CN111767796A - 一种视频关联方法、装置、服务器和可读存储介质 - Google Patents
一种视频关联方法、装置、服务器和可读存储介质 Download PDFInfo
- Publication number
- CN111767796A CN111767796A CN202010474072.5A CN202010474072A CN111767796A CN 111767796 A CN111767796 A CN 111767796A CN 202010474072 A CN202010474072 A CN 202010474072A CN 111767796 A CN111767796 A CN 111767796A
- Authority
- CN
- China
- Prior art keywords
- video
- long
- text information
- target short
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000012545 processing Methods 0.000 claims abstract description 19
- 239000013598 vector Substances 0.000 claims description 102
- 238000004891 communication Methods 0.000 claims description 19
- 238000000605 extraction Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 12
- 230000011218 segmentation Effects 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 10
- 238000012098 association analyses Methods 0.000 abstract description 14
- 238000013473 artificial intelligence Methods 0.000 description 26
- 230000008569 process Effects 0.000 description 10
- 230000009471 action Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000012097 association analysis method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 235000021185 dessert Nutrition 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请提供了一种视频关联方法、装置、服务器和可读存储介质，属于计算机技术领域。本申请通过获取目标短视频对应的第一描述文本信息；获取预设长视频库中与目标短视频相匹配的多个长视频；其中，预设长视频库中的长视频有对应的第二描述文本信息，基于第一描述文本信息和第二描述文本信息得到目标短视频相匹配的多个长视频；基于目标短视频与多个长视频之间的视频相似度，从多个长视频中获得与目标短视频相关联的目标长视频。通过本方案，可以先通过描述文本信息匹配出与目标短视频相关联的多个长视频，再通过AI关联分析算法在这些长视频中匹配出与目标短视频关联度高的目标长视频，可以有效的减少AI处理量，从而节约AI资源。
Description
技术领域
本申请涉及计算机技术领域，尤其涉及一种视频关联方法、装置、服 务器和可读存储介质。
背景技术
随着网络视频的快速发展，不论是长视频还是短视频，其生产量都是 与日俱增，为了打通长短视频关系，实现“长找短”、“短带长”的视频 互通生态，充分发挥长视频和短视频两个领域的优势，急需找到一种快速 高效的将短视频和长视频建立关系的方法。
相关技术中，长短视频关联的方法通常为：基于视频相似检索和视频 特征的AI(Artificial Intelligence，人工智能)关联分析，AI关联分析过程 为抽取短视频的视频关键帧，生成短视频向量，抽取所有长视频的视频关 键帧，提取关键帧特征向量，生成长视频向量，使用短视频向量匹配所有 长视频向量，获得目标长视频。
然而，巨大的处理量造成了AI积压和负担，大量与短视频无关联关系 的长视频占用了AI的处理时间，导致AI资源的浪费。
发明内容
为了解决上述技术问题，本申请提供了一种视频关联方法、装置、服 务器和可读存储介质。
第一方面，提供了一种视频关联方法，所述方法包括：
获取目标短视频对应的第一描述文本信息；
获取预设长视频库中与所述目标短视频相匹配的多个长视频；其中， 所述预设长视频库中的长视频有对应的第二描述文本信息，基于所述第一 描述文本信息和所述第二描述文本信息得到所述目标短视频相匹配的多个 长视频；
基于所述目标短视频与所述多个长视频之间的视频相似度，从所述多 个长视频中获得与所述目标短视频相关联的目标长视频。
可选的，所述基于所述第一描述文本信息和所述第二描述文本信息得 到所述目标短视频相匹配的多个长视频，包括：
基于所述第一描述文本信息生成所述目标短视频的视频标签；
获取包含所述视频标签的第二描述文本信息对应的长视频。
可选的，所述基于所述第一描述文本信息生成所述目标短视频的视频 标签，包括：
基于所述目标短视频的标题文本生成第一特征向量；
基于所述目标短视频的第一描述文本信息提取多个候选标签，并生成 每个所述候选标签的第二特征向量；
基于预设的语义相似度算法，分别计算各所述第二特征向量和所述第 一特征向量的语义相似度；
将语义相似度大于预设第一阈值的候选标签确定为所述目标短视频的 视频标签。
可选的，所述基于所述目标短视频的第一描述文本信息提取多个候选 标签，包括：
将所述目标短视频的第一描述文本信息输入到预设的标签提取模型 中，输出所述目标短视频对应的多个候选标签。
可选的，所述基于所述目标短视频的第一描述文本信息提取多个候选 标签，包括：
对所述目标短视频的第一描述文本信息进行分词处理，得到所述第一 描述文本信息包含的分词；
基于预设的词语联想规则，在预设的词语库中确定与所述第一描述文 本信息包含的分词相关联的目标分词，作为所述目标短视频的候选标签。
可选的，所述基于所述目标短视频与所述多个长视频之间的视频相似 度，从所述多个长视频中获得与所述目标短视频相关联的目标长视频，包 括：
基于所述目标短视频包含的视频关键帧，生成短视频向量；
基于所述多个长视频包含的视频关键帧，分别生成各自的长视频向量；
使用所述短视频向量与多个所述长视频向量进行向量相似度分析，得 到所述目标短视频与各长视频的相似分数；
获取相似分数大于预设相似度阈值的长视频，作为目标长视频。
