CN109684510B

CN109684510B - 视频排序方法、装置、电子设备及存储介质

Info

Publication number: CN109684510B
Application number: CN201811290282.8A
Authority: CN
Inventors: 蔡锦龙
Original assignee: Beijing Dajia Internet Information Technology Co Ltd
Current assignee: Beijing Dajia Internet Information Technology Co Ltd
Priority date: 2018-10-31
Filing date: 2018-10-31
Publication date: 2020-01-31
Anticipated expiration: 2038-10-31
Also published as: CN109684510A

Abstract

本申请示出了一种视频排序方法、装置、电子设备及存储介质，其中视频排序方法包括：响应于用户的视频获取请求，获取用户的特征信息；采用预先训练得到的视频排序模型的用户侧神经网络，对用户的特征信息进行处理，得到第一顶层向量；计算第一顶层向量与各第二顶层向量之间的第一距离，其中，第二顶层向量为采用视频排序模型的视频侧神经网络，对每一个待推荐视频的特征信息进行处理得到；根据各待推荐视频对应的第一距离，对待推荐视频进行排序。第二顶层向量可以预先采用视频侧神经网络定期计算好，无需在每次视频排序的过程中同时对第一顶层向量以及第二顶层向量进行计算，因此，本申请技术方案具有很高的排序效率，能高效准确地进行视频推荐。

Description

视频排序方法、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，尤其涉及一种视频排序方法、装置、电子设备及存储介质。

背景技术

随着科技的日益进步和互联网的普及，越来越多的人通过视频来传输信息和分享生活，从海量视频库中进行个性化的有效视频推荐显得日益重要。现有技术可以通过机器学习的方法来预估用户对视频的点击率，从而根据点击率对推荐视频进行排序。

其中，机器学习的方法是基于大规模离散深度学习的视频推荐技术，通过将用户特征和视频特征经过神经网络变换到另外一个空间，然后通过最小化损失函数来学习神经网络中的参数，从而可以预估用户对视频的点击率等目标。然而，目前这种通过机器学习来预估用户对视频的点击率的方法存在效率上的问题。

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排序方法、装置、电子设备及存储介质。

根据本申请的第一方面，提供一种视频排序方法，所述方法包括：

响应于用户的视频获取请求，获取所述用户的特征信息；

采用预先训练得到的视频排序模型的用户侧神经网络，对所述用户的特征信息进行处理，得到第一顶层向量；

计算所述第一顶层向量与各第二顶层向量之间的第一距离，其中，所述第二顶层向量为采用所述视频排序模型的视频侧神经网络，对每一个待推荐视频的特征信息进行处理得到；

根据各所述待推荐视频对应的第一距离，对所述待推荐视频进行排序。

在一个可选的实现方式中，所述计算所述第一顶层向量与第二顶层向量之间的第一距离的步骤，包括：

计算所述第一顶层向量与所述第二顶层向量之间的第一内积距离。

在一个可选的实现方式中，所述根据各所述待推荐视频对应的第一距离，对所述待推荐视频进行排序的步骤，包括：

对各所述待推荐视频对应的第一距离进行sigmoid函数变换，得到各所述待推荐视频的第一推荐概率；

根据各所述待推荐视频的第一推荐概率，对所述待推荐视频进行排序。

在一个可选的实现方式中，在所述采用预先训练得到的视频排序模型的用户侧神经网络，对所述用户的特征信息进行处理，得到第一顶层向量的步骤之前，所述方法还包括：获得所述视频排序模型，所述视频排序模型包括所述用户侧神经网络和所述视频侧神经网络；

所述获得所述视频排序模型的步骤，包括：

获取视频样本，所述视频样本具有样本标签，所述样本标签为根据所述用户的历史操作标注得到；

根据所述用户的特征信息、所述视频样本的特征信息以及所述样本标签，对所述用户侧神经网络和所述视频侧神经网络进行训练，得到所述视频排序模型。

在一个可选的实现方式中，所述根据所述用户的特征信息、所述视频样本的特征信息以及所述样本标签，对所述用户侧神经网络和所述视频侧神经网络进行训练，得到所述视频排序模型的步骤，包括：

将所述用户的特征信息输入所述用户侧神经网络，得到第三顶层向量；将所述视频样本的特征信息输入所述视频侧神经网络，得到第四顶层向量；

计算所述第三顶层向量与所述第四顶层向量之间的第二距离；

对所述第二距离进行sigmoid函数变换，得到所述视频样本的第二推荐概率；

根据所述第二推荐概率以及所述样本标签，确定所述用户侧神经网络和所述视频侧神经网络的参量，得到所述视频排序模型。

根据本申请的第二方面，提供一种视频排序装置，所述装置包括：

第一获取模块，被配置为响应于用户的视频获取请求，获取所述用户的特征信息；

第二获取模块，被配置为采用预先训练得到的视频排序模型的用户侧神经网络，对所述用户的特征信息进行处理，得到第一顶层向量；

第一计算模块，被配置为计算所述第一顶层向量与各第二顶层向量之间的第一距离，其中，所述第二顶层向量为采用所述视频排序模型的视频侧神经网络，对每一个待推荐视频的特征信息进行处理得到；

排序模块，被配置为根据各所述待推荐视频对应的第一距离，对所述待推荐视频进行排序。

在一个可选的实现方式中，所述第一计算模块包括：

距离计算单元，被配置为计算所述第一顶层向量与所述第二顶层向量之间的第一内积距离。

在一个可选的实现方式中，所述排序模块包括：

概率计算单元，被配置为对各所述待推荐视频对应的第一距离进行sigmoid函数变换，得到各所述待推荐视频的第一推荐概率；

视频排序单元，被配置为根据各所述待推荐视频的第一推荐概率，对所述待推荐视频进行排序。

在一个可选的实现方式中，所述装置还包括：

第三获取模块，被配置为获得所述视频排序模型，所述视频排序模型包括所述用户侧神经网络和所述视频侧神经网络；

所述第三获取模块包括：

样本获取单元，被配置为获取视频样本，所述视频样本具有样本标签，所述样本标签为根据所述用户的历史操作标注得到；

模型训练单元，被配置为根据所述用户的特征信息、所述视频样本的特征信息以及所述样本标签，对所述用户侧神经网络和所述视频侧神经网络进行训练，得到所述视频排序模型。

在一个可选的实现方式中，所述模型训练单元包括：

向量获得子单元，被配置为将所述用户的特征信息输入所述用户侧神经网络，得到第三顶层向量；将所述视频样本的特征信息输入所述视频侧神经网络，得到第四顶层向量；

距离计算子单元，被配置为计算所述第三顶层向量与所述第四顶层向量之间的第二距离；

概率计算子单元，被配置为对所述第二距离进行sigmoid函数变换，得到所述视频样本的第二推荐概率；

参量确定子单元，被配置为根据所述第二推荐概率以及所述样本标签，确定所述用户侧神经网络和所述视频侧神经网络的参量，得到所述视频排序模型。

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排序方法。

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排序方法。

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排序方法。

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，提供了一种视频排序方法、装置、电子设备及存储介质，其中视频排序方法包括：响应于用户的视频获取请求，获取用户的特征信息；采用预先训练得到的视频排序模型的用户侧神经网络，对用户的特征信息进行处理，得到第一顶层向量；计算第一顶层向量与各第二顶层向量之间的第一距离，其中，第二顶层向量为采用视频排序模型的视频侧神经网络，对每一个待推荐视频的特征信息进行处理得到；根据各待推荐视频对应的第一距离，对待推荐视频进行排序。本申请技术方案根据第一顶层向量与各第二顶层向量之间的第一距离，对待推荐视频进行排序；其中，第二顶层向量为采用预先训练得到的视频排序模型的视频侧神经网络，对每一个待推荐视频的特征信息进行处理得到，可见，第二顶层向量的计算不依赖于用户，可以预先采用视频排序模型定期计算好，无需在每次视频排序的过程中同时对用户对应的第一顶层向量以及视频对应的第二顶层向量进行计算，因此，与现有技术相比，本申请提供的技术方案具有很高的排序效率，能够很高效准确地对用户进行视频推荐。

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排序方法的步骤流程图。

图2是本申请示出的一种根据第一距离对待推荐视频进行排序的步骤流程图。

图3是本申请示出的一种获得视频排序模型的步骤流程图。

图4是本申请示出的一种对神经网络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排序装置的框图。

图6是本申请示出的一种视频排序模型的连接结构示意图。

图7是本申请示出的一种电子设备的框图。

图8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。

现有技术采用预先训练好的神经网络模型对视频进行推荐排序的过程中，需要将用户特征和视频特征拼接到一起，经过神经网络模型的计算来预估各视频的点击率等目标，再根据点击率等目标对各视频进行排序。发明人发现现有技术方案在每次排序过程中都要对用户特征和视频特征同时进行处理，导致数据量过大，增大了神经网络模型的计算复杂度，进而导致排序效率较低。为了解决这一问题，本申请提供了以下技术方案。

图1是本申请示出的一种视频排序方法的流程图，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，响应于用户的视频获取请求，获取用户的特征信息。

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。当用户在登录APP或者刷新(如下拉)APP显示界面时，可以通过移动终端向服务器发送用于获取视频的获取请求。

当服务器接收到移动终端发送的视频获取请求之后，获取用户的特征信息。其中，用户的特征信息可以包括以下至少一种：用户标识(ID)、点击历史、点赞历史、关注历史、位置信息、年龄信息、性别信息等。

在步骤S102中，采用预先训练得到的视频排序模型的用户侧神经网络，对用户的特征信息进行处理，得到第一顶层向量。

具体地，视频排序模型例如可以预先根据用户特征、视频特征以及用户-视频交互结果等样本信息，对多层的全连接神经网络进行训练得到，该视频排序模型可以包括分立的用户侧神经网络和视频侧神经网络。如图6所示，视频排序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。

第一顶层向量为根据用户的特征信息，经过视频排序模型的用户侧神经网络的各层参数组合变换后得到的一个当前用户状态表达，是n维空间中的一个向量，其中维度n可以根据实际情况设置。

在线进行视频排序的过程中，可以将用户的特征信息输入到视频排序模型的用户侧神经网络中，经过层层变换处理，到次顶层得到第一次顶层向量X，然后会输出到顶层得到第一顶层向量。其中，第一顶层向量可以包括以下至少一种：用户侧点击率的顶层向量A1、用户侧点赞率的顶层向量A2和用户侧关注率的顶层向量A3。

在步骤S103中，计算第一顶层向量与各第二顶层向量之间的第一距离，其中，第二顶层向量为采用视频排序模型的视频侧神经网络，对每一个待推荐视频的特征信息进行处理得到。

第二顶层向量为根据每一个待推荐视频的特征信息，经过视频排序模型的视频侧神经网络的各层参数组合变换后得到的各待推荐视频的状态表达，是n维空间中的一个向量。具体地，将每一个待推荐视频的特征信息输入到视频排序模型的视频侧神经网络中，经过层层变换处理，到次顶层得到第二次顶层向量Y，然后会输出到顶层得到第二顶层向量。其中，第二顶层向量可以包括以下至少一种：视频侧点击率的顶层向量B1、视频侧点赞率的顶层向量B2和视频侧关注率的顶层向量B3。

其中，视频的特征信息可以包括以下至少一种：视频标识、视频作者、视频标签和视频的统计信息等。

在实际应用中，由于每个待推荐视频对应的第二顶层向量不依赖于当前用户的特征信息，因此第二顶层向量不需要在每次在线视频排序的过程中进行实时计算，可以采用预先训练好的视频排序模型的视频侧神经网络定期计算得到。计算周期可以根据数据量大小确定，例如千万级的数据量对应的计算周期可以是分钟级别，如每隔1分钟更新每个待推荐视频对应的第二顶层向量。

具体地，第一距离可以通过计算第一顶层向量与各第二顶层向量之间的内积距离、余弦距离或欧式距离等得到。

该步骤具体可以包括计算用户侧点击率的顶层向量A1与视频侧点击率的顶层向量B1之间的距离，得到点击距离；还可以包括计算用户侧点赞率的顶层向量A2与视频侧点赞率的顶层向量B2之间的距离，得到点赞距离；还可以包括计算用户侧关注率的顶层向量A3与视频侧关注率的顶层向量B3之间的距离，得到关注距离。也就是，第一距离包括点击距离、点赞距离和关注距离中至少一种。

在步骤S104中，根据各待推荐视频对应的第一距离，对待推荐视频进行排序。

在一种实现方式中，可以按照第一距离由小到大的顺序，对待推荐视频进行排序。在另一种实现方式中，可以对第一距离进行sigmoid函数变换得到概率，然后按照概率由高到低的顺序，对待推荐视频进行排序，这一实现方式在后续实施例中有详细描述。

本实施例提供的视频排序方法，根据第一顶层向量与各第二顶层向量之间的第一距离，对待推荐视频进行排序；其中，第二顶层向量为采用预先训练得到的视频排序模型的视频侧神经网络，对每一个待推荐视频的特征信息进行处理得到，可见，第二顶层向量的计算不依赖于用户，可以预先采用视频排序模型的视频侧神经网络定期计算好，无需在每次视频排序的过程中同时对用户对应的第一顶层向量以及视频对应的第二顶层向量进行计算，因此，与现有技术相比，本申请提供的技术方案具有很高的排序效率，能够很高效准确地对用户进行视频推荐。

神经网络模型中距离函数的设计很重要，这里的距离指的是在空间中，两个高维度向量之间的相似度。例如有欧式距离、内积距离、余弦距离等等。不同的场景应该使用不同的距离函数。例如在搜索中，query和document之间可以使用余弦距离，原因是在搜索中，query和document之间具有相关性，这种相关性是比较确定的。但在视频推荐的场景中，比如用户A点击了视频1和视频2，那么模型会让视频1和2的距离变的更近；但如果用户B点击了视频1，但没有点击视频2，那么模型会让视频1和2的距离变的更远，也就是用户和视频的向量之间不满足三角不等式的关系，这种情况下如果采用欧式距离或余弦距离来表达，可能使模型不易收敛。

为了进一步提高排序效率和排序准确性，在上述步骤103中可以进一步包括：

计算第一顶层向量与第二顶层向量之间的第一内积距离。

具体地，该步骤可以包括计算用户侧点击率的顶层向量A1与视频侧点击率的顶层向量B1之间的第一内积距离distance(A1,B1)；还可以包括计算用户侧点赞率的顶层向量A2与视频侧点赞率的顶层向量B2之间的第一内积距离distance(A2,B2)；还可以包括计算用户侧关注率的顶层向量A3与视频侧关注率的顶层向量B3之间的第一内积距离distance(A3,B3)。各内积距离的计算公式如下：

其中，A和B均为n维空间中的向量，向量A可以为A1、A2和A3，向量B可以为B1、B2和B3；Ai指的是向量A在n维空间中的第i维分量，Bi指的是向量B在n维空间中的第i维分量。

在本实现方式中，由于计算内积距离的向量之间不需要满足三角不等式关系，因此内积距离更适用于视频推荐场景，可以使模型收敛速度更快，从而进一步提高排序效率和排序准确性。

如图2所示，在上述步骤104中可以进一步包括：

在步骤201中，对各待推荐视频对应的第一距离进行sigmoid函数变换，得到各待推荐视频的第一推荐概率。

在实际应用中，采用如下sigmoid函数变换公式：

σ(α)＝1/(1+exp(-a))

其中，a可以是第一距离，σ(a)为a对应的概率值，取值范围在(0，1)之间。在本实现方式中，可以对点击距离进行sigmoid函数变换得到点击率，对点赞距离进行sigmoid函数变换得到点赞率，对关注距离进行sigmoid函数变换得到关注率。例如还可以通过排序公式对点击率、点赞率和关注率进行线性变换得到第一推荐概率，具体排序公式中的线性变换关系可以根据实际情况或经验确定。假设点击率为x，点赞率为y，关注率为z，第一推荐概率为p，则排序公式例如可以为p＝ax+by+cz，其中a、b、c可以根据经验值设定。

在步骤202中，根据各待推荐视频的第一推荐概率，对待推荐视频进行排序。

具体地，按照第一推荐概率由高到低的顺序，对待推荐视频进行排序。

在上述各实施例的基础上，在步骤102之前，所述视频排序方法还可以包括：获得视频排序模型，视频排序模型包括用户侧神经网络和视频侧神经网络。

具体地，视频排序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。在实际应用中，视频排序模型可以进行持续不断地更新。

一种实现方式中，如图3所示，获得视频排序模型的步骤可以包括：

在步骤301中，获取视频样本，视频样本具有样本标签，样本标签为根据用户的历史操作标注得到。

其中，视频样本包括正样本和负样本，正样本的样本标签为1，负样本的样本标签为0。对于点击率模型来说，正样本是用户点击的视频，负样本是给用户展现了但是没有被点击的视频；对于点赞率模型来说，正样本是用户点击并点赞的视频，负样本是用户点击了但是没有点赞的视频；对于关注率模型来说，正样本是用户点击并关注了该视频作者的视频，负样本是用户点击了但是没有对该视频作者进行关注的视频。

在步骤302中，根据用户的特征信息、视频样本的特征信息以及样本标签，对用户侧神经网络和视频侧神经网络进行训练，得到视频排序模型。

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，将用户的特征信息输入用户侧神经网络，得到第三顶层向量；将视频样本的特征信息输入视频侧神经网络，得到第四顶层向量。

具体地，如图6所示，用户侧神经网络和视频侧神经网络可以是多层的全连接神经网络。将用户的特征信息输入到用户侧神经网络中，经过层层变换处理，到次顶层得到次顶层向量X，然后会输出到顶层得到第三顶层向量。在点击率模型中，第三顶层向量为用户侧点击率的顶层向量A1；在点赞率模型中，第三顶层向量为用户侧点赞率的顶层向量A2；在关注率模型中，第三顶层向量为用户侧关注率的顶层向量A3。

将视频样本的特征信息输入到视频侧神经网络中，经过层层变换处理，到次顶层得到次顶层向量Y，然后会输出到顶层得到第四顶层向量。在点击率模型中，第四顶层向量为视频侧点击率的顶层向量B1；在点赞率模型中，第四顶层向量为视频侧点赞率的顶层向量B2；在关注率模型中，第四顶层向量为视频侧关注率的顶层向量B3。

在步骤402中，计算第三顶层向量与第四顶层向量之间的第二距离。

在实际应用中，为了提高模型收敛速度，第二距离可以是第三顶层向量与各第四顶层向量之间的内积距离。

在点击率模型中，第二距离为用户侧点击率的顶层向量A1与视频侧点击率的顶层向量B1之间的点击距离；在点赞率模型中，第二距离为用户侧点赞率的顶层向量A2与视频侧点赞率的顶层向量B2之间的点赞距离；在关注率模型中，第二距离为用户侧关注率的顶层向量A3与视频侧关注率的顶层向量B3之间的关注距离。

在步骤403中，对第二距离进行sigmoid函数变换，得到视频样本的第二推荐概率。

具体地，在点击率模型中，对点击距离进行sigmoid函数变换，得到点击率；在点赞率模型中，对点赞距离进行sigmoid函数变换，得到点赞率；在关注率模型中，对关注距离进行sigmoid函数变换，得到关注率。也就是，第二推荐概率包括点击率、点赞率和关注率中至少一种。具体的sigmoid函数变换过程与前面实施例相同或相似，这里不再赘述。

在步骤404中，根据第二推荐概率以及样本标签，确定用户侧神经网络和视频侧神经网络的参量，得到视频排序模型。

具体地，可以根据第二推荐概率以及正负样本的样本标签，使用如下公式计算LogLoss损失函数：

l(A_t、B_t)＝-y_tlog p_t-(1-y_t)log(1-p_t)

其中，At表示用户侧的顶层向量(如A1、A2、A3)，Bt表示视频侧的顶层向量(如B1、B2、B3)，预估的第二推荐概率为pt＝σ(At·Bt)，σ是sigmoid函数；yt是样本的标签0或1。

在实际应用中，可以采用随机梯度下降法来最小化Log loss的损失函数，并求解损失函数的梯度，然后逐层更新网络的参数。在点击率模型中，根据点击率的正负样本，来计算损失函数，并且计算梯度，会先更新顶层A1和B1的参数，再更新次顶层X和Y的参数，接下来往下更新用户侧的网络参数和视频侧的网络参数；在点赞率模型中，根据点赞率的正负样本，来计算损失函数，并且计算梯度，会先更新顶层A2和B2的参数，再更新次顶层X和Y的参数，接下来往下更新用户侧的网络参数和视频侧的网络参数；在关注率模型中，根据关注率的正负样本，来计算损失函数，并且计算梯度，会先更新顶层A3和B3的参数，然后再更新次顶层X和Y的参数，接下来往下更新用户侧的网络参数和视频侧的网络参数，这样可以确定用户侧神经网络和视频侧神经网络的各参量，从而得到视频排序模型。

本实施例提供的视频排序方法，分别对用户侧和视频侧单独设计了神经网络，使得在在线预估的时候，视频侧顶层向量的计算不依赖于用户，视频侧顶层向量可以定期计算得到，从而使得排序效率和准确率很高；采用内积距离作为距离函数更适合推荐的场景，进一步提高排序效率和准确率；采用本申请技术方案可以对用户兴趣进行建模，表征用户的兴趣，给用户推荐他感兴趣的视频；并且可以对多个模型(如点击率模型、点赞率模型和关注率模型等)进行预估。

图5是本申请示出的一种视频排序装置的框图。参照图5，该装置包括：

第一获取模块51，被配置为响应于用户的视频获取请求，获取用户的特征信息。

第二获取模块52，被配置为采用预先训练得到的视频排序模型的用户侧神经网络，对用户的特征信息进行处理，得到第一顶层向量。

第一计算模块53，被配置为计算第一顶层向量与各第二顶层向量之间的第一距离，其中，第二顶层向量为采用视频排序模型的视频侧神经网络，对每一个待推荐视频的特征信息进行处理得到。

排序模块54，被配置为根据各待推荐视频对应的第一距离，对待推荐视频进行排序。

在一个可选的实现方式中，第一计算模块53包括：

距离计算单元，被配置为计算第一顶层向量与第二顶层向量之间的第一内积距离。

在一个可选的实现方式中，排序模块54包括：

概率计算单元，被配置为对各待推荐视频对应的第一距离进行sigmoid函数变换，得到各待推荐视频的第一推荐概率。

视频排序单元，被配置为根据各待推荐视频的第一推荐概率，对待推荐视频进行排序。

在上述各实施例的基础上，视频推荐装置还可以包括：第三获取模块，被配置为获得视频排序模型，视频排序模型包括用户侧神经网络和视频侧神经网络。

在一个可选的实现方式中，第三获取模块包括：

样本获取单元，被配置为获取视频样本，视频样本具有样本标签，样本标签为根据用户的历史操作标注得到。

模型训练单元，被配置为根据用户的特征信息、视频样本的特征信息以及样本标签，对用户侧神经网络和视频侧神经网络进行训练，得到视频排序模型。

在一个可选的实现方式中，模型训练单元包括：

向量获得子单元，被配置为将用户的特征信息输入用户侧神经网络，得到第三顶层向量；将视频样本的特征信息输入视频侧神经网络，得到第四顶层向量。

距离计算子单元，被配置为计算第三顶层向量与第四顶层向量之间的第二距离。

概率计算子单元，被配置为对第二距离进行sigmoid函数变换，得到视频样本的第二推荐概率。

参量确定子单元，被配置为根据第二推荐概率以及样本标签，确定用户侧神经网络和视频侧神经网络的参量，得到视频排序模型。

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7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7，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8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8，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、一种视频排序方法，所述方法包括：

响应于用户的视频获取请求，获取所述用户的特征信息；

A2、根据A1所述的方法，所述计算所述第一顶层向量与第二顶层向量之间的第一距离的步骤，包括：

A3、根据A1所述的方法，所述根据各所述待推荐视频对应的第一距离，对所述待推荐视频进行排序的步骤，包括：

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视频排序模型的用户侧神经网络，对所述用户的特征信息进行处理，得到第一顶层向量的步骤之前，所述方法还包括：获得所述视频排序模型，所述视频排序模型包括所述用户侧神经网络和所述视频侧神经网络；

所述获得所述视频排序模型的步骤，包括：

A5、根据A4所述的方法，所述根据所述用户的特征信息、所述视频样本的特征信息以及所述样本标签，对所述用户侧神经网络和所述视频侧神经网络进行训练，得到所述视频排序模型的步骤，包括：

A6、一种视频排序装置，所述装置包括：

A7、根据A6所述的装置，所述第一计算模块包括：

A8、根据A6所述的装置，所述排序模块包括：

A9、根据A6至A8任一项所述的装置，所述装置还包括：

所述第三获取模块包括：

A10、根据A9所述的装置，所述模型训练单元包括：

Claims

1.一种视频排序方法，其特征在于，所述方法包括：

响应于用户的视频获取请求，获取所述用户的特征信息；

计算所述第一顶层向量与各第二顶层向量之间的第一距离，其中，所述第二顶层向量为采用所述视频排序模型的视频侧神经网络，预先定期对每一个待推荐视频的特征信息进行处理得到；其中，所述视频侧神经网络与所述用户侧神经网络是分立的；

2.根据权利要求1所述的方法，其特征在于，所述计算所述第一顶层向量与第二顶层向量之间的第一距离的步骤，包括：

3.根据权利要求1所述的方法，其特征在于，所述根据各所述待推荐视频对应的第一距离，对所述待推荐视频进行排序的步骤，包括：

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视频排序模型的用户侧神经网络，对所述用户的特征信息进行处理，得到第一顶层向量的步骤之前，所述方法还包括：获得所述视频排序模型，所述视频排序模型包括所述用户侧神经网络和所述视频侧神经网络；

所述获得所述视频排序模型的步骤，包括：

5.根据权利要求4所述的方法，其特征在于，所述根据所述用户的特征信息、所述视频样本的特征信息以及所述样本标签，对所述用户侧神经网络和所述视频侧神经网络进行训练，得到所述视频排序模型的步骤，包括：

6.一种视频排序装置，其特征在于，所述装置包括：

第一计算模块，被配置为计算所述第一顶层向量与各第二顶层向量之间的第一距离，其中，所述第二顶层向量为采用所述视频排序模型的视频侧神经网络，预先定期对每一个待推荐视频的特征信息进行处理得到；其中，所述视频侧神经网络与所述用户侧神经网络是分立的；

7.根据权利要求6所述的装置，其特征在于，所述第一计算模块包括：

8.根据权利要求6所述的装置，其特征在于，所述排序模块包括：

9.根据权利要求6至8任一项所述的装置，所述装置还包括：

所述第三获取模块包括：

10.根据权利要求9所述的装置，所述模型训练单元包括：

11.一种电子设备，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任一项所述的视频排序方法。

12.一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任一项所述的视频排序方法。