CN113420723A - 获取视频热点的方法、装置、可读介质和电子设备 - Google Patents
获取视频热点的方法、装置、可读介质和电子设备 Download PDFInfo
- Publication number
- CN113420723A CN113420723A CN202110825848.8A CN202110825848A CN113420723A CN 113420723 A CN113420723 A CN 113420723A CN 202110825848 A CN202110825848 A CN 202110825848A CN 113420723 A CN113420723 A CN 113420723A
- Authority
- CN
- China
- Prior art keywords
- text
- cluster
- texts
- video
- preset classification
- 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
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000004590 computer program Methods 0.000 claims description 16
- 239000013598 vector Substances 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012015 optical character recognition Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开涉及一种获取视频热点的方法、装置、可读介质和电子设备，该方法包括：对至少一个视频页面的页面信息进行识别，得到多个文本，对多个文本进行聚类，得到第一预设分类数量个第一文本聚类，针对每个第一文本聚类，确定该第一文本聚类对应的第二预设分类数量，并按照第二预设分类数量对该第一文本聚类中的文本进行聚类，得到第二预设分类数量个第二文本聚类，根据每个第二文本聚类的聚类中心，确定至少一个视频页面对应的视频热点。本公开通过对视频页面中的文本进行多次聚类的方式，来高效地获取视频热点，可以确保视频热点的实时性，同时不需要人工参与，计算成本较低，并且，能够避免产生歧义表达，提高了获取的视频热点的准确度。
Description
技术领域
本公开涉及互联网技术领域，具体地，涉及一种获取视频热点的方法、装置、可读介质和电子设备。
背景技术
随着互联网技术以及多媒体技术的不断发展，网络视频正逐渐成为网络生活中不可或缺的重要组成部分，发掘网络视频的视频热点对于增强用户粘性以及实现舆情监控有着重要作用。目前，主要是通过人工总结或热点发掘模型(例如，隐狄利克雷模型或潜在语义分析模型)，来获取视频热点。然而，采用人工总结的方式来获取视频热点，随着数据流的不断增加，会耗费大量的人力资源，效率较低而且实时性差。而通过热点发掘模型来获取视频热点，随着数据量的增大，计算成本较高，并且容易产生歧义表达，降低了获取的视频热点的准确度。
发明内容
提供该发明内容部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
第一方面，本公开提供一种获取视频热点的方法，所述方法包括：
对至少一个视频页面的页面信息进行识别，得到所述至少一个视频页面对应的多个文本；
对多个所述文本进行聚类，得到第一预设分类数量个第一文本聚类；
针对每个所述第一文本聚类，确定该第一文本聚类对应的第二预设分类数量，并按照所述第二预设分类数量对该第一文本聚类中的文本进行聚类，得到所述第二预设分类数量个第二文本聚类；
根据每个所述第二文本聚类的聚类中心，确定所述至少一个视频页面对应的视频热点。
第二方面，本公开提供一种获取视频热点的装置，所述装置包括：
获取模块，用于对至少一个视频页面的页面信息进行识别，得到所述至少一个视频页面对应的多个文本；
第一聚类模块，用于对多个所述文本进行聚类，得到第一预设分类数量个第一文本聚类；
第二聚类模块，用于针对每个所述第一文本聚类，确定该第一文本聚类对应的第二预设分类数量，并按照所述第二预设分类数量对该第一文本聚类中的文本进行聚类，得到所述第二预设分类数量个第二文本聚类；
确定模块，用于根据每个所述第二文本聚类的聚类中心，确定所述至少一个视频页面对应的视频热点。
第三方面，本公开提供一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现本公开第一方面所述方法的步骤。
第四方面，本公开提供一种电子设备，包括：
存储装置，其上存储有计算机程序；
处理装置，用于执行所述存储装置中的所述计算机程序，以实现本公开第一方面所述方法的步骤。
通过上述技术方案，本公开首先对至少一个视频页面的页面信息进行识别，得到至少一个视频页面对应的多个文本，再对多个文本进行聚类，得到第一预设分类数量个第一文本聚类，之后针对每个第一文本聚类，确定该第一文本聚类对应的第二预设分类数量，并按照第二预设分类数量对该第一文本聚类中的文本进行聚类，得到第二预设分类数量个第二文本聚类，最后根据每个第二文本聚类的聚类中心，确定至少一个视频页面对应的视频热点。本公开通过对视频页面中的文本进行多次聚类的方式，来高效地获取视频热点，可以确保视频热点的实时性，同时不需要人工参与，计算成本较低，并且，能够避免产生歧义表达，提高了获取的视频热点的准确度。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。在附图中：
图1是根据一示例性实施例示出的一种获取视频热点的方法的流程图；
图2是根据图1所示实施例示出的一种步骤102的流程图；
图3是根据图1所示实施例示出的一种步骤103的流程图；
图4是根据一示例性实施例示出的一种获取视频热点的装置的框图；
图5是根据图4所示实施例示出的一种第一聚类模块的框图；
图6是根据图4所示实施例示出的一种第二聚类模块的框图；
图7是根据图4所示实施例示出的一种获取模块的框图；
图8是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
图1是根据一示例性实施例示出的一种获取视频热点的方法的流程图。如图1所示，该方法可以包括以下步骤：
步骤101，对至少一个视频页面的页面信息进行识别，得到至少一个视频页面对应的多个文本。
示例地，视频页面中包含着大量的页面信息，这些页面信息对于视频热点具有归纳总结的作用，因此，可以利用这些页面信息，来自动发掘视频热点。具体的，首先可以获取需要进行视频热点发掘的至少一个视频页面以及每个视频页面的页面信息，其中，获取的视频页面可以是网络视频的视频显示页面或网络直播的直播页面，页面信息包括文本信息和音频信息中的至少一种。例如，在视频页面为视频显示页面的情况下，文本信息可以是网络视频的标题、主题介绍、视频字幕和视频弹幕等文本所对应的信息，音频信息可以是网络视频播放时发出的声音所对应的信息。在视频页面为直播页面的情况下，文本信息可以是网络直播的直播间标题、直播介绍文字、直播评论和直播弹幕等文本所对应的信息，音频信息可以是直播时发出的声音所对应的信息。
对至少一个视频页面的页面信息进行识别，得到多个文本的方式可以为：对每个视频页面的文本信息进行文本识别，得到每个视频页面对应的页面文本。同时还可以对每个视频页面的音频信息进行音频识别，得到每个视频页面对应的音频文本。最后可以将页面文本和音频文本，作为多个文本。例如，在视频页面为直播页面的情况下，可以在指定时长内(例如，2个小时)，利用OCR(英文：Optical Character Recognition，中文：光学字符识别)技术或已有的视频数据，对每个直播页面的直播间标题、直播介绍文字、直播评论和直播弹幕等文本进行文本识别，得到每个直播页面对应的页面文本。同时，还可以在指定时长内，获取每个直播页面进行直播时发出的声音，并利用语音识别技术，将该声音转化为相应的文本，以得到每个直播页面对应的音频文本。最后可以将每个直播页面对应的页面文本和每个直播页面对应的音频文本，作为多个文本。
步骤102，对多个文本进行聚类，得到第一预设分类数量个第一文本聚类。
举例来说，可以预先设置第一预设分类数量，并根据第一预设分类数量，利用预设聚类算法，对多个文本进行聚类，得到第一预设分类数量个第一文本聚类。其中，预设聚类算法例如可以是K-Means聚类算法，第一预设分类数量可以是根据经验人为设置的，也可以是根据多个文本中粗粒度的文本(例如，标题、主题介绍所对应的文本)中的词语进行选取的。得到第一预设分类数量个第一文本聚类的过程，实际上可以理解为一种粗粒度的聚类过程。第一文本聚类的聚类粒度较粗，每个第一文本聚类包含了一种类别的文本，例如，当第一预设分类数量为3时，3个第一文本聚类可以分别包含体育类、影视类、游戏类的文本，即第一文本聚类的聚类粒度处于体育、影视、游戏这一级别。
步骤103，针对每个第一文本聚类，确定该第一文本聚类对应的第二预设分类数量，并按照第二预设分类数量对该第一文本聚类中的文本进行聚类，得到第二预设分类数量个第二文本聚类。
在本步骤中，首先可以确定每个第一文本聚类对应的第二预设分类数量，第二预设分类数量可以是预先设置的固定值，也可以是根据每个第一文本聚类中的文本选取的。然后可以按照每个第一文本聚类对应的第二预设分类数量，利用预设聚类算法，对该第一文本聚类中的文本进行聚类，得到该第一文本聚类对应的第二预设分类数量个第二文本聚类。此时，最终得到的第二文本聚类的数量为每个第一文本聚类对应的第二预设分类数量之和。得到每个第一文本聚类对应的第二预设分类数量个第二文本聚类，实际上可以理解为一种细粒度的聚类过程。第二文本聚类的聚类粒度较细，例如，当某一第一文本聚类包含的文本的类别为体育，可以将该第一文本聚类对应的第二预设分类数量设置为3，那么该第一文本聚类对应的3个第二文本聚类可以分别包含田径类、足球类和篮球类的文本，即第二文本聚类的聚类粒度处于田径、足球和篮球这一级别。
步骤104，根据每个第二文本聚类的聚类中心，确定至少一个视频页面对应的视频热点。
具体的，在获取到每个第一文本聚类对应的第二预设分类数量个第二文本聚类后，可以针对每个第二文本聚类，根据该第二文本聚类中的每个文本距离该第二文本聚类的聚类中心的距离，确定该第二文本聚类对应的目标文本。同时可以构建该第二文本聚类的词表(该第二文本聚类的词表包括该第二文本聚类的全部词语)，再通过该第二文本聚类的词表确定该第二文本聚类中的每个词语对应的TF-IDF(英文：term frequency–inversedocument frequency，中文：词频-逆文本频率)，并根据该第二文本聚类中的每个词语对应的TF-IDF，确定该第二文本聚类对应的目标词语。例如，可以将该第二文本聚类中距离第二文本聚类的聚类中心最近的第一数量个文本作为目标文本，并将该第二文本聚类中的每个词语对应的TF-IDF最大的第二数量个词语作为目标词语。然后，可以将目标文本和目标词语，作为视频热点。通过从第二文本聚类中选取视频热点，视频热点的表达形式清晰，便于后续处理分析。
需要说明的是，本公开的获取视频热点的方法不仅可以应用于获取视频、直播的热点，还可以应用于获取其他类型的热点，例如，可以应用于获取图像中的热点，本公开对此不作具体限定。
综上所述，本公开首先对至少一个视频页面的页面信息进行识别，得到至少一个视频页面对应的多个文本，再对多个文本进行聚类，得到第一预设分类数量个第一文本聚类，之后针对每个第一文本聚类，确定该第一文本聚类对应的第二预设分类数量，并按照第二预设分类数量对该第一文本聚类中的文本进行聚类，得到第二预设分类数量个第二文本聚类，最后根据每个第二文本聚类的聚类中心，确定至少一个视频页面对应的视频热点。本公开通过对视频页面中的文本进行多次聚类的方式，来高效地获取视频热点，可以确保视频热点的实时性，同时不需要人工参与，计算成本较低，并且，能够避免产生歧义表达，提高了获取的视频热点的准确度。
图2是根据图1所示实施例示出的一种步骤102的流程图。如图2所示，步骤102可以包括以下步骤：
步骤1021，确定多个文本中的每个词语的TF-IDF。
举例来说，为了提高获取的视频热点的效率和准确度，可以在获取到多个文本后，对多个文本进行文本预处理，以去除每个文本中与视频热点无关的信息(例如标点符号、停用词等)和敏感信息。之后可以对经过文本预处理的多个文本进行分词，再根据分词结果构建多个文本对应的词表(多个文本对应的词表包括多个文本中的全部词语)，并计算多个文本对应的词表中每个词语的TF-IDF。
步骤1022，针对每个文本，根据多个文本中的每个词语的TF-IDF和该文本中的每个词语对应的词向量，确定该文本对应的文本向量。
步骤1023，根据第一预设分类数量，利用预设聚类算法对多个文本对应的文本向量进行聚类，得到第一预设分类数量个第一文本聚类。
进一步的，可以针对每个文本，根据该文本中每个词语对应的词向量(英文：wordembedding)，利用该文本中每个词语的TF-IDF进行加权平均，得到该文本对应的文本向量，也就是该文本的文本特征。然后，可以根据第一预设分类数量，利用预设聚类算法对多个文本对应的文本向量进行聚类，得到第一预设分类数量个第一文本聚类。
可选地，步骤103可以通过以下方式实现：
根据该第一文本聚类中的文本，确定该第一文本聚类对应的第二预设分类数量。
在一种场景中，可以根据该第一文本聚类的中心句和关键词，确定该第一文本聚类对应的第二预设分类数量。例如，可以将每个第一文本聚类的中心句和关键词反馈给用户，由用户根据该第一文本聚类的中心句和关键词，确定该第一文本聚类包含的文本的类别，并根据该类别为该第一文本聚类设置对应的第二预设分类数量，其中，中心句可以是该第一文本聚类中距离第一文本聚类的聚类中心最近的若干个文本，关键词可以是该第一文本聚类中TF-IDF最大的若干个词语。
在另一种场景中，可以根据该第一文本聚类中的文本数量，确定该第一文本聚类对应的第二预设分类数量。具体的，可以对于文本数量较多的第一文本聚类，设置较大的第二预设分类数量。例如，当第一预设分类数量为4，且4个第一文本聚类包括的文本数量为100、10、20、50时，可以将文本数量为100的第一文本聚类的第二预设分类数量设置为5，将文本数量为10的第一文本聚类的第二预设分类数量设置为2，将文本数量为20的第一文本聚类的第二预设分类数量设置为3，将文本数量为50的第一文本聚类的第二预设分类数量设置为4。
图3是根据图1所示实施例示出的一种步骤103的流程图。如图3所示，第二预设分类数量包括多个，步骤103可以包括以下步骤：
步骤1031，针对每个第二预设分类数量，根据该第二预设分类数量，利用预设聚类算法对该第一文本聚类中的文本进行聚类，得到该第二预设分类数量个候选文本聚类。
步骤1032，根据候选文本聚类，从多个第二预设分类数量中确定目标预设分类数量。
步骤1033，将目标预设分类数量对应的候选文本聚类，作为第二预设分类数量个第二文本聚类。
示例地，为了使得到的第二文本聚类更加准确，可以使每个第一文本聚类对应多个第二预设分类数量。在对每个第一文本聚类中的文本进行聚类时，可以根据该第一文本聚类对应的每个第二预设分类数量，利用预设聚类算法，分别对该第一文本聚类中的文本进行聚类，得到该第二预设分类数量对应的候选文本聚类集合。每个第二预设分类数量对应的候选文本聚类集合包括该第二预设分类数量个候选文本聚类。例如，当某一第一文本聚类对应多个第二预设分类数量为3、4、5时，会得到3、4、5分别对应的3个候选文本聚类集合，3对应的候选文本聚类集合包括3个候选文本聚类，4对应的候选文本聚类集合包括4个候选文本聚类，5对应的候选文本聚类集合包括5个候选文本聚类。
然后，可以根据每个第二预设分类数量对应的候选文本聚类集合，利用轮廓系数法、手肘法、CH系数(英文：Calinski-Harabasz Index)等指标，来确定每个候选文本聚类集合的聚类效果，并将聚类效果最好的候选文本聚类集合对应的第二预设分类数量作为目标预设分类数量。最后将目标预设分类数量对应的候选文本聚类集合中的候选文本聚类，作为第二预设分类数量个第二文本聚类。
综上所述，本公开首先对至少一个视频页面的页面信息进行识别，得到至少一个视频页面对应的多个文本，再对多个文本进行聚类，得到第一预设分类数量个第一文本聚类，之后针对每个第一文本聚类，确定该第一文本聚类对应的第二预设分类数量，并按照第二预设分类数量对该第一文本聚类中的文本进行聚类，得到第二预设分类数量个第二文本聚类，最后根据每个第二文本聚类的聚类中心，确定至少一个视频页面对应的视频热点。本公开通过对视频页面中的文本进行多次聚类的方式，来高效地获取视频热点，可以确保视频热点的实时性，同时不需要人工参与，计算成本较低，并且，能够避免产生歧义表达，提高了获取的视频热点的准确度。
图4是根据一示例性实施例示出的一种获取视频热点的装置的框图。如图4所示，该装置200包括：
获取模块201，用于对至少一个视频页面的页面信息进行识别，得到至少一个视频页面对应的多个文本；
第一聚类模块202，用于对多个文本进行聚类，得到第一预设分类数量个第一文本聚类。
第二聚类模块203，用于针对每个第一文本聚类，确定该第一文本聚类对应的第二预设分类数量，并按照第二预设分类数量对该第一文本聚类中的文本进行聚类，得到第二预设分类数量个第二文本聚类。
确定模块204，用于根据每个第二文本聚类的聚类中心，确定至少一个视频页面对应的视频热点。
图5是根据图4所示实施例示出的一种第一聚类模块的框图。如图5所示，第一聚类模块202包括：
第二确定子模块2021，用于确定多个文本中的每个词语的TF-IDF。
第二确定子模块2021，还用于针对每个文本，根据多个文本中的每个词语的TF-IDF和该文本中的每个词语对应的词向量，确定该文本对应的文本向量。
第一聚类子模块2022，还用于根据第一预设分类数量，利用预设聚类算法对多个文本对应的文本向量进行聚类，得到第一预设分类数量个第一文本聚类。
可选地，第二聚类模块203用于：
根据该第一文本聚类中的文本，确定该第一文本聚类对应的第二预设分类数量。
可选地，第二聚类模块203用于：
根据该第一文本聚类中的文本数量，确定该第一文本聚类对应的第二预设分类数量。
图6是根据图4所示实施例示出的一种第二聚类模块的框图。如图6所示，第二聚类模块203包括：
第二聚类子模块2031，用于针对每个第二预设分类数量，根据该第二预设分类数量，利用预设聚类算法对该第一文本聚类中的文本进行聚类，得到该第二预设分类数量个候选文本聚类。
第三确定子模块2032，用于根据候选文本聚类，从多个第二预设分类数量中确定目标预设分类数量。
第三确定子模块2032，还用于将目标预设分类数量对应的候选文本聚类，作为第二预设分类数量个第二文本聚类。
可选地，确定模块204用于：
针对每个第二文本聚类，根据该第二文本聚类中的每个文本距离该第二文本聚类的聚类中心的距离，确定该第二文本聚类对应的目标文本，并根据该第二文本聚类中的每个词语对应的TF-IDF，确定该第二文本聚类对应的目标词语。
将目标文本和目标词语，作为视频热点。
图7是根据图4所示实施例示出的一种获取模块的框图。如图7所示，页面信息包括文本信息和音频信息中的至少一种，获取模块201包括：
识别子模块2011，用于对每个视频页面的文本信息进行文本识别，得到每个视频页面对应的页面文本。
识别子模块2011，还用于对每个视频页面的音频信息进行音频识别，得到每个视频页面对应的音频文本。
处理子模块2012，用于将页面文本和所述音频文本，作为多个文本。
综上所述，本公开首先对至少一个视频页面的页面信息进行识别，得到至少一个视频页面对应的多个文本，再对多个文本进行聚类，得到第一预设分类数量个第一文本聚类，之后针对每个第一文本聚类，确定该第一文本聚类对应的第二预设分类数量，并按照第二预设分类数量对该第一文本聚类中的文本进行聚类，得到第二预设分类数量个第二文本聚类，最后根据每个第二文本聚类的聚类中心，确定至少一个视频页面对应的视频热点。本公开通过对视频页面中的文本进行多次聚类的方式，来高效地获取视频热点，可以确保视频热点的实时性，同时不需要人工参与，计算成本较低，并且，能够避免产生歧义表达，提高了获取的视频热点的准确度。
下面参考图8，其示出了适于用来实现本公开实施例的电子设备(例如图1中的终端设备或服务器)300的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图8示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图8所示，电子设备300可以包括处理装置(例如中央处理器、图形处理器等)301，其可以根据存储在只读存储器(ROM)302中的程序或者从存储装置308加载到随机访问存储器(RAM)303中的程序而执行各种适当的动作和处理。在RAM 303中，还存储有电子设备300操作所需的各种程序和数据。处理装置301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。
通常，以下装置可以连接至I/O接口305：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置306；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置307；包括例如磁带、硬盘等的存储装置308；以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图8示出了具有各种装置的电子设备300，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置309从网络上被下载和安装，或者从存储装置308被安装，或者从ROM 302被安装。在该计算机程序被处理装置301执行时，执行本公开实施例的方法中限定的上述功能。
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：对至少一个视频页面的页面信息进行识别，得到所述至少一个视频页面对应的多个文本；对多个所述文本进行聚类，得到第一预设分类数量个第一文本聚类；针对每个所述第一文本聚类，确定该第一文本聚类对应的第二预设分类数量，并按照所述第二预设分类数量对该第一文本聚类中的文本进行聚类，得到所述第二预设分类数量个第二文本聚类；根据每个所述第二文本聚类的聚类中心，确定所述至少一个视频页面对应的视频热点。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该模块本身的限定，例如，获取模块还可以被描述为“获取视频页面对应的多个文本的模块”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
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。
根据本公开的一个或多个实施例，示例1提供了一种获取视频热点的方法，包括：对至少一个视频页面的页面信息进行识别，得到所述至少一个视频页面对应的多个文本；对多个所述文本进行聚类，得到第一预设分类数量个第一文本聚类；针对每个所述第一文本聚类，确定该第一文本聚类对应的第二预设分类数量，并按照所述第二预设分类数量对该第一文本聚类中的文本进行聚类，得到所述第二预设分类数量个第二文本聚类；根据每个所述第二文本聚类的聚类中心，确定所述至少一个视频页面对应的视频热点。
根据本公开的一个或多个实施例，示例2提供了示例1的方法，所述对多个所述文本进行聚类，得到第一预设分类数量个第一文本聚类，包括：确定多个所述文本中的每个词语的TF-IDF；针对每个所述文本，根据多个所述文本中的每个词语的TF-IDF和该文本中的每个词语对应的词向量，确定该文本对应的文本向量；根据所述第一预设分类数量，利用预设聚类算法对多个所述文本对应的文本向量进行聚类，得到所述第一预设分类数量个第一文本聚类。
根据本公开的一个或多个实施例，示例3提供了示例1的方法，所述确定该第一文本聚类对应的第二预设分类数量，包括：根据该第一文本聚类中的文本，确定该第一文本聚类对应的第二预设分类数量。
根据本公开的一个或多个实施例，示例4提供了示例3的方法，所述根据该第一文本聚类中的文本，确定该第一文本聚类对应的第二预设分类数量，包括：根据该第一文本聚类中的文本数量，确定该第一文本聚类对应的第二预设分类数量。
根据本公开的一个或多个实施例，示例5提供了示例1的方法，所述第二预设分类数量包括多个，所述按照所述第二预设分类数量对该第一文本聚类中的文本进行聚类，得到所述第二预设分类数量个第二文本聚类，包括：针对每个所述第二预设分类数量，根据该第二预设分类数量，利用预设聚类算法对该第一文本聚类中的文本进行聚类，得到该第二预设分类数量个候选文本聚类；根据所述候选文本聚类，从多个所述第二预设分类数量中确定目标预设分类数量；将所述目标预设分类数量对应的候选文本聚类，作为所述第二预设分类数量个第二文本聚类。
根据本公开的一个或多个实施例，示例6提供了示例1的方法，所述根据每个所述第二文本聚类的聚类中心，确定所述至少一个视频页面对应的视频热点，包括：针对每个所述第二文本聚类，根据该第二文本聚类中的每个文本距离该第二文本聚类的聚类中心的距离，确定该第二文本聚类对应的目标文本，并根据该第二文本聚类中的每个词语对应的TF-IDF，确定该第二文本聚类对应的目标词语；将所述目标文本和所述目标词语，作为所述视频热点。
根据本公开的一个或多个实施例，示例7提供了示例1的方法，所述页面信息包括文本信息和音频信息中的至少一种，所述对至少一个视频页面的页面信息进行识别，得到所述至少一个视频页面对应的多个文本，包括：对每个所述视频页面的文本信息进行文本识别，得到每个所述视频页面对应的页面文本；对每个所述视频页面的音频信息进行音频识别，得到每个所述视频页面对应的音频文本；将所述页面文本和所述音频文本，作为所述多个文本。
根据本公开的一个或多个实施例，示例8提供了一种获取视频热点的装置，包括：获取模块，用于对至少一个视频页面的页面信息进行识别，得到所述至少一个视频页面对应的多个文本；第一聚类模块，用于对多个所述文本进行聚类，得到第一预设分类数量个第一文本聚类；第二聚类模块，用于针对每个所述第一文本聚类，确定该第一文本聚类对应的第二预设分类数量，并按照所述第二预设分类数量对该第一文本聚类中的文本进行聚类，得到所述第二预设分类数量个第二文本聚类；确定模块，用于根据每个所述第二文本聚类的聚类中心，确定所述至少一个视频页面对应的视频热点。
根据本公开的一个或多个实施例，示例9提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现示例1至示例7中所述方法的步骤。
根据本公开的一个或多个实施例，示例10提供了一种电子设备，包括：存储装置，其上存储有计算机程序；处理装置，用于执行所述存储装置中的所述计算机程序，以实现示例1至示例7中所述方法的步骤。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
Claims (10)
1.一种获取视频热点的方法，其特征在于，所述方法包括：
对至少一个视频页面的页面信息进行识别，得到所述至少一个视频页面对应的多个文本；
对多个所述文本进行聚类，得到第一预设分类数量个第一文本聚类；
针对每个所述第一文本聚类，确定该第一文本聚类对应的第二预设分类数量，并按照所述第二预设分类数量对该第一文本聚类中的文本进行聚类，得到所述第二预设分类数量个第二文本聚类；
根据每个所述第二文本聚类的聚类中心，确定所述至少一个视频页面对应的视频热点。
2.根据权利要求1所述的方法，其特征在于，所述对多个所述文本进行聚类，得到第一预设分类数量个第一文本聚类，包括：
确定多个所述文本中的每个词语的TF-IDF；
针对每个所述文本，根据多个所述文本中的每个词语的TF-IDF和该文本中的每个词语对应的词向量，确定该文本对应的文本向量；
根据所述第一预设分类数量，利用预设聚类算法对多个所述文本对应的文本向量进行聚类，得到所述第一预设分类数量个第一文本聚类。
3.根据权利要求1所述的方法，其特征在于，所述确定该第一文本聚类对应的第二预设分类数量，包括：
根据该第一文本聚类中的文本，确定该第一文本聚类对应的第二预设分类数量。
4.根据权利要求3所述的方法，其特征在于，所述根据该第一文本聚类中的文本，确定该第一文本聚类对应的第二预设分类数量，包括：
根据该第一文本聚类中的文本数量，确定该第一文本聚类对应的第二预设分类数量。
5.根据权利要求1所述的方法，其特征在于，所述第二预设分类数量包括多个，所述按照所述第二预设分类数量对该第一文本聚类中的文本进行聚类，得到所述第二预设分类数量个第二文本聚类，包括：
针对每个所述第二预设分类数量，根据该第二预设分类数量，利用预设聚类算法对该第一文本聚类中的文本进行聚类，得到该第二预设分类数量个候选文本聚类；
根据所述候选文本聚类，从多个所述第二预设分类数量中确定目标预设分类数量；
将所述目标预设分类数量对应的候选文本聚类，作为所述第二预设分类数量个第二文本聚类。
6.根据权利要求1所述的方法，其特征在于，所述根据每个所述第二文本聚类的聚类中心，确定所述至少一个视频页面对应的视频热点，包括：
针对每个所述第二文本聚类，根据该第二文本聚类中的每个文本距离该第二文本聚类的聚类中心的距离，确定该第二文本聚类对应的目标文本，并根据该第二文本聚类中的每个词语对应的TF-IDF，确定该第二文本聚类对应的目标词语；
将所述目标文本和所述目标词语，作为所述视频热点。
7.根据权利要求1所述的方法，其特征在于，所述页面信息包括文本信息和音频信息中的至少一种，所述对至少一个视频页面的页面信息进行识别，得到所述至少一个视频页面对应的多个文本，包括：
对每个所述视频页面的文本信息进行文本识别，得到每个所述视频页面对应的页面文本；
对每个所述视频页面的音频信息进行音频识别，得到每个所述视频页面对应的音频文本；
将所述页面文本和所述音频文本，作为所述多个文本。
8.一种获取视频热点的装置，其特征在于，所述装置包括：
获取模块，用于对至少一个视频页面的页面信息进行识别，得到所述至少一个视频页面对应的多个文本；
第一聚类模块，用于对多个所述文本进行聚类，得到第一预设分类数量个第一文本聚类；
第二聚类模块，用于针对每个所述第一文本聚类，确定该第一文本聚类对应的第二预设分类数量，并按照所述第二预设分类数量对该第一文本聚类中的文本进行聚类，得到所述第二预设分类数量个第二文本聚类；
确定模块，用于根据每个所述第二文本聚类的聚类中心，确定所述至少一个视频页面对应的视频热点。
9.一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理装置执行时实现权利要求1-7中任一项所述方法的步骤。
10.一种电子设备，其特征在于，包括：
存储装置，其上存储有计算机程序；
处理装置，用于执行所述存储装置中的所述计算机程序，以实现权利要求1-7中任一项所述方法的步骤。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110825848.8A CN113420723A (zh) | 2021-07-21 | 2021-07-21 | 获取视频热点的方法、装置、可读介质和电子设备 |
| PCT/CN2022/092514 WO2023000782A1 (zh) | 2021-07-21 | 2022-05-12 | 获取视频热点的方法、装置、可读介质和电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110825848.8A CN113420723A (zh) | 2021-07-21 | 2021-07-21 | 获取视频热点的方法、装置、可读介质和电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113420723A true CN113420723A (zh) | 2021-09-21 |
Family
ID=77718003
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110825848.8A Pending CN113420723A (zh) | 2021-07-21 | 2021-07-21 | 获取视频热点的方法、装置、可读介质和电子设备 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN113420723A (zh) |
| WO (1) | WO2023000782A1 (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023000782A1 (zh) * | 2021-07-21 | 2023-01-26 | 北京有竹居网络技术有限公司 | 获取视频热点的方法、装置、可读介质和电子设备 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102982110A (zh) * | 2012-11-08 | 2013-03-20 | 中国科学院自动化研究所 | 在物理空间上提取网络空间热点事件信息的方法 |
| CN107133238A (zh) * | 2016-02-29 | 2017-09-05 | 阿里巴巴集团控股有限公司 | 一种文本信息聚类方法和文本信息聚类系统 |
| CN109299271A (zh) * | 2018-10-30 | 2019-02-01 | 腾讯科技（深圳）有限公司 | 训练样本生成、文本数据、舆情事件分类方法及相关设备 |
| CN111460153A (zh) * | 2020-03-27 | 2020-07-28 | 深圳价值在线信息科技股份有限公司 | 热点话题提取方法、装置、终端设备及存储介质 |
| CN112749299A (zh) * | 2019-10-31 | 2021-05-04 | 北京国双科技有限公司 | 确定视频类型的方法、装置、电子设备及可读存储介质 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2013049077A1 (en) * | 2011-09-26 | 2013-04-04 | Limelight Networks, Inc. | Methods and systems for generating automated tags for video files and indentifying intra-video features of interest |
| CN109190017B (zh) * | 2018-08-02 | 2020-11-10 | 腾讯科技（北京）有限公司 | 热点信息的确定方法、装置、服务器及存储介质 |
| CN109739978A (zh) * | 2018-12-11 | 2019-05-10 | 中科恒运股份有限公司 | 一种文本聚类方法、文本聚类装置及终端设备 |
| CN109918656B (zh) * | 2019-02-28 | 2022-12-23 | 武汉斗鱼鱼乐网络科技有限公司 | 一种直播热点获取方法、装置、服务器及存储介质 |
| CN112925905B (zh) * | 2021-01-28 | 2024-02-27 | 北京达佳互联信息技术有限公司 | 提取视频字幕的方法、装置、电子设备和存储介质 |
| CN113420723A (zh) * | 2021-07-21 | 2021-09-21 | 北京有竹居网络技术有限公司 | 获取视频热点的方法、装置、可读介质和电子设备 |
-
2021
- 2021-07-21 CN CN202110825848.8A patent/CN113420723A/zh active Pending
-
2022
- 2022-05-12 WO PCT/CN2022/092514 patent/WO2023000782A1/zh active Application Filing
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102982110A (zh) * | 2012-11-08 | 2013-03-20 | 中国科学院自动化研究所 | 在物理空间上提取网络空间热点事件信息的方法 |
| CN107133238A (zh) * | 2016-02-29 | 2017-09-05 | 阿里巴巴集团控股有限公司 | 一种文本信息聚类方法和文本信息聚类系统 |
| CN109299271A (zh) * | 2018-10-30 | 2019-02-01 | 腾讯科技（深圳）有限公司 | 训练样本生成、文本数据、舆情事件分类方法及相关设备 |
| CN112749299A (zh) * | 2019-10-31 | 2021-05-04 | 北京国双科技有限公司 | 确定视频类型的方法、装置、电子设备及可读存储介质 |
| CN111460153A (zh) * | 2020-03-27 | 2020-07-28 | 深圳价值在线信息科技股份有限公司 | 热点话题提取方法、装置、终端设备及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 赵杰著: "《搜索引擎技术》", 30 November 2007, 哈尔滨工程大学出版社, pages: 130 * |
| 黄天元: "《文本数据挖掘 基于R语言》", 30 April 2021, 机械工业出版社, pages: 131 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023000782A1 (zh) * | 2021-07-21 | 2023-01-26 | 北京有竹居网络技术有限公司 | 获取视频热点的方法、装置、可读介质和电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2023000782A1 (zh) | 2023-01-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113470619B (zh) | 语音识别方法、装置、介质及设备 | |
| CN110990598B (zh) | 资源检索方法、装置、电子设备及计算机可读存储介质 | |
| CN112364829B (zh) | 一种人脸识别方法、装置、设备及存储介质 | |
| CN113033682B (zh) | 视频分类方法、装置、可读介质、电子设备 | |
| CN112883968A (zh) | 图像字符识别方法、装置、介质及电子设备 | |
| CN113011169B (zh) | 一种会议纪要的处理方法、装置、设备及介质 | |
| CN111897950A (zh) | 用于生成信息的方法和装置 | |
| CN114494709A (zh) | 特征提取模型的生成方法、图像特征提取方法和装置 | |
| CN111324700A (zh) | 资源召回方法、装置、电子设备及计算机可读存储介质 | |
| CN117131281B (zh) | 舆情事件处理方法、装置、电子设备和计算机可读介质 | |
| CN115967833A (zh) | 视频生成方法、装置、设备计存储介质 | |
| CN114445754A (zh) | 视频处理方法、装置、可读介质及电子设备 | |
| CN111753126B (zh) | 用于视频配乐的方法和装置 | |
| CN114765025A (zh) | 语音识别模型的生成方法、识别方法、装置、介质及设备 | |
| CN113343069B (zh) | 用户信息的处理方法、装置、介质及电子设备 | |
| CN113033707B (zh) | 视频分类方法、装置、可读介质及电子设备 | |
| CN114298007A (zh) | 一种文本相似度确定方法、装置、设备及介质 | |
| CN113033680A (zh) | 视频分类方法、装置、可读介质及电子设备 | |
| CN113420723A (zh) | 获取视频热点的方法、装置、可读介质和电子设备 | |
| CN110634024A (zh) | 一种用户属性标记方法、装置、电子设备及存储介质 | |
| CN114625876A (zh) | 作者特征模型的生成方法、作者信息处理方法和装置 | |
| CN111460214B (zh) | 分类模型训练方法、音频分类方法、装置、介质及设备 | |
| CN114595346A (zh) | 内容检测模型的训练方法、内容检测方法及装置 | |
| CN114428867A (zh) | 数据挖掘方法、装置、存储介质及电子设备 | |
| CN114429629A (zh) | 图像处理方法、装置、可读存储介质及电子设备 |
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 |