CN111726653A - 视频管理方法及设备、电子设备和介质 - Google Patents

视频管理方法及设备、电子设备和介质 Download PDF

Info

Publication number
CN111726653A
CN111726653A CN202010601529.4A CN202010601529A CN111726653A CN 111726653 A CN111726653 A CN 111726653A CN 202010601529 A CN202010601529 A CN 202010601529A CN 111726653 A CN111726653 A CN 111726653A
Authority
CN
China
Prior art keywords
video
heat
smearing
target
feedback information
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
CN202010601529.4A
Other languages
English (en)
Other versions
CN111726653B (zh
Inventor
张继丰
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 Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom 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 Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202010601529.4A priority Critical patent/CN111726653B/zh
Publication of CN111726653A publication Critical patent/CN111726653A/zh
Application granted granted Critical
Publication of CN111726653B publication Critical patent/CN111726653B/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]
    • H04N21/20—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
    • H04N21/234—Processing of video elementary streams, e.g. splicing of video streams or manipulating encoded video stream scene graphs
    • H04N21/23418—Processing of video elementary streams, e.g. splicing of video streams or manipulating encoded video stream scene graphs involving operations for analysing video streams, e.g. detecting features or characteristics
    • 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]
    • H04N21/20—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
    • H04N21/258—Client or end-user data management, e.g. managing client capabilities, user preferences or demographics, processing of multiple end-users preferences to derive collaborative data
    • H04N21/25866—Management of end-user data
    • H04N21/25891—Management of end-user data being end-user preferences
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Computing Systems (AREA)
  • Computer Graphics (AREA)
  • Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)

Abstract

本公开提供一种视频管理方法及设备、电子设备和介质，涉及多媒体技术领域，尤其涉及视频理解技术领域。所述视频管理方法包括：建立蹭热度用户库；确定目标视频是否为蹭热度视频；以及响应于确定所述目标视频为蹭热度视频，将所述蹭热度视频推送给所述蹭热度用户库中的蹭热度用户，而不推送给非蹭热度用户。

Description

视频管理方法及设备、电子设备和介质
技术领域
本公开涉及多媒体技术领域，尤其涉及视频理解技术领域，特别涉及一种视频管理方法及设备、电子设备和介质。
背景技术
随着视频平台的发展，原创作者数量增长迅速，如何加强视频质量管理成为视频平台的关键难题。各种热点视频的发布增加了视频平台用户的活跃度与参与度，但是，针对某个话题视频平台并没有设立明显的限定，平台用户都可以上传与话题相关的视频，导致视频平台上可能有大量无关紧要的蹭热度视频。若用户想看高质量的热点视频，大量的蹭热度视频将非常影响用户的体验。
在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明，否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地，除非另有指明，否则此部分中提及的问题不应认为在任何现有技术中已被公认。
发明内容
根据本公开的一方面，提供一种视频管理方法，包括：建立蹭热度用户库；确定目标视频是否为蹭热度视频；以及响应于确定所述目标视频为蹭热度视频，将所述蹭热度视频推送给所述蹭热度用户库中的蹭热度用户，而不推送给非蹭热度用户。
根据本公开的另一方面，还提供一种视频管理设备，包括：蹭热度用户库；确定单元，被配置用于确定目标视频是否为蹭热度视频；推送单元，被配置用于响应于确定所述目标视频为蹭热度视频，将所述蹭热度视频推送给所述蹭热度用户库中的蹭热度用户，而不推送给非蹭热度用户。
根据本公开的另一方面，还提供一种电子设备，包括：处理器；以及存储程序的存储器，所述程序包括指令，所述指令在由所述处理器执行时使所述处理器执行根据上述的视频管理方法。
根据本公开的另一方面，还提供一种存储程序的计算机可读存储介质，所述程序包括指令，所述指令在由电子设备的处理器执行时，致使所述电子设备执行根据上述的视频管理方法。
附图说明
附图示例性地示出了实施例并且构成说明书的一部分，与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的，并不限制权利要求的范围。在所有附图中，相同的附图标记指代类似但不一定相同的要素。
图1是示出根据示例性实施例的视频管理方法的流程图；
图2是示出根据示例性实施例的确定目标视频是否为蹭热度视频的方法流程图；
图3是示出根据示例性实施例的视频管理方法的流程图；
图4是示出根据示例性实施例的视频管理设备的组成框图；
图5是示出能够应用于示例性实施例的示例性计算设备的结构框图。
具体实施方式
在本公开中，除非另有说明，否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系，这种术语只是用于将一个元件与另一元件区分开。在一些示例中，第一要素和第二要素可以指向该要素的同一实例，而在某些情况下，基于上下文的描述，它们也可以指代不同实例。
在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的，而并非旨在进行限制。除非上下文另外明确地表明，如果不特意限定要素的数量，则该要素可以是一个也可以是多个。此外，本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。
相关技术中，视频平台(例如，好看视频)的所有用户都可以上传视频。存在蹭热度用户，他们会上传与某个热点话题(例如，娱乐热点话题)相关的蹭热度视频。但是，这些蹭热度视频通常只有名称与热点话题相关，视频中的具体内容基本与热点话题完全无关。而这样的蹭热度视频数量可观，若用户想看高质量的热点视频，大量的蹭热度视频将非常影响用户的体验。
为了解决上述技术问题，本公开通过建立蹭热度用户库，响应于确定目标视频为蹭热度视频，将蹭热度视频推送给蹭热度用户库中的蹭热度用户，而不推送给非蹭热度用户。由此，能够为非蹭热度的普通用户屏蔽掉蹭热度视频，克服大量的蹭热度视频会影响普通用户体验的问题。同时，通过建立蹭热度用户库，能够将蹭热度用户推送给蹭热度用户，满足蹭热度用户的蹭热度需求，使得蹭热度视频也能够获得相应的转发、点赞或评论等。
以下将结合附图对本公开的视频管理方法进行进一步描述。
图1是示出根据本公开示例性实施例的视频管理方法的流程图。如图1所示，所述视频管理方法可以包括：步骤S101、建立蹭热度用户库；步骤S102、确定目标视频是否为蹭热度视频；以及步骤S103、响应于确定所述目标视频为蹭热度视频，将所述蹭热度视频推送给所述蹭热度用户库中的蹭热度用户，而不推送给非蹭热度用户。
根据一些实施例，所述视频管理方法还可以包括：响应于确定所述目标视频为蹭热度视频，将上传所述目标视频的用户确定为蹭热度用户，并添加到所述蹭热度用户库中。从而能够不断更新蹭热度用户库。也可以获取蹭热度视频的反馈信息(例如可以包括以下中的至少其中之一：弹幕、评论、点击和转发等)，可以根据蹭热度视频的反馈信息确定发布该反馈信息的用户是否为蹭热度用户，并添加到所述蹭热度用户库中。例如，可以将转发蹭热度视频的次数大于设定次数的用户确定为蹭热度用户，也可以将对蹭热度视频的评论数量大于设定数量的用户确定为蹭热度用户。
根据一些实施例，如图2所示，步骤S102、确定目标视频是否为蹭热度视频可以包括：步骤S1021、确定所述目标视频的第一蹭热度级别；步骤S1022、将所述目标视频推送给视频平台的所有用户；步骤S1023、基于所述第一蹭热度级别，确定所述目标视频是否具有蹭热度风险；步骤S1024、响应于确定所述目标视频具有蹭热度风险，获取所述目标视频的多条目标反馈信息；步骤S1025、基于所述多条目标反馈信息确定所述目标视频的第二蹭热度级别；以及步骤S1026、基于所述第一蹭热度级别和第二蹭热度级别，确定所述目标视频是否为蹭热度视频。由此，通过初步确定目标视频是否有蹭热度风险，然后仅针对具有蹭热度风险的目标视频基于相应的用户反馈信息再次确定其蹭热度等级，从而能够提高蹭热度视频的识别效率。通过结合两次识别结果来确定目标视频是否为蹭热度视频，能够提高蹭热度视频的识别准确性。另外，通过将目标视频推送给视频平台的所有用户(包括蹭热度用户和普通用户)，能够快速获取客观的、并且数量足够多的用户反馈信息，从而能够快速、准确地再次确定目标视频的第二蹭热度级别，能够提高蹭热度视频的识别准确性。
步骤S1021可以但不限于在推送目标视频之前执行。根据一些实施例，可响应于接收到上传至视频平台的目标视频，执行步骤S1021。从而能够在较短时间内完成对目标视频是否为蹭热度视频的识别，进一步减小对普通用户的影响。可以理解的是，所述目标视频也可以从视频数据库中获得。
发明人意识到，视频特征能够表征该视频是否具有蹭热度风险。例如，当视频中的存在面积较大的人脸区域时，该视频具有较高的蹭热度风险，而当视频中的人脸区域较小时，该视频具有较低的蹭热度风险；当视频中的人脸区域始终位于视频的中心位置时，该视频具有较高的蹭热度风险，而当视频中存在不相邻的两个视频帧中人脸区域的位置不同时，该视频具有较低的蹭热度风险。当视频中的字幕或音频相应的文本包括热点话题的关键词时，该视频具有较高的蹭热度风险，而当视频中的字幕或音频相应的文本不包括热点话题的关键词时，该视频具有较低的蹭热度风险。
基于此，根据一些实施例，步骤S1021、确定所述目标视频的第一蹭热度级别可以包括：获取所述目标视频所包括的多个视频特征，所述多个视频特征能够表征所述目标视频是否具有蹭热度风险；基于所述多个视频特征来确定所述目标视频的所述第一蹭热度级别。由此，能够根据目标视频的视频特征来初步确定目标视频是否具有蹭热度风险。
本公开中获取的目标视频所包括的多个视频特征为能够表征所述目标视频是否具有蹭热度风险的蹭热度视频特征。
在一个示例性实施例中，步骤S1021中获取所述目标视频所包括的多个视频特征可以包括：将所述目标视频输入视频理解模型，获取所述视频理解模型输出的所述目标视频所包括的多个视频特征以及每一个所述视频特征相应的蹭热度分数。在这种情况下，所述目标视频的所述第一蹭热度级别为基于所述多个视频特征以及相应的蹭热度分数来确定。由此，通过神经网络网络模型能够快速获取目标视频所包括的视频特征以及每一个视频特征对蹭热度风险的贡献，提高蹭热度视频的识别效率。所述蹭热度分数能够表征相应的视频特征对目标视频是否具有蹭热度风险的贡献。例如，视频特征的蹭热度分数越高，包括该视频特征的目标视频的蹭热度风险越高。需要说明的是，在此不限定仅能利用视频理解模型来获取目标视频所包括的多个视频特征。
所述视频理解模型例如可以为飞浆TSM(Temporal Shift Module)模型。
根据一些实施例，所述视频理解模型的训练过程可以包括：获取包括蹭热度视频特征的样本图像，并在所述样本图像中标记蹭热度视频特征以及相应的标记蹭热度分数；将所述样本图像输入所述视频理解模型，输出所述样本图像所包括的视频特征以及相应的预测蹭热度分数；利用损失函数计算所述视频理解模型输出的视频特征以及相应的预测蹭热度分数与所述样本图像中标记的蹭热度视频特征以及相应的标记蹭热度分数之间的损失值；以及基于所述损失值调整所述视频理解模型的参数。可以进行迭代，直至计算得到的损失值满足要求，完成所述视频理解模型的训练。
根据一些实施例，可以但不限于为目标视频所包括的多个视频特征中的每一个视频特征设定相应的权重，将每一个视频特征的蹭热度分数乘以相应的权重得到乘积，然后对所述多个视频特征相应的乘积进行求和，得到第一加权和。可以基于第一加权和来确定目标视频的蹭热度级别。例如，当得到的所述第一加权和小于第二阈值时，可以设定目标视频的蹭热度级别为一级；当得到的所述第一加权和不小于第二阈值并且小于第三阈值时，可以设定目标视频的蹭热度级别为二级；当得到的所述第一加权和不小于第三阈值时，可以设定目标视频的蹭热度级别为三级。在目标视频的蹭热度级别为一级的情况下，可以确定目标视频不具有蹭热度风险。而在目标视频的蹭热度级别为二级或三级的情况下，可以确定目标视频具有蹭热度风险。
需要说明的是，上述仅是举例说明如何基于目标视频所包括的多个视频特征以及相应的蹭热度分数来确定第一蹭热度级别，相应地，如何基于所述第一蹭热度级别来确定目标视频是否具有蹭热度风险，并不是一种限定。例如，也可以基于最大的蹭热度分数来确定目标视频的第一蹭热度级别。
上述技术方案基于目标视频所包括的多个视频特征来确定目标视频的第一蹭热度级别，从而能够提高识别效率。当然，也可以利用其它方式来确定目标视频的第一蹭热度级别，以初步确定目标视频是否具有蹭热度风险，在此不作限定。
根据一些实施例，所述视频管理方法还可以包括：响应于确定所述目标视频具有蹭热度风险，在推送所述目标视频一段时间之后，确定所述目标视频的反馈信息的数量是否不小于设定的阈值。在这种情况下，步骤S1024、获取所述目标视频的多条目标反馈信息包括：响应于确定所述目标视频的反馈信息的数量不小于设定的第一阈值，基于所述目标视频的多条反馈信息确定所述多条目标反馈信息。从而能够保证目标视频的反馈信息数量足够多，提高蹭热度视频的识别准确性。
所述目标反馈信息可以但不限于为关键词。
所述目标视频例如也可以仅推送给视频平台的所有普通用户。从而能够仅基于普通用户的反馈信息来确定目标视频的第二蹭热度级别，能够获取比较客观的反馈信息，克服蹭热度用户可能不客观的反馈信息对识别结果的影响，提高确定第二蹭热度级别的效率和准确性。
可以基于目标视频的所有反馈信息来确定目标反馈信息，能够使得确定的目标反馈信息更加准确得表征用户的意思表示。也可以仅基于目标视频的所有反馈信息中的一部分来确定目标反馈信息，能够减少处理的数据量，提高识别效率。
根据一些实施例，步骤S1024中基于所述目标视频的多条反馈信息确定所述多条目标反馈信息可以包括：对所述多条反馈信息进行语义匹配；基于语义匹配结果将所述多条反馈信息划分为多个反馈信息组；将所述多个反馈信息组中所包括反馈信息的数量大于设定的第二阈值的多个反馈信息组确定为目标反馈信息组；以及基于每一个所述目标反馈信息组中的多条反馈信息确定该目标组反馈信息相应的所述目标反馈信息。由此，通过基于语义相似且数量较多的反馈信息来确定多条目标反馈信息，能够提高蹭热度视频的识别准确性，并提高识别效率。
根据一些实施例，步骤S1025、基于所述多条目标反馈信息确定所述目标视频的第二蹭热度级别包括：将所述多条目标反馈信息输入分类模型，获取所述分类模型输出的所述目标视频的第二蹭热度级别。从而能够利用神经网络模型，基于多条目标反馈信息快速确定目标视频的第二蹭热度级别。可以理解的是，也可以利用其它方式(例如支持向量机分类器)来基于多条目标反馈信息快速确定目标视频的第二蹭热度级别，在此不作限定。
根据一些实施例，在所述第一蹭热度级别包括一级、二级和三级的情况下，所述第二蹭热度级别可以但不限于包括一级、二级、三级和四级。需要说明的是，在此仅是举例说明，可以根据实际需要来划分第一蹭热度级别和第二蹭热度级别的级别，只要能够实现基于第一蹭热度级别和第二蹭热度级别来确定目标视频是否为蹭热度视频即可。
所述分类模型例如可以为基于规则的分类模型、基于概率的分类模型、基于几何的分类模型或基于统计的分类模型。
在确定目标视频的第二蹭热度级别之后，可以基于初步确定的第一蹭热度级别和所述第二蹭热度级别来确定具有蹭热度风险的目标视频是否为蹭热度视频。
根据一些实施例，步骤S1026可以包括：确定所述第二蹭热度级别是否大于所述第一蹭热度级别；响应于确定所述第二蹭热度级别大于所述第一蹭热度级别，确定所述目标视频为蹭热度视频。从而能够结合两次识别结果来确定目标视频是否为蹭热度视频，提高蹭热度视频的识别准确性。
可以理解的是，也可以利用其它方式来结合两次识别结果，以确定目标视频是否为蹭热度视频。例如，可以为第一蹭热度级别和第二蹭热度级别设定相应的权重，可以对第一蹭热度级别与相应的权重的乘积和第二蹭热度级别与相应的权重的乘积进行求和，得到第二加权和。然后可以基于所述第二加权和来确定所述目标视频是否为蹭热度视频。例如，当所述第二加权和大于设定值时，可以确定所述目标视频为蹭热度视频。
根据一些实施例，如图3所示，所述视频管理方法还可以包括：步骤S301、建立蹭热度视频库，从而能够将蹭热度视频库中的蹭热度视频推送给蹭热度用户库中的蹭热度用户，以满足蹭热度用户的蹭热度需求。在这种情况下，根据一些实施例，所述视频管理方法还可以包括：步骤S302、响应于确定所述目标视频为蹭热度视频，将所述蹭热度视频添加到蹭热度视频库中。从而能够不断更新蹭热度视频库。
根据本公开的另一方面，还提供一种视频管理设备。如图4所示，视频管理设备100可以包括：蹭热度用户库101；确定单元102，被配置用于确定目标视频是否为蹭热度视频；推送单元103，被配置用于响应于确定所述目标视频为蹭热度视频，将所述蹭热度视频推送给所述蹭热度用户库中的蹭热度用户，而不推送给非蹭热度用户。
这里，视频管理设备100的上述各单元101-103的操作分别与前面描述的步骤S101-S103的操作类似，在此不再赘述。
根据本公开的另一方面，还提供一种电子设备，可以包括：处理器；以及存储程序的存储器，所述程序包括指令，所述指令在由所述处理器执行时使所述处理器执行根据上述的视频管理方法。
根据本公开的另一方面，还提供一种存储程序的计算机可读存储介质，所述程序包括指令，所述指令在由电子设备的处理器执行时，致使所述电子设备执行根据上述的视频管理方法。
参见图5所示，现将描述计算设备2000，其是可以应用于本公开的各方面的硬件设备(电子设备)的示例。计算设备2000可以是被配置为执行处理和/或计算的任何机器，可以是但不限于工作站、服务器、台式计算机、膝上型计算机、平板计算机、个人数字助理、机器人、智能电话、车载计算机或其任何组合。上述视频管理方法可以全部或至少部分地由计算设备2000或类似设备或系统实现。
计算设备2000可以包括(可能经由一个或多个接口)与总线2002连接或与总线2002通信的元件。例如，计算设备2000可以包括总线2002、一个或多个处理器2004、一个或多个输入设备2006以及一个或多个输出设备2008。一个或多个处理器2004可以是任何类型的处理器，并且可以包括但不限于一个或多个通用处理器和/或一个或多个专用处理器(例如特殊处理芯片)。输入设备2006可以是能向计算设备2000输入信息的任何类型的设备，并且可以包括但不限于鼠标、键盘、触摸屏、麦克风和/或遥控器。输出设备2008可以是能呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。计算设备2000还可以包括非暂时性存储设备2010或者与非暂时性存储设备2010连接，非暂时性存储设备可以是非暂时性的并且可以实现数据存储的任何存储设备，并且可以包括但不限于磁盘驱动器、光学存储设备、固态存储器、软盘、柔性盘、硬盘、磁带或任何其他磁介质，光盘或任何其他光学介质、ROM(只读存储器)、RAM(随机存取存储器)、高速缓冲存储器和/或任何其他存储器芯片或盒、和/或计算机可从其读取数据、指令和/或代码的任何其他介质。非暂时性存储设备2010可以从接口拆卸。非暂时性存储设备2010可以具有用于实现上述方法和步骤的数据/程序(包括指令)/代码。计算设备2000还可以包括通信设备2012。通信设备2012可以是使得能够与外部设备和/或与网络通信的任何类型的设备或系统，并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信设备和/或芯片组，例如蓝牙TM设备、1302.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。
计算设备2000还可以包括工作存储器2014，其可以是可以存储对处理器2004的工作有用的程序(包括指令)和/或数据的任何类型的工作存储器，并且可以包括但不限于随机存取存储器和/或只读存储器设备。
软件要素(程序)可以位于工作存储器2014中，包括但不限于操作系统2016、一个或多个应用程序2018、驱动程序和/或其他数据和代码。用于执行上述方法和步骤的指令可以被包括在一个或多个应用程序2018中，并且上述视频管理方法可以通过由处理器2004读取和执行一个或多个应用程序2018的指令来实现。更具体地，上述视频管理方法中，步骤S101-步骤S103可以例如通过处理器2004执行具有步骤S101-步骤S103的指令的应用程序2018而实现。此外，上述视频管理方法中的其它步骤可以例如通过处理器2004执行具有执行相应步骤中的指令的应用程序2018而实现。软件要素(程序)的指令的可执行代码或源代码可以存储在非暂时性计算机可读存储介质(例如上述存储设备2010)中，并且在执行时可以被存入工作存储器2014中(可能被编译和/或安装)。软件要素(程序)的指令的可执行代码或源代码也可以从远程位置下载。
还应该理解，可以根据具体要求而进行各种变型。例如，也可以使用定制硬件，和/或可以用硬件、软件、固件、中间件、微代码，硬件描述语言或其任何组合来实现特定元件。例如，所公开的方法和设备中的一些或全部可以通过使用根据本公开的逻辑和算法，用汇编语言或硬件编程语言(诸如VERILOG，VHDL，C++)对硬件(例如，包括现场可编程门阵列(FPGA)和/或可编程逻辑阵列(PLA)的可编程逻辑电路)进行编程来实现。
还应该理解，前述方法可以通过服务器-客户端模式来实现。例如，客户端可以接收用户输入的数据并将所述数据发送到服务器。客户端也可以接收用户输入的数据，进行前述方法中的一部分处理，并将处理所得到的数据发送到服务器。服务器可以接收来自客户端的数据，并且执行前述方法或前述方法中的另一部分，并将执行结果返回给客户端。客户端可以从服务器接收到方法的执行结果，并例如可以通过输出设备呈现给用户。
还应该理解，计算设备2000的组件可以分布在网络上。例如，可以使用一个处理器执行一些处理，而同时可以由远离该一个处理器的另一个处理器执行其他处理。计算系统2000的其他组件也可以类似地分布。这样，计算设备2000可以被解释为在多个位置执行处理的分布式计算系统。
虽然已经参照附图描述了本公开的实施例或示例，但应理解，上述的方法、系统和设备仅仅是示例性的实施例或示例，本发明的范围并不由这些实施例或示例限制，而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外，可以通过不同于本公开中描述的次序来执行各步骤。进一步地，可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进，在此描述的很多要素可以由本公开之后出现的等同要素进行替换。

Claims (15)

1.一种视频管理方法，包括：
建立蹭热度用户库；
确定目标视频是否为蹭热度视频；以及
响应于确定所述目标视频为蹭热度视频，将所述蹭热度视频推送给所述蹭热度用户库中的蹭热度用户，而不推送给非蹭热度用户。
2.如权利要求1所述的视频管理方法，其中，确定目标视频是否为蹭热度视频包括：
确定所述目标视频的第一蹭热度级别；
将所述目标视频推送给视频平台的所有用户；
基于所述第一蹭热度级别，确定所述目标视频是否具有蹭热度风险；
响应于确定所述目标视频具有蹭热度风险，获取所述目标视频的多条目标反馈信息；
基于所述多条目标反馈信息确定所述目标视频的第二蹭热度级别；以及
基于所述第一蹭热度级别和第二蹭热度级别，确定所述目标视频是否为蹭热度视频。
3.如权利要求2所述的视频管理方法，其中，确定所述目标视频的第一蹭热度级别包括：
获取所述目标视频所包括的多个视频特征，所述多个视频特征能够表征所述目标视频是否具有蹭热度风险；
基于所述多个视频特征来确定所述目标视频的所述第一蹭热度级别。
4.如权利要求3所述的视频管理方法，其中，获取所述目标视频所包括的多个视频特征包括：
将所述目标视频输入视频理解模型，获取所述视频理解模型输出的所述目标视频所包括的多个视频特征以及每一个所述视频特征相应的蹭热度分数，
其中，所述目标视频的所述第一蹭热度级别为基于所述多个视频特征以及相应的蹭热度分数来确定。
5.如权利要求4所述的视频管理方法，其中，所述视频理解模型的训练过程包括：
获取包括蹭热度视频特征的样本图像，并在所述样本图像中标记蹭热度视频特征以及相应的标记蹭热度分数；
将所述样本图像输入所述视频理解模型，输出所述样本图像所包括的视频特征以及相应的预测蹭热度分数；
利用损失函数计算所述视频理解模型输出的视频特征以及相应的预测蹭热度分数与所述样本图像中标记的蹭热度视频特征以及相应的标记蹭热度分数之间的损失值；以及
基于所述损失值调整所述视频理解模型的参数。
6.如权利要求2所述的视频管理方法，所述视频管理方法还包括：
响应于确定所述目标视频具有蹭热度风险，在推送所述目标视频一段时间之后，确定所述目标视频的反馈信息的数量是否不小于设定的阈值，
其中，获取所述目标视频的多条目标反馈信息包括：
响应于确定所述目标视频的反馈信息的数量不小于设定的第一阈值，基于所述目标视频的多条反馈信息确定所述多条目标反馈信息。
7.如权利要求6所述的视频管理方法，其中，基于所述目标视频的多条反馈信息确定所述多条目标反馈信息包括：
对所述多条反馈信息进行语义匹配；
基于语义匹配结果将所述多条反馈信息划分为多个反馈信息组；
将所述多个反馈信息组中所包括反馈信息的数量大于设定的第二阈值的多个反馈信息组确定为目标反馈信息组；以及
基于每一个所述目标反馈信息组中的多条反馈信息确定该目标组反馈信息相应的所述目标反馈信息。
8.如权利要求2所述的视频管理方法，其中，基于所述多条目标反馈信息确定所述目标视频的第二蹭热度级别包括：
将所述多条目标反馈信息输入分类模型，获取所述分类模型输出的所述目标视频的第二蹭热度级别。
9.如权利要求2所述的视频管理方法，其中，基于所述第一蹭热度级别和第二蹭热度级别，确定所述目标视频是否为蹭热度视频包括：
确定所述第二蹭热度级别是否大于所述第一蹭热度级别；
响应于确定所述第二蹭热度级别大于所述第一蹭热度级别，确定所述目标视频为蹭热度视频。
10.如权利要求2所述的视频管理方法，所述视频管理方法还包括：
响应于确定所述目标视频为蹭热度视频，将上传所述目标视频的用户确定为蹭热度用户，并添加到所述蹭热度用户库中。
11.如权利要求2所述的视频管理方法，所述视频管理方法还包括：
建立蹭热度视频库；
响应于确定所述目标视频为蹭热度视频，将所述蹭热度视频添加到蹭热度视频库中。
12.如权利要求2所述的视频管理方法，其中，确定所述目标视频的第一蹭热度级别为在推送所述目标视频之前执行。
13.一种视频管理设备，包括：
蹭热度用户库；
确定单元，被配置用于确定目标视频是否为蹭热度视频；
推送单元，被配置用于响应于确定所述目标视频为蹭热度视频，将所述蹭热度视频推送给所述蹭热度用户库中的蹭热度用户，而不推送给非蹭热度用户。
14.一种电子设备，包括：
处理器；以及
存储程序的存储器，所述程序包括指令，所述指令在由所述处理器执行时使所述处理器执行根据权利要求1-12中任一项所述的视频管理方法。
15.一种存储程序的计算机可读存储介质，所述程序包括指令，所述指令在由电子设备的处理器执行时，致使所述电子设备执行根据权利要求1-12中任一项所述的视频管理方法。
CN202010601529.4A 2020-06-28 2020-06-28 视频管理方法及设备、电子设备和介质 Active CN111726653B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010601529.4A CN111726653B (zh) 2020-06-28 2020-06-28 视频管理方法及设备、电子设备和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010601529.4A CN111726653B (zh) 2020-06-28 2020-06-28 视频管理方法及设备、电子设备和介质

Publications (2)

Publication Number Publication Date
CN111726653A true CN111726653A (zh) 2020-09-29
CN111726653B CN111726653B (zh) 2023-07-14

Family

ID=72569335

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010601529.4A Active CN111726653B (zh) 2020-06-28 2020-06-28 视频管理方法及设备、电子设备和介质

Country Status (1)

Country Link
CN (1) CN111726653B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107491436A (zh) * 2017-08-21 2017-12-19 北京百度网讯科技有限公司 一种标题党识别方法和装置、服务器、存储介质
CN108429920A (zh) * 2018-02-06 2018-08-21 北京奇虎科技有限公司 一种处理标题党视频的方法和装置
CN108460106A (zh) * 2018-02-06 2018-08-28 北京奇虎科技有限公司 一种识别广告视频的方法和装置
CN109684513A (zh) * 2018-12-14 2019-04-26 北京奇艺世纪科技有限公司 一种低质量视频识别方法及装置
CN110598046A (zh) * 2019-09-17 2019-12-20 腾讯科技（深圳）有限公司 一种基于人工智能的标题党识别方法和相关装置
US20200202071A1 (en) * 2017-08-29 2020-06-25 Factmata Limited Content scoring

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107491436A (zh) * 2017-08-21 2017-12-19 北京百度网讯科技有限公司 一种标题党识别方法和装置、服务器、存储介质
US20200202071A1 (en) * 2017-08-29 2020-06-25 Factmata Limited Content scoring
CN108429920A (zh) * 2018-02-06 2018-08-21 北京奇虎科技有限公司 一种处理标题党视频的方法和装置
CN108460106A (zh) * 2018-02-06 2018-08-28 北京奇虎科技有限公司 一种识别广告视频的方法和装置
CN109684513A (zh) * 2018-12-14 2019-04-26 北京奇艺世纪科技有限公司 一种低质量视频识别方法及装置
CN110598046A (zh) * 2019-09-17 2019-12-20 腾讯科技（深圳）有限公司 一种基于人工智能的标题党识别方法和相关装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
彭培培: "短视频传播中的伦理失范现象及改善对策", 《传播与版权》 *

Also Published As

Publication number Publication date
CN111726653B (zh) 2023-07-14

Similar Documents

Publication Publication Date Title
CN110321422B (zh) 在线训练模型的方法、推送方法、装置以及设备
US11526799B2 (en) Identification and application of hyperparameters for machine learning
GB2547068B (en) Semantic natural language vector space
US20150331932A1 (en) Techniques for generating a clustered representation of a network based on node data
JP2020149686A (ja) 画像処理方法、装置、サーバ及び記憶媒体
CN110084317B (zh) 用于识别图像的方法和装置
US11789980B2 (en) Method, system, and non-transitory computer readable record medium for providing multi profile
WO2022148186A1 (zh) 行为序列数据处理方法及装置
US20180330279A1 (en) Computer-readable recording medium, learning method, and learning apparatus
US20160012318A1 (en) Adaptive featurization as a service
CN112241327A (zh) 分享信息处理方法、装置、存储介质与电子设备
US11328732B2 (en) Generating summary text compositions
US10346700B1 (en) Object recognition in an adaptive resource management system
US10867255B2 (en) Efficient annotation of large sample group
CN112990625A (zh) 标注任务的分配方法、装置及服务器
Gao et al. Learning to respond with your favorite stickers: A framework of unifying multi-modality and user preference in multi-turn dialog
CN113011531A (zh) 分类模型训练方法、装置、终端设备及存储介质
WO2016077103A1 (en) Automatic selection of images for an application
CN109685091B (zh) 使用贝叶斯方式的数字体验目标确定
CN111726653B (zh) 视频管理方法及设备、电子设备和介质
US9418343B2 (en) Multistage learner for efficiently boosting large datasets
JP2018028866A (ja) 説明文生成方法、説明文生成モデル学習方法、及びプログラム
KR102430989B1 (ko) 인공지능 기반 콘텐츠 카테고리 예측 방법, 장치 및 시스템
CN115470190A (zh) 一种多存储池数据分类存储方法、系统与电子设备
WO2015120574A1 (en) Worker group identification

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