CN112711703B - 用户标签获取方法、装置、服务器及存储介质 - Google Patents
用户标签获取方法、装置、服务器及存储介质 Download PDFInfo
- Publication number
- CN112711703B CN112711703B CN201911022473.0A CN201911022473A CN112711703B CN 112711703 B CN112711703 B CN 112711703B CN 201911022473 A CN201911022473 A CN 201911022473A CN 112711703 B CN112711703 B CN 112711703B
- Authority
- CN
- China
- Prior art keywords
- video
- user
- tag
- videos
- feature
- 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 38
- 239000013598 vector Substances 0.000 claims description 138
- 230000015654 memory Effects 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 230000006855 networking Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 6
- 101100368725 Bacillus subtilis (strain 168) tagF gene Proteins 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000005295 random walk Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 101100545272 Caenorhabditis elegans zif-1 gene Proteins 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect 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
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- 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
- 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
- G06F16/7867—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, title and artist information, manually generated time, location and usage information, user ratings
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Library & Information Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开是关于一种用户标签获取方法、装置、服务器及存储介质，属于联网技术领域。本公开通过根据所述多个视频的视频标识、文本信息和所述多个视频包括的图像，确定所述每个视频的第一视频特征，从而每个视频在多个维度的特征，根据所述多个视频的第一视频特征，确定每个视频标签的标签特征以每个用户的用户特征，从而可以准确得到用户特征和标签特征，服务器可以基于用户特征和标签特征，来确定与用户匹配的视频标签，由于基于视频特征所得到的更为准确的用户特征和标签特征，来确定用户标签，使得获取的用户标签能够准确全面的概括用户反馈的视频的特征，从而提高了获取用户标签的准确性。
Description
技术领域
本公开涉及互联网技术领域，尤其涉及一种用户标签获取方法、装置、服务器及存储介质。
背景技术
目前，用户在视频应用上浏览视频已是较为普遍的行为，网站或者app(Application，手机软件)的后台服务器也可以为用户推荐视频。本领域中，后台服务器通常获取用户的用户标签，例如，基于用户兴趣标签，为用户推荐用户可能感兴趣的视频。例如，视频应用为游戏标签的用户推荐游戏视频。
相关技术中，用户标签获取过程可以包括：用户在视频应用上浏览视频时，用户可以对视频进行点赞操作，后台服务器可以将用户进行点赞的视频的视频标签，作为该用户的用户标签。例如，用户点赞的视频标签为“XX游戏”，则服务器可以将“XX游戏”也作为用户的用户标签。
上述过程实际上是直接将用户点赞视频的视频标签，直接作为用户标签。然而，视频标签通常仅能反映出该视频在某一个维度的特征，而有可能该视频吸引用户的特征可能并不是该维度的特征，从而所获取的用户标签并不准确，导致用户标签获取的准确率较低。
发明内容
本公开提供一种用户标签获取方法、装置、服务器及存储介质，以至少解决相关技术中用户标签获取的准确率较低的问题。本公开的技术方案如下：
根据本公开实施例的第一方面，提供一种用户标签获取方法，包括：
确定多个用户进行反馈的多个视频，每个视频包括至少一个视频标签；
根据所述多个视频的视频标识、文本信息和所述多个视频包括的图像，确定所述每个视频的第一视频特征；
对于每个视频标签，根据所述多个视频中包括所述视频标签的视频的第一视频特征，确定所述视频标签的标签特征；
对于每个用户，根据所述多个视频中所述用户反馈的视频的第一视频特征，确定所述用户的用户特征；
根据所述每个用户的用户特征和所述每个视频标签的标签特征，将满足目标条件的视频标签确定为所述每个用户的用户标签。
在一种可能实现方式中，所述根据所述多个视频的视频标识、文本信息和所述多个视频包括的图像，确定所述每个视频的第一视频特征包括：
根据所述多个视频的视频标识，获取所述每个视频的第二视频特征，所述第二视频特征用于表示所述视频在所述多个视频中的用户反馈特性；
根据所述每个视频的第二视频特征、文本信息和所述每个视频包括的图像，确定所述每个第一视频的第一视频特征。
