CN112148964A - 信息处理、推荐方法、***及设备 - Google Patents
信息处理、推荐方法、***及设备 Download PDFInfo
- Publication number
- CN112148964A CN112148964A CN201910581481.2A CN201910581481A CN112148964A CN 112148964 A CN112148964 A CN 112148964A CN 201910581481 A CN201910581481 A CN 201910581481A CN 112148964 A CN112148964 A CN 112148964A
- Authority
- CN
- China
- Prior art keywords
- description information
- user description
- information
- resource
- user
- 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 108
- 230000010365 information processing Effects 0.000 title claims abstract description 51
- 230000003044 adaptive effect Effects 0.000 claims abstract description 45
- 238000004458 analytical method Methods 0.000 claims abstract description 42
- 230000015654 memory Effects 0.000 claims description 132
- 238000012549 training Methods 0.000 claims description 73
- 238000003672 processing method Methods 0.000 claims description 34
- 238000012216 screening Methods 0.000 claims description 22
- 238000004891 communication Methods 0.000 claims description 19
- 238000000605 extraction Methods 0.000 claims description 19
- 238000003062 neural network model Methods 0.000 claims description 19
- 238000012163 sequencing technique Methods 0.000 claims description 12
- 230000004044 response Effects 0.000 claims description 11
- 230000006870 function Effects 0.000 description 26
- 238000010586 diagram Methods 0.000 description 22
- 230000005291 magnetic effect Effects 0.000 description 17
- 239000000243 solution Substances 0.000 description 17
- 238000004590 computer program Methods 0.000 description 16
- 230000003287 optical effect Effects 0.000 description 9
- 238000003860 storage Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 230000003068 static effect Effects 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 5
- 230000006978 adaptation Effects 0.000 description 4
- 229920000742 Cotton Polymers 0.000 description 3
- 230000001174 ascending effect Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000001737 promoting effect Effects 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 230000006403 short-term memory Effects 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 239000003221 ear drop Substances 0.000 description 2
- 229940047652 ear drops Drugs 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- 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]
- G06Q30/0631—Item recommendations
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (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
本申请实施例提供一种信息处理、推荐方法、***及设备。其中,方法包括如下的步骤:获取多个已描述资源对应的用户描述信息;分别分析待描述资源与各所述用户描述信息之间的语义匹配信息;基于分析结果,从所述多个已描述资源对应的用户描述信息中确定出适配描述所述待描述资源的至少一个目标用户描述信息。通过本申请实施例提供的技术方案,可自动筛选出适配描述待描述资源的至少一个目标用户描述信息,不仅可提高资源描述的效率、降低资源描述的人工操作成本,还可提高资源描述的合理性。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种信息处理、推荐方法、***及设备。
背景技术
随着互联网的发展,网络上的资源越来越丰富。互联网上的资源可以包括:视频、音乐、图像、课件、文章、新闻资讯、电商平台上提供的商品等等。
以电商平台上提供的商品为例,用户会根据自己的需要、理解和偏好,对商品进行描述,例如:使用一些长度偏短、句式优美的句子(如:你和女神只差一副耳坠、“包”治百病、你有故事我有好酒)来对商品进行描述,这样的句子被称为UGC(User Generated Content,用户生成内容)标签。对商品进行描述,也即为商品打标签。
目前,用户需要通过手动打字的方式输入UGC标签。这种打标签方式效率低下,且受限于用户对UGC标签的储备量,很难为自己的商品打上合理有效的UGC标签。
发明内容
鉴于上述问题,提出了本申请以提供一种解决上述问题或至少部分地解决上述问题的信息处理、推荐方法、***及设备。
于是,在本申请的一个实施例中,提供了一种信息处理方法。该方法包括:
获取多个已描述资源对应的用户描述信息;
分别分析待描述资源与各所述用户描述信息之间的语义匹配信息;
基于分析结果,从所述多个已描述资源对应的用户描述信息中确定出适配描述所述待描述资源的至少一个目标用户描述信息。
在本申请的另一个实施例中,提供了一种信息处理方法。该方法包括:
利用有效性预测模型,预测第一已描述资源对应的第一用户描述信息是否有效;
所述有效性预测模型预测出所述第一用户描述信息有效时,建立所述第一已描述资源的类别信息与所述第一用户描述信息之间的关联关系;
根据所述关联关系,创建用户描述信息索引库,以用于检索与待描述资源的类别信息关联的多个已描述资源对应的用户描述信息。
在本申请的一个实施例中,提供了一种信息推荐方法,适用于服务端,该方法包括:
接收到客户端发送的针对待描述资源的描述请求后,获取多个已描述资源对应的用户描述信息;
分别分析所述待描述资源与各所述用户描述信息之间的语义匹配信息;
基于分析结果,从所述多个已描述资源对应的用户描述信息中确定出适配描述所述待描述资源的至少一个目标用户描述信息;
将所述至少一个目标用户描述信息发送至所述客户端。
在本申请的一个实施例中,提供了一种信息推荐***。该***包括:客户端和服务端;
所述客户端,用于响应于待描述资源的提供方的触发操作,向所述服务端发送针对所述待描述资源的描述请求;
所述服务端,用于接收到所述描述请求后,获取多个已描述资源对应的用户描述信息;分别分析所述待描述资源与各所述用户描述信息之间的语义匹配信息;基于分析结果,从所述多个已描述资源对应的用户描述信息中确定出适配描述所述待描述资源的至少一个目标用户描述信息。
在本申请的一个实施例中,提供了一种电子设备。该设备包括:存储器和处理器,其中,
所述存储器,用于存储程序;
所述处理器,与所述存储器耦合,用于执行所述存储器中存储的所述程序,以用于:
获取多个已描述资源对应的用户描述信息;
分别分析待描述资源与各所述用户描述信息之间的语义匹配信息;
基于分析结果,从所述多个已描述资源对应的用户描述信息中确定出适配描述所述待描述资源的至少一个目标用户描述信息。
在本申请的一个实施例中,提供了一种电子设备。该设备包括:存储器和处理器,其中,
所述存储器,用于存储程序;
所述处理器,与所述存储器耦合,用于执行所述存储器中存储的所述程序,以用于:
利用有效性预测模型,预测第一已描述资源对应的第一用户描述信息是否有效;
所述有效性预测模型预测出所述第一用户描述信息有效时,建立所述第一已描述资源的类别信息与所述第一用户描述信息之间的关联关系;
根据所述关联关系,创建用户描述信息索引库,以用于检索与待描述资源的类别信息关联的多个已描述资源对应的用户描述信息。
在本申请的一个实施例中,提供了一种电子设备。该设备包括:
存储器、处理器和通信组件,其中,
所述存储器,用于存储程序;
所述处理器,与所述通信组件耦合;
所述处理器,与所述存储器耦合,用于执行所述存储器中存储的所述程序,以用于:
所述通信组件接收到客户端发送的针对待描述资源的描述请求后,获取多个已描述资源对应的用户描述信息;
分别分析所述待描述资源与各所述用户描述信息之间的语义匹配信息;
基于分析结果,从所述多个已描述资源对应的用户描述信息中确定出适配描述所述待描述资源的至少一个目标用户描述信息;
控制所述通信组件将所述至少一个目标用户描述信息发送至所述客户端。
在本申请的一个实施例中,提供了一种信息处理方法。该方法包括:
利用神经网络模型,确定第一已描述商品对应的第一用户描述信息有效;
建立所述第一已描述商品的类别信息与所述第一用户描述信息之间的关联关系;
根据所述关联关系,创建用户描述信息索引库,以用于检索与待描述商品的类别信息关联的多个已描述商品对应的用户描述信息。
进一步的,待描述商品可以为新商品或二手商品。
在本申请的一个实施例中,提供了一种电子设备。该设备包括:存储器和处理器,其中,
所述存储器,用于存储程序;
所述处理器,与所述存储器耦合,用于执行所述存储器中存储的所述程序,以用于:
利用神经网络模型,确定第一已描述商品对应的第一用户描述信息有效;
建立所述第一已描述商品的类别信息与所述第一用户描述信息之间的关联关系;
根据所述关联关系,创建用户描述信息索引库,以用于检索与待描述商品的类别信息关联的多个已描述商品对应的用户描述信息。
在本申请的一个实施例中,提供了一种信息处理方法。该方法包括:
获取多个已描述商品对应的用户描述信息;
分别分析待描述商品与各所述用户描述信息之间的语义匹配信息;
基于分析结果,从所述多个已描述商品对应的用户描述信息中确定出适配描述所述待描述商品的至少一个目标用户描述信息。
进一步的,待描述商品可以为新商品或二手商品。
在本申请的一个实施例中,提供了一种电子设备。该设备包括:存储器和处理器,其中,
所述存储器,用于存储程序;
所述处理器,与所述存储器耦合,用于执行所述存储器中存储的所述程序,以用于:
获取多个已描述商品对应的用户描述信息;
分别分析待描述商品与各所述用户描述信息之间的语义匹配信息;
基于分析结果,从所述多个已描述商品对应的用户描述信息中确定出适配描述所述待描述商品的至少一个目标用户描述信息。
在本申请的一个实施例中,提供了一种信息处理方法。该方法包括:
获取待处理图像;
基于所述待处理图像,获取至少一个内容描述信息;
获取所述待处理图像与所述至少一个内容描述信息之间的语义匹配关系;
基于所述语义匹配关系,确定所述待处理图像对应的内容描述信息。
在本申请的一个实施例中,提供了一种信息处理方法。该方法包括:
获取待处理图像;
基于所述待处理图像,获取至少一个内容描述信息;
获取所述待处理图像与所述至少一个内容描述信息之间的语义匹配关系;
基于所述语义匹配关系,显示所述至少一个内容描述信息,用于终端用户选择待处理图像对应的内容描述信息。在本申请的一个实施例中,提供了一种信息处理方法。该方法包括:
获取待发售商品的图像;
基于所述图像,获取所述待发售商品的详情信息;
根据所述详情信息,确定用于促使所述待发售商品满足预设条件的相关建议。
本申请实施例提供的技术方案中,会分别分析待描述资源与各用户描述信息之间的语义匹配信息,基于分析得到的语义匹配信息,从多个已描述资源对应的用户描述信息中确定出适配描述待描述资源的至少一个目标用户描述信息。可见,通过本申请实施例提供的技术方案,可自动筛选出适配描述待描述资源的至少一个目标用户描述信息,不仅可提高资源描述的效率、降低资源描述的人工操作成本,还可提高资源描述的合理性。
附图说明
为了更清楚地说明本申请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一简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1a为本申请一实施例提供的第一界面图;
图1b为本申请一实施例提供的第二界面图;
图1c为本申请一实施例提供的第三界面图;
图1d为本申请一实施例提供的信息处理方法的流程示意图;
图2为本申请另一实施例提供的信息处理方法的流程示意图;
图3为本申请一实施例提供的信息推荐方法的流程示意图;
图4为本申请实例例提供的信息推荐***的结构框图;
图5为本申请一实施例提供的信息处理装置的结构框图;
图6为本申请另一实施例提供的信息处理装置的结构框图;
图7为本申请一实施例提供的信息推荐装置的结构框图;
图8为本申请一实施例提供的电子设备的结构框图;
图9为本申请一实施例提供的信息推荐方法的流程示意图;
图10为本申请又一实施例提供的信息处理方法的流程示意图;
图11为本申请另一实施例提供的信息处理方法的流程示意图;
图12为本申请实施例在一个实际应用中信息交互示意图;
图13为本申请又一实施例提供的信息处理方法的流程示意图;
图14为本申请另一实施例提供的信息处理方法的流程示意图;
图15为本申请又一实施例提供的信息处理方法的流程示意图。
具体实施方式
发明人在实现本申请提供的技术方案的过程中发现:电商场景中,用户在发生购买或者售卖行为时,会对商品进行描述,产生一些感性的用户描述信息,这些用户描述信息一般长度偏短、句式优美,被称为UGC(User Generated Content)标签,例如:‘你和女神只差一副耳坠’,‘“包”治百病’,‘你有故事我有好酒’。实际上,这些用户描述信息并不是和某个商品强绑定,而是可以用来描述某一类商品。在很多电商平台中已经积累了大量的这样的用户描述信息,但是包含有很多噪声,同时和商品的关联性不足,一直没有得到有效的利用。若将这些用户描述信息进行有效性过滤,并与商品进行关联或者帮助用户给自己商品打上这些‘有趣’的用户描述信息,对商品的召回、营销都会产生积极的作用。本申请旨在有效利用用户描述信息,提出了一种自动筛选出适配描述待描述资源的目标用户描述信息的方法,提高资源描述的效率以及提高资源描述的合理性。
为了使本技术领域的人员更好地理解本申请方案,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,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域技术人员在没有做出创造性劳动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。
此外,在本申请的说明书、权利要求书及上述附图中描述的一些流程中,包含了按照特定顺序出现的多个操作,这些操作可以不按照其在本文中出现的顺序来执行或并行执行。操作的序号如101、102等,仅仅是用于区分各个不同的操作,序号本身不代表任何的执行顺序。另外,这些流程可以包括更多或更少的操作,并且这些操作可以按顺序执行或并行执行。需要说明的是,本文中的“第一”、“第二”等描述,是用于区分不同的消息、设备、模块等,不代表先后顺序,也不限定“第一”和“第二”是不同的类型。
图1b示出了本申请一实施例提供的信息处理方法的流程示意图。该方法的执行主体可以为客户端,也可以为服务端。其中,所述客户端可以是集成在终端上的一个具有嵌入式程序的硬件,也可以是安装在终端中的一个应用软件,还可以是嵌入在终端操作***中的工具软件等,本申请实施例对此不作限定。该终端可以为包括手机、平板电脑、智能穿戴设备等任意终端设备。其中,服务端可以是常用服务器、云端或虚拟服务器等,本申请实施例对此不作具体限定。如图1d所示,该方法包括:
101、获取多个已描述资源对应的用户描述信息。
102、分别分析待描述资源与各所述用户描述信息之间的语义匹配信息。
103、基于分析结果,从所述多个已描述资源对应的用户描述信息中确定出适配描述所述待描述资源的至少一个目标用户描述信息。
上述101中,已描述资源对应的用户描述信息指的是用户对已描述资源的描述信息。在一实例中,用户描述信息可理解为用于描述资源的用户生成内容UGC信息。在打标签的应用场景中,用于描述资源的用户生成内容UGC信息可称为UGC标签,对资源进行描述,也即是对资源进行打标签。
本申请实施例中的资源可以包括:视频、音乐、图像、课件、文章、新闻资讯、电商平台上的商品等等。已描述资源指的是那些已被用户描述过或被打上UGC标签的资源。
在一种可实现的方案中,上述多个已描述资源对应的用户描述信息可以指的是收集到的所有已描述资源对应的用户描述信息。以电商平台为例,上述101中“获取多个已描述资源对应的用户描述信息”,具体为:获取从整个电商平台上收集到的所有已描述资源对应的用户描述信息。
在另一种可实现的方案中,上述多个已描述资源对应的用户描述信息可以指的是收集到的所有已描述资源对应的用户描述信息中M个用户描述信息。其中,M为大于等于1的自然数。具体地,可从收集到的所有已描述资源对应的用户描述信息中随机选取得到M个用户描述信息。M的具体数值可根据实际需要来设定,本实施例对此不做具体限定。
上述102,可提取待描述资源的资源特征以及用户描述信息的文本特征,根据资源特征及文本特征,来确定待描述资源与用户描述信息之间的语义匹配信息。在一实例中,可计算资源特征及文本特征之间的相似度;根据相似度,来确定待描述资源与用户描述信息之间的语义匹配信息,例如:可将资源特征及文本特征之间的相似度作为待描述资源与用户描述信息之间的语义匹配信息中的语义匹配度。
举例来说:待描述资源为视频时,可分别对视频中的多个视频帧进行图像特征提取,以得到资源特征;待描述资源为文章时,可对文章进行文本特征提取,以得到资源特征;待描述资源为商品时,可先获取商品的图像,再对商品的图像进行图像特征提取,得到资源特征。需要说明的是,通常在电商平台上,用户想要向电商平台发布某一商品(该商品即是待描述资源)时,会通过电商平台提供的客户端输入其想要发布某一商品的图像,因此,商品的图像是能够获取到的。
在本实施例中,对用户描述信息进行文本特征提取,得到文本特征。图像特征提取和文本特征提取的具体实现方式可参见现有技术,在此不再详述。例如:可采用图像特征提取算法来提取图像特征,例如:卷积神经网络算法;可采用文本特征提取算法来提取文本特征,例如:长短期记忆网络(Long Short-Term Memory,LSTM)算法。
在一种可实现的方案中,上述103中,语义匹配信息中可包括语义匹配度,可将所述多个已描述资源对应的用户描述信息中语义匹配度大于预设匹配度阈值的用户描述信息确定为适配描述待描述资源的至少一个目标用户描述信息。
本申请实施例提供的技术方案中,会分别分析待描述资源与各用户描述信息之间的语义匹配信息,基于分析得到的语义匹配信息,从多个已描述资源对应的用户描述信息中确定出适配描述待描述资源的至少一个目标用户描述信息。可见,通过本申请实施例提供的技术方案,可自动筛选出适配描述待描述资源的至少一个目标用户描述信息,不仅可提高资源描述的效率、降低资源描述的人工操作成本,还可提高资源描述的合理性。
在另一种可实现的方案中,上述103中“基于分析结果,从所述多个已描述资源对应的用户描述信息中确定出适配描述所述待描述资源的至少一个目标用户描述信息”,具体可采用如下步骤来实现:
1031、根据所述待描述资源与各所述用户描述信息之间的语义匹配信息,对所述多个已描述资源对应的用户描述信息进行排序。
1032、根据所述排序,从所述多个已描述资源对应的用户描述信息中确定出至少一个目标用户描述信息。
上述1031中,语义匹配信息中可包括语义匹配度。根据所述待描述资源与各所述用户描述信息之间的语义匹配度,对所述多个已描述资源对应的用户描述信息进行排序,可对多个已描述资源对应的用户描述信息进行降序排序或升序排序。
上述1032中,所述排序为降序排序时,可将排序中的前N个用户描述信息作为上述至少一个目标用户描述信息;所述排序为升序排序时,可将排序中的后N个用户描述信息作为上述至少一个目标用户描述信息。其中,N为大于或等于1的自然数。
采用排序的方式来确定目标用户描述信息,可确保每次确定出的目标用户描述信息的数量是固定的,不会出现数量过多或过少的情况。
在实际应用中,还可结合提供方的描述偏好,以为提供方确定出一些符合提供方描述偏好的目标用户描述信息,提高使用体验。具体地,上述1031中“根据所述待描述资源与各所述用户描述信息之间的语义匹配信息,对所述多个已描述资源对应的用户描述信息进行排序”,可采用如下步骤来实现:
S31、根据所述待描述资源的提供方的历史描述记录信息,确定各所述用户描述信息的偏好配置系数。
S32、根据所述待描述资源与各所述用户描述信息之间的语义匹配信息以及各所述用户描述信息的偏好配置系数,确定所述待描述资源与各所述用户描述信息之间的配置后语义匹配信息。
S33、根据所述待描述资源与各所述用户描述信息之间的配置后语义匹配信息,对所述多个已描述资源对应的用户描述信息进行排序。
上述S31中,所述待描述资源的提供方的历史描述记录信息中记录有待描述资源的提供方历史上使用过的所有用户描述信息。考虑到用户的描述偏好会随着时间发生变化,故历史描述记录信息中可记录有待描述资源的提供方最近一段时间内使用过的用户描述信息。其中,最近一段时间可以为最近一个月或最近一周等。
在一实例中,所述多个已描述资源对应的用户描述信息中包括:第六用户描述信息;可根据所述待描述资源的提供方的历史描述记录信息,确定所述第六用户描述信息的历史使用次数;根据所述第六用户描述信息的历史使用次数,确定所述第六用户描述信息的偏好配置系数。
例如:将历史使用次数作为对数函数y=logax(a>1)的输入x,将对数函数的输出值y作为第六用户描述信息的偏好配置系数。
在另一实例中,所述多个已描述资源对应的用户描述信息中包括:第六用户描述信息;可根据所述待描述资源的提供方的历史描述记录信息,判断所述第六用户描述信息是否被所述待描述资源的提供方使用过;若所述第六用户描述信息被所述待描述资源的提供方使用过,则配置第六用户描述信息的偏好配置系数为第一数值;若所述第六用户描述信息未被所述待描述资源的提供方使用过,则配置第六用户描述信息的偏好配置系数为第二系数值;其中,第一数值大于第二数值。
上述S32中,可将待描述资源与第六用户描述信息之间的语义匹配信息与第六用户描述信息的偏好配置系数的乘积作为待描述资源与第六用户描述信息之间的配置后语义匹配信息。
上述S33中,根据所述待描述资源与各所述用户描述信息之间的配置后语义匹配信息,对所述多个用户描述信息进行排序,具体可降序排序或升序排序。
此外,上述101中“获取多个已描述资源对应的用户描述信息”,还可采用如下步骤来实现:
1011、确定所述待描述资源的类别信息。
1012、根据所述类别信息,检索得到与所述类别信息关联的所述多个已描述资源对应的用户描述信息。
上述1011中,类别信息中可包括:品类信息和/或属性信息。在不同的业务场景中,品类信息、属性信息所指代的内容也会有所不同。例如:在视频分类场景中,视频的品类信息可以为电视剧、电影、综艺等中的一个;视频的属性信息可以为:古装、现代、喜剧、都市、谍战等中的一个。再例如:在电商平台上的商品分类场景中,品类信息可以为连衣裙、T恤、毛衣、风衣等中的一个,属性信息可以有多种:材质属性、厚薄属性、领型属性等,其中,材质属性可以为棉质、蚕丝等中的一个,薄厚属性可以为薄、加厚、超薄等中的一个。
可采用如下方式中的一种或多种来确定待描述资源的类别信息:
方式一:将所述待描述资源的图像输入至类别预测模型中进行预测,获得所述待描述资源对应的类别信息。
其中,待描述资源为视频时,待描述资源的图像为视频帧图像;待描述资源为商品时,待描述资源的图像为提供方提供的商品的图像;待描述资源为图像时,待描述资源的图像即为待描述资源本身。具体实施时,类别预测模型可以为训练好的神经网络模型,例如:可以为基于卷积神经网络的多标签分类模型。采用神经网络模型进行类别信息的预测,可有效提高预测出的类别信息的准确率。
此外,在本实施例中,通过图像识别,可自动识别图像中待描述资源的类别信息,可节省用户输入待描述资源的类别信息的时间。
在一可实现的方案中,类别预测模型中可包括:基于ResNet50结构的卷积神经网络、全连接层和归一化softmax层。具体实施时,可将待描述资源的图像调整到指定分辨率,例如:224*224,将调整后的待描述资源的图像输入到基于resNet50结构的卷积神经网络中提取得到2048维的向量v1,向量v1经过全连接层和softmax层,即可输出待描述资源对应的类别信息。例如:待描述资源为短裤,则类别预测模型输出的类别信息可包括:短裤、棉、薄等,其中,短裤为品类信息,棉和薄均为属性信息。
下面将介绍一种上述类别预测模型的样本训练数据的获取方式:
104、获取用户历史搜索过的第一类别信息。
105、确定所述用户在针对所述第一类别信息的搜索结果中选中的第一资源。
106、将所述第一资源的图像与所述第一类别信息组合成用于训练所述类别预测模型的一组正样本训练数据。
在实际应用中,用户在网络上搜索资源时,为了快速得到自己想要寻找的资源,向搜索引擎输入的搜索关键词通常为类别信息。搜索引擎接收到用户输入的第一类别信息后,会根据第一类别信息进行搜索得到搜索结果,并将搜索结果返回给用户,以由用户选择。可将第一类别信息与用户选中的第一资源进行对应记录在用户行为日志中,以供后续使用。
后续,可从用户行为日志中,获取用户历史搜索过的第一类别信息以及对应的第一资源。搜索结果中的第一资源被用户选中,可表明其与用户输入的第一类别信息是强相关的,即该第一资源的类别信息为用户输入的第一类别信息的概率非常大。也就是说,可以将该第一资源的图像与第一类别信息组合成用于训练类别预测模型的一组正样本训练数据。
此外,可将第一类别信息与从资源图像集中随机选取得到的一图像组合成用于训练类别预测模型的一组负样本训练数据。通常来说,资源图像集中会包括大量的图像,故从资源图像集中随机选取的图像为第一资源的图像的概率极低,且由于训练数据较多,就算存在从资源图像集中随机选取的图像为第一资源的图像的个别情况,也不会影响类别预测模型的整体训练效果。
