CN110958472A - 视频点击量评级预测方法、装置、电子设备及存储介质 - Google Patents
视频点击量评级预测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN110958472A CN110958472A CN201911296320.5A CN201911296320A CN110958472A CN 110958472 A CN110958472 A CN 110958472A CN 201911296320 A CN201911296320 A CN 201911296320A CN 110958472 A CN110958472 A CN 110958472A
- Authority
- CN
- China
- Prior art keywords
- video
- information
- click rate
- evaluated
- rating
- 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.)
- Pending
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
- H04N21/258—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]
- H04N21/80—Generation or processing of content or additional data by content creator independently of the distribution process; Content per se
- H04N21/81—Monomedia components thereof
- H04N21/8126—Monomedia components thereof involving additional data, e.g. news, sports, stocks, weather forecasts
- H04N21/8133—Monomedia components thereof involving additional data, e.g. news, sports, stocks, weather forecasts specifically related to the content, e.g. biography of the actors in a movie, detailed information about an article seen in a video program
Abstract
本发明实施例提供一种视频点击量评级预测方法、装置、电子设备及存储介质,方法包括:获取待评级视频的信息;待评级视频的信息包括用于描述视频的内容质量的视频内容质量信息;将待评级视频的信息输入视频点击量评级模型,预测出待评级视频在预设未来时间段的点击量评级;其中,点击量评级反映了点击量的高低;视频点击量评级模型是根据第一视频的点击量评级、第一视频的信息训练得到的,第一视频为已知点击量评级的视频,第一视频的信息包括视频内容质量信息。本发明实施例提供的视频点击量评级预测方法、装置、电子设备及存储介质能实现对视频点击量的准确预测,能帮助广告商提高广告投放的精度。
Description
技术领域
本发明涉及视频技术领域,尤其涉及一种视频点击量评级预测方法、装置、电子设备及存储介质。
背景技术
随着网络技术的发展,通过网络进行视频投放已越来越普遍,对于广告主而言,视频点击量预测在互联网数据挖掘领域中有着重要的作用。因此提前准确预测出视频的点击量,对决定广告投放份量有着重要意义。
点击量可分为总点击量和预设时间段内的点击量,顾名思义,总点击量是指视频上线后的点击量之和,预设时间段内的点击量是指视频在预设时间段内(如1小时、1天、1周)的点击量之和。由于总点击量涉及到时间的累积效应,因此并不能完全准确地评估视频的热度,如将一个上线已久的视频与一个刚上线的视频通过总点击量来比较两者间的热度对于刚上线的视频而言并不公平。对视频在预设时间段内点击量的预测通常更有意义。因此在本申请文件中,若无特别的说明,点击量是指在某一预设时间段内的点击量。
现有技术中一种常用的视频点击量预测方法是利用已有的数据(如视频的历史播放数据)训练一个预测模型,然后用训练出来的预测模型来预测点击量数据。但在训练预测模型时,由于高点击量视频样本稀少这一先天不足,使得训练出来的预测模型普遍存在精度不高的问题,影响了预测结果的准确性。
发明内容
本发明实施例提供一种视频点击量评级预测方法、装置、电子设备及存储介质,用以解决现有技术中的点击量预测方法在预测点击量时预测模型精度不高,影响预测结果准确性的缺陷。
第一方面,本发明实施例提供了一种视频点击量评级预测方法,包括:
获取待评级视频的信息;所述待评级视频的信息包括用于描述视频的内容质量的视频内容质量信息;
将所述待评级视频的信息输入视频点击量评级模型,预测出所述待评级视频在预设未来时间段的点击量评级;其中,所述点击量评级反映了点击量的高低;所述视频点击量评级模型是根据第一视频的点击量评级、第一视频的信息训练得到的,所述第一视频为已知点击量评级的视频,所述第一视频的信息包括视频内容质量信息。
上述技术方案中,还包括:
根据所述第一视频在第二预设历史时间段内的点击量信息生成所述第一视频的点击量评级;
获取所述第一视频的信息;所述第一视频的信息包括视频内容质量信息;
采用所述第一视频的信息与所述第一视频的点击量评级训练模型,得到所述视频点击量评级模型。
上述技术方案中,所述获取待评级视频的信息还包括:
获取所述待评级视频的以下信息中的一种或多种:视频发布信息、在第一预设历史时间段内的点击量信息、视频内容质量信息、视频人员信息、视频播放时间;
相应地,所述视频点击量评级模型是根据第一视频的点击量评级、第一视频的信息训练得到的;其中,所述第一视频的信息还包括以下信息中的一种或多种:视频发布信息、在第二预设历史时间段内的点击量信息、视频内容质量信息、视频人员信息、视频播放时间;所述第一视频的信息的类型与数量和所述待评级视频的信息的类型与数量相一致。
上述技术方案中,所述视频内容质量信息包括:视频内容简介质量信息;相应地,
所述获取待评级视频的信息包括:获取待评级视频的视频内容简介质量信息;所述获取待评级视频的视频内容简介质量信息进一步包括:
为所述待评级视频的简介做分词;
计算所述待评级视频的简介分词后所得到的各个词语的TF-IDF特征;
根据所述各个词语的TF-IDF特征为所述待评级视频的简介构造文档特征;
将待评级视频的文档特征输入视频内容简介质量评分模型,得到所述待评级视频的简介质量评分;其中,所述视频内容简介质量评分模型是根据已播放视频的简介的文档特征训练得到的,所述已播放视频的简介的文档特征是对已播放视频的简介做分词、计算TF-IDF特征得到的。
上述技术方案中,所述视频内容质量信息包括:画面质量信息;所述画面质量信息反映了视频中具有抠图现象的视频帧的比例;相应地,
所述获取待评级视频的信息包括:获取待评级视频的画面质量信息;所述获取待评级视频的画面质量信息进一步包括:
从所述待评级视频中按照一定的间隔抽取I帧,得到I帧集合;
从所述I帧集合中选取部分或全部的I帧,输入画面质量模型,得到所选取I帧中每一个I帧的评分;
将所选取I帧中评分低于画面质量阈值的I帧的数量与所选取I帧的数据进行比较,比较结果为所述画面质量评分;其中,
所述画面质量模型是通过包含有ResNet特征和Label标签的多个图片训练逻辑回归模型得到的,所述ResNet特征是由ResNet网络从图片中提取的,所述Label标签是根据图片的抠图情况所标注的数值。
上述技术方案中,所述视频内容质量信息包括:配音质量信息;所述配音质量信息反映了视频中演员原音配音的情况;相应地,
所述获取待评级视频的信息包括:获取待评级视频的配音质量信息;所述获取待评级视频的配音质量信息进一步包括:
从所述待评级的视频的网络介绍信息中获取角色介绍信息;
从所述角色介绍信息中获取存在配音情况的演员的数量;
在预设角色范围内,统计未配音演员的数量占演员总数量的比例,所述比例值为配音质量信息。
上述技术方案中,获取所述待评级视频在第一预设历史时间段内的点击量信息包括:
获取所述待评级视频在第一预设历史时间段内的真实点击量信息;
或,利用具有历史点击量的视频的信息训练KNN回归模型,找到离预测点最近的N个点,拟合得到一个历史点击量预测模型;采用所述历史点击量预测模型预测所述待评级视频在第一预设历史时间段内的点击量信息。
第二方面,本发明实施例还提供了一种视频点击量评级预测装置,包括:
信息获取模块,用于获取待评级视频的信息;所述待评级视频的信息包括用于描述视频的内容质量的视频内容质量信息;
预测模块,用于将所述待评级视频的信息输入视频点击量评级模型,预测出所述待评级视频在预设未来时间段的点击量评级;其中,所述点击量评级反映了点击量的高低;所述视频点击量评级模型是根据第一视频的点击量评级、第一视频的信息训练得到的,所述第一视频为已知点击量评级的视频,所述第一视频的信息包括视频内容质量信息。
第三方面,本发明实施例还提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如第一方面所述视频点击量评级预测方法的步骤。
第四方面,本发明实施例还提供了一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如第一方面所述视频点击量评级预测方法的步骤。
本发明实施例提供的视频点击量评级预测方法、装置、电子设备及存储介质,根据待评级视频的视频内容质量信息以及待预测的时间段,通过视频点击量评级模型来预测待评级视频在待预测时间段的点击量评级,能实现对视频点击量的准确预测,能帮助广告商提高广告投放的精度;通过将传统的对点击量预测转化为对点击量等级的预测,有助于克服训练数据中高点击量视频样本稀少带来的模型精度不高的问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图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为本发明实施例提供的视频点击量评级预测方法的流程图;
图2为本发明又一实施例提供的视频点击量评级预测方法的流程图;
图3为本发明再一实施例提供的视频点击量评级预测方法的流程图;
图4为本发明另一实施例提供的视频点击量评级预测方法的流程图;
图5为本发明再一实施例提供的视频点击量评级预测方法的流程图;
图6为本发明又一实施例提供的视频点击量评级预测方法的流程图;
图7为本发明还一实施例提供的视频点击量评级预测方法的流程图;
图8为本发明另一实施例提供的视频点击量评级预测方法的流程图;
图9为本发明再一实施例提供的视频点击量评级预测方法的流程图;
图10为本发明又一实施例提供的视频点击量评级预测方法的流程图;
图11为本发明实施例提供的视频点击量评级预测装置的示意图;
图12示例了一种电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、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。
本申请人的技术人员通过研究众多已上线视频的历史点击量发现:视频点击量分布极其不均匀,呈现长尾分布的特点。排名在前的视频点击量非常高,通常会比排名在后的视频在点击量上高一个数量级。如排名在前20%的视频点击量在1亿次附近,排名在前20%之外的视频的点击量在1000万次附近。在利用已上线视频的历史点击量作为训练数据训练视频点击量预测模型时,由于可作为训练样本的、排名在前的视频数量十分稀少,因此所生成的视频点击量预测模型会有精度不高的问题。
有鉴于此,为了提高预测的准确度,本发明实施例中将现有技术中常见的对视频点击量的预测转换成对视频点击量评级的预测,通过建立视频点击量评级模型来预测视频在未来某一段时间的点击量评级。所述的点击量评级反映了视频点击量的高低。
图1为本发明实施例提供的视频点击量评级预测方法的流程图,如图1所示,本发明实施例提供的视频点击量评级预测方法包括:
步骤101、获取待评级视频的信息。
步骤102、将所述待评级视频的信息输入视频点击量评级模型,预测出所述待评级视频在预设未来时间段的点击量评级。
下面对上述步骤中所涉及的内容做进一步陈述。
在本发明实施例中,待评级视频既可以是已制作完成但尚未上线的视频,也可以是已有部分内容上线的视频(如一部电视剧的前面若干集已经上线,但后面的若干集尚未上线),还可以是已经将所有内容全部上线的视频。
在本发明实施例中,所述待评级视频的信息包括用于描述视频的内容质量的视频内容质量信息。
在本发明实施例中,视频内容质量信息包括画面质量、配音质量和视频内容简介质量三个方面。下面分别予以说明。
1、视频画面质量。
在本发明实施例中,视频画面质量的高低主要通过抠图比例来体现。即:在一个视频中,如果存在抠图现象的视频帧占视频帧总数的比例高,则视频画面质量低,反之,则视频画面质量高。
以一个电视剧为例,对视频画面质量的评分过程进行说明。
1)对一个电视剧视频资源,顺序抽取每一集视频的I帧,按顺序编号,统一存放在一个文件夹下;
2)从文件夹中随机选取出N张I帧,一一输入训练好的LR模型,共得到N个评分Si(i=1,…,N);
3)计算出N个评分中超过0.5的评分的个数P,则该视频的画面质量评分为P/N。
其中,对LR模型的训练过程如下:训练数据集包含M幅图片,图片的编号为{1,…,i,…,M},第i幅图片对应一个类Labeli,用来表明是否抠图。Labeli为人工标注的数值,取值分别为0~1。0代表图片中抠图比较多,1代表图片中没有抠图,数值越接近1代表图片质量越好。对于训练集的每个图片,经过ResNet网络提取出相应的ResNet特征;使用M个ResNet网络提取出的特征和M个Label标签来训练LR(Logistic Regression,逻辑回归)模型,训练完毕的LR模型可以用来判断图片的画面质量。
2、配音质量评级。
在本发明实施例中,配音质量的评级通过该电视剧是否由演员原音配音来进行评价。对于可以直接获取每个演员对应的配音数据的视频,直接计算原音演员的比例;对于无法直接获取每个演员对应的配音数据的视频,则通过以下步骤获取配音质量评分:
1)对于每个视频,通过爬虫爬取网络介绍信息(如百度百科)中相应视频名称的界面,得到多个搜索结果;
2)轮询搜索出来的界面,通过xpath语句去匹配解析每个界面,找到角色介绍对应的位置;
3)解析角色介绍的内容,若网络介绍信息的角色介绍中的演员与该视频的演员重合,比如角色介绍中的演员名称和该视频的演员名称重合,则消除歧义,确定最后的网络介绍信息,以获得需要解析的角色介绍信息;
4)解析角色介绍信息,设定一个阈值Z,代表演员数,取视频的前Z个主演,解析每一个演员的介绍文字中是否包含“配音”字段。可以用正则匹配去匹配该演员的介绍文字中是否存在“配音”的字符串,统计前Z个角色中未见配音的演员个数,将其记为X,则视频的配音质量的评分为X/Z。
3、视频简介质量评分。
视频简介质量评级主要是用来评估视频题材是否新颖,题材是否新颖通过提取视频简介的文本特征来进行判断。
在进行判断时,首先建立一个训练数据集,该训练数据集中包括有之前播放过的视频的简介,如Y部电视剧(将一部电视剧作为一个整体)或电影的简介,为每个视频简介标注一个标签,该标签代表相应视频的新颖性等级,如将新颖性等级分为三个等级。为了保证模型的分类效果最佳,每个等级内的数据应尽量保持分布均匀。
根据所述训练数据集训练神经网络。在训练神经网络时,损失函数选用softmax函数,采用文本分类模型中常用的TF-IDF特征来提取视频简介中的关键词。假设训练数据集有L条简介,分别编号为1到L;统计所有简介中出现的词语,分别编号为1到T。对于一条简介l,其中的词语t的TF-IDF特征对应的值为TF-IDFl,t。
神经网络的训练过程如下:
1)对于训练数据集中的每一条简介文档,先进行分词,去除分词结果中的停用词部分,只保留简介中有实际意义的词语。
2)对于任意一条简介文档l,统计任一词语t在简介文档l中出现的次数Cl,t,以及包含词语t的文档总数St。IDF特征的计算公式如下:
TFl,t=Cl,t/∑Cl,t;
其中,∑Cl,t表示求所有词语在简介文档l中出现的次数。
IDFt=log(L/St+1);
TF-IDF特征的计算方式为:
TF-IDFl,t=TFl,t*IDFt;
3)对于每个简介文档,将词语按照TF-IDF特征进行降序排列,选出每个简介文档的关键词K个。对于每个简介文档,将K个关键词所在的位置设置为1,其余词语所在的位置置为0。
4)针对每个简介文档,计算其第k个关键词所占的文档数目为Ck,将关键词k所在的位置设置为Ck,由此构造出每个简介文档的特征。
5)将简介文档特征归一化后作为输入特征,输入神经网络,通过之前为视频标注的用于描述新颖性等级的标签这一标注数据学习得到神经网络的权值数据,从而训练得到神经网络。
在得到经过训练的神经网络后,将待评级的视频简介做分词、计算TF-IDF特征、构造文档特征等操作,最后将归一化后的简介文档特征作为输入特征输入经过训练的神经网络,由神经网络输出视频简介质量的评分。
上述视频画面质量的评分、视频配音质量的评分和视频内容简介质量的评分组成了视频内容质量信息。
预设未来时间段是指要为待评级视频预测点击量评级的时间段。如要预测一视频在2020年1月1日20:00-22:00这一时间段的用户点击评级情况,那么2020年1月1日20:00-22:00就是所述的预设未来时间段。
点击量评级反映了点击量的高低。如在一个示例中,将点击量数据分为三个级别,第一档对应“热门”、第二档对应“一般”、第三档对应“惨淡”。视频点击量评级就描述了对应的视频处于哪一档。本领域技术人员应当了解,上述示例仅为举例说明之用,在实际应用中,可根据需要确定点击量评级的级别数以及点击量数据所处级别的判断准则。
所述视频点击量评级模型是根据第一视频的点击量评级、第一视频的信息训练得到的。其中,第一视频是指已知点击量评级的视频,第一视频的信息包括视频内容质量信息。
需要说明的是,第一视频并不局限于一个视频,还可以是多个视频。
视频点击量评级模型可以是已有的,也可以是创建的。在本发明的另一实施例中将对视频点击量评级模型的创建过程做详细说明。
本发明实施例提供的视频点击量评级预测方法根据待评级视频的视频内容质量信息,通过视频点击量评级模型来预测待评级视频在待预测时间段的点击量评级,能实现对视频点击量的准确预测,能帮助广告商提高广告投放的精度;通过将传统的对点击量预测转化为对点击量等级的预测,有助于克服训练数据中高点击量视频样本稀少带来的模型精度不高的问题。
基于上述任一实施例,图2为本发明又一实施例提供的视频点击量评级预测方法的流程图,如图2所示,本发明又一实施例提供的视频点击量评级预测方法包括:
步骤201、根据所述第一视频在第二预设历史时间段内的点击量信息生成所述第一视频的点击量评级。
所述第一视频作为模型训练的训练数据,一般有多个。
第二预设历史时间段是指过去的一个时间段,如前天晚上7点-10点这一时间段。第二预设历史时间段的时间长度一般与预设未来时间段的时间长度相同。
第一视频在第二预设历史时间段内的点击量信息是可以获得的。按照点击量数据所处级别的判断准则对第一视频的点击量评级进行判断。例如,将点击量数据分为三个级别,第一档对应“热门”、第二档对应“一般”、第三档对应“惨淡”。分档的阈值分别记为G1、G2,第i个视频的点击量为Ci,分档完的级别为Di,依据下面的准则进行分档:
其中,Di值为0对应第一档,Di值为1对应第二档,Di值为2对应第三档;分档阈值G1大于分档阈值G2,G1、G2的具体取值根据实际情况而定。
步骤202、获取所述第一视频的信息;所述第一视频的信息包括视频内容质量信息。
在前一实施例中,已经对如何获取视频内容质量信息做了详细描述,因此不在此处重复。
步骤203、采用所述第一视频的信息与所述第一视频的点击量评级训练模型,得到所述视频点击量评级模型。
在本发明实施例中,待训练的模型可采用随机森林(Random Forest)模型。
在本发明实施例中,所述第一视频的信息以特征值的形式训练模型。如将第一视频的视频内容质量信息(无论是文字格式的信息还是数字格式的信息)先做清洗填充,然后统一数字化、最大最小归一化,最终生成特征值,利用该特征值训练模型。
例如,视频的类别可分为电影,电视剧等,可以选用one-hot编码将其数字化,电影编号为1,电视剧编号为2,则电影对应的编码为{1,0},电视剧对应的编码为{0,1}。
步骤204、获取待评级视频的信息。
待评级视频的信息包括用于描述视频的内容质量的视频内容质量信息。
步骤205、将所述待评级视频的信息输入视频点击量评级模型,预测出所述待评级视频在预设未来时间段的点击量评级。
在本发明实施例中,所述待评级视频的信息以特征值的形式输入视频点击量评级模型。
本发明实施例提供的视频点击量评级预测方法能够创建一个基于视频内容质量信息的视频点击量评级模型,利用该评级模型可对视频在未来某一时间段内的视频点击情况进行预测,能帮助广告商提高广告投放的精度;通过将传统的对点击量预测转化为对点击量等级的预测,有助于克服训练数据中高点击量视频样本稀少带来的模型精度不高的问题。
图3为本发明再一实施例提供的视频点击量评级预测方法的流程图,如图3所示,本发明再一实施例提供的视频点击量评级预测方法包括:
步骤301、获取待评级视频的信息。
步骤302、将所述待评级视频的信息输入视频点击量评级模型,预测出所述待评级视频在预设未来时间段的点击量评级。
在本发明实施例中,所述待评级视频的信息包括用于描述视频的发布情况的视频发布信息、所述待评级视频在第一预设历史时间段内的点击量信息、用于描述视频的内容质量的视频内容质量信息。
具体的说,视频发布信息包括视频的平均播出时长、视频的总集数、视频的播出平台、视频的题材类型、视频的类别(综艺、电影电视剧等分类)、视频已上线时长等。在本发明其他实施例中,视频发布信息还可以包括视频画面的清晰度(分辨率)等。
视频发布信息可从视频提供商处获取。
待评级视频在第一预设历史时间段内的点击量信息是指待评级视频在一个过去的时间段内的点击量,如昨天晚上7点-10点这一时间段内的点击量。第一预设历史时间段的时间长度一般应与预设未来时间段的时间长度相同。
在本发明实施例中,所述点击量并不限于待评级视频本身的点击量,还可包括与待评级视频相关(如系列剧或改编剧)的视频集中其他视频的点击量。例如,通过视频发布源获取一个时间段内待评级视频的点击量数据;然后,通过视频名称,获取该视频的相关视频集,获取相关视频集中每个视频的在同一时间段内的点击量数据,计算点击量平均值,将计算得到的点击量平均值作为待评级视频在第一预设历史时间段内的点击量信息。
对于已经有部分内容上线的视频,或全部内容都已经上线的视频,由于在第一预设历史时间段内有真实的点击量数据,因此可以采用前段描述的方法获取待评级视频在第一预设历史时间段内的点击量信息。这种点击量信息也可以称为真实点击量信息。对于已制作完成但尚未上线的视频,在第一预设历史时间段内不会点击量数据,因此需要用预测的点击量信息来代替真实的点击量信息。要获取预测的点击量信息,需要采用经过训练的历史点击量预测模型。该模型的训练过程如下:
首先,利用具有历史点击量的视频的信息训练KNN回归模型,找到离预测点最近的N个点,去拟合得到一个历史点击量预测模型。其中,所述视频的信息包括视频的发布信息、视频内容质量信息、点击量信息;在本发明的其他实施例中,还可以包括:视频人员信息和/或视频播放时间信息。
然后,在得到经过训练的历史点击量预测模型后,利用这一模型去预测点击量信息。假设正在预测的是第i个点,离其最近的N个点的点击量为C1,…,CN,则第i个点的点击量预测为:
其中,k表示1-N个点中的一个。
视频内容质量信息的构成与获取已经在本发明前一实施例中有详细说明,因此不在此处重复。
所述视频点击量评级模型是根据第一视频的点击量评级、第一视频的信息训练得到的。其中,第一视频是指已知点击量评级的视频,第一视频的信息包括视频发布信息、在第二预设历史时间段内的点击量信息、视频内容质量信息。
需要说明的是,第一视频并不局限于一个视频,还可以是多个视频。
视频点击量评级模型可以是已有的,也可以是创建的。在本发明的另一实施例中将对视频点击量评级模型的创建过程做详细说明。
本发明实施例提供的视频点击量评级预测方法根据待评级视频的视频发布信息、点击量信息、视频内容质量信息,通过视频点击量评级模型来预测待评级视频在待预测时间段的点击量评级,能实现对视频点击量的准确预测,能帮助广告商提高广告投放的精度;通过将传统的对点击量预测转化为对点击量等级的预测,有助于克服训练数据中高点击量视频样本稀少带来的模型精度不高的问题。
基于上述任一实施例,图4为本发明另一实施例提供的视频点击量评级预测方法的流程图,如图4所示,本发明另一实施例提供的视频点击量评级预测方法包括:
步骤401、根据所述第一视频在第二预设历史时间段内的点击量信息生成所述第一视频的点击量评级。
步骤402、获取所述第一视频的信息;所述第一视频的信息包括视频发布信息、所述第一视频在第二预设历史时间段内的点击量信息、视频内容质量信息。
在前一实施例中,已经对如何获取视频发布信息、点击量信息、视频内容质量信息做了详细描述,因此不在此处重复。
步骤403、采用所述第一视频的信息与所述第一视频的点击量评级训练模型,得到所述视频点击量评级模型。
步骤404、获取待评级视频的信息。
待评级视频的信息包括用于描述视频的发布情况的视频发布信息、所述待评级视频在第一预设历史时间段内的点击量信息、用于描述视频的内容质量的视频内容质量信息。
步骤405、将所述待评级视频的信息输入视频点击量评级模型,预测出所述待评级视频在预设未来时间段的点击量评级。
本发明实施例提供的视频点击量评级预测方法能够创建一个基于视频发布信息、点击量信息和视频内容质量信息的视频点击量评级模型,利用该评级模型可对视频在未来某一时间段内的视频点击情况进行预测,能帮助广告商提高广告投放的精度;通过将传统的对点击量预测转化为对点击量等级的预测,有助于克服训练数据中高点击量视频样本稀少带来的模型精度不高的问题。
基于上述任一实施例,图5为本发明再一实施例提供的视频点击量评级预测方法的流程图,如图5所示,本发明再一实施例提供的视频点击量评级预测方法包括:
步骤501、获取待评级视频的信息。
步骤502、将所述待评级视频的信息输入视频点击量评级模型,预测出所述待评级视频在预设未来时间段的点击量评级。
待评级视频的信息包括:用于描述视频的发布情况的视频发布信息、所述待评级视频在第一预设历史时间段内的点击量信息、用于描述视频的内容质量的视频内容质量信息、用于描述能对视频点击量评级产生影响的视频参与人员个人情况的视频人员信息。
视频的点击量与制作视频的导演、编剧、演员等演职人员有着密不可分的联系。在本发明实施例中,所述视频人员信息包括人员名称,还包括与人员的人身关系较为密切的其他信息,如热度、过往作品、与视频中其他人员间的亲密度等。
要获取视频人员的信息,首先扫描视频的人员列表,确定该视频的人员名称。作为一种优选实现方式,在确定视频人员名称时只选取其中作用最为突出的导演、制片、编剧、主演、重要配角的人员名称,以降低后续计算的工作量。
然后根据所确定的视频人员名称,获取某一人员的近期搜索热度(百度指数)以及社交媒体话题度(微博话题度),并根据搜索热度和社交媒体话题度,计算该人员的热度评分。对所有已确定名称的视频人员均可执行上述的热度评分操作。
接着根据所确定的视频人员名称,获取某一人员的作品集以及作品集中每一个作品的历史播放量、点评信息。对所有已确定名称的视频人员均可执行上述查找作品集以及获取作品集中作品历史播放量、点评信息的操作。
之后还可根据所确定的视频人员名称,计算视频中的某一人员与视频中其他人员之间的亲密度,并计算平均亲密度。人员的亲密度根据人员的关系种类来定义,例如,假设满分10分,夫妻关系定义为10,父子关系定义为9,朋友关系定义为7,密友关系定义为8,前男女朋友关系定义为3。
所述视频点击量评级模型是根据第一视频的点击量评级、第一视频的信息训练得到的,所述第一视频为已知点击量评级的视频,所述第一视频的信息包括视频发布信息、在第二预设历史时间段内的点击量信息、视频内容质量信息、视频人员信息。
本发明实施例提供的视频点击量评级预测方法根据待评级视频的视频发布信息、点击量信息、视频内容质量信息、视频人员信息,通过视频点击量评级模型来预测待评级视频在待预测时间段的点击量评级,能实现对视频点击量的准确预测,能帮助广告商提高广告投放的精度;通过将传统的对点击量预测转化为对点击量等级的预测,有助于克服训练数据中高点击量视频样本稀少带来的模型精度不高的问题。
基于上述任一实施例,图6为本发明又一实施例提供的视频点击量评级预测方法的流程图,如图6所示,本发明又一实施例提供的视频点击量评级预测方法包括:
步骤601、根据所述第一视频在第二预设历史时间段内的点击量信息生成所述第一视频的点击量评级。
步骤602、获取所述第一视频的信息;所述第一视频的信息包括视频发布信息、所述第一视频在第二预设历史时间段内的点击量信息、视频内容质量信息、视频人员信息。
步骤603、采用所述第一视频的信息与所述第一视频的点击量评级训练模型,得到所述视频点击量评级模型。
步骤604、获取待评级视频的信息。
待评级视频的信息包括用于描述视频的发布情况的视频发布信息、所述待评级视频在第一预设历史时间段内的点击量信息、用于描述视频的内容质量的视频内容质量信息、用于描述能对视频点击量评级产生影响的视频参与人员个人情况的视频人员信息。
步骤605、将所述待评级视频的信息输入视频点击量评级模型,预测出所述待评级视频在所述预设未来时间段的点击量评级。
本发明实施例提供的视频点击量评级预测方法能够创建一个基于视频发布信息、点击量信息、视频内容质量信息和视频人员信息的视频点击量评级模型,利用该评级模型可对视频在未来某一时间段内的视频点击情况进行预测,能帮助广告商提高广告投放的精度;通过将传统的对点击量预测转化为对点击量等级的预测,有助于克服训练数据中高点击量视频样本稀少带来的模型精度不高的问题。
基于上述任一实施例,图7为本发明还一实施例提供的视频点击量评级预测方法的流程图,如图7所示,本发明还一实施例提供的视频点击量评级预测方法包括:
步骤701、获取待评级视频的信息。
步骤702、将所述待评级视频的信息输入视频点击量评级模型,预测出所述待评级视频在预设未来时间段的点击量评级。
在本发明实施例中,所述待评级视频的信息包括用于描述视频的发布情况的视频发布信息、所述待评级视频在第一预设历史时间段内的点击量信息、用于描述视频的内容质量的视频内容质量信息、用于描述能对视频点击量评级产生影响的时间因素的视频播放时间信息。
在本发明实施例中,待评级视频的视频播放时间信息包括:预设未来时间段,所述预设未来时间段在节假日维度、黄金时间维度上的值。
本领域技术人员很容易想到,对于一个视频而言,点击量的大小与播放时间段之间关系密切。显而易见,视频在傍晚时分的点击量通常高于凌晨时分的点击量。在本发明实施例中,对视频播放时间信息按照两个维度做进一步处理。
维度一:节假日维度
如播放时间为周末或节假日,则节假日维度信息定义为1,如不是周末或节假日,则节假日维度信息定义为0。
维度二、黄金时间维度
可以将全天时段根据用户观看热度进行划分,如分为黄金时间段和非黄金时间段,当播放时间为黄金时间段,则黄金时间维度定义为1,如播放时间为非黄金时间段,则黄金时间维度定义为0。
需要说明的是,在实际判断时,全天时段也可划分成多个时间段,为黄金时间维度定义多个分值,不局限于前述的2个。这有助于更进一步增加区分度。
所述视频点击量评级模型是根据第一视频的点击量评级、第一视频的信息训练得到的,所述第一视频为已知点击量评级的视频,所述第一视频的信息包括视频发布信息、在第二预设历史时间段内的点击量信息、视频内容质量信息、视频播放时间信息。
第一视频的视频播放时间包括:第一预设历史时间段,所述第一预设历史时间段在节假日维度、黄金时间维度上的值。
第一预设历史时间段在节假日维度、黄金时间维度上如何取值与预设未来时间段在节假日维度、黄金时间维度上取值的过程没有本质区别,因此不在此处重复描述。
本发明实施例提供的视频点击量评级预测方法根据待评级视频的视频发布信息、点击量信息、视频内容质量信息、视频播放时间信息以及待预测的时间段,通过视频点击量评级模型来预测待评级视频在待预测时间段的点击量评级,能实现对视频点击量的准确预测,能帮助广告商提高广告投放的精度;通过将传统的对点击量预测转化为对点击量等级的预测,有助于克服训练数据中高点击量视频样本稀少带来的模型精度不高的问题。
基于上述任一实施例,图8为本发明另一实施例提供的视频点击量评级预测方法的流程图,如图8所示,本发明另一实施例提供的视频点击量评级预测方法包括:
步骤801、根据所述第一视频在第二预设历史时间段内的点击量信息生成所述第一视频的点击量评级。
步骤802、获取所述第一视频的信息;所述第一视频的信息包括视频发布信息、所述第一视频在第二预设历史时间段内的点击量信息、视频内容质量信息、视频播放时间信息。
步骤803、采用所述第一视频的信息与所述第一视频的点击量评级训练模型,得到所述视频点击量评级模型。
步骤804、获取待评级视频的信息。
待评级视频的信息包括用于描述视频的发布情况的视频发布信息、所述待评级视频在第一预设历史时间段内的点击量信息、用于描述视频的内容质量的视频内容质量信息、用于描述能对视频点击量评级产生影响的时间因素的视频播放时间信息。
步骤805、将所述待评级视频的信息输入视频点击量评级模型,预测出所述待评级视频在预设未来时间段的点击量评级。
本发明实施例提供的视频点击量评级预测方法能够创建一个基于视频发布信息、点击量信息、视频内容质量信息和视频播放时间信息的视频点击量评级模型,利用该评级模型可对视频在未来某一时间段内的视频点击情况进行预测,能帮助广告商提高广告投放的精度;通过将传统的对点击量预测转化为对点击量等级的预测,有助于克服训练数据中高点击量视频样本稀少带来的模型精度不高的问题。
基于上述任一实施例,图9为本发明再一实施例提供的视频点击量评级预测方法的流程图,如图9所示,本发明再一实施例提供的视频点击量评级预测方法包括:
步骤901、获取待评级视频的信息。
步骤902、将所述待评级视频的信息输入视频点击量评级模型,预测出所述待评级视频在预设未来时间段的点击量评级。
在本发明实施例中,所述待评级视频的信息包括用于描述视频的发布情况的视频发布信息、所述待评级视频在第一预设历史时间段内的点击量信息、用于描述视频的内容质量的视频内容质量信息、用于描述能对视频点击量评级产生影响的视频参与人员个人情况的视频人员信息、用于描述能对视频点击量评级产生影响的时间因素的视频播放时间信息。
所述视频点击量评级模型是根据第一视频的点击量评级、第一视频的信息训练得到的,所述第一视频为已知点击量评级的视频,所述第一视频的信息包括视频发布信息、在第二预设历史时间段内的点击量信息、视频内容质量信息、视频人员信息、视频播放时间信息。
本发明实施例提供的视频点击量评级预测方法根据待评级视频的视频发布信息、点击量信息、视频内容质量信息、视频人员信息、视频播放时间信息,通过视频点击量评级模型来预测待评级视频在待预测时间段的点击量评级,能实现对视频点击量的准确预测,能帮助广告商提高广告投放的精度;通过将传统的对点击量预测转化为对点击量等级的预测,有助于克服训练数据中高点击量视频样本稀少带来的模型精度不高的问题。
基于上述任一实施例,图10为本发明又一实施例提供的视频点击量评级预测方法的流程图,如图10所示,本发明又一实施例提供的视频点击量评级预测方法包括:
步骤1001、根据所述第一视频在第二预设历史时间段内的点击量信息生成所述第一视频的点击量评级。
步骤1002、获取所述第一视频的信息;所述第一视频的信息包括视频发布信息、所述第一视频在第二预设历史时间段内的点击量信息、视频内容质量信息、视频人员信息、视频播放时间信息。
步骤1003、采用所述第一视频的信息与所述第一视频的点击量评级训练模型,得到所述视频点击量评级模型。
步骤1004、获取待评级视频的信息。
待评级视频的信息包括用于描述视频的发布情况的视频发布信息、所述待评级视频在第一预设历史时间段内的点击量信息、用于描述视频的内容质量的视频内容质量信息、用于描述能对视频点击量评级产生影响的视频参与人员个人情况的视频人员信息、用于描述能对视频点击量评级产生影响的时间因素的视频播放时间信息。
步骤1005、将所述待评级视频的信息输入视频点击量评级模型,预测出所述待评级视频在预设未来时间段的点击量评级。
本发明实施例提供的视频点击量评级预测方法能够创建一个基于视频发布信息、点击量信息、视频内容质量信息、视频人员信息和视频播放时间信息的视频点击量评级模型,利用该评级模型可对视频在未来某一时间段内的视频点击情况进行预测,能帮助广告商提高广告投放的精度;通过将传统的对点击量预测转化为对点击量等级的预测,有助于克服训练数据中高点击量视频样本稀少带来的模型精度不高的问题。
基于上述任一实施例,图11为本发明实施例提供的视频点击量评级预测装置的示意图,如图11所示,本发明实施例提供的视频点击量评级预测装置包括:
信息获取模块1101,用于获取待评级视频的信息;所述待评级视频的信息包括用于描述视频的内容质量的视频内容质量信息;
预测模块1102,用于将所述待评级视频的信息输入视频点击量评级模型,预测出所述待评级视频在预设未来时间段的点击量评级;其中,所述点击量评级反映了点击量的高低;所述视频点击量评级模型是根据第一视频的点击量评级、第一视频的信息训练得到的,所述第一视频为已知点击量评级的视频,所述第一视频的信息包括视频内容质量信息。
本发明实施例提供的视频点击量评级预测装置根据待评级视频的视频内容质量信息,通过视频点击量评级模型来预测待评级视频在待预测时间段的点击量评级,能实现对视频点击量的准确预测,能帮助广告商提高广告投放的精度;通过将传统的对点击量预测转化为对点击量等级的预测,有助于克服训练数据中高点击量视频样本稀少带来的模型精度不高的问题。
图12示例了一种电子设备的实体结构示意图,如图12所示,该电子设备可以包括:处理器(processor)1210、通信接口(Communications Interface)1220、存储器(memory)1230和通信总线1240,其中,处理器1210,通信接口1220,存储器1230通过通信总线1240完成相互间的通信。处理器1210可以调用存储器1230中的逻辑指令,以执行如下方法:获取待评级视频的信息;所述待评级视频的信息包括视频内容质量信息;将所述待评级视频的信息输入视频点击量评级模型,预测出所述待评级视频在预设未来时间段的点击量评级。
需要说明的是,本实施例中的电子设备在具体实现时可以为服务器,也可以为PC机,还可以为其他设备,只要其结构中包括如图12所示的处理器1210、通信接口1220、存储器1230和通信总线1240,其中处理器1210,通信接口1220,存储器1230通过通信总线1240完成相互间的通信,且处理器1210可以调用存储器1230中的逻辑指令以执行上述方法即可。本实施例不对电子设备的具体实现形式进行限定。
此外,上述的存储器1230中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
进一步地,本发明实施例公开一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的方法,例如包括:获取待评级视频的信息;所述待评级视频的信息包括视频内容质量信息;将所述待评级视频的信息输入视频点击量评级模型,预测出所述待评级视频在预设未来时间段的点击量评级。
另一方面,本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的方法,例如包括:获取待评级视频的信息;所述待评级视频的信息包括视频内容质量信息;将所述待评级视频的信息输入视频点击量评级模型,预测出所述待评级视频在预设未来时间段的点击量评级。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种视频点击量评级预测方法,其特征在于,包括:
获取待评级视频的信息;所述待评级视频的信息包括用于描述视频的内容质量的视频内容质量信息;
将所述待评级视频的信息输入视频点击量评级模型,预测出所述待评级视频在预设未来时间段的点击量评级;其中,所述点击量评级反映了点击量的高低;所述视频点击量评级模型是根据第一视频的点击量评级、第一视频的信息训练得到的,所述第一视频为已知点击量评级的视频,所述第一视频的信息包括视频内容质量信息。
2.根据权利要求1所述的视频点击量评级预测方法,其特征在于,还包括:
根据所述第一视频在第二预设历史时间段内的点击量信息生成所述第一视频的点击量评级;
获取所述第一视频的信息;所述第一视频的信息包括视频内容质量信息;
采用所述第一视频的信息与所述第一视频的点击量评级训练模型,得到所述视频点击量评级模型。
3.根据权利要求1所述的视频点击量评级预测方法,其特征在于,所述获取待评级视频的信息还包括:
获取所述待评级视频的以下信息中的一种或多种:视频发布信息、在第一预设历史时间段内的点击量信息、视频内容质量信息、视频人员信息、视频播放时间;
相应地,所述视频点击量评级模型是根据第一视频的点击量评级、第一视频的信息训练得到的;其中,所述第一视频的信息还包括以下信息中的一种或多种:视频发布信息、在第二预设历史时间段内的点击量信息、视频内容质量信息、视频人员信息、视频播放时间;所述第一视频的信息的类型与数量和所述待评级视频的信息的类型与数量相一致。
4.根据权利要求1或2所述的视频点击量评级预测方法,其特征在于,所述视频内容质量信息包括:视频内容简介质量信息;相应地,
所述获取待评级视频的信息包括:获取待评级视频的视频内容简介质量信息;所述获取待评级视频的视频内容简介质量信息进一步包括:
为所述待评级视频的简介做分词;
计算所述待评级视频的简介分词后所得到的各个词语的TF-IDF特征;
根据所述各个词语的TF-IDF特征为所述待评级视频的简介构造文档特征;
将待评级视频的文档特征输入视频内容简介质量评分模型,得到所述待评级视频的简介质量评分;其中,所述视频内容简介质量评分模型是根据已播放视频的简介的文档特征训练得到的,所述已播放视频的简介的文档特征是对已播放视频的简介做分词、计算TF-IDF特征得到的。
5.根据权利要求1或2所述的视频点击量评级预测方法,其特征在于,所述视频内容质量信息包括:画面质量信息;所述画面质量信息反映了视频中具有抠图现象的视频帧的比例;相应地,
所述获取待评级视频的信息包括:获取待评级视频的画面质量信息;所述获取待评级视频的画面质量信息进一步包括:
从所述待评级视频中按照一定的间隔抽取I帧,得到I帧集合;
从所述I帧集合中选取部分或全部的I帧,输入画面质量模型,得到所选取I帧中每一个I帧的评分;
将所选取I帧中评分低于画面质量阈值的I帧的数量与所选取I帧的数据进行比较,比较结果为所述画面质量评分;其中,
所述画面质量模型是通过包含有ResNet特征和Label标签的多个图片训练逻辑回归模型得到的,所述ResNet特征是由ResNet网络从图片中提取的,所述Label标签是根据图片的抠图情况所标注的数值。
6.根据权利要求1或2所述的视频点击量评级预测方法,其特征在于,所述视频内容质量信息包括:配音质量信息;所述配音质量信息反映了视频中演员原音配音的情况;相应地,
所述获取待评级视频的信息包括:获取待评级视频的配音质量信息;所述获取待评级视频的配音质量信息进一步包括:
从所述待评级的视频的网络介绍信息中获取角色介绍信息;
从所述角色介绍信息中获取存在配音情况的演员的数量;
在预设角色范围内,统计未配音演员的数量占演员总数量的比例,所述比例值为配音质量信息。
7.根据权利要求3所述的视频点击量评级预测方法,其特征在于,获取所述待评级视频在第一预设历史时间段内的点击量信息包括:
获取所述待评级视频在第一预设历史时间段内的真实点击量信息;
或,利用具有历史点击量的视频的信息训练KNN回归模型,找到离预测点最近的N个点,拟合得到一个历史点击量预测模型;采用所述历史点击量预测模型预测所述待评级视频在第一预设历史时间段内的点击量信息。
8.一种视频点击量评级预测装置,其特征在于,包括:
信息获取模块,用于获取待评级视频的信息;所述待评级视频的信息包括用于描述视频的内容质量的视频内容质量信息;
预测模块,用于将所述待评级视频的信息输入视频点击量评级模型,预测出所述待评级视频在预设未来时间段的点击量评级;其中,所述点击量评级反映了点击量的高低;所述视频点击量评级模型是根据第一视频的点击量评级、第一视频的信息训练得到的,所述第一视频为已知点击量评级的视频,所述第一视频的信息包括视频内容质量信息。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至7任一项所述视频点击量评级预测方法的步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至7任一项所述视频点击量评级预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911296320.5A CN110958472A (zh) | 2019-12-16 | 2019-12-16 | 视频点击量评级预测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911296320.5A CN110958472A (zh) | 2019-12-16 | 2019-12-16 | 视频点击量评级预测方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110958472A true CN110958472A (zh) | 2020-04-03 |
Family
ID=69981969
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911296320.5A Pending CN110958472A (zh) | 2019-12-16 | 2019-12-16 | 视频点击量评级预测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110958472A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112258214A (zh) * | 2020-09-22 | 2021-01-22 | 北京达佳互联信息技术有限公司 | 视频投放方法、装置及服务器 |
CN112365447A (zh) * | 2020-10-20 | 2021-02-12 | 四川长虹电器股份有限公司 | 一种多维度影视评分方法 |
CN113570006A (zh) * | 2021-09-26 | 2021-10-29 | 秒影工场(北京)科技有限公司 | 一种演员评分方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170091669A1 (en) * | 2015-09-30 | 2017-03-30 | Fujitsu Limited | Distributed processing system, learning model creating method and data processing method |
CN107766360A (zh) * | 2016-08-17 | 2018-03-06 | 北京神州泰岳软件股份有限公司 | 一种视频热度预测方法和装置 |
CN108259945A (zh) * | 2018-04-19 | 2018-07-06 | 腾讯音乐娱乐科技(深圳)有限公司 | 处理播放多媒体数据的播放请求的方法和装置 |
CN108984722A (zh) * | 2018-07-10 | 2018-12-11 | 北京奇艺世纪科技有限公司 | 一种视频搜索方法及装置 |
CN110121110A (zh) * | 2019-05-07 | 2019-08-13 | 北京奇艺世纪科技有限公司 | 视频质量评估方法、设备、视频处理设备及介质 |
-
2019
- 2019-12-16 CN CN201911296320.5A patent/CN110958472A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170091669A1 (en) * | 2015-09-30 | 2017-03-30 | Fujitsu Limited | Distributed processing system, learning model creating method and data processing method |
CN107766360A (zh) * | 2016-08-17 | 2018-03-06 | 北京神州泰岳软件股份有限公司 | 一种视频热度预测方法和装置 |
CN108259945A (zh) * | 2018-04-19 | 2018-07-06 | 腾讯音乐娱乐科技(深圳)有限公司 | 处理播放多媒体数据的播放请求的方法和装置 |
CN108984722A (zh) * | 2018-07-10 | 2018-12-11 | 北京奇艺世纪科技有限公司 | 一种视频搜索方法及装置 |
CN110121110A (zh) * | 2019-05-07 | 2019-08-13 | 北京奇艺世纪科技有限公司 | 视频质量评估方法、设备、视频处理设备及介质 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112258214A (zh) * | 2020-09-22 | 2021-01-22 | 北京达佳互联信息技术有限公司 | 视频投放方法、装置及服务器 |
CN112365447A (zh) * | 2020-10-20 | 2021-02-12 | 四川长虹电器股份有限公司 | 一种多维度影视评分方法 |
CN113570006A (zh) * | 2021-09-26 | 2021-10-29 | 秒影工场(北京)科技有限公司 | 一种演员评分方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110020437B (zh) | 一种视频和弹幕相结合的情感分析及可视化方法 | |
Hassan et al. | Beyond DCG: user behavior as a predictor of a successful search | |
CN107515873B (zh) | 一种垃圾信息识别方法及设备 | |
Wu et al. | Human preference score v2: A solid benchmark for evaluating human preferences of text-to-image synthesis | |
KR101074215B1 (ko) | 여론 분석 장치 및 문서 분석을 통한 여론 평가 방법 | |
CN110958472A (zh) | 视频点击量评级预测方法、装置、电子设备及存储介质 | |
CN111177559B (zh) | 文旅服务推荐方法、装置、电子设备及存储介质 | |
CN110287314B (zh) | 基于无监督聚类的长文本可信度评估方法及系统 | |
CN109325115B (zh) | 一种角色分析方法及分析系统 | |
CN111861550B (zh) | 一种基于ott设备的家庭画像构建方法及系统 | |
CN112036659B (zh) | 基于组合策略的社交网络媒体信息流行度预测方法 | |
CN116738066B (zh) | 乡村旅游服务推荐方法、装置、电子设备及存储介质 | |
US20190258629A1 (en) | Data mining method based on mixed-type data | |
CN113901308A (zh) | 基于知识图谱的企业推荐方法及推荐装置、电子设备 | |
CN113360768A (zh) | 基于用户画像的产品推荐方法、装置、设备及存储介质 | |
CN112995690B (zh) | 直播内容品类识别方法、装置、电子设备和可读存储介质 | |
WO2019242453A1 (zh) | 信息处理方法及装置、存储介质、电子装置 | |
US20220408155A1 (en) | System and method for providing media content | |
CN111143688B (zh) | 一种基于移动新闻客户端的评估方法及其系统 | |
CN115222431A (zh) | 一种直播保健品的智能打假技术与方法 | |
CN112989167A (zh) | 搬运账号的识别方法、装置、设备及计算机可读存储介质 | |
Bai et al. | A WeChat official account reading quantity prediction model based on text and image feature extraction | |
CN115130453A (zh) | 互动信息生成方法和装置 | |
CN108052503B (zh) | 一种置信度的计算方法及装置 | |
CN111859130A (zh) | 一种基于大数据分析的旅游景点推荐方法及装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200403 |