CN108804439A - 多媒体资源的推荐方法及装置 - Google Patents
多媒体资源的推荐方法及装置 Download PDFInfo
- Publication number
- CN108804439A CN108804439A CN201710283785.1A CN201710283785A CN108804439A CN 108804439 A CN108804439 A CN 108804439A CN 201710283785 A CN201710283785 A CN 201710283785A CN 108804439 A CN108804439 A CN 108804439A
- Authority
- CN
- China
- Prior art keywords
- multimedia resource
- real
- time
- history
- click volume
- 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.)
- Pending
Links
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开涉及一种多媒体资源的推荐方法及装置。该方法包括：根据历史多媒体资源的历史点击量，确定历史多媒体资源在未来时间段的估计点击量，根据实时多媒体资源对应的历史多媒体资源在未来时间段的估计点击量，确定实时多媒体资源在未来时间段的估计点击量，根据历史多媒体资源在未来时间段的估计点击量和实时多媒体资源在未来时间段的估计点击量，针对历史多媒体资源和实时多媒体资源进行推荐。本公开的多媒体资源的推荐方法及装置，能够根据多媒体资源的历史点击量确定多媒体资源在未来时间段的估计点击量，并使得实时多媒体资源能够有机会被推荐，从而准确、有效地为用户进行多媒体资源推荐，提高多媒体资源的推荐效果。
Description
技术领域
本公开涉及多媒体领域，尤其涉及一种多媒体资源的推荐方法及装置。
背景技术
在多媒体推荐系统的搭建初期，由于缺少用户行为可能会遇到冷启动问题，而冷启动问题将严重影响多媒体推荐系统的推荐质量。例如，对于视频播放应用，每天都会产生大量的新用户访问，如果视频播放应用的视频推荐系统能够准确、有效地为新用户进行视频推荐，则能够提高用户的使用体验，从而赢得用户的信任，提高用户对视频播放应用的忠诚度，使用户与视频播放应用具有较好的粘粘性。
相关技术中，针对冷启动问题的解决方法一般有随机推荐、平均值推荐或者众数推荐等。在实际应用中，通常可以采用热点推荐方法。例如，热点推荐方法可以通过热点榜单或者点击量等方面来进行衡量，排序规则可以通过内容的热度、更新维度或者文本信息等方面来进行排序。采用热点榜单或者点击量进行推荐，向用户推荐的多媒体资源通常为当前时间段最热门或者点击最多的多媒体资源。由此可能存在推荐的多媒体资源类型过于单一，没有给用户提供多种类型的多媒体资源进行选择，不利于快速定位新用户的兴趣并形成用户画像等问题。其次，采用热点榜单或者点击量进行推荐，没有考虑历史点击量等因素，使得所推荐的热点多媒体资源可能存在不准确或者已经过时等问题。再者，采用热点榜单或者点击量进行推荐，使得实时多媒体资源由于热度较低而无法被展示，从而导致大量优质的实时多媒体资源得不到有效的曝光。
发明内容
有鉴于此，本公开提出了一种多媒体资源的推荐方法及装置，以准确、有效地为用户进行多媒体资源推荐。
根据本公开的一方面，提供了一种多媒体资源的推荐方法，包括：
根据历史多媒体资源的历史点击量，确定所述历史多媒体资源在未来时间段的估计点击量；
确定实时多媒体资源对应的历史多媒体资源；
根据所述实时多媒体资源对应的历史多媒体资源在未来时间段的估计点击量，确定所述实时多媒体资源在未来时间段的估计点击量；
根据所述历史多媒体资源在未来时间段的估计点击量和所述实时多媒体资源在未来时间段的估计点击量，针对所述历史多媒体资源和所述实时多媒体资源进行推荐。
在一种可能的实现方式中，根据历史多媒体资源的历史点击量，确定所述历史多媒体资源在未来时间段的估计点击量，包括：
采用式1确定历史多媒体资源k在未来时间段T的估计点击量VkN：
VkN＝e-T×θ 式1；
其中，θ表示第一系数。
在一种可能的实现方式中，确定实时多媒体资源对应的历史多媒体资源，包括：
针对各个实时多媒体资源，根据所述实时多媒体资源与各个所述历史多媒体资源之间的相似度，确定所述实时多媒体资源对应的历史多媒体资源。
在一种可能的实现方式中，所述方法还包括：
根据上传时间特征、时长特征和上传者特征中的一项或多项，确定所述实时多媒体资源与各个所述历史多媒体资源之间的相似度。
在一种可能的实现方式中，根据上传时间特征、时长特征和上传者特征中的一项或多项，确定所述实时多媒体资源与各个所述历史多媒体资源之间的相似度，包括：
采用式2确定实时多媒体资源j与历史多媒体资源k之间的相似度Cjk：
Cjk＝λ1×(|Tj-Tk|/Tj)+λ2×(|Lj-Lk|/Lj)+λ3×(|Pj-Pk|/Pj) 式2；
其中，λ1表示第一权重值，Tj表示实时多媒体资源j的上传时间特征，Tk表示历史多媒体资源k的上传时间特征，λ2表示第二权重值，Lj表示实时多媒体资源j的时长特征，Lk表示历史多媒体资源k的时长特征，λ3表示第三权重值，Pj表示实时多媒体资源j的上传者特征，Pk表示历史多媒体资源k的上传者特征。
在一种可能的实现方式中，根据所述实时多媒体资源对应的历史多媒体资源在未来时间段的估计点击量，确定所述实时多媒体资源在未来时间段的估计点击量，包括：
针对各个实时多媒体资源，根据所述实时多媒体资源对应的历史多媒体资源在未来时间段的估计点击量和所述实时多媒体资源与所述实时多媒体资源对应的历史多媒体资源之间的相似度，确定所述实时多媒体资源在未来时间段的估计点击量。
在一种可能的实现方式中，根据所述实时多媒体资源对应的历史多媒体资源在未来时间段的估计点击量和所述实时多媒体资源与所述实时多媒体资源对应的历史多媒体资源之间的相似度，确定所述实时多媒体资源在未来时间段的估计点击量，包括：
