CN109831684A - 视频优化推荐方法、装置及可读存储介质 - Google Patents

Abstract

本发明公开一种视频优化推荐方法及装置，所述方法包括：获取用户观看行为的历史行为数据、用户的标签属性及视频特征；基于所述历史行为数据、用户标签属性及视频特征利用预设的视频优化模型输出优化选择参数；根据所述优化选择参数生成视频优化方案，并将所述视频优化方案通过DSP进行投放。本发明属于科技金融领域，能够根据用户的历史行为、用户标签及视频特征得到优化选择参数，进而生成视频优化选择参数，从而实现了对视频广告进行优化，准确推荐视频广告。

Description

视频优化推荐方法、装置及可读存储介质

技术领域

本发明主要涉及广告优化技术领域，具体地说，涉及一种视频优化推荐方法、装置及可读存储介质。

背景技术

广告平台视频素材的制作与投放，通常有代理商投放和DSP(Demand SidePlatform，需求方平台)投放两种渠道。投放流程为：根据广告主需求，设计者进行广告视频素材的创作，然后通过代理商或DSP审核投放，视频素材投放于广告平台并依赖于平台的点击率预估进行推荐。所以，现有流程无法对视频广告进行优化，进而无法准确对用户进行广告视频推荐。

发明内容

本发明的主要目的是提供一种视频优化推荐方法、装置及可读存储介质，旨在解决现有流程无法对视频广告进行优化，进而无法准确对用户进行广告视频推荐的问题。

为实现上述目的，本发明提供一种视频优化推荐方法，所述视频优化推荐方法包括以下步骤：

获取用户观看行为的历史行为数据、用户的标签属性及视频特征；

基于所述历史行为数据、用户标签属性及视频特征利用预设的视频优化模型输出优化选择参数；

根据所述优化选择参数生成视频优化方案，并将所述视频优化方案通过DSP进行投放。

可选地，所述基于所述历史行为数据、用户标签属性及视频特征利用预设的视频优化模型输出优化选择参数的步骤之前，所述视频优化推荐方法还包括：

获取初始视频方案，通过DSP将所述初始视频方案进行投放，并获取投放后的反馈效果；

通过预设的效果预测模型对所述初始视频方案进行打分，以获得所述初始视频方案的预测效果；

将所述反馈效果及所述预测效果进行比较，根据比较结果更新预设的初始模型，并进行迭代优化，以得到所述视频优化模型。

可选地，所述根据所述优化选择参数生成视频优化方案的步骤还包括：

基于所述优化选择参数在广告素材中选择最优视频类别的最优视频；

提取所述最优视频中的关键帧和\或关键片段；

基于所述优化选择参数将所述关键帧和\或所述关键片段进行前置处理，以生成视频优化方案。

可选地，所述基于所述优化选择参数在视频素材中选择最优视频类别的最优视频的步骤之前，所述视频优化推荐方法还包括：

将广告素材中的视频广告进行分类，以得到分类后的视频广告；

通过所述DSP获取所述历史行为数据中用户观看行为的类别反馈信息；

基于所述类别反馈信息对分类后的视频广告进行标记。

可选地，所述将广告素材中的视频广告进行分类的步骤包括：

在所述广告素材的视频广告中进行采样，以获得各采样片段；

利用3D卷积神经网络算法对各所述采样片段进行特征提取，并将提取到的特征向量作为序列神经网络的输入；

利用序列神经网络对所述视频广告进行分类。

此外，为实现上述目的，本发明还提供一种视频优化推荐装置，所述视频优化推荐装置包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的视频优化推荐程序，所述视频优化推荐程序被所述处理器执行时实现以下步骤：

获取用户观看行为的历史行为数据、用户的标签属性及视频特征；

基于所述历史行为数据、用户标签属性及视频特征利用预设的视频优化模型输出优化选择参数；

根据所述优化选择参数生成视频优化方案，并将所述视频优化方案通过DSP进行投放。

可选地，所述视频优化推荐程序被所述处理器执行时还实现以下步骤：

获取初始视频方案，通过DSP将所述初始视频方案进行投放，并获取投放后的反馈效果；

通过预设的效果预测模型对所述初始视频方案进行打分，以获得所述初始视频方案的预测效果；

将所述反馈效果及所述预测效果进行比较，根据比较结果更新预设的初始模型，并进行迭代优化，以得到所述视频优化模型。

可选地，所述视频优化推荐程序被所述处理器执行时还实现以下步骤：

基于所述优化选择参数在广告素材中选择最优视频类别的最优视频；

提取所述最优视频中的关键帧和\或关键片段；

基于所述优化选择参数将所述关键帧和\或所述关键片段进行前置处理，以生成视频优化方案。

可选地，所述视频优化推荐程序被所述处理器执行时还实现以下步骤：

将广告素材中的视频广告进行分类，以得到分类后的视频广告；

通过所述DSP获取所述历史行为数据中用户观看行为的类别反馈信息；

基于所述类别反馈信息对分类后的视频广告进行标记。

此外，为实现上述目的，本发明还提供一种可读存储介质，所述可读存储介质上存储有视频优化推荐程序，其中所述视频优化推荐程序被处理器执行时，实现如上述的视频优化推荐方法的步骤。

本发明提供一种视频优化推荐方法、装置及可读存储介质，本发明通过获取用户观看行为的历史行为数据、用户的标签属性及视频特征，然后基于所述历史行为数据、用户标签属性及视频特征利用预设的视频优化模型输出优化选择参数，最后根据所述优化选择参数生成视频优化方案，并将所述视频优化方案通过DSP进行投放；能够根据用户的历史行为、用户标签及视频特征得到优化选择参数，进而生成视频优化选择参数，从而实现了对视频广告进行优化，准确推荐视频广告。

附图说明

图1为本发明各实施例涉及的视频优化推荐装置的硬件结构示意图；

图2为本发明视频优化推荐方法第一实施例的流程示意图；

图3为本发明视频优化推荐方法第二实施例的流程示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

参照图1，图1为本发明实施例方案中涉及的视频优化推荐装置的硬件结构示意图。本发明实施例中，视频优化推荐装置可以包括处理器1001(例如中央处理器CentralProcessing Unit、CPU)，通信总线1002，用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信；用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)；网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)；存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器，存储器1005可选的还可以是独立于前述处理器1001的存储装置。本领域技术人员可以理解，图1中示出的硬件结构并不构成对本发明的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

继续参照图1，图1中作为一种存储介质的存储器1005可以包括操作系统、网络通信模块以及视频优化推荐程序。在图1中，网络通信模块主要用于连接服务器，与服务器进行数据通信；而处理器1001可以调用存储器1005中存储的视频优化推荐程序，并执行本发明实施例提供的视频优化推荐方法。

本发明实施例提供了一种视频优化推荐方法。

参照图2，图2为本发明视频优化推荐方法第一实施例的流程示意图。

在本实施例中，该视频优化推荐方法的执行主体为视频优化推荐系统，该系统主要通过用户观看行为的历史行为数据、用户标签属性及视频特征利用视频优化模型输出优化选择参数，并生成视频优化方案，将视频优化方案通过DSP(Demand Side Platform，需求方平台)进行投放，从而推荐给用户优化后的视频，其中，需求方平台允许广告客户和广告机构更方便地访问，以及更有效地购买广告库存，因为该平台汇集了各种广告交易平台，广告网络，供应方平台，甚至媒体的库存。

该视频优化推荐方法包括以下步骤：

步骤S10，获取用户观看行为的历史行为数据、用户的标签属性及视频特征；

在本实施例中，视频广告方案通过DSP进行投放，并能够采集投放后用户对广告视频的观看行为数据，所以，通过DSP可以获取用户观看行为的历史行为数据，该历史行为数据包括用户观看行为中的点击次数、观看时长等。该标签属性包括用户的年龄、性别、学历等用户属性信息，视频特征包括广告特征及上下文特征，广告特征包括表示视频广告的内容、风格、类型等内容的特征数据，上下文特征包括表示设备类型(例如，苹果设备、安卓设备等)、广告位(APP、网页等)的特征数据。视频优化推荐系统将实时或者定时获取用户观看行为的历史行为数据、用户的标签属性及视频特征。

步骤S20，基于所述历史行为数据、用户标签属性及视频特征利用预设的视频优化模型输出优化选择参数；

在本实施例中，该优化选择参数包括最优视频类别、最优视频长度、最优关键利益点出现位置等，将历史行为数据、用户标签属性及视频特征输入至视频优化模型，通过视频优化模型输出优化选择参数，其中，可以通过强化学习、推荐系统、在线学习(onlinelearning)等算法训练模型，以得到视频优化模型。

具体地，所述基于所述历史行为数据、用户标签属性及视频特征利用预设的视频优化模型输出优化选择参数的步骤的步骤之前，所述视频优化推荐方法还包括：

步骤S21，获取初始视频方案，通过DSP将所述初始视频方案进行投放，并获取投放后的反馈效果；

在本实施例中，在进行模型训练时，技术人员将设置一种初始视频方案，通过DSP将初始视频方案进行投放，并获取用户反馈效果，该用户反馈效果是指用户点击次数、观看时长等。

步骤S22，通过预设的效果预测模型对所述初始视频方案进行打分，以获得所述初始视频方案的预测效果；

在本实施例中，为了能够将优化选择参数与投放效果相结合，构建效果预测网络，具体地，可以将多个视频方案、用户标签属性、视频特征作为输入，将用户的反馈效果作为输出，对模型进行训练，从而得到效果预测网络。可以根据投放后用户的反馈效果对效果预测模型进行优化，例如，采用强化学习中常用的Actor-Critic算法对效果预测模型进行优化，效果预测模型中包括Actor网络及Critic网络，用Actor网络根据用户的历史行为、用户属性标签及视频特征生成优化选择参数，并根据优化选择参数生成视频优化方案，Critic网络对备选视频优化方案进行打分，Actor网络根据critic网络的打分结果确定预测的预测效果。

步骤S23，将所述反馈效果及所述预测效果进行比较，根据比较结果更新预设的初始模型，并进行迭代优化，以得到所述视频优化模型；

在本实施例中，将预测效果与实际投放的反馈效果进行比较，critic网络根据实际投放的反馈效果对视频优化模型进行更新，actor网络和critic网络基于随机策略初始化，在多次迭代之后，得到能够产生优化广告视频的视频优化模型，然后将用户的历史行为数据、用户标签属性及视频特征作为视频优化模型的输入，利用视频优化模型输出优化选择参数，该优化选择参数包括优视频类别、最优视频长度、最优关键利益点出现位置等。

在其它实施例中，可以将视频优化方案视为item(商品)，在协同过滤模型中，若两个item被相同的用户访问，会有较高的相似性，当新的用户访问一个item时，与该item相似性高的item会被推荐。

或者，根据用户的历史点击及购买行为等行为信息建立用户画像，并计算用户之间的相似性，并建立相似性模型，当相似性模型建立之后，通过相似性模型将新用归于相似性最高的用户组，并推荐此用户组感兴趣的item。

或者，获取item的标签信息和用户的历史行为信息，根据历史行为信息分析用户对标签信息的兴趣程度，例如，根据用户对item点击、观看等行为的行为信息分析用户对标签信息的兴趣程度，点击次数越多、观看时长越长，则代表兴趣程度越高。根据用户对标签信息的兴趣程度进行建模，并根据兴趣程度生成不同标签信息的权重，例如，可以将兴趣程度作为对应item的标签信息的权重，根据权重及历史行为信息构建偏好模型，该偏好模型用于对item打分，并根据分数对该用户进行推荐，根据分数对用户进行推荐，其中，LR模型是一种常用的预测模型，可用于训练偏好模型，将用户的标签属性和item的视频特征作为输入，输出为对item的打分。

进一步地，步骤S20之后，还包括：

步骤S30，根据所述优化选择参数生成视频优化方案，并将所述视频优化方案通过DSP进行投放。

在本实施例中，视频优化方案是通过优化选择参数生成的，即根据优化选择参数在广告素材中选择优化选择参数对应的优视频，并对视频进行优化，从而得到视频优化方案，并将视频优化方案通过DSP投放给用户。

具体地，所述根据所述优化选择参数生成视频优化方案的步骤包括：

步骤S31，基于所述优化选择参数在广告素材中选择最优视频类别的最优视频；

在本实施例中，该视频优化参数包括最优视频种类、最优视频长度、最优关键利益点出现位置，所以，首先根据视频优化选择参数中的最优视频种类在广告素材中选择属于最优视频类别的最优视频。

步骤S32，提取所述最优视频中的关键帧和\或关键片段；

在本实施例中，最优视频的关键帧提取方法能够提取视频中最具重要性和代表性的关键帧，视频关键帧的提取有监督学习和非监督学习两类方式，非监督学习的代表性方法是基于聚类算法的关键帧提取算法，有监督学习的算法中，近年来最具代表性的是基于序列神经网络的关键帧提取算法，后者能够直接从有标记的数据中学习关键帧提取。

进一步地，关键片段的提取和关键帧提取的方法类似，区别在于提取的目标从单张的帧变成了连续的片段，在广告视频中，关键利益点往往会存在于一段连续的片段，相比单张的关键帧，关键帧片段能够更准确的描述关键利益点。

本实施例中，关键帧提取方法采用编码器-解码器结构，编码器采用双向LSTM(Long Short-Term Memory长短期记忆神经网络)模型，在模型中，编码器将输入的序列转换到特征空间中，解码器采用注意力(attention)机制下的LSTM网络，注意力机制通过对编码器的输入进行加权，使其能够在提取关键帧时能选择性的注意某一个视频片段，权重值通过端到端的训练去学习，通过解码器输出重要性分数，得到每一帧的重要性分数之后，对视频进行分割，分割算法可以采用如Kernel Temporal Segmentation，Shot BoundaryDetection等常用方法，在获得分割好的视频片段之后，根据重要性分数对视频片段进行打分，选取关键帧和关键片段。

步骤S33，基于所述优化选择参数将所述关键帧和\或所述关键片段进行前置处理，以生成视频优化方案。

在本实施例中，在信息碎片化的时代用户观看视频广告的平均时长越来越短暂，在实际投放视频广告时，用户可能看几秒钟或十几秒钟就跳过剩余部分，往往视频广告的关键利益点还未出现就被跳过，未能达到投放效果，所以，我们可以通过用户的行为习惯对广告视频进行调整，具体地，优化选择参数中包括最优视频长度、最优关键利益点出现位置，根据优化选择参数对视频长度进行裁剪，将关键利益点前置，调整到最优关键利益点出现位置，从而生成最优视频方案。

本实施例提出的视频优化推荐方法，通过获取用户观看行为的历史行为数据、用户的标签属性及视频特征，然后基于所述历史行为数据、用户标签属性及视频特征利用预设的视频优化模型输出优化选择参数，最后根据所述优化选择参数生成视频优化方案，并将所述视频优化方案通过DSP进行投放；能够根据用户的历史行为、用户标签及视频特征得到优化选择参数，进而生成视频优化选择参数，从而实现了对视频广告进行优化，准确推荐视频广告。

基于第一实施例提出本发明视频优化推荐方法的第二实施例，参照图3，本实施例中，步骤S31之前，还包括：

步骤S34，将广告素材中的视频广告进行分类，以得到分类后的视频广告；

在本实施例中，广告素材中包括很多种广告视频，可以根据广告的内容、风格等对广告视频进行分类。

具体地，所述将广告素材中的视频广告进行分类的步骤包括：

步骤S341，在所述广告素材的视频广告中进行采样，以获得各采样片段；

步骤S342，利用3D卷积神经网络算法对各所述采样片段进行特征提取，并将提取到的特征向量作为序列神经网络的输入；

步骤S343，利用序列神经网络对所述视频广告进行分类。

在本实施例中，视频分类主要以有监督的分类算法为主，本实施例采用3D卷积神经网络算法对视频进行特征提取，再使用序列神经网络进行分类，具体地，将视频输入至3D神经网络模型，通过3D神经网络模型按照步长s在视频中取出n个采样，得到n个片段，每个采样为一个w*h*c*t的片段，将采样的片段输入3D神经网络，输出n个长度为m的特征向量，作为序列神经网络的输入，其中，序列神经网络采用GRU(Gated Recurrent Unit门控循环网络)模型，将n*m的特征向量作为输入，将GRU模型输出的状态通过全连层，获得分类结果。

本实施例提出的视频优化推荐方法，通过将广告素材中的视频广告进行分类，以得到分类后的视频广告，然后通过所述DSP获取所述历史行为数据中用户观看行为的类别反馈信息，最后基于所述类别反馈信息对分类后的视频广告进行标记；实现了对视频广告进行分类，从而能够根据类别推荐视频广告给用户，进而提高了视频推荐效果。

步骤S35，通过所述DSP获取所述历史行为数据中用户观看行为的类别反馈信息；

在本实施例中，历史行为数据中包括用户对视频广告的点击次数、观看时长、观看视频的种类等，通过DSP获取用户观看视频广告的类别反馈信息，类别反馈信息用于反馈用户观看视频的视频类别。

步骤S36，基于所述类别反馈信息对分类后的视频广告进行标记。

在本实施例中，根据类别反馈信息广告素材中分类后的视频广告进行标记，从而在分类后的视频广告中标记用户感兴趣的视频类别，进而可以根据用户感兴趣的类别将对应的视频广告推荐给用户，可以对用户推送更合适的主题和风格的广告视频，使广告获得更好的传播效果。

本实施例提出一种视频优化推荐方法，通过将广告素材中的视频广告进行分类，以得到分类后的视频广告，然后通过所述DSP获取所述历史行为数据中用户观看行为的类别反馈信息，最后基于所述类别反馈信息对分类后的视频广告进行标记；实现了对广告视频进行分类，从而推送更合适的主题和风格的广告视频，使广告获得更好的传播效果。

此外，本发明实施例还提出一种视频优化推荐装置。

本发明视频优化推荐装置包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的视频优化推荐程序，所述视频优化推荐程序被所述处理器执行时实现以下步骤：

获取用户观看行为的历史行为数据、用户的标签属性及视频特征；

基于所述历史行为数据、用户标签属性及视频特征利用预设的视频优化模型输出优化选择参数；

根据所述优化选择参数生成视频优化方案，并将所述视频优化方案通过DSP进行投放。

进一步地，所述视频优化推荐程序被所述处理器执行时还实现以下步骤：

获取初始视频方案，通过DSP将所述初始视频方案进行投放，并获取投放后的反馈效果；

通过预设的效果预测模型对所述初始视频方案进行打分，以获得所述初始视频方案的预测效果；

将所述反馈效果及所述预测效果进行比较，根据比较结果更新预设的初始模型，并进行迭代优化，以得到所述视频优化模型。

进一步地，所述视频优化推荐程序被所述处理器执行时还实现以下步骤：

基于所述优化选择参数在广告素材中选择最优视频类别的最优视频；

提取所述最优视频中的关键帧和\或关键片段；

基于所述优化选择参数将所述关键帧和\或所述关键片段进行前置处理，以生成视频优化方案。

进一步地，所述视频优化推荐程序被所述处理器执行时还实现以下步骤：

将广告素材中的视频广告进行分类，以得到分类后的视频广告；

通过所述DSP获取所述历史行为数据中用户观看行为的类别反馈信息；

基于所述类别反馈信息对分类后的视频广告进行标记。

进一步地，所述视频优化推荐程序被所述处理器执行时还实现以下步骤：

在所述广告素材的视频广告中进行采样，以获得各采样片段；

利用3D卷积神经网络算法对各所述采样片段进行特征提取，并将提取到的特征向量作为序列神经网络的输入；

利用序列神经网络对所述视频广告进行分类。

此外，本发明实施例还提供一种可读存储介质。

本发明可读存储介质上存储有视频优化推荐程序，其中所述视频优化推荐程序被处理器执行时，实现如上述的视频优化推荐方法的步骤。

其中，视频优化推荐程序被执行时所实现的方法可参照本发明视频优化推荐方法的各个实施例，此处不再赘述。

还需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个可读存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。

以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是在本发明的构思下，利用本发明说明书及附图内容所作的等效结构变换，或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。

Claims (10)

1.一种视频优化推荐方法，其特征在于，所述视频优化推荐方法包括以下步骤：

获取用户观看行为的历史行为数据、用户的标签属性及视频特征；

基于所述历史行为数据、用户标签属性及视频特征利用预设的视频优化模型输出优化选择参数；

根据所述优化选择参数生成视频优化方案，并将所述视频优化方案通过DSP需求方平台进行投放。

2.如权利要求1所述的视频优化推荐方法，其特征在于，所述基于所述历史行为数据、用户标签属性及视频特征利用预设的视频优化模型输出优化选择参数的步骤之前，所述视频优化推荐方法还包括：

获取初始视频方案，通过DSP将所述初始视频方案进行投放，并获取投放后的反馈效果；

通过预设的效果预测模型对所述初始视频方案进行打分，以获得所述初始视频方案的预测效果；

将所述反馈效果及所述预测效果进行比较，根据比较结果更新预设的初始模型，并进行迭代优化，以得到所述视频优化模型。

3.如权利要求1所述的视频优化推荐方法，其特征在于，所述根据所述优化选择参数生成视频优化方案的步骤还包括：

基于所述优化选择参数在广告素材中选择最优视频类别的最优视频；

提取所述最优视频中的关键帧和\或关键片段；

基于所述优化选择参数将所述关键帧和\或所述关键片段进行前置处理，以生成视频优化方案。

4.如权利要求3所述的视频优化推荐方法，其特征在于，所述基于所述优化选择参数在视频素材中选择最优视频类别的最优视频的步骤之前，所述视频优化推荐方法还包括：

将广告素材中的视频广告进行分类，以得到分类后的视频广告；

通过所述DSP获取所述历史行为数据中用户观看行为的类别反馈信息；

基于所述类别反馈信息对分类后的视频广告进行标记。

5.如权利求4所述的视频优化推荐方法，其特征在于，所述将广告素材中的视频广告进行分类的步骤包括：

在所述广告素材的视频广告中进行采样，以获得各采样片段；

利用3D卷积神经网络算法对各所述采样片段进行特征提取，并将提取到的特征向量作为序列神经网络的输入；

利用序列神经网络对所述视频广告进行分类。

6.一种视频优化推荐装置，其特征在于，所述视频优化推荐装置包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的视频优化推荐程序，所述视频优化推荐程序被所述处理器执行时实现以下步骤：

获取用户观看行为的历史行为数据、用户的标签属性及视频特征；

基于所述历史行为数据、用户标签属性及视频特征利用预设的视频优化模型输出优化选择参数；

根据所述优化选择参数生成视频优化方案，并将所述视频优化方案通过DSP进行投放。

7.如权利要求6所述的视频优化推荐装置，其特征在于，所述视频优化推荐程序被所述处理器执行时还实现以下步骤：

获取初始视频方案，通过DSP将所述初始视频方案进行投放，并获取投放后的反馈效果；

通过预设的效果预测模型对所述初始视频方案进行打分，以获得所述初始视频方案的预测效果；

将所述反馈效果及所述预测效果进行比较，根据比较结果更新预设的初始模型，并进行迭代优化，以得到所述视频优化模型。

8.如权利要求6所述的视频优化推荐装置，其特征在于，所述视频优化推荐程序被所述处理器执行时还实现以下步骤：

基于所述优化选择参数在广告素材中选择最优视频类别的最优视频；

提取所述最优视频中的关键帧和\或关键片段；

基于所述优化选择参数将所述关键帧和\或所述关键片段进行前置处理，以生成视频优化方案。

9.如权利要求8所述的视频优化推荐装置，其特征在于，所述视频优化推荐程序被所述处理器执行时还实现以下步骤：

将广告素材中的视频广告进行分类，以得到分类后的视频广告；

通过所述DSP获取所述历史行为数据中用户观看行为的类别反馈信息；

基于所述类别反馈信息对分类后的视频广告进行标记。

10.一种可读存储介质，其特征在于，所述可读存储介质上存储有视频优化推荐程序，其中所述视频优化推荐程序被处理器执行时，实现如权利要求1至5中任一项所述的视频优化推荐方法的步骤。