CN109168047A - 视频推荐方法、装置、服务器及存储介质 - Google Patents
视频推荐方法、装置、服务器及存储介质 Download PDFInfo
- Publication number
- CN109168047A CN109168047A CN201811314722.9A CN201811314722A CN109168047A CN 109168047 A CN109168047 A CN 109168047A CN 201811314722 A CN201811314722 A CN 201811314722A CN 109168047 A CN109168047 A CN 109168047A
- Authority
- CN
- China
- Prior art keywords
- video
- negative
- feedback
- feature
- videos
- 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
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]
- H04N21/20—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]
- H04N21/20—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
- H04N21/252—Processing of multiple end-users' preferences to derive collaborative data
-
- 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
- H04N21/258—Client or end-user data management, e.g. managing client capabilities, user preferences or demographics, processing of multiple end-users preferences to derive collaborative data
- H04N21/25866—Management of end-user data
- H04N21/25891—Management of end-user data being end-user preferences
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Computing Systems (AREA)
- Computer Graphics (AREA)
- Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请是关于一种视频推荐方法、装置、服务器及存储介质,涉及网络技术领域,该申请中,确定多个第一视频和多个第二视频,该第二视频为负反馈视频;根据该每个第一视频和该每个第二视频在多个维度的特征,从该多个第一视频中确定目标视频,该目标视频为具有负反馈的可能性的视频;推荐该多个第一视频中目标视频以外的视频。由于该第二视频为负反馈视频,也即是用户不感兴趣甚至讨厌的视频,能够基于该第二视频,很好的把握该用户对第一视频的讨厌程度。减少了用户对推荐视频的讨厌率,提高了确定待推荐的视频的准确率,提高推荐视频转化为被用户喜爱的有效视频的转化率,提高了实际推荐效率。
Description
技术领域
本公开涉及网络技术领域,尤其涉及一种视频推荐方法、装置、服务器及存储介质。
背景技术
目前,用户在网络平台上浏览视频已是较为普遍的行为,各个网络平台也可以实时推荐用户可能感兴趣的视频。例如,视频应用为观众用户推荐热门视频。
相关技术中,以视频应用为例,该视频应用的服务器上存储了待推荐的多个备选视频,每个备选视频对应有视频标签,该视频标签用于表示该视频的特征。并且,该服务器还可存储每个用户讨厌的视频的视频标签,该服务器根据用户讨厌的视频的视频标签和备选视频的视频标签,从该多个备选视频中,删除视频标签与用户讨厌的视频的视频标签重合的视频,将删除后的备选视频推荐给该用户。
上述过程实际上是基于视频标签进行推荐的过程,然而,视频标签仅能标识该视频在某一个角度的特征,无法准确的概括视频的特征,从而导致推荐的准确率较低,实际推荐效率也较低。
发明内容
为克服相关技术中存在的问题,本公开提供一种视频推荐方法、装置、服务器及存储介质。
根据本公开实施例的第一方面,提供一种视频推荐方法,所述方法应用在服务器上,包括:
确定多个第一视频和多个第二视频,所述多个第二视频为负反馈视频;
根据所述每个第一视频和所述每个第二视频在多个维度的特征,从所述多个第一视频中确定目标视频,所述目标视频为具有负反馈的可能性的视频;
推荐所述多个第一视频中目标视频以外的视频。
在一种可能的设计中,所述根据所述每个第一视频和所述每个第二视频在多个维度的特征,从所述多个第一视频中确定目标视频包括:
根据所述每个第一视频和所述每个第二视频在多个维度的特征,确定所述每个第一视频的负反馈概率;
将负反馈概率大于第一预设阈值的第一视频确定为目标视频。
在一种可能的设计中,所述根据所述每个第一视频和所述每个第二视频在多个维度的特征,确定所述每个第一视频的负反馈概率包括:
根据所述每个第一视频和所述每个第二视频在多个维度的特征,确定所述每个第一视频和所述每个第二视频的相似度;
对于所述每个第一视频,根据所述每个第一视频的相似视频数量,确定所述每个第一视频的负反馈概率;
其中,所述相似视频数量是指与第一视频的相似度大于第二预设阈值的第二视频的数量。
在一种可能的设计中,所述每个第一视频的相似视频数量和负反馈概率的关系为:所述每个第一视频的相似视频数量越大,所述每个第一视频的负反馈概率也越大。
在一种可能的设计中,所述根据所述每个第一视频和所述每个第二视频在多个维度的特征,确定所述每个第一视频与所述每个第二视频之间的相似度包括:
根据所述每个第一视频和所述每个第二视频在多个维度的特征,确定所述每个第一视频的第一特征向量和所述每个第二视频的第二特征向量;
根据所述每个第一视频的第一特征向量和所述每个第二视频的第二特征向量,确定所述每个第一视频与所述每个第二视频之间的相似度。
在一种可能的设计中,所述每个第二视频的第二特征向量的获取过程包括:获取所述每个第二视频在多个维度的特征,将所述每个第二视频在多个维度的特征输入目标模型,将所述目标模型输出的特征向量,确定为所述每个第二视频的第二特征向量;
其中,所述目标模型用于将视频的多个维度的特征转化为特征向量。
在一种可能的设计中,所述确定多个第一视频和多个第二视频包括:
根据用户的历史反馈数据,确定所述用户进行负反馈的多个第二视频,所述历史反馈数据用于指示所述用户进行反馈或负反馈的多个视频;
根据所述用户的用户信息,从多个备选视频中确定与所述用户信息匹配的多个第一视频。
根据本公开实施例的第二方面,提供一种视频推荐装置,所述装置应用在服务器上,包括:
确定模块,被配置为确定多个第一视频和多个第二视频,所述多个第二视频为负反馈视频;
所述确定模块,还被配置为根据所述每个第一视频和所述每个第二视频在多个维度的特征,从所述多个第一视频中确定目标视频,所述目标视频为具有负反馈的可能性的视频;
推荐模块,被配置为推荐所述多个第一视频中目标视频以外的视频。
在一种可能的设计中,所述确定模块包括:
第一确定单元,被配置为根据所述每个第一视频和所述每个第二视频在多个维度的特征,确定所述每个第一视频的负反馈概率;
第二确定单元,被配置为将负反馈概率大于第一预设阈值的第一视频确定为目标视频。
在一种可能的设计中,所述第一确定单元,还被配至为根据所述每个第一视频和所述每个第二视频在多个维度的特征,确定所述每个第一视频和所述每个第二视频的相似度;对于所述每个第一视频,根据所述每个第一视频的相似视频数量,确定所述每个第一视频的负反馈概率;
其中,所述相似视频数量是指与第一视频的相似度大于第二预设阈值的第二视频的数量。
在一种可能的设计中,所述每个第一视频的相似视频数量和负反馈概率的关系为:所述每个第一视频的相似视频数量越大,所述每个第一视频的负反馈概率也越大。
在一种可能的设计中,所述第一确定单元,还被配至为根据所述每个第一视频和所述每个第二视频在多个维度的特征,确定所述每个第一视频的第一特征向量和所述每个第二视频的第二特征向量;根据所述每个第一视频的第一特征向量和所述每个第二视频的第二特征向量,确定所述每个第一视频与所述每个第二视频之间的相似度。
在一种可能的设计中,所述每个第二视频的第二特征向量的获取过程包括:获取所述每个第二视频在多个维度的特征,将所述每个第二视频在多个维度的特征输入目标模型,将所述目标模型输出的特征向量,确定为所述每个第二视频的第二特征向量;
其中,所述目标模型用于将视频的多个维度的特征转化为特征向量。
在一种可能的设计中,所述确定模块,还被配至为根据用户的历史反馈数据,确定所述用户进行负反馈的多个第二视频,所述历史反馈数据用于指示所述用户进行反馈或负反馈的多个视频;根据所述用户的用户信息,从多个备选视频中确定与所述用户信息匹配的多个第一视频。
根据本公开实施例的第三方面,提供一种视频推荐服务器,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:
确定多个第一视频和多个第二视频,所述多个第二视频为负反馈视频;
根据所述每个第一视频和所述每个第二视频在多个维度的特征,从所述多个第一视频中确定目标视频,所述目标视频为具有负反馈的可能性的视频;
推荐所述多个第一视频中目标视频以外的视频。
根据本公开实施例的第四方面,提供一种非临时性计算机可读存储介质,当所述存储介质中的指令由移动终端的处理器执行时,使得移动终端能够执行一种视频推荐方法,所述方法包括:
确定多个第一视频和多个第二视频,所述多个第二视频为负反馈视频;
根据所述每个第一视频和所述每个第二视频在多个维度的特征,从所述多个第一视频中确定目标视频,所述目标视频为具有负反馈的可能性的视频;
推荐所述多个第一视频中目标视频以外的视频。
根据本公开实施例的第五方面,提供一种应用程序,包括一条或多条指令,该一条或多条指令可以由服务器的处理器执行时,使得服务器能够执行一种视频推荐方法,所述方法包括:
确定多个第一视频和多个第二视频,所述多个第二视频为负反馈视频;
根据所述每个第一视频和所述每个第二视频在多个维度的特征,从所述多个第一视频中确定目标视频,所述目标视频为具有负反馈的可能性的视频;
推荐所述多个第一视频中目标视频以外的视频。
本公开的实施例提供的技术方案可以包括以下有益效果:
本公开实施例中,该服务器可以通过每个第一视频和该每个第二视频在多个维度的特征,从该多个第一视频中确定目标视频,由于该第二视频为负反馈视频,也即是用户不感兴趣甚至讨厌的视频,因此能够基于该第二视频,很好的把握该用户对第一视频的讨厌程度。因此,向用户推荐该多个第一视频中目标视频以外的视频,减少了用户对推荐视频的讨厌率,提高了确定待推荐的视频的准确率,提高推荐视频转化为被用户喜爱的有效视频的转化率,提高了实际推荐效率。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
图1是根据一示例性实施例示出的一种视频推荐方法的流程图;
图2是根据一示例性实施例示出的一种视频推荐方法的流程图;
图3是根据一示例性实施例示出的一种视频推荐装置的框图;
图4是根据一示例性实施例示出的一种用于视频推荐的服务器的框图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
图1是根据一示例性实施例示出的一种视频推荐方法的流程图,如图1所示,该方法用于服务器中,包括以下步骤。
101、确定多个第一视频和多个第二视频,该多个第二视频为负反馈视频;
102、根据该每个第一视频和该每个第二视频在多个维度的特征,从该多个第一视频中确定目标视频,该目标视频为具有负反馈的可能性的视频;
103、推荐该多个第一视频中目标视频以外的视频。
在一种可能的设计中,该根据该每个第一视频和该每个第二视频在多个维度的特征,从该多个第一视频中确定目标视频包括:
根据该每个第一视频和该每个第二视频在多个维度的特征,确定该每个第一视频的负反馈概率;
将负反馈概率大于第一预设阈值的第一视频确定为目标视频。
在一种可能的设计中,该根据该每个第一视频和该每个第二视频在多个维度的特征,确定该每个第一视频的负反馈概率包括:
根据该每个第一视频和该每个第二视频在多个维度的特征,确定该每个第一视频和该每个第二视频的相似度;
对于该每个第一视频,根据该每个第一视频的相似视频数量,确定该每个第一视频的负反馈概率;
其中,该相似视频数量是指与第一视频的相似度大于第二预设阈值的第二视频的数量。
在一种可能的设计中,该每个第一视频的相似视频数量和负反馈概率的关系为:该每个第一视频的相似视频数量越大,该每个第一视频的负反馈概率也越大。
在一种可能的设计中,该根据该每个第一视频和该每个第二视频在多个维度的特征,确定该每个第一视频与该每个第二视频之间的相似度包括:
根据该每个第一视频和该每个第二视频在多个维度的特征,确定该每个第一视频的第一特征向量和该每个第二视频的第二特征向量;
根据该每个第一视频的第一特征向量和该每个第二视频的第二特征向量,确定该每个第一视频与该每个第二视频之间的相似度。
在一种可能的设计中,该每个第二视频的第二特征向量的获取过程包括:获取该每个第二视频在多个维度的特征,将该每个第二视频在多个维度的特征输入目标模型,将该目标模型输出的特征向量,确定为该每个第二视频的第二特征向量;
其中,该目标模型用于将视频的多个维度的特征转化为特征向量。
在一种可能的设计中,该确定多个第一视频和多个第二视频包括:
根据用户的历史反馈数据,确定该用户进行负反馈的多个第二视频,该历史反馈数据用于指示该用户进行反馈或负反馈的多个视频;
根据该用户的用户信息,从多个备选视频中确定与该用户信息匹配的多个第一视频。
本公开实施例中,该服务器可以通过每个第一视频和该每个第二视频在多个维度的特征,从该多个第一视频中确定目标视频,由于该第二视频为负反馈视频,也即是用户不感兴趣甚至讨厌的视频,因此能够基于该第二视频,很好的把握该用户对第一视频的讨厌程度。因此,向用户推荐该多个第一视频中目标视频以外的视频,减少了用户对推荐视频的讨厌率,提高了确定待推荐的视频的准确率,提高推荐视频转化为被用户喜爱的有效视频的转化率,提高了实际推荐效率。
图2是根据一示例性实施例示出的一种视频推荐方法的流程图,如图2所示,该方法用于服务器上,包括以下步骤。
201、当接收到推荐请求时,服务器获取第一视频列表和第二视频列表。
其中,该多个第二视频为负反馈视频。该第一视频列表包括待推荐的多个第一视频的第一标识,该第二视频列表包括多个第二视频的第二标识,该推荐请求用于请求该服务器向用户推荐视频。
本公开实施例中,该服务器可以为视频应用的后台服务器,该视频应用可以在视频展示页面中为用户展示多个视频,该用户可以基于对展示的多个视频的喜好程度,选择性的浏览该多个视频,对不感兴趣或者讨厌的视频进行负反馈操作,本公开实施例中,该负反馈视频可以为该用户进行负反馈操作的视频。该负反馈操作包括但不限于:对视频的屏蔽操作、对视频进行差评的操作、点击视频的目标标签的操作等。该目标标签可以为:不感兴趣标签、视频内容无聊的标签或者引起视觉不适的标签等。例如,该用户可以通过点击对某个视频的不感兴趣标签,使得用户的终端不再显示该视频。
本步骤中,该服务器可以实时基于该用户的历史反馈数据,统计并存储该用户的负反馈视频,并为该用户初步筛选出第一视频。该服务器可以根据该用户的历史反馈数据,确定该用户进行负反馈的多个第二视频,该历史反馈数据用于指示该用户进行反馈或负反馈的多个视频;并根据该用户的用户信息,从多个备选视频中确定与该用户信息匹配的多个第一视频。该服务器根据该第一视频的第一标识,得到该第一视频列表。该服务器根据该第二视频的第二标识,得到该第二视频列表。
其中,该推荐请求中可以携带该用户的用户标识,该服务器可以基于该用户标识,获取该用户的用户信息。该用户的用户信息可以包括该用户自身的属性信息和/或用户的用户标签。该属性信息可以为该用户的年龄、性别、用户等级、职业等。该用户的用户标签以为该用户自行选择或者还用户的好用用户为该用户选择的标签,用于表征该用户的特征。例如,游戏、健身达人等。其中,该服务器上可以存储每个备选视频所匹配的用户的属性信息,从而该服务器可以将该用户的用户信息作为筛选条件,从该多个备选视频中筛选出所匹配的用户信息为该用户的用户信息的备选视频,并将筛选出的备选视频作为第一视频。另外,该服务器可以基于每个用户的每个用户历史反馈数据,实时统计并更新每个用户的第二视频列表。
在一种可能的实施方式中,该视频应用上可以提供多个视频展示页面,例如、发现页面、搜索页面、同城页面等。该服务器可以基于该用户在多个视频展示页面中目标页面上的历史反馈数据,获取该第二视频列表。其中,该目标页面可以为该多个视频展示页面中的任一页面。本公开实施例对此不做具体限定。例如,则服务器可以将发现页面作为目标页面,从而避免混淆该用户在多个不同的视频展示页面的历史反馈数据,提高了视频推荐的准确性。
本公开实施例中,上述步骤201是“服务器确定多个第一视频和多个第二视频”的一种具体实现方式,需要说明的是,上述步骤201是基于来自用户的推荐请求的触发,通过获取基于第一视频列表和第二视频列表,确定第一视频和第二视频的实现方式,实际上,该服务器还可以实时的确定第一视频和该用户的第二视频,例如,该服务器还可以每隔预设周期,执行一次确定多个第一视频和用户的多个第二视频的步骤,或者,该服务器还可以直接获取该多个第一视频的第一标识和第二视频的第二标识。
进一步的,该服务器可以根据用户进行过负反馈的第二视频,通过以下步骤202-204,分析对比第一视频和第二视频在多个维度的特征,对比分析出第一视频中,用户可能讨厌的视频,从而基于该分析结果进行视频推荐,从而能够从多个维度,准确分析出用户感兴趣或者不感兴趣的视频,提高了推荐的准确性。
202、服务器根据该每个第一视频和该每个第二视频在多个维度的特征,确定该每个第一视频的负反馈概率。
本公开实施例中,该服务器可以根据每个第一视频和该每个第二视频在多个维度的特征,确定第一视频与第二视频的相似度,根据该每个第一视频与第二视频的相似度,确定该每个第一视频的负反馈概率。
对于某个第一视频,可能有多个第二视频与该第一视频相似,因此,本步骤中,该服务器可以基于第一视频的相似视频数量来确定负反馈概率,该第一视频的相似视频数量是指与第一视频的相似度大于第二预设阈值的第二视频的数量。具体的,本步骤可以为:该服务器根据该每个第一视频和该每个第二视频在多个维度的特征,确定该每个第一视频和该每个第二视频的相似度;对于该每个第一视频,该服务器根据该每个第一视频的相似视频数量,确定该每个第一视频的负反馈概率。
其中,该服务器可以获取该每个第一视频和该每个第二视频在多个维度的特征,根据该每个第一视频在多个维度的特征和该第二视频在多个维度的特征,确定该第一视频与该第二视频之间相似特征的数量,根据该相似特征的数量,确定该第一视频和第二视频之间的相似度。其中,相似特征的数量越多,第一视频和第二视频之间的相似度越大。
进一步的,该服务器还可以用特征向量表示视频在多个维度的特征,该特征向量为多维的向量,具体的,该服务器根据该每个第一视频和该每个第二视频在多个维度的特征,确定该每个第一视频与该每个第二视频之间的相似度的步骤可以为:服务器根据该每个第一视频和该每个第二视频在多个维度的特征,确定该每个第一视频的第一特征向量和该每个第二视频的第二特征向量;并根据该每个第一视频的第一特征向量和该每个第二视频的第二特征向量,确定该每个第一视频与该每个第二视频之间的相似度。
其中,该第一特征向量和第二特征向量分别用于指示该第一视频和该第二视频在多个维度的特征;本公开实施例中,每个视频可以对应一个特征向量,该特征向量可以为该服务器基于该视频在多个维度的特征,得到的多维向量。本公开实施中,视频的特征向量可以为该视频的embedding(嵌入)向量,可以包括多个维度的数据,可以是一个多维向量,例如,一个一行多列的向量。
以第二视频为例,该第二特征向量的获取过程为:获取该每个第二视频在多个维度的特征,将该每个第二视频在多个维度的特征输入目标模型,将该目标模型输出的特征向量,确定为该每个第二视频的第二特征向量;其中,该目标模型用于将视频的多个维度的特征转化为特征向量。
其中,该目标模型可以为事先基于每个用户点击过的视频的在多个维度的特征,进行训练得到的模型,该目标模型可以基于视频的视频信息,输出该视频的点击率以及该视频的特征向量。本步骤中,服务器可以获取每个第二视频的视频标识和视频信息,并将该第二视频的视频标识和视频特征输入该目标模型中,输出该第二视频的第二特征向量。
其中,视频在多个维度的特征可以包括但不限于:该视频的属性特征,该视频所属的一种或多种视频类型、该视频的时长、该视频在预设时段内的浏览次数、该视频的视频标签等。本公开实施例对此不做具体限定。该目标模型可以为DNN(Deep Neural Network,深度神经网络)模型,该DNN模型可以为事先基于多个用户曾点击过的视频的视频特征、被点击次数等信息,进行训练得到的模型。该模型可以基于视频的在多个维度的特征,分析得到该视频的点击率,本公开实施例中,该服务器可以利用该目标模型,基于第一视频和第二视频分别在多个维度的特征,得到该第一视频的第一特征向量和第二视频的第二特征向量。
在一种可能的实施方式中,该服务器还可以仅获取该用户近期反馈过反馈数据的第二视频,以保证最终推荐的视频能够最接近用户最近的浏览需求。该过程可以为:该服务器可以基于该用户对多个第二视频进行负反馈的反馈时间,获取反馈时间在预设时段内的多个第二视频的第二特征向量。另外,该服务器可以事先确定并存储每个视频对应的特征向量,本步骤中。该服务器可以根据该多个第一标识和第二标识,从视频和特征向量的对应关系中,获取每个第一视频对应的第一特征向量和每个第二视频对应的第二特征向量。
在基于特征向量获取相似度时,该服务器可以通过该第一特征向量和第二特征向量之间的向量距离,来表示该第一视频和第二视频之间的相似度,具体的,该服务器根据该每个第一视频的第一特征向量和该每个第二视频的第二特征向量,确定该每个第一视频和该每个第二视频的相似度的步骤可以为:该服务器可以根据该每个第一视频的第一特征向量和该每个第二视频的第二特征向量,确定该每个第一视频与该每个第二视频之间的向量距离;根据该每个第一视频与该每个第二视频之间的向量距离。其中,第一视频与第二视频之间的向量距离越大,该第一视频与第二视频之间的相似度越小;反之,第一视频与第二视频之间的向量距离越小,该第一视频与第二视频之间的相似度越大。
其中,该向量距离可以第一特征向量和第二特征向量之间的欧式距离或者余弦距离。
进一步的,该每个第一视频的相似视频数量和负反馈概率的关系为:该每个第一视频的相似视频数量越大,该每个第一视频的负反馈概率也越大。
本公开实施例中,该服务器可以根据该每个第一视频的相似视频数量,通过负反馈概率公式,确定该每个第一视频的负反馈概率。
该负反馈概率公式可以为:
P1=1-(1/2n),
其中,P1为第一视频的负反馈概率,n为第一视频的相似视频数量。
203、服务器将负反馈概率大于第一预设阈值的第一视频确定为目标视频。
该目标视频为具有负反馈的可能性的视频,本公开实施例中,每个第一视频对应一个负反馈概率,该服务器可以获取该第一预设阈值,并将负反馈概率大于该第一预设阈值的第一视频作为目标视频。
其中,每个第一视频可以对应一个第一预设阈值,该第一预设阈值可以为该服务器随机获取的随机概率。对于每个第一视频,该服务器可以随机获取该第一视频的随机概率,该服务器从该多个第一视频中筛选出大于该随机概率的目标视频,并将该目标视频推送至该用户。
例如,某个第一视频的负反馈概率为0.9,该服务器获取的该第一视频的随机概率为0.5,该负反馈概率大于该随机概率,该第一时视频为目标视频。某个第一视频的负反馈概率为0.3,该服务器获取的该第一视频的随机概率为0.5,该负反馈概率小于该随机概率,则该第一视频不是目标视频。
需要说明的是,上述步骤202-203实际上是步骤“服务器根据该每个第一视频和该每个第二视频在多个维度的特征,从该多个第一视频中确定目标视频”一种具体实现方式,上述步骤202-203是基于该第一视频的负反馈概率确定目标视频的。实际上,该服务器还可以直接基于该第一视频和第二视频在多个维度上相似特征的数量,确定目标视频。该过程可以为:服务器第一视频和第二视频在多个维度的特征,统计该第一视频和第二视频在多个维度上相似特征的数量,根据该第一视频和第二视频在多个维度上相似特征的数量,从该多个第一视频中确定目标视频。当然该服务器还可以通过其他方式确定该目标视频,本公开实施例对此不做具体限定。
204、服务器推荐该多个第一视频中目标视频以外的视频。
该服务器可以将第一视频列表中删除该多个目标视频的视频标识,基于第一视频列表中剩余的第一标识,向用户推荐该剩余的第一标识对应的第一视频。
进一步的,对于多个第一视频中目标视频以外的第三视频(为了便于区分,将多个第一视频中目标视频以外的视频成为第三视频),则该服务器确定多个第四视频,根据该每个第三视频和该每个第四视频在多个维度的特征,确定该每个第三视频的推荐评分,并基于预设推荐评分进行筛选,将多个第三视频中超出该预设评分的目标视频推送至用户。在一种可能的实施方式中,服务器还可以根据每个第三视频的推荐评分,对该多个第三视频进行降序排列,将该降序排列后的顺序作为该多个第三视频的推送顺序,按照该推送顺序,依次向该用户推送该多个第三视频。
其中,该服务器可以根据该每个第三视频的第三特征向量和该每个第四视频的第四特征向量,确定该每个第三视频与该每个第四视频之间的向量距离,通过以下推荐评分公式,确定该第三视频的推荐评分,
推荐评分公式:P2=(d1+d2+…+di…+dm)/m
其中,P2为对第三视频进行推荐的推荐评分,m为多个第四视频的数量,di为m个第四视频中第i个与该第一视频之间的向量距离。
需要说明的是,该服务器通过每个第一视频的负反馈概率,避免向用户推荐不感兴趣的视频,降低了推荐的多个视频中用户讨厌的作品量,通过减少给用户带来不良体验,很好的为视频应用留存用户,间接的提高了该视频平台的用户热度。进一步的,该服务器通过设置推送顺序,将评分较高的视频优先推送给用户,更好的优化了推荐过程,提高了用户对推荐的视频的喜好程度,使得该被推荐的视频更为可能的转化为被用户实际浏览甚至喜欢的视频,提高了视频推荐过程中推荐视频被转化为有效视频的转化率,从而提高了实际的推荐效率。
本公开实施例中,该服务器可以通过每个第一视频和该每个第二视频在多个维度的特征,从该多个第一视频中确定目标视频,由于该第二视频为负反馈视频,也即是用户不感兴趣甚至讨厌的视频,因此能够基于该第二视频,很好的把握该用户对第一视频的讨厌程度。因此,向用户推荐该多个第一视频中目标视频以外的视频,减少了用户对推荐视频的讨厌率,提高了确定待推荐的视频的准确率,提高推荐视频转化为被用户喜爱的有效视频的转化率,提高了实际推荐效率。
图3是根据一示例性实施例示出的一种视频推荐装置框图。该装置应用在服务器上,参照图3,该装置包括确定模块301和推荐模块302。
确定模块301,被配置为确定多个第一视频和多个第二视频,该多个第二视频为负反馈视频;
该确定模块301,还被配置为根据该每个第一视频和该每个第二视频在多个维度的特征,从该多个第一视频中确定目标视频,该目标视频为具有负反馈的可能性的视频;
推荐模块302,被配置为推荐该多个第一视频中目标视频以外的视频。
在一种可能的设计中,该确定模块301包括:
第一确定单元,被配置为根据该每个第一视频和该每个第二视频在多个维度的特征,确定该每个第一视频的负反馈概率;
第二确定单元,被配置为将负反馈概率大于第一预设阈值的第一视频确定为目标视频。
在一种可能的设计中,该第一确定单元,还被配至为根据该每个第一视频和该每个第二视频在多个维度的特征,确定该每个第一视频和该每个第二视频的相似度;对于该每个第一视频,根据该每个第一视频的相似视频数量,确定该每个第一视频的负反馈概率;
其中,该相似视频数量是指与第一视频的相似度大于第二预设阈值的第二视频的数量。
在一种可能的设计中,该每个第一视频的相似视频数量和负反馈概率的关系为:该每个第一视频的相似视频数量越大,该每个第一视频的负反馈概率也越大。
在一种可能的设计中,该第一确定单元,还被配至为根据该每个第一视频和该每个第二视频在多个维度的特征,确定该每个第一视频的第一特征向量和该每个第二视频的第二特征向量;根据该每个第一视频的第一特征向量和该每个第二视频的第二特征向量,确定该每个第一视频与该每个第二视频之间的相似度。
在一种可能的设计中,该每个第二视频的第二特征向量的获取过程包括:获取该每个第二视频在多个维度的特征,将该每个第二视频在多个维度的特征输入目标模型,将该目标模型输出的特征向量,确定为该每个第二视频的第二特征向量;
其中,该目标模型用于将视频的多个维度的特征转化为特征向量。
在一种可能的设计中,该确定模块301,还被配至为根据用户的历史反馈数据,确定该用户进行负反馈的多个第二视频,该历史反馈数据用于指示该用户进行反馈或负反馈的多个视频;根据该用户的用户信息,从多个备选视频中确定与该用户信息匹配的多个第一视频。
本公开实施例中,该服务器可以通过每个第一视频和该每个第二视频在多个维度的特征,从该多个第一视频中确定目标视频,由于该第二视频为负反馈视频,也即是用户不感兴趣甚至讨厌的视频,因此能够基于该第二视频,很好的把握该用户对第一视频的讨厌程度。因此,向用户推荐该多个第一视频中目标视频以外的视频,减少了用户对推荐视频的讨厌率,提高了确定待推荐的视频的准确率,提高推荐视频转化为被用户喜爱的有效视频的转化率,提高了实际推荐效率。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
图4是根据一示例性实施例示出的一种用于视频推荐的服务器的框图。该服务器400可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(centralprocessing units,CPU)401和一个或一个以上的存储器402,其中,该存储器402中存储有至少一条指令,该至少一条指令由该处理器401加载并执行以实现上述各个方法实施例提供的视频推荐方法。当然,该服务器还可以具有有线或无线网络接口、键盘以及输入输出接口等部件,以便进行输入输出,该服务器还可以包括其他用于实现设备功能的部件,在此不做赘述。
在示例性实施例中,还提供了一种包括指令的非临时性计算机可读存储介质,例如包括指令的存储器,上述指令可由服务器400的处理器执行以完成上述视频推荐方法。例如,该非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
在示例性实施例中,还提供了一种应用程序,包括一条或多条指令,该一条或多条指令可以由服务器400的处理器执行,以完成上述视频推荐方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (10)
1.一种视频推荐方法,其特征在于,所述方法应用在服务器上,包括:
确定多个第一视频和多个第二视频,所述多个第二视频为负反馈视频;
根据所述每个第一视频和所述每个第二视频在多个维度的特征,从所述多个第一视频中确定目标视频,所述目标视频为具有负反馈的可能性的视频;
推荐所述多个第一视频中目标视频以外的视频。
2.根据权利要求1所述的视频推荐方法,其特征在于,所述根据所述每个第一视频和所述每个第二视频在多个维度的特征,从所述多个第一视频中确定目标视频包括:
根据所述每个第一视频和所述每个第二视频在多个维度的特征,确定所述每个第一视频的负反馈概率;
将负反馈概率大于第一预设阈值的第一视频确定为目标视频。
3.根据权利要求2所述的视频推荐方法,其特征在于,所述根据所述每个第一视频和所述每个第二视频在多个维度的特征,确定所述每个第一视频的负反馈概率包括:
根据所述每个第一视频和所述每个第二视频在多个维度的特征,确定所述每个第一视频和所述每个第二视频的相似度;
对于所述每个第一视频,根据所述每个第一视频的相似视频数量,确定所述每个第一视频的负反馈概率;
其中,所述相似视频数量是指与第一视频的相似度大于第二预设阈值的第二视频的数量。
4.根据权利要求3所述的视频推荐方法,其特征在于,所述每个第一视频的相似视频数量和负反馈概率的关系为:所述每个第一视频的相似视频数量越大,所述每个第一视频的负反馈概率也越大。
5.根据权利要求3所述的视频推荐方法,其特征在于,所述根据所述每个第一视频和所述每个第二视频在多个维度的特征,确定所述每个第一视频与所述每个第二视频之间的相似度包括:
根据所述每个第一视频和所述每个第二视频在多个维度的特征,确定所述每个第一视频的第一特征向量和所述每个第二视频的第二特征向量;
根据所述每个第一视频的第一特征向量和所述每个第二视频的第二特征向量,确定所述每个第一视频与所述每个第二视频之间的相似度。
6.根据权利要求5所述的视频推荐方法,其特征在于,所述每个第二视频的第二特征向量的获取过程包括:获取所述每个第二视频在多个维度的特征,将所述每个第二视频在多个维度的特征输入目标模型,将所述目标模型输出的特征向量,确定为所述每个第二视频的第二特征向量;
其中,所述目标模型用于将视频的多个维度的特征转化为特征向量。
7.根据权利要求1所述的视频推荐方法,其特征在于,所述确定多个第一视频和多个第二视频包括:
根据用户的历史反馈数据,确定所述用户进行负反馈的多个第二视频,所述历史反馈数据用于指示所述用户进行反馈或负反馈的多个视频;
根据所述用户的用户信息,从多个备选视频中确定与所述用户信息匹配的多个第一视频。
8.一种视频推荐装置,其特征在于,所述装置应用在服务器上,包括:
确定模块,被配置为确定多个第一视频和多个第二视频,所述多个第二视频为负反馈视频;
所述确定模块,还被配置为根据所述每个第一视频和所述每个第二视频在多个维度的特征,从所述多个第一视频中确定目标视频,所述目标视频为具有负反馈的可能性的视频;
推荐模块,被配置为推荐所述多个第一视频中目标视频以外的视频。
9.一种视频推荐服务器,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:
确定多个第一视频和多个第二视频,所述多个第二视频为负反馈视频;
根据所述每个第一视频和所述每个第二视频在多个维度的特征,从所述多个第一视频中确定目标视频,所述目标视频为具有负反馈的可能性的视频;
推荐所述多个第一视频中目标视频以外的视频。
10.一种非临时性计算机可读存储介质,当所述存储介质中的指令由移动终端的处理器执行时,使得移动终端能够执行一种视频推荐方法,所述方法包括:
确定多个第一视频和多个第二视频,所述多个第二视频为负反馈视频;
根据所述每个第一视频和所述每个第二视频在多个维度的特征,从所述多个第一视频中确定目标视频,所述目标视频为具有负反馈的可能性的视频;
推荐所述多个第一视频中目标视频以外的视频。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811314722.9A CN109168047B (zh) | 2018-11-06 | 2018-11-06 | 视频推荐方法、装置、服务器及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811314722.9A CN109168047B (zh) | 2018-11-06 | 2018-11-06 | 视频推荐方法、装置、服务器及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109168047A true CN109168047A (zh) | 2019-01-08 |
CN109168047B CN109168047B (zh) | 2021-04-20 |
Family
ID=64876742
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811314722.9A Active CN109168047B (zh) | 2018-11-06 | 2018-11-06 | 视频推荐方法、装置、服务器及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109168047B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110418171A (zh) * | 2019-07-23 | 2019-11-05 | 腾讯科技(深圳)有限公司 | 媒体资源的推送方法和装置、存储介质及电子装置 |
CN111447239A (zh) * | 2020-04-13 | 2020-07-24 | 北京字节跳动网络技术有限公司 | 视频流播放控制方法、设备及存储介质 |
CN111460269A (zh) * | 2019-01-18 | 2020-07-28 | 北京字节跳动网络技术有限公司 | 信息推送方法和装置 |
CN112905904A (zh) * | 2019-11-19 | 2021-06-04 | 北京达佳互联信息技术有限公司 | 一种推荐方法、装置、服务器及存储介质 |
CN113407772A (zh) * | 2020-03-16 | 2021-09-17 | 北京达佳互联信息技术有限公司 | 视频推荐模型的生成方法、视频推荐方法、装置 |
CN114157885A (zh) * | 2021-12-07 | 2022-03-08 | 北京字跳网络技术有限公司 | 一种推荐方法、装置、设备以及存储介质 |
CN117641004A (zh) * | 2023-11-22 | 2024-03-01 | 北京风平智能科技有限公司 | 一种短视频推荐方法、装置、电子设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120303626A1 (en) * | 2011-04-26 | 2012-11-29 | Yoochoose Gmbh | Method and system for recommending geo-tagged items |
US20140214558A1 (en) * | 2013-01-31 | 2014-07-31 | Facebook, Inc. | Real-time feedback of advertisement review |
CN104965890A (zh) * | 2015-06-17 | 2015-10-07 | 深圳市腾讯计算机系统有限公司 | 广告推荐的方法和装置 |
CN106060637A (zh) * | 2016-06-29 | 2016-10-26 | 乐视控股(北京)有限公司 | 视频推荐方法、装置及系统 |
CN108134950A (zh) * | 2017-12-07 | 2018-06-08 | 上海斐讯数据通信技术有限公司 | 一种智能视频推荐方法及系统 |
CN108268540A (zh) * | 2016-12-31 | 2018-07-10 | 深圳市优朋普乐传媒发展有限公司 | 一种基于视频相似度的视频推荐方法、系统及终端 |
CN108307207A (zh) * | 2017-12-28 | 2018-07-20 | 北京达佳互联信息技术有限公司 | 一种视频推送方法及装置 |
CN108460060A (zh) * | 2017-02-22 | 2018-08-28 | 合网络技术(北京)有限公司 | 视频推荐方法及装置 |
-
2018
- 2018-11-06 CN CN201811314722.9A patent/CN109168047B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120303626A1 (en) * | 2011-04-26 | 2012-11-29 | Yoochoose Gmbh | Method and system for recommending geo-tagged items |
US20140214558A1 (en) * | 2013-01-31 | 2014-07-31 | Facebook, Inc. | Real-time feedback of advertisement review |
CN104965890A (zh) * | 2015-06-17 | 2015-10-07 | 深圳市腾讯计算机系统有限公司 | 广告推荐的方法和装置 |
CN106060637A (zh) * | 2016-06-29 | 2016-10-26 | 乐视控股(北京)有限公司 | 视频推荐方法、装置及系统 |
CN108268540A (zh) * | 2016-12-31 | 2018-07-10 | 深圳市优朋普乐传媒发展有限公司 | 一种基于视频相似度的视频推荐方法、系统及终端 |
CN108460060A (zh) * | 2017-02-22 | 2018-08-28 | 合网络技术(北京)有限公司 | 视频推荐方法及装置 |
CN108134950A (zh) * | 2017-12-07 | 2018-06-08 | 上海斐讯数据通信技术有限公司 | 一种智能视频推荐方法及系统 |
CN108307207A (zh) * | 2017-12-28 | 2018-07-20 | 北京达佳互联信息技术有限公司 | 一种视频推送方法及装置 |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111460269B (zh) * | 2019-01-18 | 2023-09-01 | 北京字节跳动网络技术有限公司 | 信息推送方法和装置 |
CN111460269A (zh) * | 2019-01-18 | 2020-07-28 | 北京字节跳动网络技术有限公司 | 信息推送方法和装置 |
CN110418171A (zh) * | 2019-07-23 | 2019-11-05 | 腾讯科技(深圳)有限公司 | 媒体资源的推送方法和装置、存储介质及电子装置 |
CN112905904B (zh) * | 2019-11-19 | 2024-01-26 | 北京达佳互联信息技术有限公司 | 一种推荐方法、装置、服务器及存储介质 |
CN112905904A (zh) * | 2019-11-19 | 2021-06-04 | 北京达佳互联信息技术有限公司 | 一种推荐方法、装置、服务器及存储介质 |
CN113407772A (zh) * | 2020-03-16 | 2021-09-17 | 北京达佳互联信息技术有限公司 | 视频推荐模型的生成方法、视频推荐方法、装置 |
CN113407772B (zh) * | 2020-03-16 | 2023-12-26 | 北京达佳互联信息技术有限公司 | 视频推荐模型的生成方法、视频推荐方法、装置 |
CN111447239B (zh) * | 2020-04-13 | 2023-07-04 | 抖音视界有限公司 | 视频流播放控制方法、设备及存储介质 |
CN111447239A (zh) * | 2020-04-13 | 2020-07-24 | 北京字节跳动网络技术有限公司 | 视频流播放控制方法、设备及存储介质 |
US11889135B2 (en) | 2020-04-13 | 2024-01-30 | Douyin Vision Co., Ltd. | Video stream playing control method and apparatus, and storage medium |
CN114157885A (zh) * | 2021-12-07 | 2022-03-08 | 北京字跳网络技术有限公司 | 一种推荐方法、装置、设备以及存储介质 |
CN117641004A (zh) * | 2023-11-22 | 2024-03-01 | 北京风平智能科技有限公司 | 一种短视频推荐方法、装置、电子设备及存储介质 |
CN117641004B (zh) * | 2023-11-22 | 2024-05-14 | 北京风平智能科技有限公司 | 一种短视频推荐方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109168047B (zh) | 2021-04-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110941740B (zh) | 视频推荐方法及计算机可读存储介质 | |
CN109168047A (zh) | 视频推荐方法、装置、服务器及存储介质 | |
CN107888950B (zh) | 一种推荐视频的方法和系统 | |
US10394878B2 (en) | Associating still images and videos | |
CN106528813B (zh) | 一种多媒体推荐方法和装置 | |
CN107105318B (zh) | 一种视频热点片段提取方法、用户设备和服务器 | |
WO2017181612A1 (zh) | 个性化视频推荐方法及装置 | |
CN102687138B (zh) | 搜索建议聚类和呈现 | |
US20090300547A1 (en) | Recommender system for on-line articles and documents | |
CN109086439A (zh) | 信息推荐方法及装置 | |
CN109982155B (zh) | 一种播单推荐方法及系统 | |
CN103942257B (zh) | 一种视频搜索的方法与装置 | |
CN101458703A (zh) | 用于控制相对重要性的标签表示或标签组表示大小调整 | |
TW201447797A (zh) | 內容個人化之多相排序方法和系統 | |
CN104782138A (zh) | 识别缩略图图像以呈现视频 | |
CN106131703A (zh) | 一种视频推荐的方法和终端 | |
CN106326391A (zh) | 多媒体资源推荐方法及装置 | |
CN109753601A (zh) | 推荐信息点击率确定方法、装置及电子设备 | |
CN107391577B (zh) | 一种基于表示向量的作品标签推荐方法和系统 | |
CN110765348B (zh) | 一种热词的推荐方法、装置、电子设备及存储介质 | |
KR101151176B1 (ko) | 메뉴 선호 정보를 이용한 콘텐츠 추천 방법 | |
WO2010085874A1 (en) | Recommender system for on-line articles and documents | |
CN106162351A (zh) | 一种视频推荐方法及装置 | |
CN106354867A (zh) | 多媒体资源的推荐方法及装置 | |
JP5386660B1 (ja) | 情報処理装置、情報処理方法、及び情報処理プログラム |
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 |