采用式3确定实时多媒体资源j在未来时间段的估计点击量VjN：
VjN＝ViN×Cji 式3；
其中，ViN表示实时多媒体资源j对应的历史多媒体资源i在未来时间段的估计点击量，Cji表示实时多媒体资源j与实时多媒体资源j对应的历史多媒体资源i之间的相似度。
在一种可能的实现方式中，根据所述历史多媒体资源在未来时间段的估计点击量和所述实时多媒体资源在未来时间段的估计点击量，针对所述历史多媒体资源和所述实时多媒体资源进行推荐，包括：
按照未来时间段的估计点击量由大到小的顺序对属于第一类别的所述历史多媒体资源和所述实时多媒体资源进行排序；
将排序在前的M个多媒体资源确定为所述第一类别对应的推荐多媒体资源，其中，M为正整数。
根据本公开的另一方面，提供了一种多媒体资源的推荐装置，包括：
第一估计模块，用于根据历史多媒体资源的历史点击量，确定所述历史多媒体资源在未来时间段的估计点击量；
确定模块，用于确定实时多媒体资源对应的历史多媒体资源；
第二估计模块，用于根据所述实时多媒体资源对应的历史多媒体资源在未来时间段的估计点击量，确定所述实时多媒体资源在未来时间段的估计点击量；
推荐模块，用于根据所述历史多媒体资源在未来时间段的估计点击量和所述实时多媒体资源在未来时间段的估计点击量，针对所述历史多媒体资源和所述实时多媒体资源进行推荐。
在一种可能的实现方式中，所述第一估计模块用于：
采用式1确定历史多媒体资源k在未来时间段T的估计点击量VkN：
VkN＝e-T×θ 式1；
其中，θ表示第一系数。
在一种可能的实现方式中，所述确定模块用于：
针对各个实时多媒体资源，根据所述实时多媒体资源与各个所述历史多媒体资源之间的相似度，确定所述实时多媒体资源对应的历史多媒体资源。
在一种可能的实现方式中，所述确定模块包括：
相似度确定模块，用于根据上传时间特征、时长特征和上传者特征中的一项或多项，确定所述实时多媒体资源与各个所述历史多媒体资源之间的相似度。
在一种可能的实现方式中，所述相似度确定模块用于：
采用式2确定实时多媒体资源j与历史多媒体资源k之间的相似度Cjk：
Cjk＝λ1×(|Tj-Tk|/Tj)+λ2×(|Lj-Lk|/Lj)+λ3×(|Pj-Pk|/Pj) 式2；
其中，λ1表示第一权重值，Tj表示实时多媒体资源j的上传时间特征，Tk表示历史多媒体资源k的上传时间特征，λ2表示第二权重值，Lj表示实时多媒体资源j的时长特征，Lk表示历史多媒体资源k的时长特征，λ3表示第三权重值，Pj表示实时多媒体资源j的上传者特征，Pk表示历史多媒体资源k的上传者特征。
在一种可能的实现方式中，所述第二估计模块用于：
针对各个实时多媒体资源，根据所述实时多媒体资源对应的历史多媒体资源在未来时间段的估计点击量和所述实时多媒体资源与所述实时多媒体资源对应的历史多媒体资源之间的相似度，确定所述实时多媒体资源在未来时间段的估计点击量。
在一种可能的实现方式中，根据所述实时多媒体资源对应的历史多媒体资源在未来时间段的估计点击量和所述实时多媒体资源与所述实时多媒体资源对应的历史多媒体资源之间的相似度，确定所述实时多媒体资源在未来时间段的估计点击量，包括：
采用式3确定实时多媒体资源j在未来时间段的估计点击量VjN：
VjN＝ViN×Cji 式3；
其中，ViN表示实时多媒体资源j对应的历史多媒体资源i在未来时间段的估计点击量，Cji表示实时多媒体资源j与实时多媒体资源j对应的历史多媒体资源i之间的相似度。
在一种可能的实现方式中，所述推荐模块包括：
排序模块，用于按照未来时间段的估计点击量由大到小的顺序对属于第一类别的所述历史多媒体资源和所述实时多媒体资源进行排序；
选取模块，用于将排序在前的M个多媒体资源确定为所述第一类别对应的推荐多媒体资源，其中，M为正整数。
根据本公开的另一方面，提供了一种多媒体资源的推荐装置，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为执行上述方法。
根据本公开的另一方面，提供了一种非易失性计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。
本公开实施例的多媒体资源的推荐方法及装置，根据历史多媒体资源的历史点击量，确定历史多媒体资源在未来时间段的估计点击量，根据实时多媒体资源对应的历史多媒体资源在未来时间段的估计点击量，确定实时多媒体资源在未来时间段的估计点击量，根据历史多媒体资源在未来时间段的估计点击量和实时多媒体资源在未来时间段的估计点击量，针对历史多媒体资源和实时多媒体资源进行推荐，由此能够根据多媒体资源的历史点击量确定多媒体资源在未来时间段的估计点击量，并使得实时多媒体资源能够有机会被推荐，从而准确、有效地为用户进行多媒体资源推荐，提高多媒体资源的推荐效果。
根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面，并且用于解释本公开的原理。
图1示出根据本公开一实施例的多媒体资源的推荐方法的流程图。
图2示出根据本公开一实施例的多媒体资源的推荐方法的流程图。
图3示出根据本公开一实施例的多媒体资源的推荐方法的流程图。
图4示出根据本公开一实施例的多媒体资源的推荐方法中步骤S104的流程图。
图5示出根据本发明另一实施例的多媒体资源的推荐装置的结构框图。
图6示出根据本发明另一实施例的多媒体资源的推荐装置的结构框图。
图7是根据一示例性实施例示出的一种多媒体资源的推荐装置1900的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
实施例1
图1示出根据本公开一实施例的多媒体资源的推荐方法的流程图。该方法可以应用于服务器中，在此不作限制。如图1所示，该多媒体资源的推荐方法包括：
在步骤S101中，根据历史多媒体资源的历史点击量，确定历史多媒体资源在未来时间段的估计点击量。
其中，多媒体可以是多种媒体的综合，例如可以包括文字、声音和图像等多种媒体形式。例如，本实施例的多媒体资源可以为视频，在此不作限制。
在一种可能的实施方式中，多媒体资源可以从五个维度来进行描述。例如vk＝(Vk，Tk，Lk，Pk,Ck)，其中，vk表示历史多媒体资源k的特征信息，Vk表示历史多媒体资源k的历史点击量，例如可以取7天或15天多媒体资源的历史点击量，Tk表示历史多媒体资源k的上传时间特征，Lk表示历史多媒体资源k的时长特征，Pk表示历史多媒体资源k的上传者特征，Ck表示历史多媒体资源k的类别。再例如vj＝(Vj，Tj，Lj，Pj,Cj)，其中，vj表示实时多媒体资源j的特征信息，Vj表示实时多媒体资源j的历史点击量，Tj表示实时多媒体资源j的上传时间特征，Lj表示实时多媒体资源j的时长特征，Pj表示实时多媒体资源j的上传者特征，Cj表示实时多媒体资源j的类别。
作为本实施例的一个示例，在步骤S101之前，该方法还可以包括：从多媒体资源库中筛选出多媒体资源。例如，筛选出的多媒体资源可以为多媒体资源库中不包含敏感信息的多媒体资源，由此使得筛选出的多媒体资源能够有效播放。本实施例也可以根据其他筛选需求从多媒体资源库中筛选多媒体资源，在此不作限制。
在步骤S102中，确定实时多媒体资源对应的历史多媒体资源。
在本发明本实施例中，多媒体资源可以包括历史多媒体资源和实时多媒体资源。
作为本实施例的一个示例，对于各个多媒体资源，可以判断该多媒体资源的上传时间距离当前系统时间的时间长度是否小于或等于第一预设值，若是，则将该多媒体资源确定为实时多媒体资源，否则将该多媒体资源确定为历史多媒体资源。
作为本实施例的另一个示例，对于各个多媒体资源，可以判断该多媒体资源的历史点击量是否小于第二预设值，若是，则将该多媒体资源确定为实时多媒体资源，否则将该多媒体资源确定为历史多媒体资源。
需要说明的是，本实施例不限制第一预设值和第二预设值的数值。例如，第一预设值可以为24小时或48小时等，第二预设值可以为1000次或2000次等，在此不作限制。
对于各个实时多媒体资源，可以分别确定实时多媒体资源对应的历史多媒体资源。例如，对于实时多媒体资源v1，可以通过计算并根据实时多媒体资源v1与各个历史多媒体资源的相似度，确定实时多媒体资源v1对应的历史多媒体资源。
在步骤S103中，根据实时多媒体资源对应的历史多媒体资源在未来时间段的估计点击量，确定实时多媒体资源在未来时间段的估计点击量。
在本实施例中，对于各个历史多媒体资源，可以分别根据历史多媒体资源的历史点击量确定历史多媒体资源在未来时间段的估计点击量。作为本实施例的一个示例，若确定实时多媒体资源v1对应的历史多媒体资源v2，则根据实时多媒体资源v1与历史多媒体资源v2的相似度，以及历史多媒体资源v2在未来时间段的估计点击量计算实时多媒体资源v1在未来时间段的估计点击量。
在步骤S104中，根据历史多媒体资源在未来时间段的估计点击量和实时多媒体资源在未来时间段的估计点击量，针对历史多媒体资源和实时多媒体资源进行推荐。
本公开不限制根据历史多媒体资源的历史点击量确定历史多媒体资源在未来时间段的估计点击量的具体方式。在一种可能的实现方式中，根据历史多媒体资源的历史点击量，确定历史多媒体资源在未来时间段的估计点击量(步骤S101)可以包括：
采用式1确定历史多媒体资源k在未来时间段T的估计点击量VkN：
VkN＝e-T×θ 式1；
其中，θ表示第一系数。
作为本实施例的一个示例，θ可以通过将历史多媒体资源k的历史点击量作为训练集和测试集对式1进行训练测试后获取。在确定θ的数值之后，可以将需要预估的未来时间段T代入式1计算出历史多媒体资源k在未来时间段T的估计点击量VkN。例如，可以预估历史多媒体资源k在未来1天的估计点击量Vk1。可以理解的是，历史多媒体资源k在历史时间段内的历史点击量越大，历史多媒体资源k在未来时间段的估计点击量越大。
由于不同历史时间段内用户对多媒体资源的喜好程度不一样，为了更准确地描绘最近时间段内用户的喜好，在确定多媒体资源的历史点击量时，可以对多媒体资源的历史点击量进行时间衰减，从而递归到一个可控的区间内以便于计算和存储。可以采用式4对历史多媒体资源k的历史点击量进行时间衰减，得到衰减后的历史多媒体资源k的历史点击量f(t)：
其中，Vkt'表示历史多媒体资源k在历史时间段t内的历史点击量，Q表示选取的历史时间段的长度，ωt表示历史时间段t对应的衰减系数。需要说明的是，本实施例的ωt可以通过用户对历史多媒体资源k的点击分布状况作为训练集和测试集进行训练测试后获取，在此不作限制。
例如，当Q＝7时，历史多媒体资源k的历史点击量包括在指定日期(例如系统日期)之前7天的历史点击量，则其中，t＝1表示指定日期的前1天，Vk1'表示历史多媒体资源k在指定日期之前1天的历史点击量，ω1表示指定日期之前1天对应的衰减系数，t＝2表示指定日期的前2天，Vk2'表示历史多媒体资源k在指定日期之前2天的历史点击量，ω2表示指定日期之前2天对应的衰减系数，以此类推，t＝7表示指定日期的前7天，Vk7'表示历史多媒体资源k在指定日期之前7天的历史点击量，ω7表示指定日期之前7天对应的衰减系数。在计算出f(7)之后，可以通过f(7)训练式1得到θ。本实施例不限制选取的历史时间段的值，例如可以选取指定日期之前7天或15天的历史点击量。
本公开实施例的多媒体资源的推荐方法，不受热点榜单等对推荐内容或推荐类型的约束，能够根据多媒体资源的历史点击量确定多媒体资源在未来时间段的估计点击量，并使得实时多媒体资源能够有机会被推荐，从而准确、有效地为用户，例如新用户，进行视频推荐，提高多媒体资源的推荐效果。
图2示出根据本公开一实施例的多媒体资源的推荐方法的流程图。如图2所示，该多媒体资源的推荐方法包括：
在步骤S201中，根据历史多媒体资源的历史点击量，确定历史多媒体资源在未来时间段的估计点击量。
针对该步骤的描述可以参见步骤S101。
在步骤S202中，针对各个实时多媒体资源，根据实时多媒体资源与各个历史多媒体资源之间的相似度，确定实时多媒体资源对应的历史多媒体资源。
在一种可能的实施方式中，实时多媒体资源与各个历史多媒体资源之间的相似度大于0且小于或等于1。作为本实施例的一个示例，可以将与实时多媒体资源的相似度最大的历史多媒体资源确定实时多媒体资源对应的历史多媒体资源。
本领域技术人员可通过任何适当方式，确定实时多媒体资源与历史多媒体资源之间的相似度。举例来说，在一种可能的实现方式中，该方法还可以包括：根据上传时间特征、时长特征和上传者特征中的一项或多项，确定实时多媒体资源与各个历史多媒体资源之间的相似度。
作为该实现方式的一个示例，上传时间特征可以指多媒体资源的上传时间。实时多媒体资源与历史多媒体资源的上传时间越接近，则两者之间的相似度越高。
作为该实现方式的一个示例，时长特征可以指多媒体资源的时间长度。实时多媒体资源与历史多媒体资源的时间长度越接近，则两者之间的相似度越高。时间长度指的是多媒体资源的时间长度，例如，若多媒体资源为视频，则多媒体资源的时间长度可以指的是视频持续播放时间。
作为该实现方式的一个示例，上传者特征可以指多媒体资源的上传者。若实时多媒体资源与历史多媒体资源的上传者相同，则实时多媒体资源与历史多媒体资源的相似度较高。
作为该实现方式的一个示例，实时多媒体资源与所匹配的历史多媒体资源的相似度根据上传时间特征、时长特征和上传者特征确定，其中，上传时间特征对于相似度的权重为λ1，时长特征对于相似度的权重为λ2，上传者特征对于相似度的权重为λ3。例如，采用式2确定实时多媒体资源j与历史多媒体资源k之间的相似度Cjk：
Cjk＝λ1×(|Tj-Tk|/Tj)+λ2×(|Lj-Lk|/Lj)+λ3×(|Pj-Pk|/Pj) 式2；
其中，λ1表示第一权重值，Tj表示实时多媒体资源j的上传时间特征，Tk表示历史多媒体资源k的上传时间特征，λ2表示第二权重值，Lj表示实时多媒体资源j的时长特征，Lk表示历史多媒体资源k的时长特征，λ3表示第三权重值，Pj表示实时多媒体资源j的上传者特征，Pk表示历史多媒体资源k的上传者特征。
在步骤S203中，根据实时多媒体资源对应的历史多媒体资源在未来时间段的估计点击量，确定实时多媒体资源在未来时间段的估计点击量。
针对该步骤的描述可以参见步骤S103。
在步骤S204中，根据历史多媒体资源在未来时间段的估计点击量和实时多媒体资源在未来时间段的估计点击量，针对历史多媒体资源和实时多媒体资源进行推荐。
针对该步骤的描述可以参见步骤S104。
上述实施方式根据相似度确定与实时多媒体资源对应的历史多媒体资源，而相似的多媒体资源往往具有相似的未来点击量趋势，由此，保证了实时多媒体资源的未来时间段的估计点击量的准确度，进而保证了推荐的准确度。
图3示出根据本公开一实施例的多媒体资源的推荐方法的流程图。如图3所示，该多媒体资源的推荐方法包括：
在步骤S301中，根据历史多媒体资源的历史点击量，确定历史多媒体资源在未来时间段的估计点击量。
针对该步骤的描述可以参见步骤S101。
在步骤S302中，确定实时多媒体资源对应的历史多媒体资源。
针对该步骤的描述可以参见步骤S102。
在步骤S303中，针对各个实时多媒体资源，根据实时多媒体资源对应的历史多媒体资源在未来时间段的估计点击量和实时多媒体资源与实时多媒体资源对应的历史多媒体资源之间的相似度，确定实时多媒体资源在未来时间段的估计点击量。
上述实施方式采用相似度与历史多媒体资源在未来时间段的估计点击量，确定实时多媒体资源的未来时间段的估计点击量，使得实时多媒体资源的未来时间段的估计点击量和实时多媒体资源与相应历史多媒体资源的相似程度相关，进而保证了推荐的准确度。
本公开实施例不限制将相似度与历史多媒体资源在未来时间段的估计点击量相结合来确定实时多媒体资源的未来时间段的估计点击量的具体方式。例如，可以使得相似度越高，实时多媒体资源的未来时间段的估计点击量与相应的历史多媒体资源在未来时间段的估计点击量之间的相关度越强。
在一种可能的实现方式中，可以采用式3确定实时多媒体资源j在未来时间段的估计点击量VjN：
VjN＝ViN×Cji 式3；
其中，ViN表示实时多媒体资源j对应的历史多媒体资源i在未来时间段的估计点击量，Cji表示实时多媒体资源j与实时多媒体资源j对应的历史多媒体资源i之间的相似度。
在步骤S304中，根据历史多媒体资源在未来时间段的估计点击量和实时多媒体资源在未来时间段的估计点击量，针对历史多媒体资源和实时多媒体资源进行推荐。
针对该步骤的描述可以参见步骤S104。
图4示出根据本公开一实施例的多媒体资源的推荐方法中步骤S104的流程图。如图4所示，根据历史多媒体资源在未来时间段的估计点击量和实时多媒体资源在未来时间段的估计点击量，针对历史多媒体资源和实时多媒体资源进行推荐，包括：
在步骤S1041中，按照未来时间段的估计点击量由大到小的顺序对属于第一类别的历史多媒体资源和实时多媒体资源进行排序。
在步骤S1042中，将排序在前的M个多媒体资源确定为第一类别对应的推荐多媒体资源，其中，M为正整数。
在本实施例中，可以从历史多媒体资源和实时多媒体资源中选取部分多媒体资源作为待推荐多媒体资源，并在终端设备展示选取的待推荐多媒体资源。其中，待推荐多媒体资源可以包括历史多媒体资源和实时多媒体资源中的一项或多项，在此不作限制。
在一种可能的实现方式中，可以结合多媒体资源的估计点击量和多媒体资源的分类对多媒体资源进行推荐。其中，多媒体资源的分类可以包括多媒体资源的频道信息或多媒体资源的类别信息。例如，频道可以包括新闻频道、综艺频道和体育频道等，类别可以包括动作类、言情类和惊悚类等。根据频道或类别的不同，用于进行推荐的待推荐多媒体资源也可能不同。
作为本实施例的一个示例，多媒体资源为视频。从视频库里挑选出有效的视频，例如挑选出不包含敏感信息的视频。根据每个视频最近的点击日志计算视频的历史点击量，然后训练得到式1的参数θ，并采用式1预估出在未来时间段(例如未来一天)的估计点击量。根据实时视频的上传时间，视频长度，上传者三个维度计算实时视频与各个历史视频的相似度。根据实时视频相似的历史视频的估计点击量预估出实时视频在未来时间段的估计点击量。根据不同业务需求选取不同类别视频，按视频的估计点击量进行由大到小排列，组合形成推荐结果推荐给新用户。
为了保证多媒体资源类别的丰富，从而提供新用户在不同类别上的可选择性，发现用户更多的兴趣偏好，本发明实施例可从多个频道不同类别为用户推荐。例如，根据排序结果，选取不同类别的热点多媒体资源的进行组合为新用户进行推荐。采用该种推荐方法，将从历史的用户行为中预估出多媒体资源未来的估计点击量，使得多媒体资源排序更加准确。此外，引入实时多媒体资源的估计点击量的计算方法，让更多新上传的优质多媒体资源得到了有效的曝光，提高了多媒体资源的推荐准确度。从候选多媒体资源中进行类型划分给用户提供丰富的选择空间，有利于发现用户感兴趣领域，更清楚得到用户画像，为后续个性化推荐做准备。
实施例2
图5示出根据本发明另一实施例的多媒体资源的推荐装置的结构框图。该装置可以用于运行图1所示的多媒体资源的推荐方法。为了便于说明，在图5中仅示出了与本发明实施例相关的部分。
如图5所示，该装置包括：第一估计模块11，用于根据历史多媒体资源的历史点击量，确定所述历史多媒体资源在未来时间段的估计点击量；确定模块12，用于确定实时多媒体资源对应的历史多媒体资源；第二估计模块13，用于根据所述实时多媒体资源对应的历史多媒体资源在未来时间段的估计点击量，确定所述实时多媒体资源在未来时间段的估计点击量；推荐模块14，用于根据所述历史多媒体资源在未来时间段的估计点击量和所述实时多媒体资源在未来时间段的估计点击量，针对所述历史多媒体资源和所述实时多媒体资源进行推荐。
图6示出根据本发明另一实施例的多媒体资源的推荐装置的结构框图。如图6所示：
在一种可能的实现方式中，所述第一估计模块用于：
采用式1确定历史多媒体资源k在未来时间段T的估计点击量VkN：
VkN＝e-T×θ 式1；
其中，θ表示第一系数。
在一种可能的实现方式中，所述确定模块12用于：
针对各个实时多媒体资源，根据所述实时多媒体资源与各个所述历史多媒体资源之间的相似度，确定所述实时多媒体资源对应的历史多媒体资源。
在一种可能的实现方式中，所述确定模块12包括：
相似度确定模块121，用于根据上传时间特征、时长特征和上传者特征中的一项或多项，确定所述实时多媒体资源与各个所述历史多媒体资源之间的相似度。
在一种可能的实现方式中，所述相似度确定模块121用于：
采用式2确定实时多媒体资源j与历史多媒体资源k之间的相似度Cjk：
Cjk＝λ1×(|Tj-Tk|/Tj)+λ2×(|Lj-Lk|/Lj)+λ3×(|Pj-Pk|/Pj) 式2；
其中，λ1表示第一权重值，Tj表示实时多媒体资源j的上传时间特征，Tk表示历史多媒体资源k的上传时间特征，λ2表示第二权重值，Lj表示实时多媒体资源j的时长特征，Lk表示历史多媒体资源k的时长特征，λ3表示第三权重值，Pj表示实时多媒体资源j的上传者特征，Pk表示历史多媒体资源k的上传者特征。
在一种可能的实现方式中，所述第二估计模块13用于：
针对各个实时多媒体资源，根据所述实时多媒体资源对应的历史多媒体资源在未来时间段的估计点击量和所述实时多媒体资源与所述实时多媒体资源对应的历史多媒体资源之间的相似度，确定所述实时多媒体资源在未来时间段的估计点击量。
在一种可能的实现方式中，根据所述实时多媒体资源对应的历史多媒体资源在未来时间段的估计点击量和所述实时多媒体资源与所述实时多媒体资源对应的历史多媒体资源之间的相似度，确定所述实时多媒体资源在未来时间段的估计点击量，包括：
采用式3确定实时多媒体资源j在未来时间段的估计点击量VjN：
VjN＝ViN×Cji 式3；
其中，ViN表示实时多媒体资源j对应的历史多媒体资源i在未来时间段的估计点击量，Cji表示实时多媒体资源j与实时多媒体资源j对应的历史多媒体资源i之间的相似度。
在一种可能的实现方式中，所述推荐模块14包括：
排序模块141，用于按照未来时间段的估计点击量由大到小的顺序对属于第一类别的所述历史多媒体资源和所述实时多媒体资源进行排序；
选取模块142，用于将排序在前的M个多媒体资源确定为所述第一类别对应的推荐多媒体资源，其中，M为正整数。
本公开的多媒体资源的推荐装置，能够根据多媒体资源的历史点击量确定多媒体资源在未来时间段的估计点击量，并使得实时多媒体资源能够有机会被推荐，从而准确、有效地为用户进行多媒体资源推荐，提高多媒体资源的推荐效果。
实施例3
图7是根据一示例性实施例示出的一种多媒体资源的推荐装置1900的框图。例如，装置1900可以被提供为一服务器。参照图7，装置1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
装置1900还可以包括一个电源组件1926被配置为执行装置1900的电源管理，一个有线或无线网络接口1950被配置为将装置1900连接到网络，和一个输入输出(I/O)接口1958。装置1900可以操作基于存储在存储器1932的操作系统，例如Windows ServerTM，MacOS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。
在示例性实施例中，还提供了一种包括指令的非易失性计算机可读存储介质，例如包括指令的存储器1932，上述指令可由装置1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (18)
1.一种多媒体资源的推荐方法，其特征在于，包括：
根据历史多媒体资源的历史点击量，确定所述历史多媒体资源在未来时间段的估计点击量；
确定实时多媒体资源对应的历史多媒体资源；
根据所述实时多媒体资源对应的历史多媒体资源在未来时间段的估计点击量，确定所述实时多媒体资源在未来时间段的估计点击量；
根据所述历史多媒体资源在未来时间段的估计点击量和所述实时多媒体资源在未来时间段的估计点击量，针对所述历史多媒体资源和所述实时多媒体资源进行推荐。
