CN111510783A - 确定视频曝光量的方法、装置、电子设备和存储介质 - Google Patents

确定视频曝光量的方法、装置、电子设备和存储介质 Download PDF

Info

Publication number
CN111510783A
CN111510783A CN202010339535.7A CN202010339535A CN111510783A CN 111510783 A CN111510783 A CN 111510783A CN 202010339535 A CN202010339535 A CN 202010339535A CN 111510783 A CN111510783 A CN 111510783A
Authority
CN
China
Prior art keywords
video
determining
user interaction
target video
interaction data
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
Application number
CN202010339535.7A
Other languages
English (en)
Other versions
CN111510783B (zh
Inventor
陈石
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
MIGU Comic Co Ltd
Original Assignee
MIGU Comic Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by MIGU Comic Co Ltd filed Critical MIGU Comic Co Ltd
Priority to CN202010339535.7A priority Critical patent/CN111510783B/zh
Publication of CN111510783A publication Critical patent/CN111510783A/zh
Application granted granted Critical
Publication of CN111510783B publication Critical patent/CN111510783B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • H04N21/45—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
    • H04N21/23—Processing of content or additional data; Elementary server operations; Server middleware
    • H04N21/24—Monitoring of processes or resources, e.g. monitoring of server load, available bandwidth, upstream requests
    • H04N21/2407—Monitoring of transmitted content, e.g. distribution time, number of downloads
    • 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
    • H04N21/4666—Learning process for intelligent management, e.g. learning user preferences for recommending movies characterized by learning algorithms using neural networks, e.g. processing the feedback provided by the user
    • 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)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明实施例提供了一种确定视频曝光量的方法、装置、电子设备和存储介质，由预设模型通过无监督学习挖掘出视频的各类用户交互数据之间的关联关系。对任一目标视频，根据该目标视频的用户交互数据和以权重表示的这种关联关系确定该目标视频的曝光量。预设模型对各类用户交互数据之间的关联关系进行了深层次挖掘，将这种关联关系应用于视频曝光量的确定过程中，有利于提高推荐的视频与用户预期的吻合程度。

Description

确定视频曝光量的方法、装置、电子设备和存储介质
