CN110309361B - 一种视频评分的确定方法、推荐方法、装置及电子设备 - Google Patents

一种视频评分的确定方法、推荐方法、装置及电子设备 Download PDF

Info

Publication number
CN110309361B
CN110309361B CN201910531073.6A CN201910531073A CN110309361B CN 110309361 B CN110309361 B CN 110309361B CN 201910531073 A CN201910531073 A CN 201910531073A CN 110309361 B CN110309361 B CN 110309361B
Authority
CN
China
Prior art keywords
video
user
target
information
score
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
Application number
CN201910531073.6A
Other languages
English (en)
Other versions
CN110309361A (zh
Inventor
周春波
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing QIYI Century Science and Technology Co Ltd
Original Assignee
Beijing QIYI Century Science and Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing QIYI Century Science and Technology Co Ltd filed Critical Beijing QIYI Century Science and Technology Co Ltd
Priority to CN201910531073.6A priority Critical patent/CN110309361B/zh
Publication of CN110309361A publication Critical patent/CN110309361A/zh
Application granted granted Critical
Publication of CN110309361B publication Critical patent/CN110309361B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F16/74—Browsing; Visualisation therefor
    • 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
    • G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/7867—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, title and artist information, manually generated time, location and usage information, user ratings

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Library & Information Science (AREA)
  • Human Computer Interaction (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)

Abstract

本发明实施例提供了一种视频评分的确定方法、推荐方法、装置及电子设备；该确定方法中，当满足为目标用户确定目标视频的视频评分的时机时，确定目标用户的用户信息；该用户信息包括：表征用户个人信息，和/或，用户对各种预定视频属性的喜好程度的信息；获得对目标视频进行评分所需的参考信息；该参考信息用于表征已观看过目标视频的用户对目标视频的喜好程度；基于目标用户的用户信息和参考信息，计算目标用户对目标视频的喜好程度的量化值；基于量化值，确定目标视频对于目标用户的视频评分。利用本发明实施例提供的视频评分的确定方法所确定的视频评分，对于用户具有较高的参考价值。

Description

一种视频评分的确定方法、推荐方法、装置及电子设备
技术领域
本发明涉及互联网技术领域，特别是涉及一种视频评分的确定方法、推荐方法、装置及电子设备。
背景技术
用户通过视频应用软件或视频网站查看视频时，经常会根据视频评分来选择所要观看的视频，也就是说，对于用户而言，在选择所要观看的视频时，视频评分是一项重要的参考条件。相关技术中，针对任一视频，对参与该视频评分的所有用户给定的评分进行求平均，将求平均所得的值，确定为每个用户所看到的该视频的视频评分。然而，发明人在实现本发明的过程中发现，现有技术至少存在如下问题：
每个视频都拥有各自的受众群体。如果对于同一视频，属于受众群体的用户和不属于受众群体的用户所看到的视频评分是相同的，显然，对于用户来说，这样的视频评分，参考价值并不高。
发明内容
本发明实施例的目的在于提供一种视频评分的展示方法、推荐方法、装置及电子设备，以提高视频评分的参考价值。具体技术方案如下：
第一方面，本发明实施例提供了一种视频评分的确定方法，包括：
当满足为目标用户确定目标视频的视频评分的时机时，确定所述目标用户的用户信息；其中，所述用户信息包括：表征用户个人信息，和/或，用户对各种预定视频属性的喜好程度的信息；
获得对所述目标视频进行评分所需的参考信息；所述参考信息用于表征已观看过所述目标视频的用户对所述目标视频的喜好程度；
基于所述目标用户的用户信息和所述参考信息，计算所述目标用户对所述目标视频的喜好程度的量化值；
基于所述量化值，确定所述目标视频对于所述目标用户的视频评分。
可选地，所述用户信息包括：第一类用户信息，所述第一类用户信息为：表征用户对各种预定视频属性的喜好程度的信息；
所述参考信息包括：所述目标视频的视频属性信息，所述视频属性信息为：表征视频在所述各种预定视频属性下受用户所喜好的程度的信息。
可选地，所述第一类用户信息包括多个第一权重，每个第一权重对应一种预定视频属性，且用于表征用户对该种预定视频属性的喜好程度；
所述视频属性信息包括多个第二权重，每个第二权重对应一种预定视频属性，且用于表征视频在该种预定视频属性下受用户所喜好的程度；
所述基于所述目标用户的用户信息和所述参考信息，计算所述目标用户对所述目标视频的喜好程度的量化值，包括：
根据所述目标用户的各个第一权重，生成第一向量，以及根据所述目标视频的各个第二权重，生成第二向量；
计算所述第一向量与所述第二向量的余弦相似度；
将所述余弦相似度作为所述目标用户对所述目标视频的感兴趣程度的量化值。
可选地，所述基于所述量化值，确定所述目标视频对于所述目标用户的视频评分，包括：
将所述余弦相似度乘以所述视频评分对应的满分值，得到乘积得分；
将所述乘积得分确定为所述目标视频对于所述目标用户的视频评分。
可选地，所述用户信息还包括：第二类用户信息，所述第二类用户信息为：表征用户个人信息的信息；
所述参考信息还包括：已观看过所述目标视频的用户对所述目标视频的评分；
在将所述余弦相似度作为所述目标用户对所述目标视频的感兴趣程度的量化值之前，所述方法还包括：
基于所述目标用户的第二类用户信息，按照预定的用户相似度算法，确定与所述目标用户具有相似身份的各个相似用户；
从已观看过所述目标视频的用户对所述目标视频的评分中，获取所述各个相似用户对所述目标视频的评分，并计算所述各个相似用户对所述目标视频的评分的加权平均分，每个相似用户所对应的权重为该相似用户与所述目标用户的相似度；
所述将所述余弦相似度作为所述目标用户对所述目标视频的感兴趣程度的量化值，包括：
将所述加权平均分和所述余弦相似度均作为所述目标用户对所述目标视频的感兴趣程度的量化值。
可选地，所述基于所述量化值，确定所述目标视频对于所述目标用户的视频评分，包括：
将所述余弦相似度乘以所述视频评分对应的满分值，得到乘积得分；
根据所述乘积得分和所述加权平均分，计算所述目标视频对于所述目标用户的视频评分。
可选地，所述用户信息包括：第二类用户信息，所述第二类用户信息为：表征用户个人信息的信息；
所述参考信息包括：已观看过所述目标视频的用户对所述目标视频的评分。
可选地，所述基于所述目标用户的用户信息和所述参考信息，计算所述目标用户对所述目标视频的喜好程度的量化值，包括：
基于所述目标用户的第二类用户信息，按照预定的用户相似度算法，确定与所述目标用户具有相似身份的各个相似用户；
从已观看过所述目标视频的用户对所述目标视频的评分中，获取所述各个相似用户对所述目标视频的评分；
计算所述各个相似用户对所述目标视频的评分的加权平均分，每个相似用户所对应的权重为该相似用户与所述目标用户的相似度；
将所述加权平均分作为所述目标用户对所述目标视频的喜好程度的量化值；
所述基于所述量化值，确定所述目标视频对于所述目标用户的视频评分，包括：
将所述加权平均分作为所述目标视频对于所述目标用户的视频评分。
可选地，所述目标用户的各个第一权重，按照第一预定更新方式进行更新，所述第一预定更新方式包括：
当检测到所述目标用户的观影记录更新时，确定所更新的观影记录对应的已观看视频；
根据所述已观看视频的各个第二权重，对所述目标用户的各个第一权重进行更新。
可选地，所述目标视频的各个第二权重，按照第二预定更新方式进行更新，所述第二预定更新方式包括：
当获得任一用户对所述目标视频的打分时，利用预设的转换公式，将该用户对所述目标视频的打分转换为：分别对所述目标视频的各个第二权重的调整量；
根据转换得到的各个调整量，更新所述目标视频的各个第二权重。
可选地，所述转换公式为：
Figure GDA0003153558080000041
其中，△Weight(k)为对所述目标视频的各个第二权重中，第k个第二权重的调整量，Score为任一用户对所述目标视频的打分，Weightuser(k)为该用户的各个第一权重中，第k个第一权重，所述第k个第一权重与所述第k个第二权重对应同一预定视频属性，Score_max为满分值，α为预设阈值，j为所述各种预定视频属性的个数，N为对所述目标视频进行过打分的用户总数。
第二方面，本发明实施例提供了一种视频推荐方法，包括：
从各个视频中，确定目标用户对应的候选视频；
使用上述任一种视频评分的确定方法，分别确定每个候选视频对于所述目标用户的视频评分；
根据每个候选视频对于所述目标用户的视频评分，确定向所述目标用户推荐的视频。
可选地，所述从各个视频中，确定目标用户对应的候选视频，包括：
基于所述目标用户的第一类用户信息，从所述各个视频中筛选第一组视频；
基于所述第一组视频中的每个视频的视频属性信息，以及所述目标用户的第一类用户信息，从所述第一组视频中，确定所述目标用户对应的候选视频；
其中，所述第一类用户信息为：表征用户对各种预定视频属性的喜好程度的信息；所述视频属性信息为：表征视频在每种预定视频属性下受已打分用户所喜好的程度的信息。
可选地，所述第一类用户信息包括多个第一权重，每个第一权重对应一种预定视频属性，且用于表征用户对该种预定视频属性的喜好程度；
所述视频属性信息包括多个第二权重，每个第二权重对应一种预定视频属性，且用于表征视频在该种预定视频属性下受已打分用户所喜好的程度；
所述基于所述目标用户的第一类用户信息，从所述各个视频中筛选第一组视频，包括：
对所述目标用户的各个第一权重进行降序排序；
将排序所得序列中，前X个第一权重所对应的预定视频属性，确定为目标视频属性；其中，X的数值满足下述条件：所述前X个第一权重的和，大于等于预设的权重阈值，且第X个第一权重之前的各个第一权重的和，小于所述权重阈值；
针对所述各个视频中的每个视频，确定该视频的各个第二权重中，与所述目标视频属性对应的第二权重；
针对每一目标视频属性，按照与该目标视频属性对应的、属于各个视频的第二权重，对各个视频进行降序排序；
分别从排序所得的X个序列中，各选取前Y个视频，并将所选取的视频作为所述第一组视频。
可选地，所述基于所述第一组视频中的每个视频的视频属性信息，以及所述目标用户的第一类用户信息，从所述第一组视频中，确定所述目标用户对应的候选视频，包括：
针对所述第一组视频中的每个视频，分别基于所述目标用户的第一类用户信息和第二类用户信息，确定对该视频进行评分所需的两类参考信息；其中，所述第二类用户信息为：表征用户个人信息的信息；
针对所述两类参考信息中的每一类参考信息，基于该类参考信息，从所述第一组视频中，筛选一组视频；
将所筛选的视频作为所述目标用户对应的候选视频。
第三方面，本发明实施例提供了一种视频评分的确定装置，包括：
第一确定模块，用于当满足为目标用户确定目标视频的视频评分的时机时，确定所述目标用户的用户信息；其中，所述用户信息包括：表征用户个人信息，和/或，用户对各种预定视频属性的喜好程度的信息；
获得模块，用于获得对所述目标视频进行评分所需的参考信息；所述参考信息用于表征已观看过所述目标视频的用户对所述目标视频的喜好程度；
计算模块，用于基于所述目标用户的用户信息和所述参考信息，计算所述目标用户对所述目标视频的喜好程度的量化值；
第二确定模块，用于基于所述量化值，确定所述目标视频对于所述目标用户的视频评分。
可选地，所述用户信息包括：第一类用户信息，所述第一类用户信息为：表征用户对各种预定视频属性的喜好程度的信息；
所述参考信息包括：所述目标视频的视频属性信息，所述视频属性信息为：表征视频在所述各种预定视频属性下受用户所喜好的程度的信息。
可选地，所述第一类用户信息包括多个第一权重，每个第一权重对应一种预定视频属性，且用于表征用户对该种预定视频属性的喜好程度；
所述视频属性信息包括多个第二权重，每个第二权重对应一种预定视频属性，且用于表征视频在该种预定视频属性下受用户所喜好的程度；
所述计算模块，包括向量生成子模块、第一计算子模块以及第一确定子模块；
所述向量生成子模块，用于根据所述目标用户的各个第一权重，生成第一向量，以及根据所述目标视频的各个第二权重，生成第二向量；
所述第一计算子模块，用于计算所述第一向量与所述第二向量的余弦相似度；
所述第一确定子模块，用于将所述余弦相似度作为所述目标用户对所述目标视频的感兴趣程度的量化值。
可选地，所述第二确定模块，具体用于：
将所述余弦相似度乘以所述视频评分对应的满分值，得到乘积得分；
将所述乘积得分确定为所述目标视频对于所述目标用户的视频评分。
可选地，所述用户信息还包括：第二类用户信息，所述第二类用户信息为：表征用户个人信息的信息；
所述参考信息还包括：已观看过所述目标视频的用户对所述目标视频的评分；
所述计算模块还包括：第二确定子模块和第二计算子模块；
所述第二确定子模块，用于在所述第一确定子模块将所述余弦相似度作为所述目标用户对所述目标视频的感兴趣程度的量化值之前，基于所述目标用户的第二类用户信息，按照预定的用户相似度算法，确定与所述目标用户具有相似身份的各个相似用户；
所述第二计算子模块，用于从已观看过所述目标视频的用户对所述目标视频的评分中，获取所述各个相似用户对所述目标视频的评分，并计算所述各个相似用户对所述目标视频的评分的加权平均分，每个相似用户所对应的权重为该相似用户与所述目标用户的相似度；
所述第一确定子模块，具体用于：
将所述加权平均分和所述余弦相似度均作为所述目标用户对所述目标视频的感兴趣程度的量化值。
可选地，所述第二确定模块，具体用于：
将所述余弦相似度乘以所述视频评分对应的满分值，得到乘积得分；
根据所述乘积得分和所述加权平均分，计算所述目标视频对于所述目标用户的视频评分。
可选地，所述用户信息包括：第二类用户信息，所述第二类用户信息为：表征用户个人信息的信息；
所述参考信息包括：已观看过所述目标视频的用户对所述目标视频的评分。
可选地，所述计算模块，具体用于：
基于所述目标用户的第二类用户信息，按照预定的用户相似度算法，确定与所述目标用户具有相似身份的各个相似用户；
从已观看过所述目标视频的用户对所述目标视频的评分中，获取所述各个相似用户对所述目标视频的评分；
计算所述各个相似用户对所述目标视频的评分的加权平均分，每个相似用户所对应的权重为该相似用户与所述目标用户的相似度；
将所述加权平均分作为所述目标用户对所述目标视频的喜好程度的量化值；
所述第二确定模块，具体用于：
将所述加权平均分作为所述目标视频对于所述目标用户的视频评分。
可选地，所述目标用户的各个第一权重，按照第一预定更新方式进行更新，所述第一预定更新方式包括：
当检测到所述目标用户的观影记录更新时，确定所更新的观影记录对应的已观看视频；
根据所述已观看视频的各个第二权重，对所述目标用户的各个第一权重进行更新。
可选地，所述目标视频的各个第二权重，按照第二预定更新方式进行更新，所述第二预定更新方式包括：
当获得任一用户对所述目标视频的打分时，利用预设的转换公式，将该用户对所述目标视频的打分转换为：分别对所述目标视频的各个第二权重的调整量；
根据转换得到的各个调整量，更新所述目标视频的各个第二权重。
可选地，所述转换公式为：
Figure GDA0003153558080000091
其中，△Weight(k)为对所述目标视频的各个第二权重中，第k个第二权重的调整量，Score为任一用户对所述目标视频的打分，Weightuser(k)为该用户的各个第一权重中，第k个第一权重，所述第k个第一权重与所述第k个第二权重对应同一预定视频属性，Score_max为满分值，α为预设阈值，j为所述各种预定视频属性的个数，N为对所述目标视频进行过打分的用户总数。
第四方面，本发明实施例提供了一种视频推荐装置，包括：
候选视频确定模块，用于从各个视频中，确定目标用户对应的候选视频；
视频评分模块，用于使用上述任一种视频评分的确定方法，分别确定每个候选视频对于所述目标用户的视频评分；
视频推荐模块，用于根据每个候选视频对于所述目标用户的视频评分，确定向所述目标用户推荐的视频。
可选地，所述候选视频确定模块，包括第一筛选子模块和候选视频确定子模块；
所述第一筛选子模块，用于基于所述目标用户的第一类用户信息，从所述各个视频中筛选第一组视频；其中，所述第一类用户信息为：表征用户对各种预定视频属性的喜好程度的信息；
所述候选视频确定子模块，用于基于所述第一组视频中的每个视频的视频属性信息，以及所述目标用户的第一类用户信息，从所述第一组视频中，确定所述目标用户对应的候选视频；其中，所述视频属性信息为：表征视频在每种预定视频属性下受已打分用户所喜好的程度的信息。
可选地，所述第一类用户信息包括多个第一权重，每个第一权重对应一种预定视频属性，且用于表征用户对该种预定视频属性的喜好程度；
所述视频属性信息包括多个第二权重，每个第二权重对应一种预定视频属性，且用于表征视频在该种预定视频属性下受已打分用户所喜好的程度；
所述第一筛选子模块，具体用于：
对所述目标用户的各个第一权重进行降序排序；
将排序所得序列中，前X个第一权重所对应的预定视频属性，确定为目标视频属性；其中，X的数值满足下述条件：所述前X个第一权重的和，大于等于预设的权重阈值，且第X个第一权重之前的各个第一权重的和，小于所述权重阈值；
针对所述各个视频中的每个视频，确定该视频的各个第二权重中，与所述目标视频属性对应的第二权重；
针对每一目标视频属性，按照与该目标视频属性对应的、属于各个视频的第二权重，对各个视频进行降序排序；
分别从排序所得的X个序列中，各选取前Y个视频，并将所选取的视频作为所述第一组视频。
可选地，所述候选视频确定子模块，具体用于：
针对所述第一组视频中的每个视频，分别基于所述目标用户的第一类用户信息和第二类用户信息，确定对该视频进行评分所需的两类参考信息；其中，所述第二类用户信息为：表征用户个人信息的信息；
针对所述两类参考信息中的每一类参考信息，基于该类参考信息，从所述第一组视频中，筛选一组视频；
将筛选的视频作为所述目标用户对应的候选视频。
第五方面，本发明实施例提供了一种电子设备，包括：处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现上述任一所述的视频评分的确定方法。
第六方面，本发明实施例提供了一种电子设备，包括：处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现上述任一所述的视频推荐方法。
在本发明实施的又一方面，还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中存储有指令，当其在计算机上运行时，使得计算机执行上述任一所述的视频评分的确定方法。
在本发明实施的又一方面，还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中存储有指令，当其在计算机上运行时，使得计算机执行上述任一所述的视频推荐方法。
在本发明实施的又一方面，本发明实施例还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述任一所述的视频评分的确定方法。
在本发明实施的又一方面，本发明实施例还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述任一所述的视频推荐方法。
本发明实施例提供的一种视频评分的确定方法中，当满足为目标用户确定目标视频的视频评分的时机时，确定目标用户的用户信息；基于目标用户的用户信息和所获得的参考信息，计算目标用户对目标视频的喜好程度的量化值；基于该量化值，确定目标视频对于目标用户的视频评分。可见，本方案在确定目标视频对于目标用户的视频评分时，综合了已观看过目标视频的用户对所述目标视频的喜好程度以及用户信息两个方面。因此，基于本方案所确定的目标视频对于目标用户的视频评分，对用户来说具有较高的参考价值。当然，实施本发明的任一产品或方法必不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，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。
图1为本发明实施例提供的一种视频评分的确定方法的流程图；
图2为本发明实施例提供的一种视频推荐方法的流程图；
图3为本发明实施例提供的一种视频评分的确定装置的结构示意图；
图4为本发明实施例提供的一种视频推荐装置的结构示意图；
图5为本发明实施例提供的一种电子设备的结构示意图；
图6为本发明实施例提供的另一种电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行描述。
为了提高视频评分的参考价值，本发明实施例提供了一种视频评分的确定方法、推荐方法、装置及电子设备。
需要说明的是，本发明实施例提供的视频评分的确定方法的执行主体，可以为一种视频评分的确定装置，该装置可以应用于电子设备中。具体的，该电子设备可以为终端设备，也可以为与终端设备对应的服务器。当该电子设备为终端设备时，该视频评分的确定装置可以为该终端设备中的客户端。可以理解的是，该终端设备可以与其对应的服务器交互，从而实现本发明实施例提供的视频评分的确定方法。在实际应用中，该终端设备可以为智能手机、电脑、平板设备、智能电视以及网络电视盒等。当该电子设备为服务器时，该服务器可以与目标用户使用的终端设备进行交互，从而实现本发明实施例提供的视频评分的确定方法。
本发明实施例中，每个用户均具有用户信息，该用户信息可以包括第一类用户信息，也可以包括第二类用户信息，还可以同时包括第一类用户信息和第二类用户信息。其中，第一类用户信息可以表征用户对各种预定视频属性的喜好程度的信息；第二类用户信息可以表征用户个人信息。并且，本发明实施例中，每个视频均具有视频属性信息，该视频属性信息，可以表征视频在各种预定视频属性下受用户所喜好的程度的信息。
如图1所示，本发明实施例提供的一种视频评分的确定方法，可以包括以下步骤：
S101：当满足为目标用户确定目标视频的视频评分的时机时，确定目标用户的用户信息；其中，用户信息包括：表征用户个人信息，和/或，用户对各种预定视频属性的喜好程度的信息。
这里，表征用户对各种预定视频属性的喜好程度的信息，为第一类用户信息；表征用户个人信息的信息，为第二类用户信息。
其中，第二类用户信息可以包括多种与用户个人相关的信息。例如，第二类用户信息可以包括用户的性别、用户的年龄、用户所从事的行业以及用户所处的地域等等。
第一类用户信息中，各种预定视频属性可以存在多种。示例性的，各种预定视频属性可以与各种预定的影视类别相对应，例如，各种预定视频属性可以包括：喜剧、悲剧、爱情、惊悚、科幻以及动漫等。另外，各种预定视频属性可以与针对各种视频所标注的视频标签相对应，例如，视频标签可以包括：电影、综艺、演员A、搞笑、抗战剧、黑白片、美食、短视频、90年代、2019年以及好莱坞等；相应的，各种预定视频属性可以包括：电影、综艺、演员A、搞笑、抗战剧、黑白片、美食、短视频、90年代、2019年以及好莱坞等。
并且，每个用户的第一类用户信息，可以随该用户的观影记录的更新而更新，为了方案清楚及布局清晰，后续对第一类用户信息的更新方式进行示例性的说明。
在实际应用中，为目标用户确定目标视频的视频评分的时机可以存在多种。示例性的，在一种实现方式中，为目标用户确定目标视频的视频评分的时机，可以包括：接收到用户选择展示目标视频的视频评分的命令。例如：目标用户通过分类菜单选择了查看某一类的目标视频，相应的，电子设备接收到展示该目标视频的视频评分的命令；或者，目标用户点击查看某一个目标视频的详情，相应的，电子设备接收到展示该目标视频的视频评分的命令，等等。在另一种实现方式中，为目标用户确定目标视频的视频评分的时机，也可以包括预定的时机，例如：客户端准备向目标用户推荐视频的时机，当客户端准备向目标用户推荐视频时，就可以触发所述为目标用户确定目标视频的视频评分的时机。
S102：获得对目标视频进行评分所需的参考信息；该参考信息用于表征已观看过目标视频的用户对目标视频的喜好程度。
这里，对目标视频进行评分所需的参考信息存在多种。示例性的，该参考信息可以包括：目标视频的视频属性信息；或者，该参考信息可以包括：已观看过目标视频的用户对所述目标视频的评分；或者，该参考信息可以同时包括目标视频的视频属性信息以及已观看过目标视频的用户对所述目标视频的评分。
其中，每个视频的视频属性信息，也可以随着对该视频的打分数据的逐渐增多而相应的更新。这里，打分数据为对该视频进行过打分的用户对该视频的打分。并且，本发明实施例中所提到的打分，是用户通过客户端看过目标视频后，在客户端中直接给出的主观评分，并非利用本发明实施例提供的视频评分的确定方法所确定的的视频评分。为了方案清楚以及布局清晰，后续对视频属性信息的更新方式进行示例性的说明。
另外，当用户信息包括上述的第一类用户信息时，该第一类用户信息所涉及的各种预定视频属性，可以与视频属性信息所涉及的各种预定视频属性相同。当然，也可以是不同的。
S103：基于目标用户的用户信息和参考信息，计算目标用户对目标视频的喜好程度的量化值。
S104：基于量化值，确定目标视频对于目标用户的视频评分。
在S103中，目标用户的用户信息和参考信息的组合内容不同时，所计算的量化值不同。相应的，量化值不同时，S104中基于量化值，确定目标视频对于目标用户的视频评分的具体实现方式也存在不同。下面以3个实施例为例，对基于目标用户的用户信息和参考信息，计算目标用户对目标视频的喜好程度的量化值的具体实现方式，以及基于量化值，确定目标视频对于目标用户的视频评分的具体实现方式，进行举例说明。
示例1，当用户信息包括第一类用户信息，且参考信息包括视频属性信息时，该第一类用户信息可以包括多个第一权重，每个第一权重对应一种预定视频属性，且用于表征用户对该种预定视频属性的喜好程度；该视频属性信息可以包括多个第二权重，每个第二权重对应一种预定视频属性，且用于表征视频在该种预定视频属性下受用户所喜好的程度；
相应的，基于目标用户的用户信息和参考信息，计算目标用户对目标视频的喜好程度的量化值，可以包括：
根据目标用户的各个第一权重，生成第一向量，以及根据目标视频的各个第二权重，生成第二向量；
计算第一向量与第二向量的余弦相似度；
将余弦相似度作为目标用户对目标视频的感兴趣程度的量化值。
可以理解的是，在第一类用户信息中，某种预定视频属性的权重越高，代表用户对该种预定视频属性的喜好程度就越高。在视频属性信息中，某种预定视频属性的权重越高，代表视频在该种预定视频属性下，受用户所喜好的程度就越高。举例而言，假设目标视频为一个著名的喜剧片，那么在该目标视频的第二权重中，喜剧属性的权重可能就会远高于其他属性的权重。
并且，目标用户的各个第一权重以及目标视频的各个第二权重，可以是实时更新的。这里，更新目标用户的各个第一权重，即是对目标用户的第一类用户信息的更新；更新目标视频的各个第二权重，即是对目标视频的视频属性信息的更新。为了方案清楚及布局清晰，后续对目标用户的各个第一权重以及目标视频的各个第二权重所各自更新的方式举例说明。
另外，第一类用户信息和视频属性信息也可以有其他的具体表征形式，例如：具体的分数或等级等等，这都是合理的。需要说明的是，这里示出的第一类用户信息和视频属性信息的具体表征形式，仅仅作为示例，并不应该构成对本发明实施例的限定。
该示例1中，根据目标用户的各个第一权重，生成第一向量，以及根据目标视频的各个第二权重，生成第二向量的具体实现方式可以存在多种。示例性的，在第一种实现方式中，可以将目标用户的每个第一权重作为一个维度，生成多维向量，将该多维向量作为第一向量；相应的，将目标视频的每个第二权重作为一个维度，生成多维向量，将该多维向量作为第二向量。
举例而言，假设各种预定视频属性包括：喜剧、悲剧、爱情、惊悚、科幻以及动漫，那么第一类用户信息可以表示为Weightuser(k1，k2，k3，k4，k5，k6)；目标视频的视频属性信息可以表示为Weightmedia(w1，w2，w3，w4，w5，w6)。其中，权重k1代表用户对喜剧类型的视频的喜好程度，权重k2代表用户对悲剧类型的视频的喜好程度等等，以此类推；权重w1代表目标视频在喜剧类型的属性下，受用户所喜好的程度的信息，权重w2代表目标视频在悲剧类型的属性下，受用户所喜好的程度的信息等等，以此类推。然后，根据Weightuser(k1，k2，k3，k4，k5，k6)和Weightmedia(w1，w2，w3，w4，w5，w6)，可以分别生成第一向量[k1，k2，k3，k4，k5，k6]和第二向量[w1，w2，w3，w4，w5，w6]。
在第二种实现方式中，可以从目标用户的各个第一权重中，选取一部分的第一权重，根据这部分权重，参照上一种实现方式中生成多维向量的方式，生成第一向量；相应的，从目标视频的各个第二权重中，选取相同预定视频属性对应的第二权重生成多维向量，作为所述第二向量。
举例而言，该第二种实现方式中，可以对目标用户的各个第一权重进行降序排序；将排序所得序列中，前X个第一权重作为所选取的一部分第一权重。可以理解的是，前X个第一权重为用户较为喜好的预定视频属性。例如，假设X＝3，且Weightuser(k1，k2，k3，k4，k5，k6)中，k1，k2，k3三个权重最高。那么，根据k1，k2，k3生成第一向量[k1，k2，k3]，相应的，根据[w1，w2，w3]生成第二向量。
其中，X的数值可以通过对各个第一权重进行自适应计算而得。例如，X的数值可以满足下述条件：前X个第一权重的和，大于等于预设的权重阈值，且第X个第一权重之前的各个第一权重的和，小于该权重阈值。另外，X的数值也可以为一预设的数值。
该示例1中，当量化值包括上述的余弦相似度时，基于量化值，确定目标视频对于目标用户的视频评分，可以包括：
将余弦相似度乘以视频评分对应的满分值，得到乘积得分；
将乘积得分确定为目标视频对于目标用户的视频评分。
这里，由于余弦相似度所表征的量化值代表着目标用户对目标视频的感兴趣程度，因此，将量化值乘以视频评分对应的满分值得到的乘积结果，作为目标视频对于目标用户的视频评分，对于目标用户来说，这样的视频评分具有很高的参考价值。
示例2，当用户信息包括第二类用户信息，且参考信息包括已观看过目标视频的用户对目标视频的评分时，基于目标用户的用户信息和参考信息，计算目标用户对目标视频的喜好程度的量化值，可以包括：
基于目标用户的第二类用户信息，按照预定的用户相似度算法，确定与目标用户具有相似身份的各个相似用户；
从已观看过目标视频的用户对目标视频的评分中，获取各个相似用户对目标视频的评分；
计算各个相似用户对目标视频的评分的加权平均分，每个相似用户所对应的权重为该相似用户与目标用户的相似度；
将加权平均分作为目标用户对目标视频的喜好程度的量化值。
其中，预定的用户相似度算法，可以基于用户协同过滤推荐算法来实现。这里，用户协同过滤推荐算法，为一种现有的算法，其基本工作原理包括：找到与目标用户兴趣相似的用户集合；找到这个集合中用户喜欢的、并且目标用户没有了解过的商品推荐给目标用户。并且，该用户协同过滤推荐算法，还可以计算出每个相似用户与目标用户的相似度。具体的，可以根据每个相似用户的第二类用户信息，以及目标用户的第二类用户信息，分别生成矩阵或分别生成向量，利用数学的方法，计算矩阵间的相似度或向量间的相似度，从而得到每个相似用户与目标用户的相似度。
可以理解的是，由于相似用户与目标用户具有相同或相似的年龄、性别、所在行业以及所在地域等。因此，相似用户对目标视频的打分，具有较高的参考价值。并且，与目标用户的相似度越高的相似用户对目标视频的打分，对目标用户的参考价值越高。因此，在计算该加权平均分时，与目标用户的相似度越高的相似用户，所对应的权重就越高。
另外，在计算加权平均分时，也可以无需计算每个相似用户与目标用户的相似度，而是直接将各个相似用户对应的权重设置为相等，此时求取的加权平均分，实质为各个相似用户对目标视频的打分的平均分。
该示例2中，当量化值包括上述的加权平均分时，基于量化值，确定目标视频对于目标用户的视频评分，可以包括：将加权平均分作为目标视频对于目标用户的视频评分。
可以理解的是，加权平均分所表征的量化值，代表与目标用户具有相似的用户属性的各个相似用户对目标视频的评价结果。因此，将各个相似用户对目标视频的打分的加权平均分直接作为目标视频对于目标用户的视频评分，对于用户来说，同样具有很高的参考价值。
另外，当相似用户对目标视频打分时的打分机制，与目标视频对于目标用户的视频评分的评分机制不相同时，可以参照视频评分的评分机制，将相似用户对目标视频的打分，映射为一个视频评分形式的分值。例如，相似用户对目标视频打分时的打分机制为五星评价制，而视频评分的评分机制为百分制。一个相似用户对目标视频的打分为三颗星，那么，将三颗星映射到百分制后的分数为60分。当然，也可以在计算出加权平均分之后，将加权平均分映射为一个视频评分形式的分值。
示例3，当用户信息包括第一类用户信息和第二类用户信息，参考信息包括已观看过目标视频的用户对目标视频的评分以及视频属性信息时，基于目标用户的用户信息和参考信息，计算目标用户对目标视频的喜好程度的量化值，可以包括：
根据目标用户的各个第一权重，生成第一向量，以及根据目标视频的各个第二权重，生成第二向量；
计算第一向量与第二向量的余弦相似度；
基于目标用户的第二类用户信息，按照预定的用户相似度算法，确定与目标用户具有相似身份的各个相似用户；
从已观看过目标视频的用户对目标视频的评分中，获取各个相似用户对目标视频的评分，并计算各个相似用户对目标视频的评分的加权平均分，每个相似用户所对应的权重为该相似用户与目标用户的相似度；
将计算的加权平均分和余弦相似度均作为目标用户对目标视频的感兴趣程度的量化值。
可以理解的是，将加权平均分和余弦相似度均作为量化值，可以进一步精确地量化目标用户对目标视频的感兴趣程度。
该示例3中，当量化值包括上述的余弦相似度和加权平均分时，基于量化值，确定目标视频对于目标用户的视频评分，可以包括：
将余弦相似度乘以视频评分对应的满分值，得到乘积得分；
根据乘积得分和加权平均分，计算目标视频对于目标用户的视频评分。
可以理解的是，该乘积得分和加权平均分，对于目标用户来说，均具有较高的参考价值，因此，根据乘积得分和加权平均分，计算目标视频对于目标用户的视频评分，可以综合这两种分数，得到一个更为合适的视频评分。
其中，根据乘积得分和加权平均分，计算目标视频对于目标用户的视频评分的具体实现方式存在多种。示例性的，在一种实现方式中，可以分别将加权平均分和乘积得分乘以预设的加权因子后再求和，并将求和结果作为目标视频对于目标用户的视频评分。这里，加权平均分和乘积得分所分别对应的加权因子可以是实时更新的。举例而言，随着目标用户的观影记录逐渐增多，目标用户的第一类用户信息越来越完善，相应的，根据目标用户的第一类用户信息和目标视频的视频属性信息所确定的量化值就更准确。此时，可以加大乘积得分对应的加权因子，减小加权平均分所对应的加权因子。当然，加权平均分和乘积得分所分别对应的加权因子也可以是相等的。
本发明实施例提供的一种视频评分的确定方法中，当满足为目标用户确定目标视频的视频评分的时机时，确定目标用户的用户信息；基于目标用户的用户信息和所获得的参考信息，计算目标用户对目标视频的喜好程度的量化值；基于该量化值，确定目标视频对于目标用户的视频评分。可见，本方案在确定目标视频对于目标用户的视频评分时，综合了已观看过目标视频的用户对所述目标视频的喜好程度以及用户信息两个方面。因此，基于本方案所确定的目标视频对于目标用户的视频评分，对用户来说具有较高的参考价值。
为了方案清楚及布局清晰，下面对目标用户的各个第一权重的更新方式，以及目标视频的各个第二权重的更新方式进行举例说明。
首先，对目标用户的各个第一权重的更新方式进行举例说明。
可选地，在一种实现方式中，目标用户的各个第一权重，可以按照第一预定更新方式进行更新，该第一预定更新方式可以包括：
当检测到目标用户的观影记录更新时，确定所更新的观影记录对应的已观看视频；
根据所述已观看视频的各个第二权重，对目标用户的各个第一权重进行更新。
其中，已观看视频可以是被目标用户观看的时间大于预设的观影时长的视频。
另外，根据已观看视频的各个第二权重，对目标用户的各个第一权重进行更新的具体实现方式存在多种。示例性的，在一种实现方式中，可以将已观看视频的各个第二权重中，大于预设权重的第二权重所对应的预定视频属性，作为已观看视频自身的视频属性。在对目标用户的各个第一权重进行更新时，相应提高目标用户的各个第一权重中，与已观看视频自身的视频属性相同的预定视频属性所对应的第一权重即可。
举例而言，各种预定视频属性依次包括：科幻、喜剧、惊悚以及动漫；已观看视频的四个第二权重依次为：0.55、0.4、0.03以及0.02；目标用户的四个第一权重均为0.25；当预设权重为0.3时，已观看视频自身的视频属性为科幻和喜剧。那么，相应的提高目标用户的四个第一权重中，科幻和喜剧这两种预定视频属性所对应的第一权重，降低惊悚以及动漫这两种预定视频属性所对应的第一权重。在另一种实现方式中，可以在确定了已观看视频自身的视频属性后，结合已观看视频被目标用户观看的时间的长短，确定对相应的第一权重进行提高时的调整量，已观看视频被目标用户观看时间越长，调整量越大，相应的，对需要降低权重的第一权重，降低时的调整量也越大。
然后，对目标视频的各个第二权重的更新方式进行举例说明。
可选地，在一种实现方式中，可以在获得任一用户对目标视频的打分时，利用预设的转换公式，将该用户对目标视频的打分转换为：分别对目标视频的各个第二权重的调整量；根据转换得到的各个调整量，更新目标视频的各个第二权重。
其中，预设的转换公式可以为：
Figure GDA0003153558080000211
该转换公式中，△Weight(k)为对目标视频的各个第二权重中，第k个第二权重的调整量，Score为任一用户对目标视频的打分，Weightuser(k)为该用户的各个第一权重中，第k个第一权重，所述第k个第一权重与所述第k个第二权重对应同一预定视频属性，Score_max为满分值，α为预设阈值，j为所述各种预定视频属性的个数，N为对目标视频进行过打分的用户总数。
可以理解的是，在目标用户的各个第一权重可以随观影记录而更新，以及目标视频的各个第二权重可以随更新的打分数据而更新的基础上，本发明实施例所确定的视频评分具有较高的时效性，从而进一步的提高了视频评分对于目标用户的参考价值。
需要说明的是，本发明实施例中，每个视频的视频属性信息，以及每个用户的第一类用户信息，均可以参照上述方式进行更新。
基于本申请实施例提供的视频评分的确定方法，可以实现针对目标用户进行视频推荐。下面，对基于本申请实施例提供的视频评分的确定方法，实现的一种视频推荐方法，进行详细描述。
需要说明的是，本发明实施例提供的视频推荐方法的执行主体，可以为一种视频推荐装置，该装置可以应用于电子设备中。具体的，该电子设备可以为终端设备，也可以为与终端设备对应的服务器。当该电子设备为终端设备时，该视频评分的确定装置可以为该终端设备中的客户端。可以理解的是，该终端设备可以与其对应的服务器交互，从而实现本发明实施例提供的视频评分的确定方法。在实际应用中，该终端设备可以为智能手机、电脑、平板设备、智能电视以及网络电视盒等。当该电子设备为服务器时，该服务器可以与目标用户使用的客户端设备进行交互，从而实现本发明实施例提供的视频推荐方法。
如图2所示，本发明实施例提供的视频推荐方法，可以包括以下步骤：
S201：从各个视频中，确定目标用户对应的候选视频。
其中，各个视频，可以包括应用本发明实施例提供的视频推荐方法的电子设备可以获取或访问的各个视频，可以理解的是，由于视频数量较多，因此，有必要对视频进行筛选，将筛选出的视频作为候选视频，并基于候选视频再进行有针对性的二度筛选。
另外，从各个视频中，确定目标用户对应的候选视频的具体实现方式可以存在多种。示例性的，在一种实现方式中，所述从各个视频中，确定目标用户对应的候选视频，可以包括：
基于目标用户的第一类用户信息，从各个视频中筛选第一组视频；
基于第一组视频中的每个视频的视频属性信息，以及目标用户的第一类用户信息，从第一组视频中，确定目标用户对应的候选视频；
其中，第一类用户信息为：表征用户对各种预定视频属性的喜好程度的信息；视频属性信息为：表征视频在每种预定视频属性下受已打分用户所喜爱的程度的信息。可以理解的是，第一类用户信息和视频属性信息所涉及的各种预定视频属性，可以是相同的。
另外，基于目标用户的第一类用户信息，从各个视频中筛选第一组视频的具体实现方式可以存在多种。示例性的，在一种实现方式中，第一类用户信息可以包括多个第一权重，视频属性信息包括可以包多个第二权重，其中，每个第一权重对应一种预定视频属性，且用于表征用户对该种预定视频属性的喜好程度；每个第二权重对应一种预定视频属性，且用于表征视频在该种预定视频属性下受已打分用户所喜爱的程度。因此，基于目标用户的第二类用户信息，从各个视频中筛选第一组视频，可以包括：
对目标用户的各个第一权重进行降序排序；
将排序所得序列中，前X个第一权重所对应的预定视频属性，确定为目标视频属性；其中，X的数值满足下述条件：前X个第一权重的和，大于等于预设的权重阈值，且第X个第一权重之前的各个第一权重的和，小于该权重阈值；
针对各个视频中的每个视频，确定该视频的各个第二权重中，与目标视频属性对应的第二权重；
针对每一目标视频属性，按照与该目标视频属性对应的、属于各个视频的第二权重，对各个视频进行降序排序；
分别从排序所得的X个序列中，各选取前Y个视频，并将所选取的视频作为第一组视频。
可以理解的是，目标视频属性为各种预定视频属性的集合的一个子集。该子集中的预定视频属性，均为用户相对较为喜好的视频属性。另外，从X的数值所需满足的条件可以看出，对于每个目标用户来说，X的数值可以是不同的。
另外，从排序所得的X个序列中，各选取前Y个视频，所选取的视频的个数，可能是X×Y，也可能小于X×Y，即根据不同的序列可以选取到相同的视频。
在另一种实现方式中，可以基于第一类用户信息中，各种预定视频属性对应的分数或等级，从各个视频中筛选第一组视频。
另外，基于第一组视频中的每个视频的视频属性信息，以及目标用户的第一类用户信息，从第一组视频中，确定目标用户对应的候选视频的具体实现方式，可以存在多种。示例性的，在一种实现方式中，基于第一组视频中的每个视频的视频属性信息，以及目标用户的第一类用户信息，从第一组视频中，确定目标用户对应的候选视频，可以包括：
针对第一组视频中的每个视频，分别基于目标用户的第一类用户信息和第二类用户信息，确定对该视频进行评分所需的两类参考信息；其中，第二类用户信息为：表征用户个人信息的信息；
针对两类参考信息中的每一类参考信息，基于该类参考信息，从第一组视频中，筛选一组视频；
将所筛选的视频作为目标用户对应的候选视频。
其中，针对第一组视频中的每个视频，基于目标用户的第二类用户信息，确定对该视频进行评分所需的参考信息，可以包括：
利用本发明实施例提供的视频评分的确定方法中，获得各个相似用户对视频的打分所对应实现步骤，获得各个相似用户对该视频的打分；求取各个相似用户对该视频的打分的加权平均分；将该加权平均分作为对该视频进行评分所需的参考信息；其中，每个相似用户的打分所对应的权重因子，基于该相似用户和目标用户的相似度确定，该相似度为利用预设的用户相似度算法所计算的相似度。
相应的，针对加权平均分这种参考信息，从第一组视频中，筛选一组视频，可以包括：
对第一组视频中的各个视频，按照加权平均分进行降序排序；
从排序所得序列中选取前M个视频作为筛选的视频。
另外，针对第一组视频中的每个视频，基于目标用户的第一类用户信息，确定对该视频进行评分所需的参考信息，可以包括：
利用本发明实施例提供的视频评分的确定方法中，确定余弦相似度这种量化值时所对应的实现步骤，求取该视频对应的余弦相似度；
将所求取的余弦相似度，作为对该视频进行评分所需的参考信息。
相应的，基于余弦相似度这种参考信息，从第一组视频中，筛选一组视频，可以包括：
对第一组视频中的各个视频，按照余弦相似度进行降序排序；
从排序所得序列中，选取前M个视频，作为基于目标用户的第一类用户信息，从第一组视频中所筛选的另一组视频。
S202：使用本发明实施例提供的任一种视频评分的确定方法，分别确定每个候选视频对于目标用户的视频评分。
本步骤中，确定每个候选视频对于所述目标用户的视频评分的具体实现方式与上述的视频评分的确定方法相同，此处不再赘述。其中，在确定每个候选视频对于目标用户的视频评分时，每个候选视频所对应的余弦相似度和加权平均分，在S301中已经计算得到，故在S302中可以省去相应的步骤。
S203：根据每个候选视频对于目标用户的视频评分，确定向目标用户推荐的视频。
本步骤中，根据每个候选视频对于目标用户的视频评分，确定向目标用户推荐的视频的具体实现方式可以存在多种。示例性的，在一种实现方式中，可以对各个候选视频，按照视频评分进行降序排序，并从排序所得的序列中，选取预设数量个候选视频，作为向目标用户推荐的视频。在另一种实现方式中，可以检测待推荐视频的待推荐数量；对各个候选视频按照视频评分进行降序排序，并从排序所得的序列中，选取与待推荐数量相等数量的候选视频，并将所选取的候选视频，作为向目标用户推荐的视频。
本发明实施例提供的视频推荐方法可以包括以下有益效果：由于应用了本发明实施例所提供的视频评分的确定方法，确定各个候选视频，并确定各个候选视频对于目标用户的视频评分，进而基于视频评分，确定向目标用户推荐的视频，因此，本发明实施例提供的视频推荐方法使得推荐更加精准，保证了较好的推荐效果。
相应于上述的一种视频评分的确定方法，本发明实施例还提供了一种视频评分的确定装置。如图3所示，本发明实施例提供的视频评分的确定装置，可以包括：
第一确定模块301，用于当满足为目标用户确定目标视频的视频评分的时机时，确定所述目标用户的用户信息；其中，所述用户信息包括：表征用户个人信息，和/或，用户对各种预定视频属性的喜好程度的信息；
获得模块302，用于获得对所述目标视频进行评分所需的参考信息；所述参考信息用于表征已观看过所述目标视频的用户对所述目标视频的喜好程度；
计算模块303，用于基于所述目标用户的用户信息和所述参考信息，计算所述目标用户对所述目标视频的喜好程度的量化值；
第二确定模块304，用于基于所述量化值，确定所述目标视频对于所述目标用户的视频评分。
可选地，所述用户信息包括：第一类用户信息，所述第一类用户信息为：表征用户对各种预定视频属性的喜好程度的信息；
所述参考信息包括：所述目标视频的视频属性信息，所述视频属性信息为：表征视频在所述各种预定视频属性下受用户所喜好的程度的信息。
可选地，所述第一类用户信息包括多个第一权重，每个第一权重对应一种预定视频属性，且用于表征用户对该种预定视频属性的喜好程度；
所述视频属性信息包括多个第二权重，每个第二权重对应一种预定视频属性，且用于表征视频在该种预定视频属性下受用户所喜好的程度；
所述计算模块303，包括向量生成子模块、第一计算子模块以及第一确定子模块；
所述向量生成子模块，用于根据所述目标用户的各个第一权重，生成第一向量，以及根据所述目标视频的各个第二权重，生成第二向量；
所述第一计算子模块，用于计算所述第一向量与所述第二向量的余弦相似度；
所述第一确定子模块，用于将所述余弦相似度作为所述目标用户对所述目标视频的感兴趣程度的量化值。
可选地，所述第二确定模块304，具体用于：
将所述余弦相似度乘以所述视频评分对应的满分值，得到乘积得分；
将所述乘积得分确定为所述目标视频对于所述目标用户的视频评分。
可选地，所述用户信息还包括：第二类用户信息，所述第二类用户信息为：表征用户个人信息的信息；
所述参考信息还包括：已观看过所述目标视频的用户对所述目标视频的评分；
所述计算模块303还包括：第二确定子模块和第二计算子模块；
所述第二确定子模块，用于在所述第一确定子模块将所述余弦相似度作为所述目标用户对所述目标视频的感兴趣程度的量化值之前，基于所述目标用户的第二类用户信息，按照预定的用户相似度算法，确定与所述目标用户具有相似身份的各个相似用户；
所述第二计算子模块，用于从已观看过所述目标视频的用户对所述目标视频的评分中，获取所述各个相似用户对所述目标视频的评分，并计算所述各个相似用户对所述目标视频的评分的加权平均分，每个相似用户所对应的权重为该相似用户与所述目标用户的相似度；
所述第一确定子模块，具体用于：
将所述加权平均分和所述余弦相似度均作为所述目标用户对所述目标视频的感兴趣程度的量化值。
可选地，所述第二确定模块304，具体用于：
将所述余弦相似度乘以所述视频评分对应的满分值，得到乘积得分；
根据所述乘积得分和所述加权平均分，计算所述目标视频对于所述目标用户的视频评分。
可选地，所述用户信息包括：第二类用户信息，所述第二类用户信息为：表征用户个人信息的信息；
所述参考信息包括：已观看过所述目标视频的用户对所述目标视频的评分。
所述计算模块303，具体用于：
基于所述目标用户的第二类用户信息，按照预定的用户相似度算法，确定与所述目标用户具有相似身份的各个相似用户；
从已观看过所述目标视频的用户对所述目标视频的评分中，获取所述各个相似用户对所述目标视频的评分；
计算所述各个相似用户对所述目标视频的评分的加权平均分，每个相似用户所对应的权重为该相似用户与所述目标用户的相似度；
将所述加权平均分作为所述目标用户对所述目标视频的喜好程度的量化值；
可选地，所述第二确定模块304，具体用于：
将所述加权平均分作为所述目标视频对于所述目标用户的视频评分。
可选地，所述目标用户的各个第一权重，按照第一预定更新方式进行更新，所述第一预定更新方式包括：
当检测到所述目标用户的观影记录更新时，确定所更新的观影记录对应的已观看视频；
根据所述已观看视频的各个第二权重，对所述目标用户的各个第一权重进行更新。
可选地，所述目标视频的各个第二权重，按照第二预定更新方式进行更新，所述第二预定更新方式包括：
当获得任一用户对所述目标视频的打分时，利用预设的转换公式，将该用户对所述目标视频的打分转换为：分别对所述目标视频的各个第二权重的调整量；
根据转换得到的各个调整量，更新所述目标视频的各个第二权重。
可选地，所述转换公式为：
Figure GDA0003153558080000281
其中，△Weight(k)为对所述目标视频的各个第二权重中，第k个第二权重的调整量，Score为任一用户对所述目标视频的打分，Weightuser(k)为该用户的各个第一权重中，第k个第一权重，所述第k个第一权重与所述第k个第二权重对应同一预定视频属性，Score_max为满分值，α为预设阈值，j为所述各种预定视频属性的个数，N为对所述目标视频进行过打分的用户总数。
本发明实施例提供的一种视频评分的确定装置，当满足为目标用户确定目标视频的视频评分的时机时，确定目标用户的用户信息；基于目标用户的用户信息和所获得的参考信息，计算目标用户对目标视频的喜好程度的量化值；基于该量化值，确定目标视频对于目标用户的视频评分。可见，本方案在确定目标视频对于目标用户的视频评分时，综合了已观看过目标视频的用户对所述目标视频的喜好程度以及用户信息两个方面。因此，基于本方案所确定的目标视频对于目标用户的视频评分，对用户来说具有较高的参考价值。
相应于上述的一种视频推荐方法，本发明实施例还提供了一种视频推荐装置。如图4所示，本发明实施例提供的视频推荐装置，可以包括：
候选视频确定模块401，用于从各个视频中，确定目标用户对应的候选视频；
视频评分模块402，用于使用上述的任一种视频评分的确定方法，分别确定每个候选视频对于所述目标用户的视频评分；
视频推荐模块403，用于根据每个候选视频对于所述目标用户的视频评分，确定向所述目标用户推荐的视频。
可选地，所述候选视频确定模块401，包括第一筛选子模块和候选视频确定子模块；
所述第一筛选子模块，用于基于所述目标用户的第一类用户信息，从所述各个视频中筛选第一组视频；其中，所述第一类用户信息为：表征用户对各种预定视频属性的喜好程度的信息；
所述候选视频确定子模块，用于基于所述第一组视频中的每个视频的视频属性信息，以及所述目标用户的第一类用户信息，从所述第一组视频中，确定所述目标用户对应的候选视频；其中，所述视频属性信息为：表征视频在每种预定视频属性下受已打分用户所喜爱的程度的信息。
可选地，所述第一类用户信息包括多个第一权重，每个第一权重对应一种预定视频属性，且用于表征用户对该种预定视频属性的喜好程度；
所述视频属性信息包括多个第二权重，每个第二权重对应一种预定视频属性，且用于表征视频在该种预定视频属性下受已打分用户所喜爱的程度；
所述第一筛选子模块，具体用于：
对所述目标用户的各个第一权重进行降序排序；
将排序所得序列中，前X个第一权重所对应的预定视频属性，确定为目标视频属性；其中，X的数值满足下述条件：所述前X个第一权重的和，大于等于预设的权重阈值，且第X个第一权重之前的各个第一权重的和，小于该权重阈值；
针对所述各个视频中的每个视频，确定该视频的各个第二权重中，与所述目标视频属性对应的第二权重；
针对每一目标视频属性，按照与该目标视频属性对应的、属于各个视频的第二权重，对各个视频进行降序排序；
分别从排序所得的X个序列中，各选取前Y个视频，并将所选取的视频作为所述第一组视频。
可选地，所述候选视频确定子模块，具体用于：
针对所述第一组视频中的每个视频，分别基于所述目标用户的第一类用户信息和第二类用户信息，确定对该视频进行评分所需的两类参考信息；其中，所述第二类用户信息为：表征用户个人信息的信息；
针对所述两类参考信息中的每一类参考信息，基于该类参考信息，从所述第一组视频中，筛选一组视频；
将筛选的视频作为所述目标用户对应的候选视频。
本发明实施例提供的视频推荐装置可以包括以下有益效果：由于应用了本发明实施例所提供的视频评分的确定方法，确定各个候选视频，并确定各个候选视频对于目标用户的视频评分，进而基于视频评分，确定向目标用户推荐的视频，因此，本发明实施例提供的视频推荐装置使得推荐更加精准，保证了较好的推荐效果。
相应于上述实施例所提供的一种视频评分的确定方法，本发明实施例还提供了一种电子设备，如图5所示，包括处理器501、通信接口502、存储器503和通信总线504，其中，处理器501，通信接口502，存储器503通过通信总线504完成相互间的通信，
存储器503，用于存放计算机程序；
处理器501，用于执行存储器503上所存放的程序时，实现上述的任一视频评分的确定方法。
该实施例中，电子设备可以是服务器或是终端设备，在具体应用中，该终端设备可以为智能手机、电脑、平板设备、智能电视以及网络电视盒等。
相应于上述实施例所提供的一种视频推荐方法，本发明实施例还提供了一种电子设备，如图6所示，包括处理器601、通信接口602、存储器603和通信总线604，其中，处理器601，通信接口602，存储器603通过通信总线604完成相互间的通信，
存储器603，用于存放计算机程序；
处理器601，用于执行存储器603上所存放的程序时，实现上述的任一视频推荐方法。
该实施例中，该电子设备可以是服务器或是终端设备，在具体应用中，该终端设备可以为智能手机、电脑、平板设备、智能电视以及网络电视盒等。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，简称EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory，简称RAM)，也可以包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processing，简称DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称ASIC)、现场可编程门阵列(Field－Programmable Gate Array，简称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。
在本发明提供的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述实施例中任一所述的视频评分的确定方法。
在本发明提供的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述实施例中任一所述的视频推荐方法。
在本发明提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中任一所述的视频评分的确定方法。
在本发明提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中任一所述的视频推荐方法。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物品或者设备不仅包括那些要素，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、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置和电子设备实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (25)

1.一种视频推荐方法，其特征在于，包括：
从各个视频中，确定目标用户对应的候选视频；
分别确定每个候选视频对于所述目标用户的视频评分；
根据每个候选视频对于所述目标用户的视频评分，确定向所述目标用户推荐的视频；
所述从各个视频中，确定目标用户对应的候选视频，包括：
基于所述目标用户的第一类用户信息，从所述各个视频中筛选第一组视频；
基于所述第一组视频中的每个视频的视频属性信息，以及所述目标用户的第一类用户信息，从所述第一组视频中，确定所述目标用户对应的候选视频；
其中，所述第一类用户信息为：表征用户对各种预定视频属性的喜好程度的信息；所述视频属性信息为：表征视频在每种预定视频属性下受已打分用户所喜好的程度的信息；
所述第一类用户信息包括多个第一权重，每个第一权重对应一种预定视频属性，且用于表征用户对该种预定视频属性的喜好程度；
所述视频属性信息包括多个第二权重，每个第二权重对应一种预定视频属性，且用于表征视频在该种预定视频属性下受已打分用户所喜好的程度；
所述基于所述目标用户的第一类用户信息，从所述各个视频中筛选第一组视频，包括：
对所述目标用户的各个第一权重进行降序排序；
将排序所得序列中，前X个第一权重所对应的预定视频属性，确定为目标视频属性；其中，X的数值满足下述条件：所述前X个第一权重的和，大于等于预设的权重阈值，且第X个第一权重之前的各个第一权重的和，小于所述权重阈值；
针对所述各个视频中的每个视频，确定该视频的各个第二权重中，与所述目标视频属性对应的第二权重；
针对每一目标视频属性，按照与该目标视频属性对应的、属于各个视频的第二权重，对各个视频进行降序排序；
分别从排序所得的X个序列中，各选取前Y个视频，并将所选取的视频作为所述第一组视频；
所述分别确定每个候选视频对于所述目标用户的视频评分的方法步骤为：
当满足为目标用户确定目标视频的视频评分的时机时，确定所述目标用户的用户信息；其中，所述用户信息包括：表征用户个人信息，和/或，用户对各种预定视频属性的喜好程度的信息；
获得对所述目标视频进行评分所需的参考信息；所述参考信息用于表征已观看过所述目标视频的用户对所述目标视频的喜好程度；
基于所述目标用户的用户信息和所述参考信息，计算所述目标用户对所述目标视频的喜好程度的量化值；
基于所述量化值，确定所述目标视频对于所述目标用户的视频评分。
2.根据权利要求1所述的方法，其特征在于，所述基于所述第一组视频中的每个视频的视频属性信息，以及所述目标用户的第一类用户信息，从所述第一组视频中，确定所述目标用户对应的候选视频，包括：
针对所述第一组视频中的每个视频，分别基于所述目标用户的第一类用户信息和第二类用户信息，确定对该视频进行评分所需的两类参考信息；其中，所述第二类用户信息为：表征用户个人信息的信息；
针对所述两类参考信息中的每一类参考信息，基于该类参考信息，从所述第一组视频中，筛选一组视频；
将所筛选的视频作为所述目标用户对应的候选视频。
3.根据权利要求1所述的方法，其特征在于，所述用户信息包括：第一类用户信息，所述第一类用户信息为：表征用户对各种预定视频属性的喜好程度的信息；
所述参考信息包括：所述目标视频的视频属性信息，所述视频属性信息为：表征视频在所述各种预定视频属性下受用户所喜好的程度的信息。
4.根据权利要求3所述的方法，其特征在于，所述第一类用户信息包括多个第一权重，每个第一权重对应一种预定视频属性，且用于表征用户对该种预定视频属性的喜好程度；
所述视频属性信息包括多个第二权重，每个第二权重对应一种预定视频属性，且用于表征视频在该种预定视频属性下受用户所喜好的程度；
所述基于所述目标用户的用户信息和所述参考信息，计算所述目标用户对所述目标视频的喜好程度的量化值，包括：
根据所述目标用户的各个第一权重，生成第一向量，以及根据所述目标视频的各个第二权重，生成第二向量；
计算所述第一向量与所述第二向量的余弦相似度；
将所述余弦相似度作为所述目标用户对所述目标视频的感兴趣程度的量化值。
5.根据权利要求4所述的方法，其特征在于，所述基于所述量化值，确定所述目标视频对于所述目标用户的视频评分，包括：
将所述余弦相似度乘以所述视频评分对应的满分值，得到乘积得分；
将所述乘积得分确定为所述目标视频对于所述目标用户的视频评分。
6.根据权利要求4所述的方法，其特征在于，所述用户信息还包括：第二类用户信息，所述第二类用户信息为：表征用户个人信息的信息；
所述参考信息还包括：已观看过所述目标视频的用户对所述目标视频的评分；
在将所述余弦相似度作为所述目标用户对所述目标视频的感兴趣程度的量化值之前，所述方法还包括：
基于所述目标用户的第二类用户信息，按照预定的用户相似度算法，确定与所述目标用户具有相似身份的各个相似用户；
从已观看过所述目标视频的用户对所述目标视频的评分中，获取所述各个相似用户对所述目标视频的评分，并计算所述各个相似用户对所述目标视频的评分的加权平均分，每个相似用户所对应的权重为该相似用户与所述目标用户的相似度；
所述将所述余弦相似度作为所述目标用户对所述目标视频的感兴趣程度的量化值，包括：
将所述加权平均分和所述余弦相似度均作为所述目标用户对所述目标视频的感兴趣程度的量化值。
7.根据权利要求6所述的方法，其特征在于，所述基于所述量化值，确定所述目标视频对于所述目标用户的视频评分，包括：
将所述余弦相似度乘以所述视频评分对应的满分值，得到乘积得分；
根据所述乘积得分和所述加权平均分，计算所述目标视频对于所述目标用户的视频评分。
8.根据权利要求1所述的方法，其特征在于，所述用户信息包括：第二类用户信息，所述第二类用户信息为：表征用户个人信息的信息；
所述参考信息包括：已观看过所述目标视频的用户对所述目标视频的评分。
9.根据权利要求8所述的方法，其特征在于，所述基于所述目标用户的用户信息和所述参考信息，计算所述目标用户对所述目标视频的喜好程度的量化值，包括：
基于所述目标用户的第二类用户信息，按照预定的用户相似度算法，确定与所述目标用户具有相似身份的各个相似用户；
从已观看过所述目标视频的用户对所述目标视频的评分中，获取所述各个相似用户对所述目标视频的评分；
计算所述各个相似用户对所述目标视频的评分的加权平均分，每个相似用户所对应的权重为该相似用户与所述目标用户的相似度；
将所述加权平均分作为所述目标用户对所述目标视频的喜好程度的量化值；
所述基于所述量化值，确定所述目标视频对于所述目标用户的视频评分，包括：
将所述加权平均分作为所述目标视频对于所述目标用户的视频评分。
10.根据权利要求4所述的方法，其特征在于，所述目标用户的各个第一权重，按照第一预定更新方式进行更新，所述第一预定更新方式包括：
当检测到所述目标用户的观影记录更新时，确定所更新的观影记录对应的已观看视频；
根据所述已观看视频的各个第二权重，对所述目标用户的各个第一权重进行更新。
11.根据权利要求4所述的方法，其特征在于，所述目标视频的各个第二权重，按照第二预定更新方式进行更新，所述第二预定更新方式包括：
当获得任一用户对所述目标视频的打分时，利用预设的转换公式，将该用户对所述目标视频的打分转换为：分别对所述目标视频的各个第二权重的调整量；
根据转换得到的各个调整量，更新所述目标视频的各个第二权重。
12.根据权利要求11所述的方法，其特征在于，所述转换公式为：
Figure FDA0003153558070000051
其中，△Weight(k)为对所述目标视频的各个第二权重中，第k个第二权重的调整量，Score为任一用户对所述目标视频的打分，Weightuser(k)为该用户的各个第一权重中，第k个第一权重，所述第k个第一权重与所述第k个第二权重对应同一预定视频属性，Score_max为满分值，α为预设阈值，j为所述各种预定视频属性的个数，N为对所述目标视频进行过打分的用户总数。
13.一种视频推荐装置，其特征在于，包括：
候选视频确定模块，用于从各个视频中，确定目标用户对应的候选视频；
视频评分模块，用于分别确定每个候选视频对于所述目标用户的视频评分；
视频推荐模块，用于根据每个候选视频对于所述目标用户的视频评分，确定向所述目标用户推荐的视频；
所述候选视频确定模块，包括第一筛选子模块和候选视频确定子模块；
所述第一筛选子模块，用于基于所述目标用户的第一类用户信息，从所述各个视频中筛选第一组视频；其中，所述第一类用户信息为：表征用户对各种预定视频属性的喜好程度的信息；
所述候选视频确定子模块，用于基于所述第一组视频中的每个视频的视频属性信息，以及所述目标用户的第一类用户信息，从所述第一组视频中，确定所述目标用户对应的候选视频；其中，所述视频属性信息为：表征视频在每种预定视频属性下受已打分用户所喜好的程度的信息；
所述第一类用户信息包括多个第一权重，每个第一权重对应一种预定视频属性，且用于表征用户对该种预定视频属性的喜好程度；
所述视频属性信息包括多个第二权重，每个第二权重对应一种预定视频属性，且用于表征视频在该种预定视频属性下受已打分用户所喜好的程度；
所述第一筛选子模块，具体用于：
对所述目标用户的各个第一权重进行降序排序；
将排序所得序列中，前X个第一权重所对应的预定视频属性，确定为目标视频属性；其中，X的数值满足下述条件：所述前X个第一权重的和，大于等于预设的权重阈值，且第X个第一权重之前的各个第一权重的和，小于所述权重阈值；
针对所述各个视频中的每个视频，确定该视频的各个第二权重中，与所述目标视频属性对应的第二权重；
针对每一目标视频属性，按照与该目标视频属性对应的、属于各个视频的第二权重，对各个视频进行降序排序；
分别从排序所得的X个序列中，各选取前Y个视频，并将所选取的视频作为所述第一组视频；
所述视频评分模块包括：
第一确定模块，用于当满足为目标用户确定目标视频的视频评分的时机时，确定所述目标用户的用户信息；其中，所述用户信息包括：表征用户个人信息，和/或，用户对各种预定视频属性的喜好程度的信息；
获得模块，用于获得对所述目标视频进行评分所需的参考信息；所述参考信息用于表征已观看过所述目标视频的用户对所述目标视频的喜好程度；
计算模块，用于基于所述目标用户的用户信息和所述参考信息，计算所述目标用户对所述目标视频的喜好程度的量化值；
第二确定模块，用于基于所述量化值，确定所述目标视频对于所述目标用户的视频评分。
14.根据权利要求13所述的装置，其特征在于，所述用户信息包括：第一类用户信息，所述第一类用户信息为：表征用户对各种预定视频属性的喜好程度的信息；
所述参考信息包括：所述目标视频的视频属性信息，所述视频属性信息为：表征视频在所述各种预定视频属性下受用户所喜好的程度的信息。
15.根据权利要求14所述的装置，其特征在于，所述第一类用户信息包括多个第一权重，每个第一权重对应一种预定视频属性，且用于表征用户对该种预定视频属性的喜好程度；
所述视频属性信息包括多个第二权重，每个第二权重对应一种预定视频属性，且用于表征视频在该种预定视频属性下受用户所喜好的程度；
所述计算模块，包括向量生成子模块、第一计算子模块以及第一确定子模块；
所述向量生成子模块，用于根据所述目标用户的各个第一权重，生成第一向量，以及根据所述目标视频的各个第二权重，生成第二向量；
所述第一计算子模块，用于计算所述第一向量与所述第二向量的余弦相似度；
所述第一确定子模块，用于将所述余弦相似度作为所述目标用户对所述目标视频的感兴趣程度的量化值。
16.根据权利要求15所述的装置，其特征在于，所述第二确定模块，具体用于：
将所述余弦相似度乘以所述视频评分对应的满分值，得到乘积得分；
将所述乘积得分确定为所述目标视频对于所述目标用户的视频评分。
17.根据权利要求15所述的装置，其特征在于，所述用户信息还包括：第二类用户信息，所述第二类用户信息为：表征用户个人信息的信息；
所述参考信息还包括：已观看过所述目标视频的用户对所述目标视频的评分；
所述计算模块还包括：第二确定子模块和第二计算子模块；
所述第二确定子模块，用于在所述第一确定子模块将所述余弦相似度作为所述目标用户对所述目标视频的感兴趣程度的量化值之前，基于所述目标用户的第二类用户信息，按照预定的用户相似度算法，确定与所述目标用户具有相似身份的各个相似用户；
所述第二计算子模块，用于从已观看过所述目标视频的用户对所述目标视频的评分中，获取所述各个相似用户对所述目标视频的评分，并计算所述各个相似用户对所述目标视频的评分的加权平均分，每个相似用户所对应的权重为该相似用户与所述目标用户的相似度；
所述第一确定子模块，具体用于：
将所述加权平均分和所述余弦相似度均作为所述目标用户对所述目标视频的感兴趣程度的量化值。
18.根据权利要求17所述的装置，其特征在于，所述第二确定模块，具体用于：
将所述余弦相似度乘以所述视频评分对应的满分值，得到乘积得分；
根据所述乘积得分和所述加权平均分，计算所述目标视频对于所述目标用户的视频评分。
19.根据权利要求13所述的装置，其特征在于，所述用户信息包括：第二类用户信息，所述第二类用户信息为：表征用户个人信息的信息；
所述参考信息包括：已观看过所述目标视频的用户对所述目标视频的评分。
20.根据权利要求19所述的装置，其特征在于，所述计算模块，具体用于：
基于所述目标用户的第二类用户信息，按照预定的用户相似度算法，确定与所述目标用户具有相似身份的各个相似用户；
从已观看过所述目标视频的用户对所述目标视频的评分中，获取所述各个相似用户对所述目标视频的评分；
计算所述各个相似用户对所述目标视频的评分的加权平均分，每个相似用户所对应的权重为该相似用户与所述目标用户的相似度；
将所述加权平均分作为所述目标用户对所述目标视频的喜好程度的量化值；
所述第二确定模块，具体用于：
将所述加权平均分作为所述目标视频对于所述目标用户的视频评分。
21.根据权利要求15所述的装置，其特征在于，所述目标用户的各个第一权重，按照第一预定更新方式进行更新，所述第一预定更新方式包括：
当检测到所述目标用户的观影记录更新时，确定所更新的观影记录对应的已观看视频；
根据所述已观看视频的各个第二权重，对所述目标用户的各个第一权重进行更新。
22.根据权利要求15所述的装置，其特征在于，所述目标视频的各个第二权重，按照第二预定更新方式进行更新，所述第二预定更新方式包括：
当获得任一用户对所述目标视频的打分时，利用预设的转换公式，将该用户对所述目标视频的打分转换为：分别对所述目标视频的各个第二权重的调整量；
根据转换得到的各个调整量，更新所述目标视频的各个第二权重。
23.根据权利要求22所述的装置，其特征在于，所述转换公式为：
Figure FDA0003153558070000091
其中，△Weight(k)为对所述目标视频的各个第二权重中，第k个第二权重的调整量，Score为任一用户对所述目标视频的打分，Weightuser(k)为该用户的各个第一权重中，第k个第一权重，所述第k个第一权重与所述第k个第二权重对应同一预定视频属性，Score_max为满分值，α为预设阈值，j为所述各种预定视频属性的个数，N为对所述目标视频进行过打分的用户总数。
24.根据权利要求13所述的装置，其特征在于，所述候选视频确定子模块，具体用于：
针对所述第一组视频中的每个视频，分别基于所述目标用户的第一类用户信息和第二类用户信息，确定对该视频进行评分所需的两类参考信息；其中，所述第二类用户信息为：表征用户个人信息的信息；
针对所述两类参考信息中的每一类参考信息，基于该类参考信息，从所述第一组视频中，筛选一组视频；
将筛选的视频作为所述目标用户对应的候选视频。
25.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现权利要求1-12任一所述的方法步骤。
CN201910531073.6A 2019-06-19 2019-06-19 一种视频评分的确定方法、推荐方法、装置及电子设备 Active CN110309361B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910531073.6A CN110309361B (zh) 2019-06-19 2019-06-19 一种视频评分的确定方法、推荐方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910531073.6A CN110309361B (zh) 2019-06-19 2019-06-19 一种视频评分的确定方法、推荐方法、装置及电子设备

Publications (2)

Publication Number Publication Date
CN110309361A CN110309361A (zh) 2019-10-08
CN110309361B true CN110309361B (zh) 2021-08-20

Family

ID=68076454

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910531073.6A Active CN110309361B (zh) 2019-06-19 2019-06-19 一种视频评分的确定方法、推荐方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN110309361B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111461785A (zh) * 2020-04-01 2020-07-28 支付宝(杭州)信息技术有限公司 内容价值属性的评估方法和装置、版权交易平台

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103440335A (zh) * 2013-09-06 2013-12-11 北京奇虎科技有限公司 视频推荐方法及装置
CN105095431A (zh) * 2015-07-22 2015-11-25 百度在线网络技术（北京）有限公司 根据用户的行为信息推送视频的方法和装置
CN105574132A (zh) * 2015-12-15 2016-05-11 海信集团有限公司 一种多媒体文件推荐方法和终端
CN105847985A (zh) * 2016-03-30 2016-08-10 乐视控股（北京）有限公司 一种视频推荐方法及装置
CN106649884A (zh) * 2017-01-11 2017-05-10 河南科技大学 一种基于用户情境分析的多媒体内容推荐方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103631823B (zh) * 2012-08-28 2017-01-18 腾讯科技（深圳）有限公司 一种媒体内容推荐方法及设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103440335A (zh) * 2013-09-06 2013-12-11 北京奇虎科技有限公司 视频推荐方法及装置
CN105095431A (zh) * 2015-07-22 2015-11-25 百度在线网络技术（北京）有限公司 根据用户的行为信息推送视频的方法和装置
CN105574132A (zh) * 2015-12-15 2016-05-11 海信集团有限公司 一种多媒体文件推荐方法和终端
CN105847985A (zh) * 2016-03-30 2016-08-10 乐视控股（北京）有限公司 一种视频推荐方法及装置
CN106649884A (zh) * 2017-01-11 2017-05-10 河南科技大学 一种基于用户情境分析的多媒体内容推荐方法

Also Published As

Publication number Publication date
CN110309361A (zh) 2019-10-08

Similar Documents

Publication Publication Date Title
US8468105B2 (en) Learning apparatus, learning method, information processing apparatus, data selection method, data accumulation method, data conversion method and program
CN106294497B (zh) 信息推荐方法和装置
CN111767429B (zh) 一种视频推荐方法、装置及电子设备
GB2545311A (en) Attribute weighting for media content-based recommendation
CN109753601B (zh) 推荐信息点击率确定方法、装置及电子设备
CN104053023B (zh) 一种确定视频相似度的方法及装置
CN109903086B (zh) 一种相似人群扩展方法、装置及电子设备
CN109168047B (zh) 视频推荐方法、装置、服务器及存储介质
CN112364202A (zh) 视频推荐方法、装置及电子设备
WO2020168992A1 (zh) 一种商品推荐方法、装置、设备以及存储介质
CN109255037B (zh) 用于输出信息的方法和装置
US10762122B2 (en) Method and device for assessing quality of multimedia resource
CN111159563B (zh) 用户兴趣点信息的确定方法、装置、设备及存储介质
US20180025364A1 (en) Information processing apparatus, information processing method, and program
CN106980666B (zh) 一种推荐视频的方法和装置
CN115455280A (zh) 一种推荐列表确定方法和服务器
CN111046230A (zh) 内容推荐方法及装置、电子设备和可存储介质
CN111291217A (zh) 一种内容推荐方法、装置、电子设备以及计算机可读介质
CN109063080B (zh) 一种视频推荐方法及装置
CN110309361B (zh) 一种视频评分的确定方法、推荐方法、装置及电子设备
US10158983B2 (en) Providing a summary of media content to a communication device
CN110913249B (zh) 一种节目的推荐方法及系统
CN108848152B (zh) 一种对象推荐的方法及服务器
JP6433270B2 (ja) コンテンツ検索結果提供システム及びコンテンツ検索結果提供方法
CN111177561A (zh) 一种测试方法和装置

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
GR01 Patent grant
GR01 Patent grant