CN112861750B - 基于拐点检测的视频提取方法、装置、设备及介质 - Google Patents
基于拐点检测的视频提取方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN112861750B CN112861750B CN202110199768.6A CN202110199768A CN112861750B CN 112861750 B CN112861750 B CN 112861750B CN 202110199768 A CN202110199768 A CN 202110199768A CN 112861750 B CN112861750 B CN 112861750B
- Authority
- CN
- China
- Prior art keywords
- video
- target segment
- segment
- target
- bullet screen
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/258—Heading extraction; Automatic titling; Numbering
-
- 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
- G06F40/284—Lexical analysis, e.g. tokenisation or collocates
-
- 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
- G06V20/49—Segmenting video sequences, i.e. computational techniques such as parsing or cutting the sequence, low-level clustering or determining units such as shots or scenes
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Television Signal Processing For Recording (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及人工智能领域,提供一种基于拐点检测的视频提取方法、装置、设备及介质,能够根据每个突增拐点划分待处理视频,得到至少一个目标片段,提高了提取到的高热度视频片段的可解释性,有效解决了单纯分析宏观数据带来的不准确性,同时消除了外部因素对热点视频提取的不利影响,将每个目标片段的视频类与每个目标片段的知识点进行映射,得到每个目标片段的视频提取结果,实现对热点视频的自动提取反馈,同时,反馈内容已经经过聚类提炼,一方面避免浪费时间在浏览重复信息上,一方面避免人工筛选过程中错过重要的反馈内容。此外,本发明还涉及区块链技术,视频提取结果可存储于区块链节点中。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种基于拐点检测的视频提取方法、装置、设备及介质。
背景技术
随着企业培训中有越来越多的场景正在从线下逐步迁移到线上,需要一种适应于线上教学模式的课程输出、反馈、优化循环机制来提升教学质量。
现有技术中,通常采用教学视频的观看总数、弹幕总数等宏观数据来评价视频内容整体水平和观看者的兴趣点,但教学质量以外的因素对这类宏观数据影响较大,例如:视频推广力度、周期、视频面向群体大小等。
具体而言,当通过弹幕数据寻找视频高热片段时,如果直接利用弹幕发布数量指标提取时间节点,一方面不同视频间的观看人数基数差异受外部因素影响较大,另一方面几乎所有视频的观看人数都存在自然衰减现象,视频后部观看人数自然小于前期,弹幕发布人数基数发生变化,难以制定合理弹幕数量阈值去提取高热内容时间点。而如果直接采用发布弹幕人数占比制定阈值,由于不同视频的教师风格、上课模式等都会对发布弹幕的人数占比产生影响,用统一的比例指标也无法客观地找出视频热度高的片段。
发明内容
鉴于以上内容,有必要提供一种基于拐点检测的视频提取方法、装置、设备及介质,能够结合拐点检测及聚类分析实现对热点视频的自动提取反馈,同时,反馈内容已经经过聚类提炼,一方面避免浪费时间在浏览重复信息上,一方面避免人工筛选过程中错过重要的反馈内容。
一种基于拐点检测的视频提取方法,所述基于拐点检测的视频提取方法包括:
响应于视频提取指令,根据所述视频提取指令获取待处理视频;
在指定周期内,记录所述待处理视频在播放过程中产生的至少一条弹幕及每条弹幕的发布时间;
根据所述至少一条弹幕及每条弹幕的发布时间构建弹幕数量时间序列;
根据所述弹幕数量时间序列进行拐点检测,得到至少一个突增拐点;
根据每个突增拐点划分所述待处理视频,得到至少一个目标片段;
对所述至少一个目标片段进行聚类分析,得到每个目标片段的视频类;
对所述至少一个目标片段进行知识点提取,得到每个目标片段的知识点;
将每个目标片段的视频类与每个目标片段的知识点进行映射,得到每个目标片段的视频提取结果。
根据本发明优选实施例,所述根据所述视频提取指令获取待处理视频包括:
解析所述视频提取指令的方法体,得到所述视频提取指令所携带的信息;
获取预设标签;
根据所述预设标签构建正则表达式;
利用所述正则表达式在所述视频提取指令所携带的信息中进行遍历,并将遍历到的数据确定为目标地址;
连接至所述目标地址,并获取所述目标地址处存储的数据作为所述待处理视频。
根据本发明优选实施例,所述根据所述至少一条弹幕及每条弹幕的发布时间构建弹幕数量时间序列包括:
根据预设时间窗口分割所述待处理视频,得到至少一个视频段;
计算每个视频段的弹幕数量;
根据分割顺序为所述至少一个视频段进行编码处理,得到每个视频段的编码;
根据每个视频段的编码及每个视频段的弹幕数量生成所述弹幕数量时间序列。
根据本发明优选实施例,所述根据所述弹幕数量时间序列进行拐点检测,得到至少一个突增拐点包括:
基于预设损失函数计算所述弹幕数量时间序列中每个点的损失值;
构造初始对照函数,所述初始对照函数的取值为两点之间所包括的所有点的所述损失值的和;
在所述初始对照函数中加入惩罚项,得到目标对照函数;
采用二元分割法遍历每个点,直至所述目标对照函数的取值不再减小,停止遍历;
获取使所述目标对照函数的取值最小的至少一个点作为所述至少一个突增拐点。
根据本发明优选实施例,所述根据每个突增拐点划分所述待处理视频,得到至少一个目标片段包括:
对于每个突增拐点,将所述突增拐点确定为起点,并按照时间顺序遍历所述待处理视频;
当遍历到与所述突增拐点相邻的下降拐点时,停止遍历;
根据所述突增拐点及遍历到的下降拐点构建视频区间;
整合构建的视频区间,得到所述至少一个目标片段。
根据本发明优选实施例,所述对所述至少一个目标片段进行聚类分析,得到每个目标片段的视频类包括:
对所述至少一个目标片段中的每个目标片段进行切词处理,得到每个目标片段的至少一个分词;
利用word2vec对每个目标片段的至少一个分词进行词向量化,得到每个目标片段的至少一个词向量;
对每个目标片段的至少一个词向量进行句向量化,得到每个目标片段的至少一个句向量;
对每个目标片段的至少一个句向量进行聚类处理,得到每个目标片段的至少一个子类;
从每个目标片段的至少一个子类中获取发布次数最多的弹幕的内容作为每个目标片段的视频类。
根据本发明优选实施例,所述对所述至少一个目标片段进行知识点提取,得到每个目标片段的知识点包括:
检测每个目标片段是否带有字幕;
当检测到有目标片段带有字幕时,将检测到的目标片段确定为第一片段,并采用自然语言处理算法提取所述第一片段的关键字构建文本序列,得到所述第一片段的知识点;或者
当检测到有目标片段不带有字幕时,将检测到的目标片段确定为第二片段,提取所述第二片段的音频,并将所述音频转换为文本,采用自然语言处理算法提取所述文本的关键字构建文本序列,得到所述第二片段的知识点。
一种基于拐点检测的视频提取装置,所述基于拐点检测的视频提取装置包括:
获取单元,用于响应于视频提取指令,根据所述视频提取指令获取待处理视频;
记录单元,用于在指定周期内,记录所述待处理视频在播放过程中产生的至少一条弹幕及每条弹幕的发布时间;
构建单元,用于根据所述至少一条弹幕及每条弹幕的发布时间构建弹幕数量时间序列;
检测单元,用于根据所述弹幕数量时间序列进行拐点检测,得到至少一个突增拐点;
划分单元,用于根据每个突增拐点划分所述待处理视频,得到至少一个目标片段;
聚类单元,用于对所述至少一个目标片段进行聚类分析,得到每个目标片段的视频类;
提取单元,用于对所述至少一个目标片段进行知识点提取,得到每个目标片段的知识点;
映射单元,用于将每个目标片段的视频类与每个目标片段的知识点进行映射,得到每个目标片段的视频提取结果。
一种电子设备,所述电子设备包括:
存储器,存储至少一个指令;及
处理器,执行所述存储器中存储的指令以实现所述基于拐点检测的视频提取方法。
一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个指令,所述至少一个指令被电子设备中的处理器执行以实现所述基于拐点检测的视频提取方法。
由以上技术方案可以看出,本发明能够响应于视频提取指令,根据所述视频提取指令获取待处理视频,在指定周期内,记录所述待处理视频在播放过程中产生的至少一条弹幕及每条弹幕的发布时间,根据所述至少一条弹幕及每条弹幕的发布时间构建弹幕数量时间序列,根据所述弹幕数量时间序列进行拐点检测,得到至少一个突增拐点,根据每个突增拐点划分所述待处理视频,得到至少一个目标片段,能够基于检测到的拐点构建至少一个目标片段,提高了提取到的高热度视频片段的可解释性,有效解决了现有技术中单纯分析宏观数据带来的不准确性,同时消除了外部因素对热点视频提取的不利影响,对所述至少一个目标片段进行聚类分析,得到每个目标片段的视频类,对所述至少一个目标片段进行知识点提取,得到每个目标片段的知识点,将每个目标片段的视频类与每个目标片段的知识点进行映射,得到每个目标片段的视频提取结果,实现对热点视频的自动提取反馈,同时,反馈内容已经经过聚类提炼,一方面避免浪费时间在浏览重复信息上,一方面避免人工筛选过程中错过重要的反馈内容。
附图说明
图1是本发明基于拐点检测的视频提取方法的较佳实施例的流程图。
图2是本发明基于拐点检测的视频提取装置的较佳实施例的功能模块图。
图3是本发明实现基于拐点检测的视频提取方法的较佳实施例的电子设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面结合附图和具体实施例对本发明进行详细描述。
如图1所示,是本发明基于拐点检测的视频提取方法的较佳实施例的流程图。根据不同的需求,该流程图中步骤的顺序可以改变,某些步骤可以省略。
所述基于拐点检测的视频提取方法应用于一个或者多个电子设备中,所述电子设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable Gate Array,FPGA)、数字处理器(DigitalSignal Processor,DSP)、嵌入式设备等。
所述电子设备可以是任何一种可与用户进行人机交互的电子产品,例如,个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant,PDA)、游戏机、交互式网络电视(Internet Protocol Television,IPTV)、智能式穿戴式设备等。
所述电子设备还可以包括网络设备和/或用户设备。其中,所述网络设备包括,但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(CloudComputing)的由大量主机或网络服务器构成的云。
所述电子设备所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network,VPN)等。
S10,响应于视频提取指令,根据所述视频提取指令获取待处理视频。
在本实施例中,所述视频提取指令可以由指定工作人员触发,也可以在检测到有教学视频播放时自动触发,本发明不限制。
在本发明的至少一个实施例中,所述根据所述视频提取指令获取待处理视频包括:
解析所述视频提取指令的方法体,得到所述视频提取指令所携带的信息;
获取预设标签;
根据所述预设标签构建正则表达式;
利用所述正则表达式在所述视频提取指令所携带的信息中进行遍历,并将遍历到的数据确定为目标地址;
连接至所述目标地址,并获取所述目标地址处存储的数据作为所述待处理视频。
其中,所述视频提取指令实质上是一条代码,在所述视频提取指令中,根据代码的编写原则,{}之间的内容被称之为所述方法体。
所述预设标签可以进行自定义配置,所述预设标签与地址具有一一对应的关系,例如:所述预设标签可以是ADD,进一步以所述预设标签建立正则表达式ADD(),并以ADD()进行遍历。
通过上实施方式,能够基于正则表达式及预设标签快速确定目标地址,并进一步获取所述目标地址处存储的数据作为所述待处理视频,提高了数据获取的效率。
S11,在指定周期内,记录所述待处理视频在播放过程中产生的至少一条弹幕及每条弹幕的发布时间。
在本实施例中,所述指定周期可以进行自定义配置,如一周。
例如:记录一周内课程视频的所有弹幕及每条弹幕的发布时间。
需要说明的是,与传统的观看总数等宏观数据相比,弹幕的具体数据更适用于挖掘特定课题下观看者的兴趣浓度变化和满意度变化,也更擅长凸显课程热点片段和提炼即时评价内容,可以起到汇总课程重点,帮助课程优化的作用。
S12,根据所述至少一条弹幕及每条弹幕的发布时间构建弹幕数量时间序列。
在本发明的至少一个实施例中,所述根据所述至少一条弹幕及每条弹幕的发布时间构建弹幕数量时间序列包括:
根据预设时间窗口分割所述待处理视频,得到至少一个视频段;
计算每个视频段的弹幕数量;
根据分割顺序为所述至少一个视频段进行编码处理,得到每个视频段的编码;
根据每个视频段的编码及每个视频段的弹幕数量生成所述弹幕数量时间序列。
例如:根据用户量以3-5秒为预设时间窗口切分视频,并将每个时间窗口对应的视频进行顺序编号,统计每个时间窗口内的弹幕发布数量,并最终形成弹幕数量时间序列。
在上述实施方式中,首先基于弹幕数量构建时间序列,为后续的拐点检测提供数据基础。
S13,根据所述弹幕数量时间序列进行拐点检测,得到至少一个突增拐点。
在本发明的至少一个实施例中,所述根据所述弹幕数量时间序列进行拐点检测,得到至少一个突增拐点包括:
基于预设损失函数计算所述弹幕数量时间序列中每个点的损失值;
构造初始对照函数,所述初始对照函数的取值为两点之间所包括的所有点的所述损失值的和;
在所述初始对照函数中加入惩罚项,得到目标对照函数;
采用二元分割法遍历每个点,直至所述目标对照函数的取值不再减小,停止遍历;
获取使所述目标对照函数的取值最小的至少一个点作为所述至少一个突增拐点。
例如:所述目标对照函数=mintV(t)+pen(t)
其中,V(t)为t点的损失值,mintV(t)为所述初始对照函数,pen(t)为对t的惩罚项。可以取线性惩罚项,则所述惩罚项的公式为:
其中,β>0,|t|是拐点的个数。
当模型拟合度更好,找到更多拐点(包括细微拐点)时,mintV(t)倾向于越小,但是惩罚项会变大,使得最小化对照函数+惩罚项无法达到最优。相反,模型过于简单时,惩罚项虽小,但拟合度也会较差,无法更精准地找出拐点。所以,当拐点个数不已知时,引入惩罚项可以用来平衡复杂性和拟合度。
S14,根据每个突增拐点划分所述待处理视频,得到至少一个目标片段。
在本发明的至少一个实施例中,所述根据每个突增拐点划分所述待处理视频,得到至少一个目标片段包括:
对于每个突增拐点,将所述突增拐点确定为起点,并按照时间顺序遍历所述待处理视频;
当遍历到与所述突增拐点相邻的下降拐点时,停止遍历;
根据所述突增拐点及遍历到的下降拐点构建视频区间;
整合构建的视频区间,得到所述至少一个目标片段。
其中,所述下降拐点为热度下滑的点,即曲线有下降趋势的点。
通过上述实施方式,能够基于检测到的拐点构建至少一个目标片段,提高了提取到的高热度视频片段的可解释性,有效解决了现有技术中单纯分析宏观数据带来的不准确性,同时消除了外部因素对热点视频提取的不利影响。
S15,对所述至少一个目标片段进行聚类分析,得到每个目标片段的视频类。
在本发明的至少一个实施例中,所述对所述至少一个目标片段进行聚类分析,得到每个目标片段的视频类包括:
对所述至少一个目标片段中的每个目标片段进行切词处理,得到每个目标片段的至少一个分词;
利用word2vec对每个目标片段的至少一个分词进行词向量化,得到每个目标片段的至少一个词向量;
对每个目标片段的至少一个词向量进行句向量化,得到每个目标片段的至少一个句向量;
对每个目标片段的至少一个句向量进行聚类处理,得到每个目标片段的至少一个子类;
从每个目标片段的至少一个子类中获取发布次数最多的弹幕的内容作为每个目标片段的视频类。
其中,对所述至少一个目标片段中的每个目标片段进行切词处理时可以包括如下:
a)统一英文字母的大小写;
b)删除标点符号及特殊字符;
c)切词,并将词语之间用空格分离。
进一步地,可以采用训练的或导入现有的word2vec词向量库两种途径。若训练词向量,需要准备文本库,经过一系列预处理后可采用Skip-gram模型训练,方法如下:
a)利用输入的文本生成一个词汇表。统计每个词的词频,按照词频从高到低的排序,取最频繁的若干词构成一个词汇表。
b)文本库做切词。将文本按顺序将每个词转化成一个one-hot向量,向量的维度是V,形成向量列表。如果该词在词汇表中出现过,则向量中词汇表中对应的位置为1,其他位置全为0。如果词汇表中不出现,则向量为全0。
c)确定最终需要的word2vec词向量的维度,例如:100或200。
d)确定窗口(windows)大小。
e)Skip-gram模型是用一个词语作为输入,来预测它周围的上下文。周围的范围由windows确定。用神经网络迭代训练一定次数,得到输入层到隐藏层的参数矩阵,矩阵中每一行的转置即是对应词的词向量。
其中,在进行聚类时,可以采用混合高斯模型等,用不同的类数去做聚类,找到使得轮廓系数最小(即类内差异小,类间差异大)的分类方式。
通过聚类,一方面避免浪费时间在浏览重复信息上,一方面避免人工筛选过程中错过重要的反馈内容。
S16,对所述至少一个目标片段进行知识点提取,得到每个目标片段的知识点。
在本发明的至少一个实施例中,所述对所述至少一个目标片段进行知识点提取,得到每个目标片段的知识点包括:
检测每个目标片段是否带有字幕;
当检测到有目标片段带有字幕时,将检测到的目标片段确定为第一片段,并采用自然语言处理(Natural Language Processing)算法提取所述第一片段的关键字构建文本序列,得到所述第一片段的知识点;或者
当检测到有目标片段不带有字幕时,将检测到的目标片段确定为第二片段,提取所述第二片段的音频,并将所述音频转换为文本,采用自然语言处理算法提取所述文本的关键字构建文本序列,得到所述第二片段的知识点。
通过上述实施方式,能够基于自然语言处理技术提取每个热点片段的知识点,以便准确反馈每个片段的主题。
S17,将每个目标片段的视频类与每个目标片段的知识点进行映射,得到每个目标片段的视频提取结果。
具体地,将每个目标片段的视频类与每个目标片段的知识点一一对应匹配,即可得到每个目标片段的用户反馈所属的类别及对应的主题内容。
进一步地,最终反馈的热点视频以“知识点+用户反馈类别”的形式构成所述视频提取结果。
在本发明的至少一个实施例中,在得到每个目标片段的视频提取结果后,所述方法还包括:
将每个目标片段的视频提取结果反馈至指定终端设备。
其中,所述指定终端设备可以为培训讲师的终端设备,也可以为学员的终端设备,本发明不限制。
通过上述实施方式,讲师不必回播视频即可获得视频的“知识点+用户反馈类别”。同时,反馈内容已经经过聚类提炼,一方面避免浪费时间在浏览重复信息上,一方面避免人工筛选过程中错过重要的反馈内容。
需要说明的是,为了进一步保证数据的安全性,可以将视频提取结果部署于区块链,以避免数据被恶意篡改。
由以上技术方案可以看出,本发明能够响应于视频提取指令,根据所述视频提取指令获取待处理视频,在指定周期内,记录所述待处理视频在播放过程中产生的至少一条弹幕及每条弹幕的发布时间,根据所述至少一条弹幕及每条弹幕的发布时间构建弹幕数量时间序列,根据所述弹幕数量时间序列进行拐点检测,得到至少一个突增拐点,根据每个突增拐点划分所述待处理视频,得到至少一个目标片段,能够基于检测到的拐点构建至少一个目标片段,提高了提取到的高热度视频片段的可解释性,有效解决了现有技术中单纯分析宏观数据带来的不准确性,同时消除了外部因素对热点视频提取的不利影响,对所述至少一个目标片段进行聚类分析,得到每个目标片段的视频类,对所述至少一个目标片段进行知识点提取,得到每个目标片段的知识点,将每个目标片段的视频类与每个目标片段的知识点进行映射,得到每个目标片段的视频提取结果,实现对热点视频的自动提取反馈,同时,反馈内容已经经过聚类提炼,一方面避免浪费时间在浏览重复信息上,一方面避免人工筛选过程中错过重要的反馈内容。
如图2所示,是本发明基于拐点检测的视频提取装置的较佳实施例的功能模块图。所述基于拐点检测的视频提取装置11包括获取单元110、记录单元111、构建单元112、检测单元113、划分单元114、聚类单元115、提取单元116、映射单元117。本发明所称的模块/单元是指一种能够被处理器13所执行,并且能够完成固定功能的一系列计算机程序段,其存储在存储器12中。在本实施例中,关于各模块/单元的功能将在后续的实施例中详述。
响应于视频提取指令,获取单元110根据所述视频提取指令获取待处理视频。
在本实施例中,所述视频提取指令可以由指定工作人员触发,也可以在检测到有教学视频播放时自动触发,本发明不限制。
在本发明的至少一个实施例中,所述获取单元110根据所述视频提取指令获取待处理视频包括:
解析所述视频提取指令的方法体,得到所述视频提取指令所携带的信息;
获取预设标签;
根据所述预设标签构建正则表达式;
利用所述正则表达式在所述视频提取指令所携带的信息中进行遍历,并将遍历到的数据确定为目标地址;
连接至所述目标地址,并获取所述目标地址处存储的数据作为所述待处理视频。
其中,所述视频提取指令实质上是一条代码,在所述视频提取指令中,根据代码的编写原则,{}之间的内容被称之为所述方法体。
所述预设标签可以进行自定义配置,所述预设标签与地址具有一一对应的关系,例如:所述预设标签可以是ADD,进一步以所述预设标签建立正则表达式ADD(),并以ADD()进行遍历。
通过上实施方式,能够基于正则表达式及预设标签快速确定目标地址,并进一步获取所述目标地址处存储的数据作为所述待处理视频,提高了数据获取的效率。
在指定周期内,记录单元111记录所述待处理视频在播放过程中产生的至少一条弹幕及每条弹幕的发布时间。
在本实施例中,所述指定周期可以进行自定义配置,如一周。
例如:记录一周内课程视频的所有弹幕及每条弹幕的发布时间。
需要说明的是,与传统的观看总数等宏观数据相比,弹幕的具体数据更适用于挖掘特定课题下观看者的兴趣浓度变化和满意度变化,也更擅长凸显课程热点片段和提炼即时评价内容,可以起到汇总课程重点,帮助课程优化的作用。
构建单元112根据所述至少一条弹幕及每条弹幕的发布时间构建弹幕数量时间序列。
在本发明的至少一个实施例中,所述构建单元112根据所述至少一条弹幕及每条弹幕的发布时间构建弹幕数量时间序列包括:
根据预设时间窗口分割所述待处理视频,得到至少一个视频段;
计算每个视频段的弹幕数量;
根据分割顺序为所述至少一个视频段进行编码处理,得到每个视频段的编码;
根据每个视频段的编码及每个视频段的弹幕数量生成所述弹幕数量时间序列。
例如:根据用户量以3-5秒为预设时间窗口切分视频,并将每个时间窗口对应的视频进行顺序编号,统计每个时间窗口内的弹幕发布数量,并最终形成弹幕数量时间序列。
在上述实施方式中,首先基于弹幕数量构建时间序列,为后续的拐点检测提供数据基础。
检测单元113根据所述弹幕数量时间序列进行拐点检测,得到至少一个突增拐点。
在本发明的至少一个实施例中,所述检测单元113根据所述弹幕数量时间序列进行拐点检测,得到至少一个突增拐点包括:
基于预设损失函数计算所述弹幕数量时间序列中每个点的损失值;
构造初始对照函数,所述初始对照函数的取值为两点之间所包括的所有点的所述损失值的和;
在所述初始对照函数中加入惩罚项,得到目标对照函数;
采用二元分割法遍历每个点,直至所述目标对照函数的取值不再减小,停止遍历;
获取使所述目标对照函数的取值最小的至少一个点作为所述至少一个突增拐点。
例如:所述目标对照函数=mintV(t)+pen(t)
其中,V(t)为t点的损失值,mintV(t)为所述初始对照函数,pen(t)为对t的惩罚项。可以取线性惩罚项,则所述惩罚项的公式为:
其中,β>0,|t|是拐点的个数。
当模型拟合度更好,找到更多拐点(包括细微拐点)时,mintV(t)倾向于越小,但是惩罚项会变大,使得最小化对照函数+惩罚项无法达到最优。相反,模型过于简单时,惩罚项虽小,但拟合度也会较差,无法更精准地找出拐点。所以,当拐点个数不已知时,引入惩罚项可以用来平衡复杂性和拟合度。
划分单元114根据每个突增拐点划分所述待处理视频,得到至少一个目标片段。
在本发明的至少一个实施例中,所述划分单元114根据每个突增拐点划分所述待处理视频,得到至少一个目标片段包括:
对于每个突增拐点,将所述突增拐点确定为起点,并按照时间顺序遍历所述待处理视频;
当遍历到与所述突增拐点相邻的下降拐点时,停止遍历;
根据所述突增拐点及遍历到的下降拐点构建视频区间;
整合构建的视频区间,得到所述至少一个目标片段。
其中,所述下降拐点为热度下滑的点,即曲线有下降趋势的点。
通过上述实施方式,能够基于检测到的拐点构建至少一个目标片段,提高了提取到的高热度视频片段的可解释性,有效解决了现有技术中单纯分析宏观数据带来的不准确性,同时消除了外部因素对热点视频提取的不利影响。
聚类单元115对所述至少一个目标片段进行聚类分析,得到每个目标片段的视频类。
在本发明的至少一个实施例中,所述聚类单元115对所述至少一个目标片段进行聚类分析,得到每个目标片段的视频类包括:
对所述至少一个目标片段中的每个目标片段进行切词处理,得到每个目标片段的至少一个分词;
利用word2vec对每个目标片段的至少一个分词进行词向量化,得到每个目标片段的至少一个词向量;
对每个目标片段的至少一个词向量进行句向量化,得到每个目标片段的至少一个句向量;
对每个目标片段的至少一个句向量进行聚类处理,得到每个目标片段的至少一个子类;
从每个目标片段的至少一个子类中获取发布次数最多的弹幕的内容作为每个目标片段的视频类。
其中,对所述至少一个目标片段中的每个目标片段进行切词处理时可以包括如下:
a)统一英文字母的大小写;
b)删除标点符号及特殊字符;
c)切词,并将词语之间用空格分离。
进一步地,可以采用训练的或导入现有的word2vec词向量库两种途径。若训练词向量,需要准备文本库,经过一系列预处理后可采用Skip-gram模型训练,方法如下:
a)利用输入的文本生成一个词汇表。统计每个词的词频,按照词频从高到低的排序,取最频繁的若干词构成一个词汇表。
b)文本库做切词。将文本按顺序将每个词转化成一个one-hot向量,向量的维度是V,形成向量列表。如果该词在词汇表中出现过,则向量中词汇表中对应的位置为1,其他位置全为0。如果词汇表中不出现,则向量为全0。
c)确定最终需要的word2vec词向量的维度,例如:100或200。
d)确定窗口(windows)大小。
e)Skip-gram模型是用一个词语作为输入,来预测它周围的上下文。周围的范围由windows确定。用神经网络迭代训练一定次数,得到输入层到隐藏层的参数矩阵,矩阵中每一行的转置即是对应词的词向量。
其中,在进行聚类时,可以采用混合高斯模型等,用不同的类数去做聚类,找到使得轮廓系数最小(即类内差异小,类间差异大)的分类方式。
通过聚类,一方面避免浪费时间在浏览重复信息上,一方面避免人工筛选过程中错过重要的反馈内容。
提取单元116对所述至少一个目标片段进行知识点提取,得到每个目标片段的知识点。
在本发明的至少一个实施例中,所述提取单元116对所述至少一个目标片段进行知识点提取,得到每个目标片段的知识点包括:
检测每个目标片段是否带有字幕;
当检测到有目标片段带有字幕时,将检测到的目标片段确定为第一片段,并采用自然语言处理(Natural Language Processing)算法提取所述第一片段的关键字构建文本序列,得到所述第一片段的知识点;或者
当检测到有目标片段不带有字幕时,将检测到的目标片段确定为第二片段,提取所述第二片段的音频,并将所述音频转换为文本,采用自然语言处理算法提取所述文本的关键字构建文本序列,得到所述第二片段的知识点。
通过上述实施方式,能够基于自然语言处理技术提取每个热点片段的知识点,以便准确反馈每个片段的主题。
映射单元117将每个目标片段的视频类与每个目标片段的知识点进行映射,得到每个目标片段的视频提取结果。
具体地,将每个目标片段的视频类与每个目标片段的知识点一一对应匹配,即可得到每个目标片段的用户反馈所属的类别及对应的主题内容。
进一步地,最终反馈的热点视频以“知识点+用户反馈类别”的形式构成所述视频提取结果。
在本发明的至少一个实施例中,在得到每个目标片段的视频提取结果后,将每个目标片段的视频提取结果反馈至指定终端设备。
其中,所述指定终端设备可以为培训讲师的终端设备,也可以为学员的终端设备,本发明不限制。
通过上述实施方式,讲师不必回播视频即可获得视频的“知识点+用户反馈类别”。同时,反馈内容已经经过聚类提炼,一方面避免浪费时间在浏览重复信息上,一方面避免人工筛选过程中错过重要的反馈内容。
需要说明的是,为了进一步保证数据的安全性,可以将视频提取结果部署于区块链,以避免数据被恶意篡改。
由以上技术方案可以看出,本发明能够响应于视频提取指令,根据所述视频提取指令获取待处理视频,在指定周期内,记录所述待处理视频在播放过程中产生的至少一条弹幕及每条弹幕的发布时间,根据所述至少一条弹幕及每条弹幕的发布时间构建弹幕数量时间序列,根据所述弹幕数量时间序列进行拐点检测,得到至少一个突增拐点,根据每个突增拐点划分所述待处理视频,得到至少一个目标片段,能够基于检测到的拐点构建至少一个目标片段,提高了提取到的高热度视频片段的可解释性,有效解决了现有技术中单纯分析宏观数据带来的不准确性,同时消除了外部因素对热点视频提取的不利影响,对所述至少一个目标片段进行聚类分析,得到每个目标片段的视频类,对所述至少一个目标片段进行知识点提取,得到每个目标片段的知识点,将每个目标片段的视频类与每个目标片段的知识点进行映射,得到每个目标片段的视频提取结果,实现对热点视频的自动提取反馈,同时,反馈内容已经经过聚类提炼,一方面避免浪费时间在浏览重复信息上,一方面避免人工筛选过程中错过重要的反馈内容。
如图3所示,是本发明实现基于拐点检测的视频提取方法的较佳实施例的电子设备的结构示意图。
所述电子设备1可以包括存储器12、处理器13和总线,还可以包括存储在所述存储器12中并可在所述处理器13上运行的计算机程序,例如基于拐点检测的视频提取程序。
本领域技术人员可以理解,所述示意图仅仅是电子设备1的示例,并不构成对电子设备1的限定,所述电子设备1既可以是总线型结构,也可以是星形结构,所述电子设备1还可以包括比图示更多或更少的其他硬件或者软件,或者不同的部件布置,例如所述电子设备1还可以包括输入输出设备、网络接入设备等。
需要说明的是,所述电子设备1仅为举例,其他现有的或今后可能出现的电子产品如可适应于本发明,也应包含在本发明的保护范围以内,并以引用方式包含于此。
其中,存储器12至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器12在一些实施例中可以是电子设备1的内部存储单元,例如该电子设备1的移动硬盘。存储器12在另一些实施例中也可以是电子设备1的外部存储设备,例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(Secure Digital,SD)卡、闪存卡(Flash Card)等。进一步地,存储器12还可以既包括电子设备1的内部存储单元也包括外部存储设备。存储器12不仅可以用于存储安装于电子设备1的应用软件及各类数据,例如基于拐点检测的视频提取程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
处理器13在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。处理器13是所述电子设备1的控制核心(Control Unit),利用各种接口和线路连接整个电子设备1的各个部件,通过运行或执行存储在所述存储器12内的程序或者模块(例如执行基于拐点检测的视频提取程序等),以及调用存储在所述存储器12内的数据,以执行电子设备1的各种功能和处理数据。
所述处理器13执行所述电子设备1的操作系统以及安装的各类应用程序。所述处理器13执行所述应用程序以实现上述各个基于拐点检测的视频提取方法实施例中的步骤,例如图1所示的步骤。
示例性的,所述计算机程序可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器12中,并由所述处理器13执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序在所述电子设备1中的执行过程。例如,所述计算机程序可以被分割成获取单元110、记录单元111、构建单元112、检测单元113、划分单元114、聚类单元115、提取单元116、映射单元117。
上述以软件功能模块的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、计算机设备,或者网络设备等)或处理器(processor)执行本发明各个实施例所述基于拐点检测的视频提取方法的部分。
所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指示相关的硬件设备来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。
其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器等。
进一步地,计算机可读存储介质可主要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、至少一个功能所需的应用程序等;存储数据区可存储根据区块链节点的使用所创建的数据等。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
总线可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extended industry standard architecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示,在图3中仅用一根箭头表示,但并不表示仅有一根总线或一种类型的总线。所述总线被设置为实现所述存储器12以及至少一个处理器13等之间的连接通信。
尽管未示出,所述电子设备1还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器13逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
进一步地,所述电子设备1还可以包括网络接口,可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地,该电子设备1还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
图3仅示出了具有组件12-13的电子设备1,本领域技术人员可以理解的是,图3示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
结合图1,所述电子设备1中的所述存储器12存储多个指令以实现一种基于拐点检测的视频提取方法,所述处理器13可执行所述多个指令从而实现:
响应于视频提取指令,根据所述视频提取指令获取待处理视频;
在指定周期内,记录所述待处理视频在播放过程中产生的至少一条弹幕及每条弹幕的发布时间;
