技術領域

本發(fā)明涉及網絡技術領域，特別是涉及一種評論推薦方法和系統(tǒng)。

背景技術

視頻播放端泛指一切視頻播放設備及軟件，例如：樂視網(簡稱Letv)智能電視、智能手機或IPAD及其上的視頻應用、含有播放器的網頁或視頻客戶端等。用戶在采用這些視頻播放設備觀看視頻的同時，還會關注視頻相關的評論信息。

現(xiàn)有的評論推薦方案，大都是將評論者上傳的評論按照上傳時間進行排序，再按照上傳的時間先后順序向用戶展示評論。而目前隨著大型互聯(lián)網的廣泛應用，對于某一視頻的用戶評論的數量呈現(xiàn)爆炸增長的趨勢。用戶感興趣的評論有可能是早期上傳的評論。這樣的話，該評論則被排序在后邊，那么用戶就不得不獲取大量沒有價值的評論信息后才能最終獲取到有價值或者感興趣評論信息。這樣既增加了用戶獲取評論的成本，又浪費用戶的時間。尤其是對于聲音評論這一形式，用戶獲得信息的網絡資源成本和時間成本還會比普通文本評論要高許多倍。

可見，現(xiàn)有的評論推薦方案效率較低，無法優(yōu)先為用戶提供感興趣或者對其有價值的評論信息，使得評論的獲取成本和時間成本都較高。

發(fā)明內容

本發(fā)明所要解決的技術問題是提供一種評論推薦方法和系統(tǒng)，以解決目前的評論推薦方案效率較低，無法優(yōu)先為用戶提供感興趣或者對其有價值的評論信息，使得評論的獲取成本和時間成本都較高的問題。

為了解決上述問題，本發(fā)明公開了一種評論推薦方法，包括：獲取用戶當前所關注對象的評論列表、以及所述用戶對應的用戶屬性標簽；其中，所述評論列表中的評論包括：語音類型的評論，所述評論列表中的各條評論均包含有評論屬性信息；分別根據所述用戶屬性標簽與各條評論的評論屬性信息，獲取各條評論的當前權值；將當前權值大于設定閾值的各條評論，按照當前權值的大小進行排序，根據排序結果進行評論推薦。

優(yōu)選地，所述評論屬性信息包括：正面評論次數、負面評論次數以及特征標簽；所述分別根據所述用戶屬性標簽與各條評論的評論屬性信息，獲取各條評論的當前權值步驟包括:分別根據所述用戶屬性標簽與各條評論的所述特征標簽獲取各條評論對應的標簽匹配個數；分別根據各條評論對應的所述標簽匹配個數與設定的第一權重系數獲取各條評論的標簽加權值；分別根據各條評論的所述正面評論次數、所述負面評論次數以及設定的第二權重系數獲取各條評論的用戶反饋加權值；分別將各條評論對應的所述標簽加權值與所述用戶反饋加權值求和，以獲取各條評論的當前權值。

優(yōu)選地，所述評論屬性信息還包括：發(fā)表時間；在所述獲取用戶當前所關注對象的評論列表、以及所述用戶對應的用戶屬性標簽步驟之后，還包括：獲取所述用戶的好友列表，并依據所述好友列表為各條評論生成第一加權值和/或好友支持權值；獲取所述用戶的關注列表，并依據所述關注列表為各條評論生成第二加權值和/或關注者支持權值；分別通過各條評論的發(fā)表時間獲取各條評論的時間加權值；所述分別根據所述用戶屬性標簽與各條評論的評論屬性信息，獲取各條評論的當前權值步驟包括：分別根據各條評論的所述第一加權值、好友支持權值、第二加權值、關注者支持權值以及時間加權值中的至少一個權值，以及所述用戶屬性標簽與各條評論的評論屬性信息中的所述正面評論次數、所述負面評論次數和所屬特征標簽，獲取各條評論的當前權值。

優(yōu)選地，所述獲取所述用戶的好友列表，并依據所述好友列表為各條評論生成第一加權值步驟包括：獲取所述用戶的好友列表，并逐條對所述評論列表中的評論進行判斷，判斷評論的發(fā)表者是否在所述好友列表中；若是，則為評論賦予預設的第一加權值。

優(yōu)選地，所述獲取所述用戶的好友列表，并依據所述好友列表為各條評論生成好友支持權值步驟包括：獲取所述評論列表中各條評論的正面評論者列表；將各條評論的正面評論者列表與所述用戶好友列表進行比對，獲得各條評論的正面評論者與所述用戶好友相匹配的好友數目；分別根據各條評論的所述好友數目獲取各條評論的好友支持權值。

優(yōu)選地，所述獲取所述用戶的關注列表，并依據所述關注列表為各條評論生成第二加權值步驟包括：獲取所述用戶的關注列表，并逐條對所述評論列表中的評論進行判斷，判斷評論的發(fā)表者是在所述關注列表中；若是，則為評論賦予預設的第二加權值。

優(yōu)選地，所述獲取所述用戶的關注列表，并依據所述關注列表為各條評論生成關注者支持權值步驟包括：獲取所述評論列表中各條評論的正面評論者列表；將各條評論對應的正面評論者列表與所述關注列表進行比對，獲得各條評論的正面評論者與所述用戶所關注的對象相匹配的關注者數目；分別根據各條評論的所述在關注者數目獲取各條評論的關注者支持權值。