CN113033680A - 视频分类方法、装置、可读介质及电子设备 - Google Patents
视频分类方法、装置、可读介质及电子设备 Download PDFInfo
- Publication number
- CN113033680A CN113033680A CN202110349114.7A CN202110349114A CN113033680A CN 113033680 A CN113033680 A CN 113033680A CN 202110349114 A CN202110349114 A CN 202110349114A CN 113033680 A CN113033680 A CN 113033680A
- Authority
- CN
- China
- Prior art keywords
- label
- video
- classification
- playing
- target
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000013145 classification model Methods 0.000 claims abstract description 62
- 238000012549 training Methods 0.000 claims description 28
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 11
- 238000002372 labelling Methods 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 238000009826 distribution Methods 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012546 transfer Methods 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
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
- G06F16/75—Clustering; Classification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开涉及一种视频分类方法、装置、可读介质及电子设备,方法包括:获取目标视频的分类标签作为第一标签;在播放次数高于第一预设播放量阈值的情况下,通过预先训练好的第一视频分类模型确定目标视频的预测标签作为第二标签;在第二标签与第一标签不为同一标签的情况下,将目标视频的分类标签确定为第二标签。这样,在该播放次数高于该第一预设播放量阈值之后,可以通过与确定该第一标签不同的方式来对该目标视频进行视频分类标签的重新预测,从而得到该目标视频的第二标签,进而根据该第二标签对该目标视频所属的视频分类标签进行修正,这样就能够保证播放次数较高的目标视频的分类标签的准确,提高播放次数较高的目标视频的分类标签的准确率。
Description
技术领域
本公开涉及视频技术领域,具体地,涉及一种视频分类方法、装置、可读介质及电子设备。
背景技术
现有技术中对各平台中的视频进行标签分类时,通常仅通过一种分类方式,例如提前训练的机器学***台中的视频种类过多,内容过于繁杂,仅通过预先训练的机器学习模型,很难对各种类型的视频都能达到较好的分类效果。
发明内容
提供该发明内容部分以便以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
第一方面,本公开提供一种视频分类方法,所述方法包括:
获取目标视频的分类标签作为第一标签;
在所述播放次数高于第一预设播放量阈值的情况下,通过预先训练好的第一视频分类模型确定所述目标视频的预测标签作为第二标签;
在所述第二标签与所述第一标签不为同一标签的情况下,将所述目标视频的分类标签确定为所述第二标签。
第二方面,本公开提供一种视频分类装置,所述装置包括:
获取模块,用于获取目标视频的分类标签作为第一标签;
确定模块,用于在所述播放次数高于第一预设播放量阈值的情况下,通过预先训练好的第一视频分类模型确定所述目标视频的预测标签作为第二标签;
修正模块,用于在所述第二标签与所述第一标签不为同一标签的情况下,将所述目标视频的分类标签确定为所述第二标签。
第三方面,本公开提供一种计算机可读介质,其上存储有计算机程序,该程序被处理装置执行时实现第一方面中所述方法的步骤。
第四方面,本公开提供一种电子设备,包括:
存储装置,其上存储有计算机程序;
处理装置,用于执行所述存储装置中的所述计算机程序,以实现第一方面中所述方法的步骤。
通过上述技术方案,没有播放次数信息的视频或者播放次数较少的视频可以通过任意视频分类的方式确定视频分类标签,例如上述的第二视频分类模型的方式,从而能够保证任意视频都能够得到相应的视频标签作为该第一标签;而在该播放次数高于该第一预设播放量阈值之后,可以通过与确定该第一标签不同的方式来对该目标视频进行视频分类标签的重新预测,例如,通过该第一视频分类模型来确定,从而得到该目标视频的第二标签,进而根据该第二标签对该目标视频所属的视频分类标签进行修正,这样就能够保证播放次数较高的目标视频的分类标签的准确。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,原件和元素不一定按照比例绘制。在附图中:
图1是根据本公开一示例性实施例示出的一种视频分类方法的流程图。
图2是根据本公开又一示例性实施例示出的一种视频分类方法的流程图。
图3是根据本公开又一示例性实施例示出的一种视频分类方法中训练该第一视频分类模型的方法流程图。
图4是根据本公开一示例性实施例示出的一种视频分类装置的结构框图。
图5示出了适于用来实现本公开实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
应当理解,本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
图1是根据本公开一示例性实施例示出的一种视频分类方法的流程图。如图1所示,所述方法包括步骤101至步骤103。
在步骤101中,获取目标视频的分类标签作为第一标签。该目标视频可以是任意形式的需要进行标签分类的视频。例如可以是短视频平台中用户所发布的短视频,也可以是其他视频平台中用户所发布的长视频。
在步骤102中,在所述播放次数高于第一预设播放量阈值的情况下,通过预先训练好的第一视频分类模型确定所述目标视频的预测标签作为第二标签。
该播放次数可以根据不同视频平台的次数记录规则来确定,在本申请中对该播放次数的具体确定方法不进行限定。
在该播放次数高于该第一预设播放量阈值的情况下,可以表征该目标视频的播放次数较高,也即该第一预设播放量阈值可以用于筛选出播放次数较高的目标视频作为预测该第二标签的视频。
用于确定该第二标签的第一视频分类模型可以为任意视频分类模型,只要能够得到该目标视频的预测标签即可。
在步骤103中,在所述第二标签与所述第一标签不为同一标签的情况下,将所述目标视频的分类标签确定为所述第二标签。
将播放次数较高的目标视频进行二次标签预测,从而提高播放次数较高的目标视频的标签准确率。
作为该目标视频的第一标签的分类标签可以是通过任意方式所确定得到的分类标签。例如,可以通过如图2所示的方法。
图2是根据本公开又一示例性实施例示出的一种视频分类方法的流程图。如图2所示,所述方法还包括步骤201和步骤202。
在步骤201中,通过第二视频分类模型确定所述目标视频的所述分类标签;
在步骤202中,将所述目标视频的分类标签作为第一标签。
其中,该第二视频分类模型与该第一视频分类模型为不同的视频分类模型。可以是由于模型的训练样本不同所训练得到的不同的视频分类模型,也可以是由于采用的视频分类方法不同所得到的不同的视频分类模型,或者也可以是由于采用的神经网络不同从而所得到的不用的视频分类模型等等,只要不与该第一视频分类模型为同一视频分类模型即可。
在一种可能的实施方式中,所述第二视频分类模型的训练数据可以为有播放次数和/或无播放次数的样本视频。也即,该第二视频分类模型的训练数据为随机标注数据。
通过上述技术方案,没有播放次数信息的视频或者播放次数较少的视频可以通过任意视频分类的方式确定视频分类标签,例如上述的第二视频分类模型的方式,从而能够保证任意视频都能够得到相应的视频标签作为该第一标签;而在该播放次数高于该第一预设播放量阈值之后,可以通过与确定该第一标签不同的方式来对该目标视频进行视频分类标签的重新预测,例如,通过该第一视频分类模型来确定,从而得到该目标视频的第二标签,进而根据该第二标签对该目标视频所属的视频分类标签进行修正,这样就能够保证播放次数较高的目标视频的分类标签的准确。
在另一种可能的实施方式中,所述第一视频分类模型的训练数据为播放次数高于第二预设播放量阈值的样本视频。也即,在训练所述第一视频分类模型时,是采用的所有训练视频数据都是高播放量的样本视频。这样,由于机器学习模型的效果会受到数据分布的影响,且机器学习模型的学习只能在某一个固定的分布上进行,因此机器学习模型在于训练集相似的分布上效果是最好的。从而,通过对该第一视频分类模型的训练数据的播放次数分布的限定,能够使得该第一视频分类模型对于播放次数高于该第二预设播放量阈值的目标视频的标签预测的效果更好。
例如,申请人发现在大多数短视频平台中,上传固定时长之后的多个短视频若处于不同播放次数,则其视频内容中的分布会存在较大差异,例如较低播放次数的视频中,随拍视频占比较大,视频内容较为单一,信息量不高,而较高播放次数的视频中,信息含量更大的剧情演绎、知识科普等内容占比会有显著提升。不同播放次数分布之间的视频内容会有一定差异。因此,若将训练该第一视频分类模型的训练数据根据播放次数进行阈值限定,就能够使得训练得到的该第一视频分类模型在播放次数高于该第一预设播放量阈值的分布中目标视频中的分类预测表现更好,准确率更高。
其中,该第一预设播放量阈值和该第二预设播放量阈值可以根据实际应用设定为完全一致,或者为相近的两个不同阈值,只要是能够实现该第一视频分类模型对干高于该第一预设播放量阈值的目标视频的标签分类预测效果,比预测该目标视频的该第一标签的分类效果更好即可。例如,可以将该第二预设播放量阈值设定为相对低于该第一预设播放量阈值,保证高于该第一预设播放量阈值的播放次数都包含在高于该第二预设播放量阈值的播放次数中即可,具体数值设定在本公开中不进行限定。
图3是根据本公开又一示例性实施例示出的一种视频分类方法中训练该第一视频分类模型的方法流程图。如图3所示,所述方法包括步骤301至步骤303。
在步骤301中,获取所述播放次数高于所述第二预设播放量阈值的样本视频。该播放次数的可以根据不同视频平台的播放次数记录规则来确定。
在步骤302中,对所述样本视频进行分类标签标注。对该样本视频进行分类标签标注的方式可以为人工标注。其中,在通过例如上述的第二视频分类模型来确定得到所述目标视频的第一标签的情况下,该第二视频分类模型的训练数据中的各个样本视频的分类标注也可以是由人工标注的。
在步骤303中,通过带有所述分类标签标注的所述样本视频对所述第一视频分类模型进行模型训练。
图4是根据本公开一示例性实施例示出的一种视频分类装置的结构框图。如图4所示,所述装置包括:获取模块10,用于获取目标视频的分类标签作为第一标签;确定模块20,用于在所述播放次数高于第一预设播放量阈值的情况下,通过预先训练好的第一视频分类模型确定所述目标视频的预测标签作为第二标签;修正模块30,用于在所述第二标签与所述第一标签不为同一标签的情况下,将所述目标视频的分类标签确定为所述第二标签。
通过上述技术方案,没有播放次数信息的视频或者播放次数较少的视频可以通过任意视频分类的方式确定视频分类标签,例如上述的第二视频分类模型的方式,从而能够保证任意视频都能够得到相应的视频标签作为该第一标签;而在该播放次数高于该第一预设播放量阈值之后,可以通过与确定该第一标签不同的方式来对该目标视频进行视频分类标签的重新预测,例如,通过该第一视频分类模型来确定,从而得到该目标视频的第二标签,进而根据该第二标签对该目标视频所属的视频分类标签进行修正,这样就能够保证播放次数较高的目标视频的分类标签的准确。
在一种可能的实施方式中,所述第一视频分类模型的训练数据为播放次数高于第二预设播放量阈值的样本视频。
在一种可能的实施方式中,所述第一视频分类模型通过以下方法进行训练:获取所述播放次数高于所述第二预设播放量阈值的样本视频;对所述样本视频进行分类标签标注;通过带有所述分类标签标注的所述样本视频对所述第一视频分类模型进行模型训练。
在一种可能的实施方式中,所述获取模块10包括:第一获取子模块,用于通过第二视频分类模型确定所述目标视频的所述分类标签;第二获取子模块,用于将所述目标视频的分类标签作为第一标签。
在一种可能的实施方式中,所述第二视频分类模型的训练数据为有播放次数和/或无播放次数的样本视频。
下面参考图5,其示出了适于用来实现本公开实施例的电子设备500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5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5所示,电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501,其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中,还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
通常,以下装置可以连接至I/O接口505: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506;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507;包括例如磁带、硬盘等的存储装置508;以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备500,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,其包括承载在非暂态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509从网络上被下载和安装,或者从存储装置508被安装,或者从ROM 502被安装。在该计算机程序被处理装置501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,本公开上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。
在一些实施方式中,可以利用诸如HTTP(HyperText Transfer Protocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
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:获取目标视频的分类标签作为第一标签;在所述播放次数高于第一预设播放量阈值的情况下,通过预先训练好的第一视频分类模型确定所述目标视频的预测标签作为第二标签;在所述第二标签与所述第一标签不为同一标签的情况下,将所述目标视频的分类标签确定为所述第二标签。
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,上述程序设计语言包括但不限于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。
描述于本公开实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,模块的名称在某种情况下并不构成对该模块本身的限定,例如,获取模块还可以被描述为“获取目标视频的分类标签作为第一标签的模块”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上***(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
根据本公开的一个或多个实施例,示例1提供了一种视频分类方法,所述方法包括:获取目标视频的分类标签作为第一标签;在所述播放次数高于第一预设播放量阈值的情况下,通过预先训练好的第一视频分类模型确定所述目标视频的预测标签作为第二标签;在所述第二标签与所述第一标签不为同一标签的情况下,将所述目标视频的分类标签确定为所述第二标签。
根据本公开的一个或多个实施例,示例2提供了示例1的方法,所述第一视频分类模型的训练数据为播放次数高于第二预设播放量阈值的样本视频。
根据本公开的一个或多个实施例,示例3提供了示例2的方法,所述第一视频分类模型通过以下方法进行训练:获取所述播放次数高于所述第二预设播放量阈值的样本视频;对所述样本视频进行分类标签标注;通过带有所述分类标签标注的所述样本视频对所述第一视频分类模型进行模型训练。
根据本公开的一个或多个实施例,示例4提供了示例1的方法,所述获取目标视频的分类标签作为第一标签包括:通过第二视频分类模型确定所述目标视频的所述分类标签;将所述目标视频的分类标签作为第一标签。
根据本公开的一个或多个实施例,示例5提供了示例4的方法,所述第二视频分类模型的训练数据为有播放次数和/或无播放次数的样本视频。
根据本公开的一个或多个实施例,示例6提供了一种视频分类装置,所述装置包括:获取模块,用于获取目标视频的分类标签作为第一标签;确定模块,用于在所述播放次数高于第一预设播放量阈值的情况下,通过预先训练好的第一视频分类模型确定所述目标视频的预测标签作为第二标签;修正模块,用于在所述第二标签与所述第一标签不为同一标签的情况下,将所述目标视频的分类标签确定为所述第二标签。
根据本公开的一个或多个实施例,示例7提供了示例6的装置,所述第一视频分类模型的训练数据为播放次数高于第二预设播放量阈值的样本视频。
根据本公开的一个或多个实施例,示例8提供了示例7的装置,所述第一视频分类模型通过以下方法进行训练:获取所述播放次数高于所述第二预设播放量阈值的样本视频;对所述样本视频进行分类标签标注;通过带有所述分类标签标注的所述样本视频对所述第一视频分类模型进行模型训练。
根据本公开的一个或多个实施例,示例9提供了一种计算机可读介质,其上存储有计算机程序,该程序被处理装置执行时实现示例1-5中任一项所述方法的步骤。
根据本公开的一个或多个实施例,示例10提供了一种电子设备,包括:存储装置,其上存储有计算机程序;处理装置,用于执行所述存储装置中的所述计算机程序,以实现示例1-5中任一项所述方法的步骤。
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。
此外,虽然采用特定次序描绘了各操作,但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下,多任务和并行处理可能是有利的。同样地,虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地,在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题,但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反,上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
Claims (10)
1.一种视频分类方法,其特征在于,所述方法包括:
获取目标视频的分类标签作为第一标签;
在所述播放次数高于第一预设播放量阈值的情况下,通过预先训练好的第一视频分类模型确定所述目标视频的预测标签作为第二标签;
在所述第二标签与所述第一标签不为同一标签的情况下,将所述目标视频的分类标签确定为所述第二标签。
2.根据权利要求1所述的方法,其特征在于,所述第一视频分类模型的训练数据为播放次数高于第二预设播放量阈值的样本视频。
3.根据权利要求2所述的方法,其特征在于,所述第一视频分类模型通过以下方法进行训练:
获取所述播放次数高于所述第二预设播放量阈值的样本视频;
对所述样本视频进行分类标签标注;
通过带有所述分类标签标注的所述样本视频对所述第一视频分类模型进行模型训练。
4.根据权利要求1所述的方法,其特征在于,所述获取目标视频的分类标签作为第一标签包括:
通过第二视频分类模型确定所述目标视频的所述分类标签;
将所述目标视频的分类标签作为第一标签。
5.根据权利要求4所述的方法,其特征在于,所述第二视频分类模型的训练数据为有播放次数和/或无播放次数的样本视频。
6.一种视频分类装置,其特征在于,所述装置包括:
获取模块,用于获取目标视频的分类标签作为第一标签;
确定模块,用于在所述播放次数高于第一预设播放量阈值的情况下,通过预先训练好的第一视频分类模型确定所述目标视频的预测标签作为第二标签;
修正模块,用于在所述第二标签与所述第一标签不为同一标签的情况下,将所述目标视频的分类标签确定为所述第二标签。
7.根据权利要求6所述的装置,其特征在于,所述第一视频分类模型的训练数据为播放次数高于第二预设播放量阈值的样本视频。
8.根据权利要求7所述的装置,其特征在于,所述第一视频分类模型通过以下方法进行训练:
获取所述播放次数高于所述第二预设播放量阈值的样本视频;
对所述样本视频进行分类标签标注;
通过带有所述分类标签标注的所述样本视频对所述第一视频分类模型进行模型训练。
9.一种计算机可读介质,其上存储有计算机程序,其特征在于,该程序被处理装置执行时实现权利要求1-5中任一项所述方法的步骤。
10.一种电子设备,其特征在于,包括:
存储装置,其上存储有计算机程序;
处理装置,用于执行所述存储装置中的所述计算机程序,以实现权利要求1-5中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110349114.7A CN113033680A (zh) | 2021-03-31 | 2021-03-31 | 视频分类方法、装置、可读介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110349114.7A CN113033680A (zh) | 2021-03-31 | 2021-03-31 | 视频分类方法、装置、可读介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113033680A true CN113033680A (zh) | 2021-06-25 |
Family
ID=76453322
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110349114.7A Pending CN113033680A (zh) | 2021-03-31 | 2021-03-31 | 视频分类方法、装置、可读介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113033680A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114786069A (zh) * | 2022-04-22 | 2022-07-22 | 北京有竹居网络技术有限公司 | 视频生成方法、装置、介质及电子设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106055617A (zh) * | 2016-05-26 | 2016-10-26 | 乐视控股(北京)有限公司 | 一种数据推送方法及装置 |
CN108259672A (zh) * | 2018-01-30 | 2018-07-06 | 努比亚技术有限公司 | 一种多媒体内容的处理方法、终端及计算机存储介质 |
CN109088987A (zh) * | 2018-07-26 | 2018-12-25 | 阿里巴巴集团控股有限公司 | 一种音视频播放方法、装置及电子设备 |
CN109361929A (zh) * | 2018-09-28 | 2019-02-19 | 武汉斗鱼网络科技有限公司 | 一种确定直播间标签的方法以及相关设备 |
CN110113638A (zh) * | 2019-05-10 | 2019-08-09 | 北京奇艺世纪科技有限公司 | 一种预测方法、装置及电子设备 |
CN112261226A (zh) * | 2020-10-21 | 2021-01-22 | 北京字跳网络技术有限公司 | 横屏交互方法、装置、电子设备和存储介质 |
-
2021
- 2021-03-31 CN CN202110349114.7A patent/CN113033680A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106055617A (zh) * | 2016-05-26 | 2016-10-26 | 乐视控股(北京)有限公司 | 一种数据推送方法及装置 |
CN108259672A (zh) * | 2018-01-30 | 2018-07-06 | 努比亚技术有限公司 | 一种多媒体内容的处理方法、终端及计算机存储介质 |
CN109088987A (zh) * | 2018-07-26 | 2018-12-25 | 阿里巴巴集团控股有限公司 | 一种音视频播放方法、装置及电子设备 |
CN109361929A (zh) * | 2018-09-28 | 2019-02-19 | 武汉斗鱼网络科技有限公司 | 一种确定直播间标签的方法以及相关设备 |
CN110113638A (zh) * | 2019-05-10 | 2019-08-09 | 北京奇艺世纪科技有限公司 | 一种预测方法、装置及电子设备 |
CN112261226A (zh) * | 2020-10-21 | 2021-01-22 | 北京字跳网络技术有限公司 | 横屏交互方法、装置、电子设备和存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114786069A (zh) * | 2022-04-22 | 2022-07-22 | 北京有竹居网络技术有限公司 | 视频生成方法、装置、介质及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110298413B (zh) | 图像特征提取方法、装置、存储介质及电子设备 | |
CN109961032B (zh) | 用于生成分类模型的方法和装置 | |
CN112883968B (zh) | 图像字符识别方法、装置、介质及电子设备 | |
CN113222983A (zh) | 图像处理方法、装置、可读介质和电子设备 | |
CN110826567A (zh) | 光学字符识别方法、装置、设备及存储介质 | |
CN113449070A (zh) | 多模态数据检索方法、装置、介质及电子设备 | |
CN111738316B (zh) | 零样本学习的图像分类方法、装置及电子设备 | |
CN115294501A (zh) | 视频识别方法、视频识别模型训练方法、介质及电子设备 | |
CN116894188A (zh) | 业务标签集更新方法、装置、介质及电子设备 | |
CN113140012B (zh) | 图像处理方法、装置、介质及电子设备 | |
CN113033707B (zh) | 视频分类方法、装置、可读介质及电子设备 | |
CN111209432A (zh) | 信息获取的方法、装置、电子设备及计算机可读介质 | |
CN113392018A (zh) | 流量分发方法、装置、存储介质及电子设备 | |
CN113051933A (zh) | 模型训练方法、文本语义相似度确定方法、装置和设备 | |
CN113033680A (zh) | 视频分类方法、装置、可读介质及电子设备 | |
CN113033682B (zh) | 视频分类方法、装置、可读介质、电子设备 | |
CN113222050B (zh) | 图像分类方法、装置、可读介质及电子设备 | |
CN113435528B (zh) | 对象分类的方法、装置、可读介质和电子设备 | |
CN110634024A (zh) | 一种用户属性标记方法、装置、电子设备及存储介质 | |
CN116092092A (zh) | 匹配方法、装置、介质及电子设备 | |
CN116072108A (zh) | 模型生成方法、语音识别方法、装置、介质及设备 | |
CN115269978A (zh) | 一种视频标签生成方法、装置、设备及介质 | |
CN111737575B (zh) | 内容分发方法、装置、可读介质及电子设备 | |
CN113177176A (zh) | 特征构建方法、内容显示方法及相关装置 | |
CN111680754B (zh) | 图像分类方法、装置、电子设备及计算机可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |