CN107563500A - 一种基于用户头像的视频推荐方法及系统 - Google Patents

Abstract

本发明提供的基于用户头像的视频推荐方法及系统，根据海量用户的标准化头像和已观看的视频数据进行联合训练，得到基于图像表示的卷积神经网络模型，根据用户上传的头像可以自动学习到该用户可能感兴趣的视频，有效的解决了冷启动用户的视频推荐问题。同时，将已训练的卷积神经网络模型输出的语义向量和该用户的基本信息，以及预设的多个候选推荐视频的特征信息经过向量化处理后得到的特征向量输入推荐系统中进行处理，由于同时考虑到了基于用户图像的机器学习结果、用户基本信息和候选推荐视频本身的特征，保证了推荐系统最后得到的针对该用户的推荐视频准确度和精细度。

Description

一种基于用户头像的视频推荐方法及系统

技术领域

本发明涉及视频推荐技术领域，更具体的，涉及一种基于用户头像的视频推荐方法及系统。

背景技术

当前个性化视频推荐技术严重依赖于用户过去的行为，一个新注册用户的或者行为很少的用户，即冷启动用户，无法提供足够多的行为数据让视频推荐系统给出一个准确的视频推荐结果。

现有的常用做法是让新用户在注册的时候填写一些喜欢的视频类型等信息，然而主动参与这种调研的用户通常很少，这使得现有的视频推荐系统无法有效地解决冷启动用户的视频推荐问题。

发明内容

有鉴于此，本发明提出了一种基于用户头像的视频推荐方法及系统，有效的解决了冷启动用户的视频推荐问题，提高了视频推荐的准确度和精细度。

为了实现上述发明目的，本发明提供的具体技术方案如下：

一种基于用户头像的视频推荐方法，包括：

获取待分析的有效用户的标准化头像，并将所述待分析的有效用户的标准化头像输入到已训练的卷积神经网络模型中，得到所述待分析的有效用户的语义向量；

待分析的有效用户待分析的有效用户获取所述待分析的有效用户的基本信息和预设的多个候选推荐视频的特征信息，对所述待分析的有效用户的基本信息和预设的多个候选推荐视频的特征信息进行向量化处理，得到所述待分析的有效用户的特征向量；

将所述待分析的有效用户的语义向量和特征向量输入到预设推荐系统中进行处理，得到待分析的有效用户多个目标推荐视频，并将所述多个目标推荐视频推送给所述待分析的有效用户；所述多个目标推荐视频根据所述待分析的有效用户的偏好进行排序的。

优选的，在所述获取所述待分析的有效用户的标准化头像之前，所述方法还包括：

在预设时间段内获取多个有效用户的标准化头像和每个所述有效用户在预设视频播放平台中已观看的视频数据；

将每个所述有效用户的标准化头像和在预设视频播放平台中已观看的视频数据作为卷积神经网络模型的训练样本进行训练，得到已训练的卷积神经网络模型。

优选的，所述在预设时间段内获取多个有效用户的标准化头像和每个所述有效用户在预设视频播放平台中已观看的视频数据，包括：

在预设时间段内获取访问预设视频播放平台的时间超过预设时长的用户的头像和在所述预设视频播放平台中已观看的视频数据；

分别对每个所述用户的头像进行检测，将符合用户头像标准的用户确定为有效用户；

分别对每个所述有效用户的头像进行标准化处理，得到每个所述有效用户的标准化头像。

优选的，所述分别对每个所述有效用户的头像进行标准化处理，得到每个所述有效用户的标准化头像，包括：

将每个所述有效用户的头像的分辨率、对比度和亮度分别调整为预设分辨率、预设对比度和预设亮度；

将调整后的每个所述有效用户的头像保存为预设格式的图像，得到每个所述有效用户的标准化头像。

优选的，所述将每个所述有效用户的标准化头像和在预设视频播放平台中已观看的视频数据作为卷积神经网络模型的训练样本进行训练，得到已训练的卷积神经网络模型，包括：

将每个所述有效用户的每条已观看的视频数据确定为相应的所述有效用户的一个正样本；

根据所述预设视频播放平台中视频访问频次由高到低的排序，，分别对每个所述有效用户未观看的视频数据进行采样，得到每个所述有效用户预设数量的负样本；

对每个所述有效用户的正样本和负样本进行训练，得到已训练的卷积神经网络模型。

优选的，所述将所述待分析的有效用户的语义向量和特征向量输入到预设推荐系统中进行处理，得到待分析的有效用户多个目标推荐视频，并将所述多个目标推荐视频推送给所述待分析的有效用户，包括：

将所述待分析的有效用户的语义向量和特征向量输入到预设推荐系统的排序模型中进行处理，得到所述待分析的有效用户对每个所述候选推荐视频的偏好得分；

根据所述偏好得分由高到低对各个所述候选推荐视频进行排序，每个所述候选推荐视频分别对应一个排序名次；

将满足预设排序名次的多个候选推荐视频确定为所述待分析的有效用户的多个目标推荐视频；

将所述多个目标推荐视频推送给所述待分析的有效用户。

一种基于用户头像的视频推荐系统，包括：

第一处理单元，用于获取待分析的有效用户的标准化头像，并将所述待分析的有效用户的标准化头像输入到已训练的卷积神经网络模型中，得到所述待分析的有效用户的语义向量待分析的有效用户待分析的有效用户；

第二处理单元，用于获取所述待分析的有效用户的基本信息和预设的多个候选推荐视频的特征信息，对所述待分析的有效用户的基本信息和预设的多个候选推荐视频的特征信息进行向量化处理，得到所述待分析的有效用户的特征向量；

第三处理单元，用于将所述待分析的有效用户的语义向量和特征向量输入到预设推荐系统中进行处理，得到待分析的有效用户多个目标推荐视频，并将所述多个目标推荐视频推送给所述待分析的有效用户；所述多个目标推荐视频根据所述待分析的有效用户的偏好进行排序的。

优选的，所述系统还包括：

获取单元，用于在预设时间段内获取多个有效用户的标准化头像和每个所述有效用户在预设视频播放平台中已观看的视频数据；

训练单元，用于将每个所述有效用户的标准化头像和在预设视频播放平台中已观看的视频数据作为卷积神经网络模型的训练样本进行训练，得到已训练的卷积神经网络模型。

优选的，所述获取单元包括：

获取子单元，用于在预设时间段内获取访问预设视频播放平台的时长超过预设时间的用户的头像和在所述预设视频播放平台中已观看的视频数据；

检测子单元，用于分别对每个所述用户的头像进行检测，将符合用户头像标准的用户确定为有效用户；

规范化处理子单元，用于分别对每个所述有效用户的头像进行标准化处理，得到每个所述有效用户的标准化头像。

优选的，所述规范化处理子单元包括：

调整子单元，用于将每个所述有效用户的头像的分辨率、对比度和亮度分别调整为预设分辨率、预设对比度和预设亮度；

保存子单元，用于将调整后的每个所述有效用户的头像保存为预设格式的图像，得到每个所述有效用户的标准化头像。

优选的，所述训练单元包括：

第一确定子单元，用于将每个所述有效用户的每条已观看的视频数据确定为相应的所述有效用户的一个正样本；

采样子单元，用于根据所述预设视频播放平台中视频访问频次由高到低的排序，分别对每个所述有效用户未观看的视频数据进行采样，得到每个所述有效用户预设数量的负样本；

训练子单元，用于对每个所述有效用户的正样本和负样本进行训练，得到已训练的卷积神经网络模型。

优选的，所述第三处理单元包括：

处理子单元，用于将所述待分析的有效用户的语义向量和特征向量输入到预设推荐系统的排序模型中进行处理，得到所述待分析的有效用户对每个所述候选推荐视频的偏好得分；

排序子单元，用于根据所述偏好得分由高到低对各个所述候选推荐视频进行排序，每个所述候选推荐视频分别对应一个排序名次；

第二确定子单元，用于将满足预设排序名次的多个候选推荐视频确定为所述待分析的有效用户的多个目标推荐视频；

推送子单元，用于将所述多个推荐视频推送给所述待分析的有效用户。

相对于现有技术，本发明的有益效果如下：

本发明提供的基于用户头像的视频推荐方法及系统，根据海量用户的标准化头像和已观看的视频数据进行联合训练，得到基于图像表示的卷积神经网络模型，根据用户上传的头像可以自动学习到该用户可能感兴趣的视频，有效的解决了冷启动用户的视频推荐问题。

同时，将已训练的卷积神经网络模型输出的语义向量和该用户的基本信息、以及预设的多个候选推荐视频的特征信息经过向量化处理后得到的特征向量输入推荐系统中进行处理，由于同时考虑到了基于用户图像的机器学习结果、用户基本信息和候选推荐视频本身的特征，保证了推荐系统最后得到的针对该用户的推荐视频准确度和精细度。

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，还可以根据提供的附图获得其他的附图。

图1为本发明实施例公开的一种基于用户头像的视频推荐方法流程图；

图2为本发明实施例公开的另一种基于用户头像的视频推荐方法流程图；

图3为本发明实施例公开的又一种基于用户头像的视频推荐方法流程图；

图4为本发明实施例公开的再一种基于用户头像的视频推荐方法流程图；

图5为本发明实施例公开的又一种基于用户头像的视频推荐方法流程图；

图6为本发明实施例公开的一种基于用户头像的视频推荐系统结构示意图；

图7为本发明实施例公开的另一种基于用户头像的视频推荐系统结构示意图。

具体实施方式

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做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。

申请人经过研究发现，现有的视频播放平台中用户为了凸显自己和别人的差异通常会上传个性化图像作为头像，这些头像可能是他们喜欢的明星、动物、风景、卡通人物，甚至是个人的照片，这些个性化头像代表用户真正感兴趣的内容。随着深度学习的发展，计算机可以对这些个性化头像中挖掘语义信息，捕捉用户真正感兴趣的内容。

在此基础上，本实施例公开了一种基于用户头像的视频推荐方法，请参阅图1，所述方法具体包括以下步骤：

S101：获取待分析的有效用户的标准化头像，并将所述待分析的有效用户的标准化头像输入到已训练的卷积神经网络模型中，得到所述待分析的有效用户的语义向量；

待分析的有效用户首先必须是有效用户，只有有效用户的标准化头像才能作为已训练的卷积神经网络模型的输入数据。

有效用户为访问预设视频播放平台的时间超过预设时长，且头像符合用户头像标准的用户。

标准化头像为对有效用户的头像进行标准化处理后的头像。

在已训练的卷积神经网络模型中任意输入一个有效用户的标准化头像，输出结果为已训练的卷积神经网络模型中隐藏层的处理结果，具体为一个256维的语义向量。

S102：获取所述待分析的有效用户的基本信息和预设的多个候选推荐视频的特征信息，对所述待分析的有效用户的基本信息和预设的多个候选推荐视频的特征信息进行向量化处理，得到所述待分析的有效用户的特征向量；

用户的基本信息为用户在注册预设视频播放平台中填写的个人基本信息，包括性别、年龄、职业、爱好等。

多个候选推荐视频是系统基于一定原则预先选定出来的，候选推荐视频的特征信息包括视频标签、视频所处的频道、点击率和搜索率等。

可以理解的是，所述待分析的有效用户的基本信息和预设的多个候选推荐视频的特征信息为语义数据，为了便于后续在预设推荐系统中对这些语义数据进行处理，将这些语义信息转化为向量数据，即，将所述待分析的有效用户的基本信息和预设的多个候选推荐视频的特征信息转化为所述待分析的有效用户的特征向量。

S103：将所述待分析的有效用户的语义向量和特征向量输入到预设推荐系统中进行处理，得到待分析的有效用户多个目标推荐视频，并将所述多个目标推荐视频推送给所述待分析的有效用户；所述多个目标推荐视频根据所述待分析的有效用户的偏好进行排序的。

需要说明的是，所述预设推荐系统可以为现有技术中的任意一种优选的视频推荐系统，本实施例对现有技术中的视频推荐系统的输入数据进行改良，以所述待分析的有效用户的语义向量和特征向量，即，基于待分析的有效用户头像的机器学习结果、待分析的有效用户基本信息和候选推荐视频作为输入数据，提高了推荐系统最后得到的针对待分析的有效用户的推荐视频准确度和精细度。

优选的，请参阅图2，S103的具体执行过程如下：

S201：将所述待分析的有效用户的语义向量和特征向量输入到预设推荐系统的排序模型中进行处理，得到所述待分析的有效用户对每个所述候选推荐视频的偏好得分；

所述排序模型可以基于逻辑回归算法、基于梯度的决策树模型或深度神经网络(Deep Neural Network，DNN)等算法，这些都是现有应用比较普遍的算法，在此不再赘述。

S202：根据所述偏好得分由高到低对各个所述候选推荐视频进行排序，每个所述候选推荐视频分别对应一个排序名次；

S203：将满足预设排序名次的多个候选推荐视频确定为所述待分析的有效用户的多个目标推荐视频；

需要说明的是，预设排序名次为上述偏好得分排序中的前几名，可以根据实际需要预先设定排序名次。

S204：将所述多个目标推荐视频推送给所述待分析的有效用户。

本实施例提供的基于用户头像的视频推荐方法，将已训练的卷积神经网络模型中输出的语义向量和该用户的基本信息，以及预设的多个候选推荐视频的特征信息经过向量化处理后得到的特征向量输入推荐系统中进行处理，由于同时考虑到了基于用户图像的机器学习结果、用户基本信息和候选推荐视频本身的特征，保证了推荐系统最后得到的针对该用户的推荐视频准确度和精细度。

请参阅图3，图3为本发明实施例公开的另一种基于用户头像的视频推荐方法，具体包括以下步骤：

S301：在预设时间段内获取多个有效用户的标准化头像和每个所述有效用户在预设视频播放平台中已观看的视频数据；

预设周期为系统预先设定的获取相关数据的更新周期，例如，预设周期为1周，即，每周都会获取满足预设条件的有效用户的标准化头像和所述有效用户在预设视频播放平台中已观看的视频数据，实现了数据的定时更新。

需要说明的是，所述预设视频播放平台是本实施例中用户观看视频的平台，用户头像为在预设视频播放平台中上传的头像。

视频数据在本实施例中具体可为视频标识，例如，视频ID。但，并不以此为限。

优选的，请参阅图4，S301的具体执行过程如下：

S401：在预设时间段内获取访问预设视频播放平台的时间超过预设时长的用户的头像和在所述预设视频播放平台中已观看的视频数据；

所述预设时间可以根据实际情况预先进行设定，例如，预设时间可以为7天。也就是说，获取使用预设视频播放平台的时间超过7天的用户的头像和所述用户已观看的视频数据。

所述用户已观看的视频数据为所述用户在预设视频播放平台中观看过的所有视频数据。

S402：分别对每个所述用户的头像进行检测，将符合用户头像标准的用户确定为有效用户；

具体的，用户头像标准对用户头像的分辨率进行了规定，若用户头像的分辨率小于用户头像标准规定的分辨率，则判定该用户为无效用户，同时，用户头像标准规定若用户头像为预设视频播放平台的初始化头像，也判定该用户为无效用户。

还需要说明的是，若用户已观看的视频数据太少，低于系统设定的阈值时也判定该用户为无效用户。

S403：分别对每个所述有效用户的头像进行标准化处理，得到每个所述有效用户的标准化头像。

将每个所述有效用户的头像的分辨率、对比度和亮度分别调整为预设分辨率、预设对比度和预设亮度；

将调整后的每个所述有效用户的头像保存为预设格式的图像，得到每个所述有效用户的标准化头像。

需要说明的是，所述预设分辨率、预设对比度、预设亮度和预设格式可以根据实际情况预先进行设定。

S302：将每个所述有效用户的标准化头像和在预设视频播放平台中已观看的视频数据作为卷积神经网络模型的训练样本进行训练，得到已训练的卷积神经网络模型；

卷积神经网络模型CNN是图像机器学习中常用的神经网络结构，能够提取出图像的高阶特征。

优选的，请参阅图5，S302的具体执行过程如下：

S501：将每个所述有效用户的每条已观看的视频数据确定为相应的所述有效用户的一个正样本；

S502：根据所述预设视频播放平台中视频访问频次由高到低的排序，分别对每个所述有效用户未观看的视频数据进行采样，得到每个所述有效用户预设数量的负样本；

预设数量是为了保证每个有效用户的负样本的数量相同，且负样本的数量不能过多或过少，可以根据实际情况预先进行设定，例如，将预设数量设定为100。

S503：对每个所述有效用户的正样本和负样本进行训练，得到已训练的卷积神经网络模型。

训练目标为正样本的概率为1，负样本的概率为0。

S303：获取待分析的有效用户的标准化头像，并将所述待分析的有效用户的标准化头像输入到已训练的卷积神经网络模型中，得到所述待分析的有效用户的语义向量；

S304：获取所述待分析的有效用户的基本信息和预设的多个候选推荐视频的特征信息，对所述待分析的有效用户的基本信息和预设的多个候选推荐视频的特征信息进行向量化处理，得到所述待分析的有效用户的特征向量；

S305：将所述待分析的有效用户的语义向量和特征向量输入到预设推荐系统中进行处理，得到多个目标推荐视频，并将所述多个目标推荐视频推送给所述待分析的有效用户；所述多个目标推荐视频根据所述待分析的有效用户的偏好进行排序的。

本实施例提供的基于用户头像的视频推荐方法，根据海量有效用户的标准化头像和已观看的视频数据进行联合训练，得到基于图像表示的卷积神经网络模型，根据用户上传的头像可以自动学习到该用户可能感兴趣的视频，有效的解决了冷启动用户的视频推荐问题。

同时，将已训练的卷积神经网络模型输出的语义向量和该用户的基本信息，以及预设的多个候选推荐视频的特征信息经过向量化处理后得到的特征向量输入推荐系统中进行处理，由于同时考虑到了基于用户图像的机器学习结果、用户基本信息和候选推荐视频本身的特征，保证了推荐系统最后得到的针对该用户的推荐视频准确度和精细度。

基于上述实施例公开的基于用户头像的视频推荐方法，请参阅图6，本实施例对应公开了一种基于用户头像的视频推荐系统，包括：

第一处理单元101，用于获取待分析的有效用户的标准化头像，并将所述待分析的有效用户的标准化头像输入到已训练的卷积神经网络模型中，得到所述待分析的有效用户的语义向量待分析的有效用户待分析的有效用户；

第二处理单元102，用于获取所述待分析的有效用户的基本信息和预设的多个候选推荐视频的特征信息，对所述待分析的有效用户的基本信息和预设的多个候选推荐视频的特征信息进行向量化处理，得到所述待分析的有效用户的特征向量；

第三处理单元103，用于将所述待分析的有效用户的语义向量和特征向量输入到预设推荐系统中进行处理，得到待分析的有效用户多个目标推荐视频，并将所述多个目标推荐视频推送给所述待分析的有效用户；所述多个目标推荐视频根据所述待分析的有效用户的偏好进行排序的。

优选的，所述第三处理单元103包括：

处理子单元，用于将所述待分析的有效用户的语义向量和特征向量输入到预设推荐系统的排序模型中进行处理，得到所述待分析的有效用户对每个所述候选推荐视频的偏好得分；

排序子单元，用于根据所述偏好得分由高到低对各个所述候选推荐视频进行排序，每个所述候选推荐视频分别对应一个排序名次；

第二确定子单元，用于将满足预设排序名次的多个候选推荐视频确定为所述待分析的有效用户的多个目标推荐视频；

推送子单元，用于将所述多个推荐视频推送给所述待分析的有效用户。

本实施例提供的基于用户头像的视频推荐系统，将已训练的卷积神经网络模型中输出的语义向量和该用户的基本信息，以及预设的多个候选推荐视频的特征信息经过向量化处理后得到的特征向量输入推荐系统中进行处理，由于同时考虑到了基于用户图像的机器学习结果、用户基本信息和候选推荐视频本身的特征，保证了推荐系统最后得到的针对该用户的推荐视频准确度和精细度。

基于上述实施例公开的另一种基于用户头像的视频推荐方法，本实施例对应公开了另一种基于用户头像的视频推荐系统，请参阅图7，所述视频推荐系统包括：

获取单元201，用于在预设时间段内获取多个有效用户的标准化头像和每个所述有效用户在预设视频播放平台中已观看的视频数据；

优选的，所述获取单元201包括：

获取子单元，用于在预设时间段内获取访问预设视频播放平台的时长超过预设时间的用户的头像和在所述预设视频播放平台中已观看的视频数据；

检测子单元，用于分别对每个所述用户的头像进行检测，将符合用户头像标准的用户确定为有效用户；

规范化处理子单元，用于分别对每个所述有效用户的头像进行标准化处理，得到每个所述有效用户的标准化头像。

所述规范化处理子单元包括：

调整子单元，用于将每个所述有效用户的头像的分辨率、对比度和亮度分别调整为预设分辨率、预设对比度和预设亮度；

保存子单元，用于将调整后的每个所述有效用户的头像保存为预设格式的图像，得到每个所述有效用户的标准化头像。

训练单元202，用于将每个所述有效用户的标准化头像和在预设视频播放平台中已观看的视频数据作为卷积神经网络模型的训练样本进行训练，得到已训练的卷积神经网络模型；

所述训练单元202包括：

第一确定子单元，用于将每个所述有效用户的每条已观看的视频数据确定为相应的所述有效用户的一个正样本；

采样子单元，用于根据所述预设视频播放平台中视频访问频次由高到低的排序，分别对每个所述有效用户未观看的视频数据进行采样，得到每个所述有效用户预设数量的负样本；

训练子单元，用于对每个所述有效用户的正样本和负样本进行训练，得到已训练的卷积神经网络模型。

第一处理单元203，用于获取待分析的有效用户的标准化头像，并将所述待分析的有效用户的标准化头像输入到已训练的卷积神经网络模型中，得到所述待分析的有效用户的语义向量待分析的有效用户待分析的有效用户；

第二处理单元204，用于获取所述待分析的有效用户的基本信息和预设的多个候选推荐视频的特征信息，对所述待分析的有效用户的基本信息和预设的多个候选推荐视频的特征信息进行向量化处理，得到所述待分析的有效用户的特征向量；

第三处理单元205，用于将所述待分析的有效用户的语义向量和特征向量输入到预设推荐系统中进行处理，得到待分析的有效用户多个目标推荐视频，并将所述多个目标推荐视频推送给所述待分析的有效用户；所述多个目标推荐视频根据所述待分析的有效用户的偏好进行排序的。

本实施例提供的基于用户头像的视频推荐系统，根据海量有效用户的标准化头像和已观看的视频数据进行联合训练，得到基于图像表示的卷积神经网络模型，根据用户上传的头像可以自动学习到该用户可能感兴趣的视频，有效的解决了冷启动用户的视频推荐问题。

同时，将已训练的卷积神经网络模型输出的语义向量和该用户的基本信息，以及预设的多个候选推荐视频的特征信息经过向量化处理后得到的特征向量输入推荐系统中进行处理，由于同时考虑到了基于用户图像的机器学习结果、用户基本信息和候选推荐视频本身的特征，保证了推荐系统最后得到的针对该用户的推荐视频准确度和精细度。

本说明书中各个实施例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部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

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、物品或者设备中还存在另外的相同要素。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (12)

1.一种基于用户头像的视频推荐方法，其特征在于，包括：

获取待分析的有效用户的标准化头像，并将所述待分析的有效用户的标准化头像输入到已训练的卷积神经网络模型中，得到所述待分析的有效用户的语义向量；

获取所述待分析的有效用户的基本信息和预设的多个候选推荐视频的特征信息，对所述待分析的有效用户的基本信息和预设的多个候选推荐视频的特征信息进行向量化处理，得到所述待分析的有效用户的特征向量；

将所述待分析的有效用户的语义向量和特征向量输入到预设推荐系统中进行处理，得到多个目标推荐视频，并将所述多个目标推荐视频推送给所述待分析的有效用户；所述多个目标推荐视频根据所述待分析的有效用户的偏好进行排序的。

2.根据权利要求1所述的方法，其特征在于，在所述获取所述待分析的有效用户的标准化头像之前，所述方法还包括：

在预设时间段内获取多个有效用户的标准化头像和每个所述有效用户在预设视频播放平台中已观看的视频数据；

将每个所述有效用户的标准化头像和在预设视频播放平台中已观看的视频数据作为卷积神经网络模型的训练样本进行训练，得到已训练的卷积神经网络模型。

3.根据权利要求2所述的方法，其特征在于，所述在预设时间段内获取多个有效用户的标准化头像和每个所述有效用户在预设视频播放平台中已观看的视频数据，包括：

在预设时间段内获取访问预设视频播放平台的时间超过预设时长的用户的头像和在所述预设视频播放平台中已观看的视频数据；

分别对每个所述用户的头像进行检测，将符合用户头像标准的用户确定为有效用户；

分别对每个所述有效用户的头像进行标准化处理，得到每个所述有效用户的标准化头像。

4.根据权利要求3所述的方法，其特征在于，所述分别对每个所述有效用户的头像进行标准化处理，得到每个所述有效用户的标准化头像，包括：

将每个所述有效用户的头像的分辨率、对比度和亮度分别调整为预设分辨率、预设对比度和预设亮度；

将调整后的每个所述有效用户的头像保存为预设格式的图像，得到每个所述有效用户的标准化头像。

5.根据权利要求2所述的方法，其特征在于，所述将每个所述有效用户的标准化头像和在预设视频播放平台中已观看的视频数据作为卷积神经网络模型的训练样本进行训练，得到已训练的卷积神经网络模型，包括：

将每个所述有效用户的每条已观看的视频数据确定为相应的所述有效用户的一个正样本；

根据所述预设视频播放平台中视频访问频次由高到低的排序，分别对每个所述有效用户未观看的视频数据进行采样，得到每个所述有效用户预设数量的负样本；

对每个所述有效用户的正样本和负样本进行训练，得到已训练的卷积神经网络模型。

6.根据权利要求1所述的方法，其特征在于，所述将所述待分析的有效用户的语义向量和特征向量输入到预设推荐系统中进行处理，得到待分析的有效用户多个目标推荐视频，并将所述多个目标推荐视频推送给所述待分析的有效用户，包括：

将所述待分析的有效用户的语义向量和特征向量输入到预设推荐系统的排序模型中进行处理，得到所述待分析的有效用户对每个所述候选推荐视频的偏好得分；

根据所述偏好得分由高到低对各个所述候选推荐视频进行排序，每个所述候选推荐视频分别对应一个排序名次；

将满足预设排序名次的多个候选推荐视频确定为所述待分析的有效用户的多个目标推荐视频；

将所述多个目标推荐视频推送给所述待分析的有效用户。

7.一种基于用户头像的视频推荐系统，其特征在于，包括：

第一处理单元，用于获取待分析的有效用户的标准化头像，并将所述待分析的有效用户的标准化头像输入到已训练的卷积神经网络模型中，得到所述待分析的有效用户的语义向量待分析的有效用户待分析的有效用户；

第二处理单元，用于获取所述待分析的有效用户的基本信息和预设的多个候选推荐视频的特征信息，对所述待分析的有效用户的基本信息和预设的多个候选推荐视频的特征信息进行向量化处理，得到所述待分析的有效用户的特征向量；

第三处理单元，用于将所述待分析的有效用户的语义向量和特征向量输入到预设推荐系统中进行处理，得到待分析的有效用户多个目标推荐视频，并将所述多个目标推荐视频推送给所述待分析的有效用户；所述多个目标推荐视频根据所述待分析的有效用户的偏好进行排序的。

8.根据权利要求7所述的系统，其特征在于，所述系统还包括：

获取单元，用于在预设时间段内获取多个有效用户的标准化头像和每个所述有效用户在预设视频播放平台中已观看的视频数据；

训练单元，用于将每个所述有效用户的标准化头像和在预设视频播放平台中已观看的视频数据作为卷积神经网络模型的训练样本进行训练，得到已训练的卷积神经网络模型。

9.根据权利要求8所述的系统，其特征在于，所述获取单元包括：

获取子单元，用于在预设时间段内获取访问预设视频播放平台的时长超过预设时间的用户的头像和在所述预设视频播放平台中已观看的视频数据；

检测子单元，用于分别对每个所述用户的头像进行检测，将符合用户头像标准的用户确定为有效用户；

规范化处理子单元，用于分别对每个所述有效用户的头像进行标准化处理，得到每个所述有效用户的标准化头像。

10.根据权利要求9所述的系统，其特征在于，所述规范化处理子单元包括：

调整子单元，用于将每个所述有效用户的头像的分辨率、对比度和亮度分别调整为预设分辨率、预设对比度和预设亮度；

保存子单元，用于将调整后的每个所述有效用户的头像保存为预设格式的图像，得到每个所述有效用户的标准化头像。

11.根据权利要求8所述的系统，其特征在于，所述训练单元包括：

第一确定子单元，用于将每个所述有效用户的每条已观看的视频数据确定为相应的所述有效用户的一个正样本；

采样子单元，用于根据所述预设视频播放平台中视频访问频次由高到低的排序，分别对每个所述有效用户未观看的视频数据进行采样，得到每个所述有效用户预设数量的负样本；

训练子单元，用于对每个所述有效用户的正样本和负样本进行训练，得到已训练的卷积神经网络模型。

12.根据权利要求6所述的系统，其特征在于，所述第三处理单元包括：

处理子单元，用于将所述待分析的有效用户的语义向量和特征向量输入到预设推荐系统的排序模型中进行处理，得到所述待分析的有效用户对每个所述候选推荐视频的偏好得分；

排序子单元，用于根据所述偏好得分由高到低对各个所述候选推荐视频进行排序，每个所述候选推荐视频分别对应一个排序名次；

第二确定子单元，用于将满足预设排序名次的多个候选推荐视频确定为所述待分析的有效用户的多个目标推荐视频；

推送子单元，用于将所述多个推荐视频推送给所述待分析的有效用户。