CN112131413A - 一种多媒体信息处理方法、装置、电子设备及存储介质 - Google Patents
一种多媒体信息处理方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112131413A CN112131413A CN201910556763.7A CN201910556763A CN112131413A CN 112131413 A CN112131413 A CN 112131413A CN 201910556763 A CN201910556763 A CN 201910556763A CN 112131413 A CN112131413 A CN 112131413A
- Authority
- CN
- China
- Prior art keywords
- exposure
- multimedia information
- updated
- current
- determining
- 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
- 230000010365 information processing Effects 0.000 title claims abstract description 75
- 238000003672 processing method Methods 0.000 title claims abstract description 27
- 238000003860 storage Methods 0.000 title claims abstract description 10
- 238000000034 method Methods 0.000 claims description 43
- 230000006399 behavior Effects 0.000 claims description 28
- 238000012545 processing Methods 0.000 claims description 23
- 238000007792 addition Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 description 16
- 230000008569 process Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 235000019800 disodium phosphate Nutrition 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000012550 audit Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000001960 triggered 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
- G06F16/40—Information retrieval; Database structures therefor; File system structures therefor of multimedia data, e.g. slideshows comprising image and additional audio data
- G06F16/48—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/40—Information retrieval; Database structures therefor; File system structures therefor of multimedia data, e.g. slideshows comprising image and additional audio data
- G06F16/48—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/489—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using time information
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Library & Information Science (AREA)
- Multimedia (AREA)
- Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
Abstract
本发明提供了一种多媒体信息处理方法,包括:基于多媒体信息的当前曝光对应分配的访问量和曝光时限,对多媒体信息进行曝光;根据多媒体信息在当前曝光中的曝光参数,确定多媒体信息的更新曝光的曝光时长预测值;当多媒体信息的更新曝光的曝光时长预测值达到曝光时长阈值时,确定更新曝光所对应分配的访问量和曝光时限;根据多媒体信息的更新曝光所对应分配的访问量和曝光时限,对多媒体信息进行更新曝光;根据多媒体信息的更新曝光的结果确定多媒体信息的属性。本发明还提供了一种多媒体信息处理装置、电子设备及存储介质。本发明能够准确地确定多媒体信息的属性。
Description
技术领域
本发明涉及多媒体信息处理技术,尤其涉及多媒体信息处理方法、装置、电子设备及存储介质。
背景技术
相关技术中,用户在使用基于互联网的服务时,服务器可以通过推荐策略,将多媒体信息向互联网的用户曝光,随机推荐策略逻辑简单,覆盖率较广,但准确率比较低,尤其是对于新发布或上传的多媒体信息,无论质量如何,都会以平均地被分配向用户曝光的机会,一方面优质的多媒体信息无法得到较好地传播,另一方面用户获得的是质量参差不齐的多媒体信息,影响了用户的使用体验。
发明内容
本发明实施例提供一种多媒体信息处理方法、装置、电子设备及存储介质,能够精确确定反映多媒体信息的质量的属性。
本发明实施例的技术方案是这样实现的:
本发明提供了一种多媒体信息处理方法包括:
基于多媒体信息的当前曝光对应分配的访问量和曝光时限,对所述多媒体信息进行曝光;
根据所述多媒体信息在所述当前曝光中的曝光参数,确定所述多媒体信息的更新曝光的曝光时长预测值;
当所述多媒体信息的更新曝光的曝光时长预测值达到曝光时长阈值时,确定所述更新曝光所对应分配的访问量和曝光时限;
根据所述多媒体信息的更新曝光所对应分配的访问量和曝光时限,对所述多媒体信息进行更新曝光;
根据所述多媒体信息的更新曝光的结果确定所述多媒体信息的属性。
本发明实施例还提供了一种多媒体信息处理装置,包括:
多媒体信息曝光模块,用于基于多媒体信息的当前曝光对应分配的访问量和曝光时限,对所述多媒体信息进行曝光;
所述多媒体信息处理模块,用于根据所述当前曝光中的曝光参数,确定所述多媒体信息的更新曝光的曝光时长预测值;
所述多媒体信息处理模块,用于当所述多媒体信息的更新曝光的曝光时长预测值达到曝光时长阈值时,确定所述更新曝光所对应分配的访问量和曝光时限;
所述多媒体信息曝光模块,用于根据所述多媒体信息的更新曝光所对应分配的访问量和曝光时限,对所述多媒体信息进行更新曝光;
所述多媒体信息处理模块,用于根据所述多媒体信息的更新曝光的结果确定所述多媒体信息的属性。
上述方案中,
所述多媒体信息曝光模块,还用于当所述当前曝光的实际的曝光次数达到所述当前曝光对应分配的访问量,并且所述当前曝光的实际的曝光时长未达到所述当前曝光对应分配的曝光时限时,触发停止所述多媒体信息的当前曝光;
所述多媒体信息处理模块,还用于获取所述多媒体信息在所述当前曝光中的曝光参数;
所述曝光参数包括以下至少之一:所述多媒体信息的平均曝光时长、所述多媒体信息的平均观看完整度、所述多媒体信息的访问用户量。
上述方案中,
所述多媒体信息曝光模块,还用于当所述当前曝光的实际的曝光时长达到所述当前曝光对应分配的曝光时限时,触发停止所述当前曝光;
所述多媒体信息处理模块,还用于获取所述多媒体信息在所述当前曝光中的曝光参数;
所述曝光参数包括以下至少之一:所述多媒体信息的平均曝光时长、所述多媒体信息的平均观看完整度、所述多媒体信息的访问用户量。
上述方案中,
所述多媒体信息处理模块,还用于对所述多媒体信息在所述当前曝光中的曝光参数进行处理,得到所述多媒体信息的更新曝光的开始时间和结束时间;
所述多媒体信息处理模块,还用于根据所述当前曝光的开始时间和结束时间,获取所述当前曝光的目标用户对应的用户行为特征;
所述多媒体信息处理模块,还用于根据所获取的用户行为特征、以及所述更新曝光的开始时间与结束时间,确定所述多媒体信息在所述当前曝光中的平均观看时长;
所述多媒体信息处理模块,还用于确定所述平均观看时长为所述更新曝光的时长预测值。
上述方案中,
所述多媒体信息处理模块,还用于确定结束所述当前曝光时所述多媒体信息的实际曝光时间的累计值、以及结束所述当前曝光时对应分配的曝光时限的累计值,并确定最小的累计值为所述多媒体信息的当前曝光的实际结束时间;
所述多媒体信息处理模块,还用于将所述当前曝光的实际结束时间,作为所述多媒体信息的更新曝光的开始时间;
根据所述多媒体信息的更新曝光的开始时间,确定所述多媒体信息的更新曝光的结束时间。
上述方案中,
所述多媒体信息处理模块,还用于确定所述多媒体信息的当前曝光的结束时间与所述曝光时限的相加之和;
所述多媒体信息处理模块,还用于确定所述多媒体信息的更新曝光的实际结束时间、所述相加之和、以及与所述曝光时限的累计值中的最小值,作为所述多媒体信息的更新曝光的结束时间。
上述方案中,
所述多媒体信息处理模块,还用于在所述当前曝光的开始时间和结束时间之间,获取所述多媒体信息对应各个所述目标用户的观看时长,并确定所述每个所述目标用户的观看时长的总和;
所述多媒体信息处理模块,还用于在所述当前曝光的开始时间和结束时间之间,获取所述多媒体信息对应各个目标用户的访问次数,并确定各个所述目标用户的访问次数的总和。
上述方案中,
所述多媒体信息处理模块,还用于将所述多媒体信息在所述当前曝光中对应的观看时长的总和、与所述多媒体信息在所述当前曝光中对应的访问次数的总和之间的比值,确定为所述多媒体信息在所述当前曝光中的平均观看时长。
上述方案中,
所述多媒体信息处理模块,还用于当所述多媒体信息的更新曝光的曝光时长预测值未达到所述曝光时长阈值时,停止对所述多媒体信息分配更新的访问量和曝光时限。
上述方案中,
所述多媒体信息处理模块,还用于当所述多媒体信息的更新曝光的次数达到迭代更新次数阈值时,确定所述多媒体信息的属性为待推荐的目标多媒体信息;
所述多媒体信息处理模块,还用于当所述多媒体信息的更新曝光的曝光时长预测值未达到所述曝光时长阈值、且更新曝光的次数未达到所述迭代更新次数阈值时,确定所述多媒体信息的属性为中止推荐的目标多媒体信息。
本发明实施例还提供了一种电子设备,所述电子设备包括:
存储器,用于存储可执行指令;
处理器,用于运行所述存储器存储的可执行指令时,实现本发明所提供的多媒体信息处理方法。
本发明实施例还提供了一种计算机可读存储介质,存储有可执行指令,所述可执行指令被处理器执行时实现本发明所提供的多媒体信息处理方法。
本发明实施例具有以下有益效果:
由于当前曝光是基于对应分配的访问量和曝光时限实现的,因此根据当前曝光参数确定的曝光时长预测值可以准确反映当前曝光中多媒体信息的质量,进而通过更新曝光的结果确定的属性,可以准确反映多媒体信息在连续的曝光过程中的质量。
附图说明
图1为本发明实施例提供的多媒体信息处理方法的使用场景示意图;
图2为本发明实施例提供的电子设备的组成结构示意图;
图3A为本发明实施例提供的多媒体信息处理方法一个可选的流程示意图;
图3B为本发明实施例提供的多媒体信息处理方法一个可选的流程示意图;
图4为本发明实施例提供的多媒体信息处理方法一个可选的流程示意图;
图5为本发明实施例提供的多媒体信息处理方法一个可选的流程示意图;
图6为本发明实施例中优质视频的后续处理示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述,所描述的实施例不应视为对本发明的限制,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它实施例,都属于本发明保护的范围。
在以下的描述中,涉及到“一些实施例”,其描述了所有可能实施例的子集,但是可以理解,“一些实施例”可以是所有可能实施例的相同子集或不同子集,并且可以在不冲突的情况下相互结合。
图1为本发明实施例提供的多媒体信息处理方法的使用场景示意图,参见图1,终端(包括终端10-1和终端10-2)上设置有能够播放多媒体信息的相应客户端,终端通过网络300连接服务器200,网络300可以是广域网或者局域网,又或者是二者的组合,使用无线链路实现数据传输,其中,多媒体信息包括但不限于视频、图片、Flash动画和广告信息。多媒体信息处理涉及的使用场景中,首先对一些名词解释如下:
1)曝光:满足有效条件时,向用户推送相应的多媒体信息,例如:在满足视频的推送条件时,向用户推送不同的视频,以供用户观看。
终端(终端10-1和/或终端10-2)在通过网络300向服务器200获取并曝光相应的多媒体信息的过程中,用户可以通过终端(终端10-1和/或终端10-2)对所曝光的多媒体信息进行不同的操作,产生不同的用户行为,例如,当所述多媒体信息为视频时,用户在观看信息的过程中可以分享和/或点赞所曝光的视频。当多媒体信息为广告时,在广告的通过终端(终端10-1和/或终端10-2)的曝光过程中,用户可以对广告进行转发和/或评论。
作为一个示例,服务器200用于基于多媒体信息的当前曝光对应分配的访问量和曝光时限,将所述多媒体信息在终端进行连续的曝光。
服务器200对连续的曝光进行检测分析以确定多媒体信息的属性(将在下文结合附图说明),例如多媒体信息是否是待推荐的目标多媒体信息,当确定所曝光的对媒体信息是待推荐的目标多媒体信息时,所曝光的多媒体信息可以直接向多媒体信息的观看用户进行推荐,或者,作为视频召回的来源,经过召回处理之后向用户进行推荐。
下面对本发明实施例的电子设备的结构做详细说明,电子设备可以各种形式来实施,如带有多媒体信息处理功能的专用终端,也可以为带有多媒体信息处理功能的服务器,例如前述图1中的服务器200。图2为本发明实施例提供的电子设备的组成结构示意图,可以理解,图2仅仅示出了电子设备的示例性结构而非全部结构,根据需要可以实施图2示出的部分结构或全部结构。
本发明实施例提供的电子设备包括:至少一个处理器201、存储器202、用户接口203和至少一个网络接口204。电子设备20中的各个组件通过总线系统205耦合在一起。可以理解,总线系统205用于实现这些组件之间的连接通信。总线系统205除包括数据总线之外,还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见,在图2中将各种总线都标为总线系统205。
其中,用户接口203可以包括显示器、键盘、鼠标、轨迹球、点击轮、按键、按钮、触感板或者触摸屏等。
可以理解,存储器202可以是易失性存储器或非易失性存储器,也可包括易失性和非易失性存储器两者。本发明实施例中的存储器202能够存储数据以支持终端(如10-1)的操作。这些数据的示例包括:用于在终端(如10-1)上操作的任何计算机程序,如操作系统和应用程序。其中,操作系统包含各种系统程序,例如框架层、核心库层、驱动层等,用于实现各种基础业务以及处理基于硬件的任务。应用程序可以包含各种应用程序。
在一些实施例中,本发明实施例提供的多媒体信息处理装置可以采用软硬件结合的方式实现,作为示例,本发明实施例提供的多媒体信息处理装置可以是采用硬件译码处理器形式的处理器,其被编程以执行本发明实施例提供的多媒体信息处理方法。例如,硬件译码处理器形式的处理器可以采用一个或多个应用专用集成电路(ASIC,ApplicationSpecific Integrated Circuit)、DSP、可编程逻辑器件(PLD,Programmable LogicDevice)、复杂可编程逻辑器件(CPLD,Complex Programmable Logic Device)、现场可编程门阵列(FPGA,Field-Programmable Gate Array)或其他电子元件。
作为本发明实施例提供的多媒体信息处理装置采用软硬件结合实施的示例,本发明实施例所提供的多媒体信息处理装置可以直接体现为由处理器201执行的软件模块组合,软件模块可以位于存储介质中,存储介质位于存储器202,处理器201读取存储器202中软件模块包括的可执行指令,结合必要的硬件(例如,包括处理器201以及连接到总线205的其他组件)完成本发明实施例提供的多媒体信息处理方法。
作为示例,处理器201可以是一种集成电路芯片,具有信号的处理能力,例如通用处理器、数字信号处理器(DSP,Digital Signal Processor),或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等,其中,通用处理器可以是微处理器或者任何常规的处理器等。
作为本发明实施例提供的多媒体信息处理装置采用硬件实施的示例,本发明实施例所提供的装置可以直接采用硬件译码处理器形式的处理器201来执行完成,例如,被一个或多个应用专用集成电路(ASIC,Application Specific Integrated Circuit)、DSP、可编程逻辑器件(PLD,Programmable Logic Device)、复杂可编程逻辑器件(CPLD,ComplexProgrammable Logic Device)、现场可编程门阵列(FPGA,Field-Programmable GateArray)或其他电子元件执行实现本发明实施例提供的多媒体信息处理方法。
本发明实施例中的存储器202用于存储各种类型的数据以支持电子设备20的操作。这些数据的示例包括:用于在电子设备20上操作的任何可执行指令,如可执行指令,实现本发明实施例的从多媒体信息处理方法的程序可以包含在可执行指令中。
在另一些实施例中,本发明实施例提供的多媒体信息处理装置可以采用软件方式实现,图2示出了存储在存储器202中的多媒体信息处理装置2020,其可以是程序和插件等形式的软件,并包括一系列的模块,作为存储器202中存储的程序的示例,可以包括多媒体信息处理装置2020,多媒体信息处理装置2020中包括以下的软件模块:多媒体信息曝光模块2081,多媒体信息处理模块2082。当多媒体信息处理装置2020中的软件模块被处理器201读取到RAM中并执行时,将实现本发明实施例提供的多媒体信息处理方法,多媒体信息处理装置2020中各个软件模块的功能将在后面的内容中进行介绍。
结合本发明实施例提供的终端的示例性应用和实施,说明本发明实施例提供的多媒体信息处理方法,根据上文可以理解,本发明实施例提供的多媒体信息处理方法可以由各种类型的带有多媒体信息处理功能的设备,例如多媒体信息服务器或者多媒体处理专用设备等。
结合图2示出的电子设备20说明本发明实施例提供的多媒体信息处理方法,参见图3,图3为本发明实施例提供的多媒体信息处理方法一个可选的流程示意图,可以理解地,图3所示的步骤可以由运行多媒体信息处理装置的各种电子设备执行,例如可以是如带有多媒体信息处理功能的专用终端、服务器或者服务器集群。下面针对图3A示出的步骤进行说明。
步骤301:终端基于多媒体信息的当前曝光对应分配的访问量和曝光时限,对所述多媒体信息进行曝光。
本发明所涉及的当前曝光和更新曝光是相对的概念,其对应的具体的曝光的次序是随着曝光过程的不断进行而变换的。
例如当前曝光是第1次曝光,更新曝光是第2次曝光;当更新曝光完成后,则更新曝光成为新的“当前曝光”,即当前曝光是第2次曝光,更新曝光是第3次曝光,以此类推,其中,曝光的迭代次数可以由电子设备自动设置,也可以由管理员手动调节。
以视频为例,当视频上传用户上传一个视频并经过了审核之后,为了实现对该视频的曝光,并确定该视频所对应的属性,可以向该视频分配相应的初始访问量和曝光时限,以实现该视频在所分配的曝光时限中进行曝光。
步骤302:服务器获取所述多媒体信息在所述当前曝光中的曝光参数。
在本发明的一些实施例中,获取所述多媒体信息在所述曝光中的曝光参数,可以通过以下方式实现:当所述当前曝光的实际的曝光次数达到所述当前曝光对应分配的访问量,并且所述当前曝光的实际的曝光时长未达到所述当前曝光对应分配的曝光时限时,触发停止所述多媒体信息的当前曝光,并获取所述多媒体信息在所述当前曝光中的曝光参数。
作为示例,所述曝光参数包括以下至少之一:所述多媒体信息的平均曝光时长、所述多媒体信息的平均观看完整度和所述多媒体信息的访问用户量。例如:多媒体信息为视频,其中,平均曝光时长等于每次访问的曝光时长总和除以访问次数;平均观看完整度等于每次访问的观看完整度综合除以访问次数;访问用户量为在曝光阶段视频的被访问次数的相加之和。
以视频为例,当基于对视频所分配的访问量和曝光时限,对相应的视频进行曝光的过程中,由于视频内容优质(用户感兴趣),视频观看用户自发的搜索观看当前进行曝光的视频,使得当前曝光的视频的实际的曝光时长未达到所述当前曝光对应分配的曝光时限时,当前曝光的实际的曝光次数已经达到(或者超过)所述当前曝光对应分配的访问量,触发停止所述多媒体信息的当前曝光,并获取所述多媒体信息在所述当前曝光中的曝光参数。
在本发明的一些实施例中,获取所述多媒体信息在所述当前曝光中的曝光参数,可以通过以下方式实现:当所述当前曝光的实际的曝光时长达到所述当前曝光对应分配的曝光时限时,触发停止所述当前曝光,并获取所述多媒体信息在所述当前曝光中的曝光参数。
以视频为例,当基于对视频所分配的访问量和曝光时限,对相应的视频进行曝光的过程中,当前曝光的实际的曝光时长达到所述当前曝光对应分配的曝光时限时,视频不再进行曝光,同时获取所述多媒体信息在所述当前曝光中的曝光参数,以确定视频的更新曝光的曝光时长预测值。
步骤303:服务器根据所述当前曝光中的曝光参数,确定所述多媒体信息的更新曝光的曝光时长预测值。
在本发明的一些实施例中,根据所述曝光参数,确定所述多媒体信息的更新曝光的时长预测值,可以通过以下方式实现:对所述多媒体信息在所述当前曝光中的曝光参数进行处理,得到所述多媒体信息的更新曝光的开始时间和结束时间;根据所述当前曝光的开始时间和结束时间,获取所述当前曝光的目标用户对应的用户行为特征;根据所获取的用户行为特征、以及所述更新曝光的开始时间与结束时间,确定所述多媒体信息在所述当前曝光中的平均观看时长,并确定所述平均观看时长为所述更新曝光的时长预测值。
在一些实施例中,可以根据经验值设定对应的固定提升梯度,实现固定梯度的提升,或者是动态的提升梯度,其中,动态提升时可以参考各种因素来计算提升幅度,例如:根据极端梯度模型的不同适用环境计算相应的提升幅度,实现动态的梯度提升。
在另一些实施例中,可以通过时长预测模型,对多媒体信息在当前曝光中的曝光参数进行极端梯度模型提升处理,可以实现预估多媒体信息的更新曝光的开始时间和结束时间,并能够获取更新曝光的目标用户对应的用户行为特征,实现根据所获取的用户行为特征、以及所述更新曝光的开始时间与结束时间,确定所述多媒体信息在所述当前曝光中的平均观看时长,其中,本发明中的时长预测模型可以使用极端梯度提升模型(XGBoost,Xtreme Gradient Boosting)进行计算。
下面对本发明中所涉及的极端梯度提升模型XGBoost进行介绍。
极端梯度提升模型XGBoost是机器学习领域中迭代的决策树算法(GBDT GradientBoosting Decision Tree)的改进型算法。对于给定的样本量n,变量维度m的数据集D,可以记为:
D={(Xi,yi)|Xi∈Rm,yi∈R,i,j=1,2,...n}
以加法集成树模型拟合数据,可表达成以下形式:
其中fk表示函数空间Γ的一个函数,代表一个树模型,包含具体的树结构和和叶子节点等信息。
之后对于目标函数进行最小化处理,即:
因为要得到的所有树模型的一个集合,但是又无法一次获得,那么可以采取一个种方式就为:将上一次即(t-1)次所得的模型先固定下来,然后下一次即t次训练时,就在之前固定的结果的基础上进行训练,得到对应的第t颗树,
以此类推,依次进行训练。其中,第t次的预测结果表达为:
则目标函数为:
对其使用二阶泰勒展开,
删除常数项后得到:
定义Ij={i|q(Xj)=j}为第j个叶子节点,将Ω(ft)展开得到:
最终目标函数为:
通过上述时长预测模型,根据多媒体信息在前一个阶段的被用户观看的行为特征,可以预测多媒体信息在下一阶段的平均曝光时长即更新曝光的时长预测值,并提供更新曝光的时长预测值,确定所述更新曝光所对应分配的访问量和曝光时限。
在本发明的一些实施例中,上述时长预测模型的模型评估标准可以采用均方根误差亦称标准误差(RMSE),上述时长预测模型模型采用10折交叉验证进行参数选择,其中,
其中,booster参数表示每次迭代的上述时长预测模型类型;objective表示需要被最小化的损失函数;max_depth表示树的最大深度,这个值也是用来避免过拟合的,max_depth越大,模型会学到更具体更局部的样本;min_child_weight表示最小叶子节点样本权重和;gamma指定了节点分裂所需的最小损失函数下降值;subsample参数控制对于每棵树,随机采样的比例;colsample_bytree用来控制每棵随机采样的列数的占比(一列是一个特征);lambda参数对应权重的L2正则化项,这个参数是用来控制XGBoost的正则化部分的;eta为学习速率;seed为随机数的种子设置它可以复现随机数据的结果,也可以用于调整参数;eval_metric为有效数据的度量方法,偏差评估方式,对于回归问题,其默认值是rmse。
在本发明的一些实施例中,对所述多媒体信息在所述当前曝光中的曝光参数进行处理,得到所述多媒体信息的更新曝光的开始时间和结束时间;可以通过以下方式实现:
确定结束所述当前曝光时所述多媒体信息的实际曝光时间的累计值、以及结束所述当前曝光时对应分配的曝光时限的累计值,并确定最小的累计值为所述多媒体信息的当前曝光的实际结束时间;将所述当前曝光的实际结束时间,作为所述多媒体信息的更新曝光的开始时间;根据所述多媒体信息的更新曝光的开始时间,确定所述多媒体信息的更新曝光的结束时间。其中,如前述实施例所示,由于触发停止多媒体信息的当前曝光可以在当前曝光的实际的曝光次数达到所述当前曝光对应分配的访问量,或者当前曝光的实际的曝光时长达到所述当前曝光对应分配的曝光时限,因此需要首先确定多媒体信息的当前曝光的实际结束时间,其中,结束所述当前曝光时所述多媒体信息的实际曝光时间的累计值、以及结束所述当前曝光时对应分配的曝光时限的累计值中的最小累积值即为多媒体信息的当前曝光的实际结束时间,通过所确定的多媒体信息的当前曝光的实际结束时间还可以进一步地确定多媒体信息的更新曝光的开始时间和更新曝光的结束时间。
在本发明的一些实施例中,根据所述多媒体信息的更新曝光的开始时间,确定所述多媒体信息的更新曝光的结束时间,可以采用以下方式:
确定所述多媒体信息的当前曝光的结束时间与所述曝光时限的相加之和;确定所述多媒体信息的更新曝光的实际结束时间、所述相加之和、以及与所述曝光时限的累计值中的最小值,作为所述多媒体信息的更新曝光的结束时间。其中,在多媒体信息的更新曝光中,触发停止多媒体信息的更新曝光可以在更新曝光的实际的曝光次数达到所述更新曝光对应分配的访问量,或者更新曝光的实际的曝光时长达到所述更新曝光对应分配的曝光时限,因此需要首先确定多媒体信息的更新曝光的实际结束时间,以多媒体信息的当前曝光的结束时间作为相对应的更新曝光的开始时间,确定所述多媒体信息的更新曝光的实际结束时间、所述当前曝光的实际结束时间与所述曝光时限的累计值中的最小值,作为所述多媒体信息的更新曝光的结束时间。
在本发明的一些实施例中,根据所述曝光开始时间和结束时间,获取相对应的用户行为特征,可以采用以下方式:
在所述当前曝光的开始时间和结束时间之间,获取所述多媒体信息对应各个所述目标用户的观看时长,并确定所述每个所述目标用户的观看时长的总和;在所述当前曝光的开始时间和结束时间之间,获取所述多媒体信息对应各个目标用户的访问次数,并确定各个所述目标用户的访问次数的总和。其中,根据所述当前曝光开始时间和结束时间,获取相对应的用户行为特征,可以是获取用户在所述当前结束时间前的所有用户行为。
例如,用户在第一次曝光过程中对多媒体信息的被访问次数为98,第二次曝光中的对多媒体信息的被访问次数为500,则第二次曝光为当前曝光时,对应用行为的多媒体信息的被访问次数为98+500,即598次。
在本发明的一些实施例中,根据所获取的用户行为特征、以及所述更新曝光的开始时间与结束时间,确定所述多媒体信息在所述当前曝光中的平均观看时长,并确定所述平均观看时长为所述更新曝光的时长预测值。可以通过以下方式进行:将所述多媒体信息在所述当前曝光中对应的观看时长的总和、与所述多媒体信息在所述当前曝光中对应的访问次数的总和之间的比值,确定为所述多媒体信息在所述当前曝光中的平均观看时长。
如前所述,在使用本发明所提供的时长预测模型时,需要获取相应的用户行为数据,其中用户行为的获取方式可以是通过监听多媒体信息的用户行为参数,也可以是接收终端上传的用户行为参数。其中作为时长预测模型的输入指标的用户行为参数包括:多媒体信息的访问用户数(uv,unique visitor),访问次数(pv,page view),点赞数,评论数,分享数,点赞率(点赞数/(1000+pv)),评论率(评论数/(1000+pv)),分享率(分享数/(1000+pv)),平均曝光时长(每次访问的曝光时长总和除以pv),平均观看完整度(每次访问的观看完整度综合除以pv)以及视频归属地区。其中,需要说明的是,本发明中的多媒体信息的上传者和观看者可以均属于同一地区,当然跨地区的多媒体信息播放也可以适用本发明所提供的多媒体信息处理方法。
步骤304:服务器判断所述多媒体信息的更新曝光的曝光时长预测值是否达到曝光时长阈值,如果是执行步骤305,否则,执行步骤306。
步骤305:当所述多媒体信息的更新曝光的曝光时长预测值达到曝光时长阈值时,服务器确定所述更新曝光所对应分配的访问量和曝光时限。
其中,多媒体信息的更新曝光的曝光时长预测值达到曝光时长阈值,说明多媒体信息的内容并属于优质内容(用户观看意愿高),可以进行更新曝光,以进一步地侦测用户的观看意愿并筛选多媒体信息的属性。
步骤306:当所述多媒体信息的更新曝光的曝光时长预测值未达到所述曝光时长阈值时,停止对所述多媒体信息分配更新的访问量和曝光时限。
其中,多媒体信息的更新曝光的曝光时长预测值未达到所述曝光时长阈值时,说明多媒体信息的内容并不属于优质内容(大众用户观看意愿低)。
步骤307:根据所述多媒体信息的更新曝光所对应分配的访问量和曝光时限,对所述多媒体信息进行更新曝光。
步骤308:根据所述多媒体信息的更新曝光的结果确定所述多媒体信息的属性。
其中,可以根据多媒体信息的展示环境设置不同的更新曝光的次数,在本发明的一些实施例中,当所述多媒体信息的更新曝光的次数达到迭代更新次数阈值时,确定所述多媒体信息的属性为待推荐的目标多媒体信息;当所述多媒体信息的更新曝光的曝光时长预测值未达到所述曝光时长阈值、且更新曝光的次数未达到所述迭代更新次数阈值时,确定所述多媒体信息的属性为中止推荐的目标多媒体信息。
在本发明的一些实施例中,在前述步骤307之后,在确定多媒体信息的属性的过程中,可以执行步骤309,图3B为本发明实施例提供的多媒体信息处理方法一个可选的流程示意图,其中,
步骤309:判断多媒体信息的更新曝光的次数是否达到迭代更新次数阈值,如果是,执行步骤310,否则,执行步骤311;
步骤310:确定多媒体信息的属性为待推荐的目标多媒体信息;
步骤311:确定多媒体信息的属性为中止推荐的目标多媒体信息。
如前所述,通过本实施例所示的多媒体信息处理方法,可以实现根据当前曝光参数确定的曝光时长预测值可以准确反映当前曝光中多媒体信息的质量,进而通过更新曝光的结果确定的属性,可以准确反映多媒体信息在连续的曝光过程中的质量,这一过程中逐次曝光多媒体信息实现了评估多媒体信息质量,并逐步放大流量,不断循环迭代,继续推荐的多媒体信息的质量越来越高,同时,所确定的属性为待推荐的目标多媒体信息可以应用于运营策略或作为推荐召回来源,提升了召回多媒体信息的效率。
结合前述图2,对多媒体信息处理装置2020中各个软件模块的功能进行介绍。
多媒体信息曝光模块2081,用于基于多媒体信息的当前曝光对应分配的访问量和曝光时限,对所述多媒体信息进行曝光;
所述多媒体信息处理模块2082,用于根据所述当前曝光中的曝光参数,确定所述多媒体信息的更新曝光的曝光时长预测值;
所述多媒体信息处理模块2082,用于当所述多媒体信息的更新曝光的曝光时长预测值达到曝光时长阈值时,确定所述更新曝光所对应分配的访问量和曝光时限;
所述多媒体信息曝光模块2081,用于根据所述多媒体信息的更新曝光所对应分配的访问量和曝光时限,对所述多媒体信息进行更新曝光;
所述多媒体信息处理模块2082,用于根据所述多媒体信息的更新曝光的结果确定所述多媒体信息的属性。
结合图2示出的电子设备20继续说明本发明实施例提供的多媒体信息处理方法,参见图4,图4为本发明实施例提供的多媒体信息处理方法一个可选的流程示意图,其中,多媒体信息为视频,可以理解地,图4所示的步骤可以由运行多媒体信息处理装置的各种视频服务器执行,例如可以是如带有视频处理功能的专用设备、服务器或者服务器集群。下面针对图4示出的步骤进行说明。
步骤401:接收用户发布的新视频,进行审核处理。
其中,当用户发布的新视频审核通过后,新视频进入赛马池,并标记为阶段1。其中,赛马池可以为一个虚拟的视频处理区域,视频处理设备对进入赛马池的视频分配相应的访问量与曝光时限,以对视频进行曝光。
步骤402:对进入每个阶段的视频分配对应的PV值进行曝光。
其中,每个阶段的流量分配均会比前一个阶段高,并且每个阶段视频曝光均限时M小时。
在本发明的一些实施例中,对于进入赛马池的新视频,视频处理设备对进入赛马池的视频分配相应的访问量与曝光时限,以对视频进行多次曝光,通过对视频进行多次曝光,可以根据视频的更新曝光的结果,确定视频的属性。
步骤403:对赛马池中的每个视频根据所属阶段的所分配的PV值和曝光时限进行曝光。
其中,赛马池中的新视频在终端上每被拉取曝光一次,则通过累加器记录该视频的实际曝光次数,或者,视频处理设备也可以接收播放视频的设备所上传的曝光参数,以确定该视频的实际曝光次数。
步骤404:调用XGBoost时长预测模型得到视频更新曝光的时长预测值。
其中,XGBoost时长预测模型的基本结构与工作原理如前述实施例所述,此处不再赘述。
在本发明的一些实施例中,XGBoost时长预测模型所涉及的特征指标包括:视频在新进入赛马池期间的uv,pv,点赞数,评论数,分享数,点赞率(点赞数/(1000+pv)),评论率(评论数/(1000+pv)),分享率(分享数/(1000+pv)),平均曝光时长(以pv计算),平均观看完整度(通过pv计算,其中),视频归属地区,共11个。针对每个阶段均有对应的一个相应的XGBoost时长预测模型,模型按天更新,以根据视频播放环境的变化及时地对XGBoost时长预测模型的特征进行调整。
在本发明的一些实施例中,XGBoost时长预测模型所涉及的特征指标可以进行调整,例如,如果新视频中带有视频标签的链接,用户点击标签可以跳转至同标签的视频列表,标签被点击的次数也可以作为XGBoost时长预测模型的特征指标。
新视频进入赛马池后的所有曝光行为所对应的曝曝光参数均通过上报记录在视频处理设备的存储介质中,在调用XGBoost时长预测模型前计算出上述的11个特征指标之前,若在该阶段曝光数大于20%的流量分配值(pv),则输入XGBoost时长预测模型,得到下个阶段更新曝光的曝光时长预测值;否则直接返回下个阶段更新曝光的曝光时长预测值为0。
