CN115269919A - 一种短视频质量的确定方法、装置、电子设备及存储介质 - Google Patents

一种短视频质量的确定方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN115269919A
CN115269919A CN202210916082.9A CN202210916082A CN115269919A CN 115269919 A CN115269919 A CN 115269919A CN 202210916082 A CN202210916082 A CN 202210916082A CN 115269919 A CN115269919 A CN 115269919A
Authority
CN
China
Prior art keywords
video
sample
sample video
detected
determining
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
Application number
CN202210916082.9A
Other languages
English (en)
Inventor
武寨青
程国艮
李欣杰
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.)
Glabal Tone Communication Technology Co ltd
Original Assignee
Glabal Tone Communication 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 Glabal Tone Communication Technology Co ltd filed Critical Glabal Tone Communication Technology Co ltd
Priority to CN202210916082.9A priority Critical patent/CN115269919A/zh
Publication of CN115269919A publication Critical patent/CN115269919A/zh
Pending legal-status Critical Current

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
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/7867—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, title and artist information, manually generated time, location and usage information, user ratings
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/75—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Library & Information Science (AREA)
  • Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (AREA)

Abstract

本申请提供了一种短视频质量的确定方法、装置、电子设备及存储介质，包括：对待检测的短视频进行特征提取，确定出待检测的短视频的时间序列特征；将待检测的短视频的时间序列特征输入至与预先训练好的视频质量检测模型之中，确定出待检测的短视频的质量等级；其中，视频质量检测模型是通过利用多个样本视频的互动行为数据确定出的分类标签以及多个样本视频的时间特征序列训练出来的。通过利用多个样本视频的互动行为数据确定出的分类标签以及多个样本视频的时间特征序列训练出来视频质量检测模型，将待检测的短视频输入至视频质量检测模型之中，快速准确地确定出待检测的短视频的质量等级，从而提高了短视频的质量等级确定的效率以及准确性。

Description

一种短视频质量的确定方法、装置、电子设备及存储介质
技术领域
本申请涉及视频处理技术领域，尤其是涉及一种短视频质量的确定方法、装置、电子设备及存储介质。
背景技术
近年来，新媒体行业不断发展壮大，内容互动平台越来越受到人们的喜爱和关注，比如各种短视频平台，同时短视频的内容逐渐显示出多元化的趋势，短视频的内容丰富，表达形式多样化，所以要想将短视频推送给更多其他用户，或者是短视频平台，是需要以视频质量为基础的。
目前在视频质量分标注方面，大部分还是基于传统的编辑人员标注模式，一般会给出好、差，或者好、中、差几个分类的标准，由于视频质量分的编辑评测标准一般很难精准明确，很难精准标注，一般需要更多的编辑人员参与。另外，在视频质量模型选择方面，核心在于如何准确的表达视频信息，也就是视频文件的特征提取。目前常用的图片组合方法，也就是用1个或多个典型帧，表述全部视频的方法，很难生成准确的视频质量分预测模型。因此，如何快速准确地确定出视频质量成为了不容小觑的技术问题。
发明内容
有鉴于此，本申请的目的在于提供一种短视频质量的确定方法、装置、电子设备及存储介质，通过利用多个样本视频的互动行为数据确定出的分类标签以及多个样本视频的时间特征序列训练出来视频质量检测模型，将待检测的短视频输入至视频质量检测模型之中，快速准确地确定出待检测的短视频的质量等级，从而提高了短视频的质量等级确定的效率以及准确性。
本申请实施例提供了一种短视频质量的确定方法，所述确定方法包括：
获取待检测的短视频；
对所述待检测的短视频进行特征提取，确定出所述待检测的短视频的时间序列特征；
将所述待检测的短视频的时间序列特征输入至与预先训练好的视频质量检测模型之中，确定出所述待检测的短视频的质量等级；其中，所述视频质量检测模型是通过利用多个样本视频的互动行为数据确定出的分类标签以及多个样本视频的时间特征序列训练出来的；所述互动行为数据为多个用户针对各个样本视频进行互动产生的数据。
在一种可能的实施方式中，通过以下步骤确定出所述视频质量检测模型：
获取多个样本视频，以及每个样本视频对应的互动行为数据；
针对每个样本视频，基于每个所述样本视频对应的互动行为数据，确定出每个样本视频对应的分类标签；其中，不同所述分类标签表征所述样本视频的质量等级的不同；
基于每个所述样本视频的特征信息，确定每个所述样本视频的时间特征序列；
基于每个样本视频对应的分类标签以及每个样本视频的时间特征序列对初始神经网络模型进行迭代训练，确定出所述视频质量检测模型。
在一种可能的实施方式中，所述互动行为数据包括点赞数据、分享数据以及评论数据，所述基于每个所述样本视频对应的互动行为数据，确定出每个样本视频对应的分类标签，包括：
获取每个样本视频的点赞数据对应的第一预设权重、分享数据对应的第二预设权重以及评论数据对应的第三预设权重；
针对每个所述样本视频，利用该所述样本视频的所述第一预设权重对该样本视频的所述点赞数据进行加权处理、利用该样本视频的所述第二预设权重对该样本视频的所述分享数据进行加权处理以及利用该样本视频的所述第三预设权重对该样本视频的评论数据进行加权处理，确定出每个所述样本视频的综合得分；
根据每个所述样本视频的综合得分，确定出每个样本视频对应的分类标签。
在一种可能的实施方式中，所述基于每个所述样本视频的特征信息，确定每个所述样本视频的时间特征序列：
对每个所述样本视频中每隔预设帧数抽取出一张特征信息，得到每个所述样本视频对应的多个特征信息；
基于每个样本视频对应的多个所述特征信息分别对应的时间信息，将多个所述特征信息进行时间排序，确定出每个所述样本视频的时间特征序列。
在一种可能的实施方式中，在所述确定出所述待检测的短视频的质量等级之后，所述确定方法还包括：
若所述待检测的短视频的质量等级为优秀等级，则将所述待检测的短视频推送至至少一个短视频平台，以增加所述待检测的短视频的曝光率。
本申请实施例还提供了一种短视频质量的确定装置，所述确定装置包括：
获取模块，用于获取待检测的短视频；
提取模块，用于对所述待检测的短视频进行特征提取，确定出所述待检测的短视频的时间序列特征；
质量等级确定模块，用于将所述待检测的短视频的时间序列特征输入至与预先训练好的视频质量检测模型之中，确定出所述待检测的短视频的质量等级；其中，所述视频质量检测模型是通过利用多个样本视频的互动行为数据确定出的分类标签以及多个样本视频的时间特征序列训练出来的；所述互动行为数据为多个用户针对各个样本视频进行互动产生的数据。
在一种可能的实施方式中，所述确定装置还包括训练模块，所述训练模块通过以下步骤确定出所述视频质量检测模型：
获取多个样本视频，以及每个样本视频对应的互动行为数据；
针对每个样本视频，基于每个所述样本视频对应的互动行为数据，确定出每个样本视频对应的分类标签；其中，不同所述分类标签表征所述样本视频的质量等级的不同；
基于每个所述样本视频的特征信息，确定每个所述样本视频的时间特征序列；
基于各个样本视频对应的分类标签以及每个样本视频的时间特征序列对初始神经网络模型进行迭代训练，确定出所述视频质量检测模型。
在一种可能的实施方式中，所述训练模块在用于所述互动行为数据包括点赞数据、分享数据以及评论数据，所述基于每个所述样本视频对应的互动行为数据，确定出每个样本视频对应的分类标签时，所述训练模块用于：
获取每个样本视频的点赞数据对应的第一预设权重、分享数据对应的第二预设权重以及评论数据对应的第三预设权重；
针对每个所述样本视频，利用该所述样本视频的所述第一预设权重对该样本视频的所述点赞数据进行加权处理、利用该样本视频的所述第二预设权重对该样本视频的所述分享数据进行加权处理以及利用该样本视频的所述第三预设权重对该样本视频的评论数据进行加权处理，确定出每个所述样本视频的综合得分；
根据每个所述样本视频的综合得分，确定出每个样本视频对应的分类标签。
本申请实施例还提供一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如上述的短视频质量的确定方法的步骤。
本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如上述的短视频质量的确定方法的步骤。
本申请实施例提供的一种短视频质量的确定方法、装置、电子设备及存储介质，所述确定方法包括：获取待检测的短视频；对所述待检测的短视频进行特征提取，确定出所述待检测的短视频的时间序列特征；将所述待检测的短视频的时间序列特征输入至与预先训练好的视频质量检测模型之中，确定出所述待检测的短视频的质量等级；其中，所述视频质量检测模型是通过利用多个样本视频的互动行为数据确定出的分类标签以及多个样本视频的时间特征序列训练出来的；所述互动行为数据为多个用户针对所述样本视频的互动行为数据。通过利用多个样本视频的互动行为数据确定出的分类标签以及多个样本视频的时间特征序列训练出来视频质量检测模型，将待检测的短视频输入至视频质量检测模型之中，快速准确地确定出待检测的短视频的质量等级，从而提高了短视频的质量等级确定的效率以及准确性。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本申请实施例所提供的一种短视频质量的确定方法的流程图之一；
图2为本申请实施例所提供的一种短视频质量的确定方法的流程图之二；
图3为本申请实施例所提供的一种短视频质量的确定方法的原理示意图；
图4为本申请实施例所提供的一种短视频质量的确定装置的结构示意图之一；
图5为本申请实施例所提供的一种短视频质量的确定装置的结构示意图之二；
图6为本申请实施例所提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，应当理解，本申请中的附图仅起到说明和描述的目的，并不用于限定本申请的保护范围。另外，应当理解，示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应当理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本申请内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。
另外，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的全部其他实施例，都属于本申请保护的范围。
为了使得本领域技术人员能够使用本申请内容，结合特定应用场景“对视频质量进行确定”，给出以下实施方式，对于本领域技术人员来说，在不脱离本申请的精神和范围的情况下，可以将这里定义的一般原理应用于其他实施例和应用场景。
本申请实施例下述方法、装置、电子设备或计算机可读存储介质可以应用于任何需要进行视频质量确定的场景，本申请实施例并不对具体的应用场景作限制，任何使用本申请实施例提供的一种短视频质量的确定方法、装置、电子设备及存储介质的方案均在本申请保护范围内。
首先，对本申请可适用的应用场景进行介绍。本申请可应用于视频处理技术领域。
经研究发现，目前在视频质量分标注方面，大部分还是基于传统的编辑人员标注模式，一般会给出好、差，或者好、中、差几个分类的标准，由于视频质量分的编辑评测标准一般很难精准明确，很难精准标注，一般需要更多的编辑人员参与。另外，在视频质量模型选择方面，核心在于如何准确的表达视频信息，也就是视频文件的特征提取。目前常用的图片组合方法，也就是用1个或多个典型帧，表述全部视频的方法，很难生成准确的视频质量分预测模型。因此，如何快速准确地确定出视频质量成为了不容小觑的技术问题。
基于此，本申请实施例提供了一种短视频质量的确定方法，通过利用多个样本视频的互动行为数据确定出的分类标签以及多个样本视频的时间特征序列训练出来视频质量检测模型，将待检测的短视频输入至视频质量检测模型之中，快速准确地确定出待检测的短视频的质量等级，从而提高了短视频的质量等级确定的效率以及准确性。
请参阅图1，图1为本申请实施例所提供的一种短视频质量的确定方法的流程图。如图1所示，本申请实施例提供的确定方法，包括：
S101：获取待检测的短视频。
该步骤中，可以在短视频平台上获取到待检测的短视频，这里，短视频的类型可以为音乐类型、娱乐类型、体育类型等其他类型，这里，不限制短视频的类型。
S102：对所述待检测的短视频进行特征提取，确定出所述待检测的短视频的时间序列特征。
该步骤中，对获取到的待检测的短视频利用RNN算法进行特征提取，确定出该待检测的短视频相对应的待检测的短视频的时间序列特征。
这里，除了利用RNN算法进行特征提取外，还可以利用GNN算法进行特征提取，这里不限定特征提取的方式，任何一种特征提取算法均可执行。
在一种可能的实施方式中，通过以下步骤对所述待检测的短视频进行特征提取，确定出所述待检测的短视频的时间序列特征：
对待检测的短视频每隔预设帧数抽取出一张视频图像，利用待检测的短视频对应的多个视频图像相对应的时间信息，将多个视频图像进行时间排序，确定出待检测的短视频的短视频的时间序列特征。
在具体实施例中，将对1分钟的待检测的短视频每隔10帧数抽取出一张视频图像，利用待检测的短视频对应的多个视频图像相对应的时间信息，将多个视频图像进行时间排序，确定出待检测的短视频的短视频的时间序列特征，从而实现了能够完整的表达待检测的短视频的整个视频特征，避免了待检测的短视频特征不准确的问题，且减少了对短视频的时间序列特征进行处理的资源浪费，提高了处理速率。
S103：将所述待检测的短视频的时间序列特征输入至与预先训练好的视频质量检测模型之中，确定出所述待检测的短视频的质量等级。
该步骤中，将待检测的短视频的时间序列特征输入至与预先训练好的视频质量检测模型之中，确定出待检测的短视频的质量等级。
其中，所述视频质量检测模型是通过利用多个样本视频的互动行为数据确定出的分类标签以及多个样本视频的时间特征序列训练出来的；所述互动行为数据为多个用户针对所述样本视频的互动行为数据。
这里，待检测的短视频的质量等级可以用好、中、差或者是优秀、良好、一般等其他等级表示形式进行表示。
这里，在视频质量模型选择方面，核心在于如何准确的表达视频信息，也就是视频文件的特征提取，以及对应的模型算法选择问题。因为视频数据涉及时间维度，实际上是一种时间序列模型。目前常用的图片组合方法，也就是用1个或多个典型帧，表述全部视频的方法，很难生成准确的视频质量分预测模型，所以，本申请主要针对视频文件，均匀抽取一定数量的图片帧，使用深度学习中的RNN算法，均匀的提取每一张图片的特征向量数据，然后按时间顺序组合图片帧的特征数据，形成关于视频的特征时间序列数据。
在一种可能的实施方式中，通过以下步骤确定出所述视频质量检测模型：
A：获取多个样本视频，以及每个样本视频对应的互动行为数据。
这里，在短视频平台上获取到多个样本视频以及每个样本视频对应的互动行为数据。
其中，样本视频可以为音乐类型的视频、体育类型的视频等其他类型的视频。
其中，每个样本视频对应的互动行为数据为多个用户对该样本视频的点赞数据、分享数据以及评论数据。
其中，点赞数据为多个用户对该样本视频的点赞数量，分享数据为多个用户对该视频的分享数量，评论数据为多个用户对该样本视频的评论数量。
这里，在目前实际的短视频平台中，有大量的用户和视频的互动行为，包括用户对视频的点赞、评论、转发行为，这些用户行为，实际上就是普通用户作为标注“编辑”，对视频质量的认可和评分。
B：针对每个样本视频，基于每个所述样本视频对应的互动行为数据，确定出每个样本视频对应的分类标签；其中，不同所述分类标签表征所述样本视频的质量等级的不同。
这里，利用每个样本视频对应的互动行为数据，确定出每个样本视频对应的分类标签。
其中，不同所述分类标签表征所述样本视频的质量等级的不同。
其中，分类标签可以用好、中、差或者是优秀、良好、一般等其他等级表示形式进行表示。
在一种可能的实施方式中，所述互动行为数据包括点赞数据、分享数据以及评论数据，所述基于每个所述样本视频对应的互动行为数据，确定出每个样本视频对应的分类标签，包括：
a：获取每个样本视频的点赞数据对应的第一预设权重、分享数据对应的第二预设权重以及评论数据对应的第三预设权重；
这里，对于每个样本视频，获取每个样本视频中点赞数据对应的第一预设权重、分享数据对应的第二预设权重以及评论数据对应的第三预设权重。
其中，权重的设定是根据该样本视频对应的点赞数据、分享数据以及评论数据按照一定比例进行人工设定的，这里，点赞数据、分享数据以及评论数据的权重比例可以为1:3:6。
这里，可以设置相同类型的样本视频的点赞数据、分享数据以及评论数据的权重比例相一致，不同类型的样本视频的点赞数据、分享数据以及评论数据的权重比例不相一致，如音乐类型的样本视频的点赞数据、分享数据以及评论数据的权重比例可以为1:3:6，体育类型的样本视频的点赞数据、分享数据以及评论数据的权重比例可以为2:3:5。
b：针对每个所述样本视频，利用该所述样本视频的所述第一预设权重对该样本视频的所述点赞数据进行加权处理、利用该样本视频的所述第二预设权重对该样本视频的所述分享数据进行加权处理以及利用该样本视频的所述第三预设权重对该样本视频的评论数据进行加权处理，确定出每个所述样本视频的综合得分；
这里，对于每个样本视频，利用该样本视频的第一预设权重对该样本视频的点赞数据进行加权处理、利用该样本视频的第二预设权重对该样本视频的分享数据进行加权处理以及利用该样本视频的第三预设权重对该样本视频的评论数据进行加权处理，确定出每个样本视频的综合得分。
这里，举例来讲，若样本视频的第一预设权重为1，第二预设权重为3，第三预设权重为4，该样本视频的点赞数据为100个，评论数据为300条，转发数据为500条，则利用第一预设权重对点赞数据进行加权处理，利用第二预设权重对评论数据进行加权处理，利用第三预设权重对转发数据进行加权处理，然后将加权处理后的评论数据、加权处理后的点赞数据以及加权处理后的转发数据进行相加，确定出样本视频的综合得分。
c：根据每个所述样本视频的综合得分，确定出每个样本视频对应的分类标签。
这里，对每个样本视频的综合得分进行分类，确定出每个样本视频对应的分类标签。
这里，可以将相同类型的多个样本视频的综合得分按照最大综合得分值和最小综合得分值平均确定出3个等级阶段，将3个等级阶段按照从低到高确定出各个等级阶段对应的分类标签为差、中等以及好。若最小综合分为10分，最大综合分为130分，利用10分和130分的区间平均分成3个等级，分布为10分-50分，51分-90分，91分-130分，其中，10分-50分的分类标签为差，51分-90分的分类标签为中等，91分-130分的分类标签为优秀。
C：基于每个所述样本视频的特征信息，确定每个所述样本视频的时间特征序列这里，利用每个样本视频的特征信息，确定出每个样本视频的时间特征序列。
其中，时间特征序列为样本视频中的多个样本图像按照时间顺序构成的。
这里，特征信息为样本视频提取到的样本图像。
在一种可能的实施方式中，通过以下步骤获取每个所述样本视频的时间特征序列：
I：从每个所述样本视频中每隔预设帧数抽取出一张特征信息，得到每个所述样本视频对应的多个特征信。
这里，对每个样本视频每隔预设帧数抽取一张特征信息，得到多个样本视频对应的特征信息。
其中，预设帧数可为10帧、20帧，这里不限定预设帧数的设定方式。
II：基于每个样本视频对应的多个所述特征信息分别对应的时间信息，将多个所述特征信息进行时间排序，确定出每个所述样本视频的时间特征序列。
这里，利用每个样本视频对应的多个特征信息相对应的时间信息将多个特征信进行时间排序，确定出每个样本视频的时间特征序列，从而实现了能够完整的体现出样本视频的特征信息，并减少了利用样本视频的时间特征序列对初始神经网络模型进行迭代训练的计算过程。
D：基于各个样本视频对应的分类标签以及每个样本视频的时间特征序列对初始神经网络模型进行迭代训练，确定出所述视频质量检测模型。
这里，利用每个样本视频对应的分类标签以及每个样本视频的时间特征序列对初始神经网络模型进行迭代训练，确定出视频质量检测模型。
这里，初始神经网络模型可以为LSTM(Long Short-Term Memory)长短期记忆网络模型。
在另一具体实施例中，可以为每一个待检测的短视频的类型对应一个视频质量检测模型，这里，通过以下步骤确定出每一个待检测的短视频的类型对应一个视频质量模型：获取目标类型下的多个样本视频；基于每个所述样本视频对应的互动行为数据，确定出每个样本视频对应的分类标签；其中，不同所述分类标签表征所述样本视频的质量等级的不同；获取每个所述样本视频的时间特征序列；基于每个样本视频对应的分类标签以及每个样本视频的时间特征序列对初始神经网络模型进行迭代训练，确定出视频质量检测模型。这里，目标类型包括音乐类型、体育类型、娱乐类型等。在确定出每一个待检测的短视频的类型对应一个视频质量检测模型之后，获取待检测的短视频信息中的文本信息以及视频图像信息；基于所述文本信息以及所述视频图像信息在类型数据库中筛选出与所述文本信息以及所述视频图像信息相对应的参考那类型，将所述参考类型确定为所述待检测的短视频的目标类型；其中，参考类型包括娱乐类型、运动会类型以及社会类型，将待检测的短视频输入至该目标类型相对应的视频质量检测模型之中，确定出待检测的短视频的质量等级。
在另一具体实施例中，获取待检测的短视频，对待检测的短视频每隔预设帧数抽取出一张视频图像，利用待检测的短视频对应的多个视频图像相对应的时间信息，将多个视频图像进行时间排序，确定出待检测的短视频的短视频的时间序列特征。将短视频的时间序列特征输入至与预先训练好的视频质量检测模型之中，在视频质量检测模型之中，视频质量检测模型根据该待检测的短视频的点赞数据、分享数据以及评论数据，确定出点赞数据对应的第一预设权重、分享数据对应的第二预设权重以及评论数据对应的第三预设权重；利用该待检测的短视频的第一预设权重对该待检测的短视频的点赞数据进行加权处理、利用该待检测的短视频的第二预设权重对该待检测的短视频的分享数据进行加权处理以及利用该待检测的短视频的第三预设权重对该待检测的短视频的评论数据进行加权处理，确定出待检测的短视频的综合得分，利用待检测的短视频的综合得分，确定出待检测的短视频的质量等级。
本申请实施例提供的一种短视频质量的确定方法，所述确定方法包括：获取待检测的短视频；对所述待检测的短视频进行特征提取，确定出待检测的短视频的时间序列特征；将所述待检测的短视频的时间序列特征输入至与预先训练好的视频质量检测模型之中，确定出所述待检测的短视频的质量等级；其中，所述视频质量检测模型是通过利用多个样本视频的互动行为数据确定出的分类标签以及多个样本视频的时间特征序列训练出来的；所述互动行为数据为多个用户针对各个样本视频进行互动的行为数据。通过利用多个样本视频的互动行为数据确定出的分类标签以及多个样本视频的时间特征序列训练出来视频质量检测模型，将待检测的短视频输入至视频质量检测模型之中，快速准确地确定出待检测的短视频的质量等级，从而提高了短视频的质量等级确定的效率以及准确性。
请参阅图2，图2为本申请实施例所提供的一种短视频质量的确定方法的流程图之二。如图2中所示，本申请实施例提供的确定方法，包括：
S201：获取待检测的短视频。
S202：对所述待检测的短视频进行特征提取，确定出所述待检测的短视频的时间序列特征。
S203：将所述待检测的短视频的时间序列特征输入至与预先训练好的视频质量检测模型之中，确定出所述待检测的短视频的质量等级。
其中，S201至S203的描述可以参照S101至S103的描述，并且能达到相同的技术效果，对此不做赘述。
S204：若所述待检测的短视频的质量等级为优秀等级，则将所述待检测的短视频推送至至少一个短视频平台，以增加所述待检测的短视频的曝光率。
该步骤中，将质量等级为优秀的待检测的短视频推送至至少一个个短视频平台，以使增加待检测的短视频的曝光率。
进一步的，请参阅图3，图3为本申请实施例所提供的一种短视频质量的确定方法的原理示意图。如图3所示，获取多个样本视频，以及每个样本视频对应的互动行为数据，对于每个样本视频，利用该样本视频的第一预设权重对该样本视频的点赞数据进行加权处理、利用该样本视频的第二预设权重对该样本视频的分享数据进行加权处理以及利用该样本视频的第三预设权重对该样本视频的评论数据进行加权处理，确定出每个样本视频的综合得分，对每个样本视频的综合得分进行分类，确定出每个样本视频对应的分类标签。对样本视频进行特征提取得到多个特征信息，利用每个样本视频对应的多个特征信息相对应的时间信息将多个特征信进行时间排序，确定出每个样本视频的时间特征序列，利用每个样本视频对应的分类标签以及每个样本视频的时间特征序列对初始神经网络模型进行迭代训练，确定出视频质量检测模型。对待检测的短视频进行特征提取，确定出待检测的短视频的时间序列特征，将待检测的短视频的时间序列特征输入至与预先训练好的视频质量检测模型之中，确定出所述待检测的短视频的质量等级，将质量等级为优秀的待检测的短视频推送至至少一个个短视频平台，以使增加待检测的短视频的曝光率。
本申请实施例提供的一种短视频质量的确定方法，所述确定方法包括：获取待检测的短视频；对所述待检测的短视频进行特征提取，确定出待检测的短视频的时间序列特征；将所述待检测的短视频的时间序列特征输入至与预先训练好的视频质量检测模型之中，确定出所述待检测的短视频的质量等级；其中，所述视频质量检测模型是通过利用多个样本视频的互动行为数据确定出的分类标签以及多个样本视频的时间特征序列训练出来的；所述互动行为数据为多个用户针对各个样本视频进行互动的行为数据。若所述待检测的短视频的质量等级为优秀等级，则将所述待检测的短视频推送至至少一个短视频平台，以增加所述待检测的短视频的曝光率通过利用多个样本视频的互动行为数据确定出的分类标签以及多个样本视频的时间特征序列训练出来视频质量检测模型，将待检测的短视频输入至视频质量检测模型之中，快速准确地确定出待检测的短视频的质量等级，从而提高了短视频的质量等级确定的效率以及准确性。
请参阅图4、图5，图4为本申请实施例所提供的一种短视频质量的确定装置的结构示意图之一；图5为本申请实施例所提供的一种短视频质量的确定装置的结构示意图之二。如图4中所示，所述短视频质量的确定装置400包括：
获取模块410，用于获取待检测的短视频；
提取模块420，用于对所述待检测的短视频进行特征提取，确定出所述待检测的短视频的时间序列特征；
质量等级确定模块430，用于将所述待检测的短视频的时间序列特征输入至与预先训练好的视频质量检测模型之中，确定出所述待检测的短视频的质量等级；其中，所述视频质量检测模型是通过利用多个样本视频的互动行为数据确定出的分类标签以及多个样本视频的时间特征序列训练出来的；所述互动行为数据为多个用户针对各个样本视频进行互动产生的数据。
进一步的，如图5所示，所述确定装置400还包括训练模块440，所述训练模块通过以下步骤确定出所述视频质量检测模型：
获取多个样本视频，以及每个样本视频对应的互动行为数据；
针对每个样本视频，基于每个所述样本视频对应的互动行为数据，确定出每个样本视频对应的分类标签；其中，不同所述分类标签表征所述样本视频的质量等级的不同；
基于每个所述样本视频的特征信息，确定每个所述样本视频的时间特征序列；
基于各个样本视频对应的分类标签以及每个样本视频的时间特征序列对初始神经网络模型进行迭代训练，确定出所述视频质量检测模型。
进一步的，所述训练模块440在用于所述互动行为数据包括点赞数据、分享数据以及评论数据，所述基于每个所述样本视频对应的互动行为数据，确定出每个样本视频对应的分类标签时，所述训练模块440用于：
获取每个样本视频的点赞数据对应的第一预设权重、分享数据对应的第二预设权重以及评论数据对应的第三预设权重；
针对每个所述样本视频，利用该所述样本视频的所述第一预设权重对该样本视频的所述点赞数据进行加权处理、利用该样本视频的所述第二预设权重对该样本视频的所述分享数据进行加权处理以及利用该样本视频的所述第三预设权重对该样本视频的评论数据进行加权处理，确定出每个所述样本视频的综合得分；
根据每个所述样本视频的综合得分，确定出每个样本视频对应的分类标签。
进一步的，所述训练模块440在用于所述基于每个所述样本视频的特征信息，确定每个所述样本视频的时间特征序列时，所述训练模块440具体用于：
从每个所述样本视频中每隔预设帧数抽取出一张特征信息，得到每个所述样本视频对应的多个特征信息基于每个样本视频对应的多个所述特征信息分别对应的时间信息，将多个所述特征信息进行时间排序，确定出每个所述样本视频的时间特征序列。
进一步的，所述确定装置400还包括推送模块450，推送模块450用于：
若所述待检测的短视频的质量等级为优秀等级，则将所述待检测的短视频推送至至少一个短视频平台，以增加所述待检测的短视频的曝光率。
本申请实施例提供的一种短视频质量的确定装置，其特征在于，所述确定装置包括：获取模块，用于获取待检测的短视频；提取模块，用于对所述待检测的短视频进行特征提取，确定出待检测的短视频的时间序列特征；质量等级确定模块，用于将所述待检测的短视频的时间序列特征输入至与预先训练好的视频质量检测模型之中，确定出所述待检测的短视频的质量等级；其中，所述视频质量检测模型是通过利用多个样本视频的互动行为数据确定出的分类标签以及多个样本视频的时间特征序列训练出来的；所述互动行为数据为多个用户针对各个样本视频进行互动的行为数据。通过利用多个样本视频的互动行为数据确定出的分类标签以及多个样本视频的时间特征序列训练出来视频质量检测模型，将待检测的短视频输入至视频质量检测模型之中，快速准确地确定出待检测的短视频的质量等级，从而提高了短视频的质量等级确定的效率以及准确性。
请参阅图6，图6为本申请实施例所提供的一种电子设备的结构示意图。如图6中所示，所述电子设备600包括处理器610、存储器620和总线630。
所述存储器620存储有所述处理器610可执行的机器可读指令，当电子设备600运行时，所述处理器610与所述存储器620之间通过总线630通信，所述机器可读指令被所述处理器610执行时，可以执行如上述图1以及图2所示方法实施例中的短视频质量的确定方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。
本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时可以执行如上述图1以及图2所示方法实施例中的短视频质量的确定方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种短视频质量的确定方法，其特征在于，所述确定方法包括：
获取待检测的短视频；
对所述待检测的短视频进行特征提取，确定出所述待检测的短视频的时间序列特征；
将所述待检测的短视频的时间序列特征输入至与预先训练好的视频质量检测模型之中，确定出所述待检测的短视频的质量等级；其中，所述视频质量检测模型是通过利用多个样本视频的互动行为数据确定出的分类标签以及多个样本视频的时间特征序列训练出来的；所述互动行为数据为多个用户针对各个样本视频进行互动产生的数据。
2.根据权利要求1所述的确定方法，其特征在于，通过以下步骤确定出所述视频质量检测模型：
获取多个样本视频，以及每个样本视频对应的互动行为数据；
针对每个样本视频，基于每个所述样本视频对应的互动行为数据，确定出每个样本视频对应的分类标签；其中，不同所述分类标签表征所述样本视频的质量等级的不同；
基于每个所述样本视频的特征信息，确定每个所述样本视频的时间特征序列；
基于各个样本视频对应的分类标签以及每个样本视频的时间特征序列对初始神经网络模型进行迭代训练，确定出所述视频质量检测模型。
3.根据权利要求2所述的确定方法，其特征在于，所述互动行为数据包括点赞数据、分享数据以及评论数据，所述基于每个所述样本视频对应的互动行为数据，确定出每个样本视频对应的分类标签，包括：
获取每个样本视频的点赞数据对应的第一预设权重、分享数据对应的第二预设权重以及评论数据对应的第三预设权重；
针对每个所述样本视频，利用该所述样本视频的所述第一预设权重对该样本视频的所述点赞数据进行加权处理、利用该样本视频的所述第二预设权重对该样本视频的所述分享数据进行加权处理以及利用该样本视频的所述第三预设权重对该样本视频的评论数据进行加权处理，确定出每个所述样本视频的综合得分；
根据每个所述样本视频的综合得分，确定出每个样本视频对应的分类标签。
4.根据权利要求2所述的确定方法，其特征在于，所述基于每个所述样本视频的特征信息，确定每个所述样本视频的时间特征序列：
从每个所述样本视频中每隔预设帧数抽取出一张特征信息，得到每个所述样本视频对应的多个特征信息；
基于每个样本视频对应的多个所述特征信息分别对应的时间信息，将多个所述特征信息进行时间排序，确定出每个所述样本视频的时间特征序列。
5.根据权利要求1所述的确定方法，其特征在于，在所述确定出所述待检测的短视频的质量等级之后，所述确定方法还包括：
若所述待检测的短视频的质量等级为优秀等级，则将所述待检测的短视频推送至至少一个短视频平台，以增加所述待检测的短视频的曝光率。
6.一种短视频质量的确定装置，其特征在于，所述确定装置包括：
获取模块，用于获取待检测的短视频；
提取模块，用于对所述待检测的短视频进行特征提取，确定出所述待检测的短视频的时间序列特征；
质量等级确定模块，用于将所述待检测的短视频的时间序列特征输入至与预先训练好的视频质量检测模型之中，确定出所述待检测的短视频的质量等级；其中，所述视频质量检测模型是通过利用多个样本视频的互动行为数据确定出的分类标签以及多个样本视频的时间特征序列训练出来的；所述互动行为数据为多个用户针对各个样本视频进行互动产生的数据。
7.根据权利要求6所述的确定装置，其特征在于，所述确定装置还包括训练模块，所述训练模块通过以下步骤确定出所述视频质量检测模型：
获取多个样本视频，以及每个样本视频对应的互动行为数据；
针对每个样本视频，基于每个所述样本视频对应的互动行为数据，确定出每个样本视频对应的分类标签；其中，不同所述分类标签表征所述样本视频的质量等级的不同；
基于每个所述样本视频的特征信息，确定每个所述样本视频的时间特征序列；
基于各个样本视频对应的分类标签以及每个样本视频的时间特征序列对初始神经网络模型进行迭代训练，确定出所述视频质量检测模型。
8.根据权利要求7所述的确定装置，其特征在于，所述训练模块在用于所述互动行为数据包括点赞数据、分享数据以及评论数据，所述基于每个所述样本视频对应的互动行为数据，确定出每个样本视频对应的分类标签时，所述训练模块用于：
获取每个样本视频的点赞数据对应的第一预设权重、分享数据对应的第二预设权重以及评论数据对应的第三预设权重；
针对每个所述样本视频，利用该所述样本视频的所述第一预设权重对该样本视频的所述点赞数据进行加权处理、利用该样本视频的所述第二预设权重对该样本视频的所述分享数据进行加权处理以及利用该样本视频的所述第三预设权重对该样本视频的评论数据进行加权处理，确定出每个所述样本视频的综合得分；
根据每个所述样本视频的综合得分，确定出每个样本视频对应的分类标签。
9.一种电子设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过所述总线进行通信，所述机器可读指令被所述处理器运行时执行如权利要求1至5任一所述的短视频质量的确定方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如权利要求1至5任一所述的短视频质量的确定方法的步骤。
CN202210916082.9A 2022-08-01 2022-08-01 一种短视频质量的确定方法、装置、电子设备及存储介质 Pending CN115269919A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210916082.9A CN115269919A (zh) 2022-08-01 2022-08-01 一种短视频质量的确定方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210916082.9A CN115269919A (zh) 2022-08-01 2022-08-01 一种短视频质量的确定方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN115269919A true CN115269919A (zh) 2022-11-01

Family

ID=83748010

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210916082.9A Pending CN115269919A (zh) 2022-08-01 2022-08-01 一种短视频质量的确定方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN115269919A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116259110A (zh) * 2023-05-09 2023-06-13 杭州木兰科技有限公司 Atm防护舱的安全检测方法、装置、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
CN116259110A (zh) * 2023-05-09 2023-06-13 杭州木兰科技有限公司 Atm防护舱的安全检测方法、装置、设备及存储介质
CN116259110B (zh) * 2023-05-09 2023-08-08 杭州木兰科技有限公司 Atm防护舱的安全检测方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
CN112533051B (zh) 弹幕信息显示方法、装置、计算机设备和存储介质
CN110582025B (zh) 用于处理视频的方法和装置
CN111143610A (zh) 一种内容推荐方法、装置、电子设备和存储介质
CN112559800B (zh) 用于处理视频的方法、装置、电子设备、介质和产品
CN110727868B (zh) 对象推荐方法、装置和计算机可读存储介质
CN106951571B (zh) 一种给应用标注标签的方法和装置
CN105373887B (zh) 一种终端应用的质量评估方法和系统
CN112818224B (zh) 信息推荐方法、装置、电子设备及可读存储介质
CN110569502A (zh) 一种违禁广告语的识别方法、装置、计算机设备及存储介质
CN111435369B (zh) 音乐推荐方法、装置、终端及存储介质
CN112995690B (zh) 直播内容品类识别方法、装置、电子设备和可读存储介质
CN111597446B (zh) 基于人工智能的内容推送方法、装置、服务器和存储介质
CN115269919A (zh) 一种短视频质量的确定方法、装置、电子设备及存储介质
CN117764669A (zh) 物品推荐方法、装置、设备、介质及产品
CN113297416A (zh) 视频数据存储方法、装置、电子设备和可读存储介质
CN113573097A (zh) 视频推荐方法、装置、服务器及存储介质
CN116579351A (zh) 一种用户评价信息的分析方法及装置
CN112507214B (zh) 基于用户名的数据处理方法、装置、设备及介质
CN115063858A (zh) 视频人脸表情识别模型训练方法、装置、设备及存储介质
CN110807179B (zh) 一种用户识别方法、装置、服务器及存储介质
CN114548263A (zh) 标注数据的校验方法、装置、计算机设备及存储介质
CN113457167A (zh) 用户分类网络的训练方法、用户分类方法及装置
CN114390369A (zh) 动态封面生成方法、装置、设备及存储介质
CN114513686A (zh) 视频信息的确定方法、装置以及存储介质
CN111400512A (zh) 一种筛选多媒体资源的方法及装置

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