CN110737801A 内容分类方法、装置、计算机设备和存储介质 （腾讯科技（深圳）有限公司）

质分类模型中，得到目标内容对应的第一内容类别；获取第一分类层级对应的第一类别特征信2获取已训练得到的目标分类模型，所述目标分类将所述目标特征向量输入到所述第一分类模型中，得到将所述第一类别特征信息以及所述目标特征向量输入到将所述第一内容类别以及所述第二内容类别作为所述目标根据所述候选内容类别对应的类别向量以及对应的类别权重系数计算得到所述第一将所述目标特征向量输入到所述第一分类模根据所述第一分类模型输出的所述候选内容类别对应计算所述候选内容类别对应的类别向量与所述目标内容的第一获取所述视频对应的第一特征向量，所述第一特计算所述候选内容类别对应的类别向量与所述第一获取所述第一内容类别对应的类别向量，根据所述3获取所述第一分类模型的隐藏层输出的隐层输出将各个所述特征提取模型输出的特征向量输入到所述获取对所述目标内容对应的内容语句进行分词得到计算各个所述词语对应的编码向量与参考特征向量的根据各个所述词语对应的编码向量以及对应的编码权重获取所述第一分类模型的隐藏层输出的第一隐层输出向量或者所述第二分类模型的分类模型获取模块，用于获取已训练得到的目标分类模第一内容类别得到模块，用于将所述目标特征向第二内容类别得到模块，用于将所述第一类别特分类结果得到模块，用于将所述第一内容类类别向量得到单元，用于获取所述第一分类层级中各个候选内容类别对应的类别向将所述目标特征向量输入到所述第一分类模型中4根据所述第一分类模型输出的所述候选内容类别对应5获取已训练得到的目标分类模型，所述目标分类模型包括第一分类模型以及第二分类模据所述候选内容类别对应的类别向量以及对应的类别权重系数计算得到所述第一分类层6型的隐藏层输出的第一隐层输出向量或者所述第二分类模型的隐藏层输出的第二隐层输7[0033]人工智能(ArtificialIntelligence,AI)是利用数字计算机或者数字计算机控[0035]计算机视觉技术(ComputerVision,CV)计算机视觉是一门研究如何使机器“看”8[0036]语音技术(SpeechTechnology)的关键技术有自动语音识别技术(ASR)和语音合[0037]自然语言处理(NatureLanguageprocessing,NLP)是计算机科学领域与人工智9[0043]上述的内容服务器120以及分类服务器130可以是同一服务器也可以是不同服务根据内容对应的属性信息例如内容的作者或者内容对应的标签等信息提取得到对应的特如Vggish模型进行音频特征的抽取，对抽取得到的向量通过NetVlad(NetVectoroflocallyaggregateddescriptors，空间局部聚合向量)聚类编码，得到音频特征向量。进行切词，得到词序列，利用文本特征提取模型提取得到文本特征向量，例如可以采用Bi-LSTM模型提取得到文本特征向量，再结合多个模型提取得到的文本特征向量得到最终[0052]在一些实施例中，在利用Bi-LSTM对词语进行编码，得到各个词语对应的编码向量，以根据词语对应的编码向量提取得到文本特征向量时，可以引入注意力机制[0054]文本特征提取模型用于提取文本特征，文本特征提取模型例如可以是Bi-LSTM模系数，可以使得特征提取模型具备专注于与图像或者音频特征更相似的编码向量的能力，CBA(ChinaBasketballAssociation中国篮球够建立起从输入数据到输出数据的映射，即建立起根据内容的特征得到内容分类的映射。可以将第一分类模型对应的损失值以及第二分类模型对应的损失值的和作为目标分类模向量、或者第一分类模型隐层输出的隐层输出向量中的至少一个作为第一类别特征信息，隐层(维度为1024维的第一层全连接层、维度为512维的第二层全连接层以及维度为256维的第三层全连接层)、激活层以及分类得到层，激活层对隐层输出的隐层输出向量进行激[0073]在一些实施例中，目标内容对应的内容向量可以用于对内容进行召回或者[0074]在一些实施例中，还可以根据目标内容的内容向量获取与该内容相似的相似内括多个特征提取模型以及特征向量融合层。特征向量融合层可以与特征提取模型相连接。获取待分类的目标内容对应的目标特征向量包括：获取各个特征提取模型输出的特征向[0080]如图4所示，为一些实施例中将视频输入到目标分类模型，得到分类结果的示意的文本输入到文本特征提取模型中，得到文本特征向量，文本特征提取模型可以包括源的CNN模型，可以作为一种抽取图片特征的方式。Vggish模型是由图像分类模型VGG出的特征向量的行数与列数，例如1024*256d是指该特征向量对应的向量矩阵有1024行以MobuleNet模型或者VGG模型中的一种或多种代替inception模型。可以使用Bi-GRU模型、fastText模型或者BERT(BidirectionalEncoderRepresentationsfromTransformers，来自变换器的双向编码器表示)模型的一种或多种进行文本特征[0084]具体地，类别向量是对内容类别的向量化表示，可以是分布式向量(embedding对应的类别向量与对应的类别权重系数进行权重加权求和运算，得到第一类别特征信息。经过激活函数(Softmax)归一化操作后的概率值向量与第一分类层级对应的候选内容类别的被选中率；根据各个候选内容类别对应的被选中率确定目标内容对应的第一内容类别；将各个候选内容类别对应的概率作为候选内容[0091]如图6所示，第一分类模型中，在经过激活层得到各个候选内容类别对应的概率层全连接层以及维度为256维的第三层全连接层表示第二各个候选内容类别对应的类别权重系数。获取各个候选内容类别对应的类别权重系数包[0097]如图7所示，可以获取目标内容对应的第一特征向量例如图像特征向量以及第一将第一类别特征向量与特征向量融合层得到的目标内容对应的目标特征向量输入到第二维度为256维的第三层全连接层表示第一分类模型对应的隐层。右边的维度为1024维的第[0099]具体地，可以将第一内容类别对应的类别向量作为第一类别特征信息。如图8所[0132]类别向量得到单元，用于获取第一分类层级中各个候选内容类别对应的类别向藏层输出的隐层输出向量，根据隐层输出向量得到第一分类层级对应的第一类别特征信[0141]在一些实施例中，目标分类模型还包括多个特征提取模型以层输出的第一隐层输出向量或者第二分类模型的隐藏层输出的第二隐层输出向量中的至[0149]在一些实施例中，本申请提供的内容分类装置可以实现为一种计算机程序的形容类别为第二分类层级对应的内容类别，第二分类层级的级别低于第一分类层级的级别；通过分类结果得到模块1212将第一内容类别以及第二内容类别作为目标内容对应的分类