CN112423134A - 视频内容推荐方法、装置及计算机设备 - Google Patents

视频内容推荐方法、装置及计算机设备 Download PDF

Info

Publication number
CN112423134A
CN112423134A CN202010645506.3A CN202010645506A CN112423134A CN 112423134 A CN112423134 A CN 112423134A CN 202010645506 A CN202010645506 A CN 202010645506A CN 112423134 A CN112423134 A CN 112423134A
Authority
CN
China
Prior art keywords
video
target
sequence
attribute
videos
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
CN202010645506.3A
Other languages
English (en)
Other versions
CN112423134B (zh
Inventor
吴俊豪
谢鹏
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.)
Shanghai Bilibili Technology Co Ltd
Original Assignee
Shanghai Bilibili 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 Shanghai Bilibili Technology Co Ltd filed Critical Shanghai Bilibili Technology Co Ltd
Priority to CN202010645506.3A priority Critical patent/CN112423134B/zh
Publication of CN112423134A publication Critical patent/CN112423134A/zh
Priority to PCT/CN2021/101626 priority patent/WO2022007626A1/zh
Priority to US18/014,339 priority patent/US20230300417A1/en
Application granted granted Critical
Publication of CN112423134B publication Critical patent/CN112423134B/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]
    • H04N21/40—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
    • 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
    • G06F16/732—Query formulation
    • 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
    • H04N21/4508—Management of client data or end-user data
    • H04N21/4532—Management of client data or end-user data involving end-user characteristics, e.g. viewer profile, preferences
    • 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]
    • H04N21/80—Generation or processing of content or additional data by content creator independently of the distribution process; Content per se
    • H04N21/83—Generation or processing of protective or descriptive data associated with content; Content structuring
    • H04N21/845—Structuring of content, e.g. decomposing content into time segments
    • H04N21/8456—Structuring of content, e.g. decomposing content into time segments by decomposing the content in the time domain, e.g. in time segments

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)

Abstract

本申请公开了一种视频内容推荐方法、装置及计算机设备，该方法包括：将待选视频集的待选视频作为第一视频预添加到推荐视频序列，然后截取包含所述第一视频的视频序列区段，接着根据第一视频在所述视频序列区段中的位置序号以及具有第一视频的目标属性的其他视频在所述视频序列区段中的位置序号对第一视频的初始推荐评分进行修正，得到修正推荐评分，最后根据修正推荐评分选择最终的待选视频添加到所述推荐视频序列。本申请还提供一种计算机可读存储介质。本申请实现根据相似视频积累所有同类视频的负向影响力来达到多样性控制，因此，提高了推荐内容的多样性，也提高了推荐方式的灵活性。

Description

视频内容推荐方法、装置及计算机设备
技术领域
本申请涉及互联网技术领域，尤其涉及一种视频内容推荐方法、装置及计 算机设备。
背景技术
随着互联网技术的发展，每天有海量的视频数据上载到视频平台，然后用 户则可以基于该视频平台选择并播放对应的视频内容。而视频平台一般也会提 供内容推荐功能，以提高视频平台的用户粘度。然而，现有的大部分视频平台， 其视频推荐系统一般都是根据用户个性化兴趣从视频库中检索出一定量的待选 集，然后对这些待选集进行打分排序，再推荐到对应的用户端。用户对于某一 类视频的点击次数越多或观看时长越长，获得该类推荐视频越多，而用户对于 该类推荐视频的点击又会进一步强化对该类视频的推荐。
发明内容
本申请提出一种视频内容推荐方法、装置及计算机设备，能够解决现有技 术中在视频内容推荐过程中推荐视频缺乏多样性，推荐灵活性较差的问题。
首先，为实现上述目的，本申请提供一种视频内容推荐方法，所述方法包 括：
依次从待选视频集中选取待选视频作为第一视频预添加到推荐视频序列的 最后序位；在所述推荐视频序列中截取包含所述第一视频的预设数量视频的视 频序列区段；获取所述第一视频的目标属性和初始推荐评分；在所述视频序列 区段中查找出除去所述第一视频之外的具有所述目标属性的目标视频，并统计 出所述目标视频的数量n；根据所述n以及每一所述目标视频与所述第一视频 的排序距离对所述第一视频的所述初始推荐评分进行修正，得到修正推荐评分； 将所述第一视频放回所述待选视频集；以及从所述待选视频集中选择出修正推 荐评分最高的视频添加到所述待推荐视频序列的最后序位。
在一个例子中，所述获取所述第一视频的目标属性包括：当所述第一视频 的目标属性为空时，对所述第一视频标记上预设的视频属性，然后将所述视频 属性作为所述第一视频的目标属性。
在一个例子中，所述根据所述n以及每一所述目标视频与所述第一视频的 排序距离对所述第一视频的所述初始推荐评分进行修正，得到修正推荐评分， 包括：当所述n大于或等于预设的阈值N时，将所述第一视频的修正推荐评分 置为0。
在一个例子中，所述根据所述n以及每一所述目标视频与所述第一视频的 排序距离对所述第一视频的所述初始推荐评分进行修正，得到修正推荐评分， 包括：当所述n小于预设的阈值N时，获取所述目标视频在所述视频序列区段 中的位置序号i以及所述第一视频在所述视频序列区段中的位置序号k；根据所 述i、所述k以及预设的修正公式对所述初始推荐评分进行修正。
在一个例子中，所述目标属性包括标签属性和作者属性，所述修正公式包 括：
Figure BDA0002571216060000031
其中，scorek为所述第一视频的初始推荐评分，score’k为所述第一视频的修正推荐评分，count(tagsk)为所述第一视频的标签属性的个数，count(tagsi)为所述目标 视频的标签属性的个数，demote(distance(i，k)，tag)为第一修正函数， demote(distance(i，k)，up)为第二修正函数，tag为标签属性，up为作者属性。
在一个例子中，所述第一修正函数和所述第二修正函数为值域为[0，1]的 衰减函数，包括一次函数或二次函数。
在一个例子中，当所述第一修正函数和所述第二修正函数均为半衰期函数 时，所述修正公式包括：
Figure BDA0002571216060000032
其中， Ttag为根据标签属性预先设置的衰减常数，Tup为根据作者属性预先设置的衰减 常数。
在一个例子中，所述根据所述n以及每一所述目标视频与所述第一视频的 排序距离对所述第一视频的所述初始推荐评分进行修正，得到修正推荐评分， 包括：从待推荐的用户终端获取对应的目标用户属性；根据所述n以及每一所 述目标视频与所述第一视频的排序距离，结合所述目标用户属性和/或所述第一 视频的视频类型，对所述第一视频的所述初始推荐评分进行修正，得到对应于 所述目标用户的修正推荐评分。
此外，为实现上述目的，本申请还提供一种视频内容推荐装置，所述装置 包括：
预添加模块，用于依次从待选视频集中选取待选视频作为第一视频预添加 到推荐视频序列的最后序位；截取模块，用于在所述推荐视频序列中截取包含 所述第一视频的预设数量视频的视频序列区段；获取模块，用于获取所述第一 视频的目标属性和初始推荐评分；查找模块，用于在所述视频序列区段中查找 出除去所述第一视频之外的具有所述目标属性的目标视频，并统计出所述目标 视频的数量n；修正模块，用于根据所述n以及每一所述目标视频与所述第一 视频的排序距离对所述第一视频的所述初始推荐评分进行修正，得到修正推荐 评分；选择模块，用于将所述第一视频放回所述待选视频集；以及从所述待选 视频集中选择出修正推荐评分最高的视频添加到所述待推荐视频序列的最后序 位。
进一步地，本申请还提出一种计算机设备，所述计算机设备包括存储器、 处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，所述计算 机程序被所述处理器执行时实现如上述的视频内容推荐方法的步骤。
进一步地，为实现上述目的，本申请还提供一种计算机可读存储介质，所 述计算机可读存储介质存储有计算机程序，所述计算机程序可被至少一个处理 器执行，以使所述至少一个处理器执行如上述的视频内容推荐方法的步骤。
相较于现有技术，本申请所提出的视频内容推荐方法、装置、计算机设备 及计算机可读存储介质，能够将待选视频集的待选视频作为第一视频预添加到 推荐视频序列，然后截取包含所述第一视频的视频序列区段，接着根据第一视 频在所述视频序列区段中的位置序号以及具有第一视频的目标属性的其他视频 在所述视频序列区段中的位置序号对第一视频的初始推荐评分进行修正，得到 修正推荐评分，最后根据修正推荐评分选择最终的待选视频添加到所述推荐视 频序列。从而实现根据相似视频积累所有同类视频的负向影响力来达到多样性 控制，因此，提高了推荐内容的多样性，也提高了推荐方式的灵活性。
附图说明
图1是本申请一实施例的应用环境示意图；
图2是本申请视频内容推荐方法一具体实施例的流程示意图；
图3是图2中步骤S208的一具体实施例的流程示意图；
图4是本申请一具体实施例的视频内容推荐方法的效果图；
图5是本申请视频内容推荐装置一实施例的程序模块示意图；
图6是本申请计算机设备一可选的硬件架构的示意图。
具体实施方式
申请人发现，现有技术中对于视频推荐的方式容易导致相同类型的视频的 连续或高频率出现，从而降低用户的观看意愿，影响用户的使用体验。换句话 说，现有的视频推荐系统很难保证推荐视频的多样性，推荐灵活性欠缺。
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，此处所描述的具体实施例仅 用以解释本申请，并不用于限定本申请。基于本申请中的实施例，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他实施例，都属于本申 请保护的范围。
需要说明的是，在本申请中涉及“第一”、“第二”等的描述仅用于描述目的， 而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数 量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该 特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域 普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时 应当认为这种技术方案的结合不存在，也不在本申请要求的保护范围之内。
图1是本申请一实施例的应用环境示意图。参阅图1所示，所述计算机设 备1与用户终端连接。所述计算机设备1能够获取到所述用户终端上的用户信 息和用户行为记录，用户信息包括用户性别、职业、年龄以及地域等信息；用 户行为记录包括用户观看记录、收藏记录、点击记录、点赞记录等其他互动记 录。所述计算机设备1根据用户终端的用户信息和用户行为记录分析出该用户 终端对应的用户的兴趣点，例如，通过统计用户观看记录，查找出用户对于某 些视频类型的视频观看或收藏或点击或点赞次数较多，从而分析出该用户对该 视频类型的视频比较偏好。
接着，所述计算机设备1根据所述用户的兴趣点从视频资源服务器或者数 据库(图1未示出)中筛选出预设数量的视频作为待选视频集。当然，所述计 算机设备1除了将与所述用户的兴趣点相符合的视频添加到所述待选视频集， 还会选择其他热门视频，比如根据视频点赞率/关注率/互动率/点击率，或者热 播评分等筛选出热门视频添加到所述待选视频集，以用于后续推荐给所述用户 对应的用户终端。
在本实施例中，所述用户终端可作为手机、平板、便携设备、PC机或者其 他具有显示功能的电子设备等；所述计算机设备1则可作为PC机、数据服务 器等。
实施例一
图2是本申请视频内容推荐方法一实施例的流程示意图。可以理解，本方法 实施例中的流程图不用于对执行步骤的顺序进行限定。下面以计算机设备1为执 行主体进行示例性描述。
如图2所示，所述视频内容推荐方法可以包括步骤S200～S206。
步骤S200，依次从待选视频集中选取待选视频作为第一视频预添加到推荐 视频序列的最后序位。
步骤S202，在所述推荐视频序列中截取包含所述第一视频的预设数量视频 的视频序列区段。
步骤S204，获取所述第一视频的目标属性和初始推荐评分。
具体的，所述计算机设备1根据用户的兴趣点筛选出预设数量的视频，同时 选择出一定数量热门视频一同添加到待选视频集。接着，所述计算机设备1依次 从待选视频集中选取待选视频作为第一视频预添加到推荐视频序列的最后序 位。在本实施例中，预添加只是暂时性添加，所述计算机设备1通过依次将所述 待选视频集中的待选视频预添加到所述推荐视频序列，从而可以依次对预添加 到所述推荐视频序列中的待选视频进行后续的推荐评分的修正。
所述计算机设备1将所述待选视频集中的待选视频作为所述第一视频预添 加到所述推荐视频序列之后，则进一步自所述第一视频起，向所述推荐视频序 列的排序反方向截取预设数量视频的视频序列区段。
截取到所述视频序列区段之后，接着，所述计算机设备1获取所述第一视频 的目标属性和初始推荐评分。在本实施例中，所述目标属性包括标签属性和作 者属性，具体地，例如，用户在将视频上传到视频数据服务器时，一般会对该 视频打上标签属性，比如，动漫标签，搞笑视频标签，娱乐综艺标签等等；然 后上传到视频数据服务器的视频也会自动携带上传该视频的用户的信息，也就 是作者属性。
当然，所述待选视频集中的视频还包括一个初始推荐评分，所述初始推荐 评分可以理解为当所述计算机设备1将所述视频添加到所述待选视频集时，所述 视频被评估出的推荐权重值。在本实施例中，所述推荐权重值可以是根据所述 视频的点赞率/关注率/互动率/点击率等计算出来的，或者由观看用户评价给出 的，或者由人工将视频播放情况以及点评情况综合评测出来。
由于所述计算机设备1从视频数据服务器筛选出一定数量的视频作为待选 视频集，因此，所述计算机设备1可以获取到所述第一视频的目标属性；以及， 获取所述第一视频的初始推荐评分。
在一个例子中，所述目标属性包括根据所述视频的相关信息所提取出的任 意属性，所述相关信息包括但不限于所述视频的分类、简介、作者信息、上传 者信息、评论信息、弹幕信息等。在一个例子中，可以通过对上述相关信息进 行分析，并提取出上述信息中的关键词等方式，确定所述目标属性。
在一具体实施例中，所述目标属性包括但不限于所述目标视频的标签数据 和/或作者属性。在此，所述计算机设备1可以根据所述第一视频的视频分区、 标题、简介、作者信息等，确定所述第一视频的标签属性；所述计算机设备1 可以根据所述第一视频的作者信息，如作者的分区、粉丝数、历史上传视频的 分类、历史上传视频的关键词、性别、年龄、爱好等，确定所述作者属性。
在一具体实施例中，当所述计算机设备获取所述第一视频的目标属性时， 所述第一视频的目标属性为空，那么，所述计算机设备1则会对所述第一视频 标记上预设的视频属性，然后将所述视频属性作为所述第一视频的目标属性。 例如，当所述第一视频，由于用户上传该视频时未打上标签，那么所述计算机 设备1在则不能获取到所述第一视频的标签属性，或者获取到的标签属性为无 效标签，例如，不属于预设的规范标签，或者乱码显示。那么，所述计算机设 备1则会对所述第一视频打上预设的标签属性。
步骤S206，在所述视频序列区段中查找出除去所述第一视频之外的具有所 述目标属性的目标视频，并统计出所述目标视频的数量n。
步骤S208，根据所述n以及每一所述目标视频与所述第一视频的排序距离对 所述第一视频的所述初始推荐评分进行修正，得到修正推荐评分。
具体的，所述计算机设备1在获取到所述第一视频的目标属性之后，则进一 步获取所述视频序列区段中其他视频的属性值，然后找出具有所述目标属性的 视频作为目标视频，并统计所有的目标视频的数量n。
在本实施例中，所述计算机设备1预设设置视频推荐的规则，比如，为了缓 解用户观看视频的疲劳度，在推荐视频序列中的一个预设区段内，不能出现超 过一定数量的相同的目标属性。因此，所述计算机设备1在统计出所述视频序列 区段中所述目标视频的数量n之后，则进一步判断所述n是否大于或等于预设的 阈值N。
当所述n大于或等于预设的阈值N时，所述计算机设备1则将所述第一视 频的修正推荐评分置为0。例如，在所述视频序列区段中，具有相同标签属性 的视频不能超过一半，若超过一半，比如10个超过5个视频都是带有动漫标签， 那么，所述计算机设备1则会将预添加的带有动漫标签的所述第一视频的推荐 评分置为0分。通过这种方式，可以对于连续出现的相同目标属性的视频进行 限制，从而减少相同类型的视频连续或高频率出现。
参阅图3所示，当所述n小于预设的阈值N时，所述根据所述n以及每一所述 目标视频与所述第一视频的排序距离对所述第一视频的所述初始推荐评分进行 修正，得到修正推荐评分，包括：
步骤S300，获取所述目标视频在所述视频序列区段中的位置序号i以及所 述第一视频在所述视频序列区段中的位置序号k。
步骤S302，根据所述i、所述k以及预设的修正公式对所述初始推荐评分 进行修正。
在本实施例中，所述目标属性包括标签属性和作者属性，所述修正公式包 括：
Figure BDA0002571216060000101
其中，scorek为所述第一视频的初始推荐评分，score’k为所述第一视频的修 正推荐评分，count(tagsk)为所述第一视频的标签属性的个数，count(tagsi)为所述 目标视频的标签属性的个数，demote(distance(i，k)，tag)为第一修正函数， demote(distance(i，k)，up)为第二修正函数，tag为标签属性，up为作者属性。其 中，所述第一修正函数和所述第二修正函数为值域为[0，1]的衰减函数，包括 一次函数或二次函数。具体的，所述第一修正函数用于根据相同标签属性的目 标视频与所述第一视频的位置序号之间的差值对所述第一视频的初始推荐评分 进行修正；所述第二修正函数用于根据相同作者属性的目标视频与所述第一视 频的位置序号之间的差值对所述第一视频的初始推荐评分进行修正。
在一具体实施例中，当所述第一修正函数和所述第二修正函数均为半衰期 函数时，所述修正公式包括：
Figure BDA0002571216060000111
其中，Ttag为根据标签属性预先设置的衰减常数，Tup为根据作者属性预先 设置的衰减常数。在一具体实施例中，所述Ttag和所述Tup是通过离线评估或者 上线实验得出的一个衰减参数，具体地：根据待选视频集的中视频的初始推荐 评分，用户信息、用户行为记录以及所述待选视频集中的视频信息，比如所有 视频包括的多种标签属性的分布情况，连续出现相同标签/视频作者的视频的概 率，同类视频间隔为1/2/3/x的概率，连续5/6/x个视频中出现同类视频的概率， 每个用户观看到的视频分类的占比变化，以及选中视频的历史互动率指标等信 息离线设置出所述Ttag和所述Tup；或者通过预设的在线推荐引擎创造一层多样 性控制的实验，根据实验接入流量，测试在线推荐指标的优劣以及留存数据评 价各组降权参数的实验，从而选择出最优的所述Ttag和所述Tup。
在另一具体实施例中，所述计算机设备1还可以从待推荐的用户终端获取 对应的目标用户属性，然后根据所述n以及每一所述目标视频与所述第一视频 的排序距离，结合所述目标用户属性和/或所述第一视频的视频类型，对所述第 一视频的所述初始推荐评分进行修正，得到对应于所述目标用户的修正推荐评 分。
具体的，在一种实施例中，所述目标用户属性以及所述第一视频的视频类 型可以分别对应不同的修正参数，以对所述初始推荐评分进行修正，例如，对 于不同的目标用户属性以及不同的视频类型，可以直接对视频的初始推荐评分 进行加权或降权；或者，在另一种实施例中，由于每个用户对于连续观看相同 类型的视频内容的接受程度不一样，因此，可以先获取待推荐的目标用户的目 标用户属性，所述目标用户属性包括用户对于不同类型视频内容的衰减常数Ttag和Tup，因此，所述计算机设备1可以根据所述第一视频的视频类型，从获取到 的所述目标用户属性中选择对应的Ttag和Tup，然后再结合到以上描述的修正推 荐评分计算方法中，从而计算出对应于所述目标用户的修正推荐评分。
步骤S210，将所述第一视频放回所述待选视频集。
步骤S212，从所述待选视频集中选择出修正推荐评分最高的视频添加到所 述待推荐视频序列的最后序位。
在得到所述第一视频的修正推荐评分之后，所述计算机设备1则将所述第一 视频放回至所述待选视频集中，当所述待选视频集中的所有视频的初始推荐评 分均通过以上方式进行修正之后，所述计算机设备1则会从所述待选视频集中选 择出修正推荐评分最高的视频添加到所述待推荐视频序列的最后序位。
所述计算机设备1将待选视频集中的视频预添加到推荐视频序列，然后在推 荐视频序列中建立评估生效范围/滑动窗口(即所述视频序列区段)，然后根据 所述评估生效范围/滑动窗口中其他具有相同标签属性或作者属性的视频对预 添加的视频的初始推荐评分进行修正。其中，可以引入生效范围/滑动窗口，比 如与待选位置距离很远的同类视频，可以直接忽略掉，同时可以节省在线计算 耗时。
请参阅图4，是本申请一示例性例的视频内容推荐方法的效果图。
在本实施例中，所述计算机设备1从待选视频集中选择第一个视频作为第一 视频预添加推荐视频序列中的最后序号，也就是序号4的位置；然后将包含序号 4的4个视频截取为视频序列区段；获取第一视频的目标属性，即tag：0以及初 始推荐评分score，然后查找出所述视频序列区段中具有tag：0的视频，也就是 所述视频序列区段中的第1序号的视频；接着，所述计算机设备1根据以下公式：
