评论展示方法、装置及电子设备与流程

本申请属于计算机技术领域，具体涉及一种评论展示方法、装置及电子设备。

背景技术：

用户购买产品、浏览资讯等多种场景下，都会涉及到用户评论，人们往往会从其他用户发表的评论中获得更多更贴近自身需求的产品、资讯等。现有技术中，其在展示用户评论时，是依照评论的发表时间或点赞数等进行排序后展示评论，然而，其无法满足用户的个性化需求，这就造成用户需要从所展示的评论中花大量时间来浏览以找到符合自己需求的评论。

技术实现要素：

本申请实施例的目的是提供一种评论展示方法，能够解决无法针对不同的用户对评论进行个性化展示的问题。

第一方面，本申请实施例提供了一种评论展示方法，该方法包括：

获取显示界面显示的第一内容；

基于所述第一内容，从目标用户特征集合中确定与所述第一内容匹配的目标用户特征；其中，所述目标用户特征包括第一用户特征和第二用户特征，所述第二用户特征为所述第一用户特征下的子特征；

根据所述第一内容和所述目标用户特征，展示所述第一内容对应的评论。

第二方面，本申请实施例提供了一种评论展示装置，该装置包括：

获取模块，用于获取显示界面显示的第一内容；

确定模块，用于基于所述第一内容，从目标用户特征集合中确定与所述第一内容匹配的目标用户特征；其中，所述目标用户特征包括第一用户特征和第二用户特征，所述第二用户特征为所述第一用户特征下的子特征；

展示模块，用于根据所述第一内容和所述目标用户特征，展示所述第一内容对应的评论。

第三方面，本申请实施例提供了一种电子设备，该电子设备包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如第一方面所述的方法的步骤。

第四方面，本申请实施例提供了一种可读存储介质，所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现如第一方面所述的方法的步骤。

第五方面，本申请实施例提供了一种芯片，所述芯片包括处理器和通信接口，所述通信接口和所述处理器耦合，所述处理器用于运行程序或指令，实现如第一方面所述的方法。

在本申请实施例中，其在获取到显示界面显示的第一内容后，会基于该第一内容，从目标用户特征集合中确定与该第一内容匹配的目标用户特征，并根据第一内容和所匹配的目标用户特征，展示第一内容对应的评论。由于目标用户特征包括第一用户特征和第二用户特征，且第二用户特征为第一用户特征下的子特征，该第二用户特征能够更好反映目标用户对评论的喜好，即，其能够更加细粒度地根据用户的喜好来区别评论，使得用户比较关注和感兴趣的评论能够排得比较靠前，实现个性化的评论展示。

附图说明

图1是本申请实施例提供的一种评论展示方法的流程图；

图2-图5是本申请实施例提供的电子设备的界面显示示意图；

图6是本申请一个例子的评论展示方法的流程图；

图7是本申请实施例提供的一种评论展示装置的结构示意图；

图8是本申请实施例提供的电子设备的结构示意图；

图9是本申请另一实施例提供的电子设备的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员获得的所有其他实施例，都属于本申请保护的范围。

本申请的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象，而不用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施，且“第一”、“第二”等所区分的对象通常为一类，并不限定对象的个数，例如第一对象可以是一个，也可以是多个。此外，说明书以及权利要求中“和/或”表示所连接对象的至少其中之一，字符“/”，一般表示前后关联对象是一种“或”的关系。

下面结合附图，通过具体的实施例及其应用场景对本申请实施例提供的评论展示方法进行详细地说明。

请参看图1，其是本申请实施例提供的一种评论展示方法的流程图。该方法可以应用于电子设备中，该电子设备可以为手机、平板电脑、笔记本电脑等。如图1所示，该方法可以包括步骤s1100～步骤s1300，以下予以详细说明。

步骤s1100，获取显示界面显示的第一内容。

第一内容可以为目标用户当前正在浏览的产品、资讯等内容。该目标用户为当前正在浏览产品、资讯等第一内容的用户。

在一个例子中，可以是在获取到显示界面显示的第一内容后，便可直接执行以下基于第一内容，从目标用户特征集合中确定与第一内容匹配的目标用户特征的步骤。

在一个例子中，也可以是在获取显示界面显示的第一内容后，先提供选择评论的排序方式的选择框；并获取目标用户通过选择框选择的排序方式，以在所选择的排序方式为个性化排序方式的情况下，才执行以下基于第一内容，从目标用户特征集合中确定与第一内容匹配的目标用户特征的步骤。

可以理解的是，在所选择的排序方式为默认排序方式的情况下，可以直接根据评论的属性信息展示第一内容对应的评论，例如可以是先根据属性信息，确定第一内容对应的评论的排序信息，进而根据排序信息展示第一内容对应的评论。该评论的属性信息例如但不限于评论的发布时间、评论的点赞数量等。

示例性地，如图2所示，可以是在显示界面显示第一内容为“a队vsb队”的篮球比赛资讯后，电子设备提供选择评论的排序方式的选择框，在此，可以是在目标用户选择“个性化排序”之后，才执行以下基于第一内容，从目标用户特征集合中确定与第一内容匹配的目标用户特征的步骤。或者，如图3所示，当目标用户选择“默认排序”的情况下，可以根据评论的发布时间对篮球比赛资讯对应的评论例如5条评论进行排序，进而展示篮球比赛资讯对应的评论例如这5条评论。

示例性地，也可以是在显示界面显示“a队vsb队”的篮球比赛资讯后，电子设备不提供选择排序方式的选择界面，而是直接执行以下基于第一内容，从目标用户特征集合中确定与第一内容匹配的目标用户特征的步骤，进而根据该篮球比赛资讯和目标用户特征，对该篮球比赛资讯对应的评论例如5条评论进行排序，以展示篮球比赛资讯对应的评论例如这5条评论。

在获取显示界面显示的第一内容之后，进入：

步骤s1200，基于第一内容，从目标用户特征集合中确定与第一内容匹配的目标用户特征。

目标用户特征集合为目标用户所对应的用户特征集合，其为基于目标用户的历史行为预先收集到的反映目标用户喜好的用户特征组成的集合。目标用户特征集合中包括多个目标用户特征，并且，每一目标用户特征包括第一用户特征和第二用户特征，第二用户特征为第一用户特征下的子特征，每一第一用户特征可以对应多个第二用户特征。

以上第一用户特征为粗粒度用户特征，其能够从一定程度反映目标用户的喜好。示例性地，第一用户特征可以包括：篮球、音乐、娱乐、搞笑。

以上第二用户特征为相对粗粒度用户特征的细粒度用户特征，其能够很好的反映目标用户的喜好。可以理解的是，粗粒度用户特征和细粒度用户特征是相对的，例如用户对篮球感兴趣，并且支持的球队是b队，则篮球相对来说是粗粒度用户特征即第一用户特征，b队是细粒度用户特征即第二用户特征。示例性地，第二用户特征可以包括：b队、b队的球员、c队的球员、歌手1、歌手2、演员a、演员b、演员c、喜剧脱口秀、相声社团、相声演员。

示例性地，目标用户特征集合中包括多个目标用户特征，该多个目标用户特征可以是篮球:[b队、b队的球员、c队的球员]、音乐:[歌手1、歌手2]、娱乐:[演员a、演员b、演员c]、搞笑:[喜剧脱口秀、相声社团、相声演员]，在此，该目标用户特征集合可以是：{篮球:[b队、b队的球员、c队的球员]；音乐:[歌手1、歌手2]；娱乐:演员a、演员b、演员c]；搞笑:[喜剧脱口秀、相声社团、相声演员]}。

继续上述示例，可以是在显示界面显示“a队vsb队”的篮球比赛资讯后，电子设备会从目标用户特征集合中确定与该篮球比赛资讯“a队vsb队”匹配的目标用户特征。

本实施例中，本步骤s1200基于第一内容，从目标用户特征集合中确定与第一内容匹配的目标用户特征可以进一步包括如下步骤s1210～s1220：

步骤s1210，获取第一内容的类别标签。

第一内容的类别标签可以为第一内容的主题名称所属的类别标签。

继续上述示例，篮球比赛资讯“a队vsb队”的类别标签为“篮球”。

步骤s1220，根据第一内容的类别标签和目标用户特征集合，确定与第一内容匹配的目标用户特征。

本步骤s1220中根据第一内容的类别标签和目标用户特征集合，确定与第一内容匹配的目标用户特征可以进一步包括如下步骤s1221～s1222：

步骤s1221，根据第一内容的类别标签和目标用户特征集合，获得备选目标用户特征。

本步骤s1221中，由于目标用户的第一用户特征是根据第一内容的类别标签搜集而来的，因此，目标用户的第一用户特征和第一内容的类别标签采用的是同一套标签体系，可以直接进行字符匹配。

继续上述示例，显示界面显示的第一内容为“a队vsb队”的篮球比赛资讯，由于该篮球比赛资讯的类别标签为“篮球”，在此，将该篮球比赛资讯的类别标签“篮球”与目标用户特征集合{篮球:[b队、b队的球员、c队的球员]、音乐:[歌手1、歌手2]、娱乐:[演员a、演员b、演员c]、搞笑:[喜剧脱口秀、相声社团、相声演员]}进行字符匹配，得到备选目标用户特征“篮球:[b队、b队的球员、c队的球员]”。

步骤s1222，从备选目标用户特征中，获取满足第三条件的第二用户特征，得到处理后的备选目标用户特征，作为确定出的与第一内容匹配的目标用户特征。

第三条件包括：第二用户特征与第一内容之间的相似度分数大于设定的第二分数阈值。设定的第二分数阈值可以是根据实际应用场景和实际需求设置的数值。

本步骤s1222中，其在得到备选目标用户特征后，由于第一内容的内容名称中不一定含有备选目标用户特征中的所有第二用户特征，在此，其还会对第一内容的内容名称与备选目标用户特征中的第二用户特征进行匹配，以对备选目标用户特征中的第二用户特征即细粒度用户特征进行筛选。

本步骤s1222中，在备选目标用户特征中的第二用户特征满足以上的第三条件时，则保留该第二用户特征，并将所保留的第二用户特征和第一用户特征组成匹配于第一内容的目标用户特征。

本步骤s1222中，可以是先采用siamese-lstm(longshort-termmemory)模型计算第一内容的内容名称与备选目标用户特征中每个第二用户特征之间的语义相关性分数，作为二者之间的相似度分数，该相似度分数通常为0-1之间的数值，其中，相似度分数越接近1，则表明第二用户特征与第一内容的内容名称之间越语义相关。然后将计算出的第一内容的内容名称与备选目标用户特征中每个第二用户特征之间的相似度分数与第二分数阈值进行比较，在相似度分数大于第二分数阈值的情况下，保留对应的第二用户特征，在相似度分数小于或等于第二分数阈值的情况下，滤除对应的第二用户特征。

继续上述示例，备选目标用户特征为“篮球:[b队、b队的球员、c队的球员]”，由于该篮球比赛资讯的资讯主题名称为“a队vsb队”，则会分别计算“b队”、“b队的球员”、“c队的球员”与“a队vsb队”之间的相似度分数，分别获得“b队”与“a队vsb队”的相似度分数p1，“b队的球员”与“a队vsb队”的相似度分数p2，以及“c队的球员”与“a队vsb队”之间的相似度分数p3，由于“c队的球员”与“a队vsb队”之间的相似度分数p3小于第二分数阈值，在此，滤除备选目标用户特征中的“c队的球员”，保留备选目标用户特征中的“b队”和“b队的球员”，得到“篮球:[b队、b队的球员]”作为匹配于该篮球比赛资讯“a队vsb队”的目标用户特征。

根据以上步骤s1221～s1222，其针对第一内容，会对目标用户特征集合进行语义上的匹配，过滤掉冗余的不符合第一内容的用户特征，提高了数据处理效率。

在基于第一内容，从目标用户特征集合中确定与第一内容匹配的目标用户特征之后，进入：

步骤s1300，根据第一内容和目标用户特征，展示第一内容对应的评论。

本实施例中，在根据以上步骤s1200基于第一内容，从目标用户特征集合中确定与第一内容匹配的目标用户特征之后，便可根据本步骤s1300根据第一内容和目标用户特征，展示第一内容对应的评论。

本实施例中，本步骤s1300中根据第一内容和目标用户特征，展示第一内容对应的评论可以进一步包括如下步骤s1331～s1335：

步骤s1331，获取第一内容对应的评论与目标用户特征之间的用户关联度分数。

用户关联度分数能够反映评论与目标用户特征之间的相关性。该用户关联度分数通常为0-1之间的数值，其中，用户关联度分数越高，表明评论与目标用户特征越相关。

本步骤s1331中，可以根据预设第一模型获取第一内容对应的评论与目标用户特征之间的用户关联度分数。该预设第一模型的输入为第一内容对应的任意评论与目标用户特征，输出为所计算出的该条评论与目标用户特征之间的用户关联度分数。该预设第一模型可以为神经网络模型，例如但不限于是bp(backpropagation)神经网络模型、卷积神经网络模型等，本实施例在此并不对预设第一模型进行具体限定。

继续上述示例，符合该篮球比赛资讯“a队vsb队”的目标用户特征为“篮球:[b队、b队的球员]”，在此，可以是计算该篮球比赛资讯对应的评论与“篮球:[b队、b队的球员]”之间的相关性分数。例如利用预设第一模型分别计算评论1【a队加油！支持你们！】与“篮球:[b队、b队的球员]”之间的关联度分数作为评论1的用户关联度分数，以及，评论2【b队总冠军！！】与“篮球:[b队、b队的球员]”之间的关联度分数作为评论2的用户关联度分数等，如果评论2的用户关联度分数高于评论1的用户关联度分数，则表明评论2与目标用户特征更加相关。

步骤s1332，获取第一内容对应的评论与第一内容之间的内容关联度分数。

内容关联度分数能够反映评论与第一内容之间的相关性。该内容关联度分数通常为0-1之间的数值，其中，内容关联度分数越高，表示该条评论与第一内容越相关。

本步骤s1332中，可以是根据预设第二模型获取第一内容对应的评论与第一内容之间的内容关联度分数。该预设第二模型的输入为第一内容对应的任意评论与第一内容，输出为所计算出的该评论与第一内容之间的内容关联度分数。该预设第二模型可以为神经网络模型，例如但不限于是bp(backpropagation)神经网络模型、卷积神经网络模型等，本实施例在此并不对预设第二模型进行具体限定。

继续上述示例，符合该篮球比赛资讯“a队vsb队”的目标用户特征为“篮球:[b队、b队的球员]”，在此，可以是计算该篮球比赛资讯对应的评论与该篮球比赛资讯之间的相关性分数。例如利用预设第二模型分别计算评论1【a队加油！支持你们！】与该篮球比赛资讯之间的关联度分数作为评论1的内容关联度分数，评论2【b队总冠军！！】与该篮球比赛资讯之间的关联度分数作为评论2的内容关联度分数，以及，评论3【评论区在说啥？】与该篮球比赛资讯之间的关联度分数作为评论3的内容关联度分数，上述评论中，评论3与该篮球比赛资讯内容相关性不高，则表明评论3的质量不太高。

应当注意的是，可以是采用listwise方法分别对预设第一模型和预设第二模型进行训练，这种方法在训练的过程中，模型一次性能够接收多条评论，模型通过对不同评论的对比学习，更好地区分评论的好与坏。在实际场景当中，可以根据用户的点赞或者浏览时长等事实依据对评论集合中的评论构建排序标签，利用这些数据训练模型，训练模型使得模型的输出结果尽量和排序标签一致。

根据本步骤s1332，由于仅仅依靠评论与用户特征的关联性并不能完全筛选出用户真正想看到的评论，在此，从评论的质量这一维度进行打分，评论的内容与资讯越切合，质量越高，得分越高；而灌水评论、不相关评论以及难以理解的评论的得分会较低。

步骤s1333，融合第一内容对应的评论的用户关联度分数和内容关联度分数，获得第一内容对应的评论的目标分数。

本实施例中，本步骤s1333中融合第一内容对应的评论的用户关联度分数和内容关联度分数，获得第一内容对应的评论的目标分数可以进一步包括如下步骤s1333-1～s1333-3：

步骤s1333-1，融合第一内容对应的评论的用户关联度分数和内容关联度分数，获得第一内容对应的评论的融合分数。

本步骤s1333-1中，可以是线性融合每条评论的用户关联度分数和内容关联度分数，获得每条评论的目标分数，在此，可以是利用如下的线性函数融合评论的用户关联度分数和内容关联度分数，获得第i条评论的目标分数scorei：

scorei＝si1*m+si2*(1-m)(1)

其中，i为1至n的整数，n为第一内容对应的评论的总评论数量，si1为根据以上步骤s1331所计算出的第i条评论的用户关联度分数，si2为根据以上步骤s1332所计算出的第i条评论的内容关联度分数，m为小于1的参数值，其表示用户关联度分数的重要程度。

根据本步骤s1333，其采用融合后的分数作为最终的排序依据，这样综合考虑了评论和用户特征的联系以及评论的质量。

步骤s1333-2，获取第一内容对应的评论的情感极性分数。

评论的情感极性表示评论所代表的倾向性情感是正向还是负向。评论的情感极性分数通常为0-1之间的数值，评论的情感极性分数越高，表示评论的情感极性为正的概率越大，评论的情感极性分数越低，表示评论的情感极性为负的概率越大。

本步骤s1333-2中，可以利用双向lstm模型计算评论的情感极性分数，在此，该双向lstm模型的输入为评论，输出为评论的情感极性分数。

步骤s1333-3，根据第一内容对应的评论的情感极性分数和融合分数，获得第一内容对应的评论的目标分数。

本步骤s1333-3中，可以利用如下公式计算第i条评论的目标分数finali：

finali＝scorei*si3(2)

其中，scorei表示第i条评论的融合分数，si3表示第i条评论的情感极性分数。

根据本步骤s1333-3，其会计算评论的情感极性分数，并对用户特征相关度很高但在情感极性上不符合用户喜好的评论进行降权处理。

步骤s1334，根据第一内容对应的评论的目标分数，确定第一内容对应的评论的排序信息。

本实施例中，在根据以上步骤s1333获得第一内容对应的评论的目标分数之后，便可根据本步骤s1334对第一内容对应的评论进行排序，获得第一内容对应的评论的排序信息。

继续上述示例，如图3所示，以上篮球比赛资讯的评论集合中包括5条评论【{a队加油！支持你们！}、{评论区在说啥？}、{我觉得a队必胜}、{我希望b队赢}、{b队总冠军！！}】，其中，如图2所示，用户5所发表的评论【b队总冠军！！】的目标分数大于用户4所发表的评论【我希望b队赢】的目标分数，用户4所发表的评论【我希望b队赢】的目标分数大于用户1所发表的评论【a队加油！支持你们！】的目标分数，用户1所发表的评论【a队加油！支持你们！】的目标分数大于用户3所发表的评论【我觉得a队必胜】的目标分数，以及，用户3所发表的评论【我觉得a队必胜】的目标分数大于用户2所发表的评论【评论区在说啥？】目标分数。在此，根据这5条评论的目标分数对该篮球比赛资讯对应的这5条评论进行排序，获得的排序信息例如排序标签为【3,5,4,2,1】。

步骤s1335，根据排序信息展示第一内容对应的评论。

本实施例中，在根据以上步骤s1334获得第一内容对应的评论的排序信息之后，便可根据本步骤s1335根据排序信息展示第一内容对应的评论。

继续上述示例，以上篮球比赛资讯的评论集合中包括的5条评论【{a队加油！支持你们！}、{评论区在说啥？}、{我觉得a队必胜}、{我希望b队赢}、{b队总冠军！！}】所对应的排序信息例如排序标签为【3,5,4,2,1】，在此，如图2所示，根据该排序标签【3,5,4,2,1】展示该篮球比赛资讯对应的这5条评论。

在本申请实施例中，其在获取到显示界面显示的第一内容后，会基于该第一内容，从目标用户特征集合中确定与该第一内容匹配的目标用户特征，并根据第一内容和目标用户特征，展示第一内容对应的评论。由于目标用户特征包括第一用户特征和第二用户特征，且第二用户特征为第一用户特征下的子特征，该第二用户特征能够更好反映目标用户对评论的喜好，即，其能够更加细粒度地根据用户的喜好来区别评论，使得用户比较关注和感兴趣的评论能够排得比较靠前，实现个性化的评论展示。

需要说明的是，本申请实施例提供的评论展示方法，执行主体可以为评论展示装置，或者该评论展示装置中的用于执行评论展示方法的控制模块。本申请实施例中以评论展示装置执行评论展示方法为例，说明本申请实施例提供的评论展示方法。

在一个实施例中，本公开在根据以上步骤s1200基于第一内容，从目标用户特征集合中确定与第一内容匹配的目标用户特征之前，该评论展示方法还包括获取目标用户特征集合的步骤，该获取目标用户特征集合可以进一步包括如下步骤s1010～s1040：

步骤s1010，获取目标用户的第一用户特征、以及目标用户对应的文本信息。

例如，如图4所示，目标用户在注册任意xx应用程序时，会在xx应用程序内选择自己所感兴趣的类别标签，在此，该类别标签可以称之为目标用户的第一用户特征，由于目标用户所选择的类别标签为：篮球、音乐、娱乐、搞笑，在此，目标用户的第一用户特征可以为：篮球、音乐、娱乐、搞笑。

又例如，目标用户在利用xx应用程序浏览资讯时，可以是将目标用户经常所浏览到的资讯的类别标签作为第一用户特征，如果目标用户经常浏览到的资讯的类别标签为搞笑，在此，该第一用户特征可以为：搞笑。

示例性地，收集到的目标用户的第一用户特征包括{篮球、音乐、娱乐、搞笑}。

目标用户对应的文本信息为目标用户感兴趣的文本信息。该目标用户对应的文本信息包括评论和/或第二内容，例如可以是目标用户感兴趣的评论和/或第二内容。并且，第二内容与第一内容具有相同的类别属性，例如在第一内容为资讯时，目标用户对应的文本信息可以包括目标用户感兴趣的评论和/或历史资讯，具体的，可以是目标用户点赞的评论和/或历史资讯。

示例性地，如图5所示，目标用户进入评论界面后，可以是将目标用户点赞的评论“b队总冠军”(用户5所发表的评论)以及“b队4-2a队”(用户6所发表的评论)(图中以黑色圆圈表示对评论进行点赞)作为目标用户感兴趣的文本信息。

步骤s1020，根据第一用户特征的第一类别标签，对文本信息进行分类，获得文本信息的第二类别标签。

第一用户特征的第一类别标签可以为第一用户特征的名称。示例性地，收集到的目标用户的第一用户特征包括{篮球、音乐、娱乐、搞笑}，在此，第一用户特征的第一类别标签分别为{篮球、音乐、娱乐、搞笑}。

本步骤s1020中，其在搜集到目标用户对应的文本信息后，会根据第一用户特征的第一类别标签，对文本信息进行分类，聚合不同类别的文本信息，获得文本信息的第二类别标签。示例性地，文本信息的第二类别标签可以为{篮球、音乐、娱乐、搞笑}，例如，以上文本信息“b队总冠军”以及“b队4-2a队”的类别标签均为“篮球”。

步骤s1030，根据第二类别标签，获得目标用户的第二用户特征。

本实施例中，本步骤s1030中根据第二类别标签，获得目标用户的第二用户特征可以进一步包括如下步骤s1030-1～s1030-3：

步骤s1030-1，从第二类别标签中，获取满足第一条件的关键词，得到第二类别标签对应的备选关键词。

本步骤s1030-1中，可以是先提取每一第二类别标签下包含的文本信息中的关键词，并建立关键词与第二类别标签的对应关系，然后从第二类别标签中，获取满足第一条件的关键词，得到第二类别标签对应的备选关键词。

继续上述示例，对以上文本信息“b队总冠军”以及“b队4-2a队”分别进行关键词提取，提取得到关键词：b队、a队，由于文本信息“b队总冠军”以及“b队4-2a队”的第二类别标签均为：篮球，在此，关键词：“b队”、“a队”均为第二类别标签中的关键词。

第一条件包括：关键词的共现占比大于设定的占比阈值。关键词的共现占比等于第二类别标签下包含关键词的文本信息的数量与该第二类别标签下包含的文本信息的总数量的比值，具体的，可以根据如下公式计算第j个第二类别标签下包含的第q个关键词的共现占比xq：

其中，wq表示第j个第二类别标签下包含该第q个关键词的文本信息的数量，w总表示第j个第二类别标签下文本信息的总数量。

设定的占比阈值可以是根据实际应用场景和实际需求设置的数值。

本步骤s1030-1中，在第二类别标签中的关键词满足以上的第一条件时，则保留该关键词，并将该所保留的关键词作为该第二类别标签中的备选关键词。

本步骤s1031中，其会计算每一第二类别标签中的关键词的共现占比。然后将计算出的关键词的共现占比与设定的占比阈值进行比较，在共现占比大于设定的占比阈值的情况下，保留对应的关键词，在共现占比小于或等于设定的占比阈值的情况下，滤除对应的关键词。

继续上述示例，对以上文本信息“b队总冠军”以及“b队4-2a队”分别进行关键词提取，提取得到的关键词为：b队、a队，则会分别计算“b队”和“a队”的共现占比，由于“a队”的共现占比小于设定的占比阈值，在此，滤除“a队”，仅保留“b队”。

步骤s1030-2，从备选关键词中，获取满足第二条件的关键词，得到处理后的备选关键词。

第二条件包括：关键词的情感极性分数大于设定的第一分数阈值。关键词的情感极性分数等于该第二类别标签下包含关键词的文本信息的情感极性分数的平均值，具体的，可以利用如下公式计算第j个第二类别标签下包含的第q个关键词的情感极性分数xq：

其中，m表示第j个第二类别标签下包含第q个关键词的文本信息的数量，表示第j个第二类别标签下包含第q个关键词的第p个文本信息的情感极性分数，可以利用如下公式计算

其中，在第q个关键词的第p个文本信息具有明显的用户喜好特征时该条文本信息的情感极性分数为1，例如用户点赞的文本信息基本上可以判断是符合用户喜好的；否则采用双向lstm模型计算该文本信息的情感极性分数，越接近1的情感极性分数表示该文本信息是正向情感的可能性更大。

设定的第一分数阈值可以是根据实际应用场景和实际需求设置的数值。

根据本步骤，其将第二类别标签中包含该关键词的所有文本信息的情感极性分数的平均值作为该关键词的情感极性分数，过滤掉情感极性分数小于或等于设定的第一分数阈值的关键词，保留情感极性分数大于设定的第一分数阈值的关键词作为最终的第二用户特征。

步骤s1030-3，根据处理后的备选关键词，获得目标用户的第二用户特征。

示例性地，第二类别标签“篮球”所对应的第二用户特征为{b队、b队的球员、c队的球员}、第二类别标签“音乐”所对应的第二用户特征为{歌手1、歌手2}、第二类别标签“娱乐”所对应的第二用户特征为{演员a、演员b、演员c}、第二类别标签“搞笑”所对应的第二用户特征为{喜剧脱口秀、相声社团、相声演员}。

本步骤s1030-3中，其保留情感极性分数大于设定的第一分数阈值的关键词作为最终的第二用户特征。

步骤s1040，根据第一类别标签和第二类别标签，将第一用户特征和第二用户特征进行组合，获得目标用户特征集合。

示例性地，根据第一类别标签{篮球、音乐、娱乐、搞笑}和第二类别标签{篮球、音乐、娱乐、搞笑}，将第一用户特征{篮球、音乐、娱乐、搞笑}和第二用户特征{b队、b队的球员、c队的球员、歌手1、歌手2、演员a、演员b、演员c、喜剧脱口秀、相声社团、相声演员}进行组合，获得多个目标用户特征，该多个用户特征可以是篮球:[b队、b队的球员、c队的球员]、音乐:[歌手1、歌手2]、娱乐:[演员a、演员b、演员c]、搞笑:[喜剧脱口秀、相声社团、相声演员]，在此，该目标用户特征集合可以是：{篮球:[b队、b队的球员、c队的球员]；音乐:[歌手1、歌手2]；娱乐:[演员a、演员b、演员c]；搞笑:[喜剧脱口秀、相声社团、相声演员]}。

根据本公开实施例，其能够对目标用户的历史行为进行情感分析以及内容理解，从而挖掘符合用户喜好的第一用户特征和第二用户特征，构建目标用户特征集合。

接下来以第一内容为资讯为例，示出一个例子的评论展示方法，如图6所示，该例子中，该评论展示方法包括如下步骤：

步骤s6010，获取显示界面显示的资讯。

步骤s6020，显示界面提供用于选择评论的排序方式的选择框，在用户选择评论的排序方式为个性化排序方式的情况下，执行以下步骤s6030，反之，执行以下步骤s6070。

步骤s6030，获取目标用户特征集合。

目标用户为正在浏览该资讯的用户，目标用户特征包括第一用户特征和第二用户特征。

本步骤s6030中，可以是先获取目标用户的第一用户特征、及目标用户对应的文本信息，并根据第一用户特征的第一类别标签，对文本信息进行分类，获得文本信息的第二类别标签；然后提取文本信息中的关键词，并建立关键词与第二类别标签的对应关系；同时，从每一第二类别标签中，获取满足第一条件的关键词，得到每一第二类别标签的备选关键词，以及，从每一备选关键词中，获取满足第二条件的关键词，得到处理后的备选关键词；最后根据处理后的每一备选关键词，获得目标用户的第二用户特征，并根据第一类别标签和第二类别标签，将第一用户特征和第二用户特征进行组合，获得目标用户特征集合。

步骤s6040，根据显示界面显示的资讯，从目标用户特征集合中确定与该资讯匹配的目标用户特征。

本步骤s6040中，可以是先匹配该资讯的类别标签与目标用户特征集合中的第一用户特征，获得符合该资讯的第一用户特征和各第二用户特征；其次，匹配资讯的内容和各第二用户特征，筛选出与资讯内容语义相关的第二用户特征，并将以上符合该资讯的第一用户特征和筛选后所保留的第二用户特征组合，作为与该资讯匹配的目标用户特征。

步骤s6050，根据该资讯和匹配的目标用户特征，确定该资讯对应的评论的目标分数。

本步骤s6050中，可以是先根据预设第一模型获取该资讯对应的评论与目标用户特征之间的用户关联度分数，以及根据预设第二模型获取该资讯对应的评论与资讯的内容之间的内容关联度分数，并融合每条评论的用户关联度分数和内容关联度分数，获得每条评论的融合分数；然后获取每条评论的情感极性分数，进而根据每条评论的情感极性分数和对应的融合分数，获得每条评论的目标分数。

步骤s6060，根据资讯对应的评论的目标分数，确定资讯对应的评论的排序信息，并执行步骤s6080。

步骤s6070，根据评论的属性信息，确定资讯对应的评论的排序信息。

步骤s6080，根据排序信息展示资讯对应的评论。

与上述实施例相对应，参见图7，本申请实施例还提供一种评论展示装置700，包括：

获取模块7100，用于获取显示界面显示的第一内容。

确定模块7200，用于基于所述第一内容，从目标用户特征集合中确定与所述第一内容匹配的目标用户特征；其中，所述目标用户特征包括第一用户特征和第二用户特征，所述第二用户特征为所述第一用户特征下的子特征。

展示模块7300，用于根据所述第一内容和所述目标用户特征，展示所述第一内容对应的评论。

在一个实施例中，所述获取模块7100，还用于：获取目标用户的第一用户特征、以及所述目标用户对应的文本信息；其中，所述文本信息包括评论和/或第二内容；根据所述第一用户特征的第一类别标签，对所述文本信息进行分类，获得所述文本信息的第二类别标签；根据所述第二类别标签，获得所述目标用户的第二用户特征；根据所述第一类别标签和所述第二类别标签，将所述第一用户特征和所述第二用户特征进行组合，获得所述目标用户特征集合。

在一个实施例中，所述获取模块7100，具体用于：从所述第二类别标签中，获取满足第一条件的关键词，得到所述第二类别标签对应的备选关键词；从所述备选关键词中，获取满足第二条件的关键词，得到处理后的备选关键词；根据处理后的所述备选关键词，获得所述目标用户的第二用户特征。

所述第一条件包括：所述关键词的共现占比大于设定的占比阈值，所述关键词的共现占比等于所述第二类别标签下包含所述关键词的文本信息的数量与所述第二类别标签下包含的文本信息的总数量的比值。

所述第二条件包括：所述关键词的情感极性分数大于设定的第一分数阈值，所述关键词的情感极性分数等于所述第二类别标签下包含所述关键词的文本信息的情感极性分数的平均值。

在一个实施例中，所述确定模块7300，具体用于：获取所述第一内容对应的评论与所述目标用户特征之间的用户关联度分数；获取所述第一内容对应的评论与所述第一内容之间的内容关联度分数；融合所述第一内容对应的评论的用户关联度分数和内容关联度分数，获得所述第一内容对应的评论的目标分数；根据所述第一内容对应的评论的目标分数，确定所述第一内容对应的评论的排序信息；根据所述排序信息展示所述第一内容对应的评论。

在一个实施例中，所述确定模块7300，具体用于：融合所述第一内容对应的评论的用户关联度分数和内容关联度分数，获得所述第一内容对应的评论的融合分数；获取所述第一内容对应的评论的情感极性分数；根据所述第一内容对应的评论的情感极性分数和融合分数，获得所述第一内容对应的评论的目标分数。

本申请实施例中的评论展示装置可以是装置，也可以是终端中的部件、集成电路、或芯片。该装置可以是移动电子设备，也可以为非移动电子设备。示例性的，移动电子设备可以为手机、平板电脑、笔记本电脑、掌上电脑、车载电子设备、可穿戴设备、超级移动个人计算机(ultra-mobilepersonalcomputer，umpc)、上网本或者个人数字助理(personaldigitalassistant，pda)等，非移动电子设备可以为服务器、网络附属存储器(networkattachedstorage，nas)、个人计算机(personalcomputer，pc)、电视机(television，tv)、柜员机或者自助机等，本申请实施例不作具体限定。

本申请实施例中的评论展示装置可以为具有操作系统的装置。该操作系统可以为安卓(android)操作系统，可以为ios操作系统，还可以为其他可能的操作系统，本申请实施例不作具体限定。

本申请实施例提供的评论展示装置能够实现上述方法实施例实现的各个过程，为避免重复，这里不再赘述。

与上述实施例相对应，可选的，如图8所示，本申请实施例还提供一种电子设备800，包括处理器801，存储器802，存储在存储器802上并可在所述处理器801上运行的程序或指令，该程序或指令被处理器801执行时实现上述评论展示方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。

需要说明的是，本申请实施例中的电子设备包括上述所述的移动电子设备和非移动电子设备。

图9为实现本申请实施例的一种电子设备的硬件结构示意图。

该电子设备900包括但不限于：射频单元901、网络模块902、音频输出单元903、输入单元904、传感器905、显示单元906、用户输入单元907、接口单元908、存储器909、以及处理器910等部件。

本领域技术人员可以理解，电子设备900还可以包括给各个部件供电的电源(比如电池)，电源可以通过电源管理系统与处理器910逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。图9中示出的电子设备结构并不构成对电子设备的限定，电子设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置，在此不再赘述。

其中，处理器910，用于获取显示界面显示的第一内容；基于所述第一内容，从目标用户特征集合中确定与所述第一内容匹配的目标用户特征；其中，所述目标用户特征包括第一用户特征和第二用户特征，所述第二用户特征为所述第一用户特征下的子特征；根据所述第一内容和所述目标用户特征，展示所述第一内容对应的评论。

在一个实施例中，处理器910，还用于获取目标用户的第一用户特征，以及所述目标用户对应的文本信息；其中，所述文本信息包括评论和/或第二内容；根据所述第一用户特征的第一类别标签，对所述文本信息进行分类，获得所述文本信息的第二类别标签；根据所述第二类别标签，获得所述目标用户的第二用户特征；根据所述第一类别标签和所述第二类别标签，将所述第一用户特征和所述第二用户特征进行组合，获得所述目标用户特征集合。

在一个实施例中，处理器910，还用于从所述第二类别标签中，获取满足第一条件的关键词，得到所述第二类别标签对应的备选关键词；从所述备选关键词中，获取满足第二条件的关键词，得到处理后的备选关键词；根据处理后的所述备选关键词，获得所述目标用户的第二用户特征。

在一个实施例中，处理器910，还用于获取所述第一内容对应的评论与所述目标用户特征之间的用户关联度分数；获取所述第一内容对应的评论与所述第一内容之间的内容关联度分数；融合所述第一内容对应的评论的用户关联度分数和内容关联度分数，获得所述第一内容对应的评论的目标分数；根据所述第一内容对应的评论的目标分数，确定所述第一内容对应的评论的排序信息；根据所述排序信息展示所述第一内容对应的评论。

在一个实施例中，处理器910，还用于融合所述第一内容对应的评论的用户关联度分数和内容关联度分数，获得所述第一内容对应的评论的融合分数；获取所述第一内容对应的评论的情感极性分数；根据所述第一内容对应的评论的情感极性分数和融合分数，获得所述第一内容对应的评论的目标分数。

应理解的是，本申请实施例中，输入单元904可以包括图形处理器(graphicsprocessingunit，gpu)9041和麦克风9042，图形处理器9041对在视频捕获模式或图像捕获模式中由图像捕获装置(如摄像头)获得的静态图片或视频的图像数据进行处理。显示单元906可包括显示面板9061，可以采用液晶显示器、有机发光二极管等形式来配置显示面板9061。用户输入单元907包括触控面板9071以及其他输入设备9072。触控面板9071，也称为触摸屏。触控面板9071可包括触摸检测装置和触摸控制器两个部分。其他输入设备9072可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆，在此不再赘述。存储器909可用于存储软件程序以及各种数据，包括但不限于应用程序和操作系统。处理器910可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器910中。

本申请实施例还提供一种可读存储介质，所述可读存储介质上存储有程序或指令，该程序或指令被处理器执行时实现上述评论展示方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。

其中，所述处理器为上述实施例中所述的电子设备中的处理器。所述可读存储介质，包括计算机可读存储介质，如计算机只读存储器(read-onlymemory，rom)、随机存取存储器(randomaccessmemory，ram)、磁碟或者光盘等。

本申请实施例另提供了一种芯片，所述芯片包括处理器和通信接口，所述通信接口和所述处理器耦合，所述处理器用于运行程序或指令，实现上述评论展示方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。

应理解，本申请实施例提到的芯片还可以称为系统级芯片、系统芯片、芯片系统或片上系统芯片等。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。此外，需要指出的是，本申请实施方式中的方法和装置的范围不限按示出或讨论的顺序来执行功能，还可包括根据所涉及的功能按基本同时的方式或按相反的顺序来执行功能，例如，可以按不同于所描述的次序来执行所描述的方法，并且还可以添加、省去、或组合各种步骤。另外，参照某些示例所描述的特征可在其他示例中被组合。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以计算机软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，或者网络设备等)执行本申请各个实施例所述的方法。

上面结合附图对本申请的实施例进行了描述，但是本申请并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本申请的启示下，在不脱离本申请宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本申请的保护之内。