CN111708941A - 内容推荐方法、装置、计算机设备和存储介质 - Google Patents
内容推荐方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN111708941A CN111708941A CN202010535054.3A CN202010535054A CN111708941A CN 111708941 A CN111708941 A CN 111708941A CN 202010535054 A CN202010535054 A CN 202010535054A CN 111708941 A CN111708941 A CN 111708941A
- Authority
- CN
- China
- Prior art keywords
- content
- bullet screen
- video
- information
- click rate
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- 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
Abstract
本申请涉及人工智能,特别涉及一种内容推荐方法、装置、计算机设备和存储介质。所述方法包括:获取从视频内容划分出的至少两个视频片段;通过预训练的点击率预测模型,基于各所述视频片段对应的弹幕特征、播放行为特征和用户特征,确定各视频片段的点击率预测值;从所述各视频片段的点击率预测值中,筛选符合推荐条件的点击率预测值;基于筛选出的点击率预测值对应的视频片段确定推荐时间点;在所述视频内容播放到所述推荐时间点时播放推荐内容。采用本方法能够有效提高推荐内容的推荐效率和推荐精准度,从而实现在视频内容中对推荐内容进行精准推荐。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种内容推荐方法、装置、计算机设备和存储介质。
背景技术
随着互联网技术的迅速发展,视频网站日益盛行,弹幕作为一种新兴的观影评论方式逐渐普及,越来越多的用户在观看视频内容的过程中参与弹幕评论。弹幕具有话题性和趣味性,出现了根据弹幕在视频内容中进行信息推送的方式。
传统方式中,通常是通过人工选取推荐时间点,或者识别弹幕数据的弹幕情感突变点并作为推荐时间点。然而,人工选择推荐时间点的方式,需要耗费大量人力成本且效率较低。而弹幕数据的情感突变点往往是精彩内容的转折点,用户的关注点主要在视频内容上,无法有效地识别用户对推荐信息的兴趣度,导致信息的推荐效率和推送精准度较低。
发明内容
基于此,有必要针对上述技术问题,提供一种能够有效提高推荐内容的推荐效率和推荐精准度的内容推荐方法、装置、计算机设备和存储介质。
一种内容推荐方法,所述方法包括:
获取从视频内容划分出的至少两个视频片段;
通过预训练的点击率预测模型,基于各所述视频片段对应的弹幕特征、播放行为特征和用户特征,确定各视频片段的点击率预测值;
从所述各视频片段的点击率预测值中,筛选符合推荐条件的点击率预测值;
基于筛选出的点击率预测值对应的视频片段确定推荐时间点;
在所述视频内容播放到所述推荐时间点时播放推荐内容。
一种内容推荐装置,所述装置包括:
信息获取模块,用于获取从视频内容划分出的至少两个视频片段;
点击率预测模块,用于通过预训练的点击率预测模型,基于各所述视频片段对应的弹幕特征、播放行为特征和用户特征,确定各视频片段的点击率预测值;
推荐处理模块,用于从所述各视频片段的点击率预测值中,筛选符合推荐条件的点击率预测值;基于筛选出的点击率预测值对应的视频片段确定推荐时间点;
内容展示模块,用于在所述视频内容播放到所述推荐时间点时播放推荐内容。
在其中一个实施例中,所述信息获取模块还用于获取各所述视频片段对应的弹幕信息、播放行为信息和用户信息;所述弹幕信息包括弹幕内容和弹幕数值信息;基于所述弹幕内容,确定各视频片段的弹幕情感特征值;根据所述弹幕情感特征值和所述弹幕数值信息,生成各视频片段的弹幕属性信息。
在其中一个实施例中,所述信息获取模块还用于提取各所述弹幕内容对应的文本向量;对所述文本向量进行情感分析处理,获得各弹幕内容的内容情感特征值;根据所述各弹幕内容的内容情感特征值,确定各视频片段对应的弹幕情感特征值。
在其中一个实施例中,所述点击率预测模块还用于通过所述点击率预测模型所包括的第一提取网络,基于所述弹幕属性信息和所述播放行为信息提取弹幕特征和播放行为特征;通过所述点击率预测模型所包括的第二提取网络,基于所述用户信息提取用户特征;通过所述点击率预测模型所包括的预测层,根据所述弹幕特征、所述播放行为特征和所述用户特征,确定各视频片段的点击率预测值。
在其中一个实施例中,所述点击率预测模块还用于通过所述第一提取网络,从所述弹幕属性信息中提取弹幕属性信息表示,并从所述播放行为信息中提取播放行为信息表示;对所述弹幕属性信息表示和所述播放行为信息表示分别进行编码处理,得到弹幕特征和播放行为特征。
在其中一个实施例中,所述点击率预测模块还用于通过所述第二提取网络,从所述用户信息中提取用户关联特征表示;对所述用户关联特征表示进行特征编码,获得预设维度的用户特征。
在其中一个实施例中,所述点击率预测模块还用于通过所述预测层,将所述弹幕特征、所述播放行为特征和所述用户特征进行特征融合,获得目标多模态特征;基于所述目标多模态特征确定各视频片段的点击率预测值。
在其中一个实施例中,所述内容推荐装置还包括内容生成模块,用于获取所述推荐时间点对应的视频片段的弹幕内容;基于所述弹幕内容,生成所述推荐时间点对应的推荐内容。
在其中一个实施例中,所述内容生成模块还用于获取待推荐对象的描述信息;对所述弹幕内容进行语义特征提取,获得弹幕语义特征;基于所述弹幕语义特征和所述描述信息,生成所述推荐时间点对应的推荐内容。
在其中一个实施例中,所述推荐内容为弹幕推荐内容;所述内容展示模块还用于在所述视频内容播放到所述推荐时间点时,在所述视频内容的弹幕区域播放弹幕推荐内容。
在其中一个实施例中,所述点击率预测模型通过训练步骤训练获得,所述内容推荐装置还包括模型训练模块,用于获取训练样本和训练标签;所述训练样本包括样本视频内容中,各样本视频片段对应的样本弹幕属性信息、样本播放行为信息和样本用户信息;所述训练标签是所述样本视频内容中的样本推荐内容的历史点击率;基于所述训练样本和所述训练标签训练点击率预测模型。
在其中一个实施例中,所述模型训练模块还用于通过所述点击率预测模型所包括的第一提取网络,提取所述样本弹幕属性信息的样本弹幕特征,以及所述样本播放行为信息的样本播放行为特征;通过所述点击率预测模型所包括的第二提取网络,提取所述样本用户信息的样本用户特征;通过所述点击率预测模型所包括的预测层,基于所述样本弹幕特征、所述样本播放行为特征和所述样本用户特征确定各样本视频片段的样本点击率;基于所述样本点击率与所述训练标签的差异,调整所述点击率预测模型的参数并继续训练,直至满足训练条件时停止训练。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取从视频内容划分出的至少两个视频片段;
通过预训练的点击率预测模型,基于各所述视频片段对应的弹幕特征、播放行为特征和用户特征,确定各视频片段的点击率预测值;
从所述各视频片段的点击率预测值中,筛选符合推荐条件的点击率预测值;
基于筛选出的点击率预测值对应的视频片段确定推荐时间点;
在所述视频内容播放到所述推荐时间点时播放推荐内容。
一种计算机可读存储介质,其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以下步骤:
获取从视频内容划分出的至少两个视频片段;
通过预训练的点击率预测模型,基于各所述视频片段对应的弹幕特征、播放行为特征和用户特征,确定各视频片段的点击率预测值;
从所述各视频片段的点击率预测值中,筛选符合推荐条件的点击率预测值;
基于筛选出的点击率预测值对应的视频片段确定推荐时间点;
在所述视频内容播放到所述推荐时间点时播放推荐内容。
上述内容推荐方法、装置、计算机设备和存储介质,获取从视频内容划分出的至少两个视频片段后,通过预训练的点击率预测模型,基于各视频片段对应的弹幕特征、播放行为特征和用户特征,确定各视频片段的点击率预测值;由于弹幕特征、播放行为特征和用户特征可以反映用户的观影情绪、视频片段的浏览度以及主要用户群体。通过对各视频片段的弹幕特征、播放行为特征和用户特征进行结合分析,从而能够准确有效地分析出视频内容中比较适合进行内容推送的视频片段,由此能够精准地分析出各视频片段的点击率预测值。进而从各视频片段的点击率预测值中,筛选符合推荐条件的点击率预测值;基于筛选出的点击率预测值对应的视频片段确定推荐时间点,并在视频内容播放到推荐时间点时播放推荐内容。由此能够在分析出的视频内容的推荐时间点精准地进行内容推荐,从而有效提高了信息的推送效率和推送精准度。
附图说明
图1为一个实施例中内容推荐方法的应用环境图;
图2为一个实施例中内容推荐方法的流程示意图;
图3为一个实施例中对文本向量进行情感分析处理的流程框图;
图4为一个实施例中包括弹幕内容的视频内容的界面图;
图5为另一个实施例中包括弹幕内容的视频内容的界面图;
图6为一个实施例中点击率预测模型的结构示意图;
图7为一个实施例中通过点击率预测模型确定各视频片段的点击率预测值的流程示意图;
图8为另一个实施例中内容推荐方法的流程示意图;
图9为一个实施例中在视频内容中播放弹幕推荐内容的界面示意图;
图10为一个实施例中训练点击率预测模型步骤的流程示意图;
图11为一个具体的实施例中内容推荐方法的流程示意图;
图12为一个实施例中内容推荐装置的结构框图;
图13为另一个实施例中内容推荐装置的结构框图;
图14为又一个实施例中内容推荐装置的结构框图;
图15为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的方案涉及人工智能、机器学习(Machine Learning,ML)和计算机视觉(ComputerVision,CV)和图像处理等技术。人工智能是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、技术及应用系统,使机器具有感知、推理与决策的功能。机器学习涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科,研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。计算机视觉和图像处理技术是通过计算机设备代替人眼对目标进行识别、跟踪和测量等机器视觉,并进一步做图形处理,试图建立能够从图像或者多维数据中获取信息的人工智能系统。通过对视频内容所对应的各种信息进行基于机器学习和图像处理技术等处理,从而能够有效实现对待推荐的内容进行智能推荐。
云技术(Cloud technology)是指在广域网或局域网内将硬件、软件、网络等系列资源统一起来,实现数据的计算、储存、处理和共享的一种托管技术,是基于云计算商业模式应用的网络技术、信息技术、整合技术、管理平台技术、应用技术等的总称,可以组成资源池,按需所用,灵活便利。技术网络系统的后台服务需要大量的计算、存储资源,如视频网站、图片类网站和更多的门户网站。伴随着互联网行业的高度发展和应用,各类数据通常需要传输到后台系统进行逻辑处理,不同程度级别的数据将会分开处理,各类行业数据皆需要强大的系统后盾支撑。云计算通过将计算任务分布在大量计算机构成的资源池上,使各种应用系统能够根据需要获取计算力、存储空间和信息服务。本申请提供的内容推荐方法,可以基于云技术进行计算处理,从而能够高效地实现对待推荐的内容进行智能推荐。
本申请提供的内容推荐方法,可以应用于计算机设备中。计算机设备可以为终端或服务器。可以理解的是,本申请提供的内容推荐方法可以应用于终端,也可以应用于服务器,还可以应用于包括终端和服务器的系统,并通过终端和服务器的交互实现。
在一个实施例中,计算机设备可以为服务器。本申请提供的内容推荐方法,可以应用于如图1所示的应用环境中,该应用环境包括终端和服务器的系统,并通过终端和服务器的交互实现。其中,终端102通过网络与服务器104进行通信。服务器104获取从视频内容划分出的至少两个视频片段后,通过预训练的点击率预测模型,基于各视频片段对应的弹幕特征、播放行为特征和用户特征,确定各视频片段的点击率预测值。服务器104进而从各视频片段的点击率预测值中,筛选符合推荐条件的点击率预测值;基于筛选出的点击率预测值对应的视频片段确定推荐时间点,并在视频内容播放到推荐时间点时播放推荐内容。终端102则在视频内容播放到推荐时间点时,在视频内容中播放并显示推荐内容。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备,服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种内容推荐方法,以该应用于计算机设备来举例说明,该计算机设备具体可以是终端或者服务器。本实施例中,该方法包括以下步骤:
S202,获取从视频内容划分出的至少两个视频片段。
其中,视频泛指将一系列静态影像以电信号的方式加以捕捉、纪录、处理、储存、传送与重现的各种技术。网络技术的发达也促使视频的纪录片段以串流媒体的形式存在于因特网之上并可被电脑接收与播放。视频内容即为视频数据,视频数据是随时间变化的图像流,含有更为丰富的其他媒体所无法表达的信息和内容。以视频的形式来传递信息,能够直观、生动、真实、高效地表达所要传递的内容。
视频内容可以是视频网站播放的视频,或者网页中插入的视频等。例如可以是各种影视视频、直播视频、节目视频以及自媒体视频等等。视频内容中包括至少两个视频片段。待处理的视频内容可以是从视频网站获取的,也可以是从视频数据库中获取的。
在对视频内容进行处理之前,计算机设备可以基于视频处理指令对待处理的视频内容进行处理。视频处理指令可以是系统自动生成的,例如当需要对待推荐对象进行推送时,可以将待推荐对象的描述信息上传至视频网站,视频网站对应的后台服务器可以自动生成视频处理指令。视频处理指令也可以是用户手动触发生成的,例如,用户通过终端浏览视频内容时,可以触发视频处理指令。
具体地,计算机设备获取待处理的视频内容后,按照预设划分方式对视频内容进行划分,将视频内容划分为至少两个视频片段。其中,预设划分方式可以是按照视频内容的总时长进行等分划分,例如根据视频内容的总时长确定视频片段数量,进行等分划分。也可以按照预设片段时长对视频内容进行划分,例如按照预设时长t进行划分,得到多个时长均为t的视频片段,比如t可以取10秒、15秒等等。
S204,通过预训练的点击率预测模型,基于各视频片段对应的弹幕特征、播放行为特征和用户特征,确定各视频片段的点击率预测值。
计算机设备获取视频内容时,同时还获取与视频内容相关联的各种信息,包括该视频内容对应的弹幕信息、播放行为信息以及用户信息。
其中,弹幕是一种互动方式,用户在看视频时可以在评论框里输入自己的评论,即弹入信息。弹幕信息,即视频弹幕,是指在网络上观看视频时以弹出形式播放的评论性字幕。这些弹幕信息会被保存起来,当视频内容被浏览用户再次点播时,弹幕信息就会在播放器加载视频文件的同时被载入,并在视频内容中对应的时间点出现。浏览用户也可以选择关闭弹幕,或者选择只浏览特定的弹幕信息。弹幕信息可以包括弹幕内容、弹幕点赞量以及弹幕数量等信息。
播放行为是指用户浏览视频内容时对视频内容进行各种操作的行为,例如包括播放、停止、暂停、快进、跳过以及回看等行为信息。播放行为信息可以是各种播放行为对应的记录信息。
用户信息是指浏览视频内容的各用户对应的用户信息,例如,可以是视频网站平台中浏览过当前视频内容的用户对应的用户信息。用户信息可以是用户画像信息,例如包括性别、年龄等信息。
在其中一个实施例中,视频网站平台还可以预先配置至少一个待推荐对象,待推荐对象可以是产品、应用软件、用户对象等目标事物,待推荐对象还可以对应相应的应用平台。用户信息还可以包括待推荐对象的应用平台中的用户画像信息。例如可以根据用户标识在待推荐对象相应的应用平台中获取对应的用户信息。由此能够获取全面的与待推荐对象相关联的用户信息。
其中,点击率(CTR,Click-Through-Rate,即点击通过率),指互联网中的网络信息(如图片信息、视频信息、广告信息等)的点击到达率,即信息内容的实际点击次数与展现量(即曝光量)的比值。点击率通常可以反映推荐内容的质量效果,其可以作为衡量推荐内容的质量效果的一项指标。以广告推荐内容为例,CTR是衡量互联网广告效果的一项重要指标。本实施例中的点击率,是指视频内容中的推荐内容的点击率。
点击率预测模型是经过训练后具有点击率预测能力的模型,具体可以为基于逻辑回归的神经网络模型,也可以为基于机器学习的深度神经网络模型,还可以是两者结合的神经网络模型。
计算机设备获取从视频内容中划分出的至少两个视频片段后,通过预训练的点击率预测模型,基于各视频片段对应的弹幕特征、播放行为特征和用户特征,确定各视频片段的点击率预测值。
具体地,计算机设备获取视频内容对应的多个视频片段后,获取各个视频片段对应的弹幕信息、播放行为信息和用户信息。计算机设备将各个视频片段对应的弹幕信息、播放行为信息和用户信息,输入至预训练的点击率预测模型,通过点击率预测模型分别对弹幕信息、播放行为信息和用户信息进行特征提取,得到各视频片段对应的弹幕特征、播放行为特征和用户特征。点击率预测模型则根据所提取的弹幕特征、播放行为特征和用户特征,确定各视频片段的点击率预测值。
由于弹幕信息具有趣味性和话题性,因此可以反应出观影用户的在浏览视频内容时所抒发的情绪。播放行为信息可以反应视频内容的精彩部分或者浏览度较高的部分。用户信息可以反映观看该视频内容的主要用户群体。通过对各视频片段的弹幕信息、播放行为信息以及用户信息进行结合分析,从而可以根据用户的观影情绪、浏览度以及用户群体,分析出视频内容中哪些片段比较适合进行内容推送,由此能够精准地分析出各视频片段的点击率预测值。
S206,从各视频片段的点击率预测值中,筛选符合推荐条件的点击率预测值。
其中,点击率预测是对推荐内容的点击情况进行预测,用于判断推荐内容被用户点击的概率。点击率预测值用于对推荐内容的推送。一个视频内容中符合推荐条件的点击率预测值可以为一个,也可以为多个。其中,多个是指两个以上。
计算机设备通过点击率模型确定视频内容中各视频片段的点击率预测值后,进而从各视频片段的点击率预测值中,筛选符合推荐条件的点击率预测值。具体地,计算机设备可以对各视频片段的点击率预测值进行降序排序,根据排序结果筛选出预设数量的点击率预测值,即将数值排序在前的预设数量的点击率预测值,确定为符合推荐条件的点击率预测值。也可以直接将点击率预测值按照从大到小进行排序,将数值最大的点击率预测值确定为符合推荐条件的点击率预测值。
其中,预设数量还可以根据视频内容的总时长确定。还可以按照点击率预测值对应的预测阈值确定,比如预设数量可以为预设的数值范围,当达到预测阈值的点击率预测值有多个时,则可以根据预设数量选取满足条件的点击率预测值。
S208,基于筛选出的点击率预测值对应的视频片段确定推荐时间点。
其中,视频内容包括对应的视频时间轴,时间轴是指按时间顺序串联的记录体系。视频时间轴表示将连续的多帧图像用时间轨迹串联起来。视频内容中的各视频片段是按照视频内容的视频时间轴划分的。每个视频片段在视频内容的视频时间轴上有相对应的时间段。推荐时间点是指视频内容中视频时间轴上的时间点,用于在视频内容中的推荐时间点插入待推荐的推荐内容。
计算机设备从各视频片段的点击率预测值中,筛选符合推荐条件的点击率预测值后,根据筛选出的点击率预测值对应的视频片段,确定该视频内容中的推荐时间点。视频内容中的推荐时间点可以为一个,也可以为多个。当筛选出的视频片段为多个时,推荐时间点与相应的视频片段对应,即也为多个。
具体地,计算机设备还可以将筛选出的视频片段的片段起始点,即视频片段的片段起始点在视频内容中的时间点,确定为推荐时间点。例如,还可以根据视频片段的中间点或者终止点,确定该视频内容中的推荐时间点。
S210,在视频内容播放到推荐时间点时播放推荐内容。
其中,推荐内容可以是预先配置的待推荐对象对应的内容,推荐内容可以是预先配置的信息。推荐对象是指作为推荐目标的事物,比如,推荐对象可以包括产品、应用软件、用户、推广信息等等。推荐内容可以包括纯文本、纯图片、图标或者图文结合等各种形式的信息。推荐内容还可以包括播放时长、播放位置等属性信息。例如,推荐内容可以包括用户推送信息、资源推广信息以及各种广告信息等等。
计算机设备确定该视频内容中的推荐时间点后,则获取待推荐对象对应的推荐内容,并在视频内容播放到推荐时间点时播放推荐内容,从而实现在视频内容中进行内容推荐。其中,推荐内容可以按照预设格式生成相应的信息,例如文字、图形、图标、图文结合等格式。推荐内容还包括预设的显示位置、显示形式和显示时长等属性信息。例如,显示形式包括角标、压屏条等形式。推荐内容可以按照嵌入的方式插入视频内容中进行播放,而不影响视频内容本身的播放,从而能够有效实现在视频内容中进行内容推荐。
用户通过对应的用户终端加载该添加推荐内容的视频内容后,当用户终端的视频显示界面中,在视频内容播放到推荐时间点时,播放相应的推荐内容。用户还可以在视频显示界面点击该推荐内容,从而跳转至待推荐对象的相关页面,以实现对待推荐内容进行推荐。
上述内容推荐方法中,计算机设备获取从视频内容划分出的至少两个视频片段后,通过预训练的点击率预测模型,基于各视频片段对应的弹幕特征、播放行为特征和用户特征,确定各视频片段的点击率预测值;由于弹幕特征、播放行为特征和用户特征可以反映用户的观影情绪、视频片段的浏览度以及主要用户群体。通过对各视频片段的弹幕特征、播放行为特征和用户特征进行结合分析,从而能够准确有效地分析出视频内容中比较适合进行内容推送的视频片段,由此能够精准地分析出各视频片段的点击率预测值。计算机设备进而从各视频片段的点击率预测值中,筛选符合推荐条件的点击率预测值;基于筛选出的点击率预测值对应的视频片段确定推荐时间点,并在视频内容播放到推荐时间点时播放推荐内容。由此能够在分析出的视频内容的推荐时间点精准地进行内容推荐,从而有效提高了信息的推送效率和推送精准度。
在一个实施例中,获取从视频内容划分出的至少两个视频片段之后,上述内容推荐方法还包括:获取各视频片段对应的弹幕信息、播放行为信息和用户信息;弹幕信息包括弹幕内容和弹幕数值信息;基于弹幕内容,确定各视频片段的弹幕情感特征值;根据弹幕情感特征值和弹幕数值信息,生成各视频片段的弹幕属性信息。
其中,弹幕信息中包括弹幕内容和弹幕数值信息,弹幕内容中可以包括弹幕文本、图片、图标或者图文结合等信息,弹幕数值信息包括弹幕点赞量以及弹幕数量等信息。弹幕数量可以为各视频片段中的弹幕数量占整个视频内容的弹幕总数的比例。弹幕点赞数量可以为各视频片段内的点赞数占整个视频内容所有点赞数总和的比例。
弹幕情感特征值是指用户弹幕内容的情绪表现,具体可以用弹幕情感分数表示,弹幕情感特征值可以反映用户对于弹幕内容的情绪表现是正向还是负向。例如,视频内容的其中一个视频片段的弹幕内容,可以反映用户对此视频片段的兴趣度。通常情况下,对于用户不感兴趣的视频片段,弹幕内容的情绪表现较为负向;而对于用户比较感兴趣的视频片段,弹幕内容的情绪表现较为正向。
计算机设备获取从视频内容划分出的至少两个视频片段之后,获取各视频片段对应的弹幕信息、播放行为信息和用户信息。即获取每个视频片段所包括的所有弹幕信息、播放行为信息,以及浏览过该视频片段的用户信息。
计算机设备获取各视频片段的弹幕信息后,还对弹幕信息中的弹幕内容进行情感特征分析,具体可以对弹幕内容中的弹幕文本进行文本情感特征提取,从而获得每个视频片段的弹幕情感特征值。计算机设备进而利用弹幕情感特征值和弹幕数值信息,生成各视频片段的弹幕属性信息。
本实施例中,获取各视频片段对应的弹幕信息、播放行为信息和用户信息后,还通过根据弹幕内容确定各视频片段的弹幕情感特征值,并根据弹幕情感特征值和弹幕数值信息,由此能够有效地获得各视频片段的弹幕属性信息,从而能够更加精准地对各视频片段进行特征分析等处理。
在一个实施例中,基于弹幕内容,确定各视频片段的弹幕情感特征值,包括:提取各弹幕内容对应的文本向量;对文本向量进行情感分析处理,获得各弹幕内容的内容情感特征值;根据各弹幕内容的内容情感特征值,确定各视频片段对应的弹幕情感特征值。
其中,可以通过预训练的情感分析模型对弹幕内容进行情感分析处理。情感分析模型可以为采用基于LSTM(Long Short-Term Memory,长短期记忆网络)模型的进行文本情感特征提取。除此之外,还可以采用基于DNN(Deep Neural Networks,深度神经网络)模型或基于CNN(Convolutional NeuralNetworks,卷积神经网络)模型的进行文本情感特征提取,在此不做限定。
具体地,计算机设备将各视频片段对应的弹幕内容,将每个视频片段的弹幕内容输入至情感分析模型。对弹幕内容中的弹幕文本进行分词处理,得到弹幕文本对应的词向量,并根据词向量提取各弹幕内容对应的文本向量。计算机设备进而通过情感分析模型对文本向量进行情感分析处理,获得各弹幕内容的内容情感特征值。其中,计算机设备可以通过情感分析模型逐一对各视频片段中的每条弹幕内容进行情感分析处理,得到每条弹幕内容的内容情感特征值。
通过情感分析模型对根据各弹幕内容的内容情感特征值后,根据该视频片段所包括的所有弹幕内容的内容情感特征值,确定各视频片段对应的综合的弹幕情感特征值。
在其中一个实施例中,如图3所示,为一个实施例中对文本向量进行情感分析处理,获得各弹幕内容的内容情感特征值的流程框图。计算机设备首先对弹幕内容中的弹幕文本进行分词处理,并生成弹幕内容相应的词向量。进而通过预训练的情感分析模型对各弹幕内容的词向量进行情感特征提取,获得各弹幕内容对应的情感分析结果。由此能够精准有效地获得每条弹幕内容的内容情感特征值。
例如,内容情感特征值的取值范围可以为-1.0-1.0,通过情感分析模型对各弹幕内容进行情感特征提取,并输出归一化的[0-1]的数值。计算机设备进一步对各视频片段中各弹幕内容的内容情感特征值进行归一化。比如,将该视频片段内的所有弹幕内容的内容情感特征值,归一化到[0~1.0]后相加平均得到各视频片段对应的综合的弹幕情感特征值。例如,具体的计算公式可以如下:
其中,S表示在该t长度的视频片段内的弹幕情感分数,即视频片段对应的综合的弹幕情感特征值,vi表示第i条弹幕内容归一化之前的情感分数,n表示该视频片段下的弹幕总数。
例如,如图4所示,为一个具体的实施例中包括弹幕内容的视频内容的界面图。从图4中所展示的用户发送的弹幕内容,可以看出用户的观影情感评价较低,因此可以将这部分弹幕确定为情感分数较低的弹幕内容。
如图5所示,为另一个具体的实施例中包括弹幕内容的视频内容的界面图。从图5中所展示的用户发送的弹幕内容,可以看出用户的观影情感评价较高,因此可以将这部分弹幕确定为情感分数较高的弹幕内容。
本实施例中,通过情感分析模型对各视频片段的弹幕内容进行情感特征提取,能够精准有效地识别每条弹幕内容的内容情感特征值,进而基于各视频片段中所有弹幕内容的内容情感特征值,能够精准地获得各个视频片段的综合的弹幕情感特征值。
在一个实施例中,通过预训练的点击率预测模型,基于各视频片段对应的弹幕特征、播放行为特征和用户特征,确定各视频片段的点击率预测值,包括:通过点击率预测模型所包括的第一提取网络,基于弹幕属性信息和播放行为信息提取弹幕特征和播放行为特征;通过点击率预测模型所包括的第二提取网络,基于用户信息提取用户特征;通过点击率预测模型所包括的预测层,根据弹幕特征、播放行为特征和用户特征,确定各视频片段的点击率预测值。
其中,点击率预测模型是预先经过训练后具有点击率预测能力的模型,具体可以为基于机器学习的神经网络模型。点击率预测模型中包括第一提取网络和第二提取网络以及预测层,即点击率预测模型为包括第一提取网络和第二提取网络的组合模型。其中,第一提取网络可以为基于回归模型的网络结构,用于提取弹幕特征和播放行为特征。例如,第一提取网络可以为逻辑回归模型中的元模型,即逻辑回归模型中所包括的用于提取特定特征向量的部分网络结构。其中,元模型是描述模型中的元素、元素间关系以及表示,模型中包括了元模型。以神经网络模型为例,元模型可以视为模型的其中一部分神经网络结构,用于提取特定的特征表示。
类似地,第二提取网络可以为基于深度神经网络模型的网络结构,用于提取用户特征向量的网络结构,例如可以为深度神经网络模型中的元模型,即深度神经网络模模型中所包括的用于提取用户特征向量的部分网络结构。如图6所示,为一个实施例中点击率预测模型的结构示意图。
计算机设备获取从视频内容划分出的至少两个视频片段,并获取各个视频片段对应的弹幕属性信息、播放行为信息和用户信息后,将各视频片段对应的弹幕属性信息、播放行为信息和用户信息输入至预训练的点击率预测模型。
具体地,将各视频片段的弹幕属性信息和播放行为信息输入至点击率预测模型的第一提取网络,通过第一提取网络,基于弹幕属性信息和播放行为信息提取弹幕特征和播放行为特征,由此获得各视频片段对应的弹幕特征和播放行为特征。
将各视频片段对应的用户信息输入至点击率预测模型所包括的第二提取网络,通过第二提取网络基于用户信息提取用户特征,由此获得各视频片段对应的用户特征。
提取出各视频片段对应的弹幕特征、播放行为特征和用户特征后,进而通过点击率预测模型所包括的预测层,根据弹幕特征、播放行为特征和用户特征,确定各视频片段的点击率预测值,从而能够精准有效地获得各视频片段的点击率预测值。
本实施例中,通过预训练的点击率预测模型能够精准地提取出各视频片段中弹幕属性信息和播放行为信息分别对应的弹幕特征和播放行为特征,以及用户信息对应的用户特征,由此能够有效地捕捉各视频片段对应的用户观影情绪特征、浏览度特征以及用户群体特征,并根据弹幕特征、播放行为特征和用户特征确定各视频片段的点击率预测值,进而能够精准地分析出各视频片段针对推荐内容的点击率预测值。
在一个实施例中,通过点击率预测模型所包括的第一提取网络,基于弹幕属性信息和播放行为信息提取弹幕特征和播放行为特征,包括:通过第一提取网络,从弹幕属性信息中提取弹幕属性信息表示,并从播放行为信息中提取播放行为信息表示;对弹幕属性信息表示和播放行为信息表示分别进行编码处理,得到弹幕特征和播放行为特征。
其中,第一提取网络可以为点击率预测模型中所包括的预训练的线性模型,广义线性模型(Wide Linear Model)是对统计关系进行定量描述的一种数学模型,用于分析因变量(目标)和自变量(预测器)之间的关系,如自变量和因变量之间的显著关系以及多个自变量对一个因变量的影响强度等。第一提取网络用于提取弹幕属性信息和播放行为信息分别对应的各种特征表示。
例如,第一提取网络可以采用基于逻辑回归模型(Logistic Regression Model)的元模型对弹幕属性信息和播放行为信息进行特征提取,以获得对应的弹幕特征和播放行为特征。除此之外,第一提取网络还可以采用线性回归模型(Linear Regression Model)或逐步回归模型(Stepwise Regression Model)等的元模型对弹幕属性信息和播放行为信息进行特征提取,在此不做限定。
计算机设备将各视频片段的弹幕属性信息和播放行为信息以及用户信息输入至点击率预测模型后,将弹幕属性信息和播放行为信息输入至第一提取网络。第一提取网络首先对弹幕属性信息和播放行为信息进行特征提取,从弹幕属性信息中提取弹幕属性信息表示,并从播放行为信息中提取播放行为信息表示。例如,得到信息表示可以是弹幕属性信息和播放行为信息对应的各个特征向量,如弹幕情感向量、弹幕点赞向量、弹幕数量向量、视频回看向量、视频跳过向量等多个特征向量,每个向量还包括相应的向量值。对弹幕属性信息表示和播放行为信息表示分别进行编码处理,得到弹幕特征和播放行为特征。具体地,第一提取网络根据弹幕属性信息和播放行为信息对应的各个特征向量和向量值进行线性处理,得到对应的弹幕特征和播放行为特征。弹幕特征和播放行为特征具体可以包括预设数值范围的特征值。
以第一提取网络为逻辑回归模型为例,通过逻辑回归模型提取弹幕属性信息和播放行为信息对应的各个特征向量后,将各个特征向量对应的向量值,经过归一化到预设数值范围的特征值,例如,将各个向量值归一化到[0-1]的大小区间的特征值。进而通过逻辑回归模型对各个特征向量对应的向量值进行线性输出,获得各视频片段对应的弹幕特征和播放行为特征。其中,逻辑回归公式可以如下:
y=WTX+b
其中,y是用于进行预测的特征值,也可以是各个向量的用于预测的概率,X表示特征的向量,W表示模型的参数,也就是最终训练出来的每个特征向量对应的权重,b是bias项,也就是常数项。
本实施例中,通过点击率预测模型中所包括的第一提取网络,基于弹幕属性信息和播放行为信息提取弹幕特征和播放行为特征,由此能够有效地分析出弹幕属性信息和播放行为信息与推荐内容之间的线性关系,从而能够精准地提取出各视频片段对应的弹幕特征和播放行为特征,进而能够用于精准地预测各个视频片段的点击率预测值。
在一个实施例中,通过点击率预测模型所包括的第二提取网络,基于用户信息提取用户特征,包括:通过第二提取网络,从用户信息中提取用户关联特征表示;对用户关联特征表示进行特征编码,获得预设维度的用户特征。
其中,第二提取网络为预训练的深度神经网络模型(Deep Models),第二提取网络中包括至少两层网络结构,用于提取用户信息所包括的各种关联向量对应的各种特征表示。第二提取网络可以为采用基于DNN(深度神经网络)模型的进行用户特征提取。除此之外,还可以采用基于LSTM(长短期记忆网络)模型或基于CNN(卷积神经网络)模型的进行用户特征提取,在此不做限定。
计算机设备将各视频片段的弹幕属性信息和播放行为信息以及用户信息输入至点击率预测模型后,将用户信息输入至第二提取网络。第二提取网络首先对用户信息进行特征提取,从用户信息中提取用户关联特征表示,也即用户的相关特征,例如包括性别、年龄、兴趣、爱好等特征。第二提取网络则进一步通过其中的编码网络层对用户关联特征表示进行特征编码,从而获得预设维度的用户特征。
以基于DNN模型的第二提取网络为例,DNN模型中包括输入层、嵌入层(Embedding)和若干隐层,通过第二提取网络的输入层输入用户信息后,通过嵌入层将用户信息中的高维向量转换为低维的嵌入表示,即用户关联特征表示。例如,将代表用户id的高维向量(假如1000个用户,则用户id对应的one hot向量为0,0,…1,…0),转换成一个低维的且密集的用户Embedding(例如0.33458763,0.69234245,0.1034593…),用户Embedding向量一定程度上表示用户的相关特征,例如性别、年龄、兴趣、爱好等。通过第二提取网络的隐层对用户关联特征表示进行特征编码,获得预设维度的用户特征,由此能够精准有效地提取各个视频片段中各用户的用户特征。
在其中一个实施例中,视频网站平台中可以预先存储已训练获得的各个用户的用户关联特征表示。在对视频内容进行处理时,则可以直接从视频网站平台获取相应用户的用户关联特征表示进行处理。由此能够快速有效地获取各用户的用户关联特征表示,由此能够有效提高数据的处理效率和处理速度。
本实施例中,通过点击率预测模型中的第二提取网络对用户信息进行特征提取,由此能够准确有效地获得各个视频片段中所对应的用户特征。
在一个实施例中,如图7所示,通过点击率预测模型确定各视频片段的点击率预测值的步骤,具体包括以下内容:
S702,通过点击率预测模型所包括的第一提取网络,基于弹幕属性信息和播放行为信息提取弹幕特征和播放行为特征。
S704,通过点击率预测模型所包括的第二提取网络,基于用户信息提取用户特征。
S706,通过点击率预测模型所包括的预测层,将弹幕特征、播放行为特征和用户特征进行特征融合,获得目标多模态特征。
S708,基于目标多模态特征确定各视频片段的点击率预测值。
其中,第一提取网络可以为线性模型,第二提取网络可以为深度神经网络模型,点击率预测模型所包括的预测层中包括预设的预测函数和权重,用于对各视频片段中推荐内容的点击率进行预测。
计算机设备获取从视频内容划分出的至少两个视频片段,以及各视频片段对应的弹幕信息、播放行为信息和用户信息后,将弹幕信息、播放行为信息和用户信息输入至预训练的点击率预测模型,通过点击率预测模型的第一提取网络根据弹幕属性信息和播放行为信息提取弹幕特征和播放行为特征,通过点击率预测模型所包括的第二提取网络,根据用户信息提取用户特征。
点击率预测模型分别提取出弹幕特征、播放行为特征和用户特征后,则将弹幕特征、播放行为特征和用户特征输入至点击率预测模型所包括的预测层。其中,预测层中还可以包括特征连接层,用于对各个特征进行融合。具体地,通过预测层的特征连接层,将弹幕特征、播放行为特征和用户特征进行特征融合,获得目标多模态特征。预测层进而根据得到的目标多模态特征,对视频片段中推荐内容的点击率进行回归预测,从而获得各视频片段的点击率预测值。
例如,预测层可以将logistic loss作为损失函数,其表达式可以如下:
其中,W代表模型的权重,T表示权重的转置,b表示偏置,x表示特征,a表示sigmoid函数,φ(x)表示叉乘特征,alf表示神经网络最后一层激活值,p表示点击率预测值。
本实施例中,通过包括线性模型和深度神经网络模型的组合模型所构建的点击率预测模型,能够有效地提取视频内容中用户的行为特征和弹幕特征,以及用户特征,并且能够精准有效捕捉用户行为特征和弹幕特征以及用户特征与各视频片段中推荐内容的点击率之间的关系,从而能够精准地预测视频内容中各视频片段的点击率预测值,进而能够准确有效地分析出视频内容中比较适合进行内容推送的视频片段。
在一个实施例中,基于筛选出的点击率预测值对应的视频片段确定推荐时间点之后,上述内容推荐方法还包括:获取推荐时间点对应的视频片段的弹幕内容;基于弹幕内容,生成推荐时间点对应的推荐内容。
其中,推荐内容为预设的待推荐对象对应的内容。待推荐对象包括推荐对象标识、推荐对象名称、推荐对象属性等描述信息。
计算机设备通过预训练的点击率预测模型,根据视频内容中各个视频片段对应的弹幕信息、播放行为信息和用户信息,确定各个视频片段对应的点击率预测值,并从各视频片段的点击率预测值中,筛选符合推荐条件的点击率预测值。
计算机设备基于筛选出的点击率预测值对应的视频片段确定推荐时间点后,进一步获取推荐时间点对应的视频片段的弹幕内容,并基于弹幕内容,生成推荐时间点对应的推荐内容。
具体地,计算机设备对视频片段对应的弹幕内容进行语义特征提取,得到弹幕语义特征,进而根据弹幕语义特征生成与弹幕内容相关的推荐内容。在生成推荐内容时,还可以结合根据推荐对象的推荐对象标识标识或推荐对象名称,生成包括推荐对象标识标识或推荐对象名称的推荐内容。
计算机设备具体还可以通过预训练的内容生成模型对弹幕内容进行语义特征提取,得到弹幕语义特征,并弹幕语义特征生成与弹幕内容相关的推荐内容。
本实施例中,通过根据推荐时间点对应的视频片段的弹幕内容,生成推荐时间点对应的推荐内容,由此能够有效地生成与弹幕内容相关的推荐内容,因此能够使得所生成的推荐内容与用户的观影情绪更加贴合,进而能够有效提高视频内容中推荐内容的点击率。
在一个实施例中,基于弹幕内容,确定推荐时间点对应的推荐内容,包括:获取待推荐对象的描述信息;对弹幕内容进行语义特征提取,获得弹幕语义特征;基于弹幕语义特征和描述信息,生成推荐时间点对应的推荐内容。
计算机设备在生成推荐内容时,还获取待推荐对象的描述信息。计算机设备对弹幕内容进行语义特征提取,获得弹幕语义特征后,还基于弹幕语义特征和描述信息的进行结合,生成推荐时间点对应的推荐内容。具体地,计算机设备对推荐时间点对应的视频片段中的所有弹幕内容进行语义特征提取,得到该视频片段对应的弹幕语义特征。计算机设备并对待推荐对象的描述信息进行语义特征提取,得到推荐对象语义特征。进而弹幕语义特征和推荐对象语义特征进行结合,生成对应的推荐内容。
计算机设备具体还可以通过预训练的内容生成模型,根据弹幕语义特征和推荐对象语义特征,生成推荐时间点对应的推荐内容,由此能够精准高效地生成与弹幕内容和待推荐对象相适应的推荐内容。
在其中一个实施例中,待推荐对象可以包括多个,待推荐对象包括描述信息,描述信息中还包括类别属性信息。当待推荐对象为多个时,计算机设备对弹幕内容进行语义特征提取,获得弹幕语义特征后,还可以进一步根据弹幕内容的弹幕语义特征,从待推荐对象中筛选出最匹配的推荐对象进行推荐。具体地,计算机设备可以根据弹幕语义特征和各待推荐对象的类别属性信息或者描述信息,确定弹幕内容与各个待推荐对象之间的匹配度,并筛选出匹配度最高的推荐对象,作为待推荐对象。
本实施例中,通过将推荐时间点对应的视频片段的弹幕内容,与待推荐对象的描述信息进行结合,生成推荐时间点对应的推荐内容,由此能够由此能够精准高效地生成与弹幕内容和待推荐对象均相适应的推荐内容,因此能够使得所生成的推荐内容与用户的观影情绪以及用户特征更加贴合,进而能够有效提高视频内容中推荐内容的点击率。
在一个实施例中,如图8所示,推荐内容为弹幕推荐内容;提供了另一种内容推荐方法,该方法包括以下步骤:
S802,获取从视频内容划分出的至少两个视频片段。
S804,通过预训练的点击率预测模型,基于各视频片段对应的弹幕特征、播放行为特征和用户特征,确定各视频片段的点击率预测值。
S806,从各视频片段的点击率预测值中,筛选符合推荐条件的点击率预测值。
S808,基于筛选出的点击率预测值对应的视频片段确定推荐时间点。
S810,在视频内容播放到推荐时间点时,在视频内容的弹幕区域播放弹幕推荐内容。
其中,弹幕推荐内容是指弹幕形式的推荐内容,即在视频内容被播放时,在视频内容的弹幕区域进行展示的推荐内容。其中,弹幕推荐内容为文本、图片、图标或者图文结合中的至少一种。
计算机设备获取从视频内容划分出的至少两个视频片段,以及各视频片段对应的弹幕信息、播放行为信息和用户信息后,通过预训练的点击率预测模型,基于弹幕信息、播放行为信息和用户信息提取各视频片段对应的弹幕特征、播放行为特征和用户特征,并确定各视频片段的点击率预测值弹幕信息、播放行为信息和用户信息。计算机设备进而从各视频片段的点击率预测值中,筛选符合推荐条件的点击率预测值。基于筛选出的点击率预测值对应的视频片段确定推荐时间点,并生成推荐时间点对应的弹幕推荐内容,进而在视频内容播放到推荐时间点时,在视频内容的弹幕区域播放推荐内容。
由于生成的弹幕推荐内容在推送时,是在视频内容的弹幕区域,随着其他的弹幕内容一起播放,因此在推送推荐内容时,能够有效降低用户对推荐内容的反感。由此能够在分析出的视频内容的推荐时间点精准地进行内容推荐,从而有效提高了信息的推送效率和推送精准度。
如图9所示,为一个实施例中在视频内容的弹幕区域播放弹幕推荐内容的界面示意图。参照图9,图9所展示的为视频内容的播放界面,其中,播放界面的底部为播放功能框,播放界面的上方区域为弹幕区域,参照图9中的902,播放界面的上方区域为字幕区域。例如,弹幕区域的弹幕内容包括:“从来没见过萤火虫”、“这是什么虫”、“小时候家乡田园里有好多”、“亮闪闪”等等。通过视频内容的画面和字幕信息可以看出视频内容为科普类的内容。通过基于各视频片段对应的弹幕特征、播放行为特征和用户特征进行结合分析,确定各视频片段的点击率预测值后。若当前视频画面为符合推荐条件的点击率预测值,则在视频内容播放到对应的推荐时间点时播放弹幕推荐内容。例如,弹幕推荐内容可以为“XXX,发现更有趣”。并在视频内容播放到对应的推荐时间点时,在弹幕区域播放该弹幕推荐内容。参照图9中的904,即为推送的弹幕推荐内容。通过结合弹幕特征、播放行为特征和用户特征分析出各视频片段的点击率预测值后,并确定视频内容中的推荐时间点后,生成与弹幕内容相关联的弹幕推荐内容,并在弹幕区域随其他弹幕内容进行播放推送,能够有效降低在视频内容中进行信息推送的反差效果和用户反感度,并且能够在分析出的视频内容的推荐时间点精准地进行内容推荐,从而有效提高了信息的推送效率和推送精准度。
在一个实施例中,点击率预测模型通过训练步骤训练获得,训练步骤包括:获取训练样本和训练标签;训练样本包括样本视频内容中,各样本视频片段对应的样本弹幕属性信息、样本播放行为信息和样本用户信息;训练标签是样本视频内容中的样本推荐内容的历史点击率;基于训练样本和训练标签训练点击率预测模型。
其中,点击率预测模型是利用训练样本数据训练得到的。通过点击率预测模型对视频内容进行处理之前,需要预先训练出所需的点击率预测模型。
其中,训练样本可以为历史时间段内的样本视频内容,样本视频内容中包括各样本视频片段对应的样本弹幕属性信息、样本播放行为信息和样本用户信息。即样本视频内容在过去一段时间内的弹幕属性信息、播放行为信息和用户信息。样本视频内容中包括了其在历史时间段内投放的历史样本推荐内容,样本视频内容中还包括了样本推荐内容在历史时间段内真实的历史点击率。
在训练点击率预测模型的过程中,将样本视频片段对应的样本弹幕属性信息、样本播放行为信息和样本用户信息作为用于训练的训练样本,将样本视频内容中样本推荐内容的历史点击率作为训练标签。训练标签用于对每次的训练结果进行调参等处理,以进一步训练和优化点击率预测模型。
训练样本可以是从预设样本库中获取的,也可以从各种平台中获取的,如视频播放网络、视频分享网络、各种网页等平台发布或分享的视频内容。还可以获取相应平台中浏览样本视频内容的用户信息。
具体地,计算机设备获取训练样本后,将训练样本中的样本弹幕属性信息、样本播放行为信息和样本用户信息,输入至预设的点击率预测模型中进行训练,并利用训练标签对点击率预测模型进行调参和优化,以训练出满足条件的点击率预测模型。通过利用训练样本和训练标签训练点击率预测模型,从而能够有效地获得具有预测能力的点击率预测模型。
在一个实施例中,如图10所示,为一个实施例中训练点击率预测模型的步骤,具体包括以下内容:
S1002,获取训练样本和训练标签;训练样本包括样本视频内容中,各样本视频片段对应的样本弹幕属性信息、样本播放行为信息和样本用户信息;训练标签是样本视频内容中的样本推荐内容的历史点击率。
S1004,通过点击率预测模型所包括的第一提取网络,提取样本弹幕属性信息的样本弹幕特征,以及样本播放行为信息的样本播放行为特征。
S1006,通过点击率预测模型所包括的第二提取网络,提取样本用户信息的样本用户特征。
S1008,通过点击率预测模型所包括的预测层,基于样本弹幕特征、样本播放行为特征和样本用户特征确定各样本视频片段的样本点击率。
S1010,基于样本点击率与训练标签的差异,调整点击率预测模型的参数并继续训练,直至满足训练条件时停止训练。
其中,点击率预测模型中包括第一提取网络和第二提取网络。第一提取网络具体可以为线性模型,第二提取网络具体可以为深度神经网络模型。具体可以将第一提取网络和第二提取网络分别作为点击率预测模型中的Encoder层(编码层)。
计算机设备将训练样本中的样本弹幕属性信息、样本播放行为信息和样本用户信息输入至预设的点击率预测模型后,通过点击率预测模型所包括的第一提取网络,对样本弹幕属性信息和样本播放行为信息进行特征提取,分别提取样本弹幕属性信息的样本弹幕特征,以及样本播放行为信息的样本播放行为特征。同时通过点击率预测模型所包括的第二提取网络,提取提取样本用户信息对应的样本用户特征。进一步通过点击率预测模型的预测层,样本弹幕特征、样本播放行为特征和样本用户特征,对样本视频内容中的样本推荐内容的点击率进行回归预测,得到各样本视频片段的样本点击率。进而基于样本点击率与样本标签的差异,调整点击率预测模型的参数并继续训练,直至满足训练条件时停止训练。
其中,样本点击率与效率标签的差异可以损失函数来衡量,例如可以选择平均绝对值损失函数(MAE)、平滑平均绝对误差(Huber损失)、交叉熵损失函数等函数作为损失函数。训练条件是结束模型训练的条件。训练停止条件可以是达到预设的迭代次数,或者是调整参数后的点击率预测模型的预测性能指标达到预设指标。
在其中一个实施例中,第一提取网络和第二提取网络的参数可以在训练点击率预测模型的过程中进行迁移学习,以对参数进行微调,比如可以采用Fine-tune(微调)方式。
计算机设备通过第一提取网络,可以快速准确地提取样本视频内容的样本弹幕特征和样本播放行为特征;通过第二提取网络,可以快速准确地提取样本视频内容的样本用户特征。基于样本弹幕特征、样本播放行为特征和样本用户特征进行点击率预测训练,得到样本点击率。计算机设备进而可以根据得到的样本点击率与训练标签的差异,逐步对点击率预测模型中的参数进行调整。由此在参数调整过程中,使得点击率预测模型能够同时结合样本弹幕特征、样本播放行为特征和样本用户特征,捕获样本视频内容与推荐内容的点击率之间的隐含关系。在基于点击率预测模型对视频内容中的推荐内容进行点击率预测时,得到了样本弹幕特征、样本播放行为特征和样本用户特征的多重指导,由此能够训练得到预测准确度较高的点击率预测模型,从而提高了视频内容中推荐内容的点击率预测的准确性。
在一个具体的实施例中,如图11所示,提供了一种具体的内容推荐方法,包括以下步骤:
S1102,获取从视频内容划分出的至少两个视频片段。
S1104,获取各视频片段对应的弹幕信息、播放行为信息和用户信息;弹幕信息包括弹幕内容和弹幕数值信息。
S1106,提取各弹幕内容对应的文本向量;对文本向量进行情感分析处理,获得各弹幕内容的内容情感特征值。
S1108,根据各弹幕内容的内容情感特征值,确定各视频片段对应的弹幕情感特征值,并根据弹幕情感特征值和弹幕数值信息,生成各视频片段的弹幕属性信息。
S1110,通过点击率预测模型所包括的第一提取网络,从弹幕属性信息中提取弹幕属性信息表示,并从播放行为信息中提取播放行为信息表示。
S1112,对弹幕属性信息表示和播放行为信息表示分别进行编码处理,得到弹幕特征和播放行为特征。
S1114,通过点击率预测模型所包括的第二提取网络,从用户信息中提取用户关联特征表示。
S1116,对用户关联特征表示进行特征编码,获得预设维度的用户特征。
S1118,通过点击率预测模型所包括的预测层,将弹幕特征、播放行为特征和用户特征进行特征融合,获得目标多模态特征;基于目标多模态特征确定各视频片段的点击率预测值。
S1120,从各视频片段的点击率预测值中,筛选符合推荐条件的点击率预测值。
S1122,基于筛选出的点击率预测值对应的视频片段确定推荐时间点。
S1124,获取推荐时间点对应的视频片段的弹幕内容;获取待推荐对象的描述信息。
S1126,对弹幕内容进行语义特征提取,获得弹幕语义特征。
S1128,基于弹幕语义特征和描述信息,生成推荐时间点对应的推荐内容。
S1130,在视频内容播放到推荐时间点时播放推荐内容。
本实施例中,通过预训练的点击率预测模型,基于各视频片段对应的弹幕特征、播放行为特征和用户特征,确定各视频片段的点击率预测值;由于弹幕特征、播放行为特征和用户特征可以反映用户的观影情绪、视频片段的浏览度以及主要用户群体。通过对各视频片段的弹幕特征、播放行为特征和用户特征进行结合分析,从而能够准确有效地分析出视频内容中比较适合进行内容推送的视频片段,由此能够精准地分析出各视频片段的点击率预测值。基于筛选出的点击率预测值对应的视频片段确定推荐时间点,并在视频内容播放到推荐时间点时播放推荐内容。由此能够在分析出的视频内容的推荐时间点精准地进行内容推荐,从而有效提高了信息的推送效率和推送精准度。
本申请还提供一种应用场景,该应用场景应用上述的内容推荐方法。具体地,该内容推荐方法在该应用场景的应用如下:
计算机设备获取待处理的视频内容后,从视频内容划分出的至少两个视频片段,以及各视频片段对应的弹幕信息、播放行为信息和用户信息后,通过预训练的点击率预测模型,基于弹幕信息、播放行为信息和用户信息提取各视频片段对应的弹幕特征、播放行为特征和用户特征,并确定各视频片段的点击率预测值弹幕信息、播放行为信息和用户信息。计算机设备进而从各视频片段的点击率预测值中,筛选符合推荐条件的点击率预测值。基于筛选出的点击率预测值对应的视频片段确定推荐时间点,并生成推荐时间点对应的推荐内容,并将推荐内容添加至视频内容的推荐时间点对应的位置。
其中,弹幕内容可以为预设格式的信息,例如文字、图形、图标、图文结合等格式。弹幕内容还包括预设的显示位置、显示形式和显示时长等属性信息。例如,显示形式包括角标、压屏条等形式。
当用户通过对应的用户终端浏览该视频内容时,加载视频内容后,在用户终端中播放该视频内容后,并在视频内容播放到推荐时间点时,在视频内容的预设位置按照相应的显示形式,在视频内容中以插播的方式播放该推荐内容。由此能够精准有效地在视频内容中进行内容推荐。
本申请还另外提供一种应用场景,该应用场景应用上述的内容推荐方法。具体地,该内容推荐方法在该应用场景的应用如下:
计算机设备获取待处理的视频内容后,从视频内容划分出的至少两个视频片段,以及各视频片段对应的弹幕信息、播放行为信息和用户信息后,通过预训练的点击率预测模型,基于弹幕信息、播放行为信息和用户信息提取各视频片段对应的弹幕特征、播放行为特征和用户特征,并确定各视频片段的点击率预测值弹幕信息、播放行为信息和用户信息。计算机设备进而从各视频片段的点击率预测值中,筛选符合推荐条件的点击率预测值。基于筛选出的点击率预测值对应的视频片段确定推荐时间点,并生成推荐时间点对应的弹幕推荐内容,并将弹幕推荐内容添加至视频内容的推荐时间点对应的位置。
当用户通过对应的用户终端浏览该视频内容时,加载视频内容后,且用户终端开启弹幕显示功能后,在视频内容播放到推荐时间点时,在视频内容的弹幕区域播放推荐内容。由此能够精准有效地在视频内容的弹幕区域进行内容推荐。
应该理解的是,虽然图2、7、8、11的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2、7、8、11中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图12所示,提供了一种内容推荐装置1200,该装置可以采用软件模块或硬件模块,或者是二者的结合成为计算机设备的一部分,该装置具体包括:信息获取模块1202、点击率预测模块1204、推荐处理模块1206和内容展示模块1208,其中:
信息获取模块1202,用于获取从视频内容划分出的至少两个视频片段;
点击率预测模块1204,用于通过预训练的点击率预测模型,基于各视频片段对应的弹幕特征、播放行为特征和用户特征,确定各视频片段的点击率预测值;
推荐处理模块1206,用于从各视频片段的点击率预测值中,筛选符合推荐条件的点击率预测值;基于筛选出的点击率预测值对应的视频片段确定推荐时间点;
内容展示模块1208,用于在视频内容播放到推荐时间点时播放推荐内容。
在一个实施例中,信息获取模块1202还用于获取各视频片段对应的弹幕信息、播放行为信息和用户信息;弹幕信息包括弹幕内容和弹幕数值信息;基于弹幕内容,确定各视频片段的弹幕情感特征值;根据弹幕情感特征值和弹幕数值信息,生成各视频片段的弹幕属性信息。
在一个实施例中,信息获取模块1202还用于提取各弹幕内容对应的文本向量;对文本向量进行情感分析处理,获得各弹幕内容的内容情感特征值;根据各弹幕内容的内容情感特征值,确定各视频片段对应的弹幕情感特征值。
在一个实施例中,点击率预测模块1204还用于通过点击率预测模型所包括的第一提取网络,基于弹幕属性信息和播放行为信息提取弹幕特征和播放行为特征;通过点击率预测模型所包括的第二提取网络,基于用户信息提取用户特征;通过点击率预测模型所包括的预测层,根据弹幕特征、播放行为特征和用户特征,确定各视频片段的点击率预测值。
在一个实施例中,点击率预测模块1204还用于通过第一提取网络,从弹幕属性信息中提取弹幕属性信息表示,并从播放行为信息中提取播放行为信息表示;对弹幕属性信息表示和播放行为信息表示分别进行编码处理,得到弹幕特征和播放行为特征。
在一个实施例中,点击率预测模块1204还用于通过第二提取网络,从用户信息中提取用户关联特征表示;对用户关联特征表示进行特征编码,获得预设维度的用户特征。
在一个实施例中,点击率预测模块1204还用于通过预测层,将弹幕特征、播放行为特征和用户特征进行特征融合,获得目标多模态特征;基于目标多模态特征确定各视频片段的点击率预测值。
在一个实施例中,如图13所示,上述内容推荐装置1200还包括内容生成模块1207,用于获取推荐时间点对应的视频片段的弹幕内容;基于弹幕内容,生成推荐时间点对应的推荐内容。
在一个实施例中,内容生成模块1207还用于获取待推荐对象的描述信息;对弹幕内容进行语义特征提取,获得弹幕语义特征;基于弹幕语义特征和描述信息,生成推荐时间点对应的推荐内容。
在一个实施例中,推荐内容为弹幕推荐内容;内容展示模块1208还用于在视频内容播放到推荐时间点时,在视频内容的弹幕区域播放弹幕推荐内容。
在一个实施例中,点击率预测模型通过训练步骤训练获得,如图14所示,上述内容推荐装置1200还包括模型训练模块1201,用于获取训练样本和训练标签;训练样本包括样本视频内容中,各样本视频片段对应的样本弹幕属性信息、样本播放行为信息和样本用户信息;训练标签是样本视频内容中的样本推荐内容的历史点击率;基于训练样本和训练标签训练点击率预测模型。
在一个实施例中,模型训练模块1201还用于通过点击率预测模型所包括的第一提取网络,提取样本弹幕属性信息的样本弹幕特征,以及样本播放行为信息的样本播放行为特征;通过点击率预测模型所包括的第二提取网络,提取样本用户信息的样本用户特征;通过点击率预测模型所包括的预测层,基于样本弹幕特征、样本播放行为特征和样本用户特征确定各样本视频片段的样本点击率;基于样本点击率与训练标签的差异,调整所述点击率预测模型的参数并继续训练,直至满足训练条件时停止训练。
关于内容推荐装置的具体限定可以参见上文中对于内容推荐方法的限定,在此不再赘述。上述内容推荐装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图15所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储视频内容、弹幕信息、播放行为信息、用户信息以及推荐内容等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种内容推荐方法。
本领域技术人员可以理解,图15中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,还提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,存储有计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (15)
1.一种内容推荐方法,其特征在于,所述方法包括:
获取从视频内容划分出的至少两个视频片段;
通过预训练的点击率预测模型,基于各所述视频片段对应的弹幕特征、播放行为特征和用户特征,确定各视频片段的点击率预测值;
从所述各视频片段的点击率预测值中,筛选符合推荐条件的点击率预测值;
基于筛选出的点击率预测值对应的视频片段确定推荐时间点;
在所述视频内容播放到所述推荐时间点时播放推荐内容。
2.根据权利要求1所述的方法,其特征在于,所述获取从视频内容划分出的至少两个视频片段之后,所述方法还包括:
获取各所述视频片段对应的弹幕信息、播放行为信息和用户信息;所述弹幕信息包括弹幕内容和弹幕数值信息;
基于所述弹幕内容,确定各视频片段的弹幕情感特征值;
根据所述弹幕情感特征值和所述弹幕数值信息,生成各视频片段的弹幕属性信息。
3.根据权利要求2所述的方法,其特征在于,所述基于所述弹幕内容,确定各视频片段的弹幕情感特征值,包括:
提取各所述弹幕内容对应的文本向量;
对所述文本向量进行情感分析处理,获得各弹幕内容的内容情感特征值;
根据所述各弹幕内容的内容情感特征值,确定各视频片段对应的弹幕情感特征值。
4.根据权利要求2所述的方法,其特征在于,所述通过预训练的点击率预测模型,基于各所述视频片段对应的弹幕特征、播放行为特征和用户特征,确定各视频片段的点击率预测值,包括:
通过所述点击率预测模型所包括的第一提取网络,基于所述弹幕属性信息和所述播放行为信息提取弹幕特征和播放行为特征;
通过所述点击率预测模型所包括的第二提取网络,基于所述用户信息提取用户特征;
通过所述点击率预测模型所包括的预测层,根据所述弹幕特征、所述播放行为特征和所述用户特征,确定各视频片段的点击率预测值。
5.根据权利要求4所述的方法,其特征在于,所述通过所述点击率预测模型所包括的第一提取网络,基于所述弹幕属性信息和所述播放行为信息提取弹幕特征和播放行为特征,包括:
通过所述第一提取网络,从所述弹幕属性信息中提取弹幕属性信息表示,并从所述播放行为信息中提取播放行为信息表示;
对所述弹幕属性信息表示和所述播放行为信息表示分别进行编码处理,得到弹幕特征和播放行为特征。
6.根据权利要求4所述的方法,其特征在于,所述通过所述点击率预测模型所包括的第二提取网络,基于所述用户信息提取用户特征,包括:
通过所述第二提取网络,从所述用户信息中提取用户关联特征表示;
对所述用户关联特征表示进行特征编码,获得预设维度的用户特征。
7.根据权利要求4所述的方法,其特征在于,所述通过所述点击率预测模型所包括的预测层,根据所述弹幕特征、所述播放行为特征和所述用户特征,确定各视频片段的点击率预测值,包括:
通过所述预测层,将所述弹幕特征、所述播放行为特征和所述用户特征进行特征融合,获得目标多模态特征;
基于所述目标多模态特征确定各视频片段的点击率预测值。
8.根据权利要求1所述的方法,其特征在于,在所述基于筛选出的点击率预测值对应的视频片段确定推荐时间点之后,所述方法还包括:
获取所述推荐时间点对应的视频片段的弹幕内容;
基于所述弹幕内容,生成所述推荐时间点对应的推荐内容。
9.根据权利要求8所述的方法,其特征在于,所述基于所述弹幕内容,确定所述推荐时间点对应的推荐内容,包括:
获取待推荐对象的描述信息;
对所述弹幕内容进行语义特征提取,获得弹幕语义特征;
基于所述弹幕语义特征和所述描述信息,生成所述推荐时间点对应的推荐内容。
10.根据权利要求1至9任一项所述的方法,其特征在于,所述推荐内容为弹幕推荐内容;
所述在所述视频内容播放到所述推荐时间点时播放推荐内容,包括:
在所述视频内容播放到所述推荐时间点时,在所述视频内容的弹幕区域播放弹幕推荐内容。
11.根据权利要求1至9任意一项所述的方法,其特征在于,所述点击率预测模型通过训练步骤训练获得,所述训练步骤包括:
获取训练样本和训练标签;所述训练样本包括样本视频内容中,各样本视频片段对应的样本弹幕属性信息、样本播放行为信息和样本用户信息;所述训练标签是所述样本视频内容中的样本推荐内容的历史点击率;
基于所述训练样本和所述训练标签训练点击率预测模型。
12.根据权利要求11所述的方法,其特征在于,所述基于所述训练样本和所述训练标签训练点击率预测模型,包括:
通过所述点击率预测模型所包括的第一提取网络,提取所述样本弹幕属性信息的样本弹幕特征,以及所述样本播放行为信息的样本播放行为特征;
通过所述点击率预测模型所包括的第二提取网络,提取所述样本用户信息的样本用户特征;
通过所述点击率预测模型所包括的预测层,基于所述样本弹幕特征、所述样本播放行为特征和所述样本用户特征确定各样本视频片段的样本点击率;
基于所述样本点击率与所述训练标签的差异,调整所述点击率预测模型的参数并继续训练,直至满足训练条件时停止训练。
13.一种内容推荐装置,其特征在于,所述装置包括:
信息获取模块,用于获取从视频内容划分出的至少两个视频片段;
点击率预测模块,用于通过预训练的点击率预测模型,基于各所述视频片段对应的弹幕特征、播放行为特征和用户特征,确定各视频片段的点击率预测值;
推荐处理模块,用于从所述各视频片段的点击率预测值中,筛选符合推荐条件的点击率预测值;基于筛选出的点击率预测值对应的视频片段确定推荐时间点;
内容展示模块,用于在所述视频内容播放到所述推荐时间点时播放推荐内容。
14.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至12中任一项所述的方法的步骤。
15.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至12中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010535054.3A CN111708941A (zh) | 2020-06-12 | 2020-06-12 | 内容推荐方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010535054.3A CN111708941A (zh) | 2020-06-12 | 2020-06-12 | 内容推荐方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111708941A true CN111708941A (zh) | 2020-09-25 |
Family
ID=72540409
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010535054.3A Pending CN111708941A (zh) | 2020-06-12 | 2020-06-12 | 内容推荐方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111708941A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112115300A (zh) * | 2020-09-28 | 2020-12-22 | 北京奇艺世纪科技有限公司 | 文本处理方法、装置、电子设备及可读存储介质 |
CN112308627A (zh) * | 2020-11-11 | 2021-02-02 | 陈炜炜 | 基于区块链和人工智能的广告数据接入方法及大数据中心 |
CN112423131A (zh) * | 2020-11-20 | 2021-02-26 | 广州欢网科技有限责任公司 | 一种节目推荐方法、系统、设备及存储介质 |
CN112565904A (zh) * | 2020-11-30 | 2021-03-26 | 北京达佳互联信息技术有限公司 | 视频片段推送方法、装置、服务器以及存储介质 |
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 |
CN113158052A (zh) * | 2021-04-23 | 2021-07-23 | 平安银行股份有限公司 | 聊天内容推荐方法、装置、计算机设备及存储介质 |
CN113254704A (zh) * | 2021-06-25 | 2021-08-13 | 北京视连通科技有限公司 | 结合弹幕理解和视频内容理解的精彩片段提取方法及系统 |
CN113468431A (zh) * | 2021-07-22 | 2021-10-01 | 咪咕数字传媒有限公司 | 基于用户行为的内容推荐方法及装置 |
CN114339283A (zh) * | 2021-12-27 | 2022-04-12 | 北京达佳互联信息技术有限公司 | 媒体资源数据处理方法、装置、设备以及存储介质 |
CN114554271A (zh) * | 2022-01-26 | 2022-05-27 | 北京达佳互联信息技术有限公司 | 一种信息推送及展示方法、装置、电子设备及存储介质 |
WO2023241527A1 (zh) * | 2022-06-15 | 2023-12-21 | 阿里巴巴(中国)有限公司 | 直播流处理方法、装置、设备及存储介质 |
-
2020
- 2020-06-12 CN CN202010535054.3A patent/CN111708941A/zh active Pending
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112115300A (zh) * | 2020-09-28 | 2020-12-22 | 北京奇艺世纪科技有限公司 | 文本处理方法、装置、电子设备及可读存储介质 |
CN112308627A (zh) * | 2020-11-11 | 2021-02-02 | 陈炜炜 | 基于区块链和人工智能的广告数据接入方法及大数据中心 |
CN112308627B (zh) * | 2020-11-11 | 2021-12-07 | 农夫铺子发展集团有限公司 | 基于区块链和人工智能的广告数据接入方法及大数据中心 |
CN112423131B (zh) * | 2020-11-20 | 2022-09-30 | 广州欢网科技有限责任公司 | 一种节目推荐方法、系统、设备及存储介质 |
CN112423131A (zh) * | 2020-11-20 | 2021-02-26 | 广州欢网科技有限责任公司 | 一种节目推荐方法、系统、设备及存储介质 |
CN112565904A (zh) * | 2020-11-30 | 2021-03-26 | 北京达佳互联信息技术有限公司 | 视频片段推送方法、装置、服务器以及存储介质 |
CN112565904B (zh) * | 2020-11-30 | 2023-05-09 | 北京达佳互联信息技术有限公司 | 视频片段推送方法、装置、服务器以及存储介质 |
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 |
CN113158052A (zh) * | 2021-04-23 | 2021-07-23 | 平安银行股份有限公司 | 聊天内容推荐方法、装置、计算机设备及存储介质 |
CN113254704A (zh) * | 2021-06-25 | 2021-08-13 | 北京视连通科技有限公司 | 结合弹幕理解和视频内容理解的精彩片段提取方法及系统 |
CN113468431A (zh) * | 2021-07-22 | 2021-10-01 | 咪咕数字传媒有限公司 | 基于用户行为的内容推荐方法及装置 |
CN114339283A (zh) * | 2021-12-27 | 2022-04-12 | 北京达佳互联信息技术有限公司 | 媒体资源数据处理方法、装置、设备以及存储介质 |
CN114554271A (zh) * | 2022-01-26 | 2022-05-27 | 北京达佳互联信息技术有限公司 | 一种信息推送及展示方法、装置、电子设备及存储介质 |
CN114554271B (zh) * | 2022-01-26 | 2024-01-19 | 北京达佳互联信息技术有限公司 | 一种信息推送及展示方法、装置、电子设备及存储介质 |
WO2023241527A1 (zh) * | 2022-06-15 | 2023-12-21 | 阿里巴巴(中国)有限公司 | 直播流处理方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111708941A (zh) | 内容推荐方法、装置、计算机设备和存储介质 | |
US10528821B2 (en) | Video segmentation techniques | |
CN111680219B (zh) | 内容推荐方法、装置、设备及可读存储介质 | |
CN111428088A (zh) | 视频分类方法、装置及服务器 | |
KR101944469B1 (ko) | 컴퓨터 실행 방법, 시스템 및 컴퓨터 판독 가능 매체 | |
CN111708915B (zh) | 内容推荐方法、装置、计算机设备和存储介质 | |
CN112740709A (zh) | 用于视频分析的门控模型 | |
CN110737783A (zh) | 一种推荐多媒体内容的方法、装置及计算设备 | |
CN112989209B (zh) | 内容推荐方法、装置和存储介质 | |
CN112989212B (zh) | 媒体内容推荐方法、装置和设备及计算机存储介质 | |
CN112948708A (zh) | 一种短视频推荐方法 | |
US20230140369A1 (en) | Customizable framework to extract moments of interest | |
CN111783712A (zh) | 一种视频处理方法、装置、设备及介质 | |
CN111954087B (zh) | 视频中图像的截取方法和装置、存储介质和电子设备 | |
CN111858969B (zh) | 多媒体数据推荐方法、装置、计算机设备和存储介质 | |
US10937428B2 (en) | Pose-invariant visual speech recognition using a single view input | |
CN115640449A (zh) | 媒体对象推荐方法、装置、计算机设备和存储介质 | |
US11010935B2 (en) | Context aware dynamic image augmentation | |
Vrochidis et al. | A multi-modal audience analysis system for predicting popularity of online videos | |
CN114845149B (zh) | 视频片段的剪辑方法、视频推荐方法、装置、设备及介质 | |
CN115905584B (zh) | 一种视频拆分方法及装置 | |
Kim et al. | Multi-Modal Deep Learning based Metadata Extensions for Video Clipping. | |
KR20230028838A (ko) | 개인 맞춤형 메이크업 큐레이션 서비스를 제공하는 컴퓨터 프로그램 | |
CN117221623A (zh) | 资源确定方法、装置、电子设备以及存储介质 | |
Fernández Chappotin | Design of a player-plugin for metadata visualization and intelligent navigation |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20221116 Address after: 1402, Floor 14, Block A, Haina Baichuan Headquarters Building, No. 6, Baoxing Road, Haibin Community, Xin'an Street, Bao'an District, Shenzhen, Guangdong 518100 Applicant after: Shenzhen Yayue Technology Co.,Ltd. Address before: 518000 Tencent Building, No. 1 High-tech Zone, Nanshan District, Shenzhen City, Guangdong Province, 35 Floors Applicant before: TENCENT TECHNOLOGY (SHENZHEN) Co.,Ltd. |
|
TA01 | Transfer of patent application right |