CN115659027B - 一种基于短视频数据标签的推荐方法、系统及云平台 - Google Patents
一种基于短视频数据标签的推荐方法、系统及云平台 Download PDFInfo
- Publication number
- CN115659027B CN115659027B CN202211334608.9A CN202211334608A CN115659027B CN 115659027 B CN115659027 B CN 115659027B CN 202211334608 A CN202211334608 A CN 202211334608A CN 115659027 B CN115659027 B CN 115659027B
- Authority
- CN
- China
- Prior art keywords
- short video
- preset
- user
- user description
- target
- 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.)
- Active
Links
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请实施例提供的基于短视频数据标签的推荐方法、系统及云平台,通过确定短视频数据序列,再针对短视频数据序列确定短视频数据序列对应的临时短视频映射对照表,之后依据每一临时短视频映射对照表确定最终短视频映射对照表,接着确定拟推荐用户的一个或多个目标用户描述标签,依据每一目标用户描述标签和所述最终短视频映射对照表确定拟推荐用户匹配的目标短视频,最后将目标短视频推送至拟推荐用户登录的短视频客户端。采用暂时获得目标短视频匹配于用户描述标签的第一支持度,再将各临时短视频映射对照表整合得到可准确指示每个预设短视频匹配于预设用户描述标签的最终支持度的最终短视频映射对照表,匹配准确度高,速度快且普适性强。
Description
技术领域
本申请涉及短视频、数据处理领域,具体而言,涉及一种基于短视频数据标签的推荐方法、系统及云平台。
背景技术
借助互联网、高速通信以及智能手机的高速发展,短视频在近几年得到了高速发展,各大短视频平台的月活数量呈现爆发式积累,已经成为了绝大部分网民的滞留地。如此大的月活数量,离不开短视频平台针对用户开发的短视频推荐算法,用户在短视频平台观看视频时,短视频平台借助推荐算法,了解用户的视频观看倾向,推荐符合用户视频观看倾向的短视频,令用户长时间停留在短视频平台上,可以理解,推荐算法是保障短视频推荐的前提,也是短视频平台一直致力于研究的技术课题,大多数短视频平台都有其专属的推荐策略和算法,但是准确性和高效性还值得继续研究。
发明内容
本发明的目的在于提供一种基于短视频数据标签的推荐方法、系统及云平台,以提高短视频推荐的准确性和高效性。
为了达到上述目的,本申请实施例是这样实现的:
第一方面,本申请实施例提供了一种基于短视频数据标签的推荐方法,应用于短视频推荐云平台,所述短视频推荐云平台与一个或多个短视频客户端通信连接,所述方法包括:
确定一个或多个短视频数据序列,每一所述短视频数据序列包括一个或多个用户倾向的目标短视频以及对应的用户描述标签;
针对各个所述短视频数据序列,确定所述短视频数据序列对应的临时短视频映射对照表;其中,所述临时短视频映射对照表包含所述短视频数据序列中的每一目标短视频匹配于所述短视频数据序列中的每一个用户描述标签的第一支持度;
依据每一所述临时短视频映射对照表确定最终短视频映射对照表;其中,所述最终短视频映射对照表包含每一个预设短视频匹配于每一个预设用户描述标签的最终支持度,每一所述最终支持度是依据每一所述临时短视频映射对照表中所述最终支持度对应的预设短视频匹配于所述最终支持度对应的预设用户描述标签的一个或多个第一支持度获取到的,每一所述预设短视频为各个所述短视频数据序列对应的目标短视频中的一个目标短视频,每一个所述预设用户描述标签为各个所述短视频数据序列对应的用户描述标签中的一个用户描述标签;
确定拟推荐用户的一个或多个目标用户描述标签,依据每一所述目标用户描述标签和所述最终短视频映射对照表确定所述拟推荐用户匹配的目标短视频;
将所述目标短视频推送至所述拟推荐用户登录的短视频客户端。
作为一种实施方式,针对各个所述短视频数据序列,所述确定所述短视频数据序列对应的临时短视频映射对照表,包括:
针对所述短视频数据序列中的每一目标短视频和每一个用户描述标签,确定所述短视频数据序列中所述倾向于所述目标短视频的用户的第一统计数值和所述倾向于所述目标短视频且匹配于所述用户描述标签的用户的第二统计数值,依据所述第一统计数值和所述第二统计数值,确定所述目标短视频匹配于所述用户描述标签的第一支持度;
依据所述短视频数据序列中的每一目标短视频对应的每一所述第一支持度,确定所述短视频数据序列对应的临时短视频映射对照表。
作为一种实施方式,所述依据每一所述临时短视频映射对照表,确定最终短视频映射对照表,包括:
对于每一所述预设短视频和每一所述预设用户描述标签,确定每一所述临时短视频映射对照表中包括所述预设短视频对应的第一支持度的第一短视频映射对照表,依据每一所述第一短视频映射对照表的第三统计数值和每一所述第一短视频映射对照表中所述预设短视频匹配于所述预设用户描述标签的第一支持度,确定所述预设短视频匹配于所述预设用户描述标签的整合支持度;
依据每一所述预设短视频匹配于每一个所述预设用户描述标签的整合支持度,确定最终短视频映射对照表;
所述依据每一所述预设短视频匹配于每一个所述预设用户描述标签的整合支持度,确定最终短视频映射对照表,包括:
确定每一所述预设用户描述标签对应的用户描述标签映射网;其中,所述用户描述标签映射网中的一个网结代表一个所述预设用户描述标签,所述用户描述标签映射网中的一个网结的衍生网结指示的预设用户描述标签为所述网结指示的预设用户描述标签的衍生用户描述标签;
依据所述用户描述标签映射网对每一所述预设短视频匹配于每一个所述预设用户描述标签的整合支持度进行优化,得到每一所述预设短视频匹配于每一个所述预设用户描述标签的最终支持度。
作为一种实施方式,对于每一所述预设短视频和每一个所述预设用户描述标签,依据所述用户描述标签映射网对所述预设短视频匹配于所述预设用户描述标签的整合支持度进行优化,得到所述预设短视频匹配于所述预设用户描述标签的最终支持度,包括:
若所述预设短视频匹配于所述预设用户描述标签的整合支持度大于支持度临界值,并且所述用户描述标签映射网中不包括第一网结的衍生网结,则将所述预设短视频匹配于所述预设用户描述标签的整合支持度确定为所述预设短视频匹配于所述预设用户描述标签的最终支持度,所述第一网结为所述用户描述标签映射网中指示所述预设用户描述标签的网结;
若所述预设短视频匹配于所述预设用户描述标签的整合支持度大于所述支持度临界值,并且所述用户描述标签映射网中包括所述第一网结的衍生网结,则将所述预设短视频匹配于所述预设用户描述标签的整合支持度和所述预设短视频匹配于所述第一网结的各个衍生网结指示的预设用户描述标签的最终支持度中最大的整合支持度确定为所述预设短视频匹配于所述预设用户描述标签的最终支持度;
若所述预设短视频匹配于所述预设用户描述标签的整合支持度不大于所述支持度临界值,并且所述用户描述标签映射网中的第二网结包括一个或多个第三网结,依据所述预设短视频匹配于所述第一网结的各个衍生网结指示的预设用户描述标签的最终支持度,确定所述预设短视频匹配于所述预设用户描述标签的最终支持度;其中,所述第二网结包括所述第一网结的各个衍生网结以及和所述第一网结产生联系的网结,并且所述预设短视频匹配于每一所述第三网结指示的预设用户描述标签的整合支持度大于所述支持度临界值;
若所述预设短视频匹配于所述预设用户描述标签的整合支持度不大于所述支持度临界值,并且所述用户描述标签映射网中不包括所述第一网结的衍生网结,或者所述预设短视频匹配于所述预设用户描述标签的整合支持度不大于所述支持度临界值,并且所述用户描述标签映射网中的第二网结不包括所述第三网结,将预设支持度确定为所述预设短视频匹配于所述预设用户描述标签的最终支持度。
