CN113038163A - 用户体验模型训练方法、短视频用户体验评估方法及装置 - Google Patents
用户体验模型训练方法、短视频用户体验评估方法及装置 Download PDFInfo
- Publication number
- CN113038163A CN113038163A CN202110326672.1A CN202110326672A CN113038163A CN 113038163 A CN113038163 A CN 113038163A CN 202110326672 A CN202110326672 A CN 202110326672A CN 113038163 A CN113038163 A CN 113038163A
- Authority
- CN
- China
- Prior art keywords
- video
- short video
- user experience
- data
- short
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000012549 training Methods 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000011156 evaluation Methods 0.000 title claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 89
- 230000011218 segmentation Effects 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 5
- 230000004931 aggregating effect Effects 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000013075 data extraction Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 abstract description 6
- 230000000875 corresponding effect Effects 0.000 description 26
- 230000008569 process Effects 0.000 description 8
- 230000006399 behavior Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000010219 correlation analysis Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000010220 Pearson correlation analysis Methods 0.000 description 1
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 238000012352 Spearman correlation analysis Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000005201 scrubbing Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
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]
- H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
- H04N21/21—Server components or server architectures
- H04N21/218—Source of audio or video content, e.g. local disk arrays
- H04N21/2187—Live feed
-
- 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
- H04N21/25875—Management of end-user data involving end-user authentication
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Computer Graphics (AREA)
- Computer Security & Cryptography (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种用户体验模型训练方法、短视频用户体验评估方法及装置,其中所述用户体验模型训练方法包括:获取各账户历史观看的短视频任务的短视频数据;针对各账户,将该账户历史观看的短视频任务划分成一个或多个视频处理单元,其中,各视频处理单元包括多个连续观看的短视频任务;根据所述短视频数据,获取各视频处理单元的视频特征数据;根据各视频处理单元的视频特征数据训练用户体验模型。在视频处理单元维度上聚合的特征可以降低短视频任务之间相互独立的影响,更好的刻画用户在长时间范围内的行为变化,从而提高了QoE的拟合水平,提升模型的有效性。
Description
技术领域
本申请实施例涉及直播技术领域,尤其涉及一种用户体验模型训练方法、短视频用户体验评估方法及装置。
背景技术
近些年随着网络传输技术和音视频技术的发展,流媒体行业迎来快速爆发,视频服务供应商在提供高效可靠的服务同时也越来越重视研究、理解、提高用户体验(QoE)。通过收集用户在使用视频服务过程中产生的大量用户行为、视频内容、网络传输、设备环境等相关数据,视频服务供应商可以挖掘视频与用户观看满意度之间的关系,指导优化音视频传输、内容分发推荐等算法,从而提高用户满意度。
目前在网络传输侧对于长视频点播、直播领域的QoE研究相对比较成熟,而由于短视频诸多特有的性质,使得现有的短视频QoE模型存在以下问题:
短视频任务时长较短,一般在15秒以内,通常每个任务只有一次打点数据,这样的数据无法真实地刻画任务过程,较大的偏差降低了模型的有效性。
发明内容
本申请提供一种用户体验模型训练方法、短视频用户体验评估方法及装置,以解决现有的短视频任务时长较短导致的无法真实地刻画任务过程,较大的偏差降低了模型的有效性的问题。
第一方面,本申请实施例提供了一种用户体验模型训练的方法,所述方法包括:
获取各账户历史观看的短视频任务的短视频数据;
针对各账户,将该账户历史观看的短视频任务划分成一个或多个视频处理单元,其中,各视频处理单元包括多个连续观看的短视频任务;
根据所述短视频数据,获取各视频处理单元的视频特征数据;
根据各视频处理单元的视频特征数据训练用户体验模型。
第二方面,本申请实施例还提供了一种短视频的用户体验评估方法,所述方法包括:
确定待评估短视频;
提取所述待评估短视频的目标视频特征数据;
将所述目标视频特征数据输入至预先训练的目标用户体验模型中,获得所述目标用户体验模型输出的用户体验评估分数,其中,所述目标用户体验模型采用多个账户的多个视频处理单元提取出的视频特征数据训练得到,各视频处理单元包括多个连续观看的短视频任务。
第三方面,本申请实施例还提供了一种用户体验模型训练的装置,所述装置包括:
短视频数据获取模块,用于获取各账户历史观看的短视频任务的短视频数据;
视频处理单元划分模块,用于针对各账户,将该账户历史观看的短视频任务划分成一个或多个视频处理单元,其中,各视频处理单元包括多个连续观看的短视频任务;
特征提取模块,用于根据所述短视频数据,获取各视频处理单元的视频特征数据;
模型训练模块,用于根据各视频处理单元的视频特征数据训练用户体验模型。
第四方面,本申请实施例还提供了一种短视频的用户体验评估装置,所述装置包括:
短视频确定模块,用于确定待评估短视频;
目标视频特征数据提取模块,用于提取所述待评估短视频的目标视频特征数据;
用户体验评估模块,用于将所述目标视频特征数据输入至预先训练的目标用户体验模型中,获得所述目标用户体验模型输出的用户体验评估分数,其中,所述目标用户体验模型采用多个账户的多个视频处理单元提取出的视频特征数据训练得到,各视频处理单元包括多个连续观看的短视频任务。
第五方面,本申请实施例还提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述的方法。
第六方面,本申请实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述的方法。
本申请具有如下有益效果:
在本实施例中,通过将各账户历史上连续观看的多个短视频任务组合为视频处理单元,然后以视频处理单元为维度,在视频处理单元上进行视频特征数据的提取,继而用提取到视频特征数据进行用户体验模型训练,为分析理解短视频用户体验提供了一种新的思路,在视频处理单元维度上聚合的特征可以降低短视频任务之间相互独立的影响,更好的刻画用户在长时间范围内的行为变化,从而提高了QoE的拟合水平,提升模型的有效性。
附图说明
图1是本申请实施例一提供的一种用户体验模型训练的方法实施例的流程图;
图2是本申请实施例一提供的Session划分实例的示意图;
图3是本申请实施例二提供的一种短视频的用户体验评估方法实施例的流程图;
图4是本申请实施例三提供的一种用户体验模型训练的装置实施例的结构框图;
图5是本申请实施例四提供的一种短视频的用户体验评估装置实施例的结构框图;
图6是本申请实施例三提供的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本申请,而非对本申请的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本申请相关的部分而非全部结构。
实施例一
图1为本申请实施例一提供的一种用户体验模型训练的方法实施例的流程图,本实施例可以应用于数据处理后台(下文简称后台)中,该数据处理后台可以由服务器或者服务器集群进行数据处理。
本实施例具体可以包括如下步骤:
步骤110,获取各账户历史观看的短视频任务的短视频数据。
在一种场景中,短视频任务可以为用户在短视频观看时点击观看的短视频,一个短视频相当于一个短视频任务。本实施例可以采集用户观看短视频时的短视频数据。其中,短视频数据可以为播放统计数据,而需要获取的具体的短视频数据可以根据训练目标进行设定,本实施例对此不作限制。
还需要说明的是,上述历史观看对应的历史时间段也可以根据实际的业务需求设定,例如,可以将历史时间段设定为一年、半年、一个月等,获取各账户在最近一年、半年或一个月观看的短视频任务的短视频数据。
在一种实施例中,为了提高数据采集的效率,各账户历史观看的短视频任务的短视频数据可以为离线数据集,示例性地,该离线数据集可以采用如下方式建立:
1、采集所需的原始短视频数据。
在实现中,原始短视频数据可以来自短视频观看过程中从客户端、播放器、媒体前端等多个环节打点采样并统计至大数据平台的数据,其中,大数据平台可以采用Hive数据库存储获得的原始短视频数据。
后台可以从大数据平台中查询下载所需的原始短视频数据,在一种实现中,开发人员可以在后台中通过SQL query将需要的原始短视频数据从Hive数据库进行查询并下载到后台本地。
2、对所述原始短视频数据按照预设的切分规则进行群体切分,得到多个用户群体集合。
在该实施例中,为了提高模型的精确率,可以对原始短视频数据按照预设的切分规则进行群体切分,得到多个用户群体集合,然后针对每个用户群体集合训练对应的模型,从而提高模型的针对性。
其中,切分规则可以根据不同的业务需求确定,本实施例对此不作限定。在一种示例中,可以根据国家地区、手机系统、网络类型、手机机型四个维度进行群体切分。进一步地,国家地区可以包括:CN(中国)、US(美国)、RU(俄罗斯)、ID(印度尼西亚)、me(中东海湾六国)等;手机系统可以包括:Android、iOS等;网络类型可以包括:wifi、non-wifi(即移动网络,如4G、5G网络等);手机机型可以包括:high(高端机)、middle(中端机)、low(低端机)等,而手机机型的划分可以根据CPU架构(cpu_mod)、CPU核心数(cpu_core)、CPU最大频率(cpu_max_fq)和操作系统(os)构成的4维特征进行划分。例如,US_Android_wifi_high表示群体为美国、安卓、wifi、高端机。除了上述维度以外,还可以添加日期维度来表示样本的采集日期。
需要说明的是,用户群体集合中的采样数量也可以根据实际业务需求确定,本实施例对此不作限定,例如,每个用户群体集合可以采样20万条任务数据。
另外,还需要说明的是,如果用户群体集合中包含的数据量太小,则可以对用户群体集合进行合并,例如,减少国家、手机系统、网络类型、手机机型中的部分维度,将减少的维度作为模型输入特征,从而建立更大的QoE模型。
3、针对各用户群体集合中的原始短视频数据进行数据清洗和预处理,得到短视频数据。
在一种实现中,数据清洗可以为清洗掉集合中的无效数据。具体的,针对每个用户群体集合,其内的数据中可能会包含很多无效上报,例如,无效上报可以表现为任务中存在有些字段的字段值为-1、0、Null等异常值,这些任务未提供有效信息,则可以将这些无效上报任务清洗掉。其中,无效上报的数量占比在不同用户群体集合中略有不同,大概占比可以在3%~5%左右。
在一种实施例中,在进行数据清洗之前,还可以将部分字段的异常值替换为有效值来降低异常值的数量,例如,timedown(任务下载时长)字段的值很多都为-1,但是可以用policydown(媒体前端在任务下载时采集的信息)字段中的transtime信息进行近似,可以大大减少异常值。
清洗掉无效数据以后,还可以对数据进行预处理。在一种实施方式中,该预处理可以包括但不限于:首先对不同字段进行单位量纲统一,例如,时间类的字段如timestartplay(任务开播时延)、timewatch(任务观看时长)等统一到秒;速度类的字段如speed(任务下载平均速度)、client_bwe(预测带宽)等统一到kbps。然后将表示视频清晰度的档位字段如reslevel、reqlevel等映射为连续的整数范围,以方便后续特征的计算。
步骤120,针对各账户,将该账户历史观看的短视频任务划分成一个或多个视频处理单元,其中,各视频处理单元包括多个连续观看的短视频任务。
在实际中,对于短视频任务而言,每个短视频任务的时长都比较短,一般在15秒以内,通常每个任务只有一次打点数据,并且,短视频任务之间互相独立,但是在一定的时间范围内连续观看短视频的整体行为可以反应用户潜在的行为偏好趋势。基于此,本实施例针对当前正在处理的目标用户群体集合,以账户为维度,将每个账户历史观看的短视频任务划分成一个或多个视频处理单元,其中,各视频处理单元包括多个连续观看的短视频任务,这样,对于一个视频处理单元来说,其包含的多个连续观看的短视频任务在时间上可以组成一段时间范围,这个时间范围可以定义为Session,则一个视频处理单元也可以理解为一个Session。一个Session里面的多个短视频任务具有多个打点数据,形成完整的时间序列分析有助于挖掘与用户体验QoE(Quality of Experience)的潜在关系。很多单一短视频任务无法体现的指标可以在Session内得到体现,例如卡顿率、秒出率、未播率等指标,而这些在时间维度上聚合的指标往往与用户体验有很强的关系。
在一种实施方式中,步骤120进一步可以包括如下步骤:
步骤120-1,对当前处理的账户历史观看的短视频任务进行遍历,获取当前遍历到的短视频任务与下一个短视频任务的时间间隔。
在一种实现方式中,短视频数据中可以包括短视频任务的上报时间(rtime),可以计算当前短视频任务的上报时间与下一个短视频任务的上报时间之间的差值,作为两个短视频任务的时间间隔。
步骤120-2,若所述时间间隔小于或等于预设时间间隔,则将当前遍历到的短视频任务与下一个短视频任务组织到同一个视频处理单元中。
步骤120-3,若所述时间间隔大于预设时间间隔,则将当前遍历到的短视频任务组织到当前视频处理单元中,并将该短视频任务作为当前视频处理单元的最后一个短视频任务,以及,将下一个短视频任务作为第一个短视频任务组织到下一视频处理单元中,然后将该下一个短视频任务作为当前遍历到的短视频任务进行继续遍历。
在本实施例中,确定Session的关键是判断连续任务的rtime的间隔是否超过预设时间间隔(gap_threshold),如果不超过预设时间间隔,则可以将当前遍历到的短视频任务与下一个短视频任务组织到同一个视频处理单元中;如果超过预设时间间隔,则当前遍历到的短视频任务与下一个短视频任务就不在同一个视频处理单元中,当前的短视频任务可以作为当前视频处理单元的最后一个短视频任务,而下一个短视频任务则可以作为下一个视频处理单元的第一个短视频任务。
例如,如图2所示,假设预设时间间隔为10min,如图2所示假设有连续短视频任务Task(i)、Task(i+1),两者的时间间隔为15min,大于预设时间间隔10min,那么Task(i)则归为Session(j)的结束任务,而Task(i+1)则归为Session(j+1)的开始任务。
需要说明的是,预设时间间隔可以根据实际业务需求设定,并可以灵活调整。预设时间间隔越大,则Session中能包含的短视频任务越多,则越能反映用户长时间范围内的观看行为。但如果预设时间间隔设置得无穷大时,则会变成用户粒度(即一个用户的所有短视频任务是一个单独的Session,数据样本就是每一个用户);反之预设时间间隔设置得无穷小时,则会变成任务粒度(即一个短视频任务是一个单独的Session,数据样本就是每一个任务),这样会导致后续训练的模型偏差较大并且无法刻画用户长时间范围内的用户行为变化。所以,要根据实际情况合理设定预设时间间隔的值。
另外,还需要说明的是,除了可以通过步骤120-1到步骤120-3的方式进行Session的切分以外,本领域技术人员采用其他技术手段达到同样的目的均是可以的,例如,使用滑动窗口也可以达到相似的目的。步骤120-1到步骤120-3中Session切分是根据任务间隔来做的,这样每个Session内短视频任务的数量是不确定的,并且Session之间是没有重合的。而滑动窗口是固定窗口长度的,即每个窗口有固定数量的短视频任务,并且窗口之间会存在重合。并且滑动窗口的大小也可以是动态变化的,窗口滑动步长也可以是不定长的。
步骤130,根据所述短视频数据,获取各视频处理单元的视频特征数据。
在该步骤中,Session切分完之后,则在每个Session上进行特征挖掘,形成Session粒度的样本。
在一种实施方式中,所述短视频数据包括多种指定字段的基础特征数据;步骤130进一步可以包括如下步骤:
针对每种指定字段,对当前视频处理单元中各短视频任务对应于该指定字段的基础特征数据进行聚合,得到该视频处理单元的视频特征数据。
在该实施例中,通过聚合Session内各短视频任务在同一指定字段上的基础特征数据,可以得到Session在该指定字段上的视频特征数据。具体的,短视频任务的短视频数据中打点统计上报的字段比较多,例如可以包括timestartplay(开播时延)、playprogress(播放进度)、reqlevel(实际下发的视频清晰度档位)、speed(视频平均下载速度)、client_bwe(预测带宽)、bitrate(播放器侧统计码率)、predownpercent(视频预下载比例)、bufferpercent(视频缓存比例)、timewatch(用户观看时长)、timedown(视频下载时长)等等。用户可以从打点的字段中进行选择,选中的字段作为指定字段,指定字段的字段值可以作为基础特征数据。
获得Session上各短视频任务的指定字段的基础特征数据以后,则可以在Session维度上分别对各指定字段的基础特征数据进行聚合,得到Session的视频特征数据,如Session内的平均开播时延、Session内的码率标准差、Session的用户观看时长中位数等等。
除此之外,Session的视频特征数据还可以包括:速度预测偏差的均值、下载时长占任务时长比例的均值、视频档位切换率、码率切换平均幅度等等。
需要说明的是,在计算Session的视频特征数据时,为了让数值更加平滑减少异常值的干扰,可以引入滑动窗口,在连续样本的窗口内提取基础特征数据,然后再取均值。
步骤140,根据各视频处理单元的视频特征数据训练用户体验模型。
得到各Session的视频特征数据以后,可以采用各Session的视频特征数据训练用户体验模型来拟合用户体验。
在一种实施方式中,步骤140具体可以包括如下步骤:
步骤140-1,获取各视频处理单元的指定指标数据。
在该实施例中,可以在Session上统计指定指标数据。训练目标不同,指定指标数据也是不一样的。作为一种示例,短视频任务中的指定指标数据可以包括但不限于:卡顿率、秒出率、未播率、有效vv(用户短视频观看的数量)占比(有效vv占比是指用户短视频观看总数中,达到预先设定的播放进度的短视频数量占比)等。示例性地,卡顿任务的判断依据stuck_cnt(卡顿次数)>0;秒出任务的判断依据0<timestartplay<=1s;未播任务的判断依据timestartplay=-1且timetotal(任务总时长)>1s;有效vv的判断依据playprogress>=20%。
在一种实施例中,在完成特征提取和指标计算后,还可以进行初步的特征与指标的相关性分析,从而帮助理解特征的重要性以及降低特征选择的复杂度。例如可以采用Pearson相关性分析(积差相关性分析)或者Spearman相关性分析等分析算法进行特征数据与指标数据的相关性分析,前者关注线性相关,后者关注rank相关,相关性程度比较高的特征可以有助于模型更好得拟合指标。
步骤140-2,根据所述指定指标数据,确定训练目标。
在该实施例中,表征用户体验的训练目标(又称为拟合目标QoE)以及指定指标数据可以按照需求定义,本实施例对此不作限制。
在一种实施方式中,指定指标数据可以包括多种,步骤140-2进一步可以包括:确定各指定指标数据对应的指标权重;根据所述指定指标数据以及对应的指标权重进行加权求和,得到训练目标。
例如,可以将卡顿率、秒出率、未播率、有效vv占比进行加权求和来确定目标QoE,即:
QoE=w1*卡顿率+w2*秒出率+w3*未播率+w4*有效vv占比
其中,w1、w2、w3、w4为指标权重,其可以根据优化侧重进行权重的调整。例如,卡顿率和未播率越小越好,因此w1和w3可以取负值;而秒出率和有效vv占比越大越好,因此w2和w4可以取正值。
又如,可以将卡顿率、秒出率、未播率进行加权求和来确定目标QoE,或者将session内有效vv占比来确定目标QoE,即:
QoE1=w1*卡顿率+w2*秒出率+w3*未播率
QoE2=w4*有效vv占比
需要说明的是,对于不同的QoE目标以及不同的用户群体,Session特征的有效性也有所不同,选择合适的特征训练不同的QoE模型,将有助于更加精确地拟合用户体验。
步骤140-3,以所述训练目标为目标,对所述视频特征数据进行回归拟合建模,得到用户体验模型。
在一种实现方式中,在确定训练目标QoE以后,可以以QoE为目标,使用XGBoost(eXtreme Gradient Boosting,极端梯度提升)Regressor回归模型对之前挖掘的Session的视频特征数据进行回归拟合建模,训练时可以选择Mean Squared Error(均方误差,简称MSE)作为损失函数。
具体的,XGBoost本质是一种决策树算法,基于决策树的梯度提升算法的一个好处是,可以自动地获取特征的重要性,从而有效地进行特征的选择。而特征的重要性表示这个特征在构建提升树的作用。如果一个特征在所有树中作为划分属性的次数越多,那么该特征就越重要。在一种实现中,可以通过上述进行的特征与指标的相关性分析来得到特征的重要性。
XGBoost在机器学习过程中,搜索最优特征子集是特征选择过程中最关键、最具有挑战性的一环,在一种实现中,可以采用如下方式搜索最优特征子集:首先在全特征集合上进行训练拟合,然后在XGBoost Regressor中根据信息增益或者权重计算特征重要性,选择前几个重要的特征作为初始的特征集合。之后每次在剩余的特征集合中选择一个特征加入集合,并枚举新加入特征后产生的所有特征集,评估XGBoost Regressor在特征集上的拟合水平。如果新加入的特征与特征集中某个特征本身具有很强的线性相关性,那么检查替换特征后拟合水平是否有变化。最终特征集上模型的拟合水平达到预先设定的精度,特征集内特征数量也保持在一定范围内,那么就停止特征集搜索,完成特征选择。
例如,假设训练目标QoE拆分为如下的QoE1和QoE2:
QoE1=(-1)*卡顿率+1*秒出率+(-1)*未播率
QoE2=1*有效vv占比
以QoE2为目标为例,通过上述特征选择的方法,最终可以从75个特征中筛选出7个特征(比如,这7个特征分别是:timewatch_mean(平均观看时长)、timedown_timetotal_mean(下载时长占任务时长的平均占比)、duration_mean(平均视频时长)、bufferpercent_mean(平均缓存占有率)、timedown_mean(平均下载时长)、filesize_mean(平均视频文件大小)、reslevel_switch_freq(视频档位切换率)),XGBoost Regressor模型在这7个特征上仍可以保持较高的拟合水平。
需要说明的是,对于相同的QoE目标,不同的用户群体集合也会在有效的特征集合上表现出差异,因此不同用户群体采用不同的有效特征集合也可以帮助QoE模型更加精确。
在固定了特征集后就可以对XGBoost Regressor进行模型的超参数选择,在一种实现中,可以采用GridSearch(网格搜索)配合Cross Validation(交叉验证)的方法,对主要的超参数进行搜索,如,主要的超参数可以包括:max_depth(最大子树深度)、n_estimators(提升树迭代数目)、learning_rate(学习率)等等。搜索到一组拟合水平最佳的超参数集合后,最终的QoE评估模型就可以确定下来。
当然,除了XGBoost Regressor建模方法以外,本实施例使用其他的建模方法也是可以的,例如,k-近邻、支持向量机、神经网络等方法。
在本实施例中,通过将各账户历史上连续观看的多个短视频任务组合为视频处理单元,然后以视频处理单元为维度,在视频处理单元上进行视频特征数据的提取,继而用提取到视频特征数据进行用户体验模型训练,为分析理解短视频用户体验提供了一种新的思路,在视频处理单元维度上聚合的特征可以降低短视频任务之间相互独立的影响,更好的刻画用户在长时间范围内的行为变化,从而提高了QoE的拟合水平,提升模型的有效性。
图3为本申请实施例二提供的一种短视频的用户体验评估方法实施例的流程图,本实施例可以应用于短视频评估的场景中,可以由直播应用程序的服务器执行。
本实施例具体可以包括如下步骤:
步骤310,确定待评估短视频。
作为一种示例,待评估短视频可以为用户当前待观看的短视频,短视频的时长比较短,一般在15秒以内。
步骤320,提取所述待评估短视频的目标视频特征数据。
在该步骤中,当确定待评估短视频以后,可以提取待评估短视频中的指定的目标视频特征数据。在实际上,指定的需要提取的特征是与该特征需要输入的模型是相关的,不同的模型可以指定不同的特征。
步骤330,将所述目标视频特征数据输入至预先训练的目标用户体验模型中,获得所述目标用户体验模型输出的用户体验评估分数。
在该实施例中,目标用户体验模型可以采用多个账户的多个视频处理单元提取出的视频特征数据训练得到,其中,各视频处理单元中可以包括多个连续观看的短视频任务。目标用户体验模型可以为离线训练得到的模型,关于目标用户体验模型的训练过程可以参考实施例一的描述,此处不作赘述。
当获得待评估短视频的目标视频特征数据以后,可以将待评估短视频的目标视频特征数据输入至该目标用户体验模型中,由目标用户体验模型对待评估短视频进行用户体验(Quality of Experience,简称QoE,表示用户使用一项服务的主观满意程度)评估,并输出该待评估短视频的用户体验评估分数,用户体验评估分数越高,表示用户对该短视频越满意;反之,用户体验评估分数越低,表示用户对该短视频越不满意。通过用户体验评估分数可以更好地理解用户体验的变化,从而帮助优化短视频下发策略。
在一种实施方式中,在步骤330之前,本实施例还可以包括如下步骤:
确定目标用户的用户画像特征;将所述用户画像特征与各用户体验模型对应的用户群体集合的用户群体特征进行匹配,并将匹配到的用户体验模型作为目标用户体验模型。
在该实施例中,可以预先离线生成多个不同训练目标、对应于不同用户群体的用户体验模型,每个用户体验模型可以对应于一个用户群体集合,具有该用户群体集合相关的用户群体特征。示例性地,用户群体特征可以包括国家地区、手机系统、网络类型、手机机型四个维度,其中,国家地区可以包括:CN(中国)、US(美国)、RU(俄罗斯)、ID(印度尼西亚)、me(中东海湾六国)等;手机系统可以包括:Android、iOS等;网络类型可以包括:wifi、non-wifi(即移动网络,如4G、5G网络等);手机机型可以包括:high(高端机)、middle(中端机)、low(低端机)等,而手机机型的划分可以根据CPU架构(cpu_mod)、CPU核心数(cpu_core)、CPU最大频率(cpu_max_fq)和操作系统(os)构成的4维特征进行划分。例如,US_Android_wifi_high表示群体为美国、安卓、wifi、高端机。
目标用户可以是短视频的消费用户,即该短视频的观看用户。对于当前的目标用户,可以获取该目标用户的用户画像特征。为了便于与用户群体特征进行匹配,用户画像特征的特征字段与用户群体特征的特征字段可以全部或部分相同,例如,用户画像特征的特征字段可以是用户群体特征的特征字段的一部分,至少可以包括国家地区、手机系统、网络类型、手机机型四个维度中的至少两个维度。
获得目标用户的用户画像特征以后,可以将该用户画像特征与各用户体验模型对应的用户群体集合的用户群体特征进行匹配,如果该用户画像特征与某个用户体验模型对应的用户群体集合的用户群体特征完全一致或大部分一致,则表示该用户体验模型为匹配的用户体验模型,即目标用户体验模型。
本实施例为不同用户群体生成不同的用户体验模型,然后根据目标用户的用户画像特征匹配对应的目标用户体验模型,可以为目标用户找到最匹配的目标用户体验模型,从而更好地决策短视频的下发策略。
在一种实施方式中,步骤320进一步可以包括如下步骤:
确定所述目标用户体验模型对应的目标特征字段;根据所述目标特征字段,对所述待评估短视频进行特征提取,获得目标视频特征数据。
在该实施例中,由于不同的用户体验模型具有不同的训练目标,在进行特征工程时选择不同的特征,因此在确定目标用户体验模型以后,可以获得该目标用户体验模型的多个目标特征字段。随后,可以根据该多个目标特征字段,对待评估短视频进行特征提取,获得目标视频特征数据。
在一种实施方式中,所述目标用户体验模型输出的用户体验评估分数包括多种清晰度对应的用户体验评估分数,在步骤330之后,本实施例还可以包括如下步骤:
以用户体验评估分数最高的清晰度播放所述待评估短视频。
在该实施例中,若目标用户体验模型的训练目标为确定短视频不同清晰度对应用户体验评估分数,则目标用户体验模型接收到待评估短视频的目标视频特征数据,对该目标视频特征数据进行处理,可以同时输出多种清晰度对应的用户体验评估分数。然后服务器对获得的多种清晰度对应的用户体验评估分数进行比较,并以用户体验评估分数最高的清晰度播放待评估短视频,以提高短视频播放与用户的设备的适配程度,提升用户的观看体验。
实施例三
图4为本申请实施例三提供的一种用户体验模型训练的装置实施例的结构框图,可以包括如下模块:
短视频数据获取模块410,用于获取各账户历史观看的短视频任务的短视频数据;
视频处理单元划分模块420,用于针对各账户,将该账户历史观看的短视频任务划分成一个或多个视频处理单元,其中,各视频处理单元包括多个连续观看的短视频任务;
特征提取模块430,用于根据所述短视频数据,获取各视频处理单元的视频特征数据;
模型训练模块440,用于根据各视频处理单元的视频特征数据训练用户体验模型。
在一种实施方式中,所述视频处理单元划分模块420具体用于:
对当前处理的账户历史观看的短视频任务进行遍历,获取当前遍历到的短视频任务与下一个短视频任务的时间间隔;
若所述时间间隔小于或等于预设时间间隔,则将当前遍历到的短视频任务与下一个短视频任务组织到同一个视频处理单元中;
若所述时间间隔大于预设时间间隔,则将当前遍历到的短视频任务组织到当前视频处理单元中,并将该短视频任务作为当前视频处理单元的最后一个短视频任务,以及,将下一个短视频任务作为第一个短视频任务组织到下一视频处理单元中;
将该下一个短视频任务作为当前遍历到的短视频任务进行继续遍历。
在一种实施方式中,所述短视频数据包括多种指定字段的基础特征数据;所述特征提取模块430具体用于:
针对每种指定字段,对当前视频处理单元中各短视频任务对应于该指定字段的基础特征数据进行聚合,得到该视频处理单元的视频特征数据。
在一种实施方式中,所述模型训练模块440包括如下子模块:
指标数据获取子模块,用于获取各视频处理单元的指定指标数据;
训练目标确定子模块,用于根据所述指定指标数据,确定训练目标;
建模子模块,用于以所述训练目标为目标,对所述视频特征数据进行回归拟合建模,得到用户体验模型。
在一种实施方式中,所述指定指标数据包括多种,所述训练目标确定子模块具体用于:
确定各指定指标数据对应的指标权重;
根据所述指定指标数据以及对应的指标权重进行加权求和,得到训练目标。
在一种实施方式中,所述各账户历史观看的短视频任务的短视频数据为离线数据集,所述离线数据集采用如下方式建立:
采集所需的原始短视频数据;
对所述原始短视频数据按照预设的切分规则进行群体切分,得到多个用户群体集合;
针对各用户群体集合中的原始短视频数据进行数据清洗和预处理,得到短视频数据。
需要说明的是,本申请实施例所提供的上述用户体验模型训练的装置可执行本申请实施例一所提供的方法,具备执行方法相应的功能模块和有益效果。
实施例四
图5为本申请实施例四提供的一种短视频的用户体验评估装置实施例的结构框图,可以包括如下模块:
短视频确定模块510,用于确定待评估短视频;
目标视频特征数据提取模块520,用于提取所述待评估短视频的目标视频特征数据;
用户体验评估模块530,用于将所述目标视频特征数据输入至预先训练的目标用户体验模型中,获得所述目标用户体验模型输出的用户体验评估分数,其中,所述目标用户体验模型采用多个账户的多个视频处理单元提取出的视频特征数据训练得到,各视频处理单元包括多个连续观看的短视频任务。
在一种实施方式中,所述装置还包括如下模块:
用户画像特征确定模块,用于确定目标用户的用户画像特征;
目标用户体验模型匹配模块,用于将所述用户画像特征与各用户体验模型对应的用户群体集合的用户群体特征进行匹配,并将匹配到的用户体验模型作为目标用户体验模型。
在一种实施方式中,所述目标视频特征数据提取模块520具体用于:
确定所述目标用户体验模型对应的目标特征字段;
根据所述目标特征字段,对所述待评估短视频进行特征提取,获得目标视频特征数据。
在一种实施方式中,所述目标用户体验模型输出的用户体验评估分数包括多种清晰度对应的用户体验评估分数,所述装置还包括如下模块:
短视频播放模块,用于以用户体验评估分数最高的清晰度播放所述待评估短视频。
需要说明的是,本申请实施例所提供的上述短视频的用户体验评估装置可执行本申请实施例二所提供的方法,具备执行方法相应的功能模块和有益效果。
实施例五
图6为本申请实施例三提供的一种电子设备的结构示意图,如图6所示,该电子设备包括处理器610、存储器620、输入装置630和输出装置640;电子设备中处理器610的数量可以是一个或多个,图6中以一个处理器610为例;电子设备中的处理器610、存储器620、输入装置630和输出装置640可以通过总线或其他方式连接,图6中以通过总线连接为例。
存储器620作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本申请实施例中的方法对应的程序指令/模块。处理器610通过运行存储在存储器620中的软件程序、指令以及模块,从而执行电子设备的各种功能应用以及数据处理,即实现上述的方法。
存储器620可主要包括存储程序区和存储数据区,其中,存储程序区
可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据终端的使用所创建的数据等。此外,存储器620可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器620可进一步包括相对于处理器610远程设置的存储器,这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置630可用于接收输入的数字或字符信息,以及产生与电子设备的用户设置以及功能控制有关的键信号输入。输出装置640可包括显示屏等显示设备。
实施例六
本申请实施例六还提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由服务器的处理器执行时用于执行实施例一中任一实施例中的方法。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本申请可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述的方法。
值得注意的是,上述装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。
注意,上述仅为本申请的较佳实施例及所运用技术原理。本领域技术人员会理解,本申请不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本申请的保护范围。因此,虽然通过以上实施例对本申请进行了较为详细的说明,但是本申请不仅仅限于以上实施例,在不脱离本申请构思的情况下,还可以包括更多其他等效实施例,而本申请的范围由所附的权利要求范围决定。
Claims (14)
1.一种用户体验模型训练的方法,其特征在于,所述方法包括:
获取各账户历史观看的短视频任务的短视频数据;
针对各账户,将该账户历史观看的短视频任务划分成一个或多个视频处理单元,其中,各视频处理单元包括多个连续观看的短视频任务;
根据所述短视频数据,获取各视频处理单元的视频特征数据;
根据各视频处理单元的视频特征数据训练用户体验模型。
2.根据权利要求1所述的方法,其特征在于,所述针对各账户,将该账户历史观看的短视频任务划分成一个或多个视频处理单元,包括:
对当前处理的账户历史观看的短视频任务进行遍历,获取当前遍历到的短视频任务与下一个短视频任务的时间间隔;
若所述时间间隔小于或等于预设时间间隔,则将当前遍历到的短视频任务与下一个短视频任务组织到同一个视频处理单元中;
若所述时间间隔大于预设时间间隔,则将当前遍历到的短视频任务组织到当前视频处理单元中,并将该短视频任务作为当前视频处理单元的最后一个短视频任务,以及,将下一个短视频任务作为第一个短视频任务组织到下一视频处理单元中;
将该下一个短视频任务作为当前遍历到的短视频任务进行继续遍历。
3.根据权利要求1或2所述的方法,其特征在于,所述短视频数据包括多种指定字段的基础特征数据;
所述根据所述短视频数据,获取各视频处理单元的视频特征数据,包括:
针对每种指定字段,对当前视频处理单元中各短视频任务对应于该指定字段的基础特征数据进行聚合,得到该视频处理单元的视频特征数据。
4.根据权利要求1所述的方法,其特征在于,所述根据各账户对应的视频特征数据训练用户体验模型,包括:
获取各视频处理单元的指定指标数据;
根据所述指定指标数据,确定训练目标;
以所述训练目标为目标,对所述视频特征数据进行回归拟合建模,得到用户体验模型。
5.根据权利要求4所述的方法,其特征在于,所述指定指标数据包括多种,所述根据所述指定指标数据,确定训练目标,包括:
确定各指定指标数据对应的指标权重;
根据所述指定指标数据以及对应的指标权重进行加权求和,得到训练目标。
6.根据权利要求1所述的方法,其特征在于,所述各账户历史观看的短视频任务的短视频数据为离线数据集,所述离线数据集采用如下方式建立:
采集所需的原始短视频数据;
对所述原始短视频数据按照预设的切分规则进行群体切分,得到多个用户群体集合;
针对各用户群体集合中的原始短视频数据进行数据清洗和预处理,得到短视频数据。
7.一种短视频的用户体验评估方法,其特征在于,所述方法包括:
确定待评估短视频;
提取所述待评估短视频的目标视频特征数据;
将所述目标视频特征数据输入至预先训练的目标用户体验模型中,获得所述目标用户体验模型输出的用户体验评估分数,其中,所述目标用户体验模型采用多个账户的多个视频处理单元提取出的视频特征数据训练得到,各视频处理单元包括多个连续观看的短视频任务。
8.根据权利要求7所述的方法,其特征在于,在所述将所述目标视频特征数据输入至预先训练的目标用户体验模型中,获得所述目标用户体验模型输出的用户体验评估分数之前,所述方法还包括如下步骤:
确定目标用户的用户画像特征;
将所述用户画像特征与各用户体验模型对应的用户群体集合的用户群体特征进行匹配,并将匹配到的用户体验模型作为目标用户体验模型。
9.根据权利要求7或8所述的方法,其特征在于,所述提取所述待评估短视频的目标视频特征数据的步骤包括:
确定所述目标用户体验模型对应的目标特征字段;
根据所述目标特征字段,对所述待评估短视频进行特征提取,获得目标视频特征数据。
10.根据权利要求8所述的方法,其特征在于,所述目标用户体验模型输出的用户体验评估分数包括多种清晰度对应的用户体验评估分数,所述方法还包括:
以用户体验评估分数最高的清晰度播放所述待评估短视频。
11.一种用户体验模型训练的装置,其特征在于,所述装置包括:
短视频数据获取模块,用于获取各账户历史观看的短视频任务的短视频数据;
视频处理单元划分模块,用于针对各账户,将该账户历史观看的短视频任务划分成一个或多个视频处理单元,其中,各视频处理单元包括多个连续观看的短视频任务;
特征提取模块,用于根据所述短视频数据,获取各视频处理单元的视频特征数据;
模型训练模块,用于根据各视频处理单元的视频特征数据训练用户体验模型。
12.一种短视频的用户体验评估装置,其特征在于,所述装置包括:
短视频确定模块,用于确定待评估短视频;
目标视频特征数据提取模块,用于提取所述待评估短视频的目标视频特征数据;
用户体验评估模块,用于将所述目标视频特征数据输入至预先训练的目标用户体验模型中,获得所述目标用户体验模型输出的用户体验评估分数,其中,所述目标用户体验模型采用多个账户的多个视频处理单元提取出的视频特征数据训练得到,各视频处理单元包括多个连续观看的短视频任务。
13.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-10中任一所述的方法。
14.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-10任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110326672.1A CN113038163B (zh) | 2021-03-26 | 2021-03-26 | 用户体验模型训练方法、短视频用户体验评估方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110326672.1A CN113038163B (zh) | 2021-03-26 | 2021-03-26 | 用户体验模型训练方法、短视频用户体验评估方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113038163A true CN113038163A (zh) | 2021-06-25 |
CN113038163B CN113038163B (zh) | 2023-06-23 |
Family
ID=76474332
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110326672.1A Active CN113038163B (zh) | 2021-03-26 | 2021-03-26 | 用户体验模型训练方法、短视频用户体验评估方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113038163B (zh) |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130159498A1 (en) * | 2011-12-16 | 2013-06-20 | NETFLIX Inc. | Measuring user quality of experience for a streaming media service |
WO2017181612A1 (zh) * | 2016-04-18 | 2017-10-26 | 乐视控股(北京)有限公司 | 个性化视频推荐方法及装置 |
CN109104620A (zh) * | 2018-07-26 | 2018-12-28 | 腾讯科技(深圳)有限公司 | 一种短视频推荐方法、装置和可读介质 |
CN109922373A (zh) * | 2019-03-14 | 2019-06-21 | 上海极链网络科技有限公司 | 视频处理方法、装置及存储介质 |
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 |
CN110191357A (zh) * | 2019-06-28 | 2019-08-30 | 北京奇艺世纪科技有限公司 | 视频片段精彩度评估、动态封面生成方法及装置 |
CN110225417A (zh) * | 2019-05-09 | 2019-09-10 | 网宿科技股份有限公司 | 数据处理方法及服务器、检测卡顿的方法及服务器 |
CN110381391A (zh) * | 2019-07-11 | 2019-10-25 | 北京字节跳动网络技术有限公司 | 视频快速切片方法、装置及电子设备 |
WO2019228267A1 (zh) * | 2018-05-28 | 2019-12-05 | 广州虎牙信息科技有限公司 | 短视频的合成方法、装置、设备及存储介质 |
CN110751224A (zh) * | 2019-10-25 | 2020-02-04 | Oppo广东移动通信有限公司 | 视频分类模型的训练方法、视频分类方法、装置及设备 |
CN110798736A (zh) * | 2019-11-28 | 2020-02-14 | 百度在线网络技术(北京)有限公司 | 视频播放方法、装置、设备和介质 |
CN111026910A (zh) * | 2018-10-09 | 2020-04-17 | 北京奇虎科技有限公司 | 视频推荐方法、装置、电子设备及计算机可读存储介质 |
CN111339355A (zh) * | 2020-05-21 | 2020-06-26 | 北京搜狐新媒体信息技术有限公司 | 一种视频推荐方法及系统 |
CN111432246A (zh) * | 2020-03-23 | 2020-07-17 | 广州市百果园信息技术有限公司 | 推送视频数据的方法、装置及存储介质 |
CN111447471A (zh) * | 2020-03-26 | 2020-07-24 | 广州市百果园信息技术有限公司 | 模型生成方法、播放控制方法、装置、设备及存储介质 |
US20200351533A1 (en) * | 2019-05-01 | 2020-11-05 | Netflix, Inc. | Machine learning techniques for determining quality of user experience |
US20200374589A1 (en) * | 2018-07-04 | 2020-11-26 | Tencent Technology (Shenzhen) Company Limited | User feature generation method and apparatus, device, and computer-readable storage medium |
CN112287170A (zh) * | 2020-10-13 | 2021-01-29 | 泉州津大智能研究院有限公司 | 一种基于多模态联合学习的短视频分类方法及装置 |
US20210051350A1 (en) * | 2018-07-19 | 2021-02-18 | Beijing Dajia Internet Information Technology Co., Ltd. | Method, computer device, and storage medium for media code rate self-adaptation |
-
2021
- 2021-03-26 CN CN202110326672.1A patent/CN113038163B/zh active Active
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130159498A1 (en) * | 2011-12-16 | 2013-06-20 | NETFLIX Inc. | Measuring user quality of experience for a streaming media service |
WO2017181612A1 (zh) * | 2016-04-18 | 2017-10-26 | 乐视控股(北京)有限公司 | 个性化视频推荐方法及装置 |
WO2019228267A1 (zh) * | 2018-05-28 | 2019-12-05 | 广州虎牙信息科技有限公司 | 短视频的合成方法、装置、设备及存储介质 |
US20200374589A1 (en) * | 2018-07-04 | 2020-11-26 | Tencent Technology (Shenzhen) Company Limited | User feature generation method and apparatus, device, and computer-readable storage medium |
US20210051350A1 (en) * | 2018-07-19 | 2021-02-18 | Beijing Dajia Internet Information Technology Co., Ltd. | Method, computer device, and storage medium for media code rate self-adaptation |
CN109104620A (zh) * | 2018-07-26 | 2018-12-28 | 腾讯科技(深圳)有限公司 | 一种短视频推荐方法、装置和可读介质 |
CN111026910A (zh) * | 2018-10-09 | 2020-04-17 | 北京奇虎科技有限公司 | 视频推荐方法、装置、电子设备及计算机可读存储介质 |
CN109922373A (zh) * | 2019-03-14 | 2019-06-21 | 上海极链网络科技有限公司 | 视频处理方法、装置及存储介质 |
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 |
US20200351533A1 (en) * | 2019-05-01 | 2020-11-05 | Netflix, Inc. | Machine learning techniques for determining quality of user experience |
CN110225417A (zh) * | 2019-05-09 | 2019-09-10 | 网宿科技股份有限公司 | 数据处理方法及服务器、检测卡顿的方法及服务器 |
CN110191357A (zh) * | 2019-06-28 | 2019-08-30 | 北京奇艺世纪科技有限公司 | 视频片段精彩度评估、动态封面生成方法及装置 |
CN110381391A (zh) * | 2019-07-11 | 2019-10-25 | 北京字节跳动网络技术有限公司 | 视频快速切片方法、装置及电子设备 |
CN110751224A (zh) * | 2019-10-25 | 2020-02-04 | Oppo广东移动通信有限公司 | 视频分类模型的训练方法、视频分类方法、装置及设备 |
CN110798736A (zh) * | 2019-11-28 | 2020-02-14 | 百度在线网络技术(北京)有限公司 | 视频播放方法、装置、设备和介质 |
CN111432246A (zh) * | 2020-03-23 | 2020-07-17 | 广州市百果园信息技术有限公司 | 推送视频数据的方法、装置及存储介质 |
CN111447471A (zh) * | 2020-03-26 | 2020-07-24 | 广州市百果园信息技术有限公司 | 模型生成方法、播放控制方法、装置、设备及存储介质 |
CN111339355A (zh) * | 2020-05-21 | 2020-06-26 | 北京搜狐新媒体信息技术有限公司 | 一种视频推荐方法及系统 |
CN112287170A (zh) * | 2020-10-13 | 2021-01-29 | 泉州津大智能研究院有限公司 | 一种基于多模态联合学习的短视频分类方法及装置 |
Non-Patent Citations (1)
Title |
---|
高晨峰;: "深度神经网络视频新媒体短视频个性化推荐系统研究", 卫星电视与宽带多媒体, no. 05 * |
Also Published As
Publication number | Publication date |
---|---|
CN113038163B (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111294819B (zh) | 一种网络优化方法及装置 | |
CN106992974A (zh) | 一种直播视频信息监控方法、装置和设备 | |
CN107967488B (zh) | 一种服务器的分类方法及分类系统 | |
CN111931056A (zh) | 一种推送内容推荐方法及装置 | |
CN110689903B (zh) | 智能音箱的评测方法、装置、设备和介质 | |
CN104869439A (zh) | 一种视频推送方法及装置 | |
US8024336B2 (en) | System and method for development of search success metrics | |
CN112346936A (zh) | 应用故障根因定位方法及系统 | |
CN113420165A (zh) | 二分类模型的训练、多媒体数据的分类方法及装置 | |
WO2015132222A1 (en) | Method to determine re-buffering events in video sessions | |
CN113038163B (zh) | 用户体验模型训练方法、短视频用户体验评估方法及装置 | |
CN116847132A (zh) | 基于时间分片的视频更新方法、装置、电子设备及存储介质 | |
CN115052190B (zh) | 视频播放方法及装置 | |
CN117461311A (zh) | 基于解码帧率测量视频体验质量 | |
CN114842382A (zh) | 一种生成视频的语义向量的方法、装置、设备及介质 | |
CN113297417B (zh) | 视频推送方法、装置、电子设备和存储介质 | |
CN115484624A (zh) | 数据处理方法、架构、电子设备及存储介质 | |
CN112632364A (zh) | 新闻传播速度测评方法和系统 | |
Grabs et al. | Features Extraction for Live Streaming Video Classification with Deep and Convolutional Neural Networks | |
CN114363673B (zh) | 视频裁剪方法、模型训练方法及装置 | |
CN118413716B (zh) | 机顶盒应用监控方法、系统、终端及存储介质 | |
Artioli et al. | DIGITWISE: Digital Twin-based Modeling of Adaptive Video Streaming Engagement | |
CN115580603A (zh) | 一种rtp下网页直播卡顿预测的方法 | |
CN113852952A (zh) | 一种基于android手机性能分级自动执行app优化策略的方法 | |
CN117278808A (zh) | 满意度特征的处理方法、装置、电子设备及存储介质 |
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 |