一种多维度图书分级方法、系统及可读介质与流程

1.本技术涉及智能化图书分级技术领域，并且更具体地，涉及一种多维度图书分级方法、系统及可读介质。


背景技术：

2.每个阅读者的阅读能力是不一样的，且每个阅读者对需要阅读的书籍的接收能力也是不一样的，因此，不同的阅读者所具备的阅读需求也是不一样的，也就是需要对不同的阅读者进行针对性的阅读图书的分级。
3.传统的图书分级系统中，是通过人为设定的分级规则来硬性地对图书进行评级，比如，是通过年龄阶段进行的分级，且该分级是面向大众的分级，具备普适性，但是不能很好的满足每个阅读者阅读体验以及阅读需求。
4.因此，期待一种优化的图书分级方案。


技术实现要素：

5.为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种多维度图书分级方法、系统及可读介质，其获取阅读者的历史阅读信息；获取待分级第一图书的图书主题和图书摘要；以及，基于所述阅读者的历史阅读信息和所述待分级第一图书的图书主题和图书摘要，确定所述待分级第一图书针对于所述阅读者的阅读难度等级标签。这样所得出的阅读难度等级具有针对于特定阅读者的阅读能力的特异性和自适应性，从而便于为特定阅读者推荐适宜的书籍。
6.第一方面，提供了一种多维度图书分级方法，其包括：
7.获取阅读者的历史阅读信息；
8.获取待分级第一图书的图书主题和图书摘要；以及
9.基于所述阅读者的历史阅读信息和所述待分级第一图书的图书主题和图书摘要，确定所述待分级第一图书针对于所述阅读者的阅读难度等级标签。
10.第二方面，提供了一种多维度图书分级系统，其包括：
11.阅读信息获取模块，用于获取阅读者的历史阅读信息；
12.主题和摘要获取模块，用于获取待分级第一图书的图书主题和图书摘要；以及
13.难度等级标签确定模块，用于基于所述阅读者的历史阅读信息和所述待分级第一图书的图书主题和图书摘要，确定所述待分级第一图书针对于所述阅读者的阅读难度等级标签。
附图说明
14.为了更清楚地说明本技术实施例的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图
获得其他的附图。
15.图1为根据本技术实施例的多维度图书分级方法的流程图。
16.图2为根据本技术实施例的多维度图书分级方法的架构示意图。
17.图3为根据本技术实施例的多维度图书分级方法中步骤130的子步骤的流程图。
18.图4为根据本技术实施例的多维度图书分级系统的框图。
19.图5为根据本技术实施例的多维度图书分级方法的场景示意图。
具体实施方式
20.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
21.除非另有说明，本技术实施例所使用的所有技术和科学术语与本技术的技术领域的技术人员通常理解的含义相同。本技术中所使用的术语只是为了描述具体的实施例的目的，不是旨在限制本技术的范围。
22.在本技术实施例记载中，需要说明的是，除非另有说明和限定，术语“连接”应做广义理解，例如，可以是电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
23.需要说明的是，本技术实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换，以使这里描述的本技术的实施例可以除了在这里图示或描述的那些以外的顺序实施。
24.应可以理解，传统的图书分级系统是一种通过人为设定的分级规则来对图书进行评级的方法。这种分级系统通常是基于年龄阶段进行的，旨在为不同年龄段的读者提供适合他们阅读能力和内容兴趣的图书。
25.传统的图书分级系统通常由出版商、教育机构或相关专家组织制定，并被广泛应用于图书市场和教育领域，这些分级系统根据图书的内容、语言难度、情节复杂度等因素，将图书划分为不同的级别或年龄段。
26.在传统的图书分级系统中，通常使用类似于字母、数字或颜色等符号来表示不同的分级，例如，常见的分级符号包括"ages 4-8"（4-8岁适用）、"young adult"（青少年适用）等。这些符号通常印在图书封面、背面或目录页上，以便读者和购书者能够快速了解图书的适用对象。
27.传统的图书分级系统的优点是其普适性和易于理解，为读者提供了一个参考，帮助他们在众多图书中选择适合自己的阅读材料。同时，这种分级系统也有助于家长、教师和图书馆管理员更好地为儿童和青少年选择合适的图书。
28.然而，传统的图书分级系统也存在一些局限性。由于分级是基于一般化的年龄段或阶段，它可能无法满足每个阅读者的个体差异和特殊需求。有些读者可能在某个年龄段具有更高的阅读能力，而有些读者可能在同一年龄段具有较低的阅读能力。此外，图书的内
容和主题也可能因个人兴趣和发展水平而有所不同，传统的分级系统无法完全考虑这些因素。
29.因此，为了更好地满足不同阅读者的阅读体验和需求，可以考虑采用基于个性化阅读能力的优化图书分级方案，以更准确地评估阅读者的能力水平，并根据个体差异为他们提供更适合的阅读材料。
30.在本技术中，提供一种结合了卷积神经网络（convolutional neural network，cnn）的多维度图书分级，是一种提高图书分级准确性和个性化的方法。传统的图书分级系统通常基于年龄段或阅读能力进行划分，但这种方法忽略了图书的其他重要特征和读者的个体差异。
31.进一步地，传统的图书分级系统主要关注阅读者的年龄和阅读能力，而忽略了图书的其他特征，如主题、情节复杂度、情感倾向等。结合cnn可以通过分析图书的文本内容和其他元数据，同时考虑多个特征，从而更全面地评估图书的难度和适宜读者的特点。
32.cnn是一种深度学习模型，具有强大的特征提取能力。通过训练cnn模型，可以自动学习和提取图书文本中的关键特征，如词汇、句法结构、主题等。这些特征可以用于评估图书的难度等级，并与阅读者的个性化模型进行匹配，从而更准确地判断图书是否适合该阅读者。
33.结合cnn的多维度图书分级可以实现个性化的评级结果，通过建立阅读者的个性化模型和训练cnn模型，可以将阅读者的个体差异和偏好考虑在内，为每个阅读者提供适合其阅读能力、兴趣和偏好的图书推荐。这种个性化的分级方法可以提高阅读者的阅读体验，并更好地满足其阅读需求。
34.cnn模型具有一定的可解释性，可以通过可视化技术来理解模型对图书分级的依据。这提供了对图书分级结果的透明度，使读者和相关专家能够了解模型是如何进行评估和推荐的，并对结果进行验证和调整。
35.也就是，结合卷积神经网络的多维度图书分级可以提高分级准确性、个性化程度和透明度，考虑了图书的多个特征和阅读者的个体差异，为读者提供更精准、个性化的图书推荐，提升阅读体验和满足阅读需求。
36.图1为根据本技术实施例的多维度图书分级方法的流程图。图2为根据本技术实施例的多维度图书分级方法的架构示意图。如图1和图2所示，所述多维度图书分级方法，包括：110，获取阅读者的历史阅读信息；120，获取待分级第一图书的图书主题和图书摘要；以及，130，基于所述阅读者的历史阅读信息和所述待分级第一图书的图书主题和图书摘要，确定所述待分级第一图书针对于所述阅读者的阅读难度等级标签。
37.其中，在所述步骤110中，确保获取足够的历史阅读信息，以便准确评估阅读者的阅读能力和偏好，这可以包括阅读过的图书、阅读时长、阅读速度等方面的信息。通过分析阅读者的历史阅读信息，可以了解其阅读水平、兴趣爱好和阅读偏好。有助于个性化地评估图书的适宜性和难度，并为阅读者提供更准确的图书推荐。
38.在所述步骤120中，确保获取准确和全面的图书主题和摘要信息，这可以通过图书的元数据、出版商提供的信息、图书评论等渠道获取。图书的主题和摘要提供了关于图书内容和复杂度的重要线索，通过分析这些信息，可以更好地理解图书的特点，包括难度、情节复杂度、情感倾向等，从而更准确地进行分级。
39.在所述步骤130中，结合阅读者的历史阅读信息和待分级图书的主题、摘要等信息时，建立合适的模型或算法来进行评估和分类。这可能涉及特征提取、机器学习、深度学习等技术。通过综合考虑阅读者的个体差异和待分级图书的特征，可以确定图书的适宜难度等级标签。这有助于为阅读者提供个性化的图书推荐，提高图书分级的准确性和适应性。
40.在上述步骤中，多维度图书分级方法涉及获取阅读者的历史阅读信息、获取待分级图书的主题和摘要信息，以及基于这些信息确定图书的阅读难度等级标签。注意点包括确保信息的准确性和全面性，建立合适的模型或算法进行评估和分类。这些方法的有益效果包括提供个性化的图书推荐、提高分级准确性和适应性。
41.具体地，在所述步骤110和所述步骤120中，获取阅读者的历史阅读信息；以及，获取待分级第一图书的图书主题和图书摘要。针对上述技术问题，本技术的技术构思为基于阅读者的历史阅读信息来度量阅读者的阅读能力，进而基于阅读能力来对待阅读数据进行阅读难度等级分类，这样所得出的阅读难度等级具有针对于特定阅读者的阅读能力的特异性和自适应性，从而便于为特定阅读者推荐适宜的书籍。
42.具体地，在本技术的技术方案中，获取阅读者的历史阅读信息，以及，获取待分级第一图书的图书主题和图书摘要。其中，通过分析阅读者的历史阅读信息，可以了解其阅读水平、阅读速度和理解能力等，这些信息对于评估阅读者的阅读难度和适宜性非常重要。通过阅读者的历史阅读信息，可以了解其阅读偏好、喜欢的图书类型和主题等，有助于个性化地评估图书的适宜性，并提供符合阅读者兴趣的图书推荐。
43.进一步地，图书的主题和摘要提供了关于图书内容和主题的重要信息。通过分析这些信息，可以了解图书的情节复杂度、主题类型、情感倾向等特征，从而更准确地评估图书的难度和适宜性。图书的主题和摘要信息还可以用于提取图书的文本特征，如词汇、句法结构等，这些特征对于评估图书的难度和适宜性非常有帮助。
44.结合阅读者的历史阅读信息和待分级图书的主题、摘要等信息，可以确定图书的适宜难度等级标签，有助于为阅读者提供个性化的图书推荐，确保图书与阅读者的阅读能力和兴趣相匹配。通过综合考虑阅读者的个体差异和待分级图书的特征，可以更准确地确定图书的阅读难度等级，有助于提高图书分级的准确性，确保读者能够选择适合自己的图书，提升阅读体验和理解能力。
45.获取阅读者的历史阅读信息和待分级第一图书的图书主题和图书摘要对于确定待分级图书针对阅读者的阅读难度等级标签起到关键作用。这些信息有助于了解阅读者的阅读能力、偏好和兴趣，同时提供了图书内容和特征的重要线索，从而实现个性化的图书推荐和提高分级准确性。
46.具体地，在所述步骤130中， 基于所述阅读者的历史阅读信息和所述待分级第一图书的图书主题和图书摘要，确定所述待分级第一图书针对于所述阅读者的阅读难度等级标签。图3为根据本技术实施例的多维度图书分级方法中步骤130的子步骤的流程图，如图3所示，基于所述阅读者的历史阅读信息和所述待分级第一图书的图书主题和图书摘要，确定所述待分级第一图书针对于所述阅读者的阅读难度等级标签，包括：131，对所述阅读者的历史阅读信息和所述待分级第一图书的图书主题和图书摘要进行语义编码以得到历史阅读信息语义理解特征向量和待分级第一图书语义编码特征向量；132，对所述历史阅读信息语义理解特征向量和所述待分级第一图书语义编码特征向量进行特征交互以得到第一
图书阅读难度自适应编码特征向量；和，133，基于所述第一图书阅读难度自适应编码特征向量，确定所述待分级第一图书针对于所述阅读者的阅读难度等级标签。
47.首先，将阅读者的历史阅读信息、待分级第一图书的主题和摘要等文本信息转换为语义表示，包括词嵌入（如word2vec、glove）和预训练的语言模型（如bert、gpt）。通过语义编码，将文本信息转化为数值特征向量，以便后续的特征交互和模型训练。这些特征向量捕捉了文本的语义和语境信息。
48.然后，将历史阅读信息语义理解特征向量和待分级第一图书语义编码特征向量进行特征交互，可以采用各种方法，如拼接、加权相加、注意力机制等。这样可以融合不同特征的信息，提高特征的表达能力和判别能力。通过特征交互，得到第一图书的阅读难度自适应编码特征向量，其综合考虑了阅读者的历史阅读信息和待分级第一图书的语义特征，反映了图书的适宜难度程度。
49.接着，利用第一图书阅读难度自适应编码特征向量，可以建立一个分类模型或回归模型来预测待分级第一图书针对阅读者的阅读难度等级标签，这个标签可以是离散的难度等级（如初级、中级、高级），也可以是连续的难度评分。通过确定待分级第一图书的阅读难度等级标签，可以为阅读者提供个性化的图书推荐，确保图书与阅读者的阅读能力和兴趣相匹配，提升阅读体验和理解能力。
50.通过上述步骤，基于阅读者的历史阅读信息和待分级第一图书的主题和摘要，通过语义编码和特征交互，可以得到第一图书的阅读难度自适应编码特征向量，并基于该特征向量确定图书的阅读难度等级标签。这些步骤有助于实现个性化的图书推荐和提高分级准确性，提供符合阅读者需求的图书选择。
51.对于所述步骤131，包括：对所述阅读者的历史阅读信息进行分词处理后通过包含词嵌入层的语义编码器以得到所述历史阅读信息语义理解特征向量；以及，将所述待分级第一图书的图书主题和图书摘要进行分词处理后通过所述包含词嵌入层的语义编码器以得到所述待分级第一图书语义编码特征向量。
52.其中，所述语义编码器为基于转换器的bert模型。
53.接着，对所述阅读者的历史阅读信息和所述待分级第一图书的图书主题和图书摘要进行语义编码以得到历史阅读信息语义理解特征向量和待分级第一图书语义编码特征向量。也就是，在得到所述阅读者的历史阅读信息和所述待分级第一图书的图书主题和图书摘要后，对所述阅读者的历史阅读信息和所述待分级第一图书的图书主题和图书摘要进行语义理解以得到所述阅读者的历史阅读信息和所述待分级第一图书的图书主题和图书摘要的语义特征表示，即，所述历史阅读信息语义理解特征向量和所述待分级第一图书语义编码特征向量。
54.在本技术一个具体的示例中，对所述阅读者的历史阅读信息和所述待分级第一图书的图书主题和图书摘要进行语义编码以得到历史阅读信息语义理解特征向量和待分级第一图书语义编码特征向量的过程，包括：首先对所述阅读者的历史阅读信息进行分词处理后通过包含词嵌入层的语义编码器以得到所述历史阅读信息语义理解特征向量；以及，将所述待分级第一图书的图书主题和图书摘要进行分词处理后通过所述包含词嵌入层的语义编码器以得到所述待分级第一图书语义编码特征向量。在该具体示例中，所述语义编码器为基于转换器的bert模型。
55.对于所述步骤132，包括：使用特征间注意力交互层来进行所述历史阅读信息语义理解特征向量和所述待分级第一图书语义编码特征向量之间的基于注意力机制的特征交互以得到第一图书阅读难度自适应编码特征向量。
56.应可以理解，在本技术的技术方案中，所述历史阅读信息语义理解特征向量可以反映阅读者的阅读能力，而所述待分级第一图书语义编码特征向量可以反映所述待分级第一图书的阅读难度。基于此，在本技术的技术方案中，进一步基于所述阅读者的历史阅读信息和所述待分级第一图书的图书主题和图书摘要，确定所述待分级第一图书针对于所述阅读者的阅读难度等级标签。
57.具体地，首先对所述历史阅读信息语义理解特征向量和所述待分级第一图书语义编码特征向量进行特征交互以得到第一图书阅读难度自适应编码特征向量，也就是，在高维特征空间中，对阅读者的阅读能力和待分级第一图书的阅读难度进行特征级数据交互以得到两者之间的协同表示，即，所述第一图书阅读难度自适应编码特征向量。
58.在本技术一个具体的技术方案中，使用特征间注意力交互层来进行所述历史阅读信息语义理解特征向量和所述待分级第一图书语义编码特征向量之间的基于注意力机制的特征交互以得到所述第一图书阅读难度自适应编码特征向量，该过程用公式可表示为：
59.对于所述历史阅读信息语义理解特征向量和所述待分级第一图书语义编码特征向量，和，将其转换到两个特征空间s和t中以计算它们之间的attention：
60.其中，是学习的权重矩阵，对应于图1中的1
×
1卷积，i是输出位置的索引、j代表所有可能位置的索引。
61.特别地，本技术的技术方案中，所述特征间注意力层所使得的注意力机制与传统的注意力机制的主要区别在于：传统的注意力机制的目标在于学习一个注意力权重矩阵，应用于当前层的各个神经节点，对于那些重要的节点，赋予它们较大的权重，对于那些次要的节点，赋予它们较小的权重。由于每个神经节点都包含着某种特征信息，经过上述操作，神经网络就能从众多特征信息中选择出对当前任务目标更关键的信息。而本技术所提出的注意力机制则不同，其更多地关注到了各个特征信息间的依赖关系，即，所述历史阅读信息语义理解特征向量和所述待分级第一图书语义编码特征向量之间的特征级依赖和交互关系。
62.进一步地，特征间注意力交互层是一种注意力机制，用于在特征交互过程中对不同特征之间的关联程度进行建模。使用特征间注意力交互层来实现历史阅读信息语义理解特征向量和待分级第一图书语义编码特征向量之间的特征交互，以得到第一图书的阅读难
度自适应编码特征向量。
63.特征间注意力交互层的作用是根据历史阅读信息和待分级第一图书的特征之间的关联程度，自适应地融合两者的特征表示。通过引入注意力机制，可以根据不同特征之间的重要性对特征进行加权，从而更好地捕捉特征之间的相关性和重要程度。这样可以提高特征的表达能力，使得得到的第一图书阅读难度自适应编码特征向量更准确地反映图书的适宜难度程度。
64.对于所述步骤133，包括：对所述历史阅读信息语义理解特征向量和所述待分级第一图书语义编码特征向量进行齐次吉尔伯特空间度量式密集点分布采样融合以得到融合特征向量；融合所述融合特征向量和所述第一图书阅读难度自适应编码特征向量以得到分类特征向量；以及，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示待分级第一图书针对于所述阅读者的阅读难度等级标签。
65.其中，通过齐次吉尔伯特空间度量式密集点分布采样融合，将历史阅读信息语义理解特征向量和待分级第一图书语义编码特征向量融合为一个融合特征向量。这样可以综合利用不同特征的信息，提高特征的表达能力和判别能力。
66.将融合特征向量与第一图书阅读难度自适应编码特征向量进行融合，得到分类特征向量。这种融合方式可以根据具体任务和数据的特点，自适应地融合不同特征的信息，更好地捕捉特征之间的相关性和重要程度。
67.通过融合特征向量和第一图书阅读难度自适应编码特征向量，得到分类特征向量。这个特征向量综合考虑了历史阅读信息、待分级第一图书的语义特征以及阅读难度自适应编码特征，能够更全面地评估图书的难度和适宜读者的特点。
68.使用分类特征向量作为输入，通过分类器进行训练和预测，得到分类结果。融合了多个特征的分类特征向量可以提供更准确的信息，有助于提高分类器的性能和准确度。
69.通过齐次吉尔伯特空间度量式密集点分布采样融合和特征融合，可以得到综合的分类特征向量，通过分类器进行训练和预测，得到针对阅读者的阅读难度等级标签。这种方法能够更准确地评估图书的难度和适宜读者的特点，提供个性化的图书推荐，提升阅读体验和满足阅读需求。
70.特别地，在本技术的技术方案中，由于使用特征间注意力交互层来进行所述历史阅读信息语义理解特征向量和所述待分级第一图书语义编码特征向量之间的基于注意力机制的特征交互更聚焦于提取所述历史阅读信息语义理解特征向量和所述待分级第一图书语义编码特征向量之间的依赖关系，而对于所述历史阅读信息语义理解特征向量和所述待分级第一图书语义编码特征向量本身对于所述阅读者的历史阅读信息和所述待分级第一图书的图书主题和图书摘要的文本语义特征的表达可能存在不足，因此，本技术的申请人考虑进一步融合所述历史阅读信息语义理解特征向量和所述待分级第一图书语义编码特征向量的文本语义特征表达来强化所述第一图书阅读难度自适应编码特征向量的特征表达。
71.并且，本技术的申请人考虑到所述历史阅读信息语义理解特征向量和所述待分级第一图书语义编码特征向量分别为所述阅读者的历史阅读信息和所述待分级第一图书的图书主题和图书摘要的齐次编码的密集特征采样式文本语义表达，因此对所述历史阅读信息语义理解特征向量，例如记为和所述待分级第一图书语义编码特征向量，例如记为
进行齐次吉尔伯特空间度量式密集点分布采样融合，具体表示为：以如下优化公式对所述历史阅读信息语义理解特征向量和所述待分级第一图书语义编码特征向量进行齐次吉尔伯特空间度量式密集点分布采样融合以得到融合特征向量；其中，所述优化公式为：
72.其中，表示闵式距离，且为超参数，是所述历史阅读信息语义理解特征向量，是所述待分级第一图书语义编码特征向量，和分别是所述历史阅读信息语义理解特征向量和所述待分级第一图书语义编码特征向量的全局特征均值，且所述历史阅读信息语义理解特征向量和所述待分级第一图书语义编码特征向量为行向量，是所述待分级第一图书语义编码特征向量的转置向量，和表示按位置加法和按位置乘法，是所述融合特征向量。
73.这里，通过对所述历史阅读信息语义理解特征向量和所述待分级第一图书语义编码特征向量的特征分布中心的齐次吉尔伯特空间度量，来对所述历史阅读信息语义理解特征向量和所述待分级第一图书语义编码特征向量的融合特征分布进行高维特征空间内的融合特征流形超平面的真实（ground-truth）几何中心约束，并以交叉式距离约束的逐点特征关联作为偏置项，来实现特征分布的关联约束界限内的特征密集点采样式分布融合，从而增强向量间的齐次采样关联融合性。然后，再将融合特征向量与所述第一图书阅读难度自适应编码特征向量融合，就可以改进所述第一图书阅读难度自适应编码特征向量的特征表达。
74.进一步地，融合所述融合特征向量和所述第一图书阅读难度自适应编码特征向量以得到分类特征向量，包括：以如下融合公式来融合所述融合特征向量和所述第一图书阅读难度自适应编码特征向量以得到分类特征向量；其中，所述融合公式为：
[0075][0076]
其中，表示所述融合特征向量和所述第一图书阅读难度自适应编码特征向量，表示级联函数，表示所述分类特征向量。
[0077]
进而，基于所述第一图书阅读难度自适应编码特征向量，确定所述待分级第一图书针对于所述阅读者的阅读难度等级标签。在本技术的具体示例中，将所述第一图书阅读难度自适应编码特征向量通过分类器以得到分类结果，所述分类结果用于表示阅读难度等级标签。
[0078]
综上，基于本技术实施例的多维度图书分级方法100被阐明，基于阅读者的历史阅读信息来度量阅读者的阅读能力，进而基于阅读能力来对待阅读数据进行阅读难度等级分类，这样所得出的阅读难度等级具有针对于特定阅读者的阅读能力的特异性和自适应性，从而便于为特定阅读者推荐适宜的书籍。
[0079]
在本技术的一个实施例中，图4为根据本技术实施例的多维度图书分级系统的框图。如图4所示，根据本技术实施例的多维度图书分级系统200，包括：阅读信息获取模块210，用于获取阅读者的历史阅读信息；主题和摘要获取模块220，用于获取待分级第一图书的图书主题和图书摘要；以及，难度等级标签确定模块230，用于基于所述阅读者的历史阅读信息和所述待分级第一图书的图书主题和图书摘要，确定所述待分级第一图书针对于所述阅读者的阅读难度等级标签。
[0080]
这里，本领域技术人员可以理解，上述多维度图书分级系统中的各个单元和模块的具体功能和操作已经在上面参考图1到图3的多维度图书分级方法的描述中得到了详细介绍，并因此，将省略其重复描述。
[0081]
如上所述，根据本技术实施例的多维度图书分级系统200可以实现在各种终端设备中，例如用于多维度图书分级的服务器等。在一个示例中，根据本技术实施例的多维度图书分级系统200可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该多维度图书分级系统200可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该多维度图书分级系统200同样可以是该终端设备的众多硬件模块之一。
[0082]
替换地，在另一示例中，该多维度图书分级系统200与该终端设备也可以是分立的设备，并且多维度图书分级系统200可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
[0083]
在本技术的一个实施例中，提供一种可读介质，其特征在于，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如所述的多维度图书分级方法。
[0084]
应可以理解，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等) 上实施的计算机程序产品的形式。
[0085]
本技术实施例的方法、系统、和计算机程序产品的流程图和/或框图来描述的。应理解可由计算机程序指令实现流程图和/或框图中的每一流程和/或方框、以及流程图和/或框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能的装置。
[0086]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能。
[0087]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能的步骤。
[0088]
图5为根据本技术实施例的多维度图书分级方法的场景示意图。如图5所示，在该应用场景中，首先，获取阅读者的历史阅读信息（例如，如图5中所示意的c1）以及，获取待分级第一图书的图书主题和图书摘要（例如，如图5中所示意的c2）；然后，将获取的历史阅读信息、第一图书的图书主题和图书摘要输入至部署有多维度图书分级算法的服务器（例如，如图5中所示意的s）中，其中所述服务器能够基于多维度图书分级算法对所述历史阅读信息、所述第一图书的图书主题和图书摘要进行处理，以确定所述待分级第一图书针对于所述阅读者的阅读难度等级标签。
[0089]
还需要指出的是，在本技术的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本技术的等效方案。
[0090]
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本技术。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本技术的范围。因此，本技术不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
[0091]
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本技术的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

技术特征：
1.一种多维度图书分级方法，其特征在于，包括：获取阅读者的历史阅读信息；获取待分级第一图书的图书主题和图书摘要；以及基于所述阅读者的历史阅读信息和所述待分级第一图书的图书主题和图书摘要，确定所述待分级第一图书针对于所述阅读者的阅读难度等级标签。2.根据权利要求1所述的多维度图书分级方法，其特征在于，基于所述阅读者的历史阅读信息和所述待分级第一图书的图书主题和图书摘要，确定所述待分级第一图书针对于所述阅读者的阅读难度等级标签，包括：对所述阅读者的历史阅读信息和所述待分级第一图书的图书主题和图书摘要进行语义编码以得到历史阅读信息语义理解特征向量和待分级第一图书语义编码特征向量；对所述历史阅读信息语义理解特征向量和所述待分级第一图书语义编码特征向量进行特征交互以得到第一图书阅读难度自适应编码特征向量；和基于所述第一图书阅读难度自适应编码特征向量，确定所述待分级第一图书针对于所述阅读者的阅读难度等级标签。3.根据权利要求2所述的多维度图书分级方法，其特征在于，对所述阅读者的历史阅读信息和所述待分级第一图书的图书主题和图书摘要进行语义编码以得到历史阅读信息语义理解特征向量和待分级第一图书语义编码特征向量，包括：对所述阅读者的历史阅读信息进行分词处理后通过包含词嵌入层的语义编码器以得到所述历史阅读信息语义理解特征向量；以及将所述待分级第一图书的图书主题和图书摘要进行分词处理后通过所述包含词嵌入层的语义编码器以得到所述待分级第一图书语义编码特征向量。4.根据权利要求3所述的多维度图书分级方法，其特征在于，所述语义编码器为基于转换器的bert模型。5.根据权利要求4所述的多维度图书分级方法，其特征在于，对所述历史阅读信息语义理解特征向量和所述待分级第一图书语义编码特征向量进行特征交互以得到第一图书阅读难度自适应编码特征向量，包括：使用特征间注意力交互层来进行所述历史阅读信息语义理解特征向量和所述待分级第一图书语义编码特征向量之间的基于注意力机制的特征交互以得到第一图书阅读难度自适应编码特征向量。6.根据权利要求5所述的多维度图书分级方法，其特征在于，基于所述第一图书阅读难度自适应编码特征向量，确定所述待分级第一图书针对于所述阅读者的阅读难度等级标签，包括：对所述历史阅读信息语义理解特征向量和所述待分级第一图书语义编码特征向量进行齐次吉尔伯特空间度量式密集点分布采样融合以得到融合特征向量；融合所述融合特征向量和所述第一图书阅读难度自适应编码特征向量以得到分类特征向量；以及将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示待分级第一图书针对于所述阅读者的阅读难度等级标签。7.根据权利要求6所述的多维度图书分级方法，其特征在于，对所述历史阅读信息语义
理解特征向量和所述待分级第一图书语义编码特征向量进行齐次吉尔伯特空间度量式密集点分布采样融合以得到融合特征向量，包括：以如下优化公式对所述历史阅读信息语义理解特征向量和所述待分级第一图书语义编码特征向量进行齐次吉尔伯特空间度量式密集点分布采样融合以得到融合特征向量；其中，所述优化公式为：所述优化公式为：所述优化公式为：其中，表示闵式距离，且为超参数，是所述历史阅读信息语义理解特征向量，是所述待分级第一图书语义编码特征向量，和分别是所述历史阅读信息语义理解特征向量和所述待分级第一图书语义编码特征向量的全局特征均值，且所述历史阅读信息语义理解特征向量和所述待分级第一图书语义编码特征向量为行向量，是所述待分级第一图书语义编码特征向量的转置向量，和表示按位置加法和按位置乘法，是所述融合特征向量。8.根据权利要求7所述的多维度图书分级方法，其特征在于，融合所述融合特征向量和所述第一图书阅读难度自适应编码特征向量以得到分类特征向量，包括：以如下融合公式来融合所述融合特征向量和所述第一图书阅读难度自适应编码特征向量以得到分类特征向量；其中，所述融合公式为：其中，表示所述融合特征向量和所述第一图书阅读难度自适应编码特征向量，表示级联函数，表示所述分类特征向量。9.一种多维度图书分级系统，其特征在于，包括：阅读信息获取模块，用于获取阅读者的历史阅读信息；主题和摘要获取模块，用于获取待分级第一图书的图书主题和图书摘要；以及难度等级标签确定模块，用于基于所述阅读者的历史阅读信息和所述待分级第一图书的图书主题和图书摘要，确定所述待分级第一图书针对于所述阅读者的阅读难度等级标签。10.一种可读介质，其特征在于，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如权利要求1至8中任一项所述的多维度图书分级方法。

技术总结
一种多维度图书分级方法、系统及可读介质，其获取阅读者的历史阅读信息；获取待分级第一图书的图书主题和图书摘要；以及，基于所述阅读者的历史阅读信息和所述待分级第一图书的图书主题和图书摘要，确定所述待分级第一图书针对于所述阅读者的阅读难度等级标签。这样所得出的阅读难度等级具有针对于特定阅读者的阅读能力的特异性和自适应性，从而便于为特定阅读者推荐适宜的书籍。特定阅读者推荐适宜的书籍。特定阅读者推荐适宜的书籍。


技术研发人员：毕锋
受保护的技术使用者：北京人天书店集团股份有限公司
技术研发日：2023.08.23
技术公布日：2023/9/23