CN109408706B - 一种图像过滤方法 - Google Patents
一种图像过滤方法 Download PDFInfo
- Publication number
- CN109408706B CN109408706B CN201811100541.6A CN201811100541A CN109408706B CN 109408706 B CN109408706 B CN 109408706B CN 201811100541 A CN201811100541 A CN 201811100541A CN 109408706 B CN109408706 B CN 109408706B
- Authority
- CN
- China
- Prior art keywords
- news
- filtered
- image
- label
- entity
- 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
Links
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请提供一种图像过滤方法,所述方法包括根据待过滤新闻的标题关键词和主题提取待过滤新闻对应的标签;识别所述待过滤新闻的图像对应的实体;根据所述实体与所述标签的相关性,去除所述待过滤新闻中相关性低于预设阈值的图像。采用本申请提供的技术方案,可以自动滤除新闻中与文字内容无关的图像,以提升新闻的可靠性和有效性。
Description
【技术领域】
本申请涉及网络技术领域,尤其涉及一种图像过滤方法。
【背景技术】
随着新闻事业和互联网的快速发展,新闻信息的表现形式和发布渠道日趋多样化,新闻的抓取和推送功能得到了广泛引用。但是,新闻信息来源来自于不同领域,如何保证信息来源的可靠性和有效性是当前信息研究和报送业务面临的主要问题之一。其中,主要涉及图文一致性,例如,如果抓取的新闻中,文字内容和图像内容不相关,这会大大影响新闻的有效性,并使用户怀疑该条新闻的可靠性。
【发明内容】
本申请的多个方面提供一种图像过滤方法,用以减少新闻中图文不一致的问题。
本申请的一方面,提供一种图像过滤方法,包括:
根据待过滤新闻的标题关键词和主题提取待过滤新闻对应的标签;
识别所述待过滤新闻的图像对应的实体;
根据所述实体与所述标签的相关性,去除所述待过滤新闻中相关性低于预设阈值的图像。
本申请的另一方面,提供一种设备,其特征在于,所述设备包括:
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任一上述的方法。
本申请的另一方面,提供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,该程序被处理器执行时实现任一上述的方法。
由所述技术方案可知,采用本实施例提供的技术方案,可以自动滤除新闻中与文字内容无关的图像,以提升新闻的可靠性和有效性。
【附图说明】
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请一实施例提供的图像过滤方法的流程示意图;
图2为适于用来实现本发明实施例的示例性计算机系统/服务器的框图。
【具体实施方式】
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的全部其他实施例,都属于本申请保护的范围。
另外,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
图1为本申请一实施例提供的图像过滤方法的流程图,如图1所示,包括以下步骤:
步骤S11、根据待过滤新闻的标题关键词和主题提取待过滤新闻对应的标签;
步骤S12、识别所述待过滤新闻的图像对应的实体;
步骤S13、根据所述实体与所述标签的相关性,去除所述待过滤新闻中相关性低于预设阈值的图像。
在步骤S11的一种优选实现方式中,包括以下子步骤:
子步骤S111、对待过滤新闻进行预处理;
优选地,抓取的新闻首先会经过新闻预处理,去除不包括图像的纯文字新闻,对于所述不包括图像的纯文字新闻,可简单将过滤结果置为“未过滤”。。优选地,可以为所述不包括图像的纯文字新闻添加“未进行图像过滤”标签。
子步骤S112、对预处理后的待过滤及新闻进行分割,得到所述待过滤新闻的标题及正文;
优选地,将得到的第一新闻分割为标题与正文部分,分别存储在redis上,例如,通过uinfo和content两个key来索引。redis是一个开源的使用ANSI C语言编写、支持网络、可基于内存亦可持久化的日志型、Key-Value数据库,并提供多种语言的API。
子步骤S113、对所述标题进行关键词提取;
优选地,对所述标题进行分词,根据分词结果进行关键词提取及权重计算,输出格式为“词#词性#权重”。
优选地,采用NLP自然语言处理技术对所述标题进行分词,例如基于词典(基于字典、词库匹配)、基于统计(基于次频度统计)、基于规则(基于知识理解)的分词算法对所述标题进行分词
优选地,同时还可以对单个关键词进行word2vec的扩展,word2vec是一个将单词转换成向量形式的工具,可以把对文本内容的处理简化为向量空间中的向量运算,其本质上来说是一个矩阵分解的模型,矩阵刻画了每个关键词和其上下文的词的集合的相关情况。对这个矩阵进行分解,只取每个关键词对应在隐含空间的向量,由此完成word到vector(向量)的映射,再根据vector之间两两相似度,计算出与该关键词相关扩展后的词语,即扩展关键词。
子步骤S114、对所述正文进行主题生成;
优选地,基于所述正文,计算其所属于的某几个主题及其权重。优选地,本发明实施例中,主题模型计算使用Spark框架的LDA模型计算包,主题个数定为200个,并且对于每个类别的新闻和整体所有新闻分别训练了一份LDA模型。
其中,Spark是Berkeley AMP实验室开源的类Hadoop MapReduce的通用并行计算框架。该分布式计算框架基于map reduce算法实现;并且Job中间输出与最终结果可以保存在内存中,从而在一定程度上减少了读写HDFS的I/O消耗。因此Spark能更好地适用于数据挖掘与机器学习等需要迭代型mapreduce算法的场景。Spark适合于迭代运算比较多的机器学习与数据挖掘算法。其基于内存的迭代计算框架,适用于需要多次操作特定数据集的应用场合。处理过程中需要反复操作的次数越多,所需读取的数据量越大,受益越大,数据量小但是计算密集度较大的场合,受益就相对较小。
优选地,选择训练语料库,所述训练语料为不同主题的新闻的正文部分。对每条新闻的正文部分进行分词操作并去除停用词;
选择Spark框架对语料库进行LDA模型训练,得到对应主题数目的主题-关键词分布矩阵;
任意选取一篇待过滤新闻,执行推理过程,最后得到该新闻正文所属的主题分布。
子步骤S115、根据所述关键词和所述主题获取所述待过滤新闻对应的标签;
优选地,对子步骤S113计算得到的原生关键词根据权重取排名靠前的几个(例如取Top3),word2vec扩展关键词取全部,作为第一部分;对子步骤S114计算得到的主题根据权重取排名靠前的几个(例如Top3),作为第二部分;根据所述第一部分和第二部分获取所述待过滤新闻对应的新闻标签。
优选地,所述新闻标签包括:汽车、科技、体育、历史、军事、社会、娱乐、政法、经济等。
优选地,不同新闻标签对应有不同的关键词,例如,“娱乐”新闻标签的对应的关键词可以是:粉丝、明星、恋情、综艺、嘉宾、春晚、演唱会...,其它新闻标签的种子关键词的筛选与此类似,可以根据人工经验进行有效设定,或根据已进行标注的训练样本进行统计得到。
优选地,不同新闻标签也对应有不同的主题,例如,“娱乐”新闻标签的对应的主题可以是:微博爆料、恋情绯闻、电影票房、演技评价、综艺话题...,其它新闻标签的主题的筛选与此类似,可以根据人工经验进行有效设定,或根据已进行标注的训练样本进行统计得到。
优选地,对于每个新闻标签,统计其对应的关键词在标题关键词中出现的频次,得到所述标题关键词对应每个新闻标签的概率,选择其对应的关键词出现总频次最高,即概率最高的新闻标签最为新闻最终的标签。
优选地,对于每个新闻标签,统计其对应的主题在正文主题中出现的频次,得到所述正文主题对应每个新闻标签的概率,选择其对应的主题出现总频次最高,即概率最高的新闻标签最为新闻最终的标签。
优选地,融合标题关键词和正文主题,分别设置对应的权重,得到所述待过滤新闻的新闻标签。
在步骤S12的一种优选实现方式中,识别待过滤新闻的图像对应的实体;
优选地,获取待过滤新闻中包括的图像,若其中包括多幅图像,则依次识别所述图像对应的实体。
在本实施例中,所述图像对应的实体为图像识别的结果,可以是图像中的人、风景、建筑物、艺术品等。
优选地,对所述图像进行识别,得到所述图像对应的实体以及置信度参数。对所述图像进行识别的一种可选实现方式为机器学习。机器学习方式可以包括但不限于:自动编码器(Auto Encoder)、稀疏编码(Sparse Coding)、深信度网络(Deep Belief Networks)。上述机器学习方式也可称之为深度学习。
在本实施例的一些可选的实现方式中,将所述图像输入预先训练的卷积神经网络模型中,利用所述预先训练的卷积神经网络模型对所述图像进行识别。
利用机器学习方式对应的识别模型对所述图像进行识别的原理概述如下:在利用识别模型(例如卷积神经网络模型)对所述图像进行识别时,可以将所述图像中用一些特征(例如尺度不变特征变换特征点)进行表示,生成输入向量,在经过识别模型对所述图像进行识别后,可以得到表征对应的实体的输出向量,识别模型可以用于指示输入向量到输出向量的映射关系,然后可以基于该映射关系,对待识别图像进行识别。
优选地,将所述图像的尺寸进行预处理,调整至固定尺寸大小。
所述卷积神经网络模型可以包括输入层、卷积层、池化层、全连接层和输出层;其中输入层的参数大小等于调整尺寸后的所述图像的尺寸。当所述图像输入至卷积神经网络的输入层后,随后进入卷积层,首先随机选取目标所述图像中的一小块作为样本,并从这个小样本中学习到一些特征信息,然后利用这个样本作为一个窗口依次滑过所述图像的所有像素区域,也就是说,从样本中学习到的特征信息跟所述图像做卷积运算,从而获得所述图像不同位置上最显著的特征信息。在做完卷积运算后,已经提取到所述图像的特征信息,但仅仅通过卷积运算提取的特征数量大,为了减少计算量,还需进行池化运算,也就是将从所述图像中通过卷积运算提取的特征信息传输至池化层,对提取的特征信息进行聚合统计,这些统计特征信息的数量级要远远低于卷积运算提取到的特征信息的数量级,同时还会提高分类效果。常用的池化方法主要包括平均池化运算方法和最大池化运算方法。平均池化运算方法是在一个特征信息集合里计算出一个平均特征信息代表该特征信息集合的特征;最大池化运算是在一个特征信息集合里提取出最大特征信息代表该特征信息集合的特征。通过卷积层的卷积处理和池化层的池化处理,可以提取出所述图像的结构特征信息,同时该态结构特征信息的数量少。卷积神经网络中的卷积层可以只有一层也可以有多层,同理池化层可以只有一层也可以有多层。
根据所述图像的结构特征信息,识别所述图像对应的实体。
利用卷积神经网络中的分类器,识别所述图像的结构特征信息与卷积神经网络模型中多个实体类别标签的匹配度,并将上述多个匹配度和实体类别标签进行关联。
在步骤S13的一种优选实现方式中,根据所述实体与所述标签的相关性,去除所述待过滤新闻中相关性低于预设阈值的图像。
优选地,根据预先建立的实体与标签的映射关系,判断待过滤新闻中图像对应的实体与新闻对应的标签的相关性。
优选地,预先统计训练库中,统计样本新闻对应的标签类别;统计样本新闻中图像对应的实体类别,建立实体与标签的对应关系。
优选地,所述相关性可以为一个实数打分或一个多维向量。当上述匹配程度满足一定预设条件时(例如:实数的大小超过一定阈值),则可以认为待过滤新闻中,标题、正文与图像一致,否则认为不一致。
在具体实现时,可以基于字典、概念树(taxonomy)或词向量等方法将上述新闻对应的标签与上述图片的实体类别标签进行文本相似度的比对。
本实施例所述方法,可以自动滤除新闻中与文字内容无关的图像,以提升新闻的可靠性和有效性。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本申请所必须的。
在所述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
图2示出了适于用来实现本发明实施方式的示例性计算机系统/服务器012的框图。图2显示的计算机系统/服务器012仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图2所示,计算机系统/服务器012以通用计算设备的形式表现。计算机系统/服务器012的组件可以包括但不限于:一个或者多个处理器或者处理单元016,系统存储器028,连接不同系统组件(包括系统存储器028和处理单元016)的总线018。
总线018表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
计算机系统/服务器012典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机系统/服务器012访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
系统存储器028可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)030和/或高速缓存存储器032。计算机系统/服务器012可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统034可以用于读写不可移动的、非易失性磁介质(图2未显示,通常称为“硬盘驱动器”)。尽管图2中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线018相连。存储器028可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块042的程序/实用工具040,可以存储在例如存储器028中,这样的程序模块042包括——但不限于——操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块042通常执行本发明所描述的实施例中的功能和/或方法。
计算机系统/服务器012也可以与一个或多个外部设备014(例如键盘、指向设备、显示器024等)通信,在本发明中,计算机系统/服务器012与外部雷达设备进行通信,还可与一个或者多个使得用户能与该计算机系统/服务器012交互的设备通信,和/或与使得该计算机系统/服务器012能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口022进行。并且,计算机系统/服务器012还可以通过网络适配器020与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图2所示,网络适配器020通过总线018与计算机系统/服务器012的其它模块通信。应当明白,尽管图2中未示出,可以结合计算机系统/服务器012使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元016通过运行存储在系统存储器028中的程序,从而执行本发明所描述的实施例中的功能和/或方法。
上述的计算机程序可以设置于计算机存储介质中,即该计算机存储介质被编码有计算机程序,该程序在被一个或多个计算机执行时,使得一个或多个计算机执行本发明上述实施例中所示的方法流程和/或装置操作。
随着时间、技术的发展,介质含义越来越广泛,计算机程序的传播途径不再受限于有形介质,还可以直接从网络下载等。可以采用一个或多个计算机可读的介质的任意组合。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。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(非穷举的列表)包括: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。在本文件中,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。
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发明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)。
最后应说明的是:以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (8)
1.一种图像过滤方法,其特征在于,包括:
根据待过滤新闻的标题关键词和主题,从新闻标签中提取待过滤新闻对应的标签,所述新闻标签的关键词和主题是根据预先设定或者统计得到的;
识别所述待过滤新闻的图像对应的实体;
根据所述实体与所述标签的相关性,去除所述待过滤新闻中相关性低于预设阈值的图像;
所述方法还包括:
对所述待过滤新闻进行预处理,去除不包括图像的待过滤新闻;
所述识别待过滤新闻的图像对应的实体包括:
将所述图像输入预先训练的卷积神经网络模型中,利用所述预先训练的卷积神经网络模型对所述图像进行识别。
2.根据权利要求1所述的方法,其特征在于,根据待过滤新闻的标题关键词和主题提取待过滤新闻对应的标签包括:
对所述待过滤新闻进行分割,得到所述待过滤新闻的标题及正文;
对所述标题进行关键词提取,对所述正文进行主题生成;
根据所述关键词和所述主题获取所述待过滤新闻对应的标签。
3.根据权利要求2所述的方法,其特征在于,对所述标题进行关键词提取包括:
对所述标题进行分词,根据分词结果进行关键词提取及权重计算。
4.根据权利要求2所述的方法,其特征在于,对所述正文进行主题生成包括:
基于预先训练的LDA主题模型,计算所述正文的主题。
5.根据权利要求2所述的方法,其特征在于,根据所述关键词、主题获取待过滤新闻的对应标签包括:
为所述关键词和所述主题设置对应的权重,根据所述权重将所述关键词对应于每个标签的概率和所述主题对应于每个标签的概率进行融合,将融合后概率最大的标签作为所述待过滤新闻对应的标签。
6.根据权利要求1所述的方法,其特征在于,所述实体与所述标签的相关性通过以下步骤得到:
根据预先建立的实体与标签的映射关系,判断待过滤新闻中图像对应的实体与待过滤新闻对应的标签的相关性。
7.一种设备,其特征在于,所述设备包括:
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1-6中任一所述的方法。
8.一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,该程序被处理器执行时实现如权利要求1-6中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811100541.6A CN109408706B (zh) | 2018-09-20 | 2018-09-20 | 一种图像过滤方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811100541.6A CN109408706B (zh) | 2018-09-20 | 2018-09-20 | 一种图像过滤方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109408706A CN109408706A (zh) | 2019-03-01 |
CN109408706B true CN109408706B (zh) | 2022-05-03 |
Family
ID=65466001
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811100541.6A Active CN109408706B (zh) | 2018-09-20 | 2018-09-20 | 一种图像过滤方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109408706B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106777177A (zh) * | 2016-12-22 | 2017-05-31 | 百度在线网络技术(北京)有限公司 | 检索方法和装置 |
CN107241260A (zh) * | 2017-06-02 | 2017-10-10 | 北京百度网讯科技有限公司 | 基于人工智能的新闻推送的方法和装置 |
CN108376132A (zh) * | 2018-03-16 | 2018-08-07 | 中国科学技术大学 | 相似试题的判定方法及系统 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2479627A1 (en) * | 2003-09-14 | 2005-03-14 | Yaron Mayer | System and method for improved searching on the internet or similar networks and especially improved metanews and/or improved automatically generated newspapers |
CN101976252B (zh) * | 2010-10-26 | 2012-10-10 | 百度在线网络技术(北京)有限公司 | 图片展示系统及其展示方法 |
US11023514B2 (en) * | 2016-02-26 | 2021-06-01 | Snap Inc. | Methods and systems for generation, curation, and presentation of media collections |
CN106202294B (zh) * | 2016-07-01 | 2020-09-11 | 北京奇虎科技有限公司 | 基于关键词和主题模型融合的相关新闻计算方法及装置 |
CN106777143A (zh) * | 2016-12-19 | 2017-05-31 | 北京麒麟合盛网络技术有限公司 | 一种新闻聚合方法及新闻聚合服务器 |
CN106709052B (zh) * | 2017-01-06 | 2020-09-04 | 电子科技大学 | 一种基于关键词的主题网络爬虫设计方法 |
CN106844685B (zh) * | 2017-01-26 | 2020-07-28 | 百度在线网络技术(北京)有限公司 | 用于识别网站的方法、装置及服务器 |
US20180246974A1 (en) * | 2017-02-28 | 2018-08-30 | Laserlike Inc. | Enhanced search for generating a content feed |
-
2018
- 2018-09-20 CN CN201811100541.6A patent/CN109408706B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106777177A (zh) * | 2016-12-22 | 2017-05-31 | 百度在线网络技术(北京)有限公司 | 检索方法和装置 |
CN107241260A (zh) * | 2017-06-02 | 2017-10-10 | 北京百度网讯科技有限公司 | 基于人工智能的新闻推送的方法和装置 |
CN108376132A (zh) * | 2018-03-16 | 2018-08-07 | 中国科学技术大学 | 相似试题的判定方法及系统 |
Non-Patent Citations (2)
Title |
---|
ÇağdaşBilen 等.Supervised learning of low-rank transforms for image retrieval.《2016 IEEE International Conference on Image Processing (ICIP)》.2016,2455-2459. * |
基于语义信息的服饰检索平台;荣春雨;《中国优秀硕士学位论文全文数据库 信息科技辑》;20180115(第01(2018)期);I138-1299 * |
Also Published As
Publication number | Publication date |
---|---|
CN109408706A (zh) | 2019-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112131350B (zh) | 文本标签确定方法、装置、终端及可读存储介质 | |
CN113627447B (zh) | 标签识别方法、装置、计算机设备、存储介质及程序产品 | |
CN113011186B (zh) | 命名实体识别方法、装置、设备及计算机可读存储介质 | |
CN113850162B (zh) | 一种视频审核方法、装置及电子设备 | |
CN111582409A (zh) | 图像标签分类网络的训练方法、图像标签分类方法及设备 | |
WO2022001232A1 (zh) | 一种问答数据增强方法、装置、计算机设备及存储介质 | |
EP3620982B1 (en) | Sample processing method and device | |
CN111475622A (zh) | 一种文本分类方法、装置、终端及存储介质 | |
CN113705299A (zh) | 一种视频识别的方法、装置及存储介质 | |
CN114283350B (zh) | 视觉模型训练和视频处理方法、装置、设备及存储介质 | |
CN116861995A (zh) | 多模态预训练模型的训练及多模态数据处理方法和装置 | |
CN112148831B (zh) | 图文混合检索方法、装置、存储介质、计算机设备 | |
WO2023179429A1 (zh) | 一种视频数据的处理方法、装置、电子设备及存储介质 | |
CN113408282B (zh) | 主题模型训练和主题预测方法、装置、设备及存储介质 | |
CN117011737A (zh) | 一种视频分类方法、装置、电子设备和存储介质 | |
CN115935049A (zh) | 基于人工智能的推荐处理方法、装置及电子设备 | |
CN113704508A (zh) | 多媒体信息识别方法、装置、电子设备及存储介质 | |
CN112199954A (zh) | 基于语音语义的疾病实体匹配方法、装置及计算机设备 | |
CN116010545A (zh) | 一种数据处理方法、装置及设备 | |
CN109408706B (zh) | 一种图像过滤方法 | |
CN111768214A (zh) | 产品属性的预测方法、系统、设备和存储介质 | |
CN114579876A (zh) | 虚假信息检测方法、装置、设备及介质 | |
CN117009577A (zh) | 一种视频数据处理方法、装置、设备及可读存储介质 | |
CN113792163B (zh) | 多媒体推荐方法、装置、电子设备及存储介质 | |
Ramya et al. | XML based approach for object oriented medical video retrieval using neural networks |
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 |