CN111414494A - 一种多媒体作品的展示方法、装置、电子设备及存储介质 - Google Patents

Abstract

本公开实施例提供的一种多媒体作品的展示方法，通过剔除识别为图文作品的多媒体作品中的异常作品标签，从而避免了多媒体作品中作品标签与其本身内容不相符的现象，提高了多媒体作品中作品标签的准确性，使得用户可以根据标签可以获取到其所需的资源，提升了用户体验。

Description

一种多媒体作品的展示方法、装置、电子设备及存储介质

技术领域

本公开属于网络信息技术领域，特别是涉及一种多媒体作品的展示方法、装置、电子设备及存储介质。

背景技术

随着互联网的普及以及多媒体技术的发展，人们开始习惯通过播放多媒体作品来接收自身所需信息。

而提供多媒体作品的作者，通常会在生成和发布多媒体作品时，设置该多媒体作品的作品封面并添加一些与作品相关的文字标签，得到内容更为丰富的图文作品，来吸引其他用户点击播放。

但是，受限于作者自身的创作能力或者其他因素，作者在给图文作品所添加的标签时，常常会出现标签与作品内容不符的现象，使得其他用户无法依据作品标签来精准获取所需的图文作品，影响用户体验。

公开内容

本公开提供一种多媒体作品的展示方法、装置、电子设备及存储介质，以至少解决相关技术中图文作品的标签与其自身内容不相符的问题，

本公开的技术方案如下：

根据本公开实施例的第一方面，提供一种多媒体作品的展示方法，包括：

对待展示的目标多媒体作品进行识别，确定所述目标多媒体作品是否为图文作品；

在确定所述目标多媒体作品为图文作品的情况下，获取所述目标多媒体作品的候选作品标签；

从所述候选作品标签中，去除不符合预设展示条件的异常作品标签，得到目标作品标签，以通过所述目标作品标签展示所述目标多媒体作品。

可选的，所述预设展示条件包括所述候选作品标签与所述目标多媒体作品的作品内容相关，所述从所述候选作品标签中，去除不符合预设展示条件的异常作品标签，得到目标作品标签的步骤，包括：

将所述候选作品标签输入至标签识别模型进行识别，确定与所述图文作品之间内容无关的异常作品标签；

从所述候选作品标签中去除所述异常作品标签，得到目标作品标签。

可选的，所述预设的标签识别模型通过以下步骤预先训练得到：

从标签库中获取目标样本标签，所述目标样本标签是用于识别所述异常作品标签的验证样本标签；

基于预设的机器算法针对所述目标样本标签进行训练，得到预设的标签识别模型。

可选的，所述从标签库中获取目标样本标签的步骤，包括：

从标签库中获取预设数量的候选样本标签，所述标签库包括按照被使用频次进行降序排列的标签，所述候选样本标签是指排序靠前的标签；

获取所述候选样本标签对应的样本作品内容；

分别获取所述样本作品内容的内容特征向量，以及所述候选样本标签的标签特征向量；

获取所述标签特征向量与内容特征向量之间的相似度；

在所述相似度小于相似度阈值的情况下，将所述候选样本标签作为目标样本标签。

可选的，所述分别获取所述样本作品内容的内容特征向量，以及所述候选样本标签的标签特征向量的步骤，包括：

分别对所述候选样本标签以及对应的样本作品内容进行分词处理，得到样本标签分词以及样本内容分词；

分别去除所述样本标签分词以及所述样本内容分词中预设类型的无用分词，得到样本标签的标签特征向量以及内容特征向量，所述预设类型包括：副词类型、助词类型、符号类型中的至少一种。

可选的，所述基于预设的机器算法针对所述目标样本标签进行训练，得到预设的标签识别模型的步骤之后，还包括：

按照预设时间间隔周期性进入所述从标签库中获取目标样本标签的步骤，以对所述预设的标签识别模型进行更新。

可选的，所述对待展示的目标多媒体作品进行识别，确定所述目标多媒体作品是否为图文作品的步骤，包括：

获取待展示的目标多媒体作品中的特征图像帧，所述特征图像帧包括封面图像帧、关键图像帧中的一种；

将所述封面图像帧或关键图像帧输入至预设的图文识别模型中进行识别，确定所述目标多媒体作品是否为图文作品。

可选的，所述预设的图文识别模型是通过以下步骤预先训练得到：

获取样本作品，所述样本作品中预先标注有样本封面图像帧或样本关键图像帧；

基于神经网络算法针对所述样本封面图像帧或样本关键图像帧进行训练，得到预设的图文识别模型。

可选的，所述获取所述目标多媒体作品的候选作品标签的步骤，包括：

确定所述多媒体作品中的描述信息；

从所述描述信息中提取符合预设标签格式的信息，作为候选作品标签。

根据本公开实施例的第二方面，提供一种多媒体作品的展示装置，包括：

识别模块，被配置为对待展示的目标多媒体作品进行识别，确定所述目标多媒体作品是否为图文作品；

获取模块，被配置为在确定所述目标多媒体作品为图文作品的情况下，获取所述目标多媒体作品的候选作品标签；

展示模块，被配置为从所述候选作品标签中，去除不符合预设展示条件的异常作品标签，得到目标作品标签，以通过所述目标作品标签展示所述目标多媒体作品。

可选的，所述预设展示条件包括所述候选作品标签与所述目标多媒体作品的作品内容相关，展示模块，包括：

第一识别子模块，被配置为将所述候选作品标签输入至标签识别模型进行识别，确定与所述图文作品之间内容无关的异常作品标签；

筛选子模块，被配置为从所述候选作品标签中去除所述异常作品标签，得到目标作品标签。

可选的，所述预设的标签识别模型通过第一模型训练模块预先训练得到的，所述第一模型训练模块包括：

第一样本获取子模块，被配置为从标签库中获取目标样本标签，所述目标样本标签是用于识别所述异常作品标签的验证样本标签；

第一训练子模块，被配置为基于预设的机器算法针对所述目标样本标签进行训练，得到预设的标签识别模型。

可选的，所述第一样本获取子模块，包括：

第一样本获取单元，被配置为从标签库中获取预设数量的候选样本标签，所述标签库包括按照被使用频次进行降序排列的标签，所述候选样本标签是指排序靠前的标签；

第二样本获取单元，被配置为获取所述候选样本标签对应的样本作品内容；

第三样本获取单元，被配置为分别获取所述样本作品内容的内容特征向量，以及所述候选样本标签的标签特征向量；

第四样本获取单元，被配置为获取所述标签特征向量与内容特征向量之间的相似度；

第五样本获取单元，被配置为在所述相似度小于相似度阈值的情况下，将所述候选样本标签作为目标样本标签。

可选的，所述第三样本获取单元，包括：

第一处理子单元，被配置为分别对所述候选样本标签以及对应的样本作品内容进行分词处理，得到样本标签分词以及样本内容分词；

第二处理子单元，被配置为分别去除所述样本标签分词以及所述样本内容分词中预设类型的无用分词，得到样本标签的标签特征向量以及内容特征向量，所述预设类型包括：副词类型、助词类型、符号类型中的至少一种。

可选的，所述第一模型训练模块，还包括：

更新子模块，被配置为按照预设时间间隔周期性进入所述从标签库中获取目标样本标签的步骤，以对所述预设的标签识别模型进行更新。

可选的，所述识别模块，包括：

第一获取子模块，被配置为获取待展示的目标多媒体作品中的特征图像帧，所述特征图像帧包括封面图像帧、关键图像帧中的一种；

第二识别子模块，被配置为将所述封面图像帧或关键图像帧输入至预设的图文识别模型中进行识别，确定所述目标多媒体作品是否为图文作品。

可选的，所述预设的图文识别模型是通过第二模型训练模块预先训练得到，所述第二模型训练模块包括：

第二获取子模块，被配置为获取样本作品，所述样本作品中预先标注有样本封面图像帧或样本关键图像帧；

第二训练子模块，被配置为基于神经网络算法针对所述样本封面图像帧或样本关键图像帧进行训练，得到预设的图文识别模型。

可选的，所述获取模块，包括：

确定子模块，被配置为确定所述多媒体作品中的描述信息；

提取子模块，被配置为从所述描述信息中提取符合预设标签格式的信息，作为候选作品标签。

根据本公开实施例的第三方面，提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面任一所述的多媒体作品的展示方法。

根据本公开实施例的第四方面，提供一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现上述第一方面任一所述的多媒体作品的展示方法。

根据本公开实施例的第五方面，提供一种计算机程序产品，包括一条或多条指令，该一条或多条指令可以由电子设备的处理器执行时，使得电子设备能够执行所述的多媒体作品的展示方法。

本公开的实施例提供的技术方案至少带来以下有益效果：

本公开提供一种多媒体作品的展示方法、装置、电子设备及存储介质，通过剔除识别为图文作品的多媒体作品中的异常作品标签，从而避免了多媒体作品中作品标签与其本身内容不相符的现象，提高了多媒体作品中作品标签的准确性，使得用户可以根据标签可以获取到其所需的资源，提升了用户体验。

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，并与说明书一起被配置为解释本公开的原理，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多媒体作品的展示方法的流程图；

图2是根据一示例性实施例示出的另一种多媒体作品的展示方法的流程图；

图3是根据一示例性实施例示出的一种训练图文识别模块方法的流程图；

图4是根据一示例性实施例示出的一种训练标签识别模块方法的流程图；

图5是根据一示例性实施例示出的一种目标样本标签的获取方法的流程图；

图6是根据一示例性实施例示出的一种特征向量确定方法的流程图；

图7是根据一示例性实施例示出的一种多媒体作品的展示装置的框图；

图8是根据一示例性实施例示出的一种电子设备的结构框图。

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”等是被配置为区别类似的对象，而不必被配置为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是本公开实施例提供的一种多媒体作品的展示方法，所述方法包括：

步骤101，对待展示的目标多媒体作品进行识别，确定所述目标多媒体作品是否为图文作品。

在本公开实施例中，所述目标多媒体作品可以是提供作品的作者用户制作的不包含有任何描述信息的纯视频或图像，获取该目标多媒体作品的其他用户仅能通过自身理解了解该种多媒体作品的内容；所述目标多媒体作品还可以是作者用户制作的携带有相应的文字或语音描述信息，以向其他用户解释或传播其所表情的资源内容的视频或图像，针对这种包含有描述信息的图文作品，可以针对该描述信息确定该图文资源的实际内容。所述图文作品是指包含有文字和/或语音描述信息的视频或图像。

在多媒体资源平台向其他用户展示多媒体作品前，为保证待展示的目标多媒体作品中的图文作品所携带的作品标签与其本身内容相符，需要将该图文作品筛选出来，以对图文作品所携带的作品标签进行识别。

步骤102，在确定所述目标多媒体作品为图文作品的情况下，获取所述目标多媒体作品的候选作品标签。

在本公开实施例中，所述候选作品标签是指预先以预设标签格式添加到目标多媒体作品中的描述信息，用于描述该目标多媒体作品的内容。

通常多媒体资源平台中的多媒体作品在发布前，平台会要求作者用户给其需要发布的多媒体作品添加相应的作品标签，以体现该多媒体作品的内容主题，生成图文作品，便于多媒体资源平台根据其所添加的作品标签对该多媒体作品进行分类并提供给所需的其他用户。

步骤103，从所述候选作品标签中，去除不符合预设展示条件的异常作品标签，得到目标作品标签，以通过所述目标作品标签展示所述目标多媒体作品。

在本公开实施例中，所述异常作品标签是指其含义与目标多媒体作品的内容不相符的候选作品标签，具体的可通过设置预设展示条件识别该异常作品标签。通常。例如：多媒体资源平台中的会根据目标多媒体作品的播放量、激活量、互动次数给已该目标多媒体作品添加特定特定分类标签，从而给这些图文作品分配更多的推送量，但某些作者用户为了获得更多的推送资源，会私自向其发布的多媒体作品添加该特定分类标签，而该特征分类标签与该多媒体作品的内容不相关，此时可以将预设展示条件设置为候选作品标签是否为该特定分类标签，从而在候选作品标签为该特定分类标签的情况下，将该候选作品标签作为异常标签进行自动过滤掉候。

当然，所述预设展示条件还可以是将该候选作品标签与所述作品内容分别进行语料分析。首先去除其中的无从分词，从而可以获得该候选作品标签与作品内容中的关键分词；然后可通过给各分词进行加权，将候选作品标签与作品内容中权重最高的分词确定为相对应的特征词；最后可以通过对该候选作品标签与作品内容的特征向量进行比对，从而确定相应的相似度，若该相似度低于相似度阈值，则确定该候选作品标签为与所述作品内容不相符的异常作品标签。

具体的，该作品内容可包含多个候选作品标签，而作品内容的特征向量可以包含多个维度，因此若某一候选作品标签不为所述图文作品的异常作品标签，其与作品内容的特征向量之间肯定会存在一定的相似度，但相似度不会过高，因此该相似度阈值在设置时不应设置过高，只要能体现出候选作品标签与作品内容之间的相关联即可。

在剔除掉所述目标多媒体资源的候选作品标签中的异常作品标签后，可以该目标多媒体资源中还剩余的目标作品标签与该目标多媒体资源的作品内容相符，此时多媒体资源平台可以向其他用户展示剔除异常作品标签后的图文作品以及其他非图文作品的多媒体作品。

本公开的实施例提供的技术方案至少带来以下有益效果：

本公开实施例提供的一种多媒体作品的展示方法，通过剔除识别为图文作品的多媒体作品中的异常作品标签，从而避免了多媒体作品中作品标签与其本身内容不相符的现象，提高了多媒体作品中作品标签的准确性，使得获取多媒体资源的其他用户可以根据标签可以获取到其所需的资源，提升了用户体验。

图2是本公开实施例提供的另一种多媒体作品的展示方法，所述方法包括：

步骤201，获取待展示的目标多媒体作品中的特征图像帧，所述特征图像帧包括封面图像帧、关键图像帧中的一种。

在本公开实施例中，所述特征图像帧是指目标多媒体作品中包含其主要内容的图像帧，对于多媒体作品而言，包含其主要内容的特征图像帧通常是作品的起始位置的封面图像帧，或者关键帧中的一种图像帧率。多媒体资源平台可以在接收到作者用户上传的多媒体作品时，对多媒体作品的标签进行检验，从而避免包含不准确的作品标签的多媒体作品在发布到平台中后，影响其他用户根据作品标签所获取到多媒体作品的准确性。

步骤202，将所述封面图像帧或关键图像帧输入至预设的图文识别模型中进行识别，确定所述目标多媒体作品是否为图文作品。

在本公开实施例中，由于为图文作品的多媒体作品可以通过其封面图像和关键帧图像进行确定，具体的针对不同的多媒体作品，其关键帧图像和封面图像中一般包含有可以体现该多媒体作品类型的特征，例如文字信息，以及作品标题等，因此可通过利用将所获取到的多媒体作品中的关键图像帧/或封面图像帧输入至预先训练的图文识别模型进行预测，识别该多媒体作品是否为图文作品。

具体的，若对于视频类型的多媒体作品，若其特征图像帧中包含有描述信息，则可以确定该多媒体作品为图文作品，而对于图像类型的多媒体作品，一般其不包含关键图像帧，仅是一张包含有描述信息的图像，因此可以直接根据该封面图像确定该多媒体作品为图文作品。通过预先训练的图文识别模型识别多媒体作品是否为图文作品，避免了人为参与给图文作品识别带来的影响，提高了图文作品识别的效率和准确率。

步骤203，确定所述多媒体作品中的描述信息。

在本公开实施例中，所述描述信息是指为图文作品的多媒体作品中所包含的文字描述，该文字描述信息是以文本数据的形式存在于多媒体作品中的，例如：作品标题、作品介绍、作品字幕等。

步骤204，从所述描述信息中提取符合预设标签格式的信息，作为候选作品标签。

在本公开实施例中，为了识别该作品标签，多媒体资源平台会以预设标签格式在将该作品标签添加到多媒体作品中，例如可以在标签的前后端添加“#”以突出显示，便于识别。因此可以根据预设标签格式对多媒体作品中的文字描述信息进行识别，将其中符合预设标签格式的文字描述信息确定为该多媒体作品的候选作品标签。当然，所述候选作品标签也可以该多媒体作品在发布后***添加的，此时该候选作品标签不一定符合该多媒体作品的本身内容，均处于待定状态。

本公开实施例通过根据预设标签格式确定多媒体作品的文字描述信息中的候选作品标签，使得候选作品标签的准确性得到保障，避免了无关描述信息对于确定候选作品标签的干扰，提高了所获得候选作品标签的准确性。

步骤205，将所述候选作品标签输入至标签识别模型进行识别，确定与所述图文作品之间内容无关的异常作品标签。

在本公开实施例中，所述标签识别模型是根据样本作品标签通过预先训练得到的具有标签识别功能的机器模型。

步骤206，从所述候选作品标签中去除所述异常作品标签，得到目标作品标签，以通过所述目标作品标签展示所述目标多媒体作品。

在本公开实施例中，通过利用标签识别模型对目标多媒体作品中的异常作品标签进行识别，从而减少人为参与以及提高多媒体作品中异常作品标签筛选的的准确率。

可选的，参照图3，所述步骤202中的所述预设的图文识别模型是通过以下步骤A1至A2得到的：

步骤A1，获取样本作品，所述样本作品中预先标注有样本封面图像帧或样本关键图像帧。

在本公开实施例中，从多媒体资源平台的作品库中提取质量相对较高的为图文作品的多媒体作品作为所述样本作品，并且对该样本作品中的样本封面图像帧或者样本关键图像帧中的进行标注，以供后续模型训练使用。

步骤A2，基于神经网络算法针对所述样本封面图像帧或样本关键图像帧进行训练，得到预设的图文识别模型。

在本公开实施例中，神经网络算法是神经网络是一种以人脑为模型的机器学习，通过由众多的神经元可调的连接权值连接而成，具有大规模并行处理、分布式信息存储、良好的自组织自学习能力等特点。可通过基于神经网络算法构建的初始模型对所述样本作品中样本封面图像帧或样本关键图像帧的特征进行学习，从而获得具有图文识别功能的图文识别模型。在图文识别模型的训练过程中，每次训练后可利用样本封面图像帧或样本关键图像帧中的测试集进行验证，得到损失值，在该损失值大于损失值阈值的情况下，继续对该图文识别模型进行训练，在该损失值小于或等于损失值阈值的情况下，结束训练，得到预设的图文识别模型。

通过利用神经网络算法得到的图文识别模型对多媒体作品进行识别，不仅减少了人力投入，提高了图文作品识别的效率，并且减少了人为参与带来的误差风险，提高了图文作品识别的准确性。

可选的，参照图4，所述步骤205中的标签识别模型是通过以下步骤B1至B3得到的：

步骤B1，从标签库中获取目标样本标签，所述目标样本标签是用于识别所述异常作品标签的验证样本标签。

在本公开实施例中，所述标签库中的各个作品标签通常都会被各个多媒体作品引用添加，具有对应的被多媒体作品所引用的次数。由于一些作者用户出于创作力受限或者期望引用常见标签提高曝光率等原因，会给多媒体作品添加与其内容不相符的一些常见异常标签，因此可以从标签库中，识别获取这类引用次数较多的、与作品内容不符的常见异常标签作为验证样本标签特定。

步骤B2，基于预设的机器算法针对所述目标样本标签进行训练，得到预设的标签识别模型。

在本公开实施例中，通过机器算法对所述目标样本标签的的语义特征进行迭代学习，并在每次迭代学习后对训练后的标签识别模型进行测试，得到该标签识别模型的准确率。若准确率小于准确率阈值，则可确定该标签识别模型还未达到预期标准，可根据其输出的所得到预测结果的损失值对该标签识别模型进行调参，然后继续对该标签识别模型进行迭代训练，直至所处处的准确率大于或等于准确率阈值。若该标签识别模型在训练的过程中长时间训练无法达到预期标准，可以对样本标签进行替换，从而提升样本质量。

通过利用机器算法得到的图文识别模型对多媒体作品进行识别，不仅减少了人力投入，提高了图文作品识别的效率，并且减少了人为参与带来的误差风险，提高了图文作品识别的准确性。

步骤B3，按照预设时间间隔周期性进入所述从标签库中获取目标样本标签的步骤，以对所述预设的标签识别模型进行更新。

在本公开实施例中，由于特定标签是在实时更新的，因此可以通过周期性从预设标签库中获取特定标签对该标签识别模型进行训练，具体的所述周期可以是一季度、一月、一周等，从而保证该标签识别模型可以准确对多媒体作品中的异常标签进行识别，提高了异常标签识别的实时性。

可选的，参照图5，所述步骤B1包括：

子步骤B11，从标签库中获取预设数量的候选样本标签，所述标签库包括按照被使用频次进行降序排列的标签，所述候选样本标签是指排序靠前的标签。

在本公开实施例中，所述标签库存储有多媒体资源平台中已发布图文作品所包含的作品标签以及该作品标签被多媒体作品引用的使用频次。通过这些作品标签按照使用频次进行降序排列，从而筛选出排在最前面的预设数量的作品标签作为候选样本标签。可以理解，使用频次越多，该作品标签的就越特定，越可能被作者用户利用添加到其多媒体作品中提高推送量的风险。

子步骤B12，获取所述候选样本标签对应的样本作品内容。

在本公开实施例中，根据已确定的候选样本标签从多媒体资源平台的作品库中提取相关联的样本作品，并提取该样本作品中的封面图像帧或关键图像帧。从该样本候选图像帧或关键图像帧中的语音数据进行语音识别，将该语音数据转换为文本格式的文字数据，然后可以与所述样本作品本身携带的文本数据一同进行语料分析，去除其中例如标点符号、助词、副词等无用分词，从而得到可以得到该样本作品的样本作品内容。

子步骤B13，分别获取所述样本作品内容的内容特征向量，以及所述候选样本标签的标签特征向量。

在本发明实施例中，可通过对所述样本作品内容以及候选样本标签进行分词处理后，再通过词频分析确定该样本作品内容中的内容特征向量一级候选样本标签中的标签特征向量。

子步骤B14，获取所述标签特征向量与内容特征向量之间的相似度。

子步骤B15，在所述相似度小于相似度阈值的情况下，将所述候选样本标签作为目标样本标签。

在本公开实施例中，若该样本内容特征向量与所述内容特征向量之间的相似度小于相似度阈值，则可确定该样本标签在该候选样本作品中未异常作品标签，因此可将该候选样本标签作为目标样本标签。

本公开实施例通过将根据候选样本标签所对应的样本作品之间是否存在内容相关，确定具有被用户异常添加到其发布的多媒体作品中以获得推送量的风险的目标样本标签，提高了目标样本标签的质量。

可选的，参照图6，所述子步骤B13包括：

子步骤B131，分别对所述候选样本标签以及对应的样本作品内容进行分词处理，得到样本标签分词以及样本内容分词。

在本公开实施例中，可通过哑巴分词发对该候选样本标签以及样本作品内容进行分词，以提取该样本标签中的标签分词以及内容分词。

子步骤B132，分别去除所述样本标签分词以及所述样本内容分词中预设类型的无用分词，得到样本标签的标签特征向量以及内容特征向量，所述预设类型包括：副词类型、助词类型、符号类型中的至少一种。

由于所述标签分词中可能存在与其语义不相关的无用分词，通常这种分词在语法结构中是助词或副词，因此可以对标签分词以及内容分词中的助词类型和副词类型的分词进行去除，从而留下的是可以表达作品内容的标签特征向量以及内容特征向量。

本公开实施例通过取出候选样本标签以及候选作品内容中的分词无用分词，避免了无用分词的干扰，提高了所得到标签特征向量以及内容特征向量的准确性。本公开实施例提供的另一种多媒体作品的展示方法，通过预设的图文识别模型识别多媒体作品中的图文作品，并利用预设的标签识别模型确定多媒体作品中的异常作品标签并进行剔除，不仅提高了图文作品中异常标签剔除的准确率和效率，而且避免了图文作品中作品标签的与其内容不相符的情况，使得用户可以获取与其需求相符的多媒体作品，提高了用户体验。并且通过周期性对标签识别模型进行更新，提高了异常标签识别的实时性。

图7是根据一示例性实施例示出的一种多媒体作品的展示装置30的结构框图，所述装置可以包括：

识别模块301，被配置为对待展示的目标多媒体作品进行识别，确定所述目标多媒体作品是否为图文作品。

获取模块302，被配置为在确定所述目标多媒体作品为图文作品的情况下，获取所述目标多媒体作品的候选作品标签。

展示模块303，被配置为从所述候选作品标签中，去除不符合预设展示条件的异常作品标签，得到目标作品标签，以通过所述目标作品标签展示所述目标多媒体作品。

可选的，所述预设展示条件包括所述候选作品标签与所述目标多媒体作品的作品内容相关，展示模块303，包括：

第一识别子模块3031，被配置为将所述候选作品标签输入至标签识别模型进行识别，确定与所述图文作品之间内容无关的异常作品标签。

筛选子模块3032，被配置为从所述候选作品标签中去除所述异常作品标签，得到目标作品标签。

可选的，所述预设的标签识别模型通过第一模型训练模块C1预先训练得到的，所述第一模型训练模块C1包括：

第一样本获取子模块C11，被配置为从标签库中获取目标样本标签，所述目标样本标签是用于识别所述异常作品标签的验证样本标签。

第一训练子模块C12，被配置为基于预设的机器算法针对所述目标样本标签进行训练，得到预设的标签识别模型。

可选的，所述第一样本获取子模块C11，包括：

第一样本获取单元C111，被配置为从标签库中获取预设数量的候选样本标签，所述标签库包括按照被使用频次进行降序排列的标签，所述候选样本标签是指排序靠前的标签。

第二样本获取单元C112，被配置为获取所述候选样本标签对应的样本作品内容。

第三样本获取单元C113，被配置为分别获取所述样本作品内容的内容特征向量，以及所述候选样本标签的标签特征向量。

第四样本获取单元C114，被配置为获取所述标签特征向量与内容特征向量之间的相似度。

第五样本获取单元C115，被配置为在所述相似度小于相似度阈值的情况下，将所述候选样本标签作为目标样本标签。

可选的，所述第三样本获取单元C113，包括：

第一处理子单元C1131，被配置为分别对所述候选样本标签以及对应的样本作品内容进行分词处理，得到样本标签分词以及样本内容分词。

第二处理子单元C1132，被配置为分别去除所述样本标签分词以及所述样本内容分词中预设类型的无用分词，得到样本标签的标签特征向量以及内容特征向量，所述预设类型包括：副词类型、助词类型、符号类型中的至少一种。

可选的，所述第一模型训练模块C1，还包括：

更新子模块C13，被配置为按照预设时间间隔周期性进入所述从标签库中获取目标样本标签的步骤，以对所述预设的标签识别模型进行更新。

可选的，所述识别模块301，包括：

第一获取子模块3011，被配置为获取待展示的目标多媒体作品中的特征图像帧，所述特征图像帧包括封面图像帧、关键图像帧中的一种。

第二识别子模块3012，被配置为将所述封面图像帧或关键图像帧输入至预设的图文识别模型中进行识别，确定所述目标多媒体作品是否为图文作品。

可选的，所述预设的图文识别模型是通过第二模型训练D1模块预先训练得到，所述第二模型训练模块D1包括：

第二获取子模块D11，被配置为获取样本作品，所述样本作品中预先标注有样本封面图像帧或样本关键图像帧。

第二训练子模块D12，被配置为基于神经网络算法针对所述样本封面图像帧或样本关键图像帧进行训练，得到预设的图文识别模型。

可选的，所述获取模块302，包括：

确定子模块3021，被配置为确定所述多媒体作品中的描述信息。

提取子模块3022，被配置为从所述描述信息中提取符合预设标签格式的信息，作为候选作品标签。

本公开实施例提供的一种多媒体作品的展示装置，通过预设的图文识别模型识别多媒体作品中的图文作品，并利用预设的标签识别模型确定多媒体作品中的异常作品标签并进行剔除，不仅提高了图文作品中异常标签剔除的准确率和效率，而且避免了图文作品中作品标签的与其内容不相符的情况，使得用户可以获取与其需求相符的多媒体作品，提高了用户体验。并且通过周期性对标签识别模型进行更新，提高了异常标签识别的实时性。

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。

本公开实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述多媒体作品的展示方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。其中，所述的计算机可读存储介质，可以为只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random AccessMemory，简称RAM)、磁碟或者光盘等。

图8是根据一示例性实施例示出的一种电子设备400的框图。电子设备可以为移动终端也可以为服务器，本公开实施例中以电子设备为移动终端为例进行说明。例如，电子设备400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8，电子设备400可以包括以下一个或多个组件：处理组件402，存储器404，电力组件406，多媒体组件408，语音组件510，输入/输出(I/O)的接口412，传感器组件414，以及通信组件416。

处理组件402通常控制电子设备400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402可以包括一个或多个处理器420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402可以包括一个或多个模块，便于处理组件402和其他组件之间的交互。例如，处理组件402可以包括多媒体模块，以方便多媒体组件408和处理组件402之间的交互。

存储器404被配置为存储各种类型的数据以支持在电子设备400的操作。这些数据的示例包括用于在电子设备400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404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406为电子设备400的各种组件提供电力。电源组件406可以包括电源管理***，一个或多个电源，及其他与为电子设备400生成、管理和分配电力相关联的组件。

多媒体组件408包括在所述电子设备400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。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述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408包括一个前置摄像头和/或后置摄像头。当电子设备400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。

语音组件410被配置为输出和/或输入语音信号。例如，语音组件410包括一个麦克风(MIC)，当电子设备400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语音信号。所接收的语音信号可以被进一步存储在存储器404或经由通信组件416发送。在一些实施例中，语音组件410还包括一个扬声器，用于输出语音信号。

I/O接口412为处理组件402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414包括一个或多个传感器，用于为电子设备400提供各个方面的状态评估。例如，传感器组件414可以检测到电子设备400的打开/关闭状态，组件的相对定位，例如所述组件为电子设备400的显示器和小键盘，传感器组件414还可以检测电子设备400或电子设备400一个组件的位置改变，用户与电子设备400接触的存在或不存在，电子设备400方位或加速/减速和电子设备400的温度变化。传感器组件414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414还可以包括光传感器，如CMOS或CCD图谱传感器，用于在成像应用中使用。在一些实施例中，该传感器组件414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416被配置为便于电子设备400和其他设备之间有线或无线方式的通信。电子设备400可以接入基于通信标准的无线网络，如WiFi，运营商网络(如2G、5G、4G或5G)，或它们的组合。在一个示例性实施例中，通信组件416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，所述通信组件416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，电子设备400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，用于执行上述图1至图2中所示的多媒体作品的展示方法。

在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器404，上述指令可由电子设备400的处理器420执行以完成上述图1至图6中所示的多媒体作品的展示方法。例如，所述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。

在示例性实施例中，还提供了一种计算机程序产品，当计算机程序产品中的指令由电子设备400的处理器420执行时，使得电子设备400执行上述图1至图6中所示的多媒体作品的展示方法。

本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。

本领域技术人员易于想到的是：上述各个实施例的任意组合应用都是可行的，故上述各个实施例之间的任意组合都是本公开的实施方案，但是由于篇幅限制，本说明书在此就不一一详述了。

在此提供的多媒体作品的展示方法不与任何特定计算机、虚拟***或者其它设备固有相关。各种通用***也可以与基于在此的示教一起使用。根据上面的描述，构造具有本公开方案的***所要求的结构是显而易见的。此外，本公开也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本公开的内容，并且上面对特定语言所做的描述是为了披露本公开的最佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本公开的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本公开并帮助理解各个公开方面中的一个或多个，在上面对本公开的示例性实施例的描述中，本公开的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本公开要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如权利要求书所反映的那样，公开方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本公开的单独实施例。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本公开的范围之内并且形成不同的实施例。例如，在权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

本公开的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本公开实施例的多媒体作品的展示方法中的一些或者全部部件的一些或者全部功能。本公开还可以实现为被配置为执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本公开的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

应该注意的是上述实施例对本公开进行说明而不是对本公开进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本公开可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

Claims (10)

1.一种多媒体作品的展示方法，其特征在于，包括：

对待展示的目标多媒体作品进行识别，确定所述目标多媒体作品是否为图文作品；

在确定所述目标多媒体作品为图文作品的情况下，获取所述目标多媒体作品的候选作品标签；

从所述候选作品标签中，去除不符合预设展示条件的异常作品标签，得到目标作品标签，以通过所述目标作品标签展示所述目标多媒体作品。

2.根据权利要求1所述的方法，其特征在于，所述预设展示条件包括所述候选作品标签与所述目标多媒体作品的作品内容相关，所述从所述候选作品标签中，去除不符合预设展示条件的异常作品标签，得到目标作品标签的步骤，包括：

将所述候选作品标签输入至标签识别模型进行识别，确定与所述图文作品之间内容无关的异常作品标签；

从所述候选作品标签中去除所述异常作品标签，得到目标作品标签。

3.根据权利要求2所述的方法，其特征在于，所述预设的标签识别模型通过以下步骤预先训练得到：

从标签库中获取目标样本标签，所述目标样本标签是用于识别所述异常作品标签的验证样本标签；

基于预设的机器算法针对所述目标样本标签进行训练，得到预设的标签识别模型。

4.根据权利要求3所述的方法，其特征在于，所述从标签库中获取目标样本标签的步骤，包括：

从标签库中获取预设数量的候选样本标签，所述标签库包括按照被使用频次进行降序排列的标签，所述候选样本标签是指排序靠前的标签；

获取所述候选样本标签对应的样本作品内容；

分别获取所述样本作品内容的内容特征向量，以及所述候选样本标签的标签特征向量；

获取所述标签特征向量与内容特征向量之间的相似度；

在所述相似度小于相似度阈值的情况下，将所述候选样本标签作为目标样本标签。

5.根据权利要求4所述的方法，其特征在于，所述分别获取所述样本作品内容的内容特征向量，以及所述候选样本标签的标签特征向量的步骤，包括：

分别对所述候选样本标签以及对应的样本作品内容进行分词处理，得到样本标签分词以及样本内容分词；

分别去除所述样本标签分词以及所述样本内容分词中预设类型的无用分词，得到样本标签的标签特征向量以及内容特征向量，所述预设类型包括：副词类型、助词类型、符号类型中的至少一种。

6.根据权利要求3所述方法，其特征在于，在所述基于预设的机器算法针对所述目标样本标签进行训练，得到预设的标签识别模型的步骤之后，还包括：

按照预设时间间隔周期性进入所述从标签库中获取目标样本标签的步骤，以对所述预设的标签识别模型进行更新。

7.根据权利要求1所述的方法，其特征在于，所述对待展示的目标多媒体作品进行识别，确定所述目标多媒体作品是否为图文作品的步骤，包括：

获取待展示的目标多媒体作品中的特征图像帧，所述特征图像帧包括封面图像帧、关键图像帧中的一种；

将所述封面图像帧或关键图像帧输入至预设的图文识别模型中进行识别，确定所述目标多媒体作品是否为图文作品。

8.一种多媒体作品的展示装置，其特征在于，包括：

识别模块，被配置为对待展示的目标多媒体作品进行识别，确定所述目标多媒体作品是否为图文作品；

获取模块，被配置为在确定所述目标多媒体作品为图文作品的情况下，获取所述目标多媒体作品的候选作品标签；

展示模块，被配置为从所述候选作品标签中，去除不符合预设展示条件的异常作品标签，得到目标作品标签，以通过所述目标作品标签展示所述目标多媒体作品。

9.一种电子设备，其特征在于，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现权利要求1至7中任一所述的多媒体作品的展示方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现权利要求1至7中任一所述的多媒体作品的展示方法。

Images