通过这种方式选取的正样本训练数据准确度较高,采用准确度较高的正样本训练数据训练类别预测模型,训练得到的类别预测模型的预测准确度必然较高。
需要补充说明的是:以待描述资源为商品为例,有时提供方提供的待描述资源的图像中除了包含待描述资源的影像外,还可能会包括背景资源的影像。例如:短裤的图像中除了包括短裤的影像,还可能包括T恤、帽子等背景资源的影像等,故类别预测模型输出的品类信息中除短裤以外,还可能包括T恤和帽子等。故采用方式二来确定品类信息,会使得上述103中确定出的至少一个目标用户描述信息中可能会存在适配描述背景资源的用户描述信息,而这种用户描述信息显然是不适配描述待描述资源的。
为了进一步提高确定出的至少一个目标用户描述信息的适配度,可采用如下方式二来实现:
在方式二中,根据选择操作数据,确定选中的描述信息;其中,所述选择操作数据是响应于所述待描述资源的提供方针对上一轮确定出的适配描述所述待描述资源的至少一个描述信息的选择操作生成的;根据所述选中的描述信息,确定所述待描述资源的类别信息。
其中,至少一个描述信息可包括:上一轮中基于方式一,确定出的类别信息和/或基于方式一,确定出的适配描述待描述资源的第七用户描述信息。其中,上一轮中基于方式一,确定出的适配描述待描述资源的用户描述信息的具体实现可参照上述或下述各实施例中相应内容。其中,类别信息也可用于对资源进行描述。将至少一个描述信息推荐给该待描述资源的提供方,以由该提供方来选择,例如:向提供方提供一选择界面,在选择界面显示至少一个描述信息以供用户选择。根据提供方选中的描述信息,可确定出提供方提供的更加准确的类别信息,例如:将提供方选中的类别信息,作为本轮确定出的类别信息;或者根据提供方选中的用户描述信息以及类别信息与用户描述信息之间的对应关系,查找与提供方选中的用户描述信息对应的类别信息;将提供方选中的用户描述信息对应的类别信息作为本轮确定出的类别信息。其中,类别信息与用户描述信息之间的对应关系可事先建立,具体建立方式将在下述实施例中介绍。
当提供方产生选择操作数据时,说明提供方在提供一些更加准确的类别信息,这时候提供方提供的这些类别信息的优先级会高于类别预测模型的预测结果,故以提供方提供的这些类别信息再进行一轮适配描述所述待描述资源的至少一个目标用户描述信息的确定,可有效提高确定出的至少一个目标用户描述信息的适配度。
上述1012中,根据作为索引关键词的所述类别信息,可在用户描述信息索引库中检索得到所述多个已描述资源对应的用户描述信息。在用户描述信息索引库中,该类别信息与查询得到的多个已描述资源对应的用户描述信息之间存在关联关系。根据类别信息以及这种关联关系,即可用户描述信息索引库中查询得到所述多个已描述资源对应的用户描述信息。
在实际应用时,并不是收集到的所有已描述资源对应的用户描述信息都能拿来利用,例如:那些使用频率较低的、含有宣传用语的、或含有不雅用语的用户描述信息是应该过滤掉的。为了确保最终确定出的适配描述待描述资源的至少一个目标用户描述信息的有效性,可采用如下方式来创建用户描述信息索引库:
107、利用有效性预测模型,确定第一已描述资源对应的第一用户描述信息是否有效。
108a、所述有效性预测模型预测出所述第一用户描述信息有效时,建立所述第一已描述资源的类别信息与所述第一用户描述信息之间的关联关系。
108b、根据所述关联关系,创建用户描述信息索引库,以用于检索与待描述资源的类别信息关联的多个已描述资源对应的用户描述信息。
其中,第一已描述资源历史上被第一用户描述信息描述过。第一用户描述信息指代的是第一用户描述信息集中的任一用户描述信息。第一用户描述信息集中包括收集到的所有已描述资源对应的用户描述信息。利用有效性预测模型,可对第一用户描述信息集中无效的用户描述信息进行过滤。在一实例中,有效性预测模型可以为训练好的神经网络模型,例如:可以为基于LSTM(Long Short-Term Memory,长短期记忆网络)或BI-LSTM的二分类文本模型。
利用神经网络模型判断用户描述信息是否有效,可提供判断的准确性。
下面将介绍一种上述有效性预测模型的正样本训练数据的确定方法:
109、获取多个第二用户描述信息。
110、根据所述多个第二用户描述信息的历史使用次数,从所述多个第二用户描述信息中筛选出多个样本用户描述信息。
111、根据所述多个样本用户描述信息,确定用于训练所述有效性预测模型的正样本训练数据。
上述109中,上述多个第二用户描述信息可以为收集到的所有已描述资源对应的用户描述信息。
上述110中,可根据历史描述记录信息,来确定多个第二用户描述信息中各第二用户描述信息的历史使用次数。可将历史使用次数高于预设次数的第二用户描述信息作为样本用户描述信息。历史使用次数可以指的是历史上总的使用次数,还可指的是最近一段时间内的使用次数,例如:一个月、一个星期等。历史使用次数高,表明该用户描述信息的用户吸引力较强,也即是用户描述信息的惊艳度较高。
上述111中,可将多个样本用户描述信息作为用于训练有效性预测模型的正样本训练数据。
这样可确保最终建立的用户描述信息索引库中用户描述信息的惊艳度较高,即对用户的吸引程度较高。这样,可为资源提供方推荐惊艳度较高的用户描述信息,提高推荐的有效性。且被惊艳度较高的用户描述信息描述的资源在网络平台上对资源获取方的吸引程度也会较好,可提高资源的受欢迎程度。
考虑到多个样本用户描述信息中会存在一些含有宣传用语的、或含有不雅用语的用户描述信息,这些含有宣传用语的、或含有不雅用语的用户描述信息可通过人工的方式来筛选。具体地,上述111中“根据所述多个样本用户描述信息,确定用于训练所述有效性预测模型的正样本训练数据”,具体可采用如下步骤来实现:
S11、响应于针对所述多个样本用户描述信息的人工筛选操作,从所述多个样本用户描述信息中筛选出多个目标样本用户描述信息。
S12、将所述多个目标样本用户描述信息作为用于训练所述有效性预测模型的正样本训练数据。
通过人工筛选的方式可将多个样本用户描述信息中含有宣传用语的、或含有不雅用语的用户描述信息删除掉。
此外,可将多个第二用户描述信息中除作为有效性预测模型的正样本训练数据的用户描述信息以外的用户描述信息作为有效性预测模型的负样本训练数据。通过这些正样本训练数据和负样本训练数据来训练有效性预测模型,可使得训练好的有效性预测模型能够很好地过滤掉那些无效的用户描述信息,以确保最终确定出的适配描述待描述资源的至少一个目标用户描述信息的有效性。
在一实例中,上述107中“利用有效性预测模型,确定第一用户描述信息是否有效”,具体可采用如下步骤来实现:
1071、对所述第一用户描述信息进行分词处理,得到文本词序列。
1072、将所述文本词序列输入至所述有效性预测模型中至少一个第一网络层,得到文本词特征序列。
1073、将所述文本词特征序列输入至所述有效性预测模型中至少一个第二网络层进行聚合,得到第一文本特征。
1074、将所述第一文本特征输入至所述有效性预测模型中至少一个第三网络层,得到所述第一用户描述信息的有效性得分。
1075、所述有效性得分大于第一预设阈值时,确定所述第一用户描述信息有效。
上述1071中,可采用现有的分词算法,来对第一用户描述信息进行分词处理,得到文本词序列。文本词系列中文本词的排序与文本词在第一用户描述信息中位置排序一致。
上述1072中,将所述文本词序列中的文本词按序依次输入至所述有效性预测模型中至少一个第一网络层,得到各文本词特征,以组成文本词特征序列。至少一个第一网络层用于对每一个文本词进行文本特征提取得到文本词特征。其中,至少一个第一网络层可以为embedding层。例如:将每一个文本词输入至该embedding层,该embedding层将输出一个256维的向量。
上述1073中,将所述文本词特征序列输入至所述有效性预测模型中至少一个第二网络层进行聚合,得到第一文本特征。至少一个第二网络层对文本词特征系列中的文本词进行聚合的具体实现原理可参见现有技术中LSTM或BI-LSTM算法的有关内容,在此不再赘述。其中,至少一个第二网络层可以为BI-LSTM层。
上述1074中,将所述第一文本特征输入至所述有效性预测模型中至少一个第三网络层,得到所述第一用户描述信息的有效性得分。至少一个第三网络层可包括:全连接层和归一化层。第一文本特征经过全连接层和归一化层后,归一化层输出第一用户描述信息的有效性得分。通常,有效性得分的数值在0和1之间。
上述1074中,第一预设阈值的大小可根据实际需要来设定。例如:第一预设阈值设为0.5。
进一步的,所述多个已描述资源对应的用户描述信息中包括:第三用户描述信息。上述102中“分析所述待描述资源与所述第三用户描述信息之间的语义匹配信息”,具体可采用如下步骤来实现:
1021、将所述待描述资源的图像和所述第三用户描述信息输入至图文匹配预测模型中,获得所述待描述资源的图像与所述第三用户描述信息之间的语义匹配度。
其中,所述待描述资源与所述第三用户描述信息之间的语义匹配信息中包括所述待描述资源的图像与所述第三用户描述信息之间的语义匹配度。在一实例中,图文匹配预测模型可以为训练好的神经网络模型。
具体地,上述1021的实现过程如下:
S21、利用所述图文匹配预测模型中至少一个第四网络层,对所述图像进行图像特征提取,得到图像特征。
S22、利用所述图文匹配预测模型中至少一个第五网络层,对所述第三用户描述信息进行文本特征提取,得到第二文本特征。
S23、计算所述图像特征与所述第二文本特征之间的相似度,以作为所述图像与所述第三用户描述信息之间的语义匹配度。
上述S21中,至少一个第四网络层可构成基于ResNet50结构的卷积神经网络。
上述S22中,至少一个第五网络层对所述第三用户描述信息进行文本特征提取,得到第二文本特征的具体实现过程可参见上述实施例中对第一用户描述信息进行文本特征提取得到第一文本特征的具体实现过程。
上述S23中,相似度可以为所述图像特征与所述第二文本特征之间的内积或余弦相似度。
下面将介绍一种上述图文匹配预测模型的训练方法:
112、获取第一组正样本训练数据和第一组负样本训练数据。
其中,所述第一组正样本训练数据中包括样本资源的样本图像和第一样本用户描述信息,所述第一组负样本训练数据中包括:所述样本图像和第二样本用户描述信息。
113、将所述样本图像和所述第一样本用户描述信息输入至所述图文匹配预测模型中,获得所述样本图像和所述第一样本用户描述信息之间的第一语义匹配度。
114、将所述样本图像和所述第二样本用户描述信息输入至所述图文匹配预测模型中,获得所述样本图像和所述第二样本用户描述信息之间的第二语义匹配度。
115、根据所述第一语义匹配度和所述第二语义匹配度,优化所述图文匹配预测模型。
上述112中,第一组正样本训练数据中样本资源的样本图像与第一样本用户描述信息可理解为是语义匹配较强的,即第一样本用户描述信息是适配描述该样本图像的;第一组负样本训练数据中样本资源的样本图像与第二样本用户描述信息可理解为是语义匹配较弱的,即第二样本用户描述信息是不适配描述该样本图像的。
在一实例中,可采用如下步骤来确定第一样本用户描述信息和第二样本用户描述信息:
116、将所述样本资源历史上被描述过的用户描述信息确定为所述第一样本用户描述信息。
117、从第一用户描述信息集中随机选取一第五用户描述信息作为所述第二样本用户描述信息。
上述116中,可根据历史描述记录信息,来确定样本资源历史上被描述过的用户描述信息。其中,历史描述记录中可记录有所有已描述资源中各资源的提供方为其提供的资源描述过的用户描述信息。所述样本资源历史上被描述过的用户描述信息与样本资源的样本图像之间必然语义匹配较强。
上述117中,第一用户描述信息集中包括收集到的所有已描述资源对应的用户描述信息。通常来说,第一用户描述信息集中会包括大量的用户描述信息,故从第一用户描述信息集中随机选取的第五用户描述信息为第一样本用户描述信息的概率极低,且由于训练数据较多,就算存在从第一用户描述信息集中随机选取的第五用户描述信息为第一样本用户描述信息的个别情况,也不会影响图文匹配预测模型的整体训练效果。
上述113中,利用所述图文匹配预测模型中至少一个第四网络层,对所述样本图像进行图像特征提取,得到样本图像特征;利用所述图文匹配预测模型中至少一个第五网络层,对所述第一样本用户描述信息进行文本特征提取,得到第一样本文本特征;计算所述样本图像特征与所述第一样本文本特征之间的相似度,以作为所述样本图像与所述第一样本用户描述信息之间的第一语义匹配度。具体实现可参照上述各实施例中有关“将所述待描述资源的图像和所述第三用户描述信息输入至图文匹配预测模型中,获得所述待描述资源的图像与所述第三用户描述信息之间的语义匹配度”的具体实现。
上述114中,利用所述图文匹配预测模型中至少一个第四网络层,对所述样本图像进行图像特征提取,得到样本图像特征;利用所述图文匹配预测模型中至少一个第五网络层,对所述第二样本用户描述信息进行文本特征提取,得到第二样本文本特征;计算所述样本图像特征与所述第二样本文本特征之间的相似度,以作为所述样本图像与所述第二样本用户描述信息之间的第二语义匹配度。具体实现可参照上述各实施例中有关“将所述待描述资源的图像和所述第三用户描述信息输入至图文匹配预测模型中,获得所述待描述资源的图像与所述第三用户描述信息之间的语义匹配度”的具体实现。
上述115中,根据所述第一语义匹配度和所述第二语义匹配度,优化所述图文匹配预测模型,也即是根据所述样本图像特征与所述第一样本文本特征之间的相似度以及所述样本图像特征与所述第二样本文本特征之间的相似度,来优化图文匹配预测模型。
具体地,第一语义匹配度小于或等于第二语义匹配度时,则调整所述图文匹配预测模型中的网络参数,以优化所述图文匹配预测模型;第一语义匹配度大于第二语义匹配度时,说明图文匹配预测模型预测准确,则无需调整所述图文匹配预测模型中的网络参数。其中,网络参数的调整方式可参见现有技术,在此不再详述。
图2示出了本申请又一实施例提供的信息处理方法的流程示意图。如图2所示,该方法包括:
201、利用有效性预测模型,预测第一已描述资源对应的第一用户描述信息是否有效。
202、所述有效性预测模型预测出所述第一用户描述信息有效时,建立所述第一已描述资源的类别信息与所述第一用户描述信息之间的关联关系。
203、根据所述关联关系,创建用户描述信息索引库,以用于检索与待描述资源的类别信息关联的多个已描述资源对应的用户描述信息。
其中,第一已描述资源历史上被第一用户描述信息描述过。第一用户描述信息指代的是第一用户描述信息集中的任一用户描述信息。第一用户描述信息集中包括收集到的所有已描述资源对应的用户描述信息。利用有效性预测模型,可对第一用户描述信息集中的无效用户描述信息进行过滤。
在一实例中,有效性预测模型可以为训练好的神经网络模型,例如:可以为基于LSTM(Long Short-Term Memory,长短期记忆网络)或BI-LSTM的二分类文本模型。
在本实施例中,利用神经网络模型来判断是否有效,可有效提供判断的准确率。
以待描述资源的类别信息作为索引关键词,在用户描述信息索引库中能检索出与待描述资源的类别信息关联的多个已描述资源对应的用户描述信息。上述201、202和203的具体实现可参见上述各实施例中相应内容,在此不再赘述。
在本实施例中,将网络平台上已有的无效用户描述信息过滤掉,建立结构化的可供检索的用户描述信息索引库,为利用网络平台上已有的用户描述信息提供了基础。并且,使用有效性预测模型判断是否有效可有效提高判断的准确性。
下面将介绍一种上述有效性预测模型的正样本训练数据的确定方法:
204、获取多个第二用户描述信息。
205、根据所述多个第二用户描述信息的历史使用次数,从所述多个第二用户描述信息中筛选出多个样本用户描述信息。
206、根据所述多个样本用户描述信息,确定用于训练所述有效性预测模型的正样本训练数据。
上述204、205和206的具体实现可参见上述各实施例中相应内容,在此不再赘述。这样可确保最终建立的用户描述信息索引库中用户描述信息的惊艳度较高,即对用户的吸引程度较高。这样,可为资源提供方推荐惊艳度较高的用户描述信息,提高推荐的有效性。且被惊艳度较高的用户描述信息描述的资源在网络平台上对资源获取方的吸引程度也会较好,可提高资源的受欢迎程度。
考虑到多个样本用户描述信息中会存在一些含有宣传用语的、或含有不雅用语的用户描述信息,这些含有宣传用语的、或含有不雅用语的用户描述信息可通过人工的方式来筛选。具体地,上述201中“根据所述多个样本用户描述信息,确定用于训练所述有效性预测模型的正样本训练数据”,具体可采用如下步骤来实现:
S11、响应于针对所述多个样本用户描述信息的人工筛选操作,从所述多个样本用户描述信息中筛选出多个目标样本用户描述信息。
S12、将所述多个目标样本用户描述信息作为用于训练所述有效性预测模型的正样本训练数据。
通过人工筛选的方式可将多个样本用户描述信息中含有宣传用语的、或含有不雅用语的用户描述信息删除掉。
此外,可将多个第二用户描述信息中除作为有效性预测模型的正样本训练数据的用户描述信息以外的用户描述信息作为有效性预测模型的负样本训练数据。通过这些正样本训练数据和负样本训练数据来训练有效性预测模型,可使得训练好的有效性预测模型能够很好地过滤掉那些无效的用户描述信息,以确保最终确定出的适配描述待描述资源的至少一个目标用户描述信息的有效性。
这里需要说明的是:本申请实施例提供的所述方法中各步骤未尽详述的内容可参见上述实施例中的相应内容,此处不再赘述。此外,本申请实施例提供的所述方法中除了上述各步骤以外,还可包括上述各实施例中其他部分或全部步骤,具体可参见上述各实施例相应内容,在此不再赘述。
图4示出了本申请又一实施例提供的信息推荐***的流程示意图。如图3所示,该***包括:客户端401和服务端402;
所述客户端401,用于响应于待描述资源的提供方的触发操作,向所述服务端发送针对所述待描述资源的描述请求;
所述服务端402,用于接收到所述描述请求后,获取多个已描述资源对应的用户描述信息;分别分析所述待描述资源与各所述用户描述信息之间的语义匹配信息;基于分析结果,从所述多个已描述资源对应的用户描述信息中确定出适配描述所述待描述资源的至少一个目标用户描述信息;将所述至少一个目标用户描述信息发送至所述客户端。
本申请实施例提供的技术方案中,会分别分析待描述资源与各用户描述信息之间的语义匹配信息,基于分析得到的语义匹配信息,从多个已描述资源对应的用户描述信息中确定出适配描述待描述资源的至少一个目标用户描述信息。可见,通过本申请实施例提供的技术方案,可自动筛选出适配描述待描述资源的至少一个目标用户描述信息并推荐给提供方,不仅可提高资源描述的效率、降低资源描述的人工操作成本,还可提高资源描述的合理性。
具体实施时,上述客户端可在接收到至少一个目标用户描述信息之后,显示至少一个目标用户描述信息,以供待描述资源的提供方选择。
本实施例中提供的信息推荐***中的各组成单元(例如:客户端401和服务端402)的处理过程及各组成单元之间的信息交互过程将在下述实施例中详细介绍。
图3示出了本申请又一实施例提供的信息推荐方法的流程示意图。该方法的执行主体可以服务端。其中,服务端可以是常用服务器、云端或虚拟服务器等,本申请实施例对此不作具体限定。如图3所示,该方法包括:
301、接收到客户端发送的针对待描述资源的描述请求后,获取多个已描述资源对应的用户描述信息。
302、分别分析所述待描述资源与各所述用户描述信息之间的语义匹配信息。
303、基于分析结果,从所述多个已描述资源对应的用户描述信息中确定出适配描述所述待描述资源的至少一个目标用户描述信息。
304、将所述至少一个目标用户描述信息发送至所述客户端。
上述301中,客户端可响应于待描述资源的提供方的第一触发操作,向服务端发送针对待描述资源的描述请求。
上述304中,将所述至少一个目标用户描述信息发送至所述客户端,以由客户端展示给待描述资源的提供方供其选择。
上述301、302和303的具体实现可参见上述各实施例中相应内容,在此不再赘述。
本申请实施例提供的技术方案中,会分别分析待描述资源与各用户描述信息之间的语义匹配信息,基于分析得到的语义匹配信息,从多个已描述资源对应的用户描述信息中确定出适配描述待描述资源的至少一个目标用户描述信息。可见,通过本申请实施例提供的技术方案,可自动筛选出适配描述待描述资源的至少一个目标用户描述信息并推荐给提供方,不仅可提高资源描述的效率、降低资源描述的人工操作成本,还可提高资源描述的合理性。
此外,客户端可响应于待描述资源的提供方的第二触发操作,向服务端发送针对待描述请求的发布请求。发布请求中携带有提供方选中的所有用户描述信息。服务端接收到所述发布请求后,根据提供方选中的所有用户描述信息,向指定互联网平台发布该待描述资源。
进一步的,上述301中“所述获取多个已描述资源对应的用户描述信息”,具体可采用如下步骤来实现:
3011、确定所述待描述资源的类别信息。
3012、根据所述类别信息,检索得到与所述类别信息关联的所述多个已描述资源对应的用户描述信息。
上述3011和3 012的具体实现可参见上述各实施例中相应内容,在此不再赘述。
这里需要说明的是:本申请实施例提供的所述方法中各步骤未尽详述的内容可参见上述实施例中的相应内容,此处不再赘述。此外,本申请实施例提供的所述方法中除了上述各步骤以外,还可包括上述各实施例中其他部分或全部步骤,具体可参见上述各实施例相应内容,在此不再赘述。
图10示出了本申请又一实施例提供的信息处理方法的流程示意图。该方法包括:
1301、利用神经网络模型,确定第一已描述商品对应的第一用户描述信息有效。
1302、建立所述第一已描述商品的类别信息与所述第一用户描述信息之间的关联关系。
1303、根据所述关联关系,创建用户描述信息索引库,以用于检索与待描述商品的类别信息关联的多个已描述商品对应的用户描述信息。
需要说明的是,上述各实施例中的资源在本实施例中具体为商品,例如:电商平台上的商品。
上述1031中,第一用户描述信息指的是用户对第一已描述商品的描述信息。在一实例中,第一用户描述信息可理解为用户为第一已描述商品打上的UGC标签。
神经网络模型也即是有效性预测模型,用来预测第一已描述商品对应的第一用户描述信息是否有效。
该神经网络模型的训练数据准备和训练过程可参照上述各实施例中有关有效性预测模型的相关内容,在此不再赘述。
上述1302中,利用神经网络模型确定第一已描述商品对应的第一用户描述信息有效时,建立所述第一已描述商品的类别信息与所述第一用户描述信息之间的关联关系。
上述步骤1302和1303具体可参见上述各实施例中相应内容,在此不再赘述。
在本实施例中,将网络平台上已有的无效用户描述信息过滤掉,建立结构化的可供检索的用户描述信息索引库,为利用网络平台上已有的用户描述信息提供了基础。并且,使用神经网络模型判断是否有效可有效提高判断的准确性。
这里需要说明的是:本申请实施例提供的所述方法中各步骤未尽详述的内容可参见上述实施例中的相应内容,此处不再赘述。此外,本申请实施例提供的所述方法中除了上述各步骤以外,还可包括上述各实施例中其他部分或全部步骤,具体可参见上述各实施例相应内容,在此不再赘述。
图11示出了本申请又一实施例提供的信息处理方法的流程示意图。该方法包括:
1401、获取多个已描述商品对应的用户描述信息。
1402、分别分析待描述商品与各所述用户描述信息之间的语义匹配信息。
1403、基于分析结果,从所述多个已描述商品对应的用户描述信息中确定出适配描述所述待描述商品的至少一个目标用户描述信息。
需要说明的是,上述各实施例中的资源在本实施例中具体为商品,例如:电商平台上的商品。
上述1401中,用户描述信息指的是用户对已描述商品的描述信息。在一实例中,用户描述信息可理解为用户为已描述商品打上的UGC标签。
上述1402中,可提取用户描述信息的文本特征。并获取待描述商品的图像,再对待描述商品的图像进行图像特征提取,得到商品特征。根据文本特征和商品特征,来确定待描述商品与用户描述信息之间的语义匹配信息。
需要说明的是,通常在电商平台上,用户想要向电商平台发布某一商品(该商品即是待描述商品)时,会通过电商平台提供的客户端输入其想要发布某一商品的图像,因此,待描述商品的图像是能够获取到的。
上述1401、1402和1403的具体实现可参见上述各实施例相应内容,在此不再赘述。
本申请实施例提供的技术方案中,会分别分析待描述商品与各用户描述信息之间的语义匹配信息,基于分析得到的语义匹配信息,从多个已描述资源对应的用户描述信息中确定出适配描述待描述商品的至少一个目标用户描述信息。可见,通过本申请实施例提供的技术方案,可自动筛选出适配描述待描述商品的至少一个目标用户描述信息,不仅可提高商品描述的效率、降低商品描述的人工操作成本,还可提高商品描述的合理性。
这里需要说明的是:本申请实施例提供的所述方法中各步骤未尽详述的内容可参见上述实施例中的相应内容,此处不再赘述。此外,本申请实施例提供的所述方法中除了上述各步骤以外,还可包括上述各实施例中其他部分或全部步骤,具体可参见上述各实施例相应内容,在此不再赘述。
下面将结合图9、图1a、图1b和图1c来详细介绍针对待描述商品的UGC标签推荐过程:
901、通过有效性预测模型对原始UGC数据集中的UGC标签进行粗过滤,再经过人工筛选操作,得到有效UGC标签集。
902、建立有效UGC标签集中第一UGC标签与第一UGC标签历史上描述过的商品的类别信息之间的对应关系,以得到结构化UGC标签索引库。
903、将待描述商品的图像输入至类别预测模型中进行分类,获得待描述商品对应的类别信息。
904、根据待描述商品对应的类别信息,在结构化UGC标签索引库中查询得到待描述商品对应的类别信息对应的多个UGC标签,以构成召回UGC标签池。
905、将待描述商品的图像输入至图文匹配预测模型中,获得图像特征。
906、将召回UGC标签池中的各UGC标签依次输入至图文匹配预测模型中,获得召回UGC标签池中的各UGC标签的文本特征。
907、计算图像特征与召回UGC标签池中的各UGC标签的文本特征之间的相似度,并根据相似度对召回UGC标签池中的多个UGC标签进行排序,根据排序从召回UGC标签池中筛选出多个适配描述待描述商品的多个UGC标签,以构成推荐UGC标签池。
上述步骤901至907的执行主体为服务端。服务端可将推荐UGC标签池中UGC标签发送给客户端,以由客户端展示给用户选择。
客户端响应于待描述商品的提供方通过输入界面输入待描述商品图像的输入操作,在编辑界面(如图1a所示的界面)显示待描述商品图像。客户端响应于提供方针对编辑界面中显示的待描述商品图像的点击操作,生成描述请求,同时界面跳转到推荐界面。其中,描述请求中携带有待描述商品图像。客户端将描述请求发送至服务端,以由服务端推荐适配描述待描述商品的多个UGC标签。客户端接收到服务端推荐的适配描述待描述商品的多个UGC标签后,在推荐界面显示该多个UGC标签以供用户选择(如图1b所示)。客户端响应于用户针对第一UGC标签的选择操作,界面跳转至编辑界面,并在编辑界面中显示的待描述商品图像上显示第一UGC标签(如图1c所示的第一UGC标签120)。
此外,服务端还可将类别预测模型预测得到的类别信息推荐至客户端,以由客户端在推荐界面将类别预测模型预测得到的类别信息作为类别标签显示在推荐界面以供用户选择。客户端响应于用户针对推荐界面上的第一类别标签的选中操作,向服务端再次发送描述请求,以由服务端将该描述请求中携带的第一类别标签对应的类别信息作为待描述商品对应的类别信息,并重复执行步骤904至907。
下面将以商品发布场景为例,对本申请的技术方案进行描述。
如图12所示,服务端402可事先从原始UGC数据集中,筛选出有效UGC标签集1501。之后服务端402基于有效UGC标签集,构建结构化UGC标签索引库1502。
客户端401响应于商品发布方的第一触发操作,向服务端402发送针对待发布商品的描述请求1503。
服务端402接收到客户端401发送来的描述请求后,服务端402可根据描述请求中携带的待发布商品的商品图像,预测得到待描述商品对应的类别信息,或者直接从描述请求中获取发布方选中的待描述商品对应的类别信息;根据类别信息,在结构化UGC标签索引库中检索出该类别信息对应的多个UGC标签;并根据多个UGC标签与商品图像之间的语义匹配度,对多个UGC标签进行排序;根据排序,筛选出适配描述待发布商品的至少一个目标UGC标签;向客户端401发送适配描述待发布商品的至少一个目标UGC标签1504。
客户端401响应于发布方针对至少一个目标UGC标签的选中操作,记录发布方选中的UGC标签;并响应于发布方的第二触发操作,向服务端402发送针对待发布商品的发布请求1505。
服务端402接收到发布请求后,根据待发布商品的商品图像以及发布请求中携带的发布方选中的UGC标签,向电商网站发布待发布商品1506;并向客户端401发送发布成功通知1507。
需要说明的是,服务端402的具体处理流程可参见图9所示的内容。
通过本申请实施例提供的技术方案,可自动筛选出适配描述待描述商品的至少一个目标UGC标签,不仅可提高商品描述的效率、降低商品描述的人工操作成本,还可提高商品描述的合理性。
图13示出了本申请又一实施例提供的信息处理方法的流程示意图。本实施例提供的方法的执行主体可以为客户端或服务端。如图13所示,该方法包括:
1601、获取待处理图像。
1602、基于所述待处理图像,获取至少一个内容描述信息。
1603、获取所述待处理图像与所述至少一个内容描述信息之间的语义匹配关系。
1604、基于所述语义匹配关系,确定所述待处理图像对应的内容描述信息。
上述1602中,可对待处理图像进行图像识别,得到识别信息;根据识别信息来获取至少一个内容描述信息。其中,识别信息可以为类别信息,例如:品类和属性等信息。
上述内容描述信息指的是对图像中内容的用户描述信息。举例来说:待处理图像中包含商品的影像,即待处理图像中的内容为商品,那么,内容描述信息指的是对待处理图像中商品的用户描述信息。
上述1603中,可对待处理图像进行特征提取,得到图像特征;对内容描述信息进行特征提取,得到文本特征;根据图像特征和文本特征,确定待处理图像与内容描述信息之间的语义匹配关系。例如:计算图像特征和文本特征之间的相似度,以作为待处理图像与内容描述信息之间的语义匹配关系中的语义匹配度。本实施例中的语义匹配关系也即是语义匹配信息。
上述1604中,基于所述语义匹配关系,从至少一个内容描述信息中确定出适配描述所述待处理图像的内容描述信息。
上述1061、1062、1063和1064的具体实现可参见上述各实施例中相应内容,在此不再赘述。
本申请实施例提供的技术方案中,基于待处理图像,可自动获取得到至少一个内容描述信息;并会分别分析待处理图像与各内容描述信息之间的语义匹配信息,基于分析得到的语义匹配信息,从至少一个内容描述信息中确定出适配描述待处理图像的内容描述信息。可见,通过本申请实施例提供的技术方案,可自动筛选出适配描述待处理图像的内容描述信息,不仅可提高图像描述的效率、降低图像描述的人工操作成本,还可提高图像描述的合理性。
在一种可实现的方案中,上述1602“基于所述待处理图像,获取至少一个内容描述信息”,具体为:
S61、将所述待处理图像输入至类别预测模型中进行预测,获得所述待处理图像对应的类别信息。
S62、根据所述类别信息,检索得到与所述类别信息关联的所述至少一个内容描述信息。
上述S61中,待处理图像对应的类别信息可理解为待处理图像中内容的类别信息。例如:内容为商品,则类别信息可以为该商品的品类信息和属性信息。
上述S61和S62的具体实现可参见上述各实施例中相应内容。
在一实例中,所述多个内容描述信息中包括:第一内容描述信息;上述1603“获取所述待处理图像与第一内容描述信息之间的语义匹配关系”,具体为:将所述待处理图像和所述第一内容描述信息输入至图文匹配预测模型中,获得所述待处理图像与所述第一内容描述信息之间的语义匹配度;
其中,所述待处理图像与所述第一内容描述信息之间的语义匹配关系中包括所述语义匹配度。
其中,图文匹配预测模型的处理过程以及训练过程可参见上述各实施例中相应内容,在此不再赘述。其中,图文匹配模型可以为训练好的神经网络模型。
通过图文匹配预测模型来确定语义匹配度,可有效提高语义匹配度的计算准确度,以提高最终确定出的内容描述信息的适配度。
这里需要说明的是:本申请实施例提供的所述方法中各步骤未尽详述的内容可参见上述实施例中的相应内容,此处不再赘述。此外,本申请实施例提供的所述方法中除了上述各步骤以外,还可包括上述各实施例中其他部分或全部步骤,具体可参见上述各实施例相应内容,在此不再赘述。
图14示出了本申请又一实施例提供的信息处理方法的流程示意图。本实施例提供的方法的执行主体可以为客户端。如图14所示,该方法包括:
1701、获取待处理图像。
1702、基于所述待处理图像,获取至少一个内容描述信息。
1703、获取所述待处理图像与所述至少一个内容描述信息之间的语义匹配关系。
1704、基于所述语义匹配关系,显示所述至少一个内容描述信息,用于终端用户选择待处理图像对应的内容描述信息。
上述1701中,待处理图像可以是终端用户通过客户端导入的,如图1a所示,用户可在终端界面导入待处理图像。
上述1702中,至少一个内容描述信息可以为图13对应的实施例中步骤1602得到的;或者,为图13对应的实施例中步骤1604得到的。
上述1703中,语义匹配关系的计算过程可参照上述各实施例中相应内容。
上述1704中,可根据语义匹配关系,对至少一个内容描述信息进行排序显示。例如:语义匹配度高的内容描述信息排在前面,语义匹配度低的内容描述信息排在后面。如图1b所示,其中排在第一的“几乎全新的高配游戏本”与待发售商品的图像的语义匹配度最高,排在第二的“不只能玩游戏的游戏本”与待发售商品的图像的语义匹配度第二高,依此类推。
在一实例中,还可在内容描述信息的周围显示相应内容描述信息的使用频率等信息,如图1b所示。
实际应用时,终端用户可通过点击相应的内容描述信息,即可选中该内容描述信息,终端响应于选中操作,将该内容描述信息展示在待处理图像上。假设终端用户点击了图1b展示的界面中的“几乎全新的高配游戏本”之后,界面跳转至图1c所示的界面,并在待处理图像上展示用户选中的“几乎全新的高配游戏本”120。
本申请实施例提供的技术方案,可自动筛选出适配描述待处理图像的内容描述信息,不仅可提高图像描述的效率、降低图像描述的人工操作成本,还可提高图像描述的合理性。
图15示出了本申请又一实施例提供的信息处理方法的流程示意图。如图15所示,该方法,包括:
1801、获取待发售商品的图像。
1802、基于所述图像,获取所述待发售商品的详情信息。
1803、根据所述详情信息,确定用于促使所述待发售商品满足预设条件的相关建议。
上述1801中,待发售商品的图像可以由待发售商品的卖家用户提供。
上述1802中,可对所述图像进行图像识别,获取待发售商品的详情信息。详情信息中可包括待发售商品的类别信息以及待发售商品的新旧程度、破损程度等。
上述1083中,可事先针对不同类别的商品以及不同类别的商品的新旧程度以及破损程度,对应设置相应的预设条件以及相关建议。具体地,可根据大数据统计结果来设置预设条件以及相关建议。
举例来说,针对A品牌的笔记本电脑,通过大数据统计发现A品牌的笔记本电脑的键盘为粉色时,比较好售卖。故针对A品牌的笔记本电脑的预设条件为粉色键盘,相关建议为将键盘颜色改造为粉色。假设详情信息显示待发售商品为A品牌的笔记本电脑且其键盘为白色时,确定的相关建议的具体内容可以为:“建议将键盘改造为粉色”。待发售商品的卖家可选择根据相关建议,对其键盘颜色进行改造。
再举例来说:针对电源适配器,通过大数据统计发现电源适配器与数据线组合销售时,比较好售卖。故针对电源适配器的预设条件为电源适配器与数据线需组合销售,相关建议为将电源适配器与其他卖家的数据线组合销售。假设详情信息显示待发售商品为电源适配器时,确定的相关建议的具体内容可以为“建议与其他卖家的数据线组合销售”。这样,卖家可从电商平台上寻找其他发售数据线的卖家进行合作,以组合销售电源适配器与数据线。
在本实施例中,可直接基于图像,通过图像识别得到待发售商品的详情信息,可有效节约用户时间。基于详情信息,为用户提供促使待发售商品满足预设条件的相关建议,提高待发售商品的市场竞争力,提高用户使用体验。
在一实例中,所述相关建议为组合销售建议时,上述方法,还可包括:
1804、获取所述组合销售建议中建议与所述待发售商品组合销售的第一商品的销售链接,用于提供给终端用户选择。
其中,根据销售链接可查找到第一商品的售卖页面。终端用户(即卖家)可将第一商品的销售连接添加在待发售商品的销售页面,已提供给买家用户。
沿用上例,待发售商品为电源适配器,第一商品为电源线。可从电商平台上获取至少一个电源线的销售链接,以提供给终端用户(即卖家)选择。
在本实施例中,直接将第一商品的销售链接提供给卖家,可有效节省卖家去寻找第一商品的销售链接的时间,还有效提高了卖家的使用体验。
进一步的,上述方法,还可包括:
1805、基于所述图像,获取多个已发售商品对应的用户描述信息。
1806、获取所述图像与所述至少一个用户描述信息之间的语义匹配关系。
1807、基于所述语义匹配关系,从所述至少一个用户描述信息中确定出适配描述所述待发售商品的目标用户描述信息。
在本实施例中,将上述各实施例中待描述资源具体为待发售商品以及已描述资源具体为已发售商品。
上述步骤1805至1807的具体实现可参见上述各实施例中相应内容,在此不再赘述。
这里需要说明的是:本申请实施例提供的所述方法中各步骤未尽详述的内容可参见上述实施例中的相应内容,此处不再赘述。此外,本申请实施例提供的所述方法中除了上述各步骤以外,还可包括上述各实施例中其他部分或全部步骤,具体可参见上述各实施例相应内容,在此不再赘述。
图5示出了本申请又一实施例提供的信息处理装置的结构框图。如图5所示,该装置包括:第一获取模块501、第一分析模块502和第一确定模块503,其中,
第一获取模块501,用于获取多个已描述资源对应的用户描述信息;
第一分析模块502,用于分别分析待描述资源与各所述用户描述信息之间的语义匹配信息;
第一确定模块503,用于基于分析结果,从所述多个已描述资源对应的用户描述信息中确定出适配描述所述待描述资源的至少一个目标用户描述信息。
本申请实施例提供的技术方案中,会分别分析待描述资源与各用户描述信息之间的语义匹配信息,基于分析得到的语义匹配信息,从多个已描述资源对应的用户描述信息中确定出适配描述待描述资源的至少一个目标用户描述信息。可见,通过本申请实施例提供的技术方案,可自动筛选出适配描述待描述资源的至少一个目标用户描述信息,不仅可提高资源描述的效率、降低资源描述的人工操作成本,还可提高资源描述的合理性。
进一步的,所述第一获取模块,具体用于:
确定所述待描述资源的类别信息;
根据所述类别信息,检索得到与所述类别信息关联的所述多个已描述资源对应的用户描述信息。
进一步的,所述第一获取模块,具体用于:
将所述待描述资源的图像输入至类别预测模型中进行预测,获得所述待描述资源对应的类别信息。
进一步的,上述装置,还可包括:
第二获取模块,用于获取用户历史搜索过的第一类别信息;
第二确定模块,用于确定所述用户在针对所述第一类别信息的搜索结果中选中的第一资源;
第一组合模块,用于将所述第一资源的图像与所述第一类别信息组合成用于训练所述类别预测模型的一组正样本训练数据。
进一步的,所述第一获取模块,具体用于:
根据选择操作数据,确定选中的描述信息;其中,所述选择操作数据是响应于所述待描述资源的提供方针对上一轮确定出的适配描述所述待描述资源的至少一个描述信息的选择操作生成的;
根据所述选中的描述信息,确定所述待描述资源的类别信息。
进一步的,上述装置,还包括:
第三确定模块,用于利用有效性预测模型,预测第一已描述资源对应的第一用户描述信息是否有效;
第一建立模块,用于所述有效性预测模型预测出所述第一用户描述信息有效时,建立所述第一已描述资源的类别信息与所述第一用户描述信息之间的关联关系;根据所述关联关系,创建用户描述信息索引库,以用于检索与待描述资源的类别信息关联的多个已描述资源对应的用户描述信息。。
进一步的,上述装置,还包括:
第三获取模块,用于获取多个第二用户描述信息;
第一筛选模块,用于根据所述多个第二用户描述信息的历史使用次数,从所述多个第二用户描述信息中筛选出多个样本用户描述信息;
第四确定模块,用于根据所述多个样本用户描述信息,确定用于训练所述有效性预测模型的正样本训练数据。
进一步的,所述第四确定模块,具体用于:
响应于针对所述多个样本用户描述信息的人工筛选操作,从所述多个样本用户描述信息中筛选出多个目标样本用户描述信息;
将所述多个目标样本用户描述信息作为用于训练所述有效性预测模型的正样本训练数据。
进一步的,所述多个已描述资源对应的用户描述信息中包括:第三用户描述信息;
所述第一分析模块502,具体用于:
将所述待描述资源的图像和所述第三用户描述信息输入至图文匹配预测模型中,获得所述待描述资源的图像与所述第三用户描述信息之间的语义匹配度;
其中,所述待描述资源与所述第三用户描述信息之间的语义匹配信息中包括所述语义匹配度。
进一步的,所述第一分析模块502,具体用于:
利用所述图文匹配预测模型中至少一个第四网络层,对所述图像进行图像特征提取,得到图像特征;
利用所述图文匹配预测模型中至少一个第五网络层,对所述第三用户描述信息进行文本特征提取,得到第二文本特征;
计算所述图像特征与所述第二文本特征之间的相似度,以作为所述图像与所述第三用户描述信息之间的语义匹配度。
进一步的,上述装置,还可包括:
第四获取模块,用于获取第一组正样本训练数据和第一组负样本训练数据;其中,所述第一组正样本训练数据中包括样本资源的样本图像和第一样本用户描述信息,所述第一组负样本训练数据中包括:所述样本图像和第二样本用户描述信息;
第一输入模块,用于将所述样本图像和所述第一样本用户描述信息输入至所述图文匹配预测模型中,获得所述样本图像和所述第一样本用户描述信息之间的第一语义匹配度;并将所述样本图像和所述第二样本用户描述信息输入至所述图文匹配预测模型中,获得所述样本图像和所述第二样本用户描述信息之间的第二语义匹配度;
第一优化模块,用于根据所述第一语义匹配度和所述第二语义匹配度,优化所述图文匹配预测模型。
进一步的,上述装置,还包括:
第五确定模块,用于将所述样本资源历史上被描述过的用户描述信息确定为所述第一样本用户描述信息;从第一用户描述信息集中随机选取一第五用户描述信息作为所述第二样本用户描述信息。
进一步的,第一确定模块503,具体用于:
根据所述待描述资源与各所述用户描述信息之间的语义匹配信息,对所述多个已描述资源对应的用户描述信息进行排序;
根据所述排序,从所述多个已描述资源对应的用户描述信息中确定出至少一个目标用户描述信息。
进一步的,第一确定模块503,具体用于:
根据所述待描述资源的提供方的历史描述记录信息,确定各所述用户描述信息的偏好配置系数;
根据所述待描述资源与各所述用户描述信息之间的语义匹配信息以及各所述用户描述信息的偏好配置系数,确定所述待描述资源与各所述用户描述信息之间的配置后语义匹配信息;
根据所述待描述资源与各所述用户描述信息之间的配置后语义匹配信息,对所述多个已描述资源对应的用户描述信息进行排序。
进一步的,所述多个已描述资源对应的用户描述信息中包括第六用户描述信息;第一确定模块503,具体用于:
根据所述待描述资源的提供方的历史描述记录信息,确定所述第六用户描述信息的偏好配置系数,包括:
根据所述待描述资源的提供方的历史描述记录信息,确定所述第六用户描述信息的历史使用次数;
根据所述第六用户描述信息的历史使用次数,确定所述第六用户描述信息的偏好配置系数。
这里需要说明的是:上述实施例提供的信息处理装置可实现上述各方法实施例中描述的技术方案,上述各模块或单元具体实现的原理可参见上述各方法实施例中的相应内容,此处不再赘述。
图5示出了本申请又一实施例提供的信息处理装置的结构框图。如图5所示,该装置包括:第一获取模块501、第一分析模块502和第一确定模块503,其中,
第一获取模块501,用于获取多个已描述商品对应的用户描述信息;
第一分析模块502,用于分别分析待描述商品与各所述用户描述信息之间的语义匹配信息;
第一确定模块503,用于基于分析结果,从所述多个已描述商品对应的用户描述信息中确定出适配描述所述待描述商品的至少一个目标用户描述信息。
本申请实施例提供的技术方案中,会分别分析待描述商品与各用户描述信息之间的语义匹配信息,基于分析得到的语义匹配信息,从多个已描述资源对应的用户描述信息中确定出适配描述待描述商品的至少一个目标用户描述信息。可见,通过本申请实施例提供的技术方案,可自动筛选出适配描述待描述商品的至少一个目标用户描述信息,不仅可提高商品描述的效率、降低商品描述的人工操作成本,还可提高商品描述的合理性。
这里需要说明的是:上述实施例提供的信息处理装置可实现上述各方法实施例中描述的技术方案,上述各模块或单元具体实现的原理可参见上述各方法实施例中的相应内容,此处不再赘述。
图6示出了本申请又一实施例提供的信息处理装置的结构框图。如图6所示,该装置包括:第三确定模块601和第一建立模块602。其中,
第三确定模块601,用于利用有效性预测模型,预测第一已描述资源对应的第一用户描述信息是否有效;
第一建立模块602,用于所述有效性预测模型预测出所述第一用户描述信息有效时,建立所述第一已描述资源的类别信息与所述第一用户描述信息之间的关联关系;根据所述关联关系,创建用户描述信息索引库,以用于检索与待描述资源的类别信息关联的多个已描述资源对应的用户描述信息。
在本实施例中,不仅可将第一用户描述信息集中的无效用户描述信息过滤掉,还建立了结构化的可供查询的对应关系,为利用网络平台上的用户描述信息提供了基础。
进一步的,上述装置,还包括:
第三获取模块,用于获取多个第二用户描述信息;
第一筛选模块,用于根据所述多个第二用户描述信息的历史使用次数,从所述多个第二用户描述信息中筛选出多个样本用户描述信息;
第四确定模块,用于根据所述多个样本用户描述信息,确定用于训练所述有效性预测模型的正样本训练数据。
这里需要说明的是:上述实施例提供的信息处理装置可实现上述各方法实施例中描述的技术方案,上述各模块或单元具体实现的原理可参见上述各方法实施例中的相应内容,此处不再赘述。
图6示出了本申请又一实施例提供的信息处理装置的结构框图。如图6所示,该装置包括:第三确定模块601和第一建立模块602。其中,
第三确定模块601,利用神经网络模型,确定第一已描述商品对应的第一用户描述信息有效;
第一建立模块602,建立所述第一已描述商品的类别信息与所述第一用户描述信息之间的关联关系;根据所述关联关系,创建用户描述信息索引库,以用于检索与待描述商品的类别信息关联的多个已描述商品对应的用户描述信息。
在本实施例中,不仅可将网络平台上已有的无效用户描述信息过滤掉,还建立了结构化的可供检索的用户描述信息索引库,为利用网络平台上已有的用户描述信息提供了基础。
这里需要说明的是:上述实施例提供的信息处理装置可实现上述各方法实施例中描述的技术方案,上述各模块或单元具体实现的原理可参见上述各方法实施例中的相应内容,此处不再赘述。
图7示出了本申请又一实施例提供的信息推荐装置的结构框图。如图7所示,该装置包括:第五获取模块701、第二分析模块702、第六确定模块703和第一发送模块704。其中,
第五获取模块701,用于接收到客户端发送的针对待描述资源的描述请求后,获取多个已描述资源对应的用户描述信息;
第二分析模块702,用于分别分析所述待描述资源与各所述用户描述信息之间的语义匹配信息;
第六确定模块703,用于基于分析结果,从所述多个已描述资源对应的用户描述信息中确定出适配描述所述待描述资源的至少一个目标用户描述信息;
第一发送模块704,用于将所述至少一个目标用户描述信息发送至所述客户端。
本申请实施例提供的技术方案中,会分别分析待描述资源与各用户描述信息之间的语义匹配信息,基于分析得到的语义匹配信息,从多个已描述资源对应的用户描述信息中确定出适配描述待描述资源的至少一个目标用户描述信息。可见,通过本申请实施例提供的技术方案,可自动筛选出适配描述待描述资源的至少一个目标用户描述信息并推荐给提供方,不仅可提高资源描述的效率、降低资源描述的人工操作成本,还可提高资源描述的合理性。
进一步的,所述第五获取模块701,具体用于:
确定所述待描述资源的类别信息;
根据所述类别信息,检索得到与所述类别信息关联的所述多个已描述资源对应的用户描述信息。
这里需要说明的是:上述实施例提供的信息推荐装置可实现上述各方法实施例中描述的技术方案,上述各模块或单元具体实现的原理可参见上述各方法实施例中的相应内容,此处不再赘述。
在另一实施例中,提供了一种信息处理装置。该装置,包括:第六获取模块和第七确定模块。其中,
第六获取模块,用于获取待处理图像;基于所述待处理图像,获取至少一个内容描述信息;获取所述待处理图像与所述至少一个内容描述信息之间的语义匹配关系;
第七确定模块,用于基于所述语义匹配关系,确定所述待处理图像对应的内容描述信息。
本申请实施例提供的技术方案中,基于待处理图像,可自动获取得到至少一个内容描述信息;并会分别分析待处理图像与各内容描述信息之间的语义匹配信息,基于分析得到的语义匹配信息,从至少一个内容描述信息中确定出适配描述待处理图像的内容描述信息。可见,通过本申请实施例提供的技术方案,可自动筛选出适配描述待处理图像的内容描述信息,不仅可提高图像描述的效率、降低图像描述的人工操作成本,还可提高图像描述的合理性。
这里需要说明的是:上述实施例提供的信息推荐装置可实现上述各方法实施例中描述的技术方案,上述各模块或单元具体实现的原理可参见上述各方法实施例中的相应内容,此处不再赘述。
在另一实施例中,提供了一种信息处理装置。该装置,包括:第七获取模块和第一显示模块。其中,
第七获取模块,用于获取待处理图像;基于所述待处理图像,获取至少一个内容描述信息;获取所述待处理图像与所述至少一个内容描述信息之间的语义匹配关系;
第一显示模块,用于基于所述语义匹配关系,显示所述至少一个内容描述信息,用于终端用户选择待处理图像对应的内容描述信息。
本申请实施例提供的技术方案,可自动筛选出适配描述待处理图像的内容描述信息,不仅可提高图像描述的效率、降低图像描述的人工操作成本,还可提高图像描述的合理性。
这里需要说明的是:上述实施例提供的信息推荐装置可实现上述各方法实施例中描述的技术方案,上述各模块或单元具体实现的原理可参见上述各方法实施例中的相应内容,此处不再赘述。
在另一实施例中,提供了一种信息处理装置。该装置,包括:第六获取模块和第七确定模块。其中,
第六获取模块,用于获取待发售商品的图像;基于所述图像,获取所述待发售商品的详情信息;
第七确定模块,用于根据所述详情信息,确定用于促使所述待发售商品满足预设条件的相关建议。
在本实施例中,可直接基于图像,通过图像识别得到待发售商品的详情信息,可有效节约用户时间。基于详情信息,为用户提供促使待发售商品满足预设条件的相关建议,提高待发售商品的市场竞争力,提高用户使用体验。
进一步的,所述相关建议为组合销售建议时,上述第六获取模块,还用于:
获取所述组合销售建议中建议与所述待发售商品组合销售的第一商品的销售链接,用于提供给终端用户选择。
进一步的,
第六获取模块,还用于基于所述图像,获取多个已发售商品对应的用户描述信息;获取所述图像与所述至少一个用户描述信息之间的语义匹配关系;
第七确定模块,还用于基于所述语义匹配关系,从所述至少一个用户描述信息中确定出适配描述所述待发售商品的目标用户描述信息。
这里需要说明的是:上述实施例提供的信息推荐装置可实现上述各方法实施例中描述的技术方案,上述各模块或单元具体实现的原理可参见上述各方法实施例中的相应内容,此处不再赘述。
图8示出了本申请一实施例提供的电子设备的结构示意图。如图所示,所述电子设备包括存储器1101以及处理器1102。存储器1101可被配置为存储其它各种数据以支持在电子设备上的操作。这些数据的示例包括用于在电子设备上操作的任何应用程序或方法的指令。存储器1101可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
所述处理器1102,与所述存储器1101耦合,用于执行所述存储器1101中存储的所述程序,以用于:
获取多个已描述资源对应的用户描述信息;
分别分析待描述资源与各所述用户描述信息之间的语义匹配信息;
基于分析结果,从所述多个已描述资源对应的用户描述信息中确定出适配描述所述待描述资源的至少一个目标用户描述信息。
其中,处理器1102在执行存储器1101中的程序时,除了上面的功能之外,还可实现其它功能,具体可参见前面各实施例的描述。
进一步,如图8所示,电子设备还包括:通信组件1103、显示器1104、电源组件1105、音频组件1106等其它组件。图8中仅示意性给出部分组件,并不意味着电子设备只包括图8所示组件。
相应地,本申请实施例还提供一种存储有计算机程序的计算机可读存储介质,所述计算机程序被计算机执行时能够实现上述各实施例提供的信息处理方法步骤或功能。
图8示出了本申请一实施例提供的电子设备的结构示意图。如图所示,所述电子设备包括存储器1101以及处理器1102。存储器1101可被配置为存储其它各种数据以支持在电子设备上的操作。这些数据的示例包括用于在电子设备上操作的任何应用程序或方法的指令。存储器1101可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
所述处理器1102,与所述存储器1101耦合,用于执行所述存储器1101中存储的所述程序,以用于:
获取多个已描述商品对应的用户描述信息;
分别分析待描述商品与各所述用户描述信息之间的语义匹配信息;
基于分析结果,从所述多个已描述商品对应的用户描述信息中确定出适配描述所述待描述商品的至少一个目标用户描述信息。
其中,处理器1102在执行存储器1101中的程序时,除了上面的功能之外,还可实现其它功能,具体可参见前面各实施例的描述。
进一步,如图8所示,电子设备还包括:通信组件1103、显示器1104、电源组件1105、音频组件1106等其它组件。图8中仅示意性给出部分组件,并不意味着电子设备只包括图8所示组件。
相应地,本申请实施例还提供一种存储有计算机程序的计算机可读存储介质,所述计算机程序被计算机执行时能够实现上述各实施例提供的信息处理方法步骤或功能。
图8示出了本申请一实施例提供的电子设备的结构示意图。如图所示,所述电子设备包括存储器1101以及处理器1102。存储器1101可被配置为存储其它各种数据以支持在电子设备上的操作。这些数据的示例包括用于在电子设备上操作的任何应用程序或方法的指令。存储器1101可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
所述处理器1102,与所述存储器1101耦合,用于执行所述存储器1101中存储的所述程序,以用于:
利用有效性预测模型,预测第一已描述资源对应的第一用户描述信息是否有效;
所述有效性预测模型预测出所述第一用户描述信息有效时,建立所述第一已描述资源的类别信息与所述第一用户描述信息之间的关联关系;
根据所述关联关系,创建用户描述信息索引库,以用于检索与待描述资源的类别信息关联的多个已描述资源对应的用户描述信息。
其中,处理器1102在执行存储器1101中的程序时,除了上面的功能之外,还可实现其它功能,具体可参见前面各实施例的描述。
进一步,如图8所示,电子设备还包括:通信组件1103、显示器1104、电源组件1105、音频组件1106等其它组件。图8中仅示意性给出部分组件,并不意味着电子设备只包括图8所示组件。
相应地,本申请实施例还提供一种存储有计算机程序的计算机可读存储介质,所述计算机程序被计算机执行时能够实现上述各实施例提供的信息处理方法步骤或功能。
图8示出了本申请一实施例提供的电子设备的结构示意图。如图所示,所述电子设备包括存储器1101以及处理器1102。存储器1101可被配置为存储其它各种数据以支持在电子设备上的操作。这些数据的示例包括用于在电子设备上操作的任何应用程序或方法的指令。存储器1101可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
所述处理器1102,与所述存储器1101耦合,用于执行所述存储器1101中存储的所述程序,以用于:
利用神经网络模型,确定第一已描述商品对应的第一用户描述信息有效;
建立所述第一已描述商品的类别信息与所述第一用户描述信息之间的关联关系;
根据所述关联关系,创建用户描述信息索引库,以用于检索与待描述商品的类别信息关联的多个已描述商品对应的用户描述信息。
其中,处理器1102在执行存储器1101中的程序时,除了上面的功能之外,还可实现其它功能,具体可参见前面各实施例的描述。
进一步,如图8所示,电子设备还包括:通信组件1103、显示器1104、电源组件1105、音频组件1106等其它组件。图8中仅示意性给出部分组件,并不意味着电子设备只包括图8所示组件。
相应地,本申请实施例还提供一种存储有计算机程序的计算机可读存储介质,所述计算机程序被计算机执行时能够实现上述各实施例提供的信息处理方法步骤或功能。
图8示出了本申请一实施例提供的电子设备的结构示意图。如图所示,所述电子设备包括存储器1101以及处理器1102、通信组件1103。存储器1101可被配置为存储其它各种数据以支持在电子设备上的操作。这些数据的示例包括用于在电子设备上操作的任何应用程序或方法的指令。存储器1101可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
所述处理器1102,与所述通信组件1103耦合;
所述处理器1102,与所述存储器1101耦合,用于执行所述存储器1101中存储的所述程序,以用于:
所述通信组件1103接收到客户端发送的针对待描述资源的描述请求后,获取多个已描述资源对应的用户描述信息;
分别分析所述待描述资源与各所述用户描述信息之间的语义匹配信息;
基于分析结果,从所述多个已描述资源对应的用户描述信息中确定出适配描述所述待描述资源的至少一个目标用户描述信息;
控制所述通信组件1103将所述至少一个目标用户描述信息发送至所述客户端。其中,处理器1102在执行存储器1101中的程序时,除了上面的功能之外,还可实现其它功能,具体可参见前面各实施例的描述。
进一步,如图8所示,电子设备还包括:显示器1104、电源组件1105、音频组件1106等其它组件。图8中仅示意性给出部分组件,并不意味着电子设备只包括图8所示组件。
相应地,本申请实施例还提供一种存储有计算机程序的计算机可读存储介质,所述计算机程序被计算机执行时能够实现上述各实施例提供的信息推荐方法步骤或功能。
图8示出了本申请一实施例提供的电子设备的结构示意图。如图所示,所述电子设备包括存储器1101以及处理器1102。存储器1101可被配置为存储其它各种数据以支持在电子设备上的操作。这些数据的示例包括用于在电子设备上操作的任何应用程序或方法的指令。存储器1101可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
所述处理器1102,与所述存储器1101耦合,用于执行所述存储器1101中存储的所述程序,以用于:
获取待处理图像;
基于所述待处理图像,获取至少一个内容描述信息;
获取所述待处理图像与所述至少一个内容描述信息之间的语义匹配关系;
基于所述语义匹配关系,确定所述待处理图像对应的内容描述信息。
其中,处理器1102在执行存储器1101中的程序时,除了上面的功能之外,还可实现其它功能,具体可参见前面各实施例的描述。
进一步,如图8所示,电子设备还包括:通信组件1103、显示器1104、电源组件1105、音频组件1106等其它组件。图8中仅示意性给出部分组件,并不意味着电子设备只包括图8所示组件。
相应地,本申请实施例还提供一种存储有计算机程序的计算机可读存储介质,所述计算机程序被计算机执行时能够实现上述各实施例提供的信息处理方法步骤或功能。
图8示出了本申请一实施例提供的电子设备的结构示意图。如图所示,所述电子设备包括存储器1101、处理器1102以及显示器1104。存储器1101可被配置为存储其它各种数据以支持在电子设备上的操作。这些数据的示例包括用于在电子设备上操作的任何应用程序或方法的指令。存储器1101可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
所述处理器1102,与显示器1104耦合;
所述处理器1102,与所述存储器1101耦合,用于执行所述存储器1101中存储的所述程序,以用于:
获取待处理图像;
基于所述待处理图像,获取至少一个内容描述信息;
获取所述待处理图像与所述至少一个内容描述信息之间的语义匹配关系;
控制显示器1104基于所述语义匹配关系,显示所述至少一个内容描述信息,用于终端用户选择待处理图像对应的内容描述信息。
其中,处理器1102在执行存储器1101中的程序时,除了上面的功能之外,还可实现其它功能,具体可参见前面各实施例的描述。
进一步,如图8所示,电子设备还包括:通信组件1103、电源组件1105、音频组件1106等其它组件。图8中仅示意性给出部分组件,并不意味着电子设备只包括图8所示组件。
相应地,本申请实施例还提供一种存储有计算机程序的计算机可读存储介质,所述计算机程序被计算机执行时能够实现上述各实施例提供的信息处理方法步骤或功能。
图8示出了本申请一实施例提供的电子设备的结构示意图。如图所示,所述电子设备包括存储器1101以及处理器1102。存储器1101可被配置为存储其它各种数据以支持在电子设备上的操作。这些数据的示例包括用于在电子设备上操作的任何应用程序或方法的指令。存储器1101可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
所述处理器1102,与所述存储器1101耦合,用于执行所述存储器1101中存储的所述程序,以用于:
获取待发售商品的图像;
基于所述图像,获取所述待发售商品的详情信息;
根据所述详情信息,确定用于促使所述待发售商品满足预设条件的相关建议。
其中,处理器1102在执行存储器1101中的程序时,除了上面的功能之外,还可实现其它功能,具体可参见前面各实施例的描述。
进一步,如图8所示,电子设备还包括:通信组件1103、显示器1104、电源组件1105、音频组件1106等其它组件。图8中仅示意性给出部分组件,并不意味着电子设备只包括图8所示组件。
相应地,本申请实施例还提供一种存储有计算机程序的计算机可读存储介质,所述计算机程序被计算机执行时能够实现上述各实施例提供的信息处理方法步骤或功能。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (30)
1.一种信息处理方法,其特征在于,包括:
获取多个已描述资源对应的用户描述信息;
分别分析待描述资源与各所述用户描述信息之间的语义匹配信息;
基于分析结果,从所述多个已描述资源对应的用户描述信息中确定出适配描述所述待描述资源的至少一个目标用户描述信息。
2.根据权利要求1所述的方法,其特征在于,所述获取多个已描述资源对应的用户描述信息,包括:
确定所述待描述资源的类别信息;
根据所述类别信息,检索得到与所述类别信息关联的所述多个已描述资源对应的用户描述信息。
3.根据权利要求2所述的方法,其特征在于,确定所述待描述资源的类别信息,包括:
将所述待描述资源的图像输入至类别预测模型中进行预测,获得所述待描述资源对应的类别信息。
4.根据权利要求3所述的方法,其特征在于,还包括:
获取用户历史搜索过的第一类别信息;
确定所述用户在针对所述第一类别信息的搜索结果中选中的第一资源;
将所述第一资源的图像与所述第一类别信息组合成用于训练所述类别预测模型的一组正样本训练数据。
5.根据权利要求2至4中任一项所述的方法,其特征在于,确定所述待描述资源的类别信息,包括:
根据选择操作数据,确定选中的描述信息;其中,所述选择操作数据是响应于所述待描述资源的提供方针对上一轮确定出的适配描述所述待描述资源的至少一个描述信息的选择操作生成的;
根据所述选中的描述信息,确定所述待描述资源的类别信息。
6.根据权利要求2至4中任一项所述的方法,其特征在于,还包括:
利用有效性预测模型,确定第一已描述资源对应的第一用户描述信息是否有效;
所述有效性预测模型预测出所述第一用户描述信息有效时,建立所述第一已描述资源的类别信息与所述第一用户描述信息之间的关联关系;
根据所述关联关系,创建用户描述信息索引库,以用于检索与待描述资源的类别信息关联的多个已描述资源对应的用户描述信息。
7.根据权利要求6所述的方法,其特征在于,还包括:
获取多个第二用户描述信息;
根据所述多个第二用户描述信息的历史使用次数,从所述多个第二用户描述信息中筛选出多个样本用户描述信息;
根据所述多个样本用户描述信息,确定用于训练所述有效性预测模型的正样本训练数据。
8.根据权利要求7所述的方法,其特征在于,根据所述多个样本用户描述信息,确定用于训练所述有效性预测模型的正样本训练数据,包括:
响应于针对所述多个样本用户描述信息的人工筛选操作,从所述多个样本用户描述信息中筛选出多个目标样本用户描述信息;
将所述多个目标样本用户描述信息作为用于训练所述有效性预测模型的正样本训练数据。
9.根据权利要求1至4中任一项所述的方法,其特征在于,所述多个已描述资源对应的用户描述信息中包括:第三用户描述信息;
分析所述待描述资源与所述第三用户描述信息之间的语义匹配信息,包括:
将所述待描述资源的图像和所述第三用户描述信息输入至图文匹配预测模型中,获得所述待描述资源的图像与所述第三用户描述信息之间的语义匹配度;
其中,所述待描述资源与所述第三用户描述信息之间的语义匹配信息中包括所述语义匹配度。
10.根据权利要求9所述的方法,其特征在于,将所述待描述资源的图像和所述第三用户描述信息输入至图文匹配预测模型中,获得所述待描述资源的图像与所述第三用户描述信息之间的语义匹配度,包括:
利用所述图文匹配预测模型中至少一个第四网络层,对所述图像进行图像特征提取,得到图像特征;
利用所述图文匹配预测模型中至少一个第五网络层,对所述第三用户描述信息进行文本特征提取,得到第二文本特征;
计算所述图像特征与所述第二文本特征之间的相似度,以作为所述图像与所述第三用户描述信息之间的语义匹配度。
11.根据权利要求9所述的方法,其特征在于,还包括:
获取第一组正样本训练数据和第一组负样本训练数据;其中,所述第一组正样本训练数据中包括样本资源的样本图像和第一样本用户描述信息,所述第一组负样本训练数据中包括:所述样本图像和第二样本用户描述信息;
将所述样本图像和所述第一样本用户描述信息输入至所述图文匹配预测模型中,获得所述样本图像和所述第一样本用户描述信息之间的第一语义匹配度;
将所述样本图像和所述第二样本用户描述信息输入至所述图文匹配预测模型中,获得所述样本图像和所述第二样本用户描述信息之间的第二语义匹配度;
根据所述第一语义匹配度和所述第二语义匹配度,优化所述图文匹配预测模型。
12.根据权利要求11所述的方法,其特征在于,还包括:
将所述样本资源历史上被描述过的用户描述信息确定为所述第一样本用户描述信息;
从第一用户描述信息集中随机选取一第五用户描述信息作为所述第二样本用户描述信息。
13.根据权利要求1至4中任一项所述的方法,其特征在于,基于分析结果,从所述多个已描述资源对应的用户描述信息中确定出适配描述所述待描述资源的至少一个目标用户描述信息,包括:
根据所述待描述资源与各所述用户描述信息之间的语义匹配信息,对所述多个已描述资源对应的用户描述信息进行排序;
根据所述排序,从所述多个已描述资源对应的用户描述信息中确定出至少一个目标用户描述信息。
14.根据权利要求13所述的方法,其特征在于,根据所述待描述资源与各所述用户描述信息之间的语义匹配信息,对所述多个已描述资源对应的用户描述信息进行排序,包括:
根据所述待描述资源的提供方的历史描述记录信息,确定各所述用户描述信息的偏好配置系数;
根据所述待描述资源与各所述用户描述信息之间的语义匹配信息以及各所述用户描述信息的偏好配置系数,确定所述待描述资源与各所述用户描述信息之间的配置后语义匹配信息;
根据所述待描述资源与各所述用户描述信息之间的配置后语义匹配信息,对所述多个已描述资源对应的用户描述信息进行排序。
15.根据权利要求14所述的方法,其特征在于,所述多个已描述资源对应的用户描述信息中包括第六用户描述信息;
根据所述待描述资源的提供方的历史描述记录信息,确定所述第六用户描述信息的偏好配置系数,包括:
根据所述待描述资源的提供方的历史描述记录信息,确定所述第六用户描述信息的历史使用次数;
根据所述第六用户描述信息的历史使用次数,确定所述第六用户描述信息的偏好配置系数。
16.一种信息处理方法,其特征在于,包括:
利用有效性预测模型,预测第一已描述资源对应的第一用户描述信息是否有效;
所述有效性预测模型预测出所述第一用户描述信息有效时,建立所述第一已描述资源的类别信息与所述第一用户描述信息之间的关联关系;
根据所述关联关系,创建用户描述信息索引库,以用于检索与待描述资源的类别信息关联的多个已描述资源对应的用户描述信息。
17.根据权利要求16所述的方法,其特征在于,还包括:
获取多个第二用户描述信息;
根据所述多个第二用户描述信息的历史使用次数,从所述多个第二用户描述信息中筛选出多个样本用户描述信息;
根据所述多个样本用户描述信息,确定用于训练所述有效性预测模型的正样本训练数据。
18.一种信息推荐方法,适用于服务端,其特征在于,包括:
接收到客户端发送的针对待描述资源的描述请求后,获取多个已描述资源对应的用户描述信息;
分别分析所述待描述资源与各所述用户描述信息之间的语义匹配信息;
基于分析结果,从所述多个已描述资源对应的用户描述信息中确定出适配描述所述待描述资源的至少一个目标用户描述信息;
将所述至少一个目标用户描述信息发送至所述客户端。
19.根据权利要求18所述的方法,其特征在于,所述获取多个已描述资源对应的用户描述信息,包括:
确定所述待描述资源的类别信息;
根据所述类别信息,检索得到与所述类别信息关联的所述多个已描述资源对应的用户描述信息。
20.一种信息推荐***,其特征在于,包括:客户端和服务端;
所述客户端,用于响应于待描述资源的提供方的触发操作,向所述服务端发送针对所述待描述资源的描述请求;
所述服务端,用于接收到所述描述请求后,获取多个已描述资源对应的用户描述信息;分别分析所述待描述资源与各所述用户描述信息之间的语义匹配信息;基于分析结果,从所述多个已描述资源对应的用户描述信息中确定出适配描述所述待描述资源的至少一个目标用户描述信息;将所述至少一个目标用户描述信息发送至所述客户端。
21.一种电子设备,其特征在于,包括:存储器和处理器,其中,
所述存储器,用于存储程序;
所述处理器,与所述存储器耦合,用于执行所述存储器中存储的所述程序,以用于:
获取多个已描述资源对应的用户描述信息;
分别分析待描述资源与各所述用户描述信息之间的语义匹配信息;
基于分析结果,从所述多个已描述资源对应的用户描述信息中确定出适配描述所述待描述资源的至少一个目标用户描述信息。
22.一种电子设备,其特征在于,包括:存储器和处理器,其中,
所述存储器,用于存储程序;
所述处理器,与所述存储器耦合,用于执行所述存储器中存储的所述程序,以用于:
利用有效性预测模型,预测第一已描述资源对应的第一用户描述信息是否有效;
所述有效性预测模型预测出所述第一用户描述信息有效时,建立所述第一已描述资源的类别信息与所述第一用户描述信息之间的关联关系;
根据所述关联关系,创建用户描述信息索引库,以用于检索与待描述资源的类别信息关联的多个已描述资源对应的用户描述信息。
23.一种电子设备,其特征在于,包括:存储器、处理器和通信组件,其中,
所述存储器,用于存储程序;
所述处理器,与所述通信组件耦合;
所述处理器,与所述存储器耦合,用于执行所述存储器中存储的所述程序,以用于:
所述通信组件接收到客户端发送的针对待描述资源的描述请求后,获取多个已描述资源对应的用户描述信息;
分别分析所述待描述资源与各所述用户描述信息之间的语义匹配信息;
基于分析结果,从所述多个已描述资源对应的用户描述信息中确定出适配描述所述待描述资源的至少一个目标用户描述信息;
控制所述通信组件将所述至少一个目标用户描述信息发送至所述客户端。
24.一种信息处理方法,其特征在于,包括:
利用神经网络模型,确定第一已描述商品对应的第一用户描述信息有效;
建立所述第一已描述商品的类别信息与所述第一用户描述信息之间的关联关系;
根据所述关联关系,创建用户描述信息索引库,以用于检索与待描述商品的类别信息关联的多个已描述商品对应的用户描述信息。
25.一种电子设备,其特征在于,包括:存储器和处理器,其中,
所述存储器,用于存储程序;
所述处理器,与所述存储器耦合,用于执行所述存储器中存储的所述程序,以用于:
利用神经网络模型,确定第一已描述商品对应的第一用户描述信息有效;
建立所述第一已描述商品的类别信息与所述第一用户描述信息之间的关联关系;
根据所述关联关系,创建用户描述信息索引库,以用于检索与待描述商品的类别信息关联的多个已描述商品对应的用户描述信息。
26.一种信息处理方法,其特征在于,包括:
获取待处理图像;
基于所述待处理图像,获取至少一个内容描述信息;
获取所述待处理图像与所述至少一个内容描述信息之间的语义匹配关系;
基于所述语义匹配关系,确定所述待处理图像对应的内容描述信息。
27.一种信息处理方法,其特征在于,包括:
获取待处理图像;
基于所述待处理图像,获取至少一个内容描述信息;
获取所述待处理图像与所述至少一个内容描述信息之间的语义匹配关系;
基于所述语义匹配关系,显示所述至少一个内容描述信息,用于终端用户选择待处理图像对应的内容描述信息。
28.一种信息处理方法,其特征在于,包括:
获取待发售商品的图像;
基于所述图像,获取所述待发售商品的详情信息;
根据所述详情信息,确定用于促使所述待发售商品满足预设条件的相关建议。
29.根据权利要求28所述的方法,其特征在于,所述相关建议为组合销售建议时,上述方法,还可包括:
获取所述组合销售建议中建议与所述待发售商品组合销售的第一商品的销售链接,用于提供给终端用户选择。
30.根据权利要求28或29所述的方法,其特征在于,还包括:
基于所述图像,获取多个已发售商品对应的用户描述信息;
获取所述图像与所述至少一个用户描述信息之间的语义匹配关系;
基于所述语义匹配关系,从所述至少一个用户描述信息中确定出适配描述所述待发售商品的目标用户描述信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910581481.2A CN112148964B (zh) | 2019-06-29 | 2019-06-29 | 信息处理、推荐方法、***及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910581481.2A CN112148964B (zh) | 2019-06-29 | 2019-06-29 | 信息处理、推荐方法、***及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112148964A true CN112148964A (zh) | 2020-12-29 |
CN112148964B CN112148964B (zh) | 2022-11-18 |
Family
ID=73891672
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910581481.2A Active CN112148964B (zh) | 2019-06-29 | 2019-06-29 | 信息处理、推荐方法、***及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112148964B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112559897A (zh) * | 2021-02-23 | 2021-03-26 | 浙江口碑网络技术有限公司 | 匹配关系的识别方法、装置及设备 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100211570A1 (en) * | 2007-09-03 | 2010-08-19 | Robert Ghanea-Hercock | Distributed system |
CN101853470A (zh) * | 2010-05-28 | 2010-10-06 | 浙江大学 | 一种基于社会化标签的协同过滤方法 |
CN102542024A (zh) * | 2011-12-21 | 2012-07-04 | 电子科技大学 | 一种视频资源语义标签的标定方法 |
CN103886054A (zh) * | 2014-03-13 | 2014-06-25 | 中国科学院自动化研究所 | 一种网络教学资源的个性化推荐***和推荐方法 |
CN106920108A (zh) * | 2017-01-26 | 2017-07-04 | 武汉奇米网络科技有限公司 | 一种商品录入的方法及*** |
CN106991193A (zh) * | 2017-04-26 | 2017-07-28 | 努比亚技术有限公司 | 获取物品相似度的方法及终端、计算机可读存储介质 |
CN107391509A (zh) * | 2016-05-16 | 2017-11-24 | 中兴通讯股份有限公司 | 标签推荐方法及装置 |
CN108304441A (zh) * | 2017-11-14 | 2018-07-20 | 腾讯科技(深圳)有限公司 | 网络资源推荐方法、装置、电子设备、服务器及存储介质 |
CN108829847A (zh) * | 2018-06-20 | 2018-11-16 | 山东大学 | 基于多模态购物偏好的商品检索方法及*** |
CN109241431A (zh) * | 2018-09-07 | 2019-01-18 | 腾讯科技(深圳)有限公司 | 一种资源推荐方法和装置 |
-
2019
- 2019-06-29 CN CN201910581481.2A patent/CN112148964B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100211570A1 (en) * | 2007-09-03 | 2010-08-19 | Robert Ghanea-Hercock | Distributed system |
CN101853470A (zh) * | 2010-05-28 | 2010-10-06 | 浙江大学 | 一种基于社会化标签的协同过滤方法 |
CN102542024A (zh) * | 2011-12-21 | 2012-07-04 | 电子科技大学 | 一种视频资源语义标签的标定方法 |
CN103886054A (zh) * | 2014-03-13 | 2014-06-25 | 中国科学院自动化研究所 | 一种网络教学资源的个性化推荐***和推荐方法 |
CN107391509A (zh) * | 2016-05-16 | 2017-11-24 | 中兴通讯股份有限公司 | 标签推荐方法及装置 |
CN106920108A (zh) * | 2017-01-26 | 2017-07-04 | 武汉奇米网络科技有限公司 | 一种商品录入的方法及*** |
CN106991193A (zh) * | 2017-04-26 | 2017-07-28 | 努比亚技术有限公司 | 获取物品相似度的方法及终端、计算机可读存储介质 |
CN108304441A (zh) * | 2017-11-14 | 2018-07-20 | 腾讯科技(深圳)有限公司 | 网络资源推荐方法、装置、电子设备、服务器及存储介质 |
CN108829847A (zh) * | 2018-06-20 | 2018-11-16 | 山东大学 | 基于多模态购物偏好的商品检索方法及*** |
CN109241431A (zh) * | 2018-09-07 | 2019-01-18 | 腾讯科技(深圳)有限公司 | 一种资源推荐方法和装置 |
Non-Patent Citations (4)
Title |
---|
JING YANG 等: "Tag clustering algorithm LMMSK: Improved K-means algorithm based on latent semantic analysis", 《JOURNAL OF SYSTEMS ENGINEERING AND ELECTRONICS》 * |
WENGANG CHENG 等: "Image tag refinement using tag semantic and visual similarity", 《PROCEEDINGS OF 2011 INTERNATIONAL CONFERENCE ON COMPUTER SCIENCE AND NETWORK TECHNOLOGY》 * |
赵彦锋 等: "基于本体的语义信息检索模型研究", 《软件工程师》 * |
邓双义: "基于语义的标签推荐***关键问题研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112559897A (zh) * | 2021-02-23 | 2021-03-26 | 浙江口碑网络技术有限公司 | 匹配关系的识别方法、装置及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN112148964B (zh) | 2022-11-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101511050B1 (ko) | 상품 정보를 제공하고 표시하는 방법, 장치, 시스템 및 컴퓨터 프로그램 | |
CN110532451A (zh) | 针对政策文本的检索方法和装置、存储介质、电子装置 | |
CN105760400B (zh) | 一种基于搜索行为的推送消息排序方法及装置 | |
CN112785397A (zh) | 一种产品推荐方法、装置及存储介质 | |
US20230214895A1 (en) | Methods and systems for product discovery in user generated content | |
CN106708821A (zh) | 基于用户个性化购物行为进行商品推荐的方法 | |
CN105160545B (zh) | 投放信息样式确定方法及装置 | |
CN108021708B (zh) | 内容推荐方法、装置与计算机可读存储介质 | |
CN106776860A (zh) | 一种搜索摘要生成方法及装置 | |
US20200226168A1 (en) | Methods and systems for optimizing display of user content | |
CN111597446B (zh) | 基于人工智能的内容推送方法、装置、服务器和存储介质 | |
CN109241451B (zh) | 一种内容组合推荐方法、装置及可读存储介质 | |
CN106126544B (zh) | 一种互联网内容的投放方法及装置 | |
CN111400586A (zh) | 群组展示方法、终端、服务器、***及存储介质 | |
CN112488781A (zh) | 搜索推荐方法、装置、电子设备及可读存储介质 | |
US20230030560A1 (en) | Methods and systems for tagged image generation | |
CN105706081A (zh) | 结构化信息链接注释 | |
CN115147130A (zh) | 问题预测方法、设备、存储介质及程序产品 | |
TW201642195A (zh) | 商品相關網路文章之自動圖文摘要方法及系統 | |
JP2023507043A (ja) | データ処理方法、装置、機器、記憶媒体及びコンピュータプログラム | |
CN113220974B (zh) | 点击率预测模型训练、搜索召回方法、装置、设备及介质 | |
CN112148964B (zh) | 信息处理、推荐方法、***及设备 | |
CN116823410B (zh) | 数据处理方法、对象处理方法、推荐方法及计算设备 | |
CN112445985A (zh) | 一种基于浏览行为优化的相似人群获取方法 | |
CN114282119B (zh) | 一种基于异构信息网络的科技信息资源检索方法及*** |
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 |