CN111538860A - 视频推荐方法及装置、存储介质及电子设备 - Google Patents
视频推荐方法及装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN111538860A CN111538860A CN202010645462.4A CN202010645462A CN111538860A CN 111538860 A CN111538860 A CN 111538860A CN 202010645462 A CN202010645462 A CN 202010645462A CN 111538860 A CN111538860 A CN 111538860A
- Authority
- CN
- China
- Prior art keywords
- video
- user
- watched
- target user
- videos
- 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
- 238000000034 method Methods 0.000 title claims abstract description 98
- 238000013145 classification model Methods 0.000 claims abstract description 79
- 238000011156 evaluation Methods 0.000 claims description 47
- 238000012549 training Methods 0.000 claims description 33
- 239000013598 vector Substances 0.000 claims description 30
- 238000012545 processing Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
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
- G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
- G06F16/73—Querying
- G06F16/735—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
- G06F16/75—Clustering; Classification
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)
- Computational Linguistics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
Abstract
本发明提供了一种视频推荐方法及装置、存储介质及电子设备,该方法包括:当接收到目标用户的视频推荐请求时,依据所述目标用户的基础信息生成特征信息,其中,所述目标用户为预设时段内不具有视频观看记录的用户;调用预先设置的分类模型基于所述特征信息,确定出所述目标用户所属的用户类型;确定所述用户类型对应的预先建立的待推荐视频集合;其中,所述待推荐视频集合包含多个用户偏好视频;所述用户偏好视频为属于所述用户类型的各个历史用户的已观看视频中满足预设的偏好条件的视频;将所述待推荐视频集合中的用户偏好视频推荐至所述目标用户。能够在用户不存在视频观看记录的情况下,为用户推荐其感兴趣的视频。
Description
技术领域
本发明涉及数据处理技术领域,特别涉及一种视频推荐方法及装置、存储介质及电子设备。
背景技术
近年来,随着互联网技术的高速发展,各个视频平台的用户也在不断增加。各类视频中包含着大量丰富有趣的内容,因此,观看视频也成为了人们日常生活中一种重要的娱乐活动。然而,在视频的数量日益膨胀的情况下,用户在观看视频的过程中,难以快速的在海量的视频资源中获取到其感兴趣的视频。
现有技术中,为了使得用户能够在海量的视频中获取到其感兴趣的视频,通常是通过对视频的视频标题进行识别、视频的视频关键帧识别或视频的音频进行识别等方式,以获取与用户观看过的视频相似的视频进行推荐,然而,在用户不存在视频观看记录的情况下,就无法感知到用户感兴趣的视频。
发明内容
本发明所要解决的技术问题是提供一种视频推荐方法,能够在用户不存在视频观看记录的情况下,为用户推荐其感兴趣的视频。
本发明还提供了一种视频推荐装置,用以保证上述方法在实际中的实现及应用。
一种视频推荐方法,其特征在于,包括:
当接收到目标用户的视频推荐请求时,依据所述目标用户的基础信息生成特征信息,其中,所述目标用户为预设时段内不具有视频观看记录的用户;
调用预先设置的分类模型基于所述特征信息,确定出所述目标用户所属的用户类型;
确定所述用户类型对应的预先建立的待推荐视频集合;其中,所述待推荐视频集合包含多个用户偏好视频;所述用户偏好视频为属于所述用户类型的各个历史用户的已观看视频中满足预设的偏好条件的视频;
将所述待推荐视频集合中的用户偏好视频推荐至所述目标用户。
上述的方法,可选的,依据所述目标用户的基础信息生成特征信息,包括:
对所述目标用户的基础信息进行预处理,得到基础特征信息;
判断是否存在所述目标用户的已观看视频;
若不存在所述目标用户的已观看视频,则获取预先生成的平均视频特征信息;所述平均视频特征信息包括各个历史用户的视频特征信息的平均值;
将所述基础特征信息以及所述平均视频特征信息按预设的组合方式进行组合,获得特征信息。
上述的方法,可选的,还包括:
若存在所述目标用户的已观看视频,则调用预先设置的视频特征识别模型分别对所述目标用户的每个已观看视频进行识别,得到所述目标用户的每个已观看视频的视频特征向量;
基于所述目标用户的每个已观看视频的视频特征向量,生成所述目标用户的视频特征信息;
将所述基础特征信息以及所述视频特征信息按预设的组合方式进行组合,获得特征信息。
上述的方法,可选的,所述分类模型的设置过程,包括:
获取多个历史用户的训练样本,每个所述训练样本包含其所属的历史用户的特征信息;
应用所述多个历史用户的训练样本对预先构建的初始分类模型进行训练,得到待上线分类模型;
按预设的模型评估方式对所述待上线分类模型进行评估得到模型评估指标;
