CN110933504B - 视频推荐方法、装置、服务器和存储介质 - Google Patents
视频推荐方法、装置、服务器和存储介质 Download PDFInfo
- Publication number
- CN110933504B CN110933504B CN201911281162.6A CN201911281162A CN110933504B CN 110933504 B CN110933504 B CN 110933504B CN 201911281162 A CN201911281162 A CN 201911281162A CN 110933504 B CN110933504 B CN 110933504B
- Authority
- CN
- China
- Prior art keywords
- recommendation
- video
- user
- videos
- mode
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- 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
-
- 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]
- H04N21/40—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
- H04N21/4662—Learning process for intelligent management, e.g. learning user preferences for recommending movies characterized by learning algorithms
- H04N21/4666—Learning process for intelligent management, e.g. learning user preferences for recommending movies characterized by learning algorithms using neural networks, e.g. processing the feedback provided by the user
-
- 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
- H04N21/4667—Processing of monitored end-user data, e.g. trend analysis based on the log file of viewer selections
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开关于一种视频推荐方法、装置、服务器和存储介质,方法包括:获取用户的多个历史观看视频的视频信息,所述视频信息包括所述用户对所述历史观看视频的观看行为信息以及所述历史观看视频的推荐方式信息;基于所述多个历史观看视频的视频信息确定多个视频推荐方式的推荐成功率;基于所述多个视频推荐方式的推荐成功率,向所述用户进行视频推荐。通过本公开实施例提供的视频推荐方法,服务器可以优先采用更能符合用户喜好的推荐方式向用户推荐视频,视频推荐的成功率更高,视频推荐效果更好。
Description
技术领域
本公开涉及数据处理领域,尤其涉及一种视频推荐方法、装置、服务器和存储介质。
背景技术
在网络技术飞速发展的今天,越来越多的人会通过各种各样的视频进行娱乐和放松,而如何向用户推荐用户感兴趣的视频也受到越来越多视频提供平台的关注。
相关技术中,视频提供平台为了向用户推荐其感兴趣的视频,往往会基于用户的历史观看记录,将一些与用户历史观看视频相似的热门视频推荐给用户。
但是,在采用上述视频推荐方式进行视频推荐时,用户可能会对推荐的视频不感兴趣,也就是说视频推荐的成功率不高,视频推荐效果不佳。
发明内容
本公开提供一种视频推荐方法、装置、服务器和存储介质,以至少解决相关技术中视频推荐效果不佳的问题。本公开的技术方案如下:
根据本公开实施例的第一方面,提供一种视频推荐方法,包括:
获取用户的多个历史观看视频的视频信息,所述视频信息包括所述用户对所述历史观看视频的观看行为信息以及所述历史观看视频的推荐方式信息;
基于所述多个历史观看视频的视频信息确定多个视频推荐方式的推荐成功率;
基于所述多个视频推荐方式的推荐成功率,向所述用户进行视频推荐。
在一种可能的实施方式中,所述基于所述多个视频推荐方式的推荐成功率,向所述用户进行视频推荐包括:
基于所述多个视频推荐方式,获取在各个视频推荐方式下的待推荐视频;
向所述用户推荐获取到的多个待推荐视频。
在一种可能的实施方式中,所述向所述用户推荐获取到的多个待推荐视频包括:
对所述各个视频推荐方式下的待推荐视频按照推荐成功率从大到小的顺序进行排序,按照排序后的视频顺序,向所述用户推荐所述获取到的多个待推荐视频。
在一种可能的实施方式中,所述基于所述多个视频推荐方式的推荐成功率,向所述用户推荐目标视频包括:
将推荐成功率符合目标条件的视频推荐方式确定为目标推荐方式;
获取在所述目标视频推荐方式下的目标视频,向所述用户推荐所述目标视频。
在一种可能的实施方式中,所述基于所述多个历史观看视频的视频信息确定多个视频推荐方式的推荐成功率,包括:
将所述多个历史观看视频的视频信息输入到推荐方式确定模型中;
由所述推荐方式确定模型输出多个视频推荐方式的推荐成功率。
在一种可能的实施方式中,所述将所述多个历史观看视频的视频信息输入到推荐方式确定模型中之前,所述方法还包括:
获取训练样本,所述训练样本包括多个用户的多个历史观看视频的视频信息;
基于所述训练样本,对推荐方式确定模型进行训练。
在一种可能的实施方式中,所述基于所述训练样本,对推荐方式确定模型进行训练包括:
按照任一个用户的观看时间顺序将所述训练样本输入推荐方式确定模型;所述基于所述任一个用户前一时刻观看视频的视频信息预测后一时刻的所述任一个用户基于各个视频推荐方式的推荐成功率;基于所述任一个用户后一时刻观看视频的推荐方式信息调整所述推荐方式确定模型的模型参数,直至所述推荐方式确定模型输出某一视频推荐方式的推荐成功率大于推荐成功率阈值,且所述某一视频推荐方式与所述任一个用户后一时刻观看视频的推荐方式相同的次数达到目标次数时,停止训练所述推荐方式确定模型。
在一种可能的实施方式中,所述多个视频推荐方式包括:模型推荐方式、协同过滤推荐方式、视频作者推荐方式以及视频类型推荐方式。
根据本公开实施例的第二方面,提供一种视频推荐装置,包括:
第一获取模块,被配置为执行获取用户的多个历史观看视频的视频信息,所述视频信息包括所述用户对所述历史观看视频的观看行为信息以及所述历史观看视频的推荐方式信息;
确定模块,被配置为执行基于所述多个历史观看视频的视频信息确定多个视频推荐方式的推荐成功率;
推荐模块,被配置为执行基于所述多个视频推荐方式的推荐成功率,向所述用户进行视频推荐。
在一种可能的实施方式中,所述推荐模块包括:
获取单元,被配置为执行基于所述多个视频推荐方式,获取在各个视频推荐方式下的待推荐视频;
第一推荐单元,被配置为执行向所述用户推荐获取到的多个待推荐视频。
在一种可能的实施方式中,所述第一推荐单元还被配置为执行对所述各个视频推荐方式下的待推荐视频按照推荐成功率从大到小的顺序进行排序,将排序后的待推荐视频作为所述多个待推荐视频。
在一种可能的实施方式中,所述推荐模块包括:
确定单元,被配置为执行将推荐成功率符合目标条件的视频推荐方式确定为目标推荐方式;
第二推荐单元,被配置为执行获取在所述目标视频推荐方式下的目标视频,向所述用户推荐所述目标视频。
在一种可能的实施方式中,所述确定模块包括:
输入单元,被配置为执行将所述多个历史观看视频的视频信息输入到推荐方式确定模型中;
输出单元,被配置为执行由所述推荐方式确定模型输出多个视频推荐方式的推荐成功率。
在一种可能的实施方式中,所述装置还包括:
第二获取模块,被配置为执行获取训练样本,所述训练样本包括多个用户的多个历史观看视频的视频信息;
训练模块,被配置为执行基于所述训练样本,对推荐方式确定模型进行训练。
在一种可能的实施方式中,所述训练模块还被配置为执行按照所述多个用户的观看时间顺序将所述训练样本输入推荐方式确定模型;基于所述多个用户前一时刻观看视频的视频信息预测后一时刻的所述多个用户基于各个视频推荐方式的推荐成功率;基于所述多个用户后一时刻观看视频的推荐方式信息调整所述推荐方式确定模型的模型参数,直至所述推荐方式确定模型输出某一视频推荐方式的推荐成功率大于推荐成功率阈值,且所述某一视频推荐方式与所述任一个用户后一时刻观看视频的推荐方式相同的次数达到目标次数时,停止训练所述推荐方式确定模型。
根据本公开实施例的第三方面,提供一种服务器,包括:
处理器;
用于存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述指令,以实现上述视频推荐方法。
根据本公开实施例的第四方面,提供一种存储介质,当所述存储介质中的指令由服务器的处理器执行时,使得服务器能够执行上述视频推荐方法。
根据本公开实施例的第五方面,提供一种计算机程序产品,当所述计算机程序产品中的指令由服务器的处理器执行时,使得服务器能够执行上述视频推荐方法。
通过本公开实施例提供的视频推荐方法,服务器可以将用户对历史观看视频的观看行为信息以及历史观看视频的推荐方式信息输入到推荐方式确定模型中,推荐方式确定模型可以基于用户对历史观看视频的观看行为信息以及历史观看视频的推荐方式信息预测用户基于各个视频推荐方式的推荐成功率,服务器基于用户基于各个视频推荐方式的推荐成功率,优先采用更能符合用户喜好的推荐方式向用户推荐视频,视频推荐的成功率更高,视频推荐效果更好。
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和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理,并不构成对本公开的不当限定。
图1是根据一示例性实施例示出的一种DNN模型训练的示意图。
图2是根据一示例性实施例示出的一种视频推荐方法的流程图。
图3是根据一示例性实施例示出的一种视频推荐方法的流程图。
图4是根据一示例性实施例示出的一种视频排列方法。
图5是根据一示例性实施例示出的一种推荐方式确定模型训练的流程图。
图6是根据一示例性实施例示出的一种视频推荐装置的框图。
图7是根据一示例性实施例示出的一种服务器的框图。
具体实施方式
为了使本领域普通人员更好地理解本公开的技术方案,下面将结合附图,对本公开实施例中的技术方案进行清楚、完整地描述。
需要说明的是,本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。
本公开实施例中提供了几种视频推荐方式,为了便于理解,下面首先对这几种视频推荐方式进行描述。需要说明的是,本公开实施例提供的四种视频推荐方式仅仅起到示例性作用,本公开实施例对视频推荐方式的种类和数量不做限定。
在一种可能的实施方式中,视频推荐方式可以包括但不限于模型推荐方式、协同过滤推荐方式、视频作者推荐方式以及视频类型推荐方式。
在一种可能的实施方式中,模型推荐方式中的模型可以采用深度神经网络(deepneural networks,DNN)模型,当然也可以采用其他模型用于上述模型推荐方式,为了便于理解,本公开实施例以该模型为DNN模型为例进行说明。服务器可以训练一个用于表示作者用户特征的DNN模型,该DNN模型可以是基于用户特征和用户关注的作者用户特征训练得到,也可以直接使用网络上的开源模型。需要说明的是,如果该模型为服务器训练的模型,那么使用该模型确定视频类型推荐方式时更能符合该平台用户的喜好,如果采用网络上开源的模型,那么可以快速实现本公开实施例记载的视频推荐方法,或者,也可以将网络上的开源模型作为预训练模型,服务器对该预训练模型进行训练,得到上述DNN模型,这样可以加快模型训练时的收敛速度,本公开实施例对于模型的获取方法不做限定。服务器可以通过该DNN模型获取多个作者用户的特征向量,分别计算多个作者用户的特征向量与用户关注作者用户的特征向量的余弦相似度,并根据上述余弦相似度选取目标作者用户,目标作者用户是其特征向量与用户关注作者用户的特征向量相似度较高的作者用户。服务器获取目标作者用户订阅数量最高的视频,并将该视频推荐给用户,其中,目标作者用户的数量可以为一个或多个,本公开实施例对此不做限定。例如,服务器可以选取与用户关注作者用户相似度最高的三个作者用户,分别获取三个作者用户被订阅数量最高的视频,并将获取的视频推荐给用户。该DNN模型的训练过程可以参见图1。
在一种可能的实施方式中,协同过滤推荐方式可以包括两种推荐方式,第一种是基于用户之间相似度的协同过滤推荐方式,第二种是基于视频之间的相似度的协同过滤推荐方式。在第一种方式下,如果服务器要给A用户推荐视频,那么可以基于A用户的特征信息,查找特征信息与A用户相似的B用户,并根据B用户的关注的视频,向A用户推荐视频。例如,A用户和B用户是特征信息相似的用户,A用户关注了a和b两个视频,B用户关注了a、b和c三个视频,那么服务器就可以把c视频推荐给A用户。在第二种方式下,服务器可以基于A用户订阅的视频,查找与A用户订阅的视频相似的一个或多个视频,随后将一个或多个视频推荐给用户。
在一种可能的实施方式中,服务器还可以基于用户当前观看视频的作者用户,向用户推荐视频。具体来说,服务器可以随机挑选用户当前观看视频的作者用户的多个视频,并将这些视频推荐给用户,这样可以保证该作者用户的每一个视频都有机会被用户看到。
在一种可能的实施方式中,服务器也可以基于用户当前观看视频的类型,向用户推荐同类型下订阅量最高的一个或多个视频,并将上述一个或多个视频推荐给用户。
图1是本公开实施例提供的一种示例性的DNN模型训练示意图。
该DNN模型的训练过程分为数据收集过程和训练过程。
在数据收集过程中,服务器可以获取多个用户的订阅信息,该订阅信息包括用户订阅的作者用户以及用户订阅的视频。服务器基于该订阅消息,获取用户订阅的作者用户的第一特征集合,第一特征集合中至少包括作者用户的性别、年龄、城市、职业、粉丝数量、发布的作品、发布作品的类型以及用户订阅的视频的作者用户的第二特征集合,第一特征集合和第二特征集合可以作为训练过程中的正样本。除此之外,服务器还可以选取被订阅数量较高但是未被该用户订阅的作者用户,并获取该作者用户的第三特征集合,该第三特征集合可以作为训练过程中的负样本,其中第一特征集合、第二特征集合和第三特征集合的所包含的特征内容可以是相同的。当然,服务器还可以获取用户的第四特征集合,第四特征集合中至少包括用户的性别、年龄、城市、职业、点赞的视频、关注的用户以及点赞视频的类型。
在训练过程中,服务器可以同时将第一特征集合或第二特征集合、第三特征集合以及第四特征集合输入到DNN模型中,该DNN模型基于自身模型参数对第一特征集合或第二特征集合、第三特征集合以及第四特征集合进行特征提取和编码,得到代表正样本的正参考向量、代表负样本的负参考向量以及代表用户特征的参考向量,并分别计算正参考向量和参考向量之间的第一余弦相似度以及负参考向量和参考向量之间的第二余弦相似度,并基于第一余弦相似度和第二余弦相似度调整自身模型参数,训练的目的是使得第一余弦相似度尽可能大,而第二余弦相似度尽可能的小。当达到预设的迭代次数之后,可以停止DNN模型训练。
图2是根据一示例性实施例示出的一种视频推荐方法的流程图,如图2所示,视频推荐方法用于服务器中,包括以下步骤。
在步骤S201中,获取用户的多个历史观看视频的视频信息,视频信息包括用户对历史观看视频的观看行为信息以及历史观看视频的推荐方式信息。
在步骤S202中,基于多个历史观看视频的视频信息确定多个视频推荐方式的推荐成功率。
在步骤S203中,基于多个视频推荐方式的推荐成功率,向用户进行视频推荐。
在一种可能的实施方式中,基于多个视频推荐方式的推荐成功率,向用户进行视频推荐包括:
基于多个视频推荐方式,获取在各个视频推荐方式下的待推荐视频。
向用户推荐获取到的多个待推荐视频。
在一种可能的实施方式中,向用户推荐获取到的多个待推荐视频包括:
对各个视频推荐方式下的待推荐视频按照推荐成功率从大到小的顺序进行排序,按照排序后的视频顺序,向用户推荐获取到的多个待推荐视频。
在一种可能的实施方式中,基于多个视频推荐方式的推荐成功率,向用户推荐目标视频包括:
将推荐成功率符合目标条件的视频推荐方式确定为目标推荐方式。
获取在目标视频推荐方式下的目标视频,向用户推荐目标视频。
在一种可能的实施方式中,基于多个历史观看视频的视频信息确定多个视频推荐方式的推荐成功率,包括:
将多个历史观看视频的视频信息输入到推荐方式确定模型中。
由推荐方式确定模型输出多个视频推荐方式的推荐成功率。
在一种可能的实施方式中,将多个历史观看视频的视频信息输入到推荐方式确定模型中之前,方法还包括:
获取训练样本,训练样本包括多个用户的多个历史观看视频的视频信息。
基于训练样本,对推荐方式确定模型进行训练。
在一种可能的实施方式中,基于训练样本,对推荐方式确定模型进行训练包括:
按照任一个用户的观看时间顺序将训练样本输入推荐方式确定模型;基于任一个用户前一时刻观看视频的视频信息预测后一时刻的任一个用户基于各个视频推荐方式的推荐成功率;基于任一个用户后一时刻观看视频的推荐方式信息调整推荐方式确定模型的模型参数,直至推荐方式确定模型输出某一视频推荐方式的推荐成功率大于推荐成功率阈值,且某一视频推荐方式与任一个用户后一时刻观看视频的推荐方式相同的次数达到目标次数时,停止训练推荐方式确定模型。
在一种可能的实施方式中,多个视频推荐方式包括:模型推荐方式、协同过滤推荐方式、视频作者推荐方式以及视频类型推荐方式。
通过本公开实施例提供的视频推荐方法,服务器可以将用户对历史观看视频的观看行为信息以及历史观看视频的推荐方式信息输入到推荐方式确定模型中,推荐方式确定模型可以基于用户对历史观看视频的观看行为信息以及历史观看视频的推荐方式信息预测用户基于各个视频推荐方式的推荐成功率,服务器基于用户基于各个视频推荐方式的推荐成功率,优先采用更能符合用户喜好的推荐方式向用户推荐视频,视频推荐的成功率更高,视频推荐效果更好。
图3是根据一示例性实施例示出的一种视频推荐方法的流程图,如图3所示,视频推荐方法用于服务器中,包括以下步骤。
在步骤S301中,服务器获取用户的多个历史观看视频的视频信息。
其中,视频信息包括用户对历史观看视频的观看行为信息以及历史观看视频的推荐方式信息,观看行为信息可以是指用户在观看视频时的观看时间以及订阅等信息,推荐方式信息用于表示用户观看的视频是通过哪种视频推荐方式推荐给用户的。
在一种可能的实施方式中,当用户打开装有视频播放功能应用程序(Application,APP)的用户终端之后,如果用户已经登录该APP,那么该APP可以自动向服务器发送视频推荐请求,该视频推荐请求中携带用户的用户标识,服务器可以基于该用户标识,获取用户的多个历史观看视频的视频信息。当然,该视频推荐请求也可以是用户手动触发的,例如用户可以点击用户终端上某个特定的按钮,例如推荐按钮或是推荐页面的功能选项,来向服务器发送视频推荐请求,本公开实施例对此不做限定。需要说明的是,用户终端是可以安装各类APP,并且能够将已安装的APP中提供的内容进行显示的终端,该用户终端可以是移动的,也可以是固定的,例如,该用户终端可以是手机、平板电脑、台式电脑、各类可穿戴设备、车载设备、个人数字助理(personal digital assistant,PDA)以及其他能够实现上述功能的终端,本公开实施例对用户终端的类型不做限定。
在一种可能的实施方式中,如果用户并没有登录该APP,那么该APP在向服务器发送视频推荐请求时,可以携带用户在该APP上缓存视频的标识,服务器基于缓存视频的标识,向用户推荐视频。
在步骤S302中,服务器将多个历史观看视频的视频信息输入到推荐方式确定模型中,由推荐方式确定模型输出多个视频推荐方式的推荐成功率。
在一种可能的实施方式中,服务器可以将该用户多个历史观看视频的视频信息组成一个视频信息矩阵输入到推荐方式确定模型中,该推荐方式确定模型基于该视频信息矩阵进行运算,最终输出该用户基于各个视频推荐方式的推荐成功率。例如,如果视频推荐方式为4中,那么该推荐方式确定模型的输出形式可以为【0.5,0.3,0.15,0.05】,【】中的数字代表推荐成功率,数字的排列顺序可以对应于不同的视频推荐方式,具体来说,0.5可以表示采用模型推荐方式推荐视频的推荐成功率为50%,0.3可以采用表示协同过滤推荐方式推荐视频的推荐成功率为30%,0.15可以表示采用视频作者用户推荐方式推荐视频的推荐成功率为15%,0.05可以表示采用视频类型推荐方式推荐视频的推荐成功率为5%,需要说明的是,上述数字仅仅起到便于理解的作用,本公开实施例对此不做限定。
在步骤S303中,服务器基于多个视频推荐方式,获取在各个视频推荐方式下的待推荐视频。
在一种可能的实施方式中,服务器可以获取各个视频推荐方式下的待推荐视频,具体的实现过程可以参见之前对于各个视频推荐方式的描述,在此不做赘述。
在步骤S304中,服务器对所述各个视频推荐方式下的待推荐视频按照推荐成功率从大到小的顺序进行排序,按照排序后的视频顺序,向所述用户推荐所述获取到的多个待推荐视频。
在一种可能的实施方式中,服务器可以基于各个视频推荐方式的推荐成功率按照从大到小的顺序将各个视频推荐方式下的待推荐视频进行排序,将排序后的视频推荐给用户。具体来说,排序后的视频可以采用列表的方式呈现给用户,排列方式可以参见图4,用户可以点击用户终端的屏幕,用户终端检测到用户的点击操作之后,可以在屏幕上呈现相应的视频。需要说明的是,除了以列表的方式将排序后的视频呈现给用户,也可以是将排序后的视频直接呈现在用户终端的屏幕上,用户可以向用户终端发送指令来切换至下一个视频,例如,用户终端在接收到服务器发送的排序后的视频之后,可以直接将第一个视频呈现在屏幕上,当接收到用户发出的视频切换操作时,可以将第二个视频呈现在屏幕上,之后的一个或多个视频的呈现方式与第二个视频的呈现方式相同,本公开实施例对于排序后视频在用户终端上的呈现方式不做限定。
在一种可能的实施方式中,除了步骤S304中提供的待推荐视频的推荐方法,服务器还可以将推荐成功率符合目标条件的视频推荐方式确定为目标视频推荐方式,获取在目标视频推荐方式下的目标视频,向用户推荐目标视频。具体来说,如果某个视频推荐方式的推荐成功率大于目标条件,那么服务器可以直接基于该视频推荐方式向用户推荐视频。
通过本公开实施例提供的视频推荐方法,服务器可以将用户对历史观看视频的观看行为信息以及历史观看视频的推荐方式信息输入到推荐方式确定模型中,推荐方式确定模型可以基于用户对历史观看视频的观看行为信息以及历史观看视频的推荐方式信息预测用户基于各个视频推荐方式的推荐成功率,服务器基于用户基于各个视频推荐方式的推荐成功率,优先采用更能符合用户喜好的推荐方式向用户推荐视频,视频推荐的成功率更高,视频推荐效果更好。
为了实现本公开提供的视频推荐方法,除了可以采用开源模型直接进行运算,还可以自行收集的训练数据来训练得到的模型,具体的模型训练过程参见步骤S501-S504。
在步骤S501中,服务器获取训练样本。
其中,训练样本包括多个用户的多个历史观看视频的视频信息。
在一种可能的实施方式中,服务器可以维护有一个用于存储用户历史观看视频的视频信息的数据库,服务器可以基于用户的用户标识从该数据库中获取与该用户标识对应的用户历史观看视频的视频信息,并将获取到的多个用户历史观看视频的视频信息作为训练样本。
在步骤S502中,服务器按照任一个用户的观看时间顺序将训练样本输入推荐方式确定模型。
在一种可能的实施方式中,训练样本可以包括多个用户的历史观看视频的视频信息,每个用户的历史观看视频的视频信息可以作为一个训练样本组,服务器可以按照用户观看时间顺序将任一个用户历史观看视频的视频信息输入到推荐方式确定模型中。具体来说,服务器可以随机选取一个训练样本组,按照用户观看时间顺序向推荐方式确定模型中输入用户第一个观看视频的视频信息,随后向推荐方式确定模型中输入用户第二个观看视频的视频信息,直至将该训练样本组中的用户历史观看视频的视频信息全部输入到推荐方式确定模型之后,选取下一个训练样本组进行输入。
在步骤S503中,推荐方式确定模型基于任一个用户前一时刻观看视频的视频信息预测后一时刻的任一个用户基于各个视频推荐方式的概率推荐成功率。
在一种可能的实施方式中,推荐方式确定模型初始化自身模型参数,基于初始化后的模型参数和任一个用户前一时刻观看视频的视频信息,计算得出后一时刻各个视频推荐方式的推荐成功率。
在步骤S504中,推荐方式确定模型基于任一个用户后一时刻的观看样本视频对应的推荐方式信息调整推荐方式确定模型的模型参数。
在一种可能的实施方式中,推荐方式确定模型在计算出后一时刻各个视频推荐方式的推荐成功率之后,可以基于训练样本中后一时刻用户观看视频的视频信息,确定实际上后一时刻用户观看视频对应的推荐方式,随后基于实际上后一时刻用户观看视频对应的推荐方式,调整自身模型参数,直至某一视频推荐方式的推荐成功率大于推荐成功率阈值,且某一视频推荐方式与任一个用户后一时刻观看视频的推荐方式相同的次数达到目标次数时,停止训练推荐方式确定模型。例如,推荐方式确定模型预测的用户后一时刻的四个推荐方式(A、B、C和D)的推荐成功率分别为80%、10%、5%和5%,推荐成功率阈值为75%,那么推荐方式确定模型可以确定以推荐方式A向用户推荐目标视频,如果用户后一时刻观看的视屏推荐方式也为A,那么可以认为推荐方式确定模型该次推荐是成功的,当推荐成功的次数达到目标次数时,则该推荐方式确定模型训练完毕。
图6是根据一示例性实施例示出的一种视频推荐装置框图。参照图6,该装置包括第一获取模块601、确定模块602以及推荐模块603。
第一获取模块601,被配置为执行获取用户的多个历史观看视频的视频信息,视频信息包括用户对历史观看视频的观看行为信息以及历史观看视频的推荐方式信息。
确定模块602,被配置为执行基于多个历史观看视频的视频信息确定多个视频推荐方式的推荐成功率。
推荐模块603,被配置为执行基于用户基于各个视频推荐方式的推荐成功率,向用户进行视频推荐。
在一种可能的实施方式中,推荐模块包括:
获取单元,被配置为执行基于多个视频推荐方式,获取在各个视频推荐方式下的待推荐视频。
第一推荐单元,被配置为执行向用户推荐获取到的多个待推荐视频。
在一种可能的实施方式中,第一推荐单元还被配置为执行对各个视频推荐方式下的待推荐视频按照推荐成功率从大到小的顺序进行排序,将排序后的待推荐视频作为多个待推荐视频。
在一种可能的实施方式中,推荐模块包括:
确定单元,被配置为执行将推荐成功率符合目标条件的视频推荐方式确定为目标推荐方式。
第二推荐单元,被配置为执行获取在目标视频推荐方式下的目标视频,向用户推荐目标视频。
在一种可能的实施方式中,确定模块包括:
输入单元,被配置为执行将多个历史观看视频的视频信息输入到推荐方式确定模型中;
输出单元,被配置为执行由推荐方式确定模型输出多个视频推荐方式的推荐成功率。
在一种可能的实施方式中,装置还包括:
第二获取模块,被配置为执行获取训练样本,训练样本包括多个用户的多个历史观看视频的视频信息。
训练模块,被配置为执行基于训练样本,对推荐方式确定模型进行训练。
在一种可能的实施方式中,训练模块还被配置为执行按照多个用户的观看时间顺序将训练样本输入推荐方式确定模型;基于多个用户前一时刻观看视频的视频信息预测后一时刻的多个用户基于各个视频推荐方式的推荐成功率;基于多个用户后一时刻观看视频的推荐方式信息调整推荐方式确定模型的模型参数,直至推荐方式确定模型输出某一视频推荐方式的推荐成功率大于推荐成功率阈值,且所述某一视频推荐方式与所述任一个用户后一时刻观看视频的推荐方式相同的次数达到目标次数时,停止训练所述推荐方式确定模型。
通过本公开实施例提供的视频推荐装置,服务器可以将用户对历史观看视频的观看行为信息以及历史观看视频的推荐方式信息输入到推荐方式确定模型中,推荐方式确定模型可以基于用户对历史观看视频的观看行为信息以及历史观看视频的推荐方式信息预测用户基于各个视频推荐方式的推荐成功率,服务器基于用户基于各个视频推荐方式的推荐成功率,优先采用更能符合用户喜好的推荐方式向用户推荐视频,视频推荐的成功率更高,视频推荐效果更好。
基于相同构思,本公开实施例还提供一种服务器,如图7所示,服务器包括:
处理器701;
用于存储处理器701可执行指令的存储器702;
其中,处理器被配置为执行命令,以实现如上述实施例的视频推荐方法。
应理解的是,上述处理器可以是中央处理器(central processing unit,CPU),还可以是其他通用处理器、数字信号处理器(digital signal processing,DSP)、专用集成电路(application specific integrated circuit,ASIC)、现场可编程门阵列(field-programmable gate array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者是任何常规的处理器等。值得说明的是,处理器可以是支持进阶精简指令集机器(advanced RISC machines,ARM)架构的处理器。
进一步地,在一种可选的实施例中,上述存储器可以包括只读存储器和随机存取存储器,并向处理器提供指令和数据。存储器还可以包括非易失性随机存取存储器。例如,存储器还可以存储设备类型的信息。
该存储器可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(read-only memory,ROM)、可编程只读存储器(programmable ROM,PROM)、可擦除可编程只读存储器(erasable PROM,EPROM)、电可擦除可编程只读存储器(electrically,EEPROM)或闪存。易失性存储器可以是随机存取存储器(random access memory,RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用。例如,静态随机存取存储器(static RAM,SRAM)、动态随机存取存储器(dynamic random access memory,DRAM)、同步动态随机存取存储器(synchronousDRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(double data random SDRAM,DDRSDRAM)、增强型同步动态随机存取存储器(enhanced SDRAM,ESDRAM)、同步连接动态随机存取存储器(synchlink DRAM,SLDRAM)和直接内存总线随机存取存储器(direct rambusRAM,DRRAM)。
本公开提供了一种计算机程序产品,当计算机程序被计算机执行时,可以使得处理器或计算机执行上述视频推荐方法实施例中对应的各个步骤和/或流程。
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下面的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (7)
1.一种视频推荐方法,其特征在于,包括:
获取用户的多个历史观看视频的视频信息,所述视频信息包括所述用户对所述历史观看视频的观看行为信息以及所述历史观看视频的推荐方式信息;
将所述多个历史观看视频的视频信息输入到推荐方式确定模型中;
由所述推荐方式确定模型输出多个视频推荐方式的推荐成功率;
基于所述多个视频推荐方式的推荐成功率,向所述用户进行视频推荐;
所述基于所述多个视频推荐方式的推荐成功率,向所述用户进行视频推荐包括:
基于所述多个视频推荐方式,获取在各个视频推荐方式下的待推荐视频;
对所述各个视频推荐方式下的待推荐视频按照推荐成功率从大到小的顺序进行排序,按照排序后的视频顺序,向所述用户推荐获取到的多个待推荐视频;
所述将所述多个历史观看视频的视频信息输入到推荐方式确定模型中之前,所述方法还包括:
获取训练样本,所述训练样本包括多个用户的多个历史观看视频的视频信息;
按照任一个用户的观看时间顺序将所述训练样本输入所述推荐方式确定模型;
基于所述任一个用户前一时刻观看视频的视频信息预测后一时刻的所述任一个用户基于各个视频推荐方式的推荐成功率;
基于所述任一个用户后一时刻观看视频的推荐方式信息调整所述推荐方式确定模型的模型参数,直至所述推荐方式确定模型输出某一视频推荐方式的推荐成功率大于推荐成功率阈值,且所述某一视频推荐方式与所述任一个用户后一时刻观看视频的推荐方式相同的次数达到目标次数时,停止训练所述推荐方式确定模型。
2.根据权利要求1所述的视频推荐方法,其特征在于,所述基于所述多个视频推荐方式的推荐成功率,向所述用户进行视频推荐包括:
将推荐成功率符合目标条件的视频推荐方式确定为目标推荐方式;
获取在所述目标推荐方式下的目标视频,向所述用户推荐所述目标视频。
3.根据权利要求1所述的视频推荐方法,其特征在于,所述多个视频推荐方式包括:模型推荐方式、协同过滤推荐方式、视频作者推荐方式以及视频类型推荐方式。
4.一种视频推荐装置,其特征在于,包括:
第一获取模块,被配置为执行获取用户的多个历史观看视频的视频信息,所述视频信息包括所述用户对所述历史观看视频的观看行为信息以及所述历史观看视频的推荐方式信息;
确定模块,被配置为执行基于所述多个历史观看视频的视频信息确定多个视频推荐方式的推荐成功率;
推荐模块,被配置为执行基于所述多个视频推荐方式的推荐成功率,向所述用户进行视频推荐;所述推荐模块包括:
获取单元,被配置为执行基于所述多个视频推荐方式,获取在各个视频推荐方式下的待推荐视频;
第一推荐单元,被配置为执行向所述用户推荐获取到的多个待推荐视频;
所述第一推荐单元还被配置为执行对所述各个视频推荐方式下的待推荐视频按照推荐成功率从大到小的顺序进行排序,将排序后的待推荐视频作为所述多个待推荐视频;
所述确定模块包括:
输入单元,被配置为执行将所述多个历史观看视频的视频信息输入到推荐方式确定模型中;
输出单元,被配置为执行由所述推荐方式确定模型输出多个视频推荐方式的推荐成功率;
所述装置还包括:
第二获取模块,被配置为执行获取训练样本,所述训练样本包括多个用户的多个历史观看视频的视频信息;
训练模块,被配置为执行基于所述训练样本,对所述推荐方式确定模型进行训练;
所述训练模块还被配置为执行:按照任一个用户的观看时间顺序将所述训练样本输入所述推荐方式确定模型;
基于所述任一个用户前一时刻观看视频的视频信息预测后一时刻的所述任一个用户基于各个视频推荐方式的推荐成功率;
基于所述任一个用户后一时刻观看视频的推荐方式信息调整所述推荐方式确定模型的模型参数,直至所述推荐方式确定模型输出某一视频推荐方式的推荐成功率大于推荐成功率阈值,且所述某一视频推荐方式与所述任一个用户后一时刻观看视频的推荐方式相同的次数达到目标次数时,停止训练所述推荐方式确定模型。
5.根据权利要求4所述的视频推荐装置,其特征在于,所述推荐模块包括:
确定单元,被配置为执行将推荐成功率符合目标条件的视频推荐方式确定为目标推荐方式;
第二推荐单元,被配置为执行获取在所述目标推荐方式下的目标视频,向所述用户推荐所述目标视频。
6.一种服务器,其特征在于,包括:
处理器;
用于存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述指令,以实现如:权利要求1至3中任一项所述的视频推荐方法。
7.一种存储介质,其特征在于,当所述存储介质中的指令由服务器的处理器执行时,使得服务器能够执行如权利要求1至3中任一项所述的视频推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911281162.6A CN110933504B (zh) | 2019-12-13 | 2019-12-13 | 视频推荐方法、装置、服务器和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911281162.6A CN110933504B (zh) | 2019-12-13 | 2019-12-13 | 视频推荐方法、装置、服务器和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110933504A CN110933504A (zh) | 2020-03-27 |
CN110933504B true CN110933504B (zh) | 2022-07-08 |
Family
ID=69859833
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911281162.6A Active CN110933504B (zh) | 2019-12-13 | 2019-12-13 | 视频推荐方法、装置、服务器和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110933504B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112100504B (zh) * | 2020-11-03 | 2021-09-10 | 北京达佳互联信息技术有限公司 | 内容推荐方法、装置、电子设备及存储介质 |
CN114513700A (zh) * | 2020-11-16 | 2022-05-17 | 中国移动通信集团有限公司 | 一种推荐视频的方法、装置、设备及存储介质 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104090893B (zh) * | 2013-12-13 | 2015-11-18 | 深圳市腾讯计算机系统有限公司 | 推荐算法优化方法、装置及系统 |
CN105306347B (zh) * | 2015-10-23 | 2018-09-14 | 中国联合网络通信集团有限公司 | 用户信息的推送方法及装置 |
CN105959325B (zh) * | 2016-07-14 | 2019-07-26 | 精硕科技(北京)股份有限公司 | 一种自动推送调研问卷的方法和系统 |
CN108549940B (zh) * | 2018-03-05 | 2021-10-29 | 浙江大学 | 基于多种对抗样例攻击的智能防御算法推荐方法及系统 |
CN108629045A (zh) * | 2018-05-14 | 2018-10-09 | 平安科技(深圳)有限公司 | 一种消息推送方法、存储介质和服务器 |
CN109040795B (zh) * | 2018-07-31 | 2023-12-19 | 周向红 | 一种视频推荐方法及系统 |
CN109635155B (zh) * | 2018-12-17 | 2023-02-24 | 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 |
CN110087103A (zh) * | 2019-04-26 | 2019-08-02 | 北京奇艺世纪科技有限公司 | 一种视频推荐系统、方法、装置及计算机 |
CN110311969A (zh) * | 2019-06-27 | 2019-10-08 | 深圳市丰巢科技有限公司 | 快递消息推送方法、装置、服务器及存储介质 |
CN110532467B (zh) * | 2019-08-22 | 2022-06-07 | 上海易点时空网络有限公司 | 基于推送模型的活动推荐方法及装置、设备、存储介质 |
-
2019
- 2019-12-13 CN CN201911281162.6A patent/CN110933504B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110933504A (zh) | 2020-03-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109684510B (zh) | 视频排序方法、装置、电子设备及存储介质 | |
CN107563500B (zh) | 一种基于用户头像的视频推荐方法及系统 | |
US20170289619A1 (en) | Method for positioning video, terminal apparatus and cloud server | |
CN110489578B (zh) | 图片处理方法、装置及计算机设备 | |
CN109299327A (zh) | 视频推荐方法、装置、设备及存储介质 | |
CN110717099B (zh) | 一种推荐影片的方法及终端 | |
CN109783656B (zh) | 音视频数据的推荐方法、系统及服务器和存储介质 | |
CN110175223A (zh) | 一种实现问题生成的方法及装置 | |
US9575996B2 (en) | Emotion image recommendation system and method thereof | |
CN110413867B (zh) | 用于内容推荐的方法及系统 | |
CN111460290B (zh) | 信息的推荐方法、装置、设备和存储介质 | |
CN110933504B (zh) | 视频推荐方法、装置、服务器和存储介质 | |
CN110597965B (zh) | 文章的情感极性分析方法、装置、电子设备及存储介质 | |
CN106649696A (zh) | 信息分类方法及装置 | |
CN111010619A (zh) | 处理短视频数据的方法、装置、计算机设备和存储介质 | |
CN111984821A (zh) | 确定视频动态封面的方法、装置、存储介质及电子设备 | |
CN112104505B (zh) | 应用推荐方法、装置、服务器和计算机可读存储介质 | |
CN114359563B (zh) | 模型训练方法、装置、计算机设备和存储介质 | |
CN111159570B (zh) | 一种信息推荐方法及服务器 | |
CN106601236A (zh) | 语音识别方法及装置 | |
CN112445970A (zh) | 一种信息推荐方法、装置、电子设备及存储介质 | |
CN112199582A (zh) | 一种内容推荐方法、装置、设备及介质 | |
CN112532507B (zh) | 用于呈现表情图像、用于发送表情图像的方法和设备 | |
CN112148923A (zh) | 搜索结果的排序方法、排序模型的生成方法、装置及设备 | |
CN112182281A (zh) | 一种音频推荐方法、装置及存储介质 |
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 |