CN116912734A - 视频摘要数据集构建方法、装置、介质及电子设备 - Google Patents

视频摘要数据集构建方法、装置、介质及电子设备 Download PDF

Info

Publication number
CN116912734A
CN116912734A CN202310804512.2A CN202310804512A CN116912734A CN 116912734 A CN116912734 A CN 116912734A CN 202310804512 A CN202310804512 A CN 202310804512A CN 116912734 A CN116912734 A CN 116912734A
Authority
CN
China
Prior art keywords
video
information
word
target
prompt
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
CN202310804512.2A
Other languages
English (en)
Inventor
杜正印
侯林凯
袁泽寰
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 Youzhuju Network Technology Co Ltd
Original Assignee
Beijing Youzhuju Network 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 Youzhuju Network Technology Co Ltd filed Critical Beijing Youzhuju Network Technology Co Ltd
Priority to CN202310804512.2A priority Critical patent/CN116912734A/zh
Publication of CN116912734A publication Critical patent/CN116912734A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/10—Text processing
    • G06F40/166—Editing, e.g. inserting or deleting
    • G06F40/186—Templates
    • 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
    • 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
    • G06N3/08—Learning methods
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)

Abstract

本公开涉及一种视频摘要数据集构建方法、装置、介质及电子设备，方法包括：获取目标视频的视频信息和预设的提示词模板；根据所述视频信息和所述提示词模板，生成提示词，其中，所述提示词用于指导预训练好的大语言模型的输出结果；将所述提示词输入至所述大语言模型中，生成回答所述提示词的输出结果，其中，所述输出结果为所述目标视频的摘要；根据多个所述目标视频所对应的输出结果，构建视频摘要数据集，从而快速且准确地构建出大规模的视频摘要数据集。

Description

视频摘要数据集构建方法、装置、介质及电子设备
技术领域
本公开涉及电子信息技术领域，具体地，涉及一种视频摘要数据集构建方法、装置、介质及电子设备。
背景技术
摘要又称概要或内容提要，摘要可以准确地描述出实体的主旨，这里的实体例如可以是文章和视频等等。在视频内容理解领域中，视频摘要描述是一个基础问题，视频摘要描述是指对视频内容进行概括，包括但不限于视频的主体、事件、时间、意图和重要细节等，从而得到视频的主旨。
目前，视频摘要描述主要是靠人工编写，人工编写速度慢，还需要编写人员对视频内容的领域有一定了解才能够准确地编写出视频的主旨，因此，如何快速且准确地构建出大规模的摘要数据集是目前亟待解决的问题。
发明内容
提供该发明内容部分以便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。该发明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。
第一方面，本公开提供一种视频摘要数据集构建方法，包括：
获取目标视频的视频信息和预设的提示词模板；
根据所述视频信息和所述提示词模板，生成提示词，其中，所述提示词用于指导预训练好的大语言模型的输出结果；
将所述提示词输入至所述大语言模型中，生成回答所述提示词的输出结果，其中，所述输出结果为所述目标视频的摘要；
根据多个所述目标视频所对应的输出结果，构建视频摘要数据集。
第二方面，本公开提供一种视频摘要数据集构建装置，包括：
获取模块，用于获取目标视频的视频信息和预设的提示词模板；
第一生成模块，用于根据所述视频信息和所述提示词模板，生成提示词，其中，所述提示词用于指导预训练好的大语言模型的输出结果；
第二生成模块，用于将所述提示词输入至所述大语言模型中，生成回答所述提示词的输出结果，其中，所述输出结果为所述目标视频的摘要；
构建模块，用于根据多个所述目标视频所对应的输出结果，构建视频摘要数据集。
第三方面，本公开提供一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现第一方面中所述方法的步骤。
第四方面，本公开提供一种电子设备，包括：
存储装置，其上存储有计算机程序；
处理装置，用于执行所述存储装置中的所述计算机程序，以实现第一方面中所述方法的步骤。
通过上述技术方案，获取目标视频的视频信息和预设的提示词模板，根据视频信息和提示词模板，生成提示词，将提示词输入至大语言模型中，生成回答提示词的输出结果，该输出结果为目标视频的摘要，利用大语言模型的特性，实现视频摘要的自动化生成，提升了视频摘要的生成速度和准确性；在此基础上，再根据多个目标视频的输出结果构建视频摘要数据集，获得目标视频的摘要，从而快速且准确地构建出大规模的视频摘要数据集。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
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，原件和元素不一定按照比例绘制。在附图中：
图1是根据本公开一示例性实施例示出的一种视频摘要数据集构建方法的流程图。
图2是根据本公开一示例性实施例示出的一种图像的示意图。
图3是根据本公开一示例性实施例示出的一种视频摘要数据集构建装置的框图。
图4是根据本公开一示例性实施例示出的一种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。
应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
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。
可以理解的是，在使用本公开各实施例公开的技术方案之前，均应当依据相关法律法规通过恰当的方式对本公开所涉及个人信息的类型、使用范围、使用场景等告知用户并获得用户的授权。
例如，在响应于接收到用户的主动请求时，向用户发送提示信息，以明确地提示用户，其请求执行的操作将需要获取和使用到用户的个人信息。从而，使得用户可以根据提示信息来自主地选择是否向执行本公开技术方案的操作的电子设备、应用程序、服务器或存储介质等软件或硬件提供个人信息。
作为一种可选的但非限定性的实现方式，响应于接收到用户的主动请求，向用户发送提示信息的方式例如可以是弹窗的方式，弹窗中可以以文字的方式呈现提示信息。此外，弹窗中还可以承载供用户选择“同意”或者“不同意”向电子设备提供个人信息的选择控件。
可以理解的是，上述通知和获取用户授权过程仅是示意性的，不对本公开的实现方式构成限定，其它满足相关法律法规的方式也可应用于本公开的实现方式中。
同时，可以理解的是，本技术方案所涉及的数据(包括但不限于数据本身、数据的获取或使用)应当遵循相应法律法规及相关规定的要求。
相关技术中，相对单一图片来讲，视频的内容更丰富，往往涉及到故事的发展和多个不同的场景，人工需要完整看完视频以后才可以开始对视频撰写描述，而视频往往从几分钟到几小时不等，从而编写视频摘要的速度较慢；另外，需要对视频内容的领域有一定了解，才能较为准确的描述视频的摘要，，从而依据目前编写视频摘要的方式，难以构建出规模较大且视频摘要描述准确的数据集。
有鉴于此，本公开实施例公开了一种视频摘要数据集构建方法、装置、介质及电子设备，快速且准确地构建出大规模的视频摘要数据集。
为了便于理解，首先对本公开涉及到的名词进行解释如下：
大语言模型(Large language model，LLM)，是在经过海量文本数据的训练之后，可用于开发的神经网络模型。大语言模型使用深度学习技术生成类似人类的响应，可应用于各种任务，包括语言翻译，问题回答和文本生成。
图1是根据本公开一示例性实施例示出的一种视频摘要数据集构建方法的流程图，参照图1，包括以下步骤：
步骤101，获取目标视频的视频信息和预设的提示词模板。
其中，视频信息可以包括第一语义信息和携带时序信息的第二语义信息。携带时序信息的第二语义信息中可以包括目标视频中多个目标视频帧所分别对应的语义信息，多个目标视频帧由于存在时序关系，从而多个目标视频帧所分别对应的语义信息可以用于表征携带时序信息的第二语义信息。
多个目标视频帧可以为间隔预设帧数的视频帧，预设帧数可以是5，即多个目标视频帧可以是第1帧、第6帧、第11帧、第16帧和第21帧等等。对应的，视频信息中的第二语义信息可以包括第1帧对应的语义信息，第6帧对应的语义信息，第11帧对应的语义信息，第16帧对应的语义信息，以及第21帧对应的语义信息。值得说明的是，由于可以提供携带时序信息的第二语义信息，从而便于大语言模型更好的描述视频场景随着时间所产生的变化，从而提高视频摘要的质量。
其中，目标视频帧所对应的第二语义信息可以包括目标视频中多个目标视频帧所分别对应的语义信息，目标视频帧的语义信息包括目标视频帧的文字信息和预训练好的内容描述模型针对目标视频帧输出的描述信息中的至少一者。这里的文字信息可以理解为目标视频帧中出现的文字，目标视频帧中出现的文字例如可以字幕，也可以是非字幕。内容描述模型的输入是目标视频帧，内容描述模型的输出是一句能够描述图像场景的文本句子。例如，针对图2所示的图像，内容描述模型可以输出“在水面上飞行的鸟”。
其中，第一语义信息可以包括视频标题信息、视频文字信息、视频语音信息、视频标签信息、视频质量信息、视频人物信息、视频关键词信息以及视频封面所对应的语义信息中的至少一者。其中，视频文字信息的解释说明可以参照上述目标视频帧所对应的文字信息的解释说明。视频语音信息例如可以是人物语音。视频标签信息例如可以是表征视频的种类，该种类例如是美食视频、宠物视频和纪录片视频等等。视频质量信息可以表征视频的清晰度，清晰度越高，视频质量越高。视频人物信息例如可以是目标视频中出现的人物名字等。视频关键词信息可以是目标视频中出现的次数最多的文字等。视频封面所对应的语义信息可以由上述内容描述模型对视频封面进行处理得到。
步骤102，根据视频信息和提示词模板，生成提示词，其中，提示词用于指导预训练好的大语言模型的输出结果。
其中，提示词(prompt)是一种利用自然语言来指导或激发神经网络模型完成特定任务的方法，这里的神经网络模型可以是本公开实施例中的大语言模型，这里的特定任务可以是本公开实施例中的生成视频摘要的任务，提示词模板用于辅助生成提示词(prompt)。
在一些示例中，提示词模板可以包括目标视频模块，上述的根据视频信息和提示词模板，生成提示词的步骤可以通过以下方式实施：将视频信息填充至提示词模板中的目标视频模块，将填充视频信息后的提示词模板作为提示词。
参照下述示例的提示词模板，该提示词模板可以包括目标视频模块，目标视频模块可以包括以下内容：
“你是一个AI视觉助手，你正在观察一段视频。下面会给出你一些视频中包含的信息，根据这些信息来描述视频的内容。注意要用中文回答，语言尽可能连贯，不要简单地复述给出的信息，并且尽可能地用到所有信息。
这是一个关于(视频标签信息)的视频。
视频的标题是：(视频标题信息)。
视频画面的内容从前到后是：(多个目标视频帧所分别对应的第二语义信息)。
视频画面中从前到后出现的文字有：(视频帧所对应的文字信息)。
视频有这样的语音内容：(视频语音信息)。”
在上述内容中，各括号内可以填充相应的视频信息，使其生成完整的提示词，例如：
“你是一个AI视觉助手，你正在观察一段视频。下面会给出你一些视频中包含的信息，根据这些信息来描述视频的内容。注意要用中文回答，语言尽可能连贯，不要简单地复述给出的信息，并且尽可能地用到所有信息。
这是一个关于动物的视频。
视频的标题是：小狗与小猫的日常。
视频画面的内容从前到后是：
目标视频的第1帧：一只小狗在草地上玩耍；
目标视频的第6帧：一只小猫在草地上休息；
目标视频的第11帧：草地上有一只小猫和一只小狗。
视频画面中从前到后出现的文字有：(视频帧所对应的文字信息)。
视频有这样的语音内容：(视频语音信息)。”
而进一步地，考虑到提示词模板中所囊括的视频信息并非每个目标视频都存在，因此，可以进一步将目标视频模块划分为多个单元，每个单元对应不同类型的视频信息，例如，与视频标题信息对应的标题单元，与视频帧所对应的文字信息对应的文字单元，与视频语音信息对应的语音单元，与视频标签信息对应的标签单元等等。在填充时，依据视频信息的类型填充至对应的单元，例如，将视频标签信息填充至与视频标签信息对应的标签单元，例如上述示例的视频标签信息“小狗与小猫的日常”。
承接上述示例的提示词模板，由于并不存在视频帧所对应的文字信息和视频语音信息，因此，可以进一步将不存在视频信息的单元所对应的内容进行删除，更新得到最终的提示词：
“你是一个AI视觉助手，你正在观察一段视频。下面会给出你一些视频中包含的信息，根据这些信息来描述视频的内容。注意要用中文回答，语言尽可能连贯，不要简单地复述给出的信息，并且尽可能地用到所有信息。
这是一个关于动物的视频。
视频的标题是：小狗与小猫的日常。
视频画面的内容从前到后是：
目标视频的第1帧：一只小狗在草地上玩耍；
目标视频的第6帧：一只小猫在草地上休息；
目标视频的第11帧：草地上有一只小猫和一只小狗。”
步骤103，将提示词输入至大语言模型中，生成回答提示词的输出结果，其中，输出结果为目标视频的摘要。
由前述内容可知，大语言模型可以是在经过海量文本数据的训练之后用于问题回答的模型，大语言模型基于提示词生成目标视频的摘要，目标视频的摘要用于反映目标视频的主旨。
步骤104，根据多个目标视频所对应的输出结果，构建视频摘要数据集。
通过上述技术方案，获取目标视频的视频信息和预设的提示词模板，根据视频信息和提示词模板，生成提示词，将提示词输入至大语言模型中，生成回答提示词的输出结果，该输出结果为目标视频的摘要，利用大语言模型的特性，实现视频摘要的自动化生成，提升了视频摘要的生成速度和准确性；在此基础上，再根据多个目标视频的输出结果构建视频摘要数据集，获得目标视频的摘要，从而快速且准确地构建出大规模的视频摘要数据集。
在一些实施例中，提示词模板还包括参考样例模块，参考样例模块可以包括参考视频的参考视频信息和根据参考视频信息描述的参考视频的参考摘要。
值得说明的是，在利用大语言模型时，可以基于还包括参考样例模块的提示词模板以及视频信息生成提示词，参考样例模块中的参考视频的参考视频信息和根据参考视频信息描述的参考视频的参考摘要可以起到微调预训练好的大语言模型的作用，从而使得大语言模型输出的目标视频的摘要更趋向于参考摘要，即使得大语言模型输出的目标视频的摘要的质量可以更高。
进一步地，在输入至大语言模型的提示词所对应的目标视频的数量未达到第一预设数量时，采用的提示词模板可以包括目标视频模块和参考样例模块；在输入至大语言模型的提示词所对应的目标视频的数量达到第一预设数量时，采用的提示词模板可以包括目标视频模块。
这样，在利用大语言模型前期(即输入至大语言模型的提示词所对应的目标视频的数量未达到第一预设数量的阶段)，采用包括参考样例模块的提示词模板生成提示词，从而利用参考样例模块中的参考视频的参考视频信息和根据参考视频信息描述的参考视频的参考摘要对大语言模型进行指导，生成高质量的视频摘要；在利用大语言模型后期(即输入至大语言模型的提示词所对应的目标视频的数量达到第一预设数量的阶段)，由于大语言模型已经具备生成高质量的视频摘要的能力，采用仅包括目标视频模块的提示词模板生成提示词，降低提示词的内容信息量，达到降低大语言模型需要处理的信息的信息量的目的，从而提升大语言模型输出摘要的速度。
基于同一发明构思，本公开实施例提供一种摘要数据集构建装置，图3是根据本公开一示例性实施例示出的一种视频摘要数据集构建装置的框图。参照图3，该装置300包括：
获取模块301，用于获取目标视频的视频信息和预设的提示词模板；
第一生成模块302，用于根据所述视频信息和所述提示词模板，生成提示词，其中，所述提示词用于指导预训练好的大语言模型的输出结果；
第二生成模块303，用于将所述提示词输入至所述大语言模型中，生成回答所述提示词的输出结果，其中，所述输出结果为所述目标视频的摘要；
构建模块304，用于根据多个所述目标视频所对应的输出结果，构建视频摘要数据集。
可选地，所述提示词模板包括目标视频模块，所述第一生成模块302具体用于将所述视频信息填充至所述提示词模板中的所述目标视频模块，将填充所述视频信息后的提示词模板作为提示词。
可选地，所述提示词模板还包括参考样例模块，所述参考样例模块包括参考视频的参考视频信息和根据所述参考视频信息描述的所述参考视频的参考摘要。
可选地，所述视频信息包括第一语义信息和携带时序信息的第二语义信息。
可选地，所述第一语义信息包括视频标题信息、视频文字信息、视频语音信息、视频标签信息、视频质量信息、视频人物信息、视频关键词信息以及视频封面所对应的语义信息中的至少一者。
可选地，所述第二语义信息包括所述目标视频中多个目标视频帧所分别对应的语义信息，目标视频帧的语义信息包括所述目标视频帧的文字信息和预训练好的内容描述模型针对所述目标视频帧输出的描述信息中的至少一者。
其中，关于装置300中各模块的实施方式也可以参照上述相关实施例，本实施例在此不作赘述。
基于同一发明构思，本公开实施例提供一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现上述方法的步骤。
基于同一发明构思，本公开实施例提供一种电子设备，包括：
存储装置，其上存储有计算机程序；
处理装置，用于执行所述存储装置中的所述计算机程序，以实现上述方法的步骤。
下面参考图4，其示出了适于用来实现本公开实施例的电子设备400的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图4示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图4所示，电子设备400可以包括处理装置(例如中央处理器、图形处理器等)401，其可以根据存储在只读存储器(ROM)402中的程序或者从存储装置408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM 403中，还存储有电子设备400操作所需的各种程序和数据。处理装置401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
通常，以下装置可以连接至I/O接口405：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406；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置407；包括例如磁带、硬盘等的存储装置408；以及通信装置409。通信装置409可以允许电子设备400与其他设备进行无线或有线通信以交换数据。虽然图4示出了具有各种装置的电子设备400，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。
特别地，根据本公开的实施例，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，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态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。在这样的实施例中，该计算机程序可以通过通信装置409从网络上被下载和安装，或者从存储装置408被安装，或者从ROM 402被安装。在该计算机程序被处理装置401执行时，执行本公开实施例的方法中限定的上述功能。
需要说明的是，本公开上述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，电子设备可以利用诸如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：获取目标视频的视频信息和预设的提示词模板；根据所述视频信息和所述提示词模板，生成提示词，其中，所述提示词用于指导预训练好的大语言模型的输出结果；将所述提示词输入至所述大语言模型中，生成回答所述提示词的输出结果，其中，所述输出结果为所述目标视频的摘要；根据多个所述目标视频所对应的输出结果，构建视频摘要数据集。
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操作的计算机程序代码，上述程序设计语言包括但不限于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。
描述于本公开实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该模块本身的限定。
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。
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。
以上描述仅为本公开的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，本公开中所涉及的公开范围，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公开构思的情况下，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。
此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

Claims (10)

1.一种视频摘要数据集构建方法，其特征在于，包括：
获取目标视频的视频信息和预设的提示词模板；
根据所述视频信息和所述提示词模板，生成提示词，其中，所述提示词用于指导预训练好的大语言模型的输出结果；
将所述提示词输入至所述大语言模型中，生成回答所述提示词的输出结果，其中，所述输出结果为所述目标视频的摘要；
根据多个所述目标视频所对应的输出结果，构建视频摘要数据集。
2.根据权利要求1所述的方法，其特征在于，所述提示词模板包括目标视频模块，所述根据所述视频信息和所述提示词模板，生成提示词，包括：
将所述视频信息填充至所述提示词模板中的所述目标视频模块，将填充所述视频信息后的提示词模板作为提示词。
3.根据权利要求2所述的方法，其特征在于，所述提示词模板还包括参考样例模块，所述参考样例模块包括参考视频的参考视频信息和根据所述参考视频信息描述的所述参考视频的参考摘要。
4.根据权利要求1所述的方法，其特征在于，所述视频信息包括第一语义信息和携带时序信息的第二语义信息。
5.根据权利要求4所述的方法，其特征在于，所述第一语义信息包括视频标题信息、视频文字信息、视频语音信息、视频标签信息、视频质量信息、视频人物信息、视频关键词信息以及视频封面所对应的语义信息中的至少一者。
6.根据权利要求4所述的方法，其特征在于，所述第二语义信息包括所述目标视频中多个目标视频帧所分别对应的语义信息，目标视频帧的语义信息包括所述目标视频帧的文字信息和预训练好的内容描述模型针对所述目标视频帧输出的描述信息中的至少一者。
7.一种视频摘要数据集构建装置，其特征在于，包括：
获取模块，用于获取目标视频的视频信息和预设的提示词模板；
第一生成模块，用于根据所述视频信息和所述提示词模板，生成提示词，其中，所述提示词用于指导预训练好的大语言模型的输出结果；
第二生成模块，用于将所述提示词输入至所述大语言模型中，生成回答所述提示词的输出结果，其中，所述输出结果为所述目标视频的摘要；
构建模块，用于根据多个所述目标视频所对应的输出结果，构建视频摘要数据集。
8.根据权利要求7所述的装置，其特征在于，所述提示词模板包括目标视频模块，所述第一生成模块具体用于将所述视频信息填充至所述提示词模板中的所述目标视频模块，将填充所述视频信息后的提示词模板作为提示词。
9.一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理装置执行时实现权利要求1-6中任一项所述方法的步骤。
10.一种电子设备，其特征在于，包括：
存储装置，其上存储有计算机程序；
处理装置，用于执行所述存储装置中的所述计算机程序，以实现权利要求1-6中任一项所述方法的步骤。
CN202310804512.2A 2023-06-30 2023-06-30 视频摘要数据集构建方法、装置、介质及电子设备 Pending CN116912734A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310804512.2A CN116912734A (zh) 2023-06-30 2023-06-30 视频摘要数据集构建方法、装置、介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310804512.2A CN116912734A (zh) 2023-06-30 2023-06-30 视频摘要数据集构建方法、装置、介质及电子设备

Publications (1)

Publication Number Publication Date
CN116912734A true CN116912734A (zh) 2023-10-20

Family

ID=88357389

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310804512.2A Pending CN116912734A (zh) 2023-06-30 2023-06-30 视频摘要数据集构建方法、装置、介质及电子设备

Country Status (1)

Country Link
CN (1) CN116912734A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117609550A (zh) * 2024-01-17 2024-02-27 腾讯科技（深圳）有限公司 视频标题生成方法和视频标题生成模型的训练方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117609550A (zh) * 2024-01-17 2024-02-27 腾讯科技（深圳）有限公司 视频标题生成方法和视频标题生成模型的训练方法
CN117609550B (zh) * 2024-01-17 2024-05-28 腾讯科技（深圳）有限公司 视频标题生成方法和视频标题生成模型的训练方法

Similar Documents

Publication Publication Date Title
CN111767371B (zh) 一种智能问答方法、装置、设备及介质
CN109769141B (zh) 一种视频生成方法、装置、电子设备及存储介质
CN110516159B (zh) 一种信息推荐方法、装置、电子设备及存储介质
CN113395538B (zh) 音效渲染方法、装置、计算机可读介质和电子设备
CN116894188A (zh) 业务标签集更新方法、装置、介质及电子设备
CN115908640A (zh) 生成图像的方法、装置、可读介质及电子设备
CN116912734A (zh) 视频摘要数据集构建方法、装置、介质及电子设备
CN111209432A (zh) 信息获取的方法、装置、电子设备及计算机可读介质
CN112257459B (zh) 语言翻译模型的训练方法、翻译方法、装置和电子设备
CN116186545A (zh) 预训练模型的训练、应用方法、装置、电子设备及介质
CN112380883B (zh) 模型训练方法、机器翻译方法、装置、设备及存储介质
CN115270981A (zh) 对象处理方法、装置、可读介质及电子设备
CN116092092A (zh) 匹配方法、装置、介质及电子设备
CN113222050B (zh) 图像分类方法、装置、可读介质及电子设备
CN115269920A (zh) 交互方法、装置、电子设备和存储介质
CN111787257B (zh) 一种视频录制方法、装置、电子设备及存储介质
CN113177176A (zh) 特征构建方法、内容显示方法及相关装置
CN111368204A (zh) 内容推送方法、装置、电子设备及计算机可读介质
CN114697760B (zh) 一种处理方法、装置、电子设备及介质
CN112307245B (zh) 用于处理图像的方法和装置
CN116432650A (zh) 文本处理方法、装置、可读介质及电子设备
CN116110377A (zh) 音频识别方法、装置、可读介质及电子设备
CN117319705A (zh) 视频生成方法、装置、介质及电子设备
CN117034959A (zh) 数据处理方法、装置、电子设备及存储介质
CN115563410A (zh) 搜索结果展示方法、装置、电子设备和存储介质

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