视频分类方法、装置、设备和存储介质与流程

本公开涉及计算机技术领域，具体涉及知识图谱、计算机视觉、深度学习等人工智能技术领域，尤其涉及一种视频分类方法、装置、设备和存储介质。

背景技术：

人工智能(artificialintelligence，ai)是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术；人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。

随着信息技术发展，视频成为承载信息传递的主要方式之一。随着视频数据的极速增长，可以对视频进行分类，以便基于分类对视频进行存储、管理等。

相关技术中，通常是利用视频的单一模态信息对视频进行分类。

技术实现要素：

本公开提供了一种视频分类方法、装置、设备和存储介质。

根据本公开的一方面，提供了一种视频分类方法，包括：根据视频的多模态信息，提取所述视频中的关键词；获取所述关键词对应的背景知识，并根据所述关键词和所述背景知识，确定待识别文本；对所述待识别文本进行分类，以得到所述视频的类别。

根据本公开的另一方面，提供了一种视频分类装置，包括：提取模块，用于根据视频的多模态信息，提取所述视频中的关键词；确定模块，用于获取所述关键词对应的背景知识，并根据所述关键词和所述背景知识，确定待识别文本；分类模块，用于对所述待识别文本进行分类，以得到所述视频的类别。

根据本公开的另一方面，提供了一种电子设备，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如上述任一方面的任一项所述的方法。

根据本公开的另一方面，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，所述计算机指令用于使所述计算机执行根据上述任一方面的任一项所述的方法。

根据本公开的另一方面，提供了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上述任一方面的任一项所述的方法。

根据本公开的技术方案，可以提高视频分类的准确度。

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是根据本公开第一实施例的示意图；

图2是根据本公开第二实施例的示意图；

图3是根据本公开第三实施例的示意图；

图4是根据本公开第四实施例的示意图；

图5是根据本公开第五实施例的示意图；

图6是根据本公开第六实施例的示意图；

图7是用来实现本公开实施例的视频分类方法中任一方法的电子设备的示意图。

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。

图1是根据本公开第一实施例的示意图。本实施例提供一种视频分类方法，该方法包括：

101、根据视频的多模态信息，提取所述视频中的关键词。

102、获取所述关键词对应的背景知识，并根据所述关键词和所述背景知识，确定待识别文本。

103、对所述待识别文件进行分类，以得到所述视频的类别。

本实施例的执行主体可以为单侧设备主体，比如为服务器。

本公开实施例中，模态是指视频中的信息形式，比如，文本、视觉、语音等。多模态信息是指多种形式的信息，具体地，本实施例中，多模态信息包括：文本内容和视觉信息，即一种模态信息是文本内容，另一种模态信息是视觉信息。文本内容是指文本的具体内容，比如，一个文本是关于农村电商的文本，则相应的文本内容可以包括“农村电商”等内容。与文本内容不同的是，文本还可以包括其他信息，比如，文本位置、文本的字体大小等，这些文本信息，如位置、字体大小等，可以作为视觉信息中的一种。

进一步地，文本可以包括：所述视频的标题、光学字符识别(opticalcharacterrecognition，ocr)文本和自动语音识别(automaticspeechrecognition，asr)文本。其中，所述标题是指视频的概括性的文字说明，比如，在某个视频网站的视频页面上，对应每个视频可以配置相应的文字说明，该文字说明可以作为视频的标题。标题对应的文本内容可以通过对视频页面进行解析，直接获取到。视频由多个视频帧组成，ocr文本是指采用ocr方式，得到的视频帧中的文本。与标题对应的文本内容可以直接获取不同，ocr文本对应的文本内容需要采用ocr方式获取。asr文本是指对视频对应的语音进行语音识别，采用asr方式得到的文本。asr文本对应的文本内容同样也不能直接获取，需要采用asr方式获取。

视觉信息可以包括第一视觉信息和第二视觉信息，第一视觉信息还可以称为微观视觉信息，第二视觉信息还可以称为宏观视觉信息。第一视觉信息是指视频帧中的文本对应的视觉信息，视频帧中的文本比如为上述的ocr文本，第一视觉信息比如包括：ocr文本的位置、ocr文本的字体、ocr文本的出现时长等中的一项或多项。第二视觉信息是指视频中的关键帧，关键帧是指包含特定信息的视频帧，具体地，特定信息比如包括ocr文本、人脸图像等中的一项或多项。

在获取到多模态信息后，可以分别对所述多模态信息中的各模态信息，进行特征提取，以得到所述各模态信息对应的特征。比如，多模态信息包括文本和视觉信息，则可以分别提取文本对应的文本特征，以及，视觉特征对应的视觉特征。再对文本特征和视觉特征进行融合，以得到融合特征，再根据融合特征进行关键词标注，以确定所述视频中的关键词。

通过对各模态信息对应的特征进行融合，可以使得融合特征包含多种模态的信息，提高分类准确度。

在获取到视频中的关键词后，可以获取对应的背景知识，背景知识是指对关键词进行解释、说明的内容。具体地，可以在已有的知识库中获取关键词对应的背景知识。已有的知识库中可以保存各个关键词与对应的背景知识。已有的知识库比如为百度百科。

在获取到背景知识后，可以将关键词与背景知识进行拼接，以得到拼接文本，再对拼接文本进行分类，以确定视频的类别。

本实施例中，通过基于多模态信息进行处理，可以充分利用视频具有多模态信息的特点，提高视频分类的准确度。通过获取关键词对应的背景知识，并基于背景知识进行处理，可以对关键词的知识进行补充，使得待识别文本具有更高的解释性，从而进一步提高视频分类的准确度。

图2是本公开第二实施例的示意图，本实施例提供一种视频分类方法，本实施例以视频的多模态特征包括文本和视觉特征为例，该方法包括：

201、获取视频对应的文本的文本内容。

文本包括：视频的标题、ocr文本和asr文本。

其中，标题对应的文本内容是可直接提取的文本内容，因此，可以对视频网页进行文本解析，直接获取到视频的标题对应的文本内容。

ocr文本是指通过ocr对视频帧进行处理后，得到的视频帧中的文本。如图3所示，某一视频帧中的文本用对应的文本框标识，通过ocr对文本框中的图像内容进行识别后，可以得到对应的文本内容。比如，一个ocr文本对应的文本内容为“xxx在全省农村电商提质增效电视电话会议上强调”。

asr文本是指通过语音识别技术，将视频对应的语音转换为文本，比如，对应图3所示的视频帧，该视频帧在播放的同时还可以存在相应的新闻播音员的语音，可以将该语音转换为对应的文本内容，作为asr文本对应的文本内容。

202、获取视频的视觉信息。

所述视觉信息包括第一视觉信息和第二视觉信息，所述第一视觉信息为所述视频中的视频帧中的文本对应的视觉信息，所述第二视觉信息为所述视频中的关键帧。具体地，第一视觉信息比如包括：ocr文本的位置、ocr文本的字体、ocr文本的出现时长等中的一项或多项。第二视觉信息比如为包含特定信息的视频帧，特定信息比如包括ocr文本、人脸图像等中的一项或多项。比如，图3中的“xxx在全省农村电商提质增效电视电话会议上强调”这一ocr文本的位置可以作为一种第一视觉信息，由于图3所示的视频帧中包含ocr文本，还包含人脸图像，则该视频帧可以作为关键帧，即第二视觉信息。

203、根据所述文本内容和所述视觉信息，提取所述视频中的关键词。

具体地，如图4所示，可以分别对所述文本内容和所述视觉信息进行特征，以分别得到文本特征和视觉特征。

进一步地，视觉信息可以分为第一视觉信息和第二视觉信息，则可以分别对第一视觉信息和第二视觉信息进行特征提取，以分别得到第一视觉特征和第二视觉特征。

具体地，由于文本内容、第一视觉信息均属于文本形式，因此，可以采用文本特征的提取方式，将其转换为对应的特征向量。由于第二视觉信息是关键帧，为图像，则可以采用图像特征的提取方式，将其转换为对应的特征向量。即，可以包括：对所述文本内容进行第一文本编码，以得到文本特征；对所述第一视觉信息进行第二文本编码，以得到第一视觉特征；对所述第二视觉信息进行图像编码，以得到第二视觉特征。

通过对不同的模态信息分别进行编码处理，可以采用各模态信息更适合的编码方式进行处理，以提高各模态信息对应的特征的准确度，进而提高分类准确度。

如图4所示，可以采用第一文本编码模型，对文本内容进行编码，以得到文本特征，采用第二文本编码模型，对第一视觉信息进行编码，以得到第一视觉特征，采用图像编码模型，对第二视觉信息进行编码，以得到第二视觉特征。其中，第一文本编码模型和/或第二文本编码模型比如为transformer网络中的编码器(在图4中分别表示为第一transformer网络和第二transformer网络)。图像编码模型比如为卷积神经网络(convolutionalneuralnetwork，cnn)，具体地，比如为resnet-152。

可以理解的是，文本编码的输出为向量形式，对于图像编码，可以对提取的特征图(featuremap)进行展平，将其转换为向量形式，从而使得文本特征、第一视觉特征、第二视觉特征均为向量形式。

在得到文本特征、第一视觉特征、第二视觉特征后，可以对这三种特征进行融合，具体地，由于这三种特征均为向量形式，可以对这三种特征进行向量拼接，以得到拼接向量，将拼接向量作为融合特征。

通过采用向量拼接的方式进行融合，可以简便地实现多模态信息融合。

在得到融合向量后，可以采用条件随机场(conditionalrandomfield，cpf)，根据融合特征进行关键词标注，以得到视频中的关键词。如图4所示，以中文为例，对应中文的每个字，可以标注b、i、o，其中，b表示关键词的起点，i表示关键词的其他部分，o表示不是关键词，因此，通过关键词标注可以获取视频中的关键词。比如，对应上述的“xxx在全省农村电商提质增效电视电话会议上强调”，经过关键词标注，“农”、“村”、“电”、商”分别被标注为b、i、i、i，其余字均被标注o，则提取的关键词为“农村电商”。

其中，在特征融合时，以中文为例，可以对应每个字进行融合，比如，文本内容包括“字1”、“字2”等，“字1”对应的第一视觉信息用视觉1(feat1)表示，则第一视觉信息包括“视觉1”、“视觉2”等，则在融合时，以“字1”为例，将“字1”对应的文本特征+“视觉1”对应的第一视觉特征+第二视觉特征，作为“字1”对应的融合特征，“+”表示拼接。另外，在融合时可以包括或不包括【cls】对应的特征。以图4中的第一transformer网络为例，输入方框包括：【cls】、“字1”、“字2”等，输出方框包括：h0、h1、h2等文本特征，h0是【cls】对应的隐层输出向量，h1是“字1”对应的隐层输出向量，h2是“字2”对应的隐层输出向量。第二transformer网络的输入方框和输出方框类似，只是输入为视觉信息，输出为视觉特征。由于是基于字的向量拼接，则融合特征是以文本内容中的字为单位的，则在关键词标注时，可以逐字进行上述的b、i、o的标识，以确定出关键词。

通过采用crf对融合特征进行标注，可以基于关键词标注的方式，提取出视频中的关键词。

204、获取所述关键词对应的背景知识，并根据所述关键词和所述背景知识，确定待识别文本。

比如，从百度百科中获取关键词对应的背景知识。比如，对应图3所示的视频帧，提取的关键词为“农村电商”，在百度百科中可以查找到，“农村电商”对应的背景知识为：“农村电子商务平台配合密集的乡村连锁网点，以数字化、信息化的手段、通过集约化管理、市场化运作、成体系的跨区域跨行业联合，构筑紧凑而有序的商业联合体，降低农村商业成本、扩大农村商业领域、使农民成为平台的最大获利者，使商家获得新的利润增长”。

通过从知识库中获取背景知识，由于知识库中已有大量的各方面的数据资源，可以充分利用已有资源。

之后，可以对该关键词和背景知识进行拼接，得到拼接文本，将拼接文本作为待识别文本。

可以理解的是，如果提取的视频中的关键词为多个，则可以对应每个关键词和背景知识进行拼接，再拼接所有的关键词。比如，第一关键词+第一背景知识+第二关键词+第二背景知识+第三关键词+第三背景知识等，其中的+表示拼接。

205、对所述待识别文本进行分类，以得到所述视频的类别。

其中，可以将待识别文本输入到分类模型中，输出为视频的类别。分类模型比如包括文本编码网络和分类网络。如图5所示，文本编码网络可以为transformer网络的编码器，在图5中用第三transformer网络表示，以中文为例，可以将待识别文本分为多个词，用“词1”、“词2”等表示，将得到的多个词和分类标识“[cls]”作为输入，输入到文本编码网络中，输出包括h0、h1、h2等隐层向量，其中h0是[cls]对应的隐层向量，将h0作为分类网络的输入，输出为分类结果，即视频的类别。分类网络可以采用各种已有的分类网络，比如包括全连接层。

进一步地，分类模型可以是采用广电数据训练后得到，即分类模型在训练时，采用的训练数据为广电数据。广电数据包括：广电的视频数据以及对应的视频标签，视频标签可以按照广电的视频分类标准进行标注。广电的视频分类标准为广播电视节目资料分类法。广播电视节目资料分类法是中国电视广播等节目最权威的分类体系。该分类体系采用树形结构，分成13个大类，一般细分到3至4级。互联网上传播的电视、电影、综艺、动漫、新闻等电视广播节目均可按照这份权威的分类体系进行分类。正规的电视台对视频内容进行编目也需要按照该分类标准进行视频分类。可以理解的是，在采用视频标签时可以依据实际需求进行，比如，需要细分到2级的类别，则在训练时的视频标签可以采用2级标签。

基于广电数据进行训练后得到的分类模型，是符合标准的，更具有权威性、标准性，进而可以提高分类模型的普适性。

图6是本公开第六实施例的示意图，本实施例提供一种视频分类装置，该装置600包括：提取模块601、确定模块602和分类模块603。

提取模块601用于根据视频的多模态信息，提取所述视频中的关键词；确定模块602用于获取所述关键词对应的背景知识，并根据所述关键词和所述背景知识，确定待识别文本；分类模块603用于对所述待识别文本进行分类，以得到所述视频的类别。

一些实施例中，所述提取模块601具体用于：分别对所述多模态信息中的各模态信息，进行特征提取，以得到所述各模态信息对应的特征；对所述各模态信息对应的特征进行融合，以得到融合特征；根据所述融合特征进行关键词标注，以确定所述视频中的关键词。

一些实施例中，所述多模态信息包括：文本内容和视觉信息，所述视觉信息包括第一视觉信息和第二视觉信息，所述第一视觉信息为所述视频中的视频帧中的文本对应的视觉信息，所述第二视觉信息为所述视频中的关键帧，所述提取模块601进一步具体用于：对所述文本内容进行第一文本编码，以得到文本特征；对所述第一视觉信息进行第二文本编码，以得到第一视觉特征；对所述第二视觉信息进行图像编码，以得到第二视觉特征。

一些实施例中，所述提取模块601进一步具体用于：对所述各模态信息对应的特征进行向量拼接，以得到拼接向量，将所述拼接向量作为融合特征。

一些实施例中，所述提取模块601进一步具体用于：采用条件随机场，根据所述融合特征进行关键词标注。

一些实施例中，所述确定模块602具体用于：从已有的知识库中，获取所述关键词对应的背景知识。

一些实施例中，所述分类模块603具体用于：采用分类模型，对所述待识别文本进行分类，所述分类模型采用广电数据训练后得到。

本公开实施例中，通过基于多模态信息进行处理，可以充分利用视频具有多模态信息的特点，提高视频分类的准确度。通过获取关键词对应的背景知识，并基于背景知识进行处理，可以对关键词的知识进行补充，使得待识别文本具有更高的解释性，从而进一步提高视频分类的准确度。通过对不同的模态信息分别进行编码处理，可以采用各模态信息更适合的编码方式进行处理，以提高各模态信息对应的特征的准确度，进而提高分类准确度。通过采用向量拼接的方式进行融合，可以简便地实现多模态信息融合。通过采用crf对融合特征进行标注，可以基于关键词标注的方式，提取出视频中的关键词。通过从知识库中获取背景知识，由于知识库中已有大量的各方面的数据资源，可以充分利用已有资源。基于广电数据进行训练后得到的分类模型，是符合标准的，更具有权威性、标准性，进而可以提高分类模型的普适性。

可以理解的是，本公开实施例中，不同实施例中的相同或相似内容可以相互参考。

可以理解的是，本公开实施例中的“第一”、“第二”等只是用于区分，不表示重要程度高低、时序先后等。

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。

图7示出了可以用来实施本公开的实施例的示例电子设备700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、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，个人数字助理、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7所示，电子设备700包括计算单元701，其可以根据存储在只读存储器(rom)702中的计算机程序或者从存储单元708加载到随机访问存储器(ram)703中的计算机程序，来执行各种适当的动作和处理。在ram703中，还可存储电子设备700操作所需的各种程序和数据。计算单元701、rom702以及ram703通过总线704彼此相连。输入/输出(i/o)接口705也连接至总线704。

电子设备700中的多个部件连接至i/o接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储单元708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许电子设备700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701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701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701执行上文所描述的各个方法和处理，例如视频分类方法。例如，在一些实施例中，视频分类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708。在一些实施例中，计算机程序的部分或者全部可以经由rom702和/或通信单元709而被载入和/或安装到电子设备700上。当计算机程序加载到ram703并由计算单元701执行时，可以执行上文描述的视频分类方法的一个或多个步骤。备选地，在其他实施例中，计算单元701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分类方法。

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、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，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与vps服务("virtualprivateserver"，或简称"vps")中，存在的管理难度大，业务扩展性弱的缺陷。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，本发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。