CN111522994A - 用于生成信息的方法和装置 - Google Patents

用于生成信息的方法和装置 Download PDF

Info

Publication number
CN111522994A
CN111522994A CN202010297146.2A CN202010297146A CN111522994A CN 111522994 A CN111522994 A CN 111522994A CN 202010297146 A CN202010297146 A CN 202010297146A CN 111522994 A CN111522994 A CN 111522994A
Authority
CN
China
Prior art keywords
target video
entity
entity words
video
words
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
Application number
CN202010297146.2A
Other languages
English (en)
Other versions
CN111522994B (zh
Inventor
王述
任可欣
张晓寒
冯知凡
柴春光
朱勇
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 Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and 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 Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202010297146.2A priority Critical patent/CN111522994B/zh
Publication of CN111522994A publication Critical patent/CN111522994A/zh
Priority to JP2021051976A priority patent/JP7170082B2/ja
Priority to KR1020210038963A priority patent/KR102565659B1/ko
Priority to US17/213,940 priority patent/US11847164B2/en
Priority to EP21165605.3A priority patent/EP3859562A3/en
Application granted granted Critical
Publication of CN111522994B publication Critical patent/CN111522994B/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
    • G06F16/70—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
    • 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
    • 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
    • G06F16/334—Query execution
    • G06F16/3344—Query execution using natural language analysis
    • 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
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • 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
    • G06F16/73—Querying
    • G06F16/735—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
    • G06F16/70—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
    • G06F16/783—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/7837—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 objects detected or recognised in the video content
    • 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
    • G06F16/783—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/7844—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 original textual content or text extracted from visual content or transcript of audio data
    • 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
    • G06F16/783—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/7847—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 low-level visual features of the video content
    • 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
    • G06F40/295—Named entity recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • 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
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172—Classification, e.g. identification
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Library & Information Science (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Mathematical Physics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Human Computer Interaction (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了用于生成信息的方法和装置，涉及知识图谱领域。具体实现方案为：从目标视频中获取多个标签实体词，其中，标签实体词包括人物实体词、作品实体词、视频类别实体词和视频核心实体词，视频核心实体词包括用于表征目标视频相关内容的实体词；针对多个标签实体词中的标签实体词，将该标签实体词链接到预先设置的知识图谱中的节点上；基于各标签实体词的链接结果，确定目标视频的语义信息；按照知识图谱中节点和边的关系，对目标视频的语义信息进行结构化，得到目标视频结构化的语义信息。该实现方式采用知识图谱生成视频结构化的语义信息，在保留视频语义信息的同时，语义信息的结构化可以提高视频在推荐、搜索等中的效率和准确率。

Description

用于生成信息的方法和装置
技术领域
本公开的实施例涉及计算机技术领域，具体涉及知识图谱技术领域。
背景技术
随着互联网上视频资源增多，有越来越多视频相关的产品，例如视频推荐以及视频搜索等等。
相关技术中，视频搜索或者视频推荐通常采用视频标签技术，给视频资源设置对应的标签。然后，基于标签对视频进行推荐，或者基于标签建立索引，实现视频的推荐或搜索。通常情况下，视频的标签是扁平的无结构化的，并且视频的标签也不包含视频的语义信息，并不适用于视频推荐、搜索等。
发明内容
提供了一种用于生成信息的方法、装置、设备以及存储介质。
根据第一方面，提供了一种用于生成信息的方法，该方法包括：从目标视频中获取多个标签实体词，其中，标签实体词包括人物实体词、作品实体词、视频类别实体词和视频核心实体词，视频核心实体词包括用于表征目标视频相关内容的实体词；针对多个标签实体词中的标签实体词，将该标签实体词链接到预先设置的知识图谱中的节点上；基于各标签实体词的链接结果，确定目标视频的语义信息；按照知识图谱中节点和边的关系，对目标视频的语义信息进行结构化，得到目标视频结构化的语义信息。
根据第二方面，提供了一种用于生成信息的装置，该装置包括：获取单元，被配置成从目标视频中获取多个标签实体词，其中，标签实体词包括人物实体词、作品实体词、视频类别实体词和视频核心实体词，视频核心实体词包括用于表征目标视频相关内容的实体词；链接单元，被配置成针对多个标签实体词中的标签实体词，将该标签实体词链接到预先设置的知识图谱中的节点上；确定单元，被配置成基于各标签实体词的链接结果，确定目标视频的语义信息；结构化单元，被配置成按照知识图谱中节点和边的关系，对目标视频的语义信息进行结构化，得到目标视频结构化的语义信息。
第三方面，提供了一种电子设备，该电子设备包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行上述方法。
第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，计算机指令用于使计算机执行上述方法。
根据本申请的技术解决了因视频的标签无结构化、缺乏语义信息导致的视频标签不适用于视频推荐、搜索等的问题，提高了视频在推荐、搜索等的效率和准确率。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1是根据本申请的用于生成信息的方法的第一实施例的示意图；
图2是根据本实施例的用于生成信息的方法中的从目标视频中获取多个标签实体词的一种实现方式；
图3是根据本申请的用于生成信息的方法的第二实施例的示意图；
图4是根据本申请的用于生成信息的装置的实施例的示意图；
图5是用来实现本申请实施例的用于生成信息的方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
需要说明的是，在不冲突的情况下，本公开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公开。
请参考图1，其示出了根据本申请的用于生成信息的方法的第一实施例的示意图。该用于生成信息的方法，可以包括以下步骤：
步骤101，从目标视频中获取多个标签实体词。
在本实施例中，用于生成信息的方法的执行主体可以为用于生成信息的装置，该用于生成信息的装置可以为一个电子实体(例如服务器)，或者也可以为采用软件集成的应用。使用时，可以将目标视频输入该用于生成信息的装置中。该用于生成信息的装置可以采用本实施例的用于生成信息的方法，生成目标视频结构化的语义信息。
在本实施例中，上述执行主体可以采用各种方式从目标视频中获取标签实体词。其中，标签实体词可以从认知和感知两层面来体现目标视频。作为示例，上述执行主体可以将目标视频输入预先训练的实体词获取模型来得到该目标视频的标签实体词，实体词获取模型可以用于表征目标视频与标签实体词的对应关系。当然，上述执行主体还可以通过其他方式获取目标视频的标签实体词。
具体地，上述标签实体词至少可以包括人物实体词、作品实体词、视频类别实体词和视频核心实体词。上述人物实体词可以用于指示该目标视频中出现的人物(例如，刘德华)。上述作品实体词可以用于指示该目标视频所属的作品的名称或该目标视频的作品名称(例如，无间道)。视频类别实体词可以用于表征目标视频的类别，这里类别可以包括影视、港台电影、内陆综艺、国产动漫等。视频核心实体词可以包括用于表征与目标视频相关内容的实体词，例如，视频核心实体词可以包括目标视频中出现音乐的音乐名称、该音乐的演唱者、动漫角色等。
步骤102，针对多个标签实体词中的标签实体词，将该标签实体词链接到预先设置的知识图谱中的节点上。
在本实施例中，预先设置的知识图谱(knowledge graph，KG)可以为现有技术中已知的知识图谱。该知识图谱可以包括多个节点(Point)，且其中某些节点之间还存在连接的边(Edge)。基于步骤101获取的多个标签实体词，针对多个标签实体词中的任一标签实体词，上述执行主体可以将该标签实体词链接到上述知识图谱中的节点上，如此，上述多个标签实体词中的每个实体词均可以连接到知识图谱的节点上。可以理解的是，将标签实体词链接到知识图谱的节点可以指将标签实体词的字符串映射到知识图谱中对应的节点上。
知识图谱本质上是语义网络，是一种基于图的数据结构，由节点和边组成。在知识图谱里，每个节点表示具有可区别性且独立存在的某种事物，每条边表示节点与节点之间的关系。节点中事物可以为某一个人、某一个城市、某一种植物、某一种商品等。知识图谱是关系的一种有效的表示方式，旨在描述真实世界中存在的各种事物及其关系。因此，将标签实体词链接到知识图谱的节点可以通过节点和边的关系获取标签实体词的语义信息。