第二方面，提供了一种视频关联装置，所述装置包括：
第一获取模块，用于获取目标短视频对应的第一描述文本信息；
第二获取模块，用于获取预设长视频库中与所述目标短视频相匹配的 多个长视频；其中，所述预设长视频库中的长视频有对应的第二描述文本 信息，基于所述第一描述文本信息和所述第二描述文本信息得到所述目标 短视频相匹配的多个长视频；
获得模块，用于基于所述目标短视频与所述多个长视频之间的视频相 似度，从所述多个长视频中获得与所述目标短视频相关联的目标长视频。
可选的，所述第二获取模块，具体用于：
基于所述第一描述文本信息生成所述目标短视频的视频标签；
获取包含所述视频标签的第二描述文本信息对应的长视频。
可选的，所述第二获取模块，具体用于：
基于所述目标短视频的标题文本生成第一特征向量；
基于所述目标短视频的第一描述文本信息提取多个候选标签，并生成 每个所述候选标签的第二特征向量；
基于预设的语义相似度算法，分别计算各所述第二特征向量和所述第 一特征向量的语义相似度；
将语义相似度大于预设第一阈值的候选标签确定为所述目标短视频的 视频标签。
可选的，所述第二获取模块，具体用于：
将所述目标短视频的第一描述文本信息输入到预设的标签提取模型 中，输出所述目标短视频对应的多个候选标签。
可选的，所述第二获取模块，具体用于：
对所述目标短视频的第一描述文本信息进行分词处理，得到所述第一 描述文本信息包含的分词；
基于预设的词语联想规则，在预设的词语库中确定与所述第一描述文 本信息包含的分词相关联的目标分词，作为所述目标短视频的候选标签。
可选的，所述获得模块，具体用于：
基于所述目标短视频包含的视频关键帧，生成短视频向量；
基于所述多个长视频包含的视频关键帧，分别生成各自的长视频向量；
使用所述短视频向量与多个所述长视频向量进行向量相似度分析，得 到所述目标短视频与各长视频的相似分数；
获取相似分数大于预设相似度阈值的长视频，作为目标长视频。
第三方面，提供了一种服务器，包括处理器、通信接口、存储器和通 信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通 信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现第一方面任一所述 的方法步骤。
第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介 质内存储有计算机程序，所述计算机程序被处理器执行时实现第一方面任 一所述的方法步骤。
第五方面，提供了一种包含指令的计算机程序产品，当其在计算机上 运行时，使得计算机执行上述任一所述的视频关联方法。
本申请实施例有益效果：
本申请实施例提供了一种视频关联方法，获取目标短视频对应的第一 描述文本信息；获取预设长视频库中与目标短视频相匹配的多个长视频； 其中，预设长视频库中的长视频有对应的第二描述文本信息，基于第一描 述文本信息和第二描述文本信息得到目标短视频相匹配的多个长视频；基 于目标短视频与多个长视频之间的视频相似度，从多个长视频中获得与目 标短视频相关联的目标长视频。通过本方案，可以先通过描述文本信息匹 配出与目标短视频相关联的多个长视频，再通过AI关联分析算法在这些长 视频中匹配出与目标短视频关联度高的目标长视频，可以有效的减少AI处 理量，从而节约AI资源。
当然，实施本申请的任一产品或方法并不一定需要同时达到以上所述 的所有优点。
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 发明的实施例，并与说明书一起用于解释本发明的原理。
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对 实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地， 对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以 根据这些附图获得其他的附图。
图1为本申请实施例提供的一种视频关联方法的流程图；
图2为本申请实施例提供的一种视频标签生成方法的流程图；
图3为本申请实施例提供的一种AI关联分析方法的流程图；
图4为本申请实施例提供的一种视频关联方法示例的流程图；
图5为本申请实施例提供的一种视频关联装置的结构示意图；
图6为本申请实施例提供的一种电子设备的结构示意图。
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，下面将结合本 申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描 述，显然，所描述的实施例是本申请的一部分实施例，而不是全部的实施 例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动 的前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请实施例提供了一种视频关联方法，可以应用于服务器。其中， 该服务器可以是用于提供视频关联分析的后台服务器。
下面将结合具体实施方式，对本申请实施例提供的一种视频关联方法 进行详细的说明，如图1所示，具体步骤如下：
步骤101，获取目标短视频对应的第一描述文本信息。
本申请实施例中，服务器可以获取目标短视频对应的第一描述文本信 息。目标短视频即短片视频，是一种互联网内容传播方式，一般是在互联 网新媒体上传播的时长在5分钟以内的视频，主要包括原创短片视频和通 过长视频剪辑得到的短片视频。第一描述文本信息可以是用于描述短视频 的内容信息的文本信息，至少包括短视频的标题文本信息、简介文本信息、 推荐文本信息等文本信息中一种或多种。
步骤102，获取预设长视频库中与目标短视频相匹配的多个长视频；其 中，预设长视频库中的长视频有对应的第二描述文本信息，基于第一描述 文本信息和第二描述文本信息得到目标短视频相匹配的多个长视频。
本申请实施例中，服务器可以获取预设长视频库中与目标短视频相匹 配的多个长视频；其中，预设长视频库中的长视频有对应的第二描述文本 信息，第二描述文本信息可以是用于描述长视频的内容信息的文本信息， 例如：长视频标题文本信息，长视频简介文本信息等，基于第一描述文本 信息和第二描述文本信息得到目标短视频相匹配的多个长视频。
可选的，基于第一描述文本信息和第二描述文本信息得到目标短视频 相匹配的多个长视频，具体过程为：基于第一描述文本信息生成目标短视 频的视频标签；获取包含视频标签的第二描述文本信息对应的长视频。
本申请实施例中，服务器中可以存储有标签提取算法，基于目标短视 频的第一描述文本信息，通过标签提取算法生成目标短视频对应的视频标 签。其中，标签提取算法可以采用基于NLP(Natural Language Processing， 自然语言处理)技术的标签提取算法。视频标签的具体生成过程后续会进行 详细说明。服务器可以使用目标短视频的视频标签在长视频对应的第二描 述文本信息中进行检索，获取包含该视频标签的第二描述文本信息对应的 长视频。
步骤103，基于目标短视频与多个长视频之间的视频相似度，从多个长 视频中获得与目标短视频相关联的目标长视频。
本申请实施例中，服务器中可以存储有AI关联分析算法，通过AI关 联分析算法，将目标短视频与经过描述文本信息匹配到的多个长视频进行 关联分析，获得与目标短视频相关联的目标长视频，具体关联分析过程后 续会进行详细说明。
本申请实施例中，获取目标短视频对应的第一描述文本信息；获取预 设长视频库中与目标短视频相匹配的多个长视频；其中，预设长视频库中 的长视频有对应的第二描述文本信息，基于第一描述文本信息和第二描述 文本信息得到目标短视频相匹配的多个长视频；基于目标短视频与多个长 视频之间的视频相似度，从多个长视频中获得与目标短视频相关联的目标 长视频。通过本方案，可以先通过描述文本信息匹配出与目标短视频相关联的多个长视频，再通过AI关联分析算法在这些长视频中匹配出与目标短 视频关联度高的目标长视频，可以有效减少AI处理量，从而节约AI资源。
可选的，本申请实施例还提供了视频标签的生成过程，如图2所示， 具体步骤如下。
步骤201，基于目标短视频的标题文本生成第一特征向量。
本申请实施例中，服务器中可以存储有注意力模型，比如通道注意力 机制、残差注意力机制、递归注意力机制等模型。服务器可以将目标短视 频的标题文本输入到预设的注意力模型中，生成第一特征向量。
步骤202，基于目标短视频的第一描述文本信息提取多个候选标签，并 生成每个候选标签的第二特征向量。
本申请实施例中，服务器中可以存储有候选标签提取算法，通过候选 标签提取算法可以在目标短视频的第一描述文本信息中提取多个候选标 签，再将候选标签向量化，得到第二特征向量。
可选的，提取候选标签的方式可以是多种多样的，本申请实施例提供 了几种可行的实现方式，具体如下：
方式一，将目标短视频的第一描述文本信息输入到预设的标签提取模 型中，输出目标短视频对应的多个候选标签。
本申请实施例中，服务器中可以存储有标签提取模型，比如CRF (ConditionalRandom Field，条件随机场)模型，MEMM(Maximum Entropy Markov Model，最大熵马尔可夫模型)，服务器可以将目标短视频的第一 描述文本信息输入到预设的标签提取模型中，输出目标短视频对应的多个 候选标签。
本申请实施例中，通过将目标短视频的第一描述文本信息输入到预设 的标签提取模型中，输出目标短视频对应的多个候选标签。通过标签提取 模型提取候选标签，准确度较高。
方式二，对目标短视频的第一描述文本信息进行分词处理，得到第一 描述文本信息包含的分词；基于预设的词语联想规则，在预设的词语库中 确定与第一描述文本信息包含的分词相关联的目标分词，作为目标短视频 的候选标签。
本申请实施例中，服务器可以将目标短视频的第一描述文本信息进行 分词处理，得到第一描述文本信息包含的分词；通过预设的词语联想规则， 在预设的词语库中确定与第一描述文本信息包含的分词相关联的目标分 词，作为目标短视频的候选标签。词语联想规则主要包括同义词联想、别 名联想、实体联想及上位概念联想等。具体的，服务器可以将分词输入到 包含预设的词语库的同义词联想模型中，从而查找到词语库中与该分词对 应的同义词，例如：将分词“成长”输入到同义词联想模型中可以查找到 “生长”；服务器可以将分词输入到包含预设的词语库的别名联想模型中， 从而查找到词语库中与该分词对应的别名联想词，，例如：将分词“魔都” 输入到别名联想模型中可以查找到“上海”；服务器可以将分词输入到包 含预设的词语库的实体联想模型中，从而查找到词语库中与该分词对应的 实体联想词，例如：将分词“露娜”输入到实体联想模型中可以查找到“王 者荣耀”；服务器可以将分词输入到包含预设的词语库的上位概念联想模 型中，包含预设的词语库的上位概念联想词，例如：将分词“戚风”输入 到上位概念联想模型中可以查找到“甜品”。
本申请实施例中，通过对目标短视频的第一描述文本信息进行分词处 理，得到第一描述文本信息包含的分词；基于预设的词语联想规则，在预 设的词语库中确定与第一描述文本信息包含的分词相关联的目标分词，作 为目标短视频的候选标签。通过同义词联想、别名联想、实体联想及上位 概念联想等联想规则，可以查找到没有直接出现在第一描述文本信息中的 候选标签，并且查找出的候选标签准确度较高。
步骤203，基于预设的语义相似度算法，分别计算各第二特征向量和第 一特征向量的语义相似度。
本申请实施例中，服务器中可以存储有语义相似度算法，比如DSSM (DeepStructured Semantic Models，深度结构化语义模型)，CLSM (convolutional latentsemantic model，卷积潜在语义模型)。语义相似度 是通过计算词语之间的距离，再转换为相似度。基于语义相似度算法，分 别计算每个候选标签对应的第二特征向量和第一特征向量之间的距离，将 距离转换为相似度，得到每个候选标签对应的语义相似度。
步骤204，将语义相似度大于预设第一阈值的候选标签确定为目标短视 频的视频标签。
本申请实施例中，服务器可以将计算出的语义相似度与预设的第一阈 值进行比较，若语义相似度大于第一阈值，则将与该语义相似度对应的候 选标签确定为目标短视频的视频标签，若语义相似度不大于第一阈值，则 将与该语义相似度对应的候选标签确定为无效标签。在一个示例中，第一 阈值设为0.6，候选标签一对应的第二特征向量和第一特征向量的语义相似 度为0.7，候选标签二对应的第二特征向量和第一特征向量的语义相似度为0.5，则候选标签一确定为目标短视频的视频标签。
本申请实施例中，基于目标短视频的标题文本生成第一特征向量；基 于目标短视频的第一描述文本信息提取多个候选标签，并生成每个候选标 签的第二特征向量；基于预设的语义相似度算法，分别计算各第二特征向 量和第一特征向量的语义相似度；将语义相似度大于预设第一阈值的候选 标签确定为候选短视频的视频标签。这样可以将不准确甚至错误的无效候 选标签过滤掉，筛选出准确度较高的候选标签作为目标短视频的视频标签， 根据准确度较高的视频标签，进行后续关联分析时确定出的目标短视频的 准确度也会比较高。
可选的，本申请实施例还提供了AI关联分析的过程，如图3所示，具 体步骤如下：
步骤301，基于目标短视频包含的视频关键帧，生成短视频向量。
本申请实施例中，服务器可以存储有视频向量生成模型，比如xception (一种深度可分离卷积)模型、ResNet(残差神经网络)模型、Inception (卷积神经网络)模型。通过服务器抽取目标短视频包含的视频关键帧， 将视频关键帧输入到视频向量生成模型中，以得到目标短视频的短视频向 量。
步骤302，基于多个长视频包含的视频关键帧，分别生成各自的长视频 向量。