根据所述至少一条弹幕及每条弹幕的发布时间构建弹幕数量时间序列;
根据所述弹幕数量时间序列进行拐点检测,得到至少一个突增拐点;
根据每个突增拐点划分所述待处理视频,得到至少一个目标片段;
对所述至少一个目标片段进行聚类分析,得到每个目标片段的视频类;
对所述至少一个目标片段进行知识点提取,得到每个目标片段的知识点;
将每个目标片段的视频类与每个目标片段的知识点进行映射,得到每个目标片段的视频提取结果。
具体地,所述处理器13对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。本发明中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (9)
1.一种基于拐点检测的视频提取方法,其特征在于,所述基于拐点检测的视频提取方法包括:
响应于视频提取指令,根据所述视频提取指令获取待处理视频;
在指定周期内,记录所述待处理视频在播放过程中产生的至少一条弹幕及每条弹幕的发布时间;
根据所述至少一条弹幕及每条弹幕的发布时间构建弹幕数量时间序列;
根据所述弹幕数量时间序列进行拐点检测,得到至少一个突增拐点,包括:基于预设损失函数计算所述弹幕数量时间序列中每个点的损失值;构造初始对照函数,所述初始对照函数的取值为两点之间所包括的所有点的所述损失值的和;在所述初始对照函数中加入惩罚项,得到目标对照函数;采用二元分割法遍历每个点,直至所述目标对照函数的取值不再减小,停止遍历;获取使所述目标对照函数的取值最小的至少一个点作为所述至少一个突增拐点;
根据每个突增拐点划分所述待处理视频,得到至少一个目标片段;
对所述至少一个目标片段进行聚类分析,得到每个目标片段的视频类;
对所述至少一个目标片段进行知识点提取,得到每个目标片段的知识点;
将每个目标片段的视频类与每个目标片段的知识点进行映射,得到每个目标片段的视频提取结果。
2.如权利要求1所述的基于拐点检测的视频提取方法,其特征在于,所述根据所述视频提取指令获取待处理视频包括:
解析所述视频提取指令的方法体,得到所述视频提取指令所携带的信息;
获取预设标签;
根据所述预设标签构建正则表达式;
利用所述正则表达式在所述视频提取指令所携带的信息中进行遍历,并将遍历到的数据确定为目标地址;
连接至所述目标地址,并获取所述目标地址处存储的数据作为所述待处理视频。
3.如权利要求1所述的基于拐点检测的视频提取方法,其特征在于,所述根据所述至少一条弹幕及每条弹幕的发布时间构建弹幕数量时间序列包括:
根据预设时间窗口分割所述待处理视频,得到至少一个视频段;
计算每个视频段的弹幕数量;
根据分割顺序为所述至少一个视频段进行编码处理,得到每个视频段的编码;
根据每个视频段的编码及每个视频段的弹幕数量生成所述弹幕数量时间序列。
4.如权利要求1所述的基于拐点检测的视频提取方法,其特征在于,所述根据每个突增拐点划分所述待处理视频,得到至少一个目标片段包括:
对于每个突增拐点,将所述突增拐点确定为起点,并按照时间顺序遍历所述待处理视频;
当遍历到与所述突增拐点相邻的下降拐点时,停止遍历;
根据所述突增拐点及遍历到的下降拐点构建视频区间;
整合构建的视频区间,得到所述至少一个目标片段。
5.如权利要求1所述的基于拐点检测的视频提取方法,其特征在于,所述对所述至少一个目标片段进行聚类分析,得到每个目标片段的视频类包括:
对所述至少一个目标片段中的每个目标片段进行切词处理,得到每个目标片段的至少一个分词;
利用word2vec对每个目标片段的至少一个分词进行词向量化,得到每个目标片段的至少一个词向量;
对每个目标片段的至少一个词向量进行句向量化,得到每个目标片段的至少一个句向量;
对每个目标片段的至少一个句向量进行聚类处理,得到每个目标片段的至少一个子类;
从每个目标片段的至少一个子类中获取发布次数最多的弹幕的内容作为每个目标片段的视频类。
6.如权利要求1所述的基于拐点检测的视频提取方法,其特征在于,所述对所述至少一个目标片段进行知识点提取,得到每个目标片段的知识点包括:
检测每个目标片段是否带有字幕;
当检测到有目标片段带有字幕时,将检测到的目标片段确定为第一片段,并采用自然语言处理算法提取所述第一片段的关键字构建文本序列,得到所述第一片段的知识点;或者
当检测到有目标片段不带有字幕时,将检测到的目标片段确定为第二片段,提取所述第二片段的音频,并将所述音频转换为文本,采用自然语言处理算法提取所述文本的关键字构建文本序列,得到所述第二片段的知识点。
7.一种基于拐点检测的视频提取装置,其特征在于,所述基于拐点检测的视频提取装置包括:
获取单元,用于响应于视频提取指令,根据所述视频提取指令获取待处理视频;
记录单元,用于在指定周期内,记录所述待处理视频在播放过程中产生的至少一条弹幕及每条弹幕的发布时间;
构建单元,用于根据所述至少一条弹幕及每条弹幕的发布时间构建弹幕数量时间序列;
检测单元,用于根据所述弹幕数量时间序列进行拐点检测,得到至少一个突增拐点,包括:基于预设损失函数计算所述弹幕数量时间序列中每个点的损失值;构造初始对照函数,所述初始对照函数的取值为两点之间所包括的所有点的所述损失值的和;在所述初始对照函数中加入惩罚项,得到目标对照函数;采用二元分割法遍历每个点,直至所述目标对照函数的取值不再减小,停止遍历;获取使所述目标对照函数的取值最小的至少一个点作为所述至少一个突增拐点;
划分单元,用于根据每个突增拐点划分所述待处理视频,得到至少一个目标片段;
聚类单元,用于对所述至少一个目标片段进行聚类分析,得到每个目标片段的视频类;
提取单元,用于对所述至少一个目标片段进行知识点提取,得到每个目标片段的知识点;
映射单元,用于将每个目标片段的视频类与每个目标片段的知识点进行映射,得到每个目标片段的视频提取结果。
8.一种电子设备,其特征在于,所述电子设备包括:
存储器,存储至少一个指令;及
处理器,执行所述存储器中存储的指令以实现如权利要求1至6中任意一项所述的基于拐点检测的视频提取方法。
9.一种计算机可读存储介质,其特征在于:所述计算机可读存储介质中存储有至少一个指令,所述至少一个指令被电子设备中的处理器执行以实现如权利要求1至6中任意一项所述的基于拐点检测的视频提取方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110199768.6A CN112861750B (zh) | 2021-02-22 | 2021-02-22 | 基于拐点检测的视频提取方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110199768.6A CN112861750B (zh) | 2021-02-22 | 2021-02-22 | 基于拐点检测的视频提取方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112861750A CN112861750A (zh) | 2021-05-28 |
CN112861750B true CN112861750B (zh) | 2022-02-01 |
Family
ID=75989902
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110199768.6A Active CN112861750B (zh) | 2021-02-22 | 2021-02-22 | 基于拐点检测的视频提取方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112861750B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114630141B (zh) * | 2022-03-18 | 2024-09-20 | 北京达佳互联信息技术有限公司 | 视频处理方法及相关设备 |
CN117033673B (zh) * | 2023-05-16 | 2024-04-05 | 广州比地数据科技有限公司 | 一种基于人工智能的多媒体内容抽取系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109729435A (zh) * | 2017-10-27 | 2019-05-07 | 优酷网络技术(北京)有限公司 | 视频片段的提取方法及装置 |
CN107995535B (zh) * | 2017-11-28 | 2019-11-26 | 百度在线网络技术(北京)有限公司 | 一种展示视频的方法、装置、设备和计算机存储介质 |
CN111385606A (zh) * | 2018-12-28 | 2020-07-07 | Tcl集团股份有限公司 | 一种视频预览方法、装置及智能终端 |
CN110248258B (zh) * | 2019-07-18 | 2020-06-23 | 腾讯科技(深圳)有限公司 | 视频片段的推荐方法、装置、存储介质和计算机设备 |
-
2021
- 2021-02-22 CN CN202110199768.6A patent/CN112861750B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112861750A (zh) | 2021-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022141861A1 (zh) | 情感分类方法、装置、电子设备及存储介质 | |
CN112287914B (zh) | Ppt视频段提取方法、装置、设备及介质 | |
CN113051356A (zh) | 开放关系抽取方法、装置、电子设备及存储介质 | |
CN114648392B (zh) | 基于用户画像的产品推荐方法、装置、电子设备及介质 | |
CN107909088B (zh) | 获取训练样本的方法、装置、设备和计算机存储介质 | |
CN112861750B (zh) | 基于拐点检测的视频提取方法、装置、设备及介质 | |
CN111666415A (zh) | 话题聚类方法、装置、电子设备及存储介质 | |
CN112380859A (zh) | 舆情信息的推荐方法、装置、电子设备及计算机存储介质 | |
CN111860377A (zh) | 基于人工智能的直播方法、装置、电子设备及存储介质 | |
CN112686026B (zh) | 基于信息熵的关键词提取方法、装置、设备及介质 | |
CN113378970A (zh) | 语句相似性检测方法、装置、电子设备及存储介质 | |
CN111753089A (zh) | 话题聚类方法、装置、电子设备及存储介质 | |
CN112633431A (zh) | 一种基于crnn和ctc的藏汉双语场景文字识别方法 | |
CN113360768A (zh) | 基于用户画像的产品推荐方法、装置、设备及存储介质 | |
CN115018588A (zh) | 产品推荐方法、装置、电子设备及可读存储介质 | |
CN113886708A (zh) | 基于用户信息的产品推荐方法、装置、设备及存储介质 | |
CN112860851B (zh) | 基于根因分析的课程推荐方法、装置、设备及介质 | |
CN112307771B (zh) | 基于情感分析的课程分析方法、装置、设备及介质 | |
CN114781384A (zh) | 命名实体智能标注方法、装置、设备及存储介质 | |
CN114639152A (zh) | 基于人脸识别的多模态语音交互方法、装置、设备及介质 | |
CN113254814A (zh) | 网络课程视频打标签方法、装置、电子设备及介质 | |
CN113204698A (zh) | 新闻主题词生成方法、装置、设备及介质 | |
CN112364068A (zh) | 课程标签生成方法、装置、设备及介质 | |
CN115525761A (zh) | 一种文章关键词筛选类别的方法、装置、设备及存储介质 | |
CN114943306A (zh) | 意图分类方法、装置、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 |