CN115099239A - 一种资源识别方法、装置、设备以及存储介质 - Google Patents

一种资源识别方法、装置、设备以及存储介质 Download PDF

Info

Publication number
CN115099239A
CN115099239A CN202210694398.8A CN202210694398A CN115099239A CN 115099239 A CN115099239 A CN 115099239A CN 202210694398 A CN202210694398 A CN 202210694398A CN 115099239 A CN115099239 A CN 115099239A
Authority
CN
China
Prior art keywords
information
resource
identified
identification
effective
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.)
Granted
Application number
CN202210694398.8A
Other languages
English (en)
Other versions
CN115099239B (zh
Inventor
张琳
孙想
谢强
邓天生
于天宝
贠挺
陈国庆
林赛群
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202210694398.8A priority Critical patent/CN115099239B/zh
Publication of CN115099239A publication Critical patent/CN115099239A/zh
Priority to PCT/CN2022/127332 priority patent/WO2023240878A1/zh
Application granted granted Critical
Publication of CN115099239B publication Critical patent/CN115099239B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00Handling natural language data
    • G06F40/30Semantic analysis
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00Handling natural language data
    • G06F40/20Natural language analysis
    • G06F40/279Recognition of textual entities
    • G06F40/289Phrasal analysis, e.g. finite state techniques or chunking
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本公开提供了一种资源识别方法、装置、设备以及存储介质,涉及计算机技术领域,尤其涉及人工智能技术领域。具体实现方案为:获取待识别资源的后验信息和先验信息,后验信息用于体现用户对待识别资源的反馈信息,先验信息用于体现待识别资源的语义信息;根据第一识别模型和后验信息,对待识别资源进行识别,得到第一识别结果;根据第二识别模型和先验信息,对待识别资源进行识别,得到第二识别结果;根据第一识别结果和第二识别结果,生成第三识别结果。本公开提供的一种资源识别方法、装置、设备以及存储介质,能够提高资源识别的准确率。

Description

一种资源识别方法、装置、设备以及存储介质
技术领域
本公开涉及计算机技术领域,尤其涉及人工智能技术领域的一种资源识别方法、装置、设备以及存储介质。
背景技术
在当今移动互联网信息爆炸时代,人们对于信息的获取频次爆发式增长,在信息供给远大于求的状况下,只有在短时间内吸引到用户的注意力,才能获得流量和成功。因此,很多自媒体资源的创作者开始利用虚假、夸大和歪曲等手法来制作资源标题,但这些标题低质的资源会严重消耗用户的好奇心,影响用户的阅读体验,使用户对资源供给侧媒体或平台的信任感降低。
目前各大媒体或平台对资源的识别方法主要为:基于待识别资源的文本语义特征和图像特征等先验信息进行资源识别,从而判断待识别资源是否为低质标题资源。
发明内容
本公开提供了一种准确率更高的资源识别方法、装置、设备以及存储介质。
根据本公开的一方面,提供了一种资源识别方法,包括:获取待识别资源的后验信息和先验信息,所述后验信息用于体现用户对所述待识别资源的反馈信息,所述先验信息用于体现所述待识别资源的语义信息;根据第一识别模型和所述后验信息,对所述待识别资源进行识别,得到第一识别结果;根据第二识别模型和所述先验信息,对所述待识别资源进行识别,得到第二识别结果;根据所述第一识别结果和第二识别结果,生成第三识别结果。
根据本公开的另一方面,提供了一种资源识别装置,包括:第一获取模块,用于获取待识别资源的后验信息和先验信息,所述后验信息用于体现用户对所述待识别资源的反馈信息,所述先验信息用于体现所述待识别资源的语义信息;第一识别模块,用于根据第一识别模型和所述后验信息,对所述待识别资源进行识别,得到第一识别结果;第二识别模块,用于根据第二识别模型和所述先验信息,对所述待识别资源进行识别,得到第二识别结果;生成模块,用于根据所述第一识别结果和第二识别结果,生成第三识别结果。
根据本公开的另一方面,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本公开所述的方法。
根据本公开的另一方面,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本公开所述的方法。
根据本公开的另一方面,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本公开所述的方法。
本公开提供的一种资源识别方法、装置、设备及存储介质,结合后验信息与先验信息识别待识别资源是否为特定类型资源,提高了资源识别的准确率和用户体验感。
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一种资源识别方法的流程示意图;
图2是根据本公开第三实施例的一种资源识别方法的流程示意图;
图3是根据本公开第四实施例的一种资源识别方法的流程示意图;
图4是根据本公开第六实施例的一种资源识别方法的流程示意图;
图5是根据本公开第七实施例的一种资源识别方法的流程示意图;
图6是根据本公开第十实施例的一种资源识别装置的结构示意图;
图7是用来实现本公开实施例的一种资源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。
图1是根据本公开第一实施例的一种资源识别方法的流程示意图,如图1所示,该方法主要包括:
步骤S101,获取待识别资源的后验信息和先验信息,后验信息用于体现用户对待识别资源的反馈信息,先验信息用于体现待识别资源的语义信息。
在本实施例中,首先需要获取待识别资源的后验信息和先验信息,待识别资源可以为在自媒体平台上发布的文章、视频或图集等,后验信息用于体现用户对待识别资源的反馈信息,后验信息可以体现出用户是否喜欢待识别资源,具体地,后验信息可以包括用户对待识别资源的点赞、点踩、评论、分享和举报等信息;先验信息用于体现待识别资源的语义信息,具体地,先验信息可以包括待识别资源的标题文本、内容图文和字幕等信息。
在一可实施方式中,待识别资源的后验信息和先验信息可以存储在待识别资源所属自媒体平台的后台数据库中,可以根据待识别资源的唯一标识符从后台数据库中获取待识别资源的后验信息和先验信息。具体地,待识别资源的唯一标识符可以为待识别资源的资源号,利用待识别资源的资源号从后台数据库中查找并提取出待识别资源的后验信息和先验信息。
步骤S102,根据第一识别模型和后验信息,对待识别资源进行识别,得到第一识别结果。
在本实施例中,获取待识别资源的后验信息和先验信息之后,需要根据第一识别模型和后验信息,对待识别资源进行识别,得到第一识别结果。
在一可实施方式中,第一识别模型可以基于机器学习模型训练生成,机器学习模型可以为神经网络模型、决策树模型或支持向量机模型等,可以根据实际需求选择合适的机器学习模型来训练第一识别模型,本公开不对第一识别模型进行限定。
在一可实施方式中,因为后验信息用于体现用户对待识别资源的反馈信息,所以利用第一识别模型对后验信息进行识别,得到的第一识别结果可以从用户的角度体现出待识别资源的标题与内容是否匹配,即标题是否虚假、夸大或歪曲等。具体地,第一识别结果可以为“是”或“否”,分别用于显示待识别资源为特定类型资源和待识别资源不为特定类型资源,第一识别结果还可以包含与第一识别结果对应的置信度,若待识别资源为特定类型资源时,第一识别结果还可以包含待识别资源为特定类型资源的原因,比如题文不符或标题夸大等。
步骤S103,根据第二识别模型和先验信息,对待识别资源进行识别,得到第二识别结果。
在本实施例中,获取待识别资源的后验信息和先验信息之后,还需要根据第二识别模型和先验信息,对待识别资源进行识别,得到第二识别结果。
在一可实施方式中,第二识别模型也可以基于机器学习模型训练生成,机器学习模型可以为神经网络模型、决策树模型或支持向量机模型等,可以根据实际需求选择合适的机器学习模型来训练第二识别模型,本公开不对第二识别模型进行限定。
在一可实施方式中,因为先验信息用于体现待识别资源的语义信息,所以利用第二识别模型对先验信息进行识别,得到的第二识别结果可以体现出待识别资源的标题是否存在错字、漏字、语句不通以及标题语义与内容语义是否存在交叉等。具体地,第二识别结果可以为“是”或“否”,分别用于显示待识别资源为特定类型资源和待识别资源不为特定类型资源,第二识别结果还可以包含与第二识别结果对应的置信度,若待识别资源为特定类型资源时,第二识别结果还可以包含待识别资源为特定类型资源的原因,比如标题错字或题文不符等。
步骤S104,根据第一识别结果和第二识别结果,生成第三识别结果。
在本实施例中,得到第一识别结果和第二识别结果之后,可以结合第一识别结果和第二识别结果来生成第三识别结果,第三识别结果可以用于体现待识别资源是否属于特定类型资源,例如待识别资源是否为标题党资源。
在一可实施方式中,第一识别结果从用户角度来体现待识别资源是否为特定类型资源,第二识别结果从语义角度来体现待识别资源是否为特定类型资源,也就是说,只要第一识别结果和第二识别结果中有一个显示待识别资源为特定类型资源,则可以认为待识别资源为特定类型资源;若第一识别结果和第二识别结果均显示待识别资源不为特定类型资源,则认为待识别资源不为特定类型资源。
在本公开第一实施例中,利用第一识别模型和后验信息得到第一识别结果,利用第二识别模型和先验信息得到第二识别结果,并根据第一识别模型和第二识别模型来判断待识别资源是否为特定类型资源。本实施例提供的资源识别方法,不仅结合了与待识别资源语义相关的先验信息,还结合了与用户相关的后验信息,从而可以得到与用户认知相符的识别结果,可以弥补只利用先验信息进行资源识别时,对资源标题夸大、虚假等问题的识别能力不足的问题,进一步提高资源识别的准确率。
在本公开第二实施例中,第一识别模型和第二识别模型通过以下方式获得:
获取第一训练集和第二训练集,第一训练集包括已得到资源识别结果的第一样本资源及其后验信息,第二训练集包括已得到资源识别结果的第二样本资源及其先验信息;
将第一训练集输入第一机器学习模型进行训练得到第一识别模型,将第二训练集输入第二机器学习模型进行训练得到第二识别模型。
在本实施例中,利用机器学习模型来训练生成第一识别模型和第二识别模型,首先需要获取第一训练集和第二训练集,第一训练集用于训练第一识别模型,第二训练集用于训练第二识别模型,第一训练集包括已得到资源识别结果的第一样本资源及其后验信息,第二训练集包括已得到资源识别结果的第二样本资源及其先验信息,之后将第一训练集输入第一机器学习模型进行训练得到第一识别模型,将第二训练集输入第二机器学习模型进行训练得到第二识别模型。
在一可实施方式中,可以人工选取一些资源并标注其是否为特定类型资源,然后从现有数据库中获取这些资源的后验信息或先验信息,组成第一训练集和第二训练集,需要强调的是,第一样本资源和第二样本资源可以相同也可以不同,本公开并不对其进行限定。
在一可实施方式中,得到第一训练集和第二训练集之后,可以根据第一训练集和第二训练集分别对第一机器学习模型和第二机器学习模型进行训练,直到第一机器学习模型和第二机器学习模型收敛,从而得到第一识别模型和第二识别模型。具体地,机器学习模型可以为神经网络模型、决策树模型或自然语言处理模型等,可以根据实际需要进行选取。
在一可实施方式中,还可以获取第一测试训练集和第二测试训练集对训练好的第一识别模型和第二识别模型进行测试,第一测试训练集中可以包括第一待测试资源及其后验信息,第二测试训练集中可以包括第二待测试资源及其先验信息,第一待测试资源和第二待测试资源可以相同也可以不同,分别根据第一测试训练集和第二测试训练集对第一识别模型和第二识别模型进行测试,根据识别结果判断第一识别模型和第二识别模型的准确率是否满足需求。
在本公开第二实施例中,分别根据第一训练集和第二训练集对机器学习模型进行训练,得到第一识别模型和第二识别模型,第一识别模型和第二识别模型可以用于对待识别资源进行识别,从而判断待识别资源是否为特定类型资源,提高资源识别的准确率。
图2是根据本公开第三实施例的一种资源识别方法的流程示意图,如图2所示,步骤S102具体包括:
步骤S201,获取后验信息对应的用户信息。
在本实施例中,首先需要获取后验信息对应的用户信息。因为后验信息中包括用户对待识别资源的点赞、点踩、评论、分享和举报等信息,因此可以确定每个点赞行为、点踩行为、评论行为、分享行为和举报行为等对应的用户,然后根据每个用户的唯一标识符获取每个用户的用户信息。
在一可实施方式中,根据待识别资源的后验信息,获取所有与后验信息相关的用户信息,用户信息中可以包含该用户的唯一标识符、该用户的总点赞数、总点踩数、总评论数、总分享数、总举报数等。
步骤S202,根据用户识别模型识别用户信息中的异常用户信息。
在本实施例中,获取用户信息之后,需要根据用户识别模型识别用户信息中的异常用户信息,异常用户为经常对资源进行点踩、负面评论或举报等负面操作的用户,即“喷子用户”。
在一可实施方式中,用户识别模型可以基于机器学习模型训练生成,机器学习模型可以根据实际需求进行选择,训练方法与第一识别模型和第二识别模型类似,此处不再赘述。将与后验信息相关的用户信息输入至用户识别模型进行识别,即可得到异常用户信息。
步骤S203,删除后验信息中与异常用户信息对应的后验信息,得到有效后验信息。
在本实施例中,得到异常用户信息之后,需要删除后验信息中与异常用户信息对应的后验信息,从而得到有效后验信息。具体地,与异常用户信息对应的后验信息并不能准确真实的体现出用户是否喜欢待识别资源,因此需要将异常用户对应的后验信息删除,得到有效后验信息。
步骤S204,根据第一识别模型和有效后验信息,对待识别资源进行识别,得到第一识别结果。
在本实施例中,可以根据第一识别模型和有效后验信息,对待识别资源进行识别,得到第一识别结果。
在本公开第三实施例中,根据用户识别模型识别用户信息中的异常用户信息,然后将异常用户信息对应的后验信息删除,得到有效后验信息,最后根据第一识别模型和有效后验信息,得到第一识别结果。在本实施例中,将异常用户信息对应的后验信息删除,只根据有效后验信息对待识别资源进行识别,可以进一步提高资源识别的准确率。
图3是根据本公开第四实施例的一种资源识别方法的流程示意图,如图3所示,后验信息包括用户对待识别资源的点展信息和评论信息,点展信息包括用户对待识别资源的不同操作所对应的点击信息数和待识别资源的展示信息,不同操作包括点赞、点踩、评论、举报、收藏等,展示信息包括待识别资源的停留时长、停留频次和播放或浏览完成度等,步骤S204具体包括:
步骤S301,根据第一分类模型,对有效评论信息添加第一标签,得到第一标签结果。
在本实施例中,后验信息包括用户对待识别资源的点展信息、评论信息和举报信息,因此,有效后验信息包括用户对待识别资源的有效点展信息、有效评论信息和有效举报信息,本实施例首先根据第一分类模型,对有效评论信息添加第一标签,得到第一标签结果。
在一可实施方式中,第一分类模型基于机器学习模型训练生成,机器学习模型可以根据实际需求选取,第一分类模型的训练方法与第一识别模型和第二识别模型类似,在此不再赘述。在训练第一分类模型时,可以将其第一标签只设置为负评标签和一般评论标签,在根据第一分类模型对有效评论信息添加第一标签之后,得到的第一标签结果就将有效评论信息分为有效负评信息和有效一般评论信息。
步骤S302,统计第一标签结果中所有负评标签所对应的有效评论信息的数量,得到有效负评信息数。
步骤S303,将有效负评信息数和有效点展信息输入第一识别模型,对待识别资源进行识别,得到第一识别结果。
在本实施例中,得到第一标签结果之后,可以对第一标签结果中所有负评标签所对应的有效评论信息的数量进行统计,得到有效负评信息数,然后将有效负评信息数和有效点展信息输入第一识别模型,对待识别资源进行识别,得到第一识别结果。
在一可实施方式中,有效点展信息中的点击信息数包括待识别资源的点赞数、点踩数、评论数、举报数、收藏数、屏蔽数等,将有效点展信息和有效负评信息数输入第一识别模型进行识别,相当于根据用户对待识别资源的正面评价(包括点赞数、收藏数、有效一般评论信息数等)和负面评价(包括点踩数、有效负评信息数等)共同对待识别资源进行识别,从而得到第一识别结果。具体地,若待识别资源的负面评价数与正面评价数的比值大于预设阈值,则第一识别结果为“是”,即待识别资源为特定类型资源;若待识别资源的负面评价数与正面评价数的比值不大于预设阈值,则第一识别结果为“否”,即待识别资源不为特定类型资源,其中,预设阈值可以根据实际需求自行设定。
在本公开第四实施例中,统计有效负评信息数,并将有效负评信息数和有效点展信息输入第一识别模型进行识别,可以提高资源识别的准确率。
在本公开第五实施例中,后验信息包括用户对待识别资源的点展信息和举报信息,点展信息包括用户对待识别资源的不同操作所对应的点击信息数和待识别资源的展示信息,不同操作包括点赞、点踩、评论、举报、收藏等,展示信息包括待识别资源的停留时长、停留频次和播放或浏览完成度等,步骤S204具体包括:
统计有效举报信息的数量,得到有效举报信息数;将有效举报信息数和有效点展信息输入第一识别模型,对待识别资源进行识别,得到第一识别结果。
在本实施例中,首先需要统计有效举报信息的数量,然后将有效举报信息数和有效点展信息输入第一识别模型,对待识别资源进行识别,得到第一识别结果。
在一可实施方式中,有效点展信息中的点击信息数包括待识别资源的点赞数、点踩数、评论数、举报数、收藏数、屏蔽数等,将有效点展信息和有效举报信息数输入第一识别模型进行识别,相当于根据用户对待识别资源的正面评价(包括点赞数、收藏数)和负面评价(包括点踩数、有效举报信息数等)共同对待识别资源进行识别,从而得到第一识别结果。具体地,若待识别资源的负面评价数与正面评价数的比值大于预设阈值,则第一识别结果为“是”,即待识别资源为特定类型资源;若待识别资源的负面评价数与正面评价数的比值不大于预设阈值,则第一识别结果为“否”,即待识别资源不为特定类型资源,其中,预设阈值可以根据实际需求自行设定。
在本公开第五实施例中,统计有效举报信息数,并将有效举报信息数和有效点展信息输入第一识别模型进行识别,可以提高资源识别的准确率。
图4是根据本公开第六实施例的一种资源识别方法的流程示意图,如图4所示,后验信息包括用户对待识别资源的点展信息、评论信息和举报信息,点展信息包括用户对待识别资源的不同操作所对应的点击信息数和待识别资源的展示信息,不同操作包括点赞、点踩、评论、举报、收藏等,展示信息包括待识别资源的停留时长、停留频次和播放或浏览完成度等,步骤S204具体包括:
步骤S401,根据第一分类模型,对有效评论信息添加第一标签,得到第一标签结果。
步骤S401与步骤S301类似,在此不再赘述。
步骤S402,统计第一标签结果中所有负评标签所对应的有效评论信息的数量和有效举报信息的数量,得到有效负评信息数和有效举报信息数。
步骤S403,将有效负评信息数、有效举报信息数和有效点展信息输入第一识别模型,对待识别资源进行识别,得到第一识别结果。
在本实施例中,得到第一标签结果之后,可以对第一标签结果中所有负评标签对应的有效评论信息的数量和有效举报信息的数量进行统计,得到有效负评信息数和有效举报信息数,然后将有效负评信息数、有效举报信息数和有效点展信息输入第一识别模型,对待识别资源进行识别,得到第一识别结果。
在一可实施方式中,有效点展信息中的点击信息数包括待识别资源的点赞数、点踩数、评论数、举报数、收藏数、屏蔽数等,将有效点展信息、有效负评信息数和有效举报信息数等输入第一识别模型进行识别,相当于根据用户对待识别资源的正面评价(包括点赞数、收藏数、有效一般评论信息数等)和负面评价(包括点踩数、有效举报信息数、有效负评信息数等)共同对待识别资源进行识别,从而得到第一识别结果。具体地,若待识别资源的负面评价数与正面评价数的比值大于预设阈值,则第一识别结果为“是”,即待识别资源为特定类型资源;若待识别资源的负面评价数与正面评价数的比值不大于预设阈值,则第一识别结果为“否”,即待识别资源不为特定类型资源,其中,预设阈值可以根据实际需求自行设定。
在本公开第六实施例中,统计有效负评信息数、有效举报信息数,并将有效负评信息数、有效举报信息数和有效点展信息输入第一识别模型进行识别,可以进一步提高资源识别的准确率。
图5是根据本公开第七实施例的一种资源识别方法的流程示意图,如图5所示,步骤S204具体包括:
步骤S501,根据第一分类模型,对有效评论信息添加第一标签,得到第一标签结果。
步骤S502,统计第一标签结果中不同负评标签对应的有效评论信息的数量,得到第一统计结果。
在本实施例中,在训练第一分类模型时,可以将其第一标签设置为文章编造、标题硬伤、内容编造、题文不符、一般、优秀等,其中文章编造、标题硬伤、内容编造、题文不符等负面标签可以归为负评标签;在根据第一分类模型对有效评论信息添加第一标签之后,得到的第一标签结果就将有效评论信息分为文章编造、标题硬伤、内容编造、题文不符、一般、优秀等多类,然后统计第一标签结果中不同负评标签对应的有效评论信息的数量;例如,文章编造标签对应的有效评论信息数、内容编造标签对应的有效评论信息数和题文不符标签对应的有效评论信息数等,从而得到第一统计结果。
步骤S503,根据第二分类模型,对有效举报信息添加第二标签,得到第二标签结果。
步骤S504,统计第二标签结果中不同第二标签对应的有效举报信息的数量,得到第二统计结果。
在本实施例中,在训练第二分类模型时,可以将其第二标签设置为文章编造、标题硬伤、标题低质、题文不符等;在根据第二分类模型对有效举报信息添加第二标签之后,得到的第二标签结果就将有效举报信息分为文章编造、标题硬伤、标题低质、题文不符等多类,然后统计第二标签结果中不同第二标签对应的有效举报信息的数量;例如,文章编造标签对应的有效举报信息数、标题硬伤标签对应的有效举报信息数和标题低质标签对应的有效举报信息数等,从而得到第二统计结果。
在一可实施方式中,第二分类模型基于机器学习模型训练生成,机器学习模型可以根据实际需求选取,第二分类模型的训练方法与第一识别模型和第二识别模型类似,在此不再赘述。
步骤S505,将第一统计结果、第二统计结果和有效点展信息输入第一识别模型,对待识别资源进行识别,得到第一识别结果。
在本实施例中,有效点展信息中的点击信息数包括待识别资源的点赞数、点踩数、评论数、举报数、收藏数、屏蔽数等,将第一统计结果、第二统计结果和有效点展信息等输入第一识别模型进行识别,相当于根据用户对待识别资源的正面评价(包括点赞数、收藏数、有效一般评论信息数等)和负面评价(包括点踩数、有效举报信息数、有效负评信息数等)共同对待识别资源进行识别,从而得到第一识别结果。具体地,若待识别资源的负面评价数与正面评价数的比值大于预设阈值,则第一识别结果为“是”,即待识别资源为特定类型资源,此时第一识别结果还可以包含待识别资源为特定类型资源的原因,比如题文不符或标题夸大等;若待识别资源的负面评价数与正面评价数的比值不大于预设阈值,则第一识别结果为“否”,即待识别资源不为特定类型资源,其中,预设阈值可以根据实际需求自行设定。
在本公开第七实施例中,统计不同负评标签对应的有效评论信息的数量和不同第二标签对应的有效举报信息的数量,得到第一统计结果和第二统计结果,并将第一统计结果、第二统计结果和有效点展信息输入第一识别模型进行识别,得到第一识别结果,可以进一步提高资源识别的准确率。
在本公开第八实施例中,第二识别模型可以为基于自然语言处理模型训练生成的模型,步骤S103具体包括:
对先验信息进行分词处理后转换成向量矩阵;根据向量矩阵和第二识别模型,对待识别资源进行识别,得到第二识别结果。
在本实施例中,先验信息可以作为待识别资源的语义特征,首先对先验信息进行分词处理并转换成向量矩阵,即将先验信息转换为计算机可识别的数据,然后根据向量矩阵和第二识别模型,对待识别资源进行识别,得到第二识别结果。
在一可实施方式中,用于训练第二识别模型的自然语言处理模型可以为长短期记忆模型(LSTM,Long-short term memory)、Transformer模型和BERT模型(BidirectionalEncoder Representation from Transformers)等,本公开不对自然语言处理模型的选取进行限定。
在一可实施方式中,可以人工对先验信息进行分词,也可以利用分词工具对先验信息进行分词,可以利用Word2Vec模型或GloVe模型等用于产生词向量的模型将进行分词处理后的先验信息转换成向量矩阵。
本公开第八实施例,利用自然语言处理模型训练生成第二识别模型,根据第二识别模型对待识别资源的先验信息进行识别,得到第二识别结果,以便后续结合第一识别结果与第二识别结果判断待识别资源是否为特定类型资源,提高资源识别的准确率。
在本公开第九实施例中,步骤S104具体包括:
第一识别结果和第二识别结果中有任一结果表征待识别资源属于特定类型资源,则生成用于表征待识别资源属于特定类型资源的第三识别结果;否则,生成的用于表征待识别资源不属于特定类型资源的第三识别结果。在本实施例中,第一识别结果从用户角度来体现待识别资源是否为特定类型资源,第二识别结果从语义角度来体现待识别资源是否为特定类型资源,也就是说,只要第一识别结果和第二识别结果中有一个显示待识别资源为特定类型资源,则可以认为待识别资源为特定类型资源;若第一识别结果和第二识别结果均显示待识别资源不为特定类型资源,则认为待识别资源不为特定类型资源。
本公开第七实施例,结合第一识别结果与第二识别结果来判断待识别资源是否为特定类型资源,可以提高对待识别资源标题识别的准确率。
下面以抖音短视频平台为例,对本公开实施例提供的一种资源识别方法进行进一步说明。
针对抖音短视频中的一个视频资源,首先获取该视频资源的后验信息和先验信息,后验信息即为用户对该视频资源的反馈信息,例如点赞数、点踩数、评论数、举报数、收藏数、屏蔽数等,后验信息包括用户对待识别资源的点展信息、评论信息和举报信息,先验信息即为该视频资源的语义信息,例如标题文本和字幕等;然后将后验信息中与异常用户信息对应的后验信息删除,得到有效后验信息,并将有效后验信息输入第一识别模型进行识别,得到第一识别结果,第一识别结果可以体现该视频资源是否为特定类型资源,当然,在将有效后验信息输入第一识别模型之前,也可以对有效负评信息和有效举报信息添加标签;之后将先验信息输入第二识别模型进行识别,得到第二识别结果,第二识别结果也可以体现该视频资源是否为特定类型资源;如果第一识别结果和第二识别结果中有一个显示该视频资源为特定类型资源,则可以得出第三识别结果为该视频资源为特定类型资源,例如标题党资源等。
需要强调的是,本公开实施例提供的一种资源识别方法不仅可以应用于短视频平台,还可以应用于其他各种自媒体平台。
图6是根据本公开第十实施例的一种资源识别装置的结构示意图,如图6所示,该装置主要包括:
第一获取模块60,用于获取待识别资源的后验信息和先验信息,后验信息用于体现用户对待识别资源的反馈信息,先验信息用于体现待识别资源的语义信息;第一识别模块61,用于根据第一识别模型和后验信息,对待识别资源进行识别,得到第一识别结果;第二识别模块62,用于根据第二识别模型和先验信息,对待识别资源进行识别,得到第二识别结果;生成模块63,用于根据第一识别结果和第二识别结果,生成第三识别结果。
在一可实施方式中,该装置还包括:
第二获取模块,用于获取第一训练集和第二训练集,第一训练集包括已得到资源识别结果的资源及其后验信息,第二训练集包括已得到资源识别结果的资源及其先验信息;训练模块,用于分别根据第一训练集和第二训练集对机器学习模型进行训练,得到第一识别模型和第二识别模型。
在一可实施方式中,第一识别模块61主要包括:
获取子模块,用于获取后验信息对应的用户信息;用户识别子模块,用于根据用户识别模型识别用户信息中的异常用户信息;删除子模块,用于删除后验信息中与异常用户信息对应的后验信息,得到有效后验信息;第一识别子模块,用于根据第一识别模型和有效后验信息,对待识别资源进行识别,得到第一识别结果。
在一可实施方式中,后验信息包括用户对待识别资源的点展信息、评论信息和举报信息,点展信息包括用户对待识别资源的不同操作所对应的点击信息数和待识别资源的展示信息;第一识别子模块用于:根据第一分类模型,对有效评论信息添加第一标签,得到第一标签结果;统计第一标签结果中所有负评标签所对应的有效评论信息的数量,得到有效负评信息数;将有效负评信息数和有效点展信息输入第一识别模型,对待识别资源进行识别,得到第一识别结果。
在一可实施方式中,第一识别子模块还用于:统计有效举报信息的数量,得到有效举报信息数;将有效举报信息数和有效点展信息输入第一识别模型,对待识别资源进行识别,得到第一识别结果。
在一可实施方式中,第一识别子模块还用于:根据第一分类模型,对有效评论信息添加第一标签,得到第一标签结果;统计第一标签结果中所有负评标签所对应的有效评论信息的数量和有效举报信息的数量,得到有效负评信息数和有效举报信息数;将有效负评信息数、有效举报信息数和有效点展信息输入第一识别模型,对待识别资源进行识别,得到第一识别结果。
在一可实施方式中,第一识别子模块还用于:根据第一分类模型,对有效评论信息添加第一标签,得到第一标签结果;统计第一标签结果中不同负评标签对应的有效评论信息的数量,得到第一统计结果;根据第二分类模型,对有效举报信息添加第二标签,得到第二标签结果;统计第二标签结果中不同第二标签对应的有效举报信息的数量,得到第二统计结果;将第一统计结果、第二统计结果和有效点展信息输入第一识别模型,对待识别资源进行识别,得到第一识别结果。
在一可实施方式中,第二识别模块62主要包括:
转换子模块,用于对先验信息进行分词处理后转换成向量矩阵;第二识别子模块,用于根据向量矩阵和第二识别模型,对待识别资源进行识别,得到第二识别结果。
在一可实施方式中,生成模块63主要包括:
第一生成子模块,用于第一识别结果和第二识别结果中有任一结果表征待识别资源属于特定类型资源,则生成用于表征待识别资源属于特定类型资源的第三识别结果;第二生成子模块,用于生成的用于表征待识别资源不属于特定类型资源的第三识别结果。
本公开的技术方案中,所涉及的用户个人信息的获取,存储和应用等,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,例如一种资源识别方法。例如,在一些实施例中,一种资源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一种资源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)而被配置为执行一种资源识别方法。
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)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,也可以为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)

1.一种资源识别方法,包括:
获取待识别资源的后验信息和先验信息,所述后验信息用于体现用户对所述待识别资源的反馈信息,所述先验信息用于体现所述待识别资源的语义信息;
根据第一识别模型和所述后验信息,对所述待识别资源进行识别,得到第一识别结果;
根据第二识别模型和所述先验信息,对所述待识别资源进行识别,得到第二识别结果;
根据所述第一识别结果和第二识别结果,生成第三识别结果。
2.根据权利要求1所述的方法,其中,所述第一识别模型和第二识别模型通过以下方式获得:
获取第一训练集和第二训练集,所述第一训练集包括已得到资源识别结果的第一样本资源及其后验信息,所述第二训练集包括已得到资源识别结果的第二样本资源及其先验信息;
将所述第一训练集输入第一机器学习模型进行训练得到所述第一识别模型,将所述第二训练集输入第二机器学习模型进行训练得到所述第二识别模型。
3.根据权利要求1所述的方法,其中,所述根据第一识别模型和所述后验信息,对所述待识别资源进行识别,得到第一识别结果,包括:
获取所述后验信息对应的用户信息;
根据用户识别模型识别所述用户信息中的异常用户信息;
删除所述后验信息中与所述异常用户信息对应的后验信息,得到有效后验信息;
根据所述第一识别模型和所述有效后验信息,对所述待识别资源进行识别,得到所述第一识别结果。
4.根据权利要求3所述的方法,其中,所述后验信息包括用户对所述待识别资源的点展信息和评论信息,所述点展信息包括用户对所述待识别资源的不同操作所对应的点击信息数和所述待识别资源的展示信息;
所述根据第一识别模型和有效后验信息,对所述待识别资源进行识别,得到第一识别结果,包括:
根据第一分类模型,对有效评论信息添加第一标签,得到第一标签结果;
统计所述第一标签结果中所有负评标签所对应的有效评论信息的数量,得到有效负评信息数;
将所述有效负评信息数和有效点展信息输入所述第一识别模型,对所述待识别资源进行识别,得到所述第一识别结果。
5.根据权利要求3所述的方法,其中,所述后验信息包括用户对所述待识别资源的点展信息和举报信息,所述点展信息包括用户对所述待识别资源的不同操作所对应的点击信息数和所述待识别资源的展示信息;
所述根据第一识别模型和有效后验信息,对所述待识别资源进行识别,得到第一识别结果,包括:
统计有效举报信息的数量,得到有效举报信息数;
将所述有效举报信息数和有效点展信息输入所述第一识别模型,对所述待识别资源进行识别,得到所述第一识别结果。
6.根据权利要求3所述的方法,其中,所述后验信息包括用户对所述待识别资源的点展信息、评论信息和举报信息,所述点展信息包括用户对所述待识别资源的不同操作所对应的点击信息数和所述待识别资源的展示信息;
所述根据第一识别模型和有效后验信息,对所述待识别资源进行识别,得到第一识别结果,包括:
根据第一分类模型,对有效评论信息添加第一标签,得到第一标签结果;
统计所述第一标签结果中所有负评标签所对应的有效评论信息的数量和有效举报信息的数量,得到有效负评信息数和有效举报信息数;
将所述有效负评信息数、有效举报信息数和有效点展信息输入所述第一识别模型,对所述待识别资源进行识别,得到所述第一识别结果。
7.根据权利要求3所述的方法,其中,所述后验信息包括用户对所述待识别资源的点展信息、评论信息和举报信息,所述点展信息包括用户对所述待识别资源的不同操作所对应的点击信息数和所述待识别资源的展示信息;
所述根据第一识别模型和有效后验信息,对所述待识别资源进行识别,得到第一识别结果,包括:
根据第一分类模型,对有效评论信息添加第一标签,得到第一标签结果;
统计所述第一标签结果中不同负评标签对应的有效评论信息的数量,得到第一统计结果;
根据第二分类模型,对有效举报信息添加第二标签,得到第二标签结果;
统计所述第二标签结果中不同第二标签对应的有效举报信息的数量,得到第二统计结果;
将所述第一统计结果、第二统计结果和有效点展信息输入第一识别模型,对所述待识别资源进行识别,得到第一识别结果。
8.根据权利要求1所述的方法,其中,所述第二识别模型为基于自然语言处理模型训练生成的模型;所述根据第二识别模型和所述先验信息,对所述待识别资源进行识别,得到第二识别结果,包括:
对所述先验信息进行分词处理后转换成向量矩阵;
根据所述向量矩阵和第二识别模型,对所述待识别资源进行识别,得到第二识别结果。
9.根据权利要求1至8任一项所述的方法,其中,根据所述第一识别结果和第二识别结果,生成第三识别结果,包括:
所述第一识别结果和第二识别结果中有任一结果表征所述待识别资源属于特定类型资源,则生成用于表征所述待识别资源属于所述特定类型资源的第三识别结果;
否则,生成的用于表征所述待识别资源不属于所述特定类型资源的第三识别结果。
10.一种资源识别装置,包括:
第一获取模块,用于获取待识别资源的后验信息和先验信息,所述后验信息用于体现用户对所述待识别资源的反馈信息,所述先验信息用于体现所述待识别资源的语义信息;
第一识别模块,用于根据第一识别模型和所述后验信息,对所述待识别资源进行识别,得到第一识别结果;
第二识别模块,用于根据第二识别模型和所述先验信息,对所述待识别资源进行识别,得到第二识别结果;
生成模块,用于根据所述第一识别结果和第二识别结果,生成第三识别结果。
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1-9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1-9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1-9中任一项所述的方法。
CN202210694398.8A 2022-06-16 2022-06-16 一种资源识别方法、装置、设备以及存储介质 Active CN115099239B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210694398.8A CN115099239B (zh) 2022-06-16 2022-06-16 一种资源识别方法、装置、设备以及存储介质
PCT/CN2022/127332 WO2023240878A1 (zh) 2022-06-16 2022-10-25 一种资源识别方法、装置、设备以及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210694398.8A CN115099239B (zh) 2022-06-16 2022-06-16 一种资源识别方法、装置、设备以及存储介质

Publications (2)

Publication Number Publication Date
CN115099239A true CN115099239A (zh) 2022-09-23
CN115099239B CN115099239B (zh) 2023-10-31

Family

ID=83290393

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210694398.8A Active CN115099239B (zh) 2022-06-16 2022-06-16 一种资源识别方法、装置、设备以及存储介质

Country Status (2)

Country Link
CN (1) CN115099239B (zh)
WO (1) WO2023240878A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117172245A (zh) * 2023-05-26 2023-12-05 国家计算机网络与信息安全管理中心 控制方法及控制系统
WO2023240878A1 (zh) * 2022-06-16 2023-12-21 北京百度网讯科技有限公司 一种资源识别方法、装置、设备以及存储介质

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118337997B (zh) * 2024-06-13 2024-08-20 中亿(深圳)信息科技有限公司 基于嵌入式系统的视频识别方法、装置、介质及设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150178560A1 (en) * 2013-01-11 2015-06-25 Grg Banking Equipment Co., Ltd. Recognition method and recognition device for sheet-type medium
CN107491432A (zh) * 2017-06-20 2017-12-19 北京百度网讯科技有限公司 基于人工智能的低质量文章识别方法及装置、设备及介质
CN109684513A (zh) * 2018-12-14 2019-04-26 北京奇艺世纪科技有限公司 一种低质量视频识别方法及装置
CN110705257A (zh) * 2019-09-16 2020-01-17 腾讯科技(深圳)有限公司 媒体资源的识别方法、装置、存储介质及电子装置
CN113590968A (zh) * 2021-08-10 2021-11-02 平安普惠企业管理有限公司 资源推荐方法、装置、计算机设备及存储介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10831785B2 (en) * 2016-04-11 2020-11-10 International Business Machines Corporation Identifying security breaches from clustering properties
CN112395556B (zh) * 2020-09-30 2022-09-06 广州市百果园网络科技有限公司 异常用户检测模型训练方法、异常用户审核方法及装置
CN115099239B (zh) * 2022-06-16 2023-10-31 北京百度网讯科技有限公司 一种资源识别方法、装置、设备以及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150178560A1 (en) * 2013-01-11 2015-06-25 Grg Banking Equipment Co., Ltd. Recognition method and recognition device for sheet-type medium
CN107491432A (zh) * 2017-06-20 2017-12-19 北京百度网讯科技有限公司 基于人工智能的低质量文章识别方法及装置、设备及介质
CN109684513A (zh) * 2018-12-14 2019-04-26 北京奇艺世纪科技有限公司 一种低质量视频识别方法及装置
CN110705257A (zh) * 2019-09-16 2020-01-17 腾讯科技(深圳)有限公司 媒体资源的识别方法、装置、存储介质及电子装置
CN113590968A (zh) * 2021-08-10 2021-11-02 平安普惠企业管理有限公司 资源推荐方法、装置、计算机设备及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023240878A1 (zh) * 2022-06-16 2023-12-21 北京百度网讯科技有限公司 一种资源识别方法、装置、设备以及存储介质
CN117172245A (zh) * 2023-05-26 2023-12-05 国家计算机网络与信息安全管理中心 控制方法及控制系统

Also Published As

Publication number Publication date
CN115099239B (zh) 2023-10-31
WO2023240878A1 (zh) 2023-12-21

Similar Documents

Publication Publication Date Title
KR20210038449A (ko) 문답 처리, 언어 모델 훈련 방법, 장치, 기기 및 저장 매체
US12094208B2 (en) Video classification method, electronic device and storage medium
CN115099239B (zh) 一种资源识别方法、装置、设备以及存储介质
CN111078878B (zh) 文本处理方法、装置、设备及计算机可读存储介质
CN114861889B (zh) 深度学习模型的训练方法、目标对象检测方法和装置
CN115688920A (zh) 知识抽取方法、模型的训练方法、装置、设备和介质
CN111782793A (zh) 智能客服处理方法和系统及设备
CN111858905A (zh) 模型训练方法、信息识别方法、装置、电子设备及存储介质
CN112560461A (zh) 新闻线索的生成方法、装置、电子设备及存储介质
CN115098729A (zh) 视频处理方法、样本生成方法、模型训练方法及装置
CN114970540A (zh) 训练文本审核模型的方法和装置
CN114169418A (zh) 标签推荐模型训练方法及装置、标签获取方法及装置
CN117992569A (zh) 基于生成式大模型生成文档的方法、装置、设备及介质
CN113111658A (zh) 校验信息的方法、装置、设备和存储介质
CN114880498B (zh) 事件信息展示方法及装置、设备和介质
CN116048463A (zh) 基于标签管理的需求项内容智能推荐方法及装置
CN112784600B (zh) 信息排序方法、装置、电子设备和存储介质
CN115048523A (zh) 文本分类方法、装置、设备以及存储介质
CN114218431A (zh) 视频搜索方法、装置、电子设备以及存储介质
CN113806541A (zh) 情感分类的方法和情感分类模型的训练方法、装置
CN113886543A (zh) 生成意图识别模型的方法、装置、介质及程序产品
CN114417808B (zh) 文章生成方法、装置、电子设备以及存储介质
CN114281981B (zh) 新闻简报的生成方法、装置和电子设备
CN113360712B (zh) 视频表示的生成方法、装置和电子设备
CN114462364B (zh) 录入信息的方法和装置

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
GR01 Patent grant
GR01 Patent grant