CN114996509A - 训练视频特征提取模型和视频推荐的方法和装置 - Google Patents

训练视频特征提取模型和视频推荐的方法和装置 Download PDF

Info

Publication number
CN114996509A
CN114996509A CN202210458542.8A CN202210458542A CN114996509A CN 114996509 A CN114996509 A CN 114996509A CN 202210458542 A CN202210458542 A CN 202210458542A CN 114996509 A CN114996509 A CN 114996509A
Authority
CN
China
Prior art keywords
video
sample
information
trained
target sample
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
CN202210458542.8A
Other languages
English (en)
Inventor
王朋
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.)
Tencent Music Entertainment Technology Shenzhen Co Ltd
Original Assignee
Tencent Music Entertainment Technology Shenzhen 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 Tencent Music Entertainment Technology Shenzhen Co Ltd filed Critical Tencent Music Entertainment Technology Shenzhen Co Ltd
Priority to CN202210458542.8A priority Critical patent/CN114996509A/zh
Publication of CN114996509A publication Critical patent/CN114996509A/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
    • G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/783—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • 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
    • G06F16/75—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Library & Information Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请公开了一种训练视频特征提取模型和视频推荐的方法和装置，属于计算机技术领域。该方法包括：基于待训练的视频特征提取模型对目标样本视频的属性信息进行特征提取，得到视频特征信息，基于待训练的账户特征提取模型对样本账户对应的视频类型偏好信息进行特征提取，得到账户特征信息；将视频特征信息、账户特征信息输入待训练的视频相似度预测模型，输出预测相似度；基于预测相似度和基准相似度对待训练的视频特征提取模型、待训练的账户特征提取模型和待训练的视频相似度预测模型进行调参。采用本申请，可以基于目标样本视频本身的属性特征和播放过该目标样本视频的样本账户的视频类型偏好信息得到较为准确的视频特征信息。

Description

训练视频特征提取模型和视频推荐的方法和装置
技术领域
本申请涉及计算机技术领域，特别涉及一种训练视频特征提取模型和视频推荐的方法和装置。
背景技术
当前，在一些具有视频播放功能的应用程序中，当用户观看完一个视频后，会在该视频的播放页面中为用户推荐与该视频相似的其他视频，以提高用户的使用体验。通常的确定相似视频的方法是先对视频特征提取模型进行训练，然后使用训练完成的视频特征提取模型对每个视频进行特征提取，从而得到每个视频对应的视频特征信息，再基于视频特征信息计算每个视频与最新播放视频之间的相似度，最后将相似度高的视频推荐给用户。
当前的对视频特征提取模型进行训练的方法是：获取目标样本视频的属性信息和视频类型，将目标样本视频的属性信息输入待训练的视频特征提取模型从而得到输出的目标样本视频对应的视频特征信息，然后将目标样本视频对应的视频特征信息输入待训练的分类模型中，从而得到输出的目标样本视频对应的预测视频类型，最后，基于目标样本视频的视频类型和预测视频类型对待训练的视频特征提取模型和待训练的分类模型进行训练，从而得到训练完成的视频特征提取模型。
但上述训练方法较为粗糙，使用上述视频特征提取模型得到的视频特征信息是与用户没有任何关联的特征信息，其视频特征信息可能会较为不准确，在使用该视频特征信息确定相似视频并向用户进行推荐后，推荐的效果可能会较差。
发明内容
本申请实施例提供了一种训练视频特征提取模型和视频推荐的方法，能够解决现有技术中训练方法较为粗糙，导致得到的视频特征信息可以会较为不准确的问题。
第一方面，提供了一种训练视频特征提取模型的方法，所述方法包括：
获取样本账户播放过的目标样本视频的属性信息、所述目标样本视频对应的参考样本视频、以及所述目标样本视频与所述参考样本视频的基准相似度；
基于待训练的视频特征提取模型对所述属性信息进行特征提取，得到视频特征信息，基于待训练的账户特征提取模型对所述样本账户对应的视频类型偏好信息进行特征提取，得到账户特征信息；
将所述视频特征信息、所述账户特征信息输入待训练的视频相似度预测模型，输出所述目标样本视频与所述参考样本视频的预测相似度；
基于所述预测相似度和所述基准相似度，对所述待训练的视频特征提取模型、所述待训练的账户特征提取模型和所述待训练的视频相似度预测模型进行调参；
若满足预设结束条件，则将调参后的视频特征提取模型确定为训练完成的视频特征提取模型。
在一种可能的实现方式中，所述参考样本视频包括正样本视频和负样本视频，所述目标样本视频与所述参考样本视频的基准相似度包括所述目标样本视频与所述正样本视频的第一基准相似度、以及所述目标样本视频与所述负样本视频的第二基准相似度；
获取所述目标样本视频对应的参考样本视频、以及所述目标样本视频与所述参考样本视频的基准相似度，包括：
获取所述样本账户播放过、且与所述目标样本视频满足播放时间接近条件的视频，作为所述目标样本视频对应的正样本视频，其中，所述第一基准相似度为第一数值；
获取除了所述目标样本视频和所述正样本视频之外的视频，作为所述目标样本视频对应的负样本视频，其中，所述第二基准相似度为第二数值，所述第二数值小于所述第一数值。
在一种可能的实现方式中，所述获取所述样本账户播放过、且与所述目标样本视频满足播放时间接近条件的视频，作为所述目标样本视频对应的正样本视频，包括：
获取所述样本账户播放过、且播放时间点与所述目标样本视频的播放时间点之间的时间差值小于预设时差阈值的至少一个视频，作为待定正样本视频；
基于播放时间点，将所述待定正样本视频按顺序排列，得到待定正样本视频序列；
将在所述待定正样本视频序列中，与所述目标样本视频之间间隔视频的数目小于预设数目的待定正样本视频，确定为所述目标样本视频对应的正样本视频。
在一种可能的实现方式中，所述目标样本视频的属性信息包括所述目标样本视频的标识信息和所述目标样本视频的边信息，其中，所述目标样本视频的标识信息用于表示所述目标样本视频的唯一标志，所述目标样本视频的边信息是与所述目标样本视频的视频内容相关联的信息；
所述获取样本账户播放过的目标样本视频的属性信息，包括：
在视频库中获取所述目标样本视频的标识信息、以及所述目标样本视频对应的图像数据和音频数据；
对所述目标样本视频对应的图像数据进行图像识别处理，并对所述目标样本视频对应的音频数据进行音频识别处理，得到所述目标样本视频的边信息。
在一种可能的实现方式中，所述方法还包括：
获取所述样本账户的历史播放数据，所述历史播放数据包括在历史时段内所述样本账户播放过的历史视频和每个历史视频对应的播放时长占比，所述历史视频对应的播放时长占比是所述历史视频的播放时长与所述历史视频的总时长的比值；
将对应的播放时长占比大于或等于播放时长占比阈值的历史视频，确定为所述样本账户对应的历史偏好视频；
基于每个历史偏好视频对应的视频类型，确定所述样本账户对应的视频类型偏好信息。
在一种可能的实现方式中，所述待训练的视频特征提取模型包括待训练的第一参数矩阵，所述待训练的账户特征提取模型包括待训练的第二参数矩阵；
所述基于待训练的视频特征提取模型对所述属性信息进行特征提取，得到视频特征信息，包括：
对所述属性信息进行哈希计算，得到所述属性信息对应的第一哈希值；
在所述待训练的第一参数矩阵中获取所述第一哈希值对应的第一特征信息，作为所述视频特征信息；
所述基于待训练的账户特征提取模型对所述样本账户对应的视频类型偏好信息进行特征提取，得到账户特征信息，包括：
对所述视频类型偏好信息进行哈希计算，得到所述视频类型偏好信息对应的第二哈希值；
在所述待训练的第二参数矩阵中获取所述第二哈希值对应的第二特征信息，作为所述账户特征信息。
在一种可能的实现方式中，所述视频相似度预测模型包括隐藏层和分类层；
所述基于所述视频特征信息、所述账户特征信息和待训练的视频相似度预测模型，确定所述目标样本视频与所述参考样本视频的预测相似度，包括：
将所述视频特征信息和所述账户特征信息，输入待训练的隐藏层，得到组合特征信息；
将所述组合特征信息输入待训练的分类层，得到所述目标样本视频与所述参考样本视频的预测相似度。
第二方面，提供了一种视频推荐的方法，所述方法包括：
基于上述任一项所述的训练完成的视频特征提取模型，分别对视频库中的各视频进行特征提取，得到每个视频对应的视频特征信息；
接收目标终端发送的视频推荐请求，其中，所述视频推荐请求携带有所述目标终端最新播放视频的标识信息；
确定所述最新播放视频对应的视频特征信息；
基于所述最新播放视频对应的视频特征信息和所述每个视频对应的视频特征信息，确定每个视频与所述最新播放视频的相似度；
基于所述每个视频与最新播放视频的相似度，在所述各视频中，确定所述最新播放视频对应的目标推荐视频，向所述目标终端发送所述目标推荐视频。
在一种可能的实现方式中，所述确定所述最新播放视频对应的视频特征信息，包括：
如果所述视频库存储有所述最新播放视频，则基于所述最新播放视频的标识信息在所述视频库中获取所述最新播放视频对应的视频特征信息；
如果所述视频库中未存储所述最新播放视频，则获取所述最新播放视频的属性信息，基于所述训练完成的视频特征提取模型对所述最新播放视频的属性信息进行特征提取，得到所述最新播放视频对应的视频特征信息。
第三方面，提供了一种训练视频特征提取模型的装置，所述装置包括：
获取模块，用于获取样本账户播放过的目标样本视频的属性信息、所述目标样本视频对应的参考样本视频、以及所述目标样本视频与所述参考样本视频的基准相似度；
第一确定模块，用于基于待训练的视频特征提取模型对所述属性信息进行特征提取，得到视频特征信息，基于待训练的账户特征提取模型对所述样本账户对应的视频类型偏好信息进行特征提取，得到账户特征信息；
第二确定模块，用于将所述视频特征信息、所述账户特征信息输入待训练的视频相似度预测模型，输出所述目标样本视频与所述参考样本视频的预测相似度；
调参模块，用于基于所述预测相似度和所述基准相似度，对所述待训练的视频特征提取模型、所述待训练的账户特征提取模型和所述待训练的视频相似度预测模型进行调参；
第三确定模块，用于若满足预设结束条件，则将调参后的视频特征提取模型确定为训练完成的视频特征提取模型。
在一种可能的实现方式中，所述参考样本视频包括正样本视频和负样本视频，所述目标样本视频与所述参考样本视频的基准相似度包括所述目标样本视频与所述正样本视频的第一基准相似度、以及所述目标样本视频与所述负样本视频的第二基准相似度；
所述获取模块，用于：
获取所述样本账户播放过、且与所述目标样本视频满足播放时间接近条件的视频，作为所述目标样本视频对应的正样本视频，其中，所述第一基准相似度为第一数值；
获取除了所述目标样本视频和所述正样本视频之外的视频，作为所述目标样本视频对应的负样本视频，其中，所述目第二基准相似度为第二数值，所述第二数值小于所述第一数值。
在一种可能的实现方式中，所述获取模块，用于：
获取所述样本账户播放过、且播放时间点与所述目标样本视频的播放时间点之间的时间差值小于预设时差阈值的至少一个视频，作为待定正样本视频；
基于播放时间点，将所述待定正样本视频按顺序排列，得到待定正样本视频序列；
将在所述待定正样本视频序列中，与所述目标样本视频之间间隔视频的数目小于预设数目的待定正样本视频，确定为所述目标样本视频对应的正样本视频。
在一种可能的实现方式中，所述目标样本视频的属性信息包括所述目标样本视频的标识信息和所述目标样本视频的边信息，其中，所述目标样本视频的标识信息用于表示所述目标样本视频的唯一标志，所述目标样本视频的边信息是与所述目标样本视频的视频内容相关联的信息；
所述获取模块，用于：
在视频库中获取所述目标样本视频的标识信息、以及所述目标样本视频对应的图像数据和音频数据；
对所述目标样本视频对应的图像数据进行图像识别处理，并对所述目标样本视频对应的音频数据进行音频识别处理，得到所述目标样本视频的边信息。
在一种可能的实现方式中，所述获取模块，还用于：
获取所述样本账户的历史播放数据，所述历史播放数据包括在历史时段内所述样本账户播放过的历史视频和每个历史视频对应的播放时长占比，所述历史视频对应的播放时长占比是所述历史视频的播放时长与所述历史视频的总时长的比值；
将对应的播放时长占比大于或等于播放时长占比阈值的历史视频，确定为所述样本账户对应的历史偏好视频；
基于每个历史偏好视频对应的视频类型，确定所述样本账户对应的视频类型偏好信息。
在一种可能的实现方式中，所述待训练的视频特征提取模型包括待训练的第一参数矩阵，所述待训练的账户特征提取模型包括待训练的第二参数矩阵；
所述第一确定模块，用于：
对所述属性信息进行哈希计算，得到所述属性信息对应的第一哈希值；
在所述待训练的第一参数矩阵中获取所述第一哈希值对应的第一特征信息，作为所述视频特征信息；
对所述视频类型偏好信息进行哈希计算，得到所述视频类型偏好信息对应的第二哈希值；
在所述待训练的第二参数矩阵中获取所述第二哈希值对应的第二特征信息，作为所述账户特征信息。
在一种可能的实现方式中，所述视频相似度预测模型包括隐藏层和分类层；
所述第二确定模块，用于：
将所述视频特征信息和所述账户特征信息，输入待训练的隐藏层，得到组合特征信息；
将所述组合特征信息输入待训练的分类层，得到所述目标样本视频与所述参考样本视频的预测相似度。
第四方面，提供了一种视频推荐的装置，所述装置包括：
特征提取模块，用于基于上述任一项所述的训练视频特征提取模型的装置确定的训练完成的视频特征提取模型，分别对视频库中的各视频进行特征提取，得到每个视频对应的视频特征信息；
接收模块，用于接收目标终端发送的视频推荐请求，其中，所述视频推荐请求携带有所述目标终端最新播放视频的标识信息；
第四确定模块，用于确定所述最新播放视频对应的视频特征信息；
第五确定模块，用于基于所述最新播放视频对应的视频特征信息和所述每个视频对应的视频特征信息，确定每个视频与所述最新播放视频的相似度；
发送模块，用于基于所述每个视频与最新播放视频的相似度，在所述各视频中，确定所述最新播放视频对应的目标推荐视频，向所述目标终端发送所述目标推荐视频。
在一种可能的实现方式中，所述第四确定模块，用于：
如果所述视频库存储有所述最新播放视频，则基于所述最新播放视频的标识信息在所述视频库中获取所述最新播放视频对应的视频特征信息；
如果所述视频库中未存储所述最新播放视频，则获取所述最新播放视频的属性信息，基于所述训练完成的视频特征提取模型对所述最新播放视频的属性信息进行特征提取，得到所述最新播放视频对应的视频特征信息。
第五方面，提供了一种计算机设备，所述计算机设备包括处理器和存储器，存储器中存储有至少一条指令，指令由处理器加载并执行以实现上述方法所执行的操作。
第六方面，提供了一种计算机可读存储介质，存储介质中存储有至少一条指令，指令由处理器加载并执行以实现上述方法所执行的操作。
第七方面，提供了一种计算机程序产品，所述计算机程序产品中包括至少一条指令，所述至少一条指令由处理器加载并执行以实现上述方法所执行的操作。
本申请实施例提供的技术方案带来的有益效果是：本申请实施例中提到的方案，可以基于待训练的视频特征提取模型对目标样本视频的属性信息进行特征提取从而得到视频特征信息，基于待训练的账户特征提取模型对样本账户对应的视频类型偏好信息进行特征提取从而得到账户特征信息，再基于视频特征信息、账户特征信息和待训练的视频相似度预测模型，确定出目标样本视频与参考样本视频的预测相似度，基于预测相似度和基准相似度，对待训练的视频特征提取模型、待训练的账户特征提取模型和待训练的视频相似度预测模型进行调参，当满足预设条件时，则将调参后的视频特征提取模型确定为训练完成的视频特征提取模型。采用本申请，可以综合考虑目标样本视频本身的属性特征和播放过该目标样本视频的样本账户的视频类型偏好信息来共同对目标样本视频对应的视频特征信息进行约束，从而得到较为准确的视频特征信息，在使用视频特征信息向用户进行相似视频推荐时，可以得到较好的推荐效果。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种训练视频特征提取模型的方法流程图；
图2是本申请实施例提供的一种训练视频特征提取模型的方法流程图；
图3是本申请实施例提供的一种特征提取方法流程图；
图4是本申请实施例提供的一种待定正样本视频序列的示意图；
图5是本申请实施例提供的一种特征提取方法流程图；
图6是本申请实施例提供的一种训练视频特征提取模型的方法流程图；
图7是本申请实施例提供的一种训练视频特征提取模型的方法流程图；
图8是本申请实施例提供的一种训练视频特征提取模型的可视效果图；
图9是本申请实施例提供的一种人均播放次数的对比效果图；
图10是本申请实施例提供的一种人均播放时长的对比效果图；
图11是本申请实施例提供的一种视频推荐的方法流程图；
图12是本申请实施例提供的一种训练视频特征提取模型的装置的结构示意图；
图13是本申请实施例提供的一种视频推荐的装置的结构示意图；
图14是本申请实施例提供的一种服务器的结构框图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。
本申请实施例提供了一种训练视频特征提取模型的方法，该方法可以由服务器实现。服务器可以是单个服务器或者也可以是多个服务器组成的服务器集群。
服务器可以包括处理器、存储器、通信部件等，处理器分别与存储器、通信部件连接。
处理器可以是CPU(Central Processing Unit，中央处理器)。处理器可以用于读取指令和对数据进行处理，例如，获取样本账户播放过的目标样本视频的属性信息、确定目标样本视频对应的参考样本视频、确定目标样本视频与参考样本视频的基准相似度、基于待训练的视频特征提取模型对目标样本视频的属性信息进行特征提取从而得到视频特征信息、基于待训练的账户特征提取模型对样本账户对应的视频类型偏好信息进行特征提取从而得到账户特征信息、确定目标样本视频与参考样本视频的预测相似度、基于预测相似度和基准相似度对待训练的特征提取模型、待训练的账户特征提取模型和待训练的视频相似度预测模型进行调参，等等。
存储器可以包括ROM(Read-Only Memory，只读存储器)、RAM(Random AccessMemory，随机存取存储器)、CD-ROM(Compact Disc Read-Only Memory，光盘只读存储器)、磁盘、光数据存储设备等。存储器可以用于数据存储，例如，对获取到的目标样本视频的属性信息的数据的存储、对确定出的参考样本视频的数据的存储、对确定出的目标样本视频与参考样本视频的基准相似度的数据的存储、对待训练的视频特征提取模型对应的数据、待训练的账户特征提取模型对应的数据和待训练的视频相似度预测模型对应的数据的存储、对在基于预测相似度和基准相似度对待训练的视频特征提取模型、待训练的账户特征提取模型和待训练的视频相似度预测模型进行调参的过程中产生的中间数据的存储，等等。
通信部件可以是有线网络连接器、无线保真模块、蓝牙模块、蜂巢网通信模块等。通信部件可以用于接收和发送信号，等等。
图1和图2是本申请实施例提供的一种训练视频特征提取模型的方法的流程图。参见图1和图2，该实施例包括：
101、获取样本账户播放过的目标样本视频的属性信息、目标样本视频对应的参考样本视频、以及目标样本视频与参考样本视频的基准相似度。
在实施中，可以先获取训练样本集合，在训练样本集合中包括多个样本输入数据和对应的训练目标。
在获取样本输入数据时，可以获取多个账户分别作为样本账户，进行如下处理：可以基于样本账户的历史行为信息，确定出最近一段时间播放过的视频来作为目标样本视频，然后获取该目标样本视频的属性信息作为样本输入数据的一部分。
在获取样本输入数据对应的训练目标时，可以先获取目标样本视频对应的参考样本视频，然后获取目标样本视频与参考样本视频的基准相似度来作为训练目标。
102、基于待训练的视频特征提取模型对属性信息进行特征提取，得到视频特征信息，基于待训练的账户特征提取模型对样本账户对应的视频类型偏好信息进行特征提取，得到账户特征信息。
可选的，视频特征提取模型和账户特征提取模型进行特征提取的方法可以如下：
待训练的视频特征提取模型可以包括待训练的第一参数矩阵，待训练的账户特征提取模型可以包括待训练的第二参数矩阵，其中，待训练的第一参数矩阵可以包括多个第一参数，第一参数为在对待训练的视频特征提取模型进行调参时需要调节的参数，同样的，待训练的第二参数矩阵可以包括多个第二参数，第二参数为在对待训练的账户特征提取模型进行调参时需要调节的参数。
如图3所示，在使用待训练的视频特征提取模型对目标样本视频的属性信息进行特征提取时，其特征提取的方法可以如下：
对属性信息输入进行哈希计算，得到属性信息对应的第一哈希值，在待训练的第一参数矩阵中获取第一哈希值对应的第一特征信息，作为视频特征信息。
在实施中，第一参数矩阵包括多行第一参数，每一行第一参数为一个第一特征信息。通过哈希算法得到的属性信息的第一哈希值可以是数值形式，在得到第一哈希值后，可以在第一参数矩阵中将第一哈希值对应的那一行的第一参数提取出来，作为视频特征信息。例如，确定出的属性信息的第一哈希值为11，则可以将第一参数矩阵中第11行的第一参数提取出来，作为视频特征信息。
与之相似的，如图3所示，在使用待训练的账户特征提取模型对样本账户对应的视频类型偏好信息进行特征提取时，其特征提取的方法可以如下：
对视频类型偏好信息进行哈希计算，得到视频类型偏好信息对应的第二哈希值，在待训练的第二参数矩阵中获取第二哈希值对应的第二特征信息，作为账户特征信息。
在实施中，第二参数矩阵包括多行第二参数，每一行第二参数为一个第二特征信息。通过哈希算法得到的视频类型偏好信息对应的第二哈希值可以是数值形式，在得到第二哈希值后，可以在第二参数矩阵中将第二哈希值对应的那一行的第二参数提取出来，作为账户特征信息。例如，通过第二哈希算法确定出的视频类型偏好信息的第二哈希值为50，则可以将第二参数矩阵中第50行的第二参数提取出来，作为账户特征信息。
可选的，当目标样本视频的属性信息包括多个信息时，可以通过哈希算法计算出每个属性信息对应的第一哈希值，再在第一参数矩阵中获取到每个第一哈希值对应的第一特征信息，即得到每个属性信息对应的第一特征信息，视频特征信息包括这多个属性信息对应的第一特征信息。
同样的，当样本账户对应的视频类型偏好信息包括多个信息时，可以通过哈希算法计算出每个视频类型偏好信息对应的第二哈希值，再在第二参数矩阵中获取每个第二哈希值对应的第二特征信息，即得到每个视频类型偏好信息对应的第二特征信息，账户特征信息包括这多个视频类型偏好信息对应的第二特征信息。
可以理解的是，第一参数矩阵和第二参数矩阵设置的行数需要满足需求。当应用程序中所有视频或者所有样本视频的属性信息有V种时，第一参数矩阵要至少具有V行数据，即具有V行第一特征信息，如图3所示，当第一参数矩阵的第一行对应的第一哈希值为0时，第一参数矩阵的最后一行对应的第一哈希值至少为V-1。同样的，当应用程序中所有账户或者所有样本账户对应的视频类型偏好信息有N种时，第二参数矩阵要至少具有N行数据，即具有N行第二特征信息，如图3所示，当第二参数矩阵的第一行对应的第二哈希值为0时，第二参数矩阵的最后一行对应的第二哈希值至少为N-1。
可以理解的是，对目标样本视频对应的属性信息进行哈希计算的哈希算法，与对样本账户对应的视频类型偏好信息进行哈希计算的哈希算法，是两种不同的哈希算法，从而保证了属性信息对应的第一哈希值和视频类型偏好信息对应的第二哈希值的唯一性。
103、将视频特征信息、账户特征信息输入待训练的视频相似度预测模型，输出目标样本视频与参考样本视频的预测相似度。
在实施中，可以为应用程序的视频库中每个视频进行编号，并存储每个视频的标识信息与对应的编号。
在将视频特征信息和账户特征信息输入待训练的视频相似度预测模型中后，可以得到输出的多个编号对应的预测相似度，每个编号对应的预测相似度即表示该编号对应的视频与目标样本视频的预测相似度。
然后，可以基于参考样本视频对应的编号确定出参考样本视频与目标样本视频的预测相似度。
104、基于预测相似度和基准相似度，对待训练的视频特征提取模型、待训练的账户特征提取模型和待训练的视频相似度预测模型进行调参。
在实施中，可以将预测相似度和基准相似度，输入损失函数中，从而计算出损失值，可以基于该损失值对待训练的视频特征提取模型、待训练的账户特征提取模型和待训练的视频相似度预测模型进行调参，从而完成一次训练。
105、若满足预设结束条件，则将调参后的视频特征提取模型确定为训练完成的视频特征提取模型。
在实施中，基于步骤101-104的方法、使用训练样本集合中的每个样本输入数据和对应的训练目标分别对待训练的视频特征提取模型、待训练的账户特征提取模型和待训练的视频相似度预测模型进行多次调参，每次调参后均可以进行下述判断：判断当前是否满足预设结束条件，若满足，则可以将最后一次调参后的视频特征提取模型确定为训练完成的视频特征提取模型。
可选的，预设结束条件可以有多种，以下为列举的几种：
第一种，使用不同的目标样本视频对待训练的视频特征提取模型进行调参的次数达到调参次数阈值。在实施中，工作人员可以预先设置调参次数阈值，当调参次数达到调参次数阈值时，可以停止训练，将最后一次调参后得到的视频特征提取模型，确定为训练完成的视频特征提取模型。调参次数阈值可以是任意合理性的数值，例如，可以是200，也可以是300等等，本申请实施例对此不作限定。
第二种，连续的预设数目次训练得到的损失值均小于预设损失值阈值。预设数目和预设损失值阈值均可以是任意合理性的数值，例如，预设数目可以是3或者5，等等，预设损失值阈值可以是0.05等等，本申请实施例对此不作限定。
第三种，调参的次数达到调参次数阈值，且连续的预设数目次训练得到的损失值均小于预设损失值阈值。
预设结束条件可以是上述三种中的任意一种，也可以是其他的结束条件，本申请实施例对此不作限定。
在本申请实施例中，参考样本视频可以包括正样本视频和负样本视频，获取目标样本视频对应的正样本视频和负样本视频的方法可以有多种，下面以其中一种为例进行较为详细的介绍：
获取目标样本视频对应的正样本视频的方法是：获取样本账户播放过、且与目标样本视频满足播放时间接近条件的视频，作为目标样本视频对应的正样本视频。
在实施中，可以将同一账户陆续播放的多个视频确定为相似度较高的视频，因此，可以在样本账户的历史播放数据中获取播放时间点较为接近目标样本视频的播放时间点的视频，来作为正样本视频。
可选的，上述获取正样本视频的方法更为详细的处理流程可以是：
获取样本账户播放过、且播放时间点与目标样本视频的播放时间点之间的时间差值小于预设时差阈值的至少一个视频，作为待定正样本视频。基于播放时间点，将待定正样本视频按顺序排列，得到待定正样本视频序列。将在待定正样本视频序列中，与目标样本视频之间间隔视频的数目小于预设数目的待定正样本视频，确定为目标样本视频对应的正样本视频。
在实施中，可以获取样本账户最近一段时间的历史播放数据，该历史播放数据中包括样本账户播放过的多个待定正样本视频，例如，可以获取最近的一个session的历史播放数据。
将历史播放数据中的待定正样本视频，按照播放时间点的顺序排列，从而得到该样本账户对应的待定正样本视频序列，获取与目标样本视频之间间隔视频的数目小于预设数目的待定正样本视频，作为目标样本视频对应的正样本视频。
在本申请实施例中，预设数目可以是任意合理性的数值，例如，可以设置为2、3或4等等，本申请实施例对此不作限定。
可选的，在获取训练样本集合中，可以获取一个样本账户最近一段时间或最近一个session的历史播放数据，然后将历史播放数据中的待定正样本视频按照播放时间点的顺序排列从而得到该样本账户对应的待定正样本视频序列，然后，可以分别将该待定正样本视频序列中的每个待定正样本视频确定为目标样本视频，再基于预设长度的滑动窗口在待定正样本视频序列中获取每个目标样本视频对应的正样本视频。
其中，预设长度可以为在目标样本视频之前的待定正样本视频的数目与在目标样本视频之后的待定正样本视频的数目之和，例如，若预设长度为8，则可以获取播放时间点在目标样本视频的播放时间点之前的4个待定正样本视频和播放时间点在目标样本视频的播放时间点之后的4个待定正样本视频。
可以理解的是，当在待定正样本视频序列中，目标样本视频之前的待定正样本视频的数目小于“预设长度/2”时，可以仅获取目标样本视频之前的所有的参考样本视频、以及目标样本视频之后的“预设长度/2”个待定正样本视频，来作为目标样本视频对应的正样本视频。
当在待定正样本视频序列中，目标样本视频之后的待定正样本视频的数目小于“预设长度/2”时，可以仅获取目标样本视频之后的所有的参考样本视频、以及目标样本视频之前的“预设长度/2”个待定正样本视频，来作为目标样本视频对应的正样本视频。
对于滑动窗口的预设长度较长，从而获取到了目标样本视频对应的多个正样本视频的情况，可以将这多个正样本视频分别作为一次调参所使用的正样本视频，例如，预设长度为6，通过该预设长度的滑动窗口在待定正样本视频序列中获取到了6个待定正样本视频。在对模型进行训练时，可以将这6个待定正样本视频分别确定为一次训练中该目标样本视频对应的正样本视频，从而实现对模型的6次训练调参。
如图4所示，图4中所示的待定正样本视频序列中包括6个待定正样本视频，可以分别将这6个待定正样本视频作为目标样本视频。若滑动窗口的预设长度为4，则如图4(a)所示，当目标样本视频为w(t-2)时，对应的正样本视频可以为w(t-1)和w(t)中的任一个；如图4(b)所示，当目标样本视频为w(t-1)时，对应的正样本视频可以为w(t-2)、w(t)和w(t+1)中的任一个；如图4(c)所示，当目标样本视频为w(t)时，对应的正样本视频可以为w(t-2)、w(t-1)、w(t+1)和w(t+2)中的任一个；如图4(d)所示，当目标样本视频为w(t+1)时，对应的正样本视频可以为w(t-1)、w(t)和w(t+2)中的任一个；如图4(e)所示，当目标样本视频为w(t+2)时，对应的正样本视频可以为w(t)和w(t+1)中的任一个。
获取目标样本视频对应的负样本视频的方法是：获取除了目标样本视频和正样本视频之外的视频，作为目标样本视频对应的负样本视频。
在实施中，可以在应用程序存储的所有视频中随机获取除了目标样本视频和正样本视频之外的视频来作为目标样本视频对应的负样本视频。
可以理解的是，这里的除了目标样本视频和正样本视频之外的视频，还可以理解为除了目标样本视频和待定正样本视频之外的视频。
对于参考样本视频包括正样本视频和负样本视频的情况，对应的，目标样本视频与参考样本视频的基准相似度可以包括目标样本视频与正样本视频的第一基准相似度、以及目标样本视频与负样本视频的第二基准相似度。
在设置第一基准相似度和第二基准相似度时，可以设置第一基准相似度为第一数值，第二基准相似度为第二数值，且第二数值小于第一数值。
在本申请实施例中，对于第一数值和第二数值的具体取值可以根据需求进行设定，例如，可以直接设置第一数值为1，设定第二数值为0，或者，可以设定第一数值为0.95，设定第二数值为0.05，等等，本申请实施例对此不作限定。
可选的，样本输入数据可以有多种设置，可以如上述的样本输入数据包括目标样本视频的属性信息、目标样本视频与正样本视频的基准相似度、目标样本视频与负样本视频的基准相似度，也可以是其他形式，例如，样本输入数据包括目标样本视频的属性信息、目标样本视频分别与两个正样本视频的基准相似度，本申请实施例对此不作限定。
可选的，上述的目标样本视频的属性信息可以包括多种信息，在本申请实施例中，目标样本视频的属性信息可以包括目标样本视频的标识信息(或称为ID)和目标样本视频的边信息(或称为side information)，其中，目标样本视频的标识信息用于表示目标样本视频的唯一标志，目标样本视频的边信息是与目标样本视频的视频内容相关联的信息。例如，对于对音频视频进行特征提取的情况来说，目标样本视频均是音乐视频，而目标样本视频的边信息可以包括关联歌手和关联歌曲中的至少一个，其中，关联歌手为该目标样本视频中歌曲音频的演唱者，关联歌曲为该目标样本视频中歌曲音频的名称。
可选的，在获取目标样本视频的标识信息和边信息时，可以进行如下处理：在视频库中获取目标样本视频的标识信息、以及目标样本视频对应的图像数据和音频数据，对目标样本视频对应的图像数据进行图像识别处理，并对目标样本视频对应的音频数据进行音频识别处理，得到目标样本视频的边信息。
例如，目标样本视频为音乐视频，其边信息包括关联歌手和关联歌曲。在获取目标样本视频的标识信息和边信息时，可以现在视频库中直接获取到目标样本视频的标识信息、对应的图像数据和音频数据，然后，可以对目标样本视频对应的图像数据进行图像识别处理，从而确定出目标样本视频对应的关联歌手，并对目标样本视频对应的音频数据进行音频识别处理，从而确定出目标样本视频对应的关联歌曲，从而得到该目标样本视频的边信息。
可选的，对目标样本视频对应的图像数据进行图像识别处理的方法可以有多种，例如，可以使用训练完成的图像识别模型对目标样本视频对应的图像数据进行图像识别处理，当然，也可以使用其他图像识别方法，本申请实施例对此不作限定。
同样的，对目标样本视频对应的音频数据进行音频识别处理的方法也可以有多种，例如，可以使用训练完成的音频识别模型对目标样本视频对应的音频数据进行音频识别处理，当然，也可以使用其他音频处理方法，本申请实施例对此不作限定。
对应于上述属性信息包括标识信息和边信息的情况，视频特征提取模型还可以包括标识特征提取子模型和边信息特征提取子模型，则对应的特征提取流程可以如下：
基于待训练的标识特征提取子模型对目标样本视频的标识信息进行特征提取，得到第一视频特征子信息。基于待训练的边信息特征提取子模型对目标样本视频的边信息进行特征提取，得到第二视频特征子信息。
可以理解的是，可以根据实际需求对目标样本视频的属性信息进行相应设置，属性信息还可以包括其他信息，本申请实施例对此不作限定。
当目标样本视频对应的属性信息包括目标样本视频的标识信息和边信息时，如图5所示，步骤102中待训练的视频特征提取模型和待训练的账户特征提取模型进行特征提取的方法可以如下：
待训练的视频特征提取模型中的待训练的第一参数矩阵可以包括待训练的标识信息子参数矩阵和待训练的边信息子参数矩阵，待训练的标识信息子参数矩阵和待训练的边信息子参数矩阵均包括多行第一参数。
在进行特征提取时，可以使用第一哈希算法对目标样本视频的标识信息进行哈希计算，得到目标样本视频的标识信息对应的第一哈希值，然后在标识信息子参数矩阵中获取标识信息对应的第一哈希值对应的第一特征信息，即得到目标样本视频的标识信息对应的第一特征信息，这里可以将其称为第一视频特征子信息。
并且，使用第二哈希算法对目标样本视频的边信息进行哈希计算，得到目标样本视频的边信息对应的第一哈希值，然后在边信息子参数矩阵中获取边信息对应的第一哈希值对应的第一特征信息，即得到目标样本视频的边信息对应的第一特征信息，这里可以将其称为第二视频特征子信息。
目标样本视频对应的视频特征信息包括目标样本视频的标识信息对应的第一特征信息和目标样本视频的视频类型偏好信息对应的第二特征信息，即目标样本视频对应的视频特征信息包括第一视频特征子信息和第二视频特征子信息。
可以理解的是，标识信息子参数矩阵和边信息子参数矩阵设置的行数需要满足需求，若第一参数矩阵的行数为V行，则标识信息子参数矩阵的行数与边信息子参数矩阵的行数之和等于V。其中，当应用程序中所有视频或者所有样本视频的标识信息有P种时，标识信息子参数矩阵要至少具有P行数据，即具有P行第一特征信息，如图5所示，当标识信息子参数矩阵的第一行对应的第一哈希值为0时，标识信息子参数矩阵的最后一行对应的第一哈希值至少为P-1。同样的，当应用程序中所有视频或者所有样本视频的边信息有Q种时，边信息子参数矩阵要至少具有Q行数据，即具有Q行第二特征信息，如图5所示，当边信息子参数矩阵的第一行对应的第二哈希值为0时，边信息子参数矩阵的最后一行对应的第二哈希值至少为Q-1。
可选的，在对样本账户对应的视频类型偏好信息进行特征提取之前，需要先获取到样本账户对应的视频类型偏好信息，其获取方法可以有多种，以下为其中的一种：
获取样本账户的历史播放数据，历史播放数据包括在历史时段内样本账户播放过的历史视频和每个历史视频对应的播放时长占比，历史视频对应的播放时长占比是历史视频的播放时长与历史视频的总时长的比值；将对应的播放时长占比大于或等于播放时长占比阈值的历史视频，确定为样本账户对应的历史偏好视频；基于每个历史偏好视频对应的视频类型，确定样本账户对应的视频类型偏好信息。
在实施中，工作人员可以预先设置播放时长占比阈值。在获取样本账户对应的视频类型偏好信息时，可以先获取样本账户在历史时段的历史播放数据，其中，历史时段可以是任意合理性的时段，例如，历史时段可以是最近一周、或者最近一个月、或者最近半年等等，当然，也可以是其他时段，本申请实施例对此不作限定。
历史播放数据包括在历史时段内样本账户播放过的历史视频和每个历史视频对应的播放时长占比，历史视频对应的播放时长占比是历史视频的播放时长与历史视频的总时长的比值，例如，A视频的总时长是10分钟，历史时段为最近一个月，若样本账户在最近一个月内播放过A视频，则A视频为样本账户对应的历史视频，若样本账户播放A视频的时长是2分钟，则A视频对应的播放时长占比为2/10，即0.2。
当确定出每个历史视频对应的播放时长占比后，可以将播放时长占比大于或等于播放时长占比阈值的历史视频，确定为该样本账户对应的历史偏好视频，即表明样本账户对应的用户对这些历史偏好视频较为喜欢。
当确定出样本账户较为喜欢的历史偏好视频后，可以基于每个历史偏好视频对应的视频类型，确定出样本账户对应的视频类型偏好信息。基于历史偏好视频对应的视频类型确定视频类型偏好信息的方法可以有多种，以下为其中的两种：
第一种，可以在多个历史视频对应的视频类型中，按照对应的历史视频个数由多至少的顺序选取第一数目个视频类型，将其确定为样本账户对应的视频类型偏好信息，例如，第一数目为2，样本账户播放过的历史视频为A历史视频、B历史视频和C历史视频，A历史视频对应的视频类型为a、b和c，B历史视频对应的视频类型为b和c，C历史视频对应的视频类型为c和e，则a视频类型对应的历史视频个数为1，b视频类型对应的历史视频个数为2，c视频类型对应的历史视频个数为3，e视频类型对应的历史视频个数为1，则视频类型偏好信息为c视频类型和b视频类型。
第二种，可以将这多个历史视频对应的视频类型，按照对应的历史视频个数由多至少的顺序排列，然后将对应的历史视频个数大于或等于预设视频个数阈值的视频类型，确定为样本账户对饮的视频类型偏好信息。
确定样本账户对应的视频类型偏好信息的方法还可以是其他合理性的方法，本申请实施例对此不作限定。
在本申请实施例中，视频相似度预测模型的结构可以是任意合理性的设置，下面以其中一种可能的设置为例进行详细的介绍：
视频相似度预测模型包括隐藏层和分类层，则对应的视频相似度预测模型的处理流程可以如下：将视频特征信息和账户特征信息，输入待训练的隐藏层，得到组合特征信息。将组合特征信息输入待训练的分类层，得到目标样本视频与参考样本视频的预测相似度。
可选的，本申请实施例中的视频特征提取模型、账户特征提取模型和视频相似度预测模型可以是属于同一模型的多个子模型，也可以是分别不同的模型。
下面，以视频特征提取模型、账户特征提取模型和视频相似度预测模型是属于同一模型的多个子模型为例进行更为详细的介绍：
可以以EGES(Enhanced Graph Embedding with Side Information，用边信息的增强图嵌入)模型为基础来设置视频特征提取模型、账户特征提取模型和视频相似度预测模型，首先，EGES模型包括特征提取层(仅对物品侧进行特征提取)、隐藏层和分类层，以EGES模型为基础来设置，可以得到包含视频特征提取模型(标识特征提取子模型和边信息特征提取子模型)、账户特征提取模型和视频相似度预测模型(包含隐藏层和分类层)的模型，可以将其命名为EIESG(Enhanced Item Embedding with Side Information andGlobal Context，用边信息和全局上下文的提成物品表征)模型。
如图6和图7所示，EIESG模型的训练方法如上述所述的：获取样本账户对应的待定正样本视频序列，然后分别将该待定正样本视频序列中的每个视频分别作为目标样本视频，使用预设长度的滑动窗口，在待定正样本视频序列中确定出目标样本视频对应的正样本视频，随机选取除了目标样本视频和待定正样本视频之外的视频作为目标样本视频对应的负样本视频。
获取目标样本视频的标识信息和边信息、以及样本账户对应的属性信息(在本申请实施例中为样本账户对应的视频类型偏好信息)作为样本输入数据，获取目标样本视频与正样本视频的基准相似度、目标样本视频与负样本视频的基准相似度，来作为训练目标。
将目标样本视频的标识信息输入待训练的标识特征提取子模型，从而得到第一视频特征子信息；将目标样本视频的边信息，输入待训练边信息特征提取子模型，从而得到第二视频特征子信息；将样本账户对应的属性信息输入待训练的账户特征提取模型中，从而得到账户特征信息。基于上述特征提取可以将标识信息、边信息和视频类型偏好信息这些稀疏特征(即图7中所示的Sparse Features)分别转为第一视频特征子信息、第二视频特征子信息和账户特征信息这种稠密特征信息(如图7中所示的Dense Embeddings)，其中，对于多个目标样本视频具有多个边信息的情况，将多个边信息输入边信息特征提取子模型中可以得到每个边信息对应的第二视频特征子信息。
然后，将第一视频特征子信息、第二视频特征子信息和账户特征信息，输入待训练的隐藏层中，从而得到组合特征信息。在实施中，在将第一视频特征子信息、第二视频特征子信息和账户特征信息输入隐藏层中后，可以将其与对应的权重相乘，即如图5中所示，将第一视频特征子信息与权重ai相乘，将每个第二视频特征子信息分别与a1至an相乘，将账户特征信息与对应的权重au相乘，然后将与权重相乘后的多个特征信息组合，从而得到组合特征信息(即图7中所示的Hidden Representation)。
再将组合特征信息输入分类层(即图7中所示的Sampled Softmax Classifier)中，在其中，组合特征信息与输出矩阵(如图7中所示的Output Matrix)相乘，从而得到目标样本视频与应用程序的视频数据库中所有视频中每个视频之间的相似度，即会输出视频数据库中不同编号的视频对应的相似度。
基于正样本视频的编号在分类层输出的多个相似度之中获取目标样本视频与正样本视频的相似度，基于负样本视频的编号在分类层输出的多个相似度之中获取目标样本视频与负样本视频的相似度。
将目标样本视频与正样本视频的相似度、目标样本视频与负样本视频的相似度，输入损失函数中从而得到损失值，基于损失值对EIESG模型进行训练。
基于上述训练方法对EIESG模型进行多次训练，当满足预设结束条件时，即可以得到训练完成的EIESG模型。
然后，可以将EIESG模型中的视频特征提取模型取出，使用训练完成的视频特征提取模型对应用程序中的视频分别进行特征提取，得到每个视频对应的视频特征信息，然后，可以在应用程序的后续应用中使用该视频特征信息。
下面，以视频和目标样本视频均为音乐视频为例，对训练完成的EIESG模型进行评估。
音频视频的视频类型可以分为下述几类：国风、欧美流行、儿童音乐、DJ舞曲、音乐综艺、粤语流行、电影配乐、电子舞曲、华语说唱、纯音乐。
以每种视频类型召回100个视频为例，进行评估，其可视化结果如图5所示，图8中显示了每两种视频类型的100个视频之间的分类情况，共包括81张分类图片，主对角线下方的36张分类图片与主对角线上方的36张分类图片相对于主对角线镜像，因此，对于主对角线下方的36张分类图片不作显示。
图8中第一行的9张分类图片显示的是国风分别与欧美流行、儿童音乐、DJ舞曲、音乐综艺、粤语流行、电影配乐、电子舞曲、华语说唱、纯音乐之间的分类情况。
在图8中，黑色的视频点和灰色的视频点仅为在该张分类图片中区分两种不同的视频分类，并不特指某一种视频类型。
图9显示的是通过两种不同的视频特征提取模型对视频进行特征提取，然后将得到的视频特征信息应用在视频推荐的场景下的人均播放次数，其中，实线表示的是使用本方案的视频特征提取模型进行特征提取后的人均播放次数，虚线表示的是使用现有技术的视频特征提取模型后的人均播放次数。
图10显示的是通过两种不同的视频特征提取模型对视频进行特征提取，然后将得到的视频特征信息应用在视频推荐的场景下的人均播放时长，其中，实线表示的是使用本方案的视频特征提取模型进行特征提取后的人均播放时长，虚线表示的是使用现有技术的视频特征提取模型后的人均播放时长。
由图9和图10可以看出，使用本申请实施例中的视频特征提取模型，可以有效提高用户对视频的感兴趣程度，从而有效的提高了人均播放次数和人均播放时长。
在本申请实施例中，还提供了一种视频推荐的方法，参见图11，该方法可以包括：
1101、基于训练完成的视频特征提取模型，分别对视频库中的各视频进行特征提取，得到每个视频对应的视频特征信息。
其中，训练完成的视频特征提取模型可以是本申请实施例中所述的任一种训练完成的视频特征提取模型。
在实施中，可以在基于训练完成的视频特征提取模型，对视频库中的各视频进行特征提取从而得到对应的视频特征信息后，对这些视频特征信息进行对应存储，即将每个视频对应的视频特征信息与该视频的标识信息对应存储起来。
对应于上述的视频特征提取模型包括标识信息特征提取子模型和边信息特征提取子模型的设置，基于视频特征提取模型对视频进行特征提取的方法流程可以是：
将视频的标识信息输入标识信息特征提取子模型，从而得到该视频对应的第一视频特征子信息。将视频的边信息输入边信息特征提取子模型，从而得到该视频对应的第二视频特征子信息。
然后，可以将第一视频特征子信息和第二视频特征子信息进行对位相加，从而得到该视频对应的视频特征信息。或者，也可以在将第一视频特征子信息和第二视频特征子信息进行对位相加后取均值，从而得到该视频对应的视频特征信息。对于具体的方法本申请实施例不作限定。
而对于新发布的视频，可以使用视频特征提取模型对该视频进行特征提取从而得到该视频对应的视频特征信息。也可以只使用边信息特征提取子模型得到该视频对应的第二视频特征子信息，直接将第二视频子信息确定为该视频对应的视频特征信息。
1102、接收目标终端发送的视频推荐请求。
其中，视频推荐请求携带有目标终端最新播放视频的标识信息。
在实施中，最新播放视频可以是目标终端刚刚完播的视频，在目标终端完播了一个视频后，目标终端可以向应用程序的后台服务器发送视频推荐请求。
其中，对于完播视频的定义可以是任意合理性的设定，例如，当目标终端播放该视频的时长与该视频的总时长的比值大于预设比值阈值时，即可以将该视频确定为完播视频，当然，也可以是其他设定，本申请实施例对此不作限定。
1103、确定最新播放视频对应的视频特征信息。
在实施中，后台服务器在接收到目标终端发送的视频推荐请求后，可以基于视频推荐请求中携带的最新播放视频的标识信息、以及存储的特征信息与视频的标识信息的对应关系，确定出最新播放视频对应的视频特征信息。
通常，应用程序中播放的视频，并不是所有的均具有版权，有些视频其并不具有版权，但是可以申请播放。对于具有版权的视频，视频库中存储有该视频和对应的视频特征信息，而对于不具有版权的视频，视频库中并未存储该视频和对应的视频特征信息。
因此，在确定最新播放视频对应的视频特征信息时，可以进行如下处理：
如果视频库存储有最新播放视频，则基于最新播放视频的表示信息在视频库中获取最新播放视频对应的视频特征信息。如果视频库中未存储最新播放视频，则获取最新播放视频的属性信息，基于训练完成的视频特征提取模型对最新播放视频的属性信息进行特征提取，得到最新播放视频对应的视频特征信息。
在实施中，先通过最新播放视频的标识信息确定视频库中是否存储有该最新播放视频，若视频库中存储有该最新播放视频，则可以确定该最新播放视频是具有版权的视频，此时可以根据视频库中标识信息与视频特征信息的对应关系，在视频库中获取最新播放视频的标识信息对应的视频特征信息，即可得到最新播放视频对应的视频特征信息。
若视频库中未存储有该最新播放视频，则可以确定该最新播放视频是不具有版权的视频，此时可以通过先获取最新播放视频的属性信息(获取属性信息的方法已在上文中介绍，在此不再赘述)，然后，可以使用训练完成的视频特征提取模型对最新播放视频的属性信息进行特征提取，从而得到最新播放视频对应的视频特征信息。
1104、基于最新播放视频对应的视频特征信息和每个视频对应的视频特征信息，确定每个视频与最新播放视频的相似度。
在实施中，通过视频特征信息计算出每个视频与最新播放视频的相似度的方法可以有多种，例如，可以通过Euclidean Distance(欧式距离)方法、夹角余弦的方法等来计算两个视频特征信息之间的相似度，当然，也可以使用其他计算方法，本申请实施例对此不作限定。
1105、基于每个视频与最新播放视频的相似度，在各视频中，确定最新播放视频对应的目标推荐视频，向目标终端发送目标推荐视频。
在实施中，基于每个视频与最新播放视频的相似度来确定最新播放视频对应的目标推荐视频的方法也可以有多种，以下为其中的两种：
第一种，工作人员可以预先设定相似度阈值。将与最新播放视频的相似度大于相似度阈值的视频确定为最新播放视频对应的目标推荐视频。
第二种，工作人员可以预先设定视频数目阈值。在计算出各视频与最新播放视频的相似度后，可以按照相似度由大至小的顺序，选取视频数目阈值个视频，作为最新播放视频对应的目标推荐视频。
在确定出最新播放视频对应的目标推荐视频后，可以将目标推荐视频的展示信息发送至目标终端，目标终端可以在应用程序的视频播放界面中播放完最新播放视频后显示目标推荐视频的展示信息，目标终端所属的用户可以通过点击一个目标推荐视频的展示信息从而对其进行播放。或者，在目标终端将最新播放视频播放完成后，可以自动播放一个目标推荐视频，可以基于每个目标推荐视频与最新播放视频之间的相似度由大至小的顺序来播放目标推荐视频。
当然，在基于每个视频与最新播放视频的相似度，对视频进行筛选后，还可以再基于其他数据再进行筛选从而得到目标推荐视频，例如，可以通过视频的点击量、播放量等来对视频进行筛选，本申请实施例对此不作限定。
上述所有可选技术方案，可以采用任意结合形成本申请的可选实施例，在此不再一一赘述。
本申请实施例中提到的方案，可以基于待训练的视频特征提取模型对目标样本视频的属性信息进行特征提取从而得到视频特征信息，基于待训练的账户特征提取模型对样本账户对应的视频类型偏好信息进行特征提取从而得到账户特征信息，再基于视频特征信息、账户特征信息和待训练的视频相似度预测模型，确定出目标样本视频与参考样本视频的预测相似度，基于预测相似度和基准相似度，对待训练的视频特征提取模型、待训练的账户特征提取模型和待训练的视频相似度预测模型进行调参，当满足预设条件时，则将调参后的视频特征提取模型确定为训练完成的视频特征提取模型。采用本申请，可以综合考虑目标样本视频本身的属性特征和播放过该目标样本视频的样本账户的视频类型偏好信息来共同对目标样本视频对应的视频特征信息进行约束，从而得到较为准确的视频特征信息，在使用视频特征信息向用户进行相似视频推荐时，可以得到较好的推荐效果。
本申请实施例提供了一种训练视频特征提取模型的装置，该装置可以是上述实施例中的计算机设备，如图12所示，所述装置包括：
获取模块1210，用于获取样本账户播放过的目标样本视频的属性信息、所述目标样本视频对应的参考样本视频、以及所述目标样本视频与所述参考样本视频的基准相似度；
第一确定模块1220，用于基于待训练的视频特征提取模型对所述属性信息进行特征提取，得到视频特征信息，基于待训练的账户特征提取模型对所述样本账户对应的视频类型偏好信息进行特征提取，得到账户特征信息；
第二确定模块1230，用于将所述视频特征信息、所述账户特征信息输入待训练的视频相似度预测模型，输出所述目标样本视频与所述参考样本视频的预测相似度；
调参模块1240，用于基于所述预测相似度和所述基准相似度，对所述待训练的视频特征提取模型、所述待训练的账户特征提取模型和所述待训练的视频相似度预测模型进行调参；
第三确定模块1250，用于若满足预设结束条件，则将调参后的视频特征提取模型确定为训练完成的视频特征提取模型。
在一种可能的实现方式中，所述参考样本视频包括正样本视频和负样本视频，所述目标样本视频与所述参考样本视频的基准相似度包括所述目标样本视频与所述正样本视频的第一基准相似度、以及所述目标样本视频与所述负样本视频的第二基准相似度；
所述获取模块1210，用于：
获取所述样本账户播放过、且与所述目标样本视频满足播放时间接近条件的视频，作为所述目标样本视频对应的正样本视频，其中，所述第一基准相似度为第一数值；
获取除了所述目标样本视频和所述正样本视频之外的视频，作为所述目标样本视频对应的负样本视频，其中，所述第二基准相似度为第二数值，所述第二数值小于所述第一数值。
在一种可能的实现方式中，所述获取模块1210，用于：
获取所述样本账户播放过、且播放时间点与所述目标样本视频的播放时间点之间的时间差值小于预设时差阈值的至少一个视频，作为待定正样本视频；
基于播放时间点，将所述待定正样本视频按顺序排列，得到待定正样本视频序列；
将在所述待定正样本视频序列中，与所述目标样本视频之间间隔视频的数目小于预设数目的待定正样本视频，确定为所述目标样本视频对应的正样本视频。
在一种可能的实现方式中，所述目标样本视频的属性信息包括所述目标样本视频的标识信息和所述目标样本视频的边信息，其中，所述目标样本视频的标识信息用于表示所述目标样本视频的唯一标志，所述目标样本视频的边信息是与所述目标样本视频的视频内容相关联的信息；
所述获取模块1210，用于：
在视频库中获取所述目标样本视频的标识信息、以及所述目标样本视频对应的图像数据和音频数据；
对所述目标样本视频对应的图像数据进行图像识别处理，并对所述目标样本视频对应的音频数据进行音频识别处理，得到所述目标样本视频的边信息。
在一种可能的实现方式中，所述获取模块1210，还用于：
获取所述样本账户的历史播放数据，所述历史播放数据包括在历史时段内所述样本账户播放过的历史视频和每个历史视频对应的播放时长占比，所述历史视频对应的播放时长占比是所述历史视频的播放时长与所述历史视频的总时长的比值；
将对应的播放时长占比大于或等于播放时长占比阈值的历史视频，确定为所述样本账户对应的历史偏好视频；
基于每个历史偏好视频对应的视频类型，确定所述样本账户对应的视频类型偏好信息。
在一种可能的实现方式中，所述待训练的视频特征提取模型包括待训练的第一参数矩阵，所述待训练的账户特征提取模型包括待训练的第二参数矩阵；
所述第一确定模块1220，用于：
将所述属性信息输入第一哈希算法，得到所述属性信息对应的第一哈希值；
在所述待训练的第一参数矩阵中获取所述第一哈希值对应的第一特征信息，作为所述视频特征信息；
将所述视频类型偏好信息输入第二哈希算法，得到所述视频类型偏好信息对应的第二哈希值；
在所述待训练的第二参数矩阵中获取所述第二哈希值对应的第二特征信息，作为所述账户特征信息。
在一种可能的实现方式中，所述视频相似度预测模型包括隐藏层和分类层；
所述第二确定模块1230，用于：
将所述视频特征信息和所述账户特征信息，输入待训练的隐藏层，得到组合特征信息；
将所述组合特征信息输入待训练的分类层，得到所述目标样本视频与所述参考样本视频的预测相似度。
本申请实施例提供了一种视频推荐的装置，该装置可以是上述实施例中的计算机设备，如图13所示，所述装置包括：
特征提取模块1310，用于基于上述任一项训练视频特征提取模型的装置确定的训练完成的视频特征提取模型，分别对视频库中的各视频进行特征提取，得到每个视频对应的视频特征信息；
接收模块1320，用于接收目标终端发送的视频推荐请求，其中，所述视频推荐请求携带有所述目标终端最新播放视频的标识信息；
第四确定模块1330，用于确定所述最新播放视频对应的视频特征信息；
第五确定模块1340，用于基于所述最新播放视频对应的视频特征信息和所述每个视频对应的视频特征信息，确定每个视频与所述最新播放视频的相似度；
发送模块1350，用于基于所述每个视频与最新播放视频的相似度，在所述各视频中，确定所述最新播放视频对应的目标推荐视频，向所述目标终端发送所述目标推荐视频。
在一种可能的实现方式中，所述第四确定模块1330，用于：
如果所述视频库存储有所述最新播放视频，则基于所述最新播放视频的标识信息在所述视频库中获取所述最新播放视频对应的视频特征信息；
如果所述视频库中未存储所述最新播放视频，则获取所述最新播放视频的属性信息，基于所述训练完成的视频特征提取模型对所述最新播放视频的属性信息进行特征提取，得到所述最新播放视频对应的视频特征信息。
需要说明的是：上述实施例提供的训练视频特征提取模型的装置在训练视频特征提取模型时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的训练视频特征提取模型的装置与训练视频特征提取模型的方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
上述实施例提供的视频推荐的装置在进行视频推荐时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的视频推荐的装置与视频推荐的方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
图14是本申请实施例提供的一种服务器的结构示意图，该服务器1400可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上中央处理器1401和一个或一个以上的存储器1402，其中，所述存储器1402中存储有至少一条指令，所述至少一条指令由所述处理器1401加载并执行以实现上述各个方法实施例提供的方法。当然，该服务器还可以具有有线或无线网络接口、键盘以及输入输出接口等部件，以便进行输入输出，该服务器还可以包括其他用于实现设备功能的部件，在此不做赘述。
在示例性实施例中，还提供了一种计算机可读存储介质，例如包括指令的存储器，上述指令可由终端中的处理器执行以完成上述实施例中训练视频特征提取模型和视频推荐的方法。该计算机可读存储介质可以是非暂态的。例如，所述计算机可读存储介质可以是ROM、RAM、CD-ROM、磁带、软盘和光数据存储设备等。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
需要说明的是，本申请所涉及的信息(包括但不限于用户设备信息、用户个人信息等)、数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)以及信号(包括但不限于用户终端与其他设备之间传输的信号等)，均为经用户授权或者经过各方充分授权的，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。例如，本申请中涉及到的“样本账户的视频类型偏好信息”都是在充分授权的情况下获取的。
以上所述仅为本申请的可选实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (12)

1.一种训练视频特征提取模型的方法，其特征在于，所述方法包括：
获取样本账户播放过的目标样本视频的属性信息、所述目标样本视频对应的参考样本视频、以及所述目标样本视频与所述参考样本视频的基准相似度；
基于待训练的视频特征提取模型对所述属性信息进行特征提取，得到视频特征信息，基于待训练的账户特征提取模型对所述样本账户对应的视频类型偏好信息进行特征提取，得到账户特征信息；
将所述视频特征信息、所述账户特征信息输入待训练的视频相似度预测模型，输出所述目标样本视频与所述参考样本视频的预测相似度；
基于所述预测相似度和所述基准相似度，对所述待训练的视频特征提取模型、所述待训练的账户特征提取模型和所述待训练的视频相似度预测模型进行调参；
若满足预设结束条件，则将调参后的视频特征提取模型确定为训练完成的视频特征提取模型。
2.根据权利要求1所述的方法，其特征在于，所述参考样本视频包括正样本视频和负样本视频，所述目标样本视频与所述参考样本视频的基准相似度包括所述目标样本视频与所述正样本视频的第一基准相似度、以及所述目标样本视频与所述负样本视频的第二基准相似度；
获取所述目标样本视频对应的参考样本视频、以及所述目标样本视频与所述参考样本视频的基准相似度，包括：
获取所述样本账户播放过、且与所述目标样本视频满足播放时间接近条件的视频，作为所述目标样本视频对应的正样本视频，其中，所述第一基准相似度为第一数值；
获取除了所述目标样本视频和所述正样本视频之外的视频，作为所述目标样本视频对应的负样本视频，其中，所述第二基准相似度为第二数值，所述第二数值小于所述第一数值。
3.根据权利要求2所述的方法，其特征在于，所述获取所述样本账户播放过、且与所述目标样本视频满足播放时间接近条件的视频，作为所述目标样本视频对应的正样本视频，包括：
获取所述样本账户播放过、且播放时间点与所述目标样本视频的播放时间点之间的时间差值小于预设时差阈值的至少一个视频，作为待定正样本视频；
基于播放时间点，将所述待定正样本视频按顺序排列，得到待定正样本视频序列；
将在所述待定正样本视频序列中，与所述目标样本视频之间间隔视频的数目小于预设数目的待定正样本视频，确定为所述目标样本视频对应的正样本视频。
4.根据权利要求1所述的方法，其特征在于，所述目标样本视频的属性信息包括所述目标样本视频的标识信息和所述目标样本视频的边信息，其中，所述目标样本视频的标识信息用于表示所述目标样本视频的唯一标志，所述目标样本视频的边信息是与所述目标样本视频的视频内容相关联的信息；
所述获取样本账户播放过的目标样本视频的属性信息，包括：
在视频库中获取所述目标样本视频的标识信息、以及所述目标样本视频对应的图像数据和音频数据；
对所述目标样本视频对应的图像数据进行图像识别处理，并对所述目标样本视频对应的音频数据进行音频识别处理，得到所述目标样本视频的边信息。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取所述样本账户的历史播放数据，所述历史播放数据包括在历史时段内所述样本账户播放过的历史视频和每个历史视频对应的播放时长占比，所述历史视频对应的播放时长占比是所述历史视频的播放时长与所述历史视频的总时长的比值；
将对应的播放时长占比大于或等于播放时长占比阈值的历史视频，确定为所述样本账户对应的历史偏好视频；
基于每个历史偏好视频对应的视频类型，确定所述样本账户对应的视频类型偏好信息。
6.根据权利要求1所述的方法，其特征在于，所述待训练的视频特征提取模型包括待训练的第一参数矩阵，所述待训练的账户特征提取模型包括待训练的第二参数矩阵；
所述基于待训练的视频特征提取模型对所述属性信息进行特征提取，得到视频特征信息，包括：
对所述属性信息进行哈希计算，得到所述属性信息对应的第一哈希值；
在所述待训练的第一参数矩阵中获取所述第一哈希值对应的第一特征信息，作为所述视频特征信息；
所述基于待训练的账户特征提取模型对所述样本账户对应的视频类型偏好信息进行特征提取，得到账户特征信息，包括：
对所述视频类型偏好信息进行哈希计算，得到所述视频类型偏好信息对应的第二哈希值；
在所述待训练的第二参数矩阵中获取所述第二哈希值对应的第二特征信息，作为所述账户特征信息。
7.根据权利要求1所述的方法，其特征在于，所述视频相似度预测模型包括隐藏层和分类层；
所述基于所述视频特征信息、所述账户特征信息和待训练的视频相似度预测模型，确定所述目标样本视频与所述参考样本视频的预测相似度，包括：
将所述视频特征信息和所述账户特征信息，输入待训练的隐藏层，得到组合特征信息；
将所述组合特征信息输入待训练的分类层，得到所述目标样本视频与所述参考样本视频的预测相似度。
8.一种视频推荐的方法，其特征在于，所述方法包括：
基于权利要求1-7任一项所述的训练完成的视频特征提取模型，分别对视频库中的各视频进行特征提取，得到每个视频对应的视频特征信息；
接收目标终端发送的视频推荐请求，其中，所述视频推荐请求携带有所述目标终端最新播放视频的标识信息；
确定所述最新播放视频对应的视频特征信息；
基于所述最新播放视频对应的视频特征信息和所述每个视频对应的视频特征信息，确定每个视频与所述最新播放视频的相似度；
基于所述每个视频与最新播放视频的相似度，在所述各视频中，确定所述最新播放视频对应的目标推荐视频，向所述目标终端发送所述目标推荐视频。
9.根据权利要求8所述的方法，其特征在于，所述确定所述最新播放视频对应的视频特征信息，包括：
如果所述视频库存储有所述最新播放视频，则基于所述最新播放视频的标识信息在所述视频库中获取所述最新播放视频对应的视频特征信息；
如果所述视频库中未存储所述最新播放视频，则获取所述最新播放视频的属性信息，基于所述训练完成的视频特征提取模型对所述最新播放视频的属性信息进行特征提取，得到所述最新播放视频对应的视频特征信息。
10.一种计算机设备，其特征在于，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条指令，所述至少一条指令由所述处理器加载并执行以实现如权利要求1至权利要求9任一项所述的方法所执行的操作。
11.一种计算机可读存储介质，其特征在于，所述存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现如权利要求1至权利要求9任一项所述的方法所执行的操作。
12.一种计算机程序产品，其特征在于，所述计算机程序产品中包括至少一条指令，所述至少一条指令由处理器加载并执行以实现如权利要求1至权利要求9任一项所述的方法所执行的操作。
CN202210458542.8A 2022-04-24 2022-04-24 训练视频特征提取模型和视频推荐的方法和装置 Pending CN114996509A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210458542.8A CN114996509A (zh) 2022-04-24 2022-04-24 训练视频特征提取模型和视频推荐的方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210458542.8A CN114996509A (zh) 2022-04-24 2022-04-24 训练视频特征提取模型和视频推荐的方法和装置

Publications (1)

Publication Number Publication Date
CN114996509A true CN114996509A (zh) 2022-09-02

Family

ID=83025232

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210458542.8A Pending CN114996509A (zh) 2022-04-24 2022-04-24 训练视频特征提取模型和视频推荐的方法和装置

Country Status (1)

Country Link
CN (1) CN114996509A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113742522A (zh) * 2020-05-29 2021-12-03 北京达佳互联信息技术有限公司 视频召回方法、装置、电子设备和存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113742522A (zh) * 2020-05-29 2021-12-03 北京达佳互联信息技术有限公司 视频召回方法、装置、电子设备和存储介质
CN113742522B (zh) * 2020-05-29 2024-05-10 北京达佳互联信息技术有限公司 视频召回方法、装置、电子设备和存储介质

Similar Documents

Publication Publication Date Title
US20230012732A1 (en) Video data processing method and apparatus, device, and medium
CN110557659B (zh) 视频推荐方法、装置、服务器及存储介质
EP1081960A1 (en) Signal processing method and video/voice processing device
CN110149529B (zh) 媒体信息的处理方法、服务器及存储介质
CN110366043B (zh) 视频处理方法、装置、电子设备及可读介质
CN109756746A (zh) 视频审核方法、装置、服务器及存储介质
CN109120949B (zh) 视频集合的视频消息推送方法、装置、设备及存储介质
US20220027407A1 (en) Dynamic identification of unknown media
CN114282047A (zh) 小样本动作识别模型训练方法、装置、电子设备及存储介质
CN113469152B (zh) 相似视频检测方法及装置
CN112507163A (zh) 时长预测模型训练方法、推荐方法、装置、设备及介质
WO2023185175A1 (zh) 视频处理方法及装置
CN110248195B (zh) 用于输出信息的方法和装置
CN111601179A (zh) 基于视频内容的网络广告推广方法
CN114996509A (zh) 训练视频特征提取模型和视频推荐的方法和装置
CN114073854A (zh) 基于多媒体文件的游戏方法和系统
CN113496422B (zh) 一种基于区块链的推广资源分配方法及大数据信息云平台
CN110769259A (zh) 一种视频目标跟踪轨迹内容的图像数据压缩方法
CN114065720A (zh) 会议纪要生成方法、装置、存储介质及电子设备
CN111597361B (zh) 多媒体数据处理方法、装置、存储介质及设备
CN106937127B (zh) 一种智能搜索准备的显示方法及其系统
CN114387041B (zh) 一种多媒体数据采集方法及系统
CN116980665A (zh) 一种视频处理方法、装置、计算机设备、介质及产品
CN117014693A (zh) 视频处理方法、装置、设备以及存储介质
CN113408470A (zh) 数据处理方法、装置、电子设备、存储介质及程序产品

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