语义表示模型的预训练方法、装置以及电子设备与流程

1.本公开涉及人工智能技术领域，尤其涉及自然语言处理、计算机视觉、深度学习技术领域，尤其涉及语义表示模型的预训练方法、装置以及电子设备。


背景技术：

2.目前，业内的跨模态预训练的技术，主要是利用一个视觉特征模型 一个文本特征模型的双塔结构，视觉特征模型的输入为视频的视觉模态，文本特征模型的输入为视频周边文本的文本模态，基于视觉特征模型的输出以及文本特征模型的输出，实现模型预训练。预训练过程中，视频特征模型与文本特征模型互不相关。


技术实现要素：

3.本公开提供了一种语义表示模型的预训练方法、装置以及电子设备。
4.根据本公开的一方面，提供了一种语义表示模型的预训练方法，包括：针对预训练数据中的每个视频文本对，确定所述视频文本对的掩码图像序列、掩码字符序列以及掩码图像字符序列；将所述掩码图像序列、所述掩码字符序列以及所述掩码图像字符序列分别输入初始的语义表示模型，确定多个特征序列以及每个特征序列对应的掩码位置预测结果；根据所述多个特征序列、每个特征序列对应的掩码位置预测结果、以及掩码位置实际结果，构建损失函数，对所述语义表示模型的系数进行调整，实现训练。
5.根据本公开的另一方面，提供了一种语义表示模型的预训练装置，包括：确定模块，用于针对预训练数据中的每个视频文本对，确定所述视频文本对的掩码图像序列、掩码字符序列以及掩码图像字符序列；输入模块，用于将所述掩码图像序列、所述掩码字符序列以及所述掩码图像字符序列分别输入初始的语义表示模型，确定多个特征序列以及每个特征序列对应的掩码位置预测结果；调整模块，用于根据所述多个特征序列、每个特征序列对应的掩码位置预测结果、以及掩码位置实际结果，构建损失函数，对所述语义表示模型的系数进行调整，实现训练。
6.根据本公开的又一方面，提供了一种电子设备，包括：
7.至少一个处理器；以及
8.与所述至少一个处理器通信连接的存储器；其中，
9.所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本公开上述一方面提出的语义表示模型的预训练方法。
10.根据本公开的再一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行本公开上述一方面提出的语义表示模型的预训练方法。
11.根据本公开的再一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现本公开上述一方面提出的语义表示模型的预训练方法的步
骤。
12.应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
13.附图用于更好地理解本方案，不构成对本公开的限定。其中：
14.图1是根据本公开第一实施例的示意图；
15.图2是根据本公开第二实施例的示意图；
16.图3是语义表示模型的预训练示意图；
17.图4是根据本公开第三实施例的示意图；
18.图5是用来实现本公开实施例的语义表示模型的预训练方法的电子设备的框图。
具体实施方式
19.以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
20.目前，业内的跨模态预训练的技术，主要是利用一个视觉特征模型 一个文本特征模型的双塔结构，视觉特征模型的输入为视频的视觉模态，文本特征模型的输入为视频周边文本的文本模态，基于视觉特征模型的输出以及文本特征模型的输出，实现模型预训练。预训练过程中，视频特征模型与文本特征模型互不相关，难以提取视频与文本之间的相关性特征，训练得到的模型的准确度差。
21.针对上述问题，本公开提出一种语义表示模型的预训练方法、装置以及电子设备。
22.图1是根据本公开第一实施例的示意图，需要说明的是，本公开实施例的语义表示模型的预训练方法可应用于语义表示模型的预训练装置，该装置可被配置于电子设备中，以使该电子设备可以执行语义表示模型的预训练功能。
23.其中，电子设备可以为任一具有计算能力的设备。其中，具有计算能力的设备例如可以为个人电脑(personal computer，简称pc)、移动终端、服务器等，移动终端例如可以为车载设备、手机、平板电脑、个人数字助理、穿戴式设备等具有各种操作系统、触摸屏和/或显示屏的硬件设备。
24.如图1所示，该语义表示模型的预训练方法可以包括如下步骤：
25.步骤101，针对预训练数据中的每个视频文本对，确定视频文本对的掩码图像序列、掩码字符序列以及掩码图像字符序列。
26.在本公开实施例中，视频文本对中包括视频以及对应的文本。其中，视频对应的文本可以为以下文本中的至少一种：视频的标题、视频的摘要等，可以根据实际需要进行补充，此处不做具体限定。
27.在本公开实施例中，预训练数据中可以包括一定数量的视频文本对，还可以包括一定数量的单视频，以及一定数量的单文本。其中，单视频指的是单独的视频，没有对应文本。单文本指的是单独的文本，没有对应的视频。
28.在本公开实施例中，语义表示模型的预训练装置执行步骤101的过程例如可以为，针对预训练数据中的每个视频文本对，确定视频文本对中的视频以及对应的文本；确定视频的掩码图像序列，以及确定文本的掩码字符序列；对掩码图像序列以及掩码字符序列进行拼接，得到掩码图像字符序列。其中，掩码图像字符序列由掩码图像序列以及掩码字符序列拼接得到，能够确保掩码图像字符序列中掩码位置，与掩码图像序列以及掩码字符序列中掩码位置的一致性，方便损失函数的构建，进而进一步提高训练得到的语义表示模型的准确度。
29.在本公开实施例中，视频的掩码图像序列的确定过程例如可以为，对视频进行图像采样，得到采样图像序列；对采样图像序列进行向量处理以及掩码处理，得到掩码图像序列。其中，对视频进行图像采样，能够采样视频中的关键帧图像，减少数据处理量。
30.其中，对采样图像序列的向量处理例如可以为，针对采样图像序列中的每个图像，对所述图像按照预设的分辨率进行调整，得到调整后图像；对所述调整后图像进行拉伸处理，得到预设维度的向量，作为所述图像对应的向量。其中，掩码处理例如可以为，对采样图像序列进行向量处理后得到的向量序列中的部分向量采用掩码标记进行代替，得到所述掩码图像序列。
31.其中，为了确保将掩码图像序列输入语义表示模型后，能够获取到掩码图像序列的第一图像全局特征，可以在掩码图像序列中的最前面添加标志位，得到携带标志位的掩码图像序列；将该掩码图像序列输入语义表示模型后，输出的特征序列中标志位对应位置的特征，即为第一图像全局特征；输出的特征序列中其他位置的特征，为对应位置的图像的特征。
32.在本公开实施例中，文本的掩码字符序列的确定过程例如可以为，对文本中的每个字符进行向量处理，例如，词向量(word2vector)处理，生成文本的向量序列；对向量序列中的部分向量采用掩码标记进行代替，得到所述掩码字符序列。
33.其中，为了确保将掩码字符序列输入语义表示模型后，能够获取到掩码字符序列的第一字符全局特征，可以在掩码字符序列中的最前面添加标志位，得到携带标志位的掩码字符序列；将该掩码字符序列输入语义表示模型后，输出的特征序列中标志位对应位置的特征，即为第一字符全局特征；输出的特征序列中其他位置的特征，为对应位置的字符的特征。
34.步骤102，将掩码图像序列、掩码字符序列以及掩码图像字符序列分别输入初始的语义表示模型，确定多个特征序列以及每个特征序列对应的掩码位置预测结果。
35.在本公开实施例中，语义表示模型的预训练装置可以先将掩码图像序列输入语义表示模型，获取语义表示模型输出的特征序列；基于该特征序列进行掩码位置预测，得到对应的掩码位置预测结果。然后将掩码字符序列输入该语义表示模型，获取语义表示模型输出的特征序列；基于该特征序列进行掩码位置预测，得到对应的掩码位置预测结果。然后将掩码图像字符序列输入该语义表示模型，获取语义表示模型输出的特征序列；基于该特征序列进行掩码位置预测，得到对应的掩码位置预测结果。其中，语义表示模型例如可以为transformer模型。
36.其中，掩码位置为多个的情况下，掩码位置预测结果中可以包括多个掩码位置的预测结果。例如，在输入为掩码图像序列，且掩码图像序列为向量序列的情况下，掩码位置
的预测结果可以为掩码位置的被掩码图像的预测向量。又例如，在输入为掩码字符序列，且掩码字符序列为向量序列的情况下，掩码位置的预测结果可以为掩码位置的被掩码字符的预测向量。又例如，在输入为掩码图像字符序列，且掩码图像字符序列为向量序列的情况下，掩码位置的预测结果为掩码位置的被掩码图像的预测向量，或者为掩码位置的被掩码字符的预测向量。
37.步骤103，根据多个特征序列、每个特征序列对应的掩码位置预测结果、以及掩码位置实际结果，构建损失函数，对语义表示模型的系数进行调整，实现训练。
38.在本公开实施例中，可以分别根据每个特征序列对应的掩码位置预测结果以及掩码位置实际结果，构建子损失函数，进而构建损失函数；根据损失函数的值对语义表示模型的系数进行调整，实现训练。
39.在本公开实施例中，为了进一步提高训练得到的语义表示模型的准去度，预训练数据中还可以包括第一预设数量的单视频，以及第二预设数量的单文本。对应的，语义表示模型的预训练装置还可以执行以下过程：针对每个单视频，以单视频的掩码图像序列为语义表示模型的输入，以单视频的掩码位置实际结果为语义表示模型的输出，对语义表示模型的系数进行调整，实现训练；针对每个单文本，以单文本的掩码字符序列为语义表示模型的输入，以单文本的掩码位置实际结果为语义表示模型的输出，对语义表示模型的系数进行调整，实现训练。
40.其中，针对每个单视频，对语义表示模型进行训练的过程具体可以为，将单视频的掩码图像序列输入语义表示模型，获取语义表示模型输出的特征序列；基于该特征序列进行掩码位置预测，得到对应的掩码位置预测结果；根据掩码位置预测结果以及掩码位置实际结果构建损失函数，根据该损失函数的值对语义表示模型的系数进行调整，实现训练。
41.其中，针对每个单文本，对语义表示模型进行训练的过程具体可以为，将单文本的掩码字符序列输入语义表示模型，获取语义表示模型输出的特征序列；基于该特征序列进行掩码位置预测，得到对应的掩码位置预测结果；根据掩码位置预测结果以及掩码位置实际结果构建损失函数，根据该损失函数的值对语义表示模型的系数进行调整，实现训练。
42.在本公开实施例中，训练得到的语义表示模型可以作为经过预训练的语义表示模型，并用于具体的任务。例如，相似视频召回任务，经过预训练的语义表示模型，可以结合该任务下的训练数据进行系数微调，并用于视频的特征提取，基于提取到的视频特征进行相似视频的召回。又例如，文本分类任务，可以结合该任务下的训练数据进行系数微调，并用于文本的特征提取，基于提取到的文本特征进行文本分类。又例如，视频搜索场景，可以结合该任务下的训练数据进行系数微调，并用于搜索文本的特征提取，以及候选视频的特征提取，基于提取到的文本特征以及视频特征，确定与搜索文本匹配的视频。
43.本公开实施例的语义表示模型的预训练方法，通过针对预训练数据中的每个视频文本对，确定视频文本对的掩码图像序列、掩码字符序列以及掩码图像字符序列；将掩码图像序列、掩码字符序列以及掩码图像字符序列分别输入初始的语义表示模型，确定多个特征序列以及每个特征序列对应的掩码位置预测结果；根据多个特征序列、每个特征序列对应的掩码位置预测结果、以及掩码位置实际结果，构建损失函数，对语义表示模型的系数进行调整，实现训练，从而使得语义表示模型能够学习到视频与对应的文本之间的相关性，能够提取视频与对应的文本之间的相关性特征，提高训练得到的语义表示模型的准确度。
44.为了进一步提高语义表示模型的准确度，如图2所示，图2是根据本公开第二实施例的示意图，在本公开实施例中，可以根据多个特征序列、每个特征序列对应的掩码位置预测结果、以及掩码位置实际结果构建多个子损失函数，进而构建损失函数，对语义表示模型的系数进行调整，实现训练。图2所示实施例可以包括以下步骤：
45.步骤201，针对预训练数据中的每个视频文本对，确定视频文本对的掩码图像序列、掩码字符序列以及掩码图像字符序列。
46.步骤202，将掩码图像序列、掩码字符序列以及掩码图像字符序列分别输入初始的语义表示模型，确定多个特征序列以及每个特征序列对应的掩码位置预测结果。
47.在本公开实施例中，掩码图像序列的确定过程例如可以为，对视频进行图像采样，得到采样图像序列；对采样图像序列进行向量处理以及掩码处理，得到掩码图像序列，并在掩码图像序列中的最前面添加标志位，以获取掩码图像序列的第一图像全局特征。其中，针对视频文本对(v
p
，t
p
)，v
p
表示视频，t
p
表示文本。对应的掩码图像序列可以表示为其中，v
p
表示标志位；表示第一个图像对应的向量；n表示掩码图像序列中向量以及掩码标记的总数量。
48.在本公开实施例中，掩码字符序列的确定过程例如可以为，对文本中的每个字符进行向量处理以及掩码处理，得到掩码字符序列，并在掩码字符序列中的最前面添加标志位，以获取掩码字符序列的第一字符全局特征。其中，针对视频文本对(v
p
，t
p
)，掩码字符序列可以表示为其中，tx
p
表示标志位，表示第一个字符对应的向量；m表示掩码字符序列中向量以及掩码标记的总数量。
49.在本公开实施例中，掩码图像字符序列由掩码图像序列以及掩码字符序列拼接得到。其中，针对视频文本对(v
p
，t
p
)，掩码图像字符序列可以表示为
50.步骤203，根据多个特征序列中图像特征序列对应的掩码位置预测结果以及掩码位置实际结果，构建第一子损失函数。
51.在本公开实施例中，图像特征序列与掩码图像序列对应，为将掩码图像序列输入语义表示模型得到的特征序列。图像特征序列可以表示为其中，与掩码图像序列中的标志位对应，表示掩码图像序列的第一图像全局特征；表示掩码图像序列中第一个图像对应的特征。
52.在本公开实施例中，假设掩码图像序列中总共有k个向量被掩码标记代替，基于掩码图像序列对应的图像特征序列，可以预测该k个掩码标记所在位置的预测向量(掩码位置预测结果)。根据该k个掩码标记所在位置的预测向量，以及该k个掩码标记所在位置的实际向量(掩码位置实际结果)，构建第一子损失函数。其中，第一子损失函数的计算公式可以如以下公式所示：
[0053][0054]
其中，表示第一子损失函数；k＝1，
…
，k；nk∈{1，2，3，...，n}；表示
第k个掩码标记所在位置的预测向量；表示第k个掩码标记所在位置的实际向量；fc为全链接层，表示基于图像特征序列预测k个掩码标记所在位置的向量。
[0055]
步骤204，根据多个特征序列中字符特征序列对应的掩码位置预测结果以及掩码位置实际结果，构建第二子损失函数。
[0056]
在本公开实施例中，字符特征序列与掩码字符序列对应，为将掩码字符序列输入语义表示模型得到的特征序列。字符特征序列可以表示为其中，与掩码字符序列中的标志位对应，表示掩码字符序列的第一字符全局特征；表示掩码字符序列中第一个字符对应的特征。
[0057]
在本公开实施例中，假设掩码字符序列中总共有l个向量被掩码标记代替，基于掩码字符序列对应的字符特征序列，可以预测该l个掩码标记所在位置的预测向量(掩码位置预测结果)。根据该l个掩码标记所在位置的预测向量，以及该l个掩码标记所在位置的实际向量(掩码位置实际结果)，构建第二子损失函数。其中，第二子损失函数的计算公式可以如以下公式所示：
[0058][0059]
其中，表示第二子损失函数；l＝1,
…
,l；m
l
∈{1，2，3，...，m}；表示第l个掩码标记所在位置的预测向量；表示第l个掩码标记所在位置的实际向量。
[0060]
步骤205，根据多个特征序列中图像字符特征序列对应的掩码位置预测结果以及掩码位置实际结果，构建第三子损失函数。
[0061]
在本公开实施例中，图像字符特征序列与掩码图像字符序列对应，为将掩码图像字符序列输入语义表示模型得到的特征序列。图像字符特征序列可以表示为其中，与掩码图像字符序列中图像的向量最前面的标志位对应，即与v
p
对应，表示掩码图像字符序列的第二图像全局特征；与掩码图像字符序列中字符的向量最前面的标志位对应，即与对应，表示掩码图像字符序列的第二字符全局特征。
[0062]
在本公开实施例中，假设掩码图像序列中总共有k个图像的向量被掩码标记代替，总共有l个字符的向量被掩码标记代替，基于掩码图像字符序列对应的图像字符特征序列，可以预测该k l个掩码标记所在位置的预测向量。根据该k l个掩码标记所在位置的预测向量，以及该k l个掩码标记所在位置的实际向量，构建第三子损失函数。其中，第三子损失函数的计算公式可以如以下公式所示：
[0063][0064]
其中，表示第三子损失函数；表示字符的掩码标记中第l个掩码标
记所在位置的预测向量；记所在位置的预测向量；表示字符的掩码标记中第l个掩码标记所在位置的实际向量；表示图像的掩码标记中第k个掩码标记所在位置的预测向量；表示图像的掩码标记中第k个掩码标记所在位置的实际向量。
[0065]
步骤206，根据多个特征序列中的图像特征序列、字符特征序列以及图像字符特征序列构建第四子损失函数。
[0066]
在本公开实施例中，图像特征序列包括掩码图像序列的第一图像全局特征；字符特征序列包括掩码字符序列的第一字符全局特征；图像字符特征序列包括掩码图像字符序列的第二图像全局特征和第二字符全局特征。
[0067]
在本公开实施例中，语义表示模型的预训练装置执行步骤206的过程例如可以为，根据第一图像全局特征、第一字符全局特征以及其他视频文本对的第一图像全局特征，构建第一部分子损失函数；根据第一图像全局特征、第二图像全局特征以及其他视频文本对的第一图像全局特征，构建第二部分子损失函数；根据第一文本全局特征、第一图像全局特征以及其他视频文本对的第一文本全局特征，构建第三部分子损失函数；根据第一文本全局特征、第二文本全局特征以及其他视频文本对的第一文本全局特征，构建第四部分子损失函数；根据第一部分子损失函数、第二部分子损失函数、第三部分子损失函数以及第四部分子损失函数，构建第四子损失函数。
[0068]
在本公开实施例中，第四子损失函数的计算公式可以如以下公式所示：
[0069][0070]
其中，lc表示第四子损失函数。公式中的4行计算子，分别表示第一部分损失函数、第二部分子损失函数、第三部分子损失函数以及第四部分子损失函数。s(x，y)表示两个向量之间的相似度函数，例如余弦相似度函数等。τ表示一个超参数。
[0071]
在本公开实施例中，通过根据一个视频文本对的第一图像全局特征、第一文本全局特征、第二图像全局特征、第二文本全局特征、以及其他视频文本对的第一图像全局特征
和第一文本全局特征，构建第四子损失函数，能够使得一个视频文本对的第一图像全局特征和第二图像全局特征尽量靠近，第一文本全局特征与第二文本全局特征尽量靠近；而不同视频文本的第一图像全局特征尽量远离，不同视频文本对的第一文本全局特征尽量远离，使得语义表示模型学习到更多的视频文本相关性特征，提高语义表示模型的准确度，进而提高下游任务执行的准确度。
[0072]
步骤207，根据第一子损失函数、第二子损失函数、第三子损失函数和第四子损失函数，构建损失函数。
[0073]
在本公开实施例中，例如，第一子损失函数、第二子损失函数、第三子损失函数和第四子损失函数可以直接加和，得到损失函数。又例如，第一子损失函数、第二子损失函数、第三子损失函数和第四子损失函数可以按照权重进行加权求和，得到损失函数。
[0074]
步骤208，根据损失函数的值对语义表示模型的系数进行调整，实现训练。
[0075]
在本公开实施例中，步骤201至202的详细描述，可以参考图1所示实施中步骤101至102的详细描述，此处不再做详细说明。
[0076]
本公开实施例的语义表示模型的预训练方法，通过针对预训练数据中的每个视频文本对，确定视频文本对的掩码图像序列、掩码字符序列以及掩码图像字符序列；将掩码图像序列、掩码字符序列以及掩码图像字符序列分别输入初始的语义表示模型，确定多个特征序列以及每个特征序列对应的掩码位置预测结果；根据多个特征序列中图像特征序列对应的掩码位置预测结果以及掩码位置实际结果，构建第一子损失函数；根据多个特征序列中字符特征序列对应的掩码位置预测结果以及掩码位置实际结果，构建第二子损失函数；根据多个特征序列中图像字符特征序列对应的掩码位置预测结果以及掩码位置实际结果，构建第三子损失函数；根据多个特征序列中的图像特征序列、字符特征序列以及图像字符特征序列构建第四子损失函数；根据第一子损失函数、第二子损失函数、第三子损失函数和第四子损失函数，构建损失函数；根据损失函数的值对语义表示模型的系数进行调整，实现训练，从而使得语义表示模型能够学习到视频与对应的文本之间的相关性，能够提取视频与对应的文本之间的相关性特征，提高训练得到的语义表示模型的准确度。
[0077]
为了更加清楚地说明上述实施例，现举例进行说明。
[0078]
举例而言，如图3所示，是语义表示模型的预训练示意图。图3中的3个语义表示模型的结构相同，系数相同，其实是同一个语义表示模型；只是该语义表示模型在一次处理中需要使用3次，因此，显示3个语义表示模型，方便理解。在图3中，左侧的视频数据，为单视频。右侧的文本数据，为单文本。中间的数据文本数据，为两个视频文本对。针对一个视频文本对，图3中的跨模态比对学习指的是第三子损失函数以及第四子损失函数的构建以及训练。其中，其中，线段的两端分别指向中间的语义表示模型的黑点，代表第三子损失函数。线段的两端分别指向不同的语义表示模型的黑点，代表第四子损失函数。
[0079]
为了实现上述实施例，本公开还提出一种语义表示模型的预训练装置。
[0080]
如图4所示，图4根据本公开第三实施例的示意图。该语义表示模型的预训练装置400包括：确定模块410、输入模块420和调整模块430。
[0081]
其中，确定模块410，用于针对预训练数据中的每个视频文本对，确定所述视频文本对的掩码图像序列、掩码字符序列以及掩码图像字符序列；
[0082]
输入模块420，用于将所述掩码图像序列、所述掩码字符序列以及所述掩码图像字
符序列分别输入初始的语义表示模型，确定多个特征序列以及每个特征序列对应的掩码位置预测结果；
[0083]
调整模块430，用于根据所述多个特征序列、每个特征序列对应的掩码位置预测结果、以及掩码位置实际结果，构建损失函数，对所述语义表示模型的系数进行调整，实现训练。
[0084]
作为本公开实施例的一种可能实现方式，所述确定模块410具体用于，针对预训练数据中的每个视频文本对，确定所述视频文本对中的视频以及对应的文本；确定所述视频的掩码图像序列，以及确定所述文本的掩码字符序列；对所述掩码图像序列以及所述掩码字符序列进行拼接，得到所述掩码图像字符序列。
[0085]
作为本公开实施例的一种可能实现方式，所述确定模块410具体用于，对所述视频进行图像采样，得到采样图像序列；对所述采样图像序列进行向量处理以及掩码处理，得到所述掩码图像序列；对所述文本进行向量处理以及掩码处理，得到所述掩码字符序列。
[0086]
作为本公开实施例的一种可能实现方式，所述多个特征序列包括：图像特征序列、字符特征序列以及图像字符特征序列；所述调整模块包括：第一构建单元、第二构建单元、第三构建单元、第四构建单元、第五构建单元和调整单元；所述第一构建单元，用于根据所述图像特征序列对应的掩码位置预测结果以及掩码位置实际结果，构建第一子损失函数；所述第二构建单元，用于根据所述字符特征序列对应的掩码位置预测结果以及掩码位置实际结果，构建第二子损失函数；所述第三构建单元，用于根据所述图像字符特征序列对应的掩码位置预测结果以及掩码位置实际结果，构建第三子损失函数；所述第四构建单元，用于根据所述图像特征序列、所述字符特征序列以及所述图像字符特征序列构建第四子损失函数；所述第五构建单元，用于根据所述第一子损失函数、所述第二子损失函数、所述第三子损失函数和所述第四子损失函数，构建所述损失函数；所述调整单元，用于根据所述损失函数的值对所述语义表示模型的系数进行调整，实现训练。
[0087]
作为本公开实施例的一种可能实现方式，所述图像特征序列包括所述掩码图像序列的第一图像全局特征；所述字符特征序列包括所述掩码字符序列的第一字符全局特征；所述图像字符特征序列包括所述掩码图像字符序列的第二图像全局特征和第二字符全局特征；所述第四构建单元具体用于，根据所述第一图像全局特征、所述第一字符全局特征以及其他视频文本对的第一图像全局特征，构建第一部分子损失函数；根据所述第一图像全局特征、所述第二图像全局特征以及其他视频文本对的第一图像全局特征，构建第二部分子损失函数；根据所述第一文本全局特征、所述第一图像全局特征以及其他视频文本对的第一文本全局特征，构建第三部分子损失函数；根据所述第一文本全局特征、所述第二文本全局特征以及其他视频文本对的第一文本全局特征，构建第四部分子损失函数；根据所述第一部分子损失函数、所述第二部分子损失函数、所述第三部分子损失函数以及所述第四部分子损失函数，构建所述第四子损失函数。
[0088]
作为本公开实施例的一种可能实现方式，所述预训练数据中还包括第一预设数量的单视频，以及第二预设数量的单文本；所述调整模块430还用于，针对每个单视频，以所述单视频的掩码图像序列为所述语义表示模型的输入，以所述单视频的掩码位置实际结果为所述语义表示模型的输出，对所述语义表示模型的系数进行调整，实现训练；针对每个单文本，以所述单文本的掩码字符序列为所述语义表示模型的输入，以所述单文本的掩码位置
实际结果为所述语义表示模型的输出，对所述语义表示模型的系数进行调整，实现训练。
[0089]
作为本公开实施例的一种可能实现方式，所述视频对应的文本，为以下文本中的至少一种：所述视频的标题、所述视频的摘要。
[0090]
本公开实施例的语义表示模型的预训练装置，通过针对预训练数据中的每个视频文本对，确定视频文本对的掩码图像序列、掩码字符序列以及掩码图像字符序列；将掩码图像序列、掩码字符序列以及掩码图像字符序列分别输入初始的语义表示模型，确定多个特征序列以及每个特征序列对应的掩码位置预测结果；根据多个特征序列、每个特征序列对应的掩码位置预测结果、以及掩码位置实际结果，构建损失函数，对语义表示模型的系数进行调整，实现训练，从而使得语义表示模型能够学习到视频与对应的文本之间的相关性，能够提取视频与对应的文本之间的相关性特征，提高训练得到的语义表示模型的准确度。
[0091]
本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均在征得用户同意的前提下进行，并且均符合相关法律法规的规定，且不违背公序良俗。
[0092]
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
[0093]
图5示出了可以用来实施本公开的实施例的示例电子设备500的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
[0094]
如图5所示，电子设备500包括计算单元501，其可以根据存储在只读存储器(rom)502中的计算机程序或者从存储单元508加载到随机访问存储器(ram)503中的计算机程序，来执行各种适当的动作和处理。在ram 503中，还可存储电子设备500操作所需的各种程序和数据。计算单元501、rom 502以及ram 503通过总线504彼此相连。输入/输出(i/o)接口505也连接至总线504。
[0095]
电子设备500中的多个部件连接至i/o接口505，包括：输入单元506，例如键盘、鼠标等；输出单元507，例如各种类型的显示器、扬声器等；存储单元508，例如磁盘、光盘等；以及通信单元509，例如网卡、调制解调器、无线通信收发机等。通信单元509允许电子设备500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
[0096]
计算单元501可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元501的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。计算单元501执行上文所描述的各个方法和处理，例如语义表示模型的预训练方法。例如，在一些实施例中，语义表示模型的预训练方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元508。在一些实施例中，计算机程序的部分或者全部可以经由rom 502和/或通信单元509而被载入和/或安装到电子设备500上。当计算机程序加载到ram 503并由计算单元501执行时，可以执行上文描述的语义表示模型的预训练方法的一个或多个步骤。备选地，在其他实施例中，计算单元
501可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行语义表示模型的预训练方法。
[0097]
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、负载可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
[0098]
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
[0099]
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
[0100]
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
[0101]
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)和互联网。
[0102]
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的
服务器，或者是结合了区块链的服务器。
[0103]
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
[0104]
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。