CN113794910B - 视频推送方法、装置、电子设备和存储介质 - Google Patents

视频推送方法、装置、电子设备和存储介质 Download PDF

Info

Publication number
CN113794910B
CN113794910B CN202111076571.XA CN202111076571A CN113794910B CN 113794910 B CN113794910 B CN 113794910B CN 202111076571 A CN202111076571 A CN 202111076571A CN 113794910 B CN113794910 B CN 113794910B
Authority
CN
China
Prior art keywords
user
pushed
anchor
video
affinity
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
CN202111076571.XA
Other languages
English (en)
Other versions
CN113794910A (zh
Inventor
肖亮亮
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.)
Guangzhou Cubesili Information Technology Co Ltd
Original Assignee
Guangzhou Cubesili Information Technology 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 Guangzhou Cubesili Information Technology Co Ltd filed Critical Guangzhou Cubesili Information Technology Co Ltd
Priority to CN202111076571.XA priority Critical patent/CN113794910B/zh
Publication of CN113794910A publication Critical patent/CN113794910A/zh
Application granted granted Critical
Publication of CN113794910B publication Critical patent/CN113794910B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • H04N21/25891—Management of end-user data being end-user preferences
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/74—Browsing; Visualisation therefor
    • G06F16/743—Browsing; Visualisation therefor a collection of video files or sequences
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/783—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/7867—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, title and artist information, manually generated time, location and usage information, user ratings
    • 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
    • H04N21/251—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Signal Processing (AREA)
  • Data Mining & Analysis (AREA)
  • Library & Information Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Computer Graphics (AREA)
  • Human Computer Interaction (AREA)
  • Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请提供了一种视频推送方法、装置、电子设备和存储介质，方法包括获取待推送用户的行为特征数据；根据行为特征数据计算待推送用户和主播的亲密度，以及待推送用户对主播的喜欢度；根据亲密度选择第一预设数量的主播作为亲密度主播，并根据喜欢度选择第二预设数量的主播作为喜欢度主播；分别从每一个亲密度主播和喜欢度主播的视频库选出第三预设数量的视频；计算每个视频的视频评分；根据视频评分的排名选出第四预设数量的视频推送至待推送用户。该方法在先确定用户的兴趣或爱好的主播，在此基础上从主播视频中选取视频评分高的视频推送给用户，即选择质量高的视频推送给用户，能提高推送的精准率，进而提高推送效果。

Description

视频推送方法、装置、电子设备和存储介质
技术领域
本申请涉及网络技术领域，具体涉及一种视频推送方法、装置、电子设备和存储介质。
背景技术
随着网络技术的不断发展，网络直播、短视频等已成为人们休闲娱乐的主要部分。近年来，随着数据量和计算能力的增加，个性化推荐渐趋成熟，个性化推荐是指通过分析用户过往行为，挖掘用户潜在感兴趣的内容(例如视频和直播)推荐给用户。推荐内容的优劣直接影响着用户体验，从而影响产品和公司的发展。
目前的视频推荐法大多是在根据用户浏览过的视频内容，然后选择类似的视频内容推送给用户，推荐的精准度差。
申请内容
有鉴于此，本申请实施例中提供了一种视频推送方法、装置、电子设备和存储介质。
第一方面，本申请实施例提供了一种视频推送方法，该方法包括：
获取待推送用户的行为特征数据；
根据所述行为特征数据计算所述待推送用户和主播的亲密度，以及所述待推送用户对主播的喜欢度；
