CN112199582B - 一种内容推荐方法、装置、设备及介质 - Google Patents

一种内容推荐方法、装置、设备及介质 Download PDF

Info

Publication number
CN112199582B
CN112199582B CN202010997242.8A CN202010997242A CN112199582B CN 112199582 B CN112199582 B CN 112199582B CN 202010997242 A CN202010997242 A CN 202010997242A CN 112199582 B CN112199582 B CN 112199582B
Authority
CN
China
Prior art keywords
scene
target
image
entity
keyword
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
CN202010997242.8A
Other languages
English (en)
Other versions
CN112199582A (zh
Inventor
赵明
于松
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.)
Juhaokan Technology Co Ltd
Original Assignee
Juhaokan 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 Juhaokan Technology Co Ltd filed Critical Juhaokan Technology Co Ltd
Priority to CN202010997242.8A priority Critical patent/CN112199582B/zh
Publication of CN112199582A publication Critical patent/CN112199582A/zh
Application granted granted Critical
Publication of CN112199582B publication Critical patent/CN112199582B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/54—Interprogram communication
    • G06F9/546—Message passing systems or structures, e.g. queues
    • 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]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H04N21/4662—Learning process for intelligent management, e.g. learning user preferences for recommending movies characterized by learning algorithms
    • H04N21/4665—Learning process for intelligent management, e.g. learning user preferences for recommending movies characterized by learning algorithms involving classification methods, e.g. Decision trees
    • 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]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H04N21/4668—Learning process for intelligent management, e.g. learning user preferences for recommending movies for recommending content, e.g. movies
    • 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

Abstract

本发明公开了一种内容推荐方法、装置、设备及介质，用以解决现有技术中内容推荐的准确性不高，影响用户的体验的问题。该方法包括：根据获取到的当前帧图像的属性信息，以及上一帧图像的属性信息，确定是否发生了场景切换，若确定场景发生了切换，则根据所述上一帧图像所在场景中的每帧图像，识别所述场景包含的实体和关键词，并获取所述场景中出现数量大于设定阈值的目标实体和目标关键词，若接收到推荐请求，推荐包含所述目标实体和目标关键词的内容。该方法基于在线分类平台进行场景片段分类，确定并显示目标片段类别后，根据接收到的推荐请求，进行目标片段的推荐，考虑了时序上的关联性，能够保证推荐的内容的准确性，从而提高了用户的体验。

Description

一种内容推荐方法、装置、设备及介质
技术领域
本发明涉及人机互动技术领域，尤其涉及一种内容推荐方法、装置、设备及介质。
背景技术
伴随着海量新媒资的快速增长，媒资内容的详细描述信息大量缺失，因此在智能终端上为用户推荐内容时效果不佳，但是用户对于获取与选择内容的相关媒资需求却日益强烈。
目前存在的内容推荐方法主要是针对媒资播放过程中逐帧的图像进行内容识别，获得每帧图像上的实体、关键词等信息，这些信息虽然能够在某种程度增强媒资的内容特征的丰富性，但是却缺少时序上的关联性，基于每帧图像获取到的内容特征进行推荐时，因为不知道该内容特征是否为媒资内容的主要内容，如果该内容特征不是媒资内容的主要内容，在推荐时，基于该内容特征，将会导致推荐内容和用户的需求存在明显偏差，影响用户的体验。
发明内容
本发明实施例提供了一种内容推荐方法、装置、设备及介质，用以解决现有技术中内容推荐不准确、影响用户体验的问题。
第一方面，本发明提供了一种内容推荐方法，所述方法包括：
根据获取到的当前帧图像的属性信息，以及上一帧图像的属性信息，确定是否发生了场景切换；
若是，根据所述上一帧图像所在场景中的每帧图像，识别所述场景包含的实体和关键词；
获取所述场景中出现数量大于设定阈值的目标实体和目标关键词；
若接收到推荐请求，推荐包含所述目标实体和目标关键词的内容。
进一步地，所述根据获取到的当前帧图像的属性信息，以及上一帧图像的属性信息，确定是否发生了场景切换，包括：
根据当前帧图像的属性信息和上一帧图像的属性信息，确定所述当前帧图像的和所述上一帧图像的相似度；
若所述当前帧图像和所述上一帧图像的相似度小于预设的相似度阈值，则确定发生了场景切换。
进一步地，所述确定发生了场景切换之后，所述根据所述上一帧图像所在场景中的每帧图像，识别所述场景包含的实体和关键词之前，所述方法还包括：
判断所述场景的时长是否小于设定的第一时间阈值；
若否，则进行根据所述上一帧图像所在场景中的每帧图像，识别所述场景包含的实体和关键词的步骤。
进一步地，所述确定发生了场景切换之后，所述根据所述上一帧图像所在场景中的每帧图像，识别所述场景包含的实体和关键词之前，所述方法还包括：
判断所述场景的时长是否大于设定的第二时间阈值；
若是，则将所述场景中包含的图像，按照预设的时间长度进行切割，得到至少两个子场景片段；
采用切割后时间靠前的子场景片段对所述场景进行替换，并进行根据所述上一帧图像所在场景中的每帧图像，识别所述场景包含的实体和关键词的步骤。
进一步地，所述获取所述场景中出现数量大于设定阈值的目标实体和目标关键词之后，接收到推荐请求之前，所述方法还包括：
通过预先训练的类别识别模型，基于所述目标实体和目标关键词，确定所述场景的目标片段类别并显示；
所述接收到推荐请求，包括：
接收到对所述目标片段类别的选择请求。
进一步地，所述推荐包含所述目标实体和目标关键词的内容包括：
根据场景片段库中预先保存的各场景的片段类别，查找所述目标片段类别的各片段；
根据查找到的片段包含的实体和关键词，以及所述目标实体和目标关键词，确定匹配的目标片段；
推荐所述匹配的目标片段。
进一步地，所述根据查找到的片段包含的实体和关键词，以及所述目标实体和目标关键词，确定匹配的目标片段包括：
根据查找到的片段包含的实体和关键词，以及所述目标实体和目标关键词，确定各片段与所述目标实体和目标关键词的匹配度；
将匹配度大于设定阈值的片段，作为匹配的目标片段。
第二方面，本发明还提供了一种内容推荐装置，所述装置包括：
确定模块，用于根据获取到的当前帧图像的属性信息，以及上一帧图像的属性信息，确定是否发生了场景切换；
识别模块，用于确定发生了场景切换时，根据所述上一帧图像所在场景中的每帧图像，识别所述场景包含的实体和关键词；
获取模块，用于获取所述场景中出现数量大于设定阈值的目标实体和目标关键词；
处理模块，用于若接收到推荐请求，推荐包含所述目标实体和目标关键词的内容。
进一步地，所述确定模块，具体用于根据当前帧图像的属性信息和上一帧图像的属性信息，确定所述当前帧图像的和所述上一帧图像的相似度；若所述当前帧图像和所述上一帧图像的相似度小于预设的相似度阈值，则确定发生了场景切换。
进一步地，所述确定模块，还用于判断所述场景的时长是否小于设定的第一时间阈值；
所述识别模块，还用于若所述场景的时长不小于设定的第一时间阈值，则进行根据所述上一帧图像所在场景中的每帧图像，识别所述场景包含的实体和关键词的步骤。
进一步地，所述确定模块，还用于判断所述场景的时长是否大于设定的第二时间阈值；
所述处理模块，还用于所述场景的时长大于设定的第二时间阈值，则将所述场景中包含的图像，按照预设的时间长度进行切割，得到至少两个子场景片段；
所述识别模块，还用于采用切割后时间靠前的子场景片段对所述场景进行替换，并进行根据所述上一帧图像所在场景中的每帧图像，识别所述场景包含的实体和关键词的步骤。
进一步地，所述确定模块，还用于通过预先训练的类别识别模型，基于所述目标实体和目标关键词，确定所述场景的目标片段类别并显示；
所述获取模块，还用于接收到对所述目标片段类别的选择请求。
进一步地，所述处理模块，具体用于根据场景片段库中预先保存的各场景的片段类别，查找所述目标片段类别的各片段；根据查找到的片段包含的实体和关键词，以及所述目标实体和目标关键词，确定匹配的目标片段；推荐所述匹配的目标片段。
进一步地，所述处理模块，具体用于根据查找到的片段包含的实体和关键词，以及所述目标实体和目标关键词，确定各片段与所述目标实体和目标关键词的匹配度；将匹配度大于设定阈值的片段，作为匹配的目标片段。
第三方面，本发明还提供了一种电子设备，所述电子设备包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现如上述任一所述内容推荐方法的步骤。
第四方面，本发明还提供了一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一所述内容推荐方法的步骤。
在本发明实施例中，根据获取到的当前帧图像的属性信息，以及上一帧图像的属性信息，确定是否发生了场景切换，若确定发生了场景切换后，根据上一帧图像所在场景中的每帧图像，识别该场景包含的实体和关键词，并获取该场景中出现数量大于设定阈值的目标实体和目标关键词，若接收到推荐请求，推荐包含所述目标实体和目标关键词的内容。由于本发明实施例中根据每个场景中包含的图像，确定该场景包含的目标实体和目标关键词，基于在线分类平台进行场景片段分类，确定并显示目标片段类别后，根据接收到的推荐请求，基于该目标实体和目标关键词来进行相关内容的推荐，考虑了时序上的关联性，保证推荐的内容的准确性，从而提高了用户的体验。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种内容推荐过程示意图；
图2为本发明实施例提供的一种基于视频场景检测提取场景片段的示例图；
图3为本发明实施例提供的一种实时在线增量学习系统流程图；
图4为本发明实施例提供的一种内容推荐系统结构示意图；
图5为本发明实施例提供的一种内容推荐装置结构示意图；
图6为本发明实施例提供的一种电子设备。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员所获取的所有其他实施例，都属于本发明保护的范围。
为了保证内容推荐的准确性，提高用户的体验，本发明实施例提供了一种内容推荐方法、装置、设备及介质。
实施例1：
图1为本发明实施例提供的一种内容推荐过程示意图，该过程包括以下步骤：
S101：根据获取到的当前帧图像的属性信息，以及上一帧图像的属性信息，确定是否发生了场景切换。
本发明实施例提供的内容推荐方法应用于电子设备，该电子设备可以是服务器，用于向基于智能手机，智能电视等进行媒资观看的用户进行内容推荐，具体的，该电子设备可以应用于在线分类平台中。
为了保证内容推荐的准确性，本发明实施例中可以根据每帧图像包含的内容，确定是否发生了场景切换。具体的，在确定场景是否切换时，针对任意相邻的两帧，根据获得的当前帧图像的属性信息以及上一帧图像的属性信息，确定是否发生了场景切换。其中，该图像的属性信息包括图像的颜色、边缘、纹理等特征中的一种或几种，其中，获取图像的属性信息为现有技术，在此不作赘述。
获取相邻的两帧图像的属性信息后，确定相邻的两帧图像的相似度，若两帧图像的相似度大于设定的阈值，则确定两帧图像相似，未发生场景切换，否则确定两帧图像不相似，发生了场景切换，则该上一帧图像以及其之前的图像属于一个场景，该当前帧图像属于下一场景。为了方便对场景进行区分，可以按照确定顺序，依次确定每个场景的标号。
或者，在基于图像的属性信息，确定是否发生场景切换时，还可以采用颜色空间变化检测、视频场景边界检测、镜头切换检测等方法，确定是否发生场景切换。
在确定了场景发生切换时，对当前场景进行标识，以此来区分当前场景以及下一场景切换后的场景，其中每个场景中包含的图像可以构成场景片段。
S102：若是，根据所述上一帧图像所在场景中的每帧图像，识别所述场景包含的实体和关键词。
本发明实施例中，当确定了发生了场景切换后，针对切换前的场景，根据该场景中包含的每帧图像，对每帧图像中包含的内容进行识别，具体的可以采取的内容识别算法包括但是不限于：Mask R-CNN视频物体识别算法、GMM-HMM音频特征匹配算法、中文语音识别Speech to Text算法等，具体的在对每帧图像中包含的内容进行识别时，可以识别到每帧图像包含的实体和关键词等信息。
其中，实体是客观存在并可相互区别的事物，包括人和物。其中，人可以是男人、女人、老人等，物可以是帽子、茶杯、狗等。关键词是指在检索过程中能够使用的具体名称用语。
其中，针对场景中包含的每帧图像在进行识别时，识别每帧图像中包含的实体和关键词的过程属于现有技术，在本发明实施例中对该过程不进行赘述。
S103：获取所述场景中出现数量大于设定阈值的目标实体和目标关键词。
针对每个场景，在获取到该场景中每帧图像包含的实体和关键词后，可能该场景中的多帧图像中包含有相同的实体，或者相同的关键词，如果每帧图像中都包含有相同的实体或者关键词，说明该实体或关键词在该场景中较重要，相反的，如果某一实体或某一关键词只在少部分图像中出现，或者在个别图像中出现，则说明该实体或关键词对于该场景来说不太重要。
因此，为了确定该场景包含的目标实体和目标关键词，在针对该场景中每帧图像获取到包含的实体和关键词后，针对该场景，统计每个实体和关键词在该场景中出现的次数。为了确定每个实体和关键词是否为目标实体和目标关键词，在本发明实施例中预先设置有设定阈值，将该场景中出现的每个实体和每个关键词在场景中出现的次数与预先设置的设定阈值进行比较，将大于设定阈值的实体和关键词作为目标实体和目标关键词。
其中，设定阈值的大小可以根据需求进行设定，该设定阈值需要保证能够有效的确定该实体或者关键词是否在该场景中经常出现，能体现该场景的主要内容。
S104：若接收到推荐请求，推荐包含所述目标实体和目标关键词的内容。
在接收到推荐请求后，根据获取的该场景出现的目标实体和目标关键词，确定包含该目标实体和目标关键词的内容，并进行推荐。
在本发明实施例中，根据获取到的当前帧图像的属性信息，以及上一帧图像的属性信息，确定是否发生了场景切换，若确定发生了场景切换后，根据上一帧图像所在场景中的每帧图像，识别该场景包含的实体和关键词，并获取该场景中出现数量大于设定阈值的目标实体和目标关键词，若接收到推荐请求，推荐包含所述目标实体和目标关键词的内容。由于本发明实施例中根据每个场景中包含的图像，确定该场景包含的目标实体和目标关键词，基于在线分类平台进行场景片段分类，确定并显示目标片段类别后，根据接收到的推荐请求，基于该目标实体和目标关键词来进行相关内容的推荐，考虑了时序上的关联性，保证推荐的内容的准确性，从而提高了用户的体验。
实施例2：
为了准确的进行内容推荐，在上述实施例的基础上，在本发明实施例中，所述根据获取到的当前帧图像的属性信息，以及上一帧图像的属性信息，确定是否发生了场景切换，包括：
根据当前帧图像的属性信息和上一帧图像的属性信息，确定所述当前帧图像的和所述上一帧图像的相似度；
若所述当前帧图像和所述上一帧图像的相似度小于预设的相似度阈值，则确定发生了场景切换。
提取到当前帧图像的属性信息以及上一帧图像的属性信息后，计算当前帧图像和上一帧图像的相似度，可以通过计算SSIM、余弦值等方法进行相似度的计算，其中计算相似度为现有技术，在此不做赘述。
预先设置一个相似度阈值，若该相似度大于或者等于该相似度阈值，则说明当前帧图像和上一帧图像相似，当前帧图像和上一帧图像归属于同一场景内，此时未发生场景切换。若该相似度小于该相似度阈值，则说明当前帧图像和上一帧图像不相似，当前帧图像和上一帧图像归属于不同的场景，此时发生了场景切换。
实施例3：
为了准确的进行内容推荐，在上述各实施例的基础上，在本发明实施例中，所述确定发生了场景切换之后，所述根据所述上一帧图像所在场景中的每帧图像，识别所述场景包含的实体和关键词之前，所述方法还包括：
判断所述场景的时长是否小于设定的第一时间阈值；
若否，则进行根据所述上一帧图像所在场景中的每帧图像，识别所述场景包含的实体和关键词的步骤。
当识别到进行了场景切换时，则可以确定上一帧图像及其之前的图像构成该场景的片段。场景的片段包含的图像的数量可能多，也可能少，也就是说场景的时长可能长，也可能短，但当场景的时长过短时，说明其包含的图像的数量较少，该场景本身的时序连贯性较差，可能会导致后续内容推荐过程中推荐的内容不准确，影响内容推荐的价值。即该场景的时长小于设定的第一时间阈值时，则将该场景过滤，不基于该场景进行内容的推荐。
因此在本发明实施例中，在进行场景的内容和关键词的识别之前，首先对场景的时长进行判断，预先设定第一时间阈值，当场景的时长不小于设定的第一时间阈值，则确定该时长的场景中的图片的数量足够保证内容推荐的准确性，则可以根据所述上一帧图像所在场景中的每帧图像，识别所述场景包含的实体和关键词。当该场景的时长小于设定的第一时间阈值，则说明该场景包含的图片较少，不能保证根据该时长的场景中的图片能够准确地确定推荐内容，则将该场景进行过滤，不基于该场景进行内容的推荐。
图2为本发明实施例提供的一种基于视频场景检测提取场景片段的示例图。
若预先设定的第一时间阈值为3s，则将小于3s的片段进行过滤，比如场景编号为1、2、6、7、8、9、10、11、14、16、18、19、20、21、22、23、24、25的场景片段，时间长度均小于3s，为保证内容推荐的准确性，则直接将这些场景片段进行过滤，不进行根据上一帧图像所在场景中的每帧图像，识别该场景包含的实体和关键词的步骤。
为了准确的进行内容推荐，在上述各实施例的基础上，在本发明实施例中，所述确定发生了场景切换之后，所述根据所述上一帧图像所在场景中的每帧图像，识别所述场景包含的实体和关键词之前，所述方法还包括：
判断所述场景的时长是否大于设定的第二时间阈值；
若是，则将所述场景中包含的图像，按照预设的时间长度进行切割，得到至少两个子场景片段；
采用切割后时间靠前的子场景片段对所述场景进行替换，并进行根据所述上一帧图像所在场景中的每帧图像，识别所述场景包含的实体和关键词的步骤。
当场景的时长过长时，说明该场景包含的图像的数量较多，可能会导致后续在进行内容推荐的过程中，计算处理过程过于繁琐，计算量大，影响内容推荐的效率。
因此在本发明实施例中，在进行场景的内容和关键词的识别之前，首先对场景的时长进行判断，预先设定第二时间阈值，当场景的时长大于设定的第二时间阈值，则确定该时长的场景中的图片的数量较多，可能会影响后续内容推荐的效率。需要对该时长的场景按照预设的时间长度进行切割。其中第二时长阈值大于第一时长阈值，其中该预设的时间长度小于等于第二时长阈值，一般的该预设的时间长度可以等于该第二时长阈值。
由于该场景内的所有帧图像中任意相邻的两帧图像的相似度均大于相似度阈值，因此切割后的各个场景片段中的任意一个子场景片段均可对该场景进行替换。一般的，默认采用切割后时间靠前的子场景片段对该场景进行替换，也就是基于该切割后时间靠前的子场景片段中包含的每一帧图像，识别该场景包含的实体和关键词的步骤。
从图2中可以看出，若预先设定的第二时间阈值为8s，则将大于8s的片段进行切割，比如场景编号为4、5、13、15、26的场景片段，时长均大于8s，则将这些场景按照8s的长度进行场景切割，并采用切割后时间靠前的子场景片段对该场景进行替换，并进行根据该上一帧图像所在场景中的每帧图像，识别该场景包含的实体和关键词的步骤。
实施例4：
为了准确的进行内容推荐，在上述各实施例的基础上，在本发明实施例中，所述获取所述场景中出现数量大于设定阈值的目标实体和目标关键词之后，接收到推荐请求之前，所述方法还包括：
通过预先训练的类别识别模型，基于所述目标实体和目标关键词，确定所述场景的目标片段类别并显示；
所述接收到推荐请求，包括：
接收到对所述目标片段类别的选择请求。
在进行内容推荐时，可以直接根据目标实体和目标关键词进行搜索，但是包含相同实体和关键词的内容可能很多，为了提高推荐的准确性，在本发明实施例中，还可以确定场景的类别。
具体的在确定场景的类别时，电子设备中预先保存有训练完成的类别识别模型，当确定了目标实体和目标关键词后，将目标实体和目标关键词作为输入输入到类别识别模型中，类别识别模型将根据输入的目标实体和目标关键词，确定场景的目标片段类别。
将目标实体和目标关键词输入到类别识别模型确定类别后，类别识别模型将根据输入的目标实体和目标关键词，确定场景的目标片段类别，电子设备可以将目标片段类别显示出来，其中，目标片段类别可以是浪漫、恐怖、暖色系、冷色系、XX实体等。由于片头和片尾更具有代表性，因此即使片头和片尾是由多个场景构成的，但是也可以将其单独作为一个目标片段类别进行显示。
用户根据显示出来的场景的目标片段类别，若选择该目标片段类别对应的内容推荐，则可以点击电子设备屏幕对应的选择区域进行选择，选择成功后，电子设备将会接收到推荐请求，依据该推荐请求，进行内容的推荐。
针对类别识别模型，可以利用半监督K-Meeans算法构建类别识别模型。在进行类别识别模型的训练过程中，利用预先保存的场景片段库中标注好的场景片段作为类别识别模型的样本，其中，预先保存的场景片段库中保存有大量的场景片段，其中每个场景片段有其包含的实体和关键词，并且保存有该场景片段对应的片段类别的标识信息。
根据该场景片段库中保存的该场景包含的实体和关键词，输入到待训练的类别识别模型中，获取该类别识别模型输出的该场景片段对应的片段类别的标识信息，根据该输出的片段类别标识信息以及标注的片段类别的标识信息，对该类别识别模型进行训练。
已有场景片段库中的保存有通过历史人工标注和后期持续迭代学习积累到场景片段，当预先保存的场景片段库的场景片段的类别较少时，可以采用本地单机训练类别识别模型，当预先保存的场景片段库的场景片段的类别较多时，可以采用Spark分布式集群进行模拟训练。且为了提高训练模型的泛化能力，采用动态参数网络进行模拟训练和选择，选取较好的模型和参数。
将训练好的类别识别模型，直接输入到在线无监督的聚类算法模型中去，也可以保存在Elasticsearch等准实时存储系统中，确保在线模块可以通过RestFul等方式快速读取、选择和加载模型。
训练好类别识别模型后，将获取到的目标实体和目标关键词放入预先训练好的类别识别模型中，类别识别模型输出该目标实体和目标关键词对应的场景的目标片段类别，并将该目标片段类别显示出来，用户根据显示出来的该目标片段类别，确定是否想要该目标片段类别的相似内容的推荐，若是，则用户进行选择，电子设备接受到针对该目标片段类别的选择请求。其中，该选择请求中包含目标片段类别以及目标实体和目标关键词。
为解决用户量大，导致内容推荐不及时的问题，可以将在线增量学习模型构建在流式数据分析平台如Spark Streaming或Storm集群上，以构成在线分类平台，以保证内容推荐的及时性，图3为本发明实施例提供的一种实时在线增量学习系统流程图。
在接收到携带目标实体和目标关键词的内容推荐请求后，通过流式数据清洗管道，采用但是不限于kafka等消息队列，通过多个topic向实时处理平台输入该场景片段识别出来的目标实体和目标关键词，用户观看的当前场景信息以及用户选择的场景信息，通过实时增量聚类算法，进行聚类并输出聚类结果，以此来实现场景片段的类别识别。
其中，在流式数据清洗管道中，除了将场景片段识别出来的目标实体和目标关键词进行输入外，同时完成特征数据的增量聚类计算，更新算法参数，并输出聚类结果。其中，本发明实施例中，可采用但是不限于以下方法构建K-means的在线增量学习系统，在SparkStreaming平台上基于MLlib提供的online k-means模块，或者在Stonm集群上基于Trident+ML模块，均可完成以上模型构建，此外，也可以两个系统进行结合，其中一个负责模型更新，另外一个负责计算推荐结果。
实施例5：
为了准确的进行内容推荐，在上述实施例的基础上，在本发明实施例中，所述推荐包含所述目标实体和目标关键词的内容包括：
根据场景片段库中预先保存的各场景的片段类别，查找所述目标片段类别的各片段；
根据查找到的片段包含的实体和关键词，以及所述目标实体和目标关键词，确定匹配的目标片段；
推荐所述匹配的目标片段。
为了提高内容推荐的准确性，预先保存有各场景的片段，当接收到携带目标片段类别以及目标实体和目标关键词的选择请求后，根据场景片段库中预先保存的各场景的片段类别，确定针对该目标片段类别保存的场景片段。并且针对每个片段保存的实体和关键词，以及该目标实体和目标关键词对，确定匹配的目标片段。
其中，若预先保存的各场景片段中存在场景中识别到的目标实体和目标关键词，则说明该场景片段为匹配的目标片段。
获取了目标实体和目标关键词后，基于该目标实体和目标关键词进行内容推荐为现有技术，在本发明实施例中不再赘述。
编号 名称 相关内容
1 片头，片尾 “卡通儿童知识”
2 片段2，片段7 “海洋世界”
3 片段3 “海底生物”
4 片段4 “海底探秘”
5 片段5 “海上激战”
从上表可以看出，若场景片段1的为片头或者片尾时，识别到该场景中的目标实体和目标关键词为卡通形象内容，则可以为用户推荐相似的儿童知识类片头和片尾。若片段5中识别到该场景中的目标实体和目标关键词为海盗、海盗船，则可以为用户推荐相似的海上激战的场景片段。
为了准确的进行内容推荐，在上述实施例的基础上，在本发明中，所述根据查找到的片段包含的实体和关键词，以及所述目标实体和目标关键词，确定匹配的目标片段包括：
根据查找到的片段包含的实体和关键词，以及所述目标实体和目标关键词，确定各片段与所述目标实体和目标关键词的匹配度；
将匹配度大于设定阈值的片段，作为匹配的目标片段。
根据目标实体和目标关键词，确定预先保存的各个场景片段中包含该目标实体和该目标关键词的片段，可以根据匹配成功的各个实体和各个关键词的数量的多少判断匹配度，并且匹配成功的实体和关键词的数量越多，则匹配度越高。其中，根据匹配度高低将获取到目标片段由高到低进行排列，其中，匹配度越高，越排越在前列。预先设置一个设定阈值，将预先保存的各个场景片段中大于该设定阈值的场景片段按照匹配度从高到低的顺序进行显示，并且将当前的场景片段一并显示出来。
图4为本发明实施例提供的一种内容推荐系统结构示意图。
首先在后端服务器中启动新媒资，根据该新媒资中对应的当前帧图像的属性信息和上一帧图像的属性信息，确定当前帧图像和上一帧图像的相似度，若相似度小于预先设定的相似度阈值，则确定场景发生切变。确定场景发生切变后，通过视频内容识别和音频内容识别识别该包含该上一帧图像的场景内所有帧图像中的目标实体和目标关键词，将该目标实体和目标关键词输入到类别识别模型中，确定该目标片段类别并将该目标片段类别在电子设备上进行显示。用户根据该显示的目标片段类别以及该场景片段是否为自己感兴趣的片段，确定是否需要内容推荐，若需要则发送推荐请求，电子设备接收到推荐请求后，根据场景片段库中预先保存的各场景的片段类别，查找该片段类别的各片段，根据查找到的片段包含的实体和关键词，以及该目标实体和目标关键词，确定匹配的相似场景片段作为目标片段，并实时将该目标片段进行推荐，将实时推荐结果发送给用户。
实施例6：
图5为本发明实施例提供的一种内容推荐装置结构示意图，该装置包括：
确定模块501，用于根据获取到的当前帧图像的属性信息，以及上一帧图像的属性信息，确定是否发生了场景切换；
识别模块502，用于确定发生了场景切换时，根据所述上一帧图像所在场景中的每帧图像，识别所述场景包含的实体和关键词；
获取模块503，用于获取所述场景中出现数量大于设定阈值的目标实体和目标关键词；
处理模块504，用于若接收到推荐请求，推荐包含所述目标实体和目标关键词的内容。
在一种可能的实施方式中，所述确定模块501，具体用于根据当前帧图像的属性信息和上一帧图像的属性信息，确定所述当前帧图像的和所述上一帧图像的相似度；若所述当前帧图像和所述上一帧图像的相似度小于预设的相似度阈值，则确定发生了场景切换。
在一种可能的实施方式中，所述确定模块501，还用于判断所述场景的时长是否小于设定的第一时间阈值；
所述识别模块502，还用于若所述场景的时长不小于设定的第一时间阈值，则进行根据所述上一帧图像所在场景中的每帧图像，识别所述场景包含的实体和关键词的步骤。
在一种可能的实施方式中，所述确定模块501，还用于判断所述场景的时长是否大于设定的第二时间阈值；
所述处理模块504，还用于若所述场景的时长大于设定的第二时间阈值，则将所述场景中包含的图像，按照预设的时间长度进行切割，得到至少两个子场景片段；
所述识别模块502，还用于采用切割后时间靠前的子场景片段对所述场景进行替换，并进行根据所述上一帧图像所在场景中的每帧图像，识别所述场景包含的实体和关键词的步骤。
在一种可能的实施方式中，所述确定模块501，还用于通过预先训练的类别识别模型，基于所述目标实体和目标关键词，确定所述场景的目标片段类别并显示；
所述获取模块503，还用于接收到对所述目标片段类别的选择请求。
在一种可能的实施方式中，所述处理模块504，具体用于根据场景片段库中预先保存的各场景的片段类别，查找所述目标片段类别的各片段；根据查找到的片段包含的实体和关键词，以及所述目标实体和目标关键词，确定匹配的目标片段；推荐所述匹配的目标片段。
在一种可能的实施方式中，所述处理模块504，具体用于根据查找到的片段包含的实体和关键词，以及所述目标实体和目标关键词，确定各片段与所述目标实体和目标关键词的匹配度；将匹配度大于设定阈值的片段，作为匹配的目标片段。
实施例7：
在上述各实施例的基础上，本发明一些实施例还提供了一种电子设备，如图6所示，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。
所述存储器603中存储有计算机程序，当所述程序被所述处理器601执行时，使得所述处理器601执行如下步骤：
根据获取到的当前帧图像的属性信息，以及上一帧图像的属性信息，确定是否发生了场景切换；
若是，根据所述上一帧图像所在场景中的每帧图像，识别所述场景包含的实体和关键词；
获取所述场景中出现数量大于设定阈值的目标实体和目标关键词；
若接收到推荐请求，推荐包含所述目标实体和目标关键词的内容。
进一步地，所述处理器601，还用于根据当前帧图像的属性信息和上一帧图像的属性信息，确定所述当前帧图像的和所述上一帧图像的相似度；若所述当前帧图像和所述上一帧图像的相似度小于预设的相似度阈值，则确定发生了场景切换。
进一步地，所述处理器601，还用于判断所述场景的时长是否小于设定的第一时间阈值；若否，则进行根据所述上一帧图像所在场景中的每帧图像，识别所述场景包含的实体和关键词的步骤。
进一步地，所述处理器601，还用于判断所述场景的时长是否大于设定的第二时间阈值；若是，则将所述场景中包含的图像，按照预设的时间长度进行切割，得到至少两个子场景片段；采用切割后时间靠前的子场景片段对所述场景进行替换，并进行根据所述上一帧图像所在场景中的每帧图像，识别所述场景包含的实体和关键词的步骤。
进一步地，所述处理器601，还用于通过预先训练的类别识别模型，基于所述目标实体和目标关键词，确定所述场景的目标片段类别并显示；所述接收到推荐请求，包括：接收到对所述目标片段类别的选择请求。
进一步地，所述处理器601，还用于根据场景片段库中预先保存的各场景的片段类别，查找所述目标片段类别的各片段；根据查找到的片段包含的实体和关键词，以及所述目标实体和目标关键词，确定匹配的目标片段；推荐所述匹配的目标片段。
进一步地，所述处理器601，还用于根据查找到的片段包含的实体和关键词，以及所述目标实体和目标关键词，确定各片段与所述目标实体和目标关键词的匹配度；将匹配度大于设定阈值的片段，作为匹配的目标片段。
上述服务器提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，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602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，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选地，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。
上述处理器可以是通用处理器，包括中央处理器、网络处理器(NetworkProcessor，NP)等；还可以是数字指令处理器(Digital Signal Processing，DSP)、专用集成电路、现场可编程门陈列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。
实施例8：
在上述各实施例的基础上，本发明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可由电子设备执行的计算机程序，当所述程序在所述电子设备上运行时，使得所述电子设备执行时实现如下步骤：
所述存储器中存储有计算机程序，当所述程序被所述处理器执行时，使得所述处理器执行如下步骤：
根据获取到的当前帧图像的属性信息，以及上一帧图像的属性信息，确定是否发生了场景切换；
若是，根据所述上一帧图像所在场景中的每帧图像，识别所述场景包含的实体和关键词；
获取所述场景中出现数量大于设定阈值的目标实体和目标关键词；
若接收到推荐请求，推荐包含所述目标实体和目标关键词的内容。
进一步地，所述根据获取到的当前帧图像的属性信息，以及上一帧图像的属性信息，确定是否发生了场景切换，包括：
根据当前帧图像的属性信息和上一帧图像的属性信息，确定所述当前帧图像的和所述上一帧图像的相似度；若所述当前帧图像和所述上一帧图像的相似度小于预设的相似度阈值，则确定发生了场景切换。
进一步地，所述确定发生了场景切换之后，所述根据所述上一帧图像所在场景中的每帧图像，识别所述场景包含的实体和关键词之前，所述方法还包括：
判断所述场景的时长是否小于设定的第一时间阈值；若否，则进行根据所述上一帧图像所在场景中的每帧图像，识别所述场景包含的实体和关键词的步骤。
进一步地，所述确定发生了场景切换之后，所述根据所述上一帧图像所在场景中的每帧图像，识别所述场景包含的实体和关键词之前，所述方法还包括：
判断所述场景的时长是否大于设定的第二时间阈值；若是，则将所述场景中包含的图像，按照预设的时间长度进行切割，得到至少两个子场景片段；采用切割后时间靠前的子场景片段对所述场景进行替换，并进行根据所述上一帧图像所在场景中的每帧图像，识别所述场景包含的实体和关键词的步骤。
进一步地，所述获取所述场景中出现数量大于设定阈值的目标实体和目标关键词之后，接收到推荐请求之前，所述方法还包括：
通过预先训练的类别识别模型，基于所述目标实体和目标关键词，确定所述场景的目标片段类别并显示；所述接收到推荐请求，包括：接收到对所述目标片段类别的选择请求。
进一步地，所述推荐包含所述目标实体和目标关键词的内容包括：
根据场景片段库中预先保存的各场景的片段类别，查找所述目标片段类别的各片段；根据查找到的片段包含的实体和关键词，以及所述目标实体和目标关键词，确定匹配的目标片段；推荐所述匹配的目标片段。
进一步地，所述根据查找到的片段包含的实体和关键词，以及所述目标实体和目标关键词，确定匹配的目标片段包括：
根据查找到的片段包含的实体和关键词，以及所述目标实体和目标关键词，确定各片段与所述目标实体和目标关键词的匹配度；将匹配度大于设定阈值的片段，作为匹配的目标片段。
由于在本发明实施例中，根据获取到的当前帧图像的属性信息，以及上一帧图像的属性信息，确定是否发生了场景切换，若确定发生了场景切换后，根据上一帧图像所在场景中的每帧图像，识别该场景包含的实体和关键词，并获取该场景中出现数量大于设定阈值的目标实体和目标关键词，若接收到推荐请求，推荐包含所述目标实体和目标关键词的内容。由于本发明实施例中根据每个场景中包含的图像，确定该场景包含的目标实体和目标关键词，基于在线分类平台进行场景片段分类，确定并显示目标片段类别后，根据接收到的推荐请求，基于该目标实体和目标关键词来进行相关内容的推荐，考虑了时序上的关联性，保证推荐的内容的准确性，从而提高了用户的体验。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (9)

1.一种内容推荐方法，其特征在于，所述方法包括：
启动新媒资，其中，所述新媒资包括分别对应不同场景的媒资片段；
基于所述新媒资的当前帧图像的属性信息，以及上一帧图像的属性信息确定是否发生了场景切换，其中，每个场景中包含的图像构成对应本场景的媒资片段；
在发生了场景切换时，针对前一帧图像所在的对应第一场景的第一场景片段中包含的每帧图像进行识别，识别每帧图像中包含的实体和关键词；获取所述第一场景中出现数量大于设定阈值的第一目标实体和第一目标关键词以滤除所述第一场景中不重要的实体和关键词；通过预先训练的类别识别模型，基于所述第一目标实体和第一目标关键词，确定所述第一场景的目标片段类别；在接收到推荐请求后，推荐所述目标片段类别中与所述第一目标实体和第一目标关键词匹配的目标片段；
在未发生场景切换时，识别前一帧图像以及所述当前帧图像对应的第二场景的第二场景片段中包含的每帧图像中包含的实体和关键词；获取所述第二场景中出现次数大于设定阈值的第二目标实体和第二目标关键词；推荐包含所述第二目标实体以及所述第二目标关键词的片段。
2.根据权利要求1所述的方法，其特征在于，所述基于所述新媒资的当前帧图像的属性信息，以及上一帧图像的属性信息确定是否发生了场景切换，包括：
根据当前帧图像的属性信息和上一帧图像的属性信息，确定所述当前帧图像的和所述上一帧图像的相似度；
若所述当前帧图像和所述上一帧图像的相似度小于预设的相似度阈值，则确定发生了场景切换。
3.根据权利要求1所述的方法，其特征在于，所述针对前一帧图像所在的对应第一场景的第一场景片段中包含的每帧图像进行识别，识别每帧图像中包含的实体和关键词之前，所述方法还包括：
判断第一场景片段的时长是否小于设定的第一时间阈值；
若否，则进行针对所述前一帧图像所在的对应第一场景的第一场景片段中包含的每帧图像进行识别，识别每帧图像中包含的实体和关键词的步骤。
4.根据权利要求1所述的方法，其特征在于，所述针对前一帧图像所在的对应第一场景的第一场景片段中包含的每帧图像进行识别，识别每帧图像中包含的实体和关键词之前，所述方法还包括：
判断所述第一场景片段的时长是否大于设定的第二时间阈值；
若是，则将所述第一场景片段中包含的图像，按照预设的时间长度进行切割，得到至少两个子场景片段；
采用切割后时间靠前的子场景片段对所述第一场景片段进行替换，并进行针对所述前一帧图像所在的对应第一场景的第一场景片段中包含的每帧图像进行识别，识别每帧图像中包含的实体和关键词的步骤。
5.根据权利要求1所述的方法，其特征在于，所述推荐所述目标片段类别中与所述目标实体和目标关键词匹配的目标片段包括：
根据场景片段库中预先保存的各场景的片段类别，查找所述目标片段类别的各片段；
根据查找到的片段包含的实体和关键词，以及所述目标实体和目标关键词，确定匹配的目标片段；
推荐所述匹配的目标片段。
6.根据权利要求5所述的方法，其特征在于，所述根据查找到的片段包含的实体和关键词，以及所述目标实体和目标关键词，确定匹配的目标片段包括：
根据查找到的片段包含的实体和关键词，以及所述目标实体和目标关键词，确定各片段与所述目标实体和目标关键词的匹配度；
将匹配度大于设定阈值的片段，作为匹配的目标片段。
7.一种内容推荐装置，其特征在于，所述装置包括：
确定模块，用于启动新媒资，其中，所述新媒资包括分别对应不同场景的媒资片段；
基于所述新媒资的当前帧图像的属性信息，以及上一帧图像的属性信息确定是否发生了场景切换，其中，每个场景中包含的图像构成对应本场景的媒资片段；
识别模块，用于在发生了场景切换时，针对前一帧图像所在的对应第一场景的第一场景片段中包含的每帧图像进行识别，识别每帧图像中包含的实体和关键词；
获取模块，用于获取所述第一场景中出现数量大于设定阈值的第一目标实体和第一目标关键词以滤除所述第一场景中不重要的实体和关键词；通过预先训练的类别识别模型，基于所述第一目标实体和第一目标关键词，确定所述第一场景的目标片段类别；
处理模块，用于在接收到推荐请求后，推荐所述目标片段类别中与所述第一目标实体和第一目标关键词匹配的目标片段；
所述处理模块，还用于在未发生场景切换时，识别前一帧图像以及所述当前帧图像对应的第二场景的第二场景片段中包含的每帧图像中包含的实体和关键词；获取所述第二场景中出现次数大于设定阈值的第二目标实体和第二目标关键词；推荐包含所述第二目标实体以及所述第二目标关键词的片段。
8.一种电子设备，其特征在于，所述电子设备包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1-6中任一所述方法的步骤。
9.一种计算机可读存储介质，其特征在于，其存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-6中任一所述方法的步骤。
CN202010997242.8A 2020-09-21 2020-09-21 一种内容推荐方法、装置、设备及介质 Active CN112199582B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010997242.8A CN112199582B (zh) 2020-09-21 2020-09-21 一种内容推荐方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010997242.8A CN112199582B (zh) 2020-09-21 2020-09-21 一种内容推荐方法、装置、设备及介质

Publications (2)

Publication Number Publication Date
CN112199582A CN112199582A (zh) 2021-01-08
CN112199582B true CN112199582B (zh) 2023-07-18

Family

ID=74014685

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010997242.8A Active CN112199582B (zh) 2020-09-21 2020-09-21 一种内容推荐方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN112199582B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112995666B (zh) * 2021-02-22 2022-04-22 天翼爱音乐文化科技有限公司 一种结合场景切换检测的视频横竖屏转换方法及装置
CN113489895B (zh) * 2021-06-23 2022-05-31 荣耀终端有限公司 确定推荐场景的方法及电子设备
CN114038197B (zh) * 2021-11-24 2023-06-13 浙江大华技术股份有限公司 场景状态的确定方法、装置、存储介质及电子装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108388570A (zh) * 2018-01-09 2018-08-10 北京览科技有限公司 对视频进行分类匹配的方法、装置和挑选引擎
CN108416013A (zh) * 2018-03-02 2018-08-17 北京奇艺世纪科技有限公司 视频匹配、检索、分类和推荐方法、装置及电子设备
CN108446390A (zh) * 2018-03-22 2018-08-24 百度在线网络技术（北京）有限公司 用于推送信息的方法和装置
CN108509457A (zh) * 2017-02-28 2018-09-07 阿里巴巴集团控股有限公司 一种视频数据的推荐方法和装置
CN110381369A (zh) * 2019-07-19 2019-10-25 腾讯科技（深圳）有限公司 推荐信息植入位置的确定方法、装置、设备及存储介质
CN110557659A (zh) * 2019-08-08 2019-12-10 北京达佳互联信息技术有限公司 视频推荐方法、装置、服务器及存储介质
CN110674345A (zh) * 2019-09-12 2020-01-10 北京奇艺世纪科技有限公司 一种视频搜索方法、装置及服务器
CN111061915A (zh) * 2019-12-17 2020-04-24 中国科学技术大学 视频人物关系识别方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108509457A (zh) * 2017-02-28 2018-09-07 阿里巴巴集团控股有限公司 一种视频数据的推荐方法和装置
CN108388570A (zh) * 2018-01-09 2018-08-10 北京览科技有限公司 对视频进行分类匹配的方法、装置和挑选引擎
CN108416013A (zh) * 2018-03-02 2018-08-17 北京奇艺世纪科技有限公司 视频匹配、检索、分类和推荐方法、装置及电子设备
CN108446390A (zh) * 2018-03-22 2018-08-24 百度在线网络技术（北京）有限公司 用于推送信息的方法和装置
CN110381369A (zh) * 2019-07-19 2019-10-25 腾讯科技（深圳）有限公司 推荐信息植入位置的确定方法、装置、设备及存储介质
CN110557659A (zh) * 2019-08-08 2019-12-10 北京达佳互联信息技术有限公司 视频推荐方法、装置、服务器及存储介质
CN110674345A (zh) * 2019-09-12 2020-01-10 北京奇艺世纪科技有限公司 一种视频搜索方法、装置及服务器
CN111061915A (zh) * 2019-12-17 2020-04-24 中国科学技术大学 视频人物关系识别方法

Also Published As

Publication number Publication date
CN112199582A (zh) 2021-01-08

Similar Documents

Publication Publication Date Title
CN112199582B (zh) 一种内容推荐方法、装置、设备及介质
AU2017204338B2 (en) Industry first method that uses users search query to show highly relevant poster frames for stock videos thereby resulting in great experience and more sales among users of stock video service
CN110909205B (zh) 一种视频封面确定方法、装置、电子设备及可读存储介质
US11914639B2 (en) Multimedia resource matching method and apparatus, storage medium, and electronic apparatus
CN107797984B (zh) 智能交互方法、设备及存储介质
CN108280155B (zh) 基于短视频的问题检索反馈方法、装置及其设备
CN109684513B (zh) 一种低质量视频识别方法及装置
CN109189991A (zh) 重复视频识别方法、装置、终端及计算机可读存储介质
CN108881947B (zh) 一种直播流的侵权检测方法及装置
CN111212303B (zh) 视频推荐方法、服务器和计算机可读存储介质
CN108304490B (zh) 基于文本的相似度确定方法、装置及计算机设备
CN110719518A (zh) 多媒体数据处理方法、装置和设备
CN110856037B (zh) 一种视频封面确定方法、装置、电子设备及可读存储介质
CN110941738B (zh) 推荐方法、装置、电子设备及计算机可读存储介质
CN109743589B (zh) 文章生成方法及装置
CN111783712A (zh) 一种视频处理方法、装置、设备及介质
CN110688524A (zh) 视频检索方法、装置、电子设备及存储介质
CN111541939B (zh) 一种视频拆分方法、装置、电子设备及存储介质
CN115687670A (zh) 图像搜索方法、装置、计算机可读存储介质及电子设备
CN110889024A (zh) 一种用于计算资讯关联股票的方法和装置
CN114372172A (zh) 生成视频封面图像的方法、装置、计算机设备及存储介质
CN108024148B (zh) 基于行为特征的多媒体文件识别方法、处理方法及装置
CN113010736A (zh) 一种视频分类方法、装置、电子设备及存储介质
CN111008295A (zh) 书页检索方法、装置、电子设备和存储介质
CN105678254A (zh) 一种视频检测方法及装置

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