CN117041665A - 一种视频指标预测方法、装置、设备和存储介质 - Google Patents

一种视频指标预测方法、装置、设备和存储介质 Download PDF

Info

Publication number
CN117041665A
CN117041665A CN202310996021.2A CN202310996021A CN117041665A CN 117041665 A CN117041665 A CN 117041665A CN 202310996021 A CN202310996021 A CN 202310996021A CN 117041665 A CN117041665 A CN 117041665A
Authority
CN
China
Prior art keywords
video
index prediction
video information
index
information
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
CN202310996021.2A
Other languages
English (en)
Inventor
葛方顺
王彬
洪儒莹
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 Zitiao Network Technology Co Ltd
Original Assignee
Beijing Zitiao Network 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 Zitiao Network Technology Co Ltd filed Critical Beijing Zitiao Network Technology Co Ltd
Priority to CN202310996021.2A priority Critical patent/CN117041665A/zh
Publication of CN117041665A publication Critical patent/CN117041665A/zh
Pending legal-status Critical Current

Links

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
    • H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
    • H04N21/44—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream or rendering scenes according to encoded video stream scene graphs
    • H04N21/44008—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream or rendering scenes according to encoded video stream scene graphs involving operations for analysing video streams, e.g. detecting features or characteristics in the video stream
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N17/00—Diagnosis, testing or measuring for television systems or their details
    • 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)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Signal Processing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本公开实施例提供了一种视频指标预测方法、装置、设备和存储介质。该方法包括：响应于视频指标预测请求，获取待预测的第一视频；从数据库中确定第一视频对应的第一指标预测结果，并返回第一指标预测结果；其中，数据库用于存储多个视频的当前指标预测结果，当前指标预测结果是基于消息队列中的预测消息触发指标预测操作所获得的，预测消息是在视频满足指标预测条件时产生的消息。通过本公开实施例的技术方案，可以在获取准确的指标预测结果的同时，提高指标预测结果的获取效率，满足了高并发请求时的低延迟需求。

Description

一种视频指标预测方法、装置、设备和存储介质
技术领域
本公开实施例涉及计算机技术，尤其涉及一种视频指标预测方法、装置、设备和存储介质。
背景技术
随着计算机技术的快速发展，越来越多的业务系统需要获取视频指标的预测结果，比如视频在未来时间的播放量预测结果等，以便对视频进行有效管理。例如，视频转码系统需要基于视频指标预测结果确定该视频的转码优先级以及分配合适的转码资源进行转码计算等。目前，在存在高并发的视频指标预测请求时，直接调用指标预测操作确定指标预测结果的方式会耗时较长，降低了指标预测结果的获取效率。
发明内容
本公开提供一种视频指标预测方法、装置、设备和存储介质，以在获取准确的指标预测结果的同时，提高指标预测结果的获取效率，满足了高并发请求时的低延迟需求。
第一方面，本公开实施例提供了一种视频指标预测方法，包括：
响应于视频指标预测请求，获取待预测的第一视频；
从数据库中确定所述第一视频对应的第一指标预测结果，并返回所述第一指标预测结果；
其中，所述数据库用于存储多个视频的当前指标预测结果，所述当前指标预测结果是基于消息队列中的预测消息触发指标预测操作所获得的，所述预测消息是在视频满足指标预测条件时产生的消息。
第二方面，本公开实施例还提供了一种视频指标预测装置，包括：
第一视频获取模块，用于响应于视频指标预测请求，获取待预测的第一视频；
预测结果确定模块，用于从数据库中确定所述第一视频对应的第一指标预测结果，并返回所述第一指标预测结果；
其中，所述数据库用于存储多个视频的当前指标预测结果，所述当前指标预测结果是基于消息队列中的预测消息触发指标预测操作所获得的，所述预测消息是在视频满足指标预测条件时产生的消息。
第三方面，本公开实施例还提供了一种电子设备，所述电子设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本公开实施例任一所述的视频指标预测方法。
第四方面，本公开实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如本公开实施例任一所述的视频指标预测方法。
本公开实施例，通过在视频每满足指标预测条件时便产生一个预测消息，也就是在每需要预测视频的最新指标时便产生一个预测消息，并将产生的预测消息添加至消息队列中，基于消息队列中的预测消息可以触发指标预测操作，确定视频的最新指标预测结果并存储至数据库中，从而保证数据库中存储的当前指标预测结果为准确的指标预测结果。在接收到视频指标预测请求后，可以直接从数据库中快速地获得第一视频的第一指标预测结果，无需调用指标预测操作，从而在获取准确的指标预测结果的同时，提高了指标预测结果的获取效率，满足了高并发请求时的低延迟需求。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。
图1是本公开实施例所提供的一种视频指标预测方法的流程示意图；
图2是本公开实施例所涉及的一种视频指标预测框架的示例；
图3是本公开实施例所提供的另一种视频指标预测方法的流程示意图；
图4是本公开实施例所提供的又一种视频指标预测方法的流程示意图；
图5是本公开实施例所涉及的一种指标预测模型的架构示例；
图6是本公开实施例所提供的一种视频指标预测装置的结构示意图；
图7是本公开实施例所提供的一种电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
可以理解的是，在使用本公开各实施例公开的技术方案之前，均应当依据相关法律法规通过恰当的方式对本公开所涉及个人信息的类型、使用范围、使用场景等告知用户并获得用户的授权。
例如，在响应于接收到用户的主动请求时，向用户发送提示信息，以明确地提示用户，其请求执行的操作将需要获取和使用到用户的个人信息。从而，使得用户可以根据提示信息来自主地选择是否向执行本公开技术方案的操作的电子设备、应用程序、服务器或存储介质等软件或硬件提供个人信息。
作为一种可选的但非限定性的实现方式，响应于接收到用户的主动请求，向用户发送提示信息的方式例如可以是弹窗的方式，弹窗中可以以文字的方式呈现提示信息。此外，弹窗中还可以承载供用户选择“同意”或者“不同意”向电子设备提供个人信息的选择控件。
可以理解的是，上述通知和获取用户授权过程仅是示意性的，不对本公开的实现方式构成限定，其它满足相关法律法规的方式也可应用于本公开的实现方式中。
可以理解的是，本技术方案所涉及的数据(包括但不限于数据本身、数据的获取或使用)应当遵循相应法律法规及相关规定的要求。
图1为本公开实施例所提供的一种视频指标预测方法的流程示意图，本公开实施例适用于快速获取准确的视频指标预测结果的情况，该方法可以由视频指标预测装置来执行，该装置可以通过软件和/或硬件的形式实现，可选的，通过电子设备来实现，该电子设备可以是移动终端、PC端或服务器等。
如图1所示，视频指标预测方法具体包括以下步骤：
S110、响应于视频指标预测请求，获取待预测的第一视频。
其中，视频指标预测请求可以是用于获取第一视频的指标预测结果的请求。第一视频可以是指任意一个需要获得指标预测结果的视频。例如，第一视频可以是指用户在视频平台上发布的任一视频。指标预测结果可以是指视频的流行度指标的预测结果。例如，指标预测结果可以包括但不限于：视频在未来一定时间(比如未来72小时)内的播放量、下载量、转发量、评价量和点赞量中的至少一个。
具体地，在每个业务系统需要获取第一视频的指标预测结果时，可以基于第一视频的标识信息，比如视频ID生成视频指标预测请求，并将视频指标预测请求发送至视频服务模块中。视频服务模块可以对接收到的视频指标预测请求进行解析，获得所请求的需要预测指标的第一视频。
需要说明的是，视频指标(比如流行度)是随着时间推移而动态变化的，比如视频指标是随时间先上升再下降的变化过程，从而每个业务系统会在不同的时间阶段针对同一视频发送多次视频指标预测请求，以获得不同时间下的视频指标预测结果，进而保证业务操作执行的准确性，从而也会存在高并发的视频指标预测请求的情况。视频的指标预测结果在短时间内的变化是很小的，无需实时更新指标预测结果，从而提高资源利用率。
S120、从数据库中确定第一视频对应的第一指标预测结果，并返回第一指标预测结果。
其中，数据库用于存储多个视频的当前指标预测结果，当前指标预测结果是基于消息队列中的预测消息触发指标预测操作所获得的，预测消息是在视频满足指标预测条件时产生的消息。
其中，数据库可以是但不限于远程字典服务Redis数据库。数据库中的当前指标预测结果是随着指标预测操作的触发而动态更新的，使得数据库存储每个视频当前最新的指标预测结果，从而保证返回的指标预测结果的准确性。消息队列可以用于存储预测消息，以使预测消息的产生过程和消费过程进行解耦，实现异步操作。预测消息可以是指当前需要预测指标的视频消息。指标预测条件可以是预先基于业务需求设置的，允许预测视频指标的条件。例如，指标预测条件可以是指标会发生变化需要重新预测指标时的条件，以保证指标在变化时再触发指标预测操作进行指标预测结果的更新。指标预测条件的数量可以为至少两个，以保证视频指标的首次预测和至少一次更新，从而保证数据库中存储的指标预测结果的相对准确性。视频每当满足其中一个指标预测条件时便可产生一个该视频的预测消息。
具体地，如图2所示，视频服务模块可以基于第一视频的标识信息，从数据库中查询出第一视频对应的第一指标预测结果，比如将数据库中存储的第一视频对应的当前视频指标预测结果确定为第一指标预测结果，并将第一指标预测结果返回至相应的业务系统中，从而可以直接从数据库中快速获取已经预测出的准确的第一指标预测结果，无需进行长时间的指标预测操作，从而利用这种间接调用的方式，可以在获取准确的指标预测结果的同时，提高了指标预测结果的获取效率，满足了高并发请求时的低延迟需求。
示例性地，在整个视频生命周期中，可以在指标会发生明显变化的每个位置处设置一个相应的指标预测条件，以便在每个位置处产生一个相应的预测消息，从而在指标每次变化时都能触发一次指标预测操作，以更新数据库中存储的当前指标预测结果，进而保证数据库中所存储的指标预测结果的准确性。例如，预测消息可以包括但不限于以下至少两种：
在视频上传时产生的第一预测消息、在视频播放量达到播放量阈值时产生的第二预测消息、在视频状态发生变化时产生的第三预测消息、以及在视频是伪高热视频时产生的第四预测消息。
具体地，每个视频在上传时都会产生一个第一预测消息，使得每个视频在上传时便可触发一次指标预测操作，获得一个上传时的指标预测结果。
每个视频的视频播放量达到播放量阈值时都会产生一个第二预测消息，使得每个视频的指标预测结果随着时间不断进行修正和更新。播放量阈值可以是预先设置的一系列的数值，比如1000、1万、10万等，以便在每到达一个播放量阈值时便生成一个第二预测消息，进而触发一次指标预测操作，实现指标预测结果的不断更新。
每个视频在视频状态每次发生变化时便可产生一个第三预测消息，从而触发重新预测该视频的指标。其中，视频状态可以包括公开状态、好友可见状态、私密状态和删除状态等。
每个视频在伪高热视频时也会产生一个第四预测消息，以便保证指标预测操作的再次触发，更新视频的指标预测结果，避免了在开始高热的视频随着时间不火了，视频播放次数未到达下一次的播放量阈值，并且视频状态也没有发生变化而导致的无法触发指标预测操作的情况，进而保证数据库所存储的指标预测结果的准确性。
示例性地，伪高热视频可以是指：视频的当前指标预测结果大于或等于预设指标结果、当前视频播放量大于或等于预设播放量且小于播放量阈值、以及预设时间内未触发视频的指标预测操作。
需要说明的是，可以将产生的第一预测消息、第二预测消息、第三预测消息和第四预测消息添加至同一个消息队列中；也可以将产生的第一预测消息、第二预测消息、第三预测消息和第四预测消息分别添加至第一消息队列中、第二消息队列中、第三消息队列中和第四消息队列中。利用不同的消息队列存储不同类型的预测消息，可以便于消息查询。
示例性地，基于消息队列中的预测消息触发指标预测操作，获得当前指标预测结果，可以包括：基于消息队列中的预测消息，确定待预测的第二视频；基于指标预测模型，对第二视频进行指标预测，获得第二视频对应的第二指标预测结果；基于第二指标预测结果，对数据库中的第二视频的当前指标预测结果进行初始化或者更新处理。
其中，指标预测模型可以是用于预测视频指标的任意一种神经网络模型。指标预测模型是预先基于样本数据进行训练获得的，以保证利用训练后的指标预测模型进行指标预测的准确性。指标预测模型也可以基于产生的新样本数据进行模型参数更新，进一步保证指标预测模型的预测准确性。
具体地，如图2所示，指标预测服务模块可以将消息队列中的预测消息作为触发源，从消息队列中取出预测消息，并将该预测消息中需要预测指标的视频作为第二视频，触发第二视频的指标预测操作。指标预测服务模块可以从视频特征模型中请求获取第二视频的视频信息，并基于该视频信息请求指标预测模型进行指标预测，比如将视频信息输入至训练后的指标预测模型中进行指标预测，获取指标预测模型输出的第二视频对应的第二指标预测结果。若数据库中未存储有第二视频的当前指标预测结果，则直接将第二视频对应的第二指标预测结果存储至数据库中进行初始化。若数据库中已存储有第二视频的当前指标预测结果，则更新第二视频对应的当前指标预测结果为第二指标预测结果，以保证数据库中存储最新的指标预测结果，进而保证指标预测结果获取的准确性。
本公开实施例的技术方案，通过在视频每满足指标预测条件时便产生一个预测消息，也就是在每需要预测视频的最新指标时便产生一个预测消息，并将产生的预测消息添加至消息队列中，基于消息队列中的预测消息可以触发指标预测操作，确定视频的最新指标预测结果并存储至数据库中，从而保证数据库中存储的当前指标预测结果为准确的指标预测结果。在接收到视频指标预测请求后，可以直接从数据库中快速地获得第一视频的第一指标预测结果，无需调用指标预测操作，从而在获取准确的指标预测结果的同时，提高了指标预测结果的获取效率，满足了高并发请求时的低延迟需求。
图3为本公开实施例所提供的另一种视频指标预测方法的流程示意图，本公开实施例在上述公开实施例的基础上，对步骤“基于指标预测模型，对第二视频进行指标预测，获得第二视频对应的第二指标预测结果”进行了优化。其中与上述各公开实施例相同或相应的术语的解释在此不再赘述。
如图3所示，视频指标预测方法具体包括以下步骤：
S310、响应于视频指标预测请求，获取待预测的第一视频。
S320、从数据库中确定第一视频对应的第一指标预测结果，并返回第一指标预测结果。
需要说明的是，步骤S310和S320的请求处理操作和后续步骤S330-S360的指标预测操作可以是异步执行的，本实施例对这两个操作的先后执行顺序并不做限定。
S330、基于消息队列中的预测消息，确定待预测的第二视频。
具体地，每次从消息队列中取出一个预测消息触发相应的视频指标预测操作，直到消息队列中不存在预测消息时停止指标预测操作。
S340、对第二视频对应的多个视频信息进行向量化处理，确定视频信息对应的特征向量和特征偏置值。
其中，视频信息可以包括但不限于第二视频对应的统计信息、类别信息和唯一标识信息。其中，统计信息可以是包括但不限于：视频标题长度、视频时长、作者发文数量、作者每个发布视频的平均播放量和作者发布视频被完整播放的次数、当前时间点时视频的播放次数、喜欢次数、不喜欢次数、收藏次数、评论次数和已发布时长。类别信息可以包括但不限于：视频标签、新老用户和视频分辨率。唯一标识信息可以包括：视频标识信息、作者标识信息、视频所使用的音乐标识信息和视频播放所使用的软件标识信息。这些标识信息均是利用字母、数字、汉字和符号中的至少一项进行唯一标识的，以便进行区分。
其中，特征向量可以是以向量形式表征的视频特征信息。每个视频信息对应一个特征向量。例如，特征向量可以是一个64维向量。特征偏置值可以是一个一维向量。特征偏置值可以更加直观浅显地表征视频特征信息，无需如特征向量那样进行交叉深层学习。
具体地，对第二视频对应的每个视频信息进行多维向量化处理，确定每个视频信息对应的具有多维特征的特征向量，以及对第二视频对应的每个视频信息进行单维向量化处理，确定每个视频信息对应的具有单维特征的特征偏置值。
示例性地，S340可以包括：对第二视频对应的多个视频信息进行离散化处理，确定每个视频信息对应的散列值；对每个视频信息对应的散列值进行向量化处理，确定视频信息对应的特征向量和特征偏置值。
具体地，可以对连续型的视频信息进行离散化，并对离散后的视频信息进行哈希运算，获得具有预设位数的散列值。例如，对整数类的视频信息T1进行离散的取整处理，比如int(1000*log(T1+1))，并对取整后的数值进行哈希运算，获得具有预设位数的散列值。又如，对小数类的视频信息T2进行取整处理，比如int(1000*T2)，并对取整后的数值进行哈希运算，获得具有预设位数的散列值。可以直接对离散型的视频信息进行哈希运算，获得具有预设位数的散列值。例如，对唯一标识类特征进行哈希运算，获得具有预设位数的散列值。通过离散化处理，可以将每个视频信息均离散为具有预设位数的散列值，比如64位的散列值，从而实现了视频信息的统一化。通过对格式统一化的散列值进行向量化处理，可以更加准确地获得视频信息对应的特征向量和特征偏置值。
示例性地，可以预先利用神经网络模型对所有视频信息的散列值进行向量化，并将获得的特征向量和特征偏置值作为值信息value，相应的散列值作为键信息key，存储至参数服务器PS(Parameter Server)中。当需要获得某个视频信息对应的特征向量和特征偏置值时，可以直接从PS中查询以该视频信息对应的散列值为键信息key的键信息，从而可以快速获得该视频信息对应的特征向量和特征偏置值。需要说明的是，由于视频数量众多，相应的唯一标识信息的数量也非常大，并且还会持续增加，从而相比于独热编码onehot方式，利用参数服务器PS可以更加准确地进行向量化，进而保证指标预测的准确性。
S350、基于指标预测模型、特征向量和特征偏置值，确定第二视频对应的第二指标预测结果。
其中，指标预测模型是基于特征向量进行深层特征的指标预测，以及基于特征偏置值进行浅层特征的指标预测。
具体地，可以将所有视频信息对应的特征向量和特征偏置值输入至指标预测模型中进行指标预测。例如，将所有视频信息对应的特性向量进行拼接，获得第一向量，以及将所有视频信息对应的特征偏置值进行拼接，获得第二向量，将第一向量和第二向量输入至指标预测模型中进行指标预测。指标预测模型可以既基于第一向量进行深层特征的挖掘学习，获得隐藏的有用信息，也基于第二向量直接进行浅层特征的学习，将深层特征和浅层特征相结合，确定出更加准确的指标预测结果。
示例性地，指标预测模型可以包括：深层特征提取子模型和预测网络子模型。其中，深度特征提取子模型可以是用于提取深度特征信息的深度神经网络。深度特征提取子模型可以包括至少一个提取层。每个提取层均使用线性整流函数ReLU作为激活函数进行深层提取。预测网络子模型可以是任意一种回归网络模型。预测网络子模型可以是单目标的预测模型，也可以是多目标的预测模型。在需要同时预测多个视频指标时，预测网络子模型可以为MMOE(Multi gate Mixture of Experts)模型、PLE(Progressive LayeredExtraction)模型等。
示例性地，步骤S350可以包括：将每个视频信息对应的特征向量输入至深层特征提取子模型中进行深层特征提取，获得提取出的深层特征向量；将每个视频信息对应的特征偏置值和深层特征向量输入至预测网络子模型中进行指标预测，获得第二视频对应的第二指标预测结果并进行输出。
需要说明的是，将特征偏置值输入指标预测模型中，可以进一步提高模型的记忆能力，避免深层特征提取过程中忽略了浅层的特征影响，进而进一步提高了指标预测的准确性。
S360、基于第二指标预测结果，对数据库中的第二视频的当前指标预测结果进行初始化或者更新处理。
具体地，若数据库中未存储有第二视频的当前指标预测结果，则直接将第二视频对应的第二指标预测结果存储至数据库中进行初始化。若数据库中已存储有第二视频的当前指标预测结果，则更新第二视频对应的当前指标预测结果为第二指标预测结果，以保证数据库中存储最新的指标预测结果，进而保证指标预测结果获取的准确性。
本公开实施例的技术方案，通过对第二视频对应的多个视频信息进行向量化处理，确定视频信息对应的特征向量和特征偏置值，并基于指标预测模型、特征向量和特征偏置值，可以更加准确地确定第二视频对应的第二指标预测结果，进而提高了指标预测的准确性。
图4为本公开实施例所提供的另一种视频指标预测方法的流程示意图，本公开实施例在上述公开实施例的基础上，对步骤“对第二视频对应的多个视频信息进行向量化处理，确定视频信息对应的特征向量和特征偏置值”进行了优化，并在此基础上，还对步骤“基于指标预测模型、特征向量和特征偏置值，确定第二视频对应的第二指标预测结果”也进行了优化。其中与上述各公开实施例相同或相应的术语的解释在此不再赘述。
如图4所示，视频指标预测方法具体包括以下步骤：
S410、响应于视频指标预测请求，获取待预测的第一视频。
S420、从数据库中确定第一视频对应的第一指标预测结果，并返回第一指标预测结果。
S430、基于消息队列中的预测消息，确定待预测的第二视频。
S440、对第二视频对应的每个视频信息进行向量化处理，确定每个视频信息对应的特征向量。
具体地，对第二视频对应的每个视频信息进行多维向量化处理，确定每个视频信息对应的具有多维特征的特征向量。
示例性地，S440可以包括：对第二视频对应的多个视频信息进行离散化处理，确定每个视频信息对应的散列值；对每个视频信息对应的散列值进行向量化处理，确定每个视频信息对应的特征向量。
具体地，可以对连续型的视频信息进行离散化，并对离散后的视频信息进行哈希运算，获得具有预设位数的散列值。例如，对整数类的视频信息T1进行离散的取整处理，比如int(1000*log(T1+1))，并对取整后的数值进行哈希运算，获得具有预设位数的散列值。又如，对小数类的视频信息T2进行取整处理，比如int(1000*T2)，并对取整后的数值进行哈希运算，获得具有预设位数的散列值。可以直接对离散型的视频信息进行哈希运算，获得具有预设位数的散列值。例如，对唯一标识类特征进行哈希运算，获得具有预设位数的散列值。通过离散化处理，可以将每个视频信息均离散为具有预设位数的散列值，比如64位的散列值，从而实现了视频信息的统一化。通过对格式统一化的散列值进行向量化处理，可以更加准确地获得视频信息对应的特征向量。
示例性地，对每个视频信息对应的散列值进行向量化处理，确定每个视频信息对应的特征向量，可以包括：基于第一映射模型，对每个视频信息对应的散列值进行向量化处理，确定每个视频信息对应的特征向量。
其中，第一映射模型可以是预先与指标预测模型一起进行端对端训练方式进行训练获得的。第一映射模型可以通过AdaGrad算法进行模型优化训练。第一映射模型是用于将散列值映射为特征向量的神经网络模型。具体地，如图5所示，可以将每个视频信息对应的散列值输入至训练好的第一映射模型中进行向量化处理，并基于第一映射模型的输出，获得每个视频信息对应的特征向量。
示例性地，可以将预先利用第一映射模型对所有视频信息的散列值进行向量化，并将获得的特征向量作为值信息value，相应的散列值作为键信息key，存储至参数服务器PS(Parameter Server)中。当需要获得某个视频信息对应的特征向量时，可以直接从PS中查询以该视频信息对应的散列值为键信息key的键信息，从而可以快速获得该视频信息对应的特征向量。
S450、对每个目标视频信息进行向量化处理，确定每个目标视频信息对应的特征偏置值。
其中，目标视频信息是与指标预测结果具有显著相关性的视频信息。目标视频信息的高低会明显影响指标预测结果的大小。例如，作者粉丝数越多，流行度指标预测结果越大。目标视频信息可以包括：视频播放所使用的软件标识信息、当前时间点时视频的播放次数、作者粉丝数和新老用户等。
具体地，可以仅确定与指标预测结果具有浅显关系的目标视频信息对应的特征偏置值，无需确定需要深层挖掘才会影响指标预测结果的视频信息所对应的特征偏置值，从而可以在保证指标预测准确性的提取下节省计算资源，进而提高了指标预测速度。
示例性地，步骤S450可以包括：对每个目标视频信息对应的目标散列值进行向量化处理，确定每个目标视频信息对应的特征偏置值。
具体地，通过对格式统一化的目标散列值进行向量化处理，可以更加准确地获得视频信息对应的特征偏置值。
示例性地，对每个目标视频信息对应的目标散列值进行向量化处理，确定每个目标视频信息对应的特征偏置值，可以包括：基于第二映射模型，对每个目标视频信息对应的目标散列值进行向量化处理，确定每个目标视频信息对应的特征偏置值。
其中，第一映射模型、第二映射模型和指标预测模型是通过端对端训练方式一起训练获得的。第二映射模型可以是预先与第一映射模型和指标预测模型一起进行端对端训练方式进行训练获得的。第二映射模型可以通过流式逻辑回归算法FTRL(Follow theregularized Leader)进行模型优化训练。第二映射模型是用于将散列值映射为特征偏置值的神经网络模型。具体地，如图5所示，可以将每个目标视频信息对应的目标散列值输入至训练好的第二映射模型中进行向量化处理，并基于第二映射模型的输出，获得每个目标视频信息对应的特征偏置值。
示例性地，可以将预先利用第二映射模型对所有视频信息的散列值进行向量化，并将获得的特征向量作为值信息value，相应的散列值作为键信息key，存储至参数服务器PS(Parameter Server)中。当需要获得某个视频信息对应的特征偏置值时，可以直接从PS中查询以该视频信息对应的散列值为键信息key的键信息，从而可以快速获得该视频信息对应的特征偏置值。
S460、将每个视频信息对应的特征向量和每个目标视频信息对应的特征偏置值输入至指标预测模型中进行指标预测。
具体地，将所有视频信息对应的特性向量进行拼接，获得第一向量，以及将所有目标视频信息对应的特征偏置值进行拼接，获得第二向量，将第一向量和第二向量输入至指标预测模型中进行指标预测。指标预测模型可以既基于第一向量进行深层特征的挖掘学习，获得隐藏的有用信息，也基于与指标预测结果显著相关的第二向量直接进行浅层特征的学习，将深层特征和浅层特征相结合，确定出更加准确的指标预测结果。
示例性地，如图5所示，指标预测模型可以包括：深层特征提取子模型和预测网络子模型。其中，深度特征提取子模型可以是用于提取深度特征信息的深度神经网络。深度特征提取子模型可以包括至少一个提取层。每个提取层均使用线性整流函数ReLU作为激活函数进行深层提取。预测网络子模型可以是任意一种回归网络模型。预测网络子模型可以是单目标的预测模型，也可以是多目标的预测模型。在需要同时预测多个视频指标时，预测网络子模型可以为MMOE(Multi gate Mixture of Experts)模型、PLE(Progressive LayeredExtraction)模型等。
示例性地，步骤S460可以包括：将每个视频信息对应的特征向量输入至深层特征提取子模型中进行深层特征提取，获得提取出的深层特征向量；将每个目标视频信息对应的特征偏置值和深层特征向量输入至预测网络子模型中进行指标预测，获得指标预测结果。
需要说明的是，将目标视频信息的特征偏置值输入指标预测模型中，可以进一步提高模型的记忆能力，避免深层特征提取过程中忽略了浅层的特征影响，进而进一步提高了指标预测的准确性。
S470、基于指标预测模型的输出，获得第二视频对应的第二指标预测结果。
S480、基于第二指标预测结果，对数据库中的第二视频的当前指标预测结果进行初始化或者更新处理。
本公开实施例的技术方案，通过仅对与指标预测结果具有显著相关性的每个目标视频信息进行向量化处理，确定每个目标视频信息对应的特征偏置值，并每个视频信息对应的特征向量和每个目标视频信息对应的特征偏置值输入至指标预测模型中进行指标预测，从而可以在保证指标预测准确性的提取下节省计算资源，进而提高了指标预测速度。
图6为本公开实施例所提供的一种视频指标预测装置的结构示意图，如图6所示，该装置具体包括：第一视频获取模块610和预测结果确定模块620。
其中，第一视频获取模块610，用于响应于视频指标预测请求，获取待预测的第一视频；预测结果确定模块620，用于从数据库中确定所述第一视频对应的第一指标预测结果，并返回所述第一指标预测结果；其中，所述数据库用于存储多个视频的当前指标预测结果，所述当前指标预测结果是基于消息队列中的预测消息触发指标预测操作所获得的，所述预测消息是在视频满足指标预测条件时产生的消息。
本公开实施例所提供的技术方案，通过在视频每满足指标预测条件时便产生一个预测消息，也就是在每需要预测视频的最新指标时便产生一个预测消息，并将产生的预测消息添加至消息队列中，基于消息队列中的预测消息可以触发指标预测操作，确定视频的最新指标预测结果并存储至数据库中，从而保证数据库中存储的当前指标预测结果为准确的指标预测结果。在接收到视频指标预测请求后，可以直接从数据库中快速地获得第一视频的第一指标预测结果，无需调用指标预测操作，从而在获取准确的指标预测结果的同时，提高了指标预测结果的获取效率，满足了高并发请求时的低延迟需求。
在上述技术方案的基础上，所述预测消息包括以下至少两种：
在视频上传时产生的第一预测消息、在视频播放量达到播放量阈值时产生的第二预测消息、在视频状态发生变化时产生的第三预测消息、以及在视频是伪高热视频时产生的第四预测消息。
在上述各技术方案的基础上，所述伪高热视频是指：视频的当前指标预测结果大于或等于预设指标结果、当前视频播放量大于或等于预设播放量且小于播放量阈值、以及预设时间内未触发视频的指标预测操作。
在上述各技术方案的基础上，该装置还包括：
第二视频确定模块，用于基于消息队列中的预测消息，确定待预测的第二视频；
指标预测模块，用于基于指标预测模型，对所述第二视频进行指标预测，获得所述第二视频对应的第二指标预测结果；
数据库更新模块，用于基于所述第二指标预测结果，对所述数据库中的第二视频的当前指标预测结果进行初始化或者更新处理。
在上述各技术方案的基础上，指标预测模块，包括：
信息向量化单元，用于对所述第二视频对应的多个视频信息进行向量化处理，确定所述视频信息对应的特征向量和特征偏置值；
指标预测单元，用于基于指标预测模型、所述特征向量和所述特征偏置值，确定所述第二视频对应的第二指标预测结果；
其中，所述指标预测模型是基于所述特征向量进行深层特征的指标预测，以及基于所述特征偏置值进行浅层特征的指标预测。
在上述各技术方案的基础上，所述视频信息包括：第二视频对应的统计信息、类别信息和唯一标识信息。
在上述各技术方案的基础上，信息向量化单元，包括：
特征向量确定子单元，用于对所述第二视频对应的每个视频信息进行向量化处理，确定每个视频信息对应的特征向量；
特征偏置值确定子单元，用于对每个目标视频信息进行向量化处理，确定每个目标视频信息对应的特征偏置值，其中，所述目标视频信息是与指标预测结果具有显著相关性的视频信息。
在上述各技术方案的基础上，特征向量确定子单元，具体用于：
对所述第二视频对应的多个视频信息进行离散化处理，确定每个视频信息对应的散列值；对每个视频信息对应的散列值进行向量化处理，确定每个视频信息对应的特征向量；
特征偏置值确定子单元，具有用于：对每个目标视频信息对应的目标散列值进行向量化处理，确定每个目标视频信息对应的特征偏置值。
在上述各技术方案的基础上，特征向量确定子单元，具体用于：基于第一映射模型，对每个视频信息对应的散列值进行向量化处理，确定每个视频信息对应的特征向量；
特征偏置值确定子单元，具有用于：基于第二映射模型，对每个目标视频信息对应的目标散列值进行向量化处理，确定每个目标视频信息对应的特征偏置值；其中，所述第一映射模型、所述第二映射模型和所述指标预测模型是通过端对端训练方式一起训练获得的。
在上述各技术方案的基础上，指标预测单元，包括：
信息输入子单元，用于将每个视频信息对应的特征向量和每个目标视频信息对应的特征偏置值输入至指标预测模型中进行指标预测；
信息输出子单元，用于基于所述指标预测模型的输出，获得所述第二视频对应的第二指标预测结果。
在上述各技术方案的基础上，所述指标预测模型包括：深层特征提取子模型和预测网络子模型；
信息输入子单元，具体用于：将每个视频信息对应的特征向量输入至所述深层特征提取子模型中进行深层特征提取，获得提取出的深层特征向量；将每个目标视频信息对应的特征偏置值和所述深层特征向量输入至所述预测网络子模型中进行指标预测，获得指标预测结果。
本公开实施例所提供的视频指标预测装置可执行本公开任意实施例所提供的视频指标预测方法，具备执行视频指标预测方法相应的功能模块和有益效果。
值得注意的是，上述装置所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本公开实施例的保护范围。
图7为本公开实施例所提供的一种电子设备的结构示意图。下面参考图7，其示出了适于用来实现本公开实施例的电子设备(例如图7中的终端设备或服务器)500的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图7示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图7所示，电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM 502以及RAM 503通过总线504彼此相连。编辑/输出(I/O)接口505也连接至总线504。
通常，以下装置可以连接至I/O接口505：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置506；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507；包括例如磁带、硬盘等的存储装置508；以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图7示出了具有各种装置的电子设备500，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置509从网络上被下载和安装，或者从存储装置508被安装，或者从ROM 502被安装。在该计算机程序被处理装置501执行时，执行本公开实施例的方法中限定的上述功能。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
本公开实施例提供的电子设备与上述实施例提供的视频指标预测方法属于同一发明构思，未在本实施例中详尽描述的技术细节可参见上述实施例，并且本实施例与上述实施例具有相同的有益效果。
本公开实施例提供了一种计算机存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述实施例所提供的视频指标预测方法。
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：响应于视频指标预测请求，获取待预测的第一视频；从数据库中确定所述第一视频对应的第一指标预测结果，并返回所述第一指标预测结果；其中，所述数据库用于存储多个视频的当前指标预测结果，所述当前指标预测结果是基于消息队列中的预测消息触发指标预测操作所获得的，所述预测消息是在视频满足指标预测条件时产生的消息。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定，例如，第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
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。
根据本公开的一个或多个实施例，【示例一】提供了一种视频指标预测方法，包括：
响应于视频指标预测请求，获取待预测的第一视频；
从数据库中确定所述第一视频对应的第一指标预测结果，并返回所述第一指标预测结果；
其中，所述数据库用于存储多个视频的当前指标预测结果，所述当前指标预测结果是基于消息队列中的预测消息触发指标预测操作所获得的，所述预测消息是在视频满足指标预测条件时产生的消息。
根据本公开的一个或多个实施例，【示例二】提供了一种视频指标预测方法，还包括：
可选的，所述预测消息包括以下至少两种：
在视频上传时产生的第一预测消息、在视频播放量达到播放量阈值时产生的第二预测消息、在视频状态发生变化时产生的第三预测消息、以及在视频是伪高热视频时产生的第四预测消息。
根据本公开的一个或多个实施例，【示例三】提供了一种视频指标预测方法，还包括：
可选的，所述伪高热视频是指：视频的当前指标预测结果大于或等于预设指标结果、当前视频播放量大于或等于预设播放量且小于播放量阈值、以及预设时间内未触发视频的指标预测操作。
根据本公开的一个或多个实施例，【示例四】提供了一种视频指标预测方法，还包括：
可选的，基于消息队列中的预测消息触发指标预测操作，获得所述当前指标预测结果，包括：
基于消息队列中的预测消息，确定待预测的第二视频；
基于指标预测模型，对所述第二视频进行指标预测，获得所述第二视频对应的第二指标预测结果；
基于所述第二指标预测结果，对所述数据库中的第二视频的当前指标预测结果进行初始化或者更新处理。
根据本公开的一个或多个实施例，【示例五】提供了一种视频指标预测方法，还包括：
可选的，所述基于指标预测模型，对所述第二视频进行指标预测，获得所述第二视频对应的第二指标预测结果，包括：
对所述第二视频对应的多个视频信息进行向量化处理，确定所述视频信息对应的特征向量和特征偏置值；
基于指标预测模型、所述特征向量和所述特征偏置值，确定所述第二视频对应的第二指标预测结果；
其中，所述指标预测模型是基于所述特征向量进行深层特征的指标预测，以及基于所述特征偏置值进行浅层特征的指标预测。
根据本公开的一个或多个实施例，【示例六】提供了一种视频指标预测方法，还包括：
可选的，所述视频信息包括：第二视频对应的统计信息、类别信息和唯一标识信息。
根据本公开的一个或多个实施例，【示例七】提供了一种视频指标预测方法，还包括：
可选的，所述对所述第二视频对应的多个视频信息进行向量化处理，确定所述视频信息对应的特征向量和特征偏置值，包括：
对所述第二视频对应的每个视频信息进行向量化处理，确定每个视频信息对应的特征向量；
对每个目标视频信息进行向量化处理，确定每个目标视频信息对应的特征偏置值，其中，所述目标视频信息是与指标预测结果具有显著相关性的视频信息。
根据本公开的一个或多个实施例，【示例八】提供了一种视频指标预测方法，还包括：
可选的，所述对所述第二视频对应的每个视频信息进行向量化处理，确定每个视频信息对应的特征向量，包括：
对所述第二视频对应的多个视频信息进行离散化处理，确定每个视频信息对应的散列值；
对每个视频信息对应的散列值进行向量化处理，确定每个视频信息对应的特征向量；
所述对每个目标视频信息进行向量化处理，确定每个目标视频信息对应的特征偏置值，包括：
对每个目标视频信息对应的目标散列值进行向量化处理，确定每个目标视频信息对应的特征偏置值。
根据本公开的一个或多个实施例，【示例九】提供了一种视频指标预测方法，还包括：
可选的，所述对每个视频信息对应的散列值进行向量化处理，确定每个视频信息对应的特征向量，包括：
基于第一映射模型，对每个视频信息对应的散列值进行向量化处理，确定每个视频信息对应的特征向量；
所述对每个目标视频信息对应的目标散列值进行向量化处理，确定每个目标视频信息对应的特征偏置值，包括：
基于第二映射模型，对每个目标视频信息对应的目标散列值进行向量化处理，确定每个目标视频信息对应的特征偏置值；
其中，所述第一映射模型、所述第二映射模型和所述指标预测模型是通过端对端训练方式一起训练获得的。
根据本公开的一个或多个实施例，【示例十】提供了一种视频指标预测方法，还包括：
可选的，所述基于指标预测模型、所述特征向量和所述特征偏置值，确定所述第二视频对应的第二指标预测结果，包括：
将每个视频信息对应的特征向量和每个目标视频信息对应的特征偏置值输入至指标预测模型中进行指标预测；
基于所述指标预测模型的输出，获得所述第二视频对应的第二指标预测结果。
根据本公开的一个或多个实施例，【示例十一】提供了一种视频指标预测方法，还包括：
可选的，所述指标预测模型包括：深层特征提取子模型和预测网络子模型；
所述将每个视频信息对应的特征向量和每个目标视频信息对应的特征偏置值输入至指标预测模型中进行指标预测，包括：
将每个视频信息对应的特征向量输入至所述深层特征提取子模型中进行深层特征提取，获得提取出的深层特征向量；
将每个目标视频信息对应的特征偏置值和所述深层特征向量输入至所述预测网络子模型中进行指标预测，获得指标预测结果。
根据本公开的一个或多个实施例，【示例十二】提供了一种视频指标预测装置，包括：
第一视频获取模块，用于响应于视频指标预测请求，获取待预测的第一视频；
预测结果确定模块，用于从数据库中确定所述第一视频对应的第一指标预测结果，并返回所述第一指标预测结果；
其中，所述数据库用于存储多个视频的当前指标预测结果，所述当前指标预测结果是基于消息队列中的预测消息触发指标预测操作所获得的，所述预测消息是在视频满足指标预测条件时产生的消息。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。

Claims (14)

1.一种视频指标预测方法，其特征在于，包括：
响应于视频指标预测请求，获取待预测的第一视频；
从数据库中确定所述第一视频对应的第一指标预测结果，并返回所述第一指标预测结果；
其中，所述数据库用于存储多个视频的当前指标预测结果，所述当前指标预测结果是基于消息队列中的预测消息触发指标预测操作所获得的，所述预测消息是在视频满足指标预测条件时产生的消息。
2.根据权利要求1所述的视频指标预测方法，其特征在于，所述预测消息包括以下至少两种：
在视频上传时产生的第一预测消息、在视频播放量达到播放量阈值时产生的第二预测消息、在视频状态发生变化时产生的第三预测消息、以及在视频是伪高热视频时产生的第四预测消息。
3.根据权利要求2所述的视频指标预测方法，其特征在于，所述伪高热视频是指：视频的当前指标预测结果大于或等于预设指标结果、当前视频播放量大于或等于预设播放量且小于播放量阈值、以及预设时间内未触发视频的指标预测操作。
4.根据权利要求1所述的视频指标预测方法，其特征在于，基于消息队列中的预测消息触发指标预测操作，获得所述当前指标预测结果，包括：
基于消息队列中的预测消息，确定待预测的第二视频；
基于指标预测模型，对所述第二视频进行指标预测，获得所述第二视频对应的第二指标预测结果；
基于所述第二指标预测结果，对所述数据库中的第二视频的当前指标预测结果进行初始化或者更新处理。
5.根据权利要求4所述的视频指标预测方法，其特征在于，所述基于指标预测模型，对所述第二视频进行指标预测，获得所述第二视频对应的第二指标预测结果，包括：
对所述第二视频对应的多个视频信息进行向量化处理，确定所述视频信息对应的特征向量和特征偏置值；
基于指标预测模型、所述特征向量和所述特征偏置值，确定所述第二视频对应的第二指标预测结果；
其中，所述指标预测模型是基于所述特征向量进行深层特征的指标预测，以及基于所述特征偏置值进行浅层特征的指标预测。
6.根据权利要求5所述的视频指标预测方法，其特征在于，所述视频信息包括：第二视频对应的统计信息、类别信息和唯一标识信息。
7.根据权利要求5所述的视频指标预测方法，其特征在于，所述对所述第二视频对应的多个视频信息进行向量化处理，确定所述视频信息对应的特征向量和特征偏置值，包括：
对所述第二视频对应的每个视频信息进行向量化处理，确定每个视频信息对应的特征向量；
对每个目标视频信息进行向量化处理，确定每个目标视频信息对应的特征偏置值，其中，所述目标视频信息是与指标预测结果具有显著相关性的视频信息。
8.根据权利要求7所述的视频指标预测方法，其特征在于，所述对所述第二视频对应的每个视频信息进行向量化处理，确定每个视频信息对应的特征向量，包括：
对所述第二视频对应的多个视频信息进行离散化处理，确定每个视频信息对应的散列值；
对每个视频信息对应的散列值进行向量化处理，确定每个视频信息对应的特征向量；
所述对每个目标视频信息进行向量化处理，确定每个目标视频信息对应的特征偏置值，包括：
对每个目标视频信息对应的目标散列值进行向量化处理，确定每个目标视频信息对应的特征偏置值。
9.根据权利要求8所述的视频指标预测方法，其特征在于，所述对每个视频信息对应的散列值进行向量化处理，确定每个视频信息对应的特征向量，包括：
基于第一映射模型，对每个视频信息对应的散列值进行向量化处理，确定每个视频信息对应的特征向量；
所述对每个目标视频信息对应的目标散列值进行向量化处理，确定每个目标视频信息对应的特征偏置值，包括：
基于第二映射模型，对每个目标视频信息对应的目标散列值进行向量化处理，确定每个目标视频信息对应的特征偏置值；
其中，所述第一映射模型、所述第二映射模型和所述指标预测模型是通过端对端训练方式一起训练获得的。
10.根据权利要求7所述的视频指标预测方法，其特征在于，所述基于指标预测模型、所述特征向量和所述特征偏置值，确定所述第二视频对应的第二指标预测结果，包括：
将每个视频信息对应的特征向量和每个目标视频信息对应的特征偏置值输入至指标预测模型中进行指标预测；
基于所述指标预测模型的输出，获得所述第二视频对应的第二指标预测结果。
11.根据权利要求10所述的视频指标预测方法，其特征在于，所述指标预测模型包括：深层特征提取子模型和预测网络子模型；
所述将每个视频信息对应的特征向量和每个目标视频信息对应的特征偏置值输入至指标预测模型中进行指标预测，包括：
将每个视频信息对应的特征向量输入至所述深层特征提取子模型中进行深层特征提取，获得提取出的深层特征向量；
将每个目标视频信息对应的特征偏置值和所述深层特征向量输入至所述预测网络子模型中进行指标预测，获得指标预测结果。
12.一种视频指标预测装置，其特征在于，包括：
第一视频获取模块，用于响应于视频指标预测请求，获取待预测的第一视频；
预测结果确定模块，用于从数据库中确定所述第一视频对应的第一指标预测结果，并返回所述第一指标预测结果；
其中，所述数据库用于存储多个视频的当前指标预测结果，所述当前指标预测结果是基于消息队列中的预测消息触发指标预测操作所获得的，所述预测消息是在视频满足指标预测条件时产生的消息。
13.一种电子设备，其特征在于，所述电子设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-11中任一所述的视频指标预测方法。
14.一种包含计算机可执行指令的存储介质，其特征在于，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-11中任一所述的视频指标预测方法。
CN202310996021.2A 2023-08-08 2023-08-08 一种视频指标预测方法、装置、设备和存储介质 Pending CN117041665A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310996021.2A CN117041665A (zh) 2023-08-08 2023-08-08 一种视频指标预测方法、装置、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310996021.2A CN117041665A (zh) 2023-08-08 2023-08-08 一种视频指标预测方法、装置、设备和存储介质

Publications (1)

Publication Number Publication Date
CN117041665A true CN117041665A (zh) 2023-11-10

Family

ID=88625666

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310996021.2A Pending CN117041665A (zh) 2023-08-08 2023-08-08 一种视频指标预测方法、装置、设备和存储介质

Country Status (1)

Country Link
CN (1) CN117041665A (zh)

Similar Documents

Publication Publication Date Title
CN110634047B (zh) 一种推荐房源的方法、装置、电子设备及存储介质
CN110633423B (zh) 目标账号识别方法、装置、设备及存储介质
CN114422267B (zh) 流量检测方法、装置、设备及介质
CN112650841A (zh) 信息处理方法、装置和电子设备
CN112906394A (zh) 地址识别方法、装置、设备和存储介质
CN114817651A (zh) 数据存储方法、数据查询方法、装置和设备
CN116628049B (zh) 一种基于大数据的信息系统维护管理系统及方法
CN111580883B (zh) 应用程序启动方法、装置、计算机系统和介质
CN116483891A (zh) 一种信息预测方法、装置、设备和存储介质
CN110378486B (zh) 网络嵌入方法、装置、电子设备和存储介质
CN111262744A (zh) 多媒体信息发送方法、备份服务器及介质
CN116450937A (zh) 推荐、推荐模型的训练方法、装置、电子设备及存储介质
CN115906064A (zh) 一种检测方法、装置、电子设备、计算机可读介质
CN117041665A (zh) 一种视频指标预测方法、装置、设备和存储介质
CN113205189B (zh) 训练预测模型的方法、预测方法及装置
CN115269978A (zh) 一种视频标签生成方法、装置、设备及介质
CN111382233A (zh) 一种相似文本检测方法、装置、电子设备及存储介质
CN113283115B (zh) 图像模型生成方法、装置和电子设备
CN114625876B (zh) 作者特征模型的生成方法、作者信息处理方法和装置
CN110716885B (zh) 数据管理方法、装置、电子设备和存储介质
CN116501993B (zh) 房源数据推荐方法及装置
CN116011553A (zh) 一种数据处理方法、装置、设备和存储介质
CN117634576A (zh) 排序模型的训练的方法、搜索方法、装置及其设备
CN117435780A (zh) 内容确定方法、装置、介质以及电子设备
CN117201836A (zh) 一种视频画质检测方法、装置、设备和存储介质

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