内容质量评价方法、装置、介质及电子设备与流程

1.本公开涉及数据处理领域，具体地，涉及一种内容质量评价方法、装置、介质及电子设备。


背景技术：

2.文本情感分析是指用自然语言处理技术、文本挖掘以及计算机语言学等方法对带有情感色彩的主观性文本进行分析、处理和抽取的过程。
3.针对于电影、电视剧等内容质量评价系统，观众用户会给出自己的对于该内容的评价文本和以及评价分数，从而实现对该内容的质量评价，以对其他用户进行相应的内容推荐。然而在上述评价方式中，评分通常采用五分制，用户直接输入评分时很容易直接给出满分的评价，然而可能该用户对应的评价文本并非完全正面，即在一定程度上来说用户输入的评价评分和评价文本往往是不匹配的，从而使得许多内容的评价分数往往是虚高的，难以为用户提供准确的内容查看参考。


技术实现要素：

4.本公开的目的是提供一种准确的、客观的内容质量评价方法、装置、介质及电子设备。
5.为了实现上述目的，根据本公开的第一方面，提供一种内容质量评价方法，所述方法包括：
6.获取目标用户针对目标内容的第一评价结果和评价文本；
7.根据所述评价文本，确定所述目标内容的第二评价结果；
8.确定所述目标用户和所述目标内容对应的匹配度；
9.根据所述第一评价结果、所述第二评价结果和所述匹配度，确定所述目标用户针对所述目标内容的质量评价结果。
10.可选地，所述确定所述目标用户和所述目标内容对应的匹配度，包括：
11.基于所述目标用户的历史评价文本，确定所述目标用户对应的用户向量；
12.基于所述目标内容对应的多个评价文本，确定所述目标内容对应的内容向量；
13.根据所述用户向量和所述内容向量，确定所述匹配度。
14.可选地，所述基于所述目标用户的历史评价文本，确定所述目标用户对应的用户向量，包括：
15.对所述历史评价文本进行聚类，获得所述历史评价文本对应的多个聚类簇；
16.针对每一所述聚类簇，将该聚类簇中文本长度小于预设的长度阈值的历史评价文本进行拼接，获得至少一个拼接文本；
17.基于各个聚类簇中的拼接文本、以及文本长度不小于所述长度阈值的历史评价文本、和主题生成模型，确定所述目标用户对应的主题词，并基于所述主题词对应的向量，确定所述用户向量。
18.可选地，所述基于所述目标内容对应的多个评价文本，确定所述目标内容对应的内容向量，包括：
19.确定所述目标内容对应的多个评价文本中的每一分词对应的词频和逆向文档频率，以及所述分词对应的文本长度比例，其中，所述分词对应的文本长度比例为所述分词所属的评价文本的长度与所述多个评价文本的平均文本长度的比值；
20.针对每一所述分词，将所述分词对应的词频、逆向文档频率和所述分词对应的文本长度比例的乘积确定为所述分词对应的目标参数；
21.根据每一所述分词对应的目标参数，确定所述目标内容对应的目标分词，并基于所述目标分词对应的向量确定所述内容向量。
22.可选地，所述根据所述评价文本，确定所述目标内容的第二评价结果，包括：
23.根据所述评价文本和文本分类模型，确定所述评价文本对应的分类，并将所述分类指示的评分确定为所述第二评价结果；
24.其中，所述文本分类模型的训练过程中，基于特征提取子模型进行特征提取并基于全连接层获得目标特征，所述文本分类模型的预测结果是通过目标特征中的部分特征进行预测得出的。
25.可选地，所述根据所述第一评价结果、所述第二评价结果和所述匹配度，确定所述目标用户针对所述目标内容的质量评价结果，包括：
26.将所述第一评价结果和所述第二评价结果的加权和确定为初始评价结果；
27.根据所述匹配度对所述初始评价结果进行调整，获得所述质量评价结果。
28.可选地，所述方法还包括：
29.根据内容库中的每一内容对应的质量评价结果，确定与所述目标用户对应的推荐内容；
30.输出所述推荐内容。
31.根据本公开的第二方面，提供一种内容质量评价装置，所述装置包括：
32.获取模块，用于获取目标用户针对目标内容的第一评价结果和评价文本；
33.第一确定模块，用于根据所述评价文本，确定所述目标内容的第二评价结果；
34.第二确定模块，用于确定所述目标用户和所述目标内容对应的匹配度；
35.第三确定模块，用于根据所述第一评价结果、所述第二评价结果和所述匹配度，确定所述目标用户针对所述目标内容的质量评价结果。
36.根据本公开的第三方面，提供一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现第一方面中任一所述方法的步骤。
37.根据本公开的第四方面，提供一种电子设备，包括：
38.存储器，其上存储有计算机程序；
39.处理器，用于执行所述存储器中的所述计算机程序，以实现第一方面任一所述方法的步骤。
40.由此，通过上述技术方案，第一评价结果为目标用户输入的评分，第二评价结果为根据目标用户输入的评价文本确定出的评分，目标用户和目标内容对应的匹配度可以在一定程度上表征用户存在主观性评价的可能性，从而结合上述三者确定质量评价结果可以充分考虑用户输入的评价分数和评论文本，以使得确定出的质量评价结果与用户输入的评价
文本之间保持一致性。同时结合用户与内容之间的匹配度可以在一定程度上降低用户的主观影响，从而保证该质量评价结果的准确性和客观性，提高该质量评价结果与该目标内容之间的匹配程度，为用户提供准确的内容查看参考，提升用户使用体验。
41.本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
42.附图是用来提供对本公开的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本公开，但并不构成对本公开的限制。在附图中：
43.图1是根据本公开的一种实施方式提供的内容质量评价方法的流程图；
44.图2是根据本公开的一种实施方式提供的文本分类模型的结构示意图；
45.图3是确定目标用户和目标内容的对应的匹配度的示例性实现方式的流程图；
46.图4是根据本公开的一种实施方式提供的内容质量评价装置的框图；
47.图5是根据一示例性实施例示出的一种电子设备的框图；
48.图6是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
49.以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本公开，并不用于限制本公开。
50.图1为根据本公开的一种实施方式提供的内容质量评价方法的流程图。如图1所示，所述方法可以包括：
51.在步骤11中，获取目标用户针对目标内容的第一评价结果和评价文本。其中，目标内容可以为电影、电视剧、动画等多媒体内容中的任意内容。示例地，该第一评价结果可以是目标用户针对该目标内容输入的评分值，该评价文本则可以是该目标用户针对目标内容输入的评论字符。
52.在步骤12中，根据评价文本，确定目标内容的第二评价结果。
53.其中，评价文本为目标用户针对该目标内容的评论，因此该评价文本也可以在一定程度上反映目标用户对该目标内容的评价偏向，因此，在该实施例中，可以进一步根据该评价文本确定目标用户对目标内容的另一评价结果。示例地，该第二评价结果可以通过评分值进行表示，且该评分值的取值范围与第一评价结果对应的评分值的范围相同，则第二评价结果可以用于表示根据目标用户输入的评价文本确定出的评分。
54.在步骤13中，确定目标用户和目标内容对应的匹配度。
55.其中，每一目标用户都可能存在其对应的兴趣领域，属于其兴趣领域中的目标内容，该用户可能会给出更优的评价，即用户可能给出具有偏向性的评价。因此，在该实施例中，可以确定目标用户和目标内容之间的匹配度，以在一定程度上表征用户存在主观性评价的可能性，即匹配度越高表示该用户给出的评价为主观性评价的可能性越高。
56.在步骤14中，根据第一评价结果、第二评价结果和匹配度，确定目标用户针对目标内容的质量评价结果。
57.由此，通过上述技术方案，第一评价结果为目标用户输入的评分，第二评价结果为根据目标用户输入的评价文本确定出的评分，目标用户和目标内容对应的匹配度可以在一
定程度上表征用户存在主观性评价的可能性，从而结合上述三者确定质量评价结果可以充分考虑用户输入的评价分数和评论文本，以使得确定出的质量评价结果与用户输入的评价文本之间保持一致性。同时结合用户与内容之间的匹配度可以在一定程度上降低用户的主观影响，从而保证该质量评价结果的准确性和客观性，提高该质量评价结果与该目标内容之间的匹配程度，为用户提供准确的内容查看参考，提升用户使用体验。
58.作为示例，可以基于评分模型对评价文本进行评分预测，从而获得第二评价结果。示例地，评分模型可以基于cnn(convolutional neural networks，卷积神经网络)、rnn(recurrent neural network，循环神经网络)等实现，基于标注评分的评价文本作为训练样本进行训练，其训练方式可以采用本领域中通用的方式进行训练，在此不再赘述。
59.作为另一示例，在步骤12中根据评价文本，确定目标内容的第二评价结果的示例性实现方式如下，包括：
60.根据所述评价文本和文本分类模型，确定所述评价文本对应的分类，并将所述分类指示的评分确定为所述第二评价结果。
61.其中，所述文本分类模型的训练过程中，基于特征提取子模型进行特征提取并基于全连接层获得目标特征，所述文本分类模型的预测结果是通过目标特征中的部分特征进行预测得出的。
62.示例地，该特征提取子模型可以基于transformer模型实现，相应地，该文本分类模型的结构示意图如图2所示，其中，文本分类模型中各特征层的层数仅为示例性说明，不对本公开方案进行限定。
63.如图2所示，文本分类模型包括特征提取子模型，该特征提取子模型可以由transformer模型组成，之后包括全连接层fully-connected layer、随机失活层dropout layer，同时可以结合激励函数和归一化层得出预测结果。示例地，激励函数可以为gelu。示例地，若设置的评分为1-5分，则可以在归一层设置5个分类，分别对应1、2、3、4、5分。
64.由此，在该实施例中，可以对评价文本进行分词，获得评价文本对应的分词序列，之后对每一分词进行向量化表示输入文本分类模型，在文本分类模型中特征提取时可以基于注意力机制更加关注与评分相关的特征，在提取特征之后基于全连接层获得目标特征，保证特征提取的准确性，为后续进行预测提供可靠的数据支持。并且，所述文本分类模型的预测结果是通过目标特征中的部分特征进行预测得出的，例如可以通过dropout layer设置每一个神经网络层进行dropout的概率，对于神经网络训练单元，按照该概率将其从网络中移除，以进行预测分类获得预测结果并进行训练。由此，在进行文本分类模型的训练过程中，可以随机的基于目标特征中的部分特征进行预测，并且对于随机梯度下降来说，在选择部分特征时是随机选择，从而使得文本分类模型的每一个mini-batch都在训练不同的网络，有效避免文本分类模型的训练进入过拟合，从而提高训练所得的文本分类模型的准确性，保证确定出的第二评价结果的准确性，为对目标内容进行客观、准确地评价提供支持。
65.在一种可能的实施例中，在步骤13中确定目标用户和目标内容的对应的匹配度的示例性实现方式如下，如图3所示，该步骤可以包括：
66.在步骤31中，基于目标用户的历史评价文本，确定目标用户对应的用户向量。
67.其中，该步骤中可以在获得用户授权的情况下，获取该目标用户的各个评价文本，从而可以从该用户的历史评价中获取到该用户的特征，即获得该用户向量。
68.作为示例，可以基于目标用户的多个历史评价文本进行关键词提取，从而可以将提取出的关键词作为该目标用户的特征词，之后通过对该特征词进行向量化获得该用户向量。
69.作为另一示例，所述基于所述目标用户的历史评价文本，确定所述目标用户对应的用户向量，可以包括：
70.对所述历史评价文本进行聚类，获得所述历史评价文本对应的多个聚类簇。
71.其中，可以基于k-means或者knn等常用聚类算法对历史评价文本进行聚类，以获得多个聚类簇。
72.针对每一所述聚类簇，将该聚类簇中文本长度小于预设的长度阈值的历史评价文本进行拼接，获得至少一个拼接文本。
73.其中，在用户对内容进行评价时，可能会经常性地通过短文本进行评价，若评价文本长度过短则不便于主题词生成。因此，在该实施例中，可以首先对历史评价文本进行聚类，使得具有相似特征的历史评价文本聚集在一起。
74.示例地，预设的长度阈值可以基于实际应用场景进行设置，本公开对此不进行限定。针对每一聚类簇，若其中的历史评价文本的文本长度小于该长度阈值，表示该历史评价文本为短文本，该情况下可以将同一聚类簇中的短文本进行拼接，从而可以基于具有相似特征的文本对历史评价文本的长度进行扩展，实现文本扩展的同时，保证各个历史评价文本的自身特征。
75.作为示例，可以将一个聚类簇中的所有的文本长度小于预设的长度阈值的历史评价文本进行拼接，获得一个拼接文本。作为另一示例，为避免过长的拼接文本，可以设置拼接文本的文本长度限值，即基于当前聚类簇中的短文本进行拼接时，当前的已拼接文本s的文本长度小于该文本长度限值，若新增一个历史评价文本a后所得的拼接文本s’的文本长度大于该文本长度限值，则不进行拼接，即将当前的已拼接文本s作为拼接完成的拼接文本，并将该新增的历史评价文本a作为一个新的拼接文本，以进一步与其他历史评价文本进行拼接，以获得多个拼接文本。
76.之后，基于各个聚类簇中的拼接文本、以及文本长度不小于所述长度阈值的历史评价文本、和主题生成模型，确定所述目标用户对应的主题词，并基于所述主题词对应的向量，确定所述用户向量。
77.其中，历史评价文本的文本长度不小于所述长度阈值，表示该历史评价文本可以直接应用于主题词生成。如上文所述，对每一聚类簇中文本长度小于长度阈值的历史评价文本进行拼接，获得拼接文本，则使得该拼接文本为文本长度较长的文本。由此，在该实施例中，可以基于该拼接文本和聚类簇中未进行拼接的历史评价文本基于主题生成模型获得主题词，如可以根据主题生成模型输出的概率分布中按照概率降序选择预设数量的词作为主题词，之后对主题词进行向量化表示，获得用于表征该用户特征的用户向量。
78.示例地，主题生成模型可以是基于lda(latent dirichlet allocation，隐含狄利克雷分布)实现的，其训练方式为现有技术，在此不再赘述。其中，lda模型为无监督模型，在该实施例中可以基于已有的先验文本对lda模型进行预训练，该先验文本可以例如为用户针对惊悚类电影内容的评价文本、针对喜剧类电影内容的评价文本等，从而可以在一定程度上提高主题生成模型针对用户关注的定制化场景下的主题词确定。
79.由此，可以对具有相似特征的文本长度较短的文本进行合并拼接，从而可以基于长文本在进行主题词确定，在一定程度上提高主题词确定的准确性，即提高确定出的用户特征的准确性，为确定用户画像提供准确的数据支持。
80.在步骤32中，基于目标内容对应的多个评价文本，确定目标内容对应的内容向量。
81.其中，多个用户可以针对同一内容进行评价，因此，可以基于多个用户对同一目标内容的评价文本，获得该目标内容的真实综合特征，即获得该内容向量。
82.作为示例，可以基于多个评价文本进行关键词提取，从而可以将提取出的关键词作为该目标内容的特征词，之后通过对该特征词进行向量化获得该内容向量。
83.作为另一示例，所述基于所述目标内容对应的多个评价文本，确定所述目标内容对应的内容向量，可以包括：
84.确定所述目标内容对应的多个评价文本中的每一分词对应的词频和逆向文档频率，以及所述分词对应的文本长度比例，其中，所述分词对应的文本长度比例为所述分词所属的评价文本的长度与所述多个评价文本的平均文本长度的比值。
85.其中，可以将每一评价文本作为一篇文档，对评价文本进行分词，获得多个评价文本对应的各个分词。由此，可以进一步确定出每一分词对应的词频tf、逆向文档频率idf和文本长度比例doc_len，公式如下：
[0086][0087][0088][0089]
针对每一所述分词，将所述分词对应的词频、逆向文档频率和所述分词对应的文本长度比例的乘积确定为所述分词对应的目标参数；根据每一所述分词对应的目标参数，确定所述目标内容对应的目标分词，并基于所述目标分词对应的向量确定所述内容向量。
[0090]
其中，可以将按照分词对应的目标参数由大至小的顺序排名前n的分词确定为该目标内容对应的目标分词，则之后可以对该目标分词进行向量化，获得内容向量。其中，对目标用户的主题词进行向量化和对目标内容的目标分词进行向量化的方式相同，其可以选择本领域中常用的向量化的方式，如word2vec的方式，本公开对此不进行限定。
[0091]
由此，在从评价文本中的确定目标分词时，在考虑分词的词频以及逆向文档频率的同时，还结合了分词所属评价文本的文本长度。如上文所示，文本长度较短的评价文本中难以准确提取关键词，因此本公开中通过考虑文本长度比例以提高文本长度更长的评价文本中分词的重要性，保证确定出的目标分词的准确性，从而提高内容向量中的特征的准确性和全面性。
[0092]
在步骤33中，根据用户向量和内容向量，确定匹配度。
[0093]
示例地，可以基于所述用户向量和所述内容向量计算两者之间的余弦相似度，作为该匹配度，例如可以通过如下公式进行计算：
[0094][0095]
其中，β1用于表示用户向量，β2用于表示内容向量，ai用于表示用户向量中的第i个特征，bi用于表示内容向量中的第i个特征，n用于表示用户向量和内容向量的特征的维度，两者对应的维度的数量相同。
[0096]
由此，通过上述技术方案，可以基于用户的历史评价文本获得目标用户的兴趣特征，基于目标内容的多个评价文本获得该目标内容本身的特征，从而可以基于两者之间的匹配度表征用户是否可以给出该目标内容客观的评价，为后续基于该匹配度确定最终的质量评价结果提供数据参数，保证确定出的质量评价结果的客观性。
[0097]
在一种可能的实施例中，在步骤14中，根据第一评价结果、第二评价结果和匹配度，确定目标用户针对目标内容的质量评价结果的示例性实现方式如下，该步骤可以包括：
[0098]
将所述第一评价结果和所述第二评价结果的加权和确定为初始评价结果。
[0099]
示例地，可以预先设置第一评价结果和第二评价结果的各自对应的权重，其中，第一评价结果和第二评价结果分别对应的权重的和为1，两者分别对应的权重可以根据实际应用场景进行设置，本公开对此不进行限定。作为示例，两者分别对应的权重为0.5，在可以将所述第一评价结果和所述第二评价结果的平均值确定为初始评价结果，从而综合考虑用户输入的评分和文本之间的一致性。
[0100]
根据所述匹配度对所述初始评价结果进行调整，获得所述质量评价结果。
[0101]
其中，如上文所述，该匹配度用于表示目标用户对于目标内容的评价的主观性程度，其中匹配度越高，主观性程度越强，说明该目标用户更有可能给出具有偏向性的评价，因此，在确定质量评价结果是需要抵消主观偏好因素带来的影响，则根据所述匹配度对所述初始评价结果进行调整，可以是将初始评价结果减去该匹配度所得的结果作为该质量评价结果。或者，可以根据预先设置的匹配度的调整权重，将匹配度与该匹配度的调整权重的乘积作为调整值，并将初始评价结果减去该调整值所得的结果作为该质量评价结果。
[0102]
由此，通过上述技术方案，使得确定出的质量评价结果与用户输入的评价分数和评价文本保持一致，同时可以在一定程度上降低用户的主观偏好的影响，保证确定出的质量评价结果的准确性和客观性。并且，在一定程度上使得质量评价结果与用户输入的第一评价结果相较，变的更加分散，避免内容的评价结果重合度比较大而难以对内容质量进行分辨的情况，为用户明确各内容的实际质量提供更准确的数据参考。
[0103]
在一种可能的实施例中，所述方法还可以包括：
[0104]
根据内容库中的每一内容对应的质量评价结果，确定与所述目标用户对应的推荐内容；输出所述推荐内容。其中，所述内容库中的全部或部分内容对应的质量评价结果为根据上文所述的内容质量评价方法确定出的。
[0105]
作为示例，可以按照内容库中每一内容对应的质量评价结果由大到小的顺序选择前p作为目标用户的推荐内容，其中p可以根据实际用户需要进行设置。由此，可以为目标用户推荐质量较高的内容，保证用户内容观看体验。
[0106]
作为另一示例，可以按照内容库中每一内容对应的质量评价结果由大到小的顺序选择前q作为目标用户的候选内容，其中q可以根据实际用户需要进行设置。之后，基于该候
选内容和目标用户之间的选择匹配度，将选择匹配度由高至低的顺序选择前p作为推荐内容并按照选择匹配度由高至低的顺序显示，其中p小于或者等于q。其中，该选择匹配度可以是基于候选内容的标签向量和目标用户的兴趣向量进行相似度计算确定的，以用于表示该候选内容是否符合用户的兴趣偏好。示例地，该标签向量可以是基于候选内容的类型标签向量化得出的，该类型标签可以是体裁(如故事片、纪录片)、类型(如喜剧、悲剧、都市、乡村)等，该兴趣向量可以是在获得用户授权的情况下获得的用户的兴趣标签向量化所得，该兴趣标签可以是偶像剧、青春、都市等。由此，可以在为目标用户推荐质量较高的内容的同时，基于该目标用户的兴趣偏好进行推荐显示，保证推荐内容与目标用户之间的匹配度的同时，提高推荐内容的多样性和个性化，进一步提升用户使用体验。
[0107]
基于同样的发明构思，本公开还提供一种内容质量评价装置，如图4所示，所述装置10包括：
[0108]
获取模块100，用于获取目标用户针对目标内容的第一评价结果和评价文本；
[0109]
第一确定模块200，用于根据所述评价文本，确定所述目标内容的第二评价结果；
[0110]
第二确定模块300，用于确定所述目标用户和所述目标内容对应的匹配度；
[0111]
第三确定模块400，用于根据所述第一评价结果、所述第二评价结果和所述匹配度，确定所述目标用户针对所述目标内容的质量评价结果。
[0112]
可选地，所述第二确定模块包括：
[0113]
第一确定子模块，用于基于所述目标用户的历史评价文本，确定所述目标用户对应的用户向量；
[0114]
第二确定子模块，用于基于所述目标内容对应的多个评价文本，确定所述目标内容对应的内容向量；
[0115]
第三确定子模块，用于根据所述用户向量和所述内容向量，确定所述匹配度。
[0116]
可选地，所述第一确定子模块包括：
[0117]
聚类子模块，用于对所述历史评价文本进行聚类，获得所述历史评价文本对应的多个聚类簇；
[0118]
拼接子模块，用于针对每一所述聚类簇，将该聚类簇中文本长度小于预设的长度阈值的历史评价文本进行拼接，获得至少一个拼接文本；
[0119]
第四确定子模块，用于基于各个聚类簇中的拼接文本、以及文本长度不小于所述长度阈值的历史评价文本、和主题生成模型，确定所述目标用户对应的主题词，并基于所述主题词对应的向量，确定所述用户向量。
[0120]
可选地，所述第二确定子模块包括：
[0121]
第五确定子模块，用于确定所述目标内容对应的多个评价文本中的每一分词对应的词频和逆向文档频率，以及所述分词对应的文本长度比例，其中，所述分词对应的文本长度比例为所述分词所属的评价文本的长度与所述多个评价文本的平均文本长度的比值；
[0122]
第六确定子模块，用于针对每一所述分词，将所述分词对应的词频、逆向文档频率和所述分词对应的文本长度比例的乘积确定为所述分词对应的目标参数；
[0123]
第七确定子模块，用于根据每一所述分词对应的目标参数，确定所述目标内容对应的目标分词，并基于所述目标分词对应的向量确定所述内容向量。
[0124]
可选地，所述第一确定模块包括：
[0125]
第八确定子模块，用于根据所述评价文本和文本分类模型，确定所述评价文本对应的分类，并将所述分类指示的评分确定为所述第二评价结果；
[0126]
其中，所述文本分类模型的训练过程中，基于特征提取子模型进行特征提取并基于全连接层获得目标特征，所述文本分类模型的预测结果是通过目标特征中的部分特征进行预测得出的。
[0127]
可选地，所述第三确定模块包括：
[0128]
第九确定子模块，用于将所述第一评价结果和所述第二评价结果的加权和确定为初始评价结果；
[0129]
调整子模块，用于根据所述匹配度对所述初始评价结果进行调整，获得所述质量评价结果。
[0130]
可选地，所述装置还包括：
[0131]
第四确定模块，用于根据内容库中的每一内容对应的质量评价结果，确定与所述目标用户对应的推荐内容；
[0132]
输出模块，用于输出所述推荐内容。
[0133]
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。
[0134]
图5是根据一示例性实施例示出的一种电子设备700的框图。如图5所示，该电子设备700可以包括：处理器701，存储器702。该电子设备700还可以包括多媒体组件703，输入/输出(i/o)接口704，以及通信组件705中的一者或多者。
[0135]
其中，处理器701用于控制该电子设备700的整体操作，以完成上述的内容质量评价方法中的全部或部分步骤。存储器702用于存储各种类型的数据以支持在该电子设备700的操作，这些数据例如可以包括用于在该电子设备700上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器702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，例如静态随机存取存储器(static random access memory，简称sram)，电可擦除可编程只读存储器(electrically erasable programmable read-only memory，简称eeprom)，可擦除可编程只读存储器(erasable programmable read-only memory，简称eprom)，可编程只读存储器(programmable read-only memory，简称prom)，只读存储器(read-only memory，简称rom)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件703可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器702或通过通信组件705发送。音频组件还包括至少一个扬声器，用于输出音频信号。i/o接口704为处理器701和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件705用于该电子设备700与其他设备之间进行有线或无线通信。无线通信，例如wi-fi，蓝牙，近场通信(near field communication，简称nfc)，2g、3g、4g、nb-iot、emtc、或其他5g等等，或它们中的一种或几种的组合，在此不做限定。因此相应的该通信组件705可以包括：wi-fi模块，蓝牙模块，nfc模块等等。
[0136]
在一示例性实施例中，电子设备700可以被一个或多个应用专用集成电路
(application specific integrated circuit，简称asic)、数字信号处理器(digital signal processor，简称dsp)、数字信号处理设备(digital signal processing device，简称dspd)、可编程逻辑器件(programmable logic device，简称pld)、现场可编程门阵列(field programmable gate array，简称fpga)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的内容质量评价方法。
[0137]
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的内容质量评价方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器702，上述程序指令可由电子设备700的处理器701执行以完成上述的内容质量评价方法。
[0138]
图6是根据一示例性实施例示出的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图6，电子设备1900包括处理器1922，其数量可以为一个或多个，以及存储器1932，用于存储可由处理器1922执行的计算机程序。存储器1932中存储的计算机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，处理器1922可以被配置为执行该计算机程序，以执行上述的内容质量评价方法。
[0139]
另外，电子设备1900还可以包括电源组件1926和通信组件1950，该电源组件1926可以被配置为执行电子设备1900的电源管理，该通信组件1950可以被配置为实现电子设备1900的通信，例如，有线或无线通信。此外，该电子设备1900还可以包括输入/输出(i/o)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如windows server
tm
，mac os x
tm
，unix
tm
，linux
tm
等等。
[0140]
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的内容质量评价方法的步骤。例如，该非临时性计算机可读存储介质可以为上述包括程序指令的存储器1932，上述程序指令可由电子设备1900的处理器1922执行以完成上述的内容质量评价方法。
[0141]
在另一示例性实施例中，还提供一种计算机程序产品，该计算机程序产品包含能够由可编程的装置执行的计算机程序，该计算机程序具有当由该可编程的装置执行时用于执行上述的内容质量评价方法的代码部分。
[0142]
以上结合附图详细描述了本公开的优选实施方式，但是，本公开并不限于上述实施方式中的具体细节，在本公开的技术构思范围内，可以对本公开的技术方案进行多种简单变型，这些简单变型均属于本公开的保护范围。
[0143]
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本公开对各种可能的组合方式不再另行说明。
[0144]
此外，本公开的各种不同的实施方式之间也可以进行任意组合，只要其不违背本公开的思想，其同样应当视为本公开所公开的内容。