CN106599165A - 一种基于播放行为的内容推荐方法及服务器 - Google Patents

Abstract

本发明实施例公开了一种基于播放行为的内容推荐方法及服务器。本发明实施例方法包括：确定M个已播放对象，M为大于或等于1的正整数；对于M个已播放对象中的每个目标对象，根据目标对象的播放时长计算目标对象的推荐指数；提取目标对象的至少一个标签；为目标对象的至少一个标签关联推荐指数得到加权标签；根据至少M个加权标签对应的未播放对象确定推荐内容，M个加权标签与各目标对象相对应。本发明实施例还提供了一种服务器。本发明实施例中，基于已播放对象的播放时长因素，对已播放对象进行细分，将目标对象的播放时长作为推荐的参考因素之一，推荐内容更符合用户的实际需求，推荐的结果将更有效，从而能够提升播放量。

Description

一种基于播放行为的内容推荐方法及服务器

技术领域

本发明涉及计算机领域，尤其涉及一种基于播放行为的内容推荐方法及服务器。

背景技术

随着计算机及通信技术的不断进步，通过网络获取信息已经成为用户生活中必不可少的方式。例如，通过网络观看电影，电视剧，记录片、网络课程等视频节目已经成为用户度过闲暇时光的主要方式。用户观看视频的内容的主要方式：一种为有目的的观看，如同事推荐一部电影，用户通过视频应用进行搜索，服务器接收到用户发送的请求，根据用户输入的关键字推送该部电影。另一种为没有目的观看。通过视频应用推荐的内容进行观看。

目前，通过服务器对视频内容的推荐的方法主要是通过用户的历史观看列表进行推荐的。例如，用户历史看过的视频会被记录到“看过”列表，基于“看过”列表，对用户进行视频的相关内容进行推荐。例如，在该用户的“看过”列表中包括电影“黄金大劫案”，服务器可以根据黄金大劫案类型对用户进行推荐内容，例如，电影，喜剧，年代等标签为用户推荐“斗牛”等电影。

通常方法中，基于用户历史观看的内容，对用于进行内容推荐会出现推荐不准确的问题。例如，有些视频内容可能并不是用户喜欢或敢兴趣的内容，只是抱着试试看的态度，视频播放几分钟就被用户关闭了。或者，由于用户误操作导致的该视频被播放，这些视频内容都将被记录到历史播放列表内，如果服务器基于历史播放列表对视频内容进行推荐的话，推荐的内容并不准确。

发明内容

本发明实施例提供了一种基于播放行为的内容推荐方法及服务器，用于基于已播放对象的播放时长因素，对已播放对象进行细分，将目标对象的播放时长作为推荐的参考因素之一，推荐内容更符合用户的实际需求，推荐的结果将更有效，从而能够提升播放量。

第一方面，本发明实施例提供了一种基于播放行为的内容推荐方法，包括：

确定M个已播放对象，所述M为大于或等于1的正整数；

对于所述M个已播放对象中的每个目标对象，根据所述目标对象的播放时长计算所述目标对象的推荐指数；

提取所述目标对象的至少一个标签；

为所述目标对象的至少一个标签关联所述推荐指数得到加权标签；

根据至少M个加权标签对应的未播放对象确定推荐内容，所述M个加权标签与各目标对象相对应。

第二方面，本发明实施例提供了一种服务器，包括：

对象确定模块，用于确定M个已播放对象，所述M为大于或等于1的正整数；

计算模块，用于对于所述确定模块确定的所述M个已播放对象中的每个目标对象，根据所述目标对象的播放时长计算所述目标对象的推荐指数；

标签提取模块，用于提取所述目标对象的至少一个标签；

关联模块，用于为所述标签提取模块提取的至少一个标签关联所述推荐指数得到加权标签；

内容确定模块，用于根据所述关联模块关联的所述至少M个加权标签对应的未播放对象确定推荐内容，所述M个加权标签与各目标对象相对应。

从以上技术方案可以看出，本发明实施例具有以下优点：

确定包括M个已播放对象，然后依次读取M个已播放对象中的每个目标对象。以当前读取的目标对象为例，根据该目标对象的播放时长计算所述目标对象的推荐指数，然后再提取所述目标对象的至少一个标签，例如，该标签可以为“电影”“年代”“喜剧”等等，为这些标签赋予与目标对象相同的推荐指数。M个已播放对象对应至少M个标签，每个标签下又会关联或者对应与该标签相关的未播放对象，然后根据对每个标签的推荐指数确定哪些未播放对象为推荐内容。本发明实施例中，基于已播放对象的播放时长因素，对已播放对象进行细分，将目标对象的播放时长作为推荐的参考因素之一，可以通过播放时长分析出用户是对该目标对象真正观看还是误播放。推荐内容更符合用户的实际需求，推荐的结果将更有效，从而能够提升播放量。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，还可以根据这些附图获得其他的附图。

图1为本发明实施例中服务器的一个实施例的结构示意图；

图2为本发明实施例中一种基于播放行为的内容推荐方法的一个实施例的步骤示意图；

图3为本发明实施例中一种基于播放行为的内容推荐方法的一个实施例的流程示意图；

图4为本本发明实施例中服务器的另一个实施例的结构示意图；

图5为本本发明实施例中服务器的另一个实施例的结构示意图；

图6为本本发明实施例中服务器的另一个实施例的结构示意图。

具体实施方式

本发明实施例提供了一种基于播放行为的内容推荐方法及服务器，用于基于已播放对象的播放时长因素，对已播放对象进行细分，将目标对象的播放时长作为推荐的参考因素之一，推荐内容更符合用户的实际需求，推荐的结果将更有效，从而能够提升播放量。

为了使本技术领域的人员更好地理解本发明方案，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，所描述的实施例仅仅是本发明一部分的实施例，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所获得的所有其他实施例，都应当属于本发明保护的范围。

本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

本发明实施例提供了一种基于播放行为的内容推荐方法，该方法应用于一种服务器，该服务器用于对播放行为的内容向用户推荐，该播放行可以包括但不限于视频播放行为，音频播放，在线游戏的播放等等，本发明实施例中可以以视频播放行为为例进行说明。

请参阅图1所示，图1为实施例提供的一种服务器结构示意图，该服务器100可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上中央处理器(centralprocessing units，CPU)122(例如，一个或一个以上处理器)和存储器132，一个或一个以上存储应用程序142或数据144的存储介质130(例如一个或一个以上海量存储设备)。其中，存储器132和存储介质130可以是短暂存储或持久存储。存储在存储介质130的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对服务器中的一系列指令操作。更进一步地，中央处理器122可以设置为与存储介质130通信，在服务器100上执行存储介质130中的一系列指令操作。

服务器100还可以包括一个或一个以上电源126，一个或一个以上有线或无线网络接口150，一个或一个以上输入输出接口158，和/或，一个或一个以上操作系统141，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM等等。

该服务器的中央处理器122可以用于具体执行以下步骤：确定M个已播放对象，该播放对象以视频播放对象为例。例如，该播放对象可以为电影“黄金大劫案”，或记录片“美丽中国”等等，所述M为大于或等于1的正整数。对于所述M个已播放对象中的每个目标对象，根据所述目标对象的播放时长计算所述目标对象的推荐指数，然后提取每个目标对象的至少一个标签；为所述目标对象的至少一个标签关联所述推荐指数得到加权标签，每一个加权标签包括标签和关联的推荐指数。最后，根据至少M个加权标签对应的未播放对象确定推荐内容。其中，M个加权标签与各目标对象相对应。

请结合图2和图3进行理解，下面对本发明实施例中的一种基于播放行为的内容推荐方法的一个实施例进行详细描述。

步骤201、确定M个已播放对象。

所述M为大于或等于1的正整数。该M个已播放对象用于计算推荐指数。本发明实施例中M可以以5个视频为例进行说明。服务器记录用户已经观看的历史视频，该M个已播放对象可以是预置时间段内的已播放对象。例如，该M个已播放对象可以为一年之内的已播放对象，也可能为一个月之内的已播放对象。具体的，可以根据已播放的数量来确定该M个已播放对象。例如，该用户观看视频的频率很高，一个月之内就观看50个视频，则该M个已播放对象可以为一个月之内的已播放对象。若该用户观看视频的频率比较低，一年或者半年观看的视频的数量为30个，则可以以一年或者半年之内的视频确定为M个已播放对象。

在另一种可能的实现方式中，也可以直接将已播放列表中的已播放对象确定为M个已播放对象，也就是说，注册过的用户看过的视频会被列于该历史播放列表里，该历史播放列表中有多少个已播放对象，则确定历史播放列表中的已播放对象为该M个已播放对象。

例如，历史播放列表中包括5个已播放的视频，下面对该历史播放列表进行例如说明，请参阅下表1所示：

表1

名称	总时长	播放时长
			黄金大劫案	2小时10分钟	已播完
美丽中国	1小时30分钟	已播1小时
			NBA	1小时	5分钟
速度与激情7	2小时20分钟	30分钟
			墓王之王	20分钟	15分钟

步骤202、对于所述M个已播放对象中的每个目标对象，根据所述目标对象的播放时长计算所述目标对象的推荐指数。

在第一种可能的实现方式中，确定所述目标对象的播放时长与所述目标对象的预置播放总时长的比值，然后，根据所述比值为所述推荐指数附加相应的分数，所述分数与所述比值正相关。

具体的，依次读取历史播放列表中的已播放对象。例如:

1)读取第一个播放对象，“黄金大劫案”。

2)首先可以先判断该第一个播放对象是否被列入收藏列表，收藏列表用于收藏某些视频，以备用户下次观看时，方便查找。若一个视频被列入收藏列表，表明该用户对该视频很感兴趣，希望下次可以继续观看，因此如果一个播放对象被列入收藏列表，则将推荐指数增加一个预置分数，例如可以增加1分，当然步骤2)为一个可选的步骤，也可以不执行，执行步骤3)。

3)确定所述目标对象的播放时长与所述目标对象的预置播放总时长的比值，计算该目标对象的推荐指数。

根据所述比值为所述推荐指数附加相应的分数，所述分数与所述比值正相关。

例如，若目标对象的播放时长与所述目标对象的预置播放总时长小于第一门限，则所述推荐指数增加第一预置分数。

若所述比值大于所述第一门限，且小于或者等于第二门限，则所述推荐指数增加第二预置分数，所述第一预置分数小于所述第二预置分数。

若所述比值大于所述第二门限，且小于或者等于第三门限，则所述推荐指数增加第三预置分数，所述第二预置分数小于所述第三预置分数。

例如，第一门限可以为10％，第一预置分数为1分；第二门限可以为20％，第二预置分数为2分；第三门限可以为30％，第三预置分数为3分。

可以理解的是，该推荐指数可以包括两种推荐因子：

(1)因子X：加入收藏列表。

如果一个视频在历史播放列表中，同时被用户加入收藏列表，视频的推荐指数+1分。

(2)因子Y：观看时长与预置总时长的比值。

该视频历史播放列表中，且：当播放时长/总时长≤10％时，视频的推荐指数+1分；

当10％<播放时长/总时长≤20％时，视频的推荐指数+2分；

当20％<播放时长/总时长≤30％时，视频的推荐指数+3分；以此类推，此处不一一举例。

然后，根据上述两个因子的观看行为进行推荐指数加总，得到最后的推荐指数。

需要说明的是，本发明实施例中对门限和预置分数只是举例说明，并不造成对本发明的限定说明，而且门限并不限于上述所举的例子，还可以设置第四门限，第四门限可以为40％，第四分数可以为4分，以下对门限和预置分数不一一穷举。

4)判断M个已播放对象是否全部计算完成，若没有则继续计算下一个已播放对象，按照本发明中的例子，继续读取表1中的第二个视频，也就是“美丽中国”，之后，重复执行步骤1)至步骤3)，计算出第二个视频的推荐指数。依次计算第三个视频，第四个视频，第五个视频，直至已播放列表中的所有视频的推荐指数都已经计算完成。

按照上述对已播放对象进行推荐指数的计算，以上述表1中的例子进行说明。如下表2所示：

表2

5)确定每一个视频的推荐指数。例如，表2所示，每个视频对应的推荐指数为：“黄金大劫案”推荐指数为10；“美丽中国”推荐指数为7.7；“NBA”推荐指数为0.8；“速度与激情7”推荐指数为2.1；“墓王之王”推荐指数为8.5。

步骤203、提取所述目标对象的至少一个标签。

在第一种可能的实现的方式中，针对每个已播放对象，都会提取该已播放对象的标签，标签可以理解为该已播放对象的关键词。每个已播放对象至少包括一个标签，那么，M个已播放对象，一共至少有M个标签。本发明实施例中5个已播放对象，共有21个标签。

例如，请参阅表3中对于标签的举例说明。

表3

在另一种可能的实现方式中，可以先对每个视频的推荐指数进行排序，然后对推荐指数最高的提取标签，例如，只需要提取“黄金大劫案”的标签。或者，对推荐指数位于第m位之前视频提取标签，例如，m可以为3。就需要提取“黄金大劫案”，“墓王之王”，“美丽中国”这三个视频所对应的标签。

本发明实施例中，根据推荐指数对已播放对象进行排序后，再提取第m位之前的已播放对象的标签，可以减少计算量，因为按照推荐指数对已播放对象进行排序后，根据位次位于第m位之后的已播放对象计算推荐指数比较低，参考的意义比较小，因此，提取m位之前的已播放标签可以减少计算量。但是在具体的实际应用中，本发明并不限定具体的实现方式。

步骤204、为所述目标对象的至少一个标签关联所述推荐指数得到加权标签。

以“黄金大劫案”为例，提取“黄金大劫案”的标签为“喜剧”，“民国”，“雷佳音”，“电影”，“宁浩”等5个标签，则这5个标签所关联的推荐指数都为10。

将“墓王之王”的4个标签所关联的推荐指数都为8.5。

将“美丽中国”的5个标签所关联的指数都为7.7。

需要说明的是，将标签关联推荐指数之后得到的是加权标签，如，“喜剧10分”，“民国10分”，都理解为加权标签。

最后，确定出所述至少M个加权标签对应的推荐指数，在本发明实施例中的M为5，加权标签的个数为21个。

步骤205、根据至少M个加权标签对应的未播放对象确定推荐内容，所述M个加权标签与各目标对象相对应。

具体的，可以先对加权标签按照推荐指数进行排序。根据标签进进行搜索，每个标签都会关联多个未播放对象，该多个未播放对象可以为热门视频。例如，加权标签“宁浩10分”所关联的未播放对象(热门视频)就包括：“疯狂的石头”，“疯狂的赛车”等。加权标签“人文自然景观7.7分”所关联的未播放对象包括：“北美国家公园全纪录”，“黄石公园”等。

将每个标签下的热门视频组成一个新的推荐列表，以推荐列表的形式推荐该推荐内容。优选的，可以将该推荐列表按照标签的推荐指数进行排序，推荐指数高的加权标签对应的推荐内容优先推荐。

在另一种可能的实现方式中，按照所述推荐指数从大到小的顺序对所述至少M个加权标签进行排序。例如，本发明实施例中对21个加权标签进行排序，可以先确定所述21个加权标签中的第P个标签之前的目标加权标签，所述P为大于或者等于2的正整数。例如P可以为15，也就是说可以将前14个加权标签所对应的未播放对象确定为推荐内容，当然可以将该推荐内容列于一个推荐列表中，以推荐列表的形式进行推荐，推荐列表只是推荐内容的一个推荐形式，在实际应用中，并不限定具体的推荐形式。或者将同属性的目标加权标签对应的未播放对象分别列入用于推荐内容的目标推荐列表，按属性对所述目标加权标签进行分类，这里的属性可以包括艺术形式(如电影，电视剧，综艺节目，记录片，动漫等)，地域属性(如中国，美国，韩国等)，时间属性(2014，2015，2016等)。将同属性的目标加权标签对应的未播放对象分别列入用于推荐内容的目标推荐列表，将电影对应的未播放内容列入第一推荐列表，将电视剧对应的未播放内容列入第二推荐列表等。需要说明的是，对于目标加权标签的属性本发明实施中只是举例说明，并不造成对本发明的限定。可选的，该推荐内容可以包括未播放对象的名称，播放时长，简介，关键词，年代，内容性质，视频的缩略图等等。

本发明实施例中，将确定的推荐内容按照属性进行分类，将同属性的未播放对象列入同一个播放列表，或者也可以在同一个播放列表中不同的区域显示同一个属性的未播放内容，对于同一类数据进行归类推荐，从而可以使得用户可以有目的的快速查找推荐内容。

在另一种可能的实现方式中，根据所述至少M个加权标签确定与所述至少M个加权标签对应的未播放对象集合。例如，21个加权标签所对应的未播放对象集合中可能包括42个未播放对象。若所述未播放对象集合中的目标未播放对象包括至少2个加权标签。例如，该目标播放对象以“疯狂的石头”为例进行说明，“疯狂的石头”包括的加权标签为“电影10分”，“喜剧10分”，“宁浩10分”。其中，标签“电影”的属性为“艺术形式”，“喜剧”的属性为“内容性质”，“宁浩”的属性为“导演”，每个属性具有对应的权重。例如，“艺术形式”的权重为a，“内容性质”的权重为b，“导演”的权重为c，按照所述属性的预置权重和标签的推荐指数进行加权处理，计算所述目标未播放对象对应的目标推荐指数，例如，则“疯狂的石头”的最后的推荐指数n＝a×10+b×10+c×10，若所述目标推荐指数大于第四门限，则确定所述目标未播放对象为推荐内容。

需要说明的是，权重a、b和c可以根据该用户对应的标签进行统计计算得出。为了方便理解，举例说明，当一个用户的已播放列表中包括10个视频，而这10个视频中有8个视频的艺术形式是电影，但是8个电影对应的导演都不相同，或者说，这10个视频都是喜剧，而10个视频中有2个视频的“艺术形式”是电视剧，8个视频的“艺术形式”是电影，这就说明该用户更关注的是视频的“内容性质”，其次是视频的“艺术形式”，至于谁是“导演”可能并不重要。也就是说“艺术形式”的权重大于“艺术形式”，“艺术形式”的权重又大于“导演”，权重a、b、c的值根据统计的数值进行计算。需要说明的是，本发明实施例中对应权重只是举例说明，并不造成本发明的限定性说明。

通过预置权重对加权标签进行加权处理，通过对用户的已播放对象的标签进行统计计算，确定该用户对应的标签的属性的权重，可以根据权重确定用户更加关注那些属性，而哪些属性用户并不关注，提高了推荐的准确率。

本发明实施例中，确定包括M个已播放对象，然后依次读取M个已播放对象中的每个目标对象。以当前读取的目标对象为例，根据该目标对象的播放时长计算所述目标对象的推荐指数，然后再提取所述目标对象的至少一个标签，例如，该标签可以为“电影”，“年代”，“喜剧”等等。然后为这些标签赋予与目标对象相同的推荐指数。M个已播放对象对应至少M个标签，每个标签下又会关联或者对应与该标签相关的未播放对象，然后根据对每个标签的推荐指数确定哪些未播放对象为推荐内容。本发明实施例中，基于历史已播放的列表，并加入已播放列表的播放时长因素，对已播放列表中的对象进行细分，将目标对象的播放时长作为推荐的参考因素之一，可以通过播放时长分析出用户是对该目标对象真正观看还是误播放。推荐内容更符合用户的实际需求，推荐的结果将更有效，从而能够提升播放量。

请参阅图4所示，上面对一种基于播放行为的内容推荐方法进行了说明，下面对该方法应用的服务器400进行说明。本发明实施例提供了一种服务器的一个实施例包括：

对象确定模块401，用于确定M个已播放对象，所述M为大于或等于1的正整数；

计算模块402，用于对于所述对象确定模块401确定的所述M个已播放对象中的每个目标对象，根据所述目标对象的播放时长计算所述目标对象的推荐指数。

标签提取模块403，用于提取所述计算模块402计算的推荐指数对象的目标对象的至少一个标签。

关联模块404，用于为所述标签提取模块403提取的至少一个标签关联所述推荐指数得到加权标签。

内容确定模块405，用于根据所述关联模块404关联的所述至少M个加权标签对应的未播放对象确定推荐内容，所述M个加权标签与各目标对象相对应。

可选的，所述计算模块402具体用于：

确定所述目标对象的播放时长与所述目标对象的预置播放总时长的比值。

根据所述比值为所述推荐指数附加相应的分数，所述分数与所述比值正相关。

可选的，所述计算模块402具体用于：

若所述比值小于第一门限，则所述推荐指数增加第一预置分数；

若所述比值大于所述第一门限，且小于或者等于第二门限，则所述推荐指数增加第二预置分数，所述第一预置分数小于所述第二预置分数；

若所述比值大于所述第二门限，且小于或者等于第三门限，则所述推荐指数增加第三预置分数，所述第二预置分数小于所述第三预置分数。

请参阅图5所示，在图4对应的实施例的基础上，本发明实施例还提供了一种服务器的另一个实施例，该服务器500还进一步包括判断模块406。

所述判断模块406，用于判断所述对象确定模块401确定的所述目标对象是否被列入收藏列表。

所述计算模块402，还用于当判断模块406确定所述目标对象被列入所述收藏列表时，则所述推荐指数增加第四预置分数。

请参阅图6所示，在图4对应的实施例的基础上，本发明实施例还提供了一种服务器600的另一个实施例，所述内容确定模块405包括第一确定单元4051，标签排序单元4052，第二确定单元4053和内容确定单元4054。

所述第一确定单元4051，用于确定所述关联模块404关联的至少M个加权标签对应的推荐指数。

所述标签排序单元4052，用于按照所述第一确定单元4051确定的所述推荐指数从大到小的顺序对所述至少M个加权标签进行排序。

所述第二确定单元4053，用于确定所述标签排序单元4052排序之后的所述至少M个加权标签中的第P个标签之前的目标加权标签，所述P为大于或者等于2的正整数。

内容确定单元4054，用于确定所述第二确定单元4053确定的目标加权标签对应的未播放对象为推荐内容。

可选的，所述内容确定模块405具体用于：

按属性对所述目标加权标签进行分类；

将同属性的目标加权标签对应的未播放对象分别列入用于推荐内容的目标推荐列表。

可选的，所述内容确定模块405还具体用于：

根据所述至少M个加权标签确定与所述至少M个加权标签对应的未播放对象集合。

若所述未播放对象集合中的目标未播放对象包括至少2个加权标签，所述至少2个加权标签中的每个加权标签具有对应的属性。

按照所述属性的预置权重和标签的推荐指数进行加权处理，计算所述目标未播放对象对应的目标推荐指数。

若所述目标推荐指数大于第四门限，则确定所述目标未播放对象为推荐内容。

进一步的，图4至图6中的注册服务器是以功能模块的形式来呈现。这里的“模块”可以指特定应用集成电路(application-specific integrated circuit，ASIC)，电路，执行一个或多个软件或固件程序的处理器和存储器，集成逻辑电路，和/或其他可以提供上述功能的器件。在一个简单的实施例中，图4至图6中的服务器可以采用图1所示的形式。

其中，中央处理器122用于使该服务器执行图2对应的实施例中的方法。

具体的，该中央处理器122，具体用于执行以下步骤：

确定M个已播放对象，所述M为大于或等于1的正整数；

对于所述M个已播放对象中的每个目标对象，根据所述目标对象的播放时长计算所述目标对象的推荐指数；

提取所述目标对象的至少一个标签；

为所述目标对象的至少一个标签关联所述推荐指数得到加权标签；

根据至少M个加权标签对应的未播放对象确定推荐内容，所述M个加权标签与各目标对象相对应。

可选的，该中央处理器122，还用于确定所述目标对象的播放时长与所述目标对象的预置播放总时长的比值；

根据所述比值为所述推荐指数附加相应的分数，所述分数与所述比值正相关。

具体的，若所述比值小于第一门限，则所述推荐指数增加第一预置分数；

若所述比值大于所述第一门限，且小于或者等于第二门限，则所述推荐指数增加第二预置分数，所述第一预置分数小于所述第二预置分数；

若所述比值大于所述第二门限，且小于或者等于第三门限，则所述推荐指数增加第三预置分数，所述第二预置分数小于所述第三预置分数。

可选的，该中央处理器122，还用于判断所述目标对象是否被列入收藏列表；若所述目标对象被列入所述收藏列表，则所述推荐指数增加第四预置分数。

可选的，该中央处理器122，还用于确定所述至少M个加权标签对应的推荐指数；按照所述推荐指数从大到小的顺序对所述至少M个加权标签进行排序；确定所述至少M个加权标签中的第P个标签之前的目标加权标签，所述P为大于或者等于2的正整数；确定所述目标加权标签对应的未播放对象为推荐内容。

可选的，该中央处理器122，还用于按属性对所述目标加权标签进行分类；将同属性的目标加权标签对应的未播放对象分别列入用于推荐内容的目标推荐列表。

可选的，该中央处理器122，还用于根据所述至少M个加权标签确定与所述至少M个加权标签对应的未播放对象集合；若所述未播放对象集合中的目标未播放对象包括至少2个加权标签，所述至少2个加权标签中的每个加权标签具有对应的属性；按照所述属性的预置权重和标签的推荐指数进行加权处理，计算所述目标未播放对象对应的目标推荐指数；若所述目标推荐指数大于第四门限，则确定所述目标未播放对象为推荐内容。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

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单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，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)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，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 (14)

1.一种基于播放行为的内容推荐方法，其特征在于，包括：

确定M个已播放对象，所述M为大于或等于1的正整数；

对于所述M个已播放对象中的每个目标对象，根据所述目标对象的播放时长计算所述目标对象的推荐指数；

提取所述目标对象的至少一个标签；

为所述目标对象的至少一个标签关联所述推荐指数得到加权标签；

根据至少M个加权标签对应的未播放对象确定推荐内容，所述M个加权标签与各目标对象相对应。

2.根据权利要求1所述的基于播放行为的内容推荐方法，其特征在于，对于所述已播放对象中的每个目标对象，根据所述目标对象的播放时长计算所述目标对象的推荐指数，包括：

确定所述目标对象的播放时长与所述目标对象的预置播放总时长的比值；

根据所述比值为所述推荐指数附加相应的分数，所述分数与所述比值正相关。

3.根据权利要求2所述的基于播放行为的内容推荐方法，其特征在于，所述根据所述比值为所述推荐指数附加相应的分数，所述分数与所述比值正相关，包括：

若所述比值小于第一门限，则所述推荐指数增加第一预置分数；

若所述比值大于所述第一门限，且小于或者等于第二门限，则所述推荐指数增加第二预置分数，所述第一预置分数小于所述第二预置分数；

若所述比值大于所述第二门限，且小于或者等于第三门限，则所述推荐指数增加第三预置分数，所述第二预置分数小于所述第三预置分数。

4.根据权利要求2所述的基于播放行为的内容推荐方法，其特征在于，所述方法还包括：

判断所述目标对象是否被列入收藏列表；

若所述目标对象被列入所述收藏列表，则所述推荐指数增加第四预置分数。

5.根据权利要求1所述的基于播放行为的内容推荐方法，其特征在于，所述根据至少M个加权标签对应的未播放对象确定推荐内容，包括：

确定所述至少M个加权标签对应的推荐指数；

按照所述推荐指数从大到小的顺序对所述至少M个加权标签进行排序；

确定所述至少M个加权标签中的第P个标签之前的目标加权标签，所述P为大于或者等于2的正整数；

确定所述目标加权标签对应的未播放对象为推荐内容。

6.根据权利要求4所述的基于播放行为的内容推荐方法，其特征在于，所述确定所述目标加权标签对应的未播放对象为推荐内容，包括：

按属性对所述目标加权标签进行分类；

将同属性的目标加权标签对应的未播放对象分别列入用于推荐内容的目标推荐列表。

7.根据权利要求1所述的基于播放行为的内容推荐方法，其特征在于，根据至少M个加权标签对应的未播放对象确定推荐内容，包括：

根据所述至少M个加权标签确定与所述至少M个加权标签对应的未播放对象集合；

若所述未播放对象集合中的目标未播放对象包括至少2个加权标签，所述至少2个加权标签中的每个加权标签具有对应的属性；

按照所述属性的预置权重和标签的推荐指数进行加权处理，计算所述目标未播放对象对应的目标推荐指数；

若所述目标推荐指数大于第四门限，则确定所述目标未播放对象为推荐内容。

8.一种服务器，其特征在于，包括：

对象确定模块，用于确定M个已播放对象，所述M为大于或等于1的正整数；

计算模块，用于对于所述确定模块确定的所述M个已播放对象中的每个目标对象，根据所述目标对象的播放时长计算所述目标对象的推荐指数；

标签提取模块，用于提取所述目标对象的至少一个标签；

关联模块，用于为所述标签提取模块提取的至少一个标签关联所述推荐指数得到加权标签；

内容确定模块，用于根据所述关联模块关联的所述至少M个加权标签对应的未播放对象确定推荐内容，所述M个加权标签与各目标对象相对应。

9.根据权利要求8所述的服务器，其特征在于，所述计算模块具体用于：

确定所述目标对象的播放时长与所述目标对象的预置播放总时长的比值；

根据所述比值为所述推荐指数附加相应的分数，所述分数与所述比值正相关。

10.根据权利要求9所述的基服务器，其特征在于，所述计算模块具体用于：

若所述比值小于第一门限，则所述推荐指数增加第一预置分数；

若所述比值大于所述第一门限，且小于或者等于第二门限，则所述推荐指数增加第二预置分数，所述第一预置分数小于所述第二预置分数；

若所述比值大于所述第二门限，且小于或者等于第三门限，则所述推荐指数增加第三预置分数，所述第二预置分数小于所述第三预置分数。

11.根据权利要求9所述的服务器，其特征在于，还包括判断模块；

所述判断模块，用于判断所述对象确定模块确定的所述目标对象是否被列入收藏列表；

所述计算模块，还用于当判断模块确定所述目标对象被列入所述收藏列表时，则所述推荐指数增加第四预置分数。

12.根据权利要求8所述的服务器，其特征在于，所述内容确定模块包括第一确定单元，标签排序单元，第二确定单元和内容确定单元；

所述第一确定单元，用于确定所述至少M个加权标签对应的推荐指数；

所述标签排序单元，用于按照所述第一确定单元确定的所述推荐指数从大到小的顺序对所述至少M个加权标签进行排序；

所述第二确定单元，用于确定所述标签排序单元排序之后的所述至少M个加权标签中的第P个标签之前的目标加权标签，所述P为大于或者等于2的正整数；

所述内容确定单元，用于确定所述第二确定单元确定的所述目标加权标签对应的未播放对象为推荐内容。

13.根据权利要求11所述的服务器，其特征在于，所述内容确定模块具体用于：

按属性对所述目标加权标签进行分类；

将同属性的目标加权标签对应的未播放对象分别列入用于推荐内容的目标推荐列表。

14.根据权利要求8所述的服务器，其特征在于，所述内容确定模块还具体用于：

根据所述至少M个加权标签确定与所述至少M个加权标签对应的未播放对象集合；

若所述未播放对象集合中的目标未播放对象包括至少2个加权标签，所述至少2个加权标签中的每个标签具有对应的属性；

按照所述属性的预置权重和标签的推荐指数进行加权处理，计算所述目标未播放对象对应的目标推荐指数；

若所述目标推荐指数大于第四门限，则确定所述目标未播放对象为推荐内容。