CN116233556A - 视频推送方法、装置、存储介质以及电子设备 - Google Patents
视频推送方法、装置、存储介质以及电子设备 Download PDFInfo
- Publication number
- CN116233556A CN116233556A CN202310284454.5A CN202310284454A CN116233556A CN 116233556 A CN116233556 A CN 116233556A CN 202310284454 A CN202310284454 A CN 202310284454A CN 116233556 A CN116233556 A CN 116233556A
- Authority
- CN
- China
- Prior art keywords
- video
- score
- target object
- target
- determining
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 230000008921 facial expression Effects 0.000 claims abstract description 45
- 230000003993 interaction Effects 0.000 claims abstract description 40
- 230000008569 process Effects 0.000 claims abstract description 16
- 230000008451 emotion Effects 0.000 claims description 19
- 230000014509 gene expression Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 12
- 230000001815 facial effect Effects 0.000 claims description 12
- 238000005520 cutting process Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000004891 communication Methods 0.000 description 9
- 239000012634 fragment Substances 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000010224 classification analysis Methods 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 3
- 230000000875 corresponding effect Effects 0.000 description 3
- 230000002452 interceptive effect Effects 0.000 description 3
- 230000007935 neutral effect Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000872 buffer Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000008909 emotion recognition Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 210000002364 input neuron Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
- H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
- H04N21/4668—Learning process for intelligent management, e.g. learning user preferences for recommending movies for recommending content, e.g. movies
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
- H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
- H04N21/251—Learning process for intelligent management, e.g. learning user preferences for recommending movies
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/47—End-user applications
- H04N21/475—End-user interface for inputting end-user data, e.g. personal identification number [PIN], preference data
- H04N21/4756—End-user interface for inputting end-user data, e.g. personal identification number [PIN], preference data for rating content, e.g. scoring a recommended movie
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Human Computer Interaction (AREA)
- Computing Systems (AREA)
- User Interface Of Digital Computer (AREA)
- Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本发明公开了一种视频推送方法、装置、存储介质以及电子设备。该方法包括:获取在播放历史视频的过程中,观看历史视频的目标对象的面部表情信息、目标对象对历史视频的关注度信息以及目标对象与历史视频的互动信息;根据面部表情信息、关注度信息以及互动信息确定目标视频;向目标对象推送目标视频。本发明解决了推送课程准确度差的技术问题。
Description
技术领域
本发明涉及视频推送领域,具体而言,涉及一种视频推送方法、装置、存储介质以及电子设备。
背景技术
在少儿编程启蒙阶段,编程课程主要期望以孩子的兴趣为导向,所有的课程设计从读懂孩子开始,这样的课程才能真正激发孩子兴趣,培养孩子创造力和探索欲,帮助孩子建立好感,形成孩子爱学、收获知识的良性循坏,而真正了解孩子兴趣成为解决此问题的关键。
而现有技术中,课程的推送全靠人工经验设置,无法有效推荐孩子感兴趣、对孩子学习有益的课程。
发明内容
本发明实施例提供了一种视频推送方法、装置、存储介质以及电子设备,以至少解决推送课程准确度差的技术问题。
根据本发明实施例的一个方面,提供了一种视频推送方法,包括:获取在播放历史视频的过程中,观看上述历史视频的目标对象的面部表情信息、上述目标对象对上述历史视频的关注度信息以及上述目标对象与上述历史视频的互动信息;根据上述面部表情信息、上述关注度信息以及上述互动信息确定目标视频;向上述目标对象推送上述目标视频。
根据本发明实施例的另一方面,提供了一种视频推送装置,包括:获取模块,用于获取在播放历史视频的过程中,观看上述历史视频的目标对象的面部表情信息、上述目标对象对上述历史视频的关注度信息以及上述目标对象与上述历史视频的互动信息;确定模块,用于根据上述面部表情信息、上述关注度信息以及上述互动信息确定目标视频;推送模块,用于向上述目标对象推送上述目标视频。
作为一种可选的示例,上述确定模块包括:第一确定单元,用于根据上述面部表情信息、上述关注度信息以及上述互动信息确定上述目标对象对上述历史视频的兴趣分数;第二确定单元,用于根据上述兴趣分数,确定上述目标视频。
作为一种可选的示例,上述第一确定单元包括:确定子单元,用于确定上述面部表情信息的第一分数、上述关注度信息的第二分数以及上述互动信息的第三分数;将上述第一分数、上述第二分数与上述第三分数的加权求和结果确定为上述兴趣分数。
作为一种可选的示例,上述面部表情信息包括上述目标对象观看上述历史视频过程中的面部图像,上述确定子单元还用于:将上述面部图像输入到表情识别模型中,由上述表情识别模型识别上述目标对象的情绪类型;统计上述目标对象的每一种情绪类型的出现次数;将上述情绪类型中,正面情绪出现的次数与情绪总次数的比值确定为上述第一分数。
作为一种可选的示例,上述关注度信息包括上述目标对象执行的切屏操作次数、上述目标对象执行的跳过操作次数、上述目标对象的未关注屏幕次数以及上述历史视频的总时长,上述确定子单元还用于:将上述切屏操作次数、上述跳过操作次数、上述未关注屏幕次数以及上述总时长代入到第一分数公式中,得到上述第二分数,其中,上述第一分数公式用于计算上述第二分数,上述第二分数与上述总时长负相关。
作为一种可选的示例,上述互动信息包括上述目标对象对上述历史视频的关联题目的正误数据、完成时间、提交次数,上述确定子单元还用于:将上述正误数据、完成时间、提交次数代入到第二分数公式中,得到上述第二分数,其中,上述第二分数公式用于计算上述第三分数,上述正误数据与上述第三分数正相关。
作为一种可选的示例,上述第二确定单元包括:选择子单元,用于将第一视频确定为上述目标视频,其中,上述第一视频为与上述兴趣分数高于第一阈值的历史视频同类型的视频;或者将第二视频确定为上述目标视频,其中,上述第二视频为与上述兴趣分数高于第一阈值的历史视频相似类型的视频;或者将第三视频确定为上述目标视频,其中,上述第三视频为与上述兴趣分数最高的历史视频同类型的视频;或者将第四视频确定为上述目标视频,其中,上述第四视频为与上述兴趣分数最高的历史视频相似类型的视频。
作为一种可选的示例,上述推送模块包括:推送单元,用于将上述目标视频推送给上述目标对象,以使上述目标对象在结束了当前视频的播放的情况下,开始播放上述目标视频;或者将上述目标视频推送给上述目标对象,将上述目标视频的播放顺序置于上述目标对象的当前正在播放的视频之后。
作为一种可选的示例,上述第二确定单元包括:分组子单元,用于在上述目标对象为多个的情况下,确定每一个上述目标对象对上述历史视频的上述兴趣分数,得到兴趣分数矩阵;将上述兴趣分数矩阵中,对相同历史视频的兴趣分数接近的目标对象分为一个对象组;将上述对象组中其他对象观看过的且上述兴趣分数高的视频确定为上述目标视频。
根据本发明实施例的又一方面,还提供了一种存储介质,该存储介质中存储有计算机程序,其中,该计算机程序被处理器运行时执行上述视频推送方法。
根据本发明实施例的又一方面,还提供了一种电子设备,包括存储器和处理器,上述存储器中存储有计算机程序,上述处理器被设置为通过上述计算机程序执行上述的视频推送方法。
在本发明实施例中,采用了获取在播放历史视频的过程中,观看上述历史视频的目标对象的面部表情信息、上述目标对象对上述历史视频的关注度信息以及上述目标对象与上述历史视频的互动信息;根据上述面部表情信息、上述关注度信息以及上述互动信息确定目标视频;向上述目标对象推送上述目标视频的方法,由于在上述方法中,在向目标对象推送目标视频时,目标视频是根据播放历史视频的过程中,目标对象的面部表情信息、目标对象的对历史视频的关注度信息以及目标对象与历史视频的互动信息来确定的,因此,目标视频的准确度比较高,符合目标对象的观看体验,从而实现了提高视频推送准确度的目的,进而解决了推送课程准确度差的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的一种可选的视频推送方法的流程图;
图2是根据本发明实施例的一种可选的视频推送方法的视频播放图;
图3是根据本发明实施例的一种可选的视频推送装置的结构示意图;
图4是根据本发明实施例的一种可选的电子设备的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本发明实施例的第一方面,提供了一种视频推送方法,可选地,如图1所示,上述方法包括:
S102,获取在播放历史视频的过程中,观看历史视频的目标对象的面部表情信息、目标对象对历史视频的关注度信息以及目标对象与历史视频的互动信息;
S104,根据面部表情信息、关注度信息以及互动信息确定目标视频;
S106,向目标对象推送目标视频。
上述的历史视频、目标视频可以为向目标对象或者其他对象推送的多媒体资源。视频可以包括视频资源和关联资源。视频资源为可以播放的资源,关联资源可以为可以互动或操作的资源。如课后习题、举手提问等。
在播放历史视频的时候,可以获取目标对象的面部表情信息,目标对象的关注度信息以及目标对象与视频的互动信息,根据三者,来确定接下来要推送的目标视频,并向目标对象推送目标视频。
例如,以向用户推送教学视频为例,推送前,进行教学视频切片准备,通过对用户兴趣爱好调研和教育研究发现,整理不同兴趣点的教学切片视频。如音乐类型、运动类型、游戏类型、绘画类型、科学类型,同时准备对应的关卡练习,以便于在系统识别到用户的兴趣点后可以及时从教学库中调取合适的内容。视频的长度可以相同或者不同。关卡练习的数量可以进行规定或者不做要求。作为一种示例,可以将相同类型的视频的时长设置为相同,且关卡练习的数量设置为相同。
在准备好视频切片后,可以随机的选择视频切片进行播放,然后,根据用户的反应,采集上述面部表情信息,目标对象的关注度信息以及目标对象与视频的互动信息从而确定用户对该视频的喜好程度,最后,根据用户对各种类型的视频的喜好程度决定接下来推送的目标视频。
由于在上述方法中,在向目标对象推送目标视频时,目标视频是根据播放历史视频的过程中,目标对象的面部表情信息、目标对象的对历史视频的关注度信息以及目标对象与历史视频的互动信息来确定的,因此,目标视频的准确度比较高,符合目标对象的观看体验,从而实现了提高视频推送准确度的目的,进而解决了推送课程准确度差的技术问题。
本实施例中,在确定目标视频时,可以根据面部表情信息、关注度信息以及互动信息确定目标对象对历史视频的兴趣分数;根据兴趣分数,确定目标视频。
也就是说,将面部表情信息、关注度信息以及互动信息转换为可以量化的兴趣分数,然后兴趣分数的高低,从而判定视频是否作为目标视频进行推送。
在确定兴趣分数时,可以确定面部表情信息的第一分数、关注度信息的第二分数以及互动信息的第三分数;将第一分数、第二分数与第三分数的加权求和结果确定为兴趣分数。加权求和过程中,权值的大小可以根据历史经验值确定。
在计算上述的第一分数时,可以采集用户的面部表情信息,面部表情信息可以为面部图像,将面部图像输入到表情识别模型中,由表情识别模型识别目标对象的情绪类型;统计目标对象的每一种情绪类型的出现次数;将情绪类型中,正面情绪出现的次数与情绪总次数的比值确定为第一分数。
本实施例中,计算第一分数可以分为如下步骤:
1、使用摄像头捕捉用户的面部图像;
2、对采集的面部图片进行表情分类解析;
3、取表情分类解析后概率最大的表情值作为用户面部表情;
4、收集与该课程内容有关的表情数据,具体包括:用户I D,教学视频类别,表情类别和次数,内容观看者I D,观看时间,从而进行数据分析。
上述第1步面部图像可以每隔预定时长采集一次,或者在用户的面部的变化幅度大的情况下采集一次。例如,用户的面部表情在3分钟前没有明显变化,在3分钟时有明显变化,幅度超出预定值,则3分钟时,采集用户的面部图像。此外,还可以实时记录用户在观看每个不同类型片段时的面部表情。
上述第2步中表情分类解析算法是基于深度学习框架CNN进行训练模型,然后对输入的表情进行预测的,其采用的多分类方法,对于输入的一张人脸表情图片,得到的是该图片分类为6种表情的概率。感情类型Emotion=max(P(img,e)),其中img为人脸照片,e为六种不同种类的表情类别(高兴happy,愤怒anger,恐惧fear,悲伤sad,惊讶surpr ise,中立neutral),P(img,e)为人脸照片分类成这六种不同类别情绪的概率,是一个包含6个0~1概率值的数组。返回客户端的Emotion则取该表情概率数组中的最大值。具体的CNN模型构建过程如下:
①该网络由3层卷积层(C1,C2,C3)、3层maxpool ing层(S1,S2,S3),1层Flatten层,2层全连接层(FC1,FC2),2层Dropout层和1层softmax层。
②输入层是48*48的人脸像素矩阵,在卷积之前,会进行一层ZeroPadding,对图片的边界填充为0,以保证图像卷积后大小仍然不变。
③卷积层和池化层有若干个特征图(Feature Map),每个特征图都与其前一层特征图以局部连接的方式相连接。卷积层C1、c2、c3分别使用32、64、128个卷积进行卷积操作,每个卷积层使用的卷积核的大小都为3×3。
④池化层S1、s2使用的采样窗口的大小为2×2。
⑤全连接层以前有一个Flatten,把卷出来的三维的层,抹平成一维的,便于全连接。
⑥训练过程中每次更新参数时随机断开一定百分比的输入神经元连Dropout层用于防止过拟合。
⑦Softmax层含有6个神经元,对全连接层输出的特征进行分类,将人脸表情分成高兴、惊讶、愤怒、悲伤、恐惧、中性共6类。
特别的,训练集包括35887个裁剪好人脸的,48×48像素的灰度图像,每个都被标记为6个情感类:愤怒、恐惧、快乐、悲伤、惊讶和中立。经过CNN模型的训练,可得到分类模型文件。
上述第4步中收集的表情数据也即用户在观看某一个教学片段的时候的高兴次数x1、惊讶次数x2、愤怒次数x3、悲伤次数x4、恐惧次数x5、中性次数x6,对于编程教学来说,我们能比较清楚的知道用户偏好,从兴趣出发,了解用户需求,判断用户对教学内容的好感程度x的关系式如下:
X=(x1+x2+x6)/(x1+x2+x3+x4+x5+x6),也即基于用户面部情感识别可以得出用户对该教学片段内容的喜爱度,是一个0~1之间的值。
在计算第二分数时,可以获取目标对象执行的切屏操作次数、目标对象执行的跳过操作次数、目标对象的未关注屏幕次数以及历史视频的总时长作为关注度信息,确定第二分数。将切屏操作次数、跳过操作次数、未关注屏幕次数以及总时长代入到第一分数公式中,得到第二分数,其中,第一分数公式用于计算第二分数,第二分数与总时长负相关。主要分为如下步骤:
1、记录每个片段用户的专注度表现,具体维度有:切屏次数y1、跳过次数y2、不在屏幕次数y3、视频总时长y4。
2、根据这些维度,得出用户对该教学内容的专注力分析,切屏次数、跳过次数、不在屏幕次数、视频总时长和专注度负相关。
3、根据历史经验对三个因素影响权重进行赋值,可以得到用户对该教学内容的专注程度,是一个0-1之间的值,越大代表用户专注力越高,越小代表专注力越低。第一公式如下:
Y=1-e^(-a*y1-b*y2-c*y3-d*y4)
其中用户主动行为如切屏次数和跳过次数更能体现用户对视频的不感兴趣程度,所以上述公式中的系数定为a=0.3,b=0.3,c=0.2,d=0.2。求得的Y即为第二分数。
上述第三分数的计算,可以获取目标对象对历史视频的关联题目的正误数据、完成时间、提交次数作为互动信息,计算第三分数。将正误数据、完成时间、提交次数代入到第二分数公式中,得到第二分数,其中,第二分数公式用于计算第三分数,正误数据与第三分数正相关。主要分为如下步骤:
1、记录每个教学片段用户的关卡完成情况,具体维度有:关卡正误情况z1、关卡完成时间z2、提交次数z3。
2、用户对教学内容的可接受程度和关卡正误正相关,和关卡完成时间、提交次数负相关。
3、根据历史经验对三个因素影响权重进行赋值,可以得到用户对该教学内容的可接受程度,是一个0-1之间的值,越大代表用户可接受程度越高,越小代表可接受程度越低。第二公式如下:
Z=e^(z1+z2-z3)/(1+e^(z1+z2-z3))
求得的Z即为第三分数。
综上,用户视频切片的感兴趣程度评分score可以由[面部情感X、专注度Y、关卡练习可接受程度Z]三方面组成,基于此,我们可以拟合用户对教学切片兴趣度的具体公式,即:score=(X,Y,Z)=k1*X+k2*Y+k3*Z=0.55*[(x1+x2+x6)/(x1+x2+x3+x4+x5+x6)]+0.225*[1-e^(-a*y1-b*y2-c*y3-d*y4)]+0.225*[e^(z1+z2-z3)/(1+e^(z1+z2-z3))]其中由于面部表情含有的信息量最高,高达55%,故K1=0.55,k2=k3=0.225。需要说明的是,上述参数并不是唯一的,而是可以进行调整的。保证面部表情参数的系数高于专注度和交互操作的参数即可。
根据用户观看每个教学片段的感兴趣程度评分score,我们可以得到用户对教学片段的感兴趣程度评分矩阵如下:
本实施例中,由于可以确定出目标对象对每一个历史视频的分数,在确定目标视频时,可以将与分数超过第一阈值或者分数最高的历史视频同类型或者相似类型的视频作为目标视频推送给目标对象。从而推送的目标视频是目标对象喜欢的视频的同类型或相似类型的视频。
在目标视频推送给目标对象之后,目标对象可以在观看完当前视频后,观看目标视频,或者在目标视频一经推送,就结束当前视频的播放,开始播放目标视频。此时的一经推送可以为目标对象下载完目标视频或者目标对象缓冲了目标视频的一部分。
本实施例中,可以为每一位用户确定一个上述的兴趣分数矩阵。将兴趣分数矩阵中,对相同历史视频的兴趣分数接近的目标对象分为一个对象组;将对象组中其他对象观看过的且兴趣分数高的视频确定为目标视频。
例如,用户A和用户B对相同的历史视频的兴趣分数接近,则对于用户A没有看过而用户B看过的视频,且用户B喜欢该视频,可以将该视频推送给用户A。
如果某一个用户的所有视频的兴趣分数都低,则给该视频对应的关联对象发送提示消息,提示该用户可能在学习上比较困难,需要特别注意。
图2是一种示例性的用户观看目标视频的示意图。图2中,视频在播放区202播放,列表区204显示有视频列表,区域206为互动区。在图2所示的观看界面,用户可以快进、快退、下一个、上一个、答题互动等操作。需要说明的是,图2仅为示例,并未显示全所有内容,并不构成限定。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本发明所必须的。
根据本申请实施例的另一方面,还提供了一种视频推送装置,如图3所示,包括:
获取模块302,用于获取在播放历史视频的过程中,观看历史视频的目标对象的面部表情信息、目标对象对历史视频的关注度信息以及目标对象与历史视频的互动信息;
确定模块304,用于根据面部表情信息、关注度信息以及互动信息确定目标视频;
推送模块306,用于向目标对象推送目标视频。
上述的历史视频、目标视频可以为向目标对象或者其他对象推送的多媒体资源。视频可以包括视频资源和关联资源。视频资源为可以播放的资源,关联资源可以为可以互动或操作的资源。如课后习题、举手提问等。
在播放历史视频的时候,可以获取目标对象的面部表情信息,目标对象的关注度信息以及目标对象与视频的互动信息,根据三者,来确定接下来要推送的目标视频,并向目标对象推送目标视频。
例如,以向用户推送教学视频为例,推送前,进行教学视频切片准备,通过对用户兴趣爱好调研和教育研究发现,整理不同兴趣点的教学切片视频。如音乐类型、运动类型、游戏类型、绘画类型、科学类型,同时准备对应的关卡练习,以便于在系统识别到用户的兴趣点后可以及时从教学库中调取合适的内容。视频的长度可以相同或者不同。关卡练习的数量可以进行规定或者不做要求。作为一种示例,可以将相同类型的视频的时长设置为相同,且关卡练习的数量设置为相同。
在准备好视频切片后,可以随机的选择视频切片进行播放,然后,根据用户的反应,采集上述面部表情信息,目标对象的关注度信息以及目标对象与视频的互动信息从而确定用户对该视频的喜好程度,最后,根据用户对各种类型的视频的喜好程度决定接下来推送的目标视频。
由于在上述方法中,在向目标对象推送目标视频时,目标视频是根据播放历史视频的过程中,目标对象的面部表情信息、目标对象的对历史视频的关注度信息以及目标对象与历史视频的互动信息来确定的,因此,目标视频的准确度比较高,符合目标对象的观看体验,从而实现了提高视频推送准确度的目的,进而解决了推送课程准确度差的技术问题。
本实施例的其他示例请参见上述示例,在此不在赘述。
图4是根据本申请实施例的一种可选的电子设备的结构框图,如图4所示,包括处理器402、通信接口404、存储器406和通信总线408,其中,处理器402、通信接口404和存储器406通过通信总线408完成相互间的通信,其中,
存储器406,用于存储计算机程序;
处理器402,用于执行存储器406上所存放的计算机程序时,实现如下步骤:
获取在播放历史视频的过程中,观看历史视频的目标对象的面部表情信息、目标对象对历史视频的关注度信息以及目标对象与历史视频的互动信息;
根据面部表情信息、关注度信息以及互动信息确定目标视频;
向目标对象推送目标视频。
可选地,在本实施例中,上述的通信总线可以是PCI(Peripheral ComponentInterconnect,外设部件互连标准)总线、或EISA(Extended Industry StandardArchitecture,扩展工业标准结构)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图4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。通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括RAM,也可以包括非易失性存储器(non-volatile memory),例如,至少一个磁盘存储器。可选地,存储器还可以是至少一个位于远离前述处理器的存储装置。
作为一种示例,上述存储器406中可以但不限于包括上述视频推送装置中的第一接收单元902、第一查询单元904以及第一发送单元906。此外,还可以包括但不限于上述请求的处理装置中的其他模块单元,本示例中不再赘述。
上述处理器可以是通用处理器,可以包含但不限于:CPU(Central ProcessingUnit,中央处理器)、NP(Network Processor,网络处理器)等;还可以是DSP(DigitalSignal Processing,数字信号处理器)、ASIC(Application Specific IntegratedCircuit,专用集成电路)、FPGA(Field -Programmable Gate Array,现场可编程门阵列)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。
可选地,本实施例中的具体示例可以参考上述实施例中所描述的示例,本实施例在此不再赘述。
本领域普通技术人员可以理解,图4所示的结构仅为示意,实施上述视频推送方法的设备可以是终端设备,该终端设备可以是智能手机(如Android手机、iOS手机等)、平板电脑、掌上电脑以及移动互联网设备(Mobile Internet Devices,MID)、PAD等终端设备。图4其并不对上述电子设备的结构造成限定。例如,电子设备还可包括比图4中所示更多或者更少的组件(如网络接口、显示装置等),或者具有与图4所示的不同的配置。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:闪存盘、ROM、RAM、磁盘或光盘等。
根据本发明的实施例的又一方面,还提供了一种计算机可读的存储介质,该计算机可读的存储介质中存储有计算机程序,其中,该计算机程序被处理器运行时执行上述视频推送方法中的步骤。
可选地,在本实施例中,本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:闪存盘、只读存储器(Read-On ly Memory,ROM)、随机存取器(Random Access Memory,RAM)、磁盘或光盘等。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
上述实施例中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在上述计算机可读取的存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在存储介质中,包括若干指令用以使得一台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的客户端,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述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,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (12)
1.一种视频推送方法,其特征在于,包括:
获取在播放历史视频的过程中,观看所述历史视频的目标对象的面部表情信息、所述目标对象对所述历史视频的关注度信息以及所述目标对象与所述历史视频的互动信息;
根据所述面部表情信息、所述关注度信息以及所述互动信息确定目标视频;
向所述目标对象推送所述目标视频。
2.根据权利要求1所述的方法,其特征在于,所述根据所述面部表情信息、所述关注度信息以及所述互动信息确定目标视频包括:
根据所述面部表情信息、所述关注度信息以及所述互动信息确定所述目标对象对所述历史视频的兴趣分数;
根据所述兴趣分数,确定所述目标视频。
3.根据权利要求2所述的方法,其特征在于,所述根据所述面部表情信息、所述关注度信息以及所述互动信息确定所述目标对象对所述历史视频的兴趣分数包括:
确定所述面部表情信息的第一分数、所述关注度信息的第二分数以及所述互动信息的第三分数;
将所述第一分数、所述第二分数与所述第三分数的加权求和结果确定为所述兴趣分数。
4.根据权利要求3所述的方法,其特征在于,所述面部表情信息包括所述目标对象观看所述历史视频过程中的面部图像,确定所述面部表情信息的第一分数包括:
将所述面部图像输入到表情识别模型中,由所述表情识别模型识别所述目标对象的情绪类型;
统计所述目标对象的每一种情绪类型的出现次数;
将所述情绪类型中,正面情绪出现的次数与情绪总次数的比值确定为所述第一分数。
5.根据权利要求3所述的方法,其特征在于,所述关注度信息包括所述目标对象执行的切屏操作次数、所述目标对象执行的跳过操作次数、所述目标对象的未关注屏幕次数以及所述历史视频的总时长,确定所述关注度信息的第二分数包括:
将所述切屏操作次数、所述跳过操作次数、所述未关注屏幕次数以及所述总时长代入到第一分数公式中,得到所述第二分数,其中,所述第一分数公式用于计算所述第二分数,所述第二分数与所述总时长负相关。
6.根据权利要求3所述的方法,其特征在于,所述互动信息包括所述目标对象对所述历史视频的关联题目的正误数据、完成时间、提交次数,确定所述互动信息的第三分数包括:
将所述正误数据、完成时间、提交次数代入到第二分数公式中,得到所述第二分数,其中,所述第二分数公式用于计算所述第三分数,所述正误数据与所述第三分数正相关。
7.根据权利要求2所述的方法,其特征在于,所述根据所述兴趣分数,确定所述目标视频包括:
将第一视频确定为所述目标视频,其中,所述第一视频为与所述兴趣分数高于第一阈值的历史视频同类型的视频;或者
将第二视频确定为所述目标视频,其中,所述第二视频为与所述兴趣分数高于第一阈值的历史视频相似类型的视频;或者
将第三视频确定为所述目标视频,其中,所述第三视频为与所述兴趣分数最高的历史视频同类型的视频;或者
将第四视频确定为所述目标视频,其中,所述第四视频为与所述兴趣分数最高的历史视频相似类型的视频。
8.根据权利要求2所述的方法,其特征在于,所述向所述目标对象推送所述目标视频包括:
将所述目标视频推送给所述目标对象,以使所述目标对象在结束了当前视频的播放的情况下,开始播放所述目标视频;或者
将所述目标视频推送给所述目标对象,将所述目标视频的播放顺序置于所述目标对象的当前正在播放的视频之后。
9.根据权利要求2所述的方法,其特征在于,所述根据所述兴趣分数,确定所述目标视频包括:
在所述目标对象为多个的情况下,确定每一个所述目标对象对所述历史视频的所述兴趣分数,得到兴趣分数矩阵;
将所述兴趣分数矩阵中,对相同历史视频的兴趣分数接近的目标对象分为一个对象组;
将所述对象组中其他对象观看过的且所述兴趣分数高的视频确定为所述目标视频。
10.一种视频推送装置,其特征在于,包括:
获取模块,用于获取在播放历史视频的过程中,观看所述历史视频的目标对象的面部表情信息、所述目标对象对所述历史视频的关注度信息以及所述目标对象与所述历史视频的互动信息;
确定模块,用于根据所述面部表情信息、所述关注度信息以及所述互动信息确定目标视频;
推送模块,用于向所述目标对象推送所述目标视频。
11.一种计算机可读的存储介质,所述计算机可读的存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器运行时执行所述权利要求1至9任一项中所述的方法。
12.一种电子设备,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为通过所述计算机程序执行所述权利要求1至9任一项中所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310284454.5A CN116233556A (zh) | 2023-03-22 | 2023-03-22 | 视频推送方法、装置、存储介质以及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310284454.5A CN116233556A (zh) | 2023-03-22 | 2023-03-22 | 视频推送方法、装置、存储介质以及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116233556A true CN116233556A (zh) | 2023-06-06 |
Family
ID=86569501
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310284454.5A Pending CN116233556A (zh) | 2023-03-22 | 2023-03-22 | 视频推送方法、装置、存储介质以及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116233556A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117499477A (zh) * | 2023-11-16 | 2024-02-02 | 北京易华录信息技术股份有限公司 | 一种基于大模型训练的信息推送方法以及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110390048A (zh) * | 2019-06-19 | 2019-10-29 | 深圳壹账通智能科技有限公司 | 基于大数据分析的信息推送方法、装置、设备及存储介质 |
CN111723237A (zh) * | 2020-06-12 | 2020-09-29 | 腾讯科技(深圳)有限公司 | 媒体内容访问控制方法 |
US20210157860A1 (en) * | 2019-04-30 | 2021-05-27 | Beijing Bytedance Network Technology Co., Ltd. | Object recommendation method and apparatus, storage medium and terminal device |
CN113626712A (zh) * | 2021-08-19 | 2021-11-09 | 云南腾云信息产业有限公司 | 一种基于用户互动行为的内容确定方法及装置 |
CN114096980A (zh) * | 2020-05-25 | 2022-02-25 | 鸿富锦精密工业(武汉)有限公司 | 信息推送方法、装置、电子设备及存储介质 |
-
2023
- 2023-03-22 CN CN202310284454.5A patent/CN116233556A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210157860A1 (en) * | 2019-04-30 | 2021-05-27 | Beijing Bytedance Network Technology Co., Ltd. | Object recommendation method and apparatus, storage medium and terminal device |
CN110390048A (zh) * | 2019-06-19 | 2019-10-29 | 深圳壹账通智能科技有限公司 | 基于大数据分析的信息推送方法、装置、设备及存储介质 |
CN114096980A (zh) * | 2020-05-25 | 2022-02-25 | 鸿富锦精密工业(武汉)有限公司 | 信息推送方法、装置、电子设备及存储介质 |
CN111723237A (zh) * | 2020-06-12 | 2020-09-29 | 腾讯科技(深圳)有限公司 | 媒体内容访问控制方法 |
CN113626712A (zh) * | 2021-08-19 | 2021-11-09 | 云南腾云信息产业有限公司 | 一种基于用户互动行为的内容确定方法及装置 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117499477A (zh) * | 2023-11-16 | 2024-02-02 | 北京易华录信息技术股份有限公司 | 一种基于大模型训练的信息推送方法以及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109145784B (zh) | 用于处理视频的方法和装置 | |
WO2022184117A1 (zh) | 基于深度学习的视频剪辑方法、相关设备及存储介质 | |
CN110737783B (zh) | 一种推荐多媒体内容的方法、装置及计算设备 | |
JP7537060B2 (ja) | 情報生成方法、装置、コンピュータ機器、記憶媒体及びコンピュータプログラム | |
US20230353828A1 (en) | Model-based data processing method and apparatus | |
CN110147711A (zh) | 视频场景识别方法、装置、存储介质和电子装置 | |
CN113766268B (zh) | 视频处理方法、装置、电子设备和可读介质 | |
CN110413888A (zh) | 一种书籍推荐方法及装置 | |
CN112183588A (zh) | 视频处理方法及装置、电子设备及存储介质 | |
CN115660909B (zh) | 一种数字学校平台沉浸式数字化学习方法及系统 | |
CN111432206A (zh) | 基于人工智能的视频清晰度处理方法、装置及电子设备 | |
CN116233556A (zh) | 视频推送方法、装置、存储介质以及电子设备 | |
CN111954087B (zh) | 视频中图像的截取方法和装置、存储介质和电子设备 | |
CN111612588A (zh) | 商品呈现方法及装置、计算设备、计算机可读存储介质 | |
CN116229777A (zh) | 一种互联网综合教学实训方法、系统、介质及设备 | |
CN112101231A (zh) | 学习行为的监控方法、终端、小程序以及服务器 | |
CN110309753A (zh) | 一种赛事进程判别方法、装置和计算机设备 | |
Potter | 24 A General Framework for Media Psychology Scholarship | |
CN116701706A (zh) | 一种基于人工智能的数据处理方法、装置、设备及介质 | |
CN116309997A (zh) | 一种数字人动作生成方法、装置及设备 | |
CN115937961A (zh) | 一种线上学习识别方法及设备 | |
CN115630188A (zh) | 视频推荐方法、装置及电子设备 | |
CN107483391A (zh) | 多媒体文件的推送方法和装置 | |
US11475668B2 (en) | System and method for automatic video categorization | |
CN115065705B (zh) | 健身效果监测方法、装置、电子设备、存储介质及系统 |
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 |