CN109947526B - 用于输出信息的方法和装置 - Google Patents
用于输出信息的方法和装置 Download PDFInfo
- Publication number
- CN109947526B CN109947526B CN201910251157.4A CN201910251157A CN109947526B CN 109947526 B CN109947526 B CN 109947526B CN 201910251157 A CN201910251157 A CN 201910251157A CN 109947526 B CN109947526 B CN 109947526B
- Authority
- CN
- China
- Prior art keywords
- information
- text
- picture
- feature vector
- vector
- 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.)
- Active
Links
Images
Landscapes
- Information Transfer Between Computers (AREA)
Abstract
本申请实施例公开了用于输出信息的方法和装置。上述方法的一具体实施方式包括:获取目标信息,其中,目标信息包括图片信息与文本信息;根据预先建立的图文相关判断模型,确定目标信息中的图片信息与文本信息是否相关,其中,图文相关判断模型用于判断图片信息与文本信息是否相关;输出判断结果。该实施方式可以判断信息中的图片信息和文本信息是否相关,可应用于提高feed流中内容的质量。
Description
技术领域
本申请实施例涉及计算机技术领域,具体涉及用于输出信息的方法和装置。
背景技术
feed是将用户主动订阅的若干消息源组合在一起形成内容聚合器,帮助用户持续地获取最新的订阅源内容。feed流是持续更新并呈现给用户内容的信息流。用户在浏览上述feed流中的内容时,往往会比较注意图片和文字的内容是否相关。如果不相关,会认为内容的质量不高、可信度不高、真实度不高。即使用户对内容产生了点击行为,也会对应用程序产生不好的印象。因此,评估feed流中内容的图片和文字是否相关尤为重要。
发明内容
本申请实施例提出了用于输出信息的方法和装置。
第一方面,本申请实施例提供了一种用于输出信息的方法,包括:获取目标信息,其中,上述目标信息包括图片信息与文本信息;根据预先建立的图文相关判断模型,确定上述目标信息中的图片信息与文本信息是否相关,其中,上述图文相关判断模型用于判断图片信息和文本信息是否相关;输出判断结果。
在一些实施例中,上述根据预先建立的图文相关判断模型,确定上述目标信息中的图片信息与文本信息是否相关,包括:提取上述图片信息和上述文本信息的特征,得到第一特征向量和第二特征向量,其中,上述第一特征向量对应上述图片信息,上述第二特征向量对应上述文本信息;对上述第一特征向量以及上述第二特征向量进行处理,使得处理后的第一特征向量和第二特征向量的长度相同;拼接处理后的第一特征向量和处理后的第二特征向量,得到拼接向量;根据上述拼接向量,确定上述目标信息中的图片信息与文本信息是否相关。
在一些实施例中,上述文本信息包括至少一个字符;以及上述提取上述图片和上述文本信息的特征,得到第一特征向量和第二特征向量,包括:提取上述至少一个字符的特征,得到至少一个第三特征向量;提取得到的至少一个第三特征向量的特征,得到上述第二特征向量。
在一些实施例中,上述提取上述图片信息和上述文本信息的特征,得到第一特征向量和第二特征向量,包括:提取上述图片信息的特征,得到至少一个特征图;提取上述至少一个特征图的特征,得到第一特征向量。
在一些实施例中,上述方法还包括以下至少一项:删除上述文本信息中的符号,对删除符号后的文本信息进行分词;将上述图片信息的格式信息修改为预设的格式信息;将上述图片信息中的的尺寸信息调整为预设的尺寸信息。
在一些实施例中,上述方法还包括:响应于确定上述目标信息中图片与文本信息不相关,确定发布上述目标信息的用户的用户标识;向上述用户标识指示的用户所使用的终端发送预设的警示信息。
在一些实施例中,上述图文相关判断模型通过以下步骤训练得到:获取训练样本集合,其中,训练样本包括样本图片信息、样本文本信息以及样本图片信息与样本文本信息是否相关的标注结果;将上述训练样本集合中的样本图片信息和样本文本信息作为输入,将所输入的样本图片信息与所输入的样本文本信息是否相关的标注结果作为期望输出,训练得到上述图文相关判断模型。
第二方面,本申请实施例提供了一种用于输出信息的装置,包括:获取单元,被配置成获取目标信息,其中,上述目标信息包括图片信息与文本信息;判断单元,被配置成根据预先建立的图文相关判断模型,确定上述目标信息中的图片信息与文本信息是否相关,其中,上述图文相关判断模型用于判断图片信息和文本信息是否相关;输出单元,被配置成输出判断结果。
在一些实施例中,上述判断单元包括:特征提取模块,被配置成提取上述图片信息和上述文本信息的特征,得到第一特征向量和第二特征向量,其中,上述第一特征向量对应上述图片信息,上述第二特征向量对应上述文本信息;向量处理模块,被配置成对上述第一特征向量以及上述第二特征向量进行处理,使得处理后的第一特征向量和第二特征向量的长度相同;向量拼接模块,被配置成拼接处理后的第一特征向量和处理后的第二特征向量,得到拼接向量;判断模块,被配置成根据上述拼接向量,确定上述目标信息中的图片信息与文本信息是否相关。
在一些实施例中,上述文本信息包括至少一个字符;以及上述特征提取模块进一步被配置成:提取上述至少一个字符的特征,得到至少一个第三特征向量;提取得到的至少一个第三特征向量的特征,得到上述第二特征向量。
在一些实施例中,上述特征提取模块进一步被配置成:提取上述图片信息的特征,得到至少一个特征图;提取上述至少一个特征图的特征,得到第一特征向量。
在一些实施例中,上述装置还包括处理单元,被配置成执行以下至少一项:删除上述文本信息中的符号,对删除符号后的文本信息进行分词;将上述图片的格式修改为预设图片格式;将上述图片的尺寸调整为预设尺寸。
在一些实施例中,上述装置还包括发送单元,被配置成:响应于确定上述目标信息中图片与文本信息不相关,确定发布上述目标信息的用户的用户标识;向上述用户标识指示的用户所使用的终端发送预设的警示信息。
在一些实施例中,上述装置还包括训练单元,被配置成:获取训练样本集合,其中,训练样本包括样本图片信息、样本文本信息以及样本图片信息与样本文本信息是否相关的标注结果;将上述训练样本集合中的样本图片信息和样本文本信息作为输入,将所输入的样本图片信息与所输入的样本文本信息是否相关的标注结果作为期望输出,训练得到上述图文相关判断模型。
第三方面,本申请实施例提供了一种服务器,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当上述一个或多个程序被上述一个或多个处理器执行,使得上述一个或多个处理器实现如第一方面任一实施例所描述的方法。
第四方面,本申请实施例提供了一种计算机可读介质,其上存储有计算机程序,该程序被处理器执行时实现如第一方面任一实施例所描述的方法。
本申请的上述实施例提供的用于输出信息的方法和装置,首先可以获取目标信息。目标信息中包括图片信息和文本信息。然后,根据预先建立的图文相关判断模型来确定目标信息中的图片信息和文本信息是否相关。其中,图文相关判断模型用于判断图片信息和文本信息是否相关。最后,输出判断结果。本实施例的方法,可以判断信息中的图片信息和文本信息是否相关,可应用于提高feed流中内容的质量。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本申请的一个实施例可以应用于其中的示例性***架构图;
图2是根据本申请的用于输出信息的方法的一个实施例的流程图;
图3是根据本申请的用于输出信息的方法的一个应用场景的示意图;
图4是根据本申请的用于输出信息的方法中判断目标信息中文本信息和图片信息是否相关的实施例的流程图;
图5是根据本申请的用于输出信息的方法中图文相关判断模型的结构示意图;
图6是根据本申请的用于输出信息的装置的一个实施例的结构示意图;
图7是适于用来实现本申请实施例的服务器的计算机***的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的用于输出信息的方法或用于输出信息的装置的实施例的示例性***架构100。
如图1所示,***架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是硬件,也可以是软件。当终端设备101、102、103为硬件时,可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103上用户输入的信息进行处理的后台服务器。后台服务器可以对接收到的目标信息等数据进行分析等处理,并将处理结果(例如图片和标题是否相关的判断结果)反馈给终端设备101、102、103。
需要说明的是,服务器105可以是硬件,也可以是软件。当服务器105为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器105为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是,本申请实施例所提供的用于输出信息的方法一般由服务器105执行,相应地,用于输出信息的装置一般设置于服务器105中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,示出了根据本申请的用于输出信息的方法的一个实施例的流程200。本实施例的用于输出信息的方法,包括以下步骤:
步骤201,获取目标信息。
在本实施例中,用于输出信息的方法的执行主体(例如图1所示的服务器105)可以通过有线连接方式或者无线连接方式获取目标信息。目标信息可以包括图片信息和文本信息。文本信息可以包括标题和正文。目标信息可以是用户通过终端设备(例如图1所示的终端设备101、102、103)上安装的各种应用发布的信息。
需要指出的是,上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
在本实施例的一些可选的实现方式中,在获取到目标信息后,执行主体还可以进一步执行图2中未示出的以下至少一个步骤:删除文本信息中的符号,对删除符号后的文本信息进行分词;将图片信息的格式信息修改为预设的格式信息;将图片信息中的尺寸信息调整为预设的尺寸信息。
本实现方式中,执行主体可以对目标信息中的图片和文字分别进行处理。具体的,执行主体可以将文本中的符号删除,上述符号可以包括表情符号、标点符号等非汉字符号。然后对删除符号后的文本进行分词。执行主体还可以修改图片的格式和/或尺寸,使得修改后图片的格式为预设图片格式,尺寸为预设尺寸。
步骤202,根据预先建立的图文相关判断模型,确定目标信息中的图片信息与文本信息是否相关。
本实施例中,执行主体可以利用预先建立的图文相关判断模型,来确定目标信息中的图片信息与文本信息是否相关。其中,图文相关判断模型用于判断图片信息和文本信息是否相关。图文相关判断模型可以是各种能够判断图片信息和文本信息相关的算法,如神经网络。可以理解的是,图文相关判断模型还可以是多个神经网络的组合。
步骤203,输出判断结果。
执行主体在利用图文相关判断模型得到目标信息中的图片信息与文本信息是否相关的判断结果后,可以将判断结果输出。并可以根据判断结果进行进一步处理。例如,如果判断结果为图片信息和文本信息相关,则将目标信息发布到feed流中。
在本实施例的一些可选的实现方式中,上述方法还可以进一步包括图2中未示出的以下步骤:响应于确定目标信息中图片信息与文本信息不相关,确定发布目标信息的用户的用户标识;向用户标识指示的用户所使用的终端发送预设的警示信息。
本实现方式中,用户可以通过应用程序或网页发布目标信息,即输入图片信息和文本信息。当执行主体确定用户输入的图片信息与文本信息不相关时,可以确定发布目标信息的用户的用户标识。此处,用户标识可以是指用户名、账号等标识信息。然后,执行主体可以向上述用户标识指示的用户所使用的终端发送预设的警示信息。上述警示信息用于警示用户其所发布的图片和标题不相关,不予发布。
在本实施例的一些可选的实现方式中,上述方法还可以进一步包括图2中未示出的以下步骤:响应于确定目标信息中图片信息与文本信息相关,确定发布目标信息的用户的用户标识;修改用户标识对应的参数。
本实现方式中,当执行主体确定用户输入的图片信息与文本信息相关时,也可以确定发布目标信息的用户的用户标识。然后修改上述用户标识对应的参数。此处,参数可以包括积分值、可提取金额值、等级值等等。执行主体可以通过本实现方式中的方法来实现对图文相关的用户的奖励。
继续参见图3,图3是根据本实施例的用于输出信息的方法的一个应用场景的示意图。在图3的应用场景中,用户通过终端在应用程序中输入标题“花开了”,并添加一张手势的图片。用户在输入完成后,点击“发表”按钮。服务器(图中未示出)在后台接收到用户输入的标题和图片,并判断标题和图片是否相关。在确定标题和图片不相关时,向用户返回警示消息“您发送的标题和图片不相关”,以提示用户修改标题或图片。
本申请的上述实施例提供的用于输出信息的方法,首先可以获取目标信息。目标信息中包括图片信息和文本信息。然后,根据预先建立的图文相关判断模型来确定目标信息中的图片信息和文本信息是否相关。其中,图文相关判断模型用于判断图片信息和文本信息是否相关。最后,输出判断结果。本实施例的方法,可以判断信息中的图片信息和文本信息是否相关,可应用于提高feed流中内容的质量。
继续参见图4,其示出了根据本申请的用于输出信息的方法中确定目标信息中图片信息和文本信息是否相关的流程400。如图4所示,本实施例的方法,包括以下步骤:
步骤401,提取图片信息和文本信息的特征,得到第一特征向量和第二特征向量。
本实施例中,图文相关判断模型可以包括多个部分。其中,第一部分用于提取图片信息和文本信息的特征,得到第一特征向量和第二特征向量。其中,第一特征向量对应图片信息,第二特征向量对应文本信息。具体的,第一部分中可以包括用于提取图片特征的各种算法,还可以包括用于将文字转化为向量的算法。
在本实施例的一些可选的实现方式中,标题包括至少一个字符。上述步骤401可以进一步包括图4中未示出的以下步骤:提取至少一个字符的特征,得到至少一个第三特征向量;提取得到的至少一个第三特征向量的特征,得到第二特征向量。
本实现方式中,执行主体可以利用图文相关判断模型提取标题中每个字符的特征,得到各字符的第三特征向量。然后继续提取各第三特征向量的特征,得到第二特征向量。具体的,执行主体可以利用Word2vec算法(至少一个用来产生词向量的相关模型),通过查找字典的方法,把字符化成向量。相比于传统的独立编码(one-hot)方法,word2vec得到的字向量更具有表征能力,更加正确地捕捉词的语义。然后,执行主体可以利用双向LSTM(Long Short-Term Memory)网络提取各第三特征向量的特征,来得到第二特征向量。LSTM网络是长短期记忆网络,是一种时间递归神经网络,适合于处理和预测时间序列中间隔和延迟相对较长的重要事件,具有强大的处理能力,可以抽取文本的关键语义,并遗忘掉无关的词。
在本实施例的一些可选的实现方式中,上述步骤401可以进一步包括图4中未示出的以下步骤:提取图片信息的特征,得到至少一个特征图;提取至少一个特征图的特征,得到与图片信息对应的第一特征向量。
本实现方式中,执行主体可以利用图文相关判断模型提取图片信息的特征,得到至少一个特征图。然后,继续提取各特征图的特征,得到与图片对应的第二特征向量。具体的,执行主体可以利用预训练好的VGG16网络来提取图片的特征,得到至少一个特征图。VGG16网络是视觉几何组(Visual Geometry Group)开发的卷积神经网络结构,该深度学习神经网络赢得了ILSVR(ImageNet)2014的冠军。相比于传统的人工定义的图片特征抽取器,VGG16网络可以更高效率地抽取特征,降低人工成本,而且VGG16网络具有强大的表征能力,抽取的图片特征更具有区分性。然后,执行主体可以利用卷积神经网络CNN来进一步提取各特征图的特征,得到第一特征向量。CNN更适合于图片特征处理,具有位置不变性和旋转不变性。
本实现方式中,通过对图片信息和文字信息进行二次特征提取,可以得到更具有区分性的特征。举例来说,文字信息“鼠标同学”中包括两个词“鼠标”和“同学”。在第一次特征提取时,可以得到“鼠标”的第三特征向量和“同学”的第三特征向量。其中,“鼠标”的第三特征向量用于表示“鼠标”是一种计算机的输入设备。而通过对“鼠标同学”进行第二次特征提取,得到第二特征向量,则第二特征向量用于表示“鼠标”是一位同学的名字。
步骤402,对第一特征向量以及第二特征向量进行处理,使得处理后的第一特征向量和第二特征向量的长度相同。
在得到第一特征向量和第二特征向量后,执行主体可以利用图文相关判断模型对第一特征向量以及第二特征向量进行处理,使得处理后的第一特征向量和第二特征向量的长度相同。具体的,执行主体可以利用稠密层(dense layer)来对第一特征向量以及第二特征向量进行降维处理,以使得处理后,第一特征向量和第二特征向量的长度(即维度)相同。
可以理解的是,第一特征向量与第二特征向量的维度可能不同,即可能存在第一特征向量的维度远大于第二特征向量的维度的情况。这种情况可能导致图文相关判断结果错误。本实施例中,通过统一第一特征向量和第二特征向量的维度,来提高判断的准确度。
步骤403,拼接处理后的第一特征向量和处理后的第二特征向量,得到拼接向量。
在对第一特征向量以及第二特征向量处理后,执行主体可以利用图文相关判断模型拼接处理后的第一特征向量和处理后的第二特征向量,得到拼接向量。
步骤404,根据拼接向量,确定目标信息中的图片信息与文本信息是否相关。
在得到拼接向量后,执行主体可以将拼接向量输入二分类模型。根据二分类模型的输出结果,来确定目标信息中的图片信息与文本信息是否相关。上述二分类模型的输入为拼接向量,输出可以是两个节点,其中一个节点表示图片信息与文本信息相关,另一个节点表示图片信息与文本信息不相关。具体的,上述二分类模型可以是二分类算法,也可以是全连接层(softmax层)。
图5示出了本实施例的图文相关判断模型的结构图。如图5所示,图文相关判断模型包括对文字进行处理的部分和对图片进行处理的部分。对文字处理的部分可以得到目标信息中文本信息对应的向量,对图片处理的部分可以得到目标信息中图片信息对应的向量。然后,两个部分都利用稠密层将向量的长度统一。并将长度相同的向量进行拼接,最后输入全连接层,得到判断结果。
在本实施例的一些可选的实现方式中,上述图文相关判断模型可以通过图4中未示出的以下步骤训练得到:获取训练样本集合,其中,训练样本包括样本图片信息、样本文本信息以及样本图片信息与样本文本信息是否相关的标注结果;将训练样本集合中的样本图片信息和样本文本信息作为输入,将所输入的样本图片信息与所输入的样本文本信息是否相关的标注结果作为期望输出,训练得到图文相关判断模型。
本实现方式中,执行主体可以首先获取训练样本集合。其中,训练样本包括样本图片信息、样本文本信息以及样本图片信息与样本文本信息是否相关的标注结果。可以理解的是,上述样本图片的格式可以是预设图片格式,上述样本图片的尺寸可以是预设尺寸。上述样本文本可以是不包括符号的文本,上述符号包括但不限于表情符号、标点符号等非汉字符号。执行主体可以将训练样本集合中的样本图片信息和样本文本信息作为输入,将所输入的样本图片信息与所输入的样本文本信息是否相关的标注结果作为期望输出,训练得到图文相关判断模型。
本申请的上述实施例提供的用于输出信息的方法,可以利用深度学习的方法,分别提取文字和图片的特征,并根据提取的特征来判断二者是否相关,从而实现对图文相关性的自动评估。
进一步参考图6,作为对上述各图所示方法的实现,本申请提供了一种用于输出信息的装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图6所示,本实施例的用于输出信息的装置600包括:获取单元601、判断单元602和输出单元603。
获取单元601,被配置成获取目标信息。其中,目标信息包括图片信息与文本信息。
判断单元602,被配置成根据预先建立的图文相关判断模型,确定所述目标信息中的图片信息和文本信息是否相关。其中,图文相关判断模型用于判断图片信息和文本信息是否相关。
输出单元603,被配置成输出判断结果。
在本实施例的一些可选的实现方式中,判断单元602可以进一步包括图6中未示出的:特征提取模块、向量处理模块、向量拼接模块和判断模块。
特征提取模块,被配置成提取所述图片信息和文本信息的特征,得到第一特征向量和第二特征向量。其中,第一特征向量对应图片信息,第二特征向量对应文本信息。
向量处理模块,被配置成对第一特征向量以及第二特征向量进行处理,使得处理后的第一特征向量和第二特征向量的长度相同。
向量拼接模块,被配置成拼接处理后的第一特征向量和处理后的第二特征向量,得到拼接向量。
判断模块,被配置成根据拼接向量,确定目标信息中的图片信息和所述文本信息是否相关。
在本实施例的一些可选的实现方式中,标题包括至少一个字符。特征提取模块可以进一步被配置成:提取至少一个字符的特征,得到至少一个第三特征向量;提取得到的至少一个第三特征向量的特征,得到第二特征向量。
在本实施例的一些可选的实现方式中,特征提取模块可以进一步被配置成:提取图片信息的特征,得到至少一个特征图;提取至少一个特征图的特征,得到第一特征向量。
在本实施例的一些可选的实现方式中,装置600还可以进一步包括图6中未示出的处理单元,被配置成执行以下至少一项:删除文本信息中的符号,对删除符号后的文本信息进行分词;将图片信息的格式信息修改为预设的格式信息;将图片信息中的尺寸信息调整为预设的尺寸信息。
在本实施例的一些可选的实现方式中,装置600还可以进一步包括图6中未示出的发送单元,被配置成:响应于确定目标信息中图片信息和文本信息不相关,确定发布目标信息的用户的用户标识;向用户标识指示的用户所使用的终端发送预设的警示信息。
在本实施例的一些可选的实现方式中,装置600还可以进一步包括图6中未示出的训练单元,被配置成:获取训练样本集合,其中,训练样本包括样本图片信息、样本文本信息以及样本图片信息与样本文本信息是否相关的标注结果;将训练样本集合中的样本图片信息和样本文本信息作为输入,将所输入的样本图片信息与所输入的样本文本信息是否相关的标注结果作为期望输出,训练得到图文相关判断模型。
应当理解,用于输出信息的装置600中记载的单元601至单元603分别与参考图2中描述的方法中的各个步骤相对应。由此,上文针对用于输出信息的方法描述的操作和特征同样适用于装置600及其中包含的单元,在此不再赘述。
下面参考图7,其示出了适于用来实现本公开的实施例的电子设备(例如图1中的服务器105)700的结构示意图。图7示出的服务器仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图7所示,电子设备700可以包括处理装置(例如中央处理器、图形处理器等)701,其可以根据存储在只读存储器(ROM)702中的程序或者从存储装置708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中,还存储有电子设备700操作所需的各种程序和数据。处理装置701、ROM 702以及RAM703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
通常,以下装置可以连接至I/O接口705:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置706;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置707;包括例如磁带、硬盘等的存储装置708;以及通信装置709。通信装置709可以允许电子设备700与其他设备进行无线或有线通信以交换数据。虽然图7示出了具有各种装置的电子设备700,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图7中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置709从网络上被下载和安装,或者从存储装置708被安装,或者从ROM 702被安装。在该计算机程序被处理装置701执行时,执行本公开的实施例的方法中限定的上述功能。需要说明的是,本公开的实施例所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本公开的实施例中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取目标信息,其中,目标信息包括图片信息与文本信息;根据预先建立的图文相关判断模型,确定目标信息中的图片信息和文本信息是否相关,其中,图文相关判断模型用于判断图片信息和文本信息是否相关;输出判断结果。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的实施例的操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括获取单元、判断单元和输出单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,获取单元还可以被描述为“获取目标信息的单元”。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开的实施例中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种用于输出信息的方法,包括:
获取目标信息,其中,所述目标信息包括图片信息与文本信息;
根据预先建立的图文相关判断模型,确定所述目标信息中的图片信息与文本信息是否相关,其中,所述图文相关判断模型用于判断图片信息和文本信息是否相关,其中,所述图文相关判断模型包括对文字进行处理的部分和对图片进行处理的部分,所述对文字处理的部分用于得到目标信息中文本信息对应的向量,对图片处理的部分用于得到目标信息中图片信息对应的向量;
输出判断结果;
所述根据预先建立的图文相关判断模型,确定所述目标信息中的图片信息与文本信息是否相关,包括:
提取所述图片信息和所述文本信息的特征,得到第一特征向量和第二特征向量,其中,所述第一特征向量对应所述图片信息,所述第二特征向量对应所述文本信息,所述第一特征向量和所述第二特征向量通过二次特征提取得到;
对所述第一特征向量以及所述第二特征向量进行处理,使得处理后的第一特征向量和第二特征向量的长度相同;
拼接处理后的第一特征向量和处理后的第二特征向量,得到拼接向量;
根据所述拼接向量以及二分类模型,确定所述目标信息中的图片信息与文本信息是否相关,
其中,所述文本信息包括至少一个字符;以及所述提取所述图片信息和所述文本信息的特征,得到第一特征向量和第二特征向量,包括:
利用word2vec算法提取所述至少一个字符的特征,得到至少一个第三特征向量;
提取得到的至少一个第三特征向量的特征,得到所述第二特征向量;
利用预训练好的VGG16网络提取所述图片信息的特征,得到至少一个特征图;
提取所述至少一个特征图的特征,得到所述第一特征向量;
其中,所述方法还包括:
响应于确定所述目标信息中图片信息与文本信息相关,确定发布所述目标信息的用户的用户标识;
修改所述用户标识对应的参数。
2.根据权利要求1所述的方法,其中,所述方法还包括以下至少一项:
删除所述文本信息中的符号,对删除符号后的文本信息进行分词;
将所述图片信息的格式信息修改为预设的格式信息;
将所述图片信息中的尺寸信息调整为预设的尺寸信息。
3.根据权利要求1所述的方法,其中,所述方法还包括:
响应于确定所述目标信息中图片信息与文本信息不相关,确定发布所述目标信息的用户的用户标识;
向所述用户标识指示的用户所使用的终端发送预设的警示信息。
4.根据权利要求1-3之一所述的方法,其中,所述图文相关判断模型通过以下步骤训练得到:
获取训练样本集合,其中,训练样本包括样本图片信息、样本文本信息以及样本图片信息与样本文本信息是否相关的标注结果;
将所述训练样本集合中的样本图片信息和样本文本信息作为输入,将所输入的样本图片信息与所输入的样本文本信息是否相关的标注结果作为期望输出,训练得到所述图文相关判断模型。
5.一种用于输出信息的装置,包括:
获取单元,被配置成获取目标信息,其中,所述目标信息包括图片信息与文本信息;
判断单元,被配置成根据预先建立的图文相关判断模型,确定所述目标信息中的图片信息与文本信息是否相关,其中,所述图文相关判断模型用于判断图片信息和文本信息是否相关,其中,所述图文相关判断模型包括对文字进行处理的部分和对图片进行处理的部分,所述对文字处理的部分用于得到目标信息中文本信息对应的向量,对图片处理的部分用于得到目标信息中图片信息对应的向量;
输出单元,被配置成输出判断结果;
所述判断单元包括:
特征提取模块,被配置成提取所述图片和所述文本信息的特征,得到第一特征向量和第二特征向量,其中,所述第一特征向量对应所述图片信息,所述第二特征向量对应所述文本信息,所述第一特征向量和所述第二特征向量通过二次特征提取得到;
向量处理模块,被配置成对所述第一特征向量以及所述第二特征向量进行处理,使得处理后的第一特征向量和第二特征向量的长度相同;
向量拼接模块,被配置成拼接处理后的第一特征向量和处理后的第二特征向量,得到拼接向量;
判断模块,被配置成根据所述拼接向量以及二分类模型,确定所述目标信息中的图片信息与文本信息是否相关,
其中,所述文本信息包括至少一个字符;以及所述特征提取模块进一步被配置成:
利用word2vec算法提取所述至少一个字符的特征,得到至少一个第三特征向量;
提取得到的至少一个第三特征向量的特征,得到所述第二特征向量;
利用预训练好的VGG16网络提取所述图片信息的特征,得到至少一个特征图;
提取所述至少一个特征图的特征,得到所述第一特征向量;
其中,所述装置进一步被配置成:
响应于确定所述目标信息中图片信息与文本信息相关,确定发布所述目标信息的用户的用户标识;
修改所述用户标识对应的参数。
6.根据权利要求5所述的装置,其中,所述装置还包括处理单元,被配置成执行以下至少一项:
删除所述文本信息中的符号,对删除符号后的文本信息进行分词;
将所述图片信息的格式信息修改为预设的格式信息;
将所述图片信息中的尺寸信息调整为预设的尺寸信息。
7.根据权利要求5所述的装置,其中,所述装置还包括发送单元,被配置成:
响应于确定所述目标信息中图片信息与文本信息不相关,确定发布所述目标信息的用户的用户标识;
向所述用户标识指示的用户所使用的终端发送预设的警示信息。
8.根据权利要求5-7之一所述的装置,其中,所述装置还包括训练单元,被配置成:
获取训练样本集合,其中,训练样本包括样本图片信息、样本文本信息以及样本图片信息与样本文本信息是否相关的标注结果;
将所述训练样本集合中的样本图片信息和样本文本信息作为输入,将所输入的样本图片信息与所输入的样本文本信息是否相关的标注结果作为期望输出,训练得到所述图文相关判断模型。
9.一种服务器,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-4中任一所述的方法。
10.一种计算机可读介质,其上存储有计算机程序,其中,该程序被处理器执行时实现如权利要求1-4中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910251157.4A CN109947526B (zh) | 2019-03-29 | 2019-03-29 | 用于输出信息的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910251157.4A CN109947526B (zh) | 2019-03-29 | 2019-03-29 | 用于输出信息的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109947526A CN109947526A (zh) | 2019-06-28 |
CN109947526B true CN109947526B (zh) | 2023-04-11 |
Family
ID=67012917
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910251157.4A Active CN109947526B (zh) | 2019-03-29 | 2019-03-29 | 用于输出信息的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109947526B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112529986B (zh) * | 2019-09-19 | 2023-09-22 | 百度在线网络技术(北京)有限公司 | 图文相关性的计算模型建立方法、计算方法及装置 |
CN111311554B (zh) * | 2020-01-21 | 2023-09-01 | 腾讯科技(深圳)有限公司 | 图文内容的内容质量确定方法、装置、设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107330081A (zh) * | 2017-07-03 | 2017-11-07 | 深圳市比量科技传媒有限公司 | 一种信息特征提取方法 |
CN107577763A (zh) * | 2017-09-04 | 2018-01-12 | 北京京东尚科信息技术有限公司 | 检索方法和装置 |
CN107683469A (zh) * | 2015-12-30 | 2018-02-09 | 中国科学院深圳先进技术研究院 | 一种基于深度学习的产品分类方法及装置 |
CN107748779A (zh) * | 2017-10-20 | 2018-03-02 | 百度在线网络技术(北京)有限公司 | 信息生成方法和装置 |
KR20180072534A (ko) * | 2016-12-21 | 2018-06-29 | 삼성전자주식회사 | 텍스트와 연관된 이미지 제공 방법 및 이를 위한 전자 장치 |
CN108898639A (zh) * | 2018-05-30 | 2018-11-27 | 湖北工业大学 | 一种图像描述方法及*** |
CN109472028A (zh) * | 2018-10-31 | 2019-03-15 | 北京字节跳动网络技术有限公司 | 用于生成信息的方法和装置 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105005616B (zh) * | 2015-07-20 | 2018-05-29 | 清华大学 | 基于文本图片特征交互扩充的文本图解方法及*** |
US10579902B2 (en) * | 2016-12-21 | 2020-03-03 | Samsung Electronics Co., Ltd. | Method and electronic device for providing text-related image |
CN106844685B (zh) * | 2017-01-26 | 2020-07-28 | 百度在线网络技术(北京)有限公司 | 用于识别网站的方法、装置及服务器 |
CN110599557B (zh) * | 2017-08-30 | 2022-11-18 | 深圳市腾讯计算机***有限公司 | 图像描述生成方法、模型训练方法、设备和存储介质 |
CN108182472A (zh) * | 2018-01-30 | 2018-06-19 | 百度在线网络技术(北京)有限公司 | 用于生成信息的方法和装置 |
CN108764226B (zh) * | 2018-04-13 | 2022-05-03 | 顺丰科技有限公司 | 图像文本识别方法、装置、设备及其存储介质 |
-
2019
- 2019-03-29 CN CN201910251157.4A patent/CN109947526B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107683469A (zh) * | 2015-12-30 | 2018-02-09 | 中国科学院深圳先进技术研究院 | 一种基于深度学习的产品分类方法及装置 |
KR20180072534A (ko) * | 2016-12-21 | 2018-06-29 | 삼성전자주식회사 | 텍스트와 연관된 이미지 제공 방법 및 이를 위한 전자 장치 |
CN107330081A (zh) * | 2017-07-03 | 2017-11-07 | 深圳市比量科技传媒有限公司 | 一种信息特征提取方法 |
CN107577763A (zh) * | 2017-09-04 | 2018-01-12 | 北京京东尚科信息技术有限公司 | 检索方法和装置 |
CN107748779A (zh) * | 2017-10-20 | 2018-03-02 | 百度在线网络技术(北京)有限公司 | 信息生成方法和装置 |
CN108898639A (zh) * | 2018-05-30 | 2018-11-27 | 湖北工业大学 | 一种图像描述方法及*** |
CN109472028A (zh) * | 2018-10-31 | 2019-03-15 | 北京字节跳动网络技术有限公司 | 用于生成信息的方法和装置 |
Non-Patent Citations (2)
Title |
---|
万文兵 ; .基于主题型页面的正文信息抽取技术研究.计算机光盘软件与应用.2015,(第01期),第15-16页. * |
李雪蕾 等."一种基于向量空间模型的文本分类方法".《计算机工程》.2003,第29卷(第17期),第90-92页. * |
Also Published As
Publication number | Publication date |
---|---|
CN109947526A (zh) | 2019-06-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109460513B (zh) | 用于生成点击率预测模型的方法和装置 | |
CN107679211B (zh) | 用于推送信息的方法和装置 | |
CN107622135B (zh) | 用于显示信息的方法和装置 | |
CN109308490B (zh) | 用于生成信息的方法和装置 | |
CN109740018B (zh) | 用于生成视频标签模型的方法和装置 | |
CN107577807B (zh) | 用于推送信息的方法和装置 | |
CN109857908B (zh) | 用于匹配视频的方法和装置 | |
CN107731229B (zh) | 用于识别语音的方法和装置 | |
CN109947989B (zh) | 用于处理视频的方法和装置 | |
CN109961032B (zh) | 用于生成分类模型的方法和装置 | |
CN109933217B (zh) | 用于推送语句的方法和装置 | |
CN111625308B (zh) | 一种信息展示方法、装置和电子设备 | |
CN109873756B (zh) | 用于发送信息的方法和装置 | |
US20180248830A1 (en) | Methods for generating message notifications | |
CN113157153A (zh) | 内容分享方法、装置、电子设备及计算机可读存储介质 | |
US20200050906A1 (en) | Dynamic contextual data capture | |
CN111598006A (zh) | 用于标注对象的方法和装置 | |
WO2024099171A1 (zh) | 视频生成方法和装置 | |
CN114565476A (zh) | 信息处理方法、装置、终端和存储介质 | |
CN114443897A (zh) | 一种视频推荐方法、装置、电子设备和存储介质 | |
CN109947526B (zh) | 用于输出信息的方法和装置 | |
CN109816023B (zh) | 用于生成图片标签模型的方法和装置 | |
CN110008926B (zh) | 用于识别年龄的方法和装置 | |
CN112532507A (zh) | 用于呈现表情图像、用于发送表情图像的方法和设备 | |
CN114417782A (zh) | 展示方法、装置和电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |