CN104216960A - 一种视频推荐方法和装置 - Google Patents

Abstract

本发明实施例提供了一种视频推荐方法和装置，其中的方法具体包括：利用视频与视频特征的映射关系，分析用户对视频的行为数据，得到用户对于视频特征的喜好度；依据所述用户对于视频特征的喜好度，确定用户对于视频的喜好度；依据当前用户对于视频的喜好度，向所述当前用户推荐视频。本发明实施例能够针对单个用户推荐用户喜爱的视频，使用户能够直接快速的获取喜欢的视频。

Description

一种视频推荐方法和装置

技术领域

本发明涉及互联网信息处理技术领域，特别是涉及一种视频推荐方法和一种视频推荐装置。

背景技术

随着多媒体技术、网络技术和有线电视的发展，视频已经成为人们日常生活中获取信息和享受娱乐的主要载体。社交网络爆炸式的增长使得数以百万计的网络视频可供人们观看，海量的网络视频资源在互联网上传输，通过互联网搜索并观看丰富的视频内容已成为广大网民获取信息的主流方式。

视频推荐是视频网站帮助用户查找并观看某个特定领域视频的方法和工具。相对于传统的视频目录浏览方式或者视频搜索方式，视频推荐能够在用户不确定合适的搜索词的情况下，发现用户需求的特定领域，在该领域内进行推荐，避免了搜索词的输入和层次目录的多次点击过程，使得查找并观看某个特定类型的视频更加简单容易。

现有的一种视频推荐方法，会挑选用户点击率较高的视频，并提供给用户。然而，这种视频推荐方法向所有用户推荐相同的视频，推荐的视频中仍然会存在某单个用户不感兴趣的节目，该单个用户仍不能直接快速的挑选自己喜欢的节目。

发明内容

本发明实施例所要解决的技术问题是提供一种视频推荐方法，能够针对单个用户推荐用户喜爱的视频，使用户能够直接快速的获取喜欢的视频。

相应的，本发明实施例还提供了一种视频推荐装置，用以保证上述方法的实现及应用。

为了解决上述问题，本发明公开了一种视频推荐方法，包括：

利用视频与视频特征的映射关系，分析用户对视频的行为数据，得到用户对于视频特征的喜好度；

依据所述用户对于视频特征的喜好度，确定用户对于视频的喜好度；

依据当前用户对于视频的喜好度，向所述当前用户推荐视频。

优选的，所述方法还包括：

采集所述当前用户对于所推荐视频实时反馈的信息；

依据所述反馈信息，对所述当前用户对于视频特征的喜好度进行更新；

依据更新后的所述当前用户对于视频特征的喜好度，确定所述当前用户对于视频的当前喜好度；

依据所述当前用户对于视频的当前喜好度，向所述当前用户推荐视频。

优选的，所述利用视频与视频特征的映射关系，分析用户对视频的行为数据，得到用户对于视频特征的喜好度的步骤，包括：

统计某用户在时间窗口内观看过的视频，记为第一视频；

对该用户观看所述第一视频的时间比例与所述第一视频到某视频特征的映射值的乘积累加，得到该用户对于该视频特征的喜好度。

优选的，所述依据所述用户对于视频特征的喜好度，确定用户对于视频的喜好度的步骤，包括：

对用户对于视频特征的喜好度与某视频包含的该视频特征的乘积累加，得到用户对于该视频的喜好度。

优选的，所述依据当前用户对于视频的喜好度，向所述当前用户推荐视频的步骤，包括：按照当前用户对于视频的喜好度由高到低的顺序对各待推荐视频进行排序，并将排序后的结果推荐给用户。

优选的，所述方法还包括：

依据当前用户对于视频的喜好度和视频的质量度量，向所述当前用户推荐视频。

另一方面，本发明还公开了一种视频推荐装置，包括：

分析模块，用于利用视频与视频特征的映射关系，分析用户对视频的行为数据，得到用户对于视频特征的喜好度；

确定模块，用于依据所述用户对于视频特征的喜好度，确定用户对于视频的喜好度；及

推荐模块，用于依据当前用户对于视频的喜好度，向所述当前用户推荐视频。

优选的，所述装置还包括：

采集模块，用于采集所述当前用户对于所推荐视频实时反馈的信息；

更新模块，用于依据所述反馈信息，对所述当前用户对于视频特征的喜好度进行更新；

第一确定模块，用于依据更新后的所述当前用户对于视频特征的喜好度，确定所述当前用户对于视频的当前喜好度；

则所述推荐模块，还用于依据所述当前用户对于视频的当前喜好度，向所述当前用户推荐视频。

优选的，所述分析模块包括：

统计子模块，用于统计某用户在时间窗口内观看过的视频，记为第一视频；

第一计算子模块，用于对该用户观看所述第一视频的时间比例与所述第一视频到某视频特征的映射值的乘积累加，得到该用户对于该视频特征的喜好度。

优选的，所述确定模块包括：

第二计算子模块，用于对用户对于视频特征的喜好度与某视频包含的该视频特征的乘积累加，得到用户对于该视频的喜好度。

优选的，所述推荐模块，具体用于按照当前用户对于视频的喜好度由高到低的顺序对各待推荐视频进行排序，并将排序后的结果推荐给用户。

优选的，所述推荐模块，还用于依据当前用户对于视频的喜好度和视频的质量度量，向所述当前用户推荐视频。

与现有技术相比，本发明实施例包括以下优点：

本发明实施例利用视频与视频特征的映射关系，分析用户对视频的行为数据，得到用户对于视频特征的喜好度，依据所述用户对于视频特征的喜好度，确定用户对于视频的喜好度，并依据当前用户对于视频的喜好度，向所述当前用户推荐视频；由于上述视频特征可以作为用户的兴趣点，以及，用户对于视频特征的喜好度则可以表示用户对兴趣点的喜好度，因此，本发明实施例能够针对单个用户推荐喜爱的视频，使用户能够直接快速的获取喜欢的视频。

附图说明

图1是本发明的一种视频推荐方法实施例一的步骤流程图；

图2是本发明的一种视频推荐方法实施例二的步骤流程图；

图3是本发明的一种视频推荐方法实施例三的步骤流程图；

图4是本发明的一种视频推荐装置实施例的结构框图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

本发明实施例的核心构思之一在于，根据用户对视频的行为数据分析用户对于视频的喜好度，并依据当前用户对于视频的喜好度，向所述当前用户推荐视频；由于向当前用户推荐的视频是依据当前用户对于视频的喜好度得到的，故能够针对单个用户推荐用户喜爱的视频，使用户能够直接快速的获取喜欢的视频。

实施例一

参照图1，示出了本发明的一种视频推荐方法实施例一的步骤流程图，具体可以包括如下步骤：

步骤101、利用视频与视频特征的映射关系，分析用户对视频的行为数据，得到用户对于视频特征的喜好度；

本发明实施例中，视频可以来自海量的网络视频资源，也可以来自用户上传的视频。在实际应用中，可以采用数据挖掘技术将视频处理为格式化的视频信息，并依据该格式化的视频信息得到对应的视频特征。

在具体实现中，可以采用存储视频元数据的视频数据库表描述该格式化的视频信息。在信息资源组织中，元数据具有描述、定位、搜索、管理、评估和选择等功能，而最基本的功能是为信息对象提供描述信息。具体地，视频的元数据能够对视频文件的基本内容特征和外观特征进行描述，用于发现、识别、定位和检索视频文件，例如视频文件的上传者、上传时间、视频标题等。重要的是，视频的元数据的数据量比较小，依据所述网络视频的元数据提取所述网络视频的外在特征，能够有效简化运算量，保证运算速度。在实际中，上述外在特征具体可以包括：标题、标签、类型、导演、上线时间、明星等等。

例如，参照表1，示出了本发明实施例一种视频数据库表的存储结构示意，其中，每行表示一个视频，每个视频包含视频ID(即视频唯一标识)以及标题、明星(比如演员或者嘉宾)、标签、时长和上线时间等元数据信息。

表1

视频特征可采用上述的视频元数据对应的具体字词的集合描述，比如一个具体的明星(如杨威)，或者一个具体标签(如动作)。例如，可以根据表1所示视频元数据得到如下视频特征集合F＝{休·杰克曼,哈莉·贝瑞,李锐,杨威,动作,科幻,少儿，真人秀,…}。

进一步，可以根据表1的视频元数据得到视频到视频特征的映射关系。在本发明的一种应用示例中，该映射关系可以采用映射表来描述。参照表2，示出了本发明实施例一种映射表的示例，其中，每行表示一个视频，每列表示一个视频特征，并且，视频特征的值为1可表示对应的视频保护当前的视频特征，为0则表示不包含当前的视频特征。为方便描述，上述映射表可用M(v,fi)表示，这样，M(v,fi)＝1表示视频v包含视频特征fi，M(v,fi)＝0则表示视频v不包含视频特征fi。

表2

用户对视频的行为数据可用于表示用户在互联网上对视频产生的行为数据，这里的行为具体可以包括传统意义上的观看行为，也可以包括本发明所提供的反馈行为，或者，还可以包括推荐行为、评论行为等等；这些行为数据可通过查询用户日志或历史记录等方式获取得到。本发明实施例主要以视频观看数据和视频反馈数据为例进行说明，其它行为数据相互参照即可。

经研究发现，上述视频特征均可作为用户的兴趣点，从而用户对于视频特征的喜好度则可以表示用户对兴趣点的喜好度。以f1＝休·杰克曼为例，则用户对于f1的喜好度则可以表示用户对休·杰克曼这个明星的喜爱程度；以f7＝少儿为例，则用户对于f7的喜好度则可以表示用户对少儿视频这类视频的喜爱程度。

在本发明的一种优选实施例中，所述利用视频与视频特征的映射关系，分析用户对视频的行为数据，得到用户对于视频特征的喜好度的步骤，具体可以包括：

子步骤S100、统计某用户在时间窗口内观看过的视频，记为第一视频；也即，第一视频可用于表示某用户在时间窗口内观看过的视频；

子步骤S102、对该用户观看所述第一视频的时间比例与所述第一视频到某视频特征的映射值的乘积累加，得到该用户对于该视频特征的喜好度。

在本发明的一种应用示例中，假设用户u到视频特征fi的喜好记为pref(u,fi),那么pref(u,fi)的计算公式可以为：

$\mathrm{pref}(u,\mathrm{fi})=\underset{\mathrm{\υ}\∈V,\mathrm{dt}\∈W}{\mathrm{\Σ}}\frac{d(u,\mathrm{\υ},\mathrm{dt})}{\mathrm{len}\left(\mathrm{\υ}\right)}\×M(\mathrm{\υ},\mathrm{fi})---\left(1\right)$

其中，W表示时间窗口(为根据需求设置的参数，比如一个月、半个月、一周等等)；

V表示所有视频的集合；

d(u,v,t)的含义为：用户u在时刻t观看了视频v，总共看了的时间为：d(u,v,t)分钟；

d(u,v,dt)的含义为：用户u在某一天dt、看了视频v的总时长，其可以表示为：

d(u,v,dt)＝sum t∈dt d(u,v,t)   (2)

len(v)表示视频v的时间长度(分钟为单位)；

M(v,fi)表示视频v是否包含特征fi；

表示用户u观看视频v的时间比例；

sum表示求和运算；

表示用户在某一天dt的观看行为对该用户对于该视频特征的喜好度的影响，由于M(v,fi)＝1表示视频v包含视频特征fi，M(v,fi)＝0则表示视频v不包含视频特征fi，这样，只有包含视频特征fi的用户u观看视频v的时间比例才会累计到pref(u,fi)上面，对于那些不包含fi的视频，即使用户观看过很长时间，也不会对用户在fi上的喜爱度产生作用。

当然上述公式(2)只是作为示例，本领域技术人员可以根据实际需求，采用其它的计算用户对于视频特征的喜好度的方法，例如，可以对观看行为的发生时间赋予相应的时间衰减参数，发生时间越早，则时间衰减参数越小，而发生时间越晚，则时间衰减参数越大等等，所述时间衰减参数能够使得早期的观看行为有衰减，从而能够提高用户对于该视频特征的喜好度的准确性。

步骤102、依据所述用户对于视频特征的喜好度，确定用户对于视频的喜好度；

这里，可以首先找出视频所包含的所有视频特征，然后对用户对于所包含视频特征的喜好度进行汇总。

在本发明的一种优选实施例中，所述依据所述用户对于视频特征的喜好度，确定用户对于视频的喜好度的步骤，具体可以包括：

子步骤S200、对用户对于视频特征的喜好度与某视频包含的该视频特征的乘积累加，得到用户对于该视频的喜好度。

假设用户对于视频特征fi的喜好度为pref(u,fi)，用户u对一个待推荐的视频v’的喜好度记为p(u,v’),p(u,v’)的计算公式可以表示为：

$p(u,v^{\′})=\underset{\mathrm{fi}\∈v^{\′}}{\mathrm{\Σ}}\mathrm{pref}(u,\mathrm{fi})\×M(v^{\′},\mathrm{fi})---\left(3\right)$

步骤103、依据当前用户对于视频的喜好度，向所述当前用户推荐视频。

在本发明的一种优选实施例中，所述依据当前用户对于视频的喜好度，向所述当前用户推荐视频的步骤，具体可以包括：子步骤S300、按照当前用户对于视频的喜好度由高到低的顺序对各待推荐视频进行排序，并将排序后的结果推荐给用户。在具体实现中，所述带推荐视频可以为所有视频集合，也可以为当前网页对应的某类别的视频集合，本发明实施例对具体的待推荐视频不加以限制。另外，本领域技术人员还可以根据实际需要选取topN个视频推荐给当前用户u，这里的topN为自然数。

综上，本发明实施例利用视频与视频特征的映射关系，分析用户对视频的行为数据，得到用户对于视频特征的喜好度，依据所述用户对于视频特征的喜好度，确定用户对于视频的喜好度，并依据当前用户对于视频的喜好度，向所述当前用户推荐视频；由于上述视频特征可以作为用户的兴趣点，以及，用户对于视频特征的喜好度则可以表示用户对兴趣点的喜好度，因此，本发明实施例能够针对单个用户推荐喜爱的视频，使用户能够直接快速的获取喜欢的视频。

也即，本发明实施例可以实现视频内容的个性化推荐，不同喜好的用户能够看到不同的视频内容。例如，八卦迷用户之前观看过有关八卦的视频，因此，本发明实施例会根据该八卦迷用户的视频行为数据获知其对娱乐八卦的喜好度，并向其推荐当前最新最热的娱乐八卦视频；又如，电视剧迷用户之前观看过有关电视剧的视频，因此，本发明实施例会根据该电视剧迷用户的视频行为数据获知其对电视剧的喜好度，并向其推荐当前最新最热的电视剧等。

实施例二

参照图2，示出了本发明的一种视频推荐方法实施例二的步骤流程图，具体可以包括如下步骤：

步骤201、利用视频与视频特征的映射关系，分析用户对视频的行为数据，得到用户对于视频特征的喜好度；

步骤202、依据所述用户对于视频特征的喜好度，确定用户对于视频的喜好度；

步骤203、依据当前用户对于视频的喜好度，向所述当前用户推荐视频；

步骤204、采集所述当前用户对于所推荐视频实时反馈的信息；

步骤205、依据所述反馈信息，对所述当前用户对于视频特征的喜好度进行更新；

步骤206、依据更新后的所述当前用户对于视频特征的喜好度，确定所述当前用户对于视频的当前喜好度；

步骤207、依据所述当前用户对于视频的当前喜好度，向所述当前用户推荐视频。

相对于实施例一，本实施例增加了步骤204-步骤205，本实施例的核心构思之一在于，可以根据用户对于所推荐视频实时反馈的信息(如喜欢、不喜欢、跳过等)，对所述当前用户对于视频特征的喜好度进行更新，并及时给用户推荐更多更优质的视频内容，以保证用户可以无限制地观看自己喜欢的视频内容。

其中，实时反馈的信息是指用户在观看视频内容时对当前视频的喜爱程度的反馈信息，比如喜欢、不喜欢或者跳过等信息。在具体实现中，在向所述当前用户推荐视频的同时，可以发出相应的提示信息，所述提示信息可用于提示用户给出实时反馈的信息；在实际应用中，可以在视频播放器上设置采集用户反馈的按钮用来采集用户反馈。

在具体实现中，数据库中会以天为单位保存用户的反馈行为信息A(u,v,dt)，该信息初始化为0，当dt这一天，采集到用户u对于视频v产生了反馈a(a可能是正反馈如喜欢，也可能是负反馈如不喜欢，也可能是跳过)时，可以对所述当前用户对于视频特征的喜好度进行更新，相应的更新公式可以表示为：

A(u,v,dt)+＝a(u,v)*w(a)   (4)

其中，a(u,v)＝1表示用户u对视频v上产生了反馈a，a(u,v)＝0表示用户u未对视频v产生反馈；w(a)表示反馈行为a的权重，其可由本领域技术人员根据实际情况确定，比如w(a)的设定如下:(1)如果当前反馈行为a表征的信息为喜欢，那么w(a)＝1；(2)如果当前反馈行为a表征的信息为不喜欢，那么w(a)＝-1；(3)如果当前反馈行为a表征的信息为跳过，那么w(a)＝0。

这样，所述依据所述反馈信息，对所述当前用户对于视频特征的喜好度进行更新的步骤，具体可以为：根据用户的反馈行为信息A(u,v,dt)，对所述当前用户对于视频特征的喜好度pref(u,fi)进行更新，假设更新后的所述当前用户对于视频特征的喜好度为pref(u,fi)*,那么，相应的更新公式可以表示为：

其中，λ为更新参数，可由本领域技术人员根据实际情况确定。

可以理解，在实际应用中，可以依据当前用户对于所推荐视频实时反馈的信息，获得最新的当前用户对于视频特征的当前喜好度，并且，依据最新的当前用户对于视频特征的当前喜好度，实时向用户推荐不断变化的视频，从而实现推荐视频的无限连播；理论上只要用户不主动退出，用户可以不使用任何操作即可不停断地观看推荐的视频内容。

实施例三

参照图3，示出了本发明的一种视频推荐方法实施例三的步骤流程图，具体可以包括如下步骤：

步骤301、利用视频与视频特征的映射关系，分析用户对视频的行为数据，得到用户对于视频特征的喜好度；

步骤302、依据所述用户对于视频特征的喜好度，确定用户对于视频的喜好度；

步骤303、依据当前用户对于视频的喜好度和视频的质量度量，向所述当前用户推荐视频。

相对于实施例一，本实施例在向当前用户推荐视频时，除了考虑当前用户对于视频的喜好度因素外，还可以考虑视频的质量度量因素，从而能够针对单个用户推荐喜爱的、当前最新最热的视频。

视频的质量度量可用于作为视频内容的评价标准，在本发明的一种应用示例中，视频的质量度量具体可以包括视频的新鲜度和视频的流行度等，本发明实施例对具体的视频的质量度量不加以限制。

对于视频的新鲜度freshness(v)，其可依据视频上线时间online(v)(比如上述x战警的上线时间为：2014-06-30)以及当前时间now(比如2014-07-02)计算得到，相应的计算公式可以表示为：

freshness(v)＝pow(r,now-onine(v))   (6)

其中，now-online(v)表示视频v的上线时间距离当前时间的天数；

Pow为指数函数，pow(x,y)表示x的y次方；

R为新鲜度参数，可以由人工制定或者根据机器学习获得，例如当r＝0.9时，上述x战警的新鲜度为pow(0.9,2)＝0.81。

对于视频的流行度pop(v)，其可基于视频v的观看总次数vv(v,dt)和观看时长pt(v,dt)计算得到；

其中，视频v在dt这一天被观看的总时长可以表示为:

pt(v,dt)＝sum u,t∈dt,u d(u,v,t)   (7)

视频v在dt这一天被观看的总次数可以表示为：

vv(v,dt)＝count u,t∈dt d(u,v,t)   (8)

上述公式中count用于表示计数运算。

进一步地，视频v在时间窗口W内的总观看次数可以表示为：

vv＝sum dt∈W vv(v,dt)(单位次)   (9)

视频v在时间窗口W内的总观看时长可以表示为：

pt＝sum dt∈W pt(v,dt)(单位分钟)   (10)

更进一步地，流行度pop(v)对应的计算公式可以表示为：

pop(v)＝floor(sqrt((vv*pow(pt/60,2))/100)+0.5)   (11)

其中，sqrt用于表示平方根运算，floor用于表示往下取整运算。

当综合考虑当前用户对于视频的喜好度、视频的新鲜度和视频的流行度向用户推荐视频时，可以对三者进行加权求和，按照加权求和结果由高到低的顺序对各待推荐视频进行排序，并将排序后的结果推荐给用户；相应的加权求和公式可以表示为：

$\begin{array}{c}p(u,{\mathrm{\υ}}^{\′})=\\ \mathrm{\α}\×\underset{\mathrm{fi}\∈{\mathrm{\υ}}^{\′}}{\mathrm{\Σ}}\mathrm{pref}(u,\mathrm{fi})\×M({\mathrm{\υ}}^{\′},\mathrm{fi})+\mathrm{\β}\×\mathrm{freshness}\left({\mathrm{\υ}}^{\′}\right)+\mathrm{\γ}\×\mathrm{pop}\left({\mathrm{\υ}}^{\′}\right)\end{array}---\left(12\right)$

其中，α、β和γ分别为当前用户对于视频的喜好度、视频的新鲜度和视频的流行度的权重，在α、β和γ的和为1的前提下，具体的数值可由本领域技术人员依据实际情况确定。例如，当前用户对视频的行为数据较多时，α的数值可以设置得大一些，同时，β和γ的数值设置得小一些；而当前用户对视频的行为数据较小时，α的数值可以设置得小一些，同时，β和γ的数值设置得大一些，一个极端情况是：当前用户未产生过对于视频的行为数据时，α的数值可以为0。

综上，本实施例综合考虑当前用户对于视频的喜好度因素和视频的质量度量因素向用户推荐视频，能够针对单个用户推荐喜爱的、高质量的视频。

需要说明的是，本发明实施例中的各种参数或者权重，既可以根据经验给出，也可以根据线上用户反馈通过模型训练得到，本发明实施例对各种参数或者权重的具体数值及确定方式不加以限制。

需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明实施例并不受所描述的动作顺序的限制，因为依据本发明实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明实施例所必须的。

参照图4，示出了本发明一种视频推荐装置实施例的结构框图，具体可以包括如下模块：

分析模块401，用于利用视频与视频特征的映射关系，分析用户对视频的行为数据，得到用户对于视频特征的喜好度；

确定模块402，用于依据所述用户对于视频特征的喜好度，确定用户对于视频的喜好度；及

推荐模块403，用于依据当前用户对于视频的喜好度，向所述当前用户推荐视频。

在本发明的一种优选实施例中，所述装置还可以包括：

采集模块，用于采集所述当前用户对于所推荐视频实时反馈的信息；

更新模块，用于依据所述反馈信息，对所述当前用户对于视频特征的喜好度进行更新；

第一确定模块，用于依据更新后的所述当前用户对于视频特征的喜好度，确定所述当前用户对于视频的当前喜好度；

则所述推荐模块403，还可用于依据所述当前用户对于视频的当前喜好度，向所述当前用户推荐视频。

在本发明的另一种优选实施例中，所述分析模块401具体可以包括：

统计子模块，用于统计某用户在时间窗口内观看过的视频，记为第一视频；

第一计算子模块，用于对该用户观看所述第一视频的时间比例与所述第一视频到某视频特征的映射值的乘积累加，得到该用户对于该视频特征的喜好度。

在本发明的再一种优选实施例中，所述确定模块402具体可以包括：

第二计算子模块，用于对用户对于视频特征的喜好度与某视频包含的该视频特征的乘积累加，得到用户对于该视频的喜好度。

在本发明实施例中，优选的是，所述推荐模块403，可具体用于按照当前用户对于视频的喜好度由高到低的顺序对各待推荐视频进行排序，并将排序后的结果推荐给用户。

在本发明实施例中，优选的是，所述推荐模块403，还可用于依据当前用户对于视频的喜好度和视频的质量度量，向所述当前用户推荐视频。

对于装置实施例而言，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。

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。

本领域内的技术人员应明白，本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。

以上对本发明所提供的一种视频推荐方法和一种视频推荐装置，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 (12)

1.一种视频推荐方法，其特征在于，包括：

利用视频与视频特征的映射关系，分析用户对视频的行为数据，得到用户对于视频特征的喜好度；

依据所述用户对于视频特征的喜好度，确定用户对于视频的喜好度；

依据当前用户对于视频的喜好度，向所述当前用户推荐视频。

2.根据权利要求1所述的方法，其特征在于，还包括：

采集所述当前用户对于所推荐视频实时反馈的信息；

依据所述反馈信息，对所述当前用户对于视频特征的喜好度进行更新；

依据更新后的所述当前用户对于视频特征的喜好度，确定所述当前用户对于视频的当前喜好度；

依据所述当前用户对于视频的当前喜好度，向所述当前用户推荐视频。

3.根据权利要求1所述的方法，其特征在于，所述利用视频与视频特征的映射关系，分析用户对视频的行为数据，得到用户对于视频特征的喜好度的步骤，包括：

统计某用户在时间窗口内观看过的视频，记为第一视频；

对该用户观看所述第一视频的时间比例与所述第一视频到某视频特征的映射值的乘积累加，得到该用户对于该视频特征的喜好度。

4.根据权利要求1或2或3所述的方法，其特征在于，所述依据所述用户对于视频特征的喜好度，确定用户对于视频的喜好度的步骤，包括：

对用户对于视频特征的喜好度与某视频包含的该视频特征的乘积累加，得到用户对于该视频的喜好度。

5.根据权利要求1或2或3所述的方法，其特征在于，所述依据当前用户对于视频的喜好度，向所述当前用户推荐视频的步骤，包括：按照当前用户对于视频的喜好度由高到低的顺序对各待推荐视频进行排序，并将排序后的结果推荐给用户。

6.根据权利要求1或2或3所述的方法，其特征在于，还包括：

依据当前用户对于视频的喜好度和视频的质量度量，向所述当前用户推荐视频。

7.一种视频推荐装置，其特征在于，包括：

分析模块，用于利用视频与视频特征的映射关系，分析用户对视频的行为数据，得到用户对于视频特征的喜好度；

确定模块，用于依据所述用户对于视频特征的喜好度，确定用户对于视频的喜好度；及

推荐模块，用于依据当前用户对于视频的喜好度，向所述当前用户推荐视频。

8.根据权利要求7所述的装置，其特征在于，还包括：

采集模块，用于采集所述当前用户对于所推荐视频实时反馈的信息；

更新模块，用于依据所述反馈信息，对所述当前用户对于视频特征的喜好度进行更新；

第一确定模块，用于依据更新后的所述当前用户对于视频特征的喜好度，确定所述当前用户对于视频的当前喜好度；

则所述推荐模块，还用于依据所述当前用户对于视频的当前喜好度，向所述当前用户推荐视频。

9.根据权利要求7所述的装置，其特征在于，所述分析模块包括：

统计子模块，用于统计某用户在时间窗口内观看过的视频，记为第一视频；

第一计算子模块，用于对该用户观看所述第一视频的时间比例与所述第一视频到某视频特征的映射值的乘积累加，得到该用户对于该视频特征的喜好度。

10.根据权利要求7或8或9所述的装置，其特征在于，所述确定模块包括：

第二计算子模块，用于对用户对于视频特征的喜好度与某视频包含的该视频特征的乘积累加，得到用户对于该视频的喜好度。

11.根据权利要求7或8或9所述的装置，其特征在于，所述推荐模块，具体用于按照当前用户对于视频的喜好度由高到低的顺序对各待推荐视频进行排序，并将排序后的结果推荐给用户。

12.根据权利要求7或8或9所述的装置，其特征在于，所述推荐模块，还用于依据当前用户对于视频的喜好度和视频的质量度量，向所述当前用户推荐视频。