CN107066621B - 一种相似视频的检索方法、装置和存储介质 - Google Patents

一种相似视频的检索方法、装置和存储介质 Download PDF

Info

Publication number
CN107066621B
CN107066621B CN201710331203.2A CN201710331203A CN107066621B CN 107066621 B CN107066621 B CN 107066621B CN 201710331203 A CN201710331203 A CN 201710331203A CN 107066621 B CN107066621 B CN 107066621B
Authority
CN
China
Prior art keywords
video
candidate
videos
entity
word
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.)
Active
Application number
CN201710331203.2A
Other languages
English (en)
Other versions
CN107066621A (zh
Inventor
张媛媛
于群
占飞
华枭
張永燊
熊磊
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.)
Tencent Technology Shenzhen Co Ltd
Original Assignee
Tencent Technology Shenzhen 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 Tencent Technology Shenzhen Co Ltd filed Critical Tencent Technology Shenzhen Co Ltd
Priority to CN201710331203.2A priority Critical patent/CN107066621B/zh
Publication of CN107066621A publication Critical patent/CN107066621A/zh
Priority to PCT/CN2018/084580 priority patent/WO2018205838A1/zh
Priority to US16/509,289 priority patent/US10853660B2/en
Application granted granted Critical
Publication of CN107066621B publication Critical patent/CN107066621B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/3332—Query translation
    • G06F16/3338—Query expansion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/3332—Query translation
    • G06F16/3334—Selection or weighting of terms from queries, including natural language queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/3332—Query translation
    • G06F16/3335—Syntactic pre-processing, e.g. stopword elimination, stemming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/5846—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 extracted text
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/5866—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, manually generated location and time information
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • 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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/48—Matching video sequences
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/19—Recognition using electronic means
    • G06V30/196—Recognition using electronic means using sequential comparisons of the image signals with a plurality of references
    • G06V30/1983—Syntactic or structural pattern recognition, e.g. symbolic string recognition

Landscapes

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

Abstract

本发明实施例公开了一种相似视频的检索方法、装置和存储介质；本实施例在获取需要检索相似视频的视频信息后，一方面，可以根据预设知识图谱从视频库中获取与该视频信息匹配的视频，得到第一候选视频集合；另一方面，可以采用预设文本深度表示模型对该视频信息进行训练，以将视频信息转化为词向量，并根据词向量从视频库中筛选与该视频信息相似的视频，得到第二候选视频集合，然后，综合该第一候选视频集合和第二候选视频集合来选择该视频信息的相似视频，以达到检索相似视频的目的；该方案不仅可以提高召回率和检索结果的准确性，而且可以降低模型训练的频率，节省计算资源。

Description

一种相似视频的检索方法、装置和存储介质
技术领域
本发明涉及通信技术领域，具体涉及一种相似视频的检索方法、装置和存储介质。
背景技术
在信息爆炸的时代，面对海量的视频，如何从中准确且全面地检索到相似视频，对于用户查询和视频信息推荐等场景，都有着积极的意义。
现有在检索相似视频时，一般都会采用文本深度表示模型(word2vec)来进行建模，然后，基于该模型计算视频标题的相似度，并根据该相似度来查找相似的视频。其中，训练word2vec模型的语料主要来自于网络，若语料发生更新，则该word2vec模型需要重新进行训练。
在对现有技术的研究和实践过程中，本发明的发明人发现，现有方案非常依赖于分词效果、语料的量级以及语料更新的及时性，若语料更新不及时，对于一些新出现的视频信息，则可能无法取得正确的分词结果，进而影响word2vec模型的训练结果，最终导致召回率(R，Recall，也称为查全率)较低，检索结果不准确，而若语料更新频率过大，则需要消耗大量的训练时间和计算资源，导致资源浪费。
发明内容
本发明实施例提供一种相似视频的检索方法、装置和存储介质，不仅可以提高召回率和检索结果的准确性，而且可以降低模型训练的频率，节省计算资源。
本发明实施例提供一种相似视频的检索方法，包括：
获取需要检索相似视频的视频信息，所述视频信息包括视频标签和视频标题；
根据预设知识图谱从视频库中获取与所述视频信息匹配的视频，得到第一候选视频集合；
采用预设文本深度表示模型(word2vec)对所述视频信息进行训练，以将所述视频信息转化为词向量；
根据词向量从所述视频库中筛选与所述视频信息相似的视频，得到第二候选视频集合；
根据所述第一候选视频集合和第二候选视频集合确定所述视频信息的相似视频。
相应的，本发明实施例还提供一种相似视频的检索装置，包括：
获取单元，用于获取需要检索相似视频的视频信息，所述视频信息包括视频标签和视频标题；
匹配单元，用于根据预设知识图谱从视频库中获取与所述视频信息匹配的视频，得到第一候选视频集合；
训练单元，用于采用预设word2vec对所述视频信息进行训练，以将所述视频信息转化为词向量；
筛选单元，用于根据词向量从所述视频库中筛选与所述视频信息相似的视频，得到第二候选视频集合；
确定单元，用于根据所述第一候选视频集合和第二候选视频集合确定所述视频信息的相似视频。
此外，本发明实施例还提供一种存储介质，所述存储介质存储有多条指令，所述指令适于处理器进行加载，以执行本发明实施例所提供的任一种相似视频的检索方法中的步骤。
本发明实施例在获取需要检索相似视频的视频信息后，一方面可以根据预设知识图谱从视频库中获取与该视频信息匹配的视频，得到第一候选视频集合；另一方面，可以采用预设word2vec模型对该视频信息进行训练，以将视频信息转化为词向量，并根据词向量从视频库中筛选与该视频信息相似的视频，得到第二候选视频集合，然后，根据第一候选视频集合和第二候选视频集合确定该视频信息的相似视频，从而达到检索相似视频的目的；由于该方案采用了知识图谱和文本相似度相结合的方案来检索相似视频，因此，即可以利用知识图谱，来弥补因为语料更新频率和数量问题所导致的召回率低和计算资源消耗较大的问题，也可以利用相似度计算来增加请求视频(即需要进行检索的视频)的上下文信息，规约一词多义导致召回结果跑偏的问题，所以，采用该方案不仅可以提高召回率和检索结果的准确性，而且可以降低模型训练的频率，节省计算资源。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，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是本发明实施例提供的相似视频的检索方法的场景示意图；
图1b是本发明实施例提供的相似视频的检索方法的另一场景示意图；
图1c是本发明实施例提供的相似视频的检索方法的流程图；
图2a是本发明实施例提供的相似视频的检索方法的架构图；
图2b是本发明实施例提供的相似视频的检索方法中关系边的示例图；
图3a是本发明实施例提供的相似视频的检索装置的结构示意图；
图3b是本发明实施例提供的相似视频的检索装置的另一结构示意图；
图4是本发明实施例提供的服务器的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例提供一种相似视频的检索方法、装置和存储介质。
其中，该相似视频的检索装置具体可以集成在服务器等设备中。例如，以集成在服务器为例，则参见图1a，服务器在获取到需要检索相似视频的视频信息，比如视频标签和视频标题后，一方面，可以根据预设知识图谱从视频库中获取与该视频信息匹配的视频，得到第一候选视频集合，另一方面，可以采用预设word2vec模型(文本深度表示模型)对该视频信息进行训练，以将视频信息转化为词向量，并根据词向量从该视频库中筛选与该视频信息相似的视频，得到第二候选视频集合，然后，根据该第一候选视频集合和第二候选视频集合确定该视频信息的相似视频，此后，便可以将该相似视频提供给多种场景使用，比如，参见图1b，可以将该相似视频提供或推荐给用户，或者，也可以通过这种方式对视频进行分类，等等。
以下分别进行详细说明。需说明的是，以下实施例的序号不作为对实施例优选顺序的限定。
实施例一、
本实施例将从相似视频的检索装置的角度进行描述，该相似视频的检索装置具体可以集成在在服务器等设备中。
一种相似视频的检索方法，包括：获取需要检索相似视频的视频信息，该视频信息包括视频标签和视频标题，根据预设知识图谱从视频库中获取与该视频信息匹配的视频，得到第一候选视频集合，采用预设word2vec模型对该视频信息进行训练，以将视频信息转化为词向量，根据词向量从该视频库中筛选与该视频信息相似的视频，得到第二候选视频集合，根据该第一候选视频集合和第二候选视频集合确定该视频信息的相似视频。
如图1c所示，该相似视频的检索方法的具体流程可以如下：
101、获取需要检索相似视频的视频信息。
例如，具体可以接收终端发送的检索请求，其中，该检索请求指示需要检索相似视频的视频信息；或者，也可以在需要对视频进行分类时，在本地(即相似视频的检索装置)或由其他设备生成相应的检索请求，然后，由该相似视频的检索装置根据该检索请求获取需要检索相似视频的视频信息，等等。
其中，该视频信息可以包括视频标签和视频标题等信息，视频标签指的是可以用来表示视频内容和/或类型的信息、比如可以电影、电视剧、喜剧、冒险片，等等；可选的，该视频标签还可以是与该视频具有关联关系的信息，比如某明星、某导演、某景点、或某制作公司，等等。而视频标题指的是该视频的标题内容，具体可以包括标题中的文字和符号。
102、根据预设知识图谱从视频库中获取与该视频信息匹配的视频，得到第一候选视频集合，例如，具体可以如下：
(1)从该视频标签和视频标题中抽取实体词，得到种子(也称为种子词，seedwords)。
其中，实体词指的是具有特定语义的词语，具体可以是能够指代某项事物的名词，比如张三、或XX电视剧，等等。
(2)根据预设知识图谱从视频库中获取与该种子匹配的视频，得到第一候选视频集合。
其中，该视频库保存有多个视频，每个视频均具有相应的视频信息，该视频信息可以包括视频标签和视频标题等信息。
例如，具体可以根据预设知识图谱确定与该种子具有强关联关系的实体词，得到候选词，从视频库中获取视频信息中包含该候选词的视频，得到第一候选视频集合。
其中，强关联关系指的是关系度小于等于设定值，即若某实体词与该种子的关系度小于等于设定值，则表明该实体词与该种子具有强关联关系，也就是说，步骤“根据预设知识图谱确定与该种子具有强关联关系的实体词，得到候选词”可以包括：
将该种子映射到预设实体库中的实体词上，确定该种子与该实体库中各个实体词的关系度，选取关系度小于等于设定值的实体词作为候选词，其中，该实体库可以根据预设知识图谱建立而成。
其中，该设定值可以根据实际应用的需求进行设置，比如，一般可以将关系度为1度和2度的，称为关系“近”的实体，因此，可以将1度作为该设定值，等等。
比如，具体可以通过命名实体链接(NEL，Named Entity Linking)技术等方式将该种子映射到预设知识库中的相应的实体上，然后，获取该种子在该知识库中与其他实体的关系边数量，得到该种子与其他实体在该知识库中的关系度。
其中，命名实体链接，简称实体链接(Entity Linking)，是把种子链接到知识库中一个无歧义实体的过程，包括同义实体的合并、以及歧义实体的消歧等。
而关系边数量则用于描述实体之间关联关系的远近，指的是在实体关系图中从实体A到实体B所需经过的关系边的数量，一般可以表示为度数，为了描述方便，在本发明实施例中，将该度数称为关系度。其中，关系边数量越少，则关系度(即度数)越低，而关系度越低，则表明一个实体越贴近本身，比如，如果一个实体走向本身，则其关系度(度数)为0，等等，在此不再赘述。
可选的，实体库可以由运维人员预先进行设置，或者，也可以由该相似视频的检索装置自行建立而成，即在步骤“将该种子映射到预设实体库中的实体词上”之前，该相似视频的检索方法还可以包括：
设置基础词库，根据该基础词库获取互联网信息，并对该互联网信息进行非实体词清洗，根据该基础词库、以及清洗后的互联网信息构建实体词之间的三元组关系，得到实体库。
比如，可以从一些应用的细胞词库中取得基础的分类实体词，例如明星、电影等作为基础词库，然后根据这个基础词库获取互联网信息，比如可以获取一些包含百科资料的网页，将这些网页中的非实体词清洗掉，并构建实体词与实体词之间的三元组关系，如(<张三，明星>，<属于>，<一二三四，电视剧>)，等等，从而得到保存有这些三元组关系的实体库。
需说明的是，为了保证检索结果的准确性，可以定时或实时地对该基础词库和互联网信息进行更细，进而对实体库进行更新。具体更新时，可以按照上述建立实体库的方式进行建立，也可以进行差量更新，即对于新增的信息，可以先进行分析，以确定该新增的信息中所包含的实体词是否已存在于该实体库中，若存在，则无需添加至实体库，反之，若不存在，则表明该新增的信息中所包含的实体词为新实体词，此时可以获取相应的互联网信息，对该互联网信息进行非实体词清洗，然后，构建该新的实体词与清洗后互联网信息中的实体词的三元组关系，并将构建的三元组关系添加至实体库中。
103、采用预设word2vec模型对该视频信息进行训练，以将视频信息转化为词向量。
例如，具体可以对该视频标签和视频标题等进行分词，得到分词后视频文本，然后，采用预设的word2vec模型对该分词后视频文本进行训练，得到该分词后视频文本的词向量，即得到该分词后视频文本中每个词都对应的词向量。
其中，词向量，顾名思义，指的是采用向量来表达词；需说明的是，该训练得到的每个词对应的词向量均具有固定的维度，这样，可以有效防止维度爆炸，降低后续相似度计算的计算量。
其中，该word2vec模型可以由运维人员预先进行设置，也可以由该相似视频的检索装置预先进行建立，即在步骤“采用预设word2vec模型对该分词后视频文本进行训练”之前，该相似视频的检索方法还可以包括：
获取预设的语料集，并对该语料集中的句子进行分词，根据分词后的句子对预设原始模型进行学习，得到word2vec模型。
其中，该语料集中的内容可以根据实际应用的需求进行设置，比如，可以对一定期限内的用户原创内容(UGC，User Generated Content)进行抽样，以及对网络信息，如各类百科语料进行抓取，来构建该语料集，等等。
需说明的是，步骤102和103的执行可以不分先后。
104、根据词向量从该视频库中筛选与该视频信息相似的视频，得到第二候选视频集合。
例如，若在步骤103中，训练得到分词后视频文本的词向量，则此时，可以根据该分词后视频文本的词向量从该视频库中筛选与该视频信息相似的视频，得到第二候选视频集合，比如，具体可以如下：
根据该分词后视频文本的词向量，分别计算该视频信息与该视频库中各个视频的相似度，选取相似度高于预设阈值的视频，得到第二候选视频集合中。
其中，该预设阈值可以根据实际应用的需求进行设置，而该两个视频之间的相似度可以通过计算这两个视频的词向量的点积来得到，或者，也可以采用其他的相似度算法来计算，在此不再赘述。
105、根据该第一候选视频集合和第二候选视频集合确定该视频信息的相似视频。
例如，具体分别对第一候选视频集合和第二候选视频集合中的视频进行评分，根据这些评分计算各个视频的综合分数值，然后，将综合分数值较高的，比如将综合分数值大于预设分数值的视频确定为该视频信息的相似视频，等等。
可选的，为了提高其灵活性，还可以通过为第一候选视频集合和第二候选视频集合中的视频分别设定相应的权重进行微调，从而使得其检索结果更为准确，即步骤“根据该第一候选视频集合和第二候选视频集合确定该视频信息的相似视频”可以包括：
分别对该第一候选视频集合中的视频进行评分，得到第一分数值；分别对该第二候选视频集合中的视频进行评分，得到第二分数值；分别计算该第一分数值和相应的第二分数值的加权值，得到各个视频的综合分数值；将综合分数值大于预设分数值的视频确定为该视频信息的相似视频，用公式表示即可以如下：
S＝α*A+β*B；
其中，S为视频X的综合分数值，A为第一候选视频集合中的视频X的第一分数值，B为第二候选视频集合中该视频X的第二分数值，α为第一分数值的权重(即第一候选视频集合中的视频的权重)，β为第二分数值的权重(即第二候选视频集合中的视频的权重)，α和β的和为1，α和β的具体取值可以通过实际应用的需求，比如通过用户的反馈来进行设置。
需说明的是，第一分数值和第二分数值的打分范围可以根据实际应用的需求进行设置，比如，可以设置为在[0,1]之间，等等。另外，还需说明的是，若第二候选视频集合中不存在视频X，则该视频X的第二分数值为0，同理，若第二候选视频集合中的某视频L不在第一候选视频集合中，则该视频L的第一分数值为0。
由上可知，本实施例在获取需要检索相似视频的视频信息后，一方面可以根据预设知识图谱从视频库中获取与该视频信息匹配的视频，得到第一候选视频集合；另一方面，可以采用预设word2vec模型对该视频信息进行训练，并根据训练结果从视频库中筛选与该视频信息相似的视频，得到第二候选视频集合，然后，根据第一候选视频集合和第二候选视频集合确定该视频信息的相似视频，从而达到检索相似视频的目的；由于该方案采用了知识图谱和文本相似度相结合的方案来检索相似视频，因此，即可以利用知识图谱，来弥补因为语料更新频率和数量问题所导致的召回率低和计算资源消耗较大的问题，也可以利用相似度计算来增加请求视频(即需要进行检索的视频)的上下文信息，规约一词多义导致召回结果跑偏的问题，所以，采用该方案不仅可以提高召回率和检索结果的准确性，而且可以降低模型训练的频率，节省计算资源。
实施例二、
根据实施例所描述的方法，以下将举例作进一步详细说明。
在本实施例中将以该相似视频的检索装置具体集成在服务器中为例进行说明。
如图2a所示，一种相似视频的检索方法，具体流程可以如下：
201、服务器获取需要检索相似视频的视频信息。
例如，服务器具体可以接收终端发送的检索请求，其中，该检索请求指示需要检索相似视频的视频信息；或者，服务器也可以在需要对视频进行分类时，在本地(即服务器)或由其他设备生成相应的检索请求，然后，由该服务器根据该检索请求获取需要检索相似视频的视频信息，等等。
其中，该视频信息可以包括视频标签和视频标题等信息，视频标签指的是可以用来表示视频内容和/或类型的信息、比如可以电影、电视剧、喜剧、冒险片，等等；可选的，该视频标签还可以是与该视频具有关联关系的信息，比如某明星、某导演、某景点、或某制作公司，等等。而视频标题指的是该视频的标题内容，具体可以包括标题中的文字和符号。
202、服务器从该视频信息，如视频标签和视频标题中抽取实体词，得到种子。
例如，若需要检索相似视频为视频K，该视频K为某古装电视剧“琅X榜”，且其视频标题为“琅X榜第一集”，视频标签为“古装”、以及“电视剧”等，则此时，可以从该视频K的视频标题和视频标签中抽取实体词，如“琅X榜”、“古装”和“电视剧”等，得到种子。
203、服务器根据预设知识图谱确定与该种子具有强关联关系的实体词，得到候选词，从视频库中获取视频信息中包含该候选词的视频，得到第一候选视频集合。
其中，强关联关系指的是关系度小于等于设定值，即若某实体词与该种子的关系度小于等于设定值，则表明该实体词与该种子具有强关联关系，比如，与该种子一致的词语、该种子的近义词、同义词、以及与该种子具有预设特定关系的词，均可认为与该种子具有强关联关系。也就是说，步骤“服务器根据预设知识图谱确定与该种子具有强关联关系的实体词，得到候选词”可以包括：
服务器将该种子映射到预设实体库中的实体词上，确定该种子与该实体库中各个实体词的关系度，选取关系度小于等于设定值的实体词作为候选词。
其中，该设定值可以根据实际应用的需求进行设置，而该实体库则可以根据预设知识图谱建立而成，比如，具体可以通过NEL技术等方式将该种子映射到预设知识库中的相应的实体上，然后，获取该种子在该知识库中与其他实体的关系边数量，得到该种子与其他实体在该知识库中的关系度。
比如，还是以视频K的种子“琅X榜”为例，如图2b所示，由于电视剧《琅X榜》的主演为明星“张三”和“王五”，而“张三”的妻子为“张夫人”，搭档为“李四”，因此，种子“琅X榜”与实体词“王五”的关系边数量为“1”，相应的关系度为1度；种子“琅X榜”与实体词“张三”的关系边数量为“1”，相应的关系度为1度；种子“琅X榜”与实体词“张夫人”的关系边数量为“2”，相应的关系度为2度；种子“琅X榜”与实体词“李四”的关系边数量为“2”，相应的关系度为2度，若设置的设定值为1度，所以，此时可以将“张三”和“王五”作为候选词。
可选的，实体库可以由运维人员预先进行设置，或者，也可以由该服务器建立而成，例如，具体可以如下：
服务器设置基础词库，根据该基础词库获取互联网信息，并对该互联网信息进行非实体词清洗，根据该基础词库、以及清洗后的互联网信息构建实体词之间的三元组关系，得到实体库。
比如，可以从一些应用的细胞词库中取得基础的分类实体词，例如明星、电影等作为基础词库，然后根据这个基础词库获取互联网信息，比如可以获取一些包含百科资料的网页，将这些网页中的非实体词清洗掉，并构建实体词与实体词之间的三元组关系，如(<张三，明星>，<属于>，<琅X榜，电视剧>)，等等，从而得到保存有这些三元组关系的实体库。
需说明的是，为了保证检索结果的准确性，可以定时或实时地对该基础词库和互联网信息进行更细，进而对实体库进行更新，具体可参见实施例一，在此不再赘述。
204、服务器对该视频标签和视频标题等进行分词，得到分词后视频文本。
例如，还是以视频K为例，如该视频K的视频标题为“琅X榜第一集”，视频标签为“古装”、以及“电视剧”等，则可以对这些文本进行分词，比如将视频标题为“琅X榜第一集”划分为“琅X榜”和“第一集”，将视频标签“古装”划分为“古装”，将视频标签“电视剧”划分为“电视剧”，等等，得到分词后视频文本。
需说明的是，步骤202和204的执行可以不分先后。
205、服务器采用预设的word2vec模型对该分词后视频文本进行训练，得到该分词后视频文本的词向量。
比如，若在步骤204中，得到分词后视频文本包括“琅X榜”、“第一集”、“古装”、以及“电视剧”，则此时，可以采用预设的word2vec模型分别对这些分词进行训练，得到各个分词对应的词向量。
其中，该word2vec模型可以由运维人员预先进行设置，也可以由该相似视频的检索装置预先进行建立，比如，服务器具体可以获取预设的语料集，并对该语料集中的句子进行分词，然后，根据分词后的句子对预设原始模型进行学习，得到word2vec模型。
其中，该语料集中的内容可以根据实际应用的需求进行设置，比如，可以对一定期限内的UGC，比如全年的UGC进行抽样，以及对网络信息，如各类百科语料进行抓取，来构建该语料集，等等，在此不再赘述。
206、服务器根据该分词后视频文本的词向量从该视频库中筛选与该视频信息相似的视频，得到第二候选视频集合，例如，具体可以如下：
服务器根据该分词后视频文本的词向量，分别计算该视频信息与该视频库中各个视频的相似度，选取相似度高于预设阈值的视频，得到第二候选视频集合中。
其中，该预设阈值可以根据实际应用的需求进行设置，而该两个视频之间的相似度可以通过计算这两个视频的词向量的点积来得到，或者，也可以采用其他的相似度算法来计算，在此不再赘述。
207、服务器根据该第一候选视频集合和第二候选视频集合确定该视频信息的相似视频。
例如，服务器可以分别对第一候选视频集合和第二候选视频集合中的视频进行评分，根据这些评分计算各个视频的综合分数值，然后，将综合分数值较高的，比如将综合分数值大于预设分数值的视频确定为该视频信息的相似视频，等等。
可选的，为了提高其灵活性，还可以通过为第一候选视频集合和第二候选视频集合中的视频分别设定相应的权重进行微调，从而使得其检索结果更为准确，即步骤“服务器根据该第一候选视频集合和第二候选视频集合确定该视频信息的相似视频”具体可以包括：
(1)服务器分别对该第一候选视频集合中的视频进行评分，得到第一分数值。
(2)服务器分别对该第二候选视频集合中的视频进行评分，得到第二分数值。
(3)服务器分别计算该第一分数值和相应的第二分数值的加权值，得到各个视频的综合分数值。
(4)服务器将综合分数值大于预设分数值的视频确定为该视频信息的相似视频，用公式表示即可以如下：
S＝α*A+β*B；
其中，S为视频X的综合分数值，A为第一候选视频集合中的视频X的第一分数值，B为第二候选视频集合中该视频X的第二分数值，α为第一分数值的权重(即第一候选视频集合中的视频的权重)，β为第二分数值的权重(即第二候选视频集合中的视频的权重)，α和β的和为1，α和β的具体取值可以通过实际应用的需求，比如通过用户的反馈来进行设置。
需说明的是，第一分数值和第二分数值的打分范围可以根据实际应用的需求进行设置，比如，可以设置为在[0,1]之间，等等。另外，还需说明的是，若第二候选视频集合中不存在视频X，则该视频X的第二分数值为0，同理，若第二候选视频集合中的某视频L不在第一候选视频集合中，则该视频L的第一分数值为0。
由上可知，本实施例在获取需要检索相似视频的视频信息后，一方面可以根据预设知识图谱从视频库中获取与该视频信息匹配的视频，得到第一候选视频集合；另一方面，可以采用预设word2vec模型对该视频信息进行训练，并根据训练结果从视频库中筛选与该视频信息相似的视频，得到第二候选视频集合，然后，根据第一候选视频集合和第二候选视频集合确定该视频信息的相似视频，从而达到检索相似视频的目的；由于该方案采用了知识图谱和文本相似度相结合的方案来检索相似视频，因此，即可以利用知识图谱，来弥补因为语料更新频率和数量问题所导致的召回率低和计算资源消耗较大的问题，也可以利用相似度计算来增加请求视频(即需要进行检索的视频)的上下文信息，规约一词多义导致召回结果跑偏的问题，所以，采用该方案不仅可以提高召回率和检索结果的准确性，而且可以降低模型训练的频率，节省计算资源。
实施例三、
为了更好地实施以上方法，本发明实施例还提供一种相似视频的检索装置(简称检索装置)，该相似视频的检索装置具体可以集成在在服务器等设备中。
例如，如图3a所示，该相似视频的检索装置可以包括获取单元301、匹配单元302、训练单元303、筛选单元304、以及确定单元305，如下：
(1)获取单元301；
获取单元301，用于获取需要检索相似视频的视频信息，该视频信息包括视频标签和视频标题。
其中，该视频信息可以包括视频标签和视频标题等信息，视频标签指的是可以用来表示视频内容和/或类型的信息、以及与该视频具有关联关系的信息。而视频标题指的是该视频的标题内容，具体可以包括标题中的文字和符号。
(2)匹配单元302；
匹配单元302，用于根据预设知识图谱从视频库中获取与该视频信息匹配的视频，得到第一候选视频集合。
例如，该匹配单元302可以包括抽取子单元和匹配子单元，如下：
该抽取子单元，可以用于从该视频标签和视频标题中抽取实体词，得到种子。
该匹配子单元，可以用于根据预设知识图谱从视频库中获取与该种子匹配的视频，得到第一候选视频集合。
比如，该匹配子单元，具体可以用于根据预设知识图谱确定与该种子具有强关联关系的实体词，得到候选词，从视频库中获取视频信息中包含该候选词的视频，得到第一候选视频集合。
其中，强关联关系指的是关系度小于等于设定值，即若某实体词与该种子的关系度小于等于设定值，则表明该实体词与该种子具有强关联关系，即：
该匹配子单元，具体可以用于将该种子映射到预设实体库中的实体词上，确定该种子与该实体库中各个实体词的关系度，选取关系度小于等于设定值的实体词作为候选词，其中，该实体库可以根据预设知识图谱建立而成。
其中，该设定值可以根据实际应用的需求进行设置，比如，一般可以将关系度为1度和2度的，称为关系“近”的实体，因此，可以将1度作为该设定值，等等。
比如，具体可以通过NEL技术等方式将该种子映射到预设知识库中的相应的实体上，然后，获取该种子在该知识库中与其他实体的关系边数量，得到该种子与其他实体在该知识库中的关系度。
可选的，实体库可以由运维人员预先进行设置，或者，也可以由该相似视频的检索装置自行建立而成，即如图3b所示，该相似视频的检索装置还可以包括实体库建立单元306，如下：
该实体库建立单元306，可以用于设置基础词库，根据该基础词库获取互联网信息，并对该互联网信息进行非实体词清洗，根据该基础词库、以及清洗后的互联网信息构建实体词之间的三元组关系，得到实体库。
比如，该实体库建立单元306具体可以从一些应用的细胞词库中取得基础的分类实体词，例如明星、电影等作为基础词库，然后根据这个基础词库获取互联网信息，比如可以获取一些包含百科资料的网页，将这些网页中的非实体词清洗掉，并构建实体词与实体词之间的三元组关系，从而得到保存有这些三元组关系的实体库。
需说明的是，为了保证检索结果的准确性，该实体库建立单元306还可以定时或实时地对该基础词库和互联网信息进行更细，进而对实体库进行更新，具体可参见前面的实施例，在此不再赘述。
(3)训练单元303；
训练单元303，用于采用预设word2vec对该视频信息进行训练，以将视频信息转化为词向量。
例如，该训练单元303，具体可以用于对该视频标签和视频标题进行分词，得到分词后视频文本，采用预设word2vec对该分词后视频文本进行训练，得到该分词后视频文本的词向量。
其中，该word2vec模型可以由运维人员预先进行设置，也可以由该相似视频的检索装置预先进行建立，即如图3b所示，该相似视频的检索装置还可以包括模型建立单元307，如下：
该模型建立单元307，可以用于获取预设的语料集，并对该语料集中的句子进行分词，根据分词后的句子对预设原始模型进行学习，得到word2vec。
其中，该语料集中的内容可以根据实际应用的需求进行设置，比如，可以对一定期限内的UGC进行抽样，以及对网络信息，如各类百科语料进行抓取，来构建该语料集，等等，具体可参见前面的实施例，在此不再赘述。
(4)筛选单元304；
筛选单元304，用于根据词向量从该视频库中筛选与该视频信息相似的视频，得到第二候选视频集合；
例如，若训练单元303训练得到分词后视频文本的词向量，则该筛选单元304可以根据该分词后视频文本的词向量从该视频库中筛选与该视频信息相似的视频，得到第二候选视频集合，比如，可以如下：
该筛选单元304，具体可以用于根据该分词后视频文本的词向量，分别计算该视频信息与该视频库中各个视频的相似度，选取相似度高于预设阈值的视频，得到第二候选视频集合中。
其中，该预设阈值可以根据实际应用的需求进行设置，而该两个视频之间的相似度可以通过计算这两个视频的词向量的点积来得到，或者，也可以采用其他的相似度算法来计算。
(5)确定单元305；
确定单元305，用于根据该第一候选视频集合和第二候选视频集合确定该视频信息的相似视频。
例如，该确定单元305，具体可以用于分别对该第一候选视频集合中的视频进行评分，得到第一分数值；分别对该第二候选视频集合中的视频进行评分，得到第二分数值；分别计算该第一分数值和相应的第二分数值的加权值，得到各个视频的综合分数值；将综合分数值大于预设分数值的视频确定为该视频信息的相似视频，具体可参见前面的实施例，在此不再赘述。
具体实施时，以上各个单元可以作为独立的实体来实现，也可以进行任意组合，作为同一或若干个实体来实现，以上各个单元的具体实施可参见前面的方法实施例，在此不再赘述。
由上可知，本实施例所提供的检索装置在获取需要检索相似视频的视频信息后，一方面可以由匹配单元302根据预设知识图谱从视频库中获取与该视频信息匹配的视频，得到第一候选视频集合；另一方面，可以由训练单元303采用预设word2vec模型对该视频信息进行训练，以将视频信息转化为词向量，并由筛选单元304根据词向量从视频库中筛选与该视频信息相似的视频，得到第二候选视频集合，然后，由确定单元305根据第一候选视频集合和第二候选视频集合确定该视频信息的相似视频，从而达到检索相似视频的目的；由于该方案采用了知识图谱和文本相似度相结合的方案来检索相似视频，因此，即可以利用知识图谱，来弥补因为语料更新频率和数量问题所导致的召回率低和计算资源消耗较大的问题，也可以利用相似度计算来增加请求视频(即需要进行检索的视频)的上下文信息，规约一词多义导致召回结果跑偏的问题，所以，采用该方案不仅可以提高召回率和检索结果的准确性，而且可以降低模型训练的频率，节省计算资源。
实施例四、
本发明实施例还提供一种服务器，如图4所示，其示出了本发明实施例所涉及的服务器的结构示意图，具体来讲：
该服务器可以包括一个或者一个以上处理核心的处理器401、一个或一个以上计算机可读存储介质的存储器402、电源403和输入单元404等部件。本领域技术人员可以理解，图4中示出的服务器结构并不构成对服务器的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。其中：
处理器401是该服务器的控制中心，利用各种接口和线路连接整个服务器的各个部分，通过运行或执行存储在存储器402内的软件程序和/或模块，以及调用存储在存储器402内的数据，执行服务器的各种功能和处理数据，从而对服务器进行整体监控。可选的，处理器401可包括一个或多个处理核心；优选的，处理器401可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器401中。
存储器402可用于存储软件程序以及模块，处理器401通过运行存储在存储器402的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器402可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据服务器的使用所创建的数据等。此外，存储器402可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器402还可以包括存储器控制器，以提供处理器401对存储器402的访问。
服务器还包括给各个部件供电的电源403，优选的，电源403可以通过电源管理系统与处理器401逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源403还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
该服务器还可包括输入单元404，该输入单元404可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
尽管未示出，服务器还可以包括显示单元等，在此不再赘述。具体在本实施例中，服务器中的处理器401会按照如下的指令，将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器402中，并由处理器401来运行存储在存储器402中的应用程序，从而实现各种功能，如下：
获取需要检索相似视频的视频信息，该视频信息包括视频标签和视频标题，根据预设知识图谱从视频库中获取与该视频信息匹配的视频，得到第一候选视频集合，采用预设word2vec模型对该视频信息进行训练，以将视频信息转化为词向量，并根据词向量从该视频库中筛选与该视频信息相似的视频，得到第二候选视频集合，根据该第一候选视频集合和第二候选视频集合确定该视频信息的相似视频。
例如，具体可以从该视频标签和视频标题中抽取实体词，得到种子，然后根据预设知识图谱从视频库中获取与该种子匹配的视频，得到第一候选视频集合；以及，对该视频标签和视频标题等进行分词，得到分词后视频文本，采用预设的word2vec模型对该分词后视频文本进行训练，得到该分词后视频文本的词向量，然后，根据该分词后视频文本的词向量从该视频库中筛选与该视频信息相似的视频，得到第二候选视频集合。
其中，该word2vec模型可以由运维人员预先进行设置，也可以由该相似视频的检索装置预先进行建立，即处理器401还可以运行存储在存储器402中的应用程序，从而实现以下功能：
获取预设的语料集，并对该语料集中的句子进行分词，根据分词后的句子对预设原始模型进行学习，得到word2vec模型。
其中，该语料集中的内容可以根据实际应用的需求进行设置，比如，可以对一定期限内的UGC进行抽样，以及对网络信息，如各类百科语料进行抓取，来构建该语料集，等等。
以上各个操作的具体实施可参见前面的实施例，在此不再赘述。
由上可知，本实施例的服务器在获取需要检索相似视频的视频信息后，一方面可以根据预设知识图谱从视频库中获取与该视频信息匹配的视频，得到第一候选视频集合；另一方面，可以采用预设word2vec对该视频信息进行训练，以将视频信息转化为词向量，并根据词向量从视频库中筛选与该视频信息相似的视频，得到第二候选视频集合，然后，根据第一候选视频集合和第二候选视频集合确定该视频信息的相似视频，从而达到检索相似视频的目的；由于该方案采用了知识图谱和文本相似度相结合的方案来检索相似视频，因此，即可以利用知识图谱，来弥补因为语料更新频率和数量问题所导致的召回率低和计算资源消耗较大的问题，也可以利用相似度计算来增加请求视频(即需要进行检索的视频)的上下文信息，规约一词多义导致召回结果跑偏的问题，所以，采用该方案不仅可以提高召回率和检索结果的准确性，而且可以降低模型训练的频率，节省计算资源。
实施例五、
本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于一计算机可读存储介质中，并由处理器进行加载和执行。
为此，本发明实施例提供一种存储介质，其中存储有多条指令，该指令能够被处理器进行加载，以执行本发明实施例所提供的任一种相似视频的检索方法中的步骤。例如，该指令可以如下步骤：
获取需要检索相似视频的视频信息，该视频信息包括视频标签和视频标题，根据预设知识图谱从视频库中获取与该视频信息匹配的视频，得到第一候选视频集合，采用预设word2vec模型对该视频信息进行训练，以将视频信息转化为词向量，根据词向量从该视频库中筛选与该视频信息相似的视频，得到第二候选视频集合，根据该第一候选视频集合和第二候选视频集合确定该视频信息的相似视频。
以上各个操作的具体实施可参见前面的实施例，在此不再赘述。
其中，该存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取记忆体(RAM，Random Access Memory)、磁盘或光盘等。
由于该存储介质中所存储的指令，可以执行本发明实施例所提供的任一种相似视频的检索方法中的步骤，因此，可以实现本发明实施例所提供的任一种相似视频的检索方法所能实现的有益效果，详见前面的实施例，在此不再赘述。
以上对本发明实施例所提供的一种相似视频的检索方法、装置和存储介质进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (11)

1.一种相似视频的检索方法，其特征在于，包括：
获取需要检索相似视频的视频信息，所述视频信息包括视频标签和视频标题；
从所述视频标签和视频标题中抽取实体词，得到种子；
根据预设知识图谱确定与所述种子具有强关联关系的实体词，得到候选词；
从视频库中获取视频信息中包含所述候选词的视频，得到第一候选视频集合；
采用预设文本深度表示模型对所述视频信息进行训练，以将所述视频信息转化为词向量；
根据词向量从所述视频库中筛选与所述视频信息相似的视频，得到第二候选视频集合；
根据所述第一候选视频集合和第二候选视频集合确定所述视频信息的相似视频。
2.根据权利要求1所述的方法，其特征在于，所述根据预设知识图谱确定与所述种子具有强关联关系的实体词，得到候选词，包括：
将所述种子映射到预设实体库中的实体词上，所述实体库根据预设知识图谱建立而成；
确定所述种子与所述实体库中各个实体词的关系度；
选取关系度小于等于设定值的实体词作为候选词。
3.根据权利要求2所述的方法，其特征在于，所述将所述种子映射到预设实体库中的实体词上之前，还包括：
设置基础词库；
根据所述基础词库获取互联网信息，并对所述互联网信息进行非实体词清洗；
根据所述基础词库、以及清洗后的互联网信息构建实体词之间的三元组关系，得到实体库。
4.根据权利要求1至3任一项所述的方法，其特征在于，所述采用预设文本深度表示模型对所述视频信息进行训练，以将所述视频信息转化为词向量，包括：
对所述视频标签和视频标题进行分词，得到分词后视频文本；
采用预设文本深度表示模型对所述分词后视频文本进行训练，得到所述分词后视频文本的词向量；
所述根据词向量从所述视频库中筛选与所述视频信息相似的视频，得到第二候选视频集合，包括：
根据所述分词后视频文本的词向量从所述视频库中筛选与所述视频信息相似的视频，得到第二候选视频集合。
5.根据权利要求4所述的方法，其特征在于，所述根据所述分词后视频文本的词向量从所述视频库中筛选与所述视频信息相似的视频，得到第二候选视频集合，包括：
根据所述分词后视频文本的词向量，分别计算所述视频信息与所述视频库中各个视频的相似度；
选取相似度高于预设阈值的视频，得到第二候选视频集合中。
6.根据权利要求4所述的方法，其特征在于，采用预设文本深度表示模型对所述分词后视频文本进行训练之前，还包括：
获取预设的语料集，并对所述语料集中的句子进行分词；
根据分词后的句子对预设原始模型进行学习，得到文本深度表示模型。
7.根据权利要求1至3任一项所述的方法，其特征在于，所述根据所述第一候选视频集合和第二候选视频集合确定所述视频信息的相似视频，包括：
分别对所述第一候选视频集合中的视频进行评分，得到第一分数值；
分别对所述第二候选视频集合中的视频进行评分，得到第二分数值；
分别计算所述第一分数值和相应的第二分数值的加权值，得到各个视频的综合分数值；
将综合分数值大于预设分数值的视频确定为所述视频信息的相似视频。
8.一种相似视频的检索装置，其特征在于，包括：
获取单元，用于获取需要检索相似视频的视频信息，所述视频信息包括视频标签和视频标题；
匹配单元，用于从所述视频标签和视频标题中抽取实体词，得到种子，根据预设知识图谱确定与所述种子具有强关联关系的实体词，得到候选词，从视频库中获取视频信息中包含所述候选词的视频，得到第一候选视频集合；
训练单元，用于采用预设文本深度表示模型对所述视频信息进行训练，以将所述视频信息转化为词向量；
筛选单元，用于根据词向量从所述视频库中筛选与所述视频信息相似的视频，得到第二候选视频集合；
确定单元，用于根据所述第一候选视频集合和第二候选视频集合确定所述视频信息的相似视频。
9.根据权利要求8所述的装置，其特征在于，
所述匹配单元，具体用于将所述种子映射到预设实体库中的实体词上，所述实体库根据预设知识图谱建立而成，确定所述种子与所述实体库中各个实体词的关系度，选取关系度小于等于设定值的实体词作为候选词。
10.根据权利要求8或权利要求9中任一项所述的装置，其特征在于，
所述训练单元，具体用于对所述视频标签和视频标题进行分词，得到分词后视频文本，采用预设文本深度表示模型对所述分词后视频文本进行训练，得到所述分词后视频文本的词向量；
所述筛选单元，具体用于根据所述分词后视频文本的词向量从所述视频库中筛选与所述视频信息相似的视频，得到第二候选视频集合。
11.一种存储介质，其特征在于，所述存储介质存储有多条指令，所述指令适于处理器进行加载，以执行权利要求1至7任一项所述的相似视频的检索方法中的步骤。
CN201710331203.2A 2017-05-11 2017-05-11 一种相似视频的检索方法、装置和存储介质 Active CN107066621B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201710331203.2A CN107066621B (zh) 2017-05-11 2017-05-11 一种相似视频的检索方法、装置和存储介质
PCT/CN2018/084580 WO2018205838A1 (zh) 2017-05-11 2018-04-26 一种相似视频的检索方法、装置和存储介质
US16/509,289 US10853660B2 (en) 2017-05-11 2019-07-11 Method and apparatus for retrieving similar video and storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710331203.2A CN107066621B (zh) 2017-05-11 2017-05-11 一种相似视频的检索方法、装置和存储介质

Publications (2)

Publication Number Publication Date
CN107066621A CN107066621A (zh) 2017-08-18
CN107066621B true CN107066621B (zh) 2022-11-08

Family

ID=59597017

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710331203.2A Active CN107066621B (zh) 2017-05-11 2017-05-11 一种相似视频的检索方法、装置和存储介质

Country Status (3)

Country Link
US (1) US10853660B2 (zh)
CN (1) CN107066621B (zh)
WO (1) WO2018205838A1 (zh)

Families Citing this family (33)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107066621B (zh) * 2017-05-11 2022-11-08 腾讯科技（深圳）有限公司 一种相似视频的检索方法、装置和存储介质
CN110019665A (zh) * 2017-09-30 2019-07-16 北京国双科技有限公司 文本检索方法及装置
CN110019668A (zh) * 2017-10-31 2019-07-16 北京国双科技有限公司 一种文本检索方法及装置
CN110019670A (zh) * 2017-10-31 2019-07-16 北京国双科技有限公司 一种文本检索方法及装置
CN110019669B (zh) * 2017-10-31 2021-06-29 北京国双科技有限公司 一种文本检索方法及装置
CN108038183B (zh) * 2017-12-08 2020-11-24 北京百度网讯科技有限公司 结构化实体收录方法、装置、服务器和存储介质
CN108012192A (zh) * 2017-12-25 2018-05-08 北京奇艺世纪科技有限公司 一种视频资源的识别和聚合的方法及系统
CN108694223B (zh) * 2018-03-26 2021-07-16 北京奇艺世纪科技有限公司 一种用户画像库的构建方法及装置
CN108810577B (zh) * 2018-06-15 2021-02-09 深圳市茁壮网络股份有限公司 一种用户画像的构建方法、装置及电子设备
CN109255037B (zh) * 2018-08-31 2022-03-08 北京字节跳动网络技术有限公司 用于输出信息的方法和装置
CN109492687A (zh) * 2018-10-31 2019-03-19 北京字节跳动网络技术有限公司 用于处理信息的方法和装置
CN110166650B (zh) * 2019-04-29 2022-08-23 北京百度网讯科技有限公司 视频集的生成方法及装置、计算机设备与可读介质
CN110245259B (zh) * 2019-05-21 2021-09-21 北京百度网讯科技有限公司 基于知识图谱的视频打标签方法及装置、计算机可读介质
CN110446065A (zh) * 2019-08-02 2019-11-12 腾讯科技（武汉）有限公司 一种视频召回方法、装置及存储介质
CN110532404B (zh) * 2019-09-03 2023-08-04 北京百度网讯科技有限公司 一种源多媒体确定方法、装置、设备及存储介质
CN110598049A (zh) * 2019-09-26 2019-12-20 北京字节跳动网络技术有限公司 用于检索视频的方法、装置、电子设备和计算机可读介质
CN110688529A (zh) * 2019-09-26 2020-01-14 北京字节跳动网络技术有限公司 用于检索视频的方法、装置和电子设备
CN111046227B (zh) * 2019-11-29 2023-04-07 腾讯科技（深圳）有限公司 一种视频查重方法及装置
CN111026913B (zh) * 2019-12-10 2024-04-23 北京奇艺世纪科技有限公司 一种视频分发方法、装置、电子设备及存储介质
CN111274445B (zh) * 2020-01-20 2021-04-23 山东建筑大学 基于三元组深度学习的相似视频内容检索方法及系统
CN111339360B (zh) * 2020-02-24 2024-03-26 北京奇艺世纪科技有限公司 视频处理方法、装置、电子设备及计算机可读存储介质
CN111325033B (zh) * 2020-03-20 2023-07-11 中国建设银行股份有限公司 实体识别方法、装置、电子设备及计算机可读存储介质
CN111522994B (zh) * 2020-04-15 2023-08-01 北京百度网讯科技有限公司 用于生成信息的方法和装置
CN112911331B (zh) * 2020-04-15 2024-09-10 深圳市雅阅科技有限公司 针对短视频的音乐识别方法、装置、设备及存储介质
CN111639228B (zh) * 2020-05-29 2023-07-18 北京百度网讯科技有限公司 视频检索方法、装置、设备及存储介质
CN111767796B (zh) * 2020-05-29 2023-12-15 北京奇艺世纪科技有限公司 一种视频关联方法、装置、服务器和可读存储介质
CN111737595B (zh) * 2020-06-24 2024-02-06 支付宝(杭州)信息技术有限公司 一种候选词推荐方法、词库排序模型训练方法及装置
CN111950360B (zh) * 2020-07-06 2023-08-18 北京奇艺世纪科技有限公司 一种识别侵权用户的方法及装置
CN112312205B (zh) * 2020-10-21 2024-03-22 腾讯科技（深圳）有限公司 一种视频处理方法、装置、电子设备和计算机存储介质
US11809480B1 (en) * 2020-12-31 2023-11-07 Meta Platforms, Inc. Generating dynamic knowledge graph of media contents for assistant systems
CN113590876B (zh) * 2021-01-22 2024-08-16 深圳市雅阅科技有限公司 一种视频标签设置方法、装置、计算机设备及存储介质
CN114282059A (zh) * 2021-08-24 2022-04-05 腾讯科技（深圳）有限公司 视频检索的方法、装置、设备及存储介质
CN116028668B (zh) * 2021-10-27 2024-07-19 腾讯科技（深圳）有限公司 信息处理方法、装置、计算机设备以及存储介质

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007200249A (ja) * 2006-01-30 2007-08-09 Nippon Telegr & Teleph Corp <Ntt> 映像検索方法及び装置及びプログラム及びコンピュータ読み取り可能な記録媒体
US9361523B1 (en) * 2010-07-21 2016-06-07 Hrl Laboratories, Llc Video content-based retrieval
CN101976258B (zh) * 2010-11-03 2013-07-10 上海交通大学 基于对象分割和特征加权融合的视频语义提取方法
CN104798068A (zh) * 2012-11-30 2015-07-22 汤姆逊许可公司 视频检索方法和装置
CN103984772B (zh) * 2014-06-04 2017-07-18 百度在线网络技术（北京）有限公司 文本检索字幕库生成方法和装置、视频检索方法和装置
CN104834686B (zh) * 2015-04-17 2018-12-28 中国科学院信息工程研究所 一种基于混合语义矩阵的视频推荐方法
CN105956053B (zh) * 2016-04-27 2019-07-16 海信集团有限公司 一种基于网络信息的搜索方法及装置
CN106126619A (zh) * 2016-06-20 2016-11-16 中山大学 一种基于视频内容的视频检索方法及系统
CN106156365B (zh) * 2016-08-03 2019-06-18 北京儒博科技有限公司 一种知识图谱的生成方法及装置
CN106326388A (zh) * 2016-08-17 2017-01-11 乐视控股（北京）有限公司 一种信息处理方法和装置
CN106484664B (zh) * 2016-10-21 2019-03-01 竹间智能科技（上海）有限公司 一种短文本间相似度计算方法
CN107066621B (zh) * 2017-05-11 2022-11-08 腾讯科技（深圳）有限公司 一种相似视频的检索方法、装置和存储介质

Also Published As

Publication number Publication date
US20190332867A1 (en) 2019-10-31
US10853660B2 (en) 2020-12-01
CN107066621A (zh) 2017-08-18
WO2018205838A1 (zh) 2018-11-15

Similar Documents

Publication Publication Date Title
CN107066621B (zh) 一种相似视频的检索方法、装置和存储介质
US11216504B2 (en) Document recommendation method and device based on semantic tag
CN110717339B (zh) 语义表示模型的处理方法、装置、电子设备及存储介质
CN107862027B (zh) 检索意图识别方法、装置、电子设备及可读存储介质
CN110569496B (zh) 实体链接方法、装置及存储介质
CN107992585B (zh) 通用标签挖掘方法、装置、服务器及介质
CN103491205B (zh) 一种基于视频搜索的关联资源地址的推送方法和装置
CN112560912A (zh) 分类模型的训练方法、装置、电子设备和存储介质
CN112836487B (zh) 一种自动评论方法、装置、计算机设备及存储介质
CN112560479A (zh) 摘要抽取模型训练方法、摘要抽取方法、装置和电子设备
CN111507104A (zh) 建立标签标注模型的方法、装置、电子设备和可读存储介质
CN111767385A (zh) 一种智能问答方法及装置
CN112489676B (zh) 模型训练方法、装置、设备及存储介质
CN113032673B (zh) 资源的获取方法、装置、计算机设备及存储介质
CN103488787B (zh) 一种基于视频搜索的在线播放入口对象的推送方法和装置
CN113704507B (zh) 数据处理方法、计算机设备以及可读存储介质
CN112182292A (zh) 视频检索模型的训练方法、装置、电子设备及存储介质
CN113641707B (zh) 知识图谱消歧方法、装置、设备及存储介质
CN112231554A (zh) 一种搜索推荐词生成方法、装置、存储介质和计算机设备
CN109657052A (zh) 一种论文摘要蕴含细粒度知识元的抽取方法及装置
CN104156458A (zh) 一种信息的提取方法及装置
CN103500214B (zh) 一种基于视频搜索的分词信息推送方法和装置
CN115905575A (zh) 语义知识图谱的构建方法、电子设备和存储介质
CN115269961A (zh) 内容搜索方法以及相关设备
CN111506754B (zh) 图片检索方法、装置、存储介质及处理器

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