CN114339402A - 视频播放完成率预测方法、装置、介质及电子设备 - Google Patents
视频播放完成率预测方法、装置、介质及电子设备 Download PDFInfo
- Publication number
- CN114339402A CN114339402A CN202111670078.0A CN202111670078A CN114339402A CN 114339402 A CN114339402 A CN 114339402A CN 202111670078 A CN202111670078 A CN 202111670078A CN 114339402 A CN114339402 A CN 114339402A
- Authority
- CN
- China
- Prior art keywords
- predicted
- video
- target video
- feature extraction
- time length
- 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
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000000605 extraction Methods 0.000 claims abstract description 99
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 10
- 238000005259 measurement Methods 0.000 abstract description 7
- 238000006243 chemical reaction Methods 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 15
- 238000011156 evaluation Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 3
- 239000013307 optical fiber Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Landscapes
- Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
Abstract
本公开涉及一种视频播放完成率预测方法、装置、介质及电子设备。方法包括:获取待预测视频及待预测时长;基于待预测时长,确定特征提取时长;提取待预测视频从初始时刻起经过特征提取时长的目标视频片段的特征信息;根据特征信息预测目标视频片段的播放完成率。根据特征提取时长的目标视频片段的特征信息进行播放完成率预测,而非根据整个待预测视频的特征信息,可提升特征提取和播放完成率预测的效率。另外,通过截取比待预测时长稍长的目标视频片段进行特征提取,可提取到更丰富的特征信息,提升播放完成率预测精度,从而根据播放完成率有效衡量视频质量,进而根据衡量结果确定是否对其进行投放,以保证投放视频的后续曝光量,提升媒体转化率。
Description
技术领域
本公开涉及多媒体技术领域,具体地,涉及一种视频播放完成率预测方法、装置、介质及电子设备。
背景技术
随着互联网技术的飞速发展,各类软件应用也越来越多。为了吸引用户下载,通常需要利用推广视频对目标应用进行推广宣传。其中,推广视频的质量直接影响视频的曝光量,进而影响到媒体转化率(即目标应用的下载量)。其中,推广视频中预设时长视频片段的完播率是评估视频质量的重要指标,因此,在投放前,如何对推广视频中预设时长视频片段的完播率进行预测是值得关注的问题。
发明内容
提供该发明内容部分以便以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
第一方面,本公开提供一种视频播放完成率预测方法,包括:
获取待预测视频以及待预测时长,其中,所述待预测时长为所述待预测视频完成播放的时长,且所述待预测时长小于或者等于所述待预测视频的时长;
基于所述待预测时长,确定特征提取时长,其中,所述特征提取时长大于所述待预测时长;
提取所述待预测视频从初始时刻起经过所述特征提取时长的目标视频片段的特征信息;
根据所述特征信息,预测所述待预测视频中所述目标视频片段的播放完成率。
第二方面,本公开提供一种视频播放完成率预测装置,包括:
获取模块,用于获取待预测视频以及待预测时长,其中,所述待预测时长为所述待预测视频完成播放的时长,且所述待预测时长小于或者等于所述待预测视频的时长;
第一确定模块,用于基于所述获取模块获取到的所述待预测时长,确定特征提取时长,其中,所述特征提取时长大于所述待预测时长;
提取模块,用于提取所述获取模块获取到的所述待预测视频从初始时刻起经过所述第一确定模块确定出的所述特征提取时长的目标视频片段的特征信息;
预测模块,用于根据所述提取模块提取到的所述特征信息,预测所述待预测视频中所述目标视频片段的播放完成率。
第三方面,本公开提供一种计算机可读介质,其上存储有计算机程序,该程序被处理装置执行时实现本公开第一方面提供的所述方法的步骤。
第四方面,本公开提供一种电子设备,包括:
存储装置,其上存储有计算机程序;
处理装置,用于执行所述存储装置中的所述计算机程序,以实现本公开第一方面提供的所述方法的步骤。
在上述技术方案中,在获取到待预测视频以及待预测时长后,基于待预测时长,确定特征提取时长;然后,提取待预测视频从初始时刻起经过特征提取时长的目标视频片段的特征信息;接下来,根据该特征信息,预测待预测视频中目标视频片段的播放完成率。根据待预测视频中特征提取时长的目标视频片段的特征信息进行播放完成率预测,而非根据整个待预测视频的特征信息进行播放完成率预测,可以提升特征提取的效率和播放完成率预测的效率。另外,由于用户具有先验知识,在观看视频时,通常能预测后续的短时剧情,之后,可能关闭当前播放的视频,即用户隐含观看了已观看部分的内容和后续预测的短时剧情,这样,通过截取比待预测时长稍长的目标视频片段进行特征提取,可以提取到更丰富的特征信息,提升播放完成率的预测精度,从而能够根据该播放完成率实现待预测视频质量的有效衡量,进而可以根据衡量结果确定是否对其进行投放,以保证投放视频的后续曝光量,提升媒体转化率。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,原件和元素不一定按照比例绘制。在附图中:
图1是根据一示例性实施例示出的一种视频播放完成率预测方法的流程图。
图2是根据另一示例性实施例示出的一种视频播放完成率预测方法的流程图。
图3是根据另一示例性实施例示出的一种视频播放完成率预测方法的流程图。
图4是根据另一示例性实施例示出的一种视频播放完成率预测方法的流程图。
图5是根据一示例性实施例示出的一种视频播放完成率预测装置的框图。
图6是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
应当理解,本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
图1是根据一示例性实施例示出的一种视频播放完成率预测方法的流程图。如图1所示,该方法包括S101~S104。
在S101中,获取待预测视频以及待预测时长。
在本公开中,待预测视频可以为长视频,也可以为短视频。待预测时长为待预测视频完成播放的时长,且待预测时长小于或者等于待预测视频的时长。示例地,待预测时长为3秒。
在S102中,基于待预测时长,确定特征提取时长。
在本公开中,特征提取时长大于待预测时长。
示例地,特征提取时长=待预测时长+N秒,N为预设时长,例如,2秒。
在S103中,提取待预测视频从初始时刻起经过特征提取时长的目标视频片段的特征信息。
在S104中,根据特征信息,预测待预测视频中目标视频片段的播放完成率。
在本公开中,待预测视频中目标视频片段的播放完成率为用户看完待预测视频的前待预测时长片段的概率,即,待预测视频中目标视频片段的播放完成率=待预测视频中目标视频片段的完播数/待预测视频的总播放数。示例地,待预测时长为3秒,则目标视频片段的播放完成率为3s完播率,即用户看完待预测视频的前3秒片段的概率。
在上述技术方案中,在获取到待预测视频以及待预测时长后,基于待预测时长,确定特征提取时长;然后,提取待预测视频从初始时刻起经过特征提取时长的目标视频片段的特征信息;接下来,根据该特征信息,预测待预测视频中目标视频片段的播放完成率。根据待预测视频中特征提取时长的目标视频片段的特征信息进行播放完成率预测,而非根据整个待预测视频的特征信息进行播放完成率预测,可以提升特征提取的效率和播放完成率预测的效率。另外,由于用户具有先验知识,在观看视频时,通常能预测后续的短时剧情,之后,可能关闭当前播放的视频,即用户隐含观看了已观看部分的内容和后续预测的短时剧情,这样,通过截取比待预测时长稍长的目标视频片段进行特征提取,可以提取到更丰富的特征信息,提升播放完成率的预测精度,从而能够根据该播放完成率实现待预测视频质量的有效衡量,进而可以根据衡量结果确定是否对其进行投放,以保证投放视频的后续曝光量,提升媒体转化率。
下面针对上述在S103中的提取待预测视频从初始时刻起经过特征提取时长的目标视频片段的特征信息的具体实施方式进行详细说明。
在本公开中,可以特征提取模型来提取待预测视频从初始时刻起经过特征提取时长的目标视频片段的特征信息。
由于特征提取模型通常对输入的图像帧的帧率和尺寸大小均有要求,因此,在利用特征提取模型提取待预测视频从初始时刻起经过特征提取时长的目标视频片段的特征信息前,需要对目标视频片段的视频帧率和图像帧进行相应处理。具体来说,可以通过以下步骤(1)~步骤(3)来提取待预测视频从初始时刻起经过特征提取时长的目标视频片段的特征信息:
(1)对目标视频片段进行下采样,以将目标视频片段的帧率降至预设帧率(例如,2帧、3帧、4帧等),从而满足特征提取模型对输入数据的帧率要求。
其中,下采样可以为随机下采样或均匀下采样。由于相邻视频帧通常是类似的,通过均匀下采样可以尽可能保留目标视频片段的特征信息,从而提升后续播放完成率的预测精度,因此,优选地,采用均匀下采样方式对目标视频片段进行采样。
(2)对下采样后的目标视频片段的图像帧进行缩放,以使得缩放后所得的目标视频片段中各图像帧的尺寸满足预设尺寸,从而满足特征提取模型对输入数据的尺寸要求。
(3)将缩放后所得的目标视频片段的图像帧输入到预先训练好的特征提取模型中,得到特征信息。
在一种实施方式中,上述特征提取模型可以包括慢通道和快通道。其中,慢通道用于提取缩放后所得的目标视频片段的图像帧的空间特征;快通道用于提取缩放后所得的目标视频片段的图像帧的时序上的运动特征;空间特征和运动特征作为目标视频片段的特征信息。该特征提取模型对时序特征的捕获能力和对视频的理解能力更强,从而进一步提升后续播放完成率的预测精度。
另外,为了使得上述包括慢通道和快通道的特征提取模型更加符合待预测视频的数据特点,以进一步提升后续播放完成率的预测精度,可以采用基于交叉验证的网格搜索方法来确定特征提取模型的慢通道和快通道的目标速度比率。
具体来说,可以通过以下方式来慢通道和快通道的目标速度比率确定:
首先,获取慢通道和快通道的多个候选速度比率,其中,多个候选速度比率为多个速度比率经验值;然后,以交叉熵损失函数为目标函数,采用网格搜索的方式从多个候选速度比例中确定慢通道和快通道的目标速度比率。
此外,为了降低特征提取模型的拟合难度,除了将缩放后所得的目标视频片段的图像帧作为特征提取模型的输入外,还可以将缩放后所得的目标视频片段的其他维度信息输入到特征提取模型中,以提供更多的信息量,以降低特征提取模型的拟合难度。具体来说,在上述步骤(3)之前,上述提取待预测视频从初始时刻起经过特征提取时长的目标视频片段的特征信息的步骤还包括以下步骤(4)。
(4)获取待预测视频的视频类型。
在本公开中,所述类型可以包括电影、游戏、舞蹈等。示例地,可以通过将待预测视频输入到深度学习网络的方式,来得到待预测视频的视频类型。
此时,上述步骤(3)可以将缩放后所得的目标视频片段的图像帧和视频类型输入到预先训练好的特征提取模型中,得到特征信息。
下面针对上述S104中的根据特征信息,预测待预测视频中目标视频片段的播放完成率的具体实施方式进行详细说明。
具体来说,可以将提取到的目标视频片段的特征信息输入到多层感知器中,以得到待预测视频中目标视频片段的播放完成率。其中,多层感知器的具体结构为堆叠带激活函数的矩阵乘法模块。
为了使得多层感知器更加适用于视频播放完成率预测,可以对多层感知器的层数和神经元个数进行调整,以提升多层感知器的拟合与泛化能力。
另外,为了进一步提升播放完成率的预测精度,可以将上述多层感知器尾部的输出层之前的Dropout层去除,以提升多层感知器的拟合能力,以提升播放完成率预测的准确度。
由于用户在观看视频时,通常关注视频的中心画面,因此,上述在S103中在提取特征信息时,可以仅提取待预测视频从初始时刻起经过特征提取时长的目标视频片段的中心画面的特征信息,以快速进行特征提取,进一步提升播放完成率的预测效率。具体来说,如图2所示,在上述S103之前,上述方法还包括以下S105。
在S105中,针对待预测视频中从初始时刻起经过特征提取时长的目标视频片段的每一图像帧,裁剪掉图像帧的边界画面。
示例地,可以裁剪掉图像帧的边界画面,以保留85%的中心画面。
此时,上述S103可以提取裁剪后所得的目标视频片段的特征信息。之后,上述S104可以根据裁剪后所得的目标视频片段的特征信息,预测待预测视频中目标视频片段的播放完成率。
图3是根据另一示例性实施例示出的视频播放完成率预测方法的流程图。如图3所示,上述方法还包括S106。
在S106中,根据播放完成率,确定待预测视频的视频质量。
在一种实施方式中,若播放完成率大于预设完播率阈值,则确定待预测视频的视频质量为优;若播放完成率小于或等于预设完播率阈值,则确定待预测视频的视频质量为劣。
在另一种实施方式中,可以根据播放完成率,确定待预测视频的评估值;然后,根据评估值,确定待预测视频的视频质量。
在本公开中,可以根据预先建立的播放完成率和评估值的对应关系,确定与当前的播放完成率对应的评估值。若评估值大于预设评估阈值,则确定待预测视频的视频质量为优;若评估值小于或等于预设评估阈值,则确定待预测视频的视频质量为劣。
图4是根据另一示例性实施例示出的视频播放完成率预测方法的流程图。如图4所示,上述方法还包括S107和S108。
在S107中,根据视频质量,确定是否投放待预测视频。
在S108中,若确定投放待预测视频,则对待预测视频进行投放。
在本公开中,若视频质量为优,则确定投放待预测视频,此时,可以将待预测视频投放到相应的推广平台;若视频质量为劣,则确定不投放待预测视频,此时,可以提醒用户对待预测视频进行调整,以提升后续的曝光量。
基于同样的发明构思,本公开还提供一种视频播放完成率预测装置。如图5所示,该装置500包括:获取模块501,用于获取待预测视频以及待预测时长,其中,所述待预测时长为所述待预测视频完成播放的时长,且所述待预测时长小于或者等于所述待预测视频的时长;第一确定模块502,用于基于所述获取模块501获取到的所述待预测时长,确定特征提取时长,其中,所述特征提取时长大于所述待预测时长;提取模块503,用于提取所述获取模块501获取到的所述待预测视频从初始时刻起经过所述第一确定模块502确定出的所述特征提取时长的目标视频片段的特征信息;预测模块504,用于根据所述提取模块503提取到的所述特征信息,预测所述待预测视频中所述目标视频片段的播放完成率。
在上述技术方案中,在获取到待预测视频以及待预测时长后,基于待预测时长,确定特征提取时长;然后,提取待预测视频从初始时刻起经过特征提取时长的目标视频片段的特征信息;接下来,根据该特征信息,预测待预测视频中目标视频片段的播放完成率。根据待预测视频中特征提取时长的目标视频片段的特征信息进行播放完成率预测,而非根据整个待预测视频的特征信息进行播放完成率预测,可以提升特征提取的效率和播放完成率预测的效率。另外,由于用户具有先验知识,在观看视频时,通常能预测后续的短时剧情,之后,可能关闭当前播放的视频,即用户隐含观看了已观看部分的内容和后续预测的短时剧情,这样,通过截取比待预测时长稍长的目标视频片段进行特征提取,可以提取到更丰富的特征信息,提升播放完成率的预测精度,从而能够根据该播放完成率实现待预测视频质量的有效衡量,进而可以根据衡量结果确定是否对其进行投放,以保证投放视频的后续曝光量,提升媒体转化率。
可选地,所述提取模块503包括:下采样子模块,用于对所述目标视频片段进行下采样,以将所述目标视频片段的帧率降至预设帧率;缩放子模块,用于对下采样后的所述目标视频片段的图像帧进行缩放,以使得缩放后所得的目标视频片段中各图像帧的尺寸满足预设尺寸;输入子模块,用于将所述缩放后所得的目标视频片段的图像帧输入到预先训练好的特征提取模型中,得到特征信息。
可选地,所述特征提取模型包括慢通道和快通道;其中,所述慢通道,用于提取所述缩放后所得的目标视频片段的图像帧的空间特征;所述快通道,用于提取所述缩放后所得的目标视频片段的图像帧的时序上的运动特征;所述空间特征和所述运动特征作为所述目标视频片段的特征信息。
可选地,所述慢通道和所述快通道的目标速度比率通过速度比率确定装置来确定,其中,该速度比率确定装置包括:速度比率获取模块,用于获取所述慢通道和所述快通道的多个候选速度比率;速度比率确定模块,用于以交叉熵损失函数为目标函数,采用网格搜索的方式从所述多个候选速度比例中确定所述慢通道和所述快通道的目标速度比率。
可选地,所述提取模块503还包括:获取子模块,用于在所述输入子模块将所述缩放后所得的目标视频片段的图像帧输入到预先训练好的特征提取模型中,得到特征信息之前,获取所述待预测视频的视频类型;所述输入子模块用于将所述缩放后所得的目标视频片段的图像帧和所述视频类型输入到预先训练好的特征提取模型中,得到特征信息。
可选地,所述装置500还包括:裁剪模块,用于在所述提取模块503提取所述待预测视频从初始时刻起经过所述特征提取时长的目标视频片段的特征信息之前,针对所述目标视频片段的每一图像帧,裁剪掉所述图像帧的边界画面;所述提取模块503用于提取裁剪后所得的目标视频片段的特征信息。
可选地,所述装置500还包括:第二确定模块,用于根据所述播放完成率,确定所述待预测视频的视频质量。
可选地,所述装置500还包括:第三确定模块,用于根据所述视频质量,确定是否投放所述待预测视频;投放模块,用于若确定投放所述待预测视频,则对所述待预测视频进行投放。
另外,需要说明的是上述速度比率确定装置可以集成于上述视频播放完成率预测装置500中,也可以独立于上述视频播放完成率预测装置,本公开不作具体限定。
下面参考图6,其示出了适于用来实现本公开实施例的电子设备(例如终端设备或服务器)700的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图6示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图6所示,电子设备700可以包括处理装置(例如中央处理器、图形处理器等)701,其可以根据存储在只读存储器(ROM)702中的程序或者从存储装置708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中,还存储有电子设备700操作所需的各种程序和数据。处理装置701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
通常,以下装置可以连接至I/O接口705:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置706;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置707;包括例如磁带、硬盘等的存储装置708;以及通信装置709。通信装置709可以允许电子设备700与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备700,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在非暂态计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置709从网络上被下载和安装,或者从存储装置708被安装,或者从ROM 702被安装。在该计算机程序被处理装置701执行时,执行本公开实施例的方法中限定的上述功能。
需要说明的是,本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取待预测视频以及待预测时长,其中,所述待预测时长为所述待预测视频完成播放的时长,且所述待预测时长小于或者等于所述待预测视频的时长;基于所述待预测时长,确定特征提取时长,其中,所述特征提取时长大于所述待预测时长;提取所述待预测视频从初始时刻起经过所述特征提取时长的目标视频片段的特征信息;根据所述特征信息,预测所述待预测视频中所述目标视频片段的播放完成率。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,模块的名称在某种情况下并不构成对该模块本身的限定,例如,获取模块还可以被描述为“获取待预测视频以及待预测时长的模块”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
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。
根据本公开的一个或多个实施例,示例1提供了一种视频播放完成率预测方法,包括:获取待预测视频以及待预测时长,其中,所述待预测时长为所述待预测视频完成播放的时长,且所述待预测时长小于或者等于所述待预测视频的时长;基于所述待预测时长,确定特征提取时长,其中,所述特征提取时长大于所述待预测时长;提取所述待预测视频从初始时刻起经过所述特征提取时长的目标视频片段的特征信息;根据所述特征信息,预测所述待预测视频中所述目标视频片段的播放完成率。
根据本公开的一个或多个实施例,示例2提供了示例1的方法,所述提取所述待预测视频从初始时刻起经过所述特征提取时长的目标视频片段的特征信息,包括:对所述目标视频片段进行下采样,以将所述目标视频片段的帧率降至预设帧率;对下采样后的所述目标视频片段的图像帧进行缩放,以使得缩放后所得的目标视频片段中各图像帧的尺寸满足预设尺寸;将所述缩放后所得的目标视频片段的图像帧输入到预先训练好的特征提取模型中,得到特征信息。
根据本公开的一个或多个实施例,示例3提供了示例2的方法,所述特征提取模型包括慢通道和快通道;其中,所述慢通道,用于提取所述缩放后所得的目标视频片段的图像帧的空间特征;所述快通道,用于提取所述缩放后所得的目标视频片段的图像帧的时序上的运动特征;所述空间特征和所述运动特征作为所述目标视频片段的特征信息。
根据本公开的一个或多个实施例,示例4提供了示例3的方法,所述慢通道和所述快通道的目标速度比率通过以下方式来确定:获取所述慢通道和所述快通道的多个候选速度比率;以交叉熵损失函数为目标函数,采用网格搜索的方式从所述多个候选速度比例中确定所述慢通道和所述快通道的目标速度比率。
根据本公开的一个或多个实施例,示例5提供了示例2的方法,在所述将所述缩放后所得的目标视频片段的图像帧输入到预先训练好的特征提取模型中,得到特征信息的步骤之前,所述提取所述待预测视频从初始时刻起经过所述特征提取时长的目标视频片段的特征信息,还包括:获取所述待预测视频的视频类型;所述将所述缩放后所得的目标视频片段的图像帧输入到预先训练好的特征提取模型中,得到特征信息,包括:将所述缩放后所得的目标视频片段的图像帧和所述视频类型输入到预先训练好的特征提取模型中,得到特征信息。
根据本公开的一个或多个实施例,示例6提供了示例1的方法,在所述提取所述待预测视频从初始时刻起经过所述特征提取时长的目标视频片段的特征信息的步骤之前,所述方法还包括:针对所述目标视频片段的每一图像帧,裁剪掉所述图像帧的边界画面;所述提取所述待预测视频从初始时刻起经过所述特征提取时长的目标视频片段的特征信息,包括:提取裁剪后所得的目标视频片段的特征信息。
根据本公开的一个或多个实施例,示例7提供了示例1-示例6的方法,所述方法还包括:根据所述播放完成率,确定所述待预测视频的视频质量。
根据本公开的一个或多个实施例,示例8提供了示例7的方法,所述方法还包括:根据所述视频质量,确定是否投放所述待预测视频;若确定投放所述待预测视频,则对所述待预测视频进行投放。
根据本公开的一个或多个实施例,示例9提供了一种视频播放完成率预测装置,包括:获取模块,用于获取待预测视频以及待预测时长,其中,所述待预测时长为所述待预测视频完成播放的时长,且所述待预测时长小于或者等于所述待预测视频的时长;第一确定模块,用于基于所述获取模块获取到的所述待预测时长,确定特征提取时长,其中,所述特征提取时长大于所述待预测时长;提取模块,用于提取所述获取模块获取到的所述待预测视频从初始时刻起经过所述第一确定模块确定出的所述特征提取时长的目标视频片段的特征信息;预测模块,用于根据所述提取模块提取到的所述特征信息,预测所述待预测视频中所述目标视频片段的播放完成率。
根据本公开的一个或多个实施例,示例10提供了一种计算机可读介质,其上存储有计算机程序,该程序被处理装置执行时实现示例1-8中任一项所述方法的步骤。
根据本公开的一个或多个实施例,示例11提供了一种电子设备,包括:存储装置,其上存储有计算机程序;处理装置,用于执行所述存储装置中的所述计算机程序,以实现示例1-8中任一项所述方法的步骤。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的公开范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述公开构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外,虽然采用特定次序描绘了各操作,但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下,多任务和并行处理可能是有利的。同样地,虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地,在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题,但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反,上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
Claims (11)
1.一种视频播放完成率预测方法,其特征在于,包括:
获取待预测视频以及待预测时长,其中,所述待预测时长为所述待预测视频完成播放的时长,且所述待预测时长小于或者等于所述待预测视频的时长;
基于所述待预测时长,确定特征提取时长,其中,所述特征提取时长大于所述待预测时长;
提取所述待预测视频从初始时刻起经过所述特征提取时长的目标视频片段的特征信息;
根据所述特征信息,预测所述待预测视频中所述目标视频片段的播放完成率。
2.根据权利要求1所述的方法,其特征在于,所述提取所述待预测视频从初始时刻起经过所述特征提取时长的目标视频片段的特征信息,包括:
对所述目标视频片段进行下采样,以将所述目标视频片段的帧率降至预设帧率;
对下采样后的所述目标视频片段的图像帧进行缩放,以使得缩放后所得的目标视频片段中各图像帧的尺寸满足预设尺寸;
将所述缩放后所得的目标视频片段的图像帧输入到预先训练好的特征提取模型中,得到特征信息。
3.根据权利要求2所述的方法,其特征在于,所述特征提取模型包括慢通道和快通道;
其中,所述慢通道,用于提取所述缩放后所得的目标视频片段的图像帧的空间特征;
所述快通道,用于提取所述缩放后所得的目标视频片段的图像帧的时序上的运动特征;
所述空间特征和所述运动特征作为所述目标视频片段的特征信息。
4.根据权利要求3所述的方法,其特征在于,所述慢通道和所述快通道的目标速度比率通过以下方式来确定:
获取所述慢通道和所述快通道的多个候选速度比率;
以交叉熵损失函数为目标函数,采用网格搜索的方式从所述多个候选速度比例中确定所述慢通道和所述快通道的目标速度比率。
5.根据权利要求2所述的方法,其特征在于,在所述将所述缩放后所得的目标视频片段的图像帧输入到预先训练好的特征提取模型中,得到特征信息的步骤之前,所述提取所述待预测视频从初始时刻起经过所述特征提取时长的目标视频片段的特征信息,还包括:
获取所述待预测视频的视频类型;
所述将所述缩放后所得的目标视频片段的图像帧输入到预先训练好的特征提取模型中,得到特征信息,包括:
将所述缩放后所得的目标视频片段的图像帧和所述视频类型输入到预先训练好的特征提取模型中,得到特征信息。
6.根据权利要求1所述的方法,其特征在于,在所述提取所述待预测视频从初始时刻起经过所述特征提取时长的目标视频片段的特征信息的步骤之前,所述方法还包括:
针对所述目标视频片段的每一图像帧,裁剪掉所述图像帧的边界画面;
所述提取所述待预测视频从初始时刻起经过所述特征提取时长的目标视频片段的特征信息,包括:
提取裁剪后所得的目标视频片段的特征信息。
7.根据权利要求1-6中任一项所述的方法,其特征在于,所述方法还包括:
根据所述播放完成率,确定所述待预测视频的视频质量。
8.根据权利要求7所述的方法,其特征在于,所述方法还包括:
根据所述视频质量,确定是否投放所述待预测视频;
若确定投放所述待预测视频,则对所述待预测视频进行投放。
9.一种视频播放完成率预测装置,其特征在于,包括:
获取模块,用于获取待预测视频以及待预测时长,其中,所述待预测时长为所述待预测视频完成播放的时长,且所述待预测时长小于或者等于所述待预测视频的时长;
第一确定模块,用于基于所述获取模块获取到的所述待预测时长,确定特征提取时长,其中,所述特征提取时长大于所述待预测时长;
提取模块,用于提取所述获取模块获取到的所述待预测视频从初始时刻起经过所述第一确定模块确定出的所述特征提取时长的目标视频片段的特征信息;
预测模块,用于根据所述提取模块提取到的所述特征信息,预测所述待预测视频中所述目标视频片段的播放完成率。
10.一种计算机可读介质,其上存储有计算机程序,其特征在于,该程序被处理装置执行时实现权利要求1-8中任一项所述方法的步骤。
11.一种电子设备,其特征在于,包括:
存储装置,其上存储有计算机程序;
处理装置,用于执行所述存储装置中的所述计算机程序,以实现权利要求1-8中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111670078.0A CN114339402A (zh) | 2021-12-31 | 2021-12-31 | 视频播放完成率预测方法、装置、介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111670078.0A CN114339402A (zh) | 2021-12-31 | 2021-12-31 | 视频播放完成率预测方法、装置、介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114339402A true CN114339402A (zh) | 2022-04-12 |
Family
ID=81020415
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111670078.0A Pending CN114339402A (zh) | 2021-12-31 | 2021-12-31 | 视频播放完成率预测方法、装置、介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114339402A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115495615A (zh) * | 2022-11-15 | 2022-12-20 | 浪潮电子信息产业股份有限公司 | 视频与文本的互检方法、装置、设备、存储介质及终端 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108900856A (zh) * | 2018-07-26 | 2018-11-27 | 腾讯科技(深圳)有限公司 | 一种视频帧率预测方法、装置及设备 |
CN108989889A (zh) * | 2018-08-09 | 2018-12-11 | 北京奇艺世纪科技有限公司 | 一种视频播放量预测方法、装置及电子设备 |
CN110704674A (zh) * | 2019-09-05 | 2020-01-17 | 苏宁云计算有限公司 | 一种视频播放完整度预测方法及装置 |
CN112261448A (zh) * | 2020-10-09 | 2021-01-22 | 汉海信息技术(上海)有限公司 | 视频播放时长的确定方法、装置、设备及介质 |
CN113111822A (zh) * | 2021-04-22 | 2021-07-13 | 深圳集智数字科技有限公司 | 用于拥堵识别的视频处理方法、装置与电子设备 |
CN113569129A (zh) * | 2021-02-02 | 2021-10-29 | 腾讯科技(深圳)有限公司 | 点击率预测模型处理方法、内容推荐方法、装置及设备 |
CN113676770A (zh) * | 2021-07-13 | 2021-11-19 | 北京奇艺世纪科技有限公司 | 会员权益预测方法、装置、电子设备及存储介质 |
CN113691859A (zh) * | 2021-09-16 | 2021-11-23 | 百果园技术(新加坡)有限公司 | 一种视频缓存方法、装置、设备及介质 |
-
2021
- 2021-12-31 CN CN202111670078.0A patent/CN114339402A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108900856A (zh) * | 2018-07-26 | 2018-11-27 | 腾讯科技(深圳)有限公司 | 一种视频帧率预测方法、装置及设备 |
CN108989889A (zh) * | 2018-08-09 | 2018-12-11 | 北京奇艺世纪科技有限公司 | 一种视频播放量预测方法、装置及电子设备 |
CN110704674A (zh) * | 2019-09-05 | 2020-01-17 | 苏宁云计算有限公司 | 一种视频播放完整度预测方法及装置 |
CN112261448A (zh) * | 2020-10-09 | 2021-01-22 | 汉海信息技术(上海)有限公司 | 视频播放时长的确定方法、装置、设备及介质 |
CN113569129A (zh) * | 2021-02-02 | 2021-10-29 | 腾讯科技(深圳)有限公司 | 点击率预测模型处理方法、内容推荐方法、装置及设备 |
CN113111822A (zh) * | 2021-04-22 | 2021-07-13 | 深圳集智数字科技有限公司 | 用于拥堵识别的视频处理方法、装置与电子设备 |
CN113676770A (zh) * | 2021-07-13 | 2021-11-19 | 北京奇艺世纪科技有限公司 | 会员权益预测方法、装置、电子设备及存储介质 |
CN113691859A (zh) * | 2021-09-16 | 2021-11-23 | 百果园技术(新加坡)有限公司 | 一种视频缓存方法、装置、设备及介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115495615A (zh) * | 2022-11-15 | 2022-12-20 | 浪潮电子信息产业股份有限公司 | 视频与文本的互检方法、装置、设备、存储介质及终端 |
CN115495615B (zh) * | 2022-11-15 | 2023-02-28 | 浪潮电子信息产业股份有限公司 | 视频与文本的互检方法、装置、设备、存储介质及终端 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111291220B (zh) | 标签展示方法、装置、电子设备和计算机可读介质 | |
CN111510760B (zh) | 视频信息展示方法和装置、存储介质和电子设备 | |
CN110362266B (zh) | 提示信息显示方法、系统、电子设备和计算机可读介质 | |
RU2640632C2 (ru) | Способ и устройство для доставки информации | |
CN111787415B (zh) | 视频互动方法、装置、电子设备和存储介质 | |
CN111629251B (zh) | 视频播放方法、装置、存储介质和电子设备 | |
CN112351222B (zh) | 图像特效处理方法、装置、电子设备和计算机可读存储介质 | |
CN112632323A (zh) | 一种视频播放方法、装置、设备及介质 | |
EP4346218A1 (en) | Audio processing method and apparatus, and electronic device and storage medium | |
CN110866183A (zh) | 一种社交界面的推荐方法、装置、电子设备及存储介质 | |
CN113727169A (zh) | 视频播放方法、装置、设备及存储介质 | |
CN111726691A (zh) | 视频推荐方法、装置、电子设备及计算机可读存储介质 | |
CN114443897A (zh) | 一种视频推荐方法、装置、电子设备和存储介质 | |
CN111290819A (zh) | 显示操作提示的方法、装置和电子设备 | |
CN114860139A (zh) | 视频播放方法、装置、电子设备、存储介质和程序产品 | |
CN111338729A (zh) | 一种播放视图的方法、装置、介质和电子设备 | |
CN111209432A (zh) | 信息获取的方法、装置、电子设备及计算机可读介质 | |
CN114339402A (zh) | 视频播放完成率预测方法、装置、介质及电子设备 | |
CN111797353A (zh) | 信息推送方法、装置和电子设备 | |
CN113628097A (zh) | 图像特效配置方法、图像识别方法、装置及电子设备 | |
CN114528433B (zh) | 一种模板选择方法、装置、电子设备及存储介质 | |
CN114584709B (zh) | 变焦特效的生成方法、装置、设备及存储介质 | |
CN115547330A (zh) | 基于语音交互的信息展示方法、装置和电子设备 | |
CN115878242A (zh) | 媒体内容显示方法、装置、设备、可读存储介质及产品 | |
CN112637668B (zh) | 一种视频播放方法、装置、设备及介质 |
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 |