CN118193821A - 一种热词推荐算法的评估方法、装置及设备 - Google Patents

一种热词推荐算法的评估方法、装置及设备 Download PDF

Info

Publication number
CN118193821A
CN118193821A CN202211602710.2A CN202211602710A CN118193821A CN 118193821 A CN118193821 A CN 118193821A CN 202211602710 A CN202211602710 A CN 202211602710A CN 118193821 A CN118193821 A CN 118193821A
Authority
CN
China
Prior art keywords
recommendation
hot
hot word
hotword
words
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
Application number
CN202211602710.2A
Other languages
English (en)
Inventor
李博涵
曾庆维
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
SF Technology Co Ltd
Original Assignee
SF Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by SF Technology Co Ltd filed Critical SF Technology Co Ltd
Priority to CN202211602710.2A priority Critical patent/CN118193821A/zh
Priority to PCT/CN2023/138383 priority patent/WO2024125544A1/zh
Publication of CN118193821A publication Critical patent/CN118193821A/zh
Pending legal-status Critical Current

Links

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
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/284—Lexical analysis, e.g. tokenisation or collocates

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Machine Translation (AREA)

Abstract

本申请适用于计算机应用技术领域，提供了一种热词推荐算法的评估方法、装置及设备，该方法包括：获取若干种热词推荐算法在第一时刻下推荐的热词组，热词组包括若干个热词和热词的第一推荐顺序；获取若干个热词组中热词的第二推荐顺序；根据若干个热词组中热词的第一推荐顺序和热词的第二推荐顺序，得到若干个热词组中热词的得分；根据若干个热词组中热词的第一推荐顺序与若干个热词组中热词的得分之间的相关性，得到若干个热词推荐算法的可靠性系数；根据若干个热词组中热词的得分和若干个热词推荐算法的可靠性系数，得到若干个热词推荐算法的评估结果。上述方法，能够检验热词推荐算法的合理性和有效性，提供统一高效的热词推荐算法的评估标准。