将所述模型评估指标与所述初始分类模型的初始模型评估指标进行对比;
若所述模型评估指标优于所述初始模型评估指标,则将所述待上线分类模型作为分类模型。
上述的方法,可选的,还包括:
若所述模型评估指标不优于所述初始模型评估指标,则将所述初始分类模型作为分类模型。
上述的方法,可选的,所述待推荐视频集合的建立过程,包括:
获取所述用户类型对应的视频观看数据;所述视频观看数据包括属于所述用户类型的各个历史用户的每个已观看视频的各个评分维度的维度值;
对于每个已观看视频,依据该已观看视频的每个评分维度的维度值以及每个所述评分维度对应的权重,得到该已观看视频的兴趣评分;
按所述用户类型的各个历史用户的每个已观看视频的兴趣评分的由大至小的顺序,选取预设数目的已观看视频作为用户偏好视频;
将各个所述用户偏好视频组成所述用户类型对应的待推荐视频集合。
上述的方法,可选的,所述待推荐视频集合的建立过程,包括:
获取所述用户类型对应的视频观看数据;所述视频观看数据包括属于所述用户类型的各个历史用户的每个已观看视频的各个评分维度的维度值;
对于每个所述已观看视频,依据该已观看视频的每个评分维度的维度值以及每个所述评分维度对应的权重,得到该已观看视频的兴趣评分;
将所述用户类型的各个历史用户的每个已观看视频的兴趣评分与预先设置的兴趣评分阈值进行比较;
将兴趣评分大于所述兴趣评分阈值的已观看视频作为用户偏好视频;
将各个所述用户偏好视频组成所述用户类型对应的待推荐视频集合。
一种视频推荐装置,包括:
接收单元,用于当接收到目标用户的视频推荐请求时,依据所述目标用户的基础信息生成特征信息,其中,所述目标用户为预设时段内不具有视频观看记录的用户;
第一确定单元,用于调用预先设置的分类模型基于所述特征信息,确定出所述目标用户所属的用户类型;
第二确定单元,用于确定所述用户类型对应的预先建立的待推荐视频集合;其中,所述待推荐视频集合包含多个用户偏好视频;所述用户偏好视频为所述用户类型的各个历史用户的已观看视频中满足预设的偏好条件的视频;
推荐单元,用于将所述待推荐视频集合中的用户偏好视频推荐至所述目标用户。
一种存储介质,所述存储介质包括存储的指令,其中,在所述指令运行时控制所述存储介质所在的设备执行如上述的视频推荐方法。
一种电子设备,包括存储器,以及一个或者一个以上的指令,其中一个或者一个以上指令存储于存储器中,且经配置以由一个或者一个以上处理器执行如上述的视频推荐方法。
与现有技术相比,本发明包括以下优点:
本发明提供了一种视频推荐方法和装置,该方法包括:当接收到目标用户的视频推荐请求时,依据所述目标用户的基础信息生成特征信息,其中,所述目标用户为预设时段内不具有视频观看记录的用户;调用预先设置的分类模型基于所述特征信息,确定出所述目标用户所属的用户类型;确定所述用户类型对应的预先建立的待推荐视频集合;其中,所述待推荐视频集合包含多个用户偏好视频;所述用户偏好视频为属于所述用户类型的各个历史用户的已观看视频中满足预设的偏好条件的视频;将所述待推荐视频集合中的用户偏好视频推荐至所述目标用户。能够在用户不存在视频观看记录的情况下,为用户推荐其感兴趣的视频。
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,显而易见地,下面描述中的附图仅仅是本发明的实施例,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,还可以根据提供的附图获得其他的附图。
图1为本发明提供的一种视频推荐方法的方法流程图;
图2为本发明提供的依据目标用户的基础信息生成特征信息的过程的流程图;
图3为本发明提供的分类模型的设置过程的流程图;
图4为本发明提供的一种实施场景示例图;
图5为本发明提供的对目标用户进行分类的过程示例图;
图6为本发明提供的一种视频推荐装置的结构示意图;
图7为本发明提供的一种电子设备的结构示意图。
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清楚、完整地描述,显然,所描述的实施例仅仅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。
本发明可用于众多通用或专用的计算装置环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器装置、包括以上任何装置或设备的分布式计算环境等等。
本发明实施例提供了一种视频推荐方法,该方法可以应用于电子设备,该电子设备可以为服务器,所述方法的方法流程图如图1所示,具体包括:
S101:当接收到目标用户的视频推荐请求时,依据目标用户的基础信息生成特征信息,其中,目标用户为预设时段内不具有视频观看记录的用户。
本发明实施例提供的方法中,该视频推荐请求可以为目标用户对应的终端设备发送的,在接收到视频推荐请求的情况下,获取该视频推荐请求中包含的用户的用户标识,可以基于用户标识查询该用户的视频观看记录,若在预设时段内不具有视频观看记录,则可以将该视频推荐请求作为目标用户的视频推荐请求。
其中,该预设时段可以为当前时间节点以及当前时间节点的前一时间节点所构成的时间段,当前时间节点可以由该视频推荐请求中包含的时间戳信息确定,该时间段的时长可以设置为3个月;若该时长设置为3个月,则可以判断过去3个月内,是否存在该用户的视频观看记录;应当理解,该时间段的时长可以为任意时长,可以依据实际需求进行设定,例如,可以将该时长设置为一个星期、一个月或一年等等。
换言之,该目标用户可以为预设时段之外存在视频观看记录的用户,也可以为不存在视频观看记录的用户。
具体的,该基础信息可以包含用户的年龄、性别、地理位置信息、终端设备的设备型号、该终端设备的已安装的应用信息、关注用户、喜欢的视频标签、喜欢的视频分类以及视频观看历史等等以上一种或多种,上述的信息可以在该视频推荐请求中获取,也可以基于用户的用户标识在预先建立的存储区域中获取。
其中,该特征信息可以为向量形式的信息,用于表征用户的特征;可选的,该特征信息可以包含目标用户的基础特征信息以及视频特征信息。
S102:调用预先设置的分类模型基于特征信息,确定出目标用户所属的用户类型。
本发明实施例提供的方法,该分类模型可以包含3层ReLu网络层,以及Softmax网络层。
S103:确定用户类型对应的预先建立的待推荐视频集合;其中,待推荐视频集合包含多个用户偏好视频;用户偏好视频为属于该用户类型的各个历史用户的已观看视频中满足预设的偏好条件的视频。
本发明实施例提供的方法中,不同的用户类型对应不同的待推荐视频集合,每个待推荐视频集合可以包含该用户类型对应的多个偏好视频。
其中,该偏好条件可以为:已观看视频的兴趣评分的排序序号小于等于预设的序号阈值,或者,已观看视频的兴趣评分大于预先设定的评分阈值。
具体的,已观看视频的兴趣评分的排序序号可以通过对各个已观看视频的兴趣评分由大至小的进行排序得到。
例如,视频A的兴趣评分为,视频B的兴趣评分为,视频C的兴趣评分为;假
设,则对视频A、视频B以及视频C按兴趣评分由大至小的顺序进行排序,得
到视频C的排序序号为1、视频A的排序序号为2以及视频B的排序序号为3,若序号阈值为2,
在此情况下,排序序号小于等于该序号阈值的视频包括视频C以及视频A,可以将视频C以及
视频A作为偏好视频。
S104:将待推荐视频集合中的用户偏好视频推荐至所述目标用户。
本发明实施例提供的方法中,可以将待推荐视频集合中的至少一个用户偏好视频推荐至该目标用户。
其中,可以按每个偏好视频的兴趣评分由大至小的顺序,在待推荐视频集合中选取偏好视频以推荐至该目标用户,也可以同时将所有的偏好视频直接推荐至目标用户,由目标用户在各个偏好视频中选择待播放视频。
本发明提供了一种视频推荐方法,该方法包括:当接收到目标用户的视频推荐请求时,依据所述目标用户的基础信息生成特征信息,其中,所述目标用户为预设时段内不具有视频观看记录的用户;调用预先设置的分类模型基于所述特征信息,确定出所述目标用户所属的用户类型;确定所述用户类型对应的预先建立的待推荐视频集合;其中,所述待推荐视频集合包含多个用户偏好视频;所述用户偏好视频为属于所述用户类型的各个历史用户的已观看视频中满足预设的偏好条件的视频;将所述待推荐视频集合中的用户偏好视频推荐至所述目标用户;能够在用户不存在视频观看记录的情况下,为用户推荐其感兴趣的视频,进而能够提高用户的视频观看体验。
本发明实施例提供的方法中,基于上述的实施过程,具体的,S101中提及的依据目标用户的基础信息生成特征信息的过程,如图2所示,可以包括:
S201:对目标用户的基础信息进行预处理,得到基础特征信息。
本发明实施例提供的方法中,目标用户的基础信息包含各种类型的连续型信息以及各种类型的离散型信息;连续型信息的类型至少包括目标用户的年龄,离散型信息的类型可以包括性别、地理位置、手机型号、已安装应用信息以及偏好视频标签、偏好视频分类、偏好用户等。
其中,对目标用户的基础信息进行预处理的过程,可以包括对各个类型的连续型信息以及各个类型的离散型信息进行处理,并将处理得到连续型信息的基础特征值以及离散型信息的基础特征值按预设的拼接方式进行拼接,得到基础特征信息,该连续型信息的基础特征值以及离散型信息的基础特征值均可以为向量的形式。
具体的,对连续型信息进行处理的一种方式,可以为:对年龄等类型连续型信息分别进行归一化处理,并调用预设的哈希算法对归一化处理后的连续型信息进行计算,得到该连续型信息对应的哈希值,应用预设的编码方式对该哈希值进行编码,得到该连续型信息的基础特征值,若存在某种类型的连续型信息的缺失,则可以应用各个历史用户的该类型的连续型信息的平均值,作为目标用户的该类型的连续型信息。
其中,归一化公式,可以为:
其中,为目标类型的第i个归一化处理后的连续型信息,为该类型的第i个连
续型信息,为预先计算得到的历史用户的该类型的连续型信息的最小值;为预
先计算得到的历史用户的该类型的连续型信息的最大值,i可以为大于零的整数。
对离散型信息进行处理的一种方式,可以为:判断是否若存在某种类型的离散型信息缺失,若存在,则可以应用预先设置的初值表示该类型的离散型信息,然后,应用预设的编码方式对各个类型的离散型信息进行编码,得到该各个类型的离散型信息的基础特征值。
S202:判断是否存在目标用户的已观看视频;若否,则执行S203,若是,则执行S205。
本发明实施例提供的方法中,可以通过查询该目标用户的视频观看记录来判断是否存在目标用户的已观看视频。
S203:获取预先生成的平均视频特征信息;所述平均视频特征信息包括各个历史用户的视频特征信息的平均值。
本发明实施例提供的方法中,可以通过预置的无噪声循环神经网络(Choas FreeRNN,CFN)对各个类型的历史用户的已观看视频进行向量化,得到每个历史用户的已观看视频的视频特征向量;对于每个历史用户,将该历史用户的各个已观看视频的视频特征向量的均值,作为该历史用户的视频特征信息。
S204:将基础特征信息以及平均视频特征信息按预设的组合方式进行组合,获得特征信息。
在本发明实施例提供的方法中,将基础特征信息以及平均视频特征信息中的数值按预设的组合方式进行组合,得到新的向量;将该新的向量作为目标用户的特征信息。
可选的,各个用户的特征信息的向量维度一致。
S205:调用预先设置的视频特征识别模型分别对目标用户的每个已观看视频进行识别,得到目标用户的每个已观看视频的视频特征向量。
本发明实施例提供的方法中,该视频特征识别模型可以为无噪声循环神经网络模型。
S206:基于目标用户的每个已观看视频的视频特征向量,生成目标用户的视频特征信息。
本发明实施例提供的方法中,可以将该目标用户的每个已观看视频的视频特征向量进行求平均,得到该目标用户的视频特征信息。
S207:将基础特征信息以及视频特征信息按预设的组合方式进行组合,获得特征信息。
可选的,S207中提及的组合方式与S204中提及的组合方式一致。
应用本发明实施例提供的方法,能够准确的提取用户的特征信息,提高了分类模型的输入的质量。
本发明实施例提供的方法中,基于上述的实施过程,具体的,所述分类模型的设置过程,如图3所示,具体包括:
S301:获取多个历史用户的训练样本,每个所述训练样本包含其所属的历史用户的特征信息。
本发明实施例提供的方法中,获取多个历史用户的训练样本的一种方式可以为:实时采集历史用户产生的样本数据,当到达预设的训练周期的每一训练时间节点时,获取当前采集的各个历史用户的样本数据进行处理,得到训练数据。
该实施例提供的方法中,获取多个历史用户的训练样本的训练样本的又一种方式可以为:实时采集历史用户产生的样本数据,当采集的样本数据的数量满足预先设置的数量阈值时,将当前采集的各个历史用户的样本数据进行处理,得到训练样本数据。
具体的,历史用户的样本数据可以包括历史用户的基础信息和已观看视频等,对历史用户的样本数据进行处理的一种可行方式如下:
通过对各个历史用户的该基础信息进行预处理,得到每个历史用户的基础特征信息;其中,对于各个历史用户的基础信息包含的每个类型的连续型信息,计算各个历史用户的该类型的连续型信息的平均值和标准差,基于该平均值和标准差对各个历史用户的该类型的连续型信息进行筛选,以筛选出异常的连续型信息;对于那些处于异常的连续型信息,可以用平均值进行代替;然后,对个各个连续型信息做归一化处理,并调用预先设置的哈希算法对归一化处理后的连续型信息进行计算,得到各个连续型信息的哈希值,应用预先设置的编码方式对各个连续型信息的哈希值进行编码,得到各个连续型信息的基础特征值。
例如,若连续型信息的类型为年龄,则可以计算各个历史用户的年龄的年龄平均值和年龄标准差;将处于筛选范围之外的年龄确定为异常年龄,该筛选范围由年龄平均值和年龄标准差决定;该筛选范围的区间可以为:[avg-2×std,avg+2×std],其中,avg为年龄平均值,std为年龄标准差。
其中,通过对历史用户的各个已观看视频进行处理,得到历史用户的视频特征信息;其中,可以调用预先设置的视频特征识别模型分别对历史用户的每个已观看视频进行识别,得到历史用户的每个已观看视频的视频特征向量;该视频特征识别模型可以为无噪声循环神经网络模型;基于历史用户的每个已观看视频的视频特征向量,生成历史用户的视频特征信息。
本发明实施例提供的方法中,可以将该历史用户的每个已观看视频的视频特征向量进行求平均,得到该历史用户的视频特征信息。
具体的,对于每个历史用户,将该历史用户的基础特征信息和视频特征信息进行组合,得到该历史用户的特征信息,基于该历史用户的特征信息得到该历史用户的训练样本。
S302:应用所述多个历史用户的训练样本对预先构建的初始分类模型进行训练,得到待上线分类模型。
本发明实施例提供的方法中,应用多个历史用户的训练样本对预先构建的初始分类模型进行训练的一种可行方式为:依次将每个训练样本输入至初始分类模型,以对该初始分类模型进行训练,其中,在将每个训练样本输入至该初始分类模型时,确定该初始分类模型对该训练样本的进行识别所产生的识别结果,调用预先设置的损失函数对该识别结果进行计算,得到损失函数值,基于该损失函数值调整该初始分类模型的网络参数。
可选的,该初始分类模型可以为历史的分类模型。
S303:按预设的模型评估方式对所述待上线分类模型进行评估得到模型评估指标。
本发明实施例提供的方法中,该模型评估方式可为AUC值评估;该模型评估指标为AUC值。
其中,还可以应用预测准确率评估或召回率评估等模型评估方式对该分类模型进行评估。
S304:将所述模型评估指标与所述初始分类模型的初始模型评估指标进行对比。
S305:若所述模型评估指标优于所述初始模型评估指标,则将所述待上线分类模型作为分类模型。
本发明实施例提供的方法中,若模型评估指标为AUC值,相应的,该初始模型评估指标可以为初始分类模型的初始AUC值,在待上线分类模型的AUC值高于该初始分类模型的AUC值的情况下,确定模型评估指标优于初始模型评估指标,则将该待上线分类模型作为分类模型。
S306:若所述模型评估指标不优于所述初始模型评估指标,则将所述初始分类模型作为分类模型。
本发明实施例提供的方法中,若模型评估指标为AUC值,相应的,该初始模型评估指标可以为初始分类模型的初始AUC值,在待上线分类模型的AUC值不高于该初始分类模型的AUC值的情况下,确定模型评估指标不优于初始模型评估指标,则将该初始分类模型作为分类模型。
可选的,在到达新的训练时间节点或者采集的新样本数据的数量满足数量阈值时,可以将该当前的分类模型作为新的初始分类模型,并重新执行S302-S304的过程,以重新确定分类模型。
应用本发明实施例提供的方法,通过评价指标对待上线的分类模型进行评价,以确定分类模型,能够提高分类模型的分类能力,并应该分类能力优的分类模型对目标用户进行分类,提高了分类的准确率。
本发明实施例提供的方法中,基于上述的实施过程,具体的,所述待推荐视频集合的建立方式有多种,其中,建立待推荐视频集合的一种可行的方式可以包括:
获取所述用户类型对应的视频观看数据;所述视频观看数据包括属于所述用户类型的各个历史用户的每个已观看视频的各个评分维度的维度值;
对于每个已观看视频,依据该已观看视频的每个评分维度的维度值以及每个所述评分维度对应的权重,得到该已观看视频的兴趣评分;
按所述用户类型的各个历史用户的每个已观看视频的兴趣评分的由大至小的顺序,选取预设数目的已观看视频作为用户偏好视频;
将各个所述用户偏好视频组成所述用户类型对应的待推荐视频集合。
可选的,已观看视频的评分维度可以包括视频点击率、视频点赞数、视频评论数、视频作者质量以及视频图像质量等维度;不同的评分维度对应不同的权重值。
具体的,兴趣评分的具体计算方式可以为:
Score=m×A+n×B+t×C+y×D+z×E
其中,Score为已观看视频的兴趣评分,A为视频点击率,B为视频点赞数,C为视频评论数,D为视频作者质量,E为视频图像质量,m为视频点击率的权重,n为视频点赞数的权重,t为视频评论数的权重,y为视频作者质量的权重,z为视频图像质量的权重。
可选的,该预设数目可以为300,当然,该预设数目也可以为任意的数值,例如10、30、100或500等等,可以依据实际需求进行设定。
本发明实施例提供的方法中,建立待推荐视频集合的又一种可行的方式,可以包括:
获取所述用户类型对应的视频观看数据;所述视频观看数据包括属于所述用户类型的各个历史用户的每个已观看视频的各个评分维度的维度值;
对于每个所述已观看视频,依据该已观看视频的每个评分维度的维度值以及每个所述评分维度对应的权重,得到该已观看视频的兴趣评分;
将所述用户类型的各个历史用户的每个已观看视频的兴趣评分与预先设置的兴趣评分阈值进行比较;
将兴趣评分大于所述兴趣评分阈值的已观看视频作为用户偏好视频;
将各个所述用户偏好视频组成所述用户类型对应的待推荐视频集合。
应用本发明实施例提供的方法,能够预先确定各个用户类型的用户偏好视频,在接收到目标用户的视频推荐请求时,识别出该目标用户所属的用户类型,从而将该用户类型的用户偏好视频推荐给该目标用户,提高了用户的视频观看体验。
参见图4,为本发明提供的一实施场景示例图,本发明实施例提供的实施场景包括了服务器401以及终端设备402。
实施时,图4所示的终端设备402可以是诸如手机、平板电脑、个人计算机等;服务器401可以是一台服务器,也可以是由多台服务器组成的服务器集群,或者是一个云计算服务中心;服务器401与终端设备402通过网络建立通信连接。
本发明实施例涉及的网络为提供通信链路的介质,该网络可以包括各种连接类型,例如有线或者无线通信链路等等。
用户可以通过终端设备402观看视频,当终端设备402需要向该用户推荐视频时,该终端设备402可以向服务器401发送视频推荐请求,该视频推荐请求中至少包含该用户的用户标识,服务器401基于该用户标识判断该用户是否为目标用户,若该用户为目标用户,则对该目标用户进行分类;参见图5,为本发明实施例提供的对目标用户进行分类的过程示例图,
服务器402可以获取该目标用户的基础信息,依据目标用户的基础信息以及视频特征信息,获得目标用户的特征信息;具体的,可以对该基础信息进行过滤、清洗、编码等操作,得到该基础信息对应的各个向量,例如,性别向量、位置向量、设备向量以及应用向量等等。
其中,若当前存在该目标用户的已观看视频,可以基于预先设置的Choas FreeRNN模型对该目标用户的各个已观看的视频进行识别,得到各个已观看视频的视频向量,并对个已观看视频的视频向量进行计算,得到该目标用户的观看视频向量,即,将该观看视频向量作为目标用户的视频特征信息,若不存在,则获取平均视频特征信息作为目标用户的视频特征信息。
由该基础信息对应的各个向量以及目标用户的视频特征信息组成该目标用户的特征信息,并调用分类模型基于特征信息,确定出目标用户所属的用户类型。
确定用户类型对应的预先建立的待推荐视频集合;将待推荐视频集合中的用户偏好视频推荐至该目标用户。
上述各个具体的实现方式,及各个实现方式的衍生过程,均在本发明保护范围内。
与图1所述的方法相对应,本发明实施例还提供了一种视频推荐装置,用于对图1中方法的具体实现,本发明实施例提供的视频推荐装置可以应用于电子设备中,其结构示意图如图6所示,具体包括:
接收单元601,用于当接收到目标用户的视频推荐请求时,依据所述目标用户的基础信息生成特征信息,其中,所述目标用户为预设时段内不具有视频观看记录的用户;
第一确定单元602,用于调用预先设置的分类模型基于所述特征信息,确定出所述目标用户所属的用户类型;
第二确定单元603,用于确定所述用户类型对应的预先建立的待推荐视频集合;其中,所述待推荐视频集合包含多个用户偏好视频;所述用户偏好视频为所述用户类型的各个历史用户的已观看视频中满足预设的偏好条件的视频;
推荐单元604,用于将所述待推荐视频集合中的用户偏好视频推荐至所述目标用户。
本发明提供了一种视频推荐装置,当接收到目标用户的视频推荐请求时,依据所述目标用户的基础信息生成特征信息,其中,所述目标用户为预设时段内不具有视频观看记录的用户;调用预先设置的分类模型基于所述特征信息,确定出所述目标用户所属的用户类型;确定所述用户类型对应的预先建立的待推荐视频集合;其中,所述待推荐视频集合包含多个用户偏好视频;所述用户偏好视频为属于所述用户类型的各个历史用户的已观看视频中满足预设的偏好条件的视频;将所述待推荐视频集合中的用户偏好视频推荐至所述目标用户。能够在用户不存在视频观看记录的情况下,为用户推荐其感兴趣的视频,进而能够提高用户的视频观看体验。
在本发明提供的一实施例中,基于上述的方案,具体的,所述接收单元601,被配置为:
对所述目标用户的基础信息进行预处理,得到基础特征信息;
判断是否存在所述目标用户的已观看视频;
若不存在所述目标用户的已观看视频,则获取预先生成的平均视频特征信息;所述平均视频特征信息包括各个历史用户的视频特征信息的平均值;
将所述基础特征信息以及所述平均视频特征信息按预设的组合方式进行组合,获得特征信息。
在本发明提供的一实施例中,基于上述的方案,具体的,所述接收单元601,还被配置为:
若存在所述目标用户的已观看视频,则调用预先设置的视频特征识别模型分别对所述目标用户的每个已观看视频进行识别,得到所述目标用户的每个已观看视频的视频特征向量;
基于所述目标用户的每个已观看视频的视频特征向量,生成所述目标用户的视频特征信息;
将所述基础特征信息以及所述视频特征信息按预设的组合方式进行组合,获得特征信息。
在本发明提供的一实施例中,基于上述的方案,具体的,所述视频推荐装置还包括分类模型设置单元,所述分类模型设置单元,被配置为:
获取多个历史用户的训练样本,每个所述训练样本包含其所属的历史用户的特征信息;
应用所述多个历史用户的训练样本对预先构建的初始分类模型进行训练,得到待上线分类模型;
按预设的模型评估方式对所述待上线分类模型进行评估得到模型评估指标;
将所述模型评估指标与所述初始分类模型的初始模型评估指标进行对比;
若所述模型评估指标优于所述初始模型评估指标,则将所述待上线分类模型作为分类模型。
在本发明提供的一实施例中,基于上述的方案,具体的,所述分类模型设置单元,还被配置为:
若所述模型评估指标不优于所述初始模型评估指标,则将所述初始分类模型作为分类模型。
在本发明提供的一实施例中,基于上述的方案,具体的,所述视频推荐装置还包括第一建立单元,所述第一建立单元,被配置为:
获取所述用户类型对应的视频观看数据;所述视频观看数据包括属于所述用户类型的各个历史用户的每个已观看视频的各个评分维度的维度值;
对于每个已观看视频,依据该已观看视频的每个评分维度的维度值以及每个所述评分维度对应的权重,得到该已观看视频的兴趣评分;
按所述用户类型的各个历史用户的每个已观看视频的兴趣评分的由大至小的顺序,选取预设数目的已观看视频作为用户偏好视频;
将各个所述用户偏好视频组成所述用户类型对应的待推荐视频集合。
在本发明提供的一实施例中,基于上述的方案,具体的,所述视频推荐装置还包括第二建立单元,所述第二建立单元,被配置为:
获取所述用户类型对应的视频观看数据;所述视频观看数据包括属于所述用户类型的各个历史用户的每个已观看视频的各个评分维度的维度值;
对于每个所述已观看视频,依据该已观看视频的每个评分维度的维度值以及每个所述评分维度对应的权重,得到该已观看视频的兴趣评分;
将所述用户类型的各个历史用户的每个已观看视频的兴趣评分与预先设置的兴趣评分阈值进行比较;
将兴趣评分大于所述兴趣评分阈值的已观看视频作为用户偏好视频;
将各个所述用户偏好视频组成所述用户类型对应的待推荐视频集合。
上述本发明实施例公开的视频推荐装置中的各个单元和模块具体的原理和执行过程,与上述本发明实施例公开的视频推荐方法相同,可参见上述本发明实施例提供的视频推荐方法中相应的部分,这里不再进行赘述。
本发明实施例还提供了一种存储介质,所述存储介质包括存储的指令,其中,在所述指令运行时控制所述存储介质所在的设备执行上述视频推荐方法。
本发明实施例还提供了一种电子设备,其结构示意图如图7所示,具体包括存储器701,以及一个或者一个以上的指令702,其中一个或者一个以上指令702存储于存储器701中,且经配置以由一个或者一个以上处理器703执行所述一个或者一个以上指令702进行以下操作:
当接收到目标用户的视频推荐请求时,依据所述目标用户的基础信息生成特征信息,其中,所述目标用户为预设时段内不具有视频观看记录的用户;
调用预先设置的分类模型基于所述特征信息,确定出所述目标用户所属的用户类型;
确定所述用户类型对应的预先建立的待推荐视频集合;其中,所述待推荐视频集合包含多个用户偏好视频;所述用户偏好视频为属于所述用户类型的各个历史用户的已观看视频中满足预设的偏好条件的视频;
将所述待推荐视频集合中的用户偏好视频推荐至所述目标用户。
需要说明的是,本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。对于装置类实施例而言,由于其与方法实施例基本相似,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。
最后,还需要说明的是,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。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本发明时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。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)执行本发明各个实施例或者实施例的某些部分所述的方法。
以上对本发明所提供的一种视频推荐方法进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种视频推荐方法,其特征在于,包括:
当接收到目标用户的视频推荐请求时,依据所述目标用户的基础信息生成特征信息,其中,所述目标用户为预设时段内不具有视频观看记录的用户;
调用预先设置的分类模型基于所述特征信息,确定出所述目标用户所属的用户类型;
确定所述用户类型对应的预先建立的待推荐视频集合;其中,所述待推荐视频集合包含多个用户偏好视频;所述用户偏好视频为属于所述用户类型的各个历史用户的已观看视频中满足预设的偏好条件的视频;
将所述待推荐视频集合中的用户偏好视频推荐至所述目标用户。
2.根据权利要求1所述的方法,其特征在于,依据所述目标用户的基础信息生成特征信息,包括:
对所述目标用户的基础信息进行预处理,得到基础特征信息;
判断是否存在所述目标用户的已观看视频;
若不存在所述目标用户的已观看视频,则获取预先生成的平均视频特征信息;所述平均视频特征信息包括各个历史用户的视频特征信息的平均值;
将所述基础特征信息以及所述平均视频特征信息按预设的组合方式进行组合,获得特征信息。
3.根据权利要求2所述的方法,其特征在于,还包括:
若存在所述目标用户的已观看视频,则调用预先设置的视频特征识别模型分别对所述目标用户的每个已观看视频进行识别,得到所述目标用户的每个已观看视频的视频特征向量;
基于所述目标用户的每个已观看视频的视频特征向量,生成所述目标用户的视频特征信息;
将所述基础特征信息以及所述视频特征信息按预设的组合方式进行组合,获得特征信息。
4.根据权利要求1所述的方法,其特征在于,所述分类模型的设置过程,包括:
获取多个历史用户的训练样本,每个所述训练样本包含其所属的历史用户的特征信息;
应用所述多个历史用户的训练样本对预先构建的初始分类模型进行训练,得到待上线分类模型;
按预设的模型评估方式对所述待上线分类模型进行评估得到模型评估指标;
将所述模型评估指标与所述初始分类模型的初始模型评估指标进行对比;
若所述模型评估指标优于所述初始模型评估指标,则将所述待上线分类模型作为分类模型。
5.根据权利要求4所述的方法,其特征在于,还包括:
若所述模型评估指标不优于所述初始模型评估指标,则将所述初始分类模型作为分类模型。
6.根据权利要求1所述的方法,其特征在于,所述待推荐视频集合的建立过程,包括:
获取所述用户类型对应的视频观看数据;所述视频观看数据包括属于所述用户类型的各个历史用户的每个已观看视频的各个评分维度的维度值;
对于每个已观看视频,依据该已观看视频的每个评分维度的维度值以及每个所述评分维度对应的权重,得到该已观看视频的兴趣评分;
按所述用户类型的各个历史用户的每个已观看视频的兴趣评分的由大至小的顺序,选取预设数目的已观看视频作为用户偏好视频;
将各个所述用户偏好视频组成所述用户类型对应的待推荐视频集合。
7.根据权利要求1所述的方法,其特征在于,所述待推荐视频集合的建立过程,包括:
获取所述用户类型对应的视频观看数据;所述视频观看数据包括属于所述用户类型的各个历史用户的每个已观看视频的各个评分维度的维度值;
对于每个所述已观看视频,依据该已观看视频的每个评分维度的维度值以及每个所述评分维度对应的权重,得到该已观看视频的兴趣评分;
将所述用户类型的各个历史用户的每个已观看视频的兴趣评分与预先设置的兴趣评分阈值进行比较;
将兴趣评分大于所述兴趣评分阈值的已观看视频作为用户偏好视频;
将各个所述用户偏好视频组成所述用户类型对应的待推荐视频集合。
8.一种视频推荐装置,其特征在于,包括:
接收单元,用于当接收到目标用户的视频推荐请求时,依据所述目标用户的基础信息生成特征信息,其中,所述目标用户为预设时段内不具有视频观看记录的用户;
第一确定单元,用于调用预先设置的分类模型基于所述特征信息,确定出所述目标用户所属的用户类型;
第二确定单元,用于确定所述用户类型对应的预先建立的待推荐视频集合;其中,所述待推荐视频集合包含多个用户偏好视频;所述用户偏好视频为所述用户类型的各个历史用户的已观看视频中满足预设的偏好条件的视频;
推荐单元,用于将所述待推荐视频集合中的用户偏好视频推荐至所述目标用户。
9.一种存储介质,其特征在于,所述存储介质包括存储的指令,其中,在所述指令运行时控制所述存储介质所在的设备执行如权利要求1~7任意一项所述的视频推荐方法。
10.一种电子设备,其特征在于,包括存储器,以及一个或者一个以上的指令,其中一个或者一个以上指令存储于存储器中,且经配置以由一个或者一个以上处理器执行如权利要求1~7任意一项所述的视频推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010645462.4A CN111538860B (zh) | 2020-07-07 | 2020-07-07 | 视频推荐方法及装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010645462.4A CN111538860B (zh) | 2020-07-07 | 2020-07-07 | 视频推荐方法及装置、存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111538860A true CN111538860A (zh) | 2020-08-14 |
CN111538860B CN111538860B (zh) | 2020-11-03 |
Family
ID=71979830
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010645462.4A Active CN111538860B (zh) | 2020-07-07 | 2020-07-07 | 视频推荐方法及装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111538860B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112150199A (zh) * | 2020-09-21 | 2020-12-29 | 北京小米松果电子有限公司 | 垂类特征的确定方法及装置、存储介质 |
CN112468851A (zh) * | 2020-11-25 | 2021-03-09 | 深圳市易平方网络科技有限公司 | 一种视频推荐方法和计算机设备 |
CN112650884A (zh) * | 2020-12-21 | 2021-04-13 | 四川长虹电器股份有限公司 | 基于深度学习的视频推送方法 |
CN113268632A (zh) * | 2021-05-08 | 2021-08-17 | 北京达佳互联信息技术有限公司 | 一种推荐对象的方法、装置、电子设备及存储介质 |
CN113420180A (zh) * | 2021-05-18 | 2021-09-21 | 北京达佳互联信息技术有限公司 | 视频推荐方法、装置、电子设备及存储介质 |
CN113468419A (zh) * | 2021-06-28 | 2021-10-01 | 北京达佳互联信息技术有限公司 | 内容推荐方法、装置、电子设备和存储介质 |
CN114491150A (zh) * | 2022-03-28 | 2022-05-13 | 苏州浪潮智能科技有限公司 | 一种视频推荐方法、系统、设备及计算机可读存储介质 |
CN114598905A (zh) * | 2021-11-25 | 2022-06-07 | 浙江光辉工具有限公司 | 一种视频推送方法 |
CN115114508A (zh) * | 2021-03-17 | 2022-09-27 | 博泰车联网科技(上海)股份有限公司 | 云平台的用户偏好查询方法、装置、存储介质和终端 |
WO2023029112A1 (zh) * | 2021-08-31 | 2023-03-09 | 广东艾檬电子科技有限公司 | 一种视频推荐方法、终端设备以及计算机可读存储介质 |
CN116567306A (zh) * | 2023-05-09 | 2023-08-08 | 北京新东方迅程网络科技有限公司 | 一种视频的推荐方法、装置、电子设备及介质 |
CN117609546A (zh) * | 2023-11-08 | 2024-02-27 | 深圳市博锐高科科技有限公司 | 一种视频数据采集方法、装置、芯片及终端 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3327650A1 (en) * | 2016-11-29 | 2018-05-30 | Samsung Electronics Co., Ltd. | Method for recommending content and apparatus therefor |
CN108647293A (zh) * | 2018-05-07 | 2018-10-12 | 广州虎牙信息科技有限公司 | 视频推荐方法、装置、存储介质和服务器 |
CN108875022A (zh) * | 2018-06-20 | 2018-11-23 | 北京奇艺世纪科技有限公司 | 一种视频推荐方法及装置 |
CN109241346A (zh) * | 2018-08-30 | 2019-01-18 | 武汉斗鱼网络科技有限公司 | 一种视频推荐方法和装置 |
CN109284417A (zh) * | 2018-08-27 | 2019-01-29 | 广州飞磨科技有限公司 | 视频推送方法、装置、计算机设备和存储介质 |
-
2020
- 2020-07-07 CN CN202010645462.4A patent/CN111538860B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3327650A1 (en) * | 2016-11-29 | 2018-05-30 | Samsung Electronics Co., Ltd. | Method for recommending content and apparatus therefor |
CN108647293A (zh) * | 2018-05-07 | 2018-10-12 | 广州虎牙信息科技有限公司 | 视频推荐方法、装置、存储介质和服务器 |
CN108875022A (zh) * | 2018-06-20 | 2018-11-23 | 北京奇艺世纪科技有限公司 | 一种视频推荐方法及装置 |
CN109284417A (zh) * | 2018-08-27 | 2019-01-29 | 广州飞磨科技有限公司 | 视频推送方法、装置、计算机设备和存储介质 |
CN109241346A (zh) * | 2018-08-30 | 2019-01-18 | 武汉斗鱼网络科技有限公司 | 一种视频推荐方法和装置 |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112150199A (zh) * | 2020-09-21 | 2020-12-29 | 北京小米松果电子有限公司 | 垂类特征的确定方法及装置、存储介质 |
CN112468851A (zh) * | 2020-11-25 | 2021-03-09 | 深圳市易平方网络科技有限公司 | 一种视频推荐方法和计算机设备 |
CN112650884A (zh) * | 2020-12-21 | 2021-04-13 | 四川长虹电器股份有限公司 | 基于深度学习的视频推送方法 |
CN115114508A (zh) * | 2021-03-17 | 2022-09-27 | 博泰车联网科技(上海)股份有限公司 | 云平台的用户偏好查询方法、装置、存储介质和终端 |
CN113268632A (zh) * | 2021-05-08 | 2021-08-17 | 北京达佳互联信息技术有限公司 | 一种推荐对象的方法、装置、电子设备及存储介质 |
CN113420180A (zh) * | 2021-05-18 | 2021-09-21 | 北京达佳互联信息技术有限公司 | 视频推荐方法、装置、电子设备及存储介质 |
CN113468419A (zh) * | 2021-06-28 | 2021-10-01 | 北京达佳互联信息技术有限公司 | 内容推荐方法、装置、电子设备和存储介质 |
WO2023029112A1 (zh) * | 2021-08-31 | 2023-03-09 | 广东艾檬电子科技有限公司 | 一种视频推荐方法、终端设备以及计算机可读存储介质 |
CN114598905A (zh) * | 2021-11-25 | 2022-06-07 | 浙江光辉工具有限公司 | 一种视频推送方法 |
CN114491150A (zh) * | 2022-03-28 | 2022-05-13 | 苏州浪潮智能科技有限公司 | 一种视频推荐方法、系统、设备及计算机可读存储介质 |
CN114491150B (zh) * | 2022-03-28 | 2022-07-15 | 苏州浪潮智能科技有限公司 | 一种视频推荐方法、系统、设备及计算机可读存储介质 |
CN116567306A (zh) * | 2023-05-09 | 2023-08-08 | 北京新东方迅程网络科技有限公司 | 一种视频的推荐方法、装置、电子设备及介质 |
CN116567306B (zh) * | 2023-05-09 | 2023-10-20 | 北京新东方迅程网络科技有限公司 | 一种视频的推荐方法、装置、电子设备及介质 |
CN117609546A (zh) * | 2023-11-08 | 2024-02-27 | 深圳市博锐高科科技有限公司 | 一种视频数据采集方法、装置、芯片及终端 |
Also Published As
Publication number | Publication date |
---|---|
CN111538860B (zh) | 2020-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111538860B (zh) | 视频推荐方法及装置、存储介质及电子设备 | |
CN108763314B (zh) | 一种兴趣推荐方法、装置、服务器及存储介质 | |
CN109241425B (zh) | 一种资源推荐方法、装置、设备及存储介质 | |
CN106326391B (zh) | 多媒体资源推荐方法及装置 | |
CN109033149B (zh) | 信息推荐方法、装置、服务器及存储介质 | |
US11166076B2 (en) | Intelligent viewer sentiment predictor for digital media content streams | |
CN112153426B (zh) | 一种内容账号管理方法、装置、计算机设备及存储介质 | |
CN111522724B (zh) | 异常账号的确定方法、装置、服务器及存储介质 | |
CN110727868A (zh) | 对象推荐方法、装置和计算机可读存储介质 | |
US10380209B2 (en) | Systems and methods of providing recommendations of content items | |
KR101859620B1 (ko) | 온라인 소셜 네트워크에서 신뢰성 기반의 콘텐츠 추천 방법 및 시스템 | |
CN116595398A (zh) | 基于元宇宙的资源智能匹配方法及相关装置 | |
CN110996066A (zh) | 事故回溯方法及装置 | |
CN112202849A (zh) | 内容分发方法、装置、电子设备和计算机可读存储介质 | |
CN112364203A (zh) | 电视视频推荐方法、装置、服务器和存储介质 | |
CN114371946A (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 | |
CN115618024A (zh) | 多媒体推荐方法、装置及电子设备 | |
CN114528474A (zh) | 推荐对象确定方法、装置、电子设备及存储介质 | |
CN113254788A (zh) | 一种基于大数据的推荐方法、系统及可读存储介质 | |
CN111597361B (zh) | 多媒体数据处理方法、装置、存储介质及设备 | |
US20230316106A1 (en) | Method and apparatus for training content recommendation model, device, and storage medium | |
CN113407772A (zh) | 视频推荐模型的生成方法、视频推荐方法、装置 | |
CN114357301B (zh) | 数据处理方法、设备及可读存储介质 | |
CN115934996A (zh) | 推荐模型的训练方法、歌曲推荐方法及相关装置 | |
CN117216362A (zh) | 内容推荐方法、装置、设备、介质和程序产品 |
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 |