CN115660036B - 模型预训练及任务处理方法、装置、电子设备及存储介质 - Google Patents

Abstract

本公开提供了模型预训练及任务处理方法、装置、电子设备及存储介质，涉及深度学习、自然语言处理以及计算机视觉等人工智能领域，其中的模型预训练方法可包括：获取预处理后的训练样本，所述训练样本中包括：文本、视频及标签，所述标签用于表示文本与视频是否匹配，所述预处理后的训练样本包括：加入文本的文本属性信息后的训练样本；利用所述预处理后的训练样本对待训练模型进行预训练。应用本公开所述方案，可提升模型训练效果等。

Description

模型预训练及任务处理方法、装置、电子设备及存储介质

技术领域

本公开涉及人工智能技术领域，特别涉及深度学习、自然语言处理以及计算机视觉等领域的模型预训练及任务处理方法、装置、电子设备及存储介质。

背景技术

预训练是深度学习中一个重要的研究方向与应用点。比如，在视频与文本理解场景下，可利用已有的大量训练样本(或称为训练数据)进行模型的预训练，这些训练样本通常不需要与具体任务非常相关，预训练模型通过前期的数据学习学到一种通用的知识/能力，然后，针对具体的下游任务，可对预训练模型进行微调，从而得到适用于所述下游任务的任务模型。

发明内容

本公开提供了模型预训练及任务处理方法、装置、电子设备及存储介质。

一种模型预训练方法，包括：

获取预处理后的训练样本，所述训练样本中包括：文本、视频及标签，所述标签用于表示所述文本与所述视频是否匹配，所述预处理后的训练样本包括：加入所述文本的文本属性信息后的训练样本；

利用所述预处理后的训练样本对待训练模型进行预训练。

一种任务处理方法，包括：

针对待处理的下游任务，获取所述下游任务对应的预训练模型，所述预训练模型为利用预处理后的训练样本对待训练模型进行预训练后得到的，所述训练样本中包括：文本、视频及标签，所述标签用于表示所述文本与所述视频是否匹配，所述预处理后的训练样本包括：加入所述文本的文本属性信息后的训练样本；

对所述预训练模型进行微调，得到所述下游任务对应的任务模型，利用所述任务模型对所述下游任务进行处理。

一种模型预训练装置，包括：第一获取模块以及训练模块；

所述第一获取模块，用于获取预处理后的训练样本，所述训练样本中包括：文本、视频及标签，所述标签用于表示所述文本与所述视频是否匹配，所述预处理后的训练样本包括：加入所述文本的文本属性信息后的训练样本；

所述训练模块，用于利用所述预处理后的训练样本对待训练模型进行预训练。

一种任务处理装置，包括：第二获取模块以及处理模块；

所述第二获取模块，用于针对待处理的下游任务，获取所述下游任务对应的预训练模型，所述预训练模型为利用预处理后的训练样本对待训练模型进行预训练后得到的，所述训练样本中包括：文本、视频及标签，所述标签用于表示所述文本与所述视频是否匹配，所述预处理后的训练样本包括：加入所述文本的文本属性信息后的训练样本；

所述处理模块，用于对所述预训练模型进行微调，得到所述下游任务对应的任务模型，利用所述任务模型对所述下游任务进行处理。

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如以上所述的方法。

一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使计算机执行如以上所述的方法。

一种计算机程序产品，包括计算机程序/指令，所述计算机程序/指令被处理器执行时实现如以上所述的方法。

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为本公开所述模型预训练方法实施例的流程图；

图2为本公开所述时间注意力机制和空间注意力机制的示意图；

图3为本公开所述任务处理方法实施例的流程图；

图4为本公开所述模型预训练装置实施例400的组成结构示意图；

图5为本公开所述任务处理装置实施例500的组成结构示意图；

图6示出了可以用来实施本公开的实施例的电子设备600的示意性框图。

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。

另外，应理解，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

图1为本公开所述模型预训练方法实施例的流程图。如图1所示，包括以下具体实现方式。

在步骤101中，获取预处理后的训练样本，所述训练样本中包括：文本、视频及标签，所述标签用于表示文本与视频是否匹配，预处理后的训练样本包括：加入文本的文本属性信息后的训练样本。

在步骤102中，利用预处理后的训练样本对待训练模型进行预训练。

传统方式中，通常直接将训练样本作为待训练模型的输入，利用文本视频对进行监督，对模型进行预训练，但该方式无法学习到细粒度的文本和/或视频特征，从而影响了训练效果。

而采用上述方法实施例所述方案，可对训练样本进行预处理，即可在其中增加文本的文本属性信息，相应地，可利用预处理后的训练样本对待训练模型进行预训练，从而使得模型可以学习到更细粒度的特征，进而提升了模型训练效果。

训练样本中可包括文本、视频及标签，标签可用于表示文本与视频是否匹配，取值可为1或0，如当文本与视频匹配时，标签的取值可为1，当文本与视频不匹配时，标签的取值可为0。

预处理后的训练样本中除了可包括文本、视频及标签外，还可包括文本的文本属性信息。

本公开的一个实施例中，获取的文本属性信息可包括以下之一或任意组合：实体(entity)信息，动作(action)信息，对象(object)信息。

优选地，可分别获取上述三种文本属性信息，但在实际应用中，可能无法获取到全部的三种文本属性信息，但无论获取到几种文本属性信息，均可按照本公开所述方式进行后续处理。

如何获取上述三种文本属性信息不作限制，如可采用已有的各种实现方式，比如，可对文本进行切词处理，并可分别判断各切词结果是否属于实体、动作或对象中的一种等。

通过上述处理，可获取到文本中的关键信息，从而为后续处理奠定了良好的基础。

在获取到预处理后的训练样本后，可利用预处理后的训练样本对待训练模型进行预训练。

本公开的一个实施例中，在预训练过程中，可获取文本的文本特征，并可获取视频的视频整体特征，进一步地，可采用时间注意力机制(Temporal Attention)，获取对应于文本属性信息的视频属性特征，并可将获取到的视频整体特征与视频属性特征进行融合，进而可获取融合结果与文本特征之间的相似度，并可根据获取到的相似度以及标签对待训练模型进行更新。

传统方式中，在利用训练样本对待训练模型进行预训练时，会分别获取文本的文本特征以及视频的视频整体特征，基于获取到文本特征以及视频整体特征进行待训练模型的预训练。但实际上，视频的信息是十分丰富的，若只获取视频整体特征，会导致很多关键的细粒度特征的缺失，从而影响模型训练效果。

而采用本公开所述方式后，可采用时间注意力机制来获取视频与文本属性信息对应的细粒度的视频属性特征，并可结合视频属性特征来进行待训练模型的预训练，从而提升了模型训练效果，而且，通过属性特征的不断对齐，能够有效帮助模型快速收敛，提升模型训练效率，另外，可使得待训练模型在预训练阶段学习到丰富的视频与文本的细节信息，从而在迁移到下游任务的训练微调时可表现出更好的效果。

其中，获取文本的文本特征的方式可与传统方式中相同。另外，本公开的一个实施例中，在获取视频整体特征时，可对视频进行视频帧采样，进而可根据采样出的视频帧确定出视频整体特征。

具体采样方式不作限制。针对采样出的视频帧，可分别对其进行特征提取，具体提取哪些特征不限，并可综合(如求平均等)各视频帧的特征提取结果确定出所需的视频整体特征。

通过采样处理，可减少后续处理的工作量，提升处理效率，并可减少冗余信息的干扰等。

除了获取文本特征以及视频整体特征外，还可采用时间注意力机制，获取对应于文本属性信息的视频属性特征，如可分别获取对应于实体、动作和对象的视频属性特征。

对于视频来说，其中的视频帧是随着时序不断变化的，比如，视频的内容是一个运动员在打羽毛球，视频画面的主体是运动员挥动球拍击打羽毛球，那么假设将视频分为前中后三段，可能前一段视频更为强调运动员，中间一段视频更为强调动作，后一段视频更为强调羽毛球。

采用本公开所述方式，可分别获取到对应于上述实体(运动员)、动作(击打)和对象(羽毛球)的细粒度的视频属性特征，即在预训练过程中，通过不断对齐文本与视频的属性特征，可使得待训练模型学习到实体、动作与对象的权重分布等，最终形成对应于三种属性的视频属性特征。

另外，本公开的一个实施例中，还可采用时间注意力机制以及空间注意力机制(Spatial Attention)，即可采用时空注意力机制，获取对应于文本属性信息的视频属性特征。

即可同时采用时间注意力机制和空间注意力机制，以便进一步提升特征获取效果等。

图2为本公开所述时间注意力机制和空间注意力机制的示意图。如图2所示，其中的t方向上加入的是时间注意力机制，w和h方向上加入的是空间注意力机制，通过空间注意力机制，可学习到哪些区域(region)是关键的，哪些是无用的，即学习出空间的权重分布等。

进一步地，可将获取到的视频整体特征与视频属性特征进行融合。本公开的一个实施例中，可按照预定顺序将视频整体特征与视频属性特征进行拼接，并可对拼接结果进行降维处理，进而可将降维处理结果作为所述融合结果。

拼接顺序具体为何种顺序不作限制，比如，可采用视频整体特征在前、视频属性特征在后的顺序。如何进行降维处理同样不作限制，比如，可采用传统的线性降维方法或非线性降维方法等。

通过拼接处理，可使得融合结果中同时包括视频的整体特征以及细粒度的属性特征，从而提升了后续计算出的相似度的准确性，通过降维处理，可减少后续处理的复杂度，从而提升了相似度的计算效率等。

相应地，针对获取到的融合结果，可计算其与文本特征之间的相似度，文本特征可为文本的整体表征。比如，可计算融合结果与文本特征之间的欧氏距离，通常来说，欧式距离越小，表示相似度越大，反之，欧式距离越大，表示相似度越小。

根据计算出的相似度以及标签，可对待训练模型进行更新，如标签的取值为1，但计算出的相似度较低，那么可对待训练模型的参数进行相应调整，从而实现待训练模型的不断优化。

完成待训练模型的预训练后，可将得到的预训练模型应用到实际的下游任务中。

图3为本公开所述任务处理方法实施例的流程图。如图3所示，包括以下具体实现方式。

在步骤301中，针对待处理的下游任务，获取该下游任务对应的预训练模型，所述预训练模型为利用预处理后的训练样本对待训练模型进行预训练后得到的，训练样本中包括：文本、视频及标签，标签用于表示文本与视频是否匹配，预处理后的训练样本包括：加入文本的文本属性信息后的训练样本。

在步骤302中，对预训练模型进行微调，得到该下游任务对应的任务模型，利用任务模型对该下游任务进行处理。

采用上述方法实施例所述方案，预先可对训练样本进行预处理，即可在其中增加文本的文本属性信息，相应地，可利用预处理后的训练样本对待训练模型进行预训练，从而使得模型可以学习到更细粒度的特征，进而提升了模型训练效果，相应地，借助于所述模型进行下游任务处理，可提升任务处理结果的准确性等。

即针对待处理的下游任务，可利用其对应的训练样本对预训练模型进行微调，从而得到适用于该下游任务的任务模型，进而可利用得到的任务模型对该下游任务进行处理。所述下游任务可为文本视频检索任务或视频问答任务等。以视频问答任务为例，可通过对预训练模型进行微调，得到视频问答任务对应的任务模型，如可称为视频问答模型，进而可利用视频问答模型完成视频问答任务的处理。

需要说明的是，对于前述的各方法实施例，为了简单描述，将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本公开并不受所描述的动作顺序的限制，因为依据本公开，某些步骤可以采用其它顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本公开所必须的。另外，某个实施例中没有详述的部分，可以参见其它实施例中的相关说明。

总之，采用本公开方法实施例所述方案，可结合细粒度的属性特征来进行待训练模型的预训练，从而提升了模型训练效果，而且，通过属性特征的不断对齐，能够有效帮助模型快速收敛，提升了模型训练效率，另外，可使得待训练模型在预训练阶段学习到丰富的视频与文本的细节信息，从而在迁移到下游任务的训练微调时可表现出更好的效果，再有，得到的预训练模型可适用于多种下游任务，具有广泛适用性，并提升了下游任务处理结果的准确性等。

以上是关于方法实施例的介绍，以下通过装置实施例，对本公开所述方案进行进一步说明。

图4为本公开所述模型预训练装置实施例400的组成结构示意图。如图4所示，包括：第一获取模块401以及训练模块402。

第一获取模块401，用于获取预处理后的训练样本，所述训练样本中包括：文本、视频及标签，所述标签用于表示文本与视频是否匹配，所述预处理后的训练样本包括：加入文本的文本属性信息后的训练样本。

训练模块402，用于利用所述预处理后的训练样本对待训练模型进行预训练。

采用上述装置实施例所述方案，可对训练样本进行预处理，即可在其中增加文本的文本属性信息，相应地，可利用预处理后的训练样本对待训练模型进行预训练，从而使得模型可以学习到更细粒度的特征，进而提升了模型训练效果。

训练样本中可包括文本、视频及标签，标签可用于表示文本与视频是否匹配，取值可为1或0，如当文本与视频匹配时，标签的取值可为1，当文本与视频不匹配时，标签的取值可为0。

预处理后的训练样本中除了可包括文本、视频及标签外，还可包括文本的文本属性信息。

本公开的一个实施例中，获取的文本属性信息可包括以下之一或任意组合：实体信息，动作信息，对象信息。优选地，可分别获取这三种文本属性信息。

第一获取模块401获取到预处理后的训练样本后，训练模块402可利用预处理后的训练样本对待训练模型进行预训练。

本公开的一个实施例中，训练模块402在预训练过程中，可获取文本的文本特征，并可获取视频的视频整体特征，进一步地，可采用时间注意力机制，获取对应于文本属性信息的视频属性特征，并可将视频整体特征与视频属性特征进行融合，进而可获取融合结果与文本特征之间的相似度，根据获取到的相似度以及标签对待训练模型进行更新。

其中，获取文本的文本特征的方式可与传统方式中相同。另外，本公开的一个实施例中，训练模块402在获取视频整体特征时，可对视频进行视频帧采样，进而可根据采样出的视频帧确定出视频整体特征。

具体采样方式不作限制。针对采样出的视频帧，可分别对其进行特征提取，并可综合(如求平均等)各视频帧的特征提取结果确定出所需的视频整体特征。

除了获取文本特征以及视频整体特征外，训练模块402还可采用时间注意力机制，获取对应于文本属性信息的视频属性特征，如可分别获取对应于实体、动作和对象的视频属性特征。

另外，本公开的一个实施例中，训练模块402还可采用时间注意力机制以及空间注意力机制，获取对应于文本属性信息的视频属性特征。即可同时采用时间注意力机制和空间注意力机制，以便进一步提升特征获取效果等。

进一步地，训练模块402可将获取到的视频整体特征与视频属性特征进行融合。本公开的一个实施例中，训练模块402可按照预定顺序将视频整体特征与视频属性特征进行拼接，并可对拼接结果进行降维处理，进而可将降维处理结果作为所述融合结果。

拼接顺序具体为何种顺序不作限制，比如，可采用视频整体特征在前、视频属性特征在后的顺序。如何进行降维处理同样不作限制，比如，可采用传统的线性降维方法或非线性降维方法等。

相应地，针对获取到的融合结果，训练模块402可计算其与文本特征之间的相似度，文本特征可为文本的整体表征。比如，可计算融合结果与文本特征之间的欧氏距离，通常来说，欧式距离越小，表示相似度越大，反之，欧式距离越大，表示相似度越小。

根据计算出的相似度以及标签，可对待训练模型进行更新，如标签的取值为1，但计算出的相似度较低，那么可对待训练模型的参数进行相应调整，从而实现待训练模型的不断优化。

图5为本公开所述任务处理装置实施例500的组成结构示意图。如图5所示，包括：第二获取模块501以及处理模块502。

第二获取模块501，用于针对待处理的下游任务，获取该下游任务对应的预训练模型，预训练模型为利用预处理后的训练样本对待训练模型进行预训练后得到的，训练样本中包括：文本、视频及标签，标签用于表示文本与视频是否匹配，预处理后的训练样本包括：加入文本的文本属性信息后的训练样本。

处理模块502，用于对预训练模型进行微调，得到该下游任务对应的任务模型，利用任务模型对该下游任务进行处理。

采用上述装置实施例所述方案，预先可对训练样本进行预处理，即可在其中增加文本的文本属性信息，相应地，可利用预处理后的训练样本对待训练模型进行预训练，从而使得模型可以学习到更细粒度的特征，进而提升了模型训练效果，相应地，借助于所述模型进行下游任务处理，可提升任务处理结果的准确性等。

本公开的一个实施例中，所述文本属性信息可包括以下之一或任意组合：实体信息，动作信息，对象信息。

即完成待训练模型的预训练后，可将得到的预训练模型应用到实际的下游任务中，具体地，在下游任务中，可对预训练模型进行微调，从而得到适用于下游任务的任务模型，下游任务可为文本视频检索任务或视频问答任务等。

图4和图5所示装置实施例的具体工作流程可参照前述方法实施例中的相关说明，不再赘述。

总之，采用本公开装置实施例所述方案，可结合细粒度的属性特征来进行待训练模型的预训练，从而提升了模型训练效果，而且，通过属性特征的不断对齐，能够有效帮助模型快速收敛，提升了模型训练效率，另外，可使得待训练模型在预训练阶段学习到丰富的视频与文本的细节信息，从而在迁移到下游任务的训练微调时可表现出更好的效果，再有，得到的预训练模型可适用于多种下游任务，具有广泛适用性，并提升了下游任务处理结果的准确性等。

本公开所述方案可应用于人工智能领域，特别涉及深度学习、自然语言处理以及计算机视觉等领域。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。

本公开所述实施例中的文本和视频并不是针对某一特定用户的，并不能反映出某一特定用户的个人信息。

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6示出了可以用来实施本公开的实施例的电子设备600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、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，个人数字助理、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6所示，设备600包括计算单元601，其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序，来执行各种适当的动作和处理。在RAM 603中，还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线606彼此相连。输入/输出(I/O)接口605也连接至总线606。

设备600中的多个部件连接至I/O接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600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601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601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601执行上文所描述的各个方法和处理，例如本公开所述的方法。例如，在一些实施例中，本公开所述的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608。在一些实施例中，计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时，可以执行本公开所述的方法的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行本公开所述的方法。

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)、复杂可编程逻辑设备(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 (11)

1.一种模型预训练方法，包括：

获取预处理后的训练样本，所述训练样本中包括：文本、视频及标签，所述标签用于表示所述文本与所述视频是否匹配，所述预处理后的训练样本包括：加入所述文本的文本属性信息后的训练样本，所述文本属性信息包括：实体信息，动作信息，对象信息；

利用所述预处理后的训练样本对待训练模型进行预训练，包括：在预训练过程中，获取所述文本的文本特征，并获取所述视频的视频整体特征，包括：对所述视频进行视频帧采样，针对采样出的各视频帧，分别对其进行特征提取，并对各特征提取结果求平均，得到所述视频整体特征，采用时间注意力机制，分别获取对应于实体、动作和对象的视频属性特征，并将所述视频整体特征与所述视频属性特征进行融合，获取融合结果与所述文本特征之间的相似度，根据所述相似度以及所述标签对所述待训练模型进行更新。

2.根据权利要求1所述的方法，还包括：

采用时间注意力机制以及空间注意力机制，获取对应于所述文本属性信息的所述视频属性特征。

3.根据权利要求1所述的方法，其中，所述将所述视频整体特征与所述视频属性特征进行融合包括：

按照预定顺序将所述视频整体特征与所述视频属性特征进行拼接；

对拼接结果进行降维处理，将降维处理结果作为所述融合结果。

4.一种任务处理方法，包括：

针对待处理的下游任务，获取所述下游任务对应的预训练模型，所述预训练模型为利用预处理后的训练样本对待训练模型进行预训练后得到的，所述训练样本中包括：文本、视频及标签，所述标签用于表示所述文本与所述视频是否匹配，所述预处理后的训练样本包括：加入所述文本的文本属性信息后的训练样本，所述文本属性信息包括：实体信息，动作信息，对象信息，其中，所述预训练模型为根据获取到的相似度以及所述标签对所述待训练模型进行更新后得到的，所述相似度为融合结果与所述文本的文本特征之间的相似度，所述融合结果为将所述视频的视频整体特征与视频属性特征进行融合后得到的融合结果，所述视频整体特征为对所述视频进行视频帧采样并针对采样出的各视频帧分别进行特征提取后、通过对各特征提取结果求平均得到的视频整体特征，所述视频属性特征为采用时间注意力机制分别获取到的对应于实体、动作和对象的视频属性特征；

对所述预训练模型进行微调，得到所述下游任务对应的任务模型，利用所述任务模型对所述下游任务进行处理。

5.一种模型预训练装置，包括：第一获取模块以及训练模块；

所述第一获取模块，用于获取预处理后的训练样本，所述训练样本中包括：文本、视频及标签，所述标签用于表示所述文本与所述视频是否匹配，所述预处理后的训练样本包括：加入所述文本的文本属性信息后的训练样本，所述文本属性信息包括：实体信息，动作信息，对象信息；

所述训练模块，用于利用所述预处理后的训练样本对待训练模型进行预训练，包括：在预训练过程中，获取所述文本的文本特征，并获取所述视频的视频整体特征，包括：对所述视频进行视频帧采样，针对采样出的各视频帧，分别对其进行特征提取，并对各特征提取结果求平均，得到所述视频整体特征，采用时间注意力机制，分别获取对应于实体、动作和对象的视频属性特征，并将所述视频整体特征与所述视频属性特征进行融合，获取融合结果与所述文本特征之间的相似度，根据所述相似度以及所述标签对所述待训练模型进行更新。

6.根据权利要求5所述的装置，其中，

所述训练模块进一步用于，采用时间注意力机制以及空间注意力机制，获取对应于所述文本属性信息的所述视频属性特征。

7.根据权利要求5所述的装置，其中，

所述训练模块按照预定顺序将所述视频整体特征与所述视频属性特征进行拼接，并对拼接结果进行降维处理，将降维处理结果作为所述融合结果。

8.一种任务处理装置，包括：第二获取模块以及处理模块；

所述第二获取模块，用于针对待处理的下游任务，获取所述下游任务对应的预训练模型，所述预训练模型为利用预处理后的训练样本对待训练模型进行预训练后得到的，所述训练样本中包括：文本、视频及标签，所述标签用于表示所述文本与所述视频是否匹配，所述预处理后的训练样本包括：加入所述文本的文本属性信息后的训练样本，所述文本属性信息包括：实体信息，动作信息，对象信息，其中，所述预训练模型为根据获取到的相似度以及所述标签对所述待训练模型进行更新后得到的，所述相似度为融合结果与所述文本的文本特征之间的相似度，所述融合结果为将所述视频的视频整体特征与视频属性特征进行融合后得到的融合结果，所述视频整体特征为对所述视频进行视频帧采样并针对采样出的各视频帧分别进行特征提取后、通过对各特征提取结果求平均得到的视频整体特征，所述视频属性特征为采用时间注意力机制分别获取到的对应于实体、动作和对象的视频属性特征；

所述处理模块，用于对所述预训练模型进行微调，得到所述下游任务对应的任务模型，利用所述任务模型对所述下游任务进行处理。

9.一种电子设备，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1-4中任一项所述的方法。

10.一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计算机执行权利要求1-4中任一项所述的方法。

11.一种计算机程序产品，包括计算机程序/指令，所述计算机程序/指令被处理器执行时实现权利要求1-4中任一项所述的方法。