CN110737859B - 一种up主匹配方法及装置 - Google Patents
一种up主匹配方法及装置 Download PDFInfo
- Publication number
- CN110737859B CN110737859B CN201910857643.0A CN201910857643A CN110737859B CN 110737859 B CN110737859 B CN 110737859B CN 201910857643 A CN201910857643 A CN 201910857643A CN 110737859 B CN110737859 B CN 110737859B
- Authority
- CN
- China
- Prior art keywords
- weight index
- video
- user
- published
- master
- 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
- 238000000034 method Methods 0.000 title claims abstract description 45
- 239000013598 vector Substances 0.000 claims abstract description 97
- 238000012216 screening Methods 0.000 claims abstract description 13
- 238000004364 calculation method Methods 0.000 claims description 37
- 230000000694 effects Effects 0.000 claims description 26
- 238000013507 mapping Methods 0.000 claims description 20
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 238000012163 sequencing technique Methods 0.000 claims description 7
- 239000002131 composite material Substances 0.000 claims description 6
- 230000001419 dependent effect Effects 0.000 claims description 6
- 238000012552 review Methods 0.000 claims description 4
- 230000002349 favourable effect Effects 0.000 claims description 2
- 238000001914 filtration Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 6
- 238000012986 modification Methods 0.000 description 6
- 230000004048 modification Effects 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000007637 random forest analysis Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 102100040401 DNA topoisomerase 3-alpha Human genes 0.000 description 1
- 101000611068 Homo sapiens DNA topoisomerase 3-alpha Proteins 0.000 description 1
- 101100261006 Salmonella typhi topB gene Proteins 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 101150032437 top-3 gene Proteins 0.000 description 1
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
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/958—Organisation or management of web site content, e.g. publishing, maintaining pages or automatic linking
-
- 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)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Library & Information Science (AREA)
- Multimedia (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
Abstract
本发明公开了一种UP主匹配方法及装置，属于计算机信息技术领域，适用于短视频领域。包括：获取UP主的发布视频数据，根据所述发布视频数据，从一个或多个维度特征得分以及各维度特征的预设权重确定所述UP主的综合评分值，根据所述UP主的综合评分值筛选出目标UP主；对所述目标UP主的发布视频数据根据预设标签规则进行统计，并生成一个或多个视频类别标签的对应UP主词向量；获取第一预设周期内用户播放视频数据，对所述用户播放视频数据根据预设标签规则进行统计，并生成所述一个或多个视频类别标签的对应用户词向量；将所述UP主词向量与所述用户词向量的对应视频类别标签进行对应匹配，获取与所述用户达到目标匹配度的UP主词向量结果，根据所述UP主词向量结果确定对应UP主信息。
Description
技术领域
本发明涉及计算机信息技术领域，特别涉及一种UP主匹配方法及装置。
背景技术
在短视频推荐领域，面对海量的视频资源以及数以亿计的用户，如何将用户喜欢且高质量的视频推荐给目标用户，对于解决信息过载问题，提升用户停留时长和满意度来说至关重要。优质的UP主(uploader，指在视频网站、论坛、ftp站点上传视频音频文件的人)是经过众多用户检验的高质量的视频发布者，将优质UP主推荐给用户画像相似的用户，用户可以更便捷的方式获取自己感兴趣的优质视频，这将会在很大程度上增加用户粘度和满意度。如何在定性和定量上对短视频UP主质量进行评价，则直接决定了能否精准地把最相似的高质量UP主推荐给目标用户。
目前，有些视频平台注册用户数达几亿，日均UV超过千万，移动端日均播放量则更高，为了使得用户在海量视频中发现自己感兴趣的内容，精准的用户画像和推荐系统起到举足轻重的作用。将优质的UP主推荐给最相似的目标用户并被关注，用户将可以持续地观看到可能感兴趣的高质量视频。
发明内容
为了解决现有技术的问题，本发明实施例提供了一种UP主匹配方法及装置，通过多数据源、多维度变量的综合评分方案，实现对UP主的全面评价，从中提取高质量的UP主信息，并与通过用户画像实现的用户词向量进行匹配，最终将高质量的UP主推荐给匹配度高的目标用户，提升了CTR(Click-Through-Rate，点击通过率)、用户播放量和平均播放完整度，提高了用户体验。
所述技术方案如下：
一方面，提供了一种UP主匹配方法，所述方法包括：
获取UP主的发布视频数据，根据所述发布视频数据，从一个或多个维度特征得分确定所述UP主的综合评分值，根据所述UP主的综合评分值筛选出目标UP主；
对所述目标UP主的发布视频数据根据预设标签规则进行统计，并生成一个或多个视频类别标签的对应UP主词向量；
获取第一预设周期内用户播放视频数据，对所述用户播放视频数据根据所述预设标签规则进行统计，并生成所述一个或多个视频类别标签的对应用户词向量；
将所述UP主词向量与所述用户词向量的对应视频类别标签进行对应匹配，获取与所述用户达到目标匹配度的UP主词向量结果，根据所述UP主词向量结果确定对应UP主信息。
进一步地，根据所述发布视频数据，从一个或多个维度特征得分确定所述UP主的综合评分值，根据所述UP主的综合评分值筛选出目标UP主，包括：
根据所述发布视频数据，计算所述UP主的发布视频活跃度得分、所述UP主的视频质量得分、所述UP主的视频垂直度得分中的一个或多个维度特征的得分；
根据所述一个或多个维度特征得分计算所述UP主的综合评分值；
按照所述UP主的综合评分值从高到低的顺序，选择排名前N的所述UP主作为所述目标UP主，其中N为大于1的整数。
进一步地，根据所述发布视频数据，计算所述UP主的发布视频活跃度得分、所述UP主的视频质量得分、所述UP主的视频垂直度得分中的一个或多个维度特征的得分；根据所述一个或多个维度特征得分计算所述UP主的综合评分值，包括：
将所述UP主第二预设周期内发布视频数、所述第二预设周期内发布视频播放量分别结合时间衰减进行排序，将排序后的所述发布视频数、所述第二预设周期内发布视频播放量映射到[x1,1]范围、[x2,1]范围，确定所述发布视频数、所述发布视频播放量的各自权重指数，其中第一权重指数x1、第二权重指数x2均取值于0到1之间的小数，然后将所述发布视频数的各自权重指数、所述发布视频播放量的各自权重指数相乘，计算得到所述UP主的发布视频活跃度得分；
将所述UP主第二预设周期内发布视频的分享次数、点赞次数、评论次数、好评数占比、收藏次数、关注次数和发布视频播放完整率分别结合时间衰减进行排序，将排序后的所述分享次数、点赞次数、评论次数、好评数占比、收藏次数、关注次数、发布视频播放完整率映射到[x3,1]范围、[x4,1]范围、[x5,1]范围、[x6,1]范围、[x7,1]范围、[x8,1]范围、[x9,1]范围，分别确定所述分享次数、点赞次数、评论次数、好评数占比、收藏次数、关注次数、发布视频播放完整率的各自权重指数，其中第三权重指数x3、第四权重指数x4、第五权重指数x5、第六权重指数x6、第七权重指数x7、第八权重指数x8、第九权重指数x9均取值于0到1之间的小数，然后将所述分享次数、点赞次数、评论次数、好评数占比、收藏次数、关注次数的各自权重指数求和取平均，然后与所述发布视频播放完整率的各自权重指数相乘，计算得到所述UP主的视频质量得分；
将所述UP主第二预设周期内发布视频的类别占比结合时间衰减进行排序，将排序后的所述类别占比映射到[x10,1]范围，确定所述类别占比的各自权重指数，其中第十权重指数x10取值于0到1之间的小数，然后将所述类别占比的各自权重指数相乘，计算得到所述UP主的视频垂直度得分；
将所述发布视频活跃度得分、所述视频质量得分、所述视频垂直度得分相乘，计算得到所述UP主的综合评分值。
进一步地，所述方法还包括：获取所述第一权重指数x1、第二权重指数x2、第三权重指数x3、第四权重指数x4、第五权重指数x5、第六权重指数x6、第七权重指数x7、第八权重指数x8、第九权重指数x9、第十权重指数x10步骤：
分别将所述第一权重指数x1、第二权重指数x2、第三权重指数x3、第四权重指数x4、第五权重指数x5、第六权重指数x6、第七权重指数x7、第八权重指数x8、第九权重指数x9、第十权重指数x10对应的各维度特征得分作为自变量，将所述UP主曝光后的被关注度作为因变量，利用RandomForest算法和GBDT算法计算所述第一权重指数x1、第二权重指数x2、第三权重指数x3、第四权重指数x4、第五权重指数x5、第六权重指数x6、第七权重指数x7、第八权重指数x8、第九权重指数x9、第十权重指数x10。
进一步地，获取第一预设周期内用户播放视频数据，对所述用户播放视频数据根据预设标签规则进行统计，并生成所述一个或多个视频类别标签的对应用户词向量，包括：
剔除所述用户播放视频数据中的热点视频和误点视频，并根据预设标签规则统计出排名前N的目标用户标签且所述目标用户标签的每个的视频数占比不低于预设占比，对所述目标用户标签进行计算，生成所述目标用户标签的对应用户词向量,其中N为大于1的整数。
进一步地，所述方法还包括：
将所述UP主信息推荐至所述用户；和/或，
将所述UP主词向量结果对应视频类别标签的视频推送至所述用户。
另一方面，提供了一种UP主匹配装置，所述装置包括：
计算模块，用于：获取UP主的发布视频数据，根据所述发布视频数据，从一个或多个维度特征得分确定所述UP主的综合评分值，根据所述UP主的综合评分值筛选出目标UP主；
UP主词向量生成模块，用于：对所述目标UP主的发布视频数据根据预设标签规则进行统计，并生成一个或多个视频类别标签的对应UP主词向量；
用户词向量生成模块，用于：获取第一预设周期内用户播放视频数据，对所述用户播放视频数据根据所述预设标签规则进行统计，并生成所述一个或多个视频类别标签的对应用户词向量；
匹配模块，用于：将所述UP主词向量与所述用户词向量的对应视频类别标签进行对应匹配，获取与所述用户达到目标匹配度的UP主词向量结果，根据所述UP主词向量结果确定对应UP主信息。
进一步地，所述计算模块包括第一计算子模块、第二计算子模块和筛选子模块，
所述第一计算子模块用于：根据所述发布视频数据，计算所述UP主的发布视频活跃度得分、所述UP主的视频质量得分、所述UP主的视频垂直度得分中的一个或多个维度特征的得分；
所述第二计算子模块用于：根据所述一个或多个维度特征得分计算所述UP主的综合评分值；
所述筛选子模块用于：按照所述UP主的综合评分值从高到低的顺序，选择排名前N的所述UP主作为所述目标UP主，其中N为大于1的整数。
进一步地，所述第一计算子模块用于：
将所述UP主第二预设周期内发布视频数、所述第二预设周期内发布视频播放量分别结合时间衰减进行排序，将排序后的所述发布视频数、所述第二预设周期内发布视频播放量映射到[x1,1]范围、[x2,1]范围，确定所述发布视频数、所述发布视频播放量的各自权重指数，其中第一权重指数x1、第二权重指数x2均取值于0到1之间的小数，然后将所述发布视频数的各自权重指数、所述发布视频播放量的各自权重指数相乘，计算得到所述UP主的发布视频活跃度得分；
将所述UP主第二预设周期内发布视频的分享次数、点赞次数、评论次数、好评数占比、收藏次数、关注次数和发布视频播放完整率分别结合时间衰减进行排序，将排序后的所述分享次数、点赞次数、评论次数、好评数占比、收藏次数、关注次数、发布视频播放完整率映射到[x3,1]范围、[x4,1]范围、[x5,1]范围、[x6,1]范围、[x7,1]范围、[x8,1]范围、[x9,1]范围，分别确定所述分享次数、点赞次数、评论次数、好评数占比、收藏次数、关注次数、发布视频播放完整率的各自权重指数，其中第三权重指数x3、第四权重指数x4、第五权重指数x5、第六权重指数x6、第七权重指数x7、第八权重指数x8、第九权重指数x9均取值于0到1之间的小数，然后将所述分享次数、点赞次数、评论次数、好评数占比、收藏次数、关注次数的各自权重指数求和取平均，然后与所述发布视频播放完整率的各自权重指数相乘，计算得到所述UP主的视频质量得分；
将所述UP主第二预设周期内发布视频的类别占比结合时间衰减进行排序，将排序后的所述类别占比映射到[x10,1]范围，确定所述类别占比的各自权重指数，其中第九权重指数x10取值于0到1之间的小数，然后将所述类别占比的各自权重指数相乘，计算得到所述UP主的视频垂直度得分；
所述第二计算子模块用于：
将所述发布视频活跃度得分、所述视频质量得分、所述视频垂直度得分相乘，计算得到所述UP主的综合评分值。
进一步地，获取所述第一权重指数x1、第二权重指数x2、第三权重指数x3、第四权重指数x4、第五权重指数x5、第六权重指数x6、第七权重指数x7、第八权重指数x8、第九权重指数x9、第十权重指数x10步骤：
分别将所述第一权重指数x1、第二权重指数x2、第三权重指数x3、第四权重指数x4、第五权重指数x5、第六权重指数x6、第七权重指数x7、第八权重指数x8、第九权重指数x9、第十权重指数x10对应的各维度特征得分作为自变量，将所述UP主曝光后的被关注度作为因变量，利用RandomForest算法和GBDT算法计算所述第一权重指数x1、第二权重指数x2、第三权重指数x3、第四权重指数x4、第五权重指数x5、第六权重指数x6、第七权重指数x7、第八权重指数x8、第九权重指数x9、第十权重指数x10。
进一步地，获取第一预设周期内用户播放视频数据，对所述用户播放视频数据根据预设标签规则进行统计，并生成所述一个或多个视频类别标签的对应用户词向量，包括：
剔除所述用户播放视频数据中的热点视频和误点视频，并根据预设标签规则统计出排名前N的目标用户标签且所述目标用户标签的每个的视频数占比不低于预设占比，对所述目标用户标签进行计算，生成所述目标用户标签的对应用户词向量,其中N为大于1的整数。
进一步地，所述装置还包括数据推荐模块，所述数据推荐模块用于：将所述UP主信息推荐至所述用户；和/或，将所述UP主词向量结果对应视频类别标签的视频推送至所述用户。
本发明实施例提供的技术方案带来的有益效果是：
1、通过对UP主发布视频信息和用户行为等数据进行了全面梳理，获取用户的播放历史记录、针对UP主发布的视频的收藏、分享、点赞、评论以及播放完整度等多维度的信息，依托多数据源、多维度变量的综合评分方案，实现对UP主的全面评价，从中提取高质量的UP主信息；
2、评价UP主质量的各维度权重由相应算法训练模型计算得到，UP主质量评估更准确；
3、UP主根据发布视频标签类别细分，提升对UP主画像的精准度；
4、用户画像过程中，剔除热点视频和可能的误点视频，并区分不同兴趣标签分别进行用户画像，结果集按比例构成，提升了推荐结果集的精准度；
5、在用户向量计算以及UP主向量计算过程中考虑了时间衰减，提升了兴趣点的转移；
6、通过高质量UP主词向量与精确用户画像的用户词向量进行匹配，最终将高质量的UP主推荐给匹配度高的目标用户，用户通过关注与自身相似的UP，可方便及时地观看到高质量视频，提升用户的满意度，通过AB test得到对比报表指标，提升了CTR、用户播放量和平均播放完整度，总的来说提高了用户体验。
附图说明
为了更清楚地说明本发明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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的UP主匹配方法流程图；
图2是图1中1011步骤的子步骤流程图；
图3示出了UP主综合评分值的维度特征设置及其得分计算的一优选实施方式；
图4示出了进行UP主词向量、用户词向量生成以及对应标签匹配的一优选实施方式；
图5是本发明实施例提供的UP主匹配装置结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，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清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
需要说明的是，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个以上，除非另有明确具体的限定。
本发明实施例提供的UP主匹配方法及装置，通过对UP主发布视频信息和用户行为等数据进行了全面梳理，获取用户的播放历史记录、针对UP主发布的视频的收藏、分享、点赞、评论以及播放完整度等多维度的信息，依托多数据源、多维度变量的综合评分方案，实现对UP主的全面评价，从中提取高质量的UP主信息，并与通过用户画像实现的用户词向量进行匹配，最终将高质量的UP主推荐给匹配度高的目标用户，提升了CTR(Click-Through-Rate，点击通过率)、用户播放量和平均播放完整度，提高了用户体验。因此，该UP主匹配方法及装置适用于短视频平台领域的短视频数据处理、数据匹配或数据推送等应用场景。
下面结合具体实施例及附图，对本发明实施例提供的UP主匹配方法及装置作详细说明。
图1是本发明实施例提供的UP主匹配方法流程图。图2是图1中1011步骤的子步骤流程图。图3是图2中1012子步骤的次级步骤流程图。
如图1所示，本发明实施例提供的UP主匹配方法，主要包括101、102、103和104几个步骤。
101、获取UP主的发布视频数据，根据发布视频数据，从一个或多个维度特征得分确定UP主的综合评分值，根据UP主的综合评分值筛选出目标UP主。
具体地，如图2所示，101步骤可以包括以下几个子步骤：
1011、获取UP主的发布视频数据；
1012、根据发布视频数据，计算UP主的发布视频活跃度得分、UP主的视频质量得分、UP主的视频垂直度得分中的一个或多个维度特征的得分；
1013、根据一个或多个维度特征得分计算UP主的综合评分值。
具体地，将发布视频活跃度得分、视频质量得分、视频垂直度得分相乘，计算得到UP主的综合评分值。
1014、按照UP主的综合评分值从高到低的顺序，选择排名前N的UP主作为目标UP主，其中N为大于1的整数。
具体地，上述1012子步骤又可进一步包括以下次级步骤：
1012a、将UP主第二预设周期内发布视频数、第二预设周期内发布视频播放量分别结合时间衰减进行排序，将排序后的发布视频数、第二预设周期内发布视频播放量映射到[x1,1]范围、[x2,1]范围，确定发布视频数、发布视频播放量的各自权重指数，其中第一权重指数x1、第二权重指数x2均取值于0到1之间的小数，然后将发布视频数的各自权重指数、发布视频播放量的各自权重指数相乘，计算得到UP主的发布视频活跃度得分。
1012b、将UP主第二预设周期内发布视频的分享次数、点赞次数、评论次数、好评数占比、收藏次数、关注次数和发布视频播放完整率分别结合时间衰减进行排序，将排序后的分享次数、点赞次数、评论次数、好评数占比、收藏次数、关注次数、发布视频播放完整率映射到[x3,1]范围、[x4,1]范围、[x5,1]范围、[x6,1]范围、[x7,1]范围、[x8,1]范围、[x9,1]范围，分别确定分享次数、点赞次数、评论次数、好评数占比、收藏次数、关注次数、发布视频播放完整率的各自权重指数，其中第三权重指数x3、第四权重指数x4、第五权重指数x5、第六权重指数x6、第七权重指数x7、第八权重指数x8、第九权重指数x9均取值于0到1之间的小数，然后将分享次数、点赞次数、评论次数、好评数占比、收藏次数、关注次数的各自权重指数求和取平均，然后与发布视频播放完整率的各自权重指数相乘，计算得到UP主的视频质量得分。
1012c、将UP主第二预设周期内发布视频的类别占比结合时间衰减进行排序，将排序后的类别占比映射到[x10,1]范围，确定类别占比的各自权重指数，其中第十权重指数x10取值于0到1之间的小数，然后将类别占比的各自权重指数相乘，计算得到UP主的视频垂直度得分。
其中，获取第一权重指数x1、第二权重指数x2、第三权重指数x3、第四权重指数x4、第五权重指数x5、第六权重指数x6、第七权重指数x7、第八权重指数x8、第九权重指数x9、第十权重指数x10步骤如下：
分别将第一权重指数x1、第二权重指数x2、第三权重指数x3、第四权重指数x4、第五权重指数x5、第六权重指数x6、第七权重指数x7、第八权重指数x8、第九权重指数x9、第十权重指数x10对应的各维度特征得分作为自变量，将UP主曝光后的被关注度作为因变量，利用RandomForest算法和GBDT算法计算第一权重指数x1、第二权重指数x2、第三权重指数x3、第四权重指数x4、第五权重指数x5、第六权重指数x6、第七权重指数x7、第八权重指数x8、第九权重指数x9、第十权重指数x10。其中，UP主曝光后的被关注度为将UP主推荐给目标用户，曝光后用户是否关注的情况，具体做法是被关注认为是正样本即为1，未关注认为是负样本即为0，考虑到正负样本平衡问题，一般选择正负样本比例为1:1或1:2。
这里，可以在获取各维度特征的预设权重步骤之前，利用RandomForest算法和GBDT算法构建权重计算模型，当然，在不脱离本发明发明构思的情况下，根据需要也可以采用现有技术中可能的任何其他权重计算方式或计算模型，本发明实施例不对其加以特别限定。
图3示出了UP主综合评分值的维度特征设置及其得分计算的一优选实施方式。如图3所示，在该优选方式中，主要考虑UP主的活跃度、UP主质量、UP主垂直度三个大维度指标。
UP主活跃度的其中一个指标，是采用近三个月发布视频数(结合时间衰减)排序，将排序映射到[x1,1]范围，避免少量UP主与其他大多数存在数量级上的差异，以免导致丧失该维度的意义，其中x1是介于0到1之间的小数，作为权重参数可由模型学习得到。活跃度的另一个指标是近三个月发布视频的播放量按时间衰减排序，映射到[x2,1]，将上述两个指标相乘得到UP主活跃度维度的得分。UP主质量得分由分享、点赞、评论、好评数占比、收藏、关注等维度的得分计算平均，然后与所发布的视频播放完整率相乘得到质量维度的得分。UP主垂直度得分通过近三个月发布视频的类别占比计算垂直度获得。最后，将UP主在活跃度、质量、垂直度三个维度的综合乘积计算，获得最终的UP主综合评分值。
需要说明的是，上述排序N的取值、第二预设周期的具体时间周期选取，可以根据需要进行相应设置，比如将N设为3，第二预设周期设为三个月，本发明实施例不对其加以特别限定。
值得注意的是，步骤101的过程，除了上述步骤所述的方式之外，还可以通过其他方式实现该过程，本发明实施例对具体的方式不加以限定。
102、对目标UP主的发布视频数据根据预设标签规则进行统计，并生成一个或多个视频类别标签的对应UP主词向量。
这里视频类别标签的具体类别及其数量，可以根据需要进行相应设置，例如其中的视频类别可以包括体育、财经、搞笑等，本发明实施例不对其加以特别限定。
103、获取第一预设周期内用户播放视频数据，对用户播放视频数据根据预设标签规则进行统计，并生成一个或多个视频类别标签的对应用户词向量。
具体地，剔除用户播放视频数据中的热点视频和误点视频，并根据预设标签规则统计出排名前N的目标用户标签且目标用户标签的每个的视频数占比不低于预设占比，对目标用户标签进行计算，生成目标用户标签的对应用户词向量，其中N为大于1的整数。
值得注意的是，步骤103的过程，除了上述步骤所述的方式之外，还可以通过其他方式实现该过程，本发明实施例对具体的方式不加以限定。
104、将UP主词向量与用户词向量的对应视频类别标签进行对应匹配，获取与用户达到目标匹配度的UP主词向量结果，根据UP主词向量结果确定对应UP主信息。
图4示出了进行UP主词向量、用户词向量生成以及对应标签匹配的一优选实施方式。如图4所示，在该优选方式中，UP主采用词向量表示方式，根据最近三个月发布的视频结合时间衰减计算得到。用户的向量表示则是根据最近一个月的播放历史来获得，按照观看历史的视频分类标签统计top3且每个类别占比超过10％，通过统计分析发现这些的确是用户的主要兴趣点，观看历史中的其他视频一般是一些热点视频或者是被误点的情况，需要剔除，以保障用户画像的准确度。
值得注意的是，步骤104的过程，除了上述步骤所述的方式之外，还可以通过其他方式实现该过程，本发明实施例对具体的方式不加以限定。
另外，优选地，本发明实施例提供的UP主匹配方法，除包括上述101、102、103和104步骤外，还包括以下步骤：
将UP主信息推荐至用户；和/或，将UP主词向量结果对应视频类别标签的视频推送至用户。具体地，通过用户不同兴趣标签的向量与UP主之间计算相似度取排名前N，按照用户不同兴趣标签下占比来分别获取UP主列表，合并去重后作为推荐给目标用户的候选集，其中N为大于1的整数，具体取值可根据需要进行设定。
图5是本发明实施例提供的UP主匹配装置结构示意图，如图5所示，本发明实施例提供的UP主匹配装置2主要包括计算模块21、UP主词向量生成模块22、用户词向量生成模块23和匹配模块24。
其中，计算模块21用于：获取UP主的发布视频数据，根据发布视频数据，从一个或多个维度特征得分确定UP主的综合评分值，根据UP主的综合评分值筛选出目标UP主。
具体地，计算模块21包括第一计算子模块211、第二计算子模块212和筛选子模块213，第一计算子模块211用于：根据发布视频数据，计算UP主的发布视频活跃度得分、UP主的视频质量得分、UP主的视频垂直度得分中的一个或多个维度特征的得分；第二计算子模块212用于：根据一个或多个维度特征得分计算UP主的综合评分值；筛选子模块213用于：按照UP主的综合评分值从高到低的顺序，选择排名前N的UP主作为目标UP主，其中N为大于1的整数。
优选地，第一计算子模块211用于：将UP主第二预设周期内发布视频数、第二预设周期内发布视频播放量分别结合时间衰减进行排序，将排序后的发布视频数、第二预设周期内发布视频播放量映射到[x1,1]范围、[x2,1]范围，确定发布视频数、发布视频播放量的各自权重指数，其中第一权重指数x1、第二权重指数x2均取值于0到1之间的小数，然后将发布视频数的各自权重指数、发布视频播放量的各自权重指数相乘，计算得到UP主的发布视频活跃度得分；将UP主第二预设周期内发布视频的分享次数、点赞次数、评论次数、好评数占比、收藏次数、关注次数和发布视频播放完整率分别结合时间衰减进行排序，将排序后的分享次数、点赞次数、评论次数、好评数占比、收藏次数、关注次数、发布视频播放完整率映射到[x3,1]范围、[x4,1]范围、[x5,1]范围、[x6,1]范围、[x7,1]范围、[x8,1]范围、[x9,1]范围，分别确定分享次数、点赞次数、评论次数、好评数占比、收藏次数、关注次数、发布视频播放完整率的各自权重指数，其中第三权重指数x3、第四权重指数x4、第五权重指数x5、第六权重指数x6、第七权重指数x7、第八权重指数x8、第九权重指数x9均取值于0到1之间的小数，然后将分享次数、点赞次数、评论次数、好评数占比、收藏次数、关注次数的各自权重指数求和取平均，然后与发布视频播放完整率的各自权重指数相乘，计算得到UP主的视频质量得分；将UP主第二预设周期内发布视频的类别占比结合时间衰减进行排序，将排序后的类别占比映射到[x10,1]范围，确定类别占比的各自权重指数，其中第十权重指数x10取值于0到1之间的小数，然后将类别占比的各自权重指数相乘，计算得到UP主的视频垂直度得分。
其中，获取第一权重指数x1、第二权重指数x2、第三权重指数x3、第四权重指数x4、第五权重指数x5、第六权重指数x6、第七权重指数x7、第八权重指数x8、第九权重指数x9、第十权重指数x10步骤如下：
分别将第一权重指数x1、第二权重指数x2、第三权重指数x3、第四权重指数x4、第五权重指数x5、第六权重指数x6、第七权重指数x7、第八权重指数x8、第九权重指数x9、第十权重指数x10对应的各维度特征得分作为自变量，将UP主曝光后的被关注度作为因变量，利用RandomForest算法和GBDT算法计算第一权重指数x1、第二权重指数x2、第三权重指数x3、第四权重指数x4、第五权重指数x5、第六权重指数x6、第七权重指数x7、第八权重指数x8、第九权重指数x9、第十权重指数x10。
第二计算子模块212用于：将发布视频活跃度得分、视频质量得分、视频垂直度得分相乘，计算得到UP主的综合评分值。
UP主词向量生成模块22用于：对目标UP主的发布视频数据根据预设标签规则进行统计，并生成一个或多个视频类别标签的对应UP主词向量。
用户词向量生成模块23用于：获取第一预设周期内用户播放视频数据，对用户播放视频数据根据预设标签规则进行统计，并生成一个或多个视频类别标签的对应用户词向量。具体地，剔除用户播放视频数据中的热点视频和误点视频，并根据预设标签规则统计出排名前N的目标用户标签且目标用户标签的每个的视频数占比不低于预设占比，对目标用户标签进行计算，生成目标用户标签的对应用户词向量，其中N为大于1的整数。
匹配模块24，用于：将UP主词向量与用户词向量的对应视频类别标签进行对应匹配，获取与用户达到目标匹配度的UP主词向量结果，根据UP主词向量结果确定对应UP主信息。
优选地，上述UP主匹配装置还包括数据推荐模块25，数据推荐模块25用于：将UP主信息推荐至用户；和/或，将UP主词向量结果对应视频类别标签的视频推送至用户。
需要说明的是：上述实施例提供的UP主匹配装置在触发UP主匹配时，仅以上述各功能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模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的UP主匹配装置与UP主匹配方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
下面介绍本发明实施例提供的UP主匹配方法及装置进行UP主匹配业务流程的一优选方式。在该优选实施方式中，分词工具自带词库，另外增加娱乐明星、影视剧名称、体育明星、球队信息等作为补充词库，在爬虫系统获取的网易新闻、百度百科、维基百科等构成的海量语料库，针对语料库进行分词，并进行词向量训练，最终得到每个词的词向量表示，词向量维度为200维，由实验效果确定，然后对向量进行归一化。
在上述语料库下，进行TF-IDF训练得到IDF值，进行归一化，然后将补充词库进行权重提升为1，这类似于attention机制，对这些词语投入更多的专注度。
视频信息表如下表1所示，其携带有视频id、视频标题信息、分类标签、视频标签信息、发布时间等。将视频信息进行分词，并查词语的词向量表，结合IDF值表加权计算得到当前视频的词向量表示(进行归一化)。
表1视频信息表
用户画像，即用户词向量的计算过程，针对的目标用户群为活跃用户，也就是最近一个周期内(如最近30天)有一定播放量(如播放超过10个视频)且近期较为活跃的用户(如最近7天有播放记录)。用户的词向量计算按照标签类别进行细化，例如用户近一个周期内播放视频数为100个，其中体育60个，财经20个，搞笑15个，社会4个，健康1个；在用户画像过程中分别针对占比TOP3且占比超过10％的标签类别下进行用户画像，通过该方法可以获取用户的主要兴趣点，剔除掉少量的误点操作以及并不能代表用户兴趣点的热点视频。在本例中，体育占60％，财经占20％，搞笑占15％，社会占4％，健康占1％；因此需要针对当前用户在体育、财经、搞笑三个维度对用户进行画像，计算用户相应维度的词向量表示。
在用户不同的标签类别下进行用户词向量计算的过程中，结合时间衰减因素(如衰减周期5天，衰减系数0.95，例如当前日期之前第12天播放的视频，跨越两个衰减周期，需要衰减0.95^2)计算用户的词向量表示。
综合考虑UP主的活跃度、UP主质量、UP主垂直度三大维度，以便后续进行UP主质量的综合评分。
UP主活跃度指标由近三个月发布视频数结合时间衰减排序，将排序结果映射到[x1,1]范围(避免少量UP主与其他大多数存在数量级上的差异导致丧失了该维度的意义)，其中x1是介于0到1之间的小数，作为模型参数由模型学习得到。活跃度的另一个指标是近三个月发布视频的播放量按时间衰减排序，映射到[x2,1]。将上述两个指标相乘得到UP主活跃度维度的得分。
UP主质量指标由分享、点赞、评论、好评数占比、收藏、关注等维度的得分(分别排序，然后映射到某个变量x到1之间，其中x是介于0和1之间的小数)计算平均，然后与所发布的视频播放完整率相乘得到质量维度的得分。
UP主垂直度得分通过近三个月发布视频的类别占比计算垂直度，排序映射到某个变量x到1之间，其中x是介于0和1之间的小数。
计算各维度得分时，通过映射到相应的得分范围来决定该维度在计算综合得分中的不同重要程度，即各维度得分的权重，这些参数由模型训练获得，如下表2所述。
表2各维度得分映射数据表
上述构造各维度特征作为自变量，UP主被关注度(曝光给用户的UP主被用户关注)作为因变量，建模训练得到上述指标的权重。
UP主质量综合评分由UP主活跃度指标、UP主质量、UP主垂直度三个维度得分相乘得到，通过排序映射到[0,1000]之间作为UP主质量综合评分。对用户进行UP主推荐时只选取质量较高的一些UP主(如取质量综合评分前600的UP主)
UP主词向量计算(针对高质量UP主)，根据UP主近三个月发布的视频，与用户细化的词向量计算过程雷同，根据UP主发布视频的标签分类选择占比TOP3且每个类别占比超过10％，来细化地计算UP主在多个维度上的词向量表示(根据视频的词向量表示，结合时间衰减因素计算获得)。
通过余弦相似度计算用户与UP主之间的相似度，对于目标用户存在多个标签维度的用户画像的场景，其UP主的推荐结果集按照用户标签占比的比例构成，最终根据相似度进行倒排，从而推荐给用户。
上述所有可选技术方案，可以采用任意结合形成本发明的可选实施例，在此不再一一赘述。
综上所述，本发明实施例提供的UP主匹配方法及装置，相比现有技术，具有以下有益效果：
1、通过对UP主发布视频信息和用户行为等数据进行了全面梳理，获取用户的播放历史记录、针对UP主发布的视频的收藏、分享、点赞、评论以及播放完整度等多维度的信息，依托多数据源、多维度变量的综合评分方案，实现对UP主的全面评价，从中提取高质量的UP主信息；
2、评价UP主质量的各维度权重由相应算法训练模型计算得到，UP主质量评估更准确；
3、UP主根据发布视频标签类别细分，提升对UP主画像的精准度；
4、用户画像过程中，剔除热点视频和可能的误点视频，并区分不同兴趣标签分别进行用户画像，结果集按比例构成，提升了推荐结果集的精准度；
5、在用户向量计算以及UP主向量计算过程中考虑了时间衰减，提升了兴趣点的转移；
6、通过高质量UP主词向量与精确用户画像的用户词向量进行匹配，最终将高质量的UP主推荐给匹配度高的目标用户，用户通过关注与自身相似的UP，可方便及时地观看到高质量视频，提升用户的满意度，通过AB test得到对比报表指标，提升了CTR、用户播放量和平均播放完整度，总的来说提高了用户体验。
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。
本申请实施例中是参照根据本申请实施例中实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请实施例中的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请实施例中范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，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，均应包含在本发明的保护范围之内。
Claims (8)
1.一种UP主匹配方法，其特征在于，所述方法包括：
获取UP主的发布视频数据，根据所述发布视频数据，从一个或多个维度特征得分确定所述UP主的综合评分值，根据所述UP主的综合评分值筛选出目标UP主；
对所述目标UP主的发布视频数据根据预设标签规则进行统计，并生成一个或多个视频类别标签的对应UP主词向量；
获取第一预设周期内用户播放视频数据，对所述用户播放视频数据根据所述预设标签规则进行统计，并生成所述一个或多个视频类别标签的对应用户词向量；
将所述UP主词向量与所述用户词向量的对应视频类别标签进行对应匹配，获取与所述用户达到目标匹配度的UP主词向量结果，根据所述UP主词向量结果确定对应UP主信息；
其中，根据所述发布视频数据，从一个或多个维度特征得分确定所述UP主的综合评分值，具体包括：
将所述UP主第二预设周期内发布视频数、所述第二预设周期内发布视频播放量分别结合时间衰减进行排序，将排序后的所述发布视频数、所述第二预设周期内发布视频播放量映射到[x1,1]范围、[x2,1]范围，确定所述发布视频数、所述发布视频播放量的各自权重指数，其中第一权重指数x1、第二权重指数x2均取值于0到1之间的小数，然后将所述发布视频数的各自权重指数、所述发布视频播放量的各自权重指数相乘，计算得到所述UP主的发布视频活跃度得分；
将所述UP主第二预设周期内发布视频的分享次数、点赞次数、评论次数、好评数占比、收藏次数、关注次数和发布视频播放完整率分别结合时间衰减进行排序，将排序后的所述分享次数、点赞次数、评论次数、好评数占比、收藏次数、关注次数、发布视频播放完整率映射到[x3,1]范围、[x4,1]范围、[x5,1]范围、[x6,1]范围、[x7,1]范围、[x8,1]范围、[x9,1]范围，分别确定所述分享次数、点赞次数、评论次数、好评数占比、收藏次数、关注次数、发布视频播放完整率的各自权重指数，其中第三权重指数x3、第四权重指数x4、第五权重指数x5、第六权重指数x6、第七权重指数x7、第八权重指数x8、第九权重指数x9均取值于0到1之间的小数，然后将所述分享次数、点赞次数、评论次数、好评数占比、收藏次数、关注次数的各自权重指数求和取平均，然后与所述发布视频播放完整率的各自权重指数相乘，计算得到所述UP主的视频质量得分；
将所述UP主第二预设周期内发布视频的类别占比结合时间衰减进行排序，将排序后的所述类别占比映射到[x10,1]范围，确定所述类别占比的各自权重指数，其中第十权重指数x10取值于0到1之间的小数，然后将所述类别占比的各自权重指数相乘，计算得到所述UP主的视频垂直度得分；
将所述发布视频活跃度得分、所述视频质量得分、所述视频垂直度得分相乘，计算得到所述UP主的综合评分值。
2.根据权利要求1所述的方法，其特征在于，根据所述UP主的综合评分值筛选出目标UP主，包括：
按照所述UP主的综合评分值从高到低的顺序，选择排名前N的所述UP主作为所述目标UP主，其中N为大于1的整数。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：获取所述第一权重指数x1、第二权重指数x2、第三权重指数x3、第四权重指数x4、第五权重指数x5、第六权重指数x6、第七权重指数x7、第八权重指数x8、第九权重指数x9、第十权重指数x10步骤：
分别将所述第一权重指数x1、第二权重指数x2、第三权重指数x3、第四权重指数x4、第五权重指数x5、第六权重指数x6、第七权重指数x7、第八权重指数x8、第九权重指数x9、第十权重指数x10对应的各维度特征得分作为自变量，将所述UP主曝光后的被关注度作为因变量，利用RandomForest算法和GBDT算法计算所述第一权重指数x1、第二权重指数x2、第三权重指数x3、第四权重指数x4、第五权重指数x5、第六权重指数x6、第七权重指数x7、第八权重指数x8、第九权重指数x9、第十权重指数x10。
4.根据权利要求1所述的方法，其特征在于，获取第一预设周期内用户播放视频数据，对所述用户播放视频数据根据预设标签规则进行统计，并生成所述一个或多个视频类别标签的对应用户词向量，包括：
剔除所述用户播放视频数据中的热点视频和误点视频，并根据预设标签规则统计出排名前N的目标用户标签且所述目标用户标签的每个的视频数占比不低于预设占比，对所述目标用户标签进行计算，生成所述目标用户标签的对应用户词向量, 其中N为大于1的整数。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
将所述UP主信息推荐至所述用户；和/或，
将所述UP主词向量结果对应视频类别标签的视频推送至所述用户。
6.一种UP主匹配装置，其特征在于，所述装置包括：
计算模块，用于：获取UP主的发布视频数据，根据所述发布视频数据，从一个或多个维度特征得分确定所述UP主的综合评分值，根据所述UP主的综合评分值筛选出目标UP主；
UP主词向量生成模块，用于：对所述目标UP主的发布视频数据根据预设标签规则进行统计，并生成一个或多个视频类别标签的对应UP主词向量；
用户词向量生成模块，用于：获取第一预设周期内用户播放视频数据，对所述用户播放视频数据根据所述预设标签规则进行统计，并生成所述一个或多个视频类别标签的对应用户词向量；
匹配模块，用于：将所述UP主词向量与所述用户词向量的对应视频类别标签进行对应匹配，获取与所述用户达到目标匹配度的UP主词向量结果，根据所述UP主词向量结果确定对应UP主信息；
其中，所述计算模块包括第一计算子模块、第二计算子模块：
所述第一计算子模块用于：
将所述UP主第二预设周期内发布视频数、所述第二预设周期内发布视频播放量分别结合时间衰减进行排序，将排序后的所述发布视频数、所述第二预设周期内发布视频播放量映射到[x1,1]范围、[x2,1]范围，确定所述发布视频数、所述发布视频播放量的各自权重指数，其中第一权重指数x1、第二权重指数x2均取值于0到1之间的小数，然后将所述发布视频数的各自权重指数、所述发布视频播放量的各自权重指数相乘，计算得到所述UP主的发布视频活跃度得分；
将所述UP主第二预设周期内发布视频的分享次数、点赞次数、评论次数、好评数占比、收藏次数、关注次数和发布视频播放完整率分别结合时间衰减进行排序，将排序后的所述分享次数、点赞次数、评论次数、好评数占比、收藏次数、关注次数、发布视频播放完整率映射到[x3,1]范围、[x4,1]范围、[x5,1]范围、[x6,1]范围、[x7,1]范围、[x8,1]范围、[x9,1]范围，分别确定所述分享次数、点赞次数、评论次数、好评数占比、收藏次数、关注次数、发布视频播放完整率的各自权重指数，其中第三权重指数x3、第四权重指数x4、第五权重指数x5、第六权重指数x6、第七权重指数x7、第八权重指数x8、第九权重指数x9均取值于0到1之间的小数，然后将所述分享次数、点赞次数、评论次数、好评数占比、收藏次数、关注次数的各自权重指数求和取平均，然后与所述发布视频播放完整率的各自权重指数相乘，计算得到所述UP主的视频质量得分；
将所述UP主第二预设周期内发布视频的类别占比结合时间衰减进行排序，将排序后的所述类别占比映射到[x10,1]范围，确定所述类别占比的各自权重指数，其中第十权重指数x10取值于0到1之间的小数，然后将所述类别占比的各自权重指数相乘，计算得到所述UP主的视频垂直度得分；
所述第二计算子模块用于：将所述发布视频活跃度得分、所述视频质量得分、所述视频垂直度得分相乘，计算得到所述UP主的综合评分值。
7.根据权利要求6所述的装置，其特征在于，所述计算模块包括筛选子模块，
所述筛选子模块用于：按照所述UP主的综合评分值从高到低的顺序，选择排名前N的所述UP主作为所述目标UP主，其中N为大于1的整数。
8.根据权利要求6所述的装置，其特征在于，所述装置还包括数据推荐模块，所述数据推荐模块用于：将所述UP主信息推荐至所述用户；和/或，将所述UP主词向量结果对应视频类别标签的视频推送至所述用户。
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910857643.0A CN110737859B (zh) | 2019-09-09 | 2019-09-09 | 一种up主匹配方法及装置 |
| PCT/CN2020/097863 WO2021047237A1 (zh) | 2019-09-09 | 2020-06-24 | 一种up主匹配方法及装置 |
| CA3150500A CA3150500C (en) | 2019-09-09 | 2020-06-24 | Uploader matching method and device |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910857643.0A CN110737859B (zh) | 2019-09-09 | 2019-09-09 | 一种up主匹配方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110737859A CN110737859A (zh) | 2020-01-31 |
| CN110737859B true CN110737859B (zh) | 2022-09-27 |
Family
ID=69267872
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910857643.0A Active CN110737859B (zh) | 2019-09-09 | 2019-09-09 | 一种up主匹配方法及装置 |
Country Status (3)
| Country | Link |
|---|---|
| CN (1) | CN110737859B (zh) |
| CA (1) | CA3150500C (zh) |
| WO (1) | WO2021047237A1 (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110737859B (zh) * | 2019-09-09 | 2022-09-27 | 苏宁云计算有限公司 | 一种up主匹配方法及装置 |
| CN111368138A (zh) * | 2020-02-10 | 2020-07-03 | 北京达佳互联信息技术有限公司 | 视频类别标签的排序方法、装置、电子设备及存储介质 |
| CN111538859B (zh) * | 2020-04-23 | 2023-10-10 | 北京达佳互联信息技术有限公司 | 一种动态更新视频标签的方法、装置及电子设备 |
| CN111698564B (zh) * | 2020-07-27 | 2021-12-21 | 腾讯科技（深圳）有限公司 | 信息推荐方法、装置、设备及存储介质 |
| CN112714340B (zh) * | 2020-12-22 | 2022-12-06 | 北京百度网讯科技有限公司 | 视频处理方法、装置、设备、存储介质和计算机程序产品 |
| CN112580887B (zh) * | 2020-12-25 | 2023-12-01 | 百果园技术(新加坡)有限公司 | 多目标融合评价的权重确定方法、装置、设备及存储介质 |
| CN112667906A (zh) * | 2020-12-31 | 2021-04-16 | 上海众源网络有限公司 | 一种up主的推荐方法、装置及电子设备 |
| CN113242470B (zh) * | 2021-06-15 | 2023-03-31 | 广州聚焦网络技术有限公司 | 一种应用于外贸营销的视频发布方法及装置 |
| CN114268839A (zh) * | 2021-12-17 | 2022-04-01 | 北京达佳互联信息技术有限公司 | 视频发布账户筛选方法、装置、电子设备及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7853622B1 (en) * | 2007-11-01 | 2010-12-14 | Google Inc. | Video-related recommendations using link structure |
| CN103631823A (zh) * | 2012-08-28 | 2014-03-12 | 腾讯科技（深圳）有限公司 | 一种媒体内容推荐方法及设备 |
| CN108171401A (zh) * | 2017-12-11 | 2018-06-15 | 中国科学院大学 | 一种科研人员的推荐方法及系统 |
| CN108519991A (zh) * | 2018-02-28 | 2018-09-11 | 北京奇艺世纪科技有限公司 | 一种主播账户推荐的方法和装置 |
| CN109241415A (zh) * | 2018-08-20 | 2019-01-18 | 平安科技（深圳）有限公司 | 项目推荐方法、装置、计算机设备及存储介质 |
| CN109635155A (zh) * | 2018-12-17 | 2019-04-16 | 杭州柚子街信息科技有限公司 | 为用户推送视频的方法、装置、电子设备及存储介质 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140222775A1 (en) * | 2013-01-09 | 2014-08-07 | The Video Point | System for curation and personalization of third party video playback |
| CN105898425A (zh) * | 2015-12-14 | 2016-08-24 | 乐视网信息技术（北京）股份有限公司 | 视频推荐方法、系统及服务器 |
| CN106227793B (zh) * | 2016-07-20 | 2019-10-22 | 优酷网络技术（北京）有限公司 | 一种视频与视频关键词相关度的确定方法及装置 |
| CN106355446B (zh) * | 2016-08-31 | 2019-11-05 | 镇江乐游网络科技有限公司 | 一种网络和手机游戏的广告推荐系统 |
| CN108021568B (zh) * | 2016-10-31 | 2020-09-08 | 北京酷我科技有限公司 | 一种歌单推荐方法及装置 |
| CN109189886A (zh) * | 2018-09-05 | 2019-01-11 | 广州小楠科技有限公司 | 一种智能视频推荐系统 |
| CN110737859B (zh) * | 2019-09-09 | 2022-09-27 | 苏宁云计算有限公司 | 一种up主匹配方法及装置 |
-
2019
- 2019-09-09 CN CN201910857643.0A patent/CN110737859B/zh active Active
-
2020
- 2020-06-24 CA CA3150500A patent/CA3150500C/en active Active
- 2020-06-24 WO PCT/CN2020/097863 patent/WO2021047237A1/zh active Application Filing
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7853622B1 (en) * | 2007-11-01 | 2010-12-14 | Google Inc. | Video-related recommendations using link structure |
| CN103631823A (zh) * | 2012-08-28 | 2014-03-12 | 腾讯科技（深圳）有限公司 | 一种媒体内容推荐方法及设备 |
| CN108171401A (zh) * | 2017-12-11 | 2018-06-15 | 中国科学院大学 | 一种科研人员的推荐方法及系统 |
| CN108519991A (zh) * | 2018-02-28 | 2018-09-11 | 北京奇艺世纪科技有限公司 | 一种主播账户推荐的方法和装置 |
| CN109241415A (zh) * | 2018-08-20 | 2019-01-18 | 平安科技（深圳）有限公司 | 项目推荐方法、装置、计算机设备及存储介质 |
| CN109635155A (zh) * | 2018-12-17 | 2019-04-16 | 杭州柚子街信息科技有限公司 | 为用户推送视频的方法、装置、电子设备及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| Social interaction based video recommendation: Recommending YouTube videos to facebook users;Bin Nie;《2014 IEEE Conference on Computer Communications Workshops (INFOCOM WKSHPS)》;20140427;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110737859A (zh) | 2020-01-31 |
| CA3150500C (en) | 2024-02-27 |
| CA3150500A1 (en) | 2021-03-18 |
| WO2021047237A1 (zh) | 2021-03-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110737859B (zh) | 一种up主匹配方法及装置 | |
| CN110704674B (zh) | 一种视频播放完整度预测方法及装置 | |
| CN106372249B (zh) | 一种点击率预估方法、装置及电子设备 | |
| CN106326391B (zh) | 多媒体资源推荐方法及装置 | |
| CN109408665A (zh) | 一种信息推荐方法及装置、存储介质 | |
| CN110222233B (zh) | 视频推荐方法、装置、服务器及存储介质 | |
| CN106294783A (zh) | 一种视频推荐方法及装置 | |
| CN107832437A (zh) | 音/视频推送方法、装置、设备及存储介质 | |
| CN107944986A (zh) | 一种o2o商品推荐方法、系统及设备 | |
| CN112800097A (zh) | 基于深度兴趣网络的专题推荐方法及装置 | |
| WO2011155231A1 (ja) | 情報提供システム、情報提供方法、情報提供装置、プログラム及び情報記憶媒体 | |
| CN107341272A (zh) | 一种推送方法、装置和电子设备 | |
| CN112153426A (zh) | 一种内容账号管理方法、装置、计算机设备及存储介质 | |
| CN113918806A (zh) | 自动推荐培训课程的方法及相关设备 | |
| CN113407854A (zh) | 一种应用推荐方法、装置、设备及计算机可读存储介质 | |
| CN107707940A (zh) | 视频排序方法、装置、服务器及系统 | |
| CN110213660A (zh) | 节目的分发方法、系统、计算机设备和存储介质 | |
| CN106991533A (zh) | 预测影视作品投资风险的方法和服务器 | |
| CN111062449A (zh) | 预测模型的训练方法、兴趣度预测方法、装置和存储介质 | |
| CN110188277B (zh) | 一种资源的推荐方法及装置 | |
| CN116542747A (zh) | 产品推荐方法、装置、存储介质及电子设备 | |
| CN106708939A (zh) | 一种对目标人物进行评分及推送的方法、装置、系统 | |
| CN113468394A (zh) | 一种数据处理方法、装置、电子设备及存储介质 | |
| CN107291722B (zh) | 一种描述词的分类方法及设备 | |
| CN115168700A (zh) | 一种基于预训练算法的信息流推荐方法、系统及介质 |
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 | ||
| CP03 | Change of name, title or address |
Address after: No.1-1 Suning Avenue, Xuzhuang Software Park, Xuanwu District, Nanjing, Jiangsu Province, 210000 Patentee after: Jiangsu Suning cloud computing Co.,Ltd. Country or region after: China Address before: No.1-1 Suning Avenue, Xuzhuang Software Park, Xuanwu District, Nanjing, Jiangsu Province, 210000 Patentee before: Suning Cloud Computing Co.,Ltd. Country or region before: China |
|
| CP03 | Change of name, title or address | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240129 Address after: Room 3104, Building A5, No. 3 Gutan Avenue, Economic Development Zone, Gaochun District, Nanjing City, Jiangsu Province, 210000 Patentee after: Jiangsu Biying Technology Co.,Ltd. Country or region after: China Address before: No.1-1 Suning Avenue, Xuzhuang Software Park, Xuanwu District, Nanjing, Jiangsu Province, 210000 Patentee before: Jiangsu Suning cloud computing Co.,Ltd. Country or region before: China |
|
| TR01 | Transfer of patent right |