CN111309939A - 视频推荐排序方法和装置 - Google Patents
视频推荐排序方法和装置 Download PDFInfo
- Publication number
- CN111309939A CN111309939A CN202010078938.0A CN202010078938A CN111309939A CN 111309939 A CN111309939 A CN 111309939A CN 202010078938 A CN202010078938 A CN 202010078938A CN 111309939 A CN111309939 A CN 111309939A
- Authority
- CN
- China
- Prior art keywords
- user
- video
- target
- model
- air
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/40—Information retrieval; Database structures therefor; File system structures therefor of multimedia data, e.g. slideshows comprising image and additional audio data
- G06F16/43—Querying
- G06F16/435—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
- G06F16/40—Information retrieval; Database structures therefor; File system structures therefor of multimedia data, e.g. slideshows comprising image and additional audio data
- G06F16/43—Querying
- G06F16/435—Filtering based on additional data, e.g. user or group profiles
- G06F16/437—Administration of user profiles, e.g. generation, initialisation, adaptation, distribution
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供了一种视频推荐排序方法和装置。所述方法包括：接收到来自用户终端的推荐请求时，获取当前用户的用户特征、在播用户的在播视频信息以及所述用户终端所在位置；根据所述用户终端所在位置召回相应内容分发网络(CDN)节点的视频候选集；根据所述当前用户的用户特征、在播用户的在播视频信息和召回的视频候选集，通过预先训练的多目标排序模型，生成视频推荐列表。本公开通过采用包括用户付费目标、用户体验目标和节省带宽目标的多目标排序模型，实现了基于投入收益和用户体验最优化的视频推荐。
Description
技术领域
本公开的实施例一般地涉及网络视频技术领域，并且更具体地，涉及一种视频推荐排序方法和装置。
背景技术
随着计算机技术和网络技术的发展，视频已经成为人们日常生活中获取信息和享受娱乐的主要载体。面对海量的视频内容，视频推荐是一种常见的帮助用户获取视频的方式，一般的视频推荐方法包括从全部视频候选集中根据离线模型进行召回和排序，返回推荐结果；同时使用离线模型和在线学习模型进行视频的召回和排序，动态改善推荐结果等，但是这些视频推荐系统都是以优化用户点击率或用户停留时长为目标进行设计，从这样的系统设计方式只满足了用户体验，但对视频供应方的成本和收益优化未加考虑。目前，还没有能够同时优化视频消费周期中经济效益以及用户体验的视频推荐方案。
发明内容
为此，根据本公开的实施例，提供了一种基于投入收益与用户体验最优化的视频推荐排序方案。
在本公开的第一方面，提供了一种视频推荐排序方法，包括：
接收到来自用户终端的推荐请求时，获取当前用户的用户特征、在播用户的在播视频信息以及所述用户终端所在位置；
根据所述用户终端所在位置召回相应内容分发网络(CDN)节点的视频候选集；
根据所述当前用户的用户特征、在播用户的在播视频信息和召回的视频候选集，通过预先训练的多目标排序模型，生成视频推荐列表；其中，所述多目标排序模型是针对包括用户付费目标、用户体验目标和节省带宽目标的多目标任务，基于用户付费行为特征、推荐上下文特征和在播用户播放视频特征训练得到的。
进一步地，所述根据所述当前用户的用户特征、在播用户的在播视频信息和召回的视频候选集，通过预先训练的多目标排序模型，生成视频推荐列表包括：
根据所述当前用户的用户特征获取用户付费行为特征；
根据所述在播用户的在播视频信息获取当前在播用户播放视频特征；
根据所述召回的视频候选集获取每个视频的视频特征；
将所述当前用户的用户特征、用户付费行为特征、当前在播用户播放视频特征和视频候选集中视频的视频特征输入所述多目标排序模型，生成视频推荐列表。
可选地，按照下述方式训练得到所述多目标排序模型：
获取所有用户的历史行为数据，训练获得视频特征或者使用视频自身的视频特征；
针对具体用户的历史行为数据，对行为对象的视频进行时间加权求和获得用户特征；
在所述视频特征和用户特征的基础上，再选取推荐上下文特征，以用户体验为目标，选择排序模型并训练得到用户体验目标模型；获取用户付费行为特征，以用户付费为目标，选择排序模型，训练得到收益目标模型；获取在播用户播放视频特征，以节省带宽为目标，选择排序模型，训练得到节省带宽目标模型；
将上述三个模型融合得到所述多目标排序模型。
可选地，按照下述方式训练得到所述多目标排序模型：
获取所有用户的历史行为数据；
对所述用户的历史行为数据学习生成视频特征Item Embbeding；
针对每个用户，根据该用户的历史行为数据中的视频的Item Embbeding，按照时间加权求和得到用户特征User Embbeding；
在所述视频特征和用户特征的基础上，再选取推荐上下文特征，构建深度神经学习模型，以用户体验为目标训练模型；
基于所训练的模型，再加入用户付费行为特征，以用户付费为目标，构建第一异构迁移网络学习模型；
基于所述学习模型，再加入在播用户播放视频特征，以节省带宽为目标，构建第二异构迁移网络学习模型，训练得到所述多目标排序模型。
进一步地，所述用户付费行为特征包括付费观看行为、购买会员行为、会员续费行为中的一个或多个；
所述在播用户播放视频特征包括在播用户的地理位置、播放视频信息、播放进度和下载方式中的一个或多个。
进一步地，在生成视频推荐列表后，还包括：
按照所述视频推荐列表呈现视频信息；
获取用户反馈操作；
根据所述用户反馈操作更新所述多目标排序模型。
进一步地，所述根据所述用户反馈操作更新所述多目标排序模型包括：
按照预设周期更新所述多目标排序模型；
在本公开的第二方面，提供了一种视频推荐排序装置，包括：
获取模块，用于接收到来自用户终端的推荐请求时，获取当前用户的用户特征、在播用户的在播视频信息以及所述用户终端所在位置；
召回模块，用于根据所述用户终端所在位置召回相应内容分发网络(CDN)节点的视频候选集；
排序模块，用于根据所述当前用户的用户特征、在播用户的在播视频信息和召回的视频候选集，通过预先训练的多目标排序模型，生成视频推荐列表；其中，所述多目标排序模型是针对包括用户付费目标、用户体验目标和节省带宽目标的多目标任务，基于用户付费行为特征、推荐上下文特征和在播用户播放视频特征训练得到的。
在本公开的第三方面，提供了一种电子设备。该电子设备包括：存储器和处理器，所述存储器上存储有计算机程序，所述处理器执行所述程序时实现如第一方面所述的方法。
在本公开的第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如第一方面所述的方法。
本公开实施例提供的视频推荐排序方法和装置通过基于用户付费行为特征、推荐上下文特征和在播用户播放视频特征训练得到的多目标排序模型进行视频排序，实现了基于投入收益与用户体验最优化的视频推荐，在保障用户体验的同时提高了整个视频消费周期中的经济效益；通过考虑用户付费行为特征，从而提高付费会员转化比例；通过考虑地域特征从指定范围内召回视频候选集，节省了CDN资源，降低了成本；通过考虑在播用户播放视频特征，从而提高例如P2P的低成本下载方式的使用率；而且，从视频消费的全周期考量，根据用户操作反馈更新所述多目标排序模型，从而不断优化推荐效果。
应当理解，发明内容部分中所描述的内容并非旨在限定本公开的实施例的关键或重要特征，亦非用于限制本公开的范围。本公开的其它特征将通过以下的描述变得容易理解。
附图说明
结合附图并参考以下详细说明，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中，相同或相似的附图标记表示相同或相似的元素，其中：
图1示出了根据本公开实施例的视频推荐排序方法的流程图；
图2示出了根据本公开另一实施例的视频推荐排序方法的流程图；
图3示出了根据本公开实施例的视频推荐排序装置的结构图；
图4示出了能够实施本公开实施例的示例性电子设备的方框图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的全部其他实施例，都属于本公开保护的范围。
另外，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
参照图1，其示出了根据本公开实施例的视频推荐排序方法的流程，包括：
S110、接收到来自用户终端的推荐请求时，获取当前用户的用户特征、在播用户的在播视频信息以及所述用户终端所在位置；
其中，所述用户终端例如为电视、手机、平板电脑等，所述推荐请求由用户终端发出，例如在用户登录APP时或打开特定的界面时，自动发送推荐请求。可选地，所述推荐请求信息包括用户标识，系统根据所述用户标识获取用户特征。所述用户终端所在位置可以由终端中的GPS或北斗等卫星定位单元得到或者根据终端的IP地址等网络标识确定。
系统在接收到推荐请求后，获取在播用户正在播放的视频信息，即在播视频信息，包括视频的标识、主题等。
S120、根据所述用户终端所在位置召回相应内容分发网络(CDN)节点的视频候选集；
其中，所述CDN节点是根据用户终端所在位置确定的特定节点，所述视频候选集可以为视频列表的形式，其包括预先部署在所述CDN中的视频信息。可选地，所述CDN中的视频并非服务商所能提供的全部视频，而是根据用户体验、地域等特征选择并部署在CDN中，从而减少CDN的费用且可以保障用户体验。
根据本公开的一个实施例，按照下述方式将视频部署在所述CDN中：
获取用户历史行为数据；
根据地域特征以及推荐上下文特征对所述用户历史行为数据标注，生成训练样本集；
根据所述样本集训练得到CDN部署模型；
按照CDN部署模型进行离线预测，按照地域及用户体验从全部视频中选择部分视频部署至CDN节点中。
由此，每个CDN节点存储相应地域且用户体验优于预设阈值的视频。实现了CDN差异化部署，减少视频供应方的部署成本。
S130、根据所述当前用户的用户特征、在播用户的在播视频信息和召回的视频候选集，通过预先训练的多目标排序模型，生成视频推荐列表；其中，所述多目标排序模型是针对包括用户付费目标、用户体验目标和节省带宽目标的多目标任务，基于用户付费行为特征、推荐上下文特征和在播用户播放视频特征训练得到的。
其中，所述用户付费行为特征为与收益有关的特征，例如付费观看行为、购买会员行为、会员续费行为等。所述推荐上下文特征为与用户体验相关的特征。所述在播用户播放视频特征包括在播用户的地理位置、播放视频信息、播放进度和下载方式等。所述下载方式包括P2P下载、从CDN下载和通过机房带宽(BDP)下载等，其成本大小为P2P<CDN<机房带宽，所以推荐视频时，为了节省成本，期望尽可能通过P2P下载，且最好不要通过BDP下载。为此，本公开实施例的方法中，在推荐视频时以CDN中的视频列表为目标召回，且在排序时引入其它用户当前播放视频信息，以提高P2P使用为目标排序。本公开实施例所述多目标排序模型基于用户付费行为特征、推荐上下文特征和在播用户播放视频特征训练得到，可以至少满足以下多个目标：提高用户体验、提高付费会员转化目标、节省CDN资源、提高P2P使用率。
其中，根据所述当前用户的用户特征获取用户付费行为特征；
根据所述在播用户的在播视频信息获取当前在播用户播放视频特征；
根据所述召回的视频候选集获取每个视频的视频特征；
将所述当前用户的用户特征、用户付费行为特征、当前在播用户播放视频特征和视频候选集中视频的视频特征输入所述多目标排序模型，生成视频推荐列表。
进一步地，基于用户特征、视频特征、用户付费行为特征、推荐上下文特征和在播用户播放视频特征训练得到所述多目标排序模型。
根据本公开的一个实施例，按照下述方式训练得到所述步骤S130中的多目标排序模型：
获取所有用户的历史行为数据，训练获得视频特征或者使用视频自身的视频特征；
针对具体用户的历史行为数据，对行为对象的视频进行时间加权求和获得用户特征；
在所述视频特征和用户特征的基础上，再选取推荐上下文特征，以用户体验为目标(包括但不限于点击率、播放时长等)，选择排序模型并训练得到用户体验目标模型；
获取用户付费行为特征，以用户付费为目标(包括但不限于购买转化、会员转化等)，选择排序模型，训练得到收益目标模型；
根据上两步选取特征，获取在播用户播放视频特征，以节省带宽用量为目标，选择排序模型，训练得到节省带宽目标模型；
将上述三个模型融合得到所述多目标排序模型。
在应用时，根据上述三个模型，针对每个视频，分别用对应的模型进行打分，然后加权求和得到总评分，按照总评分大小对视频候选集中的视频进行排序。
根据本公开的另一个实施例，按照下述方式训练得到所述步骤S130中的多目标排序模型：
获取所有用户的历史行为数据，所述历史行为数据中包括每个用户的用户标识、行为信息和行为对象的视频信息等；
对所述历史行为数据学习生成视频特征Item Embbeding或使用视频自身的特征，根据具体用户的历史行为的视频的Item Embbeding，按照时间加权求和得到用户特征UserEmbbeding；
选取推荐上下文特征，构建深度神经学习模型；其中所述推荐上下文特征包括但不限于视频的召回策略、当前视频与喜好视频的相似度、召回数量、召回历史、视频时长、视频类型等，所述深度神经学习模型的具体模型架构不限，包括RNN、CNN、LSTM、Attention、Transformer等；
以用户体验为目标(包括点击率、播放时长等)训练模型；
基于所述训练的模型为基础，加入挖掘的用户付费行为特征，以用户付费为目标，构建第一异构迁移网络学习模型；
基于所述学习模型为基础，加入在播用户反馈视频信息，以节省带宽为目标，构建第二异构迁移网络学习模型，训练得到多目标排序模型，用于线上召回视频的排序。
在上述实施例中，所述挖掘用户付费行为特征包括：
根据经验人工选择；和/或
根据用户历史行为数据，采用算法挖掘，所述算法包括但不限于例如逻辑回归、决策树等分类算法或聚类算法。
本公开实施例提供的视频推荐排序方法通过基于用户付费行为特征、推荐上下文特征和在播用户播放视频特征训练得到的多目标排序模型进行视频排序，实现了基于投入收益与用户体验最优化的视频推荐，在保障用户体验的同时提高了整个视频消费周期中的经济效益。
参照图2，其示出了根据本公开另一实施例的视频推荐排序方法的流程，该方法的步骤S110～S130与图1所述的视频推荐排序方法相同，在此不再赘述。与图1所述的方法不同的是，在步骤S130生成视频推荐列表后，该实施例的方法还包括：
S140、按照所述视频推荐列表呈现视频信息；
其中，可以按照视频推荐列表的排序，在用户终端的界面中自上而下地展示所述视频的名称、预览图、时长等信息。或者，将视频推荐列表中排序在前N位的视频信息以不同方式呈现，例如占据更大界面空间或锁定置顶等。
S150、获取用户反馈操作；
其中，所述用户反馈操作包括用户对视频推荐列表中的视频进行操作的信息，例如曝光、点击、播放、付费、关闭等行为。
S160、根据所述用户反馈操作更新所述多目标排序模型。
其中，可选地，按照预设周期更新所述多目标排序模型，例如每天。所述更新包括获取包括上述用户反馈操作的用户历史行为数据，根据所述用户历史行为数据训练得到新的多目标排序模型。之后在接收到推荐请求时，则按照所述新的多目标排序模型生成视频推荐列表。或者，累积所述用户反馈到达预设阈值后，更新所述多目标排序模型，例如当用户付费操作到达预设次数后更新，或者用户关闭待付费视频的操作到达预设次数后更新。由此，在视频消费的全周期内，能够根据用户操作反馈不断更新所述多目标排序模型，从而取得最优化的推荐效果。
参照图3，其示出了根据本公开实施例的视频推荐排序装置300，包括：
获取模块310，用于接收到来自用户终端的推荐请求时，获取当前用户的用户特征、在播用户的在播视频信息以及所述用户终端所在位置；
召回模块320，用于根据所述用户终端所在位置召回相应内容分发网络(CDN)节点的视频候选集；
排序模块330，用于根据所述当前用户的用户特征、在播用户的在播视频信息和召回的视频候选集，通过预先训练的多目标排序模型，生成视频推荐列表；其中，所述多目标排序模型是针对包括用户付费目标、用户体验目标和节省带宽目标的多目标任务，基于用户付费行为特征、推荐上下文特征和在播用户播放视频特征训练得到的。
作为一个实施例，所述视频推荐排序装置300还包括模型生成模块，用于基于所述用户付费行为特征、推荐上下文特征和在播用户播放视频特征训练得到所述多目标排序模型。可选地，也可以由另一装置生成多目标排序模型，并发送至所述视频推荐排序装置300中。
可选地，所述视频推荐排序装置300还包括收发模块，用于接收用户推荐请求和用户终端所在位置，以及将视频推荐列表发送给用户终端。
可选地，所述视频推荐排序装置300可以实现在服务器中，所述服务器与CDN节点和多个用户终端相连，且具有存储用户历史行为数据的数据库。
本领域技术人员可以理解，所述视频推荐排序装置的各模块用于实施参照图1所示的方法，其具体方案不再赘述。
用户终端、CDN节点和具有视频推荐排序装置的服务器构成了视频推荐系统，下面通过一示例性实施例阐述所述系统的工作过程，其包括如下阶段：
(1)特征获取阶段：
根据专家经验和/或分类算法，从用户历史行为数据中挖掘用户付费行为特征；提取视频特征和用户特征；选取推荐上下文特征；获取在播用户播放视频特征。
(2)模型训练阶段：
基于所述用户特征、视频特征、用户付费行为特征、推荐上下文特征和在播用户播放视频特征，对所述用户的历史行为数据训练得到所述多目标排序模型，将离线训练好的排序模型部署在服务器中；
(3)线上召回阶段：
当某个用户使用用户终端登录相应APP时，自动地向服务器发送推荐请求以及用户终端所在位置，服务器获取获取当前用户的用户特征、在播用户的在播视频信息以及所述用户终端所在位置，并根据所述用户终端所在位置召回相应CDN节点的视频候选集；
(4)线上排序阶段：
将所述当前用户的用户特征、用户付费行为特征、当前在播用户播放视频特征和视频候选集中视频的视频特征输入预先训练的多目标排序模型，生成视频推荐列表；
(5)视频呈现阶段：
服务器将视频推荐列表排序发送给用户终端，由所述用户终端按照排序展现视频信息给用户；
(6)模型更新阶段：
接收用户反馈操作，将用户反馈操作记录至用户的历史行为数据中，定期返回(1)阶段，以更新所述多目标排序模型。
本公开实施例还提供了一种电子设备。该电子设备包括：存储器和处理器，所述存储器上存储有计算机程序，所述处理器执行所述程序时实现参照图1和/或图2所述的方法。进一步地，还提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现参照图1和/或图2所述的方法。图4示出了可以用来实施本公开的实施例的电子设备400的示意性框图。如图所示，设备400包括中央处理单元(CPU)401，其可以根据存储在只读存储器(ROM)402中的计算机程序指令或者从存储单元408加载到随机访问存储器(RAM)403中的计算机程序指令，来执行各种适当的动作和处理。在RAM 403中，还可以存储设备400操作所需的各种程序和数据。CPU 401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
设备400中的多个部件连接至I/O接口405，包括：输入单元406，例如键盘、鼠标等；输出单元407，例如各种类型的显示器、扬声器等；存储单元408，例如磁盘、光盘等；以及通信单元409，例如网卡、调制解调器、无线通信收发机等。通信单元409允许设备400通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理单元401执行上文所描述的各个方法和处理，例如方法200、300。例如，在一些实施例中，方法200、300可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元408。在一些实施例中，计算机程序的部分或者全部可以经由ROM 402和/或通信单元409而被载入和/或安装到设备400上。当计算机程序加载到RAM 403并由CPU 401执行时，可以执行上文描述的方法200、300的一个或多个步骤。备选地，在其他实施例中，CPU401可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法200、300。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)等等。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
此外，虽然采用特定次序描绘了各操作，但是这应当理解为要求这样操作以所示出的特定次序或以顺序次序执行，或者要求所有图示的操作应被执行以取得期望的结果。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实现中。相反地，在单个实现的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实现中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。
Claims (10)
1.一种视频推荐排序方法，其特征在于，包括：
接收到来自用户终端的推荐请求时，获取当前用户的用户特征、在播用户的在播视频信息以及所述用户终端所在位置；
根据所述用户终端所在位置召回相应内容分发网络(CDN)节点的视频候选集；
根据所述当前用户的用户特征、在播用户的在播视频信息和召回的视频候选集，通过预先训练的多目标排序模型，生成视频推荐列表；其中，所述多目标排序模型是针对包括用户付费目标、用户体验目标和节省带宽目标的多目标任务，基于用户付费行为特征、推荐上下文特征和在播用户播放视频特征训练得到的。
2.根据权利要求1所述的方法，其特征在于，所述根据所述当前用户的用户特征、在播用户的在播视频信息和召回的视频候选集，通过预先训练的多目标排序模型，生成视频推荐列表包括：
根据所述当前用户的用户特征获取用户付费行为特征；
根据所述在播用户的在播视频信息获取当前在播用户播放视频特征；
根据所述召回的视频候选集获取每个视频的视频特征；
将所述当前用户的用户特征、用户付费行为特征、当前在播用户播放视频特征和视频候选集中视频的视频特征输入所述多目标排序模型，生成视频推荐列表。
3.根据权利要求2所述的方法，其特征在于，按照下述方式训练得到所述多目标排序模型：
获取所有用户的历史行为数据，训练获得视频特征或者使用视频自身的视频特征；
针对具体用户的历史行为数据，对行为对象的视频进行时间加权求和获得用户特征；
在所述视频特征和用户特征的基础上，再选取推荐上下文特征，以用户体验为目标，选择排序模型并训练得到用户体验目标模型；获取用户付费行为特征，以用户付费为目标，选择排序模型，训练得到收益目标模型；获取在播用户播放视频特征，以节省带宽为目标，选择排序模型，训练得到节省带宽目标模型；
将上述三个模型融合得到所述多目标排序模型。
4.根据权利要求2所述的方法，其特征在于，按照下述方式训练得到所述多目标排序模型：
获取所有用户历史行为数据；
对所述用户历史行为数据学习生成视频特征Item Embbeding；
针对每个用户，根据该用户历史行为数据中的视频的Item Embbeding，按照时间加权求和得到用户特征User Embbeding；
在所述视频特征和用户特征的基础上，再选取推荐上下文特征，构建深度神经学习模型，以用户体验为目标训练模型；
基于所训练的模型，再加入用户付费行为特征，以用户付费为目标，构建第一异构迁移网络学习模型；
基于所述学习模型，再加入在播用户播放视频特征，以节省带宽为目标，构建第二异构迁移网络学习模型，训练得到所述多目标排序模型。
5.根据权利要求3或4所述的方法，其特征在于，所述用户付费行为特征包括付费观看行为、购买会员行为、会员续费行为中的一个或多个；
所述在播用户播放视频特征包括在播用户的地理位置、播放视频信息、播放进度和下载方式中的一个或多个。
6.根据权利要求1所述的方法，其特征在于，在生成视频推荐列表后，还包括：
按照所述视频推荐列表呈现视频信息；
获取用户反馈操作；
根据所述用户反馈操作更新所述多目标排序模型。
7.根据权利要求6所述的方法，其特征在于，所述根据所述用户反馈操作更新所述多目标排序模型包括：
按照预设周期更新所述多目标排序模型。
8.一种视频推荐排序装置，其特征在于，包括：
获取模块，用于接收到来自用户终端的推荐请求时，获取当前用户的用户特征、在播用户的在播视频信息以及所述用户终端所在位置；
召回模块，用于根据所述用户终端所在位置召回相应内容分发网络(CDN)节点的视频候选集；
排序模块，用于根据所述当前用户的用户特征、在播用户的在播视频信息和召回的视频候选集，通过预先训练的多目标排序模型，生成视频推荐列表；其中，所述多目标排序模型是针对包括用户付费目标、用户体验目标和节省带宽目标的多目标任务，基于用户付费行为特征、推荐上下文特征和在播用户播放视频特征训练得到的。
9.一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1～7中任一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1～7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010078938.0A CN111309939B (zh) | 2020-02-03 | 2020-02-03 | 视频推荐排序方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010078938.0A CN111309939B (zh) | 2020-02-03 | 2020-02-03 | 视频推荐排序方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111309939A true CN111309939A (zh) | 2020-06-19 |
| CN111309939B CN111309939B (zh) | 2023-02-28 |
Family
ID=71145763
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010078938.0A Active CN111309939B (zh) | 2020-02-03 | 2020-02-03 | 视频推荐排序方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111309939B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112417207A (zh) * | 2020-11-24 | 2021-02-26 | 未来电视有限公司 | 一种视频推荐方法、装置、设备及存储介质 |
| CN112446763A (zh) * | 2020-11-27 | 2021-03-05 | 广州三七互娱科技有限公司 | 服务推荐方法、装置及电子设备 |
| CN112801690A (zh) * | 2020-12-31 | 2021-05-14 | 北京嘀嘀无限科技发展有限公司 | 一种干预特征的确定方法和装置 |
| 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 |
| 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 |
| CN115037957A (zh) * | 2022-06-07 | 2022-09-09 | 北京视达科技有限公司 | 一种基于直播节目推荐点播内容的方法、装置及系统 |
| US11782999B2 (en) | 2020-12-18 | 2023-10-10 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method for training fusion ordering model, search ordering method, electronic device and storage medium |
| TWI836141B (zh) | 2020-09-16 | 2024-03-21 | 大陸商深圳市博浩光電科技有限公司 | 即時三維影像顯示的直播方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150052554A1 (en) * | 2013-01-25 | 2015-02-19 | Mobitv, Inc. | Geographic content recommendation |
| CN105160008A (zh) * | 2015-09-21 | 2015-12-16 | 合一网络技术(北京)有限公司 | 一种定位推荐用户的方法及装置 |
| CN106170817A (zh) * | 2014-03-26 | 2016-11-30 | X-坦有限公司 | 用于不可替代资产的推荐系统 |
| US20160371589A1 (en) * | 2015-06-17 | 2016-12-22 | Yahoo! Inc. | Systems and methods for online content recommendation |
| CN106612456A (zh) * | 2015-10-26 | 2017-05-03 | 中兴通讯股份有限公司 | 网络视频播放方法和系统及用户终端、家庭流服务节点 |
| CN108270828A (zh) * | 2016-12-30 | 2018-07-10 | 北京国双科技有限公司 | 一种内容分发网络系统推荐方法及装置 |
| US20180349930A1 (en) * | 2017-06-05 | 2018-12-06 | International Business Machines Corporation | Optimizing predictive precision for actionable forecasts of revenue change |
| CN110263244A (zh) * | 2019-02-14 | 2019-09-20 | 腾讯科技（深圳）有限公司 | 内容推荐方法、装置、存储介质和计算机设备 |
-
2020
- 2020-02-03 CN CN202010078938.0A patent/CN111309939B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150052554A1 (en) * | 2013-01-25 | 2015-02-19 | Mobitv, Inc. | Geographic content recommendation |
| CN106170817A (zh) * | 2014-03-26 | 2016-11-30 | X-坦有限公司 | 用于不可替代资产的推荐系统 |
| US20160371589A1 (en) * | 2015-06-17 | 2016-12-22 | Yahoo! Inc. | Systems and methods for online content recommendation |
| CN105160008A (zh) * | 2015-09-21 | 2015-12-16 | 合一网络技术(北京)有限公司 | 一种定位推荐用户的方法及装置 |
| CN106612456A (zh) * | 2015-10-26 | 2017-05-03 | 中兴通讯股份有限公司 | 网络视频播放方法和系统及用户终端、家庭流服务节点 |
| WO2017071566A1 (zh) * | 2015-10-26 | 2017-05-04 | 中兴通讯股份有限公司 | 网络视频播放方法和系统及用户终端、家庭流服务节点 |
| CN108270828A (zh) * | 2016-12-30 | 2018-07-10 | 北京国双科技有限公司 | 一种内容分发网络系统推荐方法及装置 |
| US20180349930A1 (en) * | 2017-06-05 | 2018-12-06 | International Business Machines Corporation | Optimizing predictive precision for actionable forecasts of revenue change |
| CN110263244A (zh) * | 2019-02-14 | 2019-09-20 | 腾讯科技（深圳）有限公司 | 内容推荐方法、装置、存储介质和计算机设备 |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI836141B (zh) | 2020-09-16 | 2024-03-21 | 大陸商深圳市博浩光電科技有限公司 | 即時三維影像顯示的直播方法 |
| CN112417207A (zh) * | 2020-11-24 | 2021-02-26 | 未来电视有限公司 | 一种视频推荐方法、装置、设备及存储介质 |
| CN112417207B (zh) * | 2020-11-24 | 2023-02-21 | 未来电视有限公司 | 一种视频推荐方法、装置、设备及存储介质 |
| CN112446763A (zh) * | 2020-11-27 | 2021-03-05 | 广州三七互娱科技有限公司 | 服务推荐方法、装置及电子设备 |
| US11782999B2 (en) | 2020-12-18 | 2023-10-10 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method for training fusion ordering model, search ordering method, electronic device and storage medium |
| CN112801690A (zh) * | 2020-12-31 | 2021-05-14 | 北京嘀嘀无限科技发展有限公司 | 一种干预特征的确定方法和装置 |
| 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 |
| 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 |
| CN115037957A (zh) * | 2022-06-07 | 2022-09-09 | 北京视达科技有限公司 | 一种基于直播节目推荐点播内容的方法、装置及系统 |
| CN115037957B (zh) * | 2022-06-07 | 2024-01-30 | 北京视达科技有限公司 | 一种基于直播节目推荐点播内容的方法、装置及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111309939B (zh) | 2023-02-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111309939B (zh) | 视频推荐排序方法和装置 | |
| CN109902849B (zh) | 用户行为预测方法及装置、行为预测模型训练方法及装置 | |
| US20220414593A1 (en) | Network computer system to implement predictive time-based determinations for fulfilling delivery orders | |
| CN110458220B (zh) | 人群定向方法、装置、服务器及存储介质 | |
| CN111178970B (zh) | 广告投放的方法及装置、电子设备和计算机可读存储介质 | |
| US20190132699A1 (en) | Computing system to implement network delivery service | |
| US20190132702A1 (en) | Network computer system to selectively batch delivery orders | |
| CN110413867B (zh) | 用于内容推荐的方法及系统 | |
| CN110139162A (zh) | 媒体内容的共享方法和装置、存储介质、电子装置 | |
| CN110598120A (zh) | 基于行为数据的理财推荐方法及装置、设备 | |
| CN111259231A (zh) | 应用程序的推荐方法和装置 | |
| CN112104505B (zh) | 应用推荐方法、装置、服务器和计算机可读存储介质 | |
| CN111552835B (zh) | 文件推荐方法、装置及服务器 | |
| CN112328888A (zh) | 信息推荐方法、装置、服务器及存储介质 | |
| CN114371946B (zh) | 基于云计算和大数据的信息推送方法及信息推送服务器 | |
| WO2022155450A1 (en) | Crowdsourcing platform for on-demand media content creation and sharing | |
| CN114331495A (zh) | 多媒体数据处理方法、装置、设备及存储介质 | |
| CN114119123A (zh) | 信息推送的方法和装置 | |
| CN112287799A (zh) | 基于人工智能的视频处理方法、装置及电子设备 | |
| US11240568B2 (en) | Apparatus and method for replacing and outputting advertisement | |
| CN111291868A (zh) | 网络模型训练方法、装置、设备及计算机可读存储介质 | |
| CN113128597B (zh) | 一种用户行为特征的提取和分类预测的方法及装置 | |
| CN112182460A (zh) | 资源的推送方法和装置、存储介质及电子装置 | |
| CN111831892A (zh) | 信息推荐方法、信息推荐装置、服务器及存储介质 | |
| CN115795156A (zh) | 物料召回和神经网络训练方法、装置、设备及存储介质 |
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 |