一种数据处理方法以及设备技术

本申请实施例公开一种数据处理方法以及设备，其中方法包括如下步骤：获取目标视频和历史高光视频；所述历史高光视频中的视频帧为高光视频帧；通过目标网络模型，获取所述目标视频中每个视频帧的第一语义特征和所述历史高光视频中每个视频帧的第二语义特征；根据所述第一语义特征和所述第二语义特征，获取所述目标视频中每个视频帧综合偏好；通过所述目标网络模型和所述目标视频中每个视频帧的综合偏好，确定目标视频中的高光视频帧；根据所述高光视频帧，生成所述目标视频的高光片段。采用本申请，可以提高检测视频中精彩片段的准确率。率。率。

【技术实现步骤摘要】
一种数据处理方法以及设备


[0001]本申请涉及互联网
，尤其涉及一种数据处理方法以及设备。

技术介绍

[0002]短视频已成为人们获取知识和分享日常生活中必不可少的媒介。获取短视频中的精彩片段是很有必要的需求，但是未经编辑的视频要花费几分钟或几个小时才能通过浏览整个视频来收集有意义的时刻。目前获取精彩片段的方法是基于用户历史中只有一个偏好的假设，将用户的历史视为一个偏好来预测用户的偏好。但是，由于用户的兴趣本来就是多种多样的，例如用户喜欢旅行，游泳，养宠物等等。所以采用上述方法存在不合理的地方，导致对视频中的精彩片的提取存在一定的误差。

技术实现思路

[0003]本申请实施例提供一种数据处理方法以及设备，可以提高检测视频中精彩片段的准确率。
[0004]本申请实施例一方面提供了一种数据处理方法，可包括：
[0005]获取目标视频和历史高光视频；所述历史高光视频中的视频帧为高光视频帧；
[0006]通过目标网络模型，获取所述目标视频中每个视频帧的第一语义特征和所述历史高光视频中每个视频帧的第二语义特征；
[0007]根据所述第一语义特征和所述第二语义特征，获取所述目标视频中每个视频帧综合偏好；
[0008]通过所述目标网络模型和所述目标视频中每个视频帧的综合偏好，确定目标视频中的高光视频帧；
[0009]根据所述高光视频帧，生成所述目标视频的高光片段。
[0010]在一种可行的实施方式中，所述数据处理方法还包括：
[0011]获取初始目标网络模型和所述初始目标网络模型的训练样本数据；所述训练样本数据为携带样本标签的视频；
[0012]将所述训练样本数据输入所述初始目标网络模型，通过所述初始目标网络模型的提取训练样本数据的语义特征，根据所述语义特征获取所述训练样本数据的高光程度和非高光程度；
[0013]基于所述训练样本数据的高光程度和非高光程度以及所述训练样本数据携带的样本标签，生成目标网络模型。
[0014]在一种可行的实施方式中，所述根据所述第一语义特征和所述第二语义特征，获取所述目标视频中每个视频帧综合偏好，包括：
[0015]获取所述目标视频中目标视频帧，所述目标视频帧为所述目标视频中的任意一个视频帧；
[0016]通过所述目标视频帧的第一语义特征和所述历史高光视频中第一视频帧的第二
语义特征，获取所述目标视频帧与所述第一视频帧的向量距离，将所述向量距离确定为所述目标视频帧与所述第一视频帧的目标语意相似度；所述第一视频帧为所述历史高光视频中的任意一个视频帧；
[0017]根据所述目标语义相似度对所述历史高光视频中每个视频帧进行加权求和，获取所述目标视频帧的用户偏好；
[0018]基于所述目标网络模型获取目标视频帧的通用偏好，采用所述用户偏好和通用偏好生成目标视频帧的综合偏好。
[0019]在一种可行的实施方式中，所述根据所述目标语义相似度对所述历史片段中每个视频帧进行加权求和，获取所述目标视频帧的用户偏好，包括：
[0020]将所述目标视频帧与所述第一视频帧的目标语义相似度作为所述第一视频帧的第一权重信息；所述第一视频帧为历史视频中的任意一个视频帧；
[0021]采用所述第一权重信息对所述历史高光视频中每个视频帧进行加权求和，生成所述目标视频帧的用户偏好。
[0022]在一种可行的实施方式中，所述基于所述目标网络模型获取目标视频帧的通用偏好，采用所述用户偏好和通用偏好生成目标视频帧的综合偏好，包括：
[0023]基于所述目标网络模型获取目标视频帧的通用偏好，获取目标视频帧与用户偏好的第一语义相似度，获取目标视频帧与通用偏好的第二语义相似度；
[0024]将所述第一语义相似度和所述第二语义相似度分别作为所述用户偏好与所述通用偏好的第二权重信息；
[0025]采用所述第二权重信息对所述用户偏好和所述通用偏好进行加权求和，生成所述目标视频帧的综合偏好。
[0026]在一种可行的实施方式中，所述通过所述目标网络模型和所述目标视频中每个视频帧的综合偏好，确定目标视频中的高光视频帧，包括：
[0027]通过目标网络模型中的全连接层对所述综合偏好进行全连接处理，生成所述目标视频中每个视频帧的高光程度值；
[0028]若目标视频帧的高光程度值大于高光阈值，则将所述目标视频帧确定为高光视频帧；所述目标视频帧为所述目标视频中的任意一个视频帧；
[0029]若所述目标视频帧的高光程度值小于或大等于高光阈值，则将所述目标视频帧确定为非高光视频帧。
[0030]在一种可行的实施方式中，所述根据所述高光视频帧，生成所述目标视频的高光片段，包括：
[0031]获取所述目标视频中的所有高光视频帧，将所述高光视频帧按照时间顺序进行拼接，生成连续的视频帧；
[0032]将所述连续的视频帧确定为所述目标视频的高光片段。
[0033]本申请实施例一方面提供了一种数据处理设备，可包括：
[0034]视频获取单元，用于获取目标视频和历史高光视频；所述历史高光视频中的视频帧为高光视频帧；
[0035]特征提取单元，用于通过目标网络模型，获取所述目标视频中每个视频帧的第一语义特征和所述历史高光视频中每个视频帧的第二语义特征；
[0036]综合偏好获取单元，用于根据所述第一语义特征和所述第二语义特征，获取所述目标视频中每个视频帧综合偏好；
[0037]高光视频确定单元，用于通过所述目标网络模型和所述目标视频中每个视频帧的综合偏好，确定目标视频中的高光视频帧；
[0038]高光片段生成单元，用于根据所述高光视频帧，生成所述目标视频的高光片段。
[0039]在一种可行的实施方式中，所述数据处理设备还包括：
[0040]模型训练单元，用于获取初始目标网络模型和所述初始目标网络模型的训练样本数据；所述训练样本数据为携带样本标签的视频；
[0041]将所述训练样本数据输入所述初始目标网络模型，通过所述初始目标网络模型的提取训练样本数据的语义特征，根据所述语义特征获取所述训练样本数据的高光程度和非高光程度；
[0042]基于所述训练样本数据的高光程度和非高光程度以及所述训练样本数据携带的样本标签，生成目标网络模型。
[0043]在一种可行的实施方式中，所述综合偏好获取单元，包括：
[0044]相似度获取子单元，用于获取所述目标视频中目标视频帧，所述目标视频帧为所述目标视频中的任意一个视频帧；
[0045]通过所述目标视频帧的第一语义特征和所述历史高光视频中第一视频帧的第二语义特征，获取所述目标视频帧与所述第一视频帧的向量距离，将所述向量距离确定为所述目标视频帧与所述第一视频帧的目标语意相似度；所述第一视频帧为所述历史高光视频中的任意一个视频帧；
[0046]用户偏好获取子单元，用于根据所述目标语义相似度对所述历史高光视频中每个视频帧进本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种数据处理方法，其特征在于，包括：获取目标视频和历史高光视频；所述历史高光视频中的视频帧为高光视频帧；通过目标网络模型，获取所述目标视频中每个视频帧的第一语义特征和所述历史高光视频中每个视频帧的第二语义特征；根据所述第一语义特征和所述第二语义特征，获取所述目标视频中每个视频帧综合偏好；通过所述目标网络模型和所述目标视频中每个视频帧的综合偏好，确定目标视频中的高光视频帧；根据所述高光视频帧，生成所述目标视频的高光片段。2.根据权利要求1所述的方法，其特征在于，还包括：获取初始目标网络模型和所述初始目标网络模型的训练样本数据；所述训练样本数据为携带样本标签的视频；将所述训练样本数据输入所述初始目标网络模型，通过所述初始目标网络模型的提取训练样本数据的语义特征，根据所述语义特征获取所述训练样本数据的高光程度和非高光程度；基于所述训练样本数据的高光程度和非高光程度以及所述训练样本数据携带的样本标签，生成目标网络模型。3.根据权利要求1所述的方法，其特征在于，所述根据所述第一语义特征和所述第二语义特征，获取所述目标视频中每个视频帧综合偏好，包括：获取所述目标视频中目标视频帧，所述目标视频帧为所述目标视频中的任意一个视频帧；通过所述目标视频帧的第一语义特征和所述历史高光视频中第一视频帧的第二语义特征，获取所述目标视频帧与所述第一视频帧的向量距离，将所述向量距离确定为所述目标视频帧与所述第一视频帧的目标语意相似度；所述第一视频帧为所述历史高光视频中的任意一个视频帧；根据所述目标语义相似度对所述历史高光视频中每个视频帧进行加权求和，获取所述目标视频帧的用户偏好；基于所述目标网络模型获取目标视频帧的通用偏好，采用所述用户偏好和通用偏好生成目标视频帧的综合偏好。4.根据权利要求3所述的方法，其特征在于，所述根据所述目标语义相似度对所述历史片段中每个视频帧进行加权求和，获取所述目标视频帧的用户偏好，包括：将所述目标视频帧与所述第一视频帧的目标语义相似度作为所述第一视频帧的第一权重信息；所述第一视频帧为历史视频中的任意一个视频帧；采用所述第一权重信息对所述历史高光视频中每个视频帧进行加权求和，生成所述目标视频帧的用户偏好。5.根据权利要求3所述的方法，其特征在于，所述基于所述目标网络模型获取目标视频帧的通用偏好，采用所述用户偏好和通用偏好生成目标视频帧的综合偏好，包括：基于所述目...

【专利技术属性】
技术研发人员：陈润楠，周鹏豪，王文哲，孙星，彭湃，郭晓威，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：