[發明專利]用于存儲媒體文件和用于檢索媒體文件的方法和裝置

在審

• 申請號: 202010089899.4
• 申請日: 2020-02-13
• 公開（公告）號: CN112182255A
• 公開（公告）日: 2021-01-05
• 發明（設計）人: 陳曦;呼一辰;田浩
• 申請（專利權）人: 百度（美國）有限責任公司
• 主分類號: G06F16/41
• 分類號: G06F16/41;G06F16/435;G06F16/483;G06F40/30;G06N3/08
• 代理公司: 北京英賽嘉華知識產權代理有限責任公司 11204
• 代理人: 王達佐;馬曉亞

本公開的實施例公開了用于存儲媒體文件和用于檢索媒體文件的方法和裝置。該方法的一具體實施方式包括：獲取用于表征媒體文件的上下文的語義的語義向量，其中，上下文為媒體文件在呈現有媒體文件的網頁中的上下文；關聯存儲語義向量和媒體文件。基于該實施方式構建的對應關系，可以利用媒體文件對應的語義向量來匹配媒體文件，以保證媒體文件的語義匹配度。

相關申請的交叉引用

本申請要求申請日為2019年7月2日，申請號為16/460,265，發明名稱為“MethodAnd Apparatus For Storing Media Files And For Retrieving Media Files”的美國專利申請的優先權。

技術領域

本公開的實施例涉及計算機技術領域，具體涉及用于存儲媒體文件和用于檢索媒體文件的方法和裝置。

背景技術

在一些應用場景下，需要對不同類型的媒體文件進行匹配。例如，為一個文本匹配對應的視頻，或為一個視頻匹配對應的文本等。

通常，利用從媒體文件中提取出的特征向量來表征媒體文件，并通過匹配特征向量來匹配媒體文件。但是，利用的特征向量通常是從媒體文件中提取出的物理特征，一般是媒體文件的客觀性描述信息，而沒有豐富的語義信息。

發明內容

本公開的實施例提出了用于存儲媒體文件的方法和裝置。

第一方面，本公開的實施例提供了一種用于存儲媒體文件的方法，該方法包括：獲取用于表征媒體文件的上下文的語義的語義向量，其中，上下文為媒體文件在呈現有媒體文件的網頁中的上下文；關聯存儲語義向量和媒體文件。

在一些實施例中，獲取用于表征媒體文件的上下文的語義的語義向量，包括：響應于接收到用于請求存儲網頁呈現的媒體文件的請求，獲取用于表征媒體文件的上下文的語義的語義向量。

在一些實施例中，語義向量通過如下步驟得到：利用預先訓練的語義模型，生成用于表征媒體文件的上下文的語義的語義向量，其中，語義模型用于生成用于表征文本的語義的語義向量。

在一些實施例中，語義模型基于知識增強的語義表示模型ERNIE訓練得到。

在一些實施例中，上述用于存儲媒體文件的方法還包括：基于HNSW算法，為語義向量添加索引。

在一些實施例中，關聯存儲語義向量和媒體文件，包括：利用MongoDB關聯存儲語義向量和媒體文件。

第二方面，本公開的實施例提供了一種用于檢索媒體文件的方法，該方法包括：獲取用于表征檢索用文本的語義的語義向量作為目標語義向量；根據目標語義向量，按照對應的語義向量與目標語義向量的相似度從大到小的順序，在數據庫中檢索以確定預設數目個媒體文件，其中，數據庫通過對于至少一個媒體文件，分別執行如下步驟預先構建：獲取用于表征媒體文件的上下文的語義的語義向量，其中，上下文為媒體文件在呈現有媒體文件的網頁中的上下文；基于數據庫關聯存儲語義向量和媒體文件。

在一些實施例中，檢索用文本從呈現用文本提取得到。

在一些實施例中，上述用于檢索媒體文件的方法還包括：生成呈現有呈現用文本和媒體文件的網頁，其中，呈現用文本在網頁中為媒體文件的上下文。

在一些實施例中，媒體文件為視頻；以及上述用于檢索媒體文件的方法還包括：基于語音合成技術，生成呈現用文本對應的語音；為媒體文件添加語音，生成呈現用媒體文件；呈現呈現用媒體文件。

第三方面，本公開的實施例提供了一種用于存儲媒體文件的裝置，該裝置包括：第一獲取單元，被配置成獲取用于表征媒體文件的上下文的語義的語義向量，其中，上下文為媒體文件在呈現有媒體文件的網頁中的上下文；存儲單元，被配置成關聯存儲語義向量和媒體文件。