一种智能助手热度评估系统及方法与流程

本发明涉及热度评估，具体而言，涉及一种智能助手热度评估系统及方法。

背景技术：

1、随着人工智能技术的迅速发展，智能助手已经成为人们日常生活中不可或缺的一部分。它们以多种形式存在，如智能手机中的语音助手、家庭自动化系统、在线客服机器人等。智能助手的普及带动了对其性能和用户满意度的持续关注，因此，对智能助手的热度进行评估变得尤为重要。

2、在现有技术中，评估智能助手的热度依赖于用户调查、市场分析或者直接的用户反馈收集。这些方法虽然提供了一定的信息，但往往存在延时性、主观性和数据量不足的问题。为了更精准、实时地评估智能助手的热度，需要一种结合现代技术手段的新方法。

技术实现思路

1、本发明实施例提供一种智能助手热度评估系统及方法，用以解决现有技术中无法对智能助手的使用热度进行智能化评估，无法保证智能助手使用热度评估精度和评估效率的技术问题。

2、为了实现上述目的，本发明提供了一种智能助手热度评估方法，包括：

3、确定待评估智能助手，获取所述待评估智能助手的历史使用行为，并将所述历史使用行为输入至预先训练的使用行为分析模型，输出每一个历史使用行为对应的使用行为值；

4、对所有的使用行为值进行分析，并基于分析结果计算每一个历史使用行为对应的子热力值；

5、对所有的子热力值进行对比分析，并基于分析结果计算所述待评估智能助手的初始热力值；

6、采集所述待评估热力助手的调节影响因素，并根据所述调节影响因素计算所述待评估智能助手的热力影响值，其中，所述调节影响因素包括发布时间和收藏维度；

7、基于所述热力影响值对所述初始热力值进行调节，得到目标热力值，并将所述目标热力值作为所述待评估智能助手的排序条件。

8、进一步地，在将所述历史使用行为输入至预先训练的使用行为分析模型之前，还包括：

9、获取所述待评估智能助手的历史评估数据，并根据所述历史评估数据构建数据集；

10、对所述数据集按照预设比例抽样得到训练子集和测试子集；

11、获取预先选取的神经网络模型，并根据所述训练子集对所述神经网络模型进行迭代训练，根据所述测试子集对迭代训练后的神经网络模型进行评价，并得到所述使用行为分析模型；其中，

12、若当前迭代训练后的神经网络模型的评价值小于前一次迭代训练后的神经网络模型的评价值，则降低神经网络模型在梯度方向上变化的幅度，继续进行迭代训练，直至达到预设的迭代次数；

13、若当前迭代训练后的神经网络模型的评价值大于或等于前一次迭代训练后的神经网络模型的评价值，则停止迭代训练。

14、进一步地，在对所有的使用行为值进行分析，并基于分析结果计算每一个历史使用行为对应的子热力值时，包括：

15、获取预先设定的预设最小使用行为值，并基于所述最小使用行为值对所有的使用行为值进行剔除处理，并根据剩余的使用行为值构建使用行为值集合，其中，所述剔除处理包括剔除所有小于所述预设最小使用行为值的使用行为值；

16、获取预先设定的标准使用行为值范围，其中，所述标准使用行为范围包括第一预设标准使用行为值和第二标准使用行为值，且所述第一预设标准使用行为值小于所述第二预设标准使用行为值；

17、将所有的使用行为值和所述标准使用行为值范围进行数值对比，并将所有小于所述第一预设标准使用行为值的使用行为值划分至第一使用行为值集合；

18、将所有大于或等于所述第一预设标准使用行为值，且小于所述第二预设标准使用行为值的使用行为值划分至第二使用行为值集合；

19、将所有大于或等于所述第二预设标准使用行为值的使用行为值划分至第三使用行为值集合；

20、根据所述第一使用行为值集合、第二使用行为值集合和第三使用行为值集合计算历史使用行为对应的子热力值。

21、进一步地，在根据所述第一使用行为值集合、第二使用行为值集合和第三使用行为值集合计算历史使用行为对应的子热力值时，包括：

22、根据下式计算历史使用行为对应的子热力值：

23、p＝h×ys×yt；

24、

25、其中，p为历史使用行为对应的子热力值，h为子热力值的计算系数，ys为第s个历史使用行为的使用行为值，yt为第s个历史使用行为的权重，w1为第一使用行为值集合对应的计算系数，n1为第一使用行为值集合中使用行为值的数量，ai为第一使用行为值集合中第i个使用行为值，b1为第一使用行为值集合中使用行为值的平均值，w2为第二使用行为值集合对应的计算系数，n2为第二使用行为值集合中使用行为值的数量，cj为第二使用行为值集合中第j个使用行为值，b2为第二使用行为值集合中使用行为值的平均值，w3为第三使用行为值集合对应的计算系数，n3为第三使用行为值集合中使用行为值的数量，fe为第三使用行为值集合中第e个使用行为值，b3为第三使用行为值集合中使用行为值的平均值。

26、进一步地，在对所有的子热力值进行对比分析，并基于分析结果计算所述待评估智能助手的初始热力值时，包括：

27、从所有的子热力值中提取相同的子热力值，并得到多个子热力值集合；

28、统计子热力值集合的第一子热力值集合数量；

29、从所有的子热力值集合中分别提取一个子热力值，并计算第一子热力值和值；

30、获取预先设定的预设子热力值，剔除所有小于所述预设子热力值的子热力值集合，统计剩余的子热力值集合的第二子热力值集合数量；

31、从剩余的子热力值集合中分别提取一个子热力值，并计算第二子热力值和值；

32、根据所述第一子热力值集合数量、第二子热力值集合数量、第一子热力值和值和第二子热力值和值计算所述待评估智能助手的初始热力值。

33、进一步地，在根据所述第一子热力值集合数量、第二子热力值集合数量、第一子热力值和值和第二子热力值和值计算所述待评估智能助手的初始热力值时，包括：

34、根据下式计算所述待评估智能助手的初始热力值：

35、

36、其中，a为待评估智能助手的初始热力值，d2为第二子热力值和值，d1为第一子热力值和值，k1为第一子热力值集合数量，k2为第二子热力值集合数量，t为预设子热力值。

37、进一步地，在采集所述待评估热力助手的调节影响因素，并根据所述调节影响因素计算所述待评估智能助手的热力影响值时，包括：

38、基于预先训练的发布时间评价模型对所述发布时间进行评价，确定发布时间评价值；

39、基于预先训练的收藏维度评价模型对所述收藏维度进行评价，确定收藏维度评价值；

40、根据所述发布时间评价值和所述收藏维度评价值计算所述待评估智能助手的热力影响值。

41、进一步地，在根据所述发布时间评价值和所述收藏维度评价值计算所述待评估智能助手的热力影响值时，包括：

42、根据下式计算所述待评估智能助手的热力影响值：

43、

44、其中，g为待评估智能助手的热力影响值，q为常数，s1为发布时间评价值，u1为发布时间评价阈值，s2为收藏维度评价值，u2为收藏维度评价阈值。

45、进一步地，在基于所述热力影响值对所述初始热力值进行调节，得到目标热力值时，包括：

46、预先设定多个热力影响值区间，其中，每一个热力影响值区间包括第一预设热力影响值和第二预设热力影响值；

47、预先设定多个预设调节系数，且每一个调节系数与热力影响值区间一一对应；

48、将所述热力影响值在所有的热力影响值区间进行遍历，确定对应的热力影响值区间，并确定对应的预设调节系数；

49、基于确定的预设调节系数对所述初始热力值进行调节，得到目标热力值。

50、为了实现上述目的，本发明还提供了一种智能助手热度评估系统，包括：

51、第一模块，用于确定待评估智能助手，获取所述待评估智能助手的历史使用行为，并将所述历史使用行为输入至预先训练的使用行为分析模型，输出每一个历史使用行为对应的使用行为值；

52、第二模块，用于对所有的使用行为值进行分析，并基于分析结果计算每一个历史使用行为对应的子热力值；

53、第三模块，用于对所有的子热力值进行对比分析，并基于分析结果计算所述待评估智能助手的初始热力值；

54、第四模块，用于采集所述待评估热力助手的调节影响因素，并根据所述调节影响因素计算所述待评估智能助手的热力影响值，其中，所述调节影响因素包括发布时间和收藏维度；

55、第五模块，用于基于所述热力影响值对所述初始热力值进行调节，得到目标热力值，并将所述目标热力值作为所述待评估智能助手的排序条件。

56、与现有技术相比，本发明的有益效果在于：

57、本发明公开了一种智能助手热度评估系统及方法，获取待评估智能助手的历史使用行为，输入至预先训练的使用行为分析模型，输出每一个历史使用行为对应的使用行为值；对使用行为值进行分析，计算每一个历史使用行为对应的子热力值；对所有的子热力值进行对比分析，计算待评估智能助手的初始热力值；采集待评估热力助手的调节影响因素，并根据调节影响因素计算待评估智能助手的热力影响值，基于热力影响值对初始热力值进行调节，得到目标热力值，将目标热力值作为待评估智能助手的排序条件，可以对智能助手的目标热力值进行智能化评估，保证智能助手使用热度的评估精度和评估效率，为智能助手的排序提供可靠的数据支撑。