CN114218487B

CN114218487B - 一种视频推荐方法、系统、装置及存储介质

Info

Publication number: CN114218487B
Application number: CN202111547128.6A
Authority: CN
Inventors: 郝德禄; 肖冠正
Original assignee: iMusic Culture and Technology Co Ltd
Current assignee: iMusic Culture and Technology Co Ltd
Priority date: 2021-12-16
Filing date: 2021-12-16
Publication date: 2023-02-03
Anticipated expiration: 2041-12-16
Also published as: CN114218487A

Abstract

本发明公开了一种视频推荐方法、系统、装置及存储介质，方法包括：获取第一视频用户的第一用户结构图，通过图遍历算法对第一用户结构图进行遍历处理得到第一视频用户的第一特征集合；获取第一视频用户的第一视频结构图，通过图遍历算法对第一视频结构图进行遍历处理得到第一视频用户的第二特征集合；确定第一特征集合和第二特征集合中各个特征之间的关联度；根据关联度确定监督数据，根据第一特征集合和第二特征集合确定训练样本，将监督数据和训练样本输入到预先构建的神经网络模型，得到训练好的视频推荐模型，根据视频推荐模型确定视频推荐结果。本发明使得视频推荐结果更加贴合用户的喜好，提高了用户的体验，可广泛应用于视频推荐技术领域。

Description

一种视频推荐方法、系统、装置及存储介质

技术领域

本发明涉及视频推荐技术领域，尤其是一种视频推荐方法、系统、装置及存储介质。

背景技术

短视频即短片视频，是一种互联网内容传播方式，一般是指在互联网新媒体上传播的时长在30分钟以内的视频。随着移动终端的普及和网络的提速，短平快的大流量传播内容逐渐获得各大平台、粉丝和资本的青睐。

现有技术中，在进行短视频推荐的过程中存在推荐能力不够全面、缺少根据用户紧密度和用户属性特征作为主特征进行短视频推荐的问题，导致视频推荐的结果并不能准确地贴合用户的喜好，影响了用户的体验。

发明内容

本发明的目的在于至少一定程度上解决现有技术中存在的技术问题之一。

为此，本发明实施例的一个目的在于提供一种视频推荐方法，该方法通过对视频用户的用户结构图和视频结构图进行特征分析和关联度匹配，可以实现对视频用户的深度解析，从而可以结合视频用户的属性特征进行更加准确地视频推荐，使得视频推荐结果更加贴合用户的喜好，提高了用户的体验。

本发明实施例的另一个目的在于提供一种视频推荐系统。

为了达到上述技术目的，本发明实施例所采取的技术方案包括：

第一方面，本发明实施例提供了一种视频推荐方法，包括以下步骤：

获取第一视频用户的第一用户结构图，通过图遍历算法对所述第一用户结构图进行遍历处理，得到所述第一视频用户的第一特征集合；

获取所述第一视频用户的第一视频结构图，通过图遍历算法对所述第一视频结构图进行遍历处理，得到所述第一视频用户的第二特征集合；

确定所述第一特征集合和所述第二特征集合中各个特征之间的关联度；

根据所述关联度确定监督数据，并根据所述第一特征集合和所述第二特征集合确定训练样本，将所述监督数据和所述训练样本输入到预先构建的神经网络模型，得到训练好的视频推荐模型，进而根据所述视频推荐模型确定视频推荐结果。

进一步地，在本发明的一个实施例中，所述通过图遍历算法对所述第一用户结构图进行遍历处理，得到所述第一视频用户的第一特征集合这一步骤，其具体包括：

通过图遍历算法对所述第一用户结构图进行遍历，得到第一视频用户的多个第一用户特征；

对多个所述第一用户特征进行去中心化处理，得到第三特征集合；

确定所述第三特征集合的第一协方差矩阵，进而确定所述第一协方差矩阵的第一特征向量；

将多个所述第一用户特征投影到所述第一特征向量，得到所述第一特征集合。

进一步地，在本发明的一个实施例中，所述通过图遍历算法对所述第一视频结构图进行遍历处理，得到所述第一视频用户的第二特征集合这一步骤，其具体包括：

通过图遍历算法对所述第一视频结构图进行遍历，得到第一视频用户的多个第一视频特征；

对多个所述第一视频特征进行去中心化处理，得到第四特征集合；

确定所述第四特征集合的第二协方差矩阵，进而确定所述第二协方差矩阵的第二特征向量；

将多个所述第一视频特征投影到所述第二特征向量，得到所述第二特征集合。

进一步地，在本发明的一个实施例中，所述确定所述第一特征集合和所述第二特征集合中各个特征之间的关联度这一步骤，其具体包括：

对所述第一特征集合和所述第二特征集合进行曲线拟合，获得数据拟合程度；

根据所述数据拟合程度确定所述第一特征集合和所述第二特征集合中各个特征之间的关联度。

进一步地，在本发明的一个实施例中，所述根据所述数据拟合程度确定所述第一特征集合和所述第二特征集合中各个特征之间的关联度这一步骤，其具体包括：

根据所述数据拟合程度确定所述第一特征集合和所述第二特征集合中各个特征之间的关联关系；

对所述关联关系进行聚类分析，得到第一聚类结果；

根据所述第一聚类结果确定所述第一特征集合和所述第二特征集合中各个特征之间的关联度。

进一步地，在本发明的一个实施例中，所述将所述监督数据和所述训练样本输入到预先构建的神经网络模型，得到训练好的视频推荐模型这一步骤，其具体包括：

根据所述监督数据和所述训练样本确定训练数据集；

将所述训练数据集输入到预先构建的神经网络模型，得到预测视频推荐结果；

根据所述预测视频推荐结果和所述监督数据确定所述神经网络模型的损失值；

根据所述损失值通过反向传播算法更新所述神经网络模型的参数；

当损失值达到预设的第一阈值或迭代次数达到预设的第二阈值或测试精度达到预设的第三阈值，停止训练，得到训练好的视频推荐模型。

进一步地，在本发明的一个实施例中，所述根据所述视频推荐模型确定视频推荐结果这一步骤，其具体包括：

获取第二视频用户的第二用户结构图和第二视频结构图；

根据所述第二用户结构图确定第三特征集合，并根据所述第二视频结构图确定第四特征集合；

将所述第三特征集合和所述第四特征集合输入到所述视频推荐模型，得到所述第二视频用户的视频推荐结果。

第二方面，本发明实施例提供了一种视频推荐系统，包括：

第一特征集合确定模块，用于获取第一视频用户的第一用户结构图，通过图遍历算法对所述第一用户结构图进行遍历处理，得到所述第一视频用户的第一特征集合；

第二特征集合确定模块，用于获取所述第一视频用户的第一视频结构图，通过图遍历算法对所述第一视频结构图进行遍历处理，得到所述第一视频用户的第二特征集合；

关联度确定模块，用于确定所述第一特征集合和所述第二特征集合中各个特征之间的关联度；

模型训练及视频推荐模块，用于根据所述关联度确定监督数据，并根据所述第一特征集合和所述第二特征集合确定训练样本，将所述监督数据和所述训练样本输入到预先构建的神经网络模型，得到训练好的视频推荐模型，进而根据所述视频推荐模型确定视频推荐结果。

第三方面，本发明实施例提供了一种视频推荐装置，包括：

至少一个处理器；

至少一个存储器，用于存储至少一个程序；

当所述至少一个程序被所述至少一个处理器执行时，使得所述至少一个处理器实现上述的一种视频推荐方法。

第四方面，本发明实施例还提供了一种计算机可读存储介质，其中存储有处理器可执行的程序，所述处理器可执行的程序在由处理器执行时用于执行上述的一种视频推荐方法。

本发明的优点和有益效果将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到：

本发明实施例获取第一视频用户的第一用户结构图和第一视频结构图，通过图遍历算法对该第一用户结构图和第一视频结构图进行遍历处理，得到第一视频用户的第一特征集合和第二特征集合，然后确定第一特征集合和第二特征集合中各个特征之间的关联度，再根据该关联度确定监督数据、根据第一特征集合和第二特征集合确定训练样本，将监督数据和训练样本输入到预先构建的神经网络模型进行训练，得到训练好的视频推荐模型，进而可以根据该视频推荐模型确定视频推荐结果。本发明实施例通过对视频用户的用户结构图和视频结构图进行特征分析和关联度匹配，可以实现对视频用户的深度解析，从而可以结合视频用户的属性特征进行更加准确地视频推荐，使得视频推荐结果更加贴合用户的喜好，提高了用户的体验。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面对本发明实施例中所需要使用的附图作以下介绍，应当理解的是，下面介绍中的附图仅仅为了方便清晰表述本发明的技术方案中的部分实施例，对于本领域的技术人员来说，在无需付出创造性劳动的前提下，还可以根据这些附图获取到其他附图。

图1为本发明实施例提供的一种视频推荐方法的步骤流程图；

图2为本发明实施例提供的一种视频推荐系统的结构框图；

图3为本发明实施例提供的一种视频推荐装置的结构框图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。

在本发明的描述中，多个的含义是两个或两个以上，如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。此外，除非另有定义，本文所使用的所有的技术和科学术语与本技术领域的技术人员通常理解的含义相同。

参照图1，本发明实施例提供了一种视频推荐方法，具体包括以下步骤：

S101、获取第一视频用户的第一用户结构图，通过图遍历算法对第一用户结构图进行遍历处理，得到第一视频用户的第一特征集合。

具体地，图遍历又称图的遍历，属于数据结构中的内容，它指的是从图中的任一顶点出发，对图中的所有顶点访问一次且只访问一次。图的遍历操作和树的遍历操作功能相似。图的遍历是图的一种基本操作，图的许多其它操作都是建立在遍历操作的基础之上。

本发明实施例的第一视频用户为进行视频使用的用户，即被推荐的主体，用户的属性不做具体的限定。结构图指以模块的调用关系为线索，用自上而下的连线表示调用关系并注明参数传递的方向和内容，从宏观上反映软件层次结构的图形。本发明实施例中，根据第一视频用户的视频观看的习惯、属性、次数、时长、类型等信息，确定第一视频用户的第一用户结构图，第一用户结构图为对第一视频用户进行持续的特征采集获得的结构图。

进一步作为可选的实施方式，通过图遍历算法对第一用户结构图进行遍历处理，得到第一视频用户的第一特征集合这一步骤，其具体包括：

A1、通过图遍历算法对第一用户结构图进行遍历，得到第一视频用户的多个第一用户特征；

A2、对多个第一用户特征进行去中心化处理，得到第三特征集合；

A3、确定第三特征集合的第一协方差矩阵，进而确定第一协方差矩阵的第一特征向量；

A4、将多个第一用户特征投影到第一特征向量，得到第一特征集合。

具体地，通过图遍历算法对第一用户结构图进行图特征的遍历，其中，在图遍历的过程中，第一用户结构图中不存在自然的首节点，图中任意一个顶点都可被作为第一个被访问的结点。一般而言，遍历过程包括一下几种方案：遍历所有结构图的边不出现重复、遍历所有的顶点不出现重复、遍历完所有的边可以有重复以及遍历完所有的顶点可以重复。本发明实施例基于图遍历算法，对第一用户结构图进行遍历，获得第一视频用户的第一特征集合。

本发明实施例为了获得更加准确、保留信息尽量少丢失的第一特征集合，首先对第一用户结构图进行访问，获得第一用户特征。去中心化处理是指由节点自由选择中心，任何一个特征都是一个节点，通过对节点进行处理，获得阶段中心特征，基于阶段中心特征进行特征的开放式扁平化处理，得到第三特征集合。进一步来说，去中心化的过程为对第一用户特征进行每一特征的平均值求取，对所有的样本每一个特征均减掉自身的均值，得到第三特征集合。协方差矩阵的每个元素是各个向量元素之间的协方差，是从标量随机变量到高维度随机向量的自然推广，通过对第三特征集合进行协方差矩阵计算，获得第一协方差矩阵。根据第一协方差矩阵的运算结果，获得第一协方差矩阵的第一特征向量和第一协方差矩阵的特征值，按照特征值的大小进行特征值的排序，保留下特征值最大的N个特征值对应的特征向量即为第一特征向量，将第一用户特征投影到第一特征向量，得到第一特征集合。

可以认识到，本发明实施例通过对特征数据进行降维处理，在保证信息量的前提下，剔除冗余数据，使得特征数据的样本量减小，且降维后信息量损失最小，可以达到加快模型数据运算速度的技术效果。

S102、获取第一视频用户的第一视频结构图，通过图遍历算法对第一视频结构图进行遍历处理，得到第一视频用户的第二特征集合。

具体地，根据第一视频用户的视频观看的习惯、种类、时长以及第一视频用户的用户信息，包括职业信息、学习信息、工作信息、生活信息等，确定与第一视频用户的相关的视频片段集合，其中，视频片段集合中的视频片段的时长范围为15-60S，基于该视频片段集合，构建第一视频结构图。同样的，基于上述的图遍历算法，对第一视频结构图进行图的遍历，对视频片段进行特征提取，得到第一视频用户的第二特征集合。

进一步作为可选的实施方式，通过图遍历算法对第一视频结构图进行遍历处理，得到第一视频用户的第二特征集合这一步骤，其具体包括：

B1、通过图遍历算法对第一视频结构图进行遍历，得到第一视频用户的多个第一视频特征；

B2、对多个第一视频特征进行去中心化处理，得到第四特征集合；

B3、确定第四特征集合的第二协方差矩阵，进而确定第二协方差矩阵的第二特征向量；

B4、将多个第一视频特征投影到第二特征向量，得到第二特征集合。

S103、确定第一特征集合和第二特征集合中各个特征之间的关联度。

具体地，特征的关联度是反映了第一视频用户的用户特征和视频特征之间特征关联度。一般而言，该特征关联度通过对比第一特征集合和第二特征集合中的特征可以获取，即通过对第一特征集合中的用户特征和第二特征集合中的视频特征进行特征曲线拟合，根据特征的拟合程度来对第一特征集合和第二特征集合中的特征的关联度进行评估，确定关联度。步骤S103具体包括以下步骤：

S1031、对第一特征集合和第二特征集合进行曲线拟合，获得数据拟合程度；

S1032、根据数据拟合程度确定第一特征集合和第二特征集合中各个特征之间的关联度。

具体地，曲线拟合是指通过适当的曲线选择，进行拟合后对数据进行观测的方法，通过拟合的曲线方程可以分析两变量之间的关系。本发明实施例将第一特征集合和第二特征集合中的特征进行曲线的拟合，拟合过程一般通过最小二乘法原理进行拟合，获得第一特征集合和第二特征集合的特征数据的拟合程度，基于该拟合程度确定第一特征集合和第二特征集合中各个特征之间的关联度。

进一步作为可选的实施方式，根据数据拟合程度确定第一特征集合和第二特征集合中各个特征之间的关联度这一步骤S1032，其具体包括：

S10321、根据数据拟合程度确定第一特征集合和第二特征集合中各个特征之间的关联关系；

S10322、对关联关系进行聚类分析，得到第一聚类结果；

S10323、根据第一聚类结果确定第一特征集合和第二特征集合中各个特征之间的关联度。

具体地，根据第一特征集合和第二特征集合中的各个特征的数据拟合程度确定特征之间的关联关系，对该关联关系进行聚类分析，即根据关联关系的属性信息进行聚类，聚类标准至少包括以下两种类型：正向关联和负向关联。其中，正向关联又可根据关联等级的高低进行进一步的划分，负向关联根据关联程度的高低进行进一步的划分。基于正向关联和负向关联的划分结果，对第一特征集合和第二特征集合中的特征进行关联度的聚类，得到第一聚类结果；基于第一聚类结果，确定各个特征之间的关联度。

S104、根据关联度确定监督数据，并根据第一特征集合和第二特征集合确定训练样本，将监督数据和训练样本输入到预先构建的神经网络模型，得到训练好的视频推荐模型，进而根据视频推荐模型确定视频推荐结果。

具体地，监督数据是指进行训练学习过程中作为标识数据的数据，它是根据已有的数据集、已知数据输入和输出结果之间的关系，来对模型进行优化的一种方式。本发明实施例将关联度作为监督数据，将第一特征集合和第二特征集合作为训练样本，对视频推荐模型进行有监督学习。视频推荐模型为智能化的推荐模型，它可以根据训练数据不断地进行参数的优化，获得更加准确的模型构建结果，进而可获得与视频用户的匹配的推荐结果。本发明实施例通过对视频用户的用户结构图和视频结构图进行特征分析和关联度匹配，可以实现对视频用户的深度解析，从而可以结合视频用户的属性特征进行更加准确地视频推荐。

本发明实施例的视频推荐模型基于机器学习中的神经网络模型训练得到。模型训练可以包括有监督训练学习和无监督续训练学习，进一步来说，为了保证模型的准确性，还可对训练数据的进行训练集和测试集的比例划分，优选为7：3。本发明实施例中，在进行有监督学习的过程中，训练数据集中的每组数据均包括作为训练部分的第一特征集合、第二特征集合和作为监督部分的关联度数据，通过训练数据集对视频推荐模型进行训练，当测试集对视频推荐模型的测试结果趋于稳定时，则结束学习。本发明实施例通过模型的有监督学习，使得视频推荐结果更加准确。

进一步作为可选的实施方式，将监督数据和训练样本输入到预先构建的神经网络模型，得到训练好的视频推荐模型这一步骤，其具体包括：

C1、根据监督数据和训练样本确定训练数据集；

C2、将训练数据集输入到预先构建的神经网络模型，得到预测视频推荐结果；

C3、根据预测视频推荐结果和监督数据确定神经网络模型的损失值；

C4、根据损失值通过反向传播算法更新神经网络模型的参数；

C5、当损失值达到预设的第一阈值或迭代次数达到预设的第二阈值或测试精度达到预设的第三阈值，停止训练，得到训练好的视频推荐模型。

具体地，将训练数据集中的数据输入到初始化后的神经网络模型后，可以得到模型输出的预测视频推荐结果，可以预测预测视频推荐结果和前述的监督数据来评估视频推荐模型的准确性，从而对模型的参数进行更新。对于视频推荐模型来说，模型预测结果的准确性可以通过损失函数(Loss Function)来衡量，损失函数是定义在单个训练数据上的，用于衡量一个训练数据的预测误差，具体是通过单个训练数据的标签和模型对该训练数据的预测结果确定该训练数据的损失值。而实际训练时，一个训练数据集有很多训练数据，因此一般采用代价函数(Cost Function)来衡量训练数据集的整体误差，代价函数是定义在整个训练数据集上的，用于计算所有训练数据的预测误差的平均值，能够更好地衡量出模型的预测效果。对于一般的机器学习模型来说，基于前述的代价函数，再加上衡量模型复杂度的正则项即可作为训练的目标函数，基于该目标函数便能求出整个训练数据集的损失值。常用的损失函数种类有很多，例如0-1损失函数、平方损失函数、绝对损失函数、对数损失函数、交叉熵损失函数等均可以作为机器学习模型的损失函数，在此不再一一阐述。本发明实施例中，可以从中任选一种损失函数来确定训练的损失值。基于训练的损失值，采用反向传播算法对模型的参数进行更新，迭代几轮即可得到训练好的视频推荐模型。具体地迭代轮数可以预先设定，或者在测试集达到精度要求时认为训练完成。

可选地，本发明实施例可基于卷积神经网络进行视频推荐模型的训练。

进一步作为可选的实施方式，根据视频推荐模型确定视频推荐结果这一步骤，其具体包括：

D1、获取第二视频用户的第二用户结构图和第二视频结构图；

D2、根据第二用户结构图确定第三特征集合，并根据第二视频结构图确定第四特征集合；

D3、将第三特征集合和第四特征集合输入到视频推荐模型，得到第二视频用户的视频推荐结果。

以上对本发明实施例的方法步骤进行了说明。可以理解的是，本发明实施例通过对视频用户的用户结构图和视频结构图进行特征分析和关联度匹配，可以实现对视频用户的深度解析，从而可以结合视频用户的属性特征进行更加准确地视频推荐，使得视频推荐结果更加贴合用户的喜好，提高了用户的体验；本发明实施例通过对特征数据进行降维处理，在保证信息量的前提下，剔除冗余数据，使得特征数据的样本量减小，且降维后信息量损失最小，可以达到加快模型数据运算速度的技术效果。

参照图2，本发明实施例提供了一种视频推荐系统，包括：

第一特征集合确定模块，用于获取第一视频用户的第一用户结构图，通过图遍历算法对第一用户结构图进行遍历处理，得到第一视频用户的第一特征集合；

第二特征集合确定模块，用于获取第一视频用户的第一视频结构图，通过图遍历算法对第一视频结构图进行遍历处理，得到第一视频用户的第二特征集合；

关联度确定模块，用于确定第一特征集合和第二特征集合中各个特征之间的关联度；

模型训练及视频推荐模块，用于根据关联度确定监督数据，并根据第一特征集合和第二特征集合确定训练样本，将监督数据和训练样本输入到预先构建的神经网络模型，得到训练好的视频推荐模型，进而根据视频推荐模型确定视频推荐结果。

上述方法实施例中的内容均适用于本系统实施例中，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。

参照图3，本发明实施例提供了一种视频推荐装置，包括：

至少一个处理器；

至少一个存储器，用于存储至少一个程序；

当上述至少一个程序被上述至少一个处理器执行时，使得上述至少一个处理器实现上述的一种视频推荐方法。

上述方法实施例中的内容均适用于本装置实施例中，本装置实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。

本发明实施例还提供了一种计算机可读存储介质，其中存储有处理器可执行的程序，该处理器可执行的程序在由处理器执行时用于执行上述一种视频推荐方法。

本发明实施例的一种计算机可读存储介质，可执行本发明方法实施例所提供的一种视频推荐方法，可执行方法实施例的任意组合实施步骤，具备该方法相应的功能和有益效果。

本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行图1所示的方法。

在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或上述方框有时能以相反顺序被执行。此外，在本发明的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。

此外，虽然在功能性模块的背景下描述了本发明，但应当理解的是，除非另有相反说明，上述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本发明的范围，本发明的范围由所附权利要求书及其等同方案的全部范围来决定。

上述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。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或者该技术方案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一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例上述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。

计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印上述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得上述程序，然后将其存储在计算机存储器中。

应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

在本说明书的上述描述中，参考术语“一个实施方式/实施例”、“另一实施方式/实施例”或“某些实施方式/实施例”等的描述意指结合实施方式或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施方式或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。

尽管已经示出和描述了本发明的实施方式，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施方式进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

以上是对本发明的较佳实施进行了具体说明，但本发明并不限于上述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims

1.一种视频推荐方法，其特征在于，包括以下步骤：

将所述第一特征集合和所述第二特征集合作为训练样本，将所述关联度作为所述训练样本的监督数据，将所述监督数据和所述训练样本输入到预先构建的神经网络模型，得到训练好的视频推荐模型，进而根据所述视频推荐模型确定视频推荐结果；

所述通过图遍历算法对所述第一用户结构图进行遍历处理，得到所述第一视频用户的第一特征集合这一步骤，其具体包括：

将多个所述第一用户特征投影到所述第一特征向量，得到所述第一特征集合；

所述通过图遍历算法对所述第一视频结构图进行遍历处理，得到所述第一视频用户的第二特征集合这一步骤，其具体包括：

2.根据权利要求1所述的一种视频推荐方法，其特征在于，所述确定所述第一特征集合和所述第二特征集合中各个特征之间的关联度这一步骤，其具体包括：

3.根据权利要求2所述的一种视频推荐方法，其特征在于，所述根据所述数据拟合程度确定所述第一特征集合和所述第二特征集合中各个特征之间的关联度这一步骤，其具体包括：

对所述关联关系进行聚类分析，得到第一聚类结果；

4.根据权利要求1所述的一种视频推荐方法，其特征在于，所述将所述监督数据和所述训练样本输入到预先构建的神经网络模型，得到训练好的视频推荐模型这一步骤，其具体包括：

根据所述监督数据和所述训练样本确定训练数据集；

5.根据权利要求1至4中任一项所述的一种视频推荐方法，其特征在于，所述根据所述视频推荐模型确定视频推荐结果这一步骤，其具体包括：

获取第二视频用户的第二用户结构图和第二视频结构图；

6.一种视频推荐系统，其特征在于，包括：

模型训练及视频推荐模块，用于将所述第一特征集合和所述第二特征集合作为训练样本，将所述关联度作为所述训练样本的监督数据，将所述监督数据和所述训练样本输入到预先构建的神经网络模型，得到训练好的视频推荐模型，进而根据所述视频推荐模型确定视频推荐结果；

7.一种视频推荐装置，其特征在于，包括：

至少一个处理器；

至少一个存储器，用于存储至少一个程序；

当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如权利要求1至5中任一项所述的一种视频推荐方法。

8.一种计算机可读存储介质，其中存储有处理器可执行的程序，其特征在于，所述处理器可执行的程序在由处理器执行时用于执行如权利要求1至5中任一项所述的一种视频推荐方法。