CN110413837A - 视频推荐方法和装置 - Google Patents

Abstract

本申请公开了一种视频推荐方法和装置，属于个性化推荐领域。该方法包括：根据目标用户在历史时间段中对于视频库中视频的操作记录获取目标用户的标签集合；将目标用户的标签集合输入标签转换模型，得到目标用户标签向量；获取目标用户标签向量与视频库中多个视频的视频标签向量的相似度；将相似度最高的指定个数的视频推荐给目标用户。本申请通过标签转换模型将用户的标签集合以及视频库中视频的标签集合均转换为标签向量，并根据用户的标签集合以及视频库中视频的标签向量的相似度来向用户推荐视频，解决了相关技术中推荐的视频的多样性较差的问题。达到了提高推荐的视频的多样性的效果。

Description

视频推荐方法和装置

技术领域

本申请涉及个性化推荐领域，特别涉及一种视频推荐方法和装置。

背景技术

目前，向用户推荐视频的方式层出不穷，但通常的方式是根据用户的历史浏览记录来向用户推荐的视频。

一种视频推荐方法中，在对用户A(该用户A为任意一个用户)进行视频的推荐时，会先根据该用户A的历史浏览记录来确定与该用户A的兴趣类似的另一用户B，之后可以将该用户B浏览过但用户A未浏览过的视频推荐给用户A。

但是，上述方法通常仅会向用户推荐浏览量较大的视频，而难以向用户推荐浏览量较小的视频，进而导致推荐的视频的多样性较差。

发明内容

本申请实施例提供了一种视频推荐方法和装置。所述技术方案如下：

根据本申请的一方面，提供了一种视频推荐方法，该方法包括：

根据目标用户在历史时间段中对于视频的操作记录获取所述目标用户的标签集合，所述历史时间段为当前时刻之前的时间段，所述目标用户的标签集合包括至少一个标签以及每个所述标签的权重；

将所述目标用户的标签集合输入标签转换模型，得到所述目标用户的标签集合对应的目标用户标签向量，所述标签转换模型用于将任意一个标签集合转换为所述任意一个标签集合对应的标签向量；

获取所述目标用户标签向量与视频库中多个视频的视频标签向量的相似度，所述视频库中的任一视频的标签向量，是通过所述标签转换模型将所述任一视频的标签集合转换而成的向量，所述任一视频的标签集合包括至少一个标签以及每个所述标签的权重；

将所述相似度最高的指定个数的视频推荐给所述目标用户。

可选地，每个所述标签向量由维度为P的一维矩阵表示，每个所述标签由维度为Q的一维矩阵表示，

所述根据目标用户在历史时间段中对于视频的操作记录获取所述目标用户的标签集合之前，所述方法还包括：

以所述视频库中每个视频的标签集合作为样本，通过模型训练工具训练得到所述标签转换模型，所述标签转换模型具有C*P+K*Q个参数，其中，所述C为所述视频库中视频的数量，所述K为所述视频库中视频的标签集合的数量。

可选地，所述以所述视频库中每个视频的标签集合作为样本，通过模型训练工具训练得到所述标签转换模型之前，所述方法还包括：

通过人工标定的方式确定所述视频库中每个视频的标签集合，所述视频库中任一视频的标签集合中每个标签的权重为所述每个标签与所述任一视频的相关程度。

可选地，所述相似度为余弦相似度。

可选地，所述将所述目标用户的标签集合输入标签转换模型之前，所述方法还包括：

将指定标签以及所述制定标签的权重添加至所述目标用户的标签集合中。

可选地，所述根据目标用户在历史时间段中对于视频的操作记录获取所述目标用户的标签集合，包括：

获取目标用户在历史时间段中对于视频库中视频的操作以及每次操作的时刻；

将所述目标用户操作过的视频对应的标签确定为所述目标用户的标签；

根据权重计算公式确定所述目标用户的每个标签的权重，所述权重计算公式包括：

其中，所述Z为所述目标用户对所述目标用户的标签中任一标签的权重，所述所述所述T_n为当前时刻，所述T为所述目标用户对所述任一标签对应视频的操作的时刻，所述W为时间权重参数，所述n为所述任一标签被确定为所述目标用户的标签的次数，所述x_k为所述任一标签在第k次被确定为所述目标用户的标签时的权重。

根据本申请的另一方面，提供一种视频推荐装置，所述视频推荐装置包括：

标签集合获取模块，用于根据目标用户在历史时间段中对于视频的操作记录获取所述目标用户的标签集合，所述历史时间段为当前时刻之前的时间段，所述目标用户的标签集合包括至少一个标签以及每个所述标签的权重；

转换模块，用于将所述目标用户的标签集合输入标签转换模型，得到所述目标用户的标签集合对应的目标用户标签向量，所述标签转换模型用于将任意一个标签集合转换为所述任意一个标签集合对应的标签向量；

相似度获取模块，用于获取所述目标用户标签向量与视频库中多个视频的视频标签向量的相似度，所述视频库中的任一视频的标签向量，是通过所述标签转换模型将所述任一视频的标签集合转换而成的向量，所述任一视频的标签集合包括至少一个标签以及每个所述标签的权重；

推荐模块，用于将所述相似度最高的指定个数的视频推荐给所述目标用户。

可选地，每个所述标签向量由维度为P的一维矩阵表示，每个所述标签由维度为Q的一维矩阵表示，

所述视频推荐装置还包括：

模型获取模块，用于以所述视频库中每个视频的标签集合作为样本，通过模型训练工具训练得到所述标签转换模型，所述标签转换模型具有C*P+K*Q个参数，其中，所述C为所述视频库中视频的数量，所述K为所述视频库中视频的标签集合的数量。

可选地，所述视频推荐装置还包括：

标签集合获取模块，用于通过人工标定的方式确定所述视频库中每个视频的标签集合，所述视频库中任一视频的标签集合中每个标签的权重为所述每个标签与所述任一视频的相关程度。

可选地，所述相似度为余弦相似度。

可选地，所述视频推荐装置还包括：

标签添加模块，用于将指定标签以及所述制定标签的权重添加至所述目标用户的标签集合中。

可选地，所述标签集合获取模块，用于：

获取目标用户在历史时间段中对于视频库中视频的操作以及每次操作的时刻；

将所述目标用户操作过的视频对应的标签确定为所述目标用户的标签；

根据权重计算公式确定所述目标用户的每个标签的权重，所述权重计算公式包括：

其中，所述Z为所述目标用户对所述目标用户的标签中任一标签的权重，所述所述所述T_n为当前时刻，所述T为所述目标用户对所述任一标签对应视频的操作的时刻，所述W为时间权重参数，所述n为所述任一标签被确定为所述目标用户的标签的次数，所述x_k为所述任一标签在第k次被确定为所述目标用户的标签时的权重。

根据本申请的另一方面，提供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，视频推荐装置执行所述指令使得所述视频推荐装置实现第一方面所述的视频推荐方法。

本申请实施例提供的技术方案带来的有益效果是：

通过标签转换模型将用户的标签集合以及视频库中视频的标签集合均转换为标签向量，并根据用户的标签集合以及视频库中视频的标签向量的相似度来向用户推荐视频，无需视频具有较高的浏览量和用户量，即可将用户感兴趣的视频推荐给用户，解决了相关技术中推荐的视频的多样性较差的问题。达到了提高推荐的视频的多样性的效果。

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是本申请的实施例的实施环境的示意图；

图2是本申请实施例提供的一种视频推荐方法的流程图；

图3是本申请实施例提供的另一种视频推荐方法的流程图；

图4是本申请实施例提供的一种视频推荐装置的结构框图；

图5是本申请实施例提供的另一种视频推荐装置的结构框图；

图6是本申请实施例提供的另一种视频推荐装置的结构框图；

图7是本申请实施例提供的另一种视频推荐装置的结构框图

图8是本申请实施例提供的一种服务器的结构示意图；

图9是本申请实施例提供的一种终端的结构示意图。

通过上述附图，已示出本申请明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围，而是通过参考特定实施例为本领域技术人员说明本申请的概念。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。

在个性化推荐领域，视频推荐是目前一种越来越受到重视的发展方向。

目前，视频通常具有各种用户添加的标签，如“精彩”、“城市”、“旅行”以及“大神”等，这些标签均是用于描述视频的一些词汇。本申请提供了一种基于这些标签来进行视频的推荐的方法和装置。

图1是本申请实施例的实施环境的示意图，该实施环境可以包括服务器11以及终端12。

服务器11可以为一个服务器或服务器集群。该服务器11可以为视频推荐服务的提供者。

终端12可以为手机、平板电脑、笔记本电脑、智能可穿戴设备等各种具有视频播放功能的终端。终端12可以通过有线或无线的方式(图1示出的是以无线的方式进行联系的情况)与服务器连接。该终端12可以为用户终端。

图2是本申请实施例提供的一种视频推荐方法的流程图，该方法可以应用于图1所示实施环境中的服务器。该方法可以包括下面几个步骤：

步骤201、根据目标用户在历史时间段中对于视频的操作记录获取目标用户的标签集合，历史时间段为当前时刻之前的时间段，目标用户的标签集合包括至少一个标签以及每个标签的权重。

步骤202、将目标用户的标签集合输入标签转换模型，得到目标用户的标签集合对应的目标用户标签向量，标签转换模型用于将任意一个标签集合转换为任意一个标签集合对应的标签向量。

步骤203、获取目标用户标签向量与视频库中多个视频的视频标签向量的相似度，视频库中的任一视频的标签向量，是通过标签转换模型将任一视频的标签集合转换而成的向量，任一视频的标签集合包括至少一个标签以及每个标签的权重。

步骤204、将相似度最高的指定个数的视频推荐给目标用户。

综上所述，本申请实施例提供的视频推荐方法，通过标签转换模型将用户的标签集合以及视频库中视频的标签集合均转换为标签向量，并根据用户的标签集合以及视频库中视频的标签向量的相似度来向用户推荐视频，无需视频具有较高的浏览量和用户量，即可将用户感兴趣的视频推荐给用户，解决了相关技术中推荐的视频的多样性较差的问题。达到了提高推荐的视频的多样性的效果。

图3是本申请实施例提供的另一种视频推荐方法的流程图，该方法可以应用于图1所示实施环境中的服务器。该方法可以包括下面几个步骤：

步骤301、通过人工标定的方式确定视频库中每个视频的标签集合，视频库中任一视频的标签集合中每个标签的权重为每个标签与任一视频的相关程度。

在应用本申请实施例提供的视频推荐方法时，服务器可以通过人工标定的方式确定视频库中每个视频的标签集合，在对视频库中任一视频进行人工标定时，可以以每个标签与该任一视频的相关程度(或称切合程度)为每个标签的权重为，即标签与视频的相关程度越高，则标签的权重越高，标签与视频的相关程度越低，则标签的权重即越低。每个视频的标签集合可以为一个有序的序列，序列中的每个标签按照权重的由大至小依次排列。

其中，视频库可以是包括有大量待推荐视频的集合。人工标定可以是指由相关人员来观看视频，并对视频添加各种标签。

本申请实施例中，视频可以是指长视频，比如电影，电视剧和综艺节目等，也可以是短视频，比如精彩瞬间集锦，搞笑短视频以及视频博客等。

步骤302、以视频库中每个视频的标签集合作为样本，通过模型训练工具训练得到标签转换模型。

为了便于进行数据分析，本申请实施例中，可以使每个标签向量由维度为P的一维矩阵M表示，每个标签由维度为Q的一维矩阵X表示，标签转换模型可以具有C*P+K*Q个参数，其中，C为视频库中视频的数量，K为视频库中视频的标签集合的数量。

其中，模型训练工具可以为本领域的常规工具，在此不再赘述。

至本步骤结束，以得到用于将标签集合转换为标签向量的标签转换模型。服务器可以在视频库中视频以及标签的改变的过程中，持续调整标签转换模型，以提高该标签转换模型的精确程度。

步骤303、获取目标用户在历史时间段中对于视频库中视频的操作以及每次操作的时刻。

服务器可以获取目标用户在当前时刻之前的历史时间段中对于视频库中视频的操作以及每次操作的时刻，其中操作可以包括对视频的评论、观看、收藏、购买和添加标签等。而时刻可以由时间戳(英文：timestamp)来记录。

步骤304、将目标用户操作过的视频对应的标签确定为目标用户的标签。

服务器可以将目标用户操作过的视频的标签确定为目标用户的标签。若存在重复的标签，则可以将重复的标签进行合并。

示例性的，用户在历史时间段对视频A和B进行了操作，视频A对应的标签包括a1、a2和a3，视频B对应的标签包括a1、a2和b1，则可以将这些标签均确定为目标用户的的标签，即目标用户的标签可以为a1、a2、a3和b1。

步骤305、根据权重计算公式确定目标用户对应的每个标签的权重。

其中，权重计算公式包括：

其中，Z为目标用户对目标用户的标签中任一标签的权重， T_n为当前时刻，T为目标用户对任一标签对应视频的操作的时刻，W为时间权重参数，n为任一标签被确定为目标用户的标签的次数，x_k为任一标签在第k次被确定为目标用户的标签时的权重。

示例性的，若目标用户的标签为a1、a2、a3和b1，其中a1被确定为目标用户的标签两次，一次为根据用户在时刻t1对视频A的操作，将a1确定为目标用户的标签，另一次为根据用户在时刻t2对视频A的操作，将a1确定为目标用户的标签，则可以根据上述权重计算公式，计算标签a1每次被确定为目标用户的标签时的权重，并将每次的权重相加，以作为该标签a1在目标用户标签集合中的权重。

在获取了目标用户对应的每个标签的权重后，为了便于后续步骤进行分析，可以同样将目标用户的标签集合中的标签按照每个标签的权重，由大至小依次排列。

步骤306、将指定标签以及制定标签的权重添加至目标用户的标签集合中。

该指定标签可以为热门标签或是其他类型的标签，通过将该制定标签添加到目标用户的标签集合中，可以达到调控推荐给目标用户的视频的效果。其中制定标签的权重可以根据设计中该制定标签的重要程度进行设定。

步骤306为可选地步骤。

步骤307、将目标用户的标签集合输入标签转换模型，得到目标用户的标签集合对应的目标用户标签向量。

服务器可以将目标用户的标签集合输入标签转换模型，得到目标用户的标签集合对应的目标用户标签向量。如此便可以将各个用户的标签集合转换成统一标准的标签向量。

步骤308、获取目标用户标签向量与视频库中多个视频的视频标签向量的相似度。

其中，视频库中的任一视频的标签向量，是通过上述步骤302获取的标签转换模型将任一视频的标签集合转换而成的向量，任一视频的标签集合为上述步骤301中得到的。

在本步骤中，视频库中的视频以及用户的标签集合均以统一的标准转换为了标签向量，如此便能够分析视频库中的视频的标签向量与用户的标签向量的相似程度。

相似度可以为余弦相似度，余弦相似度的公式可以包括：

其中，cos为余弦相似度，xi为用户的标签向量中的第i个元素，yi为视频的标签向量中的第i个元素，Q为标签向量的维度。

步骤309、将相似度最高的指定个数的视频推荐给目标用户。

服务器可以将视频库中与用户的标签向量的相似度最高的至少一个视频推荐给目标用户，推荐的方式可以为向目标用户的终端(例如图1所示实施环境中的终端12)发送推荐信息。推荐的视频的个数可以根据需要进行设置。

另外，服务器还可以将其他的指定视频(比如广告视频以及其他热门视频等)一并推荐给目标用户，本申请实施例不进行限制。

综上所述，本申请实施例提供的视频推荐方法，通过标签转换模型将用户的标签集合以及视频库中视频的标签集合均转换为标签向量，并根据用户的标签集合以及视频库中视频的标签向量的相似度来向用户推荐视频，无需视频具有较高的浏览量和用户量，即可将用户感兴趣的视频推荐给用户，解决了相关技术中推荐的视频的多样性较差的问题。达到了提高推荐的视频的多样性的效果。

图4是本申请提供的一种视频推荐装置的结构框图，该视频推荐装置可以通过软件、硬件或者两者的结合实现成为服务器的部分或者全部。视频推荐装置400包括：

标签集合获取模块410，用于根据目标用户在历史时间段中对于视频的操作记录获取目标用户的标签集合，历史时间段为当前时刻之前的时间段，目标用户的标签集合包括至少一个标签以及每个标签的权重；

转换模块420，用于将目标用户的标签集合输入标签转换模型，得到目标用户的标签集合对应的目标用户标签向量，标签转换模型用于将任意一个标签集合转换为任意一个标签集合对应的标签向量；

相似度获取模块430，用于获取目标用户标签向量与视频库中多个视频的视频标签向量的相似度，视频库中的任一视频的标签向量，是通过标签转换模型将任一视频的标签集合转换而成的向量，任一视频的标签集合包括至少一个标签以及每个标签的权重；

推荐模块440，用于将相似度最高的指定个数的视频推荐给目标用户。

可选地，每个标签向量由维度为P的一维矩阵表示，每个标签由维度为Q的一维矩阵表示。如图5所示，一种视频推荐装置400还包括：

模型获取模块450，用于以视频库中每个视频的标签集合作为样本，通过模型训练工具训练得到标签转换模型，标签转换模型具有C*P+K*Q个参数，其中，C为视频库中视频的数量，K为视频库中视频的标签集合的数量。

可选地，如图6所示，一种视频推荐装置400还包括：

标签集合获取模块460，用于通过人工标定的方式确定视频库中每个视频的标签集合，视频库中任一视频的标签集合中每个标签的权重为每个标签与任一视频的相关程度。

可选地，相似度为余弦相似度。

可选地，如图7所示，一种视频推荐装置400还包括：

标签添加模块470，用于将指定标签以及制定标签的权重添加至目标用户的标签集合中。

可选地，标签集合获取模块410，用于：

获取目标用户在历史时间段中对于视频库中视频的操作以及每次操作的时刻；

将目标用户操作过的视频对应的标签确定为目标用户的标签；

根据权重计算公式确定目标用户的每个标签的权重，权重计算公式包括：

其中，T_n为当前时刻，T为目标用户对目标用户的标签中任一标签对应视频的操作的时刻，W为时间权重参数，n为任一标签被确定为目标用户的标签的次数，x_k为任一标签在第k次被确定为目标用户的标签时的权重。

综上所述，本申请实施例提供的视频推荐装置，通过标签转换模型将用户的标签集合以及视频库中视频的标签集合均转换为标签向量，并根据用户的标签集合以及视频库中视频的标签向量的相似度来向用户推荐视频，无需视频具有较高的浏览量和用户量，即可将用户感兴趣的视频推荐给用户，解决了相关技术中推荐的视频的多样性较差的问题。达到了提高推荐的视频的多样性的效果。

图8示出了本申请一个实施例提供的服务器的结构示意图，该服务器可以是图1所示实施环境中的服务器。

服务器800包括中央处理单元(CPU)801、包括随机存取存储器(RAM)802和只读存储器(ROM)803的系统存储器804，以及连接系统存储器804和中央处理单元801的系统总线805。服务器800还包括帮助计算机内的各个器件之间传输信息的基本输入/输出系统(I/O系统)806，和用于存储操作系统813、应用程序814和其他程序模块815的大容量存储设备807。

基本输入/输出系统806包括有用于显示信息的显示器808和用于用户输入信息的诸如鼠标、键盘之类的输入设备809。其中显示器808和输入设备809都通过连接到系统总线805的输入输出控制器810连接到中央处理单元801。基本输入/输出系统806还可以包括输入输出控制器810以用于接收和处理来自键盘、鼠标、或电子触控笔等多个其他设备的输入。类似地，输入输出控制器810还提供输出到显示屏、打印机或其他类型的输出设备。

大容量存储设备807通过连接到系统总线805的大容量存储控制器(未示出)连接到中央处理单元801。大容量存储设备807及其相关联的计算机可读介质为服务器800提供非易失性存储。也就是说，大容量存储设备807可以包括诸如硬盘或者CD-ROM驱动器之类的计算机可读介质(未示出)。

不失一般性，计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括RAM、ROM、EPROM、EEPROM、闪存或其他固态存储其技术，CD-ROM、DVD或其他光学存储、磁带盒、磁带、磁盘存储或其他磁性存储设备。当然，本领域技术人员可知计算机存储介质不局限于上述几种。上述的系统存储器804和大容量存储设备807可以统称为存储器。

根据本申请的各种实施例，服务器800还可以通过诸如因特网等网络连接到网络上的远程计算机运行。也即服务器800可以通过连接在系统总线805上的网络接口单元811连接到网络812，或者说，也可以使用网络接口单元811来连接到其他类型的网络或远程计算机系统(未示出)。

上述存储器还包括一个或者一个以上的程序，一个或者一个以上程序存储于存储器中，被配置由CPU执行。

图9示出了本申请一个示例性实施例提供的终端900的结构框图，该终端900可以是图1所示实施环境中的终端。该终端900可以是便携式移动终端，比如：智能手机、平板电脑、MP3播放器(Moving Picture Experts Group Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、笔记本电脑或台式电脑。终端900还可能被称为用户终端、便携式终端、膝上型终端、台式终端等其他名称。

通常，终端900包括有：处理器901和存储器902。

处理器901可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器901可以采用DSP(Digital Signal Processing，数字信号处理)、FPGA(Field－Programmable Gate Array，现场可编程门阵列)或者PLA(Programmable Logic Array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器901也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(CentralProcessing Unit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器901可以在集成有GPU(Graphics Processing Unit，图像处理器)，GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器901还可以包括AI(Artificial Intelligence，人工智能)处理器，该AI处理器用于处理有关机器学习的计算操作。

存储器902可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器902还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中，存储器902中的非暂态的计算机可读存储介质用于存储至少一个指令，该至少一个指令用于被处理器901所执行以实现本申请中方法实施例提供的视频推荐方法。

在一些实施例中，终端900还可选包括有：外围设备接口903和至少一个外围设备。处理器901、存储器902和外围设备接口903之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与外围设备接口903相连。具体地，外围设备包括：射频电路904、触摸显示屏905、摄像头906、音频电路907、定位组件908或者电源909中的至少一种。

外围设备接口903可被用于将I/O(Input/Output，输入/输出)相关的至少一个外围设备连接到处理器901和存储器902。在一些实施例中，处理器901、存储器902和外围设备接口903被集成在同一芯片或电路板上；在一些其他实施例中，处理器901、存储器902和外围设备接口903中的任意一个或两个可以在单独的芯片或电路板上实现，本实施例对此不加以限定。

射频电路904用于接收和发射RF(Radio Frequency，射频)信号，也称电磁信号。射频电路904通过电磁信号与通信网络以及其他通信设备进行通信。射频电路904将电信号转换为电磁信号进行发送，或者，将接收到的电磁信号转换为电信号。可选地，射频电路904包括：天线系统、RF收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等等。射频电路904可以通过至少一种无线通信协议来与其它终端进行通信。该无线通信协议包括但不限于：万维网、城域网、内联网、各代移动通信网络(2G、3G、4G及5G)、无线局域网和/或WiFi(Wireless Fidelity，无线保真)网络。在一些实施例中，射频电路904还可以包括NFC(Near Field Communication，近距离无线通信)有关的电路，本申请对此不加以限定。

显示屏905用于显示UI(User Interface，用户界面)。该UI可以包括图形、文本、图标、视频及其它们的任意组合。当显示屏905是触摸显示屏时，显示屏905还具有采集在显示屏905的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器901进行处理。此时，显示屏905还可以用于提供虚拟按钮和/或虚拟键盘，也称软按钮和/或软键盘。在一些实施例中，显示屏905可以为一个，设置终端900的前面板；在另一些实施例中，显示屏905可以为至少两个，分别设置在终端900的不同表面或呈折叠设计；在再一些实施例中，显示屏905可以是柔性显示屏，设置在终端900的弯曲表面上或折叠面上。甚至，显示屏905还可以设置成非矩形的不规则图形，也即异形屏。显示屏905可以采用LCD(LiquidCrystal Display，液晶显示屏)、OLED(Organic Light-Emitting Diode,有机发光二极管)等材质制备。

摄像头组件906用于采集图像或视频。可选地，摄像头组件906包括前置摄像头和后置摄像头。通常，前置摄像头设置在终端的前面板，后置摄像头设置在终端的背面。在一些实施例中，后置摄像头为至少两个，分别为主摄像头、景深摄像头、广角摄像头、长焦摄像头中的任意一种，以实现主摄像头和景深摄像头融合实现背景虚化功能、主摄像头和广角摄像头融合实现全景拍摄以及VR(Virtual Reality，虚拟现实)拍摄功能或者其它融合拍摄功能。在一些实施例中，摄像头组件906还可以包括闪光灯。闪光灯可以是单色温闪光灯，也可以是双色温闪光灯。双色温闪光灯是指暖光闪光灯和冷光闪光灯的组合，可以用于不同色温下的光线补偿。

音频电路907可以包括麦克风和扬声器。麦克风用于采集用户及环境的声波，并将声波转换为电信号输入至处理器901进行处理，或者输入至射频电路904以实现语音通信。出于立体声采集或降噪的目的，麦克风可以为多个，分别设置在终端900的不同部位。麦克风还可以是阵列麦克风或全向采集型麦克风。扬声器则用于将来自处理器901或射频电路904的电信号转换为声波。扬声器可以是传统的薄膜扬声器，也可以是压电陶瓷扬声器。当扬声器是压电陶瓷扬声器时，不仅可以将电信号转换为人类可听见的声波，也可以将电信号转换为人类听不见的声波以进行测距等用途。在一些实施例中，音频电路907还可以包括耳机插孔。

定位组件908用于定位终端900的当前地理位置，以实现导航或LBS(LocationBased Service，基于位置的服务)。定位组件908可以是基于美国的GPS(GlobalPositioning System，全球定位系统)、中国的北斗系统或俄罗斯的伽利略系统的定位组件。

电源909用于为终端900中的各个组件进行供电。电源909可以是交流电、直流电、一次性电池或可充电电池。当电源909包括可充电电池时，该可充电电池可以是有线充电电池或无线充电电池。有线充电电池是通过有线线路充电的电池，无线充电电池是通过无线线圈充电的电池。该可充电电池还可以用于支持快充技术。

在一些实施例中，终端900还包括有一个或多个传感器910。该一个或多个传感器910包括但不限于：加速度传感器911、陀螺仪传感器912、压力传感器913、指纹传感器914、光学传感器915以及接近传感器916。

加速度传感器911可以检测以终端900建立的坐标系的三个坐标轴上的加速度大小。比如，加速度传感器911可以用于检测重力加速度在三个坐标轴上的分量。处理器901可以根据加速度传感器911采集的重力加速度信号，控制触摸显示屏905以横向视图或纵向视图进行用户界面的显示。加速度传感器911还可以用于游戏或者用户的运动数据的采集。

陀螺仪传感器912可以检测终端900的机体方向及转动角度，陀螺仪传感器912可以与加速度传感器911协同采集用户对终端900的3D动作。处理器901根据陀螺仪传感器912采集的数据，可以实现如下功能：动作感应(比如根据用户的倾斜操作来改变UI)、拍摄时的图像稳定、游戏控制以及惯性导航。

压力传感器913可以设置在终端900的侧边框和/或触摸显示屏905的下层。当压力传感器913设置在终端900的侧边框时，可以检测用户对终端900的握持信号，由处理器901根据压力传感器913采集的握持信号进行左右手识别或快捷操作。当压力传感器913设置在触摸显示屏905的下层时，由处理器901根据用户对触摸显示屏905的压力操作，实现对UI界面上的可操作性控件进行控制。可操作性控件包括按钮控件、滚动条控件、图标控件或者菜单控件中的至少一种。

指纹传感器914用于采集用户的指纹，由处理器901根据指纹传感器914采集到的指纹识别用户的身份，或者，由指纹传感器914根据采集到的指纹识别用户的身份。在识别出用户的身份为可信身份时，由处理器901授权该用户执行相关的敏感操作，该敏感操作包括解锁屏幕、查看加密信息、下载软件、支付及更改设置等。指纹传感器914可以被设置终端900的正面、背面或侧面。当终端900上设置有物理按键或厂商Logo时，指纹传感器914可以与物理按键或厂商Logo集成在一起。

光学传感器915用于采集环境光强度。在一个实施例中，处理器901可以根据光学传感器915采集的环境光强度，控制触摸显示屏905的显示亮度。具体地，当环境光强度较高时，调高触摸显示屏905的显示亮度；当环境光强度较低时，调低触摸显示屏905的显示亮度。在另一个实施例中，处理器901还可以根据光学传感器915采集的环境光强度，动态调整摄像头组件906的拍摄参数。

接近传感器916，也称距离传感器，通常设置在终端900的前面板。接近传感器916用于采集用户与终端900的正面之间的距离。在一个实施例中，当接近传感器916检测到用户与终端900的正面之间的距离逐渐变小时，由处理器901控制触摸显示屏905从亮屏状态切换为息屏状态；当接近传感器916检测到用户与终端900的正面之间的距离逐渐变大时，由处理器901控制触摸显示屏905从息屏状态切换为亮屏状态。

本领域技术人员可以理解，图9中示出的结构并不构成对终端900的限定，可以包括比图示更多或更少的组件，或者组合某些组件，或者采用不同的组件布置。

本申请还提供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，视频推荐装置执行该指令使得视频推荐装置实现上述实施例提供的视频推荐方法。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，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，例如多个模块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信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

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步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

以上所述仅为本申请的可选实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种视频推荐方法，其特征在于，所述方法包括：

根据目标用户在历史时间段中对于视频库中视频的操作记录获取所述目标用户的标签集合，所述历史时间段为当前时刻之前的时间段，所述目标用户的标签集合包括至少一个标签以及每个所述标签的权重；

将所述目标用户的标签集合输入标签转换模型，得到所述目标用户的标签集合对应的目标用户标签向量，所述标签转换模型用于将任意一个标签集合转换为所述任意一个标签集合对应的标签向量；

获取所述目标用户标签向量与所述视频库中多个视频的视频标签向量的相似度，所述视频库中的任一视频的标签向量，是通过所述标签转换模型将所述任一视频的标签集合转换而成的向量，所述任一视频的标签集合包括至少一个标签以及每个所述标签的权重；

将所述相似度最高的指定个数的视频推荐给所述目标用户。

2.根据权利要求1所述的方法，其特征在于，每个所述标签向量由维度为P的一维矩阵表示，每个所述标签由维度为Q的一维矩阵表示，

所述根据目标用户在历史时间段中对于视频的操作记录获取所述目标用户的标签集合之前，所述方法还包括：

以所述视频库中每个视频的标签集合作为样本，通过模型训练工具训练得到所述标签转换模型，所述标签转换模型具有C*P+K*Q个参数，其中，所述C为所述视频库中视频的数量，所述K为所述视频库中视频的标签集合的数量。

3.根据权利要求2所述的方法，其特征在于，所述以所述视频库中每个视频的标签集合作为样本，通过模型训练工具训练得到所述标签转换模型之前，所述方法还包括：

通过人工标定的方式确定所述视频库中每个视频的标签集合，所述视频库中任一视频的标签集合中每个标签的权重为所述每个标签与所述任一视频的相关程度。

4.根据权利要求1所述的方法，其特征在于，所述将所述目标用户的标签集合输入标签转换模型之前，所述方法还包括：

将指定标签以及所述制定标签的权重添加至所述目标用户的标签集合中。

5.根据权利要求1所述的方法，其特征在于，所述根据目标用户在历史时间段中对于视频库中视频的操作记录获取所述目标用户的标签集合，包括：

获取目标用户在历史时间段中对于视频库中视频的操作以及每次操作的时刻；

将所述目标用户操作过的视频对应的标签确定为所述目标用户的标签；

根据权重计算公式确定所述目标用户的每个标签的权重，所述权重计算公式包括：

其中，所述Z为所述目标用户对所述目标用户的标签中任一标签的权重，所述所述所述T_n为当前时刻，所述T为所述目标用户对所述任一标签对应视频的操作的时刻，所述W为时间权重参数，所述n为所述任一标签被确定为所述目标用户的标签的次数，所述x_k为所述任一标签在第k次被确定为所述目标用户的标签时的权重。

6.一种视频推荐装置，其特征在于，所述视频推荐装置包括：

标签集合获取模块，用于根据目标用户在历史时间段中对于视频的操作记录获取所述目标用户的标签集合，所述历史时间段为当前时刻之前的时间段，所述目标用户的标签集合包括至少一个标签以及每个所述标签的权重；

转换模块，用于将所述目标用户的标签集合输入标签转换模型，得到所述目标用户的标签集合对应的目标用户标签向量，所述标签转换模型用于将任意一个标签集合转换为所述任意一个标签集合对应的标签向量；

相似度获取模块，用于获取所述目标用户标签向量与视频库中多个视频的视频标签向量的相似度，所述视频库中的任一视频的标签向量，是通过所述标签转换模型将所述任一视频的标签集合转换而成的向量，所述任一视频的标签集合包括至少一个标签以及每个所述标签的权重；

推荐模块，用于将所述相似度最高的指定个数的视频推荐给所述目标用户。

7.根据权利要求6所述的视频推荐装置，其特征在于，每个所述标签向量由维度为P的一维矩阵表示，每个所述标签由维度为Q的一维矩阵表示，

所述视频推荐装置还包括：

模型获取模块，用于以所述视频库中每个视频的标签集合作为样本，通过模型训练工具训练得到所述标签转换模型，所述标签转换模型具有C*P+K*Q个参数，其中，所述C为所述视频库中视频的数量，所述P为所述矩阵M的维度，所述K为所述视频库中视频的标签集合的数量，所述Q为所述矩阵X的维度。

8.根据权利要求7所述的视频推荐装置，其特征在于，所述视频推荐装置还包括：

标签集合获取模块，用于通过人工标定的方式确定所述视频库中每个视频的标签集合，所述视频库中任一视频的标签集合中每个标签的权重为所述每个标签与所述任一视频的相关程度。

9.根据权利要求6所述的视频推荐装置，其特征在于，所述视频推荐装置还包括：

标签添加模块，用于将指定标签以及所述制定标签的权重添加至所述目标用户的标签集合中。

10.根据权利要求6所述的视频推荐装置，其特征在于，所述标签集合获取模块，用于：

获取目标用户在历史时间段中对于视频库中视频的操作以及每次操作的时刻；

将所述目标用户操作过的视频对应的标签确定为所述目标用户的标签；

根据权重计算公式确定所述目标用户的每个标签的权重，所述权重计算公式包括：

其中，所述Z为所述目标用户对所述目标用户的标签中任一标签的权重，所述所述所述T_n为当前时刻，所述T为所述目标用户对所述任一标签对应视频的操作的时刻，所述W为时间权重参数，所述n为所述任一标签被确定为所述目标用户的标签的次数，所述x_k为所述任一标签在第k次被确定为所述目标用户的标签时的权重。