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。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方式中。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方式的充分理解。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省略所述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技术方案以避免喧宾夺主而使得本申请的各方面变得模糊。

此外，附图仅为本申请的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。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。

在识别视频标签的相关技术中，可以采用多模态特征对视频的标签进行预测，整个模型分为两个阶段，首先进行单模态特征的提取，然后进行多模态特征的融合预测，具有较高的灵活性，能够满足大数据场景的需求。例如，利用预训练模型提取视频的词向量得到文本模态，利用卷积网络提取视频的图像特征，得到图像模态，利用卷积网络提取音频特征得到音频模态，然后将多模态的信息进行交互融合，整合成统一的表征向量，预测视频的标签。但是，这种方案只能在概念性标签和少部分实体标签上取得成果，对于需要精细化理解的专家领域的标签上，识别效果难以满足实际需求。并且，这种方案需要积累大量的训练数据，而实际场景中视频更新的速度非常快，导致模型预测的标签难以保持时效性。

基于此，本示例性实施方式提供一种标签识别方法，能够克服上述一个或多个问题。图1示出了可以应用本申请实施例的一种标签识别方法的示例性应用环境的系统架构的示意图。

如图1所示，该系统架构100可以包括终端设备101、102、103中的一个或多个，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。终端设备101、102、103可以是具有显示屏的各种电子设备，包括但不限于台式计算机、便携式计算机、智能手机和平板电脑等等。应该理解，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备、网络和服务器。比如服务器105可以是多个服务器组成的服务器集群等。

本申请实施例所提供的标签识别方法一般由服务器105执行，相应地，标签识别装置一般设置于服务器105中。但本领域技术人员容易理解的是，本申请实施例所提供的标签识别方法也可以由终端设备101、102、103执行，相应的，标签识别装置也可以设置于终端设备101、102、103中，本示例性实施例中对此不做特殊限定。

图2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2示出的电子设备的计算机系统200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2所示，计算机系统200包括中央处理单元(CPU)201，其可以根据存储在只读存储器(ROM)202中的程序或者从存储部分208加载到随机访问存储器(RAM)203中的程序而执行各种适当的动作和处理。在RAM 203中，还存储有系统操作所需的各种程序和数据。CPU201、ROM 202以及RAM 203通过总线204彼此相连。输入/输出(I/O)接口205也连接至总线204。

以下部件连接至I/O接口205：包括键盘、鼠标等的输入部分206；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分207；包括硬盘等的存储部分208；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分209。通信部分209经由诸如因特网的网络执行通信处理。驱动器210也根据需要连接至I/O接口205。可拆卸介质211，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210上，以便于从其上读出的计算机程序根据需要被安装入存储部分208。

特别地，根据本申请的实施例，下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程序代码。在这样的实施例中，该计算机程序可以通过通信部分209从网络上被下载和安装，和/或从可拆卸介质211被安装。在该计算机程序被中央处理单元(CPU)201执行时，执行本申请的方法和装置中限定的各种功能。在一些实施例中，计算机系统200还可以包括AI(ArtificialIntelligence，人工智能)处理器，该AI处理器用于处理有关机器学习的计算操作。

人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。

人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。

计算机视觉技术(Computer Vision,CV)计算机视觉是一门研究如何使机器“看”的科学，更进一步的说，就是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科，计算机视觉研究相关的理论和技术，试图建立能够从图像或者多维数据中获取信息的人工智能系统。计算机视觉技术通常包括图像处理、图像识别、图像语义理解、图像检索、OCR(Optical Character Recognition，光学字符识别)、视频处理、视频语义理解、视频内容/行为识别、三维物体重建、3D技术、虚拟现实、增强现实、同步定位与地图构建等技术，还包括常见的人脸识别、指纹识别等生物特征识别技术。

语音技术(Speech Technology)的关键技术有自动语音识别技术(AutomaticSpeech Recognition，ASR)和语音合成技术(Text To Speech，TTS)以及声纹识别技术。让计算机能听、能看、能说、能感觉，是未来人机交互的发展方向，其中语音成为未来最被看好的人机交互方式之一。

自然语言处理(Nature Language processing,NLP)是计算机科学领域与人工智能领域中的一个重要方向。它研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法。自然语言处理是一门融语言学、计算机科学、数学于一体的科学。因此，这一领域的研究将涉及自然语言，即人们日常使用的语言，所以它与语言学的研究有着密切的联系。自然语言处理技术通常包括文本处理、语义理解、机器翻译、机器人问答、知识图谱等技术。

机器学习(Machine Learning,ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。

以下对本申请实施例的技术方案进行详细阐述：

图3示意性示出了根据本申请的一实施例的标签识别方法的流程图。该标签识别方法可以应用于上述服务器105，也可以应用于上述终端设备101、102、103中的一个或多个，本示例性实施例中对此不做特殊限定。参考图3所示，该标签识别方法可以包括以下步骤：

步骤S310.提取待识别视频的多模态特征，利用所述多模态特征确定所述待识别视频的第一标签。

步骤S320.对所述待识别视频进行分类识别，获取所述待识别视频的类别，基于所述待识别视频的类别识别出所述待识别视频的第二标签。

步骤S330.通过实时更新的新热标签集合获取所述待识别视频的第三标签，结合所述第一标签、所述第二标签以及所述第三标签确定待识别视频的视频标签。

在本示例性实施方式提供的标签识别方法中，一方面，通过多模态特征从整体上确定视频的第一标签，从而保证标签的通用性；另一方面，对视频进行分类细化，按照视频的类别有针对性地确定第二标签，能够提高标签的精准性；再一方面，通过新热标签集合针对实时热点内容进行识别，能够提高标签的时效性。并且，第一标签、第二标签以及第三标签相互之间数据依赖较少，可以灵活更新和迁移，能够提高复用性，同时降低维护难度。

下面，对于本示例实施方式中的上述步骤进行更加详细的说明。

在步骤S310中，提取待识别视频的多模态特征，利用多模态特征确定待识别视频的第一标签。

其中，模态指的是信息的形式，每一种信息的来源或者形式都可以称为一种模态，例如信息可以有语音、视频、文字等，人可以有视觉、听觉、嗅觉等，这些每一种都可以称为一种模态。本实施方式中，多模态特征可以包括音频特征、图像特征以及文本特征。提取待识别视频的多模态特征可以分别提取待识别视频的图像特征、音频特征以及文本特征；然后对图像特征、音频特征以及文本特征进行融合，获得多模态特征。

具体的，首先针对每一种模态的特征进行单独提取。待识别视频包括多帧图像，可以从中抽取一定数量帧图像进行特征提取，例如每一秒抽取一帧图像进行提取、每2秒抽取一帧图像进行提取等。提取图像特征的方式可以包括多种，例如可以通过EfficientNet提取图像特征，EfficientNet是一种卷积神经网络；也可以通过其他卷积神经网络来提取图像特征，例如VGGNet、ResNet等，本实施方式不限于此。待识别视频还包括音频，对其中音频进行采样，进而提取音频特征，例如采样0.96秒的音频片段，提取梅尔顿频谱图，然后利用VGGish提取获得音频特征。VGGish是一个基于TensorFlow的VGG模型，该模型能够从音频频谱中提取具有语义的embedding特征。待识别视频通常还包括标题或名称，利用BERT模型可以提取待识别视频的标题或者名称中的文本特征。

提取出每一模态的特征后，可以对各个模态特征进行聚合，得到多模态特征，即将多个单模态特征融合成一个多模态特征。示例性的，可以将图像特征、音频特征以及文本特征进行加和，得到多模态特征，也可以将图像特征、音频特征以及文本特征相乘得到多模态特征，或者利用线性函数的方法进行融合等。

提取到模态特征后，可以对多模态特征进行分类，得到第一标签。此处分类指的是对视频内容对应的领域进行分类，因而第一标签可以包含所有领域的标签，例如，第一标签可以包括电视剧、电影、游戏、美食、综艺等，还可以包括其他领域维度的类型，例如直播、新闻等等。相应的，第二标签则包括针对各个领域的更加细化的标签，包括但不限于电视剧名称、电视剧的参演人员、视频对应的事件等；例如第一标签可以为“电视剧”、第二标签可以为“我的前半生”，再例如第一标签可以为“游戏”，第二标签可以为“王者荣耀”等。通过预先确定标签体系可以将所有标签划分为第一标签和第二标签，第一标签与第二标签均可以包含多个标签，并且在一些领域维度中第一标签中包含的标签与第二标签中包含的标签可以有重合，例如在人物维度，第一标签可以为人物A，第二标签也可以为人物A，但第二标签在人物这一维度上比第一标签更加详细，因此第二标签除了包括人物A，还可以包括人物B、C等。

举例而言，将待识别视频可以输入NeXtVLAD模型中，将该模型的识别结果作为第一标签。采用NeXtVLAD可以提取视频帧的特征并压缩成特征向量，以实现对视频的分类，能够较好得融合多模态信息。同时，将待识别视频的标题或者名称的等文本信息输入TextCNN以及BI-LSTM模型中，利用TextCNN或者BI-LSTM可以生成文本信息的表征向量，实现对文本的分类，将得到的分类结果作为第一标签。例如，第一标签可以为：电视剧，内地剧，电视剧片花等。其中，NeXtVLAD模型引入了attention机制聚合各视频帧的特征，能够适用于任意数目帧的视频分类方法，能够较好的聚合图像特征以及音频特征；TextCNN是一种基于卷积神经网络的文本分类模型，能够对文本信息进行编码，从而实现文本分类；BI-LSTM是一种双向的LSTM模型，可以考虑到文本的上下文顺序，具有更加精确的分类效果。为了提高多模态特征的分类效果，可以利用NeXtVLAD模型对待识别视频进行识别可以得到待识别视频的识别标签，利用TextCNN或者BI-LSTM模型也可以得到待识别视频的识别标签，将上述两类识别标签的并集可以作为第一标签，从而保证第一标签的通用性。

在步骤S320中，对待识别视频进行分类识别，获取待识别视频的类别，基于待识别视频的类别识别出待识别视频的第二标签。

本示例性实施方式中，对待识别视频进行分类识别可以采用机器学习模型的方式，例如通过上述NeXtVLAD算法来训练以分类模型，从而利用多模态特征对待识别视频进行分类，得到其类别。示例性的，待识别视频的类别可以包括影视综类、游戏类、美食类以及新闻类。预先可以可以针对每一类别获取对应的视频样本数据进行标记，利用标记后的视频样本数据可以对卷积神经网络进行训练，得到一视频分类模型。然后利用该训练得到的视频分类模型可以对待识别视频进行分类识别，输出待识别视频的类别。此外，根据实际需求可以将视频进行更加细粒度的分类，例如类别可以包括电视剧类、电影类、娱乐新闻类、时政新闻类、国内菜系、国外食物等等，本实施方式不限于此。

针对视频的每一种类别可以训练一对应的标签预测模型，在确定待识别视频的类别后，将该待识别视频输入该类别对应的标签预测模型，进行更加细粒度的分类，确定待识别视频的第二标签。示例性实施方式中，当待识别视频的类别为影视综类时，识别所述识别视频中的目标对象；进而基于该目标对象确定待识别视频的第二标签。其中，目标对象可以指视频中包含的对象，包括但不限于人物、动物、物体、场景等。示例性的，目标对象可以为视频中的场景，则通过对应的标签预测模型可以识别视频中的场景，得到视频对应的地点位置特征，从而将地点位置特征作为视频的第二标签。示例性的，目标对象还可以为视频中的人物，则对视频中的人物进行识别确定人物特征，将得到的人物特征作为第二标签。在其他实施方式中，目标对象还可以为视频中的车辆、房间、道路等等，则通过模型可以识别出视频的车辆、道路、房间等特征作为第二标签等，这同样属于本申请的保护范围。

在示例性实施方式中，当目标对象为人物特征时，识别待识别视频的第二标签的方法可以包括以下步骤S410、步骤S420以及步骤S430和步骤S440，如图4所示。

在步骤S410中，对所述待识别视频中的人物特征进行识别，确定所述待识别视频的人物标签。其中，人物特征可以包括人脸特征、人体特征或者部分身体部位的特征等。在本示例性实施方式中以人脸为例来说明识别过程。具体的，将待识别视频输入人脸识别模型中，通过该人脸识别模型可以对视频进行采样得到多个图像帧，并对图像帧进行人脸检测和人脸对齐，然后提取人脸embedding特征，在人脸数据库中进行检索，输出置信度最高的人脸信息，将该人脸信息作为人物标签。举例来说，检索到演员A的置信度为0.7，检索到演员B的置信度为0.9，则将演员B作为检索结果输出，“演员B”即为待识别视频的人物标签。

在步骤S420中，通过知识图谱模型获取与所述人物标签相关的影视剧综名称。其中，影视综名称可以包括电影名称，电视剧名称，综艺名称，或其中任意两个或三个的组合。

知识图谱是一种规模特别大的语义网络系统，主要目的是为了描述真实世界里实体或概念之间的关联关系，通过大量的数据收集，整理成机器能处理的知识库，实现可视化的展示。

本实施方式中的知识图谱模型可以通过预先收集影视剧的相关数据，例如影视剧的视频数据、演职人员信息、剧情描述等等，确定人物与影视剧之间的关系，构建成计算机能识别处理的数据模型。通过该知识图谱模型查询与人物标签相关联的影视剧综名称，例如人物标签为“演员A”，则通过该知识图谱模型可以输出由“演员A”参演的所有影视剧的名称。可以理解的是，一个人物标签可以与多个影视剧综名称相关，即一个人可以出演多部影视剧；多个人物标签也可以与同一个影视剧综名称相关，即多个演员可以出演同一部影视剧。如果步骤S410中识别出多个人物标签，则可以获取与该多个人物标签均关联的影视剧综名称。

在步骤S430中，计算待识别视频与所述影视剧综名称对应的影视综视频的相似度，以确定所述待识别视频的影视综标签。本示例实施方式中，与人物标签相关的影视剧综名称可以包括一个或多个，分别获取每一个影视剧综名称对应的视频，计算待识别视频与影视综视频的相似度，将相似度最高的影视剧综名称作为待识别视频的影视综标签。具体的，针对每个影视综视频可以预先提取多帧图片构建一图片库，例如提取影视综视频中的关键剧情片段的图片、提取人工标记的图片等；然后从待识别视频中提取出其中的关键帧，将每个关键帧分别与图片库中的每一张图片进行相似度计算，将得到的相似度进行加和，作为该图片库与待识别视频的相似度计算结果；最终根据相似度计算结果选择与待识别视频的相似度最高的图片库，将该图片库对应的影视剧作为最终的影视综标签。举例而言，假设人物标签相关的有影视剧A、影视剧B以及影视剧C，分别计算影视剧A的视频与待识别视频的相似度、影视剧B与待识别视频的相似度、以及影视剧C与待识别视频的相似度，将相似度最高的影视剧作为最终的影视综标签。

在步骤S440中，根据所述人物标签以及所述影视综标签确定所述第二标签。将人物标签以及影视综标签可以进行合并，作为第二标签，例如人物标签包括“演员A、演员B”，影视综标签包括“影视剧A”，则第二标签可以包括“演员A、演员B、影视剧A”。并且，根据影视综标签可以通过上述知识图谱模型获取与该影视综标签相关的其他信息，进而将获取的信息与人物标签和影视综标签一起加入到第二标签中，更加全面地确定待识别视频的标签。例如，与该影视综标签相关的所有演员的信息、导演的信息等，或者与该影视综标签具有最强关联的信息，例如影视剧的主演等。在知识图谱模型中，可以对不同实体之间的关联关系赋予不同的权重，通过该权重来表针关联关系的强弱，如果两个实体之间的关联关系越强，则权重越高。因此在得到与待识别视频最相似的影视综信息之后，可以从知识图谱模型中查找与该影视综信息之间关联关系权重最高的实体也输出为第二标签，或者根据关联关系的权重输出与该影视综相关的一定数量实体作为第二标签等等。举例而言，例如人物标签包括“演员A、演员B”，影视综标签包括“影视剧A”，根据知识图谱模型可以查询与“影视剧A”之间关联关系的权重最高的实体为“演员C”，他们的关联关系可以为“主演”，则可以将“演员A、演员B、演员C、影视剧A”作为待识别视频的第二标签。

在示例性实施方式中，待识别视频的类别还可以为游戏类，当待识别视频的类别为游戏类时，可以通过游戏模板数据与待识别视频进行匹配，并根据匹配的游戏模板数据确定待识别视频的第二标签。其中，游戏模板数据可以包括多种模板信息，例如游戏角色模板、游戏场景模板、游戏中物体的模型、技能框模板等等，还可以包括其他模板，例如游戏地图模板等，本实施方式对此不做特殊限定。预先可以收集各个游戏包含的游戏角色、技能框以及游戏场景的作为模板，构建游戏模板数据。通过游戏模板数据中包含的各个模板一一与待识别视频进行匹配，可以确定与待识别视频相匹配的模板，从而将该模板的信息作为第二标签，例如待识别视频与游戏场景A的模板相匹配，则第二标签可以为游戏场景A。

在示例性实施方式中，当游戏模板数据包括技能框模板时，确定第二标签的方法可以包括以下步骤S510、步骤S520以及步骤S530，如图5所示。

在步骤S510中，将所述待识别视频与多个技能框模板进行匹配，确定与所述待识别视频相匹配的目标技能框。在游戏应用中，技能框指的是游戏界面中用于触发技能的控件所在区域，不同的游戏角色具有不同的技能，预先可以收集各个游戏应用的游戏角色的技能框，保存为技能框模板，技能框模板的数量可以为多个。然后从待识别视频中抽取一定数量帧图片，将抽取得到的图片与多个技能框模板进行匹配，确定与该图片相匹配的技能框模板为目标技能框。在一个示例中，技能框模板包括100个，将该100个技能框模板一一与待识别视频中包含的图片进行匹配，确定与待识别视频中包含的图片相匹配的为“技能框模板A”，则技能框模板A为目标技能框。

在步骤S520中，获取与所述目标技能框相关联的目标游戏角色。一个技能框可以与一游戏角色相关联，技能框与游戏角色的关联关系也可以通过知识图谱来构建，或者通过关系型数据库key-value来构建。确定目标技能框之后，可以查询知识图谱或者对应数据库来确定与目标技能框关联的目标游戏角色。

在步骤S530中，根据所述目标游戏角色确定所述第二标签。将该目标游戏角色可以作为待识别视频的第二标签，例如，技能框A关联的为游戏角色B，则待识别视频的第二标签可以为“游戏角色B”。并且，确定待识别视频对应的目标游戏角色后，还可以根据该目标游戏角色检索相关的其他信息，例如游戏名称、游戏类型等等，将检索到的信息也可以作为第二标签。

在本示例性实施方式中，待识别视频的类别还可以包括其他各种类别，例如美食、新闻等等，针对每一个类别可以预先训练一标签预测模型来负责预测该类别下细粒度的第二标签，使得标签更加精确。举例来说，对于美食类来说，可以采集不同菜系的大量美食图片，训练一分类模型，进而通过该分类模型对美食类的待识别视频进行分类，输出待识别视频对应的菜系，将该输出的菜系作为待识别视频的第二标签。并且，针对每个菜系还可以分别训练更加细粒度的模型，来识别更加具体的菜名或者食物名称，例如针对甜品类训练一分类模型，通过该分类模型来识别视频中是哪一种甜品，如将待识别视频中的图片帧输入甜品类对应的分类模型中，该分类模型可以输出“蛋糕”或“蛋挞”等结果，将该输出的结果作为第二标签，从而能够提高标签的精确性。

继续参考图3，在步骤S330中，通过实时更新的新热标签集合获取待识别视频的第三标签，结合所述第一标签、所述第二标签以及所述第三标签确定所述待识别视频的视频标签。

其中，新热标签集合中包括多个新热标签。新热标签可以包括当前热点事件相关的标签。在实际场景中，短小的视频内容更新非常快，容易成为人们关注的爆点和热点，而这类热点内容通常保持较短的时间，可能很快会被淡化，具有较强的时效性。因此新热标签可以实时更新，例如每天更新一次、每8小时更新一次等，更新频率可以根据实际需求而定，本实施方式对此不做限定。举例而言，通过人工运营标记可以将当天发现的新热标签进行标记，保存入新热标签集合，实现新热标签集合的实时更新。人工可以对热点、爆点事件进行预判，从而可以加快新热标签的发现，使得新热标签保持较强的时效性。

获得更新后的新热标签集合后，可以将待识别视频与新热标签集合中的新热标签进行匹配，如果待识别视频的标题信息能与一新热标签精准匹配，则将该新热标签作为待识别视频的第三标签。例如，新热标签集合中包括A、B、C、D，四个热点事件，将待识别视频的标题与该四个热点事件分别进行匹配，如果A与待识别视频的标题中的字段相匹配，则将A作为待识别视频的第三标签。

由于新热标签具有短时效性性，而通过模型预测需要进行较长时间的数据积累，响应速度慢，因此通过本示例性实施方式中的新热标签集合可以满足标签需快速响应的实际需求，提高标签的时效性以及准确性。

在示例性实施方式中，获取待识别视频的第三标签的方法可以包括以下步骤S610、步骤S620以及步骤S630，如图6所示。

在步骤S610中，获取实时更新的新热标签集合，并获取所述新热标签集合对应的视频数据。新热标签集合可以每天更新一次、每8小时更新一次、每4小时更新一次等等，每次更新可以由人工将发现的新热标签更新到新热标签集合中，该新热标签集合可以保存在特定的目录中，进而根据预先确定的更新时间从预定的目录中获取更新后的新热标签集合。根据更新的新热标签集合可以从内容库中拉取带新热标签的视频数据。同一个视频数据可以带有两个或者两个以上的新热标签。

在步骤S620中，计算所述待识别视频的标题与所述视频数据的标题的相似度，从所述视频数据中筛选出所述相似度符合预设阈值的多个目标视频。新热标签集合中可以包括多个新热标签，每个新热标签可以对应多个视频数据。举例来说，计算视频数据N的标题与待识别视频的标题的相似度，如果相似度满足预设阈值，则将该视频数据N作为目标视频，依次类推，计算每一个视频数据与待识别视频的标题的相似度，得到相似度满足预设阈值的所有目标视频。其中，预设阈值可以根据实际需求确定，例如0.6、0.7等，也可以为0.65、0.8等，本实施方式对此不做特殊限定。

在步骤S630中，通过所述多个目标视频对应的新热标签确定所述待识别视频的第三标签。具体的，根据目标视频中每个新热标签被匹配到的次数，可以对新热标签进行投票，将得分最高的新热标签作为待识别视频的第三标签。新热标签每被匹配到一次则可以得一分，举例来说，目标视频a对应的新热标签为A、B，目标视频b对应的新热标签为B、C，目标视频c对应的新热标签为C，目标视频d对应的新热标签为D、B，则A得分为1、B得分为3、C得分为2，D得分为1，得分最高的为B，则将新热标签B可以作为待识别视频的第三标签。此外，从目标视频对应的新热标签中可以选择一个或多个作为第三标签，例如，将上述得分最高的新热标签B以及得分排在第二的新热标签C作为第三标签等等。

在本示例性实施方式中，根据新热标签集合以及其对应的视频数据也可以训练一新热标签预测模型，通过该模型来预测待识别视频的新热标签。或者结合该新热标签预测模型来确定新热标签集合，具体的，获取验证数据，利用上述新热标签集合以及新热标签预测模型分别对验证数据进行识别，确定验证数据的新热标签，并计算两种方式对验证数据的准召率，如果新热标签集合对于验证数据的准召率更高，则将当前的新热标签集合进行出库，用于对待识别视频进行识别；如果新热标签预测模型的准召率更高则将该模型采用的新热标签合并至新热标签集合中，将合并之后的新热标签集合进行出库。

图7示意性示出了一种通过新热标签集合获取待识别视频的第三标签的方法的流程图。如图7所示，在步骤S710中，将运营标记的新热标签入库，得到更新后的新热标签集合。在步骤S720中，构建新热池。该新热池中可以包括带有新热标签的视频数据；运营可以为与新热标签相关的视频打上新热标签后上传到线上，供大家浏览，根据更新后的新热标签集合从线上数据库中拉取带有新热标签的视频数据。在步骤S730中，将新热池包含的标题与待识别视频的标题进行匹配。如果新热池中一标题与待识别视频的标题的相似度符合阈值，则可以将该标题对应的视频数据为匹配结果输出，一一将新热池中每一个标题进行匹配之后，可以得到所有相似度满足阈值的目标视频。举例而言，新热池中共包含100个视频，将该100个视频的标题分别与待识别视频的标题进行匹配，其中标题的相似度满足阈值的有10个视频，则将该标题的相似度满足阈值的10个视频作为匹配结果输出，或者将该10个视频对应的新热标签作为匹配结果输出。在步骤S740中，将待识别视频的标题与新热标签进行匹配。匹配结果为与待识别视频的标题的相似度满足阈值的新热标签。在步骤S750中，获得匹配结果，该匹配结果中包括步骤S730匹配出的目标视频的新热标签以及步骤S740匹配出的新热标签。在步骤S760中，根据匹配结果计算各个新热标签的得分。示例性的，各个新热标签的得分可以为各个新热标签被匹配到的次数，例如新热标签A被匹配到4次，则其得分为4。在步骤S770中，根据得分确定待识别视频的新热标签预测结果。示例性的，可以将得分最高的新热标签作为待识别视频的预测结果，或者按照得分将一定数量的新热标签作为预测结果等。该步骤中新热标签的预测结果即为待视频视频的第三标签。

在步骤S330中，得到待识别视频的第三标签后，可以结合第一标签、第二标签以及第三标签确定待识别视频最终的视频标签。示例性的，可以将第一标签、第二标签以及第三标签进行并集运算，将它们的并集作为待识别视频的视频标签，进而为待识别视频进行打标。将第一标签、第二标签以及第三标签取并集的方式作为待识别视频最终的视频标签，可以最大程度地提高视频标签的召回率。确定待识别视频的视频标签后，可以在视频推荐场景以及视频搜索场景中，根据待识别视频的视频标签，向用户推荐具有相似标签的其他视频。在示例性实施方式中，根据第一标签以及第二标签分别对应的采信策略，可以将第一标签以及第二标签中符合所述采信策略的标签确定第四标签；进而根据第四标签与第三标签确定待识别视频的视频标签。其中，采信策略可以指对标签是否采信的条件，例如采信策略为采信识别概率超过阈值的标签等。第一标签与第二标签均可以为多个标签，各个标签对应的采信策略可以不同，例如标签A的采信策略为识别概率超过80％，则若标签A识别出的概率不超过80％，则可以确定标签A不符合采信策略，则将标签A从最终结果中删掉。

在对待识别视频进行识别之前，可以预先确定每个标签的采信策略，具体的，首先可以获取多个标签样本，在本申请一种实施方式中第一标签与第二标签可以通过模型来识别得到，也就是说，通过模型来执行上述步骤S310以及步骤S320，从而输出第一标签和第二标签。可以理解的是，负责识别第一标签的模型与负责识别第二标签的模型可以是不同的模型。例如，通过第一模型来提取待识别视频的多模态特征，利用该多模态特征确定待识别视频的第一标签；通过第二模型来识别出待识别视频的第二标签。其中，第一模型可以用于提取视频的多模态特征，从而利用多模态特征对视频进行分类，例如第一模型可以为NeXtVLAD模型等。第二模型可以由待识别视频的类别确定，例如，若待识别视频的类别为影视综类，可将人脸识别模型、影视剧知识图谱关联模型、影视综的剧名检索模型等与影视综相关的模型中的任意一个或多个作为第二模型，用以对待识别视频进行更细粒度的理解。再如，若待识别视频的类别为游戏类，可将用于识别游戏角色名的游戏角色名标签模型、用于识别游戏名的游戏名标签模型等游戏类的模型中的任意一个或多个作为第二模型。由此，可以在通用视频标签模型的基础上融合定制化的标签模型(例如前述与影视综相关的模型、游戏类的模型等)，提升在一些实体标签上的识别能力。在第一模型与第二模型训练完成后，可以确定第一模型与第二模型的置信度，进而根据置信度确定采信策略。具体的，针对每一个第一标签，若输出所述第一标签的模型为所述第一标签对应的置信模型，则将所述第一标签确定为一个第四标签；其中，所述第一标签对应的置信模型输出所述第一标签的置信度符合所述第一标签对应的采信策略；针对每一个第二标签，若输出所述第二标签的模型为所述第二标签对应的置信模型，则将所述第二标签确定为一个第四标签；其中，所述第二标签对应的置信模型输出所述第二标签的置信度符合所述第二标签对应的采信策略。

从第一标签与第二标签中确定出第四标签取决于输出标签(包括第一标签与第二标签)的模型是否为标签对应的置信模型，每个标签对应的置信模型可以预先确定。对于第一标签而言，其置信模型为输出第一标签的置信度符合采信策略的模型，举例来说，第一模型对视频识别为第一标签A，若根据采信策略确定该标签A的置信模型为第一模型，则可以确定该标签A为一个第四标签；相反的，若采信策略中该标签A的置信模型为第二模型，则输出该标签A的模型不是其对应的置信模型，该标签A不能作为第四标签。对于第二标签同理。其中，置信度为模型对标签识别的准确率，在训练得到第一模型与第二模型之后，可以通过对第一模型与第二模型进行测试来计算其对于每个标签的识别的准确率。

在确定待识别视频的第一标签与第二标签中的第四标签之前，需要先标签对应的置信模型，即确定采信策略。在示例性实施方式中，确定采信策略的具体过程可以包括步骤S810至步骤S840，如图8所示，其中：

步骤S810.通过所述第一模型识别多个视频样本的第一标签，作为第一测试结果。

步骤S820.通过所述第二模型识别所述多个视频样本的第二标签，作为第二测试结果。

步骤S830.计算所述第一模型对于所述第一测试结果中包含的各个标签的第一置信度，以及计算所述第二模型对于所述第二测试结果中包含的各个标签的第二置信度。

步骤S840.对于所述第一测试结果与所述第二测试结果中重合的目标标签，根据每个目标标签的第一置信度以及第二置信度，从所述第一模型与所述第二模型中确定每个所述目标标签对应的置信模型，将所述目标标签与所述置信模型的对应关系作为所述目标标签对应的采信策略。

在步骤S810中，视频样本可以理解为已经确定出视频标签的视频，示例性的，预先可以获取一定数量的视频，并通过人工对每个视频确定视频标签，并对视频打上相应的视频标签，得到视频样本。将视频样本输入第一模型可以获得第一模型的第一测试结果。

在步骤S820中，将视频样本输入第二模型可以获得第二测试结果。第一测试结果中可以包括多个第一标签，第二测试结果中可以包括多个第二标签。

在步骤S830中，根据视频样本的视频标签可以验证第一标签是否分类正确，从而计算第一模型对于测试结果中各个标签的第一置信度。置信度指的是模型识别的准确率，准确率越高则置信度越高。举例来说，视频样本中一共有10个样本的视频标签为A，如果第一模型识别出了这10个样本的标签A，则对于标签A第一模型的置信度为1，如果第一模型识别出了这10个样本中9个样本的标签A，则对于标签A的置信度为0.9。同理地，计算出第二模型对于第二测试结果中各个标签的置信度，作为第二置信度。

在步骤S840中，首先对第一测试结果与第二测试结果进行交集运算，可以确定第一测试结果与第二测试结果中重合的目标标签。然后对于目标标签比较第一模型的第一置信度与第二模型的第二置信度，将第一置信度与第二置信度中较高的确定该目标标签的置信模型。举例来说，目标标签可以包括多个，例如为A、B、C、D，则第一模型对于该四个目标标签的置信度分别为：0.75、0.7、0.7、0.8，第二模型对于该目标标签的置信度分别为：0.8、0.75、0.6、0.75，则可以确定对于标签A的置信模型为第二模型，对于标签B的置信模型为第二模型，标签C的置信模型为第一模型，标签D的置信模型为第一模型。针对每个目标标签确定对应的置信模型后，将该目标标签与对应的置信模型之间的对应关系进行保存，作为采信策略。对于第一置信度与第二置信度相同的标签，可以选择第一模型与第二模型中任意一模型作为置信模型，例如选择第一模型作为置信模型等。

在得到待识别视频的第一标签以及第二标签后，可以查询保存的采信策略，确定每个第一标签与第二标签对应的置信模型，如果输出该第一标签的模型与置信模型不同，则可以确定该第一标签不符合采信策略，如果输出该第一标签的模型与置信模型相同，则可以确定该第一标签符合采信策略。举例来说，待识别视频的第一标签为：A、B、C，第二标签为A、C、E、F、G，则通过采信策略可以确定A、B、C、E、F、G分别对应的置信模型，例如标签A的置信模型为第二模型，则可以确定标签A不符合采信策略，再例如标签C的置信模型为第二模型，则可以确定C符合采信策略。

第一测试结果与第二测试结果中包含的标签可能并不能覆盖标签体系中的所有标签，例如标签体系设计了1000个标签，则视频样本可以包含100个标签，也可以包含其中的50个标签。对于第一测试结果与第二测试结果中没有覆盖到的标签，可以将概率阈值作为采信策略，例如确定一概率阈值，将识别概率超过该概率阈值的标签确定为符合采信策略的标签，将不超过该概率阈值的标签则确定为不符合采信策略的标签。

将待识别视频的第一标签与第二标签中符合采信策略的标签作为第四标签之后，可以将第四标签与第三标签的并集输出为待识别视频最终的视频标签；也可以对第三标签进行筛选，将符合条件的第三标签与第四标签作为最终的视频标签；例如设置一阈值，将符合该阈值的第三标签与第四标签输出为待识别视频的视频标签等。

上述方法中选取第一标签、第二标签与第三标签的并集的方式可以最大程度地提高标签的召回率。本实施方式中，对第一标签与第二标签进行筛选，通过采信策略过滤出置信度较高的标签作为待识别视频的视频标签，可以避免置信度较低的标签影响标签识别的准确性，从而在尽可能保证召回率的前提下，提高视频标签的准确率。

图9示意性示出了本示例实施方式的标签识别方法的一种系统架构图。如图9所示，该系统架构900可以包括第一标签预测模型901、第二标签预测模型902、第三标签预测模型903，以及融合模块904。待识别视频可以同时输入模型901、902以及903中，通过第一标签预测模型901提取待识别视频的多模态特征，利用多模态特征预测待识别视频的第一标签；通过第二标签预测模型902预测出待识别视频的第二标签；通过第三标签预测模型903可以预测出待识别视频的第三标签；进而通过融合模块904来对模型901、902以及903预测的结果进行融合，得到待识别视频最终的视频标签。

示例性的，该第二标签预测模型902可以包括一分类模型9021以及多个垂类模型，示例性的，该垂类模型可以为影视剧识别模型9022、游戏识别模型9023、新闻标签识别模型9024以及美食标签识别模型9025。其中，分类模型9021可以对待识别视频进行分类识别，预测出待识别视频的类别，并根据识别出的类别进行门控控制，将待识别视频分发给对应的垂类模型，例如如果类别为“游戏类”，则将待识别视频发送至游戏识别模型9025，如果类别为“影视综类”则将待识别视频发送至影视剧识别模型9022等。

垂类模型可以针对一具体的类别进行标签识别，具有更加细粒度的理解。根据标签分类体系可以设计多个垂类模型，示例性的，标签体系可以如图10所示，根据该图10示出的标签体系可以设计四种类型的垂类模型，如影视剧识别模型、游戏识别模型、新闻标签识别模型以及美食标签识别模型。

举例而言，影视剧识别模型9022可以负责对待识别视频进行人脸识别，确定其中包含人物，预测出待识别视频的人物标签，并结合知识图谱获取与该人物相关联的影视剧名，然后通过检索影视剧数据库获取相关影视剧的视频与待识别视频进行对比，确定待识别视频的对应的影视综标签；并且利用该影视综标签还可以再次通过知识图谱获取相关的其他信息，例如主演、除了上述识别出的人物之外的其他演员等，将相关的信息与影视综标签、人物标签等共同作为第二标签输出至融合模块904中。游戏识别模型9023可以利用技能框模板匹配可以识别出待识别视频的游戏名称、游戏角色、游戏技能等信息，将识别出的结果作为第二标签输出至融合模块904中。新闻标签识别模型9024可以根据预先收集的新闻事件进行训练，从而利用该模型识别出待识别视频的新闻事件，作为第二标签输出至融合模块。美食标签识别模型9025可以通过收集的各种美食的图片进行训练；利用该模型可以识别出待识别视频中包含的美食，进而将美食名称作为第二标签输出至融合模块。

第三标签预测模型903可以用于通过实时更新的新热标签集合来预测待识别视频的新热标签，作为第三标签输出至融合模块904。

融合模块904可以计算所有模型输出的第一标签、第二标签以及第三标签的并集，将并集输出为视频标签。图11示意性示出了视频标签的展示效果。如图11所示，对待识别视频A的识别出的视频标签可以包括“剧名、类型、地区、看点、人名”等，并且还可以在识别结果中还可以显示识别的置信度，例如剧名标签1101可以表示识别出剧名为“A”的置信度为“1.0”，类型标签1102可以表示识别出类型为“剧集片花”的置信度为“1.0”等。

示例性的，针对上述第一标签预测模型901与第二标签预测模型902的输出结果在融合时，可以先验证该模型901、902的准召率，以及合并模型901和模型902的输出结果时对应的准召率，比较这三种准召率采取效果最好的融合方式进行融合。具体的，在得到模型901和模型902后，可以获取验证数据集D，利用该模型901和模型902分别对验证数据集中的样本进行识别，获取识别结果E和T；以及将这两个模型的识别结果进行合并后的标签U，即U中包含模型901的识别结果E中的第一标签，以及模型902的识别结果F中的第二标签。然后，针对标签X，计算在该验证数据集D上模型901的准召率e、模型902的准召率f，以及两者合并得到的U的准召率u，比较这三类准召率的大小，如果e最大，则在融合模块904中可以将模型901输出的第一标签以及模型903识别的第三标签进行合并作为最终的视频标签。

并且，本实施方式中各个模块可以进行拆分，例如结合上述第一标签预测模型901以及上述第二标签预测模型902来对视频的标签进行预测，得到最终的视频标签，再例如结合上述第一标签预测模型901以及上述第三标签预测模型903对视频标签进行识别；再例如将上述第三标签预测模型903与其他标签预测模型进行结合，共同预测视频标签等等。可见，本实施方式提供的标签识别方法具有较强的复用性和灵活性。

为了进一步验证本申请的有效性，发明人将按照上述系统架构900实施的标签识别方法与其他方法中的视频标签模型的识别效果进行了比较。具体而言，通过实验发现其他视频标签模型的准确率为82.2％，召回率为65.3％。采用本实施方式中上述系统架构中的第一标签识别模型901以及第二标签识别模型902进行视频标签的识别，准确率提高了0.7％达到82.9％，召回率提高了2.4％得到67.7％；整体采用上述系统架构900进行视频标签的识别，准确率提高了1％达到82.2％；召回率提高了20％达到85.3％对于新热标签的响应速度大大提高，保证了标签的时效性。

从比较结果来看，使用本申请的标签识别方法对视频标签进行识别，可以使识别出的视频标签更加精准、具有更高的准确性。

本领域技术人员可以理解实现上述实施方式的全部或部分步骤被实现为由处理器(包含CPU和GPU)执行的计算机程序。在该计算机程序被处理器执行时，执行本申请提供的上述方法所限定的上述功能。所述的程序可以存储于一种计算机可读存储介质中，该存储介质可以是只读存储器，磁盘或光盘等。

此外，需要注意的是，上述附图仅是根据本申请示例性实施方式的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。

以下对本技术方案提供的标签识别装置进行介绍：

本示例实施方式中提供的一种标签识别装置。参考图12所示，该标签识别装置1200包括该装置包括：多模态特征提取模块1201、类别识别模块1202以及新热标签识别模块1203。

其中，多模态特征提取模块1201，用于提取待识别视频的多模态特征，利用所述多模态特征确定所述待识别视频的第一标签。

类别识别模块1202，用于对所述待识别视频进行分类识别，以获取待识别视频的类别，基于所述待识别视频的类别识别出所述待识别视频的第二标签。

新热标签识别模块1203，用于通过实时更新的新热标签集合获取所述待识别视频的第三标签，结合所述第一标签、所述第二标签以及所述第三标签确定所述待识别视频的视频标签。

在本申请的一种示例性实施例中，基于前述实施例，所述类别识别模块1202包括：影视综类识别模块，用于当所述待识别视频的类别为影视综类时，识别所述待识别视频中的目标对象；影视综标签确定模块，用于基于所述目标对象确定所述待识别视频的第二标签。

在本申请的一种示例性实施例中，基于前述实施例，所述目标对象包含人物特征，所述影视综标签确定模块可以包括人物识别模块、知识图谱模块、相似度计算模块以及标签输出模块。

其中，人物识别模块，用于对所述待识别视频中的人物特征进行识别，确定所述待识别视频的人物标签。

知识图谱模块，用于通过知识图谱模型获取与所述人物标签相关的影视综名称。

相似度计算模块，用于计算所述待识别视频与所述影视综名称对应的影视综视频的相似度，确定所述待识别视频的影视综标签。

标签输出模块，用于根据所述人物标签以及所述影视综标签确定所述第二标签。

在本申请的一种示例性实施例中，基于前述实施例，类别识别模块1202被配置为：当所述待识别视频的类别为游戏类时，通过游戏模板数据与所述待识别视频进行匹配，并根据匹配的游戏模板数据确定所述待识别视频的第二标签。

在本申请的一种示例性实施例中，基于前述实施例，所述游戏模板数据包括技能框模板，类别识别模块可以包括技能框匹配模块、游戏角色确定模块以及游戏标签确定模块。

其中，技能框匹配模块，用于将所述待识别视频与多个技能框模板进行匹配，确定与所述待识别视频相匹配的目标技能框。

游戏角色确定模块，用于获取与所述目标技能框相关联的目标游戏角色。

游戏标签确定模块，用于根据所述目标游戏角色确定所述第二标签。

在本申请的一种示例性实施例中，基于前述实施例，新热标签识别模块1203可以包括视频数据获取模块、视频相似度计算模块以及新热标签确定模块。

其中，视频数据获取模块，用于获取实时更新的新热标签集合，并获取所述新热标签集合对应的视频数据。

视频相似度计算模块，用于计算所述待识别视频的标题与所述视频数据的标题的相似度，从所述视频数据中筛选出所述相似度符合预设阈值的多个目标视频。

新热标签确定模块，用于通过所述多个目标视频对应的新热标签，确定所述待识别视频的第三标签。

在本申请的一种示例性实施例中，基于前述实施例，新热标签识别模块可被配置为：根据所述第一标签以及所述第二标签分别对应的采信策略，将所述第一标签以及所述第二标签中符合所述采信策略的标签确定为第四标签；根据所述第四标签与所述第三标签确定所述待识别视频的视频标签。

在本申请的一种示例性实施例中，所述新热标签识别模块可被配置为：针对每一个第一标签，若输出所述第一标签的模型为所述第一标签对应的置信模型，则将所述第一标签确定为一个第四标签；其中，所述第一标签对应的置信模型输出所述第一标签的置信度符合所述第一标签对应的采信策略；针对每一个第二标签，若输出所述第二标签的模型为所述第二标签对应的置信模型，则将所述第二标签确定为一个第四标签；其中，所述第二标签对应的置信模型输出所述第二标签的置信度符合所述第二标签对应的采信策略。

在本申请的一种示例性实施例中，基于前述实施例，所述利用所述多模态特征确定所述待识别视频的第一标签，包括：通过第一模型提取待识别视频的多模态特征，并根据所述多模态特征确定所述待识别视频的第一标签；所述基于所述待识别视频的类别识别出所述待识别视频的第二标签，包括：基于所述待识别视频的类别对应的第二模型对所述待识别视频进行识别，得到所述待识别视频的第二标签；所述装置还包括样本获取模块、置信度测试模块以及采信策略确定模块。

其中，第一测试结果模块，用于通过所述第一模型识别多个视频样本的第一标签，作为第一测试结果。

第二测试结果模块，通过所述第二模型识别所述多个视频样本的第二标签，作为第二测试结果。

置信度测试模块，用于计算所述第一模型对于所述第一测试结果中包含的各个标签的第一置信度，以及计算所述第二模型对于所述第二测试结果中包含的各个标签的第二置信度。

采信策略确定模块，用于对于所述第一测试结果与所述第二测试结果中重合的目标标签，根据每个目标标签的第一置信度以及第二置信度，从所述第一模型与所述第二模型中确定每个所述目标标签对应的置信模型，将所述目标标签与所述置信模型的对应关系作为所述目标标签对应的采信策略。

上述标签识别装置中各模块或单元的具体细节已经在对应的标签识别方法中进行了详细的描述，因此此处不再赘述。

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程序代码。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程序代码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。在这点上，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标签识别方法。

例如，所述的电子设备可以实现如图3中所示的：步骤S310.提取待识别视频的多模态特征，利用所述多模态特征确定所述待识别视频的第一标签；步骤S320.对所述待识别视频进行分类识别，以获取待识别视频的类别，基于所述待识别视频的类别识别出所述待识别视频的第二标签；以及步骤S330.通过实时更新的新热标签集合获取所述待识别视频的第三标签，结合所述第一标签、所述第二标签以及所述第三标签确定所述待识别视频的视频标签。

再例如，所述的电子设备可以实现如图4至图7中所示的各个步骤。

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发明后，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。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由下面的权利要求指出。

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。