技术领域
本发明涉及机器学习和视频分析技术领域，尤其是涉及一种确定视频曝光量的方法、装置、电子设备和存储介质。
背景技术
随着互联网技术的发展，视频(尤其是短视频)推荐符合用户预期越来越重要。现有技术中，通常根据视频的评分、评分人数、评论量、浏览量等信息来进行视频推荐，对热度较高的视频给予更高的曝光量。然而，现有的这种推荐方式并没有考虑到视频与用户的各类交互数据之间的关联关系，导致推荐的视频与用户预期之间仍存在较大的差距。
可见，现有方法推荐的视频由于缺乏对交互数据之间的关联关系的挖掘，使得推荐的视频不能很好符合用户预期。
发明内容
本发明实施例提供一种确定视频曝光量的方法、装置、电子设备和存储介质，用以解决现有方法推荐的视频由于缺乏对交互数据之间的关联关系的挖掘，使得推荐的视频不能很好符合用户预期的问题。
针对以上技术问题，第一方面，本发明实施例提供一种确定视频曝光量的方法，包括：
获取视频的各类用户交互数据对应的权重，其中，所述权重由预设模型对视频的用户交互数据进行无监督学习确定；
对任一目标视频，根据所述目标视频的用户交互数据和所述权重，确定所述目标视频的曝光量。
第二方面，本发明实施例提供一种确定视频曝光量的装置，包括：
获取模块，用于获取视频的各类用户交互数据对应的权重，其中，所述权重由预设模型对视频的用户交互数据进行无监督学习确定；
确定模块，对任一目标视频，根据所述目标视频的用户交互数据和所述权重，确定所述目标视频的曝光量。
第三方面，本发明实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现以上所述的确定视频曝光量的方法的步骤。
第三方面，本发明实施例提供一种非暂态可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以上任一项所述的确定视频曝光量的方法的步骤。
本发明的实施例提供了一种确定视频曝光量的方法、装置、电子设备和存储介质，由预设模型通过无监督学习挖掘出视频的各类用户交互数据之间的关联关系。对任一目标视频，根据该目标视频的用户交互数据和以权重表示的这种关联关系确定该目标视频的曝光量。预设模型对各类用户交互数据之间的关联关系进行了深层次挖掘，将这种关联关系应用于视频曝光量的确定过程中，有利于提高推荐的视频与用户预期的吻合程度。
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一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的确定视频曝光量的方法的流程示意图；
图2是本发明另一实施例提供的预设模型的模型结构示意图；
图3是本发明另一实施例提供的确定视频曝光量的装置的结构示意图；
图4是本发明另一实施例提供的电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本实施例提供一种确定视频曝光量的方法，适用于对视频进行推荐的过程，尤其适用于对短视频的推荐过程。该确定视频曝光量的方法通常由服务器执行。在本申请中曝光指的用户看到某一视频这一事件。曝光量指的是某一视频在某一段时间段内被曝光的次数，例如，某视频的曝光量为3000次，表示该视频在某一段时间段内被用户浏览的次数为3000次。通常也可以用视频所在的流量池表示视频的曝光量，视频处于低阶流量池时，视频的曝光量较少，视频处于高阶流量池时，视频的曝光量较多。
图1为本实施例提供的确定视频曝光量的方法的流程示意图，参见图1，该方法包括：
步骤101：获取视频的各类用户交互数据对应的权重，其中，所述权重由预设模型对视频的用户交互数据进行无监督学习确定。
其中，预设模型为用于对视频的用户交互数据进行无监督学习的模型。
其中，用户交互数据为用户与视频互动的数据，包括用户对视频的观看比例、量化表示的用户对视频是否评论、是否快速划过、是否不感兴趣、是否深度观看、是否点赞、是否分享和是否下载等的数据。
步骤102：对任一目标视频，根据所述目标视频的用户交互数据和所述权重，确定所述目标视频的曝光量。
其中，可以根据所述目标视频的用户交互数据和所述权重，直接确定目标视频的曝光量，也可以根据所述目标视频的用户交互数据和所述权重确定所述目标视频的评分值，根据评分值和预设的评分值与曝光量的映射关系确定目标视频的曝光量(具体来说，根据映射关系当检测到评分值大于某一预设阈值时，提高目标视频的曝光量，或者说对目标视频所在的流量池进行升阶)。
本实施例提供了一种确定视频曝光量的方法，由预设模型通过无监督学习挖掘出视频的各类用户交互数据之间的关联关系。对任一目标视频，根据该目标视频的用户交互数据和以权重表示的这种关联关系确定该目标视频的曝光量。预设模型对各类用户交互数据之间的关联关系进行了深层次挖掘，将这种关联关系应用于视频曝光量的确定过程中，有利于提高推荐的视频与用户预期的吻合程度。
为了挖掘出视频的各类用户交互数据之间的关联关系，需对预设模型进行训练。进一步地，在上述实施例的基础上，还包括：
