CN CN201811314047.XA patent/CN109471981B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102789449A (zh) * | 2011-05-20 | 2012-11-21 | 日电(中国)有限公司 | 对评论文本进行评价的方法和装置 |
CN103957275A (zh) * | 2014-05-19 | 2014-07-30 | 北京奇虎科技有限公司 | 用户评论信息的推送方法、客户端、服务器及*** |
CN107807936A (zh) * | 2016-09-09 | 2018-03-16 | 腾讯科技(深圳)有限公司 | 评论信息排序方法及装置 |
CN107657056A (zh) * | 2017-10-18 | 2018-02-02 | 北京百度网讯科技有限公司 | 基于人工智能展示评论信息的方法和装置 |
CN108269125A (zh) * | 2018-01-15 | 2018-07-10 | 口碑(上海)信息技术有限公司 | 评论信息质量评估方法及***、评论信息处理方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN109471981A (zh) | 2019-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109471981B (zh) | 评论信息排序方法、装置、服务器及存储介质 | |
CN109547814B (zh) | 视频推荐方法、装置、服务器及存储介质 | |
CN109460513B (zh) | 用于生成点击率预测模型的方法和装置 | |
CN108805091B (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 | |
CN108269128B (zh) | 广告的投放方法、装置、设备及存储介质 | |
CN109376267B (zh) | 用于生成模型的方法和装置 | |
CN107845016B (zh) | 信息输出方法和装置 | |
CN111178410A (zh) | 违规图片的识别方法及装置 | |
CN112995690B (zh) | 直播内容品类识别方法、装置、电子设备和可读存储介质 | |
US11226991B2 (en) | Interest tag determining method, computer device, and storage medium | |
CN108734296A (zh) | 优化监督学习的训练数据的方法、装置、电子设备和介质 | |
CN111695041B (zh) | 用于推荐信息的方法和装置 | |
CN110489747A (zh) | 一种图像处理方法、装置、存储介质及电子设备 | |
CN114245185B (zh) | 视频推荐方法、模型训练方法、装置、电子设备及介质 | |
CN111652659B (zh) | 基于大数据的vr产品评价*** | |
CN109558542B (zh) | 一种信息质量评估方法、信息推送方法及装置 | |
CN109460474B (zh) | 用户偏好趋势挖掘方法 | |
CN111460301B (zh) | 对象推送方法、装置、电子设备及存储介质 | |
CN116910274A (zh) | 基于知识图谱和预测模型的试题生成方法及*** | |
KR20210052746A (ko) | 제품화 대상 콘텐츠의 예상 판매량 추정 방법, 장치 및 컴퓨터프로그램 | |
CN111815414A (zh) | 一种互联网销售下单方法、装置及*** | |
CN111597361A (zh) | 多媒体数据处理方法、装置、存储介质及设备 | |
CN114387041B (zh) | 一种多媒体数据采集方法及*** | |
US11134045B2 (en) | Message sorting system, message sorting method, and program |
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 |