CN111314790A - 一种视频播放记录的排序方法、装置和电子设备 - Google Patents
一种视频播放记录的排序方法、装置和电子设备 Download PDFInfo
- Publication number
- CN111314790A CN111314790A CN202010221924.XA CN202010221924A CN111314790A CN 111314790 A CN111314790 A CN 111314790A CN 202010221924 A CN202010221924 A CN 202010221924A CN 111314790 A CN111314790 A CN 111314790A
- Authority
- CN
- China
- Prior art keywords
- video
- video playing
- record
- play
- target
- 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
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/47—End-user applications
- H04N21/482—End-user interface for program selection
- H04N21/4825—End-user interface for program selection using a list of items to be played back in a given order, e.g. playlists
-
- 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
- H04N21/4667—Processing of monitored end-user data, e.g. trend analysis based on the log file of viewer selections
Abstract
本发明实施例提供了一种视频播放记录的排序方法、装置和电子设备,所述方法包括:获取目标账号关联的第一视频播放记录列表,所述第一视频播放记录列表包括视频播放记录;确定所述视频播放记录对应的目标特征;将所述视频播放记录和所述目标特征输入预测模型,预测得到所述视频播放记录的点击率,所述点击率为用户播放所述视频播放记录对应的视频的概率;按照所述视频播放记录的点击率,对所述第一视频播放记录列表中的所述视频播放记录排序。本发明实施例提供的一种视频播放记录的排序方法、装置和电子设备,可以解决现有的视频播放记录的排序效果差的问题。
Description
技术领域
本发明涉及数据处理领域,具体涉及一种视频播放记录的排序方法、装置和电子设备。
背景技术
视频播放类应用通常会根据用户所观看的视频,生成对应的视频播放记录列表,用户可以根据视频播放记录列表,查找到之前所播放的视频,并了解之前所播放的视频的播放进度,从而方便用户继续观看之前未看完的视频或者继续追剧。然而,现有的视频播放记录列表通常是按照时间顺序倒序排列展示所述视频播放记录,当用户同一时间段内所播放的视频过多时,用户需要花费大量时间对某一视频播放记录进行查询,可见,现有的视频播放记录列表存在对视频播放记录的排序效果差的问题。
发明内容
本发明实施例的目的在于提供一种视频播放记录的排序方法、装置和电子设备,以解决现有的视频播放记录的排序效果差的问题。具体技术方案如下:
在本发明实施的第一方面,首先提供了一种视频播放记录的排序方法,应用于服务器,包括:
获取目标账号关联的第一视频播放记录列表,所述第一视频播放记录列表包括视频播放记录;
确定所述视频播放记录对应的目标特征,所述目标特征包括以下特征中的至少一项:用户属性特征、视频属性特征和播放时间特征;
将所述视频播放记录和所述目标特征输入预测模型,预测得到所述视频播放记录的点击率,其中,所述预测模型为将所述目标特征和与所述目标特征相对应的用户行为输入学习模型进行训练得到的模型,所述用户行为包括播放视频行为和关闭视频行为,所述点击率为用户播放所述视频播放记录对应的视频的概率;
按照所述视频播放记录的点击率,对所述第一视频播放记录列表中的所述视频播放记录排序。
在本发明实施的第二方面,还提供了一种视频播放记录的排序装置,包括:
第一获取模块,用于获取目标账号关联的第一视频播放记录列表,所述第一视频播放记录列表包括视频播放记录;
确定模块,用于确定所述视频播放记录对应的目标特征,所述目标特征包括以下特征中的至少一项:用户属性特征、视频属性特征和播放时间特征;
预测模块,用于将所述视频播放记录和所述目标特征输入预测模型,预测得到所述视频播放记录的点击率,其中,所述预测模型为将所述目标特征和与所述目标特征相对应的用户行为输入学习模型进行训练得到的模型,所述用户行为包括播放视频行为和关闭视频行为,所述点击率为用户播放所述视频播放记录对应的视频的概率;
排序模块,用于按照所述视频播放记录的点击率,对所述第一视频播放记录列表中的所述视频播放记录排序。
在本发明实施的第三方面,还提供了一种电子设备,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,实现所述视频播放记录的排序方法步骤。
在本发明实施的第四方面,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,其特征在于,该程序被处理器执行时实现所述视频播放记录的排序方法步骤。
本发明实施例提供的一种视频播放记录的排序方法、装置和电子设备,通过预测模型基于目标特征对第一视频播放记录列表中的各视频播放记录的点击率进行预测,并按照各视频播放记录的点击率对第一视频播放记录列表中的所述视频播放记录排序。这样,可以实现将点击率高的视频播放记录排列于视频播放记录列表的前排,从而方便用户快速查找到目标视频播放记录,解决了现有的视频播放记录的排序效果差的问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。
图1为本发明实施例中一种视频播放记录的排序方法的流程图之一;
图2为本发明实施例中一种视频播放记录的排序方法的流程图之二;
图3为本发明实施例中一种视频播放记录的排序方法的流程图之三;
图4为本发明实施例中另一种视频播放记录的排序方法的流程图;
图5为本发明实施例中一种视频播放记录的排序装置的结构示意图;
图6为本发明实施例中一种电子设备的结构示意图之一;
图7为本发明实施例中一种电子设备的结构示意图之二。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行描述。
请参见图1,图1为本发明实施例提供的一种视频播放记录的排序方法,应用于服务器,包括:
步骤101、获取目标账号关联的第一视频播放记录列表,所述第一视频播放记录列表包括视频播放记录。
其中,上述目标账号可以视频播放平台的用户账号,例如爱奇艺账号等。所述目标账号关联的第一视频播放记录列表可以包括:所述目标账号的用户在所述视频播放平台所观看的所有视频的视频播放记录。其中,所述目标账号可以登录于电子设备,所述第一视频播放记录列表可以由该电子设备记录,登录该目标账号的电子设备在生成所述第一播放记录列表后,可以基于服务器的请求,将第一播放记录列表发送至服务器,也可以是基于用户针对电子设备的特定操作,将第一播放记录列表发送至服务器。上述第一播放记录列表还可以是服务器在用户播放视频时,主动记录的信息,当接收到对视频播放记录的排序指令时,直接调用存储于服务器内部的第一播放记录列表即可。
上述第一视频播放记录列表可以包括至少两条视频播放记录,且第一视频播放记录列表中的视频播放记录可以按照视频播放记录生成的时间顺序进行排列,也可是无序的视频播放记录。
上述电子设备可以是具有视频播放功能的电子设备,例如:手机、平板电脑(Tablet Personal Computer)、膝上型电脑(Laptop Computer)、个人数字助理(personaldigital assistant,简称PDA)、移动上网装置(Mobile Internet Device,MID)或可穿戴式设备(Wearable Device)等。
步骤102、确定所述视频播放记录对应的目标特征,所述目标特征包括以下特征中的至少一项:用户属性特征、视频属性特征和播放时间特征;
其中,所述用户属性特征可以是用户年龄、用户性别和用户所偏爱的视频播放类型等与用户相关的个人信息,其中,所述用户属性特征可以是用户在注册所述目标账号时,所输入的信息,也可以是通过用户在使用视频播放软件时,根据用户的行为习惯所学习到的用户属性特征,对此不作限制。
上述视频属性特征可以是视频播放记录当前的视频播放记录所对应的视频内容当前的新鲜度、视频播放记录所对应的视频所属类型、视频播放记录所对应的视频所属频道、视频播放记录所对应的视频的总时长、视频播放记录所对应的视频的当前热度等,其中,视频内容当前的新鲜度是指视频发布的时间距离当前时间的时间间隔,视频的当前热度可以是视频播放软件根据观看该视频的人数自动生成的,例如,爱奇艺视频软件所发布的视频就会在对应的视频播放界面实时生成对应的视频热度信息。
上述播放时间特征还可以是视频所展示的次数(也即视频的历史播放次数)、视频播放进度、上次观看时间、上次观看时间距离当前时间的时长、上次观看的时长等特征。具体地,上述播放时间特征并非视频本身的特征,而是基于用户在观看某一视频时,作用于视频界面的行为所生成的特征,其中,上述播放时间特征可以是由电子设备进行统计,并与视频播放记录进行关联存储,以便后续在对视频播放记录进行排序时,可以提取到该播放时间特征。具体地,通过获取播放时间特征,这样预测模型可以根据用户的播放时间特征对用户的行为进行分析,并确定用户再次展示某一视频的可能性。例如,当上述播放时间特征为视频所展示的次数时,可以人为设定如下规则:在其他特征条件相同的情况下,用户展示某一视频的次数越多,则其下次继续观看该视频的概率越大,进而实现对视频播放记录的点击率的预测。
应当理解地,所述目标特征可以是用户属性特征、视频属性特征和播放时间特征中的至少一种,也可以是同时包括用户属性特征、视频属性特征和播放时间特征,此外,所述目标特征除了可以包括属性特征、视频属性特征和播放时间特征之外,还可以包括其他特征对应的数据,例如,用户当前网络状态特征等。
步骤103、将所述视频播放记录和所述目标特征输入预测模型,预测得到所述视频播放记录的点击率,其中,所述预测模型为将所述目标特征和与所述目标特征相对应的用户行为输入学习模型进行训练得到的模型,所述用户行为包括播放视频行为和关闭视频行为,所述点击率为用户播放所述视频播放记录对应的视频的概率;
其中,所述学习模型可以是机器学习模型,例如,可以根据梯度提升树(GradientBoosting Decision Tree,GBDT)算法构建机器学习模型,并对该机器学习模型进行训练以得到所述预测模型。
具体地,用户在观看视频时,通常会在视频应用的界面作出各种行为操作,例如,点击播放某个视频的播放视频行为,或者,关闭正在播放的视频关闭行为等,当用户作为上述行为时,通常会在电子设备上生成一条播放行为日志,该播放行为日志中包括所述目标特征,此时,通过记录所述用户行为和播放行为日志中的目标特征,即可获得上述“目标特征和与所述目标特征相对应的用户行为”,并将该“目标特征和与所述目标特征相对应的用户行为”作为一组训练数据,对所述学习模型进行训练,以得到所述预测模型。
通过将上述训练数据输入学习模型,这样,学习模型可以学习到与目标特征相对应的用户行为,进而基于目标特征对用于可能作出的行为进行预测,以实现对视频播放记录的点击率进行预测。其中,所述点击率可以是0-1的数值,用户可能播放所述视频播放记录对应的视频的概率越大,则该视频播放记录的点击率越高。
下文以一具体实施例对上述排序方法作进一步解释说明,例如,通过训练,预测模型可以学习到14-28岁的男性对游戏节目的点击率较高、40岁以下的人群对戏曲节目的点击率较低、女性对综艺节目的点击率较高、当前热度最高的电视剧为abcd等规则,其中,所述当前热度最高可以是全网点击率最高或者作为话题被讨论的次数最多等。当获取到第一用户的第一视频播放记录列表时,通过第一用户的ID,可以确定,第一用户包括以下特征:性别:男;年龄:22;喜欢看:游戏节目、综艺节目;此外,当前时间为节假日下午;第一用户的第一视频播放记录列表包括4个视频:第一播放记录:游戏节目,当前进度50%,上次观看时间距离当前时间9个小时;第二播放记录:戏曲节目,当前进度为3%,上次观看时间距离当前时间1个月;第三播放记录:综艺节目,当前进度为15%,上次观看时间距离当前时间15天;第四播放记录:综艺节目,当前进度为50%。服务器在接收到第一视频播放记录列表后,可以获取上述所列举的特征,并将上述特征生成对应的特征列表,其中,所述特征列表内分别存储各个视频播放记录的目标特征。然后,服务器可以逐一将特征列表内各条视频播放记录的目标特征输入预测模型,预测模型按照将上述特征与自身所学习到的规则进行匹配,以实现对各条视频播放记录的点击率进行预测,具体地,由上述论述可知,第一播放记录与预测模型学习到的规则其中两条规则相对应“14-28岁的男性喜欢看游戏节目”、“喜欢看:游戏节目、综艺节目”完全对应,因此,可以为第一播放记录设置较高的点击率;第二播放记录与预测模型学习到的规则“40岁以下的人群不喜欢看戏曲节目”相对应,因此,可以为第二播放记录设置较低的点击率;第三播放记录和第四播放记录的用户属性特征和视频属性特征相同,但就播放时间特征而言,第四播放记录相对于第三播放记录上次播放的时间距离当前时间更短,此外,第三播放记录和第四播放记录均与预测模型学习到的规则“喜欢看:游戏节目、综艺节目”相对应,可见,相对于第三播放记录,用户更可能观看第四播放记录,且用户可能继续观看第三播放记录和第四播放记录介于可能观看第一播放记录的概率与第四播放记录的概率之间,因此,预测模型可以作出如下预测:第一播放记录的点击率为0.9;第二播放记录的点击率为0.1;第三播放记录的点击率为0.4;第二播放记录的点击率为0.7。
此外,当上述目标特征所包括的数据类型或特征数量较多时,还可以为各个特征设置权重,预测模型在对各个视频播放记录的点击率进行预测时,可以先逐一对各个特征进行预测,然后将各个特征的预测结果乘以对应的权重再求和,以得到每个视频播放记录的点击率。
步骤104、按照所述视频播放记录的点击率,对所述第一视频播放记录列表中的所述视频播放记录排序。
由上述论述可知,上述步骤103对各条视频播放记录的点击率进行预测时,预测模型通过自身学习到的规则,判断用户可能继续观看视频播放记录的概率,其中,概率越高则点击率越高,因此,在进行排序时,可以将点击率高的视频播放记录靠看排序,而点击率低的视频播放记录则靠后排序,以输出第二视频播放记录列表,这样,用户在观看到第二视频播放记录列表时,通常可以在第二视频播放记录列表的靠前位置找到想要继续观看的视频,从而方便用户快速在视频播放记录列表内查找到想要继续观看的视频播放记录。
具体地,本发明实施例通过预测模型基于目标特征对第一视频播放记录列表中的各视频播放记录的点击率进行预测,并按照各视频播放记录的点击率对第一视频播放记录列表中的所述视频播放记录排序。这样,可以实现将点击率高的视频播放记录排列于视频播放记录列表的前排,从而方便用户快速查找到目标视频播放记录,解决了现有的视频播放记录的排序效果差的问题。
请参见图2,图2是本发明实施例提供的另一种视频播放记录的排序方法的流程图,本实施例与本发明上一实施例的主要区别在于本实施例进一步限定了所述目标特征包括播放时间特征,如图2所示,所述方法包括:
步骤201、获取目标账号关联的第一视频播放记录列表,所述第一视频播放记录列表包括视频播放记录;
该步骤201与本发明上一实施例中的步骤101相同,在此不再赘述。
步骤202、确定所述视频播放记录对应的目标特征,所述目标特征包括播放时间特征;
其中,所述播放时间特征还可以是视频所展示的次数(也即视频的历史播放次数)、视频播放进度、上次观看时间、上次观看时间距离当前时间的时长、上次观看的时长等特征。具体地,上述播放时间特征并非视频本身的特征,而是基于用户在观看某一视频时,作用于视频界面的行为所生成的特征,其中,上述播放时间特征可以是由电子设备进行统计,并与视频播放记录进行关联存储,以便后续在对视频播放记录进行排序时,可以提取到该播放时间特征。
此外,所述目标特征还可以包括用户属性特征、视频属性特征等特征中的至少一种,其中,用户属性特征和视频属性特征在上述实施例已经进行了相应介绍,为避免重复,在此不再予以赘述。
步骤203、将所述视频播放记录和所述目标特征输入预测模型,预测得到所述视频播放记录的点击率,其中,所述预测模型为将所述目标特征和与所述目标特征相对应的用户行为输入学习模型进行训练得到的模型,所述用户行为包括播放视频行为和关闭视频行为,所述点击率为用户播放所述视频播放记录对应的视频的概率。
该步骤203与本发明上一实施例中的步骤103相同,在此不再赘述。
步骤204、按照所述视频播放记录的点击率,对所述第一视频播放记录列表中的所述视频播放记录排序。
该步骤204与本发明上一实施例中的步骤104相同,在此不再赘述。
具体地,由于本发明实施例中的预测模型是基于目标特征对用户可能作用于视频播放记录上的行为进行预测,因此,在预测时应当充分考虑用于在此之前的行为操作,并通过对用户之前的行为操作进行分析,以预测用户当前最可能的行为操作。又由于上述播放时间特征并非视频本身的特征,而是基于用户在观看某一视频时,作用于视频界面的行为所生成的特征。基于此,本发明实施例中,通过设置所述目标特征包括播放时间特征,这样,可以确保预测模型在对每个视频播放记录的点击率进行预测时,均考虑到待预测的视频播放记录中所记载的用户行为,从而提高对点击率预测的准确性。
可选地,在所述获取用户账号关联的第一视频播放记录列表之前,所述方法还包括:
获取预设时间周期内所生成的播放行为日志,其中,所述播放行为日志包括生成所述视频播放记录的日志信息;
提取所述播放行为日志中的所述目标特征和所述用户行为;
将所述目标特征和所述用户行为输入机器学习模型,由所述机器学习模型学习所述目标特征与所述用户行为之间的对应关系,得到所述预测模型。
上述播放行为日志可以是用户在电子设备的视频播放记录列表内的点击事件所产生的行为日志,也可以是用户关闭正在播放的视频所生成的行为日志,例如,用户在视频播放记录列表内的每一次点击事件都可以在电子设备生成一条对应的播放行为日志,其中,该播放行为日志对应的目标特征包括至少一下信息:用户属性特征、视频属性特征、播放时间特征以及用户行为等,电子设备可以基于服务器的请求将该播放行为日志发送至服务器,也可以按照预设时间周期将该播放行为日志发送至服务器,还可以在生成一条播放行为日志后,立即将该播放行为日志发送至服务器。
此外,服务器可以接收所有用户的播放行为日志,并将所接收到的播放行为日志输入所述机器学习模型,对机器学习模型进行训练,使得机器学习模型可以学习到所述目标特征与所述用户行为之间的对应关系,该对应关系可以为上述实施例中所述的规则,例如,可以学习到18岁的男性在视频播放记录内点击游戏类视频播放记录的点击率最高等规则。在完成对机器学习模型的训练后,即可得到上述预测模型。后续当从视频播放记录中获取到上述目标特征时,预测模型可以根据自身学习到的规则判断用户可能点集某一视频播放记录的概率,从而实现对视频播放记录的点击率进行预测。
在本发明一个实施例中,所述获取预设时间周期内所生成的播放行为日志,可以是为每隔预设时长,获取预设时间周期内所生成的播放行为日志。
其中,上述预设时长可以是一天,例如,服务器可以在每天凌晨00:00接收所有目标账号关联的前一天的播放行为日志列表,该播放行为日志列表可以记录目标账号的用户前一天在视频播放记录列表内的所有播放行为日志。服务器在接收到所有目标账号关联的前一天的播放行为日志列表后,对每条播放行为日志进行特征提取,并将所有播放行为日志对应的目标特征和用户行为输入上述预测模型,再次对预测模型进行训练,如此,方便预测模型定期可学习到最新规则,从而进一步提高对视频播放记录列表排序的准确性。此外,通过在每天凌晨00:00对前一天所采集的播放行为日志进行离线训练,可以有效的避开用户使用排序功能的高峰期,提供用户的体验。
可选地,所述获取目标账号关联的第一视频播放记录列表,包括:
在接收到电子设备发送的视频播放记录列表展示请求的情况下,获取目标账号关联的第一视频播放记录列表,其中,所述目标账号为所述电子设备所登录的账号;
在所述按照所述视频播放记录的点击率,对所述第一视频播放记录列表中的所述视频播放记录排序之后,所述方法还包括:
向所述电子设备发送第二播发记录列表,其中,所述第二播放记录列表为按照所述视频播放记录的点击率,对所述第一视频播放记录列表中的所述视频播放记录排序后得到的列表。
具体地,电子设备可以在用户点击查看视频播放应用中的播放记录列表时,向服务器发送视频播放记录列表展示请求,服务器基于所述视频播放记录列表展示请求,获取第一视频播放记录列表,并按照上述方法对第一视频播放记录列表进行排序,以输出第二视频播放记录列表,服务器在得到第二视频播放记录列表后,可以将第二视频播放记录列表发送至对应的电子设备进行显示,如此,当用户点击查看播放记录列表时,电子设备显示的是第二视频播放记录列表,从而方便用户通过第二视频播放记录列表快速查找到想要继续观看的视频播放记录。
可选地,所述目标特征还包括所述视频播放记录生成的环境特征,所述将所述视频播放记录和所述目标特征输入预测模型,预测得到所述视频播放记录的点击率,包括:
获取当前环境特征;
将所述视频播放记录、所述目标特征和所述当前环境特征输入预测模型,预测得到所述视频播放记录的点击率。
其中,所述环境特征可以是用户的历史观影时段,其中,所述观影时段可以包括上午、下午和晚上,此外,所述播放时间特征也可以包括节假日和非节假日。
具体地,预测模型在对视频播放记录进行预测时,可以进一步对比当前所处时间段和用户历史观看该视频播放记录所对应的视频所处时间段,在其他特征相同的情况下,为历史观看某一视频的时间段与当前时间段相同的视频播放记录设置更高的点击率。例如,视频播放记录列表中包括两部类型相似的电视剧的视频播放记录,该两部类型相似的电视剧具体为:电视剧A和电视剧B,其对应的视频播放记录分别为:视频播放记录A和视频播放记录B。预测模型通过对视频播放记录A和视频播放记录B进行分析确定,二者除了当前环境特征不同外,其他目标特征均相同,其中,视频播放记录A记录的历史播放时段为中午,而视频播放记录B记录的历史播放时段为晚上,而当前时间段为晚上,因此,预测模型在对该两条视频播放记录的点击率进行预测时,可以输出视频播放记录B的点击率高于视频播放记录A的点击率的结果。应当理解的,当时间为中午时,可以输出视频播放记录A的点击率高于视频播放记录B的点击率的结果。这样,可以进一步结合当前环境对视频播放记录的点击率进行预测,提高了预测结果的合理性。
请参见图3,为对上述方法进行进一步解释说明书,下文以一具体实施例对上述方法进一步解释说明,所述服务器包括用户行为日志采集模块、模型训练模块和在线排序推理模块。具体地,在对预测模型进行训练的过程中:电子设备在生成用户针对视频播放记录的播放行为日志后,由用户行为日志采集模块采集所述播放行为日志,并将所采集的播放行为日志发送至模型训练模块,模型训练模块进行特征生成,即模型训练模块从所述播放行为日志中获取用于训练的目标特征和用户行为,然后逐一将每条播放行为日志的目标特征和用户行为输入GBDT模型进行训练,以得到所述预测模型。在对视频播放记录的排序阶段,电子设备将视频播放记录发送至在线排序推理模块,在线排序推理模块根据视频播放记录进行特征生成,然后将所生成的特征输入预测模型,由预测模型分别对每条视频播放记录的点击率进行预测,再由在线排序推理模块按照所述视频播放记录的点击率,对所述视频播放记录排序,以输出排序后的视频播放记录,并将排序后的视频播放记录发送至电子设备进行显示。
请参见图4,图4为本发明实施例提供的另一种视频播放记录排序方法,应用于电子设备,包括:
步骤401、向服务发送视频播放记录列表展示请求;
步骤402、接收服务器发送的第二视频播放记录列表,其中,所述第二视频播放记录列表为所述服务器对所述第一视频播放记录列表进行排序得到的视频播放记录列表;
步骤403、显示所述第二视频播放记录列表。
本实施例为与上述实施例相对应的电子设备侧的方法实施例,其中,本实施例中各个步骤与上述实施例中电子设备所执行的步骤相对应,并可实现相同的技术效果,为避免重复,在此,不再予以赘述。
可选地,所述方法还包括:向所述服务器发送播放行为日志,所述播放行为日志包括用于记录生成视频播放记录的日志信息。
可选地,每隔预设时长,向所述服务器发送播放行为日志。
具体地,本发明实施例通过预测模型基于目标特征对第一视频播放记录列表中的各视频播放记录的点击率进行预测,并按照各视频播放记录的点击率对第一视频播放记录列表中的所述视频播放记录排序。这样,可以实现将点击率高的视频播放记录排列于视频播放记录列表的前排,从而方便用户快速查找到目标视频播放记录,解决了现有的视频播放记录的排序效果差的问题。
请参见图5,图5为本发明实施例提供的一种视频播放记录的排序装置500,其特征在于,包括:
第一获取模块501,用于获取目标账号关联的第一视频播放记录列表,所述第一视频播放记录列表包括视频播放记录;
确定模块502,用于确定所述视频播放记录对应的目标特征,所述目标特征包括以下特征中的至少一项:用户属性特征、视频属性特征和播放时间特征;
预测模块503,用于将所述视频播放记录和所述目标特征输入预测模型,预测得到所述视频播放记录的点击率,其中,所述预测模型为将所述目标特征和与所述目标特征相对应的用户行为输入学习模型进行训练得到的模型,所述用户行为包括播放视频行为和关闭视频行为,所述点击率为用户播放所述视频播放记录对应的视频的概率;
排序模块504,用于按照所述视频播放记录的点击率,对所述第一视频播放记录列表中的所述视频播放记录排序。
本发明实施例所提供的一种视频播放记录的排序装置500为与上述实施例方法相对应的装置,其中,视频播放记录的排序装置可以实现上述服务器所执行的方法步骤,为避免重复,在此不再予以赘述。
可选地,所述装置还包括:
第二获取模块,用于在所述获取用户账号关联的第一视频播放记录列表之前,获取预设时间周期内所生成的播放行为日志,其中,所述播放行为日志包括生成所述视频播放记录的日志信息;
提取模块,用于提取所述播放行为日志中的所述目标特征和所述用户行为;
训练模块,用于将所述目标特征和所述用户行为输入机器学习模型,由所述机器学习模型学习所述目标特征与所述用户行为之间的对应关系,得到所述预测模型。
可选地,所述第一获取模块501,具体用于在接收到电子设备发送的视频播放记录列表展示请求的情况下,获取目标账号关联的第一视频播放记录列表,其中,所述目标账号为所述电子设备所登录的账号;
所述装置还包括:发送模块,用于向所述电子设备发送第二播发记录列表,其中,所述第二播放记录列表为按照所述视频播放记录的点击率,对所述第一视频播放记录列表中的所述视频播放记录排序后得到的列表。
可选地,所述目标特征还包括所述视频播放记录生成的环境特征,所述预测模块503包括:
获取子模块,用于获取当前环境特征;
预测子模块,用于将所述视频播放记录、所述目标特征和所述当前环境特征输入预测模型,预测得到所述视频播放记录的点击率。
请参见图6,图6为本发明实施例提供的一种电子设备600,包括:
发送模块601,用于向服务发送视频播放记录列表展示请求;
接收模块602,用于接收服务器发送的第二视频播放记录列表,其中,所述第二视频播放记录列表为所述服务器对所述第一视频播放记录列表进行排序得到的视频播放记录列表;
显示模块603,用于显示所述第二视频播放记录列表。
本发明实施例所提供的一种电子设备为与上述实施例方法相对应的装置,其中,电子设备可以实现上述电子设备所执行的方法步骤,为避免重复,在此不再予以赘述。
本发明实施例还提供了一种电子设备,如图7所示,包括处理器701、通信接口702、存储器703和通信总线704,其中,处理器701,通信接口702,存储器703通过通信总线704完成相互间的通信,
存储器703,用于存放计算机程序;
处理器701,用于执行存储器703上所存放的程序时,实现如下步骤:
获取目标账号关联的第一视频播放记录列表,所述第一视频播放记录列表包括视频播放记录;
确定所述视频播放记录对应的目标特征,所述目标特征包括以下特征中的至少一项:用户属性特征、视频属性特征和播放时间特征;
将所述视频播放记录和所述目标特征输入预测模型,预测得到所述视频播放记录的点击率,其中,所述预测模型为将所述目标特征和与所述目标特征相对应的用户行为输入学习模型进行训练得到的模型,所述用户行为包括播放视频行为和关闭视频行为,所述点击率为用户播放所述视频播放记录对应的视频的概率;
按照所述视频播放记录的点击率,对所述第一视频播放记录列表中的所述视频播放记录排序。
可选地,在所述获取用户账号关联的第一视频播放记录列表之前,所述方法还包括:
获取预设时间周期内所生成的播放行为日志,其中,所述播放行为日志包括生成所述视频播放记录的日志信息;
提取所述播放行为日志中的所述目标特征和所述用户行为;
将所述目标特征和所述用户行为输入机器学习模型,由所述机器学习模型学习所述目标特征与所述用户行为之间的对应关系,得到所述预测模型。
可选地,所述获取目标账号关联的第一视频播放记录列表,包括:
在接收到电子设备发送的视频播放记录列表展示请求的情况下,获取目标账号关联的第一视频播放记录列表,其中,所述目标账号为所述电子设备所登录的账号;
在所述按照所述视频播放记录的点击率,对所述第一视频播放记录列表中的所述视频播放记录排序之后,所述方法还包括:
向所述电子设备发送第二播发记录列表,其中,所述第二播放记录列表为按照所述视频播放记录的点击率,对所述第一视频播放记录列表中的所述视频播放记录排序后得到的列表。
可选地,所述目标特征还包括所述视频播放记录生成的环境特征,所述将所述视频播放记录和所述目标特征输入预测模型,预测得到所述视频播放记录的点击率,包括:
获取当前环境特征;
将所述视频播放记录、所述目标特征和所述当前环境特征输入预测模型,预测得到所述视频播放记录的点击率。
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。
在本发明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播放记录的排序方法。
在本发明提供的又一实施例中,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述实施例中任一所述的视频播放记录的排序方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、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。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (10)
1.一种视频播放记录的排序方法,应用于服务器,其特征在于,包括:
获取目标账号关联的第一视频播放记录列表,所述第一视频播放记录列表包括视频播放记录;
确定所述视频播放记录对应的目标特征,所述目标特征包括以下特征中的至少一项:用户属性特征、视频属性特征和播放时间特征;
将所述视频播放记录和所述目标特征输入预测模型,预测得到所述视频播放记录的点击率,其中,所述预测模型为将所述目标特征和与所述目标特征相对应的用户行为输入学习模型进行训练得到的模型,所述用户行为包括播放视频行为和关闭视频行为,所述点击率为用户播放所述视频播放记录对应的视频的概率;
按照所述视频播放记录的点击率,对所述第一视频播放记录列表中的所述视频播放记录排序。
2.根据权利要求1所述的方法,其特征在于,在所述获取用户账号关联的第一视频播放记录列表之前,所述方法还包括:
获取预设时间周期内所生成的播放行为日志,其中,所述播放行为日志包括生成所述视频播放记录的日志信息;
提取所述播放行为日志中的所述目标特征和所述用户行为;
将所述目标特征和所述用户行为输入机器学习模型,由所述机器学习模型学习所述目标特征与所述用户行为之间的对应关系,得到所述预测模型。
3.根据权利要求1所述的方法,其特征在于,所述获取目标账号关联的第一视频播放记录列表,包括:
在接收到电子设备发送的视频播放记录列表展示请求的情况下,获取目标账号关联的第一视频播放记录列表,其中,所述目标账号为所述电子设备所登录的账号;
在所述按照所述视频播放记录的点击率,对所述第一视频播放记录列表中的所述视频播放记录排序之后,所述方法还包括:
向所述电子设备发送第二播发记录列表,其中,所述第二播放记录列表为按照所述视频播放记录的点击率,对所述第一视频播放记录列表中的所述视频播放记录排序后得到的列表。
4.根据权利要求1所述的方法,其特征在于,所述目标特征还包括所述视频播放记录生成的环境特征,所述将所述视频播放记录和所述目标特征输入预测模型,预测得到所述视频播放记录的点击率,包括:
获取当前环境特征;
将所述视频播放记录、所述目标特征和所述当前环境特征输入预测模型,预测得到所述视频播放记录的点击率。
5.一种视频播放记录的排序装置,其特征在于,包括:
第一获取模块,用于获取目标账号关联的第一视频播放记录列表,所述第一视频播放记录列表包括视频播放记录;
确定模块,用于确定所述视频播放记录对应的目标特征,所述目标特征包括以下特征中的至少一项:用户属性特征、视频属性特征和播放时间特征;
预测模块,用于将所述视频播放记录和所述目标特征输入预测模型,预测得到所述视频播放记录的点击率,其中,所述预测模型为将所述目标特征和与所述目标特征相对应的用户行为输入学习模型进行训练得到的模型,所述用户行为包括播放视频行为和关闭视频行为,所述点击率为用户播放所述视频播放记录对应的视频的概率;
排序模块,用于按照所述视频播放记录的点击率,对所述第一视频播放记录列表中的所述视频播放记录排序。
6.根据权利要求5所述的装置,其特征在于,所述装置还包括:
第二获取模块,用于在所述获取用户账号关联的第一视频播放记录列表之前,获取预设时间周期内所生成的播放行为日志,其中,所述播放行为日志包括生成所述视频播放记录的日志信息;
提取模块,用于提取所述播放行为日志中的所述目标特征和所述用户行为;
训练模块,用于将所述目标特征和所述用户行为输入机器学习模型,由所述机器学习模型学习所述目标特征与所述用户行为之间的对应关系,得到所述预测模型。
7.根据权利要求5所述的装置,其特征在于,所述第一获取模块,具体用于在接收到电子设备发送的视频播放记录列表展示请求的情况下,获取目标账号关联的第一视频播放记录列表,其中,所述目标账号为所述电子设备所登录的账号;
所述装置还包括:
发送模块,用于向所述电子设备发送第二播发记录列表,其中,所述第二播放记录列表为按照所述视频播放记录的点击率,对所述第一视频播放记录列表中的所述视频播放记录排序后得到的列表。
8.根据权利要求5所述的装置,其特征在于,所述目标特征还包括所述视频播放记录生成的环境特征,所述预测模块包括:
获取子模块,用于获取当前环境特征;
预测子模块,用于将所述视频播放记录、所述目标特征和所述当前环境特征输入预测模型,预测得到所述视频播放记录的点击率。
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1-5中任一所述的方法步骤。
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,该程序被处理器执行时实现如权利要求1-5中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010221924.XA CN111314790A (zh) | 2020-03-26 | 2020-03-26 | 一种视频播放记录的排序方法、装置和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010221924.XA CN111314790A (zh) | 2020-03-26 | 2020-03-26 | 一种视频播放记录的排序方法、装置和电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111314790A true CN111314790A (zh) | 2020-06-19 |
Family
ID=71150336
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010221924.XA Pending CN111314790A (zh) | 2020-03-26 | 2020-03-26 | 一种视频播放记录的排序方法、装置和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111314790A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113032029A (zh) * | 2021-03-26 | 2021-06-25 | 北京字节跳动网络技术有限公司 | 音乐应用的续听处理方法、装置及设备 |
CN113837807A (zh) * | 2021-09-27 | 2021-12-24 | 北京奇艺世纪科技有限公司 | 热度预测方法、装置、电子设备及可读存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20080073927A (ko) * | 2007-02-07 | 2008-08-12 | 삼성전자주식회사 | 디지털 미디어 재생장치에서의 히스토리를 이용한 파일재생 방법 |
CN103870452A (zh) * | 2012-12-07 | 2014-06-18 | 盛乐信息技术(上海)有限公司 | 数据推荐方法及系统 |
US20160065637A1 (en) * | 2013-01-31 | 2016-03-03 | Matt O'Malley | System and method for dynamic criteria, request-lists, event-lists, and playlists |
WO2016054916A1 (zh) * | 2014-10-11 | 2016-04-14 | 中兴通讯股份有限公司 | 视频内容的推荐、评价方法及装置 |
CN105872720A (zh) * | 2015-11-25 | 2016-08-17 | 乐视网信息技术(北京)股份有限公司 | 在视频应用中筛选播放记录的方法及装置 |
CN107809550A (zh) * | 2016-09-08 | 2018-03-16 | 阿里巴巴集团控股有限公司 | 调整业务语音播放顺序的方法及设备 |
EP3296890A1 (en) * | 2016-09-20 | 2018-03-21 | Facebook, Inc. | Video keyframes display on online social networks |
CN108304512A (zh) * | 2018-01-19 | 2018-07-20 | 北京奇艺世纪科技有限公司 | 一种视频搜索引擎粗排序方法、装置及电子设备 |
CN109862432A (zh) * | 2019-01-31 | 2019-06-07 | 厦门美图之家科技有限公司 | 点击率预测方法和装置 |
CN110072129A (zh) * | 2018-01-22 | 2019-07-30 | 上海鹰信智能技术有限公司 | 基于车载互联推送、保存播放记录的方法、一种播放方法 |
CN110309326A (zh) * | 2019-05-13 | 2019-10-08 | 深圳魔耳智能声学科技有限公司 | 基于多媒体文件的播放列表生成方法、装置和终端设备 |
-
2020
- 2020-03-26 CN CN202010221924.XA patent/CN111314790A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20080073927A (ko) * | 2007-02-07 | 2008-08-12 | 삼성전자주식회사 | 디지털 미디어 재생장치에서의 히스토리를 이용한 파일재생 방법 |
CN103870452A (zh) * | 2012-12-07 | 2014-06-18 | 盛乐信息技术(上海)有限公司 | 数据推荐方法及系统 |
US20160065637A1 (en) * | 2013-01-31 | 2016-03-03 | Matt O'Malley | System and method for dynamic criteria, request-lists, event-lists, and playlists |
WO2016054916A1 (zh) * | 2014-10-11 | 2016-04-14 | 中兴通讯股份有限公司 | 视频内容的推荐、评价方法及装置 |
CN105872720A (zh) * | 2015-11-25 | 2016-08-17 | 乐视网信息技术(北京)股份有限公司 | 在视频应用中筛选播放记录的方法及装置 |
CN107809550A (zh) * | 2016-09-08 | 2018-03-16 | 阿里巴巴集团控股有限公司 | 调整业务语音播放顺序的方法及设备 |
EP3296890A1 (en) * | 2016-09-20 | 2018-03-21 | Facebook, Inc. | Video keyframes display on online social networks |
CN108304512A (zh) * | 2018-01-19 | 2018-07-20 | 北京奇艺世纪科技有限公司 | 一种视频搜索引擎粗排序方法、装置及电子设备 |
CN110072129A (zh) * | 2018-01-22 | 2019-07-30 | 上海鹰信智能技术有限公司 | 基于车载互联推送、保存播放记录的方法、一种播放方法 |
CN109862432A (zh) * | 2019-01-31 | 2019-06-07 | 厦门美图之家科技有限公司 | 点击率预测方法和装置 |
CN110309326A (zh) * | 2019-05-13 | 2019-10-08 | 深圳魔耳智能声学科技有限公司 | 基于多媒体文件的播放列表生成方法、装置和终端设备 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113032029A (zh) * | 2021-03-26 | 2021-06-25 | 北京字节跳动网络技术有限公司 | 音乐应用的续听处理方法、装置及设备 |
CN113837807A (zh) * | 2021-09-27 | 2021-12-24 | 北京奇艺世纪科技有限公司 | 热度预测方法、装置、电子设备及可读存储介质 |
CN113837807B (zh) * | 2021-09-27 | 2023-07-21 | 北京奇艺世纪科技有限公司 | 热度预测方法、装置、电子设备及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108304512B (zh) | 一种视频搜索引擎粗排序方法、装置及电子设备 | |
WO2021042826A1 (zh) | 一种视频播放完整度预测方法及装置 | |
CN110149540B (zh) | 多媒体资源的推荐处理方法、装置、终端及可读介质 | |
CN111708901B (zh) | 多媒体资源推荐方法、装置、电子设备及存储介质 | |
CN110543598B (zh) | 信息推荐方法、装置及终端 | |
CN110941738B (zh) | 推荐方法、装置、电子设备及计算机可读存储介质 | |
CN113656681B (zh) | 一种对象评价方法、装置、设备及存储介质 | |
CN112765400B (zh) | 兴趣标签的权重更新方法、内容推荐方法、装置及设备 | |
CN111597446B (zh) | 基于人工智能的内容推送方法、装置、服务器和存储介质 | |
CN111062527A (zh) | 一种视频集流量预测方法及装置 | |
CN112669078A (zh) | 一种行为预测模型训练方法、装置、设备及存储介质 | |
CN111314790A (zh) | 一种视频播放记录的排序方法、装置和电子设备 | |
CN114245185B (zh) | 视频推荐方法、模型训练方法、装置、电子设备及介质 | |
CN112883275B (zh) | 一种直播间推荐方法、装置、服务器及介质 | |
CN113204699B (zh) | 信息推荐方法、装置、电子设备及存储介质 | |
CN112073757B (zh) | 情绪波动指数获取方法、显示方法及多媒体内容制作方法 | |
CN113220974A (zh) | 点击率预测模型训练、搜索召回方法、装置、设备及介质 | |
CN110971973A (zh) | 一种视频推送方法、装置及电子设备 | |
CN112995765A (zh) | 一种网络资源显示方法及装置 | |
CN110996142B (zh) | 视频召回方法及装置、电子设备及存储介质 | |
CN113836388A (zh) | 信息推荐方法、装置、服务器及存储介质 | |
CN111353052B (zh) | 一种多媒体对象推荐方法、装置、电子设备及存储介质 | |
CN113837807A (zh) | 热度预测方法、装置、电子设备及可读存储介质 | |
CN107368533B (zh) | 一种内容项推荐方法、装置及电子设备 | |
CN113139083A (zh) | 一种视频推荐方法、装置、终端设备及存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200619 |