CN109360028A - 用于推送信息的方法和装置 - Google Patents

Abstract

本申请实施例公开了用于推送信息的方法和装置。该方法的一具体实施方式包括：获取目标视频；提取该目标视频的内容特征，生成内容特征向量；将该内容特征向量输入至预先训练的推荐行为特征预测模型，得到该目标视频的推荐行为特征向量；基于所得到的推荐行为特征向量，确定目标用户，将该目标视频推送给该目标用户。该实施方式实现了富于针对性的信息推送。

Description

用于推送信息的方法和装置

技术领域

本申请实施例涉及计算机技术领域，具体涉及用于推送信息的方法和装置。

背景技术

随着计算机技术的发展，视频类应用应运而生。用户可以利用视频类应用上传、发布视频。通常，对于已存储的视频，视频推荐系统可以对用户的历史行为数据(例如，可以包括点击数据，搜索数据等)进行分析，得到用于指示该视频的推荐行为的特征。作为示例，用户甲喜欢看视频A和B，用户乙喜欢看视频A和C，用户丙喜欢看C和B。则推荐系统认为这几个用户喜欢看的视频是相似的，可以推荐与A、B、C相似的视频给用户甲、用户乙和用户丙。推荐系统会逐渐学习到这类相似视频的推荐行为特征。由此，对于每一个视频，推荐系统可以得到一个该视频的推荐行为特征。

相关的方式，对于已存储的视频，通常基于用户的历史行为数据得到视频的推荐行为特征。对于用户新上传的视频，通常直接将该视频随机推荐给用户。

发明内容

本申请实施例提出了用于推送信息的方法和装置。

第一方面，本申请实施例提供了一种用于推送信息的方法，该方法包括：获取目标视频；提取目标视频的内容特征，生成内容特征向量；将内容特征向量输入至预先训练的推荐行为特征预测模型，得到目标视频的推荐行为特征向量，推荐行为特征预测模型用于表征视频的内容特征向量与推荐行为特征向量的对应关系；基于所得到的推荐行为特征向量，确定目标用户，将目标视频推送给目标用户。

在一些实施例中，基于所得到的推荐行为特征向量，确定目标用户，将目标视频推送给目标用户，包括：将所得到的推荐行为特征向量进行升维，得到目标推荐行为特征向量；确定目标推荐行为特征向量与内容特征向量的点积；响应于确定点积大于预设阈值，基于目标推荐行为特征向量，确定目标用户，将目标视频推送给目标用户。

在一些实施例中，响应于确定点积大于预设阈值，基于目标推荐行为特征向量，确定目标用户，将目标视频推送给目标用户，包括：响应于确定点积大于预设阈值，确定目标推荐行为特征向量与视频库中的各视频的推荐行为特征向量的相似度；将视频库中的、与目标推荐行为特征向量的相似度大于预设相似度阈值的视频作为相似视频，将发送相似视频的用户作为目标用户，向目标用户推送目标视频。

在一些实施例中，该方法还包括：建立目标视频与所得到的推荐行为特征向量的对应关系，并将目标视频和所得到的推荐行为特征进行存储。

在一些实施例中，提取目标视频的内容特征，生成内容特征向量，包括：提取目标视频中的至少一帧；将至少一帧输入至预先训练的视频内容特征提取模型，得到目标视频的内容特征向量，其中，视频内容特征提取模型用于提取视频的内容特征。

在一些实施例中，推荐行为特征预测模型通过如下步骤训练得到：提取样本集，其中，样本集中的样本包括样本视频的内容特征向量和目标推荐行为特征向量，样本视频的目标推荐行为特征向量是从样本视频的推荐行为数据中所提取的；从样本集中提取样本，执行如下训练步骤：将所提取的样本中的内容特征向量输入至初始模型，得到初始模型输出的预测向量，其中，预测向量的维数小于目标推荐行为特征向量的维数；对预测向量进行升维，以使升维后的预测向量与目标推荐行为特征向量的维数相同；基于升维后的预测向量与所提取的样本中的目标推荐行为特征向量，确定所提取的样本的损失值；基于损失值确定初始模型是否训练完成；响应于确定初始模型训练完成，将训练后的初始模型确定为推荐行为特征预测模型。

在一些实施例中，对预测向量进行升维，以使升维后的预测向量与目标推荐行为特征向量的维数相同，包括：将预测向量与预先生成的特征矩阵相乘，得到升维后的预测向量，其中，特征矩阵通过如下方式生成：提取样本集中的部分样本的目标推荐行为特征向量；将所提取的目标推荐行为特征向量汇总为目标推荐行为特征矩阵；对目标推荐行为特征矩阵进行主成分分析，生成特征矩阵。

在一些实施例中，训练推荐行为特征预测模型的步骤还包括：响应于确定初始模型未训练完成，基于损失值，更新初始模型中的参数，从样本集中重新提取样本，使用更新参数后的初始模型作为初始模型，继续执行训练步骤。

第二方面，本申请实施例提供了一种用于推送信息的装置，该装置包括：获取单元，被配置成获取目标视频；提取单元，被配置成提取目标视频的内容特征，生成内容特征向量；输入单元，被配置成将内容特征向量输入至预先训练的推荐行为特征预测模型，得到目标视频的推荐行为特征向量，推荐行为特征预测模型用于表征视频的内容特征向量与推荐行为特征向量的对应关系；推送单元，被配置成基于所得到的推荐行为特征向量，确定目标用户，将目标视频推送给目标用户。

在一些实施例中，推送单元，包括：升维模块，被配置成将所得到的推荐行为特征向量进行升维，得到目标推荐行为特征向量；确定模块，被配置成确定目标推荐行为特征向量与内容特征向量的点积；推送模块，被配置成响应于确定点积大于预设阈值，基于目标推荐行为特征向量，确定目标用户，将目标视频推送给目标用户。

在一些实施例中，推送模块，进一步被配置成：响应于确定点积大于预设阈值，确定目标推荐行为特征向量与视频库中的各视频的推荐行为特征向量的相似度；将视频库中的、与目标推荐行为特征向量的相似度大于预设相似度阈值的视频作为相似视频，将发送相似视频的用户作为目标用户，向目标用户推送目标视频。

在一些实施例中，该装置还包括：存储单元，被配置成建立目标视频与所得到的推荐行为特征向量的对应关系，并将目标视频和所得到的推荐行为特征进行存储。

在一些实施例中，提取单元，包括：提取模块，被配置成提取目标视频中的至少一帧；输入模块，被配置成将至少一帧输入至预先训练的视频内容特征提取模型，得到目标视频的内容特征向量，其中，视频内容特征提取模型用于提取视频的内容特征。

在一些实施例中，推荐行为特征预测模型通过如下步骤训练得到：提取样本集，其中，样本集中的样本包括样本视频的内容特征向量和目标推荐行为特征向量，样本视频的目标推荐行为特征向量是从样本视频的推荐行为数据中所提取的；从样本集中提取样本，执行如下训练步骤：将所提取的样本中的内容特征向量输入至初始模型，得到初始模型输出的预测向量，其中，预测向量的维数小于目标推荐行为特征向量的维数；对预测向量进行升维，以使升维后的预测向量与目标推荐行为特征向量的维数相同；基于升维后的预测向量与所提取的样本中的目标推荐行为特征向量，确定所提取的样本的损失值；基于损失值确定初始模型是否训练完成；响应于确定初始模型训练完成，将训练后的初始模型确定为推荐行为特征预测模型。

在一些实施例中，训练步骤中的对预测向量进行升维，以使升维后的预测向量与目标推荐行为特征向量的维数相同，包括：将预测向量与预先生成的特征矩阵相乘，得到升维后的预测向量，其中，特征矩阵通过如下方式生成：提取样本集中的部分样本的目标推荐行为特征向量；将所提取的目标推荐行为特征向量汇总为目标推荐行为特征矩阵；对目标推荐行为特征矩阵进行主成分分析，生成特征矩阵。

在一些实施例中，训练推荐行为特征预测模型的步骤还包括：响应于确定初始模型未训练完成，基于损失值，更新初始模型中的参数，从样本集中重新提取样本，使用更新参数后的初始模型作为初始模型，继续执行训练步骤。

第三方面，本申请实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如上述第一方面中任一实施例的方法。

第四方面，本申请实施例提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一方面中任一实施例的方法。

本申请实施例提供的用于推送信息的方法和装置，通过对所获取的目标视频进行内容特征的提取以生成内容特征向量，而后将该内容特征向量输入至预先训练的推荐行为特征预测模型，得到目标视频的推荐行为特征向量，之后基于该推荐行为特征向量确定目标用户，将目标视频推送给目标用户。从而，对于用户新上传的视频，可以得到该视频的推荐行为特征向量，进而基于推荐行为特征向量进行该视频的推送，实现了富于针对性的信息推送。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请的一个实施例可以应用于其中的示例性系统架构图；

图2是根据本申请的用于推送信息的方法的一个实施例的流程图；

图3是根据本申请的用于推送信息的方法的一个应用场景的示意图；

图4是根据本申请的用于推送信息的方法的又一个实施例的流程图；

图5是根据本申请的用于推送信息的装置的一个实施例的结构示意图；

图6是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本申请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相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出了可以应用本申请的用于推送信息的方法或用于推送信息的装置的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如视频录制类应用、视频播放类应用、语音交互类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。

终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有显示屏的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。

当终端设备101、102、103为硬件时，其上还可以安装有图像采集设备。图像采集设备可以是各种能实现采集图像功能的设备，如摄像头、传感器等等。用户可以利用终端设备101、102、103上的图像采集设备，来采集视频。

服务器105可以是提供各种服务的服务器，例如用于对终端设备101、102、103上传的视频进行存储、管理或者分析的视频处理服务器。视频处理服务器可以获取终端设备101、102、103发送的目标视频。此外，视频处理服务器可以对所获取的目标视频进行内容特征的提取、分析等处理。并基于处理结果(例如目标视频的推荐行为特征)确定目标用户。进而将上述目标视频推送给上述目标用户。

这样，在用户利用终端设备101、102、103上传视频后，服务器105可以有效地确定将该视频推送给哪些用户。从而，实现了富于针对性的信息推送。

需要说明的是，服务器105可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。

需要说明的是，本申请实施例所提供的用于推送信息的方法一般由服务器105执行，相应地，用于推送信息的装置一般设置于服务器105中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，示出了根据本申请的用于推送信息的方法的一个实施例的流程200。该用于推送信息的方法，包括以下步骤：

步骤201，获取目标视频。

在本实施例中，用于生成信息的方法的执行主体(例如图1所示的服务器105)可以通过有线连接方式或无线连接方式，获取终端设备(例如图1所示的终端设备101、102、103)发送的目标视频。上述目标视频可以是各种视频。例如，可以是使用终端设备的用户所录制的视频，也可以是从互联网或者其他设备中获取的视频。需要指出的是，上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultrawideband)连接、以及其他现在已知或将来开发的无线连接方式。

步骤202，提取目标视频的内容特征，生成内容特征向量。

在本实施例中，由于构成目标视频的内容为帧，因此，上述执行主体可以利用各种图像特征提取方法，从构成上述目标视频的帧中提取特征，作为目标视频的内容特征。而后，可以将所提取的图像特征进行汇总，以生成目标视频的内容特征向量。

实践中，特征可以是某一类对象区别于其他类对象的特点或特性，或是这些特点和特性的集合。特征是通过测量或处理能够抽取的数据。对于图像而言，图像特征可以是构成该图像所具有的能够区别于其他类图像的自身特征。有些是可以直观地感受到的自然特征，如亮度、边缘、纹理和色彩等。有些则是需要通过变换或处理才能得到的，例如直方图以及主成份分析等。可以将图像的多个或多种特征组合在一起，形成图像特征。对于视频而言，将目标视频中的帧的图像特征进行组合(例如取平均)，所得到的特征可以称为目标视频的内容特征。实践中，内容特征可以使用向量的形式来表示。从而，可生成目标视频的内容特征向量。

此处，上述执行主体可以利用各种图像特征提取方式提取目标视频中的帧的图像特征，作为目标视频的内容特征。

作为示例，上述执行主体可以生成上述目标视频中的帧颜色直方图，将上述颜色直方图作为图像特征。实践中，颜色直方图可以表示不同色彩在上述目标视频的帧中所占的比例，通常用于表征图像的颜色特征。具体地，可以将颜色空间划分成若干个颜色区间，进行颜色量化。之后，计算上述目标视频中的帧在每个颜色区间内的像素数量，生成颜色直方图。需要说明的是，上述颜色直方图可以基于各种颜色空间所生成，例如，RGB(red greenblue，红绿蓝)颜色空间、HSV(hue saturation value，色彩饱和度值)颜色空间、HSI(huesaturation Intensity，色彩饱和度亮度)颜色空间等等。在不同的颜色空间中，目标视频的帧的颜色直方图中的各个颜色区间可以具有不同的数值。

作为又一示例，可以利用灰度共生矩阵算法，从目标视频中的帧中提取灰度共生矩阵，将上述灰度共生矩阵作为图像特征。实践中，灰度共生矩阵可以用于表征图像中的纹理方向、相邻间隔、变化幅度等信息。

作为又一示例，可以首先对上述目标视频中的帧进行分割，划分出该帧所包含的颜色区域，之后为所划分的颜色区域建立索引以提取该帧的空间关系特征。或者，可以将该帧均匀地划分为若干图像子块，然后对每一个图像子块提取图像特征，之后为所提取的图像特征建立索引以提取该帧的空间关系特征。

需要说明的是，上述执行主体还可以基于霍夫变换、随机场构造模型、傅里叶形状描述符法、构造图像灰度梯度方向矩阵等任意的图像特征提取方式(或者多种图像特征提取方式的任意结合)进行上述目标视频的帧的图像特征的提取。并且，对图像特征的提取方式不限于以上提到的方式。

需要指出的是，上述目标视频的帧可以是目标视频中的一帧或者多帧。此处不作限定。当为多帧时，可以分别从各帧中提取特征，而后将所提取的特征进行融合(例如取平均值等方式)，得到目标视频的帧的特征。

在本实施例的一些可选的实现方式中，上述执行主体可以利用预先训练的视频内容特征提取模型得到视频内容特征。具体可以按照如下步骤执行：

第一步，可以提取上述目标视频中的至少一帧。此处，可以利用各种方式进行帧的抽取。例如，可以随机抽取执行数量的帧。或者，可以按照固定时间间隔(例如1s)进行抽取。此处不作限定。

第二步，可以将上述至少一帧输入至预先训练的视频内容特征提取模型，得到上述目标视频的内容特征向量，其中，上述视频内容特征提取模型可以用于提取视频的内容特征。

此处，视频内容特征提取模型可以是利用机器学习方法，基于样本集对现有的用于进行图像特征提取的模型进行有监督训练得到的。作为示例，上述模型可以使用各种现有的卷积神经网络结构(例如DenseBox、VGGNet、ResNet、SegNet等)。实践中，卷积神经网络(Convolutional Neural Network，CNN)是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于图像处理有出色表现，因而，可以利用卷积神经网络对图像进行处理。卷积神经网络可以包含卷积层、池化层、特征融合层、全连接层等。其中，卷积层可以用于提取图像特征。池化层可以用于对输入的信息进行降采样(downsample)。特征融合层可以用于将所得到的各帧对应的图像特征(例如，可以是特征向量的形式)进行融合。例如，可以将不同帧对应的特征向量或者特征矩阵中的相同位置的特征值取平均，以进行特征融合，生成一个融合后的特征向量或者特征矩阵。全连接层可以用于将所得到的特征进行进一步处理，处理后所输出的向量即为视频的内容特征向量。需要说明的是，视频内容特征提取模型也可以使用其他能够提取图像特征的模型进行训练。此处不作限定。

步骤203，将内容特征向量输入至预先训练的推荐行为特征预测模型，得到目标视频的推荐行为特征向量。

在本实施例中，上述执行主体可以将上述内容特征向量输入至预先训练的推荐行为特征预测模型，得到目标视频的推荐行为特征向量。其中，上述推荐行为特征预测模型可以用于表征视频的内容特征向量与推荐行为特征向量的对应关系。作为示例，上述推荐行为特征预测模型可以是用于表征视频的内容特征向量与推荐行为特征向量的对应关系的对应关系表。该对应关系表可以是技术人员基于大量数据统计而预先制定的。

在本实施例的一些可选的实现方式中，上述推荐行为特征预测模型可以是通过如下步骤训练得到的：

第一步，提取样本集。其中，上述样本集中的样本包括样本视频的内容特征向量和目标推荐行为特征向量，样本视频的目标推荐行为特征向量可以是从样本视频的推荐行为数据中所提取的。此处，目标推荐行为特征向量中的特征值可以用于表征推荐行为特征。推荐行为特征可以是与该样本视频的推荐行为相关各种信息，例如推荐次数、推荐的用户的标签、推荐的频率等。

第二步，从上述样本集中提取样本。此处，样本的提取方式和提取数量在本申请中并不限制。例如，可以是随机提取至少一个样本，也可以是从中提取的清晰度较好(即样本视频的帧的像素较高)的样本。

第三步，将所提取的样本中的内容特征向量输入至初始模型，得到初始模型输出的预测向量，其中，上述预测向量的维数小于目标推荐行为特征向量的维数。例如，预测向量的维数为64，目标推荐行为特征向量的维数为128。

此处，初始模型可以通过对内容特征向量进行分析等处理，输出处理结果。实践中，处理结果可以是一个向量，此处可以称之为预测向量，即预测出的推荐行为特征向量。这里，初始模型可以是基于机器学习技术而创建的各种能够进行向量处理和计算的模型。作为示例，初始模型可以是使用神经网络。例如，可以使用各种现有的结构(例如DenseBox、VGGNet、ResNet、SegNet等)的卷积神经网络等，此处不作限定。

第四步，对上述预测向量进行升维，以使升维后的预测向量与目标推荐行为特征向量的维数相同(例如从64维升维至128维)。此处，可以利用各种向量升维方法进行预测向量的升维。例如，可以预先设置用于对推荐行为特征进行升维的矩阵，将推荐行为特征与该矩阵相乘，从而得到升维后的目标推荐行为特征向量。需要说明的是，上述用于推荐行为特征向量进行升维的矩阵，可以是技术人员基于大量数据统计和计算所预先制定的。

可选的，可以将上述第三步所得到的预测向量与预先生成的特征矩阵相乘，得到升维后的预测向量。其中，上述预先生成的特征矩阵通过如下方式生成：首先，提取上述样本集中的部分样本的目标推荐行为特征向量。而后，将所提取的目标推荐行为特征向量汇总为目标推荐行为特征矩阵。最后，对上述目标推荐行为特征矩阵进行主成分分析，生成特征矩阵。此处，上述对上述目标推荐行为特征矩阵进行主成分分析，生成特征矩阵，可以参照如下步骤执行：首先，可以确定上述目标推荐行为特征矩阵的协方差矩阵。而后，可以确定上述协方差矩阵的特征值和特征向量。最后，可以从所确定的特征值中选取目标特征值(例如按照特征值从大到小的顺序选取一定数量的特征值)，将上述目标特征值对应的特征向量汇总为矩阵，将上述矩阵进行转置，得到特征矩阵。

实践中，主成分分析(Principal Components Analysis，PCA)也可称主分量分析，旨在利用降维的思想，把多指标转化为少数几个综合指标。在统计学中，主成分分析是一种简化数据集的技术。它是一个线性变换，把数据变换到一个新的坐标系统中。主成分分析可以用于减少数据集的维数，同时保持数据集的对方差贡献最大的特征。这是通过保留低阶主成分，忽略高阶主成分做到的。这样低阶成分往往能够保留住数据的最重要方面。由此，利用主成分分析的方式对目标推荐行为特征向量进行处理，可以保留推荐行为特征中的重要的特征，从而使不同的视频的差异更为明显。

第五步，基于升维后的预测向量与所提取的样本中的目标推荐行为特征向量，确定所提取的样本的损失值。此处，可以将升维后的预测向量与所提取的样本中的目标推荐行为特征向量输入至预先建立的损失函数，得到损失值。实践中，损失函数(lossfunction)可以用来估量预测值(如升维后的预测向量)与真实值(如目标推荐行为特征向量)的不一致程度。一般情况下，损失函数的值(损失值)越小，模型的鲁棒性就越好。损失函数可以根据实际需求来设置。例如，可以使用欧氏距离计算公式作为损失函数。

第六步，基于上述损失值确定初始模型是否训练完成。作为示例，可以确定损失值是否已收敛。当确定损失值收敛时，则可以确定此时的初始模型已训练完成。作为又一示例，上述执行主体可以首先将损失值与目标值进行比较。响应于确定损失值小于或等于目标值，可以统计最近执行的预设数量(例如100)次训练步骤所确定的损失值中，小于或等于上述目标值的损失值的数量所占比例。在该比例大于预设比例(例如95％)时，可以确定初始模型训练完成。需要说明的是，目标值一般可以用于表示预测值与真实值之间的不一致程度的理想情况。也就是说，当损失值小于或等于目标值时，可以认为预测值接近或近似真实值。目标值可以根据实际需求来设置。

需要说明的是，响应于确定初始模型未训练完成，可以基于所确定的损失值，更新初始模型中的参数，从上述样本集中重新提取样本，使用更新参数后的初始模型作为初始模型，继续执行上述第二步。此处，可以利用反向传播算法求得损失值相对于模型参数的梯度，而后利用梯度下降算法基于梯度更新模型参数。需要说明的是，上述反向传播算法、梯度下降算法以及机器学习方法是目前广泛研究和应用的公知技术，在此不再赘述。需要指出的是，这里的提取方式在本申请中也不限制。例如在样本集中有大量样本的情况下，执行主体可以从中提取未被提取过的样本。

第七步，响应于确定初始模型训练完成，将训练后的初始模型确定为推荐行为特征预测模型。

步骤204，基于所得到的推荐行为特征向量，确定目标用户，将目标视频推送给目标用户。

在本实施例中，上述执行主体可以基于所得到的推荐行为特征向量，确定目标用户。从而，可以将上述目标视频推送给上述目标用户。具体地，上述执行主体中可以存储有大量的视频和各视频的推荐行为特征向量。上述执行主体可以将上述目标视频的推荐行为特征向量与所存储的各视频的推荐行为特征向量进行相似度计算(例如，计算欧氏距离)。而后，可以按照相似度从大到小的顺序选取一定数量(例如1000个)的视频，以便将发布所选取的视频的用户作为目标用户，向各个目标用户推送该目标视频。

需要说明的是，上述执行主体也可以利用其他方式确定目标用户。例如，上述执行主体中可以存储有用户所发布过的各个视频的推荐行为特征向量。上述执行主体可以检索与步骤203所得到的推荐行为特征向量相同或相似的视频。并确定该视频所推送的用户确定为目标用户。

在本实施例的一些可选的实现方式中，上述执行主体可以按照如下步骤进行目标视频的推送：

第一步，可以将所得到的推荐行为特征向量进行升维，得到目标推荐行为特征向量。例如，所得到的推荐行为特征向量为64维的向量。则可以将该推荐行为特征向量升维至128维。此处的可以利用各种向量升维方式进行推荐行为特征向量的升维。例如，可以采用上述生成推荐行为特征预测模型的可选的实现方式中对上述预测向量进行升维方式，此处不再赘述。

第二步，可以确定上述目标推荐行为特征向量与上述目标视频的内容特征向量的点积。

第三步，响应于确定上述点积大于预设阈值，可以基于上述目标推荐行为特征向量，确定目标用户，将上述目标视频推送给上述目标用户。可选的，响应于确定上述点积大于预设阈值，可以首先确定上述目标推荐行为特征向量与视频库中的各视频的推荐行为特征向量的相似度。而后，可以将上述视频库中的、与上述目标推荐行为特征向量的相似度大于预设相似度阈值的视频作为相似视频，将发送上述相似视频的用户作为目标用户，向上述目标用户推送上述目标视频。

需要说明的是，响应于确定上述点积不大于上述预设阈值，可以不对该目标视频进行推送。

在本实施例的一些可选的实现方式中，上述执行主体在得到推荐行为特征向量之后，还可以建立上述目标视频与所得到的推荐行为特征向量的对应关系，并将上述目标视频和所得到的推荐行为特征进行存储。

继续参见图3，图3是根据本实施例的用于推送信息的方法的应用场景的一个示意图。在图3的应用场景中，在图3的应用场景中，用户可以利用终端设备301进行视频拍摄。终端设备301中可以安装有短视频应用。用户可以将所录制的目标视频303上传至为该短视频应用提供支持的服务器302。服务器302在获取到目标视频303后，可以提取上述目标视频303的内容特征，生成内容特征向量304。接着，可以将上述内容特征向量304输入至预先训练的推荐行为特征预测模型，得到上述目标视频的推荐行为特征向量305。最后，可以基于所得到的推荐行为特征向量305，确定目标用户306，将上述目标视频推送给上述目标用户306。

本申请的上述实施例提供的方法，通过对所获取的目标视频进行内容特征的提取以生成内容特征向量，而后将该内容特征向量输入至预先训练的推荐行为特征预测模型，得到目标视频的推荐行为特征向量，之后基于该推荐行为特征向量确定目标用户，将上述目标视频推送给上述目标用户。从而，对于用户新上传的视频，可以得到该视频的推荐行为特征向量，进而基于推荐行为特征向量进行该视频的推送，实现了富于针对性的信息推送。

进一步参考图4，其示出了用于推送信息的方法的又一个实施例的流程400。该用于推送信息的方法的流程400，包括以下步骤：

步骤401，获取目标视频。

在本实施例中，用于生成信息的方法的执行主体(例如图1所示的服务器105)可以通过有线连接方式或无线连接方式，获取终端设备(例如图1所示的终端设备101、102、103)发送的目标视频。上述目标视频可以是各种视频。例如，可以是使用终端设备的用户所录制的视频，也可以是从互联网或者其他设备中获取的视频。

步骤402，提取目标视频的内容特征，生成内容特征向量。

在本实施例中，由于构成目标视频的内容为帧，因此，上述执行主体可以利用各种图像特征提取方法，从构成上述目标视频的帧中提取特征，作为目标视频的内容特征。而后，可以将所提取的图像特征进行汇总，以生成目标视频的内容特征向量。

在本实施例中，上述执行主体可以利用预先训练的视频内容特征提取模型得到视频内容特征。具体可以按照如下步骤执行：第一步，可以提取上述目标视频中的至少一帧。此处，可以利用各种方式进行帧的抽取。例如，可以随机抽取执行数量的帧。或者，可以按照固定时间间隔(例如1s)进行抽取。此处不作限定。第二步，可以将上述至少一帧输入至预先训练的视频内容特征提取模型，得到上述目标视频的内容特征向量，其中，上述视频内容特征提取模型可以用于提取视频的内容特征。此处，视频内容特征提取模型可以是利用机器学习方法，基于样本集对卷积神经网络进行有监督训练得到的。

步骤403，将内容特征向量输入至预先训练的推荐行为特征预测模型，得到目标视频的推荐行为特征向量。

在本实施例中，上述执行主体可以将上述内容特征向量输入至预先训练的推荐行为特征预测模型，得到目标视频的推荐行为特征向量。其中，上述推荐行为特征预测模型可以用于表征视频的内容特征向量与推荐行为特征向量的对应关系。

步骤404，将所得到的推荐行为特征向量进行升维，得到目标推荐行为特征向量。

在本实施例中，上述执行主体可以将所得到的推荐行为特征向量进行升维，得到目标推荐行为特征向量。例如，所得到的推荐行为特征为64为的向量。则可以将该向量升维至128维。这里，由于主成分分析方式可以进行特征向量降维，因而，可以利用主成分分析的逆向过程，进行推荐行为特征向量的升维。此处不再赘述。

步骤405，确定目标推荐行为特征向量与内容特征向量的点积。

在本实施例中，上述执行主体可以确定目标推荐行为特征向量与内容特征向量的点积。

步骤406，响应于确定点积大于预设阈值，确定目标推荐行为特征向量与视频库中的各视频的推荐行为特征向量的相似度。

在本实施例中，响应于确定上述点积大于预设阈值，上述执行主图可以利用各种相似度计算方法(例如，欧氏距离、余弦相似度等)，确定上述目标推荐行为特征向量与视频库中的各视频的推荐行为特征向量的相似度。

需要说明的是，响应于确定上述点积不大于上述预设阈值，可以不对该目标视频进行推送。

步骤407，将视频库中的、与目标推荐行为特征向量的相似度大于预设相似度阈值的视频作为相似视频，将发送相似视频的用户作为目标用户，向目标用户推送目标视频。

在本实施例中，上述执行主体可以将上述视频库中的相似度大于预设相似度阈值的视频作为相似视频，将发送上述相似视频的用户作为目标用户，向上述目标用户推送上述目标视频。

从图4中可以看出，与图2对应的实施例相比，本实施例中的用于推送信息的方法的流程400涉及了对所得到的推荐行为特征向量进行升维处理、以及将升维后的推荐行为特征向量与上述内容特征向量进行点乘的步骤。由此，从而可以使视频的推荐行为特征与上述内容特征相融合，在二者点积大于预设阈值后进行目标视频的推送，避免了将任意视频均进行推送，进一步实现了富于针对性的信息推送。

进一步参考图5，作为对上述各图所示方法的实现，本申请提供了一种用于推送信息的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图5所示，本实施例所述的用于推送信息的装置500包括：获取单元501，被配置成获取目标视频；提取单元502，被配置成提取上述目标视频的内容特征，生成内容特征向量；输入单元503，被配置成将上述内容特征向量输入至预先训练的推荐行为特征预测模型，得到上述目标视频的推荐行为特征向量，上述推荐行为特征预测模型用于表征视频的内容特征向量与推荐行为特征向量的对应关系；推送单元504，被配置成基于所得到的推荐行为特征向量，确定目标用户，将上述目标视频推送给上述目标用户。

在本实施例的一些可选的实现方式中，上述推送单元504可以包括升维模块、确定模块和推送模块(图中未示出)。其中，上述升维模块可以被配置成将所得到的推荐行为特征向量进行升维，得到目标推荐行为特征向量。上述确定模块可以被配置成确定上述目标推荐行为特征向量与上述内容特征向量的点积。上述推送模块可以被配置成响应于确定上述点积大于预设阈值，基于上述目标推荐行为特征向量，确定目标用户，将上述目标视频推送给上述目标用户。

在本实施例的一些可选的实现方式中，上述推送模块504可以进一步被配置成：响应于确定上述点积大于预设阈值，确定上述目标推荐行为特征向量与视频库中的各视频的推荐行为特征向量的相似度；将上述视频库中的、与上述目标推荐行为特征向量的相似度大于预设相似度阈值的视频作为相似视频，将发送上述相似视频的用户作为目标用户，向上述目标用户推送上述目标视频。

在本实施例的一些可选的实现方式中，该装置还可以包括存储单元(图中未示出)。其中，上述存储单元可以被配置成建立上述目标视频与所得到的推荐行为特征向量的对应关系，并将上述目标视频和所得到的推荐行为特征进行存储。

在本实施例的一些可选的实现方式中，上述提取单元502可以包括提取模块和输入模块(图中未示出)。其中，上述提取模块可以被配置成提取上述目标视频中的至少一帧。上述输入模块可以被配置成将上述至少一帧输入至预先训练的视频内容特征提取模型，得到上述目标视频的内容特征向量，其中，上述视频内容特征提取模型用于提取视频的内容特征。

在本实施例的一些可选的实现方式中，上述推荐行为特征预测模型可以通过如下步骤训练得到：提取样本集，其中，上述样本集中的样本包括样本视频的内容特征向量和目标推荐行为特征向量，样本视频的目标推荐行为特征向量是从样本视频的推荐行为数据中所提取的；从上述样本集中提取样本，执行如下训练步骤：将所提取的样本中的内容特征向量输入至初始模型，得到初始模型输出的预测向量，其中，上述预测向量的维数小于目标推荐行为特征向量的维数；对上述预测向量进行升维，以使升维后的预测向量与目标推荐行为特征向量的维数相同；基于升维后的预测向量与所提取的样本中的目标推荐行为特征向量，确定所提取的样本的损失值；基于上述损失值确定初始模型是否训练完成；响应于确定初始模型训练完成，将训练后的初始模型确定为推荐行为特征预测模型。

在一些实施例中，上述训练步骤中的对上述预测向量进行升维，以使升维后的预测向量与目标推荐行为特征向量的维数相同，包括：将上述预测向量与预先生成的特征矩阵相乘，得到升维后的预测向量，其中，上述特征矩阵通过如下方式生成：提取上述样本集中的部分样本的目标推荐行为特征向量；将所提取的目标推荐行为特征向量汇总为目标推荐行为特征矩阵；对上述目标推荐行为特征矩阵进行主成分分析，生成特征矩阵。

在一些实施例中，训练上述推荐行为特征预测模型的步骤还可以包括：响应于确定初始模型未训练完成，基于上述损失值，更新初始模型中的参数，从上述样本集中重新提取样本，使用更新参数后的初始模型作为初始模型，继续执行上述训练步骤。

本申请的上述实施例提供的装置，通过提取单元502对获取单元501所获取的目标视频进行内容特征的提取以生成内容特征向量，而后输入单元503将该内容特征向量输入至预先训练的推荐行为特征预测模型，得到目标视频的推荐行为特征向量，之后推送单元504基于该推荐行为特征向量确定目标用户，将上述目标视频推送给上述目标用户。从而，对于用户新上传的视频，可以得到该视频的推荐行为特征向量，进而基于推荐行为特征向量进行该视频的推送，实现了富于针对性的信息推送。

下面参考图6，其示出了适于用来实现本申请实施例的电子设备的计算机系统600的结构示意图。图6示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图6所示，计算机系统600包括中央处理单元(CPU)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有系统600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

以下部件连接至I/O接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请所述的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或者是上述两者的任意组合。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可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(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。在本申请中，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。而在本申请中，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。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、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、或代码的一部分，该模块、程序段、或代码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。也应当注意，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，两个接连地表示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操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。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、提取单元、输入单元和推送单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取目标视频的的单元”。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该装置执行时，使得该装置：接收用户的网页浏览请求，其中，该网页浏览请求包括网址；对该网址所对应的网页页面进行内容解析，提取关键词集合；基于该关键词集合与各条候选推送信息之间的匹配关系，选取至少一条候选推送信息生成推送信息集合；基于该网页页面的内容和该推送信息集合，生成新网页。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请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，同时也应涵盖在不脱离上述发明构思的情况下，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。例如上述特征与本申请中公开的(但不限于)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 (18)

1.一种用于推送信息的方法，包括：

获取目标视频；

提取所述目标视频的内容特征，生成内容特征向量；

将所述内容特征向量输入至预先训练的推荐行为特征预测模型，得到所述目标视频的推荐行为特征向量，所述推荐行为特征预测模型用于表征视频的内容特征向量与推荐行为特征向量的对应关系；

基于所得到的推荐行为特征向量，确定目标用户，将所述目标视频推送给所述目标用户。

2.根据权利要求1所述的用于推送信息的方法，其中，所述基于所得到的推荐行为特征向量，确定目标用户，将所述目标视频推送给所述目标用户，包括：

将所得到的推荐行为特征向量进行升维，得到目标推荐行为特征向量；

确定所述目标推荐行为特征向量与所述内容特征向量的点积；

响应于确定所述点积大于预设阈值，基于所述目标推荐行为特征向量，确定目标用户，将所述目标视频推送给所述目标用户。

3.根据权利要求2所述的用于推送信息的方法，其中，所述响应于确定所述点积大于预设阈值，基于所述目标推荐行为特征向量，确定目标用户，将所述目标视频推送给所述目标用户，包括：

响应于确定所述点积大于预设阈值，确定所述目标推荐行为特征向量与视频库中的各视频的推荐行为特征向量的相似度；

将所述视频库中的、与所述目标推荐行为特征向量的相似度大于预设相似度阈值的视频作为相似视频，将发送所述相似视频的用户作为目标用户，向所述目标用户推送所述目标视频。

4.根据权利要求1所述的用于推送信息的方法，其中，所述方法还包括：

建立所述目标视频与所得到的推荐行为特征向量的对应关系，并将所述目标视频和所得到的推荐行为特征进行存储。

5.根据权利要求1所述的用于推送信息的方法，其中，所述提取所述目标视频的内容特征，生成内容特征向量，包括：

提取所述目标视频中的至少一帧；

将所述至少一帧输入至预先训练的视频内容特征提取模型，得到所述目标视频的内容特征向量，其中，所述视频内容特征提取模型用于提取视频的内容特征。

6.根据权利要求1所述的用于推送信息的方法，其中，所述推荐行为特征预测模型通过如下步骤训练得到：

提取样本集，其中，所述样本集中的样本包括样本视频的内容特征向量和目标推荐行为特征向量，样本视频的目标推荐行为特征向量是从样本视频的推荐行为数据中所提取的；

从所述样本集中提取样本，执行如下训练步骤：将所提取的样本中的内容特征向量输入至初始模型，得到初始模型输出的预测向量，其中，所述预测向量的维数小于目标推荐行为特征向量的维数；对所述预测向量进行升维，以使升维后的预测向量与目标推荐行为特征向量的维数相同；基于升维后的预测向量与所提取的样本中的目标推荐行为特征向量，确定所提取的样本的损失值；基于所述损失值确定初始模型是否训练完成；响应于确定初始模型训练完成，将训练后的初始模型确定为推荐行为特征预测模型。

7.根据权利要求6所述的用于推送信息的方法，其中，所述对所述预测向量进行升维，以使升维后的预测向量与目标推荐行为特征向量的维数相同，包括：

将所述预测向量与预先生成的特征矩阵相乘，得到升维后的预测向量，其中，所述特征矩阵通过如下方式生成：

提取所述样本集中的部分样本的目标推荐行为特征向量；

将所提取的目标推荐行为特征向量汇总为目标推荐行为特征矩阵；

对所述目标推荐行为特征矩阵进行主成分分析，生成特征矩阵。

8.根据权利要求6所述的用于推送信息的方法，其中，训练所述推荐行为特征预测模型的步骤还包括：

响应于确定初始模型未训练完成，基于所述损失值，更新初始模型中的参数，从所述样本集中重新提取样本，使用更新参数后的初始模型作为初始模型，继续执行所述训练步骤。

9.一种用于推送信息的装置，包括：

获取单元，被配置成获取目标视频；

提取单元，被配置成提取所述目标视频的内容特征，生成内容特征向量；

输入单元，被配置成将所述内容特征向量输入至预先训练的推荐行为特征预测模型，得到所述目标视频的推荐行为特征向量，所述推荐行为特征预测模型用于表征视频的内容特征向量与推荐行为特征向量的对应关系；

推送单元，被配置成基于所得到的推荐行为特征向量，确定目标用户，将所述目标视频推送给所述目标用户。

10.根据权利要求9所述的用于推送信息的装置，其中，所述推送单元，包括：

升维模块，被配置成将所得到的推荐行为特征向量进行升维，得到目标推荐行为特征向量；

确定模块，被配置成确定所述目标推荐行为特征向量与所述内容特征向量的点积；

推送模块，被配置成响应于确定所述点积大于预设阈值，基于所述目标推荐行为特征向量，确定目标用户，将所述目标视频推送给所述目标用户。

11.根据权利要求10所述的用于推送信息的装置，其中，所述推送模块，进一步被配置成：

响应于确定所述点积大于预设阈值，确定所述目标推荐行为特征向量与视频库中的各视频的推荐行为特征向量的相似度；

将所述视频库中的、与所述目标推荐行为特征向量的相似度大于预设相似度阈值的视频作为相似视频，将发送所述相似视频的用户作为目标用户，向所述目标用户推送所述目标视频。

12.根据权利要求9所述的用于推送信息的装置，其中，所述装置还包括：

存储单元，被配置成建立所述目标视频与所得到的推荐行为特征向量的对应关系，并将所述目标视频和所得到的推荐行为特征进行存储。

13.根据权利要求9所述的用于推送信息的装置，其中，所述提取单元，包括：

提取模块，被配置成提取所述目标视频中的至少一帧；

输入模块，被配置成将所述至少一帧输入至预先训练的视频内容特征提取模型，得到所述目标视频的内容特征向量，其中，所述视频内容特征提取模型用于提取视频的内容特征。

14.根据权利要求9所述的用于推送信息的装置，其中，所述推荐行为特征预测模型通过如下步骤训练得到：

提取样本集，其中，所述样本集中的样本包括样本视频的内容特征向量和目标推荐行为特征向量，样本视频的目标推荐行为特征向量是从样本视频的推荐行为数据中所提取的；

从所述样本集中提取样本，执行如下训练步骤：将所提取的样本中的内容特征向量输入至初始模型，得到初始模型输出的预测向量，其中，所述预测向量的维数小于目标推荐行为特征向量的维数；对所述预测向量进行升维，以使升维后的预测向量与目标推荐行为特征向量的维数相同；基于升维后的预测向量与所提取的样本中的目标推荐行为特征向量，确定所提取的样本的损失值；基于所述损失值确定初始模型是否训练完成；响应于确定初始模型训练完成，将训练后的初始模型确定为推荐行为特征预测模型。

15.根据权利要求14所述的用于推送信息的装置，其中，所述训练步骤中的对所述预测向量进行升维，以使升维后的预测向量与目标推荐行为特征向量的维数相同，包括：

将所述预测向量与预先生成的特征矩阵相乘，得到升维后的预测向量，其中，所述特征矩阵通过如下方式生成：

提取所述样本集中的部分样本的目标推荐行为特征向量；

将所提取的目标推荐行为特征向量汇总为目标推荐行为特征矩阵；

对所述目标推荐行为特征矩阵进行主成分分析，生成特征矩阵。

16.根据权利要求14所述的用于推送信息的装置，其中，训练所述推荐行为特征预测模型的步骤还包括：

响应于确定初始模型未训练完成，基于所述损失值，更新初始模型中的参数，从所述样本集中重新提取样本，使用更新参数后的初始模型作为初始模型，继续执行所述训练步骤。

17.一种电子设备，包括：

一个或多个处理器；

存储装置，其上存储有一个或多个程序，

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权利要求1-8中任一所述的方法。

18.一种计算机可读介质，其上存储有计算机程序，其中，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。