CN116132752B - 视频对照组构造、模型训练、视频打分方法、装置及设备 - Google Patents
视频对照组构造、模型训练、视频打分方法、装置及设备 Download PDFInfo
- Publication number
- CN116132752B CN116132752B CN202310391654.0A CN202310391654A CN116132752B CN 116132752 B CN116132752 B CN 116132752B CN 202310391654 A CN202310391654 A CN 202310391654A CN 116132752 B CN116132752 B CN 116132752B
- Authority
- CN
- China
- Prior art keywords
- video
- original
- segment
- original video
- video segment
- 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.)
- Active
Links
- 238000012549 training Methods 0.000 title claims abstract description 62
- 238000010276 construction Methods 0.000 title claims description 35
- 238000013077 scoring method Methods 0.000 title claims description 12
- 239000012634 fragment Substances 0.000 claims abstract description 56
- 238000000034 method Methods 0.000 claims abstract description 52
- 239000013598 vector Substances 0.000 claims description 35
- 230000011218 segmentation Effects 0.000 claims description 14
- 238000012163 sequencing technique Methods 0.000 claims description 12
- 238000003062 neural network model Methods 0.000 claims description 11
- 230000015654 memory Effects 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 8
- 230000009193 crawling Effects 0.000 claims description 4
- 239000000463 material Substances 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 10
- 238000010586 diagram Methods 0.000 description 21
- 238000004590 computer program Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 230000003340 mental effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/47—End-user applications
- H04N21/475—End-user interface for inputting end-user data, e.g. personal identification number [PIN], preference data
- H04N21/4756—End-user interface for inputting end-user data, e.g. personal identification number [PIN], preference data for rating content, e.g. scoring a recommended movie
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
- H04N21/44—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream or rendering scenes according to encoded video stream scene graphs
- H04N21/44008—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream or rendering scenes according to encoded video stream scene graphs involving operations for analysing video streams, e.g. detecting features or characteristics in the video stream
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
- H04N21/454—Content or additional data filtering, e.g. blocking advertisements
- H04N21/4545—Input to filtering algorithms, e.g. filtering a region of the image
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
- H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
- H04N21/4662—Learning process for intelligent management, e.g. learning user preferences for recommending movies characterized by learning algorithms
- H04N21/4666—Learning process for intelligent management, e.g. learning user preferences for recommending movies characterized by learning algorithms using neural networks, e.g. processing the feedback provided by the user
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Databases & Information Systems (AREA)
- Human Computer Interaction (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
- Television Signal Processing For Recording (AREA)
Abstract
本公开提供了一种视频对照组构造、模型训练、视频打分方法、装置及设备，涉及数据处理技术领域，尤其涉及数据生成技术领域。具体实现方案为：获取原始视频，并确定与原始视频内容关联的至少两个相关视频片段；各相关视频片段为满足预定要求的视频片段；将原始视频切分为多个原始视频片段；分别确定各原始视频片段与各相关视频片段的匹配程度，并根据匹配程度将各原始视频片段划分至正样本视频片段集或者负样本视频片段集中；根据正样本视频片段集以及负样本视频片段集，构造得到至少一个视频对照组。本公开的方案，可以在无人工参与的情况下快速地构造得到多个视频对照组，为视频打分模型的训练提供依据，节省了大量的人力成本。
Description
技术领域
本公开涉及数据处理技术领域，尤其涉及数据生成技术领域，具体涉及一种视频对照组构造、模型训练、视频打分方法、装置及设备。
背景技术
随着互联网技术快速地发展，每天都会发布大量的视频；人们通过这些视频可以了解到不同领域、不同行业或者不同地区的风土人情；这些视频极大地丰富了人们的精神世界，给人们的生活带来了不同的乐趣。
发明内容
本公开提供了一种视频对照组构造、模型训练、视频打分方法、装置及设备。
根据本公开的一方面，提供了一种视频对照组的构造方法，包括：
获取原始视频，并确定与所述原始视频内容关联的至少两个相关视频片段；各所述相关视频片段为满足预定要求的视频片段；
将所述原始视频切分为多个原始视频片段；
分别确定各所述原始视频片段与各所述相关视频片段的匹配程度，并根据所述匹配程度将各所述原始视频片段划分至正样本视频片段集或者负样本视频片段集中；
根据所述正样本视频片段集以及所述负样本视频片段集，构造得到至少一个视频对照组；
其中，所述视频对照组用于对视频打分模型进行训练。
根据本公开的另一方面，提供了一种视频打分模型的训练方法，包括：
将预先生成的多个视频对照组输入至神经网络模型进行迭代训练；
生成视频打分模型；
其中，视频对照组由上述涉及到的视频对照组的构造方法构造得到。
根据本公开的另一方面，提供了一种视频打分方法，包括：
获取目标视频，并将所述目标视频切分为至少两个视频片段；
将各所述视频片段分别输入至视频打分模型中，分别得到与各所述视频片段对应的打分结果；
按照设定顺序对各所述打分结果进行排序，并根据排序结果确定至少一个视频片段作为目标视频的目标视频片段；
其中，所述视频打分模型由上述涉及到的视频打分模型的训练方法训练得到。
根据本公开的另一方面，提供了一种视频对照组的构造装置，包括：
原始视频获取模块，用于获取原始视频，并确定与所述原始视频内容关联的至少两个相关视频片段；各所述相关视频片段为满足预定要求的视频片段；
视频片段切分模块，用于将所述原始视频切分为多个原始视频片段；
视频片段划分模块，用于分别确定各所述原始视频片段与各所述相关视频片段的匹配程度，并根据所述匹配程度将各所述原始视频片段划分至正样本视频片段集或者负样本视频片段集中；
视频对照组构造模块，用于根据所述正样本视频片段集以及所述负样本视频片段集，构造得到至少一个视频对照组；
其中，所述视频对照组用于对视频打分模型进行训练。
根据本公开的另一方面，提供了一种视频打分模型的训练装置，包括：
迭代训练模块，用于将预先生成的多个视频对照组输入至神经网络模型进行迭代训练；
视频打分模型生成模块，用于生成视频打分模型；
其中，视频对照组由上述涉及到的视频对照组的构造方法构造得到。
根据本公开的另一方面，提供了一种视频打分装置，包括：
目标视频获取模块，用于获取目标视频，并将所述目标视频切分为至少两个视频片段；
打分结果确定模块，用于将各所述视频片段分别输入至视频打分模型中，分别得到与各所述视频片段对应的打分结果；
目标视频片段确定模块，用于按照设定顺序对各所述打分结果进行排序，并根据排序结果确定至少一个视频片段作为目标视频的目标视频片段；
其中，所述视频打分模型由上述涉及到的视频打分模型的训练方法训练得到。
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中任一实施例所述的方法。
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中任一实施例所述的方法。
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根据本公开中任一实施例所述的方法。
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是根据本公开实施例提供的一种视频对照组的构造方法的示意图；
图2是根据本公开实施例提供的另一种视频对照组的构造方法的示意图；
图3是根据本公开实施例提供的又一种视频对照组的构造方法的示意图；
图4是根据本公开实施例提供的再一种视频对照组的构造方法的示意图；
图5是根据本公开实施例提供的一种视频打分模型的训练方法的示意图；
图6是根据本公开实施例提供的一种视频打分方法的示意图；
图7是根据本公开实施例提供的一种视频对照组的构造装置的结构示意图；
图8是根据本公开实施例提供的一种视频打分模型的训练装置的结构示意图；
图9是根据本公开实施例提供的一种视频打分装置的结构示意图；
图10是用来实现本公开实施例的视频对照组的构造、视频打分模型的训练或者视频打分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是根据本公开实施例提供的一种视频对照组的构造方法的示意图，本实施例可适用于通过原始视频以及与原始视频内容相关的各相关视频片段构造用于对视频打分模型进行训练的视频对照组的情况，该方法可以由视频对照组的构造装置执行，该装置可以通过软件和/或硬件的方式实现，并集成在电子设备中，本公开中涉及到的电子设备可以为计算机、服务器、平板电脑、或者智能机器人等。具体的，参考图1，该方法具体包括如下：
S110、获取原始视频，并确定与所述原始视频内容关联的至少两个相关视频片段。
其中，各相关视频片段为满足预定要求的视频片段；其中，预定要求可以为清晰度要求、用户喜爱度要求、精彩程度要求、色彩度要求或者内容题材要求等，本实施例中对其不加以限定。
在本实施例中，原始视频可以为任一平台发布的电影、电视剧、舞台剧或者音乐短片（music video，MV）等，本实施例中对其不加以限定。
在本实施例的一个可选实现方式中，在获取到原始视频之后，可以进一步的确定与原始视频的内容相关联的至少两个视频片段；示例性的，若原始视频为悬疑电影A，那么与原始视频内容关联的至少两个视频片段可以为发布的各个预告片、用户对悬疑电影A或者各个预告片进行二次创造得到的各个二创视频片段等等；示例性的，二创视频片段可以为用户根据悬疑电影A的第一预告片生成的单个主角人物的视频集锦、对悬疑电影A的第二预告片进行内容添加（例如，在第二预告片中加入表征人物心理活动的对话框）得到的视频片段，或者重新提取得到的悬疑电影A的精彩片段等。
可选的，在本实施例中，在获取到原始视频之后，可以根据原始视频的名称，从互联网中获取与原始视频的名称相关的预告视频或者二创视频片段等，并将这些预告视频或者二创视频片段确定为与原始视频内容关联的各相关视频片段。
在本实施例的一个可选实现方式中，可以将与原始视频相关的预告视频或者二创视频片段等确定为与原始视频内容关联的各相关视频片段，且默认这些相关视频片段是原始视频中内容精彩的或者用户所喜欢的，即本实施例中涉及到的相关视频片段为精彩视频片段。
在本实施例的另一个可选实现方式中，在获取到原始视频之后，可以根据原始视频的名称获取网络中与原始视频名称相关的各视频片段，再确定各视频片段的用户喜爱度，本实施例中可以将各视频片段的用户喜爱度表征各视频片段的精彩程度；进一步的，可以将满足用户喜爱度要求（例如，用户喜爱度大于或者等于设定的用户喜爱度阈值）的视频片段确定为与原始视频内容关联的相关视频片段。
S120、将所述原始视频切分为多个原始视频片段。
在本实施例的一个可选实现方式中，在获取到原始视频之后，可以进一步的将原始视频切分为多个原始视频片段；示例性的，若原始视频的总时长为1小时，则可以将原始视频拆分为时长为10分钟的6个原始视频片段。
S130、分别确定各所述原始视频片段与各所述相关视频片段的匹配程度，并根据所述匹配程度将各所述原始视频片段划分至正样本视频片段集或者负样本视频片段集中。
其中，正样本视频片段集中可以包含多个精彩视频片段，即其包含的是满足用户预定要求的视频片段；负样本视频片段集中可以包含多个非精彩视频片段，即其包含的是不满足用户预定要求的视频片段。在本实施例中，预定要求可以为清晰度要求、用户喜爱度要求、色彩度要求或者内容题材要求等，本实施例中对其不加以限定。
在本实施例的一个可选实现方式中，在得到各原始视频片段以及各相关视频片段之后，可以分别确定各原始视频片段与各相关视频片段的匹配程度，并根据匹配程度将原始视频片段划分至正样本视频片段集，或者负样本视频片段集中；其中，负样本视频片段集及为非正样本视频片段集。
可选的，在本实施例中，在得到各原始视频片段以及各相关视频片段之后，可以分别确定第一原始视频片段与各相关视频片段的相似度，当第一原始视频片段与第一相关视频片段的相似度大于或者等于设定相似度阈值时，可以确定第一原始视频片段为精彩视频片段，进一步的，可以将第一原始视频片段划分至正样本视频片段集中；当第二原始视频片段与任一相关视频片段的相似度均小于设定相似度阈值时，可以确定第二原始视频片段为非精彩视频片段，进一步的，可以将第二原始视频片段划分至负样本视频片段集中；其中，第一原始视频片段以及第二原始视频片段可以为原始视频片段中的任一视频片段；第一相关视频片段可以为各相关视频片段中的任一相关视频片段，本实施例中对其不加以限定。
示例性的，在本实施例中，若第一原始视频片段与第一相关视频片段的相似度为0.95，大于设定相似度阈值（0.9），则可以确定第一原始视频片段为精彩视频片段，进一步的，可以将第一原始视频片段划分至正样本视频片段集中；若第二原始视频片段与任一相关视频片段的相似度均小于设定相似度阈值（0.9），则可以确定第二原始视频片段为非精彩视频片段，进一步的，可以将第二原始视频片段划分至负样本视频片段集中。
S140、根据所述正样本视频片段集以及所述负样本视频片段集，构造得到至少一个视频对照组。
在本实施例的一个可选实现方式中，在将全部原始视频片段划分完毕，得到包含多个视频片段的正样本视频片段集以及负样本视频片段集之后，可以进一步的根据正样本视频片段集以及负样本视频片段集构造得到视频对照组；其中，视频对照组可以用于对视频打分模型进行训练，即通过各视频对照组训练得到的视频打分模型可以用于对视频片段进行打分，以确定任一视频片段为精彩视频片段还是非精彩视频片段。
可选的，在本实施例中，在将全部原始视频片段划分完毕，得到包含多个视频片段的正样本视频片段集以及负样本视频片段集之后，可以分别从正样本视频片段集中获取一个正样本视频片段，再从负样本视频片段集中获取一个负样本视频片段，将二者组成一个视频数据对作为一个视频对照组。
本实施例的方案，通过获取原始视频，并确定与所述原始视频内容关联的至少两个相关视频片段；各所述相关视频片段为满足预定要求的视频片段；将所述原始视频切分为多个原始视频片段；分别确定各所述原始视频片段与各所述相关视频片段的匹配程度，并根据所述匹配程度将各所述原始视频片段划分至正样本视频片段集或者负样本视频片段集中；根据所述正样本视频片段集以及所述负样本视频片段集，构造得到至少一个视频对照组，可以在无人工参与的情况下快速地构造得到多个视频对照组，为视频打分模型的训练提供依据，节省了大量的人力成本。
图2是根据本公开实施例提供的另一种视频对照组的构造方法的示意图，本实施例是对上述技术方案的进一步细化，本实施例中的技术方案可以与上述一个或者多个实施例中的各个可选方案结合。如图2所示，视频对照组的构造方法包括如下：
S210、获取所述原始视频的属性信息；根据所述属性信息，从互联网中爬取与所述原始视频内容相关的至少两个相关视频片段。
其中，原始视频的属性信息可以包括：原始视频的名称、原始视频的内容简介、原始视频的播放时长、原始视频的拍摄时间或者拍摄原始视频的摄像头信息中的一项或者多项，本实施例中对其不加以限定。
在本实施例的一个可选实现方式，在获取到原始视频之后，可以同时获取原始视频的属性信息，并根据获取到的原始视频的属性信息，从互联网中爬取与原始视频内容相关联的各相关视频片段。
示例性的，在本实施例的一个例子中，在获取原始视频的同时，也可以获取原始视频的名称；进一步的，可以根据原始视频的名称从互联网中爬取与该原始视频名称相关联的预告片或者二创视频等作为与原始视频内容关联的各相关视频片段。
在本实施例的另一个例子中，在获取原始视频的同时，也可以获取原始视频的内容简介；进一步的，可以根据原始视频的内容简介从互联网中爬取与该原始视频内容简介相关联的预告片或者二创视频等作为与原始视频内容关联的各相关视频片段。
在本实施例的另一个例子中，在获取原始视频的同时，也可以获取原始视频的名称以及播放时长；进一步的，可以根据原始视频的名称以及播放时长从互联网中爬取与该原始视频名称以及播放时长相关联的预告片或者二创视频等作为与原始视频内容关联的各相关视频片段。
这样设置的好处在于，可以快速地确定与原始视频内容相关联的各相关视频片段，为后续构造视频对照组提供依据。
S220、将所述原始视频切分为多个原始视频片段。
在本实施例的一个可选实现方式中，将所述原始视频切分为多个原始视频片段，可以包括：按照设定时间间隔将原始视频切分为多个原始视频片段；或者，通过预设的场景切分模型将所述原始视频切分为多个原始视频片段。
其中，设定时间间隔可以为30秒、1分钟或者10分钟等，本实施例中对其不加以限定；场景切分模型可以为任一场景切分模型，例如，基于场景多尺度的场景分割模型、基于多循环神经网络的场景分割模型，或者基于空间上下文的场景分割模型等，本实施例中对其也不加以限定。
在本实施例的一个可选实现方式中，在获取到原始视频之后，可以每间隔30秒对原始视频进行一次裁剪，最终将原始视频切分为多个播放时长为30秒的原始视频片段。
在本实施例的另一个可选实现方式中，在获取到原始视频之后，可以直接将获取到的原始视频输入至场景切分模型中，通过场景切分模型对原始视频中的各个场景进行识别，并根据识别结果切分得到多个原始视频片段。
这样设置的好处在于，可以快速地对获取到的原始视频进行切分，得到多个原始视频片段，为后续构造得到视频对照组提供依据。
S230、识别各所述原始视频片段的内容信息；根据各所述内容信息对各所述原始视频片段进行过滤处理，滤除预设原始视频片段。
在本实施例中，预设原始视频片段数据可以包括下述至少一项：与所述原始视频的内容不相关的视频片段、不包含人物特征的视频片段以及播放时长小于设定时间阈值的视频片段；其中，与原始视频内容不想改的视频片段可以为片头、片尾或者广告等。其中，设定时间阈值可以为1秒、2秒或者3秒等，本实施例中对其不加以限定。
在本实施例的一个可选实现方式中，在将原始视频切分为多个原始视频片段之后，可以进一步的识别每个原始视频片段的内容信息；根据识别到的内容信息对各原始视频片段进行过滤，滤除原始视频片段中的片头、片尾、广告、不包含人物特征的视频片段或者片段时长较短的原始视频片段。
这样可以提前滤除各原始视频片段中的非精彩视频片段，为后续构造不包含干扰数据的正样本视频片段集提供依据。
可选的，在本实施例中，在得到各原始视频片段之后，可以先获取各原始视频片段的片段时长，将片段时长小于2秒的视频片段进行滤除；再依次对各原始视频片段的每一帧图像进行识别，确定各原始视频片段的主要内容信息，并将不包含人物特征的视频片段、片头、片尾或者包含广告等宣传信息的原始视频片段进行滤除。
S240、分别确定各所述原始视频片段与各所述相关视频片段的匹配程度，并根据所述匹配程度将各所述原始视频片段划分至正样本视频片段集或者负样本视频片段集中。
S250、从正样本视频片段集中获取一条正样本视频片段，以及负样本视频片段集中获取一条负样本视频片段；将所述正样本视频片段以及所述负样本视频片段构造成一条视频对照组。
在本实施例的一个可选实现方式中，在生成正样本视频片段集以及负样本视频片段集之后，可以分别从正样本视频片段集中获取一条正样本视频片段，即精彩视频片段；负样本视频片段集中获取一条负样本视频片段，即非精彩视频片段；进一步的，将获取到的精彩视频片段以及所述非精彩视频片段构造成一条视频对照组。
可选的，在本实施例中，在从正样本视频片段集中获取一条正样本视频片段，以及负样本视频片段集中获取一条负样本视频片段之后，可以分别将正样本视频片段以及负样本视频片段转换为一维或者多维向量，再将两个向量进行叠加，即构造得到了一条视频对照组向量。
本实施例的方案，在生成正样本视频片段集以及负样本视频片段集之后，可以从正样本视频片段集中获取一条精彩视频片段，以及负样本视频片段集中获取一条非精彩视频片段；将所述精彩视频片段以及所述非精彩视频片段构造成一条视频对照组，无需人工标注，可以快速地得到各视频对照组，为后续对视频打分模型进行训练提供依据。
图3是根据本公开实施例提供的又一种视频对照组的构造方法的示意图，本实施例是对上述技术方案的进一步细化，本实施例中的技术方案可以与上述一个或者多个实施例中的各个可选方案结合。如图3所示，视频对照组的构造方法包括如下：
S310、获取原始视频，并确定与所述原始视频内容关联的至少两个相关视频片段。
S320、将所述原始视频切分为多个原始视频片段。
S330、提取各所述原始视频片段的特征信息，得到各所述原始视频片段的特征向量；提取各所述相关视频片段的特征信息，得到各所述相关视频片段的特征向量；分别计算各所述原始视频片段的特征向量与各所述相关视频片段的特征向量的相似度；在目标原始视频片段与目标相关视频片段的目标相似度大于设定相似度阈值的情况下，将所述目标原始视频片段添加至正样本视频片段集中；否则，添加至负样本视频片段集中。
在本实施例的一个可选实现方式中，在得到各原始视频片段以及各相关视频片段之后，可以提取目标原始视频片段的特征信息，并将各特征信息进行组合，得到目标原始视频片段的特征向量；提取目标相关视频片段的特征信息，并将各特征信息进行组合，得到目标相关视频片段的特征向量；进一步的，可以计算目标原始视频片段的特征向量与目标相关视频片段的特征向量的相似度，当相似度大于或者等于设定相似度阈值（例如，0.9）时，可以将目标原始视频片段添加至正样本视频片段集中；否则，继续计算目标原始视频片段的特征向量与其他相关视频片段的特征向量的相似度，当所有相似度均小于设定相似度阈值时，可以将目标原始视频片段添加至负样本视频片段集中。
其中，目标原始视频片段为任一原始视频片段，目标相关视频片段为任一相关视频片段，本实施例中对其不加以限定。
S340、根据所述正样本视频片段集以及所述负样本视频片段集，构造得到至少一个视频对照组。
本实施例的方案，在得到各原始视频片段以及各相关视频片段之后，可以提取各所述原始视频片段的特征信息，得到各所述原始视频片段的特征向量；提取各所述相关视频片段的特征信息，得到各所述相关视频片段的特征向量；分别计算各所述原始视频片段的特征向量与各所述相关视频片段的特征向量的相似度；在目标原始视频片段与目标相关视频片段的目标相似度大于设定相似度阈值的情况下，将所述目标原始视频片段添加至正样本视频片段集中；否则，添加至负样本视频片段集中，可以准确地构造正样本视频片段集以及负样本视频片段集，为后续构造视频对照组提供依据。
为了更好地理解本公开实施例，图4是根据本公开实施例提供的再一种视频对照组的构造方法的示意图，其主要包括如下步骤：
S410、获取原始视频，并切分得到候选视频片段。
在本实施例中，可以收集原始影视剧视频，并根据原始影视剧视频的名称在网络中爬取相关的预告片或者用户二创的视频片段；对原始影视剧视频进行片段分析，例如，可以利用场景切分模型或者一些特定策略切分出候选视频片段。
S420、构造训练数据。
在本实施例中，对得到的候选视频片段，可以利用一些先验策略（例如，不包含人物信息、场景信息或者播放时长过短等）滤除一些无关视频片段；进一步的，可以对原始视频片段和二创视频片段进行相似度匹配，匹配上的作为精彩视频片段并添加至精彩视频片段集（即，正样本视频片段集）中，未匹配上的作为非精彩视频片段并添加至非精彩视频片段集（即，负样本视频片段集）中；进一步的，可以从精彩和非精彩视频片段集中分别选择一个视频片段构造得到训练样本对(精彩视频片段-非精彩视频片段)。
S430、视频打分模型的训练。
在本实施例中，无需对各视频片段进行人工标注即可得到用于对视频打分模型进行训练的训练数据，节省了大量的人力成本。
图5是根据本公开实施例提供的一种视频打分模型的训练方法的示意图，本实施例可适用于通过上述各实施例构造的视频对照组对视频打分模型进行训练的情况，该方法可以由打分模型的训练装置执行，该装置可以通过软件和/或硬件的方式实现，并集成在电子设备中，本公开中涉及到的电子设备可以为计算机、服务器、平板电脑、或者智能机器人等。具体的，参考图5，该方法具体包括如下：
S510、将预先生成的多个视频对照组输入至神经网络模型进行迭代训练。
在本实施例的一个可选实现方式中，在构造得到多个视频对照组之后，可以将构造得到的视频对照组依次输入至神经网络模型中进行迭代训练。其中，神经网络模型可以为三维卷积神经网络、长短期记忆网络（Long Short-Term Memory，LSTM）或者图神经网络模型（transformer）等，本实施例中对其不加以限定。
需要说明的是，在本实施例中，视频打分模型的训练目标并不是每个视频片段的分数，而是在每一个视频对照组中，精彩视频片段的分数-非精彩视频片段的分数大于设定分数值，其中，设定分数值可以为0.3或者0.4等，即只学习使得精彩视频片段的分数大于非精彩视频片段的分数。
S520、生成视频打分模型。
在本实施例的一个可选实现方式中，当满足迭代停止条件时，可以停止迭代训练，从而输出最终的视频打分模型；其中，迭代停止条件可以为迭代次数达到设定阈值或者输出准确率大于或者等于设定准确率阈值等，本实施例中对其不加以限定。
本实施例的方案，通过将预先生成的多个视频对照组输入至神经网络模型进行迭代训练，生成视频打分模型，可以通过未经过人工标注的视频对照组训练得到视频打分模型，为后续筛选出一个视频中的精彩视频片段提供依据。
图6是根据本公开实施例提供的一种视频打分方法的示意图，本实施例可适用于通过上述实施例训练得到的视频打分模型筛选出目标视频中的精彩视频片段的情况，该方法可以由视频打分装置执行，该装置可以通过软件和/或硬件的方式实现，并集成在电子设备中，本公开中涉及到的电子设备可以为计算机、服务器、平板电脑、或者智能机器人等。具体的，参考图6，该方法具体包括如下：
S610、获取目标视频，并将所述目标视频切分为至少两个视频片段。
其中，目标视频可为任一影视剧视频、MV短片或者用户自主拍摄的视频等，本实施例中对其不加以限定。
在本实施例的一个可选实现方式中，在获取到目标视频之后，可以将目标视频输入至场景切分模型中，切分得到多个视频片段；或者，按照预设的切分规则，将目标视频进行切分，从而得到多个视频片段。
可选的，在本实施例中，在切分得到多个视频片段之后，也可以对各视频片段进行过滤处理，从而滤除视频片段中涉及到的片头、片尾或者广告等。
S620、将各所述视频片段分别输入至视频打分模型中，分别得到与各所述视频片段对应的打分结果。
其中，视频打分模型是由上述实施例中涉及到的视频打分模型的训练方法训练得到的。
在本实施例的一个可选实现方式中，可以将目标视频的各视频片段依次输入至视频打分模型中进行处理，从而得到与每个视频片段对应的打分结果，即输出每个视频片段的分数。
S630、按照设定顺序对各所述打分结果进行排序，并根据排序结果确定至少一个视频片段作为目标视频的目标视频片段。
其中，设定顺序可以为从小至大，也可以为从大至小，本实施例中对其不加以限定。其中，目标视频片段即为目标视频中的精彩视频片段，其可以为一个视频片段，也可以为多个视频片段，本实施例中对其不加以限定。
可选的，在本实施例中，在获取到各视频片段的打分结果之后，可以按照从小至大的顺序对各打分结果进行排序，将排序结果中最大的一个或者多个视频作为目标视频的精彩视频片段。
本实施例的方案，通过获取目标视频，并将所述目标视频切分为至少两个视频片段；将各所述视频片段分别输入至视频打分模型中，分别得到与各所述视频片段对应的打分结果；按照设定顺序对各所述打分结果进行排序，并根据排序结果确定至少一个视频片段作为目标视频的目标视频片段，可以快速且准确地确定目标视频的精彩视频片段，为推荐目标视频至喜爱的用户提供依据。
图7是根据本公开实施例提供的一种视频对照组的构造装置的结构示意图，该装置可以执行本公开中任一实施例中涉及到的视频对照组的构造方法；参考图7，视频对照组的构造装置700包括：原始视频获取模块710、视频片段切分模块720、视频片段划分模块730以及视频对照组构造模块740。
原始视频获取模块710，用于获取原始视频，并确定与所述原始视频内容关联的至少两个相关视频片段；各所述相关视频片段为满足预定要求的视频片段；
视频片段切分模块720，用于将所述原始视频切分为多个原始视频片段；
视频片段划分模块730，用于分别确定各所述原始视频片段与各所述相关视频片段的匹配程度，并根据所述匹配程度将各所述原始视频片段划分至正样本视频片段集或者负样本视频片段集中；
视频对照组构造模块740，用于根据所述正样本视频片段集以及所述负样本视频片段集，构造得到至少一个视频对照组；
其中，所述视频对照组用于对视频打分模型进行训练。
本实施例的方案，通过原始视频获取模块获取原始视频，并确定与所述原始视频内容关联的至少两个相关视频片段；通过视频片段切分模块720，用于将所述原始视频切分为多个原始视频片段；通过视频片段划分模块分别确定各所述原始视频片段与各所述相关视频片段的匹配程度，并根据所述匹配程度将各所述原始视频片段划分至正样本视频片段集或者负样本视频片段集中；通过视频对照组构造模块根据所述正样本视频片段集以及所述负样本视频片段集，构造得到至少一个视频对照组，可以在无人工参与的情况下快速地构造得到多个视频对照组，为视频打分模型的训练提供依据，节省了大量的人力成本。
在本实施例的一个可选实现方式中，原始视频获取模块710，具体用于获取所述原始视频的属性信息；
根据所述属性信息，从互联网中爬取与所述原始视频内容相关的至少两个相关视频片段；
其中，所述属性信息包括下述至少一项：名称、内容简介、播放时长、拍摄时间以及摄像头信息。
在本实施例的一个可选实现方式中，视频片段切分模块720，具体用于按照设定时间间隔将原始视频切分为多个原始视频片段；
或者，通过预设的场景切分模型将所述原始视频切分为多个原始视频片段。
在本实施例的一个可选实现方式中，视频对照组的构造装置，还包括：视频片段过滤模块，用于识别各所述原始视频片段的内容信息；
根据各所述内容信息对各所述原始视频片段进行过滤处理，滤除预设原始视频片段；
其中，所述预设原始视频片段数据包括下述至少一项：与所述原始视频的内容不相关的视频片段、不包含人物特征的视频片段以及播放时长小于设定时间阈值的视频片段。
在本实施例的一个可选实现方式中，视频片段划分模块730，具体用于提取各所述原始视频片段的特征信息，得到各所述原始视频片段的特征向量；
提取各所述相关视频片段的特征信息，得到各所述相关视频片段的特征向量；
分别计算各所述原始视频片段的特征向量与各所述相关视频片段的特征向量的相似度；
在目标原始视频片段与目标相关视频片段的目标相似度大于或者等于设定相似度阈值的情况下，将所述目标原始视频片段添加至正样本视频片段集中；
否则，添加至负样本视频片段集中。
在本实施例的一个可选实现方式中，视频对照组构造模块740，具体用于
从正样本视频片段集中获取一条正样本视频片段，以及负样本视频片段集中获取一条负样本视频片段；
将所述正样本视频片段以及所述负样本视频片段构造成一条视频对照组。
上述视频对照组的构造装置可执行本公开任意实施例所提供的视频对照组的构造方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本公开任意实施例提供的视频对照组的构造方法。
图8是根据本公开实施例提供的一种视频打分模型的训练装置的结构示意图；该装置可以执行本公开中任一实施例中涉及到的视频打分模型的训练方法；参考图8，视频打分模型的训练装置800包括：迭代训练模块810以及视频打分模型生成模块820。
迭代训练模块810，用于将预先生成的多个视频对照组输入至神经网络模型进行迭代训练；
视频打分模型生成模块820，用于生成视频打分模型；
其中，视频对照组由上述任一实施例中涉及到的视频对照组的构造方法构造得到。
本实施例的方案，通过迭代训练模块将预先生成的多个视频对照组输入至神经网络模型进行迭代训练；通过视频打分模型生成模块生成视频打分模型；可以通过未经过人工标注的视频对照组训练得到视频打分模型，为后续筛选出一个视频中的精彩视频片段提供依据。
图9是根据本公开实施例提供的一种视频打分装置的结构示意图，该装置可以执行本公开中任一实施例中涉及到的视频打分方法；参考图9，视频打分装置900包括：目标视频获取模块910、打分结果确定模块920以及目标视频片段确定模块930。
目标视频获取模块910，用于获取目标视频，并将所述目标视频切分为至少两个视频片段；
打分结果确定模块920，用于将各所述视频片段分别输入至视频打分模型中，分别得到与各所述视频片段对应的打分结果；
目标视频片段确定模块930，用于按照设定顺序对各所述打分结果进行排序，并根据排序结果确定至少一个视频片段作为目标视频的目标视频片段；
其中，所述视频打分模型由上述实施例中涉及到的视频打分模型的训练方法训练得到。
本实施例的方案，通过目标视频获取模块获取目标视频，并将所述目标视频切分为至少两个视频片段；通过打分结果确定模块将各所述视频片段分别输入至视频打分模型中，分别得到与各所述视频片段对应的打分结果；通过目标视频片段确定模块按照设定顺序对各所述打分结果进行排序，并根据排序结果确定至少一个视频片段作为目标视频的目标视频片段；可以快速且准确地确定目标视频的精彩视频片段，为推荐目标视频至喜爱的用户提供依据。
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10示出了可以用来实施本公开的实施例的示例电子设备100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10所示，设备100包括计算单元101，其可以根据存储在只读存储器（ROM）102中的计算机程序或者从存储单元108加载到随机访问存储器（RAM）103中的计算机程序，来执行各种适当的动作和处理。在RAM 103中，还可存储设备100操作所需的各种程序和数据。计算单元101、ROM 102以及RAM 103通过总线104彼此相连。输入/输出（I/O）接口105也连接至总线104。
设备100中的多个部件连接至I/O接口105，包括：输入单元106，例如键盘、鼠标等；输出单元107，例如各种类型的显示器、扬声器等；存储单元808，例如磁盘、光盘等；以及通信单元109，例如网卡、调制解调器、无线通信收发机等。通信单元109允许设备100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101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101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101执行上文所描述的各个方法和处理，例如视频对照组的构造、视频打分模型的训练或者视频打分方法。例如，在一些实施例中，视频对照组的构造、视频打分模型的训练或者视频打分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108。在一些实施例中，计算机程序的部分或者全部可以经由ROM 102和/或通信单元109而被载入和/或安装到设备100上。当计算机程序加载到RAM 103并由计算单元101执行时，可以执行上文描述的视频对照组的构造、视频打分模型的训练或者视频打分方法的一个或多个步骤。备选地，在其他实施例中，计算单元101可以通过其他任何适当的方式（例如，借助于固件）而被配置为执行视频对照组的构造、视频打分模型的训练或者视频打分方法。
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、现场可编程门阵列（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 (18)
1.一种视频对照组的构造方法，包括：
获取原始视频，并确定与所述原始视频内容关联的至少两个相关视频片段；各所述相关视频片段为满足预定要求的视频片段；其中，预定要求包括下述至少一项：清晰度要求、用户喜爱度要求、精彩程度要求、色彩度要求以及内容题材要求；将所述原始视频切分为多个原始视频片段；
分别确定各所述原始视频片段与各所述相关视频片段的匹配程度，并根据所述匹配程度将各所述原始视频片段划分至正样本视频片段集或者负样本视频片段集中；
根据所述正样本视频片段集以及所述负样本视频片段集，构造得到至少一个视频对照组；
其中，所述视频对照组用于对视频打分模型进行训练；所述视频打分模型用于筛选出满足预定要求的视频片段；
其中，根据所述正样本视频片段集以及所述负样本视频片段集，构造得到至少一个视频对照组，包括：从正样本视频片段集中获取一条正样本视频片段，以及负样本视频片段集中获取一条负样本视频片段；分别将正样本视频片段以及负样本视频片段转换为一维或者多维向量，再将两个向量进行叠加，得到一条视频对照组向量。
2.根据权利要求1所述的方法，其中，所述确定与所述原始视频内容关联的至少两个相关视频片段，包括：
获取所述原始视频的属性信息；
根据所述属性信息，从互联网中爬取与所述原始视频内容相关的至少两个相关视频片段；
其中，所述属性信息包括下述至少一项：名称、内容简介、播放时长、拍摄时间以及摄像头信息。
3.根据权利要求1所述的方法，其中，所述将所述原始视频切分为多个原始视频片段，包括：
按照设定时间间隔将原始视频切分为多个原始视频片段；
或者，通过预设的场景切分模型将所述原始视频切分为多个原始视频片段。
4.根据权利要求1所述的方法，其中，在将所述原始视频切分为多个原始视频片段之后，还包括：
识别各所述原始视频片段的内容信息；
根据各所述内容信息对各所述原始视频片段进行过滤处理，滤除预设原始视频片段；
其中，所述预设原始视频片段包括下述至少一项：与所述原始视频的内容不相关的视频片段、不包含人物特征的视频片段以及播放时长小于设定时间阈值的视频片段。
5.根据权利要求1所述的方法，其中，所述分别确定各所述原始视频片段与各所述相关视频片段的匹配程度，并根据所述匹配程度将各所述原始视频片段划分至正样本视频片段集或者负样本视频片段集中，包括：
提取各所述原始视频片段的特征信息，得到各所述原始视频片段的特征向量；
提取各所述相关视频片段的特征信息，得到各所述相关视频片段的特征向量；
分别计算各所述原始视频片段的特征向量与各所述相关视频片段的特征向量的相似度；
在目标原始视频片段与目标相关视频片段的目标相似度大于或者等于设定相似度阈值的情况下，将所述目标原始视频片段添加至正样本视频片段集中；
否则，添加至负样本视频片段集中。
6.根据权利要求1所述的方法，其中，所述根据所述正样本视频片段集以及所述负样本视频片段集，构造得到至少一个视频对照组，包括：
从正样本视频片段集中获取一条正样本视频片段，以及负样本视频片段集中获取一条负样本视频片段；
将所述正样本视频片段以及所述负样本视频片段构造成一条视频对照组。
7.一种视频打分模型的训练方法，包括：
将预先生成的多个视频对照组输入至神经网络模型进行迭代训练；
生成视频打分模型；
其中，视频对照组由权利要求1-6中任一项所述的视频对照组的构造方法构造得到。
8.一种视频打分方法，包括：
获取目标视频，并将所述目标视频切分为至少两个视频片段；
将各所述视频片段分别输入至视频打分模型中，分别得到与各所述视频片段对应的打分结果；
按照设定顺序对各所述打分结果进行排序，并根据排序结果确定至少一个视频片段作为目标视频的目标视频片段；
其中，所述视频打分模型由权利要求7所述的视频打分模型的训练方法训练得到。
9.一种视频对照组的构造装置，包括：
原始视频获取模块，用于获取原始视频，并确定与所述原始视频内容关联的至少两个相关视频片段；各所述相关视频片段为满足预定要求的视频片段；其中，预定要求包括下述至少一项：清晰度要求、用户喜爱度要求、精彩程度要求、色彩度要求以及内容题材要求；
视频片段切分模块，用于将所述原始视频切分为多个原始视频片段；
视频片段划分模块，用于分别确定各所述原始视频片段与各所述相关视频片段的匹配程度，并根据所述匹配程度将各所述原始视频片段划分至正样本视频片段集或者负样本视频片段集中；
视频对照组构造模块，用于根据所述正样本视频片段集以及所述负样本视频片段集，构造得到至少一个视频对照组；
其中，所述视频对照组用于对视频打分模型进行训练；所述视频打分模型用于筛选出满足预定要求的视频片段；
其中，根据所述正样本视频片段集以及所述负样本视频片段集，构造得到至少一个视频对照组，包括：从正样本视频片段集中获取一条正样本视频片段，以及负样本视频片段集中获取一条负样本视频片段；分别将正样本视频片段以及负样本视频片段转换为一维或者多维向量，再将两个向量进行叠加，得到一条视频对照组向量。
10.根据权利要求9所述的装置，其中，原始视频获取模块，具体用于
获取所述原始视频的属性信息；
根据所述属性信息，从互联网中爬取与所述原始视频内容相关的至少两个相关视频片段；
其中，所述属性信息包括下述至少一项：名称、内容简介、播放时长、拍摄时间以及摄像头信息。
11.根据权利要求9所述的装置，其中，视频片段切分模块，具体用于
按照设定时间间隔将原始视频切分为多个原始视频片段；
或者，通过预设的场景切分模型将所述原始视频切分为多个原始视频片段。
12.根据权利要求9所述的装置，其中，视频对照组的构造装置，还包括：视频片段过滤模块，用于
识别各所述原始视频片段的内容信息；
根据各所述内容信息对各所述原始视频片段进行过滤处理，滤除预设原始视频片段；
其中，所述预设原始视频片段数据包括下述至少一项：与所述原始视频的内容不相关的视频片段、不包含人物特征的视频片段以及播放时长小于设定时间阈值的视频片段。
13.根据权利要求9所述的装置，其中，视频片段划分模块，具体用于
提取各所述原始视频片段的特征信息，得到各所述原始视频片段的特征向量；
提取各所述相关视频片段的特征信息，得到各所述相关视频片段的特征向量；
分别计算各所述原始视频片段的特征向量与各所述相关视频片段的特征向量的相似度；
在目标原始视频片段与目标相关视频片段的目标相似度大于或者等于设定相似度阈值的情况下，将所述目标原始视频片段添加至正样本视频片段集中；
否则，添加至负样本视频片段集中。
14.根据权利要求9所述的装置，其中，视频对照组构造模块，具体用于
从正样本视频片段集中获取一条正样本视频片段，以及负样本视频片段集中获取一条负样本视频片段；
将所述正样本视频片段以及所述负样本视频片段构造成一条视频对照组。
15.一种视频打分模型的训练装置，包括：
迭代训练模块，用于将预先生成的多个视频对照组输入至神经网络模型进行迭代训练；
视频打分模型生成模块，用于生成视频打分模型；
其中，视频对照组由权利要求1-6中任一项所述的视频对照组的构造方法构造得到。
16.一种视频打分装置，包括：
目标视频获取模块，用于获取目标视频，并将所述目标视频切分为至少两个视频片段；
打分结果确定模块，用于将各所述视频片段分别输入至视频打分模型中，分别得到与各所述视频片段对应的打分结果；
目标视频片段确定模块，用于按照设定顺序对各所述打分结果进行排序，并根据排序结果确定至少一个视频片段作为目标视频的目标视频片段；
其中，所述视频打分模型由权利要求7所述的视频打分模型的训练方法训练得到。
17.一种电子设备，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1-6、7或者8中任一项所述的方法。
18.一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1-6、7或者8中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310391654.0A CN116132752B (zh) | 2023-04-13 | 2023-04-13 | 视频对照组构造、模型训练、视频打分方法、装置及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310391654.0A CN116132752B (zh) | 2023-04-13 | 2023-04-13 | 视频对照组构造、模型训练、视频打分方法、装置及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116132752A CN116132752A (zh) | 2023-05-16 |
| CN116132752B true CN116132752B (zh) | 2023-12-08 |
Family
ID=86303082
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310391654.0A Active CN116132752B (zh) | 2023-04-13 | 2023-04-13 | 视频对照组构造、模型训练、视频打分方法、装置及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116132752B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110121118A (zh) * | 2019-06-17 | 2019-08-13 | 腾讯科技（深圳）有限公司 | 视频片段定位方法、装置、计算机设备及存储介质 |
| CN111026914A (zh) * | 2019-12-03 | 2020-04-17 | 腾讯科技（深圳）有限公司 | 视频摘要模型的训练方法、视频摘要生成方法及装置 |
| CN112287914A (zh) * | 2020-12-27 | 2021-01-29 | 平安科技（深圳）有限公司 | Ppt视频段提取方法、装置、设备及介质 |
| CN113326767A (zh) * | 2021-05-28 | 2021-08-31 | 北京百度网讯科技有限公司 | 视频识别模型训练方法、装置、设备以及存储介质 |
| CN114283352A (zh) * | 2021-11-12 | 2022-04-05 | 北京旷视科技有限公司 | 一种视频语义分割装置、训练方法以及视频语义分割方法 |
| CN114882334A (zh) * | 2022-04-29 | 2022-08-09 | 北京百度网讯科技有限公司 | 用于生成预训练模型的方法、模型训练方法及装置 |
| CN115713641A (zh) * | 2021-08-19 | 2023-02-24 | 小米科技(武汉)有限公司 | 视频获取方法、装置及存储介质 |
| CN115801980A (zh) * | 2022-11-08 | 2023-03-14 | 北京沃东天骏信息技术有限公司 | 视频生成方法和装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11450111B2 (en) * | 2020-08-27 | 2022-09-20 | International Business Machines Corporation | Deterministic learning video scene detection |
-
2023
- 2023-04-13 CN CN202310391654.0A patent/CN116132752B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110121118A (zh) * | 2019-06-17 | 2019-08-13 | 腾讯科技（深圳）有限公司 | 视频片段定位方法、装置、计算机设备及存储介质 |
| CN111026914A (zh) * | 2019-12-03 | 2020-04-17 | 腾讯科技（深圳）有限公司 | 视频摘要模型的训练方法、视频摘要生成方法及装置 |
| CN112287914A (zh) * | 2020-12-27 | 2021-01-29 | 平安科技（深圳）有限公司 | Ppt视频段提取方法、装置、设备及介质 |
| CN113326767A (zh) * | 2021-05-28 | 2021-08-31 | 北京百度网讯科技有限公司 | 视频识别模型训练方法、装置、设备以及存储介质 |
| CN115713641A (zh) * | 2021-08-19 | 2023-02-24 | 小米科技(武汉)有限公司 | 视频获取方法、装置及存储介质 |
| CN114283352A (zh) * | 2021-11-12 | 2022-04-05 | 北京旷视科技有限公司 | 一种视频语义分割装置、训练方法以及视频语义分割方法 |
| CN114882334A (zh) * | 2022-04-29 | 2022-08-09 | 北京百度网讯科技有限公司 | 用于生成预训练模型的方法、模型训练方法及装置 |
| CN115801980A (zh) * | 2022-11-08 | 2023-03-14 | 北京沃东天骏信息技术有限公司 | 视频生成方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116132752A (zh) | 2023-05-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109587554B (zh) | 视频数据的处理方法、装置及可读存储介质 | |
| CN112199375B (zh) | 跨模态的数据处理方法、装置、存储介质以及电子装置 | |
| CN110533097B (zh) | 一种图像清晰度识别方法、装置、电子设备及存储介质 | |
| CN111967302B (zh) | 视频标签的生成方法、装置及电子设备 | |
| CN111858869B (zh) | 一种数据匹配方法、装置、电子设备和存储介质 | |
| CN107193962B (zh) | 一种互联网推广信息的智能配图方法及装置 | |
| CN112559800B (zh) | 用于处理视频的方法、装置、电子设备、介质和产品 | |
| CN113656582B (zh) | 神经网络模型的训练方法、图像检索方法、设备和介质 | |
| CN112381104B (zh) | 一种图像识别方法、装置、计算机设备及存储介质 | |
| CN105279495A (zh) | 一种基于深度学习和文本总结的视频描述方法 | |
| CN113313053B (zh) | 图像处理方法、装置、设备、介质及程序产品 | |
| CN113360711B (zh) | 视频理解任务的模型训练和执行方法、装置、设备及介质 | |
| CN109408672B (zh) | 一种文章生成方法、装置、服务器及存储介质 | |
| CN110209658B (zh) | 数据清洗方法和装置 | |
| CN111783712A (zh) | 一种视频处理方法、装置、设备及介质 | |
| CN113032673A (zh) | 资源的获取方法、装置、计算机设备及存储介质 | |
| CN113704623A (zh) | 一种数据推荐方法、装置、设备及存储介质 | |
| CN116994021A (zh) | 图像检测方法、装置、计算机可读介质及电子设备 | |
| CN115098729A (zh) | 视频处理方法、样本生成方法、模型训练方法及装置 | |
| CN113301382B (zh) | 视频处理方法、设备、介质及程序产品 | |
| CN109992679A (zh) | 一种多媒体数据的分类方法及装置 | |
| CN113392867A (zh) | 一种图像识别方法、装置、计算机设备及存储介质 | |
| CN116132752B (zh) | 视频对照组构造、模型训练、视频打分方法、装置及设备 | |
| CN114449342A (zh) | 视频推荐方法、装置、计算机可读存储介质和计算机设备 | |
| CN115774797A (zh) | 视频内容检索方法、装置、设备和计算机可读存储介质 |
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 |