CN106708939A - 一种对目标人物进行评分及推送的方法、装置、系统 - Google Patents

Abstract

本发明技术方案提供一种对目标人物进行评分及推送的方法、装置、系统，所述对目标人物进行评分的方法包括：获取若干第一评分指标及所述第一评分指标下维度的分布；针对所述目标人物统计所述第一评分指标各维度的概率分布；基于所述第一评分指标各维度的状态分布计算所述目标人物对于所述第一评分指标的契合度；对属于相同指标类型的第一评分指标契合度取平均值以得到指标值；基于所有指标值与其对应指标权重的加权平均结果输出所述目标人物的评分。本发明技术方案能够实现目标人物的自动评价及选择、推荐。

Description

一种对目标人物进行评分及推送的方法、装置、系统

技术领域

本发明属于计算机技术领域，具体地，涉及一种对目标人物进行评分的方法、一种对人物进行推送的方法、一种对目标人物进行评分的装置、一种对人物进行推送的系统。

背景技术

随着互联网的普及，同样的网站会被形形色色的人所使用。例如，一个导航网页会被年龄跨度为60多岁的人所使用，同时，他们的职业各不相同，上网的需求也随之大相径庭。海量的信息如潮水般涌现在大家面前，我们已然进入了一个信息爆炸的时代，在此背景下，一方面用户越来越不容易从中发现自己感兴趣的内容，另一方面也是的大量的信息无人问津，无法被用户所获取。

如何实现信息与对应用户之间的配对，是用户能够获得更多、更实用的信息，就需要判断目标用户的属性，基于该属性，了解目标用户的情况、需要和爱好，才能向目标用户提供相关信息。

在现阶段，没有一个非常好的方法解决上述提到的问题。

发明内容

本发明技术方案解决的技术问题为：如何在对目标用户信息数据进行处理的基础上，通过算法进行评分，然后实现对应信息的推荐。

为了解决上述技术问题，本发明技术方案提供了一种对目标人物进行评分的方法，包括：

获取若干第一评分指标及所述第一评分指标下维度的状态分布；

针对所述目标人物统计所述第一评分指标各维度的状态分布；

基于所述第一评分指标各维度的状态分布计算所述目标人物对于所述第一评分指标的契合度；

对属于相同指标类型的第一评分指标契合度取平均值以得到指标值；

基于所有指标值与其对应指标权重的加权平均结果输出所述目标人物的评分。

可选的，所述指标类型包括第一指标类型与第二指标类型，所述对目标人物进行评分的方法还包括：

获取所述目标人物的关注度；

基于所述目标人物的关注度计算所述目标人物的关注度指标乘数，所述关注度指标乘数为所述目标人物相对于其他人物的关注度；

若所述第一评分指标属于第一指标类型，所述对属于相同指标类型的第一评分指标契合度取平均值以得到指标值包括：将所述第一评分指标契合度平均值与所述目标人物的关注度指标乘数相乘以得到所述指标值；

若所述第一评分指标属于第二指标类型，所述对属于相同指标类型的第一评分指标契合度取平均值以得到指标值包括：将所述第一评分指标契合度平均值作为所述指标值。

可选的，还包括：

获取若干第二评分指标；

针对所述目标人物统计所述第二评分指标的统计值；

基于所述第二评分指标的统计值计算所述第二评分指标的相对活跃度；

取所述第二评分指标相对活跃度的平均值以得到所述指标值。

可选的，对于第二评分指标，所述指标值基于如下步骤获取：

获取所述目标人物的活跃度；

基于所述目标人物的活跃度计算所述目标人物的活跃度乘数；

将所述第二评分指标相对活跃度的平均值与所述目标人物的活跃度乘数相乘以得到所述指标值。

可选的，设所述契合度为cosθ_i，有：

其中，i为指标的编号，R_i为第一评分指标各维度的状态分布矩阵，为所述目标人物各指标的状态分布矩阵，(R_i)^T为R_i的转置矩阵。

可选的，设关注度指标乘数为T_i，有：

其中，i为所述目标人物的编号，为所述目标人物的关注度，t₁，t₂，...，t_n为所述其他人物及目标人物的关注度，n为所述其他人物及目标人物的人物个数。

可选的，设所述第二评分指标的相对活跃度为F_i，有：

其中，i为所述目标人物的编号，为所述目标人物第二评分指标的统计值，为所述其他人物及目标人物的第二评分指标的统计值，n为所述其他人物及目标人物的人物个数。

可选的，设活跃度乘数为S_i，有：

其中，i为所述目标人物的编号，g_i为所述目标人物的活跃度，g₁，g₂，...，g_n为所述其他人物及目标人物的活跃度，n为所述其他人物及目标人物的人物个数。

可选的，所述基于所有指标值与其对应指标权重的相乘结果输出所述目标人物的评分包括：

将所述相乘结果累加以得到所述目标人物的评分。

可选的，所述基于所有指标值与其对应指标权重的相乘结果输出所述目标人物的评分包括：

获取第三评分指标；

针对所述目标人物统计所述第三评分指标数值；

将所述相乘结果累加并将所述累加值与所述第三评分指标数值相乘以得到所述目标人物的评分。

为了解决上述技术问题，本发明技术方案还提供了一种对人物进行推送的方法，包括：

基于前述的方法对所有目标人物进行评分；

基于所述目标人物的评分进行人物推送。

可选的，还包括：

接收用户人物推送请求；

所述对所有目标人物进行评分基于所述请求被执行。

为了解决上述技术问题，本发明技术方案还提供了一种对目标人物进行评分的装置，包括：

获取单元，适于获取若干第一评分指标及所述第一评分指标下维度的分布；

统计单元，适于针对所述目标人物统计所述第一评分指标各维度的状态分布；

计算单元，适于基于所述第一评分指标各维度的状态分布计算所述目标人物对于所述第一评分指标的契合度；

平均单元，适于对属于相同指标类型的第一评分指标契合度取平均值以得到指标值；

输出单元，适于基于所有指标值与其对应指标权重的相乘结果输出所述目标人物的评分。

为了解决上述技术问题，本发明技术方案提供了一种对人物进行推送的系统，包括：

如上所述装置，适于输出对所有目标人物进行评分；

推送单元，适于基于所述目标人物的评分进行人物推送。

本发明技术方案的有益效果至少包括：

本发明技术方案基于预设的评价系统，评价系统中具有标签集合，标签集合可以对评价分类(游戏、购物、经济等)有关，基于浏览器用户浏览的网页数据进行标签评价，通过大数据/历史浏览器用户的数据制定偏好，判断男女性别的属性以便更好的进行网页推送。这样有助于实现推送信息符合浏览器用户的需求。

在另一方面，本发明技术方案能够对各类公众人物进行评价，并判断公众人物的属性，以确定综合公众人物的各种客观评价信息，并基于上述评价信息进行公众人物的评估，从而自适应地进行人物推荐及选择，实现了网络及大数据背景下各种人物信息的综合评价，实现目标人物的自动选择推荐。

附图说明

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其他特征、目的和优点将会变得更明显：

图1示出根据本发明的第一具体实施例的，一种对目标人物进行评分的方法流程图；

图2示出根据本发明的第二具体实施例的，一种对目标人物进行评分的方法流程图；

图3示出根据本发明的第三具体实施例的，一种对目标人物进行评分的方法流程图；

图4示出根据本发明的第三具体实施例的一个变化例的，一种对指标值的获取方法流程图；

图5示出根据本发明的第四具体实施例的，一种对人物进行推送的方法流程图；

图6示出根据本发明的第五具体实施例的，一种对目标人物进行评分的装置结构图。

具体实施方式

为了更好的使本发明的技术方案清晰的表示出来，下面结合附图对本发明作进一步说明。

需要理解的是，本发明主要适用但不限于这样一种场景，本领域技术人员理解这样的控制过程具有重要的意义，浏览器用户可能对应多个用户；一个用户也可能是多个浏览器用户。通过大数据/历史浏览器用户的数据制定偏好，判断男女性别的属性以便更好的进行网页推送。本发明技术方案设定评价系统，评价系统中具有标签集合，标签集合对评价分类(游戏、购物、经济等)有关，基于浏览器用户浏览的网页数据进行标签评价，评价中则对对应评价分类进行基础分值(0)上的计算，比如偏男性则(+1)，偏女性则(-1)；将所有评价分类的最终计算值进行相加，从而得到基础分值上的负值或正值，从而进行网页/产品推荐。

图1示出根据本发明的第一具体实施例的，一种对目标人物进行评分的方法流程图。具体步骤如下：

进入步骤S101，获取若干第一评分指标及所述第一评分指标下维度的状态分布。具体地，所述获取即检测用户终端的页面上是否有用户输入指令并判断用户输入指令的类型。用户终端可以是计算机、手机等中的浏览器。用户终端的页面通常是通过浏览器接入的网站管理服务中的一个页面，服务器根据用户在所接入的页面上的操作发回响应信息；所述第一评分指评价系统中的标签集合，标签集合对评价分类(游戏、购物、经济等)有关。

执行步骤S102，具体地，针对所述目标人物统计所述第一评分指标各维度的状态分布。

进入步骤S103，基于所述第一评分指标各维度的状态分布计算所述目标人物对于所述第一评分指标的契合度。具体地，所述契合度，即系统判断所述目标人物与所述第一评分指标的相似度。更加具体地，设所述契合度为cosθ_i，有：

其中，i为指标的编号，R_i为第一评分指标各维度的状态分布矩阵，为所述目标人物各指标的状态分布矩阵，(R_i)^T为R_i的转置矩阵。

执行步骤S104，对属于相同指标类型的第一评分指标契合度取平均值以得到指标值。具体地，所述指标值为对所述目标人物属性的判断，例如，可以用来指示所述目标人物偏男性/女性。

进入步骤S105，基于所有指标值与其对应指标权重的加权平均结果输出所述目标人物的评分。具体地，所述评分为综合的评分，即指所述目标人物各项指标综合起来所反映的所述目标人物的属性。

进一步地，所述基于所有指标值与其对应指标权重的相乘结果输出所述目标人物的评分包括：将所述相乘结果累加以得到所述目标人物的评分。

图2示出根据本发明的第二具体实施例的，一种对目标人物进行评分的方法流程图。所述指标类型包括第一指标类型与第二指标类型，其中所述第二指标类型属于指标类型，这边是对指标类型进行划分，其中一部分指标类型(对应所述第一指标类型)作平均值与关注度相乘处理，另一部分指标类型(对应所述第二指标类型)作平均值处理。具体步骤如下：

进入步骤S201，获取所述目标人物的关注度。具体地，所述目标人物并非真实的人，而是指浏览器等互联网入口；所述关注度可以为点击率或曝光量。

执行步骤S202，基于所述目标人物的关注度计算所述目标人物的关注度指标乘数。具体地，所述关注度指标乘数为所述目标人物相对于其他人物的关注度。更加具体地，设关注度指标乘数为T_i，有：

其中，其中，i为所述目标人物的编号，t_i为所述目标人物的关注度，t₁，t₂，...，t_n为所述其他人物及目标人物的关注度，n为所述其他人物及目标人物的人物个数。

进入步骤S203，判断所述第一评分指标的类型。

执行步骤S204，若所述第一评分指标属于第一指标类型，所述对属于相同指标类型的第一评分指标契合度取平均值以得到指标值包括：将所述第一评分指标契合度平均值与所述目标人物的关注度指标乘数相乘以得到所述指标值；若所述第一评分指标属于第二指标类型，所述对属于相同指标类型的第一评分指标契合度取平均值以得到指标值包括：将所述第一评分指标契合度平均值作为所述指标值。

图3示出根据本发明的第三具体实施例的，一种对目标人物进行评分的方法流程图。

进入步骤S301，获取若干第二评分指标。具体地，所述第二评分与第一评分指标都是所述评分指标的某一类，包括性别、职业等，只是在表述时加以区分。

执行步骤S302，针对所述目标人物统计所述第二评分指标的统计值。

进入步骤S303，基于所述第二评分指标的统计值计算所述第二评分指标的相对活跃度。具体地，所述第二评分指标的相对活跃度为F_i，有：

其中，i为所述目标人物的编号，为所述目标人物第二评分指标的统计值，为所述其他人物及目标人物的第二评分指标的统计值，n为所述其他人物及目标人物的人物个数。

执行步骤S304，取所述第二评分指标相对活跃度的平均值以得到所述指标值。

进一步的，所述指标值基于图4示出的方法获得。具体步骤如下；

进入步骤S401，获取所述目标人物的活跃度。

执行步骤S402，基于所述目标人物的活跃度计算所述目标人物的活跃度乘数。具体地，设活跃度乘数为S_i，有：

其中，i为所述目标人物的编号，g_i为所述目标人物的活跃度，g₁，g₂，...，g_n为所述其他人物及目标人物的活跃度，n为所述其他人物及目标人物的人物个数。

进入步骤S403，将所述第二评分指标相对活跃度的平均值与所述目标人物的活跃度乘数相乘以得到所述指标值。

进一步地，所述基于所有指标值与其对应指标权重的相乘结果输出所述目标人物的评分包括：获取第三评分指标；针对所述目标人物统计所述第三评分指标数值；将所述相乘结果累加并将所述累加值与所述第三评分指标数值相乘以得到所述目标人物的评分。

图5示出根据本发明的第四具体实施例的，一种对人物进行推送的方法流程图。第四具体实施例基于第一、二、三具体实施例中任意一个方法对所有目标人物进行评分，然后将所述目标人物的评分进行任务推送。具体步骤如下：

进入步骤S501，接收用户人物推送请求。具体地，所述用户人物即浏览器端的操作者；所述推送请求即指所述用户人物在浏览器端操作时所发出的需求，该需求可能是所述用户人物直接传达，亦可能是某项操作中隐含的需求。例如，用户在晚上搜索钢笔，那么隐含需求就可能是字帖、墨水等。

执行步骤S502，所述对所有目标人物进行评分基于所述请求被执行。

图6示出根据本发明的第五具体实施例的，一种对目标人物进行评分的装置结构图，该装置包括获取单元61、统计单元62、计算单元63、平均单元64及输出单元65。所述获取单元61适于获取若干第一评分指标及所述第一评分指标下维度的分布；所述统计单元62适于针对所述目标人物统计所述第一评分指标各维度的状态分布；所述计算单元63适于基于所述第一评分指标各维度的状态分布计算所述目标人物对于所述第一评分指标的契合度；所述平均单元64适于对属于相同指标类型的第一评分指标契合度取平均值以得到指标值；所述输出单元65适于基于所有指标值与其对应指标权重的相乘结果输出所述目标人物的评分。

需要说明的是，对于上述对目标人物进行评分的装置的结构并不限于此实施例，比如，上述获取单元61、统计单元62、计算单元63、平均单元64可以合成于同一模块，比如一处理模块，该处理模块与输出单元65完成上述评分功能；再如，上述平均单元64可以合成于计算单元63中，或者，统计单元62、平均单元64也可以一同合成于上述计算单元63。本发明技术方案不对上述结构形式作限定。

进一步地，所述对目标人物进行评分的装置与推送单元共同组成对任务进行推送的系统。所述推送单元适于基于所述目标人物的评分进行人物推送。

根据本发明技术方案的上述技术特征，本实施例还提供了一则应用例，即使用上述对目标人物进行评分的方法对演员进行评分，其主要思路是基于上述对目标人物进行评分的方法设立一种演员评分模型。在使用上述对目标人物进行评分的方法设立演员评分模型时，其使用目的包括：演员因素对影视剧效益的影响是多方面的，体现在知名度、演技、活跃度等方面；选择演员需要进行多维度的考虑，以实现效益的最大化。由于演员甄选所涉及的维度较多，且维度之间差异性大，因此依靠主观判断难以形成完整的考量。建立演员评分模型旨在保证评价指标的全面性和多样性，并且通过一定的统计方面对不同的指标进行合理的综合，增强结果的可读性和实用性。另外，考虑到影响影视剧效益的因素是多方面的，除了演员因素之外，还包括剧本、拍摄、宣传等诸多方面的因素；因此，演员评分模型是从其中的一个环节出发，在给定了剧本、且不考虑拍摄和宣传的情况下，选择效益最大化的演员。在这些条件中，给定剧本是最重要的前提，即可以充分地对影视剧索要拍摄的主题、类型和剧情进行解读。

基于上述思路，并结合本实施例所述对目标人物进行评分的方法，在将上述技术方案应用于演员评分，首先，包括设立以下指标体系的步骤，详见表一设定的演员评分模型指标。

表一：演员评分模型指标

基于表一，本应用例将上述演员评分模型分为如下指标类型，包括：剧本-粉丝契合度(C)、粉丝乘数、剧本-能力契合度(R)、知名度(F)及活跃度乘数。其中：

表一所指剧本-粉丝契合度(C)包括如下指标维度(即所述指标名称)：

(1)年龄段(C₁)

将年龄段划分为6段，0-12代表童年期人群，12-18代表青春期人群(初高中生)，18-24代表大学生人群，24-35代表初入职场的青年人群，35-55代表中年人群，55以上代表老年人群。

演员粉丝的年龄是一个频率分布，对应粉丝年龄比较年轻化的演员来说，其粉丝以学生人群为主，一种典型的分布可以是：C₁＝(0，0.3，0.5，0.2，0，0)，当然，演员粉丝的年龄分布根据粉丝人群在年龄上分布的不同可能不同，对于粉丝年龄比较成熟的演员来说，其分布情况可以是C₁＝(0，0.2，0.3，0.4，0.1，0)。

(2)性别(C₂)

以粉丝的女性比例为基础，分为6档，即0-15％、15％-30％、30％-50％、50％-70％、70％-85％和85％以上。

性别指标是一个状态，如果演员粉丝的女性比例为60％，则分布状态为：C₂＝(0，0，0，1，0，0)，如果演员粉丝的女性比例为44％，则分布状态为：C₂＝(0，0，1，0，0，0)

(3)潮流状态(C₃)

潮流状态反映演员粉丝对娱乐圈的关注度。调研50-100个活跃粉丝，其最近的20条微博中与娱乐圈相关的平均占比；将这一比例分为6档，即0-15％、15％-30％、30％-50％、50％-70％、70％-85％和85％以上。

潮流状态指标同样是一个状态，如果娱乐圈微博平均占比为34％，则：C₃＝(0，0，1，0，0，0)

(4)兴趣爱好(C₄)

剧本的主题和情节往往能够对应到一些生活状态，例如宅、自然、运动、阅读、干练等，不同的人会选择不同的剧。兴趣爱好指标将这种生活的状态分为静的(宅、文艺、职场)，动的(运动、自然)，以及思想的(幻想)，共6类。

兴趣爱好指标同样是一个频率分布，调研50-100个活跃粉丝，得到各类生活状态的占比。如果占比分别为35％、20％、10％、5％、5％、25％，则：C₄＝(0.35，0.2，0.1，0.05，0.05，0.25)

表二给出了剧本-粉丝契合度(C)在各个指标及其维度分布。

表二：剧本-粉丝契合(C)度指标及维度

基于上述表一及表二，以下给出计算剧本-粉丝契合度(C)的计算方法。

根据上述剧本-粉丝契合度(C)的目标人群特征，若给定剧本，则其目标人群的特征按年龄段、性别、潮流状态和兴趣爱好这4个维度可以表达为：

其中，和代表年龄和兴趣爱好，是一个概率分布，而和代表性别和潮流状态，是一个状态。

在对契合度计算时，使用余弦相似度，计算某项指标(年龄、性别、潮流状态和兴趣爱好)的契合度为：

则演员的剧本-粉丝契合度(C)为4个指标契合度的平均数：

表一所指剧本-能力契合度(R)包括如下指标维度(即所述指标名称)：

(1)角色担当力(R₁)

演员对角色的诠释能力将影响剧的整体质量，而演员的经验能反映出对剧中角色的胜任程度。按照角色类型，将指标分为悲、喜、情、冷、稳、力、性7个维度。

角色担当力(R1)的指标是一个频率分布，统计演员所有出演过的角色类型，可计算这7个维度的占比。

(2)剧情担当力(R₂)

演员出演过的影视剧类型同样影响对剧的诠释，与角色担当力类似，按照影视剧类型，将指标分为古装、历史、都市、偶像、科幻、悬疑和玄幻7个维度。

指标同样是一个频率分布，统计演员所有出演过的剧的类型，计算各个维度的占比。表三给出了剧本-能力契合度(R)在各个指标及其维度分布。

表三：剧本-能力契合度(R)指标及维度

基于上述表一及表二，以下给出计算：剧本-能力契合度(R)指标及维度的计算方法。

根据给定的剧本，则角色担当力和剧情担当力可以根据表三的维度分布表达为：

其中根据统计演员之前的出演剧本，为演员在剧本角色类型悲、喜、情、冷、稳、力、性上的概率分布，为演员在剧本剧情类型古装、历史、都市、偶像、科幻、悬疑和玄幻上的概率分布。

需要说明的是，和在本应用例中代表角色类型和剧的类型，是一个概率分布，但是更接近于状态分布。

与剧本-粉丝契合度(C)的计算是类似的，剧本-能力契合度(R)基于角色担当力及剧情担当力的两个指标，剧本-能力契合度(R)计算式包括余弦计算：

剧本-能力契合度(R)的综合指标为：

针对表一所指知名度(F)，其计算过程包括：

设定相对评分体系，结合表一的指标名称，知名度指标包括：

F₁：出道年限-从出演第一部戏到评分时的时间，以年为单位；

F₂：出演次数-截止到评分时，共出演的影视剧数量；

F₃：获奖次数-截止到评分时，获得国际奖项的次数；

F₄：公众评分-截止到评分时，所有出演的影视剧在视频网站上的评分平均数。

若Y₁₁，Y₁₂，...，Y_1n是N个演员的出道年限，则第i个演员的F₁得分为：

用同样的方法计算第i个演员的F₂、F₃和F₄得分，记为F_2i，F_3i和F_4i。

则演员i的知名度(即上述实施例中的相对活跃度)综合评分为：

其中，j为1～4。

表一所指活跃度乘数(S)的计算过程包括：知名度代表演员的演艺成就，是一个静态的历史指标。然而，演员关注度的衰减速度极快，因此，近期的活跃度对知名度的影响较大。

设gi是第i个演员在一定期间内(比如，近1年或若干年)的搜索指数，所述搜索目标可以基于百度网站等所有搜索引擎中的一种统计结果或多种统计结果的平均值，所述统计结果可以是第i个演员在该搜索引擎上搜索次数的总和，或者基于该总计算的搜索比例，由于该统计结果可以根据搜索统计的算法或统计量进行客观评价，本应用例不对该统计结果的具体定义做限定。

基于上述g_i的统计，其该第i个演员的活跃度乘数(S)为：

演员的活跃度乘数(S)在本应用例的演员评分模型中是用于调整该演员的知名度(F)的，虽然单独使用本应用例的知名度(F)算法也可以建立上述演员评分模型，但准确度差强人意。本应用例还使用演员的活跃度乘数(S)调整演员的知名度(F)，使最终的演员评分模型中的指标更为精确，基于上述阐述，有调整后的演员的知名度F_i′＝F_i·S_i。

继续结合表一中的指标参数，剧本-粉丝契合度(C)从相关性上衡量了演员的相对效益，但是粉丝规模还可体现规模效益。真正活跃的粉丝会在实际行动上有所体现，因此可以借助网络销售商或其他统计平台中显示的演员同款商品或其他与演员相关的作品等产品的销售数量、出售数量、上架数量等中的至少一种产品统计量作为指标计算依据。

若以演员在淘宝上同款商品的数量作为指标计算依据，则设ti是第i个演员在淘宝上同款商品的数量，设1...n为所有演员的编号(n为大于1的自然数)，其粉丝乘数(T)(即上述实施例中的关注度乘数)为：

粉丝乘数(T)在演员评分模型中是用来调整剧本-粉丝契合度(C)的，使调整后的剧本-粉丝契合度(C)更能用于评价演员粉丝效应的客观性。第i个演员经过粉丝乘数(T)调整的剧本-粉丝契合度C′_i＝C_i·T_i。

当然，需要说明的是在其他实施例中，直接输出所述剧本-粉丝契合度(C)而不经过粉丝乘数(T)的调整也是可行的。

以上模型参数的初步建立后，调整后的剧本-粉丝契合度、剧本-能力契合度和调整后的知名度组成了演员的评价模型，有评价模型P＝(C′，R，F′)。也就是说，本应用例中的评价模型包括三个参数，即调整后的剧本-粉丝契合度、剧本-能力契合度和调整后的知名度。

上述评价模型中的各个参数，即调整后的剧本-粉丝契合度、剧本-能力契合度和调整后的知名度还具有各自的产出驱动权重。依据投入的不同，影视剧的产出驱动权重存在差异，也就是说，根据演员的驱动力不同，演员面向公众时会受到宣传驱动、自身演出实力等不同，演员评价模型的各个参数可相较于上述宣传驱动、演出质量驱动而设定各个参数之间的权重值。

举例来说，宣传驱动在成本空间较大的情况下，依靠知名度和渠道实现收益，因此对粉丝契合度、能力契合度和知名度之间的权衡有所不同，总的来说会对知名度造成的影响力会偏大，如可设定剧本-粉丝契合度、剧本-能力契合度和知名度之间的权重值为(0.2，0.2，0.6)。另外，质量驱动依靠良好的表演获得公众的认可，通过口碑实现收益的扩张。在这种情况下，演员的素质相对更为重要，因此粉丝契合度、能力契合度和知名度的权衡可能是(0.3，0.5，0.2)。上述权重值的划分仅作为举例，根据设定的驱动因素(比如所述宣传驱动、演员实例等)对上述评价模型中的各个参数设定比较妥帖的参数权重，用来准确推断目前阶段模型中各个参数之间的权衡，是本领域普通技术人员可以依据本发明技术方案所公开的技术特征流程所自定确认的。

根据上述评价模型，基于驱动因素设定评价模型中的各个参数权重，并设定剧本-粉丝契合度、剧本-能力契合度和调整后知名度的权重W＝(W_c’，W_R，W_F’)，其中，W_c’、W_R及W_F’分别为调整后的剧本-粉丝契合度的权重、剧本-能力契合度权重及调整后知名度的权重。

对于本应用例所述演员的最终评分模型为：Score＝P^T·W。

本应用例的一个变化例中，还可以在上述演员评估模型中纳入综合评估演员的风险值。演员作为公众人物，其公众形象和舆论导向对投入产出的影响较大。正面、良好的形象是实现收益的保障，相反，负面消息对收益的潜在影响最为重要。在上述评分模型Score＝P^T·W的基础上，可以将负面消息纳入到评分模型，具体做法可以是搜索约定期间内(比如6个月)在网络或媒体公开的新闻，具体可以确定某一个网络平台做新闻搜索，比如百度或者新浪，判断该演员的风险值Z。风险值Z的具体数值可以通过如下方法中的任一项进行确定：

(1)出现暴力、违法、犯罪等严重的负面消息，则Z＝0；

(2)一般负面消息(生活、感情、对立冲突等)，若新闻占比大于50％，则Z＝0.5；

(3)一般负面消息占比小于50％，则Z＝0.8；

(4)没有负面消息，则Z＝1.

因此，在加入风险值调整后的演员评估模型，具体为：

Adjusted Score＝P^T·W·Z。

上述应用例具体阐述了如何将对目标人物进行评分的方法应用于对演员的评分，当然，上述方法的评分对象不限于演员，事实上，对于各类公众人物的评价都是可行的。本发明技术方案能够对各类公众人物进行评价，并判断公众人物的属性，以确定综合公众人物的各种客观评价信息，并基于上述评价信息进行公众人物的评估，从而自适应地进行人物推荐及选择，实现了网络及大数据背景下各种人物信息的综合评价，实现目标人物的自动选择推荐。

上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明的实质内容。

Claims (14)

1.一种对目标人物进行评分的方法，其特征在于，包括：

获取若干第一评分指标及所述第一评分指标下维度的状态分布；

针对所述目标人物统计所述第一评分指标各维度的状态分布；

基于所述第一评分指标各维度的状态分布计算所述目标人物对于所述第一评分指标的契合度；

对属于相同指标类型的第一评分指标契合度取平均值以得到指标值；

基于所有指标值与其对应指标权重的加权平均结果输出所述目标人物的评分。

2.如权利要求1所述对目标人物进行评分的方法，其特征在于，所述指标类型包括第一指标类型与第二指标类型，所述对目标人物进行评分的方法还包括：

获取所述目标人物的关注度；

基于所述目标人物的关注度计算所述目标人物的关注度指标乘数，所述关注度指标乘数为所述目标人物相对于其他人物的关注度；

若所述第一评分指标属于第一指标类型，所述对属于相同指标类型的第一评分指标契合度取平均值以得到指标值包括：将所述第一评分指标契合度平均值与所述目标人物的关注度指标乘数相乘以得到所述指标值；

若所述第一评分指标属于第二指标类型，所述对属于相同指标类型的第一评分指标契合度取平均值以得到指标值包括：将所述第一评分指标契合度平均值作为所述指标值。

3.如权利要求1所述对目标人物进行评分的方法，其特征在于，还包括：

获取若干第二评分指标；

针对所述目标人物统计所述第二评分指标的统计值；

基于所述第二评分指标的统计值计算所述第二评分指标的相对活跃度；

取所述第二评分指标相对活跃度的平均值以得到所述指标值。

4.如权利要求3所述对目标人物进行评分的方法，其特征在于，对于第二评分指标，所述指标值基于如下步骤获取：

获取所述目标人物的活跃度；

基于所述目标人物的活跃度计算所述目标人物的活跃度乘数；

将所述第二评分指标相对活跃度的平均值与所述目标人物的活跃度乘数相乘以得到所述指标值。

5.如权利要求1所述对目标人物进行评分的方法，其特征在于，设所述契合度为cos θ_i，有：

${\mathrm{cos\θ}}_i=\frac{{\left(R_i\right)}^T\·R_i^{*}}{\left|R_i\right|\left|R_i^{*}\right|}$

其中，i为指标的编号，R_i为第一评分指标各维度的状态分布矩阵，为所述目标人物各指标的状态分布矩阵，(R_i)^T为R_i的转置矩阵。

6.如权利要求2所述对目标人物进行评分的方法，其特征在于，设关注度指标乘数为T_i，有：

$T_i=\frac{\ln \left(t_i\right)}{\ln \left(\max \right\{t_1,t_2,\mathrm{...},t_n\left\}\right)}$

其中，i为所述目标人物的编号，为所述目标人物的关注度，t₁，t₂，...，t_n为所述其他人物及目标人物的关注度，n为所述其他人物及目标人物的人物个数。

7.如权利要求3所述对目标人物进行评分的方法，其特征在于，设所述第二评分指标的相对活跃度为F_i，有：

$F_i=\frac{\ln \left(Y_i\right)}{\ln \left(\max \right\{Y_1,Y_2,\mathrm{...},Y_n\left\}\right)}$

其中，i为所述目标人物的编号，为所述目标人物第二评分指标的统计值，为所述其他人物及目标人物的第二评分指标的统计值，n为所述其他人物及目标人物的人物个数。

8.如权利要求4所述对目标人物进行评分的方法，其特征在于，设活跃度乘数为S_i，有：

$S_i=\frac{\ln \left(g_i\right)}{\ln \left(\max \right\{g_1,g_2,\mathrm{...},g_n\left\}\right)}$

其中，i为所述目标人物的编号，g_i为所述目标人物的活跃度，g₁，g₂，...，g_n为所述其他人物及目标人物的活跃度，n为所述其他人物及目标人物的人物个数。

9.如权利要求1所述对目标人物进行评分的方法，其特征在于，所述基于所有指标值与其对应指标权重的相乘结果输出所述目标人物的评分包括：

将所述相乘结果累加以得到所述目标人物的评分。

10.如权利要求1所述对目标人物进行评分的方法，其特征在于，所述基于所有指标值与其对应指标权重的相乘结果输出所述目标人物的评分包括：

获取第三评分指标；

针对所述目标人物统计所述第三评分指标数值；

将所述相乘结果累加并将所述累加值与所述第三评分指标数值相乘以得到所述目标人物的评分。

11.一种对人物进行推送的方法，其特征在于，包括：

基于权利要求1至10任一项所述的方法对所有目标人物进行评分；

基于所述目标人物的评分进行人物推送。

12.如权利要求11所述对人物进行推送的方法，其特征在于，还包括：

接收用户人物推送请求；

所述对所有目标人物进行评分基于所述请求被执行。

13.一种对目标人物进行评分的装置，其特征在于，包括：

获取单元，适于获取若干第一评分指标及所述第一评分指标下维度的分布；

统计单元，适于针对所述目标人物统计所述第一评分指标各维度的状态分布；

计算单元，适于基于所述第一评分指标各维度的状态分布计算所述目标人物对于所述第一评分指标的契合度；

平均单元，适于对属于相同指标类型的第一评分指标契合度取平均值以得到指标值；

输出单元，适于基于所有指标值与其对应指标权重的相乘结果输出所述目标人物的评分。

14.一种对人物进行推送的系统，其特征在于，包括：

如权利要求13所述的装置，适于输出对所有目标人物进行评分；

推送单元，适于基于所述目标人物的评分进行人物推送。