CN108322827A - 度量用户的视频偏好的方法、系统及计算机可读存储介质 - Google Patents

度量用户的视频偏好的方法、系统及计算机可读存储介质 Download PDF

Info

Publication number
CN108322827A
CN108322827A CN201810099455.1A CN201810099455A CN108322827A CN 108322827 A CN108322827 A CN 108322827A CN 201810099455 A CN201810099455 A CN 201810099455A CN 108322827 A CN108322827 A CN 108322827A
Authority
CN
China
Prior art keywords
video
user
time
watched
label
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
CN201810099455.1A
Other languages
English (en)
Other versions
CN108322827B (zh
Inventor
王璐
张文明
陈少杰
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.)
Wuhan Douyu Network Technology Co Ltd
Original Assignee
Wuhan Douyu Network 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 Wuhan Douyu Network Technology Co Ltd filed Critical Wuhan Douyu Network Technology Co Ltd
Priority to CN201810099455.1A priority Critical patent/CN108322827B/zh
Publication of CN108322827A publication Critical patent/CN108322827A/zh
Application granted granted Critical
Publication of CN108322827B publication Critical patent/CN108322827B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H04N21/4667—Processing of monitored end-user data, e.g. trend analysis based on the log file of viewer selections
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
    • H04N21/251—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H04N21/4668—Learning process for intelligent management, e.g. learning user preferences for recommending movies for recommending content, e.g. movies

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Computing Systems (AREA)
  • Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)

Abstract

本发明提供了一种用于度量用户的视频偏好的方法，包括以下步骤：获取用户在预设时间段内的每次观看的视频的记录；根据所述记录，统计得到所述每次观看的视频的属性信息，所述属性信息包括视频标签；利用属性信息计算所述每次观看的视频的威尔逊区间下限值，并由此计算所述视频标签的用户偏好值。本发明还提供了一种用于度量用户的视频偏好的系统以及一种相关的计算机可读存储介质。

Description

度量用户的视频偏好的方法、系统及计算机可读存储介质
技术领域
本发明涉及视频推荐领域，具体涉及一种度量用户的视频偏好的方法、相应的系统以及相关计算机可读存储介质。
背景技术
在视频推荐领域中，为了让推荐的结果更加具有个性化，需要形成准确的用户标签偏好。通过文本挖掘或者其他的一些方法，我们可以得到一个视频所包含的标签以及权重，如某个视频包含标签A和标签B，其权重分别是0.5和0.3。如果一个用户对某个视频很感兴趣，那么可以推定用户对该视频所包含的标签也是感兴趣的，因此一个难点问题是如何通过已知的视频标签和用户的观看行为得到用户对各标签的偏好。
通常得到用户标签偏好的方法主要是根据简单的统计，计算用户对各标签下的视频观看次数或者时长，根据这些统计指标确定用户对标签的偏好。然而，这样做的缺点有如下几点：一是单一指标有局限性，无法准确刻画用户的真实兴趣；二是没有考虑视频包含不同标签的权重，简单地认为所有标签的权重都是一样的。
因此，有必要提出一种新的度量用户的视频偏好的方法及系统。
发明内容
有鉴于此，为了克服上述问题的至少一个方面，本发明实施例提供一种度量用户的视频偏好的方法及系统。
根据本发明的一个方面，提供了一种度量用户的视频偏好的方法，包括步骤：
S1，获取用户在预设时间段内的每次观看的视频的记录；
S2，根据所述记录，统计得到所述每次观看的视频的属性信息，所述属性信息包括视频标签；
S3，利用步骤S2得到的属性信息计算所述每次观看的视频的威尔逊区间下限值，并由此计算所述视频标签的用户偏好值。
进一步地，所述步骤S1进一步包括：
将所述预设时间段内每次观看的视频构成视频集合V＝{vi}，1≤i≤n，n为所述用户在所述预设时间段内观看视频的总次数。
进一步地，所述视频集合V中的每一个视频vi具有至少一个视频标签，其中，所述至少一个视频标签中的每一个视频标签均具有预设的权重。
例如，所述属性信息还包括每次观看的视频vi的总时长和用户实际观看时长。
进一步地，所述步骤S2包括：
提取所述视频集合V中的所有不同的视频标签，构成视频标签集合T＝{tj}，1≤j≤m，m为所述所有不同的视频标签的总数目。
进一步地，所述步骤S3包括以下步骤：
S31：根据所述每次观看的视频vi的总时长和所述用户实际观看时长计算所述每次观看的视频vi的威尔逊区间下限值；
S32：计算用户对视频标签集合T中的视频标签tj的偏好值。
例如，根据下式计算威尔逊区间下限值：
其中，为每次观看的视频vi的总时长，表示用户对视频vi的实际观看时长，p为所述用户实际观看时长和所述每次观看的视频vi的总时长的比值，即α表示置信水平，z1-α/2表示在置信水平α下的z统计量。
例如，根据下式计算用户对视频标签集合T中的视频标签tj的偏好值：
其中，是用户对视频标签tj的偏好值；是视频标签tj在所述每次观看的视频vi中的预设权重，若视频vi不含视频标签tj，则该值为0；是用户在所述预设时间段内对含有视频标签tj的视频的观看总次数。
根据本发明的另一方面，提供了一种用于度量用户的视频偏好的系统，包括：
获取模块，用于获取用户在预设时间段内的每次观看的视频的记录；
统计模块，用于根据所述记录，统计所述每次观看的视频的属性信息，所述属性信息包括视频标签、所述每次观看的视频的总时长和用户实际观看时长；
计算模块，用于根据所述属性信息计算得到的所述每次观看的视频的威尔逊区间下限值，并由此计算对所述视频标签的用户偏好值。
例如，所述获取模块包括第一数据处理模块，用于将所述预设时间段内每次观看的视频构成视频集合V＝{vi}，1≤i≤n，n为所述用户在所述预设时间段内观看视频的总次数。
例如，所述视频集合V中的每一个视频vi具有至少一个视频标签，其中，所述至少一个视频标签中的每一个视频标签均具有预设的权重。
进一步地，所述统计模块还包括第二数据处理模块，用于提取所述视频集合V中的所有不同的视频标签，构成视频标签集合T＝{tj}，1≤j≤m，m为所述所有不同的视频标签的总数目。
进一步地，所述计算模块包括：
第一计算模块，用于根据所述每次观看的视频vi的总时长和所述用户实际观看时长计算所述每次观看的视频vi的威尔逊区间下限值；
第二计算模块，用于基于所述每次观看的视频vi的威尔逊区间下限值，计算用户对视频标签集合T中的视频标签tj的偏好值。
例如，所述第一计算模块根据下式计算所述每次观看的视频vi的威尔逊区间下限值：
其中，为每次观看的视频vi的总时长，表示用户对视频vi的实际观看时长，p为所述用户实际观看时长和所述每次观看的视频vi的总时长的比值，即α表示置信水平，z1-α/2表示在置信水平α下的z统计量。
例如，所述第二计算模块根据下式计算所述视频标签集合T中视频标签tj的用户偏好值：
其中，是用户对视频标签tj的偏好值；是所述每次观看的视频vi中视频标签tj的预设权重，若视频vi不含视频标签tj，则该值为0；是用户在所述预设时间段内对含有视频标签tj的视频的观看总次数。
本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的任一种用于度量用户的视频偏好的方法的步骤。
与现有技术相比，本发明具有以下优点：本发明提出一种基于威尔逊区间的用户视频标签偏好度量方法，综合考虑观看次数、观看完成率以及标签权重对用户视频标签偏好的影响，更具有全面性和科学性，能准确地对用户的标签偏好进行量化。
附图说明
通过下文中参照附图对本发明所作的描述，本发明的其它目的和优点将显而易见，并可帮助对本发明有全面的理解。
图1为度量用户的视频偏好的方法实施步骤的流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明实施例的附图，对本发明的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明的一个实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员在无需创造性劳动的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。
除非另外定义，本发明使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。
根据本发明的一个方面，提供了一种基于威尔逊空间的度量用户的视频偏好的方法，包括以下步骤：
获取用户在预设时间段内的每次观看的视频的记录；
根据所述记录，统计得到所述每次观看的视频的属性信息，所述属性信息包括视频标签、所述每次观看的视频的总时长和所述用户实际观看时长；
利用所述每次观看的视频的总时长和所述用户实际观看时长计算所述每次观看的视频的威尔逊区间下限值，并由此计算所述视频标签的用户偏好值。
更具体的，下面结合附图对本发明基于威尔逊空间的度量用户的视频偏好的方法进行详细的描述。
参考图1所示，本发明实施例提供的基于威尔逊空间的度量用户的视频偏好的方法，包括如下步骤：
步骤S1：获取用户在预设时间段内的每次观看的视频的记录。在本实施例中，预设时间段可以是7天。当然在其他实施例中，也可以是其他时间长度，比如可以为更长的时间长度，例如30天，还可以为较短的时间长度，例如数小时。
在本实施例中，步骤S1，可以进一步包括将所述预设时间段内每次观看的视频构成视频集合V＝{vi}，1≤i≤n，n为所述用户在所述预设时间段内观看视频的总次数。
需要说明的是，用户在预设时间段内每次观看的视频可以与上次相同，也可以不同，即构成集合V的多个元素(视频)中可以包括两个或多个相同元素。例如，用户在预设时间段内观看A视频2次，集合V中就会包含2个A视频。
步骤S2：根据所述记录，统计得到所述每次观看的视频的属性信息。在本实施例中，所述属性信息可以包括视频标签、每次观看的视频的总时长和用户实际观看时长；
需要说明的是，所述视频集合V中的每一个视频vi可以具有至少一个视频标签，其中，所述至少一个视频标签中的每一个视频标签均具有预设的权重，即每次观看的视频可以是之前已经看过的同一视频，也可以是新的不同的视频。当然，同一视频，所具有的标签种类是一样的，标签的预设权重也是一样的。不同的视频，可以具有不同的标签，也可以具有相同的标签，若具有相同的标签，其标签的预设权重可以一样，也可以不一样。
例如，用户第一次观看的视频是A，具有标签1和标签2，标签1的预设权重是0.7，标签2的预设权重是0.3；用户第二次观看的视频是B，具有标签1、标签2和标签3，标签1的预设权重是0.2，标签2的预设权重是0.4，标签3的预设权重是0.4。
在本实施例中，步骤S2可以进一步包括，提取所述视频集合V中的所有不同的视频标签，构成视频标签集合T＝{tj}，1≤j≤m，m为所述所有不同的视频标签的总数目。需要说明的是，用户每次观看的视频vi可以具有集合T中的至少一个标签，并不一定同时具有集合T中的所有标签。
步骤S3，利用步骤S2得到的属性信息计算所述每次观看的视频的威尔逊区间下限值，并由此计算所述视频标签的用户偏好值。
在本实施例中，将用户的实际观看时长看作“赞成票”，将视频的总时长看作“全部投票”。
在具体实施过程中，所述步骤S3还可以包括以下步骤：
S31：利用下式，根据所述每次观看的视频vi的总时长和所述用户实际观看时长计算所述每次观看的视频vi的威尔逊区间下限值；
其中，为每次观看的视频vi的总时长，表示用户对视频vi的实际观看时长，p为所述用户实际观看时长和所述每次观看的视频vi的总时长的比值，即α表示置信水平，z1-α/2表示在置信水平α下的z统计量。
S32：利用下式，计算视频标签集合T中的视频标签tj的偏好值：
其中，是用户对视频标签tj的偏好值；是视频标签tj在所述每次观看的视频vi中的预设权重，若视频vi不含视频标签tj，则该值为0；是用户在所述预设时间段内对含有视频标签tj的视频的观看总次数。
从上述公式可以看到，用户对视频标签的偏好主要由两个部分组成。一部分是用户播放完成情况，用户播放平均完成率越大，那么说明用户对标签的偏好度越高；另一部分则是用户播放标签的次数，次数越多也说明用户对标签的偏好度越高。
下面列举一个实际例子具体说明本发明是如何基于威尔逊区间进行用户的视频偏好度量的。
在本实施例中置信水平α取0.1，那么z1-α/2为1.96。
假设一个用户在30天内第一次观看了视频A和第二次观看了视频B，两视频的标签权重和总时长分别如下：
视频A：标签1(0.7)，标签2(0.3)，总时长60分钟
视频B：标签1(0.2)，标签2(0.4)，总时长90分钟
用户观看视频A的时长为10分钟，观看视频B的时长为45分钟，于是：
用户对标签1的偏好值为：
(0.093*0.7+0.399*0.2)/(0.7+0.2)*ln(1+2)＝0.177
用户对标签2的偏好值为：
(0.093*0.3+0.399*0.4)/(0.3+0.4)*ln(1+2)＝0.294
本实施例提出的基于威尔逊区间的用户视频标签偏好度量的方法，相比传统的方法更具有全面性和科学性，能准确地对用户的标签偏好进行度量。
根据本发明的另一方面，提供了一种用于度量用户的视频偏好的系统，可以包括：
获取模块，可以用于获取用户在预设时间段内的每次观看的视频的记录；
统计模块，可以用于根据所述记录，统计所述每次观看的视频的属性信息，所述属性信息包括视频标签、所述每次观看的视频的总时长和用户实际观看时长；
计算模块，可以用于根据所述属性信息计算得到的所述每次观看的视频的威尔逊区间下限值，并由此计算对所述视频标签的用户偏好值。
在进一步较佳实施例中，所述获取模块可以包括第一数据处理模块，用于将所述预设时间段内每次观看的视频构成视频集合V＝{vi}，1≤i≤n，n为所述用户在所述预设时间段内观看视频的总次数。
在本实施例中，所述视频集合V中的每一个视频vi具有至少一个视频标签，其中，所述至少一个视频标签中的每一个视频标签均具有预设的权重。
进一步地，所述统计模块还可以包括第二数据处理模块，用于提取所述视频集合V中的所有不同的视频标签，构成视频标签集合T＝{tj}，1≤j≤m，m为所述所有不同的视频标签的总数目。
在进一步较佳实施例中，所述计算模块可以包括：
第一计算模块，可以用于根据所述每次观看的视频vi的总时长和所述用户实际观看时长计算所述每次观看的视频vi的威尔逊区间下限值；
第二计算模块，可以用于基于所述每次观看的视频vi的威尔逊区间下限值，计算视频标签集合T中的视频标签tj的偏好值。
在本实施例中，所述第一计算模块可以根据下式计算所述每次观看的视频vi的威尔逊区间下限值：
其中，为每次观看的视频vi的总时长，表示用户对视频vi的实际观看时长，p为所述用户实际观看时长和所述每次观看的视频vi的总时长的比值，即α表示置信水平，z1-α/2表示在置信水平α下的z统计量。
在本实施例中，所述第二计算模块可以根据下式计算所述视频标签集合T中视频标签tj的用户偏好值：
其中，是用户对视频标签tj的偏好值；是所述每次观看的视频vi中视频标签tj的预设权重，若视频vi不含视频标签tj，则该值为0；是用户在所述预设时间段内对含有视频标签tj的视频的观看总次数。
本发明还涉及一种计算机可读存储介质，在该计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如上所述的任一种用于度量用户的视频偏好的方法的步骤。
对于本发明的实施例，还需要说明的是，在不冲突的情况下，本发明的实施例及实施例中的特征可以相互组合以得到新的实施例。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种用于度量用户的视频偏好的方法，包括以下步骤：
S1，获取用户在预设时间段内的每次观看的视频的记录；
S2，根据所述记录，统计得到所述每次观看的视频的属性信息，所述属性信息包括视频标签；
S3，利用步骤S2得到的属性信息计算所述每次观看的视频的威尔逊区间下限值，并由此计算所述视频标签的用户偏好值。
2.如权利要求1所述的方法，其特征在于，所述步骤S1进一步包括：
将所述预设时间段内每次观看的视频构成视频集合V＝{vi}，1≤i≤n，n为所述用户在所述预设时间段内观看视频的总次数。
3.如权利要求2所述的方法，其特征在于，所述视频集合V中的每一个视频vi具有至少一个视频标签，其中，所述至少一个视频标签中的每一个视频标签均具有预设的权重。
4.如权利要求2所述的方法，其特征在于，所述属性信息还包括每次观看的视频vi的总时长和用户实际观看时长。
5.如权利要求4所述的方法，其特征在于，所述步骤S2进一步包括：
提取所述视频集合V中的所有不同的视频标签，构成视频标签集合T＝{tj}，1≤j≤m，m为所述所有不同的视频标签的总数目。
6.如权利要求5所述的方法，其特征在于，所述步骤S3进一步包括以下步骤：
S31：根据所述每次观看的视频vi的总时长和所述用户实际观看时长计算所述每次观看的视频vi的威尔逊区间下限值；
S32：计算用户对视频标签集合T中的视频标签tj的偏好值。
7.如权利要求6所述的方法，其特征在于，根据下式计算威尔逊区间下限值：
其中，为每次观看的视频vi的总时长，表示用户对视频vi的实际观看时长，p为所述用户实际观看时长和所述每次观看的视频vi的总时长的比值，即α表示置信水平，z1-α/2表示在置信水平α下的z统计量。
8.如权利要求7所述的方法，其特征在于，根据下式计算用户对视频标签集合T中的视频标签tj的偏好值：
其中，是用户对视频标签tj的偏好值；是视频标签tj在所述每次观看的视频vi中的预设权重，若视频vi不含视频标签tj，则该值为0；是用户在所述预设时间段内对含有视频标签tj的视频的观看总次数。
9.一种用于度量用户的视频偏好的系统，其特征在于，所述系统包括：
获取模块，用于获取用户在预设时间段内的每次观看的视频的记录；
统计模块，用于根据所述记录，统计所述每次观看的视频的属性信息，所述属性信息包括视频标签、所述每次观看的视频的总时长和用户实际观看时长；
计算模块，用于根据所述属性信息计算得到的所述每次观看的视频的威尔逊区间下限值，并由此计算对所述视频标签的用户偏好值。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现根据权利要求1-8中的任一项所述的方法的步骤。
CN201810099455.1A 2018-01-31 2018-01-31 度量用户的视频偏好的方法、系统及计算机可读存储介质 Active CN108322827B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810099455.1A CN108322827B (zh) 2018-01-31 2018-01-31 度量用户的视频偏好的方法、系统及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810099455.1A CN108322827B (zh) 2018-01-31 2018-01-31 度量用户的视频偏好的方法、系统及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN108322827A true CN108322827A (zh) 2018-07-24
CN108322827B CN108322827B (zh) 2021-02-02

Family

ID=62891267

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810099455.1A Active CN108322827B (zh) 2018-01-31 2018-01-31 度量用户的视频偏好的方法、系统及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN108322827B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109040795A (zh) * 2018-07-31 2018-12-18 上海斐讯数据通信技术有限公司 一种视频推荐方法及系统
CN110516115A (zh) * 2019-07-31 2019-11-29 安徽抖范视频科技有限公司 一种对于使用用户兴趣点的排序方法及系统
CN110515816A (zh) * 2019-08-20 2019-11-29 安徽抖范视频科技有限公司 一种用户行为的分析方法及分析系统
CN110659389A (zh) * 2019-09-05 2020-01-07 北京字节跳动网络技术有限公司 排序方法、装置、电子设备和计算机可读存储介质
CN110769286A (zh) * 2019-11-06 2020-02-07 山东科技大学 一种基于频道的推荐方法及装置、存储介质
CN111125514A (zh) * 2019-11-20 2020-05-08 泰康保险集团股份有限公司 用户行为分析的方法、装置、电子设备和存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105142028A (zh) * 2015-07-29 2015-12-09 华中科技大学 面向三网融合的电视节目内容搜索与推荐方法
CN105163142A (zh) * 2015-09-09 2015-12-16 青岛海信传媒网络技术有限公司 一种用户偏好确定方法、视频推荐方法和系统
US20160105722A1 (en) * 2014-10-10 2016-04-14 Anhui Huami Information Technology Co., Ltd. Video pushing method, apparatus, and system
CN106131601A (zh) * 2016-06-29 2016-11-16 乐视控股（北京）有限公司 视频推荐方法及装置
CN106407241A (zh) * 2016-03-21 2017-02-15 传线网络科技（上海）有限公司 视频推荐方法及系统
CN107341245A (zh) * 2017-07-06 2017-11-10 广州优视网络科技有限公司 数据处理方法、装置及服务器

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160105722A1 (en) * 2014-10-10 2016-04-14 Anhui Huami Information Technology Co., Ltd. Video pushing method, apparatus, and system
CN105142028A (zh) * 2015-07-29 2015-12-09 华中科技大学 面向三网融合的电视节目内容搜索与推荐方法
CN105163142A (zh) * 2015-09-09 2015-12-16 青岛海信传媒网络技术有限公司 一种用户偏好确定方法、视频推荐方法和系统
CN106407241A (zh) * 2016-03-21 2017-02-15 传线网络科技（上海）有限公司 视频推荐方法及系统
CN106131601A (zh) * 2016-06-29 2016-11-16 乐视控股（北京）有限公司 视频推荐方法及装置
CN107341245A (zh) * 2017-07-06 2017-11-10 广州优视网络科技有限公司 数据处理方法、装置及服务器

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109040795A (zh) * 2018-07-31 2018-12-18 上海斐讯数据通信技术有限公司 一种视频推荐方法及系统
CN109040795B (zh) * 2018-07-31 2023-12-19 周向红 一种视频推荐方法及系统
CN110516115A (zh) * 2019-07-31 2019-11-29 安徽抖范视频科技有限公司 一种对于使用用户兴趣点的排序方法及系统
CN110515816A (zh) * 2019-08-20 2019-11-29 安徽抖范视频科技有限公司 一种用户行为的分析方法及分析系统
CN110659389A (zh) * 2019-09-05 2020-01-07 北京字节跳动网络技术有限公司 排序方法、装置、电子设备和计算机可读存储介质
CN110769286A (zh) * 2019-11-06 2020-02-07 山东科技大学 一种基于频道的推荐方法及装置、存储介质
CN110769286B (zh) * 2019-11-06 2021-04-27 山东科技大学 一种基于频道的推荐方法及装置、存储介质
CN111125514A (zh) * 2019-11-20 2020-05-08 泰康保险集团股份有限公司 用户行为分析的方法、装置、电子设备和存储介质
CN111125514B (zh) * 2019-11-20 2023-08-22 泰康保险集团股份有限公司 用户行为分析的方法、装置、电子设备和存储介质

Also Published As

Publication number Publication date
CN108322827B (zh) 2021-02-02

Similar Documents

Publication Publication Date Title
CN108322827B (zh) 度量用户的视频偏好的方法、系统及计算机可读存储介质
CN109672939B (zh) 一种标记视频内容热度的方法及装置
US10405016B2 (en) Recommending media items based on take rate signals
CN106331778B (zh) 视频推荐方法和装置
US9348898B2 (en) Recommendation system with dual collaborative filter usage matrix
KR102111223B1 (ko) 푸시 정보 대략 선택 정렬 방법, 디바이스 및 컴퓨터 저장 매체
CN107526810B (zh) 建立点击率预估模型的方法及装置、展示方法及装置
CN109040795B (zh) 一种视频推荐方法及系统
CN105843876B (zh) 多媒体资源的质量评估方法和装置
CN105574198B (zh) 一种栏目推荐方法及装置
CN109543132A (zh) 内容推荐方法、装置、电子设备及存储介质
CN104615741B (zh) 一种基于云计算的冷启动项目推荐的方法及装置
US10290032B2 (en) Blacklisting based on image feature analysis and collaborative filtering
WO2019109592A1 (zh) 一种智能视频推荐方法及系统
CN106776873A (zh) 一种推荐结果生成方法以及装置
CN105183925A (zh) 内容关联推荐方法及装置
CN112163614A (zh) 一种主播分类方法、装置、电子设备及存储介质
CN104967690A (zh) 一种信息推送方法及装置
CN113763027B (zh) 推荐信息处理方法、推荐信息生成方法及装置
CN110121088A (zh) 一种用户属性信息确定方法、装置及电子设备
CN105550334A (zh) 一种视频推荐方法及装置
CN107948755B (zh) 一种结合用户观看时长的视频内容推荐方法及系统
CN104573113A (zh) 一种信息处理方法及服务器
CN116010700B (zh) 一种基于知识图谱的用户画像方法
CN107341172B (zh) 视频收益计算建模装置与方法及视频推荐装置与方法

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