在本发明的一些实施例中,假设每个阶段的曝光时限均为M小时,各个阶段的流量分配为Li,i=1,2,...,J,J+1,需构造出阶段J前的曝光行为数据作为XGBoost时长预测模型输入,阶段J+1的视频曝光时长作为模型输出。对于每个视频,计算出第个实际曝光发生的时间t1和视频进入赛马池的时间加J*M小时的时间t2,T1=min{t1,t2}即为视频在阶段J的结束时间。而T1时间后发生LJ+1次曝光的时间t3,T2=min{t3,T1+M}即为视频在阶段J+1的结束时间。
根据每个视频的T1时间,得到视频在阶段J结束前(即从阶段1到阶段J)的用户行为数据,提取访问用户数(即uv),访问次数(即pv),点赞数,评论数,分享数,点赞率(点赞数/(1000+pv)),评论率(评论数/(1000+pv)),分享率(分享数/(1000+pv)),平均曝光时长(每次访问的曝光时长总和除以pv),平均观看完整度(每次访问的观看完整度综合除以pv)以及视频归属地区,共11个指标,作为XGBoost时长预测模型的输入指标。根据每个视频的T2时间,得到视频在阶段J+1期间的用户行为数据,提取平均曝光时长(每次访问的曝光时长总和除以pv)指标,作为XGBoost时长预测模型所预测的更新曝光的曝光时长预测值。
步骤405:判断时长预测值是否达标,如果是,执行步骤406,否选执行步骤407。
其中,通过每个阶段所对应的XGBoost时长预测模型,预测下个阶段更新曝光的曝光时长预测值,用于评估视频质量是否达标(用户是否对视频内容感兴趣)。每个阶段的达标阈值可以单独设置,也可全局统一为固定值。若预测值达标,则进入下一步骤,否则离开赛马池,不再获得赛马机制的流量分配。
步骤406:判断阶段数是否达标,如果是,执行步骤408,否则,返回执行步骤402。
其中,视频的预测值达标后进入本阶段,若当前阶段数小于预设的最大阶段数N,则阶段数加1,视频进入下一阶段的赛马,进入下一步骤继续执行;若当前阶段数大于等于预设的最大阶段数N,则视频的赛马竞争已经结束,成功脱颖而出,进入了优质视频池,供其他策略使用。
在本发明的一些实施例中,进入优质视频池的视频可以作为视频的召回来源,图6为本发明实施例中优质视频的后续处理示意图,其中,“召回(match)”指从全量信息集合中触发尽可能多的正确结果,并将结果返回给“排序”。由于优质视频池中的视频均是通过赛马机制所筛选的大众观看意愿较高的视频,通过对优质视频池中的视频进行。召回的方式有多种:协同过滤、主题模型、内容召回和热点召回等,而“排序(rank)”是对所有召回的内容进行打分排序,选出得分最高的几个结果推荐给用户。将经过排序后的优质视频向用户展示,之后根据用户的行为特征,确定相应的CTR(精排序)、用户的使用时长、以及正向反馈结果和负向反馈结果,对视频推荐的模型参数进行优化,实现对推荐视频的视频内容进行画像和观看视频的用户进行画像,其中,对推荐视频的视频内容进行画像可以确定相应视频的内容标签,对观看视频的用户进行画像可以确定用户的兴趣标签。通过对视频的内容画像和用户画像进行匹配可以再次筛选相应的召回视频。
在本发明的一些实施例中通过调整阶数N可以对初始阶段进入赛马池的视频数量进行控制,其具体操作如下:通过前一天(前一个工作天数或前24小时中)的总pv值除以一个估计值(可选的为单个视频在赛马池的平均pv)得到赛马系统内视频量的预估值,减去当前时刻的视频量,得到需补充的视频量,由此可以控制进入赛马池中的视频的数量,不会出现较多的视频影响确定视频的属性的速率。
步骤407:将视频转出赛马池。
步骤408:将视频转入优质视频池。
其中,离开赛马池的视频可以使用随机推荐策略向用户进行推荐。
在本发明的一些实施例中,以用户新发布的视频为例,说明通过本发明所提供的多媒体信息处理方法,确定视频的属性的过程。图5为本发明实施例提供的多媒体信息处理方法一个可选的流程示意图,其中,一个新发布的视频编号(vid)=600001,对应不同次数曝光的曝光时长阈值依次为:6.0,5.9,5.8,更新曝光所对应的阶数为3。
进入赛马池后第一阶段分配了流量L1=100(pv),限时M=3小时,结果在第一阶段M=3小时内,视频获得曝光98次(pv),对应的,视频编号(vid)=600001,当使用前述实施例所提供的XGBoost时长预测模型对视频更新曝光的时长进行预测时,XGBoost时长预测模型在第一阶段的特征指标如表1所示,
表1
通过XGBoost时长预测模型,得到第二阶段(更新曝光)的曝光时长预测值为7.3,高于预设的第二阶段的平均曝光时长阈值6.0,则进入第二阶段并且为分配500pv的流量。
视频编号(vid)=600001的视频在第二阶段用时2小时(小于视频曝光时限M)完成500(pv)曝光,则提前进入对第三阶段(更新曝光)的,则XGBoost时长预测模型在第二阶段的特征指标如表2所示,
表2
通过XGBoost时长预测模型,得到第三阶段(更新曝光)的曝光时长预测值为5.8,低于于预设第三阶段平均曝光时长阈值5.9,不达标,视频编号(vid)=600001的视频离开赛马池。
在本发明的一些实施例中,对于终止推荐的视频,可以进行冷处理,并在相应冷处理的时间达到预设的时间阈值时重新分配更新曝光的曝光时长预测值,以确定是否具有待推荐的属性;或者,对于终止推荐的视频使用随机推荐策略向观看视频的用户进行推荐。
综上所述,本发明实施例具有以下技术效果:
由于当前曝光是基于对应分配的访问量和曝光时限实现的,因此根据当前曝光参数确定的曝光时长预测值可以准确反映当前曝光中多媒体信息的质量,进而通过更新曝光的结果确定的属性,可以准确反映多媒体信息在连续的曝光过程中的质量,这一过程中,通过逐次曝光多媒体信息实现了评估多媒体信息质量,并逐步放大流量,不断循环迭代,继续推荐的多媒体信息的质量越来越高,同时,所确定的属性为待推荐的目标多媒体信息可以应用于运营策略或作为推荐召回来源,提升了召回多媒体信息的效率。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (13)
1.一种多媒体信息处理方法,其特征在于,所述方法包括:
基于多媒体信息的当前曝光对应分配的访问量和曝光时限,对所述多媒体信息进行曝光;
根据所述多媒体信息在所述当前曝光中的曝光参数,确定所述多媒体信息的更新曝光的曝光时长预测值;
当所述多媒体信息的更新曝光的曝光时长预测值达到曝光时长阈值时,确定所述更新曝光所对应分配的访问量和曝光时限;
根据所述多媒体信息的更新曝光所对应分配的访问量和曝光时限,对所述多媒体信息进行更新曝光;
根据所述多媒体信息的更新曝光的结果确定所述多媒体信息的属性。
2.根据权利要求1所述的方法,其特征在于,确定所述多媒体信息的更新曝光的曝光时长预测值之前,所述方法还包括:
当所述当前曝光的实际的曝光次数达到所述当前曝光对应分配的访问量,并且所述当前曝光的实际的曝光时长未达到所述当前曝光对应分配的曝光时限时,
触发停止所述多媒体信息的当前曝光,并获取所述多媒体信息在所述当前曝光中的曝光参数;
所述曝光参数包括以下至少之一:所述多媒体信息的平均曝光时长;所述多媒体信息的平均观看完整度;所述多媒体信息的访问用户量。
3.根据权利要求1所述的方法,其特征在于,确定所述多媒体信息的更新曝光的曝光时长预测值之前,所述方法还包括:
当所述当前曝光的实际的曝光时长达到所述当前曝光对应分配的曝光时限时,触发停止所述当前曝光,并获取所述多媒体信息在所述当前曝光中的曝光参数;
所述曝光参数包括以下至少之一:所述多媒体信息的平均曝光时长;所述多媒体信息的平均观看完整度;所述多媒体信息的访问用户量。
4.根据权利要求1所述的方法,其特征在于,
所述根据所述多媒体信息在所述当前曝光中的曝光参数,确定所述多媒体信息的更新曝光的时长预测值,包括:
对所述多媒体信息在所述当前曝光中的曝光参数进行处理,得到所述多媒体信息的更新曝光的开始时间和结束时间;
根据所述当前曝光的开始时间和结束时间,获取所述当前曝光的目标用户对应的用户行为特征;
根据所获取的用户行为特征、以及所述更新曝光的开始时间与结束时间,确定所述多媒体信息在所述当前曝光中的平均观看时长,并确定所述平均观看时长为所述更新曝光的时长预测值。
5.根据权利要求4所述的方法,其特征在于,
所述对所述多媒体信息在所述当前曝光中的曝光参数进行处理,得到所述多媒体信息的更新曝光的开始时间和结束时间,包括:
确定结束所述当前曝光时所述多媒体信息的实际曝光时间的累计值、以及结束所述当前曝光时对应分配的曝光时限的累计值,并确定最小的累计值为所述多媒体信息的当前曝光的实际结束时间;
将所述当前曝光的实际结束时间,作为所述多媒体信息的更新曝光的开始时间;
根据所述多媒体信息的更新曝光的开始时间,确定所述多媒体信息的更新曝光的结束时间。
6.根据权利要求5所述的方法,其特征在于,
所述根据所述多媒体信息的更新曝光的开始时间,确定所述多媒体信息的更新曝光的结束时间,包括:
确定所述多媒体信息的当前曝光的结束时间与所述曝光时限的相加之和;
确定所述多媒体信息的更新曝光的实际结束时间、所述相加之和、以及与所述曝光时限的累计值中的最小值,作为所述多媒体信息的更新曝光的结束时间。
7.根据权利要求4所述的方法,其特征在于,
所述根据所述当前曝光的开始时间和结束时间,获取所述当前曝光的目标用户对应的用户行为特征,包括:
在所述当前曝光的开始时间和结束时间之间,获取所述多媒体信息对应各个所述目标用户的观看时长,并确定每个目标用户的观看时长的总和;
在所述当前曝光的开始时间和结束时间之间,获取所述多媒体信息对应各个目标用户的访问次数,并确定各个所述目标用户的访问次数的总和。
8.根据权利要求7所述的方法,其特征在于,
所述根据所获取的用户行为特征、以及所述更新曝光的开始时间与结束时间,确定所述多媒体信息在所述当前曝光中的平均观看时长,包括:
将所述多媒体信息在所述当前曝光中对应的观看时长的总和、与所述多媒体信息在所述当前曝光中对应的访问次数的总和之间的比值,确定为所述多媒体信息在所述当前曝光中的平均观看时长。
9.根据权利要求1所述的方法,其特征在于,所述方法还包括:
当所述多媒体信息的更新曝光的曝光时长预测值未达到所述曝光时长阈值时,停止对所述多媒体信息分配更新的访问量和曝光时限。
10.根据权利要求1所述的方法,其特征在于,
所述根据所述多媒体信息的更新曝光的结果确定所述多媒体信息的属性,包括:
当所述多媒体信息的更新曝光的次数达到迭代更新次数阈值时,确定所述多媒体信息的属性为待推荐的目标多媒体信息;
当所述多媒体信息的更新曝光的曝光时长预测值未达到所述曝光时长阈值、且更新曝光的次数未达到所述迭代更新次数阈值时,确定所述多媒体信息的属性为中止推荐的目标多媒体信息。
11.一种多媒体信息处理装置,其特征在于,所述装置包括:
多媒体信息曝光模块,用于基于多媒体信息的当前曝光对应分配的访问量和曝光时限,对所述多媒体信息进行曝光;
所述多媒体信息处理模块,用于根据所述当前曝光中的曝光参数,确定所述多媒体信息的更新曝光的曝光时长预测值;
所述多媒体信息处理模块,用于当所述多媒体信息的更新曝光的曝光时长预测值达到曝光时长阈值时,确定所述更新曝光所对应分配的访问量和曝光时限;
所述多媒体信息曝光模块,用于根据所述多媒体信息的更新曝光所对应分配的访问量和曝光时限,对所述多媒体信息进行更新曝光;
所述多媒体信息处理模块,用于根据所述多媒体信息的更新曝光的结果确定所述多媒体信息的属性。
12.一种电子设备,其特征在于,所述电子设备包括:
存储器,用于存储可执行指令;
处理器,用于运行所述存储器存储的可执行指令时,实现权利要求1至10任一项所述的多媒体信息处理方法。
13.一种计算机可读存储介质,存储有可执行指令,其特征在于,所述可执行指令被处理器执行时实现权利要求1至10任一项所述的多媒体信息处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910556763.7A CN112131413A (zh) | 2019-06-25 | 2019-06-25 | 一种多媒体信息处理方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910556763.7A CN112131413A (zh) | 2019-06-25 | 2019-06-25 | 一种多媒体信息处理方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112131413A true CN112131413A (zh) | 2020-12-25 |
Family
ID=73850152
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910556763.7A Pending CN112131413A (zh) | 2019-06-25 | 2019-06-25 | 一种多媒体信息处理方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112131413A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113129067A (zh) * | 2021-04-27 | 2021-07-16 | 北京百度网讯科技有限公司 | 信息筛选方法、装置、设备、存储介质及计算机程序产品 |
CN113242459A (zh) * | 2021-07-13 | 2021-08-10 | 武汉斗鱼鱼乐网络科技有限公司 | 一种新视频曝光方法、装置、介质及计算机设备 |
CN113347464A (zh) * | 2021-04-30 | 2021-09-03 | 北京奇艺世纪科技有限公司 | 一种视频播放流量预测方法、装置、电子设备及存储介质 |
CN114286135A (zh) * | 2021-12-22 | 2022-04-05 | 天翼爱音乐文化科技有限公司 | 一种新视频推荐流量分发方法、系统、设备及介质 |
CN114374881A (zh) * | 2022-01-05 | 2022-04-19 | 北京百度网讯科技有限公司 | 分配用户流量的方法、装置、电子设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150248412A1 (en) * | 2012-09-29 | 2015-09-03 | Tencent Technology (Shenzhen) Company Limited | Information pushing method and apparatus |
CN108259939A (zh) * | 2017-12-25 | 2018-07-06 | 广州华多网络科技有限公司 | 新视频推送控制方法、装置及服务器 |
CN108537570A (zh) * | 2018-03-08 | 2018-09-14 | 北京达佳互联信息技术有限公司 | 一种信息曝光方法及装置 |
CN109325825A (zh) * | 2018-09-04 | 2019-02-12 | 口口相传(北京)网络技术有限公司 | 流量数据的调控方法及装置 |
CN109558542A (zh) * | 2018-12-04 | 2019-04-02 | 北京达佳互联信息技术有限公司 | 一种信息质量评估方法、信息推送方法及装置 |
-
2019
- 2019-06-25 CN CN201910556763.7A patent/CN112131413A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150248412A1 (en) * | 2012-09-29 | 2015-09-03 | Tencent Technology (Shenzhen) Company Limited | Information pushing method and apparatus |
CN108259939A (zh) * | 2017-12-25 | 2018-07-06 | 广州华多网络科技有限公司 | 新视频推送控制方法、装置及服务器 |
CN108537570A (zh) * | 2018-03-08 | 2018-09-14 | 北京达佳互联信息技术有限公司 | 一种信息曝光方法及装置 |
CN109325825A (zh) * | 2018-09-04 | 2019-02-12 | 口口相传(北京)网络技术有限公司 | 流量数据的调控方法及装置 |
CN109558542A (zh) * | 2018-12-04 | 2019-04-02 | 北京达佳互联信息技术有限公司 | 一种信息质量评估方法、信息推送方法及装置 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113129067A (zh) * | 2021-04-27 | 2021-07-16 | 北京百度网讯科技有限公司 | 信息筛选方法、装置、设备、存储介质及计算机程序产品 |
CN113347464A (zh) * | 2021-04-30 | 2021-09-03 | 北京奇艺世纪科技有限公司 | 一种视频播放流量预测方法、装置、电子设备及存储介质 |
CN113347464B (zh) * | 2021-04-30 | 2022-09-30 | 北京奇艺世纪科技有限公司 | 一种视频播放流量预测方法、装置、电子设备及存储介质 |
CN113242459A (zh) * | 2021-07-13 | 2021-08-10 | 武汉斗鱼鱼乐网络科技有限公司 | 一种新视频曝光方法、装置、介质及计算机设备 |
CN114286135A (zh) * | 2021-12-22 | 2022-04-05 | 天翼爱音乐文化科技有限公司 | 一种新视频推荐流量分发方法、系统、设备及介质 |
CN114374881A (zh) * | 2022-01-05 | 2022-04-19 | 北京百度网讯科技有限公司 | 分配用户流量的方法、装置、电子设备及存储介质 |
CN114374881B (zh) * | 2022-01-05 | 2023-09-01 | 北京百度网讯科技有限公司 | 分配用户流量的方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112131413A (zh) | 一种多媒体信息处理方法、装置、电子设备及存储介质 | |
CN110781321B (zh) | 一种多媒体内容推荐方法及装置 | |
CN107038213B (zh) | 一种视频推荐的方法及装置 | |
CN109062919B (zh) | 一种基于深度强化学习的内容推荐方法及装置 | |
CN110781391A (zh) | 一种信息推荐方法、装置、设备及存储介质 | |
CN110378434A (zh) | 点击率预测模型的训练方法、推荐方法、装置及电子设备 | |
CN109086439A (zh) | 信息推荐方法及装置 | |
JP6547070B2 (ja) | プッシュ情報粗選択ソーティングの方法、デバイス、およびコンピュータ記憶媒体 | |
CN110413867B (zh) | 用于内容推荐的方法及系统 | |
US9621955B2 (en) | Identifying media channels that have a high likelihood of multiple consumptions by one or more users | |
CN113656681B (zh) | 一种对象评价方法、装置、设备及存储介质 | |
CN113536097B (zh) | 基于自动特征分组的推荐方法及装置 | |
US11914651B2 (en) | Classification and selective filtering of a data set | |
CN111062527B (zh) | 一种视频集流量预测方法及装置 | |
WO2020258773A1 (zh) | 确定推送用户群的方法、装置、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 | |
CN114339417A (zh) | 一种视频推荐的方法、终端设备和可读存储介质 | |
CN113015010A (zh) | 推送参数确定方法、装置、设备及计算机可读存储介质 | |
CN108038001B (zh) | 垃圾文件清理策略生成方法、装置及服务器 | |
CN111680218B (zh) | 用户兴趣识别方法、装置、电子设备及存储介质 | |
CN113010790A (zh) | 内容推荐方法、装置、服务器及存储介质 | |
CN113836388A (zh) | 信息推荐方法、装置、服务器及存储介质 | |
WO2022247671A1 (zh) | 用户召回方法、装置、计算机设备和存储介质 | |
CN112804566A (zh) | 节目推荐方法、设备及计算机可读存储介质 | |
CN113742580B (zh) | 目标类型数据的召回方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40035338 Country of ref document: HK |
|
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |