CN111324755A - 标签确定方法、装置、电子设备及存储介质 - Google Patents
标签确定方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111324755A CN111324755A CN202010112968.9A CN202010112968A CN111324755A CN 111324755 A CN111324755 A CN 111324755A CN 202010112968 A CN202010112968 A CN 202010112968A CN 111324755 A CN111324755 A CN 111324755A
- Authority
- CN
- China
- Prior art keywords
- work
- label
- work set
- user
- target
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/40—Information retrieval; Database structures therefor; File system structures therefor of multimedia data, e.g. slideshows comprising image and additional audio data
- G06F16/45—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/40—Information retrieval; Database structures therefor; File system structures therefor of multimedia data, e.g. slideshows comprising image and additional audio data
- G06F16/48—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/483—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Library & Information Science (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开关于一种标签确定方法、装置、电子设备及存储介质。该标签确定方法包括:获取用户账号对应的第一作品集,以及提取第一作品集中的第一作品的平均特征;其中,第一作品集中的第一作品为用户账号对应的代表作品;获取目标作品,并提取目标作品的特征;计算目标作品的特征与平均特征之间的特征差值;获取用户账号对应的用户画像标签,将用户画像标签确定为特征差值小于预设阈值的目标作品的标签。根据本公开的实施例,当特征差值小于预设阈值时,将用户账号对应的用户画像标签,确定为相应目标作品的标签,可以避免直接将用户画像标签确定为目标作品的标签造成的目标作品与标签不适用的现象,保证目标作品的内容与对应的标签的一致性。
Description
技术领域
本公开涉及互联网技术领域,尤其涉及一种标签确定方法、装置、电子设备及存储介质。
背景技术
随着互联网技术的发展以及人们对文化艺术的大量需求,人们通过创作视频来分享生活的热情得到了前所未有的发展,短视频和各种图像作品的观看逐渐成为了人们日常接受信息的重要途径之一。对用户上传的作品进行标签确定,是进行用户、作品推荐和广告宣传的重要基础。传统作品标签确定方法一般是对上传的作品进行简单筛选,然后直接将用户画像确定为该用户上传作品的标签。
然而,同一用户上传的作品的内容并不会完全一致,简单筛选后直接将用户画像确定为该用户作品的标签,往往会将不适合作品的标签赋予相应的作品,导致部分作品标签与内容严重不一致。
发明内容
本公开提供一种标签确定方法、装置、电子设备及存储介质,以至少解决相关技术中作品标签与内容严重不一致的问题。本公开的技术方案如下:
根据本公开实施例的第一方面,提供一种标签确定方法,包括:
获取用户账号对应的第一作品集,以及提取所述第一作品集中的第一作品的平均特征;其中,所述第一作品集中的第一作品为所述用户账号对应的代表作品;
获取目标作品,并提取所述目标作品的特征;
计算所述目标作品的特征与所述平均特征之间的特征差值;
获取所述用户账号对应的用户画像标签,将所述用户画像标签确定为所述特征差值小于预设阈值的目标作品的标签。
在一示例性实施例中,所述获取用户账号对应的第一作品集,之前包括:
获取所述第一作品集,并对所述第一作品集中的每一第一作品进行标注,得到第一标注信息;
将所述第一述标注信息确定为所述用户账号对应的用户画像标签。
在一示例性实施例中,所述获取用户账号对应的第一作品集,包括:
获取所述用户账号对应的第二作品集;其中,所述第二作品集中的第二作品为所述用户账号对应的作品;
根据所述第二作品集中的每一第二作品对应的播放量,对所述第二作品集进行筛选,得到第三作品集;
提取所述第三作品集中的每一第三作品的特征;
对所述第三作品的特征进行聚类,并根据聚类结果对所述第三作品集进行筛选,得到所述第一作品集。
在一示例性实施例中,所述根据所述第二作品集中的每一第二作品对应的播放量,对所述第二作品集进行筛选,得到第三作品集,包括:
根据所述第二作品集中的每一第二作品对应的播放量,计算所述第二作品集的平均播放量;
将所述播放量大于所述平均播放量的第二作品构成的集合,确定为所述第三作品集。
在一示例性实施例中,所述对所述第三作品的特征进行聚类,并根据聚类结果对所述第三作品集进行筛选,得到所述第一作品集,包括:
对所述第三作品的特征进行聚类,将密度最大的第三作品构成的集合确定为所述第一作品集。
在一示例性实施例中,所述提取所述第一作品集中的第一作品的平均特征,包括:
获取所述第一作品集中的每一第一作品的特征;
根据所述第一作品集中的每一第一作品的特征,计算所述第一作品集的平均特征。
在一示例性实施例中,所述获取所述用户账号对应的用户画像标签,将所述用户画像标签确定为所述特征差值小于预设阈值的目标作品的标签,之后包括:
对所述特征差值大于或等于所述预设阈值的目标作品进行标注,得到第二标注信息;
并将所述第二述标注信息确定为所述特征差值大于或等于所述预设阈值的目标作品的标签。
根据本公开实施例的第二方面,提供一种标签确定装置,包括:
用户作品集获取单元,被配置为执行获取用户账号对应的第一作品集,以及提取所述第一作品集中的第一作品的平均特征;其中,所述第一作品集中的第一作品为所述用户账号对应的代表作品;
目标作品获取单元,被配置为执行获取目标作品,并提取所述目标作品的特征;
特征差值确定单元,被配置为执行计算所述目标作品的特征与所述平均特征之间的特征差值;
标签确定单元,被配置为执行获取所述用户账号对应的用户画像标签,将所述用户画像标签确定为所述特征差值小于预设阈值的目标作品的标签。
在一示例性实施例中,所述标签确定装置还包括第一标注单元,被配置为执行:
获取所述第一作品集,并对所述第一作品集中的每一第一作品进行标注,得到第一标注信息;
将所述第一述标注信息确定为所述用户账号对应的用户画像标签。
在一示例性实施例中,所述用户作品集获取单元还用于执行:
获取所述用户账号对应的第二作品集;其中,所述第二作品集中的第二作品为所述用户账号对应的作品;
根据所述第二作品集中的每一第二作品对应的播放量,对所述第二作品集进行筛选,得到第三作品集;
提取所述第三作品集中的每一第三作品的特征;
对所述第三作品的特征进行聚类,并根据聚类结果对所述第三作品集进行筛选,得到所述第一作品集。
在一示例性实施例中,所述用户作品集获取单元还用于执行:
根据所述第二作品集中的每一第二作品对应的播放量,计算所述第二作品集的平均播放量;
将所述播放量大于所述平均播放量的第二作品构成的集合,确定为所述第三作品集。
在一示例性实施例中,所述用户作品集获取单元还用于执行:
对所述第三作品的特征进行聚类,将密度最大的第三作品构成的集合确定为所述第一作品集。
在一示例性实施例中,所述用户作品集获取单元还用于执行:
获取所述第一作品集中的每一第一作品的特征;
根据所述第一作品集中的每一第一作品的特征,计算所述第一作品集的平均特征。
在一示例性实施例中,所述标签确定装置还包括第二标注单元,被配置为执行:
对所述特征差值大于或等于所述预设阈值的目标作品进行标注,得到第二标注信息;
并将所述第二述标注信息确定为所述特征差值大于或等于所述预设阈值的目标作品的标签。根据本公开实施例的第三方面,提供一种电子设备,包括:
处理器;
用于存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述指令,以实现上述第一方面所述的标签确定方法。
根据本公开实施例的第四方面,提供一种存储介质,当所述存储介质中的指令由所述电子设备的处理器执行时,使得所述电子设备能够执行上述第一方面所述的标签确定方法。
本公开的实施例提供的技术方案至少带来以下有益效果:
通过获取用户账号对应的第一作品集,提取第一作品集中的第一作品的平均特征,并将该平均特征与目标作品的特征进行比较,得到目标作品的特征与平均特征之间的特征差值,特征差值越小,认为目标作品与第一作品集中的第一作品越相似,当特征差值小于预设阈值时,则获取用户账号对应的用户画像标签,并将用户画像标签确定为特征差值小于预设阈值的目标作品的标签。从而使得根据具体目标作品特征与第一作品集中的第一作品的平均特征之间的关系确定目标作品标签的方法,可以避免直接将用户画像确定为目标作品的标签造成的目标作品与标签不适用的现象,保证目标作品的内容与对应的标签的一致性。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,并不构成对本公开的不当限定。
图1是根据一示例性实施例示出的一种标签确定方法的流程图。
图2是根据一示例性实施例示出的步骤S100的一种可实施方式的流程图。
图3是根据一示例性实施例示出的步骤S120的一种可实施方式的流程图。
图4是根据一示例性实施例示出的步骤S400之后的一种可实施方式的流程图。
图5是根据一示例性实施例示出的一种标签确定装置的框图。
图6是根据一示例性实施例示出的一种用于标签确定的电子设备的框图。
图7是根据一示例性实施例示出的一种用于标签确定的装置的框图。
具体实施方式
为了使本领域普通人员更好地理解本公开的技术方案,下面将结合附图,对本公开实施例中的技术方案进行清楚、完整地描述。
需要说明的是,本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。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。
图1是根据一示例性实施例示出的一种标签确定方法的流程图,如图1所示,包括以下步骤:
在步骤S100中,获取用户账号对应的第一作品集,以及提取第一作品集中的第一作品的平均特征;其中,第一作品集中的第一作品为用户账号对应的代表作品。
在步骤S200中,获取目标作品,并提取目标作品的特征。
在步骤S300中,计算目标作品的特征与平均特征之间的特征差值。
在步骤S400中,获取用户账号对应的用户画像标签,将用户画像标签确定为特征差值小于预设阈值的目标作品的标签。
其中,代表作品是指能够最大限度代表相应用户特性的作品,并不是同一用户上传的所有作品都是该用户的代表作品,例如,该用户上传的大多数作品是关于美食的作品,但同时可能还会上传以人物或旅游风景为主要内容的作品,则相关以人物或旅游风景为主要内容的作品并不是该用户的代表作品。特征是指特定作品的内容的特性的组合,可以通过特定模型或网络进行提取。目标作品一般是指用相应户上传的标签待确定的作品,当然,目标作品也可以是其他用户上传的作品,此处不进行具体限定。用户画像是一种勾画目标用户、联系用户诉求与设计方向的有效工具,用户互相标签是与用户画像对应的标记信息,以上传短视频的用户为例,该用户为上传的作品大多为与美食有关的作品,则其用户画像标签一般为“美食”,而当某一用户上传的作品大多为与出行旅游有关的作品,则其用户画像标签一般为“旅游风景”,上述关于“美食”与“旅游风景”的描述仅为示例性说明,并不用于限定具体的标签。
具体地,从特定用户上传的作品中获取该用户的一定数量代表作品,并将该一定数量的代表作品构成的集合作为第一作品集,将一定数量的代表作品输入预设的特征提取模型或特征提取网络(也可以其他的特征提取方式,此处不对特征提取的具体当时进行限定)进行特征提取。并将提取到的特征进行加权平均,得到第一作品集中的第一作品的平均特征。在得到目标作品,并提取目标作品的特征后,对目标作品的特征与第一作品集中的第一作品的平均特征做差,得到目标作品的特征与第一作品集中的第一作品的平均特征之间的特征差值,当该特征差值越小时,说明目标作品的特征与第一作品集中的第一作品越相似,则将获取该用户账号对应的用户画像标签,并将对应的用户画像标签确定为目标作品的标签。例如,第一作品集中的第一作品均为美食类作品,目标作品的特征与第一作品集中的第一作品越相似,说明目标作品为美食类作品的可能性就越大,此时,将用户账号对应的用户画像标签(美食),确定为目标作品的标签。
上述标签确定方法,通过获取用户账号对应的第一作品集,提取第一作品集中的第一作品的平均特征,并将该平均特征与目标作品的特征进行比较,得到目标作品的特征与平均特征之间的特征差值,特征差值越小,认为目标作品与第一作品集中的第一作品越相似,当特征差值小于预设阈值时,则获取用户账号对应的用户画像标签,并将用户画像标签确定为特征差值小于预设阈值的目标作品的标签。从而使得根据具体目标作品特征与第一作品集中的第一作品的平均特征之间的关系确定目标作品标签的方法,可以避免直接将用户画像确定为目标作品的标签造成的目标作品与标签不适用的现象,保证目标作品的内容与对应的标签的一致性。
在一示例性实施例中,为步骤S100之前的一种可实施方式,其中,获取用户账号对应的第一作品集,之前包括:
获取第一作品集,并对第一作品集中的每一第一作品进行标注,得到第一标注信息;将第一述标注信息确定为用户账号对应的用户画像标签。
具体地,第一作品集中的第一作品为该用户对应的代表作品,对其代表作品进行第一标注后,可将得到的第一标注信息确定该用户账号的用户画像标签。例如,特定用户共上传了100个作品,其中90个作品都是关于美食的,则可将这90个作品都标为美食,并将该用户的用户画像确定为美食,其用户画像标签也为美食。
上述示例性实施例中,通过获取第一作品集,并对第一作品集中的每一第一作品进行标注,得到第一标注信息,将第一述标注信息确定为用户账号对应的用户画像标签,为后续对目标作品进行标签的确定提供数据基础,最终将与第一作品集中的第一作品的平均特征相近的目标作品的标签确定为用户画像标签。
图2是根据一示例性实施例示出的步骤S100的一种可实施方式的流程图,如图2所示,其中,获取用户账号对应的第一作品集,包括以下步骤:
在步骤S110中,获取用户账号对应的第二作品集;其中,第二作品集中的第二作品为用户账号对应的作品。
在步骤S120中,根据第二作品集中的每一第二作品对应的播放量,对第二作品集进行筛选,得到第三作品集。
在步骤S130中,提取第三作品集中的每一第三作品的特征。
在步骤S140中,对第三作品的特征进行聚类,并根据聚类结果对第三作品集进行筛选,得到第一作品集。
具体地,根据对应的用户账号,将该用户上传的所有作品构成的集合作为第二作品集,获取第二作品集中的每一第二作品对应的播放量,按照播放量的大小对第二作品集中的第二作品进行筛选,将筛选后的第二作品构成的集合作为第三作品集,将第三作品集中的第三作品输入特征提取模型或特征提取网络,进行特征提取,得到第三作品集中的每一第三作品的特征,并对第三作品的特征进行聚类。
可选地,对第三作品的特征进行聚类,将密度最大的第三作品构成的集合确定为第一作品集。
具体地,根据聚类结果对第三作品集进行筛选,将聚类密度最大的一组或多组第三作品构成的集合作为第一作品集。可选地,并不限定具体的聚类方法,例如,可以采用DBScan、K-means等方法对第三作品的特征进行聚类。
上述示例性实施例中,获取用户账号对应的第二作品集,其中,第二作品集中的第二作品为用户账号对应的作品,根据第二作品集中的每一第二作品对应的播放量,对第二作品集进行筛选,得到第三作品集,并提取第三作品集中的每一第三作品的特征,对第三作品的特征进行聚类,并根据聚类结果对第三作品集进行筛选,得到第一作品集的过程中,首先根据第二作品对应的播放量进行筛选,并对筛选后的作品的特征进行聚类,其中,聚类密度越大,说明相应作品的相似度越大,将相似度最大的一组或几组作品构成的集合作为第一作品集,能最大限度的反应用户上传作品的特性,可以避免直接将用户画像确定为目标作品的标签造成的目标作品与标签不适用的现象,保证目标作品的内容与对应的标签的一致性。
图3是根据一示例性实施例示出的步骤S120的一种可实施方式的流程图,如图3所示,其中,根据第二作品集中的每一第二作品对应的播放量,对第二作品集进行筛选,得到第三作品集,包括以下步骤:
在步骤S121中,根据第二作品集中的每一第二作品对应的播放量,计算第二作品集的平均播放量。
在步骤S122中,将播放量大于平均播放量的第二作品构成的集合,确定为第三作品集。
具体地,在得到第二作品集后,根据第二作品集中的每一第二作品对应的播放量,计算得到第二作品集的平均播放量。一般情况下,相应作品的播放量越大,其对应的作品的吸引力也就越大,内容也越丰富,更能代表相应用户的作品类型,对其进行推荐和广告宣传的价值也越大。因此,筛选播放量较大的作品更有益于后续根据目标作品的特征进行标签确定,基于此,将每一第二作品对应的播放量大于平均播放量的第二作品构成的集合,确定为第三作品集,为后续得到具有用户代表性的第一作品集提供数据基础。
上述示例性实施例中,根据第二作品集中的每一第二作品对应的播放量,计算第二作品集的平均播放量,并将播放量大于平均播放量的第二作品构成的集合,确定为第三作品集,为后续得到具有用户代表性的第一作品集提供数据基础,最终达到根据具体目标作品特征与第一作品集中的第一作品的平均特征之间的关系确定目标作品标签的目的。
在一示例性实施例中,为步骤S100的一种可实施方式,其中,提取第一作品集中的第一作品的平均特征,包括:
获取第一作品集中的每一第一作品的特征;根据第一作品集中的每一第一作品的特征,计算第一作品集的平均特征。
具体地,将第一作品集中的每一第一作品输入预设的特征提取模型或特征提取网络(也可以其他的特征提取方式,此处不对特征提取的具体当时进行限定)进行特征提取,并将提取到的特征进行加权平均,得到第一作品集中的第一作品的平均特征。
上述示例性实施例,通过获取第一作品集中的每一第一作品的特征;根据第一作品集中的每一第一作品的特征,计算第一作品集的平均特征,是得到的平均特征能更加综合性地反应相应用户的特征,避免直接将用户画像确定为目标作品的标签造成的目标作品与标签不适用的现象,保证目标作品的内容与对应的标签的一致性。
图4是根据一示例性实施例示出的步骤S400之后的一种可实施方式的流程图,如图4所示,其中,获取用户账号对应的用户画像标签,将用户画像标签确定为特征差值小于预设阈值的目标作品的标签,之后包括以下步骤:
在步骤S410中,对特征差值大于或等于预设阈值的目标作品进行标注,得到第二标注信息。
在步骤S420中,并将第二述标注信息确定为特征差值大于或等于预设阈值的目标作品的标签。
具体地,当特征差值大于或等于预设阈值时,说明目标作品与第一作品集中的第一作品的相似性越小,特征差值大于或等于预设阈值对应的目标作品与该用户的用户画像标签偏离的越大,则无法用该用户的用户画像标签对目标作品进行标注。此时,对目标作品进行标注,得到第二标注信息,并将第二述标注信息确定为目标作品的标签。例如,该用户的用户画像标签为“美食”,目标作品为旅游风景类的作品目标作品与第一作品集中的第一作品的相似性很小,其特征差值大于或等于预设阈值,则将目标作品重新标注(第二标注)为“旅游风景”,并将“旅游风景”作为特征差值大于或等于预设阈值的目标作品的标签。
上述示例性实施中,通过对特征差值大于或等于预设阈值的目标作品进行标注,得到第二标注信息,并将第二述标注信息确定为特征差值大于或等于预设阈值的目标作品的标签,能够在得到不同类型的用户作品后,根据具体目标作品特征与第一作品集中的第一作品的平均特征之间的关系确定目标作品标签,避免直接将用户画像确定为目标作品的标签造成的目标作品与标签不适用的现象,保证目标作品的内容与对应的标签的一致性,同时在得到与该用户的用户画像标签不一致的作品时,重新进行标注,并得到新的标签,可以丰富用户标签的种类,得到更为精准的标签。
在一个具体的示例性实施例中,包括用户画像确定和作品标签确定。
用户画像确定:对于一个拥有K个作品的用户,在任何UGC(用户生成内容,UserGenerated Content)平台,都可以获取该用户对应的作品的播放量,将每个作品的播放量记作viewk(k为正整数),通过计算这K个作品的平均播放量viewk avg,筛选出播放量大于viewk avg的M个作品,并使用modelori模型对这M个作品进行特征提取,并将提取到的特征记为featurem,使用密度聚类方法(例如DBScan),对featurem进行聚类,并用密度最高的一簇(或几簇)作为用户的代表作品,例如,得到N个代表作品,并将N个代表作品,交给标注人员,赋予其用户画像标签。
作品标签确定:对于任何一个拥有用户画像的用户,得到其最具代表性的N个作品作为特征提取模型modelori的输入数据,使用modelori对这N个作品提取特征,并记为featurei(i=1,2,3,……),统计N个特征计算其平均值avg_featurej(j代表不同的代表作品簇),计算方法如公式(1)所示:
对于目标作品,使用modelori提取其特征featurenew,并计算avg_feature与featurenew的cosine距离disatance,具体计算方法如公式(2)所示:
distance=cos(avg_feature,featurenew) (2)
最后通过与预设阈值(例如预设阈值为threshold=0.2)进行比较,判断目标作品的标签是否与用户画像标签相对应,具体如公式(3)所示:
其中,label为目标作品的标签,Drop表示目标作品的标签为其他标签,Neep表示目标作品的标签与用户画像标签相对应。
上述示例性实施例中,根据具体目标作品特征与N个作品的平均特征之间的关系确定目标作品标签的方法,可以避免直接将用户画像确定为目标作品的标签造成的目标作品与标签不适用的现象,保证目标作品的内容与对应的标签的一致性。
图5是根据一示例性实施例示出的一种标签确定装置框图。参照图5,该装置包括用户作品集获取单元501、目标作品获取单元502、特征差值确定单元503、标签确定单元504。
用户作品集获取单元501,被配置为执行获取用户账号对应的第一作品集,以及提取第一作品集中的第一作品的平均特征;其中,第一作品集中的第一作品为用户账号对应的代表作品;
目标作品获取单元502,被配置为执行获取目标作品,并提取目标作品的特征;
特征差值确定单元503,被配置为执行计算目标作品的特征与平均特征之间的特征差值;
标签确定单元504,被配置为执行获取用户账号对应的用户画像标签,将用户画像标签确定为特征差值小于预设阈值的目标作品的标签。
关于上述实施例中的装置,其中各个单元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6是根据一示例性实施例示出的一种用于标签确定的电子设备600的框图。例如,设备600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6,设备600可以包括以下一个或多个组件:处理组件602,存储器604,电力组件606,多媒体组件608,音频组件610,输入/输出(I/O)的接口612,传感器组件614,以及通信组件616。
处理组件602通常控制设备600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602可以包括一个或多个处理器620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602可以包括一个或多个模块,便于处理组件602和其他组件之间的交互。例如,处理组件602可以包括多媒体模块,以方便多媒体组件608和处理组件602之间的交互。
存储器604被配置为存储各种类型的数据以支持在设备600的操作。这些数据的示例包括用于在设备600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604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606为设备600的各种组件提供电力。电源组件606可以包括电源管理***,一个或多个电源,及其他与为设备600生成、管理和分配电力相关联的组件。
多媒体组件608包括在设备600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608包括一个前置摄像头和/或后置摄像头。当设备600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***或具有焦距和光学变焦能力。
音频组件610被配置为输出和/或输入音频信号。例如,音频组件610包括一个麦克风(MIC),当设备600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604或经由通信组件616发送。在一些实施例中,音频组件610还包括一个扬声器,用于输出音频信号。
I/O接口612为处理组件602和***接口模块之间提供接口,上述***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614包括一个或多个传感器,用于为设备600提供各个方面的状态评估。例如,传感器组件614可以检测到设备600的打开/关闭状态,组件的相对定位,例如组件为设备600的显示器和小键盘,传感器组件614还可以检测设备600或设备600一个组件的位置改变,用户与设备600接触的存在或不存在,设备600方位或加速/减速和设备600的温度变化。传感器组件614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614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614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616被配置为便于设备600和其他设备之间有线或无线方式的通信。设备600可以接入基于通信标准的无线网络,如WiFi,运营商网络(如2G、3G、4G或5G),或它们的组合。在一个示例性实施例中,通信组件616经由广播信道接收来自外部广播管理***的广播信号或广播相关信息。在一个示例性实施例中,通信组件616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,设备600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存储介质,例如包括指令的存储器604,上述指令可由设备600的处理器620执行以完成上述方法。可选地,存储介质可以是非临时性计算机可读存储介质,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。
图7是根据一示例性实施例示出的一种用于标签确定的装置700的框图。例如,装置700可以被提供为一服务器。参照图7,装置700包括处理组件722,其进一步包括一个或多个处理器,以及由存储器732所代表的存储器资源,用于存储可由处理组件722的执行的指令,例如应用程序。存储器732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722被配置为执行指令,以执行上述标签确定方法。
装置700还可以包括一个电源组件726被配置为执行装置700的电源管理,一个有线或无线网络接口750被配置为将装置700连接到网络,和一个输入输出(I/O)接口750。装置700可以操作基于存储在存储器732的操作***,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发明后,将容易想到本公开的其它实施方案。本公开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 (10)
1.一种标签确定方法,其特征在于,包括:
获取用户账号对应的第一作品集,以及提取所述第一作品集中的第一作品的平均特征;其中,所述第一作品集中的第一作品为所述用户账号对应的代表作品;
获取目标作品,并提取所述目标作品的特征;
计算所述目标作品的特征与所述平均特征之间的特征差值;
获取所述用户账号对应的用户画像标签,将所述用户画像标签确定为所述特征差值小于预设阈值的目标作品的标签。
2.根据权利要求1所述的标签确定方法,其特征在于,所述获取用户账号对应的第一作品集,之前包括:
获取所述第一作品集,并对所述第一作品集中的每一第一作品进行标注,得到第一标注信息;
将所述第一述标注信息确定为所述用户账号对应的用户画像标签。
3.根据权利要求1所述的标签确定方法,其特征在于,所述获取用户账号对应的第一作品集,包括:
获取所述用户账号对应的第二作品集;其中,所述第二作品集中的第二作品为所述用户账号对应的作品;
根据所述第二作品集中的每一第二作品对应的播放量,对所述第二作品集进行筛选,得到第三作品集;
提取所述第三作品集中的每一第三作品的特征;
对所述第三作品的特征进行聚类,并根据聚类结果对所述第三作品集进行筛选,得到所述第一作品集。
4.根据权利要求3所述的标签确定方法,其特征在于,所述根据所述第二作品集中的每一第二作品对应的播放量,对所述第二作品集进行筛选,得到第三作品集,包括:
根据所述第二作品集中的每一第二作品对应的播放量,计算所述第二作品集的平均播放量;
将所述播放量大于所述平均播放量的第二作品构成的集合,确定为所述第三作品集。
5.根据权利要求3所述的标签确定方法,其特征在于,所述对所述第三作品的特征进行聚类,并根据聚类结果对所述第三作品集进行筛选,得到所述第一作品集,包括:
对所述第三作品的特征进行聚类,将密度最大的第三作品构成的集合确定为所述第一作品集。
6.根据权利要求1所述的标签确定方法,其特征在于,所述提取所述第一作品集中的第一作品的平均特征,包括:
获取所述第一作品集中的每一第一作品的特征;
根据所述第一作品集中的每一第一作品的特征,计算所述第一作品集的平均特征。
7.根据权利要求1所述的标签确定方法,其特征在于,所述获取所述用户账号对应的用户画像标签,将所述用户画像标签确定为所述特征差值小于预设阈值的目标作品的标签,之后包括:
对所述特征差值大于或等于所述预设阈值的目标作品进行标注,得到第二标注信息;
并将所述第二述标注信息确定为所述特征差值大于或等于所述预设阈值的目标作品的标签。
8.一种标签确定装置,其特征在于,包括:
用户作品集获取单元,被配置为执行获取用户账号对应的第一作品集,以及提取所述第一作品集中的第一作品的平均特征;其中,所述第一作品集中的第一作品为所述用户账号对应的代表作品;
目标作品获取单元,被配置为执行获取目标作品,并提取所述目标作品的特征;
特征差值确定单元,被配置为执行计算所述目标作品的特征与所述平均特征之间的特征差值;
标签确定单元,被配置为执行获取所述用户账号对应的用户画像标签,将所述用户画像标签确定为所述特征差值小于预设阈值的目标作品的标签。
9.一种电子设备,其特征在于,包括:
处理器;
用于存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述指令,以实现如权利要求1至7中任一项所述的标签确定方法。
10.一种存储介质,当所述存储介质中的指令由所述电子设备的处理器执行时,使得所述电子设备能够执行如权利要求1至7中任一项所述的标签确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010112968.9A CN111324755A (zh) | 2020-02-24 | 2020-02-24 | 标签确定方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010112968.9A CN111324755A (zh) | 2020-02-24 | 2020-02-24 | 标签确定方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111324755A true CN111324755A (zh) | 2020-06-23 |
Family
ID=71171219
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010112968.9A Pending CN111324755A (zh) | 2020-02-24 | 2020-02-24 | 标签确定方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111324755A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112667906A (zh) * | 2020-12-31 | 2021-04-16 | 上海众源网络有限公司 | 一种up主的推荐方法、装置及电子设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090228510A1 (en) * | 2008-03-04 | 2009-09-10 | Yahoo! Inc. | Generating congruous metadata for multimedia |
US20130283307A1 (en) * | 2012-04-18 | 2013-10-24 | Narb Avedissian | System and methods for providing user generated video reviews |
US20160328401A1 (en) * | 2015-05-05 | 2016-11-10 | Adobe Systems Incorporated | Method and apparatus for recommending hashtags |
CN109947964A (zh) * | 2019-04-02 | 2019-06-28 | 北京字节跳动网络技术有限公司 | 用于更新信息的方法和装置 |
CN110287375A (zh) * | 2019-05-30 | 2019-09-27 | 北京百度网讯科技有限公司 | 视频标签的确定方法、装置及服务器 |
-
2020
- 2020-02-24 CN CN202010112968.9A patent/CN111324755A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090228510A1 (en) * | 2008-03-04 | 2009-09-10 | Yahoo! Inc. | Generating congruous metadata for multimedia |
US20130283307A1 (en) * | 2012-04-18 | 2013-10-24 | Narb Avedissian | System and methods for providing user generated video reviews |
US20160328401A1 (en) * | 2015-05-05 | 2016-11-10 | Adobe Systems Incorporated | Method and apparatus for recommending hashtags |
CN109947964A (zh) * | 2019-04-02 | 2019-06-28 | 北京字节跳动网络技术有限公司 | 用于更新信息的方法和装置 |
CN110287375A (zh) * | 2019-05-30 | 2019-09-27 | 北京百度网讯科技有限公司 | 视频标签的确定方法、装置及服务器 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112667906A (zh) * | 2020-12-31 | 2021-04-16 | 上海众源网络有限公司 | 一种up主的推荐方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3179408B1 (en) | Picture processing method and apparatus, computer program and recording medium | |
EP3327590B1 (en) | Method and device for adjusting video playback position | |
CN105845124B (zh) | 音频处理方法及装置 | |
CN106331761A (zh) | 直播列表显示方法及装置 | |
CN109819288B (zh) | 广告投放视频的确定方法、装置、电子设备及存储介质 | |
CN107666536B (zh) | 一种寻找终端的方法和装置、一种用于寻找终端的装置 | |
CN107423386B (zh) | 生成电子卡片的方法及装置 | |
CN113099297B (zh) | 卡点视频的生成方法、装置、电子设备及存储介质 | |
CN109168062A (zh) | 视频播放的展示方法、装置、终端设备及存储介质 | |
CN109543066A (zh) | 视频推荐方法、装置和计算机可读存储介质 | |
CN107454204B (zh) | 用户信息标注方法及装置 | |
CN106777016B (zh) | 基于即时通信进行信息推荐的方法及装置 | |
CN104636453A (zh) | 非法用户资料识别方法及装置 | |
CN109543069B (zh) | 视频推荐方法、装置和计算机可读存储介质 | |
CN109670077A (zh) | 视频推荐方法、装置和计算机可读存储介质 | |
CN106547850B (zh) | 表情注释方法及装置 | |
CN112672208A (zh) | 视频播放方法、装置、电子设备、服务器及*** | |
CN105100193A (zh) | 云名片推荐方法及装置 | |
CN110019897B (zh) | 显示图片的方法及装置 | |
CN107801282A (zh) | 台灯、台灯控制方法及装置 | |
CN110941727A (zh) | 一种资源推荐方法、装置、电子设备及存储介质 | |
CN107454359B (zh) | 播放视频的方法及装置 | |
CN111526380B (zh) | 视频处理方法、装置、服务器、电子设备及存储介质 | |
CN111324755A (zh) | 标签确定方法、装置、电子设备及存储介质 | |
CN109145151B (zh) | 一种视频的情感分类获取方法及装置 |
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 |