根据所述亲密度选择第一预设数量的主播作为亲密度主播，并根据所述喜欢度选择第二预设数量的主播作为喜欢度主播；
分别从每一个所述亲密度主播和所述喜欢度主播的视频库选出第三预设数量的视频；
计算每个视频的视频评分；
根据所述视频评分的排名选出第四预设数量的视频推送至所述待推送用户。
第二方面，本申请实施例提供了一种视频推送装置，该装置包括：
行为特征数据获取模块，用于获取待推送用户的行为特征数据；
亲密度及喜欢度计算模块，用于根据所述行为特征数据计算所述待推送用户和主播的亲密度，以及所述待推送用户对主播的喜欢度；
主播选择模块，用于根据所述亲密度选择第一预设数量的主播作为亲密度主播，并根据所述喜欢度选择第二预设数量的主播作为喜欢度主播；
视频选择模块，用于分别从每一个所述亲密度主播和所述喜欢度主播的视频库选出第三预设数量的视频；
视频评分模块，用于计算每个视频的视频评分；
视频推送模块，用于根据所述视频评分的排名选出第四预设数量的视频推送至所述待推送用户。
第三方面，本申请实施例提供了一种服务器，包括：存储器；一个或多个处理器，与所述存储器耦接；一个或多个应用程序，其中，一个或多个应用程序被存储在存储器中并被配置为由一个或多个处理器执行，一个或多个应用程序配置用于执行上述第一方面提供的视频推送方法。
第四方面，本申请实施例提供了一种计算机可读取存储介质，计算机可读取存储介质中存储有程序代码，程序代码可被处理器调用执行上述第一方面提供的视频推送方法。
本申请实施例提供的视频推送方法、装置、电子设备和存储介质，首先获取待推送用户的行为特征数据，然后根据行为特征数据来计算待推送用户和主播的亲密度以及待推送用户对主播的喜欢度，其中主播可以是直播间的主播和/或短视频主播；再分别根据亲密度和喜欢度选择出一些与待推送用户亲密度高以及喜欢度高的主播，再从亲密度高以及喜欢度高的主播的视频库中选出预设数量的视频，然后对选出的视频进行视频评分，最后根据视频评分的排名选出多个视频推送给待推送用户。
该视频推送方法，先选择与用户亲密度高和喜欢度高的主播，其中亲密度和喜欢度能在一定程度上能反应用户的兴趣或爱好，基于用户的兴趣或爱好选择其感兴趣的推送内容能提高推送的视频对用户的吸引力。在用户的兴趣或爱好的基础上，从主播视频中选取视频评分高的视频推送给用户，即选择质量高的视频推送给用户，能提高推送的精准率，进而提高推送效果。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供的视频推送方法的应用场景示意图；
图2为本申请一个实施例提供的视频推送方法的流程示意图；
图3为本申请一个实施例提供的推送的视频显示可视化示意图；
图4为本申请一个实施例提供的视频推送装置的结构图；
图5为本申请一个实施例中提供的终端设备的结构示意图；
图6为本申请一个实施例中提供的计算机可读存储介质的结构示意图。
具体实施方式
下面将对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
为了更详细说明本申请，下面结合附图对本申请提供的一种视频推送方法、装置、终端设备和计算机存储介质，进行具体地描述。
请参考图1，图1示出了本申请实施例提供的视频推送方法的应用场景的示意图，该应用场景包括本申请实施例提供的终端设备100和服务器200，其中服务器200与终端设备100之间设置有网络。网络用于在终端设备100和服务器200之间提供通信链路的介质，例如终端设备100通过网络与服务器200交互，以接收或发送消息等。网络可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
终端设备100可以是具有显示屏的各种电子设备，包括但不限于智能手机和计算机设备，其中计算机设备可以是台式计算机、便携式计算机、膝上型计算机、平板电脑等设备中的至少一种。
其次，终端设备100可以泛指多个终端设备中的一个，本实施例仅以终端设备100来举例说明。本领域技术人员可以知晓，上述终端设备的数量可以更多或更少。比如上述终端设备可以仅为几个，或者上述终端设备为几十个或几百个，或者更多数量，本申请实施例对终端设备的数量和类型不加以限定。
此外，服务器200可以是提供各种服务的服务器。服务器200的数量可以是一个或多个，例如如图1所示，服务器200可以包括广场服务器202、推荐路由服务器204和多个推荐服务器206。其中广场服务器202主要用来接收待推送用户通过终端设备100发送的推送请求，然后解析推送请求，并将请求匹配路由规则发送至推荐路由服务器204；推荐路由服务器204将路由规则发送给各推荐服务器206，各推荐服务器206可以根据不同的推荐算法来对生成多个待推送视频并通过路由服务器发送至广场服务器202，广场服务器202可以对多个待推送视频进行选择并选择目标推送视频并推送给终端设备100以供待推送用户。具体过程为：待推送用户对终端设备100进行操作，向广场服务器202发送请求拉取视频，广场服务器202将请求匹配路由配置，其中匹配路由规则是指根据终端设备的标识(例如hdid)配置不同的算法，然后匹配后将算法id通过推荐路由服务器204传递给推荐服务器206，然后推荐服务器206运行各自的推荐算法生成各推荐视频。其中路由规则为先匹配终端设备uid，然后在匹配hdid，uid是在用户在线时的标识号码，hdid为用户离线时的标识号码。然后各推荐服务器206可以根据算法id来对生成各自的待推送视频并通过路由服务器发送至广场服务器202，广场服务器202可以对各个待推送视频进行选择并选择目标推送视频并推送给终端设备100。
在一种可选的实施方式，上述的广场服务器202、推荐路由服务器204和多个推荐服务器206可以是一个服务器，即一个服务器能实现广场服务器202、推荐路由服务器204和推荐服务器206的功能。
另外，服务器可以执行本申请的视频推送方法，具体过程请参照视频推送方法实施例。
基于此，本申请实施例中提供了一种视频推送方法。请参阅图2，图2示出了本申请实施例提供的一种视频推送方法的流程示意图，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：
步骤S110，获取待推送用户的行为特征数据。
其中，待推送用户可以是网络平台中任意一个或多个用户。网络平台可以是任意应用程序，例如直播APP(如YY直播软件)、短视频APP(如抖音，小红书)等。
行为特征数据是指用户观看直播或短视频时产生的数据，包括但不限于视频观看时长、视频观看完整度、视频观看的次数或频率、观看视频的类型、观看的视频的主播、直播间的行为(例如关注主播、为主播点赞、评论、与主播互动内容)等。
步骤S120，根据行为特征数据计算待推送用户和主播的亲密度，以及待推送用户对主播的喜欢度。
其中，待推送用户和主播的亲密度是指一定时间内待推送用户和主播之间的亲密或关联程度。待推送用户对主播的喜欢度是指一定时间内待推送用户对主播喜欢或感兴趣程度。
主播可以是在线直播时直播间的主播，也可以是发布短视频的主播。其次，主播可以是一定时间内与待推送用户存在互动行为的主播，也可以是未与待推送用户存在互动行为的主播。
对于任一主播而言，在每次直播过程中或发布短视频后，均会记录该主播与观看该直播或短视频的各个用户之间的历史直播或短视频互动内容，以便在该主播打开直播间或发布的短视频时，能够按照所记录的历史直播或短视频互动内容来查找与该主播发生过直播互动的各个用户，然后能根据互动内容计算各个用户与所开播直播间或发布短视频的主播之间的亲密度和用户对主播的喜欢度。可选地，可以根据待推送用户的终端设备标识信息来查找互动内容。
步骤S130，根据亲密度选择第一预设数量的主播作为亲密度主播，并根据喜欢度选择第二预设数量的主播作为喜欢度主播。
其中，第一预设数据和第二预设数据为预先设置的值，可以为任意正整数，例如可以是50、100个、200个。
具体地，按照亲密度从大到小的顺序依次选择第一预设数量的主播，将这些主播记为亲密度主播。并且根据喜欢度从大到小的顺序依次选择第二预设数量的主播，将其记为喜欢度主播。
步骤S140，分别从每一个亲密度主播和喜欢度主播的视频库选出第三预设数量的视频。
在选择得到亲密度主播和喜欢度主播之后，分别从每一个亲密度主播和喜欢度主播的视频库选择第三预设数量的视频。其中，第三预设数据为预先设置的值，可以为任意正整数，例如可以是2个、5个、10个等。
步骤S150，计算每个视频的视频评分。
在选出视频后，计算每个视频的视频评分。其中，视频评分方式有多种，例如按照视频时长、视频内容准确性、视频内容的趣味性、曝光度、点赞量、转发量、用户的观看时长等一个或多个因素来对每一个视频进行视频评分。
步骤S160，根据视频评分的排名选出第四预设数量的视频推送至待推送用户。
在计算出各视频的视频评分后，按照视频评分从大到小的顺序依次选择第四预设数量的视频推送给待推送用户。其中，第四预设数据为预先设置的值，可以为任意正整数，例如可以是10个、20个、30个等。
在一个实施例中，在执行步骤S160，根据视频评分的排名选出第四预设数量的视频推送至待推送用户，包括：根据视频评分的排名从亲密度主播的视频中选出第八预设数量的视频，从喜欢度主播的视频中选出第九预设数量的视频；从第八预设数量的视频和第九预设数量的视频中选出第四预设数量的视频推送至待推送用户。
具体的，在根据视频评分选择目标推送视频时可以从亲密度主播的视频中选择，可以从喜欢度主播的视频中选择，也可以即从密度主播的视频也从喜欢度主播的视频中选择。但为了推送的目标视频的多样性选择即从密度主播的视频也从喜欢度主播的视频中选择。
其中，第八预设数量和第九预设数量为预先设置的值，可以为任意正整数，例如可以是5个、8个、20个或50个，并且第八预设数量和第九预设数量可以相等也可以不相同，具体可以根据实际需求进行设置。
在一种可选的实施方式中，在从亲密度主播和喜欢度主播选取视频后，可以将从亲密度主播选择出的视频组成亲密度主播视频推荐池，将喜欢度主播中选择的视频组成喜欢度主播视频推荐池。在计算视频评分时对亲密度主播视频推荐池和喜欢度主播视频推荐池中的视频进行分别计算并排名，并且在选择推送视频时也分别按照视频评分排名分别从亲密度主播视频推荐池和喜欢度主播视频推荐池中的视频进行选择。采用该方式可以保证推送给待推送用户的视频中既包括有亲密度主播的视频也包括有喜欢度主播的视频，在一定程度上增加了视频的多样性，从而提高视频推送准确度。
另外，主播可以是在线直播时直播间的主播，也可以是发布短视频的主播。而亲密度可以是实际亲密度(即待推送用户和与待推送用户存在互动行为的主播的亲密度)，也可以是预测亲密度(待推送用户和未与待推送用户存在互动行为的主播的亲密度)。那么亲密度主播包括实际亲密度直播主播、实际亲密度短视频主播、预测亲密度直播主播和预测亲密度短视频主播。而亲密度主播视频推荐池也可以分为实际亲密度直播主播视频推荐池、实际亲密度短视频主播视频推荐池、预测亲密度直播主播视频推荐池和预测亲密度短视频主播视频推荐池。
喜欢度主播也可以包括喜欢度直播主播和喜欢度短视频主播；而喜欢度可以是实际喜欢度(即待推送用户和与待推送用户存在互动行为的主播的亲密度)，也可以是预测喜欢度(待推送用户和未与待推送用户存在互动行为的主播的喜欢度)。喜欢度主播视频推荐池可以包括实际喜欢度直播主播视频推荐池、实际喜欢度短视频主播视频推荐池、预测喜欢度直播主播视频推荐池、和预测喜欢度短视频主播视频推荐池。
基于此，在选择推送给待推送用户的视频(即第四预设数量的视频)时也可以分别从上述实际亲密度直播主播视频推荐池、实际亲密度短视频主播视频推荐池、预测亲密度直播主播视频推荐池、预测亲密度短视频主播视频推荐池、际喜欢度直播主播视频推荐池、实际喜欢度短视频主播视频推荐池、预测喜欢度直播主播视频推荐池、和预测喜欢度短视频主播视频推荐池中的一个或多个中选择。其中，每个推荐池中选择的视频数量可以相同也可以不相同。
此外，推送给待推送用户的视频可以是短视频或小视频(例如如图3所示直播软件中亮点中的短视频)或长视频(例如YY直播视频)。其中，短视频是指时间为十几秒到几分钟间(即时间比较短)、内容信息量大、表现力强、直观性好以及传播性好的视频。
本申请实施例提供的视频推送方法，首先获取待推送用户的行为特征数据，然后根据行为特征数据来计算待推送用户和主播的亲密度以及待推送用户对主播的喜欢度，其中主播可以是直播间的主播和/或短视频主播；再分别根据亲密度和喜欢度选择出一些与待推送用户亲密度高以及喜欢度高的主播，再从亲密度高以及喜欢度高的主播的视频库中选出预设数量的视频，然后对选出的视频进行视频评分，最后根据视频评分的排名选出多个视频推送给待推送用户。
该视频推送方法，先选择与用户亲密度高和喜欢度高的主播，其中亲密度和喜欢度能在一定程度上能反应用户的兴趣或爱好，基于用户的兴趣或爱好选择其感兴趣的推送内容能提高推送的视频对用户的吸引力。在用户的兴趣或爱好的基础上，从主播视频中选取视频评分高的视频推送给用户，即选择质量高的视频推送给用户，能提高推送的精准率，进而提高推送效果。
另外，该推荐方法是以主播为基础，用户可以在观看推送的视频时能快速了解视频对应的主播的风格，从而找到自己感兴趣的主播，当自己感兴趣的主播开播时能吸引用户去观看，在一定程度上能增加视频到直播转化率，从而提高直播观看度。
进一步地，给出了一种计算亲密度的具体实施方式，描述如下：
在一个实施例中，在执行步骤S120，根据行为特征数据计算待推送用户和主播的亲密度，包括：根据行为特征数据分别计算待推送用户和与待推送用户存在互动行为的主播的实际亲密度，以及待推送用户和未与待推送用户存在互动行为的主播的预测亲密度。
具体地，对于任意一主播而言，在一段时间内，可能与待推送用户存在互动行为，也可能不存在互动行为(即未与待推送用户存在互动行为)。对于与待推送用户存在互动行为的主播来说，可以直接其与待推送用户之间的互动内容(即在实施例中的行为特征数据)来计算其与待推送用户的实际亲密度。而对于未与待推送用户存在互动行为的主播而言，只能根据待推送用户的行为特征数据和预测模型来预测待推送用户和未与待推送用户存在互动行为的主播的亲密度，记为预测亲密度。其中，互动行为可以是待推送用户观看主播视频、直播、点赞、关注以及给主播送礼物等。采用该方式可以计算出与待推送用户存在互动行为的主播以及未与待推送用户存在互动行为的主播与待推送用户的亲密度，即扩大了主播亲密度的计算范围，从而提高了选择主播的范围，最终能提高视频选择的范围，进一步能提高推送的精准率，进而提高推送效果。
接下来，给出了一种计算待推送用户和与待推送用户存在互动行为的主播的实际亲密度，以及计算待推送用户和未与待推送用户存在互动行为的主播的预测亲密度的实施方式，详细描述如下：
在一个实施例中，行为特征数据包括第一预设时间段的观看主播时长以及观看主播日期；根据行为特征数据计算待推送用户和与待推送用户存在互动行为的主播的实际亲密度，包括：根据观看主播日期和时间衰减函数对观看主播时长做时间衰减；对衰减后的观看主播时长进行归一化处理，得到待推送用户和与待推送用户存在互动行为的主播的实际亲密度。
具体的，第一预设时间段为预先设置的一段历史时间，例如过去30天。实际亲密度计算其实质是根据亲密度公式进行的，其中，亲密度计算公式为：亲密度＝2*arctg(duration(a)/60)/π，其中 其中n表示天数，即第一预设时间段(例如30天)；pow(θ，dt)表示时间衰减函数，θ表示衰减率，dt表示日期，duration(a)表示待推送用户在观看主播a的时长。
为了便于理解，给出一个计算待推送用户与主播a的实际亲密度的具体实施例。首先筛选30天内待推送用户观看主播时长大于等于20秒的记录，作为有效观察记录。其次，做时间衰减：认为最近(即距离当前日期越近)的观看时长更能体现喜好程度则亲密度越高，而越久远的观看时长亲密度越低，基于此对用户观看主播时长做时间距离衰减，其中衰减公式pow(0.95,dt)。然后，汇总30天内待推送用户观看主播a的时长，记为： 最后做归一化处理，将待推送用户对主播a的实际亲密度取值在0-1区间。采用反正切公式进行归一化处理，即亲密度＝2*arctg(duration(a)/60)/π。采用上述该方法可以快速且准确计算出待推送用户和与其存在互动关系的主播的亲密度。
在一个实施例中，根据行为特征数据计算待推送用户和未与待推送用户存在互动行为的主播的预测亲密度，包括：将行为特征数据输入预先训练的ALS模型，得到待推送用户对未与待推送用户存在互动行为的主播的评分；其中，预先训练的ALS模型是采用行为特征数据和第二预设时间段内待推送用户和与待推送用户存在互动行为的主播的实际亲密度对ALS模型进行学习训练得到的；根据评分得到待推送用户对未与待推送用户存在互动行为的主播的预测亲密度。
具体地，可以采用预先训练的ALS模型来计算待推送用户和未与待推送用户存在互动行为的主播的预测亲密度。
其中，第二预设时间段为预先设置的一段历史时间，例如过去15天。
ALS模型训练具体过程为：用亲密度算法，计算第二预设时间段(例如15天)的待推送用户和与其有互动行为的主播亲密度，使用亲密度作为待推送用户对其有互动行为主播的评分，构建评分矩阵M(user，anchor,affinity)。
把评分矩阵按一定比例(例如8:2)比例分割为2个部分，记为训练集和测试集,用训练集作为输入矩阵训练模型,以预测集的(user，anchor)作为测试输入得出预测评分，然后将预测评分与实际评分计算得出均方差作为损失函数值；迭代ALS模型参数,求出最小的损失函数值对应的模型参数来更新ALS模型，从而得到预先训练的ALS模型。当需要计算待推送用户和未与待推送用户存在互动行为的主播的预测亲密度时，将待推送用户的行为特征数据输入预先训练的ALS模型，得到待推送用户对未与待推送用户存在互动行为的主播的评分，评分就是待推送用户对未与待推送用户存在互动行为的主播的预测亲密度。
其中，预先训练的ALS模型可以每隔一段时间(例如每天)进行重新训练，每次计算预测亲密度时采用最新训练的ALS模型。
采用上述该方法可以快速且准确计算出待推送用户和未与其存在互动关系的主播的预测亲密度。
进一步地，提供了一种选择亲密度主播的实施方式，下面对该实施方式进行详细描述。
在一个实施例中，在执行步骤S130，根据亲密度选择第一预设数量的主播作为亲密度主播，包括：根据实际亲密度排名选择第五预设数量的直播主播作为亲密度主播；
和/或：
根据实际亲密度排名选择第六预设数量的短视频主播作为亲密度主播；
和/或：
根据预测亲密度排名选择第七预设数量的直播主播和/或短视频主播作为亲密度主播。
具体地，在选择亲密度主播时可以从与待推送用户存在互动行为的主播、以及从未与待推送用户存在互动行为的主播(即这两种直播)中的任意一种或多种内选择。并且主播类型可以是直播主播也可以是短视频主播。
其中，第五预设数量、第六预设数量和第七预设数量为预先设置的值，可以为任意正整数，例如可以是5个、8个、20个或50个。另外，第五预设数量、第六预设数量和第七预设数量的取值可以相同也可以不相同，具体可以根据用户需求进行选择设置。
采用该方式可以使得选取的亲密度主播的种类更加多样化，能提高了后续选择的视频的多样性，从容能在一定程度上提高推送的视频对用户的吸引力。
在一个实施例中，在执行步骤S120，根据行为特征数据计算待推送用户对主播的喜欢度，包括：
根据行为特征数据计算待推送用户对与待推送用户存在互动行为的主播的实际喜欢度，以及待推送用户对未与待推送用户存在互动行为的主播的预测喜欢度。
具体地，对于任意一主播而言，在一段时间内，可能与待推送用户存在互动行为，也可能不存在互动行为(即未与待推送用户存在互动行为)。对于与待推送用户存在互动行为的主播来说，可以直接其与待推送用户之间的互动内容(即在实施例中的行为特征数据)来计算其与待推送用户的实际喜欢度。而对于未与待推送用户存在互动行为的主播而言，只能根据待推送用户的行为特征数据和预测模型来计算待推送用户和未与待推送用户存在互动行为的主播的预测喜欢度。采用该方式可以计算出与待推送用户存在互动行为的主播以及未与待推送用户存在互动行为的主播与待推送用户的喜欢度，即扩大了主播喜欢度的计算范围，从而提高了选择主播的范围，最终能提高视频选择的范围，进一步能提高推送的精准率，进而提高推送效果。
接下来，给出了一种计算待推送用户和未与待推送用户存在互动行为的主播的喜欢度的实施方式，详细描述如下：
在一个实施例中，根据行为特征数据计算待推送用户对未与待推送用户存在互动行为的主播的预测喜欢度，包括：根据实际喜欢度选出待推送用户喜欢的主播；计算待推送用户喜欢的主播和未与待推送用户存在互动行为的主播之间的相似度；根据实际喜欢度和相似度计算待推送用户对未与待推送用户存在互动行为的主播的预测喜欢度。
在本实施例中，待推送用户对未与待推送用户存在互动行为的主播的预测喜欢度是采用ItemCF算法(即相似度算法)进行计算的。其中，ItemCF算法的原理为基于物品的协同过滤算法给用户推荐那些和他们之前喜欢的物品相似的物品。ItemCF算法并不利用物品的内容属性计算物品直接的相似度，它主要通过分析用户的行为记录计算物品之间的相似度。该算法认为，物品A和物品B具有很大的相似度是因为喜欢物品A的用户大都也喜欢B。算法主要分为两步：计算物品之间的相似度；根据物品的相似度和用户的历史行为给用户生成推荐列表。然后构建共现矩阵，该矩阵中左边是输入的用户行为记录，每一行代表一个用户感兴趣的物品集合，然后对于每个物品集合，我们将里面的物品两两加一，得到一个矩阵。最终将这些矩阵相加得到上面的C矩阵，其中C[i][j]记录了同时喜欢物品i和物品j的用户数，最后，可以得到物品之间的余弦相似度矩阵W。得到物品之间的相似度之后，ItemCF通过如下公式计算用户u对一个物品j的兴趣。这里的N(u)表示用户喜欢的物品的集合，S(j,K)是和物品j最相似的K个物品的集合，Wij是物品j和i的相似度，rui是用户u对物品i的兴趣。(对于隐反馈数据集，如果用户u对物品i有过行为，即可令rui＝1。该公式的含义是和用户历史上感兴趣的物品越相似的物品，越有可能在用户的推荐列表中获得比较高的排名：
在本实施例中，将上述公式中的物品等效为主播，用户等效为待推送用户，即可计算出待推送用户对未与待推送用户存在互动行为的主播的预测喜欢度。采用该方式可以快速且准确计算出待推送用户对未与待推送用户存在互动行为的主播的预测喜欢度。
在一个实施例中，在步骤S150，计算每个视频的视频评分，包括：
对每个视频对应的主播和待推送用户的亲密度采用各视频对应的曝光衰减因子做衰减处理，得到各衰减后的亲密度或喜欢度；或对每个视频对应的主播和待推送用户的喜欢度采用各视频对应的曝光衰减因子做衰减处理，得到各衰减后的喜欢度；计算每个视频的平均播放时长得分和上传时长得分；根据各衰减后的亲密度或喜欢度、平均播放时长得分和上传时长得分计算每个视频的视频评分。
具体而言，视频评分主要是根据待推送用户对视频的主播的亲密度或喜欢度、视频的平均播放时长和上传时长三个因素综合计算的。其中，待推送用户对视频的主播的亲密度或喜欢度随视频曝光衰减因子一直衰减，具体计算过程为：将主播视频库中视频按照主播视频的平均播放时长从大到小进行排列，然后统计过去一段时间内(例如6天)所有曝光过的主播，计算出每个主播的最后一次曝光时间tm，然后计算每个曝光主播tm,距离当前的天数dt＝day_diff(now,tm)，那么衰减因子：anchor.attenuation＝0.4+0.1*dt。
待推送用户对视频的主播的亲密度或喜欢度计算公式为：anchor.score＝anchor.score*anchor.attenuation*h，其中，anchor.score是指待推送用户对视频的主播的亲密度或喜欢度，h表示系数，为常数，其取值为小于等于1，其取值可以根据实际的需求进行调整，例如在计算待推送用户对视频的主播的亲密度或喜欢度的时可以根据主播的种类不同选择不同的值，当为与待推送用户存在交互行为的主播其取值可以为1；当未为与待推送用户存在交互行为的主播其取值可以为0.7。
任意一个视频的视频评分为：video.rating＝anchor.score*video.score_alpha*video.date_alpha
其中，video.score_alpha＝atan(视频平均播放时长/16)，表示该视频的平均播放时长得分；video.date_alpha＝1.0-0.05*min(视频已上传天数,5)，表示该视频上传时长得分。
采用上述方式在计算视频评分时综合考虑待推送用户对视频的主播的亲密度或喜欢度、视频的平均播放时长和上传时长多个因素，能有效提高视频评分的准确度，进而使得推送的视频更加精确。
应该理解的是，虽然图2的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且图2中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
上述本申请公开的实施例中详细描述了一种视频推送方法，对于本申请公开的上述方法可采用多种形式的设备实现，因此本申请还公开了对应上述方法的视频推送装置，下面给出具体的实施例进行详细说明。
请参阅图4，为本申请实施例公开的一种视频推送装置，主要包括：
行为特征数据获取模块410，用于获取待推送用户的行为特征数据。
亲密度及喜欢度计算模块420，用于根据行为特征数据计算待推送用户和主播的亲密度，以及待推送用户对主播的喜欢度。
主播选择模块430，用于根据亲密度选择第一预设数量的主播作为亲密度主播，并根据喜欢度选择第二预设数量的主播作为喜欢度主播。
视频选择模块440，用于分别从每一个亲密度主播和喜欢度主播的视频库选出第三预设数量的视频。
视频评分模块450，用于计算每个视频的视频评分。
视频推送模块460，用于根据视频评分的排名选出第四预设数量的视频推送至待推送用户。
在一个实施例中，亲密度及喜欢度计算模块420，用于根据行为特征数据分别计算待推送用户和与待推送用户存在互动行为的主播的实际亲密度，以及待推送用户和未与待推送用户存在互动行为的主播的预测亲密度。
在一个实施例中，行为特征数据包括第一预设时间段的观看主播时长以及观看主播日期；亲密度及喜欢度计算模块420，用于根据观看主播日期和时间衰减函数对观看主播时长做时间衰减；对衰减后的观看主播时长进行归一化处理，得到待推送用户和与待推送用户存在互动行为的主播的实际亲密度。
在一个实施例中，亲密度及喜欢度计算模块420，用于将行为特征数据输入预先训练的ALS模型，得到待推送用户对未与待推送用户存在互动行为的主播的评分；其中，预先训练的ALS模型是采用行为特征数据和第二预设时间段内待推送用户和与待推送用户存在互动行为的主播的实际亲密度对ALS模型进行学习训练得到的；根据评分得到待推送用户对未与待推送用户存在互动行为的主播的预测亲密度。
在一个实施例中，主播选择模块430，用于根据实际亲密度排名选择第五预设数量的直播主播作为亲密度主播；
和/或：
根据实际亲密度排名选择第六预设数量的短视频主播作为亲密度主播；
和/或：
根据预测亲密度排名选择第七预设数量的直播主播和/或短视频主播作为亲密度主播。
在一个实施例中，亲密度及喜欢度计算模块420，用于根据行为特征数据计算待推送用户对与待推送用户存在互动行为的主播的实际喜欢度，以及待推送用户对未与待推送用户存在互动行为的主播的预测喜欢度。
在一个实施例中，亲密度及喜欢度计算模块420，用于根据实际喜欢度选出待推送用户喜欢的主播；计算待推送用户喜欢的主播和未与待推送用户存在互动行为的主播之间的相似度；根据实际喜欢度和相似度计算待推送用户对未与待推送用户存在互动行为的主播的预测喜欢度。
在一个实施例中，视频评分模块450，用于对每个视频对应的主播和待推送用户的亲密度采用各视频对应的曝光衰减因子做衰减处理，得到各衰减后的亲密度或喜欢度；或对每个视频对应的主播和待推送用户的喜欢度采用各视频对应的曝光衰减因子做衰减处理，得到各衰减后的喜欢度；计算每个视频的平均播放时长得分和上传时长得分；根据各衰减后的亲密度或喜欢度、平均播放时长得分和上传时长得分计算每个视频的视频评分。
在一个实施例中，视频推送模块460，用于根据视频评分的排名从亲密度主播的视频中选出第八预设数量的视频，从喜欢度主播的视频中选出第九预设数量的视频；从第八预设数量的视频和第九预设数量的视频中选出第四预设数量的视频推送至待推送用户。
关于视频推送装置的具体限定可以参见上文中对于方法的限定，在此不再赘述。上述装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于终端设备中的处理器中，也可以以软件形式存储于终端设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
请参考图5，图5其示出了本申请实施例提供的一种终端设备的结构框图。该终端设备50可以是计算机设备。本申请中的终端设备50可以包括一个或多个如下部件：处理器52、存储器54以及一个或多个应用程序，其中一个或多个应用程序可以被存储在存储器54中并被配置为由一个或多个处理器52执行，一个或多个应用程序配置用于执行上述应用于终端设备的方法实施例中所描述的方法，也可以配置用于执行上述应用于视频推送方法实施例中所描述的方法。
处理器52可以包括一个或者多个处理核。处理器52利用各种接口和线路连接整个终端设备50内的各个部分，通过运行或执行存储在存储器54内的指令、程序、代码集或指令集，以及调用存储在存储器54内的数据，执行终端设备50的各种功能和处理数据。可选地，处理器52可以采用数字信号处理(Digital Signal Processing，DSP)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)、可编程逻辑阵列(Programmable LogicArray，PLA)中的至少一种硬件形式来实现。处理器52可集成中央处理器(Cen tralProcessingUnit，CPU)、埋点数据的上报验证器(Graphics Processing Unit，GPU)和调制解调器等中的一种或几种的组合。其中，CPU主要处理操作系统、用户界面和应用程序等；GPU用于负责显示内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器52中，单独通过一块通信芯片进行实现。
存储器54可以包括随机存储器(Random Access Memory，RAM)，也可以包括只读存储器(Read-Only Memory)。存储器54可用于存储指令、程序、代码、代码集或指令集。存储器54可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于实现至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现下述各个方法实施例的指令等。存储数据区还可以存储终端设备50在使用中所创建的数据等。
本领域技术人员可以理解，图5中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的终端设备的限定，具体的终端设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
综上，本申请实施例提供的终端设备用于实现前述方法实施例中相应的视频推送方法，并具有相应的方法实施例的有益效果，在此不再赘述。
请参阅图6，其示出了本申请实施例提供的一种计算机可读取存储介质的结构框图。该计算机可读取存储介质60中存储有程序代码，程序代码可被处理器调用执行上述视频推送方法实施例中所描述的方法，也可以被处理器调用执行上述视频推送方法实施例中所描述的方法。
计算机可读取存储介质60可以是诸如闪存、EEPROM(电可擦除可编程只读存储器)、EPROM、硬盘或者ROM之类的电子存储器。可选地，计算机可读取存储介质60包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。计算机可读取存储介质60具有执行上述方法中的任何方法步骤的程序代码62的存储空间。这些程序代码可以从一个或者多个计算机程序产品中读出或者写入到这一个或者多个计算机程序产品中。程序代码62可以例如以适当形式进行压缩。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (7)

1.一种视频推送方法，其特征在于，所述方法包括：
获取待推送用户的行为特征数据；
根据所述行为特征数据计算所述待推送用户和主播的亲密度，以及所述待推送用户对主播的喜欢度；
根据所述亲密度选择第一预设数量的主播作为亲密度主播，并根据所述喜欢度选择第二预设数量的主播作为喜欢度主播；
分别从每一个所述亲密度主播和所述喜欢度主播的视频库选出第三预设数量的视频；
计算每个视频的视频评分；
根据所述视频评分的排名选出第四预设数量的视频推送至所述待推送用户；
所述根据所述行为特征数据计算所述待推送用户对主播的喜欢度，包括：
根据所述行为特征数据计算所述待推送用户对与所述待推送用户存在互动行为的主播的实际喜欢度，以及所述待推送用户对未与所述待推送用户存在互动行为的主播的预测喜欢度；
所述根据所述行为特征数据计算所述待推送用户对未与所述待推送用户存在互动行为的主播的预测喜欢度，包括：
根据所述实际喜欢度选出所述待推送用户喜欢的主播；
计算所述待推送用户喜欢的主播和未与所述待推送用户存在互动行为的主播之间的相似度；
根据所述实际喜欢度和所述相似度计算所述待推送用户对未与所述待推送用户存在互动行为的主播的预测喜欢度；
所述根据所述行为特征数据计算所述待推送用户和主播的亲密度，包括：
根据所述行为特征数据分别计算所述待推送用户和与所述待推送用户存在互动行为的主播的实际亲密度，以及所述待推送用户和未与所述待推送用户存在互动行为的主播的预测亲密度；
所述行为特征数据包括第一预设时间段的观看主播时长以及观看主播日期；所述根据所述行为特征数据计算所述待推送用户和与所述待推送用户存在互动行为的主播的实际亲密度，包括：
根据所述观看主播日期和时间衰减函数对所述观看主播时长做时间衰减；
对衰减后的观看主播时长进行归一化处理，得到所述待推送用户和与所述待推送用户存在互动行为的主播的实际亲密度；
所述根据所述行为特征数据计算所述待推送用户和未与所述待推送用户存在互动行为的主播的预测亲密度，包括：
将所述行为特征数据输入预先训练的ALS模型，得到所述待推送用户对所述未与所述待推送用户存在互动行为的主播的评分；其中，所述预先训练的ALS模型是采用行为特征数据和第二预设时间段内所述待推送用户和与所述待推送用户存在互动行为的主播的实际亲密度对ALS模型进行学习训练得到的；
根据所述评分得到所述待推送用户对所述未与所述待推送用户存在互动行为的主播的预测亲密度。
2.根据权利要求1所述的方法，其特征在于，所述根据所述亲密度选择第一预设数量的主播作为亲密度主播，包括：
根据所述实际亲密度排名选择第五预设数量的直播主播作为所述亲密度主播；
和/或：
根据所述实际亲密度排名选择第六预设数量的短视频主播作为所述亲密度主播；
和/或：
根据预测亲密度排名选择第七预设数量的直播主播和/或短视频主播作为所述亲密度主播。
3.根据权利要求1-2任一项所述的方法，其特征在于，所述计算每个视频的视频评分，包括：
对每个所述视频对应的主播和所述待推送用户的亲密度采用各所述视频对应的曝光衰减因子做衰减处理，得到各衰减后的亲密度或喜欢度；或对每个所述视频对应的主播和所述待推送用户的喜欢度采用各所述视频对应的曝光衰减因子做衰减处理，得到各衰减后的喜欢度；
计算每个所述视频的平均播放时长得分和上传时长得分；
根据各所述衰减后的亲密度或喜欢度、所述平均播放时长得分和所述上传时长得分计算每个所述视频的视频评分。
4.根据权利要求2所述的方法，其特征在于，所述根据所述视频评分的排名选出第四预设数量的视频推送至所述待推送用户，包括：
根据所述视频评分的排名从所述亲密度主播的视频中选出第八预设数量的视频，从所述喜欢度主播的视频中选出第九预设数量的视频；
从所述第八预设数量的视频和所述第九预设数量的视频中选出第四预设数量的视频推送至所述待推送用户。
5.一种视频推送装置，其特征在于，所述装置包括：
行为特征数据获取模块，用于获取待推送用户的行为特征数据；
亲密度及喜欢度计算模块，用于根据所述行为特征数据计算所述待推送用户和主播的亲密度，以及所述待推送用户对主播的喜欢度；
主播选择模块，用于根据所述亲密度选择第一预设数量的主播作为亲密度主播，并根据所述喜欢度选择第二预设数量的主播作为喜欢度主播；
视频选择模块，用于分别从每一个所述亲密度主播和所述喜欢度主播的视频库选出第三预设数量的视频；
视频评分模块，用于计算每个视频的视频评分；
视频推送模块，用于根据所述视频评分的排名选出第四预设数量的视频推送至所述待推送用户；
所述亲密度及喜欢度计算模块具体用于，根据所述行为特征数据计算所述待推送用户对与所述待推送用户存在互动行为的主播的实际喜欢度，以及所述待推送用户对未与所述待推送用户存在互动行为的主播的预测喜欢度；根据所述行为特征数据分别计算所述待推送用户和与所述待推送用户存在互动行为的主播的实际亲密度，以及所述待推送用户和未与所述待推送用户存在互动行为的主播的预测亲密度；
所述根据所述行为特征数据计算所述待推送用户对未与所述待推送用户存在互动行为的主播的预测喜欢度，包括：
根据所述实际喜欢度选出所述待推送用户喜欢的主播；
计算所述待推送用户喜欢的主播和未与所述待推送用户存在互动行为的主播之间的相似度；
根据所述实际喜欢度和所述相似度计算所述待推送用户对未与所述待推送用户存在互动行为的主播的预测喜欢度；
所述行为特征数据包括第一预设时间段的观看主播时长以及观看主播日期；所述根据所述行为特征数据计算所述待推送用户和与所述待推送用户存在互动行为的主播的实际亲密度，包括：
根据所述观看主播日期和时间衰减函数对所述观看主播时长做时间衰减；
对衰减后的观看主播时长进行归一化处理，得到所述待推送用户和与所述待推送用户存在互动行为的主播的实际亲密度；
所述根据所述行为特征数据计算所述待推送用户和未与所述待推送用户存在互动行为的主播的预测亲密度，包括：
将所述行为特征数据输入预先训练的ALS模型，得到所述待推送用户对所述未与所述待推送用户存在互动行为的主播的评分；其中，所述预先训练的ALS模型是采用行为特征数据和第二预设时间段内所述待推送用户和与所述待推送用户存在互动行为的主播的实际亲密度对ALS模型进行学习训练得到的；
根据所述评分得到所述待推送用户对所述未与所述待推送用户存在互动行为的主播的预测亲密度。
6.一种电子设备，其特征在于，包括：
存储器；一个或多个处理器，与所述存储器耦接；一个或多个应用程序，其中，一个或多个应用程序被存储在存储器中并被配置为由一个或多个处理器执行，一个或多个应用程序配置用于执行如权利要求1-4任一项所述的方法。
7.一种计算机可读存储介质，其特征在于，所述计算机可读取存储介质中存储有程序代码，所述程序代码可被处理器调用执行如权利要求1-4任一项所述的方法。
CN202111076571.XA 2021-09-14 2021-09-14 视频推送方法、装置、电子设备和存储介质 Active CN113794910B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111076571.XA CN113794910B (zh) 2021-09-14 2021-09-14 视频推送方法、装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111076571.XA CN113794910B (zh) 2021-09-14 2021-09-14 视频推送方法、装置、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN113794910A CN113794910A (zh) 2021-12-14
CN113794910B true CN113794910B (zh) 2024-04-19

Family

ID=78880326

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111076571.XA Active CN113794910B (zh) 2021-09-14 2021-09-14 视频推送方法、装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN113794910B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106899856A (zh) * 2017-03-31 2017-06-27 百度在线网络技术（北京）有限公司 用于输出主播信息的方法和装置
CN108322829A (zh) * 2018-03-02 2018-07-24 北京奇艺世纪科技有限公司 个性化主播推荐方法、装置及电子设备
CN109769128A (zh) * 2018-12-25 2019-05-17 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
CN111988636A (zh) * 2020-08-21 2020-11-24 广州华多网络科技有限公司 主播推荐方法和装置、服务器、计算机可读存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106899856A (zh) * 2017-03-31 2017-06-27 百度在线网络技术（北京）有限公司 用于输出主播信息的方法和装置
CN108322829A (zh) * 2018-03-02 2018-07-24 北京奇艺世纪科技有限公司 个性化主播推荐方法、装置及电子设备
CN109769128A (zh) * 2018-12-25 2019-05-17 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
CN111988636A (zh) * 2020-08-21 2020-11-24 广州华多网络科技有限公司 主播推荐方法和装置、服务器、计算机可读存储介质

Also Published As

Publication number Publication date
CN113794910A (zh) 2021-12-14

Similar Documents

Publication Publication Date Title
US11228555B2 (en) Interactive content in a messaging platform
CN110781321B (zh) 一种多媒体内容推荐方法及装置
CN111242310B (zh) 特征有效性评估方法、装置、电子设备及存储介质
CN110807150A (zh) 信息处理方法及装置、电子设备和计算机可读存储介质
CN111126495B (zh) 模型训练方法、信息预测方法、装置、存储介质及设备
CN110413888B (zh) 一种书籍推荐方法及装置
CN109993627A (zh) 推荐方法、推荐模型的训练方法、装置和存储介质
CN113742567B (zh) 一种多媒体资源的推荐方法、装置、电子设备及存储介质
US9536445B2 (en) System and method for visually tracking a learned process
CN113569129A (zh) 点击率预测模型处理方法、内容推荐方法、装置及设备
CN114741423A (zh) 基于人工智能的内容推荐方法及装置
CN112040339A (zh) 一种视频数据的制作方法、装置、计算机设备和存储介质
CN111931073A (zh) 内容推送方法、装置、电子设备及计算机可读介质
CN111371605A (zh) 网络服务评分方法及装置
CN112269943B (zh) 一种信息推荐系统及方法
US20140122404A1 (en) System and method for displaying a trail
CN113836390B (zh) 资源推荐方法、装置、计算机设备及存储介质
JP2023513095A (ja) 選択および表示のための機械学習によるビデオのキュレーション
US9292883B2 (en) System and method for managing a trail
CN113794910B (zh) 视频推送方法、装置、电子设备和存储介质
CN115706833A (zh) 评论的处理方法、装置、电子设备及存储介质
CN116521937A (zh) 视频表单的生成方法、装置、设备及存储介质、程序产品
CN112948602A (zh) 一种内容显示方法、装置、系统、设备及存储介质
CN113850416A (zh) 广告推广合作对象确定方法和装置
CN113538030B (zh) 一种内容推送方法、装置及计算机存储介质

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