CN103686236A - 推荐视频资源的方法及系统 - Google Patents

Abstract

本发明提供了一种推荐视频资源的方法及系统，包括：收集各用户观看视频过程中的历史记录；对收集到的各用户的历史记录进行统计，根据所述观看视频的时间信息计算每一用户在各时段内观看视频的观看数量占比或观看时长占比，并将该用户归入数量占比或时长占比大于组阈值的特定时段所对应的用户组，生成各特定时段对应包括典型用户的用户组；分别获取各特定时段的用户组内典型用户在其他维度上的数据特征，确定各特定时段的用户在其他维度上的组特征；如果是，则将该用户加入该特定时段的用户组；根据各用户组所对应的特定时段信息，向用户组内的用户推荐对应的视频资源。通过本发明，在用户观看视频时可以有针对性的进行内容推荐，提高推荐效果。

Description

推荐视频资源的方法及系统

技术领域

 本发明涉及智能电视技术领域，特别是涉及推荐视频资源的方法及系统。

背景技术

随着手机和平板电脑的大面积智能化，智能电视也正逐步进入我们的生活。智能电视像智能手机一样，具有全开放式平台，搭载了操作系统，可以由用户自行安装和卸载软件、游戏等程序，这类程序可能是智能电视生产商提供的，还可能是第三方服务商提供的，通过此类程序可以不断对智能电视的功能进行扩充。另外，还可以通过网线、无线网络来实现上网冲浪等。即，真正的智能电视能从网络、AV设备、PC等多种渠道获得节目内容，通过简单易用的整合式操作界面，简易操作即可将消费者最需要的内容在大屏幕上清晰地展现。

目前，用户从智能电视获取资源的方式一般只有两种。一种是最传统的方式，也即用户自己通过智能电视界面中提供的各种访问入口，主动选择信息源之后进行点击观看。例如，用户可以选择观看传统的电视信号源，或者智能电视服务器提供的轮播频道中的节目，等等。另一种是服务器向用户推送一些推荐信息，例如将最近的热门视频推送给用户，用户进行被动的接收。

通过向用户推送一些视频的方式，使得用户可以通过智能电视获得更丰富的信息。但是，现有技术在进行视频信息的推送时，主要考虑的是视频的热门程度等信息，推送给用户之后，多数用户可能对其并不感兴趣，进而被用户忽略，浪费了推送过程所耗费的系统及网络资源。

因此，迫切需要本领域技术人员解决的技术问题就在于，在向用户推送视频信息的过程中，如何使得推荐的有效性得到提高。

发明内容

针对现有技术中存在的缺陷，本发明提供一种推荐视频资源的方法及系统。

一种推荐视频资源的方法，包括：收集各用户观看视频过程中的历史记录；所述历史记录包括观看视频的时间信息，以及至少一种其他维度上的数据；对收集到的各用户的历史记录进行统计，根据所述观看视频的时间信息计算每一用户在各时段内观看视频的观看数量占比或观看时长占比，并将该用户归入数量占比或时长占比大于组阈值的特定时段所对应的用户组，该用户定义为典型用户，生成各特定时段对应的包括典型用户的用户组；分别获取各特定时段的用户组内典型用户在其他维度上的数据特征，确定各特定时段的用户在其他维度上的组特征；判断典型用户外的其他用户在其他维度上的数据特征，是否满足某特定时段组的组特征，如果是，则将该用户加入该特定时段的用户组；根据各用户组所对应的特定时段信息，向用户组内的用户推荐对应的视频资源。

可选地，所述至少一种其他维度上的数据包括，用户观看视频的名称、用户进行搜索的记录和搜索内容、和用户对推荐类的消息的点击记录。

可选地，所述收集各用户观看视频过程中的历史记录包括：当用户观看视频的时长大于第一下限值时，记录其历史记录。

可选地，所述组阈值包括数量占比组阈值或时长占比组阈值。

可选地，计算典型用户外的其他用户各观看时段的数量占比，判断该数量占比是否大于等于对应组的数量占比组阈值，若大于等于对应的数量占比组阈值则将其划入该组；若小于各分组的数量占比组阈值，则获得该用户在其他维度上的数据特征。

可选地，计算典型用户外的其他用户各观看时段的时长占比，判断该时长占比是否大于等于对应组的时长占比组阈值，若大于等于对应的时长占比组阈值则将其划入该组；若小于各分组的时长占比组阈值，则获得该用户在其他维度上的数据特征。

可选地，对于历史记录条数大于第二下限值的用户进行统计分组，对于分组后的用户在每增加一定条数的记录后重新对该用户进行统计分组。

一种推荐视频资源的系统，包括：历史记录获取模块，用于收集各用户观看视频过程中的历史记录；所述历史记录包括观看视频的时间信息，以及至少一种其他维度上的数据；典型用户选取划分模块，用于对收集到的各用户的历史记录进行统计，根据所述观看视频的时间信息计算每一用户在各时段内观看视频的观看数量占比或观看时长占比，并将该用户归入数量占比或时长占比大于组阈值的特定时段所对应的用户组，该用户定义为典型用户，生成各特定时段对应包括典型用户的用户组；模型训练模块，用于分别获取各特定时段的用户组内典型用户在其他维度上的数据特征，确定各特定时段的用户在其他维度上的组特征；用户分组模块，用于判断典型用户外的其他用户在其他维度上的数据特征，是否满足某特定时段组的组特征，如果是，则将该用户加入该特定时段的用户组；视频推荐模块，用于根据各用户组所对应的特定时段信息，向用户组内的用户推荐对应的视频资源。

可选地，所述至少一种其他维度上的数据包括，用户观看视频的名称、用户进行搜索的记录和搜索内容、和用户对推荐类的消息的点击次数。

可选地，所述组阈值包括数量占比组阈值或时长占比组阈值。

可选地，第一判断模块，用于计算典型用户外的其他用户各观看时段的数量占比，判断该数量占比是否大于等于对应组的数量占比组阈值，若大于等于对应的数量占比组阈值则将其划入该组；若小于各分组的数量占比组阈值，则触发所述用户分组模块执行判断在其他维度上的数据特征的操作;

或者第二判断模块，用于计算典型用户外的其他用户各观看时段的时长占比，判断该时长占比是否大于等于对应组的时长占比组阈值，若大于等于对应的时长占比组阈值则将其划入该组；若小于各分组的时长占比组阈值，则触发所述用户分组模块执行判断在其他维度上的数据特征的操作。

与现有技术相比，上述技术方案具有以下优点或有益效果：通过统计用户观看视频的历史数据，可以判定该用户属于何种观影时段类型，通过统计用户数据在不同角度上的数据分布，能够较为准确的实现对用户所属时段类别的分组，这样在用户观看视频时就可以有针对性的进行内容推荐,提高了推荐效果。

附图说明                    

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1是本发明实施例提供的视频推荐方法流程图。

图2是本发明实施例提供的视频推荐系统示意图。

具体实施方式

下面结合附图，进一步阐述本发明。应理解，这些实施例仅用 于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授 的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式 同样落于本申请所附权利要求书所限定的范围。 

本发明的智能电视系统包括客户端和服务器，用户通过客户端登陆特定账号后可以访问服务器上的各种视频资源，客户端可以是运行在智能电视终端的应用程序，通过终端设备用户可以收看服务器上的视频资源。服务器保存有各账号的观看历史记录，通过对观看历史记录的分析向不同用户推荐其感兴趣的视频资源。下面通过具体的实施例对本发明做进一步介绍。

实施例1

如图1所示，本发明实施例首先提供一种推荐视频资源的方法。在视频观看过程中由于每个人的观看习惯、个人喜好不同, 例如，有些用户习惯在早上观看、有些用户习惯在中午观看，有些用户习惯晚上观看等等，即用户习惯的观看时段不同，本发明实施例会记录与这些观看习惯相关的用户的一些观看记录，收集到的观看记录可以称为历史记录，历史记录可以是由客户端进行收集，然后上传到服务器，这样，服务器就可以获取到各个客户端的历史观看记录。其中，客户端可以采用实时上传的方式，或者采用定期上传（例如，每周上传一次），或者定量上传（例如，每记录10M的数据上传一次），等等。历史记录中包括各用户观看视频的时间信息，时间信息包括用户观看视频的时段、各时段内观看视频的时长等。通过对历史记录的统计可以发现，各用户习惯的观看时段和在各时段内的观看时长是不同的，某些用户的历史观看记录中能够明显的体现出用户在某一时段观看视频的数量占比或时长占比显著高于其他时段，这些用户可以被称为典型用户，可以据此将典型用户划分到不同时段的用户组中。

用户组可以分为早上观影组（对应时段可以为6:00-8：00）、中午观影组（对应时段可以为11:00-14:00）、晚上观影组（对应时段可以为18:00-23:00）等。当然对于用户的分组并非局限于此，还可以对用户进行更多的分组，例如将6:00-9:00时段观看的用户组称为早上观影组，9:00-11：00时段观看的用户组称为上午观影组，11:00-14：00时段观看的用户组称为中午观影组，14:00-18:00时段观看的用户组称为下午观影组，18：00-23:00时段观看的用户组称为晚上观影组，23:00-6:00时段观看的用户组称为午夜观影组。具体各分组所属的时段、分组的类型可以动态调整，以上举例并非意在限制对用户组的划分。

除典型用户外的其他用户的历史记录中可能无法直接从观看时段的数量占比或时长占比方面体现出某一用户组的显著性，此时，如何确定这些用户所属的用户组，则成为重点需要解决的问题。下面具体介绍用户划分的过程。

S101：收集各用户观看视频过程中的历史记录；所述历史记录包括观看视频的时间信息，以及至少一种其他维度上的数据；

为了能对众多用户进行划分，首先需要记录用户的观看历史记录。具体实现时，用户可以输入预先获得的账号信息，服务器可以接收账号信息，判断账号信息的合法性，当账号信息合法时收集该账号所对应的包括用户观看视频的观看时段和观看时长的历史记录。其中，具体实现时，用户可以通过扫描二维码，输入用户ID、密码，等方式登陆服务器。关于用户的观看历史记录，可以是由客户端进行收集，然后上传到服务器，这样，服务器就可以获取到各个客户端的历史观看记录。其中，客户端可以采用实时上传的方式，或者采用定期上传（例如，每周上传一次），或者定量上传（例如，每记录10M的数据上传一次），等等。

其中，除观看时间信息外，历史记录还可以包括用户观看的视频类型（用于统计用户观看类型的分布）、视频名称（用于统计用户观看同一视频的次数）、用户进行搜索的记录和搜索内容（用于统计用户进行搜索的次数和搜索的类型分布）、用户使用应用的记录和应用的类型（用于统计用户使用应用的次数和应用的类型分布）、用户对推荐类的消息的点击记录（用于统计用户对推荐消息的点击次数和比例）等。

服务器可以根据用户观看视频的时长来来判断是否需要记录该次观看行为，具体而言可以是：服务器以分为单位记录用户观看时间，当用户在某视频停留时间低于阈值时，例如1分钟，则此次行为无效，不予记录。这样既减小了数据记录量，记录的内容也更准确。

服务器接收到各用户观看历史记录后，首先可以对数据进行归一化处理，删除重复数据。然后就可以根据处理完后的历史记录，计算用户各时段观看视频的数量占比或各时段观看视频的观看时长占比。例如，历史记录中存在100条观看记录，在这100条观看记录中用户观看时段为早上的记录是60条，用户观看时段为晚上的记录是10条等等，则计算得到用户观看时段中早上观看视频的数量占比为60%，晚上观看视频的数量占比为10%等。再比如，历史记录中用户总的观看时长为100小时，在这100小时中用户观看时段为早上的时长是70小时，用户观看时段为晚上的时长是15小时等等，则计算得到用户观看时段中早上观看视频的时长占比为70%，晚上观看视频的时长占比为15%等。

S102：对收集到的各用户的历史记录进行统计，根据所述观看视频的时间信息计算每一用户在各时段内观看视频的观看数量占比或观看时长占比，并将该用户归入数量占比或时长占比大于组阈值的特定时段所对应的用户组，该用户定义为典型用户，生成各特定时段对应包括典型用户的用户组；

在已存在历史记录的用户中，一些用户具有明显的分类特征，如某些用户早上观看视频的数量占比大于60%，某些用户午夜观看视频的数量占比大于50%，某些用户中午观看视频的时长占比大于65%等等，则这些用户可以对应的分入早上观影组、午夜观影组、中午观影组等。而另一些用户不具有明显特征，例如有些用户的历史记录不完整，其中可能存在缺失的数据，例如，有些视频的类型难以划分，则系统就无法获得这次观看历史记录中的视频类型的记录，或者观看过程中网络中断导致无法获得观看时长等等情况，再比如一些用户各视频时段的数量占比或时长占比基本相同，比如对一些用户而言，早上观看视频的数量占比为30%、中午观看视频的数量占比为31%、晚上观看视频的数量占比为28%等，对于这些用户难以向其推荐视频。

为了解决这一问题，本发明选取一部分具有明显分类特征的用户进行组划分，确定观看特定类型视频的数量占比大于组阈值的典型用户，为下文的模型训练做准备。例如选取1000个用户，这1000个用户各观看视频时段的数量占比或时长占比均大于对应的组阈值，以数量占比为例，1000个用户中其早上观看视频的数量占比大于60%的用户为100个，则这100个用户可以划入早上观影组，这里数值60%称为组阈值，把与数量占比相对应的组阈值称为数量占比组阈值；再例如时长占比，1000个用户中其晚上观看视频的时长占比大于70%的用户为200个，则这200个用户可以划入晚上观影组，这里数值70%称为组阈值，把与时长占比相对应的组阈值称为时长占比组阈值。不同组的组阈值既可以相同也可以不同，其组阈值可以动态调整。

S103：分别获取各视频时段的用户组内典型用户在其他维度上的数据特征，确定各视频时段的用户在其他维度上的组特征；

在完成对典型用户分组后，进行模型训练，获取对应分组内各典型用户在其他维度上的数据特征。下面以早上观影组为例对其进行说明，如1000个典型用户中属于早上观影组的用户为100人，这100人早上观看视频的数量占比大于60%，除了数量占比大于60%这一数据特征为，该组还存在一些其他维度上的数据特征，如此类用户平均观影时间大于30分钟，且经常观看新闻类节目，对天气类推荐消息的点击比例平均大于70%，在该例中用户平均观影时间、观看节目类型、对天气类推荐消息的点击比例被称为其他维度上的数据，这些数据特征也可以被称为早上观影组在其他维度上的组特征。

再比如1000个用户中属于晚上观影组的用户为200人，这200人晚上观看视频的数量占比大于70%，除了数量占比大于70%这一数据特征外，该组还存在一些其他维度上的数据特征，如此类用户观看同一视频的次数大于10次，搜索内容的类型分布中电影类占比大于40%，用户经常观看体育类节目等，在该例中用户观看同一视频的次数、搜索内容的类型分布、用户经常观看体育类节目被称为其他维度上的数据。

通过这种模型训练可以获得各组用户在其他维度上的数据特征，本领域技术人员应当明了，在收集到的历史观看记录中，任何不同于各观看时段的数量占比或各观看时段的时长占比的数据，均可称为其他维度上的数据，本发明实施例并非意在限制其他维度上的数据所包含的内容。

S104：判断典型用户外的其他用户在其他维度上的数据特征，是否满足某观看视频时段的组特征，如果是，则将该用户加入该观看时段所对应的组；

获得其他维度上的数据特征之后，可以用这些数据特征对典型用户之外的其他用户进行分组。相当于利用训练出的模型，对用户进行分类。具体而言可以是首先判断所获取的历史记录中关于其各视频观看时段的记录是否完整，若记录完整，则对其计算数量占比或时长占比，判断数量占比或时长占比是否大于对应组的组阈值，若大于组阈值则将其划入该组。在判断历史记录是否完整时，可以设置一下限值，对于缺失数据大于下限值的用户才进一步进行其他维度上的判断，例如对于缺失记录大于10%的用户才进行进一步进行其他维度上的判断，这一下限值可以动态调整。

若记录不完整或其占比小于各分组的组阈值，则获得该用户其他维度上的数据特征，判断其是否满足某特定类型中通过模型训练统计出的其他维度上的数据特征，满足则将其分入该组，若判断后发现不存在于该用户对应的分组，即该用户不能划入任何一个类型的组，则将该用户分组未分组用户。

例如对于某一用户，历史记录中存在500条记录，则系统首先判断这500历史记录是否完整，若记录完整，则对其计算数量占比，若这500条记录中有400条为早上观看的记录，则早上观看的数量占比为80%，其大于早上观影组的数量占比组阈值60%，那么将其划入早上观影组；若这500条记录中有100条为早上观看的记录、100条为中午观看的记录、100条为晚上观看的记录、100条为午夜观看的记录，则计算得到各时段观看的数量占比均为20%，各时段的数量占比均小于对应组的数量占比组阈值，或者500历史记录中关于其观看视频类型的记录是不完整，则判断该用户的至少一种其他维度上的数据是否满足某特定类型中统计出所述特征，如判断用户平均观影时间是否大于30分钟，是否经常观看新闻类节目，对天气类推荐消息的点击比例是否大于70%，若满足这些条件，则将该用户划入早上观影组；若判断后发现不存在与该用户对应的分组，即该用户不能划入任何一个时段的组，则将该用户分组至未分组用户。

以上是根据数量占比来划分用户组，也可以利用时长占比来进行划分，例如用户总的观看时长为500小时，其中晚上观看的时长为400小时，则晚上观看的时长占比为80%，其大于晚上观影组的时长占比组阈值65%，那么将其划入晚上观影组；若这500小时中150小时为早上观看的记录、150小时为中午观看的记录、100小时为晚上观看的记录、100小时为午夜观看的记录，则计算得到早上观看的时长占比和中午观看的时长占比为30%，晚上观看的时长占比、午夜观看的时长占比为20%，各时段观看的时长占比均小于对应组的时长占比组阈值，则判断该用户的至少一种其他维度上的数据是否满足某特定类型中统计出所述特征，如判断用户观看同一视频的次数是否大于10次，搜索内容的类型分布中电影类占比是否大于40%，用户是否经常观看体育类节目等，若满足这些条件，则将该用户划入晚上观影组；若判断后发现不存在与该用户对应的分组，即该用户不能划入任何一个时段的组，则将该用户分组至未分组用户。

应当理解，本发明的同一用户可以分组不同的组，例如对于同一用户，其他维度上的数据可能同时满足多个对应分组模型中统计出所述其他维度上的数据特征，则将该用户同时分入这两个组。

本发明中，随着用户观看时间的增加，其历史记录的信息越来越丰富，为了更加准确的实现对用户的分组，系统只对于用户的历史记录条数大于下限值的用户进行统计分组，这一下限值例如可以是10条。分组后系统可以在每增加一定条数的记录后重新对用户进行统计分组，例如记录条数新增10条之后，系统会对原有记录和新增的这10条记录重新进行统计分组。

S105：根据各用户组所对应的特定时段信息，向用户组内的用户推荐对应的视频资源。

对用户分组完成后，用户通过账号登陆系统后，就可以将历史记录与用户账号进行关联，分析用户的观看习惯比如习惯早上观看，习惯中午观看等等，根据各用户对应的组信息，对于不同观影时段组在相应的时段推荐相应的视频。例如服务器记录的某一账号属于早上观影组，则当用户通过该账号登陆后，系统自动向其推荐新闻类视频；更有意义的是推荐的视频可以是广告，例如，对于同一广告信息，对于早上观影组，服务器将该广告信息选择在早上播出，对于中午观影组，服务器将该广告信息选择在中午播出，对于晚上观影组则选择在晚上播出，这样广告的播放时长没有变化，针对不同的用户组调整了广告的投放时间，能够使得该广告获得最大的效益。

当用户没有通过账号登陆或者用户为新注册用户或者用户属于未分组用户组，则系统可以根据他当前所观看的视频类型，向其推荐该类型的其他视频，这样方便用户观看同类视频，或进行随机推荐。

实施例2

如图2所示，本发明实施例还提供一种推荐视频资源的系统。

历史记录获取模块201，用于收集各用户观看视频过程中的历史记录；所述历史记录包括观看视频的时间信息，以及至少一种其他维度上的数据；

典型用户选取划分模块202，用于对收集到的各用户的历史记录进行统计，根据所述观看视频的时间信息计算每一用户在各时段内观看视频的观看数量占比或观看时长占比，并将该用户归入数量占比或时长占比大于组阈值的特定时段所对应的用户组，该用户定义为典型用户，生成各特定时段对应包括典型用户的用户组；

模型训练模块203，用于分别获取各视频时段的用户组内典型用户在其他维度上的数据特征，确定各视频时段的用户在其他维度上的组特征；

用户分组模块204，用于判断典型用户外的其他用户在其他维度上的数据特征，是否满足某观看视频时段的组特征，如果是，则将该用户加入该观看时段所对应的组；

视频推荐模块205，用于根据各用户组所对应的特定时段信息，向用户组内的用户推荐对应的视频资源。其中，所述至少一种其他维度上的数据包括，用户观看视频的名称、用户进行搜索的记录和搜索内容、和用户对推荐类的消息的点击次数。

具体实现时，所述历史记录获取模块具体可以用于：当用户观看视频的时长大于第一下限值时，记录其历史记录。

其中，所述组阈值包括数量占比组阈值和时长占比组阈值。

为了降低计算量，该系统还可以包括：

第一判断模块，用于计算典型用户外的其他用户各观看时段的数量占比，判断该数量占比是否大于等于对应组的数量占比组阈值，若大于等于对应的数量占比组阈值则将其划入该组；若小于各分组的数量占比组阈值，则触发所述用户分组模块执行判断在其他维度上的数据特征的操作。

或者，在另一种情况下，该系统还可以包括：

第二判断模块，用于计算典型用户外的其他用户各观看时段的时长占比，判断该时长占比是否大于等于对应组的时长占比组阈值，若大于等于对应的时长占比组阈值则将其划入该组；若小于各分组的时长占比组阈值，则触发所述用户分组模块执行判断在其他维度上的数据特征的操作。

另外，该系统还可以包括：

重新分组模块，用于对于历史记录条数大于第二下限值的用户进行统计分组，对于分组后的用户在每增加一定条数的记录后重新对该用户进行统计分组。

对于前述的各装置实施例，为了简单描述，故将其都表述为一系列的单元/模块组合，但是本领域的技术人员应该知悉，本发明并不受所描述的单元组合/模块的限制，因为根据本发明，某些单元/模块可以采用其他单元/模块执行；其次，本领域技术人员也应该知悉，上述装置实施例均属于优选实施例，所涉及的单元并不一定是本发明所必须的。

本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于系统实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上对本发明所提供的推荐视频资源的方法及系统，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (11)

1.一种推荐视频资源的方法，其特征在于，包括：

收集各用户观看视频过程中的历史记录；所述历史记录包括观看视频的时间信息，以及至少一种其他维度上的数据；

对收集到的各用户的历史记录进行统计，根据所述观看视频的时间信息计算每一用户在各时段内观看视频的观看数量占比或观看时长占比，并将该用户归入数量占比或时长占比大于组阈值的特定时段所对应的用户组，该用户定义为典型用户，生成各特定时段对应的包括典型用户的用户组；

分别获取各特定时段的用户组内典型用户在其他维度上的数据特征，确定各特定时段的用户在其他维度上的组特征；

判断典型用户外的其他用户在其他维度上的数据特征，是否满足某特定时段组的组特征，如果是，则将该用户加入该特定时段的用户组；

根据各用户组所对应的特定时段信息，向用户组内的用户推荐对应的视频资源。

2.根据权利要求1所述的方法，其特征在于：所述至少一种其他维度上的数据包括，用户观看视频的名称、用户进行搜索的记录和搜索内容、和用户对推荐类的消息的点击记录。

3.根据权利要求1所述的方法，其特征在于：所述收集各用户观看视频过程中的历史记录包括：当用户观看视频的时长大于第一下限值时，记录其历史记录。

4.根据权利要求1所述的方法，其特征在于：所述组阈值包括数量占比组阈值或时长占比组阈值。

5.根据权利要求4所述的方法，其特征在于，还包括：

计算典型用户外的其他用户各观看时段的数量占比，判断该数量占比是否大于等于对应组的数量占比组阈值，若大于等于对应的数量占比组阈值则将其划入该组；若小于各分组的数量占比组阈值，则获得该用户在其他维度上的数据特征。

6.根据权利要求4所述的方法，其特征在于，还包括：

计算典型用户外的其他用户各观看时段的时长占比，判断该时长占比是否大于等于对应组的时长占比组阈值，若大于等于对应的时长占比组阈值则将其划入该组；若小于各分组的时长占比组阈值，则获得该用户在其他维度上的数据特征。

7.根据权利要求1所述的方法，其特征在于还包括：对于历史记录条数大于第二下限值的用户进行统计分组，对于分组后的用户在每增加一定条数的记录后重新对该用户进行统计分组。

8.一种推荐视频资源的系统，其特征在于，包括：

历史记录获取模块，用于收集各用户观看视频过程中的历史记录；所述历史记录包括观看视频的时间信息，以及至少一种其他维度上的数据；

典型用户选取划分模块，用于对收集到的各用户的历史记录进行统计，根据所述观看视频的时间信息计算每一用户在各时段内观看视频的观看数量占比或观看时长占比，并将该用户归入数量占比或时长占比大于组阈值的特定时段所对应的用户组，该用户定义为典型用户，生成各特定时段对应包括典型用户的用户组；

模型训练模块，用于分别获取各特定时段的用户组内典型用户在其他维度上的数据特征，确定各特定时段的用户在其他维度上的组特征；

用户分组模块，用于判断典型用户外的其他用户在其他维度上的数据特征，是否满足某特定时段组的组特征，如果是，则将该用户加入该特定时段的用户组；

视频推荐模块，用于根据各用户组所对应的特定时段信息，向用户组内的用户推荐对应的视频资源。

9.根据权利要求8所述的系统，其特征在于：所述至少一种其他维度上的数据包括，用户观看视频的名称、用户进行搜索的记录和搜索内容、和用户对推荐类的消息的点击次数。

10.根据权利要求8所述的系统，其特征在于：所述组阈值包括数量占比组阈值或时长占比组阈值。

11.根据权利要求10所述的系统，其特征在于，还包括：

第一判断模块，用于计算典型用户外的其他用户各观看时段的数量占比，判断该数量占比是否大于等于对应组的数量占比组阈值，若大于等于对应的数量占比组阈值则将其划入该组；若小于各分组的数量占比组阈值，则触发所述用户分组模块执行判断在其他维度上的数据特征的操作;

或者第二判断模块，用于计算典型用户外的其他用户各观看时段的时长占比，判断该时长占比是否大于等于对应组的时长占比组阈值，若大于等于对应的时长占比组阈值则将其划入该组；若小于各分组的时长占比组阈值，则触发所述用户分组模块执行判断在其他维度上的数据特征的操作。

Images