CN111294620A - 视频的推荐方法及装置 - Google Patents
视频的推荐方法及装置 Download PDFInfo
- Publication number
- CN111294620A CN111294620A CN202010074277.4A CN202010074277A CN111294620A CN 111294620 A CN111294620 A CN 111294620A CN 202010074277 A CN202010074277 A CN 202010074277A CN 111294620 A CN111294620 A CN 111294620A
- Authority
- CN
- China
- Prior art keywords
- video
- user
- training sample
- sample
- candidate
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000006399 behavior Effects 0.000 claims description 115
- 238000013145 classification model Methods 0.000 claims description 33
- 238000010586 diagram Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical 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
- H04N21/258—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
- G06F16/73—Querying
- G06F16/735—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
- G06F16/75—Clustering; Classification
-
- 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
- H04N21/4668—Learning process for intelligent management, e.g. learning user preferences for recommending movies for recommending content, e.g. movies
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Signal Processing (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Computer Graphics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开关于一种视频的推荐方法及装置,所述方法包括:获取目标用户的人群类别和用户行为信息、以及各候选视频的视频信息;针对所述各候选视频中的每个候选视频,将所述目标用户的人群类别和用户行为信息、以及该候选视频的视频信息输入至预先训练的视频推荐模型,得到该候选视频的推荐评分;按照推荐评分由高到低的顺序,在所述各候选视频中,选取预设数目个候选视频,作为所述目标用户的目标视频。采用本公开可以为不同用户提供精准视频推荐。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及一种视频的推荐方法及装置。
背景技术
随着移动互联网的普及,越来越多的人通过观看短视频来消磨空闲时间。因此,亟需一种为不同用户提供精准视频推荐的方案。
发明内容
本公开提供一种视频的推荐方法及装置,以至少解决相关技术中为不同用户提供精准视频推荐的问题。本公开的技术方案如下:
根据本公开实施例的第一方面,提供一种视频的推荐方法,所述方法包括:
获取目标用户的人群类别和用户行为信息、以及各候选视频的视频信息;
针对所述各候选视频中的每个候选视频,将所述目标用户的人群类别和用户行为信息、以及该候选视频的视频信息输入至预先训练的视频推荐模型,得到该候选视频的推荐评分,所述预先训练的视频推荐模型为根据预设的视频推荐训练样本集合,对待训练的视频推荐模型进行训练得到的;
按照推荐评分由高到低的顺序,在所述各候选视频中,选取预设数目个候选视频,作为所述目标用户的目标视频。
作为一种可选的实施方式,所述获取目标用户的人群类别,包括:
获取目标用户的用户行为信息和用户关系信息;
将所述目标用户的用户行为信息和用户关系信息输入至预先训练的人群分类模型,得到所述目标用户的人群类别。
作为一种可选的实施方式,所述视频推荐模型包括多个视频评分模型;
所述针对所述各候选视频中的每个候选视频,将所述目标用户的人群类别和用户行为信息、以及该候选视频的视频信息输入至预先训练的视频推荐模型,得到该候选视频的推荐评分,包括:
针对所述各候选视频中的每个候选视频,将所述目标用户的人群类别和用户行为信息、以及该候选视频的视频信息分别输入至预先训练的各视频评分模型,得到该候选视频的各视频评分;
根据所述各视频评分模型对应的权重,计算该候选视频的各视频评分的加权和值,作为该候选视频的推荐评分。
作为一种可选的实施方式,所述多个视频评分模型包括点赞评分模型、点击评分模型和转发评分模型,所述方法还包括:
获取第一训练样本集合,所述第一训练样本集合包括第一正训练样本和第一负训练样本,所述第一正训练样本包括第一样本用户的用户行为信息、人群类别和所述第一样本用户点赞的视频的视频信息,所述第一负训练样本包括第一样本用户的用户行为信息、人群类别和所述第一样本用户未点赞的视频的视频信息;
获取第二训练样本集合,所述第二训练样本集合包括第二正训练样本和第二负训练样本,所述第二正训练样本包括第二样本用户的用户行为信息、人群类别和所述第二样本用户点击的视频的视频信息,所述第二负训练样本包括第二样本用户的用户行为信息、人群类别和所述第二样本用户未点击的视频的视频信息;
获取第三训练样本集合,所述第三训练样本集合包括第三正训练样本和第三负训练样本,所述第三正训练样本包括第三样本用户的用户行为信息、人群类别和所述第三样本用户转发的视频的视频信息,所述第三负训练样本包括第三样本用户的用户行为信息、人群类别和所述第一样本用户未转发的视频的视频信息;
根据所述第一训练样本集合,对待训练的点赞评分模型进行训练,得到点赞评分模型;
根据所述第二训练样本集合,对待训练的点击评分模型进行训练,得到点击评分模型;
根据所述第三训练样本集合,对待训练的转发评分模型进行训练,得到转发评分模型。
作为一种可选的实施方式,所述方法还包括:
获取训练样本集合,所述训练样本集合包括正训练样本和负训练样本,所述正训练样本包括样本人群类别、以及属于所述样本人群类别的第一样本用户的用户行为信息和用户关系信息,所述负训练样本包括所述样本人群类别、以及不属于所述样本人群类别的第二样本用户的用户行为信息和用户关系信息;
根据所述训练样本集合,对待训练的人群分类模型进行训练,得到人群分类模型。
作为一种可选的实施方式,用户行为信息包括用户浏览的视频的类型、用户点赞的视频的类型、用户转发的视频的类型、用户浏览的视频的总时长、用户浏览视频的时间段、用户发布的视频的类型、用户的地理位置兴趣点;用户关系信息包括关注的用户的人群类别、关注所述目标用户的用户的人群类别、与所述目标用户双向关注的用户的人群类别。
根据本公开实施例的第二方面,提供一种视频的推荐装置,所述装置包括:
第一获取装置,被配置为获取目标用户的人群类别和用户行为信息、以及各候选视频的视频信息;
输入装置,被配置为针对所述各候选视频中的每个候选视频,将所述目标用户的人群类别和用户行为信息、以及该候选视频的视频信息输入至预先训练的视频推荐模型,得到该候选视频的推荐评分,所述预先训练的视频推荐模型为根据预设的视频推荐训练样本集合,对待训练的视频推荐模型进行训练得到的;
选取装置,被配置为按照推荐评分由高到低的顺序,在所述各候选视频中,选取预设数目个候选视频,作为所述目标用户的目标视频。
作为一种可选的实施方式,所述第一获取装置,具体用于:
获取目标用户的用户行为信息和用户关系信息;
将所述目标用户的用户行为信息和用户关系信息输入至预先训练的人群分类模型,得到所述目标用户的人群类别。
作为一种可选的实施方式,所述视频推荐模型包括多个视频评分模型,所述输入装置,具体用于:
针对所述各候选视频中的每个候选视频,将所述目标用户的人群类别和用户行为信息、以及该候选视频的视频信息分别输入至预先训练的各视频评分模型,得到该候选视频的各视频评分;
根据所述各视频评分模型对应的权重,计算该候选视频的各视频评分的加权和值,作为该候选视频的推荐评分。
作为一种可选的实施方式,所述多个视频评分模型包括点赞评分模型、点击评分模型和转发评分模型,所述装置还包括:
第二获取装置,被配置为获取第一训练样本集合,所述第一训练样本集合包括第一正训练样本和第一负训练样本,所述第一正训练样本包括第一样本用户的用户行为信息、人群类别和所述第一样本用户点赞的视频的视频信息,所述第一负训练样本包括第一样本用户的用户行为信息、人群类别和所述第一样本用户未点赞的视频的视频信息;获取第二训练样本集合,所述第二训练样本集合包括第二正训练样本和第二负训练样本,所述第二正训练样本包括第二样本用户的用户行为信息、人群类别和所述第二样本用户点击的视频的视频信息,所述第二负训练样本包括第二样本用户的用户行为信息、人群类别和所述第二样本用户未点击的视频的视频信息;获取第三训练样本集合,所述第三训练样本集合包括第三正训练样本和第三负训练样本,所述第三正训练样本包括第三样本用户的用户行为信息、人群类别和所述第三样本用户转发的视频的视频信息,所述第三负训练样本包括第三样本用户的用户行为信息、人群类别和所述第一样本用户未转发的视频的视频信息;
第一训练装置,被配置为根据所述第一训练样本集合,对待训练的点赞评分模型进行训练,得到点赞评分模型;根据所述第二训练样本集合,对待训练的点击评分模型进行训练,得到点击评分模型;根据所述第三训练样本集合,对待训练的转发评分模型进行训练,得到转发评分模型。
作为一种可选的实施方式,所述装置还包括:
第三获取装置,被配置为获取训练样本集合,所述训练样本集合包括正训练样本和负训练样本,所述正训练样本包括样本人群类别、以及属于所述样本人群类别的第一样本用户的用户行为信息和用户关系信息,所述负训练样本包括所述样本人群类别、以及不属于所述样本人群类别的第二样本用户的用户行为信息和用户关系信息;
第二训练装置,被配置为根据所述训练样本集合,对待训练的人群分类模型进行训练,得到人群分类模型。
作为一种可选的实施方式,用户行为信息包括用户浏览的视频的类型、用户点赞的视频的类型、用户转发的视频的类型、用户浏览的视频的总时长、用户浏览视频的时间段、用户发布的视频的类型、用户的地理位置兴趣点;用户关系信息包括关注的用户的人群类别、关注所述目标用户的用户的人群类别、与所述目标用户双向关注的用户的人群类别。
根据本公开实施例的第三方面,提供一种视频服务器,所述视频服务器包括:
处理器;
用于存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述指令,以实现第一方面中任一项所述的视频的推荐方法。
根据本公开实施例的第四方面,提供一种存储介质,当所述存储介质中的指令由视频服务器的处理器执行时,使得视频服务器能够执行第一方面中任一项所述的视频的推荐方法。
根据本公开实施例的第五方面,提供一种计算机程序产品,当其在计算机上运行时,使得计算机执行第一方面中任一所述的视频的推荐方法。
本公开的实施例提供的技术方案至少带来以下有益效果:本公开实施例提供了一种视频的推荐方法及装置。视频服务器获取目标用户的人群类别和用户行为信息、以及各候选视频的视频信息。然后,针对各候选视频中的每个候选视频,视频服务器将目标用户的人群类别和用户行为信息、以及该候选视频的视频信息输入至预先训练的视频推荐模型,得到该候选视频的推荐评分。之后,视频服务器按照推荐评分由高到低的顺序,在各候选视频中,选取预设数目个候选视频,作为目标用户的目标视频。这样,根据不同用户的人群类别和用户行为信息确定不同用户对应的目标视频,可以为不同用户提供精准视频推荐。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理,并不构成对本公开的不当限定。
图1是根据一示例性实施例示出的一种视频的推荐方法的流程图;
图2是根据一示例性实施例示出的一种视频的推荐方法的流程图;
图3是根据一示例性实施例示出的一种人群分类模型的训练方法的流程图;
图4是根据一示例性实施例示出的一种视频的推荐方法的示例的流程图;
图5是根据一示例性实施例示出的一种视频的推荐装置的框图;
图6是根据一示例性实施例示出的一种视频服务器的框图。
具体实施方式
为了使本领域普通人员更好地理解本公开的技术方案,下面将结合附图,对本公开实施例中的技术方案进行清楚、完整地描述。
需要说明的是,本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
本公开提供了一种视频推荐的方法,该方法可以应用于视频服务器。该视频服务器与用户终端连接。当某一用户(即目标用户)通过安装在终端设备上的视频客户端登录到视频服务器或者用户刷新应用程序的视频推荐页面时,视频服务器可以获取目标用户的用户行为信息和用户关系信息,然后将目标用户的用户行为信息和用户关系信息输入至预先训练的人群分类模型,得到目标用户的人群类别。然后,视频服务器可以选取各候选视频的视频信息,针对各候选视频中的每个候选视频,服务器可以将目标用户的人群类别和用户行为信息、以及该候选视频的视频信息输入至预先训练的视频推荐模型,得到该候选视频的推荐评分。之后,视频服务器可以按照推荐评分由高到低的顺序,在各候选视频中,选取预设数目个候选视频,作为目标用户的目标视频。这样,根据不同用户的人群类别和用户行为信息确定不同用户对应的目标视频,可以为不同用户提供精准视频推荐。
图1是根据一示例性实施例示出的一种视频的推荐方法的流程图,如图1所示,该方法可以包括以下步骤。
在步骤110中,获取目标用户的人群类别和用户行为信息、以及各候选视频的视频信息。
在实施中,当某一用户(即目标用户)通过安装在终端设备上的视频客户端(即应用程序)登录到视频服务器或者用户刷新应用程序的视频推荐页面时,视频服务器可以获取该目标用户的人群类别和用户行为信息。其中,用户行为信息可以包括用户浏览的视频的类型、用户点赞的视频的类型、用户转发的视频的类型、用户浏览的视频的总时长、用户浏览视频的时间段、用户发布的视频的类型、用户的地理位置兴趣点(Point of Interest,POI)等信息,还可以包括其他用户行为信息,本公开实施例不作限定。然后,视频服务器可以根据该目标用户的用户行为信息,在视频库中筛选该目标用户感兴趣的视频(即候选视频),并进一步获取各候选视频的视频信息。其中,视频信息可以包括视频的类型、视频的上传时间、视频的作者、视频的地理位置等信息,还可以包括其他视频信息,本公开实施例不作限定。
可选的,视频服务器根据该目标用户的用户行为信息,在视频库中筛选该目标用户感兴趣的候选视频时,还可以根据该目标用户的用户终端的设备信息(比如用户终端所属的厂商、型号、性能参数等设备信息)、网络类型(无线接入、4G接入等网络类型)等信息在视频库中筛选该目标用户感兴趣的候选视频。
作为一种可选的实施方式,如图2所示,步骤110中,视频服务器获取目标用户的人群类别的处理过程如下:
在步骤111中,获取目标用户的用户行为信息和用户关系信息。
在实施中,当视频服务器需要确定该目标用户的人群类别时,该视频服务器可以获取该目标用户的用户行为信息和用户关系信息。其中,该目标用户的用户关系信息可以包括该目标用户关注的用户的人群类别、关注该目标用户的用户的人群类别、与该目标用户双向关注的用户的人群类别,还可以包括其他的用户关系信息,本公开实施例不作限定。
在步骤112中,将目标用户的用户行为信息和用户关系信息输入至预先训练的人群分类模型,得到目标用户的人群类别。
在实施中,视频服务器中可以存储有预先训练的人群分类模型。视频服务器获取到目标用户的用户行为信息和用户关系信息后,可以将目标用户的用户行为信息和用户关系信息输入至预先训练的人群分类模型。相应的,该人群分类模型则会输出该目标用户的人群类别。其中,人群类别可以为用户的职业(比如快递、外卖、农民、医生、护士等),也可以为用户的籍贯(比如河北、河南、内蒙古等)、还可以为用户的爱好(足球、电竞、音乐等),本公开实施例不作限定。可选的,人群分类模型中第一层为输入层,第二层为嵌入(embedding)层,第三层和第四层为全连接层,最后一层为输出层。其中,人群分类模型的训练方法后续会进行详细介绍。
在步骤120中,针对各候选视频中的每个候选视频,将目标用户的人群类别和用户行为信息、以及该候选视频的视频信息输入至预先训练的视频推荐模型,得到该候选视频的推荐评分。其中,预先训练的视频推荐模型为根据预设的视频推荐训练样本集合,对待训练的视频推荐模型进行训练得到的。
在实施中,视频服务器中可以存储有预先训练的视频推荐模型。其中,预先训练的视频推荐模型为根据预设的视频推荐训练样本集合,对待训练的视频推荐模型进行训练得到的。视频服务器获取到目标用户的人群类别和用户行为信息、以及各候选视频的视频信息后,针对各候选视频中的每个候选视频,视频服务器可以将目标用户的人群类别和用户行为信息、以及该候选视频的视频信息输入至预先训练的视频推荐模型。相应的,视频推荐模型则会输出该候选视频的推荐评分。
作为一种可选的实施方式,视频推荐模型包括多个视频评分模型(比如点击评分模型、点赞评分模型、转发评分模型等)。针对各候选视频中的每个候选视频,视频服务器将目标用户的人群类别和用户行为信息、以及该候选视频的视频信息输入至预先训练的视频推荐模型,得到该候选视频的推荐评分的具体处理过程如下:
在步骤一中,针对各候选视频中的每个候选视频,将目标用户的人群类别和用户行为信息、以及该候选视频的视频信息分别输入至预先训练的各视频评分模型,得到该候选视频的各视频评分。
在实施中,针对各候选视频中的每个候选视频,视频服务器可以将目标用户的人群类别和用户行为信息、以及该候选视频的视频信息分别输入至预先训练的各视频评分模型。相应的,各视频评分模型则会输出该候选视频的各视频评分。例如,视频服务器可以将目标用户的人群类别和用户行为信息、以及该候选视频的视频信息分别输入至预先训练的点击评分模型、点赞评分模型和转发评分模型,得到该候选视频的点击评分、点赞评分和转发评分。
在步骤二中,根据各视频评分模型对应的权重,计算该候选视频的各视频评分的加权和值,作为该候选视频的推荐评分。
在实施中,视频服务器中可以预先存储有各视频评分模型对应的权重。其中,各视频评分模型对应的权重可以由技术人员根据经验进行设置。视频服务器得到该候选视频的各视频评分后,可以计算该候选视频的各视频评分的加权和值,并将该加权和值作为该候选视频的推荐评分。例如,点击评分模型的权重为0.6,点赞评分模型的权重为0.3,转发评分模型的权重为0.1,该候选视频的点击评分为8分,点赞评分为6分,转发评分为2分,则该候选视频的推荐评分为8*0.6+6*0.3+2*0.1=6.8分。
作为一种可选的实施方式,多个视频评分模型包括点赞评分模型、点击评分模型和转发评分模型,视频服务器训练点赞评分模型、点击评分模型和转发评分模型的处理过程如下:
在步骤一中,获取第一训练样本集合。其中,第一训练样本集合包括第一正训练样本和第一负训练样本,第一正训练样本包括第一样本用户的用户行为信息、人群类别和第一样本用户点赞的视频的视频信息,第一负训练样本包括第一样本用户的用户行为信息、人群类别和第一样本用户未点赞的视频的视频信息;获取第二训练样本集合。其中,第二训练样本集合包括第二正训练样本和第二负训练样本,第二正训练样本包括第二样本用户的用户行为信息、人群类别和第二样本用户点击的视频的视频信息,第二负训练样本包括第二样本用户的用户行为信息、人群类别和第二样本用户未点击的视频的视频信息;获取第三训练样本集合。其中,第三训练样本集合包括第三正训练样本和第三负训练样本,第三正训练样本包括第三样本用户的用户行为信息、人群类别和第三样本用户转发的视频的视频信息,第三负训练样本包括第三样本用户的用户行为信息、人群类别和第一样本用户未转发的视频的视频信息。
在实施中,视频服务器中可以预先存储有用于训练点赞评分模型的第一训练样本集合、用于训练点击评分模型的第二训练样本集合和用于训练转发评分模型的第三训练样本集合。其中,第一训练样本集合包括第一正训练样本和第一负训练样本,第一正训练样本包括第一样本用户的用户行为信息、人群类别和第一样本用户点赞的视频的视频信息,第一负训练样本包括第一样本用户的用户行为信息、人群类别和第一样本用户未点赞的视频的视频信息;第二训练样本集合包括第二正训练样本和第二负训练样本,第二正训练样本包括第二样本用户的用户行为信息、人群类别和第二样本用户点击的视频的视频信息,第二负训练样本包括第二样本用户的用户行为信息、人群类别和第二样本用户未点击的视频的视频信息;第三训练样本集合包括第三正训练样本和第三负训练样本,第三正训练样本包括第三样本用户的用户行为信息、人群类别和第三样本用户转发的视频的视频信息,第三负训练样本包括第三样本用户的用户行为信息、人群类别和第一样本用户未转发的视频的视频信息。
在步骤二中,根据第一训练样本集合,对待训练的点赞评分模型进行训练,得到点赞评分模型;根据第二训练样本集合,对待训练的点击评分模型进行训练,得到点击评分模型;根据第三训练样本集合,对待训练的转发评分模型进行训练,得到转发评分模型。
在实施中,视频服务器获取到用于训练点赞评分模型的第一训练样本集合、用于训练点击评分模型的第二训练样本集合和用于训练转发评分模型的第三训练样本集合后,可以根据第一训练样本集合,对待训练的点赞评分模型进行训练,得到点赞评分模型;根据第二训练样本集合,对待训练的点击评分模型进行训练,得到点击评分模型;根据第三训练样本集合,对待训练的转发评分模型进行训练,得到转发评分模型。
在步骤130中,按照推荐评分由高到低的顺序,在各候选视频中,选取预设数目个候选视频,作为目标用户的目标视频。
在实施中,视频服务器中可以预先存储有预设数目。其中,该预设数目可以由技术人员根据经验进行设置。视频服务器得到各候选视频的推荐评分后,可以按照推荐评分由高到低的顺序,在各候选视频中,选取预设数目个候选视频,作为目标用户的目标视频,也即推荐视频。后续,视频服务器可以将目标视频发送至该目标用户的终端设备上的应用程序。这样,目标用户可以在应用程序中可以播放目标视频。
图3是根据一示例性实施例示出的一种人群分类模型的训练方法的流程图,如图3所示,该方法可以包括以下步骤。
在步骤310中,获取训练样本集合。
其中,训练样本集合包括正训练样本和负训练样本,正训练样本包括样本人群类别、以及属于样本人群类别的第一样本用户的用户行为信息和用户关系信息,负训练样本包括样本人群类别、以及不属于样本人群类别的第二样本用户的用户行为信息和用户关系信息。
在实施中,视频服务器中可以预先存储有待训练的人群分类模型和人群分类模型对应的训练样本集合。该训练样本集合包括正训练样本和负训练样本,正训练样本包括样本人群类别、以及属于样本人群类别的第一样本用户的用户行为信息和用户关系信息,负训练样本包括样本人群类别、以及不属于样本人群类别的第二样本用户的用户行为信息和用户关系信息。可选的,在生成训练样本集合时,视频服务器可以获取样本用户的用户名(也可称为用户昵称)。然后,视频服务器可以从样本用户的用户名中提取该样本用户的人群类别。如果用户名中包含该样本用户的人群类别,则可以根据该样本用户的人群类别、用户行为信息和用户关系信息,生成正训练样本。之后,视频服务器可以在用户名中不包含该样本用户的人群类别的样本用户中,采样获取负训练样本。
在步骤320中,根据训练样本集合,对待训练的人群分类模型进行训练,得到人群分类模型。
在实施中,视频服务器得到人群分类模型对应的训练样本集合后,可以根据训练样本集合,对待训练的人群分类模型进行训练,得到人群分类模型。
本公开实施例提供了一种视频的推荐方法。视频服务器获取目标用户的人群类别和用户行为信息、以及各候选视频的视频信息。然后,针对各候选视频中的每个候选视频,视频服务器将目标用户的人群类别和用户行为信息、以及该候选视频的视频信息输入至预先训练的视频推荐模型,得到该候选视频的推荐评分。之后,视频服务器按照推荐评分由高到低的顺序,在各候选视频中,选取预设数目个候选视频,作为目标用户的目标视频。这样,根据不同用户的人群类别和用户行为信息确定不同用户对应的目标视频,可以为不同用户提供精准视频推荐。
图4是根据一示例性实施例示出的一种视频的推荐方法的示例的流程图,具体处理过程如下:
在步骤401中,获取训练样本集合。其中,训练样本集合包括正训练样本和负训练样本,正训练样本包括样本人群类别、以及属于样本人群类别的第一样本用户的用户行为信息和用户关系信息,负训练样本包括样本人群类别、以及不属于样本人群类别的第二样本用户的用户行为信息和用户关系信息。
在步骤402中,根据训练样本集合,对待训练的人群分类模型进行训练,得到人群分类模型。
在步骤403中,获取目标用户的用户行为信息、用户关系信息、以及各候选视频的视频信息。
在步骤404中,将目标用户的用户行为信息和用户关系信息输入至预先训练的人群分类模型,得到目标用户的人群类别。
在步骤405中,针对各候选视频中的每个候选视频,将目标用户的人群类别和用户行为信息、以及该候选视频的视频信息分别输入至预先训练的各视频评分模型,得到该候选视频的各视频评分。
在步骤406中,根据各视频评分模型对应的权重,计算该候选视频的各视频评分的加权和值,作为该候选视频的推荐评分。
在步骤407中,按照推荐评分由高到低的顺序,在各候选视频中,选取预设数目个候选视频,作为目标用户的目标视频。
上述步骤401至步骤407的处理过程与步骤110至步骤130的处理过程类似,本公开实施例不作限定。
图5是根据一示例性实施例示出的一种视频的推荐装置的框图。参照图5,该装置包括:
第一获取装置510,被配置为获取目标用户的人群类别和用户行为信息、以及各候选视频的视频信息;
输入装置520,被配置为针对各候选视频中的每个候选视频,将目标用户的人群类别和用户行为信息、以及该候选视频的视频信息输入至预先训练的视频推荐模型,得到该候选视频的推荐评分,预先训练的视频推荐模型为根据预设的视频推荐训练样本集合,对待训练的视频推荐模型进行训练得到的;
选取装置530,被配置为按照推荐评分由高到低的顺序,在各候选视频中,选取预设数目个候选视频,作为目标用户的目标视频。
作为一种可选的实施方式,第一获取装置510,具体用于:
获取目标用户的用户行为信息和用户关系信息;
将目标用户的用户行为信息和用户关系信息输入至预先训练的人群分类模型,得到目标用户的人群类别。
作为一种可选的实施方式,视频推荐模型包括多个视频评分模型,输入装置520,具体用于:
针对各候选视频中的每个候选视频,将目标用户的人群类别和用户行为信息、以及该候选视频的视频信息分别输入至预先训练的各视频评分模型,得到该候选视频的各视频评分;
根据各视频评分模型对应的权重,计算该候选视频的各视频评分的加权和值,作为该候选视频的推荐评分。
作为一种可选的实施方式,多个视频评分模型包括点赞评分模型、点击评分模型和转发评分模型,该装置还包括:
第二获取装置,被配置为获取第一训练样本集合,第一训练样本集合包括第一正训练样本和第一负训练样本,第一正训练样本包括第一样本用户的用户行为信息、人群类别和第一样本用户点赞的视频的视频信息,第一负训练样本包括第一样本用户的用户行为信息、人群类别和第一样本用户未点赞的视频的视频信息;获取第二训练样本集合,第二训练样本集合包括第二正训练样本和第二负训练样本,第二正训练样本包括第二样本用户的用户行为信息、人群类别和第二样本用户点击的视频的视频信息,第二负训练样本包括第二样本用户的用户行为信息、人群类别和第二样本用户未点击的视频的视频信息;获取第三训练样本集合,第三训练样本集合包括第三正训练样本和第三负训练样本,第三正训练样本包括第三样本用户的用户行为信息、人群类别和第三样本用户转发的视频的视频信息,第三负训练样本包括第三样本用户的用户行为信息、人群类别和第一样本用户未转发的视频的视频信息;
第一训练装置,被配置为根据第一训练样本集合,对待训练的点赞评分模型进行训练,得到点赞评分模型;根据第二训练样本集合,对待训练的点击评分模型进行训练,得到点击评分模型;根据第三训练样本集合,对待训练的转发评分模型进行训练,得到转发评分模型。
作为一种可选的实施方式,该装置还包括:
第三获取装置,被配置为获取训练样本集合,训练样本集合包括正训练样本和负训练样本,正训练样本包括样本人群类别、以及属于样本人群类别的第一样本用户的用户行为信息和用户关系信息,负训练样本包括样本人群类别、以及不属于样本人群类别的第二样本用户的用户行为信息和用户关系信息;
第二训练装置,被配置为根据训练样本集合,对待训练的人群分类模型进行训练,得到人群分类模型。
作为一种可选的实施方式,用户行为信息包括用户浏览的视频的类型、用户点赞的视频的类型、用户转发的视频的类型、用户浏览的视频的总时长、用户浏览视频的时间段、用户发布的视频的类型、用户的地理位置兴趣点;用户关系信息包括关注的用户的人群类别、关注目标用户的用户的人群类别、与目标用户双向关注的用户的人群类别。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
本公开实施例提供了一种视频的推荐装置。视频服务器获取目标用户的人群类别和用户行为信息、以及各候选视频的视频信息。然后,针对各候选视频中的每个候选视频,视频服务器将目标用户的人群类别和用户行为信息、以及该候选视频的视频信息输入至预先训练的视频推荐模型,得到该候选视频的推荐评分。之后,视频服务器按照推荐评分由高到低的顺序,在各候选视频中,选取预设数目个候选视频,作为目标用户的目标视频。这样,根据不同用户的人群类别和用户行为信息确定不同用户对应的目标视频,可以为不同用户提供精准视频推荐。
图6是根据一示例性实施例示出的一种服务器600的框图。例如,服务器600可以为一服务器。参照图6,服务器600包括处理组件622,其进一步包括一个或多个处理器,以及由存储器632所代表的存储器资源,用于存储可由处理组件622的执行的指令,例如应用程序。存储器632中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件622被配置为执行指令,以执行上述音频定位的方法。
服务器600还可以包括一个电源组件626被配置为执行服务器600的电源管理,一个有线或无线网络接口650被配置为将服务器600连接到网络,和一个输入输出(I/O)接口658。服务器600可以操作基于存储在存储器632的操作系统,例如Windows ServerTM,MacOS XTM,UnixTM,LinuxTM,FreeBSDTM或类似。
在示例性实施例中,还提供了一种包括指令的存储介质,例如包括指令的存储器,上述指令可由视频服务器的处理器执行以完成上述方法。可选地,存储介质可以是非临时性计算机可读存储介质,例如,所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
在示例性实施例中,还提供了一种计算机程序产品,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的推荐方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (10)
1.一种视频的推荐方法,其特征在于,所述方法包括:
获取目标用户的人群类别和用户行为信息、以及各候选视频的视频信息;
针对所述各候选视频中的每个候选视频,将所述目标用户的人群类别和用户行为信息、以及该候选视频的视频信息输入至预先训练的视频推荐模型,得到该候选视频的推荐评分,所述预先训练的视频推荐模型为根据预设的视频推荐训练样本集合,对待训练的视频推荐模型进行训练得到的;
按照推荐评分由高到低的顺序,在所述各候选视频中,选取预设数目个候选视频,作为所述目标用户的目标视频。
2.根据权利要求1所述的方法,其特征在于,所述获取目标用户的人群类别,包括:
获取目标用户的用户行为信息和用户关系信息;
将所述目标用户的用户行为信息和用户关系信息输入至预先训练的人群分类模型,得到所述目标用户的人群类别。
3.根据权利要求1所述的方法,其特征在于,所述视频推荐模型包括多个视频评分模型;
所述针对所述各候选视频中的每个候选视频,将所述目标用户的人群类别和用户行为信息、以及该候选视频的视频信息输入至预先训练的视频推荐模型,得到该候选视频的推荐评分,包括:
针对所述各候选视频中的每个候选视频,将所述目标用户的人群类别和用户行为信息、以及该候选视频的视频信息分别输入至预先训练的各视频评分模型,得到该候选视频的各视频评分;
根据所述各视频评分模型对应的权重,计算该候选视频的各视频评分的加权和值,作为该候选视频的推荐评分。
4.根据权利要求1所述的方法,其特征在于,所述多个视频评分模型包括点赞评分模型、点击评分模型和转发评分模型,所述方法还包括:
获取第一训练样本集合,所述第一训练样本集合包括第一正训练样本和第一负训练样本,所述第一正训练样本包括第一样本用户的用户行为信息、人群类别和所述第一样本用户点赞的视频的视频信息,所述第一负训练样本包括第一样本用户的用户行为信息、人群类别和所述第一样本用户未点赞的视频的视频信息;
获取第二训练样本集合,所述第二训练样本集合包括第二正训练样本和第二负训练样本,所述第二正训练样本包括第二样本用户的用户行为信息、人群类别和所述第二样本用户点击的视频的视频信息,所述第二负训练样本包括第二样本用户的用户行为信息、人群类别和所述第二样本用户未点击的视频的视频信息;
获取第三训练样本集合,所述第三训练样本集合包括第三正训练样本和第三负训练样本,所述第三正训练样本包括第三样本用户的用户行为信息、人群类别和所述第三样本用户转发的视频的视频信息,所述第三负训练样本包括第三样本用户的用户行为信息、人群类别和所述第一样本用户未转发的视频的视频信息;
根据所述第一训练样本集合,对待训练的点赞评分模型进行训练,得到点赞评分模型;
根据所述第二训练样本集合,对待训练的点击评分模型进行训练,得到点击评分模型;
根据所述第三训练样本集合,对待训练的转发评分模型进行训练,得到转发评分模型。
5.根据权利要求1或2所述的方法,其特征在于,所述方法还包括:
获取训练样本集合,所述训练样本集合包括正训练样本和负训练样本,所述正训练样本包括样本人群类别、以及属于所述样本人群类别的第一样本用户的用户行为信息和用户关系信息,所述负训练样本包括所述样本人群类别、以及不属于所述样本人群类别的第二样本用户的用户行为信息和用户关系信息;
根据所述训练样本集合,对待训练的人群分类模型进行训练,得到人群分类模型。
6.根据权利要求2所述的方法,其特征在于,用户行为信息包括用户浏览的视频的类型、用户点赞的视频的类型、用户转发的视频的类型、用户浏览的视频的总时长、用户浏览视频的时间段、用户发布的视频的类型、用户的地理位置兴趣点;用户关系信息包括关注的用户的人群类别、关注所述目标用户的用户的人群类别、与所述目标用户双向关注的用户的人群类别。
7.一种视频的推荐装置,其特征在于,所述装置包括:
第一获取装置,被配置为获取目标用户的人群类别和用户行为信息、以及各候选视频的视频信息;
输入装置,被配置为针对所述各候选视频中的每个候选视频,将所述目标用户的人群类别和用户行为信息、以及该候选视频的视频信息输入至预先训练的视频推荐模型,得到该候选视频的推荐评分,所述预先训练的视频推荐模型为根据预设的视频推荐训练样本集合,对待训练的视频推荐模型进行训练得到的;
选取装置,被配置为按照推荐评分由高到低的顺序,在所述各候选视频中,选取预设数目个候选视频,作为所述目标用户的目标视频。
8.根据权利要求7所述的装置,其特征在于,所述装置还包括:
第三获取装置,被配置为获取训练样本集合,所述训练样本集合包括正训练样本和负训练样本,所述正训练样本包括样本人群类别、以及属于所述样本人群类别的第一样本用户的用户行为信息和用户关系信息,所述负训练样本包括所述样本人群类别、以及不属于所述样本人群类别的第二样本用户的用户行为信息和用户关系信息;
第二训练装置,被配置为根据所述训练样本集合,对待训练的人群分类模型进行训练,得到人群分类模型。
9.一种视频服务器,其特征在于,所述视频服务器包括:
处理器;
用于存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述指令,以实现如权利要求1至6中任一项所述的视频的推荐方法。
10.一种存储介质,当所述存储介质中的指令由视频服务器的处理器执行时,使得视频服务器能够执行如权利要求1至6中任一项所述的视频的推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010074277.4A CN111294620A (zh) | 2020-01-22 | 2020-01-22 | 视频的推荐方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010074277.4A CN111294620A (zh) | 2020-01-22 | 2020-01-22 | 视频的推荐方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111294620A true CN111294620A (zh) | 2020-06-16 |
Family
ID=71026602
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010074277.4A Pending CN111294620A (zh) | 2020-01-22 | 2020-01-22 | 视频的推荐方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111294620A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113420180A (zh) * | 2021-05-18 | 2021-09-21 | 北京达佳互联信息技术有限公司 | 视频推荐方法、装置、电子设备及存储介质 |
CN113656637A (zh) * | 2021-07-26 | 2021-11-16 | 北京达佳互联信息技术有限公司 | 视频推荐方法、装置、电子设备及存储介质 |
CN116167829A (zh) * | 2023-04-26 | 2023-05-26 | 湖南惟客科技集团有限公司 | 一种多维多粒度用户行为分析方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105095419A (zh) * | 2015-07-15 | 2015-11-25 | 哈尔滨工程大学 | 一种面向微博特定类型用户的信息影响力最大化方法 |
CN106326277A (zh) * | 2015-06-30 | 2017-01-11 | 上海证大喜马拉雅网络科技有限公司 | 一种基于用户行为的音频个性化推荐方法和系统 |
US20170169018A1 (en) * | 2015-12-09 | 2017-06-15 | Le Holdings (Beijing) Co., Ltd. | Method and Electronic Device for Recommending Media Data |
CN108090162A (zh) * | 2017-12-13 | 2018-05-29 | 北京百度网讯科技有限公司 | 基于人工智能的信息推送方法和装置 |
CN109829116A (zh) * | 2019-02-14 | 2019-05-31 | 北京达佳互联信息技术有限公司 | 一种内容推荐方法、装置、服务器及计算机可读存储介质 |
US20190205701A1 (en) * | 2017-12-29 | 2019-07-04 | Guangdong Oppo Mobile Telecommunications Corp., Ltd. | Method for Training Model and Information Recommendation System |
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 |
CN110334245A (zh) * | 2019-05-20 | 2019-10-15 | 山东大学 | 一种基于时序属性的图神经网络的短视频推荐方法及装置 |
-
2020
- 2020-01-22 CN CN202010074277.4A patent/CN111294620A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106326277A (zh) * | 2015-06-30 | 2017-01-11 | 上海证大喜马拉雅网络科技有限公司 | 一种基于用户行为的音频个性化推荐方法和系统 |
CN105095419A (zh) * | 2015-07-15 | 2015-11-25 | 哈尔滨工程大学 | 一种面向微博特定类型用户的信息影响力最大化方法 |
US20170169018A1 (en) * | 2015-12-09 | 2017-06-15 | Le Holdings (Beijing) Co., Ltd. | Method and Electronic Device for Recommending Media Data |
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 |
CN108090162A (zh) * | 2017-12-13 | 2018-05-29 | 北京百度网讯科技有限公司 | 基于人工智能的信息推送方法和装置 |
US20190205701A1 (en) * | 2017-12-29 | 2019-07-04 | Guangdong Oppo Mobile Telecommunications Corp., Ltd. | Method for Training Model and Information Recommendation System |
CN109829116A (zh) * | 2019-02-14 | 2019-05-31 | 北京达佳互联信息技术有限公司 | 一种内容推荐方法、装置、服务器及计算机可读存储介质 |
CN110334245A (zh) * | 2019-05-20 | 2019-10-15 | 山东大学 | 一种基于时序属性的图神经网络的短视频推荐方法及装置 |
Non-Patent Citations (1)
Title |
---|
沈磊等: "基于心理学模型的协同过滤推荐方法", 《计算机工程》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113420180A (zh) * | 2021-05-18 | 2021-09-21 | 北京达佳互联信息技术有限公司 | 视频推荐方法、装置、电子设备及存储介质 |
CN113656637A (zh) * | 2021-07-26 | 2021-11-16 | 北京达佳互联信息技术有限公司 | 视频推荐方法、装置、电子设备及存储介质 |
CN116167829A (zh) * | 2023-04-26 | 2023-05-26 | 湖南惟客科技集团有限公司 | 一种多维多粒度用户行为分析方法 |
CN116167829B (zh) * | 2023-04-26 | 2023-08-29 | 湖南惟客科技集团有限公司 | 一种多维多粒度用户行为分析方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107451199B (zh) | 问题推荐方法及装置、设备 | |
CN110582025B (zh) | 用于处理视频的方法和装置 | |
CN109460514B (zh) | 用于推送信息的方法和装置 | |
US20190043106A1 (en) | Training a chatbot for a digital advertisement to simulate common conversations associated with similar digital advertisements | |
US10747771B2 (en) | Method and apparatus for determining hot event | |
US11775993B2 (en) | Generating customized surveys using third-party social networking information | |
US8924491B2 (en) | Tracking message topics in an interactive messaging environment | |
US9961162B2 (en) | Disambiguating online identities | |
CN110597962B (zh) | 搜索结果展示方法、装置、介质及电子设备 | |
JP6379309B2 (ja) | ジオメトリック | |
JP2016154019A (ja) | コンテキスト上のユーザ状態および継続時間の推測 | |
CN111294620A (zh) | 视频的推荐方法及装置 | |
CN111708948B (zh) | 内容项推荐方法、装置、服务器及计算机可读存储介质 | |
JP2008287707A (ja) | ユーザプロフィールデータに基づくコンテンツ選択システムおよびコンテンツ選択方法 | |
CN111125574A (zh) | 用于生成信息的方法和装置 | |
WO2015169056A1 (zh) | 信息呈现方法和设备 | |
CN111400586A (zh) | 群组展示方法、终端、服务器、系统及存储介质 | |
CN111954087B (zh) | 视频中图像的截取方法和装置、存储介质和电子设备 | |
CN111897950A (zh) | 用于生成信息的方法和装置 | |
CN113535991A (zh) | 一种多媒体资源推荐方法、装置、电子设备及存储介质 | |
WO2020033117A1 (en) | Dynamic and continous onboarding of service providers in an online expert marketplace | |
CN114245185B (zh) | 视频推荐方法、模型训练方法、装置、电子设备及介质 | |
CN111125507A (zh) | 一种群组活动推荐方法、装置、服务器及计算机存储介质 | |
CN111787042B (zh) | 用于推送信息的方法和装置 | |
CN109472028B (zh) | 用于生成信息的方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200616 |