CN116680441A - 视频内容识别方法、装置、电子设备、可读存储介质 - Google Patents

视频内容识别方法、装置、电子设备、可读存储介质 Download PDF

Info

Publication number
CN116680441A
CN116680441A CN202310491708.0A CN202310491708A CN116680441A CN 116680441 A CN116680441 A CN 116680441A CN 202310491708 A CN202310491708 A CN 202310491708A CN 116680441 A CN116680441 A CN 116680441A
Authority
CN
China
Prior art keywords
video
text
identified
recognized
model
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
CN202310491708.0A
Other languages
English (en)
Inventor
崔东林
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.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and 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 Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202310491708.0A priority Critical patent/CN116680441A/zh
Publication of CN116680441A publication Critical patent/CN116680441A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/26—Speech to text systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/60—Information retrieval; Database structures therefor; File system structures therefor of audio data
    • G06F16/65—Clustering; Classification
    • 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
    • G06F16/783—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/7844—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using original textual content or text extracted from visual content or transcript of audio data
    • 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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/205—Parsing
    • G06F40/216—Parsing using statistical methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
    • 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
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/14—Image acquisition
    • G06V30/148—Segmentation of character regions
    • G06V30/153—Segmentation of character regions using recognition of characters or words
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/06—Creation of reference templates; Training of speech recognition systems, e.g. adaptation to the characteristics of the speaker's voice
    • G10L15/063—Training

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Library & Information Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Acoustics & Sound (AREA)
  • Human Computer Interaction (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本公开提供了视频内容识别方法、装置、电子设备、可读存储介质，图像处理技术领域，尤其涉及深度学习、目标分类、目标识别技术领域。具体实现方案为：获取待识别视频的音频对应的待识别文本，将所述待识别文本进行分词，获取所述待识别文本对应的至少一个待匹配词；将所述待匹配词与预先构建的关键词词库中的关键词进行匹配，根据所述匹配结果获取所述待识别视频对应的丰富度；至少根据所述丰富度确定所述待识别视频的内容优质度。

Description

视频内容识别方法、装置、电子设备、可读存储介质
技术领域
本公开涉及图像处理技术领域，尤其涉及深度学习、目标分类、目标识别技术领域。具体而言，本公开涉及一种视频内容识别方法、装置、电子设备、可读存储介质。
背景技术
随着互联网技术的飞速发展，海量视频资源被上传到网络中，为了满足和提升不同用户的搜索体验，需要在海量视频中为用户提供视频质量较高的资源。
如何对海量视频资源进行视频质量的判断，直接影响到推荐、搜索策略的准确度，进而影响到用户的观感体验和用户的留存率。
发明内容
本公开提供了一种用于视频内容识别方法、装置、电子设备、可读存储介质。
根据本公开的第一方面，提供了一种视频内容识别方法，该方法包括：
获取待识别视频的音频对应的待识别文本，将所述待识别文本进行分词，获取所述待识别文本对应的至少一个待匹配词；
将所述待匹配词与预先构建的关键词词库中的关键词进行匹配，根据所述匹配结果获取所述待识别视频对应的丰富度；
至少根据所述丰富度确定所述待识别视频的内容优质度。
根据本公开的第二方面，提供了一种视频内容识别装置，该装置包括：
预处理模块，用于获取待识别视频的音频对应的待识别文本，将所述待识别文本进行分词，获取所述待识别文本对应的至少一个待匹配词；
丰富度模块，用于将所述待匹配词与预先构建的关键词词库中的关键词进行匹配，根据所述匹配结果获取所述待识别视频对应的丰富度；
求和模块，用于至少根据所述丰富度确定所述待识别视频的内容优质度。
根据本公开的第三方面，提供了一种电子设备，该电子设备包括：
至少一个处理器；以及
与上述至少一个处理器通信连接的存储器；其中，
存储器存储有可被上述至少一个处理器执行的指令，指令被上述至少一个处理器执行，以使上述至少一个处理器能够执行上述视频内容识别方法。
根据本公开的第四方面，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，该计算机指令用于使计算机执行上述视频内容识别方法。
根据本公开的第五方面，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上述视频内容识别方法。
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是本公开实施例提供的的一种视频内容识别方法的流程示意图；
图2是本公开实施例提供的另一种视频内容识别方法的部分步骤的流程示意图；
图3是本公开实施例提供的另一种视频内容识别方法的部分步骤的流程示意图；
图4是本公开实施例提供的另一种视频内容识别方法的部分步骤的流程示意图；
图5是本公开实施例提供的另一种视频内容识别方法的部分步骤的流程示意图；
图6是本公开实施例提供的另一种视频内容识别方法的部分步骤的流程示意图；
图7是本公开实施例提供的一种视频内容识别方法的一种具体实施例的示意图；
图8是本公开实施例提供的一种视频内容识别装置的结构示意图；
图9是用来实现本公开实施例的视频内容识别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。
在一些相关技术中，使用深度学习模型检测视频中是否存在马赛克、水印、黑边等低质量问题，低质量问题越少的视频，视频质量越高。
在一些相关技术中，使用深度学习等方式判断搜索query(查询，具体可以是为了在数据库中寻找某一特定文件、网站、记录或一系列记录，由搜索引擎或数据库送出的消息)与视频内容之间的相关性，与搜索query相关性越高的视频，视频质量越高。
但不同视频的视频内容也存在优质性不同的区别，视频内容越优质的视频，视频质量越高，仅在低质量维度、相关性维度对视频质量进行刻画无法满足要求。
本公开实施例提供的视频内容识别方法、装置、电子设备、可读存储介质，旨在解决现有技术的如上技术问题中的至少一个。
本公开实施例提供的视频内容识别方法可以由终端设备或服务器等电子设备执行，终端设备可以为车载设备、用户设备(User Equipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字助理(Personal Digital Assistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等，所述方法可以通过处理器调用存储器中存储的计算机可读程序指令的方式来实现。或者，可通过服务器执行所述方法。
图1示出了本公开实施例提供的一种视频内容识别方法的流程示意图，如图1所示，该方法可以包括步骤S110、步骤S120、步骤S130。
在步骤S110中，获取待识别视频的音频对应的待识别文本，将待识别文本进行分词，获取待识别文本对应的至少一个待匹配词；
在步骤S120中，将待匹配词与预先构建的关键词词库中的关键词进行匹配，根据匹配结果获取待识别视频对应的丰富度；
在步骤S130中，至少根据丰富度确定待识别视频的内容优质度。
举例来说，在步骤S110中，待识别视频可以是服务器或数据库中存储的任何视频。
在一些可能的实现方式中，待识别视频可以是带有字幕的视频。
在一些可能的实现方式中，如果待识别视频存在对应的字幕文件，则可以直接从字幕文件中获取待识别视频的字幕作为待识别文字。
在一些可能的实现方式中，如果待识别视频存在字幕但不存在对应的字幕文件，则可以按照固定的频率(如一秒一帧的频率)对待识别视频进行视频帧提取，生成多个视频帧，作为待识别视频对应的多个视频帧，通过将视频帧输入预先训练的OCR(OpticalCharacter Recognition，文字识别)模型，根据OCR模型输出的文本确定待识别文本。
在一些可能的实现方式中，还可以通过将待识别视频的Audio(音频)输入预先训练的ASR(Automatic Speech Recognition，自动语音识别)模型，根据ASR模型输出的文本，结合OCR模型输出的文本确定待识别文本。
在一些可能的实现方式中，待识别视频可以是没有字幕的视频。
在一些可能的实现方式中，可以通过将待识别视频的音频输入预先训练的ASR模型，根据ASR模型输出的文本确定待识别文本。
在一些可能的实现方式中，可以使用jieba(结巴)等分词工具对待识别文本进行分词，获取待识别文本对应的待匹配词。
在一些可能的实现方式中，可以对分词后的待识别文本使用TF-IDF(TermFrequency-Inverse Document Frequency,词频-逆文件频率)等关键词计算算法获取分词后的待识别文本中的关键词作为待识别文本对应的待匹配词。
在一些可能的实现方式中，待匹配词的数量可以是一个，也可以是多个。
在一些可能的实现方式中，在步骤S120中，关键词词库是预先构建的，关键词词库中的关键词用于描述视频内容，如美妆、美食、旅游等。
在一些可能的实现方式中，关键词词库按照预定频率进行更新。
在一些可能的实现方式中，预定频率可以是小时级别也可以是天级别。
在一些可能的实现方式中，待匹配词与关键词词库中关键词匹配程度越高，则待识别视频对应的丰富度越高。
通过对关键词词库的更新，可以使关键词词库中的关键词可以根据用户兴趣及时更新，更加符合用户感兴趣的内容，进而保证与用户感兴趣内容越匹配的视频，对应的丰富度越高。
在一些可能的实现方式中，在步骤S130之前，还可以通过待识别文本对应的情绪正面程度确定待识别视频对应的情绪正面度。
在一些可能的实现方式中，还可以通过待识别视频的音频对应的声音刺耳程度确定待识别视频对应的声音优美度。
在一些可能的实现方式中，在步骤S130中，可以根据待识别视频对应的丰富度、待识别视频对应的情绪正面度、待识别视频对应的声音优美度中的至少两者确定待识别视频的内容优质度。
在一些可能的实现方式中，内容优质度可以用于刻画待识别视频的视频内容的质量，其可以作为刻画待识别视频的一个维度，和低质量维度、相关性维度，一起作为对视频质量进行刻画的维度，用于视频搜索以及视频推荐。
即待识别视频对应的内容优质度越高，推荐给用户的优先程度越高。
在本公开实施例提供的视频内容识别方法中，通过待识别视频的音频对应待识别文本确定待识别视频对应的内容丰富度，并通过内容丰富度确定待识别视频的内容优质度，实现在视频内容质量维度对待识别视频的刻画，进而帮助将视频内容质量更高的视频推送给用户，提升用户的用户体验。
同时，由于对文本处理所需要的计算资源要小于对图像和音频处理所需要的计算资源，且对文本处理的技术的成熟程度要高于对图像和音频处理的技术的成熟程度，因此，本公开实施例提供的视频内容识别方法可以在占用较小的计算资源的情况下，快速高效实现在视频内容质量维度对待识别视频的刻画。
下面对本公开实施例提供的视频内容识别方法进行具体介绍。
如上所述，待识别视频可以是带有字幕的视频，如果待识别视频存在对应的字幕文件，则可以直接从字幕文件中获取待识别视频的字幕作为待识别文字；如果待识别视频存在字幕但不存在对应的字幕文件，则可以通过预先训练的OCR模型确定待识别文本。
图2示出了在待识别视频存在字幕但不存在对应的字幕文件的情况下，通过预先训练的OCR模型确定待识别文本的一种实现方式的流程示意图，如图2中所示，可以包括步骤S210、步骤S220。
在步骤S210中，对待识别视频进行视频帧提取，获取待识别视频对应的多个视频帧；
在步骤S220中，将视频帧输入预先训练的文字识别模型，根据文字识别模型的输出确定待识别文本。
在一些可能的实现方式中，在步骤S210中，按照固定的频率(如一秒一帧的频率)对待识别视频进行视频帧提取，生成多个视频帧，作为待识别视频对应的多个视频帧。
在一些可能的实现方式中，在步骤S220中，OCR模型用于确定输入该OCR模型的图像中的文字的模型，因此，可以将视频帧输入预先训练的OCR模型中，OCR模型对视频帧中的字幕进行识别并输出字幕对应的文本。
在一些可能的实现方式中，可以将字幕对应的文本作为待识别文本。
在一些可能的实现方式中，由于OCR模型的识别不一定准确，可以使用待识别视频的音频进行辅助检测，以提升获取的待识别文本的准确性。
图3示出了使用待识别视频的音频获取待识别文本的一种实现方式的流程示意图，如图3中所示，可以包括步骤S310。
在步骤S310中，将待识别视频的音频输入预先训练的语音识别模型，根据语音识别模型的输出确定待识别文本。
在一些可能的实现方式中，在步骤S310中，可以通过FFmpeg(一套可以用来记录、转换数字音频、视频，并能将其转化为流的开源计算机程序)工具从视频中获取音频。
在一些可能的实现方式中，ASR模型是预先训练的、用于确定输入该ASR模型的音频对应的文本的模型。因此，将待识别视频的音频输入ASR模型，就可以获取待识别视频的音频对应的文本。
在一些可能的实现方式中，可以通过获取的待识别视频的音频对应的文本来对获取的字幕对应的文本进行对比纠错，获取待识别文本，以提升获取的待识别文本的准确率。
在一些可能的实现方式中，可以将字幕对应的文本作为第一文本，将待识别视频的音频对应的文本作为第二文本，将第一文本和第二文本进行拼接，作为待识别文本。
通过将字幕对应的文本和待识别视频的音频对应的文本进行拼接，可以在为待识别文本的准确率提供双重保障的情况下，增大待识别文本中关键的待匹配词出现的次数，为通过分词获取待匹配词提供了方便。
在一些可能的实现方式中，待识别视频可以是没有字幕的视频，则可以直接通过将待识别视频的音频输入预先训练的ASR模型，根据ASR模型输出的文本确定待识别文本。
由于使用OCR模型识别占用的计算资源小于使用ASR模型识别，且使用OCR模型识别的速度要高于使用ASR模型的速度，因此，在待识别视频存在字幕的情况下，使用OCR模型获取待识别文本可以在占用更小的计算资源的情况下，更快获取待识别文本。
如上所述，在一些可能的实现方式中，可以根据匹配结果获取待识别视频对应的丰富度。
图4示出了根据匹配结果获取待识别视频对应的丰富度的一种实现方式的流程示意图，如图4中所示，根据匹配结果获取待识别视频对应的丰富度可以包括步骤S410、步骤S420。
在步骤S410中，将待匹配词与预先构建的关键词词库中的关键词进行匹配；
在步骤S420中，根据匹配关键词的数量与关键词词库中的关键词的数量的比值确定待识别视频对应的丰富度。
在一些可能的实现方式中，在步骤S420中，根据匹配关键词的数量与关键词词库中的关键词的数量的比值来确定待识别视频对应的丰富度。
由于关键词词库中的关键词用于描述视频内容，因此某个待匹配词与某个关键词匹配代表待识别文本中存在描述该关键词的文本，则进一步可以推理待识别视频中存在对应的视频内容，因此，匹配关键词数量越多，则说明待识别视频中视频内容越丰富。
如上所述，在一些可能的实现方式中，可以通过待识别文本对应的情绪正面程度确定待识别视频对应的情绪正面度。
图5示出了通过待识别文本对应的情绪正面程度确定待识别视频对应的情绪正面度的一种实现方式的流程示意图，如图5中所示，通过待识别文本对应的情绪正面程度确定待识别视频对应的情绪正面度可以包括步骤S510。
在步骤S510中，将待识别文本输入预先训练的文本识别模型，根据文本识别模型的输出确定待识别视频对应的情绪正面度。
在一些可能的实现方式中，在步骤S510之前，可以从视频库资源中获取包含语音或字幕的数据，并对这些数据进行标注，将情绪正面的、喜悦的数据标注为1，将情绪负面的、悲观的数据标注为0，并通过标注后的数据对文本识别模型进行训练，直至模型收敛。
因此，训练完成的文本识别模型是用于判断输入该文本识别模型的文本对应的情绪是正面还是负面的模型，输入该文本识别模型的文本对应的情绪越正面，文本识别模型输出的值越高。
将待识别文本输入训练完成的文本识别模型后，文本识别模型的输出即为待识别文本对应的情绪是正面还是负面，由于待识别文本是待识别视频的音频对应的文本，因此，待识别文本对应的情绪可以作为待识别视频对应的情绪，文本识别模型的输出可以作为待识别视频对应的情绪是正面还是负面。
在一些可能的实现方式中，文本识别模型输出的值属于[0,1]，文本识别模型输出的值越接近1，则说明输入该文本识别模型的文本对应的情绪越正面；文本识别模型输出的值越接近0，则说明输入该文本识别模型的文本对应的情绪越不正面。
在一些可能的实现方式中，可以将文本识别模型输出的值作为待识别视频对应的情绪正面度，也可以对文本识别模型输出的值进行处理后(如放大预定倍数等)作为待识别视频对应的情绪正面度。
在一些可能的实现方式中，文本识别模型可以是Bert(Bidirectional EncoderRepresentations from Transformer，基于Transformer的双向编码器表示)模型。
Bert模型作为一个预训练的语言表征模型，其与相关技术中采用传统的单向语言模型或者把两个单向语言模型进行浅层拼接的方法进行预训练的模型不同，其采用新的MLM(Masked Language Model，掩码语言模型)，以致能生成深度的双向语言表征，取得更好的识别效果。
如上所示，在一些可能的实现方式中，可以通过待识别视频的音频对应的声音刺耳程度确定待识别视频对应的声音优美度。
图6示出了通过待识别视频的音频对应的声音刺耳程度确定待识别视频对应的声音优美度的一种实现方式的流程示意图，如图6中所示，通过待识别视频的音频对应的声音刺耳程度确定待识别视频对应的声音优美度可以包括步骤S610。
在步骤S610中，将待识别视频的音频输入预先训练的声音分类模型，根据声音分类模型的输出确定待识别视频对应的声音优美度。
在一些可能的实现方式中，在步骤S610之前，可以从视频库资源中获取数据，并对这些数据进行标注，将声音优美的数据(如优美的音乐视频、优秀的朗读视频等)标注为1，将声音刺耳的数据(如噪声视频等)标注为0，并通过标注后的数据对声音分类模型进行训练，直至模型收敛。
因此，训练完成的声音分类模型是用于判断输入该声音分类模型的音频是否刺耳的模型，输入该声音分类模型的音频越不刺耳，则该声音分类模型输出的值越高。
在一些可能的实现方式中，声音分类模型输出的值属于[0,1]，声音分类模型输出的值越接近1，则说明输入该声音分类模型的音频越优美；声音分类模型输出的值越接近0，则说明输入该声音分类模型的音频越刺耳。
在一些可能的实现方式中，可以将声音分类模型输出的值作为待识别视频对应的声音优美度，也可以对声音分类模型输出的值进行处理后(如放大预定倍数等)作为待识别视频对应的声音优美度。
相比于传统的机器学习方法，通过模型(如基于深度学习的分类模型)获取待识别视频的音频对应的声音刺耳程度的准确性更高。
在一些可能的实现方式中，可以通过加权求和的方式来确定待识别视频的内容优质度。
即可以根据待识别视频的丰富度以及对应的权重、待识别视频的情绪正面度以及对应的权重、待识别视频的声音优美度以及对应的权重中进行加权求和，获取待识别视频的内容优质度。
通过加权求和，可以从多个方面来确定待识别视频的内容优质度，来提升获取的内容优质度的准确性。
即从丰富度、情绪正面度、声音优美度三个方面来确定待识别视频的内容优质度，丰富度越高、情绪正面度越高、声音优美度越高的视频，其内容优质度越高。
下面以一个具体实施例来对本公开实施例提供的视频内容识别方法进行解释。
图7为本公开实施例提供的视频内容识别方法的一个具体实施例的示意图，如图7中所示，本公开实施例提供的视频内容可以包括：
使用FFmpeg工具从待识别视频中抽取出音频，并对待识别视频进行每秒一帧的频率切割，生成一系列视频帧；
将音频送入ASR模型中进行识别，获取相应的文本内容A_text，将视频帧送入到OCR模型中进行识别，返回所有视频帧的所有文本内容B_text，将的A_text和B_text拼接到一起作为待识别文本；
构建关键词词库，关键词词库要求小时级别或者天级更新；
使用jieba等分词工具对待识别文本进行分词，并将分词后的结果和关键词库进行匹配，假设匹配到的次数为n，关键词词库的关键词的总数量是N，则用n/N当作待识别视频的丰富度；
从视频库资源中随机一批包含语音或字幕的数据，对这些数据进行标注，将那些情绪正面的、喜悦的数据标注为1，将那些情绪负面的、悲观的数据标注为0，构建情绪数据集；使用文本识别模型Bert，对构建的情绪数据集进行微调训练，直到模型收敛，得到情绪识别模型M1；将待识别文本输入模型M1中，获取待识别视频的情绪正面度；
从视频库资源中随机一批数据，对这些数据进行标注，将那些声音优美的数据标注为1，将那些声音刺耳的数据标注为0，构建美声识别数据集，使用声音分类模型，对美声识别数据集进行微调训练，直到模型收敛，得到美声识别模型M2，将音频送入美声识别模型M2中，返回待识别视频的声音优美度。
将丰富度、情绪正面度、声音优美度，加权求和得到最终的待识别识别的内容优质度。
基于与图1中所示的方法相同的原理，图8示出了本公开实施例提供的一种视频内容识别装置的结构示意图，如图8所示，该视频内容识别装置80可以包括：
预处理模块810，用于获取待识别视频的音频对应的待识别文本，将待识别文本进行分词，获取待识别文本对应的至少一个待匹配词；
丰富度模块820，用于将待匹配词与预先构建的关键词词库中的关键词进行匹配，根据匹配结果获取待识别视频对应的丰富度；
求和模块830，用于至少根据丰富度确定待识别视频的内容优质度。
在本公开实施例提供的视频内容识别装置中，通过待识别视频的音频对应待识别文本确定待识别视频对应的内容丰富度，并通过内容丰富度确定待识别视频的内容优质度，实现在视频内容质量维度对待识别视频的刻画，进而帮助将视频内容质量更高的视频推送给用户，提升用户的用户体验。
同时，由于对文本处理所需要的计算资源要小于对图像和音频处理所需要的计算资源，且对文本处理的技术的成熟程度要高于对图像和音频处理的技术的成熟程度，因此，本公开实施例提供的视频内容识别装置可以在占用较小的计算资源的情况下，快速高效实现在视频内容质量维度对待识别视频的刻画。
可以理解的是，本公开实施例中的视频内容识别装置的上述各模块具有实现图1中所示的实施例中的视频内容识别方法相应步骤的功能。该功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。该硬件或软件包括一个或多个与上述功能相对应的模块。上述模块可以是软件和/或硬件，上述各模块可以单独实现，也可以多个模块集成实现。对于上述视频内容识别装置的各模块的功能描述具体可以参见图1中所示实施例中的视频内容识别方法的对应描述，在此不再赘述。
在一些可能的实现方式中，视频内容识别装置80还包括：情绪模块，用于将待识别文本输入预先训练的文本识别模型，根据文本识别模型的输出确定待识别视频对应的情绪正面度；文本识别模型是用于判断输入文本识别模型的文本对应的情绪的模型；求和模块830用于至少将丰富度以及情绪正面度进行加权求和，确定待识别视频的内容优质度。
在一些可能的实现方式中，视频内容识别装置80还包括：声音模块，用于将待识别视频的音频输入预先训练的声音分类模型，根据声音分类模型的输出确定待识别视频对应的声音优美度；声音分类模型是用于判断输入声音分类模型的音频是否刺耳的模型；求和模块830用于至少将丰富度以及声音优美度进行加权求和，确定待识别视频的内容优质度。
在一些可能的实现方式中，丰富度模块820包括：匹配单元，用于将待匹配词与预先构建的关键词词库中的关键词进行匹配；计算单元，用于根据匹配关键词的数量与关键词词库中的关键词的数量的比值确定待识别视频对应的丰富度；匹配关键词为待匹配词中存在与其匹配的待匹配词的关键词。
在一些可能的实现方式中，关键词词库为按照预定频率进行更新的词库。
在一些可能的实现方式中，预处理模块810用于：在待识别视频存在字幕的情况下，对待识别视频进行视频帧提取，获取待识别视频对应的多个视频帧；将视频帧输入预先训练的文字识别模型，根据文字识别模型的输出确定待识别文本；文字识别模型是用于确定输入文字识别模型的图像中的文字的模型。
在一些可能的实现方式中，预处理模块810包括：字幕单元，用于将文字识别模型的输出确定为第一文本；音频单元，用于将待识别视频的音频输入预先训练的语音识别模型，根据语音识别模型的输出确定第二文本；语音识别模型是用于确定输入语音识别模型的音频对应的文本的模型；拼接单元，用于将第一文本和第二文本进行拼接，获取待识别文本。
在一些可能的实现方式中，预处理模块810用于：在待识别视频不存在字幕的情况下，将待识别视频的音频输入预先训练的语音识别模型，根据语音识别模型的输出确定待识别文本；语音识别模型是用于确定输入语音识别模型的音频对应的文本的模型。
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。
该电子设备包括：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；其中，存储器存储有可被至少一个处理器执行的指令，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如本公开实施例提供的视频内容识别方法。
该电子设备与现有技术相比，通过待识别视频的音频对应待识别文本确定待识别视频对应的内容丰富度，并通过内容丰富度确定待识别视频的内容优质度，实现在视频内容质量维度对待识别视频的刻画，进而帮助将视频内容质量更高的视频推送给用户，提升用户的用户体验。
同时，由于对文本处理所需要的计算资源要小于对图像和音频处理所需要的计算资源，且对文本处理的技术的成熟程度要高于对图像和音频处理的技术的成熟程度，因此，本公开实施例提供的电子设备可以在占用较小的计算资源的情况下，快速高效实现在视频内容质量维度对待识别视频的刻画。
该可读存储介质为存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机执行如本公开实施例提供的视频内容识别方法。
该可读存储介质与现有技术相比，通过待识别视频的音频对应待识别文本确定待识别视频对应的内容丰富度，并通过内容丰富度确定待识别视频的内容优质度，实现在视频内容质量维度对待识别视频的刻画，进而帮助将视频内容质量更高的视频推送给用户，提升用户的用户体验。
同时，由于对文本处理所需要的计算资源要小于对图像和音频处理所需要的计算资源，且对文本处理的技术的成熟程度要高于对图像和音频处理的技术的成熟程度，因此，本公开实施例提供的可读存储介质可以在占用较小的计算资源的情况下，快速高效实现在视频内容质量维度对待识别视频的刻画。
该计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现如本公开实施例提供的视频内容识别方法。
该计算机程序产品与现有技术相比，通过待识别视频的音频对应待识别文本确定待识别视频对应的内容丰富度，并通过内容丰富度确定待识别视频的内容优质度，实现在视频内容质量维度对待识别视频的刻画，进而帮助将视频内容质量更高的视频推送给用户，提升用户的用户体验。
同时，由于对文本处理所需要的计算资源要小于对图像和音频处理所需要的计算资源，且对文本处理的技术的成熟程度要高于对图像和音频处理的技术的成熟程度，因此，本公开实施例提供的计算机程序产品可以在占用较小的计算资源的情况下，快速高效实现在视频内容质量维度对待识别视频的刻画。
图9示出了可以用来实施本公开的实施例的示例电子设备900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9所示，设备900包括计算单元901，其可以根据存储在只读存储器(ROM)902中的计算机程序或者从存储单元908加载到随机访问存储器(RAM)903中的计算机程序，来执行各种适当的动作和处理。在RAM 903中，还可存储设备900操作所需的各种程序和数据。计算单元901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
设备900中的多个部件连接至I/O接口905，包括：输入单元906，例如键盘、鼠标等；输出单元907，例如各种类型的显示器、扬声器等；存储单元908，例如磁盘、光盘等；以及通信单元909，例如网卡、调制解调器、无线通信收发机等。通信单元909允许设备900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901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901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901执行上文所描述的各个方法和处理，例如视频内容识别方法。例如，在一些实施例中，视频内容识别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908。在一些实施例中，计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到设备900上。当计算机程序加载到RAM 903并由计算单元901执行时，可以执行上文描述的视频内容识别方法的一个或多个步骤。备选地，在其他实施例中，计算单元901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内容识别方法。
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)、负载可编程逻辑设备(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 (19)

1.一种视频内容识别方法，包括：
获取待识别视频的音频对应的待识别文本，将所述待识别文本进行分词，获取所述待识别文本对应的至少一个待匹配词；
将所述待匹配词与预先构建的关键词词库中的关键词进行匹配，根据所述匹配结果获取所述待识别视频对应的丰富度；
至少根据所述丰富度确定所述待识别视频的内容优质度。
2.根据权利要求1所述的方法，还包括：
将所述待识别文本输入预先训练的文本识别模型，根据所述文本识别模型的输出确定所述待识别视频对应的情绪正面度；所述文本识别模型是用于判断输入所述文本识别模型的文本对应的情绪的模型；
所述至少根据所述丰富度确定所述待识别视频的内容优质度，包括：
至少将所述丰富度以及所述情绪正面度进行加权求和，确定所述待识别视频的内容优质度。
3.根据权利要求1所述的方法，还包括：
将所述待识别视频的音频输入预先训练的声音分类模型，根据所述声音分类模型的输出确定所述待识别视频对应的声音优美度；所述声音分类模型是用于判断输入所述声音分类模型的音频是否刺耳的模型；
所述至少根据所述丰富度确定所述待识别视频的内容优质度，包括：
至少将所述丰富度以及所述声音优美度进行加权求和，确定所述待识别视频的内容优质度。
4.根据权利要求1所述的方法，其中，所述将所述待匹配词与预先构建的关键词词库中的关键词进行匹配，根据所述匹配结果获取所述待识别视频对应的丰富度，包括：
将所述待匹配词与预先构建的关键词词库中的关键词进行匹配；
根据匹配关键词的数量与所述关键词词库中的关键词的数量的比值确定所述待识别视频对应的丰富度；所述匹配关键词为所述待匹配词中存在与其匹配的待匹配词的关键词。
5.根据权利要求1所述的方法，其中，所述关键词词库为按照预定频率进行更新的词库。
6.根据权利要求1所述的方法，其中，所述获取待识别视频的音频对应的待识别文本，包括：
在所述待识别视频存在字幕的情况下，对所述待识别视频进行视频帧提取，获取所述待识别视频对应的多个视频帧；将所述视频帧输入预先训练的文字识别模型，根据所述文字识别模型的输出确定所述待识别文本；所述文字识别模型是用于确定输入所述文字识别模型的图像中的文字的模型。
7.根据权利要求6所述的方法，其中，所述根据所述文字识别模型的输出确定所述待识别文本，包括：
将所述文字识别模型的输出确定为第一文本；
将所述待识别视频的音频输入预先训练的语音识别模型，根据所述语音识别模型的输出确定第二文本；所述语音识别模型是用于确定输入所述语音识别模型的音频对应的文本的模型；
将所述第一文本和所述第二文本进行拼接，获取所述待识别文本。
8.根据权利要求1所述的方法，其中，所述获取待识别视频的音频对应的待识别文本，包括：
在所述待识别视频不存在字幕的情况下，将所述待识别视频的音频输入预先训练的语音识别模型，根据所述语音识别模型的输出确定所述待识别文本；所述语音识别模型是用于确定输入所述语音识别模型的音频对应的文本的模型。
9.一种视频内容识别装置，包括：
预处理模块，用于获取待识别视频的音频对应的待识别文本，将所述待识别文本进行分词，获取所述待识别文本对应的至少一个待匹配词；
丰富度模块，用于将所述待匹配词与预先构建的关键词词库中的关键词进行匹配，根据所述匹配结果获取所述待识别视频对应的丰富度；
求和模块，用于至少根据所述丰富度确定所述待识别视频的内容优质度。
10.根据权利要求9所述的装置，还包括：
情绪模块，用于将所述待识别文本输入预先训练的文本识别模型，根据所述文本识别模型的输出确定所述待识别视频对应的情绪正面度；所述文本识别模型是用于判断输入所述文本识别模型的文本对应的情绪的模型；
所述求和模块用于至少将所述丰富度以及所述情绪正面度进行加权求和，确定所述待识别视频的内容优质度。
11.根据权利要求9所述的装置，还包括：
声音模块，用于将所述待识别视频的音频输入预先训练的声音分类模型，根据所述声音分类模型的输出确定所述待识别视频对应的声音优美度；所述声音分类模型是用于判断输入所述声音分类模型的音频是否刺耳的模型；
所述求和模块用于至少将所述丰富度以及所述声音优美度进行加权求和，确定所述待识别视频的内容优质度。
12.根据权利要求9所述的装置，其中，所述丰富度模块包括：
匹配单元，用于将所述待匹配词与预先构建的关键词词库中的关键词进行匹配；
计算单元，用于根据匹配关键词的数量与所述关键词词库中的关键词的数量的比值确定所述待识别视频对应的丰富度；所述匹配关键词为所述待匹配词中存在与其匹配的待匹配词的关键词。
13.根据权利要求9所述的装置，其中，所述关键词词库为按照预定频率进行更新的词库。
14.根据权利要求9所述的装置，其中，所述预处理模块用于：
在所述待识别视频存在字幕的情况下，对所述待识别视频进行视频帧提取，获取所述待识别视频对应的多个视频帧；将所述视频帧输入预先训练的文字识别模型，根据所述文字识别模型的输出确定所述待识别文本；所述文字识别模型是用于确定输入所述文字识别模型的图像中的文字的模型。
15.根据权利要求14所述的装置，其中，所述预处理模块包括：
字幕单元，用于将所述文字识别模型的输出确定为第一文本；
音频单元，用于将所述待识别视频的音频输入预先训练的语音识别模型，根据所述语音识别模型的输出确定第二文本；所述语音识别模型是用于确定输入所述语音识别模型的音频对应的文本的模型；
拼接单元，用于将所述第一文本和所述第二文本进行拼接，获取所述待识别文本。
16.根据权利要求9所述的装置，其中，所述预处理模块用于：
在所述待识别视频不存在字幕的情况下，将所述待识别视频的音频输入预先训练的语音识别模型，根据所述语音识别模型的输出确定所述待识别文本；所述语音识别模型是用于确定输入所述语音识别模型的音频对应的文本的模型。
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，所述计算机程序在被处理器执行时实现根据权利要求1-8中任一项所述的方法。
CN202310491708.0A 2023-05-04 2023-05-04 视频内容识别方法、装置、电子设备、可读存储介质 Pending CN116680441A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310491708.0A CN116680441A (zh) 2023-05-04 2023-05-04 视频内容识别方法、装置、电子设备、可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310491708.0A CN116680441A (zh) 2023-05-04 2023-05-04 视频内容识别方法、装置、电子设备、可读存储介质

Publications (1)

Publication Number Publication Date
CN116680441A true CN116680441A (zh) 2023-09-01

Family

ID=87781512

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310491708.0A Pending CN116680441A (zh) 2023-05-04 2023-05-04 视频内容识别方法、装置、电子设备、可读存储介质

Country Status (1)

Country Link
CN (1) CN116680441A (zh)

Similar Documents

Publication Publication Date Title
CN107301170B (zh) 基于人工智能的切分语句的方法和装置
CN112559800B (zh) 用于处理视频的方法、装置、电子设备、介质和产品
CN114861889B (zh) 深度学习模型的训练方法、目标对象检测方法和装置
EP3916579A1 (en) Method for resource sorting, method for training sorting model and corresponding apparatuses
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
CN115982376B (zh) 基于文本、多模数据和知识训练模型的方法和装置
CN112926308B (zh) 匹配正文的方法、装置、设备、存储介质以及程序产品
CN113806588A (zh) 搜索视频的方法和装置
CN111078849A (zh) 用于输出信息的方法和装置
CN113919424A (zh) 文本处理模型的训练、文本处理方法、装置、设备和介质
CN114818736B (zh) 文本处理方法、用于短文本的链指方法、装置及存储介质
EP4145306A1 (en) Method and apparatus of processing data, electronic device, and medium
CN116204624A (zh) 应答方法、装置、电子设备及存储介质
CN113806483B (zh) 数据处理方法、装置、电子设备及计算机程序产品
CN115098729A (zh) 视频处理方法、样本生成方法、模型训练方法及装置
CN114724144A (zh) 文本识别方法、模型的训练方法、装置、设备及介质
CN114218431A (zh) 视频搜索方法、装置、电子设备以及存储介质
CN114329206A (zh) 标题生成方法和装置、电子设备、计算机可读介质
CN112784600A (zh) 信息排序方法、装置、电子设备和存储介质
CN116680441A (zh) 视频内容识别方法、装置、电子设备、可读存储介质
CN112765357A (zh) 文本分类方法、装置和电子设备
CN113377922B (zh) 用于匹配信息的方法、装置、电子设备以及介质
CN113377921B (zh) 用于匹配信息的方法、装置、电子设备以及介质
CN113722496B (zh) 一种三元组抽取方法、装置、可读存储介质及电子设备
CN113361280B (zh) 训练模型的方法、预测方法、装置、电子设备以及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication