CN113094552A - 视频模板的搜索方法、装置、服务器及可读存储介质 - Google Patents

视频模板的搜索方法、装置、服务器及可读存储介质 Download PDF

Info

Publication number
CN113094552A
CN113094552A CN202110296795.5A CN202110296795A CN113094552A CN 113094552 A CN113094552 A CN 113094552A CN 202110296795 A CN202110296795 A CN 202110296795A CN 113094552 A CN113094552 A CN 113094552A
Authority
CN
China
Prior art keywords
video
template
label
video template
similarity
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
Application number
CN202110296795.5A
Other languages
English (en)
Inventor
仲召来
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Dajia Internet Information Technology Co Ltd
Original Assignee
Beijing Dajia Internet Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Dajia Internet Information Technology Co Ltd filed Critical Beijing Dajia Internet Information Technology Co Ltd
Priority to CN202110296795.5A priority Critical patent/CN113094552A/zh
Publication of CN113094552A publication Critical patent/CN113094552A/zh
Pending legal-status Critical Current

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
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/7867—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, title and artist information, manually generated time, location and usage information, user ratings
    • 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
    • G06F16/73—Querying
    • G06F16/738—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
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/783—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/7834—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using audio features
    • 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
    • G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/783—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/7837—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using objects detected or recognised in the video content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/783—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/7844—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using original textual content or text extracted from visual content or transcript of audio data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Library & Information Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本公开公开了一种视频模板的搜索方法、装置、服务器及可读存储介质，属于互联网技术领域。该视频模板的搜索方法包括获取上传的视频素材；提取视频素材的内容特征，得到视频素材的标签；其中，标签用于表示视频素材的内容特征；针对视频模板库中的多个视频模板，分别计算每个视频模板的标签与视频素材的标签的相似度；根据每个视频模板的标签与视频素材的标签之间的相似度，输出搜索结果，其中，搜索结果为多个视频模板中相似度满足预设条件的视频模板。采用本公开提供的视频模板的搜索方法、装置、服务器及可读存储介质，可以至少解决相关技术中使用搜索词搜索视频模板时搜索结果不够准确的问题。

Description

视频模板的搜索方法、装置、服务器及可读存储介质
技术领域
本公开涉及互联网技术领域，具体涉及一种视频模板的搜索方法、装置、服务器及可读存储介质。
背景技术
随着互联网技术的发展，用户可以在手机、平板电脑等电子设备上播放视频，一种视频的制作方式为，用户下载视频平台提供的视频模板，在视频模板中添加或修改允许用户自定义的素材内容。该视频模板中可以包括图片、文字、音频、视频等媒体类型的资源，其中部分或全部的媒体类型的资源可以允许用户自定义。
在相关技术中，用户如果想要下载资源，可以在视频平台提供的视频模板的搜索框中输入搜索关键词，后台服务器则可以基于用户输入的搜索关键词，向用户推送与搜索词相关的视频模板。但是，发明人发现，由于搜索词可能无法准确的表达出用户制作视频所使用的视频素材的内容特征，因此，基于搜索词为用户推送的视频模板不够准确。
发明内容
本公开实施例的目的是提供一种视频模板的搜索方法、装置、服务器及可读存储介质，以至少解决相关技术中使用搜索词搜索视频模板时搜索结果不够准确的问题。
本公开的技术方案如下：
根据本公开实施例的第一方面，提供一种视频模板的搜索方法，该方法可以包括：
获取上传的视频素材；
提取视频素材的内容特征，得到视频素材的标签；其中，标签用于表示视频素材的内容特征；
针对视频模板库中的多个视频模板，分别计算每个视频模板的标签与视频素材的标签的相似度；
根据每个视频模板的标签与视频素材的标签之间的相似度，输出搜索结果，其中，搜索结果为多个视频模板中相似度满足预设条件的视频模板。
在一个实施例中，在分别计算每个视频模板的标签与视频素材的标签的相似度之前，还包括：
提取每个视频模板中不同媒体类型的资源，和/或，提取每个视频模板的关联视频中不同媒体类型的资源；其中，每个关联视频包括基于对应的视频模板生成的示例视频和/或用户作品；
通过每个媒体类型对应的特征提取模型，针对提取出的对应媒体类型的资源提取内容特征，以生成每个视频模板的特征向量；其中，每个视频模板的特征向量包括针对对应视频模板的不同媒体类型的资源提取的内容特征、和/或、针对对应视频模板的关联视频中不同媒体类型的资源提取的内容特征；
根据每个视频模板的特征向量，生成对应视频模板的标签。
基于此，在其中一个实施例中，通过每个媒体类型对应的特征提取模型，针对提取出的对应媒体类型的资源提取内容特征，以生成每个视频模板的特征向量，包括：
通过语音识别特征提取模型，提取音频媒体类型的资源中的语义特征和/或情感特征，以得到第一特征向量；和/或，
通过图像识别特征提取模型，提取图像媒体类型的资源中的文字特征和/或物体特征，以得到第二特征向量。
在其中另一个实施例中，提取视频素材的内容特征，得到视频素材的标签，包括：
确定上传的视频素材的媒体类型；
在不同媒体类型对应的特征提取模型中，选择视频素材的媒体类型对应的特征提取模型，提取视频素材的内容特征，以生成视频素材的特征向量；
根据视频素材的特征向量，生成视频素材的标签。
在其中另一个实施例中，分别计算每个视频模板的标签与视频素材的标签的相似度，包括：
针对每个视频模板，分别计算每个特征向量与视频素材的特征向量之间的向量余弦相似度，得到对应视频模板的多个向量余弦相似度；
针对每个视频模板，根据对应的多个向量余弦相似度，生成视频素材的标签与对应视频模板的标签的相似度。
基于此，在其中一个实施例中，根据对应的多个向量余弦相似度，生成视频素材的标签与对应视频模板的标签的相似度，包括：
获取每个特征向量对相似度的影响权重；
根据每个特征向量的影响权重，对多个向量余弦相似度进行加权计算，得到视频素材的标签与对应视频模板的标签的相似度。
根据本公开实施例的第二方面，提供一种视频模板的搜索装置，该装置可以包括：
第一获取模块，被配置为获取上传的视频素材；
第一提取模块，被配置为提取所述视频素材的内容特征，得到视频素材的标签；其中，所述标签用于表示所述视频素材的内容特征；
计算模块，被配置为针对视频模板库中的多个视频模板，分别计算每个视频模板的标签与所述视频素材的标签的相似度；
输出模块，被配置为根据每个所述视频模板的标签与所述视频素材的标签之间的相似度，输出搜索结果，其中，所述搜索结果为所述多个视频模板中所述相似度满足预设条件的视频模板。
在一个实施例中，所述装置还包括：
第二提取模块，被配置为在分别计算每个视频模板的标签与所述视频素材的标签的相似度之前，提取每个所述视频模板中不同媒体类型的资源，和/或，提取每个所述视频模板的关联视频中不同媒体类型的资源；其中，每个所述关联视频包括基于对应的视频模板生成的示例视频和/或用户作品；
第三提取模块，被配置为通过每个媒体类型对应的特征提取模型，针对提取出的对应媒体类型的资源提取内容特征，以生成每个所述视频模板的特征向量；其中，每个所述视频模板的特征向量包括针对对应视频模板的不同媒体类型的资源提取的内容特征、和/或、针对对应视频模板的关联视频中不同媒体类型的资源提取的内容特征；
第一生成模块，被配置为根据每个所述视频模板的特征向量，生成对应视频模板的标签。
基于此，在其中一个实施例中，所述第三提取模块包括：
第一提取单元，被配置为通过语音识别特征提取模型，提取音频媒体类型的资源中的语义特征和/或情感特征，以得到第一特征向量；和/或，
第二提取单元，被配置为通过图像识别特征提取模型，提取图像媒体类型的资源中的文字特征和/或物体特征，以得到第二特征向量。
在其中另一个实施例中，所述第一提取模块包括：
确定单元，被配置为确定上传的所述视频素材的媒体类型；
第三提取单元，被配置为在不同媒体类型对应的特征提取模型中，选择所述视频素材的媒体类型对应的特征提取模型，提取所述视频素材的内容特征，以生成所述视频素材的特征向量；
第一生成单元，被配置为根据所述视频素材的特征向量，生成所述视频素材的标签。
在其中另一个实施例中，所述计算模块包括：
计算单元，被配置为针对每个视频模板，分别计算每个特征向量与所述视频素材的特征向量之间的向量余弦相似度，得到对应视频模板的多个向量余弦相似度；
第二生成单元，被配置为针对每个视频模板，根据对应的所述多个向量余弦相似度，生成所述视频素材的标签与对应视频模板的标签的相似度。
基于此，在其中一个实施例中，所述第二生成单元包括：
获取子单元，被配置为获取每个特征向量对所述相似度的影响权重；
计算子单元，被配置为根据每个特征向量的影响权重，对所述多个向量余弦相似度进行加权计算，得到所述视频素材的标签与对应视频模板的标签的相似度。
根据本公开实施例的第三方面，提供一种服务器，该服务器可以包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，处理器被配置为执行指令，以实现如第一方面的任一项实施例中所示的视频模板的搜索方法。
根据本公开实施例的第四方面，提供一种可读存储介质，当可读存储介质中的指令由服务器的处理器执行时，使得所述服务器能够执行如第一方面的任一项实施例中的视频模板的搜索方法。
根据本公开实施例的第五方面，提供一种计算机程序产品，该计算机程序产品包括计算机指令，计算机指令被处理器执行时实现如第一方面的任一项实施例中的视频模板的搜索方法。
本公开的实施例提供的技术方案至少带来以下有益效果：
在搜索视频模板时，可以在上传的视频素材中提取的内容特征的标签，从而与基于视频模板的内容特征提取出的标签计算相似度，根据相似度输出搜索结果，提高了搜索结果的准确度。与通过搜索词搜索视频模板相比，用户直接通过上传视频素材搜索视频模板，省去了用户思考、尝试搜索词的步骤，提高了用户体验，并且，基于内容特征标签进行搜索与基于搜索词进行搜索相比，可以得到更多维度的比较，因此能够得到更准确的搜索结果。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限值本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理，并不构成对本公开的不当限定。
图1是根据一示例性实施例示出的一种视频模板的搜索的架构图；
图2是根据一示例性实施例示出的一种视频模板的搜索方法的交互示意图一；
图3是根据一示例性实施例示出的一种视频模板的搜索方法的交互示意图二；
图4是根据一示例性实施例示出的一种视频模板的搜索方法的流程图；
图5是根据一示例性实施例示出的一种视频模板的搜索装置的结构框图；
图6是根据一示例性实施例示出的一种服务器的结构框图。
具体实施方式
为了使本领域普通人员更好地理解本公开的技术方案，下面将结合附图，对本公开实施例中的技术方案进行清楚、完整地描述。
需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
本公开所提供的视频模板的搜索方法，可以应用于如图1的架构中，具体结合图1进行详细说明。
图1是根据一示例性实施例示出的一种视频模板的搜索的架构图。
如图1所示，该架构图中包括电子设备11、电子设备12以及服务器10。服务器10可以通过网络协议如超文本传输安全协议(Hyper Text Transfer Protocol over SecureSocket Layer，HTTPS)与电子设备11和电子设备12建立连接并进行信息交互。其中，电子设备11和电子设备12可以是手机、平板电脑、一体机等具有通讯功能的设备，也可以是虚拟机或模拟器模拟的设备等。服务器10可以是云服务器或者服务器集群等具有存储以及计算功能的设备等。
基于上述架构，用户在访问电子设备11上的应用程序，或者，通过电子设备11访问一些特定网站时，应用程序和网站可以向用户提供一个搜索视频模板的界面，如图2所示为界面的一个示例，用户可以通过点击上传控件203来上传视频素材。上传控件203为用户上传视频素材的入口。该视频素材的媒体类型可以包括文字、图片、视频、音频中的一种或多种。服务器10在接收到用户上传的用于制作视频的素材之后，提取视频素材的内容特征生成标签，并与视频模板库中的视频模板的标签计算相似度，从而提供搜索结果，一个示例的搜索结果界面如图3所示。
下面结合图1提供的架构，对本公开实施例提供的一种视频模板的搜索方法进行详细的说明，如图4所示，该视频模板的搜索方法可以包括如下步骤：
步骤401，获取上传的视频素材。
步骤402，提取视频素材的内容特征，得到视频素材的标签；其中，标签用于表示视频素材的内容特征。
步骤403，针对视频模板库中的多个视频模板，分别计算每个视频模板的标签与视频素材的标签的相似度。
步骤404，根据每个视频模板的标签与视频素材的标签之间的相似度，输出搜索结果，其中，搜索结果为多个视频模板中相似度满足预设条件的视频模板。
在步骤401中，可以获取到用户上传的用于制作视频的视频素材。视频素材是用户待制作视频中所使用的素材，例如，该视频素材的媒体类型可以包括文字、图片、视频、音频等多种媒体类型中的一种或多种。其中，如果用户上传的视频素材为视频，那么，视频可以包括音频媒体类型的资源内容和图像媒体类型的资源内容。
在一个示例中，用户可以通过图1中的电子设备11(或电子设备12)登录应用程序或网站，并通过应用程序或网站提供的如图2所示的搜索界面201的搜索框202，输入用户在想要制作的视频中期望放入的文字类型的视频素材，例如，用户可以输入在视频中想要放入的文字内容：“生活中的点滴”，此外，用户还可以通过点击上传控件203，上传图片、视频、音频等类型的视频素材。这样，服务器10可以通过网络协议与电子设备11(或电子设备12)进行信息交互，接收到用户上传的视频素材，进而，服务器10可以根据用户上传的视频素材的内容在视频模板库中搜索相关的视频模板。
在步骤402中，由于用户提供的视频素材的内容能够表明用户意图想要搜索的视频模板的一些特征，因此，本公开实施例在获取到视频素材之后，可以提取视频素材的内容特征，生成标签，然后计算视频素材的标签与视频模板的标签的相似度。
这样，通过使用与提取视频模板的特征向量相同的算法，生成特征向量，进而生成标签，可以在通过视频素材搜索视频模板时得到更匹配的搜索结果，使搜索结果更符合用户期望。
本公开实施例中的视频模板可以是多种媒体(Multimedia)的综合，可以包括文本，声音、图像等多种媒体类型的资源，视频模板至少组合两种或两种以上媒体类型的资源，以实现传播媒体。举例而言，视频模板表现的形式可以包括动画，影片，通过程序提供的人机互动功能或者动态显示效果等。
视频模板是可以用于制作视频的模板，视频模板中可以包括可替换的资源内容和不可替换的资源内容，其中，用户可以通过平台(服务器所支持的网站/客户端)提供的功能对可替换的资源进行替换，以制作出自己的视频。
举例来说，可替换的资源内容可以包括图片、用于作为背景音乐的音频、文字内容等，不可替换的资源内容可以包括除可替换的部分图片之外的图片，每两张图片在切换时的动态显示效果、声音效果，除可替换的部分文字内容之外的固定不变的文字内容，以及文字显示效果，等等，用户可以将视频模板中可替换的资源内容替换为自己上传的视频素材，进而，平台的服务器可以将用户上传的资源内容与视频模板中不可替换的资源内容进行结合，以得到用户想要制作的视频效果，简化用户制作视频的操作。
需要说明的是，上述举例的视频模板以及视频模板中的可替换资源和不可替换资源用于示例性的说明一种视频模板，以及，上述视频模板中资源内容的媒体类型也用于进行示例性的说明，并不用于对视频模板及其所包括的资源内容的媒体类型进行限定。
视频模板库中的视频模板的来源可以是网络中的用户制作的，也可以是服务提供商提供的，本公开实施例对此不作限定，任意一个用户在搜索视频模板时，本公开实施例所提供的视频模板的搜索结果可以是在视频模板库中用户有权限查看/下载/存储的部分或全部视频模板。
在步骤403之前，要获得视频模板的标签。这里，视频模板的标签可以用于表示从视频模板的不同媒体类型的资源中提取的内容特征，和/或，用于表示从每个视频模板的关联视频的不同媒体类型的资源中提取的内容特征。
视频模板的标签可以通过多种方式生成。一个示例为，可以通过特征提取模型处理资源，提取资源中的内容特征生成特征向量，从而根据特征向量生成标签。
具体而言，通过特征提取模型处理的资源可以包括视频模板中不同媒体类型的资源，也可以包括视频模板的关联视频中不同媒体类型的资源。关联视频可以包括基于对应的视频模板生成的示例视频和/或用户作品。其中，基于视频模板生成的示例视频可以包括视频模板中的全部资源，或者，示例视频中也可以通过新的素材替换掉部分可替换资源，示例视频和视频模板的文件形式可以是不同的，例如，示例视频是视频的文件格式，而视频模板可以包括多个文件，每个文件是一种媒体类型的资源。用户作品是使用上述平台的任意用户上传的视频。
关联视频与视频模板之间进行关联的方式可以有多种。一种示例的实施方式为，示例视频和用户作品可以被上传到平台的视频库中，并在上传时被选择与一个视频模板进行关联。或者，另一种示例的实施方式为，平台可以提供制作视频的功能，这样，一个制作视频的用户在平台选择一个视频模板之后，可以在平台制作视频，然后，在该用户确认上传用户作品之后，这个用户作品就会被平台标记为与对应的视频模板关联。
特征提取模型可以包括多个，每个特征提取模型提取一种媒体类型的资源的内容特征。示例性的，可以通过不同媒体类型对应的特征提取模型提取对应媒体类型资源的内容特征，生成对应的特征向量，进而，根据针对每个视频模板生成的所有特征向量生成视频模板的标签。这样，可以针对不同媒体类型的资源内容分别的计算特征向量，使得特征向量能够更准确表达对应媒体类型资源的内容特征，使生成的标签更准确的表达视频模板的内容特征。
例如，可以通过图像特征提取模型提取多个维度的特征向量，可以包括识别图像中出现的文字和物体的特征向量，识别的物体可以包括有生命物体如人、动物、植物等，以及非生命物体如汽车、建筑、手机、桌椅等；或者，图像特征提取模型也可以提取其它维度的特征向量，例如，针对某一维度对图像进行分类的分类信息，举例来说，可以在情感维度上将图像分类为抒情、欢快、励志等多种媒体类型，在场景维度上将图像分类为婚礼、学习、工作、运动、旅行等多种媒体类型，通过特征提取模型对图像进行分类，可以得到图像在不同维度上的分类信息。
特征提取模型可以是神经网络模型。神经网络模型可以是通过预先训练得到的，可以使用所属领域中SOTA(state of the art，前沿水平)的神经网络模型，按照需要的特征向量提取效果，对模型中的参数进行调试，从而得到训练好的神经网络模型。经过神经网络模型对不同媒体类型的资源内容提取特征向量之后，得到的特征向量可以使用神经网络模型中某一层的信息来表达，例如，特征向量可以是特征提取模型中最后一层的矩阵。
在得到不同媒体类型资源的内容特征中携带的特征向量之后，还可以对不同媒体类型的资源内容提取出的特征向量进行结构化处理，得到结构化的标签。结构化处理用于将信息转换为通过预设结构的数据进行表达，以得到符合预设结构的结构化标签。
标签可以采用汉字标签、或带有英文字母的字符串、或纯数字等表达方式。
示例性的，标签可以包括多个，每个标签分别通过结构化的表达方式表示对应媒体类型资源内容的特征向量；或者，标签也可以是一个，将所有媒体类型的资源内容的特征向量汇总为通过一个标签进行表达。
以标签为多个为例，每个标签可以是通过特征提取模型输出的特征向量，在通过特征提取模型提取的特征向量是某一层的矩阵的情况下，结构化处理相当于特征提取模型中从该层直到输出之间的处理算法。每个特征向量中可以包括多个元素，每个元素用于表示针对某一个维度提取对应媒体类型的资源内容携带的特征信息。
由此，可以按照上述的生成标签的方法，针对每个视频模板、以及用户上传的用于制作视频的视频素材，分别生成对应的标签，进而，可以根据每个视频模板的标签与视频素材的相似度，确定搜索结果。
示例性的，标签可以是预先生成并存储好的，例如，在从视频模板的来源获取视频模板之后，可以按照上述生成标签的方法获取视频模板的标签，然后将视频模板和对应的标签一起存储在视频模板库中，在获取到搜索词之后，从视频模板库中获取视频模板的标签，这样，可以节约服务器10的运算资源。
另一种示例性的做法是在搜索时生成标签，这种实施方式适用于服务器10的运算能力足够的情况，可以节约存储空间。
在本公开实施例中，针对获取的用于制作视频的视频素材，在提取视频素材的内容特征生成标签时，可以使用生成视频模板的标签相同的算法。相应的，在提取视频素材的内容特征时，可以确定视频素材的媒体类型，通过视频素材的媒体类型对应的特征提取模型，提取内容特征，进而生成视频素材的标签。
这样，通过使用与提取视频模板的特征向量相同的算法，生成特征向量，进而生成标签，可以在通过视频素材搜索视频模板时得到更匹配的搜索结果，使搜索结果更符合用户期望，提高搜索结果的准确性。
在步骤403中，分别计算获取到的视频素材的标签与每个视频模板的标签的相似度。相似度用于表示视频素材与视频模板的相似程度。
在一种示例中，标签是通过文字表示的，那么，在计算标签的相似度时，可以通过embedding(嵌入)算法将其转换为词向量，通过词向量之间的向量余弦值表示相似度。
在另一种示例中，标签可以是直接通过特征向量表示的，那么，在计算标签的相似度时，可以直接计算用户上传的视频素材的特征向量与视频模板的特征向量之间的相似度。在特征向量包括多个的情况下，可以分别计算视频素材的每个特征向量与视频模板的每个特征向量之间的向量余弦相似度，然后根据多个向量余弦相似度生成视频素材与视频模板的相似度。这样，可以得到视频素材不同媒体类型的标签与视频模板对应媒体类型的标签的，通过对不同媒体类型的相似度分别的计算，可以得到每种媒体类型更有针对性、更准确的相似度，进而，再根据所有媒体类型的相似度计算总的相似度，可以综合考虑所有媒体类型的相似度，使总的相似度结果能够更准确的表达视频素材和视频模板的相似性。
例如，以计算目标视频模板的标签与视频素材的标签的相似度为例，目标视频模板的标签包括分别用于描述音频、图像、文字等三个媒体类型的资源内容的三个特征向量，视频素材的标签包括图像视频素材的特征向量，可以分别计算视频素材的特征向量与目标视频模板的每个特征向量之间的向量余弦相似度，得到三个向量余弦相似度。进一步的，可以根据三个向量余弦相似度进行加权计算，得到目标视频模板与视频素材的相似度。
其中，上述加权计算的公式的权重可以是预先指定的，根据每个特征向量对相似度的影响权重，对多个向量余弦相似度进行加权计算，得到相似度。这样，可以基于每个媒体类型的特点设置权重参数，从而达到调节最终计算得到的相似度的值的效果。例如，基于文字提取出的内容特征能够比较准确的反应用户的意图，可以将文字媒体类型对应的特征向量的向量余弦相似度设置为较高的权重参数，使文字媒体类型的内容特征相似度在总的相似度中占比较高。
与依靠人工标注标签相比，本公开实施例通过对视频模板的内容进行深度理解学习，可以携带更准确的描述视频模板内容的信息，在搜索视频模板时，通过接收制作视频所使用的视频素材，直接对视频素材的内容进行分析，而非根据用户自定义的搜索词进行搜索，可以提高与视频素材的内容相匹配的视频模板的命中率，提高搜索结果的准确率。
在得到相似度之后，服务器10可以将相似度高于预设阈值的视频模板作为搜索结果返回用户的电子设备11进行显示。
示例性的，返回的搜索结果还可以基于相似度的参数值大小来对视频模板进行排序，进而向用户提供按照相关度进行排序的视频模板的搜索结果。
搜索结果在电子设备11上一种示例性的显示界面如图3所示。搜索结果可以按照相似度大小排序，也可以结合其它信息对相似度的排序进行调整，例如，视频模板的标题/上传时间/时长/大小/作者粉丝数量/作者标注标签等属性信息，或者，播放量/评论量/收藏量/点赞量等用户反馈信息，在通过相关度进行排序的基础上，结合上述一种或多种信息，根据预先设置的调整算法对排序结果进行调整，从而使得搜索结果的排序参考所结合的其它信息。具体结合上述属性信息和/或用户反馈信息调整排序的算法在此不赘述，根据需要进行设计即可。
其中，上述用于提取特征向量的特征提取模型可以是基于计算机视觉CV算法、语音识别算法、自然语言处理NLP算法等，在使用神经网络模型时，使用的模型具体可以是卷积神经网络CNN模型，基于多神经元的自编码特征提取模型等等。使用神经网络模型作为特征提取模型，可以通过深度学习的多次迭代，使特征向量更准确的表达视频模板中的内容特征。
举例来说，针对视频模板中音频媒体类型的资源内容，通过语音识别特征提取模型提取音频媒体类型的资源内容中的语义特征和/或情感特征，语义特征和情感特征更符合音频媒体类型资源内容所携带的内容的特征，例如，如果音频是歌曲，可以提取出人唱歌的歌词，根据歌词分析语义，还可以进一步确定歌曲所表达的情感，是抒情的，还是欢快的；针对视频模板中图像媒体类型的资源内容，通过图像识别特征提取模型(如CV算法模型)提取图像中的文字特征和/或物体特征，文字特征和物体特征更符合图像中携带的内容的特征，例如，如果视频模板是用户制作的旅行视频，视频中的多帧图像中有用户编辑的文字特征，也有通过摄像头拍摄的人物和场景中的动植物，进而，可以提取图像中的文字特征、人物信息和动植物信息，通过这些信息表示图像的特征向量。
此外，还可以针对图像、音频中的文字，以及视频模板中文字媒体类型的资源内容，使用NLP算法模型理解文字中的语义内容，生成用于表示语义的特征向量。其中，上述的特征向量可以是特征提取模型的中间层所得到的矩阵数据，特征向量可以是机器语言表示的信息。
在步骤404中，搜索结果可以是多个视频模板中搜索到的相似度满足预设条件的视频模板。满足预设条件的一种示例的情况为，在计算出每个视频模板与视频素材的相似度之后，根据相似度对视频模板进行排序，将相似度超过预设阈值的视频模板作为命中的视频模板返回图1所示的电子设备11显示；满足预设条件的另一个示例的情况为，或者，也可以在计算出每个视频模板与视频素材的相似度之后，按照相似度的大小进行排序，将排序在前n的视频模板作为搜索结果。
示例性的，命中的视频模板的排序可以是仅按照相似度进行排序，也可以结合视频模板的其它属性信息进行排序，例如，用户反馈信息。具体而言，在一个示例性的实施例中，在步骤404中，还可以根据相似度对多个视频模板进行排序，得到排序结果；然后，结合每个视频模板的属性信息与搜索词的相似度，和/或，用户反馈信息，调整排序结果；进而，根据调整后的排序结果，确定搜索结果。
其中，用户反馈信息可以是视频模板的播放量/评论量/收藏量/点赞量等用户对视频模板的反馈信息，用户反馈信息与视频模板的热度相关，播放量/评论量/收藏量/点赞量越高的视频模板，热度越高。
在得到搜索结果之后，将搜索结果返回给电子设备11，电子设备11可以根据服务器10提供的搜索结果进行显示。
在视频模板库中的视频模板较多的情况下，可以通过预设一些筛选条件，缩小搜索范围，在视频模板库中筛选出部分视频模板，针对筛选出的部分视频模板计算与视频素材的相似度。
一个示例性的示例为，在视频模板库中，搜索视频模板的热度参数高于预设热度阈值的视频模板，以确定多个视频模板。也即，在执行步骤403之前，可以通过上述的条件，在视频模板库中筛选视频模板。
其中，热度参数可以是根据多用户对视频模板库中的视频模板的反馈信息确定的。例如，热度参数可以根据视频模板的播放量/评论量/收藏量/点赞量等用户反馈信息确定，通过每种用户反馈信息的权重，按照预设的用于得到热度参数的公式计算热度参数的数值。热度参数可以是视频模板库中每个视频模板的一个关联信息，每隔一段时间进行自动更新，在需要使用热度参数时，从视频模板库中获取每个视频模板的热度参数，筛选出热度参数高于预设热度阈值的视频模板，这样，可以提高热度较高的视频模板的命中率。
需要说明的是，上述本公开实施例描述的应用场景是为了更加清楚的说明本公开实施例的技术方案，并不构成对于本公开实施例提供的技术方案的限定，本领域普通技术人员可知，随着新应用场景的出现，本公开实施例提供的技术方案对于类似的技术问题，同样适用。
基于相同的发明构思，本公开还提供了一种视频模板的搜索装置。具体结合图5进行详细说明。
图5是根据一示例性实施例示出的一种视频模板的搜索装置50的结构示意图。
如图5所示，该视频模板的搜索装置50具体可以包括第一获取模块501，第一提取模块502,计算模块503和输出模块504。其中：
第一获取模块501，被配置为获取上传的视频素材；
第一提取模块502，被配置为提取所述视频素材的内容特征，得到视频素材的标签；其中，所述标签用于表示所述视频素材的内容特征；
计算模块503，被配置为针对视频模板库中的多个视频模板，分别计算每个视频模板的标签与所述视频素材的标签的相似度；
输出模块504，被配置为根据每个所述视频模板的标签与所述视频素材的标签之间的相似度，输出搜索结果，其中，搜索结果为多个视频模板中相似度满足预设条件的视频模板。
在一个实施例中，所述装置还包括：
第二提取模块，被配置为在分别计算每个视频模板的标签与所述视频素材的标签的相似度之前，提取每个所述视频模板中不同媒体类型的资源，和/或，提取每个所述视频模板的关联视频中不同媒体类型的资源；其中，每个所述关联视频包括基于对应的视频模板生成的示例视频和/或用户作品；
第三提取模块，被配置为通过每个媒体类型对应的特征提取模型，针对提取出的对应媒体类型的资源提取内容特征，以生成每个所述视频模板的特征向量；其中，每个所述视频模板的特征向量包括针对对应视频模板的不同媒体类型的资源提取的内容特征、和/或、针对对应视频模板的关联视频中不同媒体类型的资源提取的内容特征；
第一生成模块，被配置为根据每个所述视频模板的特征向量，生成对应视频模板的标签。
基于此，在其中一个实施例中，所述第三提取模块包括：
第一提取单元，被配置为通过语音识别特征提取模型，提取音频媒体类型的资源中的语义特征和/或情感特征，以得到第一特征向量；和/或，
第二提取单元，被配置为通过图像识别特征提取模型，提取图像媒体类型的资源中的文字特征和/或物体特征，以得到第二特征向量。
在其中另一个实施例中，所述第一提取模块包括：
确定单元，被配置为确定上传的所述视频素材的媒体类型；
第三提取单元，被配置为在不同媒体类型对应的特征提取模型中，选择所述视频素材的媒体类型对应的特征提取模型，提取所述视频素材的内容特征，以生成所述视频素材的特征向量；
第一生成单元，被配置为根据所述视频素材的特征向量，生成所述视频素材的标签。
在其中另一个实施例中，所述计算模块包括：
计算单元，被配置为针对每个视频模板，分别计算每个特征向量与所述视频素材的特征向量之间的向量余弦相似度，得到对应视频模板的多个向量余弦相似度；
第二生成单元，被配置为针对每个视频模板，根据对应的所述多个向量余弦相似度，生成所述视频素材的标签与对应视频模板的标签的相似度。
基于此，在其中一个实施例中，所述第二生成单元包括：
获取子单元，被配置为获取每个特征向量对所述相似度的影响权重；
计算子单元，被配置为根据每个特征向量的影响权重，对所述多个向量余弦相似度进行加权计算，得到所述视频素材的标签与对应视频模板的标签的相似度。
由此，在搜索视频模板时，可以在上传的视频素材中提取的内容特征的标签，从而与基于视频模板的内容特征提取出的标签计算相似度，根据相似度输出搜索结果，提高了搜索结果的准确度。与通过搜索词搜索视频模板相比，用户直接通过上传视频素材搜索视频模板，省去了用户思考、尝试搜索词的步骤，提高了用户体验，并且，基于内容特征标签进行搜索与基于搜索词进行搜索相比，可以得到更多维度的比较，因此能够得到更准确的搜索结果。
基于同一发明构思，本公开实施例还提供了一种服务器，具体结合图6进行详细说明。
图6是根据一示例性实施例示出的一种服务器的结构框图。
如图6所示，该服务器能够实现根据本公开实施例中的视频模板的搜索方法。
该服务器可以包括处理器1201以及存储有计算机指令的存储器1202。
具体地，上述处理器1201可以包括中央处理器(CPU)，或者特定集成电路(application specific integrated circuit，ASIC)，或者可以被配置成实施本申请实施例的一个或多个集成电路。
存储器1202可以包括用于信息或指令的大容量存储器。举例来说而非限制，存储器1202可包括硬盘驱动器(hard disk drive，HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(universal serial bus，USB)驱动器或者两个及其以上这些的组合。在合适的情况下，存储器1202可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器1202可在综合网关设备的内部或外部。在特定实施例中，存储器1202是非易失性固态存储器。在特定实施例中，存储器1202包括只读存储器(ROM)。在合适的情况下，该ROM可以是掩模编程的ROM、可编程ROM(PROM)、可擦除PROM(EPROM)、电可擦除PROM(EEPROM)、电可改写ROM(EAROM)或闪存，或者两个或及其以上这些的组合。
处理器1201通过读取并执行存储器1202中存储的计算机指令，以执行如下步骤：
获取上传的视频素材；
提取视频素材的内容特征，得到视频素材的标签；其中，标签用于表示视频素材的内容特征；
针对视频模板库中的多个视频模板，分别计算每个视频模板的标签与视频素材的标签的相似度；
根据每个视频模板的标签与视频素材的标签之间的相似度，输出搜索结果。
在一个实施例中，处理器1201通过读取并执行存储器1202中存储的计算机指令，在分别计算每个视频模板的标签与视频素材的标签的相似度之前，还可以执行如下步骤：
提取每个视频模板中不同媒体类型的资源，和/或，提取每个视频模板的关联视频中不同媒体类型的资源；其中，每个关联视频包括基于对应的视频模板生成的示例视频和/或用户作品；
通过每个媒体类型对应的特征提取模型，针对提取出的对应媒体类型的资源提取内容特征，以生成每个视频模板的特征向量；其中，每个视频模板的特征向量包括针对对应视频模板的不同媒体类型的资源提取的内容特征、和/或、针对对应视频模板的关联视频中不同媒体类型的资源提取的内容特征；
根据每个视频模板的特征向量，生成对应视频模板的标签。
基于此，在其中一个实施例中，处理器1201通过读取并执行存储器1202中存储的计算机指令，在执行通过每个媒体类型对应的特征提取模型，针对提取出的对应媒体类型的资源提取内容特征，以生成每个视频模板的特征向量时，可以包括执行如下步骤：
通过语音识别特征提取模型，提取音频媒体类型的资源中的语义特征和/或情感特征，以得到第一特征向量；和/或，
通过图像识别特征提取模型，提取图像媒体类型的资源中的文字特征和/或物体特征，以得到第二特征向量。
在其中另一个实施例中，提取视频素材的内容特征，得到视频素材的标签，包括：
确定上传的视频素材的媒体类型；
在不同媒体类型对应的特征提取模型中，选择视频素材的媒体类型对应的特征提取模型，提取视频素材的内容特征，以生成视频素材的特征向量；
根据视频素材的特征向量，生成视频素材的标签。
在其中另一个实施例中，处理器1201通过读取并执行存储器1202中存储的计算机指令，在执行分别计算每个视频模板的标签与视频素材的标签的相似度时，可以包括执行如下步骤：
针对每个视频模板，分别计算每个特征向量与视频素材的特征向量之间的向量余弦相似度，得到对应视频模板的多个向量余弦相似度；
针对每个视频模板，根据对应的多个向量余弦相似度，生成视频素材的标签与对应视频模板的标签的相似度。
基于此，在其中一个实施例中，处理器1201通过读取并执行存储器1202中存储的计算机指令，在根据对应的多个向量余弦相似度，生成视频素材的标签与对应视频模板的标签的相似度时，可以包括执行如下步骤：
获取每个特征向量对相似度的影响权重；
根据每个特征向量的影响权重，对多个向量余弦相似度进行加权计算，得到视频素材的标签与对应视频模板的标签的相似度。
本公开实施例提供的服务器，在搜索视频模板时，可以在上传的视频素材中提取的内容特征的标签，从而与基于视频模板的内容特征提取出的标签计算相似度，根据相似度输出搜索结果，提高了搜索结果的准确度。与通过搜索词搜索视频模板相比，用户直接通过上传视频素材搜索视频模板，省去了用户思考、尝试搜索词的步骤，提高了用户体验，并且，基于内容特征标签进行搜索与基于搜索词进行搜索相比，可以得到更多维度的比较，因此能够得到更准确的搜索结果。
在一个示例中，该服务器还可包括收发器1203和总线1204。其中，如图6所示，处理器1201、存储器1202和收发器1203通过总线1204连接并完成相互间的通信。
总线1204包括硬件、软件或两者。举例来说而非限制，总线可包括加速图形端口(AGP)或其他图形总线、增强工业标准架构(EISA)总线、前端总线(FSB)、超传输(HT)互连、工业标准架构(ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、***控件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线1003可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线，但本申请考虑任何合适的总线或互连。
本公开实施例还提供了一种可读存储介质，当可读存储介质中的指令由服务器的处理器执行时，使得服务器能够执行本公开实施例提供的视频模板的搜索方法。
在一些可能的实施方式中，本公开提供的方法的各个方面还可以实现为一种计算机程序产品的形式，其包括指令/程序代码，当程序产品在计算机设备上运行时，计算机指令被处理器执行时实现根据本公开各种示例性实施方式的方法中的步骤，例如，所述计算机设备可以执行本公开实施例所记载的视频模板的搜索方法。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。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。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(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。
本公开是参照根据本公开的方法、设备和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程设备的处理器以产生一个机器，使得通过计算机或其他可编程设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本公开进行各种改动和变型而不脱离本公开的精神和范围。这样，倘若本公开的这些修改和变型属于本公开权利要求及其等同技术的范围之内，则本公开也意图包含这些改动和变型在内。

Claims (10)

1.一种视频模板的搜索方法，其特征在于，包括：
获取上传的视频素材；
提取所述视频素材的内容特征，得到所述视频素材的标签；其中，所述标签用于表示所述视频素材的内容特征；
针对视频模板库中的多个视频模板，分别计算每个视频模板的标签与所述视频素材的标签的相似度；
根据每个所述视频模板的标签与所述视频素材的标签之间的相似度，输出搜索结果，其中，所述搜索结果为所述多个视频模板中所述相似度满足预设条件的视频模板。
2.根据权利要求1所述的方法，其特征在于，在分别计算每个视频模板的标签与所述视频素材的标签的相似度之前，还包括：
提取每个所述视频模板中不同媒体类型的资源，和/或，提取每个所述视频模板的关联视频中不同媒体类型的资源；其中，每个所述关联视频包括基于对应的视频模板生成的示例视频和/或用户作品；
通过每个媒体类型对应的特征提取模型，针对提取出的对应媒体类型的资源提取内容特征，以生成每个所述视频模板的特征向量；其中，每个所述视频模板的特征向量包括针对对应视频模板的不同媒体类型的资源提取的内容特征、和/或、针对对应视频模板的关联视频中不同媒体类型的资源提取的内容特征；
根据每个所述视频模板的特征向量，生成对应视频模板的标签。
3.根据权利要求2所述的方法，其特征在于，所述通过每个媒体类型对应的特征提取模型，针对提取出的对应媒体类型的资源提取内容特征，以生成每个所述视频模板的特征向量，包括：
通过语音识别特征提取模型，提取音频媒体类型的资源中的语义特征和/或情感特征，以得到第一特征向量；和/或，
通过图像识别特征提取模型，提取图像媒体类型的资源中的文字特征和/或物体特征，以得到第二特征向量。
4.根据权利要求2所述的方法，其特征在于，所述提取所述视频素材的内容特征，得到视频素材的标签，包括：
确定上传的所述视频素材的媒体类型；
在不同媒体类型对应的特征提取模型中，选择所述视频素材的媒体类型对应的特征提取模型，提取所述视频素材的内容特征，以生成所述视频素材的特征向量；
根据所述视频素材的特征向量，生成所述视频素材的标签。
5.根据权利要求2所述的方法，其特征在于，所述分别计算每个视频模板的标签与所述视频素材的标签的相似度，包括：
针对每个视频模板，分别计算每个特征向量与所述视频素材的特征向量之间的向量余弦相似度，得到对应视频模板的多个向量余弦相似度；
针对每个视频模板，根据对应的所述多个向量余弦相似度，生成所述视频素材的标签与对应视频模板的标签的相似度。
6.根据权利要求5所述的方法，其特征在于，所述根据对应的所述多个向量余弦相似度，生成所述视频素材的标签与对应视频模板的标签的相似度，包括：
获取每个特征向量对所述相似度的影响权重；
根据每个特征向量的影响权重，对所述多个向量余弦相似度进行加权计算，得到所述视频素材的标签与对应视频模板的标签的相似度。
7.一种视频模板的搜索装置，其特征在于，包括：
第一获取模块，被配置为获取上传的视频素材；
第一提取模块，被配置为提取所述视频素材的内容特征，得到视频素材的标签；其中，所述标签用于表示所述视频素材的内容特征；
计算模块，被配置为针对视频模板库中的多个视频模板，分别计算每个视频模板的标签与所述视频素材的标签的相似度；
输出模块，被配置为根据每个所述视频模板的标签与所述视频素材的标签之间的相似度，输出搜索结果，其中，所述搜索结果为所述多个视频模板中所述相似度满足预设条件的视频模板。
8.一种服务器，其特征在于，包括：
处理器；
用于存储所述处理器可执行指令的存储器；
其中，所述处理器被配置为执行所述指令，以实现如权利要求1至6中任一项所述的视频模板的搜索方法。
9.一种可读存储介质，其特征在于，当所述可读存储介质中的指令由服务器的处理器执行时，使得所述服务器能够执行如权利要求1至6中任一项所述的视频模板的搜索方法。
10.一种计算机程序产品，包括计算机指令，其特征在于，所述计算机指令被处理器执行时实现权利要求1至6任一项所述的视频模板的搜索方法。
CN202110296795.5A 2021-03-19 2021-03-19 视频模板的搜索方法、装置、服务器及可读存储介质 Pending CN113094552A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110296795.5A CN113094552A (zh) 2021-03-19 2021-03-19 视频模板的搜索方法、装置、服务器及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110296795.5A CN113094552A (zh) 2021-03-19 2021-03-19 视频模板的搜索方法、装置、服务器及可读存储介质

Publications (1)

Publication Number Publication Date
CN113094552A true CN113094552A (zh) 2021-07-09

Family

ID=76668812

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110296795.5A Pending CN113094552A (zh) 2021-03-19 2021-03-19 视频模板的搜索方法、装置、服务器及可读存储介质

Country Status (1)

Country Link
CN (1) CN113094552A (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113507640A (zh) * 2021-07-12 2021-10-15 北京有竹居网络技术有限公司 录屏视频分享方法、装置、电子设备及存储介质
CN113691836A (zh) * 2021-10-26 2021-11-23 阿里巴巴达摩院(杭州)科技有限公司 视频模板生成方法、视频生成方法、装置和电子设备
CN113836350A (zh) * 2021-09-23 2021-12-24 深圳绿米联创科技有限公司 录像视频检索方法、***、装置、存储介质及电子设备
CN114885212A (zh) * 2022-05-16 2022-08-09 北京三快在线科技有限公司 一种视频生成方法、装置、存储介质及电子设备
CN114928753A (zh) * 2022-04-12 2022-08-19 广州阿凡提电子科技有限公司 一种视频拆分处理方法、***及装置
CN116887010A (zh) * 2023-05-08 2023-10-13 武汉精阅数字传媒科技有限公司 一种自媒体短视频素材加工控制***
CN116915925A (zh) * 2023-06-20 2023-10-20 天翼爱音乐文化科技有限公司 基于视频模板的视频生成方法、***、电子设备及介质
WO2024012289A1 (zh) * 2022-07-14 2024-01-18 维沃移动通信有限公司 视频生成方法、装置、电子设备及介质
CN117812381A (zh) * 2023-12-05 2024-04-02 世优（北京）科技有限公司 基于人工智能的视频内容制作方法
WO2024120407A1 (zh) * 2022-12-09 2024-06-13 北京字跳网络技术有限公司 视频模板的推送方法、装置、介质及设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110163115A (zh) * 2019-04-26 2019-08-23 腾讯科技（深圳）有限公司 一种视频处理方法、装置和计算机可读存储介质
CN110324676A (zh) * 2018-03-28 2019-10-11 腾讯科技（深圳）有限公司 数据处理方法、媒体内容投放方法、装置及存储介质
CN110446063A (zh) * 2019-07-26 2019-11-12 腾讯科技（深圳）有限公司 视频封面的生成方法、装置及电子设备
CN110866184A (zh) * 2019-11-11 2020-03-06 湖南大学 短视频数据标签推荐方法、装置、计算机设备和存储介质
CN112015949A (zh) * 2020-08-26 2020-12-01 腾讯科技（上海）有限公司 视频生成方法和装置、存储介质及电子设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110324676A (zh) * 2018-03-28 2019-10-11 腾讯科技（深圳）有限公司 数据处理方法、媒体内容投放方法、装置及存储介质
CN110163115A (zh) * 2019-04-26 2019-08-23 腾讯科技（深圳）有限公司 一种视频处理方法、装置和计算机可读存储介质
CN110446063A (zh) * 2019-07-26 2019-11-12 腾讯科技（深圳）有限公司 视频封面的生成方法、装置及电子设备
CN110866184A (zh) * 2019-11-11 2020-03-06 湖南大学 短视频数据标签推荐方法、装置、计算机设备和存储介质
CN112015949A (zh) * 2020-08-26 2020-12-01 腾讯科技（上海）有限公司 视频生成方法和装置、存储介质及电子设备

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113507640B (zh) * 2021-07-12 2023-08-18 北京有竹居网络技术有限公司 录屏视频分享方法、装置、电子设备及存储介质
CN113507640A (zh) * 2021-07-12 2021-10-15 北京有竹居网络技术有限公司 录屏视频分享方法、装置、电子设备及存储介质
CN113836350A (zh) * 2021-09-23 2021-12-24 深圳绿米联创科技有限公司 录像视频检索方法、***、装置、存储介质及电子设备
CN113836350B (zh) * 2021-09-23 2024-02-27 深圳绿米联创科技有限公司 录像视频检索方法、***、装置、存储介质及电子设备
CN113691836A (zh) * 2021-10-26 2021-11-23 阿里巴巴达摩院(杭州)科技有限公司 视频模板生成方法、视频生成方法、装置和电子设备
CN114928753A (zh) * 2022-04-12 2022-08-19 广州阿凡提电子科技有限公司 一种视频拆分处理方法、***及装置
CN114885212B (zh) * 2022-05-16 2024-02-23 北京三快在线科技有限公司 一种视频生成方法、装置、存储介质及电子设备
CN114885212A (zh) * 2022-05-16 2022-08-09 北京三快在线科技有限公司 一种视频生成方法、装置、存储介质及电子设备
WO2024012289A1 (zh) * 2022-07-14 2024-01-18 维沃移动通信有限公司 视频生成方法、装置、电子设备及介质
WO2024120407A1 (zh) * 2022-12-09 2024-06-13 北京字跳网络技术有限公司 视频模板的推送方法、装置、介质及设备
CN116887010A (zh) * 2023-05-08 2023-10-13 武汉精阅数字传媒科技有限公司 一种自媒体短视频素材加工控制***
CN116887010B (zh) * 2023-05-08 2024-02-02 杭州元媒科技有限公司 一种自媒体短视频素材加工控制***
CN116915925A (zh) * 2023-06-20 2023-10-20 天翼爱音乐文化科技有限公司 基于视频模板的视频生成方法、***、电子设备及介质
CN116915925B (zh) * 2023-06-20 2024-02-23 天翼爱音乐文化科技有限公司 基于视频模板的视频生成方法、***、电子设备及介质
CN117812381A (zh) * 2023-12-05 2024-04-02 世优（北京）科技有限公司 基于人工智能的视频内容制作方法
CN117812381B (zh) * 2023-12-05 2024-06-04 世优（北京）科技有限公司 基于人工智能的视频内容制作方法

Similar Documents

Publication Publication Date Title
CN113094552A (zh) 视频模板的搜索方法、装置、服务器及可读存储介质
CN108009228B (zh) 一种内容标签的设置方法、装置及存储介质
CN109214386B (zh) 用于生成图像识别模型的方法和装置
CN108287858B (zh) 自然语言的语义提取方法及装置
CN112533051B (zh) 弹幕信息显示方法、装置、计算机设备和存储介质
CN111444326B (zh) 一种文本数据处理方法、装置、设备以及存储介质
KR101754473B1 (ko) 문서를 이미지 기반 컨텐츠로 요약하여 제공하는 방법 및 시스템
CN107704495A (zh) 主题分类器的训练方法、装置及计算机可读存储介质
CN109271518B (zh) 用于对微博信息进行分类显示的方法和设备
CN109697239B (zh) 用于生成图文信息的方法
CN113536793A (zh) 一种实体识别方法、装置、设备以及存储介质
CN107391760A (zh) 用户兴趣识别方法、装置及计算机可读存储介质
CN112749326B (zh) 信息处理方法、装置、计算机设备及存储介质
CN110083729B (zh) 一种图像搜索的方法及***
CN113590850A (zh) 多媒体数据的搜索方法、装置、设备及存储介质
KR20200007969A (ko) 정보 처리 방법, 단말기, 및 컴퓨터 저장 매체
CN110134792B (zh) 文本识别方法、装置、电子设备以及存储介质
CN113469298B (zh) 模型训练方法及资源推荐方法
CN113722438B (zh) 基于句向量模型的句向量生成方法、装置及计算机设备
CN109582825B (zh) 用于生成信息的方法和装置
CN109299277A (zh) 舆情分析方法、服务器及计算机可读存储介质
CN113806588A (zh) 搜索视频的方法和装置
CN115659008A (zh) 大数据信息反馈的信息推送***、方法、电子设备及介质
CN113407775B (zh) 视频搜索方法、装置及电子设备
CN112199954B (zh) 基于语音语义的疾病实体匹配方法、装置及计算机设备

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