文章等级的确定方法及装置、存储介质及电子装置与流程

本技术涉及智慧家庭，具体而言，涉及一种文章等级的确定方法及装置、存储介质及电子装置。

背景技术：

1、近些年，越来越多的用户主动或被动地关注了不同类型的公众号，从而使公众号所发挥的信息传播效能越来越高。企业平台公众号是公众平台的一种账号类型，旨在为用户提供最新的信息和资讯，为读者提供了一种新的信息获取方式。公众号为个人知识和成果的传播提供了一个开放式的平台，作者可以通过参与投稿的方式将自己的原创文章或作品发布到各大互联网平台上，促进知识和技术的交流传播。

2、为了更好地提高知识的传播效能，让读者了解到当前热门前沿的技术研究方向和研究进展，订阅号有时会定期向读者推送优质技术文章专题。但目前在订阅号或公众号上投稿的技术文章存在文章质量参差不齐的现象，如何对投稿的众多技术文章进行文章热度和质量的定量评估，定期评选出更多优质的文章推送给读者阅读学习，提高知识传播的效力，同时获取读者的阅读偏好是公众号管理员当前所面临的主要问题。而现有的对优质热门文章的评选方式大都是利用指标加权求和方法对文章质量进行综合分析，评估准确性较差。

3、针对相关技术中，现有方法无法准确的确定文章的等级的问题，目前尚未提出有效的解决方案。

4、因此，有必要对相关技术予以改良以克服相关技术中的所述缺陷。

技术实现思路

1、本发明实施例提供了一种文章等级的确定方法及装置、存储介质及电子装置，以至少解决现有方法无法准确的确定文章的等级的问题。

2、根据本发明实施例的一方面，提供一种文章等级的确定方法，包括：获取待评分文章在多个指定指标上的目标指标数据；将所述目标指标数据输入至文章评分模型中，得到所述待评分文章的评分，其中，所述文章评分模型的损失函数为对逻辑回归的损失函数进行l2正则化后的损失函数；根据所述待评分文章的评分确定所述待评分文章的等级。

3、在一个示例性的实施例中，将所述目标指标数据输入至文章评分模型中，得到所述待评分文章的评分之前，所述方法还包括：获取训练数据集合，其中，所述训练数据集合中的每个训练样本包括：样本文章在所述多个指定指标上的样本指标数据，所述样本文章的样本评分；使用所述训练数据集合对评分模型进行训练，得到文章评分模型，其中，所述评分模型的损失函数为对逻辑回归的损失函数进行l2正则化后的损失函数。

4、在一个示例性的实施例中，使用所述训练数据集合对评分模型进行训练，得到文章评分模型，包括：通过以下步骤对评分模型进行第i轮训练：将所述训练数据集合中的样本指标数据输入至第i-1轮训练得到的评分模型中，得到预测评分；根据所述预测评分和所述样本评分确定第i轮训练的目标损失值；在所述第i轮训练的目标损失值不满足预设的收敛调节的情况下，对所述第i-1轮训练得到的评分模型中的模型参数进行调整，确定出第i轮训练得到的检测模型；在所述第i轮训练的目标损失值满足预设的收敛调节的情况下，结束训练，并将结束训练时的评分模型确定为文章评分模型。

5、在一个示例性的实施例中，获取训练数据集合之后，所述方法还包括：获取归一化公式；使用所述归一化公式对所述每个训练样本中样本文章在每个指定指标上的指标数据进行归一化处理。

6、在一个示例性的实施例中，所述评分模型的损失函数为：其中，l为损失函数，m为所述训练数据集合中训练样本的个数，w为所述评分模型的模型参数，h为sigmoid函数，xi是第i个训练样本中的样本指标数据，yi是所述第i个训练样本中的样本评分，α为衰减系数。

7、在一个示例性的实施例中，对所述第i-1轮训练得到的评分模型中的模型参数进行调整，包括：使用以下公式对所述第i-1轮训练得到的评分模型中的模型参数进行调整，得到第i轮训练得到的评分模型中的模型参数：其中，wi-1为第i-1轮训练得到的评分模型中的模型参数，wi第i轮训练得到的评分模型中的模型参数，λ为学习率。

8、在一个示例性的实施例中，获取待评分文章在多个指定指标上的指标数据之前，所述方法还包括：获取所述待评分文章的所有指标；对所述所有指标进行分析，并从所述所有指标中确定对文章等级的影响程度大于预设阈值的多个指定指标。

9、根据本发明实施例的另一方面，还提供了一种文章等级的确定装置，包括：获取模块，用于获取待评分文章在多个指定指标上的目标指标数据；第一确定模块，用于将所述目标指标数据输入至文章评分模型中，得到所述待评分文章的评分，其中，所述文章评分模型的损失函数为对逻辑回归的损失函数进行l2正则化后的损失函数；第二确定模块，用于根据所述待评分文章的评分确定所述待评分文章的等级。

10、在一个示例性的实施例中，上述装置还包括：训练模块，用于将所述目标指标数据输入至文章评分模型中，得到所述待评分文章的评分之前，获取训练数据集合，其中，所述训练数据集合中的每个训练样本包括：样本文章在所述多个指定指标上的样本指标数据，所述样本文章的样本评分；使用所述训练数据集合对评分模型进行训练，得到文章评分模型，其中，所述评分模型的损失函数为对逻辑回归的损失函数进行l2正则化后的损失函数。

11、在一个示例性的实施例中，训练模块，还用于通过以下步骤对评分模型进行第i轮训练：将所述训练数据集合中的样本指标数据输入至第i-1轮训练得到的评分模型中，得到预测评分；根据所述预测评分和所述样本评分确定第i轮训练的目标损失值；在所述第i轮训练的目标损失值不满足预设的收敛调节的情况下，对所述第i-1轮训练得到的评分模型中的模型参数进行调整，确定出第i轮训练得到的检测模型；在所述第i轮训练的目标损失值满足预设的收敛调节的情况下，结束训练，并将结束训练时的评分模型确定为文章评分模型。

12、在一个示例性的实施例中，训练模块，还用于获取训练数据集合之后，获取归一化公式；使用所述归一化公式对所述每个训练样本中样本文章在每个指定指标上的指标数据进行归一化处理。

13、在一个示例性的实施例中，所述评分模型的损失函数为：其中，l为损失函数，m为所述训练数据集合中训练样本的个数，w为所述评分模型的模型参数，h为sigmoid函数，xi是第i个训练样本中的样本指标数据，yi是所述第i个训练样本中的样本评分，α为衰减系数。

14、在一个示例性的实施例中，训练模块，还用于使用以下公式对所述第i-1轮训练得到的评分模型中的模型参数进行调整，得到第i轮训练得到的评分模型中的模型参数：其中，wi-1为第i-1轮训练得到的评分模型中的模型参数，wi第i轮训练得到的评分模型中的模型参数，λ为学习率。

15、在一个示例性的实施例中，获取模块，还用于在获取待评分文章在多个指定指标上的指标数据之前，获取所述待评分文章的所有指标；对所述所有指标进行分析，并从所述所有指标中确定对文章等级的影响程度大于预设阈值的多个指定指标。

16、根据本发明实施例的又一方面，还提供了一种计算机可读的存储介质，该计算机可读的存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述文章等级的确定方法。

17、根据本发明实施例的又一方面，还提供了一种电子装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，上述处理器通过计算机程序执行上述文章等级的确定方法。

18、通过本发明，获取待评分文章在多个指定指标上的目标指标数据，并将目标指标数据输入至文章评分模型中，得到待评分文章的评分，并根据文章的评分确定待评分文章的等级，由于文章评分模型的损失函数为对逻辑回归的损失函数进行l2正则化后的损失函数，进而使得文章评分模型可以准确的确定文章的评分，进而准确的确定文章的等级，解决了现有方法无法准确的确定文章的等级的问题。