CN111597380B - 一种推荐视频确定方法、装置、电子设备及存储介质 - Google Patents

一种推荐视频确定方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN111597380B
CN111597380B CN202010407213.1A CN202010407213A CN111597380B CN 111597380 B CN111597380 B CN 111597380B CN 202010407213 A CN202010407213 A CN 202010407213A CN 111597380 B CN111597380 B CN 111597380B
Authority
CN
China
Prior art keywords
user
feature
video
vector
characteristic
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
Application number
CN202010407213.1A
Other languages
English (en)
Other versions
CN111597380A (zh
Inventor
宁宇光
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.)
Beijing QIYI Century Science and Technology Co Ltd
Original Assignee
Beijing QIYI Century Science and Technology 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 Beijing QIYI Century Science and Technology Co Ltd filed Critical Beijing QIYI Century Science and Technology Co Ltd
Priority to CN202010407213.1A priority Critical patent/CN111597380B/zh
Publication of CN111597380A publication Critical patent/CN111597380A/zh
Application granted granted Critical
Publication of CN111597380B publication Critical patent/CN111597380B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—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
    • G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/783—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content

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)
  • Library & Information Science (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

本申请实施例提供了一种推荐视频确定方法、装置、电子设备及存储介质，涉及信息处理技术领域，其中，上述方法包括：获得用户的用户特征向量，其中，所述用户特征向量包括：所述用户所具有的各个特征的特征值；获得每一已有的视频物料的物料特征向量，其中，所述物料特征向量包括：视频物料所具有的各个特征的特征值；根据每一已有的视频物料的物料特征向量和所述用户特征向量，预测向所述用户推荐每一已有的视频物料的推荐度；按照推荐度由高到低的顺序，从已有的视频物料中选择视频物料，并根据所选择的视频物料确定待向所述用户推荐的视频。应用本申请实施例提供的方案，能够提高所确定出的待向用户推荐的视频的精准度。

Description

一种推荐视频确定方法、装置、电子设备及存储介质
技术领域
本申请涉及信息处理技术领域，特别是涉及一种推荐视频确定方法、装置、电子设备及存储介质。
背景技术
近年来视频服务提供商能够为用户提供的视频越来越多，为了增加用户粘性、吸引更多的用户使用视频APP(Application，应用程序)，视频服务提供商一般通过视频APP向用户推荐视频。
现有技术中，确定待向用户推荐的视频时，一般将最新上线的视频或者热度最高的预设数量个视频确定为待推荐的视频。虽然应用上述方式可以确定待向用户推荐的视频，但是不同的用户兴趣爱好不同，对于不同的用户均采用上述方式确定待向用户推荐的视频时，所确定出视频的精准度低。
发明内容
本申请实施例的目的在于提供一种推荐视频确定方法、装置、电子设备及存储介质，以提高所确定出的待向用户推荐的视频的精准度。具体技术方案如下：
在本申请实施的第一方面，首先提供了一种推荐视频确定方法，所述方法包括：
获得用户的用户特征向量，其中，所述用户特征向量包括：所述用户所具有的各个特征的特征值；
获得每一已有的视频物料的物料特征向量，其中，所述物料特征向量包括：视频物料所具有的各个特征的特征值；
根据每一已有的视频物料的物料特征向量和所述用户特征向量，预测向所述用户推荐每一已有的视频物料的推荐度；
按照推荐度由高到低的顺序，从已有的视频物料中选择视频物料，并根据所选择的视频物料确定待向所述用户推荐的视频。
本申请的一个实施例中，所述根据每一已有的视频物料的物料特征向量和所述用户特征向量，预测向所述用户推荐每一已有的视频物料的推荐度，包括：
获得所述用户所具有的各个特征的预设线性系数和预设表示向量；
获得每一已有的视频物料所具有的各个特征的预设线性系数和预设表示向量；
针对每一已有的视频物料，采用所述用户所具有的各个特征的预设线性系数和预设表示向量、所述用户特征向量、视频物料所具有的各个特征的预设线性系数和预设表示向量、物料特征向量，预测向所述用户推荐视频物料的推荐度。
本申请的一个实施例中，所述针对每一已有的视频物料，采用所述用户所具有的各个特征的预设线性系数和预设表示向量、所述用户特征向量、视频物料所具有的各个特征的预设线性系数和预设表示向量、物料特征向量，预测向所述用户推荐视频物料的推荐度，包括：
按照以下方式，预测向所述用户推荐每一已有的视频物料的推荐度：
采用每一特征对中特征的预设表示向量，计算每一特征对的非线性系数，其中，所述特征对包括：所述用户所具有的特征和视频物料所具有的特征中的两个不同特征；
以所述用户所具有的每一特征的预设线性系数为所述用户特征中该特征的特征值的系数、以视频物料所具有的每一特征的预设线性系数为物料特征向量中该特征的特征值的系数、且以每一特征对的非线性系数为特征对对应的特征值对的系数，预测向所述用户推荐视频物料的推荐度，其中，特征对对应的特征值对包括：特征对中的特征在所述用户特征向量或者视频物料的物料特征向量中的特征值。
本申请的一个实施例中，各个特征的预设线性系数和预设表示向量通过以下方式预先得到：
获得样本用户的样本用户特征向量；
获得每一样本视频物料的样本物料特征向量；
获得向所述样本用户推荐每一样本视频物料的标注推荐度；
以所述样本用户特征向量、样本物料特征向量为预设的机器学习算法的输入，以所述标注推荐度为对所述机器学习算法进行训练的监督信息，对所述机器学习算法进行训练，调整所述机器学习算法的算法参数，在调整参数后的所述机器学习算法满足预设训练结束条件后，得到所述样本用户所具有的各个特征的预设线性系数和预设表示向量、各个样本视频物料所具有的各个特征的预设线性系数和预设表示向量；
其中，所述机器学习算法以所述样本用户所具有特征的线性系数、所述样本用户所具有特征的表示向量、样本视频物料所具有特征的线性系数、样本视频物料所具有特征的表示向量为算法参数。
本申请的一个实施例中，所述视频物料为：视频集合。
在本申请实施的第二方面，还提供了一种推荐视频确定装置，所述装置包括：
用户特征向量获得模块，用于获得用户的用户特征向量，其中，所述用户特征向量包括：所述用户所具有的各个特征的特征值；
物料特征向量获得模块，用于获得每一已有的视频物料的物料特征向量，其中，所述物料特征向量包括：视频物料所具有的各个特征的特征值；
推荐度预测模块，用于根据每一已有的视频物料的物料特征向量和所述用户特征向量，预测向所述用户推荐每一已有的视频物料的推荐度；
推荐视频确定模块，用于按照推荐度由高到低的顺序，从已有的视频物料中选择视频物料，并根据所选择的视频物料确定待向所述用户推荐的视频。
本申请的一个实施例中，所述推荐度预测模块，包括：
用户信息获得单元，用于获得所述用户所具有的各个特征的预设线性系数和预设表示向量；
物料信息获得单元，用于获得每一已有的视频物料所具有的各个特征的预设线性系数和预设表示向量；
推荐度预测单元，用于针对每一已有的视频物料，采用所述用户所具有的各个特征的预设线性系数和预设表示向量、所述用户特征向量、视频物料所具有的各个特征的预设线性系数和预设表示向量、物料特征向量，预测向所述用户推荐视频物料的推荐度。
本申请的一个实施例中，所述推荐度预测单元，用于按照以下方式，预测向所述用户推荐每一已有的视频物料的推荐度：
采用每一特征对中特征的预设表示向量，计算每一特征对的非线性系数，其中，所述特征对包括：所述用户所具有的特征和视频物料所具有的特征中的两个不同特征；
以所述用户所具有的每一特征的预设线性系数为所述用户特征中该特征的特征值的系数、以视频物料所具有的每一特征的预设线性系数为物料特征向量中该特征的特征值的系数、且以每一特征对的非线性系数为特征对对应的特征值对的系数，预测向所述用户推荐视频物料的推荐度，其中，特征对对应的特征值对包括：特征对中的特征在所述用户特征向量或者视频物料的物料特征向量中的特征值。
本申请的一个实施例中，所述推荐视频确定装置还包括：
信息获得模块，用于通过以下方式预先获得各个特征的预设线性系数和预设表示向量：
获得样本用户的样本用户特征向量；
获得每一样本视频物料的样本物料特征向量；
获得向所述样本用户推荐每一样本视频物料的标注推荐度；
以所述样本用户特征向量、样本物料特征向量为预设的机器学习算法的输入，以所述标注推荐度为对所述机器学习算法进行训练的监督信息，对所述机器学习算法进行训练，调整所述机器学习算法的算法参数，在调整参数后的所述机器学习算法满足预设训练结束条件后，得到所述样本用户所具有的各个特征的预设线性系数和预设表示向量、各个样本视频物料所具有的各个特征的预设线性系数和预设表示向量；
其中，所述机器学习算法以所述样本用户所具有特征的线性系数、所述样本用户所具有特征的表示向量、样本视频物料所具有特征的线性系数、样本视频物料所具有特征的表示向量为算法参数。
本申请的一个实施例中，所述视频物料为：视频集合。
在本申请实施的第三方面，还提供了一种电子设备，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，实现上述第一方面任一所述的方法步骤。
在本申请实施的第四方面，还提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面任一所述的方法步骤。
在本申请实施的第五方面，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第一方面任一所述的方法步骤。
由以上可见，应用本申请实施例提供的方案确定推荐视频时，是依据向用户推荐每一已有的视频物料的推荐度，从已有的视频物料中选择视频物料，进而确定待向用户推荐的视频的。由于向用户推荐每一已有的视频物料的推荐度是根据每一已有的视频物料的物料特征向量以及用户的用户特征向量预测得到的，用户特征向量又反映了用户所具有的各种特征，所以，采用用户特征向量和物料特征向量预测得到的推荐度，能够反映用户对每一已有的视频物料的感兴趣程度，因此，应用本申请实施例提供的方案，能够提高所确定出的待向用户推荐的视频的精准度。
附图说明
为了更清楚地说明本申请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为本申请实施例提供的第一种推荐视频确定方法的流程示意图；
图2为本申请实施例提供的第二种推荐视频确定方法的流程示意图；
图3为本申请实施例提供的一种预测推荐度的方法的流程示意图；
图4为本申请实施例提供的第一种推荐视频确定装置的结构示意图；
图5为本申请实施例提供的第二种推荐视频确定装置的结构示意图；
图6为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。
由于应用现有技术确定出的待向用户推荐的视频精准度低，为解决这一技术问题，本申请实施例提供了一种推荐视频确定方法、装置、电子设备及存储介质。
本申请的一个实施例中，提供了一种推荐视频确定方法，该方法包括：
获得用户的用户特征向量，其中，用户特征向量包括：用户所具有的各个特征的特征值；
获得每一已有的视频物料的物料特征向量，其中，物料特征向量包括：视频物料所具有的各个特征的特征值；
根据每一已有的视频物料的物料特征向量和用户特征向量，预测向用户推荐每一已有的视频物料的推荐度；
按照推荐度由高到低的顺序，从已有的视频物料中选择视频物料，并根据所选择的视频物料确定待向用户推荐的视频。
由于本实施例提供的方案中是依据向用户推荐每一已有的视频物料的推荐度，从已有的视频物料中选择视频物料，进而确定待向用户推荐的视频的。又由于向用户推荐每一已有的视频物料的推荐度是根据每一已有的视频物料的物料特征向量以及用户的用户特征向量预测得到的，用户特征向量又反映了用户所具有的各种特征，所以，采用用户特征向量和物料特征向量预测得到的推荐度能够反映用户对每一已有的视频物料的感兴趣程度，因此，应用本实施例提供的方案，能够提高所确定出的待向用户推荐的视频的精准度。
下面通过具体实施例分别对本申请实施例提供的推荐视频确定方法、装置、电子设备及存储介质进行说明。
本申请实施例所提供的推荐视频确定方案可以在用户存在视频推荐需求的时候执行。例如，视频APP在确定用户成功登录或者在确定用户访问视频APP所提供的视频推荐功能后，可以请求后台服务器为用户推荐视频，这种情况下，后台服务器可以通过执行本申请实施例提供的方案确定待向用户推荐的视频。鉴于上述情况，本实施例所提供方案的执行主体可以是视频APP等的后台服务器。
参见图1，提供了第一种推荐视频确定方法的流程示意图，该方法包括以下步骤S101-S104。
S101：获得用户的用户特征向量。
对于每一用户而言，从不同的角度来看用户可以具有不同的特征。例如，上述特征可以是用户的ID(Identity document，身份标识号)、用户感兴趣的视频的类型、用户喜欢的导演、用户喜欢的演员、用户在第一预设时长内观看过的视频的ID、用户在第二预设时长内观看过的视频所属的视频集的ID等。
上述第一预设时长和第二预设时长可以相等，也可以不相等。例如，第一预设时长和第二预设时长的取值可以是1天、3天、7天、30天等。
另外，对于每一特征而言，不同用户在这一特征上的特征值可能是不同的。例如，不同用户的ID是不同的，一个用户在ID这一特征上的特征值为XX，另一个用户在ID这一特征上的特征值为YY；一个用户在感兴趣的视频类型这一特征上的特征值为科幻，而另一个用户在感兴趣的视频类型这一特征上的特征值为喜剧等。
基于上述信息，上述用户特征向量包括：用户所具有的各个特征的特征值。
本申请的一个实施例中，用户的用户特征向量可以预先获得、并按照用户的ID存储于特征数据库中，这种情况下，本步骤中可以先获得用户的ID，然后根据用户的ID从特征数据库中获得用户的用户特征向量。
具体的，上述特征数据库可以为非关系型数据库。
另外，随着用户使用视频APP观看视频，用户在一些特征上的特征值可能会发生变化，例如，用户在第一预设时长内观看过的视频的ID发生变化，为此，为保证特征数据库中存储的用户特征向量更加贴合用户的实际情况，可以按照预设的第一时间间隔更新特征数据库中存储的用户特征向量，这样可以使得每次从特征数据库中获得的用户特征向量更加准确。
其中，上述预设的第一时间间隔可以是天级的，如，1天、2天等，还可以是小时级的，如，6小时、8小时、10小时等。
S102：获得每一已有的视频物料的物料特征向量。
视频物料可以理解为由单个视频组成的视频被处理的基本单元。各个视频物料中所包括的视频的数量可以是一个，也可以是多个，本申请实施例并不对此进行限定。
在视频物料包括多个视频的情况下，上述视频物料可以被认为是视频集合，这种情况下，视频集合内各个视频可以是相同主题下的视频。
鉴于上述情况，本申请的一个实施例中，上述视频物料为：视频集合。例如，上述视频集合中包括的视频可以为视频播放单中的视频，也就是，播单中的视频，这种情况下，视频物料与视频播放单，即播单相对应。
本申请的一个实施例中，已有的视频物料可以理解为具有视频推荐功能的平台已经存在的视频物料。例如，在视频物料与播单相对应的情况下，已有的视频物料为具有视频推荐功能的平台已经构建得到的播单。
另外，上述视频集合可以为长视频集合、可以为短视频集合、或者可以为既包括长视频又包括短视频的集合等。
其中，上述长视频可以是指视频时长大于第一预设视频时长的视频，上述短视频可以是指视频时长不大于第二预设视频时长的视频。第一预设视频时长与第二预设视频时长可以相等，也可以不相等，本申请实施例并不对此进行限定。
例如，第一预设视频时长可以是3分钟、5分钟、10分钟等，第二预设视频时长可以是3分钟、2分钟、1分钟等。
本申请的另一个实施例中，上述视频集合可以具有来源单一、且集合数量小于第一预设数量的特点。
与用户所具有的特征类似，对于每一视频物料而言，从不同的角度来看视频物料可以具有不同的特征。例如，视频物料的ID、视频物料中所包含视频的ID、视频物料中所包含视频的主演、视频物料中所包含视频的导演、视频物料中预设类型的视频的数量、视频物料中所包含视频的平均热度、视频物料中所包含视频在第三预设时长内的总点击量、总弹幕数量、总评论数量、总点赞数量、总踩顶数量等。
上述预设类型可以是电影、综艺节目、电视剧等。
上述第三预设时长可以是1天、3天、7天、30天等。
另外，对于每一特征而言，不同视频物料在这一特征上的特征值可能是不同的。例如，不同视频物料的ID是不同的，一个视频物料在ID这一特征上的特征值为PP，另一个视频物料在ID这一特征上的特征值为QQ；一个视频物料中电影这一类型的视频的数量为：4，而另一个视频物料中电影这一类型的视频的数量为：20。
基于上述信息，上述物料特征向量包括：视频物料所具有的各个特征的特征值。
本申请的一个实施例中，视频物料的物料特征向量可以预先获得、并按照视频物料的ID存储于特征数据库中，这种情况下，本步骤中可以先获得视频物料的ID，然后根据视频物料的ID从特征数据库中获得视频物料的物料特征向量。
另外，随着用户使用视频APP观看视频，视频物料在一些特征上的特征值可能会发生变化，例如，视频物料中所包含视频的平均热度可能会随着用户观看视频而发生变化，为此，为保证特征数据库中存储的物料特征向量更加贴合视频物料的实际情况，可以按照预设的第二时间间隔更新特征数据库中存储的物料特征向量，这样可以使得每次从特征数据库中获得的物料特征向量更加准确。
其中，上述预设的第二时间间隔可以与第一时间间隔相同，也可以不相同。与第一时间间隔类似，第二时间间隔可以是天级的，如，1天、2天等，还可以是小时级的，如，6小时、8小时、10小时等。
S103：根据每一已有的视频物料的物料特征向量和上述用户特征向量，预测向用户推荐每一已有的视频物料的推荐度。
本申请的一个实施例中，可以计算每一已有的视频物料的物料特征向量与用户特征向量的匹配度，然后根据计算得到的匹配度预测向用户推荐每一已有的视频物料的推荐度。
具体的，可以通过计算物料特征向量与用户特征向量之间的距离得到物料特征向量与用户特征向量间的匹配度。这一获得匹配度的方式可以应用在物料特征与用户特征维度相同的情况下，也就是，物料特征与用户特征在同一向量空间的情况下。除此之外，若物料特征与用户特征的维度不同，可以先对物料特征和/或用户特征进行维度转换，使得物料特征与用户特征的维度相同，然后再按照上述方式获得匹配度。
另外，可以依据匹配度与推荐度之间的预设分段关系、线性关系等，根据计算得到的匹配度预测向用户推荐每一已有视频物料的推荐度。
例如，推荐度可以随着匹配度的增大而增大，随着匹配度的减小而减小。
还可以通过其他方式预测向用户推荐每一已有的视频物料的推荐度，具体可以参见后续图2和图3所示的实施例，这里暂不详述。
S104：按照推荐度由高到低的顺序，从已有的视频物料中选择视频物料，并根据所选择的视频物料确定待向用户推荐的视频。
具体的，可以从已有的视频物料中选择第二预设数量个视频物料，例如，上述第二预设数量可以是5、8、10等。
本申请的一个实施例中，选择视频物料之后，可以直接以视频物料为推荐项，确定包含各个所选择视频物料的视频推荐列表，从而得到待向用户推荐的视频。
另外，不同的视频物料中可能会包含相同的视频，在选择视频物料后，可以对所选择视频物料包含的视频进行去重处理，然后以视频为推荐项，确定包含去重后的视频推荐列表，从而得到待向用户推荐的视频。
再者，在确定待向用户推荐的视频后，可以向视频APP推送所确定视频的信息，以使得用户可以通过视频APP查看到向其推荐的视频。另外，还可以缓存确定出的待向用户推荐的视频，这样在后续再次需要向用户推荐视频时，可以直接基于缓存结果进行视频推荐。
由以上可见，应用本实施例提供的方案确定推荐视频时，是依据向用户推荐每一已有的视频物料的推荐度，从已有的视频物料中选择视频物料，进而确定待向用户推荐的视频的。由于向用户推荐每一已有的视频物料的推荐度是根据每一已有的视频物料的物料特征向量以及用户的用户特征向量预测得到的，用户特征向量又反映了用户所具有的各种特征，所以，采用用户特征向量和物料特征向量预测得到的推荐度，能够反映用户对每一已有的视频物料的感兴趣程度，因此，应用本实施例提供的方案，能够提高所确定出的待向用户推荐的视频的精准度。
另外，由于用户的用户特征向量中包含了用户所具有的各个特征的特征值，也就是，反映了用户所具有的各种特征，因此，基于用户特征向量确定出来的待向用户推荐的视频是考虑了用户的各种特征的结果，满足了用户的个性化需求。相比于基于用户所具有的各个特征分别确定待向用户推荐的视频，本实施例中一次确定待向用户推荐的视频的过程可以实现基于用户的各个特征分别确定待向用户推荐的视频的多个过程，简化了确定待向用户推荐的视频的过程。
再者，基于用户具有的各个特征分别确定待向用户推荐的视频时，得到多组确定结果后，还需要对多组确定结果中的视频进行排序，才能得到最终的结果，得到上述各个确定结果和排序通常是由不同的功能模块实现的，功能模块之间可能会存在信息不同步的情况。而本申请实施例提供的方案中将多个确定待向用户推荐的视频过程合并为一个过程，这样也就不再需要对多个确定结果进行排序了，不仅简化了确定待向用户推荐的视频的过程，而且消除了由于上述不同功能模块之间信息不同步导致的确定出的待向用户推荐的视频不准确的问题。
本申请的一个实施例中，参见图2，提供了第二种推荐视频确定方法的流程示意图，与前述图1所示实施例相比，本实施例中，上述S103根据每一已有的视频物料的物料特征向量和上述用户特征向量，预测向用户推荐每一已有的视频物料的推荐度的步骤，包括以下S103A-S103C。
S103A：获得用户所具有的各个特征的预设线性系数和预设表示向量。
S103B：获得每一已有的视频物料所具有的各个特征的预设线性系数和预设表示向量。
由于获得用户所具有的各个特征的预设线性系数和预设表示向量、每一已有的视频物料所具有的各个特征的预设线性系数和预设表示向量具有相通之处，所以，下面对S103A和S103B一并进行说明。
本申请的一个实施例中，各个特征的预设线性系数和预设表示向量可以是工作人员根据经验预先设置的。
另外，各个特征的预设线性系数和预设表示向量可以存储在信息数据库中。这种情况下，实现上述S103A和S103B时，可以在确定用户所具有的各个特征、各个已有的视频物料所具有的各个特征后，从信息数据库中，获得用户所具有的各个特征的预设线性系数和预设表示向量、各个已有的视频物料所具有的各个特征的预设线性系数和预设表示向量。
具体的，上述信息数据库可以是非关系型数据库。
需要说明的是，各个特征的预设线性系数和表示向量还可以通过其他方式得到，可以参见后续实施例，这里暂不详述。
S103C：针对每一已有的视频物料，采用用户所具有的各个特征的预设线性系数和预设表示向量、上述用户特征向量、视频物料所具有的各个特征的预设线性系数和预设表示向量、物料特征向量，预测向用户推荐视频物料的推荐度。
具体的，在预测向用户推荐每一已有的视频物料的推荐度时，可以基于FM算法、DeepFM算法等实现。
由于本实施例提供的方案中所采用的线性系数和表示向量均是预设的，因此在预测向用户推荐视频物料的推荐度时，不需要通过计算获得线性系数和表示向量，从而能够提高预测推荐度的效率。
本申请的一个实施例中，参见图3，提供了一种预测推荐度的方法的流程示意图，可以按照以下步骤S301和S302，预测向用户推荐每一已有的视频物料的推荐度。
S301：采用每一特征对中特征的预设表示向量，计算每一特征对的非线性系数。
其中，特征对包括：用户所具有的特征和视频物料所具有的特征中的两个不同特征。
由于用户可能会具有多个特征，视频物料也可能会具有多个特征，这些特征两两组合可以得到多个特征对。一个特征对中包含的两个特征可能会均为用户所具有的特征，也可能会均为视频物料所具有的特征，还可能一个为用户所具有的特征、另一个为视频物料所具有的特征。
假设，用户具有的特征包括：F1和F2，视频物料所具有的特征包括：F3和F4。这种情况下可以得到以下特征对：
(F1，F2)、(F1，F3)、(F1，F4)、(F2，F3)、(F2，F4)、(F3，F4)。
本申请的一个实施例中，可以计算特征对中两个特征的预设表示向量间的向量内积，并将计算结果作为特征对的非线性系数。
S302：以用户所具有的每一特征的预设线性系数为用户特征中该特征的特征值的系数、以视频物料所具有的每一特征的预设线性系数为物料特征向量中该特征的特征值的系数、且以每一特征对的非线性系数为特征对对应的特征值对的系数，预测向用户推荐视频物料的推荐度。
其中，特征对对应的特征值对包括：特征对中的特征在用户特征向量或者视频物料的物料特征向量中的特征值。
由于特征对中的特征可能是用户所具有的特征，也可能是视频物料所具有的特征，所以特征对对应的特征值对中包括的特征值可能来源于用户特征向量，也可能来源于物料特征。具体的，在特征对中的特征为用户所具有的特征时，从用户特征向量中获得该特征的特征值，在特征对中的特征为视频物料所具有的特征时，从物料特征向量中获得该特征的特征值。
假设，用户特征向量中包括：特征M1的特征值m1、特征M2的特征值m2和特征M3的特征值m3。物料特征向量中包括：特征M4的特征值m4、特征M5的特征值m5和特征M6的特征值m6。
另外，特征对中包括特征M2和M5，则该特征对对应的特征值对包括m2和m5。
本申请的一个实施例中，可以按照以下表达式，预测向用户推荐视频物料的推荐度f。
Figure BDA0002491762080000141
其中，n表示用户所具有的特征和物料所具有的特征的特征总数，xi表示上述n个特征中第i个特征在用户特征向量或物料特征向量中的特征值，xj表示上述n个特征中第j个特征在用户特征向量或物料特征向量中的特征值，w0表示预设的常数系数，wi表示上述第i个特征的预设线性系数，δi表示上述第i个特征的预设表示向量，δj表示上述n个特征中第j个特征的预设表示向量，<δi,δj>表示包含第i个特征、第j个特征的特征对的非线性系数。
δi和δj的向量长度相等。
另外，还可以对上式中的
Figure BDA0002491762080000142
进行以下变换，并基于变换结果预测向用户推荐视频物料的推荐度f。
Figure BDA0002491762080000143
其中，k表示δi和δj的向量长度，δit表示δi中的第t个分量，δjt表示δj中的第t个分量。
本实施例提供的方案中，不仅考虑了用户所具有的特征、已有视频物料所具有的特征，还计算了每一特征对的非线性系数，也就是，还考虑了这些特征之间的相关性，这样有利于挖掘出用户与各个已有视频物料之间的关系，从而有利于提高预测出的推荐度的准确性。
本申请的一个实施例中，各个特征的预设线性系数和预设表示向量可以通过以下步骤A-步骤D预先得到。
步骤A：获得样本用户的样本用户特征向量。
其中，上述样本用户特征向量是指样本用户的用户特征向量，为与其它用户特征向量相区分，本申请实施例中称之为样本用户特征向量。
步骤B：获得每一样本视频物料的样本物料特征向量。
其中，样本物料特征向量是指样本视频物料的物料特征向量，为与其它物料特征向量相区分，本申请实施例中称之为样本物料特征向量。
步骤C：获得向样本用户推荐每一样本视频物料的标注推荐度。
具体的，上述标注推荐度可以是工作人员根据经验标注的。
另外，还可以获得样本用户是否点击过样本视频物料，然后根据是否点击过样本视频物料的结果获得上述标注推荐度。
步骤D：以样本用户特征向量、样本物料特征向量为预设的机器学习算法的输入，以标注推荐度为对机器学习算法进行训练的监督信息，对机器学习算法进行训练，调整机器学习算法的算法参数，在调整参数后的机器学习算法满足预设训练结束条件后，得到样本用户所具有的各个特征的预设线性系数和预设表示向量、各个样本视频物料所具有的各个特征的预设线性系数和预设表示向量。
其中，上述机器学习算法以样本用户所具有特征的线性系数、样本用户所具有特征的表示向量、样本视频物料所具有特征的线性系数、样本视频物料所具有特征的表示向量为算法参数。
由于可以采用大量的样本数据对上述机器学习算法进行训练，并且在训练过程中上述机器学习算法可以有效的学习出样本数据中存在的规律，为此可以准确的获得各个特征的预设线性系数和预设表示向量。
由于样本用户所具有特征的线性系数、样本用户所具有特征的表示向量、样本视频物料所具有特征的线性系数、样本视频物料所具有特征的表示向量为上述机器学习算法的算法参数，因此，在对机器学习算法进行训练过程中调整算法参数，也就是调整了样本用户所具有特征的线性系数、样本用户所具有特征的表示向量、样本视频物料所具有特征的线性系数、样本视频物料所具有特征的表示向量。
上述预设训练结束条件可以是调整算法参数后的机器学习算法收敛，还可以是达到预设的训练次数等。
本申请的一个实施例中，在应用过程中应用需求可能会发生变化，为此可能会增加用户的新特征，也可能会增加视频物料的新特征，为便于后续准确的确定待向用户推荐的视频，需要获得上述新特征的预设线性系数和预设表示向量，为此可以重新对上述机器算法进行训练。
与上述推荐视频确定方法相对应，本申请实施例还提供了一种推荐视频确定装置。
参见图4，本申请实施例提供了一种推荐视频确定装置，该装置包括：
用户特征向量获得模块401，用于获得用户的用户特征向量，其中，所述用户特征向量包括：所述用户所具有的各个特征的特征值；
物料特征向量获得模块402，用于获得每一已有的视频物料的物料特征向量，其中，所述物料特征向量包括：视频物料所具有的各个特征的特征值；
推荐度预测模块403，用于根据每一已有的视频物料的物料特征向量和所述用户特征向量，预测向所述用户推荐每一已有的视频物料的推荐度；
推荐视频确定模块404，用于按照推荐度由高到低的顺序，从已有的视频物料中选择视频物料，并根据所选择的视频物料确定待向所述用户推荐的视频。
本申请的一个实施例中，所述视频物料为：视频集合。
由以上可见，应用本实施例提供的方案确定推荐视频时，是依据向用户推荐每一已有的视频物料的推荐度，从已有的视频物料中选择视频物料，进而确定待向用户推荐的视频的。由于向用户推荐每一已有的视频物料的推荐度是根据每一已有的视频物料的物料特征向量以及用户的用户特征向量预测得到的，用户特征向量又反映了用户所具有的各种特征，所以，采用用户特征向量和物料特征向量预测得到的推荐度，能够反映用户对每一已有的视频物料的感兴趣程度，因此，应用本实施例提供的方案，能够提高所确定出的待向用户推荐的视频的精准度。
本申请的一个实施例中，参见图5，提供了第二种推荐视频确定装置的结构示意图，与前述图4所示实施例相比，本实施例中，上述推荐度预测模块403，包括：
用户信息获得单元403A，用于获得所述用户所具有的各个特征的预设线性系数和预设表示向量；
物料信息获得单元403B，用于获得每一已有的视频物料所具有的各个特征的预设线性系数和预设表示向量；
推荐度预测单元403C，用于针对每一已有的视频物料，采用所述用户所具有的各个特征的预设线性系数和预设表示向量、所述用户特征向量、视频物料所具有的各个特征的预设线性系数和预设表示向量、物料特征向量，预测向所述用户推荐视频物料的推荐度。
由于本实施例提供的方案中所采用的线性系数和表示向量均是预设的，因此在预测向用户推荐视频物料的推荐度时，不需要通过计算获得线性系数和表示向量，从而能够提高预测推荐度的效率。
本申请的一个实施例中，所述推荐度预测单元403C，用于按照以下方式，预测向所述用户推荐每一已有的视频物料的推荐度：
采用每一特征对中特征的预设表示向量，计算每一特征对的非线性系数，其中，所述特征对包括：所述用户所具有的特征和视频物料所具有的特征中的两个不同特征；
以所述用户所具有的每一特征的预设线性系数为所述用户特征中该特征的特征值的系数、以视频物料所具有的每一特征的预设线性系数为物料特征向量中该特征的特征值的系数、且以每一特征对的非线性系数为特征对对应的特征值对的系数，预测向所述用户推荐视频物料的推荐度，其中，特征对对应的特征值对包括：特征对中的特征在所述用户特征向量或者视频物料的物料特征向量中的特征值。
本实施例提供的方案中，不仅考虑了用户所具有的特征、已有视频物料所具有的特征，还计算了每一特征对的非线性系数，也就是，还考虑了这些特征之间的相关性，这样有利于挖掘出用户与各个已有视频物料之间的关系，从而有利于提高预测出的推荐度的准确性。
本申请的一个实施例中，所述推荐视频确定装置还可以包括：
信息获得模块，用于通过以下方式预先获得各个特征的预设线性系数和预设表示向量：
获得样本用户的样本用户特征向量；
获得每一样本视频物料的样本物料特征向量；
获得向所述样本用户推荐每一样本视频物料的标注推荐度；
以所述样本用户特征向量、样本物料特征向量为预设的机器学习算法的输入，以所述标注推荐度为对所述机器学习算法进行训练的监督信息，对所述机器学习算法进行训练，调整所述机器学习算法的算法参数，在调整参数后的所述机器学习算法满足预设训练结束条件后，得到所述样本用户所具有的各个特征的预设线性系数和预设表示向量、各个样本视频物料所具有的各个特征的预设线性系数和预设表示向量；
其中，所述机器学习算法以所述样本用户所具有特征的线性系数、所述样本用户所具有特征的表示向量、样本视频物料所具有特征的线性系数、样本视频物料所具有特征的表示向量为算法参数。
由于可以采用大量的样本数据对上述机器学习算法进行训练，并且在训练过程中上述机器学习算法可以有效的学习出样本数据中存在的规律，为此可以准确的获得各个特征的预设线性系数和预设表示向量。
与上述推荐视频确定方法相对应，本申请实施例还提供了一种电子设备。
参见图6，本申请实施例提供了一种电子设备的结构示意图，
包括处理器601、通信接口602、存储器603和通信总线604，其中，处理器601，通信接口602，存储器603通过通信总线604完成相互间的通信，
存储器603，用于存放计算机程序；
处理器601，用于执行存储器603上所存放的程序时，实现本申请实施例提供的推荐视频确定方法。
本申请的一个实施例中，提供了一种推荐视频确定方法，所述方法包括：
获得用户的用户特征向量，其中，所述用户特征向量包括：所述用户所具有的各个特征的特征值；
获得每一已有的视频物料的物料特征向量，其中，所述物料特征向量包括：视频物料所具有的各个特征的特征值；
根据每一已有的视频物料的物料特征向量和所述用户特征向量，预测向所述用户推荐每一已有的视频物料的推荐度；
按照推荐度由高到低的顺序，从已有的视频物料中选择视频物料，并根据所选择的视频物料确定待向所述用户推荐的视频。
需要说明的时，上述处理器601执行存储器603上所存放的程序而实现推荐视频确定方法的其他实施例，与前述方法实施例部分提及的实施例相同，这里不再赘述。
上述电子设备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。
通信接口用于上述电子设备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。
由以上可见，应用本实施例提供的电子设备确定推荐视频时，是依据向用户推荐每一已有的视频物料的推荐度，从已有的视频物料中选择视频物料，进而确定待向用户推荐的视频的。由于向用户推荐每一已有的视频物料的推荐度是根据每一已有的视频物料的物料特征向量以及用户的用户特征向量预测得到的，用户特征向量又反映了用户所具有的各种特征，所以，采用用户特征向量和物料特征向量预测得到的推荐度，能够反映用户对每一已有的视频物料的感兴趣程度，因此，应用本实施例提供的方案，能够提高所确定出的待向用户推荐的视频的精准度。
与上述推荐视频确定方法相对应，本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现本申请实施例中任一所述的推荐视频确定方法的步骤。
与上述推荐视频确定方法相对应，本申请实施例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，使得计算机执行本申请实施例中任一所述的推荐视频确定方法的步骤。
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申请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，对于装置、电子设备、机器可读存储介质和计算机程序产品实施例而言，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。
以上所述仅为本申请的较佳实施例而已，并非用于限定本申请的保护范围。凡在本申请的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本申请的保护范围内。

Claims (6)

1.一种推荐视频确定方法，其特征在于，所述方法包括：
获得用户的用户特征向量，其中，所述用户特征向量包括：所述用户所具有的各个特征的特征值；
获得每一已有的视频物料的物料特征向量，其中，所述物料特征向量包括：视频物料所具有的各个特征的特征值；
获得所述用户所具有的各个特征的预设线性系数和预设表示向量；
获得每一已有的视频物料所具有的各个特征的预设线性系数和预设表示向量；
按照以下方式，预测向所述用户推荐每一已有的视频物料的推荐度：
采用每一特征对中特征的预设表示向量，计算每一特征对的非线性系数，其中，所述特征对包括：所述用户所具有的特征和视频物料所具有的特征中的两个不同特征；
以所述用户所具有的每一特征的预设线性系数为所述用户特征中该特征的特征值的系数、以视频物料所具有的每一特征的预设线性系数为物料特征向量中该特征的特征值的系数、且以每一特征对的非线性系数为特征对对应的特征值对的系数，预测向所述用户推荐视频物料的推荐度，其中，特征对对应的特征值对包括：特征对中的特征在所述用户特征向量或者视频物料的物料特征向量中的特征值；
按照推荐度由高到低的顺序，从已有的视频物料中选择视频物料，并根据所选择的视频物料确定待向所述用户推荐的视频。
2.根据权利要求1所述的方法，其特征在于，各个特征的预设线性系数和预设表示向量通过以下方式预先得到：
获得样本用户的样本用户特征向量；
获得每一样本视频物料的样本物料特征向量；
获得向所述样本用户推荐每一样本视频物料的标注推荐度；
以所述样本用户特征向量、样本物料特征向量为预设的机器学习算法的输入，以所述标注推荐度为对所述机器学习算法进行训练的监督信息，对所述机器学习算法进行训练，调整所述机器学习算法的算法参数，在调整参数后的所述机器学习算法满足预设训练结束条件后，得到所述样本用户所具有的各个特征的预设线性系数和预设表示向量、各个样本视频物料所具有的各个特征的预设线性系数和预设表示向量；
其中，所述机器学习算法以所述样本用户所具有特征的线性系数、所述样本用户所具有特征的表示向量、样本视频物料所具有特征的线性系数、样本视频物料所具有特征的表示向量为算法参数。
3.根据权利要求1或2所述的方法，其特征在于，
所述视频物料为：视频集合。
4.一种推荐视频确定装置，其特征在于，所述装置包括：
用户特征向量获得模块，用于获得用户的用户特征向量，其中，所述用户特征向量包括：所述用户所具有的各个特征的特征值；
物料特征向量获得模块，用于获得每一已有的视频物料的物料特征向量，其中，所述物料特征向量包括：视频物料所具有的各个特征的特征值；
推荐度预测模块，用于根据每一已有的视频物料的物料特征向量和所述用户特征向量，预测向所述用户推荐每一已有的视频物料的推荐度；
推荐视频确定模块，用于按照推荐度由高到低的顺序，从已有的视频物料中选择视频物料，并根据所选择的视频物料确定待向所述用户推荐的视频；
所述推荐度预测模块，包括：
用户信息获得单元，用于获得所述用户所具有的各个特征的预设线性系数和预设表示向量；
物料信息获得单元，用于获得每一已有的视频物料所具有的各个特征的预设线性系数和预设表示向量；
推荐度预测单元，用于按照以下方式，预测向所述用户推荐每一已有的视频物料的推荐度：
采用每一特征对中特征的预设表示向量，计算每一特征对的非线性系数，其中，所述特征对包括：所述用户所具有的特征和视频物料所具有的特征中的两个不同特征；
以所述用户所具有的每一特征的预设线性系数为所述用户特征中该特征的特征值的系数、以视频物料所具有的每一特征的预设线性系数为物料特征向量中该特征的特征值的系数、且以每一特征对的非线性系数为特征对对应的特征值对的系数，预测向所述用户推荐视频物料的推荐度，其中，特征对对应的特征值对包括：特征对中的特征在所述用户特征向量或者视频物料的物料特征向量中的特征值。
5.一种电子设备，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1-3任一所述的方法步骤。
6.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-3任一所述的方法步骤。
CN202010407213.1A 2020-05-14 2020-05-14 一种推荐视频确定方法、装置、电子设备及存储介质 Active CN111597380B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010407213.1A CN111597380B (zh) 2020-05-14 2020-05-14 一种推荐视频确定方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010407213.1A CN111597380B (zh) 2020-05-14 2020-05-14 一种推荐视频确定方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN111597380A CN111597380A (zh) 2020-08-28
CN111597380B true CN111597380B (zh) 2023-06-02

Family

ID=72185502

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010407213.1A Active CN111597380B (zh) 2020-05-14 2020-05-14 一种推荐视频确定方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN111597380B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112949703A (zh) * 2021-02-23 2021-06-11 广州市百果园信息技术有限公司 视频召回方法、装置及电子设备
CN113051481A (zh) * 2021-04-22 2021-06-29 北京百度网讯科技有限公司 内容推荐方法、装置、电子设备和介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109408729A (zh) * 2018-12-05 2019-03-01 广州市百果园信息技术有限公司 推荐物料确定方法、装置、存储介质和计算机设备
CN110162693A (zh) * 2019-03-04 2019-08-23 腾讯科技（深圳）有限公司 一种信息推荐的方法以及服务器
CN110458663A (zh) * 2019-08-06 2019-11-15 上海新共赢信息科技有限公司 一种车辆推荐方法、装置、设备及存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090006368A1 (en) * 2007-06-29 2009-01-01 Microsoft Corporation Automatic Video Recommendation

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109408729A (zh) * 2018-12-05 2019-03-01 广州市百果园信息技术有限公司 推荐物料确定方法、装置、存储介质和计算机设备
CN110162693A (zh) * 2019-03-04 2019-08-23 腾讯科技（深圳）有限公司 一种信息推荐的方法以及服务器
CN110458663A (zh) * 2019-08-06 2019-11-15 上海新共赢信息科技有限公司 一种车辆推荐方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN111597380A (zh) 2020-08-28

Similar Documents

Publication Publication Date Title
US11416536B2 (en) Content recommendation system
CN108875022B (zh) 一种视频推荐方法及装置
CN108431833B (zh) 端到端深度协作过滤
RU2720899C2 (ru) Способ и система для определения зависящих от пользователя пропорций содержимого для рекомендации
US20190392011A1 (en) Systems and methods for identifying electronic content using video graphs
US20160371274A1 (en) Recommendation system using a transformed similarity matrix
US10244286B1 (en) Recommending digital content objects in a network environment
US10127326B2 (en) Managing access rights to content using social media
US10904599B2 (en) Predicting digital personas for digital-content recommendations using a machine-learning-based persona classifier
CN108989889B (zh) 一种视频播放量预测方法、装置及电子设备
CN111783810B (zh) 用于确定用户的属性信息的方法和装置
CN111597380B (zh) 一种推荐视频确定方法、装置、电子设备及存储介质
US20140245334A1 (en) Personal videos aggregation
CN113656681B (zh) 一种对象评价方法、装置、设备及存储介质
US20160021202A1 (en) Tracking Content Use Via Social Media
CN112765400B (zh) 兴趣标签的权重更新方法、内容推荐方法、装置及设备
CN113177160B (zh) 一种推送文案生成方法、装置、电子设备及存储介质
CN111753239B (zh) 一种资源分发方法、装置、电子设备及存储介质
CN112669078A (zh) 一种行为预测模型训练方法、装置、设备及存储介质
CN109740621B (zh) 一种视频分类方法、装置及设备
CN109168044B (zh) 一种视频特征的确定方法及装置
CN110087103A (zh) 一种视频推荐系统、方法、装置及计算机
CN110996142B (zh) 视频召回方法及装置、电子设备及存储介质
US20160021051A1 (en) Providing Access To Content Via Social Media
CN113536138A (zh) 一种网络资源推荐方法、装置、电子设备及可读存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant