[发明专利]用户评论的排序方法、电子设备及计算机存储介质

说明书

本发明公开了一种用户评论的排序方法、电子设备及计算机存储介质，该方法包括：通过第一种机器学习算法确定各个评论样本所对应的隐语义特征以及用户评论所对应的隐语义特征，根据每个评论样本所对应的隐语义特征确定该评论样本的特征向量；通过第二种机器学习算法，并结合各个评论样本的样本标注结果对各个评论样本的特征向量进行训练，得到评论排序模型；根据每个用户评论所对应的隐语义特征确定该用户评论的特征向量，通过评论排序模型确定与各个用户评论的特征向量相对应的评价得分；根据与各个用户评论的特征向量相对应的评价得分对各个用户评论进行排序。本发明能够更好地确定各个评论的质量，进而使排序结果更加合理。

技术领域

本发明涉及计算机领域，具体涉及一种用户评论的排序方法、电子设备及计算机存储介质。

背景技术

为了提升用户之间的互动性，方便用户抒发情感，很多应用都支持评论功能。例如，影音播放类应用支持用户针对已观看的影音内容填写观后感等影音评论，电子书阅读应用支持用户针对已阅读的电子书填写书籍评论。例如，书籍评论主要是指：用户阅读某本书以后对于书中内容的评价及个人感情观点的表达。通过书籍评论能够在作者和读者、读者和读者之间构建信息交流的渠道。书籍评论的好坏往往能够影响其他用户的阅读选择，因此，挖掘书籍评论并进行排序能够对其他用户的阅读提供较好的引导作用。

现有技术中，为了筛选出优质且客观的书籍评论，往往采用单特征指标方法或多特征权值融合方法来实现。其中，单特征指标方法是指：按照评论的时效性、评论的热度、或评论相关性等单一特征进行排序。例如，评论时效性是根据评论发表时间距离当前时间的长短来进行排序，最近的评论排序越靠前。多特征权值融合方法是指：人为设定多个特征，并人工设置各个特征所对应的特征值在总分中所占的权重，以便综合各个特征确定总分排序。例如，可以从评论者、评论时间、评论有用性以及评论内容四个方面选取评论特征，然后根据人工设置的各个评论特征的权重计算评论总分并排序。

但是，在实现本发明的过程中，发明人发现现有技术中的上述方式至少存在如下问题：在单特征指标方法以及多特征权值融合方法中，仅仅通过人工设定的若干特征进行排序，且各个特征的权重也是人为设定的，而人工设置的方式必然存在极大的主观性，并且，在人工设置的方式中，无法挖掘出大量评论之间潜在的语义联系，进而无法作出更为准确公平的排序。

发明内容

鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的用户评论的排序方法、电子设备及计算机存储介质。

根据本发明的一个方面，提供了一种用户评论的排序方法，包括：通过第一种机器学习算法确定各个评论样本所对应的隐语义特征以及用户评论所对应的隐语义特征，根据每个评论样本所对应的隐语义特征确定该评论样本的特征向量；通过第二种机器学习算法，并结合各个评论样本的样本标注结果对各个评论样本的特征向量进行训练，得到评论排序模型；根据每个用户评论所对应的隐语义特征确定该用户评论的特征向量，通过评论排序模型确定与各个用户评论的特征向量相对应的评价得分；根据与各个用户评论的特征向量相对应的评价得分对各个用户评论进行排序。

根据本发明的另一方面，提供了一种电子设备，包括：处理器、存储器、通信接口和通信总线，处理器、存储器和通信接口通过通信总线完成相互间的通信；存储器用于存放至少一可执行指令，可执行指令使处理器执行以下操作：通过第一种机器学习算法确定各个评论样本所对应的隐语义特征以及用户评论所对应的隐语义特征，根据每个评论样本所对应的隐语义特征确定该评论样本的特征向量；通过第二种机器学习算法，并结合各个评论样本的样本标注结果对各个评论样本的特征向量进行训练，得到评论排序模型；根据每个用户评论所对应的隐语义特征确定该用户评论的特征向量，通过评论排序模型确定与各个用户评论的特征向量相对应的评价得分；根据与各个用户评论的特征向量相对应的评价得分对各个用户评论进行排序。