CN103440335A - 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
CN103440335A
CN103440335A CN2013104042691A CN201310404269A CN103440335A CN 103440335 A CN103440335 A CN 103440335A CN 2013104042691 A CN2013104042691 A CN 2013104042691A CN 201310404269 A CN201310404269 A CN 201310404269A CN 103440335 A CN103440335 A CN 103440335A
Authority
CN
China
Prior art keywords
video
user preference
recommended
user
preference parameters
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.)
Granted
Application number
CN2013104042691A
Other languages
English (en)
Other versions
CN103440335B (zh
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
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 CN201310404269.1A priority Critical patent/CN103440335B/zh
Publication of CN103440335A publication Critical patent/CN103440335A/zh
Priority to PCT/CN2014/086071 priority patent/WO2015032353A1/zh
Priority to US14/916,931 priority patent/US20160212494A1/en
Application granted granted Critical
Publication of CN103440335B publication Critical patent/CN103440335B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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 program selection
    • H04N21/4826—End-user interface for program selection using recommendation lists, e.g. of programs or channels sorted out according to their score
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/73—Querying
    • G06F16/735—Filtering based on additional data, e.g. user or group profiles
    • 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

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

本发明公开了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；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；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。本发明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分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；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；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；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；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都已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，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。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。可利用现有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S102，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；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。
本步骤为迭代执行的步骤，当所有待推荐视频都写入推荐列表中时，本步骤迭代执行结束。
随后，方法100进入步骤S103，其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。
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。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一一对应的，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·雷诺”，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。可利用现有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，用item1、item2...itemn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：item1：“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获取用户标签内容和用户标签权重；初始的用户偏好参数为针对用户标签内容的用户标签权重组成的向量，用r（tag1，tag2，tag3...tagm）=（t1，t2，t3...tm）来表示，其中tag1，tag2，tag3...tagm分别为m个用户标签内容，t1，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）。
随后，方法200进入方法步骤202，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（tag1，tag2，tag3...tagk）=（s1，s2，s3...sk）来表示，其中tag1，tag2，tag3...tagk分别为待推荐视频的k个视频标签内容，s1，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_tag1、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_tag1（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）。
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item1推荐给了用户，那么本步骤首先将根据item1的特征向量item_tag1和初始的用户偏好参数r计算item1与用户偏好的相似度sim_item1。统计分析所述第一待推荐视频的视频标签内容和用户标签内容，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item1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_tag1和用户偏好参数进行插值处理，所述插值处理为在没有统计分析得到的标签内容的相应位置***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），item1“第五元素”的特征向量item_tag1（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item1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item1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***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，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），item1“第五元素”的特征向量为item_tag1（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和item1的特征向量的转置相乘得到item1与用户偏好的相似度sim_item1，即sim_item1=r*item_tag1T。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item1与用户偏好的相似度sim_item1之后，继续计算用户偏好满足度item1_satisfy=sim_item1*item_tag1。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与相似度的乘积。在上述示例中，item1_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item1_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-item1_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2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以及视频推荐模块207。
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。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一一对应的，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·雷诺”，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。现有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：item1：“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获取用户标签内容和用户标签权重；初始的用户偏好参数为针对用户标签内容的用户标签权重组成的向量，用r（tag1，tag2，tag3...tagm）=（t1，t2，t3...tm）来表示，其中tag1，tag2，tag3...tagm分别为m个用户标签内容，t1，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（tag1，tag2，tag3...tagk）=（s1，s2，s3...sk）来表示，其中tag1，tag2，tag3...tagk分别为待推荐视频的k个视频标签内容，s1，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_tag1、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_tag1（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）。
进一步的，用户偏好满足度计算模块204包括：相似度计算子模块208和用户偏好满足度计算子模块209。其中相似度计算子模块208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；用户偏好满足度计算子模块209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item1推荐给了用户，那么相似度计算子模块208首先统计分析第一待推荐视频的视频标签内容和用户标签内容，将第一待推荐视频的特征向量和用户偏好参数分别进行插值处理，插值处理为在没有统计分析得到的标签内容的相应位置***预设值；将插值处理后的用户偏好参数与第一待推荐视频的特征向量的转置相乘得到相似度。具体地，将根据item1的特征向量item_tag1和初始的用户偏好参数r计算item1与用户偏好的相似度sim_item1。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item1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_tag1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），item1“第五元素”的特征向量item_tag1（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item1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item1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***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，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），item1“第五元素”的特征向量为item_tag1（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和item1的特征向量的转置相乘得到item1与用户偏好的相似度sim_item1，即sim_item1=r*item_tag1T。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item1与用户偏好的相似度sim_item1之后，用户偏好满足度计算子模块209继续计算用户偏好满足度item1_satisfy=sim_item1*item_tag1。即，将插值处理后的第一待推荐视频的特征向量与相似度相乘得到用户偏好满足度。在上述示例中，item1_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item1_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-item1_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子模块208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”。
视频推荐模块207，适于在推荐列表生成模块203将多个待推荐视频都已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。
在此提供的算法和显示不与任何特定计算机、虚拟***或者其它设备固有相关。各种通用***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***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 (14)

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；
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；
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，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；
所述获取初始的用户偏好参数进一步包括：从用户观看视频的历史记录信息中提取出用户标签内容和用户标签权重；所述初始的用户偏好参数为针对所述用户标签内容的用户标签权重组成的向量。
3.根据权利要求2所述的方法，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进一步包括：
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，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进一步包括：
统计分析所述第一待推荐视频的视频标签内容和用户标签内容，将所述第一待推荐视频的特征向量和所述用户偏好参数分别进行插值处理，所述插值处理为在没有统计分析得到的标签内容的相应位置***预设值；
将插值处理后的用户偏好参数与所述第一待推荐视频的特征向量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，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进一步包括：
将插值处理后的第一待推荐视频的特征向量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，所述根据用户偏好满足度修正所述用户偏好参数进一步包括：
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，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进一步包括：
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；
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；
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都已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，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进一步适于：从用户观看视频的历史记录信息中提取出用户标签内容和用户标签权重；所述初始的用户偏好参数为针对所述用户标签内容的用户标签权重组成的向量。
10.根据权利要求9所述的装置，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：
相似度计算子模块，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；
用户偏好满足度计算子模块，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，所述相似度计算子模块进一步适于：统计分析所述第一待推荐视频的视频标签内容和用户标签内容，将所述第一待推荐视频的特征向量和所述用户偏好参数分别进行插值处理，所述插值处理为在没有统计分析得到的标签内容的相应位置***预设值；将插值处理后的用户偏好参数与第一待推荐视频的特征向量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，所述用户偏好满足度计算子模块进一步适于：将插值处理后的第一待推荐视频的特征向量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，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。
14.根据权利要求8-13任一项所述的装置，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。
CN201310404269.1A 2013-09-06 2013-09-06 视频推荐方法及装置 Active CN103440335B (zh)

Priority Applications (3)

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
PCT/CN2014/086071 WO2015032353A1 (zh) 2013-09-06 2014-09-05 视频推荐方法及装置
US14/916,931 US20160212494A1 (en) 2013-09-06 2014-09-05 Video recommendation method and device

Applications Claiming Priority (1)

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

Publications (2)

Publication Number Publication Date
CN103440335A true CN103440335A (zh) 2013-12-11
CN103440335B CN103440335B (zh) 2016-11-09

Family

ID=49694028

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310404269.1A Active CN103440335B (zh) 2013-09-06 2013-09-06 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 (52)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104199896A (zh) * 2014-08-26 2014-12-10 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
WO2015032353A1 (zh) * 2013-09-06 2015-03-12 北京奇虎科技有限公司 视频推荐方法及装置
CN104866490A (zh) * 2014-02-24 2015-08-26 风网科技（北京）有限公司 一种视频智能推荐方法及其***
CN105049882A (zh) * 2015-08-28 2015-11-11 北京奇艺世纪科技有限公司 一种视频推荐方法及装置
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***
CN105677715A (zh) * 2015-12-29 2016-06-15 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
CN105868317A (zh) * 2016-03-25 2016-08-17 华中师范大学 一种数字教育资源推荐方法及***
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
CN105956061A (zh) * 2016-04-26 2016-09-21 海信集团有限公司 一种用户间相似度确定方法及装置
CN106294462A (zh) * 2015-06-01 2017-01-04 Tcl集团股份有限公司 一种获取推荐视频的方法和***
CN106446135A (zh) * 2016-09-19 2017-02-22 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
CN106604137A (zh) * 2016-12-29 2017-04-26 Tcl集团股份有限公司 一种预测视频观看时长的方法及装置
CN106649848A (zh) * 2016-12-30 2017-05-10 合网络技术（北京）有限公司 视频推荐方法及装置
CN107209785A (zh) * 2015-02-11 2017-09-26 胡露有限责任公司 数据库***中的相关性表聚合
CN107360468A (zh) * 2017-06-29 2017-11-17 胡玥莹 一种视频推送***及方法
CN107368584A (zh) * 2017-07-21 2017-11-21 山东大学 一种个性化视频推荐方法及***
CN107391511A (zh) * 2016-05-16 2017-11-24 ***通信集团内蒙古有限公司 一种信息推送方法和装置
WO2018000909A1 (zh) * 2016-06-29 2018-01-04 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***
CN107562848A (zh) * 2017-08-28 2018-01-09 广州优视网络科技有限公司 一种视频推荐方法和装置
CN107688587A (zh) * 2017-02-15 2018-02-13 腾讯科技（深圳）有限公司 一种媒体信息展示方法及装置
WO2018054328A1 (zh) * 2016-09-22 2018-03-29 腾讯科技（深圳）有限公司 一种用户特征提取方法、装置及存储介质
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
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***
CN108271076A (zh) * 2017-01-03 2018-07-10 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
CN108287857A (zh) * 2017-02-13 2018-07-17 腾讯科技（深圳）有限公司 表情图片推荐方法及装置
CN108574857A (zh) * 2018-05-22 2018-09-25 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
CN108664564A (zh) * 2018-04-13 2018-10-16 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
CN108683945A (zh) * 2018-05-22 2018-10-19 苏宁易购集团股份有限公司 基于hls协议的视频播放方法及装置
CN109189988A (zh) * 2018-09-18 2019-01-11 北京邮电大学 一种视频推荐方法
CN109218801A (zh) * 2018-08-15 2019-01-15 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
CN109783687A (zh) * 2018-11-22 2019-05-21 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
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
CN110012356A (zh) * 2019-04-16 2019-07-12 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
CN110309361A (zh) * 2019-06-19 2019-10-08 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
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
CN110704677A (zh) * 2019-08-23 2020-01-17 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
CN110781391A (zh) * 2019-10-22 2020-02-11 腾讯科技（深圳）有限公司 一种信息推荐方法、装置、设备及存储介质
CN111314744A (zh) * 2020-03-17 2020-06-19 北京奇艺世纪科技有限公司 视频推送方法、服务器
CN111327955A (zh) * 2018-12-13 2020-06-23 Tcl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
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
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***及其视频课程推荐方法
CN112399251A (zh) * 2020-12-02 2021-02-23 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
CN112423134A (zh) * 2020-07-06 2021-02-26 上海哔哩哔哩科技有限公司 视频内容推荐方法、装置及计算机设备
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
CN113190758A (zh) * 2021-05-21 2021-07-30 聚好看科技股份有限公司 服务器及媒资推荐方法
CN113298277A (zh) * 2021-04-25 2021-08-24 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
CN113434779A (zh) * 2021-07-22 2021-09-24 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
CN114168792A (zh) * 2021-12-06 2022-03-11 北京达佳互联信息技术有限公司 视频推荐方法及装置
WO2022068492A1 (zh) * 2020-09-29 2022-04-07 百果园技术(新加坡)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
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***
RU2809340C1 (ru) * 2020-09-29 2023-12-11 Биго Текнолоджи Пте. Лтд. Способ, устройство и электронное устройство для рекомендации видео и носитель данных

Families Citing this family (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9973502B2 (en) * 2015-09-18 2018-05-15 Rovi Guides, Inc. Methods and systems for automatically adjusting parental controls
US10127398B2 (en) 2015-09-18 2018-11-13 Rovi Guides, Inc. Methods and systems for implementing parental controls
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
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
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***
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
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
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
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***性能的方法、装置及计算机设备
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
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***
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
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
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
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
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
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
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
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

Citations (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***及方法
CN1777279A (zh) * 2005-12-22 2006-05-24 李欣 一种自动为用户选定节目的方法及***
US20080201287A1 (en) * 2007-02-21 2008-08-21 Hitachi, Ltd. Dissimilar item recommendation method, device, and program thereof
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***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
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
CN103020161A (zh) * 2012-11-26 2013-04-03 北京奇虎科技有限公司 在线视频推荐方法和推荐***及处理***

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7757250B1 (en) * 2001-04-04 2010-07-13 Microsoft Corporation Time-centric training, inference and user interface for personalized media program guides
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
CN104918118B (zh) * 2012-10-24 2019-08-02 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
CN103209342B (zh) * 2013-04-01 2016-06-01 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
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

Patent Citations (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***及方法
CN1777279A (zh) * 2005-12-22 2006-05-24 李欣 一种自动为用户选定节目的方法及***
US20080201287A1 (en) * 2007-02-21 2008-08-21 Hitachi, Ltd. Dissimilar item recommendation method, device, and program thereof
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***及方法
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
CN103020161A (zh) * 2012-11-26 2013-04-03 北京奇虎科技有限公司 在线视频推荐方法和推荐***及处理***

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
李宁等: "个性化影片推荐***中用户模型研究", 《计算机应用与软件》, vol. 27, no. 12, 15 December 2010 (2010-12-15) *
李晓昀等: "基于隐性反馈的自适应推荐***研究", 《计算机工程》, vol. 36, no. 16, 20 August 2010 (2010-08-20) *

Cited By (77)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015032353A1 (zh) * 2013-09-06 2015-03-12 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***
CN104866490A (zh) * 2014-02-24 2015-08-26 风网科技（北京）有限公司 一种视频智能推荐方法及其***
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
CN104199896A (zh) * 2014-08-26 2014-12-10 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
CN107209785A (zh) * 2015-02-11 2017-09-26 胡露有限责任公司 数据库***中的相关性表聚合
CN107209785B (zh) * 2015-02-11 2021-02-09 胡露有限责任公司 数据库***中的相关性表聚合
CN106294462A (zh) * 2015-06-01 2017-01-04 Tcl集团股份有限公司 一种获取推荐视频的方法和***
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***
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
CN105049882A (zh) * 2015-08-28 2015-11-11 北京奇艺世纪科技有限公司 一种视频推荐方法及装置
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***
CN105677715A (zh) * 2015-12-29 2016-06-15 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
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***
CN105868317A (zh) * 2016-03-25 2016-08-17 华中师范大学 一种数字教育资源推荐方法及***
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
CN105956061A (zh) * 2016-04-26 2016-09-21 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 ***通信集团内蒙古有限公司 一种信息推送方法和装置
WO2018000909A1 (zh) * 2016-06-29 2018-01-04 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***
CN106446135A (zh) * 2016-09-19 2017-02-22 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
WO2018054328A1 (zh) * 2016-09-22 2018-03-29 腾讯科技（深圳）有限公司 一种用户特征提取方法、装置及存储介质
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***
CN106604137A (zh) * 2016-12-29 2017-04-26 Tcl集团股份有限公司 一种预测视频观看时长的方法及装置
CN106649848A (zh) * 2016-12-30 2017-05-10 合网络技术（北京）有限公司 视频推荐方法及装置
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
CN108271076A (zh) * 2017-01-03 2018-07-10 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
US10824669B2 (en) 2017-02-13 2020-11-03 Tencent Technology (Shenzhen) Company Limited Sticker recommendation method and apparatus, server cluster, and storage medium
WO2018145590A1 (zh) * 2017-02-13 2018-08-16 腾讯科技（深圳）有限公司 表情图片推荐方法、装置、服务器集群及存储介质
CN108287857A (zh) * 2017-02-13 2018-07-17 腾讯科技（深圳）有限公司 表情图片推荐方法及装置
CN107688587A (zh) * 2017-02-15 2018-02-13 腾讯科技（深圳）有限公司 一种媒体信息展示方法及装置
CN107360468A (zh) * 2017-06-29 2017-11-17 胡玥莹 一种视频推送***及方法
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***及方法
CN107368584A (zh) * 2017-07-21 2017-11-21 山东大学 一种个性化视频推荐方法及***
CN107368584B (zh) * 2017-07-21 2020-07-03 山东大学 一种个性化视频推荐方法及***
CN107562848A (zh) * 2017-08-28 2018-01-09 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
CN108664564A (zh) * 2018-04-13 2018-10-16 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
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
CN108574857A (zh) * 2018-05-22 2018-09-25 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
CN108683945A (zh) * 2018-05-22 2018-10-19 苏宁易购集团股份有限公司 基于hls协议的视频播放方法及装置
CN109218801A (zh) * 2018-08-15 2019-01-15 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
CN109189988A (zh) * 2018-09-18 2019-01-11 北京邮电大学 一种视频推荐方法
CN109783687A (zh) * 2018-11-22 2019-05-21 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
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
CN111327955A (zh) * 2018-12-13 2020-06-23 Tcl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
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
CN110012356A (zh) * 2019-04-16 2019-07-12 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
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
CN110309361A (zh) * 2019-06-19 2019-10-08 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
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
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***及其视频课程推荐方法
CN110704677A (zh) * 2019-08-23 2020-01-17 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
CN110781391A (zh) * 2019-10-22 2020-02-11 腾讯科技（深圳）有限公司 一种信息推荐方法、装置、设备及存储介质
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
CN111314744A (zh) * 2020-03-17 2020-06-19 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
WO2022007626A1 (zh) * 2020-07-06 2022-01-13 上海哔哩哔哩科技有限公司 视频内容推荐方法、装置及计算机设备
CN112423134A (zh) * 2020-07-06 2021-02-26 上海哔哩哔哩科技有限公司 视频内容推荐方法、装置及计算机设备
RU2809340C1 (ru) * 2020-09-29 2023-12-11 Биго Текнолоджи Пте. Лтд. Способ, устройство и электронное устройство для рекомендации видео и носитель данных
WO2022068492A1 (zh) * 2020-09-29 2022-04-07 百果园技术(新加坡)有限公司 视频推荐方法及装置
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
CN112399251A (zh) * 2020-12-02 2021-02-23 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
CN113298277A (zh) * 2021-04-25 2021-08-24 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
CN113190758A (zh) * 2021-05-21 2021-07-30 聚好看科技股份有限公司 服务器及媒资推荐方法
CN113434779A (zh) * 2021-07-22 2021-09-24 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
CN114168792A (zh) * 2021-12-06 2022-03-11 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
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***

Also Published As

Publication number Publication date
CN103440335B (zh) 2016-11-09
US20160212494A1 (en) 2016-07-21
WO2015032353A1 (zh) 2015-03-12

Similar Documents

Publication Publication Date Title
CN103440335A (zh) 视频推荐方法及装置
US11232142B2 (en) Flexible real estate search
CN106547767B (zh) 确定视频封面图片的方法及装置
CN105227975B (zh) 广告投放方法及装置
CN104065565B (zh) 推送消息的方法、服务器、客户端装置和***
CN109753601B (zh) 推荐信息点击率确定方法、装置及电子设备
CA3153598A1 (en) Method of and device for predicting video playback integrity
CN105512331A (zh) 一种视频推荐方法及装置
CN106294830A (zh) 多媒体资源的推荐方法及装置
CN102946566A (zh) 基于历史信息的视频推荐方法和装置
CN103930871A (zh) 基于安装历史给移动设备推荐应用
CN102419776A (zh) 一种满足用户多维度搜索需求的方法和设备
CN105404680A (zh) 一种搜索推荐方法及装置
CN106168980A (zh) 多媒体资源推荐排序方法及装置
CN105915956A (zh) 视频内容的推荐方法、装置、服务器及***
CN103412881A (zh) 提供搜索结果的方法及***
CN111144952A (zh) 基于用户兴趣的广告推荐方法、装置、服务器及存储介质
US20170228378A1 (en) Extracting topics from customer review search queries
CN109308332A (zh) 一种目标用户获取方法、装置和服务器
CN111340605B (zh) 训练用户行为预测模型、用户行为预测的方法和装置
CN103646053A (zh) 一种网站提供对象的推荐方法和装置
CN108595498B (zh) 问题反馈方法及装置
CN110188277A (zh) 一种资源的推荐方法及装置
CN112784159B (zh) 内容推荐方法、装置、终端设备及计算机可读存储介质
CN113987034A (zh) 信息展示方法、装置、电子设备及可读存储介质

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20220712

Address after: Room 801, 8th floor, No. 104, floors 1-19, building 2, yard 6, Jiuxianqiao Road, Chaoyang District, Beijing 100015

Patentee after: BEIJING QIHOO TECHNOLOGY Co.,Ltd.

Address before: 100088 room 112, block D, 28 new street, new street, Xicheng District, Beijing (Desheng Park)

Patentee before: BEIJING QIHOO TECHNOLOGY Co.,Ltd.

Patentee before: Qizhi software (Beijing) Co., Ltd