CN116630840B - 分类信息生成方法、装置、电子设备和计算机可读介质 - Google Patents

Abstract

本公开的实施例公开了分类信息生成方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括：确定业务记录视频集合中的每个业务视频包括的音频数据和视频数据，得到音频数据集合和视频数据集合；将音频数据集合、视频数据集合和业务单文本数据集合分别输入视频音频特征提取模型、视频特征提取模型和文本特征提取模型，得到音频特征向量集合、视频特征向量集合和文本特征向量集合；根据视频特征向量集合、音频特征向量集合和文本特征向量集合，生成特征融合向量集合；根据特征融合向量集合和特征分类模型，生成每个特征融合向量对应的业务情景分类信息。该实施方式降低了生成分类信息的耗时，提升了生成分类信息的效率和准确性。

Description

分类信息生成方法、装置、电子设备和计算机可读介质

技术领域

本公开的实施例涉及计算机技术领域，具体涉及分类信息生成方法、装置、电子设备和计算机可读介质。

背景技术

在对业务人员进行业务情景分类时，主要是通过人工对业务记录视频进行抽查，或通过音频、视频或者业务单进行单一模态的数据识别，从而生成音频、视频或业务单对应的分类信息。

然而，发明人发现，当采用上述方式生成分类信息时，经常会存在如下技术问题：

第一，人工对业务记录仪视频进行抽查，导致检查不全面、效率较低、耗时较长。由于环境复杂，噪声较大，业务记录仪在执行业务过程中镜头晃动、画面不完整，业务单可提供的信息有限，使得单一模态的数据识别方法准确率较低，导致生成的分类信息准确性较低。

第二，不能找到业务单与业务记录视频之间的对应关系，导致不能综合利用业务单和业务记录视频生成业务分类信息，导致生成的分类信息准确性较低。

该背景技术部分中所公开的以上信息仅用于增强对本发明构思的背景的理解，并因此，其可包含并不形成本国的本领域普通技术人员已知的现有技术的信息。

发明内容

本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

本公开的一些实施例提出了分类信息生成方法、装置、电子设备和计算机可读介质，来解决以上背景技术部分提到的技术问题中的一项或多项。

第一方面，本公开的一些实施例提供了一种分类信息生成方法，该方法包括：获取业务记录视频集合和业务单文本数据集合；确定上述业务记录视频集合中的每个业务视频包括的音频数据和视频数据，得到音频数据集合和视频数据集合；将上述视频数据集合中的每个视频数据输入至视频特征提取模型，得到各个视频特征向量作为视频特征向量集合；将上述音频数据集合中的每个音频数据输入至音频特征提取模型，得到各个音频特征向量作为音频特征向量集合；将上述业务单文本数据集合中的每个业务单文本数据输入至文本特征提取模型，得到各个文本特征向量作为文本特征向量集合；根据上述视频特征向量集合、上述音频特征向量集合和上述文本特征向量集合，生成特征融合向量集合；根据上述特征融合向量集合和特征分类模型，生成上述特征融合向量集合中的每个特征融合向量对应的业务情景分类信息。

第二方面，本公开的一些实施例提供了一种分类信息生成装置，装置包括：获取单元，被配置成获取业务记录视频集合和业务单文本数据集合；确定单元，被配置成确定上述业务记录视频集合中的每个业务视频包括的音频数据和视频数据，得到音频数据集合和视频数据集合；第一输入单元，被配置成将上述视频数据集合中的每个视频数据输入至视频特征提取模型，得到各个视频特征向量作为视频特征向量集合；第二输入单元，被配置成将上述音频数据集合中的每个音频数据输入至音频特征提取模型，得到各个音频特征向量作为音频特征向量集合；第三输入单元，被配置成将上述业务单文本数据集合中的每个业务单文本数据输入至文本特征提取模型，得到各个文本特征向量作为文本特征向量集合；第一生成单元，被配置成根据上述视频特征向量集合、上述音频特征向量集合和上述文本特征向量集合，生成特征融合向量集合；第二生成单元，被配置成根据上述特征融合向量集合和特征分类模型，生成上述特征融合向量集合中的每个特征融合向量对应的业务情景分类信息。

第三方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。

第四方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，计算机程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。

本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的分类信息生成方法，提升了生成分类信息的效率和准确性，减少了生成分类信息的耗时。具体来说，造成分类信息生成的效率和准确性较低、耗时较长的原因在于：人工对业务记录仪视频进行抽查，导致检查不全面、效率较低、耗时较长。由于环境复杂，噪声较大，业务记录仪在执行业务过程中镜头晃动、画面不完整，业务单可提供的信息有限，使得单一模态的数据识别方法准确率较低，导致生成的分类信息准确性较低。基于此，本公开的一些实施例的分类信息生成方法，首先，获取业务记录视频集合和业务单文本数据集合。由此，可以得到业务执行过程中记录的视频集合和业务单文本数据集合。然后，确定上述业务记录视频集合中的每个业务视频包括的音频数据和视频数据，得到音频数据集合和视频数据集合。由此，可以得到拆分后的各个业务视频对应的各个音频数据和各个视频数据。接着，将上述视频数据集合中的每个视频数据输入至视频特征提取模型，得到各个视频特征向量作为视频特征向量集合。由此，可以通过上述视频特征提取模型得到各个视频数据对应的特征向量。之后，将上述音频数据集合中的每个音频数据输入至音频特征提取模型，得到各个音频特征向量作为音频特征向量集合。由此，可以通过上述音频特征提取模型得到各个音频数据对应的特征向量。接着，将上述业务单文本数据集合中的每个业务单文本数据输入至文本特征提取模型，得到各个文本特征向量作为文本特征向量集合。由此，可以通过文本特征提取模型得到各个业务单文本数据对应的特征向量。之后，根据上述视频特征向量集合、上述音频特征向量集合和上述文本特征向量集合，生成特征融合向量集合。由此，可以得到各个特征融合向量。最后，根据上述特征融合向量集合和特征分类模型，生成上述特征融合向量集合中的每个特征融合向量对应的业务情景分类信息。由此，可以得到各个特征融合向量对应的业务情景分类信息。也因为实现的分类信息生成方法，能够融合执行业务过程中的音频数据、视频数据和业务单文本数据，生成特征融合向量，通过特征融合向量生成分类信息。避免了人工的抽查，融合了多模态的数据，从而降低了生成分类信息的耗时，提升了生成分类信息的效率和准确性。

附图说明

结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。

图1是根据本公开的分类信息生成方法的一些实施例的流程图；

图2是根据本公开的分类信息生成装置的一些实施例的结构示意图；

图3是适于用来实现本公开的一些实施例的电子设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。

需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

下面将参考附图并结合实施例来详细说明本公开。

图1示出了根据本公开的分类信息生成方法的一些实施例的流程100。该分类信息生成方法，包括以下步骤：

步骤101，获取业务记录视频集合和业务单文本数据集合。

在一些实施例中，分类信息生成方法的执行主体（例如计算设备）可以获取业务记录视频集合和业务单文本数据集合。其中，上述业务记录视频集合可以是办理各个业务（例如：执法）时记录的视频组成的视频集合。上述业务记录视频集合中的每个业务记录视频对应有编号。上述业务文本数据集合可以是各个业务文本数据组成的集合。上述业务记录文本数据可以是从业务办理的过程中开具的单据中提取出的文本数据（其中，以交通执法作为示例，执法单据记录的信息包括但不限于：违法行为描述、处罚决定、执法人员信息、执法人员签字）。实践中，上述执行主体可以从摄像机中获取上述业务记录视频集合。可以从存储设备上获取上述业务单文本数据集合。上述存储设备可以是硬盘或U盘。

步骤102，确定业务记录视频集合中的每个业务视频包括的音频数据和视频数据，得到音频数据集合和视频数据集合。

在一些实施例中，上述执行主体可以确定上述业务记录视频集合中的每个业务视频包括的音频数据和视频数据，得到音频数据集合和视频数据集合。其中，上述音频数据集合可以是从上述业务记录视频集合中的各个业务视频中分离出的各个音频数据组成的集合。上述视频数据集合可以是从上述业务记录视频集合中的各个业务视频中分离出的不包含音频的各个视频数据组成的集合。实践中，上述执行主体可以通过各种音视频提取工具（例如：Premiere）提取上述业务记录视频集合中的每个业务视频包括的音频数据和视频数据，得到上述音频数据集合和上述视频数据集合。

步骤103，将视频数据集合中的每个视频数据输入至视频特征提取模型，得到各个视频特征向量作为视频特征向量集合。

在一些实施例中，上述执行主体可以将上述视频数据集合中的每个视频数据输入至视频特征提取模型，得到各个视频特征向量作为视频特征向量集合。其中，上述视频特征提取模型可以是预先训练的神经网络模型。上述神经网络模型可以是3D卷积神经网络。上述视频特征向量集合可以表征从上述视频数据集合中的各个视频数据提取出的特征向量的集合。实践中，上述执行主体可以通过各种方式，将上述视频数据集合中的每个视频数据输入至视频特征提取模型，得到各个视频特征向量作为视频特征向量集合。

在一些实施例的一些可选的实现方式中，上述执行主体可以执行以下步骤，将上述视频数据集合中的每个视频数据输入至视频特征提取模型，得到各个视频特征向量作为视频特征向量集合：

第一步，对于上述视频数据集合中的每个视频数据，执行以下步骤：

第一子步骤，对上述视频数据进行拆分处理，得到图像数据序列。其中，上述图像数据序列可以表征具有时序关系的各个图像数据组成的序列。上述各个图像数据可以是从上述视频数据中提取出的各帧图像。实践中，上述执行主体可以通过视频处理工具（例如：Premiere）对上述视频数据按帧进行拆分处理，得到图像数据序列。

第二子步骤，将上述图像数据序列和第一预设参数信息输入至上述视频特征提取模型的输入层进行特征工程处理，得到特征工程处理后的图像数据序列。其中，上述第一预设参数信息可以表征视频特征提取模型处理输入数据和输出数据所需的各个参数。上述第一预设参数信息可以包括卷积核个数、输入图片个数、通道数、输入向量的维度和输出向量的维度。

第三子步骤，将特征工程处理后的图像数据序列输入至上述视频特征提取模型的卷积层，得到上述视频数据对应的第一特征向量。其中，上述卷积层可以提取出上述图像数据序列的各个局部特征。上述第一特征向量可以是上述图像数据序列包含的各个局部特征的向量表示。

第四子步骤，将上述第一特征向量输入至上述视频特征提取模型的池化层，得到上述视频数据对应的第二特征向量。其中，上述池化层可以对上述卷积层输出的第一特征向量进行特征降维，保留重要特征。上述第二特征向量可以表征对上述第一特征向量进行特征降维后的特征向量。

第五子步骤，将上述第二特征向量输入至上述视频特征提取模型的全连接层，得到上述视频数据对应的第三特征向量。其中，上述全连接层可以对上述池化层输出的第二特征向量进行整合，得到全局特征。上述第三特征向量可以是上述图像数据序列全局特征的向量表示。

第二步，将所得到的各个视频数据对应的第三特征向量确定为视频特征向量集合。

步骤104，将音频数据集合中的每个音频数据输入至音频特征提取模型，得到各个音频特征向量作为音频特征向量集合。

在一些实施例中，上述执行主体可以将上述音频数据集合中的每个音频数据输入至音频特征提取模型，得到各个音频特征向量作为音频特征向量集合。其中，上述音频特征提取模型可以是预先训练的神经网络模型。上述神经网络模型可以是长短期记忆网络模型。实践中，首先，对于上述音频数据集合中的每个音频数据，上述执行主体可以执行以下操作：

第一步，对上述音频数据进行频谱特征提取，得到上述音频数据对应的频谱特征数据。其中，上述频谱特征数据可以表征对上述音频数据进行量化后的数据。实践中，上述执行主体可以通过各种音频分析工具（例如：librosa），对上述音频数据进行频谱特征提取，得到上述音频数据对应的频谱特征数据。

第二步，将上述频谱特征数据和第二预设参数信息输入至上述音频特征提取模型的输入层进行特征工程处理，得到特征工程处理后的频谱特征数据。其中，上述第二预设参数信息可以表征上述音频特征提取模型处理输入数据和输出数据所需的各个参数。上述第二预设参数信息可以包括输入向量的维度和输出向量的维度。上述特征工程处理可以包括向量化、归一化。

第三步，将特征工程处理后的频谱特征数据按时序输入至音频特征提取模型的特征抽取层，得到上述音频数据对应的音频特征向量。其中，上述特征抽取层可以抽取出频谱特征数据中包含的特征并用向量表示。

然后，将所得到的各个音频特征向量确定为音频特征向量集合。

步骤105，将业务单文本数据集合中的每个业务单文本数据输入至文本特征提取模型，得到各个文本特征向量作为文本特征向量集合。

在一些实施例中，上述执行主体可以将上述业务单文本数据集合中的每个业务单文本数据输入至文本特征提取模型，得到各个文本特征向量作为文本特征向量集合。其中，上述文本特征提取模型可以是通过深度学习模型训练得到的特征提取模型。上述深度学习模型可以是Bert。上述文本特征向量集合可以表征从上述业务单文本数据集合中的各个业务单文本数据中提取的特征向量的集合。实践中，上述执行主体可以通过各种方式，将上述业务单文本数据集合中的每个业务单文本数据输入至文本特征提取模型，得到各个文本特征向量作为文本特征向量集合。

在一些实施例的一些可选的实现方式中，上述执行主体可以通过以下步骤，将上述业务单文本数据集合中的每个业务单文本数据输入至文本特征提取模型，得到各个文本特征向量作为文本特征向量集合：

第一步，对于上述业务单文本数据集合中的每个业务单文本数据，执行以下步骤：

第一子步骤，将业务单文本数据和第三预设参数信息输入至上述文本特征提取模型的嵌入层，得到上述业务单文本数据对应的嵌入向量。其中，上述第三预设参数信息可以表征上述文本特征提取模型处理输入数据和输出数据所需的各个参数。上述第三预设参数信息可以包括输入向量的维度和输出向量的维度。上述嵌入层可以将上述业务文本数据转换成向量表示。上述嵌入向量可以是上述业务单文本数据的向量表示。

第二子步骤，将上述嵌入向量输入至上述文本特征提取模型的特征抽取层，得到融合上下文语义信息的特征向量。其中，上述特征抽取层可以对上述嵌入向量进行特征抽取。上述特征抽取层所用到的特征抽取器可以是transformer。

第二步，将所得到的各个融合上下文语义信息的特征向量确定为文本特征向量集合。

步骤106，根据视频特征向量集合、音频特征向量集合和文本特征向量集合，生成特征融合向量集合。

在一些实施例中，上述执行主体可以根据上述视频特征向量集合、上述音频特征向量集合和上述文本特征向量集合，生成特征融合向量集合。其中，上述特征融合向量集合可以表征各个融合了视频特征向量、音频特征向量和文本特征向量的向量的集合。实践中，上述执行主体可以通过各种方式，根据上述视频特征向量集合、上述音频特征向量集合和上述文本特征向量集合，生成特征融合向量集合。

在一些实施例的一些可选的实现方式中，上述执行主体可以通过以下步骤，根据上述视频特征向量集合、上述音频特征向量集合和上述文本特征向量集合，生成特征融合向量集合：

第一步，根据上述视频特征向量集合、上述音频特征向量集合和上述文本特征向量集合，生成特征向量组集合。其中，上述特征向量组集合中的特征向量组可以表征音频特征向量、音频特征向量对应的视频特征向量和音频特征向量对应的文本特征向量组成的向量组。上述特征向量组可以包括视频特征向量、音频特征向量和文本特征向量。

第二步，根据上述特征向量组集合，生成特征融合向量集合。实践中，上述执行主体可以通过加权求和的方式，根据上述特征向量组集合，生成特征融合向量集合。

在一些实施例的一些可选的实现方式中，上述执行主体可以通过以下生成步骤，根据上述视频特征向量集合、上述音频特征向量集合和上述文本特征向量集合，生成特征向量组集合：

第一生成步骤，根据上述视频特征向量集合和上述音频特征向量集合，生成音视频特征向量信息集合。其中，上述音视频特征向量信息集合中的音视频特征向量信息可以表征有对应关系的音频特征向量和视频特征向量组成的信息。上述音视频特征向量信息可以包括音频特征向量和音频特征向量对应的视频特征向量。实践中，上述执行主体可以通过视频特征向量对应的编号和音频特征向量对应的编号，将相同编号的视频特征向量和音频特征向量组成音视频特征向量信息。其中，上述视频特征向量对应的编号可以是上述视频特征向量对应的业务记录视频对应的编号。上述音频特征向量对应的编号可以是上述音频特征向量对应的业务记录视频对应的编号。

第二生成步骤，对于上述文本特征向量集合中的每个文本特征向量，执行以下步骤：

第一步，对于上述音视频特征向量信息集合中的每个音视频特征向量信息，执行以下步骤：

第一子步骤，将上述音频特征向量信息中的音频特征向量与上述文本特征向量的相似度确定为第一相似值。其中，上述第一相似值可以表征上述音频特征向量信息中的音频特征向量与上述文本特征向量之间的相似度。实践中，上述执行主体可以通过余弦相似度确定上述音频特征向量信息中的音频特征向量与上述文本特征向量的相似度。

第二子步骤，将上述音频特征向量信息中的视频特征向量与上述文本特征向量的相似度确定为第二相似值。其中，上述第二相似值可以表征上述音频特征向量信息中的视频特征向量与上述文本特征向量之间的相似度。实践中，上述执行主体可以通过余弦相似度确定上述音频特征向量信息中的视频特征向量与上述文本特征向量的相似度。

第三子步骤，根据上述第一相似值和上述第二相似值，生成上述音视频特征向量信息与上述文本特征向量之间的组合相似值。其中，上述组合相似值可以表征上述音视频特征向量信息包括的音频特征向量和视频特征向量与上述文本特征向量之间的相似度。实践中，上述执行主体可以将上述第一相似值和上述第二相似值的平均值确定为上述音视频特征向量信息与上述文本特征向量之间的组合相似值。

第二步，根据所得到的各个组合相似值，从上述音视频特征向量信息集合中选择满足预设相似值条件的音视频特征向量信息作为上述文本特征向量对应的音视频特征向量信息。其中，上述预设相似值条件可以是相似值最大。实践中，上述执行主体可以从上述音视频特征向量信息集合中选择与上述文本特征向量相似值最大的音视频特征向量信息，作为上述文本特征向量对应的音视频特征向量信息。

第三步，将上述文本特征向量、上述文本特征向量对应的音视频特征向量信息包括的音频特征向量和视频特征向量确定为特征向量组。

第三生成步骤，将所得到的各个特征向量组确定为特征向量组集合。

在一些实施例的一些可选的实现方式中，上述执行主体可以通过以下步骤，根据上述特征向量组集合，生成特征融合向量集合：

第一步，生成上述特征向量组集合中的每个特征向量组对应的特征融合向量。实践中，上述执行主体可以将每个特征向量组中的音频特征向量、视频特征向量和文本特征向量的加权和确定为上述特征向量组集合中的每个特征向量组对应的特征融合向量。上述音频特征向量、视频特征向量和文本特征向量对应的权重可以是0.5、0.3、0.2。

第二步，将所生成的各个特征融合向量确定为特征融合向量集合。

上述技术方案其相关内容作为本公开的实施例的一个发明点，解决了背景技术提及的技术问题二“不能找到业务单与业务记录视频之间的对应关系，导致不能综合利用业务单和业务记录视频生成业务分类信息，导致生成的分类信息准确性较低，从而导致对业务评价的准确性较低”。导致业务评价的准确性较低的因素往往如下：不能找到业务单与业务记录视频之间的对应关系，导致不能综合利用业务单和业务记录视频生成业务分类信息，导致生成的分类信息准确性较低。如果解决了上述因素，就能达到提升业务评价的准确性的效果。为了达到这一效果，本公开引入了通过计算各个文本特征向量和各个视频特征向量之间的相似度，来确定业务单文本数据与视频数据之间的对应关系。通过业务单文本数据与视频数据之间的对应关系，生成对应各个执法过程的文本特征向量、音频特征向量、视频特征向量的特征融合向量。从而能够提升分类信息生成的准确性，从而提升了业务评价的准确性。

步骤107，根据特征融合向量集合和特征分类模型，生成特征融合向量集合中的每个特征融合向量对应的业务情景分类信息。

在一些实施例中，上述执行主体可以根据上述特征融合向量集合和特征分类模型，生成上述特征融合向量集合中的每个特征融合向量对应的业务情景分类信息。其中，上述特征分类模型可以是表征特征融合向量跟业务情景分类信息之间关系的神经网络模型。例如，上述神经网络模型可以是前馈神经网络模型。上述业务情景分类信息可以表征在业务办理过程中对业务情景评价的信息。上述业务情景分类信息可以包括以下业务情景分类类别中的一个或多个：不文明用语、推搡动作、执勤怠工、语气差。实践中，上述执行主体可以对于上述特征融合向量集合中的每个特征融合向量，执行以下步骤：

第一步，将上述特征融合向量输入至上述特征分类模型，得到上述特征融合向量对应的分类标签。其中，上述特征分类模型可以整合上述特征融合向量包含的特征，并映射到分类标签上。

第二步，根据上述分类标签，确定上述分类标签对应的业务情景分类信息。其中，上述分类标签可以是预设数量个不同的数字中的一个或多个。上述预设数量可以是4。实践中，上述执行主体可以根据预设关系表，确定上述分类标签对应的业务情景分类信息。上述预设关系表可以表征分类标签与业务情景分类类别之间的对应关系。例如，上述预设关系表可以是：0：不文明用语，1：推搡动作，2：执勤怠工，3：语气差。

在一些实施例的一些可选的实现方式中，上述特征分类模型是通过以下步骤训练得到的：

第一步，获取样本集。其中，上述样本集中的样本包括样本特征融合向量和样本特征融合向量对应的样本业务情景分类信息。上述样本业务情景分类信息可以包括以下分类类别中的一个或多个：不文明用语、推搡动作、执勤怠工、语气差。

第二步，基于样本集，执行以下训练步骤：

第一训练步骤，将样本集中的至少一个样本的样本特征融合向量输入至初始神经网络，得到上述至少一个样本中的每个样本对应的业务情景分类预测信息。其中，上述初始神经网络可以是前馈神经网络。上述业务情景分类预测信息可以表征通过上述初始神经网络预测的业务情景分类信息。

第二训练步骤，根据上述至少一个样本中的各个样本对应的业务情景分类预测信息和样本业务情景分类信息，确定初始神经网络的损失值。实践中，上述执行主体可以通过损失函数确定上述神经网络模型的损失值。其中，上述损失函数可以是平方损失函数、对数损失函数和交叉熵损失函数。

第三训练步骤，响应于确定损失值小于预设损失阈值，将初始神经网络作为训练完成的特征分类模型。

可选地，训练得到上述特征分类模型的步骤还可以包括以下步骤：

响应于确定损失值大于等于上述预设损失阈值，调整初始神经网络的参数，以及使用未使用过的样本组成的样本集，使用调整后的初始神经网络作为初始神经网络，再次执行上述训练步骤。其中，调整初始神经网络的参数的方法可以是AdaGrad算法和动量法。

可选地，在步骤107后，上述执行主体可以对于上述特征融合向量集合中的每个特征融合向量对应的业务情景分类信息，执行以下步骤：

第一步，获取上述业务情景分类信息对应的业务用户（例如：执法民警）的用户信息。上述用户信息可以包括但不限于姓名、联系方式、性别、政治面貌、所属部门。实践中，上述执行主体可以从存储设备中获取上述业务情景分类信息对应的业务用户的用户信息。上述存储设备可以是移动硬盘。

第二步，控制相关联的打印设备将上述用户信息和上述业务情景分类信息打印至打印件。实践中，上述执行主体可以通过有线连接或无线连接的方式控制相关联的打印设备将上述用户信息和上述业务情景分类信息打印至打印件。其中，上述打印件可以是纸张。

第三步，控制相关联的机械臂将所打印的打印件放入对应上述业务用户的档案存储位置。实践中，上述执行主体可以通过无线连接方式远程控制相关联的机械臂将所打印的打印件放入对应上述业务用户的档案存储位置。由此，可以降低档案分拣的错误率，提升档案分拣的效率，避免档案的积压。

本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的分类信息生成方法，提升了生成分类信息的效率和准确性，减少了生成分类信息的耗时。具体来说，造成分类信息生成的效率和准确性较低、耗时较长的原因在于：人工对业务记录仪视频进行抽查，导致检查不全面、效率较低、耗时较长。由于环境复杂，噪声较大，业务记录仪在执行业务过程中镜头晃动、画面不完整，业务单可提供的信息有限，使得单一模态的数据识别方法准确率较低，导致生成的分类信息准确性较低。基于此，本公开的一些实施例的分类信息生成方法，首先，获取业务记录视频集合和业务单文本数据集合。由此，可以得到业务执行过程中记录的视频集合和业务单文本数据集合。然后，确定上述业务记录视频集合中的每个业务视频包括的音频数据和视频数据，得到音频数据集合和视频数据集合。由此，可以得到拆分后的各个业务视频对应的各个音频数据和各个视频数据。接着，将上述视频数据集合中的每个视频数据输入至视频特征提取模型，得到各个视频特征向量作为视频特征向量集合。由此，可以通过上述视频特征提取模型得到各个视频数据对应的特征向量。之后，将上述音频数据集合中的每个音频数据输入至音频特征提取模型，得到各个音频特征向量作为音频特征向量集合。由此，可以通过上述音频特征提取模型得到各个音频数据对应的特征向量。接着，将上述业务单文本数据集合中的每个业务单文本数据输入至文本特征提取模型，得到各个文本特征向量作为文本特征向量集合。由此，可以通过文本特征提取模型得到各个业务单文本数据对应的特征向量。之后，根据上述视频特征向量集合、上述音频特征向量集合和上述文本特征向量集合，生成特征融合向量集合。由此，可以得到各个特征融合向量。最后，根据上述特征融合向量集合和特征分类模型，生成上述特征融合向量集合中的每个特征融合向量对应的业务情景分类信息。由此，可以得到各个特征融合向量对应的业务情景分类信息。也因为实现的分类信息生成方法，能够融合执行业务过程中的音频数据、视频数据和业务单文本数据，生成特征融合向量，通过特征融合向量生成分类信息。避免了人工的抽查，融合了多模态的数据，从而降低了生成分类信息的耗时，提升了生成分类信息的效率和准确性。

进一步参考图2，作为对上述各图所示方法的实现，本公开提供了一种分类信息生成装置的一些实施例，这些装置实施例与图1所示的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图2所示，一些实施例的分类信息生成装置200包括：获取单元201、确定单元202、第一输入单元203、第二输入单元204、第三输入单元205、第一生成单元206和第二生成单元207。其中，获取单元201被配置成获取业务记录视频集合和业务单文本数据集合；确定单元202被配置成确定上述业务记录视频集合中的每个业务视频包括的音频数据和视频数据，得到音频数据集合和视频数据集合；第一输入单元203被配置成将上述视频数据集合中的每个视频数据输入至视频特征提取模型，得到各个视频特征向量作为视频特征向量集合；第二输入单元204被配置成将上述音频数据集合中的每个音频数据输入至音频特征提取模型，得到各个音频特征向量作为音频特征向量集合；第三输入单元205被配置成将上述业务单文本数据集合中的每个业务单文本数据输入至文本特征提取模型，得到各个文本特征向量作为文本特征向量集合；第一生成单元206被配置成根据上述视频特征向量集合、上述音频特征向量集合和上述文本特征向量集合，生成特征融合向量集合；第二生成单元207被配置成根据上述特征融合向量集合和特征分类模型，生成上述特征融合向量集合中的每个特征融合向量对应的业务情景分类信息。

可以理解的是，分类信息生成装置200中记载的诸单元与参考图1描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置200及其中包含的单元，在此不再赘述。

下面参考图3，其示出了适于用来实现本公开的一些实施例的电子设备（例如计算设备）300的结构示意图。图3示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。

如图3所示，电子设备300可以包括处理装置（例如中央处理器、图形处理器等）301，其可以根据存储在只读存储器（ROM）302中的程序或者从存储装置308加载到随机访问存储器（RAM）303中的程序而执行各种适当的动作和处理。在RAM 303中，还存储有电子设备300操作所需的各种程序和数据。处理装置301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出（I/O）接口305也连接至总线304。

通常，以下装置可以连接至I/O接口305：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置306；包括例如液晶显示器（LCD）、扬声器、振动器等的输出装置307；包括例如磁带、硬盘等的存储装置308；以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图3示出了具有各种装置的电子设备300，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图3中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。

特别地，根据本公开的一些实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的一些实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中，该计算机程序可以通过通信装置309从网络上被下载和安装，或者从存储装置308被安装，或者从ROM302被安装。在该计算机程序被处理装置301执行时，执行本公开的一些实施例的方法中限定的上述功能。

需要说明的是，本公开的一些实施例中记载的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑磁盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF（射频）等等，或者上述的任意合适的组合。

在一些实施方式中，客户端、服务器可以利用诸如HTTP（HyperText TransferProtocol，超文本传输协议）之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信（例如，通信网络）互连。通信网络的示例包括局域网（“LAN”），广域网（“WAN”），网际网（例如，互联网）以及端对端网络（例如，ad hoc端对端网络），以及任何当前已知或未来研发的网络。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取业务记录视频集合和业务单文本数据集合；确定上述业务记录视频集合中的每个业务视频包括的音频数据和视频数据，得到音频数据集合和视频数据集合；将上述视频数据集合中的每个视频数据输入至视频特征提取模型，得到各个视频特征向量作为视频特征向量集合；将上述音频数据集合中的每个音频数据输入至音频特征提取模型，得到各个音频特征向量作为音频特征向量集合；将上述业务单文本数据集合中的每个业务单文本数据输入至文本特征提取模型，得到各个文本特征向量作为文本特征向量集合；根据上述视频特征向量集合、上述音频特征向量集合和上述文本特征向量集合，生成特征融合向量集合；根据上述特征融合向量集合和特征分类模型，生成上述特征融合向量集合中的每个特征融合向量对应的业务情景分类信息。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网（LAN）或广域网（WAN）——连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开的一些实施例中的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、确定单元、第一输入单元、第二输入单元、第三输入单元、第一生成单元和第一生成单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取业务记录视频集合和业务单文本数据集合的单元”。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、片上系统（SOC）、复杂可编程逻辑设备（CPLD）等等。

以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的（但不限于）具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (9)

1.一种分类信息生成方法，包括：

获取业务记录视频集合和业务单文本数据集合，其中，所述业务单文本数据集合是各个业务文本数据组成的集合，所述各个业务文本数据中的业务文本数据是从业务办理的过程中开具的单据中提取出的文本数据；

确定所述业务记录视频集合中的每个业务视频包括的音频数据和视频数据，得到音频数据集合和视频数据集合；

将所述视频数据集合中的每个视频数据输入至视频特征提取模型，得到各个视频特征向量作为视频特征向量集合；

将所述音频数据集合中的每个音频数据输入至音频特征提取模型，得到各个音频特征向量作为音频特征向量集合；

将所述业务单文本数据集合中的每个业务单文本数据输入至文本特征提取模型，得到各个文本特征向量作为文本特征向量集合；

根据所述视频特征向量集合、所述音频特征向量集合和所述文本特征向量集合，生成特征融合向量集合，其中，所述根据所述视频特征向量集合、所述音频特征向量集合和所述文本特征向量集合，生成特征融合向量集合，包括：

根据所述视频特征向量集合、所述音频特征向量集合和所述文本特征向量集合，生成特征向量组集合，其中，所述特征向量组集合中的特征向量组包括文本特征向量、视频特征向量和音频特征向量，所述根据所述视频特征向量集合、所述音频特征向量集合和所述文本特征向量集合，生成特征向量组集合，包括：

根据所述视频特征向量集合和所述音频特征向量集合，生成音视频特征向量信息集合，其中，所述音视频特征向量信息集合中的每个音视频特征向量信息包括音频特征向量和音频特征向量对应的视频特征向量；

对于所述文本特征向量集合中的每个文本特征向量，执行以下步骤：

对于所述音视频特征向量信息集合中的每个音视频特征向量信息，执行以下步骤：

将所述音频特征向量信息中的音频特征向量与所述文本特征向量的相似度确定为第一相似值；

将所述音频特征向量信息中的视频特征向量与所述文本特征向量的相似度确定为第二相似值；

根据所述第一相似值和所述第二相似值，生成所述音视频特征向量信息与所述文本特征向量之间的组合相似值；

根据所得到的各个组合相似值，从所述音视频特征向量信息集合中选择满足预设相似值条件的音视频特征向量信息作为所述文本特征向量对应的音视频特征向量信息；

将所述文本特征向量、所述文本特征向量对应的音视频特征向量信息包括的音频特征向量和视频特征向量确定为特征向量组；

将所得到的各个特征向量组确定为特征向量组集合；

根据所述特征向量组集合，生成特征融合向量集合，其中，所述根据所述特征向量组集合，生成特征融合向量集合，包括：

生成所述特征向量组集合中的每个特征向量组对应的特征融合向量，其中，所述生成所述特征向量组集合中的每个特征向量组对应的特征融合向量，包括：将每个特征向量组中的音频特征向量、视频特征向量和文本特征向量的加权和确定为所述特征向量组集合中的每个特征向量组对应的特征融合向量；

将所生成的各个特征融合向量确定为特征融合向量集合；

根据所述特征融合向量集合和特征分类模型，生成所述特征融合向量集合中的每个特征融合向量对应的业务情景分类信息。

2.根据权利要求1所述的方法，其中，所述将所述视频数据集合中的每个视频数据输入至视频特征提取模型，得到各个视频特征向量作为视频特征向量集合，包括：

对于所述视频数据集合中的每个视频数据，执行以下步骤：

对所述视频数据进行拆分处理，得到图像数据序列；

将所述图像数据序列和第一预设参数信息输入至所述视频特征提取模型的输入层进行特征工程处理，得到特征工程处理后的图像数据序列；

将特征工程处理后的图像数据序列输入至所述视频特征提取模型的卷积层，得到所述视频数据对应的第一特征向量；

将所述第一特征向量输入至所述视频特征提取模型的池化层，得到所述视频数据对应的第二特征向量；

将所述第二特征向量输入至所述视频特征提取模型的全连接层，得到所述视频数据对应的第三特征向量；

将所得到的各个视频数据对应的第三特征向量确定为视频特征向量集合。

3.根据权利要求1所述的方法，其中，所述将所述业务单文本数据集合中的每个业务单文本数据输入至文本特征提取模型，得到各个文本特征向量作为文本特征向量集合，包括：

对于所述业务单文本数据集合中的每个业务单文本数据，执行以下步骤：

将业务单文本数据和第三预设参数信息输入至所述文本特征提取模型的嵌入层，得到所述业务单文本数据对应的嵌入向量；

将所述嵌入向量输入至所述文本特征提取模型的特征抽取层，得到融合上下文语义信息的特征向量；

将所得到的各个融合上下文语义信息的特征向量确定为文本特征向量集合。

4.根据权利要求1所述的方法，其中，所述特征分类模型是通过以下步骤训练得到的：

获取样本集，其中，所述样本集中的样本包括样本特征融合向量和样本特征融合向量对应的样本业务情景分类信息；

基于样本集，执行以下训练步骤：

将样本集中的至少一个样本的样本特征融合向量输入至初始神经网络，得到所述至少一个样本中的每个样本对应的业务情景分类预测信息；

根据所述至少一个样本中的各个样本对应的业务情景分类预测信息和样本业务情景分类信息，确定初始神经网络的损失值；

响应于确定损失值小于预设损失阈值，将初始神经网络作为训练完成的特征分类模型。

5.根据权利要求4所述的方法，其中，训练所述特征分类模型的步骤还包括：

响应于确定损失值大于等于所述预设损失阈值，调整初始神经网络的参数，以及使用未使用过的样本组成的样本集，使用调整后的初始神经网络作为初始神经网络，再次执行所述训练步骤。

6.根据权利要求1所述的方法，其中，在所述根据所述特征融合向量集合和特征分类模型，生成所述特征融合向量集合中的每个特征融合向量对应的业务情景分类信息之后，所述方法还包括：

对于所述特征融合向量集合中的每个特征融合向量对应的业务情景分类信息，执行以下步骤：

获取所述业务情景分类信息对应的业务用户的用户信息；

控制相关联的打印设备将所述用户信息和所述业务情景分类信息打印至打印件；

控制相关联的机械臂将所打印的打印件放入对应所述业务用户的档案存储位置。

7.一种分类信息生成装置，包括：

获取单元，被配置成获取业务记录视频集合和业务单文本数据集合，其中，所述业务单文本数据集合是各个业务文本数据组成的集合，所述各个业务文本数据中的业务文本数据是从业务办理的过程中开具的单据中提取出的文本数据；

确定单元，被配置成确定所述业务记录视频集合中的每个业务视频包括的音频数据和视频数据，得到音频数据集合和视频数据集合；

第一输入单元，被配置成将所述视频数据集合中的每个视频数据输入至视频特征提取模型，得到各个视频特征向量作为视频特征向量集合；

第二输入单元，被配置成将所述音频数据集合中的每个音频数据输入至音频特征提取模型，得到各个音频特征向量作为音频特征向量集合；

第三输入单元，被配置成将所述业务单文本数据集合中的每个业务单文本数据输入至文本特征提取模型，得到各个文本特征向量作为文本特征向量集合；

第一生成单元，被配置成根据所述视频特征向量集合、所述音频特征向量集合和所述文本特征向量集合，生成特征融合向量集合，其中，所述根据所述视频特征向量集合、所述音频特征向量集合和所述文本特征向量集合，生成特征融合向量集合，包括：根据所述视频特征向量集合、所述音频特征向量集合和所述文本特征向量集合，生成特征向量组集合，其中，所述特征向量组集合中的特征向量组包括文本特征向量、视频特征向量和音频特征向量，所述根据所述视频特征向量集合、所述音频特征向量集合和所述文本特征向量集合，生成特征向量组集合，包括：根据所述视频特征向量集合和所述音频特征向量集合，生成音视频特征向量信息集合，其中，所述音视频特征向量信息集合中的每个音视频特征向量信息包括音频特征向量和音频特征向量对应的视频特征向量；对于所述文本特征向量集合中的每个文本特征向量，执行以下步骤：对于所述音视频特征向量信息集合中的每个音视频特征向量信息，执行以下步骤：将所述音频特征向量信息中的音频特征向量与所述文本特征向量的相似度确定为第一相似值；将所述音频特征向量信息中的视频特征向量与所述文本特征向量的相似度确定为第二相似值；根据所述第一相似值和所述第二相似值，生成所述音视频特征向量信息与所述文本特征向量之间的组合相似值；根据所得到的各个组合相似值，从所述音视频特征向量信息集合中选择满足预设相似值条件的音视频特征向量信息作为所述文本特征向量对应的音视频特征向量信息；将所述文本特征向量、所述文本特征向量对应的音视频特征向量信息包括的音频特征向量和视频特征向量确定为特征向量组；将所得到的各个特征向量组确定为特征向量组集合；根据所述特征向量组集合，生成特征融合向量集合；

第二生成单元，被配置成根据所述特征融合向量集合和特征分类模型，生成所述特征融合向量集合中的每个特征融合向量对应的业务情景分类信息。

8.一种电子设备，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。

9.一种计算机可读存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1-6中任一所述的方法。