CN116866669A - 视频推荐方法、装置及计算机程序产品 - Google Patents
视频推荐方法、装置及计算机程序产品 Download PDFInfo
- Publication number
- CN116866669A CN116866669A CN202310861009.0A CN202310861009A CN116866669A CN 116866669 A CN116866669 A CN 116866669A CN 202310861009 A CN202310861009 A CN 202310861009A CN 116866669 A CN116866669 A CN 116866669A
- Authority
- CN
- China
- Prior art keywords
- video
- type
- scene
- 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 77
- 238000004590 computer program Methods 0.000 title claims description 16
- 239000012634 fragment Substances 0.000 claims description 13
- 238000013145 classification model Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- 230000011218 segmentation Effects 0.000 claims description 9
- 238000002372 labelling Methods 0.000 claims 2
- 230000004927 fusion Effects 0.000 abstract description 6
- 238000004891 communication Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000005012 migration Effects 0.000 description 3
- 238000013508 migration Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000000926 separation method Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- H04N21/4662—Learning process for intelligent management, e.g. learning user preferences for recommending movies characterized by learning algorithms
-
- 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
- H04N21/4667—Processing of monitored end-user data, e.g. trend analysis based on the log file of viewer selections
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供了一种视频推荐方法、装置、电子设备、存储介质及程序产品,涉及计算机技术领域,具体为视频流推荐技术领域,可应用于信息流推荐场景下。具体实现方案为:确定基于视频场景所建立的第一类型视频和第二类型视频之间的关联关系,其中,第一类型视频的视频长度大于第二类型视频的视频长度;通过预训练的视频推荐模型,根据关联关系确定待向目标用户推荐的目标第一类型视频和/或目标第二类型视频;向目标用户推荐目标第一类型视频和/或目标第二类型视频。本公开提供了一种在长、短视频融合场景下的视频内容的推荐方法,提高了推荐方法在长短视频融合场景下的适用性和推荐结果的准确度。
Description
技术领域
本公开涉及计算机技术领域,具体为视频流推荐技术领域,尤其涉及一种视频推荐方法、装置、电子设备、存储介质以及计算机程序产品,可应用于视频推荐场景下。
背景技术
在视频平台中,推荐算法根据用户的属性内容或者历史行为推荐定制化的短视频或长视频内容,极大地提高了信息的使用效率。伴随着业务的发展,短视频平台和长视频平台呈现出业务融合的趋势,传统的短视频平台和传统的长视频平台的界限被打破,长视频平台上也放置了大量的短视频内容,同时短视频平台中也存在大量长视频内容。目前,缺少在长、短视频融合场景下的视频内容的推荐方法。
发明内容
本公开提供了一种视频推荐方法、装置、电子设备、存储介质以及计算机程序产品。
根据第一方面,提供了一种视频推荐方法,包括:确定基于视频场景所建立的第一类型视频和第二类型视频之间的关联关系,其中,第一类型视频的视频长度大于第二类型视频的视频长度;通过预训练的视频推荐模型,根据关联关系确定待向目标用户推荐的目标第一类型视频和/或目标第二类型视频;向目标用户推荐目标第一类型视频和/或目标第二类型视频。
根据第二方面,提供了一种视频推荐装置,包括:第一确定单元,被配置成确定基于视频场景所建立的第一类型视频和第二类型视频之间的关联关系,其中,第一类型视频的视频长度大于第二类型视频的视频长度;第二确定单元,被配置成通过预训练的视频推荐模型,根据关联关系确定待向目标用户推荐的目标第一类型视频和/或目标第二类型视频;推荐单元,被配置成向目标用户推荐目标第一类型视频和/或目标第二类型视频。
根据第三方面,提供了一种电子设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行如第一方面任一实现方式描述的方法。
根据第四方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,计算机指令用于使计算机执行如第一方面任一实现方式描述的方法。
根据第五方面,提供了一种计算机程序产品,包括:计算机程序,计算机程序在被处理器执行时实现如第一方面任一实现方式描述的方法。
根据本公开的技术,提供了一种视频推荐方法,基于视频场景预先建立第一类型视频和第二类型视频之间的关联关系,进而可以根据关联关系确定并向目标用户推荐目标用户感兴趣的目标第一类型视频和/或目标第二类型视频,提供了一种在长、短视频融合场景下的视频内容的推荐方法,提高了推荐方法在长短视频融合场景下的适用性和推荐结果的准确度。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是根据本公开的一个实施例可以应用于其中的示例性系统架构图;
图2是根据本公开的视频推荐方法的一个实施例的流程图;
图3是根据本实施例的视频推荐方法的应用场景的示意图;
图4是根据本公开的视频推荐方法的又一个实施例的流程图;
图5是根据本公开的视频推荐装置的一个实施例的结构图;
图6是适于用来实现本公开实施例的计算机系统的结构示意图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
图1示出了可以应用本公开的视频推荐方法及装置的示例性架构100。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。终端设备101、102、103之间通信连接构成拓扑网络,网络104用以在终端设备101、102、103和服务器0105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
终端设备101、102、103可以是支持网络连接从而进行数据交互和数据处理的硬件设备或软件。当终端设备101、102、103为硬件时,其可以是支持网络连接,信息获取、交互、显示、处理等功能的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时,可以安装在上述所列举的电子设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器,例如,接收终端设备101、102、103的视频推荐请求,基于视频场景预先建立第一类型视频和第二类型视频之间的关联关系,并根据关联关系确定并向目标用户推荐其感兴趣的目标第一类型视频和/或目标第二类型视频的后台处理服务器。作为示例,服务器105可以是云端服务器。
需要说明的是,服务器可以是硬件,也可以是软件。当服务器为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块),也可以实现成单个软件或软件模块。在此不做具体限定。
还需要说明的是,本公开的实施例所提供的视频推荐方法可以由服务器执行,也可以由终端设备执行,还可以由服务器和终端设备彼此配合执行。相应地,视频推荐装置包括的各个部分(例如各个单元)可以全部设置于服务器中,也可以全部设置于终端设备中,还可以分别设置于服务器和终端设备中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。当视频推荐方法运行于其上的电子设备不需要与其他电子设备进行数据传输时,该系统架构可以仅包括视频推荐方法运行于其上的电子设备(例如服务器或终端设备)。
请参考图2,图2为本公开实施例提供的一种视频推荐方法的流程图。其中,在流程200中,包括以下步骤:
步骤201,确定基于视频场景所建立的第一类型视频和第二类型视频之间的关联关系。
本实施例中,视频推荐方法的执行主体(例如,图1中的终端设备或服务器)可以通过有线网络连接或无线网络连接从远程,或从本地确定基于视频场景所建立的第一类型视频和第二类型视频之间的关联关系。
其中,第一类型视频的视频长度大于第二类型视频的视频长度。一般的,第一类型视频为长视频,第二类型视频为短视频。
本实施例中,上述执行主体或者与上述执行主体通信连接的电子设备中预先设置有关联关系数据。关联关系数据所表征的第一类型视频和第二类型视频之间的关联关系基于视频场景建立。
作为示例,对于长视频数据库中的第一类型视频、短视频数据库中的第二类型视频,上述执行主体可以分别提取视频特征,确定各视频的视频场景。对于第二类型视频,可以将每个第二类型视频视作包括一个视频场景或数量较少的视频场景;对于第一类型视频,可以将每个第一类型视频视作包括数量较多的视频场景。
进而,对于第一类型视频和第二类型视频对应的所有视频场景,进行两两视频场景之间的匹配;对于匹配的两个视频场景可以视作一种视频场景,建立相匹配的两个视频场景各自对应的第一类型视频和第二类型视频的关联关系。例如,关联关系可以通过“第一类型视频-视频场景-第二类型视频”的形式表征。
在本实施例的一些可选的实现方式中,上述执行主体可以通过如下方式执行上述步骤201:
第一,对第一类型视频进行场景分割,确定第一类型视频对应的视频场景序列。
第一类型视频的视频长度一般较长,其中包括多个视频场景。上述执行主体可以对第一类型视频中的视频帧(例如关键帧)进行特征分析,确定出每个视频帧对应的视频场景,进而将具有相同或相似的视频场景的相邻视频帧划分至同一场景片段,得到第一类型视频包括的多个场景片段;按照场景片段在第一类型视频中的时间,组合多个场景片段,得到第一类型视频对应的视频场景序列。
第二,基于视频场景特征,对视频场景序列中的场景片段和第二类型视频进行场景对齐,确定第一类型视频和第二类型视频之间的关联关系。
本实现方式中,对于第一类型视频对应的视频场景序列中的场景片段和第二类型视频,提取其视频场景特征,进而将相似度较高的两个视频场景特征各自对应的场景片段和第二类型视频视为具有相同的视频场景,进行场景对齐,确定第一类型视频和第二类型视频之间的关联关系。
可以理解,对于视频场景序列中的每个场景片段,一般会确定出与该场景片段具有关联关系的多个第二类型视频。
本实现方式中,首先确定出第一类型视频对应的视频场景序列,进而确定视频场景序列中的场景片段与第二类型视频的关联关系,进一步提高了所确定的关联关系的准确度和丰富度。
在本实施例的一些可选的实现方式中,上述执行主体可以通过如下方式执行上述第二步骤:
首先,分别提取视频场景序列中的场景片段的视频场景特征,和第二类型视频的视频场景特征。
本实现方式中,上述执行主体可以分别通过特征提取网络,提取视频场景序列中的每个场景片段的视频场景特征,和第二类型视频的视频场景特征。其中,特征提取网络例如可以是卷积网络、残差网络等神经网络。
然后,匹配视频场景序列中的场景片段的视频场景特征,和第二类型视频的视频场景特征,确定匹配结果。
本实现方式中,上述执行主体可以计算视频场景序列中的场景片段的视频场景特征和第二类型视频的视频场景特征之间的相似度,进行将大于预设相似度阈值的相似度数值对应的场景片段和第二类型视频确定为匹配的视频,得到匹配结果。其中,相似度可以通过计算余弦相似度、欧氏距离、曼哈顿距离确定。预设相似度阈值可以根据实际情况具体设置,在此不做限定。
最后,根据匹配结果,对视频场景序列中的场景片段和第二类型视频进行场景对齐,确定第一类型视频和第二类型视频之间的关联关系。
作为示例,上述执行主体将匹配结果中相匹配的场景片段和第二类型视频进行场景对齐,确定第一类型视频和第二类型视频之间的关联关系。
本实现方式中,提供了一种确定第一类型视频和第二类型视频之间的关联关系的具体实现方式,基于视频场景特征匹配的方式,进一步提高了所确定的关联关系的准确度。
在本实施例的一些可选的实现方式中,上述执行主体可以通过如下方式执行上述第一步骤:
第一,通过视频场景边界分类模型,确定第一类型视频中的视频场景边界。
本实现方式中,上述执行主体可以通过使用场景分隔算法的视频场景边界分类模型,确定第一类型视频中的视频场景边界。视频场景边界将同一长视频中不同的视频场景分隔开来。
其中,场景分隔算法例如可以是以下的任意一种或相结合的多种:
基于颜色和亮度特征的方法:基于场景中的颜色和亮度变化来识别不同的场景,可以通过对帧间像素值的差异或聚类算法进行实现。
基于运动分析的方法:利用场景中对象的运动信息来分割场景,可以使用光流估计技术或运动向量分析来检测和跟踪运动对象。
基于深度学习的方法:通过训练神经网络模型,可以自动学习视频场景之间的特征表示和转换规律,进而进行准确的场景分割。
基于音频特征的方法:除了图像信息,视频的音频部分也包含了丰富的场景相关信息。音频信号处理技术可以用来提取音频特征,从而辅助视频场景分割。
基于图像内容分析的方法:利用计算机视觉技术对视频图像内容进行分析,以识别关键的场景变化和转换点。
第二,根据视频场景边界,分割第一类型视频,得到第一类型视频对应的视频场景序列。
本实现方式中,上述执行主体可以以视频场景边界作为分割点,分隔第一类型视频,将相邻的视频场景边界之间的视频频段作为一个场景片段,最终得到第一类型视频对应的视频场景序列。
本实现方式中,通过视频场景边界分类模型,可以快速且准确地确定出第一类型视频中的视频场景边界,提高了场景分隔的准确度和高效性。
在本实施例的一些可选的实现方式中,上述执行主体可以通过如下方式执行上述第二步骤:根据视频场景边界,将第一类型视频分割为视频长度满足预设长度规则的场景片段,得到第一类型视频对应的视频场景序列。
其中,预设长度规则例如可以是视频长度不小于预设长度,视频长度处于预设视频长度范围内。其中,预设长度、预设长度范围可以根据实际情况具体设置,在此不做限定。
本实现方式中,通过预设长度规则对所分割的场景片段的视频长度进行限制,在保证视频分割效率和准确度的同时,保证了场景片段中信息的丰富度,进而有助于提高所推荐的目标视频的准确度和用户对推荐视频的满意度。
在本实施例的一些可选的实现方式中,提取视频场景特征的方式包括以下至少一项:
1、通过预训练的语言模型分别识别场景片段中的文本信息、第二类型视频中的文本信息,得到场景片段的视频场景特征、第二类型视频的视频场景特征。
其中,文本信息例如可以是视频中的字幕信息,视频帧图像中的文本信息。
2、通过预训练的图像分类模型分别识别场景片段中的图像信息、第二类型视频中的图像信息,得到场景片段的视频场景特征、第二类型视频的视频场景特征。
3、基于第一类型视频和第二类型视频在上架编辑过程中的标注信息,得到场景片段的视频场景特征、第二类型视频的视频场景特征。
本实现方式中,上述执行主体可以通过上述任一种或多种方式得到视频场景特征,提高了所确定的视频场景特征的准确度。
步骤202,通过预训练的视频推荐模型,根据关联关系确定待向目标用户推荐的目标第一类型视频和/或目标第二类型视频。
本实施例中,上述执行主体可以通过预训练的视频推荐模型,根据关联关系确定待向目标用户推荐的目标第一类型视频和/或目标第二类型视频。
作为示例,预训练的视频推荐模型通过神经网络模型训练得到,表征关联关系、用户的个性化特征(属性内容或者历史行为)和用户感兴趣的目标第一类型视频、目标第二类型视频之间的对应关系。上述执行主体可以将第一类型视频和第二类型视频之间的关联关系、目标用户的个性化特征输入视频推荐模,确定待向目标用户推荐的目标第一类型视频和/或目标第二类型视频。
作为又一示例,预训练的视频推荐模型为适于推荐第一类型视频的视频推荐模型。上述执行主体可以首先根据目标用户的个性化特征确定出目标用户感兴趣的目标第一类型视频;然后,确定出目标第一类型视频对应的多个目标视频场景;进而,根据关联关系确定出目标视频场景对应的目标第二类型视频。
在本实施例的一些可选的实现方式中,上述执行主体可以通过如下方式执行上述步骤202:通过适于推荐第二类型视频的视频推荐模型,根据关联关系确定待向目标用户推荐的目标第一类型视频和/或目标第二类型视频。
其中,适于推荐第二类型视频的视频推荐模型可以是现有的能够执行短视频的推荐操作的视频推荐模型。作为示例,适于推荐第二类型视频的视频推荐模型可以是短视频平台目前采用的视频推荐模型。
本实现方式中,提供了一种将短视频推荐模型在长视频推荐领域的迁移方法,通过短视频推荐模型,根据关联关系即可确定待向目标用户推荐的目标第一类型视频和/或目标第二类型视频,进一步提高了短视频推荐模型的适用性。
在本实施例的一些可选的实现方式中,上述执行主体可以通过如下方式执行上述确定目标第一类型视频和/或目标第二类型视频的步骤:
首先,通过视频推荐模型,确定待向目标用户推荐的目标第二类型视频。
作为示例,上述执行主体可以通过适于推荐第二类型视频的视频推荐模型,根据目标用户的个性化特征,确定待向目标用户推荐的目标第二类型视频。
然后,确定目标第二类型视频对应的目标视频场景。
作为示例,上述执行主体在建立第一类型视频和第二类型视频的关联关系时,保存第二类型视频对应的视频场景,进而,上述执行主体在确定目标第二类型视频后,根据保存数据确定其对应的目标视频场景。
最后,根据目标视频场景和关联关系,确定待向目标用户推荐的目标第一类型视频,和目标视频场景在目标第一类型视频中的位置信息。
本实现方式中,上述执行主体可以根据关联关系确定出目标视频场景对应的第一类型视频,以及目标视频场景在目标第一类型视频中的位置信息。其中,位置信息可以是目标视频场景所对应的场景片段在目标第一类型视频中的位置信息。
本实现方式中,提供了一种将短视频推荐模型在长视频推荐领域的具体迁移方法,基于短视频推荐模型可以准确地确定出用户感兴趣的长视频,以及长视频中用户感兴趣的位置信息,提高了信息确定的针对性和准确度。
步骤203,向目标用户推荐目标第一类型视频和/或目标第二类型视频。
本实施例中,上述执行主体可以向目标用户推荐目标第一类型视频和/或目标第二类型视频。
作为示例,上述执行主体可以直接将目标第一类型视频和/或目标第二类型视频推送给目标用户,在目标用户的视频应用上曝光目标第一类型视频和/或目标第二类型视频。
作为又一示例,目标第一类型视频和目标第二类型视频分别包括多个。上述执行主体可以预测目标用户对多个目标第一类型视频的感兴趣程度,并根据感兴趣程度对多个目标第一类型视频进行排序,将目标用户最感兴趣的第一预设数量个第一类型视频推荐给目标用户。同理,上述执行主体可以预测目标用户对多个目标第二类型视频的感兴趣程度,并根据感兴趣程度对多个目标第二类型视频进行排序,将目标用户最感兴趣的第二预设数量个第二类型视频推荐给目标用户。其中,第一预设数量和第二预设数量可以根据实际情况具体设置,在此不做限定。
在本实施例的一些可选的实现方式中,上述执行主体可以通过如下方式执行上述步骤203:向目标用户推荐处于位置信息所表征的视频位置的目标第一类型视频。
作为示例,基于上述实现方式在客户端的展示效果为:目标用户划到目标第一类型视频的播放界面时,客户端直接跳转至上述位置信息所表征的视频位置播放目标第一类型视频。
本实现方式中,向目标用户推荐处于位置信息所表征的视频位置的目标第一类型视频,进一步提高了视频推荐的准确度和用户的体验度。
继续参见图3,图3是根据本实施例的视频推荐方法的应用场景的一个示意图300。在图3的应用场景中,用户301通过终端设备302上的视频应用在浏览视频资源。向视频应用提供服务的服务器303在接收到视频应用的推荐请求后,首先确定基于视频场景所建立的长视频和短视频之间的关联关系。其中,长视频的视频长度大于短视频的视频长度。然后,通过预训练的视频推荐模型,根据关联关系确定待向目标用户推荐的目标长视频和/或目标短视频。最后,服务器向目标用户推荐目标长视频和/或目标短视频。
本实施例中,提供了一种视频推荐方法,基于视频场景预先建立第一类型视频和第二类型视频之间的关联关系,进而可以根据关联关系确定并向目标用户推荐目标用户感兴趣的目标第一类型视频和/或目标第二类型视频,提供了一种在长、短视频融合场景下的视频内容的推荐方法,提高了推荐方法在长短视频融合场景下的适用性和推荐结果的准确度。
继续参考图4,示出了根据本公开的视频推荐方法的又一个实施例的示意性流程400。在流程400中,包括以下步骤:
步骤401,通过视频场景边界分类模型,确定第一类型视频中的视频场景边界。
步骤402,根据视频场景边界,将第一类型视频分割为视频长度满足预设长度规则的场景片段,得到第一类型视频对应的视频场景序列。
步骤403,分别提取视频场景序列中的场景片段的视频场景特征,和第二类型视频的视频场景特征。
其中,第一类型视频的视频长度大于第二类型视频的视频长度。
提取视频场景特征的方式包括以下至少一项:
通过预训练的语言模型分别识别场景片段中的文本信息、第二类型视频中的文本信息,得到场景片段的视频场景特征、第二类型视频的视频场景特征;通过预训练的图像分类模型分别识别场景片段中的图像信息、第二类型视频中的图像信息,得到场景片段的视频场景特征、第二类型视频的视频场景特征;基于第一类型视频和第二类型视频在上架编辑过程中的标注信息,得到场景片段的视频场景特征、第二类型视频的视频场景特征。
步骤404,匹配视频场景序列中的场景片段的视频场景特征,和第二类型视频的视频场景特征,确定匹配结果。
步骤405,根据匹配结果,对视频场景序列中的场景片段和第二类型视频进行场景对齐,确定第一类型视频和第二类型视频之间的关联关系。
步骤406,通过适于推荐所述第二类型视频的视频推荐模型,确定待向目标用户推荐的目标第二类型视频。
步骤407,确定目标第二类型视频对应的目标视频场景。
步骤408,根据目标视频场景和关联关系,确定待向目标用户推荐的目标第一类型视频,和目标视频场景在目标第一类型视频中的位置信息。
步骤409,向目标用户推荐处于位置信息所表征的视频位置的目标第一类型视频。
从本实施例中可以看出,与图2对应的实施例相比,本实施例中的视频推荐方法的流程400具体说明了第一类型视频和第二类型视频的关联关系的确定过程,通过适于推荐第二类型视频的视频推荐模型确定第一类型视频的过程,以及第一类型视频的推荐过程,构建了一种短视频推荐模型在长视频推荐领域的迁移方法,可以为用户自动推荐其感兴趣的长视频场景片段以及该场景片段在长视频中的时间位置,在保证长视频推荐准确度的同时,提升了用户的体验度。
继续参考图5,作为对上述各图所示方法的实现,本公开提供了一种视频推荐装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图5所示,视频推荐装置500包括:第一确定单元501,被配置成确定基于视频场景所建立的第一类型视频和第二类型视频之间的关联关系,其中,第一类型视频的视频长度大于第二类型视频的视频长度;第二确定单元502,被配置成通过预训练的视频推荐模型,根据关联关系确定待向目标用户推荐的目标第一类型视频和/或目标第二类型视频;推荐单元503,被配置成向目标用户推荐目标第一类型视频和/或目标第二类型视频。
在本实施例的一些可选的实现方式中,第一确定单元501,进一步被配置成:对第一类型视频进行场景分割,确定第一类型视频对应的视频场景序列;基于视频场景特征,对视频场景序列中的场景片段和第二类型视频进行场景对齐,确定第一类型视频和第二类型视频之间的关联关系。
在本实施例的一些可选的实现方式中,第一确定单元501,进一步被配置成:分别提取视频场景序列中的场景片段的视频场景特征,和第二类型视频的视频场景特征;匹配视频场景序列中的场景片段的视频场景特征,和第二类型视频的视频场景特征,确定匹配结果;根据匹配结果,对视频场景序列中的场景片段和第二类型视频进行场景对齐,确定第一类型视频和第二类型视频之间的关联关系。
在本实施例的一些可选的实现方式中,第一确定单元501,进一步被配置成:通过视频场景边界分类模型,确定第一类型视频中的视频场景边界;根据视频场景边界,分割第一类型视频,得到第一类型视频对应的视频场景序列。
在本实施例的一些可选的实现方式中,第一确定单元501,进一步被配置成:根据视频场景边界,将第一类型视频分割为视频长度满足预设长度规则的场景片段,得到第一类型视频对应的视频场景序列。
在本实施例的一些可选的实现方式中,第一确定单元501,进一步被配置成通过以下至少一项方式提取视频场景特征:通过预训练的语言模型分别识别场景片段中的文本信息、第二类型视频中的文本信息,得到场景片段的视频场景特征、第二类型视频的视频场景特征;通过预训练的图像分类模型分别识别场景片段中的图像信息、第二类型视频中的图像信息,得到场景片段的视频场景特征、第二类型视频的视频场景特征;基于第一类型视频和第二类型视频在上架编辑过程中的标注信息,得到场景片段的视频场景特征、第二类型视频的视频场景特征。
在本实施例的一些可选的实现方式中,第二确定单元502,进一步被配置成:通过适于推荐第二类型视频的视频推荐模型,根据关联关系确定待向目标用户推荐的目标第一类型视频和/或目标第二类型视频。
在本实施例的一些可选的实现方式中,第二确定单元502,进一步被配置成:通过视频推荐模型,确定待向目标用户推荐的目标第二类型视频;确定目标第二类型视频对应的目标视频场景;根据目标视频场景和关联关系,确定待向目标用户推荐的目标第一类型视频,和目标视频场景在目标第一类型视频中的位置信息。
在本实施例的一些可选的实现方式中,推荐单元503,进一步被配置成:向目标用户推荐处于位置信息所表征的视频位置的目标第一类型视频。
本实施例中,提供了一种视频推荐装置,基于视频场景预先建立第一类型视频和第二类型视频之间的关联关系,进而可以根据关联关系确定并向目标用户推荐目标用户感兴趣的目标第一类型视频和/或目标第二类型视频,提供了一种在长、短视频融合场景下的视频内容的推荐装置,提高了推荐方法在长短视频融合场景下的适用性和推荐结果的准确度。
根据本公开的实施例,本公开还提供了一种电子设备,该电子设备包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,该指令被至少一个处理器执行,以使至少一个处理器执行时能够实现上述任意实施例所描述的视频推荐方法。
根据本公开的实施例,本公开还提供了一种可读存储介质,该可读存储介质存储有计算机指令,该计算机指令用于使计算机执行时能够实现上述任意实施例所描述的视频推荐方法。
本公开实施例提供了一种计算机程序产品,该计算机程序在被处理器执行时能够实现上述任意实施例所描述的视频推荐方法。
图6示出了可以用来实施本公开的实施例的示例电子设备600的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图6所示,设备600包括计算单元601,其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序,来执行各种适当的动作和处理。在RAM 603中,还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
设备600中的多个部件连接至I/O接口605,包括:输入单元606,例如键盘、鼠标等;输出单元607,例如各种类型的显示器、扬声器等;存储单元608,例如磁盘、光盘等;以及通信单元609,例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理,例如视频推荐方法。例如,在一些实施例中,视频推荐方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元608。在一些实施例中,计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时,可以执行上文描述的视频推荐方法的一个或多个步骤。备选地,在其他实施例中,计算单元601可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行视频推荐方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决传统物理主机与虚拟专用服务器(VPS,Virtual Private Server)服务中存在的管理难度大,业务扩展性弱的缺陷;也可以为分布式系统的服务器,或者是结合了区块链的服务器。
根据本公开实施例的技术方案,提供了一种视频推荐方法,基于视频场景预先建立第一类型视频和第二类型视频之间的关联关系,进而可以根据关联关系确定并向目标用户推荐目标用户感兴趣的目标第一类型视频和/或目标第二类型视频,提供了一种在长、短视频融合场景下的视频内容的推荐方法,提高了推荐方法在长短视频融合场景下的适用性和推荐结果的准确度。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开提供的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (21)
1.一种视频推荐方法,包括:
确定基于视频场景所建立的第一类型视频和第二类型视频之间的关联关系,其中,所述第一类型视频的视频长度大于所述第二类型视频的视频长度;
通过预训练的视频推荐模型,根据所述关联关系确定待向目标用户推荐的目标第一类型视频和/或目标第二类型视频;
向所述目标用户推荐所述目标第一类型视频和/或所述目标第二类型视频。
2.根据权利要求1所述的方法,其中,所述确定基于视频场景所建立的第一类型视频和第二类型视频之间的关联关系,包括:
对所述第一类型视频进行场景分割,确定所述第一类型视频对应的视频场景序列;
基于视频场景特征,对所述视频场景序列中的场景片段和所述第二类型视频进行场景对齐,确定所述第一类型视频和所述第二类型视频之间的关联关系。
3.根据权利要求2所述的方法,其中,所述基于视频场景特征,对所述视频场景序列中的场景片段和所述第二类型视频进行场景对齐,确定所述第一类型视频和所述第二类型视频之间的关联关系,包括:
分别提取所述视频场景序列中的场景片段的视频场景特征,和所述第二类型视频的视频场景特征;
匹配所述视频场景序列中的场景片段的视频场景特征,和所述第二类型视频的视频场景特征,确定匹配结果;
根据所述匹配结果,对所述视频场景序列中的场景片段和所述第二类型视频进行场景对齐,确定所述第一类型视频和所述第二类型视频之间的关联关系。
4.根据权利要求2所述的方法,其中,所述对所述第一类型视频进行场景分割,确定所述第一类型视频对应的视频场景序列,包括:
通过视频场景边界分类模型,确定所述第一类型视频中的视频场景边界;
根据所述视频场景边界,分割所述第一类型视频,得到所述第一类型视频对应的视频场景序列。
5.根据权利要求4所述的方法,其中,所述根据所述视频场景边界,分割所述第一类型视频,得到所述第一类型视频对应的视频场景序列,包括:
根据所述视频场景边界,将所述第一类型视频分割为视频长度满足预设长度规则的场景片段,得到所述第一类型视频对应的视频场景序列。
6.根据权利要求2所述的方法,其中,提取所述视频场景特征的方式包括以下至少一项:
通过预训练的语言模型分别识别所述场景片段中的文本信息、所述第二类型视频中的文本信息,得到所述场景片段的视频场景特征、所述第二类型视频的视频场景特征;
通过预训练的图像分类模型分别识别所述场景片段中的图像信息、所述第二类型视频中的图像信息,得到所述场景片段的视频场景特征、所述第二类型视频的视频场景特征;
基于所述第一类型视频和所述第二类型视频在上架编辑过程中的标注信息,得到所述场景片段的视频场景特征、所述第二类型视频的视频场景特征。
7.根据权利要求1所述的方法,其中,所述通过预训练的视频推荐模型,根据所述关联关系确定待向目标用户推荐的目标第一类型视频和/或目标第二类型视频,包括:
通过适于推荐所述第二类型视频的所述视频推荐模型,根据所述关联关系确定待向目标用户推荐的目标第一类型视频和/或目标第二类型视频。
8.根据权利要求7所述的方法,其中,所述通过适于推荐所述第二类型视频的所述视频推荐模型,根据所述关联关系确定待向目标用户推荐的目标第一类型视频和/或目标第二类型视频,包括:
通过所述视频推荐模型,确定待向所述目标用户推荐的所述目标第二类型视频;
确定所述目标第二类型视频对应的目标视频场景;
根据所述目标视频场景和所述关联关系,确定待向所述目标用户推荐的所述目标第一类型视频,和所述目标视频场景在所述目标第一类型视频中的位置信息。
9.根据权利要求8所述的方法,其中,所述向所述目标用户推荐所述目标第一类型视频和/或所述目标第二类型视频,包括:
向所述目标用户推荐处于所述位置信息所表征的视频位置的所述目标第一类型视频。
10.一种视频推荐装置,包括:
第一确定单元,被配置成确定基于视频场景所建立的第一类型视频和第二类型视频之间的关联关系,其中,所述第一类型视频的视频长度大于所述第二类型视频的视频长度;
第二确定单元,被配置成通过预训练的视频推荐模型,根据所述关联关系确定待向目标用户推荐的目标第一类型视频和/或目标第二类型视频;
推荐单元,被配置成向所述目标用户推荐所述目标第一类型视频和/或所述目标第二类型视频。
11.根据权利要求10所述的装置,其中,所述第一确定单元,进一步被配置成:
对所述第一类型视频进行场景分割,确定所述第一类型视频对应的视频场景序列;基于视频场景特征,对所述视频场景序列中的场景片段和所述第二类型视频进行场景对齐,确定所述第一类型视频和所述第二类型视频之间的关联关系。
12.根据权利要求11所述的装置,其中,所述第一确定单元,进一步被配置成:
分别提取所述视频场景序列中的场景片段的视频场景特征,和所述第二类型视频的视频场景特征;匹配所述视频场景序列中的场景片段的视频场景特征,和所述第二类型视频的视频场景特征,确定匹配结果;根据所述匹配结果,对所述视频场景序列中的场景片段和所述第二类型视频进行场景对齐,确定所述第一类型视频和所述第二类型视频之间的关联关系。
13.根据权利要求11所述的装置,其中,所述第一确定单元,进一步被配置成:
通过视频场景边界分类模型,确定所述第一类型视频中的视频场景边界;根据所述视频场景边界,分割所述第一类型视频,得到所述第一类型视频对应的视频场景序列。
14.根据权利要求13所述的装置,其中,所述第一确定单元,进一步被配置成:
根据所述视频场景边界,将所述第一类型视频分割为视频长度满足预设长度规则的场景片段,得到所述第一类型视频对应的视频场景序列。
15.根据权利要求11所述的装置,其中,所述第一确定单元,进一步被配置成通过以下至少一项方式提取所述视频场景特征:
通过预训练的语言模型分别识别所述场景片段中的文本信息、所述第二类型视频中的文本信息,得到所述场景片段的视频场景特征、所述第二类型视频的视频场景特征;
通过预训练的图像分类模型分别识别所述场景片段中的图像信息、所述第二类型视频中的图像信息,得到所述场景片段的视频场景特征、所述第二类型视频的视频场景特征;
基于所述第一类型视频和所述第二类型视频在上架编辑过程中的标注信息,得到所述场景片段的视频场景特征、所述第二类型视频的视频场景特征。
16.根据权利要求10所述的装置,其中,所述第二确定单元,进一步被配置成:
通过适于推荐所述第二类型视频的所述视频推荐模型,根据所述关联关系确定待向目标用户推荐的目标第一类型视频和/或目标第二类型视频。
17.根据权利要求16所述的装置,其中,所述第二确定单元,进一步被配置成:
通过所述视频推荐模型,确定待向所述目标用户推荐的所述目标第二类型视频;确定所述目标第二类型视频对应的目标视频场景;根据所述目标视频场景和所述关联关系,确定待向所述目标用户推荐的所述目标第一类型视频,和所述目标视频场景在所述目标第一类型视频中的位置信息。
18.根据权利要求17所述的装置,其中,所述推荐单元,进一步被配置成:
向所述目标用户推荐处于所述位置信息所表征的视频位置的所述目标第一类型视频。
19.一种电子设备,其特征在于,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-9中任一项所述的方法。
20.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行权利要求1-9中任一项所述的方法。
21.一种计算机程序产品,包括:计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-9中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310861009.0A CN116866669A (zh) | 2023-07-13 | 2023-07-13 | 视频推荐方法、装置及计算机程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310861009.0A CN116866669A (zh) | 2023-07-13 | 2023-07-13 | 视频推荐方法、装置及计算机程序产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116866669A true CN116866669A (zh) | 2023-10-10 |
Family
ID=88224855
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310861009.0A Pending CN116866669A (zh) | 2023-07-13 | 2023-07-13 | 视频推荐方法、装置及计算机程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116866669A (zh) |
-
2023
- 2023-07-13 CN CN202310861009.0A patent/CN116866669A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210224550A1 (en) | Method and apparatus for segmenting video | |
CN112929744B (zh) | 用于分割视频剪辑的方法、装置、设备、介质和程序产品 | |
CN108776676B (zh) | 信息推荐方法、装置、计算机可读介质及电子设备 | |
CN112559800B (zh) | 用于处理视频的方法、装置、电子设备、介质和产品 | |
CN113627536B (zh) | 模型训练、视频分类方法,装置,设备以及存储介质 | |
CN113378855A (zh) | 用于处理多任务的方法、相关装置及计算机程序产品 | |
CN110633717A (zh) | 一种目标检测模型的训练方法和装置 | |
CN113361462B (zh) | 视频处理和字幕检测模型的方法及装置 | |
CN108734718B (zh) | 用于图像分割的处理方法、装置、存储介质及设备 | |
CN111292333A (zh) | 用于分割图像的方法和装置 | |
CN116935287A (zh) | 视频理解方法和装置 | |
CN114627556B (zh) | 动作检测方法、动作检测装置、电子设备以及存储介质 | |
CN115080770A (zh) | 多媒体数据处理方法、装置、电子设备及可读存储介质 | |
CN113032251B (zh) | 应用程序服务质量的确定方法、设备和存储介质 | |
CN114882334A (zh) | 用于生成预训练模型的方法、模型训练方法及装置 | |
CN116866669A (zh) | 视频推荐方法、装置及计算机程序产品 | |
CN113627354B (zh) | 模型训练、视频处理方法,装置,设备以及存储介质 | |
CN115131709B (zh) | 视频类别预测方法、视频类别预测模型的训练方法及装置 | |
CN113362304B (zh) | 清晰度预测模型的训练方法和确定清晰等级的方法 | |
CN113656642B (zh) | 封面图像生成方法、装置、设备、存储介质和程序产品 | |
CN114202728B (zh) | 一种视频检测方法、装置、电子设备及介质 | |
CN113642495B (zh) | 用于评价时序提名的模型的训练方法、设备、程序产品 | |
CN113343979B (zh) | 用于训练模型的方法、装置、设备、介质和程序产品 | |
CN116168316A (zh) | 视频处理及视频内容查找方法、装置、电子设备及介质 | |
CN115830506A (zh) | 一种样本数据生成方法、装置、设备及存储介质 |
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 |