一种评论预加载方法、装置、存储介质及电子设备

技术领域

本发明实施例涉及计算机数据处理技术领域，尤其涉及一种评论预加载方法、装置、存储介质及电子设备。

背景技术

在短视频的交互场景下，用户可点击评论区域或者评论按键以显示正在播放的短视频的用户评论。目前评论的加载可以是通过用户点击操作产生的加载请求向服务器请求下载得到，存在请求过程导致的等待；评论的加载还可以是在短视频被点击播放时，预加载得到的，但是在用户未点击评论切换短视频的情况下，预加载的评论无效且耗费大量的服务端资源。

发明内容

本发明实施例提供一种评论预加载方法、装置、存储介质及电子设备，以实现对评论的精准预加载。

第一方面，本发明实施例提供了一种评论预加载方法，包括：

获取当前展示对象的对象特征以及用于展示所述当前展示对象的设备对应的用户特征；

基于评论预测模型对所述对象特征和所述用户特征进行预测处理，确定所述当前展示对象的评论预加载概率；

若所述评论预加载概率满足预加载条件，则对所述当前展示对象的评论进行预加载。

第二方面，本发明实施例还提供了一种评论预加载装置，包括：

特征获取模块，用于获取当前展示对象的对象特征以及用于展示所述当前展示对象的设备对应的用户特征；

概率预测模块，用于基于评论预测模型对所述对象特征和所述用户特征进行预测处理，确定所述当前展示对象的评论预加载概率；

评论预加载模块，用于若所述评论预加载概率满足预加载条件，则对所述当前展示对象的评论进行预加载。

第三方面，本公开实施例还提供了一种电子设备，所述电子设备包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本公开实施例任一所述的评论预加载方法。

第四方面，本公开实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如本公开实施例任一所述的评论预加载方法。

本实施例的技术方案，通过在当前展示对象的展示过程中，基于评论预测模型对当前展示对象的对象特征和用户特征预测处理，确定当前展示对象的评论预加载概率，在评论预加载概率满足预加载条件时对所述当前展示对象的评论进行预加载，以预加载存在预加载需求的评论，避免无效评论的加载导致的资源浪费，提高了预加载评论的准确性和召回率。同时评论的预加载为在用户未进行评论点击时，预先进行评论记载并缓存在本地，便于在用户点击评论时，可在本地调用预加载的评论进行显示，减少了评论点击到评论显示之间的等待时长。

附图说明

图1为本发明实施例一提供的一种评论预加载方法的流程流程图；

图2是本发明实施例提供的一种评论预测模型的结构示意图；

图3是本发明实施例提供的评论预加载预测的流程示意图；

图4为本发明实施例二提供的一种评论预加载装置的结构示意图；

图5是本发明实施例三提供的一种电子设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。

本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。

需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

实施例一

图1为本发明实施例一提供的一种评论预加载方法的流程流程图，本实施例可适用于对评论预加载进行预测的情况，该方法可以由本发明实施例提供的评论预加载装置来执行，该评论预加载装置可以由软件和/或硬件来实现，该评论预加载装置可以配置在电子计算设备上，具体包括如下步骤：

S110、获取当前展示对象的对象特征以及用于展示所述当前展示对象的设备对应的用户特征。

S120、基于评论预测模型对所述对象特征和所述用户特征进行预测处理，确定所述当前展示对象的评论预加载概率。

S130、若所述评论预加载概率满足预加载条件，则对所述当前展示对象的评论进行预加载。

本实施例中，可以是基于电子设备显示展示对象，该电子设备可以是诸如手机、平板电脑、PC端等的配置有显示界面的终端设备。通过显示界面显示展示对象以及展示对象的评论。其中，当前展示对象包括但不限于视频(包括短视频以及正常视频等)、文档(例如新闻、论文以及期刊等)和图片等。尤其是短视频，针对短视频播放时间短、切换频率高等特性，评论加载时长占比增大，影响用户的短视频浏览过程，同时短视频切换速度快导致进行显示的短视频数量多，对每一个短视频进行评论预加载导致耗费大量加载资源，且召回率低。

针对上述问题，本实施例中，通过设置的评论预测模型对当前展示对象进行评论预加载的预测处理，以得到用户需求当前展示对象的评论的概率，基于该概率值针对性地进行评论的预加载，其中，评论的预加载为在用户未进行评论点击时，预先进行评论记载并缓存在本地，便于在用户点击评论时，可在本地调用预加载的评论进行显示，减少了评论点击到评论显示之间的等待时长。同时根据评论预测模型预测的概率确定是否进行评论预加载，以预加载存在预加载需求的评论，避免无效评论的加载导致的资源浪费，提高了预加载评论的准确性和召回率。

本实施例中，基于评论预测模型对当前展示对象的对象特征以及设备的用户特征进行预测处理，以得到当前展示对象的评论预加载概率。其中，对象特征和用户特征均为用户授权提供的，具体的，对于任一用户端，在用户端设备展示任一对象过程中，获取用户对该展示对象的操作，其中，操作包括但不限于评论点击、点赞、分享、设置为喜欢以及对该展示对象进行完整展示等。基于用于提供的任一展示对象的上述数据，更新用户特征以及该展示对象的对象特征，具体的，可以是在设备本地将获取的任一操作对用户特征的对应操作次数加一，还可以是将上述数据上传至服务器，以使服务器基于对展示对象的操作对展示对象的对应操作次数加一，展示对象的对象特征可以是统计不同用户对该展示对象的操作次数和。需要说明的是，用户特征可以是预设时间段内的数据，预设时间段可以是当前时刻之前的预设时长，例如当前时刻之前的一周或者一个月等，对此不作限定。设备获取的数据中可以是包括任一操作的时间戳，根据各操作的时间戳，将不在预设时间段的操作数据删除，例如，视频A的分享操作不在预设时间段内，则从用户特征中的分享次数减一。可选的，针对展示对象的不同类型，例如短视频、正常视频、新闻、图片等，可根据展示对象的类型设置不同的用户特征，便于针对各个类型的展示对象进行高精度预测。

在任一展示对象进行展示状态时，可以是从设备本地读取用户特征，并从服务器获取该展示对象的对象特征。其中，对象特征包括所述各不同设备对当前展示对象的操作特征信息，在一些可选实施例中，对象特征包括所述当前展示对象的展示次数、完整展示次数、评论次数、点赞次数和分享次数中的一项或多项。其中，对象特征中的展示次数可以是当前展示对象在不同设备上的展示次数和，在当前展示对象在展示界面进行展示即可记展示次数加一；完整展示次数可以是在当前展示对象在不同设备上的完整展示次数和，完整展示可以是当前展示对象的全部内容均在展示界面进行展示，还可以是当前展示对象的核心内容(例如视频内容中除片头、片尾之外的内容)在展示界面进行展示，即记完整展示次数加一，评论次数、点赞次数和分享次数分别为当前展示对象在不同设备上的被评论、被点赞以及被分享的次数和。

用户特征包括预设时间内对所述当前展示对象所属对象类型各展示对象的操作特征信息。在一些可选实施例中，用户特征包括预设时间内对所述当前展示对象所属对象类型的展示次数、完整展示次数、评论点击次数、评论次数、点赞次数和分享次数中的一项或多项。对象类型可以是根据当前展示对象的格式确定，例如当前展示对象为短视频，则展示次数为在预设时间内各短视频的展示次数。在一些可选实施例中，对象类型还可以是当前展示对象的所属领域确定，例如对象类型可以包括但不限于军事、娱乐、学术、没事、旅游、电子设备、服饰等。用户特征中的展示次数为当前设备在预设时间内当前展示对象所属对象类型中各展示对象的展示次数和，完整展示次数为当前设备在预设时间内当前展示对象所属对象类型中各展示对象的完整展示次数和，评论次数、点赞次数和分享次数为当前设备在预设时间内当前展示对象所属对象类型中各展示对象分别被评论、被点赞以及被分享的次数和。

基于评论预测模型对对象特征和用户特征进行预测处理，融合不同维度的特征，提高评论预测模型的预测精度。其中，评论预测模型可以是决策树模型、神经网络模型，对此不作限定，可实现评论预加载的预测功能即可。

在上述实施例的基础上，评论预测模型包括特征提取模块、特征转换模块和概率预测模块。在一些可选实施例中特征提取模块树结构-特征提取模块，例如GBDT(GradientBoosting Decision Tree，梯度提升决策树)树结构-特征提取模块，特征转换模块为one-hot结构，概率预测模块为LR(Logistic Regression，逻辑回归)结构，示例性的，参见图2，图2是本发明实施例提供的一种评论预测模型的结构示意图。需要说明的是，图2中的评论预测模型仅为示意图，其具体结构不作限定，可根据需求调节评论预测模型中各模块的具体结构和参数。

相应的，基于评论预测模型对所述对象特征和所述用户特征进行预测处理，确定所述当前展示对象的评论预加载概率，包括：基于所述特征提取模块对所述对象特征和所述用户特征进行特征提取；基于所述特征转换模块对提取的特征信息进行特征转换；基于所述概率预测模块对转换得到特征信息进行概率预测，得到所述当前展示对象的评论预加载概率。

本实施例中，将对象特征和用户特征转换为适应于评论预测模型的输入信息，该输入信息可以是向量格式。将该向量格式的输入信息输入至评论预测模型的特征提取模块，得到输入信息对应的特征信息，特征转换模块将该特征信息转换为概率预测模块适应的转换特征，例如转换特征可以是one-hot向量形式的特征信息。将转换特征输入至概率预测模块，得到当前展示对象的评论预加载概率，实现了对展示对象的评论预加载预测。

具体的，若评论预加载概率超过概率阈值，则进行当前展示对象的评论预加载，若评论预加载概率未超过概率阈值，则不进行当前展示对象的评论预加载，避免无效预加载导致的资源浪费。在一些可选实施例中，概率阈值可以是70％。

需要说明的是，概率预测模块可以是基于离线样本数据训练得到，其中，样本数据包括各个展示对象的用户特征和对象特征，标签为用户对展示对象的评论点击标签，示例性的，用户对该展示对象进行评论点击，则标签为1，用户未对展示对象进行评论点击，则标签为0。基于离线样本数据以及对应标签进行迭代训练，直到满足训练次数或者达到收敛状态，得到训练完成的评论预测模型。

在上述实施例的基础上，在获取当前展示对象的对象特征以及用于展示所述当前展示对象的设备对应的用户特征之前，所述方法还包括：获取所述当前展示对象的展示时长，在所述展示时长满足预设时长时，执行所述获取当前展示对象的对象特征以及用于展示所述当前展示对象的设备对应的用户特征的步骤。通过获取当前展示对象的展示时长，在当前展示对象的展示时长大于等于预设时长时，对当前展示对象进行评论预加载的预测，在当前展示对象的展示时长小于预设时长，且通过滑动操作等切换操作进行展示对象的切换时，不进行评论预加载的预测，避免当前展示对象被快速切换导致的无效评论预加载预测，提供进行评论预加载的预测的针对性。示例性的，参见图3，图3是本发明实施例提供的评论预加载预测的流程示意图。图3中以当前展示对象为视频为例，在当前展示对象展示过程中，确定展示时长是否大于等于预设时长X，预设时长可以是5S，若否，则获取切换后的展示对象展示时长。若是，则基于离线训练的机器学习模型，即评论预测模型进行评论预加载的预测，得到评论预加载概率，确定评论预加载概率是否大于等于概率阈值Y，若是，则进行评论预加载，若否，则不进行评论预加载。

在上述实施例的基础上，对所述当前展示对象的评论进行预加载，包括：基于所述当前展示对象的评论量和显示页面的可显示评论量确定预加载评论量；基于所述预加载评论量进行评论预加载。本实施例中，由于不同展示对象的评论量不同，为了避免预加载大量无效评论的情况，确定预加载评论量，基于该预加载评论量进行预加载。其中，预加载评论量为小于或等于所述显示页面的可显示评论量，以提高预加载评论的准确率和召回率。示例性的，若当前展示对象的评论量大于显示页面的可显示评论量，则将显示页面的可显示评论量确定为预加载评论量，若当前展示对象的评论量小于等于显示页面的可显示评论量，则将当前展示对象的评论量确定为预加载评论量。

在预加载评论的显示过程中，若获取到评论内容的滑动操作或更新操作，对当前展示对象其他评论信息进行加载，例如可以以显示页面的可显示评论量为加载单位进行评论加载，避免全部加载导致的等待时长大以及加载无效评论的情况。

具体的，对评论进行预加载可以是根据评论时间戳以及评论价值量确定进行预加载的评论内容，以加载最新的评论内容。

本实施例的技术方案，通过在当前展示对象的展示过程中，基于评论预测模型对当前展示对象的对象特征和用户特征预测处理，确定当前展示对象的评论预加载概率，在评论预加载概率满足预加载条件时对所述当前展示对象的评论进行预加载，以预加载存在预加载需求的评论，避免无效评论的加载导致的资源浪费，提高了预加载评论的准确性和召回率。同时评论的预加载为在用户未进行评论点击时，预先进行评论记载并缓存在本地，便于在用户点击评论时，可在本地调用预加载的评论进行显示，减少了评论点击到评论显示之间的等待时长。

实施例二

图4为本发明实施例二提供的一种评论预加载装置的结构示意图，该评论预加载装置包括特征获取模块210、概率预测模块220和评论预加载模块230。

特征获取模块210，用于获取当前展示对象的对象特征以及用于展示所述当前展示对象的设备对应的用户特征；

概率预测模块220，用于基于评论预测模型对所述对象特征和所述用户特征进行预测处理，确定所述当前展示对象的评论预加载概率；

230，用于若所述评论预加载概率满足预加载条件，则对所述当前展示对象的评论进行预加载。

本实施例的技术方案，通过在当前展示对象的展示过程中，基于评论预测模型对当前展示对象的对象特征和用户特征预测处理，确定当前展示对象的评论预加载概率，在评论预加载概率满足预加载条件时对所述当前展示对象的评论进行预加载，以预加载存在预加载需求的评论，避免无效评论的加载导致的资源浪费，提高了预加载评论的准确性和召回率。同时评论的预加载为在用户未进行评论点击时，预先进行评论记载并缓存在本地，便于在用户点击评论时，可在本地调用预加载的评论进行显示，减少了评论点击到评论显示之间的等待时长。

在上述技术方案的基础上，所述对象特征包括所述当前展示对象的展示次数、完整展示次数、评论次数、点赞次数和分享次数中的一项或多项；

所述用户特征包括预设时间内对所述当前展示对象所属对象类型的展示次数、完整展示次数、评论点击次数、评论次数、点赞次数和分享次数中的一项或多项。

在上述技术方案的基础上，该装置还包括：

展示时长获取模块，用于在获取当前展示对象的对象特征以及用于展示所述当前展示对象的设备对应的用户特征之前，获取所述当前展示对象的展示时长，在所述展示时长满足预设时长时，执行所述获取当前展示对象的对象特征以及用于展示所述当前展示对象的设备对应的用户特征的步骤。

在上述技术方案的基础上，所述当前展示对象包括视频。

在上述技术方案的基础上，所述评论预测模型包括特征提取模块、特征转换模块和概率预测模块；

概率预测模块220用于：

基于所述特征提取模块对所述对象特征和所述用户特征进行特征提取；

基于所述特征转换模块对提取的特征信息进行特征转换；

基于所述概率预测模块对转换得到特征信息进行概率预测，得到所述当前展示对象的评论预加载概率。

在上述技术方案的基础上，评论预加载模块230用于：

基于所述当前展示对象的评论量和显示页面的可显示评论量确定预加载评论量；

基于所述预加载评论量进行评论预加载。

在上述技术方案的基础上，预加载评论量为小于或等于所述显示页面的可显示评论量。

本发明实施例所提供的评论预加载装置可执行本发明任意实施例所提供的评论预加载方法，具备执行评论预加载方法相应的功能模块和有益效果。

实施例三

下面参考图5，其示出了适于用来实现本公开实施例的电子设备(例如图5中的终端设备或服务器)400的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图5示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图5所示，电子设备400可以包括处理装置(例如中央处理器、图形处理器等)401，其可以根据存储在只读存储器(ROM)402中的程序或者从存储装置408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM403中，还存储有电子设备400操作所需的各种程序和数据。处理装置401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。

通常，以下装置可以连接至I/O接口405：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置406；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置407；包括例如磁带、硬盘等的存储装置408；以及通信装置409。通信装置409可以允许电子设备400与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备400，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置409从网络上被下载和安装，或者从存储装置408被安装，或者从ROM402被安装。在该计算机程序被处理装置401执行时，执行本公开实施例的方法中限定的上述功能。

本公开实施例提供的电子设备与上述实施例提供的评论预加载方法属于同一发明构思，未在本实施例中详尽描述的技术细节可参见上述实施例，并且本实施例与上述实施例具有相同的有益效果。

实施例五

本公开实施例提供了一种计算机存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述实施例所提供的评论预加载方法。

需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。

上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：

获取当前展示对象的对象特征以及用于展示所述当前展示对象的设备对应的用户特征；

基于评论预测模型对所述对象特征和所述用户特征进行预测处理，确定所述当前展示对象的评论预加载概率；

若所述评论预加载概率满足预加载条件，则对所述当前展示对象的评论进行预加载。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元/模块的名称在某种情况下并不构成对该单元本身的限定。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

根据本公开的一个或多个实施例，【示例一】提供了一种评论预加载方法，该方法包括：

获取当前展示对象的对象特征以及用于展示所述当前展示对象的设备对应的用户特征；

基于评论预测模型对所述对象特征和所述用户特征进行预测处理，确定所述当前展示对象的评论预加载概率；

若所述评论预加载概率满足预加载条件，则对所述当前展示对象的评论进行预加载。

根据本公开的一个或多个实施例，【示例二】提供了一种评论预加载方法，还包括：

所述对象特征包括所述各不同设备对当前展示对象的操作特征信息；

所述用户特征包括预设时间内对所述当前展示对象所属对象类型各展示对象的操作特征信息。

根据本公开的一个或多个实施例，【示例三】提供了一种评论预加载方法，还包括：

可选的，在获取当前展示对象的对象特征以及用于展示所述当前展示对象的设备对应的用户特征之前，所述方法还包括：

获取所述当前展示对象的展示时长，在所述展示时长满足预设时长时，执行所述获取当前展示对象的对象特征以及用于展示所述当前展示对象的设备对应的用户特征的步骤。

根据本公开的一个或多个实施例，【示例四】提供了一种评论预加载方法，还包括：

可选的，所述当前展示对象包括视频。

根据本公开的一个或多个实施例，【示例五】提供了一种评论预加载方法，还包括：

可选的，所述评论预测模型包括特征提取模块、特征转换模块和概率预测模块；

所述基于评论预测模型对所述对象特征和所述用户特征进行预测处理，确定所述当前展示对象的评论预加载概率，包括：

基于所述特征提取模块对所述对象特征和所述用户特征进行特征提取；

基于所述特征转换模块对提取的特征信息进行特征转换；

基于所述概率预测模块对转换得到特征信息进行概率预测，得到所述当前展示对象的评论预加载概率。

根据本公开的一个或多个实施例，【示例六】提供了一种评论预加载方法，还包括：

可选的，所述对所述当前展示对象的评论进行预加载，包括：

基于所述当前展示对象的评论量和显示页面的可显示评论量确定预加载评论量；

基于所述预加载评论量进行评论预加载。

根据本公开的一个或多个实施例，【示例七】提供了一种评论预加载方法，还包括：

可选的，预加载评论量为小于或等于所述显示页面的可显示评论量。

根据本公开的一个或多个实施例，【示例八】提供了一种评论预加载装置，该装置包括：

特征获取模块，用于获取当前展示对象的对象特征以及用于展示所述当前展示对象的设备对应的用户特征；

概率预测模块，用于基于评论预测模型对所述对象特征和所述用户特征进行预测处理，确定所述当前展示对象的评论预加载概率；

评论预加载模块，用于若所述评论预加载概率满足预加载条件，则对所述当前展示对象的评论进行预加载。

以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。

尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。