CN107748779A - 信息生成方法和装置 - Google Patents
信息生成方法和装置 Download PDFInfo
- Publication number
- CN107748779A CN107748779A CN201710983221.9A CN201710983221A CN107748779A CN 107748779 A CN107748779 A CN 107748779A CN 201710983221 A CN201710983221 A CN 201710983221A CN 107748779 A CN107748779 A CN 107748779A
- Authority
- CN
- China
- Prior art keywords
- candidate
- picture
- information
- matching degree
- search information
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—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
- G06F16/5838—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 colour
-
- 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
- G06F16/951—Indexing; Web crawling techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/237—Lexical tools
- G06F40/247—Thesauruses; Synonyms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/284—Lexical analysis, e.g. tokenisation or collocates
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
Abstract
本申请实施例公开了信息生成方法和装置。该方法的一具体实施方式包括:接收终端设备发送的信息生成请求,其中,信息生成请求包括目标文本和目标文本的搜索信息;对搜索信息进行扩展,生成扩展搜索信息,其中,扩展搜索信息包括与搜索信息表意相同或相近的搜索信息;从候选图片集合中选取与扩展搜索信息具有匹配关系的候选图片作为目标图片;将目标文本和目标图片进行组合,生成目标信息。该实施方式提高了所生成的信息中的文本和图片之间的匹配度。
Description
技术领域
本申请实施例涉及计算机技术领域,具体涉及互联网技术领域,尤其涉及信息生成方法和装置。
背景技术
随着互联网的飞速发展,越来越多的用户通过互联网获取信息。当用户在网络上发起搜索时,会为用户推送大量用户所需要的信息,为了增加用户对推送信息的点击概率,推送给用户的信息的内容的展现形式通常较为丰富,例如可以既包含文本又包含图片。
现有的信息生成方式通常是直接将文本的搜索信息在大量图片的描述信息中进行语义匹配,基于语义匹配结果选取图片,并将所选取出的图片与文本组合,以生成信息。
发明内容
本申请实施例的目的在于提出一种信息生成方法和装置。
第一方面,本申请实施例提供了一种信息生成方法,该方法包括:接收终端设备发送的信息生成请求,其中,信息生成请求包括目标文本和目标文本的搜索信息;对搜索信息进行扩展,生成扩展搜索信息,其中,扩展搜索信息包括与搜索信息表意相同或相近的搜索信息;从候选图片集合中选取与扩展搜索信息具有匹配关系的候选图片作为目标图片;将目标文本和目标图片进行组合,生成目标信息。
在一些实施例中,从候选图片集合中选取与扩展搜索信息具有匹配关系的候选图片作为目标图片,包括:提取扩展搜索信息的特征向量;对于候选图片集合中的每张候选图片,提取该候选图片的描述信息的特征向量;基于该候选图片的描述信息的特征向量和扩展搜索信息的特征向量,确定该候选图片与扩展搜索信息之间的第一匹配度;将所确定出的各个第一匹配度添加到匹配度集合中;对匹配度集合进行分析,基于分析结果从候选图片集合中选取出至少一张候选图片作为目标图片。
在一些实施例中,从候选图片集合中选取与扩展搜索信息具有匹配关系的候选图片作为目标图片,还包括:对于候选图片集合中的每张候选图片,将该候选图片的描述信息和扩展搜索信息输入至预先训练的多层神经网络中,得到该候选图片与扩展搜索信息之间的第二匹配度,其中,多层神经网络用于输出图片与扩展搜索信息之间的第二匹配度;将所得到的各个第二匹配度添加到匹配度集合中。
在一些实施例中,从候选图片集合中选取与扩展搜索信息具有匹配关系的候选图片作为目标图片,还包括:获取利用扩展搜索信息进行搜索所得到搜索图片集合;提取搜索图片集合中的各张搜索图片的图像特征向量;对于候选图片集合中的每张候选图片,提取该候选图片的图像特征向量;基于该候选图片的图像特征向量和搜索图片集合中的各张搜索图片的图像特征向量,确定该候选图片与扩展搜索信息之间的第三匹配度;将所确定出的各个第三匹配度添加到匹配度集合中。
在一些实施例中,对匹配度集合进行分析,基于分析结果从候选图片集合中选取出至少一张候选图片作为目标图片,包括:对于候选图片集合中的每张候选图片,利用梯度提升树算法,对匹配度集合中的、该候选图片与扩展搜索信息之间的第一匹配度、第二匹配度和第三匹配度进行加权累加,得到该候选图片与扩展搜索信息之间总匹配度;从候选图片集合中选取出至少一张总匹配度大于预设匹配度阈值的候选图片作为目标图片。
第二方面,本申请实施例提供了一种信息生成装置,该装置包括:接收单元,配置用于接收终端设备发送的信息生成请求,其中,信息生成请求包括目标文本和目标文本的搜索信息;扩展单元,配置用于对搜索信息进行扩展,生成扩展搜索信息,其中,扩展搜索信息包括与搜索信息表意相同或相近的搜索信息;选取单元,配置用于从候选图片集合中选取与扩展搜索信息具有匹配关系的候选图片作为目标图片;生成单元,配置用于将目标文本和目标图片进行组合,生成目标信息。
在一些实施例中,选取单元包括:第一提取子单元,配置用于提取扩展搜索信息的特征向量;第一确定子单元,配置用于对于候选图片集合中的每张候选图片,提取该候选图片的描述信息的特征向量;基于该候选图片的描述信息的特征向量和扩展搜索信息的特征向量,确定该候选图片与扩展搜索信息之间的第一匹配度;第一添加子单元,配置用于将所确定出的各个第一匹配度添加到匹配度集合中;选取子单元,配置用于对匹配度集合进行分析,基于分析结果从候选图片集合中选取出至少一张候选图片作为目标图片。
在一些实施例中,选取单元还包括:输出子单元,配置用于对于候选图片集合中的每张候选图片,将该候选图片的描述信息和扩展搜索信息输入至预先训练的多层神经网络中,得到该候选图片与扩展搜索信息之间的第二匹配度,其中,多层神经网络用于输出图片与扩展搜索信息之间的第二匹配度;第二添加子单元,配置用于将所得到的各个第二匹配度添加到匹配度集合中。
在一些实施例中,选取单元还包括:获取子单元,配置用于获取利用扩展搜索信息进行搜索所得到搜索图片集合;第二提取子单元,配置用于提取搜索图片集合中的各张搜索图片的图像特征向量;第二确定子单元,配置用于对于候选图片集合中的每张候选图片,提取该候选图片的图像特征向量;基于该候选图片的图像特征向量和搜索图片集合中的各张搜索图片的图像特征向量,确定该候选图片与扩展搜索信息之间的第三匹配度;第三添加子单元,配置用于将所确定出的各个第三匹配度添加到匹配度集合中。
在一些实施例中,选取子单元包括:累加模块,配置用于对于候选图片集合中的每张候选图片,利用梯度提升树算法,对匹配度集合中的、该候选图片与扩展搜索信息之间的第一匹配度、第二匹配度和第三匹配度进行加权累加,得到该候选图片与扩展搜索信息之间总匹配度;选取模块,配置用于从候选图片集合中选取出至少一张总匹配度大于预设匹配度阈值的候选图片作为目标图片。
本申请实施例提供的信息生成方法和装置,通过对从终端设备接收到的信息生成请求中的目标文本的搜索信息进行扩展,以生成与搜索信息表意相同或相近的扩展搜索信息;然后从候选图片集合中选取出与扩展搜索信息具有匹配关系的目标图片;最后将信息生成请求中的目标文本和所选取出的目标图片进行组合,以生成目标信息。从而提高了所生成的信息中的文本和图片之间的匹配度。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本申请可以应用于其中的示例性系统架构图;
图2是根据本申请的信息生成方法的一个实施例的流程图;
图3是根据本申请的信息生成方法的一个应用场景的示意图;
图4是根据本申请的信息生成方法的又一个实施例的流程图;
图5是根据本申请的信息生成装置的一个实施例的结构示意图;
图6是适于用来实现本申请实施例的服务器的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的信息生成方法或信息生成装置的实施例的示例性系统架构100。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103可以是各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture Experts Group Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如服务器105可以对从终端设备101、102、103接收到的信息生成请求等数据进行分析等处理,并生成处理结果(例如目标信息)。
需要说明的是,本申请实施例所提供的信息生成方法一般由服务器105执行,相应地,信息生成装置一般设置于服务器105中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,示出了根据本申请的信息生成方法的一个实施例的流程200。该信息生成方法,包括以下步骤:
步骤201,接收终端设备发送的信息生成请求。
在本实施例中,信息生成方法运行于其上的电子设备(例如图1所示的服务器105)可以通过有线连接方式或者无线连接方式从终端设备(例如图1所示的终端设备101、102、103)接收信息生成请求。其中,信息生成请求可以包括目标文本和目标文本的搜索信息。目标文本可以是用于生成目标信息的文本。目标文本的搜索信息可以是目标文本的内容的关键信息,当用户在搜索类软件的输入框中输入目标文本的搜索信息时,推送给用户的信息中通常会存在包括目标文本的信息。搜索信息可以包括但不限于单个词语、词语组合、短句、长句等等。作为示例,若目标文本是“玫瑰”的百科,那么目标文本的搜索信息可以是以下一项:“玫瑰”、“玫瑰、蔷薇目”、“英国国花”。
需要指出的是,上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
步骤202,对搜索信息进行扩展,生成扩展搜索信息。
在本实施例中,基于步骤201所接收到的信息生成请求中的搜索信息,电子设备可以对搜索信息进行扩展,以生成扩展搜索信息。其中,扩展搜索信息可以包括与搜索信息表意相同或相近的搜索信息,即扩展搜索信息与搜索信息表达的意义相同,具体地,扩展搜索信息可以包括但不限于搜索信息、搜索信息的近义词、搜索信息的同义词等。作为示例,若搜索信息是“华科”,其对应的扩展搜索信息可以包括但不限于“华科”、“华科大”、“华中大”、“华中科技大学”。
步骤203,从候选图片集合中选取与扩展搜索信息具有匹配关系的候选图片作为目标图片。
在本实施例中,基于步骤202所生成的扩展搜索信息,电子设备可以从预先存储的候选图片集合中选取出与扩展搜索信息具有匹配关系的候选图片作为目标图片。这里,对搜索信息进行扩展,利用扩展搜索信息在候选图片集合中进行匹配,可以从候选图片集合中匹配出更全面的与扩展搜索信息具有匹配关系的候选图片,从而有助于选取出与扩展搜索信息具有较为紧密的匹配关系的目标图片。
作为示例,电子设备可以首先计算扩展搜索信息与各个候选图片的描述信息的匹配度;然后基于所计算出的匹配度,确定扩展搜索信息与各个候选图片之间的匹配关系。通常,扩展搜索信息与候选图片的描述信息的匹配度越高,该扩展搜索信息与该候选图片的越匹配,若该扩展搜索信息与该候选图片的匹配度大于预先设置的匹配度阈值,则该扩展搜索信息与该候选图片之间具有匹配关系,若该扩展搜索信息与该候选图片的匹配度不大于预先设置的匹配度阈值,则该扩展搜索信息与该候选图片之间不具有匹配关系。其中,候选图片的描述信息可以是用于描述候选图片的信息,包括但不限于:候选图片的标题、候选图片周边的文本信息、候选图片内所展示的文本信息、候选图片省略时所展示的文本信息等等。
具体地,电子设备可以通过以下步骤确定扩展搜索信息与候选图片之间是否具有匹配关系:
首先,对扩展搜索信息进行分词,获取扩展搜索信息的至少一个关键词。其中,在扩展搜索信息是单个词语的情况下,可以直接将扩展搜索信息作为扩展搜索信息的关键词。
之后,将扩展搜索信息的关键词在候选图片的描述信息中进行匹配,获取匹配成功的关键词的数目。
然后,将匹配成功的关键词的数目与关键词的总数目的比值作为扩展搜索信息与候选图片的描述信息的匹配度。
