【技术实现步骤摘要】
本专利技术涉及热度评估，具体而言，涉及一种智能助手热度评估系统及方法。
技术介绍
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、本专利技术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，本专利技术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
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、根据下式本文档来自技高网...
【技术保护点】
1.一种智能助手热度评估方法，其特征在于，包括：
2.根据权利要求1所述的智能助手热度评估方法，其特征在于，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：
3.根据权利要求1所述的智能助手热度评估方法，其特征在于，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：
4.根据权利要求3所述的智能助手热度评估方法，其特征在于，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：
5.根据权利要求1所述的智能助手热度评估方法，其特征在于，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：
6.根据权利要求5所述的智能助手热度评估方法，其特征在于，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：
7.根据权利要求1所述的智能助手热度评估方法，其特征在于，在采集所述待评估热力助手的调
8.根据权利要求7所述的智能助手热度评估方法，其特征在于，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：
9.根据权利要求1所述的智能助手热度评估方法，其特征在于，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：
10.一种智能助手热度评估系统，其特征在于，包括：
...【技术特征摘要】
1.一种智能助手热度评估方法，其特征在于，包括：
2.根据权利要求1所述的智能助手热度评估方法，其特征在于，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：
3.根据权利要求1所述的智能助手热度评估方法，其特征在于，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：
4.根据权利要求3所述的智能助手热度评估方法，其特征在于，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：
5.根据权利要求1所述的智能助手热度评估方法，其特征在于，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：
6.根据权利要求...
【专利技术属性】
技术研发人员：李冬冬，赵雪，胡敏，张利东，邵为涛，张志勇，张悦旸，
申请(专利权)人：北京中科睿途科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。