CN104657376A - 基于节目关系的视频节目的搜索方法和装置 - Google Patents

基于节目关系的视频节目的搜索方法和装置 Download PDF

Info

Publication number
CN104657376A
CN104657376A CN201310589928.3A CN201310589928A CN104657376A CN 104657376 A CN104657376 A CN 104657376A CN 201310589928 A CN201310589928 A CN 201310589928A CN 104657376 A CN104657376 A CN 104657376A
Authority
CN
China
Prior art keywords
video frequency
program
frequency program
video
relevance values
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201310589928.3A
Other languages
English (en)
Other versions
CN104657376B (zh
Inventor
孙科武
于志强
舒南飞
肖天柱
王芳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Aisino Corp
Original Assignee
Aisino Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Aisino Corp filed Critical Aisino Corp
Priority to CN201310589928.3A priority Critical patent/CN104657376B/zh
Publication of CN104657376A publication Critical patent/CN104657376A/zh
Application granted granted Critical
Publication of CN104657376B publication Critical patent/CN104657376B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/73—Querying
    • G06F16/738—Presentation of query results
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/73—Querying

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提供了一种基于节目关系的视频节目的搜索方法和装置。该方法主要包括：建立多个视频节目之间的关系网络，对用户输入的搜索关键词进行结构化处理得到搜索向量；从搜索向量中提取出视频节目的相关信息，利用相关信息通过设定的关系值计算公式分别计算出搜索向量与各个视频节目之间的关系值；将和搜索向量之间的关系值大于设定的关系判断阈值的各个视频节目作为搜索关键词对应的初始视频搜索结果，利用关系网络对初始视频搜索结果进行扩展，得到最终的视频搜索结果。本发明实现了搜索关键词对应的搜索向量和初始视频搜索结果都可以通过节目关系网络进行扩展，从而丰富了搜索结果，也使得一维的搜索结果立体化得到多维的视频搜索结果。

Description

基于节目关系的视频节目的搜索方法和装置
技术领域
本发明涉及视频搜索技术领域，尤其涉及一种基于节目关系的视频节目的搜索方法和装置。
背景技术
当前的视频或视频管理网站都有视频节目的一维搜索功能，该一维搜索功能的实现原理示意图如图1所示，一般通过关键词匹配视频的名称，简介等语义信息实现。上述一维搜索的搜索结果集合中的单个数据对象与搜索条件之间的关系呈现直接相关性，搜索结果按照其时间排序或标题字典排序构成节目序列。
上述一维搜索的缺点为：该一维搜索得到的搜索结果中所有单个数据与检索条件存在直接相关性，而数据之间的相关性则被忽略，给用户提供的视频节目的搜索结果也是一维的，不全面的。
发明内容
本发明的实施例提供了一种基于节目关系的视频节目的搜索方法和装置，以实现给用户提供更为丰富的视频节目的搜索结果。
本发明提供了如下方案：
一种基于节目关系的视频节目的搜索方法，计算出两两视频节目之间的关系，建立多个视频节目之间的关系网络，包括：
对用户输入的搜索关键词进行结构化处理得到搜索向量；
从所述搜索向量中提取出视频节目的相关信息，利用所述相关信息通过设定的关系值计算公式分别计算出所述搜索向量与各个视频节目之间的关系值；
将和所述搜索向量之间的关系值大于设定的关系判断阈值的各个视频节目作为所述搜索关键词对应的初始视频搜索结果，利用所述关系网络对所述初始视频搜索结果进行扩展，得到最终的视频搜索结果。
所述的计算出两两视频节目之间的关系，建立多个视频节目之间的关系网络，包括：
从视频节目中提取出节目的相关信息，对所述相关信息进行结构化处理得到视频节目的结构化信息，所述结构化处理包括清除停用词，去除非法字符，分词中的至少一项，根据所述视频节目的结构化信息通过词频-反词频技术建立视频节目的属性空间；
根据各个视频节目的属性空间，计算出两个视频节目之间的相同属性之间的相关性值，将多个所述相关性值进行加权求和，将加权求和的结果进行归一化处理，得到两个视频节目之间的关系值；
基于计算出的两两视频节目之间的关系，建立多个视频节目之间的关系网络，将所述关系网络和各个视频节目的属性空间存储在视频数据库中。
所述的根据各个视频节目的属性空间，计算出两个视频节目之间的相同属性之间的相关性值，将多个所述相关性值进行加权求和，将加权求和的结果进行归一化处理，得到两个视频节目之间的关系值，包括：
所述视频节目的属性空间中包括导演，演员，编剧，国家，拍摄年份，剧情中的至少一项，设两个视频节目为pi和pj；
所述视频节目pi、pj之间的导演相关性值的计算方法为：将节目pi的导演集mi记作m(pi,mi)，节目pj的导演集mj记作m(pj,mj)，存在mi∩mj≠Φ，则视频节目pi、pj之间的导演相关性值为m(pi,pj)，所述m表示包括所有导演的导演集，|mi|表示导演集mi的模值，|mj|表示导演集mj的模值；
所述视频节目pi、pj之间的演员相关性值的计算方法为：将节目pi的演员集合ai记作a(pi,ai)，节目pj的演员集合aj记作a(pj,aj)，存在ai∩aj≠Φ，则视频节目pi、pj之间的演员相关性值为a(pi,pj)，所述a表示包括所有演员的演员集，|ai|表示演员集ai的模值，|aj|表示演员集aj的模值；
所述视频节目pi、pj之间的编剧相关性值的计算方法为：将节目pi的编剧集合ei记作e(pi,ei)，节目pj的编剧集合ej记作e(pj,ej)，存在ei∩ej≠Φ，则视频节目pi、pj之间的编剧相关性值为e(pi,pj)，所述e表示包括所有编剧的编剧集，|ei|表示编剧集ei的模值，|ej|表示编剧集ej的模值；
所述视频节目pi、pj之间的拍摄年份相关性值的计算方法为：将节目pi的拍摄年份yi记作y(pi,yi)，将节目pj的拍摄年份yj记作y(pj,yj)，则视频节目pi、pj之间的拍摄年份相关性值为y(pi,pi)， y ( p i , p j ) = 1 , y i = y j 0 , y i ≠ y j ;
所述视频节目pi、pj之间的国家相关性值的计算方法为：将节目pi的发行国家ci记作c(pi,ci)，将节目pj的发行国家cj记作c(pj,cj)，存在ci＝cj，则视频节目pi、pj之间的国家相关性值为c(pi,pj)， c ( p i , p j ) = 1 , c i = c j 0 , c i ≠ c j ;
所述视频节目pi、pj之间的剧情相关值的计算方法为：将节目pi的标签集ti记作t(pi,ti)，将节目pj的标签集tj记作t(pj,tj)，存在标签的语义相似性，记作ti≈tj，那么pi和pj存在标签相关性，则视频节目pi、pj之间的标签相关性值为t(pi,pj)，其中 f(tk)是通过指定搜索引擎利用关键词tk检索网页得到的记录总数，f(tk,tl)是通过指定搜索引擎利用关键词tk,tl共同检索网页得到的记录总数，G是上述指定搜索引擎对应的网页总数；
对所述视频节目pi、pj之间的导演相关性值、演员相关性值、编剧相关性值、拍摄年份相关性值、国家相关性值、标签相关性值进行加权求和，得到视频节目pi和pj的关系大小rel(pi,pj)，
rel(pi,pj)＝αm(pi,pj)+βa(pi,pj)+χe(pi,pj)+δy(pi,pj)+εc(pi,pj)+γt(pi,pj)
其中，α,β,χ,δ,ε,γ为设定的权重值，α+β+χ+δ+ε+γ＝1
对所述rel(pi,pj)进行量化，得到两个节目pi和pj之间的关系值。
所述的从所述搜索向量中提取出视频节目的相关信息，利用所述相关信息通过设定的关系值计算公式分别计算出所述搜索向量与各个视频节目之间的关系值，包括：
从搜索向量中提取出节目的相关信息，对所述相关信息进行结构化处理得到搜索向量的结构化信息，所述结构化处理包括清除停用词，去除非法字符，分词中的至少一项，根据所述搜索向量的结构化信息通过词频-反词频技术建立搜索向量的属性空间；
根据搜索向量的属性空间和所述视频数据库中存储的各个视频节目的属性空间，计算出所述搜索向量和所述视频数据库中存储的各个视频节目之间的相同属性之间的相关性值，将多个所述相关性值进行加权求和，将加权求和的结果进行归一化处理，得到所述搜索向量和所述视频数据库中存储的各个视频节目之间的关系值。
所述的利用所述关系网络对所述初始视频搜索结果进行扩展，得到最终的视频搜索结果，包括：
选取所述初始视频搜索结果中的某个视频节目，通过所述关系网络获取和所述某个视频节目之间的关系值大于设定数值的二级视频节目，将该二级视频节目作为上述搜索关键词对应的二级视频搜索结果；或者，从视频数据库中获取所述某个视频节目的属性空间信息，针对所述某个视频节目的特定属性信息对所述初始视频搜索结果进行扩展，根据所述关系网络获取和所述某个视频节目之间特定属性信息对应的相关性值大于设定数值的二级视频节目，将该二级视频节目作为所述搜索关键词对应的二级视频搜索结果；
将所述初始视频搜索结果、二级视频搜索结果进行综合，得到所述搜索关键词对应的最终的多维的视频搜索结果。
一种基于节目关系的视频节目的搜索装置，包括：
关系网络建立模块，用于计算出两两视频节目之间的关系，建立多个视频节目之间的关系网络；
搜索向量处理模块，用于对用户输入的搜索关键词进行结构化处理得到搜索向量，从所述搜索向量中提取出视频节目的相关信息，利用所述相关信息通过设定的关系值计算公式分别计算出所述搜索向量与各个视频节目之间的关系值；
初始搜索处理模块，用于将和所述搜索向量之间的关系值大于设定的关系判断阈值的各个视频节目作为所述搜索关键词对应的初始视频搜索结果；
综合搜索处理模块，用于利用所述关系网络对所述初始视频搜索结果进行扩展，得到最终的视频搜索结果。
所述的关系网络建立模块，具体用于从视频节目中提取出节目的相关信息，对所述相关信息进行结构化处理得到视频节目的结构化信息，所述结构化处理包括清除停用词，去除非法字符，分词中的至少一项，根据所述视频节目的结构化信息通过词频-反词频技术建立视频节目的属性空间；
根据各个视频节目的属性空间，计算出两个视频节目之间的相同属性之间的相关性值，将多个所述相关性值进行加权求和，将加权求和的结果进行归一化处理，得到两个视频节目之间的关系值；
基于计算出的两两视频节目之间的关系，建立多个视频节目之间的关系网络，将所述关系网络和各个视频节目的属性空间存储在视频数据库中。
所述的关系网络建立模块，具体用于设所述视频节目的属性空间中包括导演，演员，编剧，国家，拍摄年份，剧情中的至少一项，设两个视频节目为pi和pj；
所述视频节目pi、pj之间的导演相关性值的计算方法为：将节目pi的导演集mi记作m(pi,mi)，节目pj的导演集mj记作m(pj,mj)，存在mi∩mj≠Φ，则视频节目pi、pj之间的导演相关性值为m(pi,pj)，所述m表示包括所有导演的导演集，|mi|表示导演集mi的模值，|mj|表示导演集mj的模值；
所述视频节目pi、pj之间的演员相关性值的计算方法为：将节目pi的演员集合ai记作a(pi,ai)，节目pj的演员集合aj记作a(pj,aj)，存在ai∩aj≠Φ，则视频节目pi、pj之间的演员相关性值为a(pi,pj)，所述a表示包括所有演员的演员集，|ai|表示演员集ai的模值，|aj|表示演员集aj的模值；
所述视频节目pi、pj之间的编剧相关性值的计算方法为：将节目pi的编剧集合ei记作e(pi,ei)，节目pj的编剧集合ej记作e(pj,ej)，存在ei∩ej≠Φ，则视频节目pi、pj之间的编剧相关性值为e(pi,pj)，所述e表示包括所有编剧的编剧集，|ei|表示编剧集ei的模值，|ej|表示编剧集ej的模值；
所述视频节目pi、pj之间的拍摄年份相关性值的计算方法为：将节目pi的拍摄年份yi记作y(pi,yi)，将节目pj的拍摄年份yj记作y(pj,yj)，则视频节目pi、pj之间的拍摄年份相关性值为y(pi,pi)， y ( p i , p j ) = 1 , y i = y j 0 , y i ≠ y j ;
所述视频节目pi、pj之间的国家相关性值的计算方法为：将节目pi的发行国家ci记作c(pi,ci)，将节目pj的发行国家cj记作c(pj,cj)，存在ci＝cj，则视频节目pi、pj之间的国家相关性值为c(pi,pj)， c ( p i , p j ) = 1 , c i = c j 0 , c i ≠ c j ;
所述视频节目pi、pj之间的剧情相关值的计算方法为：将节目pi的标签集ti记作t(pi,ti)，将节目pj的标签集tj记作t(pj,tj)，存在标签的语义相似性，记作ti≈tj，那么pi和pj存在标签相关性，则视频节目pi、pj之间的标签相关性值为t(pi,pj)，其中 f(tk)是通过指定搜索引擎利用关键词tk检索网页得到的记录总数，f(tk,tl)是通过指定搜索引擎利用关键词tk,tl共同检索网页得到的记录总数，G是上述指定搜索引擎对应的网页总数；
对所述视频节目pi、pj之间的导演相关性值、演员相关性值、编剧相关性值、拍摄年份相关性值、国家相关性值、标签相关性值进行加权求和，得到视频节目pi和pj的关系大小rel(pi,pj)，
rel(pi,pj)＝αm(pi,pj)+βa(pi,pj)+χe(pi,pj)+δy(pi,pj)+εc(pi,pj)+γt(pi,pj)
其中，α,β,χ,δ,ε,γ为设定的权重值，α+β+χ+δ+ε+γ＝1
对所述rel(pi,pj)进行量化，得到两个节目pi和pj之间的关系值。
所述的搜索向量处理模块，具体用于从搜索向量中提取出节目的相关信息，对所述相关信息进行结构化处理得到搜索向量的结构化信息，所述结构化处理包括清除停用词，去除非法字符，分词中的至少一项，根据所述搜索向量的结构化信息通过词频-反词频技术建立搜索向量的属性空间；
根据搜索向量的属性空间和所述视频数据库中存储的各个视频节目的属性空间，计算出所述搜索向量和所述视频数据库中存储的各个视频节目之间的相同属性之间的相关性值，将多个所述相关性值进行加权求和，将加权求和的结果进行归一化处理，得到所述搜索向量和所述视频数据库中存储的各个视频节目之间的关系值。
所述的综合搜索处理模块，具体用于选取所述初始视频搜索结果中的某个视频节目，通过所述关系网络获取和所述某个视频节目之间的关系值大于设定数值的二级视频节目，将该二级视频节目作为上述搜索关键词对应的二级视频搜索结果；或者，从视频数据库中获取所述某个视频节目的属性空间信息，针对所述某个视频节目的特定属性信息对所述初始视频搜索结果进行扩展，根据所述关系网络获取和所述某个视频节目之间特定属性信息对应的相关性值大于设定数值的二级视频节目，将该二级视频节目作为所述搜索关键词对应的二级视频搜索结果；
将所述初始视频搜索结果、二级视频搜索结果进行综合，得到所述搜索关键词对应的最终的多维的视频搜索结果。
由上述本发明的实施例提供的技术方案可以看出，本发明实施例通过基于视频节目的属性信息建立视频节目之间的关系和多个视频节目的关系网络，使得在搜索过程中，搜索关键词对应的搜索向量和初始视频搜索结果都可以通过节目关系网络进行扩展，从而丰富了搜索结果，也使得一维的搜索结果立体化得到多维的视频搜索结果，使得用户可以获得更全面的节目信息，提供给用户更为丰富的搜索结果。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为现有技术中的一维搜索功能的实现原理示意图；
图2为本发明实施例一提供的一种基于节目关系的视频节目的搜索方法的实现原理示意图；
图3为本发明实施例一提供的一种建立多个视频节目之间的关系网络的方法的处理流程图；
图4为本发明实施例一提供的一种基于节目关系的视频节目的搜索方法的处理流程图；
图5为本发明实施例一提供的一种利用多个视频之间的关系网络对初始视频搜索结果进行扩展的示意图；
图6为本发明实施例二提供的一种基于节目关系的视频节目的搜索装置的结构示意图，图中，关系网络建立模块61，搜索向量处理模块62，初始搜索处理模块63和综合搜索处理模块64。
具体实施方式
为便于对本发明实施例的理解，下面将结合附图以几个具体实施例为例做进一步的解释说明，且各个实施例并不构成对本发明实施例的限定。
实施例一
在实际应用中，视频对象的语义信息结构性强，通常包括视频名称，简介，年份，导演，主演，编剧等，由于属性自身特性，视频之间存在着复杂的相关性，如同一个导演的节目，同年份的节目等等。因此，在视频之间建立关系即节目关系搜索可以丰富搜索结果，同时节目关系搜索是一种新的搜索方式。
本发明实施例提供的一种基于节目关系的视频节目的搜索方法是一种新的搜索方式，该方法的实现原理示意图如图2所示，首先建立节目间的关系，建立属性关系模型和关系计算模型，建立多个视频节目之间的关系网络。其次，以节目的关系网络为基础，计算搜索关键词与节目属性间的相关性，获得初始的节目搜索结果。最后，通过节目的关系网络对初始的节目搜索结果进行动态扩展，形成丰富的节目搜索结果。
该实施例提供的一种建立多个视频节目之间的关系网络的方法的处理流程如图3所示，包括如下的处理步骤：
步骤S310、从得到的视频节目中提取节目的相关信息，该相关信息包括视频导演，演员，编剧，所属国家，拍摄年份，剧情等信息；
步骤S320、对上述节目的相关信息进行结构化处理得到视频节目的结构化信息，上述结构化处理主要包括清除停用词，分词等。根据上述视频节目的结构化信息，通过词频-反词频技术（tf-pdf）获取视频节目的属性信息，视频节目的属性信息分两种：确定属性和模糊属性，确定属性是指一个节目所固有的信息，如导演，演员，所属国家，拍摄年份，编剧等；模糊属性是指不确定性的描述节目的信息，如节目所属的类型，即标签。
步骤S330、根据上述视频节目的属性信息计算任意两个视频节目之间的关系值。
针对两个视频节目，分别计算两个视频节目之间的相同属性之间的关系值，具体计算过程如下：
导演相关：假设两个视频节目pi和pj，将节目pi的导演集mi记作m(pi,mi)，节目pj的导演集mj记作m(pj,mj)。存在mi∩mj≠Φ，那么pi和pj存在导演相关性，相关性大小为m(pi,pj),其中 上述公式中的m表示包括所有导演的导演集，|mi|表示导演集mi的模值，|mj|表示导演集mj的模值。
演员相关：两个节目pi和pj，将节目pi的演员集合ai记作a(pi,ai)，节目pj的演员集合aj记作a(pj,aj)。存在ai∩aj≠Φ，那么pi和pj存在演员相关性，相关性大小为a(pi,pj)，其中 a ( p i , a i ) = | a i | | a | , a ( p j , a j ) = | a j | | a | , a ( p i , p j ) = | a i ∩ a j | | a | , 上述公式中的a表示包括所有演员的演员集，|ai|表示演员集ai的模值，|aj|表示演员集aj的模值。
编剧相关：两个节目pi和pj，将节目pi的编剧集合ei记作e(pi,ei)，节目pj的编剧集合ej记作e(pj,ej)。存在ei∩ej≠Φ，那么pi和pj存在编剧相关性，相关性大小为e(pi,pj)，其中 e ( p i , e i ) = | e i | | e | , e ( p j , e j ) = | e j | | e | , e ( p i , p j ) = | e i ∩ e j | | e | , 上述公式中的e表示包括所有编剧的编剧集，|ei|表示编剧集ei的模值，|ej|表示编剧集ej的模值。
拍摄年份相关：两个节目pi和pj，将节目pi的拍摄年份yi记作y(pi,yi)，将节目pj的拍摄年份yj记作y(pj,yj)。存在yi＝yj，那么pi和pj存在拍摄年份相关性，相关性大小为y(pi,pi)，其中y(pi,yi＝)，1y(pj,yj)＝1， y ( p i , p j ) = 1 , y i = y j 0 , y i ≠ y j .
国家相关：两个节目pi和pj，将节目pi的发行国家ci记作c(pi,ci)，将节目pj的发行国家cj记作c(pj,cj)，存在ci＝cj，那么pi和pj存在国家相关性，相关性大小为c(pi,pj)，其中c(pi,yi)＝1，c(pj,yj)＝1， c ( p i , p j ) = 1 , c i = c j 0 , c i ≠ c j .
剧情相关：两个节目pi和pj，将节目pi的标签集ti记作t(pi,ti)，将节目pj的标签集tj记作t(pj,tj)。存在标签的语义相似性，记作ti≈tj，那么pi和pj存在标签相关性，相关性大小为t(pi,pj)，其中 f(tk)是通过指定搜索引擎利用关键词tk检索网页得到的记录总数，f(tk,tl)是通过指定搜索引擎利用关键词tk,tl共同检索网页得到的记录总数，G是上述指定搜索引擎对应的网页总数，NGD(tk,tl)通过词在搜索引擎中的检索网页数量计算了任意词对之间的相似度，如果两个单个词和词对检索出网页的数量相近，那么这两个词之间的相似度大，如果数量相差较远那么词的相似度较小，这种方法很好的利用了数量计算而屏蔽了网页相似内容的比较。
视频节目之间的关系由以上六类相关性值组成，因此对以上六类相关性值进行加权求和，得到两个节目pi和pj的关系大小rel(pi,pj)，并对rel(pi,pj)进行量化，得到两个节目pi和pj之间的关系值。
rel(pi,pj)＝αm(pi,pj)+βa(pi,pj)+χe(pi,pj)+δy(pi,pj)+εc(pi,pj)+γt(pi,pj)
其中，α,β,χ,δ,ε,γ为设定的权重值，α+β+χ+δ+ε+γ＝1
按照上述处理过程，计算出任意两个视频节目之间的关系值，于是，两两节目之间建立了联系。
步骤S340、在任意两个视频节目之间的关系都建立后，构建多个视频节目之间的关系网络。
基于两两节目之间的关系，多个节目之间则建立了节目的关系网络。在视频数据库中存储上述关系网络，以及所有视频节目，各个视频节目可以按照热度、评分、上映时间等进行排序。在视频数据库中还需要存储各个视频节目的导演，演员，编剧，所属国家，拍摄年份，剧情等属性信息。
该实施例提供的一种基于节目关系的视频节目的搜索方法的处理流程如图4所示，包括如下的处理步骤：
步骤S410、用户输入搜索关键词keyword，该搜索关键词keyword可以为爱情、科幻、史泰龙，以及美国+动作，美国+动作+施瓦辛格等；
步骤S420、对搜索关键词进行结构化处理，该搜索关键词包括分词，去除语义信息的非法字符，如标点符号等，根据最新发布的停用词去除搜索关键词中的停用词等处理。
然后，通过词频-反词频技术（TF_PDF）得到搜索向量和搜索向量的基本属性。本专利适用搜索词复杂的情况，如果输入的搜索内容很长，例如是一段文本，中间存在很多停用词，通过TF-PDF技术可以过滤掉无用词或影响搜索结果的词。计算词频的数据集为搜索内容，反词频的数据集则为所有搜索内容和所有节目文本内容的集合，TF-PDF值越大说明该词的特征性越强，越有可能成为搜索关键词，设定阈值（可以为搜索词个数）选择部分搜索关键词形成搜索向量。
搜索向量的基本属性分两种：确定属性和模糊属性，确定属性是指一个节目所固有的信息，如导演，演员，所属国家，拍摄年份，编剧等；模糊属性是指不确定性的描述节目的信息，如节目所属的类型，即标签。
步骤S430、基于上述搜索向量的基本属性和视频数据库中的各个视频节目的基本属性，利用上述图3所示处理流程中的视频节目之间的关系值的计算公式，分别计算出搜索向量与视频数据库中的各个视频节目之间的关系值。从上述搜索向量中提取出的视频节目的相关信息可能不全面，比如，可能只包括演员信息，则只计算搜索向量与各个节目之间的演员相关性；又比如，可能只包括剧情信息，则只计算搜索向量与各个节目之间的标签相关性；又比如，可能只包括剧情和国家信息，则只计算搜索向量与各个节目之间的标签相关性，国家相关性。
然后，将计算出的搜索向量和各个视频节目之间的各种相关性进行加权求和，并对加权求和的结果进行量化，得到搜索向量和各个视频节目之间的关系值。
步骤S440、预先设定关系判断阈值，将和搜索向量之间的关系值大于上述设定数值1的各个视频节目作为上述搜索关键词对应的初始视频搜索结果，该初始视频搜索结果为一维的。上述设定数值1可以和上述关系判断阈值相等或者不相等。
步骤S450、利用上述多个视频节目之间的关系网络，用户可以对初始视频搜索结果进行自定义的扩展，形成全面的多维的视频搜索结果。
在搜索过程中，上述初始视频搜索结果、搜索关键词对应的搜索向量与任意节目之间的关系都可以通过节目关系网络进行扩展，从而丰富了搜索结果，也使得一维的搜索结果立体化。
该实施例提供的一种利用多个视频之间的关系网络对初始视频搜索结果进行扩展的示意图如图5所示。用户可以选取上述初始视频搜索结果中的某个视频节目，通过上述关系网络获取和上述某个视频节目之间的关系值大于上述关系判断阈值的二级视频节目，将该二级视频节目作为上述搜索关键词对应的二级视频搜索结果。基于上述某个视频节目，将该二级视频节目以列表的形式进行展示。
用户还可以选取上述初始视频搜索结果中的某个视频节目，从视频数据库中获取该某个视频节目的导演，演员，编剧，所属国家，拍摄年份，剧情等属性信息，或者，下载该某个视频节目的描述（profile）信息，从该描述信息中提取出该某个视频节目的属性信息。然后，用户可以针对上述某个视频节目的特定属性信息（比如为演员）对初始视频搜索结果进行扩展，根据上述关系网络获取和上述某个视频节目之间特定属性信息对应的相关性值大于设定数值2的二级视频节目，将该二级视频节目作为上述搜索关键词对应的二级视频搜索结果。该设定数值2可以和上述设定数值1、关系判断阈值相等或者不相等。
比如，上述某个视频节目为泰坦尼克，上述特定相关信息为演员，则通过关系网络获取和上述泰坦尼克视频节目之间演员相关性值大于指定数值的二级视频节目，将该二级视频节目作为上述搜索关键词对应的二级视频搜索结果。
依此类推，按照上述处理过程，可以获取上述搜索关键词对应的三级、四级等多级视频搜索结果。
然后，将上述初始视频搜索结果、二级、三级等多级视频搜索结果进行综合，得到上述搜索关键词对应的的最终的多维的视频搜索结果。
实施例二
该实施例提供了一种基于节目关系的视频节目的搜索装置，其具体实现结构如图6所示，具体可以包括如下的模块：
关系网络建立模块61，用于计算出两两视频节目之间的关系，建立多个视频节目之间的关系网络；
搜索向量处理模块62，用于对用户输入的搜索关键词进行结构化处理得到搜索向量，从所述搜索向量中提取出视频节目的相关信息，利用所述相关信息通过设定的关系值计算公式分别计算出所述搜索向量与各个视频节目之间的关系值；
初始搜索处理模块63，用于将和所述搜索向量之间的关系值大于设定的关系判断阈值的各个视频节目作为所述搜索关键词对应的初始视频搜索结果；
综合搜索处理模块64，用于利用所述关系网络对所述初始视频搜索结果进行扩展，得到最终的视频搜索结果。
进一步地，所述的关系网络建立模块61，具体用于从视频节目中提取出节目的相关信息，对所述相关信息进行结构化处理得到视频节目的结构化信息，所述结构化处理包括清除停用词，去除非法字符，分词中的至少一项，根据所述视频节目的结构化信息通过词频-反词频技术建立视频节目的属性空间；
根据各个视频节目的属性空间，计算出两个视频节目之间的相同属性之间的相关性值，将多个所述相关性值进行加权求和，将加权求和的结果进行归一化处理，得到两个视频节目之间的关系值；
基于计算出的两两视频节目之间的关系，建立多个视频节目之间的关系网络，将所述关系网络和各个视频节目的属性空间存储在视频数据库中。
进一步地，所述的关系网络建立模块61，具体用于设所述视频节目的属性空间中包括导演，演员，编剧，国家，拍摄年份，剧情中的至少一项，设两个视频节目为pi和pj；
所述视频节目pi、pj之间的导演相关性值的计算方法为：将节目pi的导演集mi记作m(pi,mi)，节目pj的导演集mj记作m(pj,mj)，存在mi∩mj≠Φ，则视频节目pi、pj之间的导演相关性值为m(pi,pj)，所述m表示包括所有导演的导演集，|mi|表示导演集mi的模值，|mj|表示导演集mj的模值；
所述视频节目pi、pj之间的演员相关性值的计算方法为：将节目pi的演员集合ai记作a(pi,ai)，节目pj的演员集合aj记作a(pj,aj)，存在ai∩aj≠Φ，则视频节目pi、pj之间的演员相关性值为a(pi,pj)，所述a表示包括所有演员的演员集，|ai|表示演员集ai的模值，|aj|表示演员集aj的模值；
所述视频节目pi、pj之间的编剧相关性值的计算方法为：将节目pi的编剧集合ei记作e(pi,ei)，节目pj的编剧集合ej记作e(pj,ej)，存在ei∩ej≠Φ，则视频节目pi、pj之间的编剧相关性值为e(pi,pj)，所述e表示包括所有编剧的编剧集，|ei|表示编剧集ei的模值，|ej|表示编剧集ej的模值；
所述视频节目pi、pj之间的拍摄年份相关性值的计算方法为：将节目pi的拍摄年份yi记作y(pi,yi)，将节目pj的拍摄年份yj记作y(pj,yj)，则视频节目pi、pj之间的拍摄年份相关性值为y(pi,pi)， y ( p i , p j ) = 1 , y i = y j 0 , y i ≠ y j ;
所述视频节目pi、pj之间的国家相关性值的计算方法为：将节目pi的发行国家ci记作c(pi,ci)，将节目pj的发行国家cj记作c(pj,cj)，存在ci＝cj，则视频节目pi、pj之间的国家相关性值为c(pi,pj)， c ( p i , p j ) = 1 , c i = c j 0 , c i ≠ c j ;
所述视频节目pi、pj之间的剧情相关值的计算方法为：将节目pi的标签集ti记作t(pi,ti)，将节目pj的标签集tj记作t(pj,tj)，存在标签的语义相似性，记作ti≈tj，那么pi和pj存在标签相关性，则视频节目pi、pj之间的标签相关性值为t(pi,pj)，其中 f(tk)是通过指定搜索引擎利用关键词tk检索网页得到的记录总数，f(tk,tl)是通过指定搜索引擎利用关键词tk,tl共同检索网页得到的记录总数，G是上述指定搜索引擎对应的网页总数；
对所述视频节目pi、pj之间的导演相关性值、演员相关性值、编剧相关性值、拍摄年份相关性值、国家相关性值、标签相关性值进行加权求和，得到视频节目pi和pj的关系大小rel(pi,pj)，
rel(pi,pj)＝αm(pi,pj)+βa(pi,pj)+χe(pi,pj)+δy(pi,pj)+εc(pi,pj)+γt(pi,pj)
其中，α,β,χ,δ,ε,γ为设定的权重值，α+β+χ+δ+ε+γ＝1
对所述rel(pi,pj)进行量化，得到两个节目pi和pj之间的关系值。
进一步地，所述的搜索向量处理模块62，具体用于从搜索向量中提取出节目的相关信息，对所述相关信息进行结构化处理得到搜索向量的结构化信息，所述结构化处理包括清除停用词，去除非法字符，分词中的至少一项，根据所述搜索向量的结构化信息通过词频-反词频技术建立搜索向量的属性空间；
根据搜索向量的属性空间和所述视频数据库中存储的各个视频节目的属性空间，计算出所述搜索向量和所述视频数据库中存储的各个视频节目之间的相同属性之间的相关性值，将多个所述相关性值进行加权求和，将加权求和的结果进行归一化处理，得到所述搜索向量和所述视频数据库中存储的各个视频节目之间的关系值。
进一步地，所述的综合搜索处理模块64，具体用于选取所述初始视频搜索结果中的某个视频节目，通过所述关系网络获取和所述某个视频节目之间的关系值大于设定数值的二级视频节目，将该二级视频节目作为上述搜索关键词对应的二级视频搜索结果；或者，从视频数据库中获取所述某个视频节目的属性空间信息，针对所述某个视频节目的特定属性信息对所述初始视频搜索结果进行扩展，根据所述关系网络获取和所述某个视频节目之间特定属性信息对应的相关性值大于设定数值的二级视频节目，将该二级视频节目作为所述搜索关键词对应的二级视频搜索结果；
将所述初始视频搜索结果、二级视频搜索结果进行综合，得到所述搜索关键词对应的最终的多维的视频搜索结果。
用本发明实施例的装置进行基于节目关系的视频节目的搜索的具体过程与前述方法实施例类似，此处不再赘述。
综上所述，本发明实施例通过基于视频节目的属性信息建立视频节目之间的关系和多个视频节目的关系网络，使得在搜索过程中，搜索关键词对应的搜索向量和初始视频搜索结果都可以通过节目关系网络进行扩展，从而丰富了搜索结果，也使得一维的搜索结果立体化得到多维的视频搜索结果，使得用户可以获得更全面的节目信息，提供给用户更为丰富的搜索结果。
本发明实施例可以通过调节视频节目之间的相关性的参数改变搜索策略，实现搜索方式更全面，更***，从而提供一种更加全面、多维的视频搜索方式。
本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置或***实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置及***实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (10)

1.一种基于节目关系的视频节目的搜索方法，其特征在于，计算出两两视频节目之间的关系，建立多个视频节目之间的关系网络，包括：
对用户输入的搜索关键词进行结构化处理得到搜索向量；
从所述搜索向量中提取出视频节目的相关信息，利用所述相关信息通过设定的关系值计算公式分别计算出所述搜索向量与各个视频节目之间的关系值；
将和所述搜索向量之间的关系值大于设定的关系判断阈值的各个视频节目作为所述搜索关键词对应的初始视频搜索结果，利用所述关系网络对所述初始视频搜索结果进行扩展，得到最终的视频搜索结果。
2.根据权利要求1所述的基于节目关系的视频节目的搜索方法，其特征在于，所述的计算出两两视频节目之间的关系，建立多个视频节目之间的关系网络，包括：
从视频节目中提取出节目的相关信息，对所述相关信息进行结构化处理得到视频节目的结构化信息，所述结构化处理包括清除停用词，去除非法字符，分词中的至少一项，根据所述视频节目的结构化信息通过词频-反词频技术建立视频节目的属性空间；
根据各个视频节目的属性空间，计算出两个视频节目之间的相同属性之间的相关性值，将多个所述相关性值进行加权求和，将加权求和的结果进行归一化处理，得到两个视频节目之间的关系值；
基于计算出的两两视频节目之间的关系，建立多个视频节目之间的关系网络，将所述关系网络和各个视频节目的属性空间存储在视频数据库中。
3.根据权利要求2所述的基于节目关系的视频节目的搜索方法，其特征在于，所述的根据各个视频节目的属性空间，计算出两个视频节目之间的相同属性之间的相关性值，将多个所述相关性值进行加权求和，将加权求和的结果进行归一化处理，得到两个视频节目之间的关系值，包括：
所述视频节目的属性空间中包括导演，演员，编剧，国家，拍摄年份，剧情中的至少一项，设两个视频节目为pi和pj；
所述视频节目pi、pj之间的导演相关性值的计算方法为：将节目pi的导演集mi记作m(pi,mi)，节目pj的导演集mj记作m(pj,mj)，存在mi∩mj≠Φ，则视频节目pi、pj之间的导演相关性值为m(pi,pj)，所述m表示包括所有导演的导演集，|mi|表示导演集mi的模值，|mj|表示导演集mj的模值；
所述视频节目pi、pj之间的演员相关性值的计算方法为：将节目pi的演员集合ai记作a(pi,ai)，节目pj的演员集合aj记作a(pj,aj)，存在ai∩aj≠Φ，则视频节目pi、pj之间的演员相关性值为a(pi,pj)，所述a表示包括所有演员的演员集，|ai|表示演员集ai的模值，|aj|表示演员集aj的模值；
所述视频节目pi、pj之间的编剧相关性值的计算方法为：将节目pi的编剧集合ei记作e(pi,ei)，节目pj的编剧集合ej记作e(pj,ej)，存在ei∩ej≠Φ，则视频节目pi、pj之间的编剧相关性值为e(pi,pj)，所述e表示包括所有编剧的编剧集，|ei|表示编剧集ei的模值，|ej|表示编剧集ej的模值；
所述视频节目pi、pj之间的拍摄年份相关性值的计算方法为：将节目pi的拍摄年份yi记作y(pi,yi)，将节目pj的拍摄年份yj记作y(pj,yj)，则视频节目pi、pj之间的拍摄年份相关性值为y(pi,pi)， y ( p i , p j ) = 1 , y i = y j 0 , y i ≠ y j ;
所述视频节目pi、pj之间的国家相关性值的计算方法为：将节目pi的发行国家ci记作c(pi,ci)，将节目pj的发行国家cj记作c(pj,cj)，存在ci＝cj，则视频节目pi、pj之间的国家相关性值为c(pi,pj)， c ( p i , p j ) = 1 , c i = c j 0 , c i ≠ c j ;
所述视频节目pi、pj之间的剧情相关值的计算方法为：将节目pi的标签集ti记作t(pi,ti)，将节目pj的标签集tj记作t(pj,tj)，存在标签的语义相似性，记作ti≈tj，那么pi和pj存在标签相关性，则视频节目pi、pj之间的标签相关性值为t(pi,pj)，其中 f(tk)是通过指定搜索引擎利用关键词tk检索网页得到的记录总数，f(tk,tl)是通过指定搜索引擎利用关键词tk,tl共同检索网页得到的记录总数，G是上述指定搜索引擎对应的网页总数；
对所述视频节目pi、pj之间的导演相关性值、演员相关性值、编剧相关性值、拍摄年份相关性值、国家相关性值、标签相关性值进行加权求和，得到视频节目pi和pj的关系大小rel(pi,pj)，
rel(pi,pj)＝αm(pi,pj)+βa(pi,pj)+χe(pi,pj)+δy(pi,pj)+εc(pi,pj)+γt(pi,pj)
其中，α,β,χ,δ,ε,γ为设定的权重值，α+β+χ+δ+ε+γ＝1
对所述rel(pi,pj)进行量化，得到两个节目pi和pj之间的关系值。
4.根据权利要求3所述的基于节目关系的视频节目的搜索方法，其特征在于，所述的从所述搜索向量中提取出视频节目的相关信息，利用所述相关信息通过设定的关系值计算公式分别计算出所述搜索向量与各个视频节目之间的关系值，包括：
从搜索向量中提取出节目的相关信息，对所述相关信息进行结构化处理得到搜索向量的结构化信息，所述结构化处理包括清除停用词，去除非法字符，分词中的至少一项，根据所述搜索向量的结构化信息通过词频-反词频技术建立搜索向量的属性空间；
根据搜索向量的属性空间和所述视频数据库中存储的各个视频节目的属性空间，计算出所述搜索向量和所述视频数据库中存储的各个视频节目之间的相同属性之间的相关性值，将多个所述相关性值进行加权求和，将加权求和的结果进行归一化处理，得到所述搜索向量和所述视频数据库中存储的各个视频节目之间的关系值。
5.根据权利要求1至4任一项所述的基于节目关系的视频节目的搜索方法，其特征在于，所述的利用所述关系网络对所述初始视频搜索结果进行扩展，得到最终的视频搜索结果，包括：
选取所述初始视频搜索结果中的某个视频节目，通过所述关系网络获取和所述某个视频节目之间的关系值大于设定数值的二级视频节目，将该二级视频节目作为上述搜索关键词对应的二级视频搜索结果；或者，从视频数据库中获取所述某个视频节目的属性空间信息，针对所述某个视频节目的特定属性信息对所述初始视频搜索结果进行扩展，根据所述关系网络获取和所述某个视频节目之间特定属性信息对应的相关性值大于设定数值的二级视频节目，将该二级视频节目作为所述搜索关键词对应的二级视频搜索结果；
将所述初始视频搜索结果、二级视频搜索结果进行综合，得到所述搜索关键词对应的最终的多维的视频搜索结果。
6.一种基于节目关系的视频节目的搜索装置，其特征在于，包括：
关系网络建立模块，用于计算出两两视频节目之间的关系，建立多个视频节目之间的关系网络；
搜索向量处理模块，用于对用户输入的搜索关键词进行结构化处理得到搜索向量，从所述搜索向量中提取出视频节目的相关信息，利用所述相关信息通过设定的关系值计算公式分别计算出所述搜索向量与各个视频节目之间的关系值；
初始搜索处理模块，用于将和所述搜索向量之间的关系值大于设定的关系判断阈值的各个视频节目作为所述搜索关键词对应的初始视频搜索结果；
综合搜索处理模块，用于利用所述关系网络对所述初始视频搜索结果进行扩展，得到最终的视频搜索结果。
7.根据权利要求6所述的基于节目关系的视频节目的搜索装置，其特征在于：
所述的关系网络建立模块，具体用于从视频节目中提取出节目的相关信息，对所述相关信息进行结构化处理得到视频节目的结构化信息，所述结构化处理包括清除停用词，去除非法字符，分词中的至少一项，根据所述视频节目的结构化信息通过词频-反词频技术建立视频节目的属性空间；
根据各个视频节目的属性空间，计算出两个视频节目之间的相同属性之间的相关性值，将多个所述相关性值进行加权求和，将加权求和的结果进行归一化处理，得到两个视频节目之间的关系值；
基于计算出的两两视频节目之间的关系，建立多个视频节目之间的关系网络，将所述关系网络和各个视频节目的属性空间存储在视频数据库中。
8.根据权利要求7所述的基于节目关系的视频节目的搜索装置，其特征在于：
所述的关系网络建立模块，具体用于设所述视频节目的属性空间中包括导演，演员，编剧，国家，拍摄年份，剧情中的至少一项，设两个视频节目为pi和pj；
所述视频节目pi、pj之间的导演相关性值的计算方法为：将节目pi的导演集mi记作m(pi,mi)，节目pj的导演集mj记作m(pj,mj)，存在mi∩mj≠Φ，则视频节目pi、pj之间的导演相关性值为m(pi,pj)，所述m表示包括所有导演的导演集，|mi|表示导演集mi的模值，|mj|表示导演集mj的模值；
所述视频节目pi、pj之间的演员相关性值的计算方法为：将节目pi的演员集合ai记作a(pi,ai)，节目pj的演员集合aj记作a(pj,aj)，存在ai∩aj≠Φ，则视频节目pi、pj之间的演员相关性值为a(pi,pj)，所述a表示包括所有演员的演员集，|ai|表示演员集ai的模值，|aj|表示演员集aj的模值；
所述视频节目pi、pj之间的编剧相关性值的计算方法为：将节目pi的编剧集合ei记作e(pi,ei)，节目pj的编剧集合ej记作e(pj,ej)，存在ei∩ej≠Φ，则视频节目pi、pj之间的编剧相关性值为e(pi,pj)，所述e表示包括所有编剧的编剧集，|ei|表示编剧集ei的模值，|ej|表示编剧集ej的模值；
所述视频节目pi、pj之间的拍摄年份相关性值的计算方法为：将节目pi的拍摄年份yi记作y(pi,yi)，将节目pj的拍摄年份yj记作y(pj,yj)，则视频节目pi、pj之间的拍摄年份相关性值为y(pi,pi)， y ( p i , p j ) = 1 , y i = y j 0 , y i ≠ y j ;
所述视频节目pi、pj之间的国家相关性值的计算方法为：将节目pi的发行国家ci记作c(pi,ci)，将节目pj的发行国家cj记作c(pj,cj)，存在ci＝cj，则视频节目pi、pj之间的国家相关性值为c(pi,pj)， c ( p i , p j ) = 1 , c i = c j 0 , c i ≠ c j ;
所述视频节目pi、pj之间的剧情相关值的计算方法为：将节目pi的标签集ti记作t(pi,ti)，将节目pj的标签集tj记作t(pj,tj)，存在标签的语义相似性，记作ti≈tj，那么pi和pj存在标签相关性，则视频节目pi、pj之间的标签相关性值为t(pi,pj)，其中 f(tk)是通过指定搜索引擎利用关键词tk检索网页得到的记录总数，f(tk,tl)是通过指定搜索引擎利用关键词tk,tl共同检索网页得到的记录总数，G是上述指定搜索引擎对应的网页总数；
对所述视频节目pi、pj之间的导演相关性值、演员相关性值、编剧相关性值、拍摄年份相关性值、国家相关性值、标签相关性值进行加权求和，得到视频节目pi和pj的关系大小rel(pi,pj)，
rel(pi,pj)＝αm(pi,pj)+βa(pi,pj)+χe(pi,pj)+δy(pi,pj)+εc(pi,pj)+γt(pi,pj)
其中，α,β,χ,δ,ε,γ为设定的权重值，α+β+χ+δ+ε+γ＝1
对所述rel(pi,pj)进行量化，得到两个节目pi和pj之间的关系值。
9.根据权利要求8所述的基于节目关系的视频节目的搜索方法，其特征在于：
所述的搜索向量处理模块，具体用于从搜索向量中提取出节目的相关信息，对所述相关信息进行结构化处理得到搜索向量的结构化信息，所述结构化处理包括清除停用词，去除非法字符，分词中的至少一项，根据所述搜索向量的结构化信息通过词频-反词频技术建立搜索向量的属性空间；
根据搜索向量的属性空间和所述视频数据库中存储的各个视频节目的属性空间，计算出所述搜索向量和所述视频数据库中存储的各个视频节目之间的相同属性之间的相关性值，将多个所述相关性值进行加权求和，将加权求和的结果进行归一化处理，得到所述搜索向量和所述视频数据库中存储的各个视频节目之间的关系值。
10.根据权利要求6至9任一项所述的基于节目关系的视频节目的搜索装置，其特征在于：
所述的综合搜索处理模块，具体用于选取所述初始视频搜索结果中的某个视频节目，通过所述关系网络获取和所述某个视频节目之间的关系值大于设定数值的二级视频节目，将该二级视频节目作为上述搜索关键词对应的二级视频搜索结果；或者，从视频数据库中获取所述某个视频节目的属性空间信息，针对所述某个视频节目的特定属性信息对所述初始视频搜索结果进行扩展，根据所述关系网络获取和所述某个视频节目之间特定属性信息对应的相关性值大于设定数值的二级视频节目，将该二级视频节目作为所述搜索关键词对应的二级视频搜索结果；
将所述初始视频搜索结果、二级视频搜索结果进行综合，得到所述搜索关键词对应的最终的多维的视频搜索结果。
CN201310589928.3A 2013-11-20 2013-11-20 基于节目关系的视频节目的搜索方法和装置 Active CN104657376B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201310589928.3A CN104657376B (zh) 2013-11-20 2013-11-20 基于节目关系的视频节目的搜索方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310589928.3A CN104657376B (zh) 2013-11-20 2013-11-20 基于节目关系的视频节目的搜索方法和装置

Publications (2)

Publication Number Publication Date
CN104657376A true CN104657376A (zh) 2015-05-27
CN104657376B CN104657376B (zh) 2018-09-18

Family

ID=53248522

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310589928.3A Active CN104657376B (zh) 2013-11-20 2013-11-20 基于节目关系的视频节目的搜索方法和装置

Country Status (1)

Country Link
CN (1) CN104657376B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106528633A (zh) * 2016-10-11 2017-03-22 杭州电子科技大学 一种基于关键词推荐的视频社会关注度提高方法
CN106557476A (zh) * 2015-09-24 2017-04-05 北京奇虎科技有限公司 相关信息的获取方法及装置
CN106708929A (zh) * 2016-11-18 2017-05-24 广州视源电子科技股份有限公司 视频节目的搜索方法和装置
CN107122423A (zh) * 2017-04-06 2017-09-01 深圳Tcl数字技术有限公司 影视推介方法及装置
CN108681606A (zh) * 2018-05-25 2018-10-19 广州钱柜软件科技有限公司 一种基于大数据的电影节目的存储与提取方法
CN108763369A (zh) * 2018-05-17 2018-11-06 北京奇艺世纪科技有限公司 一种视频搜索方法和装置
CN110121734A (zh) * 2016-12-30 2019-08-13 华为技术有限公司 一种信息的处理方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000341615A (ja) * 1999-05-31 2000-12-08 Nippon Telegr & Teleph Corp <Ntt> 映像検索方法、映像検索装置及び記憶媒体
US20030195872A1 (en) * 1999-04-12 2003-10-16 Paul Senn Web-based information content analyzer and information dimension dictionary
CN102222103A (zh) * 2011-06-22 2011-10-19 央视国际网络有限公司 视频内容的匹配关系的处理方法及装置
CN102236691A (zh) * 2010-05-04 2011-11-09 张文广 精确导向搜索工具***

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030195872A1 (en) * 1999-04-12 2003-10-16 Paul Senn Web-based information content analyzer and information dimension dictionary
JP2000341615A (ja) * 1999-05-31 2000-12-08 Nippon Telegr & Teleph Corp <Ntt> 映像検索方法、映像検索装置及び記憶媒体
CN102236691A (zh) * 2010-05-04 2011-11-09 张文广 精确导向搜索工具***
CN102222103A (zh) * 2011-06-22 2011-10-19 央视国际网络有限公司 视频内容的匹配关系的处理方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
孙文涛，王非: ""互联网视频节目搜索技术"", 《广播与电视技术》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106557476A (zh) * 2015-09-24 2017-04-05 北京奇虎科技有限公司 相关信息的获取方法及装置
CN106528633A (zh) * 2016-10-11 2017-03-22 杭州电子科技大学 一种基于关键词推荐的视频社会关注度提高方法
CN106528633B (zh) * 2016-10-11 2019-07-02 杭州电子科技大学 一种基于关键词推荐的视频社会关注度提高方法
CN106708929A (zh) * 2016-11-18 2017-05-24 广州视源电子科技股份有限公司 视频节目的搜索方法和装置
CN110121734A (zh) * 2016-12-30 2019-08-13 华为技术有限公司 一种信息的处理方法及装置
CN110121734B (zh) * 2016-12-30 2021-06-01 华为技术有限公司 一种信息的处理方法及装置
CN107122423A (zh) * 2017-04-06 2017-09-01 深圳Tcl数字技术有限公司 影视推介方法及装置
CN108763369A (zh) * 2018-05-17 2018-11-06 北京奇艺世纪科技有限公司 一种视频搜索方法和装置
CN108681606A (zh) * 2018-05-25 2018-10-19 广州钱柜软件科技有限公司 一种基于大数据的电影节目的存储与提取方法
CN108681606B (zh) * 2018-05-25 2021-10-26 广州钱柜软件科技有限公司 一种基于大数据的电影节目的存储与提取方法

Also Published As

Publication number Publication date
CN104657376B (zh) 2018-09-18

Similar Documents

Publication Publication Date Title
CN108280114B (zh) 一种基于深度学习的用户文献阅读兴趣分析方法
EP1565846B1 (en) Information storage and retrieval
US7502780B2 (en) Information storage and retrieval
CN104657376A (zh) 基于节目关系的视频节目的搜索方法和装置
US20040249808A1 (en) Query expansion using query logs
Manjari et al. Extractive Text Summarization from Web pages using Selenium and TF-IDF algorithm
Patil et al. Automatic text categorization: Marathi documents
EP1426882A2 (en) Information storage and retrieval
KR20080031262A (ko) 관계 네트워크
KR100847376B1 (ko) 질의어 자동 추출을 이용한 검색 방법 및 장치
Vispute et al. Automatic text categorization of marathi documents using clustering technique
Nikas et al. Open domain question answering over knowledge graphs using keyword search, answer type prediction, SPARQL and pre-trained neural models
Halima et al. An interactive engine for multilingual video browsing using semantic content
Estivill-Castro et al. Towards the Ranking of Web-pages for Educational Purposes.
JP2005063157A (ja) 文書クラスタ抽出装置および方法
CN108345605B (zh) 一种文本搜索方法及装置
Ajitha et al. EFFECTIVE FEATURE EXTRACTION FOR DOCUMENT CLUSTERING TO ENHANCE SEARCH ENGINE USING XML.
Hussain et al. Palazzo Matrix Model: An approach to simulate the efficient semantic results in search engines
Narula et al. Improving statistical multimedia information retrieval model by using ontology
CN117688140B (zh) 文档查询方法、装置、计算机设备和存储介质
Kambau et al. Unified concept-based multimedia information retrieval technique
Sabetghadam et al. Reachability analysis of graph modelled collections
Zirbilek et al. Hot topic detection and evaluation of multi-relation effects
Jayabharathy et al. Multi-document Summarization Based on Sentence Features and Frequent Itemsets
Vinayak et al. A Survey on Various Approaches for Multimedia Search Engines

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant