WO2015032353A1 - 视频推荐方法及装置 - Google Patents

视频推荐方法及装置 Download PDF

Info

Publication number
WO2015032353A1
WO2015032353A1 PCT/CN2014/086071 CN2014086071W WO2015032353A1 WO 2015032353 A1 WO2015032353 A1 WO 2015032353A1 CN 2014086071 W CN2014086071 W CN 2014086071W WO 2015032353 A1 WO2015032353 A1 WO 2015032353A1
Authority
WO
WIPO (PCT)
Prior art keywords
video
recommended
user
user preference
videos
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.)
Ceased
Application number
PCT/CN2014/086071
Other languages
English (en)
French (fr)
Inventor
杨浩
吴凯
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 Qihoo Technology Co Ltd
Qizhi Software Beijing Co Ltd
Original Assignee
Beijing Qihoo Technology Co Ltd
Qizhi Software Beijing 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 Qihoo Technology Co Ltd, Qizhi Software Beijing Co Ltd filed Critical Beijing Qihoo Technology Co Ltd
Priority to US14/916,931 priority Critical patent/US20160212494A1/en
Publication of WO2015032353A1 publication Critical patent/WO2015032353A1/zh
Anticipated expiration legal-status Critical
Ceased 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
    • H04N21/47—End-user applications
    • H04N21/482—End-user interface for programme selection
    • H04N21/4826—End-user interface for programme selection using recommendation lists, e.g. of programmes or channels sorted out according to their score
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • 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
    • H04N21/4508—Management of client data or end-user data
    • H04N21/4532—Management of client data or end-user data involving end-user characteristics, e.g. viewer profile, preferences
    • 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

Definitions

  • the present invention relates to the field of Internet technologies, and in particular, to a video recommendation method and apparatus.
  • Video recommendations are a method and tool for video sites to help users find and view videos in a particular area.
  • the video recommendation can identify the specific field of the user's needs by analyzing the user's historical behavior without determining the appropriate search term, and recommending in the field, avoiding the recommendation. Searching for word input and multiple clicks of hierarchical directories makes it easier and more convenient to find and view a particular type of video.
  • video-based (VIDEO) collaborative filtering recommendation technology recommends the video most similar to the video recording video to the user by calculating the similarity between the video and the video.
  • the latter is based on the viewing record, calculates the user similarity, and recommends the videos that similar users have recently seen to the user.
  • Both methods are based on the user's interest model, calculating the similarity between the candidate video and the user's interest, and recommending the most similar N videos to the user.
  • a typical problem with the above video recommendation techniques is the recommendation of a single problem.
  • the video site analyzes the user's preferences based on the user's viewing history and recommends the user's favorite video based on the user's preferences. Since the user has not clicked and viewed a video that matches their own preferences, the recommended video is more recognized. However, when the recommendation is continued, the user has clicked on the video that satisfies the personal preference, and the user's preference is satisfied to a certain extent, so the preference demand intensity has changed. At this time, the recommendation according to the user preference at the time of the initial recommendation will not satisfy the user's latest recommendation requirement, resulting in the loss of the user.
  • the present invention has been made in order to provide an overcoming of the above problems or at least A video recommendation method and a corresponding video recommendation device that solve the above problems.
  • a video recommendation method including: acquiring initial user preference parameters and a plurality of to-be-recommended videos sorted according to a recommendation degree according to history information of a user watching a video, The recommended video is used as the current recommendation video; according to the recommendation degree, the first to-be-recommended video is selected into the recommendation list in the current to-be-recommended video; and the user preference satisfaction degree is calculated according to the feature vector of the first to-be-recommended video and the user preference parameter; Modifying the user preference parameter according to the user preference satisfaction, reordering the to-be-recommended videos that have not been written into the recommendation list according to the modified user preference parameter; and re-sorting the other to-be recommended after the re-sorted recommendation list
  • the video is used as the current to-be-recommended video, and is returned from the step of selecting the first to-be-recommended video to be recommended in the current to-be-recommended video according to the recommendation degree, until the plurality of to-be-recommended
  • a video recommendation apparatus including: a video acquisition module, configured to acquire, according to historical record information of a user watching a video, a plurality of to-be-recommended videos sorted according to a recommendation degree, The recommended video is used as the current recommended video; the user preference parameter calculation module is adapted to obtain an initial user preference parameter according to the history information of the user watching the video; the recommendation list generating module is adapted to select the current to-be-recommended video according to the recommendation degree.
  • the first to-be-recommended video is written in the recommendation list;
  • the user preference satisfaction calculation module is adapted to calculate the user preference satisfaction degree according to the feature vector of the first to-be-recommended video and the user preference parameter;
  • the user preference parameter correction module is adapted to be User preference satisfaction correction user preference parameter;
  • video sequencing module adapted to reorder other to-be-recommended videos that have not been written into the recommendation list according to the modified user preference parameter; return module, suitable for reordering Other has not been written to the recommended list
  • the recommended video is used as the current to-be-recommended video, and the recommended recommendation list generation module continues to execute until the other to-be-recommended videos that have not yet been written into the recommendation list are all written into the recommendation list;
  • the video recommendation module is adapted to generate in the recommendation list. After the module writes all the to-be-recommended videos into the recommendation list, the recommended videos in the recommendation list are recommended to the user according to the order in which the recommendation list is written.
  • a computer program comprising computer readable code that, when executed on a computing device, causes the computing device to perform the video recommendation method described above.
  • a computer readable medium is provided, wherein the computer program described above is stored.
  • FIG. 1 shows a flow chart of a video recommendation method in accordance with one embodiment of the present invention
  • FIG. 2 is a flow chart showing a video recommendation method according to another embodiment of the present invention.
  • FIG. 3 is a block diagram showing the structure of a video recommendation device according to an embodiment of the present invention.
  • FIG. 1 shows a flow diagram of a video recommendation method 100 in accordance with one embodiment of the present invention.
  • the method 100 starts at step S101, and according to historical record information of a user watching a video, acquiring initial user preference parameters and multiple to-be-recommended videos sorted according to the recommendation degree, and the plurality of The recommended video is the current recommended video (ie the initial current recommended video).
  • the history information of the user watching the video reflects the preferences and interests of the user. Therefore, the user interest analysis can be performed according to the historical record information of the user watching the video, and the initial user preference parameter is obtained, which can also be referred to as a user interest vector.
  • a plurality of to-be-recommended videos can be obtained, and the plurality of to-be-recommended videos are sorted in descending order of recommendation degree.
  • a number of methods are available in the related art, such as a collaborative filtering method to obtain N videos to be recommended.
  • step S102 the method 100 proceeds to step S102, according to the recommendation degree, selecting the first to-be-recommended video writing recommendation list in the current to-be-recommended video; calculating the user preference according to the feature vector of the first to-be-recommended video and the user preference parameter
  • the user preference parameter is modified according to the user preference satisfaction, and the other videos to be recommended that have not been written into the recommendation list are reordered according to the modified user preference parameter.
  • step S103 the method 100 proceeds to step S103, and the re-sorted video to be recommended that has not been written into the recommended list is used as the current to-be-recommended video, and returns to step S102 to continue execution until the plurality of to-be-recommended videos are all written into the recommendation. List.
  • steps S102-S103 are steps of iterative execution, and when all the videos to be recommended are written in the recommendation list, the iterative execution ends.
  • step S104 to recommend the to-be-recommended video in the recommendation list to the user according to the order in which the recommendation list is written.
  • the method is not recommended according to the prior art method directly according to the order that has been ranked according to the recommendation degree.
  • Video but in the process of video recommendation, the user preference parameter is dynamically modified according to the user preference satisfaction degree calculated in real time, and the user preference parameter is generated after correcting the user preference requirement after recommending a video satisfying the user preference.
  • New user preferences and then recommend videos that meet the new user preferences, that is, the user preference parameters are gradually adjusted as the video is recommended, and the corresponding order of video recommendations is adjusted accordingly, thereby adapting well to the user's recommended requirements. Variety.
  • FIG. 2 shows a flow chart of a video recommendation method 200 in accordance with another embodiment of the present invention.
  • the method 200 starts at step S201, where an initial user preference parameter and a plurality of to-be-recommended videos sorted according to the recommendation degree are obtained according to the history information of the user watching the video.
  • the plurality of recommended videos are described as the current recommended video (ie, the initial current recommended video).
  • the history information of the user watching the video includes at least the video tag content and the video tag weight of the video that the user has watched.
  • the video tag content and the video tag weight are - correspondingly, the video tag content describes the characteristics of the video, and the video tag weight indicates the importance of the feature, by comparing the weights of all video tags of a video,
  • the main and secondary features of the video can be clearly known.
  • the video tag content and video tag weights in the method are pre-labeled, and the video tag content and video tag weights can be determined by voting and/or scoring by all users viewing the video.
  • the history information of the user watching the video includes at least:
  • a plurality of to-be-recommended videos can be obtained, and the plurality of to-be-recommended videos are sorted according to the recommendation degree from high to low.
  • the method of the related art such as a collaborative filtering method, can be used to obtain n videos to be recommended, which are represented by item ⁇ 13 ⁇ 4 ... 13 ⁇ 4.
  • the degree of recommendation in this step is different.
  • the recommendation degree refers to the similarity between video and video;
  • the recommendation degree refers to the user similarity.
  • the collaborative filtering method can be used to obtain three movies with the recommendation ranking from high to low: iter ⁇ : "fifth element", item 2 : “blue sea and blue sky", item 3 : "12 monkeys" .
  • the initial user preference parameters are also obtained based on the history information of the user watching the video. Specifically, according to the video tag content and the video tag weight of the video viewed by the user, the user tag content and the user tag weight are obtained from the history record information of the user watching the video, and the vector composed of the user tag weights of the user tag content is used as the
  • t m are respectively user tag weights corresponding to m user tag contents.
  • the user preference parameter is related to the video tag content and the video tag weight of the video viewed by the user, and is also related to the frequency of the video viewed by the user, the number of times the video is viewed recently, and the sum of the user tag weights is 1.
  • the user preference parameter reflects which types of videos the user is interested in.
  • the above vector may also be referred to as a user interest vector, and the model constructed by the user interest vector is a user interest model.
  • a set of user tag content is obtained: "Lucbe Science Fiction, France, Action” and corresponding user tag weights: 0.4, 0.3, 0.1, 0.2, ie initial
  • the method 200 proceeds to the method step S202, in which the first to-be-recommended video is written into the recommendation list in the current to-be-recommended video according to the recommendation degree.
  • the to-be-recommended video with the highest recommendation in the current to-be-recommended video is written into the recommendation list as the first to-be-recommended video.
  • the plurality of to-be-recommended videos are obtained as the current to-be-recommended video in this step. Since the plurality of to-be-recommended videos have been sorted in descending order of recommendation degree in step S201, this step selects the first to-be-recommended video write recommendation list in which the recommendation degree is the highest. In the above example, the "fifth element" is first written into the recommendation list.
  • step S203 the user preference satisfaction degree is calculated according to the feature vector of the first to-be-recommended video and the user preference parameter.
  • the video tag weights corresponding to the k video tag contents of the video to be recommended are respectively.
  • the video label content of the "fifth element” is: "Luc Besson, Science Fiction, Fifth Element, Bruce Willis”
  • the video label for "Blue Sky” is: "Luc Besson, France, Blue Sky, LucBesson, Classic”
  • the video tags for "12 Monkeys” are: "Science Fiction, Bruce Willis, 12 Monkeys, Classics
  • the method further includes: calculating a similarity between the first to-be-recommended video and the user preference according to the feature vector of the first to-be-recommended video and the user preference parameter; and then calculating, according to the feature vector and the similarity of the first to-be-recommended video, User preference satisfaction.
  • this step first calculates the similarity between the item and the user preference according to the feature vector item_tagl of the itemj and the initial user preference parameter r. — iteml.
  • the content of the video label of the first to-be-recommended video and the content of the user label of the user-recommended parameter are statistically analyzed, and the content of the user label corresponding to the user preference parameter is different from the content of the video label of the first to-be-recommended video item.
  • the feature vector item_tag1 and/or the user preference parameter should be interpolated according to the statistical analysis result, wherein the interpolation process includes: corresponding to the video tag content and/or the user tag obtained without statistical analysis. Corresponding position of the content, correspondingly in the video tag weight in the feature vector of the first to-be-recommended video, and/or insertion of a preset value in the user tag weight in the user preference parameter.
  • the interpolation process in the present invention inserts a preset value at a specific position of the user preference parameter and the feature vector of the first to-be-recommended video, wherein the specific position refers to the position of the weight corresponding to the position of the tag content without statistics,
  • the set value is preferably 0.
  • the user preference satisfaction is the product of the video tag weight and the similarity in the feature vector of the first to-be-recommended video after the interpolation process.
  • step S204 the user preference parameter is corrected in accordance with the user preference satisfaction.
  • the user preference satisfies are first processed to remove values that are not related to the user preference parameters.
  • the user tag content corresponding to the user preference parameter does not include the "fifth element" and "bruce Willis”
  • the values of the two corresponding user preference satisfactions are removed, and the itemml-satisfaction is obtained.
  • Pine, science fiction, France, action) ( 0.18 , 0.06, 0, 0 ).
  • step S204 the method 200 proceeds to step S205, in which other videos to be recommended that have not been written into the recommendation list are reordered according to the modified user preference parameters.
  • the recommended degree of the to-be-recommended video that has not been written into the recommendation list is calculated, and other unrecommended videos to be recommended are sorted according to the recommendation degree.
  • the degree of similarity between the to-be-recommended video and the user preference that has not yet been written into the recommendation list is calculated as the recommendation degree.
  • the specific calculation method refer to the related description in step S203 above.
  • step S204 it can be seen that the user's demand for "Luc Besson” is satisfied, thereby lowering the preference for "Luc Besson", while the relative user is "sci-fi".
  • the demand has increased.
  • the recommendation of "12 monkeys” will be higher than "blue sea and blue sky”. Therefore, the next movie to be recommended to the user should be "12 monkeys” instead of "blue sea and blue sky”.
  • the re-sorted video to be recommended that has not yet been written into the recommended list is used as the current to-be-recommended video.
  • the method 200 jumps to step S202, and repeatedly performs the above steps S202-S205 until n videos to be recommended. Have been written to the recommendation list.
  • the method 200 proceeds to step S206 to recommend the to-be-recommended video in the recommendation list to the user according to the order in which the recommendation list is written, and the method 200 ends.
  • the user preference parameter is dynamically modified according to the user preference satisfaction degree calculated in real time, and the user preference requirement is satisfied after recommending a video satisfying the user preference.
  • the singleness problem of video recommendation is solved.
  • the user likes Luke Besson's movie firstly recommends another movie "Fifth Element" directed by Luc Besson according to the user's initial user preference parameters, and dynamically corrects the user preference parameter after recommending the "Fifth Element".
  • the user's preference weight for "Luc Besson” is declining.
  • the user preference parameter is gradually adjusted according to the recommendation of the video, and then the order of the video recommendation is adjusted correspondingly, so that the user's recommended demand change is well adapted.
  • FIG. 3 is a block diagram showing the structure of a video recommendation apparatus according to an embodiment of the present invention.
  • the video recommendation module includes: a video acquisition module 201, a user preference parameter calculation module 202, a recommendation list generation module 203, a user preference satisfaction calculation module 204, a user preference parameter correction module 205, a video sequencing module 206, The module 207 and the video recommendation module 208 are returned.
  • the video obtaining module 201 is configured to obtain, according to the history information of the user watching the video, a plurality of to-be-recommended videos sorted according to the recommended degree, and use the plurality of recommended videos as the current recommended video (that is, the initial current recommended video).
  • the history information of the user watching the video includes at least a video tag content and a video tag weight of the video that the user has watched.
  • the video tag content and the video tag weight are - correspondingly, the video tag content describes the characteristics of the video, and the video tag weight indicates the importance of the feature, by comparing the weights of all video tags of a video, The main and secondary features of the video can be clearly known.
  • the video tag content and video tag weights in the device are pre-labeled, and the video tag content and video tag weights can be determined by voting and/or scoring by all users viewing the video. For example, suppose the user has watched the movie "Metro”, “Pirates of the Caribbean: The Curse of the Black Pearl”, “The Final Battle”, then the history information of the user watching the video includes at least:
  • the video acquisition module 201 can obtain a plurality of to-be-recommended videos based on the history information of the user watching the video, and the plurality of to-be-recommended videos are sorted according to the recommendation degree.
  • the related art provides a plurality of methods.
  • the video obtaining module 201 is adapted to obtain a plurality of to-be-recommended videos sorted according to the recommendation degree according to the collaborative filtering method.
  • the recommendation degree is different for different methods.
  • the recommendation degree refers to the similarity between video and video; for the user collaborative filtering recommendation method, the recommendation degree refers to the user similarity.
  • the video acquisition module 201 can use the collaborative filtering method to obtain three movies whose ranking is ranked from high to low: item! : "fifth element", item 2 : "blue sky", item 3 : " 12 monkeys”.
  • the user preference parameter calculation module 202 is adapted to obtain an initial user preference parameter according to the history information of the user watching the video.
  • the initial user preference parameters are also obtained based on the history information of the user watching the video. Specifically, according to the video tag content and the video tag weight of the video viewed by the user, the user tag content and the user tag weight are obtained from the history record information of the user watching the video, and the vector composed of the user tag weights of the user tag content is used as the
  • tag l tag 2 , tag 3 ...tag m is respectively m user tag contents
  • t l t 2 , t 3 ... t m are respectively user tag weights corresponding to m user tag contents.
  • the user preference parameter is related to the video tag content and the video tag weight of the video viewed by the user, and is also related to the frequency of the video viewed by the user, the number of times the video is viewed recently, and the sum of the user tag weights is 1.
  • the recommendation list generating module 203 is adapted to select a first to-be-recommended video writing recommendation list in the current to-be-recommended video according to the recommendation degree. Specifically, the recommendation list generating module 203 is adapted to select the highest recommendation degree among the currently to-be-recommended videos as the first to-be-recommended video writing recommendation list.
  • the plurality of to-be-recommended videos obtained by the video obtaining module 201 are used as the initial current to-be-recommended videos in the module. Since the plurality of to-be-recommended videos acquired by the video acquisition module 201 have been sorted according to the recommendation degree, the recommendation list generation module 203 selects the first to-be-recommended video written recommendation list in which the recommendation degree is the highest. In the above example, the "fifth element" is first written into the recommendation list.
  • the user preference satisfaction calculation module 204 is adapted to calculate a user preference satisfaction degree according to the feature vector of the first to-be-recommended video and the user preference parameter.
  • their feature vectors are represented as item_tagl, item_tag2 item-tagn, respectively.
  • the video label for "Blue Sky” is: "Luc Besson, France, Blue Sky, LucBesson, Classic”
  • the user preference satisfaction calculation module 204 includes: a similarity calculation module 2042 and a satisfaction calculation module 2044.
  • the similarity calculation module 2042 is adapted to calculate a similarity between the first to-be-recommended video and the user preference according to the feature vector of the first to-be-recommended video and the user preference parameter; the satisfaction degree calculation module 2044 is adapted to be based on the first to-be-recommended video.
  • the feature vector and the similarity are calculated to obtain the user preference satisfaction. Specifically, if the recommendation list generating module 203 recommends the first to-be-recommended video item ⁇ to the user, the similarity calculation module 2042 first statistically analyzes the video tag content of the first to-be-recommended video and the user tag in the user preference parameter.
  • the interpolation processing includes: corresponding to the content of the video tag and/or the content of the user tag obtained without statistical analysis Position, correspondingly in the video tag weight in the feature vector of the first to-be-recommended video, and/or inserting a preset value in the user tag weight in the user preference parameter; the user in the user preference parameter after the interpolation process
  • the tag weight is multiplied by the transpose of the video tag weight in the feature vector of the first to-be-recommended video to obtain a similarity.
  • the similarity sim_itel between the itemi and the user preference is calculated according to the feature vector item_tagl of the itemi and the initial user preference parameter r. Since the content of the user label corresponding to the user preference parameter is different from the content of the video label of the first to-be-recommended video item, the feature vector item_tag1 and the user preference parameter should be interpolated before the similarity is calculated.
  • the interpolation process in the present invention inserts a preset value at a specific position of the user preference parameter and the feature vector of the first to-be-recommended video, wherein the specific position refers to the position of the weight corresponding to the position of the tag content without statistics,
  • the set value is preferably 0.
  • sim_itel r*item — tagl T .
  • the "fifth element" has a similarity to the user's preference of 0.3.
  • the user preference parameter correction module 205 is adapted to modify the user preference parameter according to the user preference satisfaction.
  • the user preference satisfaction is first processed to remove values that are not related to the user preference parameters.
  • the user tag content corresponding to the user preference parameter does not include the "fifth element" and "bruce Willis”
  • the values of the two corresponding user preference satisfactions are removed, and the itemml-satisfaction is obtained.
  • Pine, science fiction, France, action) ( 0.18 , 0.06, 0, 0 ).
  • the video sequencing module 206 is adapted to reorder other videos to be recommended that have not been written into the recommendation list according to the modified user preference parameters. Specifically, according to the modified user preference parameter, the recommended degree of the to-be-recommended video that has not been written into the recommendation list is calculated, and other videos to be recommended that have not been written into the recommendation list are sorted according to the recommendation degree. Optionally, the similarity between the to-be-recommended video and the user preference that has not yet been written into the recommendation list is calculated as the recommendation degree. For the specific calculation method, refer to the related description in the similarity calculation module 2042.
  • the returning module 207 is configured to use the re-sorted video to be recommended that has not been written into the recommended list as the current to-be-recommended video, and return to the recommended list generating module 203 to continue to execute until the other recommended list is not yet to be recommended. The video is all written to the recommended list.
  • the video recommendation module 208 is adapted to: in the recommendation list generation module 203, multiple videos to be recommended have been After all are written in the recommendation list, the videos to be recommended in the recommendation list are recommended to the user in the order in which the recommendation list is written.
  • the user preference parameter is dynamically modified according to the user preference satisfaction degree calculated in real time, and the user preference requirement is satisfied after recommending a video that satisfies the user preference.
  • the singleness problem of video recommendation is solved.
  • the user likes Luke Besson's movie firstly recommends another movie "Fifth Element" directed by Luc Besson according to the user's initial user preference parameters, and dynamically corrects the user preference parameter after recommending the "Fifth Element".
  • the user's preference weight for "Luc Besson” is declining.
  • the sum of the weight values is 1, the preference weight for "science fiction” is relatively increased, and the movie that continues to be recommended to the user is the “12 monkeys” of the science fiction movie.
  • the user preference parameter is gradually adjusted according to the recommendation of the video, and then the order of the video recommendation is adjusted correspondingly, so that the user's recommended demand change is well adapted.
  • the similarity calculation module 2042 is further adapted to: statistically analyze the video tag content of the first to-be-recommended video and the user tag content in the user preference parameter, according to a statistical analysis result.
  • the interpolation process includes: corresponding to the content of the video tag and/or the content of the user tag obtained without statistical analysis Positioning, correspondingly in the video tag weight in the feature vector of the first to-be-recommended video, and/or inserting a preset value in the user tag weight in the user preference parameter; the user preference after the interpolation process
  • the user tag weight in the parameter is multiplied by the transpose of the video tag weight in the feature vector of the first to-be-recommended video to obtain the similarity.
  • the satisfaction degree calculation module 2044 is further adapted to: multiply the video label weight in the feature vector of the first to-be-recommended video after the interpolation process by the similarity to obtain the user. Preference satisfaction.
  • the user preference parameter correction module is further adapted to: process the user preference satisfaction degree, and remove a value that is not related to the user preference parameter in the user preference satisfaction degree; The user preference parameter is subtracted from the processed user preference satisfy to obtain the corrected user preference parameter.
  • the video sequencing module is further adapted to: calculate, according to the modified user preference parameter, a recommendation degree of the other to-be-recommended video that has not been written into the recommendation list, according to the recommendation degree The other videos to be recommended that have not been written into the recommendation list are sorted.
  • the present invention also provides a computer readable recording medium on which a program for executing the aforementioned video recommendation method is recorded.
  • the computer readable recording medium includes any mechanism for storing or transmitting information in a form readable by a computer.
  • a machine-readable medium includes a read only memory (ROM), a random access memory (RAM), a magnetic disk storage medium, an optical storage medium, a flash storage medium, an electrical, optical, acoustic, or other form of propagated signal (eg, a carrier wave) , infrared signals, digital signals, etc.).
  • modules in the devices of the embodiments can be adaptively changed and placed in one or more devices different from the embodiment.
  • Can The modules or units or components of the embodiments are combined into one module or unit or component, and further they may be divided into a plurality of sub-modules or sub-units or sub-components.
  • any combination of the features disclosed in the specification, including the accompanying claims, the abstract and the drawings, and any methods so disclosed, or All processes or units of the device are combined.
  • Each feature disclosed in the specification (including the accompanying claims, the abstract and the drawings) may be replaced by alternative features that provide the same, equivalent, or similar purpose, unless otherwise stated.
  • the various component embodiments of the present invention may be implemented in hardware, or in a software module running on one or more processors, or in a combination thereof.
  • a microprocessor or digital signal processor DSP
  • the invention can also be implemented as a device or device program (e.g., a computer program and a computer program product) for performing some or all of the methods described herein.
  • a program implementing the present invention may be stored on a computer readable medium or may be in the form of one or more signals. Such signals may be downloaded from an Internet website, provided on a carrier signal, or provided in any other form.

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Signal Processing (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Human Computer Interaction (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)

Abstract

一种视频推荐方法及装置，包括：根据用户观看视频的历史记录信息，获取初始的用户偏好参数以及按照推荐度进行排序的多个待推荐视频，将所述多个推荐视频作为当前推荐视频；根据推荐度，在当前待推荐视频中选择第一待推荐视频写入推荐列表中；根据第一待推荐视频的特征向量和用户偏好参数，计算得到用户偏好满足度；根据用户偏好满足度修正用户偏好参数，根据经修正的用户偏好参数对其它还未写入推荐列表的待推荐视频进行重新排序；将重新排序后的所述其它还未写入推荐列表的待推荐视频作为当前待推荐视频，返回并从所述根据推荐度，在当前待推荐视频中选择第一待推荐视频写入推荐列表中的步骤继续执行，直至所述多个待推荐视频全部写入推荐列表中；按照写入推荐列表的先后顺序，将推荐列表中的待推荐视频推荐给用户。通过实时计算的用户偏好满足度动态修正用户偏好参数，解决了视频推荐的单一性问题。

Description

视频推荐方法及装置 技术领域
本发明涉及互联网技术领域， 具体涉及一种视频推荐方法及装置。
背景技术
视频推荐是视频网站帮助用户查找并观看某个特定领域视频的方法和工 具。 相对于传统的视频目录浏览方式或者视频搜索方式， 视频推荐能够在用 户不确定合适的搜索词的情况下， 通过分析用户历史行为， 发现用户需求的 特定领域， 在该领域内进行推荐， 避免了搜索词的输入和层次目录的多次点 击过程， 使得查找并观看某个特定类型的视频更加简单容易。
现有的视频推荐技术主要有两种： 基于视频（VIDEO )协同过滤推荐技 术和基于用户 （ COOKIE )协同过滤推荐技术。 前者通过计算视频和视频的相 似度， 将与观影记录视频最相似的视频推荐给用户。 而后者则是基于观影记 录， 计算用户相似度， 将相似的用户最近看过的视频推荐给用户。 这两种方 法都是基于用户的兴趣模型， 计算候选视频与用户兴趣的相似度， 推荐最相 似的 N个视频给用户。
上述视频推荐技术的典型问题就是推荐单一性问题。 在初次推荐时， 视 频站点基于用户观影历史， 分析用户偏好， 根据用户偏好推荐用户喜欢的视 频。 由于用户还没有点击和观看过符合自身偏好的视频， 因此对推荐视频认 可程度比较高。 但持续推荐时， 用户已经点击过满足个人偏好的视频， 用户 偏好得到了一定程度的满足， 因此偏好需求强度发生了变更。 此时再按照初 次推荐时的用户偏好进行推荐， 将不能满足用户最新的推荐需求， 导致用户 流失。
发明内容
鉴于上述问题， 提出了本发明以便提供一种克服上述问题或者至少部 地解决上述问题的视频推荐方法和相应的视频推荐装置。
根据本发明的一个方面， 提供了一种视频推荐方法， 包括： 根据用户观 看视频的历史记录信息， 获取初始的用户偏好参数以及按照推荐度进行排序 的多个待推荐视频， 将所述多个推荐视频作为当前推荐视频； 根据推荐度， 在当前待推荐视频中选择第一待推荐视频写入推荐列表中； 根据第一待推荐 视频的特征向量和用户偏好参数， 计算得到用户偏好满足度； 根据用户偏好 满足度修正用户偏好参数， 根据经修正的用户偏好参数对其它还未写入推荐 列表的待推荐视频进行重新排序； 将重新排序后的所述其它还未写入推荐列 表的待推荐视频作为当前待推荐视频， 返回并从所述根据推荐度， 在当前待 推荐视频中选择第一待推荐视频写入推荐列表中的步骤继续执行， 直至所述 多个待推荐视频全部写入推荐列表中； 按照写入推荐列表的先后顺序， 将推 荐列表中的待推荐视频推荐给用户。
根据本发明的另一方面， 提供了一种视频推荐装置， 包括： 视频获取模 块， 适于根据用户观看视频的历史记录信息， 获取按照推荐度进行排序的多 个待推荐视频， 将所述多个推荐视频作为当前推荐视频； 用户偏好参数计算 模块， 适于根据用户观看视频的历史记录信息， 获取初始的用户偏好参数； 推荐列表生成模块， 适于根据推荐度， 在当前待推荐视频中选择第一待推荐 视频写入推荐列表中； 用户偏好满足度计算模块， 适于根据第一待推荐视频 的特征向量和用户偏好参数， 计算得到用户偏好满足度； 用户偏好参数修正 模块， 适于根据用户偏好满足度修正用户偏好参数； 视频排序模块， 适于根 据经修正的用户偏好参数对其它还未写入推荐列表的待推荐视频进行重新排 序； 返回模块， 适于将重新排序后的所述其它还未写入推荐列表的待推荐视 频作为当前待推荐视频， 返回所述推荐列表生成模块继续执行， 直至所述其 它还未写入推荐列表的待推荐视频全部写入推荐列表中； 视频推荐模块， 适 于在推荐列表生成模块将所述多个待推荐视频全部写入推荐列表中之后， 按 照写入推荐列表的先后顺序， 将推荐列表中的待推荐视频推荐给用户。
根据本发明的又一个方面， 提供了一种计算机程序， 其包括计算机可读 代码， 当所述计算机可读代码在计算设备上运行时， 导致所述计算设备执行 上述的视频推荐方法。 根据本发明的再一个方面， 提供了一种计算机可读介质， 其中存储了上 述的计算机程序。 根据本发明提供的视频推荐方法及装置， 在视频推荐的过程中根据实时 计算的用户偏好满足度动态修正用户偏好参数， 在推荐一个满足用户偏好的 视频后用户偏好需求得到一定的满足的情况下， 通过修正用户偏好参数生成 新的用户偏好， 进而推荐满足新的用户偏好的视频， 解决了视频推荐的单一 性问题。
上述说明仅是本发明技术方案的概述， 为了能够更清楚了解本发明的技 术手段， 而可依照说明书的内容予以实施， 并且为了让本发明的上述和其它 目的、 特征和优点能够更明显易懂， 以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述， 各种其他的优点和益处对于本 领域普通技术人员将变得清楚明了。 附图仅用于示出优选实施方式的目的， 而并不认为是对本发明的限制。 而且在整个附图中， 用相同的参考符号表示 相同的部件。 在附图中：
图 1示出了根据本发明一个实施例的视频推荐方法的流程图；
图 2示出了根据本发明另一个实施例的视频推荐方法的流程图； 图 3示出了根据本发明一个实施例的视频推荐装置的结构框图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。 虽然附图中显示 了本公开的示例性实施例， 然而应当理解， 可以以各种形式实现本公开而不 应被这里阐述的实施例所限制。 相反， 提供这些实施例是为了能够更透彻地 理解本公开， 并且能够将本公开的范围完整的传达给本领域的技术人员。
图 1示出了根据本发明一个实施例的视频推荐方法 100的流程图。如图 1 所示， 方法 100始于步骤 S101 , 根据用户观看视频的历史记录信息， 获取初 始的用户偏好参数以及按照推荐度进行排序的多个待推荐视频， 将所述多个 推荐视频作为当前推荐视频 （也即初始的当前推荐视频） 。 用户观看视频的 历史记录信息反映了用户的偏好和兴趣， 因此可以根据用户观看视频的历史 记录信息进行用户兴趣分析， 获得初始的用户偏好参数， 也可称为用户兴趣 向量。 另外， 基于用户观看视频的历史记录信息， 可以获得多个待推荐视频， 这多个待推荐视频是按照推荐度由高至低的顺序进行排序的。 可利用相关技 术中提供了很多方法， 例如协同过滤方法来获得 N个待推荐视频。
随后， 方法 100进入步骤 S 102, 根据推荐度， 在当前待推荐视频中选择 第一待推荐视频写入推荐列表中； 根据第一待推荐视频的特征向量和用户偏 好参数， 计算得到用户偏好满足度； 根据用户偏好满足度修正用户偏好参数， 根据经修正的用户偏好参数对其它还未写入推荐列表的待推荐视频进行重新 排序。
随后， 方法 100进入步骤 S103 , 将重新排序后的所述其它还未写入推荐 列表的待推荐视频作为当前待推荐视频， 返回步骤 S102继续执行， 直至所述 多个待推荐视频全部写入推荐列表中。
可见， 步骤 S102-S103 为迭代执行的步骤， 当所有待推荐视频都写入推 荐列表中时， 迭代执行结束。
随后， 方法 100进入步骤 S104, 按照写入推荐列表的先后顺序， 将推荐 列表中的待推荐视频推荐给用户。
在本发明实施例提供的视频推荐方法中， 在获得按照推荐度进行排序的 多个待推荐视频之后， 并不是按照现有技术的方法直接根据已经按照推荐度 的高低排好的顺序向用户推荐视频， 而是在视频推荐的过程中根据实时计算 的用户偏好满足度动态修正用户偏好参数， 在推荐一个满足用户偏好的视频 后用户偏好需求得到一定的满足的情况下， 通过修正用户偏好参数生成新的 用户偏好， 进而推荐满足新的用户偏好的视频， 也就是说， 用户偏好参数随 着视频的推荐会逐步调整， 进而对应的调整视频推荐的顺序， 从而很好地适 应了用户推荐的需求变化。
图 2示出了根据本发明另一个实施例的视频推荐方法 200的流程图。 如 图 2所示，方法 200始于步骤 S201 ,其中根据用户观看视频的历史记录信息， 获取初始的用户偏好参数以及按照推荐度进行排序的多个待推荐视频， 将所 述多个推荐视频作为当前推荐视频 （即初始的当前推荐视频） 。 具体地， 用 户观看视频的历史记录信息至少包括用户已观看的视频的视频标签内容及视 频标签权重。 对于一个视频来说， 视频标签内容和视频标签权重是——对应 的， 视频标签内容描述了该视频的特征， 视频标签权重表明特征的重要性， 通过对一个视频的全部视频标签权重进行比较， 可以明确知道该视频的主要 特征和次要特征。 本方法中视频标签内容和视频标签权重是预先标注的， 视 频标签内容和视频标签权重可通过观看视频的所有用户的投票和 /或打分来确 定。
举例而言， 假设用户观看过电影 "地下铁" 、 "加勒比海盗： 黑珍珠号 的诅咒" 、 "最后决战" ， 那么用户观看视频的历史记录信息至少包括：
"地下铁" ， 视频标签内容： "吕克贝松、 克里斯托弗 .兰伯特、 地下铁、 警匪" , 视频标签权重： 0.5、 0.2、 0.2、 0.1 ;
"加勒比海盗： 黑珍珠号的诅咒" ， 视频标签内容： "科幻、 欧美、 加 勒比海盗： 黑珍珠号的诅咒、 动作" ， 视频标签权重： 0.3、 0.2、 0.3、 0.2。
"最后决战" ， 视频标签内容： "吕克贝松、 法国、 科幻、 让 .雷若" ， 视频标签权重： 0.4、 0.1、 0.2、 0.3。
本步骤中， 基于用户观看视频的历史记录信息， 可以获得多个待推荐视 频， 这多个待推荐视频是按照推荐度由高至低的顺序进行排序的。 可利用相 关技术中提供的方法， 例如协同过滤方法来获得 n个待推荐视频， 用 item^ 1¾ ... 1¾来表示。 对于不同的方法， 本步骤中的推荐度指代的有所不同。 对于基于视频协同过滤推荐方法， 推荐度指代的是视频和视频的相似度； 对 于基于用户协同过滤推荐方法， 推荐度指代的是用户相似度。 在上面的示例 中， 利用协同过滤方法可获得推荐度从高到低进行排序的三部电影： iter^ ： "第五元素" 、 item2 ： "碧海蓝天" 、 item3 ： " 12只猴子" 。
另外， 初始的用户偏好参数也是基于用户观看视频的历史记录信息而获 得的。 具体来说， 根据用户观看的视频的视频标签内容和视频标签权重， 从 用户观看视频的历史记录信息中获取用户标签内容和用户标签权重， 将针对 用户标签内容的用户标签权重组成的向量作为所述初始的用户偏好参数，用 r ( tag! , tag 2, tag 3 · · · tag m ) = ( t1 ? t2, t3...tm )来表示, 其中 tag" tag 2, tag 3... tag m分别为 m个用户标签内容， tl t2, t3...tm分别为 m个用户标签内容对应 的用户标签权重。 用户偏好参数与用户观看的视频的视频标签内容和视频标 签权重有关， 同时还与用户所观看某视频的频次、 近期观看某视频的次数等 参数有关， 并且用户标签权重的总和为 1。用户偏好参数反映了用户对哪些类 型的视频感兴趣， 上述向量也可称为用户兴趣向量， 由用户兴趣向量构建的 模型为用户兴趣模型。 在上面的示例中， 根据用户观看过的三部电影的信息， 得到一组用户标签内容： "吕克贝 科幻、 法国、 动作" 以及对应的用户 标签权重： 0.4、 0.3、 0.1、 0.2, 即初始的用户偏好参数为 r (吕克贝松， 科幻， 法国， 动作） = ( 0.4, 0.3 , 0.1 , 0.2 ) 。
随后， 方法 200进入方法步骤 S202, 其中根据推荐度， 在当前待推荐视 频中选择第一待推荐视频写入推荐列表中。 可选地， 将当前待推荐视频中推 荐度最高的待推荐视频作为第一待推荐视频写入推荐列表。 在执行完步骤 S201之后进入本步骤时， 步骤 S201 所获取到多个待推荐视频作为本步骤中 的当前待推荐视频。 由于在步骤 S201中多个待推荐视频已经按照推荐度由高 至低的顺序进行了排序， 本步骤选取其中推荐度最高的第一待推荐视频写入 推荐列表中。 在上述示例中， 首先将 "第五元素" 写入推荐列表中。
随后， 方法 200进入步骤 S203 , 其中根据第一待推荐视频的特征向量和 用户偏好参数， 计算得到用户偏好满足度。 其中第一待推荐视频的特征向量 为针对第一待推荐视频的视频标签内容的视频标签权重组成的向量， 用 item— tag ( tag , tag 2, tag 3 --- tagk ) = ( Si , s2, s3 - - - Sk )来表示, 其中 tag 1 tag 2 , tag 3... tag k分别为待推荐视频的 k个视频标签内容， Si , s2 , s3... sk分别为 待推荐视频的 k个视频标签内容对应的视频标签权重。 对于上述 n个待推荐 视频， 它们的特征向量分别表示为 item— tagl、 item— tag2 item— tagn。 在 上述示例中， 设 "第五元素" 的视频标签内容为： "吕克贝松、 科幻、 第五 元素、布鲁斯威利斯"，对应的视频标签权重为： 0.6、 0.2、 0.1、 0.1 ,则 item— tagl (吕克贝 ， 科幻， 第五元素， 布鲁斯威利斯） = ( 0.6, 0.2, 0.1 , 0.1 )； "碧 海蓝天" 的视频标签内容为： "吕克贝松、 法国、 碧海蓝天、 LucBesson、 经 典" , 对应的视频标签权重为： 0.6、 0.1、 0.1、 0.1、 0.1 , 则 item— tag2 (吕克 贝松， 法国， 碧海蓝天， LucBesson, 经典） = ( 0.6, 0.1 , 0.1 , 0.1 , 0.1 ) ； "12只猴子"的视频标签内容为： "科幻、布鲁斯威利斯、 12只猴子、经典"， 对应的视频标签权重为： 0.4、 0.3、 0.2、 0.1, 则 item— tag3 (科幻， 布鲁斯威 利斯， 12只猴子， 经典） = (0.4, 0.3, 0.2, 0.1 ) 。
本步骤进一步包括： 根据第一待推荐视频的特征向量和用户偏好参数， 计算得到第一待推荐视频与用户偏好的相似度； 然后， 根据第一待推荐视频 的特征向量和相似度， 计算得到用户偏好满足度。
具体来说， 如果在步骤 S202中将第一待推荐视频 itemi推荐给了用户， 那么本步骤首先将根据 itemj的特征向量 item— tagl 和初始的用户偏好参数 r 计算 item 与用户偏好的相似度 sim— iteml。 统计分析所述第一待推荐视频的 视频标签内容和所述用户偏好参数中的用户标签内容， 由于用户偏好参数所 对应的用户标签内容与第一待推荐视频 item 的视频标签内容不尽相同， 因此 在计算相似度之前应该根据统计分析结果对特征向量 item— tagl 和 /或用户偏 好参数进行插值处理， 其中， 所述插值处理包括： 对应于没有统计分析得到 的视频标签内容和 /或用户标签内容的相应位置， 对应地在所述第一待推荐视 频的特征向量中的视频标签权重中， 和 /或， 在所述用户偏好参数中的用户标 签权重中插入预设值。 在上述示例中， 初始的用户偏好参数为 r (吕克贝松， 科幻， 法国， 动作） = (0.4, 0.3, 0.1, 0.2 ) , itemj "第五元素" 的特征向 量 item— tagl (吕克贝松， 科幻， 第五元素， 布鲁斯威利斯） = ( 0.6, 0.2, 0.1, 0.1 ) , 统计用户偏好参数所对应的所有用户标签内容和第一待推荐视频 itemi 的所有视频标签内容得到： 吕克贝松， 科幻， 法国， 动作， 第五元素， 布鲁 斯威利斯， 其中用户偏好参数所对应的用户标签内容中没有 "布鲁斯威利斯" 和 "第五元素"，待推荐视频 item 的视频标签内容中没有 "法国"和 "动作"。 本发明中插值处理就是在用户偏好参数和第一待推荐视频的特征向量的特定 位置插入预设值， 其中特定位置指的是没有统计得出的标签内容的位置所对 应的权重的位置， 预设值优选为 0。 在上述示例中， 经过插值处理后， 用户偏 好参数为 r (吕克贝 科幻， 法国， 动作， 第五元素， 布鲁斯威利斯） = (0.4, 0.3, 0.1, 0.2, 0, 0) , itemj "第五元素" 的特征向量为 item— tagl (吕克贝 松， 科幻， 法国， 动作， 第五元素， 布鲁斯威利斯） = (0.6, 0.2, 0, 0, 0.1, 0.1 ) 。 然后， 通过将插值处理后的用户偏好参数中的用户标签权重和 itemi 的特征向量中的视频标签权重的转置相乘， 得到 iter^与用户偏好的相似度 sim— iteml , 即 sim— iteml=r*item— taglT。 在上述示例中， "第五元素" 与用户 偏好的相似度为 0.3。
在计算得到 item与用户偏好的相似度 sim— iteml之后， 继续计算用户偏 好满足度 iteml— satisfy=sim— iteml *item— tag 1。 即， 用户偏好满足度为插值处 理后的第一待推荐视频的特征向量中的视频标签权重与相似度的乘积。 在上 述示例中， iteml— satisfy (吕克贝松， 科幻， 法国， 动作， 第五元素， 布鲁斯 威利斯） = ( 0.18, 0.06, 0, 0, 0.03 , 0.03 ) 。
在步骤 S203之后， 方法 200进入步骤 S204, 其中根据用户偏好满足度 修正用户偏好参数。 在对用户偏好参数进行修正之前， 首先对用户偏好满足 度进行处理， 去除其中与用户偏好参数无关的数值。 在上述示例中， 由于用 户偏好参数对应的用户标签内容不包含 "第五元素" 和 "布鲁斯威利斯" ， 因此将这两项对应的用户偏好满足度的数值去除， 得到 iteml— satisfy (吕克贝 松， 科幻， 法国， 动作） = ( 0.18 , 0.06, 0, 0 ) 。 然后， 将用户偏好参数减 去处理后的用户偏好满足度得到修正后的用户偏好参数，即 r=r-iteml— satisfy。 在上述示例中， 修正后的用户偏好参数为 r (吕克贝松， 科幻， 法国， 动作） = ( 0.22, 0.24, 0.1 , 0.2 ) 。 由于用户标签权重的总和要求为 1 , 因此还需对 修正后的用户偏好参数进行归一化处理。
在步骤 S204之后， 方法 200进入步骤 S205 , 其中根据经修正的用户偏 好参数对其它还未写入推荐列表的待推荐视频进行重新排序。 具体地， 根据 经修正的用户偏好参数， 计算其它还未写入推荐列表的待推荐视频的推荐度， 按照该推荐度对其它还未推荐的待推荐视频进行排序。 可选地， 计算其它还 未写入推荐列表的待推荐视频与用户偏好的相似度作为推荐度， 具体计算方 法可参见上述步骤 S203中的相关描述。 在上述示例中， 根据步骤 S204得到 的修正后的用户偏好参数可以看出， 用户对 "吕克贝松" 的需求得到满足， 从而降低了对 "吕克贝松" 的偏好， 而相对的用户对 "科幻" 的需求得以提 升。 根据修正的结果计算推荐度时， "12只猴子" 的推荐度会高于 "碧海蓝 天" ， 因此， 下一个要推荐给用户的电影应为 "12只猴子" ， 而并非 "碧海 蓝天" 。 在步骤 S205之后，将重新排序后的其它还未写入推荐列表的待推荐视频 作为当前待推荐视频，方法 200跳转进入步骤 S202,重复执行上述步骤 S202- 步骤 S205 , 直至 n个待推荐视频都已写入推荐列表。
方法 200进入步骤 S206, 按照写入推荐列表的先后顺序， 将推荐列表中 的待推荐视频推荐给用户， 方法 200结束。
根据本发明上述实施例提供的视频推荐方法， 在视频推荐的过程中根据 实时计算的用户偏好满足度动态修正用户偏好参数， 在推荐一个满足用户偏 好的视频后用户偏好需求得到一定的满足的情况下， 通过修正用户偏好参数 生成新的用户偏好， 进而推荐满足新的用户偏好的视频， 解决了视频推荐的 单一性问题。 以上述示例为例， 用户喜欢吕克贝松的电影， 根据用户初始的 用户偏好参数首先推荐了吕克贝松执导的另一部电影 "第五元素" ， 在推荐 "第五元素" 之后动态修正用户偏好参数， 用户对 "吕克贝松" 的偏好权重 下降， 在权重值总和为 1 的情况下， 对 "科幻" 的偏好权重相对提升， 继续 要推荐给用户的电影则为科幻类电影 "12只猴子" 。 基于本实施例的方法， 用户偏好参数随着视频的推荐会逐步调整， 进而对应的调整视频推荐的顺序， 从而很好地适应了用户推荐的需求变化。
图 3 示出了根据本发明一个实施例的视频推荐装置的结构框图。 如图 3 所示，该视频推荐装置包括：视频获取模块 201、用户偏好参数计算模块 202、 推荐列表生成模块 203、 用户偏好满足度计算模块 204、 用户偏好参数修正模 块 205、 视频排序模块 206、 返回模块 207以及视频推荐模块 208。
视频获取模块 201适于根据用户观看视频的历史记录信息， 获取按照推 荐度进行排序的多个待推荐视频 ,将所述多个推荐视频作为当前推荐视频（也 即， 初始的当前推荐视频） 。 其中， 用户观看视频的历史记录信息至少包括 用户已观看的视频的视频标签内容及视频标签权重。 对于一个视频来说， 视 频标签内容和视频标签权重是——对应的， 视频标签内容描述了该视频的特 征， 视频标签权重表明特征的重要性， 通过对一个视频的全部视频标签权重 进行比较， 可以明确知道该视频的主要特征和次要特征。 本装置中视频标签 内容和视频标签权重是预先标注的， 视频标签内容和视频标签权重可通过观 看视频的所有用户的投票和 /或打分来确定。 举例而言， 假设用户观看过电影 "地下铁" 、 "加勒比海盗： 黑珍珠号 的诅咒" 、 "最后决战" ， 那么用户观看视频的历史记录信息至少包括：
"地下铁" ， 视频标签内容： "吕克贝松、 克里斯托弗 .兰伯特、 地下铁、 警匪" ， 视频标签权重： 0.5、 0.2、 0.2、 0.1 ;
"加勒比海盗： 黑珍珠号的诅咒" ， 视频标签内容： "科幻、 欧美、 加 勒比海盗： 黑珍珠号的诅咒、 动作" ， 视频标签权重： 0.3、 0.2、 0.3、 0.2。
"最后决战" ， 视频标签内容： "吕克贝松、 法国、 科幻、 让 .雷若" ， 视频标签权重： 0.4、 0.1、 0.2、 0.3。
视频获取模块 201基于用户观看视频的历史记录信息， 可以获得多个待 推荐视频， 这多个待推荐视频是按照推荐度进行排序的。 相关技术提供了很 多方法， 可选地， 视频获取模块 201 适于按照协同过滤方法获取按照推荐度 进行排序的多个待推荐视频。 需要说明的是， 对于不同的方法， 推荐度指代 的有所不同。 对于基于视频协同过滤推荐方法， 推荐度指代的是视频和视频 的相似度； 对于基于用户协同过滤推荐方法， 推荐度指代的是用户相似度。 在上面的示例中， 视频获取模块 201 利用协同过滤方法可获得推荐度从高到 低进行排序的三部电影： item! ： "第五元素"、 item2 ： "碧海蓝天"、 item3 ： " 12只猴子" 。
用户偏好参数计算模块 202,适于根据用户观看视频的历史记录信息，获 取初始的用户偏好参数。 初始的用户偏好参数也是基于用户观看视频的历史 记录信息而获得的。 具体来说， 根据用户观看的视频的视频标签内容和视频 标签权重， 从用户观看视频的历史记录信息中获取用户标签内容和用户标签 权重， 将针对用户标签内容的用户标签权重组成的向量作为所述初始的用户 偏好参数， 用 r tag tag 2 , tag 3.-tag m ) = ( tj , t2, t3... tm )来表示， 其中 tagl tag 2 , tag 3...tag m分别为 m个用户标签内容， tl t2, t3...tm分别为 m个用户标 签内容对应的用户标签权重。 用户偏好参数与用户观看的视频的视频标签内 容和视频标签权重有关， 同时还与用户所观看某视频的频次、 近期观看某视 频的次数等参数有关， 并且用户标签权重的总和为 1。 在上面的示例中， 根据 用户观看过的三部电影的信息， 得到一组用户标签内容： "吕克贝松、 科幻、 法国、 动作" 以及对应的用户标签权重： 0.4、 0.3、 0.1、 0.2 , 即初始的用户 偏好参数为 r (吕克贝松， 科幻， 法国， 动作） = (0.4, 0.3, 0.1, 0.2) 。 推荐列表生成模块 203,适于根据所述推荐度，在当前待推荐视频中选择 第一待推荐视频写入推荐列表中。 具体地， 推荐列表生成模块 203适于在当 前待推荐视频中选择推荐度最高者作为第一待推荐视频写入推荐列表中。 通 过视频获取模块 201 所获取到的多个待推荐视频作为本模块中初始的当前待 推荐视频。 由于视频获取模块 201 所获取的多个待推荐视频已经按照推荐度 进行了排序， 所以推荐列表生成模块 203选取其中推荐度最高的第一待推荐 视频写入推荐列表中。 在上述示例中， 首先将 "第五元素" 写入推荐列表中。
用户偏好满足度计算模块 204,适于根据第一待推荐视频的特征向量和用 户偏好参数， 计算得到用户偏好满足度。 其中待推荐视频的特征向量为针对 待推荐视频的视频标签内容的视频标签权重组成的向量， 用 item— tag (tagj, tag 2, tag3...tagk) = ( s" s2, s3...sk) 来表示， 其中 tag " tag2, tag3...tagk 分别为待推荐视频的 k个视频标签内容， Sl, s2, s3...sk分别为待推荐视频的k 个视频标签内容对应的视频标签权重。 对于上述 n个待推荐视频， 它们的特 征向量分别表示为 item— tagl、 item— tag2 item— tagn。 在上述示例中， 设
"第五元素" 的视频标签内容为： "吕克贝松、 科幻、 第五元素、 布鲁斯威 利斯" ， 对应的视频标签权重为： 0.6、 0.2、 0.1、 0.1, 则 itemjagl (吕克贝 松， 科幻， 第五元素， 布鲁斯威利斯） = (0.6, 0.2, 0.1, 0.1 )； "碧海蓝天" 的视频标签内容为： "吕克贝松、 法国、 碧海蓝天、 LucBesson、 经典" ， 对 应的视频标签权重为： 0.6、 0.1、 0.1、 0.1、 0.1, 则 item— tag2 (吕克贝松， 法 国， 碧海蓝天， LucBesson, 经典） = (0.6, 0.1, 0.1, 0.1, 0.1 ) ； "12只猴 子" 的视频标签内容为： "科幻、 布鲁斯威利斯、 12只猴子、 经典" ， 对应 的视频标签权重为： 0.4、 0.3、 0.2、 0.1, 则 item— tag3 (科幻， 布鲁斯威利斯， 12只猴子， 经典） = (0.4, 0.3, 0.2, 0.1 ) 。
进一步地， 用户偏好满足度计算模块 204包括： 相似度计算模块 2042和 满足度计算模块 2044。其中相似度计算模块 2042适于根据第一待推荐视频的 特征向量和用户偏好参数， 计算得到第一待推荐视频与用户偏好的相似度； 满足度计算模块 2044适于根据第一待推荐视频的特征向量和相似度， 计算得 到用户偏好满足度。 具体来说， 如果推荐列表生成模块 203将第一待推荐视频 item^^荐给了 用户， 那么相似度计算模块 2042首先统计分析第一待推荐视频的视频标签内 容和用户偏好参数中的用户标签内容， 根据统计分析结果对第一待推荐视频 的特征向量和 /或用户偏好参数分别进行插值处理， 其中， 插值处理包括： 对 应于没有统计分析得到的视频标签内容和 /或用户标签内容的相应位置， 对应 地在第一待推荐视频的特征向量中的视频标签权重中， 和 /或， 在用户偏好参 数中的用户标签权重中插入预设值； 将插值处理后的用户偏好参数中的用户 标签权重与第一待推荐视频的特征向量中的视频标签权重的转置相乘， 得到 相似度。 具体地， 将根据 itemi的特征向量 item— tagl和初始的用户偏好参数 r 计算 itemi与用户偏好的相似度 sim— iteml。 由于用户偏好参数所对应的用户 标签内容与第一待推荐视频 item 的视频标签内容不尽相同， 因此在计算相似 度之前应该将特征向量 item— tagl和用户偏好参数进行插值处理。 在上述示例 中， 初始的用户偏好参数为 r (吕克贝松， 科幻， 法国， 动作） = ( 0.4, 0.3 , 0.1 , 0.2 ) , itemj "第五元素" 的特征向量 item— tagl (吕克贝松， 科幻， 第 五元素， 布鲁斯威利斯） = ( 0.6, 0.2, 0.1 , 0.1 ) , 统计用户偏好参数所对应 的所有用户标签内容和第一待推荐视频 iter^的所有视频标签内容得到： 吕克 贝松， 科幻， 法国， 动作， 第五元素， 布鲁斯威利斯， 其中用户偏好参数所 对应的用户标签内容中没有 "布鲁斯威利斯" 和 "第五元素" ， 第一待推荐 视频 item 々视频标签内容中没有 "法国" 和 "动作" 。 本发明中插值处理就 是在用户偏好参数和第一待推荐视频的特征向量的特定位置插入预设值， 其 中特定位置指的是没有统计得出的标签内容的位置所对应的权重的位置， 预 设值优选为 0。 在上述示例中， 经过插值处理后， 用户偏好参数为 r (吕克贝 松， 科幻， 法国， 动作， 第五元素， 布鲁斯威利斯） = ( 0.4, 0.3 , 0.1 , 0.2, 0, 0 ) , item! "第五元素" 的特征向量为 item— tagl (吕克贝松， 科幻， 法国， 动作， 第五元素， 布鲁斯威利斯） = ( 0.6, 0.2, 0, 0, 0.1 , 0.1 ) 。 然后， 通 过将插值处理后的用户偏好参数中的用户标签权重和 iter^的特征向量中的视 频标签权重的转置相乘， 得到 item 与用户偏好的相似度 sim— iteml , 即 sim— iteml=r*item— taglT。 在上述示例中， "第五元素" 与用户偏好的相似度 为 0.3。
在计算得到 item与用户偏好的相似度 sim iteml之后， 满足度计算模块 2044继续计算用户偏好满足度 iteml— satisfy=sim—iteml*item—tagl。 即， 将插 值处理后的第一待推荐视频的特征向量中的视频标签权重与相似度相乘得到 用户偏好满足度。 在上述示例中， iteml— satisfy (吕克贝松， 科幻， 法国， 动 作， 第五元素， 布鲁斯威利斯） = ( 0.18, 0.06, 0, 0, 0.03 , 0.03 ) 。
用户偏好参数修正模块 205 , 适于根据用户偏好满足度修正用户偏好参 数。 在对用户偏好参数进行修正之前， 首先对用户偏好满足度进行处理， 去 除其中与用户偏好参数无关的数值。 在上述示例中， 由于用户偏好参数对应 的用户标签内容不包含 "第五元素" 和 "布鲁斯威利斯" ， 因此将这两项对 应的用户偏好满足度的数值去除，得到 iteml— satisfy (吕克贝松，科幻， 法国， 动作） = ( 0.18 , 0.06, 0, 0 ) 。 然后， 将用户偏好参数减去处理后的用户偏 好满足度得到修正后的用户偏好参数， 即 r=r-iteml— satisfy。 在上述示例中， 修正后的用户偏好参数为 r (吕克贝松， 科幻， 法国， 动作） = ( 0.22 , 0.24, 0.1 , 0.2 ) 。 由于用户标签权重的总和要求为 1 , 因此还需对修正后的用户偏 好参数进行归一化处理。
视频排序模块 206,适于根据经修正的用户偏好参数对其它还未写入推荐 列表的待推荐视频进行重新排序。 具体地， 根据经修正的用户偏好参数， 计 算其它还未写入推荐列表的待推荐视频的推荐度， 按照该推荐度对其它还未 写入推荐列表的待推荐视频进行排序。 可选地， 计算其它还未写入推荐列表 的待推荐视频与用户偏好的相似度作为推荐度， 具体计算方法可参见上述相 似度计算模块 2042中的相关描述。 在上述示例中， 利用用户偏好参数修正模 块 205得到的修正后的用户偏好参数可以看出， 用户对 "吕克贝松" 的需求 得到满足， 从而降低了对 "吕克贝松" 的偏好， 而相对的用户对 "科幻" 的 需求得以提升。 根据修正的结果计算推荐度时， " 12只猴子" 的推荐度会高 于 "碧海蓝天" ， 因此， 下一个要推荐给用户的电影应为 "12只猴子" ， 而 并非 "碧海蓝天" 。
返回模块 207 ,适于将重新排序后的其它还未写入推荐列表的待推荐视频 作为当前待推荐视频， 返回推荐列表生成模块 203继续执行， 直至所述其它 还未写入推荐列表的待推荐视频全部写入推荐列表中。
视频推荐模块 208,适于在推荐列表生成模块 203将多个待推荐视频都已 全部写入推荐列表中之后， 按照写入推荐列表的先后顺序， 将推荐列表中的 待推荐视频推荐给用户。
根据本发明上述实施例提供的视频推荐装置， 在视频推荐的过程中根据 实时计算的用户偏好满足度动态修正用户偏好参数， 在推荐一个满足用户偏 好的视频后用户偏好需求得到一定的满足的情况下， 通过修正用户偏好参数 生成新的用户偏好， 进而推荐满足新的用户偏好的视频， 解决了视频推荐的 单一性问题。 以上述示例为例， 用户喜欢吕克贝松的电影， 根据用户初始的 用户偏好参数首先推荐了吕克贝松执导的另一部电影 "第五元素" ， 在推荐 "第五元素" 之后动态修正用户偏好参数， 用户对 "吕克贝松" 的偏好权重 下降， 在权重值总和为 1 的情况下， 对 "科幻" 的偏好权重相对提升， 继续 要推荐给用户的电影则为科幻类电影 "12只猴子" 。 基于本实施例的装置， 用户偏好参数随着视频的推荐会逐步调整， 进而对应的调整视频推荐的顺序， 从而很好地适应了用户推荐的需求变化。
根据本发明实施例所述的装置， 所述相似度计算模块 2042进一步适于： 统计分析所述第一待推荐视频的视频标签内容和所述用户偏好参数中的用户 标签内容， 根据统计分析结果对所述第一待推荐视频的特征向量和 /或所述用 户偏好参数分别进行插值处理， 其中， 所述插值处理包括： 对应于没有统计 分析得到的视频标签内容和 /或用户标签内容的相应位置， 对应地在所述第一 待推荐视频的特征向量中的视频标签权重中， 和 /或， 在所述用户偏好参数中 的用户标签权重中插入预设值； 将插值处理后的用户偏好参数中的用户标签 权重与第一待推荐视频的特征向量中的视频标签权重的转置相乘， 得到所述 相似度。
根据本发明实施例所述的装置， 所述满足度计算模块 2044进一步适于： 将插值处理后的第一待推荐视频的特征向量中的视频标签权重与所述相似度 相乘得到所述用户偏好满足度。
根据本发明实施例所述的装置， 所述用户偏好参数修正模块进一步适于： 对所述用户偏好满足度进行处理， 去除所述用户偏好满足度中与用户偏好参 数无关的数值； 将所述用户偏好参数减去处理后的所述用户偏好满足度得到 修正后的用户偏好参数。 根据本发明实施例所述的装置， 所述视频排序模块进一步适于： 根据经 修正的用户偏好参数， 计算所述其它还未写入推荐列表的待推荐视频的推荐 度， 按照该推荐度对所述其它还未写入推荐列表的待推荐视频进行排序。
本发明还提供一种在其上记录有用于执行前述视频推荐方法的程序的 计算机可读记录介质。 所述计算机可读记录介质包括用于以计算机可读的 形式存储或传送信息的任何机制。 例如， 机器可读介质包括只读存储器 ( ROM ) 、 随机存取存储器 （RAM ) 、 磁盘存储介质、 光存储介质、 闪 速存储介质、 电、 光、 声或其他形式的传播信号（例如， 载波、 红外信号、 数字信号等） 等。
在此提供的算法和显示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， 构造这类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， 如下面的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， 在下面的权利 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 发明实施例的视频推荐装置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。

Claims

权 利 要 求 书
1、 一种视频推荐方法， 包括：
根据用户观看视频的历史记录信息， 获取初始的用户偏好参数以及按照 推荐度进行排序的多个待推荐视频，将所述多个推荐视频作为当前推荐视频； 根据所述推荐度， 在当前待推荐视频中选择第一待推荐视频写入推荐列 表中； 根据所述第一待推荐视频的特征向量和所述用户偏好参数， 计算得到 用户偏好满足度； 根据所述用户偏好满足度修正所述用户偏好参数， 根据经 修正的用户偏好参数对其它还未写入推荐列表的待推荐视频进行重新排序； 将重新排序后的所述其它还未写入推荐列表的待推荐视频作为当前待推 荐视频， 返回并从所述根据所述推荐度， 在当前待推荐视频中选择第一待推 荐视频写入推荐列表中的步骤继续执行， 直至所述多个待推荐视频全部写入 推荐列表中；
按照写入推荐列表的先后顺序，将推荐列表中的待推荐视频推荐给用户。
2、 根据权利要求 1所述的方法， 其中， 所述用户观看视频的历史记录信 息包括用户已观看的视频的视频标签内容及视频标签权重；
所述据用户观看视频的历史记录信息， 获取初始的用户偏好参数包括： 根据所述用户已观看的视频的视频标签内容及视频标签权重， 从用户观看视 频的历史记录信息中获取用户标签内容和用户标签权重， 将针对所述用户标 签内容的用户标签权重组成的向量作为所述初始的用户偏好参数。
3、 根据权利要求 2所述的方法， 其中， 所述第一待推荐视频的特征向量 为针对所述第一待推荐视频的视频标签内容的视频标签权重组成的向量； 所述根据第一待推荐视频的特征向量和所述用户偏好参数， 计算得到用 户偏好满足度包括：
根据所述第一待推荐视频的特征向量和所述用户偏好参数， 计算得到所 述第一待推荐视频与用户偏好的相似度；
根据所述第一待推荐视频的特征向量和所述相似度， 计算得到用户偏好 满足度。
4、 根据权利要求 3所述的方法， 其中， 所述根据第一待推荐视频的特征 向量和所述用户偏好参数， 计算得到所述第一待推荐视频与用户偏好的相似 度包括：
统计分析所述第一待推荐视频的视频标签内容和所述用户偏好参数中的 用户标签内容， 根据统计分析结果对所述第一待推荐视频的特征向量和 /或所 述用户偏好参数分别进行插值处理， 其中， 所述插值处理包括： 对应于没有 统计分析得到的视频标签内容和 /或用户标签内容的相应位置， 对应地在所述 第一待推荐视频的特征向量中的视频标签权重中， 和 /或， 在所述用户偏好参 数中的用户标签权重中插入预设值；
将插值处理后的用户偏好参数中的用户标签权重与所述第一待推荐视频 的特征向量中的视频标签权重的转置相乘， 得到所述相似度。
5、 根据权利要求 4所述的方法， 其中， 所述根据第一待推荐视频的特征 向量和所述相似度， 计算得到用户偏好满足度包括：
将插值处理后的第一待推荐视频的特征向量中的视频标签权重与所述相 似度相乘得到所述用户偏好满足度。
6、 根据权利要求 5所述的方法， 其中， 所述根据用户偏好满足度修正所 述用户偏好参数包括：
对所述用户偏好满足度进行处理， 去除所述用户偏好满足度中与用户偏 好参数无关的数值；
将所述用户偏好参数减去处理后的所述用户偏好满足度得到修正后的用 户偏好参数。
7、 根据权利要求 1-6任一项所述的方法， 其中， 所述根据经修正的用户 偏好参数对其它还未写入推荐列表的待推荐视频进行重新排序包括：
根据经修正的用户偏好参数， 计算所述其它还未写入推荐列表的待推荐 视频的推荐度， 按照该推荐度对所述其它还未写入推荐列表的待推荐视频进 行排序。
8、 一种视频推荐装置， 包括：
视频获取模块， 适于根据用户观看视频的历史记录信息， 获取按照推荐 度进行排序的多个待推荐视频， 将所述多个推荐视频作为当前推荐视频； 用户偏好参数计算模块， 适于根据用户观看视频的历史记录信息， 获取 初始的用户偏好参数；
推荐列表生成模块， 适于根据所述推荐度， 在当前待推荐视频中选择第 一待推荐视频写入推荐列表中；
用户偏好满足度计算模块， 适于根据所述第一待推荐视频的特征向量和 所述用户偏好参数， 计算得到用户偏好满足度；
用户偏好参数修正模块， 适于根据所述用户偏好满足度修正所述用户偏 好参数；
视频排序模块， 适于根据经修正的用户偏好参数对其它还未写入推荐列 表的待推荐视频进行重新排序；
返回模块， 适于将重新排序后的所述其它还未写入推荐列表的待推荐视 频作为当前待推荐视频， 返回所述推荐列表生成模块继续执行， 直至所述其 它还未写入推荐列表的待推荐视频全部写入推荐列表中；
视频推荐模块， 适于在所述推荐列表生成模块将所述多个待推荐视频全 部写入推荐列表中之后， 按照写入推荐列表的先后顺序， 将推荐列表中的待 推荐视频推荐给用户。
9、 根据权利要求 8所述的装置， 其中， 所述用户观看视频的历史记录信 息包括用户已观看的视频的视频标签内容及视频标签权重；
所述用户偏好参数计算模块适于： 根据所述用户已观看的视频的视频标 签内容及视频标签权重， 从用户观看视频的历史记录信息中获取用户标签内 容和用户标签权重， 将针对所述用户标签内容的用户标签权重组成的向量作 为所述初始的用户偏好参数。
10、 根据权利要求 9所述的装置， 其中， 所述第一待推荐视频的特征向 量为针对所述第一待推荐视频的视频标签内容的视频标签权重组成的向量； 所述用户偏好满足度计算模块包括：
相似度计算模块， 适于根据第一待推荐视频的特征向量和所述用户偏好 参数， 计算得到所述第一待推荐视频与用户偏好的相似度；
满足度计算模块， 适于根据第一待推荐视频的特征向量和所述相似度， 计算得到用户偏好满足度。
11、 根据权利要求 10所述的装置， 其中， 所述相似度计算模块适于： 统 计分析所述第一待推荐视频的视频标签内容和所述用户偏好参数中的用户标 签内容， 根据统计分析结果对所述第一待推荐视频的特征向量和 /或所述用户 偏好参数分别进行插值处理， 其中， 所述插值处理包括： 对应于没有统计分 析得到的视频标签内容和 /或用户标签内容的相应位置， 对应地在所述第一待 推荐视频的特征向量中的视频标签权重中， 和 /或， 在所述用户偏好参数中的 用户标签权重中插入预设值； 将插值处理后的用户偏好参数中的用户标签权 重与第一待推荐视频的特征向量中的视频标签权重的转置相乘， 得到所述相 似度。
12、 根据权利要求 11所述的装置， 其中， 所述满足度计算模块适于： 将 插值处理后的第一待推荐视频的特征向量中的视频标签权重与所述相似度相 乘得到所述用户偏好满足度。
13、 根据权利要求 12所述的装置， 其中， 所述用户偏好参数修正模块适 于： 对所述用户偏好满足度进行处理， 去除所述用户偏好满足度中与用户偏 好参数无关的数值； 将所述用户偏好参数减去处理后的所述用户偏好满足度 得到修正后的用户偏好参数。
14、 根据权利要求 8-13任一项所述的装置， 其中， 所述视频排序模块适 于： 根据经修正的用户偏好参数， 计算所述其它还未写入推荐列表的待推荐 视频的推荐度， 按照该推荐度对所述其它还未写入推荐列表的待推荐视频进 行排序。
15、 一种计算机程序， 包括计算机可读代码， 当所述计算机可读代码 在计算设备上运行时， 导致所述计算设备执行根据权利要求 1-7中的任一 个所述的视频推荐方法。
16、 一种计算机可读介质， 其中存储了如权利要求 15所述的计算机程 序。
PCT/CN2014/086071 2013-09-06 2014-09-05 视频推荐方法及装置 Ceased WO2015032353A1 (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US14/916,931 US20160212494A1 (en) 2013-09-06 2014-09-05 Video recommendation method and device

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201310404269.1A CN103440335B (zh) 2013-09-06 2013-09-06 视频推荐方法及装置
CN201310404269.1 2013-09-06

Publications (1)

Publication Number Publication Date
WO2015032353A1 true WO2015032353A1 (zh) 2015-03-12

Family

ID=49694028

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2014/086071 Ceased WO2015032353A1 (zh) 2013-09-06 2014-09-05 视频推荐方法及装置

Country Status (3)

Country Link
US (1) US20160212494A1 (zh)
CN (1) CN103440335B (zh)
WO (1) WO2015032353A1 (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111159549A (zh) * 2019-12-27 2020-05-15 飞狐信息技术（天津）有限公司 一种信息推荐方法及系统
CN112348542A (zh) * 2019-08-08 2021-02-09 北京达佳互联信息技术有限公司 一种检测推荐系统性能的方法、装置及计算机设备
CN112601116A (zh) * 2020-12-11 2021-04-02 海信视像科技股份有限公司 一种显示设备及内容显示方法
CN112765484A (zh) * 2020-12-31 2021-05-07 北京达佳互联信息技术有限公司 短视频推送方法、装置、电子设备及存储介质
CN113592605A (zh) * 2021-08-10 2021-11-02 平安银行股份有限公司 基于相似产品的产品推荐方法、装置、设备及存储介质
CN115687691A (zh) * 2022-10-25 2023-02-03 上海幻电信息科技有限公司 视频推荐方法及装置
CN116156263A (zh) * 2023-03-06 2023-05-23 四川长虹电器股份有限公司 一种用户实时追剧处理方法
CN116347171A (zh) * 2023-03-28 2023-06-27 北京奇艺世纪科技有限公司 一种视频推荐方法、装置、电子设备及存储介质
CN116506661A (zh) * 2023-03-31 2023-07-28 北京奇艺世纪科技有限公司 一种视频推荐方法、装置、电子设备及存储介质
CN117251594A (zh) * 2023-08-25 2023-12-19 百度时代网络技术（北京）有限公司 视频推荐方法及相应的模型训练方法、装置、设备及介质

Families Citing this family (83)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103440335B (zh) * 2013-09-06 2016-11-09 北京奇虎科技有限公司 视频推荐方法及装置
CN104866490B (zh) * 2014-02-24 2019-02-19 风网科技（北京）有限公司 一种视频智能推荐方法及其系统
CN104199896B (zh) * 2014-08-26 2017-09-01 海信集团有限公司 基于特征分类的视频相似度确定及视频推荐方法
EP3256966B1 (en) * 2015-02-11 2023-04-05 Hulu, LLC Relevance table aggregation in a database system
CN106294462B (zh) * 2015-06-01 2019-09-17 Tcl集团股份有限公司 一种获取推荐视频的方法和系统
CN105049882B (zh) * 2015-08-28 2019-02-22 北京奇艺世纪科技有限公司 一种视频推荐方法及装置
US10127398B2 (en) 2015-09-18 2018-11-13 Rovi Guides, Inc. Methods and systems for implementing parental controls
US9973502B2 (en) * 2015-09-18 2018-05-15 Rovi Guides, Inc. Methods and systems for automatically adjusting parental controls
CN105898410A (zh) * 2015-12-15 2016-08-24 乐视网信息技术（北京）股份有限公司 视频推荐方法以及服务器
CN105447193A (zh) * 2015-12-22 2016-03-30 中山大学深圳研究院 一种基于机器学习和协同过滤的音乐推荐系统
CN105677715B (zh) * 2015-12-29 2019-06-18 海信集团有限公司 一种基于多用户的视频推荐方法及装置
CN105868317B (zh) * 2016-03-25 2017-04-12 华中师范大学 一种数字教育资源推荐方法及系统
CN105956061B (zh) * 2016-04-26 2020-01-03 海信集团有限公司 一种用户间相似度确定方法及装置
CN107391511A (zh) * 2016-05-16 2017-11-24 中国移动通信集团内蒙古有限公司 一种信息推送方法和装置
CN106561054B (zh) * 2016-06-29 2018-09-21 武汉斗鱼网络科技有限公司 一种用于直播网站的直播房间推荐方法及系统
CN106446135B (zh) * 2016-09-19 2019-12-10 北京搜狐新动力信息技术有限公司 一种多媒体数据标签生成方法和装置
CN107862532B (zh) * 2016-09-22 2021-11-26 腾讯科技（深圳）有限公司 一种用户特征提取方法及相关装置
CN108205537A (zh) * 2016-12-16 2018-06-26 北京酷我科技有限公司 一种视频推荐方法及系统
CN106604137B (zh) * 2016-12-29 2020-06-12 Tcl科技集团股份有限公司 一种预测视频观看时长的方法及装置
CN106649848B (zh) * 2016-12-30 2020-12-29 阿里巴巴（中国）有限公司 视频推荐方法及装置
CN108271076B (zh) * 2017-01-03 2021-03-12 武汉斗鱼网络科技有限公司 一种推荐直播间的方法及装置
CN108287857B (zh) * 2017-02-13 2021-02-26 腾讯科技（深圳）有限公司 表情图片推荐方法及装置
CN107688587B (zh) * 2017-02-15 2023-02-10 腾讯科技（深圳）有限公司 一种媒体信息展示方法及装置
WO2018168444A1 (ja) * 2017-03-15 2018-09-20 ソニー株式会社 情報処理装置、および情報処理方法、並びにプログラム
CN107360468B (zh) * 2017-06-29 2019-09-03 上海蒙彤文化传播有限公司 一种视频推送系统及方法
CN107368584B (zh) * 2017-07-21 2020-07-03 山东大学 一种个性化视频推荐方法及系统
CN107562848B (zh) * 2017-08-28 2020-07-14 广州优视网络科技有限公司 一种视频推荐方法和装置
CN107944374A (zh) * 2017-11-20 2018-04-20 北京奇虎科技有限公司 视频数据中特定对象检测方法及装置、计算设备
CN108090807B (zh) * 2017-12-13 2021-06-22 北京星选科技有限公司 信息推荐方法及装置
CN108664564B (zh) * 2018-04-13 2021-12-21 东华大学 一种基于物品内容特征的改进协同过滤推荐方法
CN110418200A (zh) * 2018-04-27 2019-11-05 Tcl集团股份有限公司 一种视频推荐方法、装置及终端设备
CN108683945B (zh) * 2018-05-22 2021-03-26 上海聚力传媒技术有限公司 基于hls协议的视频播放方法及装置
CN108574857B (zh) * 2018-05-22 2021-09-28 深圳Tcl新技术有限公司 基于用户行为的节目推荐方法、智能电视及存储介质
CN108769817A (zh) * 2018-05-31 2018-11-06 深圳市路通网络技术有限公司 节目推荐方法及系统
CN109218801B (zh) * 2018-08-15 2021-12-03 咪咕视讯科技有限公司 一种信息处理方法、装置及存储介质
CN109189988B (zh) * 2018-09-18 2021-06-22 北京邮电大学 一种视频推荐方法
CN109446419B (zh) * 2018-10-17 2020-10-16 武汉斗鱼网络科技有限公司 一种推荐视频的方法以及装置
CN109783687B (zh) * 2018-11-22 2023-05-30 广州市易杰数码科技有限公司 一种基于图结构的推荐方法、装置、设备及存储介质
CN111327955B (zh) * 2018-12-13 2022-03-01 Tcl科技集团股份有限公司 基于用户画像的点播方法、存储介质及智能电视
CN109889865B (zh) * 2019-03-12 2020-06-30 四川长虹电器股份有限公司 一种视频播放源推荐方法
CN110084705A (zh) * 2019-03-19 2019-08-02 阿里巴巴集团控股有限公司 一种项目推荐方法及装置、一种电子设备及存储介质
CN109947964A (zh) * 2019-04-02 2019-06-28 北京字节跳动网络技术有限公司 用于更新信息的方法和装置
CN110012356B (zh) * 2019-04-16 2020-07-10 腾讯科技（深圳）有限公司 视频推荐方法、装置和设备及计算机存储介质
CN110309361B (zh) * 2019-06-19 2021-08-20 北京奇艺世纪科技有限公司 一种视频评分的确定方法、推荐方法、装置及电子设备
CN112118486B (zh) * 2019-06-21 2022-07-01 北京达佳互联信息技术有限公司 内容项投放方法、装置、计算机设备及存储介质
CN112395458A (zh) * 2019-08-13 2021-02-23 必艾奇亚洲有限公司 健身器材的视频课程推荐系统及其视频课程推荐方法
CN110704677B (zh) * 2019-08-23 2023-03-17 优地网络有限公司 一种节目推荐方法、装置、可读存储介质及终端设备
CN110781391B (zh) * 2019-10-22 2023-12-12 深圳市雅阅科技有限公司 一种信息推荐方法、装置、设备及存储介质
CN111107435B (zh) * 2019-12-17 2022-03-25 腾讯科技（深圳）有限公司 视频推荐方法及装置
CN111314744B (zh) * 2020-03-17 2022-03-22 北京奇艺世纪科技有限公司 视频推送方法、服务器
CN112423134B (zh) * 2020-07-06 2022-03-29 上海哔哩哔哩科技有限公司 视频内容推荐方法、装置、计算机设备及存储介质
CN111859126B (zh) * 2020-07-09 2024-05-14 有半岛(北京)信息科技有限公司 推荐项目确定方法、装置、设备及存储介质
CN112188295B (zh) * 2020-09-29 2022-07-05 有半岛(北京)信息科技有限公司 一种视频推荐方法及装置
CN112287167A (zh) * 2020-10-29 2021-01-29 四川长虹电器股份有限公司 视频推荐召回方法及装置
CN112351345A (zh) * 2020-11-04 2021-02-09 深圳Tcl新技术有限公司 推荐内容的控制方法及装置、智能电视机、存储介质
CN112328881B (zh) * 2020-11-05 2024-04-02 中国平安人寿保险股份有限公司 文章推荐方法、装置、终端设备及存储介质
CN112347302A (zh) * 2020-11-06 2021-02-09 四川长虹电器股份有限公司 基于倒排索引的视频召回方法
CN112399251B (zh) * 2020-12-02 2023-04-07 武汉四牧传媒有限公司 一种基于互联网云大数据视频剪辑方法及装置
CN113010809A (zh) * 2021-03-11 2021-06-22 北京三快在线科技有限公司 一种信息推荐的方法及装置
EP4161085A4 (en) * 2021-03-30 2023-11-01 BOE Technology Group Co., Ltd. REAL-TIME AUDIO/VIDEO CONTENT RECOMMENDATION METHOD AND APPARATUS, DEVICE, AND COMPUTER STORAGE MEDIUM
CN113051480A (zh) * 2021-04-22 2021-06-29 深圳壹账通智能科技有限公司 资源推送方法、装置、电子设备及存储介质
CN113298277B (zh) * 2021-04-25 2024-08-20 上海淇玥信息技术有限公司 一种基于目标的连续预约信息推送方法、装置及电子设备
CN113190758B (zh) * 2021-05-21 2023-01-20 聚好看科技股份有限公司 服务器及媒资推荐方法
CN113434779B (zh) * 2021-07-22 2023-01-03 咪咕数字传媒有限公司 可智能推荐的互动阅读方法、装置、计算设备和存储介质
CN115700524A (zh) * 2021-07-28 2023-02-07 云米互联科技(广东)有限公司 视频的智能推荐方法及装置
CN113779177A (zh) * 2021-08-11 2021-12-10 深圳思为科技有限公司 标签处理的方法、装置、电子设备及计算机可读存储介质
CN114357282B (zh) * 2021-12-03 2026-02-17 深圳感臻智能股份有限公司 一种基于边缘计算的视频网站智能推荐方法及其系统
CN114168792B (zh) * 2021-12-06 2024-11-22 北京达佳互联信息技术有限公司 视频推荐方法及装置
CN114413426A (zh) * 2021-12-21 2022-04-29 海信家电集团股份有限公司 一种空调参数的推荐方法和空调器
CN114265953A (zh) * 2021-12-31 2022-04-01 上海艾牌科技集团有限公司 一种基于标签的短视频推荐方法、系统、设备和介质
CN114722275B (zh) * 2022-03-25 2024-12-17 中国电子科技集团公司第七研究所 一种基于标签的跨模态资源推荐方法和系统
CN114756743A (zh) * 2022-03-28 2022-07-15 联通沃悦读科技文化有限公司 一种基于用户行为的推荐方法及系统、设备及介质
CN114912034A (zh) * 2022-05-17 2022-08-16 上海应用技术大学 一种融合标签信息和时间效应的协同过滤电影推荐方法
CN115065872A (zh) * 2022-06-17 2022-09-16 联通沃音乐文化有限公司 一种影音视频的智能推荐方法及系统
CN115474070A (zh) * 2022-08-10 2022-12-13 武汉斗鱼鱼乐网络科技有限公司 一种展示新内容的方法、装置、介质及设备
CN115455305A (zh) * 2022-10-13 2022-12-09 四川长虹电器股份有限公司 信息推荐方法
CN115544299A (zh) * 2022-10-17 2022-12-30 上海幻电信息科技有限公司 视频推荐方法及装置
CN116137677A (zh) * 2023-02-17 2023-05-19 未来电视有限公司 智能电视的主题推荐方法、计算机设备及可读存储介质
CN116340567A (zh) * 2023-03-28 2023-06-27 北京有竹居网络技术有限公司 基于单词的视频推荐方法、装置、介质和电子设备
CN116389803B (zh) * 2023-04-21 2026-02-17 湖南快乐阳光互动娱乐传媒有限公司 一种视频预分发的方法及系统
CN116701705B (zh) * 2023-06-15 2026-03-10 中国电信股份有限公司 一种基于内容推荐的视频推荐方法、装置、设备及介质
CN118827774B (zh) * 2024-09-12 2024-11-29 江苏路特数字科技有限公司 一种aigc驱动的内容自动个性化推送系统及方法
CN120744181A (zh) * 2025-07-22 2025-10-03 杭州翔羽科技有限公司 一种智能视频推荐方法、设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080201287A1 (en) * 2007-02-21 2008-08-21 Hitachi, Ltd. Dissimilar item recommendation method, device, and program thereof
US7644427B1 (en) * 2001-04-04 2010-01-05 Microsoft Corporation Time-centric training, interference and user interface for personalized media program guides
CN102946566A (zh) * 2012-10-24 2013-02-27 北京奇虎科技有限公司 基于历史信息的视频推荐方法和装置
CN103209342A (zh) * 2013-04-01 2013-07-17 电子科技大学 一种引入视频流行度和用户兴趣变化的协作过滤推荐方法
CN103440335A (zh) * 2013-09-06 2013-12-11 北京奇虎科技有限公司 视频推荐方法及装置

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1629884A (zh) * 2003-12-15 2005-06-22 皇家飞利浦电子股份有限公司 一种信息推荐系统及方法
CN100455013C (zh) * 2005-12-22 2009-01-21 李欣 一种自动为用户选定节目的方法及系统
CN101551825A (zh) * 2009-05-15 2009-10-07 中国科学技术大学 基于属性描述的个性化影片推荐系统及方法
WO2013118198A1 (ja) * 2012-02-09 2013-08-15 パナソニック株式会社 お薦めコンテンツ提供装置、お薦めコンテンツ提供プログラムおよびお薦めコンテンツ提供方法
CN102957949A (zh) * 2012-05-18 2013-03-06 华东师范大学 为用户推荐视频的装置及方法
CN102685566A (zh) * 2012-05-28 2012-09-19 北京网尚数字电影院线有限公司 一种音视频节目推荐方法
CN103020161B (zh) * 2012-11-26 2015-12-09 北京奇虎科技有限公司 在线视频推荐方法和推荐系统及处理系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7644427B1 (en) * 2001-04-04 2010-01-05 Microsoft Corporation Time-centric training, interference and user interface for personalized media program guides
US20080201287A1 (en) * 2007-02-21 2008-08-21 Hitachi, Ltd. Dissimilar item recommendation method, device, and program thereof
CN102946566A (zh) * 2012-10-24 2013-02-27 北京奇虎科技有限公司 基于历史信息的视频推荐方法和装置
CN103209342A (zh) * 2013-04-01 2013-07-17 电子科技大学 一种引入视频流行度和用户兴趣变化的协作过滤推荐方法
CN103440335A (zh) * 2013-09-06 2013-12-11 北京奇虎科技有限公司 视频推荐方法及装置

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112348542A (zh) * 2019-08-08 2021-02-09 北京达佳互联信息技术有限公司 一种检测推荐系统性能的方法、装置及计算机设备
CN111159549A (zh) * 2019-12-27 2020-05-15 飞狐信息技术（天津）有限公司 一种信息推荐方法及系统
CN111159549B (zh) * 2019-12-27 2023-09-12 飞狐信息技术（天津）有限公司 一种信息推荐方法及系统
CN112601116A (zh) * 2020-12-11 2021-04-02 海信视像科技股份有限公司 一种显示设备及内容显示方法
CN112765484A (zh) * 2020-12-31 2021-05-07 北京达佳互联信息技术有限公司 短视频推送方法、装置、电子设备及存储介质
CN112765484B (zh) * 2020-12-31 2024-04-30 北京达佳互联信息技术有限公司 短视频推送方法、装置、电子设备及存储介质
CN113592605B (zh) * 2021-08-10 2023-08-22 平安银行股份有限公司 基于相似产品的产品推荐方法、装置、设备及存储介质
CN113592605A (zh) * 2021-08-10 2021-11-02 平安银行股份有限公司 基于相似产品的产品推荐方法、装置、设备及存储介质
CN115687691A (zh) * 2022-10-25 2023-02-03 上海幻电信息科技有限公司 视频推荐方法及装置
CN116156263A (zh) * 2023-03-06 2023-05-23 四川长虹电器股份有限公司 一种用户实时追剧处理方法
CN116347171A (zh) * 2023-03-28 2023-06-27 北京奇艺世纪科技有限公司 一种视频推荐方法、装置、电子设备及存储介质
CN116506661A (zh) * 2023-03-31 2023-07-28 北京奇艺世纪科技有限公司 一种视频推荐方法、装置、电子设备及存储介质
CN117251594A (zh) * 2023-08-25 2023-12-19 百度时代网络技术（北京）有限公司 视频推荐方法及相应的模型训练方法、装置、设备及介质

Also Published As

Publication number Publication date
CN103440335B (zh) 2016-11-09
CN103440335A (zh) 2013-12-11
US20160212494A1 (en) 2016-07-21

Similar Documents

Publication Publication Date Title
CN103440335B (zh) 视频推荐方法及装置
US20210027160A1 (en) End-to-end deep collaborative filtering
US9355168B1 (en) Topic based user profiles
CN109460512B (zh) 推荐信息处理方法、装置、设备及存储介质
CN103164463B (zh) 推荐标签的方法和装置
JP5736469B2 (ja) ユーザ意図の有無に基づく検索キーワードの推薦
US10380649B2 (en) System and method for logistic matrix factorization of implicit feedback data, and application to media environments
CN103518187B (zh) 用于信息建模的方法和系统及其应用
CN107633023B (zh) 一种图像去重方法和装置
CN109189990B (zh) 一种搜索词的生成方法、装置及电子设备
US11748408B2 (en) Analyzing user searches of verbal media content
CN103260061B (zh) 一种上下文感知的iptv节目推荐方法
US20130332400A1 (en) Systems and methods for recognizing ambiguity in metadata
US20150294018A1 (en) Method and apparatus for recommending keywords
CA3111094A1 (en) Noise contrastive estimation for collaborative filtering
CN106649647B (zh) 基于人工智能的搜索结果排序方法和装置
WO2015070673A1 (zh) 浏览器侧进行网络搜索的方法与浏览器
WO2012056463A1 (en) Content recommendation for groups
CN110992127B (zh) 一种物品推荐方法及装置
WO2022095585A1 (zh) 内容推荐方法及装置
US20170132294A1 (en) App store searching
WO2020168992A1 (zh) 一种商品推荐方法、装置、设备以及存储介质
CN108062418A (zh) 一种数据搜索方法、装置及服务器
CN107592572B (zh) 视频推荐方法、装置及其设备
WO2017101328A1 (zh) 智能电视展示播放内容的方法、装置及系统

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 14842215

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 14916931

Country of ref document: US

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 14842215

Country of ref document: EP

Kind code of ref document: A1