Description

一种热词推荐算法的评估方法、装置及设备
技术领域
本申请属于计算机应用技术领域，尤其涉及一种热词推荐算法的评估方法、装置及设备。
背景技术
随着互联网技术的快速发展，信息呈现出***式地增长，用户往往需要快速地摄取热点信息，因此，如何对信息进行推荐排序尤为关键。
热词通常是指点击量以及关注度较高的词语，一般是一段时间内的各界大事或流行的话题，通过热词推荐算法可以使用户更快更方便地了解一段时间内的热点信息。
热词推荐算法通常其会基于点击量和关注度对词语进行排序，并将排序靠前的热词展示至用户界面。针对多种多样的热词推荐算法，目前还没有统一高效的评估方式用于评估其推荐效果，这不仅不利于热词推荐算法的改进，也不利于为用户提供更好的信息获取体验。
发明内容
本申请实施例提供了一种热词推荐算法的评估方法、装置及设备，可以解决上述技术问题。
第一方面，本申请实施例提供了一种热词推荐算法的评估方法，包括：获取若干种热词推荐算法在第一时刻下推荐的热词组；其中，热词组包括若干个热词和热词的第一推荐顺序；获取若干个热词组中热词的第二推荐顺序；其中，若干个热词组中热词的第二推荐顺序为若干个热词推荐算法在第二时刻下分别确定的；根据若干个热词组中热词的第一推荐顺序和热词的第二推荐顺序，得到若干个热词组中热词的得分；根据若干个热词组中热词的第一推荐顺序与若干个热词组中热词的得分之间的相关性，得到若干个热词推荐算法的可靠性系数；根据若干个热词组中热词的得分和若干个热词推荐算法的可靠性系数，得到若干个热词推荐算法的评估结果。
进一步地，根据若干个热词组中热词的第一推荐顺序和热词的第二推荐顺序，得到若干个热词组中热词的得分，包括：根据若干个热词组中热词的第一推荐顺序，得到若干个热词组中热词的推荐系数；根据若干个热词组中热词的第一推荐顺序与热词的第二推荐顺序之间的差值，得到若干个热词组中热词的基础得分；根据若干个热词组中热词的推荐系数和若干个热词组中热词的基础得分，得到若干个热词组中热词的得分。
进一步地，根据若干个热词组中热词的第一推荐顺序和热词的第二推荐顺序，得到若干个热词组中热词的得分，包括：根据若干个热词组中热词的第一推荐顺序和热词的第二推荐顺序以及预设的基于牛顿冷却定律的热词得分计算函数，得到若干个热词组中热词的得分；其中，预设的基于牛顿冷却定律的热词得分计算函数为：Hij表示第i个热词推荐算法在第一时刻下推荐的热词组中第一推荐顺序为j的热词的得分，rij表示第i个热词推荐算法在第二时刻下得出的第一推荐顺序为j的热词的第二推荐顺序，i为整数，1≤i≤K，K表示热词推荐算法的数量，j为整数，1≤j≤N，N表示热词组中热词的数量，exp()表示以e为底的指数函数。
进一步地，根据若干个热词组中热词的第一推荐顺序与若干个热词组中热词的得分之间的相关性，得到若干个热词推荐算法的可靠性系数，包括：获取若干个热词组中热词的得分对应的得分等级；根据若干个热词组中热词的第一推荐顺序与若干个热词组中热词的得分对应的得分等级之间的相关性，得到若干个热词推荐算法的可靠性系数。
进一步地，可靠性系数为斯皮尔曼相关系数，根据若干个热词组中热词的第一推荐顺序与若干个热词组中热词的得分对应的得分等级之间的相关性，得到若干个热词推荐算法的可靠性系数，包括：根据若干个热词组中热词的第一推荐顺序、若干个热词组中热词的得分对应的得分等级以及预设的斯皮尔曼相关系数计算函数，得到若干个热词推荐算法的斯皮尔曼相关系数；其中，预设的斯皮尔曼相关系数计算函数为：dj＝j-Rj，si表示第i个热词推荐算法的斯皮尔曼相关系数，Rj表示第i个热词推荐算法在第一时刻下推荐的热词组中第一推荐顺序为j的热词的得分对应的得分等级，dj表示第一推荐顺序j与得分等级Rj之间的等级差，i为整数，1≤i≤K，K表示热词推荐算法的数量，j为整数，1≤j≤N，N表示热词组中热词的数量。
进一步地，根据若干个热词组中热词的得分和若干个热词推荐算法的可靠性系数，得到若干个热词推荐算法的评估结果，包括：计算各个热词组中热词的得分之和，得到各个热词组的总得分；根据各个热词推荐算法的可靠性系数和各个热词组的总得分，得到各个热词推荐算法的加权得分；根据各个热词推荐算法的加权得分，得到各个热词推荐算法的评估结果。
进一步地，根据各个热词推荐算法的可靠性系数和各个热词组的总得分，得到各个热词推荐算法的加权得分，包括：根据各个热词推荐算法的可靠性系数、各个热词组的总得分以及预设的加权得分计算函数，得到各个热词推荐算法的加权得分；其中，预设的加权得分计算函数为： 表示第i个热词推荐算法的总得分，si表示第i个热词推荐算法的可靠性系数，Hij表示第i个热词推荐算法在第一时刻下推荐的热词组中第一推荐顺序为j的热词的得分，i为整数，1≤i≤K，K表示热词推荐算法的数量，j为整数，1≤j≤N，N表示热词组中热词的数量。
第二方面，本申请实施例提供了一种热词推荐算法的评估装置，包括：第一获取单元，用于获取若干种热词推荐算法在第一时刻下推荐的热词组；其中，热词组包括若干个热词和热词的第一推荐顺序；第二获取单元，用于获取若干个热词组中热词的第二推荐顺序；其中，若干个热词组中热词的第二推荐顺序为若干个热词推荐算法在第二时刻下分别确定的；第一运算单元，用于根据若干个热词组中热词的第一推荐顺序和热词的第二推荐顺序，得到若干个热词组中热词的得分；第二运算单元，用于根据若干个热词组中热词的第一推荐顺序与若干个热词组中热词的得分之间的相关性，得到若干个热词推荐算法的可靠性系数；评估单元，用于根据若干个热词组中热词的得分和若干个热词推荐算法的可靠性系数，得到若干个热词推荐算法的评估结果。
进一步地，第一运算单元，包括：推荐系数运算单元，用于根据若干个热词组中热词的第一推荐顺序，得到若干个热词组中热词的推荐系数；基础得分运算单元，用于根据若干个热词组中热词的第一推荐顺序与热词的第二推荐顺序之间的差值，得到若干个热词组中热词的基础得分；得分运算单元，用于根据若干个热词组中热词的推荐系数和若干个热词组中热词的基础得分，得到若干个热词组中热词的得分。
进一步地，第一运算单元，具体用于：根据若干个热词组中热词的第一推荐顺序和热词的第二推荐顺序以及预设的基于牛顿冷却定律的热词得分计算函数，得到若干个热词组中热词的得分；其中，预设的基于牛顿冷却定律的热词得分计算函数为：Hij表示第i个热词推荐算法在第一时刻下推荐的热词组中第一推荐顺序为j的热词的得分，rij表示第i个热词推荐算法在第二时刻下得出的第一推荐顺序为j的热词的第二推荐顺序，i为整数，1≤i≤K，K表示热词推荐算法的数量，j为整数，1≤j≤N，N表示热词组中热词的数量，exp()表示以e为底的指数函数。
进一步地，第二运算单元，包括：第三获取单元，用于获取若干个热词组中热词的得分对应的得分等级；可靠性系数运算单元，用于根据若干个热词组中热词的第一推荐顺序与若干个热词组中热词的得分对应的得分等级之间的相关性，得到若干个热词推荐算法的可靠性系数。
进一步地，可靠性系数运算单元，具体用于：根据若干个热词组中热词的第一推荐顺序、若干个热词组中热词的得分对应的得分等级以及预设的斯皮尔曼相关系数计算函数，得到若干个热词推荐算法的斯皮尔曼相关系数；其中，预设的斯皮尔曼相关系数计算函数为：dj＝j-Rj，si表示第i个热词推荐算法的斯皮尔曼相关系数，Rj表示第i个热词推荐算法在第一时刻下推荐的热词组中第一推荐顺序为j的热词的得分对应的得分等级，dj表示第一推荐顺序j与得分等级Rj之间的等级差，i为整数，1≤i≤K，K表示热词推荐算法的数量，j为整数，1≤j≤N，N表示热词组中热词的数量。
进一步地，评估单元，包括：总得分运算单元，用于计算各个热词组中热词的得分之和，得到各个热词组的总得分；加权得分运算单元，用于根据各个热词推荐算法的可靠性系数和各个热词组的总得分，得到各个热词推荐算法的加权得分；第一评估单元，用于根据各个热词推荐算法的加权得分，得到各个热词推荐算法的评估结果。
进一步地，加权得分运算单元，具体用于：根据各个热词推荐算法的可靠性系数、各个热词组的总得分以及预设的加权得分计算函数，得到各个热词推荐算法的加权得分；其中，预设的加权得分计算函数为： 表示第i个热词推荐算法的总得分，si表示第i个热词推荐算法的可靠性系数，Hij表示第i个热词推荐算法在第一时刻下推荐的热词组中第一推荐顺序为j的热词的得分，i为整数，1≤i≤K，K表示热词推荐算法的数量，j为整数，1≤j≤N，N表示热词组中热词的数量。
第三方面，本申请实施例提供了一种热词推荐算法的评估设备，包括处理器、存储器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现如上述第一方面的方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现如上述第一方面的方法。
本申请实施例中，设备获取若干种热词推荐算法在第一时刻下推荐的热词组；其中，热词组包括若干个热词和热词的第一推荐顺序；设备还获取若干个热词组中热词的第二推荐顺序；其中，若干个词组中热词的第二推荐顺序为若干个热词推荐算法在第二时刻下分别确定的；之后，设备根据若干个热词组中热词的第一推荐顺序和热词的第二推荐顺序，确定同一个热词推荐算法在不同的时刻下，对于相同热词在推荐顺序上的差异，由此能够反应出热词推荐算法所推荐的热词的升降趋势，进而得到若干个热词组中热词的得分；再后，考虑到热词的推荐顺序与得分呈现正相关，能够反应出热词推荐算法更可靠，因此，设备根据若干个热词组中热词的第一推荐顺序与若干个热词组中热词的得分之间的相关性，计算若干个热词推荐算法的可靠性系数；最后，设备根据若干个热词组中热词的得分和若干个热词推荐算法的可靠性系数，综合得到若干个热词推荐算法的评估结果，上述评估方式能够检验热词推荐算法的合理性和有效性，提供统一高效的热词推荐算法的评估标准，有利于热词推荐算法的改进，为用户提供更好的信息获取体验。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请第一实施例提供的一种热词推荐算法的评估方法的示意流程图；
图2是本申请第一实施例提供的一种热词推荐算法的评估方法中S103的示意流程图；
图3是本申请第一实施例提供的一种热词推荐算法的评估方法中S104的示意流程图；
图4是本申请第一实施例提供的一种热词推荐算法的评估方法中S105的示意流程图；
图5是本申请第二实施例提供的热词推荐算法的评估装置的示意图；
图6是本申请第三实施例提供的热词推荐算法的评估设备的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定***结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的***、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
在对热词推荐算法的评估方法进行说明之前，先对于本申请实施例所用的一些概念进行解释：
1、热词通常是指点击量以及关注度较高的词语，并且，在某一段时间内有显著上升趋势且初始词频比较低的词语更可能是一个热词。
热词往往具有如下特点：(1)在某一时间段内该词语的词频增长迅速；(2)在某一时间段内该词语的词频的最大值高于某一阈值；(2)在某一时间段内某词语的词频的最大值与词频的初始值之差大于某一阈值。
热词推荐算法通常其会基于点击量和关注度对词语进行排序，得到排序靠前的词语作为热词，从而通过热词引导用户关注热点信息。
本申请实施例所提供的热词推荐算法的评估方法并非对热词算法进行改进，而是基于热词推荐算法得出的热词和热词的推荐顺序，对热词推荐算法进行评估。
2、牛顿冷却定律：信息的冷却速度与其当前热度与初始热度之间的差值成正比。
其中，H(t)表示热度随时间变化的函数，H0表示t0时刻该词语的热度，β是冷却系数。冷却系数可以反应一个词语热度上升或者下降的趋势。
3、斯皮尔曼相关系数：衡量两个就有等级性质变量之间的相关性。
请参见图1，图1是本申请第一实施例提供的一种热词推荐算法的评估方法的示意流程图。本实施例中一种热词推荐算法的评估方法的执行主体为具有热词推荐算法的评估功能的设备，该热词推荐算法的评估设备可以为个人计算机以及服务器等，也可以为处理器、微处理器等。本申请实施例以热词推荐算法的评估设备(以下简称为设备)为热词推荐算法的评估方法的执行主体进行下述解释说明，不具体对设备进行限定。如图1所示的热词推荐算法的评估方法可以包括：
S101：获取若干种热词推荐算法在第一时刻下推荐的热词组；其中，热词组包括若干个热词和热词的第一推荐顺序。
设备获取若干种热词推荐算法在第一时刻下推荐的热词组。
可以理解的是，每种热词推荐算法在第一时刻下会推荐一个热词组，若热词推荐算法为K个，那么，设备会获取到K个热词组。
其中，每个热词组均包括若干个热词和每个热词的第一推荐顺序。
一方面，不同的热词推荐算法在同一时刻下得出的热词组往往是不同的(具体表现为热词不同或热词的推荐顺序不同，但不排除相同的可能性)；另一方面，相同的热词推荐算法在不同时刻下得出的热词组也往往是不同的(同样，不排除相同的可能性)
因此，为了评估若干个热词推荐算法，设备会获取上述若干个热词组中热词的第二推荐顺序。
S102：获取若干个热词组中热词的第二推荐顺序；其中，若干个热词组中热词的第二推荐顺序为若干个热词推荐算法在第二时刻下分别确定的。
设备获取若干个热词组中热词的第二推荐顺序。
其中，若干个热词组中热词的第二推荐顺序为若干个热词推荐算法在第二时刻下分别确定的。
第二时刻下若干个热词推荐算法会重新对词语进行推荐排序，第一时刻得到的热词组中热词的推荐顺序就可能会发生改变，例如：对于热词推荐算法A来说，其在第一时刻推荐的热词组中热词B的第一推荐顺序为2，在第二时刻下热词推荐算法A重新对词语进行推荐排序，原本的热词B的第二推荐顺序可能变为6。
故步骤S102中，设备会去获取若干个热词推荐算法在第二时刻下分别确定的若干个热词组中热词的第二推荐顺序。
S103：根据若干个热词组中热词的第一推荐顺序和热词的第二推荐顺序，得到若干个热词组中热词的得分。
设备根据若干个热词组中热词的第一推荐顺序和热词的第二推荐顺序，得到若干个热词组中热词的得分。
若干个热词组中热词的第一推荐顺序能够反应各个热词的初始热度，以及同一个热词推荐算法在不同的时刻下，对于相同热词在推荐顺序上的差异能够反应出热词推荐算法所推荐的热词的升降趋势。
本申请实施例结合热词的定义，考虑到在第一时刻推荐的热词经过一段时间后的推荐顺序仍比较靠前或者有上升趋势，那么，这样的热词应该获得更高的得分。并且，考虑对于上升趋势相同的热词来说，如果其在第一时刻下的第一推荐顺序更靠前，那么，该热词的得分也应该越高，进而，综合得到若干个热词组中热词的得分。
在本实施例中，不详细限定热词得分与第一推荐顺序以及上升趋势之间具体的计算关系。
在一个可选的实施方式中，请参阅图2，图2是本申请第一实施例提供的一种热词推荐算法的评估方法中S103的示意流程图，S103包括：
S1031：根据若干个热词组中热词的第一推荐顺序，得到若干个热词组中热词的推荐系数。
S1032：根据若干个热词组中热词的第一推荐顺序与热词的第二推荐顺序之间的差值，得到若干个热词组中热词的基础得分。
S1033：根据若干个热词组中热词的推荐系数和若干个热词组中热词的基础得分，得到若干个热词组中热词的得分。
在本实施例中，考虑到对于上升趋势相同的热词来说，如果其在第一时刻下的第一推荐顺序更靠前，那么该热词的得分也应该越高，从而设定推荐系数。
如步骤S1031所示，设备根据若干个热词组中热词的第一推荐顺序，得到若干个热词组中热词的推荐系数。
具体地，设备根据若干个热词组中热词的第一推荐顺序的倒数，得到若干个热词组中热词的推荐系数，也就是说，热词的第一推荐顺序越靠前，那么，其推荐系数越大，相反，热词的第一推荐顺序越靠后，那么，其推荐系数越小。
并且，本实施例借鉴牛顿冷却定律的思想，计算第一时刻下和第二时刻下相同热词的推荐顺序的差值，通过该差值反应热词的冷却速度，得到热词的基础得分。
如步骤S1032所示，设备根据若干个热词组中热词的第一推荐顺序与热词的第二推荐顺序之间的差值，得到若干个热词组中热词的基础得分。
在一个可选的实施方式中，设备可以根据若干个热词组中热词的第一推荐顺序与热词的第二推荐顺序之间的差值以及预设的热词基础得分的计算函数，得到若干个热词组中热词的基础得分，从而使得该基础得分能够反应出热词推荐算法所推荐的热词的升降趋势。
关于预设的热词基础得分的计算函数在此不进行限定，其能具有单调性，使得推荐顺序呈上升趋势的热词的基础得分越高即可。
最后，设备根据若干个热词组中热词的推荐系数和若干个热词组中热词的基础得分，得到若干个热词组中热词的得分。具体地，设备可以将同一热词组中热词的推荐系数与该热词的基础得分相乘，得到该热词的得分。
在一个可选的实施方式中，设备根据若干个热词组中热词的第一推荐顺序和热词的第二推荐顺序以及预设的基于牛顿冷却定律的热词得分计算函数，得到若干个热词组中热词的得分。
其中，预设的基于牛顿冷却定律的热词得分计算函数为：
Hij表示第i个热词推荐算法在第一时刻下推荐的热词组中第一推荐顺序为j的热词的得分，rij表示第i个热词推荐算法在第二时刻下得出的第一推荐顺序为j的热词的第二推荐顺序，i为整数，1≤i≤K，K表示热词推荐算法的数量，j为整数，1≤j≤N，N表示热词组中热词的数量，exp()表示以e为底的指数函数。
为帮助对于公式的理解，进行如下说明：
本实施例设备对K个热词推荐算法进行评估，在第一时刻下K个热词推荐算法共推荐出K个热词组，分别为(W11,...,W1N)、(W21,...,W2N)、...、(WK1,...,WKN)，那么，第i个热词推荐算法在第一时刻下推荐的热词组中第一推荐顺序为j的热词为Wij，第i个热词推荐算法在第二时刻下确定的第一推荐顺序为j的热词Wij的第二推荐顺序为rij，也就是说，对于同一热词Wij来说第一推荐顺序为j，第二推荐顺序rij，rij-j表示推荐顺序的差值。
在本实施例中，为了保证热词得分计算函数的单调性以及规范度量范围，设定sigmoid函数来计算热词基础得分，那么，可以理解的是，为一种可选的热词基础得分的计算函数。
本实施例中，推荐系数为从而能够保证对于上升趋势相同的热词，在第一时刻下的第一推荐顺序更靠前，那么该热词的得分也应该越高，也就是说，第一推荐顺序越靠前，j越小，推荐系数/>越大，那么在基础得分相同的情况下，热词的得分就越高。
除倒数函数之外，也可以采用其他方式设定排序系数，在此不进行限定。
S104：根据若干个热词组中热词的第一推荐顺序与若干个热词组中热词的得分之间的相关性，得到若干个热词推荐算法的可靠性系数。
由于热词的推荐顺序与得分呈现正相关，能够反应出热词推荐算法更可靠，因此，设备根据若干个热词组中热词的第一推荐顺序与若干个热词组中热词的得分之间的相关性，得到若干个热词推荐算法的可靠性系数。
可以理解的是，若干个热词推荐算法的可靠性系数是分别计算的，针对某一个热词推荐算法计算其可靠性系数，必然是基于该热词推荐算法所推荐的热词组中，热词的第一推荐顺序与热词的得分之间的相关性得到的。
在本实施例中，不限定具体采用何种计算方式，计算两个变量之间的相关性。
在一个可选的实施方式中，由于热词的第一推荐顺序是一个分级定序变量，而热词的得分并不是，故，为了提高计算可靠性系数的效率和准确性，请参阅图3，图3是本申请第一实施例提供的一种热词推荐算法的评估方法中S104的示意流程图，S104包括：
S1041：获取若干个热词组中热词的得分对应的得分等级。
S1042：根据若干个热词组中热词的第一推荐顺序与若干个热词组中热词的得分对应的得分等级之间的相关性，得到若干个热词推荐算法的可靠性系数。
设备获取若干个热词组中热词的得分对应的得分等级。
在一个可选的实施方式中，设定热词的得分在第一区间的，对应的得分等级为1级，热词的得分在第二区间的，对应的得分等级为2级，以此类推。
在另一个可选的实施方式中，对热词的得分进行排序，得分排序在第一名的，对应的得分等级为1，得分排序在第二名的，对应的得分等级为2，以此类推。
之后，设备根据若干个热词组中热词的第一推荐顺序与若干个热词组中热词的得分对应的得分等级之间的相关性，得到若干个热词推荐算法的可靠性系数。
在一个可选的实施方式中，设备根据若干个热词组中热词的第一推荐顺序、若干个热词组中热词的得分对应的得分等级以及预设的斯皮尔曼相关系数计算函数，得到若干个热词推荐算法的斯皮尔曼相关系数。热词推荐算法的可靠性系数即为热词推荐算法的斯皮尔曼相关系数。
其中，预设的斯皮尔曼相关系数计算函数为：
dj＝j-Rj，
si表示第i个热词推荐算法的斯皮尔曼相关系数，Rj表示第i个热词推荐算法在第一时刻下推荐的热词组中第一推荐顺序为j的热词的得分对应的得分等级，dj表示第一推荐顺序j与得分等级Rj之间的等级差，i为整数，1≤i≤K，K表示热词推荐算法的数量，j为整数，1≤j≤N，N表示热词组中热词的数量。
此处，si越接近1，则相关性越强，即代表该热词推荐算法的可靠性越强。
S105：根据若干个热词组中热词的得分和若干个热词推荐算法的可靠性系数，得到若干个热词推荐算法的评估结果。
设备根据若干个热词组中热词的得分和若干个热词推荐算法的可靠性系数，得到若干个热词推荐算法的评估结果。
在一个可选的实施方式中，设备计算各个热词组中热词的得分的平均值，得到各个热词组的平均得分，将各个热词组的平均得分分别与对应的热词推荐算法的可靠性系数相乘，得到各个热词推荐算法的加权得分，进而得到各个热词推荐算法的评估结果。可以理解的是，加权得分越高，评估结果越好。
在另一个可选的实施方式中，请参阅图4，图4是本申请第一实施例提供的一种热词推荐算法的评估方法中S105的示意流程图，S105包括：
S1051：计算各个热词组中热词的得分之和，得到各个热词组的总得分。
设备针对各个热词组，计算其内热词的得分之和，从而得到各个热词组的总得分。
S1052：根据各个热词推荐算法的可靠性系数和各个热词组的总得分，得到各个热词推荐算法的加权得分。
设备根据各个热词推荐算法的可靠性系数和各个热词组的总得分，得到各个热词推荐算法的加权得分。
具体地，根据各个热词推荐算法的可靠性系数、各个热词组的总得分以及预设的加权得分计算函数，得到各个热词推荐算法的加权得分。
其中，预设的加权得分计算函数为：
表示第i个热词推荐算法的总得分，si表示第i个热词推荐算法的可靠性系数，Hij表示第i个热词推荐算法在第一时刻下推荐的热词组中第一推荐顺序为j的热词的得分，i为整数，1≤i≤K，K表示热词推荐算法的数量，j为整数，1≤j≤N，N表示热词组中热词的数量。
S1053：根据若干个热词推荐算法的加权得分，得到若干个热词推荐算法的评估结果。
设备根据若干个热词推荐算法的加权得分，得到若干个热词推荐算法的评估结果。
热词推荐算法的加权得分越高，则该热词推荐算法的评估结果越好。
本申请实施例中，设备获取若干种热词推荐算法在第一时刻下推荐的热词组；其中，热词组包括若干个热词和热词的第一推荐顺序；设备还获取若干个热词组中热词的第二推荐顺序；其中，若干个词组中热词的第二推荐顺序为若干个热词推荐算法在第二时刻下分别确定的；之后，设备根据若干个热词组中热词的第一推荐顺序和热词的第二推荐顺序，确定同一个热词推荐算法在不同的时刻下，对于相同热词在推荐顺序上的差异，由此能够反应出热词推荐算法所推荐的热词的升降趋势，进而得到若干个热词组中热词的得分；再后，考虑到热词的推荐顺序与得分呈现正相关，能够反应出热词推荐算法更可靠，因此，设备根据若干个热词组中热词的第一推荐顺序与若干个热词组中热词的得分之间的相关性，计算若干个热词推荐算法的可靠性系数；最后，设备根据若干个热词组中热词的得分和若干个热词推荐算法的可靠性系数，综合得到若干个热词推荐算法的评估结果，上述评估方式能够检验热词推荐算法的合理性和有效性，提供统一高效的热词推荐算法的检验标准，有利于热词推荐算法的改进，为用户提供更好的信息获取体验。
下面为本申请实施例提供的示例，请参阅表1和表2，该示例中热词推荐算法的数量K为2，热词组中热词的数量为5。
第一时刻下第一个热词推荐算法推荐的热词组为(W11,W12,W13,W14,W15)，(W11,W12,W13,W14,W15)的第一推荐顺序为1至5，第二时刻下第一个热词推荐算法得出的(W11,W12,W13,W14,W15)的第二推荐顺序r11,r12,r13,r14,r15为1、3、2、4、6。
计算出(W11,W12,W13,W14,W15)的热词得分H11,H12,H13,H14,H15为0.50、0.13、0.24、0.13、0.05，对应的得分等级为1、3、2、4、5。
第一时刻下第二个热词推荐算法推荐的热词组为(W21,W22,W23,W24,W25)，(W21,W22,W23,W24,W25)的第一推荐顺序为1至5，第二时刻下第二个热词推荐算法得出的(W21,W22,W23,W24,W25)的第二推荐顺序r21,r22,r23,r24,r25为3、1、4、5、6。
计算出(W21,W22,W23,W24,W25)的热词得分H21,H22,H23,H24,H25为0.12、0.37、0.09、0.07、0.05，对应的得分等级为3、1、4、2、5。
接下来，得出第一个热词推荐算法的可靠性系数s1为0.9，第二个热词推荐算法的可靠性系数s2为0.5。
最后，根据第一个热词推荐算法的可靠性系数为0.9以及热词组(W11,W12,W13,W14,W15)的总得分为0.5+0.13+0.24+0.13+0.05，得到第一个热词推荐算法的加权得分为0.95。HWE1＝0.9*(0.5+0.13+0.24+0.13+0.05)＝0.95
根据第二个热词推荐算法的可靠性系数为0.5以及热词组(W21,W22,W23,W24,W25)的总得分为0.12+0.37+0.09+0.07+0.05，得到第二个热词推荐算法的加权得分为0.35。HWE2＝0.5*(0.12+0.37+0.09+0.07+0.05)＝0.35
那么，根据第一个热词推荐算法的加权得分为0.95，第二个热词推荐算法的加权得分为0.35，可以确定第一个热词推荐算法的评价结果更优。
表1：热词推荐算法1的数据
热词 第一推荐顺序 第二推荐顺序 热词的得分 热词的得分对应的得分等级
W11 1 1 0.50 1
W12 2 3 0.13 3
W13 3 2 0.24 2
W14 4 4 0.13 4
W15 5 6 0.05 5
表2：热词推荐算法2的数据
热词 第一推荐顺序 第二推荐顺序 热词的得分 热词的得分对应的得分等级
W21 1 3 0.12 3
W22 2 1 0.37 1
W23 3 4 0.09 4
W24 4 5 0.07 2
W25 5 6 0.05 5
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
请参见图5，图5是本申请第二实施例提供的热词推荐算法的评估装置的示意图。包括的各单元用于执行图1对应的实施例中的各步骤。具体请参阅图1对应的实施例中的相关描述。为了便于说明，仅示出了与本实施例相关的部分。参见图5，热词推荐算法的评估装置5包括：
第一获取单元51，用于获取若干种热词推荐算法在第一时刻下推荐的热词组；其中，热词组包括若干个热词和热词的第一推荐顺序；
第二获取单元52，用于获取若干个热词组中热词的第二推荐顺序；其中，若干个热词组中热词的第二推荐顺序为若干个热词推荐算法在第二时刻下分别确定的；
第一运算单元53，用于根据若干个热词组中热词的第一推荐顺序和热词的第二推荐顺序，得到若干个热词组中热词的得分；
第二运算单元54，用于根据若干个热词组中热词的第一推荐顺序与若干个热词组中热词的得分之间的相关性，得到若干个热词推荐算法的可靠性系数；
评估单元55，用于根据若干个热词组中热词的得分和若干个热词推荐算法的可靠性系数，得到若干个热词推荐算法的评估结果。
进一步地，第一运算单元53，包括：
推荐系数运算单元，用于根据若干个热词组中热词的第一推荐顺序，得到若干个热词组中热词的推荐系数；
基础得分运算单元，用于根据若干个热词组中热词的第一推荐顺序与热词的第二推荐顺序之间的差值，得到若干个热词组中热词的基础得分；
得分运算单元，用于根据若干个热词组中热词的推荐系数和若干个热词组中热词的基础得分，得到若干个热词组中热词的得分。
进一步地，第一运算单元53，具体用于：根据若干个热词组中热词的第一推荐顺序和热词的第二推荐顺序以及预设的基于牛顿冷却定律的热词得分计算函数，得到若干个热词组中热词的得分；其中，预设的基于牛顿冷却定律的热词得分计算函数为：
Hij表示第i个热词推荐算法在第一时刻下推荐的热词组中第一推荐顺序为j的热词的得分，rij表示第i个热词推荐算法在第二时刻下得出的第一推荐顺序为j的热词的第二推荐顺序，i为整数，1≤i≤K，K表示热词推荐算法的数量，j为整数，1≤j≤N，N表示热词组中热词的数量，exp()表示以e为底的指数函数。
进一步地，第二运算单元54，包括：
第三获取单元，用于获取若干个热词组中热词的得分对应的得分等级；
可靠性系数运算单元，用于根据若干个热词组中热词的第一推荐顺序与若干个热词组中热词的得分对应的得分等级之间的相关性，得到若干个热词推荐算法的可靠性系数。
进一步地，可靠性系数运算单元，具体用于：根据若干个热词组中热词的第一推荐顺序、若干个热词组中热词的得分对应的得分等级以及预设的斯皮尔曼相关系数计算函数，得到若干个热词推荐算法的斯皮尔曼相关系数；其中，预设的斯皮尔曼相关系数计算函数为：
dj＝j-Rj，
si表示第i个热词推荐算法的斯皮尔曼相关系数，Rj表示第i个热词推荐算法在第一时刻下推荐的热词组中第一推荐顺序为j的热词的得分对应的得分等级，dj表示第一推荐顺序j与得分等级Rj之间的等级差，i为整数，1≤i≤K，K表示热词推荐算法的数量，j为整数，1≤j≤N，N表示热词组中热词的数量。
进一步地，评估单元55，包括：
总得分运算单元，用于计算各个热词组中热词的得分之和，得到各个热词组的总得分；
加权得分运算单元，用于根据各个热词推荐算法的可靠性系数和各个热词组的总得分，得到各个热词推荐算法的加权得分；
第一评估单元，用于根据各个热词推荐算法的加权得分，得到各个热词推荐算法的评估结果。
进一步地，加权得分运算单元，具体用于：根据各个热词推荐算法的可靠性系数、各个热词组的总得分以及预设的加权得分计算函数，得到各个热词推荐算法的加权得分；其中，预设的加权得分计算函数为：
表示第i个热词推荐算法的总得分，si表示第i个热词推荐算法的可靠性系数，Hij表示第i个热词推荐算法在第一时刻下推荐的热词组中第一推荐顺序为j的热词的得分，i为整数，1≤i≤K，K表示热词推荐算法的数量，j为整数，1≤j≤N，N表示热词组中热词的数量。/>
请参见图6，图6是本申请第三实施例提供的热词推荐算法的评估设备的示意图。如图6所示，该实施例的热词推荐算法的评估设备6包括：处理器60、存储器61以及存储在所述存储器61中并可在所述处理器60上运行的计算机程序62，例如热词推荐算法的评估程序。所述处理器60执行所述计算机程序62时实现上述各个热词推荐算法的评估方法实施例中的步骤，例如图1所示的步骤S101至S105。或者，所述处理器60执行所述计算机程序62时实现上述各装置实施例中各模块/单元的功能，例如图5所示第一获取单元51至评估单元55的功能。
示例性的，所述计算机程序62可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器61中，并由所述处理器60执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序62在所述热词推荐算法的评估设备6中的执行过程。例如，所述计算机程序62可以被分割成第一获取单元、第二获取单元、第一运算单元、第二运算单元和评估单元，各单元具体功能如下：
第一获取单元，用于获取若干种热词推荐算法在第一时刻下推荐的热词组；其中，热词组包括若干个热词和热词的第一推荐顺序；
第二获取单元，用于获取若干个热词组中热词的第二推荐顺序；其中，若干个热词组中热词的第二推荐顺序为若干个热词推荐算法在第二时刻下分别确定的；
第一运算单元，用于根据若干个热词组中热词的第一推荐顺序和热词的第二推荐顺序，得到若干个热词组中热词的得分；
第二运算单元，用于根据若干个热词组中热词的第一推荐顺序与若干个热词组中热词的得分之间的相关性，得到若干个热词推荐算法的可靠性系数；
评估单元，用于根据若干个热词组中热词的得分和若干个热词推荐算法的可靠性系数，得到若干个热词推荐算法的评估结果。
所述热词推荐算法的评估设备6可包括，但不仅限于，处理器60、存储器61。本领域技术人员可以理解，图6仅仅是热词推荐算法的评估设备6的示例，并不构成对热词推荐算法的评估设备6的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述热词推荐算法的评估设备6还可以包括输入输出设备、网络接入设备、总线等。
所称处理器60可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器61可以是所述热词推荐算法的评估设备6的内部存储单元，例如热词推荐算法的评估设备6的硬盘或内存。所述存储器61也可以是所述热词推荐算法的评估设备6的外部存储设备，例如所述热词推荐算法的评估设备6上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述热词推荐算法的评估设备6还可以既包括所述热词推荐算法的评估设备6的内部存储单元也包括外部存储设备。所述存储器61用于存储所述计算机程序以及所述热词推荐算法的评估设备6所需的其他程序和数据。所述存储器61还可以用于暂时地存储已经输出或者将要输出的数据。
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
本申请实施例还提供了一种网络设备，该网络设备包括：至少一个处理器、存储器以及存储在所述存储器中并可在所述至少一个处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意各个方法实施例中的步骤。
本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在移动终端上运行时，使得移动终端执行时实现可实现上述各个方法实施例中的步骤。
所述集成的单元如果以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，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序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至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
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或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/网络设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/网络设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
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单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，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申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种热词推荐算法的评估方法，其特征在于，包括：
获取若干种热词推荐算法在第一时刻下推荐的热词组；其中，所述热词组包括若干个热词和热词的第一推荐顺序；
获取若干个所述热词组中热词的第二推荐顺序；其中，若干个所述热词组中热词的第二推荐顺序为若干个所述热词推荐算法在第二时刻下分别确定的；
根据若干个所述热词组中热词的第一推荐顺序和热词的第二推荐顺序，得到若干个所述热词组中热词的得分；
根据若干个所述热词组中热词的第一推荐顺序与若干个所述热词组中热词的得分之间的相关性，得到若干个所述热词推荐算法的可靠性系数；
根据若干个所述热词组中热词的得分和若干个所述热词推荐算法的可靠性系数，得到若干个所述热词推荐算法的评估结果。
2.如权利要求1所述的热词推荐算法的评估方法，其特征在于，所述根据若干个所述热词组中热词的第一推荐顺序和热词的第二推荐顺序，得到若干个所述热词组中热词的得分，包括：
根据若干个所述热词组中热词的第一推荐顺序，得到若干个所述热词组中热词的推荐系数；
根据若干个所述热词组中热词的第一推荐顺序与热词的第二推荐顺序之间的差值，得到若干个所述热词组中热词的基础得分；
根据若干个所述热词组中热词的推荐系数和若干个所述热词组中热词的基础得分，得到若干个所述热词组中热词的得分。
3.如权利要求1所述的热词推荐算法的评估方法，其特征在于，所述根据若干个所述热词组中热词的第一推荐顺序和热词的第二推荐顺序，得到若干个所述热词组中热词的得分，包括：
根据若干个所述热词组中热词的第一推荐顺序和热词的第二推荐顺序以及预设的基于牛顿冷却定律的热词得分计算函数，得到若干个所述热词组中热词的得分；其中，所述预设的基于牛顿冷却定律的热词得分计算函数为：
Hij表示第i个所述热词推荐算法在所述第一时刻下推荐的所述热词组中第一推荐顺序为j的热词的得分，rij表示第i个所述热词推荐算法在所述第二时刻下得出的所述第一推荐顺序为j的热词的第二推荐顺序，i为整数，1≤i≤K，K表示所述热词推荐算法的数量，j为整数，1≤j≤N，N表示所述热词组中热词的数量，exp()表示以e为底的指数函数。
4.如权利要求1至3任意一项所述的热词推荐算法的评估方法，其特征在于，所述根据若干个所述热词组中热词的第一推荐顺序与若干个所述热词组中热词的得分之间的相关性，得到若干个所述热词推荐算法的可靠性系数，包括：
获取若干个所述热词组中热词的得分对应的得分等级；
根据若干个所述热词组中热词的第一推荐顺序与若干个所述热词组中热词的得分对应的得分等级之间的相关性，得到若干个所述热词推荐算法的可靠性系数。
5.如权利要求4所述的热词推荐算法的评估方法，其特征在于，所述可靠性系数为斯皮尔曼相关系数，所述根据若干个所述热词组中热词的第一推荐顺序与若干个所述热词组中热词的得分对应的得分等级之间的相关性，得到若干个所述热词推荐算法的可靠性系数，包括：
根据若干个所述热词组中热词的第一推荐顺序、若干个所述热词组中热词的得分对应的得分等级以及预设的斯皮尔曼相关系数计算函数，得到若干个所述热词推荐算法的斯皮尔曼相关系数；其中，所述预设的斯皮尔曼相关系数计算函数为：
dj＝j-Rj，
si表示第i个所述热词推荐算法的斯皮尔曼相关系数，Rj表示第i个所述热词推荐算法在所述第一时刻下推荐的所述热词组中第一推荐顺序为j的热词的得分对应的得分等级，dj表示第一推荐顺序j与得分等级Rj之间的等级差，i为整数，1≤i≤K，K表示所述热词推荐算法的数量，j为整数，1≤j≤N，N表示所述热词组中热词的数量。
6.如权利要求1至3任意一项所述的热词推荐算法的评估方法，其特征在于，所述根据若干个所述热词组中热词的得分和若干个所述热词推荐算法的可靠性系数，得到若干个所述热词推荐算法的评估结果，包括：
计算各个所述热词组中热词的得分之和，得到各个所述热词组的总得分；
根据各个所述热词推荐算法的可靠性系数和各个所述热词组的总得分，得到各个所述热词推荐算法的加权得分；
根据各个所述热词推荐算法的加权得分，得到各个所述热词推荐算法的评估结果。
7.如权利要求6所述的热词推荐算法的评估方法，其特征在于，所述根据各个所述热词推荐算法的可靠性系数和各个所述热词组的总得分，得到各个所述热词推荐算法的加权得分，包括：
根据各个所述热词推荐算法的可靠性系数、各个所述热词组的总得分以及预设的加权得分计算函数，得到各个所述热词推荐算法的加权得分；其中，所述预设的加权得分计算函数为：
表示第i个所述热词推荐算法的总得分，si表示第i个所述热词推荐算法的可靠性系数，Hij表示第i个所述热词推荐算法在所述第一时刻下推荐的所述热词组中第一推荐顺序为j的热词的得分，i为整数，1≤i≤K，K表示所述热词推荐算法的数量，j为整数，1≤j≤N，N表示所述热词组中热词的数量。
8.一种热词推荐算法的评估装置，其特征在于，包括：
第一获取单元，用于获取若干种热词推荐算法在第一时刻下推荐的热词组；其中，所述热词组包括若干个热词和热词的第一推荐顺序；
第二获取单元，用于获取若干个所述热词组中热词的第二推荐顺序；其中，若干个所述热词组中热词的第二推荐顺序为若干个所述热词推荐算法在第二时刻下分别确定的；
第一运算单元，用于根据若干个所述热词组中热词的第一推荐顺序和热词的第二推荐顺序，得到若干个所述热词组中热词的得分；
第二运算单元，用于根据若干个所述热词组中热词的第一推荐顺序与若干个所述热词组中热词的得分之间的相关性，得到若干个所述热词推荐算法的可靠性系数；
评估单元，用于根据若干个所述热词组中热词的得分和若干个所述热词推荐算法的可靠性系数，得到若干个所述热词推荐算法的评估结果。
9.一种热词推荐算法的评估设备，包括：处理器、存储器以及存储在所述存储器中并可在所述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计算机程序时实现如权利要求1至7任意一项所述方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任意一项所述方法的步骤。
CN202211602710.2A 2022-12-13 2022-12-13 一种热词推荐算法的评估方法、装置及设备 Pending CN118193821A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202211602710.2A CN118193821A (zh) 2022-12-13 2022-12-13 一种热词推荐算法的评估方法、装置及设备
PCT/CN2023/138383 WO2024125544A1 (zh) 2022-12-13 2023-12-13 一种热词推荐算法的评估方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211602710.2A CN118193821A (zh) 2022-12-13 2022-12-13 一种热词推荐算法的评估方法、装置及设备

Publications (1)

Publication Number Publication Date
CN118193821A true CN118193821A (zh) 2024-06-14

Family

ID=91402327

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211602710.2A Pending CN118193821A (zh) 2022-12-13 2022-12-13 一种热词推荐算法的评估方法、装置及设备

Country Status (2)

Country Link
CN (1) CN118193821A (zh)
WO (1) WO2024125544A1 (zh)

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105898425A (zh) * 2015-12-14 2016-08-24 乐视网信息技术（北京）股份有限公司 视频推荐方法、***及服务器
CN107391692B (zh) * 2017-07-26 2023-04-07 腾讯科技（北京）有限公司 一种推荐效果的评估方法及装置
CN111724238B (zh) * 2020-06-23 2022-09-30 中国平安人寿保险股份有限公司 产品推荐准确度评价方法、装置、设备及存储介质
CN114493361A (zh) * 2022-02-21 2022-05-13 中科晶锐(长沙)科技有限公司 一种商品推荐算法的有效性评估方法和装置
CN115114520A (zh) * 2022-05-31 2022-09-27 每平每屋(上海)科技有限公司 一种推荐算法的评估方法、装置、电子设备以及存储介质

Also Published As

Publication number Publication date
WO2024125544A1 (zh) 2024-06-20

Similar Documents

Publication Publication Date Title
CN108921206B (zh) 一种图像分类方法、装置、电子设备及存储介质
CN112364202B (zh) 视频推荐方法、装置及电子设备
CN107153656B (zh) 一种信息搜索方法和装置
CN109299356B (zh) 基于大数据的活动推荐方法、装置、电子设备及存储介质
CN111061842B (zh) 一种相似文本确定方法及装置
WO2021169445A1 (zh) 信息推荐方法、装置、计算机设备及存储介质
CN106599047B (zh) 一种信息的推送方法及装置
CN110351299B (zh) 一种网络连接检测方法和装置
CN112131322B (zh) 时间序列分类方法及装置
WO2023000491A1 (zh) 一种应用推荐方法、装置、设备及计算机可读存储介质
CN110825977A (zh) 一种数据推荐方法及相关设备
CN113076416A (zh) 信息热度评估方法、装置和电子设备
CN110825868A (zh) 一种基于话题热度的文本推送方法、终端设备及存储介质
CN107656918A (zh) 获取目标用户的方法及装置
CN114662602A (zh) 一种离群点检测方法、装置、电子设备及存储介质
CN110245684B (zh) 数据处理方法、电子设备和介质
CN111984867B (zh) 一种网络资源确定方法及装置
CN111177564B (zh) 一种产品推荐方法及装置
CN109472455B (zh) 活动评估方法、装置、电子设备及存储介质
CN118193821A (zh) 一种热词推荐算法的评估方法、装置及设备
CN114610796A (zh) 文本相似度确定方法、装置、存储介质以及电子设备
CN110264306B (zh) 基于大数据的产品推荐方法、装置、服务器及介质
CN114418114A (zh) 一种算子融合方法、装置、终端设备及存储介质
CN117390292B (zh) 基于机器学习的应用程序信息推荐方法、***及设备
CN112434198B (zh) 图表组件推荐方法及装置

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