CN116719994A - 媒体对象推荐方法、装置、计算机设备及存储介质 - Google Patents
媒体对象推荐方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN116719994A CN116719994A CN202310684417.3A CN202310684417A CN116719994A CN 116719994 A CN116719994 A CN 116719994A CN 202310684417 A CN202310684417 A CN 202310684417A CN 116719994 A CN116719994 A CN 116719994A
- Authority
- CN
- China
- Prior art keywords
- media object
- graph
- target
- map
- determining
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 239000013598 vector Substances 0.000 claims description 35
- 238000004590 computer program Methods 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 22
- 238000011176 pooling Methods 0.000 claims description 12
- 230000002452 interceptive effect Effects 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 description 47
- 239000011159 matrix material Substances 0.000 description 25
- 230000003993 interaction Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 9
- 238000000605 extraction Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9024—Graphs; Linked lists
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/906—Clustering; Classification
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请涉及一种媒体对象推荐方法、装置、计算机设备及存储介质。方法包括:确定参照媒体对象所属的媒体对象图谱,作为第一媒体对象图谱;媒体对象图谱,是预先根据各个媒体对象的特征信息进行聚类得到多个聚类簇,并根据同一聚类簇对应的各个媒体对象构建的;确定第一媒体对象图谱与各个第二媒体对象图谱之间的图谱相似度;第二媒体对象图谱,是除第一媒体对象图谱之外的媒体对象图谱;根据图谱相似度,从各个第二媒体对象图谱中确定目标媒体对象图谱;从目标媒体对象图谱中确定待推荐的第一目标媒体对象,并推荐第一目标媒体对象。采用本申请,能够实现提高媒体对象推荐的准确性。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种媒体对象推荐方法、装置、计算机设备及存储介质。
背景技术
随着数字媒体技术和互联网应用的快速发展,以及数字相机和智能手机等数字媒体设备的普及,人们可以轻松生成和分享多种类型的媒体对象,包括照片、视频和音频等,导致这些媒体对象的数据量呈现爆炸式增长,难以查找到想要的媒体对象成为了一个棘手的问题。
传统方法中,一般需要由媒体对象的上传人员或者运营平台的管理人员手动为各个媒体对象添加描述信息和标签,根据各个媒体对象的描述信息和标签为用户进行媒体对象的推荐。然而,由于人工为媒体对象添加的信息较为局限,无法准确地表达媒体对象的特征,导致媒体对象推荐不准确。
发明内容
基于此,有必要针对上述技术问题,提供一种媒体对象推荐方法、装置、计算机设备、计算机可读存储介质以及计算机程序产品,能够实现提高媒体对象推荐的准确性。
第一方面,本申请提供了一种媒体对象推荐方法,包括:
确定参照媒体对象所属的媒体对象图谱,作为第一媒体对象图谱;媒体对象图谱,是预先根据各个媒体对象的特征信息进行聚类得到多个聚类簇,并根据同一聚类簇对应的各个媒体对象构建的;
确定第一媒体对象图谱与各个第二媒体对象图谱之间的图谱相似度;第二媒体对象图谱,是除第一媒体对象图谱之外的媒体对象图谱;
根据图谱相似度,从各个第二媒体对象图谱中确定目标媒体对象图谱;
从目标媒体对象图谱中确定待推荐的第一目标媒体对象,并推荐第一目标媒体对象。
第二方面,本申请提供了一种媒体对象推荐装置,包括:
查找模块,用于确定参照媒体对象所属的媒体对象图谱,作为第一媒体对象图谱;媒体对象图谱,是预先根据各个媒体对象的特征信息进行聚类得到多个聚类簇,并根据同一聚类簇对应的各个媒体对象构建的;
计算模块,用于确定第一媒体对象图谱与各个第二媒体对象图谱之间的图谱相似度;第二媒体对象图谱,是除第一媒体对象图谱之外的媒体对象图谱;
确定模块,用于根据图谱相似度,从各个第二媒体对象图谱中确定目标媒体对象图谱;
推荐模块,用于从目标媒体对象图谱中确定待推荐的第一目标媒体对象,并推荐第一目标媒体对象。
第三方面,本申请提供了一种计算机设备,计算机设备包括存储器和处理器,存储器存储有计算机程序,处理器执行该计算机程序时实现上述的方法中的步骤。
第四方面,本申请提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述的方法中的步骤。
第五方面,本申请提供了一种计算机程序产品,计算机程序产品包括计算机程序,该计算机程序被处理器执行时实现本上述的方法中的步骤。
上述媒体对象推荐方法、装置、计算机设备、计算机可读存储介质及计算机程序产品,通过预先根据各个媒体对象的特征信息进行聚类,构建媒体对象图谱,然后根据媒体对象图谱之间的图谱相似度来进行媒体对象的推荐,能够更加准确地对媒体对象进行理解和分类,进而更加准确地确定媒体对象图谱之间的图谱相似度,提高了媒体对象推荐的准确性。
附图说明
图1为本申请实施例提供的一种媒体对象推荐方法的应用环境图;
图2为本申请实施例提供的一种媒体对象推荐方法的流程示意图;
图3为本申请实施例提供的一种聚类结果的可视化示意图;
图4为本申请实施例提供的一种空域和时域进行特征提取的示意图;
图5为本申请实施例提供的一种特征提取的网络层级结构示意图;
图6为本申请实施例提供的一种特征提取结果的可视化示意图;
图7为本申请实施例提供的一种媒体对象推荐装置的结构框图;
图8为本申请实施例提供的另一种媒体对象推荐装置的结构框图;
图9为本申请实施例提供的一种计算机设备的内部结构图;
图10为本申请实施例提供的另一种计算机设备的内部结构图;
图11为本申请实施例提供的一种计算机可读存储介质的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的媒体对象推荐方法,可以应用于如图1所示的应用环境中。其中,终端102通过通信网络与计算机设备104进行通信。数据存储系统可以存储计算机设备104需要处理的数据。数据存储系统可以集成在计算机设备104上,也可以放在云上或其他网络计算机设备上。终端102可以将参照媒体对象的信息发送至计算机设备104,计算机设备104可以执行本申请各实施例中的媒体对象推荐方法,确定待推荐的目标媒体对象,并将待推荐的目标媒体对象发送至终端102进行推荐。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备,物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。计算机设备104可以用独立的服务器或者是多个服务器组成的服务器集群来实现,或者,可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备,物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等,便携式可穿戴设备可为智能手表、智能手环、头戴设备等。
如图2所示,本申请实施例提供了一种媒体对象推荐方法,以该方法应用于图1中的终端102或计算机设备104为例进行说明。可以理解的是,计算机设备可以包括终端和服务器中的至少一种。该方法包括以下步骤:
S202、确定参照媒体对象所属的媒体对象图谱,作为第一媒体对象图谱;媒体对象图谱,是预先根据各个媒体对象的特征信息进行聚类得到多个聚类簇,并根据同一聚类簇对应的各个媒体对象构建的。
其中,媒体对象,是一种多媒体对象,多媒体是多种媒体的综合,包括文本、声音和图像等多种媒体形式。参照媒体对象,用于作为参照来确定待推荐的目标媒体对象。媒体对象图谱,是基于同一聚类簇对应的多个媒体对象构建的、且包含节点和边的数据结构。
在一些实施例中,媒体对象可以包括图像、视频和音频等中的至少一种。
在一些实施例中,参照媒体对象可以是用户存在交互的媒体对象。交互可以包括搜索、查看、点赞、评论、收藏和停留等操作中的至少一种。交互可以是当前正在进行的,或者是过去进行过的。
在一些实施例中,用户所使用的终端可以将参照媒体对象的信息发送至计算机设备,计算机设备可以从预先构建的多个媒体对象图谱中,查找参照媒体对象所属的媒体对象图谱,作为第一媒体对象图谱。
S204、确定第一媒体对象图谱与各个第二媒体对象图谱之间的图谱相似度;第二媒体对象图谱,是除第一媒体对象图谱之外的媒体对象图谱。
其中,图谱相似度,用于衡量两个媒体对象图谱之间的相似程度。
在一些实施例中,计算机设备可以将第一媒体对象图谱和各个第二媒体对象图谱均表示为无向图,计算第一媒体对象图谱的无向图与各个第二媒体对象图谱的无向图之间的相似度,得到图谱相似度。
S206、根据图谱相似度,从各个第二媒体对象图谱中确定目标媒体对象图谱。
在一些实施例中,目标媒体对象图谱的数量可以是一个或多个。
在一些实施例中,计算机设备可以根据图谱相似度的大小,从各个第二媒体对象图谱中确定目标媒体对象图谱。
S208、从目标媒体对象图谱中确定待推荐的第一目标媒体对象,并推荐第一目标媒体对象。
在一些实施例中,计算机设备还可以从第一媒体对象图谱中,确定待推荐的第二目标媒体对象,并推荐第二目标媒体对象。即,从参照媒体对象所属的媒体对象图谱中推荐媒体对象。
其中,第一目标媒体对象,是指从目标媒体对象图谱中确定的待推荐的目标媒体对象。第二目标媒体对象,是指从第一媒体对象图谱中确定的待推荐的目标媒体对象。
在一些实施例中,待推荐的第一目标媒体对象可以是目标媒体对象图谱中的全部或部分。待推荐的第二目标媒体对象可以是第一媒体对象图谱中的全部或部分。
在一些实施例中,待推荐的第一目标媒体对象或第二目标媒体对象的数量可以为一个或多个。
在一些实施例中,计算机设备可以从目标媒体对象图谱中选取第一预设数量的媒体对象作为待推荐的第一目标媒体对象。其中,第一预设数量可以是一个或多个。计算机设备可以将目标媒体对象图谱中的各个媒体对象按照在聚类簇中与聚类中心之间的距离从大到小的顺序进行排序,选取排在前第一预设数量的媒体对象作为待推荐的第一目标媒体对象。
在一些实施例中,计算机设备可以从第一媒体对象图谱中选取第二预设数量的媒体对象作为待推荐的第二目标媒体对象。其中,第二预设数量可以是一个或多个。计算机设备可以根据第一媒体对象图谱中各个媒体对象与参照媒体对象之间的相似度,选取第二预设数量的媒体对象作为待推荐的第二目标媒体对象。
在一些实施例中,在确定待推荐的第一目标媒体对象或第二目标媒体对象之后,计算机设备可以将待推荐的第一目标媒体对象或第二目标媒体对象的信息发送至终端,终端可以展示待推荐的第一目标媒体对象或第二目标媒体对象的信息,以推荐第一目标媒体对象或第二目标媒体对象。
在一些实施例中,终端可以直接播放第一目标媒体对象或第二目标媒体对象。在另一些实施例中,终端可以展示第一目标媒体对象或第二目标媒体对象的预览信息或介绍信息等,在接收到针对展示的预览信息或介绍信息的触发操作后,播放第一目标媒体对象或第二目标媒体对象。
可见,在本申请实施例中,通过预先根据各个媒体对象的特征信息进行聚类,构建媒体对象图谱,然后根据媒体对象图谱之间的图谱相似度来进行媒体对象的推荐,能够更加准确地对媒体对象进行理解和分类,进而更加准确地确定媒体对象图谱之间的图谱相似度,提高了媒体对象推荐的准确性。此外,通过计算图谱相似度来进行媒体对象推荐,计算量较小,提高了推荐效率。
在一些实施例中,确定第一媒体对象图谱与各个第二媒体对象图谱之间的图谱相似度,包括:
确定第一媒体对象图谱和各个第二媒体对象图谱分别对应的拉普拉斯矩阵;
确定各个拉普拉斯矩阵分别对应的多个特征向量;
针对每个第二媒体对象图谱,根据第二媒体对象图谱对应的各个特征向量分别与第一媒体对象图谱对应的各个特征向量之间的相似度,确定第一媒体对象图谱与第二媒体对象图谱之间的图谱相似度。
其中,拉普拉斯矩阵,是图谱的一种矩阵表示方式。
在一些实施例中,计算机设备可以确定第一媒体对象图谱和各个第二媒体对象图谱分别对应的无向图的邻接矩阵和度矩阵,然后根据度矩阵和邻接矩阵之间的差值确定第一媒体对象图谱和各个第二媒体对象图谱分别对应的拉普拉斯矩阵。例如:第一媒体对象图谱和第二媒体对象图谱分别对应的无向图为G1和G2,相应的邻接矩阵分别为A1和A2,相应的度矩阵分别为D1和D2,则第一媒体对象图谱和第二媒体对象图谱分别对应的拉普拉斯矩阵为L1=D1-A1,L2=D2-A2。
在一些实施例中,计算机设备可以计算拉普拉斯矩阵对应的多个特征值、以及各个特征值分别对应的特征向量。拉普拉斯矩阵与特征值和特征向量之间的关系可以用如下公式表示:
L1vi=λivi;(1)
L2uj=μjuj;(2)
其中,公式(1)中的L1表示第一媒体对象图谱对应的拉普拉斯矩阵,λi表示L1对应的第i个特征值,vi表示L1对应的第i个特征向量。公式(2)中的L2表示第二媒体对象图谱对应的拉普拉斯矩阵,μj表示L2对应的第j个特征值,uj表示L2对应的第j个特征向量。
在一些实施例中,第二媒体对象图谱对应的各个特征向量分别与第一媒体对象图谱对应的各个特征向量之间的相似度可以是余弦相似度。
在一些实施例中,计算机设备可以分别根据第一媒体对象图谱和第二媒体对象图谱对应的各个特征向量,生成第一媒体对象图谱和第二媒体对象图谱分别对应的特征向量矩阵。即,第一媒体对象图谱对应的特征向量矩阵为V=[v1,v2,……,vn],第二媒体对象图谱对应的特征向量矩阵为U=[u1,u2,……,un],n表示特征向量的数量。计算机设备可以根据第一媒体对象图谱和第二媒体对象图谱分别对应的特征向量矩阵,计算第一媒体对象图谱和第二媒体对象图谱分别对应的特征向量矩阵中各个特征向量之间的余弦相似度。
在一些实施例中,计算机设备可以根据如下公式计算余弦相似度:
其中,Vi表示第一媒体对象图谱对应的特征向量矩阵中的其中一个特征向量,即,第一媒体对象图谱对应的其中一个特征向量。Uj表示第二媒体对象图谱对应的特征向量矩阵中的其中一个特征向量,即,第二媒体对象图谱对应的其中一个特征向量。||Vi||和||Uj||分别表示Vi的模和Uj的模。Sij表示Vi和Uj之间的余弦相似度。
在一些实施例中,计算机设备可以根据第二媒体对象图谱对应的各个特征向量分别与第一媒体对象图谱对应的各个特征向量之间的相似度的平均值,确定第一媒体对象图谱与第二媒体对象图谱之间的图谱相似度。公式如下:
其中,sim(G1,G2)表示第一媒体对象图谱G1与第二媒体对象图谱G2之间的图谱相似度。Sij表示第一媒体对象图谱对应的特征向量与第二媒体对象图谱对应的特征向量之间的余弦相似度。n表示特征向量的总数量。
可见,在本实施例中,通过计算第一媒体对象图谱和各个第二媒体对象图谱分别对应的拉普拉斯矩阵,然后确定各个拉普拉斯矩阵分别对应的多个特征向量,计算各个特征向量之间的余弦相似度,能够准确地计算出第一媒体对象图谱与第二媒体对象图谱之间的图谱相似度。
在一些实施例中,根据图谱相似度,从各个第二媒体对象图谱中确定目标媒体对象图谱,包括:
将各个第二媒体对象图谱,按照相应的图谱相似度从大到小的顺序进行排列;
从各个第二媒体对象图谱中,选取排在前预设数量的第二媒体对象图谱作为目标媒体对象图谱。
在一些实施例中,预设数量可以是一个或多个。
在一些实施例中,计算机设备还可以将各个第二媒体对象图谱按照相应的图谱相似度从小到大的顺序进行排列,从各个第二媒体对象图谱中选取排在后预设数量的第二媒体对象图谱作为目标媒体对象图谱。
可见,在本实施例中,通过按照图谱相似度的大小对第二媒体对象图谱进行排序,然后根据排序结果选取预设数量的第二媒体对象图谱,能够准确地确定出与第一媒体对象图谱更加相似的第二媒体对象图谱,从而对第二媒体对象图谱中的媒体对象进行推荐,提高了媒体对象推荐的准确性。
在一些实施例中,第一媒体对象图谱和任意一个第二媒体对象图谱均包括节点和边;节点之间用边相连;节点用于表征媒体对象图谱包含的媒体对象;边用于表征媒体对象图谱包含的媒体对象之间的相似度;在确定参照媒体对象所属的媒体对象图谱,作为第一媒体对象图谱之后,方法还包括:
从第一媒体对象图谱中,根据与参照媒体对象的节点相连的边所表征的相似度,从与参照媒体对象的节点相连的各个节点对应的媒体对象中确定待推荐的第二目标媒体对象,并推荐第二目标媒体对象。
在一些实施例中,计算机设备可以预先根据同一媒体对象图谱包含的各个媒体对象的特征信息,确定各个媒体对象之间的相似度,然后根据相似度对该媒体对象图谱包含的各个媒体对象的节点之间的边进行赋值。
在一些实施例中,媒体对象图谱中的边还可以用于表征媒体对象图谱包含的媒体对象所属的类别。例如:媒体对象所属的类别为运动类,则可以对该媒体对象的节点所连的边赋值为运动类。
在一些实施例中,计算机设备可以根据与参照媒体对象的节点相连的边所表征的相似度,将与参照媒体对象的节点相连的各个节点对应的媒体对象按照相似度从大到小的顺序进行排序,选取排在前第二预设数量的媒体对象作为待推荐的第二目标媒体对象,并推荐第二目标媒体对象。
可见,在本实施例中,从第一媒体对象图谱中,根据与参照媒体对象的节点相连的边所表征的相似度,从与参照媒体对象的节点相连的各个节点对应的媒体对象中确定待推荐的第二目标媒体对象,并推荐第二目标媒体对象,能够准确地从参照媒体对象所属的第一媒体对象图谱中推荐更加相似的媒体对象,提高了媒体对象推荐的准确性。
在一些实施例中,参照媒体对象是用户存在交互的媒体对象;推荐第一目标媒体对象,包括:
将第一目标媒体对象推荐给与参照媒体对象存在交互的用户对应的终端。
在一些实施例中,计算机设备可以将第一目标媒体对象或第二目标媒体对象的信息发送至与参照媒体对象存在交互的用户对应的终端,与参照媒体对象存在交互的用户对应的终端可以展示第一目标媒体对象或第二目标媒体对象的信息,以实现推荐媒体对象。
可见,在本实施例中,基于用户存在交互的参照媒体对象,确定待推荐的目标媒体对象,然后将目标媒体对象推荐给与参照媒体对象存在交互的用户对应的终端,能够根据用户的交互行为,准确地对用户推荐媒体对象。
在一些实施例中,在确定参照媒体对象所属的媒体对象图谱,作为第一媒体对象图谱之前,方法还包括:
预先对各个媒体对象进行特征提取,得到各个媒体对象的特征信息;
根据特征信息进行聚类,以将各个媒体对象划分至多个聚类簇;
根据同一聚类簇对应的各个媒体对象,构建媒体对象图谱。
在一些实施例中,特征信息可以是特征向量或特征矩阵。
在一些实施例中,在媒体对象是视频的情况下,计算机设备可以分别对视频中的图像、音频和文本等信息进行特征提取,得到视频的多模态下的特征信息。融合了多模态的特征信息,能够全面地理解媒体对象,提高推荐的准确性。
在一些实施例中,计算机设备可以使用k-means算法进行聚类。
在一些实施例中,计算机设备可以确定符合目标数量的初始聚类中心,作为当前的聚类中心,计算各个特征信息与当前的聚类中心之间的距离,将各个特征信息分别划分至距离最近的当前的聚类中心对应的聚类簇中,然后根据划分至同一聚类簇中的特征信息的平均值,确定新的当前的聚类中心,并返回计算各个特征信息与当前的聚类中心之间的距离的步骤以迭代地进行聚类,直至符合迭代停止条件,得到最终的多个聚类簇。
其中,目标数量,是预设的需划分出的聚类簇的数量。
在一些实施例中,计算机设备可以在各个特征信息所属的数据范围内,随机确定符合目标数量的初始聚类中心。
在一些实施例中,迭代停止条件可以是聚类中心不再变化或迭代次数大于或等于预设次数阈值。
例如:有包含10个媒体对象的特征向量的数据集,每个特征向量包含5个维度,可以将该数据集表示成一个10×5的矩阵:
[2,3,4,1,5]
[1,4,3,7,2]
[3,2,5,6,1]
[4,1,2,5,8]
[2,2,3,4,9]
[1,3,4,6,8]
[7,4,3,1,5]
[8,9,2,3,1]
[5,6,1,2,4]
[2,5,6,7,1]
假设目标数量为3,则可以随机生成3个初始聚类中心,例如3个初始聚类中心可以为:
[2,4,5,1,8]
[7,3,2,6,4]
[1,5,3,7,9]
假如迭代5次后停止迭代,得到最终的3个聚类中心为:
[1.5,3.5,4,1.5,7.5]
[5.5,4,2.5,5.25,4]
[2.6667,4.6667,3.3333,5,4.6667]
因此,上述最终的3个聚类中心分别对应的聚类簇即为最终划分出的3个聚类簇。
如图3所示,是将聚类结果进行可视化展示的示意图。图中的五角星表示最终的聚类中心,同一纹理的圆形表示被划分至同一聚类簇中的特征信息。可以看出,距离同一聚类中心近的特征信息被划分到同一聚类中心对应聚类簇中。
在一些实施例中,计算机设备可以根据划分至同一聚类簇的特征信息对应的媒体对象,构建媒体对象图像,将聚类簇中的各个媒体对象分别作为媒体对象图谱中的节点,并将各个媒体对象之间的相似度作为媒体对象图谱中的节点之间所连的边的值。
在一些实施例中,可以使用多台计算机设备并行地进行聚类,从而提高聚类的效率。可以对各台计算机设备中处理的数据量进行均衡,实现负载均衡。可以将计算机设备的处理结果缓存至其他计算机设备中进行后续处理,实现数据的高效利用,且提升了方案的可扩展性。
可见,在本实施例中,预先对各个媒体对象进行特征提取,得到各个媒体对象的特征信息,根据特征信息进行聚类,以将各个媒体对象划分至多个聚类簇,从而能够根据同一聚类簇对应的各个媒体对象准确地构建媒体对象图谱,使得同一媒体对象图谱中的媒体对象更加相似。
在一些实施例中,在根据同一聚类簇对应的各个媒体对象,构建媒体对象图谱之后,方法还包括:
在获取针对任意媒体对象的用户反馈信息后,根据针对媒体对象的用户反馈信息,更新媒体对象的特征信息;
根据媒体对象更新后的特征信息,重新确定媒体对象所属的目标聚类簇;
将媒体对象添加至目标聚类簇对应的媒体对象图谱中。
其中,用户反馈信息,是与用户针对任意媒体对象做出的反馈相关的信息。
在一些实施例中,用户反馈信息可以包括用户的交互情况和用户的评价信息等中的至少一种。其中,用户的交互情况,是指用户与媒体对象进行交互的情况。用户的评价信息,是指用户对媒体对象做出的评价的内容。
在一些实施例中,用户的交互情况可以包括搜索、查看、点赞、评论、收藏和停留等操作的情况中的至少一种。
在一些实施例中,终端可以获取用户针对媒体对象的用户反馈信息,并将用户反馈信息发送至计算机设备,计算机设备可以根据针对媒体对象的用户反馈信息,更新媒体对象的特征信息。
在一些实施例中,计算机设备可以在更新媒体对象的特征信息后,可以根据媒体对象的更新后的特征信息,确定更新后的特征信息与各个聚类簇的聚类中心之间的距离,将该媒体对象划分至距离最小的聚类中心对应的目标聚类簇中。将媒体对象添加至目标聚类簇对应的媒体对象图谱中,以更新目标聚类簇对应的媒体对象图谱。
可见,在本实施例中,可以根据用户反馈信息对媒体对象图谱进行更新优化,进一步提高媒体对象推荐的准确性,而且提高了媒体对象图谱的时效性和有效性,而且提升了方案的可扩展性和鲁棒性。
在一些实施例中,预先对各个媒体对象进行特征提取,得到各个媒体对象的特征信息,包括:
将各个空域的媒体对象转换至时域;
分别在空域和时域对各个媒体对象进行卷积处理和池化处理,得到各个媒体对象的空域特征和时域特征;
对各个媒体对象的空域特征和时域特征进行融合,得到各个媒体对象的特征信息。
在一些实施例中,计算机设备可以使用三维卷积核(3D CNN)对各个媒体对象进行卷积处理和池化处理。
在一些实施例中,在媒体对象是视频的情况下,计算机设备可以分别在空域和时域对视频帧序列进行卷积处理和池化处理,得到各个媒体对象的空域特征和时域特征。如图4所示,分别在空域和时域对视频帧序列进行卷积处理和池化处理,分别输出空域特征和时域特征。
在一些实施例中,可以并行地在空域和时域进行处理。
在一些实施例中,计算机设备可以将视频分为多个视频帧序列,每个视频帧序列包含多个视频帧。计算机设备可以分别对每个视频帧序列进行卷积处理和池化处理,得到每个视频帧序列分别对应的特征信息,即,每个视频得到多组特征信息。在一些实施例中,相邻的视频帧序列之间可以存在重叠的视频帧。例如:将视频分为多个包含16帧的视频帧序列,相邻的视频帧序列之间互相重叠8帧。
卷积处理和池化处理的网络可以如图5所示,例如:输入的视频帧序列的维数为3×16×128×171,池化层的卷积核的尺寸是d×k×k,第一个池化层的d=1,以保证时域的信息不被过早融合,后续的池化层的d=2,卷积层的卷积核大小为3×3×3。通过图5中的卷积层和池化层逐层进行特征提取,最终得到4096维的特征向量,作为输入的视频帧序列的特征信息。图6中对最后一个卷积层输出的特征进行可视化,可以看出在特征开始时着重表达了视频帧中的画面信息,在特征的后面着重表达视频帧中的运动信息。
可见,在本实施例中,分别在空域和时域对各个媒体对象进行卷积处理和池化处理,能够避免卷积处理和池化处理后丢失时域的信息,增加了特征信息中的信息量,提高了特征信息的准确性。
在一些实施例中,在媒体对象是视频的情况下,计算机设备可以预先对各个视频进行特征提取,得到各个视频的特征信息,然后根据各个视频的特征信息进行聚类,以将各个视频划分至多个聚类簇,再根据属于同一聚类簇的视频,构建视频图谱。在进行视频推荐时,计算机设备可以确定参照视频所属的视频图谱,作为第一视频图谱,然后确定第一视频图谱与各个第二视频图谱之间的图谱相似度。其中,第二视频图谱是除第一视频图谱之外的视频图谱。计算机设备可以根据图谱相似度,从各个第二视频图谱中确定目标视频图谱,然后从目标视频图谱中确定待推荐的第一目标视频,并将目标视频推荐至与参照视频存在交互的用户对应的终端。
应该理解的是,虽然如上述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种媒体对象推荐装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个媒体对象推荐装置实施例中的具体限定可以参见上文中对于媒体对象推荐方法的限定,在此不再赘述。
如图7所示,本申请实施例提供了一种媒体对象推荐装置700,包括:
查找模块702,用于确定参照媒体对象所属的媒体对象图谱,作为第一媒体对象图谱;媒体对象图谱,是预先根据各个媒体对象的特征信息进行聚类得到多个聚类簇,并根据同一聚类簇对应的各个媒体对象构建的;
计算模块704,用于确定第一媒体对象图谱与各个第二媒体对象图谱之间的图谱相似度;第二媒体对象图谱,是除第一媒体对象图谱之外的媒体对象图谱;
确定模块705,用于根据图谱相似度,从各个第二媒体对象图谱中确定目标媒体对象图谱;
推荐模块706,用于从目标媒体对象图谱中确定待推荐的第一目标媒体对象,并推荐第一目标媒体对象。
在一些实施例中,在确定第一媒体对象图谱与各个第二媒体对象图谱之间的图谱相似度方面,计算模块704具体用于:
确定第一媒体对象图谱和各个第二媒体对象图谱分别对应的拉普拉斯矩阵;
确定各个拉普拉斯矩阵分别对应的多个特征向量;
针对每个第二媒体对象图谱,根据第二媒体对象图谱对应的各个特征向量分别与第一媒体对象图谱对应的各个特征向量之间的相似度,确定第一媒体对象图谱与第二媒体对象图谱之间的图谱相似度。
在一些实施例中,在根据图谱相似度,从各个第二媒体对象图谱中确定目标媒体对象图谱方面,确定模块705具体用于:
将各个第二媒体对象图谱,按照相应的图谱相似度从大到小的顺序进行排列;
从各个第二媒体对象图谱中,选取排在前预设数量的第二媒体对象图谱作为目标媒体对象图谱。
在一些实施例中,第一媒体对象图谱和任意一个第二媒体对象图谱均包括节点和边;节点之间用边相连;节点用于表征媒体对象图谱包含的媒体对象;边用于表征媒体对象图谱包含的媒体对象之间的相似度;
推荐模块706还用于:从第一媒体对象图谱中,根据与参照媒体对象的节点相连的边所表征的相似度,从与参照媒体对象的节点相连的各个节点对应的媒体对象中确定待推荐的第二目标媒体对象,并推荐第二目标媒体对象。
在一些实施例中,参照媒体对象是用户存在交互的媒体对象;在推荐第一目标媒体对象方面,推荐模块706具体用于:
将第一目标媒体对象推荐给与参照媒体对象存在交互的用户对应的终端。
在一些实施例中,如图8所示,装置700还包括:
构建模块708,用于预先对各个媒体对象进行特征提取,得到各个媒体对象的特征信息;根据特征信息进行聚类,以将各个媒体对象划分至多个聚类簇;根据同一聚类簇对应的各个媒体对象,构建媒体对象图谱。
在一些实施例中,构建模块708还用于:在获取针对任意媒体对象的用户反馈信息后,根据针对媒体对象的用户反馈信息,更新媒体对象的特征信息;
根据媒体对象更新后的特征信息,重新确定媒体对象所属的目标聚类簇;
将媒体对象添加至目标聚类簇对应的媒体对象图谱中。
在一些实施例中,在预先对各个媒体对象进行特征提取,得到各个媒体对象的特征信息方面,构建模块708具体用于:
将各个空域的媒体对象转换至时域;
分别在空域和时域对各个媒体对象进行卷积处理和池化处理,得到各个媒体对象的空域特征和时域特征;
对各个媒体对象的空域特征和时域特征进行融合,得到各个媒体对象的特征信息。
上述媒体对象推荐装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以以硬件形式内嵌于或独立于计算机设备中的处理器,也可以以软件形式存储于计算机设备中的存储器,以便于处理器调用执行以上各个模块对应的操作。
在一些实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图9所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output,简称I/O)及通信接口。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口通过输入/输出接口连接到系统总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储媒体对象图谱。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现上述的媒体对象推荐方法中的步骤。
在一些实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图10所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元及输入装置。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现上述的媒体对象推荐方法中的步骤。该计算机设备的显示单元用于形成视觉可见的画面,可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏;该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图9或图10中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一些实施例中,提供了一种计算机设备,该计算机设备包括存储器和处理器,存储器存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一些实施例中,如图11所示提供了一种计算机可读存储介质的内部结构图,计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一些实施例中,提供了一种计算机程序产品,该计算机程序产品包括计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(FerroelectricRandom Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(StaticRandom Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (11)
1.一种媒体对象推荐方法,其特征在于,包括:
确定参照媒体对象所属的媒体对象图谱,作为第一媒体对象图谱;所述媒体对象图谱,是预先根据各个媒体对象的特征信息进行聚类得到多个聚类簇,并根据同一聚类簇对应的各个媒体对象构建的;
确定所述第一媒体对象图谱与各个第二媒体对象图谱之间的图谱相似度;所述第二媒体对象图谱,是除所述第一媒体对象图谱之外的媒体对象图谱;
根据所述图谱相似度,从各个所述第二媒体对象图谱中确定目标媒体对象图谱;
从所述目标媒体对象图谱中确定待推荐的第一目标媒体对象,并推荐所述第一目标媒体对象。
2.根据权利要求1所述的方法,其特征在于,所述确定所述第一媒体对象图谱与各个第二媒体对象图谱之间的图谱相似度,包括:
确定所述第一媒体对象图谱和各个第二媒体对象图谱分别对应的拉普拉斯矩阵;
确定各个所述拉普拉斯矩阵分别对应的多个特征向量;
针对每个所述第二媒体对象图谱,根据所述第二媒体对象图谱对应的各个特征向量分别与所述第一媒体对象图谱对应的各个特征向量之间的相似度,确定所述第一媒体对象图谱与所述第二媒体对象图谱之间的图谱相似度。
3.根据权利要求1所述的方法,其特征在于,所述根据所述图谱相似度,从各个所述第二媒体对象图谱中确定目标媒体对象图谱,包括:
将各个所述第二媒体对象图谱,按照相应的所述图谱相似度从大到小的顺序进行排列;
从各个所述第二媒体对象图谱中,选取排在前预设数量的第二媒体对象图谱作为目标媒体对象图谱。
4.根据权利要求1所述的方法,其特征在于,所述第一媒体对象图谱和任意一个所述第二媒体对象图谱均包括节点和边;所述节点之间用边相连;所述节点用于表征所述媒体对象图谱包含的媒体对象;所述边用于表征所述媒体对象图谱包含的媒体对象之间的相似度;在所述确定参照媒体对象所属的媒体对象图谱,作为第一媒体对象图谱之后,所述方法还包括:
从所述第一媒体对象图谱中,根据与所述参照媒体对象的节点相连的边所表征的相似度,从与所述参照媒体对象的节点相连的各个节点对应的媒体对象中确定待推荐的第二目标媒体对象,并推荐所述第二目标媒体对象。
5.根据权利要求1所述的方法,其特征在于,所述参照媒体对象是用户存在交互的媒体对象;所述推荐所述第一目标媒体对象,包括:
将所述第一目标媒体对象推荐给与所述参照媒体对象存在交互的用户对应的终端。
6.根据权利要求1至5中任一项所述的方法,其特征在于,在所述确定参照媒体对象所属的媒体对象图谱,作为第一媒体对象图谱之前,所述方法还包括:
预先对各个媒体对象进行特征提取,得到各个所述媒体对象的特征信息;
根据所述特征信息进行聚类,以将各个所述媒体对象划分至多个聚类簇;
根据同一聚类簇对应的各个媒体对象,构建媒体对象图谱。
7.根据权利要求6所述的方法,其特征在于,在所述根据同一聚类簇对应的各个媒体对象,构建媒体对象图谱之后,所述方法还包括:
在获取针对任意所述媒体对象的用户反馈信息后,根据针对所述媒体对象的用户反馈信息,更新所述媒体对象的特征信息;
根据所述媒体对象更新后的特征信息,重新确定所述媒体对象所属的目标聚类簇;
将所述媒体对象添加至所述目标聚类簇对应的媒体对象图谱中。
8.根据权利要求6所述的方法,其特征在于,所述预先对各个媒体对象进行特征提取,得到各个所述媒体对象的特征信息,包括:
将各个空域的媒体对象转换至时域;
分别在空域和时域对各个媒体对象进行卷积处理和池化处理,得到各个所述媒体对象的空域特征和时域特征;
对各个所述媒体对象的所述空域特征和所述时域特征进行融合,得到各个所述媒体对象的特征信息。
9.一种媒体对象推荐装置,其特征在于,包括:
查找模块,用于确定参照媒体对象所属的媒体对象图谱,作为第一媒体对象图谱;所述媒体对象图谱,是预先根据各个媒体对象的特征信息进行聚类得到多个聚类簇,并根据同一聚类簇对应的各个媒体对象构建的;
计算模块,用于确定所述第一媒体对象图谱与各个第二媒体对象图谱之间的图谱相似度;所述第二媒体对象图谱,是除所述第一媒体对象图谱之外的媒体对象图谱;
确定模块,用于根据所述图谱相似度,从各个所述第二媒体对象图谱中确定目标媒体对象图谱;
推荐模块,用于从所述目标媒体对象图谱中确定待推荐的第一目标媒体对象,并推荐所述第一目标媒体对象。
10.一种计算机设备,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法的步骤。
11.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310684417.3A CN116719994A (zh) | 2023-06-09 | 2023-06-09 | 媒体对象推荐方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310684417.3A CN116719994A (zh) | 2023-06-09 | 2023-06-09 | 媒体对象推荐方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116719994A true CN116719994A (zh) | 2023-09-08 |
Family
ID=87871016
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310684417.3A Pending CN116719994A (zh) | 2023-06-09 | 2023-06-09 | 媒体对象推荐方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116719994A (zh) |
-
2023
- 2023-06-09 CN CN202310684417.3A patent/CN116719994A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9454580B2 (en) | Recommendation system with metric transformation | |
CN111967892A (zh) | 一种信息推荐方法及装置 | |
US10217224B2 (en) | Method and system for sharing-oriented personalized route planning via a customizable multimedia approach | |
CN115859016B (zh) | 基于处理器的运算方法、装置、计算机设备及存储介质 | |
CN112069412A (zh) | 信息推荐方法、装置、计算机设备及存储介质 | |
CN116030466A (zh) | 图像文本信息识别与处理方法、装置及计算机设备 | |
CN116109799A (zh) | 调整模型训练方法、装置、计算机设备及存储介质 | |
CN116719994A (zh) | 媒体对象推荐方法、装置、计算机设备及存储介质 | |
CN115758271A (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
CN116894802B (zh) | 图像增强方法、装置、计算机设备和存储介质 | |
CN117113732B (zh) | 适用于非超立方体约束空间的拉丁超立方设计方法 | |
CN117235584B (zh) | 图数据分类方法、装置、电子装置和存储介质 | |
CN116630629B (zh) | 基于域适应的语义分割方法、装置、设备及存储介质 | |
CN117390098A (zh) | 数据分析方法、装置、计算机设备和存储介质 | |
CN116823384A (zh) | 产品推荐方法、装置、设备、存储介质和计算机程序产品 | |
CN116681470A (zh) | 门店选址方法、装置、计算机设备、存储介质和产品 | |
CN117634751A (zh) | 数据要素评估方法、装置、计算机设备以及存储介质 | |
CN117312892A (zh) | 用户聚类方法、装置、计算机设备和存储介质 | |
CN117150311A (zh) | 数据处理方法、装置、设备和存储介质 | |
CN116452341A (zh) | 金融产品推荐方法、装置、计算机设备和存储介质 | |
CN116127183A (zh) | 业务推荐方法、装置、计算机设备和存储介质 | |
CN116597293A (zh) | 多模态场景识别方法、装置、计算机设备和存储介质 | |
CN116894964A (zh) | 后期融合物体图像聚类方法、装置和计算机设备 | |
CN117152428A (zh) | 模型训练方法、装置、计算机设备及计算机可读存储介质 | |
CN117648579A (zh) | 数据信息与事件信息的匹配方法、装置和计算机设备 |
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 |