CN113886633A - 基于人工智能的视频推荐、装置、设备及存储介质 - Google Patents

基于人工智能的视频推荐、装置、设备及存储介质 Download PDF

Info

Publication number
CN113886633A
CN113886633A CN202111183062.7A CN202111183062A CN113886633A CN 113886633 A CN113886633 A CN 113886633A CN 202111183062 A CN202111183062 A CN 202111183062A CN 113886633 A CN113886633 A CN 113886633A
Authority
CN
China
Prior art keywords
video
videos
video recommendation
database
target user
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.)
Pending
Application number
CN202111183062.7A
Other languages
English (en)
Inventor
甄睿
张然
谭贤
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.)
Ping An International Smart City Technology Co Ltd
Original Assignee
Ping An International Smart City 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 Ping An International Smart City Technology Co Ltd filed Critical Ping An International Smart City Technology Co Ltd
Priority to CN202111183062.7A priority Critical patent/CN113886633A/zh
Publication of CN113886633A publication Critical patent/CN113886633A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/73—Querying
    • G06F16/735—Filtering based on additional data, e.g. user or group profiles
    • 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
    • G06F16/90—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
    • 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
    • G06F16/9538—Presentation of query results
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)

Abstract

本发明涉及人工智能技术领域，提供了一种基于人工智能的视频推荐方法、装置、设备及存储介质。该方法包括：读取视频的第一发布时间点及第一热度值、第二热度值；根据第一热度值、第二热度值及第一发布时间点对所有视频进行排序生成初始视频推荐表，将初始视频推荐表推荐至目标用户；将视频的属性信息输入视频推荐模型得到视频类型，选取视频生成第一候选视频推荐表，建立目标用户的ID号与视频的ID号的关系表；选取评分值大于预设值的视频生成第二候选视频推荐表，基于关系表、第一候选视频、第二候选视频推荐表得到目标视频推荐表并推荐至目标用户。本发明还涉及区块链技术领域，上述关系表、视频的属性信息还可以存储于一区块链的节点中。

Description

基于人工智能的视频推荐、装置、设备及存储介质
技术领域
本发明涉及人工智能技术领域，尤其涉及一种基于人工智能的视频推荐方法、装置、设备及存储介质。
背景技术
在5G网络和人工智能等高科技带领下，视频市场也随着高科技得到高速发展，各个视频平台通常采集用户的已观看视频的标签和收藏的视频等方面信息，通过设定的推荐算法计算得到用户喜好的特征信息，根据用户喜好的特征信息调整用户视频的流量池的大小并推荐相应的视频给用户，但这种视频推荐算法有不足的地方：
一、无法根据用户的行为信息自动调整推荐的算法，过度按照用户喜欢观看的视频返回推荐表，导致推荐表都是用户喜欢观看类型的视频，只能做到短期时间内迎合用户的需求，由于长期无法推荐更多不同类型优质的短视频给用户，因此，难以满足用户的视觉和心理的需求，容易造成用户对视频的视觉性疲劳；
二、用户推荐视频的选择设定不合理，推荐时只能将视频给所有的用户开放观看或设置为密码观看方式，不可以按照自己的需求选择视频推荐给指定的用户观看，推荐视频的场景设定的不够人性化。
发明内容
鉴于以上内容，本发明提供一种基于人工智能的视频推荐方法、装置、设备及存储介质，其目的在于解决现有技术中无法根据用户的行为信息自动调整推荐视频的技术问题。
为实现上述目的，本发明提供一种基于人工智能的视频推荐方法，该方法包括：
读取第一时间段内数据库中存储的每个视频的第一发布时间点及第一热度值，并读取第一时间段内目标用户的关联用户观看过的每个视频的第二热度值，其中，视频的热度值为一个时间段内该视频被用户观看的次数；
根据所述第一热度值、所述第二热度值及所述第一发布时间点对所述数据库中存储的所有视频进行排序，根据排序顺序生成初始视频推荐表，将所述初始视频推荐表推荐至所述目标用户；
读取所述初始视频推荐表中所述目标用户已观看过的视频，将所述已观看过的视频的属性信息输入预先构建的视频推荐模型，得到所述已观看过的视频类型，从所述数据库中选取与所述已观看过的视频类型相关联的视频生成第一候选视频推荐表，并建立所述目标用户的ID号与所述已观看过的视频的ID号的关系表；
将第二时间段内所述数据库中存储的每个视频的第二发布时间点及第三热度值输入预设的评分模型，得到所述每个视频的评分值，选取所述评分值大于预设值的视频生成第二候选视频推荐表，基于所述关系表、所述第一候选视频推荐表、所述第二候选视频推荐表得到目标视频推荐表，并推荐至所述目标用户。
优选的，所述根据所述第一热度值、所述第二热度值及所述第一发布时间点对所述数据库中存储的所有视频进行排序，根据排序顺序生成初始视频推荐表，包括：
根据所述第一热度值、所述第二热度值由大到小的顺序对所述数据库中存储的所有视频进行排序，分别生成对应的第一视频排序表、第二视频排序表，从所述第一视频排序、所述第二视频排序表分别选取第一预设数量、第二预设数量的视频；
根据所述第一发布时间点由近到远的顺序对所述数据库中存储的所有视频进行排序，生成第三视频排序表，从所述第三视频排序表选取第三预设数量的视频；
根据选取的所述第一预设数量、第二预设数量、第三预设数量的视频生成所述初始视频推荐表。
优选的，所述视频推荐模型训练过程包括：
获取预设数量的样本视频，将各个样本视频的属性信息的序列数据作为自变量、各个样本视频的类型作为因变量生成样本集；
将样本集中的序列数据输入BP神经网络，基于BP神经网络的默认权重计算得到预测输出，计算目标输出及预测输出的损失值，根据误差及反向传播算法计算出梯度并利用梯度下降算法调整所述默认权重，直至总损失值小于预设阈值，得到所述视频推荐模型。
优选的，所述建立所述目标用户的ID号与所述已观看过的视频的ID号的关系表，包括：
从所述初始视频推荐表中读取所述已观看过的视频的ID号，以键值对的数据格式建立所述目标用户的ID号与每个所述已观看过的视频的ID号的关系表，并将所述关系表存储至redis数据库中。
优选的，所述评分模型的计算公式包括：
Qi＝sum(product(Ei，N)，div(Fi，Z))
其中，Qi为所述数据库中第i个视频的评分值，Ei为所述数据库中第i个视频的第三热度值，Fi为所述数据库中第i个视频的第二发布时间点，N为具有第三热度值的视频在所述数据库中的占比，Z为具有第二发布时间点的视频在所述数据库中的占比。
优选的，所述基于所述关系表、所述第一候选视频推荐表、所述第二候选视频推荐表得到目标视频推荐表，包括：
读取所述第一候选视频推荐表、所述第二候选视频推荐表中所有视频的ID号，基于所述目标用户的ID号，从所述第一候选视频推荐表、所述第二候选视频推荐表中删除与所述关系表中的ID号相同的视频，得到所述目标视频推荐表。
优选的，所述方法还包括：
获取所述数据库中所有用户的标签，根据所述标签将所述所有用户分别分成多个用户集，以供所述目标用户将所述目标用户已观看过的视频发送至所述的用户集。
为实现上述目的，本发明还提供一种基于人工智能的视频推荐装置，所述装置包括：
获取模块：用于读取第一时间段内数据库中存储的每个视频的第一发布时间点及第一热度值，并读取第一时间段内目标用户的关联用户观看过的每个视频的第二热度值，其中，视频的热度值为一个时间段内该视频被用户观看的次数；
计算模块：用于根据所述第一热度值、所述第二热度值及所述第一发布时间点对所述数据库中存储的所有视频进行排序，根据排序顺序生成初始视频推荐表，将所述初始视频推荐表推荐至所述目标用户；
存储模块：用于读取所述初始视频推荐表中所述目标用户已观看过的视频，将所述已观看过的视频的属性信息输入预先构建的视频推荐模型，得到所述已观看过的视频类型，从所述数据库中选取与所述已观看过的视频类型相关联的视频生成第一候选视频推荐表，并建立所述目标用户的ID号与所述已观看过的视频的ID号的关系表；
推荐模块：用于将第二时间段内所述数据库中存储的每个视频的第二发布时间点及第三热度值输入预设的评分模型，得到所述每个视频的评分值，选取所述评分值大于预设值的视频生成第二候选视频推荐表，基于所述关系表、所述第一候选视频推荐表、所述第二候选视频推荐表得到目标视频推荐表，并推荐至所述目标用户。
为实现上述目的，本发明还提供一种电子设备，所述电子设备包括：
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程序，所述程序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如权利要求1至7中任一项所述基于人工智能的视频推荐方法。
为实现上述目的，本发明还提供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基于人工智能的视频推荐程序，所述基于人工智能的视频推荐程序被处理器执行时，实现如权利要求1至7中任一项所述基于人工智能的视频推荐方法的步骤。
本发明根据用户的标签分成多个用户集，当目标用户推送视频时，可以根据视频的标签或自己需求选择推送至指定的用户集，解决了目标用户不能按照自己的需求选择视频的推送对象的问题，让推荐视频的场景设定更加个性化，根据人工智能算法动态调整目标用户喜欢观看的、人气最热的、最新发布的视频得到目标视频推荐表，并推荐至目标用户，能够根据用户已观看视频的属性信息自动调整目标视频推荐表中的视频。
附图说明
图1为本发明基于人工智能的视频推荐方法较佳实施例的流程图示意图；
图2为本发明基于人工智能的视频推荐装置较佳实施例的模块示意图；
图3为本发明电子设备较佳实施例的示意图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。基于本发明中的实施例，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，都属于本发明保护的范围。
本发明实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础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、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本发明提供一种基于人工智能的视频推荐方法。参照图1所示，为本发明基于人工智能的视频推荐方法的实施例的方法流程示意图。该方法可以由一个电子设备执行，该电子设备可以由软件和/或硬件实现。基于人工智能的视频推荐方法包括：
步骤S10：读取第一时间段内数据库中存储的每个视频的第一发布时间点及第一热度值，并读取第一时间段内目标用户的关联用户观看过的每个视频的第二热度值，其中，视频的热度值为一个时间段内该视频被用户观看的次数。
本实施例，从数据库中获取与目标用户具有相同标签的用户作为目标用户的关联用户。目标用户为预设的用户，可以是指在数据库中新注册的用户，也可以是首次登录数据库中的用户，标签可以设置为该目标用户在数据库中的注册信息(例如，年龄、职业、组织等)，基于关联用户观看或收藏视频的行为信息，读取数据库中关联用户所观看过的每个视频的第一热度值。数据库可以指是企业内部的视频数据库或第三方视频数据库等，例如，智慧教育saas企业或抖音等视频数据库。读取第一时间段内(例如，7天内)，数据库中每个视频的观看的次数，将该观看的次数作为该视频的第一热度值，并读取这7天内每个视频的发布的最早发布时间点，将该时间点作为该视频的第一发布时间点。若目标用户A的关联用户有1000人，视频B被关联用户中的800人点击观看，则将800作为视频B的第二热度值，视频B在关联用户中的观看的次数越大，代表视频B受关联用户的喜欢度越高，可以认为视频B是目标用户可能喜欢观看的视频。
例如，读取第一时间段内(例如，2021年1月1号至2021年1月8号，7天内)，若视频B被5000个用户观看过，则将5000作为视频B的第一热度值，若视频B最早在2021年1月1号10:00AM发布，则将2021年1月1号10:00AM作为视频B的第一发布时间点，通常将第一热度值越大的视频作为数据库中人气最热的视频，将第二热度值越大的视频作为目标用户可能喜欢观看的视频，将与2021年1月8号距离最近的第一发布时间点的视频作为数据库中最新发布的视频。
步骤S20：根据所述第一热度值、所述第二热度值及所述第一发布时间点对所述数据库中存储的所有视频进行排序，根据排序顺序生成初始视频推荐表，将所述初始视频推荐表推荐至所述目标用户。
具体地，步骤S20，包括：
根据所述第一热度值、所述第二热度值由大到小的顺序对所述数据库中存储的所有视频进行排序，分别生成对应的第一视频排序表、第二视频排序表，从所述第一视频排序、所述第二视频排序表分别选取第一预设数量、第二预设数量的视频；
根据所述第一发布时间点由近到远的顺序对所述数据库中存储的所有视频进行排序，生成第三视频排序表，从所述第三视频排序表选取第三预设数量的视频；
根据选取的所述第一预设数量、第二预设数量、第三预设数量的视频生成所述初始视频推荐表。
在本实施例中，第一预设数量、第二预设数量、第三预设数量是相同的(即按1:1:1的比例)，但在其它实施例中选取数量可以是不相同的。
根据每个视频的第一热度值、第二热度值由大到小的顺序对数据库中存储的所有视频进行排序，根据排序顺序分别选取排序靠前的视频(例如，选取第一预设数量、第二预设数量的视频各30个)作为第一视频排序表、第二视频排序表，第一视频排序表代表着数据库中观看的次数最多的视频，也可以认为是数据库中人气最热的视频，第二视频排序表代表着目标用户的关联用户观看的次数最多的视频，也可以认为是目标用户可能喜欢观看的视频。
根据新发布的视频的发布时间点由近到远的顺序对数据库中存储的所有视频进行排序，根据排序顺序选取排序靠前的视频(例如，选取第三预设数量的视频30个)，作为第三视频排序表，第三视频排序表代表着数据库中最新发布的视频。
本实施例是根据预设比例(例如，1:1:1或者其它的比例)，根据第一热度值(人气最热的)、第二热度值(目标用户可能喜欢的)及第一发布时间点(最新发布的)生成的第一视频排序表、第二视频排序表、第三视频排序表(每个视频排序表对应一个视频集)中选取预设数量的视频构建初始视频推荐表，将初始视频推荐表推荐至目标用户，观察目标用户对第一热度值、第二热度值及第一发布时间点对应的视频集中的哪些视频会感兴趣并点击观看，从而记录目标用户对初始视频推荐表中的视频点击观看的行为信息，得到目标用户已观看视频的记录。
例如，根据第一热度值、第二热度值、第一发布时间点的视频各为10个视频，一共30个视频按1:1:1的比例构建初始视频推荐表，将初始视频推荐表推荐至目标用户A，观察目标用户A对哪些视频会感兴趣点击观看，若目标用户A点击观看第一热度值的视频为5个视频和第二热度值的视频为3个视频，一共点击观看了8个视频，说明这8个视频是目标用户A喜欢观看的视频，得到了目标用户A已观看视频的记录。
本发明将第一热度值(人气最热的)、第二热度值(目标用户可能喜欢的)及第一发布时间点(最新发布的)的视频构建初始视频推荐表推荐至目标用户，能够满足目标用户的视觉和心理的需求，解决了现有技术中过度追求目标用户的喜好，只推荐用户喜欢观看类型的视频的问题。
步骤S30：读取所述初始视频推荐表中所述目标用户已观看过的视频，将所述已观看过的视频的属性信息输入预先构建的视频推荐模型，得到所述已观看过的视频类型，从所述数据库中选取与所述已观看过的视频类型相关联的视频生成第一候选视频推荐表，并建立所述目标用户的ID号与所述已观看过的视频的ID号的关系表。
本实施例，当目标用户接收到初始视频推荐表后，读取目标用户从初始视频推荐表中点击观看哪些视频，得到目标用户多个已观看过的视频，相对于含有第二热度值的视频(关联用户观看的视频)，这些已观看过的视频更能代表目标用户喜欢的视频，根据这些已观看过的视频的属性信息，属性信息包括视频关键词、组织、作者及观看数，预先构建的视频推荐模型可以根据BP神经网络训练得到的，将这些已观看过的视频的属性信息输入视频推荐模型，得到目标用户喜欢观看的视频类型，从数据库中的所有视频中选取与该目标用户喜欢观看的视频类型相关联的视频生成第一候选视频推荐表，将发布视频时生成的序列号数字(例如，生成序列号数字为20210818456)作为视频的ID号，将目标用户登录数据库中的用户名(例如，用户名为456789)作为用户ID号，根据目标用户的用户ID号与目标用户已观看的每个视频的ID号建立目标用户观看视频的关系表，该关系表中包含目标用户已观看过的每个视频的ID号、观看时间点、观看时长、观看的次数等记录。
例如，将第一热度值、第二热度值及第一发布时间点的视频，各为10个视频构建初始视频推荐表，将初始视频推荐表推荐至目标用户A，若目标用户A点击观看第一热度值的视频为5个视频、第二热度值的视频为3个视频和第一发布时间点的视频为4个视频，一共观看了初始视频推荐表中12个视频，说明这12个视频是目标用户A喜欢观看的视频，将这12个视频的属性信息作为视频推荐模型的输入参数，得到目标用户已观看过的视频类型，再从数据库中选取与该目标用户已观看过的视频类型相关联的视频集生成第一候选视频推荐表。
在一个实施例中，所述视频推荐模型训练过程包括：
获取预设数量的样本视频，将各个样本视频的属性信息的序列数据作为自变量、各个样本视频的类型作为因变量生成样本集；
将样本集中的序列数据输入BP神经网络，基于BP神经网络的默认权重计算得到预测输出，计算目标输出及预测输出的损失值，根据误差及反向传播算法计算出梯度并利用梯度下降算法调整所述默认权重，直至总损失值小于预设阈值，得到所述视频推荐模型。
BP神经网络的隐含层和输出层的传递函数为非对称Sigmoid函数，非对称Sigmoid函数包括：
Figure BDA0003298063440000091
其中，Vi＝Y1i或Y2i
其中，Vi为所述样本集中第i个视频的属性信息的序列数据，Y1i为所述样本集中第i个视频的第一预测输出值，Y2i为所述样本集中第i个视频的第二预测输出值。
在未得到视频推荐模型之前，每次BP神经网络对样本集的训练过程中得到输出结果作为预测输出，想要视频推荐模型达到的标准结果作为目标输出，从第三方视频数据库(例如，智慧教育saas企业或抖音等视频数据库)获取预设数量的样本视频(例如，预设数量为10000个视频)，影响目标用户点击观看一个视频的因素有很多，例如，视频的收藏、评论、关键词、作者、组织、观看数等，将与目标用户有密切相关视频的关键词、作者、组织、观看数作为属性信息，将样本集中每个视频的关键词、组织、作者及观看数拼接成序列数据，作为BP神经网络输入参数，基于BP神经网络的默认权重随机赋值为接近于零的非零值时，选取非对称Sigmoid函数作为隐含层和输出层的传递函数计算得到预测输出，若预测输出和目标输出的总损失值小于预设阈值(例如，预设阈值为1)，得到视频推荐模型。
在一个实施例中，所述建立所述目标用户的ID号与所述已观看过的视频的ID号的关系表，包括：
从所述初始视频推荐表中读取所述已观看过的视频的ID号，以键值对的数据格式建立所述目标用户的ID号与每个所述已观看过的视频的ID号的关系表，并将所述关系表存储至redis数据库中。
当目标用户点击观看初始视频推荐表中视频B时，读取视频B的ID号与目标用户的ID号，将目标用户的ID号与视频B的ID号中序列号数字以键值对的数据格式建立关系表(例如，键值对的数据格式为<20210818456，456789>，其中，20210818456代表视频B的ID号，456789代表目标用户的ID号)，并将该关系表存储至redis数据库中，redis数据库是基于内存亦可持久化的日志型、Key-Value数据库。
初始视频推荐表中还有一些视频没有被目标用户点击观看的，可能是目标用户有其它原因没能及时观看(例如，工作太忙或心情不佳等原因)，基于艾宾浩斯遗忘曲线重新计算这些没有观看视频的重复推送时间(例如，间隔1天再推送至目标用户)，若这些没有观看视频的推送次数大于或等于5次，都没有被目标用户点击观看，将这些没有观看视频的ID号与目标用户的ID号的记录到关系表中，作为目标用户不喜欢观看的视频，在预设时间段内(例如，60天内)不再推送至目标用户。
步骤S40：将第二时间段内所述数据库中存储的每个视频的第二发布时间点及第三热度值输入预设的评分模型，得到所述每个视频的评分值，选取所述评分值大于预设值的视频生成第二候选视频推荐表，基于所述关系表、所述第一候选视频推荐表、所述第二候选视频推荐表得到目标视频推荐表，并推荐至所述目标用户。
本实施例，读取第二时间段内(例如，7天内)，数据库中每个视频的观看的次数，将观看的次数作为该视频的第三热度值，并读取这7天内每个视频的最早发布时间点，将该时间点作为该视频的第二发布时间点。预设的评分模型可以根据Lucene的文本相关度的solr评分算法训练得到的，将第三热度值、第二发布时间点的视频的收藏量作为solr评分算法的变量，输入评分模型得到每个视频的评分值，选取这些评分值大于预设值(例如，预设值设为100)的视频作为第二候选视频推荐表，基于关系表中有目标用户已观看过的视频，将第一候选视频、第二候选视频推荐表中目标用户已观看过的视频删除，得到目标视频推荐表，并将该目标视频推荐表替换初始视频推荐表后推荐至目标用户选择观看。
在一个实施例中，所述评分模型的计算公式包括：
Qi＝sum(product(Ei，N)，div(Fi，Z))
其中，Qi为所述数据库中第i个视频的评分值，Ei为所述数据库中第i个视频的第三热度值，Fi为所述数据库中第i个视频的第二发布时间点，N为具有第三热度值的视频在所述数据库中的占比，Z为具有第二发布时间点的视频在所述数据库中的占比。
在一个实施例中，所述基于所述关系表、所述第一候选视频推荐表、所述第二候选视频推荐表得到目标视频推荐表，包括：
读取所述第一候选视频推荐表、所述第二候选视频推荐表中所有视频的ID号，基于所述目标用户的ID号，从所述第一候选视频推荐表、所述第二候选视频推荐表中删除与所述关系表中的ID号相同的视频，得到所述目标视频推荐表。
redis数据库中存储有目标用户已观看视频B的关系表，关系表是以键值对的数据格式(例如，键值对为<20210818456，456789>，其中，20210818456代表视频B的ID号，456789代表目标用户的ID号)，若第一候选视频、第二候选视频推荐表中有视频的ID号为20210818456，说明ID号为20210818456的视频B已经被目标用户观看过，将ID号为20210818456的视频B在第一候选视频、第二候选视频推荐表中删除，将剩下的视频作为目标视频推荐表推荐至目标用户，防止推荐重复的视频造成目标用户的视觉性疲劳。
目标视频推荐表是根据目标用户的观看行为，动态推荐喜欢、人气最热、最新发布视频组成不同比例推荐表(例如，5：2：3或5：4：1的比例)，要确保目标视频推荐表中人气最热、最新发布视频保持最低比例(例如，最低比例是5：1：1比例)，这样有更多不同类型优质的视频给推荐目标用户，解决现有技术中推荐视频都是目标用户喜欢观看类型的视频的问题。
在一个实施例中，所述方法还包括：
获取所述数据库中所有用户的标签，根据所述标签将所述所有用户分别分成多个用户集，以供所述目标用户将所述目标用户已观看过的视频发送至所述的用户集。
根据新注册用户在数据库中提供的注册信息，注册信息中包含有年龄、职业、组织等标签，根据这些标签将所述所有用户分别分成多个不同的年龄用户集(例如，职业用户集、组织用户集)，当目标用户推送视频B时，可以根据视频B的属性信息(例如，视频关键词、组织、作者及观看数)选择与视频相对应的用户集，或按照自己需求选择将视频B推送至指定的用户集中用户观看。
例如，所有用户可以分成：年龄(0-9岁)、(10-19岁)、(20-29岁)……，职业(教师)、(公务员)、(程序员)……，组织(学校)、(银行)、(国企)……，具体要划分出多少个用户集要根据实际场景需要来划分，当目标用户A推送视频B“小王子的童话”时，选择了(0-9岁)(学校)这两个用户集，并将视频B“小王子的童话”推送至这两个用户集中用户观看，不属于(0-9岁)(学校)这两个用户集的用户是无法观看到视频B“小王子的童话”。
本发明当目标用户推送视频时，可以根据视频的标签或自己需求选择推送至指定的用户集中用户观看，解决了现有技术中目标用户不能按照自己的需求选择视频的推送对象的问题，让推荐视频的场景设定更加个性化。
参照图2所示，为本发明基于人工智能的视频推荐装置100的功能模块示意图。
本发明所述基于人工智能的视频推荐装置100可以安装于电子设备中。根据实现的功能，所述基于人工智能的视频推荐装置100可以包括获取模块110、计算模块120、存储模块130及推荐模块140。本发所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
本实施例，关于各模块/单元的功能如下：
获取模块110，用于读取第一时间段内数据库中存储的每个视频的第一发布时间点及第一热度值，并读取第一时间段内目标用户的关联用户观看过的每个视频的第二热度值，其中，视频的热度值为一个时间段内该视频被用户观看的次数。
计算模块120，用于根据所述第一热度值、所述第二热度值及所述第一发布时间点对所述数据库中存储的所有视频进行排序，根据排序顺序生成初始视频推荐表，将所述初始视频推荐表推荐至所述目标用户。
存储模块130：用于读取所述初始视频推荐表中所述目标用户已观看过的视频，将所述已观看过的视频的属性信息输入预先构建的视频推荐模型，得到所述已观看过的视频类型，从所述数据库中选取与所述已观看过的视频类型相关联的视频生成第一候选视频推荐表，并建立所述目标用户的ID号与所述已观看过的视频的ID号的关系表。
推荐模块140，用于将第二时间段内所述数据库中存储的每个视频的第二发布时间点及第三热度值输入预设的评分模型，得到所述每个视频的评分值，选取所述评分值大于预设值的视频生成第二候选视频推荐表，基于所述关系表、所述第一候选视频推荐表、所述第二候选视频推荐表得到目标视频推荐表，并推荐至所述目标用户。
在一个实施例中，所述根据所述第一热度值、所述第二热度值及所述第一发布时间点对所述数据库中存储的所有视频进行排序，根据排序顺序生成初始视频推荐表，包括：
根据所述第一热度值、所述第二热度值由大到小的顺序对所述数据库中存储的所有视频进行排序，分别生成对应的第一视频排序表、第二视频排序表，从所述第一视频排序、所述第二视频排序表分别选取第一预设数量、第二预设数量的视频；
根据所述第一发布时间点由近到远的顺序对所述数据库中存储的所有视频进行排序，生成第三视频排序表，从所述第三视频排序表选取第三预设数量的视频；
根据选取的所述第一预设数量、第二预设数量、第三预设数量的视频生成所述初始视频推荐表。
在一个实施例中，所述视频推荐模型训练过程包括：
获取预设数量的样本视频，将各个样本视频的属性信息的序列数据作为自变量、各个样本视频的类型作为因变量生成样本集；
将样本集中的序列数据输入BP神经网络，基于BP神经网络的默认权重计算得到预测输出，计算目标输出及预测输出的损失值，根据误差及反向传播算法计算出梯度并利用梯度下降算法调整所述默认权重，直至总损失值小于预设阈值，得到所述视频推荐模型。
在一个实施例中，所述建立所述目标用户的ID号与所述已观看过的视频的ID号的关系表，包括：
从所述初始视频推荐表中读取所述已观看过的视频的ID号，以键值对的数据格式建立所述目标用户的ID号与每个所述已观看过的视频的ID号的关系表，并将所述关系表存储至redis数据库中。
在一个实施例中，所述评分模型的计算公式包括：
Qi＝sum(product(Ei，N)，div(Fi，Z))
其中，Qi为所述数据库中第i个视频的评分值，Ei为所述数据库中第i个视频的第三热度值，Fi为所述数据库中第i个视频的第二发布时间点，N为具有第三热度值的视频在所述数据库中的占比，Z为具有第二发布时间点的视频在所述数据库中的占比。
在一个实施例中，所述基于所述关系表、所述第一候选视频推荐表、所述第二候选视频推荐表得到目标视频推荐表，包括：
读取所述第一候选视频推荐表、所述第二候选视频推荐表中所有视频的ID号，基于所述目标用户的ID号，从所述第一候选视频推荐表、所述第二候选视频推荐表中删除与所述关系表中的ID号相同的视频，得到所述目标视频推荐表。
在一个实施例中，所述装置还包括发送模块150：
获取所述数据库中所有用户的标签，根据所述标签将所述所有用户分别分成多个用户集，以供所述目标用户将所述目标用户已观看过的视频发送至所述的用户集。
参照图3所示，为本发明电子设备1较佳实施例的示意图。
该电子设备1包括但不限于：存储器11、处理器12、显示器13及网络接口14。所述电子设备1通过网络接口14连接网络，获取原始数据。其中，所述网络可以是企业内部网(Intranet)、互联网(Internet)、全球移动通讯系统(Global System of Mobilecommunication，GSM)、宽带码分多址(Wideband Code Division Multiple Access，WCDMA)、4G网络、5G网络、蓝牙(Bluetooth)、Wi-Fi、通话网络等无线或有线网络。
其中，存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器11可以是所述电子设备1的内部存储单元，例如该电子设备1的硬盘或内存。在另一些实施例中，所述存储器11也可以是所述电子设备1的外部存储设备，例如该电子设备1配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。当然，所述存储器11还可以既包括所述电子设备1的内部存储单元也包括其外部存储设备。本实施例中，存储器11通常用于存储安装于所述电子设备1的操作系统和各类应用软件，例如基于人工智能的视频推荐程序10的程序代码等。此外，存储器11还可以用于暂时地存储已经输出或者将要输出的各类数据。
处理器12在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器12通常用于控制所述电子设备1的总体操作，例如执行数据交互或者通信相关的控制和处理等。本实施例中，所述处理器12用于运行所述存储器11中存储的程序代码或者处理数据，例如运行基于人工智能的视频推荐程序10的程序代码等。
显示器13可以称为显示屏或显示单元。在一些实施例中显示器13可以是LED显示器、液晶显示器、触控式液晶显示器以及有机发光二极管(Organic Light-EmittingDiode，OLED)触摸器等。显示器13用于显示在电子设备1中处理的信息以及用于显示可视化的工作界面，例如显示数据统计的结果。
网络接口14可选地可以包括标准的有线接口、无线接口(如WI-FI接口)，该网络接口14通常用于在所述电子设备1与其它电子设备之间建立通信连接。
图3仅示出了具有组件11-14以及基于人工智能的视频推荐程序10的电子设备1，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
可选地，所述电子设备1还可以包括用户接口，用户接口可以包括显示器(Display)、输入单元比如键盘(Keyboard)，可选的用户接口还可以包括标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及有机发光二极管(Organic Light-Emitting Diode，OLED)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
该电子设备1还可以包括射频(Radio Frequency，RF)电路、传感器和音频电路等等，在此不再赘述。
在上述实施例中，处理器12执行存储器11中存储的基于人工智能的视频推荐程序10时可以实现如下步骤：
读取第一时间段内数据库中存储的每个视频的第一发布时间点及第一热度值，并读取第一时间段内目标用户的关联用户观看过的每个视频的第二热度值，其中，视频的热度值为一个时间段内该视频被用户观看的次数；
根据所述第一热度值、所述第二热度值及所述第一发布时间点对所述数据库中存储的所有视频进行排序，根据排序顺序生成初始视频推荐表，将所述初始视频推荐表推荐至所述目标用户；
读取所述初始视频推荐表中所述目标用户已观看过的视频，将所述已观看过的视频的属性信息输入预先构建的视频推荐模型，得到所述已观看过的视频类型，从所述数据库中选取与所述已观看过的视频类型相关联的视频生成第一候选视频推荐表，并建立所述目标用户的ID号与所述已观看过的视频的ID号的关系表；
将第二时间段内所述数据库中存储的每个视频的第二发布时间点及第三热度值输入预设的评分模型，得到所述每个视频的评分值，选取所述评分值大于预设值的视频生成第二候选视频推荐表，基于所述关系表、所述第一候选视频推荐表、所述第二候选视频推荐表得到目标视频推荐表，并推荐至所述目标用户。
所述存储设备可以为电子设备1的存储器11，也可以为与电子设备1通讯连接的其它存储设备。
关于上述步骤的详细介绍，请参照上述图2关于基于人工智能的视频推荐装置100实施例的功能模块图以及图1关于基于人工智能的视频推荐方法实施例的流程图的说明。
此外，本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质可以是非易失性的，也可以是易失性的。该计算机可读存储介质可以是硬盘、多媒体卡、SD卡、闪存卡、SMC、只读存储器(ROM)、可擦除可编程只读存储器(EPROM)、便携式紧致盘只读存储器(CD-ROM)、USB存储器等等中的任意一种或者几种的任意组合。所述计算机可读存储介质中包括存储数据区和存储程序区，存储数据区存储根据区块链节点的使用所创建的数据，存储程序区存储有基于人工智能的视频推荐程序10，所述基于人工智能的视频推荐程序10被处理器执行时实现如下操作：
读取第一时间段内数据库中存储的每个视频的第一发布时间点及第一热度值，并读取第一时间段内目标用户的关联用户观看过的每个视频的第二热度值，其中，视频的热度值为一个时间段内该视频被用户观看的次数；
根据所述第一热度值、所述第二热度值及所述第一发布时间点对所述数据库中存储的所有视频进行排序，根据排序顺序生成初始视频推荐表，将所述初始视频推荐表推荐至所述目标用户；
读取所述初始视频推荐表中所述目标用户已观看过的视频，将所述已观看过的视频的属性信息输入预先构建的视频推荐模型，得到所述已观看过的视频类型，从所述数据库中选取与所述已观看过的视频类型相关联的视频生成第一候选视频推荐表，并建立所述目标用户的ID号与所述已观看过的视频的ID号的关系表；
将第二时间段内所述数据库中存储的每个视频的第二发布时间点及第三热度值输入预设的评分模型，得到所述每个视频的评分值，选取所述评分值大于预设值的视频生成第二候选视频推荐表，基于所述关系表、所述第一候选视频推荐表、所述第二候选视频推荐表得到目标视频推荐表，并推荐至所述目标用户。
本发明之计算机可读存储介质的具体实施方式与上述基于人工智能的视频推荐方法的具体实施方式大致相同，在此不再赘述。
在另一个实施例中，本发明所提供的基于人工智能的视频推荐方法，为进一步保证上述所有出现的数据的私密和安全性，上述所有数据还可以存储于一区块链的节点中。例如关系表、视频的属性信息，这些数据均可存储在区块链节点中。
需要说明的是，本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
需要说明的是，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，电子装置，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种基于人工智能的视频推荐方法，其特征在于，所述方法包括：
读取第一时间段内数据库中存储的每个视频的第一发布时间点及第一热度值，并读取第一时间段内目标用户的关联用户观看过的每个视频的第二热度值，其中，视频的热度值为一个时间段内该视频被用户观看的次数；
根据所述第一热度值、所述第二热度值及所述第一发布时间点对所述数据库中存储的所有视频进行排序，根据排序顺序生成初始视频推荐表，将所述初始视频推荐表推荐至所述目标用户；
读取所述初始视频推荐表中所述目标用户已观看过的视频，将所述已观看过的视频的属性信息输入预先构建的视频推荐模型，得到所述已观看过的视频类型，从所述数据库中选取与所述已观看过的视频类型相关联的视频生成第一候选视频推荐表，并建立所述目标用户的ID号与所述已观看过的视频的ID号的关系表；
将第二时间段内所述数据库中存储的每个视频的第二发布时间点及第三热度值输入预设的评分模型，得到所述每个视频的评分值，选取所述评分值大于预设值的视频生成第二候选视频推荐表，基于所述关系表、所述第一候选视频推荐表、所述第二候选视频推荐表得到目标视频推荐表，并推荐至所述目标用户。
2.如权利要求1所述的基于人工智能的视频推荐方法，其特征在于，所述根据所述第一热度值、所述第二热度值及所述第一发布时间点对所述数据库中存储的所有视频进行排序，根据排序顺序生成初始视频推荐表，包括：
根据所述第一热度值、所述第二热度值由大到小的顺序对所述数据库中存储的所有视频进行排序，分别生成对应的第一视频排序表、第二视频排序表，从所述第一视频排序、所述第二视频排序表分别选取第一预设数量、第二预设数量的视频；
根据所述第一发布时间点由近到远的顺序对所述数据库中存储的所有视频进行排序，生成第三视频排序表，从所述第三视频排序表选取第三预设数量的视频；
根据选取的所述第一预设数量、第二预设数量、第三预设数量的视频生成所述初始视频推荐表。
3.如权利要求1所述的基于人工智能的视频推荐方法，其特征在于，所述视频推荐模型训练过程包括：
获取预设数量的样本视频，将各个样本视频的属性信息的序列数据作为自变量、各个样本视频的类型作为因变量生成样本集；
将样本集中的序列数据输入BP神经网络，基于BP神经网络的默认权重计算得到预测输出，计算目标输出及预测输出的损失值，根据误差及反向传播算法计算出梯度并利用梯度下降算法调整所述默认权重，直至总损失值小于预设阈值，得到所述视频推荐模型。
4.如权利要求1所述的基于人工智能的视频推荐方法，其特征在于，所述建立所述目标用户的ID号与所述已观看过的视频的ID号的关系表，包括：
从所述初始视频推荐表中读取所述已观看过的视频的ID号，以键值对的数据格式建立所述目标用户的ID号与每个所述已观看过的视频的ID号的关系表，并将所述关系表存储至redis数据库中。
5.如权利要求1所述的基于人工智能的视频推荐方法，其特征在于，所述评分模型的计算公式包括：
Qi＝sum(product(Ei，N)，div(Fi，Z))
其中，Qi为所述数据库中第i个视频的评分值，Ei为所述数据库中第i个视频的第三热度值，Fi为所述数据库中第i个视频的第二发布时间点，N为具有第三热度值的视频在所述数据库中的占比，Z为具有第二发布时间点的视频在所述数据库中的占比。
6.如权利要求1所述的基于人工智能的视频推荐方法，其特征在于，所述基于所述关系表、所述第一候选视频推荐表、所述第二候选视频推荐表得到目标视频推荐表，包括：
读取所述第一候选视频推荐表、所述第二候选视频推荐表中所有视频的ID号，基于所述目标用户的ID号，从所述第一候选视频推荐表、所述第二候选视频推荐表中删除与所述关系表中的ID号相同的视频，得到所述目标视频推荐表。
7.如权利要求1所述的基于人工智能的视频推荐方法，其特征在于，所述方法还包括：
获取所述数据库中所有用户的标签，根据所述标签将所述所有用户分别分成多个用户集，以供所述目标用户将所述目标用户已观看过的视频发送至所述的用户集。
8.一种基于人工智能的视频推荐装置，其特征在于，所述装置包括：
获取模块：用于读取第一时间段内数据库中存储的每个视频的第一发布时间点及第一热度值，并读取第一时间段内目标用户的关联用户观看过的每个视频的第二热度值，其中，视频的热度值为一个时间段内该视频被用户观看的次数；
计算模块：用于根据所述第一热度值、所述第二热度值及所述第一发布时间点对所述数据库中存储的所有视频进行排序，根据排序顺序生成初始视频推荐表，将所述初始视频推荐表推荐至所述目标用户；
存储模块：用于读取所述初始视频推荐表中所述目标用户已观看过的视频，将所述已观看过的视频的属性信息输入预先构建的视频推荐模型，得到所述已观看过的视频类型，从所述数据库中选取与所述已观看过的视频类型相关联的视频生成第一候选视频推荐表，并建立所述目标用户的ID号与所述已观看过的视频的ID号的关系表；
推荐模块：用于将第二时间段内所述数据库中存储的每个视频的第二发布时间点及第三热度值输入预设的评分模型，得到所述每个视频的评分值，选取所述评分值大于预设值的视频生成第二候选视频推荐表，基于所述关系表、所述第一候选视频推荐表、所述第二候选视频推荐表得到目标视频推荐表，并推荐至所述目标用户。
9.一种电子设备，其特征在于，所述电子设备包括：
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程序，所述程序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如权利要求1至7中任一项所述基于人工智能的视频推荐方法。
10.一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基于人工智能的视频推荐程序，所述基于人工智能的视频推荐程序被处理器执行时，实现如权利要求1至7中任一项所述基于人工智能的视频推荐方法的步骤。
CN202111183062.7A 2021-10-11 2021-10-11 基于人工智能的视频推荐、装置、设备及存储介质 Pending CN113886633A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111183062.7A CN113886633A (zh) 2021-10-11 2021-10-11 基于人工智能的视频推荐、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111183062.7A CN113886633A (zh) 2021-10-11 2021-10-11 基于人工智能的视频推荐、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN113886633A true CN113886633A (zh) 2022-01-04

Family

ID=79006096

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111183062.7A Pending CN113886633A (zh) 2021-10-11 2021-10-11 基于人工智能的视频推荐、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN113886633A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114357140A (zh) * 2022-01-11 2022-04-15 瀚云科技有限公司 问答信息推送的方法、装置、电子设备及可读存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160094501A1 (en) * 2014-09-26 2016-03-31 Line Corporation Method, system and recording medium for providing video contents in social platform and file distribution system
CN106385634A (zh) * 2016-09-07 2017-02-08 合智能科技（深圳）有限公司 视频推荐方法和装置
US20170060870A1 (en) * 2015-08-24 2017-03-02 Google Inc. Video recommendation based on video titles
US20170188095A1 (en) * 2015-12-23 2017-06-29 Le Holdings (Beijing) Co., Ltd. Method and electronic device for web video capturing
CN109299327A (zh) * 2018-11-16 2019-02-01 广州市百果园信息技术有限公司 视频推荐方法、装置、设备及存储介质
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
CN112579913A (zh) * 2020-12-30 2021-03-30 上海众源网络有限公司 一种视频推荐方法、装置、设备和计算机可读存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160094501A1 (en) * 2014-09-26 2016-03-31 Line Corporation Method, system and recording medium for providing video contents in social platform and file distribution system
US20170060870A1 (en) * 2015-08-24 2017-03-02 Google Inc. Video recommendation based on video titles
US20170188095A1 (en) * 2015-12-23 2017-06-29 Le Holdings (Beijing) Co., Ltd. Method and electronic device for web video capturing
CN106385634A (zh) * 2016-09-07 2017-02-08 合智能科技（深圳）有限公司 视频推荐方法和装置
CN109299327A (zh) * 2018-11-16 2019-02-01 广州市百果园信息技术有限公司 视频推荐方法、装置、设备及存储介质
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
CN112579913A (zh) * 2020-12-30 2021-03-30 上海众源网络有限公司 一种视频推荐方法、装置、设备和计算机可读存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
金亮;于炯;杨兴耀;鲁亮;王跃飞;国冰磊;廖彬;: "基于聚类层次模型的视频推荐算法", 计算机应用, no. 10, 10 October 2017 (2017-10-10) *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114357140A (zh) * 2022-01-11 2022-04-15 瀚云科技有限公司 问答信息推送的方法、装置、电子设备及可读存储介质

Similar Documents

Publication Publication Date Title
CN109063163B (zh) 一种音乐推荐的方法、装置、终端设备和介质
CN109657138B (zh) 一种视频推荐方法、装置、电子设备及存储介质
Beverungen et al. The organizational powers of (digital) media
US10380249B2 (en) Predicting future trending topics
CN109543111A (zh) 推荐信息筛选方法、装置、存储介质及服务器
KR102107848B1 (ko) 도서 추천 서비스 방법
CN110377814A (zh) 题目推荐方法、装置及介质
CN110008397B (zh) 一种推荐模型训练方法及装置
CN110413888B (zh) 一种书籍推荐方法及装置
CN107818491A (zh) 电子装置、基于用户上网数据的产品推荐方法及存储介质
US20140297628A1 (en) Text Information Processing Apparatus, Text Information Processing Method, and Computer Usable Medium Having Text Information Processing Program Embodied Therein
US20200225820A1 (en) Minimally invasive user metadata
CN110083386A (zh) 随机数产生控制方法、装置、计算机设备及存储介质
CN107707940A (zh) 视频排序方法、装置、服务器及系统
JP5048852B2 (ja) 検索装置、検索方法、検索プログラム、及びそのプログラムを記憶するコンピュータ読取可能な記録媒体
CN113886633A (zh) 基于人工智能的视频推荐、装置、设备及存储介质
CN112511632B (zh) 基于多源数据的对象推送方法、装置、设备及存储介质
US11373057B2 (en) Artificial intelligence driven image retrieval
CN110647504A (zh) 司法文书的检索方法及装置
CN110235121A (zh) 用于增强型在线调研的系统和方法
CN112565902B (zh) 一种视频推荐方法、装置及电子设备
CN112912915A (zh) 一种当前页面信息刷新方法和系统
CN116956183A (zh) 多媒体资源推荐方法、模型训练方法、装置及存储介质
CN114817754B (zh) 一种vr学习系统
CN107341172B (zh) 视频收益计算建模装置与方法及视频推荐装置与方法

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