CN111010592A - 一种视频推荐方法、装置、电子设备及存储介质 - Google Patents

一种视频推荐方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN111010592A
CN111010592A CN201911319378.7A CN201911319378A CN111010592A CN 111010592 A CN111010592 A CN 111010592A CN 201911319378 A CN201911319378 A CN 201911319378A CN 111010592 A CN111010592 A CN 111010592A
Authority
CN
China
Prior art keywords
video
subset
videos
target
user
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
CN201911319378.7A
Other languages
English (en)
Other versions
CN111010592B (zh
Inventor
熊超
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.)
Shanghai Zhongyuan Network Co ltd
Original Assignee
Shanghai Zhongyuan Network 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 Shanghai Zhongyuan Network Co ltd filed Critical Shanghai Zhongyuan Network Co ltd
Priority to CN201911319378.7A priority Critical patent/CN111010592B/zh
Publication of CN111010592A publication Critical patent/CN111010592A/zh
Application granted granted Critical
Publication of CN111010592B publication Critical patent/CN111010592B/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
    • H04N21/23—Processing of content or additional data; Elementary server operations; Server middleware
    • H04N21/234—Processing of video elementary streams, e.g. splicing of video streams or manipulating encoded video stream scene graphs
    • H04N21/23418—Processing of video elementary streams, e.g. splicing of video streams or manipulating encoded video stream scene graphs involving operations for analysing video streams, e.g. detecting features or characteristics
    • 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
    • H04N21/23—Processing of content or additional data; Elementary server operations; Server middleware
    • H04N21/239—Interfacing the upstream path of the transmission network, e.g. prioritizing client content requests
    • H04N21/2393—Interfacing the upstream path of the transmission network, e.g. prioritizing client content requests involving handling client requests
    • 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]
    • H04N21/20—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
    • H04N21/266—Channel or content management, e.g. generation and management of keys and entitlement messages in a conditional access system, merging a VOD unicast channel into a multicast channel

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Computer Graphics (AREA)
  • Computing Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请提供了一种视频推荐方法、装置、电子设备及存储介质，属于视频处理领域。所述方法包括：在接收到目标用户的视频推荐请求时，获取待推荐的视频的候选集；将所述候选集划分为多个视频子集，其中，所述视频子集至少包含一个视频；通过行列式点过程对所述目标用户的用户特征和所述视频子集包含的各视频的视频特征进行计算，得到各个所述视频子集的推荐概率；确定具有最大推荐概率的目标视频子集；将所述目标视频子集包含的视频作为目标视频推荐给所述目标用户。采用本申请提供的技术方案，能够提高为用户推荐的视频的多样性。

Description

一种视频推荐方法、装置、电子设备及存储介质
技术领域
本申请涉及视频处理领域，尤其涉及一种视频推荐方法、装置、电子设备及存储介质。
背景技术
视频网站的服务器可以为用户提供视频推荐功能，视频推荐的过程为：在接收到用户终端发送的视频推荐请求后，服务器可以对视频库中的视频进行初步筛选，生成包含多个视频的候选集。然后，服务器可以对候选集中的视频进行再次筛选，挑选出预设数目个视频作为待推荐给目标用户的目标视频，之后，服务器可以将目标视频发送至用户终端。
相关技术中，服务器可以通过MMR(Maximal Marginal Relevance，最大边界相关法)方式对候选集中的视频进行再次筛选，具体处理过程为：服务器可以获取候选集中各视频的视频特征，根据各视频的视频特征、视频推荐的目标用户的用户画像，确定视频特征最符合目标用户的用户画像的第一视频。然后，服务器可以基于候选集中各视频的视频特征和预设的MMR值计算公式，计算候选集中每个剩余视频的MMR值。之后，服务器可以根据每个剩余视频的MMR值，确定具有最大MMR值的第二视频，重复基于候选集中各视频的视频特征和预设的MMR值计算公式，计算候选集中每个剩余视频的MMR值步骤，直至从候选集中挑选出的第一视频和第二视频的个数达到预设数目，将第一视频和第二视频作为待推荐给目标用户的目标视频。
然而，采用MMR方式挑选出的第二视频，为候选集的剩余视频中与第一视频相似程度最高的视频，由此，导致各目标视频之间的相似程度高，视频推荐的多样性差。
发明内容
为了解决上述视频推荐的多样性差的技术问题，本申请提供了一种视频推荐方法、装置、电子设备及存储介质。
第一方面，本申请提供了一种视频推荐方法，所述方法包括：
在接收到目标用户的视频推荐请求时，获取待推荐的视频的候选集；
将所述候选集划分为多个视频子集，其中，所述视频子集至少包含一个视频；
通过行列式点过程对所述目标用户的用户特征和所述视频子集包含的各视频的视频特征进行计算，得到各个所述视频子集的推荐概率；
确定具有最大推荐概率的目标视频子集；
将所述目标视频子集包含的视频作为目标视频推荐给所述目标用户。
可选的，所述方法还包括：
如果所述目标视频的数目未达到预设数目，针对所述候选集的剩余视频中的每个视频，生成包含该视频和所述目标视频的视频子集，执行所述通过行列式点过程对所述目标用户的用户特征和所述视频子集包含的各视频的视频特征进行计算，得到所述视频子集的推荐概率步骤。
可选的，所述通过行列式点过程对所述目标用户的用户特征和所述视频子集包含的各视频的视频特征进行计算，得到各个所述视频子集的推荐概率，包括：
针对每个视频子集，获取该视频子集包含的各视频的视频特征；
基于所述各视频的视频特征和所述目标用户的用户特征，计算所述各视频与所述目标用户之间的相关系数、所述各视频之间的相似系数，所述相关系数用于表示视频与所述目标用户之间的相关程度，所述相似系数用于表示所述各视频之间的相似程度；
根据所述相似系数、所述相关系数，构建各个所述视频子集的核矩阵；
分别将计算得到的核矩阵的行列式值，作为各个所述视频子集分别对应的推荐概率。
可选的，所述视频子集Y的核矩阵为LY＝Diag(ru)·S·Diag(ru)，具有最大推荐概率的目标视频子集为Ymap＝arg max{det(LY)}，其中，所述S表示所述视频子集中各视频之间的相似程度，所述ru为表示所述各视频与所述目标用户之间的相关程度的相关矩阵，所述det(LY)为所述视频子集Y的核矩阵的行列式，表示所述视频子集Y的推荐概率。
第二方面，本申请提供了一种视频推荐装置，所述装置包括：
接收模块，用于在接收到目标用户的视频推荐请求时，获取待推荐的视频的候选集；
划分模块，用于将所述候选集划分为多个视频子集，其中，所述视频子集至少包含一个视频；
计算模块，用于通过行列式点过程对所述目标用户的用户特征和所述视频子集包含的各视频的视频特征进行计算，得到各个所述视频子集的推荐概率；
第一确定模块，用于确定具有最大推荐概率的目标视频子集；
第二确定模块，用于将所述目标视频子集包含的视频作为目标视频推荐给所述目标用户。
可选的，所述划分模块，还用于当所述目标视频的数目未达到预设数目时，针对所述候选集的剩余视频中的每个视频，生成包含该视频和所述目标视频的视频子集，并触发所述计算模块执行所述通过行列式点过程对所述目标用户的用户特征和所述视频子集包含的各视频的视频特征进行计算，得到所述视频子集的推荐概率步骤。
可选的，所述计算模块包括：
获取子模块，用于针对每个视频子集，获取该视频子集包含的各视频的视频特征；
第一计算子模块，用于基于所述各视频的视频特征和所述目标用户的用户特征，计算所述各视频与所述目标用户之间的相关系数、所述各视频之间的相似系数，所述相关系数用于表示视频与所述目标用户之间的相关程度，所述相似系数用于表示所述各视频之间的相似程度；
构建子模块，用于根据所述相似系数、所述相关系数，构建各个所述视频子集的核矩阵；
第二计算子模块，用于分别将计算得到的核矩阵的行列式值，作为各个所述视频子集分别对应的推荐概率。
可选的，所述视频子集Y的核矩阵为LY＝Diag(ru)·S·Diag(ru)，具有最大推荐概率的目标视频子集为Ymap＝arg max{det(LY)}，其中，所述S表示所述视频子集中各视频之间的相似程度，所述ru为表示所述各视频与所述目标用户之间的相关程度的相关矩阵，所述det(LY)为所述视频子集Y的核矩阵的行列式，表示所述视频子集Y的推荐概率。
第三方面，本申请提供了一种电子设备，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，存储器通过通信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时，实现任一第一方面所述的方法步骤。
第四方面，本申请提供了一种计算机可读存储介质，所述计算机可读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任一第一方面所述的方法步骤。
第五方面，本申请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任一所述的视频推荐方法。
本申请实施例提供的上述技术方案与现有技术相比具有如下优点：
本申请实施例提供的该方法，可以在接收到目标用户的视频推荐请求时，获取待推荐的视频的候选集；将候选集划分为多个至少包含一个视频的视频子集；通过行列式点过程对目标用户的用户特征和视频子集包含的各视频的视频特征进行计算，得到各个视频子集的推荐概率；确定具有最大推荐概率的目标视频子集；将目标视频子集包含的视频作为目标视频推荐给目标用户。由于通过行列式点过程对目标用户的用户特征和视频子集包含的各视频的视频特征进行计算，将得到的计算结果作为视频子集的推荐概率，能够计算视频子集中的每个视频与目标用户之间的相关程度、每个视频与候选集内各视频之间的相似程度；进一步的，将推荐概率最大的目标视频子集包含的视频作为目标视频，能够兼顾目标视频与目标用户之间的相关程度、目标视频之间的相似程度，从而可以提高视频推荐的多样性。
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，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
图1为本申请实施例提供的一种视频推荐方法的流程图；
图2为本申请实施例提供的另一种视频推荐方法的流程图；
图3为本申请实施例提供的另一种视频推荐方法的流程图；
图4为本申请实施例提供的一种视频推荐装置的结构示意图；
图5为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。
本申请实施例提供了一种视频推荐方法，该方法应用于视频网站或视频应用程序的服务器，服务器可以为浏览视频网站的用户，或者，使用视频应用程序的用户提供视频推荐功能。
如图1所示，为本申请实施例提供的视频推荐方法的流程图，该方法的具体处理过程包括：
步骤101，在接收到目标用户的视频推荐请求时，获取待推荐的视频的候选集。
在实施中，在目标用户打开视频网站时，或者，在目标用户打开视频应用程序时，目标用户所使用的用户终端可以向服务器发送视频推荐请求。服务器可以在接收到目标用户的视频推荐请求后，获取待推荐的视频的候选集。
本申请实施例中，服务器可以通过多种方式获取待推荐的视频的候选集，在一种可行的实现方式中，服务器本地可以存储有待推荐的视频的候选集，服务器可以在接收到目标用户的视频推荐请求后，获取本地存储的待推荐的视频的候选集。
在另一种可行的实现方式中，视频推荐请求可以携带有目标用户的用户标识，服务器可以通过预先设置的排序模型和目标用户的用户标识，获取待推荐的视频的候选集。其中，排序模型可以是具有排序功能的深度学习模型，深度学习模型例如Deep&Wide(DeepNeural Network&Wide Linear Model，深度神经网络&广义线性模型)、LR(LogisticRegression，逻辑回归)、GBDT(Gradient Boosting Decision Tree，梯度提升迭代决策树)。
服务器通过排序模型和目标用户的用户标识，获取待推荐的视频的候选集的处理过程包括：服务器可以根据目标用户的用户标识，在本地存储的各用户的用户特征中查找目标用户的用户特征，其中，用户特征例如用户的性别、用户喜欢观看的视频的视频分类和用户经常观看的视频的视频长度等。
服务器可以针对视频数据库中的每个视频，将目标用户的用户特征和该视频的视频特征输入至排序模型中，通过排序模型计算该视频与目标用户之间的相关系数，由此，服务器可以得到视频数据库中各视频与目标用户之间的相关系数。然后，服务器可以通过排序模型比较各视频与目标用户之间的相关系数，对视频数据库中的各视频进行排序，得到各视频的视频序列。本申请实施例中，每个视频与目标用户之间的相关系数用于衡量该视频与目标用户的相关程度，相关系数也可以称为相关性得分。服务器通过排序模型、目标用户的用户特征、各视频的视频特征，对视频数据库中的各视频进行排序的具体处理过程为现有技术，此处不再赘述。
之后，服务器可以按照预设的筛选规则，从各视频的视频序列中挑选多个视频，生成候选集。筛选规则可以是属于同一视频分类的视频的数目小于第一数目阈值、筛选规则也可以是属于同一视频上传者的视频的数目小于第二数目阈值。
本申请实施例中，为了加快候选集的生成速度，服务器可以按照视频序列中视频的排列顺序确定待筛选视频，判断待筛选视频是否满足筛选规则。如果待筛选视频满足筛选规则，则服务器可以将待筛选视频作为候选集中的视频；如果待筛选视频不满足筛选规则，则服务器可以不作后续处理。服务器可以重复执行上述步骤，直至候选集中视频的数目达到第三数目阈值。
例如，视频数据库中存储有1000个视频，候选集中视频的数目的第三数目阈值为40。针对每个视频，服务器可以将该视频的视频特征和目标用户的用户特征输入排序模型，通过排序模型计算该视频与目标用户之间的相关系数，由此，服务器可以得到1000个视频与目标用户之间的相关系数。然后，服务器可以通过排序模型比较各视频与目标用户之间的相关系数，对1000个视频进行排序，得到1000个视频的视频序列V1-V2-……V1000。
服务器可以按照视频序列中视频的排列顺序，确定待筛选视频V1，判定待筛选视频V1满足筛选规则，然后，服务器可以将待筛选视频V1作为候选集中的视频，并判定候选集中视频的数目为1，未达到第三数目阈值40。类似的，服务器可以判定待筛选视频V2—V40均满足筛选规则，将视频V2-V40作为候选集中的视频。此时，候选集中视频的数目达到第三数目阈值40，服务器可以确定候选集包含视频V1-V40，得到候选集{V1、V2、……、V39、V40}。
步骤102，将候选集划分为多个视频子集。
其中，视频子集至少包含一个视频。
在实施中，服务器可以通过多种方式将候选集划分为多个视频子集。在一种可行的实现方式中，服务器可以按照为用户推荐的目标视频的数目，划分候选集。为了便于描述，将为用户推荐的目标视频的数目称为预设数目，即，服务器可以从候选集中随机选择预设数目个视频，将选择出的预设数目个视频作为集合元素，生成一个视频子集。由此，通过多次从候选集中随机选择预设数目个视频，服务器可以将候选集划分为多个视频子集。
例如，候选集{V1、V2、……、V39、V40}包含40个视频，为用户推荐的目标视频的数目为10个，服务器可以从候选集中随机抽取10个视频V1、V2、V3、V4、V5、V6、V7、V8、V9、V10，生成视频子集{V1、V2、V3、V4、V5、V6、V7、V8、V9、V10}。类似的，服务器可以从候选集中随机抽取10个视频V11、V22、V13、V14、V5、V16、V17、V18、V19、V20，生成视频子集{V11、V22、V13、V14、V5、V16、V17、V18、V19、V20}。以此类推，服务器可以将候选集划分为多个视频子集。
在另一种可行的实现方式中，服务器可以对候选集进行多轮次的划分，根据上一轮次的视频子集划分结果，确定当前轮次的视频子集划分结果，从而将候选集划分为多个视频子集。后续会对通过多轮次迭代视频子集确定目标视频的具体处理过程进行详细说明。
本申请实施例中，如果预设数目太小，即，为目标用户推荐的目标视频太少，可能出现目标视频不包含目标用户想要观看的视频的情况，导致推荐效果差；如果预设数目太大，为目标用户推荐的目标视频太多，会给目标用户带来无从选择的用户体验，从而降低推荐效果。
因此，预设数目可以是基于多数用户观看视频时的行为数据确定出的、多数用户能够接受的数目，其中，行为数据可以是设置单页显示视频的数目，每次搜索视频时浏览的视频搜索结果的数目。服务器中可以预先存储有预设数目，服务器也可以根据接收到的数目更改指令，更改预设数目。
步骤103，通过行列式点过程对目标用户的用户特征和视频子集包含的各视频的视频特征进行计算，得到各个视频子集的推荐概率。
在实施中，服务器可以通过行列式点过程计算每个视频子集的推荐概率，即，针对每个视频子集，基于该视频子集包含的各视频的视频特征和目标用户的用户特征构建核矩阵，将核矩阵的行列式值作为该视频子集的推荐概率。由此，服务器可以确定多个视频子集的推荐概率。
服务器通过行列式点过程对目标用户的用户特征和视频子集包含的各视频的视频特征进行计算，得到视频子集的推荐概率的具体处理过程，后续会进行详细说明。
步骤104，确定具有最大推荐概率的目标视频子集。
在实施中，服务器可以比较各视频子集的推荐概率，确定最大推荐概率，然后，服务器可以将具有最大推荐概率的视频子集作为目标视频子集。
步骤105，将目标视频子集包含的视频作为目标视频推荐给目标用户。
在实施中，服务器可以将目标视频子集包含的视频作为待为目标用户推荐的目标视频，然后，服务器可以根据目标视频，确定向用户终端发送的响应消息。例如，服务器可以生成包含目标视频的视频标识的响应消息，向用户终端发送响应消息；或者，服务器可以生成包含目标视频的视频数据的响应消息，向用户终端发送响应消息。
可选的，服务器还可以确定目标视频的展示顺序，向用户终端发送该展示顺序，以便用户终端根据该展示顺序展示目标视频。
本申请实施例中，由行列式性质可知：对于某一行列式来说，该行列式的行列式值越大，与该行列式对应的视频子集所包含的多个视频的相关性和多样性越好，因此，服务器可以将具有最大推荐概率的目标视频子集包含的视频，作为目标视频推荐给目标用户。
由于视频子集的核矩阵与该视频子集包含的各视频与目标用户之间的相关系数、各视频之间的相似系数有关，核矩阵的行列式值越大时，视频子集中各视频与目标用户之间的相关程度、各视频的多样性越好，因此，将具有最大推荐概率的目标视频子集包含的视频作为目标视频推荐给目标用户，能够兼顾目标视频与目标用户之间的相关程度、各目标视频之间相关程度和相似程度，从而可以提高视频推荐的多样性。
本申请实施例中，服务器可以在接收到视频推荐请求时，获取待推荐的视频的候选集；将候选集划分为多个至少包含一个视频的视频子集；通过行列式点过程计算各个视频子集的推荐概率；确定具有最大推荐概率的目标视频子集；将目标视频子集包含的视频作为目标视频推荐给目标用户。由于通过行列式点过程对目标用户的用户特征和视频子集包含的各视频的视频特征进行计算，得到视频子集的推荐概率，能够计算视频子集中的每个视频与目标用户之间的相关程度、每个视频与候选集内各视频之间的相似程度，进一步的，将推荐概率最大的目标视频子集包含的视频作为目标视频，能够兼顾目标视频与目标用户的相关程度、目标视频之间的相似程度，从而可以提高视频推荐的多样性。
可选的，本申请实施例提供了一种通过多轮次迭代视频子集，确定目标视频的实现方式，如图2所示，具体处理过程包括：
步骤201，当接收到目标用户的视频推荐请求时，获取待推荐的视频的候选集。
在实施中，此步骤的具体处理过程可以参照步骤101，此处不再赘述。
步骤202，将候选集划分为多个视频子集。
在实施中，服务器可以将候选集划分为多个包含相同或者不同数目视频的视频子集，各视频子集包含的视频数目可以是一个，也可以是多个，本申请实施例以服务器将候选集划分为包含一个视频的多个视频子集为例进行说明。服务器候选集划分为包含多个视频的多个视频子集的具体处理过程与之类似，此处不再赘述。
服务器可以针对候选集包含的每个视频，生成仅包含该视频的视频子集，得到多个包含一个视频的视频子集。
例如，服务器可以针对候选集{V1、V2、……、V39、V40}中的视频V1，生成视频子集{V1}，类似的，服务器可以生成视频子集{V2}、……{V39}和{V40}。
步骤203，通过行列式点过程对目标用户的用户特征和视频子集包含的各视频的视频特征进行计算，得到视频子集的推荐概率。
在实施中，此步骤的具体处理过程可以参照步骤103，此处不再赘述。
步骤204，确定具有最大推荐概率的目标视频子集。
在实施中，此步骤的具体处理过程可以参照步骤104，此处不再赘述。
步骤205，将目标视频子集包含的视频作为目标视频。
在实施中，此步骤的具体处理过程可以参照步骤105，此处不再赘述。
步骤206，判断目标视频的数目是否达到预设数目。
其中，预设数目可以是服务器中预先设置的待为目标用户推荐的目标视频的个数，预设数目例如10。
在实施中，服务器可以判断确定出的目标视频的数目是否达到预设数目，如果目标视频的数目未达到预设数目，服务器可以执行步骤207；如果目标视频的数目达到预设数目，服务器可以执行步骤208。
例如，服务器通过行列式点过程计算各视频子集的推荐概率后，确定视频子集{V1}为具有最大推荐概率的目标视频子集，服务器可以将目标视频子集{V1}包含的视频V1作为目标视频。然后，服务器可以判定目标视频的个数1小于预设数目10，之后，服务器可以执行步骤207。
步骤207，针对候选集的剩余视频中的每个视频，生成包含该视频和目标视频的视频子集。
在实施中，在确定目标视频之后，候选集中除目标视频外的视频即为剩余视频，服务器可以针对候选集的剩余视频中的每个视频，生成包含该视频和目标视频的视频子集。然后，服务器可以计算每个视频子集的推荐概率，即，服务器可以执行步骤203。
例如，在确定视频V1为目标视频之后，候选集中的视频V2、V3……V39和V40即为剩余视频，服务器可以针对视频V2，生成包含目标视频V1和视频V2的视频子集{V1、V2}，类似的，服务器可以生成视频子集{V1、V3}、{V1、V4}……{V1、V40}。
然后，服务器可以通过行列式点过程计算确定出的视频子集{V1、V2}、{V1、V3}、{V1、V4}……{V1、V40}的推荐概率，确定视频子集{V1、V3}为具有最大推荐概率的目标视频子集，之后，服务器可以将视频V1和V3作为目标视频。
步骤208，根据预设数目个目标视频，确定向用户终端发送的响应消息。
在实施中，服务器可以根据预设数目个目标视频，确定向用户终端发送的响应消息，例如，服务器可以生成包含预设数目个目标视频的视频标识的响应消息，向用户终端发送响应消息；或者，服务器可以生成包含预设数目个目标视频的视频数据的响应消息，向用户终端发送响应消息。
可选的，服务器还可以确定预设数目个目标视频的展示顺序，向用户终端发送该展示顺序，以便用户终端根据该展示顺序展示预设数目个目标视频。
本申请实施例中，服务器可以在接收到目标用户的视频推荐请求后，获取待推荐的视频的候选集，将候选集划分为多个包含一个视频的视频子集。然后，服务器可以通过行列式点过程计算每个视频子集的推荐概率，确定具有最大推荐概率的目标视频子集，将目标视频子集包含的视频作为目标视频，再判断目标视频的数目是否达到预设数目。如果目标视频的数目未达到预设数目，服务器可以进行下一轮次的视频子集划分，即，针对候选集的剩余视频中的每个视频，生成包含该视频和目标视频的视频子集。之后，服务器可以执行通过行列式点过程计算视频子集的推荐概率步骤，直至目标视频的数目达到预设数目，结束多轮次循环。
由于在目标视频的数目未达到预设数目时，将已经确定出的目标视频作为已知项，从候选集的剩余视频中挑选一个视频作为未知项，生成多个视频子集，并迭代计算各视频子集的推荐概率、将具有最大推荐概率的目标视频子集包含的视频作为目标视频的处理过程，因此，能够降低通过行列式点过程计算推荐概率的复杂程度，简化计算过程。进一步的，能够避免直接从候选集中选取预设数目个视频作为未知项生成视频子集，再计算生成的视频子集的NP(Non-deterministic Polynomial，非确定性多项式)难问题。
可选的，本申请实施例提供了一种通过行列式点过程计算各个视频子集的推荐概率的实现方式，如图3所示，包括以下步骤：
步骤301，针对每个视频子集，获取该视频子集包含的各视频的视频特征。
其中，视频特征包括：视频内容标签、视频分类、视频上传者的用户标识中的一种或多种。
在实施中，服务器中可以预先存储有各视频的视频特征，服务器可以针对每个视频子集，获取该视频子集包含的视频的视频标识。然后，服务器可以根据获取到的视频标识，在预先存储的各视频的视频特征中查找该视频的视频特征，由此，服务器可以得到该视频子集包含的各视频的视频特征。
例如，视频子集{V1、V2}包含视频V1和视频V2，视频V1为冰雪奇缘生日派对，服务器获取视频V1的视频特征可以得到：视频内容标签为冰雪奇缘、视频分类为儿童、视频上传者的用户标识为Elsa。视频V2为冰雪奇缘生日惊喜，服务器获取视频V2的视频特征可以得到：视频内容标签为冰雪奇缘、视频分类为儿童、视频上传者的用户标识为Anna。
步骤302，基于各视频的视频特征和目标用户的用户特征，计算各视频与目标用户之间的相关系数、各视频之间的相似系数。
其中，相关系数用于表示视频与目标用户之间的相关程度，相似系数用于表示各视频之间的相似程度。
在实施中，服务器可以通过预设的相似度算法和各视频的视频特征，计算各视频之间的相似系数。相似度算法例如Jaccard(杰卡德)距离计算方式、余弦相似度算法、内积方式。服务器通过相似度算法和各视频的视频特征，计算各视频之间的相似系数的具体处理过程为现有技术，此处不再赘述。
例如，A表示视频V1的视频特征的集合，B表示视频V2的视频特征的集合，服务器可以通过Jaccard距离计算方式
Figure BDA0002326723230000131
计算视频V1和视频V2之间的相似系数。
服务器可以在计算视频子集的推荐概率时，针对视频子集中的每个视频，将目标用户的用户特征和该视频的视频特征输入至排序模型中，通过排序模型计算表示该视频与目标用户之间的相关程度的相关系数，由此，得到视频子集包含的各视频与目标用户之间的相关系数。或者，服务器可以在获取候选集的过程中，在通过排序模型计算得到每个视频与目标用户的相关系数后，在本地对应存储该视频和该视频与目标用户之间的相关系数，得到视频与相关系数的对应关系。然后，服务器可以在计算视频子集的推荐概率时，直接根据该视频与相关系数的对应关系，确定视频子集包含的各视频与目标用户之间的相关系数。
步骤303，根据相似系数、相关系数，构建各个视频子集的核矩阵。
本申请实施例提供了一种视频子集的核矩阵LY的表达式：
LY＝Diag(ru)·S·Diag(ru) (1)
其中，S表示视频子集中各视频之间的相似程度，S可以为矩阵；ru为表示视频子集中各视频与目标用户之间的相关程度的相关矩阵，相关矩阵ru为对角矩阵，对角矩阵中对角线上的非0元素即为视频子集中各视频与目标用户之间的相关系数。
例如，视频子集Y包含视频i和视频j时，S可以表示为Sij、Sij可以表示视频i与视频j之间的相似程度，ru表示视频i和视频j的相关矩阵，相关矩阵ru为对角矩阵，对角矩阵中对角线上的非0元素即为视频i与目标用户之间的相关系数，和视频j与目标用户之间的相关系数。
步骤304，分别将计算得到的核矩阵的行列式值，作为各个视频子集分别对应的推荐概率。
在实施中，服务器可以分别对每个视频子集的核矩阵的行列式进行Cholesky分解(平方根法)，得到分解后的分解式，然后，服务器可以基于分解后的分解式计算行列式值，将计算得到的核矩阵的行列式值，作为该视频子集的推荐概率。由此，服务器可以确定各个视频子集的推荐概率。
例如，Y＝{V1、V2}，视频子集Y的核矩阵LY可以记为
Figure BDA0002326723230000141
核矩阵LY的行列式值det(LY)可以表示为：det(LY)＝LV1V1LV2V2-LV1V2LV2V1，可见，通过行列式点矩阵计算视频子集的推荐概率，即求解最优化问题。服务器确定出的与最大推荐概率对应的目标视频子集可以表示为Ymap＝arg max{det(LY)}。
本申请实施例中，服务器可以针对每个视频子集，获取该视频子集包含的各视频的视频特征，然后，基于各视频的视频特征，计算各视频与目标用户之间的相关系数、各视频之间的相似系数。之后，服务器可以根据相似系数、相关系数，构建各个视频子集的核矩阵，分别将计算得到的核矩阵的行列式值，作为各个视频子集分别对应的推荐概率。
由于视频子集的核矩阵与该视频子集包含的各视频与目标用户之间的相关系数、各视频之间的相似系数有关，因此，计算核矩阵的行列式值，并将行列式值作为该视频子集所包含视频的推荐概率，能够兼顾视频子集中各视频与目标用户之间的相关程度、各视频之间的相似程度，从而可以提高视频推荐的多样性。
本申请实施例还提供了一种视频推荐装置，如图4所示，所述装置包括：
接收模块410，用于在接收到目标用户的视频推荐请求时，获取待推荐的视频的候选集；
划分模块420，用于将所述候选集划分为多个视频子集，其中，所述视频子集至少包含一个视频；
计算模块430，用于通过行列式点过程对所述目标用户的用户特征和所述视频子集包含的各视频的视频特征进行计算，得到各个所述视频子集的推荐概率；
第一确定模块440，用于确定具有最大推荐概率的目标视频子集；
第二确定模块450，用于将所述目标视频子集包含的视频作为目标视频推荐给所述目标用户。
可选的，所述划分模块，还用于当所述目标视频的数目未达到预设数目时，针对所述候选集的剩余视频中的每个视频，生成包含该视频和所述目标视频的视频子集，并触发所述计算模块执行所述通过行列式点过程对所述目标用户的用户特征和所述视频子集包含的各视频的视频特征进行计算，得到所述视频子集的推荐概率步骤。
可选的，所述计算模块包括：
获取子模块，用于针对每个视频子集，获取该视频子集包含的各视频的视频特征；
第一计算子模块，用于基于所述各视频的视频特征和所述目标用户的用户特征，计算所述各视频与所述目标用户之间的相关系数、所述各视频之间的相似系数，所述相关系数用于表示视频与所述目标用户之间的相关程度，所述相似系数用于表示所述各视频之间的相似程度；
构建子模块，用于根据所述相似系数、所述相关系数，构建各个所述视频子集的核矩阵；
第二计算子模块，用于分别将计算得到的核矩阵的行列式值，作为各个所述视频子集分别对应的推荐概率。
可选的，所述视频子集Y的核矩阵为LY＝Diag(ru)·S·Diag(ru)，具有最大推荐概率的目标视频子集为Ymap＝arg max{det(LY)}，其中，所述S表示所述视频子集中各视频之间的相似程度，所述ru为表示所述各视频与所述目标用户之间的相关程度的相关矩阵，所述det(LY)为所述视频子集Y的核矩阵的行列式，表示所述视频子集Y的推荐概率。
本申请实施例提供的一种视频推荐装置，可以在接收到视频推荐请求时，获取待推荐的视频的候选集；将候选集划分为多个至少包含一个视频的视频子集；通过行列式点过程计算视频子集的推荐概率；确定具有最大推荐概率的目标视频子集；将目标视频子集包含的视频作为目标视频。由于通过行列式点过程对目标用户的用户特征和视频子集包含的各视频的视频特征进行计算，得到各个视频子集的推荐概率，能够计算视频子集中的每个视频与候选集内各视频之间的相关程度和相似程度；进一步的，将推荐概率最大的目标视频子集包含的视频作为目标视频，能够兼顾目标视频之间的相关程度和相似程度，从而可以提高视频推荐的多样性。
本申请实施例还提供了一种电子设备，如图5所示，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503通过通信总线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，用于执行存储器503上所存放的程序时，实现如下步骤：
在接收到目标用户的视频推荐请求时，获取待推荐的视频的候选集；
将所述候选集划分为多个视频子集，其中，所述视频子集至少包含一个视频；
通过行列式点过程对所述目标用户的用户特征和所述视频子集包含的各视频的视频特征进行计算，得到各个所述视频子集的推荐概率；
确定具有最大推荐概率的目标视频子集；
将所述目标视频子集包含的视频作为目标视频推荐给所述目标用户。
可选的，所述方法还包括：
如果所述目标视频的数目未达到预设数目，针对所述候选集的剩余视频中的每个视频，生成包含该视频和所述目标视频的视频子集，执行所述通过行列式点过程对所述目标用户的用户特征和所述视频子集包含的各视频的视频特征进行计算，得到所述视频子集的推荐概率步骤。
可选的，所述通过行列式点过程对所述目标用户的用户特征和所述视频子集包含的各视频的视频特征进行计算，得到各个所述视频子集的推荐概率，包括：
针对每个视频子集，获取该视频子集包含的各视频的视频特征；
基于所述各视频的视频特征和所述目标用户的用户特征，计算所述各视频与所述目标用户之间的相关系数、所述各视频之间的相似系数，所述相关系数用于表示视频与所述目标用户之间的相关程度，所述相似系数用于表示所述各视频之间的相似程度；
根据所述相似系数、所述相关系数，构建各个所述视频子集的核矩阵；
分别将计算得到的核矩阵的行列式值，作为各个所述视频子集分别对应的推荐概率。
可选的，所述视频子集Y的核矩阵为LY＝Diag(ru)·S·Diag(ru)，具有最大推荐概率的目标视频子集为Ymap＝arg max{det(LY)}，其中，所述S表示所述视频子集中各视频之间的相似程度，所述ru为表示所述各视频与所述目标用户之间的相关程度的相关矩阵，所述det(LY)为所述视频子集Y的核矩阵的行列式，表示所述视频子集Y的推荐概率。
上述终端提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，简称EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述终端与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory，简称RAM)，也可以包括非易失性存储器(non-volatile memory)，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前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processing，简称DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称ASIC)、现场可编程门阵列(Field－Programmable Gate Array，简称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。
在本申请提供的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有指令，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视频推荐方法。
在本申请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申请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、数字用户线(DSL))或无线(例如红外、无线、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)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是，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。
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种视频推荐方法，其特征在于，所述方法包括：
在接收到目标用户的视频推荐请求时，获取待推荐的视频的候选集；
将所述候选集划分为多个视频子集，其中，所述视频子集至少包含一个视频；
通过行列式点过程对所述目标用户的用户特征和所述视频子集包含的各视频的视频特征进行计算，得到各个所述视频子集的推荐概率；
确定具有最大推荐概率的目标视频子集；
将所述目标视频子集包含的视频作为目标视频推荐给所述目标用户。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
如果所述目标视频的数目未达到预设数目，针对所述候选集的剩余视频中的每个视频，生成包含该视频和所述目标视频的视频子集，执行所述通过行列式点过程对所述目标用户的用户特征和所述视频子集包含的各视频的视频特征进行计算，得到所述视频子集的推荐概率步骤。
3.根据权利要求1所述的方法，其特征在于，所述通过行列式点过程对所述目标用户的用户特征和所述视频子集包含的各视频的视频特征进行计算，得到各个所述视频子集的推荐概率，包括：
针对每个视频子集，获取该视频子集包含的各视频的视频特征；
基于所述各视频的视频特征和所述目标用户的用户特征，计算所述各视频与所述目标用户之间的相关系数、所述各视频之间的相似系数，所述相关系数用于表示视频与所述目标用户之间的相关程度，所述相似系数用于表示所述各视频之间的相似程度；
根据所述相似系数、所述相关系数，构建各个所述视频子集的核矩阵；
分别将计算得到的核矩阵的行列式值，作为各个所述视频子集分别对应的推荐概率。
4.根据权利要求3所述的方法，其特征在于，所述视频子集Y的核矩阵为LY＝Diag(ru)·S·Diag(ru)，具有最大推荐概率的目标视频子集为Ymap＝arg max{det(LY)}，其中，所述S表示所述视频子集中各视频之间的相似程度，所述ru为表示所述各视频与所述目标用户之间的相关程度的相关矩阵，所述det(LY)为所述视频子集Y的核矩阵的行列式，表示所述视频子集Y的推荐概率。
5.一种视频推荐装置，其特征在于，所述装置包括：
接收模块，用于在接收到目标用户的视频推荐请求时，获取待推荐的视频的候选集；
划分模块，用于将所述候选集划分为多个视频子集，其中，所述视频子集至少包含一个视频；
计算模块，用于通过行列式点过程对所述目标用户的用户特征和所述视频子集包含的各视频的视频特征进行计算，得到各个所述视频子集的推荐概率；
第一确定模块，用于确定具有最大推荐概率的目标视频子集；
第二确定模块，用于将所述目标视频子集包含的视频作为目标视频推荐给所述目标用户。
6.根据权利要求5所述的装置，其特征在于，所述划分模块，还用于当所述目标视频的数目未达到预设数目时，针对所述候选集的剩余视频中的每个视频，生成包含该视频和所述目标视频的视频子集，并触发所述计算模块执行所述通过行列式点过程对所述目标用户的用户特征和所述视频子集包含的各视频的视频特征进行计算，得到所述视频子集的推荐概率步骤。
7.根据权利要求5所述的装置，其特征在于，所述计算模块包括：
获取子模块，用于针对每个视频子集，获取该视频子集包含的各视频的视频特征；
第一计算子模块，用于基于所述各视频的视频特征和所述目标用户的用户特征，计算所述各视频与所述目标用户之间的相关系数、所述各视频之间的相似系数，所述相关系数用于表示视频与所述目标用户之间的相关程度，所述相似系数用于表示所述各视频之间的相似程度；
构建子模块，用于根据所述相似系数、所述相关系数，构建各个所述视频子集的核矩阵；
第二计算子模块，用于分别将计算得到的核矩阵的行列式值，作为各个所述视频子集分别对应的推荐概率。
8.根据权利要求7所述的装置，其特征在于，所述视频子集Y的核矩阵为LY＝Diag(ru)·S·Diag(ru)，具有最大推荐概率的目标视频子集为Ymap＝arg max{det(LY)}，其中，所述S表示所述视频子集中各视频之间的相似程度，所述ru为表示所述各视频与所述目标用户之间的相关程度的相关矩阵，所述det(LY)为所述视频子集Y的核矩阵的行列式，表示所述视频子集Y的推荐概率。
9.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信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时，实现权利要求1-4任一所述的方法步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读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权利要求1-4任一所述的方法步骤。
CN201911319378.7A 2019-12-19 2019-12-19 一种视频推荐方法、装置、电子设备及存储介质 Active CN111010592B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911319378.7A CN111010592B (zh) 2019-12-19 2019-12-19 一种视频推荐方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911319378.7A CN111010592B (zh) 2019-12-19 2019-12-19 一种视频推荐方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN111010592A true CN111010592A (zh) 2020-04-14
CN111010592B CN111010592B (zh) 2022-09-30

Family

ID=70117217

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911319378.7A Active CN111010592B (zh) 2019-12-19 2019-12-19 一种视频推荐方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN111010592B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112152821A (zh) * 2020-09-23 2020-12-29 青岛海尔科技有限公司 定向通信方法和装置、存储介质及电子设备
CN112395496A (zh) * 2020-10-22 2021-02-23 上海众源网络有限公司 一种信息推荐方法、装置、电子设备及存储介质
CN112733014A (zh) * 2020-12-30 2021-04-30 上海众源网络有限公司 推荐方法、装置、设备及存储介质
CN113158048A (zh) * 2021-04-22 2021-07-23 武汉申子仟电子商务有限公司 一种基于特征识别的移动互联网浏览内容智能推荐方法、系统、设备及存储介质
CN113722534A (zh) * 2021-09-01 2021-11-30 北京百度网讯科技有限公司 视频推荐方法和装置
CN113987260A (zh) * 2021-09-14 2022-01-28 北京百度网讯科技有限公司 一种视频推送方法、装置、电子设备及存储介质

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7966632B1 (en) * 2007-12-12 2011-06-21 Google Inc. Visual presentation of video recommendations
US8301484B1 (en) * 2008-03-07 2012-10-30 Amazon Technologies, Inc. Generating item recommendations
US20170228433A1 (en) * 2016-02-04 2017-08-10 Microsoft Technology Licensing, Llc Method and system for diverse set recommendations
CN107968952A (zh) * 2017-12-19 2018-04-27 聚好看科技股份有限公司 一种推荐视频的方法、装置、服务器和计算机存储介质
CN108108446A (zh) * 2017-12-27 2018-06-01 暴风集团股份有限公司 视频推荐方法和装置、电子设备、存储介质、程序
CN108228824A (zh) * 2017-12-29 2018-06-29 暴风集团股份有限公司 一种视频的推荐方法、装置、电子设备、介质和程序
CN108268540A (zh) * 2016-12-31 2018-07-10 深圳市优朋普乐传媒发展有限公司 一种基于视频相似度的视频推荐方法、系统及终端
CN108462900A (zh) * 2017-02-22 2018-08-28 合网络技术（北京）有限公司 视频推荐方法及装置
US10136191B1 (en) * 2016-12-12 2018-11-20 Google Llc Methods, systems, and media for recommending media content based on attribute grouped viewing sessions
CN109284417A (zh) * 2018-08-27 2019-01-29 广州飞磨科技有限公司 视频推送方法、装置、计算机设备和存储介质
CN109299327A (zh) * 2018-11-16 2019-02-01 广州市百果园信息技术有限公司 视频推荐方法、装置、设备及存储介质
CN109710805A (zh) * 2018-12-13 2019-05-03 百度在线网络技术（北京）有限公司 基于兴趣簇的视频交互方法和装置
US20190163752A1 (en) * 2017-11-27 2019-05-30 Facebook, Inc. Live video recommendation by an online system
CN109902706A (zh) * 2018-11-09 2019-06-18 华为技术有限公司 推荐方法及装置
CN110413894A (zh) * 2019-07-31 2019-11-05 腾讯科技（深圳）有限公司 内容推荐模型的训练方法、内容推荐的方法及相关装置

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7966632B1 (en) * 2007-12-12 2011-06-21 Google Inc. Visual presentation of video recommendations
US8301484B1 (en) * 2008-03-07 2012-10-30 Amazon Technologies, Inc. Generating item recommendations
US20170228433A1 (en) * 2016-02-04 2017-08-10 Microsoft Technology Licensing, Llc Method and system for diverse set recommendations
US10136191B1 (en) * 2016-12-12 2018-11-20 Google Llc Methods, systems, and media for recommending media content based on attribute grouped viewing sessions
CN108268540A (zh) * 2016-12-31 2018-07-10 深圳市优朋普乐传媒发展有限公司 一种基于视频相似度的视频推荐方法、系统及终端
CN108462900A (zh) * 2017-02-22 2018-08-28 合网络技术（北京）有限公司 视频推荐方法及装置
US20190163752A1 (en) * 2017-11-27 2019-05-30 Facebook, Inc. Live video recommendation by an online system
CN107968952A (zh) * 2017-12-19 2018-04-27 聚好看科技股份有限公司 一种推荐视频的方法、装置、服务器和计算机存储介质
CN108108446A (zh) * 2017-12-27 2018-06-01 暴风集团股份有限公司 视频推荐方法和装置、电子设备、存储介质、程序
CN108228824A (zh) * 2017-12-29 2018-06-29 暴风集团股份有限公司 一种视频的推荐方法、装置、电子设备、介质和程序
CN109284417A (zh) * 2018-08-27 2019-01-29 广州飞磨科技有限公司 视频推送方法、装置、计算机设备和存储介质
CN109902706A (zh) * 2018-11-09 2019-06-18 华为技术有限公司 推荐方法及装置
CN109299327A (zh) * 2018-11-16 2019-02-01 广州市百果园信息技术有限公司 视频推荐方法、装置、设备及存储介质
CN109710805A (zh) * 2018-12-13 2019-05-03 百度在线网络技术（北京）有限公司 基于兴趣簇的视频交互方法和装置
CN110413894A (zh) * 2019-07-31 2019-11-05 腾讯科技（深圳）有限公司 内容推荐模型的训练方法、内容推荐的方法及相关装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
LAMING CHEN: "Fast Greedy MAP Inference for Determinantal Point Process to Improve Recommendation Diversity", 《32ND CONFERENCE ON NEURAL INFORMATION PROCESSING SYSTEMS》 *
耿晓利: "用户需求网络信息的优先协同过滤推荐仿真", 《计算机仿真》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112152821A (zh) * 2020-09-23 2020-12-29 青岛海尔科技有限公司 定向通信方法和装置、存储介质及电子设备
CN112395496A (zh) * 2020-10-22 2021-02-23 上海众源网络有限公司 一种信息推荐方法、装置、电子设备及存储介质
CN112733014A (zh) * 2020-12-30 2021-04-30 上海众源网络有限公司 推荐方法、装置、设备及存储介质
CN113158048A (zh) * 2021-04-22 2021-07-23 武汉申子仟电子商务有限公司 一种基于特征识别的移动互联网浏览内容智能推荐方法、系统、设备及存储介质
CN113722534A (zh) * 2021-09-01 2021-11-30 北京百度网讯科技有限公司 视频推荐方法和装置
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
CN113987260A (zh) * 2021-09-14 2022-01-28 北京百度网讯科技有限公司 一种视频推送方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN111010592B (zh) 2022-09-30

Similar Documents

Publication Publication Date Title
CN111010592B (zh) 一种视频推荐方法、装置、电子设备及存储介质
CN110321422B (zh) 在线训练模型的方法、推送方法、装置以及设备
CN109241412B (zh) 一种基于网络表示学习的推荐方法、系统及电子设备
CN110717098B (zh) 基于元路径的上下文感知用户建模方法、序列推荐方法
WO2017181612A1 (zh) 个性化视频推荐方法及装置
CN110717099B (zh) 一种推荐影片的方法及终端
CN109189990B (zh) 一种搜索词的生成方法、装置及电子设备
Liu et al. Structural analysis of user choices for mobile app recommendation
CN112907334B (zh) 一种对象推荐方法及装置
CN111291217B (zh) 一种内容推荐方法、装置、电子设备以及计算机可读介质
CN111797319B (zh) 推荐方法、装置、设备及存储介质
WO2022047304A1 (en) Machine-learning prediction or suggestion based on object identification
CN115687690A (zh) 一种视频推荐方法、装置、电子设备及存储介质
CN111339435A (zh) 一种基于潜在因子的矩阵分解补全混合推荐方法
CN113656699B (zh) 用户特征向量确定方法、相关设备及介质
CN112989118B (zh) 视频召回方法及装置
CN112836126A (zh) 基于知识图谱的推荐方法、装置、电子设备及存储介质
CN113220974A (zh) 点击率预测模型训练、搜索召回方法、装置、设备及介质
CN114282119B (zh) 一种基于异构信息网络的科技信息资源检索方法及系统
CN108304453B (zh) 一种视频相关搜索词的确定方法及装置
CN115730217A (zh) 模型的训练方法、物料的召回方法及装置
Cotter et al. Interpretable set functions
CN112328881B (zh) 文章推荐方法、装置、终端设备及存储介质
CN111984867B (zh) 一种网络资源确定方法及装置
CN116415063A (zh) 云服务推荐方法及装置

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
GR01 Patent grant
GR01 Patent grant