CN109299327A - 视频推荐方法、装置、设备及存储介质 - Google Patents

Abstract

本发明实施例公开了一种视频推荐方法、装置、设备及存储介质。该方法包括：获取当前用户的行为数据以及初始候选视频集合；根据所述行为数据预测所述初始候选视频集合中的视频是否被点击；获取至少一个目标候选视频与所述当前用户历史观看视频的内容相似度值，所述至少一个目标候选视频为所述初始候选视频集合中预测被点击的视频；根据所述内容相似度值，向当前用户推送所述至少一个目标候选视频。本发明实施例提供的视频推荐方法，根据当前用户的行为数据来预测初始候选视频集合中的视频是否被点击，从而确定出目标候选视频，使得不包含用户行为数据的初始候选视频能被推送至用户，可以增加视频的曝光度，提高推荐视频的多样性。

Description

视频推荐方法、装置、设备及存储介质

技术领域

本发明实施例涉及在线视频技术领域，尤其涉及一种视频推荐方法、装置、设备及存储介质。

背景技术

随着互联网的普及，在线视频业发展迅速，在线视频数量和用户数量呈井喷式增加，为提高用户的视频观看体验，如何向用户进行视频推荐逐渐成为相关技术人员的研究热点。

现有技术中，在对视频进行推荐时，需要根据用户历史行为预测用户潜在兴趣点，进而向用户推荐满足其喜好的视频。根据视频包含的大量用户行为数据如点击信息确定视频是否与用户的兴趣点相匹配，从而进行推荐。然而包含大量用户行为数据的视频只占视频集中的一小部分，视频集中的大部分视频包含的用户行为数据较少，使得这类视频无法作为候选视频推荐至用户，即无法对这类视频进行冷启动，使得一些内容质量好的视频因缺少用户行为数据而曝光度降低，以至于推荐至用户的视频内容单一。

发明内容

本发明实施例提供一种视频推荐方法、装置、设备及存储介质，以实现对携带有较少用户行为数据或没有用户行为数据的视频进行冷启动，增加视频的曝光度，提高推荐视频的多样性。

第一方面，本发明实施例提供了一种视频推荐方法，该方法包括：

获取当前用户的行为数据以及初始候选视频集合，所述初始候选视频集合由携带有较少用户行为数据或没有用户行为数据的视频组成；

根据所述行为数据预测所述初始候选视频集合中的视频是否被点击；

获取至少一个目标候选视频与所述当前用户历史观看视频的内容相似度值，所述至少一个目标候选视频为所述初始候选视频集合中预测被点击的视频；

根据所述内容相似度值，向当前用户推送所述至少一个目标候选视频。

进一步地，根据所述行为数据预测所述初始候选视频集合中的视频是否被点击，包括：

将所述行为数据和所述初始视频集合中的视频输入预先建立的点击预测模型，获得所述初始视频集合中的视频的点击信息，所述点击信息包括被点击或不被点击。

进一步地，所述点击预测模型包括第一神经网络、第二神经网络和第三神经网络，将所述行为数据和所述初始候选视频集输入预先建立的点击预测模型，获得所述初始候选视频集合中的视频的点击信息，包括：

将所述初始候选视频集合中的视频分别输入所述第一神经网络，对视频进行内容识别，获得初始候选视频分别对应的视频内容特征向量；

将所述行为数据输入所述第二神经网络，对所述行为数据进行分析获得行为特征向量；

将所述行为特征向量分别和多个视频内容特征向量合并后输入所述第三神经网络，获得所述初始候选视频集合中的视频的点击信息。

进一步地，在获取当前用户的行为数据以及初始候选视频集合之前，还包括：

获取离线训练样本集；

基于所述离线训练样本集，采用设定机器学习算法进行模型训练，获得离线点击预测模型；

获取在线训练样本集；

根据所述在线训练样本集对所述离线点击预测模型进行更新，获得点击预测模型。

进一步地，所述训练样本集包括视频集、所述视频集携带的用户行为数据和真实点击信息，基于所述离线训练样本集，采用设定机器学习算法进行模型训练，获得离线点击预测模型，包括：

将所述视频集和所述用户行为数据按照对应关系组成的样本输入卷积神经网络，获得预测点击信息；

根据所述预测点击信息和所述真实点击信息确定损失函数值；

根据所述损失函数值对所述卷积神经网络的参数进行优化，获得离线点击预测模型。

进一步地，所述损失函数值按照如下公式计算：其中A为损失函数值，y和t分别表示视频集中第i个视频对应的预测点击信息值和真实点击信息值，L为损失函数；其中，L的计算公式为：L＝max{0,1-yt}或者L＝log(1+exp{||y-t||²})。

进一步地，获取所述至少一个目标候选视频与所述当前用户历史观看视频的内容相似度值，包括：

获取所述至少一个目标候选视频与所述当前用户历史观看视频的视频内容特征向量；

根据所述视频内容特征向量按照设定相似度算法计算所述至少一个目标候选视频与所述当前用户历史观看视频的内容相似度值。

进一步地，根据所述视频内容特征向量按照设定相似度算法计算所述至少一个目标候选视频与所述当前用户历史观看视频的内容相似度值的计算公式如下：

其中，Q表示当前用户的历史观看视频集，V表示初始候选视频集，f(x)表示视频内容特征向量，cos(f(x_q),f(x_h))＝f(x_q)^Tf(x_h)。

进一步地，根据所述内容相似度值，向当前用户推送所述至少一个目标候选视频，包括：

若目标候选视频的数量为至少两个，则根据内容相似度值对至少两个目标候选视频进行排序；

根据排序结果向当前用户推送所述至少两个目标候选视频。

第二方面，本发明实施例还提供了一种视频推荐装置，该装置包括：

用户行为数据获取模块，用于获取当前用户的行为数据以及初始候选视频集合，基于所述离线训练样本集，采用设定机器学习算法进行模型训练，获得离线点击预测模型；

视频是否被点击预测模块，用于根据所述行为数据预测所述初始候选视频集合中的视频是否被点击；

内容相似度获取模块，用于获取至少一个目标候选视频与所述当前用户历史观看视频的内容相似度值，所述至少一个目标候选视频为所述初始候选视频集合中预测被点击的视频；

目标候选视频推送模块，用于根据所述内容相似度值，向当前用户推送所述至少一个目标候选视频。

第三方面，本发明实施例还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如本发明实施例所述的视频推荐方法。

第四方面，本发明实施例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实施例所述的视频推荐方法。

本发明实施例，首先获取当前用户的行为数据以及初始候选视频集合，然后根据行为数据预测初始候选视频集合中的视频是否被点击，再然后获取至少一个目标候选视频与当前用户历史观看视频的内容相似度值，至少一个目标候选视频为初始候选视频集合中预测被点击的视频，最后根据内容相似度值，向当前用户推送至少一个目标候选视频。本发明实施例提供的视频推荐方法，根据当前用户的行为数据来预测初始候选视频集合中的视频是否被点击，从而确定出目标候选视频，使得携带有较少用户行为数据或没有用户行为数据的初始候选视频能被推送至用户，实现对这类视频的冷启动，可以增加视频的曝光度，提高推荐视频的多样性。

附图说明

图1是本发明实施例一中的一种视频推荐方法的流程图；

图2是本发明实施例一中的用户行为数据数量与视频数量之间的关系示意图；

图3是本发明实施例一中的点击预测模型的结构示意图；

图4是本发明实施例二中的一种视频推荐方法的流程图；

图5是本发明实施例二中的一种点击预测模型的构建和更新示意图；

图6是本发明实施例三中一种视频推荐装置的结构示意图；

图7是本发明实施例四中的一种计算机设备的结构示意图。

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图，本实施例可适用于对视频进行推荐的情况，该方法可以由视频推荐装置来执行，该装置可由硬件和/或软件组成，并一般可集成在电脑、服务器以及所有包含视频推荐功能的终端中。如图1所示，该方法具体包括如下步骤：

步骤110，获取当前用户的行为数据以及初始候选视频集合。

其中，初始候选视频集合可以是由携带有较少用户行为数据或没有用户行为数据的视频组成的集合。行为数据包括但不限于，用户个人信息和行为：人口统计信息(年龄、性别、语言及居住地等)、浏览和搜索记录；视频来源信息：发布视频者的个人信息和历史视频的点击率等指标；视频的上下时间及各时间内的点击率、点赞率和完成率指标。图2是本发明实施例示出的用户行为数据数量与视频数量之间的关系示意图。如图2所示，视频数量与用户行为数据数量之间呈长尾分布，包含较多用户行为数据的视频称为“主体视频”，包含较少用户行为数据的视频称为“尾部视频”。“主体视频”包含较多的用户行为数据，表明“主体视频”的曝光度较高，在推荐视频时，优先选择“主体视频”推荐，但是“主体视频”数量较少，使推荐的视频内容受到限制。而“尾部视频”由于包含较少的用户行为数据，无法被推荐，曝光度无法提高。本实施例中，初始候选视频集合可以是由“尾部视频”组成的集合。

具体的，在检测到当前用户进入视频网站或者视频APP时，获得当前用户的行为数据以及从“尾部视频”中获取到的初始候选视频集合。

步骤120，根据行为数据预测初始候选视频集合中的视频是否被点击。

在获得当前用户的行为数据后，基于当前用户的行为数据以及初始候选视频集合中视频的内容信息，预测当前用户是否点击初始候选视频集合中的视频，例如，根据当前用户的历史观看视频或者历史浏览视频记录判断用户喜欢的视频类别，则可以预测初始候选视频集合中类别与用户喜欢的视频类别相同或相近的会被点击。

可选的，根据行为数据预测初始候选视频集合中的视频是否被点击，可通过下述方式实施：将行为数据和初始候选视频集合中的视频输入预先建立的点击预测模型，获得初始视频集合中的视频的点击信息，点击信息包括被点击或不被点击。

其中，点击预测模型具有预测初始候选视频是否被点击的能力，可以是基于训练样本集，采用设定机器学习算法进行模型训练获得的模型。本实施例中，将行为数据和初始候选视频集合中的视频输入预先建立的点击预测模型后，点击预测模型对行为数据进行特征识别，对初始候选视频进行内容特征识别，然后将行为特征和内容特征进行综合分析后，获得预测结果。

可选的，点击预测模型包括第一神经网络、第二神经网络和第三神经网络，将行为数据和初始候选视频集输入预先建立的点击预测模型，获得初始候选视频集合中的视频的点击信息，可通过下述方式实施：将初始候选视频集合中的视频分别输入第一神经网络，对视频进行内容识别，获得初始候选视频分别对应的视频内容特征向量；将行为数据输入第二神经网络，对行为数据进行分析获得行为特征向量；将行为特征向量分别和多个视频内容特征向量合并后输入第三神经网络，获得初始候选视频集合中的视频的点击信息。

其中，第一神经网络具有视频内容识别的能力，第二神经网络具有行为特征分析的能力，第三神经网络具有对内容特征和行为特征综合分析的能力。图3是本发明实施例的点击预测模型的结构示意图。如图3所示，初始候选视频输入第一神经网络后，输出视频内容特征向量，行为数据输入第二神经网络后，输出行为特征向量，将视频内容特征向量和行为特征向量合并后输入第三神经网络，输出点击信息。示例性的，视频内容特征向量由f(A1,A2,A3,……An)表示，行为特征向量由f’(B1,B2,B3,……,Bm)表示，则视频内容特征向量和行为特征向量合并后的表示方式为g(A1,A2,A3,……An,B1,B2,B3,……,Bm)。

步骤130，获取至少一个目标候选视频与当前用户历史观看视频的内容相似度值。

其中，至少一个目标候选视频为初始候选视频集合中预测被点击的视频。可选的，获取至少一个目标候选视频与当前用户历史观看视频的内容相似度值，可通过下述方式实施：获取至少一个目标候选视频与当前用户历史观看视频的视频内容特征向量；根据视频内容特征向量按照设定相似度算法计算至少一个目标候选视频与当前用户历史观看视频的内容相似度值。

视频内容特征向量的获取方式可以是将目标候选视频和当前用户历史观看视频输入卷积神经网络获得，例如上述实施例所述的点击预测模型中的第一神经网络。设定相似度算法可以是余弦相似度算法。具体的，根据所述视频内容特征向量按照设定相似度算法计算所述至少一个目标候选视频与所述当前用户历史观看视频的内容相似度值的计算公式如下：其中，Q表示当前用户的历史观看视频集，V表示初始候选视频集，f(x)表示视频内容特征向量，cos(f(x_q),f(x_h))＝f(x_q)^Tf(x_h)。示例性的，假设初始候选视频集合中包含100个视频，将这100个视频和当前用户的行为数据输入点击预测模型后，获得其中10个视频的点击信息为“被点击”，则将这10个视频确定为目标候选视频，计算10个目标候选视频分别与当前用户的历史观看视频的内容相似度。

步骤140，根据内容相似度值，向当前用户推送至少一个目标候选视频。

具体的，在获得目标候选视频与当前用户的历史观看视频的内容相似度之后，可以按照任意顺序向用户推送目标候选视频。

可选的，根据内容相似度值，向当前用户推送至少一个目标候选视频，可通过下述方式实施：若目标候选视频的数量为至少两个，则根据内容相似度值对至少两个目标候选视频进行排序；根据排序结果向当前用户推送至少两个目标候选视频。

其中，排序的方式可以是按照内容相似度由大到小的顺序或者由小到大的顺序。

本实施例的技术方案，首先获取当前用户的行为数据以及初始候选视频集合，然后根据行为数据预测初始候选视频集合中的视频是否被点击，再然后获取至少一个目标候选视频与当前用户历史观看视频的内容相似度值，至少一个目标候选视频为初始候选视频集合中预测被点击的视频，最后根据内容相似度值，向当前用户推送至少一个目标候选视频。本发明实施例提供的视频推荐方法，根据当前用户的行为数据来预测初始候选视频集合中的视频是否被点击，从而确定出目标候选视频，使得携带有较少用户行为数据或没有用户行为数据的初始候选视频能被推送至用户，实现对这类视频的冷启动，可以增加视频的曝光度，提高推荐视频的多样性。

实施例二

图4为本发明实施例二提供的一种视频推荐方法的流程图，作为对上述实施例的进一步解释，如图4所示，该方法包括如下步骤：

步骤210，获取离线训练样本集。

其中，离线训练样本集可以包括视频集、视频集携带的用户行为数据和真实点击信息，离线视频集携带的用户行为数据可以是视频集在某历史时间段内产生的数据(例如可以是上一个月内用户观看视频产生的用户行为数据)。

步骤220，基于离线训练样本集，采用设定机器学习算法进行模型训练，获得离线点击预测模型。

其中，设定机器学习算法可以是卷积神经网络(Convolutional Neural Network，CNN)算法。在获得离线训练样本集后，将视频集输入第一神经网络、用户行为数据输入第二神经网络，利用真实点击信息对第三神经网络输出的预测点击信息进行监督。在训练过程中，不断的调整设定机器学习算法中的参数，使得点击预测模型能够准确预测用户对视频的点击信息。

可选的，基于离线训练样本集，采用设定机器学习算法进行模型训练，获得离线点击预测模型，可通过下述方式实施：将视频集和用户行为数据按照对应关系组成的样本输入卷积神经网络，获得预测点击信息；根据预测点击信息和真实点击信息确定损失函数值；根据损失函数值对卷积神经网络的参数进行优化，获得离线点击预测模型。

其中，损失函数值按照如下公式计算：其中A为损失函数值，y和t分别表示视频集中第i个视频对应的预测点击信息值和真实点击信息值，L为损失函数；其中，L的计算公式为：L＝max{0,1-yt}或者L＝log(1+exp{||y-t||²})。L＝max{0,1-yt}为折页损失函数的表达式，L＝log(1+exp{||y-t||²})为对数损失函数的表达式。

步骤230，获取在线训练样本集。

其中，在线训练样本集可以包括视频集、视频集携带的用户行为数据和真实点击信息，在线视频集携带的用户行为数据可以是视频集在最近设定时间段内产生的数据(例如可以是最近一周内用户观看视频产生的用户行为数据)。在线视频包括“主体视频”和“尾部视频”，“主体视频”为包含用户行为数据较多的在线视频，“尾部视频”为包含用户行为数据较少或不包含用户行为数据的在线视频。本实施例中，在线训练样本集由在线视频中的“主体视频”组成，即包含用户行为数据较多的在线视频。

步骤240，根据在线训练样本集对离线点击预测模型进行更新，获得点击预测模型。

具体的，将在线训练样本集中的视频集和用户行为数据按照对应关系组成的样本输入离线点击预测模型，获得预测点击信息；根据预测点击信息和真实点击信息确定损失函数值；根据损失函数值对离线点击预测模型中的参数进行更新，获得点击预测模型。即利用“主体视频”对离线点击预测模型进行更新获得点击预测模型。

步骤250，获取当前用户的行为数据以及初始候选视频集合。

其中，初始候选视频集合可以是在线视频中由携带有较少用户行为数据或没有用户行为数据的在线视频组成的集合，即在线视频中的“尾部视频”。

步骤260，将行为数据和初始候选视频集合中的视频输入预先建立的点击预测模型，获得初始视频集合中的视频的点击信息，点击信息包括被点击或不被点击。

本实施例中，将在线视频中的“尾部视频”输入点击预测模型，获得“尾部视频”的点击信息，从而根据点击信息对“尾部视频”进行推荐。

步骤270，获取至少一个目标候选视频与当前用户历史观看视频的内容相似度值。

其中，至少一个目标候选视频为“尾部视频”中预测被点击的视频。

步骤280，根据内容相似度值，向当前用户推送至少一个目标候选视频。

具体的，根据内容相似度，将预测被点击的“尾部视频”推送至当前用户。

示例性的，图5是本实施例二中的一种点击预测模型的构建和更新示意图，如图5所示，首先根据离线训练样本集采用设定机器学习算法进行模型训练获得离线点击预测模型，然后根据在线训练样本集对离线点击预测模型中的参数进行更新，获得点击预测模型。其中，在线训练样本集中的视频为在线视频中的“主体视频”，即包含用户行为数据较多的在线视频。最后采用点击预测模型对“尾部视频”的点击信息进行预测，其中“尾部视频”为在线视频中包含用户行为数据较少或不包含用户行为数据的视频。当“尾部视频”被推荐至用户，曝光率增加(即包含的用户行为数据增加)后，变为“主体视频”，再继续对点击预测模型进行更新。

本实施例的技术方案，基于离线训练样本集，采用设定机器学习算法进行模型训练，获得离线点击预测模型，然后基于在线训练样本集对离线点击预测模型进行更新，获得点击预测模型。可以提高点击预测模型对点击信息预测的准确性。

实施例三

图6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。如图6所示，该装置包括：用户行为数据获取模块610，视频是否被点击预测模块620，内容相似度获取模块630和目标候选视频推送模块640。

用户行为数据获取模块610，用于获取当前用户的行为数据以及初始候选视频集合，初始候选视频集合由携带有较少用户行为数据或没有用户行为数据的视频组成；

视频是否被点击预测模块620，用于根据行为数据预测初始候选视频集合中的视频是否被点击；

内容相似度获取模块630，用于获取至少一个目标候选视频与当前用户历史观看视频的内容相似度值，至少一个目标候选视频为初始候选视频集合中预测被点击的视频；

目标候选视频推送模块640，用于根据内容相似度值，向当前用户推送至少一个目标候选视频。

可选的，视频是否被点击预测模块620，还用于：

将行为数据和初始候选视频集合中的视频输入预先建立的点击预测模型，获得初始视频集合中的视频的点击信息，点击信息包括被点击或不被点击。

可选的，点击预测模型包括第一神经网络、第二神经网络和第三神经网络，视频是否被点击预测模块620，还用于：

将初始候选视频集合中的视频分别输入第一神经网络，对视频进行内容识别，获得初始候选视频分别对应的视频内容特征向量；

将行为数据输入第二神经网络，对行为数据进行分析获得行为特征向量；

将行为特征向量分别和多个视频内容特征向量合并后输入第三神经网络，获得初始候选视频集合中的视频的点击信息。

可选的，还包括：

离线训练样本集获取模块，用于获取离线训练样本集；

离线点击预测模型获取模块，用于基于离线训练样本集，采用设定机器算法算法进行模型训练，获得离线点击预测模型；

在线训练样本集获取模块，用于获取在线训练样本集；

点击预测模型，用于根据在线训练样本集对离线点击预测模型进行更新，获得点击预测模型。

可选的，训练样本集包括视频集、视频集携带的用户行为数据和真实点击信息，离线点击预测模型获取模块，还用于：

将视频集和用户行为数据按照对应关系组成的样本输入卷积神经网络，获得预测点击信息；

根据预测点击信息和真实点击信息确定损失函数值；

根据损失函数值对卷积神经网络的参数进行优化，获得离线点击预测模型。

可选的，损失函数值按照如下公式计算：其中A为损失函数值，y和t分别表示视频集中第i个视频对应的预测点击信息值和真实点击信息值，L为损失函数；其中，L的计算公式为：L＝max{0,1-yt}或者L＝log(1+exp{||y-t||²})。

可选的，内容相似度获取模块630，还用于：

获取至少一个目标候选视频与当前用户历史观看视频的视频内容特征向量；

根据视频内容特征向量按照设定相似度算法计算至少一个目标候选视频与当前用户历史观看视频的内容相似度值。

可选的，根据视频内容特征向量按照设定相似度算法计算至少一个目标候选视频与当前用户历史观看视频的内容相似度值的计算公式如下：

其中，Q表示当前用户的历史观看视频集，V表示初始候选视频集，f(x)表示视频内容特征向量，cos(f(x_q),f(x_h))＝f(x_q)^Tf(x_h)。

可选的，目标候选视频推送模块640，还用于：

若目标候选视频的数量为至少两个，则根据内容相似度值对至少两个目标候选视频进行排序；

根据排序结果向当前用户推送至少两个目标候选视频。

上述装置可执行本发明前述所有实施例所提供的方法，具备执行上述方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明前述所有实施例所提供的方法。

实施例四

图7为本发明实施例四提供的一种计算机设备的结构示意图，如图7所示，本实施例提供的一种计算机设备，包括：处理器71和存储器72。该计算机设备中的处理器可以是一个或多个，图7中以一个处理器71为例，所述计算机设备中的处理器71和存储器72可以通过总线或其他方式连接，图7中以通过总线连接为例。

本实施例中计算机设备的处理器71中集成了上述实施例提供的视频推荐装置。此外，该计算机设备中的存储器72作为一种计算机可读存储介质，可用于存储一个或多个程序，所述程序可以是软件程序、计算机可执行程序以及模块，如本发明实施例中视频推荐方法对应的程序指令/模块。处理器71通过运行存储在存储器72中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述方法实施例中视频推荐方法。

存储器72可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设备的使用所创建的数据等。此外，存储器72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72可进一步包括相对于处理器71远程设置的存储器，这些远程存储器可以通过网络连接至设备。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。

处理器71通过运行存储在存储器72中的程序，从而执行各种功能应用以及数据处理，实现例本发明实施例提供的视频推荐方法。

实施例五

本发明实施例五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，该程序被处理器执行时实现如本发明实施例所提供的视频推荐方法。

当然，本发明实施例所提供的一种计算机可读存储介质，其上存储的计算机程序不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的问题答案类型的确定方法中的相关操作。

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 (11)

1.一种视频推荐方法，其特征在于，包括：

获取当前用户的行为数据以及初始候选视频集合，所述初始候选视频集合由携带有较少用户行为数据或没有用户行为数据的视频组成；

根据所述行为数据预测所述初始候选视频集合中的视频是否被点击；

获取至少一个目标候选视频与所述当前用户历史观看视频的内容相似度值，其中，所述至少一个目标候选视频为所述初始候选视频集合中预测被点击的视频；

根据所述内容相似度值，向当前用户推送所述至少一个目标候选视频。

2.根据权利要求1所述的方法，其特征在于，根据所述行为数据预测所述初始候选视频集合中的视频是否被点击，包括：

将所述行为数据和所述初始候选视频集合中的视频输入预先建立的点击预测模型，获得所述初始视频集合中的视频的点击信息，所述点击信息包括被点击或不被点击。

3.根据权利要求2所述的方法，其特征在于，所述点击预测模型包括第一神经网络、第二神经网络和第三神经网络，将所述行为数据和所述初始候选视频集输入预先建立的点击预测模型，获得所述初始候选视频集合中的视频的点击信息，包括：

将所述初始候选视频集合中的视频分别输入所述第一神经网络，对视频进行内容识别，获得初始候选视频分别对应的视频内容特征向量；

将所述行为数据输入所述第二神经网络，对所述行为数据进行分析获得行为特征向量；

将所述行为特征向量分别和多个视频内容特征向量合并后输入所述第三神经网络，获得所述初始候选视频集合中的视频的点击信息。

4.根据权利要求2所述的方法，其特征在于，在获取当前用户的行为数据以及初始候选视频集合之前，还包括：

获取离线训练样本集；

基于所述离线训练样本集，采用设定机器学习算法进行模型训练，获得离线点击预测模型；

获取在线训练样本集；

根据所述在线训练样本集对所述离线点击预测模型进行更新，获得点击预测模型。

5.根据权利要求4所述的方法，其特征在于，所述训练样本集包括视频集、所述视频集携带的用户行为数据和真实点击信息，基于所述离线训练样本集，采用设定机器学习算法进行模型训练，获得离线点击预测模型，包括：

将所述视频集和所述用户行为数据按照对应关系组成的样本输入卷积神经网络，获得预测点击信息；

根据所述预测点击信息和所述真实点击信息确定损失函数值；

根据所述损失函数值对所述卷积神经网络的参数进行优化，获得离线点击预测模型。

6.根据权利要求5所述的方法，其特征在于，所述损失函数值按照如下公式计算：

其中A为损失函数值，y和t分别表示视频集中第i个视频对应的预测点击信息值和真实点击信息值，L为损失函数；其中，L的计算公式为：L＝max{0,1-yt}或者L＝log(1+exp{||y-t||²})。

7.根据权利要求3所述的方法，其特征在于，获取所述至少一个目标候选视频与所述当前用户历史观看视频的内容相似度值，包括：

获取所述至少一个目标候选视频与所述当前用户历史观看视频的视频内容特征向量；

根据所述视频内容特征向量按照设定相似度算法计算所述至少一个目标候选视频与所述当前用户历史观看视频的内容相似度值。

8.根据权利要求1所述的方法，其特征在于，根据所述内容相似度值，向当前用户推送所述至少一个目标候选视频，包括：

若目标候选视频的数量为至少两个，则根据内容相似度值对至少两个目标候选视频进行排序；

根据排序结果向当前用户推送所述至少两个目标候选视频。

9.一种视频推荐装置，其特征在于，包括：

用户行为数据获取模块，用于获取当前用户的行为数据以及初始候选视频集合，所述初始候选视频集合由携带有较少用户行为数据或没有用户行为数据的视频组成；

视频是否被点击预测模块，用于根据所述行为数据预测所述初始候选视频集合中的视频是否被点击；

内容相似度获取模块，用于获取至少一个目标候选视频与所述当前用户历史观看视频的内容相似度值，所述至少一个目标候选视频为所述初始候选视频集合中预测被点击的视频；

目标候选视频推送模块，用于根据所述内容相似度值，向当前用户推送所述至少一个目标候选视频。

10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-8中任一所述的方法。

11.一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权利要求1-8中任一所述的方法。