CN112565902B - 一种视频推荐方法、装置及电子设备 - Google Patents

一种视频推荐方法、装置及电子设备 Download PDF

Info

Publication number
CN112565902B
CN112565902B CN201910851664.1A CN201910851664A CN112565902B CN 112565902 B CN112565902 B CN 112565902B CN 201910851664 A CN201910851664 A CN 201910851664A CN 112565902 B CN112565902 B CN 112565902B
Authority
CN
China
Prior art keywords
video
video editing
account
items
item
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
CN201910851664.1A
Other languages
English (en)
Other versions
CN112565902A (zh
Inventor
占恺峤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Dajia Internet Information Technology Co Ltd
Original Assignee
Beijing Dajia Internet Information Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Dajia Internet Information Technology Co Ltd filed Critical Beijing Dajia Internet Information Technology Co Ltd
Priority to CN201910851664.1A priority Critical patent/CN112565902B/zh
Publication of CN112565902A publication Critical patent/CN112565902A/zh
Application granted granted Critical
Publication of CN112565902B publication Critical patent/CN112565902B/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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
    • H04N21/251—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
    • H04N21/258—Client or end-user data management, e.g. managing client capabilities, user preferences or demographics, processing of multiple end-users preferences to derive collaborative data
    • H04N21/25866—Management of end-user data
    • H04N21/25891—Management of end-user data being end-user preferences
    • 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
    • H04N21/262—Content or additional data distribution scheduling, e.g. sending additional data at off-peak times, updating software modules, calculating the carousel transmission frequency, delaying a video stream transmission, generating play-lists
    • H04N21/26258—Content or additional data distribution scheduling, e.g. sending additional data at off-peak times, updating software modules, calculating the carousel transmission frequency, delaying a video stream transmission, generating play-lists for generating a list of items to be played back in a given order, e.g. playlist, or scheduling item distribution according to such list
    • 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
    • H04N21/4667—Processing of monitored end-user data, e.g. trend analysis based on the log file of viewer selections
    • 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
    • H04N21/47—End-user applications
    • H04N21/472—End-user interface for requesting content, additional data or services; End-user interface for interacting with content, e.g. for content reservation or setting reminders, for requesting event notification, for manipulating displayed content
    • H04N21/47205—End-user interface for requesting content, additional data or services; End-user interface for interacting with content, e.g. for content reservation or setting reminders, for requesting event notification, for manipulating displayed content for manipulating displayed content, e.g. interacting with MPEG-4 objects, editing locally
    • 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
    • H04N21/47—End-user applications
    • H04N21/482—End-user interface for program selection
    • H04N21/4826—End-user interface for program selection using recommendation lists, e.g. of programs or channels sorted out according to their score

Landscapes

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

Abstract

本公开关于一种视频推荐方法、装置及电子设备，用于增加捕获用户上传兴趣的准确度，提高推荐能够促进用户上传作品的精准度。该方法包括：接收在客户端上登录的账户的视频推荐请求；基于所述账户的历史行为信息，获取与所述账户对应的视频编辑项集合，所述视频编辑项集合中包含多个视频编辑项，所述视频编辑项用于编辑客户端的输入的视频信息以生成视频作品，不同视频编辑项编辑视频信息的方式不同；从视频作品库中，获取通过所述视频编辑项集合中的视频编辑项编辑得到的视频作品；对从视频作品库中获取到的视频作品进行过滤和排序，得到用于推荐给所述账户的候选视频作品。

Description

一种视频推荐方法、装置及电子设备
技术领域
本公开涉及信息过滤系统技术领域，尤其涉及一种视频推荐方法、装置及电子设备。
背景技术
推荐系统是一种信息过滤系统，能根据用户的档案或者历史行为记录，学习出用户的兴趣爱好，预测出用户对给定物品的评分或偏好，改变了平台与用户的沟通方式，加强了平台和用户之间的交互性，为用户推荐可能感兴趣的作品。
针对短视频推荐系统，推荐流程的召回阶段作为推荐流程中的第一步，用于对推荐的短视频进行初筛，但目前存在的召回方式几乎都是从用户消费、社交的角度考虑，为用户推荐的视频大都试图满足用户在平台上的消费以及社交需求，为了提升用户的消费体验或促进社交网络构建，目前缺少针对个性化用户促进发布或上传作品的召回方式，现有召回方式不能准确的捕获用户的上传兴趣，不能为不同的用户提供个性化的视频推荐从而提升用户的上传意愿。
发明内容
本公开提供一种视频推荐方法、装置及电子设备，用于增加捕获用户上传兴趣的准确度，提高推荐的精准度。
第一方面，本公开提供一种视频推荐方法，该方法包括：
接收在客户端上登录的账户的视频推荐请求；
基于所述账户的历史行为信息，获取与所述账户对应的视频编辑项集合，所述视频编辑项集合中包含多个视频编辑项，所述视频编辑项用于编辑客户端的输入的视频信息以生成视频作品，不同视频编辑项编辑视频信息的方式不同；
从视频作品库中，获取通过所述视频编辑项集合中的视频编辑项编辑得到的视频作品；
对从视频作品库中获取到的视频作品进行过滤和排序，得到用于推荐给所述账户的候选视频作品。
作为一种可能的实施方式，基于所述账户的历史行为信息，获取与所述账户对应的视频编辑项集合包括：
基于所述账户的历史行为信息，获取所述账户的正向视频编辑项，其中，所述正向视频编辑项为标识所述账户执行过正向操作的视频作品所使用的视频编辑项；
生成包含有所述正向视频编辑项的第一列表；
在所述账户未执行过操作的视频编辑项中，确定与所述正向视频编辑项相似度满足要求的相似视频编辑项，并生成包含有所述相似视频编辑项的第二列表；
将所述第一列表和第二列表合并，得到所述与所述账户对应的视频编辑项集合。
作为一种可能的实施方式，生成包含有所述正向视频编辑项的第一列表包括：
针对所述同一类型的正向视频编辑项，统计所述账户对所述正向视频编辑项执行操作的总次数；
根据所述账户对每个正向视频编辑项执行操作的次数与所述总次数的比值大小，确定所述正向视频编辑项对应的用户偏好程度；
基于所述正向视频编辑项对应的用户偏好程度，生成包含有所述正向视频编辑项的第一列表。
作为一种可能的实施方式，在所述账户未执行过操作的视频编辑项中，确定与所述正向视频编辑项相似的相似视频编辑项，包括：
根据对所述未执行过操作的视频编辑项和所述正向视频编辑项执行过操作分别对应的账户的数量，在所述账户未执行过操作的视频编辑项中，确定与所述正向视频编辑项相似的相似视频编辑项。
作为一种可能的实施方式，生成包含有所述相似视频编辑项的第二列表，包括：
通过如下公式确定所述相似视频编辑项对应的用户偏好程度，基于所述相似视频编辑项对应的用户偏好程度，生成包含有所述相似视频编辑项的第二列表；
Figure BDA0002197154640000031
其中，θi为账户i的正向视频编辑项的集合，j为账户i未执行过操作的视频编辑项，ws,j为j与正向视频编辑项s之间的相似度，Pi,s为正向视频编辑项s对应的用户偏好程度；Pi,j为相似视频编辑项对应的用户偏好程度。
作为一种可能的实施方式，所述账户执行的正向操作包括如下任一或任多类：
所述账户对所述视频作品所使用的视频内容编辑项的执行的选择操作；
所述账户对所述视频作品的偏好选择项进行选择的操作；
所述账户对所述视频作品的上传选择项进行选择的操作。
作为一种可能的实施方式，所述账户执行的正向操作包括多类，确定所述正向视频编辑项对应的用户偏好程度，包括：
针对所述同一类型的至少一个正向视频编辑项，根据所述账户对每个正向视频编辑项执行每类正向操作的次数，确定所述账户对所述同一类型的所有正向视频编辑项执行每类正向操作的总次数；
根据所述账户对该正向视频编辑项执行的该类正向操作的次数分别除以所述总次数，将得到的各个比值加权求和，确定该正向视频编辑项对应的用户偏好程度。
作为一种可能的实施方式，对从视频作品库中获取到的视频作品进行过滤和排序，得到用于推荐给所述账户的候选视频作品，包括：
针对所有账户对所述获取到的视频作品进行正向操作得到的浏览数据，确定所述视频作品对于推荐的账户的推荐概率；
按所述推荐概率从大到小的顺序，选取前预设数量个视频作品作为用于推荐给所述推荐的账户的候选视频作品。
作为一种可能的实施方式，所述浏览数据包括多个参数，确定所述视频作品对于推荐的账户的推荐概率步骤包括：
根据所述各个参数的加权求和值，确定所述视频作品对于推荐的账户的推荐概率；或者
将所述各个参数输入预设深度学习网络模型进行分类统计，确定所述视频作品对于推荐的账户的推荐概率。
第二方面，本公开提供一种视频推荐装置，接收请求模块、获取视频编辑项模块、获取视频作品模块、推荐模块，其中：
接收请求模块，被配置为执行接收在客户端上登录的账户的视频推荐请求；
获取视频编辑项模块，被配置为执行基于所述账户的历史行为信息，获取与所述账户对应的视频编辑项集合，所述视频编辑项集合中包含多个视频编辑项，所述视频编辑项用于编辑客户端的输入的视频信息以生成视频作品，不同视频编辑项编辑视频信息的方式不同；
获取视频作品模块，被配置为执行从视频作品库中，获取通过所述视频编辑项集合中的视频编辑项编辑得到的视频作品；
推荐模块，被配置为执行对从视频作品库中获取到的视频作品进行过滤和排序，得到用于推荐给所述账户的候选视频作品。
作为一种可能的实施方式，所述获取视频编辑项模块具体被配置为执行：
基于所述账户的历史行为信息，获取所述账户的正向视频编辑项，其中，所述正向视频编辑项为标识所述账户执行过正向操作的视频作品所使用的视频编辑项；
生成包含有所述正向视频编辑项的第一列表；
在所述账户未执行过操作的视频编辑项中，确定与所述正向视频编辑项相似度满足要求的相似视频编辑项，并生成包含有所述相似视频编辑项的第二列表；
将所述第一列表和第二列表合并，得到所述与所述账户对应的视频编辑项集合。
作为一种可能的实施方式，所述获取视频编辑项模块具体被配置为执行：
针对所述同一类型的正向视频编辑项，统计所述账户对所述正向视频编辑项执行操作的总次数；
根据所述账户对每个正向视频编辑项执行操作的次数与所述总次数的比值大小，确定所述正向视频编辑项对应的用户偏好程度；
基于所述正向视频编辑项对应的用户偏好程度，生成包含有所述正向视频编辑项的第一列表。
作为一种可能的实施方式，所述获取视频编辑项模块具体被配置为执行：
根据对所述未执行过操作的视频编辑项和所述正向视频编辑项执行过操作分别对应的账户的数量，在所述账户未执行过操作的视频编辑项中，确定与所述正向视频编辑项相似的相似视频编辑项。
作为一种可能的实施方式，所述获取视频编辑项模块具体被配置为执行：
通过如下公式确定所述相似视频编辑项对应的用户偏好程度，基于所述相似视频编辑项对应的用户偏好程度，生成包含有所述相似视频编辑项的第二列表；
Figure BDA0002197154640000051
其中，θi为账户i的正向视频编辑项的集合，j为账户i未执行过操作的视频编辑项，ws,j为j与正向视频编辑项s之间的相似度，Pi,s为正向视频编辑项s对应的用户偏好程度；Pi,j为相似视频编辑项对应的用户偏好程度。
作为一种可能的实施方式，所述账户执行的正向操作包括如下任一或任多类：
所述账户对所述视频作品所使用的视频内容编辑项的执行的选择操作；
所述账户对所述视频作品的偏好选择项进行选择的操作；
所述账户对所述视频作品的上传选择项进行选择的操作。
作为一种可能的实施方式，所述账户执行的正向操作包括多类，所述获取视频编辑项模块具体被配置为执行：
针对所述同一类型的至少一个正向视频编辑项，根据所述账户对每个正向视频编辑项执行每类正向操作的次数，确定所述账户对所述同一类型的所有正向视频编辑项执行每类正向操作的总次数；
根据所述账户对该正向视频编辑项执行的该类正向操作的次数分别除以所述总次数，将得到的各个比值加权求和，确定该正向视频编辑项对应的用户偏好程度。
作为一种可能的实施方式，所述推荐模块具体被配置为执行：
针对所有账户对所述获取到的视频作品进行正向操作得到的浏览数据，确定所述视频作品对于推荐的账户的推荐概率；
按所述推荐概率从大到小的顺序，选取前预设数量个视频作品作为用于推荐给所述推荐的账户的候选视频作品。
作为一种可能的实施方式，所述浏览数据包括多个参数，所述推荐模块具体被配置为执行：
根据所述各个参数的加权求和值，确定所述视频作品对于推荐的账户的推荐概率；或者
将所述各个参数输入预设深度学习网络模型进行分类统计，确定所述视频作品对于推荐的账户的推荐概率。
第三方面，本公开提供一种视频推荐电子设备，包括：
处理器；
用于存储所述处理器可执行指令的存储器；
其中，所述处理器被配置为执行所述指令，以实现如下步骤：
接收在客户端上登录的账户的视频推荐请求；
基于所述账户的历史行为信息，获取与所述账户对应的视频编辑项集合，所述视频编辑项集合中包含多个视频编辑项，所述视频编辑项用于编辑客户端的输入的视频信息以生成视频作品，不同视频编辑项编辑视频信息的方式不同；
从视频作品库中，获取通过所述视频编辑项集合中的视频编辑项编辑得到的视频作品；
对从视频作品库中获取到的视频作品进行过滤和排序，得到用于推荐给所述账户的候选视频作品。
作为一种可能的实施方式，所述处理器具体被配置为执行：
基于所述账户的历史行为信息，获取所述账户的正向视频编辑项，其中，所述正向视频编辑项为标识所述账户执行过正向操作的视频作品所使用的视频编辑项；
生成包含有所述正向视频编辑项的第一列表；
在所述账户未执行过操作的视频编辑项中，确定与所述正向视频编辑项相似度满足要求的相似视频编辑项，并生成包含有所述相似视频编辑项的第二列表；
将所述第一列表和第二列表合并，得到所述与所述账户对应的视频编辑项集合。
作为一种可能的实施方式，所述处理器具体被配置为执行：
针对所述同一类型的正向视频编辑项，统计所述账户对所述正向视频编辑项执行操作的总次数；
根据所述账户对每个正向视频编辑项执行操作的次数与所述总次数的比值大小，确定所述正向视频编辑项对应的用户偏好程度；
基于所述正向视频编辑项对应的用户偏好程度，生成包含有所述正向视频编辑项的第一列表。
作为一种可能的实施方式，所述处理器具体被配置为执行：
根据对所述未执行过操作的视频编辑项和所述正向视频编辑项执行过操作分别对应的账户的数量，在所述账户未执行过操作的视频编辑项中，确定与所述正向视频编辑项相似的相似视频编辑项。
作为一种可能的实施方式，所述处理器具体被配置为执行：
通过如下公式确定所述相似视频编辑项对应的用户偏好程度，基于所述相似视频编辑项对应的用户偏好程度，生成包含有所述相似视频编辑项的第二列表；
Figure BDA0002197154640000081
其中，θi为账户i的正向视频编辑项的集合，j为账户i未执行过操作的视频编辑项，ws,j为j与正向视频编辑项s之间的相似度，Pi,s为正向视频编辑项s对应的用户偏好程度；Pi,j为相似视频编辑项对应的用户偏好程度。
作为一种可能的实施方式，所述账户执行的正向操作包括如下任一或任多类：
所述账户对所述视频作品所使用的视频内容编辑项的执行的选择操作；
所述账户对所述视频作品的偏好选择项进行选择的操作；
所述账户对所述视频作品的上传选择项进行选择的操作。
作为一种可能的实施方式，所述账户执行的正向操作包括多类，所述处理器具体被配置为执行：
针对所述同一类型的至少一个正向视频编辑项，根据所述账户对每个正向视频编辑项执行每类正向操作的次数，确定所述账户对所述同一类型的所有正向视频编辑项执行每类正向操作的总次数；
根据所述账户对该正向视频编辑项执行的该类正向操作的次数分别除以所述总次数，将得到的各个比值加权求和，确定该正向视频编辑项对应的用户偏好程度。
作为一种可能的实施方式，所述处理器具体被配置为执行：
针对所有账户对所述获取到的视频作品进行正向操作得到的浏览数据，确定所述视频作品对于推荐的账户的推荐概率；
按所述推荐概率从大到小的顺序，选取前预设数量个视频作品作为用于推荐给所述推荐的账户的候选视频作品。
作为一种可能的实施方式，所述浏览数据包括多个参数，所述处理器具体被配置为执行：
根据所述各个参数的加权求和值，确定所述视频作品对于推荐的账户的推荐概率；或者
将所述各个参数输入预设深度学习网络模型进行分类统计，确定所述视频作品对于推荐的账户的推荐概率。
第四方面，本公开提供一种计算机存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述第一方面所述方法的步骤。
本公开提供的一种视频推荐方法、装置及电子设备，具有以下有益效果：
用于增加捕获用户上传兴趣的准确度，提高推荐能够促进用户上传视频的精准度，提升用户在平台上的上传行为，提高平台和用户之间的交互性。例如，针对上传视频中的特效选项，分析用户对特效选项中各种特效的偏好程度，更精准的为用户推荐配置用户偏好特效的上传视频，从而一定程度上，提升用户使用推荐的偏好特效上传视频的行为。
附图说明
图1为本公开实施例提供的一种视频推荐方法流程图；
图2为本公开实施例提供的一种视频推荐特效方法流程图；
图3为本公开实施例提供的一种视频推荐装置示意图；
图4为本公开实施例提供的一种视频推荐电子设备示意图。
具体实施方式
为了使本公开的目的、技术方案和优点更加清楚，下面将结合附图对本公开作进一步地详细描述，显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，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它实施例，都属于本公开保护的范围。
实施例1
目前，典型的在线推荐流程包括如下阶段：召回(Recall)、排序(Ranking)、重排序(Reranking)。例如：针对目前短视频推荐领域而言，召回阶段的作用是通过一定的策略对推荐的短视频做一次粗筛，从视频库中挑选出一个较小的候选集(可以是几百到几千个视频)；排序阶段的作用是在召回阶段的基础上，给每个视频进行精确打分，计算用户对其偏好程度并排序；重排序的作用是对排序阶段的结果基于其他维度的考虑做一些调整。
现有推荐流程的召回阶段可能存在多种不同的召回方式，例如协同过滤(UserCF/ItemCF)召回、模型召回、基于标签的召回、关注关系召回等，但并没有针对捕获用户上传兴趣的召回方式，不能为不同的用户提供个性化的视频推荐从而提升用户的上传意愿。
为了解决上述技术问题，本公开实施例提供一种视频推荐方法，针对目前短视频推荐领域，能够通过一定的策略对推荐的短视频做一次粗筛，从视频库中挑选出一个较小的候选集(可以是几百到几千个视频)，相当于提供一种召回方式，作为推荐流程中的第一步粗筛视频的过程，例如，针对上传视频中的特效选项，分析用户对特效选项中各种特效的偏好程度，更精准的为用户推荐配置用户偏好特效的上传视频，从而一定程度上，提升用户使用推荐的偏好特效上传视频的行为。本公开实施例提供的方法，能够增加捕获用户上传兴趣的准确度，提高推荐能够促进用户上传视频的精准度。
如图1所示，本实施例面向不同的用户，能够提供个性化的视频推荐方案，该方法实施流程如下：
步骤100、接收在客户端上登录的账户的视频推荐请求。
可选的，本步骤应用于服务器，服务器可以接收多个客户端上登录的多个账户的视频推荐请求。可以针对每个账户的视频推荐请求，个性化的为该账户进行视频推荐，具体推荐流程如下。
步骤101、基于所述账户的历史行为信息，获取与所述账户对应的视频编辑项集合，所述视频编辑项集合中包含多个视频编辑项，所述视频编辑项用于编辑客户端的输入的视频信息以生成视频作品，不同视频编辑项编辑视频信息的方式不同；
本实施例中所述账户的历史行为信息包括但不限于针对某些视频作品进行相关操作的行为信息，例如，针对某些视频作品进行收藏、点赞、屏蔽等行为；或针对某些视频编辑项进行相关操作的行为信息，如针对视频特效或视频中使用的背景音乐或视频标签进行使用、收藏等行为，或使用该视频特效或背景音乐或视频标签对视频进行编辑后，上传该编辑的视频的行为信息。
本实施例中的视频编辑项包括但不限于特效、背景音乐、视频标签，该视频编辑项集合为多个特效的集合，或多个背景音乐的集合，或多个视频标签的集合。
步骤102、从视频作品库中，获取通过所述视频编辑项集合中的视频编辑项编辑得到的视频作品。
由于所述账户对应的视频编辑项集合是基于所述账户的历史行为信息获取的，容易理解的是，获取的视频编辑项集合与该账户对视频或视频编辑项进行过历史操作的行为相关，例如，该账户对视频进行过收藏、点赞、屏蔽等行为，对某些视频编辑项进行过收藏、编辑使用等行为。其中，收藏行为可以是该账户将要收藏的视频加入到本地收藏列表中，当该账户点击该收藏的视频时可以链接进行该视频的播放，点赞行为可以是该账户对浏览的某些视频的正向反馈操作，而屏蔽行为可以是该账户对浏览的某些视频的负向反馈操作。
具体实施中，针对视频信息，可以通过获取该账户的收藏列表中的视频信息，以确定该账户对视频进行过收藏；或者，获取该账户对某些视频的点击操作，其中所述点击操作包括点击“点赞”选项的操作或点击“屏蔽”选项的操作，用以表示该账户对某些视频的偏好。针对视频编辑项，可以通过获取该账户收藏列表中的视频编辑项信息，以确定该账户对视频进行过收藏；或者获取账户对视频编辑项进行过选择并使用的历史操作，已确定该账户对某些视频编辑项进行过编辑使用。
步骤103、对从视频作品库中获取到的视频作品进行过滤和排序，得到用于推荐给所述账户的候选视频作品。
作为一种可能的实施方式，本实施例中通过如下方式基于所述账户的历史行为信息，获取与所述账户对应的视频编辑项集合：
第一步、基于所述账户的历史行为信息，获取所述账户的正向视频编辑项，其中，所述正向视频编辑项为标识所述账户执行过正向操作的视频作品所使用的视频编辑项；
本实施例中的正向视频编辑项可以是所述账户针对某些视频编辑项如某些特效进行使用、收藏等操作，针对某些视频作品如使用某些特效进行编辑的视频作品进行收藏、点赞、上传、下载等操作。其中，收藏操作可以是该账户将要收藏的视频作品加入到本地收藏列表中，当该账户点击该收藏的视频作品时可以链接进行该视频作品的播放，点赞操作可以是该账户对浏览的某些视频作品的正向反馈操作，下载操作可以是该账户向服务器发送某视频作品信息的下载请求操作，待服务器获取该视频作品的信息后进行响应，该账户接收到响应消息后可以对视频进行下载操作，上传操作可以是该账户向服务器发送某视频作品信息的上传请求操作，待服务器获取该视频作品的信息后进行响应，该账户接收到响应消息后可以对视频进行上传操作。
具体实施中，可通过获取所述账户中的收藏列表确定对某些特效是否收藏过，可以通过获取所述账户使用特效的历史使用信息确定对某些特效是否使用过，可以通过获取所述账户的上传列表或下载列表确定对某些视频是否上传过或下载过。
本实施例中的正向视频编辑项，可以是特效如用户可以使用某种特效进行视频编辑，将编辑后的视频作品进行上传，也可以是话题标签，如用户可以选择采用某种内容或类型的话题标签编辑视频，并将该视频作品进行上传，也可以是音乐片段，如用户可以选择利用某个音乐片段来编辑视频作品，并将该视频作品进行上传，也可以是未来视频编辑中所配置的其他视频编辑选项，本实施例对正向视频编辑项不作过多限定。
第二步、生成包含有所述正向视频编辑项的第一列表；
可选的，本实施例提供如下方式生成所述第一列表：
1)针对所述同一类型的正向视频编辑项，统计所述账户对所述正向视频编辑项执行操作的总次数；
例如针对特效类型的正向视频编辑项，该特效类型下包括多个特效，如特效1、特效2、特效3……特效i，i为正整数，统计所述账户对所有特效执行操作的总次数，即统计所述账户对特效1执行操作的次数C1、所述账户对特效2执行操作的次数C2、所述账户对特效3执行操作的次数C3、所述账户对特效i执行操作的次数Ci，则所述账户对所有特效执行操作的总次数C＝C1+C2+C3+……+Ci；
2)根据所述账户对每个正向视频编辑项执行操作的次数与所述总次数的比值大小，确定所述正向视频编辑项对应的用户偏好程度；
本实施例中，如果该账户针对某些特效具有使用该特效来编辑视频作品，或收藏使用该特效编辑的视频作品，或上传使用该特效进行视频编辑的视频作品等行为时，可以确定账户对应的用户对该特效感兴趣，该用户偏好该特效，容易被该特效引发上传作品的意愿。
根据上述特效1、特效2、特效3……特效i可知，账户对特效1执行操作的次数C1、所述账户对特效2执行操作的次数C2、所述账户对特效3执行操作的次数C3、所述账户对特效i执行操作的次数Ci，所述账户对所有特效执行操作的总次数为C；
特效1对应的用户偏好程度P1＝C1/C；
特效2对应的用户偏好程度P2＝C2/C；
特效3对应的用户偏好程度P3＝C3/C；
特效i对应的用户偏好程度Pi＝Ci/C。
3)基于所述正向视频编辑项对应的用户偏好程度，生成包含有所述正向视频编辑项的第一列表。
根据上述P1、P2、P3……Pi，生成包含有所述正向视频编辑项的第一列表，如生成的第一列表包含特效1、特效2、特效3……特效i。
第三步、在所述账户未执行过操作的视频编辑项中，确定与所述正向视频编辑项相似度满足要求的相似视频编辑项，并生成包含有所述相似视频编辑项的第二列表；
本实施例中，通过如下方式计算视频编辑项之间的相似度：
根据对所述未执行过操作的视频编辑项和所述正向视频编辑项执行过的操作分别对应的账户的数量，在所述账户未执行过操作的视频编辑项中，确定与所述正向视频编辑项相似的相似视频编辑项。
本实施例提供一种通过协同过滤计算相似度的方法，以视频编辑项为特效编辑项为例，公式如下所示：
Figure BDA0002197154640000141
其中，wi,j为特效i与特效j间的相似度，Ni为使用过特效i对应的账户的数量，Nj为使用过特效j对应的账户的数量；
式(1)表达的含义为：特效i与特效j间的相似度为同时使用特效i、j的账户的数量除以使用特效i的账户的数量与使用特效j的账户的数量之积的平方根。
在具体实施中，可以将特效i作为当前账户的正向视频编辑项，特效j作为当前账户未执行过操作的视频编辑项，针对客户端上的所有账户，Ni为所有账户对该特效i执行过操作对应的账户的数量，例如Ni为使用过该特效i的账户的数量，Nj为所有账户对该特效j执行过操作对应的账户的数量，例如Nj为使用过该特效j的账户的数量。
本实施例中计算视频编辑项之间的相似度的方法包括但不限于协同过滤方法，也可以通过建立机器学习模型，得到不同从选项的嵌入embedding向量，通过各embedding向量间的欧式距离确定各视频编辑项之间的相似度。
根据相似度的大小，确定大于预设阈值的相似度对应的两个视频编辑项相似，即确定与所述正向视频编辑项相似度满足要求的相似视频编辑项，如确定出与特效i相似的特效j，最终生成包含该特效j的第二列表，如该第二列表包含特效j1、特效j2、特效j3……特效jj。
作为一种可选的实施方式，通过如下公式确定所述相似视频编辑项对应的用户偏好程度，基于所述相似视频编辑项对应的用户偏好程度，生成包含有所述相似视频编辑项的第二列表；
Figure BDA0002197154640000151
其中，θi为账户i的正向视频编辑项的集合，j为账户i未执行过操作的视频编辑项，ws,j为j与正向视频编辑项s之间的相似度，Pi,s为正向视频编辑项s对应的用户偏好程度；Pi,j为相似视频编辑项对应的用户偏好程度。
本实施例中，根据该账户操作过的正向视频编辑项，还可以对该账户可能偏好的但还未操作过的视频编辑项进行偏好扩展，根据该账户的历史上传数据，发掘更多该账户可能感兴趣但目前还未接触过的视频编辑项(如特效)。
例如，以该未操作过的视频编辑项为特效来说，确定该未操作过的视频编辑项中的相似视频编辑项对应的用户偏好程度，可以采用式(2)，含义为账户i对未接触过的特效j的偏好程度，等于该特效j与账户所有使用过的特效的偏好乘以与之相似度之和。
通过上述步骤能够对账户可能偏好的视频编辑项(如特效)但仍未接触过的视频编辑项进行扩展，选出更符合用户偏好的视频编辑项。
第四步、将所述第一列表和第二列表合并，得到所述与所述账户对应的视频编辑项集合。
由上述可知，第一列表：特效1、特效2、特效3……特效i；
第二列表：特效j1、特效j2、特效j3……特效jj；
将上述第一列表和第二列表合并，得到的视频编辑项集合为：
特效1、特效2、特效3……特效i、特效j1、特效j2、特效j3……特效jj。
上述排列顺序仅为示意具体包含的特效，并不代表各特效间的顺序，本实施例对该视频编辑项集合中特效的排列顺序不作过多限定。
作为一种可选的实施方式，所述账户执行的正向操作包括如下任一或任多类：
第一类、所述账户对所述视频作品所使用的视频内容编辑项的执行的选择操作；
如所述账户对所述视频作品所使用的特效编辑项进行收藏、使用等操作。
第二类、所述账户对所述视频作品的偏好选择项进行选择的操作；
如所述账户对所述视频作品进行收藏、点赞等操作。
第三类、所述账户对所述视频作品的上传选择项进行选择的操作。
如所述账户对所述视频进行上传等操作。
作为一种可选的实施方式，所述账户执行的正向操作包括多类，确定所述正向视频编辑项对应的用户偏好程度，包括：
针对所述同一类型的至少一个正向视频编辑项，根据所述账户对每个正向视频编辑项执行每类正向操作的次数，确定所述账户对所述同一类型的所有正向视频编辑项执行每类正向操作的总次数；
根据所述账户对该正向视频编辑项执行的该类正向操作的次数分别除以所述总次数，将得到的各个比值加权求和，确定该正向视频编辑项对应的用户偏好程度。
例如，该视频编辑项为特效编辑项，对所述特效编辑项执行的正向操作包括三类，第一类是账户针对某些特效具有使用该特效来进行编辑视频作品的行为，第二类是账户针对某些特效具有收藏使用该特效编辑的视频作品的行为，第三类是用户针对某些特效具有上传使用该特效编辑的视频作品的行为，本实施例还提供一种计算偏好程度的公式如下所示：
Figure BDA0002197154640000171
其中，式(1)中Pi,j为账户i对特效j的偏好程度；
Ai,j为账户i对特效j在设定时间内使用该特效j来进行编辑视频作品的次数，Ci,j为账户i对特效j在设定时间内收藏使用特效j编辑的视频作品的次数，Ui,j为账户i对特效j在设定时间内上传使用特效j编辑的视频作品的次数；
Ai为账户i对所有特效在设定时间内使用任一特效来编辑视频作品的次数，Ci为账户i对所有特效在设定时间内收藏使用任一特效编辑的视频作品的次数，Ui为账户i对所有特效在设定时间内上传使用任一特效编辑的视频作品的次数；
a、b、c分别为账户针对某些特效具有使用该特效来编辑视频作品、收藏使用该特效编辑的视频作品、上传使用该特效编辑的视频作品的行为对应的偏好权重。
本实施例中计算偏好程度的公式形式包括但不限于线性加权形式，也可以加入更多可反映账户对某视频编辑项偏好程度的行为特征。
上述步骤能够针对个性化的用户的历史上传数据，更加精准的判断出该用户针对某些视频编辑项的偏好程度。
本实施例中，可以对账户进行个性化推荐，统计该账户选择了哪些视频编辑项，这些被账户选择的视频编辑项可作为正向视频编辑项，并且可以对该正向视频编辑项进行扩展，利用与该正向视频编辑项相似度满足要求的相似视频编辑项进行视频编辑项的扩展，从而基于该正向视频编辑项和扩展得到的相似视频编辑项，为该账户推荐对应该账户的视频作品，从而引发该账户对应的用户的上传意愿。
作为一种可选的实施方式，对从视频作品库中获取到的视频作品进行过滤和排序，得到用于推荐给所述账户的候选视频作品，包括：
针对所有账户对所述获取到的视频作品进行正向操作得到的浏览数据，确定所述视频作品对于推荐的账户的推荐概率；
可选的，所述浏览数据包括统计的多个偏好操作的概率值，估算所述视频作品对于推荐的账户的推荐程度步骤包括：
根据所述各个偏好操作的概率值的加权求和值，确定所述视频作品对于推荐的账户的推荐程度；或者
将所述各个偏好操作的概率值输入预设深度学习网络模型进行分类统计，预估所述视频作品对于推荐的账户的推荐程度。
按所述推荐概率从大到小的顺序，选取前预设数量个视频作品作为用于推荐给所述推荐的账户的候选视频作品。
例如，可以将第二列表中的相似视频编辑项(指定账户未接触的特效)按计算出的偏好程度从大到小顺序排序，选取前K(K为正整数)个，与第一列表(指定账户操作过的特效)进行合并，形成最终的候选特效列表。
进一步，确定出与该候选特效列表中的特效相关的所有视频作品，从所有视频作品中按一定规则选取部分视频作品推荐给该指定账户。
作为一种可选的实施方式，可按如下方式确定推荐的视频作品：
1)确定与该候选特效列表中的特效相关的所有视频作品；
可选的，可以构建该候选特效列表中的特效与对应的视频作品的映射关系，选取所有使用该特效进行编辑的视频作品，该视频作品可以是除该指定账户外其他账户上传的视频作品，若最终选取的视频作品的数量超过预设阈值，可按一定规则进行截断选取，例如选取视频作品中上传时间最近的前K(K为正整数)个；
进一步，还可以按照设定排序公式对选取的所有视频作品进行粗排序，其中粗排公式包括但不限于线性加权形式的公式，也可以加入长播放率、不喜欢率等让公式内容更加丰富。
2)针对所有账户对所述获取到的视频作品进行正向操作得到的浏览数据，确定所述视频作品对于推荐的账户的推荐概率；
其中，浏览数据包括统计的点击率、点赞率、关注率，可采用如下任一种方式确定所述视频作品对于推荐的账户的推荐概率：
根据所述各个参数的加权求和值，确定所述视频作品对于推荐的账户的推荐概率，如计算所述点击率、点赞率、关注率的加权求和值，确定所述视频作品对于推荐的账户的推荐概率；
将所述各个参数输入预设深度学习网络模型进行分类统计，将所述点击率、点赞率、关注率输入预设深度学习网络模型进行分类统计，确定所述视频作品对于推荐的账户的推荐概率。
3)按所述推荐概率从大到小的顺序，选取前预设数量个视频作品进行推荐。
本实施例由于在视频推荐过程中使用到了用户的历史上传数据，可以更加准确地捕获用户对视频作品的兴趣，在不过多影响用户消费体验的同时，提升用户上传视频作品意愿。并且，实际的实验数据表明，本公开实施例提供的视频推荐方法相较目前的推荐方法(可以是目前视频推荐领域的召回方法)，每天新增的上传作品量可提升0.5％，人均使用时长基本持平。
实施例2
如图2所示，以视频编辑项为特效为例，该特效编辑项包括多个特效，即配置的特效编辑项下包括多个不同的特效，本实施例提供的视频推荐方法的详细流程如下：
步骤200、接收在客户端上登录的账户的视频推荐请求；
可选的，本步骤应用于服务器，服务器可以接收多个客户端上登录的多个账户的视频推荐请求。
步骤201、基于所述账户的历史行为信息，获取所述账户的正向视频编辑项；
其中，所述正向视频编辑项为标识所述账户执行过正向操作的视频作品所使用的视频编辑项。可选的，所述账户执行过的正向操作，可以是所述账户针对使用某些视频编辑项编辑过的视频作品进行过收藏、点赞、上传、下载等操作。
步骤202、生成包含有所述正向视频编辑项的第一列表；
可选的，针对同一类型的正向视频编辑项，统计所述账户对所述正向视频编辑项执行操作的总次数；
根据所述账户对每个正向视频编辑项执行操作的次数与所述总次数的比值大小，确定所述正向视频编辑项对应的用户偏好程度；
基于所述正向视频编辑项对应的用户偏好程度，生成包含有所述正向视频编辑项的第一列表。
步骤203、在所述账户未执行过操作的视频编辑项中，确定与所述正向视频编辑项相似度满足要求的相似视频编辑项；
可选的，可通过如下公式计算相似度：
Figure BDA0002197154640000201
其中，wi,j为特效i与特效j间的相似度，Ni为使用过特效i对应的账户的数量，Nj为使用过特效j对应的账户的数量。
步骤204、生成包含有所述相似视频编辑项的第二列表；
首先，通过如下公式确定所述相似视频编辑项对应的用户偏好程度：
Figure BDA0002197154640000202
其中，θi为账户i的正向视频编辑项的集合，j为账户i未执行过操作的视频编辑项，ws,j为j与正向视频编辑项s之间的相似度，Pi,s为正向视频编辑项s对应的用户偏好程度；Pi,j为相似视频编辑项对应的用户偏好程度。
其次，按用户偏好程度从大到小的顺序，选取前K(K为正整数)个用户偏好程度对应的相似视频编辑项生成第二列表。
步骤205、将所述第一列表和第二列表合并，得到所述与所述账户对应的视频编辑项集合；
可选的，合并后的列表中视频编辑项无先后顺序。
步骤206、从视频作品库中，获取通过所述视频编辑项集合中的视频编辑项编辑得到的视频作品；
可选的，根据预先建立的所述视频作品和视频编辑项之间的映射关系，获取视频作品。
步骤207、针对所有账户对所述获取到的视频作品进行正向操作得到的浏览数据，确定所述视频作品对于推荐的账户的推荐概率；
可选的，所述浏览数据包括统计的多个偏好操作的概率值，估算所述视频作品对于推荐的账户的推荐程度步骤包括：
根据所述各个偏好操作的概率值的加权求和值，确定所述视频作品对于推荐的账户的推荐程度；或者
将所述各个偏好操作的概率值输入预设深度学习网络模型进行分类统计，预估所述视频作品对于推荐的账户的推荐程度。
步骤208、按所述推荐概率从大到小的顺序，选取前预设数量个视频作品作为用于推荐给所述推荐的账户的候选视频作品。
可选的，可以选取推荐概率大于预设阈值的视频作品作为用于推荐给所述推荐的账户的候选视频作品。
实施例3
基于相同的发明构思，本公开实施例还提供了一种视频推荐装置，由于装置即是本公开实施例中的方法中的装置，并且该装置解决问题的原理与该方法相似，因此该装置的实施可以参见方法的实施，重复之处不再赘述。
如图3所示，该装置包括接收请求模块300、获取视频编辑项模块301、获取视频作品模块302、推荐模块303，其中：
接收请求模块，被配置为执行接收在客户端上登录的账户的视频推荐请求；
获取视频编辑项模块，被配置为执行基于所述账户的历史行为信息，获取与所述账户对应的视频编辑项集合，所述视频编辑项集合中包含多个视频编辑项，所述视频编辑项用于编辑客户端的输入的视频信息以生成视频作品，不同视频编辑项编辑视频信息的方式不同；
获取视频作品模块，被配置为执行从视频作品库中，获取通过所述视频编辑项集合中的视频编辑项编辑得到的视频作品；
推荐模块，被配置为执行对从视频作品库中获取到的视频作品进行过滤和排序，得到用于推荐给所述账户的候选视频作品。
作为一种可能的实施方式，所述获取视频编辑项模块具体被配置为执行：
基于所述账户的历史行为信息，获取所述账户的正向视频编辑项，其中，所述正向视频编辑项为标识所述账户执行过正向操作的视频作品所使用的视频编辑项；
生成包含有所述正向视频编辑项的第一列表；
在所述账户未执行过操作的视频编辑项中，确定与所述正向视频编辑项相似度满足要求的相似视频编辑项，并生成包含有所述相似视频编辑项的第二列表；
将所述第一列表和第二列表合并，得到所述与所述账户对应的视频编辑项集合。
作为一种可能的实施方式，所述获取视频编辑项模块具体被配置为执行：
针对所述同一类型的正向视频编辑项，统计所述账户对所述正向视频编辑项执行操作的总次数；
根据所述账户对每个正向视频编辑项执行操作的次数与所述总次数的比值大小，确定所述正向视频编辑项对应的用户偏好程度；
基于所述正向视频编辑项对应的用户偏好程度，生成包含有所述正向视频编辑项的第一列表。
作为一种可能的实施方式，所述获取视频编辑项模块具体被配置为执行：
根据对所述未执行过操作的视频编辑项和所述正向视频编辑项执行过操作分别对应的账户的数量，在所述账户未执行过操作的视频编辑项中，确定与所述正向视频编辑项相似的相似视频编辑项。
作为一种可能的实施方式，所述获取视频编辑项模块具体被配置为执行：
通过如下公式确定所述相似视频编辑项对应的用户偏好程度，基于所述相似视频编辑项对应的用户偏好程度，生成包含有所述相似视频编辑项的第二列表；
Figure BDA0002197154640000231
其中，θi为账户i的正向视频编辑项的集合，j为账户i未执行过操作的视频编辑项，ws,j为j与正向视频编辑项s之间的相似度，Pi,s为正向视频编辑项s对应的用户偏好程度；Pi,j为相似视频编辑项对应的用户偏好程度。
作为一种可能的实施方式，所述账户执行的正向操作包括如下任一或任多类：
所述账户对所述视频作品所使用的视频内容编辑项的执行的选择操作；
所述账户对所述视频作品的偏好选择项进行选择的操作；
所述账户对所述视频作品的上传选择项进行选择的操作。
作为一种可能的实施方式，所述账户执行的正向操作包括多类，所述获取视频编辑项模块具体被配置为执行：
针对所述同一类型的至少一个正向视频编辑项，根据所述账户对每个正向视频编辑项执行每类正向操作的次数，确定所述账户对所述同一类型的所有正向视频编辑项执行每类正向操作的总次数；
根据所述账户对该正向视频编辑项执行的该类正向操作的次数分别除以所述总次数，将得到的各个比值加权求和，确定该正向视频编辑项对应的用户偏好程度。
作为一种可能的实施方式，所述推荐模块具体被配置为执行：
针对所有账户对所述获取到的视频作品进行正向操作得到的浏览数据，确定所述视频作品对于推荐的账户的推荐概率；
按所述推荐概率从大到小的顺序，选取前预设数量个视频作品作为用于推荐给所述推荐的账户的候选视频作品。
作为一种可能的实施方式，所述推荐模块具体被配置为执行：
根据所述各个参数的加权求和值，确定所述视频作品对于推荐的账户的推荐概率；或者
将所述各个参数输入预设深度学习网络模型进行分类统计，确定所述视频作品对于推荐的账户的推荐概率。
实施例4
基于相同的发明构思，本公开实施例还提供了一种视频推荐电子设备，由于该设备即是本公开实施例中的方法中的设备，并且该设备解决问题的原理与该方法相似，因此该设备的实施可以参见方法的实施，重复之处不再赘述。
如图4所示，该设备包括：处理器400以及存储器401，其中，所述存储器401存储有程序代码，当所述程序代码被所述处理器400执行时，使得所述处理器400用于执行如下步骤：
接收在客户端上登录的账户的视频推荐请求；
基于所述账户的历史行为信息，获取与所述账户对应的视频编辑项集合，所述视频编辑项集合中包含多个视频编辑项，所述视频编辑项用于编辑客户端的输入的视频信息以生成视频作品，不同视频编辑项编辑视频信息的方式不同；
从视频作品库中，获取通过所述视频编辑项集合中的视频编辑项编辑得到的视频作品；
对从视频作品库中获取到的视频作品进行过滤和排序，得到用于推荐给所述账户的候选视频作品。
作为一种可能的实施方式，所述处理器被配置为执行：
基于所述账户的历史行为信息，获取所述账户的正向视频编辑项，其中，所述正向视频编辑项为标识所述账户执行过正向操作的视频作品所使用的视频编辑项；
生成包含有所述正向视频编辑项的第一列表；
在所述账户未执行过操作的视频编辑项中，确定与所述正向视频编辑项相似度满足要求的相似视频编辑项，并生成包含有所述相似视频编辑项的第二列表；
将所述第一列表和第二列表合并，得到所述与所述账户对应的视频编辑项集合。
作为一种可能的实施方式，所述处理器被配置为执行：
针对所述同一类型的正向视频编辑项，统计所述账户对所述正向视频编辑项执行操作的总次数；
根据所述账户对每个正向视频编辑项执行操作的次数与所述总次数的比值大小，确定所述正向视频编辑项对应的用户偏好程度；
基于所述正向视频编辑项对应的用户偏好程度，生成包含有所述正向视频编辑项的第一列表。
作为一种可能的实施方式，所述处理器被配置为执行：
根据对所述未执行过操作的视频编辑项和所述正向视频编辑项执行过操作分别对应的账户的数量，在所述账户未执行过操作的视频编辑项中，确定与所述正向视频编辑项相似的相似视频编辑项。
作为一种可能的实施方式，所述处理器被配置为执行：
通过如下公式确定所述相似视频编辑项对应的用户偏好程度，基于所述相似视频编辑项对应的用户偏好程度，生成包含有所述相似视频编辑项的第二列表；
Figure BDA0002197154640000251
其中，θi为账户i的正向视频编辑项的集合，j为账户i未执行过操作的视频编辑项，ws,j为j与正向视频编辑项s之间的相似度，Pi,s为正向视频编辑项s对应的用户偏好程度；Pi,j为相似视频编辑项对应的用户偏好程度。
作为一种可能的实施方式，所述账户执行的正向操作包括如下任一或任多类：
所述账户对所述视频作品所使用的视频内容编辑项的执行的选择操作；
所述账户对所述视频作品的偏好选择项进行选择的操作；
所述账户对所述视频作品的上传选择项进行选择的操作。
作为一种可能的实施方式，所述账户执行的正向操作包括多类，所述处理器被配置为执行：
针对所述同一类型的至少一个正向视频编辑项，根据所述账户对每个正向视频编辑项执行每类正向操作的次数，确定所述账户对所述同一类型的所有正向视频编辑项执行每类正向操作的总次数；
根据所述账户对该正向视频编辑项执行的该类正向操作的次数分别除以所述总次数，将得到的各个比值加权求和，确定该正向视频编辑项对应的用户偏好程度。
作为一种可能的实施方式，所述处理器被配置为执行：
针对所有账户对所述获取到的视频作品进行正向操作得到的浏览数据，确定所述视频作品对于推荐的账户的推荐概率；
按所述推荐概率从大到小的顺序，选取前预设数量个视频作品作为用于推荐给所述推荐的账户的候选视频作品。
作为一种可能的实施方式，所述处理器被配置为执行：
根据所述各个参数的加权求和值，确定所述视频作品对于推荐的账户的推荐概率；或者
将所述各个参数输入预设深度学习网络模型进行分类统计，确定所述视频作品对于推荐的账户的推荐概率。
本公开还提供一种计算机存储介质，其上存储有计算机程序，该程序被处理器执行时用于实现如下步骤：
接收在客户端上登录的账户的视频推荐请求；
基于所述账户的历史行为信息，获取与所述账户对应的视频编辑项集合，所述视频编辑项集合中包含多个视频编辑项，所述视频编辑项用于编辑客户端的输入的视频信息以生成视频作品，不同视频编辑项编辑视频信息的方式不同；
从视频作品库中，获取通过所述视频编辑项集合中的视频编辑项编辑得到的视频作品；
对从视频作品库中获取到的视频作品进行过滤和排序，得到用于推荐给所述账户的候选视频作品。
本领域内的技术人员应明白，本公开的实施例可提供为方法、系统、或计算机程序产品。因此，本公开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，本公开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和光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、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设备。
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设备的制造品，该指令设备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公开进行各种改动和变型而不脱离本公开的精神和范围。这样，倘若本公开的这些修改和变型属于本公开权利要求及其等同技术的范围之内，则本公开也意图包含这些改动和变型在内。

Claims (14)

1.一种视频推荐方法，其特征在于，该方法包括：
接收在客户端上登录的账户的视频推荐请求；
基于所述账户的历史行为信息，获取与所述账户对应的视频编辑项集合，所述视频编辑项集合中包含多个视频编辑项，所述视频编辑项用于编辑客户端的输入的视频信息以生成视频流数据，不同视频编辑项编辑视频信息的方式不同，所述账户的历史行为信息包括针对视频编辑项进行相关操作的行为信息；
从视频流数据库中，获取通过所述视频编辑项集合中的视频编辑项编辑得到的视频流数据；
对从视频流数据库中获取到的视频流数据进行过滤和排序，得到用于推荐给所述账户的候选视频流数据；
其中，所述基于所述账户的历史行为信息，获取与所述账户对应的视频编辑项集合包括：
基于所述账户的历史行为信息，获取所述账户的正向视频编辑项，其中，所述正向视频编辑项为标识所述账户执行过正向操作的视频流数据所使用的视频编辑项；
针对同一类型的正向视频编辑项，统计所述账户对所述正向视频编辑项执行操作的总次数，所述正向视频编辑项包括特效的不同类型的正向视频编辑项或背景音乐的不同类型的正向视频编辑项，所述同一类型的正向视频编辑项包括特效的同一类型的正向视频编辑项或背景音乐的同一类型的正向视频编辑项；根据所述账户对每个正向视频编辑项执行操作的次数与所述总次数的比值大小，确定所述正向视频编辑项对应的用户偏好程度；基于所述正向视频编辑项对应的用户偏好程度，生成包含有所述正向视频编辑项的第一列表；
在所述账户未执行过操作的视频编辑项中，确定与所述正向视频编辑项相似度满足要求的相似视频编辑项，并生成包含有所述相似视频编辑项的第二列表；
将所述第一列表和第二列表合并，得到所述与所述账户对应的视频编辑项集合；
其中，所述生成包含有所述相似视频编辑项的第二列表，包括：
通过如下公式确定所述相似视频编辑项对应的用户偏好程度，基于所述相似视频编辑项对应的用户偏好程度，生成包含有所述相似视频编辑项的第二列表；
Pi,j＝∑s∈θiPi,s*ws,j；
其中，θi为账户i的正向视频编辑项的集合，j为账户i未执行过操作的视频编辑项，s是θi中的一个正向视频编辑项，Pi,s为正向视频编辑项s对应的用户偏好程度；Pi,j为相似视频编辑项对应的用户偏好程度；ws,j为j与s之间的相似度，通过如下公式确定：
Figure FDA0003544789400000021
其中Ns为使用过s对应的账户的数量，Nj为使用过j对应的账户的数量。
2.根据权利要求1所述的方法，其特征在于，在所述账户未执行过操作的视频编辑项中，确定与所述正向视频编辑项相似的相似视频编辑项，包括：
根据对所述未执行过操作的视频编辑项和所述正向视频编辑项执行过操作分别对应的账户的数量，在所述账户未执行过操作的视频编辑项中，确定与所述正向视频编辑项相似的相似视频编辑项。
3.根据权利要求1所述的方法，其特征在于，所述账户执行的正向操作包括如下任一或任多类：
所述账户对所述视频流数据所使用的视频内容编辑项的执行的选择操作；
所述账户对所述视频流数据的偏好选择项进行选择的操作；
所述账户对所述视频流数据的上传选择项进行选择的操作。
4.根据权利要求1所述的方法，其特征在于，所述账户执行的正向操作包括多类，确定所述正向视频编辑项对应的用户偏好程度，包括：
针对所述同一类型的至少一个正向视频编辑项，根据所述账户对每个正向视频编辑项执行每类正向操作的次数，确定所述账户对所述同一类型的所有正向视频编辑项执行每类正向操作的总次数；
根据所述账户对该正向视频编辑项执行的该类正向操作的次数分别除以所述总次数，将得到的各个比值加权求和，确定该正向视频编辑项对应的用户偏好程度。
5.根据权利要求1所述的方法，其特征在于，对从视频流数据库中获取到的视频流数据进行过滤和排序，得到用于推荐给所述账户的候选视频流数据，包括：
针对所有账户对所述获取到的视频流数据进行正向操作得到的浏览数据，确定所述视频流数据对于推荐的账户的推荐概率；
按所述推荐概率从大到小的顺序，选取前预设数量个视频流数据作为用于推荐给所述推荐的账户的候选视频流数据。
6.根据权利要求5所述的方法，其特征在于，所述浏览数据包括多个参数，确定所述视频流数据对于推荐的账户的推荐概率步骤包括：
根据所述各个参数的加权求和值，确定所述视频流数据对于推荐的账户的推荐概率；或者
将所述各个参数输入预设深度学习网络模型进行分类统计，确定所述视频流数据对于推荐的账户的推荐概率。
7.一种视频推荐装置，其特征在于，该装置包括接收请求模块、获取视频编辑项模块、获取视频流数据模块、推荐模块，其中：
接收请求模块，被配置为执行接收在客户端上登录的账户的视频推荐请求；
获取视频编辑项模块，被配置为执行基于所述账户的历史行为信息，获取与所述账户对应的视频编辑项集合，所述视频编辑项集合中包含多个视频编辑项，所述视频编辑项用于编辑客户端的输入的视频信息以生成视频流数据，不同视频编辑项编辑视频信息的方式不同，所述账户的历史行为信息包括针对视频编辑项进行相关操作的行为信息；
获取视频流数据模块，被配置为执行从视频流数据库中，获取通过所述视频编辑项集合中的视频编辑项编辑得到的视频流数据；
推荐模块，被配置为执行对从视频流数据库中获取到的视频流数据进行过滤和排序，得到用于推荐给所述账户的候选视频流数据；
其中，所述获取视频编辑项模块具体被配置为执行：
基于所述账户的历史行为信息，获取所述账户的正向视频编辑项，其中，所述正向视频编辑项为标识所述账户执行过正向操作的视频流数据所使用的视频编辑项；
针对同一类型的正向视频编辑项，统计所述账户对所述正向视频编辑项执行操作的总次数，所述正向视频编辑项包括特效的不同类型的正向视频编辑项或背景音乐的不同类型的正向视频编辑项，所述同一类型的正向视频编辑项包括特效的同一类型的正向视频编辑项或背景音乐的同一类型的正向视频编辑项；根据所述账户对每个正向视频编辑项执行操作的次数与所述总次数的比值大小，确定所述正向视频编辑项对应的用户偏好程度；基于所述正向视频编辑项对应的用户偏好程度，生成包含有所述正向视频编辑项的第一列表；
在所述账户未执行过操作的视频编辑项中，确定与所述正向视频编辑项相似度满足要求的相似视频编辑项，并生成包含有所述相似视频编辑项的第二列表；
将所述第一列表和第二列表合并，得到所述与所述账户对应的视频编辑项集合；
其中，所述获取视频编辑项模块具体被配置为执行：
通过如下公式确定所述相似视频编辑项对应的用户偏好程度，基于所述相似视频编辑项对应的用户偏好程度，生成包含有所述相似视频编辑项的第二列表；
Pi,j＝∑s∈θiPi,s*ws,j；
其中，θi为账户i的正向视频编辑项的集合，j为账户i未执行过操作的视频编辑项，s是θi中的一个正向视频编辑项，Pi,s为正向视频编辑项s对应的用户偏好程度；Pi,j为相似视频编辑项对应的用户偏好程度；ws,j为j与s之间的相似度，通过如下公式确定：
Figure FDA0003544789400000051
其中Ns为使用过s对应的账户的数量，Nj为使用过j对应的账户的数量。
8.根据权利要求7所述的装置，其特征在于，所述获取视频编辑项模块具体被配置为执行：
根据对所述未执行过操作的视频编辑项和所述正向视频编辑项执行过操作分别对应的账户的数量，在所述账户未执行过操作的视频编辑项中，确定与所述正向视频编辑项相似的相似视频编辑项。
9.根据权利要求7所述的装置，其特征在于，所述账户执行的正向操作包括如下任一或任多类：
所述账户对所述视频流数据所使用的视频内容编辑项的执行的选择操作；
所述账户对所述视频流数据的偏好选择项进行选择的操作；
所述账户对所述视频流数据的上传选择项进行选择的操作。
10.根据权利要求7所述的装置，其特征在于，所述账户执行的正向操作包括多类，所述获取视频编辑项模块具体被配置为执行：
针对所述同一类型的至少一个正向视频编辑项，根据所述账户对每个正向视频编辑项执行每类正向操作的次数，确定所述账户对所述同一类型的所有正向视频编辑项执行每类正向操作的总次数；
根据所述账户对该正向视频编辑项执行的该类正向操作的次数分别除以所述总次数，将得到的各个比值加权求和，确定该正向视频编辑项对应的用户偏好程度。
11.根据权利要求7所述的装置，其特征在于，所述推荐模块具体被配置为执行：
针对所有账户对所述获取到的视频流数据进行正向操作得到的浏览数据，确定所述视频流数据对于推荐的账户的推荐概率；
按所述推荐概率从大到小的顺序，选取前预设数量个视频流数据作为用于推荐给所述推荐的账户的候选视频流数据。
12.根据权利要求11所述的装置，其特征在于，所述浏览数据包括多个参数，所述推荐模块具体被配置为执行：
根据所述各个参数的加权求和值，确定所述视频流数据对于推荐的账户的推荐概率；或者
将所述各个参数输入预设深度学习网络模型进行分类统计，确定所述视频流数据对于推荐的账户的推荐概率。
13.一种视频推荐电子设备，其特征在于，包括：
处理器；
用于存储所述处理器可执行指令的存储器；
其中，所述处理器被配置为执行所述指令，以实现如权利要求1至6中任一项所述的一种视频推荐方法。
14.一种计算机存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1～6任一所述的一种视频推荐方法。
CN201910851664.1A 2019-09-10 2019-09-10 一种视频推荐方法、装置及电子设备 Active CN112565902B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910851664.1A CN112565902B (zh) 2019-09-10 2019-09-10 一种视频推荐方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910851664.1A CN112565902B (zh) 2019-09-10 2019-09-10 一种视频推荐方法、装置及电子设备

Publications (2)

Publication Number Publication Date
CN112565902A CN112565902A (zh) 2021-03-26
CN112565902B true CN112565902B (zh) 2022-06-03

Family

ID=75028816

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910851664.1A Active CN112565902B (zh) 2019-09-10 2019-09-10 一种视频推荐方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN112565902B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113194360B (zh) * 2021-04-25 2022-06-24 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
CN113722594B (zh) * 2021-09-01 2024-01-09 北京百度网讯科技有限公司 推荐模型的训练方法、推荐方法、装置、电子设备及介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101764661A (zh) * 2008-12-23 2010-06-30 未序网络科技（上海）有限公司 基于数据融合的视频节目推荐系统
CN104378659A (zh) * 2014-10-31 2015-02-25 四川长虹电器股份有限公司 基于智能电视的个性化推荐方法
CN109819284A (zh) * 2019-02-18 2019-05-28 平安科技（深圳）有限公司 一种短视频推荐方法、装置、计算机设备及存储介质

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101094335B (zh) * 2006-06-20 2010-10-13 株式会社日立制作所 电视节目推荐设备和电视节目推荐方法
US20110125585A1 (en) * 2009-11-20 2011-05-26 Rovi Technologies Corporation Content recommendation for a content system
JP2012204894A (ja) * 2011-03-24 2012-10-22 Toshiba Corp 情報推薦装置
US10349137B2 (en) * 2014-02-26 2019-07-09 Groovers Inc. Device and method for recommending content and sound source

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101764661A (zh) * 2008-12-23 2010-06-30 未序网络科技（上海）有限公司 基于数据融合的视频节目推荐系统
CN104378659A (zh) * 2014-10-31 2015-02-25 四川长虹电器股份有限公司 基于智能电视的个性化推荐方法
CN109819284A (zh) * 2019-02-18 2019-05-28 平安科技（深圳）有限公司 一种短视频推荐方法、装置、计算机设备及存储介质

Also Published As

Publication number Publication date
CN112565902A (zh) 2021-03-26

Similar Documents

Publication Publication Date Title
CN107038213B (zh) 一种视频推荐的方法及装置
US9495645B2 (en) Method and system of iteratively autotuning prediction parameters in a media content recommender
CN110175895B (zh) 一种物品推荐方法及装置
CN106651542A (zh) 一种物品推荐的方法及装置
US20090287687A1 (en) System and method for recommending venues and events of interest to a user
CN107818166A (zh) 一种资讯推荐方法、装置、服务器及系统
US11216518B2 (en) Systems and methods of providing recommendations of content items
CN104281622A (zh) 一种社交媒体中的信息推荐方法和装置
CN106326391A (zh) 多媒体资源推荐方法及装置
CN111209477B (zh) 一种信息推荐的方法及装置、电子设备、存储介质
KR20170090562A (ko) 다중 알고리즘 및 자기학습기능을 적용한 개인화 추천 시스템 및 추천 방법
CN107818491A (zh) 电子装置、基于用户上网数据的产品推荐方法及存储介质
CN112565902B (zh) 一种视频推荐方法、装置及电子设备
CN107766446A (zh) 资讯信息的推送方法、装置、存储介质及处理器
CN109300041A (zh) 理财策略推荐方法、电子装置及可读存储介质
CN108665148A (zh) 一种电子资源质量评价方法、装置和存储介质
CN108595526B (zh) 资源推荐方法及装置
CN113239182A (zh) 一种文章推荐方法、装置、计算机设备及存储介质
CN110598105A (zh) 一种基于概率采样的推荐方法、装置、设备及介质
CN112100221A (zh) 一种资讯推荐方法、装置、推荐服务器及存储介质
CN109391829A (zh) 视频打点位置分析系统、分析方法及储存媒体
CN116843388A (zh) 一种广告投放分析方法及系统
CN114245185B (zh) 视频推荐方法、模型训练方法、装置、电子设备及介质
Kabra et al. Potent real-time recommendations using multimodel contextual reinforcement learning
CN113592589A (zh) 纺织原料推荐方法、装置及处理器

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