CN113873330A

CN113873330A - 视频推荐方法、装置、计算机设备和存储介质

Info

Publication number: CN113873330A
Application number: CN202111013490.5A
Authority: CN
Inventors: 陈程; 王贺; 石奕
Original assignee: Wuhan Zhuoer Digital Media Technology Co ltd
Current assignee: Wuhan Zhuoer Digital Media Technology Co ltd
Priority date: 2021-08-31
Filing date: 2021-08-31
Publication date: 2021-12-31
Anticipated expiration: 2041-08-31
Also published as: CN113873330B

Abstract

本申请涉及一种视频推荐方法、装置、计算机设备和存储介质。本申请的方法通过获取用户发送的视频推荐请求；根据视频推荐请求获取用户的历史观看记录，提取历史观看记录中用户与视频的交互信息；根据用户与视频的交互信息，确定用户观看视频的完整度信息，根据完整度信息对视频进行分类，获取用户观看各类视频之间的相似度度量数据；根据相似度度量数据获取用户兴趣特征，根据用户兴趣特征进行视频推荐。本申请基于用户的历史观看记录提取出用户观看视频时的交互信息，从而基于交互信息进行分析来得到用户观看不同完整度的视频之间的相似度度量数据，并进一步地提取出相应的用户兴趣特征来实现视频推荐，从而有效提高视频推荐准确性与有效性。

Description

视频推荐方法、装置、计算机设备和存储介质

技术领域

本申请涉及计算机领域，特别是涉及一种视频推荐方法、装置、计算机设备和存储介质。

背景技术

随着在线视频技术的蓬勃发展，为在线视频进行相关视频推荐在各个视频网站中的应用也越来越广泛和深入。视频推荐系统的出现，改变了用户与信息数据的交互方式，由用户主动获取信息转变为将信息主动推送给用户。为了提高用户的视频观看体验，如何向用户进行视频推荐逐渐成为当前的研究热点。

目前，视频推荐通常是根据用户观看过的视频标题中的关键词和标签中的信息，作为用户的兴趣点，从而进行匹配推荐。但是视频的标题和标签一般都是在视频上传时由人为手动设置的，因而标题和标签具有较强的主观性，很难对视频进行准确的表示，从而影响视频推荐的准确性与有效性。

发明内容

基于此，有必要针对上述技术问题，提供一种能够有效提高视频推荐准确性与有效性的视频推荐方法、装置、计算机设备和存储介质。

一种视频推荐方法，所述方法包括：

获取用户发送的视频推荐请求；

根据所述视频推荐请求获取所述用户的历史观看记录，提取所述历史观看记录中用户与视频的交互信息；

根据所述用户与视频的交互信息，确定所述用户观看视频的完整度信息，根据所述完整度信息对所述视频进行分类，获取所述用户观看各类视频之间的相似度度量数据；

根据所述相似度度量数据获取用户兴趣特征，根据所述用户兴趣特征进行视频推荐。

在其中一个实施例中，所述根据所述用户与视频的交互信息，确定所述用户观看视频的完整度信息，根据所述完整度信息对所述视频进行分类，获取所述用户观看各类视频之间的相似度度量数据包括：

根据所述用户与视频的交互信息，识别所述历史观看记录中用户完整看过的视频与用户未完整看过的视频；

基于斯皮尔曼等级相关系数法，识别所述用户完整看过的视频与用户未完整看过的视频之间相似度度量数据。

根据所述用户与视频的交互信息，识别所述历史观看记录中用户未完整观看视频；

确定所述用户未完整观看视频中的已完整观看部分以及未观看部分；

根据所述已完整观看部分对应视频特征集合，以及所述未观看部分对应视频特征集合，识别所述已完整观看部分以及所述未观看部分之间相似度度量数据。

在其中一个实施例中，所述根据所述已完整观看部分对应视频特征集合，以及所述未观看部分对应视频特征集合，识别所述已完整观看部分以及所述未观看部分之间相似度度量数据包括：

获取所述已完整观看部分对应视频特征集合，以及所述未观看部分对应视频特征集合之间的同义词关系、特征关系和联系程度；

根据所述同义词关系、所述特征关系以及所述联系程度，识别所述已完整观看部分以及所述未观看部分之间相似度度量数据。

在其中一个实施例中，所述根据所述相似度度量数据获取用户兴趣特征包括：

通过所述用户观看视频的相似度度量数据，获取用户观看视频所对应视频特征中目标视频特征；

对所述目标视频特征进行特征融合与组合处理，得到用户兴趣特征。

在其中一个实施例中，所述对所述目标视频特征进行特征融合与组合处理，得到用户兴趣特征包括：

识别所述目标视频特征中的相同特征；

通过时间特征融合算法对所述相同特征进行融合处理；

对融合处理后的所述目标视频特征进行组合，获取用户兴趣特征。

在其中一个实施例中，所述根据所述用户兴趣特征进行视频推荐包括：

获取可推荐视频；

基于所述用户兴趣特征，使用融合时间和类型特征加权的矩阵分解协同过滤算法对所述可推荐视频进行过滤，获取目标推荐视频；

根据所述目标推荐视频进行视频推荐。

一种视频推荐装置，所述装置包括：

数据接收单元，用于获取用户发送的视频推荐请求；

数据处理单元，用于根据所述视频推荐请求获取所述用户的历史观看记录，提取所述历史观看记录中用户与视频的交互信息；根据所述用户与视频的交互信息，确定所述用户观看视频的完整度信息，根据所述完整度信息对所述视频进行分类，获取所述用户观看各类视频之间的相似度度量数据；根据所述相似度度量数据获取用户兴趣特征，根据所述用户兴趣特征进行视频推荐

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

获取用户发送的视频推荐请求；

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：

获取用户发送的视频推荐请求；

上述视频推荐方法、装置、计算机设备和存储介质，方法通过获取用户发送的视频推荐请求；根据所述视频推荐请求获取所述用户的历史观看记录，提取所述历史观看记录中用户与视频的交互信息；根据用户与视频的交互信息，确定用户观看视频的完整度信息，根据完整度信息对视频进行分类，获取用户观看各类视频之间的相似度度量数据；根据所述相似度度量数据获取用户兴趣特征，根据所述用户兴趣特征进行视频推荐。本申请在进行视频推荐时，基于用户的历史观看记录提取出用户观看视频时的交互信息，从而基于交互信息进行分析来得到用户观看不同完整度的视频之间的相似度度量数据，并进一步地提取出相应的用户兴趣特征，从而有效提高视频推荐准确性与有效性。

附图说明

图1为一个实施例中视频推荐方法的应用环境图；

图2为一个实施例中视频推荐方法的流程示意图；

图3为一个实施例中图2中步骤205的子流程示意图；

图4为另一个实施例中图2中步骤205的子流程示意图；

图5为一个实施例中图2中步骤207的子流程示意图；

图6为一个实施例中视频推荐装置的结构框图；

图7为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请提供的视频推荐方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104通过网络进行通信。用户可以通过终端102向服务器104发送视频推荐请求。而后服务器104获取用户发送的视频推荐请求；根据视频推荐请求获取用户的历史观看记录，提取历史观看记录中用户与视频的交互信息；根据用户与视频的交互信息，获取用户观看视频的相似度度量数据；根据相似度度量数据获取用户兴趣特征，根据用户兴趣特征进行视频推荐。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

在一个实施例中，如图2所示，提供了一种视频推荐方法，以该方法应用于图1中的服务器104为例进行说明，包括以下步骤：

步骤201，获取用户发送的视频推荐请求。

步骤203，根据视频推荐请求获取用户的历史观看记录，提取历史观看记录中用户与视频的交互信息。

其中，视频推荐请求是指当用户需要进行视频推荐时，通过终端102发送至服务器104的请求，服务器104可以根据用户的观看历史记录，来进行推荐相应的视频。在其中一个实施例中，服务器104与视频应用相对应，服务器104对应于视频应用的后台，而终端102则对应于视频应用的前台。用户可以在终端102上视频应用的界面点击推荐按钮，从而生成视频推荐请求。在另一个实施例中，在用户观看视频将要结束时，终端102可以自动生成视频推荐请求，并将其发送至服务器104。用户的历史观看记录是指服务器104所收集的用户观看视频的历史记录。具体是指用户在视频应用上的观看历史记录。在其中一个实施例中，用户的历史观看记录具体是指用于在预设时间段内的观看历史记录。例如可以为用户在最近一个月内的历史观看记录。而用户与视频的交互信息则是指：用户在观看视频的过程中，会看到各式各样不同的视频资源，因此也会形成大量的观看与被观看的关系。比如说，每一个用户，都会观看多个视频资源，因而用户与多个视频之间都将会产出被观看的关系，同时，还可以确定用户是完整观看了这些视频，还是仅仅观看一部分。用户在观看视频后一般会对视频评分，因此，用户与视频的交互信息还可以包括视频评分等数据。

具体地，本申请主要用于根据用户对应的视频推荐请求，实现针对用户的个性化视频推荐。因此，需要根据用户对应的视频推荐请求来开启推荐进程。而后根据视频推荐请求来获取用户的历史观看记录，并从用户观看记录中提取出，用户在观看视频过程中的交互信息，从而可以依据用户与视频的交互信息；来进行视频推荐的分析。

步骤205，根据用户与视频的交互信息，确定用户观看视频的完整度信息，根据完整度信息对所述视频进行分类，获取用户观看各类视频之间的相似度度量数据。

其中，用户观看视频的相似度度量数据是指用户在观看视频过程中，所确定的不同类型的视频之间的相似度度量数据。其中，视频特征可以根据具体地需求来构建，用于描述视频的特点。如在一个实施例中，所构建的视频特征主要包括：视频类型＝{电视剧，电影}＝{1,2}；视频地区＝{中国，美国，韩国，日本，英国，印度，泰国}＝{1，2，3，4，5，6，7}；视频状态＝{连载，完结}＝{1,2}；付费＝{免费，付费，会员}＝{1，2，3}；风格＝{恋爱，校园，恐怖，科幻，搞笑，穿越，美食，职场，悬疑，古装}＝{1,2,3,4,5,6,7,8,9,10}。而后在进行视频推荐分析时，即可依据这些特征作为推荐的分析依据。

具体地，在得到用户与视频的交互信息后，由于交互信息的内容过多，因此，可以对用户与视频的交互信息进行分析提取处理，从中得到用户观看视频的相似度度量数据。在分析过程中，可以依据用户观看视频的完成程度，确定用户完整看过的视频与未完整看过的视频之间的特征相似度度量。也可以在用户未完整看过的视频中，确定已观看部分的视频与未观看部分的视频的特征相似度度量。从而进行分析，来确定用户感兴趣的视频特征。

步骤207，根据相似度度量数据获取用户兴趣特征，根据用户兴趣特征进行视频推荐。

具体地，用户兴趣特征是指基于用户观看视频的相似度度量数据所分析得到的用户可能感兴趣的视频特征。每个视频都被标记有若干的视频特征，而在基于相似度度量数据获取用户兴趣特征后，即可基于这些用户兴趣特征进行该分析，对比现有视频的标签，从中找出用户可能感兴趣的视频来进行推荐。

上述视频推荐方法，方法通过获取用户发送的视频推荐请求；根据所述视频推荐请求获取所述用户的历史观看记录，提取所述历史观看记录中用户与视频的交互信息；根据用户与视频的交互信息，确定用户观看视频的完整度信息，根据完整度信息对视频进行分类，获取用户观看各类视频之间的相似度度量数据；根据所述相似度度量数据获取用户兴趣特征，根据所述用户兴趣特征进行视频推荐。本申请在进行视频推荐时，基于用户的历史观看记录提取出用户观看视频时的交互信息，从而基于交互信息进行分析来得到用户观看不同完整度的视频之间的相似度度量数据，并进一步地提取出相应的用户兴趣特征来实现视频推荐，从而有效提高视频推荐准确性与有效性。

在一个实施例中，如图3所示，步骤205包括：

步骤302，根据用户与视频的交互信息，识别历史观看记录中用户完整看过的视频与用户未完整看过的视频。

步骤304，基于斯皮尔曼等级相关系数法，识别用户完整看过的视频与用户未完整看过的视频之间相似度度量数据。

其中，斯皮尔曼等级相关是根据等级资料研究两个变量间相关关系的方法。它是依据两列成对等级的各对等级数之差来进行计算的，所以又称为“等级差数法”。斯皮尔曼等级相关对数据条件的要求没有积差相关系数严格，只要两个变量的观测值是成对的等级评定资料，或者是由连续变量观测资料转化得到的等级资料，不论两个变量的总体分布形态、样本容量的大小如何，都可以用斯皮尔曼等级相关来进行研究。

具体地，本申请的方案中，可以通过斯皮尔曼等级相关系数法，来识别视频之间相似度度量数据。首先，可以根据用户与视频的交互信息，识别历史观看记录中用户完整看过的视频与用户未完整看过的视频。即将用户所观看的视频分为两组，每一组内包含有若干的视频，而后在进行分析时。即可从每组内各取一个视频来进行斯皮尔曼等级相关系数法分析。在分析过程中，将每个视频按照其视频特征属性，来构建一个连续变量组成的序列，从而对视频特征属性进行相似度的度量，比如X_i和Y_j分别是视频i和j的特征属性，经过排序后，其对应的序列分别是x_i和y_j，排序相似度计算公式如下：

其中，

和

分别是排序序列的平均值，sim1(,j)表示视频i与视频j之间的斯皮尔曼等级相关系数。公式计算得到的斯皮尔曼等级相关系数越大，排序列表的相似度也越高。通过斯皮尔曼等级相关系数法，可以有效获取户完整看过的视频与用户未完整看过的视频之间的相似度度量数据。

在一个实施例中如图4所示，步骤205包括：

步骤401，确定用户未完整观看视频中的已完整观看部分以及未观看部分。

步骤403，根据已完整观看部分对应视频特征集合，以及未观看部分对应视频特征集合，识别已完整观看部分以及未观看部分之间相似度度量数据。

其中，步骤403具体包括：获取已完整观看部分对应视频特征集合，以及未观看部分对应视频特征集合之间的同义词关系、特征关系和联系程度；根据同义词关系、特征关系以及联系程度，识别已完整观看部分以及未观看部分之间相似度度量数据.

其中，用户未完整观看视频具体可以包括单个视频仅看其中的一部分，以及由多个视频组成的视频集合中只管看其中一部分的视频。可以根据用户与视频的交互信息，确定历史观看记录中用户未完整观看视频，并进一步地确定其中用户已观看的部分以及未观看的部分。

具体地，为了识别用户感兴趣的视频特征，可以对未完全观看视频中已观看部分与未观看计算特征相似度。同样地，可以通过计算两组视频特征集合的重合程度，来衡量不同视频的相似度。公式如下：

sim2(x,y)＝w1·S_synset(x,y)+w2·S_features(x,y)+w3·S_{neighborhoods}(x,y)

其中，sim2(x,y)表示视频x与视频y之间的相似度度量数据。w1，w2,w3分别代表不同部分的权重，权重的取值与特征相关。S_synset、S_features、S_{neighborhoods}代表两组视频的同义词关系、特征关系和联系程度。

计算规则中的I和J分别表示概念i和j对应术语词汇，用在本申请中即为视频对应的视频特征，I\J表示在I中能找到的对象，但不包括在J内的术语项；同理J\I值表示在J中能找到的对象，但不包括在I内的术语项。通过视频特征集合之间的同义词关系、特征关系和联系程度，可以有效地识别出用户未完整观看视频中，已完整观看部分以及未观看部分之间相似度度量数据。从而有效地进行后续的视频处理，保证视频推荐的准确性。

在其中一个实施例中，步骤207包括：通过用户观看视频的相似度度量数据，获取用户观看视频所对应视频特征中目标视频特征；对目标视频特征进行特征融合与组合处理，得到用户兴趣特征。

其中，目标视频特征即为各个类型的视频特征中，重合程度最高的若干个视频特征。

具体地，确定用户观看视频的相似度度量数据后，即可基于相似度度量数据来进行分析，确定用户观看视频所对应视频特征中目标视频特征，即确定哪些视频特征是用户所观看的视频中比较重叠的部分。用户观看视频的相似度度量数据为用户所观看视频中，这些视频对应的各类型视频特征的重合程度，而获取用户观看视频所对应视频特征中目标视频特征，即为提取出各类型的视频特征中，重合程度最高的视频特征中。如在一个具体实施例中，可以基于用户观看视频的相似度度量数据，确定可以用户完整看过的视频与用户未完整看过的视频之间，在视频类型类的视频特征中，重叠程度最高的电视剧；在视频地区类的视频特征中，重叠程度最高的韩国；在视频状态类的视频特征中，重叠程度最高的连载；在视频付费类的视频特征中，重叠程度最高的会员；在视频风格类的视频特征中，重叠程度最高的恋爱。那么基于用户观看视频的相似度度量数据，可以确定用户完整看过的视频与用户未完整看过的视频之间，对应的一组目标视频特征即为{电视剧、韩国、连载、会员、恋爱}。以此类推，可以确定各种类型的用户观看视频之间的目标视频特征。由于这些目标视频特征之间存在着重叠，因此最后通过将这些目标视频特征进行融合处理，来获取最后的用户兴趣特征。本实施例中，通过对提取目标视频特征，而后对目标视频特征来进行处理，可以有效得到最终的用户兴趣特征，保证用户兴趣特征识别的准确率。

在其中一个实施例中，对目标视频特征进行特征融合与组合处理，得到用户兴趣特征包括：识别目标视频特征中的相同特征；通过时间特征融合算法对相同特征进行融合处理；对融合处理后的目标视频特征进行组合，获取用户兴趣特征。

具体地，在识别目标视频特征中的相同特征后；可以通过时间特征融合算法对目标视频特征中的相同特征进行融合处理，去除目标视频特征的特征量，从提高视频推荐过程的匹配效率，而后对融合处理后的目标视频特征进行组合，获取最终的用户兴趣特征。在一个具体的实施例中，本申请的视频推荐方法可以通过预设的深度卷积神经网络来实现，通过模型训练数据来对初始卷积神经网络训练，从而得到能进行有效视频推荐的深度卷积神经网络，该深度卷积神经网络的损失函数具体可以使用均方根误差作为损失函数，公式如下：

其中observed_i为真实值，predicted_i为预测值。当RMSE的值越小，说明预测模型所预测的结果更接近于真实值，神经网络模型的预测准确性更好，此时的模型内的参数可以确定为最适合的数。而时间特征融合算法主要作用在深度卷积神经网络的池化层，在进行池化处理前，需要将空间特征图按照时序进行堆叠，使得输入池化层的特征图维度提高。本实施例中，通过时间特征融合算法来实现特征的融合，可以有效提高视频推荐过程的处理效率。

在其中一个实施例中，如图5所示，根据用户兴趣特征进行视频推荐包括：

步骤502，获取可推荐视频。

步骤504，基于用户兴趣特征，使用融合时间和类型特征加权的矩阵分解协同过滤算法对可推荐视频进行过滤，获取目标推荐视频。

步骤506，根据目标推荐视频进行视频推荐。

其中，可推荐视频是指视频库内所有的可以进行推荐的视频，而目标推荐视频则是在向用户推荐的视频。而协同过滤简单来说是利用某兴趣相投、拥有共同经验之群体的喜好来推荐用户感兴趣的信息，个人通过合作的机制给予信息相当程度的回应(如评分)并记录下来以达到过滤的目的进而帮助别人筛选信息，回应不一定局限于特别感兴趣的，特别不感兴趣信息的纪录也相当重要。本申请在得到用户兴趣特征后，将具有这些特征的视频作为该用户感兴趣的视频特征进行推荐，使用融合时间和类型特征加权的矩阵分解协同过滤算法，向当前的目标用户推荐预设数目的其可能感兴趣的视频。本实施例中，通过使用融合时间和类型特征加权的矩阵分解协同过滤算法对可推荐视频进行过滤，获取目标推荐视频，可以保证目标推荐视频识别的准确性与效率，从而提升视频推荐的效果。

应该理解的是，虽然图2-5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2-5中的至少一部分步骤可以包括多个步骤或者多个阶段，这些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中的步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图6所示，提供了一种视频推荐装置，包括：

数据接收单元601，用于获取用户发送的视频推荐请求。

数据处理单元603，用于根据视频推荐请求获取用户的历史观看记录，提取历史观看记录中用户与视频的交互信息；根据用户与视频的交互信息，确定用户观看视频的完整度信息，根据完整度信息对所述视频进行分类，获取用户观看各类视频之间的相似度度量数据；根据相似度度量数据获取用户兴趣特征，根据用户兴趣特征进行视频推荐。

在其中一个实施例中，数据处理单元603具体用于：根据用户与视频的交互信息，识别历史观看记录中用户完整看过的视频与用户未完整看过的视频；基于斯皮尔曼等级相关系数法，识别用户完整看过的视频与用户未完整看过的视频之间相似度度量数据。

在其中一个实施例中，数据处理单元603具体用于：根据用户与视频的交互信息，识别历史观看记录中用户未完整观看视频；确定用户未完整观看视频中的已完整观看部分以及未观看部分；根据已完整观看部分对应视频特征集合，以及未观看部分对应视频特征集合，识别已完整观看部分以及未观看部分之间相似度度量数据。

在其中一个实施例中，数据处理单元603具体用于：获取已完整观看部分对应视频特征集合，以及未观看部分对应视频特征集合之间的同义词关系、特征关系和联系程度；根据同义词关系、特征关系以及联系程度，识别已完整观看部分以及未观看部分之间相似度度量数据。

在其中一个实施例中，数据处理单元603具体用于：通过用户观看视频的相似度度量数据，获取用户观看视频所对应视频特征中目标视频特征；对目标视频特征进行特征融合与组合处理，得到用户兴趣特征。

在其中一个实施例中，数据处理单元603具体用于：识别目标视频特征中的相同特征；通过时间特征融合算法对相同特征进行融合处理；对融合处理后的目标视频特征进行组合，获取用户兴趣特征。

在其中一个实施例中，数据处理单元603具体用于：获取可推荐视频；基于用户兴趣特征，使用融合时间和类型特征加权的矩阵分解协同过滤算法对可推荐视频进行过滤，获取目标推荐视频；根据目标推荐视频进行视频推荐。

关于视频推荐装置的具体限定可以参见上文中对于视频推荐方法的限定，在此不再赘述。上述视频推荐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计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储视频推荐数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种视频推荐方法。

本领域技术人员可以理解，图7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计算机设备的限定，具体的计算机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。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：

获取用户发送的视频推荐请求；

根据视频推荐请求获取用户的历史观看记录，提取历史观看记录中用户与视频的交互信息；

根据用户与视频的交互信息，确定用户观看视频的完整度信息，根据完整度信息对所述视频进行分类，获取用户观看各类视频之间的相似度度量数据；

根据相似度度量数据获取用户兴趣特征，根据用户兴趣特征进行视频推荐。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据用户与视频的交互信息，识别历史观看记录中用户完整看过的视频与用户未完整看过的视频；基于斯皮尔曼等级相关系数法，识别用户完整看过的视频与用户未完整看过的视频之间相似度度量数据。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据用户与视频的交互信息，识别历史观看记录中用户未完整观看视频；确定用户未完整观看视频中的已完整观看部分以及未观看部分；根据已完整观看部分对应视频特征集合，以及未观看部分对应视频特征集合，识别已完整观看部分以及未观看部分之间相似度度量数据。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取已完整观看部分对应视频特征集合，以及未观看部分对应视频特征集合之间的同义词关系、特征关系和联系程度；根据同义词关系、特征关系以及联系程度，识别已完整观看部分以及未观看部分之间相似度度量数据。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：通过用户观看视频的相似度度量数据，获取用户观看视频所对应视频特征中目标视频特征；对目标视频特征进行特征融合与组合处理，得到用户兴趣特征。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：识别目标视频特征中的相同特征；通过时间特征融合算法对相同特征进行融合处理；对融合处理后的目标视频特征进行组合，获取用户兴趣特征。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取可推荐视频；基于用户兴趣特征，使用融合时间和类型特征加权的矩阵分解协同过滤算法对可推荐视频进行过滤，获取目标推荐视频；根据目标推荐视频进行视频推荐。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

获取用户发送的视频推荐请求；

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据用户与视频的交互信息，识别历史观看记录中用户未完整观看视频；确定用户未完整观看视频中的已完整观看部分以及未观看部分；根据已完整观看部分对应视频特征集合，以及未观看部分对应视频特征集合，识别已完整观看部分以及未观看部分之间相似度度量数据。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取已完整观看部分对应视频特征集合，以及未观看部分对应视频特征集合之间的同义词关系、特征关系和联系程度；根据同义词关系、特征关系以及联系程度，识别已完整观看部分以及未观看部分之间相似度度量数据。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：通过用户观看视频的相似度度量数据，获取用户观看视频所对应视频特征中目标视频特征；对目标视频特征进行特征融合与组合处理，得到用户兴趣特征。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：识别目标视频特征中的相同特征；通过时间特征融合算法对相同特征进行融合处理；对融合处理后的目标视频特征进行组合，获取用户兴趣特征。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取可推荐视频；基于用户兴趣特征，使用融合时间和类型特征加权的矩阵分解协同过滤算法对可推荐视频进行过滤，获取目标推荐视频；根据目标推荐视频进行视频推荐。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(RandomAccessMemory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(StaticRandomAccessMemory，SRAM)或动态随机存取存储器(DynamicRandomAccessMemory，DRAM)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims

1.一种视频推荐方法，所述方法包括：

获取用户发送的视频推荐请求；

2.根据权利要求1所述的方法，其特征在于，所述根据所述用户与视频的交互信息，确定所述用户观看视频的完整度信息，根据所述完整度信息对所述视频进行分类，获取所述用户观看各类视频之间的相似度度量数据包括：

3.根据权利要求1所述的方法，其特征在于，所述根据所述用户与视频的交互信息，确定所述用户观看视频的完整度信息，根据所述完整度信息对所述视频进行分类，获取所述用户观看各类视频之间的相似度度量数据包括：

根据所述已完整观看部分对应视频特征集合、以及所述未观看部分对应视频特征集合，识别所述已完整观看部分以及所述未观看部分之间相似度度量数据。

4.根据权利要求3所述的方法，其特征在于，所述根据所述已完整观看部分对应视频特征集合、以及所述未观看部分对应视频特征集合，识别所述已完整观看部分以及所述未观看部分之间相似度度量数据包括：

获取所述已完整观看部分对应视频特征集合、以及所述未观看部分对应视频特征集合之间的同义词关系、特征关系和联系程度；

5.根据权利要求1所述的方法，其特征在于，所述根据所述相似度度量数据获取用户兴趣特征包括：

6.根据权利要求5所述的方法，其特征在于，所述对所述目标视频特征进行特征融合与组合处理，得到用户兴趣特征包括：

识别所述目标视频特征中的相同特征；

通过时间特征融合算法对所述相同特征进行融合处理；

7.根据权利要求6所述的方法，其特征在于，所述根据所述用户兴趣特征进行视频推荐包括：

获取可推荐视频；

根据所述目标推荐视频进行视频推荐。

8.一种视频推荐装置，其特征在于，所述装置包括：

数据接收单元，用于获取用户发送的视频推荐请求；

数据处理单元，用于根据所述视频推荐请求获取所述用户的历史观看记录，提取所述历史观看记录中用户与视频的交互信息；根据所述用户与视频的交互信息，确定所述用户观看视频的完整度信息，根据所述完整度信息对所述视频进行分类，获取所述用户观看各类视频之间的相似度度量数据；根据所述相似度度量数据获取用户兴趣特征，根据所述用户兴趣特征进行视频推荐。

9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，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至7中任一项所述的方法的步骤。