CN113849462A - 一种网络素材的智能推荐方法、系统、计算机设备及介质 - Google Patents
一种网络素材的智能推荐方法、系统、计算机设备及介质 Download PDFInfo
- Publication number
- CN113849462A CN113849462A CN202111085682.7A CN202111085682A CN113849462A CN 113849462 A CN113849462 A CN 113849462A CN 202111085682 A CN202111085682 A CN 202111085682A CN 113849462 A CN113849462 A CN 113849462A
- Authority
- CN
- China
- Prior art keywords
- material file
- keyword
- file
- knowledge graph
- template
- 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
- 239000000463 material Substances 0.000 title claims abstract description 183
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000002372 labelling Methods 0.000 claims abstract description 21
- 238000012216 screening Methods 0.000 claims abstract description 14
- 238000007781 pre-processing Methods 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 3
- 238000013136 deep learning model Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 abstract description 5
- 230000008569 process Effects 0.000 description 12
- 230000006870 function Effects 0.000 description 6
- 239000013598 vector Substances 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06F16/10—File systems; File servers
- G06F16/14—Details of searching files based on file metadata
- G06F16/148—File search processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Library & Information Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供的一种网络素材的智能推荐方法、系统、计算机设备以及存储介质，方案方法包括：获取第一素材文件，对所述第一素材文件进行标签化预处理，根据标签化预处理后的所述第一素材文件构建得到知识图谱；获取用户输入指令，从所述用户输入指令中提取得到第一关键词；根据所述第一关键词在所述知识图谱中进行匹配，根据匹配结果筛选得到第二素材文件，根据所述第二素材文件生成模板文件；方案基于知识图谱，以使得素材的分类不在局限于素材本身的属性分类，为用户提供了更为丰富的可选择内容，方案可实现用户的设计概念形成创意创作产出，模板的组合多样化，概念关联搜索更具有普适性，可广泛应用于计算机技术领域。
Description
技术领域
本发明属于计算机技术领域，尤其是一种网络素材的智能推荐方法、系统、计算机设备以及存储介质。
背景技术
现有技术中，各类的创意平台以及相应的软件，在智能化生成创意内容的过程中，将存储在平台中的素材，通过一定的重组排版，输出固定的模板，用户可以通过其具体需求进行选择，或者通过模板的分类找到同类别的创意内容模板；但通过现有技术方案所生成的模板，由于素材和模板排版固定化，给到不同的用户会存在单一化，可选择内容比较有限的问题。
发明内容
有鉴于此，为至少部分解决上述技术问题之一，本发明实施例目的在于提供一种推荐方案更为丰富，适用场景更为宽泛的网络素材的智能推荐方法，以及提供了能够对应实现该方法的系统、设备以及存储介质。
第一方面，本申请的技术方案提供了一种网络素材的智能推荐方法，其步骤包括：
获取第一素材文件，对所述第一素材文件进行标签化预处理，根据标签化预处理后的所述第一素材文件构建得到知识图谱；
获取用户输入指令，从所述用户输入指令中提取得到第一关键词；
根据所述第一关键词在所述知识图谱中进行匹配，根据匹配结果筛选得到第二素材文件，根据所述第二素材文件生成模板文件。
在本申请方案的一种可行的实施例中，所述对所述第一素材文件进行标签化预处理这一步骤，其包括以下步骤至少之一：
获取所述第一素材文件尺寸信息以及格式信息，生成属性标签；
获取所述第一素材文件中像素的颜色值，根据所述颜色值生成色彩标签；
获取所述第一素材文件的图像边缘，根据所述图像边缘提取得到图像纹理以及形状特征，根据所述图像纹理以及所述形状特征生成内容标签；
通过预先训练的深度学习模型生成所述第一素材文件的风格标签。
在本申请方案的一种可行的实施例中，所述根据标签化预处理后的所述第一素材文件构建得到知识图谱这一步骤，包括：
根据所述第一素材文件的至少一个标签，获取得到第三素材文件；
将至少一个所述标签作为第二关键词，根据所述第三素材文件的元素与所述第二关键词之间的关联关系，生成所述知识图谱的连接线；
将所述第二关键词以及所述元素作为节点，结合所述连接线构建得到所述知识图谱。
在本申请方案的一种可行的实施例中，所述根据所述第三素材文件的元素与所述第二关键词之间的关联关系这一步骤，包括：
根据所述第二关键词进行相似度匹配从所述第三素材文件筛选得到所述元素；
根据所述元素在所述第三素材文件的内容占比确定关联度值；所述关联度值用于表征所述关联关系。
在本申请方案的一种可行的实施例中，在获取得到第三素材文件这一步骤之后，所述方法还包括以下步骤：
对所述第三素材文件进行去噪处理，将去噪处理后的所述第三素材文件进行标准化处理，得到若干候选元素。
在本申请方案的一种可行的实施例中，所述获取用户输入指令，从所述用户输入指令中提取得到第一关键词这一步骤，包括：
对所述输入指令进行分词，得到若干词汇；
将所述词汇与第一素材文件的至少一个标签进行语义匹配，根据匹配结果确定所述第一关键词。
在本申请方案的一种可行的实施例中，获取若干历史模板文件，从所述历史模板文件提取得到排版规则以及所述排版规则中的第三关键词；
确定所述第三关键词与所述第一关键词相匹配，根据所述排版规则的频率得到所述模板文件的目标排版规则。
第二方面，本发明的技术方案还提供一种网络素材的智能推荐系统，该系统包括：
图谱构建单元，用于获取第一素材文件，对所述第一素材文件进行标签化预处理，根据标签化预处理后的所述第一素材文件构建得到知识图谱；
指令获取单元，用于获取用户输入指令，从所述用户输入指令中提取得到第一关键词；
素材筛选单元，用于根据所述第一关键词在所述知识图谱中进行匹配，根据匹配结果筛选得到第二素材文件；
模板生成单元，根据所述第二素材文件生成模板文件。
第三方面，本发明的技术方案还提供一种网络素材的智能推荐的计算机设备，其包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当至少一个程序被至少一个处理器执行，使得至少一个处理器运行第一方面中所述方法。
第四方面，本发明的技术方案还提供一种存储介质，其中存储有处理器可执行的程序，所述处理器可执行的程序在由处理器执行时用于运行第一方面所述一种网络素材的智能推荐方法。
本发明的优点和有益效果将在下面的描述中部分给出，其他部分可以通过本发明的具体实施方式了解得到：
本申请技术方案首先通过对素材的标签化预处理，建立素材标签相关的知识图谱，用户输入创意概念，通过知识图谱找到概念相关的素材，使用素材生成多样化的模板，模板推荐给用户；方案基于知识图谱，以使得素材的分类不在局限于素材本身的属性分类，为用户提供了更为丰富的可选择内容，方案可实现用户的设计概念形成创意创作产出，模板的组合多样化，概念关联搜索更具有普适性。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种网络素材的智能推荐方法的步骤流程图；
图2为本发明实施例提供的另一种网络素材的智能推荐方法的步骤流程图。
具体实施方式
下面详细描述本发明的实施例，实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
现有技术所生成的素材模板，由于素材和模板排版固定化，存在着单一化的问题。本申请的技术方案，通过建立知识图谱，使用户可以通过指令形式输入创意的概念，获取得到关联的素材，再通过算法和排版，生成相应的模板，让用户的创意概念能够达到智能产出和智能推荐的效果。
第一方面，如图1所示，本申请的技术方案提供了一种网络素材的智能推荐方法，其主要步骤可以包括S100-S300：
S100、获取第一素材文件，对第一素材文件进行标签化预处理，根据标签化预处理后的第一素材文件构建得到知识图谱；
其中，第一素材文件是指用于生成各类标签的示例性素材文件，其来源可以为现有已经成熟的素材库中获取得到相应素材；在实施例中，各类素材文件(包括但不限于第一素材文件、第二素材文件以及第三素材文件等)的文件格式可以是多样的，包括但不限于图像、音频、视频以及文字内容的素材。标签预处理的过程主要是针对第一素材文件生成对应的字符格式的标签，处理过程包括但不限于提取图像素材的色彩值作为色彩属性的标签、提取图像素材中的具体内容作为内容属性的标签以及提取文字素材中的关键词或者语义特征得到对应的内容属性标签等。知识图谱是语义网络(Semantic Network)的知识库，在本申请实施例中，知识图谱可以用于表征标签与标签之间的关联关系。
具体地，以图片素材为例，通过已有的结构化方式存储素材内容，即第一素材文件构建知识图谱，首先实施例根据素材存储时的各种不同格式属性，进行预处理，预处理是为了提取素材的部分公有属性，包括尺寸，格式，内容，色调，风格。标签化处理过程则是给不同素材打上素材属性值，如格式属性的jpg、png、svg、psd等标签；尺寸属性的720×1280，4k等标签；内容属性的森林，山脉，汽车，人像等标签；然后将生成的标签内容作为知识图谱的节点，并根据节点与节点之间的关联关系，即标签内容之间的关联关系形成节点之间的连接线(知识图谱的边)，最终形成完整的知识图谱。
S200、获取用户输入指令，从用户输入指令中提取得到第一关键词；
具体地，第一关键词是指在获取用户输入指令之后，通过自然语言处理的方式从用户输入指令中提取得到的关键词；其中，用户输入指令可以是一段对创意概念进行描述的文本内容；也可以是用户直接输入的关键词的组合形式。
示例性地，以关键词的组合形式的用户输入指令为例，首先用户不清楚当前使用的模板库存在什么内容或风格的素材，只能根据实际需求输入关键词。当模板库不存在这个关键词的素材或模板的内容和分类，就存在搜索完成后没有搜索结果的情况。又例如，当用户输入“大气”关键词搜索，程序先搜索“大气”这个词的素材和模板，搜索结束后有以下情况：其一、不存在相对于的模板的情况下，在知识图谱搜索是否存在“大气”关键词的关联词语，不存在则进行使用“大气”作为关键词，构建得到相应的知识图谱，为“大气”建立知识图谱，并使用关联词作为搜索关键词，搜索模板或素材，直至找出对应的素材和模板。其二、不存在相对于的模板的情况下，但在知识图谱中存在“大气”关键词的关联词语，则直接使用关联词作为搜索关键词，搜索模板或素材，直至找出对应的素材和模板。其三、存在模板的情况下，直接显示这部分素材和模板，同时，搜索部分关联素材和模板进行展示，并记录用户使用推荐素材和模板的比例。
S300、根据第一关键词在知识图谱中进行匹配，根据匹配结果筛选得到第二素材文件，根据第二素材文件生成模板文件；
其中，第二素材文件是指通过关键词匹配之后，确定满足用户输入指令的目标需求的素材文件；在进行关键词的匹配过程中，本实施例可以对需要进行匹配的关键词，计算关键词之间的语义相似度；例如，实施例中可以将需要进行匹配的关键词转化为词向量的形式，然后利用余弦相似度(Cosine Similarity)计算两个词向量的相似度，当两个词向量的相似度满足预设的相似度阈值时，则认定关键词匹配成功。可以理解的是，当用户输入指令中包含有多个关键词时，可以同时进行多个关键词的相似度匹配。在匹配成功后，在实施例所构建得到的知识图谱中，根据匹配成功的关键词进行节点搜索，确定输入的关键词所涵盖的所有节点，并根据节点直接的关联关系，将对应的素材内容按照预设的排版规则形成目标模板文件。
在一些可选择的实施例中，针对不同格式以及不同内容的素材文件，对第一素材文件进行标签化预处理这一过程，其可以包括但不限于步骤S110-S140：
S110、获取第一素材文件尺寸信息以及格式信息，生成属性标签；
S120、获取第一素材文件中像素的颜色值，根据颜色值生成色彩标签；
S130、获取第一素材文件的图像边缘，根据图像边缘提取得到图像纹理以及形状特征，根据图像纹理以及形状特征生成内容标签；
S140、通过预先训练的深度学习模型生成第一素材文件的风格标签；
示例性地，实施例在素材上传的过程中先获取到图片素材的基本属性，如尺寸大小，图片格式，然后保存这类的属性标签。实施例还可以通过图像识别技术，获取到图片内每个像素点的rgba或hex颜色值，统计颜色值占总像素的比例，用来确定图片的颜色和色调等属性。实施例可以通过图片识别，在获取到像素点的颜色的前提下，去掉噪声的影响，确定图像边缘；在确定了图像边缘以后，即可提取到图片的纹理和形状特征，最终确定图像内容(例如树木，山脉，汽车，人像等)并打上内容标签。最后实施例还可以生成图片的风格类属性标签，则是通过机器学习的方法，先对预处理后的图片进行风格判断，机器根据判断结果，分析图片素材的色调，布局，内容等，提高机器对风格判断的准确性，最终完成素材的标签化预处理。
在一些可选择的实施例中，根据标签化预处理后的第一素材文件构建得到知识图谱这一步骤，还可以包括步骤S150-S170：
S150、根据第一素材文件的至少一个标签，获取得到第三素材文件；
S160、将至少一个标签作为第二关键词，根据第三素材文件的元素与第二关键词之间的关联关系，生成知识图谱的连接线；
S170、将第二关键词以及元素作为节点，结合连接线构建得到知识图谱；
其中，实施例中的第三素材可以是网络上公开、抓取的数据，这些数据文件通常是以网页的形式存在所以是非结构化的数据内容。具体地，实施例根据步骤S110-S140中所生成的标签作为关键词，在公开的网络数据中进行搜索，得到相应的素材文件，将搜索得到的素材文件进行必要的预处理去除噪声以及无效数据，并进行格式内容的统一以及内容的拆解之后，得到素材元素，将搜索过程中采用的关键词作为知识图谱中的一个节点或者实体，将拆解得到的素材元素作为其他的节点或者实体，并根据节点或者实体之间属性或者关联关系，形成知识图谱的边，即知识图谱的连接线，最终形成连接所有可以连接的节点或者实体，得到完整的知识图谱。
在一些可选择的实施例中，步骤S160根据第三素材文件的元素与第二关键词之间的关联关系这一过程，可以包括步骤S161-S162：
S161、根据第二关键词进行相似度匹配从第三素材文件筛选得到元素；
S162、根据元素在第三素材文件的内容占比确定关联度值；
其中，关联度值用于表征关联关系。示例性地，以文字内容素材为例，实施例可以将需要进行匹配的关键词转化为词向量的形式，然后利用余弦相似度(CosineSimilarity)计算两个词向量的相似度，当两个词向量的相似度满足预设的相似度阈值时，则认定关键词匹配成功；然后，统计所有文章中相同词性的词语出现的次数；基于统计完成后的结果，实施例设置一个变量x，例如，可以x来源于文章的字数每1000字，某个词语出现的占比为10％，我们认为这个词语与关键词有关联，x则为0.1。变量x可在知识图谱建立以后，审核词语与关联词关联性，提高或降低x的值，用以提高关联度。找到词语与关联词以后，把词语在文章内容1000字中占比，作为关联度值y。用关联词、关联度值、词语形成知识图谱的数据三元组(关联词，关联度，词语)。最后一定时间周期内重复这个工作，用最新的关联度值y与旧y值对比，在y值高于最新x值的基础上，y的新值和旧值相加取平均值作为新的y值，不断更新y值，使关键字和关联的词关联度和准确性提高，从而建立起一个完善的知识领域的知识图谱。
除此之外，实施例中的关键词还可通过用户在搜索时产生的搜索记录数据，筛选出最常用的部分关键词，将这部分关键词加入爬虫获取数据的搜索关键词中，使实施例更具智能化。
在一些可选择的实施例中，方法的步骤S150中获取得到第三素材文件这一过程之后，还可以包括步骤S150A：
S150A、对第三素材文件进行去噪处理，将去噪处理后的第三素材文件进行标准化处理，得到若干候选元素；
示例性地，以文字内容素材为例，实施例通过标签内容，在搜索引擎中利用标签为关键词，搜索出最新的100篇文章。获取到文章内容后，使用结巴分词，对文章内容分词。先去掉对素材无意义的虚词，如连词，介词，助词和语气词等词性的词语。然后判断关键词的词性，在文章内容中寻找相同或类似的词性的词语。
在一些可选择的实施例中，获取用户输入指令，从用户输入指令中提取得到第一关键词这一步骤S200，可以包括步骤S210-S220：:
S210、对输入指令进行分词，得到若干词汇；
S220、将词汇与第一素材文件的至少一个标签进行语义匹配，根据匹配结果确定第一关键词；
具体地，当实施例中的用户输入指令为一段对创意概念进行描述的文本内容时，实施例可以在获取到用户输入指令后，使用结巴分词，对用户输入指令内容分词；先去掉无意义的虚词，如连词，介词，助词和语气词等词性的词语；然后判断关键词的词性，在用户输入指令内容中寻找与步骤S110-S140步骤得到标签相同或类似词性的词语。
在一些可选择的实施例中，步骤S300中根据第二素材文件生成模板文件这一过程，可以包括步骤S310-S320：
S310、获取若干历史模板文件，从历史模板文件提取得到排版规则以及排版规则中的第三关键词；
S320、确定第三关键词与第一关键词相匹配，根据排版规则的频率得到模板文件的目标排版规则；
具体地，实施例在确定与关键词有关联的素材后，通过对以往生成的模板采纳机率高的模板排版、人工核查组合模板规则、使用已有模板排版等方式，对查找出来的素材，根据素材属性标签，使用以上的排版，对进行素材的排版组合，生成出多样化的模板；同时，对生成的模板随机记录一部分到管理后台，进行复查，过机器学习，记录结果，找出排版通过率高的排版共同点，优化排版规则。生成完的模板，从模板的完整性，排版设计合理性，模板使用率，模板与创意概念符合性等多方面，对模板进行排序展示，让用户体验到设计理念能得到创作，模板多样化，智能化的推荐等使用效果。
结合附图2，针对本申请方案的完整实施例进行完整的描述：
实施例首先对素材进行标签化预处理，建立素材标签相关的知识图谱，用户输入创意概念，通过知识图谱找到概念相关的素材，使用素材生成多样化的模板，模板推荐给用户。素材标签化预处理，根据素材内容，尺寸等，为素材打上相对应的标签；建立完整的知识图谱，把概念和实际素材关联上；通过数据和算法，把素材组合成符合用户的模板，最终输出模板推荐给用户。
第二方面，本发明的技术方案还提供一种网络素材的智能推荐系统，该系统包括：
图谱构建单元，用于获取第一素材文件，对第一素材文件进行标签化预处理，根据标签化预处理后的第一素材文件构建得到知识图谱；
指令获取单元，用于获取用户输入指令，从用户输入指令中提取得到第一关键词；
素材筛选单元，用于根据第一关键词在知识图谱中进行匹配，根据匹配结果筛选得到第二素材文件；
模板生成单元，根据第二素材文件生成模板文件。
第三方面，本发明的技术方案还提供一种网络素材的智能推荐计算机设备，其包括：至少一个处理器；至少一个存储器，用于存储至少一个程序；当至少一个程序被至少一个处理器执行，使得至少一个处理器运行第一方面中方法。
从上述具体的实施过程，可以总结出，本发明所提供的技术方案相较于现有技术存在以下优点或优势：
本技术方案基于知识图谱，以使得素材的分类不在局限于素材本身的属性分类，为用户提供了更为丰富的可选择内容，方案可实现用户的设计概念形成创意创作产出，模板的组合多样化，概念关联搜索更具有普适性。
在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外，在本发明的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
此外，虽然在功能性模块的背景下描述了本发明，但应当理解的是，除非另有相反说明，功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本发明的范围，本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
以上是对本发明的较佳实施进行了具体说明，但本发明并不限于上述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (10)
1.一种网络素材的智能推荐方法，其特征在于，包括以下步骤：
获取第一素材文件，对所述第一素材文件进行标签化预处理，根据标签化预处理后的所述第一素材文件构建得到知识图谱；
获取用户输入指令，从所述用户输入指令中提取得到第一关键词；
根据所述第一关键词在所述知识图谱中进行匹配，根据匹配结果筛选得到第二素材文件，根据所述第二素材文件生成模板文件。
2.根据权利要求1所述的一种网络素材的智能推荐方法，其特征在于，所述对所述第一素材文件进行标签化预处理这一步骤，其包括以下步骤至少之一：
获取所述第一素材文件的尺寸信息以及格式信息，生成属性标签；
获取所述第一素材文件中像素的颜色值，根据所述颜色值生成色彩标签；
获取所述第一素材文件的图像边缘，根据所述图像边缘提取得到图像纹理以及形状特征，根据所述图像纹理以及所述形状特征生成内容标签；
通过预先训练的深度学习模型生成所述第一素材文件的风格标签。
3.根据权利要求1所述的一种网络素材的智能推荐方法，其特征在于，所述根据标签化预处理后的所述第一素材文件构建得到知识图谱这一步骤，包括：
根据所述第一素材文件的至少一个标签，获取得到第三素材文件；
将至少一个所述标签作为第二关键词，根据所述第三素材文件的元素与所述第二关键词之间的关联关系，生成所述知识图谱的连接线；
将所述第二关键词以及所述元素作为节点，结合所述连接线构建得到所述知识图谱。
4.根据权利要求3述的一种网络素材的智能推荐方法，其特征在于，所述根据所述第三素材文件的元素与所述第二关键词之间的关联关系这一步骤，包括：
根据所述第二关键词进行相似度匹配从所述第三素材文件筛选得到所述元素；
根据所述元素在所述第三素材文件的内容占比确定关联度值；所述关联度值用于表征所述关联关系。
5.根据权利要求3所述的一种网络素材的智能推荐方法，其特征在于，在获取得到第三素材文件这一步骤之后，所述方法还包括以下步骤：
对所述第三素材文件进行去噪处理，将去噪处理后的所述第三素材文件进行标准化处理，得到若干候选元素。
6.根据权利要求1所述的一种网络素材的智能推荐方法，其特征在于，所述获取用户输入指令，从所述用户输入指令中提取得到第一关键词这一步骤，包括：
对所述用户输入指令进行分词，得到若干词汇；
将所述词汇与第一素材文件的至少一个标签进行语义匹配，根据匹配结果确定所述第一关键词。
7.根据权利要求1-6任一项所述的一种网络素材的智能推荐方法，其特征在于，根据所述第二素材文件生成模板文件这一步骤，包括：
获取若干历史模板文件，从所述历史模板文件提取得到排版规则以及所述排版规则中的第三关键词；
确定所述第三关键词与所述第一关键词相匹配，根据所述排版规则的频率得到所述模板文件的目标排版规则。
8.一种网络素材的智能推荐系统，其特征在于，包括：
图谱构建单元，用于获取第一素材文件，对所述第一素材文件进行标签化预处理，根据标签化预处理后的所述第一素材文件构建得到知识图谱；
指令获取单元，用于获取用户输入指令，从所述用户输入指令中提取得到第一关键词；
素材筛选单元，用于根据所述第一关键词在所述知识图谱中进行匹配，根据匹配结果筛选得到第二素材文件；
模板生成单元，根据所述第二素材文件生成模板文件。
9.一种网络素材的智能推荐计算机设备，其特征在于，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器运行如权利要求1-7任一项所述方法。
10.一种存储介质，其中存储有处理器可执行的程序，其特征在于，所述处理器可执行的程序在由处理器执行时用于运行如权利要求1-7中任一项所述一种网络素材的智能推荐方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111085682.7A CN113849462A (zh) | 2021-09-16 | 2021-09-16 | 一种网络素材的智能推荐方法、系统、计算机设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111085682.7A CN113849462A (zh) | 2021-09-16 | 2021-09-16 | 一种网络素材的智能推荐方法、系统、计算机设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113849462A true CN113849462A (zh) | 2021-12-28 |
Family
ID=78974224
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111085682.7A Pending CN113849462A (zh) | 2021-09-16 | 2021-09-16 | 一种网络素材的智能推荐方法、系统、计算机设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113849462A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114625843A (zh) * | 2022-04-06 | 2022-06-14 | 山东省科院易达科技咨询有限公司 | 基于知识图谱的查询方法及装置 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106570157A (zh) * | 2016-11-03 | 2017-04-19 | 北京金山安全软件有限公司 | 一种图片推送方法、装置及电子设备 |
| CN108399180A (zh) * | 2017-02-08 | 2018-08-14 | 腾讯科技（深圳）有限公司 | 一种知识图谱构建方法、装置及服务器 |
| CN111475625A (zh) * | 2020-05-09 | 2020-07-31 | 山东舜网传媒股份有限公司 | 基于知识图谱的新闻稿件生成方法及系统 |
| CN112052332A (zh) * | 2020-07-30 | 2020-12-08 | 中国建设银行股份有限公司 | 检索方法、装置、电子设备及可读存储介质 |
| CN112148886A (zh) * | 2020-09-04 | 2020-12-29 | 上海晏鼠计算机技术股份有限公司 | 一种内容知识图谱的构建方法及系统 |
| CN112612965A (zh) * | 2020-12-31 | 2021-04-06 | 上海明略人工智能(集团)有限公司 | 基于图谱标签降噪的素材推荐方法及系统 |
| WO2021164255A1 (zh) * | 2020-07-28 | 2021-08-26 | 平安科技（深圳）有限公司 | 一种演示文稿生成方法、装置、计算机设备及存储介质 |
| CN113315998A (zh) * | 2021-04-23 | 2021-08-27 | 浙江海鲤智慧科技有限公司 | 一种智慧视频宣传系统及方法 |
-
2021
- 2021-09-16 CN CN202111085682.7A patent/CN113849462A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106570157A (zh) * | 2016-11-03 | 2017-04-19 | 北京金山安全软件有限公司 | 一种图片推送方法、装置及电子设备 |
| CN108399180A (zh) * | 2017-02-08 | 2018-08-14 | 腾讯科技（深圳）有限公司 | 一种知识图谱构建方法、装置及服务器 |
| CN111475625A (zh) * | 2020-05-09 | 2020-07-31 | 山东舜网传媒股份有限公司 | 基于知识图谱的新闻稿件生成方法及系统 |
| WO2021164255A1 (zh) * | 2020-07-28 | 2021-08-26 | 平安科技（深圳）有限公司 | 一种演示文稿生成方法、装置、计算机设备及存储介质 |
| CN112052332A (zh) * | 2020-07-30 | 2020-12-08 | 中国建设银行股份有限公司 | 检索方法、装置、电子设备及可读存储介质 |
| CN112148886A (zh) * | 2020-09-04 | 2020-12-29 | 上海晏鼠计算机技术股份有限公司 | 一种内容知识图谱的构建方法及系统 |
| CN112612965A (zh) * | 2020-12-31 | 2021-04-06 | 上海明略人工智能(集团)有限公司 | 基于图谱标签降噪的素材推荐方法及系统 |
| CN113315998A (zh) * | 2021-04-23 | 2021-08-27 | 浙江海鲤智慧科技有限公司 | 一种智慧视频宣传系统及方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114625843A (zh) * | 2022-04-06 | 2022-06-14 | 山东省科院易达科技咨询有限公司 | 基于知识图谱的查询方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111190997B (zh) | 一种使用神经网络和机器学习排序算法的问答系统实现方法 | |
| CN111539197A (zh) | 文本匹配方法和装置以及计算机系统和可读存储介质 | |
| CN110765256B (zh) | 一种在线法律咨询自动回复的生成方法与设备 | |
| CN114419642A (zh) | 一种文档图像中键值对信息的抽取方法、装置及系统 | |
| CN112199501A (zh) | 一种科技信息文本分类方法 | |
| WO2024067276A1 (zh) | 用于确定视频的标签的方法、装置、设备及介质 | |
| CN113515632A (zh) | 基于图路径知识萃取的文本分类方法 | |
| CN115203507A (zh) | 一种面向文书领域的基于预训练模型的事件抽取方法 | |
| CN114491034A (zh) | 一种文本分类方法及智能设备 | |
| CN113849462A (zh) | 一种网络素材的智能推荐方法、系统、计算机设备及介质 | |
| CN114239828A (zh) | 一种基于因果关系的供应链事理图谱构建方法 | |
| CN112052332A (zh) | 检索方法、装置、电子设备及可读存储介质 | |
| CN116090450A (zh) | 一种文本处理方法及计算设备 | |
| CN116010545A (zh) | 一种数据处理方法、装置及设备 | |
| Ronghui et al. | Application of Improved Convolutional Neural Network in Text Classification. | |
| CN111723208B (zh) | 基于条件分类树的法律判决文书多分类方法、装置和终端 | |
| CN114417860A (zh) | 一种信息检测方法、装置及设备 | |
| CN115269925A (zh) | 一种基于层次结构的无偏置场景图生成方法 | |
| CN115270818A (zh) | 一种意图识别方法及装置、存储介质、计算机设备 | |
| CN114842301A (zh) | 一种图像注释模型的半监督训练方法 | |
| CN114372148A (zh) | 一种基于知识图谱技术的数据处理方法及终端设备 | |
| Ziran et al. | Accurate graphic symbol detection in ancient document digital reproductions | |
| Rogushina et al. | Use of ontologies for metadata records analysis in big data | |
| CN112559758A (zh) | 构建知识图谱的方法、装置、设备和计算机可读存储介质 | |
| CN112632284A (zh) | 用于未标注文本数据集的信息抽取方法及系统 |
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 |