CN107038213B - 一种视频推荐的方法及装置 - Google Patents

Abstract

本发明实施例公开了一种视频推荐的方法，包括：本发明实施例中，首先获取目标用户的标签信息，根据所述目标用户的标签信息将所述用户划分至目标兴趣组中，再获取所述目标用户的行为数据以及目标兴趣组中的在线用户的目标行为数据，并根据所述目标用户的行为数据以及所述在线用户的目标行为数据进行视频的在线推荐。这样，在进行在线视频推荐时，不仅考虑了目标用户的在线行为数据，还结合了目标用户所在的目标兴趣组中的在线用户的行为数据，从而丰富了在线视频推荐的数据来源，进而扩展了推荐结果的类型，使得视频推荐结果更为满足目标用户的实际需求，提高了用户的使用体验。

Description

一种视频推荐的方法及装置

技术领域

本发明涉及视频处理领域，尤其涉及一种视频推荐的方法及装置。

背景技术

近年来，网络视频用户呈现出稳定增长的趋势。对于视频内容产业链来说，这意味着无论是用户还是内容的数量都将激增。视频内容的爆发式增长，在给用户带来更多选择的同时，也让用户陷入了选择的困境。用户迫切需要终端设备为其提供符合自身兴趣的视频内容，因此个性化视频推荐技术应运而生。随着每天有海量的视频特征上载到互联网，如何结合用户的兴趣以及如何推荐用户可能感兴趣的视频是一个很大的挑战。视频个性化推荐是利用视频内容信息、用户基本信息以及用户长期观看过程中形成的视频偏好共同构建用户画像，利用用户画像来描述特定用户对于某一个视频内容的偏好程度。在实际应用中，系统可以采集用户实时行为，并利用这些实时行为来在线更新用户画像，将更新后的用户画像应用于视频推荐计算过程中，满足用户的实时兴趣。

从实现层面看，现有的视频推荐方式主要包括离线推荐方式与在线推荐方式，离线推荐方式仅根据用户的历史数据来进行视频推荐，其最大缺点是存在滞后，即当前用户画像是一天之前(或更长时间)数据分析得到的，无法反映用户的实时兴趣，这种推荐方式的推荐准确率通常很难满足需求；在线推荐方式通常采用协同过滤算法，即根据用户实时选择的内容向用户推荐与该内容强相关的内容，通过这种方式来尽可能匹配用户的实时兴趣，若单纯地使用在线推荐方式，并没有结合用户的长期观看偏好，可能偏移用户的基本兴趣点，因此导致所推荐的视频内容并不准确。目前来看，一般都采用采用离线和在线结合的推荐方式。

在现有的视频推荐方法中，在线推荐过程是通过采集用户预设时间内的有效行为数据进行在线推荐的，但若在该预设时间内用户并未产生一定数量的有效行为数据，那么进行在线推荐的来源数据就比较少，从而导致在线推荐的结果不准确，最终导致整体推荐结果不能满足用户的实际需求。

发明内容

本发明实施例提供了一种视频推荐的方法及装置，能够丰富在线视频推荐的数据来源，提高了用户的使用体验。

本发明实施例第一方面提供一种视频推荐的方法，包括：先通过目标用户的社交账号的个人信息或者目标用户的新注册信息中获取目标用户的标签信息，比如个人爱好或者喜欢的名人明星，再根据目标用户的标签信息将所述目标用户划分至目标兴趣组中，兴趣组的划分可以为根据爱好类型进行划分，也可以为根据名人明星进行划分，一个用户可以被划分至多个兴趣组中。在目标用户使用设备的过程中，获取目标用户的行为数据以及目标兴趣组中的在线用户的目标行为数据，行为数据可以为用户点击观看某个视频内容的行为动作，也可以为用户查看某个视频的详细信息的行为动作，用户的每个行为动作可以表示该用户对所作用的视频的兴趣程度。最后根据目标用户的行为数据以及所述在线用户的目标行为数据进行视频的在线推荐。

这样，在进行在线视频推荐时，不仅考虑了目标用户的在线行为数据，还结合了目标用户所在的目标兴趣组中的在线用户的行为数据，从而丰富了在线视频推荐的数据来源，进而扩展了推荐结果的类型，使得视频推荐结果更为满足目标用户的实际需求，提高了用户的使用体验。

一种可能的实现方式中，获取目标兴趣组中的在线用户的行为数据具体可以为：

获取目标兴趣组中与所述目标用户相似度高的一个或多个在线用户的目标行为数据，所述相似度指的是所述目标用户与所述在线用户的兴趣匹配度。

相似度可以通过打分进行评比，比如目标用户包含“爱好篮球”的标签信息，若目标兴趣组中的在线用户A也包含“爱好篮球”的标签信息，则可以设置目标用户与在线用户A的相似度为10分，若目标兴趣组中的在线用户B包含“爱好体育”的标签信息，则可以设置目标用户与在线用户B的相似度为5分。这样，通过相似度来获取在线用户的行为数据，可以更加贴切目标用户的爱好倾向，从而推荐出更符合目标用户需求的视频内容。

另一种可能的实现方式中，该方法还可以包括：

根据所述目标用户的离线行为数据推荐与所述目标用户所观看的视频的相关的第三预设数目的视频。根据在线推荐视频的权重系数计算得到在线推荐视频的数量；根据离线推荐视频的权重系数计算得到离线推荐视频的数量；根据所述在线推荐视频的数量以及所述离线推荐视频的数量输出为所述目标用户的推荐视频的内容。

在本实现方式中，还可以结合目标用户的离线行为数据进行视频推荐，离线行为数据包含了目标用户的历史行为动作以及用户所设定的爱好倾向标签，再通过不同的权重值来从在线推荐视频中和离线推荐视频中选取相应的视频进行输出。比如在线推荐视频列表为100条内容，离线推荐视频列表也为100条内容，分别设置权重为0.3和0.7，则表示从在线推荐视频列表中选取前30条视频内容，在离线推荐视频列表中选取前70条内容进行综合输出。由于用户的历史行为数据更能体现出用户的整体爱好倾向，因此可以在初始时将离线推荐视频的权重系数设置一个较高的值。

另一种可能的实现方式中，该方法还可以包括：

根据目标用户在预设时间内的在线行为数据判断目标用户所观看的在线推荐的视频内容的数量是否大于预设阈值，若是，则调高在线推荐视频的权重系数；根据目标用户在预设时间内的在线行为数据判断目标用户所观看的离线推荐的视频内容的数量是否大于预设阈值，若是，则调高所述离线推荐视频的权重系数。

若目标用户在某一段时间内更喜欢观看通过在线视频推荐所输出的视频内容，则表示目标用户在这一段时间内更希望看到在线视频推荐的视频内容，因此，可以通过调整在线视频推荐的权重系数来增加所输出的在线视频推荐的视频内容，比如，之前的在线视频推荐的权重系数为0.3，则可以上调为0.4。若输出的列表中的推荐视频的数量为固定值，则此时可以下调离线推荐视频的权重系数，比如，下调至0.6。同理，若目标用户在某一段时间内更喜欢观看通过离线视频推荐所输出的视频内容，可以通过调整离线视频推荐的权重系数来增加所输出的离线视频推荐的视频内容，比如，之前的离线视频推荐的权重系数为0.7，则可以上调为0.8。

本发明实施例第二方面提供一种视频推荐的装置，包括：

获取单元，用于通过目标用户的社交账号的个人信息或者目标用户的新注册信息中获取目标用户的标签信息，比如个人爱好或者喜欢的名人明星；

划分单元，用于根据所述目标用户的标签信息将所述目标用户划分至目标兴趣组中；兴趣组的划分可以为根据爱好类型进行划分，也可以为根据名人明星进行划分，一个用户可以被划分至多个兴趣组中。

所述获取单元还用于，获取所述目标用户的行为数据以及目标兴趣组中的在线用户的目标行为数据；行为数据可以为用户点击观看某个视频内容的行为动作，也可以为用户查看某个视频的详细信息的行为动作，用户的每个行为动作可以表示该用户对所作用的视频的兴趣程度。

推荐单元，用于根据所述目标用户的行为数据以及所述在线用户的目标行为数据进行视频的在线推荐。

一种可能的实现方式中，获取单元具体用于：

获取目标兴趣组中与目标用户相似度高的一个或多个在线用户的目标行为数据，所述相似度指的是所述目标用户与所述在线用户的兴趣匹配度。

另一种可能的实现方式中，推荐单元还用于：

根据目标用户的离线行为数据推荐与目标用户所观看的视频的相关的第三预设数目的视频。

计算单元，用于所述推荐单元根据所述目标用户的离线行为数据推荐与所述目标用户所观看的视频的相关的第三预设数目的视频之后，根据在线推荐视频的权重系数计算得到在线推荐视频的数量；

所述计算单元还用于，根据离线推荐视频的权重系数计算得到离线推荐视频的数量；

输出单元，用于根据所述在线推荐视频的数量以及所述离线推荐视频的数量输出为所述目标用户的推荐视频的内容。

另一种可能的实现方式中，所述装置还包括：

判断单元，用于根据所述目标用户在预设时间内的在线行为数据判断所述目标用户所观看的在线推荐的视频内容的数量是否大于预设阈值；

调整单元，用于当所述目标用户所观看的在线推荐的视频内容的数量大于预设阈值时，调高所述在线推荐视频的权重系数；

所述判断单元还用于，根据所述目标用户在预设时间内的在线行为数据判断所述目标用户所观看的离线推荐的视频内容的数量是否大于预设阈值；

所述调整单元还用于，当所述目标用户所观看的离线推荐的视频内容的数量是否大于预设阈值，调高所述离线推荐视频的权重系数。本发明实施例第三方面提供一种视频推荐的装置，该装置包括：处理器、存储器、收发器，处理器、存储器以及收发器通过总线连接，存储器存储有计算机指令，处理器通过执行所述计算机指令用于实现如下方法：

