CN113468431B - 基于用户行为的内容推荐方法及装置 - Google Patents

基于用户行为的内容推荐方法及装置 Download PDF

Info

Publication number
CN113468431B
CN113468431B CN202110830382.0A CN202110830382A CN113468431B CN 113468431 B CN113468431 B CN 113468431B CN 202110830382 A CN202110830382 A CN 202110830382A CN 113468431 B CN113468431 B CN 113468431B
Authority
CN
China
Prior art keywords
scenario
line
energy
fragments
user
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
CN202110830382.0A
Other languages
English (en)
Other versions
CN113468431A (zh
Inventor
杨文兵
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.)
Migu Cultural Technology Co Ltd
China Mobile Communications Group Co Ltd
MIGU Digital Media Co Ltd
Original Assignee
Migu Cultural Technology Co Ltd
China Mobile Communications Group Co Ltd
MIGU Digital Media 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 Migu Cultural Technology Co Ltd, China Mobile Communications Group Co Ltd, MIGU Digital Media Co Ltd filed Critical Migu Cultural Technology Co Ltd
Priority to CN202110830382.0A priority Critical patent/CN113468431B/zh
Publication of CN113468431A publication Critical patent/CN113468431A/zh
Application granted granted Critical
Publication of CN113468431B publication Critical patent/CN113468431B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于用户行为的内容推荐方法及装置，方法包括：采集目标用户在观看多媒体内容时的行为数据；根据行为数据，对多媒体内容的剧情线进行预测评估，以得到剧情线所包含的剧情片段的剧情评估值；根据剧情评估值，从剧情线中，筛选剧情评估值符合预设高能片段筛选条件的剧情片段，作为高能剧情片段；预设高能片段筛选条件，基于用户在观看多媒体内容时的历史行为数据确定；根据高能剧情片段进行推荐。基于用户的行为数据可以评估确定剧情线包含的剧情片段的剧情评估值，从而确定用户所关注的高能剧情片段，使多媒体内容推荐符合用户的习惯。进一步，推荐时基于合并的高能剧情片段进行推荐，突出了内容的亮点，更方便内容的推广。

Description

基于用户行为的内容推荐方法及装置
技术领域
本发明涉及计算机技术领域，具体涉及一种基于用户行为的内容推荐方法及装置。
背景技术
用户在对多媒体内容进行分享时，现有技术一般直接将多媒体内容中的元素如文本、图片或者整个内容的链接这一单一形态分享给其他用户，分享的内容难以体现出分享者本人的观看喜好，且分享内容样式单一难以吸引其他用户的关注。因此，需要一种识别用户行为，根据用户行为进行内容推荐的方法，以解决上述问题。
发明内容
鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的基于用户行为的内容推荐方法及装置。
根据本发明的一个方面，提供了一种基于用户行为的内容推荐方法，其包括：
采集目标用户在观看多媒体内容时的行为数据；
根据行为数据，对多媒体内容的剧情线进行预测评估，以得到剧情线所包含的剧情片段的剧情评估值；
根据剧情评估值，从剧情线中，筛选剧情评估值符合预设高能片段筛选条件的剧情片段，作为高能剧情片段；预设高能片段筛选条件，基于用户在观看多媒体内容时的历史行为数据确定；
根据高能剧情片段进行推荐。
根据本发明的另一方面，提供了一种基于用户行为的内容推荐装置，其包括：
采集模块，适于采集目标用户在观看多媒体内容时的行为数据；
评估模块，适于根据行为数据，对多媒体内容的剧情线进行预测评估，以得到剧情线所包含的剧情片段的剧情评估值；
筛选模块，适于根据剧情评估值，从剧情线中，筛选剧情评估值符合预设高能片段筛选条件的剧情片段，作为高能剧情片段；预设高能片段筛选条件，基于用户在观看多媒体内容时的历史行为数据确定；
推荐模块，适于根据高能剧情片段进行推荐。
根据本发明的又一方面，提供了一种电子设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行上述基于用户行为的内容推荐方法对应的操作。
根据本发明的再一方面，提供了一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如上述基于用户行为的内容推荐方法对应的操作。
根据本发明的基于用户行为的内容推荐方法及装置，基于用户的行为数据可以评估确定剧情线包含的剧情片段的剧情评估值，从而确定用户所关注的高能剧情片段，使多媒体内容推荐符合用户的习惯。进一步，推荐时基于合并的高能剧情片段进行推荐，突出了内容的亮点，更方便内容的推广。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了根据本发明一个实施例的基于用户行为的内容推荐方法的流程图；
图2示出了划分的剧情线及关联关系示意图；
图3示出了根据用户行为数据的剧情分析示意图；
图4示出了剧情线的剧情评估值曲线示意图；
图5示出了筛选高能剧情片段的示意图；
图6示出了根据本发明一个实施例的基于用户行为的内容推荐装置的功能框图；
图7示出了根据本发明一个实施例的一种电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
图1示出了根据本发明一个实施例的基于用户行为的内容推荐方法的流程图。如图1所示，基于用户行为的内容推荐方法具体包括如下步骤：
步骤S101，采集目标用户在观看多媒体内容时的行为数据。
本实施例中内容为各种多媒体内容，如电子书、视频等各种多媒体内容。当目标用户在观看多媒体内容时，用户对内容的操作，如阅读翻页、进行评论、标记等操作，产生对应的行为数据。根据目标用户的授权许可，可以采集到目标用户的行为数据。行为数据包括如观看情感数据、评论数据、停留时长数据等。
具体的，可以利用采集设备，如摄像设备、佩戴设备(如手环等设备)采集目标用户在观看多媒体内容时的表情信息、情绪信息等。表情信息包括如目标用户的瞳孔变化信息、脸部表情信息、肢体信息等；情绪信息包括如心率信息、体温信息、出汗等信息。将采集的以上表情信息、情绪信息与对应的剧情线组成对应的数据包，对其进行分析处理，如利用情感分析模型，得到目标用户对各个剧情线的观看情感数据，观看情感数据的高低确定了目标用户对各个剧情线的关注度高低。情感分析模型可以采用当前使用的各情感分析模型，此处不做展开说明。
进一步，还可以获取目标用户针对各个剧情线发布的评论信息，利用自然语言处理NLP(Natural Language Processing)技术，如语义分析器对评论信息进行分析处理，如将目标用户的评论信息分为正面评论、负面评论、中性评论等，正面评论的分值为1，负面评论的分值为-1，中性评论的分值为0，结合评论信息的数量，累计计算得到目标用户对各个剧情线的评论数据。
进一步，根据目标用户观看内容的时长，对应的记录目标用户在观看各个剧情线的停留时长。根据各个剧情线的停留时长与各个剧情线的用户观看平均时长，计算得到目标用户对各个剧情线的停留时长数据。如通过调用采集设备采集到目标用户的瞳孔注视能力，收集并记录目标用户在观看各个剧情线的停留时长t1。收集用户群体在对应的剧情线的停留时长，计算得到用户观看平均时长利用如下公式：
计算得到目标用户对各个剧情线的停留时长数据tr。
以上各行为数据可以根据实施情况采集其中一个或多个数据，或还可以根据实施情况采集其它用户操作行为产生的行为数据，作为后续对剧情线的评估所需的数据，此处不做限定。
可选地，在执行本步骤之前，本实施例还可以预先根据内容划分为多个剧情线以及根据内容建立各个剧情线间的关联关系。如图2所示，将内容划分为n个剧情线，根据具体内容，确定各个剧情线的走向，建立各个剧情线间的关联关系，如剧情线1->剧情线2->剧情线4->剧情线6->剧情线n；剧情线1->剧情线2->剧情线5->剧情线7->剧情线n等关联关系，方便后续根据关联关系筛选高能剧情片段。
在确定各个剧情线、目标用户对各个剧情线的行为数据后，可以得到如图3所示的分析图，横轴对应各个剧情线，如p1-p20，纵轴对应各个行为数据的具体分值，情感值的曲线为将目标用户对各个剧情线的观看情感数据连线得到的曲线；评论量的曲线为将目标用户对各个剧情线的评论数据连线得到的曲线；停留时长权重的曲线为将目标用户对各个剧情线的停留时长数据连线得到的曲线。图3的分析图直观地给出目标用户对各个剧情线的关注度。
步骤S102，根据行为数据，对多媒体内容的剧情线进行预测评估，以得到剧情线所包含的剧情片段的剧情评估值。
在采集到目标用户的各个剧情线的行为数据后，将目标用户的各个剧情线的行为数据输入至预设的剧情评估模型中，得到各个剧情线包含的剧情片段的剧情评估值。此处，剧情评估模型可以通过训练得到。
训练过程具体为：获取训练样本数据和对各个样本剧情线的标注信息。训练样本数据包括：样本用户在观看内容的各个样本剧情线时的历史行为数据，如观看情感数据、评论数据、停留时长数据等行为数据。标注信息即根据实际数据标注样本剧情线的剧情评估值。将训练样本数据输入至待训练的剧情评估模型中进行训练，将得到的输出结果与标注信息进行比对，根据比对结果调整剧情评估模型的训练参数，以得到训练后的剧情评估模型。可选地，剧情评估模型可以采用机器学习逻辑回归算法进行训练。如将各行为数据作为特征向量输入至剧情评估模型中，利用以下公式进行预测：
其中，hk为第k个特征向量，此处对应第k个行为数据，a和b为特征权重系数，即训练参数，在训练过程中通过对比结果可以进行调整。ak为第k个特征向量的特征权重系数，每个特征向量的特征权重系数可以相同或不同，此处不做限定。z为用户的行为数据对剧情线的影响程度。
在得到z后，将线性关系的z映射至指定范围内，如0-1范围内，得到剧情评估值，即高能剧情的概率值。如利用如下映射公式计算：
将得到的剧情评估值与标注信息进行比对，计算之间的误差，根据比对结果调整剧情评估模型的各个训练参数，使得预测的剧情评估值与实际的标注信息达到符合期望的误差范围内。计算误差可以采用如下公式：
其中，yi为预测的第i个剧情线包含的剧情片段的剧情评估值，xi为实际的第i个剧情线包含的剧情片段的标注信息，利用上述代价函数计算两者间的误差，根据误差调整训练参数，再次进行训练，以减少误差，使其达到符合期望的误差范围，完成对剧情评估模型的训练。
步骤S103，根据剧情评估值，从剧情线中，筛选剧情评估值符合预设高能片段筛选条件的剧情片段，作为高能剧情片段。
预设高能片段筛选条件基于用户在观看多媒体内容时的历史行为数据确定。预设高能片段筛选条件中包含高能片段剧情评估值的筛选区间。筛选区间，以峰值剧情评估值为中心，根据浮动偏移量确定。峰值剧情评估值根据剧情评估值大小排序确定。本实施例中剧情评估值即高能剧情的概率值，剧情评估值越大，高能剧情的概率越高，剧情评估值与高能剧情的概率成正比。如图4的曲线图所示，横轴代表多个剧情线，纵轴代表剧情评估值，从中查找确定各个剧情线的最大剧情评估值，即峰值剧情评估值。浮动偏移量基于与峰值剧情评估值对应的剧情片段的剧情线具有关联关系的至少一个剧情线的剧情评估值的平均值、各个剧情线的剧情片段的剧情评估值的平均值、指定筛选剧情片段的个数确定。筛选区间可以利用如下公式确定：
其中，Q为用于筛选剧情片段的剧情评估值区间值，即筛选区间；R为峰值剧情评估值，即曲线中的最高峰对应的剧情评估值；K为指定筛选剧情线的个数，根据实施情况设置具体数值；为各个剧情线的剧情片段的剧情评估值的平均值，将各个剧情线的剧情评估值进行累计后计算平均值得到；aR-n为R所对应的剧情片段的剧情线具有关联关系的前n个剧情线的剧情评估值；aR+n为R所对应的剧情片段的剧情线具有关联关系的后n个剧情线的剧情评估值。aR-n和aR+n在确定R对应的剧情片段的剧情线后，根据剧情线的关联关系分别向前推n个剧情线和向后推n个剧情线，得到对应的剧情线的剧情评估值。以R为中心，计算将aR-n对应的剧情评估值累加计算平均值后与/>相除并乘以K的第一计算结果，和将aR+n对应的剧情评估值累加计算平均值后与/>相除并乘以K的第二计算结果，浮动偏移量即第一计算结果和第二计算结果，将R减去第一计算结果到R加上第二计算结果作为筛选区间Q。
根据筛选区间，分别向前和向后筛选剧情评估值位于该筛选区间的剧情片段，如图5所示，筛选出的剧情线包括剧情线1、剧情线2、剧情线5、剧情线7、剧情线n中的剧情片段。
步骤S104，根据高能剧情片段进行推荐。
按照关联关系，对从至少两个剧情线中分别筛选得到的高能剧情片段合并，以得到待推荐多媒体内容。待推荐多媒体内容所包含的剧情片段之间具备关联关系，使得高能剧情片段具有连续性。
对于高能剧情片段，通过渲染引擎将其进行合并生成视频、图片等方式进行推荐，避免单一的推荐方式，更能吸引被推荐用户的关注。
根据本发明提供的基于用户行为的内容推荐方法，基于用户的行为数据可以评估确定剧情线包含的剧情片段的剧情评估值，从而确定用户所关注的高能剧情片段，使多媒体内容推荐符合用户的习惯。进一步，推荐时基于合并的高能剧情片段进行推荐，突出了内容的亮点，更方便内容的推广。
图6示出了根据本发明一个实施例的基于用户行为的内容推荐装置的功能框图。如图6所示，基于用户行为的内容推荐装置包括如下模块：
采集模块610，适于采集目标用户在观看多媒体内容时的行为数据；
评估模块620，适于根据行为数据，对多媒体内容的剧情线进行预测评估，以得到剧情线所包含的剧情片段的剧情评估值；
筛选模块630，适于根据剧情评估值，从剧情线中，筛选剧情评估值符合预设高能片段筛选条件的剧情片段，作为高能剧情片段；预设高能片段筛选条件，基于用户在观看多媒体内容时的历史行为数据确定；
推荐模块640，适于根据高能剧情片段进行推荐。
可选地，行为数据包括下述数据中的至少一种：观看情感数据、评论数据、停留时长数据。
可选地，采集模块610进一步适于：
利用采集设备，采集目标用户在观看多媒体内容时的表情信息和/或情绪信息；根据采集的表情信息和/或情绪信息进行分析处理，得到目标用户对各个剧情线的观看情感数据；
和/或，
获取目标用户针对各个剧情线发布的评论信息，并对评论信息进行分析处理，结合评论信息的数量得到目标用户对各个剧情线的评论数据；
和/或，
记录目标用户在观看各个剧情线的停留时长，并根据各个剧情线的停留时长与各个剧情线的用户观看平均时长，计算得到目标用户对各个剧情线的停留时长数据。
可选地，剧情线，具体包括至少两个剧情线；
在采集目标用户在观看多媒体内容的剧情线时的行为数据之前，装置还包括：关联模块650，适于建立至少两个剧情线间的关联关系；
推荐模块640进一步适于：
按照关联关系，对从至少两个剧情线中分别筛选得到的高能剧情片段合并，以得到待推荐多媒体内容；待推荐多媒体内容所包含的剧情片段之间具备关联关系；
推荐待推荐多媒体内容。
可选地，预设高能片段筛选条件中包含高能片段剧情评估值的筛选区间；
筛选区间，以峰值剧情评估值为中心，根据浮动偏移量确定；峰值剧情评估值根据剧情评估值大小排序确定；浮动偏移量基于与峰值剧情评估值对应的剧情片段的剧情线具有关联关系的至少一个剧情线的剧情评估值的平均值、各个剧情线的剧情片段的剧情评估值的平均值、指定筛选剧情片段的个数确定。
可选地，推荐模块640，进一步适于：
将高能剧情片段通过渲染引擎生成视频和/或图片进行推荐。
可选地，评估模块620进一步适于：将行为数据输入至预设的剧情评估模型中，得到剧情线所包含的剧情片段的剧情评估值；预设的剧情评估模型包括对行为数据进行特征向量计算和/或线性关系映射；剧情评估值用于表征高能剧情的概率值。
以上各模块的描述参照方法实施例中对应的描述，在此不再赘述。
本申请还提供了一种非易失性计算机存储介质，所述计算机存储介质存储有至少一可执行指令，该计算机可执行指令可执行上述任意方法实施例中的基于用户行为的内容推荐方法。
图7示出了根据本发明一个实施例的一种电子设备的结构示意图，本发明具体实施例并不对电子设备的具体实现做限定。
如图7所示，该电子设备可以包括：处理器(processor)702、通信接口(Communications Interface)704、存储器(memory)706、以及通信总线708。
其中：
处理器702、通信接口704、以及存储器706通过通信总线708完成相互间的通信。
通信接口704，用于与其它设备比如客户端或其它服务器等的网元通信。
处理器702，用于执行程序710，具体可以执行上述基于用户行为的内容推荐方法实施例中的相关步骤。
具体地，程序710可以包括程序代码，该程序代码包括计算机操作指令。
处理器702可能是中央处理器CPU，或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。电子设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个CPU；也可以是不同类型的处理器，如一个或多个CPU以及一个或多个ASIC。
存储器706，用于存放程序710。存储器706可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
程序710具体可以用于使得处理器702执行上述任意方法实施例中的基于用户行为的内容推荐方法。程序710中各步骤的具体实现可以参见上述基于用户行为的内容推荐实施例中的相应步骤和单元中对应的描述，在此不赘述。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的设备和模块的具体工作过程，可以参考前述方法实施例中的对应过程描述，在此不再赘述。
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的基于用户行为的内容推荐装置中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

Claims (10)

1.一种基于用户行为的内容推荐方法，其特征在于，方法包括：
采集目标用户在观看多媒体内容时的行为数据；
根据所述行为数据，对所述多媒体内容的剧情线进行预测评估，以得到所述剧情线所包含的剧情片段的剧情评估值；
根据所述剧情评估值，从所述剧情线中，筛选剧情评估值符合预设高能片段筛选条件的剧情片段，作为高能剧情片段；所述预设高能片段筛选条件，基于用户在观看多媒体内容时的历史行为数据确定，包含高能片段剧情评估值的筛选区间；所述筛选区间以峰值剧情评估值为中心，根据浮动偏移量确定，剧情评估值与高能剧情的概率成正比；其中，所述浮动偏移量包括第一计算结果和第二计算结果；将所述峰值剧情评估值减去第一计算结果到所述峰值剧情评估值加上第二计算结果作为所述筛选区间；所述第一计算结果和所述第二计算结果基于与峰值剧情评估值对应的剧情片段的剧情线具有关联关系的至少一个剧情线的剧情评估值的平均值、各个剧情线的剧情片段的剧情评估值的平均值、指定筛选剧情片段的个数确定；
根据所述高能剧情片段进行推荐。
2.根据权利要求1所述的方法，其特征在于，所述行为数据包括下述数据中的至少一种：
观看情感数据、评论数据、停留时长数据。
3.根据权利要求1所述的方法，其特征在于，所述采集目标用户在观看多媒体内容的剧情线时的行为数据进一步包括：
利用采集设备，采集目标用户在观看多媒体内容时的表情信息和/或情绪信息；根据采集的表情信息和/或情绪信息进行分析处理，得到目标用户对各个剧情线的观看情感数据；
和/或，
获取目标用户针对各个剧情线发布的评论信息，并对所述评论信息进行分析处理，结合评论信息的数量得到目标用户对各个剧情线的评论数据；
和/或，
记录目标用户在观看各个剧情线的停留时长，并根据各个剧情线的停留时长与各个剧情线的用户观看平均时长，计算得到目标用户对各个剧情线的停留时长数据。
4.根据权利要求1所述的方法，其特征在于，所述剧情线，具体包括至少两个剧情线；
在所述采集目标用户在观看多媒体内容的剧情线时的行为数据之前，所述方法还包括：建立所述至少两个剧情线间的关联关系；
根据所述高能剧情片段进行推荐，包括：
按照所述关联关系，对从所述至少两个剧情线中分别筛选得到的高能剧情片段合并，以得到待推荐多媒体内容；所述待推荐多媒体内容所包含的剧情片段之间具备所述关联关系；
推荐所述待推荐多媒体内容。
5.根据权利要求4所述的方法，其特征在于，所述峰值剧情评估值根据剧情评估值大小排序确定；所述筛选区间根据如下公式确定：
其中，Q为筛选区间；R为峰值剧情评估值；K为指定筛选剧情片段的个数；为各个剧情线的剧情片段的剧情评估值的平均值；aR-n为R所对应的剧情片段的剧情线具有关联关系的前n个剧情线的剧情评估值；aR+n为R所对应的剧情片段的剧情线具有关联关系的后n个剧情线的剧情评估值。
6.根据权利要求4所述的方法，其特征在于，所述根据所述高能剧情片段进行推荐进一步包括：
将所述高能剧情片段通过渲染引擎生成视频和/或图片进行推荐。
7.根据权利要求1-6中任一项所述的方法，其特征在于，所述根据所述行为数据，对所述多媒体内容的剧情线进行预测评估，以得到所述剧情线所包含的剧情片段的剧情评估值进一步包括：
将所述行为数据输入至预设的剧情评估模型中，得到所述剧情线所包含的剧情片段的剧情评估值；所述预设的剧情评估模型包括对所述行为数据进行特征向量计算和/或线性关系映射；所述剧情评估值用于表征高能剧情的概率值。
8.一种基于用户行为的内容推荐装置，其特征在于，装置包括：
采集模块，适于采集目标用户在观看多媒体内容时的行为数据；
评估模块，适于根据所述行为数据，对所述多媒体内容的剧情线进行预测评估，以得到所述剧情线所包含的剧情片段的剧情评估值；
筛选模块，适于根据所述剧情评估值，从所述剧情线中，筛选剧情评估值符合预设高能片段筛选条件的剧情片段，作为高能剧情片段；所述预设高能片段筛选条件，基于用户在观看多媒体内容时的历史行为数据确定，包含高能片段剧情评估值的筛选区间；所述筛选区间以峰值剧情评估值为中心，根据浮动偏移量确定，剧情评估值与高能剧情的概率成正比；其中，所述浮动偏移量包括第一计算结果和第二计算结果；将所述峰值剧情评估值减去第一计算结果到所述峰值剧情评估值加上第二计算结果作为所述筛选区间；所述浮动偏移量基于与峰值剧情评估值对应的剧情片段的剧情线具有关联关系的至少一个剧情线的剧情评估值的平均值、各个剧情线的剧情片段的剧情评估值的平均值、指定筛选剧情片段的个数确定；
推荐模块，适于根据所述高能剧情片段进行推荐。
9.一种电子设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如权利要求1-7中任一项所述的基于用户行为的内容推荐方法对应的操作。
10.一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如权利要求1-7中任一项所述的基于用户行为的内容推荐方法对应的操作。
CN202110830382.0A 2021-07-22 2021-07-22 基于用户行为的内容推荐方法及装置 Active CN113468431B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110830382.0A CN113468431B (zh) 2021-07-22 2021-07-22 基于用户行为的内容推荐方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110830382.0A CN113468431B (zh) 2021-07-22 2021-07-22 基于用户行为的内容推荐方法及装置

Publications (2)

Publication Number Publication Date
CN113468431A CN113468431A (zh) 2021-10-01
CN113468431B true CN113468431B (zh) 2024-06-04

Family

ID=77881825

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110830382.0A Active CN113468431B (zh) 2021-07-22 2021-07-22 基于用户行为的内容推荐方法及装置

Country Status (1)

Country Link
CN (1) CN113468431B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114305421A (zh) * 2021-12-30 2022-04-12 咪咕数字传媒有限公司 心理状态评估设备、装置、方法及计算机可读存储介质
CN115396715B (zh) * 2022-08-18 2024-01-30 咪咕数字传媒有限公司 桌游互动方法、系统及存储介质

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106446575A (zh) * 2016-10-12 2017-02-22 上海览海在线健康管理有限公司 智能推送医疗资源的方法及系统
WO2017162099A1 (en) * 2016-03-22 2017-09-28 Le Holdings (Beijing) Co., Ltd. Method and apparatus for multimedia evaluation based on heart rate measurement
CN108289251A (zh) * 2017-09-27 2018-07-17 王可 一种影视自定义剧情的系统及方法
CN108804506A (zh) * 2018-04-13 2018-11-13 北京猫眼文化传媒有限公司 一种信息的推荐方法、装置和电子设备
CN110234037A (zh) * 2019-05-16 2019-09-13 北京百度网讯科技有限公司 视频片段的生成方法及装置、计算机设备及可读介质
CN110650379A (zh) * 2019-09-26 2020-01-03 北京达佳互联信息技术有限公司 视频摘要生成方法、装置、电子设备及存储介质
CN110795944A (zh) * 2019-10-11 2020-02-14 腾讯科技（深圳）有限公司 推荐内容处理方法及装置、情感属性确定方法及装置
CN110798747A (zh) * 2019-09-27 2020-02-14 咪咕视讯科技有限公司 一种视频播放方法、电子设备及存储介质
CN110809175A (zh) * 2019-09-27 2020-02-18 腾讯科技（深圳）有限公司 视频推荐方法及装置
CN111159553A (zh) * 2019-12-30 2020-05-15 北京每日优鲜电子商务有限公司 信息推送方法、装置、计算机设备及存储介质
CN111708941A (zh) * 2020-06-12 2020-09-25 腾讯科技（深圳）有限公司 内容推荐方法、装置、计算机设备和存储介质
CN112333478A (zh) * 2020-10-26 2021-02-05 深圳创维－Rgb电子有限公司 视频推荐方法、终端设备以及存储介质
CN112822526A (zh) * 2020-12-30 2021-05-18 咪咕文化科技有限公司 视频推荐方法、服务器和可读存储介质
CN112883209A (zh) * 2019-11-29 2021-06-01 阿里巴巴集团控股有限公司 多媒体数据的推荐方法和处理方法、装置、设备及可读介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103530788A (zh) * 2012-07-02 2014-01-22 纬创资通股份有限公司 多媒体评价系统、多媒体评价装置以及多媒体评价方法
US9646227B2 (en) * 2014-07-29 2017-05-09 Microsoft Technology Licensing, Llc Computerized machine learning of interesting video sections
CN105872629B (zh) * 2016-03-18 2019-08-27 合一网络技术(北京)有限公司 内容推荐方法、装置及系统

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017162099A1 (en) * 2016-03-22 2017-09-28 Le Holdings (Beijing) Co., Ltd. Method and apparatus for multimedia evaluation based on heart rate measurement
CN106446575A (zh) * 2016-10-12 2017-02-22 上海览海在线健康管理有限公司 智能推送医疗资源的方法及系统
CN108289251A (zh) * 2017-09-27 2018-07-17 王可 一种影视自定义剧情的系统及方法
CN108804506A (zh) * 2018-04-13 2018-11-13 北京猫眼文化传媒有限公司 一种信息的推荐方法、装置和电子设备
CN110234037A (zh) * 2019-05-16 2019-09-13 北京百度网讯科技有限公司 视频片段的生成方法及装置、计算机设备及可读介质
CN110650379A (zh) * 2019-09-26 2020-01-03 北京达佳互联信息技术有限公司 视频摘要生成方法、装置、电子设备及存储介质
CN110809175A (zh) * 2019-09-27 2020-02-18 腾讯科技（深圳）有限公司 视频推荐方法及装置
CN110798747A (zh) * 2019-09-27 2020-02-14 咪咕视讯科技有限公司 一种视频播放方法、电子设备及存储介质
CN110795944A (zh) * 2019-10-11 2020-02-14 腾讯科技（深圳）有限公司 推荐内容处理方法及装置、情感属性确定方法及装置
CN112883209A (zh) * 2019-11-29 2021-06-01 阿里巴巴集团控股有限公司 多媒体数据的推荐方法和处理方法、装置、设备及可读介质
CN111159553A (zh) * 2019-12-30 2020-05-15 北京每日优鲜电子商务有限公司 信息推送方法、装置、计算机设备及存储介质
CN111708941A (zh) * 2020-06-12 2020-09-25 腾讯科技（深圳）有限公司 内容推荐方法、装置、计算机设备和存储介质
CN112333478A (zh) * 2020-10-26 2021-02-05 深圳创维－Rgb电子有限公司 视频推荐方法、终端设备以及存储介质
CN112822526A (zh) * 2020-12-30 2021-05-18 咪咕文化科技有限公司 视频推荐方法、服务器和可读存储介质

Also Published As

Publication number Publication date
CN113468431A (zh) 2021-10-01

Similar Documents

Publication Publication Date Title
CN108121795B (zh) 用户行为预测方法及装置
CN113468431B (zh) 基于用户行为的内容推荐方法及装置
CN109062919B (zh) 一种基于深度强化学习的内容推荐方法及装置
US20200073485A1 (en) Emoji prediction and visual sentiment analysis
CN107679217B (zh) 基于数据挖掘的关联内容提取方法和装置
CN110019943B (zh) 视频推荐方法、装置、电子设备和存储介质
TW201923675A (zh) 資訊推薦方法及裝置、設備
CN110704674A (zh) 一种视频播放完整度预测方法及装置
CN104111925B (zh) 项目推荐方法和装置
CN111028006B (zh) 一种业务投放辅助方法、业务投放方法及相关装置
CN104933134A (zh) 一种用户特征的分析方法及装置
KR20160113685A (ko) 콘텐츠 추천 방법, 장치 및 시스템
CN110096617B (zh) 视频分类方法、装置、电子设备及计算机可读存储介质
CN108040265A (zh) 一种对视频进行处理的方法和装置
US20210035183A1 (en) Method and system for a recommendation engine utilizing progressive labeling and user content enrichment
CN110597965B (zh) 文章的情感极性分析方法、装置、电子设备及存储介质
CN108133718A (zh) 一种对视频进行处理的方法和装置
US20160239559A1 (en) Document classification system, document classification method, and document classification program
CN106997360A (zh) 用户行为数据的处理方法和装置
CN111385659B (zh) 一种视频推荐方法、装置、设备及存储介质
CN107491484A (zh) 一种数据匹配方法、装置及设备
CN113793048A (zh) 员工行为评估方法、系统、存储介质及电子设备
CN110163401A (zh) 时间序列的预测方法、数据预测方法和装置
CN112532692B (zh) 一种信息推送方法及装置、存储介质
CN115470402A (zh) 物流信息推荐方法、装置、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