2.根据权利要求1所述的方法，其特征在于，根据历史多媒体资源的历史点击量，确定所述历史多媒体资源在未来时间段的估计点击量，包括：
采用式1确定历史多媒体资源k在未来时间段T的估计点击量VkN：
VkN＝e-T×θ 式1；
其中，θ表示第一系数。
3.根据权利要求1所述的方法，其特征在于，确定实时多媒体资源对应的历史多媒体资源，包括：
针对各个实时多媒体资源，根据所述实时多媒体资源与各个所述历史多媒体资源之间的相似度，确定所述实时多媒体资源对应的历史多媒体资源。
4.根据权利要求3所述的方法，其特征在于，所述方法还包括：
根据上传时间特征、时长特征和上传者特征中的一项或多项，确定所述实时多媒体资源与各个所述历史多媒体资源之间的相似度。
5.根据权利要求4所述的方法，其特征在于，根据上传时间特征、时长特征和上传者特征中的一项或多项，确定所述实时多媒体资源与各个所述历史多媒体资源之间的相似度，包括：
采用式2确定实时多媒体资源j与历史多媒体资源k之间的相似度Cjk：
Cjk＝λ1×(|Tj-Tk|/Tj)+λ2×(|Lj-Lk|/Lj)+λ3×(|Pj-Pk|/Pj) 式2；
其中，λ1表示第一权重值，Tj表示实时多媒体资源j的上传时间特征，Tk表示历史多媒体资源k的上传时间特征，λ2表示第二权重值，Lj表示实时多媒体资源j的时长特征，Lk表示历史多媒体资源k的时长特征，λ3表示第三权重值，Pj表示实时多媒体资源j的上传者特征，Pk表示历史多媒体资源k的上传者特征。
6.根据权利要求1所述的方法，其特征在于，根据所述实时多媒体资源对应的历史多媒体资源在未来时间段的估计点击量，确定所述实时多媒体资源在未来时间段的估计点击量，包括：
针对各个实时多媒体资源，根据所述实时多媒体资源对应的历史多媒体资源在未来时间段的估计点击量和所述实时多媒体资源与所述实时多媒体资源对应的历史多媒体资源之间的相似度，确定所述实时多媒体资源在未来时间段的估计点击量。
7.根据权利要求6所述的方法，其特征在于，根据所述实时多媒体资源对应的历史多媒体资源在未来时间段的估计点击量和所述实时多媒体资源与所述实时多媒体资源对应的历史多媒体资源之间的相似度，确定所述实时多媒体资源在未来时间段的估计点击量，包括：
采用式3确定实时多媒体资源j在未来时间段的估计点击量VjN：
VjN＝ViN×Cji 式3；
其中，ViN表示实时多媒体资源j对应的历史多媒体资源i在未来时间段的估计点击量，Cji表示实时多媒体资源j与实时多媒体资源j对应的历史多媒体资源i之间的相似度。
8.根据权利要求1至7中任一项所述的方法，其特征在于，根据所述历史多媒体资源在未来时间段的估计点击量和所述实时多媒体资源在未来时间段的估计点击量，针对所述历史多媒体资源和所述实时多媒体资源进行推荐，包括：
按照未来时间段的估计点击量由大到小的顺序对属于第一类别的所述历史多媒体资源和所述实时多媒体资源进行排序；
将排序在前的M个多媒体资源确定为所述第一类别对应的推荐多媒体资源，其中，M为正整数。
9.一种多媒体资源的推荐装置，其特征在于，包括：
第一估计模块，用于根据历史多媒体资源的历史点击量，确定所述历史多媒体资源在未来时间段的估计点击量；
确定模块，用于确定实时多媒体资源对应的历史多媒体资源；
第二估计模块，用于根据所述实时多媒体资源对应的历史多媒体资源在未来时间段的估计点击量，确定所述实时多媒体资源在未来时间段的估计点击量；
推荐模块，用于根据所述历史多媒体资源在未来时间段的估计点击量和所述实时多媒体资源在未来时间段的估计点击量，针对所述历史多媒体资源和所述实时多媒体资源进行推荐。
10.根据权利要求9所述的装置，其特征在于，所述第一估计模块用于：
采用式1确定历史多媒体资源k在未来时间段T的估计点击量VkN：
VkN＝e-T×θ 式1；
其中，θ表示第一系数。
11.根据权利要求9所述的装置，其特征在于，所述确定模块用于：
针对各个实时多媒体资源，根据所述实时多媒体资源与各个所述历史多媒体资源之间的相似度，确定所述实时多媒体资源对应的历史多媒体资源。
12.根据权利要求11所述的装置，其特征在于，所述确定模块包括：
相似度确定模块，用于根据上传时间特征、时长特征和上传者特征中的一项或多项，确定所述实时多媒体资源与各个所述历史多媒体资源之间的相似度。
13.根据权利要求12所述的装置，其特征在于，所述相似度确定模块用于：
采用式2确定实时多媒体资源j与历史多媒体资源k之间的相似度Cjk：
Cjk＝λ1×(|Tj-Tk|/Tj)+λ2×(|Lj-Lk|/Lj)+λ3×(|Pj-Pk|/Pj) 式2；
其中，λ1表示第一权重值，Tj表示实时多媒体资源j的上传时间特征，Tk表示历史多媒体资源k的上传时间特征，λ2表示第二权重值，Lj表示实时多媒体资源j的时长特征，Lk表示历史多媒体资源k的时长特征，λ3表示第三权重值，Pj表示实时多媒体资源j的上传者特征，Pk表示历史多媒体资源k的上传者特征。
14.根据权利要求9所述的装置，其特征在于，所述第二估计模块用于：
针对各个实时多媒体资源，根据所述实时多媒体资源对应的历史多媒体资源在未来时间段的估计点击量和所述实时多媒体资源与所述实时多媒体资源对应的历史多媒体资源之间的相似度，确定所述实时多媒体资源在未来时间段的估计点击量。
15.根据权利要求14所述的装置，其特征在于，根据所述实时多媒体资源对应的历史多媒体资源在未来时间段的估计点击量和所述实时多媒体资源与所述实时多媒体资源对应的历史多媒体资源之间的相似度，确定所述实时多媒体资源在未来时间段的估计点击量，包括：
采用式3确定实时多媒体资源j在未来时间段的估计点击量VjN：
VjN＝ViN×Cji 式3；
其中，ViN表示实时多媒体资源j对应的历史多媒体资源i在未来时间段的估计点击量，Cji表示实时多媒体资源j与实时多媒体资源j对应的历史多媒体资源i之间的相似度。
16.根据权利要求9至15中任一项所述的装置，其特征在于，所述推荐模块包括：
排序模块，用于按照未来时间段的估计点击量由大到小的顺序对属于第一类别的所述历史多媒体资源和所述实时多媒体资源进行排序；
选取模块，用于将排序在前的M个多媒体资源确定为所述第一类别对应的推荐多媒体资源，其中，M为正整数。
17.一种多媒体资源的推荐装置，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：
根据历史多媒体资源的历史点击量，确定所述历史多媒体资源在未来时间段的估计点击量；
确定实时多媒体资源对应的历史多媒体资源；
根据所述实时多媒体资源对应的历史多媒体资源在未来时间段的估计点击量，确定所述实时多媒体资源在未来时间段的估计点击量；
根据所述历史多媒体资源在未来时间段的估计点击量和所述实时多媒体资源在未来时间段的估计点击量，针对所述历史多媒体资源和所述实时多媒体资源进行推荐。
18.一种非易失性计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至8中任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710283785.1A CN108804439A (zh) | 2017-04-26 | 2017-04-26 | 多媒体资源的推荐方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710283785.1A CN108804439A (zh) | 2017-04-26 | 2017-04-26 | 多媒体资源的推荐方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108804439A true CN108804439A (zh) | 2018-11-13 |
Family
ID=64069354
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710283785.1A Pending CN108804439A (zh) | 2017-04-26 | 2017-04-26 | 多媒体资源的推荐方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108804439A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109327710A (zh) * | 2018-12-10 | 2019-02-12 | 网宿科技股份有限公司 | 一种直播系统的视频流的冷热情况确定的方法及装置 |
| CN111966842A (zh) * | 2020-08-28 | 2020-11-20 | 维沃移动通信有限公司 | 多媒体文件推送方法、装置及设备 |
| CN114339283A (zh) * | 2021-12-27 | 2022-04-12 | 北京达佳互联信息技术有限公司 | 媒体资源数据处理方法、装置、设备以及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8374985B1 (en) * | 2007-02-19 | 2013-02-12 | Google Inc. | Presenting a diversity of recommendations |
| CN104504059A (zh) * | 2014-12-22 | 2015-04-08 | 合一网络技术(北京)有限公司 | 多媒体资源推荐方法 |
| CN105719164A (zh) * | 2016-01-21 | 2016-06-29 | 海信集团有限公司 | 一种推荐付费多媒体资源的方法及装置 |
| CN106227834A (zh) * | 2016-07-26 | 2016-12-14 | 合网络技术（北京）有限公司 | 多媒体资源的推荐方法及装置 |
| CN106407420A (zh) * | 2016-09-23 | 2017-02-15 | 广州视源电子科技股份有限公司 | 一种多媒体资源的推荐方法及系统 |
-
2017
- 2017-04-26 CN CN201710283785.1A patent/CN108804439A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8374985B1 (en) * | 2007-02-19 | 2013-02-12 | Google Inc. | Presenting a diversity of recommendations |
| CN104504059A (zh) * | 2014-12-22 | 2015-04-08 | 合一网络技术(北京)有限公司 | 多媒体资源推荐方法 |
| CN105719164A (zh) * | 2016-01-21 | 2016-06-29 | 海信集团有限公司 | 一种推荐付费多媒体资源的方法及装置 |
| CN106227834A (zh) * | 2016-07-26 | 2016-12-14 | 合网络技术（北京）有限公司 | 多媒体资源的推荐方法及装置 |
| CN106407420A (zh) * | 2016-09-23 | 2017-02-15 | 广州视源电子科技股份有限公司 | 一种多媒体资源的推荐方法及系统 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109327710A (zh) * | 2018-12-10 | 2019-02-12 | 网宿科技股份有限公司 | 一种直播系统的视频流的冷热情况确定的方法及装置 |
| CN109327710B (zh) * | 2018-12-10 | 2021-08-03 | 网宿科技股份有限公司 | 一种直播系统的视频流的冷热情况确定的方法及装置 |
| CN111966842A (zh) * | 2020-08-28 | 2020-11-20 | 维沃移动通信有限公司 | 多媒体文件推送方法、装置及设备 |
| CN114339283A (zh) * | 2021-12-27 | 2022-04-12 | 北京达佳互联信息技术有限公司 | 媒体资源数据处理方法、装置、设备以及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10405016B2 (en) | Recommending media items based on take rate signals | |
| CN110781321B (zh) | 一种多媒体内容推荐方法及装置 | |
| US10417650B1 (en) | Distributed and automated system for predicting customer lifetime value | |
| CN110149540B (zh) | 多媒体资源的推荐处理方法、装置、终端及可读介质 | |
| CN108694217A (zh) | 视频的标签确定方法及装置 | |
| CN107832437B (zh) | 音/视频推送方法、装置、设备及存储介质 | |
| WO2021042826A1 (zh) | 一种视频播放完整度预测方法及装置 | |
| US9858587B2 (en) | Methods and systems for creating a data-driven attribution model for assigning attribution credit to a plurality of events | |
| CN109408665A (zh) | 一种信息推荐方法及装置、存储介质 | |
| EP3168795A1 (en) | Method and apparatus for evaluating relevance of keyword to asset price | |
| JP7208595B2 (ja) | 映画成功指数の予測 | |
| CN105095431A (zh) | 根据用户的行为信息推送视频的方法和装置 | |
| CN107885796A (zh) | 信息推荐方法及装置、设备 | |
| US20120136814A1 (en) | Music recommendation method and apparatus | |
| CN108460060A (zh) | 视频推荐方法及装置 | |
| CN105653737A (zh) | 用于内容文档排序的方法、设备和电子设备 | |
| CN108777701A (zh) | 一种确定信息受众的方法及装置 | |
| CN108804439A (zh) | 多媒体资源的推荐方法及装置 | |
| CN109388739A (zh) | 多媒体资源的推荐方法及装置 | |
| CN108462900A (zh) | 视频推荐方法及装置 | |
| CN108804452A (zh) | 多媒体资源封面展示方法及装置 | |
| CN111798280A (zh) | 多媒体信息推荐方法、装置和设备及存储介质 | |
| CN108540860A (zh) | 一种视频召回方法和装置 | |
| CN108733684A (zh) | 多媒体资源的推荐方法及装置 | |
| CN108536787A (zh) | 内容识别方法及装置 |
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 | ||
| CB02 | Change of applicant information |
Address after: 100080 Beijing Haidian District city Haidian street A Sinosteel International Plaza No. 8 block 5 layer D Applicant after: YOUKU INFORMATION TECHNOLOGY (BEIJING) Co.,Ltd. Address before: 100080 Beijing Haidian District city Haidian street A Sinosteel International Plaza No. 8 block 5 layer D Applicant before: HEYI INFORMATION TECHNOLOGY (BEIJING) Co.,Ltd. |
|
| CB02 | Change of applicant information | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20200609 Address after: 310052 room 508, floor 5, building 4, No. 699, Wangshang Road, Changhe street, Binjiang District, Hangzhou City, Zhejiang Province Applicant after: Alibaba (China) Co.,Ltd. Address before: 100080 Beijing Haidian District city Haidian street A Sinosteel International Plaza No. 8 block 5 layer D Applicant before: YOUKU INFORMATION TECHNOLOGY (BEIJING) Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181113 |
|
| RJ01 | Rejection of invention patent application after publication |