获取目标用户的标签信息；

根据所述目标用户的标签信息将所述目标用户划分至目标兴趣组中；

获取所述目标用户的行为数据以及目标兴趣组中的在线用户的目标行为数据；

根据所述目标用户的行为数据以及所述在线用户的目标行为数据进行视频的在线推荐。

本发明实施例第四方面提供一种存储介质，该存储介质存储有用于实现第一方面中视频推荐的方法的计算机指令。

本发明实施例第五方面提供了一种计算机程序产品，该计算机程序产品包括计算机软件指令，该计算机软件指令可通过处理器进行加载来实现上述第一方面任意一项的视频推荐的方法中的流程。

从以上技术方案可以看出，本发明实施例具有以下优点：

本发明实施例中，首先获取目标用户的标签信息，根据所述目标用户的标签信息将所述用户划分至目标兴趣组中，再获取所述目标用户的行为数据以及目标兴趣组中的在线用户的目标行为数据，并根据所述目标用户的行为数据以及所述在线用户的目标行为数据进行视频的在线推荐。这样，在进行在线视频推荐时，不仅考虑了目标用户的在线行为数据，还结合了目标用户所在的目标兴趣组中的在线用户的行为数据，从而丰富了在线视频推荐的数据来源，进而扩展了推荐结果的类型，使得视频推荐结果更为满足目标用户的实际需求，提高了用户的使用体验。

附图说明

图1为本发明实施例中视频推荐的方法所应用的系统架构示意图；

图2为本发明实施例中视频推荐的方法的一个实施例示意图；

图3为本发明实施例中视频推荐的方法的另一实施例示意图；

图4为本发明实施例中视频推荐的装置的一个实施例示意图；

图5为本发明实施例中视频推荐的装置的另一实施例示意图。

具体实施方式

本发明实施例提供了一种视频推荐的方法及装置，能够丰富在线视频推荐的数据来源，提高了用户的使用体验。下面结合附图以及具体实施例进行详细描述。

参照图1所示，图1为本发明实施例中视频推荐的方法所应用的系统架构示意图。

在该系统架构中，个人用户行为采集模块通过终端设备采集当前用户(即目标用户)的个人行为数据，该行为数据指的是用户在终端设备上进行的操作动作所产生的信息数据，比如用户选定某个视频并观看的动作行为，则可作为一个行为数据，或者，用户选定某个视频并查看该视频的详情的动作行为，也可以作为一个行为数据。终端在采集到目标用户的行为数据后，则反馈给个人用户行为采集模块，个人用户行为采集模块将所接收到目标用户的行为数据发送给在线层用户画像滚动时域更新模块。

在线层用户画像滚动时域更新模块用于对该目标用户的在线用户画像进行时域性更新，该在线用户画像指的是根据目标用户的在线行为数据为该目标用户所设置标签信息所形成的的数据画像，比如，该目标用户当前进行了点击选择某个体育类的视频的行为动作，则为该目标用户设置爱好体育的标签信息，比如，该目标用户当前进行了点击选择某个动作电影类的视频的行为动作，则为该目标用户设置爱好动作电影的标签信息，通过这些标签信息能够生成该目标用户的在线用户画像，或者在等到目标用户的标签信息后，有这些标签信息所组成的集合作为该目标用户的在线用户画像。滚动时域更新指的是该模块以距离当前时刻之前的一段时间内(比如四个小时内)的在线行为数据作为更新依据进行更新。在线层用户画像滚动时域更新模块还用于将所更新的在线层目标用户的用户画像发送给在线层视频推荐列表计算模块。

在线用户画像更新辅助模块用于从社交系统其他相似用户群中获取其他在线用户的行为数据，并将获取到的其他在线用户的行为数据发送给在线层用户画像滚动时域更新模块，以使得在线层用户画像滚动时域更新模块根据其他在线用户的行为数据对该目标用户的用户画像进行更新。其他相似用户群即为与该目标用户具有标签信息相似的其他用户所组成的群体集合，比如，该目标用户的用户画像中有“爱好足球”的标签信息，那么该其他相似用户群则可以是同为爱好足球的用户群，或者同为爱好体育的用户群。

视频数据仓库指的是服务器或者终端设备中所存储的视频内容数据，离线层用户画像模块用于从该视频数据仓库中获取视频内容，并根据目标用户的历史行为数据和目标用户所输入标签信息或者所采集到的目标用户的标签信息刻画目标用户的离线层用户画像。离线层用户画像模块还用于将所刻画的目标用户的离线层用户画像信息发送给视频内容点击率预测更新模块，另外，在线层用户画像滚动时域更新模块也会将在线层用户画像信息发送给该视频内容点击率预测更新模块，以使得视频内容点击率预测更新模块根据该目标用户的在线层用户画像信息以及离线层用户画像信息计算视频内容的预测点击率，并对视频的预测点击率进行更新，以便后续的推荐模块根据视频内容的预测点击率进行视频推荐。

在线层用户画像滚动时域更新模块还用于将在线层用户画像发送给在线层视频推荐列表计算模块，视频内容点击率预测更新模块也会将最新的视频内容的预测点击率发送给该在线层视频推荐列表计算模块，以使得该在线层视频推荐列表计算模块根据在线层用户画像以及按照视频内容的预测点击率由高到低进行在线视频的推荐。

离线层用户画像模块还用于将离线层用户画像发送给离线层视频推荐列表计算模块，视频内容点击率预测更新模块也会将最新的视频内容的预测点击率发送给该离线层视频推荐列表计算模块，以使得该在离层视频推荐列表计算模块根据在离线层用户画像以及按照视频内容的预测点击率由高到低进行离线视频的推荐。

在线层视频推荐列表计算模块和离线层视频推荐列表计算模块还用于将所推荐的结果发送给视频推荐列表融合计算模块，视频内容点击率预测更新模块也会将最新的视频内容的预测点击率发送给该视频推荐列表融合计算模块，以使得该视频推荐列表融合计算模块按照一定权重系数融合在线推荐的视频内容和离线推荐的视频内容，并将最后融合得到的推荐结果发送给终端设备，由终端设备进行输出显示，以使得该目标用户观看到所推荐出的视频内容。

需要说明的是，上述实施例中的所有模块均可以由服务器来实现，也可以全部由终端设备来实现，还可以是一部分模块由服务器来实现，其它部分模块由终端设备来实现，具体不做限定。

参照图2所示，本发明实施例中视频推荐的方法的一个实施例包括：

101、获取目标用户的标签信息。

标签信息可以为用户的爱好、用户感兴趣的项目、喜欢的名人明星等信息，获取用户的标签信息可以通过用户在登录终端设备时注册新账号时所填写的基本信息中获取，或者，若用户使用社交账号进行登录，则根据从该社交账号中获取该用户的爱好、和感兴趣的项目等信息。

102、根据所述目标用户的标签信息将所述目标用户划分至目标兴趣组中。

目标兴趣组的划分可以根据兴趣类型进行划分，比如体育兴趣组、电影兴趣组、综艺兴趣组等，或者，还可以根据具体的喜欢的名人明星进行兴趣分组。一个用户可以被划分到一个或多个兴趣组，具体的划分方式根据用户的标签信息与兴趣组里包含的标签信息的相似度划分，比如，该目标用户含有“爱好足球”的标签信息，若兴趣分组中未划分具体的足球兴趣组，则可以根据相似性，将该目标用户划分至体育兴趣组中，若该目标用户含有“爱好台球”的标签信息，若兴趣分区中划分有具体的台球兴趣组，则可以将该目标用户划分至台球兴趣组中。

103、获取所述目标用户的行为数据以及目标兴趣组中的在线用户的目标行为数据。

行为数据指的是用户在终端设备上进行的操作动作所产生的信息数据，比如用户选定某个视频并观看的动作行为，则可作为一个行为数据，或者，用户选定某个视频并查看该视频的详情的动作行为，也可以作为一个行为数据。本发明实施例中所述的行为数据可以为目标用户的有效行为数据，有效行为数据指的是用户的行为动作会对用户的用户画像，即用户的感兴趣程度所产生影响的行为数据。比如，用户点击查看视频内容详情并播放(表示兴趣程度比较高)，或者，用户点击查看视频内容详情后退出未播放(表示兴趣程度不高)，或者，用户点击查看视频内容详情后点击播放(表示兴趣程度很高)，或者，用户未选择当前页的任何一个视频内容查看详情或播放视频内容，而点击翻页查看动作(表示整页都不感兴趣)。在获取到用户的有效行为数据后，则将用户的有效行为数据按照时间顺序进行保存。

由于在一段时间内，目标用户可能所产生有效行为数据比较少，比如在过去三个小时内，该目标用户一直在观看一个视频，那么在这段时间内，该目标用户则只会产生一个有效行为数据。那么当需要为该目标用户进行在线视频推荐时，则可能由于参考数据数目比较少，从而导致所推荐的视频内容比较单一，而且很有可能不能满足目标用户的实际需求。因此，在本发明实施例中，不仅获取目标用户的行为数据，还获取了该目标用户所在的兴趣组中的其它在线用户的目标行为数据，从而进行综合视频推荐。这样，在进行在线推荐时，所参考的行为数据更多，也丰富，从而使得为目标用户进行视频推荐时所得到的推荐结果更为扩展，而且基本符合目标用户的兴趣爱好，提高了用户的使用体验。

一种可能的实现方式中，所述获取目标兴趣组中的在线用户的行为数据，可以为：

获取目标兴趣组中与所述目标用户相似度高的一个或多个在线用户的目标行为数据，所述相似度指的是所述目标用户与所述在线用户的兴趣匹配度。

目标用户与其他在线用户的相似度指的是目标用户的用户画像与其他在线用户的用户画像的相似度，具体可以为目标用户包含的标签信息与其他在线用户包含的标签信息进行相似性的比较所得到的相似度值，具体可以根据相似性设置不同的分值来得到相似度值。比如，如果目标用户与其他在线用户的某一项标签信息完全相同，则相似性增加10，如果某一项标签信息相似，则增加5分。例如：如果用户A与用户B的爱好标签中均包含篮球，则相似性增加10，如果用户A的爱好为篮球，用户B的爱好为足球，那么说明两者均喜欢体育，具有一定的相似性，这种情况下相似性增加5。如果用户A的爱好为足球，用户B的爱好为美食，那么二者之间的相似性增加0。按照上述方式对所有在线用户进行相似性计算与排序，最后选择其中相似度最高的一个在线用户的行为数据，或者选择相似度高的前几个在线用户的行为数据作为在线用户的目标行为数据。

另一种可能的实现方式中，所述获取目标兴趣组中在线用户的目标行为数据，可以为：

获取目标兴趣组中所有在线用户的行为数据；

确定所述行为数据中具有共同属性的行为数据为目标行为数据。

在该实现方式中，先获取了该目标兴趣组中所有在线用户的行为数据，在根据这些行为数据进行综合计算，确定其中具有共同属性的行为数据为目标行为数据。其中，共同属性可以为用户所作用的视频对象具有共同属性，比如有多个在线用户都观看了同一个视频内容，那么这些行为数据则可以作为目标行为数据。或者，共同属性也可以为用户所观看的视频类型具有共同属性，比如，有多个在线用户都观看了体育类的视频内容，那么这些行为数据也可以作为目标行为数据。

可选的，所述具有共同属性的行为数据的数量大于预设阈值。

若该兴趣组中包含了很多个在线用户，那么则可能会产生大量的具有共同属性的行为数据，所以进一步的，还可以对具有共同属性的行为数据的数量进行限定，比如当具有共同属性的行为数据的数量大于20条时，则确定这些行为数据可以作为目标行为数据，或者还可以根据具有共同属性的行为数据在所有在线用户的行为数据中的占比来确定目标数据，比如当具有共同属性的行为数据的数量超过所有该兴趣组中的在线行为数据的数量的百分之三十时，则可以确定这些具有共同属性的行为数据为目标行为数据。这样，所选择的目标行为数据能够体现出当前在兴趣组中多数人多倾向的视频内容，从而能够给该目标用户更优选的视频推荐。

可选的，所述获取所述目标用户的行为数据以及目标兴趣组中的在线用户的目标行为数据，具体可以为：

获取距离当前时刻之前预设时长内的所述目标用户的行为数据以及距离当前时刻之前预设时长内的目标兴趣组中在线用户的目标行为数据。

在本发明实施例中，可以采用滚动时域的用户画像更新方式来对用户画像进行更新，即在需要对用户画像更新时，获取距离当前时刻之前的预设时长内的用户的行为数据。比如当前时刻为10点整，预设时长为3个小时，则可以获取7点至10点之间内用户的行为数据，从而以该行为数据更新用户画像。这样，每次更新的内容都是最贴切用户过去一段时间内所产生的行为数据，使得实时性更高。

另要说明的是，在本发明实施例中，可以按照预设周期来获取目标用户和在线用户的在线行为数据，从而更新目标用户的用户画像，比如每隔四个小时更新一次。还可以当该目标用户的行为数据触发更新时才对该目标用户的用户画像进行更新。能够触发目标用户的用户画像更新的行为可以为点击推荐页面，或者正在观看视频播完完了等行为动作。

104、根据所述目标用户的行为数据以及所述在线用户的目标行为数据进行视频的在线推荐。

对于目标用户的行为数据以及在线用户的目标行为数据的数量可以为设置的固定数量，也可以为当前所获取的实际数量，比如固定50条总数，或者实际获取到目标用户的在线行为数据为10条，实际获取到的在线用户的目标行为数据为30条，则根据实际获取到的总数40条进行推荐。

可选的，所述根据所述目标用户的行为数据以及所述在线用户的目标行为数据进行视频的在线推荐，可以为：

根据所述目标用户的行为数据推荐与所述目标用户所观看的视频的相关的第一预设数目的视频，以及根据所述在线用户的目标行为数据推荐与所述在线用户所观看的视频相同或相关的第二预设数目的视频。

若在实际应用中，所获取到的目标用户的在线行为数据和在线用户的目标行为数据都比较多，那么则可以在对这些行为数据进行晒选。比如根据一个预设值从目标用户的行为数据中选择一些，再根据另一个预设值从在线用户的目标行为数据中选择一些。进一步的，还可以根据为目标用户和在线用户设置不同的权重系数进行筛选，比如从目标用户的行为数据中选择百分之七十，从在线用户的目标数据中选择百分之三十，从而结合所选择的行为数据进行在线视频推荐。

在实际应用中，本发明实施例还可以结合用户的历史观看记录，即用户的离线行为数据为该用户进行融合的视频推荐，具体的如下述的图3实施例所述。

参照图3所示，本发明实施例中视频推荐的方法的一个实施例包括：

本发明实施例中步骤201～204具体参照图2实施例中步骤101～104，此处不做赘述。

205、根据所述目标用户的离线行为数据推荐与所述目标用户所观看的视频的相关的第三预设数目的视频。

离线行为数据指的是目标用户在使用历史中所产生的行为数据以及目标用户所设定的兴趣爱好等基本标签信息，这些数据更能体现出目标用户的基本爱好，因此还可以通过这些行为数据为目标用户推荐一些视频。

206、根据在线推荐视频的权重系数计算得到在线推荐视频的数量。

207、根据离线推荐视频的权重系数计算得到离线推荐视频的数量。

在本发明实施例中，可以结合在线推荐视频所得到的推荐结果与离线推荐视频所得到的推荐结果进行融合，从而为目标用户输出具体的视频内容。比如，在线推荐视频的结果为100条视频内容，离线推荐视频的结果也是100条视频内容，按照不同的权重系数从中选择不同数量的视频内容作为输出结果，比如在线推荐的权重系数为0.3，离线推荐视频的权重系数为0.7，那么最后计算所得到的结果是在线推荐视频中占30条视频内容，离线推荐视频中占70条视频内容。

可选的，在线推荐视频以及离线推荐视频的推荐过程中，还可以根据为视频的预测点击率进行排序，从而在进行权重系数筛选时，选择其中预测点击率前30条或者前70条的视频。

208、根据所述在线推荐视频的数量以及所述离线推荐视频的数量输出为所述目标用户的推荐视频的内容。

可选的，具体可以为根据所述在线推荐视频的数量、所述离线推荐视频的数量以及视频的预测点击率确定为所述目标用户的推荐视频的内容；

根据所述视频的预测点击率对所述为目标用户的推荐视频进行排序；

输出排序后的推荐视频的内容。

在输出所推荐的结果之前，根据具体视频的预测点击率进行排序，从而使得用户在浏览视频内容时，能够快速查看到可能更感兴趣的视频内容，提高了的用户的使用体验。

209、根据所述目标用户在预设时间内的在线行为数据调整所述在线推荐视频的权重系数以及所述离线推荐视频的权重系数。

具体的，根据所述目标用户在预设时间内的在线行为数据判断所述目标用户所观看的在线推荐的视频内容的数量是否大于预设阈值，若是，则调高所述在线推荐视频的权重系数；

根据所述目标用户在预设时间内的在线行为数据判断所述目标用户所观看的离线推荐的视频内容的数量是否大于预设阈值，若是，则调高所述离线推荐视频的权重系数。

比如，如果目标用户在过去一段时间内偏重于观看在线推荐结果列表中的内容，则提高在线推荐结果列表的权值，反之提高离线推荐结果列表的权值。例如，初始化的在线与离线权值分配为0.3、0.7，根据用户过去四个小时的有效行为数据分析得到用户偏向于观看在线推荐结果列表中的内容，那么采用线性化的权值分配方式(此处为举例，本发明不应当限权值分配方式)，将在线推荐结果列表的权值提升为0.4，离线推荐结果列表则降为0.6。

210、获取所述目标用户对所输出的推荐视频的行为数据。

211、根据所述目标用户对所输出的推荐视频的行为数据更新所述推荐视频的预测点击率以及与所述推荐视频相关的其它视频的预测点击率。

所有所输出的推荐视频的预测点击率可以通过一个概率模型进行统计和更新，比如，用户查看了某个视频的详情，则表示用户对该视频的兴趣程度较高，那么则可以将该视频内容的预测点击率提高，以及与该视频相关的其它视频内容的预测点击率也会相应提高，从而更新该概率模型中的视频的预测点击率。又如，用户点击换页操作，跳转至下一页推荐结果，则降低首页推荐结果相关内容的点击预测概率，且用户跳转页面越多，首页推荐内容的点击预测概率降的越多，当用户选中视频内容后，对选中的视频内容进行分析，提高与该视频内容强相关的其他相似视频内容对应的点击预测概率。这样，通过实时更新概率模型中的推荐视频的预测点击率，从而根据预测点击率进行排序更新，使得用户能够快速查看到自己可能更感兴趣的视频内容，提高了用户的使用体验。

参照图4所示，本发明实施例中视频推荐的装置300的一个实施例包括：

获取单元301，用于获取目标用户的标签信息；

划分单元302，用于根据所述目标用户的标签信息将所述目标用户划分至目标兴趣组中；

所述获取单元301还用于，获取所述目标用户的行为数据以及目标兴趣组中的在线用户的目标行为数据；

推荐单元303，用于根据所述目标用户的行为数据以及所述在线用户的目标行为数据进行视频的在线推荐。

可选的，所述获取单元301具体用于：

获取目标兴趣组中与所述目标用户相似度高的一个或多个在线用户的目标行为数据，所述相似度指的是所述目标用户与所述在线用户的兴趣匹配度。

可选的，所述获取单元301具体用于：

获取目标兴趣组中所有在线用户的行为数据；

所述装置300还包括：

确定单元304，用于确定所述行为数据中具有共同属性的行为数据为目标行为数据。

可选的，所述具有共同属性的行为数据的数量大于预设阈值。

可选的，所述获取单元301具体还用于：

获取距离当前时刻之前预设时长内的所述目标用户的行为数据以及距离当前时刻之前预设时长内的目标兴趣组中在线用户的目标行为数据。

可选的，所述推荐单元303具体用于：

根据所述目标用户的行为数据推荐与所述目标用户所观看的视频的相关的第一预设数目的视频，以及根据所述在线用户的目标行为数据推荐与所述在线用户所观看的视频相同或相关的第二预设数目的视频。

可选的，所述推荐单元303还用于：

根据所述目标用户的离线行为数据推荐与所述目标用户所观看的视频的相关的第三预设数目的视频。

可选的，所述装置300还包括：

计算单元305，用于所述推荐单元根据所述目标用户的离线行为数据推荐与所述目标用户所观看的视频的相关的第三预设数目的视频之后，根据在线推荐视频的权重系数计算得到在线推荐视频的数量；

所述计算单元305还用于，根据离线推荐视频的权重系数计算得到离线推荐视频的数量；

输出单元306，用于根据所述在线推荐视频的数量以及所述离线推荐视频的数量输出为所述目标用户的推荐视频的内容。

可选的，所述装置300还包括：

判断单元307，用于根据所述目标用户在预设时间内的在线行为数据判断所述目标用户所观看的在线推荐的视频内容的数量是否大于预设阈值；

调整单元308，用于当所述目标用户所观看的在线推荐的视频内容的数量大于预设阈值时，调高所述在线推荐视频的权重系数；

所述判断单元307还用于，根据所述目标用户在预设时间内的在线行为数据判断所述目标用户所观看的离线推荐的视频内容的数量是否大于预设阈值；

所述调整单元308还用于，当所述目标用户所观看的离线推荐的视频内容的数量是否大于预设阈值，调高所述离线推荐视频的权重系数。

可选的，所述输出单元306具体用于：

根据所述在线推荐视频的数量、所述离线推荐视频的数量以及视频的预测点击率确定为所述目标用户的推荐视频的内容；

根据所述视频的预测点击率对所述为目标用户的推荐视频进行排序；

输出排序后的推荐视频的内容。

可选的，所述获取单元301还用于：获取所述目标用户对所输出的推荐视频的行为数据；

所述装置300还包括：

更新单元309，用于根据所述目标用户对所输出的推荐视频的行为数据更新所述推荐视频的预测点击率以及与所述推荐视频相关的其它视频的预测点击率。

图4实施例以及图4的可选实施例中的各个单元的功能的具体描述参照图2和图3的视频推荐的方法的具体描述内容，此处不做赘述。

图4实施例所述的装置300还有另一个形式的实施例，参照图5所示，包括：处理器401、存储器402、收发器403，所述处理器401、所述存储器402以及所述收发器403通过总线404连接，收发器403可以包括发送器与接收器，所述存储器402存储有计算机指令，所述处理器401通过执行所述计算机指令用于实现图2以及图3实施例中视频推荐的方法的功能。具体的实现可以采用各类灵活的设计方式，各个器件相应的功能可以进一步的参考方法实施例，本发明不做限制。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。

所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。

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，在本申请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范围。

Claims (18)

1.一种视频推荐的方法，其特征在于，所述方法包括：

获取目标用户的标签信息；

根据所述目标用户的标签信息将所述目标用户划分至目标兴趣组中；

获取所述目标用户的行为数据以及目标兴趣组中的在线用户的目标行为数据；

根据所述目标用户的行为数据以及所述在线用户的目标行为数据进行视频的在线推荐；

所述获取目标兴趣组中的在线用户的目标行为数据，包括：

获取目标兴趣组中与所述目标用户相似度高的一个或多个在线用户的目标行为数据，所述相似度指的是所述目标用户与所述在线用户的兴趣匹配度；或，获取目标兴趣组中所有在线用户的行为数据，并确定所述行为数据中具有共同属性的行为数据为目标行为数据。

2.根据权利要求1所述的方法，其特征在于，所述具有共同属性的行为数据的数量大于预设阈值。

3.根据权利要求1至2其中任意一项所述的方法，其特征在于，所述获取所述目标用户的行为数据以及目标兴趣组中的在线用户的目标行为数据，包括：

获取距离当前时刻之前预设时长内的所述目标用户的行为数据以及距离当前时刻之前预设时长内的目标兴趣组中在线用户的目标行为数据。

4.根据权利要求1至2其中任意一项所述的方法，其特征在于，所述根据所述目标用户的行为数据以及所述在线用户的目标行为数据进行视频的在线推荐，包括：

根据所述目标用户的行为数据推荐与所述目标用户所观看的视频的相关的第一预设数目的视频，以及根据所述在线用户的目标行为数据推荐与所述在线用户所观看的视频相同或相关的第二预设数目的视频。

5.根据权利要求4所述的方法，其特征在于，所述方法还包括：

根据所述目标用户的离线行为数据推荐与所述目标用户所观看的视频的相关的第三预设数目的视频。

6.根据权利要求5所述的方法，其特征在于，所述根据所述目标用户的离线行为数据推荐与所述目标用户所观看的视频的相关的第三预设数目的视频之后，所述方法还包括：

根据在线推荐视频的权重系数计算得到在线推荐视频的数量；

根据离线推荐视频的权重系数计算得到离线推荐视频的数量；

根据所述在线推荐视频的数量以及所述离线推荐视频的数量输出为所述目标用户的推荐视频的内容。

7.根据权利要求6所述的方法，其特征在于，所述方法还包括：

根据所述目标用户在预设时间内的在线行为数据判断所述目标用户所观看的在线推荐的视频内容的数量是否大于预设阈值，若是，则调高所述在线推荐视频的权重系数；

根据所述目标用户在预设时间内的在线行为数据判断所述目标用户所观看的离线推荐的视频内容的数量是否大于预设阈值，若是，则调高所述离线推荐视频的权重系数。

8.根据权利要求6或7所述的方法，其特征在于，所述根据所述在线推荐视频的数量以及所述离线推荐视频的数量输出为所述目标用户的推荐视频的内容，包括：

根据所述在线推荐视频的数量、所述离线推荐视频的数量以及视频的预测点击率确定为所述目标用户的推荐视频的内容；

根据所述视频的预测点击率对所述目标用户的推荐视频进行排序；

输出排序后的推荐视频的内容。

9.根据权利要求8所述的方法，其特征在于，所述方法还包括：

获取所述目标用户对所输出的推荐视频的行为数据；

根据所述目标用户对所输出的推荐视频的行为数据更新所述推荐视频的预测点击率以及与所述推荐视频相关的其它视频的预测点击率。

10.一种视频推荐的装置，其特征在于，所述装置包括：

获取单元，用于获取目标用户的标签信息；

划分单元，用于根据所述目标用户的标签信息将所述目标用户划分至目标兴趣组中；

所述获取单元还用于，获取所述目标用户的行为数据以及目标兴趣组中的在线用户的目标行为数据；

推荐单元，用于根据所述目标用户的行为数据以及所述在线用户的目标行为数据进行视频的在线推荐；

所述获取单元具体用于：

获取目标兴趣组中与所述目标用户相似度高的一个或多个在线用户的目标行为数据，所述相似度指的是所述目标用户与所述在线用户的兴趣匹配度；

或，所述获取单元具体用于：获取目标兴趣组中所有在线用户的行为数据；所述装置还包括：确定单元，用于确定所述行为数据中具有共同属性的行为数据为目标行为数据。

11.根据权利要求10所述的装置，其特征在于，所述具有共同属性的行为数据的数量大于预设阈值。

12.根据权利要求10至11其中任意一项所述的装置，其特征在于，所述获取单元具体还用于：

获取距离当前时刻之前预设时长内的所述目标用户的行为数据以及距离当前时刻之前预设时长内的目标兴趣组中在线用户的目标行为数据。

13.根据权利要求10至11其中任意一项所述的装置，其特征在于，所述推荐单元具体用于：

根据所述目标用户的行为数据推荐与所述目标用户所观看的视频的相关的第一预设数目的视频，以及根据所述在线用户的目标行为数据推荐与所述在线用户所观看的视频相同或相关的第二预设数目的视频。

14.根据权利要求13所述的装置，其特征在于，所述推荐单元还用于：

根据所述目标用户的离线行为数据推荐与所述目标用户所观看的视频的相关的第三预设数目的视频。

15.根据权利要求14所述的装置，其特征在于，所述装置还包括：

计算单元，用于所述推荐单元根据所述目标用户的离线行为数据推荐与所述目标用户所观看的视频的相关的第三预设数目的视频之后，根据在线推荐视频的权重系数计算得到在线推荐视频的数量；

所述计算单元还用于，根据离线推荐视频的权重系数计算得到离线推荐视频的数量；

输出单元，用于根据所述在线推荐视频的数量以及所述离线推荐视频的数量输出为所述目标用户的推荐视频的内容。

16.根据权利要求15所述的装置，其特征在于，所述装置还包括：

判断单元，用于根据所述目标用户在预设时间内的在线行为数据判断所述目标用户所观看的在线推荐的视频内容的数量是否大于预设阈值；

调整单元，用于当所述目标用户所观看的在线推荐的视频内容的数量大于预设阈值时，调高所述在线推荐视频的权重系数；

所述判断单元还用于，根据所述目标用户在预设时间内的在线行为数据判断所述目标用户所观看的离线推荐的视频内容的数量是否大于预设阈值；

所述调整单元还用于，当所述目标用户所观看的离线推荐的视频内容的数量是否大于预设阈值，调高所述离线推荐视频的权重系数。

17.根据权利要求15或16所述的装置，其特征在于，所述输出单元具体用于：

根据所述在线推荐视频的数量、所述离线推荐视频的数量以及视频的预测点击率确定为所述目标用户的推荐视频的内容；

根据所述视频的预测点击率对所述目标用户的推荐视频进行排序；

输出排序后的推荐视频的内容。

18.根据权利要求17所述的装置，其特征在于，所述获取单元还用于：获取所述目标用户对所输出的推荐视频的行为数据；

所述装置还包括：

更新单元，用于根据所述目标用户对所输出的推荐视频的行为数据更新所述推荐视频的预测点击率以及与所述推荐视频相关的其它视频的预测点击率。

Images