最后,将扩展搜索信息与候选图片的描述信息的匹配度预先设置的匹配度阈值进行比较,若大于匹配度阈值,则扩展搜索信息与候选图片具有匹配关系,若不大于匹配度阈值,则扩展搜索信息与候选图片不具有匹配关系。
步骤204,将目标文本和目标图片进行组合,生成目标信息。
在本实施例中,基于步骤201所接收到的信息生成请求中的目标文本和步骤203所选取出的目标图片,电子设备可以将目标文本和目标图片进行组合,以生成目标信息。其中,目标图片和目标文本可以布局在目标信息中的任何位置,例如,目标图片可以布局在右上角位置,目标文本可以布局在除右上角位置之外的其他位置;目标图片还可以布局在中间位置,目标文本可以环绕在目标图片的四周;目标图片还可以布局在左侧,目标文本可以布局在右侧。
继续参见图3,图3是根据本实施例的信息生成方法的应用场景的一个示意图。在图3的应用场景中,用户首先发起一个关于“洗面奶”的信息生成请求,其中,关于“洗面奶”的信息生成请求中包括一篇关于“洗面奶排行榜”的文本和搜索信息“洗面奶排行榜”;之后,后台服务器对搜索信息“洗面奶排行榜”进行扩展,生成扩展搜索信息“洗面奶排行榜”、“洗面奶”、“洗面奶、排行榜”、“洗脸”;然后,后台服务器从其存储的候选图片集合中选取出一张与扩展搜索信息“洗脸”具有匹配关系的候选图片作为目标图片;最后,后台服务器将与扩展搜索信息“洗脸”具有匹配关系的目标图片布局在左侧,将关于“洗面奶排行榜”的文本布局在右侧,生成目标信息并存储。此后,当其他用户向后台服务器发起关于“洗面奶排行榜”的搜索请求时,后台服务器可以将目标信息推送给该用户,其中,目标信息可以如301所示。
本申请实施例提供的信息生成方法,通过对从终端设备接收到的信息生成请求中的目标文本的搜索信息进行扩展,以生成与搜索信息表意相同或相近的扩展搜索信息;然后从候选图片集合中选取出与扩展搜索信息具有匹配关系的目标图片;最后将信息生成请求中的目标文本和所选取出的目标图片进行组合,以生成目标信息。从而提高了所生成的信息中的文本和图片之间的匹配度。
进一步参考图4,其示出了信息生成方法的又一个实施例的流程400。该信息生成方法的流程400,包括以下步骤:
步骤401,接收终端设备发送的信息生成请求。
在本实施例中,信息生成方法运行于其上的电子设备(例如图1所示的服务器105)可以通过有线连接方式或者无线连接方式从终端设备(例如图1所示的终端设备101、102、103)接收信息生成请求。其中,信息生成请求可以包括目标文本和目标文本的搜索信息。目标文本可以是用于生成目标信息的文本。目标文本的搜索信息可以是目标文本的内容的关键信息,当用户在搜索类软件的输入框中输入目标文本的搜索信息时,推送给用户的信息中通常会存在包括目标文本的信息。搜索信息可以包括但不限于单个词语、词语组合、短句、长句等等。
步骤402,对搜索信息进行扩展,生成扩展搜索信息。
在本实施例中,基于步骤401所接收到的信息生成请求中的搜索信息,电子设备可以首先对搜索信息进行扩展,以生成扩展搜索信息;然后继续执行以下至少一个步骤:步骤403、步骤403'、步骤403〃。其中,扩展搜索信息可以包括与搜索信息表意相同或相近的搜索信息,即扩展搜索信息与搜索信息表达的意义相同,具体地,扩展搜索信息可以包括但不限于搜索信息、搜索信息的近义词、搜索信息的同义词等。
步骤403,提取扩展搜索信息的特征向量。
在本实施例中,基于步骤402所得到的扩展搜索信息,电子设备可以提取扩展搜索信息的特征向量。其中,扩展搜索信息的特征向量可以用于描述扩展搜索信息的关键内容。例如,电子设备可以首先对扩展搜索信息进行分词,获取扩展搜索信息的至少一个关键词,其中,在扩展搜索信息是单个词语的情况下,可以直接将扩展搜索信息作为扩展搜索信息的关键词;然后利用word2vec将每个关键词转化为对应的向量,其中,word2vec是一个将单词转换成向量的工具。
步骤404,对于候选图片集合中的每张候选图片,提取该候选图片的描述信息的特征向量。
在本实施例中,对于候选图片集合中的每张候选图片,电子设备可以提取该候选图片的描述信息的特征向量。其中,其中,候选图片的描述信息可以是用于描述候选图片的信息,包括但不限于:候选图片的标题、候选图片周边的文本信息、候选图片内所展示的文本信息、候选图片省略时所展示的文本信息等等。电子设备可以采用与步骤403相同的方法提取候选图片的描述信息的特征向量,这里不再赘述。
步骤405,基于该候选图片的描述信息的特征向量和扩展搜索信息的特征向量,确定该候选图片与扩展搜索信息之间的第一匹配度。
在本实施例中,基于步骤404所提取的该候选图片的描述信息的特征向量和步骤403所提取的扩展搜索信息的特征向量,电子设备可以首先计算该候选图片的描述信息的特征向量和扩展搜索信息的特征向量之间的相似度;然后基于所计算的相似度,确定该候选图片与扩展搜索信息之间的第一匹配度。通常,相似度越高,第一匹配度越高。
在本实施例中,电子设备可以通过以下至少一种方式计算该候选图片的描述信息的特征向量和扩展搜索信息的特征向量之间的相似度:
1、电子设备可以计算该候选图片的描述信息的特征向量与扩展搜索信息的特征向量之间的欧氏距离。其中,欧氏距离又可以被称为欧几里得度量(euclidean metric),通常指在m维空间中两个点之间的真实距离,或者向量的自然长度(即该点到原点的距离)。在二维和三维空间中的欧氏距离就是两点之间的实际距离。通常,两个向量之间的欧氏距离越小,相似度越高;两个向量之间的欧氏距离越大,相似度越低。
2、电子设备可以计算该候选图片的描述信息的特征向量与扩展搜索信息的特征向量之间的余弦距离。其中,余弦距离又可以被称为余弦相似度,是通过计算两个向量的夹角余弦值来评估它们的相似度。通常,两个向量之间的夹角越小,余弦值越接近于1,相似度越高;两个向量之间的夹角越大,余弦值越偏离1,相似度越低。
3、电子设备可以计算该候选图片的标题和扩展搜索信息的相似度。
作为一种示例,电子设备可以计算该候选图片的标题和扩展搜索信息中相同的部分在扩展搜索信息中所占的比重。通常,该候选图片的标题和扩展搜索信息中相同的部分在扩展搜索信息中所占的比重越大,相似度越高;该候选图片的标题和扩展搜索信息中相同的部分在扩展搜索信息中所占的比重越小,相似度越低。
作为另一种示例。电子设备可以计算扩展搜索信息中与该候选图片的标题不同的部分在扩展搜索信息中所占的比重。通常,扩展搜索信息中与该候选图片的标题不同的部分在扩展搜索信息中所占的比重越小,相似度越高;扩展搜索信息中与该候选图片的标题不同的部分在扩展搜索信息中所占的比重越大,相似度越低。
步骤406,将所确定出的各个第一匹配度添加到匹配度集合中。
在本实施例中,电子设备可以将利用步骤405所确定出的各个候选图片与扩展搜索信息之间的第一匹配度添加到匹配度集合中,以便于后续对匹配度集合进行分析。
步骤403',对于候选图片集合中的每张候选图片,将该候选图片的描述信息和扩展搜索信息输入至预先训练的多层神经网络中,得到该候选图片与扩展搜索信息之间的第二匹配度。
在本实施例中,对于候选图片集合中的每张候选图片,将该候选图片的描述信息和扩展搜索信息输入至预先训练的多层神经网络中,从而得到该候选图片与扩展搜索信息之间的第二匹配度。其中,多层神经网络(Multi-layer Perceptron,MLP),是一种前向结构的人工神经网络,映射一组输入向量到一组输出向量。MLP可以被看做是一个有向图,由多个节点层组成,每一层全连接到下一层。除了输入节点,每个节点都是一个带有非线性激活函数的神经元(或称处理单元)。
在本实施例中,多层神经网络可以用于表征图片的描述信息和扩展搜索信息与第二匹配度的对应关系。这里,电子设备可以通过多种方式训练多层神经网络。
在本实施例的一些可选的实现方式中,电子设备可以基于对大量图片的描述信息和扩展搜索信息以及候选图片与扩展搜索信息之间的第二匹配度的统计而生成存储有多个图片的描述信息和扩展搜索信息以及候选图片与扩展搜索信息之间的第二匹配度的对应关系的对应关系表,并将该对应关系表作为多层神经网络。当电子设备将该候选图片的描述信息和扩展搜索信息输入多层神经网络时,多层神经网络会查询对应关系表,从而得到该候选图片与扩展搜索信息之间的第二匹配度。
在本实施例的一些可选的实现方式中,电子设备可以通过以下步骤训练多层神经网络:
首先,获取样本图片的描述信息和扩展搜索信息以及样本图片和扩展搜索信息之间的第二匹配度。这里,本领域技术人员可以对样本图片的描述信息和扩展搜索信息进行分析,人工标注样本图片和扩展搜索信息之间的第二匹配度。例如,若经分析本领域技术人员认为样本图片和扩展搜索信息之间匹配,可以将其第二匹配度标注为1;若经分析本领域技术人员认为样本图片和扩展搜索信息之间不匹配,可以将其第二匹配度标注为0。
然后,将样本图片的描述信息和扩展搜索信息作为输入,将样本图片和扩展搜索信息之间的第二匹配度作为输出,训练得到能够表征样本图片的描述信息和扩展搜索信息与第二匹配度之间准确对应关系的多层神经网络。
步骤404',将所得到的各个第二匹配度添加到匹配度集合中。
在本实施例中,电子设备可以将利用步骤403'所得到的各个候选图片与扩展搜索信息之间的第二匹配度添加到匹配度集合中,以便于后续对匹配度集合进行分析。
步骤403〃,获取利用扩展搜索信息进行搜索所得到搜索图片集合。
在本实施例中,基于402所生成的扩展搜索信息,电子设备可以首先利用扩展搜索信息在搜索引擎或预先存储的图片库中进行搜索,并获取所得到搜索图片集合。其中,搜索图片集合中的搜索图片可以与扩展搜索信息具有相同的特征属性。作为示例,当扩展搜索信息为“玫瑰”时,搜索图片集合中的搜索图片可以为包含“玫瑰”的图片。需要说明的是,利用扩展搜索信息搜索图片的方法为现有公知技术,在此不再赘述。
步骤404〃,提取搜索图片集合中的各张搜索图片的图像特征向量。
在本实施例中,基于步骤403〃中所获取到的搜索图片结果,电子设备可以分别提取搜索图片集合中的各张搜索图片的图像特征向量。其中,其中,图像特征向量可以用于描述图片所具有的特征。
作为一种示例,电子设备可以首先利用OCR(Optical Character Recognition,光学字符识别)技术进行解析,提取图片的关键词;然后利用word2vec将图片的关键词转换为对应的向量,并作为图片的图像特征向量。
作为另一种示例,电子设备可以首先生成图片的图像矩阵,具体地,可以采用矩阵理论和矩阵算法对图片进行分析和处理,其中,图像矩阵的行对应图片的高,图像矩阵的列对应图片的宽,图像矩阵的元素对应图片的像素;然后将图片的图像矩阵输入例如卷积神经网络,从而得到图片的图像特征向量。
步骤405〃,对于候选图片集合中的每张候选图片,提取该候选图片的图像特征向量。
在本实施例中,对候选图片集合中的每张候选图片,电子设备可以提取该候选图片的图像特征向量。电子设备可以采用与步骤404〃相同的方法提取候选图片的图像特征向量,这里不再赘述。
步骤406〃,基于该候选图片的图像特征向量和搜索图片集合中的各张搜索图片的图像特征向量,确定该候选图片与扩展搜索信息之间的第三匹配度。
在本实施例中,基于步骤405〃所提取的该候选图片的图像特征向量和步骤404〃所提取的各张搜索图片的图像特征向量,电子设备可以首先计算该候选图片的图像特征向量和各张搜索图片的图像特征向量之间的相似度;然后基于所计算的相似度,确定该候选图片与扩展搜索信息之间的第三匹配度。通常,相似度越高,第三匹配度越高。作为示例,电子设备可以计算该候选图片的图像特征向量和各张搜索图片的图像特征向量之间欧氏距离或余弦距离,并根据所计算的距离确定相似度。通常,欧氏距离越小或余弦距离越接近1,相似度越高,欧氏距离越大或余弦距离越偏离1,相似度越低。
步骤407〃,将所确定出的各个第三匹配度添加到匹配度集合中。
在本实施例中,电子设备可以将利用步骤406〃所得到的各个候选图片与扩展搜索信息之间的第三匹配度添加到匹配度集合中,以便于后续对匹配度集合进行分析。
需要说明的是,电子设备可以执行步骤403-406、步骤403'-404'、步骤403〃-407〃中的任意一个系列的步骤,也可以执行任意两个系列的步骤,还可以同时执行这三个系列的步骤,本实施例对此不进行限定。
步骤408,对匹配度集合进行分析,基于分析结果从候选图片集合中选取出至少一张候选图片作为目标图片。
在本实施例中,电子设备可以对匹配度集合进行分析,并根据分析结果从候选图片集合中选取出至少一张候选图片作为目标图片。
在本实施例的一些可选的实现方式中,当匹配度集合中仅存在一种匹配度时,例如仅存在第一匹配度,电子设备可以将候选图片集合中的各个候选图片与扩展搜索信息之间的第一匹配度与预设第一匹配度阈值进行比较,确定出大于预设第一匹配度阈值的候选图片,并从确定出的候选图片中选取出至少一张候选图片作为目标图片。例如,将所确定出的候选图片按第一匹配度大小顺序进行排序,从第一匹配度大的一侧开始选取出预设数目(例如1个、5个)的候选图片作为目标图片。
在本实施例的一些可选的实现方式中,当匹配度集合中同时存在第一匹配度、第二匹配度、第三匹配度时,对于候选图片集合中的每张候选图片,电子设备可以首先利用梯度提升树算法,对匹配度集合中的、该候选图片与扩展搜索信息之间的第一匹配度、第二匹配度和第三匹配度进行加权累加,得到该候选图片与扩展搜索信息之间总匹配度;然后从候选图片集合中选取出至少一张总匹配度大于预设匹配度阈值的候选图片作为目标图片。其中,梯度提升树算法(Gradient Boosting Decision Tree,GBDT)又叫MART(MultipleAdditive Regression Tree),是一种迭代的决策树算法,该算法由多棵决策树组成,所有树的结论累加起来做最终答案。这里,电子设备可以将候选图片集合中的各个候选图片与扩展搜索信息之间的总匹配度与预设匹配度阈值进行比较,确定出大于预设匹配度阈值的候选图片,并从确定出的候选图片中选取出至少一张候选图片作为目标图片。例如,将所确定出的候选图片按总匹配度大小顺序进行排序,从总配度大的一侧开始选取出预设数目(例如1个、5个)的候选图片作为目标图片。
需要说明的是,当匹配度集合中同时存在第一匹配度、第二匹配度、第三匹配度中的任意两种匹配度时,也可以采用梯度提升树算法选取目标图片,这里不再赘述。
步骤409,将目标文本和目标图片进行组合,生成目标信息。
在本实施例中,基于步骤401所接收到的信息生成请求中的目标文本和步骤408所选取出的目标图片,电子设备可以将目标文本和目标图片进行组合,以生成目标信息。其中,目标图片和目标文本可以布局在目标信息中的任何位置,例如,目标图片可以布局在右上角位置,目标文本可以布局在除右上角位置之外的其他位置;目标图片还可以布局在中间位置,目标文本可以环绕在目标图片的四周;目标图片还可以布局在左侧,目标文本可以布局在右侧。
从图4中可以看出,与图2对应的实施例相比,本实施例中的信息生成方法的流程400突出了选取目标图片的步骤。由此,本实施例描述的方案可以从多方面分析来确定候选图片与扩展搜索信息之间的总匹配度,从而使计算出的候选图片与扩展搜索信息之间的总匹配度更加准确,有助于进一步提高所生成的信息中的文本和图片之间的匹配度。
进一步参考图5,作为对上述各图所示方法的实现,本申请提供了一种信息生成装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图5所示,本实施例的信息生成装置500包括:接收单元501、扩展单元502、选取单元503和生成单元504。其中,接收单元501,配置用于接收终端设备发送的信息生成请求,其中,信息生成请求包括目标文本和目标文本的搜索信息;扩展单元502,配置用于对搜索信息进行扩展,生成扩展搜索信息,其中,扩展搜索信息包括与搜索信息表意相同或相近的搜索信息;选取单元503,配置用于从候选图片集合中选取与扩展搜索信息具有匹配关系的候选图片作为目标图片;生成单元504,配置用于将目标文本和目标图片进行组合,生成目标信息。
在本实施例中,信息生成装置500中:接收单元501、扩展单元502、选取单元503和生成单元504的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201、步骤202、步骤203和步骤204的相关说明,在此不再赘述。
在本实施例的一些可选的实现方式中,选取单元503可以包括:第一提取子单元(图中未示出),配置用于提取扩展搜索信息的特征向量;第一确定子单元(图中未示出),配置用于对于候选图片集合中的每张候选图片,提取该候选图片的描述信息的特征向量;基于该候选图片的描述信息的特征向量和扩展搜索信息的特征向量,确定该候选图片与扩展搜索信息之间的第一匹配度;第一添加子单元(图中未示出),配置用于将所确定出的各个第一匹配度添加到匹配度集合中;选取子单元(图中未示出),配置用于对匹配度集合进行分析,基于分析结果从候选图片集合中选取出至少一张候选图片作为目标图片。
在本实施例的一些可选的实现方式中,选取单元503还可以包括:输出子单元(图中未示出),配置用于对于候选图片集合中的每张候选图片,将该候选图片的描述信息和扩展搜索信息输入至预先训练的多层神经网络中,得到该候选图片与扩展搜索信息之间的第二匹配度,其中,多层神经网络用于输出图片与扩展搜索信息之间的第二匹配度;第二添加子单元(图中未示出),配置用于将所得到的各个第二匹配度添加到匹配度集合中。
在本实施例的一些可选的实现方式中,选取单元503还可以包括:获取子单元(图中未示出),配置用于获取利用扩展搜索信息进行搜索所得到搜索图片集合;第二提取子单元(图中未示出),配置用于提取搜索图片集合中的各张搜索图片的图像特征向量;第二确定子单元(图中未示出),配置用于对于候选图片集合中的每张候选图片,提取该候选图片的图像特征向量;基于该候选图片的图像特征向量和搜索图片集合中的各张搜索图片的图像特征向量,确定该候选图片与扩展搜索信息之间的第三匹配度;第三添加子单元(图中未示出),配置用于将所确定出的各个第三匹配度添加到匹配度集合中。
在本实施例的一些可选的实现方式中,选取子单元可以包括:累加模块(图中未示出),配置用于对于候选图片集合中的每张候选图片,利用梯度提升树算法,对匹配度集合中的、该候选图片与扩展搜索信息之间的第一匹配度、第二匹配度和第三匹配度进行加权累加,得到该候选图片与扩展搜索信息之间总匹配度;选取模块(图中未示出),配置用于从候选图片集合中选取出至少一张总匹配度大于预设匹配度阈值的候选图片作为目标图片。
下面参考图6,其示出了适于用来实现本申请实施例的服务器的计算机系统600的结构示意图。图6示出的服务器仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图6所示,计算机系统600包括中央处理单元(CPU)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有系统600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605:包括键盘、鼠标等的输入部分606;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607;包括硬盘等的存储部分608;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器610上,以便于从其上读出的计算机程序根据需要被安装入存储部分608。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分609从网络上被下载和安装,和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时,执行本申请的方法中限定的上述功能。需要说明的是,本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、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。在本申请中,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系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的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。计算机可读的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,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、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:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
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申请的操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、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系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括接收单元、扩展单元、选取单元和生成单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,接收单元还可以被描述为“接收终端设备发送的信息生成请求的单元”。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的服务器中所包含的;也可以是单独存在,而未装配入该服务器中。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服务器执行时,使得该服务器:接收终端设备发送的信息生成请求,其中,信息生成请求包括目标文本和目标文本的搜索信息;对搜索信息进行扩展,生成扩展搜索信息,其中,扩展搜索信息包括与搜索信息表意相同或相近的搜索信息;从候选图片集合中选取与扩展搜索信息具有匹配关系的候选图片作为目标图片;将目标文本和目标图片进行组合,生成目标信息。
以上描述仅为本申请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,本申请中所涉及的发明范围,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发明构思的情况下,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。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (12)
1.一种信息生成方法,其特征在于,所述方法包括:
接收终端设备发送的信息生成请求,其中,所述信息生成请求包括目标文本和所述目标文本的搜索信息;
对所述搜索信息进行扩展,生成扩展搜索信息,其中,所述扩展搜索信息包括与所述搜索信息表意相同或相近的搜索信息;
从候选图片集合中选取与所述扩展搜索信息具有匹配关系的候选图片作为目标图片;
将所述目标文本和所述目标图片进行组合,生成目标信息。
2.根据权利要求1所述的方法,其特征在于,所述从候选图片集合中选取与所述扩展搜索信息具有匹配关系的候选图片作为目标图片,包括:
提取所述扩展搜索信息的特征向量;
对于所述候选图片集合中的每张候选图片,提取该候选图片的描述信息的特征向量;基于该候选图片的描述信息的特征向量和所述扩展搜索信息的特征向量,确定该候选图片与所述扩展搜索信息之间的第一匹配度;
将所确定出的各个第一匹配度添加到匹配度集合中;
对所述匹配度集合进行分析,基于分析结果从所述候选图片集合中选取出至少一张候选图片作为目标图片。
3.根据权利要求2所述的方法,其特征在于,所述从候选图片集合中选取与所述扩展搜索信息具有匹配关系的候选图片作为目标图片,还包括:
对于所述候选图片集合中的每张候选图片,将该候选图片的描述信息和所述扩展搜索信息输入至预先训练的多层神经网络中,得到该候选图片与所述扩展搜索信息之间的第二匹配度,其中,所述多层神经网络用于表征图片的描述信息和扩展搜索信息与第二匹配度的对应关系;
将所得到的各个第二匹配度添加到所述匹配度集合中。
4.根据权利要求3所述的方法,其特征在于,所述从候选图片集合中选取与所述扩展搜索信息具有匹配关系的候选图片作为目标图片,还包括:
获取利用所述扩展搜索信息进行搜索所得到搜索图片集合;
提取所述搜索图片集合中的各张搜索图片的图像特征向量;
对于所述候选图片集合中的每张候选图片,提取该候选图片的图像特征向量;基于该候选图片的图像特征向量和所述搜索图片集合中的各张搜索图片的图像特征向量,确定该候选图片与所述扩展搜索信息之间的第三匹配度;
将所确定出的各个第三匹配度添加到匹配度集合中。
5.根据权利要求4所述的方法,其特征在于,所述对所述匹配度集合进行分析,基于分析结果从所述候选图片集合中选取出至少一张候选图片作为目标图片,包括:
对于所述候选图片集合中的每张候选图片,利用梯度提升树算法,对所述匹配度集合中的、该候选图片与所述扩展搜索信息之间的第一匹配度、第二匹配度和第三匹配度进行加权累加,得到该候选图片与所述扩展搜索信息之间总匹配度;
从所述候选图片集合中选取出至少一张总匹配度大于预设匹配度阈值的候选图片作为目标图片。
6.一种信息生成装置,其特征在于,所述装置包括:
接收单元,配置用于接收终端设备发送的信息生成请求,其中,所述信息生成请求包括目标文本和所述目标文本的搜索信息;
扩展单元,配置用于对所述搜索信息进行扩展,生成扩展搜索信息,其中,所述扩展搜索信息包括与所述搜索信息表意相同或相近的搜索信息;
选取单元,配置用于从候选图片集合中选取与所述扩展搜索信息具有匹配关系的候选图片作为目标图片;
生成单元,配置用于将所述目标文本和所述目标图片进行组合,生成目标信息。
7.根据权利要求6所述的装置,其特征在于,所述选取单元包括:
第一提取子单元,配置用于提取所述扩展搜索信息的特征向量;
第一确定子单元,配置用于对于所述候选图片集合中的每张候选图片,提取该候选图片的描述信息的特征向量;基于该候选图片的描述信息的特征向量和所述扩展搜索信息的特征向量,确定该候选图片与所述扩展搜索信息之间的第一匹配度;
第一添加子单元,配置用于将所确定出的各个第一匹配度添加到匹配度集合中;
选取子单元,配置用于对所述匹配度集合进行分析,基于分析结果从所述候选图片集合中选取出至少一张候选图片作为目标图片。
8.根据权利要求7所述的装置,其特征在于,所述选取单元还包括:
输出子单元,配置用于对于所述候选图片集合中的每张候选图片,将该候选图片的描述信息和所述扩展搜索信息输入至预先训练的多层神经网络中,得到该候选图片与所述扩展搜索信息之间的第二匹配度,其中,所述多层神经网络用于输出图片与扩展搜索信息之间的第二匹配度;
第二添加子单元,配置用于将所得到的各个第二匹配度添加到所述匹配度集合中。
9.根据权利要求8所述的装置,其特征在于,所述选取单元还包括:
获取子单元,配置用于获取利用所述扩展搜索信息进行搜索所得到搜索图片集合;
第二提取子单元,配置用于提取所述搜索图片集合中的各张搜索图片的图像特征向量;
第二确定子单元,配置用于对于所述候选图片集合中的每张候选图片,提取该候选图片的图像特征向量;基于该候选图片的图像特征向量和所述搜索图片集合中的各张搜索图片的图像特征向量,确定该候选图片与所述扩展搜索信息之间的第三匹配度;
第三添加子单元,配置用于将所确定出的各个第三匹配度添加到匹配度集合中。
10.根据权利要求9所述的装置,其特征在于,所述选取子单元包括:
累加模块,配置用于对于所述候选图片集合中的每张候选图片,利用梯度提升树算法,对所述匹配度集合中的、该候选图片与所述扩展搜索信息之间的第一匹配度、第二匹配度和第三匹配度进行加权累加,得到该候选图片与所述扩展搜索信息之间总匹配度;
选取模块,配置用于从所述候选图片集合中选取出至少一张总匹配度大于预设匹配度阈值的候选图片作为目标图片。
11.一种服务器,其特征在于,所述服务器包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。
12.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-5中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710983221.9A CN107748779A (zh) | 2017-10-20 | 2017-10-20 | 信息生成方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710983221.9A CN107748779A (zh) | 2017-10-20 | 2017-10-20 | 信息生成方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107748779A true CN107748779A (zh) | 2018-03-02 |
Family
ID=61253957
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710983221.9A Pending CN107748779A (zh) | 2017-10-20 | 2017-10-20 | 信息生成方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107748779A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109947526A (zh) * | 2019-03-29 | 2019-06-28 | 北京百度网讯科技有限公司 | 用于输出信息的方法和装置 |
CN109948115A (zh) * | 2019-03-13 | 2019-06-28 | 启发(天津)电子科技有限公司 | 一种图形确定方法、装置、设备及存储介质 |
CN110276033A (zh) * | 2019-06-28 | 2019-09-24 | 京东方科技集团股份有限公司 | 图片匹配方法及服务器、计算机可读存储介质、电子设备 |
CN112100446A (zh) * | 2019-06-18 | 2020-12-18 | 上海赜睿信息科技有限公司 | 搜索方法、可读存储介质和电子设备 |
CN112287168A (zh) * | 2020-10-30 | 2021-01-29 | 北京有竹居网络技术有限公司 | 用于生成视频的方法和装置 |
CN112287173A (zh) * | 2020-10-30 | 2021-01-29 | 北京有竹居网络技术有限公司 | 用于生成信息的方法和装置 |
CN113515709A (zh) * | 2021-07-09 | 2021-10-19 | 北京字节跳动网络技术有限公司 | 一种搜索信息展示方法、装置、计算机设备及存储介质 |
CN112100446B (zh) * | 2019-06-18 | 2024-05-14 | 上海赜睿信息科技有限公司 | 搜索方法、可读存储介质和电子设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103473327A (zh) * | 2013-09-13 | 2013-12-25 | 广东图图搜网络科技有限公司 | 图像检索方法与系统 |
CN103714094A (zh) * | 2012-10-09 | 2014-04-09 | 富士通株式会社 | 识别视频中的对象的设备和方法 |
CN104239535A (zh) * | 2014-09-22 | 2014-12-24 | 重庆邮电大学 | 一种为文字配图的方法、服务器、终端及系统 |
CN104298749A (zh) * | 2014-10-14 | 2015-01-21 | 杭州淘淘搜科技有限公司 | 一种图像视觉和文本语义融合商品检索方法 |
US20150186739A1 (en) * | 2014-01-02 | 2015-07-02 | Robert Taaffe Lindsay | Method and system of identifying an entity from a digital image of a physical text |
CN104965921A (zh) * | 2015-07-10 | 2015-10-07 | 陈包容 | 信息匹配的方法 |
CN106021364A (zh) * | 2016-05-10 | 2016-10-12 | 百度在线网络技术(北京)有限公司 | 图片搜索相关性预测模型的建立、图片搜索方法和装置 |
CN107169031A (zh) * | 2017-04-17 | 2017-09-15 | 广东工业大学 | 一种基于深度表达的图片素材推荐方法 |
-
2017
- 2017-10-20 CN CN201710983221.9A patent/CN107748779A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103714094A (zh) * | 2012-10-09 | 2014-04-09 | 富士通株式会社 | 识别视频中的对象的设备和方法 |
CN103473327A (zh) * | 2013-09-13 | 2013-12-25 | 广东图图搜网络科技有限公司 | 图像检索方法与系统 |
US20150186739A1 (en) * | 2014-01-02 | 2015-07-02 | Robert Taaffe Lindsay | Method and system of identifying an entity from a digital image of a physical text |
CN104239535A (zh) * | 2014-09-22 | 2014-12-24 | 重庆邮电大学 | 一种为文字配图的方法、服务器、终端及系统 |
CN104298749A (zh) * | 2014-10-14 | 2015-01-21 | 杭州淘淘搜科技有限公司 | 一种图像视觉和文本语义融合商品检索方法 |
CN104965921A (zh) * | 2015-07-10 | 2015-10-07 | 陈包容 | 信息匹配的方法 |
CN106021364A (zh) * | 2016-05-10 | 2016-10-12 | 百度在线网络技术(北京)有限公司 | 图片搜索相关性预测模型的建立、图片搜索方法和装置 |
CN107169031A (zh) * | 2017-04-17 | 2017-09-15 | 广东工业大学 | 一种基于深度表达的图片素材推荐方法 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109948115A (zh) * | 2019-03-13 | 2019-06-28 | 启发(天津)电子科技有限公司 | 一种图形确定方法、装置、设备及存储介质 |
CN109948115B (zh) * | 2019-03-13 | 2023-06-06 | 启发(天津)电子科技有限公司 | 一种图形确定方法、装置、设备及存储介质 |
CN109947526A (zh) * | 2019-03-29 | 2019-06-28 | 北京百度网讯科技有限公司 | 用于输出信息的方法和装置 |
CN109947526B (zh) * | 2019-03-29 | 2023-04-11 | 北京百度网讯科技有限公司 | 用于输出信息的方法和装置 |
CN112100446A (zh) * | 2019-06-18 | 2020-12-18 | 上海赜睿信息科技有限公司 | 搜索方法、可读存储介质和电子设备 |
CN112100446B (zh) * | 2019-06-18 | 2024-05-14 | 上海赜睿信息科技有限公司 | 搜索方法、可读存储介质和电子设备 |
CN110276033A (zh) * | 2019-06-28 | 2019-09-24 | 京东方科技集团股份有限公司 | 图片匹配方法及服务器、计算机可读存储介质、电子设备 |
CN112287168A (zh) * | 2020-10-30 | 2021-01-29 | 北京有竹居网络技术有限公司 | 用于生成视频的方法和装置 |
CN112287173A (zh) * | 2020-10-30 | 2021-01-29 | 北京有竹居网络技术有限公司 | 用于生成信息的方法和装置 |
CN113515709A (zh) * | 2021-07-09 | 2021-10-19 | 北京字节跳动网络技术有限公司 | 一种搜索信息展示方法、装置、计算机设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107748779A (zh) | 信息生成方法和装置 | |
CN107133202A (zh) | 基于人工智能的文本校验方法和装置 | |
CN107766940A (zh) | 用于生成模型的方法和装置 | |
CN108090162A (zh) | 基于人工智能的信息推送方法和装置 | |
CN107491547A (zh) | 基于人工智能的搜索方法和装置 | |
CN107105031A (zh) | 信息推送方法和装置 | |
CN108121800A (zh) | 基于人工智能的信息生成方法和装置 | |
JP2021006991A (ja) | マルチユーザ共同データ分析を要約及び指示する方法、プログラム、及び装置 | |
CN107273503A (zh) | 用于生成同语言平行文本的方法和装置 | |
CN107919129A (zh) | 用于控制页面的方法和装置 | |
CN108108499A (zh) | 人脸检索方法、装置、存储介质及设备 | |
CN107346336A (zh) | 基于人工智能的信息处理方法和装置 | |
WO2021143267A1 (zh) | 基于图像检测的细粒度分类模型处理方法、及其相关设备 | |
CN106484766B (zh) | 基于人工智能的搜索方法和装置 | |
CN111666416B (zh) | 用于生成语义匹配模型的方法和装置 | |
CN107958247A (zh) | 用于人脸图像识别的方法和装置 | |
CN107861954A (zh) | 基于人工智能的信息输出方法和装置 | |
CN109165344A (zh) | 用于推送信息的方法和装置 | |
US20210279279A1 (en) | Automated graph embedding recommendations based on extracted graph features | |
CN108287927A (zh) | 用于获取信息的方法及装置 | |
CN108959087A (zh) | 测试方法和装置 | |
CN108062416B (zh) | 用于在地图上生成标签的方法和装置 | |
CN111428078B (zh) | 音频指纹编码方法、装置、计算机设备及存储介质 | |
JP2023535108A (ja) | ビデオタグ推薦モデルのトレーニング方法及びビデオタグの決定方法、それらの装置、電子機器、記憶媒体及びコンピュータプログラム | |
CN110427915A (zh) | 用于输出信息的方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180302 |