CN116644209A - 视频推荐方法、装置、服务器及存储介质 - Google Patents

视频推荐方法、装置、服务器及存储介质 Download PDF

Info

Publication number
CN116644209A
CN116644209A CN202310518398.7A CN202310518398A CN116644209A CN 116644209 A CN116644209 A CN 116644209A CN 202310518398 A CN202310518398 A CN 202310518398A CN 116644209 A CN116644209 A CN 116644209A
Authority
CN
China
Prior art keywords
user behavior
indexes
video
categories
behavior categories
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
CN202310518398.7A
Other languages
English (en)
Inventor
袁欣
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.)
Beijing Dajia Internet Information Technology Co Ltd
Original Assignee
Beijing Dajia Internet 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 Beijing Dajia Internet Information Technology Co Ltd filed Critical Beijing Dajia Internet Information Technology Co Ltd
Priority to CN202310518398.7A priority Critical patent/CN116644209A/zh
Publication of CN116644209A publication Critical patent/CN116644209A/zh
Pending legal-status Critical Current

Links

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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

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)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开实施例提供了一种视频推荐方法、装置、服务器及存储介质。上述方法包括：获取对第一视频分别在K种用户行为类别下的历史行为和预估指标；第一视频为待推荐的N个候选视频中的其中一个视频；根据K种用户行为类别下的历史行为，确定第一视频分别在K种用户行为类别下的倾向性指标，倾向性指标表征用户对第一视频产生用户行为类别的倾向程度；根据K种用户行为类别下的预估指标和倾向性指标，确定第一视频分别在K种用户行为类别下的纠偏指标；根据K种用户行为类别下的纠偏指标和预估指标，确定第一视频在N个候选视频中的推荐顺序。因此，本公开实施例解决了现有技术将所有的视频统一对待，忽略不同用户行为类别视频的差异性的问题。

Description

视频推荐方法、装置、服务器及存储介质
技术领域
本公开涉及计算机技术领域，尤其涉及一种视频推荐方法、装置、服务器及存储介质。
背景技术
目前的短视频推荐中对于不同用户行为类别的视频采用的是一样的评分和排序标准。偏向时长或者互动的排序目标的排序机制，会导致部分综合优质的作品不容易排到头部被透出，并且会导致头部垂类视频聚集更加严重，而尾部垂类视频更难透出。
现有的多队列解决方式将所有的视频统一对待，忽略了不同用户行为类别视频的差异性。
发明内容
本公开提供一种视频推荐方法、装置、服务器及存储介质，以至少解决通过现有技术的视频推荐方法将所有的视频统一对待，忽略不同用户行为类别视频的差异性的问题。本公开的技术方案如下：
根据本公开实施例的第一方面，提供了一种视频推荐方法，所述方法包括：
获取对第一视频分别在K种用户行为类别下的历史行为，以及通过预估模型获取所述第一视频分别在所述K种用户行为类别下的预估指标；其中，所述第一视频为待推荐的N个候选视频中的其中一个视频，K为大于或等于1的正整数；
根据所述K种用户行为类别下的历史行为，确定所述第一视频分别在所述K种用户行为类别下的倾向性指标，所述倾向性指标表征用户对所述第一视频产生用户行为类别的倾向程度；
根据所述K种用户行为类别下的所述预估指标和所述倾向性指标，确定所述第一视频分别在所述K种用户行为类别下的纠偏指标；
根据所述K种用户行为类别下的纠偏指标以及预估指标，确定所述第一视频在所述N个候选视频中的推荐顺序。
在一种可能实施方式中，所述根据所述K种用户行为类别下的历史行为，确定所述第一视频分别在所述K种用户行为类别下的倾向性指标，包括：
获取对所述第一视频发生第一用户行为类别对应的历史行为的第一次数，以及未发生所述第一用户行为类别对应的历史行为的第二次数，所述第一用户行为类别表征所述K种用户行为类别中的任意一个；
获取所述第一次数与所述第二次数之和，得到第一和值；
获取所述第一次数占所述第一和值的第一比例；
将所述第一比例作为所述第一视频在所述第一用户行为类别下的倾向性指标；
根据所述第一视频在所述第一用户行为类别下的倾向性指标，得到所述第一视频分别在所述K种用户行为类别下的倾向性指标。
在一种可能实施方式中，所述根据所述K种用户行为类别下的所述预估指标和所述倾向性指标，确定所述第一视频分别在所述K种用户行为类别下的纠偏指标，包括：
获取第二用户行为类别下的预估指标与倾向性指标之间的第一比值，所述第二用户行为类别表征所述K种用户行为类别中的任意一个；
将所述第一比值作为所述第一视频在所述第二用户行为类别下的纠偏指标；
根据所述第一视频在所述第二用户行为类别下的纠偏指标，得到所述第一视频分别在所述K种用户行为类别下的纠偏指标。
在一种可能实施方式中，所述根据所述K种用户行为类别下的纠偏指标以及预估指标，确定所述第一视频在所述N个候选视频中的推荐顺序，包括：
根据所述K种用户行为类别与权重的对应关系，获取所述K种用户行为类别分别对应的权重；
将所述K种用户行为类别对应的纠偏指标、预估指标以及权重进行融合计算，得到目标指标；
根据所述目标指标，确定所述第一视频在所述N个候选视频中的推荐顺序。
在一种可能实施方式中，所述将所述K种用户行为类别对应的纠偏指标、预估指标以及权重进行融合计算，得到目标指标，包括：
对所述K种用户行为类别对应的纠偏指标、预估指标以及权重进行加权平均计算，得到所述目标指标。
在一种可能实施方式中，所述对所述K种用户行为类别对应的纠偏指标、预估指标以及权重进行加权平均计算，得到所述目标指标，包括：
针对所述K种用户行为类别中的第三用户行为类别，获取所述第三用户行为类别下的纠偏指标与预估指标之和与所述第三用户行为类别对应的权重的乘积，得到所述第三用户行为类别对应的指标，所述第三用户行为类别表征所述K种用户行为类别中的任意一个；
将所述K种用户行为类别分别对应的指标相加，得到所述目标指标。
在一种可能实施方式中，所述K种用户行为类别包括点赞、点击、评论、转发、关注中的至少一项。
根据本公开实施例的第二方面，提供一种视频推荐装置，所述装置包括：
获取模块，被配置为获取对第一视频分别在K种用户行为类别下的历史行为，以及通过预估模型获取所述第一视频分别在所述K种用户行为类别下的预估指标；其中，所述第一视频为待推荐的N个候选视频中的其中一个视频，K为大于或等于1的正整数；
第一计算模块，被配置为根据所述K种用户行为类别下的历史行为，确定所述第一视频分别在所述K种用户行为类别下的倾向性指标，所述倾向性指标表征用户对所述第一视频产生用户行为类别的倾向程度；
第二计算模块，被配置为根据所述K种用户行为类别下的所述预估指标和所述倾向性指标，确定所述第一视频分别在所述K种用户行为类别下的纠偏指标；
确定模块，被配置为根据所述K种用户行为类别下的纠偏指标以及预估指标，确定所述第一视频在所述N个候选视频中的推荐顺序。
根据本公开实施例的第三方面，提供一种服务器，该服务器包括：
处理器；
用于存储该处理器可执行指令的存储器；
其中，该处理器被配置为执行所述指令，以实现本公开提供的视频推荐方法。
根据本公开实施例的第四方面，提供一种计算机可读存储介质，当所述计算机可读存储介质中的指令由服务器的处理器执行时，使得服务器能够执行上述第一方面所述的视频推荐方法。
根据本公开实施例的第五方面，提供一种计算机程序产品，包括计算机程序/指令，所述计算机程序/指令被处理器执行时实现本公开提供的视频推荐方法。
本公开的实施例提供的技术方案至少带来以下有益效果：
本公开的实施例提供的技术方案，通过获取对第一视频分别在K种用户行为类别下的历史行为，以及通过预估模型获取所述第一视频分别在所述K种用户行为类别下的预估指标，根据所述K种用户行为类别下的历史行为，确定所述第一视频分别在所述K种用户行为类别下的倾向性指标，所述倾向性指标表征用户对所述第一视频产生用户行为类别的倾向程度；根据所述K种用户行为类别下的所述预估指标和所述倾向性指标，确定所述第一视频分别在所述K种用户行为类别下的纠偏指标；根据所述K种用户行为类别下的纠偏指标以及预估指标，确定所述第一视频在所述N个候选视频中的推荐顺序，即，第一视频的纠偏指标综合考虑了倾向性指标和原始的预估指标，充分利用了不同用户行为类别视频的差异性特点进行纠偏，解决了现有技术的视频推荐方法将所有的视频统一对待，忽略不同用户行为类别视频的差异性的问题，通过每一个视频在不同用户行为类别下的纠偏指标和预估指标，对多个视频的推荐顺序进行优化，提高了视频推荐的准确性，提升了用户体验。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理，并不构成对本公开的不当限定。
图1是根据一示例性实施例示出的一种视频推荐方法的流程图；
图2是根据一示例性实施例示出的一种视频推荐方法的具体流程图；
图3是根据一示例性实施例示出的一种视频推荐装置的框图；
图4是根据一示例性实施例示出的一种服务器的框图。
具体实施方式
为了使本领域普通人员更好地理解本公开的技术方案，下面将结合附图，对本公开实施例中的技术方案进行清楚、完整地描述。
需要说明的是，本公开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，以便这里描述的本公开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。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。另外，本公开所涉及的用户信息(包括但不限于用户的设备信息、用户个人信息等)、相关数据等均为经用户授权或经各方授权后的信息。
目前，短视频推荐是推荐领域的一个重要分支，不同于广告推荐，用户对于视频存在着多种行为，除了视频观看时长作为短视频推荐的核心要素以外也包含视频的点击、点赞、关注、评论、转发、进入个人页等正向互动行为，以及减少推荐等负向互动行为。以上的各种因素共同影响最终的推荐结果。
但用户在不同用户行为类别的视频上的各种行为表现并不一致，比如对于好友的随手拍视频，用户的互动行为会更容易发生，对于影视剪辑或者合集类视频用户的观看时间以及进入个人页的行为会更容易发生，而资讯以及新闻类的视频用户的点赞、评论行为更容易发生，而在探店和攻略类视频上关注、转发行为更容易发生。
现有推荐系统中主要是利用视频的各种行为的反馈，如点击率、点赞率、关注率、观看时长等，对视频进行召回与排序。在排序的时候通过多队列加权调整的方法来解决多目标的优化问题。
这种方法依靠模型为每个目标输出一个预估值，并以此生成队列，在队列内部根据模型预估值进行排序并计算每个视频的队列内部分数(rankscore)，然后将视频在每个队列内部的分数按照特定权重进行融合计算得到总分(ensemblescore)，最后根据总分进行排序，决定推荐顺序。
但是，现有的多队列解决方式将所有的视频统一对待，忽略了不同用户行为类别视频的差异性，即没有充分利用视频的信息。
例如：模型预估出来其中某个视频m和n的点赞率都是0.5。但视频m所在的A用户行为类别视频的平均点赞率0.5，而视频n所在的B用户行为类别视频的平均点赞率只有0.2。在队列排序时两个视频在点赞率的排序上是一样的，但是考虑到用户行为类别背景，视频n的点赞的‘价值’要远高于视频m。如果存在A用户行为类别的视频r的预估点赞率是0.6，此时推荐的排序机制既要考虑视频r的点赞率大于视频n,也要考虑视频r点赞的‘价值’可能并不比视频n的大。
由此，本公开实施例提供了一种视频推荐方法、装置、服务器及存储介质，能够解决现有技术的视频推荐方法将所有的视频统一对待，忽略不同用户行为类别视频的差异性的问题。
具体的，图1是根据一示例性实施例示出的一种视频推荐方法的流程图，如图1所示，该视频推荐方法适应于电子设备，例如终端、服务器等，图1所示实施例至少包括以下步骤S11-S14。
在步骤S11中，获取对第一视频分别在K种用户行为类别下的历史行为，以及通过预估模型获取所述第一视频分别在所述K种用户行为类别下的预估指标；其中，所述第一视频为待推荐的N个候选视频中的其中一个视频，K为大于或等于1的正整数。
进一步的，所述K种用户行为类别包括但不限于点赞、点击、评论、转发、关注中的至少一项。
具体的，在步骤S11中，如果有N个待推荐的候选视频，则第一视频为N个待推荐的候选视频中的其中一个视频。并且，分别获取第一视频在K种用户行为类别下的历史行为，得到K种历史行为；通过预估模型分别对K种用户行为类别下的第一视频进行预估，得到K种不同用户行为类别下的预估指标。采用上述方法，分别获取N个待推荐的候选视频中每一个候选视频对应的K种用户行为类别下的历史行为和预估指标。
需要说明的是，历史行为指的是历史时间段内，用户对第一视频是否有点赞行为、点击行为、评论行为、转发行为、关注行为等，在此不做具体限定。其中，历史时间段可以根据需要进行设定。
在步骤S12中，根据所述K种用户行为类别下的历史行为，确定所述第一视频分别在所述K种用户行为类别下的倾向性指标，所述倾向性指标表征用户对所述第一视频产生用户行为类别的倾向程度。
具体的，通过用户对第一视频在每一种用户行为类别下的历史行为，可以计算该第一视频在该种用户行为类别下的倾向性指标，该倾向性指标可以用来表示所述第一视频对该种用户行为类别的倾向程度的指标，具体可以为一个倾向性分值，即第一视频在该种用户行为类别下的倾向性得分。通过上述方法可以得到第一视频在K种用户行为类别下的倾向性指标。
需要说明的是，倾向性分值可以理解为第一视频对一种用户行为类别的倾向程度，当倾向性分值越大，表示在第一视频上更容易发生该种用户行为类别对应的行为，即第一视频相对于N个候选视频对该种用户行为类别有更强的倾向性。
在步骤S13中，根据所述K种用户行为类别下的所述预估指标和所述倾向性指标，确定所述第一视频分别在所述K种用户行为类别下的纠偏指标。
具体的，针对K种用户行为类别中的其中一种用户行为类别，通过所述第一视频在该种用户行为类别下的倾向性指标以及第一视频在该种用户行为类别下的预估指标，可以计算出第一视频在该种用户行为类别下的纠偏指标，具体可以为一个纠偏值。通过上述方法，可以得到K种用户行为类别中的每一种用户行为类别对应的纠偏指标。
在步骤S14中，根据所述K种用户行为类别下的纠偏指标以及预估指标，确定所述第一视频在所述N个候选视频中的推荐顺序。
具体的，通过步骤S11至步骤S13可以计算出每一个候选视频分别在K种用户行为类别下的纠偏指标和预估指标，通过每一个候选视频在K种用户行为类别下的纠偏指标和预估指标，可以对N个候选视频进行排序，由此可以确定第一视频在N个候选视频中的推荐顺序。
由上述步骤S11至S14可知，本公开的实施例，通过获取对第一视频分别在K种用户行为类别下的历史行为，以及通过预估模型获取所述第一视频分别在所述K种用户行为类别下的预估指标，根据所述K种用户行为类别下的历史行为，确定所述第一视频分别在所述K种用户行为类别下的倾向性指标，所述倾向性指标表征用户对所述第一视频产生用户行为类别的倾向程度；根据所述K种用户行为类别下的所述预估指标和所述倾向性指标，确定所述第一视频分别在所述K种用户行为类别下的纠偏指标；根据所述K种用户行为类别下的纠偏指标以及预估指标，确定所述第一视频在所述N个候选视频中的推荐顺序，即，第一视频的纠偏指标综合考虑了倾向性指标和原始的预估指标，充分利用了不同用户行为类别视频的差异性特点进行纠偏，解决了现有技术的视频推荐方法将所有的视频统一对待，忽略不同用户行为类别视频的差异性的问题，通过每一个视频在不同用户行为类别下的纠偏指标和预估指标，对多个视频的推荐顺序进行优化，提高了视频推荐的准确性，提升了用户体验。
图2是根据一示例性实施例示出的一种视频推荐方法的具体流程图。如图2所示，该视频推荐方法适应于电子设备，例如终端、服务器等，图2所示实施例至少包括以下步骤S21-S25。
步骤S21：获取对第一视频分别在K种用户行为类别下的历史行为，以及通过预估模型获取所述第一视频分别在所述K种用户行为类别下的预估指标；其中，所述第一视频为待推荐的N个候选视频中的其中一个视频，K为大于或等于1的正整数。
具体的，在步骤S21中，如果有N个待推荐的候选视频，则第一视频为N个待推荐的候选视频中的其中一个视频。并且，分别获取第一视频在K种用户行为类别下的历史行为，得到K种历史行为；通过预估模型分别对K种用户行为类别下的第一视频进行预估，得到K种不同用户行为类别下的预估指标。采用上述方法，分别获取N个待推荐的候选视频中每一个候选视频对应的K种用户行为类别下的历史行为和预估指标。
需要说明的是，历史行为指的是历史时间段内，用户对第一视频是否有点赞行为、点击行为、评论行为、转发行为、关注行为等，在此不做具体限定。其中，历史时间段可以根据需要进行设定。
步骤S22：获取对所述第一视频发生第一用户行为类别对应的历史行为的第一次数，以及未发生所述第一用户行为类别对应的历史行为的第二次数，所述第一用户行为类别表征所述K种用户行为类别中的任意一个。
具体的，在历史时间段内，如果观看第一视频并且有了第一用户行为类别对应的历史行为，则认为发生了第一用户行为类别对应的历史行为，否则就是未发生第一用户行为类别对应的历史行为。其中，第一次数为统计用户观看第一视频时发生第一用户行为类别对应的历史行为的次数，第二次数为统计用户观看第一视频时未发生第一用户行为类别对应的历史行为的次数。
步骤S23：获取所述第一次数与所述第二次数之和，得到第一和值。
具体的，将第一次数和第二次数相加得到第一和值，相当于统计用户观看第一视频的次数，观看第一视频发生第一用户行为类别对应的历史行为的次数与观看第一视频未发生第一用户行为类别对应的历史行为的次数相加得到第一和值。
步骤S24：获取所述第一次数占所述第一和值的第一比例。
具体的，根据第一次数与第一和值可以计算第一次数占第一和值的比例，即第一比例，由此得到用户观看第一视频会发生第一用户行为类别对应的历史行为的概率。
步骤S25：将所述第一比例作为所述第一视频在所述第一用户行为类别下的倾向性指标。
具体的，上述计算得到的第一次数占第一和值的第一比例即为第一视频在第一用户行为类别下的倾向性指标，该倾向性指标可以用来表示所述第一视频对该种用户行为类别的倾向程度的指标，具体可以为一个倾向性分值，即第一视频在该种用户行为类别下的倾向性得分。
下面通过一具体公式对上述步骤S22至步骤S25计算倾向性指标的过程进行说明：
其中，i表示所述第一用户行为类别的用户行为类别序号，i大于0、且小于或等于K；
ei(x)表示所述第一视频在所述第一用户行为类别下的倾向性指标；
C表示所述第一视频所在用户行为类别；
c表示所述第一视频所在用户行为类别为第一用户行为类别；
Yi表示所述第一用户行为类别对应的历史行为；
Yi＝1表示对所述第一视频发生所述第一用户行为类别对应的历史行为；
Yi＝0表示对所述第一视频未发生所述第一用户行为类别对应的历史行为；
count表示统计次数；
count(Yi＝1|C＝c)表示所述第一次数；
count(Yi＝0|C＝c)表示所述第二次数；
count(Yi＝1|C＝c)+count(Yi＝0|C＝c)表示第一和值。
例如：如果历史时间段为7天，第一用户行为类别为点赞，则7天内观看第一视频并且有了点赞行为，则认为发生了点赞对应的历史点赞行为，Yi的值为1；如果观看了第一视频并没有进行点赞，则认为未发生点赞对应的历史点赞行为，Yi的值为0。统计7天内Yi的值为1的次数以及Yi的值为0的次数。如果Yi的值为1的次数为5，Yi的值为0的次数为15，则倾向性指标为：
步骤S26：根据所述第一视频在所述第一用户行为类别下的倾向性指标，得到所述第一视频分别在所述K种用户行为类别下的倾向性指标。
具体的，通过上述计算第一视频在第一用户行为类别下的倾向性指标，可以进一步计算第一视频在K种用户行为类别中的每一种用户行为类别下的倾向性指标，由此得到第一视频在K种用户行为类别下的K个倾向性指标。
步骤S27：根据所述K种用户行为类别下的所述预估指标和所述倾向性指标，确定所述第一视频分别在所述K种用户行为类别下的纠偏指标。
具体的，针对K种用户行为类别中的其中一种用户行为类别，通过所述第一视频在该种用户行为类别下的倾向性指标以及第一视频在该种用户行为类别下的预估指标，可以计算出第一视频在该种用户行为类别下的纠偏指标，具体可以为一个纠偏值。通过上述方法，可以得到K种用户行为类别中的每一种用户行为类别对应的纠偏指标。
步骤S28：根据所述K种用户行为类别下的纠偏指标以及预估指标，确定所述第一视频在所述N个候选视频中的推荐顺序。
具体的，上述步骤S21至步骤S28，通过用户观看第一视频会发生第一用户行为类别对应的历史行为的概率计算第一视频在第一用户行为类别下的倾向性指标，进一步得到第一视频分别在K种用户行为类别下的倾向性指标，由此可以得知第一视频分别对K种用户行为类别的倾向程度；再通过K种用户行为类别下的预估指标和倾向性指标计算第一视频分别在K种用户行为类别下的纠偏指标，第一视频的纠偏指标综合考虑了倾向性指标和原始的预估指标，充分利用了不同用户行为类别视频的差异性特点进行纠偏，解决了现有技术的视频推荐方法将所有的视频统一对待，忽略不同用户行为类别视频的差异性的问题，通过每一个视频在不同用户行为类别下的纠偏指标和预估指标，对多个视频的推荐顺序进行优化，提高了视频推荐的准确性，提升了用户体验。
在一种可能实施方式中，所述步骤S27根据所述K种用户行为类别下的所述预估指标和所述倾向性指标，确定所述第一视频分别在所述K种用户行为类别下的纠偏指标，包括：
获取第二用户行为类别下的预估指标与倾向性指标之间的第一比值，所述第二用户行为类别表征所述K种用户行为类别中的任意一个；
将所述第一比值作为所述第一视频在所述第二用户行为类别下的纠偏指标；
根据所述第一视频在所述第二用户行为类别下的纠偏指标，得到所述第一视频分别在所述K种用户行为类别下的纠偏指标。
具体的，基于逆倾向得分权重(Inverse Propensity Weighting，IPW)因果推断方法，计算第一视频在第二用户行为类别下的预估指标与倾向性指标的第一比值，该第一比值即为第一视频在第二用户行为类别下纠偏后的纠偏指标；通过上述计算方法，计算第一视频分别在K种用户行为类别下的纠偏指标。即从候选视频用户行为类别的差异性入手，利用倾向性指标以及预估指标，并结合逆倾向得分权重(Inverse Propensity Weighting，IPW)因果推断方法，计算倾向性指标的平衡得分，即纠偏指标，减小了各个候选视频之间的选择性偏差。
需要说明的是，IPW也称作逆策略概率权重，用于计算倾向性指标的平衡得分。第一视频越倾向选择第二用户行为类别，则说明第二用户行为类别对该第一视频会获得更好的用户行为类别效果，由此取逆得到的权重来平衡用户行为类别效果；经过IPW加权之后，减小了各个候选视频之间的选择性偏差。
下面通过一具体公式对上述计算纠偏指标的过程进行说明：
其中，i表示所述第二用户行为类别的用户行为类别序号；
pi表示所述第一视频在所述第二用户行为类别下的纠偏指标；
qi表示所述预估指标；
ei(x)表示所述第一视频在所述第二用户行为类别下的倾向性指标。
例如：模型预估出来的视频m和视频n的点赞率都是0.5，视频m所在的A用户行为类别视频的平均点赞率0.5，而视频n所在的B用户行为类别视频的平均点赞率只有0.2，视频m的倾向性指标大于视频n的倾向性指标。视频m和视频n的纠偏指标的大小需要综合考虑倾向性指标和原始的预估指标，因此视频m的纠偏指标小于视频n的纠偏指标，能够实现视频n的价值大于视频m的目的。
在一种可能实施方式中，所述步骤S28根据所述K种用户行为类别下的纠偏指标以及预估指标，确定所述第一视频在所述N个候选视频中的推荐顺序，具体包括：
根据所述K种用户行为类别与权重的对应关系，获取所述K种用户行为类别分别对应的权重；
将所述K种用户行为类别对应的纠偏指标、预估指标以及权重进行融合计算，得到目标指标；
根据所述目标指标，确定所述第一视频在所述N个候选视频中的推荐顺序。
具体的，每一个用户行为类别均预设有其对应的权重。通过第一视频分别在K种用户行为类别下的纠偏指标、预估指标以及权重通过融合函数进行融合计算，得到第一视频的目标指标，通过上述方法可以进一步得到每一个候选视频的目标指标，通过目标指标对N个候选视频的排序进行优化，提高了视频推荐的准确性，提升了用户体验。
在一种可能实施方式中，上述将所述K种用户行为类别对应的纠偏指标、预估指标以及权重进行融合计算，得到目标指标的步骤，具体包括：
对所述K种用户行为类别对应的纠偏指标、预估指标以及权重进行加权平均计算，得到所述目标指标。
进一步的，上述对所述K种用户行为类别对应的纠偏指标、预估指标以及权重进行加权平均计算，得到所述目标指标的步骤，具体包括：
针对所述K种用户行为类别中的第三用户行为类别，获取所述第三用户行为类别下的纠偏指标与预估指标之和与所述第三用户行为类别对应的权重的乘积，得到所述第三用户行为类别对应的指标，所述第三用户行为类别表征所述K种用户行为类别中的任意一个；
将所述K种用户行为类别分别对应的指标相加，得到所述目标指标。
具体的，K种用户行为类别中每一种用户行为类别都有其对应的权重，针对所述K种用户行为类别中的第三用户行为类别，计算第三用户行为类别下的纠偏指标与预估指标之和与第三用户行为类别对应的权重的乘积，得到第三用户行为类别对应的指标；通过上述方法分别计算K种用户行为类别对应的指标，将K种用户行为类别对应的指标相加即得到目标指标。由于权重体现了不同用户行为类别的重要程度，即根据不同用户行为类别的重要程度对该用户行为类别下的纠偏指标和预估指标进行加权平均计算得到目标指标，由此通过该目标指标对候选视频进行排序，提高了视频推荐的准确性，提升了用户体验。
综上所述，本公开主要通过对第一视频分别在K种用户行为类别下的历史行为，计算第一视频分别在所述K种用户行为类别下的倾向性指标，可以得知第一视频分别对每一种用户行为类别的倾向程度；通过K种用户行为类别下的倾向性指标和K种用户行为类别下的预估指标，计算第一视频分别在所述K种用户行为类别下的纠偏指标，第一视频的纠偏指标综合考虑了倾向性指标和原始的预估指标，充分利用了不同用户行为类别视频的差异性特点进行纠偏，解决了现有技术的视频推荐方法将所有的视频统一对待，忽略不同用户行为类别视频的差异性的问题。并且，通过每一个视频在不同用户行为类别下的纠偏指标和预估指标，对多个视频的推荐顺序进行优化，提高了视频推荐的准确性，提升了用户体验。
图3是根据一示例性实施例示出的一种视频推荐装置框图。参照图3，该视频推荐装置30包括获取模块31、第一计算模块32、第二计算模块33和确定模块34。
获取模块31，被配置为获取对第一视频分别在K种用户行为类别下的历史行为，以及通过预估模型获取所述第一视频分别在所述K种用户行为类别下的预估指标；其中，所述第一视频为待推荐的N个候选视频中的其中一个视频，K为大于或等于1的正整数；
第一计算模块32，被配置为根据所述K种用户行为类别下的历史行为，确定所述第一视频分别在所述K种用户行为类别下的倾向性指标，所述倾向性指标表征用户对所述第一视频产生用户行为类别的倾向程度；
第二计算模块33，被配置为根据所述K种用户行为类别下的所述预估指标和所述倾向性指标，计算所述第一视频分别在所述K种用户行为类别下的纠偏指标；
确定模块34，被配置为根据所述K种用户行为类别下的纠偏指标以及预估指标，确定所述第一视频在所述N个候选视频中的推荐顺序。
在一种可能实施方式中，所述第一计算模块32，具体被配置为：
获取对所述第一视频发生第一用户行为类别对应的历史行为的第一次数，以及未发生所述第一用户行为类别对应的历史行为的第二次数，所述第一用户行为类别表征所述K种用户行为类别中的任意一个；
获取所述第一次数与所述第二次数之和，得到第一和值；
获取所述第一次数占所述第一和值的第一比例；
将所述第一比例作为所述第一视频在所述第一用户行为类别下的倾向性指标；
根据所述第一视频在所述第一用户行为类别下的倾向性指标，得到所述第一视频分别在所述K种用户行为类别下的倾向性指标。
在一种可能实施方式中，所述第二计算模块33，具体被配置为：
获取第二用户行为类别下的预估指标与倾向性指标之间的第一比值，所述第二用户行为类别表征所述K种用户行为类别中的任意一个；
将所述第一比值作为所述第一视频在所述第二用户行为类别下的纠偏指标；
根据所述第一视频在所述第二用户行为类别下的纠偏指标，得到所述第一视频分别在所述K种用户行为类别下的纠偏指标。
在一种可能实施方式中，所述确定模块34，具体被配置为：
根据所述K种用户行为类别与权重的对应关系，获取所述K种用户行为类别分别对应的权重；
将所述K种用户行为类别对应的纠偏指标、预估指标以及权重进行融合计算，得到目标指标；
根据所述目标指标，确定所述第一视频在所述N个候选视频中的推荐顺序。
在一种可能实施方式中，所述确定模块34在将所述K种用户行为类别对应的纠偏指标、预估指标以及权重进行融合计算，得到目标指标时，具体被配置为：
对所述K种用户行为类别对应的纠偏指标、预估指标以及权重进行加权平均计算，得到所述目标指标。
在一种可能实施方式中，所述确定模块34在对所述K种用户行为类别对应的纠偏指标、预估指标以及权重进行加权平均计算，得到所述目标指标时，具体被配置为：
针对所述K种用户行为类别中的第三用户行为类别，获取所述第三用户行为类别下的纠偏指标与预估指标之和与所述第三用户行为类别对应的权重的乘积，得到所述第三用户行为类别对应的指标，所述第三用户行为类别表征所述K种用户行为类别中的任意一个；
将所述K种用户行为类别分别对应的指标相加，得到所述目标指标。
在一种可能实施方式中，所述K种用户行为类别包括点赞、点击、评论、转发、关注中的至少一项。
综上所述，本公开主要通过对第一视频分别在K种用户行为类别下的历史行为，计算第一视频分别在所述K种用户行为类别下的倾向性指标，可以得知第一视频分别对每一种用户行为类别的倾向程度；通过K种用户行为类别下的倾向性指标和K种用户行为类别下的预估指标，计算第一视频分别在所述K种用户行为类别下的纠偏指标，第一视频的纠偏指标综合考虑了倾向性指标和原始的预估指标，充分利用了不同用户行为类别视频的差异性特点进行纠偏，解决了现有技术的视频推荐方法将所有的视频统一对待，忽略不同用户行为类别视频的差异性的问题。并且，通过每一个视频在不同用户行为类别下的纠偏指标和预估指标，对多个视频的推荐顺序进行优化，提高了视频推荐的准确性，提升了用户体验。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
图4是根据一示例性实施例示出的一种服务器的框图。参照图4，该服务器包括：
处理器410；
用于存储所述处理器可执行指令的存储器420；
其中，所述处理器被配置为执行所述指令，以实现上述所述应用于服务器的视频推荐方法。
在示例性实施例中，还提供了一种包括指令的计算机可读存储介质，例如包括指令的存储器，上述指令可由服务器的处理器410执行以完成上述方法。可选地，计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
在示例性实施例中，还提供一种计算机程序产品，包括计算机程序/指令，所述计算机程序/指令被处理器执行时实现上述所述的视频推荐方法。
此外，在此提供的视频推荐方案不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造具有本发明方案的系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本公开实施例的信息提取方案中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
综上所述，本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (10)

1.一种视频推荐方法，其特征在于，所述方法包括：
获取对第一视频分别在K种用户行为类别下的历史行为，以及通过预估模型获取所述第一视频分别在所述K种用户行为类别下的预估指标；其中，所述第一视频为待推荐的N个候选视频中的其中一个视频，K为大于或等于1的正整数；
根据所述K种用户行为类别下的历史行为，确定所述第一视频分别在所述K种用户行为类别下的倾向性指标，所述倾向性指标表征用户对所述第一视频产生用户行为类别的倾向程度；
根据所述K种用户行为类别下的所述预估指标和所述倾向性指标，确定所述第一视频分别在所述K种用户行为类别下的纠偏指标；
根据所述K种用户行为类别下的纠偏指标以及预估指标，确定所述第一视频在所述N个候选视频中的推荐顺序。
2.根据权利要求1所述的方法，其特征在于，所述根据所述K种用户行为类别下的历史行为，确定所述第一视频分别在所述K种用户行为类别下的倾向性指标，包括：
获取对所述第一视频发生第一用户行为类别对应的历史行为的第一次数，以及未发生所述第一用户行为类别对应的历史行为的第二次数，所述第一用户行为类别表征所述K种用户行为类别中的任意一个；
获取所述第一次数与所述第二次数之和，得到第一和值；
获取所述第一次数占所述第一和值的第一比例；
将所述第一比例作为所述第一视频在所述第一用户行为类别下的倾向性指标；
根据所述第一视频在所述第一用户行为类别下的倾向性指标，得到所述第一视频分别在所述K种用户行为类别下的倾向性指标。
3.根据权利要求1所述的方法，其特征在于，所述根据所述K种用户行为类别下的所述预估指标和所述倾向性指标，确定所述第一视频分别在所述K种用户行为类别下的纠偏指标，包括：
获取第二用户行为类别下的预估指标与倾向性指标之间的第一比值，所述第二用户行为类别表征所述K种用户行为类别中的任意一个；
将所述第一比值作为所述第一视频在所述第二用户行为类别下的纠偏指标；
根据所述第一视频在所述第二用户行为类别下的纠偏指标，得到所述第一视频分别在所述K种用户行为类别下的纠偏指标。
4.根据权利要求1所述的方法，其特征在于，所述根据所述K种用户行为类别下的纠偏指标以及预估指标，确定所述第一视频在所述N个候选视频中的推荐顺序，包括：
根据所述K种用户行为类别与权重的对应关系，获取所述K种用户行为类别分别对应的权重；
将所述K种用户行为类别对应的纠偏指标、预估指标以及权重进行融合计算，得到目标指标；
根据所述目标指标，确定所述第一视频在所述N个候选视频中的推荐顺序。
5.根据权利要求4所述的方法，其特征在于，所述将所述K种用户行为类别对应的纠偏指标、预估指标以及权重进行融合计算，得到目标指标，包括：
对所述K种用户行为类别对应的纠偏指标、预估指标以及权重进行加权平均计算，得到所述目标指标。
6.根据权利要求5所述的方法，其特征在于，所述对所述K种用户行为类别对应的纠偏指标、预估指标以及权重进行加权平均计算，得到所述目标指标，包括：
针对所述K种用户行为类别中的第三用户行为类别，获取所述第三用户行为类别下的纠偏指标与预估指标之和与所述第三用户行为类别对应的权重的乘积，得到所述第三用户行为类别对应的指标，所述第三用户行为类别表征所述K种用户行为类别中的任意一个；
将所述K种用户行为类别分别对应的指标相加，得到所述目标指标。
7.根据权利要求1所述的方法，其特征在于，所述K种用户行为类别包括点赞、点击、评论、转发、关注中的至少一项。
8.一种视频推荐装置，其特征在于，所述装置包括：
获取模块，被配置为获取对第一视频分别在K种用户行为类别下的历史行为，以及通过预估模型获取所述第一视频分别在所述K种用户行为类别下的预估指标；其中，所述第一视频为待推荐的N个候选视频中的其中一个视频，K为大于或等于1的正整数；
第一计算模块，被配置为根据所述K种用户行为类别下的历史行为，确定所述第一视频分别在所述K种用户行为类别下的倾向性指标，所述倾向性指标表征用户对所述第一视频产生用户行为类别的倾向程度；
第二计算模块，被配置为根据所述K种用户行为类别下的所述预估指标和所述倾向性指标，确定所述第一视频分别在所述K种用户行为类别下的纠偏指标；
确定模块，被配置为根据所述K种用户行为类别下的纠偏指标以及预估指标，确定所述第一视频在所述N个候选视频中的推荐顺序。
9.一种服务器，其特征在于，包括：
处理器；
用于存储所述处理器可执行指令的存储器；
其中，所述处理器被配置为执行所述指令，以实现如权利要求1至7中任一项所述的视频推荐方法。
10.一种计算机可读存储介质，其特征在于，当所述计算机可读存储介质中的指令由服务器的处理器执行时，使得服务器能够执行如权利要求1至7中任一项所述的视频推荐方法。
CN202310518398.7A 2023-05-09 2023-05-09 视频推荐方法、装置、服务器及存储介质 Pending CN116644209A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310518398.7A CN116644209A (zh) 2023-05-09 2023-05-09 视频推荐方法、装置、服务器及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310518398.7A CN116644209A (zh) 2023-05-09 2023-05-09 视频推荐方法、装置、服务器及存储介质

Publications (1)

Publication Number Publication Date
CN116644209A true CN116644209A (zh) 2023-08-25

Family

ID=87617965

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310518398.7A Pending CN116644209A (zh) 2023-05-09 2023-05-09 视频推荐方法、装置、服务器及存储介质

Country Status (1)

Country Link
CN (1) CN116644209A (zh)

Similar Documents

Publication Publication Date Title
CN106372249B (zh) 一种点击率预估方法、装置及电子设备
JP5436665B2 (ja) 同時選択画像の分類
Liu et al. Cdas: a crowdsourcing data analytics system
US8498974B1 (en) Refining search results
CN106446005B (zh) 因子分解模型
US9864951B1 (en) Randomized latent feature learning
US8615514B1 (en) Evaluating website properties by partitioning user feedback
US8874555B1 (en) Modifying scoring data based on historical changes
CN110929052A (zh) 多媒体资源推荐方法、装置、电子设备及存储介质
CN110796477A (zh) 广告展示方法、装置、电子设备及可读存储介质
US8620929B2 (en) Context based resource relevance
US20080301089A1 (en) Enhanced search results based on user feedback relating to search result abstracts
CN110532468B (zh) 一种网站资源的推荐方法、装置和计算设备
CN108733756B (zh) 数据预加载方法、装置、电子设备及可读存储介质
CN109996122B (zh) 一种视频推荐方法、装置、服务器及存储介质
US8832083B1 (en) Combining user feedback
CN110909145A (zh) 针对多任务模型的训练方法及装置
KR101725510B1 (ko) 사용자 성향을 고려한 소셜 이벤트 추천 방법 및 장치
CN112395496A (zh) 一种信息推荐方法、装置、电子设备及存储介质
CN112487283A (zh) 训练模型的方法、装置、电子设备及可读存储介质
CN112423134B (zh) 视频内容推荐方法、装置、计算机设备及存储介质
US11373103B2 (en) Artificial intelligence based system and method for predicting and preventing illicit behavior
CN113204699B (zh) 信息推荐方法、装置、电子设备及存储介质
CN111988642B (zh) 推荐视频的方法、装置、服务器和存储介质
CN116644209A (zh) 视频推荐方法、装置、服务器及存储介质

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