CN116257655A - 视频聚合方法及装置、电子设备和介质 - Google Patents

Abstract

本公开提供了一种视频聚合方法、装置、电子设备、计算机可读存储介质和计算机程序产品，涉及人工智能领域，尤其涉及深度学习、自然语言处理技术领域。实现方案为：获取待聚合的多个视频；确定该多个视频中的每个视频各自对应的视频信息，该视频信息包括视频标题、包括文字信息的图像以及描述文本中的至少一个；对视频信息进行文字识别，以确定各自对应的一个或多个视频标签；对于至少一个视频标签，分别确定该至少一个视频标签中的每个视频标签各自对应的第一视频合集，第一视频合集中的每个视频均对应于相应的视频标签；响应于确定至少两个第一视频合集中的视频内容相同，进行去重操作；以及确定去重操作后剩余的视频合集的合集标题。

Description

视频聚合方法及装置、电子设备和介质

技术领域

本公开涉及人工智能领域，尤其涉及深度学习、自然语言处理技术领域，具体涉及一种视频聚合方法、装置、电子设备、计算机可读存储介质和计算机程序产品。

背景技术

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。

视频合集是一种重要的产品形态，对用户体验具有明显增益，如用户搜索手表相关视频，展现的手表视频合集相较于普通的单个手表视频，具备更好地用户满足增益和优秀的用户体验。因此，如何将搜索库内的视频聚合成视频合集以在搜索库内补充大量的视频合集资源成为关键。

发明内容

本公开提供了一种视频聚合方法、装置、电子设备、计算机可读存储介质和计算机程序产品。

根据本公开的一方面，提供了一种视频聚合方法，包括：获取待聚合的多个视频；确定所述多个视频中的每个视频各自对应的视频信息，其中所述视频信息包括视频标题、图像以及描述文本中的至少一个，其中所述图像包括文字信息；对所述视频信息进行文字识别，以确定所述每个视频所对应的一个或多个视频标签；对于所述多个视频所对应的多个视频标签中的至少一个视频标签，分别确定所述至少一个视频标签中的每个视频标签各自对应的第一视频合集，其中，所述第一视频合集中的每个视频均对应于相应的视频标签；响应于确定至少两个第一视频合集中的视频内容相同，对所述至少两个第一视频合集进行去重操作；以及确定去重操作后剩余的一个或多个视频合集各自的合集标题。

根据本公开的另一方面，提供了一种视频聚合装置，包括：获取单元，配置为获取待聚合的多个视频；第一确定单元，配置为确定所述多个视频中的每个视频各自对应的视频信息，其中所述视频信息包括视频标题、图像以及描述文本中的至少一个，其中所述图像包括文字信息；第二确定单元，配置为对所述视频信息进行文字识别，以确定所述每个视频所对应的一个或多个视频标签；第三确定单元，配置为对于所述多个视频所对应的多个视频标签中的至少一个视频标签，分别确定所述至少一个视频标签中的每个视频标签各自对应的第一视频合集，其中，所述第一视频合集中的每个视频均对应于相应的视频标签；第一去重单元，配置为响应于确定至少两个第一视频合集中的视频内容相同，对所述至少两个第一视频合集进行去重操作；以及第四确定单元，配置为确定去重操作后剩余的一个或多个视频合集各自的合集标题。

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；以及与至少一个处理器通信连接的存储器；存储器存储有可被至少一个处理器执行的指令，该指令被至少一个处理器执行，以使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，该计算机指令用于使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，该计算机程序在被处理器执行时实现本公开所述的方法。

根据本公开的一个或多个实施例，可以生成大量的视频合集，在搜索库内补充大量的合集资源，在搜索场景下提高用户搜索的合集资源量及展现量，提升用户的搜索满足及消费步长。

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

附图示例性地示出了实施例并且构成说明书的一部分，与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的，并不限制权利要求的范围。在所有附图中，相同的附图标记指代类似但不一定相同的要素。

图1示出了根据本公开的实施例的可以在其中实施本文描述的各种方法的示例性系统的示意图；

图2示出了根据本公开的实施例的视频聚合方法的流程图；

图3示出了根据本公开的实施例的对视频信息进行文字识别以确定视频标签的流程图；

图4示出了根据本公开的实施例的确定最大公共子序列的流程图；

图5示出了根据本公开的实施例的神经网络模型的训练流程图；

图6示出了根据本公开的实施例的视频聚合装置的结构框图；以及

图7示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。

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。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。

在本公开中，除非另有说明，否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系，这种术语只是用于将一个元件与另一元件区分开。在一些示例中，第一要素和第二要素可以指向该要素的同一实例，而在某些情况下，基于上下文的描述，它们也可以指代不同实例。

在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的，而并非旨在进行限制。除非上下文另外明确地表明，如果不特意限定要素的数量，则该要素可以是一个也可以是多个。此外，本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。

下面将结合附图详细描述本公开的实施例。

图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性系统100的示意图。参考图1，该系统100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。

在本公开的实施例中，服务器120可以运行使得能够执行视频聚合方法的一个或多个服务或软件应用。

在某些实施例中，服务器120还可以提供其他服务或软件应用，这些服务或软件应用可以包括非虚拟环境和虚拟环境。在某些实施例中，这些服务可以作为基于web的服务或云服务提供，例如在软件即服务(SaaS)模型下提供给客户端设备101、102、103、104、105和/或106的用户。

在图1所示的配置中，服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解，各种不同的系统配置是可能的，其可以与系统100不同。因此，图1是用于实施本文所描述的各种方法的系统的一个示例，并且不旨在进行限制。

用户可以使用客户端设备101、102、103、104、105和/或106来上传视频或输入操作指令。客户端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口。客户端设备还可以经由该接口向用户输出信息。尽管图1仅描绘了六种客户端设备，但是本领域技术人员将能够理解，本公开可以支持任何数量的客户端设备。

客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备，例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、可穿戴设备、智能屏设备、自助服务终端设备、服务机器人、游戏系统、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作系统，例如MICROSOFT Windows、APPLE iOS、类UNIX操作系统、Linux或类Linux操作系统(例如GOOGLE Chrome OS)；或包括各种移动操作系统，例如MICROSOFT WindowsMobile OS、iOS、Windows Phone、Android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理(PDA)等。可穿戴设备可以包括头戴式显示器(诸如智能眼镜)和其他设备。游戏系统可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序，例如各种与Internet相关的应用程序、通信应用程序(例如电子邮件应用程序)、短消息服务(SMS)应用程序，并且可以使用各种通信协议。

网络110可以是本领域技术人员熟知的任何类型的网络，其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例，一个或多个网络110可以是局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、区块链网络、公共交换电话网(PSTN)、红外网络、无线网络(例如蓝牙、WIFI)和/或这些和/或其他网络的任意组合。

服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机，或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中，服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。

服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个，包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。

在一些实施方式中，服务器120可以包括一个或多个应用程序，以分析和合并从客户端设备101、102、103、104、105和106的用户接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序，以经由客户端设备101、102、103、104、105和106的一个或多个显示设备来显示数据馈送和/或实时事件。

在一些实施方式中，服务器120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。服务器120也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器是云计算服务体系中的一项主机产品，以解决传统物理主机与虚拟专用服务器(VPS，Virtual Private Server)服务中存在的管理难度大、业务扩展性弱的缺陷。

系统100还可以包括一个或多个数据库130。在某些实施例中，这些数据库可以用于存储数据和其他信息。例如，数据库130中的一个或多个可用于存储诸如音频文件和视频文件的信息。数据库130可以驻留在各种位置。例如，由服务器120使用的数据库可以在服务器120本地，或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据库130可以是不同的类型。在某些实施例中，由服务器120使用的数据库例如可以是关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。

在某些实施例中，数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库，例如键值存储库，对象存储库或由文件系统支持的常规存储库。

图1的系统100可以以各种方式配置和操作，以使得能够应用根据本公开所描述的各种方法和装置。

视频合集是一种重要的产品形态，对用户体验具有明显增益，如用户搜索手表，展现的手表合集相较于普通的单个手表视频，具备很好的满足增益及优秀的用户体验。通常视频发布平台具备自己的内容生态，依靠在作者端用户发布视频时，进行引导，并在分发时对合集资源给予较高权重，培养用户发布合集类资源的习惯，以此来提升合集量。而对于其大部分是视频资源都是来自外站的视频平台，无法通过作者端引导的方式进行视频聚合。因此亟须一种视频合集生成算法，将搜索库内的视频聚合成合集，以在搜索库内补充大量的合集资源，在搜索场景下提高用户搜索的合集资源量及展现量，提升用户的搜索满足及消费步长。

因此，根据本公开的实施例提供了一种视频聚合方法。图2示出了根据本公开的实施例的视频聚合方法200的流程图。该方法200可以在图1中的任一客户端设备101、102、103、104、105和106处执行，也即，方法200的各个步骤的执行主体可以是图1中的任一客户端设备101、102、103、104、105和106。在一些实施例中，方法200也可以在服务器120处执行。在一些实施例中，方法200可以由客户端设备(例如，任一客户端设备101、102、103、104、105和106)和服务器(例如，服务器120)相组合地执行。示例性地，下文以用于视频聚合的服务器作为执行主体，说明本申请实施例的视频聚合方法的具体实现过程。其它设备执行的具体实施过程与服务器单独执行的过程类似，本文中不再赘述。

图2示出了根据本公开实施例的视频聚合方法的流程图，如图2所示，方法200包括：获取待聚合的多个视频(步骤210)；确定所述多个视频中的每个视频各自对应的视频信息，所述视频信息包括视频标题、图像以及描述文本中的至少一个，其中所述图像包括文字信息(步骤220)；对所述视频信息进行文字识别，以确定所述每个视频所对应的一个或多个视频标签(步骤230)；对于所述多个视频所对应的多个视频标签中的至少一个视频标签，分别确定该至少一个视频标签中的每个视频标签各自对应的第一视频合集，其中，第一视频合集中的每个视频均对应于相应的视频标签(步骤240)；响应于确定至少两个第一视频合集中的视频内容相同，对所述至少两个第一视频合集进行去重操作(步骤250)；以及确定去重操作后剩余的一个或多个视频合集各自的合集标题(步骤260)。

根据本公开的实施例，可以生成大量的视频合集，在搜索库内补充大量的合集资源，在搜索场景下提高用户搜索的合集资源量及展现量，提升用户的搜索满足及消费步长。

在步骤210中，获取待聚合的多个视频。

根据一些实施例，获取待聚合的多个视频可以包括：在预设平台抓取多个视频，以所形成第二视频合集；以及对所述第二视频合集中的视频按作者进行归类，以将同一作者所对应的多个视频作为所述待聚合的多个视频。

根据一些实施例，在对所述第二视频合集中的视频按作者进行归类之前，还包括：基于视频的链接地址对所述第二视频合集中的视频进行去重操作。

在一些示例中，搜索平台的视频库可能主要通过爬虫抓取而来，在抓取过程中，很多站点由于要适配不同的端(例如移动端、电脑端等)，同一内容会出现在多个子站点里，如v.youku、m.youku等。另外，个别作者也可能存在一文多发的情况，会将同一视频内容发布两次，因此需要将在预设平台抓取的视频(例如视频库中的视频)进行预处理，以清洗噪音数据。

具体地，首先可以将所获取的所有视频按照作者进行归类，将库内每一个作者的所有视频内容放置到一个集合里，然后进行去重操作。以作者为粒度进行聚合，从而防止将不同作者发布的相同题材的视频聚合到一个合集中。

示例地，针对多端适配的情况，通过对链路地址URL进行拆分，得到站点、路径等信息，相同路径的只保留一个。例如，通过对链路地址URL进行拆分，以获得其中的视频ID信息，同一站点的相同视频内容具有相同的视频ID，因此可以基于所提取的视频ID信息进行去重操作。在去重操作之后，可以得到每个作者所对应的视频合集，{author_id:video_set)。

在步骤220中，确定所述多个视频中的每个视频各自对应的视频信息，其中所述视频信息包括视频标题、图像以及描述文本中的至少一个，其中所述图像包括文字信息。

在一些示例中，该图像可以为所述视频的封面图像，或者也可以为对所述视频进行分帧所获得的相应图片帧；或者，该图像可以包括封面图像以及对所述视频进行分帧所获得的相应图片帧的组合，在此不作限制。

在一些示例中，该描述文本可以为除视频标题外的与该视频相对应的描述文本。附加地或替换地，基于视频中的语音信息所确定的文本也可以作为该描述文本。例如，提取视频中的语音信息，并使用自动语音识别(ASR)技术将抽取的语音转化为文本信息。

在步骤230中，对所述视频信息进行文字识别，以确定所述每个视频所对应的一个或多个视频标签。

根据一些实施例，如图3所示，对所述视频信息进行文字识别以确定所述每个视频所对应的一个或多个视频标签(步骤230)包括以下至少一个步骤：识别所述每个视频对应的文本信息中的关键字，以获得所述一个或多个视频标签(步骤310)；识别所述每个视频对应的文本信息中的预设字符，以基于所述预设字符获得所述一个或多个视频标签，所述预设字符包括以下项中的至少一项：括号、冒号、空格、问号(步骤320)；以及识别所述每个视频对应的文本信息中文本的字体大小，以基于所述字体大小获得所述一个或多个视频标签(步骤330)。

一般而言，用户发表视频时为了提升吸睛力，在标题或者封面图中会存在表示该视频的核心关键字，因此对用户发表的视频标题、封面图等视频信息中，抽取关键字作为该视频的标签。

在一些示例中，对获取的视频按帧提取图片，例如每秒提取一帧，通过诸如光学字符识别(OCR)的技术对提取的视频图片中的文字进行识别。对识别出的文字，可以使用关键词提取算法进行关键词抽取，关键词是指能反映文本主题或者主要内容的词语。可以用于关键词抽取的算法包括但不限于：TF-IDF关键词抽取方法、Topic-model关键词抽取方法和RAKE关键词抽取方法、TextRank算法、LDA算法、TPR算法、命名实体识别(Named EntityRecognition，NER)算法等。

在一些示例中，可以对文本信息进行分词处理；将经分词处理的词输入经训练的词粘度模型，以获得每一个所述词能与其后一个词连在一起的概率；以及筛选所述概率大于阈值概率的词，以将所述词组成关键短语，作为识别结果。

关键短语是指语句中的典型的、有代表性的短语，能够表达该语句的关键内容。一般关键短语包含多个词，例如“百度国际大厦”一般可构成一个关键短语，其包含“百度”、“国际”以及“大厦”三个词。在一些示例中，也可以对视频按帧提取的图片中的文字、视频语音中的文字、视频标题、视频描述语以及视频评论等等各部分的文字自定义进行关键词识别和/或关键短语识别，包括多个部分识别出的文字一同进行识别、各个部分的文字各自进行识别等，在此不作限制。

通过经训练的词粘度模型，可快速判断前后两个词能够连在一起的概率，进而快速地根据该概率获得相应的关键短语，识别率较高。

在一些示例中，该视频的核心关键字可基于预设字符确定，例如，各种括号内；冒号、空格、问号等标点符号前。此外，视频关键字也可能用较大的字体进行展示，因此，在一些示例中，可以对文本信息中文本的字体大小进行排序，以将最大字体所对应的文本作为视频标签。

对当前作者下的每条视频按照上述方式提取视频标签，即可得到多种粒度的视频标签。例如对标题为“【XX观影】11分钟速看网剧《AA》1-4”的视频，可提取出不同粒度的视频标签【XX观影】和【AA】，最终获得每个视频所对应的一个或多个视频标签，即标签集合{author_id:video_set,tag_set)。

在步骤240中，对于所述多个视频所对应的多个视频标签中的至少一个视频标签，分别确定该至少一个视频标签中的每个视频标签各自对应的第一视频合集，其中，第一视频合集中的每个视频均对应于相应的视频标签。

具体地，在一些示例中，可以对当前作者author_id下的所有视频标签进行遍历，以针对每一个视频标签tag_set，如果某一条视频包含该视频标签，则将其聚合到该视频标签对应的第一视频合集video_tag内，即得到{author_id:video_set,tag_set,video_tag)。

根据一些实施例，根据本公开的方法还可以包括：对于所述一个或多个视频合集中的至少一个视频合集，基于预设视频标签对该视频合集中的视频进行细粒度划分，以在该视频合集中形成与所述预设视频标签相对应的子视频合集。

示例地，对基于每一个标签聚合而成的视频合集video_tag，如影视动漫合集中，会将某一IP的预告、花絮、主题曲、片尾曲、采访等放在一起，即该预设视频标签可以为的预告、花絮、主题曲、片尾曲、采访等，从而将细粒度划分的子视频合集继续追加到第一视频合集video_tag内。

在步骤250中，响应于确定至少两个第一视频合集中的视频内容相同，对所述至少两个第一视频合集进行去重操作。

由于某一作者下，根据不同视频标签聚合的合集可能内容完全一样，因此希望进行去重操作。具体地，可以对当前作者author_id下的所有第一视频合集进行遍历，对每个第一视频合集内视频所对应的链路地址(如URL)进行排序(例如按字母进行排序)后拼接，如果拼接后的链路地址一模一样，则相对应第一视频合集中的视频内容相同，则保留其中一个第一视频合集。

在一些示例中，将进行去重操作的至少两个第一视频合集所对应的视频标签进行合并，例如通过预设连接字符合并，如“-”、“/”等。例如，基于视频标签【AA】和视频标签【BB】所确定的视频合集中的视频完全相同，则可以将该两个视频标签对应的视频合集只保留一个，并将该保留的视频合集所对应的标签修改为【AA-BB】。

在步骤260中，确定去重操作后剩余的一个或多个视频合集各自的合集标题。

合集标题可以用于表示该视频合集内的视频内容，传统的，可以直接将该视频合集所对应的视频标签直接作为该视频合集的合集标题。

进一步地，为了能获得更贴切该视频合集内的视频内容的标题，根据一些实施例，确定去重操作后剩余的一个或多个视频合集各自的合集标题包括：对于剩余的一个或多个视频合集中的每一个视频合集，确定该视频合集内所有视频对应的视频标题的最大公共子序列，以基于所述最大公共子序列确定该视频合集的合集标题。

最大公共子序列，即最长公共子序列(Longest Common Subsequence，LCS)是一个在一个序列集合中(通常为两个序列)用来查找所有序列中最长子序列的问题。一个数列，如果分别是两个或多个已知数列的子序列，且是所有符合此条件序列中最长的，则称为已知序列的最长公共子序列。

当视频合集内的视频数量、视频标题字符较多时，需要基于所有字符串一起来计算最大公共子序列，所需要的计算成本较多。因此，根据一些实施例，如图4所示，确定该视频合集内所有视频对应的视频标题的最大公共子序列包括：在该视频合集内随机抽取N个视频对，其中N为正整数(步骤410)；对于所述N个视频对中的每一个视频对，确定该视频对中的两个视频所对应视频标题的最大公共子序列(步骤420)；以及确定所述N个视频对中出现次数最多的最大公共子序列，作为该视频合集内所有视频对应的视频标题的最大公共子序列(步骤430)。

具体地，在一些示例中，可以随机N个(例如N为5)视频对，计算每一个视频对中的两个视频所对应视频标题的最大公共子序列。在确定该N个视频对所对应的的最大公共子序后，投票选出出现次数最多的最大公共子序列，以基于该出现次数最多的最大公共子序列确定该视频合集的合集标题。例如，可以将最大公共子序列拼接在视频合集标签之后，如通过预设连接字符进行拼接。

根据一些实施例，确定去重操作后剩余的一个或多个视频合集各自的合集标题包括：基于经训练的神经网络模型确定所述合集标题。在一些实施例中，如图5所示，该神经网络模型可以基于以下方法(500)训练得到：获取样本视频所对应的视频标题(步骤510)；对所述样本视频所对应的视频标题进行掩码操作，以屏蔽相应文本信息(步骤520)；将掩码操作后的所述视频标题输入神经网络模型进行预训练，以获得预训练后的神经网络模型，其中，在预训练过程中，所述神经网络模型用于预测所输入的视频标题中所屏蔽的文本信息(步骤530)；获取样本视频合集中的一个或多个视频对应的视频标题、以及所述样本视频合集对应的合集标题(步骤540)；将所述样本视频合集中的一个或多个视频对应的视频标题进行拼接(步骤550)；将所述拼接后的所述视频标题输入所述预训练后的神经网络模型，以获得预测得到的合集标题(步骤560)；以及基于所述预测得到的合集标题以及所述样本视频合集对应的合集标题对所述预训练后的神经网络模型的参数进行调节，以获得所述经训练的神经网络模型(步骤570)。

在该实施例中，通过预训练+下游微调的方式，来训练用于合集标题生成的神经网络模型。在一些示例中，可以选取经典的GPT系列或ERNIE系列网络结构作为该神经网络模型的主干网络。

由于训练任务为合集视频标题预测任务，因此可以用视频标题数据做大规模无监督预训练。例如，可以挖掘视频标题数据10亿条，进行自监督训练。具体地，在预训练过程中，对所述样本视频所对应的视频标题进行掩码操作，以使得神经网络模型预测所输入的视频标题中所屏蔽的文本信息。在基于领域数据进行预训练后，对预训练后的神经网络网络进行下游微调。在下游微调过程中，可以抓取已有的作者所发布的视频合集以及该视频合集的合集标题作为标签数据，抓取的视频合集内的每个视频的标题作为输入。具体地，将所抓取的视频合集内的一个或多个视频对应的视频标题进行拼接，如将视频标题通过sep参数指定特殊字符作为分隔符号进行拼接。针对每一个视频合集，将拼接后的视频标题输入预训练后的神经网络模型，以获得预测得到的合集标题。

根据本公开的实施例，如图6所示，还提供了一种视频聚合装置600，包括：获取单元610，配置为获取待聚合的多个视频；第一确定单元620，配置为确定所述多个视频中的每个视频各自对应的视频信息，其中所述视频信息包括视频标题、图像以及描述文本中的至少一个，其中所述图像包括文字信息；第二确定单元630，配置为对所述视频信息进行文字识别，以确定所述每个视频所对应的一个或多个视频标签；第三确定单元640，配置为对于所述多个视频所对应的多个视频标签中的至少一个视频标签，分别确定所述至少一个视频标签中的每个视频标签各自对应的第一视频合集，其中，所述第一视频合集中的每个视频均对应于相应的视频标签；第一去重单元650，配置为响应于确定至少两个第一视频合集中的视频内容相同，对所述至少两个第一视频合集进行去重操作；以及第四确定单元660，配置为确定去重操作后剩余的一个或多个视频合集各自的合集标题。

这里，视频聚合装置600的上述各单元610～660的操作分别与前面描述的步骤210～260的操作类似，在此不再赘述。

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，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。

参考图7，现将描述可以作为本公开的服务器或客户端的电子设备700的结构框图，其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备，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，电子设备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RAM703中，还可存储电子设备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。

电子设备700中的多个部件连接至I/O接口705，包括：输入单元706、输出单元707、存储单元708以及通信单元709。输入单元706可以是能向电子设备700输入信息的任何类型的设备，输入单元706可以接收输入的数字或字符信息，以及产生与电子设备的用户设置和/或功能控制有关的键信号输入，并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元707可以是能呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元708可以包括但不限于磁盘、光盘。通信单元709允许电子设备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，并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组，例如蓝牙设备、802.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。

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，例如方法200。例如，在一些实施例中，方法200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/或安装到电子设备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方法200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)而被配置为执行方法200。

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)、互联网和区块链网络。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，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，本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行，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。

虽然已经参照附图描述了本公开的实施例或示例，但应理解，上述的方法、系统和设备仅仅是示例性的实施例或示例，本发明的范围并不由这些实施例或示例限制，而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外，可以通过不同于本公开中描述的次序来执行各步骤。进一步地，可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进，在此描述的很多要素可以由本公开之后出现的等同要素进行替换。

Claims (19)

1.一种视频聚合方法，包括：

获取待聚合的多个视频；

确定所述多个视频中的每个视频各自对应的视频信息，其中所述视频信息包括视频标题、图像以及描述文本中的至少一个，其中所述图像包括文字信息；

对所述视频信息进行文字识别，以确定所述每个视频所对应的一个或多个视频标签；

对于所述多个视频所对应的多个视频标签中的至少一个视频标签，分别确定所述至少一个视频标签中的每个视频标签各自对应的第一视频合集，其中，所述第一视频合集中的每个视频均对应于相应的视频标签；

响应于确定至少两个第一视频合集中的视频内容相同，对所述至少两个第一视频合集进行去重操作；以及

确定去重操作后剩余的一个或多个视频合集各自的合集标题。

2.如权利要求1所述的方法，其中，获取待聚合的多个视频包括：

在预设平台抓取多个视频，以所形成第二视频合集；以及

对所述第二视频合集中的视频按作者进行归类，以将同一作者所对应的多个视频作为所述待聚合的多个视频。

3.如权利要求2所述的方法，其中，在对所述第二视频合集中的视频按作者进行归类之前，还包括：基于视频的链接地址对所述第二视频合集中的视频进行去重操作。

4.如权利要求1所述的方法，其中，对所述视频信息进行文字识别以确定所述每个视频所对应的一个或多个视频标签包括以下项中的至少一项：

识别所述每个视频对应的文本信息中的关键字，以获得所述一个或多个视频标签；

识别所述每个视频对应的文本信息中的预设字符，以基于所述预设字符获得所述一个或多个视频标签，所述预设字符包括以下项中的至少一项：括号、冒号、空格、问号；以及

识别所述每个视频对应的文本信息中文本的字体大小，以基于所述字体大小获得所述一个或多个视频标签。

5.如权利要求1所述的方法，还包括：

对于所述一个或多个视频合集中的至少一个视频合集，基于预设视频标签对该视频合集中的视频进行细粒度划分，以在该视频合集中形成与所述预设视频标签相对应的子视频合集。

6.如权利要求1或5所述的方法，其中，确定去重操作后剩余的一个或多个视频合集各自的合集标题包括：对于剩余的一个或多个视频合集中的每一个视频合集，确定该视频合集内所有视频对应的视频标题的最大公共子序列，以基于所述最大公共子序列确定该视频合集的合集标题。

7.如权利要求6所述的方法，其中，确定该视频合集内所有视频对应的视频标题的最大公共子序列包括：

在该视频合集内随机抽取N个视频对，其中N为正整数；

对于所述N个视频对中的每一个视频对，确定该视频对中的两个视频所对应视频标题的最大公共子序列；以及

确定所述N个视频对中出现次数最多的最大公共子序列，作为该视频合集内所有视频对应的视频标题的最大公共子序列。

8.如权利要求1或5所述的方法，其中，确定去重操作后剩余的一个或多个视频合集各自的合集标题包括：基于经训练的神经网络模型确定所述合集标题，其中所述神经网络模型基于以下操作训练得到：

获取样本视频所对应的视频标题；

对所述样本视频所对应的视频标题进行掩码操作，以屏蔽相应文本信息；

将掩码操作后的所述视频标题输入神经网络模型进行预训练，以获得预训练后的神经网络模型，其中，在预训练过程中，所述神经网络模型用于预测所输入的视频标题中所屏蔽的文本信息；

获取样本视频合集中的一个或多个视频对应的视频标题、以及所述样本视频合集对应的合集标题；

将所述样本视频合集中的一个或多个视频对应的视频标题进行拼接；

将所述拼接后的所述视频标题输入所述预训练后的神经网络模型，以获得预测得到的合集标题；以及

基于所述预测得到的合集标题以及所述样本视频合集对应的合集标题对所述预训练后的神经网络模型的参数进行调节，以获得所述经训练的神经网络模型。

9.一种视频聚合装置，包括：

获取单元，配置为获取待聚合的多个视频；

第一确定单元，配置为确定所述多个视频中的每个视频各自对应的视频信息，其中所述视频信息包括视频标题、图像以及描述文本中的至少一个，其中所述图像包括文字信息；

第二确定单元，配置为对所述视频信息进行文字识别，以确定所述每个视频所对应的一个或多个视频标签；

第三确定单元，配置为对于所述多个视频所对应的多个视频标签中的至少一个视频标签，分别确定所述至少一个视频标签中的每个视频标签各自对应的第一视频合集，其中，所述第一视频合集中的每个视频均对应于相应的视频标签；

第一去重单元，配置为响应于确定至少两个第一视频合集中的视频内容相同，对所述至少两个第一视频合集进行去重操作；以及

第四确定单元，配置为确定去重操作后剩余的一个或多个视频合集各自的合集标题。

10.如权利要求9所述的装置，其中，所述获取单元包括：

用于在预设平台抓取多个视频以所形成第二视频合集的单元；以及

用于对所述第二视频合集中的视频按作者进行归类、以将同一作者所对应的多个视频作为所述待聚合的多个视频的单元。

11.如权利要求10所述的装置，其中，在对所述第二视频合集中的视频按作者进行归类之前，还包括：第二去重单元，配置为基于视频的链接地址对所述第二视频合集中的视频进行去重操作。

12.如权利要求9所述的装置，其中，所述第二确定单元包括以下项中的至少一项：

用于识别所述每个视频对应的文本信息中的关键字、以获得所述一个或多个视频标签的单元；

用于识别所述每个视频对应的文本信息中的预设字符、以基于所述预设字符获得所述一个或多个视频标签的单元，所述预设字符包括以下项中的至少一项：括号、冒号、空格、问号；以及

用于识别所述每个视频对应的文本信息中文本的字体大小、以基于所述字体大小获得所述一个或多个视频标签的单元。

13.如权利要求9所述的装置，还包括：

分类单元，配置为对于所述一个或多个视频合集中的至少一个视频合集，基于预设视频标签对该视频合集中的视频进行细粒度划分，以在该视频合集中形成与所述预设视频标签相对应的子视频合集。

14.如权利要求9或13所述的装置，其中，所述第四确定单元包括：

确定子单元，配置为对于剩余的一个或多个视频合集中的每一个视频合集，确定该视频合集内所有视频对应的视频标题的最大公共子序列，以基于所述最大公共子序列确定该视频合集的合集标题。

15.如权利要求14所述的装置，其中，所述确定子单元包括：

用于在该视频合集内随机抽取N个视频对的单元，其中N为正整数；

用于对于所述N个视频对中的每一个视频对、确定该视频对中的两个视频所对应视频标题的最大公共子序列的单元；以及

用于确定所述N个视频对中出现次数最多的最大公共子序列、作为该视频合集内所有视频对应的视频标题的最大公共子序列的单元。

16.如权利要求9或14所述的装置，其中，所述第四确定单元包括：

用于基于经训练的神经网络模型确定所述合集标题的单元，其中，所述神经网络模型基于以下操作训练得到：

获取样本视频所对应的视频标题；

对所述样本视频所对应的视频标题进行掩码操作，以屏蔽相应文本信息；

将掩码操作后的所述视频标题输入神经网络模型进行预训练，以获得预训练后的神经网络模型，其中，在预训练过程中，所述神经网络模型用于预测所输入的视频标题中所屏蔽的文本信息；

获取样本视频合集中的一个或多个视频对应的视频标题、以及所述样本视频合集对应的合集标题；

将所述样本视频合集中的一个或多个视频对应的视频标题进行拼接；

将所述拼接后的所述视频标题输入所述预训练后的神经网络模型，以获得预测得到的合集标题；以及

基于所述预测得到的合集标题以及所述样本视频合集对应的合集标题对所述预训练后的神经网络模型的参数进行调节，以获得所述经训练的神经网络模型。

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1-8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1-8中任一项所述的方法。

19.一种计算机程序产品，包括计算机程序，其中，所述计算机程序在被处理器执行时实现权利要求1-8中任一项所述的方法。

Images