CN115706833A - 评论的处理方法、装置、电子设备及存储介质 - Google Patents
评论的处理方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115706833A CN115706833A CN202110925325.0A CN202110925325A CN115706833A CN 115706833 A CN115706833 A CN 115706833A CN 202110925325 A CN202110925325 A CN 202110925325A CN 115706833 A CN115706833 A CN 115706833A
- Authority
- CN
- China
- Prior art keywords
- video
- comment
- target
- comments
- relevance
- 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
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请提供了一种评论的处理方法、装置、电子设备及存储介质;涉及人工智能领域,方法包括:获取视频包括的至少两个视频片段、以及所述视频的多条评论;分别确定所述评论与各视频片段的相关度,所述相关度用于指示所述评论与所述视频片段在内容上的相关程度;根据所述评论与各视频片段的相关度,对所述多条评论进行聚合,得到与各视频片段对应的相关度满足相关度条件的目标评论;当播放所述至少两个视频片段中目标视频片段时,展示与所述目标视频片段对应的目标评论;如此,能够实现按照评论与视频片段在内容上的相关程度,对各视频片段相关评论进行聚合处理的效果,以在播放各个视频片段时展示聚合得到的、与视频片段相关的评论。
Description
技术领域
本申请涉及信息处理和人工智能技术领域,尤其涉及一种评论的处理方法、装置、电子设备及存储介质。
背景技术
人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。
随着人工智能技术的不断发展,人工智能技术也逐渐应用于视频播放方面。相关技术中,视频在播放过程中,用户看到的评论都是基于评论的热度、质量等排序并展示的,使得用户在不同的视频播放位置触发针对评论的查看操作时,每次所能展示的评论都是一样的(比如热度最高的评论),降低了用户参与视频评论的互动积极性。
发明内容
本申请实施例提供一种评论的处理方法、装置、电子设备及存储介质,能够实现按照评论与视频片段在内容上的相关程度,对各视频片段相关评论进行聚合处理的效果,以在播放各个视频片段时展示聚合得到的、与视频片段相关的评论。
本申请实施例的技术方案是这样实现的:
本申请实施例提供一种评论的处理方法,包括:
获取视频包括的至少两个视频片段、以及所述视频的多条评论;
分别确定所述评论与各视频片段的相关度,所述相关度用于指示所述评论与所述视频片段在内容上的相关程度;
根据所述评论与各视频片段的相关度,对所述多条评论进行聚合,得到与各视频片段对应的相关度满足相关度条件的目标评论;
当播放所述至少两个视频片段中目标视频片段时,展示与所述目标视频片段对应的目标评论。
上述方案中,所述方法还包括:
在通过媒体播放界面播放所述视频的过程中,在所述媒体播放界面中呈现评论查看功能项;
当播放所述至少两个视频片段中目标视频片段时,响应于针对所述评论查看功能项的触发操作,展示与所述目标视频片段对应的目标评论。
本申请实施例还提供一种评论的处理装置,包括:
获取模块,用于获取视频包括的至少两个视频片段、以及所述视频的多条评论;
确定模块,用于分别确定所述评论与各视频片段的相关度,所述相关度用于指示所述评论与所述视频片段在内容上的相关程度;
聚合模块,用于根据所述评论与各视频片段的相关度,对所述多条评论进行聚合,得到与各视频片段对应的相关度满足相关度条件的目标评论;
展示模块,用于当播放所述至少两个视频片段中目标视频片段时,展示与所述目标视频片段对应的目标评论。
上述方案中,所述确定模块,还用于针对各所述视频片段分别执行以下处理,以确定所述评论与各视频片段的相关度:
获取所述视频片段包含的视频帧图像、与所述视频片段关联的视频文本、以及所述评论的评论文本;
将所述视频片段包含的视频帧图像、与所述视频片段关联的视频文本以及所述评论文本,输入至第一机器学习模型进行相关度预测,得到所述评论与所述视频片段的相关度。
上述方案中,所述确定模块,还用于通过所述第一机器学习模型的特征编码层,对所述视频片段包含的视频帧图像、与所述视频片段关联的视频文本以及所述评论文本,分别进行编码处理,得到相应的编码特征;
通过所述第一机器学习模型的特征交互层,对所述视频文本的编码特征和所述评论文本的编码特征进行特征交互处理,得到第一交互特征,并
对所述视频帧图像的编码特征和所述评论文本的编码特征进行特征交互处理,得到第二交互特征;
通过所述第一机器学习模型的特征拼接层,对所述第一交互特征以及所述第二交互特征进行拼接处理,得到拼接特征;
通过所述第一机器学习模型的特征预测层,对所述拼接特征进行相关度预测,得到所述评论与所述视频片段的相关度。
上述方案中,所述聚合模块,还用于针对各所述视频片段分别执行以下处理:
从所述多条评论中选择相关度达到相关度阈值的评论,作为所述视频片段的候选评论,所述相关度分布分数,用于指示相应候选评论与各视频片段的相关度的分布情况;
基于所述候选评论与各视频片段的相关度,确定所述候选评论对应的相关度分布分数;
从所述候选评论中选择相关度分布分数低于分数阈值的候选评论,作为与所述视频片段对应的相关度满足相关度条件的目标评论。
上述方案中,所述目标评论的数量为至少两条时,所述展示模块,还用于当播放所述至少两个视频片段中目标视频片段时,获取与所述目标视频片段对应的目标评论;
确定各所述目标评论对应的排序分数,所述排序分数,用于指示所述目标评论的查看用户对于相应目标评论的期望程度;
基于所述排序分数对所述目标评论进行降序排序,得到排序后的目标评论,并展示所述排序后的目标评论。
上述方案中,所述展示模块,还用于针对各所述目标评论分别执行以下处理,以确定各所述目标评论对应的排序分数:
获取所述目标视频片段的查看用户的第一兴趣标签、所述目标评论的发布用户的第二兴趣标签、所述目标评论的评论文本,以及所述目标评论关联的交互特征;
将所述第一兴趣标签、所述第二兴趣标签、所述评论文本以及所述交互特征,输入至第二机器学习模型进行排序分数预测,得到所述目标评论对应的排序分数。
上述方案中,当所述交互特征的数量为至少两个时,所述展示模块,还用于通过所述第二机器学习模型的特征编码层,分别对所述第一兴趣标签、所述第二兴趣标签、以及所述评论文本进行编码,得到相应的编码特征;
通过所述第二机器学习模型的第一特征连接层,对所述至少两个交互特征进行拼接,得到第一拼接特征;
通过所述第二机器学习模型的特征交互层,对所述第一兴趣标签的编码特征和第二兴趣标签的编码特征进行特征交互处理,得到第一交互特征,并对所述第一兴趣标签的编码特征和评论文本的编码特征进行特征交互处理,得到第二交互特征;
通过所述第二机器学习模型的第二特征连接层,对所述第一交互特征、所述第二交互特征以及所述第一拼接特征进行拼接,得到第二拼接特征;
通过所述第二机器学习模型的特征预测层,对所述第二拼接特征进行排序分数预测,得到所述目标评论对应的排序分数。
上述方案中,所述展示模块,还用于针对各所述目标评论分别执行以下处理,以确定各所述目标评论对应的排序分数:
按照预设的多个排序规则,分别确定所述目标评论在各所述排序规则下的子排序分数;
获取各所述排序规则对应的权重值;
基于所述目标评论在各所述排序规则下的子排序分数、以及各所述排序规则对应的权重值,确定所述目标评论对应的排序分数。
上述方案中,所述展示模块,还用于在播放所述视频的过程中,呈现用于展示所述视频的评论的信息流卡片;
当播放所述至少两个视频片段中目标视频片段时,采用所述信息流卡片,展示与所述目标视频片段对应的目标评论。
上述方案中,所述展示模块,还用于在播放所述视频的过程中,呈现用于展示所述视频的评论的评论展示区域;
当播放所述至少两个视频片段中目标视频片段时,通过所述评论展示区域,展示与所述目标视频片段对应的目标评论。
上述方案中,所述展示模块,还用于当所述目标评论的数量为多条、且所述目标评论的数量达到目标数量时,在所述评论展示区域的一侧呈现对应所述多条目标评论的滚动条;
当接收到针对所述滚动条的触发操作时,调整所述目标评论在所述评论展示区域中的展示位置,以调整通过所述评论展示区域所展示的目标评论。
上述方案中,所述展示模块,还用于在播放所述视频的过程中,采用弹幕滚动展示方式展示所述视频的评论;
当播放所述至少两个视频片段中目标视频片段时,采用弹幕滚动展示方式,展示与所述目标视频片段对应的目标评论。
上述方案中,所述展示模块,还用于在通过媒体播放界面播放所述视频的过程中,在所述媒体播放界面中呈现评论查看功能项;
当播放所述至少两个视频片段中目标视频片段时,响应于针对所述评论查看功能项的触发操作,展示与所述目标视频片段对应的目标评论。
本申请实施例还提供一种电子设备,包括:
存储器,用于存储可执行指令;
处理器,用于执行所述存储器中存储的可执行指令时,实现本申请实施例提供的评论的处理方法。
本申请实施例还提供一种计算机可读存储介质,存储有可执行指令,所述可执行指令被处理器执行时,实现本申请实施例提供的评论的处理方法。
本申请实施例具有以下有益效果:
获取视频包括的多个视频片段以及多条评论,并分别确定评论与各视频片段的相关度,由于相关度用于指示评论与视频片段在内容上的相关程度,因此可以根据相关度对多条评论进行聚合,从而得到与各视频片段的相关度满足相关度条件的目标评论,如此,实现了按照评论与视频片段在内容上的相关程度,对各视频片段相关评论进行聚合处理的效果,在播放目标视频片段时,可以展示聚合得到的与目标视频片段对应的目标评论。
附图说明
图1是本申请实施例提供的评论的处理系统100的架构示意图;
图2是本申请实施例提供的评论的处理方法的流程示意图;
图3是本申请实施例提供的通过第一机器学习模型实现相关度预测的示意图;
图4是本申请实施例提供的通过第二机器学习模型实现排序分数预测的示意图;
图5是本申请实施例提供的目标评论的展示示意图;
图6是本申请实施例提供的目标评论的展示示意图;
图7是本申请实施例提供的目标评论的展示示意图;
图8是本申请实施例提供的目标评论的展示示意图;
图9是本申请实施例提供的评论的处理方法的流程示意图;
图10是本申请实施例提供的评论的处理装置600的结构示意图;
图11是本申请实施例提供的电子设备500的结构示意图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请作进一步地详细描述,所描述的实施例不应视为对本申请的限制,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它实施例,都属于本申请保护的范围。
在以下的描述中,涉及到“一些实施例”,其描述了所有可能实施例的子集,但是可以理解,“一些实施例”可以是所有可能实施例的相同子集或不同子集,并且可以在不冲突的情况下相互结合。
在以下的描述中,所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象,不代表针对对象的特定排序,可以理解地,“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序,以使这里描述的本申请实施例能够以除了在这里图示或描述的以外的顺序实施。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的,不是旨在限制本申请。
对本申请实施例进行进一步详细说明之前,对本申请实施例中涉及的名词和术语进行说明,本申请实施例中涉及的名词和术语适用于如下的解释。
1)客户端,终端中运行的用于提供各种服务的应用程序,例如即时通讯客户端、视频客户端。
2)响应于,用于表示所执行的操作所依赖的条件或者状态,当满足所依赖的条件或状态时,所执行的一个或多个操作可以是实时的,也可以具有设定的延迟;在没有特别说明的情况下,所执行的多个操作不存在执行先后顺序的限制。
基于上述对本申请实施例中涉及的名词和术语的解释,下面说明本申请实施例提供的评论的处理系统,参见图1,图1是本申请实施例提供的评论的处理系统100的架构示意图,为实现支撑一个示例性应用,终端400通过网络300连接服务器200,网络300可以是广域网或者局域网,又或者是二者的组合,使用无线或有线链路实现数据传输。在实际应用中,终端400可以设置有用于视频播放的客户端,如视频客户端、即时通讯客户端、浏览器客户端、信息流客户端等。
终端400,用于发送用于获取视频包括的至少两个视频片段、以及视频的多条评论的获取请求至服务器200;
服务器200,用于接收到获取请求,返回视频包括的至少两个视频片段、以及视频的多条评论至终端400;
终端400,用于接收到视频包括的至少两个视频片段、以及视频的多条评论;分别确定评论与各视频片段的相关度;根据评论与各视频片段的相关度,对多条评论进行聚合,得到与各视频片段对应的相关度满足相关度条件的目标评论;当播放至少两个视频片段中目标视频片段时,展示与目标视频片段对应的目标评论。
在实际应用中,服务器200可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。终端400可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能电视、智能手表等,但并不局限于此。终端400以及服务器200可以通过有线或无线通信方式进行直接或间接地连接,本申请在此不做限制。
基于上述对本申请实施例提供的评论的处理系统及电子设备的说明,下面说明本申请实施例提供的评论的处理方法。在一些实施例中,本申请实施例提供的评论的处理方法可由服务器或终端单独实施,或由服务器及终端协同实施,下面以终端实施为例说明本申请实施例提供的评论的处理方法。参见图2,图2是本申请实施例提供的评论的处理方法的流程示意图,本申请实施例提供的评论的处理方法包括:
步骤101:终端获取视频包括的至少两个视频片段、以及视频的多条评论。
这里,终端设置有客户端,比如视频客户端,终端响应于针对客户端的运行指令,运行所设置的客户端,以通过运行的客户端播放视频。具体地,终端在播放视频时,需要获取视频的视频数据,这里,该视频数据可以包括视频中多个视频片段的内容数据,也可以包括与视频关联的多条评论的评论数据等。终端通过向服务器发送视频数据的获取请求,以接收到服务器基于该获取请求返回的视频数据,从而获取到视频包括的至少两个视频片段、以及视频的多条评论。该多条评论为用户在观看视频时所发布的、针对视频(比如视频内容、视频的情节、人物等)的评论性内容。
步骤102:分别确定评论与各视频片段的相关度。
其中,该相关度用于指示评论与视频片段在内容上的相关程度。
在本申请实施中,终端获取到视频包括的至少两个视频片段以及视频的多条评论之后,还需确定评论与各视频片段的相关度,该相关度用于指示评论与视频片段在内容上的相关程度,从而在播放各视频片段时,可以向用户展示与所播放的视频片段相关的评论,以增强用户对评论的理解与兴趣,提升用户对评论的互动。
在一些实施例中,终端可针对各视频片段分别执行以下处理,以确定评论与各视频片段的相关度:获取视频片段包含的视频帧图像、与视频片段关联的视频文本、以及评论的评论文本;将视频片段包含的视频帧图像、与视频片段关联的视频文本以及评论文本,输入至第一机器学习模型进行相关度预测,得到评论与视频片段的相关度。
这里,终端可以通过机器学习模型(即上述第一机器学习模型)实现评论与各视频片段的相关度的计算。在实际实施时,该第一机器学习模型通过机器学习网络来构建,比如卷积神经网络(Convolutional Neural Networks,CNN)、深度神经网络(Deep NeuralNetworks,DNN)等,并针对该第一机器学习模型设置初始的模型参数、模型的激活函数(比如线性整流函数等)、模型的损失函数(比如交叉熵损失函数、对数损失函数等)。该第一机器学习模型可以是分类模型,也可以回归模型。在构建完成初始的第一机器学习模型后,对构建完成的第一机器学习模型进行训练。
