CN111444357B - 内容信息确定方法、装置、计算机设备及存储介质 - Google Patents
内容信息确定方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN111444357B CN111444357B CN202010213262.1A CN202010213262A CN111444357B CN 111444357 B CN111444357 B CN 111444357B CN 202010213262 A CN202010213262 A CN 202010213262A CN 111444357 B CN111444357 B CN 111444357B
- Authority
- CN
- China
- Prior art keywords
- multimedia resource
- content information
- target multimedia
- target
- resource
- 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
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
- G06F16/43—Querying
- G06F16/435—Filtering based on additional data, e.g. user or group profiles
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请实施例公开了一种内容信息确定方法、装置、计算机设备及存储介质,属于计算机技术领域。该方法包括:获取目标多媒体资源及多个备选多媒体资源的特征向量,从多个备选多媒体资源中,选取特征向量与目标多媒体资源的特征向量匹配的参考多媒体资源,以使获取到的参考多媒体资源能够与该目标多媒体资源相匹配,根据参考多媒体资源的多个内容信息,从多个内容信息中选取与目标多媒体资源匹配的内容信息,确定为目标多媒体资源的内容信息,提供了一种自动为目标多媒体资源确定内容信息的方式,能够保证确定内容信息与该目标多媒体资源相匹配,提高了内容信息的准确性。
Description
技术领域
本申请实施例涉及计算机技术领域,特别涉及一种内容信息确定方法、装置、计算机设备及存储介质。
背景技术
随着互联网的快速发展和广泛普及,互联网中传播的多媒体资源越来越丰富。通常用户在观看多媒体资源时,还可以针对多媒体资源发布内容信息,其他用户在查看该多媒体资源时,可以查看到该用户发布的内容信息。
多媒体资源的内容信息通常是由用户发布的,但相关技术中还提供了一种自动生成内容信息的方案,能够基于网络模型对目标多媒体资源进行处理,自动为目标多媒体资源生成内容信息。但是,由于上述方法中的内容信息是由网络模型直接得到的,导致内容信息的准确性差。
发明内容
本申请实施例提供了一种内容信息确定方法、装置、计算机设备及存储介质,能够提高内容信息确定的准确性。所述技术方案如下:
一方面,提供了一种内容信息确定方法,所述方法包括:
获取目标多媒体资源及多个备选多媒体资源的特征向量;
从所述多个备选多媒体资源中,选取特征向量与所述目标多媒体资源的特征向量匹配的参考多媒体资源;
根据所述参考多媒体资源的多个内容信息,从所述多个内容信息中选取与所述目标多媒体资源匹配的内容信息,确定为所述目标多媒体资源的内容信息。
另一方面,提供了一种内容信息确定装置,所述装置包括:
特征向量获取模块,用于获取目标多媒体资源及多个备选多媒体资源的特征向量;
多媒体资源选取模块,用于从所述多个备选多媒体资源中,选取特征向量与所述目标多媒体资源的特征向量匹配的参考多媒体资源;
内容信息确定模块,用于根据所述参考多媒体资源的多个内容信息,从所述多个内容信息中选取与所述目标多媒体资源匹配的内容信息,确定为所述目标多媒体资源的内容信息。
可选地,所述特征向量获取模块,包括:
图网络创建单元,用于根据所述目标多媒体资源及所述多个备选多媒体资源,创建图网络,所述图网络包括所述目标多媒体资源对应的目标多媒体资源节点及所述多个备选多媒体资源对应的多个备选多媒体资源节点,满足第一关联条件的任两个多媒体资源节点连接;
第一特征向量获取单元,用于基于第一特征提取模型对所述图网络进行处理,获取所述目标多媒体资源节点及所述多个备选多媒体资源节点的特征向量,将所述目标多媒体资源节点的特征向量作为所述目标多媒体资源的特征向量,将所述多个备选多媒体资源节点的特征向量作为所述多个备选多媒体资源的特征向量。
可选地,所述图网络创建单元,还用于对所述目标多媒体资源中的文本资源及所述多个备选多媒体资源中的文本资源进行分词处理,得到多个第一词语;根据所述目标多媒体资源、所述多个备选多媒体资源及所述多个第一词语,创建图网络,所述图网络包括所述目标多媒体资源对应的目标多媒体资源节点、所述多个备选多媒体资源对应的多个备选多媒体资源节点及所述多个第一词语对应的多个词节点,满足第二关联条件的词节点与多媒体资源节点连接。
可选地,所述装置还包括:
节点确定模块,用于响应于任一第一词语在任一多媒体资源的文本资源中的出现频率大于第一预设阈值,确定所述第一词语对应的词节点与所述多媒体资源对应的多媒体资源节点满足所述第二关联条件。
可选地,多媒体资源包括视频资源;所述特征向量获取模块,包括:
抽帧处理单元,用于分别对所述目标多媒体资源及所述多个备选多媒体资源进行抽帧处理,得到所述目标多媒体资源及所述多个备选多媒体资源对应的多个视频帧;
第二特征向量获取单元,用于基于第二特征提取模型,分别对所述目标多媒体资源及所述多个备选多媒体资源对应的多个视频帧进行处理,获取所述目标多媒体资源及所述多个备选多媒体资源的特征向量。
可选地,所述第二特征向量获取单元,还用于基于所述第二特征提取模型,对任一多媒体资源对应的多个视频帧分别进行处理,得到所述多个视频帧的特征向量;对所述多个视频帧的特征向量进行融合处理,得到所述多媒体资源的特征向量。
可选地,所述多媒体资源选取模块,包括:
第一匹配度获取单元,用于根据所述目标多媒体资源及所述多个备选多媒体资源的特征向量,获取每个备选多媒体资源与所述目标多媒体资源的匹配度;
多媒体资源选取单元,用于根据所述每个备选多媒体资源与所述目标多媒体资源的匹配度,从所述多个备选多媒体资源中选取参考多媒体资源,所述参考多媒体资源与所述目标多媒体资源的匹配度大于其他备选多媒体资源与所述目标多媒体资源的匹配度。
可选地,所述内容信息确定模块,包括:
第二匹配度获取单元,用于根据所述参考多媒体资源的多个内容信息,获取所述多个内容信息中每个内容信息与所述目标多媒体资源的匹配度;
内容信息选取单元,用于根据所述每个内容信息与所述目标多媒体资源的匹配度,从所述多个内容信息中选取所述目标多媒体资源的内容信息,所述目标多媒体资源的内容信息与所述目标多媒体资源的匹配度大于其他内容信息与所述目标多媒体资源的匹配度。
可选地,所述第二匹配度获取单元,还用于对任一内容信息进行分词处理,得到多个第二词语;根据每个第二词语在所述目标多媒体资源中的出现频率,获取所述每个第二词语与所述目标多媒体资源的匹配度;根据所述多个第二词语的权重,对所述多个第二词语与所述目标多媒体资源的匹配度进行加权处理,得到所述内容信息与所述目标多媒体资源的匹配度。
可选地,所述第二匹配度获取单元,还用于根据所述每个内容信息的特征向量及所述目标多媒体资源的特征向量,确定所述每个内容信息与所述目标多媒体资源的匹配度。
可选地,所述内容信息确定模块,包括:
内容信息确定单元,用于根据所述多个内容信息及每个内容信息的分类标签,从所述多个内容信息中选取属于目标分类标签、且与所述目标多媒体资源匹配的内容信息,确定为所述目标多媒体资源的内容信息。
可选地,所述装置还包括:
分类标签确定模块,用于基于分类模型对所述多个内容信息进行处理,确定每个内容信息的分类标签。
另一方面,提供了一种计算机设备,所述计算机设备包括处理器和存储器,所述存储器中存储有至少一条指令,所述至少一条指令由所述处理器加载并执行,以实现如上述方面所述的内容信息确定方法。
另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一条指令,所述至少一条指令由处理器加载并执行,以实现如上述方面所述的内容信息确定方法。
本申请实施例提供的技术方案带来的有益效果至少包括:
本申请实施例提供的方法、装置、计算机设备及存储介质,获取目标多媒体资源及多个备选多媒体资源的特征向量,从多个备选多媒体资源中,选取特征向量与目标多媒体资源的特征向量匹配的参考多媒体资源,以使获取到的参考多媒体资源能够与该目标多媒体资源相匹配,根据参考多媒体资源的多个内容信息,从多个内容信息中选取与目标多媒体资源匹配的内容信息,确定为目标多媒体资源的内容信息,提供了一种自动为目标多媒体资源确定内容信息的方式,能够保证确定内容信息与该目标多媒体资源相匹配,提高了内容信息的准确性。
通过将其他多媒体资源的内容信息迁移为该目标多媒体资源的内容信息,避免了该目标多媒体资源的内容信息的个数为0,优化了该目标多媒体资源的冷启动,使用户可以查看目标多媒体资源的内容信息,从而提高了对用户的吸引力。
通过根据多媒体资源之间的匹配度,确定与目标多媒体资源匹配的参考多媒体资源,提高了获取到的参考多媒体资源的准确性,且根据多个内容信息与目标多媒体资源之间的匹配度,为目标多媒体资源确定内容信息,提高了获取到的内容信息的准确性。并且,根据内容信息的分类标签,从多个内容信息中确定内容信息,以保证内容信息的质量。
附图说明
为了更清楚地说明本申请实施例中的技术方案,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申请实施例的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种实施环境的示意图;
图2是本申请实施例提供的一种内容信息确定方法的流程图;
图3是本申请实施例提供的一种内容信息确定方法的流程图;
图4是本申请实施例提供的一种内容信息确定方法的流程图;
图5是本申请实施例提供的一种内容信息确定方法的流程图;
图6是本申请实施例提供的一种信息管理***的结构示意图;
图7是本申请实施例提供的一种信息管理***的结构示意图;
图8是本申请实施例提供的一种内容信息确定装置的结构示意图;
图9是本申请实施例提供的一种内容信息确定装置的结构示意图;
图10是本申请实施例提供的一种终端的结构示意图;
图11是本申请实施例提供的一种服务器的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
本申请所使用的术语“第一”、“第二”、“第三”等可在本文中用于描述各种概念,但除非特别说明,这些概念不受这些术语限制。这些术语仅用于将一个概念与另一个概念区分。举例来说,在不脱离本申请的范围的情况下,可以将第一预设阈值称为第二预设阈值,且类似地,可将第二预设阈值称为第一预设阈值。
本申请所使用的术语“至少一个”、“多个”、“每个”、“任一”,至少一个包括一个、两个或两个以上,多个包括两个或两个以上,而每个是指对应的多个中的每一个,任一是指多个中的任意一个。举例来说,多个元素包括3个元素,而每个是指这3个元素中的每一个元素,任一是指这3个元素中的任意一个,可以是第一个,可以是第二个、也可以是第三个。
为了便于理解本申请实施例的技术过程,下面对本申请实施例所涉及的一些名词进行解释:
Feeds(一种信息形式):网站通常以Feeds的形式将信息传播给用户,通常以时间轴方式排列,Timeline(时间线)是Feeds最原始、最直觉也最基本的展示形式。
人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科,涉及领域广泛,既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互***、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
自然语言处理(Nature Language processing,NLP)是计算机科学领域与人工智能领域中的一个重要方向。它研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法。自然语言处理是一门融语言学、计算机科学、数学于一体的科学。因此,这一领域的研究将涉及自然语言,即人们日常使用的语言,所以它与语言学的研究有着密切的联系。自然语言处理技术通常包括文本处理、语义理解、机器翻译、机器人问答、知识图谱等技术。
机器学习(Machine Learning,ML)是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心,是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、示教学习等技术。
深度学习:深度学习的概念源于人工神经网络的研究,包含多个隐含层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征,形成更加抽象的高层表示属性类别或特征,以发现数据的分布式特征表示。
本申请实施例提供的方案,基于人工智能的机器学习技术,可以训练第一特征提取模型和第二特征提取模型,利用训练后的第一特征提取模型和第二特征提取模型,可以获取多媒体资源的特征向量,后续可以实现为目标多媒体资源确定内容信息。
图1是本申请实施例提供的一种实施环境的结构示意图,如图1所示,该实施环境包括终端101和服务器102。终端101与服务器102建立通信连接,通过建立的通信连接进行交互。其中,该终端101可以为手机、计算机、平板电脑等多种类型的终端。服务器102可以为一台服务器,或者由若干台服务器组成的服务器集群,或者是一个云计算服务器中心。
服务器102根据目标多媒体资源及多个备选多媒体资源的特征向量,确定特征向量与目标多媒体资源的特征向量匹配的参考多媒体资源,从参考多媒体资源到的多个内容信息中选取与目标多媒体资源匹配的内容信息,确定为目标多媒体资源的内容信息,在终端101查看目标多媒体资源时,服务器102向该终端101发送目标多媒体资源及对应的内容信息,供用户查看。
本申请实施例提供的方法,可用于为多媒体资源确定内容信息的场景。
例如,视频资源的评论信息迁移场景下:
计算机设备在获取到视频资源后,采用本申请实施例提供的评论信息确定方法,将其他视频资源的评论信息进行迁移,作为该视频资源的评论信息,以使其他用户在观看该视频资源时,也可以查看到该评论信息,从而提高了该视频资源的评论信息数量,进而提高了该视频资源的热门度。
再例如,文章的评论信息迁移场景下:
应用服务器在获取到用户发布的文章后,采用本申请实施例提供的评论信息确定方法,将其他文章的多个评论信息进行迁移,作为该文章的评论信息,以使新发布的文章可以具有多个评论信息,从而提高了该文章的评论信息数量。用户通过查看各个文章的评论信息的数量,选择该文章进行查看,提高了该文章对用户的吸引力。
本申请实施例提供的内容信息确定方法,可以用于计算机设备中,该计算机设备包括终端或服务器,该终端可以为手机、计算机、平板电脑等多种类型的终端,该服务器可以为一台服务器,或者由若干台服务器组成的服务器集群,或者是一个云计算服务器中心。
图2是本申请实施例提供的一种内容信息确定方法的流程图,应用于计算机设备中,如图2所示,该方法包括:
201、计算机设备获取目标多媒体资源及多个备选多媒体资源的特征向量。
其中,多媒体资源可以包括视频资源、音频资源、文本资源、图像资源等。该多媒体资源可以是任意发布者发布的资源,例如,可以是该应用的管理人员发布的多媒体资源,也可以是应用的用户发布的多媒体资源。
在本申请实施例中,目标多媒体资源和备选多媒体资源,可以属于相同类型的多媒体资源,如视频资源、或者文本资源;也可以属于不同类型的多媒体资源,如目标多媒体资源为文本资源,备选多媒体资源为视频资源。在多个多媒体资源中,可以将任一多媒体资源作为目标多媒体资源,将其他的多媒体资源作为备选多媒体资源,也可以将满足条件的多媒体资源作为目标多媒体资源,将其他的多媒体资源作为备选多媒体资源。例如,根据多媒体资源的内容信息的数量,将内容信息的数量小于预设阈值的多媒体资源作为目标多媒体资源,将内容信息的数量不小于预设阈值的多媒体资源作为备选多媒体资源。
特征向量是用于表示多媒体资源的特征信息的向量,该特征向量可以包括多个维度。由于不同的多媒体资源的特征信息不同,则不同的多媒体资源对应的特征向量不同。
在本申请实施例中可以采用以下两种方式,获取多媒体资源的特征向量。
如图3所示,第一种方式可以包括以下步骤2011-2012:
2011、根据目标多媒体资源及多个备选多媒体资源,创建图网络。
其中,图网络是多个节点之间连接关系的表示形式。图网络包括目标多媒体资源对应的目标多媒体资源节点及多个备选多媒体资源对应的多个备选多媒体资源节点。在多个多媒体资源节点中,将满足第一关联条件的任两个多媒体资源节点连接,得到该图网络。
对于确定多媒体资源节是否满足第一关联条件的方式,在一种可能实现方式中,根据任两个多媒体资源的匹配度,响应于该匹配度大于预设阈值,确定该任两个多媒体资源对应的多媒体资源节点满足第一关联条件。其中,任两个多媒体资源的匹配度用于表示这两个多媒体资源之间的匹配程度。
在一种可能实现方式中,该步骤2011可以包括以下步骤1-2:
步骤1、对目标多媒体资源中的文本资源及多个备选多媒体资源中的文本资源进行分词处理,得到多个第一词语。
其中,文本资源是包括文字的资源。当多媒体资源为文本资源时,该多媒体资源的文本资源也即是该多媒体资源自身;当多媒体资源为视频资源时,该多媒体资源的文本资源可以包括该多媒体资源的标题及简介信息,也可以包括该视频资源中的字幕信息;当多媒体资源为图像资源时,该多媒体资源的文本资源可以包括该多媒体资源的标题及简介信息,也可以包括图像资源中的文字信息;当多媒体资源为音频资源时,该多媒体资源的文本资源可以包括该多媒体资源的标题及简介信息,也可以包括由该音频资源转换后的文本资源。
分词处理是将文本资源中连续的多个字分成词语的过程。对目标多媒体资源中的文本资源进行分词处理,并对每个备选多媒体资源中的文本资源进行分词处理,从而得到多个文本资源分词处理后的多个第一词语。
由于不同的多媒体资源中可能会包括相同的词语,因此,得到的多个第一词语中可以包括相同的词语。或者,在一种可能实现方式中,该步骤2011还可以包括:分别对多个备选多媒体资源及目标多媒体资源进行分词处理,得到多个第三词语,对该多个第三词语进行去重处理,得到该多个第一词语。通过对多个第三词语进行去重处理,将多个第三词语中相同的单词进行筛除,以使得到的多个第一词语均不同,避免了词语的重复。
步骤2、根据目标多媒体资源、多个备选多媒体资源及多个第一词语,创建图网络。
其中,图网络包括目标多媒体资源对应的目标多媒体资源节点、多个备选多媒体资源对应的多个备选多媒体资源节点及多个第一词语对应的多个词节点。在创建多个词节点时,如果多个第一词语中包括相同的第一词语,在图网络中只创建相同的第一词语对应的一个词节点。在多个词节点和多个多媒体资源节点中,将满足第二关联条件的词节点与多媒体资源节点连接。
对于确定词节点与多媒体资源节点是否满足第二关联条件的方式,在一种可能实现方式中,对于任一第一词语及任一多媒体资源,响应于该多媒体资源的文本资源中包含该第一词语,确定该第一词语对应的词节点与该多媒体资源对应的多媒体资源节点满足第二关联条件。
在另一种可能实现方式中,响应于任一第一词语在任一多媒体资源的文本资源中的出现频率大于第一预设阈值,确定第一词语对应的词节点与多媒体资源对应的多媒体资源节点满足第二关联条件。
其中,出现频率表示词语在多媒体资源中的出现次数。第一预设阈值可以是任意设置的数值,如5或6等。词语在多媒体资源中的出现频率越高,则表示该词语与该多媒体资源的匹配度越高,词语在多媒体资源中的出现频率越低,则表示该词语与该多媒体资源的匹配度越低。
在构建图网络时,可以确定每个第一词语在每个多媒体资源中的出现频率,当任一词语在任一多媒体资源中的出现频率大于第一预设阈值,则将该词语对应的词节点与该多媒体资源对应的多媒体资源节点连接,从而得到该图网络。
对于确定第一词语与多媒体资源的出现频率的方式,在一种可能实现方式中,根据任一第一词语在任一多媒体资源中进行遍历,得到该第一词语在该多媒体资源中的出现次数,作为该第一词语在该多媒体资源中的出现频率。
另外,由于在多个第一词语中,不同的第一词语可以具有相同的含义,即不同的第一词语可以为同义词语。因此,在构建图网络时,通过将具有相同含义的词节点连接,使图网络中包括词节点之间的关系,从而提高了得到图网络的准确性。
2012、基于第一特征提取模型对图网络进行处理,获取目标多媒体资源节点及多个备选多媒体资源节点的特征向量,将目标多媒体资源节点的特征向量作为目标多媒体资源的特征向量,将多个备选多媒体资源节点的特征向量作为多个备选多媒体资源的特征向量。
通过第一特征提取模型对图网络进行处理,该第一特征提取模型可以输出每个多媒体资源节点的特征向量,从而得到目标多媒体资源节点的特征向量及多个备选多媒体资源节点的特征向量。
第一特征提取模型可以为GCN(Graph Convolutional Network,图卷积网络)模型其中,GCN模型通过对图网络中的各个节点的特征进行提取,通过Graph Embedding(图的嵌入表示),可以得到每个节点的特征向量,通过该GCN模型对图网络进行处理,还可以实现对图网络中Node Classification(节点分类)、Graph Classification(图分类)、LinkPrediction(边预测)。该GCN模型可以通过一种半监督学习方法进行训练得到,通过训练后的GCN模型获取图网络中每个节点的特征向量;也可以对该GCN模型不进行训练,通过初始化参数的GCN模型对图网络进行处理,也可以得到每个节点的特征向量。该GCN模型获取可以为DeepWalk(一种神经网络)模型,也可以为Word2vec(Word To Vector,一种词向量模型)。第一特征提取模型还可以为GAT(Graph Attention Network,图注意力网络)模型,该GAT模型在对图网络进行处理时,引入了Attention(注意力)机制,根据相邻节点之间的权重,确定相邻节点之间的关系,从而提高了取目标多媒体资源节点及多个备选多媒体资源节点的特征向量的准确性。
在本申请实施例中,由于图网络中包括多个多媒体资源及多个词语之间的关系,后续通过图网络获取每个多媒体资源的特征向量,能够融入多个多媒体资源及多个词语之间的关系,从而提高了获取到的多媒体资源的特征向量的准确性。
如图4所示,第二种方式,可以包括以下步骤2013-2014:
2013、分别对目标多媒体资源及多个备选多媒体资源进行抽帧处理,得到目标多媒体资源及多个备选多媒体资源对应的多个视频帧。
其中,多媒体资源包括视频资源,每个视频资源包括多个视频帧,因此需要对每个视频资源进行抽帧处理,得到每个多媒体资源对应的多个视频帧。例如,视频资源的时长为20秒,每秒一个视频帧,则对该视频资源进行抽帧处理,得到20个视频帧,也即是得到20个图像。
2014、基于第二特征提取模型,分别对目标多媒体资源及多个备选多媒体资源对应的多个视频帧进行处理,获取目标多媒体资源及多个备选多媒体资源的特征向量。
其中,该第二特征提取模型为用于获取多媒体资源的特征向量的模型,可以为CNN(Convolutional Neural Networks,卷积神经网络)模型或者其他模型。
在一种可能实现方式中,该步骤2014可以包括:基于第二特征提取模型,对任一多媒体资源对应的多个视频帧分别进行处理,得到多个视频帧的特征向量,对多个视频帧的特征向量进行融合处理,得到多媒体资源的特征向量。
对于获取视频帧的特征向量的方式,在一种可能实现方式中,该第二特征提取模型包括特征检测子模型和全局特征聚合子模型;在获取任一张视频帧的特征向量时,基于该特征检测子模型,对该视频帧的局部特征点进行检测,得到该视频帧中多个局部特征的检测结果,基于该全局特征聚合子模型对该多个局部特征进行聚合处理,得到该视频帧的特征向量。
202、根据目标多媒体资源及多个备选多媒体资源的特征向量,确定每个备选多媒体资源与目标多媒体资源的匹配度。
其中,匹配度用于表示备选多媒体资源与目标多媒体资源之间的匹配程度,匹配度越大,表示备选多媒体资源与目标多媒体资源越相关,匹配度越小,表示备选多媒体资源与目标多媒体资源越不相关。该备选多媒体资源与目标多媒体资源的匹配度,可以采用备选多媒体资源与目标多媒体资源的特征向量之间的余弦距离、欧几里德距离、马氏距离、切比雪夫距离、汉明距离、标准化欧氏距离等来表示。
在一种可能实现方式中,根据备选多媒体资源的特征向量A及目标多媒体资源的特征向量B,确定该备选多媒体资源与目标多媒体资源之间的匹配度similarity(A,B),该特征向量A、该特征向量B及该匹配度similarity(A,B)满足以下关系:
其中,||A||用于表示特征向量A的长度,||B||用于表示特征向量B的长度,Ai表示特征向量A中第i个维度的值;Bi表示特征向量B中第i个维度的值,i为不小于1、且不大于n的正整数,n用于表示特征向量包含的维度个数,n为大于等于2的正整数。
203、计算机设备根据每个备选多媒体资源与目标多媒体资源的匹配度,从多个备选多媒体资源中选取参考多媒体资源。
其中,参考多媒体资源与目标多媒体资源的匹配度大于其他备选多媒体资源与目标多媒体资源的匹配度。
对于选取参考多媒体资源的方式,在一种可能实现方式中,从多个备选多媒体资源中,选取与目标多媒体资源的匹配度大于第二预设阈值的备选多媒体资源,确定为参考多媒体资源。
其中,第二预设阈值为可以是任意设置的数值,如0.5或0.6等。备选多媒体资源与目标多媒体资源的匹配度大于第二预设阈值,则表示该备选多媒体资源与该目标多媒体资源匹配,则将该备选多媒体资源确定为目标多媒体资源的内容信息。
在另一种可能实现方式中,将多个备选多媒体资源按照与目标多媒体资源的匹配度由小到大的顺序排列,从多个备选多媒体资源中选取匹配度最大的预设数目个备选多媒体资源,确定为参考多媒体资源。
其中,预设数目可以为是任意设置的数值,如3或4等。由于备选多媒体资源与目标多媒体资源的匹配度越大,则表示备选多媒体资源与目标多媒体资源的匹配程度越高,因此,从多个备选多媒体资源中选取匹配度最大的预设数目个备选多媒体资源作为参考多媒体资源。
需要说明的是,本申请实施例是以备选多媒体资源与目标多媒体资源的匹配度,确定参考多媒体资源进行说明的,而在另一实施例中,无需执行步骤202-203,可以采取其他方式确定与目标多媒体资源匹配的参考多媒体资源。
204、计算机设备根据参考多媒体资源的多个内容信息,获取多个内容信息中每个内容信息与目标多媒体资源的匹配度。
其中,任一多媒体资源的内容信息可以包括评论信息、详情信息或者其他信息等,该评论信息为对多媒体资源进行评论生成的信息,该详情信息为对多媒体资源进行介绍的信息,如该详情信息包括多媒体资源的资源类型、多媒体资源的摘要等。参考多媒体资源的任一内容信息与目标多媒体资源的匹配度用于表示该内容信息与目标多媒体资源的匹配程度,匹配度越大,表示内容信息与目标多媒体越匹配,匹配度越小,表示内容信息与目标多媒体越不匹配。由于参考多媒体资源具有多个内容信息,通过确定每个内容信息与目标多媒体资源的匹配度,以使后续能够准确地为该目标多媒体资源确定内容信息。
在一种可能实现方式中,如图5所示,获取内容信息与目标多媒体资源的匹配度的方式,可以包括以下步骤2041-2043:
2041、对任一内容信息进行分词处理,得到多个第二词语。
该步骤与上述步骤1类似,在此不再赘述。
2042、根据每个第二词语在目标多媒体资源中的出现频率,获取每个第二词语与目标多媒体资源的匹配度。
其中,第二词语与目标多媒体资源的匹配度表示第二词语与目标多媒体资源的匹配程度,第二词语在目标多媒体资源中的出现频率越大,该匹配度越大,第二词语在目标多媒体资源中的出现频率越小,该匹配度越小。
在一种可能实现方式中,该步骤2042可以包括:根据任一第二词语在目标多媒体资源中的第一出现频率,及该第二词语在该内容信息中的第二出现频率,获取每个第二词语与目标多媒体资源的匹配度。
在一种可能实现方式中,对于任一第二词语qi,该第二词语qi在目标资源中的第一出现频率fi、该第二词语qi在该内容信息中的第二出现频率qfi及该第二词语qi与目标多媒体资源的匹配度R(qi,d),满足以下关系:
其中,qi表示多个第二词语中第i个第二词语,d表示目标多媒体资源;k1、k2、b均为调节因子,均可以为任意常数,如k1=2、b=0.75;M为调节参数,dl用于表示该目标多媒体资源的长度,如当多媒体资源为文本资源时,目标多媒体资源的长度是指文本资源包括的词语的个数,当多媒体资源为视频资源或图像资源时,目标多媒体资源的长度是指该视频资源或图像资源对应的标题及简介信息中包括的词语的个数;avg用于表示平均值,avgdl表示多个备选多媒体资源及该目标多媒体资源的平均长度。
在上述关系式中,b用于调整多媒体资源的长度对匹配度的影响,b越大,多媒体资源的长度的对第二词语与目标多媒体资源的匹配度的影响越大,b越小,多媒体资源的长度对第二词语与目标多媒体资源的匹配度的影响越小。多媒体资源的相对长度越大,则M越大,则第二词语与目标多媒体资源的匹配度会越小。
在一种可能实现方式中,对于任一第二词语qi,该第二词语qi在该内容信息中的第二出现频率qfi为1,则该第二词语qi在目标资源中的第一出现频率fi、及该第二词语qi与目标多媒体资源d的匹配度R(qi,d),满足以下关系:
2043、根据多个第二词语的权重,对多个第二词语与目标多媒体资源的匹配度进行加权处理,得到内容信息与目标多媒体资源的匹配度。
其中,第二词语的权重用于表示该第二词语与目标多媒体资源的匹配度,对内容信息与目标多媒体资源的匹配度的贡献程度,权重越大,该第二词语与目标多媒体资源的匹配度的贡献程度越大。
在一种可能实现方式中,该步骤2043可以包括:确定每个第二词语与目标多媒体资源的匹配度与对应的权重之间的乘积,将得到的多个乘积之间的和,确定为该内容信息与目标多媒体资源的匹配度。通过确定每个第二词语与目标多媒体资源的匹配度及每个第二词语的权重,将多个第二词语与目标多媒体资源的匹配度进行加权求和,得到该内容信息与该目标多媒体资源的匹配度。
在另一种可能实现方式中,多个第二词语与目标多媒体资源的匹配度、每个第二词语的权重及内容信息Q与目标多媒体资源d的第二匹配度Score(Q,d)满足以下关系:
其中,n表示多个第二词语的总个数,n为不小于2的正整数,Wi表示多个第二词语中第i个第二词语qi的权重,R(qi,d)表示第二词语qi与目标多媒体资源d的匹配度。
在一种可能实现方式中,该步骤2043可以包括:确定每个第二词语与目标多媒体资源的匹配度、与对应的权重之间的乘积,将得到的多个乘积之间的和与多个第二词语的个数之间的比值,确定为该内容信息与目标多媒体资源的第二匹配度。通过确定每个第二词语与目标多媒体资源的匹配度及每个第二词语的权重,将多个第二词语与目标多媒体资源的匹配度进行加权平均,得到该内容信息与该目标多媒体资源的匹配度。
对于获取第二词语的权重的方式,在一种可能实现方式中,对于任一第二词语,根据多个多媒体资源及该第二词语,确定包含该第二词语的多媒体资源的第一数目,根据该第一数目及该多个多媒体资源的总数目,确定该第二词语的权重。其中,该多个多媒体资源可以包括目标多媒体资源及多个备选多媒体资源,也可以包括预设的多个多媒体资源。
在一种可能实现方式中,对于任一第二词语qi,该第一数目n(qi)、总数目N及该第二词语qi的权重Wi满足以下关系:
其中,c为调整参数,可以为任意设置的常数,如c为0.5。
在上述关系式中,在多个多媒体资源中,包含了第二词语qi的多媒体资源的第一数目数越大,则该第二词语qi在不同多媒体资源中的区分度不高,根据该第二词语qi确定与目标多媒体资源的匹配度时,该第二词语qi的重要程度越低,因此第二词语qi的权重则越低。
在一种可能实现方式中,每个第二词语qi在该内容信息中的第二出现频率qfi为1,则内容信息Q与目标多媒体资源d的匹配度Score(Q,d)满足以下关系:
在一种可能实现方式中,该步骤203可以包括:根据每个内容信息的特征向量及目标多媒体资源的特征向量,确定每个内容信息与目标多媒体资源的匹配度。
该步骤与上述步骤202中确定每个备选多媒体资源与目标多媒体资源的匹配度的过程类似,在此不再赘述。
205、计算机设备根据多个内容信息中每个内容信息与目标多媒体资源的匹配度,从多个内容信息中选取目标多媒体资源的内容信息。
其中,目标多媒体资源的内容信息与目标多媒体资源的匹配度大于其他内容信息与目标多媒体资源的匹配度。
对于选取目标多媒体资源的内容信息的方式,在一种可能实现方式中,从多个内容信息中,选取与目标多媒体资源的匹配度大于第三预设阈值的内容信息,确定为目标多媒体资源的内容信息。
其中,第三预设阈值可以是任意设置的数值,如0.5或0.6等。内容信息与目标多媒体资源的匹配度大于第三预设阈值,则表示该内容信息与该目标多媒体资源相关,则将该内容信息确定为目标多媒体资源的内容信息。
在另一种可能实现方式中,将多个内容信息按照与目标多媒体资源的匹配度由小到大的顺序排列,从多个内容信息中选取匹配度最大的预设数目个内容信息,确定为参考多媒体资源。
其中,预设数目可以为是任意设置的数值,如3或4等。由于内容信息与目标多媒体资源的匹配度越大,则表示内容信息与目标多媒体资源的匹配程度越高,因此,从多个内容信息中选取匹配度最大的预设数目个内容信息作为目标多媒体资源的内容信息。
需要说明的是,本申请实施例是以根据内容信息与目标多媒体资源的第二匹配度,确定内容信息进行说明的,而在另一实施例中,无需执行步骤203-204,可以采取其他方式,从多个内容信息中确定内容信息。
在一种可能实现方式中,根据多个内容信息及每个内容信息的分类标签,从多个内容信息中选取属于目标分类标签、且与目标多媒体资源匹配的内容信息,确定为内容信息。
其中,分类标签用于描述内容信息所属的类别,该分类标签可以包括劣质分类标签及优质分类标签,该劣质分类标签可以为低俗分类标签、谩骂分类标签和泛低质分类标签。该目标分类标签可以为优质分类标签,以使从多个内容信息中选取高质量的内容信息作为该内容信息。
对于获取内容信息的分类标签的方式,在一种可能实现方式中,基于分类模型对多个内容信息进行处理,确定每个内容信息的分类标签。其中,该分类模型是训练完成的模型,用于确定内容信息的所属的类别,为内容信息生成对应的分类标签。
对于该分类模型的训练过程,获取多个样本内容信息,对该多个样本内容信息进行预处理,对预处理后的多个样本内容信息进行标注,确定每个样本内容信息的分类标签,通过预处理后的多个样本内容信息及每个样本内容信息的分类标签对该分类模型进行训练。
其中,预处理可以是包括繁简转换、大小写转换、隐藏文字去除、低俗关键词清洗,还可以包括情感过滤、敏感过滤等通用过滤,以及规则判别等涉及表情、冗余字符处理与语法基础优化等,确保样本内容信息的准确性。该规则判别可以为过滤掉手机号、用户账号等敏感信息。
在预处理后的多个样本内容信息进行标注时,可以通过人工标注,确定每个样本内容信息的分类标签。该分类标签可以包括劣质分类标签和优质分类标签,在确定劣质分类标签时,可以根据内容信息的劣质程度,将劣质分类标签分为多级,不同的劣质程度对应不同的劣质分类标签;在确定优质分类标签时,可以根据内容信息中包括的内容及内容信息对应的点赞数目确定。
另外,该分类模型在对内容信息进行处理时,可以获取内容信息的特征向量,通过对内容信息的特征向量对该内容信息进行分类,从而确定内容信息的分类标签。该分类模型可以包括词向量获取子模型和分类子模型,该词向量获取子模型可以为Text CNN(TextConvolutional Neural Networks,文本卷积神经网络)模型或者其他模型,该分类子模型可以为SVM(Support Vector Machine,支持向量机)模型或者其他模型。
随着互联网的发展,用户可以在互联网中发布多媒体资源。无论是文本资源、图像资源还是视频资源,在移动互联网时代获得了飞速的发展,用户在查看多媒体资源后,还可以对多媒体资源进行评论、点赞、转发、收藏等各种互动行为。内容信息多为非正式的书面评论,存在诸多非法字符比如表情、符号等,往往需要通过信息清洗完成内容信息的规整。清洗后的内容信息可以基于自然语言处理相关技术(词法分析、句法分析、信息抽取、主旨话题模型)进行分析。内容信息作为用户问题、建议、态度的载体,对产品评估和改进优化极具价值。对于用户内容信息,可以通过文本分析解读用户的关注焦点、主要讨论话题、用户的情感倾向,以及主要评论的主体对象等。内容信息可以是由此文章延伸和拓展出来的各种感悟。比如有情趣的思想火花,或者也可以是直接拓贴,那些喜欢的段落和句子,以表示认真读过写者这些精美绝妙的文字的。不同用户的不同内容信息,相当于不同领域、不同层次、不同世界观、不同生活环境的各种用户在直接表达意见和交流。内容信息可以使人们讨论他们的观点并共享新信息,还可以引起人们的注意并鼓励页面浏览。
本申请实施例提供的方法,获取目标多媒体资源及多个备选多媒体资源的特征向量,从多个备选多媒体资源中,选取特征向量与目标多媒体资源的特征向量匹配的参考多媒体资源,以使获取到的参考多媒体资源能够与该目标多媒体资源相匹配,根据参考多媒体资源的多个内容信息,从多个内容信息中选取与目标多媒体资源匹配的内容信息,确定为目标多媒体资源的内容信息,提供了一种自动为目标多媒体资源确定内容信息的方式,能够保证确定内容信息与该目标多媒体资源相匹配,提高了内容信息的准确性。
通过将其他多媒体资源的内容信息迁移为该目标多媒体资源的内容信息,避免了该目标多媒体资源的内容信息的个数为0,优化了该目标多媒体资源的冷启动,使用户可以查看目标多媒体资源的内容信息,从而提高了对用户的吸引力。
通过根据多媒体资源之间的匹配度,确定与目标多媒体资源匹配的参考多媒体资源,提高了获取到的参考多媒体资源的准确性,且根据多个内容信息与目标多媒体资源之间的匹配度,为目标多媒体资源确定内容信息,提高了获取到的内容信息的准确性。并且,根据内容信息的分类标签,从多个内容信息中确定内容信息,以保证内容信息的质量。
图6是本申请实施例提供的一种信息管理***的结构示意图,如图6所示,该信息管理***包括:第一终端601、第二终端602和服务器603,第一终端601和第二终端602分别与服务器603建立通信连接。
服务器603可以发布多个多媒体资源供用户查看,第一终端601查看服务器发布的第一多媒体资源,针对第一多媒体资源生成第一内容信息,服务器603采用本申请实施例提供的方法,对第一内容信息进行迁移,作为第二多媒体资源的内容信息,第二终端602在查看服务器发布的第二多媒体资源时,可以查看该第二多媒体资源对应的第一内容信息。
如图7所示,是本申请实施例提供的一种信息管理***的结构示意图,如图7所示,该信息管理***包括:第一用户终端701、上下行内容接口服务器702、多媒体资源数据库703、调度中心服务器704、排重服务子***705、人工审核子***706、内容分发出口服务器707、统计上报接口服务器708、内容信息数据库709、内容信息质量评价服务器710、多媒体资源匹配服务器711、内容信息匹配服务器712、内容信息迁移服务器713、第二用户终端714及第三用户终端715。
第一阶段、多媒体资源发布阶段:
第一用户终端701可以为多媒体资源生成终端,该多媒体资源生成终端可以为PGC(Professional Generated Content,专业生产内容的机构或者组织)或者UGC(UserGenerated Content,用户原创内容),MCN(Multi-Channel Network,多频道网络)或者PUGC(Professional User Generated Content,专业用户原创内容)的内容生产者,通过终端或者后端接口API(Application Programming Interface,应用程序接口)***,提供多媒体资源,如本地或者拍摄的图文内容,视频或者图集内容,在拍摄过程当中本地图文内容可以选择搭配的音乐,滤镜模板和图文的美化功能等,通过与上下行内容接口服务器702的通信,先获取上传服务器接口地址,然后根据该上传服务器接口地址,将多媒体资源上传至该上下行内容接口服务器702。
上下行内容接口服务器702接收到第一用户终端701上传的多媒体资源,将该多媒体资源及该多媒体资源的元信息写入多媒体资源数据库703,该多媒体资源还可以包括标题、发布者、摘要、封面图、发布时间,该元信息可以包括文件大小、封面图链接、码率、文件格式、标题、发布时间、作者、是否原创的标记等信息。并且,该上下行内容接口服务器702将上传的多媒体资源提交给调度中心服务器704。
多媒体资源数据库703用于存储多媒体资源及多媒体资源的元信息,还可以包括人工审核子***706为多媒体资源确定的类别及标签信息,如,类别包括第一类别,第二类别及第三类别,第一类别是科技,第二类别是智能手机,第三类别是国内手机,标签信息包括景点XX,该多媒体资源为对景点XX进行介绍的文本资源。
调度中心服务器704负责多媒体资源流转的整个调度过程,通过上下行内容接口服务器702接收入库的多媒体资源,然后从多媒体资源数据库703中获取多媒体资源的元信息,调度人工审核子***706和排重服务子***705对多媒体资源进行处理,可以控制调度的顺序和优先级。对于多媒体资源的审核过程,先调度排重服务子***705,对不同码率、不同清晰度、不同尺寸、部分黑屏、有无滤镜、有无Logo(标志)、在相似多媒体资源当中***部分广告及片头片尾的裁剪都可以进行排重处理,还可以通过向量和标题是否重复的判断进行排重。排重服务子***705用于对多媒体资源进行排重服务,在排重服务过程中,对多媒体资源进行向量化,然后建立向量的索引,然后通过比较向量之间的距离来确定相似程度;通常将多媒体资源通过BERT(Bidirectional Encoder Representation fromTransformers,双向编码器表示模型)向量化,所有排重任务之前,先对标题短文本进行排重,还可以对多媒体资源进行各种质量判断比如低质过滤、分类等。排重服务子***705将排重处理的结果会写入多媒体资源数据库703,对于完全重复一样的多媒体资源不会给人工审核子***706进行重复的二次处理。
人工审核子***706通过读取多媒体资源数据库703中多媒体资源,通过人工来对内容是否涉及色情、赌博的特性进行一轮初步过滤。在初步审核的基础之上,对多媒体资源进行二次审核,是对多媒体资源进行分类和标签的标注或者确认。由于排重服务子***705对视频资源审核的准确性不高,因此,在排重服务子***705对视频资源审核后的基础上进行二次的人工审核处理,从而提高对视频资源的标注的准确性,且提高了处理效率。
该调度中心服务器704还可以将通过人工审核子***706的多媒体资源发送至内容分发出口服务器707。
内容分发出口服务器707通过接收调度中心服务器704发送的通过人工审核子***706的多媒体资源,将该多媒体资源以Feeds的形式进行发布,供第二用户终端714查看。
第二阶段、内容信息发布阶段:
第三用户终端715还可以作为消费者,通过与上下行内容接口服务的通信,获取访问多媒体资源的索引信息,然后下载对应的多媒体资源并且通过本地播放器来播放观看。同时将上传和下载过程当中的行为数据、卡顿、加载时间、播放点击等上报给统计上报接口服务。并且,该第三用户终端715对多媒体资源的互动信息,如对多媒体资源的评论、点赞,转发、收藏等,上报至统计上报接口服务。还可以对多媒体资源中的低质的内容信息进行举报,将举报的内容信息上报到内容信息数据库,在作为样本之前经过人工审核子***706。
统计上报接口服务器708接收第三用户终端715上传的对多媒体资源的内容信息,将该内容信息写入内容信息数据库709。
内容信息数据库709用于存储内容信息,可以为内容信息质量评价服务器和内容信息迁移服务器713提供内容信息及其他互动数据。
第三阶段、内容信息迁移阶段:
内容信息质量评价服务器710可以按照上述实施例提供的方法,对多媒体资源的内容信息进行质量建模和分级,从而得到每个内容信息的分类标签。
多媒体资源匹配服务器711可以按照上述实施例提供的方法,为目标多媒体资源确定匹配的参考多媒体资源,为内容信息迁移服务器713提供匹配结果。
内容信息匹配服务器712可以按照上述实施例提供的方法,确定参考多媒体资源的多个内容信息中,确定与目标多媒体资源匹配的内容信息,为内容信息迁移服务器713提供匹配结果。
内容信息迁移服务器713通过调度服务器,根据多媒体资源匹配服务器711和内容信息匹配服务器712的匹配结果,实现内容信息迁移的效果,为目标多媒体资源生成内容信息。
该调度中心服务器704还可以调度内容信息迁移服务,完成优质内容信息迁移工作,同时将迁移的内容信息输出到内容分发出口服务器707,是以该内容分发出口服务器707,供第二用户终端714查看。
图8是本申请实施例提供的一种内容信息确定装置的结构示意图,如图8所示,该装置包括:
特征向量获取模块801,用于获取目标多媒体资源及多个备选多媒体资源的特征向量;
多媒体资源选取模块802,用于从多个备选多媒体资源中,选取特征向量与目标多媒体资源的特征向量匹配的参考多媒体资源;
内容信息确定模块803,用于根据参考多媒体资源的多个内容信息,从多个内容信息中选取与目标多媒体资源匹配的内容信息,确定为目标多媒体资源的内容信息。
本申请实施例提供的装置,获取目标多媒体资源及多个备选多媒体资源的特征向量,从多个备选多媒体资源中,选取特征向量与目标多媒体资源的特征向量匹配的参考多媒体资源,以使获取到的参考多媒体资源能够与该目标多媒体资源相匹配,根据参考多媒体资源的多个内容信息,从多个内容信息中选取与目标多媒体资源匹配的内容信息,确定为目标多媒体资源的内容信息,提供了一种自动为目标多媒体资源确定内容信息的方式,能够保证确定内容信息与该目标多媒体资源相匹配,提高了内容信息的准确性。
可选地,如图9所示,特征向量获取模块801,包括:
图网络创建单元8011,用于根据目标多媒体资源及多个备选多媒体资源,创建图网络,图网络包括目标多媒体资源对应的目标多媒体资源节点及多个备选多媒体资源对应的多个备选多媒体资源节点,满足第一关联条件的任两个多媒体资源节点连接;
第一特征向量获取单元8012,用于基于第一特征提取模型对图网络进行处理,获取目标多媒体资源节点及多个备选多媒体资源节点的特征向量,将目标多媒体资源节点的特征向量作为目标多媒体资源的特征向量,将多个备选多媒体资源节点的特征向量作为多个备选多媒体资源的特征向量。
可选地,图网络创建单元8011,还用于对目标多媒体资源中的文本资源及多个备选多媒体资源中的文本资源进行分词处理,得到多个第一词语;根据目标多媒体资源、多个备选多媒体资源及多个第一词语,创建图网络,图网络包括目标多媒体资源对应的目标多媒体资源节点、多个备选多媒体资源对应的多个备选多媒体资源节点及多个第一词语对应的多个词节点,满足第二关联条件的词节点与多媒体资源节点连接。
可选地,如图9所示,装置还包括:
节点确定模块804,用于响应于任一第一词语在任一多媒体资源的文本资源中的出现频率大于第一预设阈值,确定第一词语对应的词节点与多媒体资源对应的多媒体资源节点满足第二关联条件。
可选地,如图9所示,多媒体资源包括视频资源;特征向量获取模块801,包括:
抽帧处理单元8013,用于分别对目标多媒体资源及多个备选多媒体资源进行抽帧处理,得到目标多媒体资源及多个备选多媒体资源对应的多个视频帧;
第二特征向量获取单元8014,用于基于第二特征提取模型,分别对目标多媒体资源及多个备选多媒体资源对应的多个视频帧进行处理,获取目标多媒体资源及多个备选多媒体资源的特征向量。
可选地,第二特征向量获取单元8014,还用于基于第二特征提取模型,对任一多媒体资源对应的多个视频帧分别进行处理,得到多个视频帧的特征向量;对多个视频帧的特征向量进行融合处理,得到多媒体资源的特征向量。
可选地,如图9所示,多媒体资源选取模块802,包括:
第一匹配度获取单元8021,用于根据目标多媒体资源及多个备选多媒体资源的特征向量,获取每个备选多媒体资源与目标多媒体资源的匹配度;
多媒体资源选取单元8022,用于根据每个备选多媒体资源与目标多媒体资源的匹配度,从多个备选多媒体资源中选取参考多媒体资源,参考多媒体资源与目标多媒体资源的匹配度大于其他备选多媒体资源与目标多媒体资源的匹配度。
可选地,如图9所示,内容信息确定模块803,包括:
第二匹配度获取单元8031,用于根据参考多媒体资源的多个内容信息,获取多个内容信息中每个内容信息与目标多媒体资源的匹配度;
内容信息选取单元8032,用于根据每个内容信息与目标多媒体资源的匹配度,从多个内容信息中选取目标多媒体资源的内容信息,目标多媒体资源的内容信息与目标多媒体资源的匹配度大于其他内容信息与目标多媒体资源的匹配度。
可选地,第二匹配度获取单元8031,还用于对任一内容信息进行分词处理,得到多个第二词语;根据每个第二词语在目标多媒体资源中的出现频率,获取每个第二词语与目标多媒体资源的匹配度;根据多个第二词语的权重,对多个第二词语与目标多媒体资源的匹配度进行加权处理,得到内容信息与目标多媒体资源的匹配度。
可选地,第二匹配度获取单元8031,还用于根据每个内容信息的特征向量及目标多媒体资源的特征向量,确定每个内容信息与目标多媒体资源的匹配度。
可选地,如图9所示,内容信息确定模块803,包括:
内容信息确定单元8033,用于根据多个内容信息及每个内容信息的分类标签,从多个内容信息中选取属于目标分类标签、且与目标多媒体资源匹配的内容信息,确定为目标多媒体资源的内容信息。
可选地,如图9所示,装置还包括:
分类标签确定模块805,用于基于分类模型对多个内容信息进行处理,确定每个内容信息的分类标签。
图10是本申请实施例提供的一种终端的结构示意图,可以实现上述实施例中计算机设备执行的操作。该终端1000可以是便携式移动终端,比如:智能手机、平板电脑、MP3播放器(Moving Picture Experts Group Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、笔记本电脑、台式电脑、头戴式设备、智能电视、智能音箱、智能遥控器、智能话筒,或其他任意智能终端。终端1000还可能被称为用户设备、便携式终端、膝上型终端、台式终端等其他名称。
通常,终端1000包括有:处理器1001和存储器1002。
处理器1001可以包括一个或多个处理核心,比如4核心处理器、8核心处理器等。存储器1002可以包括一个或多个计算机可读存储介质,该计算机可读存储介质可以是非暂态的,用于存储至少一个指令,该至少一个指令用于被处理器1001所具有以实现本申请中方法实施例提供的内容信息确定方法。
在一些实施例中,终端1000还可选包括有:***设备接口1003和至少一个***设备。处理器1001、存储器1002和***设备接口1003之间可以通过总线或信号线相连。各个***设备可以通过总线、信号线或电路板与***设备接口1003相连。具体地,***设备包括:射频电路1004、显示屏1005和音频电路1006中的至少一种。
射频电路1004用于接收和发射RF(Radio Frequency,射频)信号,也称电磁信号。射频电路1004通过电磁信号与通信网络及其他通信设备进行通信。
显示屏1005用于显示UI(UserInterface,用户界面)。该UI可以包括图形、文本、图标、视频及其它们的任意组合。该显示屏1005可以是触摸显示屏,还可以用于提供虚拟按钮和/或虚拟键盘。
音频电路1006可以包括麦克风和扬声器。麦克风用于采集用户及环境的音频信号,并将音频信号转换为电信号输入至处理器1001进行处理,或者输入至射频电路1004以实现语音通信。出于立体声采集或降噪的目的,麦克风可以为多个,分别设置在终端1000的不同部位。麦克风还可以是阵列麦克风或全向采集型麦克风。扬声器则用于将来自处理器1001或射频电路1004的电信号转换为音频信号。
本领域技术人员可以理解,图10中示出的结构并不构成对终端1000的限定,可以包括比图示更多或更少的组件,或者组合某些组件,或者采用不同的组件布置。
图11是本申请实施例提供的一种服务器的结构示意图,该服务器1100可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(Central ProcessingUnits,CPU)1101和一个或一个以上的存储器1102,其中,存储器1102中存储有至少一条指令,至少一条指令由处理器1101加载并执行以实现上述各个方法实施例提供的方法。当然,该服务器还可以具有有线或无线网络接口、键盘及输入输出接口等部件,以便进行输入输出,该服务器还可以包括其他用于实现设备功能的部件,在此不做赘述。
服务器1100可以用于执行上述内容信息确定方法。
本申请实施例还提供了一种计算机设备,该计算机设备包括处理器和存储器,存储器中存储有至少一条指令,该至少一条指令由处理器加载并执行,以实现上述实施例的内容信息确定方法。
本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质中存储有至少一条指令,该至少一条指令由处理器加载并执行,以实现上述实施例的内容信息确定方法。
本申请实施例还提供了一种计算机程序,该计算机程序中存储有至少一条指令,该至少一条指令由处理器加载并执行,以实现上述实施例的内容信息确定方法。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅为本申请实施例的可选实施例,并不用以限制本申请实施例,凡在本申请实施例的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (26)
1.一种内容信息确定方法,其特征在于,所述方法包括:
获取目标多媒体资源及多个备选多媒体资源的特征向量,所述目标多媒体资源的内容信息的数量小于预设阈值,所述备选多媒体资源的内容信息的数量不小于所述预设阈值;
从所述多个备选多媒体资源中,选取特征向量与所述目标多媒体资源的特征向量匹配的参考多媒体资源;
根据所述参考多媒体资源的多个内容信息,从所述多个内容信息中选取与所述目标多媒体资源匹配的内容信息;
对与所述目标多媒体资源匹配的内容信息进行迁移,作为所述目标多媒体资源的内容信息,以使终端在查看所述目标多媒体资源时能够查看所述目标多媒体资源的内容信息。
2.根据权利要求1所述的方法,其特征在于,所述获取目标多媒体资源及多个备选多媒体资源的特征向量,包括:
根据所述目标多媒体资源及所述多个备选多媒体资源,创建图网络,所述图网络包括所述目标多媒体资源对应的目标多媒体资源节点及所述多个备选多媒体资源对应的多个备选多媒体资源节点,满足第一关联条件的任两个多媒体资源节点连接;
基于第一特征提取模型对所述图网络进行处理,获取所述目标多媒体资源节点及所述多个备选多媒体资源节点的特征向量,将所述目标多媒体资源节点的特征向量作为所述目标多媒体资源的特征向量,将所述多个备选多媒体资源节点的特征向量作为所述多个备选多媒体资源的特征向量。
3.根据权利要求2所述的方法,其特征在于,所述根据所述目标多媒体资源及所述多个备选多媒体资源,创建图网络,包括:
对所述目标多媒体资源中的文本资源及所述多个备选多媒体资源中的文本资源进行分词处理,得到多个第一词语;
根据所述目标多媒体资源、所述多个备选多媒体资源及所述多个第一词语,创建图网络,所述图网络包括所述目标多媒体资源对应的目标多媒体资源节点、所述多个备选多媒体资源对应的多个备选多媒体资源节点及所述多个第一词语对应的多个词节点,满足第二关联条件的词节点与多媒体资源节点连接。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:
响应于任一第一词语在任一多媒体资源的文本资源中的出现频率大于第一预设阈值,确定所述第一词语对应的词节点与所述多媒体资源对应的多媒体资源节点满足所述第二关联条件。
5.根据权利要求1所述的方法,其特征在于,多媒体资源包括视频资源;所述获取目标多媒体资源及多个备选多媒体资源的特征向量,包括:
分别对所述目标多媒体资源及所述多个备选多媒体资源进行抽帧处理,得到所述目标多媒体资源及所述多个备选多媒体资源对应的多个视频帧;
基于第二特征提取模型,分别对所述目标多媒体资源及所述多个备选多媒体资源对应的多个视频帧进行处理,获取所述目标多媒体资源及所述多个备选多媒体资源的特征向量。
6.根据权利要求5所述的方法,其特征在于,所述基于第二特征提取模型,分别对所述目标多媒体资源及所述多个备选多媒体资源对应的多个视频帧进行处理,获取所述目标多媒体资源及所述多个备选多媒体资源的特征向量,包括:
基于所述第二特征提取模型,对任一多媒体资源对应的多个视频帧分别进行处理,得到所述多个视频帧的特征向量;
对所述多个视频帧的特征向量进行融合处理,得到所述多媒体资源的特征向量。
7.根据权利要求1所述的方法,其特征在于,所述从所述多个备选多媒体资源中,选取特征向量与所述目标多媒体资源的特征向量匹配的参考多媒体资源,包括:
根据所述目标多媒体资源及所述多个备选多媒体资源的特征向量,确定每个备选多媒体资源与所述目标多媒体资源的匹配度;
根据所述每个备选多媒体资源与所述目标多媒体资源的匹配度,从所述多个备选多媒体资源中选取参考多媒体资源,所述参考多媒体资源与所述目标多媒体资源的匹配度大于其他备选多媒体资源与所述目标多媒体资源的匹配度。
8.根据权利要求1所述的方法,其特征在于,所述根据所述参考多媒体资源的多个内容信息,从所述多个内容信息中选取与所述目标多媒体资源匹配的内容信息,包括:
根据所述参考多媒体资源的多个内容信息,获取所述多个内容信息中每个内容信息与所述目标多媒体资源的匹配度;
根据所述每个内容信息与所述目标多媒体资源的匹配度,从所述多个内容信息中选取所述目标多媒体资源的内容信息,所述目标多媒体资源的内容信息与所述目标多媒体资源的匹配度大于其他内容信息与所述目标多媒体资源的匹配度。
9.根据权利要求8所述的方法,其特征在于,所述根据所述参考多媒体资源的多个内容信息,获取所述多个内容信息中每个内容信息与所述目标多媒体资源的匹配度,包括:
对任一内容信息进行分词处理,得到多个第二词语;
根据每个第二词语在所述目标多媒体资源中的出现频率,获取所述每个第二词语与所述目标多媒体资源的匹配度;
根据所述多个第二词语的权重,对所述多个第二词语与所述目标多媒体资源的匹配度进行加权处理,得到所述内容信息与所述目标多媒体资源的匹配度。
10.根据权利要求8所述的方法,其特征在于,所述根据所述参考多媒体资源的多个内容信息,获取所述多个内容信息中每个内容信息与所述目标多媒体资源的匹配度,包括:
根据所述每个内容信息的特征向量及所述目标多媒体资源的特征向量,确定所述每个内容信息与所述目标多媒体资源的匹配度。
11.根据权利要求1所述的方法,其特征在于,所述根据所述参考多媒体资源的多个内容信息,从所述多个内容信息中选取与所述目标多媒体资源匹配的内容信息,包括:
根据所述多个内容信息及每个内容信息的分类标签,从所述多个内容信息中选取属于目标分类标签、且与所述目标多媒体资源匹配的内容信息。
12.根据权利要求11所述的方法,其特征在于,所述根据所述多个内容信息及每个内容信息的分类标签,从所述多个内容信息中选取属于目标分类标签、且与所述目标多媒体资源匹配的内容信息之前,所述方法还包括:
基于分类模型对所述多个内容信息进行处理,确定每个内容信息的分类标签。
13.一种内容信息确定装置,其特征在于,所述装置包括:
特征向量获取模块,用于获取目标多媒体资源及多个备选多媒体资源的特征向量,所述目标多媒体资源的内容信息的数量小于预设阈值,所述备选多媒体资源的内容信息的数量不小于所述预设阈值;
多媒体资源选取模块,用于从所述多个备选多媒体资源中,选取特征向量与所述目标多媒体资源的特征向量匹配的参考多媒体资源;
内容信息确定模块,用于根据所述参考多媒体资源的多个内容信息,从所述多个内容信息中选取与所述目标多媒体资源匹配的内容信息;
所述装置还包括用于执行以下步骤的模块:对与所述目标多媒体资源匹配的内容信息进行迁移,作为所述目标多媒体资源的内容信息,以使终端在查看所述目标多媒体资源时能够查看所述目标多媒体资源的内容信息。
14.根据权利要求13所述的装置,其特征在于,所述特征向量获取模块,包括:
图网络创建单元,用于根据所述目标多媒体资源及所述多个备选多媒体资源,创建图网络,所述图网络包括所述目标多媒体资源对应的目标多媒体资源节点及所述多个备选多媒体资源对应的多个备选多媒体资源节点,满足第一关联条件的任两个多媒体资源节点连接;
第一特征向量获取单元,用于基于第一特征提取模型对所述图网络进行处理,获取所述目标多媒体资源节点及所述多个备选多媒体资源节点的特征向量,将所述目标多媒体资源节点的特征向量作为所述目标多媒体资源的特征向量,将所述多个备选多媒体资源节点的特征向量作为所述多个备选多媒体资源的特征向量。
15.根据权利要求14所述的装置,其特征在于,所述图网络创建单元,还用于对所述目标多媒体资源中的文本资源及所述多个备选多媒体资源中的文本资源进行分词处理,得到多个第一词语;根据所述目标多媒体资源、所述多个备选多媒体资源及所述多个第一词语,创建图网络,所述图网络包括所述目标多媒体资源对应的目标多媒体资源节点、所述多个备选多媒体资源对应的多个备选多媒体资源节点及所述多个第一词语对应的多个词节点,满足第二关联条件的词节点与多媒体资源节点连接。
16.根据权利要求15所述的装置,其特征在于,所述装置还包括:
节点确定模块,用于响应于任一第一词语在任一多媒体资源的文本资源中的出现频率大于第一预设阈值,确定所述第一词语对应的词节点与所述多媒体资源对应的多媒体资源节点满足所述第二关联条件。
17.根据权利要求13所述的装置,其特征在于,多媒体资源包括视频资源;所述特征向量获取模块,包括:
抽帧处理单元,用于分别对所述目标多媒体资源及所述多个备选多媒体资源进行抽帧处理,得到所述目标多媒体资源及所述多个备选多媒体资源对应的多个视频帧;
第二特征向量获取单元,用于基于第二特征提取模型,分别对所述目标多媒体资源及所述多个备选多媒体资源对应的多个视频帧进行处理,获取所述目标多媒体资源及所述多个备选多媒体资源的特征向量。
18.根据权利要求17所述的装置,其特征在于,所述第二特征向量获取单元,还用于基于所述第二特征提取模型,对任一多媒体资源对应的多个视频帧分别进行处理,得到所述多个视频帧的特征向量;对所述多个视频帧的特征向量进行融合处理,得到所述多媒体资源的特征向量。
19.根据权利要求13所述的装置,其特征在于,所述多媒体资源选取模块,包括:
第一匹配度获取单元,用于根据所述目标多媒体资源及所述多个备选多媒体资源的特征向量,确定每个备选多媒体资源与所述目标多媒体资源的匹配度;
多媒体资源选取单元,用于根据所述每个备选多媒体资源与所述目标多媒体资源的匹配度,从所述多个备选多媒体资源中选取参考多媒体资源,所述参考多媒体资源与所述目标多媒体资源的匹配度大于其他备选多媒体资源与所述目标多媒体资源的匹配度。
20.根据权利要求13所述的装置,其特征在于,所述内容信息确定模块,包括:
第二匹配度获取单元,用于根据所述参考多媒体资源的多个内容信息,获取所述多个内容信息中每个内容信息与所述目标多媒体资源的匹配度;
内容信息选取单元,用于根据所述每个内容信息与所述目标多媒体资源的匹配度,从所述多个内容信息中选取所述目标多媒体资源的内容信息,所述目标多媒体资源的内容信息与所述目标多媒体资源的匹配度大于其他内容信息与所述目标多媒体资源的匹配度。
21.根据权利要求20所述的装置,其特征在于,所述第二匹配度获取单元,还用于对任一内容信息进行分词处理,得到多个第二词语;根据每个第二词语在所述目标多媒体资源中的出现频率,获取所述每个第二词语与所述目标多媒体资源的匹配度;根据所述多个第二词语的权重,对所述多个第二词语与所述目标多媒体资源的匹配度进行加权处理,得到所述内容信息与所述目标多媒体资源的匹配度。
22.根据权利要求20所述的装置,其特征在于,所述第二匹配度获取单元,还用于根据所述每个内容信息的特征向量及所述目标多媒体资源的特征向量,确定所述每个内容信息与所述目标多媒体资源的匹配度。
23.根据权利要求13所述的装置,其特征在于,所述内容信息确定模块,包括:
内容信息确定单元,用于根据所述多个内容信息及每个内容信息的分类标签,从所述多个内容信息中选取属于目标分类标签、且与所述目标多媒体资源匹配的内容信息。
24.根据权利要求23所述的装置,其特征在于,所述装置还包括:
分类标签确定模块,用于基于分类模型对所述多个内容信息进行处理,确定每个内容信息的分类标签。
25.一种计算机设备,其特征在于,所述计算机设备包括处理器和存储器,所述存储器中存储有至少一条指令,所述至少一条指令由所述处理器加载并执行,以实现如权利要求1至12任一权利要求所述的内容信息确定方法。
26.一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中存储有至少一条指令,所述至少一条指令由处理器加载并执行,以实现如权利要求1至12任一权利要求所述的内容信息确定方法。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010213262.1A CN111444357B (zh) | 2020-03-24 | 2020-03-24 | 内容信息确定方法、装置、计算机设备及存储介质 |
PCT/CN2021/075270 WO2021190174A1 (zh) | 2020-03-24 | 2021-02-04 | 信息确定方法、装置、计算机设备及存储介质 |
US17/721,295 US12001474B2 (en) | 2020-03-24 | 2022-04-14 | Information determining method and apparatus, computer device, and storage medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010213262.1A CN111444357B (zh) | 2020-03-24 | 2020-03-24 | 内容信息确定方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111444357A CN111444357A (zh) | 2020-07-24 |
CN111444357B true CN111444357B (zh) | 2023-10-20 |
Family
ID=71654369
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010213262.1A Active CN111444357B (zh) | 2020-03-24 | 2020-03-24 | 内容信息确定方法、装置、计算机设备及存储介质 |
Country Status (3)
Country | Link |
---|---|
US (1) | US12001474B2 (zh) |
CN (1) | CN111444357B (zh) |
WO (1) | WO2021190174A1 (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111444357B (zh) * | 2020-03-24 | 2023-10-20 | 腾讯科技(深圳)有限公司 | 内容信息确定方法、装置、计算机设备及存储介质 |
CN111898031B (zh) * | 2020-08-14 | 2024-04-05 | 腾讯科技(深圳)有限公司 | 一种获得用户画像的方法及装置 |
CN112749558B (zh) * | 2020-09-03 | 2023-11-24 | 腾讯科技(深圳)有限公司 | 一种目标内容获取方法、装置、计算机设备和存储介质 |
CN112364181B (zh) * | 2020-11-27 | 2024-05-28 | 深圳市慧择时代科技有限公司 | 一种保险产品匹配度确定方法及装置 |
CN112749339B (zh) * | 2021-01-18 | 2024-05-28 | 陕西师范大学 | 一种基于旅游知识图谱的旅游路线推荐方法及*** |
CN115688873A (zh) * | 2021-07-23 | 2023-02-03 | 伊姆西Ip控股有限责任公司 | 图数据处理方法、设备及计算机程序产品 |
US11954436B2 (en) * | 2021-07-26 | 2024-04-09 | Freshworks Inc. | Automatic extraction of situations |
CN113672783B (zh) * | 2021-08-11 | 2023-07-11 | 北京达佳互联信息技术有限公司 | 特征处理方法、模型训练方法及媒体资源处理方法 |
CN115600646B (zh) * | 2022-10-19 | 2023-10-03 | 北京百度网讯科技有限公司 | 语言模型的训练方法、装置、介质及设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109358744A (zh) * | 2018-08-30 | 2019-02-19 | Oppo广东移动通信有限公司 | 信息共享方法、装置、存储介质及穿戴式设备 |
CN109359592A (zh) * | 2018-10-16 | 2019-02-19 | 北京达佳互联信息技术有限公司 | 视频帧的处理方法、装置、电子设备及存储介质 |
CN110287278A (zh) * | 2019-06-20 | 2019-09-27 | 北京百度网讯科技有限公司 | 评论生成方法、装置、服务器及存储介质 |
CN110704598A (zh) * | 2019-09-29 | 2020-01-17 | 北京明略软件***有限公司 | 一种语句信息的抽取方法、抽取装置及可读存储介质 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10419820B2 (en) * | 2014-08-19 | 2019-09-17 | CharacTour LLC | Profiling media characters |
US20180130019A1 (en) * | 2016-06-21 | 2018-05-10 | 0934781 B.C. Ltd | System and method for Managing user and project nodes in a graph database |
US11069335B2 (en) * | 2016-10-04 | 2021-07-20 | Cerence Operating Company | Speech synthesis using one or more recurrent neural networks |
CN106547908B (zh) | 2016-11-25 | 2020-03-17 | 三星电子(中国)研发中心 | 一种信息推送方法和*** |
US10595039B2 (en) * | 2017-03-31 | 2020-03-17 | Nvidia Corporation | System and method for content and motion controlled action video generation |
US11315257B2 (en) * | 2019-04-30 | 2022-04-26 | Naidu Prakash Crj | Method for real time surface tracking in unstructured environments |
EP4026037A1 (en) * | 2019-09-06 | 2022-07-13 | Beamup, Ltd. | Systems and methods for structural design using modeling and simulation for architectural planning |
CN110781323A (zh) * | 2019-10-25 | 2020-02-11 | 北京达佳互联信息技术有限公司 | 多媒体资源的标签确定方法、装置、电子设备及存储介质 |
CN111444357B (zh) * | 2020-03-24 | 2023-10-20 | 腾讯科技(深圳)有限公司 | 内容信息确定方法、装置、计算机设备及存储介质 |
-
2020
- 2020-03-24 CN CN202010213262.1A patent/CN111444357B/zh active Active
-
2021
- 2021-02-04 WO PCT/CN2021/075270 patent/WO2021190174A1/zh active Application Filing
-
2022
- 2022-04-14 US US17/721,295 patent/US12001474B2/en active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109358744A (zh) * | 2018-08-30 | 2019-02-19 | Oppo广东移动通信有限公司 | 信息共享方法、装置、存储介质及穿戴式设备 |
CN109359592A (zh) * | 2018-10-16 | 2019-02-19 | 北京达佳互联信息技术有限公司 | 视频帧的处理方法、装置、电子设备及存储介质 |
CN110287278A (zh) * | 2019-06-20 | 2019-09-27 | 北京百度网讯科技有限公司 | 评论生成方法、装置、服务器及存储介质 |
CN110704598A (zh) * | 2019-09-29 | 2020-01-17 | 北京明略软件***有限公司 | 一种语句信息的抽取方法、抽取装置及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
US12001474B2 (en) | 2024-06-04 |
US20220237222A1 (en) | 2022-07-28 |
WO2021190174A1 (zh) | 2021-09-30 |
CN111444357A (zh) | 2020-07-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111444357B (zh) | 内容信息确定方法、装置、计算机设备及存储介质 | |
US11409791B2 (en) | Joint heterogeneous language-vision embeddings for video tagging and search | |
WO2022078102A1 (zh) | 一种实体识别方法、装置、设备以及存储介质 | |
WO2022161202A1 (zh) | 多媒体资源分类模型训练方法和多媒体资源推荐方法 | |
Shah et al. | Multimodal analysis of user-generated multimedia content | |
CN112749608B (zh) | 视频审核方法、装置、计算机设备和存储介质 | |
CN112131411A (zh) | 一种多媒体资源推荐方法、装置、电子设备及存储介质 | |
CN112231563B (zh) | 一种内容推荐方法、装置及存储介质 | |
CN112257661A (zh) | 低俗图像的识别方法、装置、设备及计算机可读存储介质 | |
CN111507097A (zh) | 一种标题文本处理方法、装置、电子设备及存储介质 | |
CN113011126B (zh) | 文本处理方法、装置、电子设备及计算机可读存储介质 | |
CN112364168A (zh) | 一种基于多属性信息融合的舆情分类方法 | |
CN117011745A (zh) | 一种数据处理方法、装置、计算机设备以及可读存储介质 | |
CN114817755A (zh) | 一种用户互动内容管理方法、装置和存储介质 | |
CN116975615A (zh) | 基于视频多模态信息的任务预测方法和装置 | |
CN116935170B (zh) | 视频处理模型的处理方法、装置、计算机设备和存储介质 | |
CN113822127A (zh) | 视频处理方法、装置、视频处理设备及存储介质 | |
CN116628345B (zh) | 一种内容推荐方法、装置、电子设备和存储介质 | |
WO2024021685A1 (zh) | 回复内容处理方法以及媒体内容互动内容的交互方法 | |
CN117216185A (zh) | 分发内容的评论生成方法、装置、设备及存储介质 | |
CN116980665A (zh) | 一种视频处理方法、装置、计算机设备、介质及产品 | |
Sanguansub et al. | Song lyrics recommendation for social media captions using image captioning, image emotion, and caption-lyric matching via universal sentence embedding | |
CN115115869A (zh) | 业务图像标注方法、装置、电子设备、计算机程序产品 | |
CN115168568A (zh) | 一种数据内容的识别方法、装置以及存储介质 | |
CN115130453A (zh) | 互动信息生成方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40026354 Country of ref document: HK |
|
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |