CN109241346B - 一种视频推荐方法和装置 - Google Patents

Abstract

本发明实施例公开了一种视频推荐方法和装置。该方法包括：获取目标用户在预设时间内的各已观看视频和各未观看视频，其中，未观看视频包括第一未观看视频和第二未观看视频；根据协同过滤算法和各已观看视频，从各第一未观看视频中确定候选推荐集；根据预设添加规则，将第二未观看视频添加至候选推荐集，确定各添加推荐集；根据各添加推荐集中各推荐视频对应的用户观看信息或视频属性信息，以及各已观看视频对应的用户观看信息或视频属性信息，确定各添加推荐集对应的推荐质量度；根据各推荐质量度以及与预设添加规则对应的预设推荐规则，确定目标推荐集。通过本发明实施例的技术方案，可以推荐用户更感兴趣的新发布视频，优化视频个性化推荐。

Description

一种视频推荐方法和装置

技术领域

本发明实施例涉及网络技术，尤其涉及一种视频推荐方法和装置。

背景技术

随着网络技术的发展，越来越多的用户喜欢观看网络视频。例如，网络直播视频作为一种新型的娱乐方式，受到了越来越多用户的喜爱。通常，需要根据用户的兴趣爱好进行视频的个性化推荐。

由于视频是一种更迭速度较快的媒体形式，并且相对于已发布一段时间的旧视频而言，用户会对近期发布的新视频更加感兴趣，从而往往需要向用户推荐新视频。

传统的新视频推荐方法是：根据用户过去的内容偏好，将内容偏好类型下热门的新视频推荐给用户。然而，由于这种推荐方法并未考虑到推荐的新视频与推荐的旧视频之间的关联性，极有可能导致用户对推荐的新视频的感兴趣程度较低或者不感兴趣，从而影响了用户的观看体验。

发明内容

本发明实施例提供了一种视频推荐方法和装置，以推荐用户更加感兴趣的新视频，从而优化视频的个性化推荐，提升用户观看体验。

第一方面，本发明实施例提供了一种视频推荐方法，包括：

获取目标用户在预设时间内的各已观看视频和各未观看视频，其中，所述未观看视频包括第一未观看视频和第二未观看视频；

根据协同过滤算法和各所述已观看视频，从各所述第一未观看视频中确定候选推荐集；

根据预设添加规则，将所述第二未观看视频添加至所述候选推荐集，确定各添加推荐集；

根据各所述添加推荐集中各推荐视频对应的用户观看信息或者视频属性信息，以及各所述已观看视频对应的用户观看信息或者视频属性信息，确定各所述添加推荐集对应的推荐质量度；

根据各所述推荐质量度以及与所述预设添加规则对应的预设推荐规则，确定目标推荐集。

第二方面，本发明实施例还提供了一种视频推荐装置，包括：

视频获取模块，用于获取目标用户在预设时间内的各已观看视频和各未观看视频，其中，所述未观看视频包括第一未观看视频和第二未观看视频；

候选推荐集确定模块，用于根据协同过滤算法和各所述已观看视频，从各所述第一未观看视频中确定候选推荐集；

添加推荐集确定模块，用于根据预设添加规则，将所述第二未观看视频添加至所述候选推荐集，确定各添加推荐集；

推荐质量度确定模块，用于根据各所述添加推荐集中各推荐视频对应的用户观看信息或者视频属性信息，以及各所述已观看视频对应的用户观看信息或者视频属性信息，确定各所述添加推荐集对应的推荐质量度；

目标推荐集确定模块，用于根据各所述推荐质量度以及与所述预设添加规则对应的预设推荐规则，确定目标推荐集。

第三方面，本发明实施例还提供了一种终端，所述终端包括：

一个或多个处理器；

存储器，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明任一实施例所述的视频推荐方法。

第四方面，本发明实施例还提供了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，该程序被处理器执行时实现如本发明任一实施例所述的视频推荐方法。

本发明实施例通过根据协同过滤算法和所有的已观看视频，从目标用户所有的第一未观看视频中确定候选推荐集，从而可以确定待推荐的旧视频。根据预设添加规则，将目标用户的第二未观看视频添加至候选推荐集，确定各添加推荐集，从而可以将至少一个新视频添加至候选推荐集中得到多个添加推荐集。根据每个添加推荐集中各推荐视频对应的用户观看信息或者视频属性信息，以及各已观看视频对应的用户观看信息或者视频属性信息，确定每个添加推荐集对应的推荐质量度，从而可以通过考虑添加推荐集中的新视频和旧视频之间的关联性以及目标用户对每个新视频的感兴趣程度，来确定每个添加推荐集的推荐质量度。根据每个添加推荐集的推荐质量度以及与预设添加规则对应的预设推荐规则，确定目标推荐集，从而可以向目标用户推荐更加感兴趣的新视频，进而优化了视频的个性化推荐，提升用户观看体验。

附图说明

图1是本发明实施例一提供的一种视频推荐方法的流程示意图；

图2是本发明实施例二提供的一种视频推荐方法的流程示意图；

图3是本发明实施例三提供的一种视频推荐装置的结构示意图；

图4是本发明实施例四提供的一种终端的结构示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

实施例一

图1为本发明实施例一提供的一种视频推荐方法的流程示意图，本实施例可适用于推荐用户更加感兴趣的新发布视频的情况，尤其是可以用于网络直播平台中，向用户推荐感兴趣的新发布的直播视频的场景。该方法可以由视频推荐装置来执行，该装置可以由软件和/或硬件的方式来实现，集成于具有播放功能的终端中，比如智能手机、平板电脑或台式计算机等。该方法具体包括以下步骤：

S110、获取目标用户在预设时间内的各已观看视频和各未观看视频，其中，未观看视频包括第一未观看视频和第二未观看视频。

其中，目标用户是指视频的推荐对象，本实施例可以任一观看视频的用户确定为目标用户。预设时间可以根据用户的观看频率预先确定。示例性的，预设时间可以为一周或一个月。若目标用户近期经常观看直播，则预设时间可以设置较短，以便准确地挖掘用户的兴趣爱好，提高推荐的准确性。已观看视频是指目标用户在预设时间内观看过的视频；未观看视频是指目标用户在预设时间内还未观看的视频。本实施例可以根据视频的发布时间，将所有未观看视频划分为第一未观看视频和第二未观看视频。第一未观看视频可以是指发布时间与当前时刻的时间间隔大于或等于预设时间间隔的未观看视频，即已发布一段时间的未观看的旧视频。第二未观看视频可以是指发布时间与当前时刻的时间间隔小于预设时间间隔的未观看视频，即近期发布的未观看的新视频。同理，已观看视频也可以包括第一已观看视频和第二已观看视频，其中，第一已观看视频可以是指发布时间与当前时刻的时间间隔大于或等于预设时间间隔的已观看视频，即已发布一段时间的已观看的旧视频。第二已观看视频可以是指发布时间与当前时刻的时间间隔小于预设时间间隔的已观看视频，即近期发布的已观看的新视频。

S120、根据协同过滤算法和各已观看视频，从各第一未观看视频中确定候选推荐集。

其中，协同过滤算法是现有的一种推荐算法，用于推荐用户偏好的第一未观看视频。协同过滤算法可以为基于用户的协同过滤算法，也可以为基于视频的协同过滤算法。候选推荐集可以是由多个待向用户推荐的第一未观看视频组成的视频集合。

具体的，在利用基于视频的协同过滤算法时，可以根据每个第一未观看视频与已观看视频中的每个第一已观看视频之间的相似度，确定目标用户对每个第一未观看视频的偏好程度。将大于预设阈值的偏好程度对应的第一未观看视频组成候选推荐集，或者根据偏好程度对第一未观看视频从高到低进行降序排列，将排列后的前预设数量的第一未观看视频组成候选推荐集。

S130、根据预设添加规则，将第二未观看视频添加至候选推荐集，确定各添加推荐集。

其中，预设添加规则是指在候选推荐集中添加第二未观看视频的规则。预设添加规则可以根据用户需求和实际情况进行设置。添加推荐集包括候选推荐集中所有的第一未观看视频以及添加的第二未观看视频。预设添加规则可以为：将每个第二未观看视频添加至一个候选推荐集中，以确定多个不同的添加推荐集，其中每个添加推荐集均包括候选推荐集和一个第二未观看视频。预设添加规则也可以为：在一个候选推荐集中添加多个第二未观看视频，以使每个添加推荐集包括候选推荐集和多个第二未观看视频。

可选的，S130包括：根据预设推荐数量对各第二未观看视频进行组合，其中，每个组合包括预设推荐数量的第二未观看视频；将各组合单独添加至候选推荐集，确定各添加推荐集。

其中，预设推荐数量是指待向目标用户推荐的第二未观看视频的数量，其可以是大于等于2的任一数值。示例性的，若预设推荐数量为2，第二未观看视频有三个，分别为V₁、V₂和V₃，则对第二未观看视频进行两两组合，可以得到三个组合，分别为V₁与V₂构成的组合A、V₂与V₃构成的组合B、以及V₁与V₃构成的组合C，将组合A与候选推荐集组成的集合确定为添加推荐集M，将组合B与候选推荐集组成的集合确定为添加推荐集N，将组合C与候选推荐集组成的集合确定为添加推荐集Q，从而可以确定三个添加推荐集。本实施例中的添加推荐集的数量与组合数量相等。

S140、根据各添加推荐集中各推荐视频对应的用户观看信息或者视频属性信息，以及各已观看视频对应的用户观看信息或者视频属性信息，确定各添加推荐集对应的推荐质量度。

其中，将添加推荐集中的每个第一未观看视频和每个第二未观看视频均视为推荐视频，即添加推荐集中的推荐视频可能是第一未观看视频，也可能是第二未观看视频。推荐视频对应的用户观看信息可以包括但不限于观看推荐视频的每个用户对应的观看时长和观看视频数量。已观看视频对应的用户观看信息也可以包括但不限于观看已观看视频的每个用户对应的观看时长和观看视频数量。视频属性信息是指每个视频属性对应的数据内容。视频属性可以包括但不限于视频所属的视频类型、发布作者和视频标签等。其中，视频所属的视频类型可以根据视频内容进行确定。示例性的，若应用于网络直播平台中，可以根据直播视频的直播内容确定该直播视频所属的视频类型，比如视频的直播内容为：与“王者荣耀”相关的讲解内容，则可以确定该视频所属的视频类型为“王者荣耀”这个类型。推荐质量度可以用于衡量添加第二未观看视频后的添加推荐集的推荐质量，同时也可以反映出第二未观看视频与第一已观看视频之间的关联性。若推荐质量度越大，则表明添加推荐集的推荐质量越高。

具体的，由于第二未观看视频比第一未观看视频的发布时间较短，使得第二未观看视频的观看人数较少，从而在添加推荐集中若某个推荐视频为第一未观看视频，则根据该推荐视频对应的用户观看信息进行确定推荐质量度；若某个推荐视频为第二未观看视频，则根据推荐视频对应的视频属性信息进行确定推荐质量度。相应的，本实施例中的目标用户虽然已经观看过第二已观看视频，但由于第二已观看视频比第一已观看视频的发布时间较短，使得第二已观看视频的观看人数较少，从而当某个已观看视频为第一已观看视频时，根据该已观看视频对应的用户观看信息进行确定推荐质量度；当某个已观看视频为第二已观看视频时，根据该已观看视频对应的视频属性信息进行确定推荐质量度。

示例性的，本实施例可以根据添加推荐集中的每个第一未观看视频对应的用户观看信息、添加推荐集中的每个第二未观看视频对应的视频属性信息、每个第一已观看视频对应的用户观看信息、以及每个第二已观看视频对应的视频属性信息，确定添加推荐集中视频的差异性或关联性，以及目标用户对添加推荐集中每个第二未观看视频的感兴趣程度，进而确定该添加推荐集对应的推荐质量度。

S150、根据各推荐质量度以及与预设添加规则对应的预设推荐规则，确定目标推荐集。

其中，预设推荐规则是向目标用户推荐视频的规则，其可以根据具体的预设添加规则预先设置。目标推荐集是向目标用户最终推荐的视频组成的集合。

在本实施例中，可以将目标推荐集中所有的第一未观看视频和第二未观看视频均推荐给目标用户，也可以只将目标推荐集中所有的第二未观看视频推荐给目标用户，即推荐目标用户更加感兴趣的新视频，从而解决了用户对推荐的新视频的感兴趣程度较低或者不感兴趣的问题。

可选的，若根据预设添加规则确定的每个添加推荐集均包括候选推荐集中的所有推荐视频和一个第二未观看视频，则根据每个添加推荐集对应的推荐质量度，确定推荐质量度大于预设质量度的目标添加推荐集，并将每个目标添加推荐集中添加的第二未观看视频均合并至候选推荐集中，将合并后的候选推荐集确定为目标推荐集。

可选的，若根据预设添加规则确定的每个添加推荐集均包括候选推荐集中的所有推荐视频以及预设推荐数量的第二未观看视频，则S150包括：根据每个添加推荐集对应的推荐质量，将最大的推荐质量度对应的添加推荐集确定为目标推荐集。这种预设添加规则确定的添加推荐集中包括至少两个第二未观看视频，从而在计算添加推荐集对应的推荐质量度时，可以额外考虑添加的第二未观看视频之间的关联性，从而根据推荐质量度可以更加准确地确定目标用户更加感兴趣的新视频。

在本实施例中，还可以基于与确定添加推荐集对应的推荐质量度相同的方法，确定添加前的候选推荐集对应的推荐质量度，并将每个添加推荐集对应的推荐质量度减去候选推荐集对应的推荐质量度，将得到的运算结果确定为添加推荐集对应的质量增益。通过基于与预设添加规则对应的预设推荐规则，根据质量增益大于预设增益的添加推荐集，或者最大的质量增益对应的添加推荐集确定目标推荐集。

本实施例的技术方案，通过根据协同过滤算法和所有的已观看视频，从目标用户所有的第一未观看视频中确定候选推荐集，从而可以确定待推荐的旧视频。根据预设添加规则，将目标用户的第二未观看视频添加至候选推荐集，确定各添加推荐集，从而可以将至少一个新视频添加至候选推荐集中得到多个添加推荐集。根据每个添加推荐集中各推荐视频对应的用户观看信息或者视频属性信息，以及各已观看视频对应的用户观看信息或者视频属性信息，确定每个添加推荐集对应的推荐质量度，从而可以通过考虑添加推荐集中的新视频和旧视频之间的关联性以及目标用户对每个新视频的感兴趣程度，来确定每个添加推荐集的推荐质量度。根据每个添加推荐集的推荐质量度以及与预设添加规则对应的预设推荐规则，确定目标推荐集，从而可以向目标用户推荐更加感兴趣的新视频，进而优化了视频的个性化推荐，提升用户观看体验。

实施例二

图2为本发明实施例二提供的一种视频推荐方法的流程示意图，本实施例在上述实施例的基础上，对“根据各添加推荐集中各推荐视频对应的用户观看信息或者视频属性信息，以及各已观看视频对应的用户观看信息或者视频属性信息，确定各添加推荐集对应的推荐质量度”进行了进一步优化。其中与上述实施例相同或相应的术语的解释在此不再赘述。

参见图2，本实施例二提供的视频推荐方法具体包括以下步骤：

S210、获取目标用户在预设时间内的各已观看视频和各未观看视频，其中，未观看视频包括第一未观看视频和第二未观看视频。

S220、根据协同过滤算法和各已观看视频，从各第一未观看视频中确定候选推荐集。

S230、根据预设添加规则，将第二未观看视频添加至候选推荐集，确定各添加推荐集。

S240、根据添加推荐集中的各推荐视频对应的用户观看信息或者视频属性信息，确定添加推荐集中两两推荐视频之间的第一相似度。

其中，第一相似度是指添加推荐集中任意两个推荐视频之间的相似度。本实施例可以根据两个推荐视频分别对应的用户观看信息，确定这两个推荐视频之间的第一相似度；也可以根据这两个推荐视频分别对应的视频属性信息，确定这两个推荐视频之间的第一相似度。

可选的，S240包括：将添加推荐集中的各推荐视频进行两两组合，并将各组合逐个确定为目标组合；检测目标组合中的两个推荐视频是否均为第一未观看视频；若是，则根据目标组合中的两个推荐视频分别对应的用户观看信息，确定目标组合中的两个推荐视频之间的第一相似度；若否，则根据目标组合中的两个推荐视频分别对应的视频属性信息，确定目标组合中的两个推荐视频之间的第一相似度。

其中，每个组合是由添加推荐集中的两个推荐视频组成的，组合的数量可以根据添加推荐集中推荐视频的数量确定。本实施例中不考虑组合中两个推荐视频的排序问题，即推荐视频V₁和推荐视频V₂组成的组合，与推荐视频V₂和推荐视频V₁组成的组合是同一组合。本实施例中的推荐视频可能是第一未观看视频，也可能是第二未观看视频，并且第二未观看视频因发布时间较短导致观看人数较少，从而根据第二未观看视频对应的视频属性信息可以更加准确地确定第一相似度。

具体的，通过将每个组合逐个确定为目标组合，从而可以逐个确定目标组合中两个推荐视频之间的第一相似度。本实施例可以首先根据目标组合中的推荐视频是第一未观看视频还是第二未观看视频，来确定第一相似度的确定方式，以使第一相似度可以更加准确地反映推荐视频之间的关联性。若目标组合中的两个推荐视频均为第一未观看视频，则根据这两个推荐视频对应的用户观看信息确定这两个推荐视频之间的第一相似度；若目标组合中的两个推荐视频均为第二未观看视频，或者一个推荐视频为第一未观看视频，另一个推荐视频为第二未观看视频，则根据这两个推荐视频对应的视频属性信息确定这两个推荐视频之间的第一相似度。

可选的，基于目标组合中的两个推荐视频分别对应的用户观看信息，根据如下公式确定目标组合中的两个推荐视频之间的第一相似度：

其中，sim(i,j)是目标组合中推荐视频i和推荐视频j之间的第一相似度；U_i是观看推荐视频i的有效用户集合，其中有效用户是观看时长大于预设时长的用户；U_j是观看推荐视频j的有效用户集合；U_i∩U_j是推荐视频i和推荐视频j对应的相同有效用户集合；u是相同有效用户集合中的任一相同有效用户；m是观看推荐视频i的有效用户集合U_i中的任一有效用户；n是观看推荐视频j的有效用户集合U_j中的任一有效用户；t_ui是相同有效用户u最后一次观看推荐视频i的结束时刻；t_uj是相同有效用户u最后一次观看推荐视频j的结束时刻；W_u是相同有效用户u对应的惩罚因子；W_m是有效用户m对应的惩罚因子；W_n是有效用户n对应的惩罚因子；q_u是相同有效用户u的观看视频数量；q_m是有效用户m的观看视频数量；q_n是有效用户n的观看视频数量；δ是大于0的权重系数。

在本实施例中，当两个推荐视频均为第一未观看视频时，即推荐视频i和推荐视频j均为第一未观看视频，此时可以根据上述公式确定这两个推荐视频之间的第一相似度。通过获得观看推荐视频i的有效用户集合和观看推荐视频j的有效用户集合，可以排除观看推荐视频i或者推荐视频j的观看时长小于预设时长的用户，从而根据有效用户的观看信息可以更准确地挖掘两个推荐视频之间的关联性。需要注意的是，在计算第一相似度sim(i,j)的公式中通过引入W_n、W_m和W_n三个惩罚因子，可以对热门视频或者过度活跃的用户进行惩罚，进而避免“哈利波特”现象，即避免因观看人数较多而导致热门视频之间的相似度高于非热门视频之间的相似度，从而可以确定两个视频之间的真实相似度，提高了第一相似度计算的准确性。

示例性的，假设观看推荐视频i的有效用户集合为：{u₁，u₂，u₃}，观看推荐视频j的有效用户集合为：{u₁，u₄}，则推荐视频i和推荐视频j对应的相同有效用户集合为：{u₁}；u₁最后一次观看推荐视频i的结束时刻与最后一次观看推荐视频j的结束时刻之差为2天，u₁，u₂，u₃和u₄的观看视频数量分别为10、4、6和2，δ为0.5，则

推荐视频i和推荐视频j之间的第一相似度

可选的，基于目标组合中的两个推荐视频分别对应的视频属性信息，根据如下公式根据确定目标组合中的两个推荐视频之间的第一相似度：

其中，sim(i,j)是目标组合中推荐视频i和推荐视频j之间的第一相似度；D是由各视频属性组成的视频属性集合；d是视频属性集合中的任一视频属性；s_id是推荐视频i中视频属性d对应的视频属性信息；s_jd是推荐视频j中视频属性d对应的视频属性信息；I(s_id＝s_jd)是示性函数，当s_id与s_jd相等时，I(s_id＝s_jd)为1，否则I(sid＝s_jd)为0；|D|是视频属性集合中的视频属性个数。

在本实施例中，当两个推荐视频均为第二未观看视频，或者一个推荐视频为第一未观看视频，另一个推荐视频为第二未观看视频时，可以根据推荐视频对应的视频属性信息，基于上述公式确定这两个推荐视频之间的第一相似度，以使确定的第一相似度更加准确。具体的，在同一个视频属性下，将两个推荐视频对应的视频属性信息进行字符比较，若字符相同，则示性函数I(s_id＝s_jd)等于1。当两个推荐视频相同的视频属性信息的个数越多，则表明这两个推荐视频之间的第一相似度越高。

S250、根据各推荐视频和各已观看视频对应的用户观看信息或者视频属性信息，确定各推荐视频与各已观看视频之间的各第二相似度。

其中，第二相似度是指添加推荐集中的一个推荐视频与一个已观看视频之间的相似度。已观看视频包括第一已观看视频和第二已观看视频。本实施例可以根据推荐视频和已观看视频分别对应的用户观看信息，确定推荐视频与已观看视频之间的第二相似度；也可以根据推荐视频和已观看视频分别对应的视频属性信息，确定推荐视频与已观看视频分别之间的第二相似度。

可选的，S250包括：将各推荐视频逐个确为目标推荐视频，将各已观看视频逐个确定为目标已观看视频；检测目标推荐视频是否为第一未观看视频，以及目标已观看视频是否为第一已观看视频；若是，则根据目标推荐视频和目标已观看视频分别对应的用户观看信息，确定目标推荐视频与目标已观看视频之间的第二相似度；若否，则根据目标推荐视频和目标已观看视频分别对应的视频属性信息，确定目标推荐视频与目标已观看视频之间的第二相似度。

其中，添加推荐集中的推荐视频可能是第一未观看视频，即未观看的旧视频，也可能是第二未观看视频，即未观看的新视频。已观看视频可能是第一已观看视频，即已观看的旧视频，也可能是第二已观看视频，即已观看的新视频。本实施例通过将每个推荐视频逐个确定为目标推荐视频，将每个已观看视频逐个确定为目标已观看视频，通过逐个确定目标推荐视频与目标已观看视频之间的第二相似度，可以获得每个推荐视频与每个已观看视频之间的第二相似度。

具体的，第二相似度的确定方法与第一相似度的确定方法类似，也是首先检测目标推荐视频是否为第一未观看视频，以及目标已观看视频是否为第一已观看视频，来确定第二相似度的确定方式。若目标推荐视频为第一未观看视频，并且目标已观看视频为第一已观看视频，则根据目标推荐视频和目标已观看视频分别对应的用户观看信息确定第二相似度；若目标推荐视频为第一未观看视频，目标已观看视频为第二已观看视频；或者目标推荐视频为第二未观看视频，目标已观看视频为第一已观看视频；或者目标推荐视频为第二未观看视频，目标已观看视频为第二已观看视频，则根据目标推荐视频和目标已观看视频分别对应的视频属性信息确定第二相似度。

可选的，基于目标推荐视频和目标已观看视频分别对应的用户观看信息，根据如下公式确定目标推荐视频与目标已观看视频之间的第二相似度：

其中，sim(x,y)是目标推荐视频x和目标已观看视频y之间的第二相似度；U_x是观看目标推荐视频x的有效用户集合，其中有效用户是观看时长大于预设时长的用户；U_y是观看目标已观看视频y的有效用户集合；U_x∩U_y是目标推荐视频x和目标已观看视频y对应的相同有效用户集合；u是相同有效用户集合中的任一相同有效用户；m是观看目标推荐视频x的有效用户集合U_x中的任一有效用户；n是观看目标已观看视频y的有效用户集合U_y中的任一有效用户；t_ux是相同有效用户u最后一次观看目标推荐视频x的结束时刻；t_uy是相同有效用户u最后一次观看目标已观看视频y的结束时刻；W_u是相同有效用户u对应的惩罚因子；W_m是有效用户m对应的惩罚因子；W_n是有效用户n对应的惩罚因子；q_u是相同有效用户u的观看视频数量；q_m是有效用户m的观看视频数量；q_n是有效用户n的观看视频数量；δ是大于0的权重系数。

需要注意的是，在基于用户观看信息计算相似度时，第二相似度sim(x,y)的计算公式与第一相似度sim(i,j)的计算公式类似，仅是用户观看信息对应的获取对象不同，第一相似度是基于两个推荐视频分别对应的用户观看信息，而第二相似度是基于目标推荐视频和目标已观看视频分别对应的用户观看信息。

可选的，基于目标组合中的两个推荐视频分别对应的视频属性信息，根据如下公式根据确定目标组合中的两个推荐视频之间的第一相似度：

其中，sim(x,y)是目标推荐视频x和目标已观看视频y之间的第二相似度；D是由各视频属性组成的视频属性集合；d是视频属性集合中的任一视频属性；s_xd是目标推荐视频x中视频属性d对应的视频属性信息；s_yd是目标已观看视频y中视频属性d对应的视频属性信息；I(s_xd＝s_yd)是示性函数，当s_xd与s_yd相等时，I(s_xd＝s_yd)为1，否则I(s_xd＝s_yd)为0；|D|是视频属性集合中的视频属性个数。

需要注意的是，在基于视频属性信息计算相似度时，第二相似度sim(x,y)的计算公式与第一相似度sim(i,j)的计算公式类似，仅是视频属性信息对应的获取对象不同，第一相似度是基于两个推荐视频分别对应的视频属性信息，而第二相似度是基于目标推荐视频和目标已观看视频分别对应的视频属性信息。

S260、根据各第二相似度和目标用户对应的视频观看时长，确定目标用户对各推荐视频的用户偏好度。

其中，视频观看时长可以包括目标用户的每个已观看视频对应的观看时长。用户偏好度可以用于反映目标用户对推荐视频的感兴趣程度。本实施例通过根据每个推荐视频与每个已观看视频之间的第二相似度，以及每个已观看视频对应的观看时长，可以确定目标用户对每个推荐视频的用户偏好度。通常，若某一已观看视频V₁的观看时长最长，则对于与已观看视频V₁相似度越高的推荐视频，用户越感兴趣。

可选的，根据如下公式确定目标用户对推荐视频的用户偏好度：

其中，sim(x,v)是目标用户v对推荐视频x的用户偏好度；M_v是目标用户v的各已观看视频组成的已观看视频集合；y是已观看视频集合M_v中的任一已观看视频；sim(x,y)是推荐视频x与已观看视频y之间的第二相似度；m_y是已观看视频y对应的视频观看时长。

具体的，根据上述公式可以逐个计算目标用户v对添加推荐集中的每个推荐视频x的用户偏好度sim(x,v)。

S270、根据各第一相似度和各用户偏好度，确定各添加推荐集对应的推荐质量度。

具体的，对于每个添加推荐集而言，可以根据添加推荐集中的两两推荐视频之间的第一相似度，以及目标用户对添加推荐集中的每个推荐视频的用户偏好度，可以准确的确定该添加推荐集对应的推荐质量度。若推荐质量度越大，则表明添加推荐集的推荐质量越高。

可选的，根据以下公式确定添加推荐集对应的推荐质量度：

其中，f(S)是添加推荐集S对应的推荐质量度；|S|是添加推荐集S中的推荐视频个数；i和j是添加推荐集S中任意两个不同的推荐视频；x是添加推荐集S中的任一推荐视频；sim(i,j)是推荐视频i和推荐视频j之间的第一相似度；sim(x,v)是目标用户v对推荐视频x的用户偏好度。

具体的，计算推荐质量度f(S)公式中第一项可以用于反映添加推荐集S中视频的相似度或差异性，第二项用于反映目标用户对添加推荐集S的偏好度或者满意程度。

S280、根据各推荐质量度以及与预设添加规则对应的预设推荐规则，确定目标推荐集。

本实施例的技术方案，通过根据添加推荐集中两两推荐视频之间的第一相似度以及目标用户对每个推荐视频的用户偏好度，确定每个添加推荐集对应的推荐质量度，从而根据添加推荐集中的新视频和旧视频之间的相似性以及目标用户对添加推荐集的偏好度，准确地确定每个添加推荐集对应的推荐质量度，进而可以向目标用户推荐更加感兴趣的新视频，优化了视频的个性化推荐，提升用户观看体验。

实施例三

图3为本发明实施例三提供的一种视频推荐装置的结构示意图，本实施例可适用于推荐用户更加感兴趣的新发布视频的情况，该装置具体包括：视频获取模块310、候选推荐集确定模块320、添加推荐集确定模块330、推荐质量度确定模块340和目标推荐集确定模块350。

其中，视频获取模块310，用于获取目标用户在预设时间内的各已观看视频和各未观看视频，其中，未观看视频包括第一未观看视频和第二未观看视频；候选推荐集确定模块320，用于根据协同过滤算法和各已观看视频，从各第一未观看视频中确定候选推荐集；添加推荐集确定模块330，用于根据预设添加规则，将第二未观看视频添加至候选推荐集，确定各添加推荐集；推荐质量度确定模块340，用于根据各添加推荐集中各推荐视频对应的用户观看信息或者视频属性信息，以及各已观看视频对应的用户观看信息或者视频属性信息，确定各添加推荐集对应的推荐质量度；目标推荐集确定模块350，用于根据各推荐质量度以及与预设添加规则对应的预设推荐规则，确定目标推荐集。

本发明实施例的技术方案，可以通过考虑添加推荐集中的新视频和旧视频之间的关联性以及目标用户对每个新视频的感兴趣程度，来确定每个添加推荐集的推荐质量度。根据每个添加推荐集的推荐质量度以及与预设添加规则对应的预设推荐规则，确定目标推荐集，从而可以向目标用户推荐更加感兴趣的新视频，进而优化了视频的个性化推荐，提升用户观看体验。

可选的，推荐质量度确定模块340，包括：

第一相似度确定单元，用于根据添加推荐集中的各推荐视频对应的用户观看信息或者视频属性信息，确定添加推荐集中两两推荐视频之间的第一相似度；

第二相似度确定单元，用于根据各推荐视频和各已观看视频对应的用户观看信息或者视频属性信息，确定各推荐视频与各已观看视频之间的各第二相似度；

用户偏好度确定单元，用于根据各第二相似度和目标用户对应的视频观看时长，确定目标用户对各推荐视频的用户偏好度；

推荐质量度确定单元，用于根据各第一相似度和各用户偏好度，确定各添加推荐集对应的推荐质量度。

可选的，第一相似度确定单元，具体用于：

将添加推荐集中的各推荐视频进行两两组合，并将各组合逐个确定为目标组合；

检测目标组合中的两个推荐视频是否均为第一未观看视频；

若是，则根据目标组合中的两个推荐视频分别对应的用户观看信息，确定目标组合中的两个推荐视频之间的第一相似度；

若否，则根据目标组合中的两个推荐视频分别对应的视频属性信息，确定目标组合中的两个推荐视频之间的第一相似度。

可选的，第二相似度确定单元，具体用于：

将各推荐视频逐个确为目标推荐视频，将各已观看视频逐个确定为目标已观看视频；

检测目标推荐视频是否为第一未观看视频，以及目标已观看视频是否为第一已观看视频；

若是，则根据目标推荐视频和目标已观看视频分别对应的用户观看信息，确定目标推荐视频与目标已观看视频之间的第二相似度；

若否，则根据目标推荐视频和目标已观看视频分别对应的视频属性信息，确定目标推荐视频与目标已观看视频之间的第二相似度。

可选的，基于目标组合中的两个推荐视频分别对应的用户观看信息，根据如下公式确定目标组合中的两个推荐视频之间的第一相似度：

其中，sim(i,j)是目标组合中推荐视频i和推荐视频j之间的第一相似度；U_i是观看推荐视频i的有效用户集合，其中有效用户是观看时长大于预设时长的用户；U_j是观看推荐视频j的有效用户集合；U_i∩U_j是推荐视频i和推荐视频j对应的相同有效用户集合；u是相同有效用户集合中的任一相同有效用户；m是观看推荐视频i的有效用户集合U_i中的任一有效用户；n是观看推荐视频j的有效用户集合U_j中的任一有效用户；t_ui是相同有效用户u最后一次观看推荐视频i的结束时刻；t_uj是相同有效用户u最后一次观看推荐视频j的结束时刻；W_u是相同有效用户u对应的惩罚因子；W_m是有效用户m对应的惩罚因子；W_n是有效用户n对应的惩罚因子；q_u是相同有效用户u的观看视频数量；q_m是有效用户m的观看视频数量；q_n是有效用户n的观看视频数量；δ是大于0的权重系数。

可选的，基于目标组合中的两个推荐视频分别对应的视频属性信息，根据如下公式根据确定目标组合中的两个推荐视频之间的第一相似度：

其中，sim(i,j)是目标组合中推荐视频i和推荐视频j之间的第一相似度；D是由各视频属性组成的视频属性集合；d是视频属性集合中的任一视频属性；s_id是推荐视频i中视频属性d对应的视频属性信息；s_jd是推荐视频j中视频属性d对应的视频属性信息；I(s_id＝s_jd)是示性函数，当s_id与s_jd相等时，I(s_id＝s_jd)为1，否则I(s_id＝s_jd)为0；|D|是视频属性集合中的视频属性个数。

可选的，根据如下公式确定目标用户对推荐视频的用户偏好度：

其中，sim(x,v)是目标用户v对推荐视频x的用户偏好度；M_v是目标用户v的各已观看视频组成的已观看视频集合；y是已观看视频集合M_v中的任一已观看视频；sim(x,y)是推荐视频x与已观看视频y之间的第二相似度；m_y是已观看视频y对应的视频观看时长。

可选的，根据以下公式确定添加推荐集对应的推荐质量度：

其中，f(S)是添加推荐集S对应的推荐质量度；|S|是添加推荐集S中的推荐视频个数；i和j是添加推荐集S中任意两个不同的推荐视频；x是添加推荐集S中的任一推荐视频；sim(i,j)是推荐视频i和推荐视频j之间的第一相似度；sim(x,v)是目标用户v对推荐视频x的用户偏好度。

可选的，添加推荐集确定模块330，具体用于：根据预设推荐数量对各第二未观看视频进行组合，其中，每个组合包括预设推荐数量的第二未观看视频；将各组合单独添加至候选推荐集，确定各添加推荐集；

相应的，目标推荐集确定模块350，具体用于：将最大的推荐质量度对应的添加推荐集确定为目标推荐集。

本发明实施例所提供的视频推荐装置可执行本发明任意实施例所提供的视频推荐方法，具备执行视频推荐方法相应的功能模块和有益效果。

值得注意的是，上述视频推荐装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。

实施例四

图4是本发明实施例四提供的一种终端的结构示意图。参见图4，该终端包括：

一个或多个处理器410；

存储器420，用于存储一个或多个程序；

当一个或多个程序被一个或多个处理器410执行，使得一个或多个处理器410实现如本发明任意实施例所提供的视频推荐方法，该方法包括：

获取目标用户在预设时间内的各已观看视频和各未观看视频，其中，未观看视频包括第一未观看视频和第二未观看视频；

根据协同过滤算法和各已观看视频，从各第一未观看视频中确定候选推荐集；

根据预设添加规则，将第二未观看视频添加至候选推荐集，确定各添加推荐集；

根据各添加推荐集中各推荐视频对应的用户观看信息或者视频属性信息，以及各已观看视频对应的用户观看信息或者视频属性信息，确定各添加推荐集对应的推荐质量度；

根据各推荐质量度以及与预设添加规则对应的预设推荐规则，确定目标推荐集。

图4中以一个处理器410为例；终端中的处理器410和存储器420可以通过总线或其他方式连接，图4中以通过总线连接为例。

存储器420作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的视频推荐方法对应的程序指令/模块(例如，视频推荐装置中的视频获取模块310、候选推荐集确定模块320、添加推荐集确定模块330、推荐质量度确定模块340和目标推荐集确定模块350)。处理器410通过运行存储在存储器420中的软件程序、指令以及模块，从而执行终端的各种功能应用以及数据处理，即实现上述的视频推荐方法。

存储器420主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器420可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器420可进一步包括相对于处理器410远程设置的存储器，这些远程存储器可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

本实施例提出的终端与上述实施例提出的视频推荐方法属于同一发明构思，未在本实施例中详尽描述的技术细节可参见上述实施例，并且本实施例具备执行视频推荐方法相同的有益效果。

实施例五

本实施例提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明任意实施例所提供的视频推荐方法，该方法包括：

获取目标用户在预设时间内的各已观看视频和各未观看视频，其中，未观看视频包括第一未观看视频和第二未观看视频；

根据协同过滤算法和各已观看视频，从各第一未观看视频中确定候选推荐集；

根据预设添加规则，将第二未观看视频添加至候选推荐集，确定各添加推荐集；

根据各添加推荐集中各推荐视频对应的用户观看信息或者视频属性信息，以及各已观看视频对应的用户观看信息或者视频属性信息，确定各添加推荐集对应的推荐质量度；

根据各推荐质量度以及与预设添加规则对应的预设推荐规则，确定目标推荐集。

本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于：电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、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)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码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)。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (9)

1.一种视频推荐方法，其特征在于，包括：

获取目标用户在预设时间内的各已观看视频和各未观看视频，其中，所述未观看视频包括第一未观看视频和第二未观看视频；

根据协同过滤算法和各所述已观看视频，从各所述第一未观看视频中确定候选推荐集；

根据预设添加规则，将所述第二未观看视频添加至所述候选推荐集，确定各添加推荐集；

根据各所述添加推荐集中各推荐视频对应的用户观看信息或者视频属性信息，以及各所述已观看视频对应的用户观看信息或者视频属性信息，确定各所述添加推荐集对应的推荐质量度；

根据各所述推荐质量度以及与所述预设添加规则对应的预设推荐规则，确定目标推荐集；

根据各所述添加推荐集中各推荐视频对应的用户观看信息或者视频属性信息，以及各所述已观看视频对应的用户观看信息或者视频属性信息，确定各所述添加推荐集对应的推荐质量度，包括：

根据所述添加推荐集中的各推荐视频对应的用户观看信息或者视频属性信息，确定所述添加推荐集中两两推荐视频之间的第一相似度；

根据各所述推荐视频和各所述已观看视频对应的用户观看信息或者视频属性信息，确定各所述推荐视频与各所述已观看视频之间的各第二相似度；

根据各所述第二相似度和所述目标用户对应的视频观看时长，确定所述目标用户对各所述推荐视频的用户偏好度；

根据各所述第一相似度和各所述用户偏好度，确定各所述添加推荐集对应的推荐质量度；

所述预设添加规则，将所述第二未观看视频添加至所述候选推荐集，确定各添加推荐集，包括：

根据预设推荐数量对各第二未观看视频进行组合，其中，每个组合包括预设推荐数量的第二未观看视频；

将各组合单独添加至候选推荐集，确定各添加推荐集。

2.根据权利要求1所述的方法，其特征在于，根据所述添加推荐集中的各推荐视频对应的用户观看信息或者视频属性信息，确定所述添加推荐集中两两推荐视频之间的第一相似度，包括：

将所述添加推荐集中的各推荐视频进行两两组合，并将各组合逐个确定为目标组合；

检测所述目标组合中的两个推荐视频是否均为第一未观看视频；

若是，则根据所述目标组合中的两个推荐视频分别对应的用户观看信息，确定所述目标组合中的两个推荐视频之间的第一相似度；

若否，则根据所述目标组合中的两个推荐视频分别对应的视频属性信息，确定所述目标组合中的两个推荐视频之间的第一相似度。

3.根据权利要求1所述的方法，其特征在于，根据各所述推荐视频和各所述已观看视频对应的用户观看信息或者视频属性信息，确定各所述推荐视频与各所述已观看视频之间的各第二相似度，包括：

将各所述推荐视频逐个确为目标推荐视频，将各所述已观看视频逐个确定为目标已观看视频；

检测所述目标推荐视频是否为第一未观看视频，以及所述目标已观看视频是否为第一已观看视频；

若是，则根据所述目标推荐视频和所述目标已观看视频分别对应的用户观看信息，确定所述目标推荐视频与所述目标已观看视频之间的第二相似度；

若否，则根据所述目标推荐视频和所述目标已观看视频分别对应的视频属性信息，确定所述目标推荐视频与所述目标已观看视频之间的第二相似度。

4.根据权利要求2所述的方法，其特征在于，基于所述目标组合中的两个推荐视频分别对应的用户观看信息，根据如下公式确定所述目标组合中的两个推荐视频之间的第一相似度：

其中，sim(i,j)是所述目标组合中推荐视频i和推荐视频j之间的第一相似度；U_i是观看推荐视频i的有效用户集合，其中所述有效用户是观看时长大于预设时长的用户；U_j是观看推荐视频j的有效用户集合；U_i∩U_j是推荐视频i和推荐视频j对应的相同有效用户集合；u是所述相同有效用户集合中的任一相同有效用户；m是观看推荐视频i的有效用户集合U_i中的任一有效用户；n是观看推荐视频j的有效用户集合U_j中的任一有效用户；t_ui是相同有效用户u最后一次观看推荐视频i的结束时刻；t_uj是相同有效用户u最后一次观看推荐视频j的结束时刻；W_u是相同有效用户u对应的惩罚因子；W_m是有效用户m对应的惩罚因子；W_n是有效用户n对应的惩罚因子；q_u是相同有效用户u的观看视频数量；q_m是有效用户m的观看视频数量；q_n是有效用户n的观看视频数量；δ是大于0的权重系数。

5.根据权利要求2所述的方法，其特征在于，基于所述目标组合中的两个推荐视频分别对应的视频属性信息，根据如下公式确定所述目标组合中的两个推荐视频之间的第一相似度：

其中，sim(i,j)是所述目标组合中推荐视频i和推荐视频j之间的第一相似度；D是由各视频属性组成的视频属性集合；d是所述视频属性集合中的任一视频属性；s_id是推荐视频i中视频属性d对应的视频属性信息；s_jd是推荐视频j中视频属性d对应的视频属性信息；I(s_id＝s_jd)是示性函数，当s_id与s_jd相等时，I(s_id＝s_jd)为1，否则I(s_id＝s_jd)为0；|D|是所述视频属性集合中的视频属性个数。

6.根据权利要求1所述的方法，其特征在于，根据如下公式确定所述目标用户对所述推荐视频的用户偏好度：

其中，sim(x,v)是目标用户v对推荐视频x的用户偏好度；M_v是目标用户v的各已观看视频组成的已观看视频集合；y是所述已观看视频集合M_v中的任一已观看视频；sim(x,y)是推荐视频x与已观看视频y之间的第二相似度；m_y是已观看视频y对应的视频观看时长。

7.根据权利要求1所述的方法，其特征在于，根据以下公式确定所述添加推荐集对应的推荐质量度：

其中，f(S)是添加推荐集S对应的推荐质量度；|S|是添加推荐集S中的推荐视频个数；i和j是添加推荐集S中任意两个不同的推荐视频；x是添加推荐集S中的任一推荐视频；sim(i,j)是推荐视频i和推荐视频j之间的第一相似度；sim(x,v)是目标用户v对推荐视频x的用户偏好度。

8.根据权利要求1所述的方法，其特征在于，根据各所述推荐质量度以及与所述预设添加规则对应的预设推荐规则，确定目标推荐集，包括：

将最大的推荐质量度对应的添加推荐集确定为目标推荐集。

9.一种视频推荐装置，其特征在于，包括：

视频获取模块，用于获取目标用户在预设时间内的各已观看视频和各未观看视频，其中，所述未观看视频包括第一未观看视频和第二未观看视频；

候选推荐集确定模块，用于根据协同过滤算法和各所述已观看视频，从各所述第一未观看视频中确定候选推荐集；

添加推荐集确定模块，用于根据预设添加规则，将所述第二未观看视频添加至所述候选推荐集，确定各添加推荐集；

推荐质量度确定模块，用于根据各所述添加推荐集中各推荐视频对应的用户观看信息或者视频属性信息，以及各所述已观看视频对应的用户观看信息或者视频属性信息，确定各所述添加推荐集对应的推荐质量度；

目标推荐集确定模块，用于根据各所述推荐质量度以及与所述预设添加规则对应的预设推荐规则，确定目标推荐集；

所述推荐质量度确定模块，包括：

第一相似度确定单元，用于根据添加推荐集中的各推荐视频对应的用户观看信息或者视频属性信息，确定添加推荐集中两两推荐视频之间的第一相似度；

第二相似度确定单元，用于根据各推荐视频和各已观看视频对应的用户观看信息或者视频属性信息，确定各推荐视频与各已观看视频之间的各第二相似度；

用户偏好度确定单元，用于根据各第二相似度和目标用户对应的视频观看时长，确定目标用户对各推荐视频的用户偏好度；

推荐质量度确定单元，用于根据各第一相似度和各用户偏好度，确定各添加推荐集对应的推荐质量度；

所述添加推荐集确定模块，具体用于：根据预设推荐数量对各第二未观看视频进行组合，其中，每个组合包括预设推荐数量的第二未观看视频；将各组合单独添加至候选推荐集，确定各添加推荐集。

Images