CN107958030A - 视频封面推荐模型优化方法及装置 - Google Patents

视频封面推荐模型优化方法及装置 Download PDF

Info

Publication number
CN107958030A
CN107958030A CN201711147975.7A CN201711147975A CN107958030A CN 107958030 A CN107958030 A CN 107958030A CN 201711147975 A CN201711147975 A CN 201711147975A CN 107958030 A CN107958030 A CN 107958030A
Authority
CN
China
Prior art keywords
front cover
cover
recommended models
video
image
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201711147975.7A
Other languages
English (en)
Other versions
CN107958030B (zh
Inventor
余道明
陈强
黄君实
李东亮
张康
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Qihoo Technology Co Ltd
Original Assignee
Beijing Qihoo Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Qihoo Technology Co Ltd filed Critical Beijing Qihoo Technology Co Ltd
Priority to CN201711147975.7A priority Critical patent/CN107958030B/zh
Publication of CN107958030A publication Critical patent/CN107958030A/zh
Application granted granted Critical
Publication of CN107958030B publication Critical patent/CN107958030B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/74—Browsing; Visualisation therefor
    • G06F16/743—Browsing; Visualisation therefor a collection of video files or sequences
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/783—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/7837—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using objects detected or recognised in the video content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Library & Information Science (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • User Interface Of Digital Computer (AREA)

Abstract

本发明公开了一种视频封面推荐模型优化方法及装置。其中，方法包括：获取视频的封面集，所述封面集包含多个待选取的封面图像；利用封面推荐模型确定所述封面集中应选取的至少两个封面图像；将所述至少两个封面图像同时进行上线处理分别展示给不同用户，记录上线过程中分别具有所述至少两个封面图像的视频的用户点击率数据；根据所述用户点击率数据对所述封面推荐模型进行调整，得到优化后封面推荐模型。本方案通过将至少两个封面同时上线，根据点击率数据调整封面推荐模型，从而可根据用户点击率实现对视频封面推荐模型的优化，使得通过视频封面推荐模型确定的推荐封面能吸引更多用户，进一步提高视频点击率。

