CN110475154A - 网络电视视频播放方法和装置、网络电视和计算机介质 - Google Patents

Abstract

本公开提供了一种网络电视视频播放方法和装置、网络电视和计算机介质。该方法包括：识别正在观看网络电视的用户属性；获取正在播放的视频片段的标签；响应于识别出的用户属性匹配于获取的标签，跳过正在播放的视频片段。本公开实施例使网络电视能够根据观看者的一些特点，自动跳过视频的某一段不播放。

Description

网络电视视频播放方法和装置、网络电视和计算机介质

技术领域

本公开涉及网络电视领域，具体涉及一种网络电视视频播放方法和装置、网络电视和计算机介质。

背景技术

随着网络电视的普及，使用电视不但可以观看电视台播放的内容，还可以观看互联网上的视频。网络电视一般都是家庭共享。一家人观看电视时，不可避免地会有一些无法预知的少儿不宜的片段出现在视频中，这时候如果进行视频快进来不及的话，会对少儿身心造成不良影响。对于老年人，如果一些恐怖的画面出现在电视上，容易对老年人健康造成影响。对于女性，如果出现暴力打斗的场面，也是希望跳过去不看的。

然而，现有技术中缺乏一种使网络电视能够根据观看者的一些特点，自动跳过视频的某一段不播放的机制。

发明内容

本公开的一个目的在于使网络电视能够根据观看者的一些特点，自动跳过视频的某一段不播放。

根据本公开实施例的第一方面，提供了一种网络电视视频播放方法，包括：

识别正在观看网络电视的用户属性；

获取正在播放的视频片段的标签；

响应于识别出的用户属性匹配于获取的标签，跳过正在播放的视频片段。

根据本公开实施例的第二方面，提供了一种网络电视视频播放装置，包括：

识别单元，用于识别正在观看网络电视的用户属性；

获取单元，用于获取正在播放的视频片段的标签；

跳过单元，用于响应于识别出的用户属性匹配于获取的标签，跳过正在播放的视频片段。

根据本公开实施例的第三方面，提供了一种网络电视，包括：

存储器，存储有计算机可读指令；

处理器，读取存储器存储的计算机可读指令，以执行如上所述的方法。

根据本公开实施例的第四方面，提供了一种计算机程序介质，其上存储有计算机可读指令，当所述计算机可读指令被计算机的处理器执行时，使计算机执行如上所述的方法。

本公开的实施例中，识别正在观看网络电视的用户属性，如用户是小孩或女性，获取正在播放的视频片段的标签，如少儿不宜或暴力等等，基于识别的用户属性和获取的标签的匹配，决定是否跳过正在播放的视频片段。因此，达到了使网络电视能够根据观看者的一些特点，自动跳过视频的某一段不播放的目的。

本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本公开。

附图说明

通过参照附图详细描述其示例实施例，本公开的上述和其它目标、特征及优点将变得更加显而易见。

图1示出根据本公开一示例实施方式的网络电视视频播放方法应用的系统构架的示意图。

图2示出根据本公开一示例实施方式的使用网络电视播放视频的流程图，该使用网络电视播放视频的流程是根据本公开示例实施方式的网络电视视频播放方法总体上所依赖的上下文环境。

图3示出根据本公开一示例实施方式的网络电视视频播放方法的流程图。

图4示出根据本公开一示例实施方式的网络电视视频播放方法的流程图。

图5示出根据本公开一示例实施方式的网络电视视频播放方法的流程图。

图6示出根据本公开一示例实施方式的标签与视频片段的时间区间的对应关系列表的一种人工获得方式的流程图。

图7示出根据本公开一示例实施方式的标签与视频片段的时间区间的对应关系列表的一种自动获得方式的流程图。

图8示出根据本公开一示例实施方式的网络电视视频播放方法的流程图。

图9示出根据本公开一示例实施方式的建立用户属性与标签匹配关系表的一个具体流程图。

图10示出根据本公开一示例实施方式的建立用户属性与标签匹配关系表的另一个具体流程图。

图11示出根据本公开一示例实施方式的建立用户属性与标签匹配关系表的另一个具体流程图。

图12示出根据本公开一示例实施方式的网络电视视频播放方法的流程图。

图13示出本公开一示例实施方式中使用的人脸识别模型的示意图。

图14示出根据本公开一示例实施方式的网络电视视频播放方法的流程图。

图15示出根据本公开一示例实施方式的一种网络电视视频播放方法应用在防止小孩看到少儿不宜画面的应用场景的具体流程图。

图16示出根据本公开一示例实施方式的一种网络电视视频播放装置的模块图。

图17示出根据本公开一示例实施方式的一种网络电视的硬件结构图。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些示例实施方式使得本公开的描述将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。

此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多示例实施方式中。在下面的描述中，提供许多具体细节从而给出对本公开的示例实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、步骤等。在其它情况下，不详细示出或描述公知结构、方法、实现或者操作以避免喧宾夺主而使得本公开的各方面变得模糊。

附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

图1示出根据本公开一示例实施方式的网络电视视频播放方法应用的系统构架的示意图。该系统构架包括服务器2和与服务器有线或无线连接的网络电视1。

网络电视1是指既能象传统电视一样收看到电视节目，又能象计算机一样上网的电视。因此，网络电视1的用户既能通过网络电视1观看电视，又能通过网络电视1观看网络视频。网络电视1有两类。一类是传统电视加机顶盒的形式，在机顶盒中安装了用户上网需要的所有接口功能；另一类是没有明显的机顶盒的网络电视，但用户上网需要的所有接口功能已经整合在电视机本身中。

服务器2有软件角度的服务器和硬件角度的服务器。从硬件的角度而言，服务器2是物理上存在的服务器，它可以是由一台物理计算机构成的服务器，也可以是由多台物理计算机合起来构成的集群服务器。从软件的角度上说，服务器指的是具备服务器端功能的电脑软件，以及正在运行的服务器端软件。它可以是只占用一台计算机的一部分的虚拟服务器，也可以是分别占用多台计算机的各自的一部分或全部的虚拟集群服务器。尤其在云环境下，虚拟集群服务器应用得比较普遍。因此，可以把整个系统构架，看成是由无数的节点和连接通道共同构建而成。从“硬”的方面说，该构架是由无数的硬件服务器和其他数字化计算设备终端(比如网络电视1等)以及中间连接设备(比如网线、路由器等等)构建而成的。从“软”的方面说，该构架是由无数运行着的服务器端软件和客户端软件(如网络电视1上的应用)以及它们的相互连接交流而构建成的。

用户3是指在网络电视1前观看的用户，不一定是网络电视1的所有者。网络电视1具有摄像头(未示)，能够拍摄网络电视1前的场景。网络电视1中有人脸识别功能，能够从摄像头拍摄的场景中识别出人脸。

下面结合图2简要描述一下图1的系统构架在使用网络电视播放视频时的运行场景。图2示出根据本公开一示例实施方式的使用网络电视播放视频的流程图，它是根据本公开示例实施方式的网络电视视频播放方法总体上所依赖的上下文环境。

在步骤410，当用户打开网络电视1时，由于网络电视1具有传统电视功能和上网功能，用户如果想要观看网络上的视频，可以选择进入上网页面，进入视频应用(如爱奇艺)。

在步骤420，视频应用的页面上展示了视频应用推荐的一些视频。用户如果想要观看其中的视频，可以选择视频进行观看。当用户选择要看的视频后，视频应用向服务器发送该视频的请求。

在步骤430，视频应用的页面上除了展示推荐的一些视频之外，还有搜索栏或搜索框。用户通过遥控器，可以在搜索栏或搜索框写入要观看的视频名或关键字。视频应用将写入的视频名或关键字上报到服务器，由服务器进行搜索。服务器将搜索结果发送到视频应用。视频应用界面上展示搜索结果。用户选择其中一个视频。视频应用向服务器2发送该选择的视频的请求。

在步骤420或430，视频应用向服务器发送视频的请求后，在步骤440中，服务器向视频应用返回视频详情，展示在视频详情页中。视频详情页中有视频的介绍、导演、编剧、演员、时间长度等信息。用户如果满意，则确认播放。视频应用向服务器2发送该视频内容的请求。

在步骤450中，服务器2向视频应用发送视频内容。视频应用播放该视频。

根据本公开示例实施方式的网络电视视频播放方法主要体现在上述步骤450中。在视频应用播放视频时，根据观看的用户的一些特点，自动跳过视频的某一段不播放。

图3示出根据本公开一示例实施方式的网络电视视频播放方法的流程图。这里的视频应该指网络视频，即互联网上的视频。视频片段是视频的一个片段。该方法主要由网络电视1执行。

如图3所示，根据本公开的实施例的一种网络电视视频播放方法包括：

步骤210、识别正在观看网络电视的用户属性；

步骤220、获取正在播放的视频片段的标签；

步骤230、响应于识别出的用户属性匹配于获取的标签，跳过正在播放的视频片段。

下面对这些步骤进行详细描述。

在步骤210，识别正在观看网络电视的用户属性。

用户属性是指用户本身具有的性质，如性别、年龄、身高、肥胖程度。在某些情况下，也可以把用户姓名作为用户属性。

步骤210可以通过人脸识别来实现。在一个实施例中，步骤210包括：

从拍摄的正在观看网络电视的用户的画面中，提取用户的人脸；

将提取出的人脸输入机器学习模型，该机器学习模型输出该人脸对应的用户属性，该机器学习模型事先用人脸样本集合训练而成，人脸样本集合中的每个人脸样本事先标注有用户属性。

下面结合图13例示该用户属性识别过程。

首先，网络电视1上的摄像头51拍摄网络电视1前的场景。

接着，在步骤510，对摄像头51拍摄到的视频进行预处理。预处理包括：从拍摄到的视频中提取出人脸图片，通过过滤器过滤，并进行人脸的大小进行标准化，从而得到统一规范的人脸图片。

在步骤520，对统一规范的人脸图片进行特征提取。特征是从人脸图片中提取出来的、对于区别不同人脸来说关键的要素。在一个实施例中，采用基于特征描述子52的方法提取特征。基于特征描述子的方法已广泛应用于人脸识别领域，逐渐发展为特征生成方法。特征生成已成为现代模式识别的一个非常重要环节。特征生成就是讲原始输入特征(如原始图像矩阵)以某种全局或局部的变换映射到一个特征空间，一般维数较高。局部二值模式(LBP)、局部三值模式(LTP)都属于特征描述子。

提取出特征后，将提取出的特征输入机器学习模型55。该机器学习模型55事先用大量的人脸样本组成的人脸样本集合来训练，且这些人脸样本都事先标注有用户属性。以用户属性是性别为例。用大量男性的人脸样本和大量女性的人脸样本构成人脸样本集合，分别标注男和女。对于每一个人脸样本，采用基于特征描述子52的方法提取特征，输入机器学习模型55。由于已知该人脸样本的用户属性是男还是女，在机器学习模型55中，利用深度学习53的方法调整深度学习网络中的各项系数，使得对于输入的人脸样本，经过深度学习网络的各项系数运算，输出结果为该人脸样本已知的该人脸样本的性别，即男或女。用大量人脸样本训练机器学习模型55的过程，实际上是不断训练深度学习中的各项系数，使机器学习模型55根据输入的人脸输出用户属性的正确率越来越高的过程。

在步骤530中，由机器学习模型55对步骤520提取的特征与人脸样本提取的特征进行特征对比，最后给出人脸识别结果输出54，即输出用户属性。以用户属性是性别为例，人脸识别结果输出54是男/女。

如果用户属性是年龄，训练机器学习模型55时也是采用不同年龄的人脸样本，这些人脸样本对应的年龄都是已知的。那么，输出的用户属性是具体的年龄。

通过人脸识别，识别正在观看网络电视的用户属性，可以提高用户属性识别的精确性。

在步骤220中，获取正在播放的视频片段的标签。

视频片段是从视频中截取的一部分，该部分具有起始时间点和结束时间点。以一个时间长度为1:43:56的视频为例，在其中0:23:28-0:45:11可以截取出一个视频片段，起始时间点是0:23:28，结束时间点是0:45:11。起始时间点和结束时间点都是相对于视频的开头来说的。

标签是针对视频片段的特点而为视频片段打的标注，它具有便于查找、便于帮助快速了解该视频片段的特点等作用。原理上标签可以是任意的，但通常上往往为了规范化，往往预设一个标签集。打标签时从预设的标签集中选出。

在一个实施例中，获取正在播放的视频片段的标签可以通过预先设置一个标签与视频片段的时间区间的对应关系列表，然后根据当前时间落入的视频片段的时间区间，查找该对应关系列表来获得。

如图5所示，在该实施例中，在步骤220之前，所述方法还包括：步骤215、从服务器接收标签与视频片段的时间区间的对应关系列表。步骤220包括：

步骤2201、确定当前时间落入的对应关系列表中的时间区间；

步骤2202、在所述对应关系列表中，查找该时间区间对应的标签。

在该实施例中，标签与视频片段的时间区间的对应关系列表是服务器2配置的。配置方法在下面描述。

在一个实施例中，从服务器接收标签与视频片段的时间区间的对应关系列表的时机是在图2的步骤450之后，即步骤220包括：

在从服务器接收到所述视频后，向服务器发送标签与视频片段的时间区间的对应关系列表的请求；

从服务器接收标签与视频片段的时间区间的对应关系列表。

在图2中的步骤450中，服务器2向网络电视1发送视频从而在网络电视1上播放之后，网络电视1才开始发送该对应关系列表的请求。然后，服务器2返回该对应关系列表。

在另一个实施例中，从服务器接收标签与视频片段的时间区间的对应关系列表的时机可以是在图2的步骤450的同时，也就是说服务器2在向网络电视1发送视频的同时也发送该对应关系列表。即步骤220包括：

在从服务器接收到所述视频的同时，从服务器接收标签与视频片段的时间区间的对应关系列表。

该实施例的优点是，相对于服务器2先向网络电视1发送视频，再应网络电视1的请求发送对应关系列表的方式，该实施例在视频播放一开始就已获得了对应关系列表，实现在播放过程全程任何一个位置，只要出现标签与正在观看的用户的用户属性匹配，就跳过相应视频片段，避免在播放视频的一开始，由于没有获得对应关系列表，而无法判断是否跳过。

步骤2201中的当前时间是指当前相对于视频开始的时间点所过去的时间。在一个实施例中，步骤2201中的当前时间可以由网络电视中的当前系统时间减去视频开始时的系统时间来得到。例如，目前网络电视中当前的系统时间是2018年3月1日18:22:18,视频开始时记录的系统时间是2018年3月1日18:00:00，则获得当前时间为0:22:18。该系统时间可以由服务器2定时同步或更新，以保障系统时间的正确性。

视频片段的时间区间	标签
		0:15:26-0:23:28	暴力
0:23:28-0:45:11	少儿不宜
		1:23:06-1:23:58	少儿不宜
1:39:05-1:40:00	恐怖

表1标签与视频片段的时间区间的对应关系列表示例

如果当前时间是0:22:18，可以判断其落入0:15:26-0:23:28这个时间区间，对应的标签是“暴力”。

该实施例中，预先设置标签与视频片段的时间区间的对应关系列表，然后根据当前时间落入的视频片段的时间区间，就可以查找该对应关系列表来获得标签。由于该对应关系列表是预先设置的，因此，该实施例通过这种快速查表的方式，实现了对用户当前处于哪个视频片段、对应于哪个标签的快速判断，提高了为用户确定是否需要跳过当前视频片段的实时性。

对于所述标签与视频片段的时间区间的对应关系列表，在服务器2端，可以由管理人员按照观看、打标签、记录标签对应的视频片段的起始时间点、结束时间点的方式进行。

如图6所示，在一个实施例中，在步骤610中，管理人员将视频上线试播。管理人员从头至尾观看。

在步骤620中，管理人员看到有少儿不宜、恐怖、暴力等画面时，根据画面的不同性质，打上少儿不宜、恐怖、暴力等标签，并仔细记录少儿不宜、恐怖、暴力等画面出现的开始点和结束点，作为记录标签对应的视频片段的起始时间点、结束时间点。为了精确记录开始点和结束点，管理人员可能需要倒退视频等操作。

在步骤630中，管理人员将标签、和与标签对应的视频片段的起始时间点、结束时间点之间的视频片段时间区间，相对应地记录在对应关系列表中。当该视频的全部标签和相应的视频片段时间区间都记录后，就形成了对应关系列表。

为了克服人工方式生成对应关系列表效率低、容易受主观认知影响的问题，在另一个实施例中，采用自动化的方式来获得标签与视频片段的时间区间的对应关系列表。

如图7所示，在该实施例中，所述标签与视频片段的时间区间的对应关系列表按如下方式获得：

步骤310、播放所述视频；

步骤320、将播放的视频输入机器学习模型，该机器学习模型输出从播放的视频中截取的视频片段和对应的标签，该机器学习模型事先用标签和与标签对应的视频片段样本集合训练而成；

步骤330、获取机器学习模型输出的视频片段的时间区间；

步骤340、将获取的时间区间与对应的标签对应存储在所述对应关系列表。

这里的机器学习模型是类似于图13中的机器学习模型的一个模型。与图13不同的是，它不是从人脸中提取特征从而完成对人脸属性的识别，而是从输入的播放视频中提取特征来完成对特定种类(例如少儿不宜、恐怖、暴力)的视频片段的识别。在训练该机器学习模型时，也是采用含有大量已标注了标签的视频片段样本组成的视频片段样本集合。这些视频片段样本可以由管理人员人工在视频库中或互联网上收集、截取并打标签。然后，将大量视频片段样本组成视频片段样本集合。将它们输入到机器学习模型。针对每一个视频片段样本，机器学习模型从中提取特征，并在已知其标签的情况下，训练机器学习模型用到的各系数。在用全部样本训练机器学习模型后，机器学习模型根据输入的播放视频，就能自动截取出符合学习过的标签的视频片段，并打上标签。

机器学习模型截取出视频片段后，根据视频片段的起始点和结束点在视频中的位置，可以确定出视频片段的起始时间点和结束时间点，从而获得该视频片段的时间区间。例如，视频片段的起始点在距离视频开头1:05:07处，结束点在距离视频开头1:15:08处，则起始时间点和结束时间点分别为1:05:07和1:15:08，该视频片段的时间区间为1:05:07-1:15:08。

然后，可以在步骤340中，将获取的时间区间与对应的标签对应存储在所述对应关系列表。

该实施例的优点是，使用机器学习模型来获得标签与视频片段的时间区间的对应关系列表，大大提高了对应关系列表的生成效率，克服了人工制作对应关系列表受主观认知影响大的问题。

需要指出的是，在步骤320中，机器学习模型从播放的视频中截取了视频片段，在所述视频中两个相邻的视频片段之间可能还有其它的部分。为了简化描述起见，两个相邻的视频片段之间间隔的其它的部分也看作一个视频片段，只不过这些部分可能不匹配于任何标签，即不反映在所述标签与视频片段的时间区间的对应关系列表中。

另外，获取正在播放的视频片段的标签也不一定要借助于标签与视频片段的时间区间的对应关系列表。可以将标签借助特定标识符,安插在视频中正在播放的视频片段的特定位置处，例如，正在播放的视频片段之前。在一个实施例中，特定标识符采取起始位置标识符和结束位置标识符的形式。在该实施例中，步骤220包括：

在视频中查找正在播放的视频片段之前的起始位置标识符和结束位置标识符；

获取在所述起始位置标识符和结束位置标识符之间的标签。

在该实施例中，标签不是放置在一个额外的标签与视频片段的时间区间的对应关系列表中，而是直接放在视频中相应的视频片段的前面。为了不使该标签能够被识别出，而不会混同于一般视频数据。将该标签夹在起始位置标识符和结束位置标识符之间，放在相应视频片段的前面。这样，在解析视频进行播放时，如果检测到起始位置标识符和结束位置描述符，意味着中间夹着的是标签，这部分不能被播放，而是直接播放结束位置描述符后面的视频。因此，通过上述实施方式，可以不用额外查表，在视频内快速找到视频片段对应的标签，提高了处理效率。

在该实施例中，在服务器2侧，所述标签按照如下方式加入正在播放的视频片段之前:

播放所述视频；

将播放的视频输入机器学习模型，该机器学习模型输出从播放的视频中截取的视频片段和对应的标签，该机器学习模型事先用标签和与标签对应的视频片段样本集合训练而成；

获取机器学习模型输出的视频片段的时间区间；

在所述视频中，按照所述时间区间标记该视频片段，并在标记的视频片段前加入起始位置标识符和结束位置标识符；

在所述起始位置标识符和结束位置标识符之间，加入该机器学习模型输出的标签。

关于播放所述视频、将播放的视频输入机器学习模型、获取机器学习模型输出的视频片段的时间区间这三个步骤，与图7实施例的步骤310-330基本相同，因此不再赘述。

由于该实施例不需要设置额外的标签与视频片段的时间区间的对应关系列表，它不需要象图7那样，将获取的时间区间与对应的标签对应存储在对应关系列表中，而是按照所述时间区间标记该视频片段，并在标记的视频片段前加入起始位置标识符和结束位置标识符，然后在所述起始位置标识符和结束位置标识符之间，加入该机器学习模型输出的标签。

按照所述时间区间标记该视频片段，是指在视频中标价该时间区间的起始时间点和结束时间点，在所述起始时间点和结束时间点之间形成一个视频片段。这样，可以容易地在视频中查找正在播放的视频片段之前的起始位置标识符和结束位置标识符，从而找到对应的标签。具体地，根据视频中标记的视频片段的起始时间点和结束时间点，可以判断当前时间是否落在标记的视频片段之内。如果是，则查找该标注的视频片段前的起始位置标识符和结束位置标识符，从而在起始位置标识符和结束位置标识符之间找到相应的标签。

应当注意，并不是所有正在播放的视频片段的前面都能找到标签。如上所述，两个相邻的有标签的视频片段之间间隔的其它的部分也看作一个视频片段，只不过该部分没有标签。把这一部分也可以看出一个视频片段，只不过在该视频片段的前面找不到起始位置标识符和结束位置标识符，也没有对应的标签。

在步骤230中，响应于识别出的用户属性匹配于获取的标签，跳过正在播放的视频片段。

一旦识别出的用户属性和获取的标签匹配，则需要为用户跳过当前视频片段。因此，这种匹配代表的是具有该用户属性的用户不适合看带有该标签的视频片段。如果标签是少儿不宜，那么如果识别出用户是7岁，则用户属性与获取的标签匹配，需要为其跳过正在播放的视频片段。

在一个实施例中，可以通过建立用户属性与标签匹配关系表的方式来快速查找是否匹配。标签和与其匹配的所有用户属性都对应地存储在该匹配关系表中。例如：

用户属性	标签
		性别女	暴力
年龄0-18岁	少儿不宜
		年龄70以上	恐怖

表2用户属性与标签匹配关系表示例

例如，识别出的用户属性为年龄7岁，正在播放的视频片段的标签是“少儿不宜”，则从表2中看出，用户属性匹配于获取的标签，跳过正在播放的视频片段。

用户属性与标签匹配关系表可以在网络电视1建立，也可以在服务器2建立。如果是在网络电视1建立，如图8所示，在步骤230之前，所述方法包括：步骤225、建立用户属性与标签匹配关系表。如果是在服务器2建立，所述方法包括：向服务器发送对用户属性与标签匹配关系表的请求；从服务器接收该用户属性与标签匹配关系表。

在该实施例中，步骤230具体包括：

步骤2301、基于识别出的用户属性和获取的标签，查找所述匹配关系表，以确定匹配；

步骤2302、跳过正在播放的视频片段。

如果识别出的用户属性和获取的标签对应地存储在匹配关系表中，则在步骤2301中，确定匹配。这时，在步骤2302，跳过正在播放的视频片段。跳过正在播放的视频片段可以采取以下方式中的一种或多种：

快进正在播放的视频片段；

停止播放，显示空白，直到该正在播放的视频片段的结束时间点到来；

停止播放该正在播放的视频片段，继续播放接下来的视频。

在一个实施例中，用户属性与标签匹配关系表可以由根据用户或管理人员的指定来建立。在根据用户指定建立的情况下，在一个实施例中，步骤225包括：

显示标签列表，该标签列表中包含候选标签；

响应于用户对于标签列表中一个候选标签的选择，弹出下拉式列表，该下拉式列表列出候选用户属性；

响应于用户对候选用户属性中一个的选择，将选择的候选用户属性与候选标签相对应地存储在用户属性与标签匹配关系表中。

例如，显示的标签列表可能包括“少儿不宜”、“恐怖”、“暴力”等标签。用户选择其中一个标签例如“暴力”，弹出下拉式列表，包含“性别男”、“性别女”、“年龄1-20岁”、“年龄21-50岁”等选项，用户选择候选用户属性“性别女”。于是，将“性别女”和“暴力”作为匹配，相对应地存储到用户属性与标签匹配关系表中。以后，当识别出网络电视前的用户为女性时，自动跳过涉及暴力的视频片段。

另外，还可以存在多级下拉式列表。这时，响应于用户对于标签列表中一个候选标签的选择，弹出下拉式列表，该下拉式列表列出候选用户属性，具体包括：

响应于用户对于标签列表中一个候选标签的选择，弹出一级下拉式列表，该一级下拉式列表列出候选用户属性名；

响应于用户对于一级下拉式列表中一个候选用户属性名的选择，弹出二级下拉式列表，该二级下拉式列表列出候选用户属性。

例如，显示的标签列表可能包括“少儿不宜”、“恐怖”、“暴力”等标签。用户选择其中一个标签例如“暴力”，弹出一级下拉式列表，包含“性别”、“年龄”、“国籍”等用户属性名，用户选择候选用户属性名“性别”。然后，为用户弹出二级下拉式列表，包含“男”、“女”二个用户属性。用户选择“女”这个用户属性。于是，将“女”和“暴力”作为匹配，相对应地存储到用户属性与标签匹配关系表中。以后，当识别出网络电视前的用户为女性时，自动跳过涉及暴力的视频片段。

该实施例的一个好处在于，通过界面选择的方式，让用户自己可以方便地决定自己的网络电视对什么样的人跳过什么样的视频片段，实现了用户端的定制化配置。

另外，该实施例的一个好处在于，通过这种方式，用户可以把自己的个人观看习惯固化到网络电视中。例如，用户不希望谈情说爱的场面，因此，用户可以把用户姓名指定为用户属性，把“谈情说爱”作为标签，通过上述界面输入，在自己的用户姓名和“谈情说爱”之间建立匹配。以后，该网络电视播放视频时，一旦出现“谈情说爱”的场面，就把相关的视频片段跳过。

在将用户姓名指定为用户属性的情形下，用户可以把大量的自己的照片样本和其他人的照片样本作为样本集输入到图13所示的机器学习模型55，每个照片样本都标注有用户姓名。用样本集中的大量人脸照片样本训练机器学习模型55后，将从摄像头拍摄的画面中提取出的用户图片，输入机器学习模型55。机器学习模型55就会输出用户姓名。这样，如果机器学习模型55输出的用户姓名是自己的姓名，由于用户已经将自己的姓名和自己不喜欢看的场面对应的标签之间建立匹配，存储到用户属性与标签匹配关系表中。这样，就可以在视频中出现用户自己不喜欢看的场面时自动跳过，实现了用户跳过视频片段的策略选择的高度自主。

另外，用户属性与标签匹配关系表可以根据管理人员的指定来建立。在该实施例中，用户属性与标签匹配关系表在服务器1端建立。建立的过程与上述类似，例如：

显示标签列表，该标签列表中包含候选标签；

响应于管理人员对于标签列表中一个候选标签的选择，弹出下拉式列表，该下拉式列表列出候选用户属性；

响应于管理人员对候选用户属性中一个的选择，将选择的候选用户属性与候选标签相对应地存储在用户属性与标签匹配关系表中。

另外，响应于管理人员对于标签列表中一个候选标签的选择，弹出下拉式列表，该下拉式列表列出候选用户属性，也可以具体包括：

响应于管理人员对于标签列表中一个候选标签的选择，弹出一级下拉式列表，该一级下拉式列表列出候选用户属性名；

响应于管理人员对于一级下拉式列表中一个候选用户属性名的选择，弹出二级下拉式列表，该二级下拉式列表列出候选用户属性。

用户属性与标签匹配关系表根据管理人员的指定来建立的好处在于，增加了对网络所有用户的统一度。由于该匹配关系表在服务器端由管理人员配置，任何一个客户端的网络电视都遵守同样的约束，这样，有利于用户在同一网络中更换其他网络电视观看时，对视频片段跳过策略的统一预期。

如图9所示，在另一个实施例中，用户属性与标签匹配关系表还可以根据用户以前看视频时表现出的偏好和厌恶自动生成。在该实施例中，步骤225包括：

步骤2251、获取用户使用网络电视播放视频的播放历史；

步骤2252、获取在所述播放历史中用户播放过的视频的类型；

步骤2253、基于所述用户播放过的视频的类型，确定标签；

步骤2254、将用户属性与确定的标签对应地存储在用户属性与标签匹配关系表中。

该过程可以在网络电视1端进行，也可以在服务器2端进行。

下面对这些步骤进行详细描述。

在步骤2251中，获取用户使用网络电视播放视频的播放历史。

如果网络电视1存储了用户以前使用网络电视播放视频的记录，则可以直接读取所述记录。如果网络电视1没有存储用户以前使用网络电视播放视频的记录，则可以将服务器2发送播放历史请求，由服务器2返回播放历史的记录。

在步骤2252中，获取在所述播放历史中用户播放过的视频的类型。

在播放历史的记录中有用户播放视频的开始时间和结束时间、播放过的视频的类型(如“言情”、“枪战”、“恐怖”、“谍战”)等等。因此，可以从播放历史的记录中，直接获取到用户播放过的视频的类型。

在步骤2253中，基于所述用户播放过的视频的类型，确定标签。

在一个实施例中，步骤2253可以包括：

根据所述用户播放过的视频的类型和标签之间的预定关联策略，基于所述用户播放过的视频的类型，确定标签。

预定关联策略是指预先规定的将所述用户播放过的视频的类型和何种标签进行关联的法则。例如，可以预定这样一条关联策略：如果用户从未播放过恐怖视频，则确定“恐怖”这样一个标签。因为，用户从未看过恐怖视频，则可能对于视频中有恐怖的视频片段也是希望跳过的。因此，将该用户的用户姓名与“恐怖”这样一个标签匹配起来，使得之后为用户播放视频时，自动跳过恐怖的视频片段，有助于提高用户的观看体验。还可以预定这样一条关联策略：如果用户从未播放过枪战片，则确定“枪战”这样一个标签。因为，用户从未看过枪战片，则可能对于视频中有枪战场景的视频片段也是希望跳过的。因此，将该用户的用户姓名与“枪战”这样一个标签匹配起来，使得之后为该用户播放视频时，自动跳过枪战的视频片段，有助于提高用户的观看体验。

在步骤2254中，将用户属性与确定的标签对应地存储在用户属性与标签匹配关系表中。

例如，如果步骤2253中确定的标签是“恐怖”，则可以将用户姓名和“恐怖”这样一个标签，对应地存储在用户属性与标签匹配关系表中。当然，也可以将其它用户属性和“恐怖”对应地存储在用户属性与标签匹配关系表中。例如，当家中只有用户自己一个女性时，可以将“女”与“恐怖”相对应地存储在匹配关系表中，从而当以后视频中出现恐怖的视频片段时，为用户自动跳过。

上述实施例的一个好处在于，根据用户之前的播放历史，自动为用户确定标签，自动生成用户属性与标签匹配关系表，避免了用户手动创建用户属性与标签匹配关系表的繁琐操作。而且，随着播放历史的不断变化，用户属性与标签匹配关系表能够自适应地不断更新，达到了使用户属性与标签匹配关系能够实时反映用户偏好的不断变化的目的。

在另一个实施例中，从用户以前使用网络电视1来播放视频时对视频片段的快进历史，来识别用户希望对哪一类的视频片段进行跳过。如图10所示，在该实施例中，步骤225包括：

步骤2251’、获取用户历史上使用网络电视播放过的视频；

步骤2252’、在用户历史上使用网络电视播放过的视频中，获取用户快进过的视频片段；

步骤2253’、将所述快进过的视频片段输入机器学习模型，由机器学习模型输出所述快进过的视频片段的标签，该机器学习模型事先用标签和与标签对应的视频片段样本集合训练而成；

步骤2254’、从机器学习模型输出的标签中选择目标标签；

步骤2255’、将选择的目标标签与用户属性相对应地存储在用户属性与标签匹配关系表中。

上述过程可以在网络电视1端执行，也可以在服务器2端执行。

下面对这些步骤进行详细描述。

在步骤2251’中，获取用户历史上使用网络电视播放过的视频。

在上述过程在网络电视1端执行的情况下，如果网络电视1存储了用户历史上使用网络电视1播放过的视频，则可以从本地获取到这些视频；如果网络电视1没有存储用户历史上使用网络电视1播放过的视频，则可以将服务器2发送请求，由服务器2发送这些视频到网络电视1。

在上述过程在服务器2端执行的情况下，可以在服务器2本地获取用户历史上使用网络电视播放过的视频。

在步骤2252’中，在用户历史上使用网络电视播放过的视频中，获取用户快进过的视频片段。

用户历史上使用网络电视播放过的视频附带有用户的播放日志。因此，在一个实施例中，可以从该播放日志中得出用户在视频中执行快进的起始时间点和结束时间点，从而可以在视频中，按照起始时间点和结束时间点，截取用户快进过的视频片段。例如，播放日志中指示，用户在视频从开头算起的1:01:07开始了快进，在从开头算起的1:04:35结束了快进，则截取视频从开头开始起算1:01:07-1:04:35的视频片段。

在步骤2253’中，将所述快进过的视频片段输入机器学习模型，由机器学习模型输出所述快进过的视频片段的标签，该机器学习模型事先用标签和与标签对应的视频片段样本集合训练而成。

这里的机器学习模型也是类似于图13中的机器学习模型的一个模型。与图13不同的是，它不是从人脸中提取特征，从而完成对人脸属性的识别，而是从输入的用户快进过的视频片段中提取特征，来完成对这些视频片段的标签(例如少儿不宜、恐怖、暴力)的识别。在训练该机器学习模型时，采用含有大量已标注了标签(例如少儿不宜、恐怖、暴力)的视频片段样本组成的视频片段样本集合。这些视频片段样本可以由负责模型训练的人员在视频库中或互联网上收集、截取并打标签。然后，将这些视频片段样本组成视频片段样本集合，输入到机器学习模型。针对每一个视频片段样本，机器学习模型从中提取特征，并在已知其标签的情况下，训练机器学习模型用到的各系数。在用全部样本训练机器学习模型后，机器学习模型根据输入的用户快进过的播放视频，就能自动输出这些快进过的视频的标签。

在步骤2254’中，从机器学习模型输出的标签中选择目标标签。

这样做是因为，由于用户可能之前观看过很多视频，快进过很多次，因此得到很多标签。把这些标签都与用户属性一起对应地存储在用户属性与标签匹配关系表中，会造成一个用户属性对应的标签太多，使得为用户确定是否快进的处理效率低。而且，对于在观看视频的某些时候用户作出的快进可能只是无心之举。因此，从中选出目标标签存储到用户属性与标签匹配关系表中有利于提高查找效率，并提高为用户确定是否快进的决策正确率。

在一个实施例中，按照机器学习模型输出的每种标签的数量，从机器学习模型输出的标签中选择目标标签。具体地，可以采取如下策略中的任一种：

选择机器学习模型输出的数量最多的标签作为目标标签；

选择机器学习模型输出的数量排在预定名次n之内的标签作为目标标签，n为大于等于2的正整数；

选择机器学习模型输出的数量高于预定数量阈值的标签作为目标标签。

例如，用户历史上快进过20次，相对应地，机器学习模型输出了20个标签，其中8个是“枪战”，7个是“暴力”，4个是“恐怖”，1个是“哭哭啼啼”。如果选择机器学习模型输出的数量最多的标签作为目标标签，就会选择“枪战”作为目标标签。如果选择机器学习模型输出的数量排在前3名之内的标签作为目标标签，则选择“枪战”、“暴力”、“恐怖”作为目标标签。如果选择机器学习模型输出的数量高于预定数量阈值5的标签作为目标标签，则选择“枪战”、“暴力”作为目标标签。

按照机器学习模型输出的每种标签的数量，从机器学习模型输出的标签中选择标签作为目标标签的好处在于，机器学习模型输出的数量比较多的标签，是用户快进相应的视频片段的次数比较多的标签，因此，这些标签很可能是用户希望跳过的视频的标签。通过这种方法，能够使为用户跳过相应视频的决策，更能反映用户预期。

在步骤2255’中，将选择的目标标签与用户属性相对应地存储在用户属性与标签匹配关系表中。

该实施例中，从用户以前使用网络电视1来播放视频时对视频片段的快进，来识别用户希望对哪一类的视频片段进行跳过。这种方式的好处在于，由于用户以前使用网络电视1来播放视频时对视频片段的快进，直接反映了用户的偏好。因此，用户以后的跳过视频片段的行为可以模仿用户以前播放视频时对视频片段的跳过行为。这种与用户历史上的行为保持一致的方式，能够使为用户跳过相应视频的决策，更能反映用户预期。

在另一个实施例中，可以根据网络大数据，建立用户属性与标签匹配关系表。在这种实施方式中，什么样的用户属性与什么样的标签匹配，完全从网络的大数据中获得。在这种情况下，更能提高用户属性与标签匹配的客观性，使为用户跳过相应视频的决策，更能反映用户预期。

如图11所示，步骤225可以包括：

步骤2251”、获取网络电视用户集合中各用户的用户属性；

步骤2252”、获取网络电视用户集合中各用户历史上使用网络电视播放过的视频；

步骤2253”、获取各用户历史上使用网络电视播放过的视频中各用户快进过的视频片段；

步骤2254”、将所述快进过的视频片段输入机器学习模型，由机器学习模型输出所述快进过的视频片段的标签，该机器学习模型事先用标签和与标签对应的视频片段样本集合训练而成；

步骤2255”、针对一种特定用户属性，确定具有该特定用户属性的用户所快进过的视频片段由机器学习模型给出的标签；

步骤2256”、从机器学习模型给出的标签中，选择目标标签；

步骤2257”、将所述特定用户属性和选择的目标标签，相对应地存储在用户属性与标签匹配关系表中。

这些步骤一般在服务器2执行，但也不排除在某些网络电视1的存储和处理能力非常强大的情况下，在网络电视1执行的可能性。例如，在网络电视1的存储和处理能力非常强大的情况下，网络电视1可以向服务器2请求相关用户属性、视频或视频片段等后，在本地执行。

下面对这些步骤进行详细描述。

在步骤2251”中，获取网络电视用户集合中各用户的用户属性。

网络电视用户集合可以是指整个网络中所有的网络电视的用户，也可以是指从整个网络的所有的网络电视中的一部分网络电视的用户。例如，在整个地区的网络中分出一个子地区的网络电视的用户，这部分用户已经足够代表整个地区的网络的用户。

在一个实施例中，网络电视1在步骤210识别出正在观看网络电视的用户属性后，发送给服务器2。服务器2从各用户的网络电视1，接收用户属性。

在步骤2252”中，获取网络电视用户集合中各用户历史上使用网络电视播放过的视频。

在服务器2存储各用户历史上使用网络电视播放过的视频，因此可以从本地获取网络电视用户集合中各用户历史上使用网络电视播放过的视频。

在步骤2253”中，获取各用户历史上使用网络电视播放过的视频中各用户快进过的视频片段。

一般来说，在服务器2存储各用户历史上使用网络电视播放过的视频的同时，还存储各用户的播放日志。服务器2可以从播放日志中得出各用户在视频中执行快进的起始时间点和结束时间点，从而可以在视频中按照起始时间点和结束时间点在截取各用户快进过的视频片段。例如，播放日志中指示，某一用户在视频从开头起算的1:01:07-1:04:35进行了快进，则截取视频从开头起算1:01:07-1:04:35的视频片段。

步骤2254”中，将所述快进过的视频片段输入机器学习模型，由机器学习模型输出所述快进过的视频片段的标签，该机器学习模型事先用标签和与标签对应的视频片段样本集合训练而成。

这里的机器学习模型也是类似于图13中的机器学习模型的一个模型。与图13不同的是，它不是从人脸中提取特征从而完成对人脸属性的识别，而是从输入的用户快进过的视频片段中提取特征来完成对这些视频片段的标签(例如少儿不宜、恐怖、暴力)的识别。在训练该机器学习模型时，采用含有大量已标注了标签(例如少儿不宜、恐怖、暴力)的视频片段样本组成的视频片段样本集合。这些视频片段样本可以由负责模型训练的人员人工在视频库中或互联网上收集、截取并打标签。然后，将这些视频片段样本组成视频片段样本集合，输入到机器学习模型。针对每一个视频片段样本，机器学习模型从中提取特征，并在已知其标签的情况下，训练机器学习模型用到的各系数。在用视频片段样本集合中的全部样本训练机器学习模型后，机器学习模型根据输入的用户快进过的播放视频，就能自动输出这些快进过的视频的标签。

在步骤2255”中，针对一种特定用户属性，确定具有该用户属性的用户所快进过的视频片段由机器学习模型给出的标签。

例如，针对特定用户属性“性别女”，统计在网络电视用户集合中所有女性用户快进过的视频片段由机器学习模型给出的标签。由于在网络电视用户集合中的女性用户有很多，而每个女性用户又各自有很多快进过的视频片段，因此，机器学习模型会给出很多标签，统计出的标签总数可能是很大的。

在步骤2256”中，从确定出的标签中选择目标标签。

由于统计出的标签总数数量巨大，把它们都与用户属性一起对应地存储在用户属性与标签匹配关系表中变得没有意义，因此有必要从中选出目标标签。

在一个实施例中，按照确定出的每种标签的数量，从确定出的标签中选择目标标签。具体地，可以采取如下策略中的任一种：

选择确定出的数量最多的标签作为目标标签；

选择确定出的数量排在预定名次n之内的标签作为目标标签，n为大于等于2的正整数；

选择确定出的数量高于预定数量阈值的标签作为目标标签。

例如，对于所有网络电视用户集合中的所有女性用户，可能确定出几百种标签，其中按照数量从高到低有：“恐怖”1300万个，“暴力”710万个，“枪战”460万个，“新闻”230万个……如果选择确定出的数量最多的标签作为目标标签，则选择“恐怖”作为目标标签。如果选择确定出的数量排在前3名之内的标签作为目标标签，则选择“恐怖”、“暴力”、“枪战”作为目标标签。如果选择确定出的数量高于预定数量阈值400万的标签作为目标标签，则选择“恐怖”、“暴力”作为目标标签。

按照确定出的每种标签的数量，从确定出的标签中选择标签作为目标标签的好处在于：确定出的数量比较多的标签，是具有该特定用户属性的用户快进相应的视频片段的次数比较多的标签。也就是说，这些标签可能是具有该特定用户属性的用户希望跳过的视频的标签。通过这种方法，能够使为用户跳过相应视频的决策更符合用户预期。

步骤2257”、将所述特定用户属性和选择的目标标签相对应地存储在用户属性与标签匹配关系表中。

该实施例中，各种用户属性与标签的匹配，完全从网络的大数据中获得。在这种情况下，对于特定用户属性来说，与其匹配的标签完全是从具有该特定用户属性的用户快进过的视频片段中，利用大数据统计出的。因此，提高了用户属性与标签匹配的客观性，提高为用户跳过正在播放的视频的决策的用户满意度。

根据本公开实施例的使用网络电视播放视频时跳过视频片段的方法可以是定期执行的，例如每秒钟执行一次。周期性执行的好处在于，能够及时监测到正在观看网络电视的用户的加入、离开、以及正在播放的视频片段标签的变化，实现为用户确定是否跳过当前视频片段的决策的动态调整，使决策反映实时变化。

如上所述，跳过正在播放的视频片段可以采取以下方式中的一种或多种：

快进正在播放的视频片段；

停止播放，显示空白，直到该正在播放的视频片段的结束时间点；

停止播放该正在播放的视频片段，继续播放接下来的视频。

对于以上第一或第二种方式，在快进或显示空白的过程中，用户是可能中途离开网络电视前的。这时，由于用户已经不观看，就没有必要再为其进行快进或显示空白。继续为其快进或显示空白，会导致和其一起看电视的其他人的不满。

如图4所示，根据本公开的一个实施例，对于以上第一或第二种方式，所述方法还包括：步骤240、在快进正在播放的视频片段的过程中或在显示空白的过程中，响应于识别出用户属性匹配于获取的标签的用户离开，停止所述快进或显示空白。

识别出用户属性匹配于获取的标签的用户离开指的是，在摄像头拍摄的网络电视1前的场景中，检测不到该用户属性匹配于获取的标签的用户。该用户未必是真的离开房间。也许用户走到了网络电视1的背面或侧面，使网络电视1的摄像头拍不到用户，都算识别出用户离开。

在快进正在播放的视频片段的过程中或在显示空白的过程中，一旦识别出用户属性匹配于获取的标签的用户离开，就停止所述快进或显示空白。这样做的好处是，动态地识别网络电视前的观众，一旦要为其跳过正在播放的视频片段的用户不再观看网络电视，就没有必要剥夺其它正在观看的用户观看该跳过的视频片段的权利。因此，本公开实施例能周期性识别正在观看的观众的变化，无论有人走过来还是有人离开，都能够及时调整播放策略。具体地，如果在当前，识别出的用户属性不匹配于正播放的视频片段的标签，所述视频片段正常播放。这时，突然有一个用户属性匹配于正播放的视频片段的标签的用户走到网络电视前，则为其快进正在播放的视频或显示空白。反之，如果在当前，识别出的用户属性匹配于正播放的视频片段的标签，为其快进正播放的视频片段或显示空白。这时，突然该用户离开，则停止这种快进或显示空白，变成正常播放该视频片段。该实施例能够根据网络电视前的用户变化，自适应调整播放策略。

另外，本公开实施例的网络电视视频播放方法是周期性执行的，但可能在当前周期和当前周期的下一个周期，观看网络电视的用户属性和正播放的视频片段都没有什么变化，但是仍然要将步骤210-230重复执行一遍，而且，该重复执行的结果与不执行是一样的，增加了处理开销。为了降低处理开销，在一个实施例中，如图14所示，在快进和显示空白两种实施方式中，步骤230包括：

确定识别出的用户属性是否匹配于获取的标签(步骤2303)；

如果是，判断前一次识别出的用户属性是否匹配于前一次获取的标签(步骤2304)，如果前一次识别出的用户属性匹配于前一次获取的标签，保持网络电视当前状态；如果前一次识别出的用户属性不匹配于前一次获取的标签，跳过正在播放的视频片段(步骤2305)；

如果否，判断前一次识别出的用户属性是否匹配于前一次获取的标签(步骤2306)，如果前一次识别出的用户属性不匹配于前一次获取的标签，保持网络电视当前状态；如果前一次识别出的用户属性匹配于前一次获取的标签，停止跳过正在播放的视频片段(步骤2305)。

如上所述，根据本公开实施例的一种网络电视视频播放方法是周期性执行的。识别出的用户属性是指本周期识别出的用户属性。前一次识别出的用户属性是指上一个周期识别出的用户属性。获取的标签是指本周期获取的标签。前一次获取的标签是指上一个周期获取的标签。保持网络电视当前状态是指保持网络电视在上一个周期的状态。如果网络电视在上一个周期正常播放，则当前周期仍然正常播放。如果网络电视在上一个周期快进正在播放的视频片段，则当前周期仍然继续快进。

如果在步骤2303确定本周期识别出的用户属性匹配于获取的标签，但在步骤2304判断出在上一个周期识别出的用户属性也匹配于获取的标签，则说明上一个周期已经在执行跳过的操作，可能在本周期未执行完，就不用重复执行跳过正在播放的视频片段的操作了。相反，如果在步骤2303确定本周期识别出的用户属性匹配于获取的标签，但在步骤2304判断出在上一个周期识别出的用户属性不匹配于获取的标签，就说明上一个周期网络电视1处于正常播放状态，则在步骤2305中就要执行跳过正在播放的视频片段的步骤。

如果在步骤2303确定本周期识别出的用户属性不匹配于获取的标签，但在步骤2306判断出在上一个周期识别出的用户属性也不匹配于获取的标签，则说明上一个周期网络电视1正常播放，本周期仍然正常播放，无需执行任何处理。相反，如果在步骤2303确定本周期识别出的用户属性不匹配于获取的标签，但在步骤2306判断出在上一个周期识别出的用户属性匹配于获取的标签，就要在步骤2307中停止这种跳过。

图14的实施例的优点是，避免了在正在观看网络电视的用户并无变化，正在播放的视频片段也未播完的情况下周期性重复执行跳过正在播放的视频片段的操作、或者正常播放视频片段的操作带来的处理开销。但值得说明的是，不按图14的实施例操作，而是周期性重复执行如图3所示的使用网络电视播放视频时跳过视频片段的方法，依然能达到图14一样的执行结果。

在多个用户同时通过一个网络电视1观看视频时，在一个实施例中，可以对每个用户单独考虑。在步骤210中，识别正在观看网络电视的多个用户的用户属性。但在步骤230中，只要有其中一个用户的用户属性匹配于正在播放的视频片段的任何一个标签，就跳过正在播放的视频片段。一旦识别出该用户离开，就停止所述跳过。

考虑到在多个用户同时通过一个网络电视1观看视频的场景中，只要有其中一个用户的用户属性匹配于正在播放的视频片段的任何一个标签，就跳过正在播放的视频片段，但可能其它的更多用户并不希望跳过。期望一种更人性化、更能够满足不同用户的需求的解决方案。因此，在本公开的另一个实施例中，如果识别出多个正在观看网络电视的用户，所述步骤230具体包括：

如果所述多个用户中的一部分用户属性匹配于获取的标签、而另一部分用户属性不匹配于获取的标签，显示是否跳过视频片段的提示；

响应于对跳过视频片段的选择，跳过正在播放的视频片段。

例如，男性A和女性B一起在网络电视前观看视频，突然视频中出现暴力的视频片段，由于女性B的用户属性“性别女”与该视频片段的标签匹配，但男性A的用户属性“性别男”与该视频片段的标签不匹配，这时候显示一个是否要跳过视频片段的提示，而不是简单地将该视频片段跳过。经过观看视频的两个用户协商后，按照两个用户的共同选择，做出是否跳过该视频片段的决定。而如果选择继续观看的话，女性B可以先到其它房间逗留一会儿，等到暴力的视频片段结束后男性A再叫女性B回到网络电视前。

该实施例的好处是，在多个用户同时观看网络电视时，不会因为一部分用户不适合看某一视频片段，剥夺了另一部分用户想看该视频片段的权利。

如图12所示，根据本公开的一个实施例，所述方法还包括：

步骤250、获取下一个播放的视频片段的标签；

步骤260、响应于识别出的用户属性匹配于下一个播放的视频片段的标签，跳过下一个播放的视频片段。

下一个播放的视频片段是指在视频中在当前视频片段后的视频片段。如上所述，这里的视频片段不仅仅包括由机器学习模型从播放的视频中截取出并打了标签的视频片段，还包括这些视频片段之间的部分。即，由机器学习模型从播放的视频中截取的两个相邻视频片段之间的部分也看作一个视频片段，只不过这些部分可能不匹配于任何标签。

如果下一个播放的视频片段是机器学习模型从播放的视频中截取的两个相邻视频片段之间的部分，则步骤250中获取不到标签。如果下一个播放的视频片段也是一个机器学习模型从播放的视频中截取的视频片段，则能够在步骤250中获取其标签。此时，如果识别出的用户属性不但与正在播放的视频片段的标签匹配，还与下一个播放的视频片段的标签也匹配，则将正在播放的视频片段与下一个播放的视频片段一起跳过。这种方式与在下一个播放的视频片段已经播放后再重新按照步骤210-230执行一遍从而再跳过下一个播放的视频片段的方式相比，大大减少了处理开销，提高了处理速度。

综上，根据本公开的实施例的一种网络电视视频播放方法，识别正在观看网络电视的用户属性，如用户是小孩或女性，获取正在播放的视频片段的标签，如少儿不宜或暴力等等，基于识别的用户属性和获取的标签的匹配，决定是否跳过正在播放的视频片段。因此，达到了使网络电视能够根据观看者的一些特点，自动跳过视频的某一段不播放的目的。

下面结合防止小孩看到少儿不宜画面的应用场景，参考图15，描述根据本公开一示例实施方式的方法的一种应用。

在步骤701，将要上线的视频放到服务器2上先进行试播。

在步骤702，在服务器2端，将试播的视频输入机器学习模型，该机器学习模型输出从试播的视频中截取的视频片段和对应的标签“少儿不宜”。该机器学习模型事先用标签“少儿不宜”和大量与标签“少儿不宜”对应的视频片段样本的集合训练而成。

在步骤703，在服务器2端，获取截取的视频片段的时间区间，即从视频片段的起始时间点到结束时间点之间的区间。

在步骤704，在服务器2端，将获取的时间区间和标签“少儿不宜”存储在标签与视频片段的时间区间的对应关系列表中。

在步骤705，网络电视1的视频应用100建立用户属性与标签匹配关系表。具体过程是：视频应用100的页面上显示标签列表，该标签列表中包含候选标签，其中一个候选标签是“少儿不宜”。用户在标签列表中选中“少儿不宜”。页面上弹出一级下拉式列表，其中有“性别”、“年龄”、“国籍”等用户属性名。用户在一级下拉式列表中选中“年龄”。页面上弹出二级下拉式列表“0-18岁”、“19-30岁”、“31-50岁”、“51-70岁”等用户-18属性。用户选择“0-18岁”，于是，将“0-18岁”和“少儿不宜”作为匹配，相对应地存储到用户属性与标签匹配关系表中。以后，当识别出网络电视前的用户为0-18岁时，自动跳过标签为“少儿不宜”的视频片段。

在步骤706，用户进入视频应用页面，选中要观看的视频。

在步骤707，网络电视1的视频应用100向服务器2发送请求，请求该视频数据。

在步骤708，由于服务器2在步骤701-704已经将该视频截取出视频片段，打好标签，并将视频片段的时间区间和标签对应存储在标签与视频片段的时间区间的对应关系列表中，服务器2可以在向视频应用100返回该视频数据的同时，向视频应用100还返回该对应关系列表。

在步骤709，网络电视1上的视频应用100解析接收到的视频数据并播放视频。

在步骤710，在播放视频的过程中，视频应用100识别出观看视频的该用户的年龄是12岁。

在步骤711，视频应用100将当前时间与标签与视频片段的时间区间的对应关系列表中的时间区间对比，发现落入对应关系列表中的一个时间区间中。

在步骤712，视频应用100发现对应关系表中与该时间区间对应的标签是“少儿不宜”。

在步骤713，视频应用100查找步骤705建立的用户属性与标签匹配关系表，发现用户属性“0-18岁”与“少儿不宜”匹配。而用户的年龄是12岁，因此识别出的用户属性与获取的标签匹配。

在步骤714，视频应用100快进正在播放的视频片段。

在步骤715，在快进的过程中，该用户离开房间。

在步骤716，视频应用100识别出在网络电视1的摄像头拍摄的画面中不再有该用户，停止快进。

如图16所示，根据本公开的一个实施例，还提供了一种网络电视视频播放装置，包括：

识别单元910，用于识别正在观看网络电视的用户属性；

获取单元920，用于获取正在播放的视频片段的标签；

跳过单元930，用于响应于识别出的用户属性匹配于获取的标签，跳过正在播放的视频片段。

在一个实施例中，所述跳过正在播放的视频片段包括快进正在播放的视频片段，且所述装置还包括：

停止快进单元(未示)，用于在快进正在播放的视频片段的过程中，响应于识别出用户属性匹配于获取的标签的用户离开，停止所述快进。

在一个实施例中，所述装置还包括：对应关系列表接收单元(未示)，用于从服务器接收标签与视频片段的时间区间的对应关系列表。所述获取单元920进一步用于：

确定当前时间落入的对应关系列表中的时间区间；

在所述对应关系列表中，查找该时间区间对应的标签。

在一个实施例中，所述标签与视频片段的时间区间的对应关系列表按如下方式获得：

播放所述视频；

将播放的视频输入机器学习模型，该机器学习模型输出从播放的视频中截取的视频片段和对应的标签，该机器学习模型事先用标签和与标签对应的视频片段样本集合训练而成；

获取机器学习模型输出的视频片段的时间区间；

将获取的时间区间与对应的标签对应存储在所述对应关系列表。

在一个实施例中，所述装置包括：用户属性与标签匹配关系表建立单元(未示)，用于建立用户属性与标签匹配关系表。所述跳过单元930进一步用于：

基于识别出的用户属性和获取的标签，查找所述匹配关系表，以确定匹配；

跳过正在播放的视频片段。

在一个实施例中，所述用户属性与标签匹配关系表建立单元进一步用于：

获取用户使用网络电视播放视频的播放历史；

获取在所述播放历史的用户播放过的视频的类型；

基于所述用户播放过的视频的类型，确定标签；

将用户属性与确定的标签对应地存储在用户属性与标签匹配关系表中。

在一个实施例中，用户属性与标签匹配关系表建立单元进一步用于：

获取用户历史上使用网络电视播放过的视频；

在用户历史上使用网络电视播放过的视频中，获取用户快进过的视频片段；

将所述快进过的视频片段输入机器学习模型，由机器学习模型输出所述快进过的视频片段的标签，该机器学习模型事先用标签和与标签对应的视频片段样本集合训练而成；

从机器学习模型输出的标签中选择目标标签；

将选择的目标标签与用户属性相对应地存储在用户属性与标签匹配关系表中。

在一个实施例中，从机器学习模型输出的标签中选择目标标签包括：按照机器学习模型输出的每种标签的数量，从机器学习模型输出的标签中选择目标标签。

在一个实施例中，所述用户属性与标签匹配关系表建立单元进一步用于：

获取网络电视用户集合中各用户的用户属性；

获取网络电视用户集合中各用户历史上使用网络电视播放过的视频；

获取各用户历史上使用网络电视播放过的视频中各用户快进过的视频片段；

将所述快进过的视频片段输入机器学习模型，由机器学习模型输出所述快进过的视频片段的标签，该机器学习模型事先用标签和与标签对应的视频片段样本集合训练而成；

针对一种特定用户属性，确定具有该用户属性的用户所快进过的视频片段由机器学习模型给出的标签；

从确定出的标签中选择目标标签；

将所述特定用户属性和选择的目标标签相对应地存储在用户属性与标签匹配关系表中。

在一个实施例中，从确定出的标签中选择目标标签包括：按照确定出的每种标签的数量，从确定出的标签中选择目标标签。

在一个实施例中，如果识别出多个正在观看网络电视的用户，所述跳过单元进一步用于：

如果所述多个用户中的一部分用户属性匹配于获取的标签、而另一部分用户属性不匹配于获取的标签，显示是否跳过视频片段的提示；

响应于对跳过视频片段的选择，跳过正在播放的视频片段。

在一个实施例中，所述装置还包括：

下一个视频片段标签获取单元，用于获取下一个播放的视频片段的标签；

下一个视频片段跳过单元，用于响应于识别出的用户属性匹配于下一个播放的视频片段的标签，跳过下一个播放的视频片段。

下面参照图17来描述根据本公开的实施方式的网络电视1。图17显示的网络电视1仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

图17所示的网络电视1仅示出了与传统电视相区别的硬件部分。传统电视通常都会包括的显示器、收发天线、图形处理单元等未显示在图17中，因为它们对于本领域技术人员都是已知的。除了上述与传统电视没有区别的部分，网络电视1还可以包括但不限于：至少一个处理单元810、至少一个存储单元820、连接不同系统组件(包括存储单元820和处理单元810)的总线830。

所述存储单元存储有程序代码，所述程序代码可以被所述处理单元810执行，使得所述处理单元810执行本说明书上述示例性方法的描述部分中描述的根据本发明各种示例性实施方式的步骤，具体地，执行一种网络电视视频播放方法，该方法包括：

识别正在观看网络电视的用户属性；

获取正在播放的视频片段的标签；

响应于识别出的用户属性匹配于获取的标签，跳过正在播放的视频片段。

在一个实施例中，所述跳过正在播放的视频片段包括快进正在播放的视频片段，且所述方法还包括：

在快进正在播放的视频片段的过程中，响应于识别出用户属性匹配于获取的标签的用户离开，停止所述快进。

在一个实施例中，在获取正在播放的视频片段的标签之前，所述方法还包括：从服务器接收标签与视频片段的时间区间的对应关系列表；

所述获取正在播放的视频片段的标签，包括：

确定当前时间落入的对应关系列表中的时间区间；

在所述对应关系列表中，查找该时间区间对应的标签。

在一个实施例中，所述标签与视频片段的时间区间的对应关系列表按如下方式获得：

播放所述视频；

将播放的视频输入机器学习模型，该机器学习模型输出从播放的视频中截取的视频片段和对应的标签，该机器学习模型事先用标签和与标签对应的视频片段样本集合训练而成；

获取机器学习模型输出的视频片段的时间区间；

将获取的时间区间与对应的标签对应存储在所述对应关系列表。

在一个实施例中，在响应于识别出的用户属性匹配于获取的标签，跳过正在播放的视频片段之前，所述方法包括：建立用户属性与标签匹配关系表，

所述响应于识别出的用户属性匹配于获取的标签，跳过正在播放的视频片段，具体包括：

基于识别出的用户属性和获取的标签，查找所述匹配关系表，以确定匹配；

跳过正在播放的视频片段。

在一个实施例中，所述建立用户属性与标签匹配关系表包括：

获取用户使用网络电视播放视频的播放历史；

获取在所述播放历史的用户播放过的视频的类型；

基于所述用户播放过的视频的类型，确定标签；

将用户属性与确定的标签对应地存储在用户属性与标签匹配关系表中。

在一个实施例中，所述建立用户属性与标签匹配关系表包括：

获取用户历史上使用网络电视播放过的视频；

在用户历史上使用网络电视播放过的视频中，获取用户快进过的视频片段；

将所述快进过的视频片段输入机器学习模型，由机器学习模型输出所述快进过的视频片段的标签，该机器学习模型事先用标签和与标签对应的视频片段样本集合训练而成；

从机器学习模型输出的标签中选择目标标签；

将选择的目标标签与用户属性相对应地存储在用户属性与标签匹配关系表中。

在一个实施例中，从机器学习模型输出的标签中选择目标标签包括：按照机器学习模型输出的每种标签的数量，从机器学习模型输出的标签中选择目标标签。

在一个实施例中，所述建立用户属性与标签匹配关系表包括：

获取网络电视用户集合中各用户的用户属性；

获取网络电视用户集合中各用户历史上使用网络电视播放过的视频；

获取各用户历史上使用网络电视播放过的视频中各用户快进过的视频片段；

将所述快进过的视频片段输入机器学习模型，由机器学习模型输出所述快进过的视频片段的标签，该机器学习模型事先用标签和与标签对应的视频片段样本集合训练而成；

针对一种特定用户属性，确定具有该用户属性的用户所快进过的视频片段由机器学习模型给出的标签；

从确定出的标签中选择目标标签；

将所述特定用户属性和选择的目标标签相对应地存储在用户属性与标签匹配关系表中。

在一个实施例中，从确定出的标签中选择目标标签包括：按照确定出的每种标签的数量，从确定出的标签中选择目标标签。

在一个实施例中，如果识别出多个正在观看网络电视的用户，所述响应于识别出的用户属性匹配于获取的标签，跳过正在播放的视频片段，具体包括：

如果所述多个用户中的一部分用户属性匹配于获取的标签、而另一部分用户属性不匹配于获取的标签，显示是否跳过视频片段的提示；

响应于对跳过视频片段的选择，跳过正在播放的视频片段。

在一个实施例中，在响应于识别出的用户属性匹配于获取的标签，跳过正在播放的视频片段之后，所述方法还包括：

获取下一个播放的视频片段的标签；

响应于识别出的用户属性匹配于下一个播放的视频片段的标签，跳过下一个播放的视频片段。

存储单元820可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)8201和/或高速缓存存储单元8202，还可以进一步包括只读存储单元(ROM)8203。

存储单元820还可以包括具有一组(至少一个)程序模块8205的程序/实用工具8204，这样的程序模块8205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线830可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

网络电视1也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该网络电视1交互的设备通信，和/或与使得该网络电视1能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口650进行。并且，网络电视1还可以通过网络适配器860与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器860通过总线830与网络电视1的其它模块通信。应当明白，尽管图中未示出，网络电视1可以使用其它硬件和/或软件模块实现，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。

在本公开的示例性实施例中，还提供了一种计算机程序介质，其上存储有计算机可读指令，当所述计算机可读指令被计算机的处理器执行时，使计算机执行上述方法实施例部分描述的方法。

根据本公开的一个实施例，还提供了一种用于实现上述方法实施例中的方法的程序产品，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

此外，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施方式的方法。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由所附的权利要求指出。

Claims (15)

1.一种网络电视视频播放方法，其特征在于，包括：

识别正在观看网络电视的用户属性；

获取正在播放的视频片段的标签；

响应于识别出的用户属性匹配于获取的标签，跳过正在播放的视频片段。

2.根据权利要求1所述的方法，其特征在于，所述跳过正在播放的视频片段包括快进正在播放的视频片段，且所述方法还包括：

在快进正在播放的视频片段的过程中，响应于识别出用户属性匹配于获取的标签的用户离开，停止所述快进。

3.根据权利要求1所述的方法，其特征在于，在获取正在播放的视频片段的标签之前，所述方法还包括：从服务器接收标签与视频片段的时间区间的对应关系列表；

所述获取正在播放的视频片段的标签，包括：

确定当前时间落入的对应关系列表中的时间区间；

在所述对应关系列表中，查找该时间区间对应的标签。

4.根据权利要求3所述的方法，其特征在于，所述标签与视频片段的时间区间的对应关系列表按如下方式获得：

播放所述视频；

将播放的视频输入机器学习模型，该机器学习模型输出从播放的视频中截取的视频片段和对应的标签，该机器学习模型事先用标签和与标签对应的视频片段样本集合训练而成；

获取机器学习模型输出的视频片段的时间区间；

将获取的时间区间与对应的标签对应存储在所述对应关系列表。

5.根据权利要求1所述的方法，其特征在于，在响应于识别出的用户属性匹配于获取的标签，跳过正在播放的视频片段之前，所述方法包括：建立用户属性与标签匹配关系表，

所述响应于识别出的用户属性匹配于获取的标签，跳过正在播放的视频片段，具体包括：

基于识别出的用户属性和获取的标签，查找所述匹配关系表，以确定匹配；

跳过正在播放的视频片段。

6.根据权利要求5所述的方法，其特征在于，所述建立用户属性与标签匹配关系表包括：

获取用户使用网络电视播放视频的播放历史；

获取在所述播放历史的用户播放过的视频的类型；

基于所述用户播放过的视频的类型，确定标签；

将用户属性与确定的标签对应地存储在用户属性与标签匹配关系表中。

7.根据权利要求5所述的方法，其特征在于，所述建立用户属性与标签匹配关系表包括：

获取用户历史上使用网络电视播放过的视频；

在用户历史上使用网络电视播放过的视频中，获取用户快进过的视频片段；

将所述快进过的视频片段输入机器学习模型，由机器学习模型输出所述快进过的视频片段的标签，该机器学习模型事先用标签和与标签对应的视频片段样本集合训练而成；

从机器学习模型输出的标签中选择目标标签；

将选择的目标标签与用户属性相对应地存储在用户属性与标签匹配关系表中。

8.根据权利要求7所述的方法，其特征在于，从机器学习模型输出的标签中选择目标标签包括：按照机器学习模型输出的每种标签的数量，从机器学习模型输出的标签中选择目标标签。

9.根据权利要求5所述的方法，其特征在于，所述建立用户属性与标签匹配关系表包括：

获取网络电视用户集合中各用户的用户属性；

获取网络电视用户集合中各用户历史上使用网络电视播放过的视频；

获取各用户历史上使用网络电视播放过的视频中各用户快进过的视频片段；

将所述快进过的视频片段输入机器学习模型，由机器学习模型输出所述快进过的视频片段的标签，该机器学习模型事先用标签和与标签对应的视频片段样本集合训练而成；

针对一种特定用户属性，确定具有该用户属性的用户所快进过的视频片段由机器学习模型给出的标签；

从确定出的标签中选择目标标签；

将所述特定用户属性和选择的目标标签相对应地存储在用户属性与标签匹配关系表中。

10.根据权利要求9所述的方法，其特征在于，从确定出的标签中选择目标标签包括：按照确定出的每种标签的数量，从确定出的标签中选择目标标签。

11.根据权利要求1所述的方法，其特征在于，如果识别出多个正在观看网络电视的用户，所述响应于识别出的用户属性匹配于获取的标签，跳过正在播放的视频片段，具体包括：

如果所述多个用户中的一部分用户属性匹配于获取的标签、而另一部分用户属性不匹配于获取的标签，显示是否跳过视频片段的提示；

响应于对跳过视频片段的选择，跳过正在播放的视频片段。

12.根据权利要求1所述的方法，其特征在于，在响应于识别出的用户属性匹配于获取的标签，跳过正在播放的视频片段之后，所述方法还包括：

获取下一个播放的视频片段的标签；

响应于识别出的用户属性匹配于下一个播放的视频片段的标签，跳过下一个播放的视频片段。

13.一种网络电视视频播放装置，其特征在于，包括：

识别单元，用于识别正在观看网络电视的用户属性；

获取单元，用于获取正在播放的视频片段的标签；

跳过单元，用于响应于识别出的用户属性匹配于获取的标签，跳过正在播放的视频片段。

14.一种网络电视，其特征在于，包括：

存储器，存储有计算机可读指令；

处理器，读取存储器存储的计算机可读指令，以执行权利要求1-12中的任一个所述的方法。

15.一种计算机程序介质，其上存储有计算机可读指令，当所述计算机可读指令被计算机的处理器执行时，使计算机执行权利要求1-12中的任一个所述的方法。