CN113343047A - 数据处理方法、数据检索方法及装置 - Google Patents

数据处理方法、数据检索方法及装置 Download PDF

Info

Publication number
CN113343047A
CN113343047A CN202110682519.2A CN202110682519A CN113343047A CN 113343047 A CN113343047 A CN 113343047A CN 202110682519 A CN202110682519 A CN 202110682519A CN 113343047 A CN113343047 A CN 113343047A
Authority
CN
China
Prior art keywords
feature vector
vector
file
feature
target
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
CN202110682519.2A
Other languages
English (en)
Other versions
CN113343047B (zh
Inventor
陈钦钦
王光远
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 CN202110682519.2A priority Critical patent/CN113343047B/zh
Publication of CN113343047A publication Critical patent/CN113343047A/zh
Application granted granted Critical
Publication of CN113343047B publication Critical patent/CN113343047B/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
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/903—Querying
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/906—Clustering; Classification
    • 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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本公开提供了一种数据处理方法、数据检索方法、装置、设备、存储介质以及程序产品，涉及计算机技术领域，尤其涉及智能搜索技术领域。具体实现方案为：针对多个文件中的每个文件，根据文件的文件特征向量，确定文件的多个融合特征向量；以及对多个文件的融合特征向量进行聚类处理，得到多个特征向量簇，其中，每个特征向量簇与同一个标签相关联；其中，确定文件的多个融合特征向量包括：将文件的文件特征向量输入多个第一神经网络模型，得到多个标签特征向量；以及将文件特征向量分别与多个标签特征向量中的每个标签特征向量进行融合处理，得到多个融合特征向量。

Description

数据处理方法、数据检索方法及装置
技术领域
本公开涉及计算机技术领域，尤其涉及智能搜索技术领域。
背景技术
随着AI技术的广泛普及和应用，以及互联网数据规模的不断增长，向量检索作为传统检索系统的补充，正在逐渐成为AI技术链路中不可或缺的一环。
发明内容
本公开提供了一种数据处理方法、数据检索方法、装置、设备、存储介质以及程序产品。
根据本公开的一方面，提供了一种数据处理方法，包括：针对多个文件中的每个文件，根据所述文件的文件特征向量，确定所述文件的多个融合特征向量；以及对所述多个文件的融合特征向量进行聚类处理，得到多个特征向量簇，其中，每个所述特征向量簇与同一个标签相关联；其中，确定所述文件的多个融合特征向量包括：将所述文件的文件特征向量输入多个第一神经网络模型，得到多个标签特征向量，其中，所述每个第一神经网络模型对应于一个标签，所述标签特征向量用于表示所述文件与所述标签之间的相关程度；以及将所述文件特征向量分别与所述多个标签特征向量中的每个标签特征向量进行融合处理，得到多个融合特征向量。
根据本公开的另一方面，提供了一种数据检索方法，包括：根据检索请求，确定目标向量，其中，所述目标向量包括目标标签的特征信息；确定多个特征向量簇中与所述目标标签对应的目标特征向量簇；分别计算所述目标向量与所述目标特征向量簇中每个融合特征向量之间的空间距离；以及确定所述目标特征向量簇中空间距离小于第一距离阈值的目标融合特征向量，作为所述检索结果；其中，所述多个特征向量簇是利用根据本公开实施例所示的方法确定的。
根据本公开的另一方面，提供了一种数据处理装置，包括：确定模块，用于针对多个文件中的每个文件，根据所述文件的文件特征向量，确定所述文件的多个融合特征向量；以及聚类模块，用于对所述多个文件的融合特征向量进行聚类处理，得到多个特征向量簇，其中，每个特征向量簇与同一个标签相关联；其中，确定模块包括：输入子模块，用于将所述文件的文件特征向量输入多个第一神经网络模型，得到多个标签特征向量，其中，所述每个第一神经网络模型对应于一个标签，所述标签特征向量用于表示所述文件与所述标签之间的相关程度；以及融合子模块，用于将所述文件特征向量分别与所述多个标签特征向量中的每个标签特征向量进行融合处理，得到多个融合特征向量。
根据本公开的另一方面，提供了一种数据检索装置，包括：第一确定模块，用于根据检索请求，确定目标向量，其中，所述目标向量包括目标标签的特征信息；第二确定模块，用于确定多个特征向量簇中与所述目标标签对应的目标特征向量簇；计算模块，用于分别计算所述目标向量与所述目标特征向量簇中每个融合特征向量之间的空间距离；以及第三确定模块，用于确定所述目标特征向量簇中空间距离小于第一距离阈值的目标融合特征向量，作为所述检索结果；其中，所述多个特征向量簇是利用根据本公开实施例所示的方法确定的。
本公开的另一个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本公开实施例所示的方法。
根据本公开实施例的另一方面，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，其中，所述计算机指令用于使所述计算机执行本公开实施例所示的方法。
根据本公开实施例的另一方面，提供了一种计算机程序产品，计算机程序，所述计算机程序在被处理器执行时实现本公开实施例所示的方法。
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，不构成对本公开的限定。其中：
图1示意性示出了根据本公开实施例的数据处理方法的流程图；
图2示意性示出了根据本公开实施例的确定文件的多个融合特征向量的方法的流程图；
图3示意性示出了根据本公开的实施例的数据检索方法的流程图；
图4示意性示出了根据本公开的实施例的数据检索的示意图；
图5示意性示出了根据本公开实施例的数据处理装置的示意性框图；
图6示意性示出了根据本公开实施例的确定模块的示意性框图；
图7示意性示出了根据本公开实施例的数据检索装置的示意性框图；以及
图8示出了可以用来实施本公开的实施例的示例电子设备的示意性框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开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，而不会背离本公开的范围和精神。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。
下面对根据本公开实施例的数据处理做进一步说明。
图1示意性示出了根据本公开实施例的数据处理方法的流程图。
如图1所示，该数据处理方法100包括操作S110～S120。
在操作S110，针对多个文件中的每个文件，根据文件的文件特征向量，确定文件的多个融合特征向量。
根据本公开的实施例，文件例如可以包括文本、图片、语音、视频等等。文件特征向量可以用于表示文件的特征。示例性地，本实施例中，可以利用神经网络模型来提取文件的文件特征向量。融合特征向量例如可以为融合了文件特征和特定标签特征的特征向量。
然后，在操作S120，对多个文件的融合特征向量进行聚类处理，得到多个特征向量簇。
根据本公开的实施例，每个特征向量簇与同一个标签相关联。通过聚类处理，可以将多个文件的融合特征向量中与相同标签关联的融合特征向量划分至同一个特征向量簇中。根据本公开的实施例，每个特征向量簇可以包括至少一个中心向量。对于每个特征向量簇，可以确定该特征向量簇中的任意一个或多个融合特征向量作为中心向量。
根据本公开的另一些实施例，在得到多个特征向量簇的基础上，还可以针对每个特征向量簇进一步聚类处理，将每个特征向量簇划分为一个或多个子簇，并确定每个子簇的中心向量。本公开对聚类处理的次数不作具体限定。
下面对根据本公开实施例的确定文件的多个融合特征向量的方法做进一步说明。
图2示意性示出了根据本公开实施例的确定文件的多个融合特征向量的方法的流程图。
如图2所示，该确定文件的多个融合特征向量的方法210包括操作S211～S212。
在操作S211，将文件的文件特征向量输入多个第一神经网络模型，得到多个标签特征向量。
根据本公开的实施例，每个第一神经网络模型对应于一个标签，第一神经网络模型可以用于确定输入该第一神经网络模型的向量与该第一神经网络模型所对应的标签之间的相关程度。即标签特征向量可以用于表示文件与标签之间的相关程度。
然后，在操作S212，将文件特征向量分别与多个标签特征向量中的每个标签特征向量进行融合处理，得到多个融合特征向量。
根据本公开的实施例，可以根据文件特征向量和文件特征向量的权重，确定第一加权特征向量。根据标签特征向量和标签特征向量的权重，确定第二加权特征向量。将第一特征向量和第二特征向量进行拼接，得到融合特征向量。在标签数量较少的情况下，上述利用加权拼接确定融合特征向量的方式的融合效果和效率较好。
例如，文件特征向量
Figure BDA0003121488060000051
是384维单精度浮点数特征，即
Figure BDA0003121488060000052
标签特征向量
Figure BDA0003121488060000053
是1维单精度浮点数特征，即
Figure BDA0003121488060000054
对
Figure BDA0003121488060000055
进行加权，得到
Figure BDA0003121488060000056
对
Figure BDA0003121488060000057
进行加权，得到
Figure BDA0003121488060000058
然后，对加权后的
Figure BDA0003121488060000059
知
Figure BDA00031214880600000510
进行拼接，得到新向量
Figure BDA00031214880600000511
其中，a，b均为系数，例如可以为实验得到的经验值，也可以利用神经网络模型来确定。示例性地，本实施例中，可以设a＝1，然后通过实验确定b*y的值，从而获取b的值。
根据本公开另一实施例，可以根据文件特征向量和文件特征向量的权重，确定第一加权特征向量。根据标签特征向量和标签特征向量的权重，确定第二加权特征向量。将第一特征向量和第二特征向量进行求和，得到融合特征向量。需要说明的是，在文件特征向量和标签特征向量的维度不同时，为了能进行向量间的求和操作，可以先将两者的维度拉平到同一个维度，再将两者包含的元素分别进行求和。
例如，文件特征向量
Figure BDA00031214880600000512
是384维单精度浮点数特征，即
Figure BDA00031214880600000513
标签特征向量
Figure BDA00031214880600000514
是384维单精度浮点数特征，即
Figure BDA00031214880600000515
对
Figure BDA00031214880600000516
进行加权，得到
Figure BDA00031214880600000517
对
Figure BDA00031214880600000518
进行加权，得到
Figure BDA00031214880600000519
Figure BDA00031214880600000520
然后，对加权后的
Figure BDA00031214880600000521
和
Figure BDA00031214880600000522
进行求和，得到新向量
Figure BDA00031214880600000523
Figure BDA00031214880600000524
其中，a，b均为系数，例如可以为实验得到的经验值，也可以利用神经网络模型来确定。
根据本公开另一实施例，可以针对至少一个标签特征向量中的每个标签特征向量，将文件特征向量与标签特征向量输入第二神经网络模型，得到融合特征向量。其中，第二神经网络用于融合文件特征向量与标签特征向量中包含的特征信息。在标签维度较为复杂时，上述利用第二神经网络模型确定融合特征向量的方式部署成本较低，且迭代效率较高。
根据本公开的实施例，将文件的文件特征向量与对应的标签特征向量进行融合，得到融合特征向量。由于融合特征向量包含标签信息，因此在对融合特征进行检索时，有更大概率召回与检索请求相关度高的融合特征向量，从而可以提高检索效率和准确性。
在需要对与某个标签或标签组合相关的文件(例如图片、视频等)进行检索(也称为“带条件的向量检索”)，相关技术需要将传统的布尔检索和向量检索的召回结果合二为一。根据本公开的实施例，通过将文件的文件特征向量与对应的标签特征向量进行融合，得到融合特征向量。在进行带条件的向量检索时，可以仅利用原有的向量检索系统即可对融合特征向量进行检索，不需要额外改造原有的向量检索系统，从而可以节省成本，实现快速迭代。
图3示意性示出了根据本公开的实施例的数据检索方法的流程图。
如图3所示，该数据检索方法包括操作S310～S340。
在操作S310，根据检索请求，确定目标向量。
根据本公开的实施例，检索请求例如可以包括对检索目标的描述信息，例如用于描述检索目标的字符或字符串等。目标向量包括目标标签的特征信息。
根据本公开的实施例，可以提取检索请求的特征，得到检索特征向量。然后确定与检索请求对应的目标标签，将检索特征向量和目标标签进行融合，得到目标向量。示例性地，本实施例中，可以利用神经网络模型提取检索请求的特征。
然后，在操作S320，确定多个特征向量簇中与目标标签对应的目标特征向量簇。
根据本公开的实施例，多个特征向量簇中的每个特征向量簇与一个标签对应。示例性地，本实施例中，多个特征向量簇可以利用根据上文所示的数据处理方法确定。
根据本公开的实施例，可以获取多个特征向量簇的中心向量。针对多个中心向量中的每个中心向量，计算目标向量与中心向量之间的空间距离。确定多个中心向量中空间距离小于第二预设阈值的目标中心向量，并确定与目标中心向量对应的特征向量簇作为目标特征向量簇。其中，第二预设阈值可以根据实际需要进行设置。第二预设阈值被设置得越大，则确定的目标特征向量簇的数量越多。
在操作S330，分别计算目标向量与目标特征向量簇中每个融合特征向量之间的空间距离。
在操作S340，确定目标特征向量簇中空间距离小于第一距离阈值的目标融合特征向量，作为检索结果。
根据本公开的实施例，第一距离阈值可以根据实际需要进行设置。第一预设阈值被设置得越大，则确定的目标融合特征向量的数量越多，即检索结果的数量越多。
根据本公开的实施例，由于融合特征向量包含标签信息，因此在对融合特征向量进行检索时，有更大概率召回与检索请求相关度高的融合特征向量，从而可以提高检索的效率和准确性。
下面参考图4，结合具体实施例对上文所示的方法做进一步说明。本领域技术人员可以理解，以下示例实施例仅用于理解本公开，本公开并不局限于此。
本实施例中，预先配置有j个标签(tag)以及与每个标签对应的标签特征。其中，j为正整数，j的取值可以根据实际需要确定。示例性地，本实施例中，以
Figure BDA0003121488060000071
来表示标签特征。根据本公开的实施例，可以将这些标签和标签特征存储在标签系统(tag system)中。
图4示意性示出了根据本公开的实施例的数据检索的示意图。
如图4所示，在执行数据处理操作410的过程中，针对每个文件(例如图片、文档、网页等)，提取文件特征411，得到每个文件的文件特征向量(Old Doc Embedding)
Figure BDA0003121488060000072
然后获取标签412。本实施例中，获取j个标签特征
Figure BDA0003121488060000073
分别将文件的文件特征向量
Figure BDA0003121488060000074
与每个标签特征
Figure BDA0003121488060000075
进行特征融合413，得到j个新的融合特征
Figure BDA0003121488060000076
(New Doc Embedding)。根据本公开的实施例，特征融合的方式可以有多种，例如可以包括加权拼接、加权求和及利用神经网络模型对待融合的向量进行特征重训等。接着建立索引414。本实施例中，每个
Figure BDA0003121488060000077
与该文件之间的索引，并将该索引存储至索引库43中。在对所有文件生成对应的
Figure BDA0003121488060000078
之后，可以所有
Figure BDA0003121488060000079
进行聚合处理，生成j个特征向量特征簇，分别对应于j个标签中的每个标签。
根据本公开的实施例，通过特征融合的方式对整个数据空间进行重新调整，在进行带条件的查询时，可以更大概率的将带标签的索引召回。
在接收到检索请求(query)42时，针对query执行数据检索操作420。提取query的query特征(Query Embedding)421，接下来，确定与query对应的目标标签，并从检索库43中获取与该目标标签对应的特征向量特征簇，然后执行ANN(Approximate NearestNeighbor，近似最近邻)操作422。ANN操作422例如可以包括分别计算query特征与该特征向量特征簇中每个
Figure BDA0003121488060000081
之间的空间距离，召回该特征向量特征簇中空间距离最近的前k个
Figure BDA0003121488060000082
其中，k为正整数，k的取值可以根据实际需要确定。
根据本公开的实施例，在召回k个
Figure BDA0003121488060000083
之后，还可以进一步根据召回的k个
Figure BDA0003121488060000084
和索引，确定与该k个
Figure BDA0003121488060000085
对应的文件的文件标识。
图5示意性示出了根据本公开实施例的数据处理装置的示意性框图。
如图5所示，该数据处理装置500可以包括确定模块510和聚类模块520。
确定模块510，可以用于针对多个文件中的每个文件，根据文件的文件特征向量，确定文件的多个融合特征向量。
聚类模块520，可以用于对多个文件的融合特征向量进行聚类处理，得到多个特征向量簇。其中，每个特征向量簇与同一个标签相关联。
图6示意性示出了根据本公开实施例的确定模块的示意性框图。
如图6所示，该确定模块610可以包括输入子模块611和融合子模块612。
输入子模块611，可以用于将文件的文件特征向量输入多个第一神经网络模型，得到多个标签特征向量，其中，每个第一神经网络模型对应于一个标签，标签特征向量用于表示文件与标签之间的相关程度。
融合子模块612，可以用于将文件特征向量分别与多个标签特征向量中的每个标签特征向量进行融合处理，得到多个融合特征向量。
需要说明的是，本公开的技术方案中，所涉及的用户个人信息的获取、存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。
图7示意性示出了根据本公开实施例的数据检索装置的示意性框图。
如图7所示，该数据检索装置700可以包括第一确定模块710、第二确定模块720、计算模块730和第三确定模块740。
第一确定模块710，可以用于根据检索请求，确定目标向量。其中，目标向量包括目标标签的特征信息。
第二确定模块720，可以用于确定多个特征向量簇中与目标标签对应的目标特征向量簇。
计算模块730，可以用于分别计算目标向量与目标特征向量簇中每个融合特征向量之间的空间距离。
第三确定模块740，可以用于确定目标特征向量簇中空间距离小于第一距离阈值的目标融合特征向量，作为检索结果。
其中，多个特征向量簇是利用根据本公开实施例所示的方法确定的。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图8示出了可以用来实施本公开的实施例的示例电子设备800的示意性框图。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/或者要求的本公开的实现。
如图8所示，设备800包括计算单元801，其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序，来执行各种适当的动作和处理。在RAM 803中，还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
设备800中的多个部件连接至I/O接口805，包括：输入单元806，例如键盘、鼠标等；输出单元807，例如各种类型的显示器、扬声器等；存储单元808，例如磁盘、光盘等；以及通信单元809，例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理，例如数据处理方法和和/或数据检索方法。例如，在一些实施例中，数据处理方法和和/或数据检索方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元808。在一些实施例中，计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时，可以执行上文描述的数据处理方法和和/或数据检索方法的一个或多个步骤。备选地，在其他实施例中，计算单元801可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行数据处理方法和/或数据检索方法。
本文中以上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、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、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。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
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。
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，本发公开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，只要能够实现本公开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，并不构成对本公开保护范围的限制。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。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (12)

1.一种数据处理方法，包括：
针对多个文件中的每个文件，根据所述文件的文件特征向量，确定所述文件的多个融合特征向量；以及
对所述多个文件的融合特征向量进行聚类处理，得到多个特征向量簇，其中，每个所述特征向量簇与同一个标签相关联；
其中，确定所述文件的多个融合特征向量包括：
将所述文件的文件特征向量输入多个第一神经网络模型，得到多个标签特征向量，其中，所述每个第一神经网络模型对应于一个标签，所述标签特征向量用于表示所述文件与所述标签之间的相关程度；以及
将所述文件特征向量分别与所述多个标签特征向量中的每个标签特征向量进行融合处理，得到多个融合特征向量。
2.根据权利要求1所述的方法，其中，所述将文件特征向量分别与所述多个标签特征向量中的每个标签特征向量进行融合处理，得到多个融合特征向量，包括：
根据所述文件特征向量和所述文件特征向量的权重，确定第一加权特征向量；
根据所述标签特征向量和所述标签特征向量的权重，确定第二加权特征向量；以及
将所述第一特征向量和第二特征向量进行拼接，得到所述融合特征向量。
3.根据权利要求1所述的方法，其中，所述将文件特征向量分别与所述多个标签特征向量中的每个标签特征向量进行融合处理，得到多个融合特征向量，包括：
根据所述文件特征向量和所述文件特征向量的权重，确定第一加权特征向量；
根据所述标签特征向量和所述标签特征向量的权重，确定第二加权特征向量；以及
将所述第一特征向量和第二特征向量进行求和，得到所述融合特征向量。
4.根据权利要求1所述的方法，其中，所述将文件特征向量分别与所述多个标签特征向量中的每个标签特征向量进行融合处理，得到多个融合特征向量，包括：
针对所述至少一个标签特征向量中的每个标签特征向量，将所述文件特征向量与所述标签特征向量输入第二神经网络模型，得到所述融合特征向量，
其中，所述第二神经网络用于融合所述文件特征向量与所述标签特征向量中包含的特征信息。
5.一种数据检索方法，包括：
根据检索请求，确定目标向量，其中，所述目标向量包括目标标签的特征信息；
确定多个特征向量簇中与所述目标标签对应的目标特征向量簇；
分别计算所述目标向量与所述目标特征向量簇中每个融合特征向量之间的空间距离；以及
确定所述目标特征向量簇中空间距离小于第一距离阈值的目标融合特征向量，作为所述检索结果；
其中，所述多个特征向量簇是利用根据权利要求1-4中任一项所述的方法确定的。
6.根据权利要求5所述的方法，其中，所述确定多个特征向量簇中与所述目标标签对应的目标特征向量簇，包括：
获取所述多个特征向量簇的中心向量；
针对所述多个中心向量中的每个中心向量，计算所述目标向量与所述中心向量之间的空间距离；以及
确定所述多个中心向量中所述空间距离小于第二预设阈值的目标中心向量，并确定与所述目标中心向量对应的特征向量簇作为所述目标特征向量簇。
7.根据权利要求5所述的方法，其中，所述根据检索请求，确定目标向量，包括：
提取所述检索请求的特征，得到检索特征向量；
确定与所述检索请求对应的目标标签；以及
将所述检索特征向量和所述目标标签进行融合，得到目标向量。
8.一种数据处理装置，包括：
确定模块，用于针对多个文件中的每个文件，根据所述文件的文件特征向量，确定所述文件的多个融合特征向量；以及
聚类模块，用于对所述多个文件的融合特征向量进行聚类处理，得到多个特征向量簇，其中，每个特征向量簇与同一个标签相关联；
其中，确定模块包括：
输入子模块，用于将所述文件的文件特征向量输入多个第一神经网络模型，得到多个标签特征向量，其中，所述每个第一神经网络模型对应于一个标签，所述标签特征向量用于表示所述文件与所述标签之间的相关程度；以及
融合子模块，用于将所述文件特征向量分别与所述多个标签特征向量中的每个标签特征向量进行融合处理，得到多个融合特征向量。
9.一种数据检索装置，包括：
第一确定模块，用于根据检索请求，确定目标向量，其中，所述目标向量包括目标标签的特征信息；
第二确定模块，用于确定多个特征向量簇中与所述目标标签对应的目标特征向量簇；
计算模块，用于分别计算所述目标向量与所述目标特征向量簇中每个融合特征向量之间的空间距离；以及
第三确定模块，用于确定所述目标特征向量簇中空间距离小于第一距离阈值的目标融合特征向量，作为所述检索结果；
其中，所述多个特征向量簇是利用根据权利要求1-4中任一项所述的方法确定的。
10.一种电子设备，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1-7中任一项所述的方法。
11.一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根据权利要求1-7中任一项所述的方法。
12.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-7中任一项所述的方法。
CN202110682519.2A 2021-06-18 2021-06-18 数据处理方法、数据检索方法及装置 Active CN113343047B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110682519.2A CN113343047B (zh) 2021-06-18 2021-06-18 数据处理方法、数据检索方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110682519.2A CN113343047B (zh) 2021-06-18 2021-06-18 数据处理方法、数据检索方法及装置

Publications (2)

Publication Number Publication Date
CN113343047A true CN113343047A (zh) 2021-09-03
CN113343047B CN113343047B (zh) 2024-05-31

Family

ID=77477740

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110682519.2A Active CN113343047B (zh) 2021-06-18 2021-06-18 数据处理方法、数据检索方法及装置

Country Status (1)

Country Link
CN (1) CN113343047B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160217201A1 (en) * 2015-01-28 2016-07-28 International Business Machines Corporation Fusion of cluster labeling algorithms by analyzing sub-clusters
WO2019233358A1 (zh) * 2018-06-05 2019-12-12 安克创新科技股份有限公司 一种基于深度学习的音质特性处理方法及系统
CN112925912A (zh) * 2021-02-26 2021-06-08 北京百度网讯科技有限公司 文本处理方法、同义文本召回方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160217201A1 (en) * 2015-01-28 2016-07-28 International Business Machines Corporation Fusion of cluster labeling algorithms by analyzing sub-clusters
WO2019233358A1 (zh) * 2018-06-05 2019-12-12 安克创新科技股份有限公司 一种基于深度学习的音质特性处理方法及系统
CN112925912A (zh) * 2021-02-26 2021-06-08 北京百度网讯科技有限公司 文本处理方法、同义文本召回方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陈毅恒;秦兵;刘挺;王平;李生;: "基于潜在语义索引和自组织映射网的检索结果聚类方法", 计算机研究与发展, no. 07 *

Also Published As

Publication number Publication date
CN113343047B (zh) 2024-05-31

Similar Documents

Publication Publication Date Title
CN112966522B (zh) 一种图像分类方法、装置、电子设备及存储介质
CN109992766B (zh) 提取目标词的方法和装置
CN113360700B (zh) 图文检索模型的训练和图文检索方法、装置、设备和介质
CN113901907A (zh) 图文匹配模型训练方法、图文匹配方法及装置
CN114120414B (zh) 图像处理方法、装置、电子设备和介质
CN117114063A (zh) 用于训练生成式大语言模型和用于处理图像任务的方法
CN112749300A (zh) 用于视频分类的方法、装置、设备、存储介质和程序产品
CN112989170A (zh) 应用于信息搜索的关键词匹配方法、信息搜索方法及装置
CN112818686A (zh) 领域短语挖掘方法、装置和电子设备
CN112528641A (zh) 建立信息抽取模型的方法、装置、电子设备和可读存储介质
CN113887615A (zh) 图像处理方法、装置、设备和介质
CN114037059A (zh) 预训练模型、模型的生成方法、数据处理方法及装置
CN115565177A (zh) 文字识别模型训练、文字识别方法、装置、设备及介质
CN112906368B (zh) 行业文本增量方法、相关装置及计算机程序产品
CN115359308A (zh) 模型训练、难例识别方法、装置、设备、存储介质及程序
CN112925912B (zh) 文本处理方法、同义文本召回方法及装置
CN114494747A (zh) 模型的训练方法、图像处理方法、装置、电子设备及介质
CN114048315A (zh) 确定文档标签的方法、装置、电子设备和存储介质
CN116343233B (zh) 文本识别方法和文本识别模型的训练方法、装置
CN115169489B (zh) 数据检索方法、装置、设备以及存储介质
CN114419327B (zh) 图像检测方法和图像检测模型的训练方法、装置
CN114444514B (zh) 语义匹配模型训练、语义匹配方法及相关装置
CN113642654B (zh) 图像特征的融合方法、装置、电子设备和存储介质
CN112560481B (zh) 语句处理方法、设备和存储介质
CN113033205B (zh) 实体链接的方法、装置、设备以及存储介质

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