CN113656637A - 视频推荐方法、装置、电子设备及存储介质 - Google Patents

Abstract

本申请提供了一种视频推荐方法、装置、电子设备及存储介质，包括：获取目标对象的行为特征信息以及目标视频的视频特征信息；将行为特征信息输入用户成熟度预测模型，得到目标对象的成熟度；根据行为特征信息和视频特征信息确定第一预测分值；根据视频特征信息，确定第二预测分值；根据第一预测分值和第二预测分值确定目标视频的分值。本申请中，利用用户成熟度预测模型得到的目标对象的成熟度对行为特征信息的完整性进行评价，从而可以综合成熟度、考虑了行为特征信息的第一预测分值、未考虑对象行为特征信息的第二预测分值，得到可以全面评价包含新用户和老用户的完整群体的视频推荐方法，使得针对完整群体用户均可以得到较优的视频推荐效果。

Description

视频推荐方法、装置、电子设备及存储介质

技术领域

本申请涉及大数据推荐技术领域，尤其涉及一种视频推荐方法、装置、电子设备及存储介质。

背景技术

随着深度学习技术的发展，可以根据用户的属性和历史行为记录等用户特征，学习用户的兴趣偏好，并从海量的内容中筛选出用户可能感兴趣的部分推荐给用户，以解决大数据时代下的信息过载问题。

但当针对新用户进行信息推荐时，由于缺少新用户的用户特征信息，深度学习技术需要面对具有较少的用户特征信息的冷启动的问题，即在仅有较少或没有用户特征信息的情况下预测相关结果，使得预测结果具有较大偏差。现有技术中，为解决冷启动的问题，可以在训练深度学习模型时，以一定的概率，将用户的用户特征信息置零或用均值进行替换，即对于用户特征信息所占的权重进行降权，从而减少训练得到的深度学习模型对于用户特征信息的依赖，确保深度学习模型在针对新用户，即在冷启动情况下具有较优的视频推荐效果。

但是，在现有技术中，若采用对用户特征信息进行降权得到的深度学习模型，对具有较为全面用户特征信息的老用户进行视频推荐时，不能很好的利用用户特征信息，从而会降低老用户的视频推荐效果。

发明内容

为克服相关技术中存在的问题，本申请提供一种视频推荐方法、装置、电子设备及存储介质。

根据本申请实施例的第一方面，提供一种视频推荐方法，包括：

获取目标对象的行为特征信息以及目标视频的视频特征信息，所述行为特征信息用于表征所述目标对象针对视频的行为特征；

将所述行为特征信息输入用户成熟度预测模型，得到所述目标对象的成熟度，所述成熟度用于表征所述目标对象的行为特征信息的完整性；

根据所述行为特征信息和所述视频特征信息，确定所述目标视频的第一预测分值，所述第一预测分值用于表征在所述目标对象为老用户时，所述目标视频针对所述目标对象的推荐价值，并根据所述视频特征信息，确定所述目标视频的第二预测分值，所述第二预测分值用于表征在所述目标对象为新用户时，所述目标视频针对所述目标对象的推荐价值；

根据所述第一预测分值和所述第二预测分值确定所述目标视频的分值，所述成熟度用于确定所述第一预测分值和所述第二预测分值在所述分值中的权重，所述分值用于表征所述目标视频针对所述目标对象的推荐价值；

在所述目标视频的分值大于预设分值的情况下，向所述目标对象推荐所述目标视频。

在一种可能实施方式中，所述根据所述第一预测分值和所述第二预测分值确定所述目标视频的分值的步骤，包括：

根据所述成熟度确定所述第一预测分值对应的第一权重值，以及所述第二预测分值对应的第二权重值；

根据所述第一预测分值和所述第一权重值、所述第二预测分值和所述第二权重值进行加权平均，得到所述目标视频的分值。

在一种可能实施方式中，所述根据所述行为特征信息和所述视频特征信息，确定所述目标视频的第一预测分值，并根据所述视频特征信息，确定所述目标视频的第二预测分值的步骤，包括：

将所述行为特征信息和所述视频特征信息输入老用户预测模型，得到所述目标视频的第一预测分值；

将所述视频特征信息输入新用户预测模型，得到所述目标视频的第二预测分值。

在一种可能实施方式中，所述老用户预测模型通过以下步骤得到：

获取第一样本对象的第一样本行为特征信息、第一样本视频的第一样本视频特征信息，以及所述第一样本视频标注的第一样本分值，所述第一样本分值为预先标注的、用于表征所述第一样本视频针对所述第一样本对象的推荐价值；

根据所述第一样本行为特征信息、所述第一样本视频特征信息和所述第一样本分值，对第一机器学习模型进行训练，得到所述老用户预测模型。

在一种可能实施方式中，所述新用户预测模型通过以下步骤得到：

获取第二样本视频的第二样本视频特征信息，以及所述第二样本视频标注的第二样本分值，所述第二样本分值为预先标注的、用于表征所述第二样本视频的推荐价值；

根据所述第二样本视频特征信息和所述第二样本分值，对第二机器学习模型进行训练，得到所述新用户预测模型。

在一种可能实施方式中，由第一机器学习模型、第二机器学习模型和门控单元构成视频推荐模型集合，所述第一机器学习模型用于训练得到所述老用户预测模型，所述第二机器学习模型用于训练得到所述新用户预测模型，所述用户成熟度预测模型通过以下步骤得到：

获取第三样本对象的第三样本行为特征信息、第三样本视频的第三样本视频特征信息，以及所述第三样本视频标注的第三样本分值，所述第三样本分值为预先标注的、用于表征所述第三样本视频针对所述第三样本对象的推荐价值；

将所述第三样本行为特征信息和所述第三样本视频特征信息输入所述视频推荐模型集合，输出所述第三样本视频对应的样本预测分值；

根据所述第三样本分值和所述样本预测分值，确定所述样本预测分值相对于所述第三样本分值的损失函数；

通过最小化所述损失函数，调整所述视频推荐模型集合中门控单元的模型参数，得到所述用户成熟度预测模型。

在一种可能实施方式中，所述将所述第三样本行为特征信息和所述第三样本视频特征信息输入所述视频推荐模型集合，输出所述第三样本视频对应的样本预测分值的步骤，包括：

将所述第三样本行为特征信息和所述第三样本视频特征信息输入所述第一机器学习模型，输出所述第三样本视频的第一样本预测分值；

将所述第三样本视频特征信息输入所述第二机器学习模型，输出所述第三样本视频的第二样本预测分值；

将所述第三样本行为特征信息输入所述门控单元，输出所述第三样本对象的预测成熟度；

根据所述预测成熟度确定所述第一样本预测分值和所述第二样本预测分值分别对应的权重值；

根据所述第一样本预测分值和所述第二样本预测分值，以及所述第一样本预测分值和所述第二样本预测分值分别对应的权重值，确定所述第三样本视频对应的样本预测分值。

在一种可能实施方式中，所述门控单元包括多层全连接层和激活函数层。

在一种可能实施方式中，所述方法还包括：

确定多个所述目标视频对应的分值，并根据所述分值将所述多个目标视频进行排序，确定所述多个目标视频的推荐次序；

根据所述推荐次序，从所述多个目标视频中确定目标推荐视频，并将所述目标推荐视频推荐给所述目标对象。

在一种可能实施方式中，所述行为特征信息包括对象收藏视频内容、对象收藏视频长度、对象收藏视频类型中的任意一种或多种，所述行为特征信息为根据所述目标对象的历史观看记录和/或历史搜索记录确定的信息。

根据本申请实施例的第二方面，提供一种视频推荐装置，包括：

第一获取模块，用于获取目标对象的行为特征信息以及目标视频的视频特征信息，所述行为特征信息用于表征所述目标对象针对视频的行为特征；

第一确定模块，用于将所述行为特征信息输入用户成熟度预测模型，得到所述目标对象的成熟度，所述成熟度用于表征所述目标对象的行为特征信息的完整性；

第二确定模块，用于根据所述行为特征信息和所述视频特征信息，确定所述目标视频的第一预测分值，所述第一预测分值用于表征在所述目标对象为老用户时，所述目标视频针对所述目标对象的推荐价值，并根据所述视频特征信息，确定所述目标视频的第二预测分值，所述第二预测分值用于表征在所述目标对象为新用户时，所述目标视频针对所述目标对象的推荐价值；

第三确定模块，用于根据所述第一预测分值和所述第二预测分值确定所述目标视频的分值，所述成熟度用于确定所述第一预测分值和所述第二预测分值在所述分值中的权重，所述分值用于表征所述目标视频针对所述目标对象的推荐价值；

第一推荐模块，用于在所述目标视频的分值大于预设分值的情况下，向所述目标对象推荐所述目标视频。

在一种可能实施方式中，所述第三确定模块，包括：

第一确定子模块，用于根据所述成熟度确定所述第一预测分值对应的第一权重值，以及所述第二预测分值对应的第二权重值；

第二确定子模块，用于根据所述第一预测分值和所述第一权重值、所述第二预测分值和所述第二权重值进行加权平均，得到所述目标视频的分值。

在一种可能实施方式中，所述第二确定模块，包括：

第三确定子模块，用于将所述行为特征信息和所述视频特征信息输入老用户预测模型，得到所述目标视频的第一预测分值；

第四确定子模块，用于将所述视频特征信息输入新用户预测模型，得到所述目标视频的第二预测分值。

在一种可能实施方式中，所述装置还包括：

第二获取模块，用于获取第一样本对象的第一样本行为特征信息、第一样本视频的第一样本视频特征信息，以及所述第一样本视频标注的第一样本分值，所述第一样本分值为预先标注的、用于表征所述第一样本视频针对所述第一样本对象的推荐价值；

第一训练模块，用于根据所述第一样本行为特征信息、所述第一样本视频特征信息和所述第一样本分值，对第一机器学习模型进行训练，得到所述老用户预测模型。

在一种可能实施方式中，所述装置还包括：

第三获取模块，用于获取第二样本视频的第二样本视频特征信息，以及所述第二样本视频标注的第二样本分值，所述第二样本分值为预先标注的、用于表征所述第二样本视频的推荐价值；

第二训练模块，用于根据所述第二样本视频特征信息和所述第二样本分值，对第二机器学习模型进行训练，得到所述新用户预测模型。

在一种可能实施方式中，由第一机器学习模型、第二机器学习模型和门控单元构成视频推荐模型集合，所述第一机器学习模型用于训练得到所述老用户预测模型，所述第二机器学习模型用于训练得到所述新用户预测模型，所述装置还包括：

第四获取模块，用于获取第三样本对象的第三样本行为特征信息、第三样本视频的第三样本视频特征信息，以及所述第三样本视频标注的第三样本分值，所述第三样本分值为预先标注的、用于表征所述第三样本视频针对所述第三样本对象的推荐价值；

输入输出模块，用于将所述第三样本行为特征信息和所述第三样本视频特征信息输入所述视频推荐模型集合，输出所述第三样本视频对应的样本预测分值；

第四确定模块，用于根据所述第三样本分值和所述样本预测分值，确定所述样本预测分值相对于所述第三样本分值的损失函数；

第五确定模块，用于通过最小化所述损失函数，调整所述视频推荐模型集合中门控单元的模型参数，得到所述用户成熟度预测模型。

在一种可能实施方式中，所述输入输出模块，包括：

第一输入输出子模块，用于将所述第三样本行为特征信息和所述第三样本视频特征信息输入所述第一机器学习模型，输出所述第三样本视频的第一样本预测分值；

第二输入输出子模块，用于将所述第三样本视频特征信息输入所述第二机器学习模型，输出所述第三样本视频的第二样本预测分值；

第三输入输出子模块，用于将所述第三样本行为特征信息输入所述门控单元，输出所述第三样本对象的预测成熟度；

第五确定子模块，用于根据所述预测成熟度确定所述第一样本预测分值和所述第二样本预测分值分别对应的权重值；

第六确定子模块，用于根据所述第一样本预测分值和所述第二样本预测分值，以及所述第一样本预测分值和所述第二样本预测分值分别对应的权重值，确定所述第三样本视频对应的样本预测分值。

在一种可能实施方式中，所述门控单元包括多层全连接层和激活函数层。

在一种可能实施方式中，所述装置还包括：

排序模块，用于确定多个所述目标视频对应的分值，并根据所述分值将所述多个目标视频进行排序，确定所述多个目标视频的推荐次序；

第二推荐模块，用于根据所述推荐次序，从所述多个目标视频中确定目标推荐视频，并将所述目标推荐视频推荐给所述目标对象。

在一种可能实施方式中，所述行为特征信息包括对象收藏视频内容、对象收藏视频长度、对象收藏视频类型中的任意一种或多种，所述行为特征信息为根据所述目标对象的历史观看记录和/或历史搜索记录确定的信息。

根据本申请实施例的第三方面，提供一种电子设备，该电子设备包括：

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，以实现如本申请提供的视频推荐方法。

根据本申请实施例的第四方面，提供一种计算机可读存储介质，当所述计算机可读存储介质中的指令由电子设备的处理器执行时，使得所述电子设备能够执行如本申请提供的视频推荐方法。

根据本申请实施例的第五方面，提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如本申请提供的视频推荐方法。

本申请的实施例提供的技术方案至少带来以下有益效果：

获取目标对象的行为特征信息以及目标视频的视频特征信息，行为特征信息用于表征目标对象针对视频的行为特征；将行为特征信息输入用户成熟度预测模型，得到目标对象的成熟度，成熟度用于表征目标对象的行为特征信息的完整性；根据行为特征信息和视频特征信息，确定目标视频的第一预测分值，第一预测分值用于表征在目标对象为老用户时，目标视频针对目标对象的推荐价值，并根据视频特征信息，确定目标视频的第二预测分值，第二预测分值用于表征在目标对象为新用户时，目标视频针对目标对象的推荐价值；根据第一预测分值和第二预测分值确定目标视频的分值，成熟度用于确定第一预测分值和第二预测分值在分值中的权重，分值用于表征目标视频针对目标对象的推荐价值；在目标视频的分值大于预设分值的情况下，向目标对象推荐目标视频，本申请实施例中，将行为特征信息输入用户成熟度预测模型，利用得到的目标对象的成熟度对行为特征信息的完整性进行评价，即可以根据目标对象的成熟度确定第一预测分值和第二预测分值在确定目标视频的分值时的权重，从而可以综合目标对象的成熟度、考虑了行为特征信息的第一预测分值，以及未考虑行为特征信息的第二预测分值，得到可以全面评价包含新用户和老用户的完整群体的视频推荐方法，使得针对完整群体用户均可以得到较优的视频推荐效果。

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，并不能限制本申请。

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，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理，并不构成对本申请的不当限定。

图1是根据一示例性实施例示出的一种视频推荐模型集合的结构示意图；

图2是根据一示例性实施例示出的一种视频推荐方法的流程图；

图3是根据一示例性实施例示出的另一种视频推荐方法的步骤流程图；

图4是根据一示例性实施例示出的一种视频推荐装置的框图；

图5是根据一示例性实施例示出的一种电子设备的框图；

图6是根据一示例性实施例示出的另一种电子设备的框图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请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、本申请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视频推荐模型集合的结构示意图，如图1所示，本公开一种视频推荐方法应用于包含老用户预测模型10，用户成熟度预测模型20和新用户预测模型30的视频推荐模型集合。

其中，老用户预测模型10用于输入目标对象的行为特征信息和目标视频的视频特征信息，输出目标用户针对目标视频的第一预测分值p，该第一预测分值p评估了目标对象的行为特征信息，是针对于目标对象为老用户的预测模型。新用户预测模型30用于输入视频特征信息，输出目标用户针对目标视频的第二预测分值q，该第二预测分值q并未评估目标对象的行为特征信息，是针对于目标对象为新用户的预测模型。用户成熟度预测模型20用于输入目标对象的行为特征信息，输出用于表征所述目标对象的行为特征信息的完整性的成熟度α，若目标对象的成熟度α越高，则表征目标对象更加偏向于老用户，相应的，可以增加老用户预测模型10输出的第一预测分值p的权重；若目标对象的成熟度α越低，则表征目标对象更加偏向于新用户，相应的，可以增加新用户预测模型30输出的第二预测分值q的权重，从而使得根据视频推荐模型集合最终得到的目标视频的分值αp+(1-α)q，可以用于准确的评价目标视频针对目标对象的推荐价值，从而得到可以全面评价包含新用户和老用户的完整群体的视频推荐方法，使得针对完整群体用户均可以得到较优的视频推荐效果。

图2是根据一示例性实施例示出的一种视频推荐方法的流程图，如图2所示，包括以下步骤：

步骤101、获取目标对象的行为特征信息以及目标视频的视频特征信息，所述行为特征信息用于表征所述目标对象针对视频的行为特征。

在该步骤中，可以获取目标对象的行为特征信息，以及目标视频的视频特征信息。

其中，所述目标对象可以为视频推荐模型集合进行视频推荐时针对的目标用户，所述目标对象的行为特征信息用于表征目标对象针对视频的行为特征，可以为根据该目标对象在平台浏览、观看、搜索或收藏视频的记录，确定的蕴含目标对象喜好信息的特征信息，例如，目标用户收藏的视频内容、目标用户收藏的视频的长度或目标用户收藏的视频类型等。所述视频特征信息可以为目标视频包含的视频内容、视频的长度、视频所属的类型等信息，因此，可以结合用于表征目标对象喜好的行为特征信息，以及表征目标视频具体信息的视频特征信息，确定该目标视频的获得的分值，用于表征目标对象对于该目标视频的喜爱程度，从而根据该分值评价该目标视频针对目标对象的推荐价值。

在本发明实施例中，针对新用户而言，行为特征信息是随机初始化的，并不会蕴含目标对象的喜好信息，这时，还可以获取表征目标对象轮廓信息的其他特征信息，例如，目标对象的年龄、所处地域等，使得可以基于新用户的其他特征信息确定推荐的视频。由于用于训练的新用户的行为特征信息较少，使得训练次数较少，其记录的信息有限，使得训练得到的模型难以利用行为特征信息，则只能更多的依赖其他特征信息。

步骤102、将所述行为特征信息输入用户成熟度预测模型，得到所述目标对象的成熟度，所述成熟度用于表征所述目标对象的行为特征信息的完整性。

在该步骤中，可以将目标对象的行为特征信息输入用户成熟度预测模型中，从而得到可以表征目标对象的行为特征信息的完整性的目标对象的成熟度。

具体的，由于针对新用户而言，行为特征信息是随机初始化的，并不会蕴含目标对象的喜好信息，因此，新用户的成熟度较低。而针对老用户，由于可以基于老用户在平台浏览、观看、搜索或收藏视频的记录，确定蕴含用户喜好信息的特征信息，因此，老用户的成熟度较高。由此可知，用于表征目标对象的行为特征信息的完整性的成熟度，即可以表征目标对象偏向于新用户或老用户的程度，成熟度越高，则目标对象偏向于老用户，且目标对象的行为特征信息越完整，成熟度越低，则目标对象偏向于新用户。

步骤103、根据所述行为特征信息和所述视频特征信息，确定所述目标视频的第一预测分值，所述第一预测分值用于表征在所述目标对象为老用户时，所述目标视频针对所述目标对象的推荐价值，并根据所述视频特征信息，确定所述目标视频的第二预测分值，所述第二预测分值用于表征在所述目标对象为新用户时，所述目标视频针对所述目标对象的推荐价值。

在该步骤中，可以根据行为特征信息和视频特征信息，共同确定目标视频的第一预测分值。具体的，可以预先训练得到老用户预测模型，将行为特征信息和视频特征信息输入老用户预测模型，从而得到目标对象作为老用户时输出的、表征目标对象对于该目标视频的喜好程度的第一预测分值，即第一预测分值用于表征在目标对象为老用户时，目标视频相对于目标对象的推荐价值。

同时，可以根据视频特征信息，确定目标视频的第二预测分值。具体的，可以预先训练得到新用户预测模型，仅将视频特征信息输入新用户预测模型，从而得到目标对象作为新用户时输出的、表征目标对象对于该目标视频的喜好程度的第二预测分值，即第二预测分值用于表征在目标对象为新用户时，目标视频相对于目标对象的推荐价值。

步骤104、根据所述第一预测分值和所述第二预测分值确定所述目标视频的分值，所述成熟度用于确定所述第一预测分值和所述第二预测分值在所述分值中的权重，所述分值用于表征所述目标视频针对所述目标对象的推荐价值。

在该步骤中，可以根据得到的第一预测分值、第二预测分值和成熟度，确定用于表征目标对象对于该目标视频喜爱程度的视频的分值，即表征该目标视频针对目标对象的推荐价值。

具体的，由于第一预测分值可以表征目标对象作为老用户时输出的、目标对象对于该目标视频的喜好程度，第二预测分值可以表征目标对象作为新用户时输出的、目标对象对于该目标视频的喜好程度，成熟度可以表征目标对象偏向于新用户或老用户的程度。因此，可以综合第一预测分值和第二预测分值确定目标视频最终的分值，且在根据第一预测分值和第二预测分值确定目标视频最终的分值的过程中，可以根据目标对象的成熟度确定第一预测分值和第二预测分值在该分值中的权重，例如，若所述成熟度较高，说明目标对象偏向于老用户，则可以增加第一预侧分值的权重，若所述成熟度较低，说明目标对象偏向于新用户，则可以增加第二预测分值的权重。

步骤105、在所述目标视频的分值大于预设分值的情况下，向所述目标对象推荐所述目标视频。

在该步骤中，可以根据目标视频的分值，确定是否想目标对象推荐该目标视频。具体的，若目标视频的分值大于预设分值，说明该目标视频针对目标对象的推荐价值较高，则可以向目标对象推荐所述目标视频；若目标视频的分值小于或等于预设分值，说明该目标视频针对目标对象的推荐价值较低，则不向目标对象推荐所述目标视频。

在本发明实施例中，所述目标视频可以是用户在平台浏览视频时，平台召回并进行粗排筛选后的视频池中包含的视频，从而可以根据本发明实施例中的视频推荐方法，对视频池中的目标视频通过上述步骤确定每一个目标视频的分值，从而在目标视频的分值大于预设分值的情况下，向目标对象推荐该目标视频，从而使得视频推荐结果符合用户的喜好。

其中，预设分值可以为预先设置的固定分值，用于区分视频池中的视频为符合用户喜好的视频还是不符合用户喜好的视频。

综上所述，本申请实施例提供的一种视频推荐方法，包括：获取目标对象的行为特征信息以及目标视频的视频特征信息，行为特征信息用于表征目标对象针对视频的行为特征；将行为特征信息输入用户成熟度预测模型，得到目标对象的成熟度，成熟度用于表征目标对象的行为特征信息的完整性；根据行为特征信息和视频特征信息，确定目标视频的第一预测分值，第一预测分值用于表征在目标对象为老用户时，目标视频针对目标对象的推荐价值，并根据视频特征信息，确定目标视频的第二预测分值，第二预测分值用于表征在目标对象为新用户时，目标视频针对目标对象的推荐价值；根据第一预测分值和第二预测分值确定目标视频的分值，成熟度用于确定第一预测分值和第二预测分值在分值中的权重，分值用于表征目标视频针对目标对象的推荐价值；在目标视频的分值大于预设分值的情况下，向目标对象推荐目标视频，本申请实施例中，将行为特征信息输入用户成熟度预测模型，利用得到的目标对象的成熟度对行为特征信息的完整性进行评价，即可以根据目标对象的成熟度确定第一预测分值和第二预测分值在确定目标视频的分值时的权重，从而可以综合目标对象的成熟度、考虑了行为特征信息的第一预测分值，以及未考虑行为特征信息的第二预测分值，得到可以全面评价包含新用户和老用户的完整群体的视频推荐方法，使得针对完整群体用户均可以得到较优的视频推荐效果。

图3是根据一示例性实施例示出的另一种视频推荐方法的步骤流程图，如图3所示，包括以下步骤：

步骤201、获取目标对象的行为特征信息以及目标视频的视频特征信息。

在该步骤中，可以获取目标对象的行为特征信息，以及目标视频的视频特征信息。

可选的，所述行为特征信息可以包括对象收藏视频内容、对象收藏视频长度、对象收藏视频类型中的任意一种或多种，该行为特征信息可以为根据目标对象的历史观看记录和/或历史搜索记录确定的信息，从而确保目标对象的行为特征信息可以准确的反应目标对象针对视频的行为特征，即目标对象对于视频的喜爱程度，从而确保最终推荐给目标对象的目标视频与目标对象的历史观看记录和/或历史搜索记录保持一致，即确保目标视频相对于目标对象有较高的推荐价值。

具体的，可以根据目标对象对视频产生的行为日志，即包含目标对象在视频平台浏览、观看、搜索或收藏视频的记录，确定目标对象感兴趣的、蕴含目标用户喜好信息的特征信息，例如，目标用户收藏的视频内容、目标用户收藏的视频的长度或目标用户收藏的视频类型等。

步骤202、将所述行为特征信息输入用户成熟度预测模型，得到所述目标对象的成熟度。

在该步骤中，参照图1，在获取到目标对象的行为特征信息之后，可以将行为特征信息输入训练好的用户成熟度预测模型20中，得到用于表征所述目标对象的行为特征信息的完整性的成熟度α。

可选的，在由第一机器学习模型、第二机器学习模型和门控单元构成视频推荐模型集合，其中，第一机器学习模型用于训练得到老用户预测模型，第二机器学习模型用于训练得到新用户预测模型的情况下，所述用户成熟度预测模型可以通过以下步骤训练得到：

子步骤2021、获取第三样本对象的第三样本行为特征信息、第三样本视频的第三样本视频特征信息，以及所述第三样本视频标注的第三样本分值，所述第三样本分值为预先标注的、用于表征所述第三样本视频针对所述第三样本对象的推荐价值。

在该步骤中，可以基于样本集训练视频推荐模型集合，从而将视频推荐模型集合中的门控单元训练得到用户成熟度预测模型。

其中，所述视频推荐模型集合中的门控单元可以为使用门值对输出进行加权的网络结构，在本发明实施例中，所述门控单元可以包括3层多层感知器(MLP，MultilayerPerceptron)和sigmoid激活函数层，其输出的门值即为用户成熟度。其中，MLP是一种前馈人工神经网络模型，可以将输入的多个数据集映射到单一的输出的数据集上。

此外，门控单元可以包括多层全连接层和激活函数层，从而可以确保门控单元最终输出的值位于[0,1]之间，即可以确保根据门控单元训练得到的用户成熟度预测模型输出的成熟度处于[0,1]之间，以便于计算第一预测分值和第二预测分值分别对应的权重值。

具体的，用于训练门控单元的样本集可以包括：第三样本对象的第三样本行为特征信息、多个第三样本视频的第三样本视频特征信息，以及第三样本视频标注的第三样本分值，具体的，第三样本分值可以为预先标注的、用于表征第三样本视频针对第三样本对象的推荐价值。

在本发明实施例中，可以根据用户对视频产生的行为日志构建训练集，如曝光给用户的某条视频，如果用户观看时长大于3秒，则用户对该视频的行为为短播(short view)标签为1，否则为0，与短播相似，通常还有有效播放(effective view)，长播(long view)，完播(finish view)等标签，综合用户对该视频的多个标签，可以确定视频标注的样本分值。通过这种方式，我们将用户的行为特征信息、曝光给用户的视频特征信息、用户对该视频的行为(标签)拼接起来成为一条训练样本。

子步骤2022、将所述第三样本行为特征信息和所述第三样本视频特征信息输入所述视频推荐模型集合，输出所述第三样本视频对应的样本预测分值。

在该步骤中，由于门控单元没有单独标注得到的标签值，即无法获得门控训练单元对应的样本成熟度，因此，门控单元需要跟随视频推荐模型集合的整体进行训练。

具体的，可以将样本集中的第三样本行为特征信息、第三样本视频特征信息输入视频推荐模型集合，具体的，将第三样本行为特征信息和第三样本视频特征信息共同输入视频推荐模型集合中的第一机器学习模型，得到第一样本预测分值p1；将第三样本行为特征信息输入视频推荐模型集合中的第二机器学习模型，得到第二样本预测分值q1；将第三样本行为特征信息输入视频推荐模型集合中的门控单元，得到预测成熟度α1，并综合第一样本预测分值p1、第二样本预测分值q1和预测成熟度α1，确定视频推荐模型集合输出的第三样本视频的样本预测分值：α1p1+(1-α1)q1。

可选的，子步骤2022具体可以通过以下步骤实现：

(1)将所述第三样本行为特征信息和所述第三样本视频特征信息输入所述第一机器学习模型，输出所述第三样本视频的第一样本预测分值。

在该步骤中，可以将第三样本行为特征信息和第三样本视频特征信息共同输入视频推荐模型集合中的第一机器学习模型，第一机器学习模型输出第三样本视频的第一样本预测分值p1。

(2)将所述第三样本视频特征信息输入所述第二机器学习模型，输出所述第三样本视频的第二样本预测分值。

在该步骤中，可以将第三样本行为特征信息输入视频推荐模型集合中的第二机器学习模型，第二机器学习模型输出第三样本视频的第二样本预测分值q1。

(3)将所述第三样本行为特征信息输入所述门控单元，输出所述第三样本对象的预测成熟度。

在该步骤中，可以将第三样本行为特征信息输入视频推荐模型集合中的门控单元，门控单元输出第三样本对象的预测成熟度α1。

(4)根据所述预测成熟度确定所述第一样本预测分值和所述第二样本预测分值分别对应的权重值。

在该步骤中，可以根据第三样本对象的预测成熟度α1，确定在根据第一样本预测分值和第二样本预测分值确定第三样本视频对应的样本预测分值的过程中，第一样本预测分值和第二样本预测分值分别对应的权重值。

例如，若门控单元输出第三样本对象的预测成熟度为α1，则可以将α1确定为第一样本预测分值p1对应的权重值，将(1-α1)确定为第二样本预测分值q1对应的权重值。

(5)根据所述第一样本预测分值和所述第二样本预测分值，以及所述第一样本预测分值和所述第二样本预测分值分别对应的权重值，确定所述第三样本视频对应的样本预测分值。

在该步骤中，可以根据第一样本预测分值和第二样本预测分值，以及第一样本预测分值和第二样本预测分值分别对应的权重值，确定第三样本视频对应的样本预测分值。

例如，若门控单元输出第三样本对象的预测成熟度为α1，则可以将α1确定为第一样本预测分值p1对应的权重值，将(1-α1)确定为第二样本预测分值q1对应的权重值，相应的，视频推荐模型集合输出的第三样本视频的样本预测分值可以为：α1p1+(1-α1)q1。

子步骤2023、根据所述第三样本分值和所述样本预测分值，确定所述样本预测分值相对于所述第三样本分值的损失函数。

在该步骤中，在确定第三样本视频的样本预测分值之后，可以根据第三样本视频标注的第三样本分值和视频推荐模型集合输出的样本预测分值，按照均方误差损失函数(BinaryCrossEntropyLoss，BCE Loss)确定视频推荐模型集合的损失函数，即样本预测分值相对于第三样本分值的损失函数。

子步骤2024、通过最小化所述损失函数，调整所述视频推荐模型集合中门控单元的模型参数，得到所述用户成熟度预测模型。

在该步骤中，在确定了视频推荐模型集合的损失函数，即样本预测分值相对于第三样本分值的损失函数之后，可以通过最小化损失函数，利用梯度反向传播调整更新视频推荐模型集合中门控单元的模型参数，从而得到可以得到准确预测用户成熟度的用户成熟度预测模型，用于准确的根据目标对象的行为特征信息确定目标对象是成熟度较高的老用户，还是成熟度较低的新用户。

步骤203、将所述行为特征信息和所述视频特征信息输入老用户预测模型，得到所述目标视频的第一预测分值。

在该步骤中，可以根据行为特征信息和视频特征信息，共同确定目标视频的第一预测分值。具体的，可以预先训练得到老用户预测模型，将行为特征信息和视频特征信息输入老用户预测模型，从而得到目标对象作为老用户时输出的、表征目标对象对于该目标视频的喜好程度的第一预测分值，即第一预测分值用于表征在目标对象为老用户时，目标视频相对于目标对象的推荐价值。

由于老用户预测模型用于输入目标对象的行为特征信息和目标视频的视频特征信息，输出目标用户针对目标视频的第一预测分值，该第一预测分值评估了目标对象的行为特征信息，因此，老用户预测模型是针对于目标对象为老用户的预测模型，可以准确的评价目标对象为老用户时，目标视频相对于目标对象的推荐价值。

可选的，所述老用户预测模型可以通过以下步骤训练得到：

子步骤2031、获取第一样本对象的第一样本行为特征信息、第一样本视频的第一样本视频特征信息，以及所述第一样本视频标注的第一样本分值，所述第一样本分值为预先标注的、用于表征所述第一样本视频针对所述第一样本对象的推荐价值。

在该步骤中，可以基于样本集训练第一机器学习模型，从而将第一机器学习模型训练得到老用户预测模型。

具体的，用于训练第一机器学习模型的样本集可以包括：第一样本对象的第一样本行为特征信息、多个第一样本视频的第一样本视频特征信息，以及第一样本视频标注的第一样本分值，具体的，第一样本分值为预先标注的、用于表征第一样本视频针对第一样本对象的推荐价值。

子步骤2032、根据所述第一样本行为特征信息、所述第一样本视频特征信息和所述第一样本分值，对第一机器学习模型进行训练，得到所述老用户预测模型。

在该步骤中，可以根据第一样本行为特征信息、第一样本视频特征信息和第一样本分值，对第一机器学习模型进行训练，从而得到可以老用户预测模型。

具体的，可以将样本集中的第一样本行为特征信息、第一样本视频特征信息输入第一机器学习模型，得到第一机器学习模型输出的预测分值p1，进一步的，可以根据第一样本分值和预测分值p1，确定第一机器学习模型的损失函数，并根据损失函数动态调整更新第一机器学习模型的模型参数，从而得到可以准确预测第一预测分值的老用户预测模型。

步骤204、将所述视频特征信息输入新用户预测模型，得到所述目标视频的第二预测分值。

在该步骤中，可以根据视频特征信息，确定目标视频的第二预测分值。具体的，可以预先训练得到新用户预测模型，将视频特征信息输入新用户预测模型，从而得到目标对象作为新用户时输出的、表征目标对象对于该视频的喜好程度的第二预测分值，即第二预测分值用于表征在目标对象为新用户时，目标视频针对目标对象的推荐价值。

由于新用户预测模型用于输入视频特征信息，输出目标用户针对目标视频的第二预测分值，该第二预测分值并未评估目标对象的行为特征信息，是针对于目标对象为新用户的预测模型，因此，新用户预测模型是针对于目标对象为新用户的预测模型，可以准确的评价目标对象为新用户时，目标视频相对于目标对象的推荐价值。

可选的，所述新用户预测模型可以通过以下步骤训练得到：

子步骤2041、获取第二样本视频的第二样本视频特征信息，以及所述第二样本视频标注的第二样本分值，所述第二样本分值为预先标注的、用于表征所述第二样本视频的推荐价值。

在该步骤中，可以基于样本集训练第二机器学习模型，从而将第二机器学习模型训练得到新用户预测模型。

具体的，用于训练第二机器学习模型的样本集可以包括：多个第二样本视频的第二样本视频特征信息，以及第二样本视频标注的第二样本分值，具体的，第二样本分值为预先标注的、用于表征第二样本视频的推荐价值。

子步骤2042、根据所述第二样本视频特征信息和所述第二样本分值，对第二机器学习模型进行训练，得到所述新用户预测模型。

在该步骤中，可以根据第二样本视频特征信息和第二样本分值，对第二机器学习模型进行训练，从而得到可以新用户预测模型。

具体的，可以将样本集中的第二样本视频特征信息输入第二机器学习模型，得到第二机器学习模型输出的预测分值q1，进一步的，可以根据第二样本分值和预测分值q1，确定第二机器学习模型的损失函数，并根据损失函数动态调整更新第二机器学习模型的模型参数，从而得到可以准确预测第二预测分值的老用户预测模型。

在本发明实施例中，第一机器学习模型和第二机器学习模型可以具有相同的网络结构，也可以具有不同的网络结构。由于第一机器学习模型和第二机器学习模型的输入参数不同，第一机器学习模型输入样本行为特征信息和样本视频特征信息，第二机器学习模型仅输入样本视频特征信息，因此，为避免同时训练第一机器学习模型和第二机器学习模型(即依据视频推荐模型集合的输出进行训练)时，第二机器学习模型缺少充分学习训练的动力，需要分别通过不同的训练过程训练第一机器学习模型和第二机器学习模型，得到老用户预测模型和新用户预测模型。

步骤205、根据所述成熟度确定所述第一预测分值对应的第一权重值，以及所述第二预测分值对应的第二权重值。

在该步骤中，参照图1，在得到目标对象的成熟度α、目标视频的第一预测分值p和第二预测分值q之后，可以根据成熟度确定第一预测分值对应的第一权重值，以及第二预测分值对应的第二权重值。由于第一预测分值可以表征目标对象作为老用户时输出的、目标对象对于该目标视频的喜好程度，第二预测分值可以表征目标对象作为新用户时输出的、目标对象对于该目标视频的喜好程度，而成熟度可以表征目标对象偏向于新用户或老用户的程度，因此，可以根据成熟度确定第一预测分值对应的第一权重值，以及第二预测分值对应的第二权重值，从而在根据第一预测分值和第二预测分值确定目标视频的分值的过程中，可以准确的确定第一预测分值和第二预测分值分别对应的权重值，从而确保最终得到的目标视频的分值可以准确的反应目标视频相对于目标对象的推荐价值。

具体的，可以将成熟度α确定为第一预测分值p对应的第一权重值，将成熟度α的取值范围的最大值与成熟度α的差值确定为第二预测分值q对应的第二权重值。

例如，若成熟度α的取值范围为[0,1]，成熟度α为0.8，则第一预测分值p对应的第一权重值为0.8(α)，第二预测分值q对应的第二权重值为0.2(1-α)。

步骤206、根据所述第一预测分值和所述第一权重值、所述第二预测分值和所述第二权重值进行加权平均，得到所述目标视频的分值。

在该步骤中，可以根据第一预测分值p和对应的第一权重值α、第二预测分值q和对应的第二权重值1-α进行加权平均，得到目标视频的分值为αp+(1-α)q。

例如，若成熟度α为0.8，则目标视频的分值为0.8p+0.2q。

步骤207、在所述目标视频的分值大于预设分值的情况下，向所述目标对象推荐所述目标视频。

在该步骤中，可以根据目标视频的分值，确定是否想目标对象推荐该目标视频。具体的，若目标视频的分值大于预设分值，说明该目标视频针对目标对象的推荐价值较高，则可以向目标对象推荐所述目标视频；若目标视频的分值小于或等于预设分值，说明该目标视频针对目标对象的推荐价值较低，则不向目标对象推荐所述目标视频。

在本发明实施例中，所述目标视频可以是用户在平台浏览视频时，平台召回并进行粗排筛选后的视频池中包含的视频，从而可以根据本发明实施例中的视频推荐方法，对视频池中的目标视频通过上述步骤确定每一个目标视频的分值，从而在目标视频的分值大于预设分值的情况下，向目标对象推荐该目标视频，从而使得视频推荐结果符合用户的喜好。

步骤208、确定多个所述目标视频对应的分值，并根据所述分值将所述多个目标视频进行排序，确定所述多个目标视频的推荐次序。

在步骤206之后，若包含多个目标视频，则可以确定多个目标视频对应的分值，并根据分值将多个目标视频进行排序，确定多个目标视频的推荐次序。

在本发明实施例中，所述目标视频可以是用户在平台浏览视频时，平台召回并进行粗排筛选后的视频池中包含的多个视频，从而可以根据本发明实施例中的视频推荐方法，对视频池中的多个目标视频通过上述步骤确定每一个目标视频的分值，并根据分值对多个目标视频进行排序，例如，按照分值从大到小的顺序进行排序从而得到多个目标视频的推荐次序，所述推荐次序可以表征多个目标视频针对目标对象的推荐价值的排序。

从而在目标视频的分值大于预设分值的情况下，向目标对象推荐该目标视频，从而使得视频推荐结果符合用户的喜好。

步骤209、根据所述推荐次序，从所述多个目标视频中确定目标推荐视频，并将所述目标推荐视频推荐给所述目标对象。

在该步骤中，可以根据多个目标视频对应的推荐次序，从多个目标视频中确定目标推荐视频，并将该目标推荐视频推荐给目标对象。

在本发明实施例中，由于多个目标视频对应的推荐次序可以表征多个目标视频针对目标对象的推荐价值的排序，因此，可以根据推荐次序从多个目标视频中确定推荐价值较高的目标推荐视频，例如，在按照分值从大到小的顺序进行排序时，将推荐次序中位于第一位的目标视频作为目标推荐视频，或将推荐次序中位于前N位的目标视频作为目标推荐视频推荐给目标对象，使得目标对象获得推荐的目标推荐视频，是符合目标对象的喜爱偏好的视频，从而可以确保较优的视频推荐效果，使得视频推荐结果符合用户的喜好。

在本发明实施例中，还可以根据应用场景，实时更新用于训练老用户预测模型、新用户预测模型和用户成熟度预测模型的训练集，从而更新老用户预测模型、新用户预测模型和用户成熟度预测模型的模型参数，以保证模型参数的时效性。

综上所述，本申请实施例提供的一种视频推荐方法，包括：获取目标对象的行为特征信息以及目标视频的视频特征信息，行为特征信息用于表征目标对象针对视频的行为特征；将行为特征信息输入用户成熟度预测模型，得到目标对象的成熟度，成熟度用于表征目标对象的行为特征信息的完整性；根据行为特征信息和视频特征信息，确定目标视频的第一预测分值，第一预测分值用于表征在目标对象为老用户时，目标视频针对目标对象的推荐价值，并根据视频特征信息，确定目标视频的第二预测分值，第二预测分值用于表征在目标对象为新用户时，目标视频针对目标对象的推荐价值；根据第一预测分值和第二预测分值确定目标视频的分值，成熟度用于确定第一预测分值和第二预测分值在分值中的权重，分值用于表征目标视频针对目标对象的推荐价值；在目标视频的分值大于预设分值的情况下，向目标对象推荐目标视频，本申请实施例中，将行为特征信息输入用户成熟度预测模型，利用得到的目标对象的成熟度对行为特征信息的完整性进行评价，即可以根据目标对象的成熟度确定第一预测分值和第二预测分值在确定目标视频的分值时的权重，从而可以综合目标对象的成熟度、考虑了行为特征信息的第一预测分值，以及未考虑行为特征信息的第二预测分值，得到可以全面评价包含新用户和老用户的完整群体的视频推荐方法，使得针对完整群体用户均可以得到较优的视频推荐效果。

此外，还可以根据多个目标视频对应的分值将多个目标视频进行排序，从而确定多个目标视频的推荐次序，进而可以根据确定的推荐次序，从多个目标视频中确定目标对象喜爱程度较高的，即针对目标对象的推荐价值较高的目标推荐视频，从而将目标推荐视频推荐给目标对象，使得目标对象获得推荐的目标推荐视频，是符合目标对象的喜爱偏好的视频，从而可以获得较优的视频推荐效果。

图4是根据一示例性实施例示出的一种视频推荐装置的框图，如图4所示，该装置300可以包括：

第一获取模块301，用于获取目标对象的行为特征信息以及目标视频的视频特征信息，所述行为特征信息用于表征所述目标对象针对视频的行为特征；

第一确定模块302，用于将所述行为特征信息输入用户成熟度预测模型，得到所述目标对象的成熟度，所述成熟度用于表征所述目标对象的行为特征信息的完整性；

第二确定模块303，用于根据所述行为特征信息和所述视频特征信息，确定所述目标视频的第一预测分值，所述第一预测分值用于表征在所述目标对象为老用户时，所述目标视频针对所述目标对象的推荐价值，并根据所述视频特征信息，确定所述目标视频的第二预测分值，所述第二预测分值用于表征在所述目标对象为新用户时，所述目标视频针对所述目标对象的推荐价值；

第三确定模块304，用于根据所述第一预测分值和所述第二预测分值确定所述目标视频的分值，所述成熟度用于确定所述第一预测分值和所述第二预测分值在所述分值中的权重，所述分值用于表征所述目标视频针对所述目标对象的推荐价值；

第一推荐模块305，用于在所述目标视频的分值大于预设分值的情况下，向所述目标对象推荐所述目标视频。

本申请实施例提供的装置，包括：获取目标对象的行为特征信息以及目标视频的视频特征信息，行为特征信息用于表征目标对象针对视频的行为特征；将行为特征信息输入用户成熟度预测模型，得到目标对象的成熟度，成熟度用于表征目标对象的行为特征信息的完整性；根据行为特征信息和视频特征信息，确定目标视频的第一预测分值，第一预测分值用于表征在目标对象为老用户时，目标视频针对目标对象的推荐价值，并根据视频特征信息，确定目标视频的第二预测分值，第二预测分值用于表征在目标对象为新用户时，目标视频针对目标对象的推荐价值；根据第一预测分值和第二预测分值确定目标视频的分值，成熟度用于确定第一预测分值和第二预测分值在分值中的权重，分值用于表征目标视频针对目标对象的推荐价值；在目标视频的分值大于预设分值的情况下，向目标对象推荐目标视频，本申请实施例中，将行为特征信息输入用户成熟度预测模型，利用得到的目标对象的成熟度对行为特征信息的完整性进行评价，即可以根据目标对象的成熟度确定第一预测分值和第二预测分值在确定目标视频的分值时的权重，从而可以综合目标对象的成熟度、考虑了行为特征信息的第一预测分值，以及未考虑行为特征信息的第二预测分值，得到可以全面评价包含新用户和老用户的完整群体的视频推荐方法，使得针对完整群体用户均可以得到较优的视频推荐效果。

在一种可能实施方式中，所述第三确定模块，包括：

第一确定子模块，用于根据所述成熟度确定所述第一预测分值对应的第一权重值，以及所述第二预测分值对应的第二权重值；

第二确定子模块，用于根据所述第一预测分值和所述第一权重值、所述第二预测分值和所述第二权重值进行加权平均，得到所述目标视频的分值。

在一种可能实施方式中，所述第二确定模块，包括：

第三确定子模块，用于将所述行为特征信息和所述视频特征信息输入老用户预测模型，得到所述目标视频的第一预测分值；

第四确定子模块，用于将所述视频特征信息输入新用户预测模型，得到所述目标视频的第二预测分值。

在一种可能实施方式中，所述装置还包括：

第二获取模块，用于获取第一样本对象的第一样本行为特征信息、第一样本视频的第一样本视频特征信息，以及所述第一样本视频标注的第一样本分值，所述第一样本分值为预先标注的、用于表征所述第一样本视频针对所述第一样本对象的推荐价值；

第一训练模块，用于根据所述第一样本行为特征信息、所述第一样本视频特征信息和所述第一样本分值，对第一机器学习模型进行训练，得到所述老用户预测模型。

在一种可能实施方式中，所述装置还包括：

第三获取模块，用于获取第二样本视频的第二样本视频特征信息，以及所述第二样本视频标注的第二样本分值，所述第二样本分值为预先标注的、用于表征所述第二样本视频的推荐价值；

第二训练模块，用于根据所述第二样本视频特征信息和所述第二样本分值，对第二机器学习模型进行训练，得到所述新用户预测模型。

在一种可能实施方式中，由第一机器学习模型、第二机器学习模型和门控单元构成视频推荐模型集合，所述第一机器学习模型用于训练得到所述老用户预测模型，所述第二机器学习模型用于训练得到所述新用户预测模型，所述装置还包括：

第四获取模块，用于获取第三样本对象的第三样本行为特征信息、第三样本视频的第三样本视频特征信息，以及所述第三样本视频标注的第三样本分值，所述第三样本分值为预先标注的、用于表征所述第三样本视频针对所述第三样本对象的推荐价值；

输入输出模块，用于将所述第三样本行为特征信息和所述第三样本视频特征信息输入所述视频推荐模型集合，输出所述第三样本视频对应的样本预测分值；

第四确定模块，用于根据所述第三样本分值和所述样本预测分值，确定所述样本预测分值相对于所述第三样本分值的损失函数；

第五确定模块，用于通过最小化所述损失函数，调整所述视频推荐模型集合中门控单元的模型参数，得到所述用户成熟度预测模型。

在一种可能实施方式中，所述输入输出模块，包括：

第一输入输出子模块，用于将所述第三样本行为特征信息和所述第三样本视频特征信息输入所述第一机器学习模型，输出所述第三样本视频的第一样本预测分值；

第二输入输出子模块，用于将所述第三样本视频特征信息输入所述第二机器学习模型，输出所述第三样本视频的第二样本预测分值；

第三输入输出子模块，用于将所述第三样本行为特征信息输入所述门控单元，输出所述第三样本对象的预测成熟度；

第五确定子模块，用于根据所述预测成熟度确定所述第一样本预测分值和所述第二样本预测分值分别对应的权重值；

第六确定子模块，用于根据所述第一样本预测分值和所述第二样本预测分值，以及所述第一样本预测分值和所述第二样本预测分值分别对应的权重值，确定所述第三样本视频对应的样本预测分值。

在一种可能实施方式中，所述门控单元包括多层全连接层和激活函数层。

在一种可能实施方式中，所述装置还包括：

排序模块，用于确定多个所述目标视频对应的分值，并根据所述分值将所述多个目标视频进行排序，确定所述多个目标视频的推荐次序；

第二推荐模块，用于根据所述推荐次序，从所述多个目标视频中确定目标推荐视频，并将所述目标推荐视频推荐给所述目标对象。

在一种可能实施方式中，所述行为特征信息包括对象收藏视频内容、对象收藏视频长度、对象收藏视频类型中的任意一种或多种，所述行为特征信息为根据所述目标对象的历史观看记录和/或历史搜索记录确定的信息。

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。

图5是根据一示例性实施例示出的一种电子设备的框图。例如，电子设备400可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。

参照图5，电子设备400可以包括以下一个或多个组件：处理组件402，存储器404，电力组件406，多媒体组件408，音频组件410，输入/输出(I/O)的接口412，传感器组件414，以及通信组件416。

处理组件402通常控制电子设备400的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件402可以包括一个或多个处理器420来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件402可以包括一个或多个模块，便于处理组件402和其他组件之间的交互。例如，处理组件402可以包括多媒体模块，以方便多媒体组件408和处理组件402之间的交互。

存储器404被配置为存储各种类型的数据以支持在电子设备400的操作。这些数据的示例包括用于在电子设备400上操作的任何计算机程序产品或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器404可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

电源组件406为电子设备400的各种组件提供电力。电源组件406可以包括电源管理系统，一个或多个电源，及其他与为电子设备400生成、管理和分配电力相关联的组件。

多媒体组件408包括在所述电子设备400和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件408包括一个前置摄像头和/或后置摄像头。当电子设备400处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件410被配置为输出和/或输入音频信号。例如，音频组件410包括一个麦克风(MIC)，当电子设备400处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器404或经由通信组件416发送。在一些实施例中，音频组件410还包括一个扬声器，用于输出音频信号。

I/O接口412为处理组件402和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件414包括一个或多个传感器，用于为电子设备400提供各个方面的状态评估。例如，传感器组件414可以检测到电子设备400的打开/关闭状态，组件的相对定位，例如所述组件为电子设备400的显示器和小键盘，传感器组件414还可以检测电子设备400或电子设备400一个组件的位置改变，用户与电子设备400接触的存在或不存在，电子设备400方位或加速/减速和电子设备400的温度变化。传感器组件414可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件414还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件414还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件416被配置为便于电子设备400和其他设备之间有线或无线方式的通信。电子设备400可以接入基于通信标准的无线网络，如WiFi，运营商网络(如2G、3G、4G或5G)，或它们的组合。在一个示例性实施例中，通信组件416经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件416还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，电子设备400可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于在该电子设备400被提供为前述第一终端时，执行上述信息提醒方法中的步骤。

在示例性实施例中，还提供了一种包括指令的计算机可读存储介质，例如包括指令的存储器404，上述指令可由电子设备400的处理器420执行以完成上述视频推荐方法。可选的，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。

在示例性实施例中，本申请实施例还提供一种计算机程序产品，包括计算机程序，该计算机程序可以被电子设备的处理器执行时，使得电子设备能够实现如本申请提供的视频推荐方法。

图6是根据一示例性实施例示出的另一种电子设备的框图。参照图6，电子设备500包括处理组件522，其进一步包括一个或多个处理器，以及由存储器532所代表的存储器资源，用于存储可由处理组件522的执行的指令，例如计算机程序产品。存储器932中存储的计算机程序产品可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件522被配置为执行指令，以执行上述视频推荐方法中的步骤。

电子设备500还可以包括一个电源组件526被配置为执行电子设备500的电源管理，一个有线或无线网络接口550被配置为将电子设备500连接到网络，和一个输入输出(I/O)接口558。电子设备500可以操作基于存储在存储器532的操作系统，例如WindowsServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、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申请的一般性原理并包括本申请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，本申请的真正范围和精神由下面的权利要求指出。

应当理解的是，本申请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。本申请的范围仅由所附的权利要求来限制。

Claims (10)

1.一种视频推荐方法，其特征在于，所述方法包括：

获取目标对象的行为特征信息以及目标视频的视频特征信息，所述行为特征信息用于表征所述目标对象针对视频的行为特征；

将所述行为特征信息输入用户成熟度预测模型，得到所述目标对象的成熟度，所述成熟度用于表征所述目标对象的行为特征信息的完整性；

根据所述行为特征信息和所述视频特征信息，确定所述目标视频的第一预测分值，所述第一预测分值用于表征在所述目标对象为老用户时，所述目标视频针对所述目标对象的推荐价值，并根据所述视频特征信息，确定所述目标视频的第二预测分值，所述第二预测分值用于表征在所述目标对象为新用户时，所述目标视频针对所述目标对象的推荐价值；

根据所述第一预测分值和所述第二预测分值确定所述目标视频的分值，所述成熟度用于确定所述第一预测分值和所述第二预测分值在所述分值中的权重，所述分值用于表征所述目标视频针对所述目标对象的推荐价值；

在所述目标视频的分值大于预设分值的情况下，向所述目标对象推荐所述目标视频。

2.根据权利要求1所述的方法，其特征在于，所述根据所述第一预测分值和所述第二预测分值确定所述目标视频的分值的步骤，包括：

根据所述成熟度确定所述第一预测分值对应的第一权重值，以及所述第二预测分值对应的第二权重值；

根据所述第一预测分值和所述第一权重值、所述第二预测分值和所述第二权重值进行加权平均，得到所述目标视频的分值。

3.根据权利要求1所述的方法，其特征在于，所述根据所述行为特征信息和所述视频特征信息，确定所述目标视频的第一预测分值，并根据所述视频特征信息，确定所述目标视频的第二预测分值的步骤，包括：

将所述行为特征信息和所述视频特征信息输入老用户预测模型，得到所述目标视频的第一预测分值；

将所述视频特征信息输入新用户预测模型，得到所述目标视频的第二预测分值。

4.根据权利要求3所述的方法，其特征在于，所述老用户预测模型通过以下步骤得到：

获取第一样本对象的第一样本行为特征信息、第一样本视频的第一样本视频特征信息，以及所述第一样本视频标注的第一样本分值，所述第一样本分值为预先标注的、用于表征所述第一样本视频针对所述第一样本对象的推荐价值；

根据所述第一样本行为特征信息、所述第一样本视频特征信息和所述第一样本分值，对第一机器学习模型进行训练，得到所述老用户预测模型。

5.根据权利要求3所述的方法，其特征在于，所述新用户预测模型通过以下步骤得到：

获取第二样本视频的第二样本视频特征信息，以及所述第二样本视频标注的第二样本分值，所述第二样本分值为预先标注的、用于表征所述第二样本视频的推荐价值；

根据所述第二样本视频特征信息和所述第二样本分值，对第二机器学习模型进行训练，得到所述新用户预测模型。

6.根据权利要求3所述的方法，其特征在于，由第一机器学习模型、第二机器学习模型和门控单元构成视频推荐模型集合，所述第一机器学习模型用于训练得到所述老用户预测模型，所述第二机器学习模型用于训练得到所述新用户预测模型，所述用户成熟度预测模型通过以下步骤得到：

获取第三样本对象的第三样本行为特征信息、第三样本视频的第三样本视频特征信息，以及所述第三样本视频标注的第三样本分值，所述第三样本分值为预先标注的、用于表征所述第三样本视频针对所述第三样本对象的推荐价值；

将所述第三样本行为特征信息和所述第三样本视频特征信息输入所述视频推荐模型集合，输出所述第三样本视频对应的样本预测分值；

根据所述第三样本分值和所述样本预测分值，确定所述样本预测分值相对于所述第三样本分值的损失函数；

通过最小化所述损失函数，调整所述视频推荐模型集合中门控单元的模型参数，得到所述用户成熟度预测模型。

7.一种视频推荐装置，其特征在于，所述装置包括：

第一获取模块，用于获取目标对象的行为特征信息以及目标视频的视频特征信息，所述行为特征信息用于表征所述目标对象针对视频的行为特征；

第一确定模块，用于将所述行为特征信息输入用户成熟度预测模型，得到所述目标对象的成熟度，所述成熟度用于表征所述目标对象的行为特征信息的完整性；

第二确定模块，用于根据所述行为特征信息和所述视频特征信息，确定所述目标视频的第一预测分值，所述第一预测分值用于表征在所述目标对象为老用户时，所述目标视频针对所述目标对象的推荐价值，并根据所述视频特征信息，确定所述目标视频的第二预测分值，所述第二预测分值用于表征在所述目标对象为新用户时，所述目标视频针对所述目标对象的推荐价值；

第三确定模块，用于根据所述第一预测分值和所述第二预测分值确定所述目标视频的分值，所述成熟度用于确定所述第一预测分值和所述第二预测分值在所述分值中的权重，所述分值用于表征所述目标视频针对所述目标对象的推荐价值；

第一推荐模块，用于在所述目标视频的分值大于预设分值的情况下，向所述目标对象推荐所述目标视频。

8.一种电子设备，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中任一项所述的视频推荐方法。

9.一种计算机可读存储介质，当所述计算机可读存储介质中的指令由电子设备的处理器执行时，使得所述电子设备能够执行如权利要求1至6中任一项所述的视频推荐方法。

10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-6任一项所述的视频推荐方法。

Images