CN115544299A - 视频推荐方法及装置 - Google Patents

视频推荐方法及装置 Download PDF

Info

Publication number
CN115544299A
CN115544299A CN202211266386.1A CN202211266386A CN115544299A CN 115544299 A CN115544299 A CN 115544299A CN 202211266386 A CN202211266386 A CN 202211266386A CN 115544299 A CN115544299 A CN 115544299A
Authority
CN
China
Prior art keywords
video
recommended
target user
videos
recommendation
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
CN202211266386.1A
Other languages
English (en)
Inventor
王斌
鄢彪
李双全
丁文杰
华达
杨家栋
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.)
Shanghai Hode Information Technology Co Ltd
Original Assignee
Shanghai Hode Information Technology 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 Shanghai Hode Information Technology Co Ltd filed Critical Shanghai Hode Information Technology Co Ltd
Priority to CN202211266386.1A priority Critical patent/CN115544299A/zh
Publication of CN115544299A publication Critical patent/CN115544299A/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
    • G06F16/73—Querying
    • G06F16/735—Filtering based on additional data, e.g. user or group profiles
    • 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
    • G06F16/738—Presentation of query results

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请公开了一种视频推荐方法。该方法包括：获取目标用户的偏好特征向量及多个待推荐视频的描述特征向量；分别计算所述偏好特征向量与各个待推荐视频的描述特征向量的相似度值，并将计算得到的各个相似度值作为所述目标用户与所述待推荐视频的匹配度；获取所述目标用户对各个待推荐视频的观看进度加权值及互动次数加权值；根据预设的推荐权值算法、所述目标用户与各个待推荐视频的匹配度、所述目标用户对各个待推荐视频的观看进度加权值及互动次数加权值计算所述目标用户对各个待推荐视频的推荐值；将推荐值符合预设条件的待推荐视频组成推荐列表推荐给所述目标用户。本申请可提高视频推荐准确度。

Description

视频推荐方法及装置
技术领域
本申请涉及计算机技术领域，尤其涉及一种视频推荐方法及装置。
背景技术
目前的视频推荐算法主要有以下几类，分别是：基于内容的推荐算法、基于协同的推荐算法、或者基于关联的推荐算法。有的视频App使用其中的某个推荐算法实现推荐功能，也有的整合两个或者两个以上的推荐算法，通过一个算法的优点弥补另一个算法的缺点的方式，组合实现视频的推荐功能。
然而，现有的上述推荐方式虽然可以实现视频的推荐功能，但发明人发现，现有的推荐算法经常会出现重复推荐视频的情况，导致视频推荐结果不准确。
发明内容
本申请实施例的目的是提供一种视频推荐方法及系统，可以解决现有技术中视频推荐方法容易向用户多次重复推荐同一个视频，导致视频推荐不准确的问题。
本申请实施例的一个方面提供了一种视频推荐方法，包括：
获取用户的偏好特征向量及多个待推荐视频的描述特征向量，所述偏好特征向量为所述目标用户偏好视频类型所对应的第一类型向量，所述描述特征向量为所述待推荐视频所属的第二类型向量；
分别计算所述偏好特征向量与各个待推荐视频的描述特征向量的相似度值，并将计算得到的各个相似度值作为所述目标用户与所述待推荐视频的匹配度；
获取所述目标用户对各个待推荐视频的观看进度加权值及互动次数加权值；
根据预设的推荐权值算法、所述目标用户与各个待推荐视频的匹配度、所述目标用户对各个待推荐视频的观看进度加权值及互动次数加权值计算所述目标用户对各个待推荐视频的推荐值；
将推荐值符合预设条件的待推荐视频组成推荐列表推荐给所述目标用户。
可选地，所述方法还包括：
获取所述目标用户的历史观看记录，所述历史观看记录包括所述目标用户在历史时间段内观看的每一个历史视频的观看时长、每一个历史视频的总时长及观看每一个历史视频过程中的互动次数，其中，每一个历史视频具有对应的描述特征向量；
根据各个历史视频的描述特征向量、所述目标用户对各个历史视频的观看时长、所述目标用户在观看各个历史视频的过程中的互动次数及各个历史视频的总时长确定所述目标用户的偏好特征向量。
可选地，所述描述特征向量由多个描述特征分量组成，所述偏好特征向量由多个偏好特征分量组成，所述根据各个历史视频的描述特征向量、所述目标用户对各个历史视频的观看时长、所述目标用户在观看各个历史视频的过程中的互动次数及各个历史视频的总时长确定所述目标用户的偏好特征向量包括：
根据各个历史视频的描述特征向量统计每一个描述特征分量对应的历史视频的总数量；
根据每一个描述特征分量对应的各个历史视频的所述总时长、所述观看时长、所述互动次数、所述历史视频的总数量及预设的偏好特征算法计算每一个描述特征分量对应的偏好特征分量，并将得到的所有偏好特征分量组成所述偏好特征向量。
可选地，所述方法还包括：计算所述目标用户对各个待推荐视频的互动次数加权值的步骤，其中，针对多个待推荐视频中的第u个待推荐视频，计算所述目标用户对第u个待推荐视频的观看进度加权值包括：
获取所述目标用户对所述第u个待推荐视频的当前观看进度及历史用户对所述第u个待推荐视频的平均观看进度；
获取所述历史用户在观看所述第u个待推荐视频的过程中的第一互动次数与第二互动次数，其中，所述第一互动次数为所述历史用户在所述当前观看进度之前的总互动次数，所述第二互动次数为所述历史用户在所述当前观看进度之后的总互动次数；
根据所述当前观看进度、所述平均观看进度、所述第一互动次数、所述第二互动次数及预设的观看进度加权值算法计算所述目标用户对所述第u个待推荐视频的观看进度加权值。
可选地，所述方法还包括：计算所述目标用户对各个待推荐视频的互动次数加权值的步骤，其中，针对多个待推荐视频中的第u个待推荐视频，计算所述目标用户对第u个待推荐视频的互动次数加权值包括：
获取所述目标用户在所述第u个待推荐视频的当前观看进度之前的第三互动次数；
根所述第三互动次数及预设的互动次数加权值算法计算所述目标用户对所述第u个待推荐视频的互动次数加权值。
可选地，所述分别计算所述偏好特征向量与各个待推荐视频的描述特征向量的相似度值包括：
分别计算所述偏好特征向量与各个待推荐视频的描述特征向量的欧拉距离，并将所述欧拉距离作为所述相似度值。
可选地，所述将推荐值符合预设条件的待推荐视频组成推荐列表推荐给所述目标用户包括：
将得到的各个推荐值按照从大到小的顺序进行排序；
选择推荐值排在预设位以内的待推荐视频组成推荐列表推荐给所述目标用户。
本申请实施例的一个方面还提供了一种视频推荐装置，所述视频推荐装置包括：
第一获取模块，用于获取用户的偏好特征向量及多个待推荐视频的描述特征向量，所述偏好特征向量为所述目标用户偏好视频类型所对应的第一类型向量，所述描述特征向量为所述待推荐视频所属的第二类型向量；
计算模块，用于分别计算所述偏好特征向量与各个待推荐视频的描述特征向量的相似度值，并将计算得到的各个相似度值作为所述目标用户与所述待推荐视频的匹配度；
第二获取模块，用于获取所述目标用户对各个待推荐视频的观看进度加权值及互动次数加权值；
计算模块，用于根据预设的推荐权值算法、所述目标用户与各个待推荐视频的匹配度、所述目标用户对各个待推荐视频的观看进度加权值及互动次数加权值计算所述目标用户对各个待推荐视频的推荐值；
推荐模块，用于将推荐值符合预设条件的待推荐视频组成推荐列表推荐给所述目标用户。
本申请还提供了一种计算机设备，所述计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
本申请还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。
本申请实施例提供的视频推荐方法，通过获取用户的偏好特征向量及多个待推荐视频的描述特征向量，所述偏好特征向量为所述目标用户偏好视频类型所对应的第一类型向量，所述描述特征向量为所述待推荐视频所属的第二类型向量；分别计算所述偏好特征向量与各个待推荐视频的描述特征向量的相似度值，并将计算得到的各个相似度值作为所述目标用户与所述待推荐视频的匹配度；获取所述目标用户对各个待推荐视频的观看进度加权值及互动次数加权值；根据预设的推荐权值算法、所述目标用户与各个待推荐视频的匹配度、所述目标用户对各个待推荐视频的观看进度加权值及互动次数加权值计算所述目标用户对各个待推荐视频的推荐值；将推荐值符合预设条件的待推荐视频组成推荐列表推荐给所述目标用户，从而可以实现在对视频进行推荐时，不仅会考虑视频本身的特性是否满足用户的偏好习惯，同时还会考虑用户对这个视频的观看进度及互动次数，再决定是否应该向用户推荐该视频，从而提升视频推荐的准确率，避免同一个视频被错误的向用户多次推荐，或者某个用户喜欢的视频莫名不被推荐，从而提高视频推荐准确度。
附图说明
图1为本申请实施例的视频推荐方法的环境示意图；
图2为本申请所述的视频推荐方法的一种实施例的流程图；
图3为本申请所述的视频推荐方法的另一种实施例的流程图；
图4为本申请一实施方式中根据各个历史视频的描述特征向量、所述目标用户对各个历史视频的观看时长、所述目标用户在观看各个历史视频的过程中的互动次数及各个历史视频的总时长确定所述目标用户的偏好特征向量的步骤细化流程示意图；
图5为本申请一实施方式中计算所述目标用户对第u个待推荐视频的观看进度加权值的步骤细化流程示意图；
图6为本申请一实施方式中计算所述目标用户对第u个待推荐视频的互动次数加权值的步骤细化流程示意图；
图7为本申请一实施方式中将推荐值符合预设条件的待推荐视频组成推荐列表推荐给所述目标用户的步骤细化流程示意图；
图8为本申请所述的视频推荐装置的一种实施例的程序模块图；
图9为本申请实施例提供的执行视频推荐方法的计算机设备的硬件结构示意图。
具体实施方式
以下结合附图与具体实施例进一步阐述本申请的优点。
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
在本公开使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本公开。在本公开和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其它含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本公开可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本公开范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
下面为本申请涉及的术语解释：
视频标签，是用于描述视频特点的描述信息。每一个视频在创建或者生成时，管理人员可以根据这个视频在各方面的特点为这个视频增加描述性的标签Ti(也可以称为类型标签)。其中，每一个视频所具有的类型标签可能有一个，也也能有多个，比如，一个视频可能同时满足“惊悚”、“犯罪”和“悬疑”类型视频的特点，则这3个特点都为该视频的类型标签。
在本申请的描述中，需要理解的是，步骤前的数字标号并不标识执行步骤的前后顺序，仅用于方便描述本申请及区别每一步骤，因此不能理解为对本申请的限制。
图1示意性示出了根据本申请实施例的视频推荐方法的应用环境示意图。在示例性的实施例中，该应用环境的系统可包括用户终端10、后台服务器20。其中，用户终端10与后台服务器20形成无线或有线连接，且用户终端10具有相应的应用客户端或网页客户端。其中，用户终端10可以为PC、手机、iPAD，平板电脑、笔记本电脑、个人数字助理等。后台服务器20可以为机架式服务器、刀片式服务器、塔式服务器或机柜式服务器(包括独立的服务器，或者多个服务器所组成的服务器集群)等。
现有的视频推荐算法在计算某个视频V是否要推荐的时候，主要关注的有几点：1)、视频V本身是否是用户A喜欢的类型；2)、用户A的朋友，或者和用户A有相同偏好的用户B，是否很喜欢视频V；3)、用户A是否看过和视频V相关的视频。通常，当视频V满足上述一个或者多个条件时，这个视频V就可以向用户A推荐了。
然而，发明人发现，采用上述方式进行视频推荐时，会存在以下问题：
a)、用户不喜欢某个视频，但是App后续又给他/她推荐了同一个视频。
b)、用户看了某个视频后，因为不喜欢退出了，但是App后续又给他/她推荐了同一个视频。
c)、用户看完了某个视频，很喜欢，但是App后续又给他/她推荐了同一个视频。
d)、用户看了某个视频，之前很喜欢，但是之后的不喜欢，但是App后续又给他/她推荐了同一个视频。
本申请中的提供的视频推荐方法，通过获取用户的偏好特征向量及多个待推荐视频的描述特征向量，所述偏好特征向量为所述目标用户偏好视频类型所对应的第一类型向量，所述描述特征向量为所述待推荐视频所属的第二类型向量；分别计算所述偏好特征向量与各个待推荐视频的描述特征向量的相似度值，并将计算得到的各个相似度值作为所述目标用户与所述待推荐视频的匹配度；获取所述目标用户对各个待推荐视频的观看进度加权值及互动次数加权值；根据预设的推荐权值算法、所述目标用户与各个待推荐视频的匹配度、所述目标用户对各个待推荐视频的观看进度加权值及互动次数加权值计算所述目标用户对各个待推荐视频的推荐值；将推荐值符合预设条件的待推荐视频组成推荐列表推荐给所述目标用户，从而可以实现在对视频进行推荐时，不仅会考虑视频本身的特性是否满足用户的偏好习惯，同时还会考虑用户对这个视频的观看进度及互动次数，再决定是否应该向用户推荐该视频，从而提升视频推荐的准确率，避免同一个视频被错误的向用户多次推荐，或者某个用户喜欢的视频莫名不被推荐，从而提高视频推荐准确度。
为便于理解，下面将以图2中的视频推荐装置为执行主体进行示例性描述。
参阅图2，其为本申请一实施例的视频推荐方法的流程示意图。可以理解，本方法实施例中的流程图不用于对执行步骤的顺序进行限定。从图中可以看出，本实施例中所提供的视频推荐方法包括：
步骤S20、获取目标用户的偏好特征向量及多个待推荐视频的描述特征向量，所述偏好特征向量为所述目标用户偏好视频类型所对应的第一类型向量，所述描述特征向量为所述待推荐视频所属的第二类型向量。
具体地，所述目标用户为当前需要进行视频推荐的用户。
所述偏好特征向量为用于描述所述目标用户偏好视频类型(视频特点)所对应的第一类型向量，可以通过获取用户偏好的视频类型来确定。比如，用户的偏好如下：[喜剧：0.8，惊悚：0.2，战争：1.0，犯罪：0.4，古装：0.4]，其中，数字为对用户偏好进行量化得到的偏好类型值，数字越大，表示用户对该类型的偏好越强烈；映射到视频类型向量中，可获得与视频所属类型的描述特征向量在同一向量空间中的表达：[0.8,0,0.2,0,1.0,0.4,0,0,0,0,0.4]，其中，用户的偏好对应向量的第0，2，4，5，10位。上述获得的与视频所属类型的描述特征向量在同一向量空间中的表达即可称为所述偏好特征向量。
所述描述特征向量为用于描述用户观看的视频所属的类型向量。所述描述特征向量可以通过获取用户预先对视频元素所打的类型标签进行确定。假设所有的视频共有11种视频类型，用户观看的视频A具有如下类型标签：喜剧、悬疑、惊悚，则该视频A对应的描述特征向量为：[1,0,0,1,0,1,0,0,0,0,0]，其中，视频A具有的类型标签对应向量的第0，3，5位。
需要说明的是，以所有的视频共有11种视频类型为例，则对于每一个视频的描述特征向量会有11维，每一维用于表示一种类型标签。
在本实施例中，每一个视频在创建或者生成时，管理人员可以根据这个视频在各方面的特点为这个视频增加描述性的标签Ti，组合所有的标签Ti，生成用于全面描述这个视频特点的描述特征向量:T＝{T0,T1,T2,...,Tn}。其中，当视频具有对应的特点时，该对应特点的描述性的标签Ti在描述特征向量采用“1”表示，当视频不具有对应的特点时，该对应特点的描述性的标签在描述特征向量采用“0”表示。
在本实施例中，所述视频的类型优选为电影。
在一示例性的实施方式中，参阅图3，所述方法还包括：
步骤S30，获取所述目标用户的历史观看记录，所述历史观看记录包括所述目标用户在历史时间段内观看的每一个历史视频的观看时长、每一个历史视频的总时长及观看每一个历史视频过程中的互动次数，其中，每一个历史视频具有对应的描述特征向量。
具体地，所述历史时间段可以根据实际情况进行设定与调整，比如，所述历史时间段为过去半年，过去3个月等。
所述互动次数指的是用户在观看视频的过程中发送弹幕的次数及/或用户在观看视频时发送评论的次数。
步骤S31，根据各个历史视频的描述特征向量、所述目标用户对各个历史视频的观看时长、所述目标用户在观看各个历史视频的过程中的互动次数及各个历史视频的总时长确定所述目标用户的偏好特征向量。
具体地，所述观看时长为用户观看视频的时长，比如，所述观看时长为1小时。所述互动次数为用户观看视频的过程中发送弹幕的次数及/或用户在观看视频时发送评论的次数。比如，所述互动次数为5次。所述总时长为视频的总长度，比如，所述总时长为1小时30分钟。
在本实施例中，通过机器学习算法学习用户对各种类型的视频的观看时长、总时长及互动次数从而得到用户的偏好特征向量。
在一示例性的实施方式中，所述描述特征向量由多个描述特征分量组成，比如，所述描述特征向量T＝{T0,T1,T2,...,Tn}，其中，T0,T1,T2,...,Tn为描述特征分量。所述偏好特征向量由多个偏好特征分量组成，比如，所述偏好特征向量P＝{P0,P1,P2,...,Pn}，其中，P0,P1,P2,...,Pn为偏好特征分量。参阅图4，所述根据各个历史视频的描述特征向量、所述目标用户对各个历史视频的观看时长、所述目标用户在观看各个历史视频的过程中的互动次数及各个历史视频的总时长确定所述目标用户的偏好特征向量包括：
步骤S40，根据各个历史视频的描述特征向量统计每一个描述特征分量对应的历史视频的总数量。
具体地，假设总共有11个描述特征分量，则在统计的过程中，需要统计具有第1个描述特征分量的历史视频的总数量N1，统计具有第2个描述特征分量的历史视频的总数量N2，统计具有第3个描述特征分量的历史视频的总数量N3，统计具有第4个描述特征分量的历史视频的总数量N4，统计具有第5个描述特征分量的历史视频的总数量N5，统计具有第6个描述特征分量的历史视频的总数量N6，统计具有第7个描述特征分量的历史视频的总数量N7，统计具有第8个描述特征分量的历史视频的总数量N8，统计具有第9个描述特征分量的历史视频的总数量N9，统计具有第10个描述特征分量的历史视频的总数量N10，统计具有第11个描述特征分量的历史视频的总数量N11。
需要说明的是，所述历史视频为所述目标用户在历史时间段内观看的视频。
步骤S41，根据每一个描述特征分量对应的各个历史视频的所述总时长、所述观看时长、所述互动次数、所述历史视频的总数量及预设的偏好特征算法计算每一个描述特征分量对应的偏好特征分量，并将得到的所有偏好特征分量组成所述偏好特征向量。
具体地，所述偏好特征算法为预先设定的用于计算得到偏好特征分量的公式。
所述偏好特征算法为：
Pi＝Ai/M；
Ai＝Ai历史+Ti*(f(l)+g(n))/2；
f(l)＝I/L*θ0；
g(n)＝(1/(1+exp(-log(2,N+1)))-0.5)*θ1；
θ0+θ1＝1；
其中，Pi为描述特征分量Ti对应的偏好特征分量，Ai为用于计算偏好特征分量的一个变量参数，f(l)及g(n)为用于计算Ai值的变量参数。Ti为历史视频的描述特征向量中的任意一个描述特征分量，θ0及θ1为预设值，I为描述特征分量Ti对应的总观看时长，L为描述特征分量Ti对应的总时长，M为描述特征分量Ti对应的视频的总数量，N为描述特征分量Ti对应的总互动次数，Ai历史为当前Ai更新之前的值，exp为高等数学里以自然常数e为底的指数函数。
在本实施例中，通过上述公式依次对每一个描述特征分量对应的各个历史视频进行训练学习，以最终得到每一个描述特征分量对应的偏好特征分量。
作为示例，对于第一个描述特征分量T0对应的各个历史视频进行学习训练，以最终得到T1对应的偏好特征分量P0的训练过程如下：
先将第一个描述特征分量T0对应的第1个历史视频的所述总时长、所述观看时长、所述互动次数、代入至上述计算Ai的公式中，得到第一次训练后的Ai值，其中，第一次训练时Ai历史为预设的初始值。在得到第一次训练后的Ai值后，根据该Ai值及所述历史视频的总数量计算第一次训练后的P0值。
在完成第一次训练后，先将第一个描述特征分量T0对应的第2个历史视频的所述总时长、所述观看时长、所述互动次数、代入至上述计算Ai的公式中，得到第二次训练后的Ai值，其中，第二次训练时Ai历史为第一次训练得到的Ai值。在得到第二次训练后的Ai值后，根据该Ai值及所述历史视频的总数量计算第二次训练后的P0值。
以此类推，在进行最后一次训练时，先将第一个描述特征分量T0对应的第N个历史视频(最后一个历史视频)的所述总时长、所述观看时长、所述互动次数、代入至上述计算Ai的公式中，得到最后一次训练后的Ai值，其中，最后一次训练时Ai历史为上一次训练得到的Ai值。在得到最后一次训练后的Ai值后，根据该Ai值及所述历史视频的总数量计算最后一次训练的P0值，并将该最后一次训练的P0值作为第一个描述特征分量T0对应的偏好特征分量。
在一实施例性的实施方式中，所述方法还包括：计算所述目标用户对各个待推荐视频的观看进度加权值的步骤，参阅图5，针对多个待推荐视频中的第u个待推荐视频，计算所述目标用户对第u个待推荐视频的观看进度加权值包括步骤：
步骤S50，获取所述目标用户对所述第u个待推荐视频的当前观看进度及历史用户对所述第u个待推荐视频的平均观看进度。
具体地，所述第u个待推荐视频为多个待推荐视频中的任意一个待推荐视频。
所述历史用户为在进行本次视频推荐之前观看过所述第u个待推荐视频的所有用户。
所述当前观看进度为所述目标用户在观看所述第u个待推荐视频后统计的观看进度，比如，观看进度为1小时10分钟。需要说明的是，当所述目标用户没有观看过所述第u个待推荐视频时，所述当前观看进度为0分钟。
所述平均观看进度为在进行本次视频推荐之前观看过所述第u个待推荐视频的所有用户对所述第u个待推荐视频观看进度的平均值。比如，总共有3个用户观看过所述第u个待推荐视频，且观看进度分别为1小时，1小时10分钟，1小时20分钟，则平观看进度为1小时10分钟。
步骤S51，获取所述历史用户在观看所述第u个待推荐视频的过程中的第一互动次数与第二互动次数，其中，所述第一互动次数为所述历史用户在所述当前观看进度之前的总互动次数，所述第二互动次数为所述历史用户在所述当前观看进度之后的总互动次数。
作为示例，假设当前观看进度为1小时10分钟，总共有3个用户观看过所述第u个待推荐视频，分别为用户A、用户B及用户C。用户A在1小时10分钟的进度之前的互动次数为3次，在1小时10分钟的进度之后的互动次数为2次；用户B在1小时10分钟的进度之前的互动次数为5次，在1小时10分钟的进度之后的互动次数为1次；用户C在1小时10分钟的进度之前的互动次数为2次，在1小时10分钟的进度之后的互动次数为2次。历史用户对第u个待推荐视频的过程中的第一互动次数＝3+5+2＝10次，历史用户对第u个待推荐视频的过程中的第二互动次数＝2+1+2＝5次。
步骤S52，根据所述当前观看进度、所述平均观看进度、所述第一互动次数、所述第二互动次数及预设的观看进度加权值算法计算所述目标用户对所述第u个待推荐视频的观看进度加权值。
具体地，所述观看进度加权值算法为预先设定的用于计算所述目标用户对第u个待推荐视频的观看进度加权值的公式。
所述观看进度加权值算法为：
f(x)＝Y+X；
其中，当I大于a时，Y＝Ψ0，当I小于或者等于a时，Y＝Ψ1；当t1/t0大于θ时，X＝Ψ2，当t1/t0小于或者等于θ时，X＝Ψ3，I为所述当前观看进度，a为所述平均观看进度，t0为所述第一互动次数，t1为所述第二互动次数，Ψ0，Ψ1，Ψ2，Ψ3，θ为预设数值，f(x)为所述第u个待推荐视频的观看进度加权值，Y与X为用于计算观看进度加权值的两个参数，通过获取这两个参数值可以计算得到观看进度加权值。
在本实施例中，在获取到当前观看进度、所述平均观看进度、所述第一互动次数、所述第二互动次数后，将这些值代入至所述观看进度加权值算法中即可以计算出所述目标用户对所述第u个待推荐视频的观看进度加权值。
在一示例性的实施方式中，所述方法还包括：计算所述目标用户对各个待推荐视频的互动次数加权值的步骤，参阅图6，针对多个待推荐视频中的第u个待推荐视频，计算所述目标用户对第u个待推荐视频的互动次数加权值包括包括：
步骤S60，获取所述目标用户在所述第u个待推荐视频的当前观看进度之前的第三互动次数；步骤S61，根所述第三互动次数及预设的互动次数加权值算法计算所述目标用户对所述第u个待推荐视频的互动次数加权值。
具体地，所述互动次数加权值算法为预先设定的用户计算所述目标用户对所述第u个待推荐视频的互动次数加权值的公式。
所述动次数加权值算法具体为：
g(x)＝(1/(1+exp(-log(2,N+1))-0.5)*θ，其中，g(x)为所述目标用户对所述第u个待推荐视频的互动次数加权值，N为所述第三互动次数，exp为高等数学里以自然常数e为底的指数函数，θ为预设数值。
作为示例，假设用户在所述第u个待推荐视频的当前观看进度之前的第三互动次数为10次，则所述目标用户对所述第u个待推荐视频的互动次数加权值g(x)＝(1/(1+exp(-log(2,10+1))-0.5)*θ。
步骤S21、分别计算所述偏好特征向量与各个待推荐视频的描述特征向量的相似度值，并将计算得到的各个相似度值作为所述目标用户与所述待推荐视频的匹配度。
具体地，分别计算每一个待推荐视频的描述特征向量与所述偏好特征向量的相似度值。
在一实施方式中，可以分别计算所述偏好特征向量与各个待推荐视频的描述特征向量的欧拉距离，并将所述欧拉距离作为所述相似度值。在另一实施方式中，可以分别计算所述偏好特征向量与各个待推荐视频的描述特征向量的余弦距离，并将所述余弦距离作为所述相似度值。
步骤S22、获取所述目标用户对各个待推荐视频的观看进度加权值及互动次数加权值。
具体地，所述观看进度加权值及互动次数加权值可以通过上述实施例中的方法预先计算得到，并在得到后保存在预设文件中，这样，当需要获取时，即可以从该预设文件中获取所述观看进度加权值及互动次数加权值。
步骤S23、根据预设的推荐权值算法、所述目标用户与各个待推荐视频的匹配度、所述目标用户对各个待推荐视频的观看进度加权值及互动次数加权值计算所述目标用户对各个待推荐视频的推荐值。
具体地，推荐权值算法为预先设定的用于计算所述目标用户对各个待推荐视频的推荐值的公式。所述推荐权值算法具体为：
S＝ɑ*(1/exp(d)*(f(x)+g(x))，其中，S为推荐值，f(x)为所述观看进度加权值、g(x)为所述互动次数加权值，ɑ为预设数值，d为所述匹配度。
在本实施例中，在获取到目标用户对u个待推荐视频的匹配度、观看进度加权值及互动次数加权值后，将这些值代入至推荐权值算法中，即可以计算得到目标用户对u个待推荐视频的推荐值。其中，对u个待推荐视频为所有待推荐视频中的任意一个待推荐视频。
步骤S24、将选择偏好度符合预设条件的待推荐视频组成推荐列表推荐给所述目标用户。
具体地，所述预设条件为预先设定的用于从视频库中选择视频作为推荐列表中的视频的条件，比如，所述预设条件为选择偏好度排在10位以内的视频，即在进行视频推荐时，或选择选择偏好度值处于10为以内的待推荐视频作为推荐列表中的视频。
在一示例性的实施方式中，为了便于选择视频作为所述推荐列表中的视频，参阅图7，所述将推荐值符合预设条件的待推荐视频组成推荐列表推荐给所述目标用户包括：步骤S70，将得到的各个推荐值按照从大到小的顺序进行排序；步骤S71，选择推荐值排在预设位以内的待推荐视频组成推荐列表推荐给所述目标用户。
具体地，在计算得到目标用户对所有的待推荐视频的推荐值后，可以将这些推荐值从大到小或者从小到大的顺序进行排序，之后可以从中选择排在预设位以内的待推荐视频组成推荐列表推荐给所述目标用户。
所述预定位为预先设定的，其可以根据实际情况进行设定与调整，比如，所述预设位为排名前10位。
本实施例。通过获取用户的偏好特征向量及多个待推荐视频的描述特征向量，所述偏好特征向量为所述目标用户偏好视频类型所对应的第一类型向量，所述描述特征向量为所述待推荐视频所属的第二类型向量；分别计算所述偏好特征向量与各个待推荐视频的描述特征向量的相似度值，并将计算得到的各个相似度值作为所述目标用户与所述待推荐视频的匹配度；获取所述目标用户对各个待推荐视频的观看进度加权值及互动次数加权值；根据预设的推荐权值算法、所述目标用户与各个待推荐视频的匹配度、所述目标用户对各个待推荐视频的观看进度加权值及互动次数加权值计算所述目标用户对各个待推荐视频的推荐值；将推荐值符合预设条件的待推荐视频组成推荐列表推荐给所述目标用户，从而可以实现在对视频进行推荐时，不仅会考虑视频本身的特性是否满足用户的偏好习惯，同时还会考虑用户对这个视频的观看进度及互动次数，再决定是否应该向用户推荐该视频，从而提升视频推荐的准确率，避免同一个视频被错误的向用户多次推荐，或者某个用户喜欢的视频莫名不被推荐，从而提高视频推荐准确度。
参阅图8所示，是本申请视频推荐装置80一实施例的程序模块图。
本实施例中，所述视频推荐装置80包括一系列的存储于存储器上的计算机程序指令，当该计算机程序指令被处理器执行时，可以实现本申请各实施例的视频推荐功能。在一些实施例中，基于该计算机程序指令各部分所实现的特定的操作，视频推荐装置80可以被划分为一个或模块，具体可以划分的模块如下：
第一获取模块81，用于获取用户的偏好特征向量及多个待推荐视频的描述特征向量，所述偏好特征向量为所述目标用户偏好视频类型所对应的第一类型向量，所述描述特征向量为所述待推荐视频所属的第二类型向量；
第一计算模块82，用于分别计算所述偏好特征向量与各个待推荐视频的描述特征向量的相似度值，并将计算得到的各个相似度值作为所述目标用户与所述待推荐视频的匹配度；
第二获取模块83，用于获取所述目标用户对各个待推荐视频的观看进度加权值及互动次数加权值；
第二计算模块84，用于根据预设的推荐权值算法、所述目标用户与各个待推荐视频的匹配度、所述目标用户对各个待推荐视频的观看进度加权值及互动次数加权值计算所述目标用户对各个待推荐视频的推荐值；
推荐模块85，用于将推荐值符合预设条件的待推荐视频组成推荐列表推荐给所述目标用户。
在一示例性的实施方式中，所述第一获取模块81，还用于获取所述目标用户的历史观看记录，所述历史观看记录包括所述目标用户在历史时间段内观看的每一个历史视频的观看时长、每一个历史视频的总时长及观看每一个历史视频过程中的互动次数，其中，每一个历史视频具有对应的描述特征向量；根据各个历史视频的描述特征向量、所述目标用户对各个历史视频的观看时长、所述目标用户在观看各个历史视频的过程中的互动次数及各个历史视频的总时长确定所述目标用户的偏好特征向量。
在一示例性的实施方式中，所述描述特征向量由多个描述特征分量组成，所述偏好特征向量由多个偏好特征分量组成，所述第一获取模块81，还用于根据各个历史视频的描述特征向量统计每一个描述特征分量对应的历史视频的总数量；根据每一个描述特征分量对应的各个历史视频的所述总时长、所述观看时长、所述互动次数、所述历史视频的总数量及预设的偏好特征算法计算每一个描述特征分量对应的偏好特征分量，并将得到的所有偏好特征分量组成所述偏好特征向量。
在一示例性的实施方式中，所述第二获取模块83，还用于获取所述目标用户对所述第u个待推荐视频的当前观看进度及历史用户对所述第u个待推荐视频的平均观看进度；获取所述历史用户在观看所述第u个待推荐视频的过程中的第一互动次数与第二互动次数，其中，所述第一互动次数为所述历史用户在所述当前观看进度之前的总互动次数，所述第二互动次数为所述历史用户在所述当前观看进度之后的总互动次数；根据所述当前观看进度、所述平均观看进度、所述第一互动次数、所述第二互动次数及预设的观看进度加权值算法计算所述目标用户对所述第u个待推荐视频的观看进度加权值。
在一示例性的实施方式中，第二获取模块83，还用于获取所述目标用户在所述第u个待推荐视频的当前观看进度之前的第三互动次数；根所述第三互动次数及预设的互动次数加权值算法计算所述目标用户对所述第u个待推荐视频的互动次数加权值。
在一示例性的实施方式中，所述第一计算模块82，还用于分别计算所述偏好特征向量与各个待推荐视频的描述特征向量的欧拉距离，并将所述欧拉距离作为所述相似度值。
在一示例性的实施方式中，所述推荐模块85，还用于将得到的各个推荐值按照从大到小的顺序进行排序；选择推荐值排在预设位以内的待推荐视频组成推荐列表推荐给所述目标用户。
图9示意性示出了根据本申请实施例的适于实现视频推荐方法的计算机设备9的硬件架构示意图。本实施例中，计算机设备9是一种能够按照事先设定或者存储的指令，自动进行数值计算出和/或信息处理的设备。例如，可以是平板电脑、笔记本电脑、台式计算机、机架式服务器、刀片式服务器、塔式服务器或机柜式服务器(包括独立的服务器，或者服务器所组成的服务器集群)等。如图9所示，计算机设备9至少包括但不限于：可通过系统总线相互通信链接存储器120、处理器121、网络接口122。其中：
存储器120至少包括一种类型的计算机可读存储介质，该可读存储介质可以是易失性的，也可以是非易失性的，具体而言，可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，存储器120可以是计算机设备9的内部存储模块，例如该计算机设备9的硬盘或内存。在另一些实施例中，存储器120也可以是计算机设备9的外部存储设备，例如该计算机设备9上配备的插接式硬盘，智能存储卡(Smart Media Card，简称为SMC)，安全数字(Secure Digital，简称为SD)卡，闪存卡(Flash Card)等。当然，存储器120还可以既包括计算机设备9的内部存储模块也包括其外部存储设备。本实施例中，存储器120通常用于存储安装于计算机设备9的操作系统和各类应用软件，例如视频推荐方法的程序代码等。此外，存储器120还可以用于暂时地存储已经输出或者将要输出的各类数据。
处理器121在一些实施例中可以是中央处理器(Central Processing Unit，简称为CPU)、控制器、微控制器、微处理器、或其它视频推荐芯片。该处理器121通常用于控制计算机设备9的总体操作，例如执行与计算机设备9进行数据交互或者通信相关的控制和处理等。本实施例中，处理器121用于运行存储器120中存储的程序代码或者处理数据。
网络接口122可包括无线网络接口或有线网络接口，该网络接口122通常用于在计算机设备9与其它计算机设备之间建立通信链接。例如，网络接口122用于通过网络将计算机设备9与外部终端相连，在计算机设备9与外部终端之间的建立数据传输通道和通信链接等。网络可以是企业内部网(Intranet)、互联网(Internet)、全球移动通讯系统(GlobalSystem of Mobile communication，简称为GSM)、宽带码分多址(Wideband Code DivisionMultiple Access，简称为WCDMA)、4G网络、5G网络、蓝牙(Bluetooth)、Wi-Fi等无线或有线网络。
需要指出的是，图9仅示出了具有部件120～122的计算机设备，但是应理解的是，并不要求实施所有示出的部件，可以替代的实施更多或者更少的部件。
在本实施例中，存储于存储器120中的视频推荐方法可以被分割为一个或者程序模块，并由一个或处理器(本实施例为处理器121)所执行，以完成本申请。
本申请实施例提供了一种计算机可读存储介质，计算机可读存储介质其上存储有计算机程序，计算机程序被处理器执行时实现实施例中的视频推荐方法的步骤。
本实施例中，计算机可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，计算机可读存储介质可以是计算机设备的内部存储单元，例如该计算机设备的硬盘或内存。在另一些实施例中，计算机可读存储介质也可以是计算机设备的外部存储设备，例如该计算机设备上配备的插接式硬盘，智能存储卡(Smart Media Card，简称为SMC)，安全数字(Secure Digital，简称为SD)卡，闪存卡(Flash Card)等。当然，计算机可读存储介质还可以既包括计算机设备的内部存储单元也包括其外部存储设备。本实施例中，计算机可读存储介质通常用于存储安装于计算机设备的操作系统和各类应用软件，例如实施例中的视频推荐方法的程序代码等。此外，计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的各类数据。
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到至少两个网络单元上。可以根据实际的需要筛选出其中的部分或者全部模块来实现本申请实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域普通技术人员可以清楚地了解到各实施方式可借助软件加通用硬件平台的方式来实现，当然也可以通过硬件。本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-OnlyMemory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。
最后应说明的是：以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。

Claims (10)

1.一种视频推荐方法，其特征在于，所述方法包括：
获取目标用户的偏好特征向量及多个待推荐视频的描述特征向量，所述偏好特征向量为所述目标用户偏好视频类型所对应的第一类型向量，所述描述特征向量为所述待推荐视频所属的第二类型向量；
分别计算所述偏好特征向量与各个待推荐视频的描述特征向量的相似度值，并将计算得到的各个相似度值作为所述目标用户与所述待推荐视频的匹配度；
获取所述目标用户对各个待推荐视频的观看进度加权值及互动次数加权值；
根据预设的推荐权值算法、所述目标用户与各个待推荐视频的匹配度、所述目标用户对各个待推荐视频的观看进度加权值及互动次数加权值计算所述目标用户对各个待推荐视频的推荐值；
将推荐值符合预设条件的待推荐视频组成推荐列表推荐给所述目标用户。
2.根据权利要求1所述的视频推荐方法，其特征在于，所述方法还包括：
获取所述目标用户的历史观看记录，所述历史观看记录包括所述目标用户在历史时间段内观看的每一个历史视频的观看时长、每一个历史视频的总时长及观看每一个历史视频过程中的互动次数，其中，每一个历史视频具有对应的描述特征向量；
根据各个历史视频的描述特征向量、所述目标用户对各个历史视频的观看时长、所述目标用户在观看各个历史视频的过程中的互动次数及各个历史视频的总时长确定所述目标用户的偏好特征向量。
3.根据权利要求2所述的视频推荐方法，其特征在于，所述描述特征向量由多个描述特征分量组成，所述偏好特征向量由多个偏好特征分量组成，所述根据各个历史视频的描述特征向量、所述目标用户对各个历史视频的观看时长、所述目标用户在观看各个历史视频的过程中的互动次数及各个历史视频的总时长确定所述目标用户的偏好特征向量包括：
根据各个历史视频的描述特征向量统计每一个描述特征分量对应的历史视频的总数量；
根据每一个描述特征分量对应的各个历史视频的所述总时长、所述观看时长、所述互动次数、所述历史视频的总数量及预设的偏好特征算法计算每一个描述特征分量对应的偏好特征分量，并将得到的所有偏好特征分量组成所述偏好特征向量。
4.根据权利要求1所述的视频推荐方法，其特征在于，所述方法还包括：计算所述目标用户对各个待推荐视频的互动次数加权值的步骤，其中，针对多个待推荐视频中的第u个待推荐视频，计算所述目标用户对第u个待推荐视频的观看进度加权值包括：
获取所述目标用户对所述第u个待推荐视频的当前观看进度及历史用户对所述第u个待推荐视频的平均观看进度；
获取所述历史用户在观看所述第u个待推荐视频的过程中的第一互动次数与第二互动次数，其中，所述第一互动次数为所述历史用户在所述当前观看进度之前的总互动次数，所述第二互动次数为所述历史用户在所述当前观看进度之后的总互动次数；
根据所述当前观看进度、所述平均观看进度、所述第一互动次数、所述第二互动次数及预设的观看进度加权值算法计算所述目标用户对所述第u个待推荐视频的观看进度加权值。
5.根据权利要求4所述的视频推荐方法，其特征在于，所述方法还包括：计算所述目标用户对各个待推荐视频的互动次数加权值的步骤，其中，针对多个待推荐视频中的第u个待推荐视频，计算所述目标用户对第u个待推荐视频的互动次数加权值包括：
获取所述目标用户在所述第u个待推荐视频的当前观看进度之前的第三互动次数；
根所述第三互动次数及预设的互动次数加权值算法计算所述目标用户对所述第u个待推荐视频的互动次数加权值。
6.根据权利要求1所述的视频推荐方法，其特征在于，所述分别计算所述偏好特征向量与各个待推荐视频的描述特征向量的相似度值包括：
分别计算所述偏好特征向量与各个待推荐视频的描述特征向量的欧拉距离，并将所述欧拉距离作为所述相似度值。
7.根据权利要求1至6所述的视频推荐方法，其特征在于，所述将推荐值符合预设条件的待推荐视频组成推荐列表推荐给所述目标用户包括：
将得到的各个推荐值按照从大到小的顺序进行排序；
选择推荐值排在预设位以内的待推荐视频组成推荐列表推荐给所述目标用户。
8.一种视频推荐装置，其特征在于，所述视频推荐装置包括：
第一获取模块，用于获取用户的偏好特征向量及多个待推荐视频的描述特征向量，所述偏好特征向量为所述目标用户偏好视频类型所对应的第一类型向量，所述描述特征向量为所述待推荐视频所属的第二类型向量；
第一计算模块，用于分别计算所述偏好特征向量与各个待推荐视频的描述特征向量的相似度值，并将计算得到的各个相似度值作为所述目标用户与所述待推荐视频的匹配度；
第二获取模块，用于获取所述目标用户对各个待推荐视频的观看进度加权值及互动次数加权值；
第二计算模块，用于根据预设的推荐权值算法、所述目标用户与各个待推荐视频的匹配度、所述目标用户对各个待推荐视频的观看进度加权值及互动次数加权值计算所述目标用户对各个待推荐视频的推荐值；
推荐模块，用于将推荐值符合预设条件的待推荐视频组成推荐列表推荐给所述目标用户。
9.一种计算机设备，所述计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现权利要求1至7任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7任一项所述的方法的步骤。
CN202211266386.1A 2022-10-17 2022-10-17 视频推荐方法及装置 Pending CN115544299A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211266386.1A CN115544299A (zh) 2022-10-17 2022-10-17 视频推荐方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211266386.1A CN115544299A (zh) 2022-10-17 2022-10-17 视频推荐方法及装置

Publications (1)

Publication Number Publication Date
CN115544299A true CN115544299A (zh) 2022-12-30

Family

ID=84735938

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211266386.1A Pending CN115544299A (zh) 2022-10-17 2022-10-17 视频推荐方法及装置

Country Status (1)

Country Link
CN (1) CN115544299A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116975396A (zh) * 2023-09-25 2023-10-31 北京市大数据中心 政务服务智能推荐方法、系统、设备及存储介质
CN117156184A (zh) * 2023-08-11 2023-12-01 魔人传媒(杭州)有限公司 智能投放视频播放方法、装置、设备及存储介质

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117156184A (zh) * 2023-08-11 2023-12-01 魔人传媒(杭州)有限公司 智能投放视频播放方法、装置、设备及存储介质
CN117156184B (zh) * 2023-08-11 2024-05-17 魔人传媒(杭州)有限公司 智能投放视频播放方法、装置、设备及存储介质
CN116975396A (zh) * 2023-09-25 2023-10-31 北京市大数据中心 政务服务智能推荐方法、系统、设备及存储介质

Similar Documents

Publication Publication Date Title
TWI702844B (zh) 用戶特徵的生成方法、裝置、設備及儲存介質
CN107885796B (zh) 信息推荐方法及装置、设备
US10904599B2 (en) Predicting digital personas for digital-content recommendations using a machine-learning-based persona classifier
CN115544299A (zh) 视频推荐方法及装置
EP2668545B1 (en) Dynamic predictive modeling platform
US9864951B1 (en) Randomized latent feature learning
JP6547070B2 (ja) プッシュ情報粗選択ソーティングの方法、デバイス、およびコンピュータ記憶媒体
CN111782957A (zh) 一种推荐内容的方法、装置、计算设备及存储介质
CN111858969B (zh) 多媒体数据推荐方法、装置、计算机设备和存储介质
CN112423134B (zh) 视频内容推荐方法、装置、计算机设备及存储介质
CN112669078A (zh) 一种行为预测模型训练方法、装置、设备及存储介质
CN108419135B (zh) 相似度确定方法、装置及电子设备
US20150356163A1 (en) Methods and systems for analyzing datasets
WO2020253369A1 (zh) 生成兴趣标签的方法、装置、计算机设备和存储介质
CN112749296B (zh) 一种视频推荐方法、装置、服务器及存储介质
CN114443671A (zh) 推荐模型的更新方法、装置、计算机设备和存储介质
CN115687691A (zh) 视频推荐方法及装置
CN113592589A (zh) 纺织原料推荐方法、装置及处理器
CN112565902B (zh) 一种视频推荐方法、装置及电子设备
CN117035914A (zh) 产品的推荐方法、装置、计算机设备及存储介质
CN111475720A (zh) 推荐方法、装置、服务器及存储介质
CN115618054A (zh) 视频推荐方法及装置
EP4360058A1 (en) Artificial intelligence assisted live sports data quality assurance
KR20230061222A (ko) 머신러닝 기반 다 유형 사용자 환경에서의 콘텐츠 추천 방법
JP6617605B2 (ja) 需要量予測プログラム、需要量予測方法、及び情報処理装置

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