CN109063080A - 一种视频推荐方法及装置 - Google Patents

Abstract

本发明公开了一种视频推荐方法及实现该方法的装置。该方法可包括：统计用户用于视频的行为特征；计算行为特征与视频类型之间的类型相似度得分；基于行为特征和视频类型中每个视频的视频属性，计算每个视频的视频属性得分；基于类型相似度得分和所计算出的视频属性得分，计算最终视频得分；以及根据最终视频得分向用户推荐视频。由于本申请采用了视频类型与视频属性的双重约束，因此本申请能够进一步提高推荐视频的准确性，从而实现准确且个性化的推荐。

Description

一种视频推荐方法及装置

技术领域

本发明涉及网络视频播放领域，更具体地，涉及视频推荐方法及装置。

背景技术

当前，网络技术正日新月异的发展，在线观看视频，尤其是短视频正越来越受到用户的青睐。随着个人自媒体的出现，互联网节目、电视节目、个人短视频等视频的数量得到爆炸式的增长。因此，用户难以利用手工方式、也没有时间通过浏览海量视频来获取自身需要的视频内容。同时，通过现有的视频推荐方法推荐的视频的准确性也不够高，难以将用户真正感兴趣的内容推荐给用户。

因此，期望能够推荐用户真正感兴趣的视频内容的视频推荐方法，从而实现个性化视频推荐，以准确地将视频推荐给感兴趣的目标用户。

发明内容

针对上述不足，本发明提供了一种视频推荐方法及实现该方法的装置。

在本发明的第一方面中，本发明提供一种视频推荐的方法。该方法包括：统计用户用于视频的行为特征；计算所述行为特征与视频类型之间的类型相似度得分；基于所述行为特征和所述视频类型中每个视频的视频属性，计算所述每个视频的视频属性得分；基于所述类型相似度得分和所计算出的视频属性得分，计算最终视频得分；以及根据所述最终视频得分向用户推荐视频。

在另一实施方式中，在计算类型相似度得分后，该方法还包括：对类型相似度得分进行降序排序，获取类型相似度得分排名靠前的预定数目的视频类型，其中，计算每个视频的视频属性得分包括：计算预定数目的视频类型中的视频的视频属性得分。

在另一实施方式中，排名靠前的预定数目为六个或八个。

在另一实施方式中，计算视频最终得分还包括：在类型相似度得分和视频属性得分的基础上进一步基于视频清晰度和/或视频点击量计算视频最终得分。

在本发明的第二方面中，提供了一种用于推荐视频的装置。该装置包括：统计模块，统计用户用于视频的行为特征；第一计算模块，计算所述行为特征与视频类型之间的类型相似度得分；第二计算模块，基于所述行为特征和所述视频类型中每个视频的视频属性，计算所述每个视频的视频属性得分；第三计算模块，基于所述类型相似度得分和所计算出的视频属性得分，计算最终视频得分；以及推荐模块，基于所述最终视频得分向用户推荐视频。

在另一实施方式中，在第一计算模块之后，该装置还包括排序模块，该排序模块对类型相似度得分进行降序排序，进而获取类型相似度得分排名靠前的预定数目的视频类型，其中，在第二计算模块中，基于行为特征和排名靠前的预定数目的视频类型中每个视频的视频属性，计算每个视频的视频属性得分。

在另一实施方式中，排名靠前的预定数目为六个或八个。

在另一实施方式中，第三计算模块在类型相似度得分和视频属性得分的基础上进一步基于视频清晰度和/或视频点击量计算视频最终得分。

由于本申请采用了视频类型与视频属性的双重约束，因此本申请能够进一步提高推荐视频的准确性，从而实现准确且个性化的推荐。

附图说明

结合附图，通过以下非限制性实施方式的详细描述，本发明的其它特征、目的和优点将变得更明显。在附图中：

图1是示出根据本发明的实施方式的视频推荐方法的流程图。

图2是示出根据本发明的实施方式的另一视频推荐方法的流程图。

图3是根据本发明的实施方式的视频推荐方法的装置的示意图。

具体实施方式

下面结合附图和实施例进一步对本发明进行详细描述。

应理解，此处所描述的具体实施例仅用于解释相关发明，而不限制其范围。为了便于描述，附图中仅示出与发明相关的部分。另外需要说明的是，在不脱离本发明的范围以及不冲突的情况下，本发明的实施例和实施例中的特征可相互组合。

图1是示出根据本发明的实施方式的视频推荐方法的流程图。在本实施方式中，如图1中所示，视频推荐方法100可包括如下步骤：

步骤S110：统计并获取用户行为特征

在本实施方式中，用户行为特征可以是指用户喜爱观看的视频类型，该用户行为特征可以基于视频网站或手机、平板电脑等视频客户端上记录的用户观看历史进行统计，但是本发明不限于此。对于本领域技术人员显而易见的是，还可以基于用户在每个视频上的停留时长和/或对每个视频的观看遍数来统计用户行为特征。此外，其它现有的或今后可能出现的用于统计用户行为特征的方法也可适用于本发明，并且包括在本发明的保护范围内。该用户行为特征例如可以基于一个月内记录的用户观看历史进行统计。

在步骤S110中，将基于用户的观看历史描述统计用户用于视频的行为特征的过程。例如，用户曾经观看过的五个视频的名称分别为“宋小宝贾玲无剧本即兴小品，果然喜剧是需要天赋的，太搞笑了”、“春晚小品《我要生二胎》，宋小宝都得全场笑翻天了”、“宋小宝又出来防毒，倾情上演爆笑小品《铁囧》”、“沈腾团队史上最爆笑的小品看一遍笑一天”、“贾玲、宋小宝、郭俊辰的小品《更年期遇上青春期》”。基于上述五个视频的视频名称可以提取出至少一个维度上的行为特征，然后统计每个特征出现的频次，进而对特征频次进行归一化处理，从而得到行为特征权值，结果如表1所示。

表1

从表1中可知，行为特征“小品”的权值约为0.29，行为特征“宋小宝”的权值约为0.24，行为特征“爆笑”、“贾玲”的权值约为0.12，行为特征“搞笑”、“沈腾”、“郭俊辰”、“喜剧”的权值约为0.06。本领域技术人员将理解，上述行为特征权值计算方法仅仅是示例性和说明性的，所有可以用于计算行为特征权值的方法均可应用于本发明。此外，在一些实施方式中，所有的行为特征权值的总和可不为1，只要特征权值的设置能够反映出不同的特征具有不同的权值即可。即，特征频次越大的行为特征具有越高的特征权值，特征频次越小的行为特征具有越低的特征权值。

步骤S120：计算类型相似度得分。

所述视频类型可以是基于大数据分析或视频标签而提前设置好的视频类型，或根据需要采用某种算法得到的视频类型。对于本领域技术人员显而易见的是，所有对视频进行分类的方法均可适用于本发明。在本实施方式中，所述视频类型为预先存储在服务器中的视频类型，因此，以下说明将基于预先存储的视频类型进行描述，但是本发明不限于此。

类型相似度得分的计算可以是基于多维度上的权值的相似性计算。例如，可以基于大量用户的行为来获得预先存储的所有视频类型(例如，100个视频类型)的相似度矩阵(100×100的矩阵)，然后将该用户用于视频的行为特征的在多个维度上的权值与上述相似度矩阵进行计算分析，可以得到预先存储的所有视频类型的类型相似度得分。例如，通过计算，“宋小宝”类型的类型相似度得分为0.20，“小品”类型的类型相似度得分为0.25。但是，本领域技术人员将理解的是，除了利用相似度矩阵计算类型相似度得分之外，还存在其它多种计算类型相似度得分的方式，例如利用加权公式等。因此，以上利用相似度矩阵计算类型相似度得分的方式仅为示例性的，在不背离本发明的教导的情况下，可采用现有的及将来出现的其它计算类型相似度得分的方法。所述视频类型得分如表2中所示。

表2

视频类型	类型相似度得分
		小品	0.25
宋小宝	0.20
		贾玲	0.13
爆笑	0.13
		沈腾	0.07
喜剧	0.07
		…	…

步骤S130：计算视频属性得分

在步骤S130中，基于行为特征和所有视频类型中的每个视频的视频属性来计算视频属性得分。所述视频属性可为视频文本(例如，视频的简要说明)、视频音频内容、视频图像内容等。本领域技术人员将理解，所述视频属性不限于以上内容，所有可以反映视频特征的视频属性均适用于本发明。在下文中，将以视频文本作为视频的视频属性进行详细描述。

提取视频类型中每个视频的文本信息(例如，视频的简要说明)并对文本信息进行分析和处理，从而得到上述所有视频的文本相似度矩阵。与步骤S120中计算行为特征与视频类型之间的类型相似度得分类似，在本步骤S130中，同样利用行为特征与文本相似度矩阵来计算视频文本相似度得分(在下文中，称为视频属性得分)。例如，其中标题为“宋小宝经典小品”的视频的视频属性得分为0.35，标题为“经典小品”的视频的视频属性得分为0.12，标题为“宋小宝贾玲东方卫视小品”的视频的视频属性得分为0.40，以此方式计算视频类型中所有视频的视频属性得分。但是本领域技术人员将理解，除了采用文本相似度矩阵计算视频的视频属性得分之外，还可采用诸如模糊搜索等方式计算视频属性得分。因此，在不背离本发明的教导的情况下，可采用其它能够得到视频属性得分的方法。

步骤S140：计算最终视频得分

在步骤S140中，基于类型相似度得分和视频属性得分计算最终的视频得分。例如，可采用以下等式(1)计算最终视频得分：

最终视频得分＝类型相似度得分×视频属性得分 (1)

例如，对于标题为“宋小宝经典小品”的视频，从表1以及上文描述可知，“宋小宝”类型的类型相似度得分为0.20，“小品”类型的类型相似度得分为0.25，“宋小宝经典小品”的视频属性得分为0.35则最终视频得分(宋小宝经典小品)＝(0.20+0.25)×0.35＝0.1575。

对于标题为“经典小品”的视频，从表1以及上文描述可知，“小品”类型的类型相似度得分为0.25，“经典小品”的视频属性得分为0.12，则最终视频得分(经典小品)＝0.25×0.12＝0.03。

对于标题为“宋小宝贾玲东方卫视小品”的视频，从表1以及上文描述可知，“宋小宝”类型的类型相似度得分为0.20，“小品”类型的类型相似度得分为0.25，“贾玲”类型的类型相似度得分为0.13，“宋小宝贾玲东方卫视小品”的视频属性得分为0.40，则最终视频得分(宋小宝贾玲东方卫视小品)＝(0.20+0.25+0.13)×0.40＝0.232。

由此可知，对于标题分别为“宋小宝经典小品”、“经典小品”、“宋小宝贾玲东方卫视小品”的三个视频，其最终视频得分分别为0.1575、0.03、0.232。按照从大到小的降序顺序进行排序，可按照“宋小宝贾玲东方卫视小品”、“宋小宝经典小品”、“经典小品”的顺序进行推荐。

以类似的方式，计算每个视频类型下的每个视频的最终视频得分，并对最终视频得分进行降序排序，从而得到视频推荐列表。

此外，在另一实施方式中，在计算最终视频得分时，还可以考虑视频清晰度进行推荐，例如，可以将蓝光、超清、高清、普清的权值分别设置为0.4、0.3、0.2、0.1。然后基于上述最终视频得分，可以以相乘、相加或其它任何合适的方式将视频清晰度的权值与上述最终视频得分相结合，从而得到视频推荐列表。

此外，在另一实施方式中，在计算最终的视频得分时，还可以考虑视频点击量进行推荐，比如，根据视频列表中每个视频的点击量而对每个视频赋予根据点击量而得到的在0至1之间的一个数值。然后，与考虑视频清晰度进行推荐类似，将视频点击量得分与上述最终视频得分相结合，从而得到视频推荐列表。此外，还可同时考虑视频清晰度和视频点击量进行视频推荐。

步骤S150：推荐视频

在步骤S150中，根据设计者的需要，可以获取视频推荐列表中例如得分排名前八百至前一千的视频作为最终的推荐视频推荐给用户。本领域技术人员将理解，最终推荐的视频数量不受限制，其可根据客户端的不同而进行调整，比如，可以获取例如得分排名前五百的视频进行推荐，或者获取例如得分排名前一万的视频进行推荐。

图2是示出根据本发明的实施方式的另一视频推荐方法的流程图。

在图2中，除了步骤S225与图1中描述的过程不同外，其余步骤均与图1中的描述相同，因此将不再描述与图1中的过程相同的过程。

步骤S225：确定用户喜爱的视频类型集合

在步骤S220的得到行为特征与所有视频类型之间的类型相似度得分之后，将类型相似度得分排名靠前的视频类型确定为用户喜爱的视频类型集合，例如，将类型相似度得分排名前六或前八的视频类型确定为用户喜爱的视频类型集合。

此后，在步骤S230中，仅计算类型相似度得分靠前(例如，排名前六或前八)的视频类型中的视频的视频属性得分，从而可减小计算工作量。

图3是根据本发明的实施方式的视频推荐方法的装置的示意图。

如图3所示，用于视频推荐的装置300可包括：统计模块310，统计用户用于视频的行为特征；第一计算模块320，计算所述行为特征与视频类型之间的类型相似度得分；第二计算模块330，基于所述行为特征和所述视频类型中每个视频的视频属性，计算所述每个视频的视频属性得分；第三计算模块340，基于所述类型相似度得分和所计算出的视频属性得分，计算最终视频得分；以及推荐模块350，基于最终视频得分向用户推荐视频。

在另一实施方式中，在第一计算模块320之后，装置300还可包括排序模块325，排序模块325对类型相似度得分进行降序排序，获取类型相似度得分排名靠前的预定数目的视频类型，例如，将类型相似度得分排名前六或前八的视频类型确定为用户喜爱的视频类型集合，其中，在第二计算模块中，基于行为特征和排名靠前的预定数目的视频类型中每个视频的视频属性，计算所述每个视频的视频属性得分。

在另一实施方式中，第三计算模块340还可以在类型相似度得分和视频属性得分的基础上进一步基于视频清晰度和/或视频点击量推荐视频。

在另一实施方式中，推荐模块350还可获取排名前六千至前八千的视频进行推荐。

装置300的各个模块和单元可以参考对于用于推荐视频的方法的描述，在此不赘述。

在本文通篇中，技术名词不限于字面上所限定的含义，而是在不脱离本发明如权利要求所限定的范围的情况下，涵盖用于实现相同或相似功能的表述不同的装置。

本领域技术人员可以理解，本申请的技术方案可实施为系统、方法或计算机程序产品。因此，本申请可表现为完全硬件的实施例、完全软件的实施例(包括固件、常驻软件、微码等)或将软件和硬件相结合的实施例的形式，它们一般可被称为“电路”、“模块”或“系统”。此外，本申请可表现为计算机程序产品的形式，所述计算机程序产品嵌入到任何有形的表达介质中，所述有形的表达介质具有嵌入到所述介质中的计算机可用程序代码。

根据本申请实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图来描述本申请。可以理解的是，可由计算机程序指令执行流程图和/或框图中的每个框、以及流程图和/或框图中的多个框的组合。这些计算机程序指令可提供给通用目的计算机、专用目的计算机或其它可编程数据处理装置的处理器，以使通过计算机或其它可编程数据处理装置的处理器执行的指令创建用于实现流程图和/或框图的一个框或多个框中指明的功能/动作的装置。

这些计算机程序指令还可存储于能够指导计算机或其它可编程数据处理装置以特定的方式实现功能的计算机可读介质中，以使存储于计算机可读介质中的指令产生包括实现流程图和/或框图中的一个框或多个框中指明的功能/动作的指令装置。

计算机程序指令还可加载到计算机或其它可编程数据处理装置上，以引起在计算机上或其它可编程装置上执行一连串的操作步骤，以产生计算机实现的过程，从而使在计算机或其它可编程装置上执行的指令提供用于实现流程图和/或框图中的一个框或多个框中指明的功能/动作的过程。

附图中的流程图和框图示出根据本申请的多个实施例的系统、方法、功能和操作。应注意，在一些可替代性实施中，框中标注的功能可以不按照附图中标注的顺序发生。例如，根据所涉及的功能性，连续示出的两个框实际上可大致同时地执行，或者这些框有时以相反的顺序执行。还可注意到，可由执行特定功能或动作的专用目的的基于硬件的系统、或专用目的硬件与计算机指令的组合来实现框图和/或流程图示图中的每个框、以及框图和/或流程图示图中的多个框的组合。

以上描述仅为本发明的较佳实施例以及对本发明技术原理的说明。本领域技术人员应当理解，本发明中所涉及的发明范围并不限于上述技术特征的特定组合而成的技术方案，在不脱离发明构思的情况下，本发明还应涵盖由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本发明中公开的具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (10)

1.一种视频推荐方法，包括：

统计用户用于视频的行为特征；

计算所述行为特征与视频类型之间的类型相似度得分；

基于所述行为特征和所述视频类型中每个视频的视频属性，计算所述每个视频的视频属性得分；

基于所述类型相似度得分和所计算出的视频属性得分，计算最终视频得分；以及

根据所述最终视频得分向用户推荐视频。

2.根据权利要求1所述的方法，其中，

在计算所述类型相似度得分后，所述方法还包括：对所述类型相似度得分进行降序排序，获取所述类型相似度得分排名靠前的预定数目的视频类型，

其中，所述计算所述每个视频的视频属性得分包括：计算所述预定数目的视频类型中的视频的视频属性得分。

3.根据权利要求2所述的方法，其中所述预定数目为6或8。

4.根据权利要求1所述的方法，其中，统计所述行为特征包括：

根据用户的视频观看历史统计所述行为特征，和/或

根据用户在视频上的停留时长统计所述行为特征，和/或

根据用户对视频的观看遍数统计所述行为特征。

5.根据权利要求4所述的方法，其中，统计用户用于视频的行为特征包括：

基于用户曾经观看的视频的标题中每个特征出现的次数，统计特征频次；以及

对所述特征频次进行归一化处理，得到所述每个特征的权值，所述权值表示所述行为特征。

6.根据权利要求1所述的方法，其中，计算所述类型相似度得分包括，基于视频类型相似度矩阵和行为特征权值计算所述类型相似度得分。

7.根据权利要求1或2所述的方法，其中，所述视频属性为视频文本、视频音频内容、视频图像内容。

8.根据权利要求1或2所述的方法，其中，计算所述视频最终得分还包括：在所述类型相似度得分和所述视频属性得分的基础上进一步基于视频清晰度和/或视频点击量计算所述视频最终得分。

9.一种用于视频推荐的装置，包括：

统计模块，统计用户用于视频的行为特征；

第一计算模块，计算所述行为特征与视频类型之间的类型相似度得分；

第二计算模块，基于所述行为特征和所述视频类型中每个视频的视频属性，计算所述每个视频的视频属性得分；

第三计算模块，基于所述类型相似度得分和所计算出的视频属性得分，计算最终视频得分；以及

推荐模块，基于所述最终视频得分向用户推荐视频。

10.根据权利要求9所述的装置，其中，在第一计算模块之后，所述装置还包括：

排序模块，对所述类型相似度得分进行降序排序，获取所述类型相似度得分排名靠前的预定数目的视频类型，

其中，在第二计算模块中，基于所述行为特征和所述排名靠前的预定数目的视频类型中每个视频的视频属性，计算所述每个视频的视频属性得分。