[發(fā)明專利]圖文內(nèi)容處理方法及介質(zhì)

有效

• 申請?zhí)枺?/td>: 202011042702.8
• 申請日: 2020-09-28
• 公開（公告）號: CN112132075B
• 公開（公告）日: 2022-07-08
• 發(fā)明（設(shè)計）人: 朱靈子;衡陣;馬連洋
• 申請（專利權(quán)）人: 騰訊科技（深圳）有限公司
• 主分類號: G06V30/41
• 分類號: G06V30/41;G06V30/19;G06V10/82;G06F16/957;G06F40/30;G06N3/08;G06N3/04;G06N5/00
• 代理公司: 北京同達信恒知識產(chǎn)權(quán)代理有限公司 11291
• 代理人: 李娟

1.一種圖文內(nèi)容處理方法，其特征在于，包括：

獲取待處理圖文內(nèi)容；所述待處理圖文內(nèi)容包括目標文本信息和目標圖片；

根據(jù)所述目標文本信息和所述目標圖片的目標形式特征，獲得所述待處理圖文內(nèi)容在形式上的先驗體驗評估結(jié)果，其中，具體包括：將所述目標形式特征輸入梯度提升決策樹模型，其中，所述梯度提升決策樹模型包括按照層級關(guān)系構(gòu)建的多個學習器，每個學習器為一個節(jié)點，通過所述梯度提升決策樹模型的根節(jié)點，對所述目標形式特征進行第一次學習，得到第一學習結(jié)果，將所述第一學習結(jié)果輸入到所述根節(jié)點的下一級葉子節(jié)點，以所述下一級葉子節(jié)點作為新的根節(jié)點繼續(xù)進行學習，直到所述下一級葉子節(jié)點為最小葉子節(jié)點，獲得所述最小葉子節(jié)點的學習結(jié)果，以及根據(jù)所述最小葉子節(jié)點的學習結(jié)果，獲得先驗體驗評估結(jié)果；

根據(jù)所述目標文本信息，獲得所述待處理圖文內(nèi)容在內(nèi)容上的內(nèi)容質(zhì)量評估結(jié)果，其中，具體包括：通過內(nèi)容質(zhì)量模型中編碼器的各個編碼單元，按照目標文本序列的輸入順序，并應用注意力機制，生成每個輸入位置對應的編碼表示，獲得編碼表示序列，其中，所述目標文本序列是所述目標文本信息的序列表示結(jié)果，以及通過所述內(nèi)容質(zhì)量模型的全連接層，對所述編碼表示序列進行映射，獲得內(nèi)容質(zhì)量評估結(jié)果；

根據(jù)所述先驗體驗評估結(jié)果和所述內(nèi)容質(zhì)量評估結(jié)果，獲得所述待處理圖文內(nèi)容的質(zhì)量評估結(jié)果。

2.如權(quán)利要求1所述的方法，其特征在于，所述方法還包括：

獲得所述待處理圖文內(nèi)容的排版特征；

獲得所述目標文本信息和所述目標圖片之間的匹配程度；所述排版特征和所述匹配程度屬于目標形式特征。

3.如權(quán)利要求2所述的方法，其特征在于，所述目標形式特征還包括如下的一種或多種：

所述目標圖片的圖片質(zhì)量特征；或，

所述目標文本信息的詞句特征；或，

發(fā)布所述待處理圖文內(nèi)容的賬號等級；或，

所述待處理圖文內(nèi)容的標題特征。

4.如權(quán)利要求1所述的方法，其特征在于，所述梯度提升決策樹模型是通過如下方式訓練得到的：

獲得第一樣本數(shù)據(jù)；其中，所述第一樣本數(shù)據(jù)包括多個樣本圖文內(nèi)容中每個樣本圖文內(nèi)容的樣本形式特征，以及每個樣本圖文內(nèi)容對應的先驗體驗評估結(jié)果標簽；

根據(jù)多個樣本形式特征，進行多輪迭代訓練，并在每輪迭代訓練中創(chuàng)建一學習器，并利用損失函數(shù)擬合上一輪迭代訓練結(jié)果的殘差，通過最小化損失函數(shù)擬合本輪創(chuàng)建的學習器；其中，每一輪迭代訓練結(jié)果的殘差是迭代訓練輸出結(jié)果與對應的先驗體驗評估結(jié)果標簽確定的；

根據(jù)多輪迭代訓練中獲得的多個學習器，建立各個學習器的層級關(guān)系，獲得梯度提升決策樹模型。

5.如權(quán)利要求1所述的方法，其特征在于，所述內(nèi)容質(zhì)量模型是通過如下方式訓練得到的：

獲得第二樣本數(shù)據(jù)；其中，所述第二樣本數(shù)據(jù)包括樣本圖文內(nèi)容對應的樣本文本序列，以及樣本文本序列對應的內(nèi)容質(zhì)量評估結(jié)果標簽；

通過所述各個編碼單元，按照所述樣本文本序列的輸入順序，并應用注意力機制，生成每個輸入位置對應的樣本編碼表示，獲得樣本編碼表示序列；

通過所述全連接層，對所述樣本編碼表示序列進行映射，獲得預測內(nèi)容質(zhì)量評估結(jié)果；

基于所述內(nèi)容質(zhì)量評估結(jié)果標簽和所述預測內(nèi)容質(zhì)量評估結(jié)果，調(diào)整所述內(nèi)容質(zhì)量模型的模型參數(shù)，直到內(nèi)容質(zhì)量模型收斂，獲得已訓練的內(nèi)容質(zhì)量模型。

6.如權(quán)利要求1~3任一項所述的方法，其特征在于，所述根據(jù)所述先驗體驗評估結(jié)果和所述內(nèi)容質(zhì)量評估結(jié)果，獲得所述待處理圖文內(nèi)容的質(zhì)量評估結(jié)果，具體包括：

根據(jù)所述先驗體驗評估結(jié)果和所述內(nèi)容質(zhì)量評估結(jié)果，通過投票機制，對所述待處理圖文內(nèi)容進行投票處理，獲得所述待處理圖文內(nèi)容的質(zhì)量評估結(jié)果。

7.一種圖文內(nèi)容處理方法，其特征在于，包括：

獲得各圖文內(nèi)容的質(zhì)量評價結(jié)果；其中，所述各圖文內(nèi)容的質(zhì)量評價結(jié)果是通過權(quán)利要求1~6中任一項所述的方法獲得的；

根據(jù)所述各圖文內(nèi)容的質(zhì)量評價結(jié)果，從所述各圖文內(nèi)容中確定出目標圖文內(nèi)容，并推薦所述目標圖文內(nèi)容。