CN110020122B - 一种视频推荐方法、系统及计算机可读存储介质 - Google Patents
一种视频推荐方法、系统及计算机可读存储介质 Download PDFInfo
- Publication number
- CN110020122B CN110020122B CN201710961860.5A CN201710961860A CN110020122B CN 110020122 B CN110020122 B CN 110020122B CN 201710961860 A CN201710961860 A CN 201710961860A CN 110020122 B CN110020122 B CN 110020122B
- Authority
- CN
- China
- Prior art keywords
- video
- user
- recommendation
- list corresponding
- videos
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
- G06F16/73—Querying
- G06F16/735—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Multimedia (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
Abstract
本发明涉及信息推荐技术领域，公开了一种视频推荐方法、系统及计算机可读存储介质。本发明实施例通过根据用户对视频的历史行为数据以及预设的协同过滤推荐算法，确定每个用户对应的第一视频推荐列表；根据视频库中的每个视频的内容标签数据，确定第一视频推荐列表中的每个视频对应的相似视频列表；将第一视频推荐列表中的所有视频各自对应的相似视频列表进行整合，得到每个用户对应的第二视频推荐列表；根据第二视频推荐列表对相应的用户进行视频推荐，从而不仅可以为用户推荐其可能感兴趣的热门视频，还可以为用户推荐其可能感兴趣的冷门视频或新增视频，解决了现有视频推荐方法所存在的同质化问题突出的问题，提高了视频推荐效果。
Description
技术领域
本发明涉及信息推荐技术领域，尤其涉及一种视频推荐方法、系统及计算机可读存储介质。
背景技术
随着互联网技术的快速发展，网络视频资源呈喷井式发展，随之产生的信息过载问题不可避免。为有效解决用户面临的信息过载问题，视频推荐系统应运而生。视频推荐系统用于在用户无明确目的的前提下，主动向用户推荐其可能感兴趣的视频。推荐系统的核心是推荐算法，现有的推荐算法包括：社会化推荐算法、基于内容的推荐算法及协调过滤推荐算法等。由于协同过滤推荐算法只需用户的历史行为日志数据就能够产生很好的推荐效果，因此被广泛应用。
然而，由于绝大多数用户通常观看的是一些比较热门的视频，因此现有的协同过滤推荐算法只会针对这些热门视频进行推荐，而一些较陈旧或较冷门的优质视频很难被系统推荐。且对于系统新增的视频，在没有用户主动搜索或没有视频网站曝光的情况下，新增视频也很难被系统推荐，从而导致推荐系统的同质化问题突出，视频推荐效果不佳。
发明内容
本发明实施例提供一种视频推荐方法、系统及计算机可读存储介质，旨在解决现有的视频推荐方法所存在的难以对陈旧、冷门或新增视频进行推荐，系统的同质化问题突出，视频推荐效果不佳的问题。
第一方面，本发明实施例提供了一种视频推荐方法，该视频推荐方法包括：
根据用户对视频的历史行为数据以及预设的协同过滤推荐算法，确定每个用户对应的第一视频推荐列表；
根据视频库中的每个视频的内容标签数据，确定所述第一视频推荐列表中的每个视频对应的相似视频列表；
将所述第一视频推荐列表中的所有视频各自对应的相似视频列表进行整合，得到每个用户对应的第二视频推荐列表；
根据所述第二视频推荐列表对相应的用户进行视频推荐。
第二方面，本发明实施例提供了一种视频推荐系统，该视频推荐系统包括：
第一确定单元，用于根据用户对视频的历史行为数据以及预设的协同过滤推荐算法，确定每个用户对应的第一视频推荐列表；
第二确定单元，用于根据视频库中的每个视频的内容标签数据，确定所述第一视频推荐列表中的每个视频对应的相似视频列表；
视频整合单元，用于将所述第一视频推荐列表中的所有视频各自对应的相似视频列表进行整合，得到每个用户对应的第二视频推荐列表；
视频推荐单元，用于根据所述第二视频推荐列表对相应的用户进行视频推荐。
第三方面，本发明实施例提供了一种视频推荐系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述方法的步骤。
第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面所述方法的步骤。
本发明实施例通过根据用户对视频的历史行为数据以及预设的协同过滤推荐算法，确定每个用户对应的第一视频推荐列表；根据视频库中的每个视频的内容标签数据，确定所述第一视频推荐列表中的每个视频对应的相似视频列表；将所述第一视频推荐列表中的所有视频各自对应的相似视频列表进行整合，得到每个用户对应的第二视频推荐列表；根据所述第二视频推荐列表对相应的用户进行视频推荐。由于根据视频的内容标签数据所确定出的每个视频对应的相似视频列表中不仅包括热门视频，还包括冷门视频或新增视频等，因此，通过将根据协同过滤推荐算法确定出的每个用户对应的第一视频推荐列表与每个视频对应的相似视频列表进行结合，不仅可以为用户推荐其可能感兴趣的热门视频，还可以为用户推荐其可能感兴趣的冷门视频或新增视频，解决了现有视频推荐方法所存在的同质化问题突出的问题，提高了视频推荐效果。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种视频推荐方法的流程图；
图2是本发明另一实施例提供的一种视频推荐方法的流程图；
图3是本发明实施例提供的一种视频推荐系统的结构图；
图4是本发明另一实施例提供的一种视频推荐系统的结构图；
图5是本发明再一实施例提供的一种视频推荐系统的结构图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。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。
参见图1，图1是本发明实施例提供的一种视频推荐方法的示意流程图。本实施例中视频推荐方法的执行主体为终端设备。终端设备可以为智能电视，也可以为手机、平板电脑等移动终端设备，此处不做限制。如图1所示的视频推荐方法可以包括以下步骤：
S11：根据用户对视频的历史行为数据以及预设的协同过滤推荐算法，确定每个用户对应的第一视频推荐列表。
在本实施例中，在通过任一视频平台为用户推荐视频时，终端设备可以获取该视频平台的每个用户对该视频平台中的视频的历史行为数据。其中，视频平台可以为视频应用(application，APP)或视频网站等，此处不做限制。
用户对视频平台中的视频的行为数据包括但不限于用户对该视频平台中的任一视频的点击、搜索、收藏、观看、购买、评分或评论等行为数据。
需要说明的是，用户在视频平台进行过的任何操作都会被记录在用户行为日志中，即用户对视频的历史行为数据会被记录在用户行为日志中。而用户行为日志中不仅包含用户对视频的历史行为数据，还包含一些其他的与视频推荐无关的数据，例如网络状态数据、程序日志数据等。
终端设备可以根据用户的账号信息，获取每个用户在该视频平台的用户行为日志，并对每个用户在该视频平台的用户行为日志进行数据预处理，进而从每个用户的行为日志中提取每个用户对该视频平台中的视频的历史行为数据。
终端设备获取到每个用户对视频平台中的视频的历史行为数据后，根据每个用户对视频平台中的视频的历史行为数据以及预设的协同过滤推荐算法，确定每个用户对应的第一视频推荐列表。
预设的协同过滤推荐算法用于基于用户对视频的历史行为数据，确定每个用户与其他用户之间的相似度值，并根据每个用户与其他用户之间的相似度值，确定每个用户对应的邻近用户列表，且将邻近用户列表中的所有用户各自对应的已观看视频列表进行整合，得到每个用户对应的第一视频推荐列表。
其中，某一用户对应的邻近用户列表中包含的所有用户均是与该用户之间的相似度值大于第一预设相似度阈值的用户。两个用户之间的相似度值大于第一预设相似度阈值则说明两个用户具有相同的视频爱好，即互为邻近用户的用户之间具有相同的视频爱好。也就是说，某一用户对应的邻近用户列表中的所有用户与该用户具有相同的视频爱好。例如，若第一用户A与第二用户B之间的相似度值大于第一预设相似度阈值，则说明第一用户A和第二用户B互为邻近用户，即第一用户A和第二用户B具有相同的视频爱好；若第一用户A与第三用户C之间的相似度值也大于第一预设相似度阈值，则说明第一用户A和第三用户C也互为邻近用户，即第一用户A和第三用户C具有相同的视频爱好，那么，第一用户A对应的邻近用户列表中包括第二用户B和第三用户C。
在本实施例中，第一预设相似度阈值可以根据实际需求设置，此处不限制。
需要说明的是，每个用户对应的邻近用户列表中所包含的用户个数可以根据实际情况确定，此处不做限制。例如，某一用户对应的邻近用户列表中可以仅包括一个用户，也可以包括至少两个用户。相应的，每个用户对应的第一视频推荐列表中的视频个数也可以根据实际情况确定，此处不做限定。例如，若第一用户A对应的最近邻用户列表中包括第二用户B和第三用户C，第二用户B对应的已观看视频列表中包括第一视频a和第二视频b，第三用户C对应的已观看视频列表中包括第二视频b和第三视频c，则将第二用户B对应的已观看视频列表和第三用户C对应的已观看视频列表进行整合后，得到第一视频a、第二视频b及第三视频c，那么，第一视频a、第二视频b及第三视频c构成第一用户A对应的第一视频推荐列表。
S12：根据视频库中的每个视频的内容标签数据，确定所述第一视频推荐列表中的每个视频对应的相似视频列表。
由于预设的协同过滤推荐算法是基于用户的历史行为数据确定每个用户对应的第一视频推荐列表，而通常情况下，用户观看的大多是热门(或当下较流行的)视频，而对于一些冷门或陈旧的优质视频则很少观看，即每个用户对应的已观看视频列表中包含的热门视频较多，冷门的优质视频较少，因此，将邻近用户列表中的每个用户对应的已观看视频列表进行整合得到的第一视频推荐列表中的视频大部分为热门视频，而冷门的优质视频则很少，且对于视频平台新增的视频，若未被用户点击观看，则不会包括在第一视频推荐列表中。那么，如果直接根据第一视频推荐列表对相应的用户进行视频推荐，则每次为用户推荐的均为热门视频，而一些冷门的优质视频或新增视频则很难被推荐给用户。如此会降低视频推荐效果。
基于此，为了提高视频推荐效果，终端设备在确定了每个用户对应的第一视频推荐列表后，还根据视频库中的每个视频的内容标签数据，确定视频库中的每个视频对应的相似视频列表，并基于每个用户对应的第一视频推荐列表和视频库中的每个视频对应的相似视频列表，确定第一视频推荐列表中的每个视频对应的相似视频列表。
其中，视频库为视频平台对应的视频库，视频库中包括各种类型的视频。视频的内容标签用于描述视频的内容，每个视频均可以通过至少一个内容标签进行描述，用于描述某一视频的至少一个内容标签构成该视频的内容标签数据。
终端设备可以根据每个视频的内容标签数据来确定视频库中的每个视频与其他视频之间的相似度值，并基于每个视频与其他视频之间的相似度值确定每个视频对应的相似视频列表。
具体的，终端设备可以将视频库中与某一视频的相似度值大于第二预设相似度阈值的视频识别为该视频的相似视频。某一视频对应的所有相似视频构成该视频对应的相似视频列表。其中，第二预设相似度阈值可以根据实际需求设置，此处不做限制。
例如，若视频库中与第一视频a之间的相似度值大于第二预设相似度阈值的视频包括第五视频e、第八视频h及第十视频j，则第五视频e、第八视频h及第十视频j构成第一视频a对应的相似度视频列表。
S13：将所述第一视频推荐列表中的所有视频各自对应的相似视频列表进行整合，得到每个用户对应的第二视频推荐列表。
终端设备确定得到第一视频推荐列表中的每个视频对应的相似视频列表后，将第一视频列表中的所有视频各自对应的相似视频列表进行整合，得到每个用户对应的第二视频推荐列表。
终端设备将第一视频列表中的所有视频各自对应的相似视频列表进行整合可以为，终端设备将第一视频列表中的所有视频各自对应的相似视频列表中的视频进行去重、排序及过滤等处理，进而得到第二视频推荐列表。
例如，若第一用户A对应的第一视频推荐列表中包括第一视频a、第二视频b及第三视频c。第一视频a对应的相似视频列表中包括第四视频d、第五视频e；第二视频b对应的相似视频列表中包括第五视频e和第六视频f；第三视频列表中包括第七视频g和第八视频h，则将第一视频a、第二视频b及第三视频c各自对应的相似视频列表中的视频进行去重，得到第四视频d、第五视频e、第六视频f、第七视频g及第八视频h，终端根据第四视频d、第五视频e、第六视频f、第七视频g及第八视频h各自对应的相似度值，对第四视频d、第五视频e、第六视频f、第七视频g及第八视频h进行排序，进而得到第一用户A对应的第二视频推荐列表。其中，第四视频d对应的相似度值具体指第四视频d与第一视频a之间的相似度值，其他视频对应的相似度值以此类推，此处不再赘述。
S14：根据所述第二视频推荐列表对相应的用户进行视频推荐。
终端设备确定得到每个用户对应的第二视频推荐列表后，根据每个用户对应的第二视频推荐列表对相应的用户进行视频推荐。具体的，终端设备可以根据第二视频推荐列表中的视频的相似度值从大到小的顺序，将第二视频列表中的视频依次推荐给相应用户。
例如，若第一用户A对应的第二视频推荐列表中包括5个视频，分别为：第四视频d、第五视频e、第六视频f、第七视频g及第八视频h，终端可以按照这5个视频的相似度值从大到小的顺序将这5个视频依次推荐给第一用户A。
以上可以看出，本实施例提供的一种视频推荐方法通过根据用户对视频的历史行为数据以及预设的协同过滤推荐算法，确定每个用户对应的第一视频推荐列表；根据视频库中的每个视频的内容标签数据，确定所述第一视频推荐列表中的每个视频对应的相似视频列表；将所述第一视频推荐列表中的所有视频各自对应的相似视频列表进行整合，得到每个用户对应的第二视频推荐列表；根据所述第二视频推荐列表对相应的用户进行视频推荐。由于根据视频的内容标签数据所确定出的每个视频对应的相似视频列表中不仅包括热门视频，还包括冷门视频或新增视频等，因此，通过将根据协同过滤推荐算法确定出的每个用户对应的第一视频推荐列表与每个视频对应的相似视频列表进行结合，不仅可以为用户推荐其可能感兴趣的热门视频，还可以为用户推荐其可能感兴趣的冷门视频或新增视频，解决了现有视频推荐方法所存在的同质化问题突出的问题，提高了视频推荐效果。
参见图2，图2是本发明另一实施例提供的一种视频推荐方法的示意流程图。本实施例中视频推荐方法的执行主体为终端设备。终端设备可以为智能电视，也可以为手机、平板电脑等移动终端设备，此处不做限制。如图2所示的视频推荐方法可以包括以下步骤：
S21：根据用户对视频的历史行为数据以及预设的协同过滤推荐算法，确定每个用户对应的第一视频推荐列表。
具体的，在本实施例中，S21可以包括S211～S214。
S211：获取用户对视频的历史行为数据。
在本实施例中，在通过任一视频平台为用户推荐视频时，终端设备可以获取该视频平台的每个用户对该视频平台中的视频的历史行为数据。其中，视频平台可以为视频应用(application，APP)或视频网站等，此处不做限制。
用户对视频平台中的视频的行为数据包括但不限于用户对该视频平台中的任一视频的点击、搜索、收藏、观看、购买、评分或评论等行为数据。
需要说明的是，用户在视频平台进行过的任何操作都会被记录在用户行为日志中，即用户对视频的历史行为数据会被记录在用户行为日志中。而用户行为日志中不仅包含用户对视频的历史行为数据，还包含一些其他的与视频推荐无关的数据，例如网络状态数据、程序日志数据等。
因此，在本实施例中，终端设备获取用户对视频的历史行为数据可以为，终端设备根据用户的账号信息，获取每个用户在该视频平台的用户行为日志，并对每个用户在该视频平台的用户行为日志进行数据预处理，进而从每个用户的行为日志中提取每个用户对该视频平台中的视频的历史行为数据。
其中，终端设备对每个用户在该视频平台的用户行为日志进行数据预处理的过程，可以包括以下步骤：
对每个用户在该视频平台的用户行为日志进行过滤，去除与视频推荐无关的冗余数据；对过滤后的所述用户行为日志进行结构化处理；对结构化处理后的所述用户行为日志进行归一化处理或缺失数据补全处理。
终端设备获取到每个用户在该视频平台的用户行为日志后，从用户行为日志中去除与视频推荐无关的数据，例如去除网络状态数据、程序日志数据等，保留与视频推荐有关的数据，例如保留用户对视频平台中的视频的历史行为数据。由于用户行为日志通常是一行行的字符串，是非结构化的，因此，在去除与视频推荐无关的冗余数据后，终端设备可以对用户行为日志中剩余的与视频推荐有关的数据进行结构化处理。具体的，终端设备可以将用户行为日志中剩余的与视频推荐有关的数据各自对应的字符串划分为至少两个有效字段，并将划分的每个字段转换为预设长度的文本数据。由于结构化处理后的用户行为日志中的某些数值型字段(例如用户对视频的评分)的取值大小不一，因此，终端设备可以对这些字段的取值进行归一化处理，例如，终端设备可以通过归一化处理将用户对每个视频的评分值均映射在0～1之间。而对于某些值为空的字段，终端设备可以对其进行数据补全处理，例如，终端设备可以将这些值为空的字段的值设为0，或设置所有非0值的平均值。
终端设备对每个用户在该视频平台的用户行为日志进行数据预处理后，即得到每个用户对该视频平台中的视频的历史行为数据。
S212：根据所述历史行为数据确定每个用户对应的邻近用户列表。
终端设备获取到每个用户对该视频平台中的视频的历史行为数据后，可以根据每个用户对该视频平台中的视频的历史行为数据，确定每个用户对应的邻近用户列表。
其中，某一用户对应的邻近用户列表中包含的所有用户均是与该用户之间的相似度值大于第一预设相似度阈值的用户。两个用户之间的相似度值大于第一预设相似度阈值则说明两个用户具有相同的视频爱好，即互为邻近用户的用户之间具有相同的视频爱好。也就是说，某一用户对应的邻近用户列表中的所有用户与该用户具有相同的视频爱好。其中，第一预设相似度阈值可以根据实际需求设置，此处不限制。
例如，若第一用户A与第二用户B之间的相似度值大于第一预设相似度阈值，则说明第一用户A和第二用户B互为邻近用户，即第一用户A和第二用户B具有相同的视频爱好；若第一用户A与第三用户C之间的相似度值也大于第一预设相似度阈值，则说明第一用户A和第三用户C也互为邻近用户，即第一用户A和第三用户C具有相同的视频爱好，那么，第一用户A对应的邻近用户列表中包括第二用户B和第三用户C。
进一步的，S212可以包括以下步骤：
根据所述历史行为数据以及预设的第一相似度计算策略，计算每个用户与其他用户之间的相似度值；
根据所述每个用户与其他用户之间的相似度值以及第一预设相似度阈值，确定每个用户对应的邻近用户列表。
终端设备在获取到每个用户对该视频平台中的视频的历史行为数据后，可以根据每个用户对该视频平台中的视频的历史行为数据以及预设的第一相似度计算策略，计算每个用户与其他用户之间的相似度值。
具体的，终端设备可以将每个用户对每个视频的不同历史行为数据(例如观看、收藏、评论等行为数据)进行加权求和处理，得到每个用户对每个视频的喜好程度，并根据每个用户对每个视频的喜好程度以及预设的第一相似度计算策略，计算每个用户与其他用户之间的相似度值。
其中，预设的第一相似度计算策略可以根据实际需求设置，此处不做限制。例如，第一相似度计算策略可以包括但不限于余弦夹角计算、欧几里得距离度量、皮尔逊相关系数等相似度计算方法。
终端设备计算出每个用户与其他用户之间的相似度值之后，可以根据第一预设相似度阈值，确定每个用户对应的邻近用户列表。具体的，终端设备可以将与某一用户之间的相似度值大于第一预设相似度阈值的用户识别为该用户的对应的邻近用户，该用户对应的所有邻近用户构成了该用户对应的邻近用户列表。
每个用户对应的邻近用户列表中所包含的用户个数可以根据实际情况确定，此处不做限制。例如，某一用户对应的邻近用户列表中可以仅包括一个用户，也可以包括至少两个用户。
S213：根据所述历史行为数据确定每个用户对应的已观看视频列表。
终端设备获取到每个用户对该视频平台中的视频的历史行为数据后，可以根据每个用户对该视频平台中的视频的历史行为数据，确定每个用户对应的已观看视频列表。
每个用户对应的已观看视频列表中所包含的视频个数可以根据实际情况确定，此处不做限制。例如，某一用户对应的已观看视频列表中可以仅包括一个视频，也可以包括至少两个视频。
需要说明的是，在本实施例中，S212和S213为并列步骤，两者执行的先后顺序在此不做限制。
S214：将所述邻近用户列表中的所有用户各自对应的已观看视频列表进行整合，得到每个用户对应的第一视频推荐列表。
终端设备在确定得到每个用户对应的邻近用户列表，以及确定得到每个用户对应的已观看视频列表后，可以将每个用户对应的邻近用户列表中的所有用户各自对应的已观看视频列表进行整合，进而得到每个用户对应的第一视频推荐列表。
例如，若第一用户A对应的最近邻用户列表中包括第二用户B和第三用户C，第二用户B对应的已观看视频列表中包括第一视频a和第二视频b，第三用户C对应的已观看视频列表中包括第二视频b和第三视频c，则将第二用户B对应的已观看视频列表和第三用户C对应的已观看视频列表进行整合后，得到第一视频a、第二视频b及第三视频c，那么，第一视频a、第二视频b及第三视频c构成第一用户A对应的第一视频推荐列表。
S22：根据视频库中的每个视频的内容标签数据，确定所述第一视频推荐列表中的每个视频对应的相似视频列表。
终端设备在确定了每个用户对应的第一视频推荐列表后，还根据视频库中的每个视频的内容标签数据，确定视频库中的每个视频对应的相似视频列表，并基于每个用户对应的第一视频推荐列表和视频库中的每个视频对应的相似视频列表，确定第一视频推荐列表中的每个视频对应的相似视频列表。
其中，视频库为视频平台对应的视频库，视频库中包括各种类型的视频。视频的内容标签用于描述视频的内容，每个视频均可以通过至少一个内容标签进行描述，用于描述某一视频的至少一个内容标签构成该视频的内容标签数据。
具体的，在本实施例中，S22可以包括S221～S222。
S221：根据视频库中的每个视频的内容标签数据以及预设的第二相似度计算策略，计算视频库中的每个视频与其他视频之间的相似度值。
终端设备可以根据视频库中的每个视频的内容标签数据以及预设的第二相似度计算策略，计算视频库中的每个视频与其他视频之间的相似度值。
其中，预设的第二相似度计算策略可以根据实际需求设置，此处不做限制。例如，第二相似度计算策略可以包括但不限于余弦夹角计算、欧几里得距离度量、皮尔逊相关系数等相似度计算方法。
S222：根据所述每个视频与其他视频之间的相似度值以及第二预设相似度阈值，确定视频库中的每个视频对应的相似视频列表。
终端设备计算得到每个视频与其他视频之间的相似度值之后，可以将每个视频与其他视频之间的相似度值进行存储，并根据每个视频与其他视频之间的相似度值以及第二预设相似度阈值，确定每个视频对应的相似视频列表。
其中，第二预设相似度阈值可以根据实际需求设置，此处不做限制。
具体的，终端设备可以将视频库中与某一视频的相似度值大于第二预设相似度阈值的视频识别为该视频的相似视频。某一视频对应的所有相似视频构成该视频对应的相似视频列表。
例如，若视频库中与第一视频a之间的相似度值大于第二预设相似度阈值的视频包括第五视频e、第八视频h及第十视频j，则第五视频e、第八视频h及第十视频j构成第一视频a对应的相似度视频列表。
S23：将所述第一视频推荐列表中的所有视频各自对应的相似视频列表进行整合，得到每个用户对应的第二视频推荐列表。
终端设备确定得到第一视频推荐列表中的每个视频对应的相似视频列表后，将第一视频列表中的所有视频各自对应的相似视频列表进行整合，得到每个用户对应的第二视频推荐列表。
具体的，在本实施例中，S23可以包括S231～S233。
S231：从所述第一视频推荐列表中的所有视频各自对应的相似视频列表中筛选新增视频；所述新增视频为新增加至所述视频库中的视频。
S232：根据预设的相似度值调整策略增大所述新增视频对应的相似度值。
S233：对相似度值调整后的所述第一视频推荐列表中的所有视频各自对应的相似视频列表进行整合，得到每个用户对应的第二视频推荐列表。
在本实施例中，为了提高新增视频的推荐度，终端设备将第一视频列表中的所有视频各自对应的相似视频列表进行整合，可以为，终端设备从第一视频推荐列表中的所有视频各自对应的相似视频列表中筛选新增视频，并根据预设的相似度值调整策略增大新增视频对应的相似度值，并对相似度值调整后的第一视频推荐列表中的所有视频各自对应的相似视频列表进行整合，得到每个用户对应的第二视频推荐列表。
其中，某一视频对应的相似度值具体指该视频与其对应的相似视频之间的相似度值。预设的相似度值调整策略可以根据实际需求设置，此处不做限制。例如，预设的相似度值调整策略可以为将相似度值调节20％。
对相似度值调整后的第一视频推荐列表中的所有视频各自对应的相似视频列表进行整合，可以为，对相似度值调整后的第一视频推荐列表中的所有视频各自对应的相似视频列表中的视频进行去重和重排序处理，并剔除热门视频或相似度较低的视频，进而得到每个用户对应的第二视频推荐列表。
例如，若第一用户A对应的第一视频推荐列表中包括第一视频a、第二视频b及第三视频c。第一视频a对应的相似视频列表中包括第四视频d、第五视频e；第二视频b对应的相似视频列表中包括第五视频e和第六视频f；第三视频列表中包括第七视频g和第八视频h。其中，第五视频e和第八视频h为视频库中的新增视频，则终端可以根据预设的相似度值调整策略将第五视频e和第八视频h各自对应的相似度值均增加20％。终端对第一视频a、第二视频b及第三视频c各自对应的相似视频列表中的视频进行去重处理，得到第四视频d、第五视频e、第六视频f、第七视频g及第八视频h，终端根据相似度值调整后的第四视频d、第五视频e、第六视频f、第七视频g及第八视频h各自对应的相似度值，对第四视频d、第五视频e、第六视频f、第七视频g及第八视频h进行排序，并从第四视频d、第五视频e、第六视频f、第七视频g及第八视频h剔除热门视频，进而得到第一用户A对应的第二视频推荐列表。
S24：根据所述第二视频推荐列表对相应的用户进行视频推荐。
需要说明的是，本实施例中的S21与第一实施例中的S11相同，具体请参阅第一实施例中S11的具体描述，此处不再赘述。
以上可以看出，本实施例提供的一种视频推荐方法通过根据用户对视频的历史行为数据以及预设的协同过滤推荐算法，确定每个用户对应的第一视频推荐列表；根据视频库中的每个视频的内容标签数据，确定所述第一视频推荐列表中的每个视频对应的相似视频列表；将所述第一视频推荐列表中的所有视频各自对应的相似视频列表进行整合，得到每个用户对应的第二视频推荐列表；根据所述第二视频推荐列表对相应的用户进行视频推荐。由于根据视频的内容标签数据所确定出的每个视频对应的相似视频列表中不仅包括热门视频，还包括冷门视频或新增视频等，因此，通过将根据协同过滤推荐算法确定出的每个用户对应的第一视频推荐列表与每个视频对应的相似视频列表进行结合，不仅可以为用户推荐其可能感兴趣的热门视频，还可以为用户推荐其可能感兴趣的冷门视频或新增视频，解决了现有视频推荐方法所存在的同质化问题突出的问题，提高了视频推荐效果。
本发明实施例通过调整相似度视频列表中的新增视频的相似度值，从而使得相似度视频列表中的新增视频被推荐给用户的概率大大提高，即使新增视频未被任一用户查看过，其也可以被推荐给相应用户，从而提高了视频推荐效果。
参见图3，图3是本发明实施例提供的一种视频推荐系统的结构图。本实施例中的视频推荐系统为终端设备，终端设备可以为智能电视，也可以为手机、平板电脑等移动终端设备，此处不做限制。终端设备300包括的各单元用于执行图1对应的实施例中的各步骤，具体请参阅图1及图1对应的实施例中的相关描述，此处不赘述。本实施例的视频推荐系统300包括第一确定单元301、第二确定单元302、视频整合单元303及视频推荐单元304。
第一确定单元301用于根据用户对视频的历史行为数据以及预设的协同过滤推荐算法，确定每个用户对应的第一视频推荐列表。
第二确定单元302用于根据视频库中的每个视频的内容标签数据，确定所述第一视频推荐列表中的每个视频对应的相似视频列表。
视频整合单元303用于将所述第一视频推荐列表中的所有视频各自对应的相似视频列表进行整合，得到每个用户对应的第二视频推荐列表。
视频推荐单元304用于根据所述第二视频推荐列表对相应的用户进行视频推荐。
以上可以看出，本实施例提供的一种视频推荐系统通过根据用户对视频的历史行为数据以及预设的协同过滤推荐算法，确定每个用户对应的第一视频推荐列表；根据视频库中的每个视频的内容标签数据，确定所述第一视频推荐列表中的每个视频对应的相似视频列表；将所述第一视频推荐列表中的所有视频各自对应的相似视频列表进行整合，得到每个用户对应的第二视频推荐列表；根据所述第二视频推荐列表对相应的用户进行视频推荐。由于根据视频的内容标签数据所确定出的每个视频对应的相似视频列表中不仅包括热门视频，还包括冷门视频或新增视频等，因此，通过将根据协同过滤推荐算法确定出的每个用户对应的第一视频推荐列表与每个视频对应的相似视频列表进行结合，不仅可以为用户推荐其可能感兴趣的热门视频，还可以为用户推荐其可能感兴趣的冷门视频或新增视频，解决了现有视频推荐方法所存在的同质化问题突出的问题，提高了视频推荐效果。
参见图4，图4是本发明实施例提供的一种视频推荐系统的结构图。本实施例中的视频推荐系统为终端设备，终端设备可以为智能电视，也可以为手机、平板电脑等移动终端设备，此处不做限制。终端设备400包括的各单元用于执行图1对应的实施例中的各步骤，具体请参阅图2及图2对应的实施例中的相关描述，此处不赘述。本实施例的视频推荐系统400包括第一确定单元401、第二确定单元402、视频整合单元403及视频推荐单元404。
第一确定单元401用于根据用户对视频的历史行为数据以及预设的协同过滤推荐算法，确定每个用户对应的第一视频推荐列表。
第二确定单元402用于根据视频库中的每个视频的内容标签数据，确定所述第一视频推荐列表中的每个视频对应的相似视频列表。
视频整合单元403用于将所述第一视频推荐列表中的所有视频各自对应的相似视频列表进行整合，得到每个用户对应的第二视频推荐列表。
视频推荐单元404用于根据所述第二视频推荐列表对相应的用户进行视频推荐。
具体的，第一确定单元401包括第一获取单元4011、邻近用户确定单元4012、已观看视频确定单元4013及第一整合单元4014。
第一获取单元4011用于获取用户对视频的历史行为数据。
邻近用户确定单元4012用于根据所述历史行为数据确定每个用户对应的邻近用户列表。
已观看视频确定单元4013用于根据所述历史行为数据确定每个用户对应的已观看视频列表。
第一整合单元4014用于将所述邻近用户列表中的所有用户各自对应的已观看视频列表进行整合，得到每个用户对应的第一视频推荐列表。
具体的，邻近用户确定单元4012具体用于：根据所述历史行为数据以及预设的第一相似度计算策略，计算每个用户与其他用户之间的相似度值；根据所述每个用户与其他用户之间的相似度值以及第一预设相似度阈值，确定每个用户对应的邻近用户列表。
具体的，第二确定单元402包括相似度计算单元4021和相似视频确定单元4022。
相似度计算单元4021用于根据视频库中的每个视频的内容标签数据以及预设的第二相似度计算策略，计算视频库中的每个视频与其他视频之间的相似度值。
相似视频确定单元4022用于根据所述每个视频与其他视频之间的相似度值以及第二预设相似度阈值，确定视频库中的每个视频对应的相似视频列表。
具体的，视频整合单元403包括筛选单元4031、权重调整单元4032及第二推荐视频确定单元4033。
筛选单元4031用于从所述第一视频推荐列表中的所有视频各自对应的相似视频列表中筛选新增视频；所述新增视频为新增加至所述视频库中的视频。
权重调整单元4032用于根据预设的相似度值调整策略增大所述新增视频对应的相似度值。
第二推荐视频确定单元4033用于对相似度值调整后的所述第一视频推荐列表中的所有视频各自对应的相似视频列表进行整合，得到每个用户对应的第二视频推荐列表。
以上可以看出，本实施例提供的一种视频推荐系统通过根据用户对视频的历史行为数据以及预设的协同过滤推荐算法，确定每个用户对应的第一视频推荐列表；根据视频库中的每个视频的内容标签数据，确定所述第一视频推荐列表中的每个视频对应的相似视频列表；将所述第一视频推荐列表中的所有视频各自对应的相似视频列表进行整合，得到每个用户对应的第二视频推荐列表；根据所述第二视频推荐列表对相应的用户进行视频推荐。由于根据视频的内容标签数据所确定出的每个视频对应的相似视频列表中不仅包括热门视频，还包括冷门视频或新增视频等，因此，通过将根据协同过滤推荐算法确定出的每个用户对应的第一视频推荐列表与每个视频对应的相似视频列表进行结合，不仅可以为用户推荐其可能感兴趣的热门视频，还可以为用户推荐其可能感兴趣的冷门视频或新增视频，解决了现有视频推荐方法所存在的同质化问题突出的问题，提高了视频推荐效果。
本发明实施例通过调整相似度视频列表中的新增视频的相似度值，从而使得相似度视频列表中的新增视频被推荐给用户的概率大大提高，即使新增视频未被任一用户查看过，其也可以被推荐给相应用户，从而提高了视频推荐效果。
参见图5，图5是本发明再一实施例提供的一种视频推荐系统的示意图。如图5所示的本实施例中的视频推荐系统500可以包括：处理器501、存储器502以及存储在存储器502中并可在处理器501上运行的计算机程序503，例如配置车辆诊断参数的程序。处理器501执行计算机程序503时实现上述各个视频推荐方法实施例中的步骤。例如图1所示的S11至S14。或者，处理器501执行计算机程序503时实现上述各系统实施例中各单元的功能，例如图3所述的单元301至304。
示例性的，计算机程序503可以被分割成一个或多个单元，所述一个或者多个单元被存储在所述存储器502中，并由所述处理器501执行，以完成本发明。所述一个或多个单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序503在视频推荐系统500中的执行过程。例如，所述计算机程序503可以被分割成第一确定单元、第二确定单元、视频整合单元及视频推荐单元，各单元具体功能如下：
第一确定单元用于根据用户对视频的历史行为数据以及预设的协同过滤推荐算法，确定每个用户对应的第一视频推荐列表。
第二确定单元用于根据视频库中的每个视频的内容标签数据，确定所述第一视频推荐列表中的每个视频对应的相似视频列表。
视频整合单元用于将所述第一视频推荐列表中的所有视频各自对应的相似视频列表进行整合，得到每个用户对应的第二视频推荐列表。
视频推荐单元用于根据所述第二视频推荐列表对相应的用户进行视频推荐。
进一步的，第一确定单元可以被分割成第一获取单元、邻近用户确定单元、已观看视频确定单元及第一整合单元。
第一获取单元用于获取用户对视频的历史行为数据。
邻近用户确定单元用于根据所述历史行为数据确定每个用户对应的邻近用户列表。
已观看视频确定单元用于根据所述历史行为数据确定每个用户对应的已观看视频列表。
第一整合单元用于将所述邻近用户列表中的所有用户各自对应的已观看视频列表进行整合，得到每个用户对应的第一视频推荐列表。
进一步的，邻近用户确定单元具体用于：根据所述历史行为数据以及预设的第一相似度计算策略，计算每个用户与其他用户之间的相似度值；根据所述每个用户与其他用户之间的相似度值以及第一预设相似度阈值，确定每个用户对应的邻近用户列表。
进一步的，第二确定单元可以被分割成相似度计算单元和相似视频确定单元。
相似度计算单元用于根据视频库中的每个视频的内容标签数据以及预设的第二相似度计算策略，计算视频库中的每个视频与其他视频之间的相似度值。
相似视频确定单元用于根据所述每个视频与其他视频之间的相似度值以及第二预设相似度阈值，确定视频库中的每个视频对应的相似视频列表。
进一步的，视频整合单元可以被分割成筛选单元、权重调整单元及第二推荐视频确定单元。
筛选单元用于从所述第一视频推荐列表中的所有视频各自对应的相似视频列表中筛选新增视频；所述新增视频为新增加至所述视频库中的视频。
权重调整单元用于根据预设的相似度值调整策略增大所述新增视频对应的相似度值。
第二推荐视频确定单元用于对相似度值调整后的所述第一视频推荐列表中的所有视频各自对应的相似视频列表进行整合，得到每个用户对应的第二视频推荐列表。
所述视频推荐系统可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述视频推荐系统可包括，但不仅限于，处理器501、存储器502。本领域技术人员可以理解，图5仅仅是视频推荐系统500的示例，并不构成对视频推荐系统500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，例如所述调节封闭工作环境的系统还可以包括输入输出设备、网络接入设备、总线等。
所称处理器501可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器502可以是所述视频推荐系统500的内部存储单元，例如视频推荐系统500的硬盘或内存。所述存储器502也可以是所述视频推荐系统500的外部存储设备，例如所述视频推荐系统500上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器502还可以既包括所述视频推荐系统500的内部存储单元也包括外部存储设备。所述存储器502用于存储所述计算机程序以及所述调节封闭工作环境的系统所需的其他程序和数据。所述存储器502还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述系统的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的系统/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的系统/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，系统或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或系统、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。
Claims (6)
1.一种视频推荐方法，其特征在于，包括：
获取用户对视频的历史行为数据，其中，行为数据为所述用户能够对视频执行的任意操作动作；
将每个用户对每个视频的不同历史行为数据进行加权求和处理，得到每个用户对每个视频的喜好程度，并根据每个用户对每个视频的喜好程度以及预设的第一相似度计算策略，计算每个用户与其他用户之间的相似度值；
根据所述每个用户与其他用户之间的相似度值以及第一预设相似度阈值，确定每个用户对应的邻近用户列表；
根据所述历史行为数据确定每个用户对应的已观看视频列表；
将所述邻近用户列表中的所有用户各自对应的已观看视频列表进行整合，得到每个用户对应的第一视频推荐列表；
根据视频库中的每个视频的内容标签数据，确定所述视频库中的每个视频对应的相似视频列表，基于每个用户对应的第一视频推荐列表和所述视频库中的每个视频对应的相似视频列表，确定所述第一视频推荐列表中的每个视频对应的相似视频列表；
将所述第一视频推荐列表中的所有视频各自对应的相似视频列表进行整合，得到每个用户对应的第二视频推荐列表；
根据所述第二视频推荐列表对相应的用户进行视频推荐。
2.根据权利要求1所述的视频推荐方法，其特征在于，所述根据视频库中的每个视频的内容标签数据，确定所述视频库中的每个视频对应的相似视频列表，基于每个用户对应的第一视频推荐列表和所述视频库中的每个视频对应的相似视频列表，确定所述第一视频推荐列表中的每个视频对应的相似视频列表，包括：
根据视频库中的每个视频的内容标签数据以及预设的第二相似度计算策略，计算视频库中的每个视频与其他视频之间的相似度值；
根据所述每个视频与其他视频之间的相似度值以及第二预设相似度阈值，确定视频库中的每个视频对应的相似视频列表。
3.根据权利要求1或2所述的视频推荐方法，其特征在于，所述将所述第一视频推荐列表中的所有视频各自对应的相似视频列表进行整合，得到每个用户对应的第二视频推荐列表，包括：
从所述第一视频推荐列表中的所有视频各自对应的相似视频列表中筛选新增视频；所述新增视频为新增加至所述视频库中的视频；
根据预设的相似度值调整策略增大所述新增视频对应的相似度值；
对相似度值调整后的所述第一视频推荐列表中的所有视频各自对应的相似视频列表进行整合，得到每个用户对应的第二视频推荐列表。
4.一种视频推荐系统，其特征在于，包括：
第一获取单元，用于获取用户对视频的历史行为数据，其中，行为数据为所述用户能够对视频执行的任意操作动作；
邻近用户确定单元，用于将每个用户对每个视频的不同历史行为数据进行加权求和处理，得到每个用户对每个视频的喜好程度，并根据每个用户对每个视频的喜好程度以及预设的第一相似度计算策略，计算每个用户与其他用户之间的相似度值；根据所述每个用户与其他用户之间的相似度值以及第一预设相似度阈值，确定每个用户对应的邻近用户列表；
已观看视频确定单元，用于根据所述历史行为数据确定每个用户对应的已观看视频列表；
第一整合单元，用于将所述邻近用户列表中的所有用户各自对应的已观看视频列表进行整合，得到每个用户对应的第一视频推荐列表；
第二确定单元，用于根据视频库中的每个视频的内容标签数据，确定所述视频库中的每个视频对应的相似视频列表，基于每个用户对应的第一视频推荐列表和所述视频库中的每个视频对应的相似视频列表，确定所述第一视频推荐列表中的每个视频对应的相似视频列表；
视频整合单元，用于将所述第一视频推荐列表中的所有视频各自对应的相似视频列表进行整合，得到每个用户对应的第二视频推荐列表；
视频推荐单元，用于根据所述第二视频推荐列表对相应的用户进行视频推荐。
5.一种视频推荐系统，包括存储器、处理器以及存储在所述存储器中并可在所述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计算机程序时实现如权利要求1至3任一项所述方法的步骤。
6.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至3任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710961860.5A CN110020122B (zh) | 2017-10-16 | 2017-10-16 | 一种视频推荐方法、系统及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710961860.5A CN110020122B (zh) | 2017-10-16 | 2017-10-16 | 一种视频推荐方法、系统及计算机可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110020122A CN110020122A (zh) | 2019-07-16 |
| CN110020122B true CN110020122B (zh) | 2022-06-03 |
Family
ID=67186581
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710961860.5A Active CN110020122B (zh) | 2017-10-16 | 2017-10-16 | 一种视频推荐方法、系统及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110020122B (zh) |
Families Citing this family (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110856003B (zh) * | 2019-10-17 | 2021-11-02 | 网易（杭州）网络有限公司 | 直播列表的推送方法、装置、电子设备及存储介质 |
| CN111061913B (zh) * | 2019-12-16 | 2020-11-20 | 腾讯科技（深圳）有限公司 | 视频推送方法、装置、系统、计算机可读存储介质和设备 |
| CN111212303B (zh) * | 2019-12-30 | 2022-05-10 | 咪咕视讯科技有限公司 | 视频推荐方法、服务器和计算机可读存储介质 |
| CN113139824A (zh) * | 2020-01-20 | 2021-07-20 | 上海哔哩哔哩科技有限公司 | 基于负反馈的人群包构建方法及系统 |
| CN111294610B (zh) * | 2020-02-20 | 2022-03-08 | 北京奇艺世纪科技有限公司 | 一种视频处理方法及装置 |
| CN112487240B (zh) * | 2020-11-02 | 2024-03-15 | 泰康保险集团股份有限公司 | 一种视频数据的推荐方法和装置 |
| CN113744021A (zh) * | 2021-02-08 | 2021-12-03 | 北京沃东天骏信息技术有限公司 | 一种推荐方法、装置、计算机存储介质及系统 |
| CN113553505A (zh) * | 2021-07-23 | 2021-10-26 | 咪咕文化科技有限公司 | 视频推荐方法、装置及计算设备 |
| CN113761361A (zh) * | 2021-07-29 | 2021-12-07 | 深圳市思为软件技术有限公司 | 一种房产资讯推荐方法及终端设备 |
| CN114661950A (zh) * | 2022-05-26 | 2022-06-24 | 飞狐信息技术（天津）有限公司 | 视频推荐方法及装置 |
| CN115114402A (zh) * | 2022-06-27 | 2022-09-27 | 北京金堤科技有限公司 | 相关相似公司的推荐方法、装置、存储介质和电子设备 |
| CN115291503B (zh) * | 2022-09-29 | 2023-03-24 | 北京达佳互联信息技术有限公司 | 推荐方法、推荐装置、电子设备和存储介质 |
| CN117648462A (zh) * | 2024-01-29 | 2024-03-05 | 深圳感臻智能股份有限公司 | 一种视频的推荐方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8069010B2 (en) * | 2007-12-06 | 2011-11-29 | Samsung Electronics Co., Ltd. | Method and apparatus for predicting user preference |
| CN102831234A (zh) * | 2012-08-31 | 2012-12-19 | 北京邮电大学 | 基于新闻内容和主题特征的个性化新闻推荐装置和方法 |
| CN104504055A (zh) * | 2014-12-19 | 2015-04-08 | 常州飞寻视讯信息科技有限公司 | 基于图像相似度的商品相似计算方法及商品推荐系统 |
| CN105404698A (zh) * | 2015-12-31 | 2016-03-16 | 海信集团有限公司 | 一种教育视频推荐方法及装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10834436B2 (en) * | 2015-05-27 | 2020-11-10 | Arris Enterprises Llc | Video classification using user behavior from a network digital video recorder |
-
2017
- 2017-10-16 CN CN201710961860.5A patent/CN110020122B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8069010B2 (en) * | 2007-12-06 | 2011-11-29 | Samsung Electronics Co., Ltd. | Method and apparatus for predicting user preference |
| CN102831234A (zh) * | 2012-08-31 | 2012-12-19 | 北京邮电大学 | 基于新闻内容和主题特征的个性化新闻推荐装置和方法 |
| CN104504055A (zh) * | 2014-12-19 | 2015-04-08 | 常州飞寻视讯信息科技有限公司 | 基于图像相似度的商品相似计算方法及商品推荐系统 |
| CN105404698A (zh) * | 2015-12-31 | 2016-03-16 | 海信集团有限公司 | 一种教育视频推荐方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110020122A (zh) | 2019-07-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110020122B (zh) | 一种视频推荐方法、系统及计算机可读存储介质 | |
| CN108647245B (zh) | 多媒体资源的匹配方法、装置、存储介质及电子装置 | |
| US20190080177A1 (en) | Video detection method, server and storage medium | |
| CN106326391B (zh) | 多媒体资源推荐方法及装置 | |
| US10848590B2 (en) | System and method for determining a contextual insight and providing recommendations based thereon | |
| EP2389624A1 (en) | Sampling analysis of search queries | |
| CN107977678B (zh) | 用于输出信息的方法和装置 | |
| CN110543603B (zh) | 基于用户行为的协同过滤推荐方法、装置、设备和介质 | |
| US10467255B2 (en) | Methods and systems for analyzing reading logs and documents thereof | |
| CN111259220B (zh) | 一种基于大数据的数据采集方法和系统 | |
| Helles et al. | Infrastructures of tracking: Mapping the ecology of third-party services across top sites in the EU | |
| CN109241392A (zh) | 目标词的识别方法、装置、系统及存储介质 | |
| US11537636B2 (en) | System and method for using multimedia content as search queries | |
| US20130191368A1 (en) | System and method for using multimedia content as search queries | |
| CN112235598B (zh) | 一种视频结构化处理方法、装置及终端设备 | |
| EP3564833B1 (en) | Method and device for identifying main picture in web page | |
| CN113283351A (zh) | 一种使用cnn优化相似度矩阵的视频抄袭检测方法 | |
| CN111581499B (zh) | 一种数据归一化方法、装置、设备及可读存储介质 | |
| CN111275683B (zh) | 图像质量评分处理方法、系统、设备及介质 | |
| CN115841144A (zh) | 一种文本检索模型的训练方法及装置 | |
| CN111031397B (zh) | 收集剪辑片段评论的方法、装置、设备及存储介质 | |
| CN107908780B (zh) | 新闻网站的网页判别处理方法、终端设备及存储介质 | |
| Kowalczyk et al. | The complexity of social media response: Statistical evidence for one-dimensional engagement signal in twitter | |
| US20170192973A1 (en) | System and method for recommending trending content based on context | |
| CN116958874A (zh) | 多媒体数据的处理方法、装置、设备及介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB02 | Change of applicant information |
Address after: 516006 TCL science and technology building, No. 17, Huifeng Third Road, Zhongkai high tech Zone, Huizhou City, Guangdong Province Applicant after: TCL Technology Group Co.,Ltd. Address before: 516006 Guangdong province Huizhou Zhongkai hi tech Development Zone No. nineteen District Applicant before: TCL Corp. |
|
| CB02 | Change of applicant information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |