CN111897950A - 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
- CN111897950A CN111897950A CN202010744729.5A CN202010744729A CN111897950A CN 111897950 A CN111897950 A CN 111897950A CN 202010744729 A CN202010744729 A CN 202010744729A CN 111897950 A CN111897950 A CN 111897950A
- Authority
- CN
- China
- Prior art keywords
- text
- target
- sample
- information
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/34—Browsing; Visualisation therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/338—Presentation of query results
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
- G06F16/355—Class or cluster creation or modification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/53—Querying
- G06F16/538—Presentation of query results
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/54—Browsing; Visualisation therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/55—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/5866—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, manually generated location and time information
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Library & Information Science (AREA)
- Computational Linguistics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开的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:获取目标呈现用信息关联的文本和图像分别作为目标文本和目标图像;将目标文本和目标图像输入预先训练的特征提取模型,获得目标文本所对应的文本特征向量和目标图像所对应的图像特征向量;基于文本特征向量和图像特征向量,生成目标呈现用信息对应的目标特征向量。该实施方式为呈现用信息的后续处理提供了支持;并且,可以提取出更多的信息特征,有助于利用所提取的特征,更为准确、有效地表征呈现用信息的内容。
Description
技术领域
本公开的实施例涉及计算机技术领域,尤其涉及用于生成信息的方法和装置。
背景技术
随着科技的发展,用户可以使用手机、电脑等电子设备浏览呈现用信息。呈现用信息可以是用于呈现给用户的信息(例如广告、新闻等),具体可以包括文本、图像等。
实践中,存在很多需要提取呈现用信息的特征的场景,例如,为了实现个性化的信息推荐,需要提取呈现用信息的特征,以与用户特征进行匹配。
目前,通常提取呈现用信息包括的文本中的关键词的特征作为呈现用信息的特征。
发明内容
本公开的实施例提出了用于生成信息的方法和装置。
第一方面,本公开的实施例提供了一种用于生成信息的方法,该方法包括:获取目标呈现用信息关联的文本和图像分别作为目标文本和目标图像;将目标文本和目标图像输入预先训练的特征提取模型,获得目标文本所对应的文本特征向量和目标图像所对应的图像特征向量;基于文本特征向量和图像特征向量,生成目标呈现用信息对应的目标特征向量。
在一些实施例中,基于文本特征向量和图像特征向量,生成目标呈现用信息对应的目标特征向量包括:对文本特征向量和图像特征向量进行组合,获得目标呈现用信息对应的目标特征向量。
在一些实施例中,特征提取模型通过以下步骤训练获得:获取预置的样本呈现用信息集合;对于样本呈现用信息集合中的样本呈现用信息,提取该样本呈现用信息关联的样本文本和样本图像组成第一样本图文组;从除该样本呈现用信息以外的其他样本呈现用信息中确定该样本呈现用信息对应的样本呈现用信息作为候选样本呈现用信息;将该样本呈现用信息关联的样本图像和该样本呈现用信息对应的候选样本呈现用信息关联的样本文本组成第二样本图文组;获取初始图文匹配模型,其中,初始图文匹配模型包括初始特征提取模型和初始相似度计算模型,初始特征提取模型用于提取所输入的文本的文本特征向量和所输入的图像的图像特征向量,初始计算模型用于对所输入的文本特征向量和图像特征向量进行相似度计算;将所组成的第一样本图文组作为正样本,将所组成的第二样本图文组作为负样本,对初始图文匹配模型进行训练,获得训练完成的图文匹配模型,其中,训练完成的图文匹配模型包括训练完成的特征提取模型。
在一些实施例中,将所组成的第一样本图文组作为正样本,将所组成的第二样本图文组作为负样本,对初始图文匹配模型进行训练包括:分别将正样本和负样本输入初始图文匹配模型,获得正样本对应的第一相似度预估值和负样本对应的第二相似度预估值;对第一相似度预估值和第二相似度预估值进行求差,获得预估正负样本差异值;确定预估正负样本差异值相对于预设正负样本差异值的损失值;利用所确定的损失值,对初始图文匹配模型进行训练。
在一些实施例中,从除该样本呈现用信息以外的其他样本呈现用信息中确定该样本呈现用信息对应的样本呈现用信息作为候选样本呈现用信息包括:分别确定其他样本呈现用信息关联的样本文本与该样本呈现用信息关联的样本文本的相似度;从所确定的相似度中提取最小的相似度作为目标相似度;将目标相似度对应的其他样本呈现用信息确定为该样本呈现用信息对应的候选样本呈现用信息。
在一些实施例中,目标呈现用信息关联的文本包括以下至少一项:标题文本、正文文本、落地页文本。
在一些实施例中,该方法还包括:获取目标用户的用户信息;基于所获得的目标特征向量,确定用户信息与目标呈现用信息是否匹配;响应于确定用户信息与目标呈现用信息匹配,向目标用户推送目标呈现用信息。
第二方面,本公开的实施例提供了一种用于生成信息的装置,该装置包括:第一获取单元,被配置成获取目标呈现用信息关联的文本和图像分别作为目标文本和目标图像;输入单元,被配置成将目标文本和目标图像输入预先训练的特征提取模型,获得目标文本所对应的文本特征向量和目标图像所对应的图像特征向量;生成单元,被配置成基于文本特征向量和图像特征向量,生成目标呈现用信息对应的目标特征向量。
在一些实施例中,生成单元进一步被配置成:对文本特征向量和图像特征向量进行组合,获得目标呈现用信息对应的目标特征向量。
在一些实施例中,特征提取模型通过以下步骤训练获得:获取预置的样本呈现用信息集合;对于样本呈现用信息集合中的样本呈现用信息,提取该样本呈现用信息关联的样本文本和样本图像组成第一样本图文组;从除该样本呈现用信息以外的其他样本呈现用信息中确定该样本呈现用信息对应的样本呈现用信息作为候选样本呈现用信息;将该样本呈现用信息关联的样本图像和该样本呈现用信息对应的候选样本呈现用信息关联的样本文本组成第二样本图文组;获取初始图文匹配模型,其中,初始图文匹配模型包括初始特征提取模型和初始相似度计算模型,初始特征提取模型用于提取所输入的文本的文本特征向量和所输入的图像的图像特征向量,初始计算模型用于对所输入的文本特征向量和图像特征向量进行相似度计算;将所组成的第一样本图文组作为正样本,将所组成的第二样本图文组作为负样本,对初始图文匹配模型进行训练,获得训练完成的图文匹配模型,其中,训练完成的图文匹配模型包括训练完成的特征提取模型。
在一些实施例中,将所组成的第一样本图文组作为正样本,将所组成的第二样本图文组作为负样本,对初始图文匹配模型进行训练包括:分别将正样本和负样本输入初始图文匹配模型,获得正样本对应的第一相似度预估值和负样本对应的第二相似度预估值;对第一相似度预估值和第二相似度预估值进行求差,获得预估正负样本差异值;确定预估正负样本差异值相对于预设正负样本差异值的损失值;利用所确定的损失值,对初始图文匹配模型进行训练。
在一些实施例中,从除该样本呈现用信息以外的其他样本呈现用信息中确定该样本呈现用信息对应的样本呈现用信息作为候选样本呈现用信息包括:分别确定其他样本呈现用信息关联的样本文本与该样本呈现用信息关联的样本文本的相似度;从所确定的相似度中提取最小的相似度作为目标相似度;将目标相似度对应的其他样本呈现用信息确定为该样本呈现用信息对应的候选样本呈现用信息。
在一些实施例中,目标呈现用信息关联的文本包括以下至少一项:标题文本、正文文本、落地页文本。
在一些实施例中,该装置还包括:第二获取单元,被配置成获取目标用户的用户信息;确定单元,被配置成基于所获得的目标特征向量,确定用户信息与目标呈现用信息是否匹配;推送单元,被配置成响应于确定用户信息与目标呈现用信息匹配,向目标用户推送目标呈现用信息。
第三方面,本公开的实施例提供了一种电子设备,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,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现上述用于生成信息的方法中任一实施例的方法。
第四方面,本公开的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,该程序被处理器执行时实现上述用于生成信息的方法中任一实施例的方法。
本公开的实施例提供的用于生成信息的方法和装置,通过获取目标呈现用信息关联的文本和图像分别作为目标文本和目标图像,而后将目标文本和目标图像输入预先训练的特征提取模型,获得目标文本所对应的文本特征向量和目标图像所对应的图像特征向量,最后基于文本特征向量和图像特征向量,生成目标呈现用信息对应的目标特征向量,从而可以有效地提取出呈现用信息的特征,有助于后续利用提取出的特征对呈现用信息进行分类、推荐等处理,为呈现用信息的后续处理提供了支持;并且,本公开可以基于呈现用信息关联的文本的文本特征和关联的图像的图像特征确定呈现用信息的特征,相较于现有技术中提取呈现用信息包括的文本中的关键词的特征作为呈现用信息的特征的方案,可以提取出更多的信息特征,有助于利用所提取的特征,更为准确、有效地表征呈现用信息的内容,进而有助于后续针对呈现用信息进行更为准确、有效的信息处理。
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,本公开的其它特征、目的和优点将会变得更明显:
图1是本公开的一个实施例可以应用于其中的示例性***架构图;
图2是根据本公开的用于生成信息的方法的一个实施例的流程图;
图3是根据本公开的实施例的用于生成信息的方法的一个应用场景的示意图;
图4是根据本公开的用于生成信息的方法的又一个实施例的流程图;
图5是根据本公开的用于生成信息的装置的一个实施例的结构示意图;
图6是适于用来实现本公开的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公开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,本公开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公开。
图1示出了可以应用本公开的用于生成信息的方法或用于生成信息的装置的实施例的示例性***架构100。
如图1所示,***架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104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101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种客户端应用,例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是硬件,也可以是软件。当终端设备101、102、103为硬件时,可以是各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、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、膝上型便携计算机和台式计算机等等。当终端设备101、102、103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(例如用来提供分布式服务的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105可以是提供各种服务的服务器,例如向终端设备101、102、103推送呈现用信息的信息推送服务器。信息推送服务器可以获取目标呈现用信息,并对目标呈现用信息等数据进行分析等处理,获得处理结果(例如目标呈现用信息对应的目标特征向量)。此外,获得处理结果后,信息推送服务器还可以基于处理结果,向终端设备推送目标呈现用信息。