在本实施例的一些可选的实现方式中，在将标签实体词链接到预先设置的知识图谱中的节点上之后，上述执行主体可以利用知识图谱对各标签实体词进行校验，从而判断多个标签实体词中是否存在与目标视频无关的标签实体词。具体地，上述执行主体可以基于各标签实体词在知识图谱的链接结果判断各实体标签词中是否存在无关实体词。这里的无关实体词可以为多个标签实体词中与目标视频不相关的实体词。例如，目标视频为电影“无间道”片段，上述执行主体获取的各标签实体词中包括人物实体词“张学友”，该人物实体词链接到知识图谱的“张学友”节点后，根据该节点和边的关系可以判断出“张学友”与目标视频无关，此时可以确定该人物实体词为与目标视频不相关的标签实体词。可以理解的是，上述执行主体在确定出标签实体词为无关实体词后可以删除该无关实体词。该实现方式提供的方案可以利用知识图谱对所获取的各标签实体词进行校验，从各标签实体词中删除与目标视频的无关实体词，从而提高了所得到目标视频结构化的语义信息的准确性。
步骤103，基于各标签实体词的链接结果，确定目标视频的语义信息。
在本实施例中，上述执行主体可以获取步骤102的链接结果，并利用各标签实体词的链接结果，按照各标签实体词在知识图谱的链接节点和与该节点连接的边和节点，可以确定出各标签实体词的语义信息。这里，可以将各标签实体词的语义信息确定为上述目标视频的语义信息。作为示例，上述标签实体词为人物实体词“刘德华”，上述执行主体在将该人物实体词链接到知识图谱的节点之后，可以获取该节点所包含的信息和与该节点通过边相连接的节点所包含的信息，例如，刘德华的身份信息、代表作品信息等，这些信息为人物实体词的语义信息。
在本实施例的一些可选的实现方式中，上述执行主体可以通过如下方式实现上述步骤103：基于各标签实体词的链接结果，获取该各述标签实体词的属性信息；基于各标签实体词的链接结果，按照知识图谱中边的关系对各标签实体词进行扩展，得到目标视频的扩展信息；将各标签实体词的属性信息和扩展信息确定为目标视频的语义信息。该实现方式利用各标签实体词的链接结果可以得到各标签实体词的属性信息(例如，标签实体词包括人物实体词和作品实体词，人物实体词的属性信息可以包括人物身份信息、代表作品信息等，作品实体词的属性信息可以包括作品时间信息、参演人员信息等)。而后，上述执行主体可以利用各标签实体词的链接结果，按照知识图谱中边和节点的关系对各标签实体词进行信息扩展，从而可以得到扩展信息。例如，标签实体词可以包括人物实体词(刘德华)和作品实体词(无间道)，利用人物实体词(刘德华)和作品实体词(无间道)这两个标签实体词的链接结果，按照知识图谱中链接结果的节点和边的关系可以对这两个标签实体词进行信息扩展，得到例如人物在作品中的角色信息(刘德华在无间道中扮演的角色刘建明)等扩展信息。该实现方式可以进一步扩展目标视频的语义信息。
步骤104，按照知识图谱中节点和边的关系，对各目标视频的语义信息进行结构化，得到目标视频结构化的语义信息。
在本实施例中，基于步骤103得到的语义信息，上述执行主体可以按照语义信息在知识图谱中所处的节点和边的关系，对目标视频的语义信息进行结构化，从而可以得到该目标视频结构化的语义信息。可以理解的是，上述执行主体可以为目标视频标注所得到的结构化的语义信息。
在一些可选的实现方式中，如图2所示，图2示出了根据本实施例的用于生成信息的方法中从目标视频中获取多个标签实体词的一种实现方式。具体地，上述执行主体可以通过如下方式实现步骤101中的“从目标视频中获取多个标签实体词”：
步骤201，对目标视频进行人脸识别，获取目标视频的人物实体词。
在本实现方式中，上述执行主体可以采用人脸识别技术识别目标视频，从目标视频中获取人物实体词。在该实现方式中，上述执行主体可以判断预设的人脸数据库中是否有包含目标视频中的人脸。如果人脸数据库中包含目标视频中的人脸，上述执行主体可以确定出目标视频中的人物实体词。或者，上述执行主体还可以将目标视频或目标视频中的包含人脸图像的图像帧输入预先训练的人脸识别模型，得到目标视频中的人物实体词。人脸识别模型可以用于表征目标视频或目标视频中的包含人脸图像与人物实体词之间的对应关系。
步骤202，对目标视频进行视频指纹识别，获取目标视频的作品实体词。
在本实现方式中，可以预先设置一个视频库，该视频库中可以包括大量的完整源视频，且视频库中标识由每个源视频的作品名称。在视频指纹识别时可以将目标视频与视频库中各源视频进行匹配，从而可以确定出上述目标视频的作品名称或目标视频所属的源视频的作品名称，得到目标视频的作品实体词。
步骤203，基于目标视频的图像内容、音频内容和文本内容的识别结果，获取目标视频的视频类别实体词和视频核心实体词。
在本实现方式中，上述执行主体可以采用各种方式对目标视频处理，从而可以获取目标视频的视频类别实体词和视频核心实体词。具体地，上述执行主体可以采用各种实现方式处理目标视频的图像内容、音频内容和文本内容，得到目标视频的视频类别实体词和视频核心实体词。该实现方式提供的获取多个标签实体词的方法可以从感知和认知两个层面得到标签实体词，提高了获取标签实体词的全面性。
可选的，上述执行主体可以从目标视频中提取多帧图像，所提取的多帧图像为该目标视频的图像内容。而后对目标视频的图像内容(例如，目标视频中出现的动漫人物、场景等)进行分析，从而可以确定出目标视频中例如动漫角色等的视频核心实体词。其次，上述执行主体还可以从目标视频中提取出音频信息，所提取的音频信息为目标视频的音频内容。而后对目标视频的音频内容进行文本转换、声纹识别等处理，从而可以确定出目标视频中例如音乐名、演唱者等视频核心实体词。再者，上述执行主体还可以从目标视频中提取出文本信息(例如，目标视频的字幕信息)，所提取的文本为目标视频的文本内容。而后对目标视频的文本内容进行语义分析等处理，从而可以确定出目标视频的歌词等视频核心实体词。可以理解的是，从目标视频的图像内容、音频内容和文本内容中的至少一项的识别结果中还可以确定出目标视频的视频类别实体词，例如视频类别实体词可以港台电影。
可选的，上述执行主体在获取例如目标视频的人脸信息、字幕信息等非语义信息对应的标签实体词之后，可以将所获得的标签实体词链接到知识图谱，从而可以直接得到作品实体词、视频类别实体词和视频核心实体词等。
可以理解的是，上述执行主体可以从步骤201、步骤202和步骤203中的至少一个中获取目标视频的标签实体词。上述步骤201、步骤202和步骤203的执行顺序可以不分先后，这里没有具体的限定，例如，上述步骤201、步骤202和步骤203还可以并列执行。
本申请的上述实施例提供的用于生成信息的方法，可以从目标视频中获取多个标签实体词，之后针对多个标签实体词中的标签实体词，可以将该标签实体词链接到预先设置的知识图谱中的节点上，而后基于各标签实体词的链接结果，可以确定目标视频的语义信息，最后按照知识图谱中节点和边的关系，可以对目标视频的语义信息进行结构化，得到目标视频结构化的语义信息，从而实现了为视频提供了结构化的语义信息，解决了因视频的标签无结构化、缺乏语义信息导致的视频标签不适用于视频推荐、搜索等的问题，提高了视频在推荐、搜索等中的效率和准确率。
接下来请继续参考图3，图3是根据本申请的用于生成信息的方法的第二实施例的示意图。该用于生成信息的方法，可以包括以下步骤：
步骤301，从目标视频中获取多个标签实体词。
步骤302，针对多个标签实体词中的标签实体词，将该标签实体词链接到预先设置的知识图谱中的节点上。
步骤303，基于各标签实体词的链接结果，确定目标视频的语义信息。
步骤304，按照知识图谱中节点和边的关系，对目标视频的语义信息进行结构化，得到目标视频结构化的语义信息。
在本实施例中，上述步骤301～步骤304所包含的内容与上述实施例中的步骤101～步骤104所包含的内容相同或相似，这里不再赘述。
步骤305，基于目标视频结构化的语义信息，生成目标视频的结构化子图。
在本实施例中，基于步骤304得到的目标视频的语义化的语义信息，上述执行主体可以按照知识图谱中节点和边的关系构建该目标视频的结构化子图。该结构化子图可以包括节点和边，并可以通过节点和边的关系表示目标视频的所包含语义信息之间的关系。
步骤306，将结构化子图输入预先训练的向量化模型，得到目标视频结构化的语义信息的向量。
在本实施例中，基于步骤305得到的目标视频的结构化子图，上述执行主体可以将所得到的结构化子图输入预先训练的向量化模型。上述向量化模型可以输出该目标视频的结构化的语义信息的向量。这里，向量化模型可以用于表征结构化子图与结构化的语义信息的向量之间的对应关系。得到的向量可以为结构子图的向量表示，或者得到的向量还可以为结构子图中节点的向量表示。例如，结构子图的向量表示可以应用于视频推荐业务，节点的向量表示可以应用于视频搜索业务。可以理解的是，上述执行主体可以采用各种手段训练上述向量化模型，这里可以根据实际的需求进行模型训练，没有唯一的限定。
在本实施例的一些可选的实现方式中，上述执行主体可以通过图神经网络(GraphNeural Networks，GNN)训练上述向量化模型。通过图神经网络训练得到向量化模型可以用于输出结构子图的向量表示。例如，图神经网络具体可以采用如图卷积神经网络(GraphConvolutional Network，GCN)，基于结构子图中节点的属性和节点的标签来针对特定任务端到端地训练模型参数，从而得到上述向量化模型。当然，上述执行主体还可以采用图嵌入(Graph Embedding，GE)算法训练上述向量化模型。通过图嵌入算法训练得到向量化模型可以用于输出结构子图中节点的向量表示。例如，图嵌入算法具体可以采用节点向量Node2Vec的方式训练向量化模型。结构子图中由节点和边构成的网络中存在很多很多通路，将各个节点连成一条线，这些连线蕴含着节点之间的相互关系，就如同句子中各个词语的关系一样。因此，可以把这些节点序列当作句子，用词向量word2vec的方法进行训练，即采用节点向量Node2Vec的方式交进行训练就可以得到节点的向量表示。该实现方式可以提供用于输出结构子图的向量表示的向量化模型和用于输出节点的向量表示的向量化模型，从而可以使得输出的目标视频结构化的语义信息的向量可以具有多样性。
从图3中可以看出，与图1对应的实施例相比，本实施例中的用于生成信息的方法在利用知识图谱生成视频的结构化的语义信息之后，可以得到对应的结构子图，并采用预先训练的向量化模型得到视频结构化的语义信息的向量表示，从而使得生成的视频结构化的语义信息能更好的适用于视频推荐和视频检索，提高了视频结构化的语义信息的实用性。
进一步参考图4，作为对上述各图所示方法的实现，本公开提供了一种用于生成信息的装置的一个实施例，该装置实施例与图1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4所示，本实施例的用于生成信息的装置400包括：获取单元401、链接单元402、确定单元403和结构化单元404。其中，获取单元401被配置成从目标视频中获取多个标签实体词，其中，标签实体词包括人物实体词、作品实体词、视频类别实体词和视频核心实体词，视频核心实体词包括用于表征目标视频相关内容的实体词；链接单元402被配置成针对多个标签实体词中的标签实体词，将该标签实体词链接到预先设置的知识图谱中的节点上；确定单元403被配置成基于各标签实体词的链接结果，确定目标视频的语义信息；结构化单元404被配置成按照知识图谱中节点和边的关系，对目标视频的语义信息进行结构化，得到目标视频结构化的语义信息。
在本实施例的一些可选的实现方式中，装置400还包括：生成单元，被配置成基于目标视频结构化的语义信息，生成目标视频的结构化子图；输入单元，被配置成将结构化子图输入预先训练的向量化模型，得到目标视频结构化的语义信息的向量，其中，向量化模型用于表征结构化子图与结构化的语义信息的向量之间的对应关系。
在本实施例的一些可选的实现方式中，向量化模型通过图神经网络或图嵌入算法训练得到。
在本实施例的一些可选的实现方式中，获取单元401进一步被配置成：对目标视频进行人脸识别，获取目标视频的人物实体词；对目标视频进行视频指纹识别，获取目标视频的作品实体词；基于目标视频的图像内容、音频内容和文本内容的识别结果，获取目标视频的视频类别实体词和视频核心实体词。
在本实施例的一些可选的实现方式中，装置400还包括：判断单元，被配置成基于各标签实体词的链接结果，判断各标签实体词中是否存在无关实体词，其中，无关实体词为多个标签实体词中与目标视频不相关的实体词；删除单元，被配置成响应于确定出标签实体词为无关实体词，删除无关实体词。
在本实施例的一些可选的实现方式中，确定单元403进一步被配置成：基于各标签实体词的链接结果，获取该各述标签实体词的属性信息；基于各标签实体词的链接结果，按照知识图谱中边的关系对标签实体词进行扩展，得到目标视频的扩展信息；将各标签实体词的属性信息和扩展信息确定为目标视频的语义信息。
装置400中记载的诸单元与参考图1描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作和特征同样适用于装置400及其中包含的单元，在此不再赘述。
根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。
如图5所示，是根据本申请实施例的用于生成信息的方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图5所示，该电子设备包括：一个或多个处理器501、存储器502，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图5中以一个处理器501为例。
存储器502即为本申请所提供的非瞬时计算机可读存储介质。其中，存储器存储有可由至少一个处理器执行的指令，以使至少一个处理器执行本申请所提供的用于生成信息的方法。本申请的非瞬时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计算机执行本申请所提供的用于生成信息的方法。
存储器502作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的用于生成信息的方法对应的程序指令/模块(例如，附图4所示的获取单元401、链接单元402、确定单元403和结构化单元404)。处理器501通过运行存储在存储器502中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的用于生成信息的方法。
存储器502可以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、至少一个功能所需要的应用程序；存储数据区可存储根据用于生成信息的电子设备的使用所创建的数据等。此外，存储器502可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器502可选包括相对于处理器501远程设置的存储器，这些远程存储器可以通过网络连接至用于生成信息的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
用于生成信息的方法的电子设备还可以包括：输入装置503和输出装置504。处理器501、存储器502、输入装置503和输出装置504可以通过总线或者其他方式连接，图5中以通过总线连接为例。
输入装置503可接收输入的数字或字符信息，以及产生与用于生成信息的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置504可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本申请实施例的技术方案，可以从目标视频中获取多个标签实体词，之后针对多个标签实体词中的标签实体词，可以将该标签实体词链接到预先设置的知识图谱中的节点上，而后基于各标签实体词的链接结果，可以确定目标视频的语义信息，最后按照知识图谱中节点和边的关系，可以对目标视频的语义信息进行结构化，得到目标视频结构化的语义信息，从而实现了为视频提供了结构化的语义信息，解决了现有技术中因视频的标签无结构化、缺乏语义信息导致的视频标签不适用于视频推荐、搜索等的问题，提高了视频在推荐、搜索等中的效率和准确率。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (14)

1.一种用于生成信息的方法，包括：
从目标视频中获取多个标签实体词，其中，所述标签实体词包括人物实体词、作品实体词、视频类别实体词和视频核心实体词，所述视频核心实体词包括用于表征所述目标视频相关内容的实体词；
针对所述多个标签实体词中的标签实体词，将该标签实体词链接到预先设置的知识图谱中的节点上；
基于各所述标签实体词的链接结果，确定所述目标视频的语义信息；
按照所述知识图谱中节点和边的关系，对所述目标视频的语义信息进行结构化，得到所述目标视频结构化的语义信息。
2.根据权利要求1所述的方法，其中，在得到所述目标视频结构化的语义信息之后，所述方法还包括：
基于所述目标视频结构化的语义信息，生成所述目标视频的结构化子图；
将所述结构化子图输入预先训练的向量化模型，得到所述目标视频结构化的语义信息的向量，其中，所述向量化模型用于表征结构化子图与结构化的语义信息的向量之间的对应关系。
3.根据权利要求2所述的方法，其中，所述向量化模型通过图神经网络或图嵌入算法训练得到。
4.根据权利要求1所述的方法，其中，所述从目标视频中获取多个标签实体词，包括：
对所述目标视频进行人脸识别，获取所述目标视频的人物实体词；
对所述目标视频进行视频指纹识别，获取所述目标视频的作品实体词；
基于所述目标视频的图像内容、音频内容和文本内容的识别结果，获取所述目标视频的视频类别实体词和视频核心实体词。
5.根据权利要求1所述的方法，其中，在针对所述多个标签实体词中的标签实体词，将该标签实体词链接到预先设置的知识图谱中的节点上之后，所述方法还包括：
基于各所述标签实体词的链接结果，判断各所述标签实体词中是否存在无关实体词，其中，所述无关实体词为所述多个标签实体词中与所述目标视频不相关的实体词；
响应于确定出所述标签实体词为无关实体词，删除所述无关实体词。
6.根据权利要求1-5之一所述的方法，其中，所述基于各所述标签实体词的链接结果，确定所述目标视频的语义信息，包括：
基于各所述标签实体词的链接结果，获取该各述标签实体词的属性信息；
基于各所述标签实体词的链接结果，按照所述知识图谱中边的关系对所述标签实体词进行扩展，得到所述目标视频的扩展信息；
将各所述标签实体词的属性信息和所述扩展信息确定为所述目标视频的语义信息。
7.一种用于生成信息的装置，包括：
获取单元，被配置成从目标视频中获取多个标签实体词，其中，所述标签实体词包括人物实体词、作品实体词、视频类别实体词和视频核心实体词，所述视频核心实体词包括用于表征所述目标视频相关内容的实体词；
链接单元，被配置成针对所述多个标签实体词中的标签实体词，将该标签实体词链接到预先设置的知识图谱中的节点上；
确定单元，被配置成基于各所述标签实体词的链接结果，确定所述目标视频的语义信息；
结构化单元，被配置成按照所述知识图谱中节点和边的关系，对所述目标视频的语义信息进行结构化，得到所述目标视频结构化的语义信息。
8.根据权利要求7所述的装置，其中，所述装置还包括：
生成单元，被配置成基于所述目标视频结构化的语义信息，生成所述目标视频的结构化子图；
输入单元，被配置成将所述结构化子图输入预先训练的向量化模型，得到所述目标视频结构化的语义信息的向量，其中，所述向量化模型用于表征结构化子图与结构化的语义信息的向量之间的对应关系。
9.根据权利要求8所述的装置，其中，所述向量化模型通过图神经网络或图嵌入算法训练得到。
10.根据权利要求7所述的装置，其中，所述获取单元进一步被配置成：
对所述目标视频进行人脸识别，获取所述目标视频的人物实体词；
对所述目标视频进行视频指纹识别，获取所述目标视频的作品实体词；
基于所述目标视频的图像内容、音频内容和文本内容的识别结果，获取所述目标视频的视频类别实体词和视频核心实体词。
11.根据权利要求7所述的装置，其中，所述装置还包括：
判断单元，被配置成基于各所述标签实体词的链接结果，判断各所述标签实体词中是否存在无关实体词，其中，所述无关实体词为所述多个标签实体词中与所述目标视频不相关的实体词；
删除单元，被配置成响应于确定出所述标签实体词为无关实体词，删除所述无关实体词。
12.根据权利要求7-11之一所述的装置，其中，所述确定单元进一步被配置成：
基于各所述标签实体词的链接结果，获取该各述标签实体词的属性信息；
基于各所述标签实体词的链接结果，按照所述知识图谱中边的关系对所述标签实体词进行扩展，得到所述目标视频的扩展信息；
将各所述标签实体词的属性信息和所述扩展信息确定为所述目标视频的语义信息。
13.一种电子设备，其中，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权利要求1-6中任一项所述的方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行权利要求1-6中任一项所述的方法。
CN202010297146.2A 2020-04-15 2020-04-15 用于生成信息的方法和装置 Active CN111522994B (zh)

Priority Applications (5)

Application Number Priority Date Filing Date Title
CN202010297146.2A CN111522994B (zh) 2020-04-15 2020-04-15 用于生成信息的方法和装置
JP2021051976A JP7170082B2 (ja) 2020-04-15 2021-03-25 情報を生成するための方法及び装置、電子機器、記憶媒体並びにコンピュータプログラム
KR1020210038963A KR102565659B1 (ko) 2020-04-15 2021-03-25 정보 생성 방법 및 장치
US17/213,940 US11847164B2 (en) 2020-04-15 2021-03-26 Method, electronic device and storage medium for generating information
EP21165605.3A EP3859562A3 (en) 2020-04-15 2021-03-29 Method, apparatus, electronic device, storage medium and computer program product for generating information

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010297146.2A CN111522994B (zh) 2020-04-15 2020-04-15 用于生成信息的方法和装置

Publications (2)

Publication Number Publication Date
CN111522994A true CN111522994A (zh) 2020-08-11
CN111522994B CN111522994B (zh) 2023-08-01

Family

ID=71901202

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010297146.2A Active CN111522994B (zh) 2020-04-15 2020-04-15 用于生成信息的方法和装置

Country Status (5)

Country Link
US (1) US11847164B2 (zh)
EP (1) EP3859562A3 (zh)
JP (1) JP7170082B2 (zh)
KR (1) KR102565659B1 (zh)
CN (1) CN111522994B (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111984825A (zh) * 2020-08-28 2020-11-24 北京百度网讯科技有限公司 用于搜索视频的方法和装置
CN112084383A (zh) * 2020-09-07 2020-12-15 中国平安财产保险股份有限公司 基于知识图谱的信息推荐方法、装置、设备及存储介质
CN112131472A (zh) * 2020-09-24 2020-12-25 腾讯科技（深圳）有限公司 信息推荐方法、装置、电子设备和存储介质
CN112148843A (zh) * 2020-11-25 2020-12-29 中电科新型智慧城市研究院有限公司 文本处理方法、装置、终端设备和存储介质
CN112712056A (zh) * 2021-01-14 2021-04-27 珠海格力电器股份有限公司 视频语义分析方法、装置、存储介质及电子设备
CN113849575A (zh) * 2020-12-10 2021-12-28 阿里巴巴集团控股有限公司 数据处理方法、装置和系统
CN114255427A (zh) * 2021-12-21 2022-03-29 北京百度网讯科技有限公司 视频理解方法、装置、设备、存储介质以及程序产品
CN115130435A (zh) * 2022-06-27 2022-09-30 北京百度网讯科技有限公司 文档处理方法、装置、电子设备和存储介质
CN116010636A (zh) * 2022-12-01 2023-04-25 广东工业大学 一种基于美术图像标签的检索推送方法及其用途

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113157727B (zh) * 2021-05-24 2022-12-13 腾讯音乐娱乐科技（深圳）有限公司 提供召回结果的方法、设备和存储介质
CN115544303A (zh) * 2022-09-30 2022-12-30 华为技术有限公司 用于确定视频的标签的方法、装置、设备及介质
US11928145B1 (en) * 2022-12-09 2024-03-12 International Business Machines Corporation Creating a knowledge graph for a video
CN115828977B (zh) * 2023-02-15 2023-06-09 深圳市玄羽科技有限公司 工业互联网标签编码方法、装置、介质及电子设备
CN117113993B (zh) * 2023-10-23 2024-01-09 腾讯科技（深圳）有限公司 实体链接方法、装置、电子设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190012377A1 (en) * 2017-07-05 2019-01-10 Beijing Baidu Netcom Science And Technology Co., Ltd. Method and device for generating text tag
CN110245259A (zh) * 2019-05-21 2019-09-17 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
US20190332867A1 (en) * 2017-05-11 2019-10-31 Tencent Technology (Shenzhen) Company Limited Method and apparatus for retrieving similar video and storage medium
US20190340255A1 (en) * 2018-05-07 2019-11-07 Apple Inc. Digital asset search techniques
CN110427563A (zh) * 2019-08-30 2019-11-08 杭州智策略科技有限公司 一种基于知识图谱的专业领域系统冷启动推荐方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008134966A (ja) * 2006-11-29 2008-06-12 Sony Corp データ管理サーバ、データ管理システム、データ管理方法およびプログラム
JP5564919B2 (ja) * 2009-12-07 2014-08-06 ソニー株式会社 情報処理装置、予測変換方法およびプログラム
US9785639B2 (en) * 2012-04-27 2017-10-10 Mobitv, Inc. Search-based navigation of media content
US9946739B2 (en) * 2013-03-15 2018-04-17 Neura Labs Corp. Intelligent internet system with adaptive user interface providing one-step access to knowledge
JP6906419B2 (ja) * 2017-10-13 2021-07-21 ヤフー株式会社 情報提供装置、情報提供方法、およびプログラム
WO2020243116A1 (en) * 2019-05-26 2020-12-03 Vilynx, Inc. Self-learning knowledge graph
US11429778B2 (en) * 2019-08-29 2022-08-30 Rovi Guides, Inc. Systems and methods for generating personalized content
KR20210033770A (ko) * 2019-09-19 2021-03-29 삼성전자주식회사 지식 그래프에 기초하여 콘텐트를 제공하는 방법 및 장치
CN113723166A (zh) * 2021-03-26 2021-11-30 腾讯科技（北京）有限公司 内容识别方法、装置、计算机设备和存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190332867A1 (en) * 2017-05-11 2019-10-31 Tencent Technology (Shenzhen) Company Limited Method and apparatus for retrieving similar video and storage medium
US20190012377A1 (en) * 2017-07-05 2019-01-10 Beijing Baidu Netcom Science And Technology Co., Ltd. Method and device for generating text tag
US20190340255A1 (en) * 2018-05-07 2019-11-07 Apple Inc. Digital asset search techniques
CN110245259A (zh) * 2019-05-21 2019-09-17 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
CN110427563A (zh) * 2019-08-30 2019-11-08 杭州智策略科技有限公司 一种基于知识图谱的专业领域系统冷启动推荐方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
XIAOFENG ZHU ET AL.: "Video-to-Shot Tag Propagation by Graph Sparse Group Lasso", 《IEEE TRANSACTIONS ON MULTIMEDIA》, vol. 15, no. 3, pages 633 - 646, XP011496881, DOI: 10.1109/TMM.2012.2233723 *
徐彤阳等: "视频检索研究可视化分析", 《计算机工程与应用》, no. 22, pages 190 - 197 *
许智宏等: "基于知识图谱知识推理的视频推荐算法_许智宏", 《计算机工程与设计》, vol. 41, no. 3, pages 710 - 715 *
陈嘉颖等: "一种融合语义分析特征提取的推荐算法", vol. 57, no. 03, pages 562 - 575 *

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111984825A (zh) * 2020-08-28 2020-11-24 北京百度网讯科技有限公司 用于搜索视频的方法和装置
CN112084383B (zh) * 2020-09-07 2023-08-18 中国平安财产保险股份有限公司 基于知识图谱的信息推荐方法、装置、设备及存储介质
CN112084383A (zh) * 2020-09-07 2020-12-15 中国平安财产保险股份有限公司 基于知识图谱的信息推荐方法、装置、设备及存储介质
CN112131472A (zh) * 2020-09-24 2020-12-25 腾讯科技（深圳）有限公司 信息推荐方法、装置、电子设备和存储介质
CN112131472B (zh) * 2020-09-24 2024-05-24 腾讯科技（深圳）有限公司 信息推荐方法、装置、电子设备和存储介质
CN112148843A (zh) * 2020-11-25 2020-12-29 中电科新型智慧城市研究院有限公司 文本处理方法、装置、终端设备和存储介质
CN112148843B (zh) * 2020-11-25 2021-05-07 中电科新型智慧城市研究院有限公司 文本处理方法、装置、终端设备和存储介质
CN113849575A (zh) * 2020-12-10 2021-12-28 阿里巴巴集团控股有限公司 数据处理方法、装置和系统
CN112712056A (zh) * 2021-01-14 2021-04-27 珠海格力电器股份有限公司 视频语义分析方法、装置、存储介质及电子设备
CN114255427A (zh) * 2021-12-21 2022-03-29 北京百度网讯科技有限公司 视频理解方法、装置、设备、存储介质以及程序产品
CN115130435A (zh) * 2022-06-27 2022-09-30 北京百度网讯科技有限公司 文档处理方法、装置、电子设备和存储介质
CN115130435B (zh) * 2022-06-27 2023-08-11 北京百度网讯科技有限公司 文档处理方法、装置、电子设备和存储介质
CN116010636A (zh) * 2022-12-01 2023-04-25 广东工业大学 一种基于美术图像标签的检索推送方法及其用途
CN116010636B (zh) * 2022-12-01 2023-08-11 广东工业大学 一种基于美术图像标签的检索推送方法及其用途

Also Published As

Publication number Publication date
EP3859562A2 (en) 2021-08-04
KR102565659B1 (ko) 2023-08-10
EP3859562A3 (en) 2021-09-29
US20210216717A1 (en) 2021-07-15
US11847164B2 (en) 2023-12-19
JP7170082B2 (ja) 2022-11-11
KR20210040885A (ko) 2021-04-14
CN111522994B (zh) 2023-08-01
JP2021120863A (ja) 2021-08-19

Similar Documents

Publication Publication Date Title
CN111522994B (zh) 用于生成信息的方法和装置
CN112560912B (zh) 分类模型的训练方法、装置、电子设备和存储介质
CN111241282B (zh) 文本主题生成方法、装置及电子设备
CN111522967B (zh) 知识图谱构建方法、装置、设备以及存储介质
CN111625635A (zh) 问答处理、语言模型的训练方法、装置、设备及存储介质
CN111079442B (zh) 文档的向量化表示方法、装置和计算机设备
CN112560479B (zh) 摘要抽取模型训练方法、摘要抽取方法、装置和电子设备
CN111104514B (zh) 文档标签模型的训练方法及装置
CN111966890B (zh) 基于文本的事件推送方法、装置、电子设备和存储介质
CN111783468B (zh) 文本处理方法、装置、设备和介质
CN111125435B (zh) 视频标签的确定方法、装置和计算机设备
CN111709247A (zh) 数据集处理方法、装置、电子设备和存储介质
CN110674260B (zh) 语义相似模型的训练方法、装置、电子设备和存储介质
CN111949814A (zh) 搜索方法、装置、电子设备和存储介质
CN111666751B (zh) 训练文本扩充方法、装置、设备以及存储介质
CN112541359B (zh) 文档内容识别方法、装置、电子设备及介质
CN111967256A (zh) 事件关系的生成方法、装置、电子设备和存储介质
CN113553414B (zh) 智能对话方法、装置、电子设备和存储介质
CN111680517A (zh) 用于训练模型的方法、装置、设备以及存储介质
CN113590776A (zh) 基于知识图谱的文本处理方法、装置、电子设备及介质
CN112507090A (zh) 用于输出信息的方法、装置、设备和存储介质
CN111090991A (zh) 场景纠错方法、装置、电子设备和存储介质
CN115688920A (zh) 知识抽取方法、模型的训练方法、装置、设备和介质
CN113516491B (zh) 推广信息展示方法、装置、电子设备及存储介质
CN112270169B (zh) 对白角色预测方法、装置、电子设备及存储介质

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