CN107645667A - 视频推荐方法、系统及服务器设备 - Google Patents

Abstract

本发明提供一种视频推荐方法。该视频推荐包括根据用户配置信息获取视频资源；获取两个以上的推荐算法；根据各推荐算法分别从视频资源中提取视频；对提取的视频进行优先级排序，向所述用户发送排序后的视频。上述视频推荐方法，根据用户配置信息获取视频资源，初步获取的视频资源。再根据各推荐算法从获取的视频资源中提取视频，对获取视频资源进一步刷选，最后再将提取的视频进行优先级排序，将排序后的视频发送给用户，从而刷选出用户感兴趣的视频。与传统的推荐视频的方式相比，该视频推荐方法分别基于用户配置信息、推荐算法及优先级排序，刷选出用户感兴趣的视频。本发明还提供了一种视频推荐系统及服务器设备。

Description

视频推荐方法、系统及服务器设备

技术领域

本发明涉及互联网技术领域，具体而言，本发明涉及一种视频推荐方法、系统及服务器设备。

背景技术

随着互联网技术的发展，人们可以通过网络获取大量的网络视频。人们可供选择的网络视频越来越多，如何从海量的视频数据中获取自己感兴趣的视频，逐渐成为视频消费者困扰的问题。

在这样的背景下，视频推荐应运而生。传统的视频推荐方式，是将视频内容信息相似的视频推送给用户。然而，这种情况下用户并不能很好地获取感兴趣的视频。用户如何从海量的视频中获取感兴趣的视频，仍然是困扰用户的大问题。

发明内容

本发明的目的旨在提供一种视频推荐方法、系统及服务器设备，实现给用户推荐感兴趣的视频。

为了实现上述目的，本发明提供以下技术方案：

一种视频推荐方法，包括：根据用户配置信息获取视频资源；获取两个以上的推荐算法；根据各推荐算法分别从视频资源中提取视频；对提取的视频进行优先级排序，向所述用户发送排序后的视频。

在其中一个实施例中，所述根据各推荐算法分别从视频资源中提取视频，包括：把所述两个以上的推荐算法组成算法集；从所述算法集中获取一个推荐算法；根据该推荐算法从所述视频资源中提取视频；从所述视频资源中过滤已提取视频，得到过滤后的视频资源；从所述算法集中获取下一个推荐算法；根据该推荐算法从所述过滤后的视频资源中提取视频判断所述算法集中是否有未使用的推荐算法；若是，继续所述从所述视频资源中过滤已提取视频的步骤；否则，停止提取视频。

在其中一个实施例中，所述把所述两个以上的推荐算法组成算法集，包括：把所述两个以上的推荐算法组成按优先级从高到低排序的算法集；所述从所述算法集中获取一个推荐算法，包括：从所述算法集中按优先级从高到低排序获取一个推荐算法；所述从所述算法集中获取下一个推荐算法，包括：从所述算法集中按优先级从高到低排序获取下一个推荐算法。

在其中一个实施例中，所述根据该推荐算法从所述视频资源中提取视频，包括：获取所述用户的历史视频操作行为数据；根据所述历史视频操作行为数据确定所述视频资源中的视频属于用户已观看的视频，把该视频从视频资源中过滤；根据所述历史视频操作行为数据确定所述视频资源中的视频属于发给用户未观看且推荐次数超过预置值的视频，把该视频从视频资源中过滤；根据所述历史视频操作行为数据确定所述视频资源中的视频属于用户设置为反感类型的视频，把该视频从视频资源中过滤；根据该推荐算法从视频资源中提取预置数量的视频。

在其中一个实施例中，所述对提取的视频进行优先级排序，包括：根据算法优先级对所述两个以上的推荐算法进行排序；把高优先级的推荐算法提取的视频设为高优先级的视频，对各推荐算法提取的视频按推荐算法的优先级进行优先级排序；或根据提取的视频的特征信息和所述用户的历史视频操作行为数据，得到所述用户对各提取的视频的兴趣值；根据所述各提取的视频的兴趣值对提取的全部视频进行优先级排列；或各推荐算法提取的视频数量为两个以上，分别对推荐算法内的视频和推荐算法间的视频进行排序；其中，对推荐算法内的视频进行排序，包括：根据视频的特征信息和所述用户的历史视频操作行为数据，得到所述用户对该推荐算法提取的视频的兴趣值，根据兴趣值对该推荐算法提取的视频进行优先级排列；其中，对推荐算法间的视频进行排序，包括：根据算法优先级对所述两个以上的推荐算法进行排序，把高优先级的推荐算法提取的视频设为高优先级的视频，对各推荐算法提取的视频按推荐算法优先级进行优先级排序。

在其中一个实施例中，所述向用户发送排序后的视频的步骤之后，还包括：获取所述用户对所述视频反馈的视频操作行为数据；根据反馈的视频操作行为数据统计各推荐算法提取的视频的回响值；根据回响值调整所述推荐算法。

在其中一个实施例中，所述根据反馈的视频操作行为数据统计各推荐算法提取的视频的回响值，包括：从所述反馈的视频操作行为数据中得到各视频的操作参数，各操作参数对应一个预置值，把操作参数的预置值累加，得到该视频的回响值；把每个推荐算法的各视频的回响值累加，除以该推荐算法提取视频的数量，得到该推荐算法的回响值；其中，所述操作参数包括：播放指令操作、点赞指令操作及转发指令操作。

在其中一个实施例中，所述根据回响值调整所述推荐算法，包括：统计使用相同的所述两个以上推荐算法用户的回响值，计算每个各推荐算法的回响值的平均值；若推荐算法的回响值的平均值低于预置值，使用新推荐算法替换该推荐算法；或，将各推荐算法的回响值的平均值进行从高到低排序，剔除排序低的推荐算法。

一种视频推荐系统，包括：视频获取模块，用于根据用户配置信息获取视频资源；算法获取模块，用于获取两个以上的推荐算法；提取模块，用于根据各推荐算法分别从视频资源中提取视频；推荐模块，用于对提取的视频进行优先级排序，向所述用户发送排序后的视频。

一种服务器设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述任一实施例所述的视频推荐方法。

上述视频推荐方法，根据用户配置信息获取视频资源，因此初步获取的视频资源贴近用户的兴趣爱好。再者，根据各推荐算法从获取的视频资源中提取视频，对初步获取的视频资源进一步刷选，因此进一步刷选出更加贴近用户兴趣爱好的视频。最后再将提取的视频进行优先级排序，将排序后的视频发送给用户，从而刷选出用户感兴趣的视频。与传统的推荐视频的方式相比，该视频推荐方法分别基于用户配置信息、推荐算法及优先级排序，刷选出用户感兴趣的视频。

附图说明

本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1为本发明一个实施例中视频推荐方法的方法流程图。

图2为图1中S30的一个实施例中的方法流程图。

图3为图2中S301的一个实施例中的方法流程图。

图4为本发明一个实施例中视频推荐系统的原理框图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。

本发明提供一种视频推荐方法。在本方案中，该视频推荐方法能够使用户在海量视频数据中，获取自己感兴趣的短视频。如图1所示，本发明提供的一种视频推荐方法，包括步骤：

S10，根据用户配置信息获取视频资源。

在本实施例中，服务器根据用户配置信息从运营池中获取视频资源。其中，用户配置信息包括用户感兴趣的视频类别和不感兴趣的视频类别，用户已观看的视频或未观看的视频，用户观看视频的次数及用户的浏览记录等。运营池根据用户的配置信息向用户推送视频资源。

S20，获取两个以上的推荐算法。

在本实施例中，服务器获取两个以上的推荐算法。每个推荐算法不一样，服务器可以根据不同的推荐算法获取不一样的推荐视频。服务器将获取的推荐算法放置在多个分区中。每个分区可以放置一个或者多个推荐算法。各分区内的推荐算法不同，通过各分区后服务器获取到的视频也不同。

S30，根据各推荐算法分别从视频资源中提取视频。

在本实施例中，服务器根据各推荐算法从获取到的视频资源中提取视频。其中，步骤S30包括以下步骤：

S301，把两个以上的推荐算法组成算法集；从算法集中获取一个推荐算法；根据该推荐算法从视频资源中提取视频。

在本实施中，把两个以上的推荐算法组成算法集包括：把两个以上的推荐算法组成按优先级从高到低排序的算法集。从算法集中获取一个推荐算法包括：从算法集中按优先级从高到低排序获取一个推荐算法。

其中，根据该推荐算法从视频资源中提取视频，包括以下步骤：

S3011，获取用户的历史视频操作行为数据。

在本实施例中，服务器获取用户的历史视频操作行为数据。其中，用户的历史视频操作行为数据包括用户对视频的浏览记录数据，用户对视频的点赞记录数据，用户对视频的收藏记录数据，用户对视频标注为反感的记录数据，以及用户对视频的观看记录数据等。

S3013，根据历史视频操作行为数据确定视频资源中的视频属于用户已观看的视频，把该视频从视频资源中过滤。

在本实施例中，根据用户的历史视频操作行为数据，确定出从运营池中获取的视频资源中，用户已观看的视频，并将用户已观看的视频从视频资源中过滤。

S3015，根据历史视频操作行为数据确定视频资源中的视频属于发给用户未观看且推荐次数超过预置值的视频，把该视频从视频资源中过滤。

在本实施例中，根据用户的历史视频操作行为数据，确定出从运营池中获取的视频资源中，已发送给用户但用户并未观看视频且服务器给用户推荐该视频的次数超过预置值的视频，并将该视频从视频资源中过滤。其中，预置值可根据实际情况提前设置。只要该视频用户未观看且给用户推荐的次数超过提前设置好的预置值，即将该视频进行过滤。

S3017，根据历史视频操作行为数据确定视频资源中的视频属于用户设置为反感类型的视频，把该视频从视频资源中过滤。

在本实施例中，根据用户的历史视频操作行为数据，确定出从运营池中获取的视频资源中，用户设置为反感类型的视频，并将用户设置有反感类型的视频从视频资源中过滤。

S3019，根据该推荐算法从过滤后的视频资源中提取预置数量的视频。

在本实施例中，服务器根据该推荐算法从过滤后的视频资源中提取预置数量的视频。其中，提取的视频数量为根据实际情况设置的数量。可以是一个或者多个。

S303，从视频资源中过滤已提取视频，得到过滤后的视频资源。

在本实施例中，从算法集中按优先级从高到低排序中获取一个算法后，根据该算法中视频资源中提取视频。然后从视频资源中过滤已提取的视频，得到过滤后的视频资源。

S305，从算法集中获取下一个推荐算法；根据该推荐算法从过滤后的视频资源中提取视频。

在本实施例中，从算法集中按优先级从高到低排序再获取下一个推荐算法。服务器再根据该推荐算法从过滤后的视频资源中提取视频。

S307，判断算法集中是否有未使用的推荐算法；若是，继续从视频资源中过滤已提取视频的步骤；否则，停止提取视频。

在本实施例中，当从算法集中获取下一个推荐算法，并根据该推荐算法从过滤后的视频资源中提取视频后，进一步判断算法集中是否还有未使用的推荐算法。如果算法集中还有未使用的推荐算法，继续从视频资源中过滤已提取视频的步骤。也即是，当算法集中还有未使用的推荐算法时，从视频资源中再过滤掉根据上一推荐算法获取的视频。然后再获取下一推荐算法，根据下一推荐算法从过滤后的视频资源中提取视频。再次检测算法集是否还有未使用的推荐算法，如若还有，则继续执行上述过程。如此反复，直至检测到算法集中已无未使用的推荐算法。

S40，对提取的视频进行优先级排序，向用户发送排序后的视频。

在本实施例中，服务器对根据各推荐算法提取的视频再进行优先级排序，再将排序好之后的视频发送给用户。

其中，对提取的视频进行优先级排序的步骤包括：

根据算法优先级对两个以上的推荐算法进行排序；把高优先级的推荐算法提取的视频设为高优先级的视频，对各推荐算法提取的视频按推荐算法的优先级进行优先级排序。

或者，根据提取的视频的特征信息和用户的历史视频操作行为数据，得到用户对各提取的视频的兴趣值；根据各提取的视频的兴趣值对提取的全部视频进行优先级排列。具体地，根据提取的视频的特征信息，获取视频的关键词及有效特征。根据视频关键词和有效特征信息，对提取的视频分配类型码。根据用户的历史视频操作行为数据，对用户进行分类。其中，用户的历史视频操作行为数据包括用户的浏览记录，用户观看视频的次数，用户对视频的下架(反感)次数以及用户关注视频的类别。根据用户的历史视频操作行为数据获取其相应的视频类别码，计算出用户对相应的视频的兴趣值，根据各提取的视频的兴趣值对提取的全部视频进行优先级排列。

或者，各推荐算法提取的视频数量为两个以上。服务器分别对推荐算法内的视频和推荐算法间的视频进行排序。其中，服务器对推荐算法内的视频进行排序包括：根据视频的特征信息和用户的历史视频操作行为数据，得到用户对该推荐算法提取的视频的兴趣值。根据兴趣值对该推荐算法提取的视频进行优先级排列。也即是，根据各推荐算法提取的多个视频，服务器获取各个视频的特征信息以及用户对各个视频的历史视频操作行为数据，并根据各个视频的特征信息以及用户对各个视频的历史视频操作行为数据获取用户对该推荐算法提取的各个视频的兴趣值。根据用户对该推荐算法提取的各个视频的兴趣值对多个视频进行优先级排序。

其中，对推荐算法间的视频进行排序包括：根据算法优先级对两个以上的推荐算法进行排序，把高优先级的推荐算法提取的视频设为高优先级的视频，对各推荐算法提取的视频按推荐算法优先级进行优先级排序。也即是，服务器获取每个推荐算法提取的视频。根据推荐算法的优先级对提取的视频进行排序。优先级高的推荐算法，根据该推荐算法提取的视频的优先级高。优先级低的推荐算法，根据该推荐算法提取的视频的优先级低。由此对提取的视频进行排序。

在一实施例中，服务器可先对推荐算法间的视频进行排序，然后再对推荐算法内的视频进行排序。也即是，服务器先根据算法优先级对两个以上的推荐算法进行排序，把高优先级的推荐算法提取的视频设为高优先级的视频，对各推荐算法提取的视频按推荐算法优先级进行优先级排序。然后，根据视频的特征信息和用户的历史视频操作行为数据，得到用户对该推荐算法提取的视频的兴趣值。根据兴趣值对该推荐算法提取的视频进行优先级排列。

在一具体的实现方式中，服务器将多个推荐算法设置在多个分区中。每个分区有一个或者多个推荐算法，并且每个分区中的推荐算法均不一样。也即是，服务器从每个分区的推荐算法中提取的视频均不一样。其中，服务器经每一分区的推荐算法提取后的视频数量不定时更新。服务器将每一分区过滤后的视频进行优先级排序，并将排序后的视频排列成列表，作为待推荐的视频表。服务器将从运营池中获取到视频资源，依次通过各分区存放的推荐算法以提取出对应的视频。并且，每个分区将提取出的视频的ID反馈给下一分区。下一分区在提取视频时，将过滤上一分区提取出的视频后再进行视频提取，以使得下一分区提取对应的视频时不重复调取同一视频。

具体地，每种推荐算法均预先设置输出的推荐视频个数。每个推荐算法设定有一定的优先级。服务器缓存上一优先级推荐算法推荐的视频Vid1后，将视频Vid1的ID反馈给下一优先级推荐算法。服务器从下一优先级推荐算法中提取视频时，先将从上一优先级推荐算法中提取的视频过滤后，再从下一优先级推荐算法中提取对应的视频。依次过滤，以使得向用户推荐的视频照片那个不存在重复推荐的视频。

步骤S40之后，还包括步骤S50。步骤S50包括：

S501，获取用户对视频反馈的视频操作行为数据。

在本实施例中，用户对视频反馈的视频操作行为数据包括用户分享视频，用户播放视频及用户收藏视频等。

S503，根据反馈的视频操作行为数据统计各推荐算法提取的视频的回响值。

在本实施例中，服务器根据反馈的视频操作行为数据统计各推荐算法提取的视频的回响值。

其中，服务器根据反馈的视频操作行为数据统计各推荐算法提取的视频的回响值，包括：从反馈的视频操作行为数据中得到各视频的操作参数，各操作参数对应一个预置值，把操作参数的预置值累加，得到该视频的回响值，把每个推荐算法的各视频的回响值累加，除以该推荐算法提取视频的数量，得到该推荐算法的回响值。操作参数可包括：播放指令操作、点赞指令操作及转发指令操作等。

也即是，假设反馈的视频操作行为数据，用户分享视频算3分，用户播放视频算2分。若根据推荐算法提取的一个视频中，反馈的视频操作行为数据中有用户分享视频数据和用户播放视频数据，则该视频的回响值为5分。根据该推荐算法提取了N个视频，将N个视频的回响值进行累加，再将累加后的回响值除以N，可得到该推荐算法的回响值。

S505，根据回响值调整推荐算法。

在本实施例中，服务器将根据每个推荐算法的回响值对该推荐算法进行调整。例如，若该推荐算法的回响值低于预置值，可将该推荐算法替换为另一推荐算法。或者，若该推荐算法的回响值低于预置值，可降低该推荐算法的优先级。同样的，若该推荐算法的回响值高于预置值，可提高该推荐算法的优先级。

在一实施例中，根据回响值调整推荐算法包括：统计使用相同的推荐算法的两个以上用户的回响值，计算每个推荐算法的回响值的平均值。若推荐算法的回响值的平均值低于预置值，使用新推荐算法替换该推荐算法。或者，将各推荐算法的回响值的平均值进行从高到低排序，剔除排序低的推荐算法。

本发明还提供一种视频推荐系统。一种视频推荐系统包括视频获取模块、算法获取模块、提取模块和推荐模块。

视频获取模块用于根据用户配置信息获取视频资源。在本实施例中，服务器根据用户配置信息从运营池中获取视频资源。其中，用户配置信息包括用户感兴趣的视频类别和不感兴趣的视频类别，用户已观看的视频或未观看的视频，用户观看视频的次数及用户的浏览记录等。运营池根据用户的配置信息向用户推送视频资源。

算法获取模块用于获取两个以上的推荐算法。在本实施例中，服务器获取两个以上的推荐算法。每个推荐算法不一样，服务器可以根据不同的推荐算法获取不一样的推荐视频。服务器将获取的推荐算法放置在多个分区中。每个分区可以放置一个或者多个推荐算法。各分区内的推荐算法不同，通过各分区后服务器获取到的视频也不同。

提取模块用于根据各推荐算法分别从视频资源中提取视频。在本实施例中，服务器根据各推荐算法从获取到的视频资源中提取视频。

推荐模块用于对提取的视频进行优先级排序，向所述用户发送排序后的视频。在本实施例中，服务器对根据各推荐算法提取的视频再进行优先级排序，再将排序好之后的视频发送给用户。

其中，对提取的视频进行优先级排序的步骤包括：

根据算法优先级对两个以上的推荐算法进行排序；把高优先级的推荐算法提取的视频设为高优先级的视频，对各推荐算法提取的视频按推荐算法的优先级进行优先级排序。

或者，根据提取的视频的特征信息和用户的历史视频操作行为数据，得到用户对各提取的视频的兴趣值；根据各提取的视频的兴趣值对提取的全部视频进行优先级排列。具体地，根据提取的视频的特征信息，获取视频的关键词及有效特征。根据视频关键词和有效特征信息，对提取的视频分配类型码。根据用户的历史视频操作行为数据，对用户进行分类。其中，用户的历史视频操作行为数据包括用户的浏览记录，用户观看视频的次数，用户对视频的下架(反感)次数以及用户关注视频的类别。根据用户的历史视频操作行为数据获取其相应的视频类别码，计算出用户对相应的视频的兴趣值，根据各提取的视频的兴趣值对提取的全部视频进行优先级排列。

或者，各推荐算法提取的视频数量为两个以上。服务器分别对推荐算法内的视频和推荐算法间的视频进行排序。其中，服务器对推荐算法内的视频进行排序包括：根据视频的特征信息和用户的历史视频操作行为数据，得到用户对该推荐算法提取的视频的兴趣值。根据兴趣值对该推荐算法提取的视频进行优先级排列。也即是，根据各推荐算法提取的多个视频，服务器获取各个视频的特征信息以及用户对各个视频的历史视频操作行为数据，并根据各个视频的特征信息以及用户对各个视频的历史视频操作行为数据获取用户对该推荐算法提取的各个视频的兴趣值。根据用户对该推荐算法提取的各个视频的兴趣值对多个视频进行优先级排序。

其中，对推荐算法间的视频进行排序包括：根据算法优先级对两个以上的推荐算法进行排序，把高优先级的推荐算法提取的视频设为高优先级的视频，对各推荐算法提取的视频按推荐算法优先级进行优先级排序。也即是，服务器获取每个推荐算法提取的视频。根据推荐算法的优先级对提取的视频进行排序。优先级高的推荐算法，根据该推荐算法提取的视频的优先级高。优先级低的推荐算法，根据该推荐算法提取的视频的优先级低。由此对提取的视频进行排序。

在一实施例中，服务器可先对推荐算法间的视频进行排序，然后再对推荐算法内的视频进行排序。也即是，服务器先根据算法优先级对两个以上的推荐算法进行排序，把高优先级的推荐算法提取的视频设为高优先级的视频，对各推荐算法提取的视频按推荐算法优先级进行优先级排序。然后，根据视频的特征信息和用户的历史视频操作行为数据，得到用户对该推荐算法提取的视频的兴趣值。根据兴趣值对该推荐算法提取的视频进行优先级排列。

在一具体的实现方式中，服务器将多个推荐算法设置在多个分区中。每个分区有一个或者多个推荐算法，并且每个分区中的推荐算法均不一样。也即是，服务器从每个分区的推荐算法中提取的视频均不一样。其中，服务器经每一分区的推荐算法提取后的视频数量不定时更新。服务器将每一分区过滤后的视频进行优先级排序，并将排序后的视频排列成列表，作为待推荐的视频表。服务器将从运营池中获取到视频资源，依次通过各分区存放的推荐算法以提取出对应的视频。并且，每个分区将提取出的视频的ID反馈给下一分区。下一分区在提取视频时，将过滤上一分区提取出的视频后再进行视频提取，以使得下一分区提取对应的视频时不重复调取同一视频。

具体地，每种推荐算法均预先设置输出的推荐视频个数。每个推荐算法设定有一定的优先级。服务器缓存上一优先级推荐算法推荐的视频Vid1后，将视频Vid1的ID反馈给下一优先级推荐算法。服务器从下一优先级推荐算法中提取视频时，先将从上一优先级推荐算法中提取的视频过滤后，再从下一优先级推荐算法中提取对应的视频。依次过滤，以使得向用户推荐的视频照片那个不存在重复推荐的视频。

本发明还提供能一种服务器设备一种包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序。处理器执行计算机程序时实现上述任一实施例所述的视频推荐方法。

以上所述仅是本发明的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种视频推荐方法，其特征在于，包括：

根据用户配置信息获取视频资源；

获取两个以上的推荐算法；

根据各推荐算法分别从视频资源中提取视频；

对提取的视频进行优先级排序，向所述用户发送排序后的视频。

2.根据权利要求1所述的视频推荐方法，其特征在于，所述根据各推荐算法分别从视频资源中提取视频，包括：

把所述两个以上的推荐算法组成算法集；从所述算法集中获取一个推荐算法；根据该推荐算法从所述视频资源中提取视频；

从所述视频资源中过滤已提取视频，得到过滤后的视频资源；

从所述算法集中获取下一个推荐算法；根据该推荐算法从所述过滤后的视频资源中提取视频；

判断所述算法集中是否有未使用的推荐算法；若是，继续所述从所述视频资源中过滤已提取视频的步骤；否则，停止提取视频。

3.根据权利要求2所述的视频推荐方法，其特征在于，所述把所述两个以上的推荐算法组成算法集，包括：把所述两个以上的推荐算法组成按优先级从高到低排序的算法集；

所述从所述算法集中获取一个推荐算法，包括：从所述算法集中按优先级从高到低排序获取一个推荐算法；

所述从所述算法集中获取下一个推荐算法，包括：从所述算法集中按优先级从高到低排序获取下一个推荐算法。

4.根据权利要求2所述的视频推荐方法，其特征在于，所述根据该推荐算法从所述视频资源中提取视频，包括：

获取所述用户的历史视频操作行为数据；

根据所述历史视频操作行为数据确定所述视频资源中的视频属于用户已观看的视频，把该视频从视频资源中过滤；

根据所述历史视频操作行为数据确定所述视频资源中的视频属于发给用户未观看且推荐次数超过预置值的视频，把该视频从视频资源中过滤；

根据所述历史视频操作行为数据确定所述视频资源中的视频属于用户设置为反感类型的视频，把该视频从视频资源中过滤；

根据该推荐算法从视频资源中提取预置数量的视频。

5.根据权利要求1所述的视频推荐方法，其特征在于，所述对提取的视频进行优先级排序，包括：

根据算法优先级对所述两个以上的推荐算法进行排序；把高优先级的推荐算法提取的视频设为高优先级的视频，对各推荐算法提取的视频按推荐算法的优先级进行优先级排序；或

根据提取的视频的特征信息和所述用户的历史视频操作行为数据，得到所述用户对各提取的视频的兴趣值；根据所述各提取的视频的兴趣值对提取的全部视频进行优先级排列；或

各推荐算法提取的视频数量为两个以上，分别对推荐算法内的视频和推荐算法间的视频进行排序；其中，对推荐算法内的视频进行排序，包括：根据视频的特征信息和所述用户的历史视频操作行为数据，得到所述用户对该推荐算法提取的视频的兴趣值，根据兴趣值对该推荐算法提取的视频进行优先级排列；其中，对推荐算法间的视频进行排序，包括：根据算法优先级对所述两个以上的推荐算法进行排序，把高优先级的推荐算法提取的视频设为高优先级的视频，对各推荐算法提取的视频按推荐算法优先级进行优先级排序。

6.根据权利要求1所述的视频推荐方法，其特征在，所述向用户发送排序后的视频的步骤之后，还包括：

获取所述用户对所述视频反馈的视频操作行为数据；

根据反馈的视频操作行为数据统计各推荐算法提取的视频的回响值；

根据回响值调整所述推荐算法。

7.根据权利要求6所述的视频推荐方法，其特征在于，所述根据反馈的视频操作行为数据统计各推荐算法提取的视频的回响值，包括：

从所述反馈的视频操作行为数据中得到各视频的操作参数，各操作参数对应一个预置值，把操作参数的预置值累加，得到该视频的回响值；把每个推荐算法的各视频的回响值累加，除以该推荐算法提取视频的数量，得到该推荐算法的回响值；

其中，所述操作参数包括：播放指令操作、点赞指令操作及转发指令操作。

8.根据权利要求6所述的视频推荐方法，其特征在于，所述根据回响值调整所述推荐算法，包括：

统计使用相同的所述两个以上推荐算法用户的回响值，计算每个各推荐算法的回响值的平均值；

若推荐算法的回响值的平均值低于预置值，使用新推荐算法替换该推荐算法；或，将各推荐算法的回响值的平均值进行从高到低排序，剔除排序低的推荐算法。

9.一种视频推荐系统，其特征在于，包括：

视频获取模块，用于根据用户配置信息获取视频资源；

算法获取模块，用于获取两个以上的推荐算法；

提取模块，用于根据各推荐算法分别从视频资源中提取视频；

推荐模块，用于对提取的视频进行优先级排序，向所述用户发送排序后的视频。

10.一种服务器设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1-8中任一项的视频推荐方法。