网络专家可信度判定方法及装置的制造方法
【技术领域】
[0001] 本发明实施例涉及互联网技术领域，尤其涉及一种网络专家可信度判定方法及装 置。
【背景技术】
[0002] 随着互网络的迅速发展，人们越来越依附于网络。当遇有难题时，也依靠互联网搜 索，期望网络上的专家给出指导性意见。但是，网络上的专家的水平也都参差不齐，有些专 家给出的意见也不太可信，甚至于存在一些伪专家。那么，如何判定网络上专家的可信程度 成为目前亟待解决的一个问题。
[0003] 目前，常规的专家可信程度的判定方法是通过人员对专家的意见进行解读以进行 判定，对于不同的人往往具有不同的判定结果，具有主观性，从而使判定结果缺乏真实性。
【发明内容】
[0004] 本发明实施例提供一种网络专家可信度判定方法及装置，能够通过计算未知专家 的可信程度，为用户提供更加可靠有价值的专家意见。
[0005] 第一方面，本发明实施例提供了一种网络专家可信度判定方法，包括：
[0006] 从互联网上获取已知专家的可信程度的影响因素信息；
[0007] 根据所述已知专家的可信程度的影响因素信息确定各影响因素的权重；
[0008] 获取未知专家的可信程度的影响因素信息；
[0009] 根据所述未知专家的可信程度的影响因素信息和所述各影响因素的权重确定所 述未知专家的可信程度。
[0010] 第二方面，本发明实施例还提供一种网络专家可信度判定装置，包括：
[0011] 第一信息获取模块，用于从互联网上获取已知专家的可信程度的影响因素信息；
[0012] 权重确定模块，用于根据所述已知专家的可信程度的影响因素信息确定各影响因 素的权重；
[0013] 第二?目息获取模块，用于获取未知专家的可?目程度的影响因素 ?目息；
[0014] 可信程度确定模块，用于根据所述未知专家的可信程度的影响因素信息和所述各 影响因素的权重确定所述未知专家的可信程度。
[0015] 本发明实施例通过从互联网上获取已知专家的可信程度的影响因素信息，并根据 所述已知专家的可信程度的影响因素信息确定各影响因素的权重；在获取到未知专家的可 信程度的影响因素信息后，根据已知专家确定的所述各影响因素的权重进一步确定所述未 知专家的可信程度，从而为用户提供更加可靠有价值的专家意见。
【附图说明】
[0016] 图1为本发明实施例一提供的网络专家可信度判定方法的流程示意图；
[0017] 图2为本发明实施例二提供的网络专家可信度判定方法的流程示意图；
[0018] 图3为本发明实施例三提供的网络专家可信度判定装置的结构示意图。
【具体实施方式】
[0019] 下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描 述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便 于描述，附图中仅示出了与本发明相关的部分而非全部结构。
[0020] 本发明实施例提供的网络专家可信度判定方法的执行主体，可为集成在终端设备 上的网络专家可信度判定装置，该网络专家可信度判定装置可以采用硬件或软件实现。
[0021] 实施例一
[0022] 图1为本发明实施例一提供的网络专家可信度判定方法的流程示意图，如图1所 示，具体包括：
[0023] S11、从互联网上获取已知专家的可信程度的影响因素信息；
[0024] 其中，已知专家是指在互联网发表言论的且已经过官方确认身份真伪的专家，包 括真实专家和伪专家。
[0025] S12、根据所述已知专家的可信程度的影响因素信息确定各影响因素的权重；
[0026] 其中，所述可信程度的影响因素信息可以根据需要进行设定，也可区分不同的专 家判定标准确定不同的影响因素信息。具体可包括以下影响因素中的至少一种：用户评论 内容、点赞量、点踩量、用户评论分数、用户评论数量、专家职称、专家在专业领域内的认可 度、专家发表的文章和书籍量。可通过神经网络学习算法，例如监督学习算法、无监督学习 算法或半监督学习算法等，分别计算上述各影响因素的权重。
[0027] 例如，对于真实专家来说，上述各影响因素中的用户评论内容中好评量和点赞量 也就越多，用户评论分数、专家职称和专家在专业领域内的认可度就越高，而点踩量和用户 坏评量也就越低。对于伪专家来说，上述各影响因素中的用户评论内容中的好评量和点赞 量也就越少，用户评论分数、专家职称和专家在专业领域内的认可度也就越低，而点踩量也 就越高。由于专家发表的文章和书籍量，都有可能伪造，因此对真伪专家的判定的影响并不 是很大。从而可以确定各影响因素中用户评论内容、点赞量、点踩量、用户评论分数、用户评 论数量、专家职称和专家在专业领域内的认可度对判定专家的影响比较大，其对应的权重 也就越高，而专家发表的文章和书籍量对判定专家的影响比较小，其对应的权重也就越小。
[0028] 具体的，可从互联网上（例如百度口碑网站）获取大量已知专家的可信程度的影 响因素信息，包括真实专家和伪专家的专家职称、专家领域内认可程度、专家的文章或者书 籍、网民的评论其中包括点赞或者点踩、及网民的评论语等信息，通过神经网络中的学习算 法（监督学习、无监督学习或半监督学习），可得到真实专家对应的各影响因素对应的权 重。
[0029] 具体在实现时，可以将每个样本的各影响信息因素进行量化，并存入数组，在数组 中设置专家真伪标识项，可预先将真实专家对应的标识项设为1，伪专家对应的标识项设为 〇。而后将样本的数组作为算法的输入数据。
[0030] 例如，获取的已知专家的影响因素中包括用户评论内容、点赞量、点踩量、用户 评论分数和用户评论数量，获取的真实专家对应的用户评论内容的好评量、点赞量、点踩 量、用户评论分数和专家发表的文章和书籍量经过赋值及归一化处理后分别为80、90、5、 89和50,获取的伪专家对应的用户评论内容的好评量、点赞量、点踩量、用户评论分数和 专家发表的文章和书籍量经过赋值处理后分别为5、0、95、5和57,将上述两组数据以向量 [80909589501]和[50955570]的形式输入上述学习算法中，得到真实专家对应的用户评论 内容、点赞量、点踩量、用户评论分数和专家发表的文章和书籍量对应的权重分别为0.9、 0.8、-0.85、0. 93和0. 1。表明在上述影响信息因素中，用户评论分数的权重较高0.93,最 能反映专家的真伪，而专家发表的文章和书籍量，权重较低为〇. 1，在反映专家真伪性方面 的影响最弱。
[0031] 另外，随着网民评论数量的增加，得到的各影响因素的权重真实性就越强，通过不 断的机器学习，最终可得到用于判断未知专家真伪的真实权重。
[0032] S13、获取未知专家的可信程度的影响因素信息；
[0033] S14、根据所述未知专家的可信程度的影响因素信息和所述各影响因素的权重确 定所述未知专家的可信程度。
[0034] 具体的，所述未知专家的可信程度可采用分值表示，例如，0~100分，分值越高 可信程度越强；也可以采用等级表示，例如高级专家、普通专家和伪专家等等。例如，获取 的未知专家的可信程度的影响因素信息包括用户评论内容中的好评量、点赞量、点踩量、用 户评论分数和专家发表的文章和书籍量经过赋值及归一化处理后分别为80、90、30、70和 90,则采用上述步骤S12中得到的真实专家对应的权重用户评论内容0. 9、点赞量0. 8、点 踩量-0. 85、用户评论分数0. 93和专家发表的文章和书籍量0. 1，得到未知专家的可信程 度对应的分数为 80*0. 9+90*0. 8+30*(-0· 85)+70*0. 93+90