(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211007668.X (22)申请日 2022.08.22 (71)申请人 腾讯科技 （深圳） 有限公司 地址 518000 广东省深圳市南 山区高新区 科技中一路腾讯大厦3 5层 (72)发明人 赵康菲　蒋彪彬　 (74)专利代理 机构 北京康信知识产权代理有限 责任公司 1 1240 专利代理师 周婷婷 (51)Int.Cl. G06V 10/80(2022.01) G06V 10/82(2022.01) G06V 10/94(2022.01) (54)发明名称 信息获取方法、 存 储介质和电子设备 (57)摘要 本申请公开了一种信息获取方法、 装置和存 储介质及电子设备。 其中， 该方法包括： 获取多级 结构对象的目标组成结构 对应的第一级特征， 其 中， 多级结构对象是多个目标组成结构连接构 成， 第一级特征为目标组成结构在第一维度下的 特征； 对多个目标组成结构中各个目标组成结构 对应的第一级特征进行聚合处理， 得到目标组成 结构对应的第二级特征； 基于第二级特征， 获取 多级结构 对象对应的交互属性信息， 可应用人工 智能场景中， 具体还涉及计算机视觉技术、 机器 学习等。 在本申请解决了信息获取的准确性较低 的技术问题。 权利要求书3页 说明书24页 附图9页 CN 115359328 A 2022.11.18 CN 115359328 A 1.一种信息获取 方法， 其特 征在于， 包括： 获取多级结构对象的目标组成结构对应的第一级特征， 其中， 所述多级结构对象是多 个目标组成结构连接构成， 所述第一级特 征为所述目标组成结构在第一维度下的特 征； 对所述多个目标组成结构中各个目标组成结构对应的第 一级特征进行聚合处理， 得到 所述目标组成结构对应的第二级特征， 其中， 所述第二级特征为所述 目标组成结构在第二 维度下的特征， 所述 目标组成结构由多个所述第二维度下 的目标组成结构构成， 所述第二 维度下的目标组成结构由多个所述第一维度下的目标组成结构 构成； 基于所述第 二级特征， 获取所述多级结构对象对应的交互属性信 息， 其中， 所述交互属 性信息用于预测所述多 级结构对象在与其 他结构对象进行交 互时的表现。 2.根据权利要求1所述的方法， 其特征在于， 所述获取多级结构对象的目标组成结构对 应的第一级特 征， 包括： 提取所述多级结构对象对应的目标图像中的图像特 征； 基于所述图像特征得到多个所述第一维度下的目标组成结构中各个第一组成结构对 应的初始第一级特 征； 基于所述初始第一级特 征， 获取所述各个第一组成结构对应的第一级特 征。 3.根据权利要求2所述的方法， 其特征在于， 所述基于所述初始第一级特征， 获取所述 各个第一组成结构对应的第一级特 征， 包括： 获取由所述各个第一组成结构 构成的多个第一组成结构对； 计算所述多个第一组成结构对中各个第一组成结构对的第一结构对特征， 其中， 所述 第一结构对特征包括所述第一组成结构对中每个第一组成结构对应的结构特征、 以及所述 每个第一组成结构之间的相对距离特 征； 基于所述第一结构对特 征， 获取所述各个第一组成结构对应的第一级特 征。 4.根据权利要求3所述的方法， 其特征在于， 所述基于所述第一结构对特征， 获取所述 各个第一组成结构对应的第一级特 征， 包括： 执行以下步骤， 直至 达到收敛条件： 对所述各个第一组成结构对的第一结构对特 征进行聚合处 理， 得到目标 结构对特 征； 合并所述目标结构对特征与 所述各个第 一组成结构对应的结构特征， 得到所述各个第 一组成结构对应的新的结构特 征； 在达到所述收敛条件的情况下， 将所述各个第 一组成结构对应的新的结构特征确定为 所述各个第一组成结构对应的第一级特 征； 在未达到所述收敛条件的情况下， 利用所述各个第 一组成结构对应的新的结构特征重 新计算所述第一结构对特征， 得到所述各个第一组成结构对的新的第一结构对特征， 并将 所述各个第一组成结构对的新的第一结构对特征确定为所述各个第一组成结构对的第一 结构对特征， 以及将所述各个第一组成结构对应的新的原子特征确定为所述各个第一组成 结构对应的结构特 征。 5.根据权利要求2所述的方法， 其特征在于， 所述基于所述图像特征得到多个所述第 一 维度下的目标组成结构中各个第一组成结构对应的初始第一级特 征， 包括： 基于所述图像特征得到所述各个第 一组成结构对应的第 一结构特征、 以及所述各个第 一组成结构所在的所述第二维度下的目标组成结构对应的目标 结构特征；权　利　要　求　书 1/3 页 2 CN 115359328 A 2对所述第一结构特征以及所述目标结构特征进行拼接处理， 得到所述各个第 一组成结 构对应的第二结构特 征， 其中， 所述初始第一级特 征包括所述第二结构特 征。 6.根据权利要求1所述的方法， 其特征在于， 所述基于所述第二级特征， 获取所述多级 结构对象对应的交 互属性信息， 包括以下至少之一： 获取由所述多个所述第二维度下的目标组成结构中各个第二组成结构构成的多个第 二组成结构对； 基于所述第二级特征， 计算所述多个第二组成结构对中各个第二组成结构 对的第一 目标结构特征， 其中， 所述第一 目标结构特征用于表示所述第二组成结构对中每 个第二组成结构之 间的特征内积相似性； 基于所述第一目标结构特征获取所述交互属性信 息； 获取所述多个第二组成结构对； 基于所述第二级特征， 计算所述各个第二组成结构对 的第二目标结构特征， 其中， 所述第二 目标结构特征用于表示所述每个第二组成结构之间 通过线性映射在序列上时呈现的相对距离； 基于所述第二目标结构特征获取所述交互属性 信息； 获取所述多个第二组成结构对； 基于所述第二级特征， 计算所述各个第二组成结构对 的第三目标结构特征， 其中， 所述第三 目标结构特征用于表示所述每个第二组成结构之间 的碳原子距离； 基于所述第三目标 结构特征获取所述交互属性信息 。 7.根据权利要求6所述的方法， 其特征在于， 所述基于所述第二级特征， 获取所述多级 结构对象对应的交 互属性信息， 包括： 在获取到所述第一目标结构特征、 所述第二目标结构特征、 以及所述第三目标结构特 征的情况下， 对所述第一目标结构特征、 所述第二目标结构特征、 以及所述第三目标结构特 征进行聚合处 理， 得到聚合结构特 征； 通过向量拼接， 对所述聚合结构特征与所述第二级特征进行合并处理， 得到输出结构 特征； 基于所述输出 结构特征获取所述交互属性信息 。 8.根据权利要求2所述的方法， 其特 征在于， 所述基于所述初始第一级特征， 获取所述各个第 一组成结构对应的第 一级特征， 包括： 将所述初始第一级特征输入第一目标模型， 通过所述第一目标模型中的第一子结构进 行信 息传递， 得到所述各个第一组成结构对应的第一级 特征， 其中， 所述第一目标模 型为利用第 一样本训练得到的、 用于特 征处理的神经网络模型； 所述对所述多个目标组成结构中各个目标组成结构对应的第 一级特征进行聚合处理， 得到所述目标组成结构对应的第二级 特征， 包括： 通过所述第一目标模型中的第二子结构， 对所述各个第一组成结构对应的第一级特征进行聚合处理， 得到所述目标 组成结构对应的 第二级特 征。 9.根据权利要求6所述的方法， 其特征在于， 所述基于所述第二级特征， 获取所述多级 结构对象对应的交 互属性信息， 包括： 将所述第二级特征输入第 二目标模型， 通过所述第 二目标模型的第 三子结构进行信 息 传递， 得到所述各个第二组成结构对应的输入结构特征， 其中， 所述第二目标模 型为利用第 二样本训练得到的、 用于特 征处理的神经网络模型； 通过所述第 二目标模型的第四子结构， 对所述各个第 二组成结构对应的输入结构特征权　利　要　求　书 2/3 页 3 CN 115359328 A 3