CN110798718B - 一种视频推荐方法以及装置 - Google Patents

一种视频推荐方法以及装置 Download PDF

Info

Publication number
CN110798718B
CN110798718B CN201910846062.7A CN201910846062A CN110798718B CN 110798718 B CN110798718 B CN 110798718B CN 201910846062 A CN201910846062 A CN 201910846062A CN 110798718 B CN110798718 B CN 110798718B
Authority
CN
China
Prior art keywords
video
vector
user
recommended
marked
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910846062.7A
Other languages
English (en)
Other versions
CN110798718A (zh
Inventor
刘龙坡
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tencent Technology Shenzhen Co Ltd
Original Assignee
Tencent Technology Shenzhen Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tencent Technology Shenzhen Co Ltd filed Critical Tencent Technology Shenzhen Co Ltd
Priority to CN201910846062.7A priority Critical patent/CN110798718B/zh
Publication of CN110798718A publication Critical patent/CN110798718A/zh
Application granted granted Critical
Publication of CN110798718B publication Critical patent/CN110798718B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
    • H04N21/251—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
    • H04N21/258—Client or end-user data management, e.g. managing client capabilities, user preferences or demographics, processing of multiple end-users preferences to derive collaborative data
    • H04N21/25866—Management of end-user data
    • H04N21/25891—Management of end-user data being end-user preferences
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/4508—Management of client data or end-user data
    • H04N21/4532—Management of client data or end-user data involving end-user characteristics, e.g. viewer profile, preferences
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H04N21/4668—Learning process for intelligent management, e.g. learning user preferences for recommending movies for recommending content, e.g. movies

Abstract

本发明实施例公开了一种视频推荐方法以及装置，其中，视频推荐方法包括：获取用户的已观看视频集合和已标记视频集合；提取所述已观看视频集合中每个已观看视频之间的第一关联关系以及所述已标记视频集合中每个已标记视频之间的第二关联关系；基于所述已观看视频集合、已标记视频集合、第一关联关系以及第二关联关系，计算所述用户的目标向量；当检测到所述用户触发的视频播放指令时，根据所述目标向量从待推荐视频集合中确定目标视频，并向所述用户推荐所述目标视频。该方案可以提高视频推荐的准确率。

Description

一种视频推荐方法以及装置
技术领域
本发明涉及通信技术领域，具体涉及一种视频推荐方法以及装置。
背景技术
随着网络视频平台的发展，视频数量不断膨胀，用户需要花费大量的时间从海量的视频中查找自己感兴趣的视频。
目前的视频推荐方案是根据用户的观看历史向用户推荐用户可能感兴趣的视频，然而，新视频上传时，新视频并不存在历史数据，因此，使得为用户推荐的视频并不准确。
发明内容
本发明实施例提供一种视频推荐方法以及装置，可以提高视频推荐的准确率。
本发明实施例提供了一种视频推荐方法，包括：
获取用户的已观看视频集合和已标记视频集合，所述已观看视频集合为用户在历史时间段内观看过的视频的集合，所述已标记视频集合为用户在历史时间段内标记过的视频的集合；
提取所述已观看视频集合中每个已观看视频之间的第一关联关系以及所述已标记视频集合中每个已标记视频之间的第二关联关系；
基于所述已观看视频集合、已标记视频集合、第一关联关系以及第二关联关系，计算所述用户的目标向量；
当检测到所述用户触发的视频播放指令时，根据所述目标向量从待推荐视频集合中确定目标视频，并向所述用户推荐所述目标视频。
相应的，本发明实施例还提供了一种视频推荐装置，包括：
获取模块，用于获取用户的已观看视频集合和已标记视频集合，所述已观看视频集合为用户在历史时间段内观看过的视频的集合，所述已标记视频集合为用户在历史时间段内标记过的视频的集合；
提取模块，用于提取所述已观看视频集合中每个已观看视频之间的第一关联关系以及所述已标记视频集合中每个已标记视频之间的第二关联关系；
计算模块，用于基于所述已观看视频集合、已标记视频集合、第一关联关系以及第二关联关系，计算所述用户的目标向量；
推荐模块，用于当检测到所述用户触发的视频播放指令时，根据所述目标向量从待推荐视频集合中确定目标视频，并向所述用户推荐所述目标视频。
可选的，在本发明的一些实施例中，所述推荐模块包括：
构建单元，用于当检测到所述用户触发的视频播放指令时，构建所述待推荐视频集合中每个待推荐视频的特征向量，得到多个待推荐视频向量；
计算单元，用于计算所述目标向量与每个待推荐视频向量之间的相似度；推荐单元，用于将相似度最高的待推荐视频确定为目标视频，并向所述用户推荐所述目标视频。
可选的，在本发明的一些实施例中，所述构建单元具体用于：
当检测到所述用户触发的视频播放指令时，获取所述待推荐视频集合中每个待推荐视频的视频帧集合，所述视频帧集合包括多个视频帧；
按照预设规则从所述视频帧集合中提取相应数量的视频帧作为代表视频帧集合；
通过预设残差网络，提取所述代表视频帧集合中每个代表视频帧的特征向量，得到多个代表帧向量；
对所述多个代表帧向量进行加权处理，得到所述代表视频帧集合的特征向量。
可选的，在本发明的一些实施例中，所述计算模块包括：
提取单元，用于提取所述已观看视频集合对应的已观看向量集合，以及提取所述已标记视频集合对应的已标记向量集合；
处理单元，用于根据所述第一关联关系以及第二关联关系，对所述已观看向量集合和所述已标记向量集合进行处理，得到所述用户的目标向量。
可选的，在本发明的一些实施例中，所述处理单元具体用于：
基于预设图卷积神经网络模型中的第一子模型以及第一关联关系对所述已观看向量集合进行向量预测，得到第一向量；
基于预设图卷积神经网络模型中的第二子模型以及第二关联关系对所述已标记向量集合进行向量预测，得到第二向量；
对所述第一目标向量以及第二目标向量进行加权处理，得到所述用户的目标向量。
可选的，在本发明的一些实施例中，还包括构建模块，所述构建模块具体用于：
计算所述已观看视频集合中每个视频之间的相似度，得到多个第一相似度；以及，
计算所述已标记视频集合中每个视频之间的相似度，得到多个第二相似度；
根据所述多个第一相似度，构建所述已观看视频集合中每个视频之间的第一关联关系；以及，
根据所述多个第二相似度，构建所述已标记视频集合中每个视频之间的第二关联关系。
可选的，在本发明的一些实施例中，还包括训练模块，所述训练模块具体用于：
采集多个样本视频，并对所述多个样本视频的播放标签进行标注；
将标注后的多个样本视频添加至训练样本集中；
根据所述训练样本集对基础网络模型进行训练，得到图卷积神经网络。
可选的，在本发明的一些实施例中，还包括移除模块，所述移除模块具体用于：
播放所述推荐视频；
在所述待推荐视频集合移除所述推荐视频。
本发明实施例首先获取用户的已观看视频集合和已标记视频集合，然后，提取所述已观看视频集合中每个已观看视频之间的第一关联关系以及所述已标记视频集合中每个已标记视频之间的第二关联关系，接着，基于所述已观看视频集合、已标记视频集合、第一关联关系以及第二关联关系，计算所述用户的目标向量，最后，当检测到所述用户触发的视频播放指令时，根据所述目标向量从待推荐视频集合中确定目标视频，并向所述用户推荐所述目标视频。本发明可以基于每个已观看视频之间的第一关联关系以及每个已标记视频之间的第二关联关系，并通过预设图卷积神经网络模型对用户的已观看视频集合和已标记视频集合，计算用户的目标向量，当有新视频上传至视频平台时，可以根据目标向量从待推荐视频集合中确定目标视频，并向用户推荐目标视频，因此，提高了视频推荐的准确率。
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1a是本发明实施例提供的视频推荐方法的第一种场景示意图；
图1b是本发明实施例提供的视频推荐方法的第二种场景示意图；
图1c是本发明实施例提供的视频推荐方法的流程示意图；
图2是本发明实施例提供的视频推荐方法的另一流程示意图；
图3a是本发明实施例提供的视频推荐装置的第一种实施方式的结构示意图；
图3b是本发明实施例提供的视频推荐装置的第二种实施方式的结构示意图；
图3c是本发明实施例提供的视频推荐装置的第三种实施方式的结构示意图；
图3d是本发明实施例提供的视频推荐装置的第四种实施方式的结构示意图；
图3e是本发明实施例提供的视频推荐方法中的已观看的视频建立连接边的示意图；
图4是本发明实施例提供的服务器的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、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，本领域技术人员在没有作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。
本发明实施例提供一种视频推荐方法、装置、服务器以及存储介质。
其中，该视频推荐装置可以集成在服务器中，服务器可以包括一个独立运行的服务器或者分布式服务器，也可以包括由多个服务器组成的服务器集群，如图1a所示，比如，该视频推荐装置集成在服务器中，首先，获取用户在历史时间段内观看过的多个视频以及在历史时间段内标记过的多个视频，即，获取用户的已观看视频集合和已标记视频集合，然后，提取已观看视频集合中每个已观看视频之间的第一关联关系以及已标记视频集合中每个已标记视频之间的第二关联关系，接着，基于已观看视频集合、已标记视频集合、第一关联关系以及第二关联关系，计算用户的目标向量，当检测到用户触发的视频播放指令时，根据目标向量从待推荐视频集合中确定目标视频，并向用户推荐目标视频。
例如，请参阅图1b，上传者向网络视频平台上传了多个新视频，用户通过该网络视频平台的接口进入到该网络视频平台，然后，服务器基于用户在历史时间段内观看过的多个视频以及在历史时间段内标记过的多个视频，在上传者上传的多个新视频中确定目标视频，并向用户推荐该目标视频。
以下分别进行详细说明，需说明的是，以下实施例的描述顺序不作为对实施例优先顺序的限定。
一种视频推荐方法，包括：获取用户的已观看视频集合和已标记视频集合，提取已观看视频集合中每个已观看视频之间的第一关联关系以及已标记视频集合中每个已标记视频之间的第二关联关系，基于已观看视频集合、已标记视频集合、第一关联关系以及第二关联关系，计算用户的目标向量，当检测到用户触发的视频播放指令时，根据目标向量从待推荐视频集合中确定目标视频，并向用户推荐目标视频。
请参阅图1c，图1c是本发明实施例提供的视频推荐方法的流程示意图。视频推荐方法的具体流程可以如下：
101、获取用户的已观看视频集合和已标记视频集合。
用户的已观看视频集合为用户在历史时间段内观看过的视频的集合，用户的已标记视频集合为用户在历史时间段内标记过的视频的集合，其中，标记过的视频可以为用户收藏的视频或者用户点赞的视频等等。
102、提取已观看视频集合中每个已观看视频之间的第一关联关系以及已标记视频集合中每个已标记视频之间的第二关联关系。
比如，可以根据视频集合中每个视频之间的相似度，构建视频集合中每个视频之间的关联关系，即，在一些实施例中，步骤“提取已观看视频集合中每个视频之间的第一关联关系以及已标记视频集合中每个视频之间的第二关联关系”之前，具体还可以包括：
(11)计算已观看视频集合中每个视频之间的相似度，得到多个第一相似度，以及，计算已标记视频集合中每个视频之间的相似度，得到多个第二相似度；
(12)根据多个第一相似度，构建已观看视频集合中每个视频之间的第一关联关系，以及，根据多个第二相似度，构建已标记视频集合中每个视频之间的第二关联关系。
以构建已观看视频集合中每个视频之间的第一关联关系为例，已观看视频集合中包括A视频、B视频、C视频、D视频以及E视频，首先，可以计算B视频、C视频、D视频以及E视频与A视频的相似度，然后，根据计算B视频、C视频、D视频以及E视频与A视频的相似度，构建A视频与B视频的第一关联关系、构建A视频与C视频的第一关联关系、构建A视频与D视频的第一关联关系以及构建A视频与E视频的第一关联关系，构建已标记视频集合中每个视频之间的第二关联关系与构建已观看视频集合中每个视频之间的第一关联关系类似，在此不再赘述。
103、基于已观看视频集合、已标记视频集合、第一关联关系以及第二关联关系，计算所述用户的目标向量。
比如，可以通过预设网络模型分别对已观看视频集合以及已标记视频集合进行特征提取，得到已观看视频集合对应的已观看向量集合及已标记视频集合对应的已标记向量集合，然后，可以基于第一关联关系以及第二关联关系，对已观看向量集合和已标记向量集合进行处理，得到用户的目标向量，即，在一些实施例中，步骤“基于已观看视频集合、已标记视频集合、第一关联关系以及第二关联关系，计算所述用户的目标向量”，具体可以包括：
(21)提取已观看视频集合对应的已观看向量集合，以及提取已标记视频集合对应的已标记向量集合。
(22)根据第一关联关系以及第二关联关系，对已观看向量集合和已标记向量集合进行处理，得到用户的目标向量。
例如，具体的，可以根据第一关联关系对已观看向量集合进行向量预测，预测得到用户的观看预测向量，可以根据第二关联关系对已标记向量集合进行向量预测，预测得到用户的标记预测向量，然后，再对用户的观看预测向量以及用户的标记预测向量进行加权处理，得到用户的目标向量，即，在一些实施例中，步骤“根据第一关联关系以及第二关联关系，对已观看向量集合和已标记向量集合进行处理，得到用户的目标向量”，具体可以包括：
(31)基于预设图卷积神经网络模型中的第一子模型以及第一关联关系对已观看向量集合进行向量预测，得到第一向量。
(32)基于预设图卷积神经网络模型中的第二子模型以及第二关联关系对已标记向量集合进行向量预测，得到第二向量。
(33)对第一向量以及第二向量进行加权处理，得到用户的目标向量。
在本发明中，第一向量为用户的观看预测向量，第二向量为用户的标记预测向量。具体的，根据已观看视频集合中每个已观看视频之间的第一关联关系，构建一个已观看视频集合的拓扑结构图，然后，基于预设图卷积神经网络对已观看视频集合的拓扑结构图进行向量预测，得到用户的观看预测向量，即，第一向量；同样的，根据已标记视频集合中每个已标记视频之间的第二关联关系，构建一个已标记视频集合的拓扑结构图，然后，可以基于预设图卷积神经网络对已标记视频集合的拓扑结构图进行向量预测，得到用户的标记预测向量，即，第二向量，最后，可以对第一向量以及第二向量进行加权处理，得到用户的目标向量，比如，可以对第一向量与第二向量之和的平均值，得到的平均向量作为用户的目标向量。
需要说明的是，图卷积神经网络模型是预先建立的，即，在一些实施例中，还包括：
(41)采集多个样本视频，并对多个样本视频的播放标签进行标注。
(42)将标注后的多个样本视频添加至训练样本集中。
(43)根据训练样本集对基础网络模型进行训练，得到图卷积神经网络模型。
在采集样本视频的过程中，可以对于在采集之前观看过的视频可以标注其的播放标签为“已观看”，对于在采集之前未观看过的视频可以标注其的播放标签为“未观看”，然后，将播放标签为“已观看”的样本视频作为正样本，将播放标签为“未观看”的样本视频作为负样本，并将所有的正样本以及所有的负样本都添加至训练样本集中，最后，根据训练样本集对基础网络模型进行训练，得到图卷积神经网络。需要说明的是，在本发明中，采集阶段的时间点在历史时间段的时间点之后，比如，已观看视频集合为用户在t0至t1时间段内观看过的视频的集合，已标记视频集合为用户在t0至t1时间段内时间段内标记过的视频的集合，在t1至t2时间段内采集多个样本视频，其中，t0时间点在t1时间点之前，t1时间点在t2时间点之前。
该预设图卷积神经网络模型可以根据实际应用的需求进行设定，例如，该预设图卷积神经网络模型可以包括四个卷积层和一个全连接层。
卷积层：主要用于对输入的图像(比如拓扑结构图)进行特征提取，其中，卷积核大小可以根据实际应用而定，比如，从第一层卷积层至第四层卷积层的卷积核大小依次可以为(7，7)，(5，5)，(3，3)，(3，3)；可选的，为了降低计算的复杂度，提高计算效率，在本实施例中，这四层卷积层的卷积核大小可以都设置为(3，3)，激活函数均采用“relu(线性整流函数，Rectified Linear Unit)”，而padding(padding，指属性定义元素边框与元素内容之间的空间)方式均设置为“same”，“same”填充方式可以简单理解为以0填充边缘，左边(上边)补0的个数和右边(下边)补0的个数一样或少一个。可选的，为了进一步减少计算量，还可以在第二至第四层卷积层中的所有层或任意1～2层进行下采样(pooling)操作，该下采样操作与卷积的操作基本相同，只不过下采样的卷积核为只取对应位置的最大值(maxpooling)或平均值(average pooling)等，为了描述方便，在本发明实施例中，将均以在第二层卷积层和第三次卷积层中进行下采样操作，且该下采样操作具体为max pooling为例进行说明。
需说明的是，为了描述方便，在本发明实施例中，将激活函数所在层和下采样层(也称为池化层)均归入卷积层中，应当理解的是，也可以认为该结构包括卷积层、激活函数所在层、下采样层(即池化层)和全连接层，当然，还可以包括用于输入数据的输入层和用于输出数据的输出层，在此不再赘述。
全连接层：可以将学到的特征映射到样本标记空间，其在整个卷积神经网络中主要起到“分类器”的作用，全连接层的每一个结点都与上一层(如卷积层中的下采样层)输出的所有结点相连，其中，全连接层的一个结点即称为全连接层中的一个神经元，全连接层中神经元的数量可以根据实际应用的需求而定，比如，在该孪生神经网络模型的上半分支网络和下半分支网络中，全连接层的神经元数量可以均设置为512个，或者，也可以均设置为128个，等等。与卷积层类似，可选的，在全连接层中，也可以通过加入激活函数来加入非线性因素，比如，可以加入激活函数sigmoid(S型函数)。
例如，在训练样本集中选取任一样本视频作为当前训练样本，然后，将该当前训练样本作为输入并导入到基础网络模型中，预测当前训练样本的播放标签，紧接着，再获取当前训练样本标注的播放标签。需要说明的是，在实际训练过程中，训练样本预测的播放标签与训练样本标注的播放标签可能会不同，比如，当前训练样本标注的播放标签为“已播放”，而训练样本预测的播放标签可以是“未播放”，因此，需要调整基础网络模型的参数，直到所有的训练样本都训练完毕。
104、当检测到用户触发的视频播放指令时，根据目标向量从待推荐视频集合中确定目标视频，并向用户推荐所述目标视频。
需要说明的是，在本发明实施例中，视频的历史数据指的是该视频自身的历史数据。比如，该视频被用户A观看过，但没有被用户B观看过，对于用户A而言，该视频是已观看过的视频，对于用户B而言，该视频是未观看的视频，该视频存在有历史数据；又比如，该视频并没有被任何用户观看过，则该视频没有历史数据。
比如，当检测到用户针对网络视频平台的应用程序的播放视频操作时，根据目标向量从待推荐视频集合中确定目标视频，并向用户推荐目标视频。其中，待推荐视频集合中的视频可以包括有历史数据的视频以及没有历史数据的视频，具体根据实际情况进行设置。
进一步的，可以计算目标向量与待推荐视频集合中每个视频对应的向量的相似度，并根据相似度确定目标视频，即，在一些实施例中，步骤“当检测到用户触发的视频播放指令时，根据目标向量从待推荐视频集合中确定目标视频，并向用户推荐所述目标视频”，具体可以包括：
(51)当检测到用户触发的视频播放指令时，构建待推荐视频集合中每个待推荐视频的特征向量，得到多个待推荐视频向量。
(52)计算目标向量与每个待推荐视频向量之间的相似度。
(53)将相似度最高的待推荐视频确定为目标视频，并向用户推荐目标视频。
具体的，当检测到用户触发的视频播放指令时，构建待推荐视频集合中每个待推荐视频的特征向量，得到多个待推荐视频向量，比如，可以根据通过预设残差网络模型对待推荐视频集合中每个待推荐视频进行特征提取，得到多个待推荐视频向量，然后，计算目标向量与每个待推荐视频向量之间的相似度，最后，将相似度最高的待推荐视频确定为目标视频，并向用户推荐目标视频。需要说明的是，当存在目标向量与两个待推荐视频向量之间的相似度相同时，可以根据这两个待推荐视频上传的时间依次向用户展示。
另外，在一些实施例中，还可以按照预设规则提取待推荐视频的代表帧，通过计算目标向量与代表帧向量之间的相似度，确定目标视频，即，步骤“当检测到用户触发的视频播放指令时，构建待推荐视频集合中每个待推荐视频的特征向量，得到多个待推荐视频向量”，具体可以包括：
(61)获取待推荐视频集合中每个待推荐视频的视频帧集合，视频帧集合包括多个视频帧。
(62)按照预设规则从视频帧集合中提取相应数量的视频帧作为代表视频帧集合。
(63)通过预设残差网络，提取代表视频帧集合中每个代表视频帧的特征向量，得到多个代表帧向量。
(64)对多个代表帧向量进行加权处理，得到代表视频帧集合的特征向量。
以一个待推荐视频为例，获取该待推荐视频的所有视频帧，得到该待推荐视频的视频帧集合，然后，按照预设规则从视频帧集合中提取相应数量的视频帧作为代表视频帧集合，比如，该视频帧集合包括100个视频帧，按照每隔5帧提取一次代表视频帧，得到20个代表视频帧，然后，通过预设残差网络，提取代表视频帧集合中每个代表视频帧的特征向量，最后，对多个代表帧向量进行加权处理，得到代表视频帧集合的特征向量。
可选的，在一些实施例中，为了不重复推荐目标视频，因此，播放完推荐视频后，可以将该推荐视频从待推荐视频集合中移除，即，步骤“当检测到用户触发的视频播放指令时，根据目标向量从待推荐视频集合中确定目标视频，并向用户推荐目标视频”之后，具体还可以还包括：
(71)播放推荐视频。
(72)在待推荐视频集合移除推荐视频。
本发明实施例首先获取用户的已观看视频集合和已标记视频集合，然后，提取已观看视频集合中每个已观看视频之间的第一关联关系以及已标记视频集合中每个已标记视频之间的第二关联关系，接着，基于已观看视频集合、已标记视频集合、第一关联关系以及第二关联关系，计算用户的目标向量，最后，当检测到用户触发的视频播放指令时，根据目标向量从待推荐视频集合中确定目标视频，并向用户推荐所述目标视频。本发明可以基于每个已观看视频之间的第一关联关系以及每个已标记视频之间的第二关联关系，并通过预设图卷积神经网络模型对用户的已观看视频集合和已标记视频集合，计算用户的目标向量，当视频平台中的视频不存在历史数据时，可以根据目标向量从待推荐视频集合中确定目标视频，并向用户推荐目标视频，因此，提高了视频推荐的准确率。
根据实施例所述的方法，以下将举例进一步详细说明。
在本实施例中将以该视频推荐装置具体集成在服务器中为例进行说明。
请参阅图2，一种视频推荐方法，具体流程可以如下：
201、服务器获取用户的已观看视频集合和已标记视频集合。
具体的，服务器可以通过网络获取用户在历史时间段内观看过的视频的集合以及用户在历史时间段内标记过的视频的集合，比如，服务器通过网络获取到用户在历史时间段内观看过的视频数量为10个，获取到用户在历史时间段内标记过的视频数量为3个，其中，标记过的视频可以为用户收藏的视频或者用户点赞的视频等等。
202、服务器提取已观看视频集合中每个已观看视频之间的第一关联关系以及已标记视频集合中每个已标记视频之间的第二关联关系。
比如，服务器可以根据视频集合中每个视频之间的相似度，构建视频集合中每个视频之间的关联关系，即，在一些实施例中，服务器提取已观看视频集合中每个视频之间的第一关联关系以及已标记视频集合中每个视频之间的第二关联关系之前，具体还可以包括：服务器计算已观看视频集合中每个视频之间的相似度，得到多个第一相似度；以及计算已标记视频集合中每个视频之间的相似度，得到多个第二相似度；服务器根据多个第一相似度，构建已观看视频集合中每个视频之间的第一关联关系；以及根据多个第二相似度，构建已标记视频集合中每个视频之间的第二关联关系。
203、服务器基于已观看视频集合、已标记视频集合、第一关联关系以及第二关联关系，计算所述用户的目标向量。
比如，服务器可以通过预设网络模型分别对已观看视频集合以及已标记视频集合进行特征提取，得到已观看视频集合对应的已观看向量集合及已标记视频集合对应的已标记向量集合，然后，服务器可以基于第一关联关系以及第二关联关系，对已观看向量集合和已标记向量集合进行处理，得到用户的目标向量，即，在一些实施例中，服务器基于已观看视频集合、已标记视频集合、第一关联关系以及第二关联关系，计算所述用户的目标向量，具体可以包括：服务器提取已观看视频集合对应的已观看向量集合，以及提取已标记视频集合对应的已标记向量集合，服务器根据第一关联关系以及第二关联关系，对已观看向量集合和已标记向量集合进行处理，得到用户的目标向量。
例如，具体的，服务器可以根据第一关联关系，构建已观看视频集合对应的拓扑结构图，然后，基于预设图卷积神经网络模型对拓扑结构图进行处理，以预测用户的观看预测向量；同理，服务器可以根据第二关联关系，构建已标记视频集合对应的拓扑结构图，然后，基于预设图卷积神经网络模型对拓扑结构图进行处理，以预测用户的观看标记向量；最后，服务器对用户的观看预测向量以及用户的观看标记向量进行处理，得到用户的目标向量。
即，在一些实施例中，服务器根据第一关联关系以及第二关联关系，对已观看向量集合和已标记向量集合进行处理，得到用户的目标向量，具体可以包括：服务器基于预设图卷积神经网络模型中的第一子模型以及第一关联关系对已观看向量集合进行向量预测，得到第一向量，服务器基于预设图卷积神经网络模型中的第二子模型以及第二关联关系对已标记向量集合进行向量预测，得到第二向量，服务器对第一向量以及第二向量进行加权处理，得到用户的目标向量。
需要说明的是，图卷积神经网络可以是由服务器预先建立的，即，在一些实施例中，具体还可以包括：服务器采集多个样本视频，并对多个样本视频的播放标签进行标注，服务器将标注后的多个样本视频添加至训练样本集中，服务器根据训练样本集对基础网络模型进行训练，得到图卷积神经网络模型。
204、服务器当检测到用户触发的视频播放指令时，根据目标向量从待推荐视频集合中确定目标视频，并向用户推荐所述目标视频。
比如，服务器当检测到用户针对网络视频平台的应用程序的播放视频操作时，根据目标向量从待推荐视频集合中确定目标视频，并向用户推荐目标视频。其中，待推荐视频集合中的视频可以包括有历史数据的视频以及没有历史数据的视频，具体根据实际情况进行设置。
进一步的，服务器可以计算目标向量与待推荐视频集合中每个视频对应的向量的相似度，并根据相似度确定目标视频，即，在一些实施例中，服务器当检测到用户触发的视频播放指令时，根据目标向量从待推荐视频集合中确定目标视频，并向用户推荐所述目标视频，具体可以包括：服务器当检测到用户触发的视频播放指令时，构建待推荐视频集合中每个待推荐视频的特征向量，得到多个待推荐视频向量，服务器计算目标向量与每个待推荐视频向量之间的相似度，服务器将相似度最高的待推荐视频确定为目标视频，并向用户推荐目标视频。
比如，服务器当检测到用户触发的视频播放指令时，服务器可以通过预设残差网络模型对待推荐视频集合中每个待推荐视频进行特征提取，得到多个待推荐视频向量，然后，服务器计算目标向量与每个待推荐视频向量之间的相似度，最后，服务器将相似度最高的待推荐视频确定为目标视频，并向用户推荐目标视频。当存在目标向量与多个待推荐视频向量之间的相似度相同时，服务器可以根据这多个待推荐视频上传的时间依次向用户展示，当然，服务器也可以根据这多个待推荐视频占用的内存依次向用户展示，比如，按照视频内存从小到大的顺序依次向用户展示，服务器还可以随机向用户展示这多个视频，具体根据实际情况而定。
另外，在一些实施例中，服务器还可以按照预设规则提取待推荐视频的代表帧，通过计算目标向量与代表帧向量之间的相似度，确定目标视频，即，服务器当检测到用户触发的视频播放指令时，构建待推荐视频集合中每个待推荐视频的特征向量，得到多个待推荐视频向量，具体可以包括：服务器获取待推荐视频集合中每个待推荐视频的视频帧集合，视频帧集合包括多个视频帧，服务器按照预设规则从视频帧集合中提取相应数量的视频帧作为代表视频帧集合，服务器通过预设残差网络，提取代表视频帧集合中每个代表视频帧的特征向量，得到多个代表帧向量，服务器对多个代表帧向量进行加权处理，得到代表视频帧集合的特征向量。
205、服务器播放目标视频。
服务器当确定目标视频后，可以获取目标视频的视频数据，并对该视频数据进行解码播放。
206、服务器在待推荐视频集合移除目标视频。
可选的，服务器可以在目标视频播放时，在待推荐视频集合移除目标视频；服务器也可以在目标视频播放完毕后，在待推荐视频集合移除目标视频，具体根据实际情况进行设置。
本发明实施例的服务器在获取用户的已观看视频集合和已标记视频集合后，服务器提取已观看视频集合中每个已观看视频之间的第一关联关系以及已标记视频集合中每个已标记视频之间的第二关联关系，然后，服务器基于已观看视频集合、已标记视频集合、第一关联关系以及第二关联关系，计算用户的目标向量，接着，服务器当检测到用户触发的视频播放指令时，根据目标向量从待推荐视频集合中确定目标视频，并向所述用推荐目标视频，随后，服务器播放目标视频，最后，服务器在待推荐视频集合移除目标视频。本发明实施例的服务器可以基于每个已观看视频之间的第一关联关系以及每个已标记视频之间的第二关联关系，并通过预设图卷积神经网络模型对用户的已观看视频集合和已标记视频集合，计算用户的目标向量，当视频平台中的视频不存在历史数据时，服务器可以根据目标向量从待推荐视频集合中确定目标视频，并向用户推荐目标视频，因此，提高了视频推荐的准确率。
为便于更好的实施本发明实施例提供的视频推荐方法，本发明实施例还提供一种基于上述视频推荐装置(简称推荐装置)。其中名词的含义与视频推荐方法中相同，具体实现细节可以参考方法实施例中的说明。
请参阅图3a，图3a为本发明实施例提供的视频推荐装置的结构示意图，其中该推荐装置可以包括获取模块301，,提取模块302、计算模块303以及推荐模块304，具体可以如下：
获取模块301，用于获取用户的已观看视频集合和已标记视频集合。
其中，用户的已观看视频集合为用户在历史时间段内观看过的视频的集合，用户的已标记视频集合为用户在历史时间段内标记过的视频的集合，其中，标记过的视频可以为用户收藏的视频或者用户点赞的视频等等。
提取模块302，用于提取已观看视频集合中每个已观看视频之间的第一关联关系以及已标记视频集合中每个已标记视频之间的第二关联关系。
比如，提取模块302可以根据视频集合中每个视频之间的相似度，构建视频集合中每个视频之间的关联关系，即，在一些实施例中，请参阅图3b，推荐装置还可以包括构建模块305，构建模块305具体可以用于：计算已观看视频集合中每个视频之间的相似度，得到多个第一相似度；以及，计算已标记视频集合中每个视频之间的相似度，得到多个第二相似度；根据多个第一相似度，构建已观看视频集合中每个视频之间的第一关联关系；以及，根据多个第二相似度，构建已标记视频集合中每个视频之间的第二关联关系。
计算模块303，用于基于已观看视频集合、已标记视频集合、第一关联关系以及第二关联关系，计算所述用户的目标向量。
比如，计算模块303可以通过预设网络模型分别对已观看视频集合以及已标记视频集合进行特征提取，得到已观看视频集合对应的已观看向量集合及已标记视频集合对应的已标记向量集合，然后，可以基于第一关联关系以及第二关联关系，对已观看向量集合和已标记向量集合进行处理，得到用户的目标向量，可选的，在一些实施例中，计算模块306具体可以包括：
提取单元，用于基于预设网络模型对已观看视频集合和已标记视频集合进行特征提取，得到已观看视频集合对应的已观看向量集合以及所述已标记视频集合对应的已标记向量集合；
处理单元，用于根据第一关联关系以及第二关联关系，对已观看向量集合和已标记向量集合进行处理，得到用户的目标向量。
可选的，在本发明的一些实施例中，处理单元具体可以用于：基于预设图卷积神经网络模型中的第一子模型以及第一关联关系对已观看向量集合进行向量预测，得到第一向量，基于预设图卷积神经网络模型中的第二子模型以及第二关联关系对已标记向量集合进行向量预测，得到第二向量；对第一目标向量以及第二目标向量进行加权处理，得到用户的目标向量。
推荐模块304，用于当检测到用户触发的视频播放指令时，根据目标向量从待推荐视频集合中确定目标视频，并向所述用户推荐目标视频。
可选的，在本发明的一些实施例中，推荐模块304可以包括：
构建单元，用于当检测到用户触发的视频播放指令时，构建待推荐视频集合中每个待推荐视频的特征向量，得到多个待推荐视频向量；
计算单元，用于计算目标向量与每个待推荐视频向量之间的相似度；
推荐单元，用于将相似度最高的待推荐视频确定为目标视频，并向用户推荐目标视频。
可选的，在一些实施例中，构建单元具体可以用于：获取待推荐视频集合中每个待推荐视频的视频帧集合，按照预设规则从视频帧集合中提取相应数量的视频帧作为代表视频帧集合，通过预设残差网络，提取代表视频帧集合中每个代表视频帧的特征向量，得到多个代表帧向量，对多个代表帧向量进行加权处理，得到代表视频帧集合的特征向量。
可选的，在一些实施例中，请参阅图3c，推荐装置还可以包括训练模块306，训练模块306具体可以用于：采集多个样本视频，并对多个样本视频的播放标签进行标注，将标注后的多个样本视频添加至训练样本集中，根据训练样本集对基础网络模型进行训练，得到图卷积神经网络。
可选的，在一些实施例中，请参阅图3d，推荐装置还可以包括移除模块307，移除模块307具体可以用于：播放推荐视频，在待推荐视频集合移除推荐视频。
本发明实施例中获取模块301首先获取用户的已观看视频集合和已标记视频集合，然后，提取模块302提取已观看视频集合中每个已观看视频之间的第一关联关系以及已标记视频集合中每个已标记视频之间的第二关联关系，接着计算模块303基于已观看视频集合、已标记视频集合、第一关联关系以及第二关联关系，计算用户的目标向量，最后，推荐模块304当检测到用户触发的视频播放指令时，根据目标向量从待推荐视频集合中确定目标视频，并向用户推荐所述目标视频。本发明计算模块303可以基于每个已观看视频之间的第一关联关系以及每个已标记视频之间的第二关联关系，并通过预设图卷积神经网络模型对用户的已观看视频集合和已标记视频集合，计算用户的目标向量，当视频平台中的视频不存在历史数据时，推荐模块304可以根据目标向量从待推荐视频集合中确定目标视频，并向用户推荐目标视频，因此，提高了视频推荐的准确率。
进一步的，为了便于对本发明实施例提供的视频推荐方法的理解，以下将本发明实施例提供的视频推荐方法分为三个阶段，并对这三个阶段进行详细说明：
第一阶段是数据集构建阶段，首先对待推荐视频集合中的每个视频进行分帧处理，假设一个待推荐视频共有100帧，每个5帧提取一次，提取到20帧作为该待推荐视频的代表帧，然后，再利用预设残差网络，如深度残差神经网络ResNet50对待推荐视频的代表帧进行特征提取，得到20个2048维的向量，接着，对这20个向量进行平均，得到该待推荐视频的特征向量。另外，可以将用户在T时刻之后观看过的视频作为正样本，再从用户没有观看过的视频集合中随机抽取视频作为负样本，而用户在T时刻之前观看的视频可用于构建用户拓扑结构图。
第二阶段是模型构建阶段，在第一阶段构建数据集后，可以通过用户拓扑结构图并利用图卷积算法进行训练。首先，可以将每个用户作为一个节点，比如，在D天之前观看过的每个视频均作为一个节点，用户节点和其观看过所有的视频节点之间均存在一个连接边，如图3e所示，而用户观看过的视频之前根据其特征向量的相似度是否大于第一预设阈值来判断是否存在连接边，从而构造了用户观看拓扑结构图，可以用如下公式表示：G1＝(V1,E1)，同理，可以根据用户标记过的视频之前根据其特征向量的相似度是否大于第二预设阈值来判断是否存在连接边，从而构造了用户标记拓扑结构图，可以用如下公式表示：G2＝(V2,E2)。然后，将用户观看拓扑结构图输入维度为N*F的矩阵，其中，N为网络的节点数，F为每个节点的输入特征维度，该输入特征维度为2048维，该观看拓扑结构图的邻接矩阵为N*N的矩阵A，可以通过图卷积算法对观看拓扑结构图传播，传播规则为f(H1,A)＝σ(AHW)，其中，σ为激活函数relu，H为输入矩阵，W为权重矩阵，H0＝X，H1＝f(H0,X)，维度为
Figure BDA0002188478670000181
Figure BDA0002188478670000182
同理，用户的标记拓扑结构图的参数与用户的观看拓扑结构图类似，在此不再赘述。
第三阶段是应用阶段，在第二阶段模型训练好之后，实际应用时，还是对待推荐视频集合中视频进行分帧处理，具体请参阅第一阶段，然后利用训练好的图卷积神经网络模型分别对用户的已观看视频结合及已标记视频集合进行向量预测，得到预测观看向量和预测标记向量，再对预测观看向量和预测标记向量进行平均，得到目标向量，最后，将目标向量与待推荐视频集合中的视频向量进行相似度计算，取相似度最高的短视频对用户进行推荐。
相应的，本发明实施例还提供一种服务器，如图4所示，该服务器可以包括射频(RF，Radio Frequency)电路401、包括有一个或一个以上计算机可读存储介质的存储器402、输入单元403、显示单元404、传感器405、音频电路406、无线保真(WiFi，WirelessFidelity)模块407、包括有一个或者一个以上处理核心的处理器408、以及电源409等部件。本领域技术人员可以理解，图4中示出的服务器结构并不构成对服务器的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。其中：
RF电路401可用于收发信息或通话过程中，信号的接收和发送，特别地，将基站的下行信息接收后，交由一个或者一个以上处理器408处理；另外，将涉及上行的数据发送给基站。通常，RF电路401包括但不限于天线、至少一个放大器、调谐器、一个或多个振荡器、用户身份模块(SIM，Subscriber Identity Module)卡、收发信机、耦合器、低噪声放大器(LNA，Low Noise Amplifier)、双工器等。此外，RF电路401还可以通过无线通信与网络和其他设备通信。所述无线通信可以使用任一通信标准或协议，包括但不限于全球移动通讯系统(GSM，Global System of Mobile communication)、通用分组无线服务(GPRS，GeneralPacket Radio Service)、码分多址(CDMA，Code Division Multiple Access)、宽带码分多址(WCDMA，Wideband Code Division Multiple Access)、长期演进(LTE，Long TermEvolution)、电子邮件、短消息服务(SMS，Short Messaging Service)等。
存储器402可用于存储软件程序以及模块，处理器408通过运行存储在存储器402的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器402可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据服务器的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器402可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器402还可以包括存储器控制器，以提供处理器408和输入单元403对存储器402的访问。
输入单元403可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。具体地，在一个具体的实施例中，输入单元403可包括触敏表面以及其他输入设备。触敏表面，也称为触摸显示屏或者触控板，可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触敏表面上或在触敏表面附近的操作)，并根据预先设定的程式驱动相应的连接装置。可选的，触敏表面可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成触点坐标，再送给处理器408，并能接收处理器408发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触敏表面。除了触敏表面，输入单元403还可以包括其他输入设备。具体地，其他输入设备可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。
显示单元404可用于显示由用户输入的信息或提供给用户的信息以及服务器的各种图形用户接口，这些图形用户接口可以由图形、文本、图标、视频和其任意组合来构成。显示单元404可包括显示面板，可选的，可以采用液晶显示器(LCD，Liquid CrystalDisplay)、有机发光二极管(OLED，Organic Light-Emitting Diode)等形式来配置显示面板。进一步的，触敏表面可覆盖显示面板，当触敏表面检测到在其上或附近的触摸操作后，传送给处理器408以确定触摸事件的类型，随后处理器408根据触摸事件的类型在显示面板上提供相应的视觉输出。虽然在图4中，触敏表面与显示面板是作为两个独立的部件来实现输入和输入功能，但是在某些实施例中，可以将触敏表面与显示面板集成而实现输入和输出功能。
服务器还可包括至少一种传感器405，比如光传感器、运动传感器以及其他传感器。具体地，光传感器可包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示面板的亮度，接近传感器可在服务器移动到耳边时，关闭显示面板和/或背光。作为运动传感器的一种，重力加速度传感器可检测各个方向上(一般为三轴)加速度的大小，静止时可检测出重力的大小及方向，可用于识别手机姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；至于服务器还可配置的陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。
音频电路406、扬声器，传声器可提供用户与服务器之间的音频接口。音频电路406可将接收到的音频数据转换后的电信号，传输到扬声器，由扬声器转换为声音信号输出；另一方面，传声器将收集的声音信号转换为电信号，由音频电路406接收后转换为音频数据，再将音频数据输出处理器408处理后，经RF电路401以发送给比如另一服务器，或者将音频数据输出至存储器402以便进一步处理。音频电路406还可能包括耳塞插孔，以提供外设耳机与服务器的通信。
WiFi属于短距离无线传输技术，服务器通过WiFi模块407可以帮助用户收发电子邮件、浏览网页和访问流式媒体等，它为用户提供了无线的宽带互联网访问。虽然图4示出了WiFi模块407，但是可以理解的是，其并不属于服务器的必须构成，完全可以根据需要在不改变发明的本质的范围内而省略。
处理器408是服务器的控制中心，利用各种接口和线路连接整个手机的各个部分，通过运行或执行存储在存储器402内的软件程序和/或模块，以及调用存储在存储器402内的数据，执行服务器的各种功能和处理数据，从而对手机进行整体监控。可选的，处理器408可包括一个或多个处理核心；优选的，处理器408可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器408中。
服务器还包括给各个部件供电的电源409(比如电池)，优选的，电源可以通过电源管理系统与处理器408逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源409还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
尽管未示出，服务器还可以包括摄像头、蓝牙模块等，在此不再赘述。具体在本实施例中，服务器中的处理器408会按照如下的指令，将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器402中，并由处理器408来运行存储在存储器402中的应用程序，从而实现各种功能：
获取用户的已观看视频集合和已标记视频集合，提取已观看视频集合中每个已观看视频之间的第一关联关系以及已标记视频集合中每个已标记视频之间的第二关联关系，基于已观看视频集合、已标记视频集合、第一关联关系以及第二关联关系，计算用户的目标向量，当检测到用户触发的视频播放指令时，根据目标向量从待推荐视频集合中确定目标视频，并向用户推荐目标视频。
本发明实施例首先获取用户的已观看视频集合和已标记视频集合，然后，提取已观看视频集合中每个已观看视频之间的第一关联关系以及已标记视频集合中每个已标记视频之间的第二关联关系，接着，基于已观看视频集合、已标记视频集合、第一关联关系以及第二关联关系，计算用户的目标向量，最后，当检测到用户触发的视频播放指令时，根据目标向量从待推荐视频集合中确定目标视频，并向所述用推荐目标视频。本发明可以基于每个已观看视频之间的第一关联关系以及每个已标记视频之间的第二关联关系，并通过预设图卷积神经网络模型对用户的已观看视频集合和已标记视频集合，计算用户的目标向量，当视频平台中的视频不存在历史数据时，可以根据目标向量从待推荐视频集合中确定目标视频，并向用户推荐目标视频，因此，提高了视频推荐的准确率。
本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于一计算机可读存储介质中，并由处理器进行加载和执行。
为此，本发明实施例提供一种存储介质，其中存储有多条指令，该指令能够被处理器进行加载，以执行本发明实施例所提供的任一种视频推荐方法中的步骤。例如，该指令可以执行如下步骤：
获取用户的已观看视频集合和已标记视频集合，提取已观看视频集合中每个已观看视频之间的第一关联关系以及已标记视频集合中每个已标记视频之间的第二关联关系，基于已观看视频集合、已标记视频集合、第一关联关系以及第二关联关系，计算用户的目标向量，当检测到用户触发的视频播放指令时，根据目标向量从待推荐视频集合中确定目标视频，并向用户推荐目标视频。
以上各个操作的具体实施可参见前面的实施例，在此不再赘述。
其中，该存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取记忆体(RAM，Random Access Memory)、磁盘或光盘等。
由于该存储介质中所存储的指令，可以执行本发明实施例所提供的任一种视频推荐方法中的步骤，因此，可以实现本发明实施例所提供的任一种视频推荐方法所能实现的有益效果，详见前面的实施例，在此不再赘述。
以上对本发明实施例所提供的一种视频推荐方法、装置、服务器以及存储介质进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (8)

1.一种视频推荐方法，其特征在于，包括：
获取用户的已观看视频集合和已标记视频集合，所述已观看视频集合为用户在历史时间段内观看过的视频的集合，所述已标记视频集合为用户在历史时间段内标记过的视频的集合；
提取所述已观看视频集合中每个已观看视频之间的第一关联关系以及所述已标记视频集合中每个已标记视频之间的第二关联关系；
提取所述已观看视频集合对应的已观看向量集合，以及提取所述已标记视频集合对应的已标记向量集合；
基于预设图卷积神经网络模型中的第一子模型以及第一关联关系对所述已观看向量集合进行向量预测，得到第一向量；
基于预设图卷积神经网络模型中的第二子模型以及第二关联关系对所述已标记向量集合进行向量预测，得到第二向量；
对所述第一向量以及第二向量进行加权处理，得到所述用户的目标向量；
当检测到所述用户触发的视频播放指令时，根据所述目标向量从待推荐视频集合中确定目标视频，并向所述用户推荐所述目标视频。
2.根据权利要求1所述的方法，其特征在于，所述当检测到所述用户触发的视频播放指令时，根据所述目标向量从待推荐视频集合中确定目标视频，并向所述用户推荐所述目标视频，包括：
当检测到所述用户触发的视频播放指令时，构建所述待推荐视频集合中每个待推荐视频的特征向量，得到多个待推荐视频向量；
计算所述目标向量与每个待推荐视频向量之间的相似度；
将相似度最高的待推荐视频确定为目标视频，并向所述用户推荐所述目标视频。
3.根据权利要求2所述的方法，其特征在于，所述当检测到所述用户触发的视频播放指令时，构建所述待推荐视频集合中每个待推荐视频的特征向量，得到多个待推荐视频向量，包括：
当检测到所述用户触发的视频播放指令时，获取所述待推荐视频集合中每个待推荐视频的视频帧集合，所述视频帧集合包括多个视频帧；
按照预设规则从所述视频帧集合中提取相应数量的视频帧作为代表视频帧集合；
通过预设残差网络，提取所述代表视频帧集合中每个代表视频帧的特征向量，得到多个代表帧向量；
对所述多个代表帧向量进行加权处理，得到所述代表视频帧集合的特征向量。
4.根据权利要求1至3任一项所述的方法，其特征在于，所述提取所述已观看视频集合中每个视频之间的第一关联关系以及所述已标记视频集合中每个视频之间的第二关联关系之前，还包括：
计算所述已观看视频集合中每个视频之间的相似度，得到多个第一相似度；以及，
计算所述已标记视频集合中每个视频之间的相似度，得到多个第二相似度；
根据所述多个第一相似度，构建所述已观看视频集合中每个视频之间的第一关联关系；以及，
根据所述多个第二相似度，构建所述已标记视频集合中每个视频之间的第二关联关系。
5.根据权利要求1至3任一项所述的方法，其特征在于，还包括：
采集多个样本视频，并对所述多个样本视频的播放标签进行标注；
将标注后的多个样本视频添加至训练样本集中；
根据所述训练样本集对基础网络模型进行训练，得到图卷积神经网络模型。
6.根据权利要求1至3任一项所述的方法，其特征在于，当检测到所述用户触发的视频播放指令时，根据所述目标向量从待推荐视频集合中确定目标视频，并向所述用户推荐所述目标视频之后，还包括：
播放所述推荐视频；
在所述待推荐视频集合移除所述推荐视频。
7.一种视频推荐装置，其特征在于，包括：
获取模块，用于获取用户的已观看视频集合和已标记视频集合，所述已观看视频集合为用户在历史时间段内观看过的视频的集合，所述已标记视频集合为用户在历史时间段内标记过的视频的集合；
提取模块，用于提取所述已观看视频集合中每个已观看视频之间的第一关联关系以及所述已标记视频集合中每个已标记视频之间的第二关联关系；
提取单元，用于提取所述已观看视频集合对应的已观看向量集合，以及提取所述已标记视频集合对应的已标记向量集合；
处理单元，用于基于预设图卷积神经网络模型中的第一子模型以及第一关联关系对所述已观看向量集合进行向量预测，得到第一向量；基于预设图卷积神经网络模型中的第二子模型以及第二关联关系对所述已标记向量集合进行向量预测，得到第二向量；对所述第一向量以及第二向量进行加权处理，得到所述用户的目标向量；
推荐模块，用于当检测到所述用户触发的视频播放指令时，根据所述目标向量从待推荐视频集合中确定目标视频，并向所述用户推荐所述目标视频。
8.根据权利要求7所述的装置，其特征在于，所述推荐模块包括：
构建单元，用于当检测到所述用户触发的视频播放指令时，构建所述待推荐视频集合中每个待推荐视频的特征向量，得到多个待推荐视频向量；
计算单元，用于计算所述目标向量与每个待推荐视频向量之间的相似度；
推荐单元，用于将相似度最高的待推荐视频确定为目标视频，并向所述用户推荐所述目标视频。
CN201910846062.7A 2019-09-02 2019-09-02 一种视频推荐方法以及装置 Active CN110798718B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910846062.7A CN110798718B (zh) 2019-09-02 2019-09-02 一种视频推荐方法以及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910846062.7A CN110798718B (zh) 2019-09-02 2019-09-02 一种视频推荐方法以及装置

Publications (2)

Publication Number Publication Date
CN110798718A CN110798718A (zh) 2020-02-14
CN110798718B true CN110798718B (zh) 2021-10-08

Family

ID=69427486

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910846062.7A Active CN110798718B (zh) 2019-09-02 2019-09-02 一种视频推荐方法以及装置

Country Status (1)

Country Link
CN (1) CN110798718B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111294610B (zh) * 2020-02-20 2022-03-08 北京奇艺世纪科技有限公司 一种视频处理方法及装置
CN113573097A (zh) * 2020-04-29 2021-10-29 北京达佳互联信息技术有限公司 视频推荐方法、装置、服务器及存储介质
CN111598998B (zh) * 2020-05-13 2023-11-07 腾讯科技（深圳）有限公司 三维虚拟模型重建方法、装置、计算机设备和存储介质
CN113873330B (zh) * 2021-08-31 2023-03-10 武汉卓尔数字传媒科技有限公司 视频推荐方法、装置、计算机设备和存储介质
CN113722534B (zh) * 2021-09-01 2024-03-01 北京百度网讯科技有限公司 视频推荐方法和装置
CN113496422B (zh) * 2021-09-07 2021-12-03 济宁景泽信息科技有限公司 一种基于区块链的推广资源分配方法及大数据信息云平台
CN115222461B (zh) * 2022-09-19 2023-01-10 杭州数立信息技术有限公司 一种智能营销精准推荐方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105426548A (zh) * 2015-12-29 2016-03-23 海信集团有限公司 一种基于多用户的视频推荐方法及装置
CN106686460A (zh) * 2016-12-22 2017-05-17 Ut斯达康(深圳)技术有限公司 一种视频节目推荐方法及视频节目推荐装置
CN108243357A (zh) * 2018-01-25 2018-07-03 北京搜狐新媒体信息技术有限公司 一种视频推荐方法及装置
WO2018160238A1 (en) * 2017-03-03 2018-09-07 Rovi Guides, Inc. System and methods for recommending a media asset relating to a character unknown to a user
CN109684510A (zh) * 2018-10-31 2019-04-26 北京达佳互联信息技术有限公司 视频排序方法、装置、电子设备及存储介质
CN109862432A (zh) * 2019-01-31 2019-06-07 厦门美图之家科技有限公司 点击率预测方法和装置
CN110008376A (zh) * 2019-03-22 2019-07-12 广州新视展投资咨询有限公司 用户画像向量生成方法及装置
CN110149541A (zh) * 2019-04-23 2019-08-20 腾讯科技（深圳）有限公司 视频推荐方法、装置、计算机设备及存储介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105426548A (zh) * 2015-12-29 2016-03-23 海信集团有限公司 一种基于多用户的视频推荐方法及装置
CN106686460A (zh) * 2016-12-22 2017-05-17 Ut斯达康(深圳)技术有限公司 一种视频节目推荐方法及视频节目推荐装置
WO2018160238A1 (en) * 2017-03-03 2018-09-07 Rovi Guides, Inc. System and methods for recommending a media asset relating to a character unknown to a user
CN108243357A (zh) * 2018-01-25 2018-07-03 北京搜狐新媒体信息技术有限公司 一种视频推荐方法及装置
CN109684510A (zh) * 2018-10-31 2019-04-26 北京达佳互联信息技术有限公司 视频排序方法、装置、电子设备及存储介质
CN109862432A (zh) * 2019-01-31 2019-06-07 厦门美图之家科技有限公司 点击率预测方法和装置
CN110008376A (zh) * 2019-03-22 2019-07-12 广州新视展投资咨询有限公司 用户画像向量生成方法及装置
CN110149541A (zh) * 2019-04-23 2019-08-20 腾讯科技（深圳）有限公司 视频推荐方法、装置、计算机设备及存储介质

Also Published As

Publication number Publication date
CN110798718A (zh) 2020-02-14

Similar Documents

Publication Publication Date Title
CN110798718B (zh) 一种视频推荐方法以及装置
CN106919918B (zh) 一种人脸跟踪方法和装置
CN110278449B (zh) 一种视频检测方法、装置、设备及介质
CN108304758B (zh) 人脸特征点跟踪方法及装置
CN111046227B (zh) 一种视频查重方法及装置
CN111310079A (zh) 评论信息排序方法、装置、存储介质及服务器
CN110110045B (zh) 一种检索相似文本的方法、装置以及存储介质
CN109256147B (zh) 音频节拍检测方法、装置及存储介质
CN110209810B (zh) 相似文本识别方法以及装置
CN110781881A (zh) 一种视频中的赛事比分识别方法、装置、设备及存储介质
CN110516113B (zh) 一种视频分类的方法、视频分类模型训练的方法及装置
CN112084959B (zh) 一种人群图像处理方法及装置
CN113284142A (zh) 图像检测方法、装置、计算机可读存储介质及计算机设备
CN113723378B (zh) 一种模型训练的方法、装置、计算机设备和存储介质
CN114722937A (zh) 一种异常数据检测方法、装置、电子设备和存储介质
CN110555337A (zh) 一种指示对象的检测方法、装置以及相关设备
CN113822460A (zh) 一种交通流量预测方法、装置、电子设备和存储介质
CN110083742B (zh) 一种视频查询方法和装置
CN113822427A (zh) 一种模型训练的方法、图像匹配的方法、装置及存储介质
CN115841575A (zh) 关键点检测方法、装置、电子设备、存储介质和程序产品
CN114612531A (zh) 一种图像处理方法、装置、电子设备及存储介质
CN110503189B (zh) 一种数据处理方法以及装置
CN112948763B (zh) 件量预测方法、装置、电子设备及存储介质
CN112270238A (zh) 一种视频内容识别方法和相关装置
CN113780291A (zh) 一种图像处理方法、装置、电子设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40022461

Country of ref document: HK

SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant