CN114466250A - 一种视频推荐方法 - Google Patents
一种视频推荐方法 Download PDFInfo
- Publication number
- CN114466250A CN114466250A CN202011240774.3A CN202011240774A CN114466250A CN 114466250 A CN114466250 A CN 114466250A CN 202011240774 A CN202011240774 A CN 202011240774A CN 114466250 A CN114466250 A CN 114466250A
- Authority
- CN
- China
- Prior art keywords
- video
- user
- sorting
- recommendation method
- scoring
- 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 32
- 230000006399 behavior Effects 0.000 claims abstract description 6
- 238000010801 machine learning Methods 0.000 claims description 7
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 230000002457 bidirectional effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
- H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
- H04N21/4668—Learning process for intelligent management, e.g. learning user preferences for recommending movies for recommending content, e.g. movies
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
- H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
- H04N21/4662—Learning process for intelligent management, e.g. learning user preferences for recommending movies characterized by learning algorithms
- H04N21/4666—Learning process for intelligent management, e.g. learning user preferences for recommending movies characterized by learning algorithms using neural networks, e.g. processing the feedback provided by the user
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/47—End-user applications
- H04N21/475—End-user interface for inputting end-user data, e.g. personal identification number [PIN], preference data
- H04N21/4755—End-user interface for inputting end-user data, e.g. personal identification number [PIN], preference data for defining user preferences, e.g. favourite actors or genre
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/47—End-user applications
- H04N21/475—End-user interface for inputting end-user data, e.g. personal identification number [PIN], preference data
- H04N21/4756—End-user interface for inputting end-user data, e.g. personal identification number [PIN], preference data for rating content, e.g. scoring a recommended movie
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/47—End-user applications
- H04N21/482—End-user interface for program selection
- H04N21/4826—End-user interface for program selection using recommendation lists, e.g. of programs or channels sorted out according to their score
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Signal Processing (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种视频推荐方法,其包括召回步骤,根据用户的兴趣和历史行为,在海量的视频信息中筛选出多个较小的候选数据库;排序步骤,对选出的候选数据库进行打分排序,对多个召回通道的视频内容进行不同分值的打分排序,选出最高分的视频内容推荐给用户。本视频推荐方法可以针对不同用户群体、不同的使用用户,根据用户的喜好提供精准化的视频给用户,增强使用者的用户粘度,提高使用体验感。
Description
技术领域
本发明涉及视频信息大数据技术领域,尤其具体涉及一种视频推荐方法。
背景技术
随着科学技术的进步,信息量是越来越大,用户获取信息越来越有需求,但是却越来越不知道如何获取精准的信息。而好的推荐算法是有助于我们从海量的信息海洋中将不同的内容区分开来,用以满足用户的个性化需求,做到信息的精准化利用,提高用户的使用体验。
发明内容
本发明的目的在于提供一种视频推荐方法,其可以针对不同用户群体、不同的使用用户,根据用户的喜好提供精准化的视频给用户,增强使用者的用户粘度,提高使用体验感。
为实现上述目的,本发明提供如下技术方案:一种视频推荐方法,包括:
召回步骤,根据用户的兴趣和历史行为,在海量的视频信息中筛选出多个较小的候选数据库;
排序步骤,对选出的候选数据库进行打分排序,对多个召回通道的视频内容进行不同分值的打分排序,选出最高分的视频内容推荐给用户。
优选的,所述排序步骤中首先对多个较小的候选数据库进行整体打分排序;再对每一个候选数据库中的各个视频内容进行单独打分排序,每一个候选数据都单独依序推荐出各个候选数据中的最高分视频内容推荐给用户。
优选地,所述召回步骤包括给用户画像、特征描述、协同过滤、主题建模。
优选地,所述用户画像包含用户的人群属性、历史看片、兴趣爱好、性别取向、出生年龄。
优选地,所述特征描述包含基于深度神经网络算法的对视频进行类别属性、内容分析、人群偏好和统计特征的描绘和度量描述。
优选地,所述排序步骤还包括对多个召回通道的内容进行不同维度因子的打分排序,所述不同维度因子至少包含视频新鲜度、惊喜度、画面特效度。
优选地,所述排序步骤是使用机器学习模型利用机器学习方法对所述不同维度因子进行综合排序。
优选地,所述特征描述还包括对用户对视频点赞量、评论量、转发量、完播率的描述。
优选地,所述排序步骤还包括建立用户喜好样本时间特征,根据用户喜好的改变而不断进行重新打分排序。
优选地,所述用户喜好样本时间特征取值为30天。与现有技术相比,本发明的有益效果如下:
1、本发明视频推荐方法可以针对不同用户群体、不同的使用用户,根据用户的喜好提供精准化的视频给用户,增强使用者的用户粘度,提高使用体验感。
2、本发明的视频推荐方法首先筛选出了较小的候选视频数据库,再对不同的候选数据库根据数据库本身进行整体打分排序,再对每一个候选数据库里面的视频进行单独打分排序,两次独立的打分排序算法,有助于快速准确的将合适用户的视频推荐给使用者。同时,对候选视频数据库的整体排序,也有利于使用者主动进行双向选择。
3、本视频推荐方法利用了深度机器学习等多种方法,从不同的维度因子对视频进行打分排序,更能匹配到使用者的使用习惯。
4、本视频推荐方法还综合了视频的点赞量、评论量、转发量和完播率;这无形当中对视频在面对用户观看使用时进行了二次打分和评价,有助于视频回归流量池的再次排序优化,有助于下一次的视频推荐给到合适的适格用户,实现了去中心化的视频推荐。
5、基于用户喜好的改变,建立了用户喜好时间特征值,一般我们以30天为用户喜好的改变取值变化。结合了用户使用习惯和爱好习惯的综合因素值。
6、对视频内容的本身也有进行特征区分,比如可以将视频内容进行特征赋值为娱乐、美食、外貌、才艺展现、宠物、恶搞、整人、教程、广告等多个方面。根据不同的候选视频集合对不同的人群进行匹配。
7、本发明的视频方法可以将在线服务的特征保存下来,填充和收集到用户行为或者用户画像等样本中,进行二次训练和画像,这样可以让训练更有针对性,实现数据库信息的持续迭代。
附图说明
图1为本发明视频方法的示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。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。
在发明的描述中,需要说明的是,术语“上”、“下”、“内”、“外”“前端”、“后端”、“两端”、“一端”、“另一端”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“设置有”、“连接”等,应做广义理解,例如“连接”,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
如图1所示,一种视频推荐方法,包括:
召回步骤,根据用户的兴趣和历史行为,在海量视频信息中筛选出多个较小的候选数据库A、候选数据库B、候选数据库C、候选数据库……
所述召回步骤包括给用户画像、特征描述、协同过滤、主题建模。所述用户画像包含用户的人群属性、历史看片、兴趣爱好、性别取向、出生年龄。所述特征描述包含基于深度神经网络算法的对视频进行类别属性、内容分析、人群偏好和统计特征的描绘和度量描述。所述特征描述还包括对用户对视频点赞量、评论量、转发量、完播率的描述。本视频推荐方法还综合了视频的点赞量、评论量、转发量和完播率;这无形当中对视频在面对用户观看使用时进行了二次打分和评价,有助于视频回归流量池的再次排序优化,有助于下一次的视频推荐给到合适的适格用户,实现了去中心化的视频推荐。对视频内容的本身也有进行特征区分,比如可以将视频内容进行特征赋值为娱乐、美食、外貌、才艺展现、宠物、恶搞、整人、教程、广告等多个方面。根据不同的候选视频集合对不同的人群进行匹配。本发明的视频方法可以将在线服务的特征保存下来,填充和收集到用户行为或者用户画像等样本中,进行二次训练和画像,这样可以让训练更有针对性,实现数据库信息的持续迭代。
排序步骤,对选出的候选数据库进行打分排序,对多个召回通道的视频内容进行不同分值的打分排序,选出最高分的视频内容推荐给用户。本发明视频推荐方法可以针对不同用户群体、不同的使用用户,根据用户的喜好提供精准化的视频给用户,增强使用者的用户粘度,提高使用体验感。
所述排序步骤中首先对多个较小的候选数据库进行整体打分排序;再对每一个候选数据库中的各个视频内容进行单独打分排序,每一个候选数据都单独依序推荐出各个候选数据中的最高分视频内容推荐给用户。本发明的视频推荐方法首先筛选出了较小的候选视频数据库,再对不同的候选数据库根据数据库本身进行整体打分排序,再对每一个候选数据库里面的视频进行单独打分排序,两次独立的打分排序算法,有助于快速准确的将合适用户的视频推荐给使用者。同时,对候选视频数据库的整体排序,也有利于使用者主动进行双向选择。
所述排序步骤还包括对多个召回通道的内容进行不同维度因子的打分排序,所述不同维度因子至少包含但不限于视频新鲜度、惊喜度、画面特效度等内容。该排序步骤是使用机器学习模型利用机器学习方法对不同的维度因子对视频进行打分排序,更能匹配到使用者的使用习惯。
所述排序步骤还包括建立用户喜好样本时间特征,根据用户喜好的改变而不断进行重新打分排序。基于用户喜好的改变,建立的用户喜好时间特征值,一般我们以30天为用户喜好的改变取值变化。结合了用户使用习惯和爱好习惯的综合因素值。
在进行视频推荐的过程中,本发明的视频推荐方法还会根据用户的使用活跃度,对用户进行再次画像。将新鲜度较高的视频优先推荐给活跃度较低的用户以便吸引用户持续保持兴趣。
用户喜好特征训练的时候一定要考虑喜好的样本时间特征,因为一般用户的喜好是会改变的,尤其是当用户的年龄偏小的时候。本发明视频推荐方法还可以针对不同年龄阶段的人群的用户喜好样本时间特征值进行不同的设定,比如年龄10岁以下的群体取值为一周,即7天。10到30岁的人群取值为30天,30到60岁的人群取值为60天,60岁以上的老年人的用户喜好样本时间特征取值为100天。通过样本的时间作为特征对用户的喜好进行捕捉。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.一种视频推荐方法,其特征在于:其包括:
召回步骤,根据用户的兴趣和历史行为,在海量视频信息中筛选出多个候选数据库;
排序步骤,对选出的候选数据库进行打分排序,对多个召回通道的视频内容进行不同分值的打分排序,选出最高分的视频内容推荐给用户。
2.根据权利要求1所述的一种视频推荐方法,其特征在于:所述排序步骤中首先对多个候选数据库进行整体打分排序;再对每一个候选数据库中的各个视频内容进行单独打分排序,每一个候选数据都单独依序推荐出各个候选数据中的最高分视频内容推荐给用户。
3.根据权利要求1所述的一种视频推荐方法,其特征在于:所述召回步骤包括给用户画像、特征描述、协同过滤、主题建模。
4.根据权利要求3所述的一种视频推荐方法,其特征在于:所述用户画像包含用户的人群属性、历史看片、兴趣爱好、性别取向、出生年龄。
5.根据权利要求3所述的一种视频推荐方法,其特征在于:所述特征描述包含基于深度神经网络算法的对视频进行类别属性、内容分析、人群偏好和统计特征的描绘和度量描述。
6.根据权利要求1所述的一种视频推荐方法,其特征在于:所述排序步骤还包括对多个召回通道的内容进行不同维度因子的打分排序,所述不同维度因子至少包含视频新鲜度、惊喜度、画面特效度。
7.根据权利要求6所述的一种视频推荐方法,其特征在于:所述排序步骤是使用机器学习模型利用机器学习方法对所述不同维度因子进行综合排序。
8.根据权利要求3所述的一种视频推荐方法,其特征在于:所述特征描述还包括对用户对视频点赞量、评论量、转发量、完播率的描述。
9.根据权利要求1至8任一所述的一种视频推荐方法,其特征在于:所述排序步骤还包括建立用户喜好样本时间特征,根据用户喜好的改变而不断进行重新打分排序。
10.根据权利要求9所述的一种视频推荐方法,其特征在于:所述用户喜好样本时间特征取值为30天。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011240774.3A CN114466250A (zh) | 2020-11-09 | 2020-11-09 | 一种视频推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011240774.3A CN114466250A (zh) | 2020-11-09 | 2020-11-09 | 一种视频推荐方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114466250A true CN114466250A (zh) | 2022-05-10 |
Family
ID=81404261
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011240774.3A Pending CN114466250A (zh) | 2020-11-09 | 2020-11-09 | 一种视频推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114466250A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117540093A (zh) * | 2023-11-21 | 2024-02-09 | 深圳市弘裕金联科技有限公司 | 一种基于大数据的用户行为分析方法和系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014051644A1 (en) * | 2012-09-28 | 2014-04-03 | Thomson Licensing | Context-based content recommendations |
CN104065981A (zh) * | 2014-06-20 | 2014-09-24 | 海信集团有限公司 | 一种视频推荐方法和装置 |
CN106649647A (zh) * | 2016-12-09 | 2017-05-10 | 北京百度网讯科技有限公司 | 基于人工智能的搜索结果排序方法和装置 |
CN110418200A (zh) * | 2018-04-27 | 2019-11-05 | Tcl集团股份有限公司 | 一种视频推荐方法、装置及终端设备 |
CN110598044A (zh) * | 2019-08-01 | 2019-12-20 | 达而观信息科技(上海)有限公司 | 一种基于用户点击和转化时长反馈的协同召回方法 |
CN111159561A (zh) * | 2019-12-31 | 2020-05-15 | 青梧桐有限责任公司 | 根据用户行为和用户画像构建推荐引擎的方法 |
-
2020
- 2020-11-09 CN CN202011240774.3A patent/CN114466250A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014051644A1 (en) * | 2012-09-28 | 2014-04-03 | Thomson Licensing | Context-based content recommendations |
CN104065981A (zh) * | 2014-06-20 | 2014-09-24 | 海信集团有限公司 | 一种视频推荐方法和装置 |
CN106649647A (zh) * | 2016-12-09 | 2017-05-10 | 北京百度网讯科技有限公司 | 基于人工智能的搜索结果排序方法和装置 |
CN110418200A (zh) * | 2018-04-27 | 2019-11-05 | Tcl集团股份有限公司 | 一种视频推荐方法、装置及终端设备 |
CN110598044A (zh) * | 2019-08-01 | 2019-12-20 | 达而观信息科技(上海)有限公司 | 一种基于用户点击和转化时长反馈的协同召回方法 |
CN111159561A (zh) * | 2019-12-31 | 2020-05-15 | 青梧桐有限责任公司 | 根据用户行为和用户画像构建推荐引擎的方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117540093A (zh) * | 2023-11-21 | 2024-02-09 | 深圳市弘裕金联科技有限公司 | 一种基于大数据的用户行为分析方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lippa | The preferred traits of mates in a cross-national study of heterosexual and homosexual men and women: An examination of biological and cultural influences | |
CN109299372B (zh) | 一种基于协同过滤的智慧选课推荐方法 | |
US7308418B2 (en) | Determining design preferences of a group | |
CN100551031C (zh) | 在项目推荐器中把多个项划分成相似项的组的方法及装置 | |
Arabadzhyan et al. | Measuring destination image: a novel approach based on visual data mining. A methodological proposal and an application to European islands | |
CN1585954A (zh) | 在项目推荐器中评估这些项的接近度的方法及装置 | |
CN110263189A (zh) | 媒体内容的推荐方法、装置、存储介质和计算机设备 | |
WO2009086121A1 (en) | Matching process system and method | |
US20060216680A1 (en) | Selection of relationship improvement content for users in a relationship | |
CN112364234B (zh) | 一种在线讨论的自动分组系统 | |
CN107894998A (zh) | 视频推荐方法及装置 | |
CN111523055A (zh) | 一种基于农产品特征属性评论倾向的协同推荐方法及系统 | |
CN113656687B (zh) | 基于教研数据的教师画像构建方法 | |
CN106997383A (zh) | 基于PageRank算法的问题推荐方法及系统 | |
US10489445B1 (en) | Systems and methods for online matching using visual similarity | |
CN118093884B (zh) | 基于关键词匹配的文本聚类方法及系统 | |
CN109391829A (zh) | 视频打点位置分析系统、分析方法及储存媒体 | |
CN1611074A (zh) | 根据第三方的原本定型的概况推荐感兴趣项目的方法和设备 | |
CN114466250A (zh) | 一种视频推荐方法 | |
JP2020137005A (ja) | データ処理装置及びデータ処理方法 | |
CN117788108A (zh) | 一种基于深度强化学习的直播商品实时调度系统及方法 | |
KR20000026496A (ko) | 웹 기반 실시간 소비자 성향 정보 제공 서비스방법 | |
CN108875071A (zh) | 一种基于多视角兴趣的学习资源推荐方法 | |
CN117112884A (zh) | 一种基于大健康信息推送的方法及系统 | |
KR101871998B1 (ko) | 그룹채팅 기반 채팅 콘텐츠 인터렉티브 캐릭터 육성 서비스 제공 방법 |
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 |