CN113987260A - 一种视频推送方法、装置、电子设备及存储介质 - Google Patents
一种视频推送方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113987260A CN113987260A CN202111077222.XA CN202111077222A CN113987260A CN 113987260 A CN113987260 A CN 113987260A CN 202111077222 A CN202111077222 A CN 202111077222A CN 113987260 A CN113987260 A CN 113987260A
- Authority
- CN
- China
- Prior art keywords
- video
- videos
- quality
- opinion
- candidate
- 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
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
Abstract
本公开提供了一种视频推送方法、装置、电子设备及存储介质,涉及数据处理技术领域,尤其涉及大数据技术领域,包括:获取视频库的多个第一优质视频;获取每个第一优质视频在前第一预设次数分发后得到的后验数据作为该第一优质视频对应的标签;获取与每个第一优质视频互动的前第一预设数量的用户;将所述多个第一优质视频作为视频侧特征,所述第一预设数量的用户作为用户侧特征组成训练样本对至少一个排序模型进行训练;获取第一目标用户;若存在至少一个意见领袖,则获取所有意见领袖对应的候选视频并组成第一视频集;利用训练过的至少一个排序模型对第一视频集进行排序后将排序后的第一视频集中顺序靠前的第二预设数量的视频推送给第一目标用户。
Description
技术领域
本公开涉及数据处理技术领域,尤其涉及大数据技术领域。
背景技术
现有的视频推送方法都是基于协同过滤推荐算法对目标用户进行视频推荐的,协同过滤推荐算法是指找出与目标用户相邻的用户,然后找出这些相邻用户互动过的视频最后推送给目标用户。
发明内容
本公开提供了一种视频推送方法、装置、电子设备及存储介质。
根据本公开的一方面,提供了一种视频推送方法,包括:
获取视频库的多个第一优质视频,所述第一优质视频为视频库中后验数据在前第一预设百分比的视频;
获取每个第一优质视频在前第一预设次数分发后得到的后验数据作为该第一优质视频对应的标签;
获取与每个第一优质视频互动的前第一预设数量的用户;
将所述多个第一优质视频作为视频侧特征,所述第一预设数量的用户作为用户侧特征组成训练样本对至少一个排序模型进行训练;
获取第一目标用户;
判断是否存在与第一目标用户相邻的至少一个意见领袖;
若存在至少一个意见领袖,则获取所有意见领袖对应的候选视频并组成第一视频集;
利用训练过的至少一个排序模型对第一视频集进行排序后将排序后的第一视频集中顺序靠前的第二预设数量的视频推送给第一目标用户。
根据本公开的另一方面,提供了一种视频推送装置,包括:
采集模块,用于获取视频库的多个第一优质视频,所述第一优质视频为视频库中后验数据在前第一预设百分比的视频;
计算模块,用于获取每个第一优质视频在前第一预设次数分发后得到的后验数据作为该第一优质视频对应的标签;
所述计算模块,还用于获取与每个第一优质视频互动的前第一预设数量的用户;
训练模块,用于将所述多个第一优质视频作为视频侧特征,所述第一预设数量的用户作为用户侧特征组成训练样本对至少一个排序模型进行训练;
所述采集模块,还用于获取第一目标用户;
所述计算模块,还用于判断是否存在与第一目标用户相邻的至少一个意见领袖;
所述采集模块,还用于若存在至少一个意见领袖,则获取所有意见领袖对应的候选视频并组成第一视频集;
推送模块,用于利用训练过的至少一个排序模型对第一视频集进行排序后将排序后的第一视频集中顺序靠前的第二预设数量的视频推送给用户。
根据本公开的另一方面,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上述任一项所述的方法。
根据本公开的另一方面,提供了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所述计算机执行上述任一项所述的方法。
根据本公开的另一方面,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上述任一项所述的方法。
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是根据本公开实施例提供的视频推送方法的流程示意图;
图2是根据本公开实施例提供的视频推送装置的结构示意图;
图3是用来实现本公开实施例的视频推送方法的电子设备的框图。
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。
为了提高视频推送的准确度和推送的视频的质量,如图1所示,本公开一实施例提供了一种视频推送方法,该方法包括:
步骤101,获取视频库的多个第一优质视频,所述第一优质视频为视频库中后验数据在前第一预设百分比的视频。
从视频库中获取多个第一优质视频,第一优质视频为视频库中所有视频中后验数据在前第一预设百分比的视频,后验数据为视频在之前推送给用户后,用户的完播率、互动率和分发量等综合数据形成的一个指标数据;
例如,第一预设百分比为百分之10,视频库中共有10000个视频,则通过数据库查询代码获取后验数据降序的第1个到第100个视频作为第一优质视频;
再例如,第一预设百分比为百分之20,视频库中共有3000个视频,则通过数据库查询代码获取后验数据降序的第1个到第1000个视频作为第一优质视频。
步骤102,获取每个第一优质视频在前第一预设次数分发后得到的后验数据作为该第一优质视频对应的标签。
对于每个第一优质视频,获取该第一优质视频在前第一预设次数分发后得到的后验数据作为该第一优质视频对应的标签;
例如,第一预设次数为10次,某个第一优质视频,将该第一优质视频在前10次分发后得到的后验数据作为该第一优质视频对应的标签;
再例如,第一预设次数为5次,某个第一优质视频,将该第一优质视频在前5次分发后得到的后验数据作为该第一优质视频对应的标签。
步骤103,获取与每个第一优质视频互动的前第一预设数量的用户。
获取每个第一优质视频中与该第一优质视频互动的前第一预设数量的用户,互动是指点赞、关注、分享或评论等操作;
例如,第一预设数量为10,某个第一优质视频共有50个用户与该第一优质视频互动过,那么选取最先与该第一优质视频互动的10个用户;
再例如,第一预设数量为5,某个第一优质视频共有100个用户与该第一优质视频互动过,那么选取最先与该第一优质视频互动的5个用户。
步骤104,将所述多个第一优质视频作为视频侧特征,所述第一预设数量的用户作为用户侧特征组成训练样本对至少一个排序模型进行训练。
将第一优质视频作为视频侧特征对排序模型进行训练能够有效提高模型对于优质视频的识别能力,训练后的排序模型对视频集进行排序时能够准确地将优质的视频排到视频集前列,而最先对第一优质视频进行互动操作的用户具备对优质资源的鉴别力,将这些用户作为用户侧特征对排序模型进行训练能够准确识别对与这些用户相似的用户的识别能力,从而对相似用户进行推送的视频集中的视频的排序能够更准确,最终准确地推送给用户优质的视频。
步骤105,获取第一目标用户。
步骤106,判断是否存在与第一目标用户相邻的至少一个意见领袖。
判断数据库中是否存在与该第一目标用户相邻的至少一个意见领袖,相邻是指与该用户的特征相似,具体可通过现有的寻找相似用户的模型进行判断。
步骤107,若存在至少一个意见领袖,则获取所有意见领袖对应的候选视频并组成第一视频集。
若数据库中存在与该第一目标用户相邻的至少一个意见领袖,那么获取所有意见领袖对应的候选视频并组成第一视频集,候选视频可以是意见领袖互动过的视频,也可以是意见领袖对应的第一优质视频等。
步骤108,利用训练过的至少一个排序模型对第一视频集进行排序后将排序后的第一视频集中顺序靠前的第二预设数量的视频推送给用户。
将步骤104中经过训练后的至少一个排序模型对第一视频集进行排序,然后将排序后的第一视频集中顺序靠前的第二预设数量的视频推送给第一目标用户;
例如,第二预设数量为5,则将排序后后的第一视频集中的前5个视频推送给第一目标用户;
再例如,第二预设数量为3,则将排序后后的第一视频集中的前3个视频推送给第一目标用户。
通过将第一优质视频作为视频侧特征,将具有对优质资源的鉴别力的用户作为用户侧特征,组成训练样本对排序模型进行训练,训练后的排序模型对视频集进行排序时能够准确地将优质的视频排到视频集前列,且能够准确识别对与这些用户相似的用户的识别能力,从而对相似用户进行推送的视频集中的视频的排序能够更准确,最终准确地推送给用户优质的视频,而意见领袖一般拥有较多的信息渠道,了解大众的需求和情况,对优质视频具有高度的鉴别力,所以基于意见领袖和意见领袖对应的候选视频对用户进行推送,提升了对用户推送视频的准确度和视频质量。
在步骤103中,获取与每个第一优质视频互动的前第一预设数量的用户之后,在一可实施方式中,将所述第一预设数量的用户确定为意见领袖;
将每个意见领袖对应的第一优质视频确定为候选视频;
将所有意见领袖和对应的候选视频进行保存。
将第一预设数量的用户确定为意见领袖,将每个意见领袖对应的第一优质视频确定为候选视频,将所有意见领袖和对应的候选视频保存到数据库中,每个意见领袖可能会对多个候选视频互动过,所以每个意见领袖对应的候选视频可能会有多个,最先对第一优质视频进行互动操作的用户具备对优质资源的鉴别力,所以将最先对第一优质视频进行互动操作的多个用户确定为意见领袖提高了挖掘意见领袖的准确率且能够挖掘出更多的意见领袖;
例如,在步骤103中选取了最先与某个第一优质视频互动的10个用户,将该10个用户确定为意见领袖,对于该10个意见领袖,则在他们对应的候选视频中加上该第一优质视频;
再例如,在步骤103中选取了最先与某个第一优质视频互动的5个用户,将该5个用户确定为意见领袖,对于该5个意见领袖,则在他们对应的候选视频中加上该第一优质视频。
在步骤106中,判断是否存在与第一目标用户相邻的意见领袖,在一可实施方式中,若不存在意见领袖,则获取在第一预设时间内基于协同过滤推荐算法找出的与第一目标用户相邻并且推荐成功的多个第一候选用户;
选取所有第一候选用户中推荐成功分数大于等于第一预设阈值的多个第一候选用户作为与第一目标用户相邻的意见领袖;
将所有意见领袖推荐的视频按照后验数据进行排序并选取排序后前第二预设百分比的视频作为候选视频;
将所有意见领袖和对应的候选视频进行保存。
若数据库中不存在相邻的意见领袖,则获取之前基于协同过滤推荐算法对第一目标用户推荐视频成功的多个第一候选用户,协同过滤推荐算法是指找出与第一目标用户相邻的用户,然后找出这些相邻用户互动过的视频最终推送给第一目标用户,推荐成功是指将基于某个与第一目标用户相邻的用户互动过的视频推送给第一目标用户后,第一目标用户对该视频是否完播或互动过,根据需要可以设置为互动过或者完播1-2次就算推荐成功,而基于这些数据计算出该第一候选用户的推荐成功分数,选取所有第一候选用户中推荐成功分数大于等于第一预设阈值的多个第一候选用户作为与第一目标用户相邻的意见领袖,将所有意见领袖推荐的视频按照后验数据进行排序并选取排序后前第二预设百分比的视频作为候选视频,这里的后验数据可以根据需要设置为这些视频推送给第一目标用户后产生的后验数据,也可以设置为这些视频前几次分发后产生的后验数据,基于协同过滤推荐算法推送视频由于只是寻找与第一目标用户相邻的用户,用户的质量参差不齐,所以这些用户互动过的视频的质量也是参差不齐的,无法保证最终推送给用户的视频都是优质的视频,所以根据推送成功和推送成功分数对该批视频进行筛选并在筛选后选取对应的用户作为意见领袖,不仅能挖掘出更多的意见领袖,还能选取优质的视频,提高后续向用户推送视频的准确度和质量。
在步骤106中,判断是否存在与第一目标用户相邻的意见领袖,在另一可实施方式中,若不存在意见领袖,则获取视频库的多个第二优质视频,所述第二优质视频为视频库中后验数据在前第三预设百分比的视频;
将每个第二优质视频中与该第二优质视频互动过的用户按照互动数据进行排序并选取前第四预设百分比的用户作为意见领袖;
将每个意见领袖对应的第二优质视频确定为候选视频;
将所有意见领袖和对应的候选视频进行保存。
若数据库中不存在相邻的意见领袖,则获取视频库的多个第二优质视频,第二优质视频是视频库中后验数据在前第三预设百分比的视频,根据需要前第三预设百分比可以与第一预设百分比相同,也可以不同,将每个第二优质视频中与该第二优质视频互动过的用户按照互动数据进行排序并选取前第四预设百分比的用户作为意见领袖,与优质视频进行互动的用户说明具备对优质视频的鉴别力,按照互动数据选取互动较多的用户作为意见领袖,提高了挖掘意见领袖的准确度,将每个意见领袖对应的第二优质视频确定为候选视频,将所有意见领袖和对应的候选视频进行保存,根据与优质视频的互动数据筛选意见领袖,并将意见领袖和对应的优质视频进行保存,增加了挖掘意见领袖的维度,能够挖掘出更多的意见领袖,有效地提高了推送视频的质量。
在确定候选视频之后,在一可实施方式中,提高所有候选视频对应的排序权重。
选取的候选视频一般本身就是通过筛选的优质视频,或者是根据意见领袖互动过的视频筛选出的,意见领袖具有鉴别优质视频的能力,所以对意见领袖互动过的视频进行进一步的筛选,筛选出的视频的质量更加优质,提高这部分视频对应的排序权重,能够有效地提高这部分优质视频推送给第一目标用户的几率,在提高了优质视频的传播能力的同时也提高了第一目标用户观看的视频的质量。
在确定意见领袖之后,在一可实施方式中,将每个意见领袖所有互动过的视频按照互动数据进行排序;
选取排序后的视频中前第四预设百分比的视频加入该意见领袖对应的候选视频中;
将所有意见领袖和对应的候选视频进行保存。
在通过多个维度的方式确定意见领袖后,可以将将每个意见领袖所有互动过的视频按照互动数据进行排序,选取排序后的视频中前第四预设百分比的视频加入该意见领袖对应的候选视频中,将所有意见领袖和对应的候选视频进行保存,通过持续地从意见领袖互动过的视频中筛选优质视频,可以有效提高新的优质视频被推送的几率,避免一些视频长期占据推送列表从而导致用户视觉疲劳,在提高了用户的体验的同时也扩展了候选视频的数量。
本公开一实施例提供了一种视频推送装置,如图2所示,该装置包括:
采集模块10,用于获取视频库的多个第一优质视频,所述第一优质视频为视频库中后验数据在前第一预设百分比的视频;
计算模块20,用于获取每个第一优质视频在前第一预设次数分发后得到的后验数据作为该第一优质视频对应的标签;
所述计算模块20,还用于获取与每个第一优质视频互动的前第一预设数量的用户;
训练模块30,用于将所述多个第一优质视频作为视频侧特征,所述第一预设数量的用户作为用户侧特征组成训练样本对至少一个排序模型进行训练;
所述采集模块10,还用于获取第一目标用户;
所述计算模块20,还用于判断是否存在与第一目标用户相邻的至少一个意见领袖;
所述采集模块10,还用于若存在至少一个意见领袖,则获取所有意见领袖对应的候选视频并组成第一视频集;
推送模块40,用于利用训练过的至少一个排序模型对第一视频集进行排序后将排序后的第一视频集中顺序靠前的第二预设数量的视频推送给用户。
其中,所述计算模块20,还用于将所述第一预设数量的用户确定为意见领袖;
所述计算模块20,还用于将每个意见领袖对应的第一优质视频确定为候选视频;
所述计算模块20,还用于将所有意见领袖和对应的候选视频进行保存。
其中,所述采集模块10,还用于若不存在意见领袖,则获取在第一预设时间内基于协同过滤推荐算法找出的与第一目标用户相邻并且推荐成功的多个第一候选用户;
所述计算模块20,还用于选取所有第一候选用户中推荐成功分数大于等于第一预设阈值的多个第一候选用户作为与第一目标用户相邻的意见领袖;
所述计算模块20,还用于将所有意见领袖推荐的视频按照后验数据进行排序并选取排序后前第二预设百分比的视频作为候选视频;
所述计算模块20,还用于将所有意见领袖和对应的候选视频进行保存。
其中,所述采集模块10,还用于若不存在意见领袖,则获取视频库的多个第二优质视频,所述第二优质视频为视频库中后验数据在前第三预设百分比的视频;
所述计算模块20,还用于将每个第二优质视频中与该第二优质视频互动过的用户按照互动数据进行排序并选取前第四预设百分比的用户作为意见领袖;
所述计算模块20,还用于将每个意见领袖对应的第二优质视频确定为候选视频;
所述计算模块20,还用于将所有意见领袖和对应的候选视频进行保存。
其中,所述计算模块20,还用于提高所有候选视频对应的排序权重。
其中,所述计算模块20,还用于将每个意见领袖所有互动过的视频按照互动数据进行排序;
所述计算模块20,还用于选取排序后的视频中前第四预设百分比的视频加入该意见领袖对应的候选视频中;
所述计算模块20,还用于将所有意见领袖和对应的候选视频进行保存。
本公开的技术方案中,所涉及的用户个人信息的获取,存储和应用等,均符合相关法律法规的规定,且不违背公序良俗。
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3示出了可以用来实施本公开的实施例的示例电子设备300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3所示,设备300包括计算单元301,其可以根据存储在只读存储器(ROM)302中的计算机程序或者从存储单元308加载到随机访问存储器(RAM)303中的计算机程序,来执行各种适当的动作和处理。在RAM303中,还可存储设备300操作所需的各种程序和数据。计算单元301、ROM302以及RAM303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。
设备300中的多个部件连接至I/O接口305,包括:输入单元306,例如键盘、鼠标等;输出单元307,例如各种类型的显示器、扬声器等;存储单元308,例如磁盘、光盘等;以及通信单元309,例如网卡、调制解调器、无线通信收发机等。通信单元309允许设备300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301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301的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元301执行上文所描述的各个方法和处理,例如视频推送方法。例如,在一些实施例中,视频推送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308。在一些实施例中,计算机程序的部分或者全部可以经由ROM302和/或通信单元309而被载入和/或安装到设备300上。当计算机程序加载到RAM303并由计算单元301执行时,可以执行上文描述的视频推送方法的一个或多个步骤。备选地,在其他实施例中,计算单元301可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行视频推送方法。
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、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、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、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、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(阴极射线管)或者LCD(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:局域网(LAN)、广域网(WAN)和互联网。
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,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。
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)
1.一种视频推送方法,包括:
获取视频库的多个第一优质视频,所述第一优质视频为视频库中后验数据在前第一预设百分比的视频;
获取每个第一优质视频在前第一预设次数分发后得到的后验数据作为该第一优质视频对应的标签;
获取与每个第一优质视频互动的前第一预设数量的用户;
将所述多个第一优质视频作为视频侧特征,所述第一预设数量的用户作为用户侧特征组成训练样本对至少一个排序模型进行训练;
获取第一目标用户;
判断是否存在与第一目标用户相邻的至少一个意见领袖;
若存在至少一个意见领袖,则获取所有意见领袖对应的候选视频并组成第一视频集;
利用训练过的至少一个排序模型对第一视频集进行排序后将排序后的第一视频集中顺序靠前的第二预设数量的视频推送给第一目标用户。
2.根据权利要求1所述的方法,所述获取与每个第一优质视频互动的前第一预设数量的用户之后,还包括:
将所述第一预设数量的用户确定为意见领袖;
将每个意见领袖对应的第一优质视频确定为候选视频;
将所有意见领袖和对应的候选视频进行保存。
3.根据权利要求1所述的方法,所述判断是否存在与第一目标用户相邻的意见领袖,包括:
若不存在意见领袖,则获取在第一预设时间内基于协同过滤推荐算法找出的与第一目标用户相邻并且推荐成功的多个第一候选用户;
选取所有第一候选用户中推荐成功分数大于等于第一预设阈值的多个第一候选用户作为与第一目标用户相邻的意见领袖;
将所有意见领袖推荐的视频按照后验数据进行排序并选取排序后前第二预设百分比的视频作为候选视频;
将所有意见领袖和对应的候选视频进行保存。
4.根据权利要求1所述的方法,所述判断是否存在与第一目标用户相邻的意见领袖,包括:
若不存在意见领袖,则获取视频库的多个第二优质视频,所述第二优质视频为视频库中后验数据在前第三预设百分比的视频;
将每个第二优质视频中与该第二优质视频互动过的用户按照互动数据进行排序并选取前第四预设百分比的用户作为意见领袖;
将每个意见领袖对应的第二优质视频确定为候选视频;
将所有意见领袖和对应的候选视频进行保存。
5.根据权利要求2、3或4中任一项所述的方法,所述确定候选视频之后,还包括:
提高所有候选视频对应的排序权重。
6.根据权利要求2、3或4中任一项所述的方法,所述确定意见领袖之后,还包括:
将每个意见领袖所有互动过的视频按照互动数据进行排序;
选取排序后的视频中前第四预设百分比的视频加入该意见领袖对应的候选视频中;
将所有意见领袖和对应的候选视频进行保存。
7.一种视频推送装置,包括:
采集模块,用于获取视频库的多个第一优质视频,所述第一优质视频为视频库中后验数据在前第一预设百分比的视频;
计算模块,用于获取每个第一优质视频在前第一预设次数分发后得到的后验数据作为该第一优质视频对应的标签;
所述计算模块,还用于获取与每个第一优质视频互动的前第一预设数量的用户;
训练模块,用于将所述多个第一优质视频作为视频侧特征,所述第一预设数量的用户作为用户侧特征组成训练样本对至少一个排序模型进行训练;
所述采集模块,还用于获取第一目标用户;
所述计算模块,还用于判断是否存在与第一目标用户相邻的至少一个意见领袖;
所述采集模块,还用于若存在至少一个意见领袖,则获取所有意见领袖对应的候选视频并组成第一视频集;
推送模块,用于利用训练过的至少一个排序模型对第一视频集进行排序后将排序后的第一视频集中顺序靠前的第二预设数量的视频推送给用户。
8.一种电子设备,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1-6中任一项所述的方法。
9.一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所述计算机执行根据权利要求1-6中任一项所述的方法。
10.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-6中任一项所述的方法。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111077222.XA CN113987260A (zh) | 2021-09-14 | 2021-09-14 | 一种视频推送方法、装置、电子设备及存储介质 |
PCT/CN2022/080981 WO2023040220A1 (zh) | 2021-09-14 | 2022-03-15 | 一种视频推送方法、装置、电子设备及存储介质 |
JP2022564831A JP2023544929A (ja) | 2021-09-14 | 2022-03-15 | ビデオプッシュ方法、装置、電子機器、記憶媒体、及びコンピュータプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111077222.XA CN113987260A (zh) | 2021-09-14 | 2021-09-14 | 一种视频推送方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113987260A true CN113987260A (zh) | 2022-01-28 |
Family
ID=79735860
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111077222.XA Pending CN113987260A (zh) | 2021-09-14 | 2021-09-14 | 一种视频推送方法、装置、电子设备及存储介质 |
Country Status (3)
Country | Link |
---|---|
JP (1) | JP2023544929A (zh) |
CN (1) | CN113987260A (zh) |
WO (1) | WO2023040220A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023040220A1 (zh) * | 2021-09-14 | 2023-03-23 | 北京百度网讯科技有限公司 | 一种视频推送方法、装置、电子设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108243357A (zh) * | 2018-01-25 | 2018-07-03 | 北京搜狐新媒体信息技术有限公司 | 一种视频推荐方法及装置 |
CN109299344A (zh) * | 2018-10-26 | 2019-02-01 | Oppo广东移动通信有限公司 | 排序模型的生成方法、搜索结果的排序方法、装置及设备 |
US20190251446A1 (en) * | 2018-02-15 | 2019-08-15 | Adobe Inc. | Generating visually-aware item recommendations using a personalized preference ranking network |
CN111010592A (zh) * | 2019-12-19 | 2020-04-14 | 上海众源网络有限公司 | 一种视频推荐方法、装置、电子设备及存储介质 |
CN111309939A (zh) * | 2020-02-03 | 2020-06-19 | 天津智融创新科技发展有限公司 | 视频推荐排序方法和装置 |
CN111339355A (zh) * | 2020-05-21 | 2020-06-26 | 北京搜狐新媒体信息技术有限公司 | 一种视频推荐方法及系统 |
CN113158020A (zh) * | 2020-01-22 | 2021-07-23 | 北京达佳互联信息技术有限公司 | 视频的推荐方法及装置 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11153655B1 (en) * | 2018-09-26 | 2021-10-19 | Amazon Technologies, Inc. | Content appeal prediction using machine learning |
CN111679916B (zh) * | 2020-08-11 | 2020-11-27 | 北京搜狐新媒体信息技术有限公司 | 一种视频推荐方法、目标服务提供端、服务调用端及系统 |
CN112822526B (zh) * | 2020-12-30 | 2023-07-07 | 咪咕文化科技有限公司 | 视频推荐方法、服务器和可读存储介质 |
CN113987260A (zh) * | 2021-09-14 | 2022-01-28 | 北京百度网讯科技有限公司 | 一种视频推送方法、装置、电子设备及存储介质 |
-
2021
- 2021-09-14 CN CN202111077222.XA patent/CN113987260A/zh active Pending
-
2022
- 2022-03-15 JP JP2022564831A patent/JP2023544929A/ja active Pending
- 2022-03-15 WO PCT/CN2022/080981 patent/WO2023040220A1/zh active Application Filing
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108243357A (zh) * | 2018-01-25 | 2018-07-03 | 北京搜狐新媒体信息技术有限公司 | 一种视频推荐方法及装置 |
US20190251446A1 (en) * | 2018-02-15 | 2019-08-15 | Adobe Inc. | Generating visually-aware item recommendations using a personalized preference ranking network |
CN109299344A (zh) * | 2018-10-26 | 2019-02-01 | Oppo广东移动通信有限公司 | 排序模型的生成方法、搜索结果的排序方法、装置及设备 |
CN111010592A (zh) * | 2019-12-19 | 2020-04-14 | 上海众源网络有限公司 | 一种视频推荐方法、装置、电子设备及存储介质 |
CN113158020A (zh) * | 2020-01-22 | 2021-07-23 | 北京达佳互联信息技术有限公司 | 视频的推荐方法及装置 |
CN111309939A (zh) * | 2020-02-03 | 2020-06-19 | 天津智融创新科技发展有限公司 | 视频推荐排序方法和装置 |
CN111339355A (zh) * | 2020-05-21 | 2020-06-26 | 北京搜狐新媒体信息技术有限公司 | 一种视频推荐方法及系统 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023040220A1 (zh) * | 2021-09-14 | 2023-03-23 | 北京百度网讯科技有限公司 | 一种视频推送方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
JP2023544929A (ja) | 2023-10-26 |
WO2023040220A1 (zh) | 2023-03-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11809505B2 (en) | Method for pushing information, electronic device | |
CN114549874A (zh) | 多目标图文匹配模型的训练方法、图文检索方法及装置 | |
CN114154013A (zh) | 视频推荐方法、装置、设备及存储介质 | |
CN112765452A (zh) | 搜索推荐方法、装置及电子设备 | |
CN113312512A (zh) | 训练方法、推荐方法、装置、电子设备以及存储介质 | |
CN112560461A (zh) | 新闻线索的生成方法、装置、电子设备及存储介质 | |
CN114896291A (zh) | 多智能体模型的训练方法和排序方法 | |
CN113987260A (zh) | 一种视频推送方法、装置、电子设备及存储介质 | |
CN113392920A (zh) | 生成作弊预测模型的方法、装置、设备、介质及程序产品 | |
CN115329078B (zh) | 文本数据处理方法、装置、设备以及存储介质 | |
CN114511022B (zh) | 特征筛选、行为识别模型训练、异常行为识别方法及装置 | |
CN114491249B (zh) | 一种对象推荐方法、装置、设备以及存储介质 | |
CN115859683A (zh) | 一种基于自动驾驶的场景仿真评估方法及装置 | |
CN113378015B (zh) | 搜索方法、装置、电子设备、存储介质和程序产品 | |
CN115203564A (zh) | 信息流推荐方法、装置及计算机程序产品 | |
CN113807391A (zh) | 任务模型的训练方法、装置、电子设备及存储介质 | |
CN112860626A (zh) | 一种文档排序方法、装置及电子设备 | |
CN113010782A (zh) | 需求量获取方法、装置、电子设备以及计算机可读介质 | |
CN112905885A (zh) | 向用户推荐资源的方法、装置、设备、介质和程序产品 | |
CN116340831B (zh) | 一种信息分类方法、装置、电子设备及存储介质 | |
CN114547448B (zh) | 数据处理、模型训练方法、装置、设备、存储介质及程序 | |
CN114037058B (zh) | 预训练模型的生成方法、装置、电子设备以及存储介质 | |
EP4109353A2 (en) | Method and apparatus of generating pre-training model, electronic device, and storage medium | |
CN114428857A (zh) | 一种信息的标注方法、装置、设备以及存储介质 | |
CN117786209A (zh) | 资源推荐方法、推荐模型的训练方法及装置 |
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 |