CN111246257B - 视频推荐方法、装置、设备及存储介质 - Google Patents
视频推荐方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111246257B CN111246257B CN202010188705.6A CN202010188705A CN111246257B CN 111246257 B CN111246257 B CN 111246257B CN 202010188705 A CN202010188705 A CN 202010188705A CN 111246257 B CN111246257 B CN 111246257B
- Authority
- CN
- China
- Prior art keywords
- video
- target
- recommended
- videos
- partition
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000005192 partition Methods 0.000 claims abstract description 152
- 230000006399 behavior Effects 0.000 claims abstract description 19
- 238000001816 cooling Methods 0.000 claims description 38
- 230000015654 memory Effects 0.000 claims description 19
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 3
- 230000008901 benefit Effects 0.000 description 28
- 238000004891 communication Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000013077 scoring method Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
- H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
- H04N21/251—Learning process for intelligent management, e.g. learning user preferences for recommending movies
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
- H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
- H04N21/4662—Learning process for intelligent management, e.g. learning user preferences for recommending movies characterized by learning algorithms
-
- 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
- H04N21/47—End-user applications
- H04N21/482—End-user interface for program selection
- H04N21/4826—End-user interface for program selection using recommendation lists, e.g. of programs or channels sorted out according to their score
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Software Systems (AREA)
- Human Computer Interaction (AREA)
- Computing Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
Abstract
本申请公开了一种视频推荐方法、装置、设备及存储介质,涉及数据处理领域,尤其涉及大数据技术领域。具体实现方案为:根据目标用户的视频推荐请求,获取与目标用户匹配的目标视频分区集,各视频分区内的视频由目标用户的视频操作行为确定;从目标视频分区集中的各视频分区内,分别获取设定数量的备选推荐视频,构成备选推荐视频集;将备选推荐视频集按照展现,和/或时间因素进行去重,得到目标推荐视频集,并根据目标推荐视频集,对目标用户进行视频推荐。通过针对用户的视频操作行为,为不同的用户维护不同的视频分区集,并从每个用户的视频分区集中确定推荐视频的方式,能够简单、便捷的推荐给用户个性化的视频内容。
Description
技术领域
本申请实施例涉及数据处理领域,尤其涉及大数据技术领域,具体涉及一种视频推荐方法、装置、设备及存储介质。
背景技术
随着互联网短视频技术的不断发展,越来越多的用户对短视频进行观看。
目前短视频的推荐技术需要预先建立推荐模型,而推荐模型在上线前需要收集数据并进行训练,因此需要较长的开发周期。同时,基于推荐模型的推荐技术主要适用于用户量以及资源比较充足的场景,而当视频平台中包括的资源数量和用户数量较少时,难以建立完整的推荐模型,无法使用上述视频推荐技术。
发明内容
本申请实施例公开了一种视频推荐方法、装置、设备及存储介质,可以实现在视频资源比较少的场景下,保证推荐内容的多样性和准确性。
第一方面,本申请实施例公开了一种视频推荐方法,包括:
根据目标用户的视频推荐请求,获取与目标用户匹配的目标视频分区集,各视频分区内的视频由目标用户的视频操作行为确定;
从目标视频分区集中的各视频分区内,分别获取设定数量的备选推荐视频,构成备选推荐视频集;
将备选推荐视频集按照展现,和/或时间因素进行去重,得到目标推荐视频集,并根据目标推荐视频集,对目标用户进行视频推荐。
上述申请中的一个实施例具有如下有优点或有益效果:通过针对用户的视频操作行为,为不同的用户维护不同的视频分区集,并从每个用户的视频分区集中确定推荐视频的方式,能够简单、便捷的推荐给用户个性化的视频内容。
另外,根据本申请上述实施例的视频推荐方法,还可以具有如下附加的技术特征:
可选的,在检测到目标用户对目标视频执行设定用户操作时,根据用户操作的类型,对所述目标视频进行打分;
根据打分结果,重新确定所述目标视频分区集中各视频分区内包括的视频,所述视频分区与设定的分数区间关联,每个视频在视频分区内具有设定的分值;
根据所述打分结果,对所述目标视频所在的视频分区内的各视频进行重排序。
上述申请中的一个实施例具有如下优点或有益效果:通过根据用户操作对目标视频打分,以重新排序目标视频所在的视频分区内的各视频,能够根据用户的操作实时调整视频的推荐顺序,更加智能化。
可选的,根据用户操作的类型,对所述目标视频进行打分,包括:
获取与所述目标视频匹配的至少一项视频属性;
根据所述视频属性,以及所述用户操作类型,对所述目标视频进行打分。
上述申请中的一个实施例具有如下优点或有益效果:能够准确地对目标视频进行打分,并准确地调整目标视频在视频分区内的位置。
可选的,所述视频属性包括下述至少一项:目标视频对所述目标用户的推荐次数、目标视频的评级以及目标视频的标签;和/或
所述用户操作类型包括:主动浏览操作,以及主动关注操作。
上述申请中的一个实施例具有如下优点或有益效果:通过视频属性和用户操作类型能够对目标视频打分,能够准确地对目标视频进行视频分区,以及确定目标视频在所在视频分区中的位置。
可选的,将备选推荐视频集按照展现,和/或时间因素进行去重,得到目标推荐视频集,包括:
将所述备选推荐视频集,分别与展现列表队列以及冷却时间列表中包括的各个视频进行比对;
在所述备选推荐视频集中,去除展现列表队列或者冷却时间列表中存在的视频,得到所述目标推荐视频集;
其中,展现列表队列为先入先出队列,具有最大存储数量,当展现列表队列已经达到最大存储数量,且有新视频存储时,所述展现列表队列中的首个视频被弹出;
冷却时间列表中的视频在存储时被设置冷却时长,当一个视频在冷却时间列表中的已存储时间超过所述冷却时长时,会从所述冷却时间列表中取出。
上述申请中的一个实施例具有如下优点或有益效果:能够保证目标推荐视频集中的视频不会短时间内重复推荐给用户,或者在用户简单的几次推荐刷新时重复推荐给用户,避免浪费用户的时间,在有限视频数量的基础上,保证了视频推荐的多样性。
可选的,在将备选推荐视频集按照展现,和/或时间因素进行去重,得到目标推荐视频集之后,还包括:
将所述目标推荐视频集中包括的各视频分别存储于所述展现列表队列以及所述冷却时间列表中。
上述申请中的一个实施例具有如下优点或有益效果:能够避免目标推荐视频集中的视频在一定时间内,或者简单的几次推荐刷新时被重复推荐。
可选的,在从目标视频分区集中的各视频分区内,分别获取设定数量的备选推荐视频,构成备选推荐视频集之后,还包括:
收集视频平台内各视频的视频属性;
根据所述视频属性,重新确定所述目标视频分区集中各视频分区中包括的视频,并对各视频分区内包括的视频进行重排序。
上述申请中的一个实施例具有如下优点或有益效果:能够在视频的视频属性发生变更时,实时准确地获取变更信息,进而能够对各视频分区内包括的视频进行动态更新,以进一步提高推荐的准确性,特别的,能够在视频资源更新后,使得重新上线的视频或者评分发生变化的视频添加至视频分区,以更新视频分区中的视频的排序。
可选的,在将备选推荐视频集按照展现,和/或时间因素进行去重,得到目标推荐视频集之后,还包括:
分别对所述目标推荐视频集中的各视频,在所属的视频分区内进行重排序。
上述申请中的一个实施例具有如下优点或有益效果:保证了当前推荐过的内容,不会过多的占用备选推荐视频的资格,进而在去重操作后,能够保留尽可能多的推荐视频,以进一步保证推荐的有效性。可选的,根据目标推荐视频集,对目标用户进行视频推荐,包括:
根据与目标推荐视频集中各推荐视频的分值,对各所述推荐视频进行排序,并根据排序结果,生成推荐视频列表;
将所述推荐视频列表提供给所述目标用户进行显示。
上述申请中的一个实施例具有如下优点或有益效果:将推荐视频列表中的各推荐视频按照分值进行排序,并按照排序结果提供给用户,可以使得用户以最少的浏览次数获取到满足需要的推荐视频,提高了视频的推荐效率,减少了用户的浏览时间。
可选的,与每个用户分别对应的视频分区集中,均存储视频平台中包括的全部视频,且所述视频平台中包括的视频总数量小于等于预设的视频数量阈值。
上述申请中的一个实施例具有如下优点或有益效果:在视频平台的视频数量较少的场景下,能够使得用户获取视频平台中的所有视频,并根据用户进行个性化推荐。
第二方面,本申请实施例公开了一种视频推荐装置,包括:
目标视频分区集获取模块,用于根据目标用户的视频推荐请求,获取与目标用户匹配的目标视频分区集,各视频分区内的视频由目标用户的视频操作行为确定;
备选推荐视频集构成模块,用于从目标视频分区集中的各视频分区内,分别获取设定数量的备选推荐视频,构成备选推荐视频集;
视频推荐模块,用于将备选推荐视频集按照展现,和/或时间因素进行去重,得到目标推荐视频集,并根据目标推荐视频集,对目标用户进行视频推荐。
第三方面,本申请实施例公开了一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行本申请实施例中任一项所述的方法。
第四方面,本申请实施例公开了一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行本申请实施例中任一项所述的方法。
上述申请中的一个实施例具有如下有优点或有益效果:通过针对用户的视频操作行为,为不同的用户维护不同的视频分区集,并从每个用户的视频分区集中确定推荐视频的方式,能够简单、便捷的推荐给用户个性化的视频内容。
上述可选方式所具有的其他效果将在下文中结合具体实施例加以说明。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1是根据本申请第一实施例提供的一种视频推荐方法的流程示意图;
图2是根据本申请第二实施例提供的一种视频推荐方法的流程示意图;
图3是根据本申请第三实施例提供的一种视频推荐装置的结构示意图;
图4是根据本申请实施例的视频推荐的方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
第一实施例
图1是根据本申请第一实施例提供的一种视频推荐方法的流程示意图,本实施例用于在视频平台所存储的视频资源较少时,根据用户的视频操作行为向用户推荐视频的情况。该方法可以由视频推荐装置来执行,该装置可以采用软件和/或硬件的方式实现,并可集成于视频平台(服务器)中,与用于提供视频播放服务的客户端配合使用。如图1所示,本实施例提供的视频推荐方法可以包括:
S110、根据目标用户的视频推荐请求,获取与目标用户匹配的目标视频分区集,各视频分区内的视频由目标用户的视频操作行为确定。
在本实施例中,目标用户为使用视频平台提供的客户端观看视频的用户,该用户可以是在视频平台拥有个人账号的用户,也可以是作为访客观看视频的用户。
视频推荐请求可以是该用户在客户端上点击或者长按设定推荐按钮后,触发生成的,也可以是在用户在该客户端上执行设定用户操作(例如,滑屏浏览时间超过设定阈值)后,触发生成,本实施例对此并不进行限制。
在本实施例中,视频平台针对不同的用户(例如,以登录账号区分),维护不同的视频分区集,每个视频分区集中包括有多个视频分区,每个视频分区中存储有零个、一个或者一个以上的视频。
典型的,可以使用视频平台中包括的全部视频,为每个用户建立独立的视频分区集。可选的,可以在每个用户在视频平台中注册账号时,为每个用户建立统一的初始化的视频分区集,并根据不同用户不同的视频操作行为,定制化的更新与每个用户分别对应的视频分区集。
其中,目标视频分区集是指为目标用户预先建立的视频分区集,其中,视频分区集中的各个视频分区可以是以不同的分值进行区分的,分值高的视频分区对应的视频则被优先推荐。用户的视频操作行为可以是用户对视频进行点赞、收藏或者反复观看等,上述行为能够确定用户的观看视频的倾向性,进而可以准确、有效的向用户进行视频推荐。
可选的,在检测到目标用户对目标视频执行设定用户操作时,根据用户操作的类型,对所述目标视频进行打分;
根据打分结果,重新确定所述目标视频分区集中各视频分区内包括的视频,所述视频分区与设定的分数区间关联,每个视频在视频分区内具有设定的分值;
根据所述打分结果,对所述目标视频所在的视频分区内的各视频进行重排序。
在本实施例中,设定的分数区间是指视频平台预先设定的分数段,示例性的,可以是80-90分、70-80分等。设定的分值是指视频具体的分值,示例性的,视频设定的分值为85分,则该视频在80-90分的分数区间内。
在本实施例中,对目标视频进行打分是由用户操作的类型确定的,用户操作的类型不同,则目标视频的分值也不同。若目标视频在目标视频分区集中当前的分值为65分,则目标视频在目标视频分区集中位于分数区间为60-70分的视频分区中,若目标用户对该目标视频进行了收藏操作,则根据用户的操作类型进行打分后,目标视频的分值更新为85分,则将目标视频从60-70分的分数区间的第一视频分区移动到80-90分的分数区间的第二视频分区内,并对第二视频分区内包括的全部视频按照视频的当前分值进行重排序。
具体的,根据用户操作的类型,对所述目标视频进行打分,包括:
获取与所述目标视频匹配的至少一项视频属性;
根据所述视频属性,以及所述用户操作类型,对所述目标视频进行打分。
在本实施例中,目标视频的分值是由视频属性和用户操作类型进行确定的,进一步的,目标视频的分值可以由该目标视频的视频属性与用户操作类型进行加权求和确定。具体的,不同的视频属性对应的权重不同,不同的用户操作类型对应的权重不同。
可选的,所述视频属性包括下述至少一项:目标视频对所述目标用户的推荐次数、目标视频的评级以及目标视频的标签;和/或
所述用户操作类型包括:主动浏览操作,以及主动关注操作。
在本实施例中,目标视频的视频属性可以由目标视频的推荐次数确定,具体的,可以是目标视频对目标用户的推荐次数越多,目标视频的视频属性的权重越大。本实施例中,目标视频的视频属性还可以由目标视频的评级进行确定,目标视频的评级越高,目标视频的视频属性的权重越大。本实施例中,目标视频的视频属性还可以由目标视频的标签确定,示例性的,设定目标视频的标签为美食时对应的视频属性的权重比目标视频的标签为宠物时对应额视频属性的权重高。
进一步地,目标视频的视频属性可以是由目标视频的推荐次数、目标视频的评级和目标视频的标签任意组合而确定的。
在本实施例中,主动浏览操作可以是通过用户在视频平台进行搜索浏览视频的操作,也可以是用户在其他用户界面进行点击浏览视频的操作。主动关注操作可以是用户对视频进行收藏或者点击关注等操作。
S120、从目标视频分区集中的各视频分区内,分别获取设定数量的备选推荐视频,构成备选推荐视频集。
在本实施例中,备选推荐视频集是预推荐给用户的推荐视频集,其是通过从目标视频分区集中的每一个视频分区中选择设定数量的视频后组成的。具体的,可以从各视频分区中取出相同数量的备选推荐视频组成备选推荐视频集,示例性的,可以取出各视频分区中的前3个视频组成备选推荐视频集。也可以是从分数区间高的视频分区中多选择一些备选推荐视频,从分数区间底的视频分区中少选择一些备选推荐视频,构成备选推荐视频集。
S130、将备选推荐视频集按照展现,和/或时间因素进行去重,得到目标推荐视频集,并根据目标推荐视频集,对目标用户进行视频推荐。
在本实施例中,为了进一步提供推荐的有效性,发明人设置了一个推荐标准,也即,在用户N(N为设定的整数)次刷新推荐视频的过程中,不向用户推荐重复视频,也即,按照展现因素进行去重;或者,在向用户推荐某一个视频后的设定时长内(例如,5分钟,或者10分钟等),不再向用户推荐该视频,也即,按照时间因素进行去重。
在本实施例的一个可选的实施方式中,可以维护一个展现列表队列,记录用户在N次刷新推荐视频过程中向用户推荐的全部视频,若备选推荐视频集中的视频与展现列表队列中的视频重复,则将重复的视频从备选推荐视频集中删除,并将备选推荐视频集中剩余的视频向目标用户进行视频推荐。
或者,还可以维护一个冷却时间列表,记录已经向用户推荐过,且推荐时间未超过设定时长的各个视频,若备选推荐视频集中的视频与冷却时间列表中的视频重复,则将重复的视频从备选推荐视频集中删除,并将备选推荐视频集中剩余的视频向目标用户进行视频推荐。
可选的,将备选推荐视频集按照展现,和/或时间因素进行去重,得到目标推荐视频集,可以包括:
将所述备选推荐视频集,分别与展现列表队列以及冷却时间列表中包括的各个视频进行比对;
在所述备选推荐视频集中,去除展现列表队列或者冷却时间列表中存在的视频,得到所述目标推荐视频集;
其中,展现列表队列为先入先出队列,具有最大存储数量,当展现列表队列已经达到最大存储数量,且有新视频存储时,所述展现列表队列中的首个视频被弹出;
冷却时间列表中的视频在存储时被设置冷却时长,当一个视频在冷却时间列表中的已存储时间超过所述冷却时长时,会从所述冷却时间列表中取出。
本实施例中,展现列表队列中的视频是在过去N次推荐过程中,已经展现给用户的视频,展现列表队列的最大存储数量可以由用户的视频操作行为、视频分区的容量或视频平台中视频的总量确定。示例性的,展现列表队列的最大存储数量为L,视频平台的视频总量为N,则L可以是0.5N。若在展现列表队列中的存储数量已满,且有新的视频在展现列表队列中存储,则最早进入展现列表队列中的视频将被弹出。
冷却时间列表是为了避免在短时间内用户收到重复的推荐视频而设置的视频存储列表。冷却时长是指在该时间内,存储在冷却时间列表中的视频不会被重复推荐,冷却时长的设置需要综合考虑视频平台中视频的总量和每一个视频的时长。具体的,冷却时长可以是用户预先设置的,也可以是视频平台默认的,示例性的,冷却时长可设置为30分钟。
在本实施例中,将备选推荐视频集中的每个视频与展现列表队列中的每个视频进行比对,若重复,则将该视频从备选推荐视频集中删除。将备选推荐视频集中的每个视频与冷却时间列表中的每个视频进行比对,若重复,则将该视频从备选推荐视频集中删除。
可选的,在将备选推荐视频集按照展现,和/或时间因素进行去重,得到目标推荐视频集之后,还包括:
将所述目标推荐视频集中包括的各视频分别存储于所述展现列表队列以及所述冷却时间列表中。
在本实施例中,在备选推荐视频集进行去重后,将得到待推荐给用户的目标推荐视频集,并将目标视频推荐集中的视频存储至展现列表和冷却时间列表中。
上述申请中的一个实施例具有如下有优点或有益效果:通过针对用户的视频操作行为,为不同的用户维护不同的视频分区集,并从每个用户的视频分区集中确定推荐视频的方式,能够简单、便捷的推荐给用户个性化的视频内容。
第二实施例
图2是根据本申请第二实施例提供的一种视频推荐方法的流程示意图,本实施例用于在视频平台所存储的视频资源较少时,根据用户的视频操作行为向用户推荐视频的情况。该方法可以由视频推荐装置来执行,该装置可以采用软件和/或硬件的方式实现,并可集成于视频平台(服务器)中,与用于提供视频播放服务的客户端配合使用。如图2所示,本实施例提供的视频推荐方法可以包括:
S210、根据目标用户的视频推荐请求,获取与目标用户匹配的目标视频分区集,各视频分区内的视频由目标用户的视频操作行为确定。
在本实施例中,可选的,与每个用户分别对应的视频分区集中,均存储视频平台中包括的全部视频,且所述视频平台中包括的视频总数量小于等于预设的视频数量阈值。
具体的,不同用户的视频分区集对视频的分区方式是不同的,但是不同用户所有的视频分区集中的视频总和是相同的,且均为存储视频平台中的全部视频。其中,视频平台存储的视频量较少,该视频量可以是小于等于预设的视频数量阈值,其中,视频数量阈值是由视频平台预先设定的。
需要说明的是,上述视频推荐方法无需构建机器学习模型,仅通过PHP代码进行实现,因此,无需部署策略集群,能够实现推荐策略和业务逻辑的紧密结合,并且无需额外部署。本发明中的推荐策略均为PHP实现,可以快速迭代开发,对业务进行定制化的支持,同时无需传统推荐策略前期的模型训练步骤,适合产品初期变更较频繁的场景。
S220、从目标视频分区集中的各视频分区内,分别获取设定数量的备选推荐视频,构成备选推荐视频集。
S230、收集视频平台内各视频的视频属性。
在本实施例中,获取视频平台中每一个视频的视频属性,并对视频属性进行分析,具体的,需要重点收集视频平台中重新上线的视频的视频属性、查看是否存在下线的视频以及查询是否有评分发生改变的视频。
S240、根据所述视频属性,重新确定所述目标视频分区集中各视频分区中包括的视频,并对各视频分区内包括的视频进行重排序。
在本实施例中,如果有视频的视频属性发生变化,则需要重新确定所述目标视频分区集中各视频分区中包括的视频,并对各视频分区内包括的视频进行重排序。具体的,可以按照第一实施例所述的打分方法,基于新的视频属性,对各个视频进行重新打分,并根据各个视频的打分结果,以及与目标视频分区集中各个视频分区分别对应的分数区间,重新确定所述目标视频分区集中各视频分区中包括的视频,进而可以根据每个视频分区内各个视频的打分值,对各视频分区内包括的视频进行重排序。
在一个具体的例子中,若存在新上线的视频A,若根据视频属性,计算该视频A的打分值为65分,则需要将该视频A加入至分数区间为[60,70]的视频分区X内,并对该视频分区X内包括的各个视频进行重排序。
S250、将备选推荐视频集按照展现,和/或时间因素进行去重,得到目标推荐视频集。
S260、分别对所述目标推荐视频集中的各视频,在所属的视频分区内进行重排序。
在本实施例中,将目标推荐视频集中出现的每一个视频在每一个视频相应的视频分区进行重新排序。示例性的,目标推荐视频集是取出各视频分区中的前N个视频,则将取出的前N个视频放置于各视频分区的最后N个位置。
S270、根据目标推荐视频集,对目标用户进行视频推荐。
在本实施例中,可选的,根据目标推荐视频集,对目标用户进行视频推荐,包括:
根据与目标推荐视频集中各推荐视频的分值,对各所述推荐视频进行排序,并根据排序结果,生成推荐视频列表;
将所述推荐视频列表提供给所述目标用户进行显示。
在本实施例中,推荐视频列表是按照推荐视频的分值进行排序的,分值越高的视频在推荐视频列表中的位置越靠前,示例性的,分值为85分的视频在分值为75分的视频的前面,使得目标用户能够按照视频分值由高到低的顺序,浏览推荐视频列表中的各个推荐视频。
上述申请中的一个实施例具有如下优点或有益效果:能够在视频的视频属性发生变更时,实时准确地获取变更信息,进而能够对各视频分区内包括的视频进行动态更新,以进一步提高推荐的准确性,特别的,能够在视频资源更新后,使得重新上线的视频或者评分发生变化的视频添加至视频分区,以更新视频分区中的视频的排序。
第三实施例
图3是根据本申请第三实施例提供的一种视频推荐装置的结构示意图,该装置可执行本申请实施例所提供的视频推荐方法,具备执行方法相应的功能模块和有益效果。如图3所示,该装置300可以包括:目标视频分区集获取模块301、备选推荐视频集构成模块302、以及视频推荐模块303,其中:
目标视频分区集获取模块301,用于根据目标用户的视频推荐请求,获取与目标用户匹配的目标视频分区集,各视频分区内的视频由目标用户的视频操作行为确定;
备选推荐视频集构成模块302,用于从目标视频分区集中的各视频分区内,分别获取设定数量的备选推荐视频,构成备选推荐视频集;
视频推荐模块303,用于将备选推荐视频集按照展现,和/或时间因素进行去重,得到目标推荐视频集,并根据目标推荐视频集,对目标用户进行视频推荐。
上述申请中的一个实施例具有如下有优点或有益效果:通过针对用户的视频操作行为,为不同的用户维护不同的视频分区集,并从每个用户的视频分区集中确定推荐视频的方式,能够简单、便捷的推荐给用户个性化的视频内容。
所述装置,还包括:
目标视频打分模块304,用于在检测到目标用户对目标视频执行设定用户操作时,根据用户操作的类型,对所述目标视频进行打分;
视频重新确定模块305,用于根据打分结果,重新确定所述目标视频分区集中各视频分区内包括的视频,所述视频分区与设定的分数区间关联,每个视频在视频分区内具有设定的分值;
视频排序模块306,用于根据所述打分结果,对所述目标视频所在的视频分区内的各视频进行重排序。
目标视频打分模块304,用于获取与所述目标视频匹配的至少一项视频属性;
根据所述视频属性,以及所述用户操作类型,对所述目标视频进行打分。
所述视频属性包括下述至少一项:目标视频对所述目标用户的推荐次数、目标视频的评级以及目标视频的标签;和/或
所述用户操作类型包括:主动浏览操作,以及主动关注操作。
视频推荐模块303,用于将所述备选推荐视频集,分别与展现列表队列以及冷却时间列表中包括的各个视频进行比对;
在所述备选推荐视频集中,去除展现列表队列或者冷却时间列表中存在的视频,得到所述目标推荐视频集;
其中,展现列表队列为先入先出队列,具有最大存储数量,当展现列表队列已经达到最大存储数量,且有新视频存储时,所述展现列表队列中的首个视频被弹出;
冷却时间列表中的视频在存储时被设置冷却时长,当一个视频在冷却时间列表中的已存储时间超过所述冷却时长时,会从所述冷却时间列表中取出。
所述装置还包括:
视频存储模块307,用于将所述目标推荐视频集中包括的各视频分别存储于所述展现列表队列以及所述冷却时间列表中。
所述装置,还包括:
视频属性收集模块308,用于收集视频平台内各视频的视频属性;
视频重排序模块309,用于根据所述视频属性,重新确定所述目标视频分区集中各视频分区中包括的视频,并对各视频分区内包括的视频进行重排序。
视频推荐模块303,用于分别对所述目标推荐视频集中的各视频,在所属的视频分区内进行重排序。
视频推荐模块303,用于根据与目标推荐视频集中各推荐视频的分值,对各所述推荐视频进行排序,并根据排序结果,生成推荐视频列表;
将所述推荐视频列表提供给所述目标用户进行显示。
可选的,所述装置包括:
与每个用户分别对应的视频分区集中,均存储视频平台中包括的全部视频,且所述视频平台中包括的视频总数量小于等于预设的视频数量阈值。
根据本申请的实施例,本申请还提供了一种电子设备和一种可读存储介质。
如图4所示,是根据本申请实施例的视频推荐的方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图4所示,该电子设备包括:一个或多个处理器401、存储器402,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图4中以一个处理器401为例。
存储器402即为本申请所提供的非瞬时计算机可读存储介质。其中,所述存储器存储有可由至少一个处理器执行的指令,以使所述至少一个处理器执行本申请所提供的视频推荐的方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的视频推荐的方法。
存储器402作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的视频推荐的方法对应的程序指令/模块(例如,附图3所示的模块)。处理器401通过运行存储在存储器402中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的视频推荐的方法。
存储器402可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据视频推荐的电子设备的使用所创建的数据等。此外,存储器402可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器402可选包括相对于处理器401远程设置的存储器,这些远程存储器可以通过网络连接至视频推荐的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
视频推荐的方法的电子设备还可以包括:输入装置403和输出装置404。处理器401、存储器402、输入装置403和输出装置404可以通过总线或者其他方式连接,图4中以通过总线连接为例。
输入装置403可接收输入的数字或字符信息,以及产生与视频推荐的电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置404可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本申请实施例的技术方案,从目标视频分区集中确定备选推荐视频集,通过对备选推荐视频集进行实时调整,能够推荐给目标用户个性化的视频内容。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (12)
1.一种视频推荐方法,其特征在于,包括:
根据目标用户的视频推荐请求,获取与目标用户匹配的目标视频分区集,各视频分区内的视频由目标用户的视频操作行为确定;
从目标视频分区集中的各视频分区内,分别获取设定数量的备选推荐视频,构成备选推荐视频集;
将备选推荐视频集按照展现,和/或时间因素进行去重,得到目标推荐视频集,并根据目标推荐视频集,对目标用户进行视频推荐;
其中,所述目标视频分区集是指使用视频平台中包括的全部视频为所述目标用户预先建立的视频分区集;
在检测到目标用户对目标视频执行设定用户操作时,根据用户操作的类型,对所述目标视频进行打分;
根据打分结果,重新确定所述目标视频分区集中各视频分区内包括的视频,所述视频分区与设定的分数区间关联,每个视频在视频分区内具有设定的分值;
根据所述打分结果,对所述目标视频所在的视频分区内的各视频进行重排序。
2.根据权利要求1所述的方法,其特征在于,根据用户操作的类型,对所述目标视频进行打分,包括:
获取与所述目标视频匹配的至少一项视频属性;
根据所述视频属性,以及用户操作类型,对所述目标视频进行打分。
3.根据权利要求2所述的方法,其特征在于,所述视频属性包括下述至少一项:目标视频对所述目标用户的推荐次数、目标视频的评级以及目标视频的标签;和/或
所述用户操作类型包括:主动浏览操作,以及主动关注操作。
4.根据权利要求1所述的方法,其特征在于,将备选推荐视频集按照展现,和/或时间因素进行去重,得到目标推荐视频集,包括:
将所述备选推荐视频集,分别与展现列表队列以及冷却时间列表中包括的各个视频进行比对;
在所述备选推荐视频集中,去除展现列表队列或者冷却时间列表中存在的视频,得到所述目标推荐视频集;
其中,展现列表队列为先入先出队列,具有最大存储数量,当展现列表队列已经达到最大存储数量,且有新视频存储时,所述展现列表队列中的首个视频被弹出;
冷却时间列表中的视频在存储时被设置冷却时长,当一个视频在冷却时间列表中的已存储时间超过所述冷却时长时,会从所述冷却时间列表中取出。
5.根据权利要求4所述的方法,其特征在于,在将备选推荐视频集按照展现,和/或时间因素进行去重,得到目标推荐视频集之后,还包括:
将所述目标推荐视频集中包括的各视频分别存储于所述展现列表队列以及所述冷却时间列表中。
6.根据权利要求1所述的方法,其特征在于,在从目标视频分区集中的各视频分区内,分别获取设定数量的备选推荐视频,构成备选推荐视频集之后,还包括:
收集视频平台内各视频的视频属性;
根据所述视频属性,重新确定所述目标视频分区集中各视频分区中包括的视频,并对各视频分区内包括的视频进行重排序。
7.根据权利要求1所述的方法,其特征在于,在将备选推荐视频集按照展现,和/或时间因素进行去重,得到目标推荐视频集之后,还包括:
分别对所述目标推荐视频集中的各视频,在所属的视频分区内进行重排序。
8.根据权利要求1所述的方法,其特征在于,根据目标推荐视频集,对目标用户进行视频推荐,包括:
根据与目标推荐视频集中各推荐视频的分值,对各所述推荐视频进行排序,并根据排序结果,生成推荐视频列表;
将所述推荐视频列表提供给所述目标用户进行显示。
9.根据权利要求1-8任一项所述的方法,其特征在于:
与每个用户分别对应的视频分区集中,均存储视频平台中包括的全部视频,且所述视频平台中包括的视频总数量小于等于预设的视频数量阈值。
10.一种视频推荐装置,其特征在于,包括:
目标视频分区集获取模块,用于根据目标用户的视频推荐请求,获取与目标用户匹配的目标视频分区集,各视频分区内的视频由目标用户的视频操作行为确定;
备选推荐视频集构成模块,用于从目标视频分区集中的各视频分区内,分别获取设定数量的备选推荐视频,构成备选推荐视频集;
视频推荐模块,用于将备选推荐视频集按照展现,和/或时间因素进行去重,得到目标推荐视频集,并根据目标推荐视频集,对目标用户进行视频推荐;
其中,所述目标视频分区集是指使用视频平台中包括的全部视频为所述目标用户预先建立的视频分区集;
目标视频打分模块,用于在检测到目标用户对目标视频执行设定用户操作时,根据用户操作的类型,对所述目标视频进行打分;
视频重新确定模块,用于根据打分结果,重新确定所述目标视频分区集中各视频分区内包括的视频,所述视频分区与设定的分数区间关联,每个视频在视频分区内具有设定的分值;
视频排序模块,用于根据所述打分结果,对所述目标视频所在的视频分区内的各视频进行重排序。
11.一种电子设备,其特征在于,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-9中任一项所述的方法。
12.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行权利要求1-9中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010188705.6A CN111246257B (zh) | 2020-03-17 | 2020-03-17 | 视频推荐方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010188705.6A CN111246257B (zh) | 2020-03-17 | 2020-03-17 | 视频推荐方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111246257A CN111246257A (zh) | 2020-06-05 |
CN111246257B true CN111246257B (zh) | 2022-07-26 |
Family
ID=70865320
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010188705.6A Active CN111246257B (zh) | 2020-03-17 | 2020-03-17 | 视频推荐方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111246257B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112015948B (zh) * | 2020-08-05 | 2023-07-11 | 北京奇艺世纪科技有限公司 | 视频推荐方法、装置、电子设备及存储介质 |
CN113705287B (zh) * | 2020-10-16 | 2024-08-13 | 天翼数字生活科技有限公司 | 一种视频播放区间定位方法和系统 |
CN112637685B (zh) * | 2020-12-11 | 2024-01-30 | 上海连尚网络科技有限公司 | 视频的处理方法和装置 |
CN114615525B (zh) * | 2022-03-18 | 2023-07-18 | 抖音视界有限公司 | 一种视频推送的方法、装置、设备及存储介质 |
CN115150654B (zh) * | 2022-07-01 | 2024-07-12 | 北京字跳网络技术有限公司 | 多媒体播放方法、设备、存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1325628A2 (en) * | 2000-09-20 | 2003-07-09 | Koninklijke Philips Electronics N.V. | Presenting a visual distribution of television program recommonendation scores |
CN105095431A (zh) * | 2015-07-22 | 2015-11-25 | 百度在线网络技术(北京)有限公司 | 根据用户的行为信息推送视频的方法和装置 |
CN105893443A (zh) * | 2015-12-15 | 2016-08-24 | 乐视网信息技术(北京)股份有限公司 | 视频推荐方法、装置和服务器 |
CN106326413A (zh) * | 2016-08-23 | 2017-01-11 | 达而观信息科技(上海)有限公司 | 一种个性化视频推荐系统及方法 |
CN107451148A (zh) * | 2016-05-31 | 2017-12-08 | 北京金山安全软件有限公司 | 一种视频分类方法、装置及电子设备 |
CN110751649A (zh) * | 2019-10-29 | 2020-02-04 | 腾讯科技(深圳)有限公司 | 视频质量评估方法、装置、电子设备及存储介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7594244B2 (en) * | 2003-11-12 | 2009-09-22 | Koninklijke Philips Electronics N.V. | Program recommendation system |
JP2011124655A (ja) * | 2009-12-08 | 2011-06-23 | Nomura Research Institute Ltd | 映像コンテンツ推奨管理装置、映像コンテンツの録画を実行させる方法及びそのプログラム |
CN110807127A (zh) * | 2018-08-01 | 2020-02-18 | 北京优酷科技有限公司 | 视频推荐方法及装置 |
CN109274987B (zh) * | 2018-08-30 | 2021-04-27 | 武汉斗鱼网络科技有限公司 | 一种视频集合排序方法、服务器及可读存储介质 |
-
2020
- 2020-03-17 CN CN202010188705.6A patent/CN111246257B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1325628A2 (en) * | 2000-09-20 | 2003-07-09 | Koninklijke Philips Electronics N.V. | Presenting a visual distribution of television program recommonendation scores |
CN105095431A (zh) * | 2015-07-22 | 2015-11-25 | 百度在线网络技术(北京)有限公司 | 根据用户的行为信息推送视频的方法和装置 |
CN105893443A (zh) * | 2015-12-15 | 2016-08-24 | 乐视网信息技术(北京)股份有限公司 | 视频推荐方法、装置和服务器 |
CN107451148A (zh) * | 2016-05-31 | 2017-12-08 | 北京金山安全软件有限公司 | 一种视频分类方法、装置及电子设备 |
CN106326413A (zh) * | 2016-08-23 | 2017-01-11 | 达而观信息科技(上海)有限公司 | 一种个性化视频推荐系统及方法 |
CN110751649A (zh) * | 2019-10-29 | 2020-02-04 | 腾讯科技(深圳)有限公司 | 视频质量评估方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111246257A (zh) | 2020-06-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111246257B (zh) | 视频推荐方法、装置、设备及存储介质 | |
US11714816B2 (en) | Information search method and apparatus, device and storage medium | |
CN112328816B (zh) | 媒体信息展示方法、装置、电子设备及存储介质 | |
CN111143686A (zh) | 资源推荐方法及装置 | |
CN111800493A (zh) | 信息内容推送方法、装置、电子设备和存储介质 | |
CN112133281A (zh) | 一种语音播报方法、装置、电子设备和存储介质 | |
CN112084366A (zh) | 用于检索图像的方法、装置、设备以及存储介质 | |
CN112559901B (zh) | 资源推荐的方法、装置、电子设备、存储介质及计算机程序产品 | |
CN110636366A (zh) | 视频的播放处理方法、装置、电子设备和介质 | |
CN111770376A (zh) | 信息展示方法、装置、系统、电子设备及存储介质 | |
CN111522940A (zh) | 用于处理评论信息的方法和装置 | |
CN111460292A (zh) | 模型评估方法、装置、设备和介质 | |
CN112579897A (zh) | 信息搜索方法和装置 | |
CN111563198B (zh) | 一种物料召回方法、装置、设备及存储介质 | |
CN110851726B (zh) | 兴趣点选择方法、装置以及电子设备 | |
CN111783013A (zh) | 评论信息发布的方法、装置、设备及计算机可读存储介质 | |
CN112052397A (zh) | 用户特征生成方法、装置、电子设备及存储介质 | |
CN111444438A (zh) | 召回策略的准召率的确定方法、装置、设备及存储介质 | |
CN111770384A (zh) | 视频切换方法、装置、电子设备和存储介质 | |
CN113655895B (zh) | 应用于输入法的信息推荐方法、装置及电子设备 | |
CN111949820B (zh) | 视频关联兴趣点的处理方法、装置及电子设备 | |
CN111563202A (zh) | 资源数据处理方法、装置、电子设备和介质 | |
CN111669647A (zh) | 实时视频的处理方法、装置、设备及存储介质 | |
CN111428489A (zh) | 一种评论生成方法、装置、电子设备及存储介质 | |
CN113111216A (zh) | 广告推荐方法、装置、设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |