本發(fā)明涉及計算機互聯(lián)網(wǎng)技術領域，特別涉及一種數(shù)據(jù)發(fā)布的審核方法及裝置。

背景技術：

隨著互聯(lián)網(wǎng)技術的普及，在網(wǎng)站或APP上發(fā)表評論，或者和其它網(wǎng)友互動，早已成為廣大網(wǎng)民除瀏覽內(nèi)容之外最主要的上網(wǎng)需求。

網(wǎng)絡數(shù)據(jù)評論的發(fā)布一方面能夠降低普通公眾發(fā)表言論的門檻，對政府部門了解民意有很大的幫助；另一方面則會存在一些不良影響，例如：涉嫌違反法律法規(guī)的過激言論，惡意引導輿論的網(wǎng)絡水軍，發(fā)布虛假廣告信息的惡意用戶，格調(diào)不高的低俗評論等。

這些不良評論容易引發(fā)負面的社會問題，給政府監(jiān)管部門、網(wǎng)站以及APP的平臺運營團隊都帶來極大的麻煩。為此，對于具有數(shù)據(jù)評論發(fā)布功能的網(wǎng)站或APP都必須花費一定的精力處理所述些不良評論內(nèi)容。

現(xiàn)有技術中，通過設置相關識別策略來攔截相關數(shù)據(jù)評論，但通常情況下識別策略要求非常嚴格，需要做到極高的召回率，方能保證不漏掉不良評論，但其準確性較低。對于大型網(wǎng)站和超級APP，出于用戶體驗考慮，會有專門的審核團隊對被攔截的疑似不良評論做二次確認。如果發(fā)現(xiàn)有被誤殺的評論數(shù)據(jù)，可以人工操作放出。對于無力承擔審核成本的小型網(wǎng)站和APP，一般情況下會容忍部分正常評論被誤殺。

然而，在審核被攔截的疑似不良評論時，待審核評論的排序使得審核團隊的審核效率受到較大影響。最常見的排序策略是按照評論發(fā)表時間排序，但在實際審核過程中按照評論發(fā)表時間排序的策略其審核效率很低。例如：一條被攔截評論發(fā)表的時間更早，但是被評論的文章不存在點擊量或者點擊量較低，審核這條評論后，即使發(fā)現(xiàn)所述評論是誤殺并成功放出，這條評論存在的意義也不大。反之，如果一條新發(fā)的被攔截評論本來是發(fā)表在一篇熱門文章下面，如果經(jīng)過審核認為所述評論可以放出，產(chǎn)生的收益就會遠大于審核之前那條更老的評論。

基于現(xiàn)有技術存在的問題如何提供一種能夠根據(jù)數(shù)據(jù)發(fā)布的優(yōu)先級來實現(xiàn)對所述數(shù)據(jù)發(fā)布的審核成為本領域亟待解決的技術問題。

技術實現(xiàn)要素：

本發(fā)明要解決的技術問題是如何提供一種數(shù)據(jù)發(fā)布的審核方法及裝置，以解決現(xiàn)有技術中對發(fā)布數(shù)據(jù)審核效率較低的技術問題。

為解決上述技術問題，本發(fā)明提供一種數(shù)據(jù)發(fā)布的審核方法，具體包括：

一種數(shù)據(jù)發(fā)布的審核方法，包括：

接收待發(fā)布數(shù)據(jù)，將其作為待審核數(shù)據(jù)放入審核隊列中；

對所述審核隊列中的所述待審核數(shù)據(jù)賦予審核優(yōu)先級分值；

根據(jù)所述審核優(yōu)先級分值對所述審核隊列進行排序，對排序后的所述待審核數(shù)據(jù)進行審核。

優(yōu)選的，所述接收待發(fā)布數(shù)據(jù)，將其作為待審核數(shù)據(jù)放入審核隊列中包括：

判斷所述待發(fā)布數(shù)據(jù)是否符合發(fā)布條件，若是，則發(fā)布，若否，則將所述待發(fā)布數(shù)據(jù)作為所述待審核數(shù)據(jù)放入審核隊列，并進入所述對所述待審核數(shù)據(jù)進行審核優(yōu)先級分值的步驟。

優(yōu)選的，所述對所述待審核數(shù)據(jù)賦予審核優(yōu)先級分值包括：

預先根據(jù)訓練數(shù)據(jù)的數(shù)據(jù)特征構建優(yōu)先級評分模型；

根據(jù)所述待審核數(shù)據(jù)的數(shù)據(jù)特征導出所述待審核數(shù)據(jù)在所述優(yōu)先級評分模型中對應的審核優(yōu)先級分值。

優(yōu)選的，所述數(shù)據(jù)特征包括：

所述待審核數(shù)據(jù)本身的特征參數(shù)、發(fā)表所述待審核數(shù)據(jù)的用戶特征參數(shù)和/或與所述待審核數(shù)據(jù)相對應的數(shù)據(jù)內(nèi)容的狀態(tài)統(tǒng)計參數(shù)。

優(yōu)選的，所述待審核數(shù)據(jù)本身的特征參數(shù)包括：

具有廣告詞的特征參數(shù)和/或具有敏感詞的特征參數(shù)；

優(yōu)選的，所述發(fā)表所述待審核數(shù)據(jù)的用戶特征參數(shù)包括：

發(fā)表評論被禁言的次數(shù)、距離上次被禁言到當前發(fā)表評論為止的時間和/或被禁止評論放出的比例。

優(yōu)選的，與所述待審核數(shù)據(jù)相對應的數(shù)據(jù)內(nèi)容的狀態(tài)統(tǒng)計參數(shù)包括：

所述數(shù)據(jù)內(nèi)容單位時間的閱讀量和/或所述數(shù)據(jù)內(nèi)容單位時間內(nèi)所發(fā)表評論的點贊量之和。

優(yōu)選的，所述根據(jù)所述審核優(yōu)先級分值對所述審核隊列進行排序，對排序后的所述待審核數(shù)據(jù)進行審核包括：

在預設時間內(nèi)檢測所述審核隊列中的所述待審核數(shù)據(jù)的所述數(shù)據(jù)特征是否變化，若變化則進入下一步；

根據(jù)所述檢測結果對所述待審核數(shù)據(jù)的審核優(yōu)先級分值執(zhí)行更新。

優(yōu)選的，所述根據(jù)所述檢測結果對所述待審核數(shù)據(jù)的審核優(yōu)先級分值執(zhí)行更新包括：

判斷所述待審核數(shù)據(jù)的審核優(yōu)先級分值距離上一次的更新時間是否大于設定的更新時間閾值，若是，則更新所述待審核數(shù)據(jù)的審核優(yōu)先級分值；若否，則將所述審核數(shù)據(jù)放入緩存隊列。

優(yōu)選的，包括：

對更新后的所述待審核數(shù)據(jù)的審核優(yōu)先級分值，對所述審核隊列進行排序。

一種數(shù)據(jù)發(fā)布的審核裝置，包括：

接收模塊，用于接收待審核數(shù)據(jù)，并將其作為待審核數(shù)據(jù)放入審核隊列中；

賦值模塊，用于所述審核隊列中的所述待審核數(shù)據(jù)賦予審核優(yōu)先級分值；

排序?qū)徍四K，用于根據(jù)所述審核優(yōu)先級分值對所述審核隊列進行排序，并對排序后的所述待審核數(shù)據(jù)進行審核。

優(yōu)選的，所述接收模塊包括：

攔截模塊，攔截所述接收模塊中的所述待發(fā)布數(shù)據(jù)是否為疑似不良數(shù)據(jù)；所述攔截模塊包括：判斷模塊，用于判斷所述接收模塊中的所述待發(fā)布數(shù)據(jù)是否符合發(fā)布條件，若是，則發(fā)布；若否，則將所述待發(fā)布數(shù)據(jù)作為待審核數(shù)據(jù)放入審核隊列中，并進入所述賦值模塊。

優(yōu)選的，所述賦值模塊包括：

構建模塊，用于預先根據(jù)訓練數(shù)據(jù)的數(shù)據(jù)特征構建優(yōu)先級評分模型；

導出模塊，用于根據(jù)所述優(yōu)先級評分模型中導出所述待審核數(shù)據(jù)在所述優(yōu)先級評分模型中對應的審核優(yōu)先級分值。

優(yōu)選的，所述排序?qū)徍四K包括：

檢測模塊，用于在預設時間內(nèi)檢測所述審核隊列中的所述待審核數(shù)據(jù)的所述數(shù)據(jù)特征是否變化，若變化則進入更新模塊；

所述更新模塊，用于根據(jù)所述檢測結果對所述待審核數(shù)據(jù)的審核優(yōu)先級分值執(zhí)行更新。

優(yōu)選的，所述更新模塊包括：

更新時間判斷模塊，用于判斷所述待審核數(shù)據(jù)的審核優(yōu)先級分值距離上一次的更新時間是否大于設定的更新時間閾值，若是，則更新所述待審核數(shù)據(jù)的審核優(yōu)先級分值；若否，則將所述審核數(shù)據(jù)放入緩存隊列等待更新。

與現(xiàn)有技術相比，本發(fā)明的特點在于：通過對審核隊列中的待審核數(shù)據(jù)賦予審核優(yōu)先級的分值，進而使得審核隊列中的待審核數(shù)據(jù)是按照審核優(yōu)先級分值進行排序，審核人員能夠?qū)^高優(yōu)先級的待審核數(shù)據(jù)進行優(yōu)先審核，從而提高審核效率，并且降低審核過程誤殺的概率，使放出的評論量更多；影響面更大；被閱讀，回復和點贊的概率更大；所述審核方法的過程相當于雇傭更多的審核人員按照簡單排序?qū)徍嗽u論的效果，在沒有增加人力成本的情況下大幅提高的評論的用戶體驗。

附圖說明

為了更清楚地說明本發(fā)明實施例和現(xiàn)有技術中的技術方案，下面將對實施例和現(xiàn)有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實施例，對于本領域普通技術人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1是本發(fā)明提供的一種數(shù)據(jù)發(fā)布的審核方法的流程圖；

圖2是本發(fā)明提供的一種數(shù)據(jù)發(fā)布的審核裝置的結構示意圖。

具體實施方式

下面將接合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例。基于本發(fā)明中的實施例，本領域普通技術人員在沒有作出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。

請參考圖1所示，圖1是本發(fā)明提供的一種數(shù)據(jù)發(fā)布的審核方法的流程圖。

如圖1所示，本發(fā)明提供的一種數(shù)據(jù)發(fā)布的審核方法包括：

步驟S110：接收待發(fā)布數(shù)據(jù)，將其作為待審核數(shù)據(jù)放入審核隊列中。

在所述步驟S110的具體實現(xiàn)過程中，所述接收待發(fā)布數(shù)據(jù)可以是評論數(shù)據(jù)信息，即：對文章或?qū)π侣劵驅(qū)δ承┚W(wǎng)絡信息發(fā)表的評論數(shù)據(jù)，也或者是基于某些已發(fā)表的評論數(shù)據(jù)發(fā)表的評論數(shù)據(jù)，即：嵌套評論數(shù)據(jù)；或者是針對已發(fā)表評論數(shù)據(jù)的回復評論數(shù)據(jù)等等，所述些評論數(shù)據(jù)可以是文本數(shù)據(jù)、圖形數(shù)據(jù)和/或語音數(shù)據(jù)等。

在本實施例中，采用針對文本數(shù)據(jù)下的評論數(shù)據(jù)信息的審核過程進行說明，但實際上，在使用本發(fā)明提供的數(shù)據(jù)發(fā)布的審核方法，并不僅限于本實施中的內(nèi)容。

為提高待發(fā)布數(shù)據(jù)的審核效率，在本實施例中，對所述接收發(fā)布數(shù)據(jù)進行判斷，即：判斷所述待發(fā)布數(shù)據(jù)是否符合發(fā)布條件，若是，則發(fā)布，若否，則將所述待發(fā)布數(shù)據(jù)作為所述待審核數(shù)據(jù)放入審核隊列，并進入步驟S120中，即：所述對所述待審核數(shù)據(jù)進行審核優(yōu)先級分值。也就是說，接收到對某一文本數(shù)據(jù)(即：文章)的評論數(shù)據(jù)(即：待發(fā)布數(shù)據(jù))后，先對所述評論數(shù)據(jù)進行篩選過濾，判斷所述評論數(shù)據(jù)是否為疑似不良評論，以便將無需進行審核隊列的正常評論數(shù)據(jù)直接發(fā)布，進而提高審核效率。

在判斷所述待發(fā)布的評論數(shù)據(jù)是否符合發(fā)布條件，可以通過基于敏感詞命中的簡單規(guī)則，或者基于敏感詞命中次數(shù)，位置等額外信息的復雜規(guī)則，或者基于文本相似的規(guī)則。

通常情況下可以先用敏感詞命中做觸發(fā)，一旦觸發(fā)后再用一個復雜的機器學習模型對評論打分，比如Logistic Regression，神經(jīng)網(wǎng)絡等。所述機器學習模型需要預先在人工標注的不良評論樣本上進行訓練，建立評論攔截訓練模型。所述評論攔截訓練模型在攔截時主要考慮評論的文本內(nèi)容，或者可以考慮評論發(fā)表用戶的歷史行為。一般來說有過不良行為記錄的用戶風險更高，即使是在類似的評論數(shù)據(jù)內(nèi)容下，這類用戶的評論更容易被所述評論攔截訓練模型識別為不良評論，并被攔截，并放入審核隊列中。

以上僅是對于疑似不良評論的攔截進行簡單說明，實際操作過程中，可以選取現(xiàn)有技術中對疑似不良評論的攔截方式，只要是能夠?qū)⒋l(fā)布評論數(shù)據(jù)中存在的疑似不良評論攔截即可，因為攔截的疑似不良評論可能存在有誤攔截的情況，因此，還需要對進入審核隊列中的疑似不良評論數(shù)據(jù)進行再次審核，以免發(fā)生誤殺情況。

步驟S120：對所述待審核數(shù)據(jù)賦予審核優(yōu)先級分值。

所述步驟S120的具體實現(xiàn)過程可以是，預先根據(jù)訓練數(shù)據(jù)的數(shù)據(jù)特征構建優(yōu)先級評分模型，構建所述優(yōu)先級評分模型可以采用pair-wise算法，具體過程可以是：

具體的，先自動構造數(shù)萬評論pair然后標注評論pair中那一條應所述被優(yōu)先審核，不好判斷的pair則被丟棄。需要說明的是，此處的判斷可以存在兩種情況，一種是：當審核隊列中的待審核數(shù)據(jù)為已經(jīng)被篩選過濾的疑似不良評論數(shù)據(jù)的情況下，可以將不好判斷的pair丟棄；另一種是：當審核隊列中的待審核數(shù)據(jù)沒有經(jīng)過篩選過濾，則可以將沒有任何特征的評論數(shù)據(jù)設定為最高優(yōu)先級。

比如，如果評論pair中有一條是不良評論，另一條是正常評論，則后一條的審核優(yōu)先級分值應所述高于前一條的審核優(yōu)先級分值。再比如，如果評論pair中兩條都是正常評論，在單位時間內(nèi)被點贊更多的評論可以設定為優(yōu)先審核。如果評論pair中兩條都是不良評論，可以設定為丟棄pair。

通過上述規(guī)則，得到一定數(shù)量的標注pair后，用若干現(xiàn)有的pair-wise學習算法學習任意一個能夠把這些pair全部排序正確的排序模型F(x)，即給定：x1，x2，如果審核人員認為x1比x2優(yōu)先級高，F(xiàn)(x1)應所述大于F(x2)。優(yōu)先級評分模型最后用于給待審核的評論數(shù)據(jù)分配審核優(yōu)先級分值，也就是說給定評論x，其優(yōu)先級為F(x)，即：通過審核隊列中的評論數(shù)據(jù)x，可以通過優(yōu)先級評分模型獲知評論x的審核優(yōu)先級分值F(x)。

在構建優(yōu)先級評分模型后，根據(jù)所述待審核數(shù)據(jù)的數(shù)據(jù)特征導出所述待審核數(shù)據(jù)在所述優(yōu)先級評分模型中對應的審核優(yōu)先級分值。

再對所述優(yōu)先級評分模型構建的過程中，可以通過評論數(shù)據(jù)的數(shù)據(jù)特征供其構建，并能夠通過抽取出審核隊列中的待發(fā)布評論數(shù)據(jù)的數(shù)據(jù)特征得到特征向量，將所述特征向量發(fā)送至優(yōu)先級評分模型中，所述優(yōu)先級評分模型則會根據(jù)特征向量查詢到對應的審核優(yōu)先級分值并導出，從而獲得所述待發(fā)布評論數(shù)據(jù)的審核優(yōu)先級分值。

在本實施例中，所述數(shù)據(jù)特征可以包括以下形式：

1、所述待審核數(shù)據(jù)本身的特征參數(shù)，即：評論數(shù)據(jù)本身的特征參數(shù)，包括：具有廣告詞的特征參數(shù)和/或具有敏感詞的特征參數(shù)；具體可以為：機器識別評論是廣告的概率，機器識別評論包含臟話的概率，機器識別評論屬于人身攻擊的概率和/或機器識別評論有色情意味的概率等等。

2、發(fā)表所述待審核數(shù)據(jù)的用戶特征參數(shù)，即：發(fā)表評論數(shù)據(jù)的用戶特征參數(shù)，其具體是可以是，用戶發(fā)表評論被禁言的次數(shù)，所述次數(shù)可以是統(tǒng)計用戶歷史發(fā)表評論的數(shù)據(jù)的次數(shù)；用戶距離最近一次被禁言到當前發(fā)表評論為止的時間；和/或，用戶被禁止評論數(shù)據(jù)放出的比例，所述放出比例可以是設定為某一時間端內(nèi)評論被禁止放出的比例。

3、與所述待審核數(shù)據(jù)相對應的數(shù)據(jù)內(nèi)容的狀態(tài)統(tǒng)計參數(shù)，即：與所述評論數(shù)據(jù)相對應的文章(數(shù)據(jù)內(nèi)容)，所述文章已經(jīng)放出評論的數(shù)量；可以理解為對文章冷熱程度的判斷數(shù)據(jù)，具體可以是：評論文章(數(shù)據(jù)內(nèi)容)單位時間的閱讀量和/或評論文章(數(shù)據(jù)內(nèi)容)單位時間內(nèi)所有放出評論的點贊量之和。

需要說明的是，上述數(shù)據(jù)特征僅為本實施中的舉例，實際應用過程中還可以根據(jù)審核內(nèi)容等采用不同的數(shù)據(jù)特征。所述優(yōu)先級評分模塊是通過待審核數(shù)據(jù)的數(shù)據(jù)特征，導出其對應的審核優(yōu)先級分值。

步驟S130：根據(jù)所述審核優(yōu)先級分值進行排序，對排序后的所述待審核數(shù)據(jù)進行審核。

所述步驟S130的具體實現(xiàn)過程可以是，根據(jù)審核隊列中的賦予待審核評論數(shù)據(jù)審核優(yōu)先級分值的大小對待審核評論數(shù)據(jù)進行排序，根據(jù)審核要求，按照降序的方式對待審核評論數(shù)據(jù)進行排序，即：審核優(yōu)先級分值從大到小排列。

由于在對某一文本數(shù)據(jù)進行評論時，會在短時間內(nèi)產(chǎn)生大量的評論數(shù)據(jù)，審核隊列的評論數(shù)據(jù)量會不斷的產(chǎn)生變化，另外，在對已賦予審核優(yōu)先級分值的評論數(shù)據(jù)還存在評述數(shù)據(jù)的數(shù)據(jù)特征產(chǎn)生變化的情況，例如：點擊量和/或閱讀量的變化等等，對于已經(jīng)賦予審核優(yōu)先級分值的評述數(shù)據(jù)很有可能發(fā)生審核優(yōu)先級分值的變化，因此，為提高審核效率，保證審核隊列中評述數(shù)據(jù)審核優(yōu)先級分值能夠隨數(shù)據(jù)特征的變化而變化，在本實施例中，所述步驟S130：對審核優(yōu)先級分值對所述審核隊列進行排序，對排序后的所述待審核數(shù)據(jù)進行審核還包括：

在預設時間內(nèi)檢測所述審核隊列中的所述待審核數(shù)據(jù)的所述數(shù)據(jù)特征是否變化，若變化則進入下一步；

根據(jù)所述檢測結果對所述待審核數(shù)據(jù)的審核優(yōu)先級分值執(zhí)行更新。

所述更新的過程可以在原有的審核隊列基礎上對待審核評論數(shù)據(jù)的審核優(yōu)先級分值進行更新，也可以新建一個審核隊列將更新后的待審核評論數(shù)據(jù)的審核優(yōu)先級分值進行存儲，在更新完畢后將就的審核隊列刪除。

可以理解的是，對一篇文章的評論數(shù)據(jù)可能在短時間內(nèi)容生產(chǎn)大量評論數(shù)據(jù)，而數(shù)據(jù)特征的變化也發(fā)生大量變化，不斷的更新優(yōu)先級分值會對審核人員的審核工作帶來困擾，因此，可以通過設定一個更新時間閾值，在更新時間閾值到達后才進行更新，進而提高審核工作的效率。具體可以是：

判斷所述待審核數(shù)據(jù)的審核優(yōu)先級分值距離上一次的更新時間是否大于設定的更新時間閾值，若是，則更新所述待審核數(shù)據(jù)的審核優(yōu)先級分值；若否，則將所述審核數(shù)據(jù)放入緩存隊列。

在本實施例中，更新時間的閾值可以根據(jù)通常情況下的審核數(shù)據(jù)變化量的平均值來設定，也可以根據(jù)實際審核工作的時間要求來設定。

在更新后，需要根據(jù)更新后的所述待審核數(shù)據(jù)的審核優(yōu)先級分值，重新對所述審核隊列進行排序，以便審核人員根據(jù)最新優(yōu)先級情況對待審核評論數(shù)據(jù)進行審核。

可以理解是，在對于放入緩存隊列的待審核評論數(shù)據(jù)當?shù)竭_更新時間后，其優(yōu)先權分值會被更新，并放入審核隊列中，之后刪除緩存隊列中的待審核評論數(shù)據(jù)，對更新后的待審核評論數(shù)據(jù)的排序也會隨之重新排序。在本實施例中，更新審核隊列的過程可以新建一個審核隊列，所述審核隊列可以包括舊審核隊列中的評論和緩存隊列中的評論，建好后新的審核隊列后，審核人員通過新的審核隊列對待審核評論數(shù)據(jù)進行審核，并刪除舊的審核隊列。

需要說明的是，對于具有審核優(yōu)先級分值的審核隊列，在審核人員審核的顯示畫面中使將審核優(yōu)先級分值從高到低顯示，進而便于審核人員將審核優(yōu)先級分值較高的評述數(shù)據(jù)進行優(yōu)先審核。

以上為本發(fā)明提供的一種數(shù)據(jù)發(fā)布的審核方法的具體實現(xiàn)過程的描述，所述方法能夠提高審核效率，并且能夠使放出的評論量更多，影響面更大，被閱讀，回復和點贊的概率更大，采用所述審核方法的效果相當于雇傭更多的審核人員按照簡單排序?qū)徍嗽u論的效果，在沒有增加人力成本的情況下大幅提高的評論的用戶體驗。

基于上述本發(fā)明提供的一種數(shù)據(jù)發(fā)布的審核方法，本發(fā)明還提供一種與數(shù)據(jù)發(fā)布的審核方法相對應的數(shù)據(jù)發(fā)布的審核裝置，因為所述數(shù)據(jù)發(fā)布的審核裝置與數(shù)據(jù)發(fā)布的審核方法相對應，因此僅為示意性的描述，所述裝置的具體實現(xiàn)過程及內(nèi)容可以參考方法的描述。

請參考圖2所示，圖2是本發(fā)明提供的一種數(shù)據(jù)發(fā)布的審核裝置的結構示意圖。

如圖2所示，本發(fā)明提供的一種數(shù)據(jù)發(fā)布的審核裝置包括：

接收模塊201，用于接收待審核數(shù)據(jù)，并將其作為待審核數(shù)據(jù)放入審核隊列中；

賦值模塊202，用于所述審核隊列中的所述待審核數(shù)據(jù)賦予審核優(yōu)先級分值；

排序?qū)徍四K203，用于根據(jù)所述審核優(yōu)先級分值對所述審核隊列進行排序，并對排序后的所述待審核數(shù)據(jù)進行審核。

其中，所述接收模塊201，包括：

攔截模塊，用于攔截所述接收模塊中的所述待發(fā)布數(shù)據(jù)是否為疑似不良數(shù)據(jù)，所述攔截模塊包括：判斷模塊，用于判斷所述接收模塊中的所述待發(fā)布數(shù)據(jù)是否符合發(fā)布條件，若是，則發(fā)布；若否，則將所述待發(fā)布數(shù)據(jù)作為待審核數(shù)據(jù)放入審核隊列中，并進入所述賦值模塊。

所述賦值模塊202包括：

構建模塊，用于預先根據(jù)訓練數(shù)據(jù)的數(shù)據(jù)特征構建優(yōu)先級評分模型；

導出模塊，用于根據(jù)所述優(yōu)先級評分模型中導出所述待審核數(shù)據(jù)在所述優(yōu)先級評分模型中對應的審核優(yōu)先級分值。

所述排序?qū)徍四K203包括：

檢測模塊，用于在預設時間內(nèi)檢測所述審核隊列中的所述待審核數(shù)據(jù)的所述數(shù)據(jù)特征是否變化，若變化則進入更新模塊；

所述更新模塊，用于根據(jù)所述檢測結果對所述待審核數(shù)據(jù)的審核優(yōu)先級分值執(zhí)行更新。

所述更新模塊包括：

更新時間判斷模塊，用于判斷所述待審核數(shù)據(jù)的審核優(yōu)先級分值距離上一次的更新時間是否大于設定的更新時間閾值，若是，則更新所述待審核數(shù)據(jù)的審核優(yōu)先級分值；若否，則將所述審核數(shù)據(jù)放入緩存隊列等待更新。

可以理解的是，本發(fā)明提供的一種數(shù)據(jù)發(fā)布的審核裝置，還可以包括：交互模塊，用于將具有審核優(yōu)先級分值的審核隊列顯示供審核人員審核，判斷對應的待審核評論數(shù)據(jù)是否可以放出。

以上所述僅為本發(fā)明提供的一種數(shù)據(jù)發(fā)布的審核方法及裝置的優(yōu)選實施方式，并不構成對本發(fā)明保護范圍的限定。所述實施例中的部件數(shù)量并不局限于實施例中所采用的方式，任何在本發(fā)明的精神和原則之內(nèi)所作的任何修改、等同替換和改進等，均應包含在本發(fā)明的權利要求保護范圍之內(nèi)。