CN113779381B - 资源推荐方法、装置、电子设备和存储介质 - Google Patents
资源推荐方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN113779381B CN113779381B CN202110937458.XA CN202110937458A CN113779381B CN 113779381 B CN113779381 B CN 113779381B CN 202110937458 A CN202110937458 A CN 202110937458A CN 113779381 B CN113779381 B CN 113779381B
- Authority
- CN
- China
- Prior art keywords
- resource
- entity word
- entity
- multimedia
- determining
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 84
- 230000003993 interaction Effects 0.000 claims description 15
- 230000006399 behavior Effects 0.000 claims description 13
- 238000012015 optical character recognition Methods 0.000 claims description 7
- 230000014759 maintenance of location Effects 0.000 abstract description 11
- 238000013135 deep learning Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 description 17
- 238000004590 computer program Methods 0.000 description 12
- 238000012545 processing Methods 0.000 description 10
- 238000012216 screening Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000013473 artificial intelligence Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 239000012634 fragment Substances 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000003252 repetitive effect Effects 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
Abstract
本公开提供了一种资源推荐方法、装置、电子设备和存储介质，涉及深度学习、知识图谱、智能搜索等领域。具体实现方案为：识别在播放页面中播放的视频片段中的各实体词，并根据各实体词的属性信息，从各实体词中确定用户感兴趣的目标实体词并在播放页面展示，搜索与目标实体词关联的第一多媒体资源，并根据各第一多媒体资源的属性信息，从第一多媒体资源中确定待推荐的目标多媒体资源并在播放页面展示。由此，不仅可以实现在播放页面展示实体词，还可以实现在播放页面展示与实体词关联的多媒体资源，以满足用户更深层次的知识需求，提升用户消费时长和留存时长。
Description
技术领域
本公开涉及深度学习、知识图谱、智能搜索等AI(Artificial Intelligence，人工智能)领域，尤其涉及资源推荐方法、装置、电子设备和存储介质。
背景技术
在观看视频的过程中，用户可能具有了解视频中的知识点的需求，例如在观看影视剧片段的过程中，用户可能希望了解影视剧名、视频中出现的演员、历史事件等相关知识点，以及了解与相关知识点对应的拓展阅读资源。因此，如何识别出视频中的实体词，并按照对应的出现时机推荐与实体词相关的扩展资源，以满足用户更深层次的知识需求是非常重要的。
发明内容
本公开提供了一种用于资源推荐方法、装置、电子设备和存储介质。
根据本公开的一方面，提供了一种资源推荐方法，包括：
识别在播放页面中播放的视频片段中的各实体词；
根据各所述实体词的属性信息，从各所述实体词中确定用户感兴趣的目标实体词并在所述播放页面展示；
搜索与所述目标实体词关联的第一多媒体资源；
根据各所述第一多媒体资源的属性信息，从所述第一多媒体资源中确定待推荐的目标多媒体资源并在所述播放页面展示。
根据本公开的另一方面，提供了一种资源推荐装置，包括：
识别模块，用于识别在播放页面中播放的视频片段中的各实体词；
第一确定模块，用于根据各所述实体词的属性信息，从各所述实体词中确定用户感兴趣的目标实体词并在所述播放页面展示；
搜索模块，用于搜索与所述目标实体词关联的第一多媒体资源；
第二确定模块，用于根据各所述第一多媒体资源的属性信息，从所述第一多媒体资源中确定待推荐的目标多媒体资源并在所述播放页面展示。
根据本公开的又一方面，提供了一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本公开上述一方面提出的资源推荐方法。
根据本公开的再一方面，提供了一种计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行本公开上述一方面提出的资源推荐方法。
根据本公开的还一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现本公开上述一方面提出的资源推荐方法。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1是本公开实施例一所提供的资源推荐方法的流程示意图；
图2为本公开实施例二所提供的资源推荐方法的流程示意图；
图3为本公开实施例三所提供的资源推荐方法的流程示意图；
图4为本公开实施例四所提供的资源推荐方法的流程示意图；
图5为本公开实施例五所提供的资源推荐方法的流程示意图；
图6为本公开实施例六所提供的资源推荐方法的流程示意图；
图7为本公开实施例七所提供的资源推荐方法的流程示意图；
图8为本公开实施例中的播放页面示意图；
图9为本公开实施例八所提供的资源推荐装置的结构示意图；
图10示出了可以用来实施本公开的实施例的示例电子设备的示意性框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
相关技术中，用户可以通过观看视频弹幕，了解与视频相关的内容，或者，可以通过点击视频下方展示的视频标签(该视频标签与时间轴无关)，来查看与视频标签相关的资源，或者，可以通过查看其它用户在图片上添加的自定义标签，来获取与图片相关的内容。
然而上述方式，展示的均非实体粒度，用户可能无法获取与所展示的资源相关的知识点，并且，上述方式也不支持查看与实体词关联的扩展资源。
因此针对上述存在的问题，本公开提出一种资源推荐方法、装置、电子设备和存储介质。
下面参考附图描述本公开实施例的资源推荐方法、装置、电子设备和存储介质。
图1为本公开实施例一所提供的资源推荐方法的流程示意图。
本公开实施例以该资源推荐方法被配置于资源推荐装置中来举例说明，该资源推荐装置可以应用于任一电子设备中，以使该电子设备可以执行资源推荐功能。
其中，电子设备可以为任一具有计算能力的设备，例如可以为个人电脑、移动终端、服务器等，移动终端例如可以为车载设备、手机、平板电脑、个人数字助理、穿戴式设备等具有各种操作系统、触摸屏和/或显示屏的硬件设备。
如图1所示，该资源推荐方法可以包括以下步骤：
步骤101，识别在播放页面中播放的视频片段中的各实体词。
在本公开实施例中，可以对播放页面中播放的视频片段进行实体词识别，以确定该视频片段中的各实体词。
在本公开实施例的第一种可能的实现方式中，可以获取视频片段的标题和类别，根据标题和类别，确定视频片段中的各实体词。
其中，视频片段的类别，是指视频片段的内容分类，可由分类算法自动计算得到。
作为一种示例，可以结合视频片段的标题和视频片段的分类，通过实体链接技术识别该视频片段中的实体词。
在本公开实施例的第二种可能的实现方式中，可以对视频片段中各视频帧进行OCR(Optical Character Recongnition，光学字符识别)，和/或，对视频片段中的音频流进行ASR(Automatic Speech Recognition，自动语音识别)，以得到视频片段对应的文本信息，从而可对上述文本信息进行实体词识别，得到视频片段中的各实体词。
作为一种示例，当视频片段中有字幕时，可以通过OCR技术，提取视频片段中的文本信息，而当视频片段中没有字幕时，可以基于OCR技术和ASR技术，提取视频片段中的文本信息，之后，可通过实体链接技术识别上述文本信息中的实体词。进一步地，还可以记录各实体词在视频片段中的出现时间点，本公开中记为出现时刻。
作为一种可能的实现方式，为了降低处理负担，可以仅对视频片段中的各关键帧进行OCR识别，和/或，对视频片段中的音频流进行ASR识别，以得到视频片段对应的文本信息。
在本公开实施例的第三种可能的实现方式中，可以对视频片段中各视频帧进行目标对象识别，根据识别出的目标对象，确定视频片段中的各实体词。
其中，目标对象可以包括人脸、物体、风景名胜等。
例如，以目标对象为人脸进行示例性说明，可以预先根据各参考人脸和各参考人脸对应的身份信息，构建人脸特征实体库，通过人脸ID技术将视频片段中出现的人脸和人脸特征实体库中各参考人脸进行匹配，根据与视频片段中出现的人脸匹配的参考人脸的身份信息，确定视频片段中的各实体词。
可以理解的是，当目标对象为人脸时，实体词可以包括人名，从而后续可以向用户推荐与识别得到的各人名关联的多媒体资源，比如推荐某某演员参演的影视剧等，而当目标对象为其他时，比如为风景名胜时，可以向用户推荐与识别得到的风景名胜关联的多媒体资源，比如推荐上述风景名胜所在地区的旅游视频等。
在本公开实施例的第四种可能的实现方式中，可以获取视频片段的第一视频指纹，将第一视频指纹与各候选视频对应的第二视频指纹进行匹配，将匹配的候选视频所对应的实体词，确定为视频片段中的各实体词。
在本公开实施例中，可以预先根据各候选视频构建视频指纹库，其中，各候选视频中的实体词已预先提取或识别得到，且视频指纹库中存储有各候选视频与视频指纹(本公开中记为第二视频指纹)之间的对应关系，从而本公开中，可以将当前播放的视频片段的第一视频指纹，与视频指纹库中各第二视频指纹进行匹配，将匹配的第二视频指纹对应的候选视频，作为目标视频，从而可以将目标视频所对应的实体词，作为视频片段中的各实体词。
需要说明的是，上述仅以采用各种方式中的其中一种实体词识别方式，对视频片段进行实体词识别，实际应用时，还可以结合上述各种方式中的多种组合，对视频片段进行实体词识别，以提升实体词识别结果的准确性和可靠性，本公开对此并不作限制。
在本公开实施例的第五种可能的实现方式中，实体词还可以包括剧名，本公开中，还可以根据上述方式识别得到的各实体词，查询KG(Knowledge Graph，知识图谱)，以确定视频片段的剧名。
作为一种示例，以目标对象为人脸进行示例性说明，可以根据视频片段中的关键人物和各实体词，结合视频片段的标题和类别，查询KG以确定视频片段的剧名。例如，可以基于KG语义推理的影视实体识别技术，通过知识图谱推理引擎推断出视频片段的剧名，即影视剧名称。
由此，通过多种方式，对视频片段进行实体词识别，可以提升该方法的灵活性和适用性。
需要说明的是，本公开仅以上述方式识别得到视频片段中的实体词进行示例，但本公开并不限于此，还包括本领域已知的其他实体词识别方法，只要能够得到视频片段中的实体词即可。
步骤102，根据各实体词的属性信息，从各实体词中确定用户感兴趣的目标实体词并在播放页面展示。
在本公开实施例中，实体词的属性信息可以包括但不限于实体词的权重值、消费价值、点击率、在播放页面的展现次数等参数。
在本公开实施例中，可以根据各实体词的属性信息，从各实体词中确定用户感兴趣的目标实体词，并在播放页面展示目标实体词，其中，目标实体词的个数为至少一个。也就是说，本公开中，可以根据各实体词的属性信息，对各实体词进行筛选，仅保留用户感兴趣的目标实体词。
步骤103，搜索与目标实体词关联的第一多媒体资源。
在本公开实施例中，可以搜索与目标实体词关联的多媒体资源，本公开中记为第一多媒体资源，其中，第一多媒体资源可以包括卡片、图片、视频、音频、文本等资源。
在本公开实施例的一种可能的实现方式中，为了提升资源推荐的丰富性，可以从多个数据源，搜索与目标实体词关联的第一多媒体资源。比如，可以从多个数据源，搜索与目标实体词关联的新闻资源、影视剧资源等。
步骤104，根据各第一多媒体资源的属性信息，从第一多媒体资源中确定待推荐的目标多媒体资源并在播放页面展示。
在本公开实施例中，可以根据各第一多媒体资源的属性信息，从各第一多媒体资源中确定待推荐的目标多媒体资源，并在播放页面展示目标多媒资源，其中，目标多媒资源的个数为至少一个。也就是说，本公开中，可以根据各第一多媒资源的属性信息，对各第一多媒体资源进行筛选，仅保留目标多媒体资源。
本公开实施例的资源推荐方法，通过识别在播放页面中播放的视频片段中的各实体词，并根据各实体词的属性信息，从各实体词中确定用户感兴趣的目标实体词并在播放页面展示，搜索与目标实体词关联的第一多媒体资源，并根据各第一多媒体资源的属性信息，从第一多媒体资源中确定待推荐的目标多媒体资源并在播放页面展示。由此，不仅可以实现在播放页面展示实体词，还可以实现在播放页面展示与实体词关联的多媒体资源，以满足用户更深层次的知识需求，提升用户消费时长和留存时长。此外，通过两次筛选过程，分别筛选得到用户感兴趣的目标实体词，以及对目标实体词关联的第一多媒体资源进行筛选，得到待推荐的目标多媒体资源，可以提升资源推荐的精准性，进一步提升用户消费时长和留存时长。
为了清楚说明本申请中是如何筛选得到目标实体词的，下面结合实施例二，以实体词的属性信息为权重值进行示例性说明。
图2为本公开实施例二所提供的资源推荐方法的流程示意图。
如图2所示，该资源推荐方法可以包括以下步骤：
步骤201，识别在播放页面中播放的视频片段中的各实体词。
步骤201的执行过程可以参见上述实施例中步骤101的执行过程，在此不做赘述。
步骤202，针对每个实体词，确定该实体词在视频片段中的出现时刻、出现时长和出现次数。
在本公开实施例中，在从视频片段中识别得到每个实体词后，可以记录各实体词在视频片段中的出现时刻、出现时长和出现次数。
举例而言，对于实体词A，假设该实体词A在视频片段的第5秒首次出现，持续出现时长为3秒，并在视频片段的第10分钟第二次出现，持续出现时长为10秒，则该实体词的出现时刻为视频片段的第5秒和第10分钟，出现时长为13秒，出现次数为2次。
步骤203，确定该实体词的识别结果，其中，识别结果用于指示该实体词是否包含于视频片段的标题。
步骤204，根据出现时刻、出现时长、出现次数和识别结果中的至少一项，确定该实体词的权重值。
在本公开实施例中，可以根据实体词在视频片段中的出现时刻、出现时长、出现次数及用于指示该实体词是否包含于视频片段的标题的识别结果中的至少一项，确定实体词的权重值。
比如，实体词的权重值可以与出现时长和出现次数成正向关系，即出现时长越长，实体词的权重值越大，出现次数越多，实体词的权重值越大。
再比如，出现时刻越早，实体词的权重越小，出现时刻越晚，实体词的权重越大，当然也可以为出现时刻越早，实体词的权重越大，出现时刻越晚，实体词的权重越小，本公开对此并不作限制。
再比如，当识别结果指示实体词包含于视频片段的标题中时，实体词的权重值相对较大，而当识别结果指示实体词未包含于视频片段的标题中时，实体词的权重值相对较小。
步骤205，根据各实体词的权重值，从各实体词中确定用户感兴趣的目标实体词并在播放页面展示。
在本公开实施例中，可以根据各实体词的权重值，从各实体词中确定用户感兴趣的目标实体词，并在播放页面展示各目标实体词。
作为一种可能的实现方式，可以将各实体词按照权重值的取值，由大至小排序，选取排序在前的第一个数的实体词，作为目标实体词，并根据各目标实体词的权重值，在播放页面按序展示各目标实体词，即权重值越大，目标实体词排序越靠前。
步骤206，搜索与目标实体词关联的第一多媒体资源。
步骤207，根据各第一多媒体资源的属性信息，从第一多媒体资源中确定待推荐的目标多媒体资源并在播放页面展示。
步骤206至207的执行过程可以参见本公开任一实施例的执行过程，在此不做赘述。
本公开实施例的资源推荐方法，通过根据各实体词在视频片段中的出现时刻、出现时长、出现次数，以及是否包含于视频片段的标题中，来确定表征各实体词重要程度的权重值，从而根据各实体词的权重值，从各实体词中筛选用户感兴趣的目标实体词，可以使得筛选得到的目标实体词的重要程度较高，提升实体词推荐的精准性。
为了清楚说明本申请中是如何筛选得到目标实体词的，下面结合实施例三，以实体词的属性信息为消费价值进行示例性说明。
图3为本公开实施例三所提供的资源推荐方法的流程示意图。
如图3所示，该资源推荐方法可以包括以下步骤：
步骤301，识别在播放页面中播放的视频片段中的各实体词。
步骤301的执行过程可以参见上述实施例中步骤101的执行过程，在此不做赘述。
步骤302，针对每个实体词，确定包含实体词的第二多媒体资源。
在本公开实施例中，针对视频片段中的每个实体词，可以确定包含该实体词的第二多媒体资源。以第二多媒体资源为视频资源进行示例性说明，以实体词为某演员的姓名进行示例，可以确定全网中包含该演员的视频资源。
步骤303，确定第二多媒体资源的资源数量。
在本公开实施例中，针对每个实体词，在确定包含该实体词的第二多媒体资源后，可以统计第二多媒体资源的数量，得到第二多媒体资源的资源数量。
步骤304，根据对第二多媒体资源监听到的用户交互行为，确定第二多媒体资源的第一资源热度。
在本公开实施例中，用户交互行为可以包括但不限于点击、浏览、评论、关注、收藏、分享、点赞等。
在本公开实施例中，可以根据对第二多媒体资源监听到的用户交互行为，确定第二多媒体资源的第一资源热度。例如，可以根据各第二多媒体资源的观看时长、点击量、评论量、关注量、收藏量、分享量、点赞量等信息，确定第二多媒体资源的第一资源热度。其中，第一资源热度，与第二多媒资源的观看时长、点击量、评论量、关注量、收藏量、分享量、点赞量等成正向关系。
步骤305，获取第二多媒体资源与突发事件的相关度。
在本公开实施例中，突发事件是指与当前播放时间距离较近的突发事件。比如，当前播放时间为2021年8月5日12：00：00，突发事件可以为奥运会。
在本公开实施例中，可以确定第二多媒体资源与突发事件的相关度。
作为一种示例，可以根据第二多媒体资源的发布时间，确定第二多媒体资源与突发事件的相关度。比如，可以确定突发事件的发生时间，根据第二多媒体资源的发布时间和突发事件的发生时间的时间差，来确定上述相关度，其中，相关度与时间差成反向关系，即时间差越小，相关度越大，反之，时间差越大，相关度越小。
作为另一种示例，可以根据第二多媒体资源的资源内容和/或第二多媒体资源中的各实体词，确定第二多媒体资源与突发事件的相关度。比如，第二多媒体资源中出现大量运动员姓名、运动比赛项目，则可以确定该第二多媒体资源与突发事件(例如奥运会)的相关度较高。
步骤306，根据资源数量、第一资源热度和相关度中的至少一项，确定实体词的消费价值。
在本公开实施例中，可以根据第二多媒体资源的资源数量、第一资源热度，及第二多媒体资源与突发事件的相关度中的至少一项，确定实体词的消费价值。其中，消费价值与上述资源数量、第一资源热度和相关度成正向关系，即资源数量越大，消费价值越高，第一资源热度越高，消费价值越高，突发度越高，消费价值越高。
步骤307，根据各实体词的消费价值，从各实体词中确定用户感兴趣的目标实体词并在播放页面展示。
在本公开实施例中，可以根据各实体词的消费价值，从各实体词中确定用户感兴趣的目标实体词，并在播放页面展示各目标实体词。
作为一种可能的实现方式，可以将各实体词按照消费价值的取值，由大至小排序，选取排序在前的第一个数的实体词，作为目标实体词，并根据各目标实体词的消费价值，在播放页面按序展示各目标实体词，即消费价值越大，目标实体词排序越靠前。
步骤308，搜索与目标实体词关联的第一多媒体资源。
步骤309，根据各第一多媒体资源的属性信息，从第一多媒体资源中确定待推荐的目标多媒体资源并在播放页面展示。
步骤308至309的执行过程可以参见本公开任一实施例的执行过程，在此不做赘述。
本公开实施例的资源推荐方法，通过根据包含实体词的第二多媒体资源的资源数量、资源热度，以及第二多媒体资源与突发事件的相关度，来确定实体词的消费价值，从而根据各实体词的消费价值，从各实体词中筛选用户感兴趣的目标实体词，可以使得筛选得到的目标实体词的消费价值较高，从而提升用户消费时长和留存时长。
为了清楚说明本申请中是如何筛选得到目标实体词的，下面结合实施例四，以实体词的属性信息为点击率进行示例性说明。
图4为本公开实施例四所提供的资源推荐方法的流程示意图。
如图4所示，该资源推荐方法可以包括以下步骤：
步骤401，识别在播放页面中播放的视频片段中的各实体词。
步骤402，针对每个实体词，确定包含实体词的第二多媒体资源。
步骤401至402的执行过程可以参见上述实施例的执行过程，在此不做赘述。
步骤403，对第二多媒体资源进行特征提取，以得到第一资源特征。
在本公开实施例中，为了保证特征提取的丰富性，第一资源特征可以包括但不限于第二多媒体资源的标题、类别、标签、摘要、关键字等特征。
作为一种可能的实现方式，可以基于特征提取算法，对第二多媒体资源进行特征提取，得到第一资源特征。
作为一种示例，标题可由用户上传多媒体资源时拟定；类别，即为多媒体资源的内容分类，可由分类算法自动计算得到；标签，可由用户上传多媒体资源时设定，或者，标签也可以自动生成，比如可以根据标签生成算法计算得到多媒体资源的标签；摘要，可以使用自然语言处理技术中的内容提取算法自动提取；关键字，可以使用已有的语义分析算法提取。
步骤404，将第一资源特征输入至经过训练的点击率模型，以得到点击率模型输出的第一预测点击率；其中，点击率模型已学习得到多媒体资源的资源特征与点击率之间的对应关系。
在本公开实施例中，可以预先针对已有的多媒体资源监听用户交互行为，根据用户交互行为，确定已有的多媒体资源的点击率，从而可以根据已有的多媒体资源的资源特征以及对应的点击率，对初始的点击率模型进行训练，以使训练后的点击率模型学习得到多媒体资源的资源特征与点击率之间的对应关系。
在本公开实施例中，可以将第二多媒体资源对应的第一资源特征输入至经过训练的点击率模型，以得到点击率模型输出的第一预测点击率。
步骤405，根据第一预测点击率，确定实体词的点击率。
在本公开实施例中，可以根据各第二多媒体资源对应的第一预测点击率，确定实体词的点击率。例如，可以对各第二多媒体资源对应的第一预测点击率求取均值，将均值作为实体词的点击率，或者，可以根据设定权重，对各第二多媒体资源对应的第一预测点击率进行加权求和，得到实体词的点击率。
步骤406，根据各实体词的点击率，从各实体词中确定用户感兴趣的目标实体词并在播放页面展示。
在本公开实施例中，可以根据各实体词的点击率，从各实体词中确定用户感兴趣的目标实体词，并在播放页面展示各目标实体词。
作为一种可能的实现方式，可以将各实体词按照点击率的取值，由大至小排序，选取排序在前的第一个数的实体词，作为目标实体词，并根据各目标实体词的点击率，在播放页面按序展示各目标实体词，即点击率越大，目标实体词排序越靠前。
步骤407，搜索与目标实体词关联的第一多媒体资源。
步骤408，根据各第一多媒体资源的属性信息，从第一多媒体资源中确定待推荐的目标多媒体资源并在播放页面展示。
步骤407至408的执行过程可以参见本公开任一实施例的执行过程，在此不做赘述。
本公开实施例的资源推荐方法，通过根据包含实体词的第二多媒体资源的资源特征，预测第二多媒体资源的点击率，根据第二多媒体资源的点击率，确定实体词的点击率，从而根据各实体词的点击率，从各实体词中筛选用户感兴趣的目标实体词，可以使得筛选得到的目标实体词的点击率较高，从而提升用户消费时长和留存时长。
为了清楚说明本申请中是如何筛选得到目标实体词的，下面结合实施例五，以实体词的属性信息为展现次数进行示例性说明。
图5为本公开实施例五所提供的资源推荐方法的流程示意图。
如图5所示，该资源推荐方法可以包括以下步骤：
步骤501，识别在播放页面中播放的视频片段中的各实体词。
步骤501的执行过程可以参见上述实施例的执行过程，在此不做赘述。
步骤502，针对每个实体词，统计在预设时间段内实体词在播放页面的展现次数。
在本公开实施例中，预设时间段为预先设置的，比如，预设时间段的上限值可以为当前播放时间，预设时间段的下限值可以根据应用需求设置，比如下限值可以与当前播放时间距离1小时、半天、一天、两天等，本公开对此并不作限制。
在本公开实施例中，针对每个实体词，可以统计在预设时间段内，该实体词在播放页面的展现次数。
举例而言，以预设时间段的下限值与当前播放时间距离一天进行示例性说明，假设当前播放时间为2021年8月12日13:00:00，则可以统计2021年8月11日13:00:00至2021年8月12日13:00:00之间，视频片段中各实体词的在播放页面的展现次数。例如，对于实体词A，假设同一用户在观看视频1、2、3时，在播放页面均展示了该实体词A，而对于实体词B，仅在播放视频3时，在播放页面均展示了该实体词B，则实体词A在播放页面的展现次数为3，实体词B在播放页面的展现次数为1。
步骤503，根据各实体词的展现次数，从各实体词中确定用户感兴趣的目标实体词并在播放页面展示。
应当理解的是，对于同一个实体词，如果在短时间内多次重复向用户推荐该实体词以及该实体词关联的多媒体资源，则可以造成用户产生厌烦的心理，因此，在本公开实施例的一种可能的实现方式中，为了实现降低用户的重复感，可以根据各实体词的展现次数，从各实体词中确定用户感兴趣的目标实体词，并在播放页面展示各目标实体词。
作为一种可能的实现方式，可以将各实体词按照展现次数的取值，由小至大排序，选取排序在前的第一个数的实体词，作为目标实体词，并根据各目标实体词的展现次数，在播放页面按序展示各目标实体词，即展现次数越小，目标实体词排序越靠前。
步骤504，搜索与目标实体词关联的第一多媒体资源。
步骤505，根据各第一多媒体资源的属性信息，从第一多媒体资源中确定待推荐的目标多媒体资源并在播放页面展示。
本公开实施例的资源推荐方法，通过根据预设时间段内各实体词在播放页面的展现次数，筛选用户感兴趣的目标实体词，可以使得筛选得到的目标实体词在某个时间段内展现次数不会太多，从而降低用户的重复感，避免用户产生厌烦的心理。
需要说明的是，前述实施例二至实施例五仅以实体词的属性信息包括一种参数进行示例性说明，实际应用时，为了实现实体词推荐的精准性，还可以根据实体词的属性信息中的多种参数，来筛选目标实体词。下面结合实施例六，对上述过程进行示例性说明。
图6为本公开实施例六所提供的资源推荐方法的流程示意图。
如图6所示，该资源推荐方法可以包括以下步骤：
步骤601，识别在播放页面中播放的视频片段中的各实体词。
步骤601的执行过程可以参见上述实施例的执行过程，在此不做赘述。
步骤602，针对每个实体词，根据实体词的属性信息中的各项参数，确定实体词的第一得分。
在本公开实施例中，实体词的属性信息中可以包括权重值、消费价值、点击率、展现次数中的多项参数。
在本公开实施例中，实体词的第一得分，可以与权重值、消费价值、点击率成正向关系，与实体词的展现次数成反向关系。
举例而言，实体词A的权重值、消费价值、点击率均与实体词B相同，然而，实体词A在一天之内，向用户1推荐了2次，而实体词B在这天内，未向用户1推荐，则为了避免用户产生厌烦的心理，可以确定实体词B的第一得分高于实体词A的第一得分。
步骤603，将各实体词按照第一得分的取值，由大至小排序。
步骤604，选取排序在前的第一个数的实体词，作为目标实体词。
在本公开实施例中，第一个数为预先设置的，应当理解的是，受限于播放页面的展示面积，第一个数的取值不应过大，比如，该第一个数可以为2个、3个等等。
步骤605，根据各目标实体词的第一得分，在播放页面按序展示各目标实体词。
在本公开实施例中，可以将各实体词按照第一得分的取值，由大至小排序，并选取排序在前的第一个数的实体词，作为目标实体词，并根据各目标实体词的第一得分，在播放页面按序展示各目标实体词，即第一得分越大，目标实体词排序越靠前。
步骤606，搜索与目标实体词关联的第一多媒体资源。
步骤607，根据各第一多媒体资源的属性信息，从第一多媒体资源中确定待推荐的目标多媒体资源并在播放页面展示。
步骤606至607的执行过程可以参见本公开任一实施例的执行过程，在此不做赘述。
作为一种示例，每个实体词可能在多个时间段内出现，在同一视频帧也可能会有多个实体词出现，本公开中，可以根据各实体词的权重值、消费价值、点击率等特征进行组合优化，确定使用户停留时长最长的实体词，作为目标实体词，并将目标实体词展示给用户，从而满足用户更深层次的知识需求。
本公开实施例的资源展示方法，通过根据各实体词的属性信息中的多种参数，确定各实体词的第一得分，根据各实体词的第一得分，筛选用户感兴趣的目标实体词，可以使得筛选得到的目标实体词的得分较高，从而提升实体词推荐的精准性，提升用户消费时长和留存时长。
为了清楚说明本公开上述任一实施例中，是如何根据各第一多媒体资源的属性信息，筛选得到目标多媒体资源的，本公开提出了另一种资源推荐方法。
图7为本公开实施例七所提供的资源推荐方法的流程示意图。
如图7所示，该资源推荐方法可以包括以下步骤：
步骤701，识别在播放页面中播放的视频片段中的各实体词。
步骤702，根据各实体词的属性信息，从各实体词中确定用户感兴趣的目标实体词并在播放页面展示。
步骤703，搜索与目标实体词关联的第一多媒体资源。
步骤701至703的执行过程可以参见上述任一实施例的执行过程，在此不做赘述。
步骤704，针对每个第一多媒体资源，根据对应属性信息中的各项参数，确定第一多媒体资源的第二得分。
在本公开实施例中，第一多媒体资源的属性信息中可以包括但不限于新鲜度、资源热度和预测点击率等参数。
其中，新鲜度，可以根据第一多媒体资源的发布时间确定。例如，发布时间与当前播放时间之间的时间差越小，新鲜度越高，反之，发布时间与当前播放时间之间的时间差越大，新鲜度越低。由此，通过根据多媒体资源的发布时间来确定多媒资源的新鲜度方式，可以提升新鲜度确定结果的可靠性。
其中，可以根据对第一多媒体资源监听到的用户交互行为，确定第一多媒体资源的第二资源热度。需要说明的是，第二资源热度的确定方式可以参见上述实施例中的步骤304，其实现原理类似，此处不做赘述。由此，根据实际对多媒体资源监听到的用户交互行为，确定该多媒体资源的资源热度，可以提升资源热度计算结果的可靠性和合理性。
其中，可以对第一多媒体资源进行特征提取，以得到第二资源特征，并将第二资源特征输入至经过训练的点击率模型，以得到点击率模型输出的该第一多媒体资源对应的第二预测点击率。由此，基于深度学习技术，确定多媒体资源的点击率，可以提升预测结果的准确性。需要说明的是，第二预测点击率的确定方式可以参见上述实施例中的步骤403至404，其实现原理类似，此处不做赘述。
在本公开实施例中，针对每个第一多媒体资源，可以根据该第一多媒体资源的新鲜度、第二资源热度和第二预测点击率中的至少一项，确定第一多媒体资源的第二得分。其中，第二得分与新鲜度、第二资源热度和第二预测点击率成正向关系，即第一多媒体资源的新鲜度越高，第二得分越高，第一多媒体资源的第二资源热度越高，第二得分越高，第一多媒资源的第二预测点击率越高，第二得分越高。
步骤705，将各第一多媒体资源按照第二得分的取值，由大至小排序。
步骤706，选取排序在前的第二个数的第一多媒体资源，作为目标多媒体资源。
在本公开实施例中，第二个数为预先设置的，应当理解的是，受限于播放页面的展示面积，第二个数的取值不应过大，比如，该第二个数可以为3个、4个、5个、6个等等。
步骤707，根据各目标多媒体资源的第二得分，在播放页面按序展示各目标多媒体资源。
在本公开实施例中，可以将各第一多媒体资源按照第二得分的取值，由大至小排序，并选取排序在前的第二个数的第一多媒体资源，作为目标多媒体资源，并根据各目标多媒体资源的第二得分，在播放页面按序展示各目标多媒体资源，即第二得分越大，目标多媒体资源排序越靠前。
作为一种示例，播放页面可以如图8所示，对当前播放的视频片段进行实体词识别，识别并筛选得到目标实体词可以如区域81中所示，根据目标实体词进行资源搜索，搜索并筛选得到的目标多媒体资源可以如区域82中所示。
本公开实施例的资源推荐方法，通过根据第一多媒体资源的属性信息中的各项参数，确定第一多媒体资源的第二得分，根据各第一多媒体资源的第二得分，筛选待推荐的目标多媒资源，可以使得筛选得到的目标多媒体资源的得分较高，从而提升资源推荐的精准性，提升用户消费时长和留存时长。
与上述图1至图7实施例提供的资源推荐方法相对应，本公开还提供一种资源推荐装置，由于本公开实施例提供的资源推荐装置与上述图1至图7实施例提供的资源推荐方法相对应，因此在资源推荐方法的实施方式也适用于本公开实施例提供的资源推荐装置，在本公开实施例中不再详细描述。
图9为本公开实施例八所提供的资源推荐装置的结构示意图。
如图9所示，该资源推荐装置900可以包括：识别模块901、第一确定模块902、搜索模块903以及第二确定模块904。
其中，识别模块901，用于识别在播放页面中播放的视频片段中的各实体词。
第一确定模块902，用于根据各实体词的属性信息，从各实体词中确定用户感兴趣的目标实体词并在播放页面展示。
搜索模块903，用于搜索与目标实体词关联的第一多媒体资源。
第二确定模块904，用于根据各第一多媒体资源的属性信息，从第一多媒体资源中确定待推荐的目标多媒体资源并在播放页面展示。
在本公开实施例的一种可能的实现方式中，识别模块901，具体用于：获取视频片段的标题和类别，根据标题和类别，确定视频片段中的各实体词；和/或，对视频片段中各视频帧进行光学字符识别，和/或，对视频片段中的音频流进行语音识别，以得到视频片段对应的文本信息，对文本信息进行实体词识别，得到视频片段中的各实体词；和/或，对视频片段中各视频帧进行目标对象识别，根据识别出的目标对象，确定视频片段中的各实体词；和/或，获取视频片段的第一视频指纹，将第一视频指纹与各候选视频对应的第二视频指纹进行匹配，将匹配的候选视频所对应的实体词，确定为视频片段中的各实体词。
在本公开实施例的一种可能的实现方式中，实体词包括剧名，该资源推荐装置900还可以包括：
查询模块，用于根据视频片段中的各实体词，查询知识图谱，以确定视频片段的剧名。
在本公开实施例的一种可能的实现方式中，实体词的属性信息包括权重值，该资源推荐装置900还可以包括：
第三确定模块，用于针对每个实体词，确定实体词在视频片段中的出现时刻、出现时长和出现次数；确定实体词的识别结果，其中，识别结果用于指示实体词是否包含于视频片段的标题；根据出现时刻、出现时长、出现次数和识别结果中的至少一项，确定实体词的权重值。
在本公开实施例的一种可能的实现方式中，实体词的属性信息包括消费价值，该资源推荐装置900还可以包括：
第四确定模块，用于针对每个实体词，确定包含实体词的第二多媒体资源；确定第二多媒体资源的资源数量；根据对第二多媒体资源监听到的用户交互行为，确定第二多媒体资源的第一资源热度；获取第二多媒体资源与突发事件的相关度；根据资源数量、第一资源热度和相关度中的至少一项，确定实体词的消费价值。
在本公开实施例的一种可能的实现方式中，实体词的属性信息包括点击率，该资源推荐装置900还可以包括：
第五确定模块，用于针对每个实体词，确定包含实体词的第二多媒体资源；对第二多媒体资源进行特征提取，以得到第一资源特征；将第一资源特征输入至经过训练的点击率模型，以得到点击率模型输出的第一预测点击率；其中，点击率模型已学习得到多媒体资源的资源特征与点击率之间的对应关系；根据第一预测点击率，确定实体词的点击率。
在本公开实施例的一种可能的实现方式中，实体词的属性信息包括展现次数，该资源推荐装置900还可以包括：
统计模块，用于针对每个实体词，统计在预设时间段内实体词在播放页面的展现次数。
在本公开实施例的一种可能的实现方式中，第一确定模块902，具体用于：针对每个实体词，根据实体词的属性信息中的各项参数，确定实体词的第一得分；将各实体词按照第一得分的取值，由大至小排序；选取排序在前的第一个数的实体词，作为目标实体词；根据各目标实体词的第一得分，在播放页面按序展示各目标实体词。
在本公开实施例的一种可能的实现方式中，搜索模块903，具体用于：从多个数据源，搜索与目标实体词关联的第一多媒体资源。
在本公开实施例的一种可能的实现方式中，第一多媒体资源的属性信息包括新鲜度，该资源推荐装置900还可以包括：
第六确定模块，用于获取第一多媒体资源的发布时间，并根据发布时间，确定第一多媒体资源的新鲜度。
在本公开实施例的一种可能的实现方式中，第一多媒体资源的属性信息还包括资源热度和预测点击率中的至少一项，该资源推荐装置900还可以包括：
第七确定模块，用于根据对第一多媒体资源监听到的用户交互行为，确定第一多媒体资源的第二资源热度；和/或，对第一多媒体资源进行特征提取，以得到第二资源特征，并将第二资源特征输入至经过训练的点击率模型，以得到点击率模型输出的第二预测点击率。
在本公开实施例的一种可能的实现方式中，第二确定模块，具体用于：针对每个第一多媒体资源，根据对应属性信息中的各项参数，确定第一多媒体资源的第二得分；将各第一多媒体资源按照第二得分的取值，由大至小排序；选取排序在前的第二个数的第一多媒体资源，作为目标多媒体资源；根据各目标多媒体资源的第二得分，在播放页面按序展示各目标多媒体资源。
本公开实施例的资源推荐装置，通过识别在播放页面中播放的视频片段中的各实体词，并根据各实体词的属性信息，从各实体词中确定用户感兴趣的目标实体词并在播放页面展示，搜索与目标实体词关联的第一多媒体资源，并根据各第一多媒体资源的属性信息，从第一多媒体资源中确定待推荐的目标多媒体资源并在播放页面展示。由此，不仅可以实现在播放页面展示实体词，还可以实现在播放页面展示与实体词关联的多媒体资源，以满足用户更深层次的知识需求，提升用户消费时长和留存时长。此外，通过两次筛选过程，分别筛选得到用户感兴趣的目标实体词，以及对目标实体词关联的第一多媒体资源进行筛选，得到待推荐的目标多媒体资源，可以提升资源推荐的精准性，进一步提升用户消费时长和留存时长。
为了实现上述实施例，本公开还提供一种服务端，该服务端可以包括至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行本公开上述图1至图7任一实施例提出的资源推荐方法。
为了实现上述实施例，本公开还提供一种存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机执行本公开上述图1至图7任一实施例提出的资源推荐方法。
为了实现上述实施例，本公开还提供一种计算机程序产品，该计算机程序产品包括计算机程序，计算机程序在被处理器执行时实现本公开上述图1至图7任一实施例提出的资源推荐方法。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图10示出了可以用来实施本公开的实施例的示例电子设备的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图10所示，设备1000包括计算单元1001，其可以根据存储在ROM(Read-OnlyMemory，只读存储器)1002中的计算机程序或者从存储单元1007加载到RAM(Random AccessMemory，随机访问/存取存储器)1003中的计算机程序，来执行各种适当的动作和处理。在RAM 1003中，还可存储设备1000操作所需的各种程序和数据。计算单元1001、ROM 1002以及RAM 1003通过总线1004彼此相连。I/O(Input/Output，输入/输出)接口1005也连接至总线1004。
设备1000中的多个部件连接至I/O接口1005，包括：输入单元1006，例如键盘、鼠标等；输出单元1007，例如各种类型的显示器、扬声器等；存储单元1008，例如磁盘、光盘等；以及通信单元1009，例如网卡、调制解调器、无线通信收发机等。通信单元1009允许设备1000通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元1001可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1001的一些示例包括但不限于CPU(Central Processing Unit，中央处理单元)、GPU(Graphic Processing Units，图形处理单元)、各种专用的AI(Artificial Intelligence，人工智能)计算芯片、各种运行机器学习模型算法的计算单元、DSP(Digital SignalProcessor，数字信号处理器)、以及任何适当的处理器、控制器、微控制器等。计算单元1001执行上文所描述的各个方法和处理，例如上述资源推荐方法。例如，在一些实施例中，上述资源推荐方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元1008。在一些实施例中，计算机程序的部分或者全部可以经由ROM 1002和/或通信单元1009而被载入和/或安装到设备1000上。当计算机程序加载到RAM 1003并由计算单元1001执行时，可以执行上文描述的资源推荐方法的一个或多个步骤。备选地，在其他实施例中，计算单元1001可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行上述资源推荐方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、FPGA(Field Programmable Gate Array，现场可编程门阵列)、ASIC(Application-Specific Integrated Circuit，专用集成电路)、ASSP(Application Specific StandardProduct，专用标准产品)、SOC(System On Chip，芯片上系统的系统)、CPLD(ComplexProgrammable Logic Device，复杂可编程逻辑设备)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、RAM、ROM、EPROM(Electrically Programmable Read-Only-Memory，可擦除可编程只读存储器)或快闪存储器、光纤、CD-ROM(Compact Disc Read-Only Memory，便捷式紧凑盘只读存储器)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(Cathode-Ray Tube，阴极射线管)或者LCD(Liquid Crystal Display，液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：LAN(LocalArea Network，局域网)、WAN(Wide Area Network，广域网)、互联网和区块链网络。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务(VirtualPrivate Server，虚拟专用服务器)中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。
其中，需要说明的是，人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术；人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
根据本公开实施例的技术方案，通过识别在播放页面中播放的视频片段中的各实体词，并根据各实体词的属性信息，从各实体词中确定用户感兴趣的目标实体词并在播放页面展示，搜索与目标实体词关联的第一多媒体资源，并根据各第一多媒体资源的属性信息，从第一多媒体资源中确定待推荐的目标多媒体资源并在播放页面展示。由此，不仅可以实现在播放页面展示实体词，还可以实现在播放页面展示与实体词关联的多媒体资源，以满足用户更深层次的知识需求，提升用户消费时长和留存时长。此外，通过两次筛选过程，分别筛选得到用户感兴趣的目标实体词，以及对目标实体词关联的第一多媒体资源进行筛选，得到待推荐的目标多媒体资源，可以提升资源推荐的精准性，进一步提升用户消费时长和留存时长。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。
Claims (10)
1.一种资源推荐方法，所述方法包括：
识别在播放页面中播放的视频片段中的各实体词；
根据各所述实体词的属性信息，从各所述实体词中确定用户感兴趣的目标实体词并在所述播放页面展示；
搜索与所述目标实体词关联的第一多媒体资源；
根据各所述第一多媒体资源的属性信息，从所述第一多媒体资源中确定待推荐的目标多媒体资源并在所述播放页面展示；
其中，所述实体词的属性信息包括权重值，所述方法还包括：
针对每个所述实体词，确定所述实体词在所述视频片段中的出现时刻、出现时长和出现次数；
确定所述实体词的识别结果，其中，所述识别结果用于指示所述实体词是否包含于所述视频片段的标题；
根据所述出现时刻、所述出现时长、所述出现次数和所述识别结果中的至少一项，确定所述实体词的权重值；
其中，所述实体词的属性信息包括消费价值，所述方法还包括：
针对每个所述实体词，确定包含所述实体词的第二多媒体资源；
确定所述第二多媒体资源的资源数量；
根据对所述第二多媒体资源监听到的用户交互行为，确定所述第二多媒体资源的第一资源热度；
获取所述第二多媒体资源与突发事件的相关度；
根据所述资源数量、所述第一资源热度和所述相关度中的至少一项，确定所述实体词的消费价值；
其中，所述实体词的属性信息包括点击率，所述方法还包括：
针对每个所述实体词，确定包含所述实体词的第二多媒体资源；
对所述第二多媒体资源进行特征提取，以得到第一资源特征；
将所述第一资源特征输入至经过训练的点击率模型，以得到所述点击率模型输出的第一预测点击率；其中，所述点击率模型已学习得到多媒体资源的资源特征与点击率之间的对应关系；
根据所述第一预测点击率，确定所述实体词的点击率；
其中，所述第一多媒体资源的属性信息包括新鲜度，所述方法还包括：
获取所述第一多媒体资源的发布时间；
根据所述发布时间，确定所述第一多媒体资源的新鲜度；
其中，所述第一多媒体资源的属性信息还包括资源热度和预测点击率中的至少一项，所述方法还包括：
根据对所述第一多媒体资源监听到的用户交互行为，确定所述第一多媒体资源的第二资源热度；
和/或，
对所述第一多媒体资源进行特征提取，以得到第二资源特征，并将所述第二资源特征输入至经过训练的点击率模型，以得到所述点击率模型输出的第二预测点击率。
2.根据权利要求1所述的方法，其中，所述识别在播放页面中播放的视频片段中的各实体词，包括：
获取所述视频片段的标题和类别，根据所述标题和类别，确定所述视频片段中的各所述实体词；
和/或，
对所述视频片段中各视频帧进行光学字符识别，和/或，对所述视频片段中的音频流进行语音识别，以得到所述视频片段对应的文本信息，对所述文本信息进行实体词识别，得到所述视频片段中的各所述实体词；
和/或，
对所述视频片段中各视频帧进行目标对象识别，根据识别出的目标对象，确定所述视频片段中的各所述实体词；
和/或，
获取所述视频片段的第一视频指纹，将所述第一视频指纹与各候选视频对应的第二视频指纹进行匹配，将匹配的候选视频所对应的实体词，确定为所述视频片段中的各所述实体词。
3.根据权利要求2所述的方法，其中，所述实体词包括剧名，所述方法还包括：
根据所述视频片段中的各所述实体词，查询知识图谱，以确定所述视频片段的剧名。
4.根据权利要求1所述的方法，其中，所述实体词的属性信息包括展现次数，所述方法还包括：
针对每个所述实体词，统计在预设时间段内所述实体词在所述播放页面的展现次数。
5.根据权利要求1-4中任一项所述的方法，其中，所述根据各所述实体词的属性信息，从各所述实体词中确定用户感兴趣的目标实体词并在所述播放页面展示，包括：
针对每个所述实体词，根据所述实体词的属性信息中的各项参数，确定所述实体词的第一得分；
将各所述实体词按照所述第一得分的取值，由大至小排序；
选取排序在前的第一个数的实体词，作为所述目标实体词；
根据各所述目标实体词的第一得分，在所述播放页面按序展示各所述目标实体词。
6.根据权利要求1-4中任一项所述的方法，其中，所述搜索与所述目标实体词关联的第一多媒体资源，包括：
从多个数据源，搜索与所述目标实体词关联的第一多媒体资源。
7.根据权利要求1所述的方法，其中，所述根据各所述第一多媒体资源的属性信息，从所述第一多媒体资源中确定待推荐的目标多媒体资源并在所述播放页面展示，包括：
针对每个所述第一多媒体资源，根据对应属性信息中的各项参数，确定所述第一多媒体资源的第二得分；
将各所述第一多媒体资源按照所述第二得分的取值，由大至小排序；
选取排序在前的第二个数的第一多媒体资源，作为所述目标多媒体资源；
根据各所述目标多媒体资源的第二得分，在所述播放页面按序展示各所述目标多媒体资源。
8.一种资源推荐装置，包括：
识别模块，用于识别在播放页面中播放的视频片段中的各实体词；
第一确定模块，用于根据各所述实体词的属性信息，从各所述实体词中确定用户感兴趣的目标实体词并在所述播放页面展示；
搜索模块，用于搜索与所述目标实体词关联的第一多媒体资源；
第二确定模块，用于根据各所述第一多媒体资源的属性信息，从所述第一多媒体资源中确定待推荐的目标多媒体资源并在所述播放页面展示；
其中，所述实体词的属性信息包括权重值，还包括：
针对每个所述实体词，确定所述实体词在所述视频片段中的出现时刻、出现时长和出现次数；
确定所述实体词的识别结果，其中，所述识别结果用于指示所述实体词是否包含于所述视频片段的标题；
根据所述出现时刻、所述出现时长、所述出现次数和所述识别结果中的至少一项，确定所述实体词的权重值；
其中，所述实体词的属性信息包括消费价值，还包括：
针对每个所述实体词，确定包含所述实体词的第二多媒体资源；
确定所述第二多媒体资源的资源数量；
根据对所述第二多媒体资源监听到的用户交互行为，确定所述第二多媒体资源的第一资源热度；
获取所述第二多媒体资源与突发事件的相关度；
根据所述资源数量、所述第一资源热度和所述相关度中的至少一项，确定所述实体词的消费价值；
其中，所述实体词的属性信息包括点击率，还包括：
针对每个所述实体词，确定包含所述实体词的第二多媒体资源；
对所述第二多媒体资源进行特征提取，以得到第一资源特征；
将所述第一资源特征输入至经过训练的点击率模型，以得到所述点击率模型输出的第一预测点击率；其中，所述点击率模型已学习得到多媒体资源的资源特征与点击率之间的对应关系；
根据所述第一预测点击率，确定所述实体词的点击率；
其中，所述第一多媒体资源的属性信息包括新鲜度，还包括：
获取所述第一多媒体资源的发布时间；
根据所述发布时间，确定所述第一多媒体资源的新鲜度；
其中，所述第一多媒体资源的属性信息还包括资源热度和预测点击率中的至少一项，还包括：
根据对所述第一多媒体资源监听到的用户交互行为，确定所述第一多媒体资源的第二资源热度；
和/或，
对所述第一多媒体资源进行特征提取，以得到第二资源特征，并将所述第二资源特征输入至经过训练的点击率模型，以得到所述点击率模型输出的第二预测点击率。
9.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的资源推荐方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使计算机执行根据权利要求1-7中任一项所述的资源推荐方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110937458.XA CN113779381B (zh) | 2021-08-16 | 2021-08-16 | 资源推荐方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110937458.XA CN113779381B (zh) | 2021-08-16 | 2021-08-16 | 资源推荐方法、装置、电子设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113779381A CN113779381A (zh) | 2021-12-10 |
| CN113779381B true CN113779381B (zh) | 2023-09-26 |
Family
ID=78837777
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110937458.XA Active CN113779381B (zh) | 2021-08-16 | 2021-08-16 | 资源推荐方法、装置、电子设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113779381B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114547417A (zh) * | 2022-02-25 | 2022-05-27 | 北京百度网讯科技有限公司 | 一种媒体资源排序方法及电子设备 |
| CN114979767B (zh) * | 2022-05-07 | 2023-11-21 | 咪咕视讯科技有限公司 | 视频推荐方法、装置、设备及计算机可读存储介质 |
| CN115174982B (zh) * | 2022-06-30 | 2024-04-09 | 咪咕文化科技有限公司 | 实时视频关联展示方法、装置、计算设备和存储介质 |
| CN115243111B (zh) * | 2022-07-05 | 2024-06-11 | 腾讯科技（北京）有限公司 | 视频弹幕生成方法、装置、存储介质及电子设备 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109558513A (zh) * | 2018-11-30 | 2019-04-02 | 百度在线网络技术（北京）有限公司 | 一种内容推荐方法、装置、终端及存储介质 |
| KR20190143792A (ko) * | 2019-03-19 | 2019-12-31 | (주)인더스트리미디어 | 학습 콘텐츠 추천 장치 및 방법 |
| CN111259173A (zh) * | 2020-01-19 | 2020-06-09 | 北京字节跳动网络技术有限公司 | 一种搜索信息推荐方法及装置 |
| CN111522970A (zh) * | 2020-04-10 | 2020-08-11 | 广东小天才科技有限公司 | 习题推荐方法、装置、设备及存储介质 |
| CN111753135A (zh) * | 2020-05-21 | 2020-10-09 | 北京达佳互联信息技术有限公司 | 视频展示方法、装置、终端、服务器、系统及存储介质 |
| CN112000820A (zh) * | 2020-08-10 | 2020-11-27 | 海信电子科技(武汉)有限公司 | 一种媒资推荐方法及显示设备 |
| KR20210040328A (ko) * | 2020-04-10 | 2021-04-13 | 베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디. | 영화드라마 콘텐츠 검색 방법 및 장치 |
| CN113111221A (zh) * | 2021-05-13 | 2021-07-13 | 北京字节跳动网络技术有限公司 | 一种基于视频的搜索方法及装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170169062A1 (en) * | 2015-12-14 | 2017-06-15 | Le Holdings (Beijing) Co., Ltd. | Method and electronic device for recommending video |
-
2021
- 2021-08-16 CN CN202110937458.XA patent/CN113779381B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109558513A (zh) * | 2018-11-30 | 2019-04-02 | 百度在线网络技术（北京）有限公司 | 一种内容推荐方法、装置、终端及存储介质 |
| KR20190143792A (ko) * | 2019-03-19 | 2019-12-31 | (주)인더스트리미디어 | 학습 콘텐츠 추천 장치 및 방법 |
| CN111259173A (zh) * | 2020-01-19 | 2020-06-09 | 北京字节跳动网络技术有限公司 | 一种搜索信息推荐方法及装置 |
| CN111522970A (zh) * | 2020-04-10 | 2020-08-11 | 广东小天才科技有限公司 | 习题推荐方法、装置、设备及存储介质 |
| KR20210040328A (ko) * | 2020-04-10 | 2021-04-13 | 베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디. | 영화드라마 콘텐츠 검색 방법 및 장치 |
| CN111753135A (zh) * | 2020-05-21 | 2020-10-09 | 北京达佳互联信息技术有限公司 | 视频展示方法、装置、终端、服务器、系统及存储介质 |
| CN112000820A (zh) * | 2020-08-10 | 2020-11-27 | 海信电子科技(武汉)有限公司 | 一种媒资推荐方法及显示设备 |
| CN113111221A (zh) * | 2021-05-13 | 2021-07-13 | 北京字节跳动网络技术有限公司 | 一种基于视频的搜索方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113779381A (zh) | 2021-12-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3855753B1 (en) | Method and apparatus for locating video playing node, device and storage medium | |
| CN111143610B (zh) | 一种内容推荐方法、装置、电子设备和存储介质 | |
| KR101816113B1 (ko) | 컴퓨터 실행 방법, 시스템 및 컴퓨터 판독 가능 매체 | |
| CN113779381B (zh) | 资源推荐方法、装置、电子设备和存储介质 | |
| EP3488618B1 (en) | Live video streaming services with machine-learning based highlight replays | |
| Sun et al. | Ranking domain-specific highlights by analyzing edited videos | |
| CN108776676B (zh) | 信息推荐方法、装置、计算机可读介质及电子设备 | |
| JP2019212290A (ja) | ビデオを処理する方法及び装置 | |
| CN111125435B (zh) | 视频标签的确定方法、装置和计算机设备 | |
| Qian et al. | Social media based event summarization by user–text–image co-clustering | |
| CN104469508A (zh) | 基于弹幕信息内容进行视频定位的方法、服务器和系统 | |
| CN112818224B (zh) | 信息推荐方法、装置、电子设备及可读存储介质 | |
| CN111831854A (zh) | 视频标签的生成方法、装置、电子设备和存储介质 | |
| US11126682B1 (en) | Hyperlink based multimedia processing | |
| CN112749330B (zh) | 信息推送方法、装置、计算机设备和存储介质 | |
| CN113079417A (zh) | 生成弹幕的方法、装置、设备和存储介质 | |
| CN113766330A (zh) | 基于视频生成推荐信息的方法和装置 | |
| JP2014153977A (ja) | コンテンツ解析装置、コンテンツ解析方法、コンテンツ解析プログラム、およびコンテンツ再生システム | |
| CN114845149B (zh) | 视频片段的剪辑方法、视频推荐方法、装置、设备及介质 | |
| CN114707502A (zh) | 虚拟空间处理方法、装置、电子设备及计算机存储介质 | |
| CN116049490A (zh) | 素材搜索方法、装置和电子设备 | |
| CN110569447A (zh) | 一种网络资源的推荐方法、装置及存储介质 | |
| CN112507214B (zh) | 基于用户名的数据处理方法、装置、设备及介质 | |
| JP2011076366A (ja) | コンテンツタグ収集方法、コンテンツタグ収集用プログラム、コンテンツタグ収集システム及びコンテンツ検索システム | |
| CN113111197A (zh) | 多媒体内容的推荐方法、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 |