CN111385657B - 视频推荐方法、装置及存储介质、计算机设备 - Google Patents
视频推荐方法、装置及存储介质、计算机设备 Download PDFInfo
- Publication number
- CN111385657B CN111385657B CN201811626466.7A CN201811626466A CN111385657B CN 111385657 B CN111385657 B CN 111385657B CN 201811626466 A CN201811626466 A CN 201811626466A CN 111385657 B CN111385657 B CN 111385657B
- Authority
- CN
- China
- Prior art keywords
- video
- score
- behavior
- time
- target video
- 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 47
- 230000000694 effects Effects 0.000 claims abstract description 6
- 230000006399 behavior Effects 0.000 claims description 243
- 230000009471 action Effects 0.000 claims description 56
- 230000015654 memory Effects 0.000 claims description 33
- 230000007704 transition Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012384 transportation and delivery Methods 0.000 claims 1
- 238000004364 calculation method Methods 0.000 description 26
- 230000008569 process Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 6
- 238000005034 decoration Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000002238 attenuated effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001960 triggered 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]
- H04N21/40—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]
- H04N21/20—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
- H04N21/4663—Learning process for intelligent management, e.g. learning user preferences for recommending movies characterized by learning algorithms involving probabilistic networks, e.g. Bayesian networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Probability & Statistics with Applications (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
本发明提供一种视频推荐方法、装置及存储介质、计算机设备,所述方法包括:获取预设时间段内每个时间间隔的目标视频的行为数据;根据所述行为数据获取所述目标视频在每个所述时间间隔内的时间间隔结束时间、视频发布时间、视频行为次数以及用户对所述目标视频的行为得分;根据所述预设时间段内每个所述时间间隔中所述目标视频的所述时间间隔结束时间、视频发布时间、视频行为次数以及用户对所述目标视频的行为得分,计算得到所述目标视频的推荐得分;根据所述目标视频的推荐得分推荐视频。上述方法减少视频推荐时数据运算的时间,更快将新的热门视频,优化了视频推荐效果。
Description
技术领域
本发明涉及视频数据处理技术领域,具体而言,本发明涉及一种视频推荐方法、装置及存储介质、计算机设备。
背景技术
推荐系统需要根据用户的历史行为和兴趣预测用户未来的行为和兴趣,向用户个性化推荐符合用户预期的物品。当新用户进来时,由于缺少历史数据,无法进行个性化推荐,这就是物品推荐的用户冷启动问题。一般情况下,对于用户冷启动问题,主要使用热门推荐的方式,即向用户推荐当前用户群体比较喜欢的物品,待用户数据足够多,再进行个性化推荐。
热门推荐中,常用的方法,即根据贝叶斯原理和视频过去一段时间收集到的用户行为数据,计算视频热门的程度,从而根据视频热门程度进行推荐。然而,这种方案在数据量较大时,由于已经计算过的行为数据将会重新计算,造成大量数据重复计算,因此将耗费大量的计算时间,使得最终算出的热门视频,已经是过去一段时间的热门视频,同时新的热门视频不能得到更快速的曝光,不能得到实时的热门视频推荐。
发明内容
本发明提出一种多视频推荐方法、装置及存储介质、计算机设备,以减少视频推荐时数据运算的时间,更快将新的热门视频,优化了视频推荐效果。
本发明提供以下方案:
一种视频推荐方法,包括:获取预设时间段内每个时间间隔的目标视频的行为数据;根据所述行为数据获取所述目标视频在每个所述时间间隔内的时间间隔结束时间、视频发布时间、视频行为次数以及用户对所述目标视频的行为得分;根据所述预设时间段内每个所述时间间隔中所述目标视频的所述时间间隔结束时间、视频发布时间、视频行为次数以及用户对所述目标视频的行为得分,计算得到所述目标视频的推荐得分;根据所述目标视频的推荐得分推荐视频。
在一实施例中,所述根据所述预设时间段内每个所述时间间隔中所述目标视频的所述时间间隔结束时间、视频发布时间、视频行为次数以及用户对所述目标视频的行为得分,计算得到所述目标视频的推荐得分,包括:计算当前时间与每个所述时间间隔中所述时间间隔结束时间的差值,得到第一差值;计算当前时间与每个所述时间间隔中所述视频发布时间的差值,得到第二差值;根据所述第一差值计算每个所述时间间隔中所述用户对所述目标视频的行为得分的衰减值;根据所述视频行为次数、所述第二差值以及所述衰减值计算得到预设时间段内所述目标视频的推荐得分。
在一实施例中,所述视频行为次数包括视频下发次数;所述目标视频的推荐得分根据以下公式获得:
其中,score1表示目标视频的推荐得分,C表示预设时间内所有视频行为次数总和,m表示上一预设时间内所有视频平均得分,n表示目标视频在当前时间间隔的总下发次数,k表示整数,now_time表示当前时间,action_timek表示第k个时间间隔结束时间,t设定的常数;post_timek表示目标视频的视频发布时间,每个时间间隔中目标视频的视频发布时间相同;表示所述衰减值。
在一实施例中,所述根据所述行为数据获取用户对所述目标视频的行为得分,包括:获取用户在每个时间间隔内对所述目标视频的多个行为数据,以及每个行为数据的权重;根据每个所述行为数据以及对应的权重,计算所述用户对所述目标视频的行为得分。
在一实施例中,所述根据每个所述行为数据以及对应的权重,计算所述用户对所述目标视频的行为得分,包括:根据以下公式计算所述行为得分:
action_score=sum(action_weight*action_cnt);
其中,action_score表示所述行为得分;action_weight表示行为数据的权重;action_cnt表示行为数据的数量;action_weight*action_cnt表示行为数据的数量与其对应的权重乘积;sum(action_weight*action_cnt)表示时间间隔内所有行为数据对应的乘积的总和。
在一实施例中,所述行为数据包括目标视频所在地域对应的第一行为数据和观看所述目标视频的用户所在地域对应的第二行为数据;所述根据所述行为数据获取所述目标视频在每个所述时间间隔内的时间间隔结束时间、视频发布时间、视频行为次数以及用户对所述目标视频的行为得分,包括:根据所述第一行为数据获取所述目标视频在每个所述时间间隔内的第一时间间隔结束时间、第一视频发布时间、第一视频行为次数以及用户对所述目标视频的第一行为得分,以及根据所述第二行为数据获取所述目标视频在每个所述时间间隔内的第二时间间隔结束时间、第二视频发布时间、第二视频行为次数以及用户对所述目标视频的第二行为得分;所述计算得到所述目标视频的推荐得分,包括:根据所述预设时间段内每个所述时间间隔中所述第一时间间隔结束时间、第一视频发布时间、第一视频行为次数以及第一行为得分计算得到所述目标视频在目标视频所在地域的第一推荐得分,以及根据所述预设时间段内每个所述时间间隔中所述第二时间间隔结束时间、第二视频发布时间、第二视频行为次数以及第二行为得分计算得到所述目标视频在观看所述目标视频的用户所在地域的第二推荐得分;所述根据所述目标视频的推荐得分推荐视频,包括:获取所述目标视频从所述目标视频所在地域转移到所述观看所述目标视频的用户所在地域的转移概率;根据所述第一推荐得分、所述第二推荐得分以及所述转移概率,获得所述目标视频在观看所述目标视频的用户所在地域的待推荐分值;根据所述目标视频对应的观看所述目标视频的用户所在地域的待推荐分值,向观看所述目标视频的用户所在地域的用户推荐视频。
在一实施例中,所述目标视频在观看所述目标视频的用户所在地域的待推荐分值,根据以下公式确定:
score 2=(scoreA*t(A,B)+scoreB)/2;
其中,score 2表示所述待推荐分值;所述scoreA表示所述目标视频在目标视频所在地域的所述推荐得分;scoreB表示所述目标视频在观看所述目标视频的用户所在地域的所述推荐得分;t(A,B)表示所述转移概率。
在一实施例中,所述转移概率根据以下公式确定:
t(A,B)=score(A,B)/score(A,A)
其中,score(A,B)表示目标视频所在地域的用户对所述观看所述目标视频的用户所在地域的视频的评分均值,score(A,A)表示目标视频所在地域的用户对目标视频所在地域的视频的评分均值。
一种视频推荐装置,包括:第一获取模块,用于获取预设时间段内每个时间间隔的目标视频的行为数据;第二获取模块,用于根据所述行为数据获取所述目标视频在每个所述时间间隔内的时间间隔结束时间、视频发布时间、视频行为次数以及用户对所述目标视频的行为得分;计算模块,用于根据所述预设时间段内每个所述时间间隔中所述目标视频的所述时间间隔结束时间、视频发布时间、视频行为次数以及用户对所述目标视频的行为得分,计算得到所述目标视频的推荐得分;推荐模块,用于根据所述目标视频的推荐得分推荐视频。
一种存储介质,其上存储有计算机程序;所述计算机程序适于由处理器加载并执行上述任一实施例所述的视频推荐方法。
一种计算机设备,其包括:一个或多个处理器;存储器;一个或多个应用程序,其中所述一个或多个应用程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个应用程序配置用于执行根据上述任一实施例所述的视频推荐方法。
上述实施例提供的视频推荐方法,将预设时间段分为多个时间间隔,分别获取目标视频在每个时间间隔内的行为数据,并根据每个时间间隔内的行为数据获取时间间隔结束时间、视频发布时间、视频行为次数以及用户对所述目标视频的行为得分,进一步根据这些数据计算得到预设时间段内的目标视频的推荐得分,从而根据目标视频的推荐得分进行视频推荐。该视频推荐方法将预设时间段分为多个时间间隔,分别获取每个时间间隔的相应的数据进行计算,从而避免在计算过程多个行为数据的重复计算造成的时间耗费,减少了视频推荐时数据运算的时间,优化了视频推荐效果。
本发明附加的方面和优点将在下面的描述中部分给出,这些将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为本发明提供的一种视频推荐方法的一实施例中的方法流程图;
图2为本发明提供的步骤S300的一实施例中的方法流程图;
图3为本发明提供的一种视频推荐方法的另一实施例中的部分方法流程图;
图4为本发明提供的一种视频推荐方法对应的系统架构示意图;
图5为本发明提供的一种视频推荐装置的一实施例中的结构框图;
图6为本发明提供的一种计算机设备的一实施例中的结构示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式,这里使用的“第一”、“第二”仅用于区别同一技术特征,并不对该技术特征的顺序和数量等加以限定。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语),具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语,应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样被特定定义,否则不会用理想化或过于正式的含义来解释。
时间间隔:2个任务启动之间的时间差,比如10分钟。
滑动窗口:在这特指一个距离当前时间内定长的时间长度,等于N个时间间隔。
传统视频产品的热门页面中,当用户在热门页面刷新或往下拉取视频时,将触发推荐请求,得到的部分热门视频将会根据贝叶斯算法从热门视频中选取。其中,根据贝叶斯算法进行热门视频推荐的方法如下:
计算视频的贝叶斯得分,其基础得分公式如下:
score=(C*m+sum(action_score*action_decay))/(n+C)*update_decay
其中,
C:上一滑动窗口内,所有视频的总下发次数的一半;
m:上一滑动窗口内,所有视频的平均得分;
n:单个视频在当前周期的总下发次数;
action_score:单个视频在当前周期内用户行为得分;
action_decay:行为得分关于时间的衰减函数;
update_decay:视频得分关于时间的衰减函数;
C和m的作用,是为了让新视频有一个先验的基础得分,使得行为数据较少的视频,得分不会有很大的变化,而时间衰减是为了追踪更实时的热门。
每经过一个时间间隔,上述得分将会对每一个视频重新计算,如果每次都根据公式直接统计行为数据进行计算,处理的数据量将会非常大,同时一个滑动窗口会包括很多个时间间隔,已经计算过的时间间隔内的行为数据,也会再统计一遍,因此造成大量重复计算。
本发明提供一种视频推荐方法,基于上述计算公式,将视频衰减到每一个时间间隔结束的得分进行中间存储,使用时再根据当前时间统一衰减,将节省大量计算时间。在一实施例中,如图1所示,该视频推荐方法包括如下步骤:
S100,获取预设时间段内每个时间间隔的目标视频的行为数据。
在本实施例中,系统每隔一个时间间隔获取该时间间隔内的每个视频的行为数据,并存储该时间间隔内每个视频的行为数据。在进行视频推荐时,系统从存储模块中获取目标视频的行为数据。具体地,系统获取预设时间段内,每个时间间隔的目标视频的行为数据。其中,预设时间段内包括一个或多个时间间隔。本发明所述的预设时间段指的是系统设置的滑动窗口内的时间段。
S200,根据所述行为数据获取所述目标视频在每个所述时间间隔内的时间间隔结束时间、视频发布时间、视频行为次数以及用户对所述目标视频的行为得分。
在本实施例中,系统根据预设时间段内,每个时间间隔的目标视频的行为数据,获取每个时间间隔对应的时间间隔结束时间、视频发布时间、视频行为次数以及用户对目标视频的行为得分等数据。其中,目标视频的视频发布时间固定不变,即系统接收到目标视频上传并发布的时间。用户对目标视频的行为得分,指的是根据用户对目标视频的行为计算得到的分值。视频行为可包括视频上传行为及视频下发到用户端的行为等。系统根据每个时间段内的视频行为次数可统计出在预设时间段内目标视频的总视频行为次数。
在一实施例中,系统将根据每个时间间隔内的行为数据获得时间间隔结束时间、视频发布时间、视频行为次数以及用户对目标视频的行为得分进行存储。存储的方式可以是,将每个时间间隔内的行为数据获得时间间隔结束时间、视频发布时间、视频行为次数以及用户对目标视频的行为得分进行关联,以时间间隔结束时间作为存储标记,并将该部分关联数据作为中间结果进行存储。在进行视频推荐时,通过识别存储标记读取出每个时间间隔内的中间结果,以进行后续的计算。
具体地,系统每隔一个时间间隔,获取该时间间隔内的行为数据,根据上述贝叶斯得分公式,聚合到目标视频,计算得到一个基础信息组合(action_score,action_time,dispatch_times,post_time)。其中action_score是基础分,也即是目标视频的行为得分;action_time是目标视频的行为的时间,即时间间隔结束时间,这里将其归一到时间间隔内的一个时间点;dispatch_times是行为次数,即时间间隔内所有行为次数的求和;post_time是视频上传的时间,即视频发布时间。将上述数据存储在缓存中,使用action_time作标记,作为中间结果进行存储。
在一实施例中,所述根据所述行为数据获取用户对所述目标视频的行为得分,包括:获取用户在每个时间间隔内对所述目标视频的多个行为数据,以及每个行为数据的权重;根据每个所述行为数据以及对应的权重,计算所述用户对所述目标视频的行为得分。
在该实施例中,用户对目标视频的行为为多个,不同行为可计算出不同的得分。具体地,由于每种行为对于热门视频的影响程度不一样,可对不同的行为设置不同的权重,根据每个行为数据及其对应的权重,可计算出用户对目标视频的行为得分。
在该实施例的一个实施方式中,所述根据每个所述行为数据以及对应的权重,计算所述用户对所述目标视频的行为得分,包括:根据以下公式计算所述行为得分:
action_score=sum(action_weight*action_cnt);
其中,action_score表示所述行为得分;action_weight表示行为数据的权重;action_cnt表示行为数据的数量;action_weight*action_cnt表示行为数据的数量与其对应的权重乘积;sum(action_weight*action_cnt)表示时间间隔内所有行为数据对应的乘积的总和。
具体地,不同行为数据影响目标视频的行为得分的程度可以根据用户产生不同行为的数量比例来确定。在每个时间间隔计算过程中,将每种行为的量也作为中间结果进行存储,在计算action_score前,将滑动窗口(本发明所述的预设时间段)内的行为数量做汇总,更新action_score中各种行为的权重,再进行action_score的计算,可以根据当前用户和视频的情况,实时调整行为得分的合理性。
S300,根据所述预设时间段内每个所述时间间隔中所述目标视频的所述时间间隔结束时间、视频发布时间、视频行为次数以及用户对所述目标视频的行为得分,计算得到所述目标视频的推荐得分。
在本实施例中,系统根据每个时间间隔中目标视频的时间间隔结束时间、视频发布时间、视频行为次数以及用户对目标视频的行为得分,计算在该预设时间段内的目标视频的推荐得分。具体地,根据每个时间间隔中的时间间隔结束时间以及当前时间对所述用户对目标视频的行为得分进行衰减,根据衰减结果以及所述视频发布时间、视频行为次数等计算目标视频的推荐得分。
在一实施例中,如图2所示,步骤S300,包括:
S310,计算当前时间与每个所述时间间隔中所述时间间隔结束时间的差值,得到第一差值。
S320,计算当前时间与每个所述时间间隔中所述视频发布时间的差值,得到第二差值。
S330,根据所述第一差值计算每个所述时间间隔中所述用户对所述目标视频的行为得分的衰减值。
S340,根据所述视频行为次数、所述第二差值以及所述衰减值计算得到预设时间段内所述目标视频的推荐得分。
在该实施例中,系统将当前时间与每个时间间隔中的时间间隔结束时间做差值,得到第一差值。将当前时间与每个时间间隔中的视频发布时间做差值,得到第二差值。进一步地,根据该第一差值对相应时间间隔内的用户对目标视频的行为得分做衰减,得到衰减值。最后根据预设时间段内的视频行为次数、第二差值以及得到的衰减值计算目标视频的推荐得分。
在该实施例的一个实施方式中,所述视频行为次数包括视频下发次数;所述目标视频的推荐得分根据以下公式获得:
其中,score1表示目标视频的推荐得分,C表示预设时间内所有视频行为次数总和,m表示上一预设时间内所有视频平均得分,n表示目标视频在当前时间间隔的总下发次数,k表示整数,now_time表示当前时间,action_timek表示第k个时间间隔结束时间,t设定的常数;post_timek表示目标视频的视频发布时间,每个时间间隔中目标视频的视频发布时间相同;表示所述衰减值。
S400,根据所述目标视频的推荐得分推荐视频。
在本实施例中,系统计算得到目标视频的推荐得分后,根据最终推荐得分进行视频推荐。具体可以是,获取多个目标视频的推荐得分,确定多个目标视频的推荐得分排名靠前的预设数量的视频,将该部分视频作为推荐视频进行视频推荐。
上述实施例提供的视频推荐方法,将预设时间段分为多个时间间隔,分别获取目标视频在每个时间间隔内的行为数据,并根据每个时间间隔内的行为数据获取时间间隔结束时间、视频发布时间、视频行为次数以及用户对所述目标视频的行为得分,进一步根据这些数据计算得到预设时间段内的目标视频的推荐得分,从而根据目标视频的推荐得分进行视频推荐。该视频推荐方法将预设时间段分为多个时间间隔,分别获取每个时间间隔的相应的数据进行计算,从而避免在计算过程多个行为数据的重复计算造成的时间耗费,减少了视频推荐时数据运算的时间,优化了视频推荐效果。
在一实施例中,如图3所示,所述行为数据包括目标视频所在地域对应的第一行为数据和观看所述目标视频的用户所在地域对应的第二行为数据。步骤S200,包括:
S201,根据所述第一行为数据获取所述目标视频在每个所述时间间隔内的第一时间间隔结束时间、第一视频发布时间、第一视频行为次数以及用户对所述目标视频的第一行为得分,以及根据所述第二行为数据获取所述目标视频在每个所述时间间隔内的第二时间间隔结束时间、第二视频发布时间、第二视频行为次数以及用户对所述目标视频的第二行为得分。
此时,步骤S300中,所述计算得到所述目标视频的推荐得分,包括:
S301,根据所述预设时间段内每个所述时间间隔中所述第一时间间隔结束时间、第一视频发布时间、第一视频行为次数以及第一行为得分计算得到所述目标视频在目标视频所在地域的第一推荐得分,以及根据所述预设时间段内每个所述时间间隔中所述第二时间间隔结束时间、第二视频发布时间、第二视频行为次数以及第二行为得分计算得到所述目标视频在观看所述目标视频的用户所在地域的第二推荐得分。
步骤S400,包括:
S401,获取所述目标视频从所述目标视频所在地域转移到所述观看所述目标视频的用户所在地域的转移概率。
S403,根据所述第一推荐得分、所述第二推荐得分以及所述转移概率,获得所述目标视频在观看所述目标视频的用户所在地域的待推荐分值。
S405,根据所述目标视频对应的观看所述目标视频的用户所在地域的待推荐分值,向观看所述目标视频的用户所在地域的用户推荐视频。
在该实施例中,不同地域对应可得到目标视频的不同的推荐得分。例如,不同国家可对应得到与国家对应的推荐得分。当然,也可以是不同的地理区域得到不同的推荐得分。不同地域得到不同推荐得分的方式,与其对应的行为数据有关。该实施例中,分别获取目标视频所在地域对应的第一行为数据和观看目标视频的用户所在地域对应的第二行为数据。进一步地,根据第一行为数据获取第一时间间隔结束时间、第一视频发布时间、第一视频行为次数以及用户对所述目标视频的第一行为得分,从而根据第一时间间隔结束时间、第一视频发布时间、第一视频行为次数以及用户对目标视频的第一行为得分计算得到目标视频在目标视频所在地域的第一推荐得分。根据第二行为数据获取第二时间间隔结束时间、第二视频发布时间、第二视频行为次数以及用户对所述目标视频的第二行为得分,从而根据第二时间间隔结束时间、第二视频发布时间、第二视频行为次数以及用户对目标视频的第二行为得分计算得到目标视频在观看目标视频的用户所在地域的第二推荐得分。此外,目标视频从目标视频所在地域转移到观看目标视频的用户所在地域时,存在转移概率。此处,系统获取目标视频从目标视频所在地域转移到观看所述目标视频的用户所在地域的转移概率,从而根据第一推荐得分、第二推荐得分以及转移概率,获得目标视频在观看目标视频的用户所在地域的待推荐分值,最终根据该推荐分值在观看目标视频的用户所在地域内进行视频推荐。其中,转移概率的确定和计算,类似于行为得分的计算过程,即在每个时间间隔计算过程中,统计不同地域对其他地域视频的推荐得分作为中间结果进行存储。
在该实施例的一个实施方式中,所述目标视频在观看所述目标视频的用户所在地域的待推荐分值,根据以下公式确定:
score 2=(scoreA*t(A,B)+scoreB)/2;
其中,score 2表示所述待推荐分值;所述scoreA表示所述目标视频在目标视频所在地域的所述推荐得分;scoreB表示所述目标视频在观看所述目标视频的用户所在地域的所述推荐得分;t(A,B)表示所述转移概率。
其中,所述转移概率根据以下公式确定:
t(A,B)=score(A,B)/score(A,A)
其中,score(A,B)表示目标视频所在地域的用户对所述观看所述目标视频的用户所在地域的视频的评分均值,score(A,A)表示目标视频所在地域的用户对目标视频所在地域的视频的评分均值。
为了更好地说明上述实施例所述的视频推荐方法,以下提供一具体实施例:
首先,系统每隔一个时间间隔,获取该时间间隔内的行为数据,根据上述贝叶斯得分公式,聚合到每个视频计算得到一个基础信息组合(action_score,action_time,dispatch_times,post_time)。其中action_score是基础分,也即是目标视频的行为得分;action_time是目标视频的行为的时间,即时间间隔结束时间,这里将其归一到时间间隔内的一个时间点;dispatch_times是行为次数,即时间间隔内所有行为次数的求和;post_time是视频上传的时间,即视频发布时间。存储在缓存中,使用action_time标记,作为中间结果。
然后,获取一个滑动窗口内的所有存储的中间结果,对每个视频在不同时间间隔内的基础分相对于当前时间进行一定的时间衰减。其中,按照上述传统的贝叶斯得分公式中的action_decay(update_decay)分别等于当前时间减去行为时间(视频发布时间)的一个函数,按照以上贝叶斯得分:
其中,C指的是上述dispatch_times=时间间隔内所有次数求和。
行为得分action_score的计算参见如下:
上述action_score中,包含用户对视频的不同行为的得分,其计算方式为:
action_score=sum(action_weight*action_cnt);
action_weight:行为的权重;
action_cnt:行为的数量;
由于每种行为对于热门的影响程度不一样,不同的行为需要设置不同的权重,而影响的程度可以根据用户产生不同行为的数量比例来确定。在每个时间间隔计算过程中,将每种行为的量也作为中间结果存储起来,这样在计算action_score前,将滑动窗口内的行为数量做汇总,更新action_score中各种行为的权重,再进行action_score的计算,可以根据当前用户和视频的情况,实时调整得分的合理性。
在该具体实施例中,目标视频所在地域与用户对观看目标视频的用户所在地域分别对应不同的国家。其中,单个视频在每个国家最终得分的计算如下:
由于本国用户有观看其他国家视频的意愿,所以需要对用户进行其他国家视频的推荐。但对于新用户,并不清楚是否喜欢观看他国视频,同时他国视频跟本国视频相比,在本国下发量会不足,直接计算贝叶斯热门得分将会不准确,所以可以根据该国用户对其他不同国家历史上的喜爱情况,将该视频在其国家的分数转移到本国来,得到一个先验的得分,保证了新用户视频国家的多样性。
假设视频所在国家为A,所在国家的基础得分为scoreA,观众所在国家为B,视频在观众所在国家的分为scoreB,从A国家转移到B国家的概率为t(A,B),,则视频在国家B的最终得分为:
score=(scoreA*t(A,B)+scoreB)/2;
转移概率的确定和计算,类似于行为得分的计算过程,即在每个时间间隔计算过程中,统计不同国家对其他国家视频的热门得分作为中间结果存储起来,将滑动窗口内的打分做汇总,再根据比例,修正基础的贝叶斯得分。具体地,转移概率计算可为:设score(A,B)为A国家观众对B国家视频的平均打分,score(A,A)为A国家观众对A国家视频的平均打分,则
t(A,B)=score(A,B)/score(A,A)。
此外,实现上述视频推荐的系统架构参见图4所示。该系统架构包含实现上述方法的各个模块。
综上所述,该视频推荐方法减少了每次视频推荐运算的时间,相对全量的计算,每次耗时仅为原来的1/8左右。并且,更加快速的使得新的视频进入算分队列,优化了推荐效果。此外,不同国家视频得分的转移,增加了推荐的多样性。
本发明提供一种视频推荐装置。在一实施例中,如图5所示,该视频推荐装置包括第一获取模块10、第二获取模块20、计算模块30及推荐模块40。
第一获取模块10用于获取预设时间段内每个时间间隔的目标视频的行为数据。在本实施例中,系统每隔一个时间间隔获取该时间间隔内的每个视频的行为数据,并存储该时间间隔内每个视频的行为数据。在进行视频推荐时,系统从存储模块中获取目标视频的行为数据。具体地,系统获取预设时间段内,每个时间间隔的目标视频的行为数据。其中,预设时间段内包括一个或多个时间间隔。本发明所述的预设时间段指的是系统设置的滑动窗口内的时间段。
第二获取模块20用于根据所述行为数据获取所述目标视频在每个所述时间间隔内的时间间隔结束时间、视频发布时间、视频行为次数以及用户对所述目标视频的行为得分。在本实施例中,系统根据预设时间段内,每个时间间隔的目标视频的行为数据,获取每个时间间隔对应的时间间隔结束时间、视频发布时间、视频行为次数以及用户对目标视频的行为得分等数据。其中,目标视频的视频发布时间固定不变,即系统接收到目标视频上传并发布的时间。用户对目标视频的行为得分,指的是根据用户对目标视频的行为计算得到的分值。视频行为可包括视频上传行为及视频下发到用户端的行为等。系统根据每个时间段内的视频行为次数可统计出在预设时间段内目标视频的总视频行为次数。
计算模块30用于根据所述预设时间段内每个所述时间间隔中所述目标视频的所述时间间隔结束时间、视频发布时间、视频行为次数以及用户对所述目标视频的行为得分,计算得到所述目标视频的推荐得分。在本实施例中,系统根据每个时间间隔中目标视频的时间间隔结束时间、视频发布时间、视频行为次数以及用户对目标视频的行为得分,计算在该预设时间段内的目标视频的推荐得分。具体地,根据每个时间间隔中的时间间隔结束时间以及当前时间对所述用户对目标视频的行为得分进行衰减,根据衰减结果以及所述视频发布时间、视频行为次数等计算目标视频的推荐得分。
推荐模块40用于根据所述目标视频的推荐得分推荐视频。在本实施例中,系统计算得到目标视频的推荐得分后,根据最终推荐得分进行视频推荐。具体可以是,获取多个目标视频的推荐得分,确定多个目标视频的推荐得分排名靠前的预设数量的视频,将该部分视频作为推荐视频进行视频推荐。
在其他实施例中,本发明提供的视频推荐装置中的各个模块还用于执行本发明所述的视频推荐方法中,对应各个步骤执行的操作,在此不再做详细的说明。
本发明还提供一种存储介质。该存储介质上存储有计算机程序;所述计算机程序被处理器执行时,实现上述任一实施例所述的视频推荐方法。该存储介质可以是存储器。例如,内存储器或外存储器,或者包括内存储器和外存储器两者。内存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦写可编程ROM(EEPROM)、快闪存储器、或者随机存储器。外存储器可以包括硬盘、软盘、ZIP盘、U盘、磁带等。本发明所公开的存储介质包括但不限于这些类型的存储器。本发明所公开的存储器只作为例子而非作为限定。
本发明还提供一种计算机设备。一种计算机设备包括:一个或多个处理器;存储器;一个或多个应用程序。其中所述一个或多个应用程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个应用程序配置用于执行上述任一实施例所述的视频推荐方法。
图6为本发明一实施例中的计算机设备的结构示意图。本实施例所述计算机设备可以是服务器、个人计算机以及网络设备。如图6所示,设备包括处理器603、存储器605、输入单元607以及显示单元609等器件。本领域技术人员可以理解,图6示出的设备结构器件并不构成对所有设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件。存储器605可用于存储应用程序601以及各功能模块,处理器603运行存储在存储器605的应用程序601,从而执行设备的各种功能应用以及数据处理。存储器可以是内存储器或外存储器,或者包括内存储器和外存储器两者。内存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦写可编程ROM(EEPROM)、快闪存储器、或者随机存储器。外存储器可以包括硬盘、软盘、ZIP盘、U盘、磁带等。本发明所公开的存储器包括但不限于这些类型的存储器。本发明所公开的存储器只作为例子而非作为限定。
输入单元607用于接收信号的输入,以及接收用户输入的关键字。输入单元607可包括触控面板以及其它输入设备。触控面板可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板上或在触控面板附近的操作),并根据预先设定的程序驱动相应的连接装置;其它输入设备可以包括但不限于物理键盘、功能键(比如播放控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。显示单元609可用于显示用户输入的信息或提供给用户的信息以及计算机设备的各种菜单。显示单元609可采用液晶显示器、有机发光二极管等形式。处理器603是计算机设备的控制中心,利用各种接口和线路连接整个电脑的各个部分,通过运行或执行存储在存储器605内的软件程序和/或模块,以及调用存储在存储器内的数据,执行各种功能和处理数据。
在一实施方式中,设备包括一个或多个处理器603,以及一个或多个存储器605,一个或多个应用程序601。其中所述一个或多个应用程序601被存储在存储器605中并被配置为由所述一个或多个处理器603执行,所述一个或多个应用程序601配置用于执行以上实施例所述的视频推荐方法。
此外,在本发明各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括存储器、磁盘或光盘等。
以上所述仅是本发明的部分实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
应该理解的是,在本发明各实施例中的各功能单元可集成在一个处理模块中,也可以各个单元单独物理存在,也可以两个或两个以上单元集成于一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。
以上所述仅是本发明的部分实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (9)
1.一种视频推荐方法,其特征在于,包括:
获取预设时间段内每个时间间隔的目标视频的行为数据;其中,所述行为数据包括发布目标视频所在的第一地域对应的第一行为数据和观看所述目标视频的用户所在的第二地域对应的第二行为数据;
根据所述第一行为数据获取所述目标视频在每个所述时间间隔内的第一时间间隔结束时间、第一视频发布时间、第一视频行为次数以及用户对所述目标视频的第一行为得分,以及根据所述第二行为数据获取所述目标视频在每个所述时间间隔内的第二时间间隔结束时间、第二视频发布时间、第二视频行为次数以及用户对所述目标视频的第二行为得分;
根据所述第一时间间隔结束时间、所述第一视频发布时间、所述第一视频行为次数以及所述第一行为得分计算得到所述目标视频在所述第一地域的第一推荐得分,以及根据所述第二时间间隔结束时间、所述第二视频发布时间、所述第二视频行为次数以及所述第二行为得分计算得到所述目标视频在所述第二地域的第二推荐得分;
获取所述目标视频从所述第一地域转移到所述第二地域的转移概率;将所述第一推荐得分和所述转移概率的乘积与所述第二推荐得分的和除以二,得到所述目标视频在所述第二地域的待推荐分值;根据所述待推荐分值,向位于所述第二地域的用户推荐视频。
2.根据权利要求1所述的方法,其特征在于,所述根据所述预设时间段内每个所述时间间隔中所述目标视频的所述时间间隔结束时间、视频发布时间、视频行为次数以及用户对所述目标视频的行为得分,计算得到所述目标视频的推荐得分,包括:
计算当前时间与每个所述时间间隔中所述时间间隔结束时间的差值,得到第一差值;
计算当前时间与每个所述时间间隔中所述视频发布时间的差值,得到第二差值;
根据所述第一差值计算每个所述时间间隔中所述用户对所述目标视频的行为得分的衰减值;
根据所述视频行为次数、所述第二差值以及所述衰减值计算得到预设时间段内所述目标视频的推荐得分。
4.根据权利要求1所述的方法,其特征在于,所述根据所述行为数据获取用户对所述目标视频的行为得分,包括:
获取用户在每个时间间隔内对所述目标视频的多个行为数据,以及每个行为数据的权重;
根据每个所述行为数据以及对应的权重,计算所述用户对所述目标视频的行为得分。
5.根据权利要求4所述的方法,其特征在于,所述根据每个所述行为数据以及对应的权重,计算所述用户对所述目标视频的行为得分,包括:根据以下公式计算所述行为得分:
action_score = sum(action_weight * action_cnt);
其中,action_score表示所述行为得分;action_weight表示行为数据的权重;action_cnt表示行为数据的数量; action_weight * action_cnt表示行为数据的数量与其对应的权重乘积; sum(action_weight * action_cnt)表示时间间隔内所有行为数据对应的乘积的总和。
6.根据权利要求1所述的方法,其特征在于,所述转移概率根据以下公式确定:
t(A,B) = score(A,B) / score(A,A);
其中,score(A,B)表示目标视频所在地域的用户对所述观看所述目标视频的用户所在地域的视频的评分均值,score(A,A)表示目标视频所在地域的用户对目标视频所在地域的视频的评分均值。
7.一种视频推荐装置,其特征在于,包括:
第一获取模块,用于获取预设时间段内每个时间间隔的目标视频的行为数据;其中,所述行为数据包括发布目标视频所在的第一地域对应的第一行为数据和观看所述目标视频的用户所在的第二地域对应的第二行为数据;
第二获取模块,用于根据所述第一行为数据获取所述目标视频在每个所述时间间隔内的第一时间间隔结束时间、第一视频发布时间、第一视频行为次数以及用户对所述目标视频的第一行为得分,以及根据所述第二行为数据获取所述目标视频在每个所述时间间隔内的第二时间间隔结束时间、第二视频发布时间、第二视频行为次数以及用户对所述目标视频的第二行为得分;
计算模块,用于根据所述第一时间间隔结束时间、所述第一视频发布时间、所述第一视频行为次数以及所述第一行为得分计算得到所述目标视频在所述第一地域的第一推荐得分,以及根据所述第二时间间隔结束时间、所述第二视频发布时间、所述第二视频行为次数以及所述第二行为得分计算得到所述目标视频在所述第二地域的第二推荐得分;
推荐模块,用于获取所述目标视频从所述第一地域转移到所述第二地域的转移概率;将所述第一推荐得分和所述转移概率的乘积与所述第二推荐得分的和除以二,得到所述目标视频在所述第二地域的待推荐分值;根据所述待推荐分值,向位于所述第二地域的用户推荐视频。
8.一种存储介质,其特征在于,其上存储有计算机程序;所述计算机程序适于由处理器加载并执行上述权利要求1至6中任一项所述的视频推荐方法。
9.一种计算机设备,其特征在于,其包括:
一个或多个处理器;
存储器;
一个或多个应用程序,其中所述一个或多个应用程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个应用程序配置用于执行根据权利要求1至6任一项所述的视频推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811626466.7A CN111385657B (zh) | 2018-12-28 | 2018-12-28 | 视频推荐方法、装置及存储介质、计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811626466.7A CN111385657B (zh) | 2018-12-28 | 2018-12-28 | 视频推荐方法、装置及存储介质、计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111385657A CN111385657A (zh) | 2020-07-07 |
CN111385657B true CN111385657B (zh) | 2023-02-07 |
Family
ID=71216452
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811626466.7A Active CN111385657B (zh) | 2018-12-28 | 2018-12-28 | 视频推荐方法、装置及存储介质、计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111385657B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112351345A (zh) * | 2020-11-04 | 2021-02-09 | 深圳Tcl新技术有限公司 | 推荐内容的控制方法及装置、智能电视机、存储介质 |
CN112887771A (zh) * | 2021-01-28 | 2021-06-01 | Oppo广东移动通信有限公司 | 视频评价方法及装置、计算机可读介质和电子设备 |
CN112801700A (zh) * | 2021-01-29 | 2021-05-14 | 北京达佳互联信息技术有限公司 | 虚拟对象变更方法及装置、电子设备及存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105338408B (zh) * | 2015-12-02 | 2018-11-13 | 南京理工大学 | 基于时间因子的视频推荐方法 |
CN108093303A (zh) * | 2016-11-23 | 2018-05-29 | 深圳市优朋普乐传媒发展有限公司 | 一种视频推送方法及装置 |
CN107835441B (zh) * | 2017-10-10 | 2020-01-03 | 武汉斗鱼网络科技有限公司 | 基于路径预测的直播推荐方法、存储介质、设备及系统 |
CN107729542B (zh) * | 2017-10-31 | 2021-05-04 | 咪咕音乐有限公司 | 一种信息评分方法及装置和存储介质 |
CN109040844B (zh) * | 2018-09-25 | 2021-09-10 | 有米科技股份有限公司 | 一种获取视频热度的方法、装置及电子设备 |
-
2018
- 2018-12-28 CN CN201811626466.7A patent/CN111385657B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111385657A (zh) | 2020-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111385657B (zh) | 视频推荐方法、装置及存储介质、计算机设备 | |
US10397359B2 (en) | Streaming media cache for media streaming service | |
CN108040294B (zh) | 用于推荐视频的方法、系统及计算机可读介质 | |
US9495461B2 (en) | Search assistant system and method | |
US9338489B2 (en) | Recommending media items based on take rate signals | |
CN109729395B (zh) | 视频质量评估方法、装置、存储介质和计算机设备 | |
EP3278244A1 (en) | Complex event processor for historic/live/replayed data | |
US10162864B2 (en) | Reader application system utilizing article scoring and clustering | |
US20110238670A1 (en) | Crowd-sourcing and contextual reclassification of rated content | |
US10193832B2 (en) | Notification delivery mechanism for present viewing users | |
US20140372429A1 (en) | Incorporating user usage of consumable content into recommendations | |
US9479552B2 (en) | Recommender system for content delivery networks | |
CN105993028B (zh) | 用于内容推荐的方法、设备、以及系统 | |
US20120221563A1 (en) | Social Weight of Social Media Content | |
CN106062806A (zh) | 使用交互信号来生成关系并且推广内容 | |
US10152363B2 (en) | Identifying potential computer system problems using machine learning techniques | |
CN111247782B (zh) | 用于自动创建即时ad-hoc日历事件的方法和系统 | |
CN110889725B (zh) | 在线广告ctr预估方法、装置、设备及存储介质 | |
WO2019071831A1 (zh) | 基于路径预测的直播推荐方法、存储介质、设备及系统 | |
Zhang et al. | To personalize or not: a risk management perspective | |
CN107948752A (zh) | 订阅主播排序方法、装置和终端 | |
CN109242604A (zh) | 服务推荐方法、电子设备及计算机可读存储介质 | |
KR20220140598A (ko) | 사용자 공급 기준들에 기초한 추천들을 위한 방법들 및 시스템들 | |
US8949874B1 (en) | Evaluating media channels | |
US20140317237A1 (en) | Selective Content Delivery in a Real-Time Streaming Environment |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20230926 Address after: 31a, 15 / F, building 30, maple mall, bangrang Road, Brazil, Singapore Patentee after: Baiguoyuan Technology (Singapore) Co.,Ltd. Address before: Building B-1, North District, Wanda Commercial Plaza, Wanbo business district, No. 79, Wanbo 2nd Road, Nancun Town, Panyu District, Guangzhou City, Guangdong Province Patentee before: GUANGZHOU BAIGUOYUAN INFORMATION TECHNOLOGY Co.,Ltd. |
|
TR01 | Transfer of patent right |