CN110399527B - 影视推荐方法、装置及存储介质 - Google Patents
影视推荐方法、装置及存储介质 Download PDFInfo
- Publication number
- CN110399527B CN110399527B CN201910504809.0A CN201910504809A CN110399527B CN 110399527 B CN110399527 B CN 110399527B CN 201910504809 A CN201910504809 A CN 201910504809A CN 110399527 B CN110399527 B CN 110399527B
- Authority
- CN
- China
- Prior art keywords
- image
- movie
- film
- information
- target
- 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
- G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/783—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- 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)
- Library & Information Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请适用于电子技术领域,提供了影视推荐方法、装置及存储介质,方法包括:获取目标影视图像,该目标影视图像为给用户推荐影视作品的参考图像;通过图像特征提取模型提取该目标影视图像的目标图像特征,该图像特征提取模型为经影视资源图片库训练的残差网络模型;计算影视图像数据库中N个待选影视图像对应的图像特征分别与该目标图像特征的余弦相似度,获得N个余弦值,该N为大于一的整数;根据该N个余弦值分别计算该N个待选影视图像与该目标影视图像的风格相似度,得到N个风格相似值;根据该N个风格相似值向用户推荐该待选影视图像对应的影视作品。
Description
技术领域
本申请属于电子技术领域,尤其涉及影视推荐方法、装置及存储介质。
背景技术
目前,视频平台基本都具有智能视频推荐系统,用户在通过视频平台查看某视频的介绍或观看某视频后,平台的智能视频推荐系统就会自动为用户推荐并呈现与用户所查看或观看的视频相关的视频,可以在避免用户手动搜索的情况下,帮助用户找到相关视频,不但方便了用户,而且增加了用户在视频网站上的停留时间。
现有技术中的推荐算法,都是用各种算法分析用户行为日志信息,或者结合相关电影数据做相关分析,数据分析阶段需要大量的时间和经验的积累。随着用户年龄和阅历的变化,用户的兴趣也会发生相应改变,算法模型的更新需要大量的历史数据,相应的用户日志更新周期很长,无法及时满足用户的需求。
发明内容
有鉴于此,本申请实施例提供了影视推荐方法、装置及存储介质,以解决现有推荐算法中需要依赖用户行为日志信息才能进行影视推荐的问题。
本申请实施例的第一方面提供了一种影视推荐方法,包括:
获取目标影视图像,所述目标影视图像为给用户推荐影视作品的参考图像;
通过图像特征提取模型提取所述目标影视图像的目标图像特征,所述图像特征提取模型为经影视资源图片库训练的残差网络模型;
计算影视图像数据库中N个待选影视图像对应的图像特征分别与所述目标图像特征的余弦相似度,获得N个余弦值,所述N为大于一的整数;
根据所述N个余弦值分别计算所述N个待选影视图像与所述目标影视图像的风格相似度,得到N个风格相似值;
根据所述N个风格相似值向用户推荐所述待选影视图像对应的影视作品。
在一种实施方式中,所述根据所述N个余弦值分别计算所述N个待选影视图像与所述目标影视图像的风格相似度之前,包括:
分别获取影片信息和用户信息;
所述影片信息包括:所述目标影视图像的影片信息和/或所述待选影视图像的影片信息;
所述用户信息包括:用户个人信息和/或用户的观影习惯信息;
所述根据所述N个余弦值分别计算所述N个待选影视图像与所述目标影视图像的风格相似度,包括:
根据所述影片信息,所述用户信息以及所述N个余弦值分别计算所述N个待选影视图像与所述目标影视图像的风格相似度。
在一种实施方式中,所述目标影视图像的影片信息包括以下至少一项:所述目标影视图像的影片类型、演员和导演信息;
所述待选影视图像的影片信息包括以下至少一项:所述待选影视图像的影片类型、演员、导演信息和播放历史综合信息。
在一种实施方式中,所述根据所述影片信息,所述用户信息以及所述N个余弦值分别计算所述N个待选影视图像与所述目标影视图像的风格相似度,包括:
根据以下公式一计算一个待选影视图像与目标影视图像的风格相似度I;
其中,所述cosθ为余弦值,所述r为待选影视图像的播放历史综合信息,所述Iuser为用户个人信息,所述Imovic为待选影视图像与目标影视图像的影片内容相似度信息,所述w1为余弦值对应的权重值,所述w2为所述播放历史综合信息对应的权重值,所述w3为所述用户个人信息对应的权重值,所述w4为所述影片内容相似度信息对应的权重值。
在一种实施方式中,所述根据所述影片信息,所述用户信息以及所述N个余弦值分别计算所述N个待选影视图像与所述目标影视图像的风格相似度,还包括:
根据以下公式二计算待选影视图像的播放历史综合信息;
公式二:r=wc∑Iclick+wp∑Ipay+penalty1+penalty2;
其中,所述Iclick为待选影视图像的点击率信息,所述Ipay待选影视图像的付费率信息,所述penalty1为待选影视图像的有发生任何转化行为的中间交互页面的惩罚项,所述penalty2为待选影视图像的没有发生任何转化且用户离开页面的惩罚项,所述wc为所述点击率信息对应的权重值,所述wp所述付费率信息对应的权重值。
在一种实施方式中,所述根据所述N个风格相似值向用户推荐所述待选影视图像对应的影视作品,包括:
根据所述N个风格相似值向用户推荐风格相似度最高的前M个所述待选影视图像对应的影视作品,所述M为小于N的整数;
或,
根据所述N个风格相似值向用户推荐风格相似度在阈值范围内的所述待选影视图像。
在一种实施方式中,所述计算影视图像数据库中N个待选影视图像对应的图像特征分别与所述目标图像特征的余弦相似度之前,包括:
获取目标影视图像的影视标签;
确定所述影视标签对应的子影视图像数据库;
相应的,所述计算影视图像数据库中N个待选影视图像对应的图像特征分别与所述目标图像特征的余弦相似度,包括:
所述计算所述子影视图像数据库中N个待选影视图像对应的图像特征分别与所述目标图像特征的余弦相似度。
本申请实施例的第二方面提供了一种影视推荐装置,包括:
获取单元,用于获取目标影视图像,所述目标影视图像为给用户推荐影视作品的参考图像;
提取单元,用于通过图像特征提取模型提取所述目标影视图像的目标图像特征,所述图像特征提取模型为经影视资源图片库训练的残差网络模型;
第一计算单元,用于计算影视图像数据库中N个待选影视图像对应的图像特征分别与所述目标图像特征的余弦相似度,获得N个余弦值,所述N为大于一的整数;
第二计算单元,用于根据所述N个余弦值分别计算所述N个待选影视图像与所述目标影视图像的风格相似度,得到N个风格相似值;
推荐单元,用于根据所述N个风格相似值向用户推荐所述待选影视图像对应的影视作品。
本申请实施例的第三方面提供了一种影视推荐装置,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上述影视推荐方法的步骤。
本申请实施例的第四方面提供了一种计算机可读存储介质,包括:
该计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时实现如权利要求影视推荐方法的步骤。
本申请实施例与现有技术相比存在的有益效果是:
本申请实施例通过获取用户关注的目标影视图像,并以该目标影视图像作为给用户推荐影视作品的参考图像,计算目标影视图像与待选影视图像的图像特征的余弦值,再通过该余弦值计算所述N个待选影视图像与所述目标影视图像的风格相似度,从而根据风格相似度向用户推荐所述待选影视图像对应的影视作品;本申请实施例通过模仿人类的视觉能力,并基于神经网络来构建直观的视频推荐,并解决现有影视推荐技术中由于依赖用户行为日志信息而难以现象有效影视推荐的问题,降低了影视推荐的实现难度,并提高影视推荐的精确度。
附图说明
为了更清楚地说明本申请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申请的一些实施例,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是本申请实施例提供的影视推荐方法的一种实现流程示意图;
图2是本申请实施例提供的影视推荐方法的另一种实现流程示意图;
图3是本申请实施例提供的影视推荐装置的逻辑结构示意图;
图4是本申请实施例提供的影视推荐装置的硬件结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚地描述,显然,所描述的实施例是本申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“包括”以及它们任何变形,意图在于覆盖不排他的包含。例如包含一系列步骤或单元的过程、方法或系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。此外,术语“第一”、“第二”和“第三”等是用于区别不同对象,而非用于描述特定顺序。
实施例一
请参阅图1,本申请实施例中影视推荐方法的一个实施例包括:
101、获取目标影视图像;
获取目标影视图像,所述目标影视图像为给用户推荐影视作品的参考图像。
其中,该目标影视图像对应着用户感兴趣的影视作品。示例性的,在实际应用中,该目标影视图像可以为用户点击过或浏览过的影视内容对应的图像,如影片海报。
示例性的,在实际应用中,用户在浏览影视页面时,当点击某一影视作品对应的图像链接时,该影视作品对应的影视图像即可以作为本申请实施例中的目标影视图像。
102、通过图像特征提取模型提取所述目标影视图像的目标图像特征;
通过图像特征提取模型提取所述目标影视图像的目标图像特征,所述图像特征提取模型为经影视资源图片库训练的残差网络模型。
示例性的,该图像特征提取模型可以用基于残差网络resnet的分类模型去掉全连接层作为待训练的基础模型。其中,可以把1*1、3*3、1*1的3个卷积网络串接在一起作为一个残差模块,利用50个残差模块组成卷积神经网络,再接入1000维的全连接层,最后softmax输出海报所属分类的概率,基于这个神经网络模型训练卷积层参数。
在实际应用中,图像特征提取模型也可以采用vgg16、IncetionResNetV2、DenseNet201等网络模型作为待训练的基础模型,具体根据实际需求而定,此处不作限定。
103、计算影视图像数据库中N个待选影视图像对应的图像特征分别与所述目标图像特征的余弦相似度;
计算影视图像数据库中N个待选影视图像对应的图像特征分别与所述目标图像特征的余弦相似度,获得N个余弦值,所述N为大于一的整数。
示例性的,在实际应用中,影视图像数据库可以为影片资源库中获取的影片海报图像。具体的,影视图像数据库中待选影视图像的图像特征可以是预先提取完成存储在服务器中,也可以实时地通过图像特征提取模型进行提取,具体以哪种方式实现需要根据实际需求而定,此处不作限定。
示例性的,在实际应用中,N可以等于影视图像数据库中所有影视图像的数量,也可以小于影视图像数据库的图像数。具体的,影视图像数据库中可以分为有多个根据影视标签分类的子影视图像数据库,各个子影视图像数据库有相应的影视标签。在选择进行推荐的影视图像数据库之前,可以先获取目标影视图像的影视标签,再确定所述影视标签对应的子影视图像数据库,最后计算所述子影视图像数据库中N个待选影视图像对应的图像特征分别与所述目标图像特征的余弦相似度。先进行子影视图像数据库的选定,可以提高推荐数据的计算效率。
104、根据所述N个余弦值分别计算所述N个待选影视图像与所述目标影视图像的风格相似度;
根据所述N个余弦值分别计算所述N个待选影视图像与所述目标影视图像的风格相似度,得到N个风格相似值。
本申请实施例是通过模仿人类的视觉能力并基于神经网络来构建直观的视频推荐,因此,可以通过表示图像特征相似度的余弦值来通过模仿人类视觉判断相似图像的能力。所以本申请实施例中,风格相似度的计算是以余弦值作为主要参数进行处理。
在本申请实施例的其它实施方式中,风格相似度的计算还可以参考影片信息和用户信息,所述影片信息包括:所述目标影视图像的影片信息(如,影片类型、演员和导演信息等)和/或所述待选影视图像的影片信息;所述用户信息包括:用户个人信息(如,用户的性别、年龄等)和/或用户的观影习惯信息;以影片信息和用户信息作为计算风格相似度的内容,会在以下实施例二中具体描述,此处不作赘述。
105、根据所述N个风格相似值向用户推荐所述待选影视图像对应的影视作品。
示例性的,在实际应用中,待选影视图像的推荐可以有以下处理方式:
根据所述N个风格相似值向用户推荐风格相似度最高的前M个所述待选影视图像对应的影视作品,所述M为小于N的整数;这种做法为行业的惯用做法,即根据推荐页面所内容纳的画面大小确定向用户推荐的影视作品的数量M,再把风格相似度最高的前M个待选影视图像推荐给用户。
或,
根据所述N个风格相似值向用户推荐风格相似度在阈值范围内的所述待选影视图像。即,预先根据风格相似值的均值和用户兴趣度进行评估,设定一个风格相似度的阈值范围,用户在该范围内对所推荐的影视作品进行点击的概率较高,因此,推荐风格相似度在阈值范围的待选影视图像。
本申请实施例通过获取用户关注的目标影视图像,并以该目标影视图像作为给用户推荐影视作品的参考图像,计算目标影视图像与待选影视图像的图像特征的余弦值,再通过该余弦值计算所述N个待选影视图像与所述目标影视图像的风格相似度,从而根据风格相似度向用户推荐所述待选影视图像对应的影视作品;本申请实施例通过模仿人类的视觉能力,并基于神经网络来构建直观的视频推荐,并解决现有影视推荐技术中由于依赖用户行为日志信息而难以现象有效影视推荐的问题,降低了影视推荐的实现难度,并提高影视推荐的精确度。
实施例二
为了更清楚的了解本申请影视推荐方法的内容,本申请提供了更详细的应用实例进行说明,请参阅图2,本申请实施例中影视推荐方法的另一个实施例包括:
201、设置影视图像数据库;
示例性的,可以从网络上影片资源库中,抽取影视作品对应海报推荐集合(其中,一张海报或影视图像对应一部影视作品),在对海报图片用去中心化和最近邻近化处理海报图片,规范相应的图片格式,把规范格式后的影视图像集合作为本申请实施例中影视图像数据库。
其中,去中心化处理和最近邻近化处理皆为图像预处理的一种手段,用于统一图像的数据大小,规范图像格式。
需要说明的是,在实际应用中,步骤201为本申请实施例中影视推荐方法的一个前置准备步骤,即该步骤完成一次后,后续执行本申请实施例中影视推荐方法时,无需每次都执行步骤201,仅需定时更新影视图像数据库中的影视图像数据即可。
202、获取目标影视图像;
示例性的,在实际应用中,用户在浏览影视页面时,当点击某一影视作品对应的图像链接时,该影视作品对应的影视图像即可以作为本申请实施例中的目标影视图像。因此,在用户点击了相应的图像链接之后,后台服务器就会发起影视推荐方法的流程,并在用户进入图像链接的页面时,同时在该页面内显示影视推荐的相关内容。
203、通过图像特征提取模型提取所述目标影视图像的目标图像特征;
通过图像特征提取模型提取所述目标影视图像的目标图像特征,该图像特征提取模型可以用基于残差网络resnet的分类模型去掉全连接层作为待训练的基础模型。
示例性的,对于网络模型的训练数据的获取,可以利用爬虫技术在网络上的影视资源中进行获取,在获取到影视资源的影视图像之后,可以对待训练的影视图像进行标注处理,如打上影视标签,记录片、战争片、历史片、传记片等。
示例性的,对于待训练的网络模型,可以把1*1、3*3、1*1的3个卷积网络串接在一起作为一个残差模块,利用50个残差模块组成卷积神经网络,再接入1000维的全连接层,最后softmax输出影视图像所属分类的概率,基于这个神经网络模型训练卷积层参数。
204、计算影视图像数据库中N个待选影视图像对应的图像特征分别与所述目标图像特征的余弦相似度;
计算影视图像数据库中N个待选影视图像对应的图像特征分别与所述目标图像特征的余弦相似度,获得N个余弦值,所述N为大于一的整数。
示例性的,在本申请实施例中,对于影视图像数据库中待选影视图像,可以预先通过图像特征提取模型提取图像特征,完成存储在服务器或用户客户端中。
205、根据所述影片信息,所述用户信息以及所述N个余弦值分别计算所述N个待选影视图像与所述目标影视图像的风格相似度。
示例性的,在计算风格相似度之前,可以先分别获取影片信息和用户信息。其中,影片信息可以包括目标影视图像的影片信息(如,影片类型、演员和导演信息等)和/或待选影视图像的影片信息;用户信息可以包括:用户个人信息(如,用户的性别、年龄等)和/或用户的观影习惯信息;进一步的,目标影视图像的影片信息包括以下至少一项:所述目标影视图像的影片类型、演员和导演信息;相应的,所述待选影视图像的影片信息包括以下至少一项:所述待选影视图像的影片类型、演员、导演信息和播放历史综合信息。具体的,播放历史综合信息包括惩罚项信息:1、没有发生任何转化(点击/下单)行为的中间交互页面;2、没有发生任何转化且用户离开的页面。
具体的,根据所述影片信息,所述用户信息以及所述N个余弦值分别计算所述N个待选影视图像与所述目标影视图像的风格相似度,可以为:
根据以下公式一计算一个待选影视图像与目标影视图像的风格相似度I;
其中,所述cosθ为余弦值,所述r为待选影视图像的播放历史综合信息,所述Iuser为用户个人信息,所述Imovic为待选影视图像与目标影视图像的影片内容相似度信息,所述w1为余弦值对应的权重值,所述w2为所述播放历史综合信息对应的权重值,所述w3为所述用户个人信息对应的权重值,所述w4为所述影片内容相似度信息对应的权重值。
具体的,可以根据以下公式二计算待选影视图像的播放历史综合信息。
公式二:r=wc∑Iclick+wp∑Ipay+penalty1+penalty2;
其中,所述Iclick为待选影视图像的点击率信息,所述Ipay待选影视图像的付费率信息,所述penalty1为待选影视图像的有发生任何转化行为(点击/下单)的中间交互页面的惩罚项,所述penalty2为待选影视图像的没有发生任何转化且用户离开页面的惩罚项,所述wc为所述点击率信息对应的权重值,所述wp所述付费率信息对应的权重值。
在本申请实施例中,在风格相似度计算的过程中,除了结合待选影视图像的点击率信息和付费率信息,还引入了惩罚项,惩罚没有发生任何转化(点击/下单)行为的中间交互页面(penalty1),从而让模型学习用户意图转化的最短路;惩罚没有发生任何转化且用户离开的页面(penalty2),从而提升了用户体验。
206、根据所述N个风格相似值向用户推荐风格相似度最高的前M个所述待选影视图像对应的影视作品。
示例性的,M为小于N的整数;本申请实施例根据推荐页面所内容纳的画面大小确定向用户推荐的影视作品的数量M,再把风格相似度最高的前M个待选影视图像推荐给用户。
本申请的技术方案抓住了用户视觉感官,结合深度学习根据用户偏好为用户寻找风格相似的海报信息,进一步促进用户点击相关节目。同时,也解决了用户日志积累不足和日志分析困难的问题,由于算法从视觉角度出发,初始化不需要积累大量用户行为日志,定义了特有的风格相似值,风格相似值最初值的为余弦相似值,随着用户年龄变化,风格相似值受用户反馈的影响不断更新,从而达到实时的个性化推荐的目的。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
实施例三
请参阅图3,本申请实施例还提供了实现上述影视推荐方法的影视推荐装置,包括:
获取单元301,用于获取目标影视图像,所述目标影视图像为给用户推荐影视作品的参考图像;
提取单元302,用于通过图像特征提取模型提取所述目标影视图像的目标图像特征,所述图像特征提取模型为经影视资源图片库训练的残差网络模型;
第一计算单元303,用于计算影视图像数据库中N个待选影视图像对应的图像特征分别与所述目标图像特征的余弦相似度,获得N个余弦值,所述N为大于一的整数;
第二计算单元304,用于根据所述N个余弦值分别计算所述N个待选影视图像与所述目标影视图像的风格相似度,得到N个风格相似值;
推荐单元305,用于根据所述N个风格相似值向用户推荐所述待选影视图像对应的影视作品。
在本申请实施例中影视推荐装置各个单元所执行的步骤可以参阅上述方法实施例,此处不再赘述。
实施例四
在硬件实施例的层面,该影视推荐装置还可以包括:
至少一个输入设备403以及至少一个输出设备404。
上述存储器401、处理器402、输入设备403以及输出设备404,通过总线405连接。
其中,输入设备403具体可为摄像头、触控面板、物理按键或者鼠标等等。输出设备404具体可为显示屏。
存储器401可以是高速随机存取记忆体(RAM,Random Access Memory)存储器,也可为非不稳定的存储器(non-volatile memory),例如磁盘存储器。存储器401用于存储一组可执行程序代码,处理器402与存储器401耦合。
进一步的,本申请实施例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可以是设置于上述各实施例中的影视推荐装置中,该计算机可读存储介质可以是前述图4所示实施例中的存储器。该计算机可读存储介质上存储有计算机程序,该程序被处理器执行时实现前述图1所示实施例中描述的影视推荐方法。进一步的,该计算机可存储介质还可以是U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
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,即将所述装置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,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/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,装置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装置、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 (9)
1.一种影视推荐方法,其特征在于,包括:
获取目标影视图像,所述目标影视图像为给用户推荐影视作品的参考图像;
通过图像特征提取模型提取所述目标影视图像的目标图像特征,所述图像特征提取模型为经影视资源图片库训练的残差网络模型;
计算影视图像数据库中N个待选影视图像对应的图像特征分别与所述目标图像特征的余弦相似度,获得N个余弦值,所述N为大于一的整数;
根据所述N个余弦值分别计算所述N个待选影视图像与所述目标影视图像的风格相似度,得到N个风格相似值;
根据所述N个风格相似值向用户推荐所述待选影视图像对应的影视作品;
所述根据所述N个余弦值分别计算所述N个待选影视图像与所述目标影视图像的风格相似度之前,包括:
分别获取影片信息和用户信息;
所述影片信息包括:所述目标影视图像的影片信息和/或所述待选影视图像的影片信息;
所述用户信息包括:用户个人信息和/或用户的观影习惯信息;
所述根据所述N个余弦值分别计算所述N个待选影视图像与所述目标影视图像的风格相似度,包括:
根据所述影片信息,所述用户信息以及所述N个余弦值分别计算所述N个待选影视图像与所述目标影视图像的风格相似度。
2.如权利要求1所述的影视推荐方法,其特征在于,
所述目标影视图像的影片信息包括以下至少一项:所述目标影视图像的影片类型、演员和导演信息;
所述待选影视图像的影片信息包括以下至少一项:所述待选影视图像的影片类型、演员、导演信息和播放历史综合信息。
4.如权利要求3所述的影视推荐方法,其特征在于,
所述根据所述影片信息,所述用户信息以及所述N个余弦值分别计算所述N个待选影视图像与所述目标影视图像的风格相似度,还包括:
根据以下公式二计算待选影视图像的播放历史综合信息;
公式二:r=wc∑Iclick+wp∑Ipay+penalty1+penalty2;
其中,所述Iclick为待选影视图像的点击率信息,所述Ipay待选影视图像的付费率信息,所述penalty1为待选影视图像的有发生任何转化行为的中间交互页面的惩罚项,所述penalty2为待选影视图像的没有发生任何转化且用户离开页面的惩罚项,所述wc为所述点击率信息对应的权重值,所述wp所述付费率信息对应的权重值。
5.如权利要求1所述的影视推荐方法,其特征在于,
所述根据所述N个风格相似值向用户推荐所述待选影视图像对应的影视作品,包括:
根据所述N个风格相似值向用户推荐风格相似度最高的前M个所述待选影视图像对应的影视作品,所述M为小于N的整数;
或,
根据所述N个风格相似值向用户推荐风格相似度在阈值范围内的所述待选影视图像。
6.如权利要求1所述的影视推荐方法,其特征在于,
所述计算影视图像数据库中N个待选影视图像对应的图像特征分别与所述目标图像特征的余弦相似度之前,包括:
获取目标影视图像的影视标签;
确定所述影视标签对应的子影视图像数据库;
相应的,所述计算影视图像数据库中N个待选影视图像对应的图像特征分别与所述目标图像特征的余弦相似度,包括:
所述计算所述子影视图像数据库中N个待选影视图像对应的图像特征分别与所述目标图像特征的余弦相似度。
7.一种影视推荐装置,其特征在于,包括:
获取单元,用于获取目标影视图像,所述目标影视图像为给用户推荐影视作品的参考图像;
提取单元,用于通过图像特征提取模型提取所述目标影视图像的目标图像特征,所述图像特征提取模型为经影视资源图片库训练的残差网络模型;
第一计算单元,用于计算影视图像数据库中N个待选影视图像对应的图像特征分别与所述目标图像特征的余弦相似度,获得N个余弦值,所述N为大于一的整数;
第二计算单元,用于根据所述N个余弦值分别计算所述N个待选影视图像与所述目标影视图像的风格相似度,得到N个风格相似值;
推荐单元,用于根据所述N个风格相似值向用户推荐所述待选影视图像对应的影视作品;
所述获取单元,还用于分别获取影片信息和用户信息,所述影片信息包括:所述目标影视图像的影片信息和/或所述待选影视图像的影片信息;所述用户信息包括:用户个人信息和/或用户的观影习惯信息;
所述第二计算单元,还用于根据所述影片信息,所述用户信息以及所述N个余弦值分别计算所述N个待选影视图像与所述目标影视图像的风格相似度。
8.一种影视推荐装置,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6任一项所述方法的步骤。
9.一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6任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910504809.0A CN110399527B (zh) | 2019-06-12 | 2019-06-12 | 影视推荐方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910504809.0A CN110399527B (zh) | 2019-06-12 | 2019-06-12 | 影视推荐方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110399527A CN110399527A (zh) | 2019-11-01 |
CN110399527B true CN110399527B (zh) | 2022-04-19 |
Family
ID=68323071
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910504809.0A Active CN110399527B (zh) | 2019-06-12 | 2019-06-12 | 影视推荐方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110399527B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113868444A (zh) * | 2021-10-20 | 2021-12-31 | 四川长虹电器股份有限公司 | 同源影片查找方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108197574A (zh) * | 2018-01-04 | 2018-06-22 | 张永刚 | 人物风格识别方法、终端及计算机可读存储介质 |
CN108334640A (zh) * | 2018-03-21 | 2018-07-27 | 北京奇艺世纪科技有限公司 | 一种视频推荐方法及装置 |
CN109034953A (zh) * | 2018-07-02 | 2018-12-18 | 西南交通大学 | 一种电影推荐方法 |
CN109783671A (zh) * | 2019-01-30 | 2019-05-21 | 京东方科技集团股份有限公司 | 一种以图搜图的方法、计算机可读介质及服务器 |
-
2019
- 2019-06-12 CN CN201910504809.0A patent/CN110399527B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108197574A (zh) * | 2018-01-04 | 2018-06-22 | 张永刚 | 人物风格识别方法、终端及计算机可读存储介质 |
CN108334640A (zh) * | 2018-03-21 | 2018-07-27 | 北京奇艺世纪科技有限公司 | 一种视频推荐方法及装置 |
CN109034953A (zh) * | 2018-07-02 | 2018-12-18 | 西南交通大学 | 一种电影推荐方法 |
CN109783671A (zh) * | 2019-01-30 | 2019-05-21 | 京东方科技集团股份有限公司 | 一种以图搜图的方法、计算机可读介质及服务器 |
Also Published As
Publication number | Publication date |
---|---|
CN110399527A (zh) | 2019-11-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109543111B (zh) | 推荐信息筛选方法、装置、存储介质及服务器 | |
CN110390033B (zh) | 图像分类模型的训练方法、装置、电子设备及存储介质 | |
CN110704674B (zh) | 一种视频播放完整度预测方法及装置 | |
CN106326391B (zh) | 多媒体资源推荐方法及装置 | |
US9607010B1 (en) | Techniques for shape-based search of content | |
CN109906455A (zh) | 视觉搜索查询中的对象检测 | |
CN110019943B (zh) | 视频推荐方法、装置、电子设备和存储介质 | |
CN108509457A (zh) | 一种视频数据的推荐方法和装置 | |
WO2011089872A1 (ja) | 画像管理装置、画像管理方法、プログラム、記録媒体及び集積回路 | |
CN110008397B (zh) | 一种推荐模型训练方法及装置 | |
CN111078940B (zh) | 图像处理方法、装置、计算机存储介质及电子设备 | |
CN110598095B (zh) | 一种识别包含指定信息文章的方法、装置及存储介质 | |
CN111783712A (zh) | 一种视频处理方法、装置、设备及介质 | |
CN110598120A (zh) | 基于行为数据的理财推荐方法及装置、设备 | |
CN115964560B (zh) | 基于多模态预训练模型的资讯推荐方法及设备 | |
CN117235586A (zh) | 酒店客户画像构建方法、系统、电子设备及存储介质 | |
US20170013309A1 (en) | System and method for product placement | |
CN110399527B (zh) | 影视推荐方法、装置及存储介质 | |
CN115935049A (zh) | 基于人工智能的推荐处理方法、装置及电子设备 | |
CN116541602A (zh) | 推荐内容的推送方法和系统、电子设备及存储介质 | |
CN115965439A (zh) | 数据召回方法、数据召回装置、电子设备及存储介质 | |
CN113641915A (zh) | 对象的推荐方法、装置、设备、存储介质和程序产品 | |
CN114677190A (zh) | 视觉素材的处理方法、装置和系统、计算机终端 | |
CN113395584A (zh) | 一种视频数据处理方法、装置、设备以及介质 | |
Chen et al. | Aesthetic quality inference for online fashion shopping |
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 |