CN110377778A - 基于标题图相关性的图排序方法、装置及电子设备 - Google Patents

基于标题图相关性的图排序方法、装置及电子设备 Download PDF

Info

Publication number
CN110377778A
CN110377778A CN201910622591.9A CN201910622591A CN110377778A CN 110377778 A CN110377778 A CN 110377778A CN 201910622591 A CN201910622591 A CN 201910622591A CN 110377778 A CN110377778 A CN 110377778A
Authority
CN
China
Prior art keywords
text
sequence
term vector
title
keyword
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
CN201910622591.9A
Other languages
English (en)
Inventor
高永强
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 ByteDance Network Technology Co Ltd
Original Assignee
Beijing ByteDance Network 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 ByteDance Network Technology Co Ltd filed Critical Beijing ByteDance Network Technology Co Ltd
Priority to CN201910622591.9A priority Critical patent/CN110377778A/zh
Publication of CN110377778A publication Critical patent/CN110377778A/zh
Pending legal-status Critical Current

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
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/34—Browsing; Visualisation therefor
    • G06F16/345—Summarisation for human users
    • 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
    • G06F16/53—Querying
    • G06F16/538—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
    • G06F16/50—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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Library & Information Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本公开实施例中提供了一种基于标题图相关性的图排序方法、装置及电子设备，属于人工智能技术领域，该方法包括：收集文本关键词序列并计算所述文本关键词序列的词向量；生成与所述文本的配图对应的配图关键词序列并计算所述配图关键词序列的词向量；计算所述文本关键词序列的词向量与所述配图关键词序列的词向量之间的相似度距离；以及根据所述相似度距离对所述文本的配图进行排序。通过本公开的处理方案，能够自动查找与文本标题相关的标题图并对文本的配图进行排序从而方便后续的进一步处理。

Description

基于标题图相关性的图排序方法、装置及电子设备
技术领域
本公开涉及人工智能技术领域，尤其涉及一种基于标题图相关性的图排序方法、装置及电子设备。
背景技术
传统的资讯类应用的信息流以时间线排序，其每次刷新根据权重时间等因素提取顶部的十几条咨询以供分发，这样的分发策略由于与文本的时间属性存在冲突，在应用时出现无法及时获取热点，刷出几天前的失效内容等严重影响使用的情况。
传统的编辑模式，主编的个人风格对于最终内容的影响很大，难以大量产出各个领域，迎合不同受众的内容；将内容众包，让各个领域的自媒体来生产多元的内容，从纯粹的新闻资讯转向综合性泛资讯，并通过算法将内容针对性分发，才可以满足用户的内容偏好。
在内容偏好时代，当用户打开应用程序的时候，每一条图文新闻均以标题结合封面的形式展示在用户面前，标题和封面提供给用户最直观、最概括的信息内容，而这很大程度上决定了用户是否点击该条新闻，因此为每条新闻选合适的封面展示图显得格外重要。此外，如果封面图选取不合适，则需要人工重新编辑封面图，而这一过程耗时耗力。
发明内容
有鉴于此，本公开实施例提供一种图像质量评估方法、装置及电子设备，至少部分解决现有技术中存在的问题。
第一方面，一种基于标题图相关性的图排序方法，包括：
收集文本关键词序列并计算所述文本关键词序列的词向量；
生成与所述文本的配图对应的配图关键词序列并计算所述配图关键词序列的词向量；
计算所述文本关键词序列的词向量与所述配图关键词序列的词向量之间的相似度距离；以及
根据所述相似度距离对所述文本的配图进行排序。
根据本公开实施例的一种具体实现方式，所述收集文本关键词序列，包括：
收集所述文本的标题、副标题以及描述性文字的关键词序列；
并且所述描述性文字包括所述文本的摘要。
根据本公开实施例的一种具体实现方式，所述收集所述文本的标题、副标题以及描述性文字的关键词序列，包括：
人工提取所述文本的标题、副标题以及描述性文字的关键词序列，或者采用TF-IDF方法、Rake方法或TextRank方法提取所述文本的标题、副标题以及描述性文字的关键词序列。
根据本公开实施例的一种具体实现方式，所述计算所述文本关键词序列的词向量或计算所述配图关键词序列的词向量，包括：
基于word2vector算法计算所述文本关键词序列的词向量或计算所述配图关键词序列的词向量，并且所述word2vector算法采用counting编码将语料库中的词转化成向量。
根据本公开实施例的一种具体实现方式，所述计算所述文本关键词序列的词向量或计算所述配图关键词序列的词向量，包括：
基于bert算法计算所述文本关键词序列的词向量或计算所述配图关键词序列的词向量。
根据本公开实施例的一种具体实现方式，所述生成与所述文本的配图的描述对应的配图关键词序列，包括：
收集所述文本中包含的所有配图；
训练看图说话模型；以及
向经训练的所述看图说话模型输入所述文本的配图以生成所述配图的描述对应的配图关键词序列。
根据本公开实施例的一种具体实现方式，所述训练看图说话模型，包括：
获取训练样本(I，S)，其中I表示配图，并且S指示所述配图对应的描述的关键词的序列S＝{S1,S2,...Sk}，其中k为关键词的个数；
计算所述看图说话模型对于输入配图I生成序列S的概率；
计算所述概率的对数似然函数；以及
计算所有训练样本的对数似然函数之和的最大值，以得到经训练的看图说话模型。
根据本公开实施例的一种具体实现方式，看图说话模型采用编码器-解码器框架，所述编码器-解码器框架使用卷积神经网络CNN作为所述编码器，并且采用循环神经网络RNN作为所述解码器。
根据本公开实施例的一种具体实现方式，看图说话模型采用编码器-解码器框架，所述编码器-解码器框架使用卷积神经网络CNN作为所述编码器，并且采用长短记忆LSTM网络作为所述解码器。
根据本公开实施例的一种具体实现方式，计算所述文本关键词的词向量与所述配图关键词序列的词向量之间的相似度距离，包括：
通过式子来计算文本关键词的词向量与所述配图关键词序列的词向量的相似度距离，
其中N为该文本的文本关键词的个数，M为与该文本的配图对应的序列词的个数，为第i张图第j个序列词对应的词向量，vk为文本关键词第k个序列词对应的词向量，为与vk的余弦距离。
根据本公开实施例的一种具体实现方式，根据所述相似度距离对所述文本的配图进行排序，包括：
根据所述相似度距离的值对所述配图进行升序排列；或者
根据所述相似度距离的值对所述配图进行降序排列。
第二方面，本公开实施例提供了一种基于标题图相关性的图排序装置，包括：
文本关键词序列模块，收集文本关键词序列并计算所述文本关键词序列的词向量；
配图关键词序列模块，生成与所述文本的配图对应的配图关键词序列并计算所述配图关键词序列的词向量；
相似度距离计算模块，计算所述文本关键词序列的词向量与所述配图关键词序列的词向量之间的相似度距离；以及
排序模块，根据所述相似度距离对所述文本的配图进行排序。
第三方面，本公开实施例还提供了一种电子设备，该电子设备包括：
至少一个处理器；以及，
与该至少一个处理器通信连接的存储器；其中，
该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行前述任第一方面或第一方面的任一实现方式中的图像质量评估方法。
第四方面，本公开实施例还提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述第一方面或第一方面的任一实现方式中的图像质量评估方法。
第五方面，本公开实施例还提供了一种计算机程序产品，该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序，该计算机程序包括程序指令，当该程序指令被计算机执行时，使该计算机执行前述第一方面或第一方面的任一实现方式中的图像质量评估方法。
本公开实施例中的基于标题图相关性的图排序方案，包括收集文本关键词序列并计算所述文本关键词序列的词向量；生成与所述文本的配图对应的配图关键词序列并计算所述配图关键词序列的词向量；计算所述文本关键词序列的词向量与所述配图关键词序列的词向量之间的相似度距离；以及根据所述相似度距离对所述文本的配图进行排序。通过本公开的处理方案，能够自动查找与文本标题相关的标题图并对文本的配图进行排序从而方便后续的进一步处理。
附图说明
为了更清楚地说明本公开实施例的技术方案，下面将对实施例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公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1为本公开实施例提供的一种基于标题图相关性的图排序方法的流程示意图；
图2为本公开实施例提供的生成与文本的配图对应的配图关键词序列的流程示意图；
图3为本公开实施例提供的训练看图说话模型的流程图；
图4为本公开实施例提供的生成与文本的配图对应的配图关键词序的网络结构示意图；
图5为本公开实施例提供的一种基于标题图相关性的图排序装置的结构示意图；
图6为本公开实施例提供的电子设备示意图。
具体实施方式
下面结合附图对本公开实施例进行详细描述。
以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，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所有其他实施例，都属于本公开保护的范围。
需要说明的是，下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见，本文中所描述的方面可体现于广泛多种形式中，且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开，所属领域的技术人员应了解，本文中所描述的一个方面可与任何其它方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上。举例来说，可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外，可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
还需要说明的是，以下实施例中所提供的图示仅以示意方式说明本公开的基本构想，图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
另外，在以下描述中，提供具体细节是为了便于透彻理解实例。然而，所属领域的技术人员将理解，可在没有这些特定细节的情况下实践所述方面。
本公开实施例提供一种基于标题图相关性的图排序方法。本实施例提供的基于标题图相关性的图排序方法可以由一计算装置来执行，该计算装置可以实现为软件，或者实现为软件和硬件的组合，该计算装置可以集成设置在服务器、终端设备等中。
首先，参见图1，本公开实施例提供的一种基于标题图相关性的图排序方法，包括：
S100:收集文本关键词序列并计算所述文本关键词序列的词向量。
一般而言，文本是书面语言的表现形式，其通常是具有完整、系统含义的一个句子或多个句子的组合，其通常含有标题、副标题、描述性文字和正文，描述性文字例如可以是文本的摘要部分。
关键词是指能反映文本主题或者主要内容的词语。对于特定文本，关键词可以具体是文本的标题、副标题、描述性文字或者正文的关键词。
在本公开实施例中，获取或者收集标题、副标题以及描述性文字中的关键词，从而得到标题关键词序列。但是应当理解，还可以从文本的正文获取关键词序列。
文本关键词的提取/收集可以通过人工实现，也可以通过关键词提取算法来实现。关键词提取算法例如是TF-IDF方法、Rake方法、TextRank方法等等。
例如，对于标题“一只正在飞翔的小鸟”，所提取的关键字序列可以是“飞翔”和“小鸟”。应当理解，从标题、副标题以及描述性文字中提取的关键词序列可以包括一个或者多个关键词。
在获得所述文本的关键词序列之后，根据特定的语料库计算关键词序列的词向量。根据本公开实施例的语料库可以是已有的公开语料库或者是针对特定场景收集的语料库，计算关键词序列的词向量可以采用基于word2vector或bert的计算方法，并且可以采用其他已知或者未来要开发的关键词序列的词向量计算方法。
另外，计算关键词序列的词向量可以计算所收集的全部关键词的词向量，并且也可以计算部分关键词的词向量。在本公开实施例中，计算关键词序列的在语料库中前N位的关键词的词向量。具体地，例如可以计算前3位、前5位、前10位关键词的词向量。并且，关键词的选择可以采用其他标准而不限于前N位关键词。
S200:生成与所述文本的配图对应的配图关键词序列并计算所述配图关键词序列的词向量。
一般而言，文本中会包含有配图(插图)，为了判断该配图与标题之间的相似度，在本公开实施例中，通过看图说话模型来将输入的配图输出为对该配图进行描述的一段文字，将所得到的文字转化为该配图的词向量，从而判断文本关键词的词向量与配图关键词的词向量之间的相似度。图2示出了生成与所述文本中所包含的所有配图对应的词的方法，该方法包括：
S201：收集所述文本中包含的所有配图。
S202:训练看图说话模型。
如上所述，在本公开实施例中，通过看图说话模型来生成配图的描述。看图说话模型的输入是一幅图像，输出是对该幅图像进行描述的一段文字。这项任务要求模型可以识别图片中的物体、理解物体间的关系，并用一句自然语言表达出来。
参见图3，在本公开实施例中，看图说话模型的训练过程如下：
S301：获取训练样本(I，S)，其中I表示配图，并且S指示所述配图对应的描述的关键词的序列S＝{S1,S2,...Sk}，其中k为关键词的个数；
S302:计算所述看图说话模型对于输入配图I生成序列S的概率。
在本示例性实施例中，对于模型θ,给定输入图片I，模型生成序列S的概率为：
S303:计算所述概率的对数似然函数。
上述模型生成序列S的概率被拆解成连乘的形式后，问题就变成了建模条件概率：
P(St|S0，S1，...，St-1，I；θ)
对以上似然函数取对数，即可得到对数似然函数：
S304:计算所有训练样本的对数似然函数之和的最大值，以得到经训练的看图说话模型。
在获得每个训练样本的对数似然函数之后，看图说话模型的训练目标就转变成最大化全部训练样本的对数似然之和：
其中(I，S)为训练样本。
这种极大似然估计的方式等价于使用对数损失函数的经验风险最小化。如此，可以获得经训练的模型。
S203:向经训练的模型输入所述文本的配图以生成所述配图的描述。
在通过步骤202获得了经训练的看图说话模型之后，对于生成过程，则是向所获得的经训练的模型输入文本的配图I，并输出最可能的序列：
通过该方法，得到文本中第i张配图的序列词S_imge_i。重复该过程，即可得到该文本的所有配图的序列词S。
通过看图说话模型获得对输入图像进行描述的文字的具体描述可例如参见https://www.cnblogs.com/Determined22/p/6910277.html，其全部内容通过引用结合于此。
在获得了第i张图的序列词S_imge_i之后，根据与在计算关键词序列的词向量时使用的语料库相同的语料库来计算序列词S_imge_i的词向量，并且计算序列词S_imge_i的词向量的方法也可以采用基于word2vector或bert的计算方法。
应当注意，虽然在本公开实施例中，根据相同的语料库来计算关键词序列和序列词S_imge_i的词向量，但是本公开实施例还可以使用不同的语料库来分别计算关键词序列和序列词S_imge_i的词向量。
S300:计算所述文本关键词的词向量与所述配图关键词序列的词向量之间的相似度距离。
在获得了文本关键词的词向量与所述配图关键词序列的词向量之后，为了判断二者的相似度，可以计算这两者的相似度距离。
具体地，参见图4，记N为该文本的文本关键词的个数，M为与该文本的配图对应的序列词的个数，为第i张图第j个序列词对应的词向量，vk为文本关键词第k个序列词对应的词向量，为与vk的余弦距离，则可以通过下式计算文本关键词的词向量与所述配图关键词序列的词向量的相似度距离：
虽然在本示例性实施例中，以余弦距离来计算文本关键词的词向量与配图关键词序列的词向量之间的相似度距离，但是本发明不限于此，而是可以采用其他已知或者待开发的相似度距离计算方法。
S400:根据所述相似度距离对所述文本的配图进行排序。
在根据S300中的步骤获得了文本关键词的词向量与配图关键词序列的词向量之间的相似度距离之后，可以根据相似度距离的值进行排序，排序可以进行升序排列也可以进行降序排列。如此，可以得到相似度高的几张配图，以便于后续的操作。
以上，参考附图描述了本公开实施例的基于标题图相关性的图排序方法，所述方法能够自动查找与文本标题相关的标题图并对文本的配图进行排序从而方便后续的进一步处理。
根据本公开实施例的一种具体实现方式，所述文本关键词的提取算法例如是TF-IDF方法、Rake方法、TextRank方法。
具体地，TF-IDF方法采用统计一个词在文中出现的次数(即词频)。此外，在词频的基础上，对每个词分配一个"重要性"权重。最常见的词(诸如"的"、"是"、"在"等)给予最小的权重，较常见的词(诸如"中国")给予较小的权重，并且较少见的词(诸如"蜜蜂"、"养殖")给予较大的权重，这个权重叫做"逆文档频率"。TF-IDF方法将这两个值相乘，以获得一个词的TF-IDF值。TF-IDF值越大，其对文章的重要性越高。因此，可以将TF-IDF值大的几个词作为该文本的关键词。
Rake方法首先使用标点符号(如半角的句号、问号、感叹号、逗号等)将一篇文本分成若干分句，然后对于每一个分句，使用停用词作为分隔符将分句分为若干短语，这些短语作为最终提取出的关键词的候选词。然后对于每个候选的关键短语，将其中每个单词的得分累加，进行排序，并将候选短语总数的前三分之一作为抽取出的关键词。
TextRank方法利用局部词汇之间关系对后续关键词进行排序，直接从文本本身抽取。其主要步骤如下：
(1)把给定的文本T按照完整句子进行分割，在本示例性实施例中，标题、副标题以及描述性文字可被认为是单路的完整句子；
(2)对于每个句子，进行分词和词性标注处理，并过滤掉停用词，只保留指定词性的单词，如名词、动词、形容词；
(3)构建候选关键词图，然后采用共现关系(co-occurrence)构造任两点之间的边；
(4)迭代传播各节点的权重，直至收敛；
(5)对节点权重进行倒序排序，从而得到最重要的T个单词，作为候选关键词；
(6)由(5)得到最重要的T个单词，在原始文本中进行标记，若形成相邻词组，则组合成多词关键词。
TextRank方法的示例可以参见https://www.cnblogs.com/clover-siyecao/p/5726480.html，其全部内容通过引用结合于此。
根据本公开实施例的一种具体实现方式，计算关键词序列的词向量可以采用基于word2vector或bert的计算方法。
其中，word2vector算法将语料库中的词转化成向量，其一般采用counting编码。表1示出了word2vector算法的一个示例，例如语料库中是如下三句话：
I like deep learning
I like NLP
I enjoy flying
则利用counting编码可以得到表1所示的矩阵：
表1：word2vector算法示例
假设语料库中的单词数量是N，则上图矩阵的大小就是N*N，其中的每一行就代表一个词的向量表示。如第一行
0 2 1 0 0 0 0
是单词I的向量表示，其中的2代表I这个单词与like这个词在语料库中共同出现了2次。
根据word2vector算法，容易地将语料库中的词转化成向量。
word2vector算法在词语数量较大时，向量维度高且稀疏，向量矩阵巨大而难以存储。因此，根据本公开实施例采用bert算法来计算关键词序列的词向量，bert算法的具体细节可参见https://www.cnblogs.com/rucwxb/p/10277217.html，其全部内容通过引用结合于此。
根据本公开实施例的一种具体实现方式，所述看图说话模型采用编码器-解码器框架，该结构能够解决长度不一致的映射问题。图3示出了其结构。其中w1，w2，w3...wn是输入序列，y1，y2，y3...yn是输出序列。h1，h2，h3...hn表示RNN的隐层状态。
其中，编码器将所有的输入w1，w2，w3...wn编码成一个古松的向量表示，即最后一个隐层状态h_{n}。并且将w1，w2，w3...wn转换成x1，x2，x3...xn也是其中的一个环节，称为word embedding。
解码器利用h_{n}进行解码，以输出合适的单词序列。在本公开实施例中，利用图像中使用的卷积神经网络CNN作为编码器，提取图像的视觉特征，使用性能更好的循环神经网络RNN作为解码器。
可替代地，可以使用长短记忆LSTM网络代替RNN网络，如此可以缓解“长时依赖”问题，其中长时依赖是指当前系统的状态，可能受很长时间之前系统状态的影响。
以上，以编码器-解码器框架的网络描述了看图说话模型，但是本发明不限于此，该网络可以采用任何机构，只要其含有全连接层即可。例如，看图说话模型可以采用<Showand Tell:A Neural Image Caption Generator>对应的网络结构。
图5所示装置可以对应的执行上述方法实施例中的内容，该基于标题图相关性的图排序装置500包括：
文本关键词序列模块501，收集文本关键词序列并计算所述文本关键词序列的词向量；
配图关键词序列模块502，生成与所述文本的配图对应的配图关键词序列并计算所述配图关键词序列的词向量；
相似度距离计算模块503，计算所述文本关键词序列的词向量与所述配图关键词序列的词向量之间的相似度距离；以及
排序模块504，根据所述相似度距离对所述文本的配图进行排序
本实施例未详细描述的部分，参照上述方法实施例中记载的内容，在此不再赘述。
参见图6，本公开实施例还提供了一种电子设备60，该电子设备包括：
至少一个处理器；以及，
与该至少一个处理器通信连接的存储器；其中，
该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行前述方法实施例中图像质量评估方法。
本公开实施例还提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述方法实施例中。
本公开实施例还提供了一种计算机程序产品，该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序，该计算机程序包括程序指令，当该程序指令被计算机执行时，使该计算机执行前述方法实施例中的图像质量评估方法。
下面参考图6，其示出了适于用来实现本公开实施例的电子设备60的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图6示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图6所示，电子设备60可以包括处理装置(例如中央处理器、图形处理器等)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装置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，还存储有电子设备60操作所需的各种程序和数据。处理装置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。
通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备60与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种装置的电子设备60，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开实施例的方法中限定的上述功能。
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、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。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、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：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取至少两个网际协议地址；向节点评价设备发送包括所述至少两个网际协议地址的节点评价请求，其中，所述节点评价设备从所述至少两个网际协议地址中，选取网际协议地址并返回；接收所述节点评价设备返回的网际协议地址；其中，所获取的网际协议地址指示内容分发网络中的边缘节点。
或者，上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：接收包括至少两个网际协议地址的节点评价请求；从所述至少两个网际协议地址中，选取网际协议地址；返回选取出的网际协议地址；其中，接收到的网际协议地址指示内容分发网络中的边缘节点。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、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。
描述于本公开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。其中，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，第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。
应当理解，本公开的各部分可以用硬件、软件、固件或它们的组合来实现。
以上所述，仅为本公开的具体实施方式，但本公开的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本公开揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应以权利要求的保护范围为准。

Claims (14)

1.一种基于标题图相关性的图排序方法，其特征在于，包括：
收集文本关键词序列并计算所述文本关键词序列的词向量；
生成与所述文本的配图对应的配图关键词序列并计算所述配图关键词序列的词向量；
计算所述文本关键词序列的词向量与所述配图关键词序列的词向量之间的相似度距离；以及
根据所述相似度距离对所述文本的配图进行排序。
2.根据权利要求1所述的基于标题图相关性的图排序方法，其特征在于，所述收集文本关键词序列，包括：
收集所述文本的标题、副标题以及描述性文字的关键词序列，其中，所述描述性文字包括所述文本的摘要。
3.根据权利要求2所述的基于标题图相关性的图排序方法，其特征在于，所述收集所述文本的标题、副标题以及描述性文字的关键词序列，包括：
采用人工方式、TF-IDF方法、Rake方法或TextRank方法中的任意一个，提取所述文本的标题、副标题以及描述性文字的关键词序列。
4.根据权利要求1所述的基于标题图相关性的图排序方法，其特征在于，所述计算所述文本关键词序列的词向量或计算所述配图关键词序列的词向量，包括：
基于word2vector算法计算所述文本关键词序列的词向量或计算所述配图关键词序列的词向量，其中，所述word2vector算法采用counting编码将语料库中的词转化成向量。
5.根据权利要求1所述的基于标题图相关性的图排序方法，其特征在于，所述计算所述文本关键词序列的词向量或计算所述配图关键词序列的词向量，包括：
基于bert算法计算所述文本关键词序列的词向量或计算所述配图关键词序列的词向量。
6.根据权利要求1所述的基于标题图相关性的图排序方法，其特征在于，所述生成与所述文本的配图的描述对应的配图关键词序列，包括：
收集所述文本中包含的所有配图；
训练看图说话模型；以及
向经训练的所述看图说话模型输入所述文本的配图以生成所述配图的描述对应的配图关键词序列。
7.根据权利要求6所述的基于标题图相关性的图排序方法，其特征在于，所述训练看图说话模型，包括：
获取训练样本(I，S)，其中I表示配图，并且S指示所述配图对应的描述的关键词的序列S＝{S1,S2,...Sk}，其中k为关键词的个数；
计算所述看图说话模型对于输入配图I生成序列S的概率；
计算所述概率的对数似然函数；以及
计算所有训练样本的对数似然函数之和的最大值，以得到经训练的看图说话模型。
8.根据权利要求6所述的基于标题图相关性的图排序方法，其特征在于，看图说话模型采用编码器-解码器框架，所述编码器-解码器框架使用卷积神经网络CNN作为编码器，并且采用循环神经网络RNN作为解码器。
9.根据权利要求6所述的基于标题图相关性的图排序方法，其特征在于，看图说话模型采用编码器-解码器框架，所述编码器-解码器框架使用卷积神经网络CNN作为所述编码器，并且采用长短记忆LSTM网络作为所述解码器。
10.根据权利要求1所述的基于标题图相关性的图排序方法，其特征在于，计算所述文本关键词的词向量与所述配图关键词序列的词向量之间的相似度距离，包括：
通过式子来计算文本关键词的词向量与所述配图关键词序列的词向量的相似度距离，其中N为该文本的文本关键词的个数，M为与该文本的配图对应的序列词的个数，为第i张图第j个序列词对应的词向量，vk为文本关键词第k个序列词对应的词向量，为与vk的余弦距离。
11.根据权利要求1所述的基于标题图相关性的图排序方法，其特征在于，根据所述相似度距离对所述文本的配图进行排序，包括：
根据所述相似度距离的值对所述配图进行升序排列；或者
根据所述相似度距离的值对所述配图进行降序排列。
12.一种基于标题图相关性的图排序装置，其特征在于，包括：
文本关键词序列模块，收集文本关键词序列并计算所述文本关键词序列的词向量；
配图关键词序列模块，生成与所述文本的配图对应的配图关键词序列并计算所述配图关键词序列的词向量；
相似度距离计算模块，计算所述文本关键词序列的词向量与所述配图关键词序列的词向量之间的相似度距离；以及
排序模块，根据所述相似度距离对所述文本的配图进行排序。
13.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行前述权利要求1-11中任一项所述的基于标题图相关性的图排序方法。
14.一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述权利要求1-11中任一项所述的基于标题图相关性的图排序方法。
CN201910622591.9A 2019-07-11 2019-07-11 基于标题图相关性的图排序方法、装置及电子设备 Pending CN110377778A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910622591.9A CN110377778A (zh) 2019-07-11 2019-07-11 基于标题图相关性的图排序方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910622591.9A CN110377778A (zh) 2019-07-11 2019-07-11 基于标题图相关性的图排序方法、装置及电子设备

Publications (1)

Publication Number Publication Date
CN110377778A true CN110377778A (zh) 2019-10-25

Family

ID=68250900

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910622591.9A Pending CN110377778A (zh) 2019-07-11 2019-07-11 基于标题图相关性的图排序方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN110377778A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111414509A (zh) * 2020-03-20 2020-07-14 支付宝(杭州)信息技术有限公司 为小程序提供图片素材的方法和装置
CN111767391A (zh) * 2020-03-27 2020-10-13 北京沃东天骏信息技术有限公司 目标文本生成方法、装置、计算机系统和介质
CN112528018A (zh) * 2020-12-01 2021-03-19 天津中科智能识别产业技术研究院有限公司 一种基于文本挖掘的热点新闻发现方法
CN112581327A (zh) * 2020-11-17 2021-03-30 天津汇智星源信息技术有限公司 基于知识图谱的法律推荐方法、装置和电子设备
CN113268560A (zh) * 2020-02-17 2021-08-17 北京沃东天骏信息技术有限公司 用于文本匹配的方法和装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060101060A1 (en) * 2004-11-08 2006-05-11 Kai Li Similarity search system with compact data structures
CN109543058A (zh) * 2018-11-23 2019-03-29 连尚（新昌）网络科技有限公司 用于检测图像的方法、电子设备和计算机可读介质
CN109948401A (zh) * 2017-12-20 2019-06-28 北京京东尚科信息技术有限公司 用于文本的数据处理方法及其系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060101060A1 (en) * 2004-11-08 2006-05-11 Kai Li Similarity search system with compact data structures
CN109948401A (zh) * 2017-12-20 2019-06-28 北京京东尚科信息技术有限公司 用于文本的数据处理方法及其系统
CN109543058A (zh) * 2018-11-23 2019-03-29 连尚（新昌）网络科技有限公司 用于检测图像的方法、电子设备和计算机可读介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
DETERMINED22: "Multimodal —— 看图说话（Image Caption）任务的论文笔记（一）评价指标和NIC模型", 《博客园》 *
水奈樾: "【NLP】彻底搞懂BERT", 《博客园》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113268560A (zh) * 2020-02-17 2021-08-17 北京沃东天骏信息技术有限公司 用于文本匹配的方法和装置
CN111414509A (zh) * 2020-03-20 2020-07-14 支付宝(杭州)信息技术有限公司 为小程序提供图片素材的方法和装置
CN111414509B (zh) * 2020-03-20 2023-06-02 支付宝(杭州)信息技术有限公司 为小程序提供图片素材的方法和装置
CN111767391A (zh) * 2020-03-27 2020-10-13 北京沃东天骏信息技术有限公司 目标文本生成方法、装置、计算机系统和介质
CN111767391B (zh) * 2020-03-27 2024-04-16 北京沃东天骏信息技术有限公司 目标文本生成方法、装置、计算机系统和介质
CN112581327A (zh) * 2020-11-17 2021-03-30 天津汇智星源信息技术有限公司 基于知识图谱的法律推荐方法、装置和电子设备
CN112581327B (zh) * 2020-11-17 2022-12-02 天津汇智星源信息技术有限公司 基于知识图谱的法律推荐方法、装置和电子设备
CN112528018A (zh) * 2020-12-01 2021-03-19 天津中科智能识别产业技术研究院有限公司 一种基于文本挖掘的热点新闻发现方法

Similar Documents

Publication Publication Date Title
CN110717017B (zh) 一种处理语料的方法
CN110377778A (zh) 基于标题图相关性的图排序方法、装置及电子设备
US11775760B2 (en) Man-machine conversation method, electronic device, and computer-readable medium
CN109478205B (zh) 用于计算机学习和理解的体系结构和方法
CN110399385A (zh) 一种用于小数据集的语义分析方法和系统
CN109086303A (zh) 基于机器阅读理解的智能对话方法、装置、终端
CN108288468A (zh) 语音识别方法及装置
CN110162767A (zh) 文本纠错的方法和装置
CN110287461A (zh) 文本转换方法、装置及存储介质
CN109271493A (zh) 一种语言文本处理方法、装置和存储介质
CN105279495A (zh) 一种基于深度学习和文本总结的视频描述方法
CN103491205A (zh) 一种基于视频搜索的关联资源地址的推送方法和装置
CN103970791B (zh) 一种从视频库推荐视频的方法、装置
CN106325488B (zh) 一种输入方法、输入装置、服务器和输入系统
CN108491389A (zh) 点击诱饵标题语料识别模型训练方法和装置
CN110162768A (zh) 实体关系的获取方法、装置、计算机可读介质及电子设备
CN109918627A (zh) 文本生成方法、装置、电子设备及存储介质
CN110267097A (zh) 基于分类特征的视频推送方法、装置及电子设备
CN110457661A (zh) 自然语言生成方法、装置、设备及存储介质
CN112836487A (zh) 一种自动评论方法、装置、计算机设备及存储介质
CN110278447A (zh) 基于连续特征的视频推送方法、装置及电子设备
CN112364167A (zh) 基于深度学习的意图识别方法、系统、设备及存储介质
CN111563158A (zh) 文本排序方法、排序装置、服务器和计算机可读存储介质
CN109325178A (zh) 用于处理信息的方法和装置
CN111382563B (zh) 文本相关性的确定方法及装置

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: 20191025