CN116962824A - 一种视频推荐方法、装置、设备及介质 - Google Patents
一种视频推荐方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN116962824A CN116962824A CN202310637588.0A CN202310637588A CN116962824A CN 116962824 A CN116962824 A CN 116962824A CN 202310637588 A CN202310637588 A CN 202310637588A CN 116962824 A CN116962824 A CN 116962824A
- Authority
- CN
- China
- Prior art keywords
- video
- target user
- target
- type
- category
- 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 45
- 230000008451 emotion Effects 0.000 claims description 75
- 238000004590 computer program Methods 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 13
- 238000005457 optimization Methods 0.000 claims description 9
- 230000008909 emotion recognition Effects 0.000 claims description 5
- 230000003340 mental effect Effects 0.000 claims description 3
- 230000036651 mood Effects 0.000 claims 1
- 238000004891 communication Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 230000006399 behavior Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000012937 correction Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000004630 mental health Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000000366 juvenile effect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000036630 mental development Effects 0.000 description 1
- 238000003062 neural network model 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
- 238000007493 shaping process Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
- H04N21/4668—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]
- H04N21/40—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
- H04N21/482—End-user interface for program selection
- H04N21/4826—End-user interface for program selection using recommendation lists, e.g. of programs or channels sorted out according to their score
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Software Systems (AREA)
- Human Computer Interaction (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种视频推荐方法、装置、设备及介质。其中,该方法包括:获取目标用户特征和视频特征;其中,所述目标用户特征包括目标用户类别标签,所述视频特征包括视频标签;将所述目标用户特征和所述视频特征输入视频推荐模型,得到初始视频推荐列表;基于所述目标用户类别标签和所述视频标签对所述初始视频推荐列表进行修正,得到目标视频推荐列表。本技术方案,基于目标用户类别标签和视频标签数据对初始视频推荐列表进行修正,可以推荐适合目标用户健康成长的内容。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种视频推荐方法、装置、设备及介质。
背景技术
随着少儿收视人口的家庭规模在不断扩大,电视端及大屏端点播流量近半数为少儿内容。少儿是电视机前的主要群体,少儿视频内容是少儿获取信息、形成情智以及培养能力的重要途径。电视端及大屏端点播流量近半数为少儿内容,但是由于儿童群体尚未形成良好的辨别能力和自我控制能力。
目前动画市场鱼龙混杂,国内也未有较为明晰的动画评估标准。而0-12岁的少年儿童处于发展时期,如不能合理地对他们的观看行为进行预防,在看动画的过程中也会有沉迷一些不健康内容的可能性。
发明内容
本发明提供了一种视频推荐方法、装置、设备及介质,基于目标用户类别标签和视频标签数据对初始视频推荐列表进行修正,可以推荐适合目标用户健康成长的内容。
根据本发明的一方面,提供了一种视频推荐方法,包括:
获取目标用户特征和视频特征;其中,所述目标用户特征包括目标用户类别标签,所述视频特征包括视频标签;
将所述目标用户特征和所述视频特征输入视频推荐模型,得到初始视频推荐列表;
基于所述目标用户类别标签和所述视频标签对所述初始视频推荐列表进行修正,得到目标视频推荐列表。
可选的,所述目标用户类别标签由预测观看时长表征,预测观看时长由目标用户的历史观看时长和设定心理优化算法得到;所述目标类别标签包括第一类目标用户、第二类目标用户、第三类目标用户以及第四类目标用户,第一类目标用户、第二类目标用户、第三类目标用户以及第四类目标用户对应的预测观看时长逐渐减小。
可选的,所述视频标签包括视频类别标签和视频情绪标签;基于所述目标用户类别标签和所述视频标签对所述初始视频推荐列表进行修正,包括:
基于所述视频类型标签对所述第一类目标用户、所述第二类目标用户、所述第三类目标用户以及所述第四类目标用户的初始视频推荐列表进行修正;
基于所述视频情绪标签对所述第四类目标用户的初始视频推荐列表进行修正。
可选的,基于所述视频类型标签对所述第一类目标用户、所述第二类目标用户、所述第三类目标用户以及所述第四类目标用户的初始视频推荐列表进行修正,包括:
基于所述第一类目标用户、所述第二类目标用户、所述第三类目标用户以及所述第四类目标用户的历史观看记录确定各视频类型;
判断所述视频类型中第一设定类型的视频的占比是否超过第一设定阈值;
若所述第一设定类型的视频的占比超过所述第一设定阈值,则将所述初始视频列表中至少部分第一设定类型的视频替换为第二设定类型的视频。
可选的,基于所述视频情绪标签对所述第四类目标用户的初始视频推荐列表进行修正,包括:
基于所述第四类目标用户的历史观看记录提取正向情绪视频和负向情绪视频;
判断所述负向情绪视频的占比是否超过第二设定阈值;
若所述负向情绪视频的占比超过所述第二设定阈值,则将所述初始视频推荐列表中至少部分负向情绪视频替换为正向情绪视频。
可选的,所述目标用户特征还包括目标用户标识;所述视频特征还包括视频标识和视频基本信息。
可选的,所述获取视频特征,包括:
根据视频内容对各视频进行情绪识别,得到所述视频情绪标签;
对所述视频内容进行文本提取,得到所述视频基本信息。
根据本发明的另一方面,提供了一种视频推荐装置,包括:
特征获取模块,用于获取目标用户特征和视频特征;其中,所述目标用户特征包括目标用户类别标签,所述视频特征包括视频标签;
初始列表获得模块,用于将所述目标用户特征和所述视频特征输入视频推荐模型,得到初始视频推荐列表;
目标列表获得模块,用于基于所述目标用户类别标签和所述视频标签对所述初始视频推荐列表进行修正,得到目标视频推荐列表。
根据本发明的另一方面,提供了一种电子设备,所述电子设备包括:
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计算机程序,所述计算机程序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本发明任一实施例所述的视频推荐方法。
根据本发明的另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的视频推荐方法。
本发明实施例的技术方案,通过获取目标用户特征和视频特征;其中,所述目标用户特征包括目标用户类别标签,所述视频特征包括视频标签;将所述目标用户特征和所述视频特征输入视频推荐模型,得到初始视频推荐列表;基于所述目标用户类别标签和所述视频标签对所述初始视频推荐列表进行修正,得到目标视频推荐列表。本技术方案,基于目标用户类别标签和视频标签数据对初始视频推荐列表进行修正,可以推荐适合目标用户健康成长的内容。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明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
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例一提供的一种视频推荐方法的流程图;
图2是根据本发明实施例二提供的一种视频推荐方法的流程图;
图3是根据本发明实施例三提供的一种视频推荐装置的结构示意图;
图4是根据本发明实施例四提供的一种电子设备的结构示意图。
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。
实施例一
图1是根据本发明实施例一提供的一种视频推荐方法的流程图,本实施例可适用于对少年儿童进行视频推荐的情况,该方法可以由视频推荐装置来执行,该视频推荐装置可以采用硬件和/或软件的形式实现,该视频推荐装置可配置于具有数据处理能力的电子设备中。如图1所示,该方法包括:
本实施例的目标用户可以是0岁到12岁的少年儿童,本实施例通过分析儿童的心理特征和行为数据,使用机器学习算法对这些数据进行训练得到的视频推荐模型,以实现更加精准的个性化推荐,可以帮助家长解决了少儿在观看大量视频产生的心理问题,推荐结果让家长更安心。本实施例可以应用于电视大屏的少儿栏目。
S110、获取目标用户特征和视频特征。
其中,目标用户特征可以理解为需要进行推荐视频列表的用户。目标用户特征包括目标用户类别标签,视频特征包括视频标签。目标用户可以是指定年龄的儿童用户,示例性的,0岁到12岁的少年儿童用户。目标用户特征可以表征目标用户的特征信息,可以包括目标用户类别标签、目标用户标识以及目标用户其他特征等信息。具体的,目标用户类别标签可以理解为根据目标用户的观看行为和分类算法对目标用户划分为不同类别的标签信息;目标用户标识可以用于标识用户的身份信息,示例性的,目标用户标识可以是目标用户ID信息,目标用户其他特征信息可以是用户所属地区信息等。
其中,视频特征可以用于表征视频的特征信息,可以包括视频标签,视频标识和视频基本信息。具体的,视频标签可以包括视频情绪标签和视频类型标签,视频情绪标签可以是通过视频内容识别得到的。视频标识可以用于标识视频的来源,可以为视频ID信息。视频基本信息可以包括视频名称、视频导演以及视频主演等信息,还可以包括视频其他信息,例如视频产地信息,视频年代信息以及视频语言等信息。
本实施例中可以获取需要进行推荐视频的目标用户和包含视频特征信息的大量视频内容。
在本实施例中,可选的,获取视频特征,包括:根据视频内容对各视频进行情绪识别,得到视频情绪标签;对视频内容进行文本提取,得到视频基本信息。
其中,视频内容可以理解为各个视频的具体内容。视频情绪标签可以是通过识别视频内容包含的情绪含义得到的,示例性的,视频情绪标签可以为喜悦或者幸福等正向情绪和悲伤或者愤怒等负向情绪。
本实施例中可以根据视频内容对各视频进行情绪识别,通过识别出情绪含义,以得到视频对应的情绪标签。进一步的,本实施例中的视频创作者可以在上传自己的视频内容时,可以要求视频创作者关联对应的视频情绪标签。本实施例中就可以通过直接识别视频创作者关联到的视频情绪得到视频情绪标签。
其中,文本提取可以是对视频中的文本进行识别并提取出对应的文本内容。本实施例可以将视频内容输入到训练好的文本卷积网络中进行文本提取,得到对应的视频基本信息。本实施例中可以通过这样的设置,根据视频内容确定出各个视频的情绪标签以及视频基本信息,便于推荐符合目标用户的心理需求的内容。
S120、将目标用户特征和视频特征输入视频推荐模型,得到初始视频推荐列表。
其中,视频推荐模型可以是预先训练好的神经网络模型。本实施例中的视频推荐模型可以采用基于用户的历史观看记录形成的数据集和用户数据进行大量训练得到的。在训练过程中,通过不断采集各种用户的数据,对模型进行调优,直到满足用户视频推荐的需求。视频推荐模型中的结构可以由嵌入层、两个全连接层以及相似度矩阵组成。初始视频推荐列表可以是视频推荐模型输出的初始列表内容。初始列表内容的数量是固定的,可以根据用户实际需求进行设定。示例性的,初始视频推荐列表可以包括12条视频的推荐信息。本实施例中可以将目标用户特征和视频特征输入到视频推荐模型中,输出对应的初始视频推荐列表内容。
S130、基于目标用户类别标签和视频标签对初始视频推荐列表进行修正,得到目标视频推荐列表。
其中,修正可以理解为对初始视频推荐列表中的视频进行替换调整的操作。目标视频推荐列表可以为对初始视频推荐列表修正后得到的视频推荐列表。本实施例中可以根据目标用户类别标签和视频情绪标签和视频类型标签对初始视频推荐列表中的视频进行替换调整,从而得到目标视频推荐列表。本实施例中可以对不同类别的用户根据视频情绪特征和类型特征对初始视频列表进行调整,可以充分考虑到儿童的心理发育,实现对儿童心智的健康引导。
本发明实施例的技术方案,通过获取目标用户特征和视频特征;其中,目标用户特征包括目标用户类别标签,视频特征包括视频标签;将目标用户特征和视频特征输入视频推荐模型,得到初始视频推荐列表;基于目标用户类别标签和视频标签对初始视频推荐列表进行修正,得到目标视频推荐列表。本技术方案,基于目标用户类别标签和视频标签数据对初始视频推荐列表进行修正,可以推荐适合目标用户健康成长的内容。
实施例二
图2是根据本发明实施例二提供的一种视频推荐方法的流程图,本实施例以上述实施例为基础进行优化。具体优化为:视频标签包括视频类别标签和视频情绪标签;基于目标用户类别标签和视频标签对初始视频推荐列表进行修正,包括:基于视频类型标签对第一类目标用户、第二类目标用户、第三类目标用户以及第四类目标用户的初始视频推荐列表进行修正;基于视频情绪标签对第四类目标用户的初始视频推荐列表进行修正。
如图2所示,该方法包括:
S210、获取目标用户特征和视频特征。
其中,目标用户特征包括目标用户类别标签,视频特征包括视频标签。视频标签包括视频类别标签和视频情绪标签。
在本实施例中,可选的,目标用户类别标签由预测观看时长表征,预测观看时长由目标用户的历史观看时长和设定心理优化算法得到;目标类别标签包括第一类目标用户、第二类目标用户、第三类目标用户以及第四类目标用户,第一类目标用户、第二类目标用户、第三类目标用户以及第四类目标用户对应的预测观看时长逐渐减小。
其中,设定心理优化算法可以为学生心理优化算法(Student psychology basedoptimization algorithm,SPBO)。本实施例中可以根据目标用户的历史观看时长对目标用户分类,并针对每个类别的目标用户进行大量的算法训练,以可以根据预测观看时长对应的目标用户类别。本实施例中可以根据预测观看时长将目标用户类别分为第一类目标用户、第二类目标用户、第三类目标用户以及第四类目标用户,该四类的目标用户对应的预测观看时长为逐渐减小。可以理解的,第一类目标用户的预测观看时长最长,第二类目标用户的预测观看时长小于第一类目标用户的预测观看时长,第三类目标用户的预测观看时长小于第二类目标用户的预测观看时长,第四类目标用户的预测观看时长小于第三类目标用户的预测观看时长。
示例性的,设定心理优化算法SPBO认为儿童的行为取决于儿童的心理,并将一个类型的视频按照观看时长分为第一类儿童、第二类儿童、第三类儿童、第四类儿童四类,并针对每个不同类型的儿童分别进行大数据算法训练。具体的,记N为少儿频道平台总人数,D为分类数(维度),和/>分别表示第一类儿童和儿童i分类j(于第t次观看)的时长并将第一类儿童和儿童i的观看时长分别记录在变量/>和
其中,j=1,…,D;i=1,…,N。对于第t+1次观看,四类儿童各分类的观看时长可以分别按如下方式进行更新:
(1)第一类儿童:
其中,儿童i是从某省份少儿线上用户群上随机选取的一名儿童;为儿童i类型分类下j视频的观看时长(第t次观看);rand为[0,1]中的随机数;k是随机选取的1或2。
(2)第二类儿童:
其中,Xmean,j表示第j视频的全平台平均数。第二类儿童是按如下方法来选择式(ii)或(iii)的:从(0,1)中随机取两个数r1和r2,若r2<r1,则选择式(ii);否则选择式(iii)。
(3)第三类儿童:
Xmean,j表示取平均值,儿童对所有类别的喜好没有明显偏差。
(4)第四类儿童:
其中,Xmax,j、Xmin,j分别表示第j视频的最高时长和最低时长,上式表示是最高时长和最低时长中间随机的一个数。
从上面的四个阶段的迭代公式可以看出前三个类别部分的儿童都会在自身的基础上受到其他人观看影响(即:大数据算法的智能推荐片单),第一类儿童受到分类视频算法推荐最多的人Xbest,j影响;第二类儿童可能收到Xbest,j影响也可能受到一般视频Xmean,j的影响;第三类儿童只受到Xmean,j影响;而第四类儿童不受任何推荐影响,范围只是随机在最大和最小值之间取一个。
本实施例中通过这样的设置,基于历史观看时长和设定心理算法对目标用户划分类别标签,对于不同类别的目标用户推荐不同的视频,便于为儿童群体提供更加符合其兴趣、偏好和需求的内容推荐,从而提高用户满意度和使用体验,为儿童用户提供优质服务。
S220、将目标用户特征和视频特征输入视频推荐模型,得到初始视频推荐列表。
S230、基于视频类型标签对第一类目标用户、第二类目标用户、第三类目标用户以及第四类目标用户的初始视频推荐列表进行修正。
其中,视频类型标签可以是视频制作者在上传时关联的视频类型,示例性的,视频类型可以为喜剧、战斗、科教以及温馨等类型。本实施例可以基于视频制造者在上传视频时关联的视频类型标签,对第一类目标用户、第二类目标用户、第三类目标用户以及第四类目标用户的初始视频列表进行修正。示例性的,对于偏好战争内容类型的儿童用户,从科学角度来看,更应充分考虑到他们的心理发育。因此,可以将初始视频推荐列表中的战争内容类型替换为团队合作或者温馨风格类型的动漫产品,可以减少其暴力偏好的可能,实现对儿童心智的健康引导。
在本实施例中,可选的,基于视频类型标签对第一类目标用户、第二类目标用户、第三类目标用户以及第四类目标用户的初始视频推荐列表进行修正,包括:基于第一类目标用户、第二类目标用户、第三类目标用户以及第四类目标用户的历史观看记录确定各视频类型;判断视频类型中第一设定类型的视频占比是否超过第一设定阈值;若第一设定类型的视频的占比超过第一设定阈值,则将初始视频列表中至少部分第一设定类型的视频替换为第二设定类型的视频。
其中,视频类型可以理解为视频内容对应的类型特征。本实施例中可以基于不同类别目标用户的历史观看记录确定各个视频类型。第一设定类型可以设定为视频类型中的任一类型,例如,可以是战争类型或者科教类型等。第一设定类型的视频占比可以理解为第一设定类型的视频占据历史观看记录中各视频类型的比例。第一设定阈值可以是预先设置的阈值,可以根据实际需求进行设定;示例性的,第一设定阈值可以设定为90%。第二设定类型可以设定为视频类型中的任一类型,例如,可以是战争类型或者科教类型等。第一设定类型和第二设定类型的关系为互不相同,或者互为相反类型。本实施例中至少部分第一设定类型的数量可以根据第一设定类型的视频的占比确定;若第一设定类型的视频的占比较多,则至少部分第一设定类型的视频的数量就多。
本实施例中可以通过判断各个视频类型中第一设定类型的视频占比是否超过第一设定阈值,若第一设定类型的视频的占比超过第一设定阈值,则可以将初始视频列表中的至少部分第一设定类型的视频替换为第二设定类型的视频内容,从而得到修正后的视频推荐列表。本实施例中通过这样的设置,可以基于视频的类型对不同类别的目标用户的初始推荐列表进行修正,从而可以减少儿童对于某一类型的视频存在偏好的习惯,以更加科学的方式对儿童观看行为进行引导。
S240、基于视频情绪标签对第四类目标用户的初始视频推荐列表进行修正。
本实施例中对于第四类目标用户的观看时长最少,第四类目标用户的初始视频推荐列表可能会存在没有明确的视频推荐方向的情况,因此可以基于视频情绪标签对第四类目标用户的初始视频推荐列表进行修正。本实施例中也可以根据实际需要对其他类别的目标用户基于视频情绪标签进行修正。
在本实施例中,可选的,基于视频情绪标签对第四类目标用户的初始视频推荐列表进行修正,包括:基于第四类目标用户的历史观看记录提取正向情绪视频和负向情绪视频;判断负向情绪视频的占比是否超过第二设定阈值;若负向情绪视频的占比超过第二设定阈值,则将初始视频推荐列表中至少部分负向情绪视频替换为正向情绪视频。
其中,正向情绪视频可以理解为包含积极向上的或者乐观情绪的视频。负向情绪视频可以理解为包含负面的或者悲观情绪的视频。负向情绪视频的占比可以理解为负向情绪视频占据历史观看记录中的比例。第二设定阈值可以是预先设置的阈值,可以根据实际需求进行设定;示例性的,第二设定阈值可以为60%。本实施例中的至少部分负向情绪视频的数量可以根据第二设定阈值进行确定,若第二设定阈值数值越大,则至少部分负向情绪视频的数量越多,也可以根据实际需求进行确定。
此外,本实施例中儿童用户的不同点击行为也会实时产生正负反馈,能够影响视频推荐的结果,更能实现个性化的智能推荐。其中,不同点击行为可以为点赞或者收藏之类的点击行为。
本实施例中可以根据第四类目标用户的历史观看记录提取出正向情绪视频负向情绪视频,当判断负向情绪视频的占比超过第二设定阈值,则可以将初始视频推荐类别中的至少部分负向情绪视频替换为正向情绪视频。本实施例中通过这样的设置,可以当目标用户偏好中的某一种情绪,尤其是负面情绪,比例出现增长趋势时,可以通过将负向情绪视频替换为正向情绪视频的方式进行调整,以此缓解用户心态持续性向负面“自激”,实现对儿童心智的健康引导。
本实施例的技术方案通过不同类别的儿童用户基于视频类型标签或者情绪标签对推荐列表进行修正,可以防止低龄幼儿接触不良动画视频,避免在其价值观塑造过程中产生负面影响,还可以同时帮助学龄少儿自筛选掉低幼动画,匹配其心智成长,以更加科学的方式对儿童观看行为进行引导,可以帮助儿童在三观建立以及性格疏导等方面起到积极作用,更好地服务大屏端少儿用户群体。
S250、得到目标视频推荐列表。
本发明实施例的技术方案,通过获取目标用户特征和视频特征;其中,目标用户特征包括目标用户类别标签,视频特征包括视频标签;将目标用户特征和视频特征输入视频推荐模型,得到初始视频推荐列表;基于视频类型标签对第一类目标用户、第二类目标用户、第三类目标用户以及第四类目标用户的初始视频推荐列表进行修正;基于视频情绪标签对第四类目标用户的初始视频推荐列表进行修正,得到目标视频推荐列表。本技术方案,基于目标用户类别标签和视频标签数据对初始视频推荐列表进行修正,可以推荐适合目标用户健康成长的内容。
实施例三
图3是根据本发明实施例三提供的一种视频推荐装置的结构示意图。
如图3所示,该装置包括:
特征获取模块310,用于获取目标用户特征和视频特征。
其中,目标用户特征包括目标用户类别标签,视频特征包括视频标签。
初始列表获得模块320,用于将目标用户特征和视频特征输入视频推荐模型,得到初始视频推荐列表。
目标列表获得模块330,用于基于目标用户类别标签和视频标签对初始视频推荐列表进行修正,得到目标视频推荐列表。
可选的,目标用户类别标签由预测观看时长表征,预测观看时长由目标用户的历史观看时长和设定心理优化算法得到;目标类别标签包括第一类目标用户、第二类目标用户、第三类目标用户以及第四类目标用户,第一类目标用户、第二类目标用户、第三类目标用户以及第四类目标用户对应的预测观看时长逐渐减小。
可选的,视频标签包括视频类别标签和视频情绪标签。
目标列表获得模块330,包括:
第一修正单元,用于基于视频类型标签对第一类目标用户、第二类目标用户、第三类目标用户以及第四类目标用户的初始视频推荐列表进行修正;
第二修正单元,用于基于视频情绪标签对第四类目标用户的初始视频推荐列表进行修正。
可选的,第一修正单元,具体用于:
基于第一类目标用户、第二类目标用户、第三类目标用户以及第四类目标用户的历史观看记录确定各视频类型;
判断视频类型中第一设定类型的视频的占比是否超过第一设定阈值;
若第一设定类型的视频的占比超过第一设定阈值,则将初始视频列表中至少部分第一设定类型的视频替换为第二设定类型的视频。
可选的,第二修正单元,具体用于:
基于第四类目标用户的历史观看记录提取正向情绪视频和负向情绪视频;
判断负向情绪视频是否超过第二设定阈值;
若负向情绪视频超过第二设定阈值,则将初始视频推荐列表中至少部分负向情绪视频替换为正向情绪视频。
可选的,目标用户特征还包括目标用户标识;视频特征还包括视频标识和视频基本信息。
可选的,特征获取模块310,具体用于:
根据视频内容对各视频进行情绪识别,得到视频情绪标签;
对视频内容进行文本提取,得到视频基本信息。
本发明实施例所提供的一种视频推荐装置可执行本发明任意实施例所提供的一种视频推荐方法,具备执行方法相应的功能模块和有益效果。
实施例四
图4是根据本发明实施例四提供的一种电子设备的结构示意图。电子设备10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(如头盔、眼镜、手表等)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/或者要求的本发明的实现。
如图4所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10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。
处理器11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。处理器11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处理器、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。处理器11执行上文所描述的各个方法和处理,例如视频推荐方法。
在一些实施例中,视频推荐方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11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,处理器11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。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序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,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序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。
在本发明的上下文中,计算机可读存储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计算机程序。计算机可读存储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。备选地,计算机可读存储介质可以是机器可读信号介质。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,可以在电子设备上实施此处描述的系统和技术,该电子设备具有: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电子设备。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)、区块链网络和互联网。
计算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,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
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,本发明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,只要能够实现本发明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,并不构成对本发明保护范围的限制。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。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种视频推荐方法,其特征在于,包括:
获取目标用户特征和视频特征;其中,所述目标用户特征包括目标用户类别标签,所述视频特征包括视频标签;
将所述目标用户特征和所述视频特征输入视频推荐模型,得到初始视频推荐列表;
基于所述目标用户类别标签和所述视频标签对所述初始视频推荐列表进行修正,得到目标视频推荐列表。
2.根据权利要求1所述的方法,其特征在于,所述目标用户类别标签由预测观看时长表征,预测观看时长由目标用户的历史观看时长和设定心理优化算法得到;所述目标类别标签包括第一类目标用户、第二类目标用户、第三类目标用户以及第四类目标用户,第一类目标用户、第二类目标用户、第三类目标用户以及第四类目标用户对应的预测观看时长逐渐减小。
3.根据权利要求2所述的方法,其特征在于,所述视频标签包括视频类别标签和视频情绪标签;基于所述目标用户类别标签和所述视频标签对所述初始视频推荐列表进行修正,包括:
基于所述视频类型标签对所述第一类目标用户、所述第二类目标用户、所述第三类目标用户以及所述第四类目标用户的初始视频推荐列表进行修正;
基于所述视频情绪标签对所述第四类目标用户的初始视频推荐列表进行修正。
4.根据权利要求3所述的方法,其特征在于,基于所述视频类型标签对所述第一类目标用户、所述第二类目标用户、所述第三类目标用户以及所述第四类目标用户的初始视频推荐列表进行修正,包括:
基于所述第一类目标用户、所述第二类目标用户、所述第三类目标用户以及所述第四类目标用户的历史观看记录确定各视频类型;
判断所述视频类型中第一设定类型的视频的占比是否超过第一设定阈值;
若所述第一设定类型的视频的占比超过所述第一设定阈值,则将所述初始视频列表中至少部分第一设定类型的视频替换为第二设定类型的视频。
5.根据权利要求3所述的方法,其特征在于,基于所述视频情绪标签对所述第四类目标用户的初始视频推荐列表进行修正,包括:
基于所述第四类目标用户的历史观看记录提取正向情绪视频和负向情绪视频;
判断所述负向情绪视频的占比是否超过第二设定阈值;
若所述负向情绪视频的占比超过所述第二设定阈值,则将所述初始视频推荐列表中至少部分负向情绪视频替换为正向情绪视频。
6.根据权利要求1所述的方法,其特征在于,所述目标用户特征还包括目标用户标识;所述视频特征还包括视频标识和视频基本信息。
7.根据权利要求6所述的方法,其特征在于,所述获取视频特征,包括:
根据视频内容对各视频进行情绪识别,得到所述视频情绪标签;
对所述视频内容进行文本提取,得到所述视频基本信息。
8.一种视频推荐装置,其特征在于,包括:
特征获取模块,用于获取目标用户特征和视频特征;其中,所述目标用户特征包括目标用户类别标签,所述视频特征包括视频标签;
初始列表获得模块,用于将所述目标用户特征和所述视频特征输入视频推荐模型,得到初始视频推荐列表;
目标列表获得模块,用于基于所述目标用户类别标签和所述视频标签对所述初始视频推荐列表进行修正,得到目标视频推荐列表。
9.一种电子设备,其特征在于,所述电子设备包括:
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计算机程序,所述计算机程序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1-7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,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的视频推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310637588.0A CN116962824A (zh) | 2023-05-31 | 2023-05-31 | 一种视频推荐方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310637588.0A CN116962824A (zh) | 2023-05-31 | 2023-05-31 | 一种视频推荐方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116962824A true CN116962824A (zh) | 2023-10-27 |
Family
ID=88457248
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310637588.0A Pending CN116962824A (zh) | 2023-05-31 | 2023-05-31 | 一种视频推荐方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116962824A (zh) |
-
2023
- 2023-05-31 CN CN202310637588.0A patent/CN116962824A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10380249B2 (en) | Predicting future trending topics | |
US9836545B2 (en) | Systems and methods for personalized generalized content recommendations | |
CN110543598B (zh) | 信息推荐方法、装置及终端 | |
US8996530B2 (en) | User modeling for personalized generalized content recommendations | |
US9785883B2 (en) | Avatars for use with personalized generalized content recommendations | |
CN110012060B (zh) | 移动终端的信息推送方法、装置、存储介质和服务器 | |
US11580157B2 (en) | Predicting topics of potential relevance based on retrieved/created digital media files | |
CN111177538B (zh) | 一种基于无监督权值计算的用户兴趣标签构建方法 | |
JP6547070B2 (ja) | プッシュ情報粗選択ソーティングの方法、デバイス、およびコンピュータ記憶媒体 | |
CN111400609A (zh) | 用户推荐方法、装置、存储介质及服务器 | |
US9058328B2 (en) | Search device, search method, search program, and computer-readable memory medium for recording search program | |
CN104992318A (zh) | 行事历主动推荐事件的方法 | |
CN115017200B (zh) | 搜索结果的排序方法、装置、电子设备和存储介质 | |
CN113535939A (zh) | 文本处理方法和装置、电子设备以及计算机可读存储介质 | |
CN110020159B (zh) | 基于数据特征的舆情分析方法和系统 | |
CN113392266B (zh) | 排序模型的训练、排序方法、装置、电子设备及存储介质 | |
JP2020004410A (ja) | メディアベースのコンテンツシェアを容易にする方法、コンピュータプログラム及びコンピューティングデバイス | |
CN116962824A (zh) | 一种视频推荐方法、装置、设备及介质 | |
CN115408611A (zh) | 菜单推荐方法、装置、计算机设备和存储介质 | |
CN110659419B (zh) | 确定目标用户的方法及相关装置 | |
CN113724044A (zh) | 基于用户画像的商品推荐、装置、计算机设备和存储介质 | |
CN115114415A (zh) | 问答知识库更新方法、装置、计算机设备和存储介质 | |
CN111611491A (zh) | 搜索词推荐方法、装置、设备及可读存储介质 | |
CN113934941B (zh) | 一种基于多维度信息的用户推荐系统及方法 | |
CN112328645B (zh) | 基于知识图谱的用户兴趣爱好确定方法及系统 |
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 |