[发明专利]视频描述信息的生成方法、装置及服务器

说明书

本公开关于一种视频描述信息的生成方法、装置及服务器，视频描述信息的生成方法包括：获取目标视频，目标视频包括以下至少两项特征信息：目标视频的标签、用于表征目标视频中音频的第一特征信息、用于表征目标视频的显示内容的第二特征信息；将至少两项特征信息进行融合，得到融合特征信息；将融合特征信息输入至目标视频描述生成模型，得到目标视频的视频描述信息。利用本公开的视频描述信息的生成方法，可以更加准确地生成目标视频的描述信息。

技术领域

本公开涉及人工智能领域，尤其涉及视频描述信息的生成方法、装置及服务器。

背景技术

随着互联网技术的发展，越来越多的用户将视频分享至网络上。但是，受限于视频描述及打字门槛比较高，有些用户不会对视频进行文本描述，这对视频的检索、审核以及推荐等后续处理带来比较大的障碍。

针对上述技术问题，在相关技术中采用如下方案来解决：首先提取视频的特征；然后将视频的特征输入至视频描述生成模型中，得到视频描述信息。由此，实现了利用视频描述生成模型自动生成视频描述信息。

但是，由于输入至视频描述生成模型中的视频特征比较单一，导致利用视频描述生成模型生成的视频描述信息无法准确地对视频进行描述。

发明内容

本公开的技术方案如下：

根据本公开实施例的第一方面，提供一种视频描述信息的生成方法，包括：

获取目标视频，所述目标视频包括以下至少两项特征信息：所述目标视频的标签、用于表征所述目标视频中音频的第一特征信息、用于表征所述目标视频的显示内容的第二特征信息；

将所述至少两项特征信息进行融合，得到融合特征信息；

将所述融合特征信息输入至目标视频描述生成模型，得到所述目标视频的视频描述信息。

在本公开的一个或多个实施例中，所述将所述至少两项特征信息进行融合，得到融合特征信息，包括：

获取至少两个特征矩阵，所述至少两个特征矩阵与所述至少两项特征信息一一对应，所述至少两个特征矩阵的行数或列数相同，且所述至少两个特征矩阵的行数或列数为N，N为大于1的整数；

将所述至少两个特征矩阵在第一方向上进行拼接，得到所述融合特征信息；其中，当所述至少两个特征矩阵的行数相同时，所述第一方向为行方向；当所述至少两个特征矩阵的列数相同时，所述第一方向为列方向。

在本公开的一个或多个实施例中，所述第一特征信息包括第一文本，所述第一文本包括以下至少一项：所述目标视频的语音对应的文本、所述目标视频的背景音乐的歌词文本、所述目标视频的背景音乐的音乐主题文本；

所述获取至少两个特征矩阵，包括：

在所述至少两个特征矩阵包括所述标签对应的特征矩阵或者所述第一文本对应的特征矩阵的情况下，根据目标特征信息，确定N个子特征，其中，当所述目标特征信息为所述标签时，所述N个子特征包括所述标签中的多个字符，当所述目标特征信息为所述第一文本时，所述N个子特征包括所述第一文本中的多个关键词；

将所述N个子特征分别对应的特征向量在垂直于所述第一方向的方向上进行拼接，得到所述标签对应的特征矩阵或者所述第一文本对应的特征矩阵。

在本公开的一个或多个实施例中，所述根据目标特征信息，确定N个子特征，包括：

当所述目标特征信息中的子特征数量小于N时，确定所述N个子特征为所述目标特征信息中的子特征以及至少一个空字符；

当所述目标特征信息中的子特征数量等于N时，确定所述N个子特征为所述目标特征信息中的子特征；