本申请实施例中，针对经过文本信息匹配到的多个长视频，通过服务 器抽取每个长视频包含的视频关键帧，将视频关键帧输入到视频向量生成 模型中，得到每个长视频的长视频向量。
步骤303，使用短视频向量与多个长视频向量进行向量相似度分析，得 到目标短视频与各长视频的相似分数。
本申请实施例中，服务器可以将短视频向量与多个长视频向量进行向 量相似度分析，得到目标短视频与各长视频的相似分数。
步骤304，获取相似分数大于预设相似度阈值的长视频，作为目标长视 频。
本申请实施例中，服务器可以将计算出的相似分数与预设的相似度阈 值进行比较，若目标短视频与长视频的相似分数大于相似度阈值，则确定 该长视频为目标长视频，若目标短视频与长视频的相似分数不大于相似度 阈值，则确定该长视频为无效长视频。在一个示例中，相似度阈值设为0.3， 长视频一与目标短视频的相似分数为0.2，长视频二与目标短视频的相似分 数为0.6，则确定长视频二为目标长视频。
本申请实施例中，基于目标短视频包含的视频关键帧，生成短视频向 量；基于多个长视频包含的视频关键帧，分别生成各自的长视频向量；使 用短视频向量与多个长视频向量进行向量相似度分析，得到目标短视频与 各长视频的相似分数；获取相似分数大于预设相似度阈值的长视频，作为 目标长视频。通过本方案，经过AI关联分析，可以获取与目标短视频相似 分数较高的长视频，当用户观看一个短视频时，为用户推送相似度较高的 相关长视频，可以提高用户体验。
本申请实施例还提供了一种视频关联方法的处理流程，如图4所示， 具体步骤如下。
步骤401，获取目标短视频对应的第一描述文本信息。
步骤402，基于目标短视频的标题文本生成第一特征向量。
步骤403，基于目标短视频的第一描述文本信息提取多个候选标签，并 生成每个候选标签的第二特征向量。
步骤404，基于预设的语义相似度算法，分别计算各第二特征向量和第 一特征向量的语义相似度。
步骤405，将语义相似度大于预设第一阈值的候选标签确定为目标短视 频的视频标签。
步骤406，获取包含该视频标签的第二描述文本信息对应的长视频。
步骤407，基于目标短视频包含的视频关键帧，生成短视频向量。
步骤408，基于多个长视频包含的视频关键帧，分别生成各自的长视频 向量。
步骤409，使用短视频向量与多个长视频向量进行向量相似度分析，得 到目标短视频与各长视频的相似分数。
步骤410，获取相似分数大于预设相似度阈值的长视频，作为目标长视 频。
本申请实施例中，获取目标短视频对应的第一描述文本信息；获取预 设长视频库中与目标短视频相匹配的多个长视频；其中，预设长视频库中 的长视频有对应的第二描述文本信息，基于第一描述文本信息和第二描述 文本信息得到目标短视频相匹配的多个长视频；基于目标短视频与多个长 视频之间的视频相似度，从多个长视频中获得与目标短视频相关联的目标 长视频。通过本方案，可以先通过描述文本信息匹配出与目标短视频相关联的多个长视频，再通过AI关联分析算法在这些长视频中匹配出与目标短 视频关联度高的目标长视频，可以有效减少AI处理量，从而节约AI资源。
基于相同的技术构思，本申请实施例还提供了一种视频关联装置，如 图5所示，该装置包括：
第一获取模块501，用于获取目标短视频对应的第一描述文本信息；
第二获取模块502，用于获取预设长视频库中与所述目标短视频相匹配 的多个长视频；其中，所述预设长视频库中的长视频有对应的第二描述文 本信息，基于所述第一描述文本信息和所述第二描述文本信息得到所述目 标短视频相匹配的多个长视频；
获得模块503，用于基于所述目标短视频与所述多个长视频之间的视频 相似度，从所述多个长视频中获得与所述目标短视频相关联的目标长视频。
可选的，所述第二获取模块502，具体用于：
基于所述第一描述文本信息生成所述目标短视频的视频标签；
获取包含所述视频标签的第二描述文本信息对应的长视频。
可选的，所述第二获取模块502，具体用于：
基于所述目标短视频的标题文本生成第一特征向量；
基于所述目标短视频的第一描述文本信息提取多个候选标签，并生成 每个所述候选标签的第二特征向量；
基于预设的语义相似度算法，分别计算各所述第二特征向量和所述第 一特征向量的语义相似度；
将语义相似度大于预设第一阈值的候选标签确定为所述目标短视频的 视频标签。
可选的，所述第二获取模块502，具体用于：
将所述目标短视频的第一描述文本信息输入到预设的标签提取模型 中，输出所述目标短视频对应的多个候选标签。
可选的，所述第二获取模块502，具体用于：
对所述目标短视频的第一描述文本信息进行分词处理，得到所述第一 描述文本信息包含的分词；
基于预设的词语联想规则，在预设的词语库中确定与所述第一描述文 本信息包含的分词相关联的目标分词，作为所述目标短视频的候选标签。
可选的，所述获得模块503，具体用于：
基于所述目标短视频包含的视频关键帧，生成短视频向量；
基于所述多个长视频包含的视频关键帧，分别生成各自的长视频向量；
使用所述短视频向量与多个所述长视频向量进行向量相似度分析，得 到所述目标短视频与各长视频的相似分数；
获取相似分数大于预设相似度阈值的长视频，作为目标长视频。
本申请实施例中，获取目标短视频对应的第一描述文本信息；获取预 设长视频库中与目标短视频相匹配的多个长视频；其中，预设长视频库中 的长视频有对应的第二描述文本信息，基于第一描述文本信息和第二描述 文本信息得到目标短视频相匹配的多个长视频；基于目标短视频与多个长 视频之间的视频相似度，从多个长视频中获得与目标短视频相关联的目标 长视频。通过本方案，可以先通过描述文本信息匹配出与目标短视频相关联的多个长视频，再通过AI关联分析算法在这些长视频中匹配出与目标短 视频关联度高的目标长视频，可以有效减少AI处理量，从而节约AI资源。
基于相同的技术构思，本发明实施例还提供了一种服务器，如图6所 示，包括处理器601、通信接口602、存储器603和通信总线604，其中， 处理器601，通信接口602，存储器603通过通信总线604完成相互间的通 信，
存储器603，用于存放计算机程序；
处理器601，用于执行存储器603上所存放的程序时，实现如下步骤：
获取目标短视频对应的第一描述文本信息；
获取预设长视频库中与所述目标短视频相匹配的多个长视频；其中， 所述预设长视频库中的长视频有对应的第二描述文本信息，基于所述第一 描述文本信息和所述第二描述文本信息得到所述目标短视频相匹配的多个 长视频；
基于所述目标短视频与所述多个长视频之间的视频相似度，从所述多 个长视频中获得与所述目标短视频相关联的目标长视频。
可选的，所述基于所述第一描述文本信息和所述第二描述文本信息得 到所述目标短视频相匹配的多个长视频，包括：
基于所述第一描述文本信息生成所述目标短视频的视频标签；
获取包含所述视频标签的第二描述文本信息对应的长视频。
可选的，所述基于所述第一描述文本信息生成所述目标短视频的视频 标签，包括：
基于所述目标短视频的标题文本生成第一特征向量；
基于所述目标短视频的第一描述文本信息提取多个候选标签，并生成 每个所述候选标签的第二特征向量；
基于预设的语义相似度算法，分别计算各所述第二特征向量和所述第 一特征向量的语义相似度；
将语义相似度大于预设第一阈值的候选标签确定为所述目标短视频的 视频标签。
可选的，所述基于所述目标短视频的第一描述文本信息提取多个候选 标签，包括：
将所述目标短视频的第一描述文本信息输入到预设的标签提取模型 中，输出所述目标短视频对应的多个候选标签。
可选的，所述基于所述目标短视频的第一描述文本信息提取多个候选 标签，包括：
对所述目标短视频的第一描述文本信息进行分词处理，得到所述第一 描述文本信息包含的分词；
基于预设的词语联想规则，在预设的词语库中确定与所述第一描述文 本信息包含的分词相关联的目标分词，作为所述目标短视频的候选标签。
可选的，所述基于所述目标短视频与所述多个长视频之间的视频相似 度，从所述多个长视频中获得与所述目标短视频相关联的目标长视频，包 括：
基于所述目标短视频包含的视频关键帧，生成短视频向量；
基于所述多个长视频包含的视频关键帧，分别生成各自的长视频向量；
使用所述短视频向量与多个所述长视频向量进行向量相似度分析，得 到所述目标短视频与各长视频的相似分数；
获取相似分数大于预设相似度阈值的长视频，作为目标长视频。
本申请实施例中，获取目标短视频对应的第一描述文本信息；获取预 设长视频库中与目标短视频相匹配的多个长视频；其中，预设长视频库中 的长视频有对应的第二描述文本信息，基于第一描述文本信息和第二描述 文本信息得到目标短视频相匹配的多个长视频；基于目标短视频与多个长 视频之间的视频相似度，从多个长视频中获得与目标短视频相关联的目标 长视频。通过本方案，可以先通过描述文本信息匹配出与目标短视频相关联的多个长视频，再通过AI关联分析算法在这些长视频中匹配出与目标短 视频关联度高的目标长视频，可以有效减少AI处理量，从而节约AI资源。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该通信总线可以分为地址总线、数 据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示 仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory，RAM)， 也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一 个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的 存储装置。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信 号处理器(DigitalSignal Processing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器 件、分立硬件组件。
在本发明提供的又一实施例中，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内存储有计算机程序，所述计算机程序被处理器执 行时实现上述任一所述的视频关联方法的步骤。
在本发明提供的又一实施例中，还提供了一种包含指令的计算机程序 产品，当其在计算机上运行时，使得计算机执行上述实施例中任一所述的 视频关联方法。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任 意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品 的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机 上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施 例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算 机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存 储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质 传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数 据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例 如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据 中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存 储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介 质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD)) 等。
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅 用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或 者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术 语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得 包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还 包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或 者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……” 限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还 存在另外的相同要素。
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或 实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而 易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情 况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这 些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范 围。
Claims (14)
1.一种视频关联方法，其特征在于，所述方法包括：
获取目标短视频对应的第一描述文本信息；
获取预设长视频库中与所述目标短视频相匹配的多个长视频；其中，所述预设长视频库中的长视频有对应的第二描述文本信息，基于所述第一描述文本信息和所述第二描述文本信息得到所述目标短视频相匹配的多个长视频；
基于所述目标短视频与所述多个长视频之间的视频相似度，从所述多个长视频中获得与所述目标短视频相关联的目标长视频。
2.根据权利要求1所述的方法，其特征在于，所述基于所述第一描述文本信息和所述第二描述文本信息得到所述目标短视频相匹配的多个长视频，包括：
基于所述第一描述文本信息生成所述目标短视频的视频标签；
获取包含所述视频标签的第二描述文本信息对应的长视频。
3.根据权利要求2所述的方法，其特征在于，所述基于所述第一描述文本信息生成所述目标短视频的视频标签，包括：
基于所述目标短视频的标题文本生成第一特征向量；
基于所述目标短视频的第一描述文本信息提取多个候选标签，并生成每个所述候选标签的第二特征向量；
基于预设的语义相似度算法，分别计算各所述第二特征向量和所述第一特征向量的语义相似度；
将语义相似度大于预设第一阈值的候选标签确定为所述目标短视频的视频标签。
4.根据权利要求3所述的方法，其特征在于，所述基于所述目标短视频的第一描述文本信息提取多个候选标签，包括：
将所述目标短视频的第一描述文本信息输入到预设的标签提取模型中，输出所述目标短视频对应的多个候选标签。
5.根据权利要求3所述的方法，其特征在于，所述基于所述目标短视频的第一描述文本信息提取多个候选标签，包括：
对所述目标短视频的第一描述文本信息进行分词处理，得到所述第一描述文本信息包含的分词；
基于预设的词语联想规则，在预设的词语库中确定与所述第一描述文本信息包含的分词相关联的目标分词，作为所述目标短视频的候选标签。
6.根据权利要求1所述的方法，其特征在于，所述基于所述目标短视频与所述多个长视频之间的视频相似度，从所述多个长视频中获得与所述目标短视频相关联的目标长视频，包括：
基于所述目标短视频包含的视频关键帧，生成短视频向量；
基于所述多个长视频包含的视频关键帧，分别生成各自的长视频向量；
使用所述短视频向量与多个所述长视频向量进行向量相似度分析，得到所述目标短视频与各长视频的相似分数；
获取相似分数大于预设相似度阈值的长视频，作为目标长视频。
7.一种视频关联装置，其特征在于，所述装置包括：
第一获取模块，用于获取目标短视频对应的第一描述文本信息；
第二获取模块，用于获取预设长视频库中与所述目标短视频相匹配的多个长视频；其中，所述预设长视频库中的长视频有对应的第二描述文本信息，基于所述第一描述文本信息和所述第二描述文本信息得到所述目标短视频相匹配的多个长视频；
获得模块，用于基于所述目标短视频与所述多个长视频之间的视频相似度，从所述多个长视频中获得与所述目标短视频相关联的目标长视频。
8.根据权利要求7所述的装置，其特征在于，所述第二获取模块，具体用于：
基于所述第一描述文本信息生成所述目标短视频的视频标签；
获取包含所述视频标签的第二描述文本信息对应的长视频。
9.根据权利要求8所述的装置，其特征在于，所述第二获取模块，具体用于：
基于所述目标短视频的标题文本生成第一特征向量；
基于所述目标短视频的第一描述文本信息提取多个候选标签，并生成每个所述候选标签的第二特征向量；
基于预设的语义相似度算法，分别计算各所述第二特征向量和所述第一特征向量的语义相似度；
将语义相似度大于预设第一阈值的候选标签确定为所述目标短视频的视频标签。
10.根据权利要求9所述的装置，其特征在于，所述第二获取模块，具体用于：
将所述目标短视频的第一描述文本信息输入到预设的标签提取模型中，输出所述目标短视频对应的多个候选标签。
11.根据权利要求9所述的装置，其特征在于，所述第二获取模块，具体用于：
对所述目标短视频的第一描述文本信息进行分词处理，得到所述第一描述文本信息包含的分词；
基于预设的词语联想规则，在预设的词语库中确定与所述第一描述文本信息包含的分词相关联的目标分词，作为所述目标短视频的候选标签。
12.根据权利要求7所述的装置，其特征在于，所述获得模块，具体用于：
基于所述目标短视频包含的视频关键帧，生成短视频向量；
基于所述多个长视频包含的视频关键帧，分别生成各自的长视频向量；
使用所述短视频向量与多个所述长视频向量进行向量相似度分析，得到所述目标短视频与各长视频的相似分数；
获取相似分数大于预设相似度阈值的长视频，作为目标长视频。
13.一种服务器，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现权利要求1-6任一所述的方法步骤。
14.一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内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-6任一所述的方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010474072.5A CN111767796B (zh) | 2020-05-29 | 2020-05-29 | 一种视频关联方法、装置、服务器和可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010474072.5A CN111767796B (zh) | 2020-05-29 | 2020-05-29 | 一种视频关联方法、装置、服务器和可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111767796A true CN111767796A (zh) | 2020-10-13 |
| CN111767796B CN111767796B (zh) | 2023-12-15 |
Family
ID=72719791
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010474072.5A Active CN111767796B (zh) | 2020-05-29 | 2020-05-29 | 一种视频关联方法、装置、服务器和可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111767796B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112235625A (zh) * | 2020-10-14 | 2021-01-15 | 广州欢网科技有限责任公司 | 电视端的短视频正片溯源方法、***及电视终端 |
| CN112487239A (zh) * | 2020-11-27 | 2021-03-12 | 北京百度网讯科技有限公司 | 视频检索方法、模型训练方法、装置、设备及存储介质 |
| CN112507167A (zh) * | 2020-12-10 | 2021-03-16 | 北京达佳互联信息技术有限公司 | 一种识别视频合集的方法、装置、电子设备及存储介质 |
| CN112565875A (zh) * | 2020-11-30 | 2021-03-26 | 北京百度网讯科技有限公司 | 自动生成视频的方法、装置、设备和计算机可读存储介质 |
| CN112612918A (zh) * | 2020-12-16 | 2021-04-06 | 北京字节跳动网络技术有限公司 | 一种视频资源的映射方法、装置、设备及介质 |
| CN114286198A (zh) * | 2021-12-30 | 2022-04-05 | 北京爱奇艺科技有限公司 | 一种视频关联方法、装置、电子设备和存储介质 |
| CN114679621A (zh) * | 2021-05-07 | 2022-06-28 | 腾讯云计算（北京）有限责任公司 | 一种视频展示方法、装置及终端设备 |
| CN117082309A (zh) * | 2023-07-24 | 2023-11-17 | 北京天译科技有限公司 | 基于人工智能的气象服务短视频加工方法及平台*** |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8842965B1 (en) * | 2011-11-02 | 2014-09-23 | Google Inc. | Large scale video event classification |
| CN107066621A (zh) * | 2017-05-11 | 2017-08-18 | 腾讯科技（深圳）有限公司 | 一种相似视频的检索方法、装置和存储介质 |
| CN108989875A (zh) * | 2018-07-04 | 2018-12-11 | 北京奇艺世纪科技有限公司 | 一种生成弹幕文件的方法及装置 |
| CN109040775A (zh) * | 2018-08-24 | 2018-12-18 | 深圳创维－Rgb电子有限公司 | 视频关联方法、装置及计算机可读存储介质 |
| CN109325148A (zh) * | 2018-08-03 | 2019-02-12 | 百度在线网络技术（北京）有限公司 | 生成信息的方法和装置 |
| CN109508406A (zh) * | 2018-12-12 | 2019-03-22 | 北京奇艺世纪科技有限公司 | 一种信息处理方法、装置及计算机可读存储介质 |
| CN109840292A (zh) * | 2018-12-17 | 2019-06-04 | 北京百度网讯科技有限公司 | 视频标签的生成方法及其装置 |
| CN109885726A (zh) * | 2019-02-28 | 2019-06-14 | 北京奇艺世纪科技有限公司 | 一种生成视频元信息的方法和装置 |
| CN110278449A (zh) * | 2019-06-26 | 2019-09-24 | 腾讯科技（深圳）有限公司 | 一种视频检测方法、装置、设备及介质 |
| CN110290419A (zh) * | 2019-06-25 | 2019-09-27 | 北京奇艺世纪科技有限公司 | 视频播放方法、装置及电子设备 |
| CN110582025A (zh) * | 2018-06-08 | 2019-12-17 | 北京百度网讯科技有限公司 | 用于处理视频的方法和装置 |
| CN110781347A (zh) * | 2019-10-23 | 2020-02-11 | 腾讯科技（深圳）有限公司 | 一种视频处理方法、装置、设备以及可读存储介质 |
| CN110929098A (zh) * | 2019-11-14 | 2020-03-27 | 腾讯科技（深圳）有限公司 | 视频数据的处理方法、装置、电子设备及存储介质 |
| CN111125435A (zh) * | 2019-12-17 | 2020-05-08 | 北京百度网讯科技有限公司 | 视频标签的确定方法、装置和计算机设备 |
-
2020
- 2020-05-29 CN CN202010474072.5A patent/CN111767796B/zh active Active
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8842965B1 (en) * | 2011-11-02 | 2014-09-23 | Google Inc. | Large scale video event classification |
| CN107066621A (zh) * | 2017-05-11 | 2017-08-18 | 腾讯科技（深圳）有限公司 | 一种相似视频的检索方法、装置和存储介质 |
| WO2018205838A1 (zh) * | 2017-05-11 | 2018-11-15 | 腾讯科技（深圳）有限公司 | 一种相似视频的检索方法、装置和存储介质 |
| CN110582025A (zh) * | 2018-06-08 | 2019-12-17 | 北京百度网讯科技有限公司 | 用于处理视频的方法和装置 |
| CN108989875A (zh) * | 2018-07-04 | 2018-12-11 | 北京奇艺世纪科技有限公司 | 一种生成弹幕文件的方法及装置 |
| CN109325148A (zh) * | 2018-08-03 | 2019-02-12 | 百度在线网络技术（北京）有限公司 | 生成信息的方法和装置 |
| CN109040775A (zh) * | 2018-08-24 | 2018-12-18 | 深圳创维－Rgb电子有限公司 | 视频关联方法、装置及计算机可读存储介质 |
| CN109508406A (zh) * | 2018-12-12 | 2019-03-22 | 北京奇艺世纪科技有限公司 | 一种信息处理方法、装置及计算机可读存储介质 |
| CN109840292A (zh) * | 2018-12-17 | 2019-06-04 | 北京百度网讯科技有限公司 | 视频标签的生成方法及其装置 |
| CN109885726A (zh) * | 2019-02-28 | 2019-06-14 | 北京奇艺世纪科技有限公司 | 一种生成视频元信息的方法和装置 |
| CN110290419A (zh) * | 2019-06-25 | 2019-09-27 | 北京奇艺世纪科技有限公司 | 视频播放方法、装置及电子设备 |
| CN110278449A (zh) * | 2019-06-26 | 2019-09-24 | 腾讯科技（深圳）有限公司 | 一种视频检测方法、装置、设备及介质 |
| CN110781347A (zh) * | 2019-10-23 | 2020-02-11 | 腾讯科技（深圳）有限公司 | 一种视频处理方法、装置、设备以及可读存储介质 |
| CN110929098A (zh) * | 2019-11-14 | 2020-03-27 | 腾讯科技（深圳）有限公司 | 视频数据的处理方法、装置、电子设备及存储介质 |
| CN111125435A (zh) * | 2019-12-17 | 2020-05-08 | 北京百度网讯科技有限公司 | 视频标签的确定方法、装置和计算机设备 |
Non-Patent Citations (1)
| Title |
|---|
| 刘玉杰等: "基于标签分布学习的视频摘要算法", 《计算机辅助设计与图形学学报》, vol. 31, no. 1, pages 104 - 110 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112235625A (zh) * | 2020-10-14 | 2021-01-15 | 广州欢网科技有限责任公司 | 电视端的短视频正片溯源方法、***及电视终端 |
| CN112487239A (zh) * | 2020-11-27 | 2021-03-12 | 北京百度网讯科技有限公司 | 视频检索方法、模型训练方法、装置、设备及存储介质 |
| CN112487239B (zh) * | 2020-11-27 | 2024-04-05 | 北京百度网讯科技有限公司 | 视频检索方法、模型训练方法、装置、设备及存储介质 |
| CN112565875A (zh) * | 2020-11-30 | 2021-03-26 | 北京百度网讯科技有限公司 | 自动生成视频的方法、装置、设备和计算机可读存储介质 |
| CN112507167A (zh) * | 2020-12-10 | 2021-03-16 | 北京达佳互联信息技术有限公司 | 一种识别视频合集的方法、装置、电子设备及存储介质 |
| CN112612918A (zh) * | 2020-12-16 | 2021-04-06 | 北京字节跳动网络技术有限公司 | 一种视频资源的映射方法、装置、设备及介质 |
| CN114679621A (zh) * | 2021-05-07 | 2022-06-28 | 腾讯云计算（北京）有限责任公司 | 一种视频展示方法、装置及终端设备 |
| CN114286198A (zh) * | 2021-12-30 | 2022-04-05 | 北京爱奇艺科技有限公司 | 一种视频关联方法、装置、电子设备和存储介质 |
| CN114286198B (zh) * | 2021-12-30 | 2023-11-10 | 北京爱奇艺科技有限公司 | 一种视频关联方法、装置、电子设备和存储介质 |
| CN117082309A (zh) * | 2023-07-24 | 2023-11-17 | 北京天译科技有限公司 | 基于人工智能的气象服务短视频加工方法及平台*** |
| CN117082309B (zh) * | 2023-07-24 | 2024-05-03 | 北京天译科技有限公司 | 基于人工智能的气象服务短视频加工方法及平台*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111767796B (zh) | 2023-12-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111767796B (zh) | 一种视频关联方法、装置、服务器和可读存储介质 | |
| Wang et al. | Learning latent opinions for aspect-level sentiment classification | |
| CN110069709B (zh) | 意图识别方法、装置、计算机可读介质及电子设备 | |
| US11544474B2 (en) | Generation of text from structured data | |
| US11232141B2 (en) | Method and device for processing an electronic document | |
| CN110019732B (zh) | 一种智能问答方法以及相关装置 | |
| WO2022095374A1 (zh) | 关键词抽取方法、装置、终端设备及存储介质 | |
| CN111539197B (zh) | 文本匹配方法和装置以及计算机***和可读存储介质 | |
| CN109325146B (zh) | 一种视频推荐方法、装置、存储介质和服务器 | |
| CN111353303B (zh) | 词向量构建方法、装置、电子设备及存储介质 | |
| CN111460153A (zh) | 热点话题提取方法、装置、终端设备及存储介质 | |
| CN112101031B (zh) | 一种实体识别方法、终端设备及存储介质 | |
| CN110427453B (zh) | 数据的相似度计算方法、装置、计算机设备及存储介质 | |
| CN112784009B (zh) | 一种主题词挖掘方法、装置、电子设备及存储介质 | |
| CN112581327B (zh) | 基于知识图谱的法律推荐方法、装置和电子设备 | |
| CN113761219A (zh) | 基于知识图谱的检索方法、装置、电子设备及存储介质 | |
| CN114861889A (zh) | 深度学习模型的训练方法、目标对象检测方法和装置 | |
| CN110895656A (zh) | 一种文本相似度计算方法、装置、电子设备及存储介质 | |
| CN112667780A (zh) | 一种评论信息的生成方法、装置、电子设备及存储介质 | |
| CN114077841A (zh) | 基于人工智能的语义提取方法、装置、电子设备及介质 | |
| Köksal et al. | Improving automated Turkish text classification with learning‐based algorithms | |
| Decorte et al. | Design of negative sampling strategies for distantly supervised skill extraction | |
| Tang et al. | CaseGNN: Graph Neural Networks for Legal Case Retrieval with Text-Attributed Graphs | |
| CN113704466B (zh) | 基于迭代网络的文本多标签分类方法、装置及电子设备 | |
| CN114840642A (zh) | 事件抽取方法、装置、设备及存储介质 |
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 |