CN110149540A - 多媒体资源的推荐处理方法、装置、终端及可读介质 - Google Patents

Abstract

本发明实施例公开了一种多媒体资源的推荐处理方法、装置、终端及可读介质，其中方法包括：获取多媒体资源的推荐请求；调用点击预测模型从所述多媒体资源的数据库中确定多媒体集合；调用时长预测模型对所述多媒体集合中包括的目标多媒体资源进行播放时长预测，确定所述目标多媒体资源的预测播放时长；根据所述目标多媒体资源的预测播放时长确定所述目标多媒体资源的推荐优先级；根据推荐优先级从所述多媒体集合中确定出待推荐多媒体资源，采用本发明实施例，可更好地为用户进行多媒体资源的推荐。

Description

多媒体资源的推荐处理方法、装置、终端及可读介质

技术领域

本发明涉及多媒体处理技术领域，尤其涉及一种多媒体资源的推荐处理方法、装置、终端及可读介质。

背景技术

多媒体(Multimedia)一般可以包括图像、音频、视频等数据。随着计算机应用技术的发展，诸如新闻资讯应用、视频播放应用、音乐播放应用等都可以为用户提供各种各样的音视频等多媒体资源，用户可以足不出户地通过智能手机、平板电脑、个人电脑等设备浏览、观看这些多媒体资源。

在用户存在多媒体资源的获取需求时，如果可以为用户自动推荐一些用户可能会观看的多媒体资源，而无需用户再去手动搜索想要播放的多媒体资源，那么无疑可以促进用户对相应多媒体资源的兴趣，可以提高用户的体验。因此，如何更好地为用户进行多媒体资源的推荐成为了研究的热点。

发明内容

本发明实施例提供了一种多媒体资源的推荐处理方法、装置、终端及可读介质，可更好地为用户进行多媒体资源的推荐。

一方面，本发明实施例提供了一种多媒体资源的推荐处理方法，包括：

获取多媒体资源的推荐请求；

调用点击预测模型从所述多媒体资源的数据库中确定多媒体集合，所述点击预测模型是根据历史多媒体资源点击信息生成的；

调用时长预测模型对所述多媒体集合中包括的目标多媒体资源进行播放时长预测，确定所述目标多媒体资源的预测播放时长，所述时长预测模型是根据历史多媒体资源播放数据生成的；

根据所述目标多媒体资源的预测播放时长确定所述目标多媒体资源的推荐优先级；

根据推荐优先级从所述多媒体集合中确定出待推荐多媒体资源。

另一方面，本发明实施例提供了一种多媒体资源的推荐处理装置，包括：

获取单元，用于获取多媒体资源的推荐请求；

点击预测单元，用于调用点击预测模型从所述多媒体资源的数据库中确定多媒体集合，所述点击预测模型是根据历史多媒体资源点击信息生成的；

时长预测单元，用于调用时长预测模型对所述多媒体集合中包括的目标多媒体资源进行播放时长预测，确定所述目标多媒体资源的预测播放时长，所述时长预测模型是根据历史多媒体资源播放数据生成的；

确定单元，用于根据所述目标多媒体资源的预测播放时长确定所述目标多媒体资源的推荐优先级；

所述确定单元，还用于根据推荐优先级从所述多媒体集合中确定出待推荐多媒体资源。

再一方面，本发明实施例提供一种智能终端，包括处理器、输入设备、输出设备和存储器，所述处理器、输入设备、输出设备和存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行如下步骤：

获取多媒体资源的推荐请求；

调用点击预测模型从所述多媒体资源的数据库中确定多媒体集合，所述点击预测模型是根据历史多媒体资源点击信息生成的；

调用时长预测模型对所述多媒体集合中包括的目标多媒体资源进行播放时长预测，确定所述目标多媒体资源的预测播放时长，所述时长预测模型是根据历史多媒体资源播放数据生成的；

根据所述目标多媒体资源的预测播放时长确定所述目标多媒体资源的推荐优先级；

根据推荐优先级从所述多媒体集合中确定出待推荐多媒体资源。

再一方面，本发明实施例提供一种计算机存储介质，该计算机存储介质存储有计算机程序指令，该计算机程序指令被执行时用于实现上述的多媒体资源的推荐处理方法。

本发明实施例可以根据用户的历史多媒体数据生成点击预测模型和时长预测模型。在获取到多媒体资源的用户请求后，可以调用点击预测模型确定出用户感兴趣的目标多媒体资源，并调用时长预测模型确定出目标多媒体资源的推荐优先级，根据推荐优先级确定出待推荐多媒体资源。本发明实施例不仅可以对用户的点击信息进行预测，还可以对用户的播放多媒体资源的播放时长进行预测，结合点击信息以及播放时长这两个维度可以对用户的播放行为进行准确预测，从而更好地为用户进行多媒体资源的推荐。

附图说明

为了更清楚地说明本发明实施例技术方案，下面将对实施例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多媒体资源推荐的系统的结构示意图；

图2是本发明实施例提供的一种服务器处理多媒体资源的推荐请求的流程示意图；

图3是本发明实施例提供的一种多媒体资源的推荐处理方法的流程示意图；

图4a是本发明实施例提供的一种多媒体资源的推荐处理方法的应用场景示意图；

图4b是本发明实施例提供的一种多媒体资源播放界面示意图；

图4c是本发明实施例提供的另一种多媒体资源播放界面示意图；

图5是本发明实施例提供的一种分布式处理平台的结构示意图；

图6是本发明实施例提供的一种模型训练的流程示意图；

图7是本发明实施例提供的一种模型训练方法示意图；

图8是本发明实施例提供的一种多媒体资源的推荐处理装置的结构示意图；

图9是本发明实施例提供的一种智能终端的结构示意图。

具体实施方式

在本发明实施例中，用户可以通过点击终端中已安装的多媒体播放APP来请求播放多媒体资源，提供多媒体资源的服务器可以基于多媒体资源的相关请求，为用户提供各种各样的多媒体资源，如图1所示，是本发明实施例的一种关于多媒体资源推荐的系统的结构示意图，终端在检测到用户对该多媒体播放APP的点击指令后，可以向服务器发送多媒体资源的推荐请求。服务器在获取到终端发送的多媒体资源的推荐请求后，可以根据该推荐请求进行一系列处理得到待推荐多媒体资源，并将该待推荐多媒体资源返回给终端，以供终端显示该待推荐多媒体资源。

在一个实施例中，服务器在接收到该推荐请求并进行一系列处理的过程可以如图2所示。服务器在获取到多媒体资源的推荐请求后，可以调用为发起该推荐请求的用户预置的点击预测模型从多媒体资源的数据库中确定多媒体集合，此处的多媒体集合中可以包括一个或者多个目标多媒体资源，目标多媒体资源可以指音频、视频、新闻资讯等内容；然后调用为发起该推荐请求的用户预置的时长预测模型对该多媒体集合中包括的目标多媒体资源进行播放时长预测，确定该目标多媒体资源的预测播放时长。其次，调用为发起该推荐请求的用户预置的优先级模型根据目标多媒体资源的预测播放时长确定目标多媒体资源的推荐优先级，根据该推荐优先级从该多媒体集合中确定出待推荐多媒体资源。所述点击预测模型、时长预测模型以及优先级模型与所述推荐请求携带的用户账号相关联，该用户账号用于唯一表示某个多媒体用户。

本发明实施例所调用的点击预测模型是根据发送该多媒体资源的推荐请求的用户的历史多媒体资源点击信息生成的，可以准确预测该用户对多媒体资源数据库中的多媒体资源的点击信息，此处的点击信息可以包括是否点击该多媒体资源及其点击次数。时长预测模型是根据该用户的历史多媒体资源播放数据(包括历史多媒体资源的播放时长)生成的，可以准确预测用户播放目标多媒体资源的时长。通过调用点击预测模型和时长预测模型，可以从用户对该多媒体资源的点击信息以及用户播放该多媒体资源的播放时长这两个维度对用户的播放行为进行准确预测，在一定程度上确定出用户感兴趣并可能点击播放的多媒体资源即待推荐多媒体资源，可以更好地为用户进行多媒体资源的推荐。

基于上述的描述，在一个实施例中，本发明实施例在图3中提出了一种多媒体资源的推荐处理方法的流程示意图。本发明实施例的所述方法可以由一个终端来实现，例如智能手机、膝上型计算机或平板计算机等便携式设备，以及台式计算机等等。在一个实施例中，所述方法还可以由服务器来实现，用户可以通过点击终端的显示界面以触发终端向服务器发送多媒体资源的推荐请求，服务器在接收到此推荐请求后，可以进行一系列处理。

本发明实施例中所提及的多媒体资源均可以包括但不限于音频、视频以及新闻资讯等等文件。在S101中，终端可以获取多媒体资源的推荐请求；并可以在S102中调用点击预测模型从所述多媒体资源的数据库中确定多媒体集合，所述点击预测模型可以根据用户的历史多媒体资源点击信息生成。需要说明的是，为了便于描述，除非特别说明，本发明实施例在后续所提及的用户均是指同一个用户，即所述多媒体资源的推荐请求所对应的用户。

多媒体资源的推荐请求可以是终端根据用户对终端的操作指令而生成的。例如，所述多媒体资源的推荐请求可以是根据终端检测到用户对终端中的某多媒体播放APP的点击指令而生成的，此处的多媒体播放APP可以包括但不限于：新闻咨询APP、短视频播放APP、音乐APP等等；点击指令可以是指用户对该多媒体播放APP的应用图标的点击指令，也可以是指用户对该多媒体播放APP的应用界面中已显示的多媒体资源的点击指令。又例如，所述多媒体资源的推荐请求还可以是根据检测到用户在浏览器中输入了某多媒体资源播放网址的操作指令而生成的。再例如，该多媒体资源的推荐请求还可以是终端在开机启动过程中自动生成的，等等。

由于多媒体资源的数据库中存储有大量的多媒体资源，用户可能只对部分多媒体资源感兴趣，因此可以调用点击预测模型对数据库中的每个多媒体资源进行点击预测，预测用户是否会点击该多媒体资源或者预测用户点击该多媒体资源的次数，根据预测结果从多媒体资源的数据库中确定多媒体集合，该多媒体集合中可以包括一个或者多个目标多媒体资源，此处的目标多媒体资源是指基于点击预测模型来初步筛选的用户可能感兴趣并可能点击播放的多媒体资源。

在确定了多媒体集合以后，可以在S103中调用时长预测模型对该多媒体集合中包括的目标多媒体资源进行播放时长预测，确定目标多媒体资源的预测播放时长，所述时长预测模型可以根据用户的历史多媒体资源播放数据生成，此处的历史多媒体资源播放数据可以包括历史多媒体资源的播放时长。

在得到目标多媒体资源的预测播放时长之后，可以在步骤S104中根据该目标多媒体资源的预测播放时长确定该目标多媒体资源的推荐优先级。在一个实施例中，根据所述目标多媒体资源的预测播放时长确定所述目标多媒体资源的推荐优先级的具体实施方式可以是：基于预设的推荐优先级规则，根据目标多媒体资源的预测播放时长确定目标多媒体资源的推荐优先级。在一个实施例中，此处提及的预设的推荐优先级规则可以是：预测播放时长越短，其对应的目标多媒体资源的推荐优先级越高。例如目标多媒体资源1的预测播放时长为5分钟、目标多媒体资源2的预测播放时长为2分钟、目标多媒体资源3的预测播放时长为4分钟，则目标多媒体资源2为第一优先级，最优先推荐，目标多媒体资源3为第二优先级，次优先推荐，目标多媒体资源1为第三优先级，最后推荐。再一个实施例中，此处提及的预设的推荐优先级规则可以是：预测播放时长越长，其对应的目标多媒体资源的推荐优先级越高。

再一个实施例中，根据所述目标多媒体资源的预测播放时长确定所述目标多媒体资源的推荐优先级的具体实施方式可以是：结合该多媒体资源的播放需求场景，根据播放时长预先划分多个播放时长区间，并设置播放时长区间与推荐优先级之间的对应关系，然后根据预测播放时长与播放时长区间的对应关系确定出目标多媒体资源的推荐优先级。此处的播放需求场景可以包括但不限于存在播放数量限制的多媒体资源的场景以及存在播放时长限制的多媒体资源的场景。其中，存在播放数量限制的多媒体资源的场景是指期望用户播放较多数量的多媒体资源，较多数量的具体值可以根据实际业务需求确定；存在播放时长限制的多媒体资源的场景是指期望用户播放较长时长的多媒体资源，较长时长的具体值可以根据实际业务需求确定。若播放需求场景为存在播放数量限制的多媒体资源的场景，则播放时长区间与推荐优先级的对应关系可以如表1所示。其中，推荐优先级从高到低依次为：A＞B＞C＞D。

表1

播放时长区间	推荐优先级
		0～5分钟	A级
5～15分钟	B级
		15～30分钟	C级
30～60分钟	D级
		…	…

相应的，可以根据表1以及目标多媒体资源的预测播放时长确定该目标多媒体资源属于推荐优先级。例如目标多媒体资源的预测播放时长为4分钟，则该目标多媒体资源的推荐优先级为A级。

若播放需求场景为存在播放时长限制的多媒体资源的场景，则播放时长区间与推荐优先级的对应关系如表2所示。其中，推荐优先级从高到低依次为：A＞B＞C＞D。

表2

播放时长区间	推荐优先级
		…	…
30～60分钟	A级
		15～30分钟	B级
5～15分钟	C级
		0～5分钟	D级

相应的，可以根据表2以及目标多媒体资源的预测播放时长确定该目标多媒体资源的推荐优先级级。例如目标多媒体资源的预测播放时长为4分钟，则该目标多媒体资源的推荐优先级为D级。

再一个实施例中，根据所述目标多媒体资源的预测播放时长确定所述目标多媒体资源的推荐优先级可以是：先获取该多媒体资源的需求播放场景，并从优先级模型组中选择与该播放需求场景对应的目标优先级模型；然后调用该目标优先级模型对该多媒体资源的预测播放时长进行分析，根据分析结果确定该目标多媒体资源的推荐优先级。

该优先级模型组中可以包括一个或者多个优先级模型。本发明实施例可以对用户的历史多媒体资源播放数据和用户画像数据进行分析，得到用户历史播放多媒体资源的播放需求场景，并根据该播放需求场景构建不同的优先级模型。在一个实施例中，在构建优先级模型的过程中，可以采用大量的样本多媒体资源进行构建，这些大量的样本多媒体资源的预测播放时长及其对应的推荐优先级为已知。将这些大量的样本多媒体资源输入至模型中，由该模型对这些样本多媒体资源的预测播放时长进行分析，根据分析结果确定这些目标多媒体的推荐优先级，将确定的推荐优先级和与其对应的已知推荐优先级进行比对，若一致，则说明已成功构建出优先级模型。需要说明的是，此处的用户画像数据可以包括但不限于：用户历史播放多媒体资源的播放时间，如每天的早上八点至九点；用户每次播放多媒体资源的数量以及用户的账户信息，如用户是否是VIP用户，用户的账户中剩余可播放多媒体资源的播放时长是多少，等等。

再一个实施例中，本发明实施例还可以基于分布密度函数来构建该优先级模型，在一个实施例中，该分布密度函数可以包括第一分布密度函数和第二分布密度函数。该分布密度函数可以包括推荐参考时长β和辅助参数。其中，此处的推荐参考时长β是指期望推荐给用户播放该目标多媒体资源的时长，此处的辅助参数可以包括以下至少一个：播放时长衰减程度、多媒体指定播放时长θ以及推荐优先级限定参数η。其中，播放时长衰减程度用于表示预测播放时长的变化程度是否剧烈，可包括第一播放时长衰减程度γ和第二播放时长衰减程度α；多媒体指定播放时长用于表示多媒体资源的播放时长上限，即用户在播放该多媒体资源时最多可播放的时长；推荐优先级限定参数用于限定第一分布密度函数和第二分布密度函数在x＝β的交接处的推荐优先级变化不会太大。

本发明实施例可以结合不同的播放需求场景，采用大量的样本多媒体资源对分布密度函数进行训练，以确定上述所涉及β、α、γ、η、θ等参数的取值。

例如，若播放需求场景为期望用户播放指定时长的多媒体资源的场景，则可以设置一个多媒体指定播放时长θ值，基于该分布密度函数并根据该样本多媒体资源的预测播放时长，分别计算出大量的样本多媒体资源的推荐优先级。若计算出的结果中，预测播放时长x与θ值越接近，其推荐优先级越高，则说明该分布密度函数已经训练完成，可以根据预测播放时长对该多媒体资源的推荐优先级进行准确计算。否则，不断调整β、α、γ、η的值，直至计算结果满足x与θ越接近，其推荐优先级越高的规律。经本发明实践表明，在此播放需求场景下，θ值可以根据实际业务需求设置；γ与η的取值对计算结果影响较小，可以忽略；β与α的取值对计算结果影响较大，且β值较大，α值较小。在得到这些参数的取值后，可以基于这些参数的取值确定分布密度函数，从而构建出第一优先级模型。

又例如，若播放需求场景为存在播放数量限制的多媒体资源的场景，由上述可知，存在播放数量限制的多媒体资源的场景可以是指期望用户播放较多数量的多媒体资源的场景。可以假设如果用户播放多媒体资源的时长较短，则在相同时间段内可以播放更多的多媒体资源。因此，在此播放需求场景下，可以推荐播放时长较短的多媒体资源，从而可以播放更多数量的多媒体资源。在训练该分布密度函数时，基于该分布密度函数并根据该样本多媒体资源的预测播放时长，分别计算出大量的样本多媒体资源的推荐优先级。若计算出的结果中，预测播放时长x越小，其推荐优先级越高，则说明该分布密度函数已经训练完成，可以根据预测播放时长对该多媒体资源的推荐优先级进行准确计算。否则，不断调整β、α、γ、η、θ的值，直至计算结果满足x越小，其推荐优先级越高的规律。经本发明实践表明，在此播放需求场景下，α、γ与η的取值对计算结果影响较小，可以忽略；β与θ的取值对计算结果影响较大，且β值较小，θ值较小。在得到这些参数的取值后，可以基于这些参数的取值确定分布密度函数，从而构建出第二优先级模型。

再例如，若播放需求场景为存在播放时长限制的多媒体资源的场景，由上述可知，存在播放时长限制的多媒体资源的场景是指期望用户播放时长较长的多媒体资源的场景。可以假设如果用户播放多媒体资源的时长较长，则对于相同的推荐播放次数，可以播放较长的多媒体资源。因此，在此播放需求场景下，可以推荐播放时长较长的多媒体资源。在训练该分布密度函数时，基于该分布密度函数并根据该样本多媒体资源的预测播放时长，分别计算出大量的样本多媒体资源的推荐优先级。若计算出的结果中，预测播放时长x越大，其推荐优先级越高，则说明该分布密度函数已经训练完成，可以根据预测播放时长对该多媒体资源的推荐优先级进行准确计算。否则，不断调整β、α、γ、η、θ的值，直至计算结果满足x越大，其推荐优先级越高的规律。经本发明实践表明，在此播放需求场景下，α、γ与η的取值对计算结果影响较小，可以忽略；β与θ的取值对计算结果影响较大，且β值较大，θ值较大。在得到这些参数的取值后，可以基于这些参数的取值确定分布密度函数，从而构建出第三优先级模型。

在根据播放需求场景构建完成各个优先级模型后，该各个优先级模型可以构成一个优先级模型组，由此可见，优先级模型组中的每个优先级模型均可对应一个播放需求场景。因此，在使用优先级模型对多媒体资源的预测播放时长进行分析之前，需要从优先级模型组中选择与所述播放需求场景对应的目标优先级模型，用此目标优先级模型进行时长分析处理。

在一个实施例中，从优先级模型组中选择与所述播放需求场景对应的目标优先级模型的具体实施方式可以是：若所述多媒体资源的播放需求场景为第一场景，则从优先级模型组中选择第一优先级模型作为目标优先级模型，所述第一场景为期望播放指定时长的多媒体资源的场景；其中，在所述第一优先级模型中，若所述目标多媒体资源的预测播放时长与指定时长的差值越小，则所述目标多媒体资源的优先级越高。

再一个实施例中，从优先级模型组中选择与所述播放需求场景对应的目标优先级模型的具体实施方式可以是：若所述多媒体资源的播放需求场景为第二场景，则从优先级模型组中选择第二优先级模型作为目标优先级模型，所述第二场景为存在播放数量限制的多媒体资源的场景；其中，在所述第二优先级模型中，若所述目标多媒体资源的预测播放时长越短，则所述目标多媒体资源的优先级越高。

再一个实施例中，从优先级模型组中选择与所述播放需求场景对应的目标优先级模型的具体实施方式可以是：若所述多媒体资源的播放需求场景为第三场景，则从优先级模型组中选择第三优先级模型作为目标优先级模型，所述第三场景为存在播放时长限制的多媒体资源的场景；其中，在所述第三优先级模型中，若所述目标多媒体资源的预测播放时长越长，则所述目标多媒体资源的优先级越高。

由上述可知，优先级模型组中的任一个优先级模型中的分布密度函数均可以包括第一分布密度函数和第二分布密度函数。在一个实施例中，该第一分布密度函数可以如式1.1所示，该第二分布密度函数可以如式1.2所示。

f(x,α,β,γ,θ,η)＝η*(x/β)^γ，如果x≤β 式1.1

f(x,α,β,γ,θ,η)＝(x/θ)^((θ-x)/α)，如果x>β 式1.2

因此，在调用所述目标优先级模型对所述目标多媒体资源的预测播放时长进行分析时，可以根据所述多媒体资源的播放需求场景确定推荐参考时长，一个播放需求场景对应一个推荐参考时长；若所述预测播放时长小于或等于所述推荐参考时长，则调用所述目标优先级模型中的第一分布密度函数对所述目标多媒体资源的预测播放时长进行分析，如上述式子1.1所示；若所述预测播放时长大于所述推荐参考时长，则调用所述目标优先级模型中的第二分布密度函数对所述目标多媒体资源的预测播放时长进行分析，如上述式子1.2所示。

在一个实施例中，上述所涉及的推荐优先级可以采用等级的形式来表示，如A级、B级等等，也可以采取具体数值来表示，此处的具体数值可以是指目标多媒体资源的预测分数，本发明实施例对此不作限定。

在确定了目标多媒体资源的推荐优先级以后，可以在S105中根据推荐优先级从所述多媒体集合中确定出待推荐多媒体资源。在一个实施例中，该待推荐多媒体资源可以包括一个或者多个多媒体资源。若推荐优先级采用等级的形式表示，则可以直接根据该等级从高到低依次确定出待推荐多媒体资源。若推荐优先级采用具体数值表示，则可以对该具体数值进行降序排列，得到排列结果。并根据该排列结果从高到低截取一定阈值数的目标多媒体资源作为待推荐多媒体资源。

在一个实施例中，本发明实施例在确定了待推荐多媒体资源以后，可以获取与该待推荐多媒体资源相关联的播放图标，该播放图标可以包括播放按钮，播放进度条等等，根据该播放图标构成显示界面。在该显示界面中显示所述待推荐多媒体资源。

为了便于理解上述发明实施例，以多媒体资源为短视频为例，下面将结合图4a-图4c对本发明实施例进行阐述。

用户想要播放视频时，可以点击视频播放APP，如图4a所示。终端在接收到用户的点击指令(即多媒体资源的推荐请求)后，可以调用点击预测模型从视频资源的数据库中确定视频集合。由于该点击预测模型是根据用户的历史视频播放数据生成的，因此点击预测模型可以确定出用户可能对山水类的风景视频比较感兴趣，因此点击预测视频可以从数据库中找出山水类的风景视频作为目标视频，并构成视频集合，此视频集合包括一个或多个山水类的风景视频(目标视频)。然后调用时长预测模型对视频集合中包括的目标视频进行播放时长预测，确定目标视频的预测播放时长。并根据目标视频的预测播放时长确定目标视频的推荐优先级，根据推荐优先级从视频集合中确定出待推荐视频，确定出的待推荐视频全部为山水类的风景视频。获取与待推荐视频相关联的播放图标如播放进度条，播放按钮，并根据这些播放图标构成显示界面，在显示界面显示依次播放待推荐视频，如图4b-图4c所示。如图4b所示，在当前显示界面播放第一优先级的视频，待该第一优先级视频播放完成后，可以播放第二优先级视频，如图4c所示。

本发明实施例可以根据用户的历史多媒体数据生成点击预测模型和时长预测模型。在获取到多媒体资源的用户请求后，可以调用点击预测模型确定出用户感兴趣的目标多媒体资源，并调用时长预测模型确定出目标多媒体资源的推荐优先级，根据推荐优先级确定出待推荐多媒体资源。本发明实施例不仅可以对用户的点击信息进行预测，还可以对用户的播放多媒体资源的播放时长进行预测，结合点击信息以及播放时长这两个维度可以对用户的播放行为进行准确预测，从而更好地为用户进行多媒体资源的推荐。

在一个实施例中，本发明实施例提出的多媒体资源的推荐方法可以应用在短视频推荐系统中，该短视频推荐系统可以基于用户的历史播放行为数据训练出点击预测模型和时长预测模型，通过所述点击预测模型和所述时长预测模型可以计算用户对每个播放视频的认可程度，该认可程度可以用来衡量该播放视频被推荐给用户的权重值，通过所述认可程度可以对用户的播放行为进行较准确地预测。所述历史播放行为数据可以包括用户的历史视频点击信息、历史视频播放数据、历史视频搜索记录以及用户的画像数据。其中，此处的历史视频点击信息可以包括用户历史点击了哪些视频和/或对视频的点击次数；用户的历史视频播放数据可以包括用户播放每个视频的播放时长；用户的画像数据可以包括用户的账户信息和/或用户播放视频的场景，播放视频的场景可以例如用户在早上八点至八点半之间播放了视频。为了便于描述，除非特别指明，本发明实施例提及到的视频均以短视频为例。

在一个实施例中，所述短视频推荐系统可以是基于分布式处理平台的系统，所述分布式处理平台可以是Spark平台、Nectar平台、Hadoop平台、Twister平台等等。以分布式处理平台为Spark平台为例，对如图5所示的短视频推荐系统加以阐述，短视频推荐系统在运行时主要分为以下两个阶段。

第一阶段：短视频应用APP上报采集到的用户的历史视频播放数据、历史视频点击信息、用户画像数据等多个数据，分布式文件系统HDFS上报短视频曝光数据流、短视频点击数据流等多个数据流。经本发明实施例的实践表明，短视频推荐的用户播放行为近似满足韦伯分布(Weibull分布)，而满足韦伯分布的这一特点与短视频推荐的两大核心指标：点击信息和播放时长密切相关。因此，Spark平台在接收到这些数据以及数据流以后，可以基于韦伯分布函数，根据这些数据以及数据流训练出点击预测模型和播放时长预测模型。

第二阶段：当服务器接收到用户请求后，可以通过训练出的点击预测模型确定用户感兴趣的目标视频，通过播放时长预测模型对每个目标视频进行时长预测，并根据预测得到的播放时长对每个目标视频进行分数预测。在确定每个目标视频的预测分数以后，可以根据预测分数对每个目标视频进行降序排列，根据预设的视频播放数量从排序结果中截取分数靠前的目标视频，并将截取的这些目标视频作为待推荐的播放视频，得到短视频推荐结果。例如，预设的视频播放数量为3个。则从排序结果中选取预测分数排第一至第三的目标视频作为待推荐的播放视频，即短视频推荐结果中包括这三个目标视频。由此可见，所述短视频推荐系统在得到短视频推荐结果的过程中，充分利用了用户的历史播放数据、历史视频点击信息等等用户行为数据，跳过了人工规则干预的部分，提高了效率以及短视频推荐结果的准确性。

在一个实施例中，本发明实施例可通过图6所示的模型训练的流程示意图，结合曝光视频数据、用户历史播放视频数据以及用户画像数据，基于指定目标函数对点击预测模型、时长预测模型以及优先级模型进行模型训练。该指定目标函数可以是上述方法实施例所提及的分布密度函数。其中，对点击预测模型和播放时长预测模型的训练方法还可以参见图7。由于用户历史点击过的视频都会有一个相应的流水标识，因此可以使用用户每次曝光的短视频与当前点击的视频数据，按照流水标识做对应，将成功对应上的视频数据计入用于训练的点击标注中。利用用户的历史视频播放数据，统计用户播放每个视频的播放时长，将此播放时长数据计入用于训练的时长标注中。采用点击标注数据训练出点击预测模型，点击标注数据中标注了每个视频被点击的次数或者点击率。采用点击预测模型对每个视频进行点击预测，得到预测的点击次数或者点击率。将预测的点击次数或者点击率与标注的点击次数或者点击率进行比对，若比对结果满足预设误差，则说明点击预测模型已成功训练出。采用时长标注数据训练出时长预测模型，时长标注数据中标注了每个视频的播放时长。采用时长点击模型对每个视频进行时长预测，得到预测播放时长。将预测播放时长与标注的播放时长进行比对，若比对结果满足预设误差，则说明时长预测模型已成功训练出。在训练出点击预测模型和时长预测模型之后，可以对目标视频进行分数预测的操作。

基于上述方法实施例的描述，在一个实施例中，本发明实施例还提供了一种如图8所示的多媒体资源的推荐处理装置的结构示意图。如图8所示，本发明实施例中的多媒体资源的推荐处理装置可包括：

获取单元101，用户获取多媒体资源的推荐请求。

点击预测单元102，用于调用点击预测模型从所述多媒体资源的数据库中确定多媒体集合，所述点击预测模型是根据历史多媒体资源点击信息生成的。

时长预测单元103，用于调用时长预测模型对所述多媒体集合中包括的目标多媒体资源进行播放时长预测，确定所述目标多媒体资源的预测播放时长，所述时长预测模型是根据历史多媒体资源播放数据生成的。

确定单元104，用于根据所述目标多媒体资源的预测播放时长确定所述目标多媒体资源的推荐优先级。

所述确定单元104，还用于根据推荐优先级从所述多媒体集合中确定出待推荐多媒体资源。

在一个实施例中，确定单元104可具体用于：获取所述多媒体资源的播放需求场景，并从优先级模型组中选择与所述播放需求场景对应的目标优先级模型；调用所述目标优先级模型对所述目标多媒体资源的预测播放时长进行分析，根据分析结果确定所述目标多媒体资源的推荐优先级。

在一个实施例中，确定单元104可具体用于：若所述多媒体资源的播放需求场景为第一场景，则从优先级模型组中选择第一优先级模型作为目标优先级模型，所述第一场景为期望播放指定时长的多媒体资源的场景；其中，在所述第一优先级模型中，若所述目标多媒体资源的预测播放时长与指定时长的差值越小，则所述目标多媒体资源的优先级越高。

再一个实施例中，确定单元104可具体用于：若所述多媒体资源的播放需求场景为第二场景，则从优先级模型组中选择第二优先级模型作为目标优先级模型，所述第二场景为存在播放数量限制的多媒体资源的场景；其中，在所述第二优先级模型中，若所述目标多媒体资源的预测播放时长越短，则所述目标多媒体资源的优先级越高。

再一个实施例中，确定单元104可具体用于：若所述多媒体资源的播放需求场景为第三场景，则从优先级模型组中选择第三优先级模型作为目标优先级模型，所述第三场景为存在播放时长限制的多媒体资源的场景；其中，在所述第三优先级模型中，若所述目标多媒体资源的预测播放时长越长，则所述目标多媒体资源的优先级越高。

在一个实施例中，所述优先级模组中的优先级模型是基于分布密度函数构建的，所述分布密度函数包括第一分布密度函数和第二分布密度函数；对应的，确定单元104可具体用于：根据所述多媒体资源的播放需求场景确定推荐参考时长；若所述预测播放时长小于或等于所述推荐参考时长，则调用所述目标优先级模型中的第一分布密度函数对所述目标多媒体资源的预测播放时长进行分析；若所述预测播放时长大于所述推荐参考时长，则调用所述目标优先级模型中的第二分布密度函数对所述目标多媒体资源的预测播放时长进行分析。

在一个实施例中，所述分布密度函数包括所述推荐参考时长和辅助参数，所述辅助参数包括以下至少一个：播放时长衰减程度、多媒体指定播放时长以及推荐优先级限定参数。

在一个实施例中，所述获取单元101还可用于：获取与所述待推荐多媒体资源相关联的播放图标，根据所述播放图标构成显示界面。

所述多媒体资源的推荐处理装置还可包括：显示单元105，用于在所述显示界面中显示所述待推荐多媒体资源。

本发明实施例可以根据用户的历史多媒体数据生成点击预测模型和时长预测模型。在获取到多媒体资源的用户请求后，可以调用点击预测模型确定出用户感兴趣的目标多媒体资源，并调用时长预测模型确定出目标多媒体资源的推荐优先级，根据推荐优先级确定出待推荐多媒体资源。本发明实施例不仅可以对用户的点击信息进行预测，还可以对用户的播放多媒体资源的播放时长进行预测，结合点击信息以及播放时长这两个维度可以对用户的播放行为进行准确预测，从而更好地为用户进行多媒体资源的推荐。

请参见图9，是本发明实施例提供的一种智能终端的结构示意图。如图9所示的本实施例中的智能终端可以包括：一个或多个处理器201；一个或多个输入设备202，一个或多个输出设备203和存储器204。上述处理器201、输入设备202、输出设备203和存储器204通过总线205连接。存储器204用于存储计算机程序，所述计算机程序包括程序指令，处理器201用于执行所述存储器204存储的程序指令。

在一个实施例中，该处理器201可以是中央处理单元(Central Processing Unit，CPU)，该处理器还可以是其他通用处理器，即微处理器或者任何常规的处理器。该存储器204可以包括只读存储器和随机存取存储器，并向处理器201提供指令和数据。因此，在此对于处理器201和存储器204不作限定。

在本发明实施例中，由处理器201加载并执行计算机存储介质中存放的一条或一条以上指令，以实现上述相应实施例中的方法的相应步骤；具体实现中，计算机存储介质中的至少一条指令由处理器201加载并执行如下步骤：

获取多媒体资源的推荐请求；调用点击预测模型从所述多媒体资源的数据库中确定多媒体集合，所述点击预测模型是根据历史多媒体资源点击信息生成的；调用时长预测模型对所述多媒体集合中包括的目标多媒体资源进行播放时长预测，确定所述目标多媒体资源的预测播放时长，所述时长预测模型是根据历史多媒体资源播放数据生成的；根据所述目标多媒体资源的预测播放时长确定所述目标多媒体资源的推荐优先级；根据推荐优先级从所述多媒体集合中确定出待推荐多媒体资源。

在一个实施例中，在根据所述目标多媒体资源的预测播放时长确定所述目标多媒体资源的推荐优先级时，该至少一条程序指令可由该处理器201加载并具体用于执行：

获取所述多媒体资源的播放需求场景，并从优先级模型组中选择与所述播放需求场景对应的目标优先级模型；调用所述目标优先级模型对所述目标多媒体资源的预测播放时长进行分析，根据分析结果确定所述目标多媒体资源的推荐优先级。

在一个实施例中，在从优先级模型组中选择与所述播放需求场景对应的目标优先级模型时，该至少一条程序指令可由该处理器201加载并具体用于执行：

若所述多媒体资源的播放需求场景为第一场景，则从优先级模型组中选择第一优先级模型作为目标优先级模型，所述第一场景为期望播放指定时长的多媒体资源的场景；其中，在所述第一优先级模型中，若所述目标多媒体资源的预测播放时长与指定时长的差值越小，则所述目标多媒体资源的优先级越高。

在一个实施例中，在从优先级模型组中选择与所述播放需求场景对应的目标优先级模型时，该至少一条程序指令可由该处理器201加载并具体用于执行：

若所述多媒体资源的播放需求场景为第二场景，则从优先级模型组中选择第二优先级模型作为目标优先级模型，所述第二场景为存在播放数量限制的多媒体资源的场景；其中，在所述第二优先级模型中，若所述目标多媒体资源的预测播放时长越短，则所述目标多媒体资源的优先级越高。

在一个实施例中，在从优先级模型组中选择与所述播放需求场景对应的目标优先级模型时，该至少一条程序指令可由该处理器201加载并具体用于执行：

若所述多媒体资源的播放需求场景为第三场景，则从优先级模型组中选择第三优先级模型作为目标优先级模型，所述第三场景为存在播放时长限制的多媒体资源的场景；其中，在所述第三优先级模型中，若所述目标多媒体资源的预测播放时长越长，则所述目标多媒体资源的优先级越高。

在一个实施例中，所述优先级模组中的优先级模型是基于分布密度函数构建的，所述分布密度函数包括第一分布密度函数和第二分布密度函数；相应的，在调用所述目标优先级模型对所述目标多媒体资源的预测播放时长进行分析时，该至少一条程序指令可由该处理器201加载并具体用于执行：

根据所述多媒体资源的播放需求场景确定推荐参考时长；若所述预测播放时长小于或等于所述推荐参考时长，则调用所述目标优先级模型中的第一分布密度函数对所述目标多媒体资源的预测播放时长进行分析；若所述预测播放时长大于所述推荐参考时长，则调用所述目标优先级模型中的第二分布密度函数对所述目标多媒体资源的预测播放时长进行分析。

在一个实施例中，所述分布密度函数包括所述推荐参考时长和辅助参数，所述辅助参数包括以下至少一个：播放时长衰减程度、多媒体指定播放时长以及推荐优先级限定参数。

在一个实施例中，该至少一条程序指令还可由该处理器201加载并用于执行：获取与所述待推荐多媒体资源相关联的播放图标，根据所述播放图标构成显示界面；在所述显示界面中显示所述待推荐多媒体资源。

需要说明的是，上述描述的终端和单元的具体工作过程，可以参考前述各个实施例中的相关描述，在此不再赘述。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。

以上所揭露的仅为本发明的部分实施例而已，当然不能以此来限定本发明之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或部分流程，并依本发明权利要求所作的等同变化，仍属于发明所涵盖的范围。

Claims (11)

1.一种多媒体资源的推荐处理方法，其特征在于，包括：

获取多媒体资源的推荐请求；

调用点击预测模型从所述多媒体资源的数据库中确定多媒体集合，所述点击预测模型是根据历史多媒体资源点击信息生成的；

调用时长预测模型对所述多媒体集合中包括的目标多媒体资源进行播放时长预测，确定所述目标多媒体资源的预测播放时长，所述时长预测模型是根据历史多媒体资源播放数据生成的；

根据所述目标多媒体资源的预测播放时长确定所述目标多媒体资源的推荐优先级；

根据推荐优先级从所述多媒体集合中确定出待推荐多媒体资源。

2.如权利要求1所述的方法，其特征在于，所述根据所述目标多媒体资源的预测播放时长确定所述目标多媒体资源的推荐优先级，包括：

获取所述多媒体资源的播放需求场景，并从优先级模型组中选择与所述播放需求场景对应的目标优先级模型；

调用所述目标优先级模型对所述目标多媒体资源的预测播放时长进行分析，根据分析结果确定所述目标多媒体资源的推荐优先级。

3.如权利要求2所述的方法，其特征在于，所述从优先级模型组中选择与所述播放需求场景对应的目标优先级模型，包括：

若所述多媒体资源的播放需求场景为第一场景，则从优先级模型组中选择第一优先级模型作为目标优先级模型，所述第一场景为期望播放指定时长的多媒体资源的场景；

其中，在所述第一优先级模型中，若所述目标多媒体资源的预测播放时长与指定时长的差值越小，则所述目标多媒体资源的优先级越高。

4.如权利要求2所述的方法，其特征在于，所述从优先级模型组中选择与所述播放需求场景对应的目标优先级模型，包括：

若所述多媒体资源的播放需求场景为第二场景，则从优先级模型组中选择第二优先级模型作为目标优先级模型，所述第二场景为存在播放数量限制的多媒体资源的场景；

其中，在所述第二优先级模型中，若所述目标多媒体资源的预测播放时长越短，则所述目标多媒体资源的优先级越高。

5.如权利要求2所述的方法，其特征在于，所述从优先级模型组中选择与所述播放需求场景对应的目标优先级模型，包括：

若所述多媒体资源的播放需求场景为第三场景，则从优先级模型组中选择第三优先级模型作为目标优先级模型，所述第三场景为存在播放时长限制的多媒体资源的场景；

其中，在所述第三优先级模型中，若所述目标多媒体资源的预测播放时长越长，则所述目标多媒体资源的优先级越高。

6.如权利要求2所述的方法，其特征在于，所述优先级模组中的优先级模型是基于分布密度函数构建的，所述分布密度函数包括第一分布密度函数和第二分布密度函数；

所述调用所述目标优先级模型对所述目标多媒体资源的预测播放时长进行分析，包括：

根据所述多媒体资源的播放需求场景确定推荐参考时长；

若所述预测播放时长小于或等于所述推荐参考时长，则调用所述目标优先级模型中的第一分布密度函数对所述目标多媒体资源的预测播放时长进行分析；

若所述预测播放时长大于所述推荐参考时长，则调用所述目标优先级模型中的第二分布密度函数对所述目标多媒体资源的预测播放时长进行分析。

7.如权利要求6所述的方法，其特征在于，所述分布密度函数包括所述推荐参考时长和辅助参数，所述辅助参数包括以下至少一个：播放时长衰减程度、多媒体指定播放时长以及推荐优先级限定参数。

8.如权利要求1-7任一项所述的方法，其特征在于，所述方法还包括：

获取与所述待推荐多媒体资源相关联的播放图标，根据所述播放图标构成显示界面；

在所述显示界面中显示所述待推荐多媒体资源。

9.一种多媒体资源的推荐处理装置，其特征在于，包括：

获取单元，用于获取多媒体资源的推荐请求；

点击预测单元，用于调用点击预测模型从所述多媒体资源的数据库中确定多媒体集合，所述点击预测模型是根据历史多媒体资源点击信息生成的；

时长预测单元，用于调用时长预测模型对所述多媒体集合中包括的目标多媒体资源进行播放时长预测，确定所述目标多媒体资源的预测播放时长，所述时长预测模型是根据历史多媒体资源播放数据生成的；

确定单元，用于根据所述目标多媒体资源的预测播放时长确定所述目标多媒体资源的推荐优先级；

所述确定单元，还用于根据推荐优先级从所述多媒体集合中确定出待推荐多媒体资源。

10.一种智能终端，其特征在于，包括处理器、输入设备、输出设备和存储器，所述处理器、输入设备、输出设备和存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行如权利要求1-8任一项所述的多媒体资源的推荐处理方法。

11.一种计算机存储介质，其特征在于，所述计算机存储介质存储有计算机程序指令，所述计算机程序指令适于由处理器加载并执行如权利要求1-8任一项所述的多媒体资源的推荐处理方法。