一种浏览资源热度的预测方法、预测装置及可读存储介质与流程

本申请涉及大数据处理技术领域，尤其是涉及一种浏览资源热度的预测方法、预测装置及可读存储介质。

背景技术：

随着经济的增长，人们生活水平的提高，人们能够在网络中观看到更多的浏览资源。为了迎合人们的喜好，网络平台将会对待投放的浏览资源进行热度预测，从而能够针对于人们的兴趣爱好投放更受欢迎的浏览资源。

目前，对于浏览资源热度的预测大多都只考虑浏览资源本身制作时所涉及的关联信息，例如该浏览资源的导演信息、编剧信息以及参与的演员信息等，未考虑该浏览资源的外部关联信息，例如该浏览资源的投放平台以及投放平台的关联信息等，如果仅从浏览资源本身在制作时所涉及的关联信息对浏览资源的热度进行预测，不能够全面的预测浏览资源，因此使得对浏览资源的预测不够准确。

技术实现要素：

有鉴于此，本申请的目的在于提供一种浏览资源热度的预测方法、预测装置及可读存储介质，能够结合所述待分析浏览资源的内部关联信息与外部关联信息，对所述待分析浏览资源的热度进行更全面准确的预测，有助于提高浏览资源投放的合理性，减少资源的浪费，提高资源的利用率。

本申请实施例提供了一种浏览资源热度的预测方法，所述预测方法包括：

获取在制作时与待分析浏览资源相关的内部关联信息以及在播出时与所述待分析浏览资源相关的外部关联信息；

基于所述内部关联信息以及所述外部关联信息，确定所述待分析浏览资源的多个属性特征以及多个分值特征；

使用所述多个属性特征以及所述多个分值特征，生成所述待分析浏览资源的信息特征矩阵；

将所述信息特征矩阵输入至热度预测模型中，确定所述待分析浏览资源的热度预测值。

进一步的，所述将所述信息特征矩阵输入至热度预测模型中，确定所述待分析浏览资源的热度预测值，包括：

将所述信息特征矩阵输入至所述热度预测模型中的时间序列模型中，确定所述待分析浏览资源的第一热度值以及所述待分析浏览资源的残差特征矩阵；

将所述残差特征矩阵输入至所述热度预测模型中的机器学习模型中，确定所述待分析浏览资源的第二热度值；

基于所述第一热度值以及所述第二热度值，确定所述待分析浏览资源的热度预测值。

进一步的，所述使用所述多个属性特征以及所述多个分值特征，生成所述待分析浏览资源的信息特征矩阵，包括：

确定所述多个属性特征中每个属性特征对应的属性特征值；

基于所述多个分值特征，确定所述多个分值特征中每个分值特征对应的评价分值；

基于多个所述属性特征值以及多个所述评价分值，生成所述待分析浏览资源的信息特征矩阵。

进一步的，所述基于所述多个分值特征，确定所述多个分值特征中每个分值特征对应的评价分值，包括：

检测所述多个分值特征是否属于处理类分值特征；

若所述分值特征属于所述处理类分值特征，确定每个属于处理类分值特征的分值特征对应的至少一个第一特征值；

基于所述至少一个第一特征值，确定每个属于处理类分值特征的分值特征对应的评价分值。

进一步的，在所述检测所述多个分值特征是否属于处理类分值特征之后，所述预测方法还包括：

若所述分值特征不属于所述处理类分值特征，确定每个不属于处理类分值特征的分值特征的第二特征值，将所述第二特征值确定为每个不属于处理类分值特征的分值特征的评价分值。

本申请实施例还提供了一种浏览资源热度的预测装置，所述预测装置包括：

信息获取模块，用于获取在制作时与待分析浏览资源相关的内部关联信息以及在播出时与所述待分析浏览资源相关的外部关联信息；

特征确定模块，用于基于所述内部关联信息以及所述外部关联信息，确定所述待分析浏览资源的多个属性特征以及多个分值特征；

矩阵确定模块，用于使用所述多个属性特征以及所述多个分值特征，生成所述待分析浏览资源的信息特征矩阵；

热度预测模块，用于将所述信息特征矩阵输入至热度预测模型中，确定所述待分析浏览资源的热度预测值。

进一步的，所述热度预测模块在用于将所述信息特征矩阵输入至热度预测模型中，确定所述待分析浏览资源的热度预测值时，所述热度预测模块还用于：

将所述信息特征矩阵输入至所述热度预测模型中的时间序列模型中，确定所述待分析浏览资源的第一热度值以及所述待分析浏览资源的残差特征矩阵；

将所述残差特征矩阵输入至所述热度预测模型中的机器学习模型中，确定所述待分析浏览资源的第二热度值；

基于所述第一热度值以及所述第二热度值，确定所述待分析浏览资源的热度预测值。

进一步的，所述矩阵确定模块在用于使用所述多个属性特征以及所述多个分值特征，生成所述待分析浏览资源的信息特征矩阵时，所述矩阵确定模块还用于：

确定所述多个属性特征中每个属性特征对应的属性特征值；

基于所述多个分值特征，确定所述多个分值特征中每个分值特征对应的评价分值；

基于多个所述属性特征值以及多个所述评价分值，确定所述待分析浏览资源的信息特征矩阵。

进一步的，所述矩阵确定模块在用于基于所述多个分值特征，确定所述多个分值特征中每个分值特征对应的评价分值时，所述矩阵确定模块还用于：

检测所述多个分值特征是否属于处理类分值特征；

若所述分值特征属于所述处理类分值特征，确定每个属于处理类分值特征的分值特征对应的至少一个第一特征值；

基于所述至少一个第一特征值，确定每个属于处理类分值特征的分值特征对应的评价分值。

进一步的，所述矩阵确定模块在用于检测所述多个分值特征是否属于处理类分值特征之后，所述矩阵确定模块还用于：

若所述分值特征不属于所述处理类分值特征，确定每个不属于处理类分值特征的分值特征的第二特征值，将所述第二特征值确定为每个不属于处理类分值特征的分值特征的评价分值。

本申请实施例还提供一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如上述的浏览资源热度的预测方法的步骤。

本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如上述的浏览资源热度的预测方法的步骤。

本申请实施例提供的浏览资源热度的预测方法、预测装置及可读存储介质，获取在制作时与待分析浏览资源相关的内部关联信息以及在播出时与所述待分析浏览资源相关的外部关联信息；基于所述内部关联信息以及所述外部关联信息，确定所述待分析浏览资源的多个属性特征以及多个分值特征；使用所述多个属性特征以及所述多个分值特征，生成所述待分析浏览资源的信息特征矩阵；将所述信息特征矩阵输入至热度预测模型中，确定所述待分析浏览资源的热度预测值。

这样，本申请通过获取待分析浏览资源的内部关联信息以及外部关联信息，并从所述内部关联信息以及所述外部关联信息中，确定出所述待分析浏览资源的多个属性特征以及多个分值特征，并构成信息特征矩阵，最后通过所述信息特征矩阵以及热度预测模型，确定所述待分析浏览资源的热度预测值。能够从所述待分析浏览资源的内部关联信息与外部关联信息两个方面，对所述待分析浏览资源的热度进行更准确的预测，有助于提高浏览资源投放的合理性，减少资源的浪费，提高资源的利用率。

为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为本申请一种可能的应用场景的系统架构图；

图2为本申请实施例所提供的一种浏览资源热度的预测方法的流程图；

图3为本申请另一实施例所提供的一种浏览资源热度的预测方法的流程图；

图4为本申请实施例所提供的一种浏览资源热度的预测装置的结构示意图；

图5为本申请实施例所提供的一种电子设备的结构示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的每个其他实施例，都属于本申请保护的范围。

首先，对本申请可能的应用场景进行介绍。本申请可应用于大数据处理技术领域，获取待分析浏览资源的内部关联信息以及外部关联信息，形成信息特征矩阵，并通过热度预测模型对所述待分析浏览资源的热度进行预测。请参阅图1，图1为本申请一种可能的应用场景的系统架构图。如图1中所示，所述系统包括信息存储装置和预测装置，所述预测装置能够从所述信息存储装置中获取待分析浏览资源的内部关联信息以及外部关联信息，并根据所述内部关联信息以及外部关联信息，确定出所述待浏览资源的多个属性特征以及多个分值特征，并根据所述多个属性特征以及所述多个分值特征确定所述待分析浏览资源的信息特征矩阵，并将所述信息特征矩阵输入至热度预测模型中，确定所述待分析浏览资源的热度预测值。

经研究发现，目前，对于浏览资源热度的预测大多都是根据浏览资源的本身制作所涉及的关联信息，例如该浏览资源的导演信息、编剧信息以及参与的演员信息等，未考虑该浏览资源的外部关联信息，例如该浏览资源的投放平台以及投放平台的关联信息等，使得对该浏览资源的预测不够准确。

基于此，本申请实施例提供了一种浏览资源热度的预测方法，通过获取与待分析浏览资源的制作信息相关的内部关联信息以及与所述待分析浏览资源播放信息相关的外部关联信息，能够从所述待分析浏览资源的内部关联信息与外部关联信息两个方面，对所述待分析浏览资源的热度进行更准确的预测，有助于提高浏览资源投放的合理性，减少资源的浪费，提高资源的利用率。

请参阅图2，图2为本申请实施例所提供的一种浏览资源热度的预测方法的流程图。如图2中所示，本申请实施例提供的浏览资源热度的预测方法，包括：

s201、获取在制作时与待分析浏览资源相关的内部关联信息以及在播出时与所述待分析浏览资源相关的外部关联信息。

该步骤中，对于一个待分析浏览资源来说，能够影响其热度值的信息包括与该待分析浏览资源的制作信息相关的内部关联信息，即所述待分析浏览资源的制作过程中所涉及的与该浏览资源本身相关的内部关联信息，例如：导演对应题材得分、编剧对应题材得分、制作团队对应题材得分、演员影响力以及演员曝光指数等，还包括与该待分析浏览资源的播放信息相关的外部关联信息，即所述待分析浏览资源在日后的播出过程中与该浏览资源相关的外部关联信息，例如：播放日期、播放平台影响力以及竞品节目等；因此，为了更准确的对待分析浏览资源的热度进行预测，首先需要获取在制作时与所述待分析浏览资源相关的内部关联信息以及在播放时与所述待分析浏览资源相关的外部关联信息。

s202、基于所述内部关联信息以及所述外部关联信息，确定所述待分析浏览资源的多个属性特征以及多个分值特征。

该步骤中，从获取到的所述内部关联信息以及所述外部关联信息中，确定出所述待分析浏览资源的多个属性特征以及多个分值特征，用于构建所述待分析浏览资源的信息特征矩阵。

其中，所述属性特征为能够表明该待分析浏览资源属性的特征信息，例如，浏览资源的类型：电视剧/综艺/动漫等；浏览资源的来源：中国/新加坡/印度尼西亚等；播出形式：线上独播/多平台播出/网台联动等；播出日期：平时工作日/平时周末/特殊假期/暑假/寒假等。

其中，所述分值特征为能够用于评价该待分析浏览资源影响效果的特征信息，例如，节目类型的影响力、播放平台影响力、演员影响力以及受众契合度等。

s203、使用所述多个属性特征以及所述多个分值特征，生成所述待分析浏览资源的信息特征矩阵。

该步骤中，将确定出的所述待分析浏览资源的多个属性特征以及多个分值特征，按照预设的规则形式，组合形成能够用于确定该待分析浏览资源的信息特征矩阵。

其中，所述预设的规则形式可以根据实际情况进行具体的设置，例如，第n行第m列应为a属性特征(对应的属性特征值)等。

s204、将所述信息特征矩阵输入至热度预测模型中，确定所述待分析浏览资源的热度预测值。

该步骤中，将所述信息特征矩阵输入到预先训练好的热度预测模型中，根据输入的信息特征矩阵中所述待分析浏览资源的属性特征，确定出所述待分析浏览资源在所述热度预测模型中的参数值，而后根据信息特征矩阵通过热度预测模型对所述待分析浏览资源的播放热度进行预测。

示例性的，根据输入的信息特征矩阵中包括的属性特征，确定出所述待分析浏览资源为“中国”、“电视剧”，就能够根据这两个属性特征，确定在预测该待分析浏览资源时热度预测模型的参数值，进而再根据信息特征矩阵对该待分析浏览资源的热度值进行预测。

本申请实施例提供的浏览资源热度的预测方法，获取在制作时与待分析浏览资源相关的内部关联信息以及在播出时与所述待分析浏览资源相关的外部关联信息；基于所述内部关联信息以及所述外部关联信息，确定所述待分析浏览资源的多个属性特征以及多个分值特征；使用所述多个属性特征以及所述多个分值特征，生成所述待分析浏览资源的信息特征矩阵；将所述信息特征矩阵输入至热度预测模型中，确定所述待分析浏览资源的热度预测值。

这样，本申请通过获取待分析浏览资源的内部关联信息以及外部关联信息，并从所述内部关联信息以及所述外部关联信息中，确定出所述待分析浏览资源的多个属性特征以及多个分值特征，构成信息特征矩阵，最后通过所述信息特征矩阵以及预先训练好的热度预测模型，确定所述待分析浏览资源的热度预测值。能够从所述待分析浏览资源的内部关联信息与外部关联信息两个方面，对所述待分析浏览资源的热度进行更准确的预测，有助于提高浏览资源投放的合理性，减少资源的浪费，提高资源的利用率。

请参阅图3，图3为本申请另一实施例提供的浏览资源热度的预测方法的流程图。如图3中所示，本申请实施例提供的浏览资源热度的预测方法，包括：

s301、获取在制作时与待分析浏览资源相关的内部关联信息以及在播出时与所述待分析浏览资源相关的外部关联信息。

s302、基于所述内部关联信息以及所述外部关联信息，确定所述待分析浏览资源的多个属性特征以及多个分值特征。

s303、使用所述多个属性特征以及所述多个分值特征，生成所述待分析浏览资源的信息特征矩阵。

s304、将所述信息特征矩阵输入至所述热度预测模型中的时间序列模型中，确定所述待分析浏览资源的第一热度值以及所述待分析浏览资源的残差特征矩阵。

该步骤中，将所述信息特征矩阵首先输入至所述热度预测模型中的时间序列模型中，通过所述时间序列模型确定所述待分析浏览资源的第一热度值以及能够输入至所述热度预测模型中机器学习模型中的残差特征矩阵。

其中，所述残差特征矩阵是由不可线性化、受随机因素影响的特征组成的矩阵，经过时间序列模型后能够将不可线性化、受随机因素影响的特征筛选出来，并组成残差特征矩阵。

s305、将所述残差特征矩阵输入至所述热度预测模型中的机器学习模型中，确定所述待分析浏览资源的第二热度值。

该步骤中，将所述残差特征矩阵输入至所述热度预测模型中的机器学习模型中，确定所述待分析浏览资源的第二热度值。

其中，所述机器学习模型可以为神经网络、深度神经网络、条件随机场以及马可夫模型等。

s306、基于所述第一热度值以及所述第二热度值，确定所述待分析浏览资源的热度预测值。

该步骤中，将得到的所述待分析浏览资源的第一热度值以及第二热度值求和，将得到的和值确定为所述待分析浏览资源的热度预测值。

其中，s301至s303的描述可以参照s201至s203的描述，并且能达到相同的技术效果，对此不做赘述。

进一步的，步骤s303包括：确定所述多个属性特征中每个属性特征对应的属性特征值；基于所述多个分值特征，确定所述多个分值特征中每个分值特征对应的评价分值；基于多个所述属性特征值以及多个所述评价分值，生成所述待分析浏览资源的信息特征矩阵。

该步骤中，基于所述多个属性特征，确定出每个属性特征对应的属性特征值，例如，浏览资源的类型可以为：电视剧/综艺/动漫等，当浏览资源的类型为电视剧时，按照预设的属性特征值，确定出此时待分析浏览资源对应的属性特征值为0；当浏览资源的类型为综艺时，按照预设的属性特征值，确定出此时待分析浏览资源对应的属性特征值为1；当浏览资源的类型为动漫时，按照预设的属性特征值，确定出此时待分析浏览资源对应的属性特征值为2。同时，根据所述多个分值特征确定出所述待分析浏览资源在每个分值特征下对应的评估分值，例如，分值特征为演员影响力，确定演员影响里这一分值特征所对应的评估分值“95”；播放平台影响力，评估分值“90”。而后通过多个所述待分析浏览资源的属性特征值以及多个所述待分析浏览资源的评估分值，生成所述待分析浏览资源的信息特征矩阵。

进一步的，所述基于所述多个分值特征，确定所述多个分值特征中每个分值特征对应的评价分值，包括：检测所述多个分值特征是否属于处理类分值特征；若所述分值特征属于所述处理类分值特征，确定每个每个属于处理类分值特征的分值特征对应的至少一个第一特征值；基于所述至少一个第一特征值，确定每个属于处理类分值特征的分值特征对应的评价分值。

该步骤中，对确定出的多个分值特征进行检测，检测每一个分值特征是否为处理类分值特征，如果该分值特征为处理类分值特征，从内部关联信息或者是外部关联信息中确定出每个属于处理类分值特征的分值特征对应的至少一个第一特征值，并根据该分值特征的类别，通过所述至少一个第一特征值计算该处理类分值特征的评估分值。

其中，所述处理类分值特征包括有多个特征值的分值特征，这类特征需要根据其所对应的类别，确定一个计算方法，通过该计算方法以及至少一个第一特征值，计算出该分值特征的评估分值，所述评估分值能够综合性的表示该分值特征。

其中，所述计算方法可以是计算多个特征值的加权平均值，还可以是平均值、方差等，还可以根据分值特征的类别选择合适的计算方法，例如，分值特征为“导演对应题材分值”时，按照预设的规则认为该分值特征为a类，则计算其加权平均值；分值特征为“社交曝光指数”时，按照预设的规认为该分值特征为b类，则计算多个社交曝光指数的平均值等。

示例性的，分值特征为“导演对应题材分值”，对于这个分值特征不同的评估人所给出的分值是不同的，也就是说“导演对应题材分值”这一分值特征可能对应很多个特征值，那么该分值特征则为处理类分值特征，需要对该分值特征进行进一步的计算，从而确定出该分值特征的评估分值。

进一步的，在所述检测所述多个分值特征是否属于处理类分值特征之后，所述预测方法还包括：若所述分值特征不属于所述处理类分值特征，确定每个不属于处理类分值特征的分值特征的第二特征值，将所述第二特征值确定为每个不属于处理类分值特征的分值特征的评价分值。

该步骤中，对确定出的多个分值特征进行检测，检测每一个分值特征是否为处理类分值特征，如果该分值特征不属于处理类分值特征，则获取该分值特征的第二特征值，将所述第二特征值作为不属于处理类分值特征的分值特征的评价分值。

示例性的，分值特征为“竞品节目数”，由于在预设的时间段内待分析浏览资源的竞品节目数是固定，因此“竞品节目数”不属于处理类分值特征，则直接将其特征值确定为“竞品节目数”这一分值特征的评价分值。

本申请实施例提供的浏览资源热度的预测方法，获取在制作时与待分析浏览资源相关的内部关联信息以及在播出时与所述待分析浏览资源相关的外部关联信息；基于所述内部关联信息以及所述外部关联信息，确定所述待分析浏览资源的多个属性特征以及多个分值特征；使用所述多个属性特征以及所述多个分值特征，生成所述待分析浏览资源的信息特征矩阵；将所述信息特征矩阵输入至所述热度预测模型中的时间序列模型中，确定所述待分析浏览资源的第一热度值以及所述待分析浏览资源的残差特征矩阵；将所述残差特征矩阵输入至所述热度预测模型中的机器学习模型中，确定所述待分析浏览资源的第二热度值；基于所述第一热度值以及所述第二热度值，确定所述待分析浏览资源的热度预测值。

这样，本申请通过获取待分析浏览资源的内部关联信息以及外部关联信息，并从所述内部关联信息以及所述外部关联信息中，确定出所述待分析浏览资源的多个属性特征以及多个分值特征，构成信息特征矩阵，最后通过所述信息特征矩阵以及预先训练好的热度预测模型，并通过热度预测模型中的时间序列模型和机器学习模型，分别根据信息特征矩阵中的不同的特征对所述待分析浏览资源进行热度预测，确定所述待分析浏览资源的热度预测值。能够从所述待分析浏览资源的内部关联信息与外部关联信息两个方面，对所述待分析浏览资源的热度进行更准确的预测，有助于提高浏览资源投放的合理性，减少资源的浪费，提高资源的利用率。

请参阅图4，图4为本申请实施例所提供的一种浏览资源热度的预测装置的结构示意图。如图4中所示，所述预测装置400包括：

信息获取模块410，用于获取在制作时与待分析浏览资源相关的内部关联信息以及在播出时与所述待分析浏览资源相关的外部关联信息；

特征确定模块420，用于基于所述内部关联信息以及所述外部关联信息，确定所述待分析浏览资源的多个属性特征以及多个分值特征；

矩阵确定模块430，用于使用所述多个属性特征以及所述多个分值特征，生成所述待分析浏览资源的信息特征矩阵；

热度预测模块440，用于将所述信息特征矩阵输入至热度预测模型中，确定所述待分析浏览资源的热度预测值。

进一步的，所述热度预测模块440在用于将所述信息特征矩阵输入至热度预测模型中，确定所述待分析浏览资源的热度预测值时，所述热度预测模块440还用于：

将所述信息特征矩阵输入至所述热度预测模型中的时间序列模型中，确定所述待分析浏览资源的第一热度值以及所述待分析浏览资源的残差特征矩阵；

将所述残差特征矩阵输入至所述热度预测模型中的机器学习模型中，确定所述待分析浏览资源的第二热度值；

基于所述第一热度值以及所述第二热度值，确定所述待分析浏览资源的热度预测值。

进一步的，所述矩阵确定模块430在用于使用所述多个属性特征以及所述多个分值特征，生成所述待分析浏览资源的信息特征矩阵时，所述矩阵确定模块430还用于：

确定所述多个属性特征中每个属性特征对应的属性特征值；

基于所述多个分值特征，确定所述多个分值特征中每个分值特征对应的评价分值；

基于多个所述属性特征值以及多个所述评价分值，确定所述待分析浏览资源的信息特征矩阵。

进一步的，所述矩阵确定模块430在用于基于所述多个分值特征，确定所述多个分值特征中每个分值特征对应的评价分值时，所述矩阵确定模块430还用于：

检测所述多个分值特征是否属于处理类分值特征；

若所述分值特征属于所述处理类分值特征，确定每个属于处理类分值特征的分值特征对应的至少一个第一特征值；

基于所述至少一个第一特征值，确定每个属于处理类分值特征的分值特征对应的评价分值。

进一步的，所述矩阵确定模块430在用于检测所述多个分值特征是否属于处理类分值特征之后，所述矩阵确定模块430还用于：

若所述分值特征不属于所述处理类分值特征，确定每个不属于处理类分值特征的分值特征的第二特征值，将所述第二特征值确定为每个不属于处理类分值特征的分值特征的评价分值。

本申请实施例提供的浏览资源热度的预测装置，获取在制作时与待分析浏览资源相关的内部关联信息以及在播出时与所述待分析浏览资源相关的外部关联信息；基于所述内部关联信息以及所述外部关联信息，确定所述待分析浏览资源的多个属性特征以及多个分值特征；使用所述多个属性特征以及所述多个分值特征，生成所述待分析浏览资源的信息特征矩阵；将所述信息特征矩阵输入至热度预测模型中，确定所述待分析浏览资源的热度预测值。

这样，本申请通过获取待分析浏览资源的内部关联信息以及外部关联信息，并从所述内部关联信息以及所述外部关联信息中，确定出所述待分析浏览资源的多个属性特征以及多个分值特征，构成信息特征矩阵，最后通过所述信息特征矩阵以及预先训练好的热度预测模型，确定所述待分析浏览资源的热度预测值。能够从所述待分析浏览资源的内部关联信息与外部关联信息两个方面，对所述待分析浏览资源的热度进行更准确的预测，有助于提高浏览资源投放的合理性，减少资源的浪费，提高资源的利用率。

请参阅图5，图5为本申请实施例所提供的一种电子设备的结构示意图。如图5中所示，所述电子设备500包括处理器510、存储器520和总线530。

所述存储器520存储有所述处理器510可执行的机器可读指令，当电子设备500运行时，所述处理器510与所述存储器520之间通过总线530通信，所述机器可读指令被所述处理器510执行时，可以执行如上述图2以及图3所示方法实施例中的浏览资源热度的预测方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。

本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时可以执行如上述图2以及图3所示方法实施例中的浏览资源热度的预测方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。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或者该技术方案的部分可以以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中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-onlymemory，rom)、随机存取存储器(randomaccessmemory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。