数据处理方法、装置、电子设备及计算机可读存储介质与流程

1.本公开涉及数据处理技术领域，尤其涉及一种数据处理方法、装置、电子设备及计算机可读存储介质。


背景技术：

2.在电商平台上传对商品进行解说的视频或音频，可以吸引买家的兴趣，也可以更丰富的展示商品的相关属性。相关技术中，缺少可以准确判断视频或音频中是否包含对商品所进行的解说的方法。


技术实现要素：

3.本公开提供了一种用于判断音频数据中是否包括对目标对象进行解说的数据处理方法、装置、设备以及存储介质。
4.根据本公开的一方面，提供了一种数据处理方法，包括：获取音频数据；从音频数据中提取对象文字，其中，对象文字为与音频数据中的对象对应的文字；获取与目标对象对应的目标文字；根据对象文字与目标文字，确定音频数据是否包括对目标对象所进行的解说。
5.可选地，获取音频数据包括：获取目标视频，目标视频中包括目标对象；从目标视频中提取音频，得到音频数据。
6.可选地，从音频数据中提取对象文字包括：将音频数据输入文字提取模型，得到对象文字，其中，文字提取模型通过多组样本数据训练得到，多组样本数据包括：样本音频以及样本音频中包括的样本对象对应的文字。
7.可选地，获取与目标对象对应的目标文字包括：从音频数据的标题文本中，获取与目标对象对应的目标文字。
8.可选地，获取与目标对象对应的目标文字包括：获取包括同款目标对象的同款音频数据；从同款音频数据中获取与目标对象对应的目标文字。
9.可选地，根据对象文字与目标文字，确定音频数据是否包括对目标对象所进行的解说包括：根据对象文字与目标文字，确定对象文字与目标文字之间的相似度；基于相似度确定音频数据是否包括对目标对象所进行的解说。
10.可选地，根据对象文字与目标文字，确定对象文字与目标文字之间的相似度包括：获取对象文字在预定向量空间中的第一特征向量，以及目标文字在预定向量空间中的第二特征向量；获取第一特征向量与第二特征向量之间的向量距离，基于向量距离确定对象文字与目标文字之间的相似度；基于相似度确定音频数据是否包括对目标对象所进行的解说包括：在相似度超过相似度阈值的情况下，确定音频数据包括对目标对象所进行的解说；和/或，在相似度未超过相似度阈值的情况下，确定音频数据不包括对目标对象所进行的解说。
11.可选地，根据对象文字与目标文字，确定音频数据是否包括对目标对象所进行的
解说包括：获取对象文字的文本长度；在文本长度超过预定文本长度的情况下，根据对象文字与目标文字，确定音频数据是否包括对目标对象所进行的解说。
12.可选地，根据对象文字与目标文字，确定音频数据是否包括对目标对象所进行的解说包括：检测对象文字中是否包括预定关键词；在检测结果为对象文字中不包括预定关键词的情况下，根据对象文字与目标文字，确定音频数据是否包括对目标对象所进行的解说。
13.可选地，数据处理方法还包括：接收对目标对象的选择操作；响应于选择操作，获取包括对目标对象进行解说的目标音频数据，其中，目标音频数据包括：音频和/或视频；将目标音频数据进行推荐并展示。
14.根据本公开的另一方面，提供了一种数据处理装置，包括：第一获取模块，用于获取音频数据；第二提取模块，用于从音频数据中提取对象文字，其中，对象文字为与音频数据中的对象对应的文字；第二获取模块，用于获取与目标对象对应的目标文字；第一确定模块，用于根据对象文字与目标文字，确定音频数据是否包括对目标对象所进行的解说。
15.可选地，第一获取模块包括：第一获取单元，用于获取目标视频，其中，目标视频中包括目标对象；第一提取单元，用于从目标视频中提取音频，得到音频数据。
16.可选地，第一提取模块包括：第二获取单元，用于将音频数据输入文字提取模型，得到对象文字，其中，文字提取模型通过多组样本数据训练得到，多组样本数据包括：样本音频以及样本音频中包括的样本对象对应的文字。
17.可选地，第二获取模块包括：第三获取单元，用于从音频数据的标题文本中，获取与目标对象对应的目标文字。
18.可选地，第二获取模块包括：第四获取单元，用于获取包括同款目标对象的同款音频数据；第五获取单元，用于从同款音频数据中获取与目标对象对应的目标文字。
19.可选地，第一确定模块包括：第一确定单元，用于根据对象文字与目标文字，确定对象文字与目标文字之间的相似度；第二确定单元，用于基于相似度确定音频数据是否包括对目标对象所进行的解说。
20.可选地，第一确定单元包括：第一确定子单元，用于获取对象文字在预定向量空间中的第一特征向量，以及目标文字在预定向量空间中的第二特征向量；获取第一特征向量与第二特征向量之间的向量距离，基于向量距离确定对象文字与目标文字之间的相似度；第二确定单元包括：第二确定子单元，用于在相似度超过相似度阈值的情况下，确定音频数据包括对目标对象所进行的解说；和/或，在相似度未超过相似度阈值的情况下，确定音频数据不包括对目标对象所进行的解说。
21.可选地，第一确定模块包括：第六获取单元，用于获取对象文字的文本长度；第三确定单元，用于在文本长度超过预定文本长度的情况下，根据对象文字与目标文字，确定音频数据是否包括对目标对象所进行的解说。
22.可选地，第一确定模块包括：第一检测单元，用于检测对象文字中是否包括预定关键词；第四确定单元，用于在检测结果为对象文字中不包括预定关键词的情况下，根据对象文字与目标文字，确定音频数据是否包括对目标对象所进行的解说。
23.可选地，数据处理装置还包括：接收模块，用于接收对目标对象的选择操作；第三获取模块，用于响应于选择操作，获取包括对目标对象进行解说的目标音频数据，其中，目
标音频数据包括：音频和/或视频；推荐模块，用于将目标音频数据进行推荐并展示。
24.根据本公开的另一方面，提供了电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行上述任一项的方法。
25.根据本公开的另一方面，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，其中，计算机指令用于使计算机执行根据上述任一项的方法。
26.根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现根据上述任一项的方法。
27.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
28.附图用于更好地理解本方案，不构成对本公开的限定。其中：
29.图1是根据本公开第一实施例的数据处理方法的流程图；
30.图2是根据本公开实施例的获取对象文字的流程图；
31.图3是根据本公开实施例的判断视频中是否包括对商品解说的流程图；
32.图4是根据本公开实施例的数据处理装置的结构框图；
33.图5是根据本公开实施例的数据处理方法的电子设备的框图。
具体实施方式
34.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。
35.术语说明
36.asr(automatic speech recognition，自动语音识别)，属于计算语言学的跨学科子领域，用于从音频信号中提取文字信号。
37.lda(latent dirichlet allocation，隐含狄利克雷分布)，一种用于分析文章主题概率分布的主题模型，属于无监督学习算法。
38.cnn(latent dirichlet allocation，潜在狄利克雷分配)，卷积神经网络。
39.textsim，文本相似度算法，用于计算文本之间的相似度。
40.在本公开实施例中，提供了一种数据处理方法。图1是本公开实施例提供的数据处理方法的流程示意图，如图1所示，数据处理方法包括：
41.步骤s101，获取音频数据；
42.步骤s102，从音频数据中提取对象文字，其中，对象文字为与音频数据中的对象对应的文字；
43.步骤s103，获取与目标对象对应的目标文字；
44.步骤s104，根据对象文字与目标文字，确定音频数据是否包括对目标对象所进行的解说。
45.通过上述方法，通过获取音频数据，从音频数据中提取与音频数据中的对象对应的对象文字，获取与目标对象对应的目标文字，根据对象文字和目标文字，确定音频数据是否包括对目标对象所进行的解说。
46.相关技术中，可以根据是否可以从音频数据中提取出文字信息，判定音频数据是否包括解说，这种方法存在的缺陷是：可能会将背景音乐中的歌词等与目标对象无关的内容，判定为对目标对象的解说内容，由此，无法准确判断音频数据中是否包括对目标对象所进行的解说。相对于相关技术，根据从音频数据中提取的对象文字和与目标对象对应的目标文字，进行音频数据是否包括对目标对象所进行的解说的判断，不会将与目标对象无关的内容判定为对目标对象的解说，由此，可以准确判断音频数据中是否包括对目标对象进行解说。从音频数据中提取的对象文字为与音频数据中的对象对应的文字，而非音频数据中包含的所有文字，由此，在根据与音频数据中的对象对应的对象文字和目标对象对应的目标文字，进行音频数据是否包括对目标对象所进行的解说的判断时，排除了与音频数据中的对象无关的文字的干扰，进一步提高了判断结果的准确性。
47.作为一种可选实施例，获取音频数据可以包括如下步骤：获取目标视频，其中目标视频中包括目标对象；从目标视频中提取音频，得到音频数据。
48.在本可选实施例中，从目标视频中获取音频数据后，从该音频数据中提取与音频数据中的对象对应的对象文字，根据与音频数据中的对象对应的对象文字和目标对象对应的目标文字，进行音频数据是否包括对目标对象所进行的解说的判断。若音频数据包括对目标对象所进行的解说，可以确定对应的目标视频中包括对目标对象所进行的解说；若音频数据不包括对目标对象所进行的解说，可以确定对应的目标视频中不包括对目标对象所进行的解说。由此，可以准确判断目标视频是否包括对目标对象所进行的解说。
49.作为一种可选实施例，从音频数据中提取对象文字，可包括如下步骤：将音频数据输入文字提取模型，得到对象文字，其中，文字提取模型通过多组样本数据训练得到，多组样本数据包括：样本音频以及样本音频中包括的样本对象对应的文字。
50.在本可选实施例中，通过样本音频以及样本音频中包括的样本对象对应的文字对文字提取模型进行训练，再使用训练好的文字提取模型提取音频数据中的对象文字。由此，获取的对象文字并非音频数据中包含的所有文字，而是与音频数据中的对象对应的文字。在根据与音频数据中的对象对应的对象文字和目标对象对应的目标文字，进行音频数据是否包括对目标对象所进行的解说的判断时，排除了与音频数据中的对象无关的内容的干扰，提高了判断结果的准确性。
51.作为一种可选实施例，获取与目标对象对应的目标文字，可包括如下步骤：从音频数据的标题文本中，获取与目标对象对应的目标文本。
52.其中，音频数据的标题文本包括与目标对象对应的目标文本。从标题文本中获取目标文本，基于该目标文本和与音频数据中的对象对应的对象文字，进行音频数据是否包括对目标对象所进行的解说的判断，方法简单，判断结果准确度高。
53.作为一种可选实施例，获取与目标对象对应的目标文字包括：获取包括同款目标对象的同款音频数据；从同款音频数据中获取与目标对象对应的目标文字。从同款音频数据中获取目标文字，基于目标文字和与音频数据中的对象对应的对象文字，进行音频数据是否包括对目标对象所进行的解说的判断，方法简单，判断结果准确度高。
54.作为一种可选实施例，音频数据是从目标视频中提取的，从目标视频的标题文本中获取与目标对象对应的目标文本。在目标视频关联有目标对象的情况下，获取与目标对象对应的目标文本的方法可包括如下步骤：从目标视频的标题文本中获取与目标对象对应的第一文本，并从与目标视频关联的目标对象信息中获取与目标对象对应的第二文本，根据第一文本和第二文本构建目标文本。基于该目标文本和与音频数据中的对象对应的对象文字，进行目标数据是否包括对目标对象所进行的解说的判断，方法简单，判断结果准确度高。
55.作为一种可选实施例，根据对象文字与目标文字，确定音频数据是否包括对目标对象所进行的解说，可包括如下步骤：根据对象文字与目标文字，确定对象文字与目标文字之间的相似度；基于相似度确定音频数据是否包括对目标对象所进行的解说。基于对象文字与目标文字之间的相似度，进行音频数据是否包括对目标对象所进行的解说的判断，方法简单，判断结果的准确度高。
56.作为一种可选实施例，确定对象文字与目标文字之间的相似度的方法有多种，例如，基于lda的文本相似算法、基于cnn的文本相似模型、基于textsim的文本相似算法，等等。在一个实施例中，使用基于textsim的文本相似算法计算对象文字与目标文字之间的相似度，以提高处理效率高和计算结果的准确度。
57.作为一种可选实施例，根据对象文字与目标文字，确定对象文字与目标文字之间的相似度，可包括如下步骤：获取对象文字在预定向量空间中的第一特征向量，以及目标文字在预定向量空间中的第二特征向量；获取第一特征向量与第二特征向量之间的向量距离，基于向量距离确定对象文字与目标文字之间的相似度。基于相似度确定音频数据是否包括对目标对象所进行的解说，可包括如下步骤：在相似度超过相似度阈值的情况下，确定音频数据包括对目标对象所进行的解说；和/或，在相似度未超过相似度阈值的情况下，确定音频数据不包括对目标对象所进行的解说。根据向量距离确定对象文字与目标文字之间的相似度，方法简单、处理效率高。
58.作为一种可选实施例，根据对象文字与目标文字，确定音频数据是否包括对目标对象所进行的解说，可包括如下步骤：获取与音频数据中的对象对应的对象文字的文本长度。在文本长度超过预定文本长度的情况下，根据对象文字和与目标对象对应的目标文字，确定音频数据是否包括对目标对象所进行的解说。在对象文字文本长度小于预定文本长度的情况下，不对对象文字进行进一步分析，并默认音频数据不包括对目标对象所进行的解说。
59.在本可选实施例中，对象文字是与音频数据中的对象对应的文字，如果对象文字的文本长度超过预定文本长度，可认为对象文字大概率包含有和音频数据中的对象相关的内容，因此对对象文字进行进一步分析，具体的，通过对象文字和与目标对象对应的目标文字，确定音频数据是否包括对目标对象所进行的解说。这相当于在对象文字文本长度小于预定文本长度的情况下，认为对象文字未包含和音频数据中的对象相关的内容，即对象文本中包含的内容是和音频数据的对象无关的干扰内容。由此，只对包含和音频数据中的对象相关内容的对象文字进行进一步处理，并基于处理结果判断音频数据是否包括对目标对象所进行的解说，在判断过程中，排除了未包含和音频数据中的对象相关的内容的对象文字的干扰，提高了处理效率以及的判断结果的准确性。
60.作为一种可选实施例，根据对象文字与目标文字，确定音频数据是否包括对目标对象所进行的解说，可包括如下步骤：检测对象文字中是否包括预定关键词；在检测结果为对象文字中不包括预定关键词的情况下，根据对象文字与目标文字，确定音频数据是否包括对目标对象所进行的解说。在检测结果为对象文字中包括预定关键词的情况下，停止对对象文字进行进一步分析，并默认音频数据不包括对目标对象所进行的解说。其中，预定关键词的种类可以有多种，比如，关键词可以包括：涉及淫秽的词语、涉及暴力的词语，等等。
61.在本可选实施例中，在检测结果为对象文字中不包括预定关键词的情况下，对对象文字进行进一步处理，确定音频数据是否包括对目标对象所进行的解说。这相对于在根据对象文字和目标文字，进行音频数据是否包括对目标对象所进行的解说的判断时，排除了包含预定关键词的对象文字的干扰，提高了处理效率以及的判断结果的准确性。
62.作为一种可选实施例，在确定音频数据是否包括对目标对象所进行的解说之后，接收对目标对象的选择操作，并响应于该选择操作，获取包括对目标对象进行解说的目标音频数据，其中，目标音频数据包括音频和/或视频，然后将目标音频数据进行推荐并展示。其中，目标对象的种类可以有多种，例如，目标对象可以为商品。接收到用户输入的商品信息后，根据用户输入的商品信息，获取包括对商品进行解说的音频和/或视频，并将对商品进行解说的音频和/或视频展示在显示界面上。由此，可以在用户输入目标对象信息时，找到包含对目标对象进行解说的音频和/或视频，并将对目标对象进行解说的音频和/或视频推荐给用户，提高了对解说有需求的用户体验。基于上述实施例及可选实施例，提供了一种可选实施方式，下面具体说明。需要说明的是，在本可选实施例中，以音频数据提取自视频文件，以目标对象为商品，以计算对象文字与目标文字之间的相似度的算法为基于textsim的文本相似算法为例进行说明。
63.本公开可选实施方式提供的方案可用于：对2b(business to business，商家对商家)电商平台上上传视频是否包括对和该视频相关或与该视频关联的商品的解说。在电商的销售过程中，为了便于卖家吸引买家兴趣，同时也为了更丰富的展示商品的相关属性，电商平台支持卖家上传对商品进行解说的介绍视频，好的视频可以带来更多的pv(pageview，页面浏览量或点击量)电机和转发。因此，对视频是否包括对商品所进行解说的判断有着重要的作。现有技术容易将视频中的歌曲歌词和背景音误认为对商品所进行的解说。同时，在视频制作过程中，有很多出现在视频中的语音文字的内容和视频本身无关，这些和视频无关的语音文字内容也不是对商品进行的解说，而现有技术容易将这些和商品解说无关的内容误判为对商品进行的解说。即相关技术中缺少可以准确判断视频或音频中是否包含商品解说的方法。
64.为了解决难以准确判断视频中是否包含商品解说的问题，本公开可选实施方式提供了一种数据处理方法，通过获取视频中的音频数据，从音频数据中提取与音频数据中的对象对应的对象文字，根据对象文字和与目标对象对应的目标文字，判断音频数据是否包括对目标对象所进行的解说，提高了判断结果的准确性。
65.本公开可选实施方式提供的数据处理方法包括如下步骤：获取音频数据，从音频数据中提取视频文字(相当于前述实施例中的对象文字)。
66.图2是根据本公开实施例的获取视频文字的流程图，参照图2所示，获取对象文字的方法具体包括如下步骤：
67.对视频数据(相当于前述实施例中的目标视频)进行特征向量提取：获取视频数据，从视频数据中提取音频数据，将音频数据处理成信号帧，再将信号帧转化成特征向量。
68.将特征向量输入至训练好的音频编解码模型的编码层，编码层对特征向量进行处理后，将处理过的数据输入至音频编解码模型的解码层，解码层对数据进行处理输出视频文字。
69.需要明白的是，现有技术中的音频编解码模型有多种，在从视频数据中提取音频数据后，可用现有技术中的音频编解码模型提从音频数据中提取视频文字。
70.本公开可选实施例中优选的音频编解码模型为：去除现有音频编解码模型的编码层和解码层之间的处理层的音频编解码模型，使用该简化处理的音频编解码模型进行视频文字提取，提高了处理效率。
71.现有技术中，常用asr对音频中的文字进行提取，但在使用现有的asr进行文字提取时，输入的是音频信号，输出的是文字信号。在本公开可选实施例中，采用端到端的asr视频语音转文字技术，对视频数据中的视频文字进行提取，即，在使用本公开可选实施例中的方法进行文字提取时，输入的是视频信号，输出的是文字信号。
72.在对音频编解码模型进行训练时，用到的训练数据集包括kaldi中文语音识别公共数据集，kaldi中文语音识别公共数据集包括如下四类数据集：aishell(中文语音语料及基本训练脚本集)、gale_mandarin(中文新闻广播数据集)、hkust(中文电话数据集)、thchs30(清华大学中文语料库)。
73.对音频编解码模型进行训练时的训练数据集还包括进行商品信息(相当于上述实施例中的样本对象)标注的多组样本音频。
74.在对音频编解码模型进行训练的过程中，为了提高音频编解码模型的召回率，对上述训练数据集中各训练样本进行如下处理：通过长度比对的方式，选择各训练样本中长度较长的预设个数的特征，将其作为该训练样本的目标特征向量，由此获取各训练样本的目标特征向量，其中，预设个数可以为10个，也可以为小于10个或者大于10个的其他数量。在获取各训练样本的目标特征向量后，将各训练样本的目标特征向量作为目标训练数据集，使用该目标训练数据集对音频编解码模型进行训练，以获取训练好的音频编解码模型。
75.根据视频文字，确定视频中是否包括对商品的解说。图3是根据本公开实施例的判断视频中是否包括对商品解说的流程图，参照图3所示，判断视频中是否包括对商品解说的方法具体包括如下步骤：判断视频文字的文本长度是否超过预定文本长度。在视频文字的文本长度小于预定文本长度时，确定视频不包括对商品所进行的解说。在视频文字的文本长度超过预定文本长度时，认为视频中可能包括对商品所进行的解说，计算视频文字与目标文字的相似度，根据相似度判断视频文字对应的视频是否包括对商品所进行的解说。
76.其中，可以根据经验值确定预定文本长度，根据大数据分析，如果视频中包括对商品所进行的解说，从视频中获取的视频文字的长度一般会超过10个字，由此将预定文本长度确定为10个字。需要明白的是，预定文本长度可以根据需要设定，例如，可以设定为超过10个字，也可以设定为少于10个字。视频文字的文本长度小于预定文本长度，说明与视频文字对应的视频中只包括如背景音乐等与商品无关的环境噪声。只根据文本长度超过预定文本长度的视频文字，判断视频中是否包括对商品所进行解说，相当于使用文本长度截断策略过滤掉只包括环境噪声的视频，避免将环境噪声误判断为对商品所进行的解说，提高了
判断结果的准确性。
77.判断视频文字中是否包括敏感信息(相当于上述实施例中的预定关键词)。在视频文字中包括敏感信息时，停止对视频文字进行进一步的分析，直接认为与视频文字对应的视频不包括对商品所进行的解说。在视频文字中不包括敏感信息时，计算视频文字与目标文字的相似度，根据相似度判断视频文字对应的视频是否包括对商品所进行的解说。
78.其中，敏感信息包括涉及淫秽内容的信息、涉及暴力内容的信息，等等。需要明白的是，现有技术中有用于对文字中是否包括敏感信息进行判断的敏感信息判断模型。在本公开实施方式中，可使用现有技术中的敏感信息判断模型，判断视频文字中是否包括敏感信息。
79.计算视频文字与目标文字的相似度，根据相似度判断视频文字对应的视频是否包括对商品所进行的解说。在视频不包括关联商品时，目标文字为视频的标题文本，其中，视频的标题文本中包含有与商品对应的文字。在用户在上传视频时标注有关联的商品的情况下，目标文字包括视频的标题文本，以及与视频关联的关联商品信息。
80.使用基于textsim的文本相似算法计算视频文字与目标文字之间的相似度。具体计算方法如下：
81.获取视频文字d1中的词语或字ds1，和目标文字d2中的词语或字ds2，获取ds1和ds2的并集t，视频文字d1的次数向量和目标文字d2的次数向量分别为：
[0082][0083][0084]
其中，nd1(t1)，nd1(t2)，...nd1(ti)...nd1(tn)分别表示集合t中第一个元素t1、t2...ti...tn、第二个元素t2、第i个元素ti、第n个元素tn在视频文字d1中出现的次数；nd2(t1)，nd2(t2)，...nd2(ti)...nd2(tn)分别表示集合t中第一个元素t1、t2...ti...tn、第二个元素t2、第i个元素ti、第n个元素tn在视频文字d2中出现的次数。
[0085]
根据如下公式：
[0086][0087]
计算视频文字d1和目标文字d2之间的相似度sim_cosine。其中，
·
为矢量积，||||为欧几里得范数，表示向量的模量或向量的长度。
[0088]
判断视频文字和目标文字的相似度是否超过相似度阈值。若相似度超过相似度阈值，说明视频和商品解说相关，视频包括对商品所进行的解说。若相似度小于相似度阈值，视频和商品解说无关，视频不包括对商品所进行的解说。
[0089]
其中，根据经验值或大数据分析结果确定相似度阈值，例如，可将相似度阈值设定为0.7。
[0090]
本公开可选实施方式提供了一种数据处理方法，通过获取视频中的音频数据，从音频数据中提取与音频数据中的对象对应的对象文字，根据对象文字和与目标对象对应的目标文字，判断音频数据是否包括对目标对象所进行的解说，提高了判断结果的准确性。
[0091]
根据本公开实施例，还提供了一种用于实施上述数据处理方法的装置，图4是根据本公开实施例的数据处理装置的结构框图，如图4所示，该装置包括：第一获取模块401、第
一提取模块402、第二获取模块403、第一确定模块404，下面对该装置进行详细说明。
[0092]
第一获取模块401，用于获取音频数据；第一提取模块402，连接于上述第一获取模块401，用于从所述音频数据中提取对象文字，其中，所述对象文字为与所述音频数据中的对象对应的文字；第二获取模块403，连接于上述第一提取模块402，用于获取与目标对象对应的目标文字；第一确定模块404，连接于上述第二获取模块403，用于根据所述对象文字与所述目标文字，确定所述音频数据是否包括对所述目标对象所进行的解说。
[0093]
本公开实施例提供的装置可用于实现上述实施例中公开的数据处理方法，通过根据从音频数据中提取的对象文字和与目标对象对应的目标文字，进行音频数据是否包括对目标对象所进行的解说的判断，不会将与目标对象无关的内容判定为对目标对象的解说，由此，可以准确判断音频数据中是否包括对目标对象进行解说。从音频数据中提取的对象文字为与音频数据中的对象对应的文字，而非音频数据中包含的所有文字，由此，在根据与音频数据中的对象对应的对象文字和目标对象对应的目标文字，进行音频数据是否包括对目标对象所进行的解说的判断时，排除了与音频数据中的对象无关的文字的干扰，进一步提高了判断结果的准确性。
[0094]
此处需要说明的是，上述第一获取模块401、第一提取模块402、第二获取模块403、第一确定模块404对应于实时图像处理方法中的步骤s101至步骤s104，多个模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例所公开的内容。
[0095]
作为一种可选的实施例，第一获取模块401包括：第一获取单元，用于获取目标视频，其中，目标视频中包括目标对象；第一提取单元，用于从目标视频中提取音频，得到音频数据。
[0096]
作为一种可选的实施例，第一提取模块402包括：第二获取单元，用于将音频数据输入文字提取模型，得到对象文字，其中，文字提取模型通过多组样本数据训练得到，多组样本数据包括：样本音频以及样本音频中包括的样本对象对应的文字。
[0097]
作为一种可选的实施例，第二获取模块403包括：第三获取单元，用于从音频数据的标题文本中，获取与目标对象对应的目标文字。
[0098]
作为一种可选的实施例，第二获取模块403包括：第四获取单元，用于获取包括同款目标对象的同款音频数据；第五获取单元，用于从同款音频数据中获取与目标对象对应的目标文字。
[0099]
作为一种可选的实施例，第一确定模块404包括：第一确定单元，用于根据对象文字与目标文字，确定对象文字与目标文字之间的相似度；第二确定单元，用于基于相似度确定音频数据是否包括对目标对象所进行的解说。
[0100]
作为一种可选的实施例，第一确定单元包括：第一确定子单元，用于获取对象文字在预定向量空间中的第一特征向量，以及目标文字在预定向量空间中的第二特征向量；获取第一特征向量与第二特征向量之间的向量距离，基于向量距离确定对象文字与目标文字之间的相似度；第二确定单元包括：第二确定子单元，用于在相似度超过相似度阈值的情况下，确定音频数据包括对目标对象所进行的解说；和/或，在相似度未超过相似度阈值的情况下，确定音频数据不包括对目标对象所进行的解说。
[0101]
作为一种可选的实施例，第一确定模块404包括：第六获取单元，用于获取对象文字的文本长度；第三确定单元，用于在文本长度超过预定文本长度的情况下，根据对象文字
与目标文字，确定音频数据是否包括对目标对象所进行的解说。
[0102]
作为一种可选的实施例，第一确定模块404包括：第一检测单元，用于检测对象文字中是否包括预定关键词；第四确定单元，用于在检测结果为对象文字中不包括预定关键词的情况下，根据对象文字与目标文字，确定音频数据是否包括对目标对象所进行的解说。
[0103]
作为一种可选实施例，数据处理装置还包括：接收模块，用于接收对目标对象的选择操作；第三获取模块，用于响应于选择操作，获取包括对目标对象进行解说的目标音频数据，其中，目标音频数据包括：音频和/或视频；推荐模块，用于将目标音频数据进行推荐并展示。
[0104]
根据本公开的实施例，本公开还提供了一种电子设备、一种计算机可读存储介质，以及一种计算机程序产品。
[0105]
图5示出了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。
[0106]
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505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。
[0107]
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505，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。
[0108]
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，在一些实施例中，数据处理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505。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数据处理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)而被配置为执行数据处理方法。
[0109]
根据本公开的实施例，本公开还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，计算机指令用于使计算机执行上述任一项的方法。根据本公开的实施例，本公开还提供了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现上述任一项的方法。
[0110]
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。
[0111]
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。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。
[0112]
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。
[0113]
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。
[0114]
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。
[0115]
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。
[0116]
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。