CN112507165B - 视频推荐方法及装置 - Google Patents
视频推荐方法及装置 Download PDFInfo
- Publication number
- CN112507165B CN112507165B CN202011450193.2A CN202011450193A CN112507165B CN 112507165 B CN112507165 B CN 112507165B CN 202011450193 A CN202011450193 A CN 202011450193A CN 112507165 B CN112507165 B CN 112507165B
- Authority
- CN
- China
- Prior art keywords
- video
- user
- users
- videos
- recommendation
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000015654 memory Effects 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 14
- 239000013598 vector Substances 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 8
- 230000014759 maintenance of location Effects 0.000 abstract description 4
- 230000000694 effects Effects 0.000 description 17
- 230000006399 behavior Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000009826 distribution Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003796 beauty Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
- G06F16/73—Querying
- G06F16/735—Filtering based on additional data, e.g. user or group profiles
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
Abstract
提供一种视频推荐方法及装置。该视频推荐方法包括:从被参考用户播放的视频中获取满足预设推荐条件的视频,作为第一视频;获取预定用户群体对第一视频的操作数据;并且基于所述操作数据,从第一视频中选择向所述预定用户群体推荐的视频。根据本公开的示例性实施例的视频推荐方法及装置,可提高推荐效率,并且提升用户留存。
Description
技术领域
本公开涉及音视频技术领域。更具体地,本公开涉及一种视频推荐方法及装置。
背景技术
近年来,以用户生成内容(user generated content,简称UGC)为主的视频服务在飞速发展。在相关技术中,需要丰富的用户数据才能有效地为用户进行内容推荐。在新用户或者低活用户群体的推荐场景中,推荐系统通常缺乏该类用户的充足行为数据,从而无法进行精准推荐。
发明内容
本公开的示例性实施例在于提供一种视频推荐方法及装置,以至少解决相关技术中的视频推荐的问题,也可不解决任何上述问题。
根据本公开实施例的第一方面,提供一种视频推荐方法,包括:从被参考用户播放的视频中获取满足预设推荐条件的视频,作为第一视频;获取预定用户群体对第一视频的操作数据;并且基于所述操作数据,从第一视频中选择向所述预定用户群体推荐的视频。
可选地,所述预定用户群体可包括注册时长不超过第一阈值的用户群体和/或总在线时长不超过第二阈值的用户群体。
可选地,所述方法还可包括:从被预定用户播放的视频中获取满足所述预设推荐条件的视频,作为第二视频;并且基于第二视频从视频平台的用户中确定所述参考用户。
可选地,基于第二视频从视频平台的用户中确定参考用户的步骤可包括:从第二视频提取所述预定用户的内容池特征;并且基于预定用户的内容池特征搜索视频平台中的用户,将搜索到的用户和预定用户确定为所述参考用户。
可选地,基于第二视频从视频平台的用户中确定参考用户的步骤可包括:获取视频平台中在每个周期内播放视频的数量超过预设数量的活跃用户;提取每个活跃用户的内容池的特征向量;基于内容池的特征向量对活跃用户进行用户聚类;获取每类用户的总内容池;并且选择总内容池中包括预定用户的内容池的用户类别,并将被选择的用户类别中的用户确定为所述参考用户。
可选地,从第一视频中选择向所述预定用户群体中的用户推荐的视频的步骤可包括:基于所述操作数据计算第一视频的推荐指数;并且将第一视频中的推荐指数超过预设指数和/或推荐指数的排序超过预设次序的视频确定为向所述预定用户群体推荐的视频。
可选地,所述操作数据可包括点赞、播放、转发、踩的数据中的至少一个。
根据本公开实施例的第二方面,提供一种视频推荐装置,包括:第一视频获取单元,被配置为从被参考用户播放的视频中获取满足预设推荐条件的视频,作为第一视频;指标获取单元,被配置为获取预定用户群体对第一视频的操作数据;和视频推荐单元,被配置为基于所述操作数据,从第一视频中选择向所述预定用户群体推荐的视频。
可选地,所述预定用户群体可包括注册时长不超过第一阈值的用户群体和/或总在线时长不超过第二阈值的用户群体。
可选地,所述装置还可包括:第二视频获取单元,被配置为从被预定用户播放的视频中获取满足所述预设推荐条件的视频,作为第二视频;和参考用户确定单元,被配置为基于第二视频从视频平台的用户中确定所述参考用户。
可选地,参考用户确定单元可被配置为:从第二视频提取所述预定用户的内容池特征;并且基于预定用户的内容池特征搜索视频平台中的用户,将搜索到的用户和预定用户确定为所述参考用户。
可选地,参考用户确定单元可被配置为:获取视频平台中在每个周期内播放视频的数量超过预设数量的活跃用户;提取每个活跃用户的内容池的特征向量;基于内容池的特征向量对活跃用户进行用户聚类;获取每类用户的总内容池;并且选择总内容池中包括预定用户的内容池的用户类别,并将被选择的用户类别中的用户确定为所述参考用户。
可选地,视频推荐单元可被配置为:基于所述操作数据计算第一视频的推荐指数;并且将第一视频中的推荐指数超过预设指数和/或推荐指数的排序超过预设次序的视频确定为向所述预定用户群体推荐的视频。
可选地,所述操作数据可包括点赞、播放、转发、踩的数据中的至少一个。
根据本公开实施例的第三方面,提供一种计算机可读存储介质,其上存储有计算机程序,当所述计算机程序被处理器执行时,实现根据本公开的示例性实施例的视频推荐方法。
根据本公开实施例的第四方面,提供一种电子设备,包括:处理器;存储器,存储有计算机程序,当所述计算机程序被处理器执行时,实现根据本公开的示例性实施例的视频推荐方法。
根据本公开实施例的第五方面,提供一种计算机程序产品,该计算机程序产品中的指令可由计算机设备的处理器执行以完成根据本公开的示例性实施例的视频推荐方法。
本公开的实施例提供的技术方案至少带来以下有益效果:
可提高推荐效率,并且提升用户留存。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理,并不构成对本公开的不当限定。
图1示出根据本公开的示例性实施例的视频推荐的整体系统示意图;
图2示出根据本公开的示例性实施例的视频推荐方法的流程图;
图3示出根据本公开的一个示例性实施例的视频推荐装置的框图;
图4示出根据本公开的另一示例性实施例的视频推荐装置的框图;以及
图5示出根据本公开的示例性实施例的电子设备500的框图。
具体实施方式
为了使本领域普通人员更好地理解本公开的技术方案,下面将结合附图,对本公开实施例中的技术方案进行清楚、完整地描述。
需要说明的是,本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
在此需要说明的是,在本公开中出现的“若干项之中的至少一项”均表示包含“该若干项中的任意一项”、“该若干项中的任意多项的组合”、“该若干项的全体”这三类并列的情况。例如“包括A和B之中的至少一个”即包括如下三种并列的情况:(1)包括A;(2)包括B;(3)包括A和B。又例如“执行步骤一和步骤二之中的至少一个”,即表示如下三种并列的情况:(1)执行步骤一;(2)执行步骤二;(3)执行步骤一和步骤二。
近年来,以用户生成内容(user generated content,简称UGC)为主的短视频服务在飞速发展,短视频内容服务平台对比长视频网站,有如下三个典型特征:
(1)内容生产者:
长视频服务主要提供PGC内容给用户,长视频内容通常以专业的设备拍摄,并且会有专业的后期做剪辑和特效渲染,最终做出精良的电视剧、电影、综艺、纪录片等作品;而短视频主要以UGC为主,主要是普通用户、小的mcn和小的制作团队用各类移动、便捷的设备来进行内容生产、上传、以及内容消费,这类短视频内容通常短至十几秒钟。
(2)内容清晰度:
长视频以横屏为主,拍摄生产侧和播放消费侧通常都要求1080p、4k、60fps等高清晰配置参数;而短视频的话,受限于用户拍摄所用的良莠不齐的机型:1)拍摄采集的内容可能从360p、540p、720p到1080p,30fps到60fps不等;2)消费侧取决于内容分发的带宽成本与用户对整体内容清晰度的感知情况,每个短视频分发的清晰度版本也会不同。
(3)消费模式与流行度分布:
长视频头部非常集中,有非常强的马太效应,例如几部热播剧会吸引平台90%甚至更多的用户播放;而短视频中长尾视频比较多,在捕捉多样化用户兴趣的个性化的内容推荐机制下,每个用户会看到平台其他普通用户生产的各类作品,因此平台存在海量的中低热度作品。另外,短视频消费整体是一个更加高频、可随时随地进行消费的场景,比如地铁上,这样更加移动网络偏向的场景。
在目前广受用户欢迎的UGC视频平台上,由于所有的视频作品都是由普通用户上传的,因此各个视频作品的质量良莠不齐,视频作品的内容的清晰度、内容构图、有趣性以及故事性千差万别。而在用户消费侧,现有的视频推荐系统通常会使用以下一种策略:在一种策略中,利用一个用户的历史播放行为(例如,点赞),为其推荐与偏好内容的相似作品。在另一种策略中,聚合和这个用户偏好相似的用户,为其推荐相似用户喜欢的作品。
但是上面两种策略都需要丰富的用户数据才能有效的为用户进行内容推荐。而在新用户或者低活用户群体的推荐场景中,推荐系统通常缺乏新用户或者低活用户的行为数据,从而无法进行精准推荐,因此需要设计一个内容挖掘机制,来提升用户留存。下面,将参照图1至图5具体描述根据本公开的示例性实施例的视频推荐方法及装置。
图1示出根据本公开的示例性实施例的视频推荐的整体系统示意图。
如图1所示,视频推荐的整体系统100中包括视频平台的服务器101和视频平台的所有用户分别所在的终端。视频平台的所有用户分别所在的终端包括预定用户(例如,但不限于,优质用户)所在的终端102、搜索到的用户所在的终端103、新用户所在的终端104、低活用户所在的终端105以及其他用户所在的终端106。这里,可将终端102和103的用户作为参考用户。服务器101可获取终端102、103、104、105以及106的视频消费数据,可分析用户的视频消费数据,并且还可将向用户推荐的视频发送到终端102、103、104、105以及106中相应的终端。
在本公开的示例性实施例中,服务器101可基于预定用户(例如,但不限于,优质用户)所在的终端102的视频消费数据,通过例如,但不限于,聚类的方式或者特征搜索的方式搜索到用户(例如,但不限于,优质用户),从而确定搜索到的用户(例如,但不限于,优质用户)所在的终端103。在本公开的示例性实施例中,服务器101可根据用户注册的时间和/或用户的历史消费时长确定哪些用户是新用户,哪些用户是低活用户,从而新用户所在的终端104、低活用户所在的终端105,进而确定其他用户所在的终端106。
在本公开的示例性实施例中,服务器101可首先从终端102和103的视频消费数据确定参考用户的偏好视频,然后从终端104和105的视频消费数据确定参考用户的偏好视频在预定用户群体(新用户群体和/或低活用户群体)中的操作数据(也被称为消费指标)。操作数据可包括点赞、播放、转发、踩的数据中的至少一个。操作数据不限于前述列出的行为,也可以是针对视频的其他消费行为。之后,根据所确定的操作数据从参考用户的偏好视频中选择出被预定用户群体(新用户群体和/或低活用户群体)偏好的视频,并向预定用户群体(新用户群体和/或低活用户群体)或者其中的未消费过被选择出的视频的用户推荐被选择出的视频。
图2示出根据本公开的示例性实施例的视频推荐方法的流程图。
参照图2,在步骤S201,从被参考用户播放的视频中获取满足预设推荐条件的视频,作为第一视频。这里,第一视频可指被参考用户偏好的视频。
在本公开的示例性实施例中,在获取第一视频之前,可预先确定哪些用户是参考用户。也就是说,持续挖掘视频平台上,对高清优质视频有较高要求的用户集合。在本公开的示例性实施例中,可首先从被预定用户播放的视频中获取满足所述预设推荐条件的视频,作为第二视频,然后基于第二视频从视频平台的用户中确定参考用户。这里,预定用户可以是预先确定的可以作为参考用户的优质用户,第二视频可以是预定用户的偏好视频。这里,例如,可以将与预定用户偏好相同或相似的视频(内容)的用户确定为参考用户。
在本公开的示例性实施例中,在基于第二视频从视频平台的用户中确定参考用户时,可首先从第二视频提取预定用户的内容池特征,然后基于预定用户的内容池特征搜索视频平台中的用户,并将搜索到的用户和预定用户确定为参考用户。也就是说,基于预定用户的偏好内容池特征,将与预定用户偏好相同或相似的视频(内容)的用户确定为参考用户。
在本公开的示例性实施例中,在基于第二视频从视频平台的用户中确定参考用户时,可首先获取视频平台中在每个周期内播放视频的数量超过预设数量的活跃用户,提取每个活跃用户的内容池的特征向量,基于内容池的特征向量对活跃用户进行用户聚类,获取每类用户的总内容池,然后选择总内容池中包括预定用户的内容池的用户类别,并将被选择的用户类别中的用户确定为参考用户。也就是说,由于进行用户聚类之后,每类用户偏好相同或相似的视频(内容),因此,预定用户所在的用户类别中的所有用户与预定用户偏好相同或相似的视频(内容)。因此,可将预定用户所在的用户类别中的所有用户确定为参考用户。
具体来说,做【从优质用户到优质内容】的挖掘主要是基于以下两方面的考虑:一方面,视频平台的作品库是有足够丰富的优质内容可供选择的。而机器学习算法很难确切理解内容场景直接找到优质内容,如果可以定位一批平台可信的优质用户,用他们的“人工智能”(在视频平台持续不断的播放行为,例如,点赞、长播等),作为优质作品筛选信号,可能会比较有效:相当于雇佣了一批优质的人工内容理解员,持续挑选优质作品;并且视频平台预期存在一些高质量用户,通过长期坚持不懈的使用视频平台(app),把自己的推荐系统参数调教的非常好,可以持续被推优质的好作品。另一方面,对于作品冷启动爬坡流量来说,优质用户的反馈可以更好的跑出低粉丝作者优质内容。
因此,作为示例,可招募(或者选择)一批优质用户(高端用户),通过这些优质用户(高端用户)来人工筛选视频平台中的视频。然而,由于招募(或者选择)的优质用户(高端用户)数量有限(例如,但不限于,数千人),并且依靠有限的(例如,千级别的)少量用户来人工探索完每日新发布的全量千万级别作品是不现实的,因此,希望优质用户来大幅度扩展优质用户池作为参考用户。
对于视频平台中每周视频播放个数大于阈值n的用户群,提取每个用户的偏好内容池的特征向量,按照k-means进行用户聚类,对于high_quality_content_i所在的类别,代表了优质用户(高端用户)群体,因此,将high_quality_content_i所在的类别中的用户作为参考用户。作为示例,用户的偏好内容池的特征向量可包括作品的特征和作品作者的画像相关特征中的至少一个特征,作品的特征可包括,但不限于,作品平均美学分、平均拍摄转场次数、作品冷启动突破概率、参考用户点赞数/评论/转发数占比等,作品作者的画像相关特征包括,但不限于,作者ios用户占比、作者手机平均价格、作者审美分均值、作者粉丝数、不同等级城市作者占比(例如,一/二/…、n线城市作者占比)等。
在步骤S202,获取预定用户群体对第一视频的操作数据。这里,预定用户群体可包括注册时长不超过第一阈值的用户群体和/或总在线时长不超过第二阈值的用户群体。
在本公开的示例性实施例中,预定用户群体可包括新用户群体和/或低活用户群体。例如,预定用户群体可以是新用户群体,预定用户群体也可以是低活用户群体,并且预定用户群体也可以是新用户群体和低活用户群体。
在本公开的示例性实施例中,操作数据可包括点赞、播放、转发、踩的数据中的至少一个。操作数据不限于前述列出的行为,也可以是针对视频的其他消费行为数据。
在本公开的示例性实施例中,在确定了第一视频(例如,参考用户的偏好视频)之后,确定第一视频是被预定用户群体中的各个用户点赞、播放、转发还是踩,以确定第一视频是否被预定用户群体中的各个用户偏好。
在步骤S203,基于预定用户群体对第一视频的操作数据,从第一视频中选择向预定用户群体推荐的视频。
在本公开的示例性实施例中,在从第一视频中选择向预定用户群体中的用户推荐的视频时,可首先基于预定用户群体对第一视频的操作数据计算第一视频的推荐指数,然后将第一视频中的推荐指数超过预设指数和/或推荐指数的排序超过预设次序的视频确定为向预定用户群体推荐的视频。例如,可根据以下公式计算第一视频的推荐指数:Content_score=a*like_cnt+b*play_cnt+c*forword_cnt–d*dislike_cnt。这里,like_cnt表示点赞数,play_cnt表示播放数,forword_cnt表示转发数,dislike_cnt表示踩数。a表示点赞数的权重,b表示播放数的权重,c表示转发数的权重,d表示踩数的权重。虽然仅示出根据点赞数、播放数、转发数和踩数来计算第一视频的推荐指数的示例公式,但是计算第一视频的推荐指数的公式可不限于此,还可基于其他未示出的操作数据来计算第一视频的推荐指数。例如,可选取在新用户/低活群体消费指标表现最好的例如m个视频(作品),放入新用户和低活用户的推荐内容池。
以上已经结合图1和图2对根据本公开的示例性实施例的视频推荐方法进行了描述。在下文中,将参照图3和图4对根据本公开的示例性实施例的视频推荐装置及其单元进行描述。
图3示出根据本公开的一个示例性实施例的视频推荐装置的框图。
参照图3,视频推荐装置包括第一视频获取单元31、指标获取单元32和视频推荐单元33。
第一视频获取单元31被配置为从被参考用户播放的视频中获取满足预设推荐条件的视频,作为第一视频。
指标获取单元32被配置为获取预定用户群体对第一视频的操作数据。
视频推荐单元33被配置为基于预定用户群体对第一视频的操作数据,从第一视频中选择向预定用户群体推荐的视频。
在本公开的示例性实施例中,预定用户群体可包括注册时长不超过第一阈值的用户群体和/或总在线时长不超过第二阈值的用户群体。
在本公开的示例性实施例中,视频推荐单元33可被配置为:基于所述操作数据计算第一视频的推荐指数;并且将第一视频中的推荐指数超过预设指数和/或推荐指数的排序超过预设次序的视频确定为向所述预定用户群体推荐的视频。
在本公开的示例性实施例中,操作数据包括点赞、播放、转发、踩的数据中的至少一个。
图4示出根据本公开的另一示例性实施例的视频推荐装置的框图。
参照图4,视频推荐装置包括第二视频获取单元41、参考用户确定单元42、第一视频获取单元43、指标获取单元44和视频推荐单元45。
第二视频获取单元41被配置为从被预定用户播放的视频中获取满足所述预设推荐条件的视频,作为第二视频。
参考用户确定单元42被配置为基于第二视频从视频平台的用户中确定所述参考用户。
第一视频获取单元43被配置为从被参考用户播放的视频中获取满足预设推荐条件的视频,作为第一视频。
在本公开的示例性实施例中,参考用户确定单元42可被配置为:从第二视频提取所述预定用户的内容池特征;并且基于预定用户的内容池特征搜索视频平台中的用户,将搜索到的用户和预定用户确定为所述参考用户。
在本公开的示例性实施例中,参考用户确定单元42可被配置为:获取视频平台中在每个周期内播放视频的数量超过预设数量的活跃用户;提取每个活跃用户的内容池的特征向量;基于内容池的特征向量对活跃用户进行用户聚类;获取每类用户的总内容池;并且选择总内容池中包括预定用户的内容池的用户类别,并将被选择的用户类别中的用户确定为参考用户。
指标获取单元44被配置为获取预定用户群体对第一视频的操作数据。
视频推荐单元45被配置为基于预定用户群体对第一视频的操作数据,从第一视频中选择向所述预定用户群体推荐的视频。
在本公开的示例性实施例中,预定用户群体可包括注册时长不超过第一阈值的用户群体和/或总在线时长不超过第二阈值的用户群体。
在本公开的示例性实施例中,视频推荐单元45可被配置为:基于所述操作数据计算第一视频的推荐指数;并且将第一视频中的推荐指数超过预设指数和/或推荐指数的排序超过预设次序的视频确定为向预定用户群体推荐的视频。
在本公开的示例性实施例中,操作数据包括点赞、播放、转发、踩的数据中的至少一个。
以上已经结合图3和图4对根据本公开的示例性实施例的视频推荐装置进行了描述。接下来,结合图5对根据本公开的示例性实施例的电子设备500进行描述。
图5示出根据本公开的示例性实施例的电子设备500的框图。
参照图5,电子设备500包括至少一个存储器501和至少一个处理器502,所述至少一个存储器501中存储有计算机可执行指令集合,当计算机可执行指令集合被至少一个处理器502执行时,执行根据本公开的示例性实施例的视频推荐方法。
作为示例,电子设备500可以是PC计算机、平板装置、个人数字助理、智能手机、或其他能够执行上述指令集合的装置。这里,电子设备500并非必须是单个的电子设备,还可以是任何能够单独或联合执行上述指令(或指令集)的装置或电路的集合体。电子设备500还可以是集成控制系统或系统管理器的一部分,或者可被配置为与本地或远程(例如,经由无线传输)以接口互联的便携式电子设备。
在电子设备500中,处理器502可包括中央处理器(CPU)、图形处理器(GPU)、可编程逻辑装置、专用处理器系统、微控制器或微处理器。作为示例而非限制,处理器还可包括模拟处理器、数字处理器、微处理器、多核处理器、处理器阵列、网络处理器等。
处理器502可运行存储在存储器501中的指令或代码,其中,存储器501还可以存储数据。指令和数据还可经由网络接口装置而通过网络被发送和接收,其中,网络接口装置可采用任何已知的传输协议。
存储器501可与处理器502集成为一体,例如,将RAM或闪存布置在集成电路微处理器等之内。此外,存储器501可包括独立的装置,诸如,外部盘驱动、存储阵列或任何数据库系统可使用的其他存储装置。存储器501和处理器502可在操作上进行耦合,或者可例如通过I/O端口、网络连接等互相通信,使得处理器502能够读取存储在存储器中的文件。
此外,电子设备500还可包括视频显示器(诸如,液晶显示器)和用户交互接口(诸如,键盘、鼠标、触摸输入装置等)。电子设备500的所有组件可经由总线和/或网络而彼此连接。
根据本公开的示例性实施例,还可提供一种存储指令的计算机可读存储介质,其中,当指令被至少一个处理器运行时,促使至少一个处理器执行根据本公开的视频推荐方法。这里的计算机可读存储介质的示例包括:只读存储器(ROM)、随机存取可编程只读存储器(PROM)、电可擦除可编程只读存储器(EEPROM)、随机存取存储器(RAM)、动态随机存取存储器(DRAM)、静态随机存取存储器(SRAM)、闪存、非易失性存储器、CD-ROM、CD-R、CD+R、CD-RW、CD+RW、DVD-ROM、DVD-R、DVD+R、DVD-RW、DVD+RW、DVD-RAM、BD-ROM、BD-R、BD-R LTH、BD-RE、蓝光或光盘存储器、硬盘驱动器(HDD)、固态硬盘(SSD)、卡式存储器(诸如,多媒体卡、安全数字(SD)卡或极速数字(XD)卡)、磁带、软盘、磁光数据存储装置、光学数据存储装置、硬盘、固态盘以及任何其他装置,所述任何其他装置被配置为以非暂时性方式存储计算机程序以及任何相关联的数据、数据文件和数据结构并将所述计算机程序以及任何相关联的数据、数据文件和数据结构提供给处理器或计算机使得处理器或计算机能执行所述计算机程序。上述计算机可读存储介质中的计算机程序可在诸如客户端、主机、代理装置、服务器等计算机设备中部署的环境中运行,此外,在一个示例中,计算机程序以及任何相关联的数据、数据文件和数据结构分布在联网的计算机系统上,使得计算机程序以及任何相关联的数据、数据文件和数据结构通过一个或多个处理器或计算机以分布式方式存储、访问和执行。
根据本公开的示例性实施例,还可提供一种计算机程序产品,该计算机程序产品中的指令可由计算机设备的处理器执行以完成根据本公开的示例性实施例的视频推荐方法。
以上已参照图1至图5描述了根据本公开的示例性实施例的视频推荐方法及装置。然而,应该理解的是:图3和图4中所示的视频推荐装置及其单元可分别被配置为执行特定功能的软件、硬件、固件或上述项的任意组合,图5中所示的电子设备并不限于包括以上示出的组件,而是可根据需要增加或删除一些组件,并且以上组件也可被组合。
根据本公开的示例性实施例的视频推荐方法及装置,推荐“优质用户群体智能理解”下的通用高清优质内容,用优秀的内容池吸引新用户和低活用户,提高推荐效率,提升用户留存。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (13)
1.一种视频推荐方法,其特征在于,包括:
从被预定用户群体播放的视频中获取满足预设推荐条件的视频,作为第二视频;并且
基于第二视频从视频平台的用户中确定参考用户;
从被所述参考用户播放的视频中获取满足所述预设推荐条件的视频,作为第一视频;
获取所述预定用户群体对第一视频的操作数据;并且
基于所述操作数据,从第一视频中选择向所述预定用户群体推荐的视频,
其中,基于第二视频从视频平台的用户中确定参考用户的步骤包括:
从第二视频提取所述预定用户的内容池特征;并且
基于预定用户的内容池特征搜索视频平台中的用户,将搜索到的用户和所述预定用户确定为所述参考用户。
2.根据权利要求1所述的方法,其特征在于,所述预定用户群体包括注册时长不超过第一阈值的用户群体和/或总在线时长不超过第二阈值的用户群体。
3.根据权利要求1所述的方法,其特征在于,基于第二视频从视频平台的用户中确定参考用户的步骤还包括:
获取视频平台中在每个周期内播放视频的数量超过预设数量的活跃用户;
提取每个活跃用户的内容池的特征向量;
基于内容池的特征向量对活跃用户进行用户聚类;
获取每类用户的总内容池;并且
选择总内容池中包括预定用户的内容池的用户类别,并将被选择的用户类别中的用户确定为所述参考用户。
4.根据权利要求1所述的方法,其特征在于,从第一视频中选择向所述预定用户群体推荐的视频的步骤包括:
基于所述操作数据计算第一视频的推荐指数;并且
将第一视频中的推荐指数超过预设指数和/或推荐指数的排序超过预设次序的视频确定为向所述预定用户群体推荐的视频。
5.根据权利要求1所述的方法,其特征在于,所述操作数据包括点赞、播放、转发、踩的数据中的至少一个。
6.一种视频推荐装置,其特征在于,包括:
第二视频获取单元,被配置为从被预定用户播放的视频中获取满足预设推荐条件的视频,作为第二视频;和
参考用户确定单元,被配置为基于第二视频从视频平台的用户中确定参考用户;
第一视频获取单元,被配置为从被所述参考用户播放的视频中获取满足所述预设推荐条件的视频,作为第一视频;
指标获取单元,被配置为获取所述预定用户群体对第一视频的操作数据;和
视频推荐单元,被配置为基于所述操作数据,从第一视频中选择向所述预定用户群体推荐的视频,
其中,参考用户确定单元被配置为:
从第二视频提取所述预定用户的内容池特征;并且
基于预定用户的内容池特征搜索视频平台中的用户,将搜索到的用户和所述预定用户确定为所述参考用户。
7.根据权利要求6所述的装置,其特征在于,所述预定用户群体包括注册时长不超过第一阈值的用户群体和/或总在线时长不超过第二阈值的用户群体。
8.根据权利要求6所述的装置,其特征在于,参考用户确定单元还被配置为:
获取视频平台中在每个周期内播放视频的数量超过预设数量的活跃用户;
提取每个活跃用户的内容池的特征向量;
基于内容池的特征向量对活跃用户进行用户聚类;
获取每类用户的总内容池;并且
选择总内容池中包括预定用户的内容池的用户类别,并将被选择的用户类别中的用户确定为所述参考用户。
9.根据权利要求6所述的装置,其特征在于,视频推荐单元被配置为:
基于所述操作数据计算第一视频的推荐指数;并且
将第一视频中的推荐指数超过预设指数和/或推荐指数的排序超过预设次序的视频确定为向所述预定用户群体推荐的视频。
10.根据权利要求6所述的装置,其特征在于,所述操作数据包括点赞、播放、转发、踩的数据中的至少一个。
11.一种存储有计算机程序的计算机可读存储介质,其特征在于,当所述计算机程序被处理器执行时,实现权利要求1至5中任一项所述的视频推荐方法。
12.一种电子设备,其特征在于,所述电子设备包括:
处理器;
存储器,存储有计算机程序,当所述计算机程序被处理器执行时,实现权利要求1至5中任一项所述的视频推荐方法。
13.一种计算机程序产品,包括计算机程序/指令,其特征在于,当所述计算机程序/指令被处理器执行时,实现权利要求1至5中任一项所述的视频推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011450193.2A CN112507165B (zh) | 2020-12-09 | 2020-12-09 | 视频推荐方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011450193.2A CN112507165B (zh) | 2020-12-09 | 2020-12-09 | 视频推荐方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112507165A CN112507165A (zh) | 2021-03-16 |
CN112507165B true CN112507165B (zh) | 2024-04-30 |
Family
ID=74971442
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011450193.2A Active CN112507165B (zh) | 2020-12-09 | 2020-12-09 | 视频推荐方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112507165B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104038517A (zh) * | 2013-03-05 | 2014-09-10 | 腾讯科技(深圳)有限公司 | 基于群组关系的信息推送方法以及服务器 |
CN107918622A (zh) * | 2016-10-10 | 2018-04-17 | 阿里巴巴集团控股有限公司 | 内容推荐、展示方法、客户端、服务器和系统 |
CN109684507A (zh) * | 2018-11-23 | 2019-04-26 | 北京达佳互联信息技术有限公司 | 视频推荐方法、视频推荐装置和计算机可读存储介质 |
CN111104605A (zh) * | 2019-12-02 | 2020-05-05 | 北京达佳互联信息技术有限公司 | 内容推荐方法、装置、电子设备及存储介质 |
CN111309968A (zh) * | 2020-03-19 | 2020-06-19 | 武汉大学 | 一种个性化视频推荐方法和系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160156951A1 (en) * | 2014-12-02 | 2016-06-02 | Sling Media Pvt Ltd | Intelligent auto-tuning for a video services system |
-
2020
- 2020-12-09 CN CN202011450193.2A patent/CN112507165B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104038517A (zh) * | 2013-03-05 | 2014-09-10 | 腾讯科技(深圳)有限公司 | 基于群组关系的信息推送方法以及服务器 |
CN107918622A (zh) * | 2016-10-10 | 2018-04-17 | 阿里巴巴集团控股有限公司 | 内容推荐、展示方法、客户端、服务器和系统 |
CN109684507A (zh) * | 2018-11-23 | 2019-04-26 | 北京达佳互联信息技术有限公司 | 视频推荐方法、视频推荐装置和计算机可读存储介质 |
CN111104605A (zh) * | 2019-12-02 | 2020-05-05 | 北京达佳互联信息技术有限公司 | 内容推荐方法、装置、电子设备及存储介质 |
CN111309968A (zh) * | 2020-03-19 | 2020-06-19 | 武汉大学 | 一种个性化视频推荐方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112507165A (zh) | 2021-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110209843B (zh) | 多媒体资源播放方法、装置、设备及存储介质 | |
CN111143610B (zh) | 一种内容推荐方法、装置、电子设备和存储介质 | |
KR101571443B1 (ko) | 동영상 동시발생 통계에 기반한 동영상 추천 | |
Fu et al. | Aggregate bandwagon effect on online videos' viewership: Value uncertainty, popularity cues, and heuristics | |
US11017024B2 (en) | Media content rankings for discovery of novel content | |
US8589434B2 (en) | Recommendations based on topic clusters | |
US20190098371A1 (en) | Media narrative presentation systems and methods with interactive and autonomous content selection | |
US10891679B2 (en) | Generating media recommendations based upon beats per minute | |
CN108737857B (zh) | 媒体概括 | |
US11973819B1 (en) | Image recommendations for thumbnails for online media items based on user activity | |
US20190394529A1 (en) | Resource recommendation method, device, apparatus and computer readable storage medium | |
US20150058364A1 (en) | Systems and methods for matching people based on perceived activities | |
CN105574045B (zh) | 一种视频推荐方法和服务器 | |
CN104598505B (zh) | 多媒体资源推荐方法及装置 | |
CN109511015B (zh) | 多媒体资源推荐方法、装置、存储介质及设备 | |
CN108595492B (zh) | 内容的推送方法和装置、存储介质、电子装置 | |
CN105378720A (zh) | 媒体内容发现以及角色组织技术 | |
US11386152B1 (en) | Automatic generation of highlight clips for events | |
CN113779408A (zh) | 搜索推荐方法、装置、电子设备和计算机可读存储介质 | |
CN114115623B (zh) | 信息展示方法和装置及信息传输方法和装置 | |
US20160132771A1 (en) | Application Complexity Computation | |
CN108769831B (zh) | 视频预告的生成方法及装置 | |
US9842507B1 (en) | Video filming and discovery system | |
CN112507165B (zh) | 视频推荐方法及装置 | |
JP2023534844A (ja) | ゲームパフォーマンスに基づくゲームコンテンツストレージ |
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 |