CN111831854A - 视频标签的生成方法、装置、电子设备和存储介质 - Google Patents

视频标签的生成方法、装置、电子设备和存储介质 Download PDF

Info

Publication number
CN111831854A
CN111831854A CN202010493783.7A CN202010493783A CN111831854A CN 111831854 A CN111831854 A CN 111831854A CN 202010493783 A CN202010493783 A CN 202010493783A CN 111831854 A CN111831854 A CN 111831854A
Authority
CN
China
Prior art keywords
video
information
candidate
tags
generating
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
CN202010493783.7A
Other languages
English (en)
Inventor
刘呈祥
刘昊
何伯磊
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 CN202010493783.7A priority Critical patent/CN111831854A/zh
Publication of CN111831854A publication Critical patent/CN111831854A/zh
Priority to US17/115,263 priority patent/US11508153B2/en
Priority to JP2020213352A priority patent/JP7080300B2/ja
Priority to EP21150149.9A priority patent/EP3920088A1/en
Priority to KR1020210038311A priority patent/KR102510317B1/ko
Pending legal-status Critical Current

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
    • G06F16/783—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • 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
    • G06F16/74—Browsing; Visualisation therefor
    • 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
    • G06F16/784—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 the detected or recognised objects being people
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • 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
    • 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
    • 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
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/26—Techniques for post-processing, e.g. correcting the recognition result
    • G06V30/262—Techniques for post-processing, e.g. correcting the recognition result using context analysis, e.g. lexical, syntactic or semantic context
    • G06V30/274—Syntactic or semantic context, e.g. balancing
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H04N21/4662—Learning process for intelligent management, e.g. learning user preferences for recommending movies characterized by learning algorithms
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H04N21/4668—Learning process for intelligent management, e.g. learning user preferences for recommending movies for recommending content, e.g. movies

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Library & Information Science (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Signal Processing (AREA)
  • Human Computer Interaction (AREA)
  • Mathematical Physics (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)

Abstract

本申请公开了视频标签的生成方法、装置、电子设备和存储介质，涉及领域自然语言处理、深度学习技术领域。具体实现方案为：通过获取视频的多个候选标签和视频信息，分别计算视频信息与多个候选标签之间的第一相关性信息，然后根据第一相关性信息对多个候选标签进行排序，并根据排序结果生成视频的标签。由此，通过根据视频信息与每个候选标签之间的相关性信息，对多个候选标签进行排序，根据排序结果生成视频的标签，从而实现整合利用多个候选标签，给视频打上精准和完善的标签，提高了视频标签的精准性和完整性，提高了视频推荐效果。

Description

视频标签的生成方法、装置、电子设备和存储介质
技术领域
本申请涉及计算机技术领域，具体涉及自然语言处理、深度学习技术领域，尤其涉及一种视频标签的生成方法、装置、电子设备和存储介质。
背景技术
基于用户兴趣点的个性化的资讯推荐是资讯消费的新潮流，比如视频资源的推荐，而要实现视频资源的个性化推荐通常要对视频资源进行标签化，根据视频标签进行推荐。
可见，如何获取精准性较高的视频标签，对视频推荐起着关键性的作用。
发明内容
本申请提供一种用于生成精准和完整的视频标签的视频标签的生成方法、装置、电子设备和存储介质。
根据第一方面，提供了一种视频标签的生成方法，包括：
获取视频的多个候选标签；
获取所述视频的视频信息；
分别计算所述视频信息与所述多个候选标签之间的第一相关性信息；
根据所述第一相关性信息对所述多个候选标签进行排序；以及
根据排序结果生成所述视频的标签。
本申请实施例的视频标签的生成方法，通过获取视频的多个候选标签和视频信息，分别计算视频信息与多个候选标签之间的第一相关性信息，然后根据第一相关性信息对多个候选标签进行排序，并根据排序结果生成视频的标签。由此，通过根据视频信息与每个候选标签之间的相关性信息，对多个候选标签进行排序，根据排序结果生成视频的标签，从而实现整合利用多个候选标签，给视频打上精准和完善的标签，提高了视频标签的精准性和完整性，提高了视频推荐效果。
根据第二方面，提供了一种视频标签的生成装置，包括：
第一获取模块，用于获取视频的多个候选标签；
第二获取模块，用于获取所述视频的视频信息；
第一计算模块，用于分别计算所述视频信息与所述多个候选标签之间的第一相关性信息；
排序模块，用于根据所述第一相关性信息对所述多个候选标签进行排序；以及
第一生成模块，用于根据排序结果生成所述视频的标签。
本申请实施例的视频标签的生成装置，通过获取视频的多个候选标签和视频信息，分别计算视频信息与多个候选标签之间的第一相关性信息，然后根据第一相关性信息对多个候选标签进行排序，并根据排序结果生成视频的标签。由此，通过根据视频信息与每个候选标签之间的相关性信息，对多个候选标签进行排序，根据排序结果生成视频的标签，从而实现整合利用多个候选标签，给视频打上精准和完善的标签，提高了视频标签的精准性和完整性，提高了视频推荐效果。
根据第三方面，提供了一种电子设备，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上述一方面实施例所述的视频标签的生成方法。
根据第四方面，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，其上存储有计算机程序，所述计算机指令用于使所述计算机执行上述一方面实施例所述的视频标签的生成方法。
根据本申请的实施例，通过根据视频信息与每个候选标签之间的相关性信息，对多个候选标签进行排序，根据排序结果生成视频的标签，从而实现整合利用多个候选标签，给视频打上精准和完善的标签，提高了视频标签的精准性和完整性，提高了视频推荐效果。
上述可选方式所具有的其他效果将在下文中结合具体实施例加以说明。
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为本申请实施例提供的一种视频标签的生成方法的流程示意图；
图2为本申请实施例提供的另一种视频标签的生成方法的流程示意图；
图3为本申请实施例提供的另一种视频标签的生成方法的流程示意图；
图4为本申请实施例提供的另一种视频标签的生成方法的流程示意图；
图5为本申请实施例提供的另一种视频标签的生成方法的流程示意图；
图6为本申请实施例提供的一种利用语义匹配模型获取匹配得分的示意图；
图7为本申请实施例提供的一种视频标签的生成装置的结构示意图；
图8为根据本申请实施例的视频标签的生成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。
下面参考附图描述本申请实施例的视频标签的生成方法、装置、电子设备和存储介质。
本申请实施例的视频标签的生成方法，通过根据视频信息与每个候选标签之间的相关性信息，对多个候选标签进行排序，根据排序结果生成视频的标签，从而实现整合利用多个候选标签，给视频打上精准和完善的标签，提高了视频标签的精准性和完整性，提高了视频推荐效果。
图1为本申请实施例提供的一种视频标签的生成方法的流程示意图。
本申请实施例的视频标签的生成方法，可由本申请实施例提供的视频标签的生成装置执行，该装置可配置于电子设备中，以实现根据视频信息与多个候选标签之间的相关性，生成精准和完整的视频标签。
如图1所示，该视频标签的生成方法包括：
步骤101，获取视频的多个候选标签。
本实施例中，可以根据视频的相关信息，比如视频的标题、用户标签等信息，获取视频的多个候选标签。其中，用户标签是指用户在上传视频时，编辑的标签。
比如，某视频的发布者上传该视频时，编辑了标签“美食”、“甜点”，那么可将“美食”、“甜点”作为该视频的候选标签。
步骤102，获取视频的视频信息。
本实施例中，视频信息可以是指视频的内容信息。在实际应用中，视频的标签与视频的内容越相近，说明该视频标签越准确。因此，可获取视频的视频信息，比如视频中的人物信息、建筑物名称等。
步骤103，分别计算视频信息与多个候选标签之间的第一相关性信息。
本实施例中，可计算视频信息与每个候选标签之间的相关信息，为了便于区别，这里称为第一相关性信息。
具体地，获取视频信息对应到的向量表示和每个候选标签对应的向量表示，然后根据视频信息对应的向量表示与每个候选标签对应的向量表示，计算视频信息与每个候选标签之间的匹配度，根据匹配度确定第一相关性信息。其中，匹配度越高，相关性越大。由此，可以获取每个候选标签与视频信息之间的第一相关性信息。
步骤104，根据第一相关性信息对多个候选标签进行排序。
在获取每个候选标签与视频信息之间的第一相关性信息之后，根据每个候选标签对应的第一相关信息，对多个候选标签进行排序。比如，按照相关性由大到小的顺序，对每个候选标签对应的第一相关性信息进行排序，当然也可以按照相关性由小到大的顺序，对多个候选标签进行排序。
步骤105，根据排序结果生成视频的标签。
由于获取的一些候选可能与视频内容的关联性比较低，因此本实施例中，可以从多个候选标签中，获取相关性与视频信息最大的预设数量的候选标签，将这些候选标签作为视频的标签。由此，可以筛掉与视频信息相关性较低的候选标签，提高了视频标签的精准性。
在实际应用中，单个标签很难表达视频内容，有时候标签还带有噪声，比如标签与视频内容无关，而本实施例中，通过整合利用多个候选标签得到视频标签，提高了视频标签的完整性。
本申请实施例中，通过获取视频的多个候选标签和视频信息，分别计算视频信息与多个候选标签之间的第一相关性信息，然后根据第一相关性信息对多个候选标签进行排序，并根据排序结果生成视频的标签。由此，通过根据视频信息与每个候选标签之间的相关性信息，对多个候选标签进行排序，根据排序结果生成视频的标签，从而实现整合利用多个候选标签，给视频打上精准和完善的标签，提高了视频标签的精准性和完整性，提高了视频推荐效果。
为了进一步提高生成的视频标签的精准性和完整性，在本申请的一个实施例中，还可通过利用知识图谱或知识点图谱，获取多个候选标签之间的相关性，并结合第一相关性，生成视频的标签。下面结合图2进行说明，图2为本申请实施例提供的另一种视频标签的生成方法的流程示意图。
步骤201，获取视频的多个候选标签。
步骤202，获取视频的视频信息。
步骤203，分别计算视频信息与多个候选标签之间的第一相关性信息。
本实施例中，步骤201-步骤203与上述步骤101-步骤103类似，故在此不再赘述。
步骤204，获取视频所对应的知识图谱或知识点图谱。
本实施例中，知识图谱是预先建立的，可以根据视频的名称或人物获取知识图谱。比如，视频是一部电视剧的片段，那么可以从网上查询到该电视剧的相关信息，比如该电视剧的导演、角色、剧中的人物关系、各角色的扮演演员等等，可以将该电视剧的相关信息，看作是知识图谱。
知识点图谱包括实体以及实体与实体之间的相关性。其中，实体与实体之间的相关性可以是根据共现情况计算得到的。
步骤205，根据知识图谱或知识点图谱计算多个候选标签之间的第二相关性信息。
本实施例中，可根据知识图谱中实体与实体之间的关系，确定多个候选标签之间的相关性信息，这里称为第二相关性信息。
比如，某视频的候选标签为角色A、电视剧名B，在该视频对应的知识图谱中角色A的扮演者是C，那么可以确定该角色A与扮演者C之间的相关性，以及扮演者C与电视剧B之间的相关性。
由于知识点图谱中包括实体与实体之间的相关性，那么可以根据知识点图谱获取多个候选标签之间的相关性信息。比如，从知识点图谱中可，获取某演员与所参演的某电视剧之间的相关性。
本实施例中，根据知识图谱或知识点图谱，不仅可以获取候选标签之间的相关性信息，而且还可以扩展候选标签，使得候选标签更加丰富。
步骤206，根据第一相关性信息和第二相关性信息对多个候选标签进行排序。
在根据第一相关性信息和第二相关性信息，对多个候选标签进行排序时，可以先根据每个候选标签对应的第一相关性信息，对多个候选标签进行排序，得到初始排序结果，然后再根据第二相关性信息，对初始排序结果中候选标签的位置进行调整，让相关性比较高的候选标签相邻，得到最终排序结果。
或者，确定与视频信息相关性最高的候选标签，然后根据其他候选标签与该候选标签的相关性，以及其他候选标签与视频信息的相关性的平均值，对剩余候选标签进行排序。
上述两种方式仅是示例，其他根据第一相关性信息和第二相关性信息对候选标签进行排序的方法，均属于本申请的保护范围。
步骤207，根据排序结果生成视频的标签。
本实施例中，步骤207与上述步骤105类似，故在此不再赘述。
需要说明的是，本申请中步骤204也可在步骤203之前执行，对步骤201、202、204的执行顺序不做限定，对步骤205与步骤203的执行顺序不做限定。
本申请实施例中，还可获取视频所对应的知识图谱或知识点图谱，根据知识图谱或知识点图谱计算多个候选标签之间的第二相关性信息，其中，根据第一相关性信息和第二相关性信息对多个候选标签进行排序。由此，利用多个候选标签与视频信息之间的相关性信息和多个候选标签之间的相关性信息，对多个候选标签进行排序，从而提高了排序的准确性，根据排序结果生成视频的标签，进一步提高了视频标签的精准性和完整性。
在实际应用中，通常视频都会有标题，在本申请的一个实施例中，上述获取视频的多个候选标签时，可以先获取视频的视频标题，然后根据视频标签生成候选标签。
具体地，对视频标题进行切词处理，获取视频标题的各个分词，然后从中提取关键词，将提取的关键词作为候选标签。
本申请实施例中，在获取视频的多个候选标签，获取视频的视频标题，根据视频标题生成候选标签。由此，通过根据视频标题生成候选标签，丰富了视频的候选标签。
在本申请的一个实施例中，上述获取视频的多个候选标签时，可获取视频的作者标签，根据作者标签生成候选标签，具体地，在获取作者标签后，可以将获取的作者标签作为视频的候选标签。
其中，作者标签是指作者发布视频时编辑的标签。
本申请实施例中，在获取视频的多个候选标签时，可获取视频的作者标签，根据作者标签生成候选标签。由此，通过根据视频的作者标签生成候选标签，也丰富了视频的候选标签。
在本申请的一个实施例中，上述获取视频的多个候选标签时，可获取视频的分类信息，根据分类信息生成候选标签。
本实施例中，视频的分类信息是指视频的类别，比如娱乐、搞笑、科技等，可以是作者在发布视频时输入的分类，或者可以是从知识图谱中获取的，或者根据已有的对视频分类方法，获取的视频的分类信息。
在获取分类信息后，可将视频所属的类别，作为视频的候选标签。比如，某视频是一部电视剧中的片段，且该电视剧的类别为古装剧，那么可将“古装”作为该视频的候选标签。
本申请实施例中，在获取视频的多个候选标签时，可获取视频的分类信息，根据分类信息生成候选标签。由此，通过根据视频的分类信息生成候选标签，丰富了视频的候选标签。
为了生成精准性较高的视频标签，在本申请的一个实施例中，在获取视频的多个候选标签时，可以识别视频中的文本信息，根据文本信息生成候选标签。
在获取文本信息时，如果视频有字幕，则从视频中获取的字幕即文本信息。或者，也可以采集视频中的音频信息，对音频进行识别，获取对应对文本信息。
在获取文本信息后，可以从文本信息提取关键词，将提取的关键词作为视频的候选标签。比如，从视频中提取出现次较高的预设数量的词语，作为视频的候选标签。
本申请实施例中，在获取视频的多个候选标签时，识别视频之中的文本信息，根据文本信息生成候选标签。由于通过根据视频中的文本信息，生成候选标签，不仅丰富了视频的候选标签，而且候选标签与视频的相关性也比较高。
为了丰富视频的候选标签，在本申请的一个实施例中，还可根据视频中的主要人物，获取视频的候选标签。下面结合图3进行说明，图3为本申请实施例提供的另一种视频标签的生成方法的流程示意图。
如图3所示，上述获取视频的多个候选标签，包括：
步骤301，对视频之中的人物进行人脸识别，以获取人物的人物信息和出现时间。
本实施例中，可以对视频中的每帧图像进行人脸识别，然后基于统计所有图像中的相同的人物，然后获取每个人物的人物信息和人物出现时间。
其中，人物信息可以是人物在视频中的名称；人物的出现时间可以是指在视频出现的时间段。
步骤302，根据出现时间判断人物是否为视频之中的主要人物。
在实际应用中，一段视频中通常主要人物的出现时长比较长。基于此，本实施例中，可以根据出现时间统计人物的出现时长，可以根据每个人物的出现时长，判断人物是否为视频中的主要人物。
具体的，可判断人物的出现时长在视频时长中的比例，是否大于预设比例，如果大于，则可以认为该人物为视频中的主要人物。
步骤303，如果人物为主要人物，则根据人物的人物信息生成候选标签。
本实施例中，如果人物为主要人物，则根据人物的人物信息，比如人物的名称等生成候选标签。
或者，将视频中出现时长最长的预设个数的人物，作为视频中的主要人物，然后根据主要人物的人物信息生成候选标签。
本申请实施例中，在获取视频的多个候选标签时，对视频之中的人物进行人脸识别，以获取人物的人物信息和出现时间，根据出现时间判断人物是否为视频之中的主要人物，如果人物为主要人物，则根据人物的人物信息生成候选标签。由此，通过根据视频中人物的出现时间，判断人物是否为主要人物，如果是，则根据主要人物的人物信息生成候选标签，由于主要人物是从视频中识别出的，因此，生成的候选标签不仅与视频相关性比较大，而且丰富了视频的候选标签。
上述描述了几种获取不同来源的视频的候选标签的方法，由此，在生成视频的标签时，可以获取多个不同来源的候选标签，基于多个候选标签与视频信息的相关性，生成视频的标签，从而通过整合利用不同来源的候选标签生成视频的标签，提高了视频标签的精准性和完整性。
为了提高获取的视频信息与候选标签的相关性的准确性，在本申请的一个实施例中，在获取第一相关性信息时，可以通过语义匹配模型获取第一相关性信息。下面结合图4进行说明，图4为本申请实施例提供的另一种视频标签的生成方法的流程示意图。
如图4所示，该视频标签的生成方法包括：
步骤401，获取视频的多个候选标签。
步骤402，获取视频的视频信息。
本实施例中，步骤401-步骤402与上述步骤101-步骤102类似，故在此不再赘述。
步骤403，将视频信息与多个候选标签输入语义匹配模型，以生成视频信息与多个候选标签之间的第一相关性信息。
本实施例中，可以预先通过训练获取语义匹配模型，针对视频的每个候选标签，可将候选标签与视频信息输入至语义匹配模型中，通过语义匹配模型获取候选标签与视频信息之间的第一相关性信息。
其中，第一相关性信息可以是匹配得分，用于表示候选标签与视频信息之间的匹配度，匹配得分越高，相关性越大。
步骤404，根据第一相关性信息对多个候选标签进行排序。
步骤405，根据排序结果生成视频的标签。
本实施例中，步骤404-步骤405与上述步骤103-104类似，故在此不再赘述。
本申请实施例中，在分别计算视频信息与多个候选标签之间的第一相关性信息时，将视频信息与多个候选标签输入语义匹配模型，以生成视频信息与多个候选标签之间的第一相关性信息。由此，通过利用语义匹配模型获取每个候选标签与视频信息的第一相关性信息，提高了第一相关性信息的准确性，基于第一相关性信息生成视频的标签，从而提高了视频标签的准确性。
在本申请的一个实施例中，可以通过5的方法通过训练获得语义匹配模型。图5为本申请实施例提供的另一种视频标签的生成方法的流程示意图。
如图5所示，上述语义匹配模型通过以下步骤训练获得：
步骤501，获取样本视频信息和样本标签，以及样本视频信息和样本标签之间的标注相关性信息。
本实施例中，可以获取大量的样本视频，并获取每个样本视频的样本视频信息和样本标签。其中，样本标签是指样本视频的标签，这些标签可以是人工标注的，样本标签可能与样本视频信息相关，也可能不相关，并且一个样本视频信息可具有多个样本标签。
另外，也获取样本视频信息与样本标签之间的标注相关性信息。其中，如果样本视频信息与样本标签相关，可标注为1，如果不相关，可标注为0。
步骤502，将样本视频信息和样本标签输入至初始语义匹配模型以生成预测相关性信息。
本实施例中，对于每个样本视频信息，可将样本视频信息与每个样本标签组成一组，分别输入至初始语义匹配模型中，初始语义匹配模型生成对应的预测相关性信息。
步骤503，根据预测相关性信息和标注相关性信息对初始语义匹配模型进行训练。
本实施例中，在进行模型训练时，可以采用深度学习的方式进行训练。
在获取预测相关信息后，可以根据预测相关性信息和标注相关性信息，计算损失值，判断损失值是否大于预设损失阈值，如果大于，则调整初始语义匹配模型的参数。然后，将样本视频信息和样本标签输入至参数调整后的语义匹配模型中，生成预测相关性信息，然后根据预测相关性信息和对应的标注相关性信息，计算损失值，判断损失值是否大于预设损失阈值，如果大于，则继续进行训练，直至损失值小于预设的损失阈值，结束训练。
本申请实施例中，通过获取样本视频信息和样本标签，以及样本视频信息和样本标签之间的标注相关性信息，将样本视频信息和样本标签输入至初始语义匹配模型以生成预测相关性信息，根据预测相关性信息和标注相关性信息对初始语义匹配模型进行训练。由此，可以通过样本视频信息、样本标签和标注相关性信息，训练得到语义匹配模型，利用语义匹配模型可以获取视频信息和候选标签之间的准确性较高的第一相关性信息。
在本申请的一个实施例中，在获取视频的视频信息时，可获取视频的标题、视频之中人物的人物信息、视频的分类信息等，然后根据视频的标题、视频之中人物的人物信息、视频的分类信息生成视频的视频信息。
其中，视频的标题可以直接获取；视频中人物信息可以是拼接了多个人物名字的文本，该文本基于人物的人脸次数来生成，某个人物出现次数越多，在这段文本信息中对应人名就出现越多；视频分类信息的获取可以参见上述实施例，在此不再赘述。
本实施例中，视频信息由视频的标题、视频中人物的人物信息和视频的分类信息三部分组成。在获取该视频信息后，可计算该视频信息与每个候选标签之间的第一相关性信息，根据第一相关性信息对多个候选标签进行排序，根据排序结果生成视频的标签。
本申请实施例中，通过获取视频的视频信息，获取视频的标题，获取视频之中人物的人物信息，获取视频的分类信息，根据视频的标题、人物信息和分类信息生成视频信息。由此，通过将视频的标题、人物信息和分类信息生成视频信息，从而可以得到能够表征视频内容的视频信息，进而提高了第一相关性信息的准确性。
下面结合图6说明，利用语义识别模型，获得视频信息与候选标签之间的匹配得分。图6为本申请实施例提供的一种利用语义匹配模型获取匹配得分的示意图。
图6中，将包含视频的标题、人物信息和分类信息三种信息的文本，以及候选标签输入至语义匹配模型610中，语义匹配模型610输出视频信息与候选标签之间的匹配得分。
在获取的每个候选标签与视频信息的匹配得分之后，可以根据匹配得分对多个候选标签进行排序，将批评得分较高的预设数量的候选标签，作为视频的标签。
为了进一步提高视频标签的精准性，在本申请的一个实施例中，还可获取视频的多个候选标签的粒度信息，然后根据候选标签与视频信息的第一相关性信息，结合候选标签的粒度信息，对多个候选标签进行排序。
其中，粒度信息用于指示候选标签的范围，粒度越细说明候选标签范围越小。比如，“古装仙侠剧”显然比“古装剧”的粒度要细。
具体地，根据候选标签中包含的字段数量，获取候选标签的长度信息，然后根据每个候选标签的长度信息，生成每个候选标签的粒度信息，其中，候选标签长度越长粒度越细。
在获取每个候选标签与视频信息的第一相关性信息，以及每个候选标签的粒度信息后，可以根据第一相关信息和粒度信息，以及第一相关信息的权重与粒度信息的权重，计算第一相关信息和粒度信息的加权和，得到每个候选标签的得分。然后，根据每个候选标签的得分，对多个候选标签进行排序，根据排序结果生成视频的标签。
或者，也可分别根据第一相关性信息和粒度信息，对多个候选标签进行排序，然后从中分别选出相关性较高的预设数量的标签，和粒度较细的候选标签预设数量的标签，根据选取的标签生成视频的标签。
本申请实施例中，还可获取多个候选标签的长度信息，根据多个候选标签的长度信息分别生成多个候选标签的标签粒度信息，在对多个候选标签进行排序时，根据第一相关性信息和标签粒度信息对多个候选标签进行排序。由此，根据视频信息与候选标签的相关性信息和候选标签的粒度信息，对多个候选标签排序，提高了排序的准确性，提高了生成的视频标签的精准性。
在本申请的一个实施例中，还可获取多个候选标签的热度信息，根据热度信息和第一相关性信息，对多个候选标签进行排序。
具体地，可以统计每个候选标签在文章、视频等中的出现次数，根据出现次数获取热度信息，出现次数越多，热度越高。如果候选标签的热度越高，那么其为视频标签的可能性越大，视频的推荐效果可能越好。
在获取多个候选标签的热度信息以及多个候选标签与视频信息的第一相关性信息后，可以根据每个候选标签对应的第一相关信息和热度信息，以及第一相关信息的权重与热度信息的权重，计算第一相关信息和热度信息的加权和，得到每个候选标签的得分。然后，根据每个候选标签的得分，对多个候选标签进行排序，根据排序结果生成视频的标签。
或者，也可分别根据第一相关性信息和热度信息，对多个候选标签进行排序，然后从中分别选出相关性较高的预设数量的标签，和热度较高的候选标签预设数量的标签，根据选取的标签生成视频的标签。
本申请实施例中，还可获取所述多个候选标签的热度信息，在进行排序时，可根据所述第一相关性信息和所述热度信息对所述多个候选标签进行排序。由此，通过考虑视频信息与候选标签之间的相关性，和候选标签的热度信息，对候选标签进行排序，从而提高了排序结果的准确性，进而提高了视频标签的精准性。
需要说明的是，也可同时获取多个候选标签的粒度信息和热度信息，根据第一相关性信息、每个候选标签的粒度信息和热度信息，计算三者的加权和，根据计算结果对多个候选标签进行排序，从而提高排序结果的准确性，进而提高视频标签的精准性。
为了实现上述实施例，本申请实施例还提出一种视频标签的生成装置。图7为本申请实施例提供的一种视频标签的生成装置的结构示意图。
如图7所示，该视频标签的生成装置700包括：第一获取模块710、第二获取模块720、第一计算模块730、排序模块740和第一生成模块750。
第一获取模块710，用于获取视频的多个候选标签；
第二获取模块720，用于获取视频的视频信息；
第一计算模块730，用于分别计算视频信息与多个候选标签之间的第一相关性信息；
排序模块740，用于根据第一相关性信息对多个候选标签进行排序；以及
第一生成模块750，用于根据排序结果生成视频的标签。
在本申请实施例一种可能的实现方式中，该装置还可包括：
第三获取模块，用于获取视频所对应的知识图谱或知识点图谱；
第二计算模块，用于根据知识图谱或知识点图谱计算多个候选标签之间的第二相关性信息，其中，排序模块，用于根据第一相关性信息和第二相关性信息对多个候选标签进行排序。
在本申请实施例一种可能的实现方式中，第一获取模块710，用于：
获取视频的视频标题；以及
根据视频标题生成候选标签。
在本申请实施例一种可能的实现方式中，第一获取模块710，用于：
获取视频的作者标签；以及
根据作者标签生成候选标签。
在本申请实施例一种可能的实现方式中，第一获取模块710，用于：
获取视频的分类信息；以及
根据分类信息生成候选标签。
在本申请实施例一种可能的实现方式中，第一获取模块710，用于：
识别视频之中的文本信息；以及
根据文本信息生成候选标签。
在本申请实施例一种可能的实现方式中，第一获取模块710，用于：
对视频之中的人物进行人脸识别，以获取人物的人物信息和出现时间；
根据出现时间判断人物是否为视频之中的主要人物；以及
如果人物为主要人物，则根据人物的人物信息生成候选标签。
在本申请实施例一种可能的实现方式中，第一计算模块730，用于：
将视频信息与多个候选标签输入语义匹配模型，以生成视频信息与多个候选标签之间的第一相关性信息。
在本申请实施例一种可能的实现方式中，语义匹配模型通过以下模块获得：
第四获取模块，用于获取样本视频信息和样本标签，以及样本视频信息和样本标签之间的标注相关性信息；
第二生成模块，用于将样本视频信息和样本标签输入至初始语义匹配模型以生成预测相关性信息；以及
训练模块，用于根据预测相关性信息和标注相关性信息对初始语义匹配模型进行训练。
在本申请实施例一种可能的实现方式中，第二获取模块720，包括：
获取视频的标题；
获取视频之中人物的人物信息；
获取视频的分类信息；以及
根据视频的标题、人物信息和分类信息生成视频信息。
在本申请实施例一种可能的实现方式中，该装置还可包括：
第五获取模块，用于获取多个候选标签的长度信息；
第三生成模块，用于根据多个候选标签的长度信息分别生成多个候选标签的标签粒度信息，其中，排序模块，用于根据第一相关性信息和标签粒度信息对多个候选标签进行排序。
在本申请实施例一种可能的实现方式中，该装置还可包括：
第六获取模块，用于获取多个候选标签的热度信息，其中，排序模块，用于根据第一相关性信息和热度信息对多个候选标签进行排序。
需要说明的是，前述视频标签的生成方法实施例的解释说明，也适用于该实施例的视频标签的生成装置，故在此不再赘述。
本申请实施例的视频标签的生成装置，通过获取视频的多个候选标签和视频信息，分别计算视频信息与多个候选标签之间的第一相关性信息，然后根据第一相关性信息对多个候选标签进行排序，并根据排序结果生成视频的标签。由此，通过根据视频信息与每个候选标签之间的相关性信息，对多个候选标签进行排序，根据排序结果生成视频的标签，从而实现整合利用多个候选标签，给视频打上精准和完善的标签，提高了视频标签的精准性和完整性，提高了视频推荐效果。
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8所示，是根据本申请实施例的视频标签的生成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8所示，该电子设备包括：一个或多个处理器801、存储器802，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8中以一个处理器801为例。
存储器802即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的视频标签的生成方法。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视频标签的生成方法。
存储器802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视频标签的生成方法对应的程序指令/模块(例如，附图7所示的第一获取模块710、第二获取模块720、第一计算模块730、排序模块740和第一生成模块750)。处理器801通过运行存储在存储器802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视频标签的生成方法。
存储器802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视频标签的生成电子设备的使用所创建的数据等。此外，存储器802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802可选包括相对于处理器801远程设置的存储器，这些远程存储器可以通过网络连接至视频标签的生成方法的电子设备。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。
视频标签的生成方法的电子设备还可以包括：输入装置803和输出装置804。处理器801、存储器802、输入装置803和输出装置804可以通过总线或者其他方式连接，图8中以通过总线连接为例。
输入装置803可接收输入的数字或字符信息，以及产生与视频标签的生成方法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804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，通过根据视频信息与每个候选标签之间的相关性信息，对多个候选标签进行排序，根据排序结果生成视频的标签，从而实现整合利用多个候选标签，给视频打上精准和完善的标签，提高了视频标签的精准性和完整性，提高了视频推荐效果。
在本说明书的描述中，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (26)

1.一种视频标签的生成方法，包括：
获取视频的多个候选标签；
获取所述视频的视频信息；
分别计算所述视频信息与所述多个候选标签之间的第一相关性信息；
根据所述第一相关性信息对所述多个候选标签进行排序；以及
根据排序结果生成所述视频的标签。
2.如权利要求1所述的视频标签的生成方法，其中，所述方法还包括：
获取所述视频所对应的知识图谱或知识点图谱；
根据所述知识图谱或知识点图谱计算所述多个候选标签之间的第二相关性信息，其中，根据所述第一相关性信息和所述第二相关性信息对所述多个候选标签进行排序。
3.如权利要求1所述的视频标签的生成方法，其中，所述获取视频的多个候选标签，包括：
获取所述视频的视频标题；以及
根据所述视频标题生成所述候选标签。
4.如权利要求1所述的视频标签的生成方法，其中，所述获取视频的多个候选标签，包括：
获取所述视频的作者标签；以及
根据所述作者标签生成所述候选标签。
5.如权利要求1所述的视频标签的生成方法，其中，所述获取视频的多个候选标签，包括：
获取所述视频的分类信息；以及
根据所述分类信息生成所述候选标签。
6.如权利要求1所述的视频标签的生成方法，其中，所述获取视频的多个候选标签，包括：
识别所述视频之中的文本信息；以及
根据所述文本信息生成所述候选标签。
7.如权利要求1所述的视频标签的生成方法，其中，所述获取视频的多个候选标签，包括：
对所述视频之中的人物进行人脸识别，以获取所述人物的人物信息和出现时间；
根据所述出现时间判断所述人物是否为所述视频之中的主要人物；以及
如果所述人物为所述主要人物，则根据所述人物的人物信息生成所述候选标签。
8.如权利要求1所述的视频标签的生成方法，其中，所述分别计算所述视频信息与所述多个候选标签之间的第一相关性信息，包括：
将所述视频信息与所述多个候选标签输入语义匹配模型，以生成所述视频信息与所述多个候选标签之间的第一相关性信息。
9.如权利要求8所述的视频标签的生成方法，所述语义匹配模型通过以下步骤训练获得：
获取样本视频信息和样本标签，以及所述样本视频信息和所述样本标签之间的标注相关性信息；
将所述样本视频信息和所述样本标签输入至初始语义匹配模型以生成预测相关性信息；以及
根据所述预测相关性信息和所述标注相关性信息对所述初始语义匹配模型进行训练。
10.如权利要求1所述的视频标签的生成方法，所述获取所述视频的视频信息，包括：
获取所述视频的标题；
获取所述视频之中人物的人物信息；
获取所述视频的分类信息；以及
根据所述视频的标题、所述人物信息和所述分类信息生成所述视频信息。
11.如权利要求1所述的视频标签的生成方法，还包括：
获取所述多个候选标签的长度信息；
根据所述多个候选标签的长度信息分别生成所述多个候选标签的标签粒度信息，其中，根据所述第一相关性信息和所述标签粒度信息对所述多个候选标签进行排序。
12.如权利要求1所述的视频标签的生成方法，还包括：
获取所述多个候选标签的热度信息，其中，根据所述第一相关性信息和所述热度信息对所述多个候选标签进行排序。
13.一种视频标签的生成装置，包括：
第一获取模块，用于获取视频的多个候选标签；
第二获取模块，用于获取所述视频的视频信息；
第一计算模块，用于分别计算所述视频信息与所述多个候选标签之间的第一相关性信息；
排序模块，用于根据所述第一相关性信息对所述多个候选标签进行排序；以及
第一生成模块，用于根据排序结果生成所述视频的标签。
14.如权利要求13所述的视频标签的生成装置，还包括：
第三获取模块，用于获取所述视频所对应的知识图谱或知识点图谱；
第二计算模块，用于根据所述知识图谱或知识点图谱计算所述多个候选标签之间的第二相关性信息，其中，所述排序模块，用于根据所述第一相关性信息和所述第二相关性信息对所述多个候选标签进行排序。
15.如权利要求13所述的视频标签的生成装置，其中，所述第一获取模块，用于：
获取所述视频的视频标题；以及
根据所述视频标题生成所述候选标签。
16.如权利要求13所述的视频标签的生成装置，其中，所述第一获取模块，用于：
获取所述视频的作者标签；以及
根据所述作者标签生成所述候选标签。
17.如权利要求13所述的视频标签的生成装置，其中，所述第一获取模块，用于：
获取所述视频的分类信息；以及
根据所述分类信息生成所述候选标签。
18.如权利要求13所述的视频标签的生成装置，其中，所述第一获取模块，用于：
识别所述视频之中的文本信息；以及
根据所述文本信息生成所述候选标签。
19.如权利要求13所述的视频标签的生成装置，其中，所述第一获取模块，用于：
对所述视频之中的人物进行人脸识别，以获取所述人物的人物信息和出现时间；
根据所述出现时间判断所述人物是否为所述视频之中的主要人物；以及
如果所述人物为所述主要人物，则根据所述人物的人物信息生成所述候选标签。
20.如权利要求13所述的视频标签的生成装置，其中，所述第一计算模块，用于：
将所述视频信息与所述多个候选标签输入语义匹配模型，以生成所述视频信息与所述多个候选标签之间的第一相关性信息。
21.如权利要求20所述的视频标签的生成装置，其中，所述语义匹配模型通过以下模块获得：
第四获取模块，用于获取样本视频信息和样本标签，以及所述样本视频信息和所述样本标签之间的标注相关性信息；
第二生成模块，用于将所述样本视频信息和所述样本标签输入至所述语义匹配模型以生成预测相关性信息；以及
训练模块，用于根据所述预测相关性信息和所述标注相关性信息对所述语义匹配模型进行训练。
22.如权利要求13所述的视频标签的生成装置，所述第二获取模块，包括：
获取所述视频的标题；
获取所述视频之中人物的人物信息；
获取所述视频的分类信息；以及
根据所述视频的标题、所述人物信息和所述分类信息生成所述视频信息。
23.如权利要求13所述的视频标签的生成装置，还包括：
第五获取模块，用于获取所述多个候选标签的长度信息；
第三生成模块，用于根据所述多个候选标签的长度信息分别生成所述多个候选标签的标签粒度信息，其中，所述排序模块，用于根据所述第一相关性信息和所述标签粒度信息对所述多个候选标签进行排序。
24.如权利要求13所述的视频标签的生成装置，还包括：
第六获取模块，用于获取所述多个候选标签的热度信息，其中，所述排序模块，用于根据所述第一相关性信息和所述热度信息对所述多个候选标签进行排序。
25.一种电子设备，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权利要求1-12中任一项所述的视频标签的生成方法。
26.一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行权利要求1-12中任一项所述的视频标签的生成方法。
CN202010493783.7A 2020-06-03 2020-06-03 视频标签的生成方法、装置、电子设备和存储介质 Pending CN111831854A (zh)

Priority Applications (5)

Application Number Priority Date Filing Date Title
CN202010493783.7A CN111831854A (zh) 2020-06-03 2020-06-03 视频标签的生成方法、装置、电子设备和存储介质
US17/115,263 US11508153B2 (en) 2020-06-03 2020-12-08 Method for generating tag of video, electronic device, and storage medium
JP2020213352A JP7080300B2 (ja) 2020-06-03 2020-12-23 ビデオタグの生成方法、装置、電子機器及び記憶媒体
EP21150149.9A EP3920088A1 (en) 2020-06-03 2021-01-05 Method and apparatus for generating tag of video, electronic device, and storage medium
KR1020210038311A KR102510317B1 (ko) 2020-06-03 2021-03-24 비디오 태그의 생성 방법, 장치, 전자 기기 및 저장 매체

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010493783.7A CN111831854A (zh) 2020-06-03 2020-06-03 视频标签的生成方法、装置、电子设备和存储介质

Publications (1)

Publication Number Publication Date
CN111831854A true CN111831854A (zh) 2020-10-27

Family

ID=72897609

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010493783.7A Pending CN111831854A (zh) 2020-06-03 2020-06-03 视频标签的生成方法、装置、电子设备和存储介质

Country Status (5)

Country Link
US (1) US11508153B2 (zh)
EP (1) EP3920088A1 (zh)
JP (1) JP7080300B2 (zh)
KR (1) KR102510317B1 (zh)
CN (1) CN111831854A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112784111A (zh) * 2021-03-12 2021-05-11 有半岛(北京)信息科技有限公司 视频分类方法、装置、设备及介质
CN113382279A (zh) * 2021-06-15 2021-09-10 北京百度网讯科技有限公司 直播推荐方法、装置、设备、存储介质以及计算机程序产品
CN113722542A (zh) * 2021-08-31 2021-11-30 青岛聚看云科技有限公司 视频推荐方法及显示设备
CN114157882A (zh) * 2021-12-27 2022-03-08 未来电视有限公司 视频编目方法、装置、电子设备及计算机可读存储介质
CN115878849A (zh) * 2023-02-27 2023-03-31 北京奇树有鱼文化传媒有限公司 一种视频标签关联方法、装置和电子设备
CN112784111B (zh) * 2021-03-12 2024-07-02 有半岛(北京)信息科技有限公司 视频分类方法、装置、设备及介质

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112084268B (zh) * 2020-09-04 2022-05-20 北京字节跳动网络技术有限公司 一种搜索结果展示的方法、装置及计算机存储介质
CN113792115B (zh) * 2021-08-17 2024-03-22 北京百度网讯科技有限公司 实体相关性确定方法、装置、电子设备及存储介质
JP2023077006A (ja) 2021-11-24 2023-06-05 株式会社豊田自動織機 内燃機関システムの制御装置
CN114338586B (zh) * 2021-12-21 2024-05-28 中国农业银行股份有限公司 一种消息推送方法、装置、电子设备及存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104090955A (zh) * 2014-07-07 2014-10-08 科大讯飞股份有限公司 一种音视频标签自动标注方法及系统
WO2015196467A1 (en) * 2014-06-27 2015-12-30 Google Inc. Automated click type selection for content performance optimization
CN108829893A (zh) * 2018-06-29 2018-11-16 北京百度网讯科技有限公司 确定视频标签的方法、装置、存储介质和终端设备
CN110287375A (zh) * 2019-05-30 2019-09-27 北京百度网讯科技有限公司 视频标签的确定方法、装置及服务器
CN110555136A (zh) * 2018-03-29 2019-12-10 优酷网络技术（北京）有限公司 一种视频标签的生成方法、装置及计算机存储介质
CN110691202A (zh) * 2019-08-28 2020-01-14 咪咕文化科技有限公司 视频剪辑方法、装置及计算机存储介质
CN110968736A (zh) * 2019-12-04 2020-04-07 深圳追一科技有限公司 视频生成方法、装置、电子设备及存储介质
CN111125435A (zh) * 2019-12-17 2020-05-08 北京百度网讯科技有限公司 视频标签的确定方法、装置和计算机设备

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8098976B1 (en) * 2011-09-26 2012-01-17 Limelight Networks, Inc. Methods and systems for performing top concepts extraction
JP5226241B2 (ja) 2007-04-16 2013-07-03 ヤフー株式会社 タグを付与する方法
KR101031357B1 (ko) * 2009-07-15 2011-04-29 인하대학교 산학협력단 주요 배역을 추출하는 방법 및 장치
KR101658413B1 (ko) * 2009-09-22 2016-09-22 삼성전자주식회사 동영상에서의 인물 정보 추출방법 및 그 장치
US9020244B2 (en) * 2011-12-06 2015-04-28 Yahoo! Inc. Ranking and selecting representative video images
CN108509465B (zh) * 2017-02-28 2022-03-15 阿里巴巴集团控股有限公司 一种视频数据的推荐方法、装置和服务器
JP6389296B1 (ja) 2017-03-29 2018-09-12 西日本電信電話株式会社 映像データ処理装置、映像データ処理方法、及びコンピュータプログラム
US10997413B2 (en) * 2018-03-23 2021-05-04 NthGen Software Inc. Method and system for obtaining vehicle target views from a video stream
CN113132752B (zh) * 2019-12-30 2023-02-24 阿里巴巴集团控股有限公司 视频处理方法及装置
US20230254521A1 (en) * 2020-09-29 2023-08-10 Dwango Co., Ltd. Video distribution device, video distribution method, and recording media

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015196467A1 (en) * 2014-06-27 2015-12-30 Google Inc. Automated click type selection for content performance optimization
CN104090955A (zh) * 2014-07-07 2014-10-08 科大讯飞股份有限公司 一种音视频标签自动标注方法及系统
CN110555136A (zh) * 2018-03-29 2019-12-10 优酷网络技术（北京）有限公司 一种视频标签的生成方法、装置及计算机存储介质
CN108829893A (zh) * 2018-06-29 2018-11-16 北京百度网讯科技有限公司 确定视频标签的方法、装置、存储介质和终端设备
CN110287375A (zh) * 2019-05-30 2019-09-27 北京百度网讯科技有限公司 视频标签的确定方法、装置及服务器
CN110691202A (zh) * 2019-08-28 2020-01-14 咪咕文化科技有限公司 视频剪辑方法、装置及计算机存储介质
CN110968736A (zh) * 2019-12-04 2020-04-07 深圳追一科技有限公司 视频生成方法、装置、电子设备及存储介质
CN111125435A (zh) * 2019-12-17 2020-05-08 北京百度网讯科技有限公司 视频标签的确定方法、装置和计算机设备

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112784111A (zh) * 2021-03-12 2021-05-11 有半岛(北京)信息科技有限公司 视频分类方法、装置、设备及介质
WO2022188844A1 (zh) * 2021-03-12 2022-09-15 百果园技术(新加坡)有限公司 视频分类方法、装置、设备及介质
CN112784111B (zh) * 2021-03-12 2024-07-02 有半岛(北京)信息科技有限公司 视频分类方法、装置、设备及介质
CN113382279A (zh) * 2021-06-15 2021-09-10 北京百度网讯科技有限公司 直播推荐方法、装置、设备、存储介质以及计算机程序产品
CN113382279B (zh) * 2021-06-15 2022-11-04 北京百度网讯科技有限公司 直播推荐方法、装置、设备、存储介质以及计算机程序产品
CN113722542A (zh) * 2021-08-31 2021-11-30 青岛聚看云科技有限公司 视频推荐方法及显示设备
CN114157882A (zh) * 2021-12-27 2022-03-08 未来电视有限公司 视频编目方法、装置、电子设备及计算机可读存储介质
CN114157882B (zh) * 2021-12-27 2024-04-30 未来电视有限公司 视频编目方法、装置、电子设备及计算机可读存储介质
CN115878849A (zh) * 2023-02-27 2023-03-31 北京奇树有鱼文化传媒有限公司 一种视频标签关联方法、装置和电子设备

Also Published As

Publication number Publication date
US11508153B2 (en) 2022-11-22
KR102510317B1 (ko) 2023-03-17
EP3920088A1 (en) 2021-12-08
JP2021190079A (ja) 2021-12-13
JP7080300B2 (ja) 2022-06-03
US20210383121A1 (en) 2021-12-09
KR20210040329A (ko) 2021-04-13

Similar Documents

Publication Publication Date Title
CN111831854A (zh) 视频标签的生成方法、装置、电子设备和存储介质
CN110717339B (zh) 语义表示模型的处理方法、装置、电子设备及存储介质
US10965999B2 (en) Systems and methods for multimodal multilabel tagging of video
CN110543574B (zh) 一种知识图谱的构建方法、装置、设备及介质
US11714816B2 (en) Information search method and apparatus, device and storage medium
CN111125435B (zh) 视频标签的确定方法、装置和计算机设备
CN111625635A (zh) 问答处理、语言模型的训练方法、装置、设备及存储介质
CN110245259B (zh) 基于知识图谱的视频打标签方法及装置、计算机可读介质
CN112115299A (zh) 视频搜索方法、装置、推荐方法、电子设备及存储介质
CN111522994A (zh) 用于生成信息的方法和装置
CN111797226A (zh) 会议纪要的生成方法、装置、电子设备以及可读存储介质
CN111046225B (zh) 音频资源处理方法、装置、设备及存储介质
CN113779381B (zh) 资源推荐方法、装置、电子设备和存储介质
CN113032673B (zh) 资源的获取方法、装置、计算机设备及存储介质
CN113704507B (zh) 数据处理方法、计算机设备以及可读存储介质
CN111832613B (zh) 模型训练方法、装置、电子设备和存储介质
CN111737559A (zh) 资源排序方法、训练排序模型的方法及对应装置
Ninh et al. Overview of imageclef lifelog 2020: lifelog moment retrieval and sport performance lifelog
CN111078878A (zh) 文本处理方法、装置、设备及计算机可读存储介质
CN110717038A (zh) 对象分类方法及装置
CN111737501A (zh) 一种内容推荐方法及装置、电子设备、存储介质
CN111563198A (zh) 一种物料召回方法、装置、设备及存储介质
CN112052390A (zh) 一种资源筛选方法、装置、电子设备及存储介质
CN111832313A (zh) 文本中情感搭配集合的生成方法、装置、设备和介质
CN111949820A (zh) 视频关联兴趣点的处理方法、装置及电子设备

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