CN108228824A

CN108228824A - 一种视频的推荐方法、装置、电子设备、介质和程序

Info

Publication number: CN108228824A
Application number: CN201711498813.8A
Authority: CN
Inventors: 肖展
Original assignee: Storm Group Ltd By Share Ltd
Current assignee: Storm Group Ltd By Share Ltd
Priority date: 2017-12-29
Filing date: 2017-12-29
Publication date: 2018-06-29

Abstract

本发明公开了一种视频的推荐方法、装置、电子设备、介质和程序，其中，方法包括：获取目标用户的视频特征，视频特征为目标用户对视频库的视频进行的行为特征；获取视频库的视频内容，视频内容为用于表征视频自身属性的信息；对视频特征和视频内容进行第一过滤处理，得到视频候选集；使用深宽度模型对视频候选集进行第二过滤处理，得到目标用户的视频推荐集。通过基于用于表征用户对视频进行行为的视频特征和用于表征视频自身属性的视频内容来对视频库中的视频进行筛选处理，得到的视频候选集经过深宽度模型计算处理，得到最终用于推荐的视频推荐集，可以提高个性化推荐的准确度，并且可以减少用户的标注标签的操作。

Description

一种视频的推荐方法、装置、电子设备、介质和程序

技术领域

本发明涉及互联网技术，尤其是一种视频的推荐方法、装置、电子设备、介质和程序。

背景技术

随着互联网技术的不断发展，在人们生活中的比重越来越大，通过网络来获取信息的类型也越来越多，比如：娱乐、购物、观看视频、阅读新闻等。由于在影视领域中，视频已经开始主导人们生活的各方各面，面对日益扩大的用户需求，如何合理充分的解决用户需求，快捷的为用户找到自己需要的资源，成为现在努力的方向。

基于此需求，个性化推荐技术成为目前较为关注的领域。现如今是通过用户资料以及用户的历史操作行为进行分析，来得出用户的兴趣信息。具体的，已用户进行主动打标签以及对信息各类型的浏览量来确定用户的兴趣点，进而对用户进行个性化推荐。然而，基于此方式的推荐，需要依靠用户的标签操作才能感知用户的兴趣点，进而定位推荐对应的信息，这样无形中增加了用户的操作，并且推荐的准确度较低。

