CN113656546A - 多模态搜索方法、装置、设备、存储介质以及程序产品 - Google Patents

Abstract

本公开提供了一种多模态搜索方法、装置、设备、存储介质以及程序产品，涉及人工智能领域，尤其是深度学习技术领域。该方法的一具体实施方式包括：接收终端设备采集的至少两种模态的搜索信息，其中，模态包括以下至少一种：文本、语音、视觉、手势和触控；将至少两种模态的搜索信息合成多模态搜索信息；基于多模态搜索信息进行搜索，得到多模态搜索结果；将多模态搜索结果发送给终端设备。该实施方式打破模态限制，通过融合至少两种模态的搜索信息，建立实时、同步的多模态搜索，实现更接近真人交互的智能搜索。

Description

多模态搜索方法、装置、设备、存储介质以及程序产品

技术领域

本公开涉及人工智能领域，尤其是深度学习技术领域，尤其涉及多模态搜索方法、装置、设备、存储介质以及程序产品。

背景技术

随着人工智能技术的迅速发展，搜索类产品正在经历从传统的文本搜索到语音搜索、视觉搜索扩充，整体呈现更智能、更自然、更高效的发展趋势。

目前，常用的搜索方式主要包括仅使用单种模态搜索和依次使用不同模态搜索。对于仅使用单种模态搜索，主要包括文本搜索、语音搜索和视觉搜索。其中，文本搜索需要用户通过语言文字完整表达搜索诉求、并完成手动打字输入。语音搜索需要用户通过语言描述出想要搜索的内容，本质上与文本搜索相似。视觉搜索需要用户拍照或相册上传单张图片。对于依次使用不同模态搜索，需要用户在多处进行操作，比如说先通过视觉搜索获得物体基础信息，再返回搜索页面，选择文本或语音输入表达剩余诉求。

发明内容

本公开实施例提出了一种多模态搜索方法、装置、设备、存储介质以及程序产品。

第一方面，本公开实施例提出了一种多模态搜索方法，包括：接收终端设备采集的至少两种模态的搜索信息，其中，模态包括以下至少一种：文本、语音、视觉、手势和触控；将至少两种模态的搜索信息合成多模态搜索信息；基于多模态搜索信息进行搜索，得到多模态搜索结果；将多模态搜索结果发送给终端设备。

第二方面，本公开实施例提出了一种多模态搜索装置，包括：接收模块，被配置成接收终端设备采集的至少两种模态的搜索信息，其中，模态包括以下至少一种：文本、语音、视觉、手势和触控；合成模块，被配置成将至少两种模态的搜索信息合成多模态搜索信息；搜索模块，被配置成基于多模态搜索信息进行搜索，得到多模态搜索结果；发送模块，被配置成将多模态搜索结果发送给终端设备。

第三方面，本公开实施例提出了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如第一方面中任一实现方式描述的方法。

第四方面，本公开实施例提出了一种存储有计算机指令的非瞬时计算机可读存储介质，计算机指令用于使计算机执行如第一方面中任一实现方式描述的方法。

第五方面，本公开实施例提出了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现如第一方面中任一实现方式描述的方法。

本公开实施例提供的多模态搜索方法、装置、设备、存储介质以及程序产品，在接收终端设备发送的至少两种模态的搜索信息的情况下，先将至少两种模态的搜索信息合成多模态搜索信息，再基于多模态搜索信息进行搜索，得到多模态搜索结果，并将多模态搜索结果发送给终端设备。打破模态限制，通过融合至少两种模态的搜索信息，建立实时、同步的多模态搜索，实现更接近真人交互的智能搜索。

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

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本公开的其它特征、目的和优点将会变得更明显。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是根据本公开的多模态搜索方法的第一个实施例的流程图；

图2是根据本公开的多模态搜索方法的第二个实施例的流程图；

图3是根据本公开的多模态搜索方法的第三个实施例的流程图；

图4是可以实现图3所示的实施例的多模态搜索方法的应用场景图；

图5是根据本公开的多模态搜索方法的第四个实施例的流程图；

图6是根据本公开的多模态搜索方法的第五个实施例的流程图；

图7是根据本公开的多模态搜索装置的一个实施例的结构示意图；

图8是用来实现本公开实施例的多模态搜索方法的电子设备的框图。

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。

需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。

图1示出了根据本公开的多模态搜索方法的第一个实施例的流程100。该多模态搜索方法包括以下步骤：

步骤101，接收终端设备采集的至少两种模态的搜索信息。

在本实施例中，终端设备可以采集用户几乎同时输入的至少两种模态的搜索信息。终端设备采集的至少两种模态的搜索信息会发送至服务器。

其中，模态可以是信息的表现形式。不同模态的搜索信息可以是不同表现形式的搜索信息。模态可以包括但不限于以下：文本、语音、视觉、手势和触控等等。搜索信息可以包括但不限于文本搜索信息、语音搜索信息、视觉搜索信息、手势搜索信息和触控搜索信息等等。例如，若用户想要获取某个产品的使用方法，可以开启终端设备的摄像头拍摄该产品的图像，几乎同时说出“怎么使用”的语音。其中，该产品的图像是视觉搜索信息，“怎么使用”的语音是语音搜索信息。又例如，若用户的终端设备的本地相册中存储有多位明星的合影图像，用户想要获取某位明星的信息，可以从终端设备的本地相册中上传该多位明星的合影图像，几乎同时触控合影图像中的该明星。其中，合影图像是视觉搜索信息，触控操作数据是触控搜索信息。

步骤102，将至少两种模态的搜索信息合成多模态搜索信息。

在本实施例中，服务器可以将至少两种模态的搜索信息合成多模态搜索信息。

通常，服务器可以将接收到的至少两种模态的搜索信息合成一条多模态搜索信息。其中，多模态搜索信息可以包括至少两种模态的搜索信息的关键信息。例如，将产品的图像和“怎么使用”的语音合成一条“产品的使用方法”的搜索需求。其中，“产品的使用方法”的搜索需求是多模态搜索信息。

步骤103，基于多模态搜索信息进行搜索，得到多模态搜索结果。

在本实施例中，服务器可以基于多模态搜索信息进行搜索，得到多模态搜索结果。

通常，服务器可以利用基于至少两种模态的搜索信息合成的一条多模态搜索信息进行搜索，即可得到多模态搜索结果。其中，多模态搜索结果可以是基于多模态搜索信息进行搜索所得到的结果。例如，将产品的图像和“怎么使用”的语音合成一条“产品的使用方法”的搜索需求，并基于“产品的使用方法”的搜索需求进行搜索，得到“产品的使用方法”的搜索结果。其中，“产品的使用方法”的搜索需求是多模态搜索信息，“产品的使用方法”的搜索结果是多模态搜索结果。

步骤104，将多模态搜索结果发送给终端设备。

在本实施例中，服务器可以将多模态搜索结果发送给终端设备。终端设备可以对多模态搜索结果进行展现。

通常，多模态搜索结果是融合至少两种模态的搜索信息进行多模态搜索得到的，其意图准确性高。此外，若多模态搜索结果未达到用户的搜索需求，用户可以随时补充延伸其诉求，一直到达用户需求的真正终点。

本公开实施例提供的多模态搜索方法，在接收终端设备发送的至少两种模态的搜索信息的情况下，先将至少两种模态的搜索信息合成多模态搜索信息，再基于多模态搜索信息进行搜索，得到多模态搜索结果，并将多模态搜索结果发送给终端设备。打破模态限制，通过融合至少两种模态的搜索信息，建立实时、同步的多模态搜索，实现更接近真人交互的智能搜索。用户利用其终端设备可以几乎同时输入至少两种模态的搜索信息，大幅提高了搜索效率。融合至少两种模态的搜索信息，意图准确性高。同时可随时补充延伸诉求，一直到达用户需求的真正终点。无需在多种模态的搜索方式中来回切换，大大减少用户操作。同时优质结果的直接外露和实时连续搜索，使用户搜索体验更流畅、便捷。

继续参考图2，其示出了根据本公开的多模态搜索方法的第二个实施例的流程200。该多模态搜索方法包括以下步骤：

步骤201，接收终端设备的摄像头采集的视觉图像和终端设备的麦克风采集的语音音频。

在本实施例中，终端设备可以采集用户几乎同时输入的视觉图像和语音音频。采集的视觉图像和语音音频会发送至服务器。

通常，终端设备可以利用其摄像头采集视觉图像。几乎同时，终端设备还可以利用其麦克风采集语音音频。例如，用户可以开启终端设备上的摄像头对准物体采集其视觉图像。紧随其后，终端设备上的麦克风开启，采集用户基于搜索需求说出的语音音频。

步骤202，通过视觉识别技术对视觉图像进行识别，得到视觉图像的视觉信息。

在本实施例中，服务器可以通过视觉识别技术对视觉图像进行识别，得到视觉图像的视觉信息。

通常，服务器中存储有预先训练的目标检测模型，利用目标检测模型对视觉图像进行检测，得到视觉图像中的物体的信息，即为视觉图像的视觉信息。其中，目标检测模型可以用于提取视觉图像中的物体的信息，包括但不限于Faster R-CNN、SSD和YOLO等深度学习模型。目标检测模型提取出的物体的信息可以包括物体的类别和位置。

步骤203，通过语音识别技术对语音音频进行识别，得到语音音频的文本信息。

在本实施例中，服务器可以通过语音识别技术对语音音频进行识别，得到语音音频的文本信息。

通常，基于语音识别技术可以将语音音频的内容进行识别并转换为对应的文本内容，即为语音音频的文本信息。为了提高识别准确度，可以首先对语音音频进行预处理，得到预处理后的语音音频。其中，预处理方式可以包括但不限于静音切除、噪音处理和语音增强等等。然后，对预处理后的语音音频进行声学特征提取，获得一个多维向量。多维向量中可以包含一帧波形的内容信息。基于这一帧波形的内容信息进行模式匹配和语音处理，即可完成对语音音频的识别。

步骤204，将视觉信息和文本信息合成多模态搜索信息。

在本实施例中，服务器可以将视觉信息和文本信息合成多模态搜索信息。

通常，服务器可以将视觉信息和文本信息合成一条多模态搜索信息。其中，多模态搜索信息可以包括视觉信息和文本信息的关键信息。例如，组合视觉信息和文本信息，生成一条多模态搜索信息。又例如，分别提取视觉信息和文本信息的关键信息，组合成一条多模态搜索信息。

步骤205，基于多模态搜索信息进行搜索，得到多模态搜索结果。

在本实施例中，步骤205的具体操作已在图1所示的实施例中步骤103中进行了详细的介绍，在此不再赘述。

步骤206，将多模态搜索结果发送给终端设备。

在本实施例中，服务器可以将多模态搜索结果发送给终端设备。终端设备可以对多模态搜索结果进行展现。

通常，多模态搜索结果可以融合到视觉图像上进行展现。例如，以卡片外形态外露呈现在视觉图像中的物体上。以增强现实形式将多模态搜索结果融合到视觉图像中的物体上进行呈现，使得多模态搜索结果更加实景化，用户可以沉浸态获取有效信息，提升用户体验。

从图2中可以看出，与图1对应的实施例相比，本实施例中的多模态搜索方法的流程200突出了视觉加语音的多模态搜索。通过对视觉搜索用户行为的研究分析，发现部分搜索行为中，用户识图搜索后会进行图像相关延伸文本搜索。这说明识图结果是阶段性成果，并未达到用户需求的真正终点，仅凭借视觉信息无法完整表达用户的长尾意图。因此，本实施例描述的方案融合视觉和语音进行多模态搜索，帮助用户实现意图澄清和延伸搜索，打造多模态化的识图能力。用户仅需将终端设备的摄像头对准物体，并说出想要搜索的内容，即可进行视觉加语音的多模态搜索，几乎零成本输入，大幅提升搜索效率。视觉可涵盖、表达大量信息，用户只需说出简短的指令即可发起搜索，表达门槛低，解决了用户需求难以描述的技术问题。融合视觉和语音进行多模态搜索，用户可通过语音指令实现意图澄清，同时可事实补充延伸诉求，一直达到用户需求的真正终点。

进一步参考图3，其示出了根据本公开的多模态搜索方法的第三个实施例的流程300。该多模态搜索方法包括以下步骤：

步骤301，接收终端设备的摄像头采集的视觉图像和终端设备的麦克风采集的语音音频。

步骤302，通过视觉识别技术对视觉图像进行识别，得到视觉图像的视觉信息。

步骤303，通过语音识别技术对语音音频进行识别，得到语音音频的文本信息。

在本实施例中，步骤301-303的具体操作已在图2所示的实施例中步骤201-203中进行了详细的介绍，在此不再赘述。

步骤304，确定文本信息对应的意图信息。

在本实施例中，服务器可以确定文本信息对应的意图信息。

其中，意图信息可以用于表达文本信息中的搜索动机。通常，从文本信息中提取出与搜索动机相关的关键词，即可得到意图信息。在一些实施例中，服务器中存储有预先训练的意图模型，将文本信息输入至意图模型，得到意图信息。利用意图模型进行意图分类，能够模仿人的思维，从而提高意图分类准确度。其中，意图模型可以是具有意图分类功能的深度学习模型，通过如下步骤训练得到：

首先，获取大量训练样本。

其中，训练样本可以包括样本文本信息和样本意图类别。通常，在人工定义的标准下对用户意图进行分类，并富集对应话术，得到大量训练样本。

其次，将样本文本信息作为输入，将样本意图类别作为输出，对分类模型进行训练，得到意图模型。

通常，使用大量训练样本对分类模型进行有监督训练，学习每种样本意图类别。在完成模型训练后，输入用户的语音音频的文本信息，即可分类得到对应的意图信息。

步骤305，将意图信息作用于视觉信息生成多模态搜索信息，或者将意图信息与视觉信息合并生成多模态搜索信息。

在本实施例中，服务器可以将意图信息作用于视觉信息生成多模态搜索信息，或者将意图信息与视觉信息合并生成多模态搜索信息。例如，若视觉信息是“铁皮石斛”，意图信息是“石斛做菜”，将意图信息作用于视觉信息，生成一条“铁皮石斛做菜”的搜索需求，并基于“铁皮石斛做菜”的搜索需求进行搜索，得到“铁皮石斛的吃法与作用”的搜索结果。又例如，若视觉信息是“铁皮石斛”，意图信息是“做菜”，将意图信息与视觉信息共同发起搜索，得到“铁皮石斛的吃法与作用”的搜索结果。

步骤306，基于多模态搜索信息进行搜索，得到多模态搜索结果。

步骤307，将多模态搜索结果发送给终端设备。

在本实施例中，步骤306-307的具体操作已在图2所示的实施例中步骤205-206中进行了详细的介绍，在此不再赘述。

从图3中可以看出，与图2对应的实施例相比，本实施例中的多模态搜索方法的流程300突出了意图识别步骤。由此，本实施例描述的方案，确定用户的搜索意图，将搜索意图作用于视觉信息发起搜索，或者将搜索意图与视觉信息共同发起搜索，去除语音音频中的冗余信息，仅保留表达搜索动机的关键词与视觉信息一起进行搜索，使得用户的搜索意图更加澄清，进而使得搜索得到的多模态搜索结果更加能够满足用户的需求。

进一步参考图4，其示出了可以实现图3所示的实施例的多模态搜索方法的应用场景图。如图4所示，用户开启手机摄像头，启动识万物模式，对准三盘食材。通过视觉识别技术识别出取景框图像中的三盘食材分别是“青椒”、“莲子”和“石斛”。随后，提示多模态搜索模式已开启，并提示用户说出搜索需求。用户语音说出搜索需求，通过语音识别技术识别出用户说的是“石斛怎么吃”。将文本“石斛怎么吃”输入至意图模型，得到用户的搜索意图是“石斛做菜”。将搜索意图“石斛做菜”作用于取景框图像中的“石斛”发起搜索，得到“石斛的吃法与作用”的搜索结果。最后，将“石斛的吃法与作用”的搜索结果以卡片外形态外露呈现在取景框图像中的“石斛”上。

进一步参考图5，其示出了根据本公开的多模态搜索方法的第四个实施例的流程500。该多模态搜索方法包括以下步骤：

步骤501，接收终端设备的摄像头采集的视觉图像和通过对终端设备操作采集的触控操作数据或手势操作数据。

在本实施例中，终端设备可以采集用户几乎同时输入的视觉图像和触控操作数据或手势操作数据。在输入视觉图像之后，用户可以在视觉图像上执行触控操作或手势操作。视觉图像和触控操作数据或手势操作数据会发送至服务器。

通常，终端设备可以利用摄像头采集视觉图像。几乎同时，终端设备还可以采集用户通过触控操作或手势操作指定的视觉图像中的物体信息。例如，用户可以开启终端设备上的摄像头对准物体采集其视觉图像。紧随其后，用户可以通过触控操作或手势操作指定视觉图像中的物体。在实际应用中，视觉图像中可以存在多个物体，用户通过触控操作或手势操作可以指定视觉图像中的一个或多个物体。

步骤502，通过视觉识别技术对视觉图像进行识别，得到视觉图像的视觉信息。

在本实施例中，步骤502的具体操作已在图2所示的实施例中步骤202中进行了详细的介绍，在此不再赘述

步骤503，确定触控操作数据或手势操作数据对应的指令信息。

在本本实施例中，服务器可以确定触控操作数据或手势操作数据对应的指令信息。

通常，用户可以通过触控操作或手势操作指定视觉图像中的物体。触控操作数据或手势操作数据对应的指令信息就是触控操作或手势操作指定的物体信息。

步骤504，将指令信息作用于视觉信息生成多模态搜索信息。

在本实施例中，服务器可以将指令信息作用于视觉信息生成多模态搜索信息。

通常，服务器可以将视觉信息和指令信息合成一条多模态搜索信息。其中，多模态搜索信息可以包括视觉信息中指令信息所指定的物体信息。

步骤505，基于多模态搜索信息进行搜索，得到多模态搜索结果。

步骤506，将多模态搜索结果发送给终端设备。

在本实施例中，步骤505-506的具体操作已在图2所示的实施例中步骤205-206中进行了详细的介绍，在此不再赘述。

从图5中可以看出，与图1对应的实施例相比，本实施例中的多模态搜索方法的流程500突出了视觉加指令的多模态搜索。由此，本实施例描述的方案融合视觉和指令进行多模态搜索，帮助用户实现意图澄清和延伸搜索，打造多模态化的识图能力。用户仅需将终端设备的摄像头对准物体，并通过触摸操作或手势操作，即可进行视觉加指令的多模态搜索，几乎零成本输入，大幅提升搜索效率。视觉可涵盖、表达大量信息，用户只需通过触摸操作或手势操作指定物体即可发起搜索，表达门槛低，解决了用户需求难以描述的技术问题。

进一步参考图6，其示出了根据本公开的多模态搜索方法的第五个实施例的流程600。该多模态搜索方法包括以下步骤：

步骤601，接收终端设备的麦克风采集的语音音频。

在本实施例中，终端设备可以采集用户输入的语音音频。用户输入的语音音频会发送至服务器。

通常，终端设备还可以利用其麦克风采集语音音频。

步骤602，通过语音识别技术对语音音频进行识别，得到语音音频的文本信息。

在本实施例中，步骤602的具体操作已在图2所示的实施例中步骤203中进行了详细的介绍，在此不再赘述

步骤603，接收终端设备通过对终端设备操作采集的触控操作数据和手势操作数据，以及确定触控操作数据或手势操作数据对应的指令信息。

在本实施例中，用户可以在其终端设备上执行触控操作或手势操作。触控操作数据或手势操作数据会发送至服务器。服务器可以确定触控操作数据或手势操作数据对应的指令信息。

通常，用户可以通过触控操作或手势操作指定语音音频的文本信息中的物体。在实际应用中，文本信息中可以存在多个物体，用户通过触控操作或手势操作可以指定文本信息中的一个或多个物体。触控操作数据或手势操作数据对应的指令信息就是触控操作或手势操作指定的物体信息。

步骤604，将文本信息和指令信息合成多模态搜索信息。

在本实施例中，服务器可以将文本信息和指令信息合成多模态搜索信息。

通常，服务器可以将文本信息和指令信息合成一条多模态搜索信息。其中，多模态搜索信息可以包括文本信息和指令信息的关键信息。例如，组合文本信息和指令信息，生成一条多模态搜索信息。又例如，分别提取文本信息和指令信息的关键信息，组合成一条多模态搜索信息。

在一些实施例中，服务器可以确定文本信息对应的意图信息；将指令信息作用于意图信息发起搜索，得到多模态搜索结果。其中，意图信息可以用于表达文本信息中的搜索动机。通常，从文本信息中提取出与搜索动机相关的关键词，即可得到意图信息。通常，服务器中存储有预先训练的意图模型，将文本信息输入至意图模型，得到意图信息。在实际应用中，当识别出多个搜索意图时，将指令信息作用于搜索意图发起搜索，可以准确地确定用户真正的那个搜索意图，使得用户的搜索意图更加澄清，进而使得搜索得到的多模态搜索结果更加能够满足用户的需求。

步骤605，基于多模态搜索信息进行搜索，得到多模态搜索结果。

步骤606，将多模态搜索结果发送给终端设备。

在本实施例中，步骤605-606的具体操作已在图2所示的实施例中步骤205-206中进行了详细的介绍，在此不再赘述。

从图6中可以看出，与图1对应的实施例相比，本实施例中的多模态搜索方法的流程600突出了语音加指令的多模态搜索。由此，本实施例描述的方案融合语音和指令进行多模态搜索，帮助用户实现意图澄清和延伸搜索，打造多模态化的语音识别能力。用户仅需说出语音信息，并通过触摸操作或手势操作，即可进行语音加指令的多模态搜索，几乎零成本输入，大幅提升搜索效率。语音可涵盖、表达大量信息，用户只需通过触摸操作或手势操作指定物体即可发起搜索，表达门槛低，解决了用户需求难以描述的技术问题。

进一步参考图7，作为对上述各图所示方法的实现，本公开提供了一种多模态搜索装置的一个实施例，该装置实施例与图1所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图7所示，本实施例的多模态搜索装置700可以包括：接收模块701、合成模块702、搜索模块703和发送模块704。其中，接收模块701，被配置成接收终端设备采集的至少两种模态的搜索信息，其中，模态包括以下至少一种：文本、语音、视觉、手势和触控；合成模块702，被配置成将至少两种模态的搜索信息合成多模态搜索信息；搜索模块703，被配置成基于多模态搜索信息进行搜索，得到多模态搜索结果；发送模块704，被配置成将多模态搜索结果发送给终端设备。

在本实施例中，多模态搜索装置700中：接收模块701、合成模块702、搜索模块703和发送模块704的具体处理及其所带来的技术效果可分别参考图1对应实施例中的步骤101-104的相关说明，在此不再赘述。

在本实施例的一些可选的实现方式中，接收模块701包括：第一接收子模块，被配置成接收终端设备的摄像头采集的视觉图像和终端设备的麦克风采集的语音音频；以及合成模块702包括：第一识别子模块，被配置成通过视觉识别技术对视觉图像进行识别，得到视觉图像的视觉信息；第二识别子模块，被配置成通过语音识别技术对语音音频进行识别，得到语音音频的文本信息；第一合成子模块，被配置成将视觉信息和文本信息合成多模态搜索信息。

在本实施例的一些可选的实现方式中，第一合成子模块包括：第一确定单元，被配置成确定文本信息对应的意图信息；第一合成单元，被配置成将意图信息作用于视觉信息生成多模态搜索信息，或者将意图信息与视觉信息合并生成多模态搜索信息。

在本实施例的一些可选的实现方式中，接收模块701包括：第二接收子模块，被配置成接收终端设备的摄像头采集的视觉图像和通过对终端设备操作采集的触控操作数据或手势操作数据；以及合成模块702包括：第三识别子模块，被配置成通过视觉识别技术对视觉图像进行识别，得到视觉图像的视觉信息；第一确定子模块，被配置成确定触控操作数据或手势操作数据对应的指令信息；第二合成子模块，被配置成将指令信息作用于视觉信息生成多模态搜索信息。

在本实施例的一些可选的实现方式中，接收模块701包括：第三接收子模块，被配置成接收终端设备的麦克风采集的语音音频和通过对终端设备操作采集的触控操作数据和手势操作数据；以及合成模块702包括：第四识别子模块，被配置成通过语音识别技术对语音音频进行识别，得到语音音频的文本信息；第二确定子模块，被配置成确定触控操作数据或手势操作数据对应的指令信息；第三合成子模块，被配置成将文本信息和指令信息合成多模态搜索信息。

在本实施例的一些可选的实现方式中，第三合成子模块包括：第二确定单元，被配置成确定文本信息对应的意图信息；第二合成单元，被配置成将指令信息作用于意图信息生成多模态搜索信息。

在本实施例的一些可选的实现方式中，第一确定单元或第二确定单元进一步被配置成：将文本信息输入至预先训练的意图模型，得到意图信息。

在本实施例的一些可选的实现方式中，意图模型通过如下步骤进行训练：获取训练样本，其中，训练样本包括样本文本信息和样本意图类别；将样本文本信息作为输入，将样本意图类别作为输出，对分类模型进行训练，得到意图模型。

本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。

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，例如多模态搜索方法。例如，在一些实施例中，多模态搜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多模态搜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)而被配置为执行多模态搜索方法。

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。服务器可以是云服务器，也可以是分布式系统的服务器，或者是结合了区块链的服务器。

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提供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 (19)

1.一种多模态搜索方法，包括：

接收终端设备采集的至少两种模态的搜索信息，其中，所述模态包括以下至少一种：文本、语音、视觉、手势和触控；

将所述至少两种模态的搜索信息合成多模态搜索信息；

基于所述多模态搜索信息进行搜索，得到多模态搜索结果；

将所述多模态搜索结果发送给所述终端设备。

2.根据权利要求1所述的方法，其中，所述接收终端设备采集的至少两种模态的搜索信息，包括：

接收所述终端设备的摄像头采集的视觉图像和所述终端设备的麦克风采集的语音音频；以及

所述将所述至少两种模态的搜索信息合成多模态搜索信息，包括：

通过视觉识别技术对所述视觉图像进行识别，得到所述视觉图像的视觉信息；

通过语音识别技术对所述语音音频进行识别，得到所述语音音频的文本信息；

将所述视觉信息和所述文本信息合成所述多模态搜索信息。

3.根据权利要求2所述的方法，其中，所述将所述视觉信息和所述文本信息合成所述多模态搜索信息，包括：

确定所述文本信息对应的意图信息；

将所述意图信息作用于所述视觉信息生成所述多模态搜索信息，或者将所述意图信息与所述视觉信息合并生成所述多模态搜索信息。

4.根据权利要求1所述的方法，其中，所述接收终端设备采集的至少两种模态的搜索信息，包括：

接收所述终端设备的摄像头采集的视觉图像和通过对所述终端设备操作采集的触控操作数据或手势操作数据；以及

所述将所述至少两种模态的搜索信息合成多模态搜索信息，包括：

通过视觉识别技术对所述视觉图像进行识别，得到所述视觉图像的视觉信息；

确定所述触控操作数据或所述手势操作数据对应的指令信息；

将所述指令信息作用于所述视觉信息生成所述多模态搜索信息。

5.根据权利要求1所述的方法，其中，所述接收终端设备采集的至少两种模态的搜索信息，包括：

接收所述终端设备的麦克风采集的语音音频和通过对所述终端设备操作采集的触控操作数据和手势操作数据；以及

所述将所述至少两种模态的搜索信息合成多模态搜索信息，包括：

通过语音识别技术对所述语音音频进行识别，得到所述语音音频的文本信息；

确定所述触控操作数据或所述手势操作数据对应的指令信息；

将所述文本信息和所述指令信息合成所述多模态搜索信息。

6.根据权利要求5所述的方法，其中，所述将所述文本信息和所述指令信息合成所述多模态搜索信息，包括：

确定所述文本信息对应的意图信息；

将所述指令信息作用于所述意图信息生成所述多模态搜索信息。

7.根据权利要求3或6所述的方法，其中，所述确定所述文本信息对应的意图信息，包括：

将所述文本信息输入至预先训练的意图模型，得到所述意图信息。

8.根据权利要求7所述的方法，其中，所述意图模型通过如下步骤进行训练：

获取训练样本，其中，所述训练样本包括样本文本信息和样本意图类别；

将所述样本文本信息作为输入，将所述样本意图类别作为输出，对分类模型进行训练，得到所述意图模型。

9.一种多模态搜索装置，包括：

接收模块，被配置成接收终端设备采集的至少两种模态的搜索信息，其中，所述模态包括以下至少一种：文本、语音、视觉、手势和触控；

合成模块，被配置成将所述至少两种模态的搜索信息合成多模态搜索信息；

搜索模块，被配置成基于所述多模态搜索信息进行搜索，得到多模态搜索结果；

发送模块，被配置成将所述多模态搜索结果发送给所述终端设备。

10.根据权利要求9所述的装置，其中，所述接收模块包括：

第一接收子模块，被配置成接收所述终端设备的摄像头采集的视觉图像和所述终端设备的麦克风采集的语音音频；以及

所述合成模块包括：

第一识别子模块，被配置成通过视觉识别技术对所述视觉图像进行识别，得到所述视觉图像的视觉信息；

第二识别子模块，被配置成通过语音识别技术对所述语音音频进行识别，得到所述语音音频的文本信息；

第一合成子模块，被配置成将所述视觉信息和所述文本信息合成所述多模态搜索信息。

11.根据权利要求10所述的装置，其中，所述第一合成子模块包括：

第一确定单元，被配置成确定所述文本信息对应的意图信息；

第一合成单元，被配置成将所述意图信息作用于所述视觉信息生成所述多模态搜索信息，或者将所述意图信息与所述视觉信息合并生成所述多模态搜索信息。

12.根据权利要求9所述的装置，其中，所述接收模块包括：

第二接收子模块，被配置成接收所述终端设备的摄像头采集的视觉图像和通过对所述终端设备操作采集的触控操作数据或手势操作数据；以及

所述合成模块包括：

第三识别子模块，被配置成通过视觉识别技术对所述视觉图像进行识别，得到所述视觉图像的视觉信息；

第一确定子模块，被配置成确定所述触控操作数据或所述手势操作数据对应的指令信息；

第二合成子模块，被配置成将所述指令信息作用于所述视觉信息生成所述多模态搜索信息。

13.根据权利要求9所述的装置，其中，所述接收模块包括：

第三接收子模块，被配置成接收所述终端设备的麦克风采集的语音音频和通过对所述终端设备操作采集的触控操作数据和手势操作数据；以及

所述合成模块包括：

第四识别子模块，被配置成通过语音识别技术对所述语音音频进行识别，得到所述语音音频的文本信息；

第二确定子模块，被配置成确定所述触控操作数据或所述手势操作数据对应的指令信息；

第三合成子模块，被配置成将所述文本信息和所述指令信息合成所述多模态搜索信息。

14.根据权利要求13所述的装置，其中，所述第三合成子模块包括：

第二确定单元，被配置成确定所述文本信息对应的意图信息；

第二合成单元，被配置成将所述指令信息作用于所述意图信息生成所述多模态搜索信息。

15.根据权利要求11或14所述的装置，其中，所述第一确定单元或所述第二确定单元进一步被配置成：

将所述文本信息输入至预先训练的意图模型，得到所述意图信息。

16.根据权利要求15所述的装置，其中，所述意图模型通过如下步骤进行训练：

获取训练样本，其中，所述训练样本包括样本文本信息和样本意图类别；

将所述样本文本信息作为输入，将所述样本意图类别作为输出，对分类模型进行训练，得到所述意图模型。

17.一种电子设备，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1-8中任一项所述的方法。

18.一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行权利要求1-8中任一项所述的方法。

19.一种计算机程序产品，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1-8中任一项所述的方法。

Images