CN109657097A - 视频筛选方法、装置、电子设备及存储介质 - Google Patents

Abstract

本申请示出了一种视频筛选方法、装置、电子设备及存储介质，其中视频筛选方法包括：获取用户的特征、用户操作过的第一视频的特征以及对第一视频的操作特征；采用预先训练得到的筛选模型，对用户的特征、第一视频的特征以及对第一视频的操作特征进行处理，得到各第一视频对应的目标成绩；根据目标成绩，在用户操作过的第一视频中，筛选出预设数量个第一视频。通过筛选模型对用户操作过的第一视频进行筛选，可以确保视频推荐的触发源质量，过滤掉低质量或无效视频，从而可以提高视频推荐效率和精细度；并且触发源中可以包括更长时间范围内的第一视频，从而能够更加有效地刻画用户的长期兴趣，拓展了触发召回的时间范围，提高个性化推荐效果。

Description

视频筛选方法、装置、电子设备及存储介质

技术领域

本申请涉及计算机技术领域，尤其涉及一种视频筛选方法、装置、电子设备及存储介质。

背景技术

视频推荐技术一般包括触发和排序两个步骤，首先根据不同的触发源，采用各种触发策略获取触发结果，然后通过排序模型对触发结果进行排序和筛选，将最终的推荐结果展示给用户。因此，精准的触发源能够更有效地满足用户的个性化需求。

传统视频推荐系统中的触发普遍采用协同过滤(Collaborative Filtering)，例如基于物品(item)的协同过滤(item-cf)是利用物品之间的相似度进行推荐和排序。这种基于item-cf的触发方式中将用户近期的点击、点赞以及关注等所有行为都笼统地作为触发源进行各种方式的触发。

然而，在视频数量庞大、用户行为丰富的短视频应用中，由于线上系统的限制，作为触发源的用户行为只能保存最近期的有限部分，造成触发源对用户长期兴趣表达能力的缺失；并且作为触发源的用户行为并未经过筛选，整体触发质量难以保证。

发明内容

为克服相关技术中存在的问题，本申请提供一种视频筛选方法、装置、电子设备及存储介质。

根据本申请的第一方面，提供一种视频筛选方法，所述方法包括：

获取用户的特征、所述用户操作过的第一视频的特征以及对所述第一视频的操作特征；

采用预先训练得到的筛选模型，对所述用户的特征、所述第一视频的特征以及对所述第一视频的操作特征进行处理，得到各所述第一视频对应的目标成绩；

根据所述目标成绩，在所述用户操作过的第一视频中，筛选出预设数量个第一视频。

在一个可选的实现方式中，所述目标成绩包括所述第一视频对应的触发结果的点击率、点赞率和关注率，所述根据所述目标成绩，在所述用户操作过的第一视频中，筛选出预设数量个第一视频的步骤，包括：

对所述点击率、所述点赞率以及所述关注率进行加权求和，得到各所述第一视频对应的全局成绩；

筛选出所述全局成绩较高的预设数量个第一视频。

在一个可选的实现方式中，所述点击率的权重因子大于或等于1且小于或等于3，所述点赞率的权重因子大于或等于3且小于或等于5，所述关注率的权重因子大于或等于5且小于或等于7。

在一个可选的实现方式中，在所述采用预先训练得到的筛选模型，对所述用户的特征、所述第一视频的特征以及对所述第一视频的操作特征进行处理，得到各所述第一视频对应的目标成绩的步骤之前，所述方法还包括：获得所述筛选模型；

所述获得所述筛选模型的步骤，包括：

获取所述用户的特征、所述用户操作过的第二视频的特征以及对所述第二视频的操作特征，其中，所述第二视频对应有标签；

根据所述用户的特征、所述第二视频的特征、对所述第二视频的操作特征以及所述标签，对机器学习模型进行训练，得到所述筛选模型。

在一个可选的实现方式中，所述标签包括预先标注的所述第二视频对应的触发结果的点击率、点赞率和关注率中至少一种，所述根据所述用户的特征、所述第二视频的特征、对所述第二视频的操作特征以及所述标签，对机器学习模型进行训练，得到所述筛选模型的步骤，包括：

采用所述机器学习模型，对所述用户的特征、所述第二视频的特征以及对所述第二视频的操作特征进行处理，得到所述第二视频对应的预测成绩；

根据所述预测成绩以及所述标签，确定所述机器学习模型的参数，得到所述筛选模型。

根据本申请的第二方面，提供一种视频筛选装置，所述装置包括：

第一获取模块，被配置为获取用户的特征、所述用户操作过的第一视频的特征以及对所述第一视频的操作特征；

处理模块，被配置为采用预先训练得到的筛选模型，对所述用户的特征、所述第一视频的特征以及对所述第一视频的操作特征进行处理，得到各所述第一视频对应的目标成绩；

筛选模块，被配置为根据所述目标成绩，在所述用户操作过的第一视频中，筛选出预设数量个第一视频。

在一个可选的实现方式中，所述目标成绩包括所述第一视频对应的触发结果的点击率、点赞率和关注率，所述筛选模块包括：

计算单元，被配置为对所述点击率、所述点赞率以及所述关注率进行加权求和，得到各所述第一视频对应的全局成绩；

筛选单元，被配置为筛选出所述全局成绩较高的预设数量个第一视频。

在一个可选的实现方式中，所述点击率的权重因子大于或等于1且小于或等于3，所述点赞率的权重因子大于或等于3且小于或等于5，所述关注率的权重因子大于或等于5且小于或等于7。

在一个可选的实现方式中，所述装置还包括：第二获取模块，被配置为获得所述筛选模型；

所述第二获取模块包括：

获取单元，被配置为获取所述用户的特征、所述用户操作过的第二视频的特征以及对所述第二视频的操作特征，其中，所述第二视频对应有标签；

训练单元，被配置为根据所述用户的特征、所述第二视频的特征、对所述第二视频的操作特征以及所述标签，对机器学习模型进行训练，得到所述筛选模型。

在一个可选的实现方式中，所述标签包括预先标注的所述第二视频对应的触发结果的点击率、点赞率和关注率中至少一种，所述训练单元包括：

处理子单元，被配置为采用所述机器学习模型，对所述用户的特征、所述第二视频的特征以及对所述第二视频的操作特征进行处理，得到所述第二视频对应的预测成绩；

计算子单元，被配置为根据所述预测成绩以及所述标签，确定所述机器学习模型的参数，得到所述筛选模型。

根据本申请的第三方面，提供一种电子设备，所述电子设备包括：

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执行如第一方面所述的视频筛选方法。

根据本申请的第四方面，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电子设备的处理器执行时，使得电子设备能够执行如第一方面所述的视频筛选方法。

根据本申请的第五方面，提供一种计算机程序产品，当所述计算机程序产品中的指令由电子设备的处理器执行时，使得电子设备能够执行如第一方面所述的视频筛选方法。

本申请提供的技术方案可以包括以下有益效果：

在本申请中，提供了一种视频筛选方法、装置、电子设备及存储介质，其中视频筛选方法包括：获取用户的特征、用户操作过的第一视频的特征以及对第一视频的操作特征；采用预先训练得到的筛选模型，对用户的特征、第一视频的特征以及对第一视频的操作特征进行处理，得到各第一视频对应的目标成绩；根据目标成绩，在用户操作过的第一视频中，筛选出预设数量个第一视频。通过筛选模型对用户操作过的第一视频进行筛选，可以确保视频推荐的触发源质量，过滤掉低质量或无效视频，防止低质量或无效视频在视频推荐过程中造成无效计算，从而可以提高视频推荐效率和精细度；并且由于过滤掉了低质量或无效视频，因此触发源中可以包括更长时间范围内的第一视频，从而能够更加有效地刻画用户的长期兴趣，拓展了触发召回的时间范围，提高个性化推荐效果。

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，并不能限制本申请。

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，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。

图1是本申请示出的一种视频筛选方法的步骤流程图。

图2是本申请示出的一种筛选预设数量个第一视频的步骤流程图。

图3是本申请示出的一种获得筛选模型的步骤流程图。

图4是本申请示出的一种对机器学习模型进行训练的步骤流程图。

图5是本申请示出的一种视频筛选装置的框图。

图6是本申请示出的一种电子设备的框图。

图7是本申请示出的一种电子设备的框图。

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申请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、本申请的一些方面相一致的装置和方法的例子。

图1是本申请示出的一种视频筛选方法的流程图，如图1所示，该方法应用于电子设备中，该方法包括以下步骤。

在步骤S101中，获取用户的特征、用户操作过的第一视频的特征以及对第一视频的操作特征。

在实际应用中，安装在移动终端上用于播放短视频的APP如快手和抖音等越来越普遍。当用户登录APP，服务器可以获取用户的特征，根据历史记录可以获取用户操作过的第一视频的特征以及用户对第一视频的操作特征等。

其中，用户的特征可以包括以下至少一种：用户标识(ID)、等级信息、年龄信息、性别信息以及位置信息等。第一视频的特征可以包括以下至少一种：视频标识、视频tag、视频统计信息以及视频作者的点击率、点赞率和关注率等。对第一视频的操作特征可以包括以下至少一种：点击、点赞、关注以及播放等。

在步骤S102中，采用预先训练得到的筛选模型，对用户的特征、第一视频的特征以及对第一视频的操作特征进行处理，得到各第一视频对应的目标成绩。

具体地，筛选模型例如可以预先根据用户的特征、视频样本的特征、用户对视频样本的操作特征以及各视频样本对应的标签等，对机器学习模型进行训练得到。

将用户的特征、第一视频的特征以及对第一视频的操作特征输入到预先获得的筛选模型中，经过筛选模型的处理计算，可以得到每个第一视频对应的目标成绩。其中，目标成绩可以包括第一视频对应的触发结果的点击率、点赞率和关注率中至少一种。

在步骤S103中，根据目标成绩，在用户操作过的第一视频中，筛选出预设数量个第一视频。

当目标成绩为第一视频对应的触发结果的点击率、点赞率或关注率时，例如可以按照目标成绩由高至低的顺序，筛选预设数量个第一视频作为触发源。

当目标成绩包括第一视频对应的触发结果的点击率、点赞率和关注率中至少两个参量时，例如可以对至少两个参量进行加权求和，然后按照加权求和值由高至低的顺序，筛选预设数量个第一视频作为触发源。

其中，预设数量的具体数值可以根据实际情况设定。

由于经过筛选模型可以过滤掉低质量或无效视频，提高了视频推荐效率和精细度，因此触发源中可以包括用户在更长时间范围内的操作信息，例如可以包括用户在15天内点击过的第一视频。

本实施例提供的视频筛选方法，通过筛选模型在用户操作过的第一视频中筛选出推荐效果较好的第一视频作为触发源，可以确保视频推荐的触发源质量，过滤掉低质量或无效视频，防止低质量或无效视频在视频推荐过程中造成无效计算，从而可以提高视频推荐效率和精细度；并且由于过滤掉了低质量或无效视频，因此触发源中可以包括用户在更长时间范围内操作过的第一视频，从而能够更加有效地刻画用户的长期兴趣，拓展了触发召回的时间范围，提高个性化推荐效果。

在视频推荐的应用场景中，视频筛选方法还可以包括：在满足视频推荐条件时，使用筛选得到的预设数量个第一视频作为触发源，对触发模型或采用预设的触发策略进行触发，根据触发结果进行视频推荐，并将相应的触发记录保存到hive表中供分析参考。这些新的触发记录也将作为新的样本数据推动新一轮的筛选模型训练，进一步优化筛选模型。

在实际应用中，可以根据实际情况设定对触发源进行筛选更新的频率，例如可以每一天对触发源中的视频进行一次更新。

在实际应用中，发明人发现仅使用点击率ctr(click through rate)、点赞率ltr(like through rate)和关注率wtr(watch through rate)中的一种作为目标成绩，对用户操作过的第一视频进行筛选时，分别会对点击率、点赞率和关注率带来较大正向收益，但对其他指标将带来负向影响，例如，仅使用点击率ctr作为目标成绩对用户操作过的第一视频进行筛选后得到触发源，根据该触发源得到的触发结果的点击率较高，但点赞率和关注率较低，影响整体推荐效果。

为了使筛选结果能够达到全局效果最优，目标成绩可以包括第一视频对应的触发结果的点击率、点赞率和关注率，参照图2，在步骤S103中可以进一步包括：

步骤201：对点击率、点赞率以及关注率进行加权求和，得到各第一视频对应的全局成绩。

其中，点击率ctr的权重因子可以大于或等于1且小于或等于3，点赞率ltr的权重因子可以大于或等于3且小于或等于5，关注率wtr的权重因子可以大于或等于5且小于或等于7。

表1不同权重因子组合的实验结果

经过多组实验调优，不同权重因子组合的实验结果如表1所示，表1中“+”表示正向收益，“-”表示负向影响。根据试验结果可知，当点击率的权重因子为2，点赞率的权重因子为4，关注率的权重因子为6时，也就是将点击率ctr、点赞率ltr以及关注率wtr通过如下公式进行加权求和，score＝2.0*ctr+4.0*ltr+6.0*wtr，计算出全局成绩score，将该全局成绩score作为标准筛选出的第一视频能够达到全局效果最优，兼顾点击、点赞和关注效果的综合提升。

步骤202：筛选出全局成绩较高的预设数量个第一视频。

在用户操作过的第一视频中，选取全局成绩score较高的预设数量个第一视频，该预设数量例如可以为20。例如可以将筛选出的20条点击记录作为触发源，每日推到线上。

在上述各实施例的基础上，在步骤S102之前，视频筛选方法还可以包括：获得筛选模型。

具体地，筛选模型可以包括点击率模型、点赞率模型和关注率模型中至少一种。

如图3所示，获得筛选模型的步骤可以包括：

在步骤301中，获取用户的特征、用户操作过的第二视频的特征以及对第二视频的操作特征，其中，第二视频对应有标签。

在实际应用中，本步骤包括对用户的特征、用户操作过的第二视频的特征以及对第二视频的操作特征进行提取、过滤以及预处理的步骤。其中过滤步骤可以根据实际情况将无效特征过滤掉，预处理步骤可以包括参量单位统一化以及归一化处理等操作。

其中，用户的特征例如可以包括以下至少一种：用户标识(ID)、等级信息、年龄信息、性别信息以及位置信息等。用户操作过的第二视频的特征例如可以包括以下至少一种：视频标识、视频tag、视频统计信息以及视频作者的点击率、点赞率和关注率等。对第二视频的操作特征例如可以包括以下至少一种：点击、点赞、关注以及播放等。

第二视频对应的标签，例如可以包括第二视频对应的触发结果的点击率、点赞率和关注率中的至少一种。

当第二视频对应的标签包括点击率时，例如可以根据第二视频对应的每一个触发结果是否被点击将样本划分为正样本和负样本集合，计算正样本所占正负样本之和的比例可以得到第二视频对应的触发结果的点击率。

当第二视频对应的标签包括点赞率时，例如可以根据第二视频对应的每一个触发结果是否被点赞将样本划分为正样本和负样本集合，计算正样本所占正负样本之和的比例可以得到第二视频对应的触发结果的点赞率。

当第二视频对应的标签包括关注率时，例如可以根据第二视频对应的每一个触发结果是否被关注将样本划分为正样本和负样本集合，计算正样本所占正负样本之和的比例可以得到第二视频对应的触发结果的关注率。

在步骤302中，根据用户的特征、第二视频的特征、对第二视频的操作特征以及标签，对机器学习模型进行训练，得到筛选模型。

其中，机器学习模型可以包括xgboost模型、深度学习模型以及逻辑回归(LR,Logistic Regression)等。在实际应用中，同等规模的数据和特征下，基于树模型的xgboost能够在较短的时间内达到比较好的效果。

另外，筛选模型可以根据持续产生的新的触发记录作为样本进行定期优化或更新，例如更新周期可以设置为一天。

需要说明的是，初始模型训练时由于没有对应触发源的触发记录，可以使用现有触发源的触发记录进行筛选模型训练和触发源筛选，待筛选后的触发源在线上触发积累一定触发记录后，再进行筛选模型的优化更新。

一种实现方式中，如图4所示，在步骤302中可以进一步包括：

在步骤401中，采用机器学习模型，对用户的特征、第二视频的特征以及对第二视频的操作特征进行处理，得到第二视频对应的预测成绩。

对机器学习模型设置合适的训练参数，并将用户的特征、第二视频的特征以及对第二视频的操作特征输入该机器学习模型，经处理得到第二视频对应的预测成绩。

在步骤402中，根据预测成绩以及标签，确定机器学习模型的参数，得到筛选模型。

以第二视频对应的触发结果的点击率、点赞率和关注率为目标，不断调整xgboost等机器学习模型的参数，可以分别训练出针对点击率ctr、点赞率ltr和关注率wtr的筛选模型。模型训练结束后还可以进一步评估每一种模型的预测性能。

本实施例提供的视频筛选方法，以筛选得到的触发源所对应的触发结果是否被用户点击、点赞或关注为目标，将用户特征、用户操作过的第二视频特征以及对第二视频的操作特征输入机器学习模型，通过反复训练得到筛选模型；采用预先训练得到筛选模型，对用户长期时间范围内的所有操作行为(如用户点击过的第一视频)进行筛选，筛选出其中质量较高的第一视频作为触发源，并发送到线上；线上进行实时视频推荐时，使用筛选得到的触发源进行触发，触发记录也将录入基础数据中，推动筛选模型训练更新。本申请提供的视频筛选方法，以更长期范围内的操作行为作为触发源筛选的候选，触发源能够有效刻画出用户的长期兴趣，覆盖面更广；通过离线建模并筛选出预估触发效果最好的操作行为，保证了触发源的整体质量，推荐更精细。

本申请技术方案可以从用户长时间内的点击行为中通过模型挖掘出触发效果最好的点击，作为当前触发源的补充，有效提升触发质量和个性化推荐效果。

图5是本申请示出的一种视频筛选装置的框图。参照图5，该装置包括：

第一获取模块51，被配置为获取用户的特征、用户操作过的第一视频的特征以及对第一视频的操作特征。

处理模块52，被配置为采用预先训练得到的筛选模型，对用户的特征、第一视频的特征以及对第一视频的操作特征进行处理，得到各第一视频对应的目标成绩。

筛选模块53，被配置为根据目标成绩，在用户操作过的第一视频中，筛选出预设数量个第一视频。

在一个可选的实现方式中，目标成绩包括第一视频对应的触发结果的点击率、点赞率和关注率，筛选模块53包括：

计算单元，被配置为对点击率、点赞率以及关注率进行加权求和，得到各第一视频对应的全局成绩。

其中，点击率的权重因子大于或等于1且小于或等于3，点赞率的权重因子大于或等于3且小于或等于5，关注率的权重因子大于或等于5且小于或等于7。

筛选单元，被配置为筛选出全局成绩较高的预设数量个第一视频。

在上述各实施例的基础上，视频筛选装置还可以包括：第二获取模块，被配置为获得筛选模型。

在一个可选的实现方式中，第二获取模块包括：

获取单元，被配置为获取用户的特征、用户操作过的第二视频的特征以及对第二视频的操作特征，其中，第二视频对应有标签。

训练单元，被配置为根据用户的特征、第二视频的特征、对第二视频的操作特征以及标签，对机器学习模型进行训练，得到筛选模型。

其中，标签包括预先标注的第二视频对应的触发结果的点击率、点赞率和关注率中至少一种，训练单元包括：

处理子单元，被配置为采用机器学习模型，对用户的特征、第二视频的特征以及对第二视频的操作特征进行处理，得到第二视频对应的预测成绩。

计算子单元，被配置为根据预测成绩以及标签，确定机器学习模型的参数，得到筛选模型。

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以及有益效果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6是本申请示出的一种电子设备800的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。

参照图6，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电力组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。

处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。

存储器804被配置为存储各种类型的数据以支持在设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图像，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。

多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。

I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如WiFi，运营商网络(如2G、3G、4G或5G)，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

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804，上述指令可由电子设备800的处理器820执行以完成上述方法。例如，所述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。

图7是本申请示出的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。

参照图7，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。

电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、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申请的一般性原理并包括本申请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，本申请的真正范围和精神由下面的权利要求指出。

应当理解的是，本申请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。本申请的范围仅由所附的权利要求来限制。

A1、一种视频筛选方法，所述方法包括：

获取用户的特征、所述用户操作过的第一视频的特征以及对所述第一视频的操作特征；

采用预先训练得到的筛选模型，对所述用户的特征、所述第一视频的特征以及对所述第一视频的操作特征进行处理，得到各所述第一视频对应的目标成绩；

根据所述目标成绩，在所述用户操作过的第一视频中，筛选出预设数量个第一视频。

A2、根据A1所述的方法，所述目标成绩包括所述第一视频对应的触发结果的点击率、点赞率和关注率，所述根据所述目标成绩，在所述用户操作过的第一视频中，筛选出预设数量个第一视频的步骤，包括：

对所述点击率、所述点赞率以及所述关注率进行加权求和，得到各所述第一视频对应的全局成绩；

筛选出所述全局成绩较高的预设数量个第一视频。

A3、根据A2所述的方法，所述点击率的权重因子大于或等于1且小于或等于3，所述点赞率的权重因子大于或等于3且小于或等于5，所述关注率的权重因子大于或等于5且小于或等于7。

A4、根据A1至A3任一项所述的方法，在所述采用预先训练得到的筛选模型，对所述用户的特征、所述第一视频的特征以及对所述第一视频的操作特征进行处理，得到各所述第一视频对应的目标成绩的步骤之前，所述方法还包括：获得所述筛选模型；

所述获得所述筛选模型的步骤，包括：

获取所述用户的特征、所述用户操作过的第二视频的特征以及对所述第二视频的操作特征，其中，所述第二视频对应有标签；

根据所述用户的特征、所述第二视频的特征、对所述第二视频的操作特征以及所述标签，对机器学习模型进行训练，得到所述筛选模型。

A5、根据A4所述的方法，所述标签包括预先标注的所述第二视频对应的触发结果的点击率、点赞率和关注率中至少一种，所述根据所述用户的特征、所述第二视频的特征、对所述第二视频的操作特征以及所述标签，对机器学习模型进行训练，得到所述筛选模型的步骤，包括：

采用所述机器学习模型，对所述用户的特征、所述第二视频的特征以及对所述第二视频的操作特征进行处理，得到所述第二视频对应的预测成绩；

根据所述预测成绩以及所述标签，确定所述机器学习模型的参数，得到所述筛选模型。

A6、一种视频筛选装置，所述装置包括：

第一获取模块，被配置为获取用户的特征、所述用户操作过的第一视频的特征以及对所述第一视频的操作特征；

处理模块，被配置为采用预先训练得到的筛选模型，对所述用户的特征、所述第一视频的特征以及对所述第一视频的操作特征进行处理，得到各所述第一视频对应的目标成绩；

筛选模块，被配置为根据所述目标成绩，在所述用户操作过的第一视频中，筛选出预设数量个第一视频。

A7、根据A6所述的装置，所述目标成绩包括所述第一视频对应的触发结果的点击率、点赞率和关注率，所述筛选模块包括：

计算单元，被配置为对所述点击率、所述点赞率以及所述关注率进行加权求和，得到各所述第一视频对应的全局成绩；

筛选单元，被配置为筛选出所述全局成绩较高的预设数量个第一视频。

A8、根据A7所述的装置，所述点击率的权重因子大于或等于1且小于或等于3，所述点赞率的权重因子大于或等于3且小于或等于5，所述关注率的权重因子大于或等于5且小于或等于7。

A9、根据A6至A8任一项所述的装置，所述装置还包括：第二获取模块，被配置为获得所述筛选模型；

所述第二获取模块包括：

获取单元，被配置为获取所述用户的特征、所述用户操作过的第二视频的特征以及对所述第二视频的操作特征，其中，所述第二视频对应有标签；

训练单元，被配置为根据所述用户的特征、所述第二视频的特征、对所述第二视频的操作特征以及所述标签，对机器学习模型进行训练，得到所述筛选模型。

A10、根据A9所述的装置，所述标签包括预先标注的所述第二视频对应的触发结果的点击率、点赞率和关注率中至少一种，所述训练单元包括：

处理子单元，被配置为采用所述机器学习模型，对所述用户的特征、所述第二视频的特征以及对所述第二视频的操作特征进行处理，得到所述第二视频对应的预测成绩；

计算子单元，被配置为根据所述预测成绩以及所述标签，确定所述机器学习模型的参数，得到所述筛选模型。

Claims (10)

1.一种视频筛选方法，其特征在于，所述方法包括：

获取用户的特征、所述用户操作过的第一视频的特征以及对所述第一视频的操作特征；

采用预先训练得到的筛选模型，对所述用户的特征、所述第一视频的特征以及对所述第一视频的操作特征进行处理，得到各所述第一视频对应的目标成绩；

根据所述目标成绩，在所述用户操作过的第一视频中，筛选出预设数量个第一视频。

2.根据权利要求1所述的方法，其特征在于，所述目标成绩包括所述第一视频对应的触发结果的点击率、点赞率和关注率，所述根据所述目标成绩，在所述用户操作过的第一视频中，筛选出预设数量个第一视频的步骤，包括：

对所述点击率、所述点赞率以及所述关注率进行加权求和，得到各所述第一视频对应的全局成绩；

筛选出所述全局成绩较高的预设数量个第一视频。

3.根据权利要求2所述的方法，其特征在于，所述点击率的权重因子大于或等于1且小于或等于3，所述点赞率的权重因子大于或等于3且小于或等于5，所述关注率的权重因子大于或等于5且小于或等于7。

4.根据权利要求1至3任一项所述的方法，其特征在于，在所述采用预先训练得到的筛选模型，对所述用户的特征、所述第一视频的特征以及对所述第一视频的操作特征进行处理，得到各所述第一视频对应的目标成绩的步骤之前，所述方法还包括：获得所述筛选模型；

所述获得所述筛选模型的步骤，包括：

获取所述用户的特征、所述用户操作过的第二视频的特征以及对所述第二视频的操作特征，其中，所述第二视频对应有标签；

根据所述用户的特征、所述第二视频的特征、对所述第二视频的操作特征以及所述标签，对机器学习模型进行训练，得到所述筛选模型。

5.根据权利要求4所述的方法，其特征在于，所述标签包括预先标注的所述第二视频对应的触发结果的点击率、点赞率和关注率中至少一种，所述根据所述用户的特征、所述第二视频的特征、对所述第二视频的操作特征以及所述标签，对机器学习模型进行训练，得到所述筛选模型的步骤，包括：

采用所述机器学习模型，对所述用户的特征、所述第二视频的特征以及对所述第二视频的操作特征进行处理，得到所述第二视频对应的预测成绩；

根据所述预测成绩以及所述标签，确定所述机器学习模型的参数，得到所述筛选模型。

6.一种视频筛选装置，其特征在于，所述装置包括：

第一获取模块，被配置为获取用户的特征、所述用户操作过的第一视频的特征以及对所述第一视频的操作特征；

处理模块，被配置为采用预先训练得到的筛选模型，对所述用户的特征、所述第一视频的特征以及对所述第一视频的操作特征进行处理，得到各所述第一视频对应的目标成绩；

筛选模块，被配置为根据所述目标成绩，在所述用户操作过的第一视频中，筛选出预设数量个第一视频。

7.根据权利要求6所述的装置，其特征在于，所述目标成绩包括所述第一视频对应的触发结果的点击率、点赞率和关注率，所述筛选模块包括：

计算单元，被配置为对所述点击率、所述点赞率以及所述关注率进行加权求和，得到各所述第一视频对应的全局成绩；

筛选单元，被配置为筛选出所述全局成绩较高的预设数量个第一视频。

8.根据权利要求7所述的装置，其特征在于，所述点击率的权重因子大于或等于1且小于或等于3，所述点赞率的权重因子大于或等于3且小于或等于5，所述关注率的权重因子大于或等于5且小于或等于7。

9.一种电子设备，其特征在于，所述电子设备包括：

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执行如权利要求1-5任一项所述的视频筛选方法。

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电子设备的处理器执行时，使得电子设备能够执行如权利要求1-5任一项所述的视频筛选方法。