CN114547427A - 对象识别方法、装置、电子设备及存储介质 - Google Patents
对象识别方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114547427A CN114547427A CN202210122573.6A CN202210122573A CN114547427A CN 114547427 A CN114547427 A CN 114547427A CN 202210122573 A CN202210122573 A CN 202210122573A CN 114547427 A CN114547427 A CN 114547427A
- Authority
- CN
- China
- Prior art keywords
- content
- search
- candidate
- sample
- category
- 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
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
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9532—Query formulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提出了对象识别方法、装置、电子设备及存储介质,涉及人工智能技术领域,具体涉及自然语言处理、智能搜索技术领域。具体实现方案为:获取待识别对象的标识信息;根据标识信息,查询待识别对象在设定历史时间段内的至少一个搜索内容;根据标识信息,获取待识别对象所下载的至少一个应用程序的描述内容;根据所述至少一个搜索内容、所述至少一个应用程序的描述内容以及候选类别对应的对象数据集,从所述候选类别中识别所述待识别对象的目标类别,由此,可快速从候选类别中识别出待识别对象的目标类别,节省了大量的时间和人力,提高了待识别对象的类别识别效率和准确率。
Description
技术领域
本公开涉及人工智能技术领域,具体涉及自然语言处理、智能搜索技术领域,尤其涉及对象识别方法、装置、电子设备及存储介质。
背景技术
随着互联网技术的发展和应用的普及,互联网产品的设计更需要贴近对象(即服务的对象)的需求才能更好为对象服务,因此需要加强对对象的了解,以便针对不同类别的对象做出差异化的服务,因此,如何快速地识别出对象的类别是非常重要的。
发明内容
本公开提供了一种用于对象识别方法、装置、电子设备及存储介质。
根据本公开的一方面,提供了一种对象识别方法,包括:获取待识别对象的标识信息;根据所述标识信息,查询所述待识别对象在设定历史时间段内的至少一个搜索内容;根据所述标识信息,获取所述待识别对象所下载的至少一个应用程序的描述内容;根据所述至少一个搜索内容、所述至少一个应用程序的描述内容以及候选类别对应的对象数据集,从所述候选类别中识别所述待识别对象的目标类别。
根据本公开的另一方面,提供了一种对象识别装置,包括:第一获取模块,用于获取待识别对象的标识信息;查询模块,用于根据所述标识信息,查询所述待识别对象在设定历史时间段内的至少一个搜索内容;第二获取模块,用于根据所述标识信息,获取所述待识别对象所下载的至少一个应用程序的描述内容;识别模块,用于根据所述至少一个搜索内容、所述至少一个应用程序的描述内容以及候选类别对应的对象数据集,从所述候选类别中识别所述待识别对象的目标类别。
根据本公开的又一方面,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上述第一方面实施例所述的方法。
根据本公开的再一方面,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上述第一方面实施例所述的方法。
根据本公开的再一方面,提供了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上述第一方面实施例所述的方法。
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是根据本公开第一实施例的示意图;
图2是根据本公开第二实施例的示意图;
图3是根据本公开第三实施例的示意图;
图4是根据本公开第四实施例的示意图;
图5是根据本公开第五实施例的示意图;
图6是根据本公开第六实施例的示意图;
图7是用来实现本公开实施例的对象识别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。
相关技术中,由于需要识别不同的对象,对不同对象的数据进行统计和分析,以确定对象的类别,花费大量的时间和人力,并且识别效率较低。
针对上述问题,本公开提出一种对象识别方法、装置、电子设备及存储介质。
下面参考附图描述本公开实施例的对象识别方法、装置、电子设备及存储介质。
图1是根据本公开第一实施例的示意图。
本公开实施例以该对象识别方法被配置于对象识别装置中来举例说明,该对象识别装置可以应用于任一电子设备中,以使该电子设备可以执行对象识别功能。
其中,电子设备可以为任一具有计算能力的设备,例如可以为个人电脑(PersonalComputer,简称PC)、移动终端等,移动终端例如可以为手机、平板电脑、个人数字助理、穿戴式设备等具有各种操作系统、触摸屏和/或显示屏的硬件设备。
如图1所示,该对象识别方法可以包括以下步骤:
步骤101,获取待识别对象的标识信息。
在本公开实施例中,待识别对象的标识信息可用于表征待识别对象,待识别对象的标识信息可为待识别对象的手机号码、姓名等。
作为一种示例,可预先建立待识别对象数据库,数据库中存储有待识别对象的标识信息,通过访问待识别对象数据库,可获取待识别对象的标识信息。
作为另一种示例,以待识别对象在浏览器上搜索为例,服务端可对用户的在浏览器上的登录信息进行记录,从而,通过登录信息可获取待识别对象的标识信息。
步骤102,根据标识信息,查询待识别对象在设定历史时间段内的至少一个搜索内容。
进一步地,通过标识信息,查询该待识别对象在设定历史时间段内在客户端上进行搜索的至少一个搜索内容,比如,在设定历史时间段内,待识别对象在浏览器上进行搜索,服务端可将待识别对象的登录信息和搜索行为进行对应存储,从搜索行为中可获取待识别对象的至少一个搜索内容,其中,搜索内容可为关键词、链接、文本句等,设定历史时间段,比如,可为以获取待识别对象的标识信息时间点为基准的历史半年内。
步骤103,根据标识信息,获取待识别对象所下载的至少一个应用程序的描述内容。
作为一种示例,可通过下载记录获取待识别对象所下载的至少一个应用程序,进而,通过所下载的至少一个应用程序可确定至少一个应用程序对应的描述内容,其中,描述内容可为应用程序的名称、标识、简介或用途等。应用程序可为各种类型的应用软件。如,视频类应用软件、购物类应用软件或购房类应用软件等。
作为另一种示例,在待识别对象的终端设备下载并安装应用程序时,对所下载和安装的应用程序进行上报,根据上报信息可获取待识别对象所下载的至少一个应用程序的描述内容。
步骤104,根据至少一个搜索内容、至少一个应用程序的描述内容以及候选类别对应的对象数据集,从候选类别中识别待识别对象的目标类别。
在本公开实施例中,可根据对样本对象的标识信息,确定候选类别对应的对象数据集,其中,候选类别对应的对象数据集可包括对应候选类别内的样本对象的搜索文本集,以及样本对象所下载的应用程序的描述内容集。
进而,将至少一个搜索内容与候选类别对应的对象数据集中的搜索文本集进行匹配,将至少一个应用程序的描述内容与候选类别对应的对象数据集中的描述内容集进行匹配,根据至少一个搜索内容与候选类别对应的对象数据集中的搜索文本集的匹配结果,以及至少一个应用程序的描述内容与候选类别对应的对象数据集中的描述内容集的匹配结果,从候选类别中识别出待识别对象的目标类别。
综上,通过预先构建候选类别对应的对象数据集,将待识别对象在设定历史时间段内的至少一个搜索内容,以及待识别对象所下载的至少一个应用程序的描述内容与候选类别对应的对象数据集进行匹配,可快速从候选类别中识别出待识别对象的目标类别,节省了大量的时间和人力,提高了待识别对象的类别识别效率和准确率。
为了准确地从候选类别中识别出待识别对象的目标类别,如图2所示,图2是根据本公开第二实施例的示意图,在本公开实施例中,可根据至少一个搜索内容、至少一个描述内容查询对象数据集,以从候选类别中识别待识别对象的目标类别,图2所示实施例可包括如下步骤:
步骤201,获取待识别对象的标识信息。
步骤202,根据标识信息,查询待识别对象在设定历史时间段内的至少一个搜索内容。
步骤203,根据标识信息,获取待识别对象所下载的至少一个应用程序的描述内容。
步骤204,查询搜索文本集,以从搜索文本集中获取与至少一个搜索内容匹配的目标搜索内容。
在本公开实施例中,对象数据集可包括:对应候选类别内的样本对象的搜索文本集,以及样本对象所下载的应用程序的描述内容集。其中,候选类别可为不同对象对应的类别,候选类别比如可为购车类或购房类,进而,根据至少一个搜索内容,查询对象数据集中的各候选类别内的样本对象的搜索文本集,从搜索文本集中获取与至少一个搜索内容匹配的目标搜索内容。
作为一种示例,可将各个搜索内容进行文本句向量转换,将对象数据集中的各候选类别内的样本对象的搜索文本集中的各搜索文本进行文本句向量转换,对于每个搜索内容,将搜索内容对应的文本句向量与搜索文本集中的各搜索文本对应的文本句向量进行比对,以计算搜索内容的文本句向量与搜索文本集中的各搜索文本对应的文本句向量之间的差值,在差值小于设定差值阈值时,可从搜索文本集中获取与搜索内容匹配的目标搜索内容。
步骤205,查询描述内容集,以从描述内容集中获取与至少一个描述内容匹配的目标描述内容。
同理,根据至少一个描述内容,查询对象数据集中的各候选类别内的样本对象所下载的应用程序的描述内容集,从描述内容集中获取与至少一个描述内容匹配的目标描述内容。
步骤206,根据各目标搜索内容对应的候选类别以及各目标描述内容对应的候选类别,确定待识别对象的目标类别。
进而,根据各目标搜索内容对应的候选类别,以及各目标描述内容对应的候选类别,可确定待识别对象的目标类别。
需要说明的是,步骤201至203的执行过程可以分别采用本公开的各实施例中的任一种方式实现,本公开实施例并不对此作出限定,也不再赘述。
综上,从对象数据集中的搜索文本集获取与至少一个搜索内容匹配的目标搜索内容,从对象数据集中的描述内容集获取与至少一个描述内容匹配的目标描述内容,根据目标搜索内容对应的候选类别和目标描述内容对应的候选类别,确定待识别对象的目标类别,提高了待识别对象的目标类别的识别准确率和识别效率。
为了准确地确定待识别对象的目标类别,如图3所示,图3是根据本公开第三实施例的示意图,在本公开实施例中,可对各目标搜索内容对应的候选类别进行统计,以确定各候选类别对应的目标搜索内容的个数;同理,对各目标描述内容对应的候选类别进行统计,以确定各候选类别对应的目标类别,图3所示实施例可包括如下步骤:
步骤301,获取待识别对象的标识信息。
步骤302,根据标识信息,查询待识别对象在设定历史时间段内的至少一个搜索内容。
步骤303,根据标识信息,获取待识别对象所下载的至少一个应用程序的描述内容。
步骤304,查询搜索文本集,以从搜索文本集中获取与至少一个搜索内容匹配的目标搜索内容。
步骤305,查询描述内容集,以从描述内容集中获取与至少一个描述内容匹配的目标描述内容。
步骤306,根据各目标搜索内容对应的候选类别进行统计,以确定各候选类别对应的目标搜索内容的个数。
在本公开实施例中,可查询对象集中的各个候选类别内的样本对象的搜索文本集,可确定各个目标搜索内容对应的候选类别,并对各个目标搜索内容对应的候选类别进行统计,根据统计结果可确定各候选类别对应的目标搜索内容的个数,比如,购房类对应的目标搜索内容的个数为10个,购车类对应的目标搜索内容的个数为5个,卖房类对应的目标搜索内容的个数为2个。
步骤307,根据各目标描述内容对应的候选类别进行统计,以确定各候选类别对应的目标描述内容的个数。
同理,查询对象集中的各个候选类别内的样本对象所下载的应用程序的描述内容集,可确定各个目标描述内容对应的候选类别,并对各个目标描述内容对应的候选类别进行统计,根据统计结果可确定各个候选类别对应的目标描述内容的个数。
步骤308,针对每个候选类别,根据设定权重,对候选类别对应的目标搜索内容的个数和候选类别对应的目标描述内容的个数进行加权求和,以得到候选类别对应的加权求和结果。
在本公开实施例中,可根据样本对象的行为习惯为对象数据集中的搜索文本集对应的各候选类别设置不同的权重,比如,咨询类别的对象习惯通过搜索内容获取答案,搜索文本集对应的咨询类别的权重可为0.6,购房类别的对象习惯下载各种购房类应用程序,在搜索文本集中购房类别的权重可为0.3;同理,可为对象数据集中的描述内容集对应的各候选类型设置不同的权重,比如,咨询类别的权重可为0.4,购房类别的权重可为0.7。
进而,针对每个候选类别,可根据设定的权重,对该候选类别对应的目标搜索内容的个数以及该候选类别对应的目标描述内容的个数进行加权求和,以得到该候选类别对应的加权求和结果。
步骤309,根据各候选类别对应的加权求和结果,确定待识别对象的目标类别。
作为一种示例,可对各候选类别对应的加权求和结果从高至低进行排序,可将排序在前的设定数量的类别中的任一个作为待识别对象的目标类别。
作为另一种示例,可将各候选类别对应的加权求和结果中值最高的候选类别作为待识别对象的目标类别。
需要说明的是,步骤301至305的执行过程可以分别采用本公开的各实施例中的任一种方式实现,本公开实施例并不对此作出限定,也不再赘述。
综上,针对每个候选类别,通过设定权重,对该候选类别对应的目标搜索内容的个数以及该候选类别对应的目标描述内容的个数进行加权求和,以得到该候选类别对应的加权求和结果,进而,根据各候选类别对应的加权求和结果,确定待识别对象的目标类别,由此,根据搜索内容和描述内容共同确定待识别对象的目标类别,可使待识别对象的目标类别更加准确,提高了待识别对象的目标类别的识别准确率。
为了准确地确定至少一个候选类别对应的对象数据集,如图4所示,图4是根据本公开第四实施例的示意图,在本公开实施例中,可根据样本对象的标识信息获取样本对象在设定历史时间段内的样本搜索内容以及各样本对象所下载的样本应用程序的样本描述内容,进而,根据各样本搜索内容以及各所述样本描述内容进行类别划分,以确定至少一个候选类别对应的对象数据集。图4所示实施例可包括如下步骤:
步骤401,获取待识别对象的标识信息。
步骤402,根据标识信息,查询待识别对象在设定历史时间段内的至少一个搜索内容。
步骤403,根据标识信息,获取待识别对象所下载的至少一个应用程序的描述内容。
步骤404,获取多个样本对象的标识信息。
在本公开实施例中,可从对象数据库中或者各样本对象的登录信息中获取多个对象的标识信息,将多个对象的标识信息作为样本对象的标识信息。
步骤405,根据各样本对象的标识信息,查询各样本对象在设定历史时间段内的样本搜索内容。
在本公开实施例中,通过各样本对象的标识信息,可查询各样本对象在设定历史时间段内的搜索行为记录,以获取多个样本对象在设定历史时间段内的至少一个样本搜索内容。
步骤406,根据各样本对象的标识信息,获取各样本对象所下载的样本应用程序的样本描述内容。
在本公开实施例中,通过各样本对象的标识信息,查询下载记录,获取各样本对象所下载的样本应用程序的样本描述内容。
步骤407,根据各样本搜索内容以及各样本描述内容进行类别划分,以确定至少一个候选类别对应的对象数据集。
在本公开实施例中,可预先设置各类别对应的设定搜索内容和设定描述内容,可将各样本搜索内容与设定搜索内容进行匹配,将各样本描述内容与设定描述内容进行匹配,以确定各候选类别对应的样本描述内容集以及对应候选类别的描述内容集,根据各候选类别对应的描述内容集和搜索文本集,确定各候选类别对应的对象数据集。
步骤408,根据至少一个搜索内容、至少一个应用程序的描述内容以及候选类别对应的对象数据集,从候选类别中识别待识别对象的目标类别。
需要说明的是,步骤401至403、步骤408的执行过程可以分别采用本公开的各实施例中的任一种方式实现,本公开实施例并不对此作出限定,也不再赘述。
综上,通过对各样本对象在设定历史时间段内的样本搜索内容和各样本对象所下载的样本应用程序的样本描述内容进行类别划分,可准确地确定各候选类别对应的对象数据集,从而,通过预先构建候选类别对应的对象数据集,便于将待识别对象在设定历史时间段内的至少一个搜索内容,以及待识别对象所下载的至少一个应用程序的描述内容与候选类别对应的对象数据集进行匹配,同时,对象数据集还可重复使用,提高了待识别对象的目标类别的识别效率,节省了大量的时间和人力。
为了准确地确定至少一个候选类别对应的对象数据集,如图5所示,图5是根据本公开第五实施例的示意图,在本公开实施例中,可根据各样本搜索内容与设定搜索内容确定各样本搜索内容对应的候选类别,根据各样本描述内容与设定描述内容,确定各样本描述内容对应的候选类别,进而,根据各候选类别对应的样本描述内容,确定对应候选类别的描述内容集;以及根据各候选类别对应的样本搜索内容,确定对应候选类别的搜索文本集,根据各候选类别对应的描述内容集和根据各候选类别对应的搜索文本集,确定各候选类别对应的对象数据集,图5所示实施例可包括如下步骤:
步骤501,获取待识别对象的标识信息。
步骤502,根据标识信息,查询待识别对象在设定历史时间段内的至少一个搜索内容。
步骤503,根据标识信息,获取待识别对象所下载的至少一个应用程序的描述内容。
步骤504,获取多个样本对象的标识信息。
步骤505,根据各样本对象的标识信息,查询各样本对象在设定历史时间段内的样本搜索内容。
步骤506,根据各样本对象的标识信息,获取各样本对象所下载的样本应用程序的样本描述内容。
步骤507,获取多个设定的候选类别,以及对应的设定搜索内容和设定应用程序的设定描述内容。
在本公开实施例中,可预先设置多个候选类别,以及每个候选类别预设设置对应的搜索内容和应用程序的描述内容。
步骤508,根据各样本搜索内容匹配的设定搜索内容,确定各样本搜索内容对应的候选类别。
进一步地,将各搜索内容与设定搜索内容进行匹配,以确定各样本搜索内容对应的候选类别。
在本公开实施例中,在将各搜索内容与设定搜索内容进行匹配时,可选地,先确定各搜索内容和设定内容的文本句向量,根据各搜索内容的文本句向量与设定内容的文本句向量之间的差值,确定各搜索内容与设定搜索内容是否匹配。
作为一种示例,可将各搜索内容按照时间进行排序,并将排序后的每个搜索内容的词语进行分词,得到每个搜索内容的词向量,根据各个词向量的权重,对词向量进行加权求和,以得到各个搜索内容的文本句向量。
作为另一种示例,将各搜索内容与设定搜索内容进行匹配时,可将各搜索内容按照时间进行排序,并将排序后的每个搜索内容的字符进行分词,得到每个搜索内容的字符向量,根据各个字符向量的权重,对字符向量进行加权求和,以得到各个搜索内容的文本句向量。
同理,可获取设定搜索内容的文本句向量,计算各个搜索内容的文本句向量与设定搜索内容的文本句向量之间的差值,在差值小于设定差值阈值时,可确定搜索内容与设定搜索内容匹配,并将匹配的设定搜索内容对应的候选类别,作为与该设定搜索内容匹配的搜索内容对应的候选类别。在差值大于或等于设定差值阈值时,可确定搜索内容与设定搜索内容不匹配。
步骤509,根据各样本描述内容匹配的设定描述内容,确定各样本描述内容对应的候选类别。
在本公开实施例中,可将各样本描述内容与设定描述内容进行匹配,根据匹配的设定描述内容对应的候选类别,可确定各样本描述内容对应的候选类别。
另外,还可采用快速文本分类器(FastText)对各样本搜索内容和各样本描述内容进行分类,确定各样本搜索内容对应的候选类别,以及各样本描述内容对应的候选类别。
步骤510,根据各候选类别对应的样本描述内容,确定对应候选类别的描述内容集;以及根据各候选类别对应的样本搜索内容,确定对应候选类别的搜索文本集。
进而,对各候选类别对应的样本描述内容按照候选类别进行统计和划分,根据各候选类别对应的样本描述内容按照候选类别的统计和划分结果,确定对应候选类别的描述内容集;同理,对各候选类别对应的样本搜索内容按照候选类别进行统计和划分,根据各候选类别对应的样本搜索内容按照候选类别的统计和划分结果,确定对应候选类别的搜索文本集。
步骤511,根据各候选类别对应的描述内容集和根据各候选类别对应的搜索文本集,确定各候选类别对应的对象数据集。
在本公开实施例中,可将各候选类别对应的描述内容集和各候选类别对应的搜索文本集,作为各候选类别对应的对象数据集,比如,购房类别对应的描述内容集和搜索文本集,作为购房类别对应的对象数据集。
步骤512,根据至少一个搜索内容、至少一个应用程序的描述内容以及候选类别对应的对象数据集,从候选类别中识别待识别对象的目标类别。
需要说明的是,步骤501至506、步骤512的执行过程可以分别采用本公开的各实施例中的任一种方式实现,本公开实施例并不对此作出限定,也不再赘述。
综上,通过确定各样本搜索内容对应的候选类别以及各样本描述内容对应的候选类别,可准确地确定各候选类别对应的搜索内容集以及对应的描述内容集,从而,根据各候选类别对应的搜索内容集和根据各候选类别对应的描述内容集,可准确地确定各候选类别对应的对象数据集。
本公开实施例的对象识别方法,通过获取待识别对象的标识信息;根据标识信息,查询待识别对象在设定历史时间段内的至少一个搜索内容;根据所述标识信息,获取待识别对象所下载的至少一个应用程序的描述内容;根据至少一个搜索内容、所述至少一个应用程序的描述内容以及候选类别对应的对象数据集,从候选类别中识别待识别对象的目标类别,该方法通过预先构建候选类别对应的对象数据集,将待识别对象在设定历史时间段内的至少一个搜索内容,以及待识别对象所下载的至少一个应用程序的描述内容与候选类别对应的对象数据集进行匹配,可快速从候选类别中识别出待识别对象的目标类别,节省了大量的时间和人力,提高了待识别对象的类别识别效率和准确率。
为了实现上述实施例,本公开还提出一种对象识别装置。
图6是根据本公开第六实施例的示意图,如图6所示,对象识别装置600包括:第一获取模块610、查询模块620、第二获取模块630和识别模块640。
其中,第一获取模块610,用于获取待识别对象的标识信息;查询模块620,用于根据标识信息,查询待识别对象在设定历史时间段内的至少一个搜索内容;第二获取模块630,用于根据标识信息,获取待识别对象所下载的至少一个应用程序的描述内容;识别模块640,用于根据至少一个搜索内容、至少一个应用程序的描述内容以及候选类别对应的对象数据集,从候选类别中识别待识别对象的目标类别。
作为本公开实施例的一种可能实现方式,第一获取模块610,用于获取待识别对象的标识信息;查询模块620,用于根据标识信息,查询待识别对象在设定历史时间段内的至少一个搜索内容;第二获取模块630,用于根据标识信息,获取待识别对象所下载的至少一个应用程序的描述内容;识别模块640,用于根据至少一个搜索内容、至少一个应用程序的描述内容以及候选类别对应的对象数据集,从候选类别中识别待识别对象的目标类别。
作为本公开实施例的一种可能实现方式,对象数据集包括:对应候选类别内的样本对象的搜索文本集,以及所述样本对象所下载的应用程序的描述内容集;识别模块640,还用于:查询所述搜索文本集,以从所述搜索文本集中获取与所述至少一个搜索内容匹配的目标搜索内容;查询所述描述内容集,以从所述描述内容集中获取与所述至少一个描述内容匹配的目标描述内容;根据各目标搜索内容对应的候选类别以及各目标描述内容对应的候选类别,确定待识别对象的目标类别。
作为本公开实施例的一种可能实现方式,识别模块640,还用于:根据各目标搜索内容对应的候选类别进行统计,以确定各候选类别对应的目标搜索内容的个数;根据目标描述内容对应的候选类别进行统计,以确定各候选类别对应的目标描述内容的个数;针对每个候选类别,根据设定权重,对候选类别对应的目标搜索内容的个数和候选类别对应的目标描述内容的个数进行加权求和,以得到候选类别对应的加权求和结果;根据各候选类别对应的加权求和结果,确定待识别对象的目标类别。
作为本公开实施例的一种可能实现方式,对象识别装置600还包括:第三获取模块、第四获取模块和确定模块。
其中,第三获取模块,用于获取多个样本对象的标识信息;查询模块,还用于根据各样本对象的标识信息,查询各样本对象在设定历史时间段内的样本搜索内容;第四获取模块,用于根据各样本对象的标识信息,获取各样本对象所下载的样本应用程序的样本描述内容;确定模块,用于根据各样本搜索内容以及各样本描述内容进行类别划分,以确定至少一个候选类别对应的对象数据集。
作为本公开实施例的一种可能实现方式,确定模块,还用于:获取多个设定的候选类别,以及对应的设定搜索内容和设定应用程序的设定描述内容;根据各样本搜索内容匹配的设定搜索内容,确定各样本搜索内容对应的候选类别;根据各样本描述内容匹配的设定描述内容,确定各样本描述内容对应的候选类别;根据各候选类别对应的样本描述内容,确定对应候选类别的描述内容集;以及根据各候选类别对应的样本搜索内容,确定对应候选类别的搜索文本集;根据各候选类别对应的描述内容集和根据各候选类别对应的所述搜索文本集,确定各候选类别对应的对象数据集。
本公开实施例的对象识别装置,通过获取待识别对象的标识信息;根据所述标识信息,查询所述待识别对象在设定历史时间段内的至少一个搜索内容;根据所述标识信息,获取所述待识别对象所下载的至少一个应用程序的描述内容;根据所述至少一个搜索内容、所述至少一个应用程序的描述内容以及候选类别对应的对象数据集,从所述候选类别中识别所述待识别对象的目标类别,该方法通过预先构建候选类别对应的对象数据集,将待识别对象在设定历史时间段内的至少一个搜索内容,以及待识别对象所下载的至少一个应用程序的描述内容与候选类别对应的对象数据集进行匹配,可快速从候选类别中识别出待识别对象的目标类别,节省了大量的时间和人力,提高了待识别对象的类别识别效率和准确率。
为了实现上述实施例,本公开还提出一种电子设备,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的对象识别方法。
为了实现上述实施例,本公开还提出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,计算机指令用于使计算机执行本公开实施例的对象识别方法。
为了实现上述实施例,本公开还提出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本公开实施例的对象识别方法。
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收集、存储、使用、加工、传输、提供和公开等处理,均在征得用户同意的前提下进行,并且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7示出了可以用来实施本公开的实施例的示例电子设备700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7所示,设备700包括计算单元701,其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序,来执行各种适当的动作和处理。在RAM 703中,还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
设备700中的多个部件连接至I/O接口705,包括:输入单元706,例如键盘、鼠标等;输出单元707,例如各种类型的显示器、扬声器等;存储单元708,例如磁盘、光盘等;以及通信单元709,例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700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701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701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701执行上文所描述的各个方法和处理,例如对象识别方法。例如,在一些实施例中,对象识别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708。在一些实施例中,计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时,可以执行上文描述的对象识别方法的一个或多个步骤。备选地,在其他实施例中,计算单元701可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行对象识别方法。
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)、互联网和区块链网络。
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。服务器也可以为分布式系统的服务器,或者是结合了区块链的服务器。
其中,需要说明的是,人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科,既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术;人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
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 (13)
1.一种对象识别方法,包括:
获取待识别对象的标识信息;
根据所述标识信息,查询所述待识别对象在设定历史时间段内的至少一个搜索内容;
根据所述标识信息,获取所述待识别对象所下载的至少一个应用程序的描述内容;
根据所述至少一个搜索内容、所述至少一个应用程序的描述内容以及候选类别对应的对象数据集,从所述候选类别中识别所述待识别对象的目标类别。
2.根据权利要求1所述的方法,其中,所述对象数据集包括:对应候选类别内的样本对象的搜索文本集,以及所述样本对象所下载的应用程序的描述内容集;
所述根据所述至少一个搜索内容、所述至少一个应用程序的描述内容以及候选类别对应的对象数据集,从所述候选类别中识别所述待识别对象的目标类别,包括:
查询所述搜索文本集,以从所述搜索文本集中获取与所述至少一个搜索内容匹配的目标搜索内容;
查询所述描述内容集,以从所述描述内容集中获取与所述至少一个描述内容匹配的目标描述内容;
根据各所述目标搜索内容对应的候选类别以及各所述目标描述内容对应的候选类别,确定所述待识别对象的目标类别。
3.根据权利要求2所述的方法,其中,所述根据各述目标搜索内容对应的候选类别以及各所述目标描述内容对应的候选类别,确定所述待识别对象的目标类别,包括:
根据各所述目标搜索内容对应的候选类别进行统计,以确定各所述候选类别对应的所述目标搜索内容的个数;
根据各所述目标描述内容对应的候选类别进行统计,以确定各所述候选类别对应的所述目标描述内容的个数;
针对每个所述候选类别,根据设定权重,对所述候选类别对应的所述目标搜索内容的个数和所述候选类别对应的所述目标描述内容的个数进行加权求和,以得到所述候选类别对应的加权求和结果;
根据各所述候选类别对应的加权求和结果,确定所述待识别对象的目标类别。
4.根据权利要求1所述的方法,其中,所述根据所述至少一个搜索内容、所述至少一个应用程序的描述内容以及候选类别对应的对象数据集,从所述候选类别中识别所述待识别对象的目标类别之前,还包括:
获取多个样本对象的标识信息;
根据各所述样本对象的标识信息,查询各所述样本对象在设定历史时间段内的样本搜索内容;
根据各所述样本对象的标识信息,获取各所述样本对象所下载的样本应用程序的样本描述内容;
根据各所述样本搜索内容以及各所述样本描述内容进行类别划分,以确定至少一个候选类别对应的所述对象数据集。
5.根据权利要求4所述的方法,其中,所述根据各所述样本搜索内容以及各所述样本描述内容进行类别划分,以确定至少一个候选类别对应的所述对象数据集,包括:
获取多个设定的候选类别,以及对应的设定搜索内容和设定应用程序的设定描述内容;
根据各所述样本搜索内容匹配的设定搜索内容,确定各所述样本搜索内容对应的候选类别;
根据各所述样本描述内容匹配的设定描述内容,确定各所述样本描述内容对应的候选类别;
根据各所述候选类别对应的样本描述内容,确定对应候选类别的描述内容集;以及根据各所述候选类别对应的样本搜索内容,确定对应候选类别的搜索文本集;
根据各所述候选类别对应的所述描述内容集和根据各所述候选类别对应的所述搜索文本集,确定各所述候选类别对应的对象数据集。
6.一种对象识别装置,包括:
第一获取模块,用于获取待识别对象的标识信息;
查询模块,用于根据所述标识信息,查询所述待识别对象在设定历史时间段内的至少一个搜索内容;
第二获取模块,用于根据所述标识信息,获取所述待识别对象所下载的至少一个应用程序的描述内容;
识别模块,用于根据所述至少一个搜索内容、所述至少一个应用程序的描述内容以及候选类别对应的对象数据集,从所述候选类别中识别所述待识别对象的目标类别。
7.根据权利要求6所述的装置,其中,所述对象数据集包括:对应候选类别内的样本对象的搜索文本集,以及所述样本对象所下载的应用程序的描述内容集;
所述识别模块,还用于:
查询所述搜索文本集,以从所述搜索文本集中获取与所述至少一个搜索内容匹配的目标搜索内容;
查询所述描述内容集,以从所述描述内容集中获取与所述至少一个描述内容匹配的目标描述内容;
根据各所述目标搜索内容对应的候选类别以及各所述目标描述内容对应的候选类别,确定所述待识别对象的目标类别。
8.根据权利要求7所述的装置,其中,所述识别模块,还用于:
根据各所述目标搜索内容对应的候选类别进行统计,以确定各所述候选类别对应的所述目标搜索内容的个数;
根据各所述目标描述内容对应的候选类别进行统计,以确定各所述候选类别对应的所述目标描述内容的个数;
针对每个所述候选类别,根据设定权重,对所述候选类别对应的所述目标搜索内容的个数和所述候选类别对应的所述目标描述内容的个数进行加权求和,以得到所述候选类别对应的加权求和结果;
根据各所述候选类别对应的加权求和结果,确定所述待识别对象的目标类别。
9.根据权利要求6所述的装置,其中,所述装置还包括:
第三获取模块,用于获取多个样本对象的标识信息;
所述查询模块,还用于根据各所述样本对象的标识信息,查询各所述样本对象在设定历史时间段内的样本搜索内容;
第四获取模块,用于根据各所述样本对象的标识信息,获取各所述样本对象所下载的样本应用程序的样本描述内容;
确定模块,用于根据各所述样本搜索内容以及各所述样本描述内容进行类别划分,以确定至少一个候选类别对应的所述对象数据集。
10.根据权利要求9所述的装置,其中,所述确定模块,还用于:
获取多个设定的候选类别,以及对应的设定搜索内容和设定应用程序的设定描述内容;
根据各所述样本搜索内容匹配的设定搜索内容,确定各所述样本搜索内容对应的候选类别;
根据各所述样本描述内容匹配的设定描述内容,确定各所述样本描述内容对应的候选类别;
根据各所述候选类别对应的样本描述内容,确定对应候选类别的描述内容集;以及根据各所述候选类别对应的样本搜索内容,确定对应候选类别的搜索文本集;
根据各所述候选类别对应的所述描述内容集和根据各所述候选类别对应的所述搜索文本集,确定各所述候选类别对应的对象数据集。
11.一种电子设备,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1-5中任一项所述的方法。
12.一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1-5中任一项所述的方法。
13.一种计算机程序产品,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1-5中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210122573.6A CN114547427A (zh) | 2022-02-09 | 2022-02-09 | 对象识别方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210122573.6A CN114547427A (zh) | 2022-02-09 | 2022-02-09 | 对象识别方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114547427A true CN114547427A (zh) | 2022-05-27 |
Family
ID=81673175
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210122573.6A Pending CN114547427A (zh) | 2022-02-09 | 2022-02-09 | 对象识别方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114547427A (zh) |
-
2022
- 2022-02-09 CN CN202210122573.6A patent/CN114547427A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113836314B (zh) | 知识图谱构建方法、装置、设备以及存储介质 | |
CN112925883A (zh) | 搜索请求处理方法、装置、电子设备及可读存储介质 | |
CN113392920B (zh) | 生成作弊预测模型的方法、装置、设备、介质及程序产品 | |
CN112699237B (zh) | 标签确定方法、设备和存储介质 | |
CN114116997A (zh) | 知识问答方法、装置、电子设备及存储介质 | |
CN110929499B (zh) | 文本相似度获取方法、装置、介质及电子设备 | |
CN115759100A (zh) | 数据处理方法、装置、设备及介质 | |
CN113239273B (zh) | 用于生成文本的方法、装置、设备以及存储介质 | |
CN114329210A (zh) | 信息推荐方法、装置及电子设备 | |
CN114647739A (zh) | 实体链指方法、装置、电子设备及存储介质 | |
CN114547427A (zh) | 对象识别方法、装置、电子设备及存储介质 | |
CN114048315A (zh) | 确定文档标签的方法、装置、电子设备和存储介质 | |
CN113807391A (zh) | 任务模型的训练方法、装置、电子设备及存储介质 | |
CN111274383B (zh) | 一种应用于报价的分类对象方法和装置 | |
CN113850072A (zh) | 文本情感分析方法、情感分析模型训练方法、装置、设备及介质 | |
CN113807091A (zh) | 词语挖掘方法、装置、电子设备和可读存储介质 | |
CN112560481A (zh) | 语句处理方法、设备和存储介质 | |
CN112905743A (zh) | 文本对象检测的方法、装置、电子设备和存储介质 | |
CN114218478A (zh) | 推荐方法、装置、电子设备及存储介质 | |
CN116127948B (zh) | 待标注文本数据的推荐方法、装置及电子设备 | |
CN113391989A (zh) | 程序评估方法、装置、设备、介质及程序产品 | |
CN116862020A (zh) | 文本分类模型的训练方法、文本分类方法及装置 | |
CN114138951A (zh) | 问答处理方法、装置、电子设备及存储介质 | |
CN114036263A (zh) | 一种网站识别方法、装置及电子设备 | |
CN115758142A (zh) | 深度学习模型的训练方法、数据处理方法和装置 |
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 |