用于识别信息的方法和装置

技术领域

本公开的实施例涉及计算机技术领域，具体涉及用于识别信息的方法和装置。

背景技术

分类学习是人工智能主要的应用场景之一。例如，根据植物图像识别对应的植物类别。又例如，根据物品图像识别物品类别。再例如，识别视频内容所属的类别等等。目前，主要是利用基于深度学习的网络模型实现分类学习。为了使得网络模型具有较优的分类能力，通常需要大量的标注样本对网络模型进行训练。

在一些应用场景下，获取大量的标注样本需要花费较高的人力或时间成本，或者仅能获取少量的标注样本。这些情况下，如何利用较少的标注样本来实现分类学习，即小样本学习是值得思考的一个问题。

目前，小样本学习的主要方法是元学习(Meta-Learning)。针对小样本的元学习主要包括基于优化的元学习方法和基于度量的元学习方法两种。其中，基于优化的元学习方法通常是利用少量的标注样本对用于分类的网络模型进行训练，然后在测试阶段，利用新任务对网络模型进行优化。基于度量的元学习方法通常是利用少量的标注样本学习类别表征，然后根据待分类对象的特征表征与类别表征之间的关系确定待分类对象的类别。

发明内容

本公开的实施例提出了用于识别信息的方法和装置。

第一方面，本公开的实施例提供了一种用于识别信息的方法，该方法包括：获取待识别信息的第一属性特征；获取类别特征集，其中，类别特征集中的各类别特征分别用于表征不同的信息类别，每个类别特征通过融合对应信息类别的目标信息集中的信息的第一属性特征和第二属性特征得到；确定待识别信息的第一属性特征分别与类别特征集中的各类别特征的相似度，得到相似度集；根据相似度集，确定待识别信息所属的信息类别。

第二方面，本公开的实施例提供了一种用于识别信息的装置，该装置包括：属性特征获取单元，被配置成获取待识别信息的第一属性特征；类别特征获取单元，被配置成获取类别特征集，其中，类别特征集中的各类别特征分别用于表征不同的信息类别，每个类别特征通过融合对应信息类别的目标信息集中的信息的第一属性特征和第二属性特征得到；相似度确定单元，被配置成确定待识别信息的第一属性特征分别与类别特征集中的各类别特征的相似度，得到相似度集；信息类别确定单元，被配置成根据相似度集，确定待识别信息所属的信息类别。

第三方面，本公开的实施例提供了一种电子设备，该电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。

第四方面，本公开的实施例提供了一种计算机可读介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。

本公开的实施例提供的用于识别信息的方法和装置，预先通过融合每个信息类别对应的目标信息集中的信息的至少两种属性特征确定该信息类别对应的类别特征，然后可以根据待识别信息的一种属性特征分别与各种信息类别对应的类别特征之间的相似度确定待识别信息的信息类别。这种方式利用每种信息类别下的信息的多种属性特征可以生成更准确的类别表征，从而提升后续针对待识别信息的类别识别的准确性、鲁棒性和可信度。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本公开的其它特征、目的和优点将会变得更明显：

图1是本公开的一个实施例可以应用于其中的示例性系统架构图；

图2是根据本公开的用于识别信息的方法的一个实施例的流程图；

图3是根据本公开的用于识别信息的方法中类别表征的确定方法的一个实施例的流程图；

图4是根据本公开的实施例的用于识别信息的方法的一个应用场景的示意图；

图5是根据本公开的用于识别信息的装置的一个实施例的结构示意图；

图6是适于用来实现本公开的实施例的电子设备的结构示意图。

具体实施方式

下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，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。下面将参考附图并结合实施例来详细说明本公开。

图1示出了可以应用本公开的用于识别信息的方法或用于识别信息的装置的实施例的示例性架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，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通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种客户端应用。例如，搜索类应用、浏览器类应用、图像处理类应用、文本处理类应用、购物类应用等等。

终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。

服务器105可以是提供各种服务的服务器，例如为终端设备101、102、103上安装的客户端应用提供后端支持的服务器。服务器105可以是硬件，也可以是软件。当服务器105为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器105为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。

需要说明的是，本公开的实施例所提供的用于识别信息的方法一般由服务器105执行，相应地，用于识别信息的装置一般设置于服务器105中。

还需要指出的是，终端设备101、102、103中也可以安装有信息识别类应用，终端设备101、102、103也可以基于信息识别类应用对待识别信息进行识别。此时，用于识别信息的方法也可以由终端设备101、102、103执行，相应地，用于识别信息的装置也可以设置于终端设备101、102、103中。此时，示例性系统架构100可以不存在服务器105和网络104。

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。

继续参考图2，其示出了根据本公开的用于识别信息的方法的一个实施例的流程200。该用于识别信息的方法包括以下步骤：

步骤201，获取待识别信息的第一属性特征。

在本实施例中，待识别信息可以是各种类型的信息。例如，待识别信息的类型包括但不限于：图像、文本、视频、音频等等。

第一属性特征可以用于表征信息的第一属性的属性值。其中，第一属性可以是信息的任意属性。例如，对于图像来说，第一属性可以为图像的视觉特征(如纹理特征、形状特征、空间关系特征、形状特征等等)。

在本实施例中，用于识别信息的方法的执行主体(如图1所示的服务器105等)可以从本地或其他存储设备(如连接的数据库、图1所示的终端设备101、102、103等)获取待识别信息的第一属性特征。

步骤202，获取类别特征集。

在本实施例中，类别特征集可以由若干个类别特征组成。类别特征可以用于表征信息所属的信息类别。类别特征集中的各类别特征可以分别对应不同的信息类别。

信息类别的划分方式可以根据实际的应用场景和应用需求预先设置。例如，在物品识别的应用场景下，信息类别可以包括各种物品类别。又例如，在植物识别的应用场景下，信息类别可以包括各种植物类别。

对于类别特征集中的每个类别特征，该类别特征可以通过融合对应信息类别的目标信息集中的信息的第一属性特征和第二属性特征得到。其中，目标信息集可以指该类别特征所表征的信息类别对应的目标信息集。信息类别对应的目标信息集可以由属于该信息类别的若干信息组成。

第二属性特征可以用于表征信息的第二属性的属性值。其中，第二属性可以是信息的任意属性。一般地，第一属性与第二属性不同。此时，第一属性特征和第二属性特征分别用于描述不同的属性特征。

具体地，可以灵活采用各种融合方法融合目标信息集中的信息的第一属性特征和第二属性特征得到类别表征。例如，可以先对目标信息集中的各个信息分别对应的第一属性特征取平均作为融合后的第一属性特征，然后对各个信息分别对应的第二属性特征取平均作为融合后的第二属性特征，然后再融合第一属性特征和第二属性特征(如第一属性特征和第二属性特征相加或相乘等)作为对应的目标信息集所属的信息类别对应的类别表征。

在本实施例中，执行主体可以从本地或其他存储设备获取类别特征集。需要说明的是，类别特征集中的类别特征可以由上述执行主体通过融合对应信息类别的目标信息集中的信息的第一属性特征和第二属性特征得到，也可以由其他电子设备等通过融合对应信息类别的目标信息集中的信息的第一属性特征和第二属性特征得到。

步骤203，确定待识别信息的第一属性特征分别与类别特征集中的各类别特征的相似度，得到相似度集。

在本实施例中，第一属性特征和类别特征一般都可以使用向量进行表示。第一属性特征和类别特征之间的相似度可以利用现有的各种相似度计算方法确定。例如，第一属性特征和类别特征之间的相似度可以根据第一属性特征和类别特征之间的欧式距离和/或余弦相似度确定。

步骤204，根据相似度集，确定待识别信息所属的信息类别。

在本实施例中，在得到待识别信息对应的相似度集之后，可以根据相似度集中的各个相似度和实际的应用场景，采用各种方法确定待识别信息所属的信息类别。

例如，可以先从相似度集中选取最大相似度，然后确定最大相似度对应的信息类别作为待识别信息所属的信息类别。又例如，可以按照从大到小的顺序选取若干相似度，并将选取的相似度分别对应的信息类别作为待识别信息的候选信息类别，然后再结合其他信息类别识别方法的识别结果，综合确定待识别信息的候选信息类别。

在本实施例的一些可选的实现方式中，第一属性特征所表示的特征和第二属性特征所表示的特征可以是不同模态的特征。例如，第一属性特征所表示的特征和第二属性特征所表示的特征可以包括视觉特征和语义特征。此时，可以综合信息的视觉特征和语义特征来准确表示类别特征。

作为示例，第一属性特征表示信息的视觉特征、第二属性特征表示信息的语义特征。或者，第一属性特征表示信息的语义特征，第二属性特征表示信息的视觉特征。

利用信息的多模态特征提升信息属性特征的丰富度，从而利用更丰富的属性特征可以得到相对较准确地类别表征，进而有助于提升后续基于类别表征的信息识别的准确度。

在本实施例的一些可选的实现方式中，第二属性特征的数目可以为一个，也可以为两个以上，具体可以根据不同的应用场景或实际需求灵活设置，以结合各种有效的属性特征来准确表示类别特征。

在本实施例的一些可选的实现方式中，对于类别特征集中的每个类别特征，用于得到该类别特征的目标信息集中包括的信息的数目不大于预设阈值。其中，预设阈值可以由技术人员根据实际的应用场景预先设置。

在一些情况下，能够获取到的每种信息类别的信息的数目是有限的。此时，单单利用较少的信息比较难学习到对应信息类别的类别标准。针对这种情况，可以从另一个角度通过扩充信息的属性特征来提升类别表征的准确度。

需要说明的是，在本公开中为了便于描述不同的对象(如不同的属性、不同的属性特征、不同的神经网络等)，使用第一和第二来区分两个对象，本领域技术人员应当理解，其中的第一或第二并不构成对相关对象的特殊限定。

本公开的上述实施例提供的方法通过在学习每种信息类别的类别表征时，扩充信息的属性特征的类型，以结合信息的多种属性特征来学习每种信息类别的类别表征，由此可以一定程度地解决由于可以使用的每种信息类别的信息的数目较少或信息的指定属性特征所能表示的信息不足时导致学习的类别表征不可靠的问题，提升类别表征的可靠性。

进一步参考图3，其示出了用于识别信息的方法中类别表征的确定方法的一个实施例的流程300。如图3所示，对于类别特征集中的每个类别特征，可以通过以下步骤得到：

步骤301，获取该类别特征对应的目标信息集中的信息的第一属性特征和第二属性特征。

需要说明的是，确定类别表征的执行主体可以是本公开的用于识别信息的方法的执行主体，也可以是其他任意的电子设备等。

在本实施例中，确定类别表征的执行主体可以从本地或其他存储设备获取目标信息集中的各个信息分别对应的第一属性特征和第二属性特征。

步骤302，对于该类别特征对应的目标信息集中的信息，融合该信息的第一属性特征和第二属性特征，得到该信息对应的融合后的特征。

在本实施例中，对于目标信息集中的每个信息，可以利用各种融合方法融合该信息的第一属性特征和第二属性特征，得到该信息对应的融合后的特征。

例如，可以直接拼接该信息的第一属性特征和第二属性特征作为该信息对应的融合后的特征。又例如，可以对该信息的第一属性信息和第二属性信息进行相乘得到该信息对应的融合后的特征。

可选地，可以利用非线性融合的方法融合该信息的第一属性特征和第二属性特征。例如，通过计算该信息的第一属性特征和第二属性特征的加权和作为该信息对应的融合后的特征。其中，第一属性特征和第二属性特征分别对应的权重属于0到1之间，且和为1。由此，可以在融合第一属性特征和第二属性特征时，引入注意力机制以区分不同属性特征的作用，从而有助于得到更准确的类别表征。

作为示例，可以通过如下公式融合该信息的第一属性特征和第二属性特征：

P′

其中，Pm表示第一属性特征，Sm表示第二属性特征，P`m表示融合后的特征，a表示权重。

步骤303，根据该类别特征对应的目标信息集中的各信息分别对应的融合后的特征，确定该类别特征。

在本实施例中，在得到目标信息集中的各信息分别对应的融合后的特征之后，可以采用各种方法确定对应信息类别的类别表征。例如，可以对各个信息分别对应的融合后的特征取平均或加权融合结果作为对应信息类别的类别表征。

需要说明的是，在目标信息集中仅包括一个信息时，可以直接使用该信息对应的融合后的特征作为该信息所属的信息类别的类别表征。

在本实施例的一些可选地实现方式中，对于目标信息中的信息，可以利用预先训练的第一神经网络获取该信息的第一属性特征，以及利用预先训练的第二神经网络获取该信息的第二属性特征。

其中，第一神经网络和第二神经网络可以基于现有的各种特征提取网络的结构进行设计。第一神经网络和第二神经网络的结构可以相同，也可以不同。例如，第一神经网络可以是卷积神经网络，也可以是带池化的卷积神经网络，还可以是图卷积网络、语言模型等等。

作为示例，第一神经网络或第二神经网络可以是多层卷积神经网络，以利用如下公式实现对图像的特征提取：

其中，x表示卷积神经网络的输入，

作为又一示例，卷积神经网络可以包括池化层，以利用如下公式对卷积神经网络中的网路层输出的特征图进行平均池化：

其中，Sm表示特征图，Pm表示池化结果，(xi,yi)表示特征图中的像素点，θ为池化层的参数，f(x

作为再一示例，第一神经网络或第二神经网络可以是图卷积网络，以利用如下公式实现特征提取：

其中，Z表示图卷积网络的输出，ReLU为非线性激活函数，

第一神经网络和第二神经网络可以采用现有的各种基于机器学习的训练方法预先训练得到。第一神经网络和第二神经网络可以分别独立训练得到。

在本实施例的一些可选地实现方式中，第一神经网络和第二神经网络可以通过协同训练得到。具体地，可以利用现有的各种协同训练方法训练第一神经网络和第二神经网络以使第一神经网络和第二神经网络在训练过程中可以互相学习，以提升第一神经网络和第二神经网络的特征表征能力。

可选地，第一神经网络和第二神经网络协同训练的损失函数可以包括第一损失函数、第二损失函数和第三损失函数中的一种或多种。

其中，第一损失函数可以用于表征第一神经网络的输出与对应期望输出之间的差异，和/或，用于表征第二神经网络的输出与对应期望输出之间的差异。神经网络的输出可以指神经网络在训练过程中对输入样本的输出结果，对应期望输出可以指神经网络针对输入样本预先标注的输出结果。作为示例，第一损失函数可以基于神经网络的输出和对应期望输出的2范数设计。

第二损失函数可以用于表示根据第一神经网络和第二神经网络的输出所确定的信息类别与标注的信息类别之间的差异。具体地，在训练过程中，可以对第一神经网络和第二神经网络针对同一输入样本的输出结果进行融合，然后根据融合结果预测该输入样本所属的信息类别，再根据预测的信息和针对该输入样本预先标注的类别之间的差异计算第二损失函数。

第三损失函数可以用于对齐第一神经网络和第二神经网络。具体地，在训练过程中，可以利用现有的各种网络对齐方法设计第三损失函数来对齐第一神经网络和第二神经网络分别对应的向量空间的特征分布，以提升整体识别效果的鲁棒性。

作为示例，第三损失函数可以表示为如下公式：

其中，L

此时，可以基于生成式对抗网络来对齐第一神经网络和第二神经网络。具体地，可以将第一神经网络和第二神经网络作为生成模型，同时分别构建第一神经网络和第二神经网络对应的判别模型。

在实际的训练过程中，可以利用第一损失函数、第二损失函数和第三损失函数中的一种或多种调整第一神经网络和第二神经网络的参数，以完成第一神经网络和第二神经网络的训练。

继续参见图4，图4是根据本实施例的用于识别信息的方法的一个示意性的应用场景400。在图4的应用场景中，可以获取待识别图像401，然后利用预先训练的卷积神经网络402提取待识别图像401的视觉特征403。然后获取预先划分的各个信息类别分别对应的类别表征404，再计算待识别图像401的视觉特征403分别与各个类别特征的相似度，得到相似度集405，然后可以从中选取最大相似度对应的信息类别作为待识别图像所属的信息类别。

其中，预先划分的各个信息类别分别对应的类别表征404可以通过如图中标号407所示的过程预先得到。具体地，以一种信息类别作为示例，可以先获取属于该信息类别的样本图像集，然后获取样本图像集中的样本图像对应的知识图谱。

对于样本图像集中的样本图像，可以将该样本图像输入至卷积神经网络提取样本图像的视觉特征，同时，利用图卷积网络对样本图像集对应的知识图谱进行处理，以提取知识图谱中表征该样本图像的节点的语义特征。然后可以对该样本图像的视觉特征和语义特征求加权和，得到该样本图像对应的融合特征。之后，可以对样本图像集中的各个样本图像分别对应的融合特征取平均作为样本图像集对应的信息类别的类别表征。

本公开的上述实施例提供的方法对于每种信息类别对应的目标信息集，获取其中目标信息的多种属性特征，并融合每个信息的多种属性特征，再综合各个信息对应的融合后的特征来表征该信息类别，这样一来可以充分挖掘信息的多种属性特征来更准确地表征信息，以辅助利用各信息的特征表征更准确地表征对应信息类别的类别表征。进而，利用生成的、置信度较高的类别表征可以更好地为待识别信息进行信息类别的识别，实现多属性条件下信息类别的鲁棒、可信识别。

进一步参考图5，作为对上述各图所示方法的实现，本公开提供了用于识别信息的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图5所示，本实施例提供的用于识别信息的装置500包括属性特征获取单元501、类别特征获取单元502、相似度确定单元503和信息类别确定单元504。其中，属性特征获取单元501被配置成获取待识别信息的第一属性特征；类别特征获取单元502被配置成获取类别特征集，其中，类别特征集中的各类别特征分别用于表征不同的信息类别，每个类别特征通过融合对应信息类别的目标信息集中的信息的第一属性特征和第二属性特征得到；相似度确定单元503被配置成确定待识别信息的第一属性特征分别与类别特征集中的各类别特征的相似度，得到相似度集；信息类别确定单元504被配置成根据相似度集，确定待识别信息所属的信息类别。

在本实施例中，用于识别信息的装置500中：属性特征获取单元501、类别特征获取单元502、相似度确定单元503和信息类别确定单元504的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201、步骤202、步骤203和步骤204的相关说明，在此不再赘述。

在本实施例的一些可选的实现方式中，目标信息集包括的信息的数目不大于预设阈值。

在本实施例的一些可选的实现方式中，类别特征集中的每个类别特征通过如下步骤得到：获取该类别特征对应的目标信息集中的信息的第一属性特征和第二属性特征；对于该类别特征对应的目标信息集中的信息，融合该信息的第一属性特征和第二属性特征，得到该信息对应的融合后的特征；根据该类别特征对应的目标信息集中的各信息分别对应的融合后的特征，确定该类别特征。

在本实施例的一些可选的实现方式中，获取该类别特征对应的目标信息集中的信息的第一属性特征和第二属性特征，包括：利用预先训练的第一神经网络获取该类别特征对应的目标信息集中的信息的第一属性特征；利用预先训练的第二神经网络获取该类别特征对应的目标信息集中的信息的第二属性特征；其中，第一神经网络和第二神经网络协同训练。

在本实施例的一些可选的实现方式中，第一神经网络和第二神经网络协同训练的损失函数包括第一损失函数，其中，第一损失函数用于表征第一神经网络的输出与对应期望输出之间的差异，和/或第二神经网络的输出与对应期望输出之间的差异。

在本实施例的一些可选的实现方式中，第一神经网络和第二神经网络协同训练的损失函数包括第二损失函数，其中，第二损失函数用于表示根据第一神经网络和第二神经网络的输出所确定的信息类别与标注的信息类别之间的差异。

在本实施例的一些可选的实现方式中，第一神经网络和第二神经网络协同训练的损失函数包括第三损失函数，其中，第三损失函数用于对齐第一神经网络和第二神经网络。

在本实施例的一些可选的实现方式中，第一属性特征所表示的特征和第二属性特征所表示的特征包括视觉特征和语义特征。

本公开的上述实施例提供的装置，通过属性特征获取单元获取待识别信息的第一属性特征；类别特征获取单元获取类别特征集，其中，类别特征集中的各类别特征分别用于表征不同的信息类别，每个类别特征通过融合对应信息类别的目标信息集中的信息的第一属性特征和第二属性特征得到；相似度确定单元确定待识别信息的第一属性特征分别与类别特征集中的各类别特征的相似度，得到相似度集；信息类别确定单元根据相似度集，确定待识别信息所属的信息类别。这种方式利用每种信息类别下的信息的多种属性特征可以生成更准确的类别表征，从而提升后续针对待识别信息的类别识别的准确性、鲁棒性和可信度。

下面参考图6，其示出了适于用来实现本公开的实施例的电子设备(例如图1中的服务器)600的结构示意图。图6示出的服务器仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。

如图6所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

通常，以下装置可以连接至I/O接口605：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606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600，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。图6中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。

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装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开的实施例的方法中限定的上述功能。

需要说明的是，本公开的实施例所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。在本公开的实施例中，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。而在本公开的实施例中，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。

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。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：获取待识别信息的第一属性特征；获取类别特征集，其中，类别特征集中的各类别特征分别用于表征不同的信息类别，每个类别特征通过融合对应信息类别的目标信息集中的信息的第一属性特征和第二属性特征得到；确定待识别信息的第一属性特征分别与类别特征集中的各类别特征的相似度，得到相似度集；根据相似度集，确定待识别信息所属的信息类别。

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实施例的操作的计算机程序代码，所述程序设计语言包括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)。

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。

描述于本公开的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，例如，可以描述为：一种处理器包括属性特征获取单元、类别特征获取单元、相似度确定单元和信息类别确定单元。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，例如，属性特征获取单元还可以被描述为“获取待识别信息的第一属性特征的单元”。

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，本公开的实施例中所涉及的发明范围，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发明构思的情况下，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的实施例中公开的(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。