CN113989792A - 一种基于融合特征的文物推荐算法 - Google Patents
一种基于融合特征的文物推荐算法 Download PDFInfo
- Publication number
- CN113989792A CN113989792A CN202111267384.XA CN202111267384A CN113989792A CN 113989792 A CN113989792 A CN 113989792A CN 202111267384 A CN202111267384 A CN 202111267384A CN 113989792 A CN113989792 A CN 113989792A
- Authority
- CN
- China
- Prior art keywords
- cultural
- cultural relic
- text
- recommendation
- relic
- 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
- 230000004927 fusion Effects 0.000 title claims abstract description 18
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 17
- 238000000034 method Methods 0.000 claims abstract description 47
- 239000013598 vector Substances 0.000 claims abstract description 34
- 238000000605 extraction Methods 0.000 claims abstract description 15
- 238000012360 testing method Methods 0.000 claims abstract description 8
- 230000000694 effects Effects 0.000 claims abstract description 5
- 230000008569 process Effects 0.000 claims abstract description 4
- 230000011218 segmentation Effects 0.000 claims abstract description 4
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000013500 data storage Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 claims description 4
- 239000000463 material Substances 0.000 claims description 4
- 238000002474 experimental method Methods 0.000 claims 1
- 239000013589 supplement Substances 0.000 abstract description 2
- 238000013527 convolutional neural network Methods 0.000 description 5
- 230000006872 improvement Effects 0.000 description 3
- 229910000906 Bronze Inorganic materials 0.000 description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 239000010974 bronze Substances 0.000 description 2
- KUNSUQLRTQLHQQ-UHFFFAOYSA-N copper tin Chemical compound [Cu].[Sn] KUNSUQLRTQLHQQ-UHFFFAOYSA-N 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000010422 painting Methods 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 206010044565 Tremor Diseases 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 230000009193 crawling Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011438 discrete method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000004091 panning Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 229910052573 porcelain Inorganic materials 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000010845 search algorithm 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
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/047—Probabilistic or stochastic 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)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明为了更好的文物推荐效果,让用户兴趣与推荐结果有更好的匹配程度,提出了一种基于融合特征的文物推荐算法,其中融合特征分别指文物文本特征和文物图像特征。在文本特征提取中,涉及到文物名称中关键信息提取,本文提出基于匹配规则和基于统计的方法结合对文物名称分词,方便后续文本向量化;针对文物文本向量化过程中采用doc2vec方式来提取向量,每一类型文物分别对应一种文本模型,这样提高同类文物向量相似度;文物图像特征提取应用Alexnet网络,且保证数据充足训练量。在特征融合层面,本发明是分别计算文物文本相似度和图像相似度,而后计算综合数值=α图像相似度+β文本相似度,其中α+β=1,首先计算图像相似度保证了文物在形状上相似,而计算文本相似度是对文物细节特征补充,两者的综合特征能提升推荐或搜索满意度。而为了搜索速度,提出应用KD树来存储特征数据,并用KNN算法来提高搜索效率,与传统链式检索效率有明显提升。最后提出文物推荐系统的原型图,让用户可以测试文物推荐的结果满意度与推荐速度满意度。
Description
技术领域
本发明涉及到的技术领域包括文物数据的爬取和提取、图像特征提取、文本特征提取和推荐方法的有效结合,是一种基于融合特征的文物推荐算法。
背景技术
文物是人类文明的见证者和记录者,不仅仅是一件件展览品,它更反映的是所处年代的生活水平、技术水平以及艺术水平,文物的价值不单纯局限于它的艺术价值,它更能让当代人去了解古人的生活状态。近些年来随着人民生活质量提高,精神文明需求不断增加,越来越多的人喜欢去欣赏文物和了解古代文明,而逛博物馆是最简单的了解文物的方式。
图像特征提取包括了最原始的感知哈希值算法,粗略计算两张图片的相似度;而SIFT特征提取向量,这种算法极大提高了图片相似度计算的特征,但是方法计算复杂度很高,后续出现提出用积分图的方式来代替PCA-SIFT算法加速图像卷积速度,也就是SURF方法[1][2][3]。而随着近几年深度学习领域各种方法不断被改进,人们开始使用卷积神经网络(CNN)来提取图像特征,经典的CNN网络包括Alexnet、VGG等,而CNN提取图像特征的方法也被证明是有效的。
文本特征提取,也就是将文本转换为计算机可以理解的向量语言,按照方法大致可以分为两类:离散式表示和分布式表示。离散式表示涉及到的方法包括了one-hot编码、词袋模型等,而离散式方法的最大问题就是忽略了词语顺序对表达的影响,不包含语义信息;分布式模型在考虑一个词语时候会加入其周围的词语,改善了离散式方法忽略语义信息的问题,从最开始的N-gram模型到后来的NNLM模型,再到2014年Mikolov总结前人方法,提出了Word2vec以及Doc2Vec,文本特征提取向量的准确度在不断提高[4][5]。2018年底Google发布预训练模型Bert,该模型通过巨量的数据训练来强化词语表达能力,后续人员可以利用训练好的模型提取文本向量,而后应用于各类下游任务,且在各类任务Bert都取得了明显效果提升[6]。
将有效信息推送给用户,提高时间效率,各种各样的推荐算法出现并被用于各类app中,比如在淘宝中有商品推荐、抖音有短视频推荐以及各类新闻app也会推送感性的文本信息。我们也希望在浏览文物或者逛展会的过程中也可以推荐或者搜索相关文物,这样就可以加深对一类文物的理解。针对图像搜索领域或者说是推荐领域的方法很多都是单纯图像特征,而就文物信息来说其包含的文本信息特征没有使用到,也导致了推荐结果与用户兴趣相去甚远[7][8]。
我们在本文中考虑基于文物的图像特征和文本特征的融合特征来做文物相关性搜索或推荐,从而提高推荐的准确度;另一方面也通过改变数据储存方式和搜索算法来提高文物搜索的效率。
发明内容
本发明为了更好的文物推荐效果,让用户兴趣与推荐结果有更好的匹配程度,提出了一种基于融合特征的文物推荐算法,其中融合特征分别指文物文本特征和文物图像特征。在文本特征提取中,涉及到文物名称中关键信息提取,本文提出基于匹配规则和基于统计的方法结合对文物名称分词,方便后续文本向量化;针对文物文本向量化过程中采用doc2vec方式来提取向量,每一类型文物分别对应一种文本模型,这样提高同类文物向量相似度;文物图像特征提取应用Alexnet网络,且保证数据充足训练量。在特征融合层面,本发明是分别计算文物文本相似度和图像相似度,而后计算综合数值=α图像相似度+β文本相似度,其中α+β=1,首先计算图像相似度保证了文物在形状上相似,而计算文本相似度是对文物细节特征补充,两者的综合特征能提升推荐或搜索满意度。而为了搜索速度,提出应用KD树来存储特征数据,并用KNN算法来提高搜索效率,与传统链式检索效率有明显提升。最后提出文物推荐系统的原型图,让用户可以测试文物推荐的结果满意度与推荐速度满意度。
一种基于融合特征的文物推荐方法,大致步骤如下描述:
1)构建文物数据集,通过网络爬虫、书籍扫描等方式获得文物数据,其中包括了文物名称、馆藏地、类型等文本信息,也包括了文物图片图像信息,另外通过扫描获得文物数据还包括了文物详细描述信息,而后文物名称字段分词;
2)利用文物文本中文物名称,构建文本模型,提取文本向量,而后用于特征相似性计算;
3)搭建Alexnet网络结构,利用文物图片进行训练,而后用模型提取文物图片特征,用于特征相似性计算;
4)应用KD树来存储对应的高维向量,并结合KNN算法来对相似向量检索,提高检索效率;
5)设计文物推荐界而原型,通过原型可以测试提到的各种技术。
附图说明
图1是本发明的流程图
图2是本发明的图像特征提取网络结构
图3是本发明的文物推荐测试平台原型界面
具体实施方式
为了更加清楚明白的阐述本发明的目的、技术过程及优点,以下将参照附图并列举实施例,进一步对本发明进行详细说明。
本发明提出了一种基于融合特征的文物推荐方法,融合特征指文物的文本特征和图像特征,其主要步骤包括:构建文物数据集、文物文本特征提取、文物图像特征提取、文物融合特征计算、搜索效率提升以及相关人员评测。
步骤1:构建文物数据集,该步骤可以分为以下个小步骤:
(i)通过数据申请、网络爬虫等技术获得需要文物数据,这部分文物数据包括名称、馆藏地、时间、类型以及文物图片;
(ii)通过图像扫描技术获得文物数据,选取了青铜器、瓷器、敦煌壁画以及服饰等书籍,获得了精品文物信息,这部分数据除了名称、类型、时间和图片等基础内容,还包括了对文物纹饰、内容的详细解读信息;
(iii)对获取的文献数据进行数据清洗,需要将数据中包含重复信息、部分内容不全的数据进行剔除,部分文物图片内容角度不对的也需要删除;
(iv)文物分词针对文物名称数据分词,因文物名称中包含了年代、类型、材质、描述信息等内容,现成的方法很难对文物这种特殊类型取得好的分词效果,因此本发明提出基于匹配规则和基于内容融合的方法来对文物分词,采用这种方法的主要原因是文物命名有基本规则“年代+描述特征+材质+器型”,可能命名中有部分信息省略,因此可以首先基于针对基于匹配规则对文物分词,需要构建了文物领域特殊的朝代、类型、材质等文物领域词典,词典并没有可以借鉴的内容,需要自己构建;
(v)数据整理将分词后的文物数据与文物图片按照统一顺序整理,保证每一张图片都有对应的描述信息文本,而扫描部分图片需要有对应的详细描述信息,后续对文物文本特征提取就可以直接直接利用分词好的数据。
步骤2:利用文物名称信息,提取文物文本特征:
(i)选用Doc2Vec来对不定长的题目字段学习固定长度的特征表示,得到对应的题目向量,此方法不同于简单的词袋模型忽略词顺序关系,能让研究人员获得更准确的文档特征,方便后续的聚类操作;
(ii)对于有详细描述的文物,我们首先应用tf-idf来提取关键信息,而后对这部分内容在利用已经训练好的Doc2Vec模型提取文本向量,本发明中没有利用详细信息训练模型的原因是需要保证不同类型间文本模型训练一致性,而有部分类型中没有详细文字描述;
(iii)可以分为两部分:没有详细描述信息的文物,名称向量就是文物最终对应的文本特征向量;而有描述信息的文物,需要将名称向量与描述信息向量的和作为文物的文本特征向量。
步骤3:利用图像数据抽取文物图像特征向量
(i)搭建卷积神经网络,本发明中搭建了一个Alexnet网络,用于文物图像识别,其网络结构附图说明,整个网络结构分为9层,包括了5个卷积层、3个池化层和3个全连接层,最后经过softmax函数后,得到了neuron数量为20,代表训练中选取的20种不同类别文物。在卷积层中padding使用same convolution,保证输入输出图像大小一致;
(ii)将文物图像用于图像识别网络,,网络结构较大需要充足的数据图片进行训练,我们选择了文物类型中图片数量需要超过1000张,包括的文物类型有铜器、铁器、字画、雕塑、瓷器等文物,选择了80000张图片用于模型训练和测试,选用80%图片用作训练数据集,20%图片用作测试数据集,经过训练文物识别率达到设定的阈值;
(iii)网络本身适用于图像识别,我们将其在经过最后一层softmax层前进行截断,将图片对应的256维向量作为文物图片特征;
(iv)此时文物图片特征对应的向量维度过高,会影响相似度计算效率,为了能够最大程度捕捉文物图片特征向量信息,同时也提高计算速度,对图片特征向量降维。采用PCA将文档向量从256维度降低到50维,但因为PCA采用方差降维,可能会丢失关键信息,因此维度不能太低。
步骤4:文物融合特征计算
文物推荐如果仅停留在图像特征上,图片结果会忽略文物内容,类似的青铜器的纹饰特征、书画中的景观细节等,因此考虑将文本特征融入到相似度计算,来补充图像特征忽略细节的文物;
在特征计算中,我们首先计算文物图像特征相似度,选择其中Top N作为预选项,而后对于N件文物计算文本特征相似度,并且计算综合数值=α图像相似度+β文本相似度,其中α+β=1,用综合数值结果作为文物相似度衡量值来排序。
步骤5:文物搜索效率提升
数据存储层面:文物特征数据不管是文本特征还是图像特征都是高维向量,如果利用传统链式储存方式在后续检索中时间复杂度较高,尤其是当文物数据量增大情况下,因此本发明提出利用KD树来存储特征的高维向量,来降低时间复杂度;
数据检索层面:因采用KD树来储存高维特征向量,在文物相似度搜索时提取应用KNN算法来匹配存储方式,这样检索效率会进一步提高,与传统链式储存顺序检索的方法有很好的效果提升。
步骤6:选择合适的文物数据,搭建文物推荐平台原型,让测试人员(专业人员和普通用户)对推荐结果、时间等内容做出评估。
参考文献
[1]Lowe D G.Distinctive image features from scale-invariant keypoints[J].International journal of computer vision,2004,60(2):91-110.
[2]Ke Y,Sukthankar R.PCA-SIFT:A more distinctive representation forlocal image descriptors[C].Proceedings of the 2004 IEEE Computer SocietyConference on Computer Vision and Pattern Recognition,2004.CVPR 2004.IEEE,2004,2:II-II.
[3]Bay H,Tuytelaars T,Van Gool L.Surf:Speeded up robust features[C].European conference on computer vision.Springer,Berlin,Heidelberg,2006:404-417.
[4]Le Q,Mikolov T.Distributed representations of sentences anddocuments[C].InIntemational conference on machine learning,2014:1188-1196.2020.
[5]Mikolov T,Chen K,Corrado G,et al.Efficient estimation of wordrepresentations in vector space[J].arXiv preprint arXiv:1301.3781,2013.
[6]Devlin J,Chang M W,Lee K,et al.Bert:Pre-training of deepbidirectional transformers for language understanding[J].arXiv preprintarXiv:1810.04805,2018.
[7]Schafer J B,Konstan J A,Riedl J.E-commerce recommendationapplications[J].Data mining and knowledge discovery,2001,5(1):115-153.
[8]Pazzani M J,Billsus D.Content-based recommendation systems[M].Pazzani M J,Billsus D.The adaptive web.Springer,2007:2007:325-341.
Claims (7)
1.一种基于融合特征的文物推荐方法,其特征在于,综合考虑文物中的文本特征和图像特征作为推荐依据,并改进高维数据存储方式和检索方式,来提高相似文物检索效率,具体步骤包括:
1)构建文物数据集,通过网络爬虫、书籍扫描等方式获得文物数据,其中包括了文物名称、馆藏地、类型等文本信息,也包括了文物图片图像信息,另外通过扫描获得文物数据还包括了文物详细描述信息,而后文物名称字段分词;
2)利用文物文本中文物名称,构建文本模型,提取文本向量,而后用于特征相似性计算;
3)搭建Alexnet网络结构,利用文物图片进行训练,而后用模型提取文物图片特征,用于特征相似性计算;
4)应用KD树来存储对应的高维向量,并结合KNN算法来对相似向量检索,提高检索效率;
5)设计文物推荐界面原型,通过原型可以测试提到的各种技术。
2.根据权力要求1所述基于融合特征的文物推荐算法,在文物推荐领域第一次考虑到将文物文本特征和图像特征联合起来做相似性计算,提高推荐准确率,这种方式可以补充文物细节相似,同时也根据数据特点提出应用“KD树+KNN算法”的方式提高数据储存和检索,整个流程在相似文物推荐中首次提出,有独创性;
3.根据要求1中所述步骤1)具体步骤中涉及的文物名称分词,在这一步中针对文物名称为“年代+描述符+材质+器型”的特点,提出应用基于词典和基于内容组合的方式对文物分词,提高文物分词效果,基于词典的方法需要构建“年代”、“材质”、“器型”等词典,均无内容可以借鉴,自己构建了文物的领域专用词典。通过这种文物分词、提高了文物信息准确率,也影响文物文本特征提取结果;
4.根据要求1中所述步骤1)中构建的文物数据集,这是国内独家多类型文物数据集,数据集中包含文物文本信息和文物名称信息,且对文物名称做了分词,便于文本信息后续应用;
5.根据权力要求1中所述步骤2)中文物文本特征提取,提出的对文物名称训练文本模型而后提取文本向量方式,经过计算文物文本向量化后结果与传统表达相近,也说明了方法的可行性。文本特征提取模型Doc2Vec为通用模型,针对模型本身并无过多改进,但在实验中我们发现对各类型文物分别训练文本模型可以有效提高文本向量表达结果,建议后续使用该方法可以分类训练文本模型;
6.根据权力要求1中所述步骤4)中应用KD树来存储文物特征对应高维向量,并结合KNN算法来对相似向量检索,放弃了传统的“链式存储+顺序检索”的方法,本发明中提到的方法可以很大程度提高检索效率;
7.根据权力要求1中步骤5)设计了一个文物推荐界面原型,原型界面设计到推荐数量、文本和图像特征比例、展示界面等内容,囊括了推荐中涉及的准确性和时间测试模组,相关用户可以对提出方法测试并反馈。作为推荐界面原型,后续可以被完善,但基本内容不能改变。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111267384.XA CN113989792A (zh) | 2021-10-29 | 2021-10-29 | 一种基于融合特征的文物推荐算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111267384.XA CN113989792A (zh) | 2021-10-29 | 2021-10-29 | 一种基于融合特征的文物推荐算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113989792A true CN113989792A (zh) | 2022-01-28 |
Family
ID=79743966
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111267384.XA Pending CN113989792A (zh) | 2021-10-29 | 2021-10-29 | 一种基于融合特征的文物推荐算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113989792A (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106371988A (zh) * | 2016-08-22 | 2017-02-01 | 浪潮(北京)电子信息产业有限公司 | 一种自动化测试界面的方法和装置 |
CN107392222A (zh) * | 2017-06-07 | 2017-11-24 | 深圳市深网视界科技有限公司 | 一种人脸聚类方法、装置以及存储介质 |
CN108009154A (zh) * | 2017-12-20 | 2018-05-08 | 哈尔滨理工大学 | 一种基于深度学习模型的图像中文描述方法 |
CN108595636A (zh) * | 2018-04-25 | 2018-09-28 | 复旦大学 | 基于深度跨模态相关性学习的手绘草图的图像检索方法 |
CN108920641A (zh) * | 2018-07-02 | 2018-11-30 | 北京理工大学 | 一种信息融合个性化推荐方法 |
CN109344425A (zh) * | 2018-08-13 | 2019-02-15 | 湖南师范大学 | 一种基于长沙窑文物元素再造创意设计集成平台 |
CN109582813A (zh) * | 2018-12-04 | 2019-04-05 | 广州欧科信息技术股份有限公司 | 一种文物展品的检索方法、装置、设备和存储介质 |
CN111046668A (zh) * | 2019-12-04 | 2020-04-21 | 北京信息科技大学 | 多模态文物数据的命名实体识别方法与装置 |
CN112862567A (zh) * | 2021-02-25 | 2021-05-28 | 华侨大学 | 一种在线展会的展品推荐方法与系统 |
CN113297410A (zh) * | 2021-07-26 | 2021-08-24 | 广东众聚人工智能科技有限公司 | 一种图像检索方法、装置、计算机设备及存储介质 |
-
2021
- 2021-10-29 CN CN202111267384.XA patent/CN113989792A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106371988A (zh) * | 2016-08-22 | 2017-02-01 | 浪潮(北京)电子信息产业有限公司 | 一种自动化测试界面的方法和装置 |
CN107392222A (zh) * | 2017-06-07 | 2017-11-24 | 深圳市深网视界科技有限公司 | 一种人脸聚类方法、装置以及存储介质 |
CN108009154A (zh) * | 2017-12-20 | 2018-05-08 | 哈尔滨理工大学 | 一种基于深度学习模型的图像中文描述方法 |
CN108595636A (zh) * | 2018-04-25 | 2018-09-28 | 复旦大学 | 基于深度跨模态相关性学习的手绘草图的图像检索方法 |
CN108920641A (zh) * | 2018-07-02 | 2018-11-30 | 北京理工大学 | 一种信息融合个性化推荐方法 |
CN109344425A (zh) * | 2018-08-13 | 2019-02-15 | 湖南师范大学 | 一种基于长沙窑文物元素再造创意设计集成平台 |
CN109582813A (zh) * | 2018-12-04 | 2019-04-05 | 广州欧科信息技术股份有限公司 | 一种文物展品的检索方法、装置、设备和存储介质 |
CN111046668A (zh) * | 2019-12-04 | 2020-04-21 | 北京信息科技大学 | 多模态文物数据的命名实体识别方法与装置 |
CN112862567A (zh) * | 2021-02-25 | 2021-05-28 | 华侨大学 | 一种在线展会的展品推荐方法与系统 |
CN113297410A (zh) * | 2021-07-26 | 2021-08-24 | 广东众聚人工智能科技有限公司 | 一种图像检索方法、装置、计算机设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kaur et al. | Comparative analysis on cross-modal information retrieval: A review | |
Denton et al. | User conditional hashtag prediction for images | |
CN111581401B (zh) | 一种基于深度相关性匹配的局部引文推荐系统及方法 | |
CN112819023B (zh) | 样本集的获取方法、装置、计算机设备和存储介质 | |
CN110599592B (zh) | 一种基于文本的三维室内场景重建方法 | |
CN112528053A (zh) | 多媒体库分类检索管理系统 | |
CN111985520A (zh) | 一种基于图卷积神经网络的多模态分类方法 | |
CN110990670A (zh) | 一种成长激励型图书推荐方法及推荐系统 | |
CN116975615A (zh) | 基于视频多模态信息的任务预测方法和装置 | |
CN113590854B (zh) | 一种数据处理方法、设备以及计算机可读存储介质 | |
CN117216535A (zh) | 推荐文本生成模型的训练方法、装置、设备及介质 | |
CN113076476B (zh) | 一种微博异构信息的用户画像构建方法 | |
Liu et al. | Event-based media enrichment using an adaptive probabilistic hypergraph model | |
CN111445545B (zh) | 一种文本转贴图方法、装置、存储介质及电子设备 | |
CN113297485B (zh) | 一种生成跨模态的表示向量的方法以及跨模态推荐方法 | |
CN113989792A (zh) | 一种基于融合特征的文物推荐算法 | |
CN111506754B (zh) | 图片检索方法、装置、存储介质及处理器 | |
CN114692715A (zh) | 一种样本标注方法及装置 | |
CN111737507A (zh) | 一种单模态图像哈希检索方法 | |
Gómez et al. | Promoting Social Media Dissemination of Digital Images Through CBR-Based Tag Recommendation | |
Bastida et al. | Multimodal object recognition using deep learning representations extracted from images and smartphone sensors | |
Zhang et al. | Confidence-based dynamic cross-modal memory network for image aesthetic assessment | |
CN117808923B (zh) | 一种图像生成方法、系统、电子设备及可读存储介质 | |
CN117493608B (zh) | 一种文本视频检索方法、系统及计算机存储介质 | |
CN117635275B (zh) | 基于大数据的智能电商运营商品管理平台及方法 |
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 |