标签数据处理方法、装置、设备、介质及程序产品与流程

摘要: 本公开涉及人工智能,尤其涉及一种标签数据处理方法、装置、设备、介质及程序产品。背景技术:1、随着移动互联网和智能终端的普及,信息爆炸式增长,用户面对海量内容时往...
标签数据处理方法、装置、设备、介质及程序产品与流程

本公开涉及人工智能,尤其涉及一种标签数据处理方法、装置、设备、介质及程序产品。

背景技术:

1、随着移动互联网和智能终端的普及,信息爆炸式增长,用户面对海量内容时往往难以快速获取所需信息。因此,如何通过精准的标签体系对内容进行结构化描述,并结合用户行为实现个性化推荐,成为提升用户体验和系统效率的关键。

2、目前,多模态特征权重优化的准确性较低,适配度较差。

技术实现思路

1、本公开提供一种标签数据处理方法、装置、设备、介质及程序产品,以至少解决现有多模态特征权重优化的准确性较低,适配度较差问题。

2、本公开的技术方案如下:

3、本公开实施例提供一种标签数据处理方法,包括:

4、构建标签分类体系与多模态特征分类体系之间的映射关系;

5、基于所述标签分类体系与所述多模态特征分类体系之间的映射关系,利用序列标注模型获取目标标签对应的多模态子特征的初始特征权重,作为所述目标标签的基础权重;

6、从多个候选多模态特征中选择出目标多模态特征;

7、根据目标多模态特征进行矛盾检测,得到所述目标标签的矛盾检测结果;

8、根据所述基础权重、所述矛盾检测结果和用户行为反馈数据,确定所述目标标签的最终动态权重。

9、可选地,基于所述标签分类体系与所述多模态特征分类体系之间的映射关系,利用序列标注模型获取目标标签对应的多模态子特征的初始特征权重,作为所述目标标签的基础权重,包括:

10、对目标标签文本进行分词处理,得到分词文本;

11、将所述分词文本进行向量化处理,得到词向量;

12、对所述词向量进行编码,得到所述目标标签文本的语义特征;

13、根据所述标签分类体系与所述多模态特征分类体系之间的映射关系,利用条件随机场层输出所述目标标签与每个多模态子特征的关联概率;

14、对所述关联概率进行归一化,得到目标标签对应的多模态子特征的初始特征权重。

15、可选地,从多个候选多模态特征中选择出目标多模态特征,包括:

16、获取所述目标标签的四维标签特征向量;

17、针对每一个所述候选多模态特征,分别构建能力评估矩阵;

18、根据所述初始特征权重,构建对角矩阵;

19、根据所述对角矩阵对所述能力评估矩阵进行修正,得到修正后的能力评估矩阵;

20、根据所述四维标签特征向量和所述修正后的能力评估矩阵,计算所述目标标签与每个所述候选多模态特征的适配度;

21、根据所述适配度,从多个候选多模态特征中选择出目标多模态特征。

22、可选地,所述矛盾检测结果包括:矛盾分数;所述根据目标多模态特征进行矛盾检测,得到所述目标标签的矛盾检测结果,包括:

23、对标签内容进行内容理解与摘要处理,并计算所述目标标签与各模态摘要之间的语义相似度;

24、根据所述语义相似度,计算得到综合相关度;

25、根据所述目标标签在各模态下的词频和所述综合相关度,计算所述目标标签在各模态下的统计权重;

26、获取所述目标标签在历史数据中的共现概率和实际出现概率;

27、根据所述共现概率,计算逻辑异常分值;

28、根据所述实际出现概率,计算当前分布与历史分布的分布差异值;

29、根据所述统计权重、所述逻辑异常分值和所述分布差异值,对目标标签与各模态的交叉注意力权重进行修正,得到最终注意力权重;

30、根据所述最终注意力权重、所述逻辑异常分值、所述分布差异值及所述综合相关度,计算所述目标标签的矛盾分数。

31、可选地,所述根据所述基础权重、所述矛盾检测结果和用户行为反馈数据,确定所述目标标签的最终动态权重,包括:

32、分别计算所述目标标签的内容相关性冲突调整系数、统计特征冲突调整系数、概率异常调整系数和标签特征分布差异调整系数;

33、根据所述内容相关性冲突调整系数、所述统计特征冲突调整系数、所述概率异常调整系数和所述标签特征分布差异调整系数,计算得到矛盾系数;

34、根据用户行为反馈数据,计算反馈系数;其中,所述用户行为反馈数据包括点击率、点击转化率及点击时长;

35、根据矛盾分数调整所述反馈系数进行修正,得到修正后的反馈系数;

36、根据所述基础权重、所述矛盾系数和所述修正后的反馈系数,计算所述目标标签的最终动态权重。

37、可选地,所述方法还包括:

38、计算选定时间区间内每个时间片的静态矛盾得分;

39、从所述选定时间区间内选择出所述静态矛盾得分大于静态冲突阈值的候选冲突区段;

40、将所述候选冲突区段对应的局部时序特征输入至冲突事件驱动多模态时序网络中,得到保留标签条件下的第一时序一致性得分和移除标签条件下的第二时序一致性得分;

41、根据所述第一时序一致性得分和所述第二时序一致性得分,计算反事实矛盾增量;

42、根据所述反事实矛盾增量,确定时序冲突能量函数;

43、根据所述时序冲突能量函数,计算时序矛盾度;

44、根据所述时序矛盾度和静态矛盾系数,计算修正后的矛盾系数。

45、可选地,所述方法还包括:

46、根据时间衰减因子和标签信任值,计算时间加权信任值;

47、根据所述时间加权信任值,确定静态矛盾预筛阈值,其中,所述静态矛盾预筛阈值与所述时间加权信任值呈负相关关系;

48、根据所述时间加权信任值,确定时序分析触发阈值,其中,所述时序分析触发阈值与所述时间加权信任值呈负相关关系;

49、根据静态矛盾预筛阈值和时序分析触发阈值,触发冲突事件驱动多模态时序网络。

50、可选地,所述冲突事件驱动多模态时序网络包括:轻量路径、标准路径和精细路径,所述方法还包括:

51、获取所述目标标签的综合矛盾度和时间加权信任值;

52、在所述综合矛盾度小于第一矛盾阈值且所述时间加权信任值大于第一信任阈值的情况下,则选择所述轻量路径作为目标推理路径;

53、在所述综合矛盾度大于第二矛盾阈值或所述时间加权信任值小于第二信任阈值的情况下,则选择所述精细路径作为目标推理路径;

54、在所述综合矛盾度处于所述第一矛盾阈值与所述第二矛盾阈值之间的情况下,则选择所述标准路径作为目标推理路径;

55、其中,所述第一矛盾阈值小于所述第二矛盾阈值,所述第一信任阈值大于所述第二信任阈值。

56、本公开实施例还提供一种标签数据处理装置,包括:

57、构建模块,用于构建标签分类体系与多模态特征分类体系之间的映射关系;

58、获取模块,用于基于所述标签分类体系与所述多模态特征分类体系之间的映射关系,利用序列标注模型获取目标标签对应的多模态子特征的初始特征权重,作为所述目标标签的基础权重;

59、选择模块,用于从多个候选多模态特征中选择出目标多模态特征;

60、检测模块,用于根据目标多模态特征进行矛盾检测,得到所述目标标签的矛盾检测结果;

61、确定模块,用于根据所述基础权重、所述矛盾检测结果和用户行为反馈数据,确定所述目标标签的最终动态权重。

62、本公开实施例还提供一种电子设备,包括:

63、处理器;

64、用于存储处理器可执行指令的存储器;

65、其中,所述处理器被配置为执行指令,以实现上述的方法中的各步骤。

66、本公开实施例还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述的方法中的各步骤。

67、本公开实施例还提供一种计算机程序产品,包括计算机程序/指令,所述计算机程序/指令被处理器执行时实现上述的方法中的各步骤。

68、本公开的实施例提供的技术方案至少带来以下有益效果:

69、在本公开的一些实施例中,构建标签分类体系与多模态特征分类体系之间的映射关系;基于标签分类体系与多模态特征分类体系之间的映射关系,利用序列标注模型获取目标标签对应的多模态子特征的初始特征权重,作为目标标签的基础权重;从多个候选多模态特征中选择出目标多模态特征;根据目标多模态特征进行矛盾检测,得到目标标签的矛盾检测结果;根据基础权重、矛盾检测结果和用户行为反馈数据,确定目标标签的最终动态权重;提高标签权重的准确性,提高标签适配度。

70、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,并不能限制本公开。