需要说明的是,本公开的实施例所提供的用于生成信息的方法可以由服务器105执行,也可以由终端设备101、102、103执行(例如可以由呈现过目标呈现用信息或者待呈现目标呈现用信息的终端设备执行);相应地,用于生成信息的装置可以设置于服务器105中,也可以设置于终端设备101、102、103中。
需要说明的是,服务器可以是硬件,也可以是软件。当服务器为硬件时,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的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。
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。在生成目标呈现用信息对应的目标特征向量的过程中所使用的数据不需要从远程获取的情况下,上述***架构可以不包括网络,而只包括终端设备或服务器。
继续参考图2,示出了根据本公开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,获取目标呈现用信息关联的文本和图像分别作为目标文本和目标图像。
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)可以通过有线连接方式或者无线连接方式从远程或本地获取目标呈现用信息关联的文本和图像分别作为目标文本和目标图像。具体的,上述执行主体可以获取目标呈现用信息关联的文本作为目标文本,以及获取目标呈现用信息关联的图像作为目标图像。其中,目标呈现用信息可以是待提取其特征的呈现用信息。呈现用信息可以是用于呈现给用户的信息,例如,目标呈现用信息可以是用于呈现给用户的广告、新闻等。具体的,目标呈现用信息可以包括各种类型的信息,例如,目标呈现用信息可以包括文本、图像、音频、视频等。
在本实施例中,目标呈现用信息可以预先关联至少一个文本和至少一个图像,进而,上述执行主体可以获取目标呈现用信息关联的文本作为目标文本,以及获取目标呈现用信息关联的图像作为目标图像。
在本实施例中,目标呈现用信息关联的文本可以是与目标呈现用信息具有关联关系的各种文本。作为示例,目标呈现用信息关联的文本可以是目标呈现用信息对应的请求文本。请求文本可以是用户输入的、用于请求呈现目标呈现用信息的文本,例如“失眠该怎么调理”。
在本实施例的一些可选的实现方式中,目标呈现用信息关联的文本可以包括但不限于以下至少一项:标题文本、正文文本、落地页文本。
在本实现方式中,目标呈现用信息可以包含文本,标题文本可以是目标呈现用信息包含的文本的标题对应的文本;正文文本可以是目标呈现用信息包含的文本的正文对应的文本。
在本实现方式中,目标呈现用信息还可以用于用户点击。落地页文本则是用户点击目标呈现用信息后呈现给用户的页面中包含的文本。
可以理解,本实现方式中的文本可以指示出目标呈现用信息所呈现的内容,进而利用本实现方式中的关联文本,有助于在后续步骤中对目标呈现用信息的特征进行更为准确、有效的提取。
在本实施例中,目标呈现用信息关联的图像可以是与目标呈现用信息具有关联关系的各种图像。作为示例,目标呈现用信息关联的图像可以是目标呈现用信息包括的图像,或者可以是点击目标呈现用信息后获得的落地页包括的图像。
步骤202,将目标文本和目标图像输入预先训练的特征提取模型,获得目标文本所对应的文本特征向量和目标图像所对应的图像特征向量。
在本实施例中,基于步骤201中得到的目标文本和目标图像,上述执行主体可以将该目标文本和该目标图像输入预先训练的特征提取模型,获得目标文本所对应的文本特征向量和目标图像所对应的图像特征向量。其中,目标文本所对应的文本特征向量可以用于指示目标文本的特征。目标图像所对应的图像特征向量可以用于指示目标图像的特征。特征提取模型可以用于表征文本与文本对应的文本特征向量的对应关系和图像与图像对应的图像特征向量的对应关系。
在本实施例中,特征提取模型可以是机器学习模型,具体可以采用各种方式训练获得。作为示例,可以获取样本文本和针对样本文本预先标注的样本文本特征向量,以及获取样本图像和针对样本图像预先标注的样本图像特征向量,进而利用样本文本和标注的样本文本特征向量,以及样本图像和标注的样本图像特征向量,采用有监督的学习方式,训练获得特征提取模型。
在本实施例的一些可选的实现方式中,特征提取模型可以由上述执行主体或其他电子设备通过以下步骤训练获得:
首先,获取预置的样本呈现用信息集合。
其中,样本呈现用信息集合中可以包括多个样本呈现用信息。样本呈现用信息可以是用于训练模型的呈现用信息。样本呈现用信息集合中的每个样本呈现用信息可以关联样本文本和样本图像。样本呈现用信息关联的样本文本可以是与样本呈现用信息具有关联关系的各种文本。例如标题文本、正文文本、落地页文本等。样本呈现用信息关联的样本图像可以是与样本呈现用信息具有关联关系的各种图像。例如样本呈现用信息包括的图像、样本呈现用信息对应的落地页包括的图像等。
然后,对于样本呈现用信息集合中的(每个或某个)样本呈现用信息,提取该样本呈现用信息关联的样本文本和样本图像组成第一样本图文组;从除该样本呈现用信息以外的其他样本呈现用信息中确定该样本呈现用信息对应的样本呈现用信息作为候选样本呈现用信息;将该样本呈现用信息关联的样本图像和该样本呈现用信息对应的候选样本呈现用信息关联的样本文本组成第二样本图文组。
其中,样本图文组指的是由样本图像和样本文本组成的组合。
在这里,可以采用各种方法从其他样本呈现用信息中确定该样本呈现用信息对应的候选样本呈现用信息。例如,可以随机地从样本呈现用信息集合中除该样本呈现用信息以外的其他样本呈现用信息中确定一个样本呈现用信息作为该样本呈现用信息对应的候选样本呈现用信息。
在本实施例的一些可选的实现方式中,上述执行主体或其他电子设备可以通过以下步骤确定该样本呈现用信息对应的候选样本呈现用信息:首先,分别确定其他样本呈现用信息关联的样本文本与该样本呈现用信息关联的样本文本的相似度。然后,从所确定的相似度中提取最小的相似度作为目标相似度。最后,将目标相似度对应的其他样本呈现用信息确定为该样本呈现用信息对应的候选样本呈现用信息。
作为示例,样本呈现用信息集合包括样本呈现用信息A、样本呈现用信息B和样本呈现用信息C。对于样本呈现用信息A,可以确定该样本呈现用信息A关联的样本文本a1与样本呈现用信息B关联的样本文本b1的相似度为0.8;还可以确定该样本呈现用信息A关联的样本文本a1与样本呈现用信息C关联的样本文本c1的相似度为0.9。由于“0.8”小于“0.9”,所以,可以将“0.8”对应的样本呈现用信息B作为该样本呈现用信息A对应的候选样本呈现用信息。
本实现方式可以将其他样本呈现用信息中所关联的样本文本与该样本呈现用信息关联的样本文本差异最大的样本呈现用信息作为该样本呈现用信息对应的候选样本呈现用信息,由于该样本呈现用信息关联的样本文本表征的内容与该样本呈现用信息关联的样本图像表征的内容相类似,因此,其他样本呈现用信息关联的样本文本与该样本呈现用信息关联的样本文本差异越大,所表征的内容与该样本呈现用信息关联的样本图像所表征的内容的差异则会越大,以此,可以增大所组成的第二样本图像组中的样本文本和样本图像所表征的内容的差异,有助于获得更为有效的负样本,进而有助于利用更为有效的负样本,训练获得更为准确、有效的特征提取模型。
接着,获取初始图文匹配模型。
具体的,初始图文匹配模型可以是未经训练的模型,也可以是经过训练但未训练完成的模型。对初始图文匹配模型进行训练可以获得图文匹配模型。图文匹配模型可以用于确定所输入的文本和图像是否匹配。在这里,匹配可以指表征的内容相似或相同。
在本实现方式中,初始图文匹配模型可以包括各种类型的模型,例如可以是深度学习模型(例如残差网络),也可以是语言模型(例如GPT(Generative Pre-Training)模型),或者可以同时包括深度学习模型和语言模型。初始图文匹配模型可以包括初始特征提取模型和初始相似度计算模型。初始特征提取模型可以与初始相似度计算模型相连接。初始特征提取模型可以用于提取所输入的文本的文本特征向量和所输入的图像的图像特征向量。初始相似度计算模型可以用于接收初始特征提取模型提取出的文本特征向量和图像特征向量,以及对文本特征向量和图像特征向量进行相似度计算。
最后,将所组成的第一样本图文组作为正样本,将所组成的第二样本图文组作为负样本,对初始图文匹配模型进行训练,获得训练完成的图文匹配模型,其中,训练完成的图文匹配模型包括训练完成的特征提取模型。
可以理解,同一个样本呈现用信息关联的样本文本和样本图像表征的内容通常是相类似的,而不同的样本呈现用信息关联的样本文本和样本图像表征的内容通常存在差异。因此,本实现方式可以将由同一个样本呈现用信息关联的样本文本和样本图像组成的第一样本图文组作为正样本,将由不同的样本呈现用信息关联的样本文本和样本图像组成的第二样本图文组作为负样本,对初始图文匹配模型进行训练。
需要说明的是,对初始图文匹配模型进行训练,可以获得训练完成的图文匹配模型,训练完成的图文匹配模型可以包括训练完成的特征提取模型和训练完成的相似度计算模型。进而通过训练图文匹配模型,可以获得训练完成的特征提取模型。
具体的,在本实现方式中,基于组成的正样本和负样本,上述执行主体可以采用各种方法对初始图文匹配模型进行训练。作为示例,可以将正样本对应的期望相似度设置为1,将负样本对应的期望相似度设置为0。进而在利用正样本进行训练时,可以将正样本输入初始图文匹配模型的初始特征提取模型,获得正样本中的样本文本对应的文本特征向量和样本图像对应的图像特征向量,以及将文本特征向量和图像特征向量输入初始相似度计算模型,获得正样本对应的实际相似度,对正样本对应的实际相似度和期望相似度“1”进行求差获得正样本对应的损失值,利用正样本对应的损失值对初始图文匹配模型进行训练。相类似的,在利用负样本进行训练时,可以将负样本输入初始图文匹配模型,以获得负样本对应的实际相似度,对负样本对应的实际相似度和期望相似度“0”进行求差获得负样本对应的损失值,利用负样本对应的损失值对初始图文匹配模型进行训练。
在这里,利用损失值,对初始图文匹配模型进行训练指的是:利用损失值,调整初始图文匹配模型的参数。具体的参数调整的方向可以是使损失值减小的方向。需要说明的是,利用损失值调整模型的参数是目前广泛研究和应用的公知技术,此处不再赘述。
本实现方式可以通过组建图文组生成正样本和负样本,进而可以通过正样本和负样本,采用无监督的学习方式训练获得特征提取模型,提高了特征提取模型生成的多样性;并且,相较于利用标注人员标注的文本特征向量和图像特征向量训练模型的方式,可以减小人为因素的影响,有助于训练获得更为准确的特征提取模型。
在本实施例的一些可选的实现方式中,基于组成的正样本和负样本,上述执行主体或其他电子设备可以通过以下步骤对初始图文匹配模型进行训练:首先,分别将正样本和负样本输入初始图文匹配模型,获得正样本对应的第一相似度预估值和负样本对应的第二相似度预估值。然后,对第一相似度预估值和第二相似度预估值进行求差,获得预估正负样本差异值。接着,确定预估正负样本差异值相对于预设正负样本差异值的损失值。最后,利用所确定的损失值,对初始图文匹配模型进行训练。
具体的,可以对预估正负样本差异和预设正负样本差异值进行求差,获得预估正负样本差异值相对于预设正负样本差异值的损失值。
对比来看,在上述示例中,正样本对应的期望相似度与负样本对应的期望相似度的差异为1(1=1-0),模型训练的目标可以是使正样本对应的实际相似度接近正样本对应的期望相似度;使负样本对应的实际相似度接近负样本对应的期望相似度。而在本实现方式中,模型训练的目标可以是使正样本对应的实际相似度(即第一相似度预估值)与负样本对应的实际相似度(即第二相似度预估值)的差异(即预估正负样本差异值)能够接近期望差异(即预设正负样本差异值)。
本实现方式提供了另一种基于正负样本,训练初始图文匹配模型的方法,有助于提高模型训练的灵活性和多样性;并且,本实现方式可以针对一组正负样本,进行一次初始图文匹配模型的训练,与针对每个正样本或负样本,进行一次初始图文匹配模型训练的方案相比,可以减小训练次数,有助于提高模型训练的效率。
步骤203,基于文本特征向量和图像特征向量,生成目标呈现用信息对应的目标特征向量。
在本实施例中,基于步骤202中得到的文本特征向量和图像特征向量,上述执行主体可以生成目标呈现用信息对应的目标特征向量。其中,目标呈现用信息对应的目标特征向量可以用于指示目标呈现用信息的特征。
具体的,基于文本特征向量和图像特征向量,上述执行主体可以采用各种方法生成目标呈现用信息对应的目标特征向量。例如,上述执行主体可以从文本特征向量和图像特征向量中选择一个特征向量作为目标呈现用信息对应的目标特征向量。
在本实施例的一些可选的实现方式中,上述执行主体可以对文本特征向量和图像特征向量进行组合,获得目标呈现用信息对应的目标特征向量。
本实现方式中的目标特征向量可以同时包括目标呈现用信息关联的文本的文本特征和目标呈现用信息关联的图像的图像特征,进而可以更为有效、全面地表征目标呈现用信息的内容,有助于进一步提高对呈现用信息进行处理的准确性和有效性。
可以理解,获得目标呈现用信息的特征后,则可以利用目标呈现用信息的特征,对目标呈现用信息进行分类、推荐等处理。
作为示例,本公开获得的目标呈现用信息对应的目标特征向量可以用于呈现用信息的点击率预测场景、点击率预测模型的训练学习场景、呈现用信息的分类场景等,本申请对此不做限制。
可以理解的是,本公开的目标特征向量可以更为准确、有效地表征目标呈现用信息的内容,进而,对于任意需要使用目标呈现用信息的特征的场景,利用本公开的目标特征向量均可以获得更为准确、有效的结果。
继续参见图3,图3是根据本实施例的用于生成信息的方法的应用场景的一个示意图。在图3的应用场景中,服务器301可以首先获取目标呈现用信息(例如广告信息)302关联的文本(例如落地页文本)303和图像(例如包括的图像)304分别作为目标文本305和目标图像306。然后,服务器301可以将目标文本305和目标图像306输入预先训练的特征提取模型307,获得目标文本305所对应的文本特征向量308和目标图像306所对应的图像特征向量309。最后,服务器301可以基于文本特征向量308和图像特征向量309,生成目标呈现用信息302对应的目标特征向量310,例如,服务器301可以直接将文本特征向量308和图像特征向量309组合成目标呈现用信息302对应的目标特征向量310。
本公开的上述实施例提供的方法可以有效地提取出呈现用信息的特征,有助于后续利用提取出的特征对呈现用信息进行分类、推荐等处理,为呈现用信息的后续处理提供了支持;并且,本公开可以基于呈现用信息关联的文本的文本特征和关联的图像的图像特征确定呈现用信息的特征,相较于现有技术中提取呈现用信息包括的文本中的关键词的特征作为呈现用信息的特征的方案,可以提取出更多的信息特征,有助于利用所提取的特征,更为准确、有效地表征呈现用信息的内容,进而有助于后续针对呈现用信息进行更为准确、有效的信息处理。
进一步参考图4,其示出了用于生成信息的方法的又一个实施例的流程400。该用于生成信息的方法的流程400,包括以下步骤:
步骤401,获取目标呈现用信息关联的文本和图像分别作为目标文本和目标图像。
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)可以通过有线连接方式或者无线连接方式从远程或本地获取目标呈现用信息关联的文本和图像分别作为目标文本和目标图像。具体的,上述执行主体可以获取目标呈现用信息关联的文本作为目标文本,以及获取目标呈现用信息关联的图像作为目标图像。其中,目标呈现用信息可以是待提取其特征的呈现用信息。呈现用信息可以是用于呈现给用户的信息。
在本实施例中,目标呈现用信息可以预先关联至少一个文本和至少一个图像,进而,上述执行主体可以获取目标呈现用信息关联的文本作为目标文本,以及获取目标呈现用信息关联的图像作为目标图像。
在本实施例中,目标呈现用信息关联的文本可以是与目标呈现用信息具有关联关系的各种文本。目标呈现用信息关联的图像可以是与目标呈现用信息具有关联关系的各种图像。
步骤402,将目标文本和目标图像输入预先训练的特征提取模型,获得目标文本所对应的文本特征向量和目标图像所对应的图像特征向量。
在本实施例中,基于步骤401中得到的目标文本和目标图像,上述执行主体可以将该目标文本和该目标图像输入预先训练的特征提取模型,获得目标文本所对应的文本特征向量和目标图像所对应的图像特征向量。其中,目标文本所对应的文本特征向量可以用于指示目标文本的特征。目标图像所对应的图像特征向量可以用于指示目标图像的特征。特征提取模型可以用于表征文本与文本对应的文本特征向量的对应关系和图像与图像对应的图像特征向量的对应关系。
步骤403,基于文本特征向量和图像特征向量,生成目标呈现用信息对应的目标特征向量。
在本实施例中,基于步骤402中得到的文本特征向量和图像特征向量,上述执行主体可以生成目标呈现用信息对应的目标特征向量。其中,目标呈现用信息对应的目标特征向量可以用于指示目标呈现用信息的特征。
上述步骤401、步骤402、步骤403可以分别采用与前述实施例中的步骤201、步骤202和步骤203类似的方式执行,上文针对步骤201、步骤202和步骤203的描述也适用于步骤401、步骤402和步骤403,此处不再赘述。
步骤404,获取目标用户的用户信息;
在本实施例中,上述执行主体可以获取目标用户的用户信息。其中,目标用户可以是待向其推送信息的用户。用户信息可以是用户的各种信息,例如可以是属性信息(例如年龄、性别、兴趣爱好等)、行为信息(例如网页浏览记录)等。
需要说明的是,本步骤可以在上述步骤401、402、403执行之前执行,也可以在上述步骤401、402、403执行之后执行,这里只给出一种执行方式,本申请对此不做限制。
步骤405,基于所获得的目标特征向量,确定用户信息与目标呈现用信息是否匹配。
在本实施例中,基于步骤403中得到的目标特征向量和步骤404得到的用户信息,上述执行主体可以确定用户信息与目标呈现用信息是否匹配。
具体的,上述执行主体可以采用各种方法对用户信息和目标呈现用信息进行匹配。作为示例,上述执行主体可以首先从用户信息中提取用于表征用户特征的用户特征向量,然后对用户特征向量和目标特征向量进行相似度计算,若计算获得的相似度大于或等于预设相似度阈值,则可以确定用户信息与目标呈现用信息匹配。
需要说明的是,从用户信息中提取用户特征的方法是目前广泛研究和使用的公知技术,此处不再赘述。
步骤406,响应于确定用户信息与目标呈现用信息匹配,向目标用户推送目标呈现用信息。
在本实施例中,上述执行主体可以响应于确定用户信息与目标呈现用信息匹配,向目标用户推送目标呈现用信息。
需要说明的是,除上面所记载的内容外,本公开的实施例还可以包括与图2对应的实施例相同或类似的特征、效果,在此不再赘述。
从图4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400突出了在获得目标呈现用信息对应的目标特征向量后,基于所获得的目标特征向量,确定目标用户的用户信息与目标呈现用信息是否匹配,进而响应于确定用户信息与目标呈现用信息匹配,向目标用户推送目标呈现用信息的步骤。由此,本实施例描述的方案可以基于更为准确、有效的目标特征向量,实现更为准确、有效的信息推送。
进一步参考图5,作为对上述各图所示方法的实现,本公开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、输入单元502和生成单元503。其中,第一获取单元501被配置成获取目标呈现用信息关联的文本和图像分别作为目标文本和目标图像;输入单元502被配置成将目标文本和目标图像输入预先训练的特征提取模型,获得目标文本所对应的文本特征向量和目标图像所对应的图像特征向量;生成单元503被配置成基于文本特征向量和图像特征向量,生成目标呈现用信息对应的目标特征向量。
在本实施例中,用于生成信息的装置500的第一获取单元501可以通过有线连接方式或者无线连接方式从远程或本地获取目标呈现用信息关联的文本和图像分别作为目标文本和目标图像。具体的,第一获取单元501可以获取目标呈现用信息关联的文本作为目标文本,以及获取目标呈现用信息关联的图像作为目标图像。其中,目标呈现用信息可以是待提取其特征的呈现用信息。呈现用信息可以是用于呈现给用户的信息。
在本实施例中,目标呈现用信息可以预先关联至少一个文本和至少一个图像,进而,第一获取单元501可以获取目标呈现用信息关联的文本作为目标文本,以及获取目标呈现用信息关联的图像作为目标图像。
在本实施例中,目标呈现用信息关联的文本可以是与目标呈现用信息具有关联关系的各种文本。目标呈现用信息关联的图像可以是与目标呈现用信息具有关联关系的各种图像。
在本实施例中,基于第一获取单元501得到的目标文本和目标图像,输入单元502可以将该目标文本和该目标图像输入预先训练的特征提取模型,获得目标文本所对应的文本特征向量和目标图像所对应的图像特征向量。其中,目标文本所对应的文本特征向量可以用于指示目标文本的特征。目标图像所对应的图像特征向量可以用于指示目标图像的特征。特征提取模型可以用于表征文本与文本对应的文本特征向量的对应关系和图像与图像对应的图像特征向量的对应关系。
在本实施例中,基于输入单元502得到的文本特征向量和图像特征向量,生成单元503可以生成目标呈现用信息对应的目标特征向量。其中,目标呈现用信息对应的目标特征向量可以用于指示目标呈现用信息的特征。
在本实施例的一些可选的实现方式中,生成单元503可以进一步被配置成:对文本特征向量和图像特征向量进行组合,获得目标呈现用信息对应的目标特征向量。
在本实施例的一些可选的实现方式中,特征提取模型可以通过以下步骤训练获得:获取预置的样本呈现用信息集合;对于样本呈现用信息集合中的样本呈现用信息,提取该样本呈现用信息关联的样本文本和样本图像组成第一样本图文组;从除该样本呈现用信息以外的其他样本呈现用信息中确定该样本呈现用信息对应的样本呈现用信息作为候选样本呈现用信息;将该样本呈现用信息关联的样本图像和该样本呈现用信息对应的候选样本呈现用信息关联的样本文本组成第二样本图文组;获取初始图文匹配模型,其中,初始图文匹配模型包括初始特征提取模型和初始相似度计算模型,初始特征提取模型用于提取所输入的文本的文本特征向量和所输入的图像的图像特征向量,初始计算模型用于对所输入的文本特征向量和图像特征向量进行相似度计算;将所组成的第一样本图文组作为正样本,将所组成的第二样本图文组作为负样本,对初始图文匹配模型进行训练,获得训练完成的图文匹配模型,其中,训练完成的图文匹配模型包括训练完成的特征提取模型。
在本实施例的一些可选的实现方式中,将所组成的第一样本图文组作为正样本,将所组成的第二样本图文组作为负样本,对初始图文匹配模型进行训练包括:分别将正样本和负样本输入初始图文匹配模型,获得正样本对应的第一相似度预估值和负样本对应的第二相似度预估值;对第一相似度预估值和第二相似度预估值进行求差,获得预估正负样本差异值;确定预估正负样本差异值相对于预设正负样本差异值的损失值;利用所确定的损失值,对初始图文匹配模型进行训练。
在本实施例的一些可选的实现方式中,从除该样本呈现用信息以外的其他样本呈现用信息中确定该样本呈现用信息对应的样本呈现用信息作为候选样本呈现用信息包括:分别确定其他样本呈现用信息关联的样本文本与该样本呈现用信息关联的样本文本的相似度;从所确定的相似度中提取最小的相似度作为目标相似度;将目标相似度对应的其他样本呈现用信息确定为该样本呈现用信息对应的候选样本呈现用信息。
在本实施例的一些可选的实现方式中,目标呈现用信息关联的文本包括以下至少一项:标题文本、正文文本、落地页文本。
在本实施例的一些可选的实现方式中,装置500还可以包括:第二获取单元(图中未示出),被配置成获取目标用户的用户信息;确定单元(图中未示出),被配置成基于所获得的目标特征向量,确定用户信息与目标呈现用信息是否匹配;推送单元(图中未示出),被配置成响应于确定用户信息与目标呈现用信息匹配,向目标用户推送目标呈现用信息。
可以理解的是,该装置500中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置500及其中包含的单元,在此不再赘述。
本公开的上述实施例提供的装置500可以有效地提取出呈现用信息的特征,有助于后续利用提取出的特征对呈现用信息进行分类、推荐等处理,为呈现用信息的后续处理提供了支持;并且,本公开可以基于呈现用信息关联的文本的文本特征和关联的图像的图像特征确定呈现用信息的特征,相较于现有技术中提取呈现用信息包括的文本中的关键词的特征作为呈现用信息的特征的方案,可以提取出更多的信息特征,有助于利用所提取的特征,更为准确、有效地表征呈现用信息的内容,进而有助于后续针对呈现用信息进行更为准确、有效的信息处理。
下面参考图6,其示出了适于用来实现本公开实施例的电子设备(例如图1中的服务器)600的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图6示出的电子设备仅仅是一个示例,不应对本公开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RAM603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。
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,执行本公开实施例的方法中限定的上述功能。
需要说明的是,本公开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:获取目标呈现用信息关联的文本和图像分别作为目标文本和目标图像;将目标文本和目标图像输入预先训练的特征提取模型,获得目标文本所对应的文本特征向量和目标图像所对应的图像特征向量;基于文本特征向量和图像特征向量,生成目标呈现用信息对应的目标特征向量。
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、输入单元和生成单元。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,生成单元还可以被描述为“生成目标呈现用信息对应的目标特征向量的单元”。
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,本公开中所涉及的公开范围,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公开构思的情况下,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 (10)
1.一种用于生成信息的方法,包括:
获取目标呈现用信息关联的文本和图像分别作为目标文本和目标图像;
将所述目标文本和所述目标图像输入预先训练的特征提取模型,获得所述目标文本所对应的文本特征向量和所述目标图像所对应的图像特征向量;
基于所述文本特征向量和所述图像特征向量,生成所述目标呈现用信息对应的目标特征向量。
2.根据权利要求1所述的方法,其中,所述基于所述文本特征向量和所述图像特征向量,生成所述目标呈现用信息对应的目标特征向量包括:
对所述文本特征向量和所述图像特征向量进行组合,获得所述目标呈现用信息对应的目标特征向量。
3.根据权利要求1所述的方法,其中,所述特征提取模型通过以下步骤训练获得:
获取预置的样本呈现用信息集合;
对于所述样本呈现用信息集合中的样本呈现用信息,提取该样本呈现用信息关联的样本文本和样本图像组成第一样本图文组;从除该样本呈现用信息以外的其他样本呈现用信息中确定该样本呈现用信息对应的样本呈现用信息作为候选样本呈现用信息;将该样本呈现用信息关联的样本图像和该样本呈现用信息对应的候选样本呈现用信息关联的样本文本组成第二样本图文组;
获取初始图文匹配模型,其中,初始图文匹配模型包括初始特征提取模型和初始相似度计算模型,所述初始特征提取模型用于提取所输入的文本的文本特征向量和所输入的图像的图像特征向量,所述初始计算模型用于对所输入的文本特征向量和图像特征向量进行相似度计算;
将所组成的第一样本图文组作为正样本,将所组成的第二样本图文组作为负样本,对初始图文匹配模型进行训练,获得训练完成的图文匹配模型,其中,训练完成的图文匹配模型包括训练完成的特征提取模型。
4.根据权利要求3所述的方法,其中,所述将所组成的第一样本图文组作为正样本,将所组成的第二样本图文组作为负样本,对初始图文匹配模型进行训练包括:
分别将正样本和负样本输入初始图文匹配模型,获得正样本对应的第一相似度预估值和负样本对应的第二相似度预估值;
对所述第一相似度预估值和所述第二相似度预估值进行求差,获得预估正负样本差异值;
确定所述预估正负样本差异值相对于预设正负样本差异值的损失值;
利用所确定的损失值,对初始图文匹配模型进行训练。
5.根据权利要求3所述的方法,其中,所述从除该样本呈现用信息以外的其他样本呈现用信息中确定该样本呈现用信息对应的样本呈现用信息作为候选样本呈现用信息包括:
分别确定其他样本呈现用信息关联的样本文本与该样本呈现用信息关联的样本文本的相似度;
从所确定的相似度中提取最小的相似度作为目标相似度;
将目标相似度对应的其他样本呈现用信息确定为该样本呈现用信息对应的候选样本呈现用信息。
6.根据权利要求1所述的方法,其中,所述目标呈现用信息关联的文本包括以下至少一项:
标题文本、正文文本、落地页文本。
7.根据权利要求1-6之一所述的方法,其中,所述方法还包括:
获取目标用户的用户信息;
基于所获得的目标特征向量,确定所述用户信息与所述目标呈现用信息是否匹配;
响应于确定所述用户信息与所述目标呈现用信息匹配,向所述目标用户推送所述目标呈现用信息。
8.一种用于生成信息的装置,包括:
第一获取单元,被配置成获取目标呈现用信息关联的文本和图像分别作为目标文本和目标图像;
输入单元,被配置成将所述目标文本和所述目标图像输入预先训练的特征提取模型,获得所述目标文本所对应的文本特征向量和所述目标图像所对应的图像特征向量;
生成单元,被配置成基于所述文本特征向量和所述图像特征向量,生成所述目标呈现用信息对应的目标特征向量。
9.一种电子设备,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1-7中任一所述的方法。
10.一种计算机可读介质,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1-7中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010744729.5A CN111897950A (zh) | 2020-07-29 | 2020-07-29 | 用于生成信息的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010744729.5A CN111897950A (zh) | 2020-07-29 | 2020-07-29 | 用于生成信息的方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111897950A true CN111897950A (zh) | 2020-11-06 |
Family
ID=73182447
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010744729.5A Pending CN111897950A (zh) | 2020-07-29 | 2020-07-29 | 用于生成信息的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111897950A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112270163A (zh) * | 2020-12-07 | 2021-01-26 | 北京沃东天骏信息技术有限公司 | 一种文本生成方法及装置、存储介质 |
CN113343664A (zh) * | 2021-06-29 | 2021-09-03 | 京东数科海益信息科技有限公司 | 图像文本之间的匹配度的确定方法及装置 |
CN113591839A (zh) * | 2021-06-28 | 2021-11-02 | 北京有竹居网络技术有限公司 | 一种特征提取模型构建方法、目标检测方法及其设备 |
CN115292455A (zh) * | 2022-10-08 | 2022-11-04 | 有米科技股份有限公司 | 图文匹配模型的训练方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108647350A (zh) * | 2018-05-16 | 2018-10-12 | 中国人民解放军陆军工程大学 | 一种基于双通道网络的图文关联检索方法 |
US20180322206A1 (en) * | 2017-05-05 | 2018-11-08 | Microsoft Technology Licensing, Llc | Personalized user-categorized recommendations |
CN109947919A (zh) * | 2019-03-12 | 2019-06-28 | 北京字节跳动网络技术有限公司 | 用于生成文本匹配模型的方法和装置 |
CN110019889A (zh) * | 2017-12-01 | 2019-07-16 | 北京搜狗科技发展有限公司 | 训练特征提取模型及计算图片与查询词相关性系数的方法和相关装置 |
US20200125574A1 (en) * | 2018-10-18 | 2020-04-23 | Oracle International Corporation | Smart content recommendations for content authors |
CN111461174A (zh) * | 2020-03-06 | 2020-07-28 | 西北大学 | 多层次注意力机制的多模态标签推荐模型构建方法及装置 |
-
2020
- 2020-07-29 CN CN202010744729.5A patent/CN111897950A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180322206A1 (en) * | 2017-05-05 | 2018-11-08 | Microsoft Technology Licensing, Llc | Personalized user-categorized recommendations |
CN110019889A (zh) * | 2017-12-01 | 2019-07-16 | 北京搜狗科技发展有限公司 | 训练特征提取模型及计算图片与查询词相关性系数的方法和相关装置 |
CN108647350A (zh) * | 2018-05-16 | 2018-10-12 | 中国人民解放军陆军工程大学 | 一种基于双通道网络的图文关联检索方法 |
US20200125574A1 (en) * | 2018-10-18 | 2020-04-23 | Oracle International Corporation | Smart content recommendations for content authors |
CN109947919A (zh) * | 2019-03-12 | 2019-06-28 | 北京字节跳动网络技术有限公司 | 用于生成文本匹配模型的方法和装置 |
CN111461174A (zh) * | 2020-03-06 | 2020-07-28 | 西北大学 | 多层次注意力机制的多模态标签推荐模型构建方法及装置 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112270163A (zh) * | 2020-12-07 | 2021-01-26 | 北京沃东天骏信息技术有限公司 | 一种文本生成方法及装置、存储介质 |
CN112270163B (zh) * | 2020-12-07 | 2021-09-10 | 北京沃东天骏信息技术有限公司 | 一种文本生成方法及装置、存储介质 |
CN113591839A (zh) * | 2021-06-28 | 2021-11-02 | 北京有竹居网络技术有限公司 | 一种特征提取模型构建方法、目标检测方法及其设备 |
WO2023273572A1 (zh) * | 2021-06-28 | 2023-01-05 | 北京有竹居网络技术有限公司 | 一种特征提取模型构建方法、目标检测方法及其设备 |
CN113591839B (zh) * | 2021-06-28 | 2023-05-09 | 北京有竹居网络技术有限公司 | 一种特征提取模型构建方法、目标检测方法及其设备 |
CN113343664A (zh) * | 2021-06-29 | 2021-09-03 | 京东数科海益信息科技有限公司 | 图像文本之间的匹配度的确定方法及装置 |
CN113343664B (zh) * | 2021-06-29 | 2023-08-08 | 京东科技信息技术有限公司 | 图像文本之间的匹配度的确定方法及装置 |
CN115292455A (zh) * | 2022-10-08 | 2022-11-04 | 有米科技股份有限公司 | 图文匹配模型的训练方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110162670B (zh) | 用于生成表情包的方法和装置 | |
CN109993150B (zh) | 用于识别年龄的方法和装置 | |
WO2020156389A1 (zh) | 信息推送方法和装置 | |
US11758088B2 (en) | Method and apparatus for aligning paragraph and video | |
CN111897950A (zh) | 用于生成信息的方法和装置 | |
CN109981787B (zh) | 用于展示信息的方法和装置 | |
CN110633423B (zh) | 目标账号识别方法、装置、设备及存储介质 | |
CN109961032B (zh) | 用于生成分类模型的方法和装置 | |
CN109862100B (zh) | 用于推送信息的方法和装置 | |
CN109255037B (zh) | 用于输出信息的方法和装置 | |
CN110619078B (zh) | 用于推送信息的方法和装置 | |
CN110046571B (zh) | 用于识别年龄的方法和装置 | |
CN108038172B (zh) | 基于人工智能的搜索方法和装置 | |
CN110008926B (zh) | 用于识别年龄的方法和装置 | |
CN112182255A (zh) | 用于存储媒体文件和用于检索媒体文件的方法和装置 | |
CN111859970B (zh) | 用于处理信息的方法、装置、设备和介质 | |
CN112990176A (zh) | 书写质量评价方法、装置和电子设备 | |
CN112148962B (zh) | 用于推送信息的方法和装置 | |
CN112446214A (zh) | 广告关键词的生成方法、装置、设备及存储介质 | |
CN109472028B (zh) | 用于生成信息的方法和装置 | |
CN111782933A (zh) | 用于推荐书单的方法和装置 | |
CN111026849A (zh) | 数据处理方法和装置 | |
CN111897951A (zh) | 用于生成信息的方法和装置 | |
CN111899747B (zh) | 用于合成音频的方法和装置 | |
CN113420723A (zh) | 获取视频热点的方法、装置、可读介质和电子设备 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201106 |