本发明涉及用于学习用于获取与所学习的概念有关的内容的新训练的概念的系统和方法。
背景技术：
数字媒体经常由用户以照片、视频、书面文本和/或其他形式的数字媒体的形式创建。该信息或内容通常由系统在全世界范围内存储、共享、访问和/或分析。用户凭借这些系统来搜索大量的信息、挖掘信息并将其分享。
用于揭示该信息的信息通常由其他用户提供或者由自动化系统一般利用一组固定的可识别模式创建。这些模式的示例可以是图片中的狗、歌曲中的音乐流派或者文本片段的情绪。然而，即使利用能够识别模式的复杂系统，这些系统也可能无法满足那些脑海中具有获取他们所需内容的特殊标准的用户的期望。
技术实现要素：
通过促进对新分类系统的学习以用于将感兴趣信息和内容与存储系统或数据流中包含的其他内容区分开，本公开的示例性实施方式可以克服现有系统的缺点。
本公开的一个或多个方面涉及配置为学习用于获取与所学习的概念有关的内容的新训练的概念的系统。该系统可以包括一个或多个硬件处理器，该一个或多个硬件处理器由机器可读指令配置为：获得一个或多个数字媒体项目；获得指示，该指示传达要从该一个或多个数字媒体项目学习的概念；接收与该一个或多个数字媒体项目中的各个项目相关联的反馈。该反馈可以基于对要从该一个或多个数字媒体项目学习的概念的一个或多个肯定示例的选择、对要从该一个或多个数字媒体项目学习的概念的一个或多个否定示例的选择、和/或其组合。给定的肯定示例可以是包括要学习的概念的数字媒体项目。给定的否定示例可以是缺乏要学习的概念的数字媒体项目。一个或多个硬件处理器由机器可读指令进一步配置为：获得针对一个或多个数字媒体项目中的各个项目的各个表示。各个表示可以包括以下各项中的一项或多项：针对一个或多个数字媒体项目中的各个项目的机器学习表示、训练系统表示、神经网络表示和/或其他计算平台表示。在一些实施方式中，一个或多个硬件处理器可以由机器可读指令进一步配置为：基于一个或多个数字媒体项目的反馈、各个表示和/或其组合确定训练的概念。训练的概念可以用于获取与要学习的概念有关的数字媒体项目。
本公开的一个或多个方面涉及用于使用包括一个或多个硬件处理器的系统学习用于获取与所学习的概念有关的内容的新训练的概念的方法。该方法可以包括：获得一个或多个数字媒体项目；获得指示，该指示传达要从该一个或多个数字媒体项目学习的概念；以及接收与该一个或多个数字媒体项目中的各个项目相关联的反馈。反馈可以基于对要从该一个或多个数字媒体项目学习的概念的一个或多个肯定示例的选择、对要从该一个或多个数字媒体项目学习的概念的一个或多个否定示例的选择、和/或其组合。在一些实施方式中，给定的肯定示例可以包括以下各项中的一项或多项：包括要学习的概念的数字媒体项目、与要学习的概念有关的数字媒体项目、与要学习的概念类似的数字媒体项目、与包括要获知的概念的其他数字媒体项目类似的数字媒体项目、和/或要学习的概念的其他肯定示例。否定示例可以包括不包括要学习的概念的数字媒体项目、不涉及要学习的概念的数字媒体项目和/或与要学习的概念不相关的数字媒体项目。在一些实施方式中，数字媒体项目可以通过相似度形成群集。数字媒体项目的群集可以标记为肯定示例或否定示例。在一些实施方式中，该方法还可以包括：获得针对一个或多个数字媒体项目中的各个项目的各个神经网络表示。给定的神经网络表示可以包括一个或多个神经网络层。该方法还可以包括：基于一个或多个数字媒体项目的反馈和神经网络表示确定训练的概念。训练的概念可以用于获取与要学习的概念有关的数字媒体项目。
通过考虑以下说明书和所附权利要求并参考附图，本技术的这些及其他特征和特性、以及相关结构元件的操作方法和功能和制造部件和经济的组合将变得更为显而易见，所有附图形成该说明书一部分，其中在不同图中相似的附图标记指定相应的部件。然而，应当明确理解的是，附图仅用于说明和描述的目的，而并不旨在作为对本发明的限制的规定。如在说明书和权利要求书中所使用的，单数形式的“一(a)”、“一个(an)”以及“该(the)”包括多个指代物，除非上下文清楚地另外指明。
附图说明
图1示出了根据一个或多个实施方式的配置为学习用于获取与所学习的概念有关的内容的新训练的概念的系统。
图2示出了根据一个或多个实施方式的电子存储系统。
图3示出了根据一个或多个实施方式的配置为基于来自计算平台的信息和反馈来学习新的概念的系统。
图4示出了根据一个或多个实施方式的配置为学习新训练的概念的系统。
图5示出了根据一个或多个实施方式的用于学习用于获取与所学习的概念有关的内容的新训练的概念的方法。
具体实施方式
图1示出了根据一个或多个实施方式的配置为学习用于获取与所学习的概念有关的内容的新训练的概念的系统100。在一些实施方式中，如该示例中所示，系统100可以包括以下各项中的一项或多项：服务器102、一个或多个计算平台130、一个或多个外部资源140、和/或其他组件。
服务器102可以包括电子存储设备104、一个或多个处理器106、和/或其他组件。处理器106可以由机器可读指令107进行配置。机器可读指令107可以包括以下各项中的一项或多项：数字媒体组件108、概念组件110、反馈组件112、神经机器学习组件114、训练组件116、和/或其他组件。
数字媒体组件108可以配置为获得一个或多个数字媒体项目。数字媒体项目可以是以数字信息形式存在的任何类型的内容。例如，给定的数字媒体项目可以包括图像、视频、文本、音频、符号、序列、网络内容、和/或任何类型的数字信息。在一些实施方式中，数字媒体组件108可以配置为获得与数字媒体项目中的各个项目相关联的信息。在一些实施方式中，与数字媒体项目中的各个项目相关联的信息可以包括作为与数字媒体项目相关联的元数据被存储的信息。在一些实施方式中，元数据可以包括以下各项中的一项或多项：时间戳、生成媒体项目的物理位置、用户生成的信息、源生成的信息、和/或其他信息。在一些实施方式中，元数据可以被称为描述、字幕、标记、标签、价格、用户评论、喜欢、点评、附页、共享、和/或任何其他元数据。在一些实施方式中，数字媒体项目可以存储在数字和/或模拟存储设备上，可以数字地广播、流式传输和/或包含在计算机文件中。在一些实施方式中，可以从电子存储设备104、电子存储设备134、计算平台130、系统100的其他组件和/或系统100外部的其他组件获得数字媒体项目。
在一些实施方式中，可以从计算平台130获得数字媒体项目。在一些实施方式中，计算平台130可以与人类用户、自动化机器和/或其他源中的一个或多个相关联。作为非限制性示例，用户可以通过“上传”数字媒体项目、下载数字媒体项目和/或其他方式提供数字媒体项目，以用于从计算平台130向数字媒体项目组件108提供数字媒体项目。在一些实施方式中，用户可以利用用户接口132提供一个或多个数字媒体项目。在一些实施方式中，计算平台130可以包括与计算平台130包括在一起的或者耦接至该计算平台130的一个或多个数字媒体输入设备。作为非限制性示例，媒体输入设备可以包括以下各项中的一项或多项：文档扫描仪、相机、麦克风、配置为通信地耦接至移动设备的端口和/或其他考虑。在一些实施方式中，电子存储设备104和/或电子存储设备134可以经由计算平台130接收来自用户的查询，以向数字媒体项目组件108提供数字媒体项目。
图2示出了根据一个或多个实施方式的存储系统200的示例。存储系统200可以配置为促进数字媒体项目的存储。存储系统200可以配置为支持查询。在一些实施方式中，存储系统200可以配置为基于与数字媒体项目相关联的信息支持查询。在图2所示的示例中，数字媒体项目可以存储在电子存储设备210中。在一些实施方式中，数字媒体项目可以存储在远程设备上并且电子存储设备210可以包含针对数字媒体项目的实际位置的参考(例如，文件指针、ur1和/或其他形式的参考数字媒体)。
在一些实施方式中，包含在存储系统200中的信息可以通过修改240进行修改。修改240可以包括以下各项中的一项或多项：添加新的数字媒体项目、移除数字媒体项目、修改与存储在电子存储设备210中的数字媒体项目相关联的信息、和/或对包含在存储系统200内或系统200外的内容的其他修改。例如，在一些实施方式中，修改240可以包括对存储在远程存储设备上并且由电子存储设备210参考的数字媒体项目的修改。
在一些实施方式中，存储系统200可以包括用于促进在电子存储设备210内对项目的有效查询和获取的索引130。索引130可以配置为促进将数字媒体项目与相应信息进行匹配。在一些实施方式中，索引130可以促进按照有效方式在电子存储设备210内直接查找内容。作为非限制性示例，通过改进存储器利用、编写索引的时间、查询的时间和/或任何其他的度量改进可以使编写索引有效。可以针对存储系统200进行用于获取数字媒体项目的查询250。可以返回响应260。
在一些实施方式中，查询250可以由从存储系统200获取信息的请求组成。在一些实施方式中，查询250可以是获取一个或多个数字媒体项目的请求，该一个或多个数字媒体项目与请求中的相应信息相匹配。在一些实施方式中，可以由用户经由计算平台130(图1)和/或系统100内或外的其他组件(图1)进行查询250。在一些实施方式中，可以由系统100内或外的一个或多个组件进行查询250。在一些实施方式中，查询250可以包括对被获取作为查询250的响应的一个或多个数字项目的附加操作。附加动作可以包括对一个或多个数字媒体项目的更新、插入、删除和/或其他动作、和/或对被获取作为查询250的响应的一个或多个数字媒体项目相关联的信息的动作。
在一些实施方式中，可以对数字媒体项目应用转换220以创建数字媒体项目的表示，该表示可以促进使用索引130的有效编写索引。例如，在一些实施方式中，转换220可以配置为利用机器学习系统处理数字媒体项目以提取该数字媒体项目的表示，其在索引230中包括用于有效地对该数字媒体项目编写索引的相关信息。
在一些实施方式中，可以响应于查询250获取响应260。响应260可以传达查询250所请求的信息。在一些实施方式中，响应260可以包括查询250所请求的一个或多个数字媒体项目。可以通过索引230中的数字媒体项目的表示与查询250中包含的表示之间的比较来获取响应260。例如，可以在查询250中提供数字媒体项目的表示作为表示空间内的嵌入，使得将索引230中的所有数字媒体项目的嵌入进行比较可以产生查询和已编写索引的项目之间的相似度得分。查询250可以询问要在响应260中获取的依据相似度得分的最相似的项目、最不相似的项目和/或项目的任何其他组合。在一些实施方式中，可以通过神经网络、其他机器学习系统和/或其他计算平台中的一个或多个来产生数字媒体项目表示。
返回到图1，概念组件110可以配置为获得指示，该指示传达要从一个或多个数字媒体项目学习的概念。概念可以是指信息、想法、观念和/或可以从一个或多个数字媒体项目学习的任何理解中的一个或多个。在一些实施方式中，概念可以是指情绪、形容词、动词、名词、抽象观念、具体观念、和/或可以学习的任何其他信息。例如，可以从其中包含狗的一个或多个照片、狗的一种或多种声音、狗的一个或多个描述、和/或与狗有关的其他信息学习“狗”的概念。作为非限制性示例，可以从描述快乐的人们的一个或多个图像、一种或多种声音、笑声的一个或多个音频、音乐的一个或多个音频、歌曲的一个或多个音频、一个或多个文本、和/或与“快乐”有关的其他信息学习概念“快乐”。传达要学习的概念的指示可以采用文本、声音、语音、图片中的一种或多种的形式和/或用于传达要学习的概念的其他形式。传达要学习的概念的指示可以从计算平台130、用户和/或系统100内或外的其他组件获得。
反馈组件112可以配置为接收与一个或多个数字媒体项目中的各个项目相关联的反馈。可以从系统100内或外的一个或多个组件接收由反馈组件112接收的反馈。在一些实施方式中，可以从计算平台130接收反馈。计算平台130可以配置为基于用户输入向反馈组件112提供与一个或多个数字媒体项目中的各个项目相关联的反馈。在一些实施方式中，接收针对数字媒体项目中的各个项目的反馈可以包括：获得对与该数字媒体项目中的各个项目相关联的信息的确认。在一些实施方式中，接收针对数字媒体项目中的各个项目的反馈包括：获得对与要学习的概念有关的先前预测的确认。
在一些实施方式中，提供给反馈组件112的反馈可以基于对要从一个或多个数字媒体项目学习的概念的一个或多个肯定示例的选择，使得给定的肯定示例可以是与要学习的概念有关的数字媒体项目。可以经由用户接口132和/或系统100内或外的一个或多个组件从用户获得该选择。在一些实施方式中，提供给反馈组件112的反馈可以基于对要从一个或多个数字媒体项目学习的概念的一个或多个否定示例的选择，使得给定的否定示例可以是与要学习的概念不相关的数字媒体项目。作为非限制性示例，“拉布拉多猎犬”的概念的肯定示例可以包括拉布拉多猎犬的图像。“拉布拉多猎犬”的概念的否定示例可以包括汽车、树、山、罗威纳犬、贵宾犬的图像和/或不包括拉布拉多猎犬的其他图像。在一些实施方式中，提供给反馈组件112的反馈可以基于对要学习的概念的一个或多个肯定示例和一个或多个否定示例的选择。
机器学习组件114可以配置为获得针对该一个或多个数字媒体项目中的各个项目的各个机器学习表示。在一些实施方式中，机器学习表示可以是针对该一个或多个数字媒体项目中的各个项目的神经网络表示。神经网络通常组织在层中，这些层由多个互连的包含激活函数的“节点”组成。可以经由“输入层”将数字媒体项目提供给该网络，该“输入层”经由加权“连接”系统与其中完成实际处理的一个或多个“隐藏层”连通。隐藏层随后链接到其中输出预测的“输出层”。给定的神经网络表示可以包括一个或多个神经网络层。作为非限制性示例，卷积神经网络可以用于处理图像。卷积神经网络可以包括用于学习在图像上共享的权重的一个或多个卷积神经网络层、用于使神经网络更加不变的一个或多个池化层、用于使该网络更鲁棒的一个或多个非线性激活函数层和/或其他类型的神经网络层，同时采用图像作为输入并输出对从图像提取的高级别信息进行编码的矢量表示。作为非限制性示例，对于文本、音频和/或时间序列处理，递归神经网络可以用于通过处理输入的时间序列的时间，利用加权连接将时间序列信息编码为矢量输出。
训练组件116可以配置为确定一个或多个训练的概念。训练的概念可以用于获取与要学习的概念有关的数字媒体项目。在一些实施方式中，训练组件116可以配置为基于以下各项中的一项或多项来确定训练的概念：与一个或多个数字媒体项目相关联的反馈、该一个或多个数字媒体项目和/或该一个或多个数字媒体项目的各个表示。在一些实施方式中，训练组件116可以配置为基于与一个或多个数字媒体项目相关联的反馈和/或该一个或多个数字媒体项目的神经网络表示确定附加的神经网络层。
图3示出了根据一个或多个实施方式的配置为基于来自计算平台310的信息和反馈学习新概念的系统300。可以通过修改340来修改包含在电子存储系统330中的数字媒体项目。修改340可以包括以下各项中的一项或多项：添加新的数字媒体项目、移除数字媒体项目、修改与存储在电子存储设备330中的数字媒体项目相关联的信息、和/或对存储在电子存储系统330中的内容的其他修改。可以从电子存储系统330获取数字媒体项目并且将其呈现给计算平台310。在一些实施方式中，计算平台310可以包括用户接口。
可以从计算平台310接收与一个或多个数字媒体项目相关联的反馈320。在一些实施方式中，可以按照以下形式传达反馈320：选择数字媒体项目、选择标记、选择文本、将数字媒体项目和与要学习的概念相关的信息进行关联、和/或其他形式的反馈。例如，要学习的概念是“狗”。与图像集相关联的反馈320可以采用显示狗的选定图像集、未显示狗的选定图像集的形式。在一些实施方式中，反馈320可以包括：确认由系统300作出的先前预测、将数字媒体项目标记为属于要学习的概念的肯定示例、将数字媒体项目标记为属于要学习的概念的否定示例、和/或与要学习的概念有关的其他信息。在一些实施方式中，反馈320可以基于与系统300的用户交互。与系统300的交互的示例可以包括以下各项中的一项或多项：搜索历史、搜索点击率、喜欢内容、共享内容、评论点评、订阅内容、和/或与系统300的其他交互。
在一些实施方式中，训练组件350可以配置为从电子存储设备330获取数字媒体项目，其中针对数字媒体项目提供反馈320。在一些实施方式中，可以利用查询从电子存储设备330获取数字媒体项目。在一些实施方式中，训练组件350可以包括机器学习系统、计算平台和/或人类操作员。训练组件350可以配置为通过反馈320和从电子存储设备330获取的数字媒体项目进行学习。例如，训练组件350可以基于与数字媒体项目相关联的反馈320改进机器学习系统的预测。
训练组件350可以配置为确定训练的概念360。在一些实施方式中，训练的概念360可以表示由训练组件350用于从反馈350学习的机器学习方法的参数。作为非限制性示例，电子存储设备330中的数字媒体项目可以是图像集，反馈320可以是包含鸟的图像的标记和不包含鸟的图像的标记。训练组件可以从反馈320所提供的标记进行学习。反馈320所提供的标记可以是由训练组件350确定的定义鸟分类器的参数。
返回到图1，电子存储设备104可以接收针对与正在学习的概念相关的数字媒体项目的查询。由训练组件116获得的训练的概念可以用于获得该查询的结果。在一些实施方式中，可以由训练组件116接收与查询的结果相关联的附加反馈。该反馈可以基于对正在从查询的结果学习的概念的一个或多个肯定示例的选择、和/或对正在从查询的结果学习的概念的一个或多个否定示例的选择。在一些实施方式中，可以基于该附加反馈调整训练的概念。在一些实施方式中，机器学习组件114可以配置为获得查询的结果的神经网络表示。可以基于查询的结果的附加反馈和/或神经网络表示调整训练的概念。作为非限制性示例，对于“狗”的训练的概念，附加的反馈可以包括通过查询训练的概念的类似项目而获取的“狗”的更多肯定示例(正确肯定)、当查询训练的概念的类似项目时并非“狗”的否定示例(错误肯定)、当查询训练的概念的不相似项目时并非“狗”的否定示例(正确否定)、和/或当查询训练的概念的不相似项目时“狗”的肯定示例(错误否定)。
图4示出了根据一个或多个实施方式的配置为学习新训练的概念的系统。在一些实施方式中，可以由计算平台410获得数字媒体项目。可以生成与数字媒体项目中的各个项目相关联的反馈420。可以将反馈420和与反馈420相关联的数字媒体项目提供给训练组件430。训练组件可以配置为从反馈420和与反馈420相关联的数字媒体进行学习。可以由训练组件430确定训练的概念440。在一些实施方式中，可以利用模型转换470对训练的概念440进行转换。转换470可以提供对训练的概念440的调整以使其适合于在电子存储设备408上的查询450。可以使用查询450来获取与要学习的概念有关的更多数字媒体项目。可以在响应460中返回查询450的结果。图4中所示的迭代过程可以用于通过将利用先前训练的概念440获取的数字媒体项目呈现给计算平台410以生成附加反馈，改善训练的概念440。
作为非限制性示例，“狗”是要被训练组件430学习的概念。可以从电子存储设备408获取一个或多个图像。表示“狗”的图像被提供作为肯定反馈420，并且不表示“狗”的图像被提供作为否定反馈420。训练组件430可以利用配置为从反馈420进行学习并且其中训练的概念440可以是“狗”概念的机器学习表示的机器学习框架。电子存储设备408可以维持存储在电子存储设备408中的图像中的单独图像的机器学习表示。可以向训练组件430提供图像的机器学习表示，针对该图像的机器学习表示已经生成了反馈420。图像的机器学习表示和反馈420可以由训练组件430用于学习附加的机器学习表示以作为训练的概念440输出。
在一些实施方式中，计算平台410可以获得更多信息以迭代以上所述的操作。可以利用转换470对训练的概念440进行转换以使其适合于在电子存储设备408上的查询450。可以使用查询450来获取在响应460中返回的更多相关的数字媒体项目。随后可以使用所获取的数字媒体项目来提供肯定和/或否定反馈420以进一步地教导训练组件430。
返回到图1，处理器106和/或136可以配置为在系统100中(例如，在服务器102和/或计算平台130中)提供信息处理能力。如此，处理器106和/或处理器136可以包括以下各项中的一项或多项：数字处理器、模拟处理器、设计为处理信息的数字电路、设计为处理信息的模拟电路、状态机、和/或用于电子地处理信息的其他机构。尽管在图1中处理器106和/或处理器136显示为单个实体，但是这仅是为了说明的目的。在一些实施方式中，处理器106和/或处理器136可以包括多个处理单元。这些处理单元可以物理地位于相同的装置中(例如，在服务器102和/或计算平台130中)，或者处理器106和/或136可以表示(例如，在服务器102和/或计算平台130中)协调运行的多个装置的处理功能。
电子存储设备104、电子存储设备134和/或电子存储设备210(图2)可以包括电子地存储信息的电子存储介质。电子存储设备104、电子存储设备134和/或电子存储设备210(图2)的电子存储介质可以包括与服务器102和/或计算平台130集成在一起(即，基本上不可移除)的系统存储设备中的一个或两个，和/或可以包含经由例如端口或驱动器可移除地连接至服务器102和/或计算平台130的可移除存储设备。端口可以包括usb端口、火线端口和/或其他端口。驱动器可以包括磁盘驱动器和/或其他驱动器。电子存储设备104、电子存储设备134和/或电子存储设备210(图2)可以包括以下各项中的一项或多项：光学可读存储介质(例如，光盘等)、磁性可读存储介质(例如，磁带、硬磁盘驱动器、软盘驱动器等)、基于电荷的存储介质(例如，eeprom、ram等)、固态存储介质(例如，闪存驱动器等)，和/或其他电子可读存储介质。电子存储设备210可以包括一个或多个虚拟存储资源(例如，云存储设备、虚拟专用网络、和/或其他虚拟存储资源)。电子存储设备104、电子存储设备134和/或电子存储设备210(图2)可以存储数字媒体项目、软件算法、由处理器106和/或136确定的信息、从服务器102和/或计算平台130接收的信息、和/或使服务器102和/或计算平台130能够按照本文所述的起作用的其他信息。
计算平台130可以包括用户接口132、电子存储设备134、一个或多个处理器136和/或其他组件。用户接口132可以配置为在系统100和用户之间提供接口，用户可以通过该接口向系统100提供信息并从系统100接收信息。这使得被共同称为“信息”的信息、结果和/或指令以及任何其他可通信项目能够在用户与系统100的一个或多个组件之间传送。适合于包括在用户接口132中的接口设备的示例包括以下各项中的一项或多项：键区、按钮、开关、键盘、旋钮、控制杆、显示屏、触摸屏、扬声器、麦克风、指示灯、声音报警器、打印机、和/或其他设备。在一些实施方式中，用户接口132可以包括多个独立的接口，其包括可以设置在服务器102中的接口以及设置为查看和/或管理已经从服务器102获取的(例如，由配置为从服务器102和系统100的其他组件接收信息的计算机提供的)已存储信息的独立接口。
外部资源105可以包括信息源、系统100外部的主机和/或信息提供者、与系统100一起参与的外部实体、和/或其他资源。在一些实施方式中，本文中归因于外部资源105的一些或全部功能可以由包含在系统100中(例如，服务器102中)的资源来提供。
网络150可以包括因特网和/或其他网络、内联网、近场通信、频率(rf)链路、
应当意识到，尽管在图1中将组件108、110、112、114和/或116例示为共同位于单个组件内，但是在处理器106(和/或136)由机器可读指令107配置为执行多个组件的实施方式中，组件108、110、112和/或114中的一个或多个可以位于远离其他组件的位置处。以上所述的不同组件108、110、112、114和/或116提供的功能的描述是用于说明的目的而并不旨在是限制性的，因为组件108、110、112、114和/或116中的任一个可以提供比所述功能更多或更少的功能。例如，可以消除组件108、110、112、114和/或116中的一个或多个，而其功能的一些或全部可以由组件108、110、112、114、116中的其他组件和/或其他组件来提供。作为另一个示例，处理器104可以由机器可读指令107配置为执行一个或多个附加的组件，该一个或多个附加的组件可以执行以下归因于组件108、110、112、114和/或116中一个的一些或全部功能。
图5示出了用于学习用于获取与所学习的概念有关的内容的新训练的概念的方法500。以下呈现的方法500的操作旨在是说明性的。在一些实施例中，可以利用未描述的一个或多个附加的操作和/或不利用所讨论的一个或多个操作来实现方法500。另外，在图5中示出并且在以下描述的方法500的操作顺序并不旨在是限制性的。
在一些实施例中，可以在一个或多个处理设备(例如，数字处理器、模拟处理器、设计为处理信息的数字电路、设计为处理信息的模拟电路、状态机、功能有限的处理设备、和/或用于电子地处理信息的其他机构)中实现方法500。一个或多个处理设备可以包括响应于电子地存储在电子存储介质上的指令执行方法500的一些或全部操作的一个或多个设备。一个或多个处理设备可以包括通过硬件、固件和/或软件配置为专门设计用于执行方法500的操作中的一个或多个的一个或多个设备。
在操作502处，可以获得一个或多个数字媒体项目。在一些实施方式中，可以由与(图1中所示且本文中所述的)数字媒体组件108相同或相似的数字媒体组件执行操作502。
在操作504处，可以获得指示，该指示传达要从一个或多个数字媒体项目学习的概念。在一些实施方式中，可以由与(图1中所示且本文中所述的)概念组件110相同或相似的概念组件执行操作504。
在操作506处，可以接收与一个或多个数字媒体项目中的各个项目相关联的反馈。反馈可以基于对要从该一个或多个数字媒体项目学习的概念的一个或多个肯定示例的选择、对要从该一个或多个数字媒体项目学习的概念的一个或多个否定示例的选择、和/或其组合。在一些实施方式中，给定的肯定示例可以是包括要学习的概念的数字媒体项目。在一些实施方式中，给定的否定示例可以是缺乏要学习的概念的数字媒体项目。在一些实施方式中，可以由与(图1中所示且本文中所述的)反馈组件112相同或相似的反馈组件执行操作506。
在操作508处，获得针对一个或多个数字媒体项目中的各个项目的各个机器学习表示。在一些实施方式中，获得针对一个或多个数字媒体项目中的各个项目的各个神经网络表示。在一些实施方式中，给定的神经网络表示可以包括一个或多个神经网络层。在一些实施方式中，可以由与(图1中所示且本文中所述的)机器学习组件114相同或相似的机器学习组件执行操作508。
在操作510处，可以获得训练的概念。在一些实施方式中，训练的概念可以是基于反馈、一个或多个数字媒体项目的机器学习表示、和/或其组合。在一些实施方式中，可以由与(图1中所示且本文中所述的)训练组件116相同或相似的训练组件执行操作510。在一些实施方式中，训练的概念可以用于获取与要学习的概念有关的数字媒体项目。获取的数字媒体项目可以用于重复迭代以上所述的操作502至510。
尽管为了说明的目的，已经基于当前被认为是最实际和最优选的实施方式对本技术进行了详细描述，但是应当理解，这样的细节仅仅用于该目的且本技术并不限于所公开的实施方式，相反，其旨在涵盖落入所附权利要求书的精神和范围内的修改和等同布置。例如，应当理解，本技术设想任何实施方式的一个或多个特征可以在可能的范围内与任何其他实施方式的一个或多个特征进行组合。