视频对话问答数据生成方法、装置、电子设备以及介质与流程

1.本公开实施例涉及视频处理技术领域，尤其涉及一种视频对话问答数据生成方法、装置、电子设备以及介质。


背景技术：

2.随着视频内容理解的发展，视频对话问答成为一种较为重要的技术，视频对话问答是指根据输入的视频和针对视频的问句解析出问句答案。
3.视频对话问答的基础是视频对话问答数据的标注，目前针对视频对话问答数据的构造主要是根据视频通过人工构造实现，但人工构造视频对话问答数据时需要完整看完视频以后才可以开始对视频撰写描述，而视频往往从几分钟到几小时不等，会十分耗时；同时，视频描述难度更大，需要对视频内容的领域有一定了解才能较为准确的描述视频的内容，可能导致构造的视频对话问答数据质量比较差，对后续视频对话问答产生影响。


技术实现要素：

4.本公开实施例中提供了一种视频对话问答数据生成方法、装置、电子设备以及介质，解决无法快速生成准确的视频对话问答数据的问题。
5.第一方面，本公开实施例中提供了一种视频对话问答数据生成方法，所述方法包括：
6.确定目标视频对应的目标视频描述信息；
7.确定目标问答模型采用的目标提示词，所述目标问答模型是基于大型语言模型进行预先配置得到，所述目标提示词能使所述目标问答模型在执行对话问答生成任务时按照所述目标视频描述信息向期望对话问答效果进行引导；
8.基于所述目标视频描述信息与所述目标提示词，通过所述目标问答模型输出所述目标视频关联的对话问答数据。
9.第二方面，本公开实施例中还提供了一种视频对话问答数据生成装置，所述装置包括：
10.描述信息确定模块，用于确定目标视频对应的目标视频描述信息；
11.提示信息确定模块，用于确定目标问答模型采用的目标提示词，所述目标问答模型是基于大型语言模型进行预先配置得到，所述目标提示词能使所述目标问答模型在执行对话问答生成任务时按照所述目标视频描述信息向期望对话问答效果进行引导；
12.数据生成模块，用于基于所述目标视频描述信息与所述目标提示词，通过所述目标问答模型输出所述目标视频关联的对话问答数据。
13.第三方面，本公开实施例中还提供了一种电子设备，所述电子设备包括：
14.至少一个处理器；以及
15.与所述至少一个处理器通信连接的存储器；其中，
16.所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序
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上述实施例中任一项所述的视频对话问答数据生成方法。
17.第四方面，本公开实施例中还提供了一种计算机可读介质，所述计算机可读介质存储有计算机指令，所述计算机指令用于使处理器执行时实现上述实施例中任一项所述的视频对话问答数据生成方法。
18.本公开实施例的技术方案，在进行视频对话问答数据构造时，确定目标视频描述信息以及能使目标问答模型在执行对话问答生成任务时按照目标视频描述信息向期望对话问答效果进行引导的目标提示词，这样就可以借助基于大型语言模型进行预先配置的目标问答模型按照目标视频描述信息在目标提示词的对话问答引导下自动生成对话问答数据，解决了需要人工完整看完视频以后才可以通过人工构造对话问答数据导致构造时间长的问题，通过实时分析视频获取视频描述信息就可以实时进行构造，同时由于在构造过程中通过提示词来引导问答模型构造对话问答数据，在一定程度上能保证构造的对话问答数据的准确性。
19.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
20.结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。
21.图1为本公开实施例提供的一种视频对话问答数据生成方法的流程图；
22.图2为本公开实施例提供的适用的对显示界面上显示视频对话问答数据的显示示意图；
23.图3为本公开实施例提供的一种视频对话问答数据生成装置的结构框图；
24.图4为实现本公开实施例的视频对话问答数据生成方法的电子设备的结构框图。
具体实施方式
25.下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
26.应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
27.本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
28.需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单
元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
29.需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
30.本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
31.可以理解的是，在使用本公开各实施例公开的技术方案之前，均应当依据相关法律法规通过恰当的方式对本公开所涉及个人信息的类型、使用范围、使用场景等告知用户并获得用户的授权。
32.例如，在响应于接收到用户的主动请求时，向用户发送提示信息，以明确地提示用户，其请求执行的操作将需要获取和使用到用户的个人信息。从而，使得用户可以根据提示信息来自主地选择是否向执行本公开技术方案的操作的电子设备、应用程序、服务器或存储介质等软件或硬件提供个人信息。
33.作为一种可选的但非限定性的实现方式，响应于接收到用户的主动请求，向用户发送提示信息的方式例如可以是弹窗的方式，弹窗中可以以文字的方式呈现提示信息。此外，弹窗中还可以承载供用户选择“同意”或者“不同意”向电子设备提供个人信息的选择控件。
34.可以理解的是，上述通知和获取用户授权过程仅是示意性的，不对本公开的实现方式构成限定，其它满足相关法律法规的方式也可应用于本公开的实现方式中。
35.可以理解的是，本技术方案所涉及的数据(包括但不限于数据本身、数据的获取或使用)应当遵循相应法律法规及相关规定的要求。
36.下述各实施例中，每个实施例中同时提供了可选特征和示例，实施例中记载的各个特征可进行组合，形成多个可选方案，不应将每个编号的实施例仅视为一个技术方案。此外，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
37.图1为本公开实施例提供的一种视频对话问答数据生成方法的流程图，本实施例的技术方案可适用于利用视频构造视频对话问答数据的情况，该方法可以由视频对话问答数据生成装置来执行，该装置可由软件和/或硬件实现，并一般集成在任何具有网络通信功能的电子设备上，该电子设备包括但不限于电脑、个人数字助理等设备。
38.如图1所示，本实施例的视频对话问答数据生成方法，可包括以下过程s110-s130：
39.s110、确定目标视频对应的目标视频描述信息。
40.视频对话问答数据可以是指针对视频展开问答对话的数据，随着视频，尤其是短视频成为越来越多人的一种生活方式，针对视频内容的理解和衍生越来越重要，例如对视频生成标题、摘要、描述，针对视频中的一些主题或细节讨论，包括讨论视频中的事物，事件以及相关的背景知识等。
41.但是，在对视频进行视频对话问答数据构造时，通常需要人工完整看完视频以后才可以开始对视频进行视频对话问答数据构造，导致视频对话问答数据构造时间比较长，且在对视频进行描述时需要对视频内容的领域有一定了解才能较为准确的描述视频的内容，进一步导致视频对话问答数据构造难度大，且构造的视频对话问答数据准确度无法保证。
42.为此，在对目标视频进行视频描述信息获取时，可按照预设的视频描述信息需求，
通过视频分析从目标视频中将满足要求的视频信息提取出来，进而得到目标视频对应的目标视频描述信息。其中，目标视频描述信息包括视频标题描述、单帧视频画面中事物主体以及事物主体之间的局部细节事件描述、连续多帧视频画面前后所表达的事物主体之间的整体细节事件描述、视频画面中事物主体位置以及视频画面中事物主体的对白文本内容。
43.作为一种可选但非限定的实现方式，确定目标视频对应的目标视频描述信息，可以包括步骤a1-a3：
44.步骤a1、检测从目标视频中提取的至少两帧视频画面中是否出现事物主体，并在检测到出现事物主体时确定视频画面中的事物主体位置。
45.步骤a2、在检测到视频画面出现事物主体且检测到视频画面出现文本字幕时，将出现的文本字幕确定为视频画面中事物主体的对白文本内容。
46.步骤a3、在检测到视频画面出现事物主体且检测到视频画面存在匹配的音频时，将匹配的音频转化为文本后确定为视频画面中事物主体的对白文本内容。
47.采用上述可选方式，不需要人工看完整个视频，只需要将目标视频导入按照预设的视频描述信息需求进行视频，就可以自动得到满足要求的视频描述信息，并将得到的视频描述信息及时加入进行分析，并且随着视频的不断分析可以不断更新加入新的视频描述信息，可以大幅度减少视频描述信息的获取时间从而可以降低视频对话问答数据的构造时间，并且尤为重要的时，由于采用视频自动分析，在一定程度上可尽可能将有用的内容挖掘出来避免出现遗漏，为后续对话问答数据的生成提供更多依据。
48.s120、确定目标问答模型采用的目标提示词，目标问答模型是基于大型语言模型进行预先配置得到，目标提示词能使目标问答模型在执行对话问答生成任务时按照目标视频描述信息向期望的对话问答效果进行引导。
49.作为一种可选但非限定的实现方式，目标提示词中可以配置有第一提示信息、第二提示信息、第三提示信息、第四提示信息以及第五提示信息，第一提示信息用于指示目标问答模型模拟进行目标视频观看以执行创建提问并回答的对话问答生成任务，第二提示信息用于指示目标问答模型在执行对话问答生成任务时使用目标视频描述信息中包括的细节以使回答贴合目标视频描述信息，第三提示信息用于指示目标问答模型在执行对话问答生成任务时能给出明确回答，第四提示信息用于指示目标问答模型在执行对话问答生成任务时对预设类型的问题进行提问，第五提示信息用于指示目标问答模型在执行对话问答生成任务时给出包括详细推理过程的回答。
50.示例性地，第一提示信息具体可以为期望目标问答模型模拟进行目标视频观看，让目标问答模型模能按照就像用户正常观看目标视频一样执行一问一答的对话问答任务的一段提示词。第二提示信息具体可以为期望目标问答模型在执行对话问答生成任务的问答过程中尽可能使用视频数据描述信息中包含的细节内容，确保回答能更加贴合视频数据的实际内容的一段提示词。第三提示信息具体可以期望目标问答模型在执行对话问答生成任务时能结合目标视频细节、人物之间互动给出明确答案：可以是根据目标视频描述信息的直接得出或间接推理得到的答案的一段提示词，可以确定问题在视频之后完全不存在或无法回答。第四提示信息具体可以期望目标问答模型在执行对话问答生成任务时提示需要询问涉及时间感知和推理方面的问题、询问涉及与视频内容相关的复杂问题的一段提示词。第五提示信息具体可以为期望目标问答模型在执行对话问答生成任务时提示由于在观
看视频时会接收到视频描述，请优先询问有关随时间变化的视觉变化以及这些变化背后的原因或原因，而不是可以从单个画面推断出的问题的一段提示词。
51.进一步的，下面给出目标提示词的一段完整示例，作为ai视觉助手，你正在观看一段视频，视频内容见文末描述。根据这些描述，你的任务是回答所有问题，就像你正在直接观看视频一样。创建一个会话，会话中有至少三轮问答，问答轮数尽可能多，提问的人用“提问者”指代，回答的人用“ai视觉助手”指代。要求会话尽可能多地用到视频包含的信息。确保回答反映出一个正在积极观看视频并回答问题的视觉ai助手的语气。对话包括各种问题和相应的答案。结合有关视频视觉内容的问题，如视频内容的细节、人物之间的互动等。问题都必须有明确答案：可以根据视频内容直接观察或者间接推理得到答案的问题，可以确定该问题在视频中完全不存在或无法回答。接下来，请问涉及时间感知和推理方面的问题，例如询问一个人在某事件之前或之后做了什么，或询问某些事件或动作的具体时间戳。还要包括与视频内容相关的复杂问题，例如询问关于视频中物体或动作的背景知识，讨论视频中发生的事件，深入研究违反事实的话题(例如，一个人在视频中玩手机时，如果丢了手机会发生什么)，预测视频的故事或场景将如何发展。由于你在观看视频时会接收到视频描述，请优先询问有关随时间变化的视觉变化以及这些变化背后的原因或原因，而不是可以从单个画面推断出的问题。记住不要询问不确定的细节。在回答复杂问题时，请提供详尽的答案，结合详细的示例或推理步骤，使内容更具说服力和结构性。如果需要，请使用多个段落。如果无法根据给定的描述回答问题，请用“所提供的视频没有呈现这样的信息”。
52.作为一种可选但非限定的实现方式，确定目标问答模型采用的目标提示词，可以包括以下步骤：
53.响应于对目标视频的选择操作，确定目标视频对应对话问答数据的应用场景；从目标问答模型关联的候选提示词中，确定与目标视频对应对话问答数据的应用场景匹配的目标提示词。
54.s130、基于目标视频描述信息与目标提示词，通过目标问答模型输出目标视频关联的对话问答数据。
55.作为一种可选但非限定的实现方式，基于目标视频描述信息与目标提示词，通过目标问答模型输出目标视频关联的视频对话问答数据，包括以下步骤：
56.在目标提示词指示的预设位置处添加目标视频描述信息，得到目标问答模型的目标输入信息；基于目标输入信息，控制目标问答模型执行对话问答生成任务，并根据对话问答生成任务的执行输出目标视频的视频对话问答数据。
57.对于类似前述提供的目标提示词，在目标提示词的结束位置可以配置一个视频描述信息字段，在视频描述信息字段之后，可以具体写入目标视频描述信息对应的文本内容。进而，将添加的目标视频描述信息与目标提示词一起组合成一段完整的文本内容，作为目标问答模型的目标输入信息。
58.将包含有目标视频描述信息与目标提示词的目标输入信息输入到目标问答模型，目标问答模型可以按照目标视频描述信息对目标视频进行理解，让其自动执行对话问答生成任务，实现创建一个会话任务，会话任务中有至少三轮对话问答，从而形成一问一答的视频对话问答数据(参见图2问答输出界面示出的对话问答示意图)，且使得能够使目标问答模型在目标提示词的引导下对话问答生成任务。
59.作为一种可选但非限定的实现方式，在通过目标问答模型输出目标视频关联的对话问答数据之后，还包括以下步骤：
60.响应于目标视频关联的对话问答数据的筛选操作，从目标视频关联的对话问答数据中确定目标对话问答数据。
61.响应于目标对话问答数据的编辑操作，将目标对话问答数据中提问对应的回答进行调整替换，以使调整替换的回答贴合目标视频描述信息。
62.采用上述方式，实际上引入了用户交互，确保了输出的目标视频关联的对话问答数据容既有机器的高效生成能力，又有人工的精细审查能力，以达到生成目标视频关联的对话问答数据的质量和多样性，通过引入了用户交互允许用户挑选或修改文本，不仅提高了目标视频关联的对话问答数据的质量，也增加了生成目标视频关联的对话问答数据的多样性。
63.本公开实施例的技术方案，在进行视频对话问答数据构造时，确定目标视频描述信息以及能使目标问答模型在执行对话问答生成任务时按照目标视频描述信息向期望对话问答效果进行引导的目标提示词，这样就可以借助基于大型语言模型进行预先配置的目标问答模型按照目标视频描述信息在目标提示词的对话问答引导下自动生成对话问答数据，解决了需要完整看完视频以后才可以通过人工构造对话问答数据导致构造时间长的问题，通过实时分析视频获取视频描述信息就可以实时进行构造，同时由于在构造过程中通过提示词来引导问答模型构造对话问答数据，在一定程度上能保证构造的对话问答数据的准确性。
64.图3为本公开实施例提供的一种视频对话问答数据生成装置的结构框图，本实施例的技术方案可适用于利用视频构造视频对话问答数据的情况，该装置可由软件和/或硬件实现，并一般集成在任何具有网络通信功能的电子设备上，该电子设备包括但不限于电脑、个人数字助理等设备。
65.如图3所示，本实施例的视频对话问答数据生成装置，可包括以下：
66.描述信息确定模块310，用于确定目标视频对应的目标视频描述信息；
67.提示信息确定模块320，用于确定目标问答模型采用的目标提示词，所述目标问答模型是基于大型语言模型进行预先配置得到，所述目标提示词能使所述目标问答模型在执行对话问答生成任务时按照所述目标视频描述信息向期望对话问答效果进行引导；
68.数据生成模块330，用于基于所述目标视频描述信息与所述目标提示词，通过所述目标问答模型输出所述目标视频关联的对话问答数据。
69.在上述实施例的基础上，可选地，所述视频描述信息包括视频标题描述、单帧视频画面中事物主体以及事物主体之间的局部细节事件描述、连续多帧视频画面前后所表达的事物主体之间的整体细节事件描述、视频画面中事物主体位置以及视频画面中事物主体的对白文本内容。
70.在上述实施例的基础上，可选地，确定目标视频对应的目标视频描述信息，包括：
71.检测从目标视频中提取的至少两帧视频画面中是否出现事物主体，并在检测到出现事物主体时确定视频画面中的事物主体位置；
72.在检测到视频画面出现事物主体且检测到视频画面出现文本字幕时，将出现的文本字幕确定为视频画面中事物主体的对白文本内容；
73.在检测到视频画面出现事物主体且检测到视频画面存在匹配的音频时，将匹配的音频转化为文本后确定为视频画面中事物主体的对白文本内容。
74.在上述实施例的基础上，可选地，确定目标问答模型采用的目标提示词，包括：
75.响应于对目标视频的选择操作，确定所述目标视频对应对话问答数据的应用场景；
76.从所述目标问答模型关联的候选提示词中，确定与所述目标视频对应对话问答数据的应用场景匹配的目标提示词。
77.在上述实施例的基础上，可选地，基于所述目标视频描述信息与所述目标提示词，通过所述目标问答模型输出所述目标视频关联的视频对话问答数据，包括：
78.在目标提示词指示的预设位置处添加目标视频描述信息，得到所述目标问答模型的目标输入信息；
79.基于所述目标输入信息，控制所述目标问答模型执行对话问答生成任务，并根据对话问答生成任务的执行输出所述目标视频的视频对话问答数据。
80.在上述实施例的基础上，可选地，所述目标提示词中配置有第一提示信息、第二提示信息、第三提示信息、第四提示信息以及第五提示信息，所述第一提示信息用于指示所述目标问答模型模拟进行目标视频观看以执行创建提问并回答的对话问答生成任务，第二提示信息用于指示所述目标问答模型在执行对话问答生成任务时使用目标视频描述信息中包括的细节以使回答贴合目标视频描述信息，第三提示信息用于指示所述目标问答模型在执行对话问答生成任务时能给出明确回答，第四提示信息用于指示所述目标问答模型在执行对话问答生成任务时对预设类型的问题进行提问，第五提示信息用于指示所述目标问答模型在执行对话问答生成任务时给出包括详细推理过程的回答。
81.在上述实施例的基础上，可选地，在通过所述目标问答模型输出所述目标视频关联的对话问答数据之后，还包括：
82.响应于所述目标视频关联的对话问答数据的筛选操作，从所述目标视频关联的对话问答数据中确定目标对话问答数据；
83.响应于所述目标对话问答数据的编辑操作，将所述目标对话问答数据中提问对应的回答进行调整替换，以使调整替换的回答贴合所述目标视频描述。
84.本公开实施例的技术方案，在进行视频对话问答数据构造时，确定目标视频描述信息以及能使目标问答模型在执行对话问答生成任务时按照目标视频描述信息向期望对话问答效果进行引导的目标提示词，这样就可以借助基于大型语言模型进行预先配置的目标问答模型按照目标视频描述信息在目标提示词的对话问答引导下自动生成对话问答数据，解决了需要完整看完视频以后才可以通过人工构造对话问答数据导致构造时间长的问题，通过实时分析视频获取视频描述信息就可以实时进行构造，同时由于在构造过程中通过提示词来引导问答模型构造对话问答数据，在一定程度上能保证构造的对话问答数据的准确性。
85.本公开实施例所提供的视频对话问答数据生成装置可执行本公开任意实施例所提供的视频对话问答数据生成方法，具备执行视频对话问答数据生成方法相应的功能模块和有益效果。
86.值得注意的是，上述装置所包括的各个单元和模块只是按照功能逻辑进行划分
的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本公开实施例的保护范围。
87.下面参考图4，其示出了适于用来实现本公开实施例的电子设备800的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、pda(个人数字助理)、pad(平板电脑)、pmp(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字tv、台式计算机等等的固定终端。图4示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
88.如图4所示，电子设备800可以包括处理装置(例如中央处理器、图形处理器等)801，其可以根据存储在只读存储器(rom)802中的程序或者从存储装置806加载到随机访问存储器(ram)803中的程序而执行各种适当的动作和处理。在ram 803中，还存储有电子设备800操作所需的各种程序和数据。处理装置801、rom 802以及ram 803通过总线804彼此相连。输入/输出(i/o)接口805也连接至总线804。
89.通常，以下装置可以连接至i/o接口805：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置806；包括例如液晶显示器(lcd)、扬声器、振动器等的输出装置807；包括例如磁带、硬盘等的存储装置806；以及通信装置809。通信装置809可以允许电子设备800与其他设备进行无线或有线通信以交换数据。虽然图4示出了具有各种装置的电子设备800，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
90.本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
91.本公开实施例提供的电子设备与上述实施例提供的视频对话问答数据生成方法属于同一发明构思，未在本实施例中详尽描述的技术细节可参见上述实施例，并且本实施例与上述实施例具有相同的有益效果。
92.特别地，根据本公开的实施例，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，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态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视频对话问答数据生成方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置809从网络上被下载和安装，或者从存储装置806被安装，或者从rom 802被安装。在该计算机程序被处理装置801执行时，执行本公开实施例的视频对话问答数据生成方法中限定的上述功能。
93.本公开实施例提供了一种计算机存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述实施例所提供的视频对话问答数据生成方法。
94.需要说明的是，本公开上述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(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，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
公开中，计算机可读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，该计算机可读信号介质可以发送、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：电线、光缆、rf(射频)等等，或者上述的任意合适的组合。
95.在一些实施方式中，客户端、服务器可以利用诸如http(hypertext transfer protocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“lan”)，广域网(“wan”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
96.上述计算机可读介质可以是上述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。
97.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该电子设备执行时，使得该电子设备：确定目标视频对应的目标视频描述信息；确定目标问答模型采用的目标提示词，所述目标问答模型是基于大型语言模型进行预先配置得到，所述目标提示词能使所述目标问答模型在执行对话问答生成任务时按照所述目标视频描述信息向期望的对话问答效果进行引导；基于所述目标视频描述信息与所述目标提示词，通过所述目标问答模型输出所述目标视频关联的对话问答数据。
98.或者，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该电子设备执行时，使得该电子设备执行上述实施例中任一项所述的视频对话问答数据生成方法。
99.可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
100.附图中的流程图和框图，图示了按照本公开各种实施例的系统、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，该模块、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，框图和/或流程图中的每个方框、以及框图和/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。
101.描述于本公开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。其中，单元的名称在某种情况下并不构成对该单元本身的限定，例如，第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。
102.本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、片上系统(soc)、复杂可编程逻辑设备(cpld)等等。
103.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。
104.以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
105.此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
106.尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。

技术特征：
1.一种视频对话问答数据生成方法，其特征在于，所述方法包括：确定目标视频对应的目标视频描述信息；确定目标问答模型采用的目标提示词，所述目标问答模型是基于大型语言模型进行预先配置得到，所述目标提示词能使所述目标问答模型在执行对话问答生成任务时按照所述目标视频描述信息向期望的对话问答效果进行引导；基于所述目标视频描述信息与所述目标提示词，通过所述目标问答模型输出所述目标视频关联的对话问答数据。2.根据权利要求1所述的方法，其特征在于，所述视频描述信息包括视频标题描述、单帧视频画面中事物主体以及事物主体之间的局部细节事件描述、连续多帧视频画面前后所表达的事物主体之间的整体细节事件描述、视频画面中事物主体位置以及视频画面中事物主体的对白文本内容。3.根据权利要求2所述的方法，其特征在于，确定目标视频对应的目标视频描述信息，包括：检测从目标视频中提取的至少两帧视频画面中是否出现事物主体，并在检测到出现事物主体时确定视频画面中的事物主体位置；在检测到视频画面出现事物主体且检测到视频画面出现文本字幕时，将出现的文本字幕确定为视频画面中事物主体的对白文本内容；在检测到视频画面出现事物主体且检测到视频画面存在匹配的音频时，将匹配的音频转化为文本后确定为视频画面中事物主体的对白文本内容。4.根据权利要求1所述的方法，其特征在于，确定目标问答模型采用的目标提示词，包括：响应于对目标视频的选择操作，确定所述目标视频对应对话问答数据的应用场景；从所述目标问答模型关联的候选提示词中，确定与所述目标视频对应对话问答数据的应用场景匹配的目标提示词。5.根据权利要求1所述的方法，其特征在于，基于所述目标视频描述信息与所述目标提示词，通过所述目标问答模型输出所述目标视频关联的视频对话问答数据，包括：在目标提示词指示的预设位置处添加目标视频描述信息，得到所述目标问答模型的目标输入信息；基于所述目标输入信息，控制所述目标问答模型执行对话问答生成任务，并根据对话问答生成任务的执行输出所述目标视频的视频对话问答数据。6.根据权利要求1至5中任一所述的方法，其特征在于，所述目标提示词中配置有第一提示信息、第二提示信息、第三提示信息、第四提示信息以及第五提示信息，所述第一提示信息用于指示所述目标问答模型模拟进行目标视频观看以执行创建提问并回答的对话问答生成任务，第二提示信息用于指示所述目标问答模型在执行对话问答生成任务时使用目标视频描述信息中包括的细节以使回答贴合目标视频描述信息，第三提示信息用于指示所述目标问答模型在执行对话问答生成任务时能给出明确回答，第四提示信息用于指示所述目标问答模型在执行对话问答生成任务时对预设类型的问题进行提问，第五提示信息用于指示所述目标问答模型在执行对话问答生成任务时给出包括详细推理过程的回答。7.根据权利要求1所述的方法，其特征在于，在通过所述目标问答模型输出所述目标视
频关联的对话问答数据之后，还包括：响应于所述目标视频关联的对话问答数据的筛选操作，从所述目标视频关联的对话问答数据中确定目标对话问答数据；响应于所述目标对话问答数据的编辑操作，将所述目标对话问答数据中提问对应的回答进行调整替换，以使调整替换的回答贴合所述目标视频描述。8.一种视频对话问答数据生成装置，其特征在于，所述装置包括：描述信息确定模块，用于确定目标视频对应的目标视频描述信息；提示信息确定模块，用于确定目标问答模型采用的目标提示词，所述目标问答模型是基于大型语言模型进行预先配置得到，所述目标提示词能使所述目标问答模型在执行对话问答生成任务时按照所述目标视频描述信息向期望对话问答效果进行引导；数据生成模块，用于基于所述目标视频描述信息与所述目标提示词，通过所述目标问答模型输出所述目标视频关联的对话问答数据。9.一种电子设备，其特征在于，所述电子设备包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序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权利要求1-7中任一项所述的视频对话问答数据生成方法。10.一种计算机可读介质，其特征在于，所述计算机可读介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的视频对话问答数据生成方法。

技术总结
本公开实施例公开了一种视频对话问答数据生成方法、装置、电子设备以及介质。所述方法包括：确定目标视频对应的目标视频描述信息；确定目标问答模型采用的目标提示词，所述目标问答模型是基于大型语言模型进行预先配置得到，所述目标提示词能使所述目标问答模型在执行对话问答生成任务时按照所述目标视频描述信息向期望对话问答效果进行引导；基于所述目标视频描述信息与所述目标提示词，通过所述目标问答模型输出所述目标视频关联的对话问答数据。本方案解决了需要人工完整看完视频以后才可以通过人工构造对话问答数据导致构造时间长的问题。间长的问题。间长的问题。


技术研发人员：杜正印 马航航 袁泽寰
受保护的技术使用者：北京有竹居网络技术有限公司
技术研发日：2023.07.04
技术公布日：2023/10/7