根据用户对视频的用户交互数据确定的训练样本集，对所述训练样本集中任一训练样本，根据所述训练样本中各类用户交互数据的数值类型和/或数据含义，确定各类用户交互数据所属的样本数据类型；
对每一样本数据类型，确定所述预设模型中与所述样本数据类型对应的分类处理结构，将所述训练样本中属于所述样本数据类型的用户交互数据通过所述分类处理结构输入所述预设模型，对所述预设模型进行训练；
其中，分类处理结构为所述预设模型中对各类样本数据类型的用户交互数据进行单独运算的结构。
其中，所述预设模型为自编码器神经网络结构的模型。
其中，通过全量的用户对视频的用户交互数据对所述预设模型进行训练。
其中，对每一类用户交互数据，将由输入层到隐藏层H1层的边的权重，或者将由输入层到隐藏层H2层的边的权重，作为所述用户交互数据的权重。
其中，还包括：以任一用户对任一视频的用户交互数据作为一组训练样本，获取由若干训练样本组成的训练样本集。
其中，根据所述训练样本中各类用户交互数据的数值类型，确定各类用户交互数据所属的样本数据类型，包括：根据所述训练样本中各类用户交互数据是离散型数值还是连续型数值，确定与离散型数值对应的样本数据类型和与连续型数值对应的样本数据类型。
其中，根据所述训练样本中各类用户交互数据的数据含义，确定各类用户交互数据所属的样本数据类型，包括：根据所述训练样本中各类用户交互数据是对视频的正向反馈、对视频的负向反馈和对视频的中性反馈，确定与对视频的正向反馈对应的样本数据类型、与对视频的负向反馈对应的样本数据类型和与对视频的中性反馈对应的样本数据类型。
为了更清楚的说明预设模型中的分类处理结构，图2为本实施例提供的预设模型的模型结构示意图。参见图2，P1对应的区域，以及在P2对应的区域内S1对应的区域、S2对应的区域和S3对应的区域均为预设模型中的分类处理结构。各分类处理结构单独处理输入到该分类处理结构的用户交互数据。
举例来说，用户交互数据包括x1：观看比例、x2：是否评论、x3：是否快速划过、x4：是否不感兴趣、x5：是否深度观看、x6：是否点赞、x7：是否分享和x8：是否下载。其中，x5：是否深度观看和x3：是否快速划过这两个离散型特征，根据x1：观看比例在数据预处理阶段产生。具体地，观看比例大于0.7为深度观看，观看比例小于0.3为快速划过。
根据用户交互数据的数值类型确定x1属于连续型数据这一样本数据类型内，且该样本数据类型对应的分类处理结构为图2中所示的P1对应的区域，则x1在从P1对应的区域输出之前。其它用户交互数据不参与对x1处理的过程。
本实施例在对预设模型进行训练的过程中，使得不同样本数据类型的用户交互数据在预设模型中存在单独运算的过程，对训练样本所属的样本数据类型的划分，以及训练过程中将各样本数据类型的用户交互数据输入到与其对应的分类处理结构中，有利于更准确地提取各类用户交互数据之间的关联关系，且有利于提高对预设模型进行训练的效率。
进一步地，在上述各实施例的基础上，所述根据所述训练样本中各类用户交互数据的数值类型和数据含义，确定各类用户交互数据所属的样本数据类型，包括：
根据数值类型将所述训练样本中各类用户交互数据划分为不同的类别，其中，数值类型包括离散型数值和连续型数值；
对每一类别，根据所述类别中的各类用户交互数据的数据含义确定各类用户交互数据所属的样本数据类型，其中，数据含义包括对视频的正向反馈、对视频的负向反馈和对视频的中性反馈。
如图2所示，对输入层：x＝[x1,x2,…,x8]，由于x1：观看比例为[0,1]范围间的连续型数值，其它皆为{0,1}中取值的二值离散型数值。因此，x1：观看比例属于一类样本数据类型，对于x2-x8这些离散型数值的用户交互数据，根据数据含义确定x2属于中性反馈(S1)，x3和x4属于负向反馈(S2)，x5-x8属于正向反馈(S3)。通过这种划分样本数据类型的方式将训练样本划分为P1部分、P2部分，往下，P2部分呈现“三塔”(即中性反馈、负向反馈和正向反馈)结构。
本实施例在划分用户交互数据所属的样本数据类型时，根据用户交互数据的数值类型和数据含义进行划分，这种划分方式有利于从训练样本中准确地提取各类用户交互数据之间的关联关系，从而根据这种关联关系对各类用户交互数据赋权重值。
现对图2中的自编码器神经网络结构进行介绍：
如图2所示，该自编码器神经网络结构从输入层到输出层，包括H1-H3隐藏层共有5层，以隐藏层H2为基准呈现对称结构。从输入层到中间隐藏层H2，神经网络从数据形态上分为P1和P2两部分。P1部分为连续性特征的数据，P2部分为离散型特征的数据。往下根据业务层面的含义，将用户交互行为分为正向反馈(S3)、负向反馈(S2)、中性反馈(S1)三方面，即P2部分呈现“三塔”结构。
隐藏层：基于隐藏层中节点规模一般小于输入输出层节点规模的特性，各层节点数从输入层到中间隐藏层H2呈递减状态，H2层节点数量为1。输入层x1和x2直接连接到H2，其余连接到H1层。
偏置：基于业务需求和模型可解释性，不引入额外常量作为偏置。
数据流向：从输入层到隐藏层，再从隐藏层到输出层，神经元节点数据流出为相应连接权重乘以流入数据，再经过激活函数后流出：
其中，A(∑jWj*xj)(j:特征编号)
激活函数：线性整流函数
Figure BDA0002468066810000061
损失函数：输入数据同输出数据的均方误差。
Loss＝∑n∑j(xnj-x′nj)2(n:样本编号，j：特征编号)。
权重初始化：对神经网络中的所有边，随机生成均值为0，标准差为1的权重初始值。
反向传播优化器：采用随机梯度下降法更新，设置每批次数据量为数据总量的5％，每次迭代后更新权重如下：
Figure BDA0002468066810000071
得出不同行为权重为：W＝[w1,w2,...,w8]，为对应x1到x8输入节点发出。
进一步地，在上述各实施例的基础上，所述对任一目标视频，根据所述目标视频的用户交互数据和所述权重，确定所述目标视频的曝光量，包括：
对任一目标视频，根据所述目标视频的用户交互数据和所述权重确定行为影响参数；
根据所述行为影响参数和所述目标视频的发布时间确定所述目标视频的曝光量。
其中，每次根据所述目标视频的用户交互数据和所述权重，确定所述目标视频的曝光量之前，获取由所述预设模型对当前存在的视频的用户交互数据进行无监督学习确定的，各类用户交互数据对应的权重。即每次根据实时确定的各类用户交互数据对应的权重确定目标视频的曝光量。
其中，对任一目标视频，根据所述目标视频的用户交互数据和所述权重确定行为影响参数，包括：
对任一目标视频，根据公式y＝∑m(w*xi)确定行为影响参数y；
其中，m为对所述目标视频的交互用户的总数，w为各类用户交互数据对应的权重，xi为由单个用户交互数据组成的向量，xi＝[xi1,xi2,…,xi8]。
其中，视频的发布时间越早，视频的曝光量越小。
本实施例通过目标视频的用户交互数据和由预设模型确定的权重确定目标视频的行为影响参数，再根据行为影响参数和目标视频的发布时间确定目标视频的曝光量，通过权重和视频的发布时间确定视频的曝光量，使得推荐的视频更符合用户预期，也增加了所推荐视频的合理性。
进一步地，在上述各实施例的基础上，所述根据所述行为影响参数和所述目标视频的发布时间确定所述目标视频的曝光量，包括：
根据所述目标视频的视频种类，确定与所述目标视频对应的时间衰减系数，根据所述时间衰减系数和所述发布时间确定时间影响参数；
根据所述行为影响参数和所述时间影响参数确定所述目标视频的曝光量。
其中，视频种类包括新闻类、娱乐类和教育类等。
其中，所述根据所述目标视频的视频种类，确定与所述目标视频对应的时间衰减系数，根据所述时间衰减系数和所述发布时间确定时间影响参数，包括：
将根据视频种类确定的视频最大衰减时间作为时间衰减系数，根据公式
Figure BDA0002468066810000082
确定时间影响参数T；
其中，interval为目标视频发布后的天数，day_i为所述时间衰减系数。
例如，偏新闻类短视频，设置最大衰减时间为24小时，则day_i为1天。
其中，所述根据所述行为影响参数和所述时间影响参数确定所述目标视频的曝光量，包括：
根据公式
Figure BDA0002468066810000081
确定所述目标视频的评分值Stime，其中，S0为对所述目标视频设置的初始的评分值；
若所述评分值大于预设阈值，则增加所述目标视频的曝光量(即对目标视频的流量池进行升阶)。
本实施例通过在确定视频的曝光量时，考虑到视频发布时间对曝光量的影响，增加了所确定的视频曝光量的合理性。
进一步地，在上述各实施例的基础上，还包括：
确定所述目标视频在当前时间点对应的第一评分值，以及在所述当前时间点之前的预设时间点对应的第二评分值，根据所述第一评分值和所述第二评分值确定所述目标视频的评分变化，根据各视频的评分变化确定在所述当前时间点需进行推荐的视频；
其中，所述目标视频的评分值根据所述目标视频的用户交互数据和所述权重确定。
根据对视频计算的评分值可以根据视频实时评分值相对于前一天评分值的变化量，确定需进行推荐的视频，具体地，将需进行推荐的视频通过“每日飙升榜”进行显示。
其中，根据所述第一评分值和所述第二评分值确定所述目标视频的评分变化，根据各视频的评分变化确定在所述当前时间点需进行推荐的视频，包括：
根据公式Δ(S)＝Stime-Sday-确定视频的实时评分值变化量，根据各视频的评分变化确定在所述当前时间点需进行推荐的视频。
具体地，对每日飙升榜，可以当日晚上12点存储即刻分值数据到redis中，次日通过实时交互系统，设定半小时为更新区间值，计算作品得分变化值，根据评分值变化量确定显示在每日飙升榜的视频。
本实施例通过评分值变化量实现了对短时间内最受欢迎视频的筛选，进而将最受欢迎视频进行推荐，有利于提供与用户兴趣更为符合的视频。
进一步地，在上述各实施例的基础上，还包括：
根据所述曝光量向各终端推送所述目标视频。
本实施例根据各视频的曝光量，在用户通过终端刷视频的过程中，按照曝光量向用户提供视频，提高用户刷到符合预期的视频的概率。
本申请提供的方法针对同时包含连续/离散型特征、和同时包含正/负/中性反馈特征数据的业务特点，设计“塔型”神经网络，相互模块之间权重不进行交叉，并且不同模块神经层数从输入到对称层(隐藏层H2)可以不同。得出不同行为的权重结果，在数值正负与数值大小方面均符合业务经验认知。此外，本申请将深度学习的无监督技术用于实现大规模用户不同行为权重的确定，并能根据实时增量数据进行权重的更新。实现了在作品流量池升阶、每日飙升榜方面的应用。采用该方法进行流量池升阶后，使得优质内容更容易脱颖而出呈现给用户，用户日均观看内容数提升13.87％，日均观看时长提升26.06％。
图3为本实施例提供的确定视频曝光量的装置的结构示意图，参见图3，该装置包括获取模块301和确定模块302，其中，
获取模块301，用于获取视频的各类用户交互数据对应的权重，其中，所述权重由预设模型对视频的用户交互数据进行无监督学习确定；
确定模块302，对任一目标视频，根据所述目标视频的用户交互数据和所述权重，确定所述目标视频的曝光量。
本实施例提供的确定视频曝光量的装置适用于上述各实施例提供的确定视频曝光量的方法，在此不再赘述。
本实施例提供了一种确定视频曝光量的装置，由预设模型通过无监督学习挖掘出视频的各类用户交互数据之间的关联关系。对任一目标视频，根据该目标视频的用户交互数据和以权重表示的这种关联关系确定该目标视频的曝光量。预设模型对各类用户交互数据之间的关联关系进行了深层次挖掘，将这种关联关系应用于视频曝光量的确定过程中，有利于提高推荐的视频与用户预期的吻合程度。
进一步地，在上述实施例的基础上，还包括模型训练模块，所述模型训练模块用于：
根据用户对视频的用户交互数据确定的训练样本集，对所述训练样本集中任一训练样本，根据所述训练样本中各类用户交互数据的数值类型和/或数据含义，确定各类用户交互数据所属的样本数据类型；
对每一样本数据类型，确定所述预设模型中与所述样本数据类型对应的分类处理结构，将所述训练样本中属于所述样本数据类型的用户交互数据通过所述分类处理结构输入所述预设模型，对所述预设模型进行训练；
其中，分类处理结构为所述预设模型中对各类样本数据类型的用户交互数据进行单独运算的结构。
进一步地，在上述实施例的基础上，所述根据所述训练样本中各类用户交互数据的数值类型和数据含义，确定各类用户交互数据所属的样本数据类型，包括：
根据数值类型将所述训练样本中各类用户交互数据划分为不同的类别，其中，数值类型包括离散型数值和连续型数值；
对每一类别，根据所述类别中的各类用户交互数据的数据含义确定各类用户交互数据所属的样本数据类型，其中，数据含义包括对视频的正向反馈、对视频的负向反馈和对视频的中性反馈。
进一步地，在上述实施例的基础上，所述对任一目标视频，根据所述目标视频的用户交互数据和所述权重，确定所述目标视频的曝光量，包括：
对任一目标视频，根据所述目标视频的用户交互数据和所述权重确定行为影响参数；
根据所述行为影响参数和所述目标视频的发布时间确定所述目标视频的曝光量。
进一步地，在上述实施例的基础上，所述根据所述行为影响参数和所述目标视频的发布时间确定所述目标视频的曝光量，包括：
根据所述目标视频的视频种类，确定与所述目标视频对应的时间衰减系数，根据所述时间衰减系数和所述发布时间确定时间影响参数；
根据所述行为影响参数和所述时间影响参数确定所述目标视频的曝光量。
进一步地，在上述实施例的基础上，还包括：
确定所述目标视频在当前时间点对应的第一评分值，以及在所述当前时间点之前的预设时间点对应的第二评分值，根据所述第一评分值和所述第二评分值确定所述目标视频的评分变化，根据各视频的评分变化确定在所述当前时间点需进行推荐的视频；
其中，所述目标视频的评分值根据所述目标视频的用户交互数据和所述权重确定。
进一步地，在上述实施例的基础上，还包括：
根据所述曝光量向各终端推送所述目标视频。
图4示例了一种电子设备的实体结构示意图，如图4所示，该电子设备可以包括：处理器(processor)401、通信接口(Communications Interface)402、存储器(memory)403和通信总线404，其中，处理器401，通信接口402，存储器403通过通信总线404完成相互间的通信。处理器401可以调用存储器403中的逻辑指令，以执行如下方法：获取视频的各类用户交互数据对应的权重，其中，所述权重由预设模型对视频的用户交互数据进行无监督学习确定；对任一目标视频，根据所述目标视频的用户交互数据和所述权重，确定所述目标视频的曝光量。
此外，上述的存储器403中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
进一步地，本发明实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：获取视频的各类用户交互数据对应的权重，其中，所述权重由预设模型对视频的用户交互数据进行无监督学习确定；对任一目标视频，根据所述目标视频的用户交互数据和所述权重，确定所述目标视频的曝光量。
另一方面，本发明实施例还提供一种非暂态可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的传输方法，例如包括：获取视频的各类用户交互数据对应的权重，其中，所述权重由预设模型对视频的用户交互数据进行无监督学习确定；对任一目标视频，根据所述目标视频的用户交互数据和所述权重，确定所述目标视频的曝光量。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种确定视频曝光量的方法，其特征在于，包括：
获取视频的各类用户交互数据对应的权重，其中，所述权重由预设模型对视频的用户交互数据进行无监督学习确定；
对任一目标视频，根据所述目标视频的用户交互数据和所述权重，确定所述目标视频的曝光量。
2.根据权利要求1所述的确定视频曝光量的方法，其特征在于，还包括：
根据用户对视频的用户交互数据确定的训练样本集，对所述训练样本集中任一训练样本，根据所述训练样本中各类用户交互数据的数值类型和/或数据含义，确定各类用户交互数据所属的样本数据类型；
对每一样本数据类型，确定所述预设模型中与所述样本数据类型对应的分类处理结构，将所述训练样本中属于所述样本数据类型的用户交互数据通过所述分类处理结构输入所述预设模型，对所述预设模型进行训练；
其中，分类处理结构为所述预设模型中对各类样本数据类型的用户交互数据进行单独运算的结构。
3.根据权利要求2所述的确定视频曝光量的方法，其特征在于，所述根据所述训练样本中各类用户交互数据的数值类型和数据含义，确定各类用户交互数据所属的样本数据类型，包括：
根据数值类型将所述训练样本中各类用户交互数据划分为不同的类别，其中，数值类型包括离散型数值和连续型数值；
对每一类别，根据所述类别中的各类用户交互数据的数据含义确定各类用户交互数据所属的样本数据类型，其中，数据含义包括对视频的正向反馈、对视频的负向反馈和对视频的中性反馈。
4.根据权利要求1所述的确定视频曝光量的方法，其特征在于，所述对任一目标视频，根据所述目标视频的用户交互数据和所述权重，确定所述目标视频的曝光量，包括：
对任一目标视频，根据所述目标视频的用户交互数据和所述权重确定行为影响参数；
根据所述行为影响参数和所述目标视频的发布时间确定所述目标视频的曝光量。
5.根据权利要求4所述的确定视频曝光量的方法，其特征在于，所述根据所述行为影响参数和所述目标视频的发布时间确定所述目标视频的曝光量，包括：
根据所述目标视频的视频种类，确定与所述目标视频对应的时间衰减系数，根据所述时间衰减系数和所述发布时间确定时间影响参数；
根据所述行为影响参数和所述时间影响参数确定所述目标视频的曝光量。
6.根据权利要求1所述的确定视频曝光量的方法，其特征在于，还包括：
确定所述目标视频在当前时间点对应的第一评分值，以及在所述当前时间点之前的预设时间点对应的第二评分值，根据所述第一评分值和所述第二评分值确定所述目标视频的评分变化，根据各视频的评分变化确定在所述当前时间点需进行推荐的视频；
其中，所述目标视频的评分值根据所述目标视频的用户交互数据和所述权重确定。
7.根据权利要求1所述的确定视频曝光量的方法，其特征在于，还包括：
根据所述曝光量向各终端推送所述目标视频。
8.一种确定视频曝光量的装置，其特征在于，包括：
获取模块，用于获取视频的各类用户交互数据对应的权重，其中，所述权重由预设模型对视频的用户交互数据进行无监督学习确定；
确定模块，对任一目标视频，根据所述目标视频的用户交互数据和所述权重，确定所述目标视频的曝光量。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，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至7任一项所述的确定视频曝光量的方法的步骤。
10.一种非暂态可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至7任一项所述的确定视频曝光量的方法的步骤。
CN202010339535.7A 2020-04-26 2020-04-26 确定视频曝光量的方法、装置、电子设备和存储介质 Active CN111510783B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010339535.7A CN111510783B (zh) 2020-04-26 2020-04-26 确定视频曝光量的方法、装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010339535.7A CN111510783B (zh) 2020-04-26 2020-04-26 确定视频曝光量的方法、装置、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN111510783A true CN111510783A (zh) 2020-08-07
CN111510783B CN111510783B (zh) 2022-06-03

Family

ID=71873237

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010339535.7A Active CN111510783B (zh) 2020-04-26 2020-04-26 确定视频曝光量的方法、装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN111510783B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112218169A (zh) * 2020-09-07 2021-01-12 有米科技股份有限公司 计算带货视频对商品的浏览价值属性的方法及装置
CN112650931A (zh) * 2021-01-04 2021-04-13 杭州情咖网络技术有限公司 一种内容推荐方法
CN113590955A (zh) * 2021-07-30 2021-11-02 武汉斗鱼鱼乐网络科技有限公司 目标推荐用户确定方法、装置、电子设备以及存储介质
CN116208512A (zh) * 2023-03-07 2023-06-02 武汉精阅数字传媒科技有限公司 一种隐性交互行为的流量正向影响分析方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102740143A (zh) * 2012-07-03 2012-10-17 合一网络技术(北京)有限公司 一种基于用户行为的网络视频榜单生成系统及其方法
CN103136289A (zh) * 2011-12-05 2013-06-05 腾讯科技（深圳）有限公司 资源推荐方法及系统
CN103164481A (zh) * 2011-12-16 2013-06-19 盛乐信息技术（上海）有限公司 最大上升趋势视频的推荐方法及系统
CN106339447A (zh) * 2016-08-23 2017-01-18 达而观信息科技（上海）有限公司 一种自动预测热点视频的系统及方法
US9639634B1 (en) * 2014-01-28 2017-05-02 Google Inc. Identifying related videos based on relatedness of elements tagged in the videos
CN107105320A (zh) * 2017-03-07 2017-08-29 上海交通大学 一种基于用户情绪的在线视频热度预测方法及系统
US20180053057A1 (en) * 2016-08-18 2018-02-22 Xerox Corporation System and method for video classification using a hybrid unsupervised and supervised multi-layer architecture
CN109657138A (zh) * 2018-12-10 2019-04-19 深圳墨世科技有限公司 一种视频推荐方法、装置、电子设备及存储介质
CN110489644A (zh) * 2019-08-13 2019-11-22 腾讯科技（北京）有限公司 信息推送方法、装置、计算机可读存储介质和计算机设备
CN110933473A (zh) * 2019-12-10 2020-03-27 北京爱奇艺科技有限公司 一种视频播放热度确定方法及装置

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103136289A (zh) * 2011-12-05 2013-06-05 腾讯科技（深圳）有限公司 资源推荐方法及系统
CN103164481A (zh) * 2011-12-16 2013-06-19 盛乐信息技术（上海）有限公司 最大上升趋势视频的推荐方法及系统
CN102740143A (zh) * 2012-07-03 2012-10-17 合一网络技术(北京)有限公司 一种基于用户行为的网络视频榜单生成系统及其方法
US9639634B1 (en) * 2014-01-28 2017-05-02 Google Inc. Identifying related videos based on relatedness of elements tagged in the videos
US20180053057A1 (en) * 2016-08-18 2018-02-22 Xerox Corporation System and method for video classification using a hybrid unsupervised and supervised multi-layer architecture
CN106339447A (zh) * 2016-08-23 2017-01-18 达而观信息科技（上海）有限公司 一种自动预测热点视频的系统及方法
CN107105320A (zh) * 2017-03-07 2017-08-29 上海交通大学 一种基于用户情绪的在线视频热度预测方法及系统
CN109657138A (zh) * 2018-12-10 2019-04-19 深圳墨世科技有限公司 一种视频推荐方法、装置、电子设备及存储介质
CN110489644A (zh) * 2019-08-13 2019-11-22 腾讯科技（北京）有限公司 信息推送方法、装置、计算机可读存储介质和计算机设备
CN110933473A (zh) * 2019-12-10 2020-03-27 北京爱奇艺科技有限公司 一种视频播放热度确定方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
纪煜东: "对采用个性化推荐的移动端视频平台的优化策略", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112218169A (zh) * 2020-09-07 2021-01-12 有米科技股份有限公司 计算带货视频对商品的浏览价值属性的方法及装置
CN112650931A (zh) * 2021-01-04 2021-04-13 杭州情咖网络技术有限公司 一种内容推荐方法
CN112650931B (zh) * 2021-01-04 2023-05-30 杭州情咖网络技术有限公司 一种内容推荐方法
CN113590955A (zh) * 2021-07-30 2021-11-02 武汉斗鱼鱼乐网络科技有限公司 目标推荐用户确定方法、装置、电子设备以及存储介质
CN116208512A (zh) * 2023-03-07 2023-06-02 武汉精阅数字传媒科技有限公司 一种隐性交互行为的流量正向影响分析方法
CN116208512B (zh) * 2023-03-07 2023-10-17 杭州元媒科技有限公司 一种隐性交互行为的流量正向影响分析方法

Also Published As

Publication number Publication date
CN111510783B (zh) 2022-06-03

Similar Documents

Publication Publication Date Title
CN111510783B (zh) 确定视频曝光量的方法、装置、电子设备和存储介质
WO2020228514A1 (zh) 内容推荐方法、装置、设备及存储介质
CN111708950B (zh) 内容推荐方法、装置及电子设备
CN108537567B (zh) 一种目标用户群体的确定方法和装置
CN108334575B (zh) 一种推荐结果排序修正方法及装置，电子设备
CN110266745B (zh) 基于深度网络的信息流推荐方法、装置、设备及存储介质
CN103198086A (zh) 信息处理设备，信息处理方法和程序
CN111967971A (zh) 银行客户数据处理方法及装置
CN108269122B (zh) 广告的相似度处理方法和装置
CN112153426A (zh) 一种内容账号管理方法、装置、计算机设备及存储介质
CN104778173A (zh) 目标用户确定方法、装置及设备
CN107247753B (zh) 一种相似用户选取方法及装置
CN105302911A (zh) 一种数据筛选引擎建立方法及数据筛选引擎
CN109903103A (zh) 一种推荐物品的方法和装置
CN111737576B (zh) 应用功能个性化推荐方法和装置
CN110413888A (zh) 一种书籍推荐方法及装置
CN105653833A (zh) 一种游戏社区推荐的方法及装置
CN109190040B (zh) 基于协同演化的个性化推荐方法及装置
CN107885754B (zh) 基于lda模型从交易数据中提取信用变量的方法和装置
CN111984842B (zh) 银行客户数据处理方法及装置
CN116823410B (zh) 数据处理方法、对象处理方法、推荐方法及计算设备
CN106446696B (zh) 一种信息处理方法及电子设备
CN112288489A (zh) 一种广告触达率预估方法、装置、电子设备及介质
CN111443973A (zh) 备注信息的填入方法、装置、设备及存储介质
CN111274791A (zh) 一种线上家装场景下用户流失预警模型的建模方法

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