CN110996177A - 面向点播影院的视频推荐方法、装置及设备 - Google Patents

面向点播影院的视频推荐方法、装置及设备 Download PDF

Info

Publication number
CN110996177A
CN110996177A CN201911185883.7A CN201911185883A CN110996177A CN 110996177 A CN110996177 A CN 110996177A CN 201911185883 A CN201911185883 A CN 201911185883A CN 110996177 A CN110996177 A CN 110996177A
Authority
CN
China
Prior art keywords
video
model
time
demand
score
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.)
Granted
Application number
CN201911185883.7A
Other languages
English (en)
Other versions
CN110996177B (zh
Inventor
赵佳瑜
李崇佐
王涛涛
赵超越
张琦
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.)
Beijing IQIYi Intelligent Entertainment Technology Co Ltd
Original Assignee
Beijing IQIYi Intelligent Entertainment Technology 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 Beijing IQIYi Intelligent Entertainment Technology Co Ltd filed Critical Beijing IQIYi Intelligent Entertainment Technology Co Ltd
Priority to CN201911185883.7A priority Critical patent/CN110996177B/zh
Publication of CN110996177A publication Critical patent/CN110996177A/zh
Application granted granted Critical
Publication of CN110996177B publication Critical patent/CN110996177B/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]
    • H04N21/40—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]
    • H04N21/40—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
    • H04N21/4667—Processing of monitored end-user data, e.g. trend analysis based on the log file of viewer selections
    • 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
    • H04N21/47—End-user applications
    • H04N21/472—End-user interface for requesting content, additional data or services; End-user interface for interacting with content, e.g. for content reservation or setting reminders, for requesting event notification, for manipulating displayed content
    • H04N21/47202—End-user interface for requesting content, additional data or services; End-user interface for interacting with content, e.g. for content reservation or setting reminders, for requesting event notification, for manipulating displayed content for requesting content on demand, e.g. video on demand

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Human Computer Interaction (AREA)
  • Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)

Abstract

本发明实施例提供的一种面向点播影院的视频推荐方法，装置及设备，分别提取多个待推荐视频的内容特征；针对每个待推荐视频，将该待推荐视频的内容特征和指定时间的时间信息，输入预先训练完成的与点播影院对应的评分模型，得到该待推荐视频的评分；其中，所述评分模型为利用所述点播影院已播放的历史视频的内容特征，所述历史视频的实际播放时间的时间信息，以及所述历史视频的与所述实际播放时间对应的评分真值训练得到的；基于每个待推荐视频的评分，从所述多个待推荐视频中，确定推荐视频并推荐给所述点播影院，以使得所述点播影院在所述指定时间播放所述推荐视频。通过本方案，可以向点播影院推荐符合点播影院观众的观影喜好的视频。

Description

面向点播影院的视频推荐方法、装置及设备
技术领域
本发明涉及视频推荐技术领域，特别是涉及一种面向点播影院的视频推荐方法、装置及设备。
背景技术
随着科技的进步，兼具传统线下影院的视听效果和多元化服务优势，以及线上视频服务的片单丰富、排片灵活和观影时间自由优势的点播影院，开始兴起并得到大力发展。为了提供影院级的高清视频，并保证观众观看的即时性，点播影院通常从线上海量视频资源中预先下载并存储视频，作为点播影院的本地片库。相应的，为了保证观众点播的视频尽可能已在本地片库中，需要向点播影院推荐符合该点播影院观众的观影喜好的视频。
但是，相关技术中的视频推荐，往往是针对线上视频服务的，所确定的推荐视频为符合线上视频服务的用户需求的视频，并不符合点播影院的影院观影喜好：点播影院的观众对点播影院的视频的喜好。因此，如何确定符合点播影院的观众的观影喜好的推荐视频，是亟待解决的问题。
发明内容
本发明实施例的目的在于提供一种面向点播影院的视频推荐方法、装置及设备，以实现推荐符合点播影院的观众的观影喜好的推荐视频的效果。具体技术方案如下：
第一方面，本发明实施例提供了一种面向点播影院的视频推荐方法，该方法包括：
分别提取多个待推荐视频的内容特征；所述内容特征为描述所述待推荐视频的视频内容的特征；
针对每个待推荐视频，将该待推荐视频的内容特征和指定时间的时间信息，输入预先训练完成的与点播影院对应的评分模型，得到该待推荐视频的评分；其中，所述评分模型为利用所述点播影院已播放的历史视频的内容特征，所述历史视频的实际播放时间的时间信息，以及所述历史视频的与所述实际播放时间对应的评分真值训练得到的；所述历史视频的与所述实际播放时间对应的评分真值用于反映观众对于在所述实际播放时间所播放的所述历史视频的喜好程度；
基于每个待推荐视频的评分，从所述多个待推荐视频中，确定推荐视频并推荐给所述点播影院，以使得所述点播影院在所述指定时间播放所述推荐视频。
第二方面，本发明实施例提供了一种面向点播影院的视频推荐装置，该装置包括：
内容特征提取模块，用于分别提取多个待推荐视频的内容特征；所述内容特征为描述所述待推荐视频的视频内容的特征；
评分计算模块，用于针对每个待推荐视频，将该待推荐视频的内容特征和指定时间的时间信息，输入预先训练完成的与点播影院对应的评分模型，得到该待推荐视频的评分；其中，所述评分模型为利用所述点播影院已播放的历史视频的内容特征，所述历史视频的实际播放时间的时间信息，以及所述历史视频的与所述实际播放时间对应的评分真值训练得到的；所述历史视频的与所述实际播放时间对应的评分真值用于反映观众对于在所述实际播放时间所播放的所述历史视频的喜好程度；
视频推荐模块，用于基于每个待推荐视频的评分，从所述多个待推荐视频中，确定推荐视频并推荐给所述点播影院，以使得所述点播影院在所述指定时间播放所述推荐视频。
第三方面，本发明实施例提供了一种电子设备，该设备包括：
处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过总线完成相互间的通信；存储器，用于存放计算机程序；处理器，用于执行存储器上所存放的程序，实现上述第一方面提供的面向点播影院的视频推荐方法的步骤。
第四方面，本发明实施例提供了一种计算机可读存储介质，该存储介质内存储有计算机程序，该计算机程序被处理器执行时实现上述第一方面提供的面向点播影院的视频推荐方法的步骤。
本发明实施例提供的方案中，通过分别提取多个待推荐视频的内容特征，可以针对每个待推荐视频，将该待推荐视频的内容特征和指定时间的时间信息，输入预先训练完成的与点播影院对应的评分模型，得到该待推荐视频的评分。并且，评分模型为利用点播影院已播放的历史视频的内容特征、历史视频的实际播放时间的时间信息，以及历史视频的与实际播放时间对应的评分真值训练得到的；历史视频的与实际播放时间对应的评分真值用于反映观众对于在实际播放时间所播放的历史视频的喜好程度。因此，每个待推荐视频的评分能够反映观众对于在指定时间所播放的该待推荐视频的喜好程度，从而保证基于每个待推荐视频的评分，从多个待推荐视频中确定并推荐给点播影院的推荐视频，为相对而言在指定时间，点播影院的观众喜好的视频。可见，通过本方案，可以确定符合点播影院的观众的喜好的推荐视频。
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简单地介绍。
图1为本发明一实施例提供的面向点播影院的视频推荐方法的流程示意图；
图2为本发明一实施例提供的面向点播影院的视频推荐方法中，评分模型的训练方法的流程示意图；
图3为本发明一实施例提供的面向点播影院的视频推荐装置的结构示意图；
图4为本发明一实施例提供的面向点播影院的视频推荐装置中，模型训练模块的结构示意图；
图5为本发明一实施例提供的电子设备的结构示意图。
具体实施方式
为了使本领域技术人员更好地理解本发明中的技术方案，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描述。
下面对本发明一实施例的面向点播影院的视频推荐方法进行介绍。
本发明实施例提供的面向点播影院的视频推荐方法，可以应用于能够实现面向点播影院的视频推荐的电子设备。该设备具体可以包括：台式计算机、便携式计算机、互联网电视，智能移动终端、可穿戴式智能终端以及服务器等，在此不作限定，任何可以实现本发明实施例的电子设备，均属于本发明实施例的保护范围。
如图1所示，本发明一实施例提供的面向点播影院的视频推荐方法的流程，该方法可以包括：
S101，分别提取多个待推荐视频的内容特征.
在具体应用中，内容特征为描述待推荐视频的视频内容的特征。
在具体应用中，分别提取多个待推荐视频的内容特征的方式，具体可以是多种的。示例性的，可以针对每个待推荐视频，利用自然语言处理技术，将该待推荐视频的内容描述信息转化为特征向量，得到该待推荐视频的内容特征。其中，待推荐视频的内容描述信息具体可以包括：视频名称、内容简介、内容详细介绍、视频类型、地区以及主创人员等等信息。或者，示例性的，可以针对每个待推荐视频，将该待推荐视频的内容描述信息构造为特征矩阵，得到该待推荐视频的内容特征。其中，特征矩阵中的元素可以是内容描述信息本身，也可以是利用自然语言处理技术对内容描述信息进行转化得到的特征值。任何待推荐视频的内容特征的提取方式均可用于本发明，本实施例对此不作限制。
S102，针对每个待推荐视频，将该待推荐视频的内容特征和指定时间的时间信息，输入预先训练完成的与点播影院对应的评分模型，得到该待推荐视频的评分。
在具体应用中，评分模型为利用点播影院已播放的历史视频的内容特征，历史视频的实际播放时间的时间信息，以及历史视频的与实际播放时间对应的评分真值训练得到的；其中，历史视频的与实际播放时间对应的评分真值用于反映观众对于在实际播放时间所播放的历史视频的喜好程度。
在具体应用中，评分模型可以是多种的，下面以可选实施例的形式进行具体说明。
在一种可选的实施方式中，评分模型可以是利用点播影院已播放的历史视频的内容特征、历史视频的实际播放时间的时间信息、以及历史视频的与实际播放时间对应的评分真值，对卷积神经网络模型进行训练得到的。
在另一种可选的实施方式中，评分模型可以是利用点播影院已播放的历史视频的内容特征、历史视频的实际播放时间的时间信息、以及历史视频的与实际播放时间对应的评分真值，对利用本发明构建的模型进行训练得到的。
具体地，本发明构建的模型可基于单一维度计算该维度下视频的评分，还可以基于多个不同维度综合计算视频的评分。
本发明中列举了三种维度，即周期性喜好的维度、热点喜好的维度以及观众类型喜好的维度，周期性喜好为在不同的观影周期点播影院的观众对点播影院的视频的喜好；热点喜好为在视频播放时间对应的时间段内点播影院的热点视频的内容特征；观众类型喜好为在视频播放时间对应的时间段内，点播影院的不同观众类型的观众对点播影院的视频的喜好；视频播放时间为作为评分对象的视频的播放时间。针对每一维度可对应创建一个基于该维度的模型，即第一模型用于从周期性喜好的维度计算视频的评分，第二模型用于从热点喜好的维度计算视频的评分，第三模型用于从观众类型喜好的维度计算视频的评分。
在具体应用中，点播影院的观众对视频的喜好不固定，具有很强的时间动态效应，因此，为了保证对待推荐视频的评分与该时间动态效应对应，以提高对待推荐视频评分的准确度，可以利用点播影院已播放的历史视频的内容特征，历史视频的实际播放时间的时间信息，以及历史视频的与实际播放时间对应的评分真值，对利用第一模型、第二模型和第三模型中的至少一种模型构建的模型进行训练得到评分模型。其中，时间动态效应通常体现在三个方面。第一方面，在不同的观看时间，观众的观看偏好不同，如情人节偏好的视频为爱情视频，春节偏好合家欢视频等。第二方面，近期上映的好口碑影片和社会热点等热点会影响观众倾向于选择观看与热点相同或者相关的视频。例如，一部近期上映的好口碑影片会吸引很多人去看，而且，与该电影相关的电影也会被观影，如同系列电影、同主演电影等。第三方面，观众群体类型的比例会随时间变化，且不同类型的观众群体的观影喜好不同。因此，与时间动态效应相关的预设的观影喜好，具体可以包括：针对每个点播影院，该点播影院的周期性喜好、热点喜好以及观众群体类型中的至少一种。
示例性的，第一方面，在周期性喜好中，按一天的不同时间段划分的第一时间周期可以为3种：上午、中午、晚上；按一周的不同天划分的第二时间周期可以为7种：周一到周天；按一年的不同季节划分的第三时间周期可以为4种：春季、夏季、秋季和冬季。由此，不同时间周期的周期性喜好中，时间周期最少可以是3种，最多可以是14种。第二方面，在热点喜好中，时间片可以当前时间点之前一定时长的时间段，例如，当前时间点之前的一个月，或者两个月等等，具体可以根据热点的持续时长设置。并且，观看热度符合热点视频条件的热点视频内容，可以是多种的。示例性的，可以是该点播影院近一个月内，观看次数排在前五的视频，或者，可以是近一个月内的全部口碑电影等等。第三方面，在观众类型喜好中，观众群体类型，可以按照观众之间的社会关系划分，具体可以包括家庭、情侣、朋友以及个人等等类型。
为了便于理解和合理布局，对于评分模型的训练方式，第一模型，第二模型以及第三模型中的任一模型计算视频的评分的方式，后续以可选实施例的形式进行具体说明。
任何利用点播影院已播放的历史视频的内容特征、历史视频的实际播放时间的时间信息以及历史视频的与实际播放时间对应的评分真值训练得到的评分模型，均可用于本发明，本实施例对此不作限制。其中，由于点播影院的观众在不同的播放时间对点播影院的视频喜好程度不同，因此，在不同的实际播放时间，同一历史视频存在不同的评分真值。举例而言，历史视频V1在实际播放时间2019年1月1日播放时，评分真值为8.9，在实际播放时间2019年1月2日播放时，评分真值为8.8。相应的，历史视频V1的与实际播放播放时间对应的评分真值包括：
在具体应用中，历史视频的与实际播放播放时间对应的评分真值的确定方式，可以是多种的。下面以可选实施例的形式进行具体说明。
在一种可选的实施方式中，历史视频的与实际播放播放时间对应的评分真值的确定方式，可以包括如下步骤：
如果存在观众对历史视频的评分，可以直接获取在实际播放时间，观众对该历史视频的评分，作为该历史视频的与实际播放时间对应的评分真值。
在具体应用中，观众对历史视频的评分可以是多种的。示例性的，观众对历史视频的评分可以是点播影院的观众观看视频后，通过点播影院提供的评分装置输入的对所观看的视频的评分。其中，评分装置可以安装在点播影院中，例如点播影院的座位，或者安装在关于点播影院的应用中等等。或者，观众对历史视频的评分可以是存在视频评分的网络资源中，点播影院播放的视频的评分。例如，豆瓣网、爱奇艺以及猫眼电影等等存在视频评分的网络资源提供的视频评分中，对点播影院播放的视频的评分。
在另一种可选的实施方式中，历史视频的与实际播放播放时间对应的评分真值的确定方式，可以包括如下步骤：
从多个时间片中，确定实际播放时间所属的目标时间片；时间片为按照点播影院的经营时间跨度划分的时间段；
从预先计算的历史视频的与每一时间片对应的评分中，确定与目标时间片对应的历史视频的评分，作为历史视频的与实际播放时间对应的评分真值；
其中，历史视频的与每一时间片对应的评分的计算方式包括：
针对每一时间片，利用该时间片内历史视频的历史观影数据，获得该时间片内历史视频的观影频次；
针对每一时间片，对该时间片内历史视频的观影频次进行分箱处理，得到与该时间片对应的历史视频的评分。
在具体应用中，点播影院的经营时间可以决定视频的播放时间，并且，对于点播影院而言，视频的评分存在时间动态效应：点播影院的观众在不同的观影时间很可能存在不同的观影喜好，相应的，同一视频在不同的时间片内对应的评分不同。因此，为了获得与属于点播影院的经营时间的实际播放时间对应的评分真值，可以按照点播影院的经营时间跨度，划分多个时间段，得到多个时间片，进而从多个时间片中，确定实际播放时间所属的目标时间片，从而保证后续可以从预先计算的历史视频的与每一时间片对应的评分中，确定与目标时间片对应的历史视频的评分，作为历史视频的与实际播放时间对应的评分真值。
其中，目标时间片的确定方式可以包括：按照某个点播影院i的经营时间跨度，划分得到m个时间片，则实际播放时间t所属的目标时间片为第τ个时间片，τ＝bin(t)，bin为用于返回一个整数或者长整数的二进制表示的公式。并且，历史视频在某一时间片内的观影频次包括：历史视频在该时间片内被观看的次数。例如，历史视频k在点播影院i的时间片τ内的历史观影数据为被观看次数c，可以获得点播影院i的时间片τ内，历史视频k的观影频次为
Figure BDA0002292380890000071
在此基础上，针对每一时间片，对该时间片内历史视频的观影频次进行分箱处理，得到与该时间片对应的历史视频的评分，具体可以包括如下步骤：
针对每一时间片，将该时间片内历史视频的观影频次输入预设的分箱函数，得到与该时间片对应的历史视频的评分。其中，预设的分箱函数具体可以为如下公式：
Figure BDA0002292380890000081
其中，
Figure BDA0002292380890000082
表示将点播影院i的历史视频j在第τ个时间片内的观影频次
Figure BDA0002292380890000083
输入预设的分箱函数f，得到历史视频j的与第τ个时间片对应的评分
Figure BDA0002292380890000084
SQ为第Q个预设的评分，S1,S2,S3,……,SQ依次增大；
Figure BDA0002292380890000085
分别为第τ个时间片内，点播影院i的第1个箱的频次标准，第2个箱的频次标准，……，第pn-1个箱的频次标准，以及第pn个箱的频次标准；其中，任一箱的频次标准为对历史视频的观影频次进行分箱时，该箱的边界。
在具体应用中，可以按照第pn个预设划分比例，对该时间片内点播影院i的多个历史视频进行划分，得到第pn个箱的历史视频；利用第pn个箱的历史视频的历史观影数据计算属于该箱的历史视频的观影频次，得到第pn个箱的频次标准。其中，预设划分比例可以是多种的，并且为了保证S1,S2,S3,……,SQ依次增大，预设划分比例逐次增加。示例性的，不同的时间片可以有不同的预设划分比例，例如，时间片τ1的预设划分比例可以设置为第1个预设划分比例25％，第2个预设划分比例50％，第3个预设划分比例75％，以及第4个预设划分比例99％等等；时间片τ2的预设划分比例可以设置为第1个预设划分比例20％，第2个预设划分比例45％，第3个预设划分比例70％，以及第4个预设划分比例94％等等。或者，示例性的，对所有时间片设置统一的预设划分比例。例如，第1个预设划分比例30％，第2个预设划分比例53％，第3个预设划分比例76％以及第4个预设划分比例99％等等。以此为基础，如果点播影院i的时间片τ内，历史视频的总数为100个，按照第1个预设划分比例30％，第2个预设划分比例53％，第3个预设划分比例76％以及第4个预设划分比例99％，得到的第pn个箱的历史视频可以包括：第1个箱的历史视频为前30个历史视频，第2个箱的历史视频为前53个历史视频，第3个箱的历史视频为前76个历史视频，第4个箱的历史视频为前99个历史视频。
此时，第1个箱的频次标准
Figure BDA0002292380890000091
为前30个历史视频的被观看次数；第2个箱的频次标准
Figure BDA0002292380890000092
为前53个历史视频的被观看次数；第3个箱的频次标准
Figure BDA0002292380890000093
为前76个历史视频的被观看次数；第4个箱的频次标准
Figure BDA0002292380890000094
为前99个历史视频的被观看次数。类似的，可以获得第τ个时间片内点播影院i的第pn个箱的频次标准
Figure BDA0002292380890000095
并且，为了相对而言提高评分真值的准确度，需要保证各个频次标准互不相同，如果相邻的两个频次标准相等，可以将前一个频次标准减去一个相对而言较小的指定数值，例如0.1，从而保证各个频次标准互不相同。举例而言，可以进行下述处理：
Figure BDA0002292380890000096
这样处理后，可以保证
Figure BDA0002292380890000097
本可选实施例中利用历史视频的历史观影数据，获得不同时间片内，历史视频的观影频次，从而利用观影频次对历史视频进行评分。与将观众的评分作为历史视频的评分真值相比，可以减少观众主观评分造成的评分真值不够准确的问题，以历史视频的观影频次获得评分真值，相对而言能够更加客观反映点播影院的视频需求，提高评分真值的准确度。并且，对历史视频的观影频次进行分箱，可以实现对点播影院的不同时间片内的历史视频的观影频次的局部平滑，从而减少经营策略差异，如营销活动和影院庆典等偶然因素对观影频次的影响，相对而言使评分真值更加准确。
S103，基于每个待推荐视频的评分，从多个待推荐视频中，确定推荐视频并推荐给点播影院，以使得点播影院在指定时间播放推荐视频。
在具体应用中，基于每个待推荐视频的评分，从多个待推荐视频中，确定推荐视频并推荐给点播影院的具体方式，可以包括：将多个待推荐视频按照评分从大到小的顺序排序，将排在前指定数量个的待推荐视频，确定为该点播影院的推荐视频。将推荐视频推荐给点播影院后，点播影院可以在指定时间播放推荐视频。
本发明实施例提供的方案中，通过分别提取多个待推荐视频的内容特征，可以针对每个待推荐视频，将该待推荐视频的内容特征和指定时间的时间信息，输入预先训练完成的与点播影院对应的评分模型，得到该待推荐视频的评分。并且，评分模型为利用点播影院已播放的历史视频的内容特征、历史视频的实际播放时间的时间信息，以及历史视频的与实际播放时间对应的评分真值训练得到的；历史视频的与实际播放时间对应的评分真值用于反映观众对于在实际播放时间所播放的历史视频的喜好程度。因此，每个待推荐视频的评分能够反映观众对于在指定时间所播放的该待推荐视频的喜好程度，从而保证基于每个待推荐视频的评分，从多个待推荐视频中确定并推荐给点播影院的推荐视频，为在指定时间，点播影院的观众喜好的视频。可见，通过本方案，可以确定符合点播影院的观众的喜好的推荐视频。
如图2所示，本发明一实施例提供的面向点播影院的视频推荐方法中，评分模型的训练方法的流程，该方法可以包括如下步骤：
S201，将点播影院的历史视频的历史观影数据输入该点播影院的初始的评分模型进行训练，得到该点播影院的历史视频的预测评分。
在具体应用中，对应于不同的评分模型，初始的评分模型可以是多种的。下面以可选实施例的形式进行说明。
在一种可选的实施方式中，当评分模型是利用点播影院已播放的历史视频的内容特征，历史视频的实际播放时间的时间信息，以及历史视频的与实际播放时间对应的评分真值，对卷积神经网络模型进行训练得到的情况时，初始的评分模型可以是能够实现多分类的神经网络模型，并且多分类的类型是按视频的评分真值的差异划分的。
神经网络模型可以学习不同评分真值的历史视频的内容特征，因此，利用神经网络训练得到的评分模型，可以根据待推荐视频的内容特征，计算得到待推荐视频所属的类型，且该类型为按视频的评分的差异划分的。示例性的，历史视频的评分真值包括1分，2分，3分，4分以及5分时，神经网络模型可以是能够实现五分类的模型，且模型的输出为与五种评分对应的类型。
在另一种可选的实施方式中，当评分模型可以是利用点播影院已播放的历史视频的内容特征，历史视频的实际播放时间的时间信息，以及历史视频的与实际播放时间对应的评分真值，对利用第一模型、第二模型和第三模型中的至少一种模型构建的模型进行训练得到的时，该点播影院的初始的评分模型可以包括：
利用第一模型、第二模型和第三模型中的至少一种模型构建的模型，且当利用至少两种模型构建时，具体为对至少两种模型融合得到的模型。
为了便于理解和方便描述，下面以可选实施例的形式，对利用第一模型、第二模型和第三模型中的至少一种模型构建的模型，进行具体说明。并且，下述可选实施例中的模型和计算方式可用于计算待推荐视频的评分，或者历史视频的预测评分，区别在于针对不同的视频，所使用的相关数据是该视频的数据，且对于待推荐视频而言，所使用的模型为训练完成的视频。
可选的，当所述评分模型为利用所述第一模型、所述第二模型以及所述第三模型构建的模型时，所述评分模型利用如下公式，对所述第一模型、所述第二模型以及所述第三模型进行融合：
Figure BDA0002292380890000111
其中，i为点播影院的标识，
Figure BDA0002292380890000112
为视频k的与视频播放时间t对应的评分，bi为针对点播影院i设置的偏置，bk为针对视频k设置的偏置，pi为点播影院i的影院特征的隐向量，
Figure BDA0002292380890000113
为视频k的内容特征的隐向量的转置；
Figure BDA0002292380890000114
为第一模型输出的评分，
Figure BDA0002292380890000115
为第二模型输出的评分，
Figure BDA0002292380890000116
为第三模型输出的评分；其中，bi、bk、pi以及qk为需要进行训练的参数。
在具体应用中，
Figure BDA0002292380890000117
为从周期性喜好的维度计算点播影院i的视频k的评分；
Figure BDA0002292380890000118
为从热点喜好的维度计算点播影院i的视频k的评分；
Figure BDA0002292380890000121
为从观众类型喜好的维度计算点播影院i的视频k的评分。在训练过程中，视频k具体为历史视频；在完成训练，进行视频推荐时，视频k具体为待推荐视频。并且，影院特征具体可以是多种的，举例而言，影院特征可以包括影院的地理位置、影院的品牌以及影院收益在时间上的周期性变化(如影院A夏季收益高，影院B冬季收益高)等等特征。
另外，当评分模型为利用第一模型、第二模型以及第三模型中的任两个模型构建的模型时，评分模型利用如下公式进行融合：
Figure BDA0002292380890000122
或者，
Figure BDA0002292380890000123
或者，
Figure BDA0002292380890000124
可选的，第一模型输出的评分的计算方式，具体可以包括如下步骤：
将视频播放时间和视频的内容特征输入第一模型，得到第一模型输出的评分；
其中，第一模型包括下述公式：
Figure BDA0002292380890000125
Figure BDA0002292380890000126
Figure BDA0002292380890000127
为第一模型输出的评分；i为点播影院的标识；
Figure BDA0002292380890000128
为视频k的内容特征的隐向量的转置；
Figure BDA0002292380890000129
为在视频播放时间t，点播影院的视频的内容特征的隐向量；
Figure BDA00022923808900001210
为在播放时间t对应的第s个预设观影周期，点播影院的视频的内容特征的隐向量；αi,s为
Figure BDA00022923808900001211
的影响程度；S为预设观影周期的总个数；hs(t)为表明视频播放时间t是否属于第s个预设观影周期的指示性函数；其中，
Figure BDA00022923808900001212
和αi,s为需要进行训练的参数。
在具体应用中，历史视频k在t时刻的周期性喜好分数越高，越符合点播影院i在t时刻的观看偏好。并且，s∈S,S＝{1,...,14}，依次对应上述14种时间周期因子：3种第一时间周期，7种第二时间周期以及4种第三时间周期。当t落入某种时间周期，如第s类时间周期时，hs(t)返回1，否则返回0，以保证视频的内容特征与点播影院的周期性喜好对应，提高对待推荐内容评分的准确度。
可选的，第二模型输出的评分的计算方式，具体可以包括如下步骤：
将视频播放时间和视频的内容特征输入第二模型，得到第二模型输出的评分；
其中，第二模型包括下述公式：
Figure BDA0002292380890000131
Figure BDA0002292380890000132
为第二模型输出的评分；i为点播影院的标识；bin(t)为点播影院的与视频播放时间t对应的时间片的序号；时间片为按照点播影院的经营时间跨度划分得到时间段；
Figure BDA0002292380890000133
为视频k的内容特征的转置；θi,bin(t)为第bin(t)个时间片对应的指定的热点视频的内容特征；bi,bin(t)为点播影院在第bin(t)个时间片内对应的视频的内容特征的偏置；bk,bin(t)为视频k的与第bin(t)个时间片对应的内容特征的偏置；其中，bi,bin(t)和bk,bin(t)为需要进行训练的参数。
在具体应用中，可以将视频的内容特征，如内容特征矩阵Y一行中的非零元素对应的词语集合看成是一个文档，使用LDA(Latent Dirichlet Allocation)模型，计算视频的内容特征，从而得到该视频的内容特征。其中，LDA模型为一种文档内容生成模型，用来识别大规模文档集(document collection)或语料库(corpus)中潜藏的内容信息。
如果视频k的内容特征为θk，则在点播影院i的第bin(t)个时间片内，指定的热点视频的内容特征为θi,bin(t)，具体地，θi,bin(t)可以采用下述公式计算得到：
Figure BDA0002292380890000134
其中，
Figure BDA0002292380890000135
Figure BDA0002292380890000136
代表在点播影院i的第bin(t)个时间片内的热点视频的集合；θk′为在第bin(t)个时间片内的指定热点视频k′的内容特征；rik′为在点播影院i的第bin(t)个时间片内的指定热点视频k′的内容特征的权重。在本可选实施例中，第二模型输出的评分衡量了视频k和点播影院i的指定热点视频的相似程度第二模型输出的评分越高，表明视频与指定热点视频越相似，越能满足点播影院的观众针对近期热点的观影喜好。
可选的，第三模型输出的评分的计算方式，具体可以包括如下步骤：
将视频播放时间和视频的内容特征输入第三模型，得到第三模型输出的评分；
其中，第三模型包括下述公式：
Figure BDA0002292380890000141
Figure BDA0002292380890000142
为第三模型输出的评分；i为所述点播影院的标识；γi,bin(t)为在与视频播放时间t对应的第bin(t)个时间片内点播影院的观众类型的特征；时间片为按照点播影院的经营时间跨度划分得到时间段；
Figure BDA0002292380890000143
为各个观众类型的权重系数矩阵的转置，且权重系数矩阵中的每个元素，分别对应一种观众类型的权重系数。
在具体应用中，与上述视频的内容特征的获取类似的，可以利用LDA模型获取点播影院i的时间片bin(t)内，点播影院i的观众类型的特征γi,bin(t)。示例性的，获取过程如下：
在LDA模型中，文档的内容满足参数为α的狄利克雷分布(θi～Dir(α))；按照文档的内容，文档中词语的内容为多项分布zi,j～Mult(θi)；内容的词语分布为参数为β的狄利克雷分布(Φk～Dir(β))；内容的词语分布中，每个词语服从多项分布ai,j～
Figure BDA0002292380890000144
在此基础上，以点播影院i替代文档，用观众群体类型替代文档的内容，用视频k替代词语，得到适用于可选实施例的LDA模型：点播影院i的时间片τ＝bin(t)内，观众类型的特征为γi,τ～Dir(α)；观众群体类型对应的视频分布为φk～Dir(β)；对点播影院i在时间片τ内的观影数据中的不同视频ai,j∈Ri,τ，存在：某一观众类型的特征γi,τ，所对应的视频分布中，各视频的内容为zi,j～Mult(γi,τ)；某一观众群体类型所对应的视频分布
Figure BDA0002292380890000145
中，任一视频服从多项分布ai,j～
Figure BDA0002292380890000146
其中，Ri,τ为点播影院i的时间片τ内的播放数据对应的不同视频的集合。对于所得到的上述适用于可选实施例的LDA模型，可以利用LDA的求解方法之一：变分推断法，计算得到点播影院i的时间片bin(t)内，点播影院i的观众类型的特征γi,bin(t)。
S202，根据点播影院的预测评分、相应的评分真值以及预设的损失函数，判断处于当前训练阶段的评分模型是否收敛；如果收敛，执行S203，如果不收敛，执行S204至S205。
在具体应用中，预设的损失函数具体可以为包括正则化系数的最小平方误差损失函数，如下公式：
Figure BDA0002292380890000151
其中，r为评分真值，
Figure BDA0002292380890000152
为历史视频的历史观影数据的集合，Θ为预设的损失函数中的参数的集合，其中，j为历史视频的标识。
利用上述公式，可以计算得到预测评分和相应的评分真值之间的误差，从而利用该误差判断该点播影院的处于当前训练阶段的评分模型是否收敛。
S203，将处于当前训练阶段的评分模型确定为该点播影院的评分模型。
当评分模型收敛时，表明历史视频的预测评分与该历史视频的评分真值之间的误差达到期望的最小值，即当前训练阶段的评分模型训练完成，因此，可以执行上述步骤S203。
S204，利用随机梯度下降算法，调整处于当前训练阶段的评分模型的模型参数，得到该点播影院的调整后的评分模型。
在具体应用中，可以使用SGD(Stochastic Gradient Descent，随机梯度下降)算法，调整处于当前训练阶段的评分模型的模型参数，实现模型参数的优化。示例性的，模型参数的调整具体如下：
点播影院的偏置的调整：
Figure BDA0002292380890000153
历史视频的偏置的调整：
Figure BDA0002292380890000154
在时间片bin(t)内,点播影院的影院视频内容的偏置的调整：
Figure BDA0002292380890000161
Figure BDA0002292380890000162
在时间片bin(t)内，历史视频j的视频内容的偏置的调整：
Figure BDA0002292380890000163
Figure BDA0002292380890000164
点播影院的隐向量的调整：
Figure BDA0002292380890000165
历史视频的隐向量的调整：
Figure BDA0002292380890000166
Figure BDA0002292380890000167
在视频播放时间t，点播影院的整体周期性喜好特征的隐向量的调整：
Figure BDA0002292380890000168
观众群体类型的权重系数矩阵的转置的调整：
Figure BDA0002292380890000169
Figure BDA00022923808900001610
在t时刻，点播影院的第s个时间周期特征的隐向量的影响程度调整：
Figure BDA00022923808900001611
其中，
Figure BDA00022923808900001612
箭头左边为调整后的模型参数，箭头右边为随机梯度下降算法，对于任一参数，m+1代表调整后，m代表调整前。例如，
Figure BDA00022923808900001613
表示调整前的点播影院的偏置，
Figure BDA00022923808900001614
表示对
Figure BDA00022923808900001615
进行调整后，得到的点播影院的偏置。η为预先设置的学习率，λ为正则化系数。
S205，将该点播影院的历史视频的历史观影数据输入该点播影院的调整后的评分模型，并重复上述进行训练和调整模型参数的步骤，直至该点播影院的调整后的评分模型收敛。
当评分模型不收敛时，表明历史视频的预测评分与该历史视频的评分真值之间的误差，还没有达到期望的最小值，当前训练阶段的评分模型未训练完成，需要继续训练，因此，可以执行上述步骤S204至S205。
另外，在具体应用中，可以周期性地收集点播影院的新的历史播放数据，使用新的历史播放数据对预设的评分模型进行更新。具体的，可以获取新的历史播放数据对应的新的历史视频的评分真值，进而利用新的历史播放数据以及新的历史视频的评分真值，按照本发明图2实施例的方法进行训练，得到更新后的预设的评分模型。
相应于上述方法实施例，本发明一实施例还提供了面向点播影院的视频推荐装置。
如图3所示，本发明一实施例提供的面向点播影院的视频推荐装置，该装置可以包括：
内容特征提取模块301，用于分别提取多个待推荐视频的内容特征；所述内容特征为描述所述待推荐视频的视频内容的特征；
评分计算模块302，用于针对每个待推荐视频，将该待推荐视频的内容特征和指定时间的时间信息，输入预先训练完成的与点播影院对应的评分模型，得到该待推荐视频的评分；其中，所述评分模型为利用所述点播影院已播放的历史视频的内容特征，所述历史视频的实际播放时间的时间信息，以及所述历史视频的与所述实际播放时间对应的评分真值训练得到的；所述历史视频的与所述实际播放时间对应的评分真值用于反映观众对于在所述实际播放时间所播放的所述历史视频的喜好程度；
视频推荐模块303，用于基于每个待推荐视频的评分，从所述多个待推荐视频中，确定推荐视频并推荐给所述点播影院，以使得所述点播影院在所述指定时间播放所述推荐视频。
本发明实施例提供的方案中，通过分别提取多个待推荐视频的内容特征，可以针对每个待推荐视频，将该待推荐视频的内容特征和指定时间的时间信息，输入预先训练完成的与点播影院对应的评分模型，得到该待推荐视频的评分。并且，评分模型为利用点播影院已播放的历史视频的内容特征、历史视频的实际播放时间的时间信息，以及历史视频的与实际播放时间对应的评分真值训练得到的；历史视频的与实际播放时间对应的评分真值用于反映观众对于在实际播放时间所播放的历史视频的喜好程度。因此，每个待推荐视频的评分能够反映观众对于在指定时间所播放的该待推荐视频的喜好程度，从而保证基于每个待推荐视频的评分，从多个待推荐视频中确定并推荐给点播影院的推荐视频，为相对而言在指定时间，点播影院的观众喜好的视频。可见，通过本方案，可以确定符合点播影院的观众的喜好的推荐视频。
可选的，所述评分模型为利用第一模型、第二模型和第三模型中的至少一种模型构建的模型，且当所述评分模型为利用至少两种模型构建的模型时，所述评分模型具体为对所述至少两种模型融合得到的模型；
其中，所述第一模型用于从周期性喜好的维度计算视频的评分，所述第二模型用于从热点喜好的维度计算视频的评分，所述第三模型用于从观众类型喜好的维度计算视频的评分；
所述周期性喜好为在不同的观影周期所述点播影院的观众对所述点播影院的视频的喜好；所述热点喜好为在视频播放时间对应的时间段内所述点播影院的热点视频的内容特征；所述观众类型喜好为在视频播放时间对应的时间段内，所述点播影院的不同观众类型的观众对所述点播影院的视频的喜好；所述视频播放时间为作为评分对象的视频的播放时间。
可选的，当所述评分模型为利用所述第一模型、所述第二模型以及所述第三模型构建的模型时，所述评分模型利用如下公式，对所述第一模型、所述第二模型以及所述第三模型进行融合：
Figure BDA0002292380890000181
其中，所述i为所述点播影院的标识，所述
Figure BDA0002292380890000182
为视频k的与视频播放时间t对应的评分，所述bi为针对所述点播影院i设置的偏置，所述bk为针对所述视频k设置的偏置，所述pi为所述点播影院i的影院特征的隐向量，所述
Figure BDA0002292380890000183
为所述视频k的内容特征的隐向量的转置；所述
Figure BDA0002292380890000184
为所述第一模型输出的评分，所述
Figure BDA0002292380890000185
为所述第二模型输出的评分，所述
Figure BDA0002292380890000186
为所述第三模型输出的评分；其中，所述bi、所述bk、所述pi以及所述qk为需要进行训练的参数。
可选的，所述第一模型输出的评分的计算方式，包括：
将视频播放时间和视频的内容特征输入所述第一模型，得到所述第一模型输出的评分；
其中，所述第一模型包括：
Figure BDA0002292380890000191
Figure BDA0002292380890000192
所述
Figure BDA0002292380890000193
为所述第一模型输出的评分，所述i为所述点播影院的标识，所述
Figure BDA0002292380890000194
为视频k的内容特征的隐向量的转置，所述
Figure BDA0002292380890000195
为在视频播放时间t，所述点播影院的视频的内容特征的隐向量，所述
Figure BDA0002292380890000196
为在所述播放时间t对应的第s个预设观影周期，所述点播影院的视频的内容特征的隐向量，所述αi,s为所述
Figure BDA0002292380890000197
的影响程度，所述S为所述预设观影周期的总个数；所述hs(t)为表明所述视频播放时间t是否属于所述第s个预设观影周期的指示性函数；其中，所述
Figure BDA0002292380890000198
和所述αi,s为需要进行训练的参数。
可选的，所述第二模型输出的评分的计算方式，包括：
将视频播放时间和视频的内容特征输入所述第二模型，得到所述第二模型输出的评分；
其中，所述第二模型包括：
Figure BDA0002292380890000199
所述
Figure BDA00022923808900001910
为所述第二模型输出的评分，所述i为所述点播影院的标识，所述bin(t)为所述点播影院的与视频播放时间t对应的时间片的序号，所述时间片为按照所述点播影院的经营时间跨度划分得到时间段；所述
Figure BDA00022923808900001911
为视频k的内容特征的转置，所述θi,bin(t)为第bin(t)个时间片对应的指定的热点视频的内容特征，所述bi,bin(t)为所述点播影院在所述第bin(t)个时间片内对应的视频的内容特征的偏置，所述bk,bin(t)为所述视频k的与所述第bin(t)个时间片对应的的内容特征的偏置；其中，所述bi,bin(t)和所述bk,bin(t)为需要进行训练的参数。
可选的，所述第三模型输出的评分的计算方式，包括：
将视频播放时间和视频的内容特征输入所述第三模型，得到所述第三模型输出的评分；
其中，所述第三模型，包括：
将视频播放时间和视频的内容特征输入所述第三模型，得到所述第三模型输出的评分；
其中，所述第三模型，包括：
Figure BDA0002292380890000201
所述
Figure BDA0002292380890000202
为所述第三模型输出的评分，所述i为所述点播影院的标识，所述γi,bin(t)为在与视频播放时间t对应的第bin(t)个时间片内所述点播影院的观众类型的特征，所述时间片为按照所述点播影院的经营时间跨度划分得到时间段；所述
Figure BDA0002292380890000203
为各观众类型的权重系数矩阵的转置，所述权重系数矩阵中的每个元素，分别对应一种观众类型的权重系数。
可选的，所述历史视频的与所述实际播放时间对应的评分真值的确定方式，包括：
从多个时间片中，确定所述实际播放时间所属的目标时间片；所述时间片为按照所述点播影院的经营时间跨度划分的时间段；
从预先计算的所述历史视频的与每一时间片对应的评分中，确定与所述目标时间片对应的所述历史视频的评分，作为所述历史视频的与所述实际播放时间对应的评分真值；
其中，所述历史视频的与每一时间片对应的评分的计算方式包括：
针对每一时间片，利用该时间片内所述历史视频的历史观影数据，获得该时间片内所述历史视频的观影频次；
针对每一时间片，对该时间片内所述历史视频的所述观影频次进行分箱处理，得到与该时间片对应的所述历史视频的评分。
如图4所示，本发明一实施例提供的面向点播影院的视频推荐装置中，模型训练模块的结构，所述评分模型，由训练模块训练得到，模型训练模块可以包括：
预测评分计算子模块4011，用于将点播影院的历史视频的历史观影数据输入该点播影院的初始的评分模型进行训练，得到该点播影院的历史视频的预测评分；
收敛判断子模块4012，用于根据点播影院的预测评分、相应的评分真值以及预设的损失函数，判断处于当前训练阶段的评分模型是否收敛；如果收敛，将处于当前训练阶段的评分模型确定为所述点播影院的训练完成的评分模型；
参数调整子模块4013，用于在收敛判断子模块4012的判断结果为不收敛时，利用随机梯度下降算法，调整处于当前训练阶段的评分模型的模型参数，得到所述点播影院的调整后的评分模型；将该点播影院的历史视频的历史观影数据输入该点播影院的调整后的评分模型，并触发所述预测评分计算子模块4011和所述收敛判断子模块4012重复上述进行训练和调整模型参数的步骤，直至该点播影院的调整后的评分模型收敛。
相应于上述实施例，本发明实施例还提供了一种电子设备，如图5所示，该电子设备可以包括：
处理器501、通信接口502、存储器503和通信总线504，其中，处理器501，通信接口502，存储器通503过通信总线504完成相互间的通信；
存储器503，用于存放计算机程序；
处理器501，用于执行上述存储器503上所存放的计算机程序时，实现上述实施例中任一应用于投屏端对应的服务器的面向点播影院的视频推荐方法的步骤。
本发明实施例提供的方案中，通过分别提取多个待推荐视频的内容特征，可以针对每个待推荐视频，将该待推荐视频的内容特征和指定时间的时间信息，输入预先训练完成的与点播影院对应的评分模型，得到该待推荐视频的评分。并且，评分模型为利用点播影院已播放的历史视频的内容特征、历史视频的实际播放时间的时间信息，以及历史视频的与实际播放时间对应的评分真值训练得到的；历史视频的与实际播放时间对应的评分真值用于反映观众对于在实际播放时间所播放的历史视频的喜好程度。因此，每个待推荐视频的的评分能够反映观众对于在指定时间所播放的该待推荐视频的喜好程度，从而保证基于每个待推荐视频的的评分，从多个待推荐视频中确定并推荐给点播影院的推荐视频，为相对而言在指定时间，点播影院的观众喜好的视频。可见，通过本方案，可以确定符合点播影院的观众的喜好的推荐视频。
上述存储器可以包括RAM(Random Access Memory，随机存取存储器)，也可以包括NVM(Non-Volatile Memory，非易失性存储器)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离于上述处理器的存储装置。
上述处理器可以是通用处理器，包括CPU(Central Processing Unit，中央处理器)、NP(Network Processor，网络处理器)等；还可以是DSP(Digital SignalProcessor，数字信号处理器)、ASIC(Application Specific Integrated Circuit，专用集成电路)、FPGA(Field-Programmable Gate Array，现场可编程门阵列)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。
本发明一实施例提供的计算机可读存储介质，该计算机可读存储介质内存储有计算机程序，该计算机程序被处理器执行时，实现上述实施例中任一面向点播影院的视频推荐方法的步骤。
本发明实施例提供的方案中，通过分别提取多个待推荐视频的内容特征，可以针对每个待推荐视频，将该待推荐视频的内容特征和指定时间的时间信息，输入预先训练完成的与点播影院对应的评分模型，得到该待推荐视频的评分。并且，评分模型为利用点播影院已播放的历史视频的内容特征、历史视频的实际播放时间的时间信息，以及历史视频的与实际播放时间对应的评分真值训练得到的；历史视频的与实际播放时间对应的评分真值用于反映观众对于在实际播放时间所播放的历史视频的喜好程度。因此，每个待推荐视频的评分能够反映观众对于在指定时间所播放的该待推荐视频的喜好程度，从而保证基于每个待推荐视频的评分，从多个待推荐视频中确定并推荐给点播影院的推荐视频，为相对而言在指定时间，点播影院的观众喜好的视频。可见，通过本方案，可以确定符合点播影院的观众的喜好的推荐视频。
在本发明提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中任一所述的面向点播影院的视频推荐方法。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、DSL(Digital Subscriber Line，数字用户线)或无线(例如：红外线、无线电、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如：DVD(Digital Versatile Disc，数字通用光盘))、或者半导体介质(例如：SSD(Solid StateDisk，固态硬盘))等。
在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置和电子设备实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。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，均包含在本发明的保护范围内。

Claims (16)

1.一种面向点播影院的视频推荐方法，其特征在于，所述方法包括：
分别提取多个待推荐视频的内容特征；所述内容特征为描述所述待推荐视频的视频内容的特征；
针对每个待推荐视频，将该待推荐视频的内容特征和指定时间的时间信息，输入预先训练完成的与点播影院对应的评分模型，得到该待推荐视频的评分；其中，所述评分模型为利用所述点播影院已播放的历史视频的内容特征，所述历史视频的实际播放时间的时间信息，以及所述历史视频的与所述实际播放时间对应的评分真值训练得到的；所述历史视频的与所述实际播放时间对应的评分真值用于反映观众对于在所述实际播放时间所播放的所述历史视频的喜好程度；
基于每个待推荐视频的评分，从所述多个待推荐视频中，确定推荐视频并推荐给所述点播影院，以使得所述点播影院在所述指定时间播放所述推荐视频。
2.根据权利要求1所述的方法，其特征在于，
所述评分模型为利用第一模型、第二模型和第三模型中的至少一种模型构建的模型，且当所述评分模型为利用至少两种模型构建的模型时，所述评分模型具体为对所述至少两种模型融合得到的模型；
其中，所述第一模型用于从周期性喜好的维度计算视频的评分，所述第二模型用于从热点喜好的维度计算视频的评分，所述第三模型用于从观众类型喜好的维度计算视频的评分；
所述周期性喜好为在不同的观影周期所述点播影院的观众对所述点播影院的视频的喜好；所述热点喜好为在视频播放时间对应的时间段内所述点播影院的热点视频的内容特征；所述观众类型喜好为在视频播放时间对应的时间段内，所述点播影院的不同观众类型的观众对所述点播影院的视频的喜好；所述视频播放时间为作为评分对象的视频的播放时间。
3.根据权利要求2所述的方法，其特征在于，当所述评分模型为利用所述第一模型、所述第二模型以及所述第三模型构建的模型时，所述评分模型利用如下公式，对所述第一模型、所述第二模型以及所述第三模型进行融合：
Figure FDA0002292380880000021
其中，所述i为所述点播影院的标识，所述
Figure FDA0002292380880000022
为视频k的与视频播放时间t对应的评分，所述bi为针对所述点播影院i设置的偏置，所述bk为针对所述视频k设置的偏置，所述pi为所述点播影院i的影院特征的隐向量，所述
Figure FDA0002292380880000023
为所述视频k的内容特征的隐向量的转置；所述
Figure FDA0002292380880000024
为所述第一模型输出的评分，所述
Figure FDA0002292380880000025
为所述第二模型输出的评分，所述
Figure FDA0002292380880000026
为所述第三模型输出的评分；其中，所述bi、所述bk、所述pi以及所述qk为需要进行训练的参数。
4.根据权利要求2至3任一项所述的方法，其特征在于，所述第一模型输出的评分的计算方式，包括：
将视频播放时间和视频的内容特征输入所述第一模型，得到所述第一模型输出的评分；
其中，所述第一模型包括：
Figure FDA0002292380880000027
Figure FDA0002292380880000028
所述
Figure FDA0002292380880000029
为所述第一模型输出的评分，所述i为所述点播影院的标识，所述
Figure FDA00022923808800000210
为视频k的内容特征的隐向量的转置，所述
Figure FDA00022923808800000211
为在视频播放时间t，所述点播影院的视频的内容特征的隐向量，所述
Figure FDA00022923808800000212
为在所述播放时间t对应的第s个预设观影周期，所述点播影院的视频的内容特征的隐向量，所述αi,s为所述
Figure FDA00022923808800000213
的影响程度，所述S为所述预设观影周期的总个数；所述hs(t)为表明所述视频播放时间t是否属于所述第s个预设观影周期的指示性函数；其中，所述
Figure FDA00022923808800000214
和所述αi,s为需要进行训练的参数。
5.根据权利要求2至3任一项所述的方法，其特征在于，所述第二模型输出的评分的计算方式，包括：
将视频播放时间和视频的内容特征输入所述第二模型，得到所述第二模型输出的评分；
其中，所述第二模型包括：
Figure FDA0002292380880000031
所述
Figure FDA0002292380880000032
为所述第二模型输出的评分，所述i为所述点播影院的标识，所述bin(t)为所述点播影院的与视频播放时间t对应的时间片的序号，所述时间片为按照所述点播影院的经营时间跨度划分得到时间段；所述
Figure FDA0002292380880000033
为视频k的内容特征的转置，所述θi,bin(t)为第bin(t)个时间片对应的指定的热点视频的内容特征，所述bi,bin(t)为所述点播影院在所述第bin(t)个时间片内对应的视频的内容特征的偏置，所述bk,bin(t)为所述视频k的与所述第bin(t)个时间片对应的的内容特征的偏置；其中，所述bi,bin(t)和所述bk,bin(t)为需要进行训练的参数。
6.根据权利要求2至3任一项所述的方法，其特征在于，所述第三模型输出的评分的计算方式，包括：
将视频播放时间和视频的内容特征输入所述第三模型，得到所述第三模型输出的评分；
其中，所述第三模型，包括：
Figure FDA0002292380880000034
所述
Figure FDA0002292380880000035
为所述第三模型输出的评分，所述i为所述点播影院的标识，所述γi,bin(t)为在与视频播放时间t对应的第bin(t)个时间片内所述点播影院的观众类型的特征，所述时间片为按照所述点播影院的经营时间跨度划分得到时间段；所述
Figure FDA0002292380880000036
为各观众类型的权重系数矩阵的转置，所述权重系数矩阵中的每个元素，分别对应一种观众类型的权重系数。
7.根据权利要求1至3任一项所述的方法，其特征在于，所述历史视频的与所述实际播放时间对应的评分真值的确定方式，包括：
从多个时间片中，确定所述实际播放时间所属的目标时间片；所述时间片为按照所述点播影院的经营时间跨度划分的时间段；
从预先计算的所述历史视频的与每一时间片对应的评分中，确定与所述目标时间片对应的所述历史视频的评分，作为所述历史视频的与所述实际播放时间对应的评分真值；
其中，所述历史视频的与每一时间片对应的评分的计算方式包括：
针对每一时间片，利用该时间片内所述历史视频的历史观影数据，获得该时间片内所述历史视频的观影频次；
针对每一时间片，对该时间片内所述历史视频的所述观影频次进行分箱处理，得到与该时间片对应的所述历史视频的评分。
8.一种面向点播影院的视频推荐装置，其特征在于，所述装置包括：
内容特征提取模块，用于分别提取多个待推荐视频的内容特征；所述内容特征为描述所述待推荐视频的视频内容的特征；
评分计算模块，用于针对每个待推荐视频，将该待推荐视频的内容特征和指定时间的时间信息，输入预先训练完成的与点播影院对应的评分模型，得到该待推荐视频的评分；其中，所述评分模型为利用所述点播影院已播放的历史视频的内容特征，所述历史视频的实际播放时间的时间信息，以及所述历史视频的与所述实际播放时间对应的评分真值训练得到的；所述历史视频的与所述实际播放时间对应的评分真值用于反映观众对于在所述实际播放时间所播放的所述历史视频的喜好程度；
视频推荐模块，用于基于每个待推荐视频的评分，从所述多个待推荐视频中，确定推荐视频并推荐给所述点播影院，以使得所述点播影院在所述指定时间播放所述推荐视频。
9.根据权利要求8所述的装置，其特征在于，
所述评分模型为利用第一模型、第二模型和第三模型中的至少一种模型构建的模型，且当所述评分模型为利用至少两种模型构建的模型时，所述评分模型具体为对所述至少两种模型融合得到的模型；
其中，所述第一模型用于从周期性喜好的维度计算视频的评分，所述第二模型用于从热点喜好的维度计算视频的评分，所述第三模型用于从观众类型喜好的维度计算视频的评分；
所述周期性喜好为在不同的观影周期所述点播影院的观众对所述点播影院的视频的喜好；所述热点喜好为在视频播放时间对应的时间段内所述点播影院的热点视频的内容特征；所述观众类型喜好为在视频播放时间对应的时间段内，所述点播影院的不同观众类型的观众对所述点播影院的视频的喜好；所述视频播放时间为作为评分对象的视频的播放时间。
10.根据权利要求9所述的装置，其特征在于，当所述评分模型为利用所述第一模型、所述第二模型以及所述第三模型构建的模型时，所述评分模型利用如下公式，对所述第一模型、所述第二模型以及所述第三模型进行融合：
Figure FDA0002292380880000051
其中，所述i为所述点播影院的标识，所述
Figure FDA0002292380880000052
为视频k的与视频播放时间t对应的评分，所述bi为针对所述点播影院i设置的偏置，所述bk为针对所述视频k设置的偏置，所述pi为所述点播影院i的影院特征的隐向量，所述
Figure FDA0002292380880000053
为所述视频k的内容特征的隐向量的转置；所述
Figure FDA0002292380880000054
为所述第一模型输出的评分，所述
Figure FDA0002292380880000055
为所述第二模型输出的评分，所述
Figure FDA0002292380880000056
为所述第三模型输出的评分；其中，所述bi、所述bk、所述pi以及所述qk为需要进行训练的参数。
11.根据权利要求9至10任一项所述的装置，其特征在于，所述第一模型输出的评分的计算方式，包括：
将视频播放时间和视频的内容特征输入所述第一模型，得到所述第一模型输出的评分；
其中，所述第一模型包括：
Figure FDA0002292380880000061
Figure FDA0002292380880000062
所述
Figure FDA0002292380880000063
为所述第一模型输出的评分，所述i为所述点播影院的标识，所述
Figure FDA0002292380880000064
为视频k的内容特征的隐向量的转置，所述
Figure FDA0002292380880000065
为在视频播放时间t，所述点播影院的视频的内容特征的隐向量，所述
Figure FDA0002292380880000066
为在所述播放时间t对应的第s个预设观影周期，所述点播影院的视频的内容特征的隐向量，所述αi,s为所述
Figure FDA0002292380880000067
的影响程度，所述S为所述预设观影周期的总个数；所述hs(t)为表明所述视频播放时间t是否属于所述第s个预设观影周期的指示性函数；其中，所述
Figure FDA0002292380880000068
和所述αi,s为需要进行训练的参数。
12.根据权利要求9至10任一项所述的装置，其特征在于，所述第二模型输出的评分的计算方式，包括：
将视频播放时间和视频的内容特征输入所述第二模型，得到所述第二模型输出的评分；
其中，所述第二模型包括：
Figure FDA0002292380880000069
所述
Figure FDA00022923808800000610
为所述第二模型输出的评分，所述i为所述点播影院的标识，所述bin(t)为所述点播影院的与视频播放时间t对应的时间片的序号，所述时间片为按照所述点播影院的经营时间跨度划分得到时间段；所述
Figure FDA00022923808800000611
为视频k的内容特征的转置，所述θi,bin(t)为第bin(t)个时间片对应的指定的热点视频的内容特征，所述bi,bin(t)为所述点播影院在所述第bin(t)个时间片内对应的视频的内容特征的偏置，所述bk,bin(t)为所述视频k的与所述第bin(t)个时间片对应的的内容特征的偏置；其中，所述bi,bin(t)和所述bk,bin(t)为需要进行训练的参数。
13.根据权利要求9至10任一项所述的装置，其特征在于，所述第三模型输出的评分的计算方式，包括：
将视频播放时间和视频的内容特征输入所述第三模型，得到所述第三模型输出的评分；
其中，所述第三模型，包括：
Figure FDA0002292380880000071
所述
Figure FDA0002292380880000072
为所述第三模型输出的评分，所述i为所述点播影院的标识，所述γi,bin(t)为在与视频播放时间t对应的第bin(t)个时间片内所述点播影院的观众类型的特征，所述时间片为按照所述点播影院的经营时间跨度划分得到时间段；所述
Figure FDA0002292380880000073
为各观众类型的权重系数矩阵的转置，所述权重系数矩阵中的每个元素，分别对应一种观众类型的权重系数。
14.根据权利要求8至10任一项所述的装置，其特征在于，所述历史视频的与所述实际播放时间对应的评分真值的确定方式，包括：
从多个时间片中，确定所述实际播放时间所属的目标时间片；所述时间片为按照所述点播影院的经营时间跨度划分的时间段；
从预先计算的所述历史视频的与每一时间片对应的评分中，确定与所述目标时间片对应的所述历史视频的评分，作为所述历史视频的与所述实际播放时间对应的评分真值；
其中，所述历史视频的与每一时间片对应的评分的计算方式包括：
针对每一时间片，利用该时间片内所述历史视频的历史观影数据，获得该时间片内所述历史视频的观影频次；
针对每一时间片，对该时间片内所述历史视频的所述观影频次进行分箱处理，得到与该时间片对应的所述历史视频的评分。
15.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，所述处理器，所述通信接口，所述存储器通过总线完成相互间的通信；所述存储器，用于存放计算机程序；所述处理器，用于执行所述存储器上所存放的程序，实现如权利要求1-7任一项所述的方法步骤。
16.一种计算机可读存储介质，其特征在于，所述存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-7任一项所述的方法步骤。
CN201911185883.7A 2019-11-27 2019-11-27 面向点播影院的视频推荐方法、装置及设备 Active CN110996177B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911185883.7A CN110996177B (zh) 2019-11-27 2019-11-27 面向点播影院的视频推荐方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911185883.7A CN110996177B (zh) 2019-11-27 2019-11-27 面向点播影院的视频推荐方法、装置及设备

Publications (2)

Publication Number Publication Date
CN110996177A true CN110996177A (zh) 2020-04-10
CN110996177B CN110996177B (zh) 2022-04-22

Family

ID=70087524

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911185883.7A Active CN110996177B (zh) 2019-11-27 2019-11-27 面向点播影院的视频推荐方法、装置及设备

Country Status (1)

Country Link
CN (1) CN110996177B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113609387A (zh) * 2021-07-22 2021-11-05 易视腾科技股份有限公司 播放内容推荐方法、装置、电子设备及存储介质

Citations (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1404687A (zh) * 2000-09-20 2003-03-19 皇家菲利浦电子有限公司 具有改变观众选择自动标识的电视节目推荐程序
CN101521796A (zh) * 2008-02-28 2009-09-02 株式会社日立制作所 内容推荐装置及内容推荐方法
CN101551825A (zh) * 2009-05-15 2009-10-07 中国科学技术大学 基于属性描述的个性化影片推荐系统及方法
CN102244812A (zh) * 2010-06-23 2011-11-16 微软公司 视频内容推荐
US20140057659A1 (en) * 2012-06-22 2014-02-27 Google Inc. Inferring user interests
CN103686236A (zh) * 2013-11-19 2014-03-26 乐视致新电子科技（天津）有限公司 推荐视频资源的方法及系统
CN103888852A (zh) * 2014-03-24 2014-06-25 清华大学 用于社交电视的视频推荐方法和装置
CN104156472A (zh) * 2014-08-25 2014-11-19 四达时代通讯网络技术有限公司 一种视频推荐方法及系统
CN104247441A (zh) * 2012-02-21 2014-12-24 欧亚拉股份有限公司 自动推荐内容
CN104378659A (zh) * 2014-10-31 2015-02-25 四川长虹电器股份有限公司 基于智能电视的个性化推荐方法
CN105163147A (zh) * 2015-08-05 2015-12-16 深圳创维－Rgb电子有限公司 信息推送的方法、服务器、电视机、可穿戴设备和系统
CN105338408A (zh) * 2015-12-02 2016-02-17 南京理工大学 基于时间因子的视频推荐方法
CN105898420A (zh) * 2015-01-09 2016-08-24 阿里巴巴集团控股有限公司 一种视频推荐方法、装置以及电子设备
CN106131703A (zh) * 2016-06-28 2016-11-16 青岛海信传媒网络技术有限公司 一种视频推荐的方法和终端
CN107071578A (zh) * 2017-05-24 2017-08-18 中国科学技术大学 Iptv节目推荐方法
CN107608992A (zh) * 2016-07-12 2018-01-19 上海视畅信息科技有限公司 一种基于时间轴的个性化推荐方法
CN107948748A (zh) * 2017-11-30 2018-04-20 奇酷互联网络科技（深圳）有限公司 推荐视频的方法、设备、移动终端及计算机存储介质
CN108230059A (zh) * 2016-12-13 2018-06-29 中国联合网络通信集团有限公司 电影推荐方法及装置
CN109218767A (zh) * 2018-09-03 2019-01-15 中山大学 一种基于时间感知的面向电视盒子点播视频的推荐方法
CN109246450A (zh) * 2018-08-06 2019-01-18 上海大学 一种基于隐式信息评分的影视择优推荐系统及方法
CN109408665A (zh) * 2018-12-29 2019-03-01 咪咕音乐有限公司 一种信息推荐方法及装置、存储介质
CN109426993A (zh) * 2017-08-24 2019-03-05 上海淘票儿信息科技有限公司 一种推荐观看信息的方法及系统
US10231020B2 (en) * 2017-05-16 2019-03-12 The Directv Group, Inc Sports recommender system utilizing content based filtering
US20190132646A1 (en) * 2017-10-26 2019-05-02 International Business Machines Corporation Real-time movie viewer analysis system
CN109889891A (zh) * 2019-03-05 2019-06-14 腾讯科技（深圳）有限公司 获取目标媒体文件的方法、装置及存储介质
CN110019943A (zh) * 2017-09-11 2019-07-16 中国移动通信集团浙江有限公司 视频推荐方法、装置、电子设备和存储介质
CN110191363A (zh) * 2019-05-31 2019-08-30 电子科技大学 一种面向家庭组用户的推荐模型
CN110196946A (zh) * 2019-05-29 2019-09-03 华南理工大学 一种基于深度学习的个性化推荐方法
CN110337012A (zh) * 2019-05-08 2019-10-15 未来电视有限公司 基于互联网电视平台的智能推荐方法和装置

Patent Citations (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1404687A (zh) * 2000-09-20 2003-03-19 皇家菲利浦电子有限公司 具有改变观众选择自动标识的电视节目推荐程序
CN101521796A (zh) * 2008-02-28 2009-09-02 株式会社日立制作所 内容推荐装置及内容推荐方法
CN101551825A (zh) * 2009-05-15 2009-10-07 中国科学技术大学 基于属性描述的个性化影片推荐系统及方法
CN102244812A (zh) * 2010-06-23 2011-11-16 微软公司 视频内容推荐
CN104247441A (zh) * 2012-02-21 2014-12-24 欧亚拉股份有限公司 自动推荐内容
US20140057659A1 (en) * 2012-06-22 2014-02-27 Google Inc. Inferring user interests
CN103686236A (zh) * 2013-11-19 2014-03-26 乐视致新电子科技（天津）有限公司 推荐视频资源的方法及系统
CN103888852A (zh) * 2014-03-24 2014-06-25 清华大学 用于社交电视的视频推荐方法和装置
CN104156472A (zh) * 2014-08-25 2014-11-19 四达时代通讯网络技术有限公司 一种视频推荐方法及系统
CN104378659A (zh) * 2014-10-31 2015-02-25 四川长虹电器股份有限公司 基于智能电视的个性化推荐方法
CN105898420A (zh) * 2015-01-09 2016-08-24 阿里巴巴集团控股有限公司 一种视频推荐方法、装置以及电子设备
CN105163147A (zh) * 2015-08-05 2015-12-16 深圳创维－Rgb电子有限公司 信息推送的方法、服务器、电视机、可穿戴设备和系统
CN105338408A (zh) * 2015-12-02 2016-02-17 南京理工大学 基于时间因子的视频推荐方法
CN106131703A (zh) * 2016-06-28 2016-11-16 青岛海信传媒网络技术有限公司 一种视频推荐的方法和终端
CN107608992A (zh) * 2016-07-12 2018-01-19 上海视畅信息科技有限公司 一种基于时间轴的个性化推荐方法
CN108230059A (zh) * 2016-12-13 2018-06-29 中国联合网络通信集团有限公司 电影推荐方法及装置
US10231020B2 (en) * 2017-05-16 2019-03-12 The Directv Group, Inc Sports recommender system utilizing content based filtering
CN107071578A (zh) * 2017-05-24 2017-08-18 中国科学技术大学 Iptv节目推荐方法
CN109426993A (zh) * 2017-08-24 2019-03-05 上海淘票儿信息科技有限公司 一种推荐观看信息的方法及系统
CN110019943A (zh) * 2017-09-11 2019-07-16 中国移动通信集团浙江有限公司 视频推荐方法、装置、电子设备和存储介质
US20190132646A1 (en) * 2017-10-26 2019-05-02 International Business Machines Corporation Real-time movie viewer analysis system
CN107948748A (zh) * 2017-11-30 2018-04-20 奇酷互联网络科技（深圳）有限公司 推荐视频的方法、设备、移动终端及计算机存储介质
CN109246450A (zh) * 2018-08-06 2019-01-18 上海大学 一种基于隐式信息评分的影视择优推荐系统及方法
CN109218767A (zh) * 2018-09-03 2019-01-15 中山大学 一种基于时间感知的面向电视盒子点播视频的推荐方法
CN109408665A (zh) * 2018-12-29 2019-03-01 咪咕音乐有限公司 一种信息推荐方法及装置、存储介质
CN109889891A (zh) * 2019-03-05 2019-06-14 腾讯科技（深圳）有限公司 获取目标媒体文件的方法、装置及存储介质
CN110337012A (zh) * 2019-05-08 2019-10-15 未来电视有限公司 基于互联网电视平台的智能推荐方法和装置
CN110196946A (zh) * 2019-05-29 2019-09-03 华南理工大学 一种基于深度学习的个性化推荐方法
CN110191363A (zh) * 2019-05-31 2019-08-30 电子科技大学 一种面向家庭组用户的推荐模型

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陈宸: "基于用户行为的产品相似性推荐模型及用户、产品标签化推荐模型", 《科技传播》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113609387A (zh) * 2021-07-22 2021-11-05 易视腾科技股份有限公司 播放内容推荐方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN110996177B (zh) 2022-04-22

Similar Documents

Publication Publication Date Title
US10341701B2 (en) Clustering and adjudication to determine a recommendation of multimedia content
US11960509B2 (en) Feedback loop content recommendation
US20220318324A1 (en) Content Recommendation System With Weighted Metadata Annotations
US11601703B2 (en) Video recommendation based on video co-occurrence statistics
KR102254579B1 (ko) 개별화된 미디어 콘텐츠를 스트리밍하기 위한 시스템 및 방법
US10191949B2 (en) Recommendation system using a transformed similarity matrix
US9684656B2 (en) Creating personalized and continuous playlists for a content sharing platform based on user history
US11100157B2 (en) Determining recommended media programming from sparse consumption data
JP2018185841A (ja) メディアアセットに関するコンテクスト上関係する情報を表示するための方法およびシステム
US20150020106A1 (en) Personalized video content from media sources
CN106776528B (zh) 一种信息处理方法及装置
US20140259038A1 (en) Demographic prediction channel
WO2012173670A1 (en) Systems and methods for providing media recommendations
US20170208353A1 (en) Content selection for networked media devices
CN106471498A (zh) 用于使用元数据和使用数据分析的过滤技术的系统和方法
US20230283685A1 (en) Systems and methods for adjusting storage based on determining content item popularity
CN107209785B (zh) 数据库系统中的相关性表聚合
CN111209470B (zh) 个性化内容推荐方法、装置及存储介质
CN110996177B (zh) 面向点播影院的视频推荐方法、装置及设备
US20140074858A1 (en) Percent-consumed weighted content recommendation
TW202335511A (zh) 用於推薦串流資料的系統、方法及電腦可讀取媒體
CN115244941A (zh) 用于改进视频组包的用户界面
Pattanayak et al. Review of recommender system for OTT platform through artificial intelligence
TWI712315B (zh) 影音推荐方法及系統
US20230410508A1 (en) Systems, methods, and apparatuses for selecting/generating visual representations of media content

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