CN113254715A - 视频与兴趣点关联关系构建方法、装置、设备及介质 - Google Patents
视频与兴趣点关联关系构建方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN113254715A CN113254715A CN202010086385.3A CN202010086385A CN113254715A CN 113254715 A CN113254715 A CN 113254715A CN 202010086385 A CN202010086385 A CN 202010086385A CN 113254715 A CN113254715 A CN 113254715A
- Authority
- CN
- China
- Prior art keywords
- video
- interest point
- target
- name
- determining
- 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
Links
- 238000010276 construction Methods 0.000 title claims abstract description 19
- 238000000034 method Methods 0.000 claims abstract description 45
- 239000013598 vector Substances 0.000 claims description 138
- 230000003993 interaction Effects 0.000 claims description 49
- 230000015654 memory Effects 0.000 claims description 20
- 230000007246 mechanism Effects 0.000 claims description 17
- 230000011218 segmentation Effects 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 11
- 239000000126 substance Substances 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 description 56
- 238000012549 training Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000005520 cutting process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000007670 refining Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009182 swimming Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/70—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
- G06F16/787—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Library & Information Science (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种视频与兴趣点关联关系构建方法、装置、设备及介质，涉及智能搜索技术领域。具体实现方案为：获取至少一个视频；对于各所述视频，确定所述视频与目标兴趣点之间的相关度值；根据所述相关度值，建立视频与所述目标兴趣点的关联关系。本申请实施例通过确定各视频与目标兴趣点之间的相关度值，并根据相关度值建立视频与目标兴趣点之间的关联关系，从而实现了关联关系的自动建立，并且根据相关度值建立关联关系有效提高了关联关系构建结果的准确度。
Description
技术领域
本申请涉及计算机技术，尤其涉及智能搜索技术领域。
背景技术
在通过网页或应用程序显示地图时，为了丰富地图的富内容数据，同时会在地图中的兴趣点(Point of Interest，POI)关联显示小视频，从而为地图浏览用户提供衣、食、住、行、游、娱、购等方面的参考。
现有技术中，通常通过全人工作业的方式建立小视频与地图上兴趣点之间的关联关系。然而，现有技术通过人工构建小视频与兴趣点的关联关系的能力有限，建立的小视频与兴趣点的关联关系的准确度不高。
发明内容
本申请实施例提供了一种视频与兴趣点关联关系构建方法、装置、设备及介质，以实现关联关系的自动构建，并提升建立的视频与兴趣点的关联关系的准确度。
第一方面，本申请实施例提供了一种视频与兴趣点关联关系构建方法，包括：
获取至少一个视频；
对于各所述视频，确定所述视频与目标兴趣点之间的相关度值；
根据所述相关度值，建立视频与所述目标兴趣点的关联关系。
本申请实施例通过获取至少一个视频；对于各视频，确定视频与目标兴趣点之间的相关度值；根据相关度值建立视频与目标兴趣点的关联关系。上述技术方案通过确定各视频与目标兴趣点之间的相关度值，并根据相关度值建立视频与目标兴趣点之间的关联关系，从而实现了关联关系的自动建立，并且根据相关度值建立关联关系，有效提升了关联关系构建结果的准确度。
可选的，获取至少一个视频，包括：
根据目标兴趣点对应的至少一个查询词，获取至少一个视频。
上述申请中的一个可选实施方式，通过目标兴趣点对应的至少一个查询词，进行视频的获取，能够初步筛选出部分与目标兴趣点相关的视频，从而减少了后续进行相关度值确定时的工作量，同时避免了后续所建立的关联关系中的视频与目标兴趣点不相关的情况，为所构建的关联关系的准确性提供了保障。
可选的，所述查询词采用如下至少一种方式确定：
获取目标兴趣点的至少一个名称，将各所述名称作为所述目标兴趣点对应的查询词；
根据预设兴趣点关系树，确定目标兴趣点的子节点对应的兴趣点的名称，作为所述目标兴趣点对应的查询词；
将目标兴趣点的名称进行切词，将切词后得到的分词作为所述目标兴趣点对应的查询词。
上述申请中的一个可选实施方式，通过将查询词的获取操作细化为目标兴趣点名称、子节点对应兴趣点的名称、及名称切词结果中的至少一个，从而丰富了目标兴趣点的查询词获取方式，为查询词的多样性提供保障。
可选的，确定所述视频与目标兴趣点之间的相关度值，包括：
使用基于注意力机制的相关性模型，确定所述视频与所述目标兴趣点之间的相关度值。
上述申请中的一个可选实施方式，通过将视频与目标兴趣点的相关性的确定操作，细化为基于注意力机制的相关性模型，进行相关度值的确定，丰富了相关性的确定机制。
可选的，所述相关性模型包括自注意力单元和多头注意力单元；
所述使用基于注意力机制的相关性模型，确定所述视频与所述目标兴趣点之间的相关度值，包括：
通过所述自注意力单元，获取所述目标兴趣点的名称的第一特征向量、以及所述视频的标题的第二特征向量；
通过所述多头注意力单元，获取所述第一特征向量和所述第二特征向量之间的相互作用关系向量；
根据所述相互作用关系向量，确定所述目标兴趣点的名称与所述视频的标题的相似度，根据所述相似度确定所述视频与所述目标兴趣点之间的相关度值。
上述申请中的一个可选实时方式他，通过将相关性模型细化为包括自注意力单元和多头注意力单元，并将相关性确定操作，细化为通过自注意力单元进行目标兴趣点的名称及视频标题的特性向量的获取，通过多头注意力单元进行特征向量之间的相互作用关系向量的获取，从而根据相互作用关系向量进行相似度的确定，进而根据所确定的相似度进行相关度值确定，进一步完善了基于相关性模型进行视频源与目标兴趣点的相关度值确定机制。
可选的，所述相关性模型包括相互对称的第一子网络和第二子网络，其中第一子网络包括第一自注意力单元和第一多头注意力单元，第二子网络包括第二自注意力单元和第二多头注意力单元；
通过所述自注意力单元，获取所述目标兴趣点的名称的第一特征向量、以及所述视频的标题的第二特征向量，包括：
通过第一自注意力单元，获取所述目标兴趣点的名称的第一特征向量；通过第二自注意力单元，获取所述视频的标题的第二特征向量；
通过所述多头注意力单元，获取所述第一特征向量和所述第二特征向量之间的相互作用关系向量，包括：
通过第一多头注意力单元，获取所述第二特征向量对所述第一特征向量的相互作用关系向量；通过第二多头注意力单元，获取所述第一特征向量对所述第二特征向量的相互作用关系向量；
根据所述相互作用关系向量，确定所述目标兴趣点的名称与所述视频的标题的相似度，包括：
对各所述相互作用关系向量进行拼接，得到拼接后的相互作用关系向量；
根据所述拼接后的相互作用关系向量，确定所述目标兴趣点的名称与所述视频的标题的相似度。
上述申请中的一个可选实施方式，通过将相关性模型细化为包括相互对称的分别包含有自注意力单元和多头注意力单元的第一子网络和第二子网络，实现各子网络对目标兴趣点名称和视频标题的特征向量及相互作用关系向量的并行处理，并通过将并行处理得到的相互作用关系向量进行拼接，为相似度确定提供数据支撑，丰富了相似度确定的参照因素，进而提升了相似度确定结果的准确性。
可选的，确定所述视频与目标兴趣点之间的相关度值，包括：
确定所述视频对应的行政区划信息、以及所述目标兴趣点对应的行政区划信息；
将所述视频对应的行政区划信息与所述目标兴趣点对应的行政区划信息进行比对，根据比对结果确定所述视频与所述目标兴趣点之间的相关度值。
上述申请中的一个可选实施方式，通过将视频与目标兴趣点的相关性确定操作，细化为确定视频与目标兴趣点两者对应的行政区划信息的比对结果，并根据比对结果进行相关性判定，从而通过坐标推算或反坐标推算的方式，进行相关性判定，进一步丰富和完善了相关度值的判定机制。
可选的，确定所述视频对应的行政区划信息，包括：
根据所述视频的标题和/或拍摄位置，确定所述视频对应的行政区划信息。
上述申请中的一个可选实施方式，通过将视频的行政区划信息确定操作，细化为根据视频标题和/或拍摄位置确定，从而丰富了行政区划信息的确定方式。
可选的，确定所述视频与所述目标兴趣点之间的相关度值，包括：
从所述视频的标题中提取出兴趣点名称；
计算提取出的所述兴趣点名称与所述目标兴趣点的名称之间的语义相似度；
根据所述语义相似度确定所述视频与所述目标兴趣点之间的相关度值。
上述申请中的一个可选实施方式，通过将视频与目标兴趣点的相关性确定操作，细化为从视频的标题中进行兴趣点名称提取，计算所提取兴趣点名称与目标兴趣点的名称的语义相似度，从而通过兴趣点名称提取结合语义匹配的方式，进行相关度值的确定，进一步丰富和完善了相关度值的确定机制。
第二方面，本申请实施例还提供了一种视频与兴趣点关联关系构建装置，包括：
视频获取模块，用于获取至少一个视频；
相关度值确定模块，用于对于各所述视频，确定所述视频与目标兴趣点之间的相关度值；
关联关系构建模块，用于根据所述相关度值，建立视频与所述目标兴趣点的关联关系。
第三方面，本申请实施例还提供了一种电子设备，其特征在于，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第一方面实施例所提供的一种视频与兴趣点关联关系构建方法。
第四方面，本申请实施例还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，所述计算机指令用于使所述计算机执行第一方面实施例所提供的一种视频与兴趣点关联关系构建方法。
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是本申请实施例一的视频与兴趣点关联关系构建方法的流程图；
图2A是本申请实施例二的视频与兴趣点关联关系构建方法的流程图；
图2B是本申请实施例二的一种相关性模型的结构示意图；
图2C是本申请实施例二的另一种相关性模型的结构示意图；
图3是本申请实施例三的视频与兴趣点关联关系构建装置的结构图；
图4是用来实现本申请实施例的视频与兴趣点关联关系构建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。
实施例一
图1是本申请实施例一中的一种视频与兴趣点关联关系构建方法的流程图。本申请实施例适用于在基于电子地图中的目标兴趣点进行视频推送之前，构建目标兴趣点和待推送视频的关联关系的情况。该方法由视频与兴趣点关联关系构建装置执行，该装置通过软件和/或硬件实现，并具体配置于电子设备中。
如图1所示的一种视频与兴趣点关联关系构建方法，包括：
S101、获取至少一个视频。
其中，所获取的视频可以是任意视频，还可以是与建立关联关系的目标兴趣点相关的视频。
示例性地，获取至少一个视频，可以是：根据目标兴趣点对应的至少一个查询词，获取至少一个视频。
其中，兴趣点可以是电子地图中的某个景区、商店、或公交站牌等具备一定标志性，能够为用户提供衣、食、住、行、游、娱、购等至少一方面服务的区域。其中，查询词可以理解为用于在使用电子地图时，进行兴趣点搜索时所使用的词语。
在本申请实施例的一种可选实施方式中，获取目标兴趣点的至少一个名称，将各所述名称作为所述目标兴趣点对应的查询词；根据至少一个查询词，获取至少一个视频。
示例性地，目标兴趣点的名称可以是原始名称和别名等中的至少一个。其中，原始名称可以是全称或当前使用名称等；别名可以是简称、或曾用名等。
例如，原始名称为“圆明园遗址公园”，别名可以是“圆明园”；又如，原始名称为“国家游泳中心”，别名可以是“水立方”；再如，原始名称为“华北理工大学”，别名可以是“河北联合大学”和“河北理工大学”等。
在本申请实施例的另一可选实施方式中，根据预设兴趣点关系树，确定目标兴趣点的子节点对应的兴趣点的名称，作为所述目标兴趣点对应的查询词；根据至少一个查询词，获取至少一个视频。
示例性地，兴趣节点关系树中包含有具备父子关系的兴趣点，其中，父节点对应的兴趣点与子节点对应的兴趣点可以具备包含与被包含关系。举例说明，颐和园中有著名子景点叫十七孔桥，那么可以认为“颐和园”和“十七孔桥”具备父子关系，“颐和园”为“十七孔桥”的父节点，“十七孔桥”为“颐和园”的子节点。
在本申请实施例的再一可选实施方式中，将目标兴趣点的名称进行切词，将切词后得到的分词作为所述目标兴趣点对应的查询词；根据至少一个查询词，获取至少一个视频。其中，目标兴趣点的名称可以是原始名称、别名以及子节点的原始名称和别名等。
示例性地，将目标兴趣点的名称进行切词，可以是采用基于词典的分词方法，例如字符串匹配切词；或者可以采用基于统计的分词方法，例如N元模型(N-gram模型)或频繁项集算法(Aprior算法)等；或者可以采用基于序列标注的分词方法，例如条件随机场算法(conditional random field algorithm，CRF)、隐马尔科夫模型(Hidden Markov Model，HMM)或神经网络分词模型等。
当然，对目标兴趣点的名称进行切词还可以通过现有技术的其他方式加以实现，在此不再赘述。
典型的，采用2元模型对目标兴趣点的名称进行滑窗切词，并根据设定选择策略选择切词后得到的分词作为目标兴趣点对应的查询词，从而使查询词的粒度更小。示例性地，设定选择策略可以是选择位置位于目标兴趣点的名称中靠前位置的分词，例如前20％。
举例说明，对“泰山风景名胜区”采用2-gram模型切词后，得到分词“泰山”、“山风”、“风景”、“景名”、“名胜”和“胜区”，选择位于前20％的“泰山”作为查询词。
在本申请实施例的一种可选实施方式中，根据至少一个查询词，获取至少一个视频，可以是：将所述至少一个查询词分别输入视频检索服务器，获得所述视频检索服务器返回的至少一个视频。
示例性地，电子设备将获取到的至少一个查询词输入至视频检索服务器；视频检索服务器确定出与查询词对应的至少一个视频，并将所确定的视频反馈至电子设备。
可选的，视频检索服务器在基于查询词进行视频确定时，可以预先通过大量的历史视频和与历史视频对应的历史查询词，作为训练样本，输入至预设模型进行模型训练，并得到训练好的视频检索模型；然后，基于该视频检索模型确定与查询词对应的至少一个视频。
当然，视频检索服务器还可以基于现有技术的其他方式，基于查询词进行视频确定，本申请实施例对此不再赘述。
S102、对于各所述视频，确定所述视频与目标兴趣点之间的相关度值。
在本申请实施例的一种可选实施方式中，确定视频与目标兴趣点之间的相关度值，可以是：确定所述视频对应的行政区划信息、以及所述目标兴趣点对应的行政区划信息；将所述视频对应的行政区划信息与所述目标兴趣点对应的行政区划信息进行比对，根据比对结果确定所述视频与所述目标兴趣点之间的相关度值。
示例性地，确定视频对应的行政区划信息，可以是：根据所述视频的标题，确定所述视频对应的行政区划信息。
具体的，对视频的标题进行解析，并结合坐标推算的方式，根据解析结果确定视频对应的行政区划信息。例如，视频标题为“平顶山市白鹭洲国家湿地公园”，通过解析得到“平顶山市”为视频对应的行政区划信息。
示例性地，确定视频对应的行政区划信息，可以是：根据所述视频的拍摄位置，确定所述视频对应的行政区划信息。
具体的，根据视频的拍摄位置，采用反坐标推算的方式，确定视频的行政区划信息。
可以理解的是，当视频对应的行政区划信息与目标兴趣点对应的行政区划信息相一致时，则表明视频与目标兴趣点之间相关度值为第一相关度值，表征两者相关；当视频对应的行政区划信息与目标兴趣点对应的行政区划信息不一致时，则表明食品与目标兴趣点之间的相关度值为第二相关度值，表征两者不相关。其中，第一相关度值与第二相关度值不同。例如第一相关度值为1，第二相关度值为0。
其中，行政区划信息相一致，可以是两行政区划边界之间的最短距离小于设定距离阈值。其中，设定距离阈值可以由技术人员根据需要或经验值进行确定，典型的，当视频对应的行政区划信息与目标兴趣点对应的行政区划信息完全相同，或者两行政区划的边界相邻，则确定两行政区划信息相一致。
在本申请实施例的另一可选实施方式中，确定所述视频与所述目标兴趣点之间的相关度值，包括：从所述视频的标题中提取出兴趣点名称；计算提取出的所述兴趣点名称与所述目标兴趣点的名称之间的语义相似度；根据所述语义相似度确定所述视频与所述目标兴趣点之间的相关度值。
示例性地，可以根据预先训练的网络模型，确定提取出的兴趣点名称与目标兴趣点的名称之间的语义相似度。其中，预先训练的网络模型用于获取两个字符串之间的语义相似度，该网络模型可以是神经网络模型或其他机器学习模型等，通过将提取出的兴趣点名称与目标兴趣点的名称输入至该预先训练的网络模型中，即可得到两名称之间的语义相似度。示例性地，根据语义相似度确定视频与目标兴趣点之间的相关度值，可以是当提取出的兴趣点名称与目标兴趣点的名称的语义相似度大于设定相似度阈值，则确定视频与目标兴趣点之间的相关度值为第一相关度值，表征两者相关；当提取出的兴趣点名称与目标兴趣点的名称的语义相似度不大于设定相似度阈值，则确定视频与目标兴趣点之间的相关度值为第二相关度值，表征两者不相关。其中，语义相似度可以用0～1之间的数值量化表示；设定相似度阈值由技术人员根据需要或经验值进行设定。其中，第一相关度值与第二相关度值不同。例如第一相关度值为1，第二相关度值为0。
举例说明，若视频标题为“泰湖国家湿地公园广场舞”，从视频的标题中提取出的兴趣点名称为“泰湖国家湿地公园”，若目标兴趣点的名称为“广州海珠国家湿地公园”，确定出两者语义相似度为30％，而设定相似度阈值为65％，由于30％＜65％，所以“泰湖国家湿地公园”与“广州海珠国家湿地公园”的相关度值为第二相关度值，表征两者不相关，相应的，标题为“泰湖国家湿地公园广场舞”的视频与“广州海珠国家湿地公园”这一目标兴趣点也不相关。
S103、根据所述相关度值，建立视频与所述目标兴趣点的关联关系。
示例性地，根据相关度值对视频进行筛选，建立筛选出的视频与目标兴趣点之间的关联关系。
具体的，筛选出相关度值为第一相关度值的视频，并建立筛选出的视频与目标兴趣点之间的关联关系。
本申请实施例通过获取至少一个视频；对于各视频，确定视频与目标兴趣点之间的相关度值；根据相关度值建立视频与目标兴趣点的关联关系。上述技术方案通过确定各视频与目标兴趣点之间的相关度值，并根据相关度值建立视频与目标兴趣点之间的关联关系，从而实现了关联关系的自动建立，并且根据相关度值建立关联关系，有效提升了关联关系构建结果的准确度
在上述各实施例的技术方案的基础上，在建立筛选出的视频与目标兴趣点的关联关系之后，还可以获取目标兴趣点对应的至少一个查询词，并根据该关联关系确定与该查询词对应的至少一个视频；向查询用户推荐所确定的至少一个视频。
可以理解的是，由于所建立的视频与目标兴趣点的关联关系的匹配度和准确定更高，因此在基于该关联关系向用户推荐视频时，能够提高所推荐视频与用户需求之间的匹配度，进而提升了视频分发量和点击量。
示例性地，在用户通过电子地图进行兴趣点查询的场景下，通过在电子地图中挂接所确定的视频，在丰富地图富内容的同时，有效提升了地图富内容的分发量和点击量。
实施例二
图2A是本申请实施例二中的一种视频与兴趣点关联关系构建方法的流程图，本申请实施例在上述各实施例的技术方案的基础上，进行了优化改进。
进一步地，将操作“确定所述视频与所述目标兴趣点之间的相关度值”细化为“使用基于注意力机制的相关性模型，确定所述视频与所述目标兴趣点之间的相关度值”，以完善相关度值确定机制。
如图2A所示的一种视频与兴趣点关联关系构建方法，包括：
S201、获取至少一个视频。
S202、对于各视频，使用基于注意力机制的相关性模型，确定所述视频与所述目标兴趣点之间的相关度值。
参见图2B所示的一种基于注意力机制的相关性模型的结构示意图。
其中，基于注意力机制的相关性模型包括自注意力(Self Attention)单元和多头注意力(Multi-head Attention)单元。
其中，自注意力单元，用于获取所述目标兴趣点的名称的第一特征向量，以及获取所述视频的标题的第二特征向量；多头注意力单元，用于获取所述第一特征向量和所述第二特征向量之间的相互作用关系向量；相关性确定单元，用于根据所述相互作用关系向量，确定所述目标兴趣点的名称与所述视频的标题的相似度，并根据所述相似度确定所述视频与所述目标兴趣点之间的相关度值。
示例性地，根据相似度确定视频与目标兴趣点之间的相关度值，可以是，若相似度大于设定相似度阈值，则确定视频与目标兴趣点之间的相关度值为第一相关度值，表征两者相关；若相似度不大于设定相似度阈值，则确定视频与目标兴趣点之间的相关度值为第二相关度值，表征两者不相关。其中，第一相关度值与第二相关度值不同。例如，第一相关度值为1，第二相关度值为0。其中，设定相似度阈值由技术人员根据需要或经验值进行确定，或者通过反复试验进行确定。例如，可以是65％。
其中，第一特征向量，用于表征目标兴趣点的名称中每个字或词的上下文信息，也即目标兴趣点的名称中每个字或词与其他字或词之间的依赖；第二特征向量，用于表征视频的标题中每个字或词的上下文信息，也即视频的标题中每个字或词与其他字或词之间的依赖。
为了保证第一特征向量和第二特征向量的有效获取，在相关性模型中，在自注意力单元进行特征向量获取之前，还设置有嵌入层，用于分别对目标兴趣点的名称和视频的标题进行向量编码，以得到向量形式表示的目标兴趣点的名称和视频的标题。将编码后的目标兴趣点的名称和视频的标题输入至自注意力单元，以获取各编码后的向量中的特征向量。
示例性地，自注意力单元包括卷积层、自注意力层和全连接层；其中，卷积层用于分别对向量编码后的目标兴趣点的名称和视频的标题进行特征提取；自注意力层用于对卷积层输出的特征向量引入权重向量，以根据各特征的重要程度对各特征的特征值进行调整；全连接层用于对自注意力层输出的各特征的特征值进行排列组合。
为了消除量纲的影响，进而提高最终相关性确定结果的准确度，在自注意力层和全连接层之后，还设置有归一化层，用于对前一层输出的向量进行归一化，以及负责训练过程的残差连接。
可以理解的是，为了增强第一特征向量与目标兴趣点的名称的匹配度，在进行第一特征向量获取时，还可以通过至少两个自注意力单元级联的方式，由浅至深逐层对目标兴趣点的名称进行第一特征向量提取。相应的，为了增强第二特征向量与视频标题的匹配度，在进行第二特征向量获取时，可以通过至少两个自注意力单元级联的方式，由浅至深逐层对视频标题进行第二特征向量提取。
示例性地，相关性确定单元，可以通过二分类模型加以实现，例如可以采用Softmax函数对相互作用关系向量进行二分类，得到目标兴趣点的名称和视频的标题之间是否相似，并通过概率值的方式描述两者之间的相似度，从而基于该相似度得到相关或不相关的相关性分类结果，进而根据该分类结果进行后续的视频筛选和关联关系建立。
可以理解的是，为了进一步提高自注意力单元所获取的第一特征向量与目标兴趣点的名称之间的匹配度，以及第二特征向量与视频的标题之间的匹配度，在嵌入层和卷积层之间还可以设置有门控线性单元(图中未示出)，用于有效降低梯度弥散，并保留非线性能力。
需要说明的是，由于第一特征向量对第二特征向量的相互作用关系向量，与第二特征向量对第一特征向量的相互作用关系向量，可能存在正反不一致的情况。为了能够充分考量第一特征向量与第二特征向量两者之间的相互作用关系，在上述各实施例的技术方案的技术上，还可以通过设置至少两个多头注意力单元，分别确定第一特征向量对第二特征向量的相互作用关系向量，以及第二特征向量对第一特征向量的相互作用关系向量，并根据两个相互作用关系向量，综合确定目标兴趣点的名称与视频的标题的相似度。
以图2C所示的另一种基于注意力机制的相关性模型为例，进行示例性说明。其中，相关性模型包括相互对称的第一子网络和第二子网络，其中第一子网络包括第一自注意力单元和第一多头注意力单元，第二子网络包括第二自注意力单元和第二多头注意力单元。
相应的，通过第一自注意力单元，获取所述目标兴趣点的名称的第一特征向量；通过第二自注意力单元，获取所述视频的标题的第二特征向量；
可以理解的是，为了增强第一特征向量与目标兴趣点的名称的匹配度，在进行第一特征向量获取时，还可以通过至少两个第一自注意力单元级联的方式，由浅至深逐层对目标兴趣点的名称进行第一特征向量提取。为了增强第二特征向量与视频标题的匹配度，在进行第二特征向量获取时，可以通过至少两个第二自注意力单元级联的方式，由浅至深逐层对视频标题进行第二特征向量提取。
相应的，通过第一多头注意力单元，获取所述第二特征向量对所述第一特征向量的相互作用关系向量；通过第二多头注意力单元，获取所述第一特征向量对所述第二特征向量的相互作用关系向量。
可以理解的是，为了充分考虑不同相互作用关系向量对相似度带来的影响，还需要在相关性模型中设置一拼接单元，用于第一多头注意力单元输出的相互作用关系向量和第二多头注意力单元输出的相互作用关系向量进行拼接，并将拼接后的相互作用关系向量输入至相关性确定单元，以使相关性确定单元，根据所述拼接后的相互作用关系向量，确定所述目标兴趣点的名称与所述视频的标题的相似度，并根据所述相似度确定所述视频与所述目标兴趣点之间的相关度值。
在本申请实施例的另一可选实施方式中，在使用基于注意力机制的相关性模型，确定所述视频与所述目标兴趣点之间的相关度值之前，还可以进行训练数据的获取，并基于所获取的训练数据对预先设定的相关性模型进行模型训练。
其中，训练数据中的训练样本可以是：人工标注具备关联关系的兴趣点名称与视频标题所构成的正例样本对，以及人工标注不具备关联关系的兴趣点名称与视频标题所构成的负例样本对。举例说明，兴趣点名称为“古漪园”与视频标题为“上海嘉定古漪园游园晚会上的皮影艺术表演”所构成的样本对为正例样本对；兴趣点名称为“北京野生动物园”与视频标题为“野生动物园”所构成的样本对为负例样本对。
S203、根据所述相关度值，建立视频与所述目标兴趣点的关联关系。
本申请实施例通过将确定所述视频与所述目标兴趣点之间的相关性的操作，细化为使用基于注意力机制的相关性模型，确定视频与目标兴趣点之间的相关度值，从而进一步丰富和完善了视频与目标兴趣点之间的相关度值确定机制。
实施例三
图3是本申请实施例三中的一种视频与兴趣点关联关系构建装置的结构图，本申请实施例适用于在基于电子地图中的目标兴趣点进行视频推送之前，构建目标兴趣点和待推送视频的关联关系的情况。该方法由视频与兴趣点关联关系构建装置执行，该装置通过软件和/或硬件实现，并具体配置于电子设备中。
如图3所示的一种视频与兴趣点关联关系构建装置300，包括：视频获取模块301、相关度值确定模块302和关联关系构建模块303。其中，
视频获取模块301，用于获取至少一个视频；
相关度值确定模块302，用于对于各所述视频，确定所述视频与目标兴趣点之间的相关度值；
关联关系构建模块303，用于根据所述相关度值，建立视频与所述目标兴趣点的关联关系。
本申请实施例通过视频获取模块获取至少一个视频；通过相关度值确定模块对于各视频，确定视频与目标兴趣点之间的相关度值；通过关联关系构建模块根据相关度值建立视频与目标兴趣点的关联关系。上述技术方案通过确定各视频与目标兴趣点之间的相关度值，并根据相关度值建立视频与目标兴趣点之间的关联关系，从而实现了关联关系的自动建立，并且根据相关度值建立关联关系，有效提升了关联关系构建结果的准确度进一步地，视频获取模块301，具体用于：
根据目标兴趣点对应的至少一个查询词，获取至少一个视频。
进一步地，该装置还包括，查询词确定模块，用于执行以下操作中的至少一个：
获取目标兴趣点的至少一个名称，将各所述名称作为所述目标兴趣点对应的查询词；
根据预设兴趣点关系树，确定目标兴趣点的子节点对应的兴趣点的名称，作为所述目标兴趣点对应的查询词；
将目标兴趣点的名称进行切词，将切词后得到的分词作为所述目标兴趣点对应的查询词。
进一步地，相关性确定模块303，用于：
使用基于注意力机制的相关性模型，确定所述视频与所述目标兴趣点之间的相关度值。
进一步地，所述相关性模型包括自注意力单元和多头注意力单元；
相应的，相关性确定模块303，在执行所述使用基于注意力机制的相关性模型，确定所述视频与所述目标兴趣点之间的相关度值时，具体用于：
通过所述自注意力单元，获取所述目标兴趣点的名称的第一特征向量、以及所述视频的标题的第二特征向量；
通过所述多头注意力单元，获取所述第一特征向量和所述第二特征向量之间的相互作用关系向量；
根据所述相互作用关系向量，确定所述目标兴趣点的名称与所述视频的标题的相似度，根据所述相似度确定所述视频与所述目标兴趣点之间的相关度值。
进一步地，所述相关性模型包括相互对称的第一子网络和第二子网络，其中第一子网络包括第一自注意力单元和第一多头注意力单元，第二子网络包括第二自注意力单元和第二多头注意力单元；
相应的，相关性确定模块303，在执行通过所述自注意力单元，获取所述目标兴趣点的名称的第一特征向量、以及所述视频的标题的第二特征向量时，具体用于：
通过第一自注意力单元，获取所述目标兴趣点的名称的第一特征向量；通过第二自注意力单元，获取所述视频的标题的第二特征向量；
进一步地，相关性确定模块303，在执行通过所述多头注意力单元，获取所述第一特征向量和所述第二特征向量之间的相互作用关系向量时，具体用于：
通过第一多头注意力单元，获取所述第二特征向量对所述第一特征向量的相互作用关系向量；通过第二多头注意力单元，获取所述第一特征向量对所述第二特征向量的相互作用关系向量；
进一步地，相关性确定模块303，在执行根据所述相互作用关系向量，确定所述目标兴趣点的名称与所述视频的标题的相似度时，具体用于：
对各所述相互作用关系向量进行拼接，得到拼接后的相互作用关系向量；
根据所述拼接后的相互作用关系向量，确定所述目标兴趣点的名称与所述视频的标题的相似度。
进一步地，相关性确定模块303，用于：
确定所述视频对应的行政区划信息、以及所述目标兴趣点对应的行政区划信息；
将所述视频对应的行政区划信息与所述目标兴趣点对应的行政区划信息进行比对，根据比对结果确定所述视频与所述目标兴趣点之间的相关度值。
进一步地，相关性确定模块303，在执行确定所述视频对应的行政区划信息时，具体用于：
根据所述视频的标题和/或拍摄位置，确定所述视频对应的行政区划信息。
进一步地，相关性确定模块303，用于：
从所述视频的标题中提取出兴趣点名称；
计算提取出的所述兴趣点名称与所述目标兴趣点的名称之间的语义相似度；
根据所述语义相似度确定所述视频与所述目标兴趣点之间的相关度值。
上述视频与兴趣点关联关系构建装置可执行本申请任意实施例所提供的视频与兴趣点关联关系构建方法，具备执行视频与兴趣点关联关系构建方法相应的功能模块和有益效果。
实施例四
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4所示，是实现本申请实施例的视频与兴趣点关联关系构建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4所示，该电子设备包括：一个或多个处理器401、存储器402，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4中以一个处理器401为例。
存储器402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与兴趣点关联关系构建方法。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与兴趣点关联关系构建方法。
存储器402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与兴趣点关联关系构建方法对应的程序指令/模块(例如，附图3所示的视频获取模块301、相关度值确定模块302和关联关系构建模块303)。处理器401通过运行存储在存储器402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与兴趣点关联关系构建方法。
存储器402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；存储数据区可存储实现视频与兴趣点关联关系构建方法的电子设备的使用所创建的数据等。此外，存储器402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402可选包括相对于处理器401远程设置的存储器，这些远程存储器可以通过网络连接至实现视频与兴趣点关联关系构建方法的电子设备。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。
实现视频与兴趣点关联关系构建方法的电子设备还可以包括：输入装置403和输出装置404。处理器401、存储器402、输入装置403和输出装置404可以通过总线或者其他方式连接，图4中以通过总线连接为例。
输入装置403可接收输入的数字或字符信息，以及产生与实现视频与兴趣点关联关系构建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404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)、互联网和区块链网络。
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。
本申请实施例通过获取至少一个视频；对于各视频，确定视频与目标兴趣点之间的相关度值；根据相关度值建立视频与目标兴趣点的关联关系。上述技术方案通过确定各视频与目标兴趣点之间的相关度值，并根据相关度值建立视频与目标兴趣点之间的关联关系，从而实现了关联关系的自动建立，并且根据相关度值建立关联关系，有效提升了关联关系构建结果的准确度
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 (12)
1.一种视频与兴趣点关联关系构建方法，其特征在于，包括：
获取至少一个视频；
对于各所述视频，确定所述视频与目标兴趣点之间的相关度值；
根据所述相关度值，建立视频与所述目标兴趣点的关联关系。
2.根据权利要求1所述的方法，其特征在于，获取至少一个视频，包括：
根据目标兴趣点对应的至少一个查询词，获取至少一个视频。
3.根据权利要求2所述的方法，其特征在于，所述查询词采用如下至少一种方式确定：
获取目标兴趣点的至少一个名称，将各所述名称作为所述目标兴趣点对应的查询词；
根据预设兴趣点关系树，确定目标兴趣点的子节点对应的兴趣点的名称，作为所述目标兴趣点对应的查询词；
将目标兴趣点的名称进行切词，将切词后得到的分词作为所述目标兴趣点对应的查询词。
4.根据权利要求1-3任一项所述的方法，其特征在于，确定所述视频与目标兴趣点之间的相关度值，包括：
使用基于注意力机制的相关性模型，确定所述视频与所述目标兴趣点之间的相关度值。
5.根据权利要求4所述的方法，其特征在于，所述相关性模型包括自注意力单元和多头注意力单元；
所述使用基于注意力机制的相关性模型，确定所述视频与所述目标兴趣点之间的相关度值，包括：
通过所述自注意力单元，获取所述目标兴趣点的名称的第一特征向量、以及所述视频的标题的第二特征向量；
通过所述多头注意力单元，获取所述第一特征向量和所述第二特征向量之间的相互作用关系向量；
根据所述相互作用关系向量，确定所述目标兴趣点的名称与所述视频的标题的相似度，根据所述相似度确定所述视频与所述目标兴趣点之间的相关度值。
6.根据权利要求5所述的方法，其特征在于，所述相关性模型包括相互对称的第一子网络和第二子网络，其中第一子网络包括第一自注意力单元和第一多头注意力单元，第二子网络包括第二自注意力单元和第二多头注意力单元；
通过所述自注意力单元，获取所述目标兴趣点的名称的第一特征向量、以及所述视频的标题的第二特征向量，包括：
通过第一自注意力单元，获取所述目标兴趣点的名称的第一特征向量；通过第二自注意力单元，获取所述视频的标题的第二特征向量；
通过所述多头注意力单元，获取所述第一特征向量和所述第二特征向量之间的相互作用关系向量，包括：
通过第一多头注意力单元，获取所述第二特征向量对所述第一特征向量的相互作用关系向量；通过第二多头注意力单元，获取所述第一特征向量对所述第二特征向量的相互作用关系向量；
根据所述相互作用关系向量，确定所述目标兴趣点的名称与所述视频的标题的相似度，包括：
对各所述相互作用关系向量进行拼接，得到拼接后的相互作用关系向量；
根据所述拼接后的相互作用关系向量，确定所述目标兴趣点的名称与所述视频的标题的相似度。
7.根据权利要求1-3任一项所述的方法，其特征在于，确定所述视频与目标兴趣点之间的相关度值，包括：
确定所述视频对应的行政区划信息、以及所述目标兴趣点对应的行政区划信息；
将所述视频对应的行政区划信息与所述目标兴趣点对应的行政区划信息进行比对，根据比对结果确定所述视频与所述目标兴趣点之间的相关度值。
8.根据权利要求7所述的方法，其特征在于，确定所述视频对应的行政区划信息，包括：
根据所述视频的标题和/或拍摄位置，确定所述视频对应的行政区划信息。
9.根据权利要求1-3任一项所述的方法，其特征在于，确定所述视频与所述目标兴趣点之间的相关度值，包括：
从所述视频的标题中提取出兴趣点名称；
计算提取出的所述兴趣点名称与所述目标兴趣点的名称之间的语义相似度；
根据所述语义相似度确定所述视频与所述目标兴趣点之间的相关度值。
10.一种视频与兴趣点关联关系构建装置，其特征在于，包括：
视频获取模块，用于获取至少一个视频；
相关度值确定模块，用于对于各所述视频，确定所述视频与目标兴趣点之间的相关度值；
关联关系构建模块，用于根据所述相关度值，建立视频与所述目标兴趣点的关联关系。
11.一种电子设备，其特征在于，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1-9中任一项所述的一种视频与兴趣点关联关系构建方法。
12.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1-9中任一项所述的一种视频与兴趣点关联关系构建方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010086385.3A CN113254715A (zh) | 2020-02-11 | 2020-02-11 | 视频与兴趣点关联关系构建方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010086385.3A CN113254715A (zh) | 2020-02-11 | 2020-02-11 | 视频与兴趣点关联关系构建方法、装置、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113254715A true CN113254715A (zh) | 2021-08-13 |
Family
ID=77219502
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010086385.3A Pending CN113254715A (zh) | 2020-02-11 | 2020-02-11 | 视频与兴趣点关联关系构建方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113254715A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20150064485A (ko) * | 2013-12-03 | 2015-06-11 | 주식회사 케이티 | Poi 연관 동영상 제공 방법, poi 연관 동영상 재생 방법, 컴퓨팅 장치 및 컴퓨터 판독 가능 매체 |
| CN104794171A (zh) * | 2015-03-31 | 2015-07-22 | 百度在线网络技术（北京）有限公司 | 标记图片地理位置信息的方法及装置 |
| US9179192B1 (en) * | 2012-07-30 | 2015-11-03 | Google Inc. | Associating video content with geographic maps |
| US20160203626A1 (en) * | 2015-01-13 | 2016-07-14 | International Business Machines Corporation | Display of context based animated content in electronic map |
| CN110347776A (zh) * | 2019-07-17 | 2019-10-18 | 北京百度网讯科技有限公司 | 兴趣点名称匹配方法、装置、设备及存储介质 |
| CN110378732A (zh) * | 2019-07-18 | 2019-10-25 | 腾讯科技（深圳）有限公司 | 信息显示方法、信息关联方法、装置、设备及存储介质 |
-
2020
- 2020-02-11 CN CN202010086385.3A patent/CN113254715A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9179192B1 (en) * | 2012-07-30 | 2015-11-03 | Google Inc. | Associating video content with geographic maps |
| KR20150064485A (ko) * | 2013-12-03 | 2015-06-11 | 주식회사 케이티 | Poi 연관 동영상 제공 방법, poi 연관 동영상 재생 방법, 컴퓨팅 장치 및 컴퓨터 판독 가능 매체 |
| US20160203626A1 (en) * | 2015-01-13 | 2016-07-14 | International Business Machines Corporation | Display of context based animated content in electronic map |
| CN104794171A (zh) * | 2015-03-31 | 2015-07-22 | 百度在线网络技术（北京）有限公司 | 标记图片地理位置信息的方法及装置 |
| CN110347776A (zh) * | 2019-07-17 | 2019-10-18 | 北京百度网讯科技有限公司 | 兴趣点名称匹配方法、装置、设备及存储介质 |
| CN110378732A (zh) * | 2019-07-18 | 2019-10-25 | 腾讯科技（深圳）有限公司 | 信息显示方法、信息关联方法、装置、设备及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 杨公义;何山;王肖群;曾腾;: "北京大学公开课信息系统的开发", 软件, no. 05 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7222022B2 (ja) | 情報検索方法、装置、設備、記憶媒体、及びプログラム | |
| CN110955764B (zh) | 场景知识图谱的生成方法、人机对话方法以及相关设备 | |
| US11238097B2 (en) | Method and apparatus for recalling news based on artificial intelligence, device and storage medium | |
| CN111274407B (zh) | 知识图谱中三元组置信度计算方法和装置 | |
| CN111222058B (zh) | 查询自动补全的方法、装置、设备和计算机存储介质 | |
| CN111539224B (zh) | 语义理解模型的剪枝方法、装置、电子设备和存储介质 | |
| CN111832613B (zh) | 模型训练方法、装置、电子设备和存储介质 | |
| CN112115313B (zh) | 正则表达式的生成、数据提取方法、装置、设备及介质 | |
| CN112507091A (zh) | 检索信息的方法、装置、设备以及存储介质 | |
| CN111666292A (zh) | 用于检索地理位置的相似度模型建立方法和装置 | |
| CN113869060A (zh) | 语义数据的处理方法及搜索方法、装置 | |
| CN111680600A (zh) | 人脸识别模型处理方法、装置、设备和存储介质 | |
| CN111563198B (zh) | 一种物料召回方法、装置、设备及存储介质 | |
| CN110543558A (zh) | 问题匹配方法、装置、设备和介质 | |
| CN111090991A (zh) | 场景纠错方法、装置、电子设备和存储介质 | |
| CN111209439A (zh) | 视频片段检索方法、装置、电子设备及存储介质 | |
| CN110851726B (zh) | 兴趣点选择方法、装置以及电子设备 | |
| CN112001265A (zh) | 视频事件识别方法、装置、电子设备及存储介质 | |
| CN111967591A (zh) | 神经网络自动剪枝方法、装置及电子设备 | |
| CN111147940B (zh) | 视频播放方法、装置、计算机设备及介质 | |
| CN111553169B (zh) | 语义理解模型的剪枝方法、装置、电子设备和存储介质 | |
| CN111949820A (zh) | 视频关联兴趣点的处理方法、装置及电子设备 | |
| CN111680599A (zh) | 人脸识别模型处理方法、装置、设备和存储介质 | |
| CN111309872A (zh) | 搜索处理方法、装置及设备 | |
| CN113157829A (zh) | 一种兴趣点名称比对方法、装置、电子设备和存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |