具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本申请将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。

此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本申请的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本申请的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本申请的各方面。

附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。

图1示出了可以应用本申请实施例的技术方案的示例性系统架构的示意图。

如图1所示，系统架构可以包括终端设备101、网络102和服务器103，网络102用以在终端设备101和服务器103之间提供通信链路的介质。网络102可以包括各种连接类型，例如有线通信链路、无线通信链路等等。

其中，终端设备101可以是智能手机、平板电脑、便携式计算机和台式计算机中的一种或多种。应该理解的，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设别、网络和服务器。比如服务器103可以由多个服务器组成的服务器集群等。

用户可以使用终端设备101通过网络102与服务器103进行交互，以接收或发送消息等。服务器103可以是提供各种服务的服务器。例如用户可以利用终端设备101向服务器103发布自己制作的视频，服务器103可以根据用户所发布的视频进行筛选，获取各待选视频对应的标签信息，该标签信息由所述待选视频的发布者进行编辑得到，根据该标签信息，从标签信息中确定目标标签信息，并根据目标标签信息对应的待选视频，从目标标签信息对应的待选视频中确定目标视频，再根据目标视频对应的视频信息，确定目标视频对应的视频特征，该视频信息包括图像信息、音频信息和文字信息中的至少两个，最后根据各目标视频对应的视频特征以及标签信息，生成与各目标视频分别对应的目标训练数据。

需要说明的是，本申请实施例所提供的训练数据的获取方法一般由服务器103执行，相应地，训练数据的获取装置一般设置于服务器103中。但是，在本申请的其它实施例中，终端设备101也可以与服务器103具有相似的功能，从而执行本申请实施例所提供的训练数据的获取方法的方案。

以下对本申请实施例的技术方案的实现细节进行详细阐述：

图2示出了根据本申请的一个实施例的训练数据的获取方法的流程示意图。参照图2所示，该训练数据的获取方法至少包括步骤S210至步骤S250，详细介绍如下：

在步骤S210中，获取各待选视频对应的标签信息，所述标签信息由所述待选视频的发布者进行编辑得到。

其中，待选视频可以是由视频发布者发布在视频平台或者互联网上的视频。

标签信息可以是用以表征视频所包含的内容的信息，发布者在发布视频时，可以手动编辑该视频对应的标签信息，以表征该视频所包含的内容。例如发布者发布了包含食物的视频，则可以将该视频的标签信息编辑为“美食”、“晚餐”等。由此，视频的观看者或者服务器可以通过视频对应的标签信息直观的知晓视频所包含的内容。

需要说明的是，单个视频可以对应一个标签信息，也可以对应多个标签信息，例如两个或者两个以上的任意数量等，且不同视频所对应的标签信息可以相同也可以不同，本申请对此不作特殊限定。当然，若发布者未编辑视频对应标签信息，也可以对该视频进行发布。

在本申请一示例性实施例中，发布者可以在发布视频时编辑该视频所对应的标签信息，服务器可以将该标签信息与视频进行对应存储，并在播放该视频时，可以在指定区域显示该视频对应的标签信息，以供用户进行获取。例如，可以在视频播放界面的正下方或者左下方等区域进行显示，等等。

服务器可以将在视频平台或者互联网上所发布的视频作为待选视频，并获取与该待选视频对应的标签信息。应该理解的，由于标签信息由视频的发布者进行编辑而得到的，因此，该标签信息能够准确表征出该视频所包含的内容，后续则无需人工对该视频进行标注。

在步骤S220中，根据所述标签信息的数量信息，从所述标签信息中确定目标标签信息。

其中，目标标签信息可以是出现频率较高的标签信息。应该理解的，目标标签信息的出现频率较高则表示该目标标签信息所对应的内容更受公众所喜欢，作为训练数据也更具有意义。可以避免采用包含较偏的内容的视频生成训练数据，保证训练数据的质量。

在本申请一示例性实施例中，服务器可以根据各待选视频所对应的标签信息，统计各标签信息的出现次数，再根据各标签信息的出现次数识别出目标标签信息，从而得到更受公众所喜欢的目标标签信息。

在步骤S230中，根据所述目标标签信息对应的待选视频的数量信息，从所述目标标签信息对应的待选视频中确定目标视频。

在本申请一示例性实施例中，服务器可以计算各目标标签信息所对应的待选视频的数量，并根据该数量，从目标标签信息所对应的待选视频中确定目标视频。例如，若某一目标标签信息所对应的待选视频的数量过多(如大于2000个)，则服务器可以从该目标标签信息所对应的待选视频中抽取部分视频以作为目标视频等，以避免单一目标标签信息所对应的目标视频过多，影响训练数据的组成；若某一目标标签信息所对应的待选视频数量过少(如小于或等于500个)，则可以将该目标标签信息所对应的待选视频全部识别为目标视频，防止单一目标标签信息所对应的目标视频过少，影响训练数据的组成等。

在步骤S240中，根据所述目标视频对应的视频信息，确定所述目标视频对应的视频特征数据，所述视频信息包括图像信息、音频信息和文字信息中的至少两个。

其中，视频信息可以是目标视频所包含的内容，该视频信息可以包含多个类别的信息，例如视频信息可以包含图像、音频以及文字(如字幕)等类别。

视频特征数据可以用于表征该目标数据所包含的内容的特征信息，根据目标视频对应的视频信息，生成该目标视频对应的视频特征数据，可以准确表达出该目标视频对应的特征信息。需要说明的，一个目标视频对应于一个视频特征数据，不同目标视频所对应的视频特征数据可以相同也可以不同。

在本申请一示例性实施例中，服务器可以基于各目标视频的视频信息，生成与该视频信息对应的视频特征数据。在一示例中，服务器可以采用向量形式表示该视频特征数据，以便于后续处理。具体地，服务器可以基于目标视频对应的多个类别的视频信息，生成与多个类别的视频信息分别对应的特征向量，再对多个特征向量进行整合，以得到该目标视频对应的视频特征向量，并将该视频特征向量，作为该目标视频的视频特征数据。

在步骤S250中，根据各所述目标视频对应的视频特征数据以及标签信息，生成与各所述目标视频对应的目标训练数据。

在本申请一示例性实施例中，服务器可以将计算所得到的目标视频的视频特征数据与该目标视频对应的标签信息进行关联存储，以得到与该目标视频对应的目标训练数据。

在后续对视频分类模型进行训练时，可以将目标训练数据中的视频特征数据作为输入，以使视频分类模型输出对应的分类信息，并将该分类信息与该视频特征数据关联的标签信息进行比较，根据比较结果对视频分类模型进行调参，保证视频分类模型的准确性。

需要说明的，该视频分类模型可以是由本领域技术人员预先构建的，用以对视频所包含的内容进行分类的模型。通过该视频分类模型的设置，可以提高视频平台或者网站对视频的分类效率，并达到精确推送的目的。

在图2所示的实施例中，通过获取各待选视频对应的标签信息，该标签信息由待选视频的发布者进行编辑得到，根据标签信息的数量信息，从标签信息中确定目标标签信息，并根据目标标签信息对应的待选视频的数量信息，从目标标签信息所对应的待选视频中确定目标视频，再根据目标视频对应的视频信息，确定目标视频对应的视频特征数据，以根据各目标视频对应的视频特征数据以及标签信息，生成与各目标标签信息对应的目标训练数据。由此，无需人工进行标注，即可生成有监督的目标训练数据，不仅提高了目标训练数据的获取效率，同时也保证了目标训练数据的数据质量。

基于图2所示的实施例，图3示出了根据本申请的一个实施例的图2的训练数据的获取方法中步骤S220的流程示意图。参照图3所示，步骤S220至少包括步骤S310至步骤S320，详细介绍如下：

在步骤S310中，根据所述标签信息，统计各所述标签信息对应的出现次数。

在本申请一示例性实施例中，服务器可以遍历待选视频所对应的标签信息，并对各个标签信息的出现次数进行统计。具体地，预先将每一标签信息的出现次数初始化为0，在遍历待选视频的标签信息的过程时，若某一标签信息出现一次，则将该标签信息的出现次数累计加一，由此，遍历结束之后即可得到每一标签信息对应的出现次数。

在步骤S320中，根据各所述标签信息对应的出现次数，从所述标签信息中识别出目标标签信息。

在本申请一示例性实施例中，服务器可以将每一标签信息对应的出现次数与预定阈值进行比较，例如该预定阈值为600，则若某一标签信息对应的出现次数大于或等于600，则将该标签信息识别为目标标签信息，等等。

在本申请另一示例性实施例中，服务器可以按照标签信息的出现次数从大到小的顺序对各个标签信息进行排序，得到标签信息序列。在一示例中，服务器可以从标签信息序列中选取排列在预定次序之前的标签信息作为目标标签信息，例如预定次序为200，则服务器可以从标签信息序列中选取排列在前200名的标签信息作为目标标签信息；在另一示例中，服务器可以根据预先设定的比例，从标签信息序列中选取排列在预定比例之前的标签信息作为目标标签信息，例如预定比例为30％，则服务器可以从标签信息序列中选取排列在前30％的标签信息作为目标标签信息等。本领域技术人员可以根据实际实现需要，确定对应的目标标签信息确定策略，本申请对此不作特殊限定。

由此，在图3所示的实施例中，通过根据标签信息的出现次数，从标签信息中确定目标标签信息，保证了目标标签信息的受众范围，进而保证了后续训练数据的实用性。

基于图2所示的实施例，图4示出了根据本申请的一个实施例的图2的训练数据的获取方法中步骤S230的流程示意图。参照图4所示，步骤S230至少包括步骤S410至步骤S430，详细介绍如下：

在步骤S410中，根据各所述目标标签信息对应的待选视频，确定各所述目标标签信息对应的待选视频的数量以及发布者的数量。

在本申请一示例性实施例中，服务器可以根据各目标标签信息对应的待选视频，确定各目标标签信息对应的待选视频的数量，以及各目标标签信息所对应的发布者的数量。应该理解的，对于同一发布者，在计算目标标签信息对应的发布者的数量时只记一次。由此，根据目标标签信息对应的发布者的数量，即可知晓有多少发布者发布了相同标签信息的视频。

在步骤S420中，根据各所述目标标签信息对应的待选视频的数量以及发布者的数量，对各所述目标标签信息对应的待选视频进行数量优化处理。

其中，数量优化处理可以是平衡各目标标签信息对应的待选视频的数量的处理过程。通过数量优化处理，可以避免极端情况的发生，例如某一目标标签信息所对应的待选视频过多或过少、或者在某一目标标签信息内，单个发布者所发布的待选视频过多等等。

在本申请一示例性实施例中，服务器可以根据每一目标标签信息对应的待选视频的数量以及发布者的数量，对各目标标签信息对应的待选视频进行数量优化处理。例如，当某一目标标签信息对应的待选视频的数量过多时，则去除该目标标签信息对应的部分待选视频，若在某一目标标签信息所对应的待选视频中，单个发布者发布的待选视频过多，则去除掉部分该发布者所发布的与该目标标签信息对应的待选视频，以避免某一发布者在某一目标标签信息中发布了过多视频，影响目标训练数据的适用范围等情况发生。

在步骤S430中，将数量优化处理后的各所述目标标签信息对应的待选视频识别为目标视频。

在该步骤中，服务器可以将数量优化处理后所剩下的各个目标标签信息对应的待选视频识别为目标视频。

由此，在图4所示的实施例中，通过根据目标标签信息对应的待选视频的数量以及发布者的数量对各目标标签信息对应的待选视频进行数量优化处理，可以优化后续目标训练数据中对应于各目标标签信息的训练数据的组成情况，以保证目标训练数据的实用性，进而保证目标训练数据的质量。

基于图2和图4所示的实施例，在本申请的一个示例性实施例中，所述根据各所述目标标签信息对应的待选视频的数量以及发布者的数量，对各所述目标标签信息对应的待选视频进行数量优化处理，包括：

若所述目标标签信息对应的待选视频的数量大于第一预定数量，对所述目标标签信息对应的待选视频进行删减处理；

若所述目标标签信息对应的发布者的数量小于第二预定数量，删除所述目标标签信息对应的待选视频；

若在所述目标标签信息对应的待选视频中单个发布者发布的待选视频的数量大于第三预定数量，对所述单个作者发布的待选视频进行删减处理。

在该实施例中，服务器可以将每一目标标签信息对应的待选视频的数量与第一预定数量进行比较，其中，该第一预定数量可以是用于确定每一目标标签信息所对应的待选视频的数量上限的阈值，其可以由本领域技术人员根据在先经验进行设定。若某一目标标签信息对应的待选视频的数量大于第一预定数量，则表示该目标标签信息对应的待选视频的数量过多，因此，可以将该目标标签信息对应的待选视频进行删减处理，以减少该目标标签信息所对应的待选视频的数量，使其小于或等于第一预定数量。

在一示例中，在进行删减处理时，服务器可以随机从该目标标签信息对应待选视频中选取待选视频进行删减；在另一示例中，服务器也可以按照待选视频的发布时间的先后顺序，优先将发布时间在先的待选视频进行删减，从而保证剩下的待选视频能够符合当前的热门趋势。

服务器还可以将目标标签信息对应的发布者的数量与预先设定的第二预定数量进行比较，若其小于第二预定数量，则表示该目标标签信息对应的发布者的数量过少(例如只有一个或两个)，说明该目标标签信息对应的内容并不是被大部分公众所接受，只有极小数量的受众群体。所以，为保证目标训练数据的合理性，将该目标标签信息对应的待选视频进行删除。

服务器还可以统计在每一目标标签信息对应的待选视频中，每一发布者所发布的待选视频的数量，并将该数量与预先设定的第三预定数量进行比较，若该数量大于第三预定数量，则表示在该目标标签信息对应的待选视频中，单个作者所发布的待选视频数量过多。由此，可以在该目标标签信息对应的待选视频中，对该单个作者所发布的待选视频进行删减处理，以使单个发布者发布的待选视频的数量小于或等于第三预定数量。同样的，删减处理步骤可以参考在先所述的删减方式，本申请在此不再赘述。

基于图2所示的实施例，图5示出了根据本申请的一个实施例的图2的训练数据的获取方法中步骤S240的流程示意图。参照图5所示，步骤S240至少包括步骤S510至步骤S520，详细介绍如下：

在步骤S510中，根据所述目标视频对应的不同类别的视频信息，获取所述目标视频与各类别的视频信息分别对应的待处理特征向量。

在本申请一示例性实施例中，视频信息可以包括图像信息、音频信息以及文字信息，服务器可以基于各个类别的视频信息，分别生成与该类别的视频信息对应的待处理特征向量，例如，服务器可以基于图像信息进行特征提取，生成与该图像信息对应的图像特征向量，可以基于音频信息进行特征提取，生成与该音频信息对应的音频特征向量，等等。本领域技术人员可以预先设定特征向量的维数，以便于后续不同待处理特征向量之间的融合或拼接等。

在步骤S520中，根据所述目标视频对应的待处理特征向量，生成所述目标视频对应的目标特征向量。

在本申请一示例性实施例中，服务器可以将目标视频所对应的多个待处理特征向量进行整合，例如拼接或者融合等，从而生成与目标视频对应的目标特征向量。应该理解的，该目标特征向量包含了目标视频所对应的各类别的视频信息的视频特征，因此可以准确表示出该目标视频所包含的内容，保证了后续的训练结果的准确性。

基于图2和图5所示的实施例，在本申请的一示例性实施例中，所述根据所述目标视频对应的待处理特征向量，生成所述目标视频对应的目标特征向量，包括：

将各所述待处理特征向量进行拼接，生成所述目标视频对应的目标特征向量。

在该实施例中，服务器可以按照预先设定的拼接顺序，对多个待处理特征向量进行拼接，从而生成目标视频对应的目标特征向量。例如目标视频对应有图像特征向量、音频特征向量和文字特征向量，拼接顺序为：文字、图像以及音频，则服务器可以在拼接时，将文字特征向量中的元素按照顺序排列在前，图像特征向量的元素按照顺序排列在中，最后则为音频特征向量的元素，以生成该目标视频对应的目标特征向量。

应该理解的，通过直接拼接的方式生成目标特征向量，可以提高目标特征向量的生成效率，进而提高了训练数据的获取效率。

基于图2和图5所示的实施例，图6示出了根据本申请的另一个实施例的图5的训练数据的获取方法中步骤S520的流程示意图。参照图6所示，步骤S520至少包括步骤S610至步骤S620，详细介绍如下：

在步骤S610中，获取与各所述待处理特征向量对应的向量权重。

在本申请一示例性实施例中，本领域技术人员可以根据在先经验预先设定与各个类别的视频信息的特征向量对应的向量权重。应该理解的，不同类别的特征向量所对应的向量权重可以相同也可以不同，本申请对此不作特殊限定。例如与图像特征向量对应的向量权重为0.3、与音频特征向量对应的向量权重为0.3、与文字特征向量对应的向量权重为0.4等。

在步骤S620中，根据各所述待处理特征向量以及与各所述待处理特征向量对应的向量权重，生成所述目标视频对应的目标特征向量。

在本申请一示例性实施例中，服务器可以将每一待处理特征向量中的元素乘以该待处理特征向量对应的向量权重，再将相乘之后的多个待处理特征向量的元素进行对应相加，从而实现待处理特征向量之间的加权和计算，得到与目标视频对应的目标特征向量。应该理解的，若视频信息的类别为两个，则为两个待处理特征向量之间的加权和计算，若视频信息的类别为三个或者多个，则为三个或者多个待处理特征向量之间的加权和计算。

基于图2和图5所示的实施例，图7示出了根据本申请的又一个实施例的图5的训练数据的获取方法中步骤S520的流程示意图。参照图7所示，步骤S520至少包括步骤S710至步骤S720，详细介绍如下：

在步骤S710中，获取与各所述待处理特征向量中包含的各元素对应的元素权重。

在本申请一示例性实施例中，本领域技术人员可以根据在先经验预先设定各待处理特征向量中各元素所对应的元素权重，并将该元素权重进行存储，以供服务器进行读取。需要说明的，在同一待处理特征向量中各个元素所对应的元素向量可以相同也可以不同。

在步骤S720中，根据各所述待处理特征向量以及与各所述待处理特征向量中包含的各元素对应的元素权重，生成所述目标视频对应的目标特征向量。

在本申请一示例性实施例中，服务器可以将每一待处理特征向量中的元素乘以该元素对应的元素权重，再将相乘之后得的多个待处理特征向量中的元素进行对应相加，以得到目标视频对应的目标特征向量。

在图7所示的实施例中，通过设定元素权重，可以精确的表示出待处理特征向量中每一元素的重要程度，进而保证所生成的目标特征向量的精确度。

基于图2和图5所示的实施例，图8示出了根据本申请的一个实施例的图5的训练数据的获取方法中步骤S510的流程示意图。参照图8所示，所述视频信息包括图像信息、音频信息和文字信息，步骤S510至少包括步骤S810至步骤S840，详细介绍如下：

在步骤S810中，根据所述目标视频的图像信息，采用局部聚合向量算法得到所述图像信息对应的图像特征向量。

在本申请一示例性实施例中，服务器可以对目标视频进行分帧处理，从而得到该目标视频对应的视频帧，例如服务器可以每隔一秒生成一个视频帧，等等。服务器可以将得到视频帧作为该目标视频的图像信息。服务器可以采用预先构建的卷积神经网络对视频帧进行特征提取，并采用局部聚合向量(Vector of locally descriptors，VLAD)算法得到该图像信息对应图像特征向量。需要说明的，本领域技术人员也可以采用其他现有的图像特征提取方式，本申请对此不作特殊限定。

在步骤S820中，根据所述目标视频的音频信息，获取所述音频信息对应的梅尔频率倒谱系数。

其中，梅尔频率倒谱(Mel-Frequency Cepstrum)是基于声音频率的非线性梅尔刻度(mel scale)的对数能量频谱的线性变换。梅尔频率倒谱系数(Mel-Frequency CepstralCoefficient，MFCC)就是组成梅尔频率倒谱的系数。它衍生自音讯片段的倒频谱(cepstrum)。倒谱和梅尔频率倒谱的区别在于，梅尔频率倒谱的频带划分是在梅尔刻度上等距划分的，它比用于正常的对数倒频谱中的线性间隔的频带更能近似人类的听觉系统。这样的非线性表示，可以在多个领域中使声音信号有更好的表示。

具体地，在获取所述音频信息对应的梅尔频率倒谱系数主要包括以下步骤：

(1)将一段语音信号分解为多个讯框。

(2)将语音信号预强化，通过一个高通滤波器。

(3)进行傅立叶变换，将信号变换至频域。

(4)将每个讯框获得的频谱通过梅尔滤波器(三角重叠窗口)，得到梅尔刻度。

(5)在每个梅尔刻度上提取对数能量。

(6)对上面获得的结果进行离散傅里叶反变换，变换到倒频谱域。

(7)MFCC就是这个倒频谱图的幅度。一般使用12个系数，与讯框能量叠加得13维的系数。

可以理解的，假设在较短的时间跨度范围内，语音信号的变换是平坦的，本申请定义这个时间跨度为100ms，这样既能够保证一帧内有足够多的周期，又不会变化太剧烈。每帧信号通常要与一个平滑的窗函数相乘，让帧两端平滑地衰减到零，这样可以降低傅里叶变换后旁瓣的强度，取得更高质量的频谱。对每一帧选择一个窗函数，窗函数的宽度就是帧长。由于信号在时域上的变换通常很难看出信号的特性，所以通常将它转换为频域上的能量分布来观察，不同的能量分布，就能代表不同语音的特性。所以在乘上窗函数后，每帧还必须再经过快速傅里叶变换以得到在频谱上的能量分布。梅尔频率倒谱系数(MelFrequency Cepstrum Coefficient,MFCC)考虑到了人类的听觉特征，先将线性频谱映射到基于听觉感知的Mel非线性频谱中，然后转换到倒谱上。

在步骤S830中，根据所述梅尔频率倒谱系数，得到所述目标视频对应的音频特征向量。

在该实施例中，服务器可以将上述所得到的13维系数的梅尔频率倒谱系数作为该目标视频对应的音频特征向量。

在步骤S840中，根据所述目标视频的图像信息、音频信息以及文字信息，得到所述目标视频对应的文字特征向量。

在本申请一示例性实施例中，可以理解的，图像信息以及音频信息中都可以包含文字信息，服务器可以根据目标视频的图像信息、音频信息以及文字信息，获取该目标视频对应的文字内容，从而生成该目标视频对应的文字特征向量，保证了所生成的文字特征向量的全面性。

在图8所示的实施例中，通过生成与图像信息、音频信息以及文字信息对应的图像特征向量、音频特征向量以及文字特征向量，保证了目标视频的特征数据的精确性，进而提高了后续视频分类模型的训练效果。

基于图2、图5和图8所示的实施例，图9示出了根据本申请的一个实施例的图8的训练数据的获取方法中步骤S840的流程示意图。参照图9所示，步骤S840至少包括步骤S910至步骤S930，详细介绍如下：

在步骤S910中，根据所述目标视频对应的图像信息进行图像识别，获取所述图像信息中包含的第一待处理文本信息。

在本申请一示例性实施例中，服务器可以对目标视频对应的图像信息进行图像识别(例如光学字符识别(Optical Character Recognition，OCR)，等等)，从而识别出该图像信息所包含的文本内容，并将该文本内容作为第一待处理文本信息。

在步骤S920中，根据所述目标视频对应的音频信息进行语音识别，获取所述音频信息对应的第二待处理文本信息。

在本申请一示例性实施例中，服务器可以采用现有的语音识别技术，对目标视频所对应的音频信息进行语音识别，从而得到该音频信息包含的文本内容，例如音频信息中人物的话语等，并将该文本内容作为第二待处理文本信息。

在步骤S930中，根据所述第一待处理文本信息、所述第二待处理文本信息以及所述目标视频的文字信息，生成所述目标视频对应的文字特征向量。

在本申请一示例性实施例中，服务器可以将所获取得到的第一待处理文本信息、第二待处理文本信息以及目标视频的文字信息进行整合，得到该目标视频的完整文本描述。服务器可以采用现有的文字特征提取方式对该完整文本描述进行特征提取，从而生成该目标视频对应的文字特征向量。在一示例中，服务器可以采用双向LSTM对该完整文本描述进行特征提取，该双向LSTM可以可以更好的提取文本的上下文结构信息，从时空维度完成特征提取，保证了所生成的文字特征向量的准确度。

基于图2所示的实施例，图10示出了根据本申请的一个实施例的图2的训练数据的获取方法中还包括的获取待选视频的流程示意图。参照图10所示，获取待选视频至少包括步骤S1010至步骤S1030，详细介绍如下：

在步骤S1010中，每隔预定周期获取预定时段内的发布视频。

其中，发布视频可以是在视频平台或者互联网上发布的所有的视频。应该理解的，发布者在发布视频时，服务器可以记录该发布视频的发布时间，并将该发布时间与该发布视频进行关联。

在本申请一示例性实施例中，服务器可以每隔预定周期获取预定时段内的发布视频，其中，该预定周期和预定时段均可以由本领域技术人员根据实际实现需要预先设定，例如预定周期可以为24小时，预定时段为30天，那么服务器可以每隔24小时获取30天内的发布的视频的相关信息，等等。

在步骤S1020中，根据所述发布视频，按照预定规则对所述发布视频进行过滤处理。

其中，预定规则可以是用于确定视频的安全性的规则信息，其可以由本领域技术人员根据安全规范预先进行设定，以去除不符合安全规范的发布视频。

在本申请一示例性实施例中，服务器可以基于每一发布视频的视频信息，从而确定该发布视频中是否存在违规内容，例如是否存在涉政、涉黄、违规水印或者抄袭搬运等情况。为了便于目标训练数据的获取，还可以确定发布视频是否存在无标签信息的情况，若存在，则将其舍去，以保证有监督的目标训练数据的生成。

在步骤S1030中，将过滤处理后的所述发布视频识别为待选视频。

在图10所示的实施例中，通过预定规则的设定，可以保证所确定的待选视频的合法性，进而保证了后续生成的目标训练数据的质量。

根据本申请的一个实施例，本申请还提供了一种视频推送方法，该方法包括：

获取待推送视频的视频信息，所述视频信息包括图像信息、音频信息和文字信息中的至少两个；

将所述待推送视频的视频信息输入至视频分类模型中，得到所述视频分类模型输出的与所述待推送视频对应的类别信息，所述视频分类模型的训练数据由上述实施例所述的训练数据的获取方法得到；

根据所述待推送视频对应的类别信息，确定所述待推送视频对应的目标推送对象；

向所述目标推送对象推送所述待推送视频。

在该实施例中，待推送视频可以是最新发布的视频，服务器在检测到有发布者发布视频时，即可获取该视频的视频信息并将该视频作为待推送视频。将该待推送视频的视频信息输入至预先训练完成的视频分类模型中，以得到由视频分类模型输出的该待推送视频的类别信息。其中，该视频分类模型的训练数据由上述实施例所述的训练数据的获取方法得到，提高了训练数据的获取效率，同时保证训练数据的质量。

服务器可以根据待推送视频的类别信息与每一用户的用户画像进行比较，根据二者之间的相似度，确定待推送视频对应的目标推送对象，再向该目标推送对象推送该视频。由此，在新发布的视频未具有足够多的用户行为(例如转发、点赞、评论等)时，即可完成对新发布的视频的分类，以提高视频推送的精确度。

基于上述实施例的技术方案，以下介绍本申请实施例的一个具体应用场景：

图11示出了根据本申请的一个实施例的视频分类模型的训练方法的流程框图。

如图11中1110所示，服务器可以获取视频号在预定时间段内所发表的视频数据(即发布视频)，以下以90天为例进行说明。在获取到90天内所发布的视频之后，服务器可以根据发布视频的视频信息进行安全过滤，例如安全审核过滤(是否存在涉黄、涉政等)、违规水印过滤、抄袭搬运过滤以及无话题内容过滤。其中，话题即为标签信息，由发布者在发布视频时进行编辑而生成。

如图11中1120所示，在对视频数据进行安全过滤之后，根据剩下的视频(即待选视频)的标签信息，统计各标签信息的出现次数，以从标签信息中识别出目标标签信息，再根据目标标签信息对应的数量信息，如目标标签信息对应的待选视频的数量、作者的数量、单个作者发布的待选视频的数量等，对目标标签信息对应的待选视频进行单个话题包含最少作者数限制、单个话题作者最大贡献量限制、单个话题最大、最小样本数限制以及话题间平衡性限制(避免某一目标标签信息对应的待选视频过多或过少的情况发生)，以得到目标视频。

如图11中1130所示，根据所确定的目标视频，下载该目标视频对应的视频信息，并对应获取该视频信息的语音识别结果、获取文字识别结果、音频频谱特征以及视频采样帧等，以对上述信息进行整合得到该目标视频的视频特征数据。再将该视频特征数据进行存储，得到目标训练数据，其中该实施例将视频特征数据以二进制形式进行存储。

如图11中1140所示，服务器可以获取所存储目标训练数据，用以实时对视频分类模型进行更新和训练，服务器也可以基于该目标训练数据识别得到新增的热点话题，例如根据某一话题对应的视频的增长率进行识别等。

由此，在图11中所示的实施例中，通过获取具有标签信息的待选视频进行有监督的目标训练数据的生成，无需人工进行标注，提高了目标训练数据的获取效率，同时基于多种类别的视频信息，生成目标视频的视频特征数据，保证了目标训练数据的质量，保证了后续视频分类模型的训练效果。

以下介绍本申请的装置实施例，可以用于执行本申请上述实施例中的训练数据的获取方法。对于本申请装置实施例中未披露的细节，请参照本申请上述的训练数据的获取方法的实施例。

图12示出了根据本申请的一个实施例的训练数据的获取装置的框图。

参照图12所示，根据本申请的一个实施例的训练数据的获取装置，包括：

获取模块1210，用于获取各待选视频对应的标签信息，所述标签信息由所述待选视频的发布者进行编辑得到；

第一确定模块1220，用于根据所述标签信息的数量信息，从所述标签信息中确定目标标签信息；

第二确定模块1230，用于根据所述目标标签信息对应的待选视频的数量信息，从所述目标标签信息对应的待选视频中确定目标视频；

第三确定模块1240，用于根据所述目标视频对应的视频信息，确定所述目标视频对应的视频特征，所述视频信息包括图像信息、音频信息和文字信息中的至少两个；

处理模块1250，用于根据各所述目标视频对应的视频特征以及标签信息，生成与各所述目标视频分别对应的目标训练数据。

在本申请的一些实施例中，基于前述方案，该第一确定模块1220被配置为：根据所述标签信息，统计各所述标签信息对应的出现次数；根据各所述标签信息对应的出现次数，从各所述目标标签信息中识别出目标标签信息。

在本申请的一些实施例中，基于前述方案，该第二确定模块1230被配置为：根据各所述目标标签信息对应的待选视频，确定各所述目标标签信息对应的待选视频的数量以及发布者的数量；根据各所述目标标签信息对应的待选视频的数量以及发布者的数量，对各所述目标标签信息对应的待选视频进行数量优化处理；将数量优化处理后的各所述目标标签信息对应的待选视频识别为目标视频。

在本申请的一些实施例中，基于前述方案，该第二确定模块1230被配置为：若所述目标标签信息对应的待选视频的数量大于第一预定数量，对所述目标标签信息对应的待选视频进行删减处理；若所述目标标签信息对应的发布者的数量小于第二预定数量，删除所述目标标签信息对应的待选视频；若在所述目标标签信息对应的待选视频中单个发布者发布的待选视频的数量大于第三预定数量，对所述单个作者发布的待选视频进行删减处理。

在本申请的一些实施例中，基于前述方案，该第三确定模块1240被配置为：根据所述目标视频对应的不同类别的视频信息，获取所述目标视频与各类别的视频信息分别对应的待处理特征向量；根据所述目标视频对应的待处理特征向量，生成所述目标视频对应的目标特征向量。

在本申请的一些实施例中，基于前述方案，该第三确定模块1240被配置为：将各所述待处理特征向量进行拼接，生成所述目标视频对应的目标特征向量。

在本申请的一些实施例中，基于前述方案，该第三确定模块1240被配置为：获取与各所述待处理特征向量对应的向量权重；根据各所述待处理特征向量以及与各所述待处理特征向量对应的向量权重，生成所述目标视频对应的目标特征向量。

在本申请的一些实施例中，基于前述方案，该第三确定模块1240被配置为：获取与各所述待处理特征向量中包含的各元素对应的元素权重；根据各所述待处理特征向量以及与各所述待处理特征向量中包含的各元素对应的元素权重，生成所述目标视频对应的目标特征向量。

在本申请的一些实施例中，基于前述方案，所述视频信息包括图像信息、音频信息和文字信息；该第三确定模块1240被配置为：根据所述目标视频的图像信息，采用局部聚合向量算法得到所述图像信息对应的图像特征向量；根据所述目标视频的音频信息，获取所述音频信息对应的梅尔频率倒谱系数；根据所述梅尔频率倒谱系数，得到所述目标视频对应的音频特征向量；根据所述目标视频的图像信息、音频信息以及文字信息，得到所述目标视频对应的文字特征向量。

在本申请的一些实施例中，基于前述方案，该第三确定模块1240被配置为：根据所述目标视频对应的图像信息进行图像识别，获取所述图像信息中包含的第一待处理文本信息；根据所述目标视频对应的音频信息进行语音识别，获取所述音频信息对应的第二待处理文本信息；根据所述第一待处理文本信息、所述第二待处理文本信息以及所述目标视频的文字信息，生成所述目标视频对应的文字特征向量。

在本申请的一些实施例中，基于前述方案，所述获取各待选视频对应的标签信息之前，该获取模块1210还被配置为：每隔预定周期获取预定时段内的发布视频；根据所述发布视频，按照预定规则对所述发布视频进行过滤处理；将过滤处理后的所述发布视频识别为待选视频。

图13示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。

需要说明的是，图13示出的电子设备的计算机系统仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图13所示，计算机系统包括中央处理单元(Central Processing Unit，CPU)1301，其可以根据存储在只读存储器(Read-Only Memory，ROM)1302中的程序或者从储存部分1308加载到随机访问存储器(Random Access Memory，RAM)1303中的程序而执行各种适当的动作和处理，例如执行上述实施例中所述的方法。在RAM 1303中，还存储有系统操作所需的各种程序和数据。CPU 1301、ROM 1302以及RAM 1303通过总线1304彼此相连。输入/输出(Input/Output，I/O)接口1305也连接至总线1304。

以下部件连接至I/O接口1305：包括键盘、鼠标等的输入部分1306；包括诸如阴极射线管(Cathode Ray Tube，CRT)、液晶显示器(Liquid Crystal Display，LCD)等以及扬声器等的输出部分1307；包括硬盘等的储存部分1308；以及包括诸如LAN(Local AreaNetwork，局域网)卡、调制解调器等的网络接口卡的通信部分1309。通信部分1309经由诸如因特网的网络执行通信处理。驱动器1310也根据需要连接至I/O接口1305。可拆卸介质1311，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器1310上，以便于从其上读出的计算机程序根据需要被安装入储存部分1308。

特别地，根据本申请的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本申请的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的计算机程序。在这样的实施例中，该计算机程序可以通过通信部分1309从网络上被下载和安装，和/或从可拆卸介质1311被安装。在该计算机程序被中央处理单元(CPU)1301执行时，执行本申请的系统中限定的各种功能。

需要说明的是，本申请实施例所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(Erasable Programmable Read Only Memory，EPROM)、闪存、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory，CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的计算机程序。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的计算机程序可以用任何适当的介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。其中，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现，所描述的单元也可以设置在处理器中。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该电子设备执行时，使得该电子设备实现上述实施例中所述的方法。

应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本申请的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本申请实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本申请实施方式的方法。

本领域技术人员在考虑说明书及实践这里公开的实施方式后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。

应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。