1 ] S28、从所述预设专家对照表中确定所述加权值对应的可信程度。
[0072] 对于步骤S27和S28的详细描述具体可参见实施例一中的相关描述，这里不再赘 述。
[0073] 本实施例同样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。
[0074] 实施例三
[0075] 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，如图3所 示，具体包括：第一信息获取模块31、权重确定模块32、第二信息获取模块33和可信程度确 定模块34。
[0076] 第一信息获取模块31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；
[0077] 权重确定模块32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；
[0078] 第二?目息获取模块33用于获取未知专家的可彳目程度的影响因素彳目息；
[0079] 可信程度确定模块34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。
[0080] 本实施例所述的网络专家可信度判定装置用于执行实施例一至实施例二所述的 网络专家可信度判定方法，其技术原理和产生的技术效果类似，这里不再累述。
[0081 ] 示例性的，在上述实施例的基础上，所述可信程度的影响因素信息包括以下影响 因素中的至少一种：
[0082] 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。
[0083] 示例性的，所述权重确定模块32具体用于：
[0084] 对所述已知专家的可信程度的影响因素信息进行量化处理；
[0085] 将所述已知专家的量化后的数据作为训练数据，采用以下任意一种算法确定各影 响因素的权重：监督学习算法、无监督学习算法或半监督学习算法。
[0086] 示例性的，所述可信程度确定模块34具体包括：
[0087] 量化处理单元341用于将所述未知专家的可信程度的影响因素信息进行量化处 理；
[0088] 加权值计算单元342用于计算所述未知专家的量化后的数据和所述各影响因素 的权重的加权值；
[0089] 可信程度确定单元343用于根据所述加权值确定所述未知专家的可信程度。
[0090] 示例性的，所述可信程度确定单元343具体用于：
[0091] 根据所述加权值查询预设专家对照表，所述预设专家对照表中包含加权值与所述 可信程度的对应关系；
[0092] 从所述预设专家对照表中确定所述加权值对应的可信程度。
[0093] 上述各实施例所述的网络专家可信度判定装置同样用于执行实施例一至实施例 二所述的网络专家可信度判定方法，其技术原理和产生的技术效果类似，这里不再累述。
[0094] 注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解， 本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、 重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行 了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还 可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
【主权项】
1. 一种网络专家可信度判定方法，其特征在于，包括： 从互联网上获取已知专家的可信程度的影响因素信息； 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； 获取未知专家的可彳目程度的影响因素彳目息； 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。2. 根据权利要求1所述的方法，其特征在于，所述可信程度的影响因素信息包括以下 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。3. 根据权利要求1所述的方法，其特征在于，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包括： 对所述已知专家的可信程度的影响因素信息进行量化处理； 将所述已知专家的量化后的数据作为训练数据，采用以下任意一种算法确定各影响因 素的权重：监督学习算法、无监督学习算法或半监督学习算法。4. 根据权利要求1~3任一项所述的方法，其特征在于，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： 将所述未知专家的可信程度的影响因素信息进行量化处理； 计算所述未知专家的量化后的数据和所述各影响因素的权重的加权值； 根据所述加权值确定所述未知专家的可信程度。5. 根据权利要求4所述的方法，其特征在于，根据所述加权值确定所述未知专家的可 信程度包括： 根据所述加权值查询预设专家对照表，所述预设专家对照表中包含加权值与所述可信 程度的对应关系； 从所述预设专家对照表中确定所述加权值对应的可信程度。6. -种网络专家可信度判定装置，其特征在于，包括： 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；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； 第二彳目息获取模块，用于获取未知专家的可彳目程度的影响因素彳目息； 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。7. 根据权利要求6所述的装置，其特征在于，所述可信程度的影响因素信息包括以下 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。8. 根据权利要求6所述的装置，其特征在于，所述权重确定模块具体用于： 对所述已知专家的可信程度的影响因素信息进行量化处理； 将所述已知专家的量化后的数据作为训练数据，采用以下任意一种算法确定各影响因 素的权重：监督学习算法、无监督学习算法或半监督学习算法。9. 根据权利要求6~8任一项所述的装置，其特征在于，所述可信程度确定模块包括： 量化处理单元，用于将所述未知专家的可信程度的影响因素信息进行量化处理； 加权值计算单元，用于计算所述未知专家的量化后的数据和所述各影响因素的权重的 加权值； 可信程度确定单元，用于根据所述加权值确定所述未知专家的可信程度。10. 根据权利要求9所述的装置，其特征在于，所述可信程度确定单元具体用于： 根据所述加权值查询预设专家对照表，所述预设专家对照表中包含加权值与所述可信 程度的对应关系； 从所述预设专家对照表中确定所述加权值对应的可信程度。
【专利摘要】本发明公开了一种网络专家可信度判定方法及装置，其中所述方法包括：从互联网上获取已知专家的可信程度的影响因素信息；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；获取未知专家的可信程度的影响因素信息；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。本发明实施例通过计算未知专家的可信程度，能够为用户提供更加可靠有价值的专家意见。
【IPC分类】G06F17/30
【公开号】CN105095408
【申请号】CN201510401076
【发明人】刘永, 李光, 张祎轶, 杨铭
【申请人】百度在线网络技术（北京）有限公司
【公开日】2015年11月25日
【申请日】2015年7月9日