Description

视频封面推荐模型优化方法及装置
技术领域
本发明涉及视频信息处理技术领域，具体涉及一种视频封面推荐模型优化方法及装置。
背景技术
随着科学技术及社会的不断发展，各类视频的大量涌现极大丰富了人们的精神文明生活。为使用户更快、更准确地获知视频内容或者提高用户点击量，通常需为每个视频设置相应的视频封面。
然而，目前在为视频设置相应的视频封面的过程中，通常是采用相应的封面推荐模型来确定推荐封面，例如，封面推荐模型可以为按照固定时间点(比如，将一个视频按时长平均分割为若干份子视频，将每份子视频开始播放的时间点作为固定时间点)，从该视频中截取图片，并将截取到的图片直接作为视频封面的候选图片以供用户从中选择。然而，现有技术中的封面推荐模型并未根据封面推荐后用户的行为进行自动优化，从而使得封面推荐模型确定的推荐封面无法吸引多数用户，降低视频点击率。
发明内容
鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的视频封面推荐模型优化方法及装置。
根据本发明的一个方面，提供了一种视频封面推荐模型优化方法，包括：获取视频的封面集，所述封面集包含多个待选取的封面图像；利用封面推荐模型确定所述封面集中应选取的至少两个封面图像；将所述至少两个封面图像同时进行上线处理分别展示给不同用户，记录上线过程中分别具有所述至少两个封面图像的视频的用户点击率数据；根据所述用户点击率数据对所述封面推荐模型进行调整，得到优化后封面推荐模型。
可选的，所述封面推荐模型为基于机器学习的封面推荐模型。
可选的，所述获取视频的封面集进一步包括：获取用户预先标定的至少一个封面图像加入到封面集中。
可选的，所述获取视频的封面集进一步包括：将所述视频输入至所述封面推荐模型中经训练得到的封面提取模型中，得到至少一个封面图像加入到封面集中。
可选的，所述方法还包括：根据所述用户点击率数据对所述封面提取模型进行调整。
可选的，所述利用封面推荐模型确定所述封面集中应选取的至少两个封面图像进一步包括：根据所述封面推荐模型中至少一个预设评价指标对所述封面集中每个待选取的封面图像进行评分，根据评分结果确定应选取的至少两个封面图像。
可选的，所述根据所述封面推荐模型中至少一个预设评价指标对所述封面集中每个待选取的封面图像进行评分，根据评分结果确定应选取的至少两个封面图像进一步包括：根据所述封面推荐模型中至少一个预设评价指标对所述封面集中每个待选取的封面图像进行评分，得到至少一个指标评分；为每个指标评分设置相应的权重系数；依据相应的权重系数，将每个待选取的封面图像的至少一个指标评分进行加权求和，得到每个待选取的封面图像的推荐值；按照推荐值确定应选取的至少两个封面图像；则所述根据所述用户点击率数据对所述封面推荐模型进行调整进一步包括：根据所述用户点击率数据对所述权重系数进行调整。
可选的，所述预设评价指标包括以下指标中的至少一种：待选取的封面图像的内容健康程度指标、清晰度指标、以及标题相关度指标；则所述根据至少一个预设评价指标对所述封面集中每个待选取的封面图像进行评分进一步包括：根据待选取的封面图像的内容健康程度指标对所述封面集中每个待选取的封面图像进行评分，和/或根据待选取的封面图像的清晰度指标对所述封面集中每个待选取的封面图像进行评分，和/或根据待选取的标题相关度指标对所述封面集中每个待选取的封面图像进行评分。
可选的，所述根据待选取的标题相关度指标对所述封面集中每个待选取的封面图像进行评分进一步包括：将所述视频的视频标题输入至经训练得到的语义特征提取模型中，得到视频标题特征；将所述封面集中每个待选取的封面图像输入至经训练得到的图像特征提取模型中，得到每个待选取的封面图像的封面图像特征；计算所述视频标题特征与所述每个待选取的封面图像的封面图像特征之间的距离，根据计算结果对所述封面集中每个待选取的封面图像进行评分。
可选的，所述语义特征提取模型为基于机器学习的语义特征提取模型；和/或，所述图像特征提取模型为基于机器学习的图像特征提取模型。
可选的，所述根据所述用户点击率数据对所述封面推荐模型进行调整进一步包括：根据所述用户点击率数据对所述语义特征提取模型和/或所述图像特征提取模型进行调整。
可选的，在所述将所述至少两个封面图像同时进行上线处理分别展示给不同用户之前，所述方法还包括：对所述应选取的至少两个封面图像进行优化处理。
可选的，所述优化处理包括以下处理方式中的至少一种：清晰度增强处理、亮度调节处理、比例适配处理、以及去水印处理。
根据本发明的另一个方面，提供了一种视频封面推荐模型优化装置，包括：获取模块，适于获取视频的封面集，所述封面集包含多个待选取的封面图像；确定模块，适于利用封面推荐模型确定所述封面集中应选取的至少两个封面图像；记录模块，适于将所述至少两个封面图像同时进行上线处理分别展示给不同用户，记录上线过程中分别具有所述至少两个封面图像的视频的用户点击率数据；调整模块，适于根据所述用户点击率数据对所述封面推荐模型进行调整，得到优化后封面推荐模型。
可选的，所述封面推荐模型为基于机器学习的封面推荐模型。
可选的，所述获取模块进一步适于：获取用户预先标定的至少一个封面图像加入到封面集中。
可选的，所述获取模块进一步适于：将所述视频输入至所述封面推荐模型中经训练得到的封面提取模型中，得到至少一个封面图像加入到封面集中。
可选的，所述调整模块还适于：根据所述用户点击率数据对所述封面提取模型进行调整。
可选的，所述确定模块进一步适于：根据所述封面推荐模型中至少一个预设评价指标对所述封面集中每个待选取的封面图像进行评分，根据评分结果确定应选取的至少两个封面图像。
可选的，所述确定模块进一步适于：根据所述封面推荐模型中至少一个预设评价指标对所述封面集中每个待选取的封面图像进行评分，得到至少一个指标评分；为每个指标评分设置相应的权重系数；依据相应的权重系数，将每个待选取的封面图像的至少一个指标评分进行加权求和，得到每个待选取的封面图像的推荐值；按照推荐值确定应选取的至少两个封面图像；则所述调整模块进一步适于：根据所述用户点击率数据对所述权重系数进行调整。
可选的，所述预设评价指标包括以下指标中的至少一种：待选取的封面图像的内容健康程度指标、清晰度指标、以及标题相关度指标；则所述确定模块进一步包括：内容评分单元，适于根据待选取的封面图像的内容健康程度指标对所述封面集中每个待选取的封面图像进行评分；和/或，清晰度评分单元，适于根据待选取的封面图像的清晰度指标对所述封面集中每个待选取的封面图像进行评分；和/或，标题相关度评分单元，适于根据待选取的标题相关度指标对所述封面集中每个待选取的封面图像进行评分。
可选的，所述标题相关度评分单元进一步适于：将所述视频的视频标题输入至经训练得到的语义特征提取模型中，得到视频标题特征；将所述封面集中每个待选取的封面图像输入至经训练得到的图像特征提取模型中，得到每个待选取的封面图像的封面图像特征；计算所述视频标题特征与所述每个待选取的封面图像的封面图像特征之间的距离，根据计算结果对所述封面集中每个待选取的封面图像进行评分。
可选的，所述语义特征提取模型为基于机器学习的语义特征提取模型；和/或，所述图像特征提取模型为基于机器学习的图像特征提取模型。
可选的，所述调整模块进一步适于：根据所述用户点击率数据对所述语义特征提取模型和/或所述图像特征提取模型进行调整。
可选的，所述装置还包括：优化模块，适于对所述应选取的至少两个封面图像进行优化处理。
可选的，所述优化处理包括以下处理方式中的至少一种：清晰度增强处理、亮度调节处理、比例适配处理、以及去水印处理。
根据本发明的又一方面，提供了一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行上述视频封面推荐模型优化方法对应的操作。
根据本发明的再一方面，提供了一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如上述视频封面推荐模型优化对应的操作。
根据本发明的提供的视频封面推荐模型优化方法及装置，通过获取视频的封面集，所述封面集包含多个待选取的封面图像，并利用封面推荐模型确定封面集中应选取的至少两个封面图像，将所述至少两个封面图像同时进行上线处理分别展示给不同用户，记录上线过程中分别具有所述至少两个封面图像的视频的用户点击率数据，最终根据所述用户点击率数据对所述封面推荐模型进行调整，得到优化后封面推荐模型。本方案通过将至少两个封面同时上线，根据点击率数据调整封面推荐模型，从而可根据用户点击率实现对视频封面推荐模型的优化，使得通过视频封面推荐模型确定的推荐封面更能吸引多数用户，进一步提高视频点击率。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了根据本发明一个实施例提供的视频封面推荐模型优化方法的流程示意图；
图2示出了根据本发明另一个实施例提供的视频封面推荐模型优化方法的流程示意图；
图3示出了根据本发明一个实施例提供的视频封面推荐模型优化装置的流程示意图；
图4示出了根据本发明另一个实施例提供的视频封面推荐模型优化装置的流程示意图；
图5示出了根据本发明一个实施例提供计算设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
图1示出了根据本发明一个实施例提供的视频封面推荐模型优化方法的流程示意图。如图1所示，该方法包括；
步骤S110，获取视频的封面集，其中，封面集包含多个待选取的封面图像。
其中，每个视频均有与其相对应的封面集，封面集中包含有至少一个待选取的封面图像。本实施例对视频封面集获取的方式不做限定，例如，可将从视频中抽取的帧图像加入到封面集中，也可将用户上传的封面加入至封面集中，也可从通用图片库中选取出通用图片加入到封面集中。
步骤S120，利用封面推荐模型确定封面集中应选取的至少两个封面图像。
其中，本实施例中的封面推荐模型可由本领域技术人员根据实际业务自行设置。例如，封面推荐模型中可包含多个评价指标，根据该多个评价指标可从封面集中选取出至少两个封面图像。可选的，可为该至少两个封面图像设置相应的识别标号，以识别选取出的各个封面图像。
步骤S130，将至少两个封面图像同时进行上线处理分别展示给不同用户，记录上线过程中分别具有至少两个封面图像的视频的用户点击率数据。
将步骤S120中选取的至少两个封面图像同时进行上线处理以分别展现给不同用户。例如，若步骤S120中选取两个封面图像，即封面图像A及封面图像B，则将封面图像A及封面图像B同时进行上线处理，将封面图像A展示给百分之五十的用户，将封面图像B展示给另外百分之五十的用户。
进一步的，记录上线过程中分别具有该至少两个封面图像的视频的用户点击率数据。以上述例子为例，分别记录在预设时间段内采用封面图像A的视频的点击率，以及采用封面图像B的视频的点击率。
步骤S140，根据用户点击率数据对封面推荐模型进行调整，得到优化后封面推荐模型。
根据步骤S130中记录的上线过程中分别具有至少两个封面图像的视频的用户点击率数据，对步骤S120中的封面推荐模型进行调整。具体的调整方法本领域技术人员可自行设置，例如，可调整封面推荐模型中各个参数的取值，或者调整封面推荐模型中包含的推荐规则等。
根据本实施例提供的视频封面推荐模型优化方法，通过获取视频的封面集，所述封面集包含多个待选取的封面图像，并利用封面推荐模型确定封面集中应选取的至少两个封面图像，将至少两个封面图像同时进行上线处理分别展示给不同用户，记录上线过程中分别具有所述至少两个封面图像的视频的用户点击率数据，最终根据用户点击率数据对所述封面推荐模型进行调整，得到优化后封面推荐模型。本方案通过将至少两个封面同时上线，根据点击率数据调整封面推荐模型，从而可根据用户点击率实现对视频封面推荐模型的优化，使得通过视频封面推荐模型确定的推荐封面能吸引更多用户，进一步提高视频点击率。
图2示出了根据本发明另一个实施例提供的视频封面推荐模型优化方法的流程示意图。如图2所示，该方法包括；
步骤S210，获取视频的封面集，所述封面集包含多个待选取的封面图像。
每个视频均有与其相对应的封面集，封面集中包含有至少一个待选取的封面图像。其中，获取视频的封面集的方式包括但不限于以下方式中的一种或多种的组合：
方式一：获取用户预先标定的至少一个封面图像加入到封面集中。例如，用户可根据自己喜好，自定义设置封面图像，则可将用户自定义设置的封面图像加入到封面集中。可选的，可为封面集中用户预先标定的至少一个封面图像设置相应的标识信息，从而标识该封面图像为用户预先标定的图像。
方式二：将视频输入至经训练得到的封面提取模块中，得到至少一个封面图像加入到封面集中。其中，经训练得到的封面提取模块可以为基于机器学习的封面提取模型。举例来说，经训练得到的封面提取模块可从输入的视频中抽取多帧图像，并通过机器学习算法，根据封面提取模块中的参数(如清晰度阈值等)，提取出至少一个封面图像，其中，提取出的封面图像的清晰度大于预设清晰度阈值，和/或封面图像的内容健康程度满足大于预设健康程度。
步骤S220，根据封面推荐模型中至少一个预设评价指标对封面集中每个待选取的封面图像进行评分，根据评分结果确定应选取的至少两个封面图像。
具体地，可利用机器学习的方法，通过大量的正、负训练样本的训练得到封面推荐模型。其中，封面推荐模型中包含至少一个预设评价指标，以及根据每个预设评价指标为待选取封面进行评分的评分规则。
在训练好封面推荐模型后，将封面集中的待选取封面图像输入训练好的封面评分模块中，根据至少一个预设评价指标对封面集中每个待选取的封面图像进行评分，得到至少一个指标评分。
其中，预设评价指标包括待选取的封面图像的内容健康程度指标、清晰度指标、和/或标题相关度指标等。则可根据待选取的封面图像的内容健康程度指标对封面集中每个待选取的封面图像进行评分，和/或根据待选取的封面图像的清晰度指标对封面集中每个待选取的封面图像进行评分，和/或根据待选取的封面图像的标题相关度指标对封面集中每个待选取的封面图像进行评分。从而得到内容健康程度评分、清晰度评分、和/或标题相关度评分。
举例来说，可初步设定内容健康程度评分模块，内容健康程度评分模块中包含内容健康程度评分规则。通过内容健康程度的图像训练样本的训练，不断调整内容健康程度评分规则，优化内容健康程度评分模块，并通过一定数目的正、负测试样本对该内容健康程度评分模块进行优化，当内容健康程度评分模块的精度达到第一预设精度阈值时，则内容健康程度评分模块可根据待选取的封面图像的内容健康程度指标对封面集中每个待选取的封面图像进行评分，得到内容健康程度评分；和/或，初步设定清晰度评分模块，内容清晰度评分模块中包含对图像的清晰度评分规则。通过对图像清晰度训练样本的训练，不断调整清晰度评分规则，优化清晰度评分模块，并通过一定数目的正、负测试样本对该清晰度评分模块进行优化，当清晰度评分模块的精度达到第二预设精度阈值时，则清晰度评分模块可根据待选取的封面图像的清晰度指标对封面集中每个待选取的封面图像进行评分，得到清晰度评分；和/或，将视频的视频标题输入至经训练得到的语义特征提取模块中，得到视频标题特征，将封面集中每个待选取的封面图像输入至经训练得到的图像特征提取模块中，得到每个待选取的封面图像的封面图像特征计算所述视频标题特征与所述每个待选取的封面图像的封面图像特征之间的距离，根据计算结果对封面集中每个待选取的封面图像进行评分。其中，该语义特征提取模块为基于机器学习的语义特征提取模块，和/或，该图像特征提取模块为基于机器学习的图像特征提取模块，例如，将视频的视频标题输入至经训练得到的语义特征提取模块后，可得到视频标题特征。其中，视频标题特征具体为由一个或多个词/字特征向量组成的矩阵空间(如，将视频标题“卡车翻车”输入至语义特征提取模块后，可获得与“卡车”相对应的词特征向量C1以及与“翻车”相对应的词特征向量C2，C1与C2组成的矩阵空间即为与该视频标题相对应的视频标题特征)，将封面图像输入至经训练得到的图像特征提取模块中可得到相应的封面图像特征向量(如P1向量及P2向量)，则可通过相应的矩阵距离计算算法分别计算C1及C2组成的矩阵空间与P1向量及P2向量之间的距离，从而获得视频标题特征与每个待选取的封面图像的封面图像特征之间的距离。可选的，在根据计算结果对封面集中每个待选取的封面图像进行评分时，可根据计算结果对封面图像进行排序，并进一步根据排序结果进行评分，
进一步的，在得到每个指标评分后，可为每个指标评分设置相应的权重系数。可选的，权重系数可根据视频所属的类别(如政府官方视频的内容健康程度指标的权重值应适当提高)、用户的自定义设置等进行设定。
并依据相应的权重系数，将每个待选取的封面图像的至少一个指标评分进行加权求和，得到每个待选取的封面图像的推荐值。并按照推荐值确定应选取的封面图像。例如，可在获得每个待选取的封面图像的推荐值之后按照推荐值的大小对待选取的封面图像进行排序，并根据排序结果确定应选取的至少两个封面图像。
步骤S230，对应选取的至少两个封面图像进行优化处理。
其中，优化处理包括对应选取的至少两个封面图像进行清晰度增强处理、亮度调节处理、比例适配处理、和/或去水印处理等，以提高用户对高品质封面图像的需求，提高用户体验。
步骤S240，将至少两个封面图像同时进行上线处理分别展示给不同用户，记录上线过程中分别具有至少两个封面图像的视频的用户点击率数据。
将步骤S220中选取的至少两个封面图像同时进行上线处理以分别展现给不同用户。例如，若步骤S220中选取两个封面图像，即封面图像A及封面图像B，则将封面图像A及封面图像B同时进行上线处理，将封面图像A展示给随机抽取的百分之五十的用户，将封面图像B展示给另外百分之五十的用户。可选的，可进一步保证封面图像A所展示的用户的类别与封面图像B所展示的用户的类别组成相同(如，封面图像A所展示的用户中各个年龄段用户在封面图像A所展示的用户中的占比与封面图像B所展示的用户中的占比相同或相近)。
步骤S250，根据用户点击率数据对封面推荐模型进行调整，得到优化后封面推荐模型。
根据步骤S230中记录的上线过程中分别具有至少两个封面图像的视频的用户点击率数据，对步骤S220中的封面推荐模型进行调整。
具体地，可根据用户点击率数据对步骤S220中的语义特征提取模型、图像特征提取模型、和/或权重系数进行调整。例如，可将用户点击率高的封面推荐的选取路径作为正反馈反馈至语义特征提取模型、图像特征提取模型中的至少一个节点以及调整权重系数。
可选的，还可根据用户点击率数据调整步骤S210中的封面提取模型。
根据本实施例提供的视频封面推荐模型优化方法，通过获取视频的封面集，所述封面集包含多个待选取的封面图像，并利用封面推荐模型确定封面集中应选取的至少两个封面图像，将至少两个封面图像同时进行上线处理分别展示给不同用户，记录上线过程中分别具有所述至少两个封面图像的视频的用户点击率数据，最终根据用户点击率数据对所述封面推荐模型进行调整，得到优化后封面推荐模型。本方案通过将至少两个封面同时上线，根据点击率数据调整封面推荐模型，从而可根据用户点击率实现对视频封面推荐模型的优化，使得通过视频封面推荐模型确定的推荐封面能吸引更多用户，进一步提高视频点击率。
图3示出了根据本发明一个实施例提供的视频封面推荐模型优化装置的流程示意图。如图3所示，该装置包括：获取模块31、确定模块32、记录模块33、调整模块34。
获取模块31，适于获取视频的封面集，所述封面集包含多个待选取的封面图像。
其中，每个视频均有与其相对应的封面集，封面集中包含有至少一个待选取的封面图像。本实施例对视频封面集获取的方式不做限定，例如，可将从视频中抽取得到的封面加入到封面集中，也可将用户上传的封面加入至封面集中，也可从通用图片库中选取出通用图片加入到封面集中。
确定模块32，适于利用封面推荐模型确定封面集中应选取的至少两个封面图像，利用封面推荐模型确定封面集中应选取的至少两个封面图像。
其中，本实施例中的封面推荐模型可由本领域技术人员根据实际业务自行设置。例如，封面推荐模型中可包含多个评价指标，根据该多个评价指标可从封面集中选取出至少两个封面图像。可选的，可为该至少两个封面图像设置相应的识别标号，以识别选取出的各个封面图像。
记录模块33，适于将至少两个封面图像同时进行上线处理分别展示给不同用户，记录上线过程中分别具有至少两个封面图像的视频的用户点击率数据
将选取的至少两个封面图像同时进行上线处理以分别展现给不同用户。例如，若确定模块32选取两个封面图像，即封面图像A及封面图像B，则将封面图像A及封面图像B同时进行上线处理，将封面图像A展示给百分之五十的用户，将封面图像B展示给另外百分之五十的用户。
进一步的，记录上线过程中分别具有该至少两个封面图像的视频的用户点击率数据。以上述例子为例，分别记录在预设时间段内采用封面图像A的视频的点击率，以及采用封面图像B的视频的点击率。
调整模块34，适于根据用户点击率数据对封面推荐模型进行调整，得到优化后封面推荐模型。
根据记录模块33中记录的上线过程中分别具有至少两个封面图像的视频的用户点击率数据，对确定模块32中的封面推荐模型进行调整。具体的调整方法本领域技术人员可自行设置，例如，可调整封面推荐模型中各个参数的取值，或者调整封面推荐模型中包含的推荐规则等。
根据本实施例提供的视频封面推荐模型优化装置，通过获取视频的封面集，所述封面集包含多个待选取的封面图像，并利用封面推荐模型确定封面集中应选取的至少两个封面图像，将至少两个封面图像同时进行上线处理分别展示给不同用户，记录上线过程中分别具有所述至少两个封面图像的视频的用户点击率数据，最终根据用户点击率数据对所述封面推荐模型进行调整，得到优化后封面推荐模型。本方案通过将至少两个封面同时上线，根据点击率数据调整封面推荐模型，从而可根据用户点击率实现对视频封面推荐模型的优化，使得通过视频封面推荐模型确定的推荐封面能吸引更多用户，进一步提高视频点击率。
图4示出了根据本发明另一个实施例提供的视频封面推荐模型优化装置的流程示意图。如图4所示，在图3所示装置的基础上，该装置还包括：优化模块41。
其中，封面推荐模型为基于机器学习的封面推荐模型。
可选的，获取模块31进一步适于：获取用户预先标定的至少一个封面图像加入到封面集中。
可选的，获取模块31进一步适于：获取用户预先标定的至少一个封面图像加入到封面集中。
获取模块31进一步适于：将视频输入至封面推荐模型中经训练得到的封面提取模型中，得到至少一个封面图像加入到封面集中。
则调整模块34还适于：根据用户点击率数据对封面提取模型进行调整。
则确定模块32进一步适于：根据封面推荐模型中至少一个预设评价指标对所述封面集中每个待选取的封面图像进行评分，根据评分结果确定应选取的至少两个封面图像。
其中，确定模块32具体适于：根据封面推荐模型中至少一个预设评价指标对所述封面集中每个待选取的封面图像进行评分，得到至少一个指标评分；为每个指标评分设置相应的权重系数；依据相应的权重系数，将每个待选取的封面图像的至少一个指标评分进行加权求和，得到每个待选取的封面图像的推荐值；按照推荐值确定应选取的至少两个封面图像；
则调整模块34进一步适于：根据用户点击率数据对权重系数进行调整。
可选的，预设评价指标包括以下指标中的至少一种：待选取的封面图像的内容健康程度指标、清晰度指标、以及标题相关度指标；
则确定模块32进一步包括：内容评分单元42、清晰度评分单元43、和/或标题相关度评分单元44。
内容评分单元42，适于根据待选取的封面图像的内容健康程度指标对所述封面集中每个待选取的封面图像进行评分。
清晰度评分单元43，适于根据待选取的封面图像的清晰度指标对封面集中每个待选取的封面图像进行评分。
标题相关度评分单元44，适于根据待选取的标题相关度指标对封面集中每个待选取的封面图像进行评分。
可选的，标题相关度评分单元44进一步适于，将视频的视频标题输入至经训练得到的语义特征提取模型中，得到视频标题特征；将封面集中每个待选取的封面图像输入至经训练得到的图像特征提取模型中，得到每个待选取的封面图像的封面图像特征；计算视频标题特征与每个待选取的封面图像的封面图像特征之间的距离，根据计算结果对所述封面集中每个待选取的封面图像进行评分。
其中，语义特征提取模型为基于机器学习的语义特征提取模型；和/或，图像特征提取模型为基于机器学习的图像特征提取模型。
则调整模块34进一步适于：根据用户点击率数据对语义特征提取模型和/或图像特征提取模型进行调整。
优化模块41，适于对应选取的至少两个封面图像进行优化处理。
其中，优化处理包括以下处理方式中的至少一种：清晰度增强处理、亮度调节处理、比例适配处理、以及去水印处理。
根据本实施例提供的视频封面推荐模型优化装置，通过获取视频的封面集，所述封面集包含多个待选取的封面图像，并利用封面推荐模型确定封面集中应选取的至少两个封面图像，将至少两个封面图像同时进行上线处理分别展示给不同用户，记录上线过程中分别具有所述至少两个封面图像的视频的用户点击率数据，最终根据用户点击率数据对所述封面推荐模型进行调整，得到优化后封面推荐模型。本方案通过将至少两个封面同时上线，根据点击率数据调整封面推荐模型，从而可根据用户点击率实现对视频封面推荐模型的优化，使得通过视频封面推荐模型确定的推荐封面能吸引更多用户，进一步提高视频点击率。
根据本发明一个实施例提供了一种非易失性计算机存储介质，所述计算机存储介质存储有至少一可执行指令，该计算机可执行指令可执行上述任意方法实施例中的视频封面推荐模型优化方法。
图5示出了根据本发明一个实施例提供的计算设备的结构示意图，本发明具体实施例并不对计算设备的具体实现做限定。
如图5所示，该计算设备可以包括：处理器(processor)502、通信接口(Communications Interface)504、存储器(memory)506、以及通信总线508。
其中：处理器502、通信接口504、以及存储器506通过通信总线508完成相互间的通信。
通信接口504，用于与其它设备比如客户端或其它服务器等的网元通信。
处理器502，用于执行程序510，具体可以执行上述视频封面推荐模型优化方法实施例中的相关步骤。
具体地，程序510可以包括程序代码，该程序代码包括计算机操作指令。
处理器502可能是中央处理器CPU，或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。计算设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个CPU；也可以是不同类型的处理器，如一个或多个CPU以及一个或多个ASIC。
存储器506，用于存放程序510。存储器506可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
程序510具体可以用于使得处理器502执行以下操作：
获取视频的封面集，所述封面集包含多个待选取的封面图像；
利用封面推荐模型确定所述封面集中应选取的至少两个封面图像；
将所述至少两个封面图像同时进行上线处理分别展示给不同用户，记录上线过程中分别具有所述至少两个封面图像的视频的用户点击率数据；
根据所述用户点击率数据对所述封面推荐模型进行调整，得到优化后封面推荐模型。
在一种可选的实施方式中，所述封面推荐模型为基于机器学习的封面推荐模型。
在一种可选的实施方式中，程序510具体可以用于使得处理器502执行以下操作：
获取用户预先标定的至少一个封面图像加入到封面集中。
在一种可选的实施方式中，程序510具体可以用于使得处理器502执行以下操作：
将所述视频输入至所述封面推荐模型中经训练得到的封面提取模型中，得到至少一个封面图像加入到封面集中。
在一种可选的实施方式中，程序510具体可以用于使得处理器502执行以下操作：
根据所述用户点击率数据对所述封面提取模型进行调整。
在一种可选的实施方式中，程序510具体可以用于使得处理器502执行以下操作：
根据所述封面推荐模型中至少一个预设评价指标对所述封面集中每个待选取的封面图像进行评分，根据评分结果确定应选取的至少两个封面图像。
在一种可选的实施方式中，程序510具体可以用于使得处理器502执行以下操作：
根据所述封面推荐模型中至少一个预设评价指标对所述封面集中每个待选取的封面图像进行评分，得到至少一个指标评分；
为每个指标评分设置相应的权重系数；
依据相应的权重系数，将每个待选取的封面图像的至少一个指标评分进行加权求和，得到每个待选取的封面图像的推荐值；
按照推荐值确定应选取的至少两个封面图像；
则所述根据所述用户点击率数据对所述封面推荐模型进行调整进一步包括：
根据所述用户点击率数据对所述权重系数进行调整。
在一种可选的实施方式中，所述预设评价指标包括以下指标中的至少一种：待选取的封面图像的内容健康程度指标、清晰度指标、以及标题相关度指标；则程序510具体可以用于使得处理器502执行以下操作：
根据待选取的封面图像的内容健康程度指标对所述封面集中每个待选取的封面图像进行评分，和/或根据待选取的封面图像的清晰度指标对所述封面集中每个待选取的封面图像进行评分，和/或根据待选取的标题相关度指标对所述封面集中每个待选取的封面图像进行评分。
在一种可选的实施方式中，程序510具体可以用于使得处理器502执行以下操作：
将所述视频的视频标题输入至经训练得到的语义特征提取模型中，得到视频标题特征；
将所述封面集中每个待选取的封面图像输入至经训练得到的图像特征提取模型中，得到每个待选取的封面图像的封面图像特征；
计算所述视频标题特征与所述每个待选取的封面图像的封面图像特征之间的距离，根据计算结果对所述封面集中每个待选取的封面图像进行评分。
在一种可选的实施方式中，所述语义特征提取模型为基于机器学习的语义特征提取模型；和/或，所述图像特征提取模型为基于机器学习的图像特征提取模型。
在一种可选的实施方式中，程序510具体可以用于使得处理器502执行以下操作：根据所述用户点击率数据对所述语义特征提取模型和/或所述图像特征提取模型进行调整。
在一种可选的实施方式中，程序510具体可以用于使得处理器502执行以下操作：对所述应选取的至少两个封面图像进行优化处理。
在一种可选的实施方式中，所述优化处理包括以下处理方式中的至少一种：清晰度增强处理、亮度调节处理、比例适配处理、以及去水印处理。
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的视频封面推荐模型优化装置中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
本发明公开了：A1.一种视频封面推荐模型优化方法，包括：
获取视频的封面集，所述封面集包含多个待选取的封面图像；
利用封面推荐模型确定所述封面集中应选取的至少两个封面图像；
将所述至少两个封面图像同时进行上线处理分别展示给不同用户，记录上线过程中分别具有所述至少两个封面图像的视频的用户点击率数据；
根据所述用户点击率数据对所述封面推荐模型进行调整，得到优化后封面推荐模型。
A2.根据A1所述的方法，其中，所述封面推荐模型为基于机器学习的封面推荐模型。
A3.根据A1或A2所述的方法，其中，所述获取视频的封面集进一步包括：获取用户预先标定的至少一个封面图像加入到封面集中。
A4.根据A1-A3任一项所述的方法，其中，所述获取视频的封面集进一步包括：将所述视频输入至所述封面推荐模型中经训练得到的封面提取模型中，得到至少一个封面图像加入到封面集中。
A5.根据A4所述的方法，其中，所述方法还包括：根据所述用户点击率数据对所述封面提取模型进行调整。
A6.根据A1-A5任一项所述的方法，其中，所述利用封面推荐模型确定所述封面集中应选取的至少两个封面图像进一步包括：
根据所述封面推荐模型中至少一个预设评价指标对所述封面集中每个待选取的封面图像进行评分，根据评分结果确定应选取的至少两个封面图像。
A7.根据A6所述的方法，其中，所述根据所述封面推荐模型中至少一个预设评价指标对所述封面集中每个待选取的封面图像进行评分，根据评分结果确定应选取的至少两个封面图像进一步包括：
根据所述封面推荐模型中至少一个预设评价指标对所述封面集中每个待选取的封面图像进行评分，得到至少一个指标评分；
为每个指标评分设置相应的权重系数；
依据相应的权重系数，将每个待选取的封面图像的至少一个指标评分进行加权求和，得到每个待选取的封面图像的推荐值；
按照推荐值确定应选取的至少两个封面图像；
则所述根据所述用户点击率数据对所述封面推荐模型进行调整进一步包括：
根据所述用户点击率数据对所述权重系数进行调整。
A8.根据A6或A7所述的方法，其中，所述预设评价指标包括以下指标中的至少一种：待选取的封面图像的内容健康程度指标、清晰度指标、以及标题相关度指标；
则所述根据至少一个预设评价指标对所述封面集中每个待选取的封面图像进行评分进一步包括：
根据待选取的封面图像的内容健康程度指标对所述封面集中每个待选取的封面图像进行评分，和/或根据待选取的封面图像的清晰度指标对所述封面集中每个待选取的封面图像进行评分，和/或根据待选取的标题相关度指标对所述封面集中每个待选取的封面图像进行评分。
A9.根据A8所述的方法，其中，所述根据待选取的标题相关度指标对所述封面集中每个待选取的封面图像进行评分进一步包括：
将所述视频的视频标题输入至经训练得到的语义特征提取模型中，得到视频标题特征；
将所述封面集中每个待选取的封面图像输入至经训练得到的图像特征提取模型中，得到每个待选取的封面图像的封面图像特征；
计算所述视频标题特征与所述每个待选取的封面图像的封面图像特征之间的距离，根据计算结果对所述封面集中每个待选取的封面图像进行评分。
A10.根据A9所述的方法，其中，所述语义特征提取模型为基于机器学习的语义特征提取模型；
和/或，所述图像特征提取模型为基于机器学习的图像特征提取模型。
A11.根据A9或A10所述的方法，其中，所述根据所述用户点击率数据对所述封面推荐模型进行调整进一步包括：
根据所述用户点击率数据对所述语义特征提取模型和/或所述图像特征提取模型进行调整。
A12.根据A1-A11中任一项所述的方法，其中，在所述将所述至少两个封面图像同时进行上线处理分别展示给不同用户之前，所述方法还包括：
对所述应选取的至少两个封面图像进行优化处理。
A13.根据A12所述的方法，其中，所述优化处理包括以下处理方式中的至少一种：
清晰度增强处理、亮度调节处理、比例适配处理、以及去水印处理。
本发明还公开了：B14.一种视频封面推荐模型优化装置，包括：
获取模块，适于获取视频的封面集，所述封面集包含多个待选取的封面图像；
确定模块，适于利用封面推荐模型确定所述封面集中应选取的至少两个封面图像；
记录模块，适于将所述至少两个封面图像同时进行上线处理分别展示给不同用户，记录上线过程中分别具有所述至少两个封面图像的视频的用户点击率数据；
调整模块，适于根据所述用户点击率数据对所述封面推荐模型进行调整，得到优化后封面推荐模型。
B15.根据B14所述的装置，其中，所述封面推荐模型为基于机器学习的封面推荐模型。
B16.根据B14或B16所述的装置，其中，所述获取模块进一步适于：获取用户预先标定的至少一个封面图像加入到封面集中。
B17.根据B14-B17任一项所述的装置，其中，所述获取模块进一步适于：将所述视频输入至所述封面推荐模型中经训练得到的封面提取模型中，得到至少一个封面图像加入到封面集中。
B18.根据B17所述的装置，其中，所述调整模块还适于：根据所述用户点击率数据对所述封面提取模型进行调整。
B19.根据B14-B18任一项所述的装置，其中，所述确定模块进一步适于：
根据所述封面推荐模型中至少一个预设评价指标对所述封面集中每个待选取的封面图像进行评分，根据评分结果确定应选取的至少两个封面图像。
B20.根据B19所述的装置，其中，所述确定模块进一步适于：
根据所述封面推荐模型中至少一个预设评价指标对所述封面集中每个待选取的封面图像进行评分，得到至少一个指标评分；
为每个指标评分设置相应的权重系数；
依据相应的权重系数，将每个待选取的封面图像的至少一个指标评分进行加权求和，得到每个待选取的封面图像的推荐值；
按照推荐值确定应选取的至少两个封面图像；
则所述调整模块进一步适于：
根据所述用户点击率数据对所述权重系数进行调整。
B21.根据B19或B20所述的装置，其中，所述预设评价指标包括以下指标中的至少一种：待选取的封面图像的内容健康程度指标、清晰度指标、以及标题相关度指标；
则所述确定模块进一步包括：
内容评分单元，适于根据待选取的封面图像的内容健康程度指标对所述封面集中每个待选取的封面图像进行评分；
和/或，清晰度评分单元，适于根据待选取的封面图像的清晰度指标对所述封面集中每个待选取的封面图像进行评分；
和/或，标题相关度评分单元，适于根据待选取的标题相关度指标对所述封面集中每个待选取的封面图像进行评分。
B22.根据B21所述的装置，其中，所述标题相关度评分单元进一步适于：
将所述视频的视频标题输入至经训练得到的语义特征提取模型中，得到视频标题特征；
将所述封面集中每个待选取的封面图像输入至经训练得到的图像特征提取模型中，得到每个待选取的封面图像的封面图像特征；
计算所述视频标题特征与所述每个待选取的封面图像的封面图像特征之间的距离，根据计算结果对所述封面集中每个待选取的封面图像进行评分。
B23.根据B22所述的装置，其中，所述语义特征提取模型为基于机器学习的语义特征提取模型；
和/或，所述图像特征提取模型为基于机器学习的图像特征提取模型。
B24.根据B22或B23所述的装置，其中，所述调整模块进一步适于：
根据所述用户点击率数据对所述语义特征提取模型和/或所述图像特征提取模型进行调整。
B25.根据B14-B24中任一项所述的装置，其中，所述装置还包括：
优化模块，适于对所述应选取的至少两个封面图像进行优化处理。
B26.根据B25所述的装置，其中，所述优化处理包括以下处理方式中的至少一种：
清晰度增强处理、亮度调节处理、比例适配处理、以及去水印处理。
本发明还公开了：C27.一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器适于存放至少一可执行指令，所述可执行指令使所述处理器执行如A1-A13任一项所述的视频封面推荐模型优化方法对应的操作。
本发明还公开了：D28.一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如A1-A13任一项所述的视频封面推荐模型优化方法对应的操作。

Claims (10)

1.一种视频封面推荐模型优化方法，包括：
获取视频的封面集，所述封面集包含多个待选取的封面图像；
利用封面推荐模型确定所述封面集中应选取的至少两个封面图像；
将所述至少两个封面图像同时进行上线处理分别展示给不同用户，记录上线过程中分别具有所述至少两个封面图像的视频的用户点击率数据；
根据所述用户点击率数据对所述封面推荐模型进行调整，得到优化后封面推荐模型。
2.根据权利要求1所述的方法，其中，所述封面推荐模型为基于机器学习的封面推荐模型。
3.根据权利要求1或2所述的方法，其中，所述获取视频的封面集进一步包括：获取用户预先标定的至少一个封面图像加入到封面集中。
4.根据权利要求1-3任一项所述的方法，其中，所述获取视频的封面集进一步包括：将所述视频输入至所述封面推荐模型中经训练得到的封面提取模型中，得到至少一个封面图像加入到封面集中。
5.根据权利要求4所述的方法，其中，所述方法还包括：根据所述用户点击率数据对所述封面提取模型进行调整。
6.根据权利要求1-5任一项所述的方法，其中，所述利用封面推荐模型确定所述封面集中应选取的至少两个封面图像进一步包括：
根据所述封面推荐模型中至少一个预设评价指标对所述封面集中每个待选取的封面图像进行评分，根据评分结果确定应选取的至少两个封面图像。
7.根据权利要求6所述的方法，其中，所述根据所述封面推荐模型中至少一个预设评价指标对所述封面集中每个待选取的封面图像进行评分，根据评分结果确定应选取的至少两个封面图像进一步包括：
根据所述封面推荐模型中至少一个预设评价指标对所述封面集中每个待选取的封面图像进行评分，得到至少一个指标评分；
为每个指标评分设置相应的权重系数；
依据相应的权重系数，将每个待选取的封面图像的至少一个指标评分进行加权求和，得到每个待选取的封面图像的推荐值；
按照推荐值确定应选取的至少两个封面图像；
则所述根据所述用户点击率数据对所述封面推荐模型进行调整进一步包括：
根据所述用户点击率数据对所述权重系数进行调整。
8.一种视频封面推荐模型优化装置，包括：
获取模块，适于获取视频的封面集，所述封面集包含多个待选取的封面图像；
确定模块，适于利用封面推荐模型确定所述封面集中应选取的至少两个封面图像；
记录模块，适于将所述至少两个封面图像同时进行上线处理分别展示给不同用户，记录上线过程中分别具有所述至少两个封面图像的视频的用户点击率数据；
调整模块，适于根据所述用户点击率数据对所述封面推荐模型进行调整，得到优化后封面推荐模型。
9.一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器适于存放至少一可执行指令，所述可执行指令使所述处理器执行如权利要求1-7任一项所述的视频封面推荐模型优化方法对应的操作。
10.一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如权利要求1-7任一项所述的视频封面推荐模型优化方法对应的操作。
CN201711147975.7A 2017-11-17 2017-11-17 视频封面推荐模型优化方法及装置 Expired - Fee Related CN107958030B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711147975.7A CN107958030B (zh) 2017-11-17 2017-11-17 视频封面推荐模型优化方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711147975.7A CN107958030B (zh) 2017-11-17 2017-11-17 视频封面推荐模型优化方法及装置

Publications (2)

Publication Number Publication Date
CN107958030A true CN107958030A (zh) 2018-04-24
CN107958030B CN107958030B (zh) 2021-08-24

Family

ID=61963812

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711147975.7A Expired - Fee Related CN107958030B (zh) 2017-11-17 2017-11-17 视频封面推荐模型优化方法及装置

Country Status (1)

Country Link
CN (1) CN107958030B (zh)

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108650524A (zh) * 2018-05-23 2018-10-12 腾讯科技（深圳）有限公司 视频封面生成方法、装置、计算机设备及存储介质
CN109165301A (zh) * 2018-09-13 2019-01-08 北京字节跳动网络技术有限公司 视频封面选择方法、装置和计算机可读存储介质
CN109447762A (zh) * 2018-11-12 2019-03-08 深圳市喂车科技有限公司 商品推荐方法及其装置、服务器、商品推荐系统
CN109905773A (zh) * 2019-02-26 2019-06-18 广州华多网络科技有限公司 筛选主播封面的方法、装置及存储介质
CN110263213A (zh) * 2019-05-22 2019-09-20 腾讯科技（深圳）有限公司 视频推送方法、装置、计算机设备及存储介质
CN110572711A (zh) * 2019-09-27 2019-12-13 北京达佳互联信息技术有限公司 视频封面生成方法、装置、计算机设备及存储介质
CN111291266A (zh) * 2020-02-13 2020-06-16 腾讯科技（北京）有限公司 基于人工智能的推荐方法、装置、电子设备及存储介质
CN111491202A (zh) * 2019-01-29 2020-08-04 广州市百果园信息技术有限公司 一种视频发布方法、装置、设备和存储介质
CN111984821A (zh) * 2020-06-22 2020-11-24 汉海信息技术(上海)有限公司 确定视频动态封面的方法、装置、存储介质及电子设备
CN112100504A (zh) * 2020-11-03 2020-12-18 北京达佳互联信息技术有限公司 内容推荐方法、装置、电子设备及存储介质
CN112689187A (zh) * 2020-12-17 2021-04-20 北京达佳互联信息技术有限公司 视频处理方法及装置、电子设备及存储介质
CN112749298A (zh) * 2020-04-08 2021-05-04 腾讯科技（深圳）有限公司 视频封面确定方法、装置、电子设备及计算机存储介质
CN113724016A (zh) * 2021-09-09 2021-11-30 北京有竹居网络技术有限公司 获取多媒体资源关注度的方法、装置、介质及设备
US20220312077A1 (en) * 2020-01-21 2022-09-29 Beijing Dajia Internet Information Technology Co., Ltd. Video recommendation method and apparatus
CN111382346B (zh) * 2018-12-28 2023-09-01 第四范式（北京）技术有限公司 用于推荐内容的方法及系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104112210A (zh) * 2013-04-17 2014-10-22 华为技术有限公司 一种推送广告的方法及设备
CN104244024A (zh) * 2014-09-26 2014-12-24 北京金山安全软件有限公司 一种视频封面生成方法、装置及终端
US20150309310A1 (en) * 2014-04-23 2015-10-29 Lg Electronics Inc. Head mounted display device displaying thumbnail image and method of controlling therefor
CN106503693A (zh) * 2016-11-28 2017-03-15 北京字节跳动科技有限公司 视频封面的提供方法及装置
CN106547767A (zh) * 2015-09-18 2017-03-29 北京国双科技有限公司 确定视频封面图片的方法及装置
CN106572380A (zh) * 2016-10-19 2017-04-19 上海传英信息技术有限公司 用户终端及视频动态缩略图的生成方法
CN106792085A (zh) * 2016-12-09 2017-05-31 广州华多网络科技有限公司 一种生成视频封面图像的方法和装置
CN107077595A (zh) * 2014-09-08 2017-08-18 谷歌公司 选择和呈现代表性帧以用于视频预览

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104112210A (zh) * 2013-04-17 2014-10-22 华为技术有限公司 一种推送广告的方法及设备
US20150309310A1 (en) * 2014-04-23 2015-10-29 Lg Electronics Inc. Head mounted display device displaying thumbnail image and method of controlling therefor
CN107077595A (zh) * 2014-09-08 2017-08-18 谷歌公司 选择和呈现代表性帧以用于视频预览
CN104244024A (zh) * 2014-09-26 2014-12-24 北京金山安全软件有限公司 一种视频封面生成方法、装置及终端
CN106547767A (zh) * 2015-09-18 2017-03-29 北京国双科技有限公司 确定视频封面图片的方法及装置
CN106572380A (zh) * 2016-10-19 2017-04-19 上海传英信息技术有限公司 用户终端及视频动态缩略图的生成方法
CN106503693A (zh) * 2016-11-28 2017-03-15 北京字节跳动科技有限公司 视频封面的提供方法及装置
CN106792085A (zh) * 2016-12-09 2017-05-31 广州华多网络科技有限公司 一种生成视频封面图像的方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
YALE SONG等: "To Click or Not To Click:Automatic Selection of Beautiful Thumbnails from Videos", 《CIKM "16: PROCEEDINGS OF THE 25TH ACM INTERNATIONAL ON CONFERENCE ON INFORMATION AND KNOWLEDGE 》 *

Cited By (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108650524A (zh) * 2018-05-23 2018-10-12 腾讯科技（深圳）有限公司 视频封面生成方法、装置、计算机设备及存储介质
CN108650524B (zh) * 2018-05-23 2022-08-16 腾讯科技（深圳）有限公司 视频封面生成方法、装置、计算机设备及存储介质
CN109165301A (zh) * 2018-09-13 2019-01-08 北京字节跳动网络技术有限公司 视频封面选择方法、装置和计算机可读存储介质
WO2020052084A1 (zh) * 2018-09-13 2020-03-19 北京字节跳动网络技术有限公司 视频封面选择方法、装置和计算机可读存储介质
CN109447762A (zh) * 2018-11-12 2019-03-08 深圳市喂车科技有限公司 商品推荐方法及其装置、服务器、商品推荐系统
CN109447762B (zh) * 2018-11-12 2022-06-10 深圳市喂车科技有限公司 商品推荐方法及其装置、服务器、商品推荐系统
CN111382346B (zh) * 2018-12-28 2023-09-01 第四范式（北京）技术有限公司 用于推荐内容的方法及系统
CN111491202A (zh) * 2019-01-29 2020-08-04 广州市百果园信息技术有限公司 一种视频发布方法、装置、设备和存储介质
CN109905773B (zh) * 2019-02-26 2021-06-01 广州方硅信息技术有限公司 筛选主播封面的方法、装置及存储介质
CN109905773A (zh) * 2019-02-26 2019-06-18 广州华多网络科技有限公司 筛选主播封面的方法、装置及存储介质
CN110263213A (zh) * 2019-05-22 2019-09-20 腾讯科技（深圳）有限公司 视频推送方法、装置、计算机设备及存储介质
CN110263213B (zh) * 2019-05-22 2023-07-18 腾讯科技（深圳）有限公司 视频推送方法、装置、计算机设备及存储介质
CN110572711A (zh) * 2019-09-27 2019-12-13 北京达佳互联信息技术有限公司 视频封面生成方法、装置、计算机设备及存储介质
US20220312077A1 (en) * 2020-01-21 2022-09-29 Beijing Dajia Internet Information Technology Co., Ltd. Video recommendation method and apparatus
US11546663B2 (en) * 2020-01-21 2023-01-03 Beijing Dajia Internet Information Technology Co., Ltd. Video recommendation method and apparatus
CN111291266A (zh) * 2020-02-13 2020-06-16 腾讯科技（北京）有限公司 基于人工智能的推荐方法、装置、电子设备及存储介质
CN112749298A (zh) * 2020-04-08 2021-05-04 腾讯科技（深圳）有限公司 视频封面确定方法、装置、电子设备及计算机存储介质
CN112749298B (zh) * 2020-04-08 2024-02-09 腾讯科技（深圳）有限公司 视频封面确定方法、装置、电子设备及计算机存储介质
CN111984821A (zh) * 2020-06-22 2020-11-24 汉海信息技术(上海)有限公司 确定视频动态封面的方法、装置、存储介质及电子设备
CN112100504A (zh) * 2020-11-03 2020-12-18 北京达佳互联信息技术有限公司 内容推荐方法、装置、电子设备及存储介质
CN112689187A (zh) * 2020-12-17 2021-04-20 北京达佳互联信息技术有限公司 视频处理方法及装置、电子设备及存储介质
CN113724016A (zh) * 2021-09-09 2021-11-30 北京有竹居网络技术有限公司 获取多媒体资源关注度的方法、装置、介质及设备

Also Published As

Publication number Publication date
CN107958030B (zh) 2021-08-24

Similar Documents

Publication Publication Date Title
CN107958030A (zh) 视频封面推荐模型优化方法及装置
CN107832725A (zh) 基于评价指标的视频封面提取方法及装置
CN107918656A (zh) 基于视频标题的视频封面提取方法及装置
CN106651542B (zh) 一种物品推荐的方法及装置
Grbovic et al. E-commerce in your inbox: Product recommendations at scale
CN109829775A (zh) 一种物品推荐方法、装置、设备及可读存储介质
CN106326351A (zh) 一种基于用户反馈的推荐系统冷启动解决方法
CN107330750A (zh) 一种推荐产品配图方法及装置，电子设备
CN110990691A (zh) 一种在线课程推荐方法、装置及计算机存储介质
KR102203253B1 (ko) 생성적 적대 신경망에 기반한 평점 증강 및 아이템 추천 방법 및 시스템
CN103778235A (zh) 一种处理商品评价信息的方法和装置
CN109685537B (zh) 用户行为的分析方法、装置、介质和电子设备
CN106445954A (zh) 一种业务对象的展示方法和装置
CN113191838B (zh) 一种基于异质图神经网络的购物推荐方法及系统
CN106874503B (zh) 获取推荐数据的方法和装置
CN108920665A (zh) 基于网络结构和评论文本的推荐评分方法及装置
CN110910209B (zh) 一种数据处理方法、装置以及计算机可读存储介质
CN110827086A (zh) 产品营销预测方法、装置、计算机设备及可读存储介质
CN109903103A (zh) 一种推荐物品的方法和装置
CN107273391A (zh) 文书推荐方法和装置
CN109189922B (zh) 评论评估模型的训练方法和装置
CN107918778A (zh) 一种信息匹配方法及相关装置
CN110458600A (zh) 画像模型训练方法、装置、计算机设备及存储介质
CN110502639B (zh) 基于问题贡献度的信息推荐方法、装置、及计算机设备
Jiménez-García et al. Corrigendum to ‘Deep learning improves taphonomic resolution: high accuracy in differentiating tooth marks made by lions and jaguars'

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20210824