CN116910299A - 视频搜索方法和视频处理方法、装置、设备及存储介质 - Google Patents
视频搜索方法和视频处理方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116910299A CN116910299A CN202310712801.XA CN202310712801A CN116910299A CN 116910299 A CN116910299 A CN 116910299A CN 202310712801 A CN202310712801 A CN 202310712801A CN 116910299 A CN116910299 A CN 116910299A
- Authority
- CN
- China
- Prior art keywords
- video
- feature vector
- search word
- hash value
- search
- 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 62
- 238000003672 processing method Methods 0.000 title claims abstract description 16
- 239000013598 vector Substances 0.000 claims abstract description 257
- 238000012545 processing Methods 0.000 claims abstract description 18
- 238000000605 extraction Methods 0.000 claims abstract description 6
- 238000004590 computer program Methods 0.000 claims description 14
- 230000010365 information processing Effects 0.000 abstract description 2
- 238000003062 neural network model Methods 0.000 description 17
- 238000010586 diagram Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 5
- 241000282326 Felis catus Species 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect 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
- G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
- G06F16/73—Querying
- G06F16/732—Query formulation
- G06F16/7343—Query language or query format
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Library & Information Science (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供视频搜索和视频处理方法、装置、设备及存储介质,涉及计算机技术领域,具体涉及图像处理、文本信息处理、视频帧提取等技术领域,可应用于用户进行视频搜索的场景下。具体实现方案包括:获取搜索词;确定搜索词的搜索词特征向量;根据搜索词特征向量,从视频库中匹配得到与视频特征向量的特征向量相似度满足预设要求的目标视频,视频库中包括至少一个视频,视频库中的视频分别配置有对应的视频特征向量,视频特征向量是根据对应视频确定的;展示目标视频。本公开可以提高视频搜索的效率和准确率。
Description
技术领域
本公开涉及计算机技术领域,具体涉及图像处理、文本信息处理、视频帧提取等技术领域,可应用于用户进行视频搜索的场景下,尤其涉及视频搜索方法和视频处理方法、装置、设备及存储介质。
背景技术
随着网络技术的发展,网络中存储了越来越多的视频资源,用户可以根据自己的需求从众多视频资源组成的视频库中搜索视频。
目前的视频搜索是根据视频拍摄的时间以及拍摄地点进行搜索的。
但是,目前根据视频拍摄的时间以及拍摄地点进行搜索的方式,在用户忘记具体的视频录制时间和地点时,视频搜索的效率和准确率较低。
发明内容
本公开提供了一种视频搜索方法和一种视频处理方法、装置、设备及存储介质,可以提高视频搜索的效率和准确率。
根据本公开的第一方面,提供了一种视频搜索方法,所述方法包括:
获取搜索词;确定搜索词的搜索词特征向量;根据搜索词特征向量,从视频库中匹配得到与视频特征向量的特征向量相似度满足预设要求的目标视频,视频库中包括至少一个视频,视频库中的视频分别配置有对应的视频特征向量,视频特征向量是根据对应视频确定的;展示目标视频。
根据本公开的第二方面,提供了一种视频处理方法,所述方法包括:
获取待处理视频;根据待处理视频确定对应的视频特征向量,并存储到视频库中,视频特征向量用于和获取的搜索词的搜索词特征向量进行匹配,从视频库得到特征向量相似度满足预设要求的目标视频,以展示目标视频。
根据本公开的第三方面,提供了一种视频搜索装置,所述装置包括:获取单元、确定单元、匹配单元、展示单元。
获取单元,用于获取搜索词;确定单元,用于确定搜索词的搜索词特征向量;匹配单元,用于根据搜索词特征向量,从视频库中匹配得到与视频特征向量的特征向量相似度满足预设要求的目标视频,视频库中包括至少一个视频,视频库中的视频分别配置有对应的视频特征向量,视频特征向量是根据对应视频确定的;展示单元,用于展示目标视频。
根据本公开的第四方面,提供了一种视频处理装置,所述装置包括:获取单元、确定单元。
获取单元,用于获取待处理视频;确定单元,用于根据待处理视频确定对应的视频特征向量,并存储到视频库中,视频特征向量用于和获取的搜索词的搜索词特征向量进行匹配,从视频库得到特征向量相似度满足预设要求的目标视频,以展示目标视频。
根据本公开的第五方面,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;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第一方面或者第二方面所述的方法。
根据本公开的第六方面,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,计算机指令用于使计算机执行根据第一方面或者第二方面所述的方法。
根据本公开的第七方面,提供了一种计算机程序产品,包括计算机程序,计算机程序在被处理器执行时实现根据第一方面或者第二方面所述的方法。
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为本公开实施例提供的视频搜索方法的流程示意图;
图2为本公开实施例提供的图1中S103的一种实现流程示意图;
图3为本公开实施例提供的视频处理方法的流程示意图;
图4为本公开实施例提供的图3中S302的一种实现流程示意图;
图5为本公开实施例提供的视频搜索装置的组成示意图;
图6为本公开实施例提供的视频处理装置的组成示意图;
图7为本公开实施例提供的视频处理装置的另一组成示意图;
图8为本公开实施例提供的可以用来实施本公开的实施例的示例电子设备800的示意性框图。
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。
应当理解,在本公开各实施例中,字符“/”一般表示前后关联对象是一种“或”的关系。术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。
随着网络技术的发展,网络中存储了越来越多的视频资源,用户可以根据自己的需求从众多视频资源组成的视频库中搜索视频。
目前的视频搜索是根据视频拍摄的时间以及拍摄地点进行搜索的。
但是,目前根据视频拍摄的时间以及拍摄地点进行搜索的方式,在用户忘记具体的视频录制时间和地点时,视频搜索的效率和准确率较低。
例如,某个用户在很久之前拍摄了一段视频并保存在了自己的相册里,这个用户现在想要找到这段视频,但他忘记了具体的拍摄时间和拍摄地点,所以要找到这段视频就需要在所有视频中一点点的查询。
在此背景技术下,本公开提供了一种视频搜索方法和一种视频处理方法,可以提高视频搜索的效率和准确率。
示例性地,该视频搜索和视频处理方法的执行主体可以是计算机或服务器,或者还可以是其他具有数据处理能力的设备。在此对该方法的执行主体不作限制。
一些实施例中,服务器可以是单独的一个服务器,或者,也可以是由多个服务器构成的服务器集群。部分实施方式中,服务器集群还可以是分布式集群。本公开对服务器的具体实现方式也不作限制。
图1为本公开实施例提供的视频搜索方法的流程示意图。如图1所示,该方法可以包括S101-S104。
S101、获取搜索词。
示例性地,可以接收用户输入的词语作为搜索词,也可以从用户输入的语句中提取关键词作为搜索词。
基于上述实施方式,示例地,假设用户输入了词语“宠物猫”,则可以将用户输入的词语“宠物猫”作为搜索词。又例如,用户输入了语句“适合女生养的宠物猫种类有哪些”,可以提取语句中的关键词,例如“女生、宠物猫、种类”等关键词作为搜索词。当用户输入的是语句时,可以采用相关技术中提取关键词的方式来提取关键词,此处不做限制。例如,可以根据预设的关键词提取模型来提取用户输入的语句中的关键词。
S102、确定搜索词的搜索词特征向量。
示例性地,可以利用神经网络模型将获取的搜索词进行向量化,得到搜索词的搜索词特征向量。
基于上述实施方式,示例地,可以将用户输入的搜索词输入到预设的神经网络模型中,该预设神经网络模型可以根据输入的搜索词输出该搜索词的搜索词特征向量。
示例地,上述预设的神经网络模型,可以是采用由标记有对应的特征向量的词语组成的训练集,对初始神经网络模型进行训练得到的。当然,在实际应用中,还可以直接使用相关技术中用于对输入的词语进行识别,以得到对应的特征向量的神经网络模型,此处不作限制。
S103、根据搜索词特征向量,从视频库中匹配得到视频特征向量与搜索词特征向量的特征向量相似度满足预设要求的目标视频,视频库中包括至少一个视频,视频库中的视频分别配置有对应的视频特征向量,视频特征向量是根据对应视频确定的。
示例性地,可以根据搜索词特征向量,从视频库中匹配与搜索词特征向量的特征向量相似度满足预设要求的各视频特征向量,从而将匹配到的各视频特征向量对应的视频作为目标视频。
其中,搜索词特征向量和视频特征向量的特征向量相似度,可以通过计算搜索词特征向量和视频特征向量的余弦相似度来实现。
基于上述实施方式,示例地,可以将视频或视频帧输入到预设的神经网络模型中,该预设神经网络模型可以根据输入的视频或视频帧输出该视频的视频特征向量。
示例地,上述预设的神经网络模型,可以是采用由标记有对应的特征向量的视频或视频帧组成的训练集,对初始神经网络模型进行训练得到的。当然,在实际应用中,还可以直接使用相关技术中用于对输入的视频或视频帧进行识别,以得到对应的特征向量的神经网络模型,此处不作限制。
示例地,可以将与搜索词特征向量的特征向量相似度高于或等于预设阈值的视频特征向量对应的视频作为目标视频。其中,预设阈值是可以根据场景需求来人为设置的。目标视频可以是一个视频,也可以是多个视频。
基于上述实施方式,示例地,假设预设阈值为0.7,计算出获取到的搜索词的搜索词特征向量和视频1的视频特征向量的特征向量相似度为0.8、和视频2的视频特征向量的特征向量相似度为0.5、和视频3的视频特征向量的特征向量相似度为0.9、和视频4的视频特征向量的特征向量相似度为0.6、和视频5的视频特征向量的特征向量相似度为0.8,可以得出,视频1、视频3、视频5为目标视频。
S104、展示目标视频。
示例性地,在展示目标视频时可以展示目标视频文件,也可以展示目标视频文件的其他信息,比如目标视频的链接、目标视频的存储地址等,用户可以通过点击目标视频文件,目标视频的链接或者目标视频的存储地址查看目标视频文件。
基于上述实施方式,示例地,在搜索到目标视频1、目标视频2、目标视频3这3个满足条件的目标视频时,可以展示地址1、地址2、地址3这3个对应的目标视频的存储地址,用户可以通过点击地址1,查看目标视频1,通过点击地址2,查看目标视频2,通过点击地址3,查看目标视频3。
示例地,本申请提供的视频搜索方法可以应用于电子设备,该电子设备可以配置有显示器。可以通过显示器来展示目标视频。例如,可以在显示器上显示搜索结果界面,从而可以将目标视频文件,目标视频的链接或者目标视频的存储地址等目标视频的信息显示在上述搜索结果界面中。
本公开通过获取搜索词,并确定搜索词的搜索词特征向量,从而能够根据搜索词特征向量,从视频库中匹配得到视频特征向量与搜索词特征向量的特征向量相似度满足预设要求的目标视频,然后展示匹配到的目标视频。采用本公开的方法,可以在用户忘记具体的视频录制时间和地点时,根据视频内容信息搜索到用户需要的视频,从而提高视频搜索的效率和准确率,提升用户体验感。
一些实施例中,在确定搜索词的搜索词特征向量之后,上述方法还可以包括:根据搜索词特征向量,确定搜索词的搜索词哈希值;前述视频库中的视频还分别配置有对应的视频哈希值,视频哈希值是根据对应视频的视频特征向量确定的。
示例性地,可以根据搜索词的搜索词特征向量,计算得到搜索词的搜索词哈希值,视频库的视频还分别配置有对应的视频哈希值,视频哈希值是根据对应视频的视频特征向量计算得到的,其中,哈希值可以是局部敏感性哈希(locality sensitivity hashing,LSH)值。具体的可以根据相关技术中的哈希值算法对搜索词特征向量或视频特征向量,以得到对应的搜索词哈希值或视频哈希值,此处不做限制。其中,根据搜索词特征向量计算搜索词哈希值的算法和根据视频特征向量计算视频哈希值的算法相同。
图2为本公开实施例提供的图1中S103的一种实现流程示意图。如图2所示,在本实施例中,图1所示的S103可以包括S201-S202。
S201、根据搜索词的搜索词哈希值,从视频库中匹配得到视频哈希值与搜索词哈希值的哈希值相似度满足预设要求的视频,生成视频集。
示例性地,搜索词哈希值和视频哈希值可以是一维或多维数组,当某个搜索词的搜索词哈希值和某个视频的视频哈希值中具有相同值的槽位数大于或等于预设位数时,就认为这个视频的视频哈希值与搜索词哈希值的哈希值相似度满足预设要求,即该视频和这个搜索词相匹配。其中,预设位数可以是根据实际情况和需求进行设置的。搜索词哈希值和视频哈希值的位数可以相同也可以不同。
示例地,还可以根据相关技术中的哈希值相似度算法,计算视频哈希值与搜索词哈希值的哈希值相似度,从而当该相似度大于或等于预设阈值时,认为该相似度满足预设要求。
S202、根据搜索词的搜索词特征向量,从视频集中匹配得到视频特征向量与搜索词特征向量的特征向量相似度满足预设要求的目标视频。
示例性地,从视频集中匹配得到视频特征向量与搜索词特征向量的特征向量相似度满足预设要求的目标视频,可以参考前述从视频库中匹配得到视频特征向量与搜索词特征向量的特征向量相似度满足预设要求的目标视频的相关实施方式,此处不再赘述。
本实施例通过根据搜索词特征向量确定搜索词的搜索词哈希值,然后根据搜索词的搜索词哈希值,从视频库中匹配得到视频哈希值与搜索词哈希值的哈希值相似度满足预设要求的视频,将这些满足预设要求的视频生成一个视频集,再根据搜索词的搜索词特征向量,从生成的视频集中匹配得到视频特征向量与搜索词特征向量的特征向量相似度满足预设要求的目标视频,从而可以搜索到用户需要的视频,进一步提高视频搜索的准确性。并且由于哈希值相似度计算更加方便快捷,所以先根据哈希值相似度从视频库中初步筛选出部分视频组成视频集,然后再根据特征向量相似度从视频集中匹配得到目标视频,能够提高匹配目标视频的速度。
一些实施例中,上述哈希值相似度满足预设要求,可以包括:搜索词哈希值和视频哈希值具有相同值的槽位数大于或等于预设位数。
示例性地,可以计算出获取到的搜索词的搜索词哈希值、需要与搜索词进行匹配的视频的视频哈希值,然后利用得到的搜索词哈希值和视频哈希值确定哈希值相似度,哈希值相似度满足预设要求即为搜索词哈希值和视频哈希值具有相同值的位数大于或等于预设位数。
基于上述实施方式,示例地,假设某个搜索词的搜索词哈希值为(1、2、3、4、5、6、7、8、9、10),某个视频的视频哈希值为(1、3、3、7、5、11、13、8、17、10),预设位数为4,这个搜索词的搜索词哈希值和这个视频的视频哈希值有5个槽位具有相同值,大于预设位数4,所以这个搜索词和这个视频相匹配。
本实施例通过限定哈希值相似度满足预设要求是指搜索词哈希值和视频哈希值具有相同值的槽位数大于或等于预设位数,增加了哈希值相似度的准确性,提高了视频搜索的准确率。
一些实施例中,上述特征向量相似度满足预设要求,可以包括:搜索词特征向量和视频特征向量的相似度大于或等于预设阈值。
示例性地,可以通过神经网络大模型确定获取到的搜索词的搜索词特征向量、需要与搜索词进行匹配的视频的视频特征向量,然后根据得到的搜索词特征向量和视频特征向量计算出搜索词特征向量和视频特征向量的余弦相似度,可以用计算得到的余弦相似度表示特征向量相似度,特征向量相似度满足预设要求即为余弦相似度满足预设要求,也即,搜索词特征向量和视频特征向量的余弦相似度大于或等于预设阈值。
本实施例通过限定特征向量相似度满足预设要求是指搜索词特征向量和视频特征向量的相似度大于或等于预设阈值,可以筛选出与搜索词相关性高的视频,进一步提高视频搜索的准确率。
一些实施例中,上述视频特征向量是根据对应视频的封面帧确定的,封面帧为从视频中抽取的关键帧中内容信息最多的一帧。
示例性地,可以从视频中按照一定规则抽取至少两帧关键帧,然后在抽取的关键帧中选出包含内容信息最丰富的一帧作为该视频的封面帧,通过神经网络模型计算出这个封面帧的特征向量,这个封面帧的特征向量即为封面帧对应的视频的视频特征向量。
基于上述实施方式,示例地,假设从视频X中抽取了5帧关键帧,这5帧关键帧中第二帧包含的内容信息最多,将第二帧作为视频X的封面帧,通过神经网络模型可以计算出封面帧的特征向量,将封面帧的特征向量作为视频X的视频特征向量。示例地,抽取关键帧可以是从视频中抽取预设数量的关键帧,也可以是以预设间隔从视频中抽取关键帧。
其中,包含内容信息最丰富的一帧可以是色彩丰富度最高的一帧,也可以是进行特征提取得到的特征数量最多的一帧。
本实施例通过限定视频特征向量是根据对应视频的封面帧确定的,且封面帧是从视频中抽取的关键帧中内容信息最多的一帧,可以使封面帧最大限度的体现对应视频的内容信息,提高视频搜索的效率和准确率。
本公开实施例还提供了一种视频处理方法,该视频处理方法的执行主体可以参考前述实施例,不再赘述。图3为本公开实施例提供的视频处理方法的流程示意图。如图3所示,该方法可以包括S301-S302。
S301、获取待处理视频。
示例性地,获取的待处理视频可以是用户上传的视频,也可以是视频库存储的视频。
S302、根据待处理视频确定对应的视频特征向量,并存储到视频库中,视频特征向量用于和获取的搜索词的搜索词特征向量进行匹配,从视频库得到特征向量相似度满足预设要求的目标视频,以展示目标视频。
示例性地,可以通过神经网络模型计算得到待处理视频对应的视频特征向量,为得到的视频特征向量生成一个唯一标识信息,并建立唯一标识信息与待处理视频的对应关系,待处理视频通过唯一标识信息可以确定对应的视频特征向量。可以将计算得到的视频特征向量和对应的唯一标识信息下发至存储有对应待处理视频的视频库进行存储,也可以将计算得到的视频特征向量和对应的唯一标识信息存储在数据库中,将获取的搜索词的搜索词特征向量和计算得到的视频特征向量进行匹配,然后根据视频特征向量对应的唯一标识信息查找到对应的目标视频。
基于上述实施方式,示例地,确定视频库中某个待处理视频X的视频特征向量为k,生成视频特征向量k对应的唯一标识信息为m,可以将视频特征向量k和唯一标识信息m下发至存储有待处理视频X的视频库中,也可以将视频特征向量k和唯一标识信息m存储在数据库中,根据视频特征向量k和唯一标识信息m可以查找到对应的待处理视频X。
具体根据待处理视频确定对应的视频特征向量的实施方式可以参考前述实施方式中的相关描述,此处不再赘述。
与上述图1所示的实施例类似,图3所示的实施例,通过获取待处理视频,根据获取到的待处理视频确定对应的视频特征向量,并存储到视频库中,再根据视频特征向量和获取的搜索词的搜索词特征向量进行匹配,得到特征向量相似度满足预设要求的目标视频,将特征向量相似度满足预设要求的目标视频进行展示,也可以在用户忘记具体的视频录制时间和地点时,根据视频内容信息搜索到用户需要的视频,提高视频搜索的效率和准确率,提升用户体验感。
一些实施例中,上述根据待处理视频确定对应的视频特征向量,可以包括:根据待处理视频的封面帧确定对应的视频特征向量,封面帧为从待处理视频中抽取的关键帧中内容信息最多的一帧。
示例性地,可以从待处理视频中按照一定规则抽取至少两帧关键帧,然后在抽取的关键帧中选出包含内容信息最丰富的一帧作为该待处理视频的封面帧,通过神经网络模型计算出这个封面帧的特征向量,这个封面帧的特征向量即为封面帧对应的待处理视频的视频特征向量。
基于上述实施方式,示例地,假设从待处理视频X中抽取了5帧关键帧,这5帧关键帧中第二帧包含的内容信息最多,将第二帧作为待处理视频X的封面帧,通过神经网络模型可以计算出这个封面帧的特征向量,将这个封面帧的特征向量作为待处理视频X的视频特征向量。示例地,抽取关键帧可以是从视频中抽取预设数量的关键帧,也可以是以预设间隔从视频中抽取关键帧。
其中,包含内容信息最丰富的一帧可以是色彩丰富度最高的一帧,也可以是进行特征提取得到的特征数量最多的一帧。
本实施例通过根据待处理视频的封面帧确定对应的视频特征向量,可以提高确定视频特征向量的效率,能够丰富视频特征向量包含的内容信息。
图4为本公开实施例提供的图3中S302的一种实现流程示意图。如图4所示,在一些实施例中,图3所示的S302可以包括S401-S402。
S401、从待处理视频中抽取至少两帧关键帧。
示例性地,可以按照预设的时间戳进行关键帧抽取,也可以利用神经网络模型选取内容信息最丰富的几帧作为关键帧。
基于上述实施方式,示例地,假设预设的时间戳为2秒,要对一个3分钟的视频进行关键帧地抽取,此时,针对这个3分钟的视频,每隔2秒抽取一帧,将抽取的所有帧作为这个3分钟的视频的关键帧。也可以将这个3分钟的视频输入神经网络大模型,通过神经网络模型输出内容信息最丰富的几帧作为关键帧。
S402、从至少两帧关键帧中确定出内容信息最多的一帧作为封面帧。
示例性地,可以根据色彩丰富度对抽取的所有关键帧进行打分,将分数最高的一帧作为封面帧。
基于上述实施方式,示例地,假设抽取了5帧关键帧,根据这5帧图像的像素值判断这5帧图像的色彩丰富度,根据色彩丰富度对这5帧图像进行打分,分数越高,代表这帧图像包含的内容信息越丰富,选择分数最高的一帧作为封面帧。
本实施例通过从待处理视频中抽取至少两帧关键帧,从抽取的至少两帧关键帧中确定出内容信息最多的一帧作为封面帧,这样可以保证选取的封面帧包含的内容信息能够较好地代表对应的视频所表达的内容信息。
一些实施例中,上述方法还可以包括:根据待处理视频的视频特征向量确定待处理视频的视频哈希值,并存储到视频库中,视频哈希值用于和获取的搜索词的搜索词哈希值进行匹配,从视频库中得到哈希值相似度满足预设要求的视频,生成视频集,以根据搜索词的搜索词特征向量,从视频集中匹配得到特征向量相似度满足预设要求的目标视频,搜索词的搜索词哈希值是根据搜索词的搜索词特征向量确定的。
示例性地,可以根据待处理视频的视频特征向量确定待处理视频的视频哈希值,为得到的视频哈希值生成一个唯一标识信息,并建立唯一标识信息与待处理视频的对应关系,待处理视频通过唯一标识信息可以确定对应的视频哈希值。可以将计算得到的视频哈希值和对应的唯一标识信息下发至存储有对应待处理视频的视频库进行存储,也可以将计算得到的视频哈希值和对应的唯一标识信息存储在数据库中,将获取的搜索词的搜索词哈希值和计算得到的视频哈希值进行匹配,然后根据视频哈希值对应的唯一标识信息查找到对应的视频,将得到的所有视频生成视频集,再根据搜索词的搜索词特征向量,从视频集中匹配得到特征向量相似度满足预设要求的目标视频。
基于上述实施方式,示例地,假设某个搜索词的搜索词哈希值为(1、2、3、4、5、6、7、8、9、10),某个视频的视频哈希值为(1、3、3、7、5、11、13、8、17、10),预设位数为4,这个搜索词的搜索词哈希值和这个视频的视频哈希值有5个槽位具有相同值,大于预设位数4,所以这个搜索词哈希值和这个视频哈希值的哈希值相似度满足预设要求,将所有满足预设要求的视频生成视频集,根据搜索词的搜索词特征向量,从生成的视频集中匹配得到特征向量相似度满足预设要求的目标视频进行展示。
本实施例通过根据待处理视频的视频特征向量确定待处理视频的视频哈希值,并存储到视频库中,将视频哈希值和获取的搜索词的搜索词哈希值进行匹配,然后从视频库中得到哈希值相似度满足预设要求的视频,生成视频集,再根据搜索词的搜索词特征向量,从视频集中匹配得到特征向量相似度满足预设要求的目标视频,可以快速搜索到用户需要的视频,进一步提高视频搜索的准确性。
示例性实施例中,本公开实施例还提供一种视频搜索装置,可以用于实现如前述图1至图2所示的实施例中的视频搜索方法。
图5为本公开实施例提供的视频搜索装置的组成示意图。如图5所示,该装置可以包括:获取单元501、确定单元502、匹配单元503、展示单元504。
获取单元501,用于获取搜索词。
确定单元502,用于确定搜索词的搜索词特征向量。
匹配单元503,用于根据搜索词特征向量,从视频库中匹配得到视频特征向量与搜索词特征向量的特征向量相似度满足预设要求的目标视频,视频库中包括至少一个视频,视频库中的视频分别配置有对应的视频特征向量,视频特征向量是根据对应视频确定的。
展示单元504,用于展示目标视频。
可选地,确定单元502,具体用于根据搜索词特征向量,确定搜索词的搜索词哈希值;视频库中的视频还分别配置有对应的视频哈希值,视频哈希值是根据对应视频的视频特征向量确定的;匹配单元503,具体用于根据搜索词的搜索词哈希值,从视频库中匹配得到视频哈希值与搜索词哈希值的哈希值相似度满足预设要求的视频,生成视频集;根据搜索词的搜索词特征向量,从视频集中匹配得到视频特征向量与搜索词特征向量的特征向量相似度满足预设要求的目标视频。
可选地,哈希值相似度满足预设要求,包括:搜索词哈希值和视频哈希值具有相同值的位数大于或等于预设位数。
可选地,特征向量相似度满足预设要求,包括:搜索词特征向量和视频特征向量的相似度大于或等于预设阈值。
可选地,视频特征向量是根据对应视频的封面帧确定的,封面帧为从视频中抽取的关键帧中内容信息最多的一帧。
示例性实施例中,本公开实施例还提供一种视频处理装置,可以用于实现如前述图3至图4所示的实施例中的视频处理方法。
图6为本公开实施例提供的视频处理装置的组成示意图。如图6所示,该装置可以包括:获取单元601、确定单元602。
获取单元601,用于获取待处理视频。
确定单元602,用于根据待处理视频确定对应的视频特征向量,并存储到视频库中,视频特征向量用于和获取的搜索词的搜索词特征向量进行匹配,从视频库得到特征向量相似度满足预设要求的目标视频,以展示目标视频。
可选地,确定单元602,具体用于根据待处理视频的封面帧确定对应的视频特征向量,封面帧为从待处理视频中抽取的关键帧中内容信息最多的一帧。
图7为本公开实施例提供的视频处理装置的另一组成示意图。可选地,如图7所示,在图6的基础上,该装置还可以包括:抽取单元603。
抽取单元603,用于从待处理视频中抽取至少两帧关键帧。确定单元602,具体用于从至少两帧关键帧中确定出内容信息最多的一帧作为封面帧。
可选地,确定单元602,具体用于根据待处理视频的视频特征向量确定待处理视频的视频哈希值,并存储到视频库中,视频哈希值用于和获取的搜索词的搜索词哈希值进行匹配,从视频库中得到哈希值相似度满足预设要求的视频,生成视频集,以根据搜索词的搜索词特征向量,从视频集中匹配得到特征向量相似度满足预设要求的目标视频,搜索词的搜索词哈希值是根据搜索词的搜索词特征向量确定的。
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、一种计算机程序产品。
示例性实施例中,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如以上实施例所述的方法。
示例性实施例中,可读存储介质可以是存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使计算机执行根据以上实施例所述的方法。
示例性实施例中,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以上实施例所述的方法。
图8示出了可以用来实施本公开的实施例的示例电子设备800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8所示,电子设备800包括计算单元801,其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序,来执行各种适当的动作和处理。在RAM 803中,还可存储电子设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
电子设备800中的多个部件连接至I/O接口805,包括:输入单元806,例如键盘、鼠标等;输出单元807,例如各种类型的显示器、扬声器等;存储单元808,例如磁盘、光盘等;以及通信单元809,例如网卡、调制解调器、无线通信收发机等。通信单元809允许电子设备800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801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801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、各种运行神经网络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801执行上文所描述的各个方法和处理,例如视频搜索方法或者视频处理方法。例如,在一些实施例中,视频搜索方法或者视频处理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808。在一些实施例中,计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到电子设备800上。当计算机程序加载到RAM 803并由计算单元801执行时,可以执行上文描述的视频搜索方法或者视频处理方法的一个或多个步骤。备选地,在其他实施例中,计算单元801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搜索方法或者视频处理方法。
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 (21)
1.一种视频搜索方法,所述方法包括:
获取搜索词;
确定所述搜索词的搜索词特征向量;
根据所述搜索词特征向量,从视频库中匹配得到视频特征向量与所述搜索词特征向量的特征向量相似度满足预设要求的目标视频,所述视频库中包括至少一个视频,所述视频库中的视频分别配置有对应的视频特征向量,所述视频特征向量是根据对应视频确定的;
展示所述目标视频。
2.根据权利要求1所述的方法,在所述确定所述搜索词的搜索词特征向量之后,所述方法还包括:
根据所述搜索词特征向量,确定所述搜索词的搜索词哈希值;
所述视频库中的视频还分别配置有对应的视频哈希值,所述视频哈希值是根据对应视频的视频特征向量确定的;
所述根据所述搜索词的搜索词特征向量,从视频库中匹配得到视频特征向量与所述搜索词特征向量的特征向量相似度满足预设要求的目标视频,包括:
根据所述搜索词的搜索词哈希值,从视频库中匹配得到视频哈希值与所述搜索词哈希值的哈希值相似度满足预设要求的视频,生成视频集;
根据所述搜索词的搜索词特征向量,从所述视频集中匹配得到视频特征向量与所述搜索词特征向量的特征向量相似度满足预设要求的目标视频。
3.根据权利要求2所述的方法,所述哈希值相似度满足预设要求,包括:
所述搜索词哈希值和所述视频哈希值具有相同值的槽位数大于或等于预设位数。
4.根据权利要求1-3任一项所述的方法,所述特征向量相似度满足预设要求,包括:
所述搜索词特征向量和所述视频特征向量的相似度大于或等于预设阈值。
5.根据权利要求1-4任一项所述的方法,所述视频特征向量是根据对应视频的封面帧确定的,所述封面帧为从视频中抽取的关键帧中内容信息最多的一帧。
6.一种视频处理方法,所述方法包括:
获取待处理视频;
根据所述待处理视频确定对应的视频特征向量,并存储到视频库中,所述视频特征向量用于和获取的搜索词的搜索词特征向量进行匹配,从所述视频库得到特征向量相似度满足预设要求的目标视频,以展示所述目标视频。
7.根据权利要求6所述的方法,所述根据所述待处理视频确定对应的视频特征向量,包括:
根据所述待处理视频的封面帧确定对应的视频特征向量,所述封面帧为从所述待处理视频中抽取的关键帧中内容信息最多的一帧。
8.根据权利要求7所述的方法,在所述根据所述待处理视频的封面帧确定对应的视频特征向量之前,所述方法还包括:
从所述待处理视频中抽取至少两帧所述关键帧;
从至少两帧所述关键帧中确定出内容信息最多的一帧作为所述封面帧。
9.根据权利要求6-8任一项所述的方法,所述方法还包括:
根据所述待处理视频的视频特征向量确定所述待处理视频的视频哈希值,并存储到视频库中,所述视频哈希值用于和获取的搜索词的搜索词哈希值进行匹配,从所述视频库中得到哈希值相似度满足预设要求的视频,生成视频集,以根据所述搜索词的搜索词特征向量,从所述视频集中匹配得到特征向量相似度满足预设要求的目标视频,所述搜索词的搜索词哈希值是根据搜索词的搜索词特征向量确定的。
10.一种视频搜索装置,所述装置包括:
获取单元,用于获取搜索词;
确定单元,用于确定所述搜索词的搜索词特征向量;
匹配单元,用于根据所述搜索词特征向量,从视频库中匹配得到视频特征向量与所述搜索词特征向量的特征向量相似度满足预设要求的目标视频,所述视频库中包括至少一个视频,所述视频库中的视频分别配置有对应的视频特征向量,所述视频特征向量是根据对应视频确定的;
展示单元,用于展示所述目标视频。
11.根据权利要求10所述的装置,所述确定单元,具体用于:
根据所述搜索词特征向量,确定所述搜索词的搜索词哈希值;
所述视频库中的视频还分别配置有对应的视频哈希值,所述视频哈希值是根据对应视频的视频特征向量确定的;
所述匹配单元,具体用于:
根据所述搜索词的搜索词哈希值,从视频库中匹配得到视频哈希值与所述搜索词哈希值的哈希值相似度满足预设要求的视频,生成视频集;
根据所述搜索词的搜索词特征向量,从所述视频集中匹配得到视频特征向量与所述搜索词特征向量的特征向量相似度满足预设要求的目标视频。
12.根据权利要求11所述的装置,所述哈希值相似度满足预设要求,包括:
所述搜索词哈希值和所述视频哈希值具有相同值的槽位数大于或等于预设位数。
13.根据权利要求10-12任一项所述的方法,所述特征向量相似度满足预设要求,包括:
所述搜索词特征向量和所述视频特征向量的相似度大于或等于预设阈值。
14.根据权利要求10-14任一项所述的装置,所述视频特征向量是根据对应视频的封面帧确定的,所述封面帧为从视频中抽取的关键帧中内容信息最多的一帧。
15.一种视频处理装置,所述装置包括:
获取单元,用于获取待处理视频;
确定单元,用于根据所述待处理视频确定对应的视频特征向量,并存储到视频库中,所述视频特征向量用于和获取的搜索词的搜索词特征向量进行匹配,从所述视频库得到特征向量相似度满足预设要求的目标视频,以展示所述目标视频。
16.根据权利要求15所述的装置,所述确定单元,具体用于:
根据所述待处理视频的封面帧确定对应的视频特征向量,所述封面帧为从所述待处理视频中抽取的关键帧中内容信息最多的一帧。
17.根据权利要求16所述的装置,所述装置,还包括:
抽取单元,用于从所述待处理视频中抽取至少两帧所述关键帧;
所述确定单元,具体用于:
从至少两帧所述关键帧中确定出内容信息最多的一帧作为所述封面帧。
18.根据权利要求15-17所述的装置,所述确定单元,具体用于:
根据所述待处理视频的视频特征向量确定所述待处理视频的视频哈希值,并存储到视频库中,所述视频哈希值用于和获取的搜索词的搜索词哈希值进行匹配,从所述视频库中得到哈希值相似度满足预设要求的视频,生成视频集,以根据所述搜索词的搜索词特征向量,从所述视频集中匹配得到特征向量相似度满足预设要求的目标视频,所述搜索词的搜索词哈希值是根据搜索词的搜索词特征向量确定的。
19.一种电子设备,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1-5任一项所述的方法或者权利要求6-9任一项所述的方法。
20.一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使计算机执行根据权利要求1-5任一项所述的方法或者权利要求6-9任一项所述的方法。
21.一种计算机程序产品,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1-5任一项所述的方法或者权利要求6-9任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310712801.XA CN116910299A (zh) | 2023-06-15 | 2023-06-15 | 视频搜索方法和视频处理方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310712801.XA CN116910299A (zh) | 2023-06-15 | 2023-06-15 | 视频搜索方法和视频处理方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116910299A true CN116910299A (zh) | 2023-10-20 |
Family
ID=88365812
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310712801.XA Pending CN116910299A (zh) | 2023-06-15 | 2023-06-15 | 视频搜索方法和视频处理方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116910299A (zh) |
-
2023
- 2023-06-15 CN CN202310712801.XA patent/CN116910299A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107590255B (zh) | 信息推送方法和装置 | |
CN112559800B (zh) | 用于处理视频的方法、装置、电子设备、介质和产品 | |
CN112818224B (zh) | 信息推荐方法、装置、电子设备及可读存储介质 | |
CN113660541B (zh) | 新闻视频的摘要生成方法及装置 | |
CN112926308B (zh) | 匹配正文的方法、装置、设备、存储介质以及程序产品 | |
CN114861889A (zh) | 深度学习模型的训练方法、目标对象检测方法和装置 | |
CN114154013A (zh) | 视频推荐方法、装置、设备及存储介质 | |
CN112765478A (zh) | 用于推荐内容的方法、装置、设备、介质和程序产品 | |
CN115098729A (zh) | 视频处理方法、样本生成方法、模型训练方法及装置 | |
CN113609847B (zh) | 信息抽取方法、装置、电子设备及存储介质 | |
CN117971698A (zh) | 测试用例生成方法、装置、电子设备和存储介质 | |
CN116597443A (zh) | 素材标签处理方法、装置、电子设备及介质 | |
CN116257690A (zh) | 一种资源推荐方法、装置、电子设备和存储介质 | |
CN112988976B (zh) | 搜索方法、搜索装置、电子设备、存储介质和程序产品 | |
CN112818221B (zh) | 实体的热度确定方法、装置、电子设备及存储介质 | |
CN112860626B (zh) | 一种文档排序方法、装置及电子设备 | |
CN116910299A (zh) | 视频搜索方法和视频处理方法、装置、设备及存储介质 | |
CN114218431A (zh) | 视频搜索方法、装置、电子设备以及存储介质 | |
CN114048376A (zh) | 广告的业务信息挖掘方法、装置、电子设备以及存储介质 | |
CN108009233B (zh) | 一种图像还原方法、装置、计算机设备及存储介质 | |
CN115828915B (zh) | 实体消歧方法、装置、电子设备和存储介质 | |
CN113377921B (zh) | 用于匹配信息的方法、装置、电子设备以及介质 | |
CN116610782B (zh) | 文本检索方法、装置、电子设备及介质 | |
CN114417031A (zh) | 搜索方法和装置、搜索标签扩展方法和装置 | |
CN113849688A (zh) | 资源处理方法、资源处理装置、电子设备以及存储介质 |
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 |