Figure BDA0002571216060000131
计算出所述第一视 频的修正推荐评分score’，然后将所述第一视频放回至待选视频集。最后，所 述计算机设备1根据这种方式依次对待选视频集中的视频的初始推荐评分进行 修正后，再选择最高修正推荐评分的视频添加到推荐视频序列的序号4的位置。
本申请所述的计算机设备1能够将待选视频集的待选视频作为第一视频预 添加到推荐视频序列，然后截取包含所述第一视频的视频序列区段，接着根据 第一视频在所述视频序列区段中的位置序号以及具有第一视频的目标属性的其 他视频在所述视频序列区段中的位置序号对第一视频的初始推荐评分进行修 正，得到修正推荐评分，最后根据修正推荐评分选择最终的待选视频添加到所 述推荐视频序列。从而实现根据相似视频积累所有同类视频的负向影响力来达 到多样性控制，因此，提高了推荐内容的多样性，也提高了推荐方式的灵活性。
对于现有技术中对于视频内容推荐的方式，例如，根据简单的多样性限制 规则，这个规则就是限制同类视频内容的推荐数量，比如，在视频内容推荐过 程中，推荐给用户的5个视频中，同类视频不能超过2个。因此，将这个规则应 用于所有用户，比较难平衡满足限制规则和推荐指标；而且这种规则中对不同 类型视频的不同处理基于人的经验判断，而且无法进一步改进和扩展。再例如， 根据MMR(Maximal Marginal Relevance，最大边界相关法)方式进行视频内容 推荐，其中，MMR只选取相似度最大的视频来降权，返回的结果是同类视频的 降权，这种方式没有考虑到在一个视频序列中的不同视频类型的视频降权，比如在我们推荐场景下的经验判断，连续出同类视频比间隔出同类视频体验更差； 待选时只取已选同类视频中与其最大相关性的视频进行负向影响力，即降权， 而没有多个同类的叠加。
与简单规则的方式相比，本发明可以支持更多的个性化推荐，对推荐出的 视频分类占比有更好的控制能力，在用户消费角度，可以得到更好的用户满意 度；与MMR方式相比，本发明可以支持多个已选中的同类视频对备选的负向影 响力可以积累，所以如果一些原因已造成多个同类视频较高频率出现，后续同 类视频出现的可能性更快速度下降；支持更多个性化推荐能力，对不同的用户 和不同类型的视频采取不同的处理。综上可知，本发明能够实现：
1.不同的标签/视频作者可以对后续同类视频施加不同程度的负向影响力， 比如可以对壁纸视频的互斥性的设定更强，对搞笑的互斥性设定稍弱，负向影 响力基于指标数据和运营方向的调整，可以有更好的表现力和解释性。
2.多个已选中的同类视频对备选的负向影响力可以积累，所以如果一些原 因已造成多个同类视频较高频率出现，后续同类视频出现的可能性更快速度下 降。
3.容易扩展支持针对不用用户对同类型视频的喜好程度(和耐看程度)作 出更多个性化的推荐。
也就是说，本发明能综合考虑整个推荐的视频序列，待选视频与所有同类 视频的相似度以及在序列中的位置距离，保证推荐系统的指标效果(点赞率/ 关注率/整体互动率等)，并且推荐在线系统中能以较少的资源消耗和响应时间 完成整个的推荐计算。
实施例二
图5示意性示出了根据本申请实施例二的视频内容推荐装置的框图，该视 频内容推荐装置可以被分割成一个或多个程序模块，一个或者多个程序模块被 存储于存储介质中，并由一个或多个处理器所执行，以完成本申请实施例。本 申请实施例所称的程序模块是指能够完成特定功能的一系列计算机程序指令 段，以下描述将具体介绍本实施例中各程序模块的功能。
如图5所示，该视频内容推荐装置400可以包括预添加模块410、截取模 块420、获取模块430、查找模块440、修正模块450和选择模块460，其中：
预添加模块410，用于依次从待选视频集中选取待选视频作为第一视频预 添加到推荐视频序列的最后序位.
截取模块420，用于在所述推荐视频序列中截取包含所述第一视频的预设 数量视频的视频序列区段。
获取模块430，用于获取所述第一视频的目标属性和初始推荐评分。
查找模块440，用于在所述视频序列区段中查找出除去所述第一视频之外 的具有所述目标属性的目标视频，并统计出所述目标视频的数量n。
修正模块450，用于根据所述n以及每一所述目标视频与所述第一视频的 排序距离对所述第一视频的所述初始推荐评分进行修正，得到修正推荐评分。
选择模块460，用于将所述第一视频放回所述待选视频集；以及从所述待 选视频集中选择出修正推荐评分最高的视频添加到所述待推荐视频序列的最后 序位。
在示例性的实施例中，修正模块450，还用于：当所述n大于或等于预设 的阈值N时，将所述第一视频的修正推荐评分置为0。当所述n小于预设的阈 值N时，获取所述目标视频在所述视频序列区段中的位置序号i以及所述第一 视频在所述视频序列区段中的位置序号k；根据所述i、所述k以及预设的修正 公式对所述初始推荐评分进行修正。其中，所述目标属性包括标签属性和作者 属性，所述修正公式包括：
Figure BDA0002571216060000161
其中，scorek为所述第一视频的初始推荐评分，score’k为所述第一视频的修 正推荐评分，count(tagsk)为所述第一视频的标签属性的个数，count(tagsi)为所述 目标视频的标签属性的个数，demote(distance(i，k)，tag)为第一修正函数， demote(distance(i，k)，up)为第二修正函数，tag为标签属性，up为作者属性。
在一示例性例子中，所述第一修正函数和所述第二修正函数为值域为[0， 1]的衰减函数，包括一次函数或二次函数。当所述第一修正函数和所述第二修 正函数均为半衰期函数时，所述修正公式包括：
Figure BDA0002571216060000162
其中，Ttag为根据标签属性预先设置的衰减常数，Tup为根据作者属性预先 设置的衰减常数。
在示例性的实施例中，修正模块450，还用于：从待推荐的用户终端获取 对应的目标用户属性；根据所述n以及每一所述目标视频与所述第一视频的排 序距离，结合所述目标用户属性和/或所述第一视频的视频类型，对所述第一视 频的所述初始推荐评分进行修正，得到对应于所述目标用户的修正推荐评分。
实施例三
图6示意性示出了根据本申请实施例三的适于实现视频内容推荐方法的计 算机设备1的硬件架构示意图。本实施例中，计算机设备1是一种能够按照事 先设定或者存储的指令，自动进行数值计算和/或信息处理的设备。例如，可以 是具有网关功能的机架式服务器、刀片式服务器、塔式服务器或机柜式服务器 (包括独立的服务器，或者多个服务器所组成的服务器集群)等。如图6所示， 计算机设备1至少包括但不限于：可通过系统总线相互通信链接存储器510、 处理器520、网络接口530。其中：
存储器510至少包括一种类型的计算机可读存储介质，可读存储介质包括 闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问 存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可 擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储 器、磁盘、光盘等。在一些实施例中，存储器510可以是计算机设备1的内部 存储模块，例如该计算机设备1的硬盘或内存。在另一些实施例中，存储器510 也可以是计算机设备1的外部存储设备，例如该计算机设备1上配备的插接式 硬盘，智能存储卡(Smart Media Card，简称为SMC)，安全数字(Secure Digital， 简称为SD)卡，闪存卡(Flash Card)等。当然，存储器510还可以既包括计 算机设备1的内部存储模块也包括其外部存储设备。本实施例中，存储器510 通常用于存储安装于计算机设备1的操作系统和各类应用软件，例如视频内容 推荐方法的程序代码等。此外，存储器510还可以用于暂时地存储已经输出或 者将要输出的各类数据。
处理器520在一些实施例中可以是中央处理器(Central Processing Unit，简 称为CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器 520通常用于控制计算机设备1的总体操作，例如执行与计算机设备1进行数 据交互或者通信相关的控制和处理等。本实施例中，处理器520用于运行存储 器510中存储的程序代码或者处理数据。
网络接口530可包括无线网络接口或有线网络接口，该网络接口530通常 用于在计算机设备1与其他计算机设备之间建立通信链接。例如，网络接口530 用于通过网络将计算机设备1与外部终端相连，在计算机设备1与外部终端之 间的建立数据传输通道和通信链接等。网络可以是企业内部网(Intranet)、互 联网(Internet)、全球移动通讯系统(Global System of Mobile communication， 简称为GSM)、宽带码分多址(Wideband CodeDivision Multiple Access，简称 为WCDMA)、4G网络、5G网络、蓝牙(Bluetooth)、Wi-Fi等无线或有线网 络。
需要指出的是，图6仅示出了具有部件510-530的计算机设备，但是应理 解的是，并不要求实施所有示出的部件，可以替代的实施更多或者更少的部件。
在本实施例中，存储于存储器510中的视频内容推荐方法的程序代码，或 者视频内容推荐方法的程序代码还可以被分割为一个或者多个程序模块，并由 一个或多个处理器(本实施例为处理器520)所执行，以完成本申请实施例。
实施例四
本实施例还提供一种计算机可读存储介质，计算机可读存储介质其上存储 有计算机程序，计算机程序被处理器执行时实现以下步骤：
从线程池提取预设数量的服务请求；根据配置规则将每一条服务请求配置 为组装任务，其中，组装任务包括任务属性；根据所述任务属性将不同的组装 任务分配到不同的任务处理管道进行处理，得到对应的反馈结果；将反馈结果 分别返回给对应的请求方。
本实施例中，计算机可读存储介质包括闪存、硬盘、多媒体卡、卡型存储 器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存 储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、 可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中， 计算机可读存储介质可以是计算机设备的内部存储单元，例如该计算机设备的 硬盘或内存。在另一些实施例中，计算机可读存储介质也可以是计算机设备的 外部存储设备，例如该计算机设备上配备的插接式硬盘，智能存储卡(Smart MediaCard，简称为SMC)，安全数字(Secure Digital，简称为SD)卡，闪存 卡(Flash Card)等。当然，计算机可读存储介质还可以既包括计算机设备的内 部存储单元也包括其外部存储设备。本实施例中，计算机可读存储介质通常用 于存储安装于计算机设备的操作系统和各类应用软件，例如实施例中视频内容 推荐方法的程序代码等。此外，计算机可读存储介质还可以用于暂时地存储已 经输出或者将要输出的各类数据。
显然，本领域的技术人员应该明白，上述的本申请实施例的各模块或各步 骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分 布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程 序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且 在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它 们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个 集成电路模块来实现。这样，本申请实施例不限制于任何特定的硬件和软件结 合。
以上仅为本申请实施例的优选实施例，并非因此限制本申请实施例的专利 范围，凡是利用本申请实施例说明书及附图内容所作的等效结构或等效流程变 换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请实施例的 专利保护范围内。

Claims (11)

1.一种视频内容推荐方法，其特征在于，所述方法包括：
依次从待选视频集中选取待选视频作为第一视频预添加到推荐视频序列的最后序位；
在所述推荐视频序列中截取包含所述第一视频的预设数量视频的视频序列区段；
获取所述第一视频的目标属性和初始推荐评分；
在所述视频序列区段中查找出除去所述第一视频之外的具有所述目标属性的目标视频，并统计出所述目标视频的数量n；
根据所述n以及每一所述目标视频与所述第一视频的排序距离对所述第一视频的所述初始推荐评分进行修正，得到修正推荐评分；
将所述第一视频放回所述待选视频集；以及
从所述待选视频集中选择出修正推荐评分最高的视频添加到所述待推荐视频序列的最后序位。
2.如权利要求1所述的视频内容推荐方法，其特征在于，所述获取所述第一视频的目标属性包括：
当所述第一视频的目标属性为空时，对所述第一视频标记上预设的视频属性，然后将所述视频属性作为所述第一视频的目标属性。
3.如权利要求1所述的视频内容推荐方法，其特征在于，所述根据所述n以及每一所述目标视频与所述第一视频的排序距离对所述第一视频的所述初始推荐评分进行修正，得到修正推荐评分，包括：
当所述n大于或等于预设的阈值N时，将所述第一视频的修正推荐评分置为0。
4.如权利要求1所述的视频内容推荐方法，其特征在于，所述根据所述n以及每一所述目标视频与所述第一视频的排序距离对所述第一视频的所述初始推荐评分进行修正，得到修正推荐评分，包括：
当所述n小于预设的阈值N时，获取所述目标视频在所述视频序列区段中的位置序号i以及所述第一视频在所述视频序列区段中的位置序号k；
根据所述i、所述k以及预设的修正公式对所述初始推荐评分进行修正。
5.如权利要求4所述的视频内容推荐方法，其特征在于，所述目标属性包括标签属性和作者属性，所述修正公式包括：
Figure FDA0002571216050000021
其中，scorek为所述第一视频的初始推荐评分，score’k为所述第一视频的修正推荐评分，count(tagsk)为所述第一视频的标签属性的个数，count(tagsi)为所述目标视频的标签属性的个数，demote(distance(i，k)，tag)为第一修正函数，demote(distance(i，k)，up)为第二修正函数，tag为标签属性，up为作者属性。
6.如权利要求5所述的视频内容推荐方法，其特征在于，所述第一修正函数和所述第二修正函数为值域为[0，1]的衰减函数，包括一次函数或二次函数。
7.如权利要求5所述的视频内容推荐方法，其特征在于，当所述第一修正函数和所述第二修正函数均为半衰期函数时，所述修正公式包括：
Figure FDA0002571216050000031
其中，Ttag为根据标签属性预先设置的衰减常数，Tup为根据作者属性预先设置的衰减常数。
8.如权利要求1所述的视频内容推荐方法，其特征在于，所述根据所述n以及每一所述目标视频与所述第一视频的排序距离对所述第一视频的所述初始推荐评分进行修正，得到修正推荐评分，包括：
从待推荐的用户终端获取对应的目标用户属性；
根据所述n以及每一所述目标视频与所述第一视频的排序距离，结合所述目标用户属性和/或所述第一视频的视频类型，对所述第一视频的所述初始推荐评分进行修正，得到对应于所述目标用户的修正推荐评分。
9.一种视频内容推荐装置，其特征在于，所述装置包括：
预添加模块，用于依次从待选视频集中选取待选视频作为第一视频预添加到推荐视频序列的最后序位；
截取模块，用于在所述推荐视频序列中截取包含所述第一视频的预设数量视频的视频序列区段；
获取模块，用于获取所述第一视频的目标属性和初始推荐评分；
查找模块，用于在所述视频序列区段中查找出除去所述第一视频之外的具有所述目标属性的目标视频，并统计出所述目标视频的数量n；
修正模块，用于根据所述n以及每一所述目标视频与所述第一视频的排序距离对所述第一视频的所述初始推荐评分进行修正，得到修正推荐评分；
选择模块，用于将所述第一视频放回所述待选视频集；以及从所述待选视频集中选择出修正推荐评分最高的视频添加到所述待推荐视频序列的最后序位。
10.一种计算机设备，其特征在于，所述计算机设备包括存储器、处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1-8任一项所述的视频内容推荐方法的步骤。
11.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序可被至少一个处理器执行，以使所述至少一个处理器执行如权利要求1-8任一项所述的视频内容推荐方法的步骤。
CN202010645506.3A 2020-07-06 2020-07-06 视频内容推荐方法、装置、计算机设备及存储介质 Active CN112423134B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202010645506.3A CN112423134B (zh) 2020-07-06 2020-07-06 视频内容推荐方法、装置、计算机设备及存储介质
PCT/CN2021/101626 WO2022007626A1 (zh) 2020-07-06 2021-06-22 视频内容推荐方法、装置及计算机设备
US18/014,339 US20230300417A1 (en) 2020-07-06 2021-06-22 Video content recommendation method and apparatus, and computer device

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010645506.3A CN112423134B (zh) 2020-07-06 2020-07-06 视频内容推荐方法、装置、计算机设备及存储介质

Publications (2)

Publication Number Publication Date
CN112423134A true CN112423134A (zh) 2021-02-26
CN112423134B CN112423134B (zh) 2022-03-29

Family

ID=74844218

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010645506.3A Active CN112423134B (zh) 2020-07-06 2020-07-06 视频内容推荐方法、装置、计算机设备及存储介质

Country Status (3)

Country Link
US (1) US20230300417A1 (zh)
CN (1) CN112423134B (zh)
WO (1) WO2022007626A1 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112965776A (zh) * 2021-03-11 2021-06-15 广州酷狗计算机科技有限公司 屏保图片的显示方法、装置、终端及计算机可读存储介质
CN113378065A (zh) * 2021-07-09 2021-09-10 小红书科技有限公司 一种基于滑动谱分解确定内容多样性的方法和选定内容的方法
WO2022007626A1 (zh) * 2020-07-06 2022-01-13 上海哔哩哔哩科技有限公司 视频内容推荐方法、装置及计算机设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103440335A (zh) * 2013-09-06 2013-12-11 北京奇虎科技有限公司 视频推荐方法及装置
CN109522426A (zh) * 2018-12-05 2019-03-26 北京达佳互联信息技术有限公司 多媒体数据推荐方法、装置、设备及计算机可读存储介质
CN109710805A (zh) * 2018-12-13 2019-05-03 百度在线网络技术（北京）有限公司 基于兴趣簇的视频交互方法和装置
CN110096613A (zh) * 2019-04-12 2019-08-06 北京奇艺世纪科技有限公司 一种视频推荐方法、装置、电子设备及存储介质
US20190286673A1 (en) * 2016-11-21 2019-09-19 Comcast Cable Communications, Llc Content Recommendation System With Weighted Metadata Annotations
CN110730369A (zh) * 2019-10-15 2020-01-24 青岛聚看云科技有限公司 一种视频推荐方法及服务器

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9152708B1 (en) * 2009-12-14 2015-10-06 Google Inc. Target-video specific co-watched video clusters
US10346417B2 (en) * 2016-08-18 2019-07-09 Google Llc Optimizing digital video distribution
CN112423134B (zh) * 2020-07-06 2022-03-29 上海哔哩哔哩科技有限公司 视频内容推荐方法、装置、计算机设备及存储介质
US11070881B1 (en) * 2020-07-07 2021-07-20 Verizon Patent And Licensing Inc. Systems and methods for evaluating models that generate recommendations

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103440335A (zh) * 2013-09-06 2013-12-11 北京奇虎科技有限公司 视频推荐方法及装置
US20190286673A1 (en) * 2016-11-21 2019-09-19 Comcast Cable Communications, Llc Content Recommendation System With Weighted Metadata Annotations
CN109522426A (zh) * 2018-12-05 2019-03-26 北京达佳互联信息技术有限公司 多媒体数据推荐方法、装置、设备及计算机可读存储介质
CN109710805A (zh) * 2018-12-13 2019-05-03 百度在线网络技术（北京）有限公司 基于兴趣簇的视频交互方法和装置
CN110096613A (zh) * 2019-04-12 2019-08-06 北京奇艺世纪科技有限公司 一种视频推荐方法、装置、电子设备及存储介质
CN110730369A (zh) * 2019-10-15 2020-01-24 青岛聚看云科技有限公司 一种视频推荐方法及服务器

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022007626A1 (zh) * 2020-07-06 2022-01-13 上海哔哩哔哩科技有限公司 视频内容推荐方法、装置及计算机设备
CN112965776A (zh) * 2021-03-11 2021-06-15 广州酷狗计算机科技有限公司 屏保图片的显示方法、装置、终端及计算机可读存储介质
CN113378065A (zh) * 2021-07-09 2021-09-10 小红书科技有限公司 一种基于滑动谱分解确定内容多样性的方法和选定内容的方法

Also Published As

Publication number Publication date
CN112423134B (zh) 2022-03-29
US20230300417A1 (en) 2023-09-21
WO2022007626A1 (zh) 2022-01-13

Similar Documents

Publication Publication Date Title
CN109902708B (zh) 一种推荐模型训练方法及相关装置
CN110929052B (zh) 多媒体资源推荐方法、装置、电子设备及存储介质
CN112423134B (zh) 视频内容推荐方法、装置、计算机设备及存储介质
CN105095431A (zh) 根据用户的行为信息推送视频的方法和装置
US20170169040A1 (en) Method and electronic device for recommending video
US20120109946A1 (en) Determination of category information using multiple
CN109168047B (zh) 视频推荐方法、装置、服务器及存储介质
CN108491540B (zh) 文本信息推送方法、装置及智能终端
CN112613938B (zh) 模型训练方法、装置及计算机设备
CN113592535B (zh) 一种广告推荐方法、装置、电子设备和存储介质
CN112395496A (zh) 一种信息推荐方法、装置、电子设备及存储介质
CN112508638A (zh) 数据处理的方法、装置及计算机设备
US11182418B2 (en) Media content recommendation method and apparatus and storage medium
US20160132780A1 (en) Automatic Selection of Images for an Application
CN112733034A (zh) 内容推荐方法、装置、设备及存储介质
CN111651666A (zh) 用户主题推荐方法、装置、计算机设备及存储介质
CN114925275A (zh) 产品推荐方法、装置、计算机设备及存储介质
CN112491939B (zh) 多媒体资源调度方法及系统
CN114154014A (zh) 视频冷启动推荐方法和装置
CN110275986B (zh) 基于协同过滤的视频推荐方法、服务器及计算机存储介质
CN111666486B (zh) 热度值获取方法及装置
CN111310016B (zh) 标签挖掘方法、装置、服务器和存储介质
US11023905B2 (en) Algorithm for identification of trending content
CN112560938A (zh) 模型训练方法、装置及计算机设备
CN114257859A (zh) 视频推广数据生成方法以及视频推广数据显示方法

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