影片媒资打标签处理方法、装置、电子设备及存储介质制造方法及图纸

本申请涉及影片媒资打标签处理方法、装置、电子设备及存储介质，属于影片媒资打标签技术领域。本申请对影片媒资数据进行处理，得到影片媒资综合特征矩阵；针对影片媒资综合特征矩阵，通过训练好的卷积神经网络，利用预先配置的标签综合特征矩阵进行特征拟合处理，得到影片媒资数据的候选标签以及候选标签的特征拟合评分，基于影片媒资数据的候选标签以及候选标签的特征拟合评分，利用预定义的标签体系，得到标签体系的各标签分类中的前N个高评分候选标签；按照标签体系的各标签分类，使用所得到的各标签分类中的前N个高评分候选标签，为影片媒资数据配置标签。通过本申请，有助于解决影片媒资打标签存在标准不同、标签质量无法保证等问题。无法保证等问题。无法保证等问题。

【技术实现步骤摘要】
影片媒资打标签处理方法、装置、电子设备及存储介质


[0001]本申请属于影片媒资打标签
，具体涉及影片媒资打标签处理方法、装置、电子设备及存储介质。

技术介绍

[0002]随着互联网电视大屏业务的发展，智能运营、智能推荐等已成为业务开展的重要组成部分。媒资标签和标签体系作为电视大屏的智能推荐、智能运营、画像系统的基础输入，是大数据应用的重要一环。
[0003]当前业界媒资打标签的方法主要依赖人工运营，辅助一些分词算法，提取关键词等。其中。人工打标签是业界最常用的方法，针对需处理的影片媒资，人为地判断影片应该归属哪种题材，应该打哪些标签，如电影《流浪地球》，编辑会根据自己的理解打上“冒险”、“科幻”、“太空”等标签。人工打标签存在的问题是：由于编辑人员不同，以及对影片的理解不同，导致打标签的标准不同，标签统一性、规范性无法保证，标签质量参差不齐。而对于采用分词算法对影片媒资打标签，针对影片名称、简介等，用分词算法等做简单分词，然后选取其中一些关键词作为媒资标签。存在的问题是，这会受限于媒资所记载的信息量，如简介的详细程度等，且因为提取的关键词五花八门，没有统一标准，无法形成统一的标签体系，还需要编辑人员人工校准，实用性不高。

技术实现思路

[0004]为此，本申请提供影片媒资打标签处理方法、装置、电子设备及存储介质，有助于解决人工为影片媒资打标签，因理解的不同，或者采用分词算法做简单分词对影片媒资打标签，因媒资所记载信息量的限制，导致为影片媒资打标签存在标准不同、标签质量无法保证等问题。<br/>[0005]为实现以上目的，本申请采用如下技术方案：
[0006]第一方面，本申请提供一种影片媒资打标签处理方法，所述方法包括：
[0007]获取待打标签的影片媒资数据，并对所述影片媒资数据进行处理，得到影片媒资综合特征矩阵；
[0008]针对所述影片媒资综合特征矩阵，通过训练好的卷积神经网络，利用预先配置的标签综合特征矩阵进行特征拟合处理，得到所述影片媒资数据的候选标签以及候选标签的特征拟合评分，其中，所述标签综合特征矩阵表征一个标签对应多个相关的特征；
[0009]基于所述影片媒资数据的所述候选标签以及所述候选标签的特征拟合评分，利用预定义的标签体系，得到所述标签体系的各标签分类中的前N个高评分候选标签；
[0010]按照所述标签体系的各标签分类，使用所得到的各标签分类中的前N个高评分候选标签，为所述影片媒资数据配置标签。
[0011]进一步地，所述方法还包括：
[0012]获取影片媒资样本数据，并提取所述影片媒资样本数据的文本特征，其中，所述影
片媒资样本数据配置有标签；
[0013]将所述影片媒资样本数据的文本特征输入到卷积升级网络，生成对应的影片媒资样本综合特征矩阵；
[0014]筛选包含特定标签的所述影片媒资样本数据，将包含所述特定标签的所述影片媒资样本数据所对应的所述影片媒资样本综合特征矩阵输入卷积神经网络，针对所述特定标签生成对应的所述标签综合特征矩阵。
[0015]进一步地，所述获取影片媒资样本数据，包括：
[0016]当检测到电视端用户为所述影片媒资数据打上标签时，将电视端用户打上标签的所述影片媒资数据作为所述影片媒资样本数据进行获取。
[0017]进一步地，所述针对所述影片媒资综合特征矩阵，通过训练好的卷积神经网络，利用预先配置的标签综合特征矩阵进行特征拟合处理，得到所述影片媒资数据的候选标签以及候选标签的特征拟合评分，包括：
[0018]将所述标签综合特征矩阵指示的标签作为所述影片媒资数据的所述候选标签；
[0019]利用卷积神经网络，从所述影片媒资综合特征矩阵的特征中，确定与所述标签综合特征矩阵中各特征的相似度评分最高的特征；
[0020]利用相似度评分最高特征的评分，得到所述候选标签的特征拟合评分。
[0021]进一步地，所述对所述影片媒资数据进行处理，得到影片媒资综合特征矩阵，包括：
[0022]提取所述影片媒资数据中的文本特征；
[0023]将所述影片媒资数据中的文本特征输入到卷积神经网络，生成所述视媒资综合特征矩阵。
[0024]第二方面，本申请提供一种影片媒资打标签处理装置，所述装置包括：
[0025]第一得到模块，用于获取待打标签的影片媒资数据，并对所述影片媒资数据进行处理，得到影片媒资综合特征矩阵；
[0026]第二得到模块，用于针对所述影片媒资综合特征矩阵，通过训练好的卷积神经网络，利用预先配置的标签综合特征矩阵进行特征拟合处理，得到所述影片媒资数据的候选标签以及候选标签的特征拟合评分，其中，所述标签综合特征矩阵表征一个标签对应多个相关的特征；
[0027]第三得到模块，用于基于所述影片媒资数据的所述候选标签以及所述候选标签的特征拟合评分，利用预定义的标签体系，得到所述标签体系的各标签分类中的前N个高评分候选标签；
[0028]标签配置模块，用于按照所述标签体系的各标签分类，使用所得到的各标签分类中的前N个高评分候选标签，为所述影片媒资数据配置标签。
[0029]第三方面，本申请提供一种电子设备，包括：
[0030]至少一个处理器；以及
[0031]与所述至少一个处理器通信连接的存储器；其中，
[0032]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上述任一项所述的方法。
[0033]第四方面，本申请提供一种计算机可读存储介质，所述计算机可读存储介质存储
有计算机指令，所述计算机指令用于在执行时实现上述任一项所述的方法。
[0034]本申请采用以上技术方案，至少具备以下有益效果：
[0035]本申请提供的方案中，先对获取的影片媒资数据进行处理，得到影片媒资综合特征矩阵；针对影片媒资综合特征矩阵，通过训练好的卷积神经网络，利用预先配置的标签综合特征矩阵进行特征拟合处理，得到所述影片媒资数据的候选标签以及候选标签的特征拟合评分，基于影片媒资数据的候选标签以及候选标签的特征拟合评分，利用预定义的标签体系，得到标签体系的各标签分类中的前N个高评分候选标签；按照标签体系的各标签分类，使用所得到的各标签分类中的前N个高评分候选标签，为影片媒资数据配置标签，以此形成一种具有统一处理标准的影片媒资打标签方法，且有助于保证标签质量。
[0036]应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
[0037]为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0038]图1是根据一示例性实施例示出的一种影片本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种影片媒资打标签处理方法，其特征在于，所述方法包括：获取待打标签的影片媒资数据，并对所述影片媒资数据进行处理，得到影片媒资综合特征矩阵；针对所述影片媒资综合特征矩阵，通过训练好的卷积神经网络，利用预先配置的标签综合特征矩阵进行特征拟合处理，得到所述影片媒资数据的候选标签以及候选标签的特征拟合评分，其中，所述标签综合特征矩阵表征一个标签对应多个相关的特征；基于所述影片媒资数据的所述候选标签以及所述候选标签的特征拟合评分，利用预定义的标签体系，得到所述标签体系的各标签分类中的前N个高评分候选标签；按照所述标签体系的各标签分类，使用所得到的各标签分类中的前N个高评分候选标签，为所述影片媒资数据配置标签。2.根据权利要求1所述的方法，其特征在于，所述方法还包括：获取影片媒资样本数据，并提取所述影片媒资样本数据的文本特征，其中，所述影片媒资样本数据配置有标签；将所述影片媒资样本数据的文本特征输入到卷积升级网络，生成对应的影片媒资样本综合特征矩阵；筛选包含特定标签的所述影片媒资样本数据，将包含所述特定标签的所述影片媒资样本数据所对应的所述影片媒资样本综合特征矩阵输入卷积神经网络，针对所述特定标签生成对应的所述标签综合特征矩阵。3.根据权利要求2所述的方法，其特征在于，所述获取影片媒资样本数据，包括：当检测到电视端用户为所述影片媒资数据打上标签时，将电视端用户打上标签的所述影片媒资数据作为所述影片媒资样本数据进行获取。4.根据权利要求1所述的方法，其特征在于，所述针对所述影片媒资综合特征矩阵，通过训练好的卷积神经网络，利用预先配置的标签综合特征矩阵进行特征拟合处理，得到所述影片媒资数据的候选标签以及候选标签的特征拟合评分，包括：将所述标签综合特征矩阵指示的标签作为所述影片媒资数据的所述候选标签；利用卷积神经网络，...

【专利技术属性】
技术研发人员：孟金波，
申请(专利权)人：广州欢网科技有限责任公司，
类型：发明
国别省市：