CN113766281A - 短视频推荐方法、电子设备和计算机可读存储介质 - Google Patents

短视频推荐方法、电子设备和计算机可读存储介质 Download PDF

Info

Publication number
CN113766281A
CN113766281A CN202111061540.7A CN202111061540A CN113766281A CN 113766281 A CN113766281 A CN 113766281A CN 202111061540 A CN202111061540 A CN 202111061540A CN 113766281 A CN113766281 A CN 113766281A
Authority
CN
China
Prior art keywords
account
keywords
short
comment information
server
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
Application number
CN202111061540.7A
Other languages
English (en)
Other versions
CN113766281B (zh
Inventor
邵泉
杜建平
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.)
Beijing Kuailai Culture Communication Group Co ltd
Original Assignee
Beijing Kuailai Culture Communication Group 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 Beijing Kuailai Culture Communication Group Co ltd filed Critical Beijing Kuailai Culture Communication Group Co ltd
Priority to CN202111061540.7A priority Critical patent/CN113766281B/zh
Publication of CN113766281A publication Critical patent/CN113766281A/zh
Application granted granted Critical
Publication of CN113766281B publication Critical patent/CN113766281B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • H04N21/25—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
    • 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]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/4508—Management of client data or end-user data
    • H04N21/4532—Management of client data or end-user data involving end-user characteristics, e.g. viewer profile, preferences
    • 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]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H04N21/4662—Learning process for intelligent management, e.g. learning user preferences for recommending movies characterized by learning algorithms
    • H04N21/4665—Learning process for intelligent management, e.g. learning user preferences for recommending movies characterized by learning algorithms involving classification methods, e.g. Decision trees
    • 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]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H04N21/4662—Learning process for intelligent management, e.g. learning user preferences for recommending movies characterized by learning algorithms
    • H04N21/4666—Learning process for intelligent management, e.g. learning user preferences for recommending movies characterized by learning algorithms using neural networks, e.g. processing the feedback provided by the user
    • 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]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H04N21/4668—Learning process for intelligent management, e.g. learning user preferences for recommending movies for recommending content, e.g. movies

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computer Graphics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)

Abstract

本发明公开一种短视频推荐方法、电子设备和计算机可读存储介质，短视频推荐方法包括：服务器存储上传的多个带有标签的短视频，还包括已训练的Word2vec模型；客户端登录账号；服务器判断账号是否存在评论信息；若存在，服务器获取账号已观看的短视频的全部评论信息，通过加载有Word2vec模型的卷积神经网络模型提取全部评论信息的关键词并分类形成多种类别集合，将包含关键词数量多于预设词数阈值的类别集合作为账号的偏好关键词，账号的偏好关键词分别与未观看的短视频的标签进行计算得到关联值，将关联值超过关联阈值的未观看的短视频推荐给账号。通过计算实现将未观看的短视频与偏好关键词关联性较大的部分进行推荐的功能。

Description

短视频推荐方法、电子设备和计算机可读存储介质
技术领域
本发明涉及计算机领域，更具体地，涉及一种短视频推荐方法、电子设备和计算机可读存储介质。
背景技术
越来越多的人喜欢观看短视频，因为短视频的出现，恰好迎合了当下碎片化阅读的场景需求。短视频时长较短、核心内容更加直观接地气，具有更多受众，并且短视频运营商的推荐算法机制，可以根据用户之前看过的短视频，以及在每个短视频上的停留时间等操作来为每一位用户定制画像，从而针对每一位不同的用户推荐其感兴趣的内容。在现有技术中，申请公布号为CN109670077A的发明专利申请公开了一种视频推荐方法，获取样本用户的用户特征和样本视频的视频特征；分别在多个用户侧神经网络和多个视频侧神经网络对点击率、点赞率和关注率进行联合学习；根据联合学习获得的神经网络算法的网络参数，得到短视频的推荐列表。这是一种常规的短视频推荐规则，但没有涉及到用户评论信息对短视频推荐的影响，因为用户对短视频内容极度感兴趣时才会进行评论，所以用户的评论信息对短视频推荐来说是一个极为重要的影响因素。
因此，提供一种短视频推荐方法、电子设备和计算机可读存储介质是亟待解决的问题。
发明内容
有鉴于此，本发明提供了一种短视频推荐方法，包括：
服务器存储上传的多个短视频，多个所述短视频包括标签，所述服务器还包括已训练的Word2vec模型；
客户端登录账号；
所述服务器判断所述账号是否为新用户；
若不是新用户，所述服务器判断所述账号是否存在评论信息；
若存在评论信息，所述服务器获取所述账号的已观看的所述短视频，根据已观看的所述短视频获取所述账号的全部所述评论信息，通过加载有所述Word2vec模型的卷积神经网络模型提取全部所述评论信息的关键词并分类形成多种类别集合，每种所述类别集合包含多个相同的所述关键词，将包含所述关键词数量多于预设词数阈值的所述类别集合作为所述账号的偏好关键词，所述账号的偏好关键词分别与未观看的所述短视频的所述标签进行计算得到关联值，将所述关联值超过关联阈值的未观看的所述短视频推荐给所述账号。
优选地，所述服务器判断所述账号是否为新用户，还包括，
若是新用户，所述服务器判断所述账号是否为被动注册账号；
若是被动注册账号，所述服务器查询所述账号的邀请账号，调取所述邀请账号的偏好关键词，将与所述邀请账号的偏好关键词的关联值超过所述关联阈值的未观看的所述短视频推荐给所述账号。
优选地，所述服务器判断所述账号是否为被动注册账号，还包括，
若不是被动注册账号，所述服务器按照多个所述短视频的热度评分由高到低的顺序推荐给所述账号。
优选地，所述服务器判断所述账号是否存在评论信息，
若不存在评论信息，所述服务器判断所述账号在所述客户端是否存在购物行为；
若存在购物行为，所述服务器获取所述账号的购买记录，提取所述购买记录中的商品名称，将与所述商品名称相关的未观看的所述短视频推荐给所述账号。
优选地，所述根据已观看的所述短视频获取所述账号的全部所述评论信息，还包括，
判断所述评论信息是否为文字；
若不是文字，所述服务器判定所述评论信息为无效评论，将所述无效评论忽略。
优选地，所述账号的偏好关键词分别与未观看的所述短视频的所述标签进行计算得到关联值，按照以下方式计算：
Figure BDA0003256798800000031
其中，M为所述关联值，AW为所述账号的偏好关键词，BW为所述标签，(AW∩BW)为所述账号的偏好关键词与所述标签之间相同的字符，DP(AW∩BW)为所述账号的偏好关键词与所述标签之间相同的字符的聚合度，AW∪BW为所述账号的偏好关键词与所述标签之间的所有字符。
优选地，所述账号的偏好关键词根据所述评论信息实时更新。
本发明还提供了一种电子设备，包括：处理器和存储器，所述存储器用于存储所述处理器可执行指令，所述处理器被配置为执行上述任一项所述的短视频推荐方法。
本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令被执行时实现上述任一项所述的短视频推荐方法。
与现有技术相比，本发明提供的短视频推荐方法、电子设备和计算机可读存储介质，至少实现了如下的有益效果：
本发明提供的短视频推荐方法、电子设备和计算机可读存储介质中通过加载有Word2vec模型的卷积神经网络模型提取全部评论信息的关键词并分类形成多种类别集合，每种类别集合包含多个相同的关键词，将包含关键词数量多于预设词数阈值的类别集合作为账号的偏好关键词，账号的偏好关键词分别与未观看的短视频的标签进行计算得到关联值，将关联值超过关联阈值的未观看的短视频推荐给账号。由于用户对短视频内容十分感兴趣时才会进行评论形成评论信息，通过加载有Word2vec模型的卷积神经网络模型提取全部评论信息的关键词并分类能够保证提取、分类的效率和准确性；账号的偏好关键词能够反映出用户感兴趣的内容，计算关联值，通过关联值与关联阈值进行比较，筛选出未观看的短视频与账号的偏好关键词关联性较大的部分进行推荐，实现将用户感兴趣的内容推荐给用户的功能。
当然，实施本发明的任一产品必不特定需要同时达到以上所述的所有技术效果。
通过以下参照附图对本发明的示例性实施例的详细描述，本发明的其它特征及其优点将会变得清楚。
附图说明
被结合在说明书中并构成说明书的一部分的附图示出了本发明的实施例，并且连同其说明一起用于解释本发明的原理。
图1是本发明提供的短视频推荐方法的一种流程图；
图2是本发明提供的短视频推荐方法的另一种流程图。
具体实施方式
现在将参照附图来详细描述本发明的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。
在这里示出和讨论的所有例子中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它例子可以具有不同的值。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
如图1所示，图1是本发明提供的短视频推荐方法的一种流程图，结合图1说明本发明所述的短视频推荐方法的一种具体的实施例，包括：
S11：服务器存储上传的多个短视频，多个短视频包括标签，服务器还包括已训练的Word2vec模型；
在步骤S11中，服务器中包括训练样本集，利用训练样本集进行语料训练得到已训练的Word2vec模型。
S12：客户端登录账号；
S13：服务器判断账号是否为新用户；
S14：若不是新用户，服务器判断账号是否存在评论信息；
S15：若存在评论信息，服务器获取账号的已观看的短视频，根据已观看的短视频获取账号的全部评论信息，通过加载有Word2vec模型的卷积神经网络模型提取全部评论信息的关键词并分类形成多种类别集合，每种类别集合包含多个相同的关键词，将包含关键词数量多于预设词数阈值的类别集合作为账号的偏好关键词，账号的偏好关键词分别与未观看的短视频的标签进行计算得到关联值，将关联值超过关联阈值的未观看的短视频推荐给账号。由于用户对短视频内容十分感兴趣时才会进行评论形成评论信息，通过加载有Word2vec模型的卷积神经网络模型提取全部评论信息的关键词并分类能够保证提取、分类的效率和准确性；账号的偏好关键词能够反映出用户感兴趣的内容，计算关联值，通过关联值与关联阈值进行比较，筛选出未观看的短视频与账号的偏好关键词关联性较大的部分进行推荐，实现将用户感兴趣的内容推荐给用户的功能。
在步骤S15中，通过Word2vec模型获取评论信息中文本的词向量，形成特征矩阵。将Word2vec模型加载到卷积神经网络模型中，将特征矩阵作为卷积神经网络模型的输入数据，经过卷积处理、池化处理后得到特征向量，特征向量在softmax分类器中进行识别分类。
如图2所示，图2是本发明提供的短视频推荐方法的另一种流程图，结合图2说明本发明所述短视频推荐方法的另一种具体的实施例，包括：
S21：服务器存储上传的多个短视频，多个短视频包括标签，服务器还包括已训练的Word2vec模型；
S22：客户端登录账号；
S23：服务器判断账号是否为新用户；
S231：若是新用户，服务器判断账号是否为被动注册账号；
在步骤S231中，被动注册账号是指点击由他人发送的链接进入客户端完成注册的账号。
S2311：若是被动注册账号，服务器查询账号的邀请账号，调取邀请账号的偏好关键词，将与邀请账号的偏好关键词的关联值超过关联阈值的未观看的短视频推荐给账号，由于好友之间存在共同感兴趣的话题，通过邀请账号的偏好关键词能够更快地计算出客户端登录账号的偏好关键词。
S2312：若不是被动注册账号，服务器按照多个短视频的热度评分由高到低的顺序推荐给账号。
S232：若不是新用户，服务器判断账号是否存在评论信息；
S2321：若存在评论信息，服务器获取账号的已观看的短视频，根据已观看的短视频获取账号的全部评论信息，判断评论信息是否为文字；
S23211：若是文字，通过加载有Word2vec模型的卷积神经网络模型提取全部评论信息的关键词并分类形成多种类别集合，每种类别集合包含多个相同的关键词，将包含关键词数量多于预设词数阈值的类别集合作为账号的偏好关键词，账号的偏好关键词分别与未观看的短视频的标签进行计算得到关联值，将关联值超过关联阈值的未观看的短视频推荐给账号。由于用户对短视频内容十分感兴趣时才会进行评论形成评论信息，通过加载有Word2vec模型的卷积神经网络模型提取全部评论信息的关键词并分类能够保证提取、分类的效率和准确性；账号的偏好关键词能够反映出用户感兴趣的内容，计算关联值，通过关联值与关联阈值进行比较，筛选出未观看的短视频与账号的偏好关键词关联性较大的部分进行推荐，实现将用户感兴趣的内容推荐给用户的功能。
在步骤S23211中，预设词数阈值设置为50，当类别集合中关键词的数量超过50时，将该类别集合中的关键词作为账号的偏好关键词。由于不同账号的评论信息数量有很大差别，将每个账号的全部评论信息与系数相乘得到的值作为每个账号的预设词数阈值，例如，第一账号的全部评论信息的数量为200条，系数采用30％，第一账号的预设词数阈值经计算为60，类别集合中关键词数量大于60的类别集合作为第一账号的偏好关键词。在本实施例中，预设词数阈值和系数的设置仅为示意，并不限于此，可根据实际需求进行修改。
在步骤S23211中，账号的偏好关键词分别与未观看的短视频的标签进行计算得到关联值，按照以下方式计算：
Figure BDA0003256798800000071
其中，M为关联值，AW为账号的偏好关键词，BW为标签，(AW∩BW)为账号的偏好关键词与标签之间相同的字符，DP(AW∩BW)为账号的偏好关键词与标签之间相同的字符的聚合度，AW∪BW为账号的偏好关键词与标签之间的所有字符。
其中，关联阈值可以设置为0.5，当短视频的标签与偏好关键词计算出的关联值小于等于0.5时，判定为无关，不进行推荐；当短视频的标签与偏好关键词计算出的关联值大于0.5时，判定为有关，进行推荐。在本实施例中，关联阈值仅为示意，并不限于此，将关联阈值设置为其他数值也均在本实施例的保护范围之内。
S23212：若不是文字，服务器判定评论信息为无效评论，将无效评论忽略。由于评论信息可能是表情包或是标点符号，无法进行有效的关键词提取，将无效评论忽略并不会对账号的偏好关键词产生影响，还能减少运算量。
S2322：若不存在评论信息，服务器判断账号在客户端是否存在购物行为；
若存在购物行为，服务器获取账号的购买记录，提取购买记录中的商品名称，将与商品名称相关的未观看的短视频推荐给账号。
在步骤S2322中，通过账号购买的商品名称能够预测账号的感兴趣的话题，例如，账号的购买记录中存在狗粮，即账号对宠物狗的话题感兴趣，服务器将短视频的标签中含有“狗”字的短视频推送给账号。
账号的偏好关键词根据评论信息实时更新，能够保证短视频推荐的准确性。
本发明还提供一种电子设备，包括：处理器和存储器，存储器用于存储处理器可执行指令，处理器被配置为执行本发明提供的短视频推荐方法。
本发明还提供一种计算机可读存储介质，计算机可读存储介质存储有计算机指令，计算机指令被执行时实现本发明提供的短视频推荐方法。
通过上述实施例可知，本发明提供的短视频推荐方法、电子设备和计算机可读存储介质，至少实现了如下的有益效果：
本发明提供的短视频推荐方法、电子设备和计算机可读存储介质中通过加载有Word2vec模型的卷积神经网络模型提取全部评论信息的关键词并分类形成多种类别集合，每种类别集合包含多个相同的关键词，将包含关键词数量多于预设词数阈值的类别集合作为账号的偏好关键词，账号的偏好关键词分别与未观看的短视频的标签进行计算得到关联值，将关联值超过关联阈值的未观看的短视频推荐给账号。由于用户对短视频内容十分感兴趣时才会进行评论形成评论信息，通过加载有Word2vec模型的卷积神经网络模型提取全部评论信息的关键词并分类能够保证提取、分类的效率和准确性；账号的偏好关键词能够反映出用户感兴趣的内容，计算关联值，通过关联值与关联阈值进行比较，筛选出未观看的短视频与账号的偏好关键词关联性较大的部分进行推荐，实现将用户感兴趣的内容推荐给用户的功能。
虽然已经通过例子对本发明的一些特定实施例进行了详细说明，但是本领域的技术人员应该理解，以上例子仅是为了进行说明，而不是为了限制本发明的范围。本领域的技术人员应该理解，可在不脱离本发明的范围和精神的情况下，对以上实施例进行修改。本发明的范围由所附权利要求来限定。

Claims (9)

1.一种短视频推荐方法，其特征在于，包括：
服务器存储上传的多个短视频，多个所述短视频包括标签，所述服务器还包括已训练的Word2vec模型；
客户端登录账号；
所述服务器判断所述账号是否为新用户；
若不是新用户，所述服务器判断所述账号是否存在评论信息；
若存在评论信息，所述服务器获取所述账号的已观看的所述短视频，根据已观看的所述短视频获取所述账号的全部所述评论信息，通过加载有所述Word2vec模型的卷积神经网络模型提取全部所述评论信息的关键词并分类形成多种类别集合，每种所述类别集合包含多个相同的所述关键词，将包含所述关键词数量多于预设词数阈值的所述类别集合作为所述账号的偏好关键词，所述账号的偏好关键词分别与未观看的所述短视频的所述标签进行计算得到关联值，将所述关联值超过关联阈值的未观看的所述短视频推荐给所述账号。
2.根据权利要求1所述的短视频推荐方法，其特征在于，所述服务器判断所述账号是否为新用户，还包括，
若是新用户，所述服务器判断所述账号是否为被动注册账号；
若是被动注册账号，所述服务器查询所述账号的邀请账号，调取所述邀请账号的偏好关键词，将与所述邀请账号的偏好关键词的关联值超过所述关联阈值的未观看的所述短视频推荐给所述账号。
3.根据权利要求2所述的短视频推荐方法，其特征在于，所述服务器判断所述账号是否为被动注册账号，还包括，
若不是被动注册账号，所述服务器按照多个所述短视频的热度评分由高到低的顺序推荐给所述账号。
4.根据权利要求1所述的短视频推荐方法，其特征在于，所述服务器判断所述账号是否存在评论信息，
若不存在评论信息，所述服务器判断所述账号在所述客户端是否存在购物行为；
若存在购物行为，所述服务器获取所述账号的购买记录，提取所述购买记录中的商品名称，将与所述商品名称相关的未观看的所述短视频推荐给所述账号。
5.根据权利要求1所述的短视频推荐方法，其特征在于，所述根据已观看的所述短视频获取所述账号的全部所述评论信息，还包括，
判断所述评论信息是否为文字；
若不是文字，所述服务器判定所述评论信息为无效评论，将所述无效评论忽略。
6.根据权利要求1所述的短视频推荐方法，其特征在于，所述账号的偏好关键词分别与未观看的所述短视频的所述标签进行计算得到关联值，按照以下方式计算：
Figure FDA0003256798790000021
其中，M为所述关联值，AW为所述账号的偏好关键词，BW为所述标签，(AW∩BW)为所述账号的偏好关键词与所述标签之间相同的字符，DP(AW∩BW)为所述账号的偏好关键词与所述标签之间相同的字符的聚合度，AW∪BW为所述账号的偏好关键词与所述标签之间的所有字符。
7.根据权利要求1所述的短视频推荐方法，其特征在于，所述账号的偏好关键词根据所述评论信息实时更新。
8.一种电子设备，其特征在于，包括：处理器和存储器，所述存储器用于存储所述处理器可执行指令，所述处理器被配置为执行权利要求1-7中任一项所述的短视频推荐方法。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令被执行时实现权利要求1-7中任一项所述的短视频推荐方法。
CN202111061540.7A 2021-09-10 2021-09-10 短视频推荐方法、电子设备和计算机可读存储介质 Active CN113766281B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111061540.7A CN113766281B (zh) 2021-09-10 2021-09-10 短视频推荐方法、电子设备和计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111061540.7A CN113766281B (zh) 2021-09-10 2021-09-10 短视频推荐方法、电子设备和计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN113766281A true CN113766281A (zh) 2021-12-07
CN113766281B CN113766281B (zh) 2022-11-22

Family

ID=78794817

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111061540.7A Active CN113766281B (zh) 2021-09-10 2021-09-10 短视频推荐方法、电子设备和计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN113766281B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114430503A (zh) * 2022-01-25 2022-05-03 上海影宴数码科技有限公司 一种基于短视频大数据叠加推荐方法
CN114866845A (zh) * 2022-07-05 2022-08-05 长沙美哒网络科技有限公司 一种基于短视频发布的信息检测方法及系统
CN114936303A (zh) * 2022-06-08 2022-08-23 浙江天目智慧科技有限公司 一种短视频推荐方法、系统及存储介质

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150248721A1 (en) * 2014-03-03 2015-09-03 Invent.ly LLC Recommendation engine with profile analysis
CN105095508A (zh) * 2015-08-31 2015-11-25 北京奇艺世纪科技有限公司 一种多媒体内容推荐方法和多媒体内容推荐装置
CN106231428A (zh) * 2016-07-29 2016-12-14 乐视控股（北京）有限公司 一种视频推荐方法及装置
CN107509116A (zh) * 2017-09-08 2017-12-22 咪咕互动娱乐有限公司 一种信息推送方法、装置及存储介质
CN107657004A (zh) * 2017-09-21 2018-02-02 广州华多网络科技有限公司 视频推荐方法、系统及设备
CN108737859A (zh) * 2018-05-07 2018-11-02 华东师范大学 基于弹幕的视频推荐方法和装置
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
CN109684507A (zh) * 2018-11-23 2019-04-26 北京达佳互联信息技术有限公司 视频推荐方法、视频推荐装置和计算机可读存储介质
CN110298029A (zh) * 2019-05-22 2019-10-01 平安科技（深圳）有限公司 基于用户语料的好友推荐方法、装置、设备及介质
CN110933472A (zh) * 2019-12-02 2020-03-27 深圳市云积分科技有限公司 一种用于实现视频推荐的方法和装置
CN111127146A (zh) * 2019-12-19 2020-05-08 江西财经大学 基于卷积神经网络与降噪自编码器的信息推荐方法及系统
CN112991017A (zh) * 2021-03-26 2021-06-18 刘秀萍 基于用户评论解析的标签体系精准推荐方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150248721A1 (en) * 2014-03-03 2015-09-03 Invent.ly LLC Recommendation engine with profile analysis
CN105095508A (zh) * 2015-08-31 2015-11-25 北京奇艺世纪科技有限公司 一种多媒体内容推荐方法和多媒体内容推荐装置
CN106231428A (zh) * 2016-07-29 2016-12-14 乐视控股（北京）有限公司 一种视频推荐方法及装置
CN107509116A (zh) * 2017-09-08 2017-12-22 咪咕互动娱乐有限公司 一种信息推送方法、装置及存储介质
CN107657004A (zh) * 2017-09-21 2018-02-02 广州华多网络科技有限公司 视频推荐方法、系统及设备
CN108737859A (zh) * 2018-05-07 2018-11-02 华东师范大学 基于弹幕的视频推荐方法和装置
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
CN109684507A (zh) * 2018-11-23 2019-04-26 北京达佳互联信息技术有限公司 视频推荐方法、视频推荐装置和计算机可读存储介质
CN110298029A (zh) * 2019-05-22 2019-10-01 平安科技（深圳）有限公司 基于用户语料的好友推荐方法、装置、设备及介质
CN110933472A (zh) * 2019-12-02 2020-03-27 深圳市云积分科技有限公司 一种用于实现视频推荐的方法和装置
CN111127146A (zh) * 2019-12-19 2020-05-08 江西财经大学 基于卷积神经网络与降噪自编码器的信息推荐方法及系统
CN112991017A (zh) * 2021-03-26 2021-06-18 刘秀萍 基于用户评论解析的标签体系精准推荐方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114430503A (zh) * 2022-01-25 2022-05-03 上海影宴数码科技有限公司 一种基于短视频大数据叠加推荐方法
CN114430503B (zh) * 2022-01-25 2023-08-04 上海影宴数码科技有限公司 一种基于短视频大数据叠加推荐方法
CN114936303A (zh) * 2022-06-08 2022-08-23 浙江天目智慧科技有限公司 一种短视频推荐方法、系统及存储介质
CN114866845A (zh) * 2022-07-05 2022-08-05 长沙美哒网络科技有限公司 一种基于短视频发布的信息检测方法及系统

Also Published As

Publication number Publication date
CN113766281B (zh) 2022-11-22

Similar Documents

Publication Publication Date Title
CN113766281B (zh) 短视频推荐方法、电子设备和计算机可读存储介质
CN106599022B (zh) 基于用户访问数据的用户画像形成方法
CN110598011B (zh) 数据处理方法、装置、计算机设备以及可读存储介质
Alam et al. Processing social media images by combining human and machine computing during crises
US10380249B2 (en) Predicting future trending topics
US10599774B1 (en) Evaluating content items based upon semantic similarity of text
CN108874777B (zh) 一种文本反垃圾的方法及装置
Wang et al. Microblog sentiment analysis based on cross-media bag-of-words model
US20180212918A1 (en) Methods and apparatus for inserting content into conversations in on-line and digital environments
CN107291780B (zh) 一种用户评论信息展示方法和装置
US8521818B2 (en) Methods and apparatus for recognizing and acting upon user intentions expressed in on-line conversations and similar environments
US9218364B1 (en) Monitoring an any-image labeling engine
US9037600B1 (en) Any-image labeling engine
CN110298029B (zh) 基于用户语料的好友推荐方法、装置、设备及介质
US20210406324A1 (en) System and method for providing a content item based on computer vision processing of images
CN111798879A (zh) 用于生成视频的方法和装置
CN108959323B (zh) 视频分类方法和装置
WO2012126259A1 (zh) 一种具有信息发布和搜索功能的系统及信息发布方法
CN112364204A (zh) 视频搜索方法、装置、计算机设备及存储介质
EP3905177A1 (en) Recommending that an entity in an online system create content describing an item associated with a topic having at least a threshold value of a performance metric and to add a tag describing the item to the content
CN112257452A (zh) 情感识别模型的训练方法、装置、设备和存储介质
US20150286945A1 (en) Artificial Intelligence System and Method for Making Decisions About Data Objects
CN115659008A (zh) 大数据信息反馈的信息推送系统、方法、电子设备及介质
US10082992B2 (en) Providing a print-ready document
CN114282119A (zh) 一种基于异构信息网络的科技信息资源检索方法及系统

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