具体地,可以获取用于训练该第一机器学习模型的训练样本,该训练样本标注有相应的样本标签;然后将该训练样本输入至构建的初始的第一机器学习模型中进行预测,输出相应的预测结果;最后,获取预测结果与相应训练样本的样本标签之间的差异,从而基于差异更新第一机器学习模型的模型参数。具体地,可以基于差异确定第一机器学习模型的损失函数的值,当损失函数的值超出预设阈值时,基于损失函数确定推荐模型的误差信号,将误差信号在第一机器学习模型中反向传播,并在传播的过程中更新各个层的模型参数。整个训练过程不断迭代上述步骤,直至第一机器学习模型的损失函数收敛,将损失函数收敛时第一机器学习模型更新后的模型参数,作为最终训练完成的第一机器学习模型的模型参数,以减小模型输出的误差。
在训练完成第一机器学习模型后,终端可针对各视频片段分别执行以下处理,以确定评论与各视频片段的相关度:首先获取该视频片段包含的视频帧图像、与视频片段关联的视频文本(比如视频片段的台词信息、简介信息等)以及评论的评论文本;然后将视频片段包含的视频帧图像、与视频片段关联的视频文本以及评论文本输入至第一机器学习模型中,从而通过该第一机器学习模型进行相关度预测,得到评论与该视频片段的相关度。
在一些实施例中,终端可通过如下方式将视频片段包含的视频帧图像、与视频片段关联的视频文本以及评论文本,输入至第一机器学习模型进行相关度预测,得到评论与视频片段的相关度:通过第一机器学习模型的特征编码层,对视频片段包含的视频帧图像、与视频片段关联的视频文本以及评论文本,分别进行编码处理,得到相应的编码特征;通过第一机器学习模型的特征交互层,对视频文本的编码特征和评论文本的编码特征进行特征交互处理,得到第一交互特征,并对视频帧图像的编码特征和评论文本的编码特征进行特征交互处理,得到第二交互特征;通过第一机器学习模型的特征拼接层,对第一交互特征以及第二交互特征进行拼接处理,得到拼接特征;通过第一机器学习模型的特征预测层,对拼接特征进行相关度预测,得到评论与视频片段的相关度。
参见图3,图3是本申请实施例提供的通过第一机器学习模型实现相关度预测的示意图。在实际应用中,上述实施例中所涉及的第一机器学习模型的结构如图3所示,该第一机器学习模型包括特征编码层310、特征交互层320、特征拼接层330以及特征预测层340。其中,针对视频文本以及评论文本的特征编码层可以基于语言表示模型(A LiteBidirectional Encoder Representations from Transformers,ALBERT)实现,针对视频帧图像的特征编码层可以基于深度残差网络(Residual Network,ResNet)和自注意力机制(Self-Attention机制)实现。
通过第一机器学习模型实现评论与各视频片段的相关度的计算的处理流程如下:将视频片段包含的视频帧图像、与视频片段关联的视频文本以及评论文本,输入至第一机器学习模型的特征编码层,通过特征编码层对视频片段包含的视频帧图像、与视频片段关联的视频文本以及评论文本,分别进行编码处理,得到相应的编码特征,即图3所示的编码特征包括:视频文本对应的视频片段文本表示、评论文本对应的评论文本表示、以及视频帧图像对应的视频片段图像表示;然后通过特征交互层,对视频文本的编码特征和评论文本的编码特征进行特征交互处理,得到第一交互特征(即图3所示的视频片段文本与评论文本的交互表示),并对视频帧图像的编码特征和评论文本的编码特征进行特征交互处理,得到第二交互特征(即图3所示的视频片段图像与评论文本的交互表示);再通过的特征拼接层,对第一交互特征以及第二交互特征进行拼接处理,得到拼接特征;最后通过特征预测层,对拼接特征进行相关度预测,得到评论与视频片段的相关度。
步骤103:根据评论与各视频片段的相关度,对多条评论进行聚合,得到与各视频片段对应的相关度满足相关度条件的目标评论。
这里,在确定评论与各视频片段的相关度之后,可以根据评论与各视频片段的相关度对视频的多条评进行聚合,从而得到与各视频片段对应的相关度满足相关度条件的目标评论。具体地,可以将对应同一视频片段的相关度满足相关度条件的评论聚合在一起,得到与该视频片段对应的相关度满足相关度条件的目标评论。在实际应用中,该相关度满足相关度条件的目标评论,可以是相关度达到相关度阈值的目标评论、或者相关度降序排序后排序靠前的预设数量的目标评论等。
在一些实施例中,终端可通过如下方式根据评论与各视频片段的相关度,对多条评论进行聚合,得到与各视频片段对应的相关度满足相关度条件的目标评论:针对各视频片段分别执行以下处理:从多条评论中选择相关度达到相关度阈值的评论,作为视频片段的候选评论;基于候选评论与各视频片段的相关度,确定候选评论对应的相关度分布分数;从候选评论中选择相关度分布分数低于分数阈值的候选评论,作为与视频片段对应的相关度满足相关度条件的目标评论。其中,该相关度分布分数,用于指示相应候选评论与各视频片段的相关度的分布情况。
这里,首先从多条评论中选择相关度达到相关度阈值的评论,作为视频片段的候选评论,在实际实施时,还可以进一步选择选择相关度达到相关度阈值、且基于相关度降序排序后排序靠前的目标数量的评论。
然后基于候选评论与各视频片段的相关度,确定候选评论对应的相关度分布分数,该相关度分布分数,用于指示相应候选评论与各视频片段的相关度的分布情况。在实际应用中,评论应具有较高的局部相关性,即评论不能与过多的视频片段相关,如果评论与过多的视频片段相关则说明评论是比较全局的评论,或者比较泛的评论,对这样的评论进行与视频片段的相关性聚合是无意义的。因此,在本申请实施例中,通过限定评论与各视频片段的相关度分布来进行约束,如视频的第c条评论与第s个视频片段的相关度为P_rc[c][s],评论c与各视频片段的相关度分布分数为Sum_s(-P_rc[c][s]*log(P_rc[c][s]));这里,某条评论对应的相关度分布分数越大,说明该评论与各视频片段的相关度分布地越均匀,该评论的局部相关性越差,即可能是比较全局的评论,与视频片段的相关性较低,则可以不对这样的评论进行聚合。即,需要限制用于聚合的目标评论,该目标评论与各视频片段的相关度分布分数应低于预设的分数阈值。因此,继续地,从候选评论中选择相关度分布分数低于分数阈值的候选评论,作为与视频片段对应的相关度满足相关度条件的目标评论。
步骤104:当播放至少两个视频片段中目标视频片段时,展示与目标视频片段对应的目标评论。
这里,在根据相关度对多条评论进行聚合,得到与各视频片段对应的相关度满足相关度条件的目标评论后,当播放至少两个视频片段中目标视频片段时,终端则展示与目标视频片段对应的目标评论,由于该目标评论是与目标视频片段相关度满足相关度条件的评论,因此可以增强用户对评论的理解与兴趣,提升用户对评论的互动。
在一些实施例中,当播放至少两个视频片段中目标视频片段、且当目标评论的数量为至少两条时,终端可通过如下方式展示与目标视频片段对应的目标评论:当播放至少两个视频片段中目标视频片段时,获取与目标视频片段对应的目标评论;确定各目标评论对应的排序分数,该排序分数,用于指示目标评论的查看用户对于相应目标评论的期望程度;基于排序分数对目标评论进行降序排序,得到排序后的目标评论,并展示排序后的目标评论。
这里,终端在展示与目标视频片段对应的目标评论时,如果该目标评论为至少两条,还可以对该多条目标评论进行排序。具体地,当播放至少两个视频片段中目标视频片段时,可以获取与目标视频片段对应的目标评论,然后确定各目标评论对应的排序分数,从而基于该排序分数对目标评论进行降序排序,得到排序后的目标评论并展示。这里,该排序分数,用于指示目标评论的查看用户对于相应目标评论的期望程度,即该排序分数可以用于指示查看用户针对每个目标评论的感兴趣程度,从而基于排序分数进行降序排序并展示排序后的目标评论,可以给用户以更好的观感,提高用户评论参与度。
在一些实施例中,终端可针对各目标评论分别执行以下处理,以确定各目标评论对应的排序分数:获取目标视频片段的查看用户的第一兴趣标签、目标评论的发布用户的第二兴趣标签、目标评论的评论文本、以及目标评论关联的交互特征;将第一兴趣标签、第二兴趣标签、评论文本以及交互特征,输入至第二机器学习模型进行排序分数预测,得到目标评论对应的排序分数。
这里,终端可以通过机器学习模型(即上述第二机器学习模型)实现目标评论的排序分数的计算。在实际实施时,该第二机器学习模型通过机器学习网络(比如卷积神经网络CNN、深度神经网络DNN等)来说构建,并针对该第二机器学习模型设置初始的模型参数、模型的激活函数(比如线性整流函数等)、模型的损失函数(比如交叉熵损失函数、对数损失函数等)。该第一机器学习模型可以是分类模型,也可以回归模型。在构建完成初始的第二机器学习模型后,对构建完成的第二机器学习模型进行训练。
具体地,可以获取用于训练该第二机器学习模型的训练样本,该训练样本标注有相应的样本标签;然后将该训练样本输入至构建的初始的第二机器学习模型中进行预测,输出相应的预测结果;最后,获取预测结果与相应训练样本的样本标签之间的差异,从而基于差异更新第二机器学习模型的模型参数。具体地,可以基于差异确定第二机器学习模型的损失函数的值,当损失函数的值超出预设阈值时,基于损失函数确定推荐模型的误差信号,将误差信号在第二机器学习模型中反向传播,并在传播的过程中更新各个层的模型参数。整个训练过程不断迭代上述步骤,直至第二机器学习模型的损失函数收敛,将损失函数收敛时第二机器学习模型更新后的模型参数,作为最终训练完成的第二机器学习模型的模型参数,以减小模型输出的误差。
在训练完成第二机器学习模型后,终端可基于第二机器学习模块实现各目标评论对应的排序分数的预测。具体地,首先获取目标视频片段的查看用户的第一兴趣标签(比如影视、00后、爱豆等)、目标评论的发布用户的第二兴趣标签(比如电视剧、00后、爱豆等)、目标评论的评论文本,以及目标评论关联的交互特征(比如评论点赞数据、评论回复数据、评论与视频片段的相关度等);然后将第一兴趣标签、第二兴趣标签、评论文本以及交互特征,输入至第二机器学习模型,通过第二机器学习模型进行排序分数预测,得到目标评论对应的排序分数。
在一些实施例中,当交互特征的数量为至少两个时,终端可通过如下方式将第一兴趣标签、第二兴趣标签、评论文本以及交互特征,输入至第二机器学习模型进行排序分数预测,得到目标评论对应的排序分数:通过第二机器学习模型的特征编码层,分别对第一兴趣标签、第二兴趣标签、以及评论文本进行编码,得到相应的编码特征;通过第二机器学习模型的第一特征连接层,对至少两个交互特征进行拼接,得到第一拼接特征;通过第二机器学习模型的特征交互层,对第一兴趣标签的编码特征和第二兴趣标签的编码特征进行特征交互处理,得到第一交互特征,并对第一兴趣标签的编码特征和评论文本的编码特征进行特征交互处理,得到第二交互特征;通过第二机器学习模型的第二特征连接层,对第一交互特征、第二交互特征以及第一拼接特征进行拼接,得到第二拼接特征;通过第二机器学习模型的特征预测层,对第二拼接特征进行排序分数预测,得到目标评论对应的排序分数。
参见图4,图4是本申请实施例提供的通过第二机器学习模型实现排序分数预测的示意图。在实际应用中,上述实施例中所涉及的第一机器学习模型的结构如图4所示,该第二机器学习模型包括特征编码层410、第一特征连接层420、特征交互层430、第二特征拼接层440以及特征预测层450。其中,针对第一兴趣标签、第二兴趣标签、以及评论文本的特征编码层可以基于语言表示模型(Bidirectional Encoder Representations fromTransformers,BERT)实现。
通过第二机器学习模型实现目标评论对应的排序分数的计算的处理流程如下:将第一兴趣标签、第二兴趣标签、评论文本以及交互特征,输入至第二机器学习模型的特征编码层,分别对第一兴趣标签、第二兴趣标签、以及评论文本进行编码,得到相应的编码特征;通过第一特征连接层(即图4所示的全连接网络1),对至少两个交互特征进行拼接,得到第一拼接特征;通过特征交互层,对第一兴趣标签的编码特征和第二兴趣标签的编码特征进行特征交互处理,得到第一交互特征(即图4所示的当前用户与评论发布者兴趣交互表示),并对第一兴趣标签的编码特征和评论文本的编码特征进行特征交互处理,得到第二交互特征(即图4所示的当前用户与评论交互表示);通过第二特征连接层,对第一交互特征、第二交互特征以及第一拼接特征进行拼接,得到第二拼接特征;通过特征预测层,对第二拼接特征进行排序分数预测,得到目标评论对应的排序分数。
在一些实施例中,终端可通过如下方式确定各目标评论对应的排序分数:针对各目标评论分别执行以下处理,以确定各目标评论对应的排序分数:按照预设的多个排序规则,分别确定目标评论在各排序规则下的子排序分数;获取各排序规则对应的权重值;基于目标评论在各排序规则下的子排序分数、以及各排序规则对应的权重值,确定目标评论对应的排序分数。
这里,终端还可以针对各目标评论,基于如下方式确定各目标评论对应的排序分数:获取预设的排序规则,比如按照各目标评论与视频片段的相关度进行排序、或者按照各目标评论的点赞数量/点赞率进行排序、或者按照各目标评论的回复数量/回复率进行排序、或者按照各目标评论与查看用户的兴趣画像的相关程度进行排序等规则;然后按照获取的多个排序规则,分别确定目标评论在各排序规则下的子规则分数。在实际应用中,各排序规则还对应有相应的权重值,在确定目标评论在各排序规则下的子规则分数后,获取各排序规则对应的权重值,然后基于目标评论在各排序规则下的子排序分数、以及各排序规则对应的权重值进行加权平均处理,确定目标评论对应的排序分数。
在一些实施例中,当播放至少两个视频片段中目标视频片段时,终端可通过如下方式展示与目标视频片段对应的目标评论:在播放视频的过程中,呈现用于展示视频的评论的信息流卡片;当播放至少两个视频片段中目标视频片段时,采用信息流卡片,展示与目标视频片段对应的目标评论。
这里,终端在播放视频的过程中,呈现用于展示视频的评论的信息流卡片;当播放至少两个视频片段中目标视频片段时,则采用信息流卡片展示与目标视频片段对应的目标评论。
作为示例,参见图5,图5是本申请实施例提供的目标评论的展示示意图。这里,终端呈现用于展示视频的评论的信息流卡片50,如图5中A图所示;当终端播放目标视频片段“视频片段2”时,采用信息流卡片,展示与目标视频片段“视频片段2(描述分别后再次见面的视频内容)”对应的目标评论,比如“终于再次见面啦,替他们开心!”,如图5中B图所示。
在一些实施例中,当播放至少两个视频片段中目标视频片段时,终端可通过如下方式展示与目标视频片段对应的目标评论:在播放视频的过程中,呈现用于展示视频的评论的评论展示区域;当播放至少两个视频片段中目标视频片段时,通过评论展示区域,展示与目标视频片段对应的目标评论。
这里,终端在播放视频的过程中,呈现用于展示视频的评论的评论展示区域;从而在播放至少两个视频片段中目标视频片段时,通过评论展示区域,展示与目标视频片段对应的目标评论。
在一些实施例中,当目标评论的数量为多条、且目标评论的数量达到目标数量时,终端可在评论展示区域的一侧呈现对应多条目标评论的滚动条;当接收到针对滚动条的触发操作时,调整目标评论在评论展示区域中的展示位置,以调整通过评论展示区域所展示的目标评论。
在实际应用中,当目标评论的数量为多条、且目标评论的数量达到目标数量时,终端可以在评论展示区域的一侧呈现对应多条目标评论的滚动条,比如在评论展示区域的右侧、下方等呈现对应多条目标评论的滚动条。用户可以基于该滚动条调整评论展示区域中所展示的目标评论。当终端接收到针对滚动条的触发操作时,比如滑动操作、滚动操作、点击操作等,则调整目标评论在评论展示区域中的展示位置,以调整通过评论展示区域所展示的目标评论。
作为示例,参见图6,图6是本申请实施例提供的目标评论的展示示意图。这里,当播放至少两个视频片段中目标视频片段(描述分别后再次见面的视频内容)时,终端在通过评论展示区域60,展示与目标视频片段对应的目标评论,即“终于再次见面啦,替他们开心!”、“真是好久不见呀,呜呜!”等,如图6中A图所示;
当目标评论的数量达到目标数量时,该评论展示区域的右侧呈现有对应多条目标评论的滚动条61,如图6中B图所示;响应于针对滚动条的滑动操作时,调整目标评论在评论展示区域中的展示位置,以实现调整通过评论展示区域所展示的目标评论,如图6中C图所示,所展示的目标评论由“终于再次见面啦,替他们开心!”、“真是好久不见呀,呜呜!”,调整为“好久不见!”、“见面,撒花撒花!”。
在一些实施例中,当播放至少两个视频片段中目标视频片段时,终端可通过如下方式展示与目标视频片段对应的目标评论:在播放视频的过程中,采用弹幕滚动展示方式展示视频的评论;当播放至少两个视频片段中目标视频片段时,采用弹幕滚动展示方式,展示与目标视频片段对应的目标评论。
作为示例,参见图7,图7是本申请实施例提供的目标评论的展示示意图。这里,终端播放目标视频片段(描述分别后再次见面的视频内容)时,采用弹幕滚动展示方式,展示与目标视频片段对应的目标评论,比如“终于再次见面啦,替他们开心!”、“真是好久不见呀,呜呜!”。
在一些实施例中,终端可通过如下方式展示与目标片段对应的目标评论:在通过媒体播放界面播放视频的过程中,在媒体播放界面中呈现评论查看功能项;当播放至少两个视频片段中目标视频片段时,响应于针对评论查看功能项的触发操作,展示与目标视频片段对应的目标评论。
这里,终端在通过媒体播放界面播放视频的过程中,可以在媒体播放界面中呈现评论查看功能项,从而用户可以基于该评论查看功能项,触发针对评论的查看操作。如此,在视频播放的过程中,可以基于该评论查看功能项控制评论的显示与隐藏,从而提高用户观看体验,即只在用户需要查看评论时可以通过评论查看功能项实现评论的查看,其他时候可以不显示评论。
当终端播放目标视频片段时,当接收到针对评论查看功能项的触发操作时,响应于针对评论查看功能项的触发操作,展示与目标视频片段对应的目标评论。
作为示例,参见图8,图8是本申请实施例提供的目标评论的展示示意图。这里,终端在媒体播放界面中呈现评论查看功能项“评论”,如图8中A图所示;当播放目标视频片段(描述分别后再次见面的视频内容)时,响应于针对评论查看功能项“评论”的触发操作,展示与目标视频片段对应的目标评论,如“终于再次见面啦,替他们开心!”、“真是好久不见呀,呜呜”等,如图8中B图所示。
应用本申请上述实施例,获取视频包括的多个视频片段以及多条评论,并分别确定评论与各视频片段的相关度,由于相关度用于指示评论与视频片段在内容上的相关程度,因此可以根据相关度对多条评论进行聚合,从而得到与各视频片段的相关度满足相关度条件的目标评论,如此,实现了按照评论与视频片段在内容上的相关程度,对各视频片段相关评论进行聚合处理的效果,在播放目标视频片段时,可以展示聚合得到的与目标视频片段相关的目标评论,增强了用户对视频内容的理解,提升了用户参与评论互动的积极性。
下面将说明本申请实施例在一个实际的应用场景中的示例性应用。
相关技术中,视频下的评论都是基于评论的热度、质量等排序并展示的,使得用户在不同的视频播放位置触发针对评论的查看操作时,每次所能展示的评论都是一样的(比如热度最高的评论),不会随用户切换或者播放不同的视频内容而动态变化,导致所展示的评论与用户当前观看的视频内容可能不太相关,影响用户的视频评论观看与互动体验。
基于此,本申请实施例提供一种评论的处理方法,以至少解决上述存在的问题。具体地,本申请实施例通过对视频进行多维度深度理解,将视频的评论按相关的情节片段进行智能聚合,当用户播放到不同视频播放位置时,动态优先展示与当前情节相关的聚合评论,从而增强用户对评论的理解与兴趣,提升用户对评论的互动。
这里,评论聚合指的是,视频一般按时间先后可以切分为多个视频片段,用户发表的评论一般是针对某个视频片段的,可以将与同一视频片段相关的评论聚合一起,当视频播放到该视频片段时,优先展示与该视频片段相关的聚合评论,使展示的评论与视频的播放进度相关。
接下来对本申请实施例提供的评论的处理方法进行详细说明。本申请实施例提供的评论聚合展示的实现流程如图9所示,图9是本申请实施例提供的评论的处理方法的流程示意图,包括:
步骤201:终端对视频评论进行智能聚合。
这里,可以基于评论与视频所包括的各视频片段的相关度,将视频对应的多条评论进行聚合。具体地,可以将该视频切分为多个视频片段,如10秒为一个时间片段对视频进行切分,得到多个视频片段,然后计算评论与每个视频片段的相关度,从而基于相关度对多条评论进行聚合。该相关度用于指示评论与视频片段在内容上的相关程度。
在实际应用中,可通过机器学习模型实现评论与各视频片段的相关度的计算。该机器学习模型的模型结构如图3所示。图3所示的评论与视频片段相关度计算模型,通过在构建的视频片段-评论相关与不相关的数据集上进行训练,该模型可以基于输入的视频片段的图像帧、视频片段文本(包括图像识别与语音识别出的文本)、评论文本,输出评论与视频片段的相关度P_rc。在实际实施时,训练数据集可以通过人工构建,还可以挖掘平台上视频长度与视频片段切分长度差异较小的视频,将其自身的评论作为相关性高的正例,负例通过负采样构建。
在实际应用中,为保证聚合后所得到的聚合评论与各视频片段有较好的相关度,对评论与视频片段的相关度有如下要求:1)评论与视频片段的相关度需要满足预设的相关度阈值,且选取最相关的S个满足相关度阈值的视频片段作为与该评论相关的视频片段。2)评论应具有较高的局部相关性,即评论不能与过多的视频片段相关,如果评论与过多的视频片段相关则说明评论是比较全局的评论,或者比较泛的评论,对这样的评论进行与视频片段的相关性聚合是无意义的。因此,在本申请实施例中,通过限定评论与各视频片段的相关度分布来进行约束,如视频的第c条评论与第s个视频片段的相关度为P_rc[c][s],评论c与各视频片段的相关度分布的熵为Sum_s(-P_rc[c][s]*log(P_rc[c][s]));这里,熵越大说明评论与各片段的相关度越均匀,评论的局部相关性越差,可以不对这样的评论进行聚合。即,需要限定评论与各视频片段的相关度分布的熵低于预设的熵阈值。
将满足上述要求的评论,按与各视频片段的相关度进行评论聚合,即将与同一视频片段相关的评论聚合在一起,结果如表1所示。其中,片段2对应的聚合评论包括评论11和评论14;片段7对应的聚合评论包括评论12和评论22;片段3对应的聚合评论包括评论16、评论13和评论21,等等。
视频 | 评论 | 评论相关片段 | 评论与片段相关度 |
视频1 | 评论11 | 片段2 | 0.512 |
视频1 | 评论16 | 片段3 | 0.217 |
视频1 | 评论12 | 片段7 | 0.321 |
视频1 | 评论12 | 片段10 | 0.462 |
视频1 | 评论13 | 片段3 | 0.531 |
视频1 | 评论14 | 片段2 | 0.672 |
视频2 | 评论21 | 片段3 | 0.815 |
视频2 | 评论22 | 片段7 | 0.663 |
… | … | … | … |
视频v | 评论vc | 片段3 | 0.856 |
表1
步骤202:基于所播放的目标视频片段选取聚合评论并展示。
在将步骤201中构建好的与视频片段相关的聚合评论展示给用户时,首先需要基于用户当前播放位置,确定当前播放位置所对应的视频的目标视频片段,基于目标视频片段,选取与该目标视频片段相关的聚合评论,然后对与该目标视频片段相关的聚合评论进行内部排序。
在实际应用中,排序可以采用规则融合方式,如将评论与视频片段的相关度、评论的点赞/回复互动特征、评论与用户的兴趣相关等进行规则加权融合,基于融合分数对聚合评论中的各个评论进行排序,以展示排序后的聚合评论。
在实际应用中,还可以通过如图4所示的机器学习模型对目标视频片段的聚合评论中各个评论进行用户期望分数的计算,基于得到用户期望分数对聚合评论中各评论进行排序。
图4所示的机器学习模型,可以对当前目标视频片段的聚合评论内各评论分别计算当前用户的用户期望分数,该模型融合了当前用户与评论发布者的兴趣相关度、当前用户兴趣与评论的相关度、评论的文本表示、评论的互动特征、以及步骤201中计算的评论与视频片段的相关度。
其中,用户的兴趣标签序列可以通过用户的历史有效播放视频序列进行统计,将有效播放视频的标签迁移为用户的兴趣标签,并保留一定阈值的兴趣标签。评论的点赞率为点赞次数/视频播放次数,评论的回复率为回复次数/视频播放次数。通过图4所示的机器学习模型,使聚合评论能关注评论与目标视频片段相关度的同时,还能捕获当前用户与评论的兴趣度以及评论本身的内容质量,使聚合评论的展示顺序更加符合当用户需求。
步骤203:展示聚合评论。
经过上述步骤201-步骤202,为当前用户的目标视频片段构建好聚合评论,并进行了适当排序后,将排序后的聚合评论进行展示。具体地,可以通过信息流卡片展示,或者是在评论区上方、播放器下方,放置一个动态聚合评论展示区域。如此展示与用户当前播放情节更相关的评论,使得用户能基于当前视频内容,加深对评论兴趣度,提升用户的评论互动。
应用本申请上述实施例,当用户观看视频过程中,在不同的观看位置,优先动态展示与当前情节更相关的聚合评论,使评论更加符合视频播放的上下文环境,提升评论互动产品体验。
下面继续说明本申请实施例提供的评论的处理装置600,参见图10,图10是本申请实施例提供的评论的处理装置600的结构示意图,本申请实施例提供的评论的处理装置600包括:
获取模块610,用于获取视频包括的至少两个视频片段、以及所述视频的多条评论;
确定模块620,用于分别确定所述评论与各视频片段的相关度,所述相关度用于指示所述评论与所述视频片段在内容上的相关程度;
聚合模块630,用于根据所述评论与各视频片段的相关度,对所述多条评论进行聚合,得到与各视频片段对应的相关度满足相关度条件的目标评论;
展示模块640,用于当播放所述至少两个视频片段中目标视频片段时,展示与所述目标视频片段对应的目标评论。
在一些实施例中,所述确定模块620,还用于针对各所述视频片段分别执行以下处理,以确定所述评论与各视频片段的相关度:
获取所述视频片段包含的视频帧图像、与所述视频片段关联的视频文本、以及所述评论的评论文本;
将所述视频片段包含的视频帧图像、与所述视频片段关联的视频文本以及所述评论文本,输入至第一机器学习模型进行相关度预测,得到所述评论与所述视频片段的相关度。
在一些实施例中,所述确定模块620,还用于通过所述第一机器学习模型的特征编码层,对所述视频片段包含的视频帧图像、与所述视频片段关联的视频文本以及所述评论文本,分别进行编码处理,得到相应的编码特征;
通过所述第一机器学习模型的特征交互层,对所述视频文本的编码特征和所述评论文本的编码特征进行特征交互处理,得到第一交互特征,并
对所述视频帧图像的编码特征和所述评论文本的编码特征进行特征交互处理,得到第二交互特征;
通过所述第一机器学习模型的特征拼接层,对所述第一交互特征以及所述第二交互特征进行拼接处理,得到拼接特征;
通过所述第一机器学习模型的特征预测层,对所述拼接特征进行相关度预测,得到所述评论与所述视频片段的相关度。
在一些实施例中,所述聚合模块630,还用于针对各所述视频片段分别执行以下处理:
从所述多条评论中选择相关度达到相关度阈值的评论,作为所述视频片段的候选评论;
基于所述候选评论与各视频片段的相关度,确定所述候选评论对应的相关度分布分数,所述相关度分布分数,用于指示相应候选评论与各视频片段的相关度的分布情况;
从所述候选评论中选择相关度分布分数低于分数阈值的候选评论,作为与所述视频片段对应的相关度满足相关度条件的目标评论。
在一些实施例中,所述目标评论的数量为至少两条时,所述展示模块640,还用于当播放所述至少两个视频片段中目标视频片段时,获取与所述目标视频片段对应的目标评论;
确定各所述目标评论对应的排序分数,所述排序分数,用于指示所述目标评论的查看用户对于相应目标评论的期望程度;
基于所述排序分数对所述目标评论进行降序排序,得到排序后的目标评论,并展示所述排序后的目标评论。
在一些实施例中,所述展示模块640,还用于针对各所述目标评论分别执行以下处理,以确定各所述目标评论对应的排序分数:
获取所述目标视频片段的查看用户的第一兴趣标签、所述目标评论的发布用户的第二兴趣标签、所述目标评论的评论文本,以及所述目标评论关联的交互特征;
将所述第一兴趣标签、所述第二兴趣标签、所述评论文本以及所述交互特征,输入至第二机器学习模型进行排序分数预测,得到所述目标评论对应的排序分数。
在一些实施例中,当所述交互特征的数量为至少两个时,所述展示模块640,还用于通过所述第二机器学习模型的特征编码层,分别对所述第一兴趣标签、所述第二兴趣标签、以及所述评论文本进行编码,得到相应的编码特征;
通过所述第二机器学习模型的第一特征连接层,对所述至少两个交互特征进行拼接,得到第一拼接特征;
通过所述第二机器学习模型的特征交互层,对所述第一兴趣标签的编码特征和第二兴趣标签的编码特征进行特征交互处理,得到第一交互特征,并对所述第一兴趣标签的编码特征和评论文本的编码特征进行特征交互处理,得到第二交互特征;
通过所述第二机器学习模型的第二特征连接层,对所述第一交互特征、所述第二交互特征以及所述第一拼接特征进行拼接,得到第二拼接特征;
通过所述第二机器学习模型的特征预测层,对所述第二拼接特征进行排序分数预测,得到所述目标评论对应的排序分数。
在一些实施例中,所述展示模块640,还用于针对各所述目标评论分别执行以下处理,以确定各所述目标评论对应的排序分数:
按照预设的多个排序规则,分别确定所述目标评论在各所述排序规则下的子排序分数;
获取各所述排序规则对应的权重值;
基于所述目标评论在各所述排序规则下的子排序分数、以及各所述排序规则对应的权重值,确定所述目标评论对应的排序分数。
在一些实施例中,所述展示模块640,还用于在播放所述视频的过程中,呈现用于展示所述视频的评论的信息流卡片;
当播放所述至少两个视频片段中目标视频片段时,采用所述信息流卡片,展示与所述目标视频片段对应的目标评论。
在一些实施例中,所述展示模块640,还用于在播放所述视频的过程中,呈现用于展示所述视频的评论的评论展示区域;
当播放所述至少两个视频片段中目标视频片段时,通过所述评论展示区域,展示与所述目标视频片段对应的目标评论。
在一些实施例中,所述展示模块640,还用于当所述目标评论的数量为多条、且所述目标评论的数量达到目标数量时,在所述评论展示区域的一侧呈现对应所述多条目标评论的滚动条;
当接收到针对所述滚动条的触发操作时,调整所述目标评论在所述评论展示区域中的展示位置,以调整通过所述评论展示区域所展示的目标评论。
在一些实施例中,所述展示模块640,还用于在播放所述视频的过程中,采用弹幕滚动展示方式展示所述视频的评论;
当播放所述至少两个视频片段中目标视频片段时,采用弹幕滚动展示方式,展示与所述目标视频片段对应的目标评论。
在一些实施例中,所述展示模块640,还用于在通过媒体播放界面播放所述视频的过程中,在所述媒体播放界面中呈现评论查看功能项;
当播放所述至少两个视频片段中目标视频片段时,响应于针对所述评论查看功能项的触发操作,展示与所述目标视频片段对应的目标评论。
应用本申请上述实施例,获取视频包括的多个视频片段以及多条评论,并分别确定评论与各视频片段的相关度,由于相关度用于指示评论与视频片段在内容上的相关程度,因此可以根据相关度对多条评论进行聚合,从而得到与各视频片段的相关度满足相关度条件的目标评论,如此,实现了按照评论与视频片段在内容上的相关程度,对各视频片段相关评论进行聚合处理的效果,在播放目标视频片段时,可以展示聚合得到的与目标视频片段相关的目标评论,增强了用户对视频内容的理解,提升了用户参与评论互动的积极性。
本申请实施例还提供一种电子设备,参见图11,图11为本申请实施例提供的电子设备500的结构示意图,在实际应用中,电子设备500可以为图1示出的终端或服务器,以电子设备500为图1示出的终端为例,对实施本申请实施例的评论的处理方法的电子设备进行说明,本申请实施例提供的电子设备500包括:
存储器550,用于存储可执行指令;
处理器510,用于执行所述存储器中存储的可执行指令时,实现本申请实施例提供的评论的处理方法。
这里,处理器510可以是一种集成电路芯片,具有信号的处理能力,例如通用处理器、数字信号处理器(DSP,Digital Signal Processor),或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等,其中,通用处理器可以是微处理器或者任何常规的处理器等。
存储器550可以是可移除的,不可移除的或其组合。示例性的硬件设备包括固态存储器,硬盘驱动器,光盘驱动器等。存储器550可选地包括在物理位置上远离处理器510的一个或多个存储设备。
存储器550包括易失性存储器或非易失性存储器,也可包括易失性和非易失性存储器两者。非易失性存储器可以是只读存储器(ROM,Read Only Memory),易失性存储器可以是随机存取存储器(RAM,Random Access Memory)。本申请实施例描述的存储器550旨在包括任意适合类型的存储器。
在一些实施例中还可包括至少一个网络接口520和用户接口530。电子设备500中的各个组件通过总线系统540耦合在一起。可理解,总线系统540用于实现这些组件之间的连接通信。总线系统540除包括数据总线之外,还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见,在图11中将各种总线都标为总线系统540。
本申请实施例还提供一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。电子设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该电子设备执行本申请实施例提供的评论的处理方法。
本申请实施例还提供一种计算机可读存储介质,存储有可执行指令,所述可执行指令被处理器执行时,实现本申请实施例提供的评论的处理方法。
在一些实施例中,计算机可读存储介质可以是FRAM、ROM、PROM、EPROM、EEPROM、闪存、磁表面存储器、光盘、或CD-ROM等存储器;也可以是包括上述存储器之一或任意组合的各种设备。
在一些实施例中,可执行指令可以采用程序、软件、软件模块、脚本或代码的形式,按任意形式的编程语言(包括编译或解释语言,或者声明性或过程性语言)来编写,并且其可按任意形式部署,包括被部署为独立的程序或者被部署为模块、组件、子例程或者适合在计算环境中使用的其它单元。
作为示例,可执行指令可以但不一定对应于文件系统中的文件,可以可被存储在保存其它程序或数据的文件的一部分,例如,存储在超文本标记语言(HTML,Hyper TextMarkup Language)文档中的一个或多个脚本中,存储在专用于所讨论的程序的单个文件中,或者,存储在多个协同文件(例如,存储一个或多个模块、子程序或代码部分的文件)中。
作为示例,可执行指令可被部署为在一个电子设备上执行,或者在位于一个地点的多个电子设备上执行,又或者,在分布在多个地点且通过通信网络互连的多个电子设备上执行。
以上所述,仅为本申请的实施例而已,并非用于限定本申请的保护范围。凡在本申请的精神和范围之内所作的任何修改、等同替换和改进等,均包含在本申请的保护范围之内。
Claims (15)
1.一种评论的处理方法,其特征在于,所述方法包括:
获取视频包括的至少两个视频片段、以及所述视频的多条评论;
分别确定所述评论与各视频片段的相关度,所述相关度用于指示所述评论与所述视频片段在内容上的相关程度;
根据所述评论与各视频片段的相关度,对所述多条评论进行聚合,得到与各视频片段对应的相关度满足相关度条件的目标评论;
当播放所述至少两个视频片段中目标视频片段时,展示与所述目标视频片段对应的目标评论。
2.如权利要求1所述的方法,其特征在于,所述分别确定所述评论与各视频片段的相关度,包括:
针对各所述视频片段分别执行以下处理,以确定所述评论与各视频片段的相关度:
获取所述视频片段包含的视频帧图像、与所述视频片段关联的视频文本、以及所述评论的评论文本;
将所述视频片段包含的视频帧图像、与所述视频片段关联的视频文本以及所述评论文本,输入至第一机器学习模型进行相关度预测,得到所述评论与所述视频片段的相关度。
3.如权利要求2所述的方法,其特征在于,所述将所述视频片段包含的视频帧图像、与所述视频片段关联的视频文本以及所述评论文本,输入至第一机器学习模型进行相关度预测,得到所述评论与所述视频片段的相关度,包括:
通过所述第一机器学习模型的特征编码层,对所述视频片段包含的视频帧图像、与所述视频片段关联的视频文本以及所述评论文本,分别进行编码处理,得到相应的编码特征;
通过所述第一机器学习模型的特征交互层,对所述视频文本的编码特征和所述评论文本的编码特征进行特征交互处理,得到第一交互特征,并
对所述视频帧图像的编码特征和所述评论文本的编码特征进行特征交互处理,得到第二交互特征;
通过所述第一机器学习模型的特征拼接层,对所述第一交互特征以及所述第二交互特征进行拼接处理,得到拼接特征;
通过所述第一机器学习模型的特征预测层,对所述拼接特征进行相关度预测,得到所述评论与所述视频片段的相关度。
4.如权利要求1所述的方法,其特征在于,所述根据所述评论与各视频片段的相关度,对所述多条评论进行聚合,得到与各视频片段对应的相关度满足相关度条件的目标评论,包括:
针对各所述视频片段分别执行以下处理:
从所述多条评论中选择相关度达到相关度阈值的评论,作为所述视频片段的候选评论;
基于所述候选评论与各视频片段的相关度,确定所述候选评论对应的相关度分布分数,所述相关度分布分数,用于指示相应候选评论与各视频片段的相关度的分布情况;
从所述候选评论中选择相关度分布分数低于分数阈值的候选评论,作为与所述视频片段对应的相关度满足相关度条件的目标评论。
5.如权利要求1所述的方法,其特征在于,所述目标评论的数量为至少两条时,所述当播放所述至少两个视频片段中目标视频片段时,展示与所述目标视频片段对应的目标评论,包括:
当播放所述至少两个视频片段中目标视频片段时,获取与所述目标视频片段对应的目标评论;
确定各所述目标评论对应的排序分数,所述排序分数,用于指示所述目标评论的查看用户对于相应目标评论的期望程度;
基于所述排序分数对所述目标评论进行降序排序,得到排序后的目标评论,并展示所述排序后的目标评论。
6.如权利要求5所述的方法,其特征在于,所述确定各所述目标评论对应的排序分数,包括:
针对各所述目标评论分别执行以下处理,以确定各所述目标评论对应的排序分数:
获取所述目标视频片段的查看用户的第一兴趣标签、所述目标评论的发布用户的第二兴趣标签、所述目标评论的评论文本,以及所述目标评论关联的交互特征;
将所述第一兴趣标签、所述第二兴趣标签、所述评论文本以及所述交互特征,输入至第二机器学习模型进行排序分数预测,得到所述目标评论对应的排序分数。
7.如权利要求6所述的方法,其特征在于,当所述交互特征的数量为至少两个时,所述将所述第一兴趣标签、所述第二兴趣标签、所述评论文本以及所述交互特征,输入至第二机器学习模型进行排序分数预测,得到所述目标评论对应的排序分数,包括:
通过所述第二机器学习模型的特征编码层,分别对所述第一兴趣标签、所述第二兴趣标签、以及所述评论文本进行编码,得到相应的编码特征;
通过所述第二机器学习模型的第一特征连接层,对所述至少两个交互特征进行拼接,得到第一拼接特征;
通过所述第二机器学习模型的特征交互层,对所述第一兴趣标签的编码特征和第二兴趣标签的编码特征进行特征交互处理,得到第一交互特征,并对所述第一兴趣标签的编码特征和评论文本的编码特征进行特征交互处理,得到第二交互特征;
通过所述第二机器学习模型的第二特征连接层,对所述第一交互特征、所述第二交互特征以及所述第一拼接特征进行拼接,得到第二拼接特征;
通过所述第二机器学习模型的特征预测层,对所述第二拼接特征进行排序分数预测,得到所述目标评论对应的排序分数。
8.如权利要求5所述的方法,其特征在于,所述确定各所述目标评论对应的排序分数,包括:
针对各所述目标评论分别执行以下处理,以确定各所述目标评论对应的排序分数:
按照预设的多个排序规则,分别确定所述目标评论在各所述排序规则下的子排序分数;
获取各所述排序规则对应的权重值;
基于所述目标评论在各所述排序规则下的子排序分数、以及各所述排序规则对应的权重值,确定所述目标评论对应的排序分数。
9.如权利要求1所述的方法,其特征在于,所述当播放所述至少两个视频片段中目标视频片段时,展示与所述目标视频片段对应的目标评论,包括:
在播放所述视频的过程中,呈现用于展示所述视频的评论的信息流卡片;
当播放所述至少两个视频片段中目标视频片段时,采用所述信息流卡片,展示与所述目标视频片段对应的目标评论。
10.如权利要求1所述的方法,其特征在于,所述当播放所述至少两个视频片段中目标视频片段时,展示与所述目标视频片段对应的目标评论,包括:
在播放所述视频的过程中,呈现用于展示所述视频的评论的评论展示区域;
当播放所述至少两个视频片段中目标视频片段时,通过所述评论展示区域,展示与所述目标视频片段对应的目标评论。
11.如权利要求10所述的方法,其特征在于,所述方法还包括:
当所述目标评论的数量为多条、且所述目标评论的数量达到目标数量时,在所述评论展示区域的一侧呈现对应所述多条目标评论的滚动条;
当接收到针对所述滚动条的触发操作时,调整所述目标评论在所述评论展示区域中的展示位置,以调整通过所述评论展示区域所展示的目标评论。
12.如权利要求1所述的方法,其特征在于,所述当播放所述至少两个视频片段中目标视频片段时,展示与所述目标视频片段对应的目标评论,包括:
在播放所述视频的过程中,采用弹幕滚动展示方式展示所述视频的评论;
当播放所述至少两个视频片段中目标视频片段时,采用弹幕滚动展示方式,展示与所述目标视频片段对应的目标评论。
13.一种评论的处理装置,其特征在于,所述装置包括:
获取模块,用于获取视频包括的至少两个视频片段、以及所述视频的多条评论;
确定模块,用于分别确定所述评论与各视频片段的相关度,所述相关度用于指示所述评论与所述视频片段在内容上的相关程度;
聚合模块,用于根据所述评论与各视频片段的相关度,对所述多条评论进行聚合,得到与各视频片段对应的相关度满足相关度条件的目标评论;
展示模块,用于当播放所述至少两个视频片段中目标视频片段时,展示与所述目标视频片段对应的目标评论。
14.一种电子设备,其特征在于,所述电子设备包括:
存储器,用于存储可执行指令;
处理器,用于执行所述存储器中存储的可执行指令时,实现如权利要求1至12任一项所述的评论的处理方法。
15.一种计算机可读存储介质,其特征在于,存储有可执行指令,所述可执行指令被执行时,用于实现如权利要求1至12任一项所述的评论的处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110925325.0A CN115706833A (zh) | 2021-08-12 | 2021-08-12 | 评论的处理方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110925325.0A CN115706833A (zh) | 2021-08-12 | 2021-08-12 | 评论的处理方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115706833A true CN115706833A (zh) | 2023-02-17 |
Family
ID=85180960
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110925325.0A Pending CN115706833A (zh) | 2021-08-12 | 2021-08-12 | 评论的处理方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115706833A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116663505A (zh) * | 2023-07-31 | 2023-08-29 | 厦门起量科技有限公司 | 一种基于互联网的评论区管理方法及系统 |
-
2021
- 2021-08-12 CN CN202110925325.0A patent/CN115706833A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116663505A (zh) * | 2023-07-31 | 2023-08-29 | 厦门起量科技有限公司 | 一种基于互联网的评论区管理方法及系统 |
CN116663505B (zh) * | 2023-07-31 | 2023-10-13 | 厦门起量科技有限公司 | 一种基于互联网的评论区管理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110781321B (zh) | 一种多媒体内容推荐方法及装置 | |
KR102644700B1 (ko) | 콘텐츠 추천 방법, 장치, 기기 및 매체 | |
US9141906B2 (en) | Scoring concept terms using a deep network | |
CN111444428A (zh) | 基于人工智能的信息推荐方法、装置、电子设备及存储介质 | |
CN104782138B (zh) | 缩略图图像选择系统、方法及计算机可读介质 | |
CN111143610A (zh) | 一种内容推荐方法、装置、电子设备和存储介质 | |
KR20160055930A (ko) | 연속적인 소셜 커뮤니케이션에 사용되는 콘텐츠를 능동적으로 구성하기 위한 시스템 및 방법 | |
CN107463701B (zh) | 基于人工智能推送信息流的方法和装置 | |
CN105431834A (zh) | 基于用户历史创建内容共享平台的个性化和连续播放列表 | |
CN107430630A (zh) | 用于聚集和呈现与特定视频游戏相关的内容的方法、系统和介质 | |
KR102155342B1 (ko) | 다중파라미터 분석 기반 인플루언서 매칭을 이용한 광고 서비스 제공 시스템 | |
CN111708948B (zh) | 内容项推荐方法、装置、服务器及计算机可读存储介质 | |
CN110825956A (zh) | 一种信息流推荐方法、装置、计算机设备及存储介质 | |
DE202017104849U1 (de) | Systeme und Medien zum Darstellen einer Benutzerschnittstelle, die für eine vorhergesagte Benutzeraktivität kundenspezifisch ist | |
US20160227277A1 (en) | Method and system for determining viewers' video clip attention and placing commercial responsive thereto | |
Anantharaman et al. | Modelling an adaptive e-learning system using LSTM and random forest classification | |
CN111552835B (zh) | 文件推荐方法、装置及服务器 | |
CN113111198B (zh) | 基于协同过滤算法的演示文稿推荐方法及相关设备 | |
CN111371605A (zh) | 网络服务评分方法及装置 | |
CN110781377A (zh) | 一种文章推荐方法、装置 | |
CN115706833A (zh) | 评论的处理方法、装置、电子设备及存储介质 | |
CN111460267B (zh) | 对象识别方法、装置和系统 | |
US11909100B2 (en) | Systems and methods for the analysis of user experience testing with AI acceleration | |
CN116956183A (zh) | 多媒体资源推荐方法、模型训练方法、装置及存储介质 | |
CN116541486A (zh) | 一种基于数据挖掘与深度学习的新闻信息聚合方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40080510 Country of ref document: HK |
|
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |