CN111783808A - 用于生成信息的方法和装置 - Google Patents
用于生成信息的方法和装置 Download PDFInfo
- Publication number
- CN111783808A CN111783808A CN201910667426.5A CN201910667426A CN111783808A CN 111783808 A CN111783808 A CN 111783808A CN 201910667426 A CN201910667426 A CN 201910667426A CN 111783808 A CN111783808 A CN 111783808A
- Authority
- CN
- China
- Prior art keywords
- cluster
- article
- item
- image
- text
- 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 66
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 40
- 238000000605 extraction Methods 0.000 claims description 31
- 230000011218 segmentation Effects 0.000 claims description 21
- 238000003860 storage Methods 0.000 claims description 12
- 230000004927 fusion Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 230000004044 response Effects 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 239000003795 chemical substances by application Substances 0.000 description 5
- 101100190462 Caenorhabditis elegans pid-1 gene Proteins 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 101100243943 Caenorhabditis elegans pid-5 gene Proteins 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 101100190464 Caenorhabditis elegans pid-2 gene Proteins 0.000 description 1
- 101100190466 Caenorhabditis elegans pid-3 gene Proteins 0.000 description 1
- 101100243942 Caenorhabditis elegans pid-4 gene Proteins 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0623—Item investigation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0623—Item investigation
- G06Q30/0625—Directed, with specific intent or strategy
- G06Q30/0629—Directed, with specific intent or strategy for generating comparisons
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请实施例公开了用于生成信息的方法和装置。该方法的一具体实施方式包括:获取至少两个物品中每个物品的多模态的物品信息,其中,多模态中的各个模态以不同的呈现方式对物品进行呈现;针对多模态中的每个模态,利用以该种模态所呈现的物品信息对至少两个物品进行聚类,得到该种模态所对应的物品聚类结果;利用图算法,对多模态所对应的多个物品聚类结果进行融合,得到聚类簇;基于聚类簇,生成聚类信息,以及存储聚类信息。该实施方式可以更准确地确定出同款物品。
Description
技术领域
本申请实施例涉及计算机技术领域,具体涉及用于生成信息的方法和装置。
背景技术
同款物品通常是指款式、样式相同的物品。对于物品展示过程中的同款物品去重以及同款物品比价等应用场景,同款物品的确定具有重要意义。
相关的同款物品的确定方式通常是将过于相似的描述文本所对应的物品作为同款物品,或者对物品图像中的图像特征进行聚类从而确定同款物品。
发明内容
本申请实施例提出了用于生成信息的方法和装置。
第一方面,本申请实施例提供了一种用于生成信息的方法,包括:获取至少两个物品中每个物品的多模态的物品信息,其中,多模态中的各个模态以不同的呈现方式对物品进行呈现;针对多模态中的每个模态,利用以该种模态所呈现的物品信息对至少两个物品进行聚类,得到该种模态所对应的物品聚类结果;利用图算法,对多模态所对应的多个物品聚类结果进行融合,得到聚类簇;基于聚类簇,生成聚类信息,以及存储聚类信息。
在一些实施例中,基于聚类簇,生成聚类信息,以及存储聚类信息,包括:针对至少两个物品中的每个物品,获取该物品所在的聚类簇的簇标识,以及将该物品的物品标识与簇标识进行关联存储。
在一些实施例中,该方法还包括:响应于接收到用户终端发送的搜索请求,获取搜索结果;响应于确定出搜索结果中包括同一聚类簇中的至少两个物品的物品标识,对搜索结果进行过滤,使得过滤后的搜索结果保留同一聚类簇中的一个物品的物品标识;向用户终端发送过滤后的搜索结果。
在一些实施例中,该方法还包括:响应于接收到用户终端发送的对过滤后的搜索结果的查看请求,获取所查看的搜索结果所指示的物品所在的聚类簇中的各个物品的目标物品信息,其中,目标物品信息包括物品标识和物品价格;向用户终端发送所获取到的物品标识和对应的物品价格。
在一些实施例中,多模态的物品信息包括物品描述文本;以及针对多模态中的每个模态,利用以该种模态所呈现的物品信息对至少两个物品进行聚类,得到该种模态所对应的物品聚类结果,包括:针对至少两个物品中的每个物品,从该物品的物品描述文本中提取出关键词,以及确定提取出的每个关键词对应的相对权重,提取每个关键词的特征值,利用各个关键词的特征值和各个关键词的相对权重,确定该物品对应的文本特征值;利用至少两个物品中各个物品对应的文本特征值对至少两个物品进行聚类,得到至少一个文本聚类簇。
在一些实施例中,从该物品的物品描述文本中提取出关键词,以及确定提取出的每个关键词对应的相对权重,包括:对该物品的物品描述文本进行分词处理,将分词得到的词语组成第一词语集合,从第一词语集合中删除满足预设条件的词语,得到目标词语集合,从目标词语集合中确定出关键词以及每个关键词对应的相对权重。
在一些实施例中,多模态的物品信息包括物品图像;以及针对多模态中的每个模态,利用以该种模态所呈现的物品信息对至少两个物品进行聚类,得到该种模态所对应的物品聚类结果,包括:针对至少两个物品中的每个物品,将该物品的物品图像输入到预先训练的图像特征提取模型中,得到该物品的物品图像中的图像特征,其中,图像特征提取模型用于提取图像中的图像特征;利用至少两个物品中各个物品对应的图像特征对至少两个物品进行聚类,得到至少一个图像聚类簇。
在一些实施例中,至少一个文本聚类簇和至少一个图像聚类簇分别表征为节点,将表征文本聚类簇的节点和表征图像聚类簇的节点之间的连线作为边;以及利用图算法,对多模态所对应的多个物品聚类结果进行融合,得到聚类簇,包括:针对至少一个文本聚类簇中的每个文本聚类簇,基于该文本聚类簇所包括的物品和至少一个图像聚类簇中的每个图像聚类簇所包括的物品,确定表征该文本聚类簇的节点与表征各个图像聚类簇的各个节点之间的边的权重;将权重小于预设权重阈值的边断开;将边断开后的图中的所有边的连通域进行合并,得到聚类簇。
在一些实施例中,基于该文本聚类簇所包括的物品和至少一个图像聚类簇中的每个图像聚类簇所包括的物品,确定表征该文本聚类簇的节点与表征各个图像聚类簇的各个节点之间的边的权重,包括:针对至少一个图像聚类簇中的每个图像聚类簇,确定该文本聚类簇所包括的物品与该图像聚类簇所包括的物品的交集,以及确定该文本聚类簇所包括的物品与该图像聚类簇所包括的物品的并集,将交集中的物品的数量与并集中的物品的数量之比确定为表征该文本聚类簇的节点与表征该图像聚类簇的节点之间的边的权重。
第二方面,本申请实施例提供了一种用于生成信息的装置,包括:第一获取单元,被配置成获取至少两个物品中每个物品的多模态的物品信息,其中,多模态中的各个模态以不同的呈现方式对物品进行呈现;聚类单元,被配置成针对多模态中的每个模态,利用以该种模态所呈现的物品信息对至少两个物品进行聚类,得到该种模态所对应的物品聚类结果;融合单元,被配置成利用图算法,对多模态所对应的多个物品聚类结果进行融合,得到聚类簇;生成单元,被配置成基于聚类簇,生成聚类信息,以及存储聚类信息。
在一些实施例中,生成单元进一步被配置成按照如下方式基于聚类簇,生成聚类信息,以及存储聚类信息:针对至少两个物品中的每个物品,获取该物品所在的聚类簇的簇标识,以及将该物品的物品标识与簇标识进行关联存储。
在一些实施例中,该装置还包括:第二获取单元,被配置成响应于接收到用户终端发送的搜索请求,获取搜索结果;过滤单元,被配置成响应于确定出搜索结果中包括同一聚类簇中的至少两个物品的物品标识,对搜索结果进行过滤,使得过滤后的搜索结果保留同一聚类簇中的一个物品的物品标识;第一发送单元,被配置成向用户终端发送过滤后的搜索结果。
在一些实施例中,该装置还包括:第三获取单元,被配置成响应于接收到用户终端发送的对过滤后的搜索结果的查看请求,获取所查看的搜索结果所指示的物品所在的聚类簇中的各个物品的目标物品信息,其中,目标物品信息包括物品标识和物品价格;第二发送单元,被配置成向用户终端发送所获取到的物品标识和对应的物品价格。
在一些实施例中,多模态的物品信息包括物品描述文本;以及聚类单元进一步被配置成按照如下方式针对多模态中的每个模态,利用以该种模态所呈现的物品信息对至少两个物品进行聚类,得到该种模态所对应的物品聚类结果:针对至少两个物品中的每个物品,从该物品的物品描述文本中提取出关键词,以及确定提取出的每个关键词对应的相对权重,提取每个关键词的特征值,利用各个关键词的特征值和各个关键词的相对权重,确定该物品对应的文本特征值;利用至少两个物品中各个物品对应的文本特征值对至少两个物品进行聚类,得到至少一个文本聚类簇。
在一些实施例中,聚类单元进一步被配置成按照如下方式从该物品的物品描述文本中提取出关键词,以及确定提取出的每个关键词对应的相对权重:对该物品的物品描述文本进行分词处理,将分词得到的词语组成第一词语集合,从第一词语集合中删除满足预设条件的词语,得到目标词语集合,从目标词语集合中确定出关键词以及每个关键词对应的相对权重。
在一些实施例中,多模态的物品信息包括物品图像;以及聚类单元进一步被配置成按照如下方式针对多模态中的每个模态,利用以该种模态所呈现的物品信息对至少两个物品进行聚类,得到该种模态所对应的物品聚类结果:针对至少两个物品中的每个物品,将该物品的物品图像输入到预先训练的图像特征提取模型中,得到该物品的物品图像中的图像特征,其中,图像特征提取模型用于提取图像中的图像特征;利用至少两个物品中各个物品对应的图像特征对至少两个物品进行聚类,得到至少一个图像聚类簇。
在一些实施例中,至少一个文本聚类簇和至少一个图像聚类簇分别表征为节点,将表征文本聚类簇的节点和表征图像聚类簇的节点之间的连线作为边;以及融合单元进一步被配置成按照如下方式利用图算法,对多模态所对应的多个物品聚类结果进行融合,得到聚类簇:针对至少一个文本聚类簇中的每个文本聚类簇,基于该文本聚类簇所包括的物品和至少一个图像聚类簇中的每个图像聚类簇所包括的物品,确定表征该文本聚类簇的节点与表征各个图像聚类簇的各个节点之间的边的权重;将权重小于预设权重阈值的边断开;将边断开后的图中的所有边的连通域进行合并,得到聚类簇。
在一些实施例中,融合单元进一步被配置成按照如下方式基于该文本聚类簇所包括的物品和至少一个图像聚类簇中的每个图像聚类簇所包括的物品,确定表征该文本聚类簇的节点与表征各个图像聚类簇的各个节点之间的边的权重:针对至少一个图像聚类簇中的每个图像聚类簇,确定该文本聚类簇所包括的物品与该图像聚类簇所包括的物品的交集,以及确定该文本聚类簇所包括的物品与该图像聚类簇所包括的物品的并集,将交集中的物品的数量与并集中的物品的数量之比确定为表征该文本聚类簇的节点与表征该图像聚类簇的节点之间的边的权重。
第三方面,本申请实施例提供了一种电子设备,该电子设备包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当上述一个或多个程序被上述一个或多个处理器执行时,使得上述一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面,本申请实施例提供了一种计算机可读介质,其上存储有计算机程序,其中,该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本申请的上述实施例提供的用于生成信息的方法和装置,通过获取至少两个物品中每个物品的多模态的物品信息;之后,针对上述多模态中的每个模态,利用以该种模态所呈现的物品信息对上述至少两个物品进行聚类,得到该种模态所对应的物品聚类结果;而后,利用图算法,对上述多模态所对应的多个物品聚类结果进行融合,得到聚类簇;最后,基于上述聚类簇,生成聚类信息,以及存储上述聚类信息。通过利用物品的多模态信息,可以更准确地确定出同款物品。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本申请的各个实施例可以应用于其中的示例性***架构图;
图2是根据本申请的用于生成信息的方法的一个实施例的流程图;
图3是根据本申请的用于生成信息的方法的又一个实施例的流程图;
图4A-图4D是根据本申请的利用图算法,对多模态所对应的多个物品聚类结果进行融合,得到聚类簇的聚类过程的一个示意图;
图5是根据本申请的用于生成信息的装置的一个实施例的结构示意图;
图6是适于用来实现本申请实施例的电子设备的计算机***的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的用于生成信息的方法的实施例的示例性***架构100。
如图1所示,***架构100可以包括终端设备1011、1012、1013,网络102和服务器103。网络102用以在终端设备1011、1012、1013和服务器103之间提供通信链路的介质。网络102可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备1011、1012、1013通过网络102与服务器103交互,以发送或接收消息等(例如,终端设备1011、1012、1013可以向服务器103发送搜索请求)等。终端设备1011、1012、1013上可以安装有各种通讯客户端应用,例如购物类应用、搜索类应用、即时通讯软件等。
终端设备1011、1012、1013可以是硬件,也可以是软件。当终端设备1011、1012、1013为硬件时,可以是支持信息交互的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备1011、1012、1013为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。
服务器103可以是提供各种服务的服务器。例如,可以对获取到的至少两个物品中每个物品的多模态的物品信息进行分析从而对上述至少两个物品进行聚类得到聚类信息。服务器103可以首先获取至少两个物品中每个物品的多模态的物品信息;之后,可以针对上述多模态中的每个模态,利用以该种模态所呈现的物品信息对上述至少两个物品进行聚类,得到该种模态所对应的物品聚类结果;而后,可以利用图算法,对上述多模态所对应的多个物品聚类结果进行融合,得到聚类簇;最后,可以基于上述聚类簇,生成聚类信息,以及存储上述聚类信息。
需要说明的是,服务器103可以是硬件,也可以是软件。当服务器103为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器103为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,示出了根据本申请的用于生成信息的方法的一个实施例的流程200。该用于生成信息的方法,包括以下步骤:
步骤201,获取至少两个物品中每个物品的多模态的物品信息。
在本实施例中,用于生成信息的方法的执行主体(例如图1所示的服务器)可以获取至少两个物品中每个物品的多模态的物品信息。上述至少两个物品可以是目标数据库中的物品标识所指示的物品,上述目标数据库可以包括关联物品数据库,例如可以是预先整理的、存储有较为相似的物品的数据库。需要说明的是,上述物品标识可以包括物品的SKU(Stock Keeping Unit,库存量单位)。SKU即库存进出计量的基本单元,可以是以件、盒、托盘等为单位。SKU这是对于大型连锁超市DC(配送中心)物流管理的一个必要的方法。现在已经被引申为产品统一编号的简称,每种产品均对应有唯一的SKU号。对一种商品而言,当其品牌、型号、配置、等级、花色、包装容量、单位、生产日期、保质期、用途、价格、产地等属性中任一属性与其他商品存在不同时,可称为一个单品。
在本实施例中,每一种信息的来源或者形式都可以称为一种模态。例如,人有触觉,听觉,视觉,嗅觉;信息的媒介,有语音、视频、文字等;多种多样的传感器,如雷达、红外、加速度计等。以上的每一种都可以称为一种模态。在对一个复杂对象的描述过程中,可以使用文字、图像、音频和视频等多媒体数据以及用于身份识别的面部和指纹特征等,这些从不同角度描述同一事物的数据被称为多模态数据或者多组特征。在这里,上述多模态中的各个模态可以以不同的呈现方式对物品进行呈现,例如,模态可以包括但不限于以下至少一项:音频和视频。
在这里,若模态包括音频和视频,则获取到的物品信息可以包括物品描述音频和物品描述视频。
步骤202,针对多模态中的每个模态,利用以该种模态所呈现的物品信息对至少两个物品进行聚类,得到该种模态所对应的物品聚类结果。
在本实施例中,针对多模态中的每个模态,上述执行主体可以利用以该种模态所呈现的物品信息对至少两个物品进行聚类,得到该种模态所对应的物品聚类结果。
在本实施例中,若模态包括视频,利用视频这种模态所呈现的物品信息为物品描述视频。针对上述至少两个物品中的每个物品,上述执行主体可以将该物品的物品描述视频输入预先训练的视频特征提取模型中,得到该物品的物品描述视频中的视频特征。上述视频特征提取模型可以用于提取视频中的视频特征。视频特征可以包括但不限于以下至少一项:视频亮度、视频长度和视频中所包含的物品的物品特征(例如,物品材质、物品类别和物品轮廓)。在这里,可以将该物品的物品描述视频从视频特征提取模型的输入侧输入,依次经过视频特征提取模型中的各层的参数的处理(例如乘积、卷积等),并从视频特征提取模型的输出侧输出,输出侧输出的信息即为该物品的物品描述视频中的视频特征。
之后,可以利用各个物品对应的视频特征对上述至少两个物品进行聚类,得到至少一个视频聚类簇。将物理或抽象对象的集合分成由类似的对象组成的多个类的过程被称为聚类。由聚类所生成的簇是一组数据对象的集合,这些对象与同一个簇中的对象彼此相似,与其他簇中的对象相异。在这里,可以通过kmeans算法(k-means clusteringalgorithm,k均值聚类算法)、DBSCAN算法(Density-Based Spatial Clustering ofApplications with Noise Algorithm,基于密度的聚类算法)等对各个物品所对应的各个视频特征进行聚类。kmeans算法是一种迭代求解的聚类分析算法,其步骤是随机选取K个对象作为初始的聚类中心,然后计算每个对象与各个种子聚类中心之间的距离,把每个对象分配给距离它最近的聚类中心。聚类中心以及分配给它们的对象就代表一个聚类。每分配一个样本,聚类的聚类中心会根据聚类中现有的对象被重新计算。这个过程将不断重复直到满足某个终止条件。终止条件可以是没有(或最小数目)对象被重新分配给不同的聚类,没有(或最小数目)聚类中心再发生变化,误差平方和局部最小。DBSCAN算法将簇定义为密度相连的点的最大集合,能够把具有足够高密度的区域划分为簇,并可在噪声的空间数据库中发现任意形状的聚类。
在本实施例中,若模态包括音频,利用音频这种模态所呈现的物品信息为物品描述音频。针对上述至少两个物品中的每个物品,上述执行主体可以将该物品的物品描述音频输入预先训练的音频特征提取模型中,得到该物品的物品描述音频中的音频特征。上述音频特征提取模型可以用于提取音频中的音频特征。音频特征可以包括但不限于以下至少一项:音频长度、音频的音色和音频中的语义特征。在这里,可以将该物品的物品描述音频从音频特征提取模型的输入侧输入,依次经过音频特征提取模型中的各层的参数的处理(例如乘积、卷积等),并从音频特征提取模型的输出侧输出,输出侧输出的信息即为该物品的物品描述音频中的音频特征。
之后,可以利用各个物品对应的音频特征对上述至少两个物品进行聚类,得到至少一个音频聚类簇。在这里,可以通过kmeans算法、DBSCAN算法等对各个物品所对应的各个视频特征进行聚类。
步骤203,利用图算法,对多模态所对应的多个物品聚类结果进行融合,得到聚类簇。
在本实施例中,上述执行主体可以利用图算法,对多模态所对应的多个物品聚类结果进行融合,得到聚类簇。图算法是指利用特制的线条算图求得答案的一种简便算法。需要说明的是,同一物品可以属于多个聚类簇。
步骤204,基于聚类簇,生成聚类信息,以及存储聚类信息。
在本实施例中,在步骤203中得到聚类簇之后,上述执行主体可以基于上述聚类簇,生成聚类信息,以及存储上述聚类信息。上述聚类信息可以包括每个聚类簇的簇标识与该聚类簇中所包含的物品的物品标识的对应关系。上述执行主体可以将簇标识与对应的物品的物品标识进行关联存储。
在本实施例的一些可选的实现方式中,上述执行主体可以通过如下方式基于上述聚类簇,生成聚类信息,以及存储上述聚类信息:针对上述至少两个物品中的每个物品,上述执行主体可以获取该物品所在的聚类簇的簇标识,以及将该物品的物品标识与上述簇标识进行关联存储。作为示例,若物品S1存在于聚类簇pid1中,物品S1也存在于聚类簇pid5中,则可以物品S1与聚类簇pid1和聚类簇pid5进行关联存储。
在本实施例的一些可选的实现方式中,上述执行主体可以检测是否接收到用户终端发送的搜索请求。若用户在上述用户终端中执行搜索操作(例如,用户在输入框中输入搜索关键词之后点击“搜索”图标的操作)时,上述用户终端可以向上述执行主体发送搜索请求。上述搜索请求中通常可以包括搜索关键词。若上述执行主体接收到搜索指令,可以获取与上述搜索指令关联的搜索结果。之后,上述执行主体可以确定上述搜索结果中是否包括同一聚类簇中的至少两个物品的物品标识。若确定出上述搜索结果中包括同一聚类簇中的至少两个物品的物品标识,则说明搜索结果中包括至少两个同款物品的物品标识,此时,可以对上述搜索结果进行过滤,使得过滤后的搜索结果保留同一聚类簇中的一个物品的物品标识。最后,可以向上述用户终端发送过滤后的搜索结果。通过这种方式使得同款物品在搜索结果中只展示一次,避免了页面资源的浪费。
在本实施例的一些可选的实现方式中,上述执行主体可以检测是否接收到上述用户终端发送的对上述过滤后的搜索结果的查看请求。上述查看请求可以是用户对上述用户终端所呈现的搜索结果执行了点击操作所生成的。若接收到上述用户终端发送的对上述过滤后的搜索结果的查看请求,上述执行主体可以获取所查看的搜索结果所指示的物品所在的聚类簇中的各个物品的目标物品信息。其中,上述目标物品信息可以包括物品标识和物品价格,即上述执行主体可以获取所查看的搜索结果所指示的物品所在的聚类簇中每个物品的SKU和对应的价格。最后,上述执行主体可以向上述用户终端发送所获取到的物品标识和对应的物品价格。上述用户终端可以呈现每个物品的SKU和对应的价格。通过这种方式可以将展示同款物品的价格,从而可以给商家定价提供参考。
本申请的上述实施例提供的方法通过利用物品的多模态信息中的每个模态信息对物品聚类,得到针对每个模态的物品的聚类结果;之后,利用图算法,对多模态所对应的多个物品聚类结果进行融合,从而生成物品的聚类信息。通过这种方式可以更准确地确定出同款物品。
进一步参考图3,其示出了用于生成信息的方法的又一个实施例的流程300。该用于生成信息的方法的流程300,包括以下步骤:
步骤301,获取至少两个物品中每个物品的多模态的物品信息。
在本实施例中,用于生成信息的方法的执行主体(例如图1所示的服务器)可以获取至少两个物品中每个物品的多模态的物品信息。上述至少两个物品可以是目标数据库中的物品标识所指示的物品,上述目标数据库可以包括关联物品数据库,例如可以是预先整理的、存储有较为相似的物品的数据库。
在这里,上述多模态中的各个模态可以以不同的呈现方式对物品进行呈现,例如,模态可以包括但不限于以下至少一项:文本、图像、音频和视频。若模态包括文本、图像、音频和视频,则获取到的物品信息可以包括物品描述文本、物品图像、物品描述音频和物品描述视频。
步骤302,针对至少两个物品中的每个物品,从该物品的物品描述文本中提取出关键词,以及确定提取出的每个关键词对应的相对权重。
在本实施例中,针对上述至少两个物品中的每个物品,上述执行主体可以从该物品的物品描述文本中提取出关键词,以及确定提取出的每个关键词对应的相对权重。具体地,上述执行主体可以基于Text-Rank的关键词提取算法从该物品的物品描述文本中提取出关键词。
在这里,Text-Rank算法是利用局部词汇之间的关系对后续关键词进行排序,直接从文本本身抽取。其主要步骤如下:
第一,把该物品的物品描述文本按照完整句子进行分割。
第二,对于每个句子,进行分词和词性标注处理,并过滤掉停用词,只保留指定词性的单词,如名词、动词、形容词。
第三,构建候选关键词图,上述候选关键词图中的节点由第二步所生成的候选关键词组成,然后采用共现关系构造任两个节点之间的边,两个节点之间存在边仅当它们对应的词汇在长度为K的窗口中共现,K表示窗口大小,即最多共现K个单词。
第四,迭代传播各节点的权重,直至收敛。
第五,对节点权重由大到小排序,从而得到最重要的预设数目个单词,作为候选关键词。
在本实施例中,针对提取出的关键词中的每个关键词,可以将表征该关键词的节点的权重确定为该关键词对应的相对权重。
步骤303,提取每个关键词的特征值,利用各个关键词的特征值和各个关键词的相对权重,确定该物品对应的文本特征值。
在本实施例中,上述执行主体可以提取每个关键词的特征值,利用各个关键词的特征值和各个关键词的相对权重,确定该物品对应的文本特征值。具体地,上述执行主体可以使用word2vec工具提取每个关键词的特征值,特征值也可以称为特征向量。word2vec是一个将单词转换成向量形式的工具。可以把对文本内容的处理简化为向量空间中的向量运算,计算出向量空间上的相似度,来表示文本语义上的相似度。
之后,上述执行主体可以利用各个关键词的特征值和各个关键词的相对权重,确定该物品对应的文本特征值。具体地,上述执行主体可以利用各个关键词的相对权重对各个关键词进行加权平均,得到该物品对应的文本特征值。上述执行主体可以通过以下公式(1)确定该物品对应的文本特征值:
其中,为该物品对应的文本特征值,n为从该物品的物品描述文本中所提取出的关键词的数量,x1为第一个关键词的相对权重,x2为第二个关键词的相对权重,xn为第n个关键词的相对权重,f1为第一个关键词的特征值,f2为第二个关键词的特征值,fn为第n个关键词的特征值。
步骤304,利用至少两个物品中各个物品对应的文本特征值对至少两个物品进行聚类,得到至少一个文本聚类簇。
在本实施例中,上述执行主体可以利用上述至少两个物品中各个物品对应的文本特征值对至少两个物品进行聚类,得到至少一个文本聚类簇。上述执行主体可以通过kmeans算法、DBSCAN算法等对各个物品所对应的各个文本特征值进行聚类。
步骤305,针对至少两个物品中的每个物品,将该物品的物品图像输入到预先训练的图像特征提取模型中,得到该物品的物品图像中的图像特征。
在本实施例中,针对上述至少两个物品中的每个物品,上述执行主体可以将该物品的物品图像输入到预先训练的图像特征提取模型中,得到该物品的物品图像中的图像特征。上述图像特征可以包括但不限于以下至少一项:图像中物品的轮廓特征和边缘特征。上述图像特征提取模型可以用于提取图像中的图像特征。在这里,可以将该物品的物品图像从图像特征提取模型的输入侧输入,依次经过图像特征提取模型中的各层的参数的处理(例如乘积、卷积等),并从图像特征提取模型的输出侧输出,输出侧输出的信息即为该物品的物品图像中的图像特征。
步骤306,利用至少两个物品中各个物品对应的图像特征对至少两个物品进行聚类,得到至少一个图像聚类簇。
在本实施例中,上述执行主体可以利用上述至少两个物品中各个物品对应的图像特征对至少两个物品进行聚类,得到至少一个图像聚类簇。上述执行主体可以通过kmeans算法、DBSCAN算法等对各个物品所对应的各个图像特征进行聚类。
步骤307,针对至少一个文本聚类簇中的每个文本聚类簇,基于该文本聚类簇所包括的物品和至少一个图像聚类簇中的每个图像聚类簇所包括的物品,确定表征该文本聚类簇的节点与表征各个图像聚类簇的各个节点之间的边的权重。
在本实施例中,上述至少一个文本聚类簇和上述至少一个图像聚类簇可以分别表征为节点,可以将表征文本聚类簇的节点和表征图像聚类簇的节点之间的连线作为边。
在本实施例中,针对上述至少一个文本聚类簇中的每个文本聚类簇,上述执行主体可以基于该文本聚类簇所包括的物品和至少一个图像聚类簇中的每个图像聚类簇所包括的物品,确定表征该文本聚类簇的节点与表征各个图像聚类簇的各个节点之间的边的权重。具体地,针对上述至少一个图像聚类簇中的每个图像聚类簇,上述执行主体可以确定该文本聚类簇所包括的物品与该图像聚类簇所包括的物品的交集;之后,可以确定上述交集中的物品的数量与该文本聚类簇所包括的物品的数量之间的比值作为第一比值;而后,可以确定上述交集中的物品的数量与该图像聚类簇所包括的物品的数量之间的比值作为第二比值;最后,可以将上述第一比值与上述第二比值的乘积确定为表征该文本聚类簇的节点与表征该图像聚类簇的节点之间的边的权重。
作为示例,若文本聚类簇A中包括物品b、物品d、物品s和物品g,图像聚类簇B中包括物品x、物品d、物品s和物品n。文本聚类簇A与图像聚类簇B之间的交集为物品d和物品s。上述执行主体可以将上述交集中的物品的数量2与文本聚类簇A所包括的物品的数量4之间的比值0.5作为第一比值。上述执行主体可以将上述交集中的物品的数量2与图像聚类簇B所包括的物品的数量4之间的比值0.5作为第二比值。最后,可以将上述第一比值0.5与上述第二比值0.5的乘积0.25确定为表征文本聚类簇A的节点与表征图像聚类簇B的节点之间的边的权重。
步骤308,将权重小于预设权重阈值的边断开。
在本实施例中,基于步骤307确定出的各条边的权重,上述执行主体可以将权重小于预设权重阈值(例如,0.4)的边断开,从而保留权重大于等于上述预设权重阈值的边。
步骤309,将边断开后的图中的所有边的连通域进行合并,得到聚类簇。
在本实施例中,上述执行主体可以将边断开后的图中的所有边的连通域进行合并,得到聚类簇。在图论中,连通图基于连通的概念。在一个图中,若从顶点(节点)i到顶点j有路径相连(当然从j到i也一定有路径),则称i和j是连通的。在连通图中,相互连通的各个顶点(节点)可以为连通域。每一组相互连通的各个顶点(节点)合并之后可以得到一个聚类簇。
步骤310,基于聚类簇,生成聚类信息,以及存储聚类信息。
在本实施例中,步骤310可以按照与步骤204类似的方式执行,在此不再赘述。
在本实施例的一些可选的实现方式中,上述执行主体可以通过如下步骤从该物品的物品描述文本中提取出关键词,以及确定提取出的每个关键词对应的相对权重:首先,上述执行主体可以对该物品的物品描述文本进行分词处理,将分词得到的词语组成第一词语集合。上述执行主体可以利用基于字符串匹配的分词方法、基于语言模型的无监督分词方法等分词方法对该物品的物品描述文本进行分词处理。之后,上述执行主体可以从上述第一词语集合中删除满足预设条件的词语,得到目标词语集合。上述满足预设条件的词语可以是存在于预设词语列表中的词语。预设词语列表通常可以包括品牌名称、用于表征颜色的词语和用于表征型号的词语(例如,大码、S、XL等)。最后,上述执行主体可以从上述目标词语集合中确定出关键词以及每个关键词对应的相对权重。上述执行主体可以基于TF-IDF(Term Frequency-Inverse Document Frequency,词频-逆向文件频率方法)对目标词语集合中的目标词语进行重要性计算,再基于重要性来选取目标词语作为关键词。此时,针对每个关键词,可以将该关键词的重要性确定为该关键词对应的相对权重。TF-IDF的主要思想是,如果某个词或短语在一篇文章中出现的频率(Term Frequency,TF)高,并且在其他文章中很少出现,则认为此词或者短语具有很好的类别区分能力,适合用来分类。而逆向文件频率(Inverse Document Frequency,IDF)主要是指,如果包含某个词或短语的文档越少,则IDF越大,则说明该词或短语具有很好的类别区分能力。由此,使用TF-IDF,可以计算某个词或短语在某篇文章里面的重要性。
在本实施例的一些可选的实现方式中,针对上述至少一个图像聚类簇中的每个图像聚类簇,上述执行主体可以确定该文本聚类簇所包括的物品与该图像聚类簇所包括的物品的交集,以及确定该文本聚类簇所包括的物品与该图像聚类簇所包括的物品的并集。之后,可以将上述交集中的物品的数量与上述并集中的物品的数量之比确定为表征该文本聚类簇的节点与表征该图像聚类簇的节点之间的边的权重。作为示例,若文本聚类簇C中包括物品a、物品b、物品s和物品g,图像聚类簇D中包括物品a、物品d、物品s和物品n。文本聚类簇C与图像聚类簇D之间的交集为物品a和物品s。文本聚类簇C与图像聚类簇D之间的并集为物品a、物品b、物品s、物品g、物品d和物品n。上述执行主体可以将上述交集中的物品的数量2与上述并集中的物品的数量6之比0.33确定为表征文本聚类簇C的节点与表征图像聚类簇D的节点之间的边的权重。
从图3中可以看出,与图2对应的实施例相比,本实施例中的用于生成信息的方法的流程300体现了利用物品描述文本确定出至少一个文本聚类簇、利用物品图像确定出至少一个图像聚类簇、将至少一个文本聚类簇与至少一个图像聚类簇进行合并得到聚类簇的步骤。由此,本实施例描述的方案以物品描述文本以及物品图像为示例,提供了一种利用多模态的物品信息进行聚类的方法。将权重小于预设权重阈值的边断开的这种方式可以进一步提高了所确定出的同款物品的准确性。
继续参见图4A-图4D,图4A-图4D是根据本申请的利用图算法,对多模态所对应的多个物品聚类结果进行融合,得到聚类簇的聚类过程的一个示意图。
在图4A的示意图中,节点M1、节点M2、节点M3和节点M4分别表征文本聚类簇,节点N1、节点N2、节点N3和节点N4分别表征图像聚类簇。节点M1所表征的文本聚类簇中包括物品S1、物品S2、物品S5和物品S9;节点M2所表征的文本聚类簇中包括物品S3、物品S4、物品S6和物品S7;节点M3所表征的文本聚类簇中包括物品S8;节点M4所表征的文本聚类簇中包括物品S10。节点N1所表征的图像聚类簇中包括物品S1、物品S2和物品S3;节点N2所表征的图像聚类簇中包括物品S4、物品S6和物品S7;节点N3所表征的图像聚类簇中包括物品S5和物品S9;节点N4所表征的图像聚类簇中包括物品S8和物品S10。
在图4B的示意图中,上述执行主体可以确定表征文本聚类簇的节点与表征图像聚类簇的节点之间的边的权重。以节点M1和节点N1为示例,节点M1所表征的文本聚类簇中包括物品S1、物品S2、物品S5和物品S9,节点N1所表征的图像聚类簇中包括物品S1、物品S2和物品S3。上述执行主体可以确定节点M1所表征的文本聚类簇中包括的物品与节点N1所表征的图像聚类簇中包括的物品的交集为物品S1和物品S2,以及确定节点M1所表征的文本聚类簇中包括的物品与节点N1所表征的图像聚类簇中包括的物品的并集为S1、物品S2、物品S3、物品S5和物品S9。之后,可以将上述交集中的物品的数量2与上述并集中的物品的数量5之比0.4确定为节点M1与节点N1之间的边的权重。利用上述方法,上述执行主体可以确定出节点M1与节点N3之间的边的权重为0.5,节点M2与节点N1之间的边的权重为0.17,节点M2与节点N2之间的边的权重为0.75,节点M3与节点N4之间的边的权重为0.5,节点M4与节点N4之间的边的权重为0.5。
之后,上述执行主体可以将权重小于预设权重阈值的边断开。在这里,预设权重阈值可以为0.5。由于节点M1与节点N1之间的边的权重为0.4,节点M2与节点N1之间的边的权重为0.17。因此,上述执行主体可以将节点M1与节点N1之间的边,以及节点M2与节点N1之间的边断开,得到边断开后的图,如图4C所示。
最后,上述执行主体可以将边断开后的图中的所有边的连通域进行合并,得到聚类簇。由于节点M1与节点N3是连通的,可以将节点M1所表征的文本聚类簇中的物品与节点N3所表征的图像聚类簇中的物品进行合并,得到聚类簇pid1,聚类簇pid1中包括物品S1、物品S2、物品S5和物品S9。利用上述合并方法,可以得到包括物品S3、物品S4、物品S6和物品S7的聚类簇pid2,包括物品S8和物品S10的聚类簇pid3,以及包括物品S1、物品S2和物品S3的聚类簇pid4,如图4D所示。
进一步参考图5,作为对上述各图所示方法的实现,本申请提供了一种用于生成信息的装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图5所示,本实施例的用于生成信息的装置500包括:第一获取单元501、聚类单元502、融合单元503和生成单元504。其中,第一获取单元501被配置成获取至少两个物品中每个物品的多模态的物品信息,其中,多模态中的各个模态以不同的呈现方式对物品进行呈现;聚类单元502被配置成针对多模态中的每个模态,利用以该种模态所呈现的物品信息对至少两个物品进行聚类,得到该种模态所对应的物品聚类结果;融合单元503被配置成利用图算法,对多模态所对应的多个物品聚类结果进行融合,得到聚类簇;生成单元504被配置成基于聚类簇,生成聚类信息,以及存储聚类信息。
在本实施例中,用于生成信息的装置500的第一获取单元501、聚类单元502、融合单元503和生成单元504的具体处理可以参考图2对应实施例中的步骤201、步骤202、步骤203和步骤204。
在本实施例的一些可选的实现方式中,上述生成单元504可以通过如下方式基于上述聚类簇,生成聚类信息,以及存储上述聚类信息:针对上述至少两个物品中的每个物品,上述生成单元504可以获取该物品所在的聚类簇的簇标识,以及将该物品的物品标识与上述簇标识进行关联存储。
在本实施例的一些可选的实现方式中,上述用于生成信息的装置500还可以包括:第二获取单元(图中未示出)、过滤单元(图中未示出)和第一发送单元(图中未示出)。上述第二获取单元可以检测是否接收到用户终端发送的搜索请求。若用户在上述用户终端中执行搜索操作(例如,用户在输入框中输入搜索关键词之后点击“搜索”图标的操作)时,上述用户终端可以发送搜索请求。上述搜索请求中通常可以包括搜索关键词。若上述第二获取单元接收到搜索指令,可以获取与上述搜索指令关联的搜索结果。之后,上述过滤单元可以确定上述搜索结果中是否包括同一聚类簇中的至少两个物品的物品标识。若确定出上述搜索结果中包括同一聚类簇中的至少两个物品的物品标识,则说明搜索结果中包括至少两个同款物品的物品标识,此时,可以对上述搜索结果进行过滤,使得过滤后的搜索结果保留同一聚类簇中的一个物品的物品标识。最后,上述第一发送单元可以向上述用户终端发送过滤后的搜索结果。通过这种方式使得同款物品在搜索结果中只展示一次,避免了页面资源的浪费。
在本实施例的一些可选的实现方式中,上述用于生成信息的装置500还可以包括:第三获取单元(图中未示出)和第二发送单元(图中未示出)。上述第三获取单元可以检测是否接收到上述用户终端发送的对上述过滤后的搜索结果的查看请求。上述查看请求可以是用户对上述用户终端所呈现的搜索结果执行了点击操作所生成的。若接收到上述用户终端发送的对上述过滤后的搜索结果的查看请求,上述第三获取单元可以获取所查看的搜索结果所指示的物品所在的聚类簇中的各个物品的目标物品信息。其中,上述目标物品信息可以包括物品标识和物品价格,即上述执行主体可以获取所查看的搜索结果所指示的物品所在的聚类簇中每个物品的SKU和对应的价格。最后,上述第二发送单元可以向上述用户终端发送所获取到的物品标识和对应的物品价格。上述用户终端可以呈现每个物品的SKU和对应的价格。通过这种方式可以将展示同款物品的价格,从而可以给商家定价提供参考。
在本实施例的一些可选的实现方式中,上述多模态的物品信息可以包括物品描述文本。针对上述至少两个物品中的每个物品,上述聚类单元502可以从该物品的物品描述文本中提取出关键词,以及确定提取出的每个关键词对应的相对权重。具体地,上述聚类单元502可以基于Text-Rank的关键词提取算法从该物品的物品描述文本中提取出关键词。上述聚类单元502可以提取每个关键词的特征值,利用各个关键词的特征值和各个关键词的相对权重,确定该物品对应的文本特征值。具体地,上述聚类单元502可以使用word2vec工具提取每个关键词的特征值,特征值也可以称为特征向量。word2vec是一个将单词转换成向量形式的工具。可以把对文本内容的处理简化为向量空间中的向量运算,计算出向量空间上的相似度,来表示文本语义上的相似度。之后,上述聚类单元502可以利用各个关键词的特征值和各个关键词的相对权重,确定该物品对应的文本特征值。具体地,上述聚类单元502可以利用各个关键词的相对权重对各个关键词进行加权平均,得到该物品对应的文本特征值。上述聚类单元502可以利用上述至少两个物品中各个物品对应的文本特征值对至少两个物品进行聚类,得到至少一个文本聚类簇。上述聚类单元502可以通过kmeans算法、DBSCAN算法等对各个物品所对应的各个文本特征值进行聚类。
在本实施例的一些可选的实现方式中,上述聚类单元502可以通过如下步骤从该物品的物品描述文本中提取出关键词,以及确定提取出的每个关键词对应的相对权重:首先,上述聚类单元502可以对该物品的物品描述文本进行分词处理,将分词得到的词语组成第一词语集合。上述聚类单元502可以利用基于字符串匹配的分词方法、基于语言模型的无监督分词方法等分词方法对该物品的物品描述文本进行分词处理。之后,上述聚类单元502可以从上述第一词语集合中删除满足预设条件的词语,得到目标词语集合。上述满足预设条件的词语可以是存在于预设词语列表中的词语。预设词语列表通常可以包括品牌名称、用于表征颜色的词语和用于表征型号的词语。最后,上述聚类单元502可以从上述目标词语集合中确定出关键词以及每个关键词对应的相对权重。上述聚类单元502可以基于TF-IDF对目标词语集合中的目标词语进行重要性计算,再基于重要性来选取目标词语作为关键词。此时,针对每个关键词,可以将该关键词的重要性确定为该关键词对应的相对权重。
在本实施例的一些可选的实现方式中,上述多模态的物品信息可以包括物品图像。针对上述至少两个物品中的每个物品,上述聚类单元502可以将该物品的物品图像输入到预先训练的图像特征提取模型中,得到该物品的物品图像中的图像特征。上述图像特征可以包括但不限于以下至少一项:图像中物品的轮廓特征和边缘特征。上述图像特征提取模型可以用于提取图像中的图像特征。在这里,可以将该物品的物品图像从图像特征提取模型的输入侧输入,依次经过图像特征提取模型中的各层的参数的处理,并从图像特征提取模型的输出侧输出,输出侧输出的信息即为该物品的物品图像中的图像特征。之后,上述聚类单元502可以利用上述至少两个物品中各个物品对应的图像特征对至少两个物品进行聚类,得到至少一个图像聚类簇。上述聚类单元502可以通过kmeans算法、DBSCAN算法等对各个物品所对应的各个图像特征进行聚类。
在本实施例的一些可选的实现方式中,上述至少一个文本聚类簇和上述至少一个图像聚类簇可以分别表征为节点,可以将表征文本聚类簇的节点和表征图像聚类簇的节点之间的连线作为边。针对上述至少一个文本聚类簇中的每个文本聚类簇,上述融合单元503可以基于该文本聚类簇所包括的物品和至少一个图像聚类簇中的每个图像聚类簇所包括的物品,确定表征该文本聚类簇的节点与表征各个图像聚类簇的各个节点之间的边的权重。具体地,针对上述至少一个图像聚类簇中的每个图像聚类簇,上述融合单元503可以确定该文本聚类簇所包括的物品与该图像聚类簇所包括的物品的交集;之后,可以确定上述交集中的物品的数量与该文本聚类簇所包括的物品的数量之间的比值作为第一比值;而后,可以确定上述交集中的物品的数量与该图像聚类簇所包括的物品的数量之间的比值作为第二比值;最后,上述融合单元503可以将上述第一比值与上述第二比值的乘积确定为表征该文本聚类簇的节点与表征该图像聚类簇的节点之间的边的权重。基于确定出的各条边的权重,上述融合单元503可以将权重小于预设权重阈值的边断开,从而保留权重大于等于上述预设权重阈值的边。而后,上述融合单元503可以将边断开后的图中的所有边的连通域进行合并,得到聚类簇。
在本实施例的一些可选的实现方式中,针对上述至少一个图像聚类簇中的每个图像聚类簇,上述融合单元503可以确定该文本聚类簇所包括的物品与该图像聚类簇所包括的物品的交集,以及确定该文本聚类簇所包括的物品与该图像聚类簇所包括的物品的并集。之后,上述融合单元503可以将上述交集中的物品的数量与上述并集中的物品的数量之比确定为表征该文本聚类簇的节点与表征该图像聚类簇的节点之间的边的权重。
下面参考图6,其示出了适于用来实现本公开的实施例的电子设备(例如图1中的服务器)600的结构示意图。图6示出的电子设备仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图6所示,电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常,以下装置可以连接至I/O接口605:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607;包括例如磁带、硬盘等的存储装置608;以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图6中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置609从网络上被下载和安装,或者从存储装置608被安装,或者从ROM 602被安装。在该计算机程序被处理装置601执行时,执行本公开的实施例的方法中限定的上述功能。需要说明的是,本公开的实施例所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本公开的实施例中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取至少两个物品中每个物品的多模态的物品信息,其中,多模态中的各个模态以不同的呈现方式对物品进行呈现;针对多模态中的每个模态,利用以该种模态所呈现的物品信息对至少两个物品进行聚类,得到该种模态所对应的物品聚类结果;利用图算法,对多模态所对应的多个物品聚类结果进行融合,得到聚类簇;基于聚类簇,生成聚类信息,以及存储聚类信息。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的实施例的操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括第一获取单元、聚类单元、融合单元和生成单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,第一获取单元还可以被描述为“获取至少两个物品中每个物品的多模态的物品信息的单元”。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开的实施例中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (20)
1.一种用于生成信息的方法,包括:
获取至少两个物品中每个物品的多模态的物品信息,其中,所述多模态中的各个模态以不同的呈现方式对物品进行呈现;
针对所述多模态中的每个模态,利用以该种模态所呈现的物品信息对所述至少两个物品进行聚类,得到该种模态所对应的物品聚类结果;
利用图算法,对所述多模态所对应的多个物品聚类结果进行融合,得到聚类簇;
基于所述聚类簇,生成聚类信息,以及存储所述聚类信息。
2.根据权利要求1所述的方法,其中,所述基于所述聚类簇,生成聚类信息,以及存储所述聚类信息,包括:
针对所述至少两个物品中的每个物品,获取该物品所在的聚类簇的簇标识,以及将该物品的物品标识与所述簇标识进行关联存储。
3.根据权利要求1所述的方法,其中,所述方法还包括:
响应于接收到用户终端发送的搜索请求,获取搜索结果;
响应于确定出所述搜索结果中包括同一聚类簇中的至少两个物品的物品标识,对所述搜索结果进行过滤,使得过滤后的搜索结果保留同一聚类簇中的一个物品的物品标识;
向所述用户终端发送过滤后的搜索结果。
4.根据权利要求3所述的方法,其中,所述方法还包括:
响应于接收到所述用户终端发送的对所述过滤后的搜索结果的查看请求,获取所查看的搜索结果所指示的物品所在的聚类簇中的各个物品的目标物品信息,其中,所述目标物品信息包括物品标识和物品价格;
向所述用户终端发送所获取到的物品标识和对应的物品价格。
5.根据权利要求1所述的方法,其中,所述多模态的物品信息包括物品描述文本;以及
所述针对所述多模态中的每个模态,利用以该种模态所呈现的物品信息对所述至少两个物品进行聚类,得到该种模态所对应的物品聚类结果,包括:
针对所述至少两个物品中的每个物品,从该物品的物品描述文本中提取出关键词,以及确定提取出的每个关键词对应的相对权重,提取每个关键词的特征值,利用各个关键词的特征值和各个关键词的相对权重,确定该物品对应的文本特征值;
利用所述至少两个物品中各个物品对应的文本特征值对所述至少两个物品进行聚类,得到至少一个文本聚类簇。
6.根据权利要求5所述的方法,其中,所述从该物品的物品描述文本中提取出关键词,以及确定提取出的每个关键词对应的相对权重,包括:
对该物品的物品描述文本进行分词处理,将分词得到的词语组成第一词语集合,从所述第一词语集合中删除满足预设条件的词语,得到目标词语集合,从所述目标词语集合中确定出关键词以及每个关键词对应的相对权重。
7.根据权利要求5或6所述的方法,其中,所述多模态的物品信息包括物品图像;以及
所述针对所述多模态中的每个模态,利用以该种模态所呈现的物品信息对所述至少两个物品进行聚类,得到该种模态所对应的物品聚类结果,包括:
针对所述至少两个物品中的每个物品,将该物品的物品图像输入到预先训练的图像特征提取模型中,得到该物品的物品图像中的图像特征,其中,所述图像特征提取模型用于提取图像中的图像特征;
利用所述至少两个物品中各个物品对应的图像特征对所述至少两个物品进行聚类,得到至少一个图像聚类簇。
8.根据权利要求7所述的方法,其中,所述至少一个文本聚类簇和所述至少一个图像聚类簇分别表征为节点,将表征文本聚类簇的节点和表征图像聚类簇的节点之间的连线作为边;以及
所述利用图算法,对所述多模态所对应的多个物品聚类结果进行融合,得到聚类簇,包括:
针对所述至少一个文本聚类簇中的每个文本聚类簇,基于该文本聚类簇所包括的物品和至少一个图像聚类簇中的每个图像聚类簇所包括的物品,确定表征该文本聚类簇的节点与表征各个图像聚类簇的各个节点之间的边的权重;
将权重小于预设权重阈值的边断开;
将边断开后的图中的所有边的连通域进行合并,得到聚类簇。
9.根据权利要求8所述的方法,其中,所述基于该文本聚类簇所包括的物品和至少一个图像聚类簇中的每个图像聚类簇所包括的物品,确定表征该文本聚类簇的节点与表征各个图像聚类簇的各个节点之间的边的权重,包括:
针对所述至少一个图像聚类簇中的每个图像聚类簇,确定该文本聚类簇所包括的物品与该图像聚类簇所包括的物品的交集,以及确定该文本聚类簇所包括的物品与该图像聚类簇所包括的物品的并集,将所述交集中的物品的数量与所述并集中的物品的数量之比确定为表征该文本聚类簇的节点与表征该图像聚类簇的节点之间的边的权重。
10.一种用于生成信息的装置,包括:
第一获取单元,被配置成获取至少两个物品中每个物品的多模态的物品信息,其中,所述多模态中的各个模态以不同的呈现方式对物品进行呈现;
聚类单元,被配置成针对所述多模态中的每个模态,利用以该种模态所呈现的物品信息对所述至少两个物品进行聚类,得到该种模态所对应的物品聚类结果;
融合单元,被配置成利用图算法,对所述多模态所对应的多个物品聚类结果进行融合,得到聚类簇;
生成单元,被配置成基于所述聚类簇,生成聚类信息,以及存储所述聚类信息。
11.根据权利要求10所述的装置,其中,所述生成单元进一步被配置成按照如下方式基于所述聚类簇,生成聚类信息,以及存储所述聚类信息:
针对所述至少两个物品中的每个物品,获取该物品所在的聚类簇的簇标识,以及将该物品的物品标识与所述簇标识进行关联存储。
12.根据权利要求10所述的装置,其中,所述装置还包括:
第二获取单元,被配置成响应于接收到用户终端发送的搜索请求,获取搜索结果;
过滤单元,被配置成响应于确定出所述搜索结果中包括同一聚类簇中的至少两个物品的物品标识,对所述搜索结果进行过滤,使得过滤后的搜索结果保留同一聚类簇中的一个物品的物品标识;
第一发送单元,被配置成向所述用户终端发送过滤后的搜索结果。
13.根据权利要求12所述的装置,其中,所述装置还包括:
第三获取单元,被配置成响应于接收到所述用户终端发送的对所述过滤后的搜索结果的查看请求,获取所查看的搜索结果所指示的物品所在的聚类簇中的各个物品的目标物品信息,其中,所述目标物品信息包括物品标识和物品价格;
第二发送单元,被配置成向所述用户终端发送所获取到的物品标识和对应的物品价格。
14.根据权利要求10所述的装置,其中,所述多模态的物品信息包括物品描述文本;以及
所述聚类单元进一步被配置成按照如下方式针对所述多模态中的每个模态,利用以该种模态所呈现的物品信息对所述至少两个物品进行聚类,得到该种模态所对应的物品聚类结果:
针对所述至少两个物品中的每个物品,从该物品的物品描述文本中提取出关键词,以及确定提取出的每个关键词对应的相对权重,提取每个关键词的特征值,利用各个关键词的特征值和各个关键词的相对权重,确定该物品对应的文本特征值;
利用所述至少两个物品中各个物品对应的文本特征值对所述至少两个物品进行聚类,得到至少一个文本聚类簇。
15.根据权利要求14所述的装置,其中,所述聚类单元进一步被配置成按照如下方式从该物品的物品描述文本中提取出关键词,以及确定提取出的每个关键词对应的相对权重:
对该物品的物品描述文本进行分词处理,将分词得到的词语组成第一词语集合,从所述第一词语集合中删除满足预设条件的词语,得到目标词语集合,从所述目标词语集合中确定出关键词以及每个关键词对应的相对权重。
16.根据权利要求14或15所述的装置,其中,所述多模态的物品信息包括物品图像;以及
所述聚类单元进一步被配置成按照如下方式针对所述多模态中的每个模态,利用以该种模态所呈现的物品信息对所述至少两个物品进行聚类,得到该种模态所对应的物品聚类结果:
针对所述至少两个物品中的每个物品,将该物品的物品图像输入到预先训练的图像特征提取模型中,得到该物品的物品图像中的图像特征,其中,所述图像特征提取模型用于提取图像中的图像特征;
利用所述至少两个物品中各个物品对应的图像特征对所述至少两个物品进行聚类,得到至少一个图像聚类簇。
17.根据权利要求16所述的装置,其中,所述至少一个文本聚类簇和所述至少一个图像聚类簇分别表征为节点,将表征文本聚类簇的节点和表征图像聚类簇的节点之间的连线作为边;以及
所述融合单元进一步被配置成按照如下方式利用图算法,对所述多模态所对应的多个物品聚类结果进行融合,得到聚类簇:
针对所述至少一个文本聚类簇中的每个文本聚类簇,基于该文本聚类簇所包括的物品和至少一个图像聚类簇中的每个图像聚类簇所包括的物品,确定表征该文本聚类簇的节点与表征各个图像聚类簇的各个节点之间的边的权重;
将权重小于预设权重阈值的边断开;
将边断开后的图中的所有边的连通域进行合并,得到聚类簇。
18.根据权利要求17所述的装置,其中,所述融合单元进一步被配置成按照如下方式基于该文本聚类簇所包括的物品和至少一个图像聚类簇中的每个图像聚类簇所包括的物品,确定表征该文本聚类簇的节点与表征各个图像聚类簇的各个节点之间的边的权重:
针对所述至少一个图像聚类簇中的每个图像聚类簇,确定该文本聚类簇所包括的物品与该图像聚类簇所包括的物品的交集,以及确定该文本聚类簇所包括的物品与该图像聚类簇所包括的物品的并集,将所述交集中的物品的数量与所述并集中的物品的数量之比确定为表征该文本聚类簇的节点与表征该图像聚类簇的节点之间的边的权重。
19.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-9中任一所述的方法。
20.一种计算机可读介质,其上存储有计算机程序,其中,该程序被处理器执行时实现如权利要求1-9中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910667426.5A CN111783808B (zh) | 2019-07-23 | 2019-07-23 | 用于生成信息的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910667426.5A CN111783808B (zh) | 2019-07-23 | 2019-07-23 | 用于生成信息的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111783808A true CN111783808A (zh) | 2020-10-16 |
CN111783808B CN111783808B (zh) | 2024-06-18 |
Family
ID=72755723
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910667426.5A Active CN111783808B (zh) | 2019-07-23 | 2019-07-23 | 用于生成信息的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111783808B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113743533A (zh) * | 2021-09-17 | 2021-12-03 | 重庆紫光华山智安科技有限公司 | 一种图片聚类方法、装置及存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6728752B1 (en) * | 1999-01-26 | 2004-04-27 | Xerox Corporation | System and method for information browsing using multi-modal features |
US8533825B1 (en) * | 2010-02-04 | 2013-09-10 | Adometry, Inc. | System, method and computer program product for collusion detection |
CN104778186A (zh) * | 2014-01-15 | 2015-07-15 | 阿里巴巴集团控股有限公司 | 将商品对象挂载到标准产品单元的方法及*** |
CN106295673A (zh) * | 2015-06-25 | 2017-01-04 | 阿里巴巴集团控股有限公司 | 物品信息处理方法及处理装置 |
CN106570716A (zh) * | 2015-10-09 | 2017-04-19 | 阿里巴巴集团控股有限公司 | 提供商品对象信息的方法及装置 |
CN107291825A (zh) * | 2017-05-26 | 2017-10-24 | 北京奇艺世纪科技有限公司 | 一种视频中同款商品的检索方法和*** |
CN107590154A (zh) * | 2016-07-08 | 2018-01-16 | 阿里巴巴集团控股有限公司 | 基于图像识别的物体相似度判定方法和装置 |
CN108140026A (zh) * | 2015-05-20 | 2018-06-08 | 电子湾有限公司 | 搜索中的多面实体识别 |
US20180165740A1 (en) * | 2016-12-14 | 2018-06-14 | Facebook, Inc. | Product Clustering Algorithm |
CN109493195A (zh) * | 2018-12-24 | 2019-03-19 | 成都品果科技有限公司 | 一种基于强化学习的双聚类推荐方法和*** |
CN109993568A (zh) * | 2018-01-03 | 2019-07-09 | 北京京东尚科信息技术有限公司 | 信息推送的方法和装置 |
-
2019
- 2019-07-23 CN CN201910667426.5A patent/CN111783808B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6728752B1 (en) * | 1999-01-26 | 2004-04-27 | Xerox Corporation | System and method for information browsing using multi-modal features |
US8533825B1 (en) * | 2010-02-04 | 2013-09-10 | Adometry, Inc. | System, method and computer program product for collusion detection |
CN104778186A (zh) * | 2014-01-15 | 2015-07-15 | 阿里巴巴集团控股有限公司 | 将商品对象挂载到标准产品单元的方法及*** |
CN108140026A (zh) * | 2015-05-20 | 2018-06-08 | 电子湾有限公司 | 搜索中的多面实体识别 |
CN106295673A (zh) * | 2015-06-25 | 2017-01-04 | 阿里巴巴集团控股有限公司 | 物品信息处理方法及处理装置 |
CN106570716A (zh) * | 2015-10-09 | 2017-04-19 | 阿里巴巴集团控股有限公司 | 提供商品对象信息的方法及装置 |
CN107590154A (zh) * | 2016-07-08 | 2018-01-16 | 阿里巴巴集团控股有限公司 | 基于图像识别的物体相似度判定方法和装置 |
US20180165740A1 (en) * | 2016-12-14 | 2018-06-14 | Facebook, Inc. | Product Clustering Algorithm |
CN107291825A (zh) * | 2017-05-26 | 2017-10-24 | 北京奇艺世纪科技有限公司 | 一种视频中同款商品的检索方法和*** |
CN109993568A (zh) * | 2018-01-03 | 2019-07-09 | 北京京东尚科信息技术有限公司 | 信息推送的方法和装置 |
CN109493195A (zh) * | 2018-12-24 | 2019-03-19 | 成都品果科技有限公司 | 一种基于强化学习的双聚类推荐方法和*** |
Non-Patent Citations (2)
Title |
---|
刘建刚;唐敦兵;杨春;韩向东;江涛涛;***;: "基于物理DSM与行列变换的产品结构聚类划分", ***工程与电子技术, no. 10 * |
韩素斌;李奋强;魏驰;: "产品形态相似度评价方法研究", 包装工程, no. 24 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113743533A (zh) * | 2021-09-17 | 2021-12-03 | 重庆紫光华山智安科技有限公司 | 一种图片聚类方法、装置及存储介质 |
CN113743533B (zh) * | 2021-09-17 | 2023-08-01 | 重庆紫光华山智安科技有限公司 | 一种图片聚类方法、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111783808B (zh) | 2024-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108153901B (zh) | 基于知识图谱的信息推送方法和装置 | |
US8412718B1 (en) | System and method for determining originality of data content | |
US20190171970A1 (en) | Trading goods based on image processing for interest, emotion and affinity detection | |
US20200167613A1 (en) | Image analysis enhanced related item decision | |
CN107832338B (zh) | 一种识别核心产品词的方法和*** | |
US10956470B2 (en) | Facet-based query refinement based on multiple query interpretations | |
CN112395487A (zh) | 信息推荐方法、装置、计算机可读存储介质及电子设备 | |
CN111429161A (zh) | 特征提取方法、特征提取装置、存储介质及电子设备 | |
CN114297509A (zh) | 用户兴趣向量生成方法、产品推荐方法、装置、设备、介质 | |
CN113989476A (zh) | 对象识别方法及电子设备 | |
CN108512674B (zh) | 用于输出信息的方法、装置和设备 | |
CN110059172B (zh) | 基于自然语言理解的推荐答案的方法和装置 | |
CN112749323A (zh) | 一种构建用户画像的方法和装置 | |
CN114330476A (zh) | 用于媒体内容识别的模型训练方法及媒体内容识别方法 | |
CN111783808B (zh) | 用于生成信息的方法和装置 | |
CN112948584A (zh) | 短文本分类方法、装置、设备以及存储介质 | |
CN112529646A (zh) | 一种商品分类方法和装置 | |
CN114201622B (zh) | 获取事件信息的方法、装置、电子设备和存储介质 | |
CN111753199B (zh) | 用户画像构建方法及设备、电子设备和介质 | |
CN112905885A (zh) | 向用户推荐资源的方法、装置、设备、介质和程序产品 | |
Eltaher et al. | User profiling of Flickr: Integrating multiple types of features for gender classification | |
CN113761326B (zh) | 一种过滤相似产品的方法和装置 | |
CN111897910A (zh) | 信息推送方法和装置 | |
CN105279172A (zh) | 视频匹配方法和装置 | |
CN113128211B (zh) | 一种物品分类方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |