CN105868302A - 获取素养信息的方法和装置 - Google Patents

Abstract

本公开是关于获取素养信息的方法和装置。该方法包括：获取目标阅读者已阅读内容的阅读特征，所述阅读特征包括以下至少一项：阅读数量、所属领域和评价参数；根据所述阅读特征，获取针对所述目标阅读者的素养信息；输出所述素养信息。本方案通过综合考虑目标阅读者的所有已阅读内容的阅读特征，对该目标阅读者的素养做出恰当的评判。

Description

获取素养信息的方法和装置

技术领域

本公开涉及信息领域，尤其涉及获取素养信息的方法和装置。

背景技术

随着终端设备的普及，越来越多的用户使用终端设备进行游戏、购物、阅读等活动。如果能获取到关于使用终端设备的用户的素养信息，就有助于了解该用户。因此，如何获取用户的素养信息是一个亟待解决的问题。

发明内容

本公开实施例提供一种获取素养信息的方法和装置。所述技术方案如下：

根据本公开实施例的第一方面，提供一种获取素养信息的方法，包括：

获取目标阅读者已阅读内容的阅读特征，所述阅读特征包括以下至少一项：阅读数量、所属领域和评价参数；

根据所述阅读特征，获取针对所述目标阅读者的素养信息；

输出所述素养信息。

可选的，所述阅读特征包括所述评价参数；

所述根据所述阅读特征，获取针对所述目标阅读者的素养信息，包括：

对所述评价参数进行加权求和，得到目标评价参数；

根据所述目标评价参数获取所述素养信息。

可选的，所述获取目标阅读者已阅读内容的阅读特征，包括：

通过递归神经网络模型对所述已阅读内容进行自然语言处理，获取所述评价参数。

可选的，所述输出所述素养信息，包括：

将所述素养信息生成为所述目标阅读者的素养标签进行输出。

可选的，所述素养信息包括素养数值；

所述素养数值与所述阅读数量的数值之间呈正相关关系；

所述素养数值与所述所属领域的大小之间呈正相关关系；

所述素养数值与所述评价参数高低之间呈正相关关系。

可选的，所述已阅读内容包括以下中的一种或多种：网页和电子书。

根据本公开实施例的第二方面，提供一种获取素养信息的装置，包括：

第一获取模块，用于获取目标阅读者已阅读内容的阅读特征，所述阅读特征包括以下至少一项：阅读数量、所属领域和评价参数；

第二获取模块，用于根据所述第一获取模块获取的所述阅读特征，获取针对所述目标阅读者的素养信息；

输出模块，用于输出所述第二获取模块获取的所述素养信息。

可选的，所述第一获取模块获取的阅读特征包括所述评价参数；

所述第二获取模块，包括：

计算子模块，用于对所述第一获取模块获取的所述评价参数进行加权求和，得到目标评价参数；

获取子模块，用于根据所述计算子模块得到的所述目标评价参数获取所述素养信息。

可选的，所述第一获取模块，包括：

获取评价参数子模块，用于通过递归神经网络模型对所述已阅读内容进行自然语言处理，获取所述评价参数。

可选的，所述输出模块，包括：

输出标签子模块，用于将所述第二获取模块获取的所述素养信息生成为所述目标阅读者的素养标签进行输出。

可选的，所述第二获取模块获取的所述素养信息包括素养数值；

所述素养数值与所述第一获取模块获取的所述阅读数量的数值之间呈正相关关系；

所述素养数值与所述第一获取模块获取的所属领域的大小之间呈正相关关系；

所述素养数值与所述第一获取模块获取的所述评价参数高低之间呈正相关关系。

可选的，所述已阅读内容包括以下中的一种或多种：网页和电子书。

根据本公开实施例的第三方面，提供一种获取素养信息的装置，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：

获取目标阅读者已阅读内容的阅读特征，所述阅读特征包括以下至少一项：阅读数量、所属领域和评价参数；

根据所述阅读特征，获取针对所述目标阅读者的素养信息；

输出所述素养信息。

本公开的实施例提供的技术方案可以包括以下有益效果：

上述技术方案，根据目标阅读者已阅读内容的阅读数量、所属领域和评价参数中的至少一项阅读特征，获取并输出该目标阅读者的素养信息。实现了通过综合考虑用户的已阅读内容的阅读特征，对该目标阅读者的素养做出恰当的评判。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。

图1是根据一示例性实施例示出的获取素养信息的方法的流程图。

图2是根据另一示例性实施例示出的获取素养信息的方法的流程图。

图3是根据另一示例性实施例示出的获取素养信息的方法的流程图。

图4是根据一示例性实施例示出的获取素养信息的装置的框图。

图5是根据另一示例性实施例示出的获取素养信息的装置的第二获取模块42的框图。

图6是根据另一示例性实施例示出的获取素养信息的装置的第一获取模块41的框图。

图7是根据另一示例性实施例示出的获取素养信息的装置的输出模块43的框图。

图8是根据一示例性实施例示出的终端设备的框图。

图9是根据一示例性实施例示出的网络侧设备的框图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。

本公开实施例提供的技术方案，涉及终端设备，比如可以包括智能手机、平板电脑、笔记本电脑、台式电脑等。也可以涉及网络侧设备，网络侧设备可以是一台网络侧设备，比如网络侧设备或路由器，或者由若干台网络侧设备组成的网络侧设备集群，或者是一个云计算服务中心。

图1是根据一示例性实施例示出的一种获取素养信息的方法的流程图，如图1所示，方法用于终端设备中，包括以下步骤S11-S13：

在步骤S11中，获取目标阅读者已阅读内容的阅读特征，阅读特征包括以下至少一项：阅读数量、所属领域和评价参数。

已阅读内容可以包括以下中的一种或多种：网页和电子书。

已阅读内容的阅读数量可以包括目标阅读者的总阅读数量，即包括目标阅读者所有已阅读内容的阅读数量。已阅读内容的阅读数量还可以包括目标阅读者已阅读的各阅读内容的各自的阅读数量，或者各类阅读内容的阅读数量，例如，已阅读的电子书的阅读数量和已阅读的网页的阅读数量。阅读数量可以用已阅读内容的篇数和/或字数来表示。

已阅读内容的所属领域，例如可以是小说类、杂志类、新闻类等等。小说类又可以分为武侠类、传记类、财经类等等。杂志类也可以分为美容类、财经类、军事类等等。可以预先为每个领域设置相应的领域权重。

已阅读内容的评价参数，例如可以包括电子书的评分、网页的评分等评价参数。

在步骤S12中，根据阅读特征，获取针对目标阅读者的素养信息。

素养信息，代表了目标阅读者的关于阅读的信息。例如，当阅读特征包括阅读数量时，该素养信息可以包括目标阅读者的总阅读数量，还可以包括各阅读内容的各自的阅读数量。当阅读特征包括所属领域时，该素养信息可以包括目标阅读者已阅读内容所涉及的领域。当阅读特征包括评价参数时，该素养信息可以包括目标阅读者已阅读内容的评价参数。

在本公开的另一实施例中，获取的素养信息可以包括素养数值，即使用数值的形式来表现目标阅读者的关于阅读的信息。其中：

素养数值与阅读数量的数值之间呈正相关关系，即目标阅读者的阅读数量越大，该目标阅读者的素养数值越高；

素养数值与所属领域的个数之间呈正相关关系，例如，目标阅读者1的已阅读内容包括属于领域A的阅读内容和属于领域B的阅读内容，目标阅读者2的已阅读内容包括属于领域A的阅读内容，那么，目标阅读者1的素养数值高于目标阅读者2的素养数值；

素养数值与评价参数高低之间呈正相关关系，即目标阅读者的已阅读内容的评价参数越高，该目标阅读者的素养数值越高。

当阅读特征包括阅读数量、所属领域和评价参数中的至少两项时，素养信息可以包括三个分别表示目标阅读者已阅读内容的阅读数量、所属领域和评价参数的素养子数值。此外，还可以采用对素养子数值进行加权求和的方式计算素养数值。预先为每种阅读特征设置对应的权重，然后获取每个阅读特征对应的素养子数值，对素养子数值进行加权求和，从而获取素养数值。

在步骤S13中，输出素养信息。

输出素养信息，可以采用各种合适的方式。例如，可以使用文字输出，显示出目标阅读者阅读了多少阅读内容、已阅读内容的所属领域、已阅读内容的评价参数等；还可以使用视频输出素养信息，也可以使用语音播放素养信息。

本实施例中，考虑到用户阅读的内容往往可以反映用户的素养，比如看经典著作的用户往往比看网络小说的用户素养更高一些，因此，通过目标阅读者已阅读内容的阅读特征，获取并输出目标阅读者的关于阅读的素养信息。实现了通过综合考虑目标阅读者的已阅读内容的阅读特征，对该目标阅读者的素养做出恰当的评判。

在本公开的另一个实施例中，当阅读特征包括已阅读内容的评价参数时，还可以针对获取的多个已阅读内容的多个评价参数进行处理，以获取一个能表示已阅读内容的总体评价的目标评价参数。如图2所示是根据另一示例性实施例示出的一种获取素养信息的方法的流程图，该方法可以包括以下步骤：

在步骤S21中，获取目标阅读者的多个已阅读内容的各自的评价参数。

已阅读内容为网页时，网页的评价参数可以为PageRank值。PageRank，译为网页排名，又称网页级别、Google左侧排名或佩奇排名，是一种根据网页之间相互的超链接计算的技术，PageRank值是通过指向该网页的其他网页来体现该网页的质量的。PageRank值越高，说明该文档的质量越高。除了PageRank值，还可以使用网页的Hilltop值、HITS值、TrustRank值等表征网页质量的评价参数。HillTop算法的指导思想和PageRank一致，都是通过网页被链接的数量和质量来衡量网页的质量。HITS算法根据一个网页的入度(指向此网页的超链接)和出度(从此网页指向别的网页)来衡量网页的重要性，其最直观的意义是如果一个网页的重要性很高，则他所指向的网页的重要性也高。TrustRank为“信任指数”，它衡量的是网站在谷歌上的信任度，网站的TrustRank值越高，意味着网站质量越高。

已阅读内容为电子书时，电子书的评价参数例如可以是电子书的评分。

在步骤S22中：对获取的评价参数进行加权求和，获得目标评价参数。

使用加权求和的方式时，可以先分析已阅读内容所属领域，然后从预先设置的权重数据中，获取该领域对应的权重，然后将获取的评价参数根据获取的权重进行加权求和，从而获得表示目标阅读者已阅读内容的整体评价的目标评价参数。

在步骤S23中，根据目标评价参数获取素养信息。

目标阅读者的素养信息可以包括获得的目标评价参数。例如，对获取的评价参数进行加权求和后，得到的值为8.8，则目标阅读者的素养信息中包括表示目标阅读者已阅读内容的整体评价的值8.8。

也可以进一步将加权求和后得到的值按照预设的规则进行量化分级，分数越高等级越高。目标阅读者的素养信息可以包括表示目标阅读者已阅读内容的整体评价的等级。

在步骤S24中，输出素养信息。

此外，还可以将素养信息生成为目标阅读者的素养标签进行输出。也就是说，可以将目标阅读者的素养信息生成为目标阅读者的标签，与目标阅读者关联存储，可以通过标签对目标阅读者进行查找、统计等。

当未直接获取到已阅读内容的评价参数时，可以通过对已阅读内容进行分析，获取已阅读内容的评价参数。如图3所示是根据另一示例性实施例示出的一种获取素养信息的方法的流程图，该方法可以包括以下步骤：

在步骤S31中，获取目标阅读者的已阅读内容。

在步骤S32中：通过递归神经网络模型对已阅读内容进行自然语言处理，获取已阅读内容的评价参数。

递归神经网络模型用网页、电子书的内容作为输入，可以对网页、电子书进行评价。采用递归神经网络模型的目的是建立从电子书、网页的文本内容向电子书、网页的评价的映射，相当于自动根据文本内容进行打分。首先，需要训练一个递归神经网络模型，需要训练数据集，训练数据集包括两部分：特征向量和标注数据。特征向量可以采用将文本内容的词语采用1-of-k的编码方式生成向量，电子书的标注数据可以从书籍评分网站上获得，网页的标注数据可以从网页的浏览量获得。这里，标注数据还可以进一步被量化分级，分成几个等级。不同的已阅读内容(电子书和网页)可以具有不同的量化方式，但最后都要量化到同一个尺度上，以便进行统一处理。获得了训练数据集后，就可以训练递归神经网络模型了。考虑到文本数据具有次序性，可以采用BPTT(Backpropagation Through Time，沿时间反向传播)的方法训练模型。训练好的递归神经网络模型，将目标阅读者已阅读的电子书、网页数据作为输入，就可以得出电子书、网页的得分即评价参数。

在步骤S33中：对评价参数进行加权求和，获得目标质量参数。

在步骤S34中，根据目标评价参数获取素养信息。

在步骤S35中，输出素养信息。

本实施例中，当未获取到已阅读内容的评价参数时，利用递归神经网络模型对已阅读内容进行自然语言处理，从而获取到已阅读内容的评价参数。

上述实施例中的方法在终端设备中实现。在本公开的其他实施例中，上述方法皆可在服务器侧实现。由服务器获取目标阅读者已阅读内容的阅读特征，并根据获取的阅读特征，提供目标阅读者的关于阅读的素养信息。服务器获取目标阅读者的阅读特征时，可以由目标阅读者进行阅读的终端设备将阅读特征发送至服务器。

下述为本公开装置实施例，可以用于执行本公开方法实施例。

图4是根据一示例性实施例示出的一种获取素养信息的装置的框图，该装置可以通过软件、硬件或者两者的结合实现成为电子设备的部分或者全部。如图4所示，该获取素养信息的装置包括：

第一获取模块41，被配置为获取目标阅读者已阅读内容的阅读特征，阅读特征包括以下至少一项：阅读数量、所属领域和评价参数。

已阅读内容可以包括以下中的一种或多种：网页和电子书。

已阅读内容的阅读数量可以包括目标阅读者的总阅读数量，即包括目标阅读者所有已阅读内容的阅读数量。已阅读内容的阅读数量还可以包括目标阅读者已阅读的各阅读内容的各自的阅读数量，或者各类阅读内容的阅读数量，例如，已阅读的电子书的阅读数量和已阅读的网页的阅读数量。阅读数量可以用已阅读内容的篇数和/或字数来表示。

已阅读内容的所属领域，例如可以是小说类、杂志类、新闻类等等。小说类又可以分为武侠类、传记类、财经类等等。杂志类也可以分为美容类、财经类、军事类等等。可以预先为每个领域设置相应的领域权重。

已阅读内容的评价参数，例如可以包括电子书的评分、网页的评分等评价参数。

第二获取模块42，被配置为根据第一获取模块41获取的阅读特征，获取针对目标阅读者的素养信息。

素养信息，代表了目标阅读者的关于阅读的信息。例如，当阅读特征包括阅读数量时，该素养信息可以包括目标阅读者的总阅读数量，还可以包括各阅读内容的各自的阅读数量。当阅读特征包括所属领域时，该素养信息可以包括目标阅读者已阅读内容所涉及的领域。当阅读特征包括评价参数时，该素养信息可以包括目标阅读者已阅读内容的评价参数。

在本公开的另一实施例中，第二获取模块42获取的素养信息可以包括素养数值，即使用数值的形式来表现目标阅读者的关于阅读的信息。其中：

素养数值与阅读数量的数值之间呈正相关关系，即目标阅读者的阅读数量越大，该目标阅读者的素养数值越高；

素养数值与所属领域的个数之间呈正相关关系，例如，目标阅读者1的已阅读内容包括属于领域A的阅读内容和属于领域B的阅读内容，目标阅读者2的已阅读内容包括属于领域A的阅读内容，那么，目标阅读者1的素养数值高于目标阅读者2的素养数值；

素养数值与评价参数高低之间呈正相关关系，即目标阅读者的已阅读内容的评价参数越高，该目标阅读者的素养数值越高。

当阅读特征包括阅读数量、所属领域和评价参数中的至少两项时，素养信息可以包括三个分别表示目标阅读者已阅读内容的阅读数量、所属领域和评价参数的素养子数值。此外，还可以采用对素养子数值进行加权求和的方式计算素养数值。预先为每种阅读特征设置对应的权重，然后获取每个阅读特征对应的素养子数值，对素养子数值进行加权求和，从而获取素养数值。

输出模块43，被配置为输出第二获取模块42获取的素养信息。

输出素养信息，可以采用各种合适的方式。例如，可以使用文字输出，显示出目标阅读者阅读了多少阅读内容、已阅读内容的所属领域、已阅读内容的评价参数等；还可以使用视频输出素养信息，也可以使用语音播放素养信息。

本实施例中，通过目标阅读者已阅读内容的阅读特征，获取并输出目标阅读者的关于阅读的素养信息。实现了通过综合考虑目标阅读者的已阅读内容的阅读特征，对该目标阅读者的素养做出恰当的评判。

在本公开的另一个实施例中，当阅读特征包括已阅读内容的评价参数时，还可以针对获取的多个已阅读内容的多个评价参数进行处理，以获取一个能表示已阅读内容的总体评价的目标评价参数。如图5所示，第二获取模块42，包括：

计算子模块421，被配置为对第一获取模块41获取的评价参数进行加权求和，得到目标评价参数；

已阅读内容为网页时，网页的评价参数可以为PageRank值。PageRank，译为网页排名，又称网页级别、Google左侧排名或佩奇排名，是一种根据网页之间相互的超链接计算的技术，PageRank值是通过指向该网页的其他网页来体现该网页的质量的。PageRank值越高，说明该文档的质量越高。除了PageRank值，还可以使用网页的Hilltop值、HITS值、TrustRank值等表征网页质量的评价参数。HillTop算法的指导思想和PageRank一致，都是通过网页被链接的数量和质量来衡量网页的质量。HITS算法根据一个网页的入度(指向此网页的超链接)和出度(从此网页指向别的网页)来衡量网页的重要性，其最直观的意义是如果一个网页的重要性很高，则他所指向的网页的重要性也高。TrustRank为“信任指数”，它衡量的是网站在谷歌上的信任度，网站的TrustRank值越高，意味着网站质量越高。

已阅读内容为电子书时，电子书的评价参数例如可以是电子书的评分。

使用加权求和的方式时，可以先分析已阅读内容所属领域，然后从预先设置的权重数据中，获取该领域对应的权重，然后将获取的评价参数根据获取的权重进行加权求和，从而获得表示目标阅读者已阅读内容的整体评价的目标评价参数。

获取子模块422，被配置为根据计算子模块421得到的目标评价参数获取素养信息。

目标阅读者的素养信息可以包括获得的目标评价参数。例如，对获取的评价参数进行加权求和后，得到的值为8.8，则目标阅读者的素养信息中包括表示目标阅读者已阅读内容的整体评价的值8.8。

也可以进一步将加权求和后得到的值按照预设的规则进行分级，分数越高等级越高。目标阅读者的素养信息可以包括表示目标阅读者已阅读内容的整体评价的等级。

当未直接获取到已阅读内容的评价参数时，可以通过对已阅读内容进行分析，获取已阅读内容的评价参数。如图6所示，第一获取模块41，包括：

获取评价参数子模块411，被配置为通过递归神经网络模型对已阅读内容进行自然语言处理，获取评价参数。

递归神经网络模型用网页、电子书的内容作为输入，可以对网页、电子书进行评价。采用递归神经网络模型的目的是建立从电子书、网页的文本内容向电子书、网页的评价的映射，相当于自动根据文本内容进行打分。首先，需要训练一个递归神经网络模型，需要训练数据集，训练数据集包括两部分：特征向量和标注数据。特征向量可以采用将文本内容的词语采用1-of-k的编码方式生成向量，标注数据可以从书籍评分网站上获得，网页的标注数据可以从网页的浏览量获得。获得了训练数据集后，就可以训练递归神经网络模型了。考虑到文本数据具有次序性，可以采用BPTT(Backpropagation ThroughTime，沿时间反向传播)的方法训练模型。训练好的递归神经网络模型，将目标阅读者已阅读的电子书、电子杂志、网页数据作为输入，就可以得出电子书、电子杂志、网页的得分即评价参数。

在本公开另一实施例中，如图7所示，输出模块43，包括：

输出标签子模块431，用于将第二获取模块42获取的素养信息生成为目标阅读者的素养标签进行输出。

也就是说，可以将目标阅读者的素养信息生成为目标阅读者的标签，与目标阅读者关联存储，可以通过标签对目标阅读者进行查找、统计等。

本公开还提供一种获取素养信息的装置，包括：

处理器；

被配置为存储处理器可执行指令的存储器；

其中，处理器被配置为：

获取目标阅读者已阅读内容的阅读特征，阅读特征包括以下至少一项：阅读数量、所属领域和评价参数；

根据阅读特征，获取针对目标阅读者的素养信息；

输出素养信息。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

图8是根据一示例性实施例示出的一种用于获取素养信息的装置800的框图。例如，装置800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。

参照图8，装置800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。

处理组件802通常控制装置800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。

存储器804被配置为存储各种类型的数据以支持在设备800的操作。这些数据的示例包括用于在装置800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

电源组件806为装置800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为装置800生成、管理和分配电力相关联的组件。

多媒体组件808包括在装置800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当装置800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。

I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件814包括一个或多个传感器，用于为装置800提供各个方面的状态评估。例如，传感器组件814可以检测到设备800的打开/关闭状态，组件的相对定位，例如组件为装置800的显示器和小键盘，传感器组件814还可以检测装置800或装置800一个组件的位置改变，用户与装置800接触的存在或不存在，装置800方位或加速/减速和装置800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件816被配置为便于装置800和其他设备之间有线或无线方式的通信。装置800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信部件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，通信部件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，装置800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器804，上述指令可由装置800的处理器820执行以完成上述方法。例如，非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。

一种非临时性计算机可读存储介质，当存储介质中的指令由移动终端的处理器执行时，使得移动终端能够执行一种获取素养信息的方法，方法包括：

获取目标阅读者已阅读内容的阅读特征，阅读特征包括以下至少一项：阅读数量、所属领域和评价参数；

根据阅读特征，获取针对目标阅读者的素养信息；

输出素养信息。

可选的，阅读特征包括评价参数；

根据阅读特征，获取针对目标阅读者的素养信息，包括：

对评价参数进行加权求和，得到目标评价参数；

根据目标评价参数获取素养信息。

可选的，获取目标阅读者已阅读内容的阅读特征，包括：

通过递归神经网络模型对已阅读内容进行自然语言处理，获取评价参数。

可选的，输出素养信息，包括：

将素养信息生成为目标阅读者的素养标签进行输出。

可选的，素养信息包括素养数值；

素养数值与阅读数量的数值之间呈正相关关系；

素养数值与所属领域的大小之间呈正相关关系；

素养数值与评价参数高低之间呈正相关关系。

可选的，已阅读内容包括以下中的一种或多种：网页和电子书。

图9是根据一示例性实施例示出的一种用于获取素养信息的装置1900的框图。例如，装置1900可以被提供为一网络侧设备。

参照图9，装置1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理部件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述获取素养信息的方法。

装置1900还可以包括一个电源组件1926被配置为执行装置1900的电源管理，一个有线或无线网络接口1950被配置为将装置1900连接到网络，和一个输入输出(I/O)接口1958。装置1900可以操作基于存储在存储器1932的操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。

本领域技术人员在考虑说明书及实践这里公开的公开后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (13)

1.一种获取素养信息的方法，其特征在于，包括：

获取目标阅读者已阅读内容的阅读特征，所述阅读特征包括以下至少一项：阅读数量、所属领域和评价参数；

根据所述阅读特征，获取针对所述目标阅读者的素养信息；

输出所述素养信息。

2.根据权利要求1所述的方法，其特征在于，所述阅读特征包括所述评价参数；

所述根据所述阅读特征，获取针对所述目标阅读者的素养信息，包括：

对所述评价参数进行加权求和，得到目标评价参数；

根据所述目标评价参数获取所述素养信息。

3.根据权利要求1所述的方法，其特征在于，所述获取目标阅读者已阅读内容的阅读特征，包括：

通过递归神经网络模型对所述已阅读内容进行自然语言处理，获取所述评价参数。

4.根据权利要求1所述的方法，其特征在于，

所述输出所述素养信息，包括：

将所述素养信息生成为所述目标阅读者的素养标签进行输出。

5.根据权利要求1所述的方法，其特征在于，所述素养信息包括素养数值；

所述素养数值与所述阅读数量的数值之间呈正相关关系；

所述素养数值与所述所属领域的个数之间呈正相关关系；

所述素养数值与所述评价参数高低之间呈正相关关系。

6.根据权利要求1所述的方法，其特征在于，所述已阅读内容包括以下中的一种或多种：网页和电子书。

7.一种获取素养信息的装置，其特征在于，包括：

第一获取模块，用于获取目标阅读者已阅读内容的阅读特征，所述阅读特征包括以下至少一项：阅读数量、所属领域和评价参数；

第二获取模块，用于根据所述第一获取模块获取的所述阅读特征，获取针对所述目标阅读者的素养信息；

输出模块，用于输出所述第二获取模块获取的所述素养信息。

8.根据权利要求7所述的装置，其特征在于，所述第一获取模块获取的阅读特征包括所述评价参数；

所述第二获取模块，包括：

计算子模块，用于对所述第一获取模块获取的所述评价参数进行加权求和，得到目标评价参数；

获取子模块，用于根据所述计算子模块得到的所述目标评价参数获取所述素养信息。

9.根据权利要求7所述的装置，其特征在于，所述第一获取模块，包括：

获取评价参数子模块，用于通过递归神经网络模型对所述已阅读内容进行自然语言处理，获取所述评价参数。

10.根据权利要求7所述的装置，其特征在于，所述输出模块，包括：

输出标签子模块，用于将所述第二获取模块获取的所述素养信息生成为所述目标阅读者的素养标签进行输出。

11.根据权利要求7所述的装置，其特征在于，所述第二获取模块获取的所述素养信息包括素养数值；

所述素养数值与所述第一获取模块获取的所述阅读数量的数值之间呈正相关关系；

所述素养数值与所述第一获取模块获取的所属领域的大小之间呈正相关关系；

所述素养数值与所述第一获取模块获取的所述评价参数高低之间呈正相关关系。

12.根据权利要求7所述的装置，其特征在于，所述已阅读内容包括以下中的一种或多种：网页和电子书。

13.一种获取素养信息的装置，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：

获取目标阅读者已阅读内容的阅读特征，所述阅读特征包括以下至少一项：阅读数量、所属领域和评价参数；

根据所述阅读特征，获取针对所述目标阅读者的素养信息；

输出所述素养信息。