CN116701707B - 一种教育大数据管理系统 - Google Patents

一种教育大数据管理系统 Download PDF

Info

Publication number
CN116701707B
CN116701707B CN202310988045.3A CN202310988045A CN116701707B CN 116701707 B CN116701707 B CN 116701707B CN 202310988045 A CN202310988045 A CN 202310988045A CN 116701707 B CN116701707 B CN 116701707B
Authority
CN
China
Prior art keywords
teaching
abstract
teaching video
video
key
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
Application number
CN202310988045.3A
Other languages
English (en)
Other versions
CN116701707A (zh
Inventor
王进
舒鹏磊
陈亚玲
包安良
李潇
高见
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.)
Chengdu Qingyang Big Data Co ltd
Original Assignee
Chengdu Qingyang Big Data 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 Chengdu Qingyang Big Data Co ltd filed Critical Chengdu Qingyang Big Data Co ltd
Priority to CN202310988045.3A priority Critical patent/CN116701707B/zh
Publication of CN116701707A publication Critical patent/CN116701707A/zh
Application granted granted Critical
Publication of CN116701707B publication Critical patent/CN116701707B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06F16/73—Querying
    • G06F16/735—Filtering based on additional data, e.g. user or group profiles
    • 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
    • G06F16/73—Querying
    • G06F16/738—Presentation of query results
    • G06F16/739—Presentation of query results in form of a video summary, e.g. the video summary being a video sequence, a composite still image or having synthesized frames
    • 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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/20—Education
    • G06Q50/205—Education administration or guidance
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Educational Technology (AREA)
  • Educational Administration (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • General Business, Economics & Management (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种教育大数据管理系统，属于数据管理技术领域，其系统包括视频采集单元、摘要提取单元、用户信息采集单元和课程匹配单元；视频采集单元用于获取教学视频集合，并为教学视频集合中各个教学视频生成教学视频关键帧；摘要提取单元用于为各个教学视频关键帧生成教学摘要；用户信息采集单元用于获取用户的课程搜索关键字集合；课程匹配单元用于根据各个教学视频关键帧对应的教学摘要和用户的课程搜索关键字集合，为用户匹配最优教学视频该教育大数据管理系统通过计算搜索权重序列和摘要权重序列来确定最优教学视频，其比较方法简单易实现，为用户推荐最佳的教学视频，为网上教育大数据管理提供有效支撑。

Description

一种教育大数据管理系统
技术领域
本发明属于数据管理技术领域，具体涉及一种教育大数据管理系统。
背景技术
随着互联网的普及和深度应用，网络教育成为人们学习知识的重要平台，它弥补了开展线下面授培训班的局限性。目前网络教育上的网络课程和面授课程繁杂，没有形成系统的课程推荐体系，导致学员无法更快的学习到优质的有效课程，降低了学习质量和效率。且现有网络教育系统无法对大量的学习视频进行归类，也无法通过摘要来展现课程的重点，使用户不能及时获取课程重点信息来确定是否观看。
发明内容
本发明为了解决以上问题，提出了一种教育大数据管理系统。
本发明的技术方案是：一种教育大数据管理系统包括视频采集单元、摘要提取单元、用户信息采集单元和课程匹配单元；
视频采集单元用于获取教学视频集合，并为教学视频集合中各个教学视频生成教学视频关键帧；
摘要提取单元用于为各个教学视频关键帧生成教学摘要；
用户信息采集单元用于获取用户的课程搜索关键字集合；
课程匹配单元用于根据各个教学视频关键帧对应的教学摘要和用户的课程搜索关键字集合，为用户匹配最优教学视频。
进一步地，视频采集单元为教学视频集合中各个教学视频生成教学视频关键帧包括以下步骤：
A1、计算教学视频中各帧图像的特征复杂度；
A2、将教学视频中第一帧图像作为初始图像；
A3、依次计算其余各帧图像与初始图像的特征复杂度差值；
A4、将特征复杂度差值小于特征复杂度阈值的首帧图像作为关键帧潜在集合的子集，并将首帧图像作为最新的初始图像；
A5、重复A3-A4，直至所有帧图像比较完成，生成关键帧潜在集合；
A6、计算关键帧潜在集合中各帧图像的特征关键度，将特征关键度最大值对应的帧作为教学视频关键帧。
进一步地，A1中，教学视频中第n帧图像的特征复杂度fn的计算公式为：
；
式中，Fn-2表示教学视频中第n-2帧图像的平均像素值，Fn-1表示教学视频中第n-1帧图像的平均像素值，Fn表示教学视频中第n帧图像的平均像素值，Fn+1表示教学视频中第n+1帧图像的平均像素值，Fn+2表示教学视频中第n+2帧图像的平均像素值，M表示教学视频中第n帧图像的像素点个数，λm表示教学视频中第n帧图像中第m个像素点的灰度值。
进一步地，A4中，特征复杂度阈值f0的计算公式为：
；式中，f'表示最小特征复杂度。
进一步地，A3中，关键帧潜在集合中第l帧图像的特征关键度ωl的计算公式为：
；
式中，Fl表示关键帧潜在集合中第l帧图像的平均像素值，f0表示特征复杂度阈值，L表示关键帧潜在集合中所有图像帧数，abs(·)表示绝对值运算。
进一步地，摘要提取单元生成教学摘要的具体方法：利用滑动窗口从左至右遍历教学视频关键帧，生成教学摘要。
进一步地，滑动窗口的尺寸的计算公式为：
；
式中，W表示滑动窗口的宽，H表示滑动窗口的高，X表示教学视频关键帧的宽，Y表示教学视频关键帧的高，Uk表示教学视频关键帧中第k个单位宽的像素点个数，Vg表示教学视频关键帧中第g个单位长的像素点个数，c表示常数，log(·)表示对数运算。
进一步地，课程匹配单元为用户匹配最优课程包括以下步骤：
B1、计算课程搜索关键字集合中各个单词的搜索权重值，为用户生成搜索权重序列；
B2、提取教学摘要中各个单词的摘要权重值，为各个教学视频生成摘要权重序列；
B3、判断各个摘要权重序列中是否存在与搜索权重序列完全相同的元素，若是则将摘要权重序列对应的教学视频作为最优教学视频，否则进入B4；
B4、计算各个摘要权重序列方差和搜索权重序列方差，将与搜索权重序列方差最接近的摘要权重序列方差对应的教学视频作为最优教学视频。
进一步地，B1中，课程搜索关键字集合中单词的搜索权重值θ1的计算公式为：
；
式中，Ps表示课程搜索关键字集合中第s个单词的主题概率，Ts表示课程搜索关键字集合中第s个单词的词频，S表示课程搜索关键字集合的单词个数。
进一步地，B2中，教学摘要中单词的摘要权重值θ2的计算公式为：
；
式中，I1表示教学摘要中相同词频的单词集合，I2表示教学摘要中关键词集合，c表示常数，TF(·)表示词频计算函数，表示教学摘要中第h个单词的主题概率，/>表示教学摘要中第h个单词的词频，H表示教学摘要的单词个数。
本发明的有益效果是：
（1）该教育大数据管理系统通过提取各个教学视频的关键帧，生成对应的教学摘要，教学摘要可以准确精炼地反映教学视频的重点内容和关键内容，便于后续步骤快速地与用户输入的关键词进行匹配；
（2）该教育大数据管理系统通过滑动窗口提取关键帧的教学摘要，滑动窗口的尺寸随关键帧尺寸做适应性调整，使提取的教学摘要更符合教学视频重点；
（3）该教育大数据管理系统通过计算搜索权重序列和摘要权重序列来确定最优教学视频，其比较方法简单易实现，为用户推荐最佳的教学视频，为网上教育大数据管理提供有效支撑。
附图说明
图1为教育大数据管理系统的结构图。
具体实施方式
下面结合附图对本发明的实施例作进一步的说明。
如图1所示，本发明提供了一种教育大数据管理系统，包括视频采集单元、摘要提取单元、用户信息采集单元和课程匹配单元；
视频采集单元用于获取教学视频集合，并为教学视频集合中各个教学视频生成教学视频关键帧；
摘要提取单元用于为各个教学视频关键帧生成教学摘要；
用户信息采集单元用于获取用户的课程搜索关键字集合；
课程匹配单元用于根据各个教学视频关键帧对应的教学摘要和用户的课程搜索关键字集合，为用户匹配最优教学视频。
在本发明实施例中，视频采集单元为教学视频集合中各个教学视频生成教学视频关键帧包括以下步骤：
A1、计算教学视频中各帧图像的特征复杂度；
A2、将教学视频中第一帧图像作为初始图像；
A3、依次计算其余各帧图像与初始图像的特征复杂度差值；
A4、将特征复杂度差值小于特征复杂度阈值的首帧图像作为关键帧潜在集合的子集，并将首帧图像作为最新的初始图像；
A5、重复A3-A4，直至所有帧图像比较完成，生成关键帧潜在集合；
A6、计算关键帧潜在集合中各帧图像的特征关键度，将特征关键度最大值对应的帧作为教学视频关键帧。
教学视频关键帧一般包含教学视频的重要内容，其含有大量像素特征，所以本发明先提取存在重要内容的若干帧，形成关键帧潜在集合。关键帧潜在集合的各帧由复杂度确定，复杂度又由像素点的像素值和灰度值确定，所以关键帧潜在集合的各帧都含有丰富的像素特征。对关键帧潜在集合的各帧再次进行像素特征的相关计算，提取存在像素特征最多的帧作为关键帧，其包含最多关键内容，也便于后续步骤提取摘要。
在本发明实施例中，A1中，教学视频中第n帧图像的特征复杂度fn的计算公式为：
；
式中，Fn-2表示教学视频中第n-2帧图像的平均像素值，Fn-1表示教学视频中第n-1帧图像的平均像素值，Fn表示教学视频中第n帧图像的平均像素值，Fn+1表示教学视频中第n+1帧图像的平均像素值，Fn+2表示教学视频中第n+2帧图像的平均像素值，M表示教学视频中第n帧图像的像素点个数，λm表示教学视频中第n帧图像中第m个像素点的灰度值。
在本发明实施例中，A4中，特征复杂度阈值f0的计算公式为：；式中，f'表示最小特征复杂度。
在本发明实施例中，A3中，关键帧潜在集合中第l帧图像的特征关键度ωl的计算公式为：
；
式中，Fl表示关键帧潜在集合中第l帧图像的平均像素值，f0表示特征复杂度阈值，L表示关键帧潜在集合中所有图像帧数，abs(·)表示绝对值运算。
在本发明实施例中，摘要提取单元生成教学摘要的具体方法：利用滑动窗口从左至右遍历教学视频关键帧，生成教学摘要。
在本发明实施例中，滑动窗口的尺寸的计算公式为：
；
式中，W表示滑动窗口的宽，H表示滑动窗口的高，X表示教学视频关键帧的宽，Y表示教学视频关键帧的高，Uk表示教学视频关键帧中第k个单位宽的像素点个数，Vg表示教学视频关键帧中第g个单位长的像素点个数，c表示常数，log(·)表示对数运算。
滑动窗口的尺寸由关键帧本身的尺寸决定，当教学视频关键帧的宽大于或等高时，则对各个单位宽的像素点个数做对数运算，否则对各个单位长的像素点个数做对数运算；关键帧的宽高比列会影响滑动窗口的尺寸大小，由此构建的滑动窗口可以更适配该关键帧。
在本发明实施例中，课程匹配单元为用户匹配最优课程包括以下步骤：
B1、计算课程搜索关键字集合中各个单词的搜索权重值，为用户生成搜索权重序列；
B2、提取教学摘要中各个单词的摘要权重值，为各个教学视频生成摘要权重序列；
B3、判断各个摘要权重序列中是否存在与搜索权重序列完全相同的元素，若是则将摘要权重序列对应的教学视频作为最优教学视频，否则进入B4；
B4、计算各个摘要权重序列方差和搜索权重序列方差，将与搜索权重序列方差最接近的摘要权重序列方差对应的教学视频作为最优教学视频。
在本发明实施例中，B1中，课程搜索关键字集合中单词的搜索权重值θ1的计算公式为：
；
式中，Ps表示课程搜索关键字集合中第s个单词的主题概率，Ts表示课程搜索关键字集合中第s个单词的词频，S表示课程搜索关键字集合的单词个数。
在本发明实施例中，B2中，教学摘要中单词的摘要权重值θ2的计算公式为：
；
式中，I1表示教学摘要中相同词频的单词集合，I2表示教学摘要中关键词集合，c表示常数，TF(·)表示词频计算函数，表示教学摘要中第h个单词的主题概率，/>表示教学摘要中第h个单词的词频，H表示教学摘要的单词个数。
可以根据tf-df值由大到小排序取前若干个单词作为关键词。主题概率模型能够将具有相同主题的词或词组映射到同一维度上去，是一种特殊的概率图模型。
一般情况下，用户输入的搜索关键字集合中包含的单词较少，生成的搜索权重序列的元素较少；教学摘要中包含的单词较多，生成的摘要权重序列的元素较多；由此在B3中，若某个摘要权重序列的部分或全部元素与搜索权重序列完全一致，则说明该摘要权重序列对应的教学视频与用户输入的关键词集合完全适配，可直接作为最佳的教学视频推荐；否则将方差最接近的教学视频作为最佳的教学视频推荐。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (6)

1.一种教育大数据管理系统，其特征在于，包括视频采集单元、摘要提取单元、用户信息采集单元和课程匹配单元；
所述视频采集单元用于获取教学视频集合，并为教学视频集合中各个教学视频生成教学视频关键帧；
所述摘要提取单元用于为各个教学视频关键帧生成教学摘要；
所述用户信息采集单元用于获取用户的课程搜索关键字集合；
所述课程匹配单元用于根据各个教学视频关键帧对应的教学摘要和用户的课程搜索关键字集合，为用户匹配最优教学视频；
所述视频采集单元为教学视频集合中各个教学视频生成教学视频关键帧包括以下步骤：
A1、计算教学视频中各帧图像的特征复杂度；
A2、将教学视频中第一帧图像作为初始图像；
A3、依次计算其余各帧图像与初始图像的特征复杂度差值；
A4、将特征复杂度差值小于特征复杂度阈值的首帧图像作为关键帧潜在集合的子集，并将首帧图像作为最新的初始图像；
A5、重复A3-A4，直至所有帧图像比较完成，生成关键帧潜在集合；
A6、计算关键帧潜在集合中各帧图像的特征关键度，将特征关键度最大值对应的帧作为教学视频关键帧；
所述A1中，教学视频中第n帧图像的特征复杂度fn的计算公式为：
；
式中，Fn-2表示教学视频中第n-2帧图像的平均像素值，Fn-1表示教学视频中第n-1帧图像的平均像素值，Fn表示教学视频中第n帧图像的平均像素值，Fn+1表示教学视频中第n+1帧图像的平均像素值，Fn+2表示教学视频中第n+2帧图像的平均像素值，M表示教学视频中第n帧图像的像素点个数，λm表示教学视频中第n帧图像中第m个像素点的灰度值；
所述A4中，特征复杂度阈值f0的计算公式为：
；
式中，f'表示最小特征复杂度；
所述A6中，关键帧潜在集合中第l帧图像的特征关键度ωl的计算公式为：
；
式中，Fl表示关键帧潜在集合中第l帧图像的平均像素值，f0表示特征复杂度阈值，L表示关键帧潜在集合中所有图像帧数，abs(·)表示绝对值运算。
2.根据权利要求1所述的教育大数据管理系统，其特征在于，所述摘要提取单元生成教学摘要的具体方法：利用滑动窗口从左至右遍历教学视频关键帧，生成教学摘要。
3.根据权利要求2所述的教育大数据管理系统，其特征在于，所述滑动窗口的尺寸的计算公式为：
；
式中，W表示滑动窗口的宽，H表示滑动窗口的高，X表示教学视频关键帧的宽，Y表示教学视频关键帧的高，Uk表示教学视频关键帧中第k个单位宽的像素点个数，Vg表示教学视频关键帧中第g个单位长的像素点个数，c表示常数，log(·)表示对数运算。
4.根据权利要求1所述的教育大数据管理系统，其特征在于，所述课程匹配单元为用户匹配最优课程包括以下步骤：
B1、计算课程搜索关键字集合中各个单词的搜索权重值，为用户生成搜索权重序列；
B2、提取教学摘要中各个单词的摘要权重值，为各个教学视频生成摘要权重序列；
B3、判断各个摘要权重序列中是否存在与搜索权重序列完全相同的元素，若是则将摘要权重序列对应的教学视频作为最优教学视频，否则进入B4；
B4、计算各个摘要权重序列方差和搜索权重序列方差，将与搜索权重序列方差最接近的摘要权重序列方差对应的教学视频作为最优教学视频。
5.根据权利要求4所述的教育大数据管理系统，其特征在于，所述B1中，课程搜索关键字集合中单词的搜索权重值θ1的计算公式为：
；
式中，Ps表示课程搜索关键字集合中第s个单词的主题概率，Ts表示课程搜索关键字集合中第s个单词的词频，S表示课程搜索关键字集合的单词个数。
6.根据权利要求4所述的教育大数据管理系统，其特征在于，所述B2中，教学摘要中单词的摘要权重值θ2的计算公式为：
；
式中，I1表示教学摘要中相同词频的单词集合，I2表示教学摘要中关键词集合，c表示常数，TF(·)表示词频计算函数，表示教学摘要中第h个单词的主题概率，/>表示教学摘要中第h个单词的词频，H表示教学摘要的单词个数。
CN202310988045.3A 2023-08-08 2023-08-08 一种教育大数据管理系统 Active CN116701707B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310988045.3A CN116701707B (zh) 2023-08-08 2023-08-08 一种教育大数据管理系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310988045.3A CN116701707B (zh) 2023-08-08 2023-08-08 一种教育大数据管理系统

Publications (2)

Publication Number Publication Date
CN116701707A CN116701707A (zh) 2023-09-05
CN116701707B true CN116701707B (zh) 2023-11-10

Family

ID=87837916

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310988045.3A Active CN116701707B (zh) 2023-08-08 2023-08-08 一种教育大数据管理系统

Country Status (1)

Country Link
CN (1) CN116701707B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1687929A (zh) * 2005-05-13 2005-10-26 北京工业大学 基于视频特征曲线的视频检索的方法
CN103390040A (zh) * 2013-07-17 2013-11-13 南京邮电大学 一种视频拷贝检测方法
CN110166851A (zh) * 2018-08-21 2019-08-23 腾讯科技（深圳）有限公司 一种视频摘要生成方法、装置和存储介质
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
CN111629262A (zh) * 2020-05-08 2020-09-04 Oppo广东移动通信有限公司 视频图像处理方法和装置、电子设备及存储介质
CN113312503A (zh) * 2021-04-20 2021-08-27 桂林电子科技大学 一种新的教学类视频内容摘要和可视化浏览方法
CN114357206A (zh) * 2022-01-13 2022-04-15 山东女子学院 基于语义分析的教育类视频彩色字幕生成方法及系统
CN114398514A (zh) * 2021-12-24 2022-04-26 北京达佳互联信息技术有限公司 一种视频展示方法、装置及电子设备
US11330263B1 (en) * 2020-12-03 2022-05-10 Synamedia Limited Machine learning based coded size estimation in rate control of video encoding
CN115757937A (zh) * 2022-10-24 2023-03-07 上海卓越睿新数码科技股份有限公司 学生侧在线教学资源推荐方法
CN116069971A (zh) * 2022-11-30 2023-05-05 读书郎教育科技有限公司 一种基于大数据的教育视频数据推送系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104662896B (zh) * 2012-09-06 2017-11-28 诺基亚技术有限公司 用于图像处理的装置和方法
CN110858388B (zh) * 2018-08-23 2023-07-18 网宿科技股份有限公司 一种增强视频画质的方法和装置
US11500927B2 (en) * 2019-10-03 2022-11-15 Adobe Inc. Adaptive search results for multimedia search queries

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1687929A (zh) * 2005-05-13 2005-10-26 北京工业大学 基于视频特征曲线的视频检索的方法
CN103390040A (zh) * 2013-07-17 2013-11-13 南京邮电大学 一种视频拷贝检测方法
CN110166851A (zh) * 2018-08-21 2019-08-23 腾讯科技（深圳）有限公司 一种视频摘要生成方法、装置和存储介质
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
CN111629262A (zh) * 2020-05-08 2020-09-04 Oppo广东移动通信有限公司 视频图像处理方法和装置、电子设备及存储介质
US11330263B1 (en) * 2020-12-03 2022-05-10 Synamedia Limited Machine learning based coded size estimation in rate control of video encoding
CN113312503A (zh) * 2021-04-20 2021-08-27 桂林电子科技大学 一种新的教学类视频内容摘要和可视化浏览方法
CN114398514A (zh) * 2021-12-24 2022-04-26 北京达佳互联信息技术有限公司 一种视频展示方法、装置及电子设备
CN114357206A (zh) * 2022-01-13 2022-04-15 山东女子学院 基于语义分析的教育类视频彩色字幕生成方法及系统
CN115757937A (zh) * 2022-10-24 2023-03-07 上海卓越睿新数码科技股份有限公司 学生侧在线教学资源推荐方法
CN116069971A (zh) * 2022-11-30 2023-05-05 读书郎教育科技有限公司 一种基于大数据的教育视频数据推送系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于支配集的视频关键帧提取方法;聂秀山;柴彦娥;滕聪;;计算机研究与发展(第12期);第225-233页 *
最优距离聚类和特征融合表达的关键帧提取;孙云云;江朝晖;单桂朋;刘海秋;饶元;;南京理工大学学报(第04期);第36--43页 *

Also Published As

Publication number Publication date
CN116701707A (zh) 2023-09-05

Similar Documents

Publication Publication Date Title
CN107818306B (zh) 一种基于注意力模型的视频问答方法
CN110674410B (zh) 用户画像构建、内容推荐方法、装置及设备
CN111414461B (zh) 一种融合知识库与用户建模的智能问答方法及系统
CN111897913A (zh) 基于语义树增强的复杂文本查询到视频的跨模态检索方法
CN112182166A (zh) 一种文本匹配方法、装置、电子设备及存储介质
CN113297370B (zh) 基于多交互注意力的端到端多模态问答方法及系统
CN110956038B (zh) 图文内容重复判断方法及装置
EP4060548A1 (en) Method and device for presenting prompt information and storage medium
US11386292B2 (en) Method and system for auto multiple image captioning
CN113988079A (zh) 一种面向低数据的动态增强多跳文本阅读识别处理方法
CN113051368A (zh) 双塔模型训练方法、检索方法、装置及电子设备
CN114298055B (zh) 基于多级语义匹配的检索方法、装置、计算机设备和存储介质
CN116049557A (zh) 一种基于多模态预训练模型的教育资源推荐方法
CN112800177B (zh) 基于复杂数据类型的faq知识库自动生成方法和装置
CN112349294B (zh) 语音处理方法及装置、计算机可读介质、电子设备
CN116701707B (zh) 一种教育大数据管理系统
CN115984842A (zh) 一种基于多模态的视频开放标签提取方法
CN113609330B (zh) 一种基于文本注意力和细粒度信息的视频问答系统、方法、计算机及存储介质
CN111225235B (zh) 一种网络教学视频的播放方法
CN113836354A (zh) 一种跨模态视觉与文本信息匹配方法和装置
CN113963235A (zh) 一种跨类别图像识别模型重用方法和系统
CN113849598A (zh) 基于深度学习的社交媒体虚假信息检测方法及检测系统
CN116702094B (zh) 一种群体应用偏好特征表示方法
CN112651403B (zh) 基于语义嵌入的零样本视觉问答方法
CN112686052B (zh) 试题推荐及相关模型的训练方法、电子设备、存储装置

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