在一种可能实现方式中，所述根据所述多个视频的视频标识，获取所述每个视频的第二视频特征包括：
根据所述每个用户反馈多个视频时的反馈顺序，将所述多个视频的视频标识按照对应视频的反馈顺序输入目标模型，输出所述每个视频的第一视频特征；
其中，所述多个视频的反馈顺序是指每个用户对所述多个视频进行反馈操作的时间先后顺序，所述目标模型用于基于输入的多个视频的视频标识，输出所述多个视频中每个视频的第二视频特征。
在一种可能实现方式中，所述对于每个视频标签，根据所述多个视频中包括所述视频标签的视频的第一视频特征，确定所述视频标签的标签特征包括：
对于所述每个视频标签，根据包括所述视频标签的多个视频的视频特征向量，确定所述视频特征向量的第一平均向量，所述视频特征向量用于表示视频的第一视频特征；
将所述多个视频特征向量的第一平均向量，确定为所述视频标签的标签特征向量，所述标签特征向量用于表示视频标签的标签特征。
在一种可能实现方式中，所述对于每个用户，根据所述多个视频中所述用户反馈的视频的第一视频特征，确定所述用户的用户特征包括：
对于所述每个用户，根据包括所述用户进行反馈的多个视频的视频特征向量，确定所述视频特征向量的第二平均向量，所述视频特征向量用于表示视频的第一视频特征；
将所述多个视频特征向量的第二平均向量，确定为所述用户的用户特征向量，所述用户特征向量用于表示用户的用户特征。
在一种可能实现方式中，所述根据所述每个用户的用户特征和所述每个视频标签的标签特征，将满足目标条件的视频标签确定为所述每个用户的用户标签包括：
对于所述每个用户，根据所述用户的用户特征向量和所述每个视频标签的标签特征向量，确定所述用户分别和所述每个视频标签之间的相似度；
根据所述用户分别和所述每个视频标签之间的相似度，从所述多个视频标签中筛选出满足目标条件的至少一个目标标签；
将所述至少一个目标标签确定为所述用户的用户标签。
根据本公开实施例的第二方面，提供一种用户标签获取装置，包括：
视频确定模块，被配置为确定多个用户进行反馈的多个视频，每个视频包括至少一个视频标签；
特征确定模块，被配置为根据所述多个视频的视频标识、文本信息和所述多个视频包括的图像，确定所述每个视频的第一视频特征；
所述特征确定模块，还被配置为对于每个视频标签，根据所述多个视频中包括所述视频标签的视频的第一视频特征，确定所述视频标签的标签特征；
所述特征确定模块，还被配置为对于每个用户，根据所述多个视频中所述用户反馈的视频的第一视频特征，确定所述用户的用户特征；
用户标签确定模块，被配置为根据所述每个用户的用户特征和所述每个视频标签的标签特征，将满足目标条件的视频标签确定为所述每个用户的用户标签。
在一种可能实现方式中，所述特征确定模块，还被配置为根据所述多个视频的视频标识，获取所述每个视频的第二视频特征，所述第二视频特征用于表示所述视频在所述多个视频中的用户反馈特性；根据所述每个视频的第二视频特征、文本信息和所述每个视频包括的图像，确定所述每个第一视频的第一视频特征。
在一种可能实现方式中，所述特征确定模块，还被配置为根据所述每个用户反馈多个视频时的反馈顺序，将所述多个视频的视频标识按照对应视频的反馈顺序输入目标模型，输出所述每个视频的第一视频特征；
其中，所述多个视频的反馈顺序是指每个用户对所述多个视频进行反馈操作的时间先后顺序，所述目标模型用于基于输入的多个视频的视频标识，输出所述多个视频中每个视频的第二视频特征。
在一种可能实现方式中，所述特征确定模块，还被配置为对于所述每个视频标签，根据包括所述视频标签的多个视频的视频特征向量，确定所述视频特征向量的第一平均向量，所述视频特征向量用于表示视频的第一视频特征；将所述多个视频特征向量的第一平均向量，确定为所述视频标签的标签特征向量，所述标签特征向量用于表示视频标签的标签特征。
在一种可能实现方式中，所述特征确定模块，还被配置为对于所述每个用户，根据包括所述用户进行反馈的多个视频的视频特征向量，确定所述视频特征向量的第二平均向量，所述视频特征向量用于表示视频的第一视频特征；将所述多个视频特征向量的第二平均向量，确定为所述用户的用户特征向量，所述用户特征向量用于表示用户的用户特征。
在一种可能实现方式中，所述用户标签确定模块，还被配置为对于所述每个用户，根据所述用户的用户特征向量和所述每个视频标签的标签特征向量，确定所述用户分别和所述每个视频标签之间的相似度；根据所述用户分别和所述每个视频标签之间的相似度，从所述多个视频标签中筛选出满足目标条件的至少一个目标标签；将所述至少一个目标标签确定为所述用户的用户标签。
根据本公开实施例的第三方面，提供一种服务器，所述服务器包括一个或多个处理器和一个或多个存储器，所述一个或多个存储器中存储有至少一条指令，所述至少一条指令由所述一个或多个处理器加载并执行以实现如上述第一方面中的任一项所述的用户标签获取方法所执行的操作。
根据本公开实施例的第四方面，提供一种非临时性计算机可读存储介质，所述存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现如权第一方面中任一项所述的用户标签获取法所执行的操作。
根据本公开实施例的第五方面，提供一种应用程序，包括一条或多条指令，该一条或多条指令可以由服务器的处理器执行时，使得所述服务器能够实现上述第一方面以及上述第一方面的任一种实现方式中所述的用户标签获取方法所执行的操作。
本公开的实施例提供的技术方案至少带来有益效果：
通过根据所述多个视频的视频标识、文本信息和所述多个视频包括的图像，确定所述每个视频的第一视频特征，从而每个视频在多个维度的特征，根据所述多个视频的第一视频特征，确定每个视频标签的标签特征以每个用户的用户特征，从而可以准确得到用户特征和标签特征，服务器可以基于用户特征和标签特征，来确定与用户匹配的视频标签，由于基于视频特征所得到的更为准确的用户特征和标签特征，来确定用户标签，使得获取的用户标签能够准确全面的概括用户反馈的视频的特征，从而提高了获取用户标签的准确性。
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是根据一示例性实施例示出的一种用户标签获取方法的流程图。
图2是根据一示例性实施例示出的一种用户标签获取方法的流程图。
图3是根据一示例性实施例示出的一种获取视频标识对的示意图。
图4是根据一示例性实施例示出的一种获取第一视频特征的示意图。
图5是根据一示例性实施例示出的一种用户标签获取装置的框图。
图6是根据一示例性实施例示出的一种服务器的装置示意图。
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。以下示例性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。
图1是根据一示例性实施例示出的一种用户标签获取方法的流程图，如图1所示，该方法用于服务器中，包括以下步骤。
101、确定多个用户进行反馈的多个视频，每个视频包括至少一个视频标签；
102、根据该多个视频的视频标识、文本信息和该多个视频包括的图像，确定该每个视频的第一视频特征；
103、对于每个视频标签，根据该多个视频中包括该视频标签的视频的第一视频特征，确定该视频标签的标签特征；
104、对于每个用户，根据该多个视频中该用户反馈的视频的第一视频特征，确定该用户的用户特征；
105、根据该每个用户的用户特征和该每个视频标签的标签特征，将满足目标条件的视频标签确定为该每个用户的用户标签。
在一种可能实现方式中，该根据该多个视频的视频标识、文本信息和该多个视频包括的图像，确定该每个视频的第一视频特征包括：
根据该多个视频的视频标识，获取该每个视频的第二视频特征，该第二视频特征用于表示该视频在该多个视频中的用户反馈特性；
根据该每个视频的第二视频特征、文本信息和该每个视频包括的图像，确定该每个第一视频的第一视频特征。
在一种可能实现方式中，该根据该多个视频的视频标识，获取该每个视频的第二视频特征包括：
根据该每个用户反馈多个视频时的反馈顺序，将该多个视频的视频标识按照对应视频的反馈顺序输入目标模型，输出该每个视频的第一视频特征；
其中，该多个视频的反馈顺序是指每个用户对该多个视频进行反馈操作的时间先后顺序，该目标模型用于基于输入的多个视频的视频标识，输出该多个视频中每个视频的第二视频特征。
在一种可能实现方式中，该对于每个视频标签，根据该多个视频中包括该视频标签的视频的第一视频特征，确定该视频标签的标签特征包括：
对于该每个视频标签，根据包括该视频标签的多个视频的视频特征向量，确定该视频特征向量的第一平均向量，该视频特征向量用于表示视频的第一视频特征；
将该多个视频特征向量的第一平均向量，确定为该视频标签的标签特征向量，该标签特征向量用于表示视频标签的标签特征。
在一种可能实现方式中，该对于每个用户，根据该多个视频中该用户反馈的视频的第一视频特征，确定该用户的用户特征包括：
对于该每个用户，根据包括该用户进行反馈的多个视频的视频特征向量，确定该视频特征向量的第二平均向量，该视频特征向量用于表示视频的第一视频特征；
将该多个视频特征向量的第二平均向量，确定为该用户的用户特征向量，该用户特征向量用于表示用户的用户特征。
在一种可能实现方式中，该根据该每个用户的用户特征和该每个视频标签的标签特征，将满足目标条件的视频标签确定为该每个用户的用户标签包括：
对于该每个用户，根据该用户的用户特征向量和该每个视频标签的标签特征向量，确定该用户分别和该每个视频标签之间的相似度；
根据该用户分别和该每个视频标签之间的相似度，从该多个视频标签中筛选出满足目标条件的至少一个目标标签；
将该至少一个目标标签确定为该用户的用户标签。
本公开实施例中，通过根据该多个视频的视频标识、文本信息和该多个视频包括的图像，确定该每个视频的第一视频特征，从而每个视频在多个维度的特征，根据该多个视频的第一视频特征，确定每个视频标签的标签特征以每个用户的用户特征，从而可以准确得到用户特征和标签特征，服务器可以基于用户特征和标签特征，来确定与用户匹配的视频标签，由于基于视频特征所得到的更为准确的用户特征和标签特征，来确定用户标签，使得获取的用户标签能够准确全面的概括用户反馈的视频的特征，从而提高了获取用户标签的准确性。
图2是根据一示例性实施例示出的一种用户标签获取方法的流程图，如图2所示，该方法用于计算机设备中，该计算机设备可以为服务器，包括以下步骤。
201、计算机设备确定多个用户的多个视频，每个视频包括至少一个视频标签。
本公开实施例中，用户在视频应用上浏览视频时，可以对视频进行反馈操作，以反馈对该视频的喜好或讨厌的特性。该反馈操作可以包括但不限于：点赞操作、评论操作、浏览操作、关注操作、点踩操作、转发操作等。本公开实施例中，该计算机设备可以基于用户浏览视频时的反馈操作，对用户以及用户反馈的视频进行分析，以得到用户的用户标签。其中，用户标签是对该用户浏览视频时的偏好特征的概括，例如，用户的兴趣标签，计算机设备可以基于用户标签，更准确的描述用户的兴趣，以向用户推荐用户感兴趣的视频。
本公开实施例中，作者在上传视频时，可以为视频设置视频标签，该计算机设备可以关注包括视频标签的视频，则本步骤可以为：该计算机设备可以确定用户进行反馈的多个视频，并检测每个视频是否包括至少一个视频标签，将不包括视频标签的视频删除。
需要说明的是，该计算机设备不仅可以关注用户反馈的视频，还可以关注该用户反馈的多个视频之间的关联特征，该关联特征可以反映用户进行反馈的多个视频之间的关联关系。该关联特征可以包括该多个视频之间的反馈顺序，或者，该关联关系还可以包括该多个视频之间的反馈顺序和反馈概率。相应的，本步骤可以包括以下两种方式实现。
第一种方式、该计算机设备根据用户对多个视频的反馈时间，获取用户在目标周期内反馈的多个视频的视频标识和该多个视频的反馈顺序。
其中，该目标周期可以基于需要进行设置，例如，该目标周期可以为T＝60min，该计算机设备可以将用户在一定时段内反馈的视频为相关联视频。在目标时段内，该计算机设备可以在每个目标周期，获取用户在该目标周期内反馈的多个视频的视频标识和该多个视频的反馈顺序，该反馈顺序是指该用户对该多个视频进行反馈操作的时间先后顺序。在一种可能示例中，该计算机设备可以采用该多个视频标识的排列顺序，来表示该多个视频的反馈顺序，例如，该多个视频标识可以为视频序列的形式。该计算机设备可以通过Word2vec算法，获取用户在目标周期内反馈的多个视频的视频标识，并将该多个视频标识按照该多个视频反馈顺序进行排列。例如，用户A在一个目标周期内按照时间顺序依次点击了多个视频：视频1、视频2、视频3、视频4……，该计算机设备则可以获取用户A反馈的多个视频标识：{视频1、视频2、视频3、视频4……}。
第二种方式、计算机设备根据该用户的用户标识，获取该用户进行反馈操作的多个视频的视频标识和该多个视频中每个视频的反馈概率。
本步骤中，该计算机设备可以事先基于该视频应用上大量用户的反馈历史记录，对视频应用上的大量视频进行统计，例如，该计算机设备可以统计在反馈一个视频后，可能会反馈的下一个视频的几种预测，例如，用户反馈视频A后，可能会继续反馈的下一个视频可能为视频集合：{视频B、视频C、视频D}中的任一个，另外，该计算机设备还可以预测将会反馈的下一个视频为视频集合中每个视频的概率，也即是，该视频集合中每个视频将被反馈的反馈概率。该每个视频的反馈概率是指用户反馈上一个视频后，再反馈该视频的几率。例如，用户在浏览视频A之后，浏览视频B的几率为0.09。在一种可能示例中，该计算机设备可以按照用户的反馈顺序依次获取用户所反馈的多个视频的视频标识，该计算机设备还可以获取除第一个视频标识以外的每个视频标识所对应视频的反馈概率。例如，该计算机设备依次获取某个用户所点击的多个视频的视频标识为：视频A、视频B、视频C、视频D，该计算机设备从预先统计的大量视频的反馈概率中，获取该多个视频标识的反馈概率。例如，对视频A进行反馈后，下一个反馈视频为到视频B的反馈概率为0.09，也即是，计算机设备获取视频B的反馈概率0.09，同理，获取视频C的反馈概率0.07，视频D的反馈概率0.08。
在一种可能示例中，该计算机设备可根据目标算法，依次获取用户在依次反馈的多个视频的视频标识和反馈概率。例如，该计算机设备统计的多个视频的数据可以为有向图的形式，该有向图中包括多个节点，每个节点对应一个视频，节点与节点之间通过有向边相连接，从有向边一端的某个节点到另一端的一个节点可以表示用户在反馈一个视频后，所预测的可能会反馈的下一个视频，当然，每个节点可以通过多个有向边与多个节点连接。每条有向边表示从一个节点到另一个节点的路径代价，本公开实施例中，一个节点到另一个节点的路径代价可以表示从一个节点对应的视频到下一个节点对应视频的反馈概率。该计算机设备可以通过node2vec算法的随机游走的方式，基于该多个视频的反馈概率，生成多个视频序列。每个视频序列包括多个按照反馈顺序依次排列的多个视频标识。在一种可能示例中，对于每个视频序列中任意两个相邻视频，该随机游走过程可以为：该计算机设备可以基于当前被反馈的视频对应的当前节点，获取该节点相连接的多个节点，根据该当前节点分别到该多个节点中每个节点的路径代价，选取对应反馈概率最大的视频，作为当前视频的下一个视频，从而依次生成按反馈顺序排列的视频序列。
其中，在第一种方式和第二种方式中，视频标识可以为视频的ID(Identity，身份号码)。
其中，该计算机设备获取该用户的多个历史操作记录，该历史操作记录包括用户对视频进行反馈操作时的反馈信息，例如，反馈视频的视频标识、用户标识、反馈操作信息等；该计算机设备根据该用户的多个历史操作记录中的视频标识，获取该用户进行反馈的多个视频的视频标识。
在一种可能的实施方式中，反馈操作的操作类型可以包括正反馈操作和负反馈操作。用户在浏览视频时，可以对视频进行正反馈操作，也可以进行负反馈操作，正反馈操作反映了用户对视频的喜好的特性，负反馈操作反映了用户对视频的讨厌的特性。在一种可能示例中，正反馈操作可以包括但不限于：点赞操作、评论操作、浏览操作、关注操作、转发操作等；负反馈操作包括但不限于：点踩操作、屏蔽操作、差评操作等。在一种可能的实施方式中，该计算机设备可以获取用户进行正反馈操作的多个视频的视频标识，或者，该计算机设备还可以获取用户进行负反馈操作的多个视频的视频标识，又或者，分别获取进行正反馈操作的多个第一视频的视频标识和负反馈操作的多个第二视频的视频标识。本公开实施例中，以获取正反馈操作的多个视频为例，本步骤还可以包括：该计算机设备可以根据该多个历史操作记录中的反馈操作信息，确定每个历史反馈记录对应的反馈操作是否为正反馈操作，当反馈操作为正反馈时，获取该历史操作记录对应的视频的视频标识，当反馈操作为负反馈时，则不执行获取操作，从而得到用户进行正反馈操作的多个视频的视频标识。当然，该计算机设备获取用户进行负反馈操作的多个视频的视频标识的过程与上述获取正反馈操作的多个视频的过程同理，此处不再赘述。
202、该计算机设备根据该多个视频的视频标识，获取每个视频的第二视频特征。
其中，该第二视频特征用于表示视频在该多个视频中的用户反馈特性。本公开实施例中，该计算机设备上可以存储有目标模型，该目标模型用于基于多个视频标识输出每个视频的第二视频特征，每个视频的第二视频特征表示该视频在多个视频中的用户反馈特性，该用户反馈特性表示了用户对该视频进行反馈操作的可能性。例如，浏览到反馈顺序在该视频之前或之后的视频时，对该视频的反馈的可能性。本步骤中，该计算机设备根据该每个用户反馈多个视频时的反馈顺序，将该多个视频的视频标识按照对应视频的反馈顺序输入目标模型，输出该每个视频的第一视频特征。其中，该多个视频的反馈顺序是指每个用户对该多个视频进行反馈操作的时间先后顺序。在一种可能的实施方式中，该计算机设备可以采用视频标识对的形式，将该多个视频标识按照反馈顺序输入该目标模型。其中，该视频标识对包括两个视频标识，该两个视频标识按照反馈顺序进行排列。对于上述步骤201中按照反馈顺序排列的视频序列，该计算机设备可以从视频序列中采集用户依次反馈的两个视频标识。在一种可能的实施方式中，对于每个第一视频，该计算机设备可以将第一视频标识和第二视频标识以视频标识对的形式输入目标模型，以及第一视频标识和第三视频标识以视频标识对的形式输入目标模型。在一个具体示例中，该计算机设备可以采用滑动窗口的方式，获取视频序列中第一视频标识和反馈顺序中位于第一视频标识之后的第二视频标识，或者，该计算机设备还可以采用采样的方式，从反馈顺序位于第一视频标识之后多个视频标识中随机采样一个第三视频标识。例如，如图3所示，该计算机设备可以采用目标算法，例如word2vec算法来获取视频标识对；对于photo_i，该计算机设备采用滑动窗口的方式获取反馈顺序中位于该photo_i之后的photo_j，或者，采用采样的方式获取photo_i之后的任一视频photo_k。然后，该计算机设备将获取的视频标识对(photo_i，photo_j)或者(photo_i，photo_k)输入到目标模型中。
在一种可能示例中，该目标模型可以为该计算机设备预先训练得到，例如，该目标模型可以为采用skip-gram方法训练得到的模型。每个视频的第二视频特征可以为一个128维度的特征向量的形式。
203、该计算机设备获取每个视频的文本信息和每个视频包括的图像，将该每个视频的第二视频特征、该文本信息和每个视频包括的图像输入该目标模型，输出每个视频的第一视频特征。
该文本信息包括但不限于：视频标题、标题描述、由视频中语音信号转换得到的文字信息、视频封面的封面类别等，对于每个用户反馈的每个视频，该计算机设备可以根据该视频的视频标识，获取该视频的视频封面，从该视频封面中提取视频标题、标题描述，并确定出该视频封面的封面类别，该计算机设备还可以采集该视频中的语音信号，通过语音识别算法，对从该视频中提取的语音信号进行语音识别，得到该视频中语音信号对应的文字信息。该计算机设备还可以根据视频标识，获取改视频包括的图像，其中，该计算机设备可以将每张图像表示为图像向量的形式。例如，每个图像可以为一个photo vector(图像矢量)。
在一种可能的实施方式中，该目标模型还可以用于基于输入的第二视频特征、文本信息和图像，输出每个视频的第一视频特征。如图4所示，对于每个视频，该计算机设备将多个个视频中每个视频的该第二视频特征、视频标题、标题描述信息、由语音信号转换的文字信息、视频封面的封面类别和图像向量，输入到目标模型中，输出每个视频的第一视频特征。该目标模型可以为一个DNN(Deep Neural Network，深度神经网络模型)。该第一视频特征表示视频的文本特征、图像特征以及与该视频的用户反馈特性的综合特征。该第一视频特征也可以为一个向量的形式。例如，该第一视频特征对应的视频特征向量可以为一个embedding向量。如图4所示，该目标模型中可以包括多个ReLU(Rectified linear unit，修正线性单元)，该计算机设备可以通过该多个ReLU单元，对输入的数据进行层层处理，得到第一视频的视频特征向量，例如，一个embedding向量。
204、对于每个视频标签，计算机设备根据多个视频中包括该视频标签的视频的第一视频特征，获取该视频标签的标签特征。
本发明实施例中，不同视频可能包括相同的视频标签，例如，视频A和视频B均包括视频标签“游戏”。对于每个视频标签，该计算机设备确定包括该视频标签的至少一个视频，根据包括该视频标签的至少一个视频的第一视频特征，获取该视频标签的标签特征。
在一种可能的示例中，该第一视频特征和该标签特征可以为特征向量的形式，例如，表示视频标签的特征的embedding向量，对于该每个视频标签，该计算机设备可以根据包括该视频标签的多个视频的视频特征向量，确定该视频特征向量的第一平均向量，该视频特征向量用于表示视频的第一视频特征；该计算机设备可以将该多个视频特征向量的第一平均向量，确定为该视频标签的标签特征向量，该标签特征向量用于表示视频标签的标签特征。
例如，photo_1、photo_2、photo_3这三个视频包括的标签tag分别如下所示：
photo_1：tag_1、tag_2、tag_3；
photo_2：tag_1、tag_5、tag_6；
photo_3：tag_1、tag_3、tag_4、tag_7；
则，photo_1、photo_2、photo_3的第一视频特征的特征向量分别以表示为：embedding_1、embedding_2、embedding_3，对于tag1，photo_1、photo_2、photo_3均包括tag1，则tag_1的标签特征向量可以表示为：average(embedding_1+embedding_2+embedding_3)，其中，average表示指定维度的数值取平均值，也即是，tag_1的特征向量为photo_1、photo_2、photo_3的特征向量的平均值；对于tag2，仅有photo_1包括tag2，相应的，tag_2的标签特征向量为average(embedding_1)；对于tag3，photo_1、photo_3均包括tag3，则tag_3的标签特征向量可以表示为：average(embedding_1+embedding_3)。
需要说明的是，如图4所示，该计算机设备可以通过归一化单元，基于多个视频的视频特征向量，对多个视频的视频标签进行处理，得到每个视频标签的标签特征向量。
本发明实施例中，视频发布用户在发布视频时，也可以自行标注视频的标签，该计算机设备可以根据每个视频的视频标识，获取每个视频的视频标签。需要说明的是，视频发布用户在发布视频时，可以基于视频本身的特征或者视频所属的类型等，来标注该视频的视频标签，例如，视频标签可以标注为：“游戏”、“旅行”等。当然，该视频发布用户标注的视频标签也有可能与该视频本身的特征或者所属类型等无关，例如，视频发布用户对视频标注个人信息：“由A拍摄”“由B拍摄”等。在一种可能的实施方式中，该计算机设备可以事先获取多个特征维度，从每个视频的多个视频标签中获取属于该多个特征维度的视频标签。该多个目标维度用于指示该视频本身的视频特征。例如，该多个目标维度可以为：时间、地点、情感基调、视频类型等。
205、对于每个用户，计算机设备根据多个视频中该用户反馈的视频的第一视频特征，确定该用户的用户特征。
该第一视频特征和该用户特征可以为特征向量的形式，对于该每个用户，该计算机设备根据包括该用户进行反馈的多个视频的视频特征向量，确定该视频特征向量的第二平均向量，该视频特征向量用于表示视频的第一视频特征；该计算机设备可以将该多个视频特征向量的第二平均向量，确定为该用户的用户特征向量，该用户特征向量用于表示用户的用户特征。
例如，user_1进行反馈的视频包括photo_1、photo_2、photo_3；user_2进行反馈的视频包括photo_2、photo_3、photo_5，则表示user_1的用户特征向量可以表示为：average(embedding_1+embedding_2+embedding_3)；表示user_2的用户特征向量可以表示为：average(embedding_2+embedding_3+embedding_5)。
需要说明的是，通过上述步骤201-206的过程，获取到每个视频的第二视频特征，并结合视频文本、图像等多方面的特征，确定出视频的第一视频特征，以综合、全面的表示视频的特征，然后传递到每个视频标签，以得到视频标签的特征，同时传递到每个用户，以得到每个用户的用户特征，从而更为准确、全面的确定出每个视频中每个标签的特征和每个用户的特征，提高了后续确定用户标签的准确性。
206、计算机设备根据该每个用户的用户特征和该每个视频标签的标签特征，将满足目标条件的视频标签确定为每个用户的用户标签。
对于该每个用户，该计算机设备可以根据该用户的用户特征向量和该每个视频标签的标签特征向量，确定该用户分别和该每个视频标签之间的相似度；该计算机设备可以根据该用户分别和该每个视频标签之间的相似度，从该多个视频标签中筛选出满足目标条件的至少一个目标标签；该计算机设备可以将该至少一个目标标签确定为该用户的用户标签。该目标条件可以为：对应视频标签与用户之间的相似度大于目标阈值。
本公开实施例中，通过根据该多个视频的视频标识、文本信息和该多个视频包括的图像，确定该每个视频的第一视频特征，从而每个视频在多个维度的特征，根据该多个视频的第一视频特征，确定每个视频标签的标签特征以每个用户的用户特征，从而可以准确得到用户特征和标签特征，服务器可以基于用户特征和标签特征，来确定与用户匹配的视频标签，由于基于视频特征所得到的更为准确的用户特征和标签特征，来确定用户标签，使得获取的用户标签能够准确全面的概括用户反馈的视频的特征，从而提高了获取用户标签的准确性。
图5是根据一示例性实施例示出的一种用户标签获取装置框图。参照图5，该装置包括：
视频确定模块501，被配置为确定多个用户进行反馈的多个视频，每个视频包括至少一个视频标签；
特征确定模块502，被配置为根据该多个视频的视频标识、文本信息和该多个视频包括的图像，确定该每个视频的第一视频特征；
该特征确定模块502，还被配置为对于每个视频标签，根据该多个视频中包括该视频标签的视频的第一视频特征，确定该视频标签的标签特征；
该特征确定模块502，还被配置为对于每个用户，根据该多个视频中该用户反馈的视频的第一视频特征，确定该用户的用户特征；
用户标签确定模块503，被配置为根据该每个用户的用户特征和该每个视频标签的标签特征，将满足目标条件的视频标签确定为该每个用户的用户标签。
在一种可能实现方式中，该特征确定模块502，还被配置为根据该多个视频的视频标识，获取该每个视频的第二视频特征，该第二视频特征用于表示该视频在该多个视频中的用户反馈特性；根据该每个视频的第二视频特征、文本信息和该每个视频包括的图像，确定该每个第一视频的第一视频特征。
在一种可能实现方式中，该特征确定模块502，还被配置根据所述每个用户反馈多个视频时的反馈顺序，将所述多个视频的视频标识按照对应视频的反馈顺序输入目标模型，输出所述每个视频的第一视频特征；
其中，所述多个视频的反馈顺序是指每个用户对所述多个视频进行反馈操作的时间先后顺序，所述目标模型用于基于输入的多个视频的视频标识，输出所述多个视频中每个视频的第二视频特征。
在一种可能实现方式中，该特征确定模块502，还被配置为对于该每个视频标签，根据包括该视频标签的多个视频的视频特征向量，确定该视频特征向量的第一平均向量，该视频特征向量用于表示视频的第一视频特征；将该多个视频特征向量的第一平均向量，确定为该视频标签的标签特征向量，该标签特征向量用于表示视频标签的标签特征。
在一种可能实现方式中，该特征确定模块502，还被配置为对于该每个用户，根据包括该用户进行反馈的多个视频的视频特征向量，确定该视频特征向量的第二平均向量，该视频特征向量用于表示视频的第一视频特征；将该多个视频特征向量的第二平均向量，确定为该用户的用户特征向量，该用户特征向量用于表示用户的用户特征。
在一种可能实现方式中，该用户标签确定模块503，还被配置为对于该每个用户，根据该用户的用户特征向量和该每个视频标签的标签特征向量，确定该用户分别和该每个视频标签之间的相似度；根据该用户分别和该每个视频标签之间的相似度，从该多个视频标签中筛选出满足目标条件的至少一个目标标签；将该至少一个目标标签确定为该用户的用户标签。
本公开实施例中，通过根据该多个视频的视频标识、文本信息和该多个视频包括的图像，确定该每个视频的第一视频特征，从而每个视频在多个维度的特征，根据该多个视频的第一视频特征，确定每个视频标签的标签特征以每个用户的用户特征，从而可以准确得到用户特征和标签特征，服务器可以基于用户特征和标签特征，来确定与用户匹配的视频标签，由于基于视频特征所得到的更为准确的用户特征和标签特征，来确定用户标签，使得获取的用户标签能够准确全面的概括用户反馈的视频的特征，从而提高了获取用户标签的准确性。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
需要说明的是：上述实施例提供的用户标签获取装置在用户标签获取时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的用户标签获取装置与用户标签获取方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
图6是本公开实施例提供的一种服务器的结构示意图，该服务器600可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processingunits，CPU)601和一个或一个以上的存储器602，其中，所述存储器602中存储有至少一条指令，所述至少一条指令由所述处理器601加载并执行以实现上述各个方法实施例提供的XXXXX方法。当然，该服务器还可以具有有线或无线网络接口、键盘以及输入输出接口等部件，以便进行输入输出，该服务器还可以包括其他用于实现设备功能的部件，在此不做赘述。
在示例性实施例中，还提供了一种计算机可读存储介质，例如包括指令的存储器，上述指令可由终端中的处理器执行以完成上述实施例中的用户标签获取方法。例如，所述计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
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 (12)
1.一种用户标签获取方法，其特征在于，包括：
确定多个用户进行反馈的多个视频，每个视频包括至少一个视频标签；
根据所述多个视频的视频标识，获取所述每个视频的第二视频特征，所述第二视频特征用于表示所述视频在所述多个视频中的用户反馈特性；
根据所述每个视频的第二视频特征、文本信息和所述每个视频包括的图像，确定所述每个视频的第一视频特征；
对于每个视频标签，根据所述多个视频中包括所述视频标签的视频的第一视频特征，确定所述视频标签的标签特征；
对于每个用户，根据所述多个视频中所述用户反馈的视频的第一视频特征，确定所述用户的用户特征；
根据所述每个用户的用户特征和所述每个视频标签的标签特征，将满足目标条件的视频标签确定为所述每个用户的用户标签。
2.根据权利要求1所述的用户标签获取方法，其特征在于，所述根据所述多个视频的视频标识，获取所述每个视频的第二视频特征包括：
根据所述每个用户反馈多个视频时的反馈顺序，将所述多个视频的视频标识按照对应视频的反馈顺序输入目标模型，输出所述每个视频的第一视频特征；
其中，所述多个视频的反馈顺序是指每个用户对所述多个视频进行反馈操作的时间先后顺序，所述目标模型用于基于输入的多个视频的视频标识，输出所述多个视频中每个视频的第二视频特征。
3.根据权利要求1所述的用户标签获取方法，其特征在于，所述对于每个视频标签，根据所述多个视频中包括所述视频标签的视频的第一视频特征，确定所述视频标签的标签特征包括：
对于所述每个视频标签，根据包括所述视频标签的多个视频的视频特征向量，确定所述视频特征向量的第一平均向量，所述视频特征向量用于表示视频的第一视频特征；
将所述多个视频特征向量的第一平均向量，确定为所述视频标签的标签特征向量，所述标签特征向量用于表示视频标签的标签特征。
4.根据权利要求1所述的用户标签获取方法，其特征在于，所述对于每个用户，根据所述多个视频中所述用户反馈的视频的第一视频特征，确定所述用户的用户特征包括：
对于所述每个用户，根据包括所述用户进行反馈的多个视频的视频特征向量，确定所述视频特征向量的第二平均向量，所述视频特征向量用于表示视频的第一视频特征；
将所述多个视频特征向量的第二平均向量，确定为所述用户的用户特征向量，所述用户特征向量用于表示用户的用户特征。
5.根据权利要求1所述的用户标签获取方法，其特征在于，所述根据所述每个用户的用户特征和所述每个视频标签的标签特征，将满足目标条件的视频标签确定为所述每个用户的用户标签包括：
对于所述每个用户，根据所述用户的用户特征向量和所述每个视频标签的标签特征向量，确定所述用户分别和所述每个视频标签之间的相似度；
根据所述用户分别和所述每个视频标签之间的相似度，从所述多个视频标签中筛选出满足目标条件的至少一个目标标签；
将所述至少一个目标标签确定为所述用户的用户标签。
6.一种用户标签获取装置，其特征在于，包括：
视频确定模块，被配置为确定多个用户进行反馈的多个视频，每个视频包括至少一个视频标签；
特征确定模块，被配置为根据所述多个视频的视频标识，获取所述每个视频的第二视频特征，所述第二视频特征用于表示所述视频在所述多个视频中的用户反馈特性；根据所述每个视频的第二视频特征、文本信息和所述每个视频包括的图像，确定所述每个视频的第一视频特征；
所述特征确定模块，还被配置为对于每个视频标签，根据所述多个视频中包括所述视频标签的视频的第一视频特征，确定所述视频标签的标签特征；
用户特征确定模块，被配置为对于每个用户，根据所述多个视频中所述用户反馈的视频的第一视频特征，确定所述用户的用户特征；
用户标签确定模块，被配置为根据所述每个用户的用户特征和所述每个视频标签的标签特征，将满足目标条件的视频标签确定为所述每个用户的用户标签。
7.根据权利要求6所述的用户标签获取装置，其特征在于，所述特征确定模块，还被配置为根据所述每个用户反馈多个视频时的反馈顺序，将所述多个视频的视频标识按照对应视频的反馈顺序输入目标模型，输出所述每个视频的第一视频特征；
其中，所述多个视频的反馈顺序是指每个用户对所述多个视频进行反馈操作的时间先后顺序，所述目标模型用于基于输入的多个视频的视频标识，输出所述多个视频中每个视频的第二视频特征。
8.根据权利要求6所述的用户标签获取装置，其特征在于，
所述特征确定模块，还被配置为对于所述每个视频标签，根据包括所述视频标签的多个视频的视频特征向量，确定所述视频特征向量的第一平均向量，所述视频特征向量用于表示视频的第一视频特征；将所述多个视频特征向量的第一平均向量，确定为所述视频标签的标签特征向量，所述标签特征向量用于表示视频标签的标签特征。
9.根据权利要求6所述的用户标签获取装置，其特征在于，
所述用户特征确定模块，还被配置为对于所述每个用户，根据包括所述用户进行反馈的多个视频的视频特征向量，确定所述视频特征向量的第二平均向量，所述视频特征向量用于表示视频的第一视频特征；将所述多个视频特征向量的第二平均向量，确定为所述用户的用户特征向量，所述用户特征向量用于表示用户的用户特征。
10.根据权利要求6所述的用户标签获取装置，其特征在于，
所述用户标签确定模块，还被配置为对于所述每个用户，根据所述用户的用户特征向量和所述每个视频标签的标签特征向量，确定所述用户分别和所述每个视频标签之间的相似度；根据所述用户分别和所述每个视频标签之间的相似度，从所述多个视频标签中筛选出满足目标条件的至少一个目标标签；将所述至少一个目标标签确定为所述用户的用户标签。
11.一种服务器，其特征在于，所述服务器包括一个或多个处理器和一个或多个存储器，所述一个或多个存储器中存储有至少一条指令，所述至少一条指令由所述一个或多个处理器加载并执行以实现如权利要求1至权利要求5任一项所述的用户标签获取方法所执行的操作。
12.一种非临时性计算机可读存储介质，其特征在于，所述存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现如权利要求1至权利要求5任一项所述的用户标签获取方法所执行的操作。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911022473.0A CN112711703B (zh) | 2019-10-25 | 2019-10-25 | 用户标签获取方法、装置、服务器及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911022473.0A CN112711703B (zh) | 2019-10-25 | 2019-10-25 | 用户标签获取方法、装置、服务器及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112711703A CN112711703A (zh) | 2021-04-27 |
| CN112711703B true CN112711703B (zh) | 2024-03-26 |
Family
ID=75540629
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911022473.0A Active CN112711703B (zh) | 2019-10-25 | 2019-10-25 | 用户标签获取方法、装置、服务器及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112711703B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113407765B (zh) * | 2021-07-15 | 2023-12-05 | 北京达佳互联信息技术有限公司 | 视频分类方法、装置、电子设备和计算机可读存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106294787A (zh) * | 2016-08-12 | 2017-01-04 | 北京金山安全软件有限公司 | 一种推送信息的方法、装置及电子设备 |
| CN109547814A (zh) * | 2018-12-13 | 2019-03-29 | 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 |
| CN110012356A (zh) * | 2019-04-16 | 2019-07-12 | 腾讯科技（深圳）有限公司 | 视频推荐方法、装置和设备及计算机存储介质 |
| CN110287372A (zh) * | 2019-06-26 | 2019-09-27 | 广州市百果园信息技术有限公司 | 用于负反馈的标签确定方法、视频推荐方法及其装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180053097A1 (en) * | 2016-08-16 | 2018-02-22 | Yahoo Holdings, Inc. | Method and system for multi-label prediction |
-
2019
- 2019-10-25 CN CN201911022473.0A patent/CN112711703B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106294787A (zh) * | 2016-08-12 | 2017-01-04 | 北京金山安全软件有限公司 | 一种推送信息的方法、装置及电子设备 |
| CN109547814A (zh) * | 2018-12-13 | 2019-03-29 | 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 |
| CN110012356A (zh) * | 2019-04-16 | 2019-07-12 | 腾讯科技（深圳）有限公司 | 视频推荐方法、装置和设备及计算机存储介质 |
| CN110287372A (zh) * | 2019-06-26 | 2019-09-27 | 广州市百果园信息技术有限公司 | 用于负反馈的标签确定方法、视频推荐方法及其装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112711703A (zh) | 2021-04-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20240086971A1 (en) | Systems, methods, and storage media for training a machine learning model | |
| CN109145280B (zh) | 信息推送的方法和装置 | |
| CN107346336B (zh) | 基于人工智能的信息处理方法和装置 | |
| US10108709B1 (en) | Systems and methods for queryable graph representations of videos | |
| CN109308490B (zh) | 用于生成信息的方法和装置 | |
| CN109376237B (zh) | 客户稳定性的预测方法、装置、计算机设备和存储介质 | |
| CN104598644B (zh) | 喜好标签挖掘方法和装置 | |
| CN110704626A (zh) | 一种用于短文本的分类方法及装置 | |
| JP2017182663A (ja) | コンテンツ管理装置、コンテンツ管理方法及びプログラム | |
| US20170206420A1 (en) | System and methods for analysis of user-associated images to generate non-user generated labels and utilization of the generated labels | |
| CN112364204A (zh) | 视频搜索方法、装置、计算机设备及存储介质 | |
| CN113342942B (zh) | 语料自动化获取方法、装置、计算机设备及存储介质 | |
| CN110162664B (zh) | 视频推荐方法、装置、计算机设备及存储介质 | |
| Zhong et al. | Predicting pinterest: Automating a distributed human computation | |
| WO2018145591A1 (zh) | 兴趣标签确定方法、计算机设备和存储介质 | |
| CN112711703B (zh) | 用户标签获取方法、装置、服务器及存储介质 | |
| Laina et al. | Measuring the interpretability of unsupervised representations via quantized reverse probing | |
| CN113806501B (zh) | 意图识别模型的训练方法、意图识别方法和设备 | |
| CN114245185A (zh) | 视频推荐方法、模型训练方法、装置、电子设备及介质 | |
| CN114117239A (zh) | 一种房源推送方法、装置和设备 | |
| CN111144567A (zh) | 神经网络模型的训练方法及装置 | |
| CN112784008B (zh) | 案件相似度确定方法及装置、存储介质、终端 | |
| CN113204699B (zh) | 信息推荐方法、装置、电子设备及存储介质 | |
| CN112115994A (zh) | 图像识别模型的训练方法、装置、服务器及存储介质 | |
| CN112241470A (zh) | 一种视频分类方法及系统 |
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 |