CN105893443A - 视频推荐方法、装置和服务器 - Google Patents

Abstract

本发明公开了一种视频推荐方法、装置和服务器，该方法包括：对视频进行分类，并根据视频的受欢迎程度对各个类别下的视频进行排序；根据浏览记录分析各个用户标识对各个类别的喜好程度值；根据登录终端设备的用户标识和所述各个用户标识对各个类别的喜好程度值，获取所述登录的用户标识对各个类别的喜好程度值；根据所述登录的用户标识对各个类别的喜好程度值和所述排序的结果拉取各个分类下的视频并推送至终端设备进行展示。使推送视频的受欢迎程度能够得到提升，而且免去了用户手动输入关键词进行搜索的操作，更加便于用户使用。

Description

视频推荐方法、装置和服务器

技术领域

本发明属于互联网领域，具体地说，涉及一种视频推荐方法、装置和服务器。

背景技术

随着智能手机和平板电脑等移动设备的高速增长，带动了移动视频应用的发展，同时也带来了移动数据流量的激增。目前移动视频已经成为移动互联网的主力应用之一，占据了所有移动数据流量的59％，移动视频已成为移动流量增长的驱动力。研究表明，观看电视的用户数和用户在电视上消耗的时间都在逐年递减，而同时按需观看视频和通过移动终端观看视频的用户数正在呈爆发式增长。

随着移动视频用户数量的激增，移动视频应用市场的竞争也越发激烈，用户对于移动视频应用的要求也越来越高。经过研究表明，用户打开视频应用主要是以浏览视频为主，目前的视频应用程序打开后所显示的主页内容是服务器设置好的主页数据，主页中包括各种分类，例如，电视，电影，动漫，原创等等，用户想要观看某个视频节目时，通常需要将视频名称或者表演者姓名做为关键词输入在搜索栏中，再从搜索结果中查找到想看的视频。

目前视频应用程序虽然也有在主页设置一个类似于“用户喜欢”的区域向用户推荐视频，但内容较少并且很可能是用户已经看过的视频，在以瀑布流布局方式展示视频的页面中，通常没有设置专门的推荐区域，因此更不适合使用现有的推荐方式。

发明内容

有鉴于此，本发明实施例提供了一种视频推荐方法、装置和服务器，用以解决现有技术中视频应用程序向用户个性化推荐视频的效果较差的技术问题。

为了解决上述技术问题，本发明公开了一种视频推荐方法，所述方法包括：对视频进行分类，并根据视频的受欢迎程度对各个类别下的视频进行排序；根据浏览记录分析各个用户标识对各个类别的喜好程度值；根据登录终端设备的用户标识和所述各个用户标识对各个类别的喜好程度值，获取所述登录的用户标识对各个类别的喜好程度值；根据所述登录的用户标识对各个类别的喜好程度值和所述排序的结果拉取各个分类下的视频并推送至所述终端设备进行展示。

为了解决上述技术问题，本发明还公开了一种视频推荐装置，所述装置包括：视频分类模块，用于对视频进行分类，并根据视频的受欢迎程度对各个类别下的视频进行排序；用户分析模块，用于根据浏览记录分析各个用户标识对各个类别的喜好程度值；数据获取模块，用于根据登录终端设备的用户标识和所述各个用户标识对各个类别的喜好程度值，获取所述登录的用户标识对各个类别的喜好程度值；视频推送模块，用于根据所述登录的用户标识对各个类别的喜好程度值和所述排序的结果拉取各个分类下的视频并推送至所述终端设备进行展示。

为了解决上述技术问题，本发明还公开了一种服务器，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为：对视频进行分类，并根据视频的受欢迎程度对各个类别下的视频进行排序；根据浏览记录分析各个用户标识对各个类别的喜好程度值；根据登录终端设备的用户标识和所述各个用户标识对各个类别的喜好程度值，获取所述登录的用户标识对各个类别的喜好程度值；根据所述登录的用户标识对各个类别的喜好程度值和所述排序的结果拉取各个分类下的视频并推送至所述终端设备进行展示。

与现有技术相比，本发明实施例提供的视频推荐方法、装置和服务器，服务器对视频进行分类排序并对用户喜好进行分析，根据登录的用户标识确定用户的喜好，推送相应类别的且排名靠前的视频至终端设备，在视频应用程序首页中展示推送的视频，从而使用户能够直接看到符合自己喜好的视频，由于推送的视频是各个类别中排序靠前的视频，因此推送视频的受欢迎程度也能够得到提升，而且免去了用户手动输入关键词进行搜索的操作，更加便于用户使用。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的一种视频推荐方法的流程图；

图2是本发明实施例提供的一种视频推荐装置的框图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例，后台服务器对视频进行分类并对各类别下的视频进行排序，分析每个用户对各类别的喜好程度，在用户登录服务器之后，根据登录的用户标识确定其对各类别的喜好程度并结合各类别下的视频排序结果推送相应数量的视频至终端设备进行展示，经过后台的视频分类和用户分析，提高了向用户进行视频个性化推荐的效果，推荐的视频更贴合用户的喜好。

图1是本发明实施例提供的一种视频推荐方法，适用于服务器，服务器可以是与视频应用程序对应的后台服务器。如图1所示，该方法包括以下步骤S10-S13。

在步骤S10中，对视频进行分类，并根据视频的受欢迎程度对各个类别下的视频进行排序。

可根据视频名称、表演者等文字特征，视频图像的图像特征等特征信息对视频进行分类。同一个视频也可以同时被分到不同的类别中，例如，对于一条娱乐资讯视频来说，就可能被同时分到“娱乐”以及“资讯”类别中。

受欢迎程度可以与视频的点击数、评分、评论数等因素相关。通过以上因素来综合确定出视频的受欢迎程度，根据受欢迎程度对各个类别下的视频进行排序，排序靠前的视频能够被优先推荐给用户。

在步骤S11中，根据浏览记录分析各个用户标识对各个类别的喜好程度值。

浏览记录是服务器保存的与每个用户标识(UserID)对应的视频观看记录，包括在用户的页面中出现过的视频和用户点击观看过的视频。结合步骤S10中对视频的分类分析出浏览记录中的视频分别属于哪一类别，从而得到该用户对哪一类别的视频比较感兴趣。

此时，在后台服务器中，已对存储的视频进行了分类，并结合分析用户的浏览记录得到了每个用户标识分别对各个类别的喜好程度值。对一个用户标识而言，其对所有类别的喜好程度值可共同被称为该用户的用户画像。

在步骤S12中，根据登录终端设备的用户标识和各个用户标识对各个类别的喜好程度值，获取登录的用户标识对各个类别的喜好程度值。

用户在终端设备打开视频应用程序后，输入用户标识、密码以及验证码等信息完成登录，服务器根据登录的用户标识获取该用户标识对各个类别的喜好程度值。

在步骤S13中，根据登录的用户标识对各个类别的喜好程度值和排序的结果拉取各个分类下的视频并推送至终端设备进行展示。

喜好程度值的大小决定了从相应类别拉取视频的几率的高低，结合步骤S10中排序的结果，将排序靠前的视频优先推送至终端设备的视频应用程序进行展示。

例如，在视频应用程序的首页可展示20个视频条目，用户标识“张三”，对娱乐类的视频的喜好程度值为0.4，对体育类的喜好程度值为0.5，那么在首页展示的视频包括8个娱乐类视频，以及10个体育类视频，并且分别是在步骤S10的排序结果中在娱乐类别排序前8的视频和在体育类别中排序前10的视频。

终端设备可以是移动电话，计算机，数字广播终端，消息收发设备，车载控制台，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。在终端设备安装的视频应用程序的首页中展示推送的视频，可以通过瀑布流布局的方式来展示推送的视频。瀑布流布局的视觉表现为参差不齐的多栏布局，随着页面滚动条向下滚动，这种布局还会不断加载预设数量的视频条目并附加至当前尾部。当再次加载数据时，服务器继续按照上述规则拉取视频推送至终端设备。

本实施例中，服务器对视频进行分类排序并对用户喜好进行分析，根据登录的用户标识确定用户的喜好，推送相应类别的且排名靠前的视频至终端设备，在视频应用程序首页中展示推送的视频，从而使用户能够直接看到符合自己喜好的视频，由于推送的视频是各个类别中排序靠前的视频，因此推送视频的受欢迎程度也能够得到提升，而且免去了用户手动输入关键词进行搜索的操作，更加便于用户使用。

在一个实施例中，可通过综合分数来反映视频的受欢迎程度，步骤S10可进一步被实施例为以下步骤S101-S103。

在步骤S101中，获取所述视频的特征信息。

特征信息可以是来自视频标题、视频来源、视频内容介绍等文字特征，例如，视频标题中的出现的人物姓名、球队名称、地名、建筑名称、比赛名称等信息，视频来源中的电视台、网站等信息，视频内容介绍中的人物姓名、球队名称、地名、建筑名称、比赛名称等信息都可以做为文字特征用于视频分类。

特征信息也可以是来自视频图像的图像特征，例如利用图像识别技术识别出的体育比赛、动画、新闻、电影等图像特征；还可以是根据音频识别而得到的音频特征，例如，识别出的爵士音乐、流行音乐、交响乐、戏剧、相声等音频特征。

在步骤S102中，利用预设的分类算法并根据特征信息对视频进行分类。

预设的分类算法可以是根据特征信息进行匹配的分类算法，也可以是针对不同类别通过特定的训练集而训练出来的分类器，例如，支持向量机(Support Vector Machine，SVM)。

在步骤S103中，在各个类别下计算每个视频的综合分数，根据综合分数由高到低进行排序。

综合分数可以通过以下公式计算：

BaseScore(video)＝Hotness(video)×Fresshness(video)，其中，BaseScore(video)代表视频的综合分数，Hotness(video)代表视频的热度，Freshness(video)代表视频的时新性。

热度，即视频在一定时间内被点击观看的次数越多，其热度越高；时新性，即视频的发布时间距当前时间越近，时新性越高，用户没有看过该视频的可能性也就越高。

热度和时新性的取值可以是从1.0至10.0的精确到小数点后一位的数值。例如，“娱乐”类别下的视频A、视频B和视频C。视频A的热度Hotness(A)＝6.0，时新性Freshness(A)＝4.0，那么，视频A的综合分数BaseScore(A)＝24。视频B的热度Hotness(B)＝7.5，时新性Freshness(A)＝6.8，那么，视频B的综合分数BaseScore(B)＝51。视频C的热度Hotness(C)＝8.8，时新性Freshness(C)＝7，那么，视频C的综合分数BaseScore(C)＝61.6。那么“娱乐”类别下的的排序结果即为视频C、视频B、视频A，综合考虑热度和时新性，视频C将会被优先推送给用户。

本实施例中，通过热度和时新性对来计算视频的综合分数并排序，可以将各个类别中观看人数多并且是新发布的视频优先推送给用户，用户没有观看过这些视频的可能性很高，因此对于喜好相应类别的用户而言具有较高的吸引力，推送的视频与用户兴趣的贴合度得到进一步提升。

在一个实施例中，步骤S11可进一步实施为以下步骤S111-S113。

在步骤S111中，获取各个类别下的视频与用户标识对应的曝光量和点击量。

曝光量是指用户页面中展示的某个类别的视频条目的个数，点击量是指所展示的某个类别的视频条目中被该用户打开观看相应的视频的次数。例如，用户标识“ABC123”，在其页面中共展示过500个“娱乐”类别的视频，而这500个视频中被用户“ABC123”选择观看的次数为150次(包括同一个视频被多次观看的次数)，那么，“娱乐”类别的视频与用户“ABC123”对应的曝光量为500，点击量为150。

通过以上方式确定用户标识针对各个类别的曝光量和点击量。

在步骤S112中，根据点击量与曝光量的比值确定用户标识对所述类别的喜好程度值，即 $Favorite(user,category)=\frac{Click(user,category)}{Exposure(user,category)}\×100\%;$

其中category表示类别，user表示用户，Click(user,category)表示用户user对category类别下的视频的点击量，Exposure(user,category)表示category类别下的视频在用户user登录时的曝光量。

例如，上例中“娱乐”类别的视频与用户“ABC123”对应的曝光量为500，点击量为150，那么，代入上述公式，用户“ABC123”对“娱乐”类别的喜好程度为30％。

用户标识针对各个类别的喜好程度值都可以通过上述公式计算得出。

在步骤S113中，对所述类别的喜好程度值进行归一化处理，即：

$NormaizeFavorite(user,category)=\frac{Favorite(user,category)}{MaxFavorite(user,category)};$

其中，NormaizeFavorite(user,category)代表归一化喜好程度值，MaxFavorite(user,category)代表用户user对各个类别category的最大喜好程度值。

进行归一化处理的目的是为了反映出相应的类别下出现新视频的推送几率，保证用户最喜欢的类别下的新视频能够被推送。

例如，用户“ABC123”对“娱乐”类别的喜好程度为30％，对“足球”类别的喜好程度为60％，对“新闻”类别的喜好程度值为45％，那么，喜好程度值最大的类别为“足球”，根据上述公式，用户“ABC123”对“娱乐”类别的归一化喜好程度值为30％/60％＝0.5，对“足球”类别的归一化喜好程度值为60％/60％＝1，对“新闻”类别的归一化喜好程度值为45％/60％＝0.75。因此，如果“足球”类别下发布了新的视频，则肯定会推送给该用户，而“娱乐”类别下发布了新的视频，则会有0.5的可能性推送给该用户，“新闻”类别下发布了新的视频，则会有0.75的可能性推送给该用户。

本实施例中，通过用户对各个类别视频的曝光量和点击量计算出喜好程度值并进行归一化处理，能够得到该用户最感兴趣的类别并将这一类别的视频推送几率置为1，即该类别新发布的视频肯定会推送给该用户，提升了对用户最喜好类别的视频的推送效率，当然随着用户浏览行为的变化，各个类别的推送几率也会随之调整，对于喜好程度值最高的类别的视频，推送的几率也相应最高。

在一个实施例中，步骤S13可进一步被实施例为以下步骤S131-S133。

在步骤S131中，根据登录的用户标识对各个类别的喜好程度值和排序的结果从各个分类下拉取视频。

首先根据登录的用户标识对各个类别的喜好程度值确定优先拉取的类别，喜好程度值或者归一化喜好程度值越大的类别下的视频，被拉取的几率越高。然后，再按照各个类别的视频排序结果依次拉取相应的视频，直到拉取预设数量(例如30个)的视频。

在步骤S132中，在拉取的视频中过滤掉已对用户标识曝光过的视频。

根据用户标识对应的浏览记录查询拉取到的视频是否在预设时长内(例如，一周之内)在用户的页面中曝光过(出现过)相应的条目，或者在该预设时长内被用户观看过。如果拉取的视频被曝光过或者被观看过，说明该视频在最近已经向用户推送过，用户已经见到过该视频，此时，将相应的视频从拉取到的视频中过滤掉，在相应类别的视频中按照排序结果继续拉取其他视频进行替换，直到符合上述条件，从而将最近没有被推送过的视频推送给用户，防止推送的视频中存在用户最近看到过的视频而降低了用户的观看欲望。

在步骤S133中，将过滤后的视频推送至终端设备进行展示。

本实施例中，对拉取的视频进行过滤，将在预设时长内推送过的视频从拉取的视频中过滤掉，使推送的视频都是用户最近没有见到过的视频，以提升推送的视频的观看率。

在一个实施例中，步骤S13还可以进一步实施为以下步骤S134-S136。

在步骤S134中，根据登录的用户标识对各个类别的喜好程度值和排序的结果从各个分类下拉取视频。

在步骤S135中，对拉取的视频进行打分排序，并且排序结果中连续属于同一类别的视频数小于或等于预设数量。

对拉取到的视频进行打分时需要考虑多种因素，包括能提高打分分数的正面因子和降低打分分数的负面因子。对于正面因子而言，其取值可以在1.0-10.0之间，对于负面因子而言，其取值可以在0.01-0.99之间。

正面因子可包括热度、时效性、观看次数等，而负面因子可包括垃圾指数、色情指数、举报次数等。垃圾指数代表该视频的内容不受网友欢迎或者是视频图像或者声音有瑕疵，观看效果可能不理想；色情指数代表该视频不事宜未成年观看的程度；举报次数代表该视频因存在不良或非法信息而被网友举报的次数。

例如，对拉取到的视频进行打分可使用以下公式：

Score(user,video)＝BaseScore(video)×UserFavorite(category,video)×Freshness(vidoe)×...其中，BaseScore(video)为视频的综合分数，UserFavorite(category,video)是该用户对该视频所属类别的喜好程度值，Freshness(video)是该视频的时新性，最后省略号代表还可以一起综合考虑其他正面因子和负面因子，为拉取到的视频打分。例如，视频A的综合分数为24，该用户对相应的类别的喜好程度值为50％，视频的时效性为4.0，热度为6.0，垃圾指数和色情指数均为0.95，那么该视频打分结果Score＝24×50％×4.0×6.0×0.95×0.95＝259.92。

通过上述方式对拉取到的视频进行打分，并根据打分结果由高至低进行排序，按照排序结果的顺序推送至终端设备。在排序结果中，有可能连续出现同一类别下的视频，此时，可以对连续出现同类视频的数量设置一门限值，例如4个，当连续出现同类视频的数量大于4个时，在第五个同类视频之前，插入一个或多个其他打分结果排序最靠前的视频，从而实现多样性调整，防止推送视频的类别过于单一。

例如，在打分的排序结果中，排在前五位的视频都是体育类别，包括视频1至视频5，排在第6位的是娱乐类别的视频6，排在第七位的是新闻类别的视频7，排在第8位的是体育类别的视频8。此时，由于连续出现的体育类别的视频数量已经超过了4个，因此要将排序结果更靠前的视频6的顺序调整到视频4和视频5之间，调整后的排序结果如下：

视频1、视频2、视频3、视频4、视频6、视频5、视频7、视频8。

在步骤S136中，将排序后的视频推送至终端设备进行展示。

本实施例中，对拉取的视频进行打分并根据打分结果排序，将打分更高的视频优先推荐给用户，从而将更优质的视频节目优先进行推送，在排序过程中还可以进行多样性调整，在相同类别的视频连续出现的次数过多时，在其中插入其他类别的视频，以保持推送视频的多样性。

此外，还可以将上述对已曝光过的视频进行过滤的方法和对视频打分排序并进行多样性调整的方法相结合，在拉取的视频中过滤掉用户最近看到过的视频，同时，还保持了推送视频的多样性。

下述为本发明装置实施例，可以用于执行本发明方法实施例。

图2是本发明实施例提供的一种视频推荐装置的框图，位于服务器侧，该装置包括视频分类模块20，用户分析模块21，数据获取模块22和视频推送模块23。

视频分类模块20与用户分析模块21电连接，用于对视频进行分类，并根据视频的受欢迎程度对各个类别下的视频进行排序；

用户分析模块21与数据获取模块22电连接，用于根据浏览记录分析各个用户标识对各个类别的喜好程度值；

数据获取模块22与视频推送模块23电连接，用于根据登录终端设备的用户标识和所述各个用户标识对各个类别的喜好程度值，获取登录的用户标识对各个类别的喜好程度值；

视频推送模块23，用于根据登录的用户标识对各个类别的喜好程度值和排序的结果拉取各个分类下的视频并推送至终端设备进行展示。

在一个实施例中，所述视频的受欢迎程度为视频的综合分数，该视频分类模块20进一步包括：第一获取子模块，分类子模块和第一排序子模块。

第一获取子模块与分类子模块电连接，用于获取视频的特征信息；

分类子模块与第一排序子模块电连接，用于利用预设的分类算法并根据特征信息对视频进行分类；

第一排序子模块，用于在各个类别下计算每个视频的综合分数，根据综合分数由高到低进行排序。

该第一排序子模块包括：

BaseScore(video)＝Hotness(video)×Freshness(video)；其中，BaseScore(video)代表视频的综合分数，Hotness(video)代表视频的热度，Freshness(video)代表视频的时新性。

在一个实施例中，该用户分析模块21进一步包括：第二获取子模块，确定子模块和归一化子模块。

第二获取子模块与确定子模块电连接，用于获取各个类别下的视频与用户标识对应的曝光量和点击量；

确定子模块与归一化子模块电连接，用于根据点击量与曝光量的比值确定用户标识对所述类别的喜好程度值，即：

$Favorite(user,category)=\frac{Click(user,category)}{Exposure(user,category)}\×100\%;$

其中category表示类别，user表示用户，Click(user,category)表示用户user对category类别下的视频的点击量，Exposure(user,category)表示category类别下的视频在用户user登录时的曝光量；

归一化子模块，用于对所述类别的喜好程度值进行归一化处理，即：

$NormaizeFavorite(user,category)=\frac{Favorite(user,category)}{MaxFavorite(user,category)};$

其中，NormaizeFavorite(user,category)代表归一化喜好程度值，MaxFavorite(user,category)代表用户user对各个类别category的最大喜好程度值。

在一个实施例中，该视频推送模块23进一步包括：第一拉取子模块，过滤子模块和第一推送子模块。

第一拉取子模块与过滤子模块电连接，用于根据登录的用户标识对各个类别的喜好程度值和排序的结果从各个分类下拉取视频；

过滤子模块与第一推送子模块电连接，用于在拉取的视频中过滤掉已对用户标识曝光过的视频；

第一推送子模块，用于将过滤后的视频推送至终端设备进行展示。

在一个实施例中，该视频推送模块23进一步包括：第二拉取子模块，第二排序子模块和第二推送子模块。

第二拉取子模块与第二排序子模块电连接，用于根据登录的用户标识对各个类别的喜好程度值和排序的结果从各个分类下拉取视频；

第二排序子模块与第二推送子模块电连接，用于对拉取的视频进行打分排序，并且排序结果中连续属于同一类别的视频数小于或等于预设数量；

第二推送子模块，用于将排序后的视频推送至终端设备进行展示。

此外，本发明实施例中可以通过硬件处理器(hardware processor)来实现上述各个功能模块。

本发明实施例还提供了一种服务器，所述服务器包括：处理器和用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：对视频进行分类，并根据视频的受欢迎程度对各个类别下的视频进行排序；根据浏览记录分析各个用户标识对各个类别的喜好程度值；根据登录终端设备的用户标识和所述各个用户标识对各个类别的喜好程度值，获取所述登录的用户标识对各个类别的喜好程度值；根据所述喜好程度值和所述排序的结果拉取各个分类下的视频并推送至终端设备进行展示。

所述视频的受欢迎程度为视频的综合分数，所述对视频进行分类，并根据视频的综合分数对各个类别下的视频进行排序包括：获取所述视频的特征信息；利用预设的分类算法并根据所述特征信息对视频进行分类；在各个类别下计算每个视频的综合分数，根据所述综合分数由高到低进行排序。

所述在各个类别下计算每个视频的综合分数包括：

BaseScore(video)＝Hotness(video)×Freshness(video)；其中，BaseScore(video)代表视频的综合分数，Hotness(video)代表视频的热度，Freshness(video)代表视频的时新性。

所述根据浏览记录分析各个用户标识对各个类别的喜好程度值包括：获取各个类别下的视频与所述用户标识对应的曝光量和点击量；根据所述点击量与曝光量的比值确定所述用户标识对所述类别的喜好程度值，即：

$Favorite(user,category)=\frac{Click(user,category)}{Exposure(user,category)}\×100\%;$

其中category表示类别，user表示用户，Click(user,category)表示用户user对category类别下的视频的点击量，Exposure(user,category)表示category类别下的视频在用户user登录时的曝光量；

对所述类别的喜好程度值进行归一化处理，即：

$NormaizeFavorite(user,category)=\frac{Favorite(user,category)}{MaxFavorite(user,category)};$

其中，NormaizeFavorite(user,category)代表归一化喜好程度值，MaxFavorite(user,category)代表用户user对各个类别category的最大喜好程度值。

所述根据所述喜好程度值和所述排序的结果拉取各个分类下的视频并推送至终端设备进行展示包括：根据所述登录的用户标识对各个类别的喜好程度值和所述排序的结果从各个分类下拉取视频；在拉取的视频中过滤掉已对所述用户标识曝光过的视频；将过滤后的视频推送至终端设备进行展示。

所述根据所述喜好程度值和所述排序的结果拉取各个分类下的视频并推送至终端设备进行展示包括：根据所述登录的用户标识对各个类别的喜好程度值和所述排序的结果从各个分类下拉取视频；对拉取的视频进行打分排序，并且排序结果中连续属于同一类别的视频数小于或等于预设数量；将排序后的视频推送至终端设备进行展示。

以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种视频推荐方法，其特征在于，所述方法包括：

对视频进行分类，并根据视频的受欢迎程度对各个类别下的视频进行排序；

根据浏览记录分析各个用户标识对各个类别的喜好程度值；

根据登录终端设备的用户标识和所述各个用户标识对各个类别的喜好程度值，获取所述登录的用户标识对各个类别的喜好程度值；

根据所述登录的用户标识对各个类别的喜好程度值和所述排序的结果拉取各个分类下的视频并推送至所述终端设备进行展示。

2.根据权利要求1所述的方法，其特征在于，所述视频的受欢迎程度为所述视频的综合分数；

所述对视频进行分类，并根据视频的综合分数对各个类别下的视频进行排序包括：

获取所述视频的特征信息；

利用预设的分类算法并根据所述特征信息对视频进行分类；

在各个类别下计算每个视频的综合分数，根据所述综合分数由高到低进行排序。

3.根据权利要求2所述的方法，其特征在于，所述在各个类别下计算每个视频的综合分数包括：

BaseScore(video)＝Hotness(video)×Freshness(video)；其中，BaseScore(video)代表视频的综合分数，Hotness(video)代表视频的热度，Freshness(video)代表视频的时新性。

4.根据权利要求1所述的方法，其特征在于，所述根据浏览记录分析各个用户标识对各个类别的喜好程度值包括：

获取各个类别下的视频与所述用户标识对应的曝光量和点击量；

根据所述点击量与曝光量的比值确定所述用户标识对所述类别的喜好程度值，即 $Favorite(user,category)=\frac{Click(user,category)}{Exposure(user,category)}\×100\%;$

其中category表示类别，user表示用户，Click(user,category)表示用户user对category类别下的视频的点击量，Exposure(user,category)表示category类别下的视频在用户user登录时的曝光量；

对所述类别的喜好程度值进行归一化处理，即：

$NormaizeFavorite(user,category)=\frac{Favorite(user,category)}{MaxFavorite(user,category)};$

其中，NormaizeFavorite(user,category)代表归一化喜好程度值，MaxFavorite(user,category)代表用户user对各个类别category的最大喜好程度值。

5.一种视频推荐装置，其特征在于，所述装置包括：

视频分类模块，用于对视频进行分类，并根据视频的受欢迎程度对各个类别下的视频进行排序；

用户分析模块，用于根据浏览记录分析各个用户标识对各个类别的喜好程度值；

数据获取模块，用于根据登录终端设备的用户标识和所述各个用户标识对各个类别的喜好程度值，获取所述登录的用户标识对各个类别的喜好程度值；

视频推送模块，用于根据所述登录的用户标识对各个类别的喜好程度值和所述排序的结果拉取各个分类下的视频并推送至所述终端设备进行展示。

6.根据权利要求5所述的装置，其特征在于，所述视频的受欢迎程度为所述视频的综合分数；所述视频分类模块包括：

第一获取子模块，用于获取所述视频的特征信息；

分类子模块，用于利用预设的分类算法并根据所述特征信息对视频进行分类；

第一排序子模块，用于在各个类别下计算每个视频的综合分数，根据所述综合分数由高到低进行排序。

7.根据权利要求6所述的装置，其特征在于，所述第一排序子模块包括：

BaseScore(video)＝Hotness(video)×Freshness(video)；其中，BaseScore(video)代表视频的综合分数，Hotness(video)代表视频的热度，Freshness(video)代表视频的时新性。

8.根据权利要求5所述的装置，其特征在于，所述用户分析模块包括：

第二获取子模块，用于获取各个类别下的视频与所述用户标识对应的曝光量和点击量；

确定子模块，用于根据所述点击量与曝光量的比值确定所述用户标识对所述类别的喜好程度值，即 $Favorite(user,category)=\frac{Click(user,category)}{Exposure(user,category)}\×100\%;$

其中category表示类别，user表示用户，Click(user,category)表示用户user对category类别下的视频的点击量，Exposure(user,category)表示category类别下的视频在用户user登录时的曝光量；

归一化子模块，用于对所述类别的喜好程度值进行归一化处理，即：

$NormaizeFavorite(user,category)=\frac{Favorite(user,category)}{MaxFavorite(user,category)};$

其中，NormaizeFavorite(user,category)代表归一化喜好程度值，MaxFavorite(user,category)代表用户user对各个类别category的最大喜好程度值。

9.根据权利要求5所述的装置，其特征在于，所述视频推送模块包括：

第一拉取子模块，用于根据所述登录的用户标识对各个类别的喜好程度值和所述排序的结果从各个分类下拉取视频；

过滤子模块，用于在拉取的视频中过滤掉已对所述用户标识曝光过的视频；

第一推送子模块，用于将过滤后的视频推送至所述终端设备进行展示。

10.一种服务器，其特征在于，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：

对视频进行分类，并根据视频的受欢迎程度对各个类别下的视频进行排序；

根据浏览记录分析各个用户标识对各个类别的喜好程度值；

根据登录终端设备的用户标识和所述各个用户标识对各个类别的喜好程度值，获取所述登录的用户标识对各个类别的喜好程度值；

根据所述登录的用户标识对各个类别的喜好程度值和所述排序的结果拉取各个分类下的视频并推送至所述终端设备进行展示。