CN112650884B - 基于深度学习的视频推送方法 - Google Patents

基于深度学习的视频推送方法 Download PDF

Info

Publication number
CN112650884B
CN112650884B CN202011521669.7A CN202011521669A CN112650884B CN 112650884 B CN112650884 B CN 112650884B CN 202011521669 A CN202011521669 A CN 202011521669A CN 112650884 B CN112650884 B CN 112650884B
Authority
CN
China
Prior art keywords
video
videos
watching
user
pushing
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
CN202011521669.7A
Other languages
English (en)
Other versions
CN112650884A (zh
Inventor
梁敏
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.)
Sichuan Changhong Electric Co Ltd
Original Assignee
Sichuan Changhong Electric 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 Sichuan Changhong Electric Co Ltd filed Critical Sichuan Changhong Electric Co Ltd
Priority to CN202011521669.7A priority Critical patent/CN112650884B/zh
Publication of CN112650884A publication Critical patent/CN112650884A/zh
Application granted granted Critical
Publication of CN112650884B publication Critical patent/CN112650884B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—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
    • 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
    • G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/783—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G06F18/24155—Bayesian classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Library & Information Science (AREA)
  • Computational Linguistics (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及视频推荐领域，具体涉及一种基于深度学习的视频推送方法，能够结合用户的观看需求对相应视频进行即时推送，不再需要等到视频的正式排名或者评分出来之后再进行推送，极大地提高了视频推送的即时性。技术方案为，根据用户观看历史行为以及所有观看视频集合，预测出不同类用户在不同时刻观看具有特定特征的视频的概率，然后根据预测的概率对先导预告片视频进行推荐排序打分，再对先导预告片视频进行分类，再结合相应评论上下文对分类后的视频进行即时打分；通过用户历史观看行为数据和交叉验证方法将即时打分与排序打分进行匹配，若匹配结果在设定的阈值范围内，则对相应先导预告片对应的视频正片进行推送。本发明适用于视频即时推送。

Description

基于深度学习的视频推送方法
技术领域
本发明涉及视频推荐领域，具体涉及一种基于深度学习的视频推送方法。
背景技术
目前的视频推荐系统是基于用户的观看历史推荐音视频，即通过用户的观看历史，分析用户在观看音视频内容时的爱好，向用户推荐对应的音视频内容。或者，基于后台媒资库中音视频播放量和热度的评分，利用排行榜中的音视频可以代表大多数用户的爱好兴趣，将音视频内容组织成排行榜推送给用户。
无论哪种方式，都需要借助于视频的排名向用户推荐，排名源于用户评分、评论、收藏以及视频媒体的票房数量等等，这种视频的评分上线时间有一定延迟，且评分的准确度也是后续随着用户数量的增加而提升，视频正式上线早期的评分是没有多大参考意义。
而现有高节奏的生活之中，对于即时性的推送需求也越来越高，并且即时性的推送也需要符合用户的观看需求。
发明内容
本发明的目的是提供一种基于深度学习的视频推送方法，能够结合用户的观看需求对相应视频进行即时推送，不再需要等到视频的正式排名或者评分出来之后再进行推送，极大地提高了视频推送的即时性。
本发明采取如下技术方案实现上述目的，基于深度学习的视频推送方法，包括：
步骤(1)、根据用户观看历史行为以及所有观看视频集合，预测出不同类用户在不同时刻观看具有特定特征的视频的概率；
步骤(2)、根据预测的概率对先导预告片视频进行推荐排序打分；
步骤(3)、对先导预告片视频进行分类，再结合相应评论上下文对分类后的视频进行即时打分；
步骤(4)、通过用户历史观看行为数据和交叉验证方法将即时打分与排序打分进行匹配；
步骤(5)、若匹配结果在设定的阈值范围内，则对相应先导预告片对应的视频正片进行推送。
进一步的是，在步骤(1)中，根据贝叶斯条件后验概率公式预测U类用户在t时刻会看具有C特征的视频i的概率，所述公式为：
Figure BDA0002849561140000011
u是用户的embedding向量，v是视频的embedding向量。
进一步的是，在步骤(3)中，对先导预告片视频进行分类的方法包括：
步骤301、采用MovieLen训练集，对其中的先导预告片视频进行分类，对分类后的视频进行随机多帧采样；
步骤302、通过卷积网络设计分类网络模型，其中卷积层设计为由大到小；
步骤303、将随机采集的多帧视频放入网络模型之中进行训练，得到每一帧视频的分类结果；
步骤304、对分类结果进行类别统计，得到每个类别所占百分比，若该类别的百分比大于50％，则认定该类别为当前视频的类别。
进一步的是，在步骤(4)中，所述交叉验证方法具体包括：
基于用户历史观看数据，将用户观看时长最长的视频记录作为交叉验证的训练集；
对训练集采用非对称的同看策略进行交叉验证。
本发明不再依靠视频的正式排名以及评论对视频进行推送，而是采用对先导预告片进行分类打分，再与用户的观看需求进行匹配来进行推送，极大地提高了即时性；进一步将用户的特征以及视频特征通过Embedding映射为向量的形式，再通过贝叶斯条件后验概率公式进行预测不同类用户在不同时刻观看具有特定特征的视频的概率，能够极大提高与用户需求的匹配度。
附图说明
图1是本发明基于深度学习的视频推送的方法流程图。
图2是本发明卷积层设计示意图。
具体实施方式
本发明基于深度学习的视频推送方法，其方法流程图如图1，包括：
步骤101、根据用户观看历史行为以及所有观看视频集合，预测出不同类用户在不同时刻观看具有特定特征的视频的概率；
步骤102、根据预测的概率对先导预告片视频进行推荐排序打分；
步骤103、对先导预告片视频进行分类，再结合相应评论上下文对分类后的视频进行即时打分；
步骤104、通过用户历史观看行为数据和交叉验证方法将即时打分与排序打分进行匹配；
步骤105、若匹配结果在设定的阈值范围内，则对相应先导预告片对应的视频正片进行推送。
在步骤101中，根据贝叶斯条件后验概率公式预测U类用户在t时刻会看具有C特征的视频i的概率，所述公式为：
Figure BDA0002849561140000031
u是用户的embedding向量，v是视频的embedding向量。
其中，Embedding：原意为嵌入，在深度学习领域理解为把高维原始数据(用户特征，视频)映射到低维，使得高维的原始数据被映射到低维之后变得可区分，而这个映射就叫嵌入(Embedding)。比如这里用户的Embedding，就是把用户年龄、性别、观看频率高的时段、视频特征映射为一个表征向量。
Embedding向量：能够表达相应对象的某些特征，同时向量之间的距离反映了对象之间的相似性。通用的理解为Embedding向量就是从原始数据提取出来的属性Feature，也就是通过深度学习映射之后的低维向量。
步骤102中，排序的目的是利用展示、点击(或转化)数据，然后加入更多的上下文、用户、物品特征，对推荐候选视频进行更精细的修正、打分，如对年龄特征进行平方操作，然后作为新的特征。
在步骤103中，对先导预告片视频进行分类的方法包括：
步骤301、采用MovieLen训练集，对其中的先导预告片视频进行分类，对分类后的视频进行随机多帧采样；
步骤302、通过卷积网络设计分类网络模型，其中卷积层设计为由大到小，如图2所示，第一层为32*32卷积层，第二层为16*16卷积层，第三层为8*8卷积层，第四层为3*3卷积层,然后是全连接层，这样本身卷积层对于多维度信息的感知程度都能保持一个较高的水平；
步骤303、将随机采集的多帧视频放入网络模型之中进行训练，得到每一帧视频的分类结果；
步骤304、对分类结果进行类别统计，得到每个类别所占百分比，若该类别的百分比大于50％，则认定该类别为当前视频的类别，例如，视频中有67％的帧数为动作，30％为爱情，那么最后动作的得分是0.67，爱情是0.3；即认为该视频为动作类视频。
在对视频分类时可以采用用户行为数据对视频进行分类，例如通过深度学习网络，不仅对预告片视频动作，爱情，推理，悬疑等类型的展示和点击日志，同时为了捕捉用户的兴趣趋势，样本还用到所有的包括其他非推荐页面的日志数据。
在分类打分时，在所有视频集合中检索到符合用户兴趣的候选集，筛选出几百个候选的列表，预测出用户在t时刻会看某个视频i的概率；具体通过对于预告片视频打分和云网络搜索评论打分两步来进行。
进一步的是，在步骤104中，所述交叉验证方法具体包括：
基于用户历史观看数据，将用户观看时长最长的视频记录作为交叉验证的训练集；
对训练集采用非对称的同看策略进行交叉验证，既用户看完A之后可能会看B，但是看完B之后不一定会看A，即这种关系是非对称的。因此在进行交叉验证是，这里可以选择日志数据来训练模型，然后对当前时刻的行为进行预测。
在视频推送时，可以利用用户搜索过的视频列表历史记录，再根据学习视频资源得出的分类，以及上下文验证得出的得分结果进行视频推送。若视频分类与用户最常观看的类别一致，且交叉验证结果显示值得推送，那么将把视频对用户实时推送，从而实现精准推送。
综上所述，本发明能够结合用户的观看需求对相应视频进行即时推送，不再需要等到视频的正式排名或者评分出来之后再进行推送，极大地提高了视频推送的即时性。

Claims (3)

1.基于深度学习的视频推送方法，其特征在于，包括：
步骤(1)、根据用户观看历史行为以及所有观看视频集合，结合贝叶斯条件后验概率公式预测U类用户在t时刻会看具有C特征的视频i的概率，所述公式为：
Figure FDA0003445792240000011
u是用户的embedding向量，v是视频的embedding向量；
步骤(2)、根据预测的概率对先导预告片视频进行推荐排序打分；
步骤(3)、对先导预告片视频进行分类，再结合相应评论上下文对分类后的视频进行即时打分；
步骤(4)、通过用户历史观看行为数据和交叉验证方法将即时打分与推荐排序打分进行匹配；
步骤(5)、若匹配结果在设定的阈值范围内，则对相应先导预告片对应的视频正片进行推送。
2.根据权利要求1所述的基于深度学习的视频推送方法，其特征在于，在步骤(3)中，对先导预告片视频进行分类的方法包括：
步骤301、采用MovieLen训练集，对其中的先导预告片视频进行分类，对分类后的视频进行随机多帧采样；
步骤302、通过卷积网络设计分类网络模型，其中卷积层设计为由大到小；
步骤303、将随机采集的多帧视频放入网络模型之中进行训练，得到每一帧视频的分类结果；
步骤304、对分类结果进行类别统计，得到每个类别所占百分比，若该类别的百分比大于50％，则认定该类别为当前视频的类别。
3.根据权利要求2所述的基于深度学习的视频推送方法，其特征在于，在步骤(4)中，所述交叉验证方法具体包括：
基于用户历史观看数据，将用户观看时长最长的视频记录作为交叉验证的训练集；
对训练集采用非对称的同看策略进行交叉验证。
CN202011521669.7A 2020-12-21 2020-12-21 基于深度学习的视频推送方法 Active CN112650884B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011521669.7A CN112650884B (zh) 2020-12-21 2020-12-21 基于深度学习的视频推送方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011521669.7A CN112650884B (zh) 2020-12-21 2020-12-21 基于深度学习的视频推送方法

Publications (2)

Publication Number Publication Date
CN112650884A CN112650884A (zh) 2021-04-13
CN112650884B true CN112650884B (zh) 2022-04-01

Family

ID=75358800

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011521669.7A Active CN112650884B (zh) 2020-12-21 2020-12-21 基于深度学习的视频推送方法

Country Status (1)

Country Link
CN (1) CN112650884B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017107453A1 (zh) * 2015-12-23 2017-06-29 乐视控股（北京）有限公司 一种视频内容推荐方法、设备和系统
CN109769128A (zh) * 2018-12-25 2019-05-17 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
CN111026904A (zh) * 2019-11-07 2020-04-17 广州荔支网络技术有限公司 一种基于内容画像的播单评分方法
CN111159473A (zh) * 2019-12-25 2020-05-15 天津中科智能识别产业技术研究院有限公司 一种基于深度学习与马尔科夫链的连接的推荐方法
CN111382307A (zh) * 2018-12-27 2020-07-07 深圳Tcl新技术有限公司 一种基于深度神经网络的视频推荐方法、系统及存储介质

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9560399B2 (en) * 2014-06-13 2017-01-31 Hulu, LLC Personalized generation of watch list of shows in a video delivery system
US20170169040A1 (en) * 2015-12-15 2017-06-15 Le Holdings (Beijing) Co., Ltd. Method and electronic device for recommending video
CN105893443A (zh) * 2015-12-15 2016-08-24 乐视网信息技术（北京）股份有限公司 视频推荐方法、装置和服务器
US20170188102A1 (en) * 2015-12-23 2017-06-29 Le Holdings (Beijing) Co., Ltd. Method and electronic device for video content recommendation
CN111538860B (zh) * 2020-07-07 2020-11-03 北京搜狐新媒体信息技术有限公司 视频推荐方法及装置、存储介质及电子设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017107453A1 (zh) * 2015-12-23 2017-06-29 乐视控股（北京）有限公司 一种视频内容推荐方法、设备和系统
CN109769128A (zh) * 2018-12-25 2019-05-17 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
CN111382307A (zh) * 2018-12-27 2020-07-07 深圳Tcl新技术有限公司 一种基于深度神经网络的视频推荐方法、系统及存储介质
CN111026904A (zh) * 2019-11-07 2020-04-17 广州荔支网络技术有限公司 一种基于内容画像的播单评分方法
CN111159473A (zh) * 2019-12-25 2020-05-15 天津中科智能识别产业技术研究院有限公司 一种基于深度学习与马尔科夫链的连接的推荐方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
"Enabling Adaptive High-Frame-Rate Video Streaming in Mobile Cloud Gaming Applications";Jiyan Wu 等;《IEEE Transactions on Circuits and Systems for Video Technology》;20150604;1-4 *
"面向准确性和多样性的个性化推荐算法研究";李爽;《中国博士学位论文全文数据库 信息科技辑》;20200615;1-4 *
基于Web挖掘的个性化视频推荐系统设计与实现;汤伟;《电子设计工程》;20180920(第18期);1-4 *

Also Published As

Publication number Publication date
CN112650884A (zh) 2021-04-13

Similar Documents

Publication Publication Date Title
US11693902B2 (en) Relevance-based image selection
US20210201349A1 (en) Media and marketing optimization with cross platform consumer and content intelligence
US11601703B2 (en) Video recommendation based on video co-occurrence statistics
JP6821149B2 (ja) 広告配信のための動画使用情報処理
US20130262966A1 (en) Digital content reordering method and digital content aggregator
US10223438B1 (en) System and method for digital-content-grouping, playlist-creation, and collaborator-recommendation
US20110179114A1 (en) User communication analysis systems and methods
US9137574B2 (en) Method or system to predict media content preferences
CN111581435B (zh) 一种视频封面图像生成方法、装置、电子设备及存储介质
CN112464100A (zh) 信息推荐模型训练方法、信息推荐方法、装置及设备
CN112650884B (zh) 基于深度学习的视频推送方法
CN114398514B (zh) 一种视频展示方法、装置及电子设备
Kvifte Video recommendations based on visual features extracted with deep learning
Sumalatha et al. Recommending You Tube Videos based on their Content Efficiently
CN118132828A (zh) 信息推荐方法、装置、电子设备及存储介质
CN116264625A (zh) 视频剧情的可视化方法、装置、设备及存储介质
CN116095410A (zh) 基于深度视觉特征的视频类型预测和推荐方法及系统
Yamamoto et al. Content-Based Viewer Estimation Using Image Features for Recommendation of Video Clips
AU2015200201A1 (en) Video recommendation based on video co-occurrence statistics

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