CN110941727A - 一种资源推荐方法、装置、电子设备及存储介质 - Google Patents
一种资源推荐方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN110941727A CN110941727A CN201911204911.5A CN201911204911A CN110941727A CN 110941727 A CN110941727 A CN 110941727A CN 201911204911 A CN201911204911 A CN 201911204911A CN 110941727 A CN110941727 A CN 110941727A
- Authority
- CN
- China
- Prior art keywords
- resource
- resources
- model
- category
- sample
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 239000013598 vector Substances 0.000 claims abstract description 68
- 238000012545 processing Methods 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims description 55
- 238000000605 extraction Methods 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000004891 communication Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000002945 steepest descent method Methods 0.000 description 1
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
- G06F16/40—Information retrieval; Database structures therefor; File system structures therefor of multimedia data, e.g. slideshows comprising image and additional audio data
- G06F16/43—Querying
- G06F16/435—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/40—Information retrieval; Database structures therefor; File system structures therefor of multimedia data, e.g. slideshows comprising image and additional audio data
- G06F16/45—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/40—Information retrieval; Database structures therefor; File system structures therefor of multimedia data, e.g. slideshows comprising image and additional audio data
- G06F16/48—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/483—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- 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)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Library & Information Science (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开是关于一种资源推荐方法、装置、电子设备及存储介质,该方法包括:获取用户输入的属于第一类别的第一资源;根据预先训练的匹配度确定模型中的第一子模型,对第一资源进行特征提取,得到第一资源的第一特征向量,计算根据第二子模型得到的预设各第二资源各自的第二特征向量,与第一特征向量的匹配度,基于计算得到的各匹配度,向用户推荐资源,基于上述处理,能够提高推荐资源的有效性。
Description
技术领域
本公开涉及互联网技术领域,特别是涉及一种资源推荐方法、装置、电子设备及存储介质。
背景技术
随着互联网技术的快速发展,以及智能电子设备性能的提升,用户对图片、视频、音乐等多媒体内容的生产欲望也日益提升,相应的,UGC(用户生成内容,User-GeneratedContent)越来越丰富。
一种实现方式中,在用户通过应用程序拍摄一张照片后,如果用户需要为该照片搭配一段音乐,并一起分享给好友,则用户可以通过应用程序选择不同的音乐。相应的,应用程序可以向用户推荐多个音乐,以供用户选择,例如,应用程序可以向用户推荐其他用户选择较多的音乐,或者,应用程序也可以向用户推荐最新上线的音乐,进而,用户可以从应用程序推荐的各音乐中选择一个音乐。
然而,相关技术中,应用程序推荐的音乐与用户拍摄的照片之间的关系较弱,会导致推荐资源的有效性较低。
发明内容
为克服相关技术中存在的问题,本公开提供一种资源推荐方法、装置、电子设备及存储介质,能够提高推荐资源的有效性。
根据本公开实施例的第一方面,提供一种资源推荐方法,所述方法包括:
获取用户输入的属于第一类别的第一资源;
根据预先训练的匹配度确定模型中的第一子模型,对所述第一资源进行特征提取,得到所述第一资源的第一特征向量,其中,所述匹配度确定模型还包括第二子模型,所述第二子模型用于对第二类别的资源进行特征提取,所述匹配度确定模型用于根据所述第一子模型和所述第二子模型各自特征提取的特征,确定所述第一类别的资源与所述第二类别的资源的匹配度;
计算根据所述第二子模型得到的预设各第二资源各自的第二特征向量,与所述第一特征向量的匹配度,其中,所述预设各第二资源属于所述第二类别;
基于计算得到的各匹配度,向所述用户推荐资源。
可选的,在所述根据预先训练的匹配度确定模型中的第一子模型,对所述第一资源进行特征提取之前,所述方法还包括:
获取训练样本,其中,所述训练样本包括正样本和负样本,所述正样本包括属于所述第一类别的第一样本资源、与所述第一样本资源相匹配的属于所述第二类别的第二样本资源,所述负样本包括属于所述第一类别的第三样本资源、与所述第三样本资源不匹配的属于所述第二类别的第四样本资源;
根据所述训练样本对预设结构的匹配度确定模型的模型参数进行训练;
当达到预设的停止训练条件时,停止训练,得到训练好的匹配度确定模型。
可选的,所述基于计算得到的各匹配度,向所述用户推荐资源,包括:
从所述预设各第二资源中确定出待选资源,其中,所述待选资源对应的匹配度大于所述预设各第二资源中其他资源对应的匹配度;
向所述用户推荐所述待选资源。
可选的,所述待选资源为多个;
在所述向所述用户推荐所述待选资源之后,所述方法还包括:
接收所述用户输入的选择指令,其中,所述选择指令中携带有资源标识;
从所述待选资源中确定所述资源标识对应的资源,作为与所述第一资源匹配的目标资源;
生成包含有所述第一资源和所述目标资源的资源。
可选的,所述第一类别为图像类别,所述第二类别为音乐类别;
或者,
所述第一类别为音乐类别,所述第二类别为图像类别。
根据本公开实施例的第二方面,提供一种资源推荐装置,所述装置包括:
获取模块,被配置为执行获取用户输入的属于第一类别的第一资源;
处理模块,被配置为执行根据预先训练的匹配度确定模型中的第一子模型,对所述第一资源进行特征提取,得到所述第一资源的第一特征向量,其中,所述匹配度确定模型还包括第二子模型,所述第二子模型用于对第二类别的资源进行特征提取,所述匹配度确定模型用于根据所述第一子模型和所述第二子模型各自特征提取的特征,确定所述第一类别的资源与所述第二类别的资源的匹配度;
计算模块,被配置为执行计算根据所述第二子模型得到的预设各第二资源各自的第二特征向量,与所述第一特征向量的匹配度,其中,所述预设各第二资源属于所述第二类别;
推荐模块,被配置为执行基于计算得到的各匹配度,向所述用户推荐资源。
可选的,所述装置还包括:
训练模块,被配置为执行获取训练样本,其中,所述训练样本包括正样本和负样本,所述正样本包括属于所述第一类别的第一样本资源、与所述第一样本资源相匹配的属于所述第二类别的第二样本资源,所述负样本包括属于所述第一类别的第三样本资源、与所述第三样本资源不匹配的属于所述第二类别的第四样本资源;
根据所述训练样本对预设结构的匹配度确定模型的模型参数进行训练;
当达到预设的停止训练条件时,停止训练,得到训练好的匹配度确定模型。
可选的,所述推荐模块,具体被配置为执行从所述预设各第二资源中确定出待选资源,其中,所述待选资源对应的匹配度大于所述预设各第二资源中其他资源对应的匹配度;
向所述用户推荐所述待选资源。
可选的,所述待选资源为多个;
所述推荐模块,还被配置为执行接收所述用户输入的选择指令,其中,所述选择指令中携带有资源标识;
从所述待选资源中确定所述资源标识对应的资源,作为与所述第一资源匹配的目标资源;
生成包含有所述第一资源和所述目标资源的资源。
可选的,所述第一类别为图像类别,所述第二类别为音乐类别;
或者,
所述第一类别为音乐类别,所述第二类别为图像类别。
根据本公开实施例的第三方面,提供一种电子设备,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:执行所述存储器上所存放的指令时,实现如上第一方面所述的资源推荐方法。
根据本公开实施例的第四方面,提供一种存储介质,当所述存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行上述第一方面所述的资源推荐方法。
根据本公开实施例的第五方面,提供一种计算机程序产品,当所述计算机程序产品中的指令由电子设备的处理器执行时,使得电子设备能够执行如上第一方面所述的资源推荐方法。
本公开的实施例提供的技术方案可以包括以下有益效果:获取用户输入的属于第一类别的第一资源;根据预先训练的匹配度确定模型中的第一子模型,对第一资源进行特征提取,得到第一资源的第一特征向量,计算根据第二子模型得到的预设各第二资源各自的第二特征向量,与第一特征向量的匹配度,基于计算得到的各匹配度,向用户推荐资源。
基于上述处理,特征向量之间的匹配度能够体现资源之间的相关度,基于本公开的方法,能够向用户推荐与用户输入的第一资源的相关度较大的资源,进而,能够提高推荐资源的有效性。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理,并不构成对本公开的不当限定。
图1是根据一示例性实施例示出的一种资源推荐方法的流程图。
图2是根据一示例性实施例示出的一种匹配度确定模型的结构图。
图3是根据一示例性实施例示出的一种资源推荐方法示例的流程图。
图4是根据一示例性实施例示出的一种资源推荐方法示例的流程图。
图5是根据一示例性实施例示出的一种资源推荐装置的结构图。
图6是根据一示例性实施例示出的一种电子设备的结构图。
具体实施方式
为了使本领域普通人员更好地理解本公开的技术方案,下面将结合附图,对本公开实施例中的技术方案进行清楚、完整地描述。
需要说明的是,本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
相关技术中,应用程序推荐的音乐与用户拍摄的照片之间的关系较弱,会导致推荐资源的有效性较低。
为了解决上述问题,本公开实施例提供了一种资源推荐方法,该方法可以应用于电子设备。
电子设备可以获取用户输入的属于第一类别的资源(即本公开实施例中的第一资源),并根据预先训练的匹配度确定模型中的第一子模型,对第一资源进行特征提取,得到第一资源的第一特征向量。匹配度确定模型还可以包括第二子模型,第二子模型用于对第二类别的资源进行特征提取,匹配度确定模型用于根据第一子模型和第二子模型各自特征提取的特征,确定第一类别的资源与第二类别的资源的匹配度。
然后,电子设备可以计算根据上述第二子模型得到的预设各第二资源各自的第二特征向量,与第一特征向量的匹配度。其中,预设各第二资源属于第二类别。
进而,电子设备可以基于计算得到的各匹配度,向用户推荐资源。
基于上述处理,特征向量之间的匹配度能够体现资源之间的相关度,电子设备能够向用户推荐与用户输入的第一资源的相关度较大的资源,进而,能够提高推荐资源的有效性。
参见图1,图1是根据一示例性实施例示出的一种资源推荐方法的流程图,该方法可以应用于电子设备,该方法可以包括以下步骤:
S101:获取用户输入的属于第一类别的第一资源。
其中,第一类别可以为图像类别,也可以为音乐类别,或者,也可以为其他类别,例如,第一资源可以是一张图片,也可以是一段视频,或者,也可以是一段音乐。
在一个实施例中,在用户登录电子设备后,如果用户需要通过电子设备在网络中发布用户生成内容,或者,如果用户需要将用户生成内容分享给好友,则用户可以向电子设备输入需要发布或分享的资源(即本公开实施例中的第一资源)。
例如,电子设备的显示界面中可以设置有“上传资源”的按钮,当用户需要在网络中发布自己拍摄的一张图片时,用户可以点击该“上传资源”的按钮,并选择上传自己拍摄的图片,相应的,电子设备则可以获取该图片(即用户输入的第一资源),此时,第一类别即为图像类别。
另外,在用户向电子设备上传第一资源后,该用户可能还需要为第一资源搭配另一类别(即本公开实施例中的第二类别)的资源。
可选的,第一类别可以为图像类别,则第二类别可以为音乐类别;或者,第一类别可以为音乐类别,则第二类别可以为图像类别。
例如,在用户向电子设备上传一张图片或一段视频后,用户可以选择为该图片或该视频搭配一段音乐;或者,在用户向电子设备上传一段音乐后,用户可以选择为该段音乐搭配一张图片或一段视频。
相应的,电子设备则可以为用户上传的图片或视频推荐音乐,或者,为用户上传的音乐推荐图片或视频。
基于上述处理,使得本公开提供的资源推荐方法能够适用于不同的场景,扩大适用范围。
S102:根据预先训练的匹配度确定模型中的第一子模型,对第一资源进行特征提取,得到第一资源的第一特征向量。
其中,匹配度确定模型还可以包括第二子模型,第二子模型用于对第二类别的资源进行特征提取,匹配度确定模型用于根据第一子模型和第二子模型各自特征提取的特征,确定第一类别的资源与第二类别的资源的匹配度。
参见图2,图2是根据一示例性实施例示出的一种匹配度确定模型的结构图。
由图2可见,该匹配度确定模型可以包括第一子模型、第二子模型和匹配度计算模块。第一子模型和第二子模型可以分别对不同类别的资源进行特征提取,得到对应的特征向量。
例如,第一子模型和第二子模型可以对资源进行特征提取,得到多元一维向量,例如,该多元一维向量可以为128元一维的向量,但并不限于此。
可选的,第一子模型和第二子模型可以为卷积神经网络模型。
例如,如果第一子模型用于对图像进行特征提取,则第一子模型可以为I3D(Inflated 3D ConvNet,膨胀3D卷积网络)模型,相应的,第二子模型用于对音乐进行特征提取,则第二子模型可以为VGGish模型。
匹配度计算模块则可以计算第一子模型输出的第一类别的资源的特征向量,与第二子模型输出的第二类别的资源的特征向量的相似度,计算得到的相似度可以表示该第一类别的资源与该第二类别的资源之间的匹配度。
在一个实施例中,匹配度计算模块可以根据预设相似度算法,计算第一子模型输出的特征向量,与第二子模型输出的特征向量的相似度。预设相似度算法用于计算两个向量之间的相似度。
例如,预设相似度算法可以为计算余弦相似度的算法,相应的,如果计算得到的两个特征向量的相似度为1,则表示第一类别的资源与第二类别的资源相匹配,如果计算得到的两个特征向量的相似度为-1,则表示第一类别的资源与第二类别的资源不匹配。
又例如,预设相似度算法也可以为计算Jaccard(杰卡德)系数的算法,相应的,如果计算得到的两个特征向量的相似度为1,则表示第一类别的资源与第二类别的资源相匹配,如果计算得到的两个特征向量的相似度为0,则表示第一类别的资源与第二类别的资源不匹配。
在一个实施例中,第一子模型可以对图像进行体征提取,得到对应的特征向量(可以称为图像特征向量),第二子模型可以对音乐进行特征提取,得到对应的特征向量(可以称为音乐特征向量),进而,匹配度计算模块可以计算图像特征向量与音乐特征向量的相似度,得到的相似度可以表示该图像与该音乐之间的匹配度。
S103:计算根据第二子模型得到的预设各第二资源各自的第二特征向量,与第一特征向量的匹配度。
其中,预设各第二资源属于第二类别,预设各第二资源可以为电子设备本地存储的属于第二类别的资源。
在一个实施例中,在电子设备得到第一资源的特征向量(即第一特征向量)后,电子设备可以获取预设各第二资源各自的第二特征向量,然后,电子设备可以计算第一特征向量与每一第二特征向量的匹配度。
可以理解的是,在电子设备获取第一资源后,电子设备可以将第一资源和每一第二资源输入至预先训练的匹配度确定模型,进而,得到匹配度确定模型输出的第一资源和每一第二资源的匹配度。
或者,为了提高资源推荐的效率,电子设备也可以预先将每一第二资源输入第二子模型,得到各自的特征向量(即各第二特征向量),进而,在电子设备获取到第一资源后,电子设备可以将第一资源输入至第二子模型,得到第一特征向量,然后,电子设备可以计算第一特征向量与每一第二特征向量的相似度,即,第一资源和每一第二资源的匹配度。
S104:基于计算得到的各匹配度,向用户推荐资源。
可选的,S104可以包括以下步骤:从预设各第二资源中确定出待选资源,并向用户推荐待选资源。
其中,待选资源对应的匹配度大于预设各第二资源中其他资源对应的匹配度。待选资源可以为一个,也可以为多个。
在一个实施例中,在得到第一特征向量与各第二特征向量的各匹配度之后,电子设备可以确定预设各第二资源中对应的匹配度大于预设匹配度阈值的资源(即待选资源),然后,电子设备可以向用户推荐待选资源。
其中,预设匹配度阈值可以由技术人员根据经验进行设置,例如,预设匹配度阈值可以为0.8,或者,也可以为0.9,但并不限于此。
在一个实施例中,在得到第一特征向量与各第二特征向量的各匹配度之后,电子设备可以按照对应的匹配度从大到小的顺序,对预设各第二资源进行排序,并将排列顺序中前预设数目个资源,确定为待选资源,并向用户推荐。
基于上述处理,能够向用户推荐一个或者多个匹配度较高的资源,以供用户选择,在保证推荐资源的有效性的基础上,能够满足用户的个性化需求。
可选的,如果待选资源为多个,在向用户推荐待选资源之后,该方法还包括以下步骤:
接收用户输入的选择指令,从待选资源中确定资源标识对应的资源,作为与第一资源匹配的目标资源,并生成包含有第一资源和目标资源的资源。
其中,选择指令中携带有资源标识。
在一个实施例中,在电子设备向用户推荐待选资源后,用户可以根据自身需求,选择其中一个资源,相应的,电子设备可以接收到用户输入的携带有资源标识的选择指令,资源标识用于表示用户选择的资源。
进而,电子设备可以从待选资源中确定资源标识对应的资源,该资源为用户选择的与第一资源相匹配的资源(即目标资源)。
然后,电子设备可以生成包含第一资源和目标资源的资源,例如,如果第一资源为音乐,目标资源为图像,则电子设备可以生成对应的包含有该音乐和该图像的资源。
可见,基于本公开实施例的方法,能够根据用户的选择生成包含有相匹配资源的资源,能够丰富用户生成内容的形式,满足用户的个性化需求。
可选的,该方法还可以包括以下步骤:
获取训练样本,并根据训练样本对预设结构的匹配度确定模型的模型参数进行训练,当达到预设的停止训练条件时,停止训练,得到训练好的匹配度确定模型。
其中,训练样本包括正样本和负样本,正样本包括属于第一类别的第一样本资源、与第一样本资源相匹配的属于第二类别的第二样本资源,负样本包括属于第一类别的第三样本资源、与第三样本资源不匹配的属于第二类别的第四样本资源。
可以理解的是,如果匹配度确定模型中的匹配度计算模块采用的为计算余弦相似度的算法,由于正样本中的第一样本资源与第二样本资源的类别不同,且相匹配,则将第一样本资源和第二样本资源作为模型的输入,对应的模型的输出则为1,由于第三样本资源与第四样本资源的类别不同,且不相匹配,则将第三样本资源和第四样本资源作为模型的输入,对应的模型的输出则为-1。
另外,如果匹配度确定模型中的匹配度计算模块采样的为计算Jaccard系数的算法,由于正样本中的第一样本资源与第二样本资源的类别不同,且相匹配,则将第一样本资源和第二样本资源作为模型的输入,对应的模型的输出则为1,由于第三样本资源与第四样本资源的类别不同,且不相匹配,则将第三样本资源和第四样本资源作为模型的输入,对应的模型的输出则为0。
在一个实施例中,可以获取预设的成对的资源,或者,也可以获取其他用户已生成的成对的资源,作为正样本。例如,MV(Music Video,音乐短片)资源,将MV资源中的视频作为第一样本资源,并将MV资源中的音乐作为对应相匹配的第二样本资源。还可以随机选择不成对的资源,分别作为负样本中的第三样本资源和第四样本资源。
另外,在得到成对的资源和不成对的资源后,还可以对得到的资源进行预处理。
在一个实施例中,针对一个MV资源,可以按照第一预设时长对该MV资源进行切分,得到视频-音乐对资源,另外,为了提高训练的匹配度确定模型的稳定性,相邻的视频-音乐对资源可以具有第二预设时长的重叠部分,第二预设时长小于第一预设时长。
例如,第一预设时长为8S,则第二预设时长可以为4S,切分得到的第一个视频-音乐对资源对应的时间为0S-8S,第二个视频-音乐对资源对应的时间为4S-12S,第三个视频-音乐对资源对应的时间为8S-16S,以此类推,得到多个持续时长为第一预设时长的成对资源。针对不成对的资源,则可以直接按照第一预设时长进行切分,得到多个持续时长为第一预设时长的不成对的资源,进而,可以根据得到的资源对预设结构的匹配度确定模型进行训练。
在训练过程中,可以计算匹配度确定模型的损失函数关于模型参数的梯度,并使用随机最速下降法等方法更新匹配度确定模型的模型参数,经过多次迭代后,可以得到训练好的深度强化学习网络模型。
基于上述处理,由于训练样本中包含成对的正负样本,能够减少人工监督标注数据的成本,进而,能够提高推荐资源的效率。
可选的,停止训练条件可以包括:匹配度确定模型的损失函数的数值小于预设阈值;或者,根据训练样本,对匹配度确定模型进行训练的次数达到预设次数。
其中,匹配度确定模型的损失函数可以为交叉熵损失函数,损失函数用于表示匹配度确定模型的期望输出与实际输出之间的差值。预设阈值、预设次数可以由技术人员根据经验进行设置。
在一个实施例中,在对匹配度确定模型进行训练的过程中,当匹配度确定模型的损失函数的数值小于预设阈值时,表明当前匹配度确定模型的期望输出与实际输出的差值较小,可以确定达到停止训练条件,进而,停止训练,得到训练好的匹配度确定模型。
或者,在对匹配度确定模型进行训练的过程中,当对匹配度确定模型进行训练的次数达到预设次数时,表明当前匹配度确定模型的期望输出与实际输出的差值较小,可以确定达到停止训练条件,进而,停止训练,得到训练好的匹配度确定模型。
基于上述处理,本公开采用端到端的方式对模型进行训练,且可以根据不同的方式控制模型的训练过程,使得训练得到的匹配度确定模型控制在较高的准确度范围内,能够进一步提高推荐资源的有效性。
参见图3,图3是根据一示例性实施例示出的一种资源推荐方法示例的流程图,该方法可以包括以下步骤:
S301:获取用户输入的属于音乐类别的第一资源。
S302:根据预先训练的匹配度确定模型中的第一子模型,对第一资源进行特征提取,得到第一资源的第一特征向量。
其中,匹配度确定模型还包括第二子模型,第二子模型用于对图像类别的资源进行特征提取,匹配度确定模型用于根据第一子模型和第二子模型各自特征提取的特征,确定第一类别的资源与第二类别的资源的匹配度。第一子模型为VGGish模型,第二子模型为I3D模型。
S303:计算根据第二子模型得到的预设各第二资源各自的第二特征向量,与第一特征向量的匹配度。
其中,预设各第二资源属于图像类别。
S304:从预设各第二资源中确定对应的匹配度最大的资源,并向用户推荐。
参见图4,图4是根据一示例性实施例示出的一种资源推荐方法示例的流程图,该方法可以包括以下步骤:
S401:获取用户输入的属于图像类别的第一资源。
S402:根据预先训练的匹配度确定模型中的第一子模型,对第一资源进行特征提取,得到第一资源的第一特征向量。
其中,匹配度确定模型还包括第二子模型,第二子模型用于对音乐类别的资源进行特征提取,匹配度确定模型用于根据第一子模型和第二子模型各自特征提取的特征,确定第一类别的资源与第二类别的资源的匹配度。第一子模型为I3D模型,第二子模型为VGGish模型。
S403:计算根据第二子模型得到的预设各第二资源各自的第二特征向量,与第一特征向量的匹配度。
其中,预设各第二资源属于音乐类别。
S404:从预设各第二资源中确定出待选资源。
其中,待选资源对应的匹配度大于预设各第二资源中其他资源对应的匹配度,待选资源为多个。
S405:向用户推荐待选资源。
S406:接收用户输入的选择指令。
其中,选择指令中携带有资源标识。
S407:从待选资源中确定资源标识对应的资源,作为与第一资源匹配的目标资源。
S408:生成包含有第一资源和目标资源的资源。
基于相同的发明构思,参见图5,图5是根据一示例性实施例示出的一种资源推荐装置的结构图,该装置可以包括:
获取模块501,被配置为执行获取用户输入的属于第一类别的第一资源;
处理模块502,被配置为执行根据预先训练的匹配度确定模型中的第一子模型,对所述第一资源进行特征提取,得到所述第一资源的第一特征向量,其中,所述匹配度确定模型还包括第二子模型,所述第二子模型用于对第二类别的资源进行特征提取,所述匹配度确定模型用于根据所述第一子模型和所述第二子模型各自特征提取的特征,确定所述第一类别的资源与所述第二类别的资源的匹配度;
计算模块503,被配置为执行计算根据所述第二子模型得到的预设各第二资源各自的第二特征向量,与所述第一特征向量的匹配度,其中,所述预设各第二资源属于所述第二类别;
推荐模块504,被配置为执行基于计算得到的各匹配度,向所述用户推荐资源。
可选的,所述装置还包括:
训练模块,被配置为执行获取训练样本,其中,所述训练样本包括正样本和负样本,所述正样本包括属于所述第一类别的第一样本资源、与所述第一样本资源相匹配的属于所述第二类别的第二样本资源,所述负样本包括属于所述第一类别的第三样本资源、与所述第三样本资源不匹配的属于所述第二类别的第四样本资源;
根据所述训练样本对预设结构的匹配度确定模型的模型参数进行训练;
当达到预设的停止训练条件时,停止训练,得到训练好的匹配度确定模型。
可选的,所述推荐模块504,具体被配置为执行从所述预设各第二资源中确定出待选资源,其中,所述待选资源对应的匹配度大于所述预设各第二资源中其他资源对应的匹配度;
向所述用户推荐所述待选资源。
可选的,所述待选资源为多个;
所述推荐模块504,还被配置为执行接收所述用户输入的选择指令,其中,所述选择指令中携带有资源标识;
从所述待选资源中确定所述资源标识对应的资源,作为与所述第一资源匹配的目标资源;
生成包含有所述第一资源和所述目标资源的资源。
可选的,所述第一类别为图像类别,所述第二类别为音乐类别;
或者,
所述第一类别为音乐类别,所述第二类别为图像类别。
图6是根据一示例性实施例示出的一种用于推荐资源的电子设备的框图。例如,电子设备可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等。
参照图6,电子设备可以包括以下一个或多个组件:处理组件602,存储器604,电源组件606,多媒体组件608,音频组件610,输入/输出(I/O)接口612,传感器组件614,以及通信组件616。
处理组件602通常控制电子设备的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件602可以包括一个或多个处理器620来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件602可以包括一个或多个模块,便于处理组件602和其他组件之间的交互。例如,处理组件602可以包括多媒体模块,以方便多媒体组件608和处理组件602之间的交互。
存储器604被配置为存储各种类型的数据以支持在电子设备的操作。这些数据的示例包括用于在电子设备上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器604可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件606为电子设备的各种组件提供电力。电源组件606可以包括电源管理系统,一个或多个电源,及其他与为电子设备生成、管理和分配电力相关联的组件。
多媒体组件608包括在所述电子设备和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件608包括一个前置摄像头和/或后置摄像头。当电子设备处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件610被配置为输出和/或输入音频信号。例如,音频组件610包括一个麦克风(MIC),当电子设备处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器604或经由通信组件616发送。在一些实施例中,音频组件610还包括一个扬声器,用于输出音频信号。
I/O接口612为处理组件602和外围接口模块之间提供接口,上述外围接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件614包括一个或多个传感器,用于为电子设备提供各个方面的状态评估。例如,传感器组件614可以检测到电子设备的打开/关闭状态,组件的相对定位,例如所述组件为电子设备的显示器和小键盘,传感器组件614还可以检测电子设备或电子设备一个组件的位置改变,用户与电子设备接触的存在或不存在,电子设备方位或加速/减速和电子设备的温度变化。传感器组件614可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件614还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件614还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件616被配置为便于电子设备和其他设备之间有线或无线方式的通信。电子设备可以接入基于通信标准的无线网络,如WiFi,运营商网络(如2G、3G、4G或5G),或它们的组合。在一个示例性实施例中,通信组件616经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件616还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,电子设备可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种包括指令的存储介质,例如包括指令的存储器604,上述指令可由电子设备的处理器620执行以完成上述资源推荐方法。可选地,存储介质可以是非临时性计算机可读存储介质,例如,所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (10)
1.一种资源推荐方法,其特征在于,所述方法包括:
获取用户输入的属于第一类别的第一资源;
根据预先训练的匹配度确定模型中的第一子模型,对所述第一资源进行特征提取,得到所述第一资源的第一特征向量,其中,所述匹配度确定模型还包括第二子模型,所述第二子模型用于对第二类别的资源进行特征提取,所述匹配度确定模型用于根据所述第一子模型和所述第二子模型各自特征提取的特征,确定所述第一类别的资源与所述第二类别的资源的匹配度;
计算根据所述第二子模型得到的预设各第二资源各自的第二特征向量,与所述第一特征向量的匹配度,其中,所述预设各第二资源属于所述第二类别;
基于计算得到的各匹配度,向所述用户推荐资源。
2.根据权利要求1所述的资源推荐方法,其特征在于,在所述根据预先训练的匹配度确定模型中的第一子模型,对所述第一资源进行特征提取之前,所述方法还包括:
获取训练样本,其中,所述训练样本包括正样本和负样本,所述正样本包括属于所述第一类别的第一样本资源、与所述第一样本资源相匹配的属于所述第二类别的第二样本资源,所述负样本包括属于所述第一类别的第三样本资源、与所述第三样本资源不匹配的属于所述第二类别的第四样本资源;
根据所述训练样本对预设结构的匹配度确定模型的模型参数进行训练;
当达到预设的停止训练条件时,停止训练,得到训练好的匹配度确定模型。
3.根据权利要求1所述的资源推荐方法,其特征在于,所述基于计算得到的各匹配度,向所述用户推荐资源,包括:
从所述预设各第二资源中确定出待选资源,其中,所述待选资源对应的匹配度大于所述预设各第二资源中其他资源对应的匹配度;
向所述用户推荐所述待选资源。
4.根据权利要求3所述的资源推荐方法,其特征在于,所述待选资源为多个;
在所述向所述用户推荐所述待选资源之后,所述方法还包括:
接收所述用户输入的选择指令,其中,所述选择指令中携带有资源标识;
从所述待选资源中确定所述资源标识对应的资源,作为与所述第一资源匹配的目标资源;
生成包含有所述第一资源和所述目标资源的资源。
5.根据权利要求1所述的资源推荐方法,其特征在于,所述第一类别为图像类别,所述第二类别为音乐类别;
或者,
所述第一类别为音乐类别,所述第二类别为图像类别。
6.一种资源推荐装置,其特征在于,所述装置包括:
获取模块,被配置为执行获取用户输入的属于第一类别的第一资源;
处理模块,被配置为执行根据预先训练的匹配度确定模型中的第一子模型,对所述第一资源进行特征提取,得到所述第一资源的第一特征向量,其中,所述匹配度确定模型还包括第二子模型,所述第二子模型用于对第二类别的资源进行特征提取,所述匹配度确定模型用于根据所述第一子模型和所述第二子模型各自特征提取的特征,确定所述第一类别的资源与所述第二类别的资源的匹配度;
计算模块,被配置为执行计算根据所述第二子模型得到的预设各第二资源各自的第二特征向量,与所述第一特征向量的匹配度,其中,所述预设各第二资源属于所述第二类别;
推荐模块,被配置为执行基于计算得到的各匹配度,向所述用户推荐资源。
7.根据权利要求6所述的资源推荐装置,其特征在于,所述装置还包括:
训练模块,被配置为执行获取训练样本,其中,所述训练样本包括正样本和负样本,所述正样本包括属于所述第一类别的第一样本资源、与所述第一样本资源相匹配的属于所述第二类别的第二样本资源,所述负样本包括属于所述第一类别的第三样本资源、与所述第三样本资源不匹配的属于所述第二类别的第四样本资源;
根据所述训练样本对预设结构的匹配度确定模型的模型参数进行训练;
当达到预设的停止训练条件时,停止训练,得到训练好的匹配度确定模型。
8.根据权利要求6所述的资源推荐装置,其特征在于,所述推荐模块,具体被配置为执行从所述预设各第二资源中确定出待选资源,其中,所述待选资源对应的匹配度大于所述预设各第二资源中其他资源对应的匹配度;
向所述用户推荐所述待选资源。
9.一种电子设备,其特征在于,包括:处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述存储器上所存放的指令时,实现权利要求1-5任一所述的方法步骤。
10.一种存储介质,其特征在于,当所述存储介质中的指令由电子设备的处理器执行时,使得所述电子设备能够执行如权利要求1-5任一所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911204911.5A CN110941727B (zh) | 2019-11-29 | 2019-11-29 | 一种资源推荐方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911204911.5A CN110941727B (zh) | 2019-11-29 | 2019-11-29 | 一种资源推荐方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110941727A true CN110941727A (zh) | 2020-03-31 |
CN110941727B CN110941727B (zh) | 2023-09-29 |
Family
ID=69908778
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911204911.5A Active CN110941727B (zh) | 2019-11-29 | 2019-11-29 | 一种资源推荐方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110941727B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111695971A (zh) * | 2020-06-12 | 2020-09-22 | 腾讯科技(深圳)有限公司 | 物品推荐方法、装置和设备及计算机存储介质 |
CN111814051A (zh) * | 2020-07-08 | 2020-10-23 | 北京奇艺世纪科技有限公司 | 一种资源类型确定方法及装置 |
CN114154003A (zh) * | 2021-11-11 | 2022-03-08 | 北京达佳互联信息技术有限公司 | 图片的获取方法、装置及电子设备 |
CN114638307A (zh) * | 2022-03-21 | 2022-06-17 | 北京达佳互联信息技术有限公司 | 信息检测方法、装置、电子设备以及存储介质 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140279756A1 (en) * | 2013-03-18 | 2014-09-18 | The Echo Nest Corporation | Cross media recommendation |
CN106407420A (zh) * | 2016-09-23 | 2017-02-15 | 广州视源电子科技股份有限公司 | 一种多媒体资源的推荐方法及系统 |
US20170257595A1 (en) * | 2016-03-01 | 2017-09-07 | Echostar Technologies L.L.C. | Network-based event recording |
CN108012162A (zh) * | 2017-12-04 | 2018-05-08 | 北京小米移动软件有限公司 | 内容推荐方法及装置 |
CN108132963A (zh) * | 2017-11-23 | 2018-06-08 | 广州优视网络科技有限公司 | 资源推荐方法和装置、计算设备和存储介质 |
CN109284445A (zh) * | 2018-12-11 | 2019-01-29 | 北京达佳互联信息技术有限公司 | 网络资源的推荐方法、装置、服务器及存储介质 |
CN109587554A (zh) * | 2018-10-29 | 2019-04-05 | 百度在线网络技术(北京)有限公司 | 视频数据的处理方法、装置及可读存储介质 |
CN109656541A (zh) * | 2018-11-20 | 2019-04-19 | 东软集团股份有限公司 | 开发资源的推荐方法、装置、存储介质和电子设备 |
CN109816039A (zh) * | 2019-01-31 | 2019-05-28 | 深圳市商汤科技有限公司 | 一种跨模态信息检索方法、装置和存储介质 |
CN109918539A (zh) * | 2019-02-28 | 2019-06-21 | 华南理工大学 | 一种基于用户点击行为的音、视频互相检索方法 |
US20190205701A1 (en) * | 2017-12-29 | 2019-07-04 | Guangdong Oppo Mobile Telecommunications Corp., Ltd. | Method for Training Model and Information Recommendation System |
CN110149541A (zh) * | 2019-04-23 | 2019-08-20 | 腾讯科技(深圳)有限公司 | 视频推荐方法、装置、计算机设备及存储介质 |
CN110188236A (zh) * | 2019-04-22 | 2019-08-30 | 北京达佳互联信息技术有限公司 | 一种音乐的推荐方法、装置及系统 |
-
2019
- 2019-11-29 CN CN201911204911.5A patent/CN110941727B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140279756A1 (en) * | 2013-03-18 | 2014-09-18 | The Echo Nest Corporation | Cross media recommendation |
US20170257595A1 (en) * | 2016-03-01 | 2017-09-07 | Echostar Technologies L.L.C. | Network-based event recording |
CN106407420A (zh) * | 2016-09-23 | 2017-02-15 | 广州视源电子科技股份有限公司 | 一种多媒体资源的推荐方法及系统 |
CN108132963A (zh) * | 2017-11-23 | 2018-06-08 | 广州优视网络科技有限公司 | 资源推荐方法和装置、计算设备和存储介质 |
CN108012162A (zh) * | 2017-12-04 | 2018-05-08 | 北京小米移动软件有限公司 | 内容推荐方法及装置 |
US20190205701A1 (en) * | 2017-12-29 | 2019-07-04 | Guangdong Oppo Mobile Telecommunications Corp., Ltd. | Method for Training Model and Information Recommendation System |
CN109587554A (zh) * | 2018-10-29 | 2019-04-05 | 百度在线网络技术(北京)有限公司 | 视频数据的处理方法、装置及可读存储介质 |
CN109656541A (zh) * | 2018-11-20 | 2019-04-19 | 东软集团股份有限公司 | 开发资源的推荐方法、装置、存储介质和电子设备 |
CN109284445A (zh) * | 2018-12-11 | 2019-01-29 | 北京达佳互联信息技术有限公司 | 网络资源的推荐方法、装置、服务器及存储介质 |
CN109816039A (zh) * | 2019-01-31 | 2019-05-28 | 深圳市商汤科技有限公司 | 一种跨模态信息检索方法、装置和存储介质 |
CN109918539A (zh) * | 2019-02-28 | 2019-06-21 | 华南理工大学 | 一种基于用户点击行为的音、视频互相检索方法 |
CN110188236A (zh) * | 2019-04-22 | 2019-08-30 | 北京达佳互联信息技术有限公司 | 一种音乐的推荐方法、装置及系统 |
CN110149541A (zh) * | 2019-04-23 | 2019-08-20 | 腾讯科技(深圳)有限公司 | 视频推荐方法、装置、计算机设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
YUN YI: "CNN Features for Emotional Impact of Movies Tas", 《MEDIAEVAL 2018 MULTIMEDIA》 * |
YUN YI: "CNN Features for Emotional Impact of Movies Tas", 《MEDIAEVAL 2018 MULTIMEDIA》, 30 September 2019 (2019-09-30) * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111695971A (zh) * | 2020-06-12 | 2020-09-22 | 腾讯科技(深圳)有限公司 | 物品推荐方法、装置和设备及计算机存储介质 |
CN111695971B (zh) * | 2020-06-12 | 2024-01-12 | 腾讯科技(深圳)有限公司 | 物品推荐方法、装置和设备及计算机存储介质 |
CN111814051A (zh) * | 2020-07-08 | 2020-10-23 | 北京奇艺世纪科技有限公司 | 一种资源类型确定方法及装置 |
CN111814051B (zh) * | 2020-07-08 | 2023-07-28 | 北京奇艺世纪科技有限公司 | 一种资源类型确定方法及装置 |
CN114154003A (zh) * | 2021-11-11 | 2022-03-08 | 北京达佳互联信息技术有限公司 | 图片的获取方法、装置及电子设备 |
CN114638307A (zh) * | 2022-03-21 | 2022-06-17 | 北京达佳互联信息技术有限公司 | 信息检测方法、装置、电子设备以及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110941727B (zh) | 2023-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110941727B (zh) | 一种资源推荐方法、装置、电子设备及存储介质 | |
CN110598504B (zh) | 图像识别方法及装置、电子设备和存储介质 | |
CN108038102B (zh) | 表情图像的推荐方法、装置、终端及存储介质 | |
US20170118298A1 (en) | Method, device, and computer-readable medium for pushing information | |
CN109543066B (zh) | 视频推荐方法、装置和计算机可读存储介质 | |
CN109360197B (zh) | 图像的处理方法、装置、电子设备及存储介质 | |
CN109670077B (zh) | 视频推荐方法、装置和计算机可读存储介质 | |
CN105389296A (zh) | 信息分割方法及装置 | |
CN109961094B (zh) | 样本获取方法、装置、电子设备及可读存储介质 | |
CN110781323A (zh) | 多媒体资源的标签确定方法、装置、电子设备及存储介质 | |
CN109543069B (zh) | 视频推荐方法、装置和计算机可读存储介质 | |
CN111259967A (zh) | 图像分类及神经网络训练方法、装置、设备及存储介质 | |
CN111553464A (zh) | 基于超网络的图像处理方法、装置及智能设备 | |
CN106547850B (zh) | 表情注释方法及装置 | |
CN110764627A (zh) | 一种输入方法、装置和电子设备 | |
KR20160150635A (ko) | 클라우드 카드를 추천하기 위한 방법 및 장치 | |
CN112131466A (zh) | 群组展示方法、装置、系统和存储介质 | |
CN112948704A (zh) | 用于信息推荐的模型训练方法、装置、电子设备以及介质 | |
CN113609380A (zh) | 标签体系更新方法、搜索方法、装置以及电子设备 | |
CN112784151B (zh) | 一种确定推荐信息的方法及相关装置 | |
CN110213062B (zh) | 处理消息的方法及装置 | |
CN115512116B (zh) | 图像分割模型优化方法、装置、电子设备及可读存储介质 | |
CN114722238B (zh) | 视频推荐方法、装置、电子设备、存储介质及程序产品 | |
CN114268815A (zh) | 视频质量确定方法、装置、电子设备及存储介质 | |
CN116266418A (zh) | 运动识别方法、装置、电子设备和存储介质 |
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 |