发明内容

本发明实施例所要解决的一个技术问题是：提供一种视频的推荐方法、装置、电子设备、介质和程序，可以解决个性化推荐准确度较低的问题。

根据本发明实施例的一个方面，提供的一种视频的推荐方法，包括：

获取目标用户的视频特征，所述视频特征为所述目标用户对视频库的视频进行的行为特征；

获取所述视频库的视频内容，所述视频内容为用于表征视频自身属性的信息；

对所述视频特征和所述视频内容进行第一过滤处理，得到视频候选集；

使用深宽度模型对所述视频候选集进行第二过滤处理，得到所述目标用户的视频推荐集。

可选地，在基于本发明上述方法的另一个实施例中，所述对所述视频特征和所述视频内容进行第一过滤处理，得到视频候选集，包括：

根据所述视频特征和所述视频内容使用协同过滤算法，对所述视频库进行筛选，得到第一候选结果，所述第一候选结果候选为基本所述协同过滤算法得到的候选视频标识集合；

根据所述视频特征使用内容推荐，对所述视频库进行筛选，得到第二候选结果，所述第二候选结果为基于所述内容推荐算法得到的候选视频标识集合；

从所述视频库中选择与所述第一候选结果和所述第二候选结果对应的视频标识作为所述视频候选集。

可选地，在基于本发明上述方法的另一个实施例中，所述从所述视频库中选择与所述第一候选结果和所述第二候选结果对应的视频标识作为所述视频候选集，包括：

将所述第一候选结果和所述第二候选结果进行加权处理，得到加权过滤结果；

从所述视频库中选择与所述加权过滤结果对应的视频标识作为所述视频候选集。

可选地，在基于本发明上述方法的另一个实施例中，所述使用深宽度模型对所述视频候选集进行第二过滤处理，得到所述目标用户的视频推荐集，包括：

使用所述深宽度模型对所述视频候选集中包括的视频进行计算，确定所述视频候选集中包括的每个视频的视频分值；

选择高于所述预设阈值的视频分值对应的视频加入到所述目标用户的视频推荐集中。

按照分值的大小对所述视频候选集中的每个视频分值进行排序；

视频分值由高到低选择预定数量的视频加入到所述目标用户的视频推荐集中。

可选地，在基于本发明上述方法的另一个实施例中，所述方法还包括：

利用样本视频和样本用户对实现所述视频的推荐方法的神经网络和特征交叉组合进行训练，确定所述深宽度模型，所述样本视频中标注有所述样本视频的视频内容，所述样本用户种标注有视频点击特征，所述视频点击特征为用户的点击操作。

可选地，在基于本发明上述方法的另一个实施例中，所述视频特征包括以下任意一项或多项：

播放次数、点击率、播放完成比、关注率。

可选地，在基于本发明上述方法的另一个实施例中，所述视频内容包括以下任意一项或多项：

视频风格信息、视频剧情简介信息、视频关键词信息、视频参演信息、视频导演信息、视频地区信息、视频年代信息。

根据本发明实施例的另一个方面，提供的一种视频的推荐装置，包括：

获取模块，用于获取目标用户的视频特征，所述视频特征为所述目标用户对视频库的视频进行的行为特征；以及获取所述视频库的视频内容，所述视频内容为用于表征视频自身属性的信息；

召回模块，用于对所述视频特征和所述视频内容进行第一过滤处理，得到视频候选集；

排序模型，用于使用深宽度模型对所述视频候选集进行第二过滤处理，得到所述目标用户的视频推荐集。

可选地，在基于本发明上述方法的另一个实施例中，所述召回模块，包括：

协同过滤单元，用于根据所述视频特征和所述视频内容使用协同过滤算法，对所述视频库进行筛选，得到第一候选结果，所述第一候选结果候选为基本所述协同过滤算法得到的候选视频标识集合；

内容推荐单元，用于根据所述视频特征使用内容推荐，对所述视频库进行筛选，得到第二候选结果，所述第二候选结果为基于所述内容推荐算法得到的候选视频标识集合；

候选筛选单元，用于从所述视频库中选择与所述第一候选结果和所述第二候选结果对应的视频标识作为所述视频候选集。

可选地，在基于本发明上述方法的另一个实施例中，所述候选筛选单元，包括：

加权子单元，用于将所述第一候选结果和所述第二候选结果进行加权处理，得到加权过滤结果；

选择子单元，用于从所述视频库中选择与所述加权过滤结果对应的视频标识作为所述视频候选集。

可选地，在基于本发明上述方法的另一个实施例中，所述排序模块，包括：

计算单元，用于使用所述深宽度模型对所述视频候选集中包括的视频进行计算，确定所述视频候选集中包括的每个视频的视频分值；

选择单元，用于选择高于所述预设阈值的视频分值对应的视频加入到所述目标用户的视频推荐集中。

可选地，在基于本发明上述方法的另一个实施例中，所述排序模块，还包括：排序单元；

所述计算单元，还用于使用所述深宽度模型对所述视频候选集中包括的视频进行计算，确定所述视频候选集中包括的每个视频的视频分值；

所述排序单元，用于按照分值的大小对所述视频候选集中的每个视频分值进行排序；

所述选择单元，还用于视频分值由高到低选择预定数量的视频加入到所述目标用户的视频推荐集中。

可选地，在基于本发明上述方法的另一个实施例中，所述装置还包括：

训练模块，用于利用样本视频和样本用户对实现所述视频的推荐方法的神经网络和特征交叉组合进行训练，确定所述深宽度模型，所述样本视频中标注有所述样本视频的视频内容，所述样本用户种标注有视频点击特征，所述视频点击特征为用户的点击操作。

播放次数、点击率、播放完成比、关注率。

根据本发明实施例的又一个方面，提供的一种电子设备，所述电子设备包括：

存储器，用于存储可执行指令；以及

处理器，用于与所述存储器通信以执行所述可执行指令从而完成上述描述的一所述视频的推荐方法的操作。

根据本发明实施例的再一个方面，提供的一种计算机程序，包括计算机可读代码，其特征在于，当所述计算机可读代码在设备上运行时，所述设备中的处理器执行用于实现上述描述的所述视频的推荐方法的操作。

根据本发明实施例的还一个方面，提供的一种计算机可读存储介质，所述指令被执行时执行上述描述的所述视频的推荐方法的操作。

本发明实施例提供的一种视频的推荐方法、装置、电子设备、介质和程序，与现有技术中需要用户进行标签的标注操作才能获得用户的兴趣点，从而定位推荐相关视频相比，本发明通过基于用于表征用户对视频进行行为的视频特征和用于表征视频自身属性的视频内容来对视频库中的视频进行筛选处理，得到的视频候选集经过深宽度模型计算处理，得到最终用于推荐的视频推荐集，可以提高个性化推荐的准确度，并且可以减少用户的标注标签的操作。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

构成说明书的一部分的附图描述了本发明的实施例，并且连同描述一起用于解释本发明的原理。

参照附图，根据下面的详细描述，可以更加清楚地理解本发明，其中：

图1为本发明视频的推荐方法一个实施例的流程图。

图2为本发明视频的推荐方法另一个实施例的流程图。

图3为本发明视频的推荐方法又一个实施例的流程图。

图4为本发明实施中关于深宽度模型的逻辑结构示意图。

图5为本发明视频的推荐方法再一个实施例的流程图。

图6为本发明视频的推荐方法还一个实施例的流程图。

图7为本发明视频的推荐装置一个实施例的结构示意图。

图8为本发明视频的推荐装置另一个实施例的结构示意图。

图9为本发明视频的推荐装置又一个实施例的结构示意图。

图10为本发明视频的推荐装置再一个实施例的结构示意图。

图11为本发明电子设备一个实施例的结构示意图。

具体实施方式

现在将参照附图来详细描述本发明的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。

同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。

以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。

对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。

本发明实施例可以应用于终端设备、计算机系统、服务器等电子设备，其可与众多其它通用或专用计算系统环境或配置一起操作。适于与终端设备、计算机系统、服务器等电子设备一起使用的众所周知的终端设备、计算系统、环境和/或配置的例子包括但不限于：个人计算机系统、服务器计算机系统、瘦客户机、厚客户机、手持或膝上设备、基于微处理器的系统、机顶盒、可编程消费电子产品、网络个人电脑、小型计算机系统﹑大型计算机系统和包括上述任何系统的分布式云计算技术环境，等等。

终端设备、计算机系统、服务器等电子设备可以在由计算机系统执行的计算机系统可执行指令(诸如程序模块)的一般语境下描述。通常，程序模块可以包括例程、程序、目标程序、组件、逻辑、数据结构等等，它们执行特定的任务或者实现特定的抽象数据类型。计算机系统/服务器可以在分布式云计算环境中实施，分布式云计算环境中，任务是由通过通信网络链接的远程处理设备执行的。在分布式云计算环境中，程序模块可以位于包括存储设备的本地或远程计算系统存储介质上。

下面结合图1至图6来描述根据本发明示例性实施方式的用于进行视频的推荐方法。需要注意的是，上述应用场景仅是为了便于理解本发明的精神和原理而示出，本发明的实施方式在此方面不受任何限制。相反，本发明的实施方式可以应用于适用的任何场景。本发明应用于作为推荐使用的服务器，如推荐服务器。

本图1示意性地示出了根据本发明实施方式的一种视频的推荐方法的流程示意图。如图1所示，该方法包括：

S101，获取目标用户的视频特征。视频特征为目标用户对视频库的视频进行的行为特征。

示例性地，视频特征包括以下任意一项或多项：播放次数、点击率、播放完成比、关注率。即用户对视频的历史操作行为，主要用作视频对于该用户的吸引度。

这里的关注率即为用户对视频是否进行收藏或者点赞来做识别。

需要说明的是，在本发明实施例中，视频特征包括但不限于的上述描述的信息，只要是针对用户对视频的历史操作行为，均在视频特征包括的范围内。

S102，获取视频库的视频内容，视频内容为用于表征视频自身属性的信息。

示例性地，视频内容包括以下任意一项或多项：视频风格信息、视频剧情简介信息、视频关键词信息、视频参演信息、视频导演信息、视频地区信息、视频年代信息。

可以说明的是，视频风格信息可以为用于辨别视频类型的标签信息，如爱情片、战争片、喜剧片、文艺片、恐怖片等等。

视频剧情简介信息可以为简述视频剧情概要的文字和/或图片信息。

视频关键词信息可以为表征视频身份的信息。

视频参演信息可以包括视频的主角信息、视频的配角信息等。

视频地区信息用于表征视频所属区域，如内地剧、港台剧、美剧、韩剧、日剧、英剧、泰剧等等。

视频年代信息用于表征视频拍摄年份或者视频播出年份。

需要说明的是，在本发明实施例中，视频内容包括但不限于的上述描述的信息，只要是可以表征视频自身属性的信息均在视频内容包括的范围内。

S103，对视频特征和视频内容进行第一过滤处理，得到视频候选集。

示例性地，本步骤中对视频特征和视频内容进行的过滤处理操作为推荐方法中的召回阶段，即对视频库中的视频进行初步筛选。

本发明实施例中的视频候选集包括至少一个视频。在视频候选集中一般存储用于表示视频的信息，例如视频ID(Identity，标识)。可选的，视频候选集可以看作视频ID的集合。

S104，使用深宽度模型对视频候选集进行第二过滤处理，得到目标用户的视频推荐集。

本发明实施例中的深宽度模型是基于深度模块和宽度模型结合的模型，可以解决宽度模型的泛化能力较低的问题，并且同时拥有宽度模型的解释性较强的优点。

本发明实施例中的视频推荐集包括至少一个视频。同样的，在视频推荐集中存储用于表示视频的信息，如视频ID。可选的，视频推荐集可以看作视频ID的集合。

本发明实施例提供的一种视频的推荐方法，与现有技术中需要用户进行标签的标注操作才能获得用户的兴趣点，从而定位推荐相关视频相比，本发明通过基于用于表征用户对视频进行行为的视频特征和用于表征视频自身属性的视频内容来对视频库中的视频进行筛选处理，得到的视频候选集经过深宽度模型计算处理，得到最终用于推荐的视频推荐集，可以提高个性化推荐的准确度，并且可以减少用户的标注标签的操作。

可选的，在确定视频推荐集之后，可以根据视频推荐集中包括的视频ID来对应去视频库中调取视频资料。视频资料包括视频海报、视频内容中的部分信息。

用于作为推荐(视频)方法的构架包括两阶段，第一阶段为召回阶段，第二阶段为排序阶段。

其中，召回阶段用于对待推荐的视频(视频平台对应的视频库中的视频)进行初步筛选/检索操作，从而得到视频候选集。

在召回阶段，使用的算法包括但不限于：协同过滤算法和内容推荐算法。

排序阶段用于对召回阶段的视频候选集进行再次筛选处理，进而确定最终作为推荐使用的视频推荐集。

在排序阶段，使用深宽度模型来对视频候选集进行计算处理。

示例性地，如图2所示，针对召回阶段，本发明实施例针对S103中的对所述视频特征和所述视频内容进行第一过滤处理，得到视频候选集，可以包括以下：

S201，根据视频特征和视频内容使用协同过滤算法，对视频库进行筛选，得到第一候选结果。

第一候选结果候选为基本协同过滤算法得到的候选视频标识集合。

可选的，本发明实施例中的协同过滤可以为Item-Based协同过滤。Item-Based协同过滤通过根据视频特征中包括的用户行为特征，可以计算用户之间的相似度。

示例性地，在本发明实施例中的协同过滤包括：

第一步，根据所述视频特征进行视频的相似度计算，得到视频相似度。

其中，相似度计算用于计算视频与视频之间的相似度计算。

本发明实施例不限制针对相似度计算的方式，比如：

1、基于余弦的相似度计算；2、基于关联的相似度计算；3、调整的余弦相似度计算。

第二步，根据视频内容进行视频的预测值计算，得到视频预测结果。

预测值计算用于根据用户对视频的行为特征来预测用户喜欢的视频。

本发明实施例不限制针对预测值计算的方法，比如：1、针对用户对视频的行为特征进行加权求和；2、针对用户对视频的行为特征进行线性回归计算。

通过视频相似度和视频预测结果，得到第一候选结果。

S202，根据视频特征使用内容推荐，对视频库进行筛选，得到第二候选结果。

第二候选结果为基于内容推荐算法得到的候选视频标识集合。

基于内容的推荐通过视频特征的数据以及视频库中的其他视频的视频特征，可以针对用户对视频的行为而形成的视频集合，便于通过用户本身的视频行为操作来推荐视频集合中的其他相关视频。可以看出，这里的视频结果就是本步骤中的第二候选结果。

需要说明的是，实施例中的S201和S202之间的操作不分先后顺序，根据视频特征和视频内容可以同时进行协同过滤算法的计算和内容推荐的处理工作。

S203，从视频库中选择与第一候选结果和第二候选结果对应的视频标识作为视频候选集。

可选的，通过第一候选结果和第二候选结果来确定视频候选集的方法可以包括：

第一步，将第一候选结果和第二候选结果进行加权处理，得到加权过滤结果。

第二步，从视频库中选择与加权过滤结果对应的视频标识作为视频候选集。

示例性地，如图3所示，针对排序阶段，本发明实施例针对S104中的使用深宽度模型对视频候选集进行第二过滤处理，得到目标用户的视频推荐集，可以通过以下方式来实现：

S301，使用深宽度模型对视频候选集中包括的视频进行计算，确定视频候选集中包括的每个视频的视频分值。

深宽度模型是根据现有的深度模型和宽度模型结合而得。

其中宽度模型为模型中的线性部分，进行特征交叉组合，比如：y＝W^TX+b，其中X是特征向量，X是对象，W是模型参数向量，b为线性模型固有偏置。线性模型中常用的特征构造手段就是特征交叉。例如：电影＝喜剧and点击＝已点击。就是由两个特征组合交叉而成，只有当“电影＝喜剧”取值为1，并且“点击＝已点击”也取值为1时，这个交叉特征才会取值为1。线性模型的输出这里采用的Logistic Regression。

深度模型其实就是一个前馈神经网络(Feedforward Neural Network)。深度模型对原始的高维稀疏类别型特征，先进行embedding，转换为稠密、低维的实值型向量，转换后的向量维度通常在10-100这个范围。

深度模型和宽度模型的结合可以通过图4示出的逻辑架构来理解。

本发明将视频候选集中包括的视频点击特征和视频内容使用深宽度模型计算视频分值

S302，选择高于预设阈值的视频分值对应的视频加入到目标用户的视频推荐集中。

本发明实施例不限制预设阈值的具体范围，根据需要推荐视频的数量以及平台可展示视频的数量来定。

示例性地，如图5所示，针对排序阶段，本发明实施例针对S104中的使用深宽度模型对视频候选集进行第二过滤处理，得到目标用户的视频推荐集，可以通过另一种方式来实现：

S501，使用深宽度模型对视频候选集中包括的视频进行计算，确定视频候选集中包括的每个视频的视频分值。

S502，按照分值的大小对视频候选集中的每个视频分值进行排序。

S503，视频分值由高到低选择预定数量的视频加入到目标用户的视频推荐集中。

本发明中的实施例通过使用深宽度模型进行再次视频推荐的筛选，可以提高推荐的相似度，进而提高用户的体验。

示例性地，在进行本发明实施例中的视频的推荐方法前，需要进行深宽度模型的训练，如图6所示，本发明实施例还包括一种视频推荐的方法：

S105，利用样本视频和样本用户对实现视频的推荐方法的神经网络和特征交叉组合进行训练，确定深宽度模型。

其中样本视频中标注有样本视频的视频内容，样本用户种标注有视频点击特征，视频点击特征为用户的点击操作。

在本发明实施例中，不限制训练深宽度模型的具体方式，针对深度模型中的训练方式可参考现有技术中对前馈神经网络的训练方式，在此不再赘述。

针对宽度模型中特征的权值的训练方式也参考现有技术中对线性模型的训练方式，在此也不再赘述。

在介绍了本发明示例性实施方式的方法之后，接下来，参考图7对本发明示例性实施方式的计算机实现的视频的推荐装置进行说明。

参见图7，示意性地示出了根据本发明一实施例的计算机实现的视频的推荐装置的结构示意图，该装置通常设置于可以运行计算机程序的设备中，例如，本发明实施例中的该装置可以设置于台式计算机或者服务器等设备中，当然，该装置也可以设置于笔记型计算机甚至平板电脑等设备中。

本发明实施方式的装置主要包括：获取模块701，召回模块702，排序模块703。下面对该装置所包括的各个模块及单元分别进行说明。

获取模块701，用于获取目标用户的视频特征，视频特征为目标用户对视频库的视频进行的行为特征；以及获取视频库的视频内容，视频内容为用于表征视频自身属性的信息；

召回模块702，用于对视频特征和视频内容进行第一过滤处理，得到视频候选集；

排序模型703，用于使用深宽度模型对视频候选集进行第二过滤处理，得到目标用户的视频推荐集。

本发明实施例提供的一种视频的推荐装置，与现有技术中需要用户进行标签的标注操作才能获得用户的兴趣点，从而定位推荐相关视频相比，本发明通过基于用于表征用户对视频进行行为的视频特征和用于表征视频自身属性的视频内容来对视频库中的视频进行筛选处理，得到的视频候选集经过深宽度模型计算处理，得到最终用于推荐的视频推荐集，可以提高个性化推荐的准确度，并且可以减少用户的标注标签的操作。

可选的，本发明实施例中的，视频特征包括以下任意一项或多项：播放次数、点击率、播放完成比、关注率。

同理，视频内容包括以下任意一项或多项：视频风格信息、视频剧情简介信息、视频关键词信息、视频参演信息、视频导演信息、视频地区信息、视频年代信息。

示例性地，作为本发明另一实施例方式，本发明还提出一种视频的推荐装置，如图8所示，该装置中的召回模块702包括：协同过滤单元7021，内容推荐单元7022，候选筛选单元7023。

协同过滤单元7021，用于根据视频特征和视频内容使用协同过滤算法，对视频库进行筛选，得到第一候选结果，第一候选结果候选为基本协同过滤算法得到的候选视频标识集合。

内容推荐单元7022，用于根据视频特征使用内容推荐，对视频库进行筛选，得到第二候选结果，第二候选结果为基于内容推荐算法得到的候选视频标识集合。

候选筛选单元7023，用于从视频库中选择与第一候选结果和第二候选结果对应的视频标识作为视频候选集。

可选的，作为本发明另一实施例方式，在本发明实施例中的另一种视频的推荐装置中，候选筛选单元7022，包括：加权子单元和选择子单元。

其中，加权子单元，用于将第一候选结果和第二候选结果进行加权处理，得到加权过滤结果。

选择子单元，用于从视频库中选择与加权过滤结果对应的视频标识作为视频候选集。

示例性地，作为本发明另一实施例方式，本发明还提出一种视频的推荐装置，如图9所示，该装置中的排序模块703包括：计算单元7031，选择单元7032。

计算单元7031，可以用于使用深宽度模型对视频候选集中包括的视频进行计算，确定视频候选集中包括的每个视频的视频分值；

选择单元7032，可以用于选择高于预设阈值的视频分值对应的视频加入到目标用户的视频推荐集中。

可选的，排序模块703还包括排序单元7033。

其中，计算单元7031，还用于使用深宽度模型对视频候选集中包括的视频进行计算，确定视频候选集中包括的每个视频的视频分值；

排序单元7033，用于按照分值的大小对视频候选集中的每个视频分值进行排序；

选择单元7032，还用于视频分值由高到低选择预定数量的视频加入到目标用户的视频推荐集中。

示例性地，作为本发明另一实施例方式，本发明还提出一种视频的推荐装置，如图10所示，该装置还包括：

训练模块704，用于利用样本视频和样本用户对实现视频的推荐方法的神经网络和特征交叉组合进行训练，确定深宽度模型，样本视频中标注有样本视频的视频内容，样本用户种标注有视频点击特征，视频点击特征为用户的点击操作。

针对各个模块中执行操作的细节描述可以参见上述方法实施方式的描述，在此不再重复说明。

当然图7至图10中包括的模块只是其中的一种实施方式，本发明还可以包括一种数据处理的装置，该装置包括获取模块701，召回模块702，排序模块703，训练模块704，以及召回模块702中的协同过滤单元7021，内容推荐单元7022，候选筛选单元7023，以及选筛选单元7022中的加权子单元和选择子单元；以及排序模块703中的计算单元7031，选择单元7032。

本发明实施例中的装置的模块组成方式非常灵活，可以根据当前装置的具体功能需求来确定需要的模块、单元以及子单元。

在介绍了本发明示例性实施方式的方法和装置之后，接下来，参考图11对本发明示例性实施方式的、用于实现上述方法实施方式中所记载的各步骤的电子设备进行说明。图11显示的计算机系统/服务器110仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图11所示，计算机系统/服务器110以通用计算设备的形式表现。计算机系统/服务器110的组件可以包括但不限于：一个或者多个处理器或者处理单元1101，系统存储器1102，连接不同系统组件(包括系统存储器1102和处理单元1101)的总线1103。

计算机系统/服务器110典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机系统/服务器110访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

系统存储器1102可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)11021和/或高速缓存存储器11022。计算机系统/服务器110可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，ROM 11023可以用于读写不可移动的、非易失性磁介质(图11中未显示，通常称为“硬盘驱动器”)。尽管未在图11中示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM，DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线1103相连。系统存储器1102中可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。

具有一组(至少一个)程序模块11024的程序/实用工具11025，可以存储在例如系统存储器1102中，且这样的程序模块11024包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块11024通常执行本发明所描述的实施例中的功能和/或方法。

计算机系统/服务器110也可以与一个或多个外部设备1104(如键盘、指向设备、显示器等)通信。这种通信可以通过输入/输出(I/O)接口1105进行。并且，计算机系统/服务器110还可以通过网络适配器1107与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或者公共网络，例如因特网)通信。如图11所示，网络适配器1107通过总线1103与计算机系统/服务器110的其它模块(如处理单元1101等)通信。应当明白，尽管图11中未示出，可以结合计算机系统/服务器110使用其它硬件和/或软件模块。

处理单元1101通过运行存储在系统存储器1102中的计算机程序，从而执行各种功能应用以及数据处理，例如，执行用于实现上述方法实施例中的各步骤的指令；具体而言，处理单元1101可以执行系统存储器1102中存储的计算机程序，且该计算机程序被执行时，下述指令被运行：

获取目标用户的视频特征，视频特征为目标用户对视频库的视频进行的行为特征；

获取视频库的视频内容，视频内容为用于表征视频自身属性的信息；

对视频特征和视频内容进行第一过滤处理，得到视频候选集；

使用深宽度模型对视频候选集进行第二过滤处理，得到目标用户的视频推荐集。

当然，电子设备还包括的其他指令如方法侧装置侧描述的内容，在此不再一一赘述。

本发明实施例提供的一种电子设备，与现有技术中需要用户进行标签的标注操作才能获得用户的兴趣点，从而定位推荐相关视频相比，本发明通过基于用于表征用户对视频进行行为的视频特征和用于表征视频自身属性的视频内容来对视频库中的视频进行筛选处理，得到的视频候选集经过深宽度模型计算处理，得到最终用于推荐的视频推荐集，可以提高个性化推荐的准确度，并且可以减少用户的标注标签的操作。

本发明实施例还提供一种计算机程序，包括计算机可读代码，当所述计算机可读代码在设备上运行时，所述设备中的处理器执行用于实现上述图1至图6中包括的所述视频的推荐方法的操作。所述视频的推荐方法中描述的内容，在此不再一一赘述。

本发明实施例还提供一种计算机可读存储介质，用于存储计算机可读取的指令，所述指令被执行时执行上述图1至图6中包括的所述视频的推荐方法的操作。所述视频的推荐方法中描述的内容，在此不再一一赘述。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

本说明书中各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似的部分相互参见即可。对于系统实施例而言，由于其与方法实施例基本对应，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

可能以许多方式来实现本发明的方法和装置。例如，可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本发明的方法和装置。用于所述方法的步骤的上述顺序仅是为了进行说明，本发明的方法的步骤不限于以上具体描述的顺序，除非以其它方式特别说明。此外，在一些实施例中，还可将本发明实施为记录在记录介质中的程序，这些程序包括用于实现根据本发明的方法的机器可读指令。因而，本发明还覆盖存储用于执行根据本发明的方法的程序的记录介质。

本发明的描述是为了示例和描述起见而给出的，而并不是无遗漏的或者将本发明限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显然的。选择和描述实施例是为了更好说明本发明的原理和实际应用，并且使本领域的普通技术人员能够理解本发明从而设计适于特定用途的带有各种修改的各种实施例。

Claims

1.一种视频的推荐方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述对所述视频特征和所述视频内容进行第一过滤处理，得到视频候选集，包括：

3.根据权利要求2所述的方法，其特征在于，所述从所述视频库中选择与所述第一候选结果和所述第二候选结果对应的视频标识作为所述视频候选集，包括：

4.根据权利要求1至3中任一项所述的方法，其特征在于，所述使用深宽度模型对所述视频候选集进行第二过滤处理，得到所述目标用户的视频推荐集，包括：

5.根据权利要求1至3中任一项所述的方法，其特征在于，所述使用深宽度模型对所述视频候选集进行第二过滤处理，得到所述目标用户的视频推荐集，包括：

6.根据权利要求1至5中任一项所述的方法，其特征在于，所述方法还包括：

7.根据权利要求6所述的方法，其特征在于，所述视频特征包括以下任意一项或多项：

播放次数、点击率、播放完成比、关注率。

8.根据权利要求6所述的方法，其特征在于，所述视频内容包括以下任意一项或多项：

9.一种视频的推荐装置，其特征在于，包括：

10.根据权利要求9所述的装置，其特征在于，所述召回模块，包括：

11.根据权利要求10所述的装置，其特征在于，所述候选筛选单元，包括：

12.根据权利要求9至11中任一项所述的装置，其特征在于，所述排序模块，包括：

13.根据权利要求12所述的装置，其特征在于，所述排序模块，还包括：排序单元；

14.根据权利要求9至13中任一项所述的装置，其特征在于，所述装置还包括：

15.根据权利要求14所述的装置，其特征在于，所述视频特征包括以下任意一项或多项：

播放次数、点击率、播放完成比、关注率。

16.根据权利要求14所述的装置，其特征在于，所述视频内容包括以下任意一项或多项：

17.一种电子设备，其特征在于，包括：

存储器，用于存储可执行指令；以及

处理器，用于与所述存储器通信以执行所述可执行指令从而完成权利要求1-9任一所述视频的推荐方法的操作。

18.一种计算机程序，包括计算机可读代码，其特征在于，当所述计算机可读代码在设备上运行时，所述设备中的处理器执行用于实现权利要求1-9任一所述视频的推荐方法的操作。

19.一种计算机可读存储介质，用于存储计算机可读取的指令，其特征在于，所述指令被执行时执行权利要求1-9任一所述视频的推荐方法的操作。