作为一种实施方式,所述依据每一所述目标用户描述标签和所述最终短视频映射对照表,确定所述拟推荐用户匹配的目标短视频,包括:依据每一所述目标用户描述标签和所述最终短视频映射对照表,确定所述拟推荐用户与每个所述预设短视频的目标共性评分;依据所述拟推荐用户与每个所述预设短视频的目标共性评分,确定所述拟推荐用户匹配的目标短视频;
对于每一所述预设短视频,依据每一所述目标用户描述标签和所述最终短视频映射对照表,确定所述拟推荐用户与所述预设短视频的目标共性评分,包括:依据所述最终短视频映射对照表,确定每一个所述预设用户描述标签对目标短视频的贡献比例系数,依据每一所述预设用户描述标签对应的贡献比例系数和每一所述目标用户描述标签,确定所述拟推荐用户与所述预设短视频的目标共性评分;或者;获取任意一用户匹配于所述预设短视频的第二支持度,依据所述第二支持度和所述预设短视频匹配于每一个所述预设用户描述标签的最终支持度,确定所述拟推荐用户与所述预设短视频的目标共性评分;或者;将每一所述目标用户描述标签加载到目标短视频推荐网络,得到所述拟推荐用户与所述预设短视频的目标共性评分,其中,所述目标短视频推荐网络是依据所述最终短视频映射对照表进行调校获取的。
作为一种实施方式,对于每一所述预设短视频,所述依据每一所述预设用户描述标签对应的贡献比例系数和每一所述目标用户描述标签,确定所述拟推荐用户与所述预设短视频的目标共性评分,包括:
确定每一所述目标用户描述标签中的第一用户描述标签;其中,每一所述目标用户描述标签不包括所述第一用户描述标签的衍生用户描述标签;
确定每一所述第一用户描述标签与每一所述预设用户描述标签中的第一预设用户描述标签的第一用户描述标签交集,依据所述第一用户描述标签交集中的每一用户描述标签对应的贡献比例系数,确定所述拟推荐用户与所述预设短视频的目标共性评分;其中,所述预设短视频匹配于每个所述第一预设用户描述标签的最终支持度大于支持度参考值;
针对每一所述预设短视频,所述依据所述第一用户描述标签交集中的每一用户描述标签对应的贡献比例系数,确定所述拟推荐用户与所述预设短视频的目标共性评分,包括:
依据所述第一用户描述标签交集中的每一用户描述标签对应的贡献比例系数确定所述拟推荐用户与所述预设短视频的第一共性评分;
确定每一所述第一预设用户描述标签中的第二预设用户描述标签;其中,每一所述第一预设用户描述标签不包括所述第二预设用户描述标签的衍生用户描述标签;
确定每一所述第二预设用户描述标签与每一所述目标用户描述标签的第二用户描述标签交集,依据所述第二用户描述标签交集中的每一用户描述标签对应的贡献比例系数确定所述拟推荐用户与所述预设短视频的第二共性评分;
依据所述第一共性评分和所述第二共性评分,确定所述拟推荐用户与所述预设短视频的目标共性评分。
作为一种实施方式,所述依据所述第二支持度和所述预设短视频匹配于每一个所述预设用户描述标签的最终支持度,确定所述拟推荐用户与所述预设短视频的目标共性评分,包括:
确定每一所述目标用户描述标签中的第一用户描述标签;其中,每一所述目标用户描述标签不包括所述第一用户描述标签的衍生用户描述标签;
依据所述预设短视频匹配于每一个所述预设用户描述标签的最终支持度,确定所述预设短视频同时匹配于每一所述第一用户描述标签的第三支持度;
依据所述第二支持度和所述第三支持度,确定所述拟推荐用户与所述预设短视频的目标共性评分。
作为一种实施方式,所述目标短视频推荐网络是依据以下方式进行调校获取的:
依据各个所述短视频数据序列生成多个第一调试序列,每一所述第一调试序列包括一个用户匹配于一个目标短视频时对应的用户描述标签,每一所述第一调试序列记录有序列记录信息,每一所述第一调试序列的序列记录信息包含对应用户倾向的实际目标短视频;
依据所述最终短视频映射对照表,生成每一所述第一调试序列对应的第二调试序列,每一所述第二调试序列包括一个用户匹配于一个目标短视频时对应的用户描述标签,每一所述第二调试序列记录有序列记录信息,每一所述第二调试序列的序列记录信息包含对应用户倾向的实际目标短视频;其中,每个第一调试序列和第二调试序列对应相同的用户和目标短视频,并且对应于不同的用户描述标签;
将每一所述第一调试序列和每一所述第二调试序列中的每一用户描述标签加载到待调校网络,得到每一所述第一调试序列和每一所述第二调试序列对应的用户与每一所述预设短视频的预测共性评分,依据每一所述第一调试序列对应的用户与每一所述预设短视频的预测共性评分确定所述第一调试序列对应的用户的预测目标短视频,依据每一所述第二调试序列对应的用户与每一所述预设短视频的预测共性评分确定所述第二调试序列对应的用户的预测目标短视频,依据每一所述第一调试序列和每一所述第二调试序列的序列记录信息所指示的实际目标短视频和每一所述第一调试序列和每一所述第二调试序列对应的预测目标短视频,确定调校误差,依据所述调校误差、每一所述第一调试序列和每一所述第二调试序列对所述待调校网络进行调校,直到所述待调校网络收敛,将收敛后的所述待调校网络确定为所述目标短视频推荐网络;其中,在网络调校时,针对各个所述第二调试序列,按照预设的周期依据所述第二调试序列在对应周期的预测目标短视频,优化所述第二调试序列的序列记录信息。
第二方面,本申请实施例提供了一种短视频推荐云平台,包括处理器和存储器,所述存储器存储有计算机程序,当所述处理器执行所述计算机程序时,执行以上所述的方法。
第三方面,本申请实施例提供了一种短视频推荐系统,包括短视频推荐云平台和与所述短视频推荐云平台通信连接的至少一个短视频客户端,所述短视频推荐云平台包括处理器和存储器,所述存储器存储有计算机程序,当所述处理器执行所述计算机程序时,执行以上所述的方法。
在本申请实施例中,通过确定每个短视频数据序列对应的临时短视频映射对照表,可暂时获得每个短视频数据序列中的每一目标短视频匹配于每一用户描述标签的第一支持度,然后将各临时短视频映射对照表进行整合,获得可以准确指示每一个预设短视频匹配于每一个预设用户描述标签的最终支持度的最终短视频映射对照表,基于此,在依据最终短视频映射对照表确定拟推荐用户的目标短视频时匹配准确度高,速度快且普适性强。
在后面的描述中,将部分地陈述其他的特征。在检查后面内容和附图时,本领域的技术人员将部分地发现这些特征,或者可以通过生产或运用了解到这些特征。通过实践或使用后面所述详细示例中列出的方法、工具和组合的各个方面,当前申请中的特征可以被实现和获得。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对本申请实施例描述中所需要使用的附图作简单地介绍。
图1是本申请实施例提供的一种基于短视频数据标签的推荐方法的流程图。
图2是一种实施方式中提供的用户描述标签数组的示意图。
图3是一种实施方式中提供的目标短视频数组的示意图。
图4是一种实施方式中提供的短视频映射对照表的示意图。
图5是本申请实施例提供的推荐装置的功能模块架构示意图。
图6是本申请实施例提供的一种短视频推荐云平台的组成示意图。
具体实施方式
下面结合本申请实施例中的附图对本申请实施例进行描述。本申请实施例的实施方式部分使用的术语仅用于对本申请的具体实施例进行解释,而非旨在限定本申请。
本申请实施例中基于短视频数据标签的推荐方法的执行主体为计算机设备,包括但不限于服务器、个人电脑、笔记本电脑、平板电脑、智能手机等。计算机设备包括短视频客户端与短视频推荐云平台。其中,短视频客户端包括但不限于电脑、智能手机、PAD等;短视频推荐云平台包括但不限于单个网络服务器、多个网络服务器组成的服务器组或于云计算的由大量计算机或网络服务器构成的云,其中,云计算是分布式计算的一种,由一群松散耦合的计算机集组成的一个超级虚拟计算机。其中,短视频推荐云平台可单独运行来实现本申请,也可接入网络并通过与网络中的其他计算机设备的交互操作来实现本申请。其中,计算机设备所处的网络包括但不限于互联网、广域网、城域网、局域网、VPN网络等。短视频客户端与短视频推荐云平台基于上述网络建立通信,形成本申请实施例提供的短视频推荐系统。本申请实施例通过短视频推荐云平台进行目标短视频的确定,并推送至对应的短视频客户端。
本申请实施例提供了一种基于短视频数据标签的推荐方法,该方法应用于服务器,如图1所示,该方法包括步骤110~步骤150,具体包括:
步骤110:确定一个或多个短视频数据序列。
作为本申请实施例的一种实施方式,每一短视频数据序列包括一个或多个用户倾向的目标短视频以及对应的用户描述标签。其中,短视频数据序列为短视频平台收集分析并归纳的历史数据序列,用户倾向的目标短视频是目标用户感兴趣的短视频,用户描述标签是对用户进行用户画像描绘的画像标签,可以包括静态标签和/或动态标签,静态标签为用户的固有属性,可以构成用户画像的基础框架,其包括但不限于用户的基本信息,如社会属性、商业属性、心理属性等更进一步而言,可以包括如姓名、年龄、性别、学历、职业、居住地、婚恋状态、家庭状态等等;动态标签为用户在短视频平台的行为标签,包括对短视频搜索、收藏、评论、点赞、分享、取关、加入购物车、购买等相关行为的描述标签,如点赞倾向:情节反转、走心的内容;评论倾向:具备争议性话题;取消关注倾向:广告植入生硬、断更时间太长……举例而言,目标短视频的内容为“主角发现日常生活问题,通过一番复杂炫目的操作,发明并制造出一个华丽无用的产品”,对应的用户描述标签为“男性”、“20~30岁”、“点赞倾向:结尾出乎意料、搞笑”。以上示例仅为示例,在实际运用中,可能涉及到的标签粒度和种类会有所差异,此处并不作为限制本申请构思的因素。
另外需要说明的是,以上所述的用户倾向的目标短视频以及对应的用户描述标签为通过对用户的历史数据进行分析获得的,该历史数据必须是建立在法律法规允许范围之类,不侵犯用户的个人权益,同时经由用户同意进行收集的数据。本申请实施例的目的在于根据用户描述标签选取用户可能倾向的目标短视频进行精准推荐。
步骤120:针对各个短视频数据序列,确定短视频数据序列对应的临时短视频映射对照表。
作为本申请实施例的一种实施方式,每个短视频数据序列对应的临时短视频映射对照表包含短视频数据序列中的每一目标短视频匹配于短视频数据序列中的每一个用户描述标签的可能性,即第一支持度,换言之,其中包含用户在倾向短视频数据序列中的某一目标短视频时,匹配于每一个用户描述标签的第一支持度。
具体地,针对各个短视频数据序列中的每一目标短视频和每一个用户描述标签,可确定该短视频数据序列中该倾向于该目标短视频的用户的第一统计数值(即倾向于该目标短视频的用户的总数)和该倾向于该目标短视频且匹配于该用户描述标签的用户的第二统计数值(即倾向于该目标短视频,同时匹配于该用户描述标签的用户的总数)。作为一种实施方式,针对各个短视频数据序列中的每一目标短视频和每一个用户描述标签,可将该倾向于该目标短视频且匹配于该用户描述标签的用户的第二统计数值与该倾向于该目标短视频的用户的第一统计数值比例计算结果确定为该目标短视频匹配于该用户描述标签的第一支持度。
针对各个短视频数据序列,可以生成该短视频数据序列对应的目标短视频数组和用户描述标签数组,然后基于目标短视频数组和用户描述标签数组确定任一个目标短视频匹配于任一个用户描述标签的第一支持度。针对各个短视频数据序列,该短视频数据序列对应的用户描述标签数组可依据该短视频数据序列中各用户对应的用户描述标签确定。请参照图2,图2为一种实施例中用户描述标签数组的示意图,将用户在每一用户描述标签的匹配情况通过Y和N进行表达(当然,在其他实施方式中可以是通过其他表现形式进行,例如1和0),用户描述标签数组中的组元为Y时,则代表对应用户匹配于对应的用户描述标签,组元为N时,代表对应用户不匹配于对应的用户描述标签。其中,针对各个短视频数据序列,该短视频数据序列对应的目标短视频数组可依据该短视频数据序列中各用户倾向的目标短视频确定。例如请参照图3,是一种实施方式中目标短视频数组的示意图,同样将用户在每一目标短视频的匹配情况通过Y和N进行表达,目标短视频数组中的组元的为Y时,代表对应用户匹配于对应的目标短视频,组元为N时,代表对应用户不匹配于对应的目标短视频。那么,对应的目标短视频匹配于该用户描述标签的第一支持度,可将该倾向于该目标短视频且匹配于该用户描述标签的用户的第二统计数值与该倾向于该目标短视频的用户的第一统计数值进行比例计算得到。针对各个短视频数据序列,在得到该短视频数据序列中的每一目标短视频匹配于该短视频数据序列中的每一个用户描述标签的第一支持度后,可依据各个第一支持度生成该目标短视频信息对应的临时短视频映射对照表。请参照图4,是一种实施方式中提供的短视频映射对照表的示意图,将短视频映射对照表视为一个数组,该数组中的组元的数值(向量)为对应目标短视频匹配于对应用户描述标签的支持度。
步骤130:依据各临时短视频映射对照表,确定最终短视频映射对照表。
作为本申请实施例的一种实施方式,因为不同短视频数据序列中用户倾向的目标短视频和对应的用户描述标签可能存在误差,致使对应的临时短视频映射对照表中的各个支持度可能和真实的支持度具备偏差,为了增加任一个目标短视频匹配于任一个用户描述标签的第一支持度的精确性,可以把各个短视频数据序列对应的临时短视频映射对照表进行整合(例如融合在一起),以获得最终短视频映射对照表。最终短视频映射对照表包含每一个预设短视频匹配于每一个预设用户描述标签的最终支持度,每一个预设短视频为各短视频数据序列对应的全部目标短视频中的一个目标短视频,每一个预设用户描述标签为各个短视频数据序列对应的所有用户描述标签中的一个用户描述标签。
比如,以上所述预设短视频可以是每个临时短视频映射对照表中都具有的目标短视频,以上所述预设用户描述标签是每个临时短视频映射对照表中都具有的用户描述标签。另外,以上所述的预设短视频还可以是在每个临时短视频映射对照表中存在的频次超过设定值的目标短视频,以上所述的预设用户描述标签可以是每个预设短视频在各临时短视频映射对照表中对应的全部用户描述标签。又比如,以上所述的预设短视频可以是各临时短视频映射对照表对应的全部目标短视频,以上所述的预设用户描述标签是每个临时短视频映射对照表中对应的全部用户描述标签。当然,以上所述的预设短视频和预设用户描述标签的确定,只是本申请中的一种举例说明,在实际应用中,还可以通过其他方式进行确定。
对于最终短视频映射对照表中的每个最终支持度,该最终支持度是依据所有临时短视频映射对照表中该最终支持度对应的预设短视频匹配于该最终支持度对应的预设用户描述标签的每个第一支持度获取到的。详细来说,对于每一个预设短视频和每一个预设用户描述标签,可以在全部临时短视频映射对照表中确定出该预设短视频匹配于该向预设用户描述标签的各个第一支持度,然后将获得的各个第一支持度的支持度均值作为该预设短视频匹配于该预设用户描述标签的最终支持度。另外,可以确定各个临时短视频映射对照表的侧重系数,每个临时短视频映射对照表的侧重系数用于指示该临时短视频映射对照表的真实度,反映其偏向性,同时指示对应短视频数据序列的可信度。将预设短视频匹配于预设用户描述标签的每个第一支持度和相应的侧重系数加权并求和获得预设短视频匹配于预设用户描述标签的最终支持度。
作为一种实施方式,对于每一个预设短视频和每一预设用户描述标签,可确定各临时短视频映射对照表中包括该预设短视频的第一支持度的短视频映射对照表(即第一短视频映射对照表),换言之,在各临时短视频映射对照表中获取包括该预设短视频的关联信息的第一短视频映射对照表。之后,获取各第一短视频映射对照表的第三统计数值和每个第一短视频映射对照表中该预设短视频匹配于该预设用户描述标签的第一支持度,确定该预设短视频匹配于该预设用户描述标签的整合支持度。比如,将每个第一短视频映射对照表中该预设短视频匹配于该预设用户描述标签的第一支持度的支持度求和结果,将该支持度求和结果和第一短视频映射对照表的第三统计数值的比例计算结果确定为该预设短视频匹配于该预设用户描述标签的整合支持度。另一示例中,还可获取每个第一短视频映射对照表的侧重系数,将每个第一短视频映射对照表中该预设短视频匹配于该预设用户描述标签的第一支持度和对应的第一短视频映射对照表的侧重系数作积,然后将各第一短视频映射对照表对应的积求和得到和值。将该和值与第一短视频映射对照表的第三统计数值的比例计算结果确定为该预设短视频匹配于该预设用户描述标签的整合支持度。依据以上所述的过程可得到每一个预设短视频匹配于每一个预设用户描述标签的整合支持度,然后依据各整合支持度确定最终短视频映射对照表。
作为本申请实施例的一种实施方式,在依据每一个预设短视频匹配于每一个预设用户描述标签的整合支持度,确定最终短视频映射对照表的过程中,对于每一个预设短视频和每一个预设用户描述标签,可将该预设短视频匹配于该预设用户描述标签的整合支持度确定为该预设短视频匹配于该预设用户描述标签的最终支持度,进而依据每一个预设短视频匹配于每一个预设用户描述标签的最终支持度确定出最终短视频映射对照表。
作为本申请实施例的一种实施方式,针对每一预设用户描述标签,每一预设用户描述标签中,一个预设用户描述标签可能是另一个预设用户描述标签的衍生用户描述标签,举例来说,预设用户描述标签{喜爱配音搞笑视频}为{喜爱搞笑视频}的衍生用户描述标签,又如,预设用户描述标签{喜爱动画配音搞笑视频}为{喜爱配音搞笑视频}的衍生用户描述标签,再进一步,预设用户描述标签{喜爱猫和老鼠配音搞笑视频}为{喜爱动画配音搞笑视频}的衍生用户描述标签。此外,对于每一个预设短视频和每一预设用户描述标签来讲,该预设短视频匹配于该预设用户描述标签的支持度必然大于该预设短视频匹配于该预设用户描述标签的衍生用户描述标签的支持度。在此情形下,为了增加最终短视频映射对照表的精确度,可以先生成每一预设用户描述标签对应的用户描述标签映射网,该用户描述标签映射网包含各预设用户描述标签之间的父子关系,用户描述标签映射网包含多个网结,一个网结代表一个预设用户描述标签,同时用户描述标签映射网中的一个网结的衍生网结指示的预设用户描述标签为该网结指示的预设用户描述标签的衍生用户描述标签。
在生成每一预设用户描述标签对应的用户描述标签映射网后,可依据用户描述标签映射网对每一个预设短视频匹配于每一个预设用户描述标签的整合支持度进行优化(例如修正更新),得到每一个预设短视频匹配于每一个预设用户描述标签的最终支持度。
对于每一个预设短视频和每一个预设用户描述标签,若该预设短视频匹配于该预设用户描述标签的整合支持度大于支持度临界值,并且用户描述标签映射网中不包括第一网结(即用户描述标签映射网中指示该预设用户描述标签的网结)的衍生网结,则将该预设短视频匹配于该预设用户描述标签的整合支持度确定为该预设短视频匹配于该预设用户描述标签的最终支持度。
对于每一个预设短视频和每一个预设用户描述标签,若该预设短视频匹配于该预设用户描述标签的整合支持度大于支持度临界值,并且用户描述标签映射网中不包括第一网结的衍生网结,则将该预设短视频匹配于该预设用户描述标签的整合支持度和该预设短视频匹配于第一网结的各个衍生网结指示的预设用户描述标签(预设用户描述标签的衍生用户描述标签)的最终支持度,确定为该预设短视频匹配于该预设用户描述标签的最终支持度。例如将该预设短视频匹配于该预设用户描述标签的整合支持度和该预设短视频匹配于该预设用户描述标签的每个衍生用户描述标签的最终支持度中的最大支持度确定为该预设短视频匹配于该预设用户描述标签的最终支持度。
对于每一个预设短视频和每一个预设用户描述标签,若该预设短视频匹配于该预设用户描述标签的整合支持度不大于支持度临界值,并且用户描述标签映射网中的第二网结包括一个或多个第三网结,则依据该预设短视频匹配于第一网结的各个衍生网结指示的预设用户描述标签(即该预设用户描述标签的各衍生用户描述标签)的最终支持度,确定该预设短视频匹配于该预设用户描述标签的最终支持度。其中,第二网结包括第一网结的各个衍生网结以及和第一网结产生联系的网结(即第一网结的全部衍生网结),且该预设短视频匹配于每一第三网结指示的预设用户描述标签的整合支持度大于支持度临界值。
对于每一个预设短视频和每一个预设用户描述标签,若该预设短视频匹配于该预设用户描述标签的整合支持度不大于支持度临界值,并且用户描述标签映射网中不包括第一网结的衍生网结(不包括该预设用户描述标签的衍生用户描述标签),或者该预设短视频匹配于该预设用户描述标签的整合支持度不大于支持度临界值,并且第二网结不包括第三网结(指示该预设用户描述标签的网结的全部衍生网结指示的预设用户描述标签中,不具有对应整合支持度大于支持度临界值的预设用户描述标签),则将预设支持度确定为该预设短视频匹配于该预设用户描述标签的最终支持度。
作为一种实施方式,针对任一用户描述标签来讲,如果用户匹配于该用户描述标签的衍生用户描述标签,则用户一定会匹配于该用户描述标签。那么,在确定出每一预设用户描述标签对应的用户描述标签映射网后,可对衍生用户描述标签所对应的父用户描述标签补充,并且针对每一个预设短视频,可将该预设短视频匹配于该父用户描述标签的整合支持度进行数值分配,该数值不小于该目标短视频匹配于该父用户描述标签的任一衍生用户描述标签的整合支持度。基于此,可将父衍生用户描述标签一并确定为预设用户描述标签,以进一步依据补充完成的用户描述标签映射网对每一个预设短视频匹配于每一个预设用户描述标签的整合支持度进行优化更新,获得每一个预设短视频匹配于每一个预设用户描述标签的最终支持度。
步骤140:确定拟推荐用户的一个或多个目标用户描述标签,依据每一目标用户描述标签和最终短视频映射对照表,确定拟推荐用户匹配的目标短视频。
作为本申请实施例的一种实施方式,在确定拟推荐用户匹配的目标短视频时,可先依据拟推荐用户的一个或多个目标用户描述标签和最终短视频映射对照表,确定拟推荐用户与以上所述的每个预设短视频的目标共性评分(即二者之间的配对程度,通过分数表现)。例如,在得到拟推荐用户与每个预设短视频的目标共性评分后,可目标共性评分中最大值对应的预设短视频确定为拟推荐用户的目标目标短视频。另外,对于每一个预设短视频,还可确定该预设短视频对应的适合因子,包括拟推荐用户与该预设短视频的目标共性评分以及该预设短视频全部预设短视频中的排序分值。举例而言,对于预设短视频A,预设短视频A对应的适合因子SA可通过如下公式计算得到:SA=(Q-RA,E)。E为拟推荐用户与该预设短视频的目标共性评分;RA为预设短视频A在全部预设短视频中的排序分值,其为大于等于1的正整数。若Q-RA大于预设排序分值,E大于预设共性评分,确定拟推荐用户匹配于预设短视频A。
作为本申请实施例的一种实施方式,在确定拟推荐用户与每一预设短视频的目标共性评分时,对于每一个预设短视频,可依据最终短视频映射对照表,确定每一个预设用户描述标签对目标短视频的贡献比例系数。预设用户描述标签对目标短视频的贡献比例系数越大,则该预设用户描述标签对目标短视频的贡献值越高。针对每一个预设用户描述标签,将该预设短视频匹配于该预设用户描述标签的最终支持度大于预设支持度参考值时确定该预设短视频包括该预设用户描述标签,此时可依据预设短视频的总数目和包括该预设用户描述标签的预设短视频的总数目,确定该预设用户描述标签对目标短视频的贡献比例系数。
例如,设用户描述标签g的目标短视频贡献比例系数为Wg,则:
Wg=log(M/∑(D1-Dm));
D=1(if,x>f);
D=0(if,x<f);
上述公式中,M为预设短视频的总数目;f为支持度参考值;x为预设短视频匹配于预设用户描述标签g的最终支持度;x大于支持度参考值时D等于1,此时预设短视频包括预设短视频g;x不大于支持度参考值时D等于0,此时预设短视频不包括预设短视频g。∑(D1-Dm)代表包括预设用户描述标签g的预设短视频的总数目。
针对每一个预设短视频,在依据最终短视频映射对照表,确定每一个预设用户描述标签对目标短视频的贡献比例系数后,可依据每一预设用户描述标签对应的贡献比例系数每一目标用户描述标签,确定拟推荐用户与该预设短视频的目标共性评分。
例如,确定每一目标用户描述标签中的第一用户描述标签,每一目标用户描述标签不包括任一第一用户描述标签的衍生用户描述标签。换言之,将每一目标用户描述标签中位于最尾部(最末的,或层级最低的子用户描述标签)的目标用户描述标签确定为第一用户描述标签,此外,多个第一用户描述标签中不具备一个第一用户描述标签是另一个第一用户描述标签的衍生用户描述标签的情形。另外,可确定每一预设用户描述标签中的第一预设用户描述标签,该预设短视频匹配于每个第一预设用户描述标签的最终支持度大于以上所述的支持度参考值。之后,可确定每一第一用户描述标签与每一第一预设用户描述标签的第一用户描述标签交集,依据第一用户描述标签交集中的每一用户描述标签对应的贡献比例系数,确定拟推荐用户与该预设短视频的目标共性评分。
在一种实施方案里,出于提高拟推荐用户与每一预测目标短视频的匹配关系的考量,针对每一预测目标短视频,可先依据第一用户描述标签交集中的每一用户描述标签对应的贡献比例系数确定拟推荐用户与该预测目标短视频的第一共性评分,对于预设短视频,可将目标共性评分确定为拟推荐用户与预测目标短视频的第一共性评分。再确定各第一预设用户描述标签中的第二预设用户描述标签;其中,每一第一预设用户描述标签不包括任一第一预设用户描述标签的衍生用户描述标签。换言之,将每一第一预设用户描述标签中最尾部(最末的,或层级最低的子用户描述标签)的第一预设用户描述标签确定为第二预设用户描述标签,且每一第二预设用户描述标签中不具备该种情形:一个第二预设用户描述标签是另一个第二预设用户描述标签的衍生用户描述标签。
此外,可确定每一第二预设用户描述标签与每一目标用户描述标签的第二用户描述标签交集,依据第二用户描述标签交集中的每一用户描述标签对应的贡献比例系数,确定拟推荐用户与该预设短视频的第二共性评分。对于每一个预设短视频,在确定出拟推荐用户与该预设短视频的目标共性评分之后,可依据对应的第一共性评分和第二共性评分,确定拟推荐用户与该预设短视频的目标共性评分。比如,将第一共性评分和第二共性评分平均后确定为目标共性评分,当然,也可以为第一共性评分和第二共性评分分配对应的权值进行加权求和,具体方式不加以限制。
作为本申请实施例的一种实施方式,在确定拟推荐用户与每一预设短视频的目标共性评分的过程中,针对每一个预设短视频,可先获取任意一用户匹配于该预设短视频的第二支持度,进而依据该预设短视频匹配于每一个预设用户描述标签的最终支持度,确定拟推荐用户与该预设短视频的目标共性评分,任一用户匹配于该预设短视频的第二支持度为根据预先经验推理得到的支持度。
比如,先确定每一目标用户描述标签中的第一用户描述标签,例如获取每一目标用户描述标签中的第一用户描述标签,每一目标用户描述标签不包括任一第一用户描述标签的衍生用户描述标签。换言之,将每一目标用户描述标签中最尾部(最末的,或层级最低的子用户描述标签)的目标用户描述标签确定为第一用户描述标签,且每一第一用户描述标签中不具备如下情形:一个第一用户描述标签是另一第一用户描述标签的衍生用户描述标签。之后,如果每一预设用户描述标签包括每一第一用户描述标签,可依据该预设短视频匹配于每一个预设用户描述标签的最终支持度,确定该预设短视频同时匹配于每一第一用户描述标签的第三支持度。换言之,可依据最终短视频映射对照表确定该预设短视频匹配于每个第一用户描述标签的最终支持度,然后依据该预设短视频匹配于每个第一用户描述标签的最终支持度确定该预设短视频同时匹配于每一第一用户描述标签的第三支持度,并将第三支持度确定为拟推荐用户与该预设短视频的目标共性评分。对于预设短视频,在预设短视频匹配于每个第一用户描述标签的最终支持度彼此不相关时,该预设短视频同时匹配于每一第一用户描述标签的第三支持度可以是将预设短视频匹配于第一用户描述标签集合中的每一个第一用户描述标签的最终支持度进行连续求积得到。
作为本申请实施例的一种实施方式,在确定拟推荐用户与每个预设短视频的目标共性评分的过程中,还可以将拟推荐用户的每一目标用户描述标签加载到目标短视频推荐网络,得到拟推荐用户与每个预设短视频的目标共性评分,以上所述的目标短视频推荐网络是依据最终短视频映射对照表进行调校获取的人工智能网络,例如可以是任意可行的机器学习模型或者深度神经网络模型,如CNN、DNN、RNN、LSTM等等,本申请对此不作限定。在调校目标短视频推荐网络时,可依据各短视频数据序列生成第一调试序列集,第一调试序列集包括多个第一调试序列,每个第一调试序列包括一个用户匹配于一个目标短视频时对应的用户描述标签,每个第一调试序列记录有序列记录信息,每个第一调试序列的序列记录信息包含对应用户倾向的实际目标短视频。可依据最终短视频映射对照表生成每个第一调试序列对应的第二调试序列,每个第二调试序列也包含一个用户匹配于一个目标短视频史对应的用户描述标签,同时每个第二调试序列同样记录有序列记录信息,每个第二调试序列的序列记录信息包含对应用户倾向的实际目标短视频。每个第一调试序列和第二调试序列对应相同的用户和目标短视频,同时,对应于不同的用户描述标签。
针对各个第一调试序列,可依据最终短视频映射对照表,确定第一调试序列对应的目标短视频匹配于该第一调试序列中的每一个用户描述标签的最终支持度。之后,将该第一调试序列中最终支持度小于生成临界值的用户描述标签确定为对应的第二调试序列中的用户描述标签,同时,将该第一调试序列对应的用户和目标短视频确定为该第二调试序列对应的用户和目标短视频,以在维持第一调试序列对应的用户和目标短视频不变的条件下基于更换第一调试序列中的用户描述标签生成对应的第二调试序列。
针对各个第一调试序列来说,因为第一调试序列对应的目标短视频匹配于该第一调试序列中的每一个用户描述标签的最终支持度互不干涉,则可为每一个用户描述标签确定一个生成临界值。对于每一个用户描述标签,如果该用户描述标签对应的最终支持度小于对应的生成临界值,那么留存该用户描述标签,否则删除该用户描述标签,基于此获得对应第二调试序列中的每一用户描述标签,以令第二调试序列中的每一用户描述标签为对应目标短视频匹配于支持度较低的用户描述标签,使得目标短视频推荐网络调校效果更佳。至于每一个用户描述标签对应的生成临界值,其具体的数值根据实际情况而定,例如可以相同或不同。
在确定出每个第二调试序列后,如果该第二调试序列中是其他父用户描述标签的衍生用户描述标签的用户描述标签,那么将该用户描述标签对应的父用户描述标签一并确定为该第二调试序列中的用户描述标签。在生成各个第二调试序列后,将每个第一调试序列和每个第二调试序列中的每个用户描述标签加载到待调校网络,获取每个第一调试序列和每个第二调试序列对应的用户与各预设短视频的预测共性评分,依据每个第一调试序列对应的用户与各预设短视频的预测共性评分确定该第一调试序列对应的用户的预测目标短视频,依据每个第二调试序列对应的用户与各预设短视频的预测共性评分确定该第二调试序列对应的用户的预测目标短视频,依据各第一调试序列和各第二调试序列的序列记录信息所指示的实际目标短视频和每个第一调试序列和每个第二调试序列对应的预测目标短视频,确定调校误差(代价或损失),依据调校误差和每个第一调试序列和每个第二调试序列对待调校网络进行调校,直到待调校网络收敛,收敛的条件可以是预测的精度达到了预设精度,调校的次数达到了预设的次数,或者模型的误差变化达到了预设值,将收敛后的该待调校网络确定为目标短视频推荐网络。在网络调校时,针对各个第二调试序列,按照预设的周期依据该第二调试序列在对应周期的预测目标短视频,优化更新该第二调试序列的序列记录信息。调校误差的获取可以根据预设的误差函数进行获取,例如交叉熵函数,其具体类型选择本申请不做限定。
依据以上所述的训练过程,可在调试序列不多的情况下进行目标短视频推荐网络的半监督学习,提高目标短视频推荐网络的调校准确度。
步骤150:将目标短视频推送至拟推荐用户登录的短视频客户端。
可以理解,拟推荐用户可能会在不同的设备上登陆相同的账号,本申请实施例对于短视频的推荐是针对用户的,因此,拟推荐用户在什么客户端登陆账号,则向其登陆的短视频客户端进行短视频的推送,例如推送目标短视频的链接。
基于与图1中所示方法相同的原理,本申请实施例中还提供了一种推荐装置10,如图5所示,该装置10包括:
短视频数据序列确定模块11,用于确定一个或多个短视频数据序列,每一所述短视频数据序列包括一个或多个用户倾向的目标短视频以及对应的用户描述标签。
临时短视频映射对照表获取模块12,用于针对各个所述短视频数据序列,确定所述短视频数据序列对应的临时短视频映射对照表;其中,所述临时短视频映射对照表包含所述短视频数据序列中的每一目标短视频匹配于所述短视频数据序列中的每一个用户描述标签的第一支持度。
最终短视频映射对照表确定模块13,用于依据每一所述临时短视频映射对照表确定最终短视频映射对照表;其中,所述最终短视频映射对照表包含每一个预设短视频匹配于每一个预设用户描述标签的最终支持度,每一所述最终支持度是依据每一所述临时短视频映射对照表中所述最终支持度对应的预设短视频匹配于所述最终支持度对应的预设用户描述标签的一个或多个第一支持度获取到的,每一所述预设短视频为各个所述短视频数据序列对应的目标短视频中的一个目标短视频,每一个所述预设用户描述标签为各个所述短视频数据序列对应的用户描述标签中的一个用户描述标签。
目标短视频确定模块14,用于确定拟推荐用户的一个或多个目标用户描述标签,依据每一所述目标用户描述标签和所述最终短视频映射对照表确定所述拟推荐用户匹配的目标短视频。
推送模块15,用于将所述目标短视频推送至所述拟推荐用户登录的短视频客户端。
上述实施例从虚拟模块的角度介绍了推荐装置10,下述从实体模块的角度介绍一种短视频推荐云平台,具体如下所示:
本申请实施例提供了一种短视频推荐云平台,如图6所示,短视频推荐云平台100包括:处理器101和存储器103。其中,处理器101和存储器103相连,如通过总线102相连。可选地,短视频推荐云平台100还可以包括收发器104。需要说明的是,实际应用中收发器104不限于一个,该短视频推荐云平台100的结构并不构成对本申请实施例的限定。
处理器101可以是CPU,通用处理器,GPU,DSP,ASIC,FPGA或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框,模块和电路。处理器101也可以是实现计算功能的组合,例如包含一个或多个微处理器组合,DSP和微处理器的组合等。
总线102可包括一通路,在上述组件之间传送信息。总线102可以是PCI总线或EISA总线等。总线102可以分为地址总线、数据总线、控制总线等。为便于表示,图6中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
存储器103可以是ROM或可存储静态信息和指令的其他类型的静态存储设备,RAM或者可存储信息和指令的其他类型的动态存储设备,也可以是EEPROM、CD-ROM或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。
存储器103用于存储执行本申请方案的应用程序代码,并由处理器101来控制执行。处理器101用于执行存储器103中存储的应用程序代码,以实现前述任一方法实施例所示的内容。
本申请实施例提供了一种短视频推荐云平台,本申请实施例中的短视频推荐云平台包括:一个或多个处理器;存储器;一个或多个计算机程序,其中一个或多个计算机程序被存储在存储器中并被配置为由一个或多个处理器执行,一个或多个程序被处理器执行时,实现以上所述的方法。本申请所提供的技术方案,通过确定短视频数据序列,再针对短视频数据序列确定短视频数据序列对应的临时短视频映射对照表,之后依据每一临时短视频映射对照表确定最终短视频映射对照表,接着确定拟推荐用户的一个或多个目标用户描述标签,依据每一目标用户描述标签和所述最终短视频映射对照表确定拟推荐用户匹配的目标短视频,最后将目标短视频推送至拟推荐用户登录的短视频客户端。采用暂时获得目标短视频匹配于用户描述标签的第一支持度,再将各临时短视频映射对照表整合得到可准确指示每个预设短视频匹配于预设用户描述标签的最终支持度的最终短视频映射对照表,匹配准确度高,速度快且普适性强。
本申请实施例提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,当计算机程序在处理器上运行时,使得处理器可以执行前述方法实施例中相应的内容。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上所述仅是本申请的部分实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (9)
1.一种基于短视频数据标签的推荐方法,其特征在于,应用于短视频推荐云平台,所述短视频推荐云平台与一个或多个短视频客户端通信连接,所述方法包括:
确定一个或多个短视频数据序列,每一所述短视频数据序列包括一个或多个用户倾向的目标短视频以及对应的用户描述标签;
针对各个所述短视频数据序列,确定所述短视频数据序列对应的临时短视频映射对照表;其中,所述临时短视频映射对照表包含所述短视频数据序列中的每一目标短视频匹配于所述短视频数据序列中的每一个用户描述标签的第一支持度;
依据每一所述临时短视频映射对照表确定最终短视频映射对照表;其中,所述最终短视频映射对照表包含每一个预设短视频匹配于每一个预设用户描述标签的最终支持度,每一所述最终支持度是依据每一所述临时短视频映射对照表中所述最终支持度对应的预设短视频匹配于所述最终支持度对应的预设用户描述标签的一个或多个第一支持度获取到的,每一所述预设短视频为各个所述短视频数据序列对应的目标短视频中的一个目标短视频,每一个所述预设用户描述标签为各个所述短视频数据序列对应的用户描述标签中的一个用户描述标签;
确定拟推荐用户的一个或多个目标用户描述标签,依据每一所述目标用户描述标签和所述最终短视频映射对照表确定所述拟推荐用户匹配的目标短视频;
将所述目标短视频推送至所述拟推荐用户登录的短视频客户端;
所述依据每一所述临时短视频映射对照表,确定最终短视频映射对照表,包括:
对于每一所述预设短视频和每一所述预设用户描述标签,确定每一所述临时短视频映射对照表中包括所述预设短视频对应的第一支持度的第一短视频映射对照表,依据每一所述第一短视频映射对照表的第三统计数值和每一所述第一短视频映射对照表中所述预设短视频匹配于所述预设用户描述标签的第一支持度,确定所述预设短视频匹配于所述预设用户描述标签的整合支持度;
依据每一所述预设短视频匹配于每一个所述预设用户描述标签的整合支持度,确定最终短视频映射对照表;
所述依据每一所述预设短视频匹配于每一个所述预设用户描述标签的整合支持度,确定最终短视频映射对照表,包括:
确定每一所述预设用户描述标签对应的用户描述标签映射网;其中,所述用户描述标签映射网中的一个网结代表一个所述预设用户描述标签,所述用户描述标签映射网中的一个网结的衍生网结指示的预设用户描述标签为所述网结指示的预设用户描述标签的衍生用户描述标签;
依据所述用户描述标签映射网对每一所述预设短视频匹配于每一个所述预设用户描述标签的整合支持度进行优化,得到每一所述预设短视频匹配于每一个所述预设用户描述标签的最终支持度。
2.根据权利要求1所述的方法,其特征在于,针对各个所述短视频数据序列,所述确定所述短视频数据序列对应的临时短视频映射对照表,包括:
针对所述短视频数据序列中的每一目标短视频和每一个用户描述标签,确定所述短视频数据序列中倾向于所述目标短视频的用户的第一统计数值和所述倾向于所述目标短视频且匹配于所述用户描述标签的用户的第二统计数值,依据所述第一统计数值和所述第二统计数值,确定所述目标短视频匹配于所述用户描述标签的第一支持度;
依据所述短视频数据序列中的每一目标短视频对应的每一所述第一支持度,确定所述短视频数据序列对应的临时短视频映射对照表。
3.根据权利要求1所述的方法,其特征在于,对于每一所述预设短视频和每一个所述预设用户描述标签,依据所述用户描述标签映射网对所述预设短视频匹配于所述预设用户描述标签的整合支持度进行优化,得到所述预设短视频匹配于所述预设用户描述标签的最终支持度,包括:
若所述预设短视频匹配于所述预设用户描述标签的整合支持度大于支持度临界值,并且所述用户描述标签映射网中不包括第一网结的衍生网结,则将所述预设短视频匹配于所述预设用户描述标签的整合支持度确定为所述预设短视频匹配于所述预设用户描述标签的最终支持度,所述第一网结为所述用户描述标签映射网中指示所述预设用户描述标签的网结;
若所述预设短视频匹配于所述预设用户描述标签的整合支持度大于所述支持度临界值,并且所述用户描述标签映射网中包括所述第一网结的衍生网结,则将所述预设短视频匹配于所述预设用户描述标签的整合支持度和所述预设短视频匹配于所述第一网结的各个衍生网结指示的预设用户描述标签的最终支持度中最大的整合支持度确定为所述预设短视频匹配于所述预设用户描述标签的最终支持度;
若所述预设短视频匹配于所述预设用户描述标签的整合支持度不大于所述支持度临界值,并且所述用户描述标签映射网中的第二网结包括一个或多个第三网结,依据所述预设短视频匹配于所述第一网结的各个衍生网结指示的预设用户描述标签的最终支持度,确定所述预设短视频匹配于所述预设用户描述标签的最终支持度;其中,所述第二网结包括所述第一网结的各个衍生网结以及和所述第一网结产生联系的网结,并且所述预设短视频匹配于每一所述第三网结指示的预设用户描述标签的整合支持度大于所述支持度临界值;
若所述预设短视频匹配于所述预设用户描述标签的整合支持度不大于所述支持度临界值,并且所述用户描述标签映射网中不包括所述第一网结的衍生网结,或者所述预设短视频匹配于所述预设用户描述标签的整合支持度不大于所述支持度临界值,并且所述用户描述标签映射网中的第二网结不包括所述第三网结,将预设支持度确定为所述预设短视频匹配于所述预设用户描述标签的最终支持度。
4.根据权利要求1所述的方法,其特征在于,所述依据每一所述目标用户描述标签和所述最终短视频映射对照表,确定所述拟推荐用户匹配的目标短视频,包括:依据每一所述目标用户描述标签和所述最终短视频映射对照表,确定所述拟推荐用户与每个所述预设短视频的目标共性评分;依据所述拟推荐用户与每个所述预设短视频的目标共性评分,确定所述拟推荐用户匹配的目标短视频;
对于每一所述预设短视频,依据每一所述目标用户描述标签和所述最终短视频映射对照表,确定所述拟推荐用户与所述预设短视频的目标共性评分,包括:依据所述最终短视频映射对照表,确定每一个所述预设用户描述标签对目标短视频的贡献比例系数,依据每一所述预设用户描述标签对应的贡献比例系数和每一所述目标用户描述标签,确定所述拟推荐用户与所述预设短视频的目标共性评分;或者;获取任意一用户匹配于所述预设短视频的第二支持度,依据所述第二支持度和所述预设短视频匹配于每一个所述预设用户描述标签的最终支持度,确定所述拟推荐用户与所述预设短视频的目标共性评分;或者;将每一所述目标用户描述标签加载到目标短视频推荐网络,得到所述拟推荐用户与所述预设短视频的目标共性评分,其中,所述目标短视频推荐网络是依据所述最终短视频映射对照表进行调校获取的。
5.根据权利要求4所述的方法,其特征在于,对于每一所述预设短视频,所述依据每一所述预设用户描述标签对应的贡献比例系数和每一所述目标用户描述标签,确定所述拟推荐用户与所述预设短视频的目标共性评分,包括:
确定每一所述目标用户描述标签中的第一用户描述标签;其中,每一所述目标用户描述标签不包括所述第一用户描述标签的衍生用户描述标签;
确定每一所述第一用户描述标签与每一所述预设用户描述标签中的第一预设用户描述标签的第一用户描述标签交集,依据所述第一用户描述标签交集中的每一用户描述标签对应的贡献比例系数,确定所述拟推荐用户与所述预设短视频的目标共性评分;其中,所述预设短视频匹配于每个所述第一预设用户描述标签的最终支持度大于支持度参考值;
针对每一所述预设短视频,所述依据所述第一用户描述标签交集中的每一用户描述标签对应的贡献比例系数,确定所述拟推荐用户与所述预设短视频的目标共性评分,包括:
依据所述第一用户描述标签交集中的每一用户描述标签对应的贡献比例系数确定所述拟推荐用户与所述预设短视频的第一共性评分;
确定每一所述第一预设用户描述标签中的第二预设用户描述标签;其中,每一所述第一预设用户描述标签不包括所述第二预设用户描述标签的衍生用户描述标签;
确定每一所述第二预设用户描述标签与每一所述目标用户描述标签的第二用户描述标签交集,依据所述第二用户描述标签交集中的每一用户描述标签对应的贡献比例系数确定所述拟推荐用户与所述预设短视频的第二共性评分;
依据所述第一共性评分和所述第二共性评分,确定所述拟推荐用户与所述预设短视频的目标共性评分。
6.根据权利要求4所述的方法,其特征在于,所述依据所述第二支持度和所述预设短视频匹配于每一个所述预设用户描述标签的最终支持度,确定所述拟推荐用户与所述预设短视频的目标共性评分,包括:
确定每一所述目标用户描述标签中的第一用户描述标签;其中,每一所述目标用户描述标签不包括所述第一用户描述标签的衍生用户描述标签;
依据所述预设短视频匹配于每一个所述预设用户描述标签的最终支持度,确定所述预设短视频同时匹配于每一所述第一用户描述标签的第三支持度;
依据所述第二支持度和所述第三支持度,确定所述拟推荐用户与所述预设短视频的目标共性评分。
7.根据权利要求4所述的方法,其特征在于,所述目标短视频推荐网络是依据以下方式进行调校获取的:
依据各个所述短视频数据序列生成多个第一调试序列,每一所述第一调试序列包括一个用户匹配于一个目标短视频时对应的用户描述标签,每一所述第一调试序列记录有序列记录信息,每一所述第一调试序列的序列记录信息包含对应用户倾向的实际目标短视频;
依据所述最终短视频映射对照表,生成每一所述第一调试序列对应的第二调试序列,每一所述第二调试序列包括一个用户匹配于一个目标短视频时对应的用户描述标签,每一所述第二调试序列记录有序列记录信息,每一所述第二调试序列的序列记录信息包含对应用户倾向的实际目标短视频;其中,每个第一调试序列和第二调试序列对应相同的用户和目标短视频,并且对应于不同的用户描述标签;
将每一所述第一调试序列和每一所述第二调试序列中的每一用户描述标签加载到待调校网络,得到每一所述第一调试序列和每一所述第二调试序列对应的用户与每一所述预设短视频的预测共性评分,依据每一所述第一调试序列对应的用户与每一所述预设短视频的预测共性评分确定所述第一调试序列对应的用户的预测目标短视频,依据每一所述第二调试序列对应的用户与每一所述预设短视频的预测共性评分确定所述第二调试序列对应的用户的预测目标短视频,依据每一所述第一调试序列和每一所述第二调试序列的序列记录信息所指示的实际目标短视频和每一所述第一调试序列和每一所述第二调试序列对应的预测目标短视频,确定调校误差,依据所述调校误差、每一所述第一调试序列和每一所述第二调试序列对所述待调校网络进行调校,直到所述待调校网络收敛,将收敛后的所述待调校网络确定为所述目标短视频推荐网络;其中,在网络调校时,针对各个所述第二调试序列,按照预设的周期依据所述第二调试序列在对应周期的预测目标短视频,优化所述第二调试序列的序列记录信息。
8.一种短视频推荐云平台,其特征在于,包括处理器和存储器,所述存储器存储有计算机程序,当所述处理器执行所述计算机程序时,执行权利要求1~7任一项所述的方法。
9.一种短视频推荐系统,其特征在于,包括短视频推荐云平台和与所述短视频推荐云平台通信连接的至少一个短视频客户端,所述短视频推荐云平台包括处理器和存储器,所述存储器存储有计算机程序,当所述处理器执行所述计算机程序时,执行权利要求1~7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211334608.9A CN115659027B (zh) | 2022-10-28 | 2022-10-28 | 一种基于短视频数据标签的推荐方法、系统及云平台 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211334608.9A CN115659027B (zh) | 2022-10-28 | 2022-10-28 | 一种基于短视频数据标签的推荐方法、系统及云平台 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115659027A CN115659027A (zh) | 2023-01-31 |
CN115659027B true CN115659027B (zh) | 2023-06-20 |
Family
ID=84992586
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211334608.9A Active CN115659027B (zh) | 2022-10-28 | 2022-10-28 | 一种基于短视频数据标签的推荐方法、系统及云平台 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115659027B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102349085A (zh) * | 2009-01-21 | 2012-02-08 | 雅虎公司 | 用于基于因特网的瞄准性营销的用户界面 |
CN112565825A (zh) * | 2020-12-02 | 2021-03-26 | 腾讯科技(深圳)有限公司 | 一种视频数据处理方法、装置、设备以及介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017128146A1 (zh) * | 2016-01-27 | 2017-08-03 | 张仓 | 根据身份证推荐影视的方法和推荐系统 |
CN107592572B (zh) * | 2017-09-21 | 2021-05-14 | 广州方硅信息技术有限公司 | 视频推荐方法、装置及其设备 |
WO2021092934A1 (zh) * | 2019-11-15 | 2021-05-20 | 深圳海付移通科技有限公司 | 基于视频数据的消息推送方法、设备及计算机存储介质 |
CN110929052B (zh) * | 2019-12-03 | 2023-04-18 | 北京奇艺世纪科技有限公司 | 多媒体资源推荐方法、装置、电子设备及存储介质 |
CN114065051A (zh) * | 2021-11-25 | 2022-02-18 | 中国建设银行股份有限公司 | 私域平台视频推荐方法、装置、电子设备和介质 |
-
2022
- 2022-10-28 CN CN202211334608.9A patent/CN115659027B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102349085A (zh) * | 2009-01-21 | 2012-02-08 | 雅虎公司 | 用于基于因特网的瞄准性营销的用户界面 |
CN112565825A (zh) * | 2020-12-02 | 2021-03-26 | 腾讯科技(深圳)有限公司 | 一种视频数据处理方法、装置、设备以及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115659027A (zh) | 2023-01-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Copycats vs. original mobile apps: A machine learning copycat-detection method and empirical analysis | |
US20210248651A1 (en) | Recommendation model training method, recommendation method, apparatus, and computer-readable medium | |
CN111931062B (zh) | 一种信息推荐模型的训练方法和相关装置 | |
Li et al. | Project success prediction in crowdfunding environments | |
US9805391B2 (en) | Determining whether to provide an advertisement to a user of a social network | |
Wang et al. | Opportunity model for e-commerce recommendation: right product; right time | |
JP7160980B2 (ja) | 情報提供装置、情報提供方法、およびプログラム | |
CN108304526A (zh) | 一种数据处理方法、装置及服务器 | |
KR20080114761A (ko) | 행위 타겟팅 시스템 | |
US20140115010A1 (en) | Propagating information through networks | |
CN104951465A (zh) | 应用推荐方法及装置 | |
KR102203253B1 (ko) | 생성적 적대 신경망에 기반한 평점 증강 및 아이템 추천 방법 및 시스템 | |
JPWO2017159402A1 (ja) | 共クラスタリングシステム、方法およびプログラム | |
CN111475744B (zh) | 一种基于集成学习的个性化位置推荐方法 | |
CN112364242A (zh) | 针对上下文感知型的图卷积推荐系统 | |
Grolman et al. | Utilizing transfer learning for in-domain collaborative filtering | |
US11551119B2 (en) | Machine learning based ranking of private distributed data, models and compute resources | |
CN115659027B (zh) | 一种基于短视频数据标签的推荐方法、系统及云平台 | |
CN115471271A (zh) | 广告的归因方法、装置、计算机设备及可读存储介质 | |
CN115544379A (zh) | 基于四元数图卷积神经网络的推荐方法和装置 | |
Embarak | Like-minded detector to solve the cold start problem | |
CN111461188A (zh) | 一种目标业务控制方法、装置、计算设备及存储介质 | |
Zhao et al. | Predictive models with end user preference | |
Hardjono et al. | Implementation of Data Mining for Churn Prediction in Music Streaming Company Using 2020 Dataset | |
Yi et al. | Auxiliary domain selection in cross-domain collaborative filtering |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |