CN107968952A - 一种推荐视频的方法、装置、服务器和计算机存储介质 - Google Patents

一种推荐视频的方法、装置、服务器和计算机存储介质 Download PDF

Info

Publication number
CN107968952A
CN107968952A CN201711377680.9A CN201711377680A CN107968952A CN 107968952 A CN107968952 A CN 107968952A CN 201711377680 A CN201711377680 A CN 201711377680A CN 107968952 A CN107968952 A CN 107968952A
Authority
CN
China
Prior art keywords
video
recommendation
correlation index
index
dimensional matrix
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
CN201711377680.9A
Other languages
English (en)
Other versions
CN107968952B (zh
Inventor
史小龙
徐钊
王洁
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.)
Poly Polytron Technologies Inc
Juhaokan Technology Co Ltd
Original Assignee
Poly Polytron Technologies Inc
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 Poly Polytron Technologies Inc filed Critical Poly Polytron Technologies Inc
Priority to CN201711377680.9A priority Critical patent/CN107968952B/zh
Publication of CN107968952A publication Critical patent/CN107968952A/zh
Application granted granted Critical
Publication of CN107968952B publication Critical patent/CN107968952B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
    • H04N21/251—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H04N21/252—Processing of multiple end-users' preferences to derive collaborative data
    • 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]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
    • H04N21/262—Content or additional data distribution scheduling, e.g. sending additional data at off-peak times, updating software modules, calculating the carousel transmission frequency, delaying a video stream transmission, generating play-lists
    • H04N21/26258—Content or additional data distribution scheduling, e.g. sending additional data at off-peak times, updating software modules, calculating the carousel transmission frequency, delaying a video stream transmission, generating play-lists for generating a list of items to be played back in a given order, e.g. playlist, or scheduling item distribution according to such list
    • 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]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
    • H04N21/262—Content or additional data distribution scheduling, e.g. sending additional data at off-peak times, updating software modules, calculating the carousel transmission frequency, delaying a video stream transmission, generating play-lists
    • H04N21/26291—Content or additional data distribution scheduling, e.g. sending additional data at off-peak times, updating software modules, calculating the carousel transmission frequency, delaying a video stream transmission, generating play-lists for providing content or additional data updates, e.g. updating software modules, stored at the client
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
    • H04N21/442—Monitoring of processes or resources, e.g. detecting the failure of a recording device, monitoring the downstream bandwidth, the number of times a movie has been viewed, the storage space available from the internal hard disk
    • H04N21/44213—Monitoring of end-user related data
    • H04N21/44222—Analytics of user selections, e.g. selection of programs or purchase activity
    • 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
    • H04N21/458—Scheduling content for creating a personalised stream, e.g. by combining a locally stored advertisement with an incoming stream; Updating operations, e.g. for OS modules ; time-related management operations
    • H04N21/4586—Content update operation triggered locally, e.g. by comparing the version of software modules in a DVB carousel to the version stored locally
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H04N21/4662—Learning process for intelligent management, e.g. learning user preferences for recommending movies characterized by learning algorithms
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H04N21/4667—Processing of monitored end-user data, e.g. trend analysis based on the log file of viewer selections
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H04N21/4668—Learning process for intelligent management, e.g. learning user preferences for recommending movies for recommending content, e.g. movies
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/47—End-user applications
    • H04N21/482—End-user interface for program selection
    • H04N21/4826—End-user interface for program selection using recommendation lists, e.g. of programs or channels sorted out according to their score

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Social Psychology (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)

Abstract

本发明涉及内容推荐技术领域，提供一种推荐视频的方法、装置、服务器和计算机可读存储介质。所述方法包括：基于在二维矩阵中记录用于表示第一视频之间显示状态转移的关联矢量，生成第一视频的关联指数；根据第一视频和第二视频之间的内容相似度，以及关联指数得到第二视频的推荐指数；基于对推荐指数排序后的大小顺序，从第二视频中确定用于向用户推送的推荐视频集合。因此本发明克服强调用户之间的共同偏好存在推荐热点的问题，以及通过视频内容的相似度判断不同用户的偏好也关联，导致推荐视频不准确的问题，从而提高向用户推荐视频的准确性。

Description

一种推荐视频的方法、装置、服务器和计算机存储介质
技术领域
本发明涉及内容推荐技术领域，尤其涉及一种基于视频内容相似算法推荐视频的方法、装置、视频推荐服务器和计算机存储介质。
背景技术
在相关技术中，视频推荐***包括客户端和与客户端通信的服务器，服务器接收用户通过安装在客户端上的应用生成的行为数据(下称用户行为数据，例如：视频的历史评分、播放时长、点击次数等)，或者在客户端上存储的视频内容(例如：演员、视频类型等)，例如基于用户偏好或者视频内容的相似度向客户端推荐服务器上的视频。
目前在服务器上查找推荐视频的算法主要采用两种：基于用户行为数据的协同过滤算法和基于视频内容的相似推荐算法，其中，协同过滤算法需要根据不同用户之间偏好的相似度，搜索与目标用户具有相似历史偏好的一组最近用户，由于过于依赖最近用户的用户行为数据，导致在视频更新速度快时不存在最近用户观看新视频的用户行为数据不充足，容易无法推荐新视频，也即过滤推荐算法的冷启动问题。为了克服推荐视频的冷启动问题，可以引进基于用户行为数据-视频内容的协同过滤算法，基本的技术思路为：根据目标用户观看的视频，发现与该视频相似的其他用户偏好的视频，并且基于前述目标用户的用户行为数据评测的历史偏好信息，向该目标用户推荐其他用户观看的相似视频，更加强调不同用户之间的共同偏好。
如图1所示，用户U1偏好视频A和B，用户U2偏好视频A、B和C，用户U3偏好视频A，从这些用户的偏好视频中可以得知，用户U1、用户U2和用户U3均偏好视频A，用户U1和用户U2共同偏好视频C，以及视频A与视频C相似，因此判断偏好视频A的用户也偏好视频C，即将视频C推荐给用户U3。
然而，强调用户之间的共同偏好会存在推荐热点的问题，并且通过视频内容之间的相似度推断用户在不同视频之间的偏好也相互关联，在评测用户对推荐视频的偏好性中容易出现错误，会导致向用户推荐视频不准确的问题。
发明内容
有鉴于此，本发明提供一种基于视频内容相似算法推荐视频的方法、装置、视频推荐服务器和计算机程序可读存储介质，解决基于协同过滤算法强调不同用户之间对视频的共同偏好存在推荐热点，以及通过视频内容之间的相似度判断不同用户对不同视频的偏好相互关联，存在推荐不准确的问题。
具体地，本发明通过如下技术方案实现：
第一方面，本发明提供一种基于视频内容相似算法推荐视频的方法，所述方法包括以下具体步骤：
基于在二维矩阵中记录用于表示第一视频之间显示状态转移的关联矢量，生成第一视频的关联指数；
根据第一视频和第二视频之间的内容相似度，以及关联指数得到第二视频的推荐指数；
基于对推荐指数排序后的大小顺序，从第二视频中确定用于向用户推送的推荐视频集合。
第二方面，基于相同的构思，本发明还提供一种基于视频内容相似算法推荐视频的装置，所述装置包括以下具体单元：
关联指数计算单元，用于基于在二维矩阵中记录用于表示第一视频之间显示状态转移的关联矢量，生成第一视频的关联指数；
推荐指数计算单元，用于根据第一视频和第二视频之间的内容相似度，以及关联指数得到第二视频的推荐指数；
推荐视频确定单元，用于基于对推荐指数排序后的大小顺序，从第二视频中确定用于向用户推送的推荐视频集合。
第三方面，基于相同的构思，本申请还提供一种视频推荐服务器，该服务器包括处理器、存储器和存储在所述存储器中且可运行在所述处理器上的计算机程序，所述计算机程序运行时实现以下具体步骤，所述具体步骤包括第一方面所述步骤。
第四方面，基于相同的构思，本申请还提供一种计算机可读存储介质，该计算机可读存储介质至少存储有一个指令或者一组指令，当该指令处于执行状态时，实现第一方面所述步骤。
本发明实施例提供的技术方案带来的有益效果是：
相比于现有技术，本发明基于在二维矩阵中记录用于表示第一视频之间显示状态转移的关联矢量，生成所述第一视频的关联指数，通过用户操作使得第一视频之间的显示状态转移，利用转移前后的关联矢量所生成的关联指数，客观衡量第一视频之间的关联程度，在此基础上，通过第二视频扩大推荐范围，采用视频相似算法查找与第一视频相似的第二视频，以第一视频和第二视频之间的内容相似度和第一视频的关联指数得到推荐指数，可以从视频自身内容和用户行为两个方面共同对第一视频和第二视频之间关联性进行客观衡量，进而基于对推荐指数排序后的大小顺序，从所述第二视频中确定用于向用户推送的推荐视频集合，以克服推荐热点、提高推荐视频的准确性。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是现有技术中基于用户行为数据-视频内容的协同过滤算法原理的示意图；
图2是本发明实施例一提供的一种基于视频内容相似算法推荐视频的详细流程示意图；
图3是本发明实施例一提供的在视频推荐页面中发生用户操作时第一视频之间显示状态转移的示意图；
图4是本发明实施例一提供的在二维矩阵图中记录关联指数的示意图；
图5是本发明实施例一提供的步骤S220的详细流程图；
图6是本发明实施例一提供的对关联指数和推荐指数拟合的示意图。
图7是本发明实施例二提供的一种基于视频内容相似算法推荐视频的装置结构图；
图7a是本发明实施例二提供的另一种基于视频内容相似算法推荐视频的装置结构图；
图8是本发明实施例三提供的一种视频推荐服务器的示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
实施例一
请参考图2，是本发明一种示例性实施方式中的一种基于视频内容相似算法推荐视频的方法的流程图，该方法包括以下具体步骤：
步骤S210：基于在二维矩阵中记录用于表示第一视频之间显示状态转移的关联数据，生成第一视频的关联指数；
在观看视频的过程中，用户会根据个人偏好在视频分类页面中选择感兴趣的视频分类，进而在该视频分类中根据视频描述信息选择感兴趣的视频，以及在该视频播放后，用户失去兴趣会停止观看该视频并打开其他视频，这个过程中用户操作产生了矢量关联参数，该矢量关联参数用于指示用户操作使得视频播放状态发生转移，可以包括视频起播时间、视频起播到结束播放的播放时间段、不同视频之间的点击次数或/和视频播放次数，前述参数结合视频标识组成矢量关联参数。
示范性的，如图3所示，在视频显示页面300中按照视频类别进行分组，用户点击一个“电影热播榜”分组320后进入该视频分组下的显示分页321，在该显示分页321中用户再次点击播放电影“春娇救志明”，在此之后，若用户点击该显示分页321下的相关推荐视频“摆渡人”，则构成分组内视频的显示状态转移，显示状态转移的关联矢量为春娇救志明→摆渡人；若用户从显示分页321中返回到视频显示页面300，进而点击“少儿热播榜”分组310，进入分组310对应的显示分页，则构成分组间视频的显示状态转移，分组间的关联矢量为电影热播榜→少儿热播榜。
将上述矢量关联参数记录在二维矩阵表中，在该二维矩阵表的行列和纵列上，按照生成矢量关联参数的先后顺序，依次从左到右、从上到下记录该矢量关联参数对应的视频标识，进而基于矢量关联参数计算得到关联指数，并将该关联指数记录在与不同于上述二维矩阵表的二维矩阵中，该二维矩阵可以是与上述二维矩阵表中的视频标识一致的二维矩阵表，采用矢量关联参数客观反映不同用户操作使得视频之间播放状态相互关联，更加具有针对性、真实性，以此计算得到的关联指数表征视频之间的关联程度，在基于视频内容相似度推荐视频时更加准确。
可选地，将前述二维矩阵表中的关联指数转换为二维矩阵图，或者直接以关联指数替代二维矩阵表中对应位置记录的矢量关联参数。
可选地，在二维矩阵表中记录在预设时间段内的矢量关联参数，按照该预设时间段周期性更新由用户操作视频显示页面生成的更新矢量关联参数，如此可以减小矢量关联参数的时间跨度，控制矢量关联参数的数据量，抵消推荐热点效应，该预设时间段可以是根据不同时段内用户操作行为产生的关联数据量的多少自适应设置，也可以是人工设置的经验值，例如：3小时、12小时、24小时、48小时等。
当到达预设起始时间时，以在第一预设时间段内接收的关联矢量更新二维矩阵，第一预设时间段小于预设起始时间和预设终止时间之间的第二预设时段，在更新二维矩阵后且在第二预设时段内，根据更新后的二维矩阵中记录的关联矢量确定关联指数。
示范性的，预设起始时间为18：10，到达18：10时，接收第一预设时间段4小时内的关联矢量且更新在18：10之前的二维矩阵，以及在22：10之后的1小时内利用前述二维矩阵计算得到关联指数，其中，第一预设时间段4小时和1小时之和为18：10到预设结束时间的时间间隔。
表1
A1 A2 ... AN
A1 (a11,a11,P11) (a11,a12,P12) ... (a11,a1N,P1N)
A2 (a22,a21,P21) (a22,a22,P22) ... (a22,a2n,P2N)
... ... ... ... ...
AN (aNN,aN1,PN1) (aNN,aN2,PN2) ... (aNN,aNN,PNN)
其中，计算得到关联指数的公式(1)为：其中，P1为关联指数，a为关联矢量参数，A为视频标识，m、n、i、j分别为视频标识在二维矩阵表的行列或纵列上的存储位置。其中，同一行列中的关联指数之和均等于1。
示范性的，视频推荐页面中显示有9个视频的视频推荐信息，当用户点击其中一个视频推荐信息对应的链接时，从视频推荐页面跳转到用于播放视频2的播放页面，并且向服务器发送播放请求，在该播放请求中携带视频2的标识2和视频1的标识1，视频2和视频1是连续两次从视频推荐页面跳转到分别播放两个视频的不同播放页面，在跳转过程中，需要先从播放视频1的播放页面返回到视频推荐页面，服务器从前述播放请求中提取标识为关联矢量1→2，其中，1为起始视频标识、2为终止视频标识，依次类推，从3个不同终端在一天内发送的播放请求中分别提取出关联矢量，并且按照关联矢量中的起始视频标识分别统计第一关联矢量个数，以及对包含相同起始视频标识和终止视频标识的关联矢量个数进行统计，统计得到第二关联矢量个数，以第二关联矢量个数与第一关联矢量个数之间的商作为关联指数，例如：当第一关联矢量个数为20，且其中包含3个1→2、2个1→3、9个1→8、1个1→6、2个1→1和3个1→9时，根据公式(1)计算可得与起始视频标识1对应的关联参数为0.15、0.1、0.05、0.1、0.15，相应地，1→5、1→7、1→4对应的关联参数设置为0。
可选地，在基于矢量关联参数计算得到各个关联指数后，将关联指数转换为二维矩阵图，该二维矩阵图中的行列和纵列的顺序与二维矩阵表中的视频标识顺序一一映射。
表2
→A1 →A2 →A3 →A4
A1→ (10,5,0.5) (10,3,0.3) (10,1,0.1) (10,1,0.1)
A2→ (20,2,0.2) (20,10,0.5) (20,6,0.3) (20,0,0)
A3→ (5,0,0) (5,1,0.2) (5,3,0.6) (5,1,0.2)
A4→ (23,2,0.1) (23,2,0.1) (23,2,0.1) (23,16,0.7)
示范性的，结合表1和图4所示，二维矩阵表中记录有矢量关联参数Ai→、→Aj、包含有第一关联矢量个数和第二关联矢量个数，其中，第一关联矢量中包含Ai→,第二关联矢量中包括Ai→和→Aj，包含A1→的第一关联矢量的个数为20个，其中，第二关联矢量的个数为5个，根据公式(1)计算得到关联参数为0.5，依次计算后得到表1中的各个关联参数。
从表1中按照从左到右、从上到下的顺序依次读取各个关联参数，并按照读取顺序依次写入到二维矩阵图中，如图4所示。
可选地，矢量关联参数中包括视频起播到结束播放的时间段，在按照视频标识统计矢量关联参数中跳转次数的基础上，相应的，统计前述时间段得到总播放时间，并且根据公式(1)分别计算得到次数维度上的第一关联参数和时间维度上的第二关联参数，以第一关联参数和第二关联参数的平均值作为目标关联参数，即公式(2)为其中，P1、P2可利用公式(1)计算得到；当然，也可以仅对第二关联参数统计，并且根据公式(1)计算得到第二关联指数，以第二关联指数作为目标关联指数。
示范性的，参考表2所示，表2中的关联参数为第一关联参数，关联矢量A1→的总播放时长为120分钟、关联矢量A3→的总播放时长为80分钟，在总播放时长内，→A1的播放时长为20分钟、→A4的播放时长为35分钟，则第二关联参数依次为0.1和0.4，目标关联参数为(0.5+0.1)/2＝0.3和(0.2+0.4)/2＝0.3，如此可以在保证关联矢量Ai→对应的行列或纵列上目标关联参数为1的基础上，通过两个不同维度的参数使得目标关联参数之间相互平均化，以部分抵消推荐热点。
可选地，在矢量关联参数中同时包含次数维度和时间维度的参数情况下，按照二维矩阵的各个行列上的先后顺序，对根据公式(1)计算得到的第一关联指数和第二关联参数进行加权平均，并且以加权平均值作为目标关联指数，本领域技术人员可以得到，此处不再赘述。
可选地，在矢量关联参数中还包括视频分组标识，根据该视频分组标识对关联矢量进行次数维度或/时间维度的参数统计，并且根据前述公式计算得到分组关联指数，以及各个分组下的第一关联指数和/或目标关联指数。
步骤S220：根据第一视频和第二视频之间的内容相似度，以及所述关联指数得到所述第二视频的推荐指数；
与矢量关联参数中视频标识对应的视频为第一视频，第一视频的视频信息是在用户操作视频推荐页面之前已经推荐给用户的描述信息或者下载链接，并且随着用户在视频推荐页面上的操作行为将与视频信息对应的第一视频下载到视频推荐页面所在的客户端，与该客户端通信的服务器中存储第一视频和与第一视频不同的第二视频，该第二视频的视频信息暂未推荐在前述视频推荐页面上，第一视频和第二视频可以分别存储在不同的媒资库中，以节省两者匹配的时间，提高效率。
在接收到前述矢量关联参数后，查找与关联指数映射的视频标识对应的第一视频，从第二视频中匹配与第一视频的视频内容相似的视频，并且在匹配成功时，记录第一视频和第二视频之间的内容相似度，进而计算该内容相似度和前述关联指数得到推荐指数，该推荐指数是以内容相似度和关联指数为参数表示且用于指示第二视频和第一视频之间的关联程度，以供由筛选出关联程度较大的第二视频生成视频推荐集合。
为了简化匹配内容、提高匹配效率，在第一视频和第二视频匹配的过程中，可以计算前述视频之间的视频标签相似度，当该视频标签的相似度大于预设相似度时，从存储第二视频的媒资库中提取与该视频标签的相似度对应的第二视频生成候选视频集合，以及计算该视频标签的相似度和与第一视频对应的关联指数之间的第一数值乘积，将第一数值乘积作为候选视频集合中第二视频的推荐指数。
表3
示范性的，结合表2和表3所示，计算表2中各个视频标识对应的第一视频和第二视频之间的内容相似度，以大于预设相似度的内容相似度与该内容相似度对应的关联指数的数值乘积，以数值乘积替换表2中的关联指数得到表3，表3中记录推荐指数，其中，关联矢量中A1→的视频标识A1，与A1所标识的第一视频的内容相似度大于0.6的第二视频分别以B1、B2、B3和B4作为标识，相应地，内容相似度依次为0.6、0.7、0.8和0.7，可以减小推荐指数整体之间的差距，进一步使内容相似度高的第一视频和第二视频之间的关联程度均匀化，抵消推荐热点效应，并且可以增大局部视频之间关联程度的差异化，例如：关联矢量A4→中推荐指数0.09、0.06、0.07之间的差值均大于关联指数的差值0，且小于内容相似度之间的差值0.3、0.2和0.1。
在以第二视频生成候选视频集合的过程中，计算关联指数和预设推荐总数之间的第二数值乘积后得到候选推荐个数，然后对与第一视频相似度高于预设值的第二视频进行排序，按照从高到低的顺序对前述第二视频分组得到候选视频分组，从各个分组中选取个数不大于候选推荐个数的第二视频，并且选取的第二视频对应的内容相似度与第一视频对应的关联指数呈负相关，以选取出的第二视频生成候选视频集合。
如果不同第二视频的关联指数不同，第二视频也对应不同的候选推荐个数，这样在候选视频集合中与各个第一视频相似的第二视频个数也有所差异，可以进一步消去推荐热点。
示范性的，参考表3，将第二视频的120个预设推荐总数配置到4个第一视频上均为30个候选推荐个数，其中，针对第一视频A1，分配到关联矢量A1→A1的候选推荐个数0.5×30＝15，对与第一视频A1之间的相似度大于0.4的50个第二视频进行排序后，按照相似度从高到低的顺序依次将前述50个第二视频分为5组，从各个组中分别选取分布在低序中的3个第二视频，组成关联指数0.5对应的第一候选推荐视频，之后，关联指数0.3对应的候选推荐个数为9，从前述5个组中的第一组选取分布在低序中的1个第二候选推荐视频，从第二组到第五组中选取分布在低序中的2个第二候选推荐视频，关联指数0.1对应的候选推荐个数为3，从前三个分组中依次选取分布在高序中的1个第三候选推荐视频，以第一候选推荐视频、第二候选推荐视频和第二候选推荐视频组成第一视频A1的候选推荐集合。
可选地，根据关联矢量中第一视频标识对应的关联指数从大到小的顺序，从各个候选视频分组中选取出第二视频，选取出的第二视频对应的内容相似度与第一视频对应的关联指数呈正相关。
可选地，基于候选视频分组中第二视频与关联矢量中的起始视频标识对应的起始视频之间的第一内容相似度，以及与终止视频标识对应的终止视频标识对应的第二内容相似度，计算第一内容相似度和第二内容相似度的平均值作为目标内容相似度，根据目标内容相似度从低到高的顺序排列后，选取前述起始视频标识对应的候选推荐集合。
可选地，为了增强不同起始视频标识映射的关联矢量之间关联性，将起始视频标识的候选推荐集合中第二视频的内容相似度转换为二维矩阵图，以该二维矩阵图和由各个关联指数转换的二维矩阵图内积作为推荐指数矩阵，也可以提高计算推荐指数的效率。
示范性的，由内容相似度转换20×5的第一二维矩阵图，由关联指数转换5×5的第二二维矩阵图，在第二二维矩阵图的行列上的起始视频标识从上到下依顺为1-5，按照第一二维矩阵图的纵列上从左到右的顺序，与1映射的纵列数为1-10，与2映射的纵列数为11-16，与3对应的纵列数为17-19，与4对应的纵列数为20，，以第二二维矩阵图为左矩阵点乘以第一二维矩阵图为右矩阵得到推荐指数矩阵图。
作为一种可选地的具体实施方式，提供步骤S220的详细流程图，如图5所示。
步骤S510:根据关联矢量中起始分组标识的总个数和终止分组标识的个数得到与起始分组标识所标识的第一视频分组对应的关联指数。
当接收到请求包时，从请求包中解析关联数据，该关联数据中包括视频分组标识和关联矢量，该关联矢量中包括起始分组标识、起始分组标识所标识视频分组中的起始视频、终止分组标识和终止分组标识所标识视频分组中的终止视频，根据起始分组标识的个数和包含相同起始分组标识的关联矢量中的终止分组标识个数，计算该起始分组标识个数和前述终止分组标识的个数之间的第一比值，该第一比值为该起始分组标识对应的关联指数。
示范性的，关联矢量中包括分组标识游戏、电影、电视剧、直播、教育5个类目，其中，在游戏类目下有10个第一视频标识，包含各个视频标识的关联矢量包括：(游戏，1，电视剧，3)、(游戏，1，电视剧，2)、(游戏，3，直播，5)等，按照关联矢量中参数的先后顺序，游戏为起始分组标识、在其之后的电视剧和直播等类目为终止分组标识，相应地，在两个类目之间的数字1、3为游戏类目下的第一视频起始标识，在终止分组标识之后的数字3、2和5为第一视频终止标识，对以游戏为起始分组标识的关联矢量个数进行累计，累计后得到第一累计值3，对以游戏为起始分组标识、以电视剧为终止分组标识的关联矢量个数进行累计，累计后得到第二累计值2，第二累计值与第一累计值的比值为0.67，0.67为游戏类目下与电视剧类目对应的关联指数。
步骤S520:根据该第一视频分组对应的关联指数和预设推荐个数之间的数值乘积得到与该起始分组标识对应的候选推荐个数。
在服务器中预先设置有向不同用户推荐视频的预设推荐个数，根据关联矢量的总个数及其与起始分组标识的个数之间的第二比值，以第二比值和预设推荐个数之间的相乘后的数据乘积为该起始分组标识对应的候选推荐个数。
示范性的，关联矢量的总个数为200个，以游戏类目为起始分组标识的关联矢量个数为30个，第一比值0.15与预设推荐总数60个之间的第二比值为9个，即游戏类目下的候选推荐个数为9个。
可选的，将预设推荐个数平均分配到各个起始分组标识对应的第一视频分组，将平均分配后的平均值作为第一比值。
步骤S530:从与该起始分组标识映射的第二视频中匹配与第一视频相似的候选推荐视频，该候选推荐视频的个数不大于候选推荐个数。
在服务器的视频库中存储有多个第二视频分组，第二视频分组是将第二视频按照客户端上相同的视频标签进行分组得到，将有该视频标签生成的索引链接作为视频分组标识对第二视频分组进行标记，可以提高匹配第二视频的效率。
根据视频分组标识，分别从第一视频库中提取第一视频分组和从第二视频库中提取第二视频分组，根据第一视频分组中第一视频的关键帧，从第二视频分组中匹配与该关键帧相似的第二视频，该第二视频为候选推荐视频，其中，对候选推荐视频与关键帧之间的相似度大于预设相似阈值，然后对候选推荐视频映射的相似度进行升序处理后得到候选推荐集合。
步骤S540:对该第一视频分组中各个第一视频的关联指数进行转换得到第一二维矩阵图，对第一二维矩阵和由候选推荐视频的内容相似度转换得到的第二二维矩阵图进行点乘，点乘后得到与该起始分组标识对应的推荐指数矩阵。
由第一视频分组中第一视频的关联指数转换得到第一二维矩阵图，对候选推荐集合中候选推荐视频的内容相似度进行矩阵转换后得到第二二维矩阵图，第一二维矩阵图和第二二维矩阵图的点乘得到与前述第二视频分组对应的推荐指数矩阵。
可选地，按照第一二维矩阵中关联指数的从小到大的顺序，记录在该推荐指数矩阵中的推荐指数和在第一二维矩阵图中的关联指数之间呈正态分布，进而对前述推荐指数和关联指数进行线性拟合后的拟合系数介于0.1和0.5之间。
示范性的，以第一二维矩阵中的关联指数和推荐指数矩阵中的推荐指数拟合曲线，拟合后的正太分布如图6所示，前述推荐指数中峰值CI2小于标准推荐指数CI3，CI3＝1对应于第一二维矩阵图的关联指数NI中的0.5，关联指数0.83对应在推荐指数矩阵中的0.5，该0.5小于峰值CI2(例如：CI2＝0.63)。
步骤S130：基于对推荐指数排序后的大小顺序，从第二视频中确定用于向用户推送的推荐视频集合。
对推荐指数矩阵中记录的推荐指数做升序处理，并且根据升序后推荐指数的顺序，对候选推荐集合中第二视频进行一致性排序，排序后的第二视频为推荐视频集合，该推荐视频集合用于向不同用户推荐第二视频。
其中，不同用户重新打开分布在不同客户端上的视频推荐页面时，客户端向服务器发送更新请求，当接收到更新请求时，将推荐视频集合中第二视频信息(例如：关键帧、视频描述文字、视频标签和下载链接等)推送给客户端。
实施例二
基于相同的构思，本发明实施例二还提供一种基于视频内容相似算法推荐视频的装置，该装置可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，本发明的处理测试数据的装置作为一个逻辑意义上的装置，是通过其所设备的CPU将存储器中对应的计算机程序指令读取后运行而成。
请参考图7，是本发明一种示例性实施方式中的一种推荐视频的装置700，所述装置应用于客户端设备，该装置基本运行环境包括CPU，存储器以及其他硬件，从逻辑层面上来看，该装置700的逻辑结构如图7所示，其中包括：
关联指数计算单元710，用于基于在二维矩阵中记录用于表示第一视频之间显示状态转移的关联矢量，生成第一视频的关联指数；
推荐指数计算单元720，用于根据第一视频和第二视频之间的内容相似度，以及关联指数得到第二视频的推荐指数；
推荐视频确定单元730，用于基于对推荐指数排序后的大小顺序，从第二视频中确定用于向用户推送的推荐视频集合。
可选地，关联指数计算单元710中包括第一计算单元711和第二计算单元712，推荐指数计算单元720包括推荐个数分配单元721和矩阵转换单元722。
其中，第一计算单元711用于根据矢量关联参数中终止视频标识对应的播放时间和起始视频标识对应的总播放时间之间的比值确定第一关联指数；第二计算单元712用于根据关联矢量中终止视频标识的个数和起始视频标识的总个数之间的比值确定第二关联指数，且计算第二关联指数和第一关联指数之间的平均值作为目标关联指数。
推荐个数分配单元721用于根据预设推荐个数和目标关联指数之间的数值乘积确定终止视频标识对应的候选推荐个数；矩阵转换单元722用于将各个起始视频标识对应的关联指数转换为第一二维矩阵图，且将推荐指数转换为第二二维矩阵图，以及第一二维矩阵图和第二二维矩阵图之间点乘后得到推荐指数矩阵。
上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。
实施例三
参考图8所示，本发明实施例三还提供一种视频推荐服务器800，该服务器800包括与控制总线810连接的处理器820、存储器830和存储在存储器830中的计算机程序，该计算机程序可运行在处理器中，当处理器820运行该计算机程序时实现实施例一中所述方法步骤。
其中，当在处理820中运行前述计算机程序时，处理器810通过控制总线810从推荐视频库840中读取视频及其视频信息，连接在控制总线810上的通信接口850与客户端之间通信，以将推荐视频集合中的第二视频推送到前述客户端。
可选地，本发明提供一种计算机可读存储介质，该计算机可读存储介质中存储有至少一个或者一组指令，当在计算机可读存储介质中执行该指令时，实现实施例一中描述的方法步骤。
对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个API接口上，抑或对或对API接口集成得到的API总接口。可以根据实际的需要选择其中的部分或者全部模块来实现本申请方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。

Claims (10)

1.一种基于视频内容相似算法推荐视频的方法，其特征在于，所述方法包括以下具体步骤：
基于在二维矩阵中记录用于表示第一视频之间显示状态转移的关联矢量，生成所述第一视频的关联指数；
根据所述第一视频和第二视频之间的内容相似度，以及所述关联指数得到所述第二视频的推荐指数；
基于对所述推荐指数排序后的大小顺序，从所述第二视频中确定用于向用户推送的推荐视频集合。
2.根据权利要求1所述的方法，其特征在于，在根据所述第一视频和第二视频之间的内容相似度，以及所述关联指数得到所述第二视频的推荐指数中，具体包括：
根据所述关联指数和预设推荐个数之间的数值乘积，确定所述关联矢量中终止视频标识对应的候选推荐个数；
基于对所述内容相似度排序后的大小关系和所述候选推荐个数，确定不低于预设相似度的所述内容相似度；
根据所述目标相似度和所述关联指数之间数值相乘确定所述推荐指数。
3.根据权利要求1所述的方法，其特征在于，在根据所述第一视频和第二视频之间的内容相似度，以及所述关联指数得到所述第二视频的推荐指数中，具体包括：
将基于所述关联矢量中终止视频标识的个数和起始视频标识对应的总个数确定的所述关联指数转换为第一二维矩阵图；
根据所述关联指数和预设推荐个数之间的数值乘积得到与所述终止视频标识对应的候选推荐个数；
从与所述起始视频标识映射的第二视频中匹配与第一视频相似的候选推荐视频，对不大于所述候选推荐个数的所述候选推荐视频和所述第一视频之间的内容相似度进行矩阵转换得到第二二维矩阵图；
所述第一二维矩阵和所述第二二维矩阵点乘后得到推荐指数矩阵。
4.根据权利要求3所述的方法，其特征在于，在所述第一二维矩阵和所述第二二维矩阵点乘后得到推荐指数矩阵中，具体包括：
按照所述第一二维矩阵中所述关联指数的从小到大顺序，所述关联指数和所述推荐指数矩阵中的所述推荐指数之间呈正太分布。
5.根据权利要求1所述的方法，其特征在于，在基于在二维矩阵中记录用于表示第一视频之间显示状态转移的关联矢量，生成所述第一视频的关联指数中具体包括：
基于所述关联矢量中终止视频标识的个数和起始视频标识的总个数之间的比值生成与所述终止视频标识对应的所述关联指数。
6.根据权利要求1-5任一项所述的方法，其特征在于，在基于在二维矩阵中记录用于表示第一视频之间显示状态转移的关联矢量，生成所述第一视频的关联指数中，具体包括：
根据所述关联矢量中起始视频标识的总个数和终止视频标识的个数之间的比值确定第一关联指数；
根据所述终止视频标识对应的播放时间和所述起始视频标识对应的总播放时间之间的比值确定第二关联指数；
基于第一关联指数和第二关联指数之间的平均值确定与所述终止视频标识对应的所述关联指数。
7.根据权利要求1-3任一项所述的方法，其特征在于，在基于在二维矩阵中记录用于表示第一视频之间显示状态转移的关联矢量，生成所述第一视频的关联指数中，具体还包括：
当到达预设起始时间时，以在第一预设时间段内接收的关联矢量更新所述二维矩阵，所述第一预设时间段小于所述预设起始时间和预设终止时间之间的第二预设时段；
在更新所述二维矩阵后且在所述第二预设时段内，根据更新后的所述二维矩阵中记录的所述关联矢量确定所述关联指数。
8.一种基于视频内容相似算法推荐视频的装置，其特征在于，所述装置包括：
关联指数计算单元，用于基于在二维矩阵中记录用于表示第一视频之间显示状态转移的关联矢量，生成所述第一视频的关联指数；
推荐指数计算单元，用于根据所述第一视频和第二视频之间的内容相似度，以及所述关联指数得到所述第二视频的推荐指数；
推荐视频确定单元，用于基于对所述推荐指数排序后的大小顺序，从所述第二视频中确定用于向用户推送的推荐视频集合。
9.一种视频推荐服务器，其特征在于，所述视频推荐服务器包括：处理器、存储器和存储在所述存储器中且可运行在所述处理器上的计算机程序，所述计算机程序运行时实现以下具体步骤，所述具体步骤包括所述权利要求1-7中任一权利要求所述步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括：至少一个指令，在所述指令执行时实现以下具体步骤，所述具体步骤所述权利要求1-7中任一权利要求所述步骤。
CN201711377680.9A 2017-12-19 2017-12-19 一种推荐视频的方法、装置、服务器和计算机可读存储介质 Active CN107968952B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711377680.9A CN107968952B (zh) 2017-12-19 2017-12-19 一种推荐视频的方法、装置、服务器和计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711377680.9A CN107968952B (zh) 2017-12-19 2017-12-19 一种推荐视频的方法、装置、服务器和计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN107968952A true CN107968952A (zh) 2018-04-27
CN107968952B CN107968952B (zh) 2020-11-03

Family

ID=61995617

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711377680.9A Active CN107968952B (zh) 2017-12-19 2017-12-19 一种推荐视频的方法、装置、服务器和计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN107968952B (zh)

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108847259A (zh) * 2018-06-29 2018-11-20 北京奇虎科技有限公司 短视频制作方法、装置、电子设备及计算机存储介质
CN109241301A (zh) * 2018-08-31 2019-01-18 北京优酷科技有限公司 资源推荐方法及装置
CN109255383A (zh) * 2018-09-10 2019-01-22 北京唐冠天朗科技开发有限公司 一种身份信息与展示信息的匹配方法和***
CN110213671A (zh) * 2019-06-04 2019-09-06 北京奇艺世纪科技有限公司 一种热点短视频确定方法和装置
WO2020007083A1 (zh) * 2018-07-04 2020-01-09 北京字节跳动网络技术有限公司 视频关联信息的处理方法、装置、电子设备及存储介质
WO2020037886A1 (zh) * 2018-08-24 2020-02-27 深圳创维－Rgb电子有限公司 视频关联方法、装置及计算机可读存储介质
CN110895594A (zh) * 2018-08-23 2020-03-20 武汉斗鱼网络科技有限公司 一种页面展示的方法以及相关设备
CN111010592A (zh) * 2019-12-19 2020-04-14 上海众源网络有限公司 一种视频推荐方法、装置、电子设备及存储介质
CN111949866A (zh) * 2020-08-10 2020-11-17 广州汽车集团股份有限公司 应用推荐处理方法和装置
CN112087667A (zh) * 2020-09-10 2020-12-15 北京字节跳动网络技术有限公司 一种信息处理方法、装置以及计算机存储介质
CN112364202A (zh) * 2020-11-06 2021-02-12 上海众源网络有限公司 视频推荐方法、装置及电子设备
CN112468852A (zh) * 2020-11-24 2021-03-09 深圳市易平方网络科技有限公司 媒资推荐方法、装置、***及计算机可读存储介质
WO2021052085A1 (zh) * 2019-09-20 2021-03-25 北京字节跳动网络技术有限公司 视频推荐方法、装置、电子设备及计算机可读介质
CN114051160A (zh) * 2021-11-11 2022-02-15 上海哔哩哔哩科技有限公司 视频展示方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
US20130132982A1 (en) * 2009-12-02 2013-05-23 Nbcuniversal Media, Llc Methods and systems for online recommendation
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
CN103945238A (zh) * 2014-05-07 2014-07-23 北京邮电大学 一种基于用户行为的社区探测方法
CN104053023A (zh) * 2014-06-13 2014-09-17 海信集团有限公司 一种确定视频相似度的方法及装置
CN105183925A (zh) * 2015-10-30 2015-12-23 合一网络技术(北京)有限公司 内容关联推荐方法及装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130132982A1 (en) * 2009-12-02 2013-05-23 Nbcuniversal Media, Llc Methods and systems for online recommendation
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
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
CN103945238A (zh) * 2014-05-07 2014-07-23 北京邮电大学 一种基于用户行为的社区探测方法
CN104053023A (zh) * 2014-06-13 2014-09-17 海信集团有限公司 一种确定视频相似度的方法及装置
CN105183925A (zh) * 2015-10-30 2015-12-23 合一网络技术(北京)有限公司 内容关联推荐方法及装置

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108847259A (zh) * 2018-06-29 2018-11-20 北京奇虎科技有限公司 短视频制作方法、装置、电子设备及计算机存储介质
WO2020007083A1 (zh) * 2018-07-04 2020-01-09 北京字节跳动网络技术有限公司 视频关联信息的处理方法、装置、电子设备及存储介质
CN110691256A (zh) * 2018-07-04 2020-01-14 北京字节跳动网络技术有限公司 视频关联信息的处理方法、装置，服务器及存储介质
US11250267B2 (en) 2018-07-04 2022-02-15 Beijing Bytedance Network Technology Co., Ltd. Method and apparatus for processing information associated with video, electronic device, and storage medium
CN110895594A (zh) * 2018-08-23 2020-03-20 武汉斗鱼网络科技有限公司 一种页面展示的方法以及相关设备
WO2020037886A1 (zh) * 2018-08-24 2020-02-27 深圳创维－Rgb电子有限公司 视频关联方法、装置及计算机可读存储介质
CN109241301A (zh) * 2018-08-31 2019-01-18 北京优酷科技有限公司 资源推荐方法及装置
CN109255383A (zh) * 2018-09-10 2019-01-22 北京唐冠天朗科技开发有限公司 一种身份信息与展示信息的匹配方法和***
CN110213671A (zh) * 2019-06-04 2019-09-06 北京奇艺世纪科技有限公司 一种热点短视频确定方法和装置
WO2021052085A1 (zh) * 2019-09-20 2021-03-25 北京字节跳动网络技术有限公司 视频推荐方法、装置、电子设备及计算机可读介质
CN111010592A (zh) * 2019-12-19 2020-04-14 上海众源网络有限公司 一种视频推荐方法、装置、电子设备及存储介质
CN111010592B (zh) * 2019-12-19 2022-09-30 上海众源网络有限公司 一种视频推荐方法、装置、电子设备及存储介质
CN111949866A (zh) * 2020-08-10 2020-11-17 广州汽车集团股份有限公司 应用推荐处理方法和装置
CN111949866B (zh) * 2020-08-10 2024-02-02 广州汽车集团股份有限公司 应用推荐处理方法和装置
CN112087667A (zh) * 2020-09-10 2020-12-15 北京字节跳动网络技术有限公司 一种信息处理方法、装置以及计算机存储介质
CN112364202A (zh) * 2020-11-06 2021-02-12 上海众源网络有限公司 视频推荐方法、装置及电子设备
CN112364202B (zh) * 2020-11-06 2023-11-14 上海众源网络有限公司 视频推荐方法、装置及电子设备
CN112468852A (zh) * 2020-11-24 2021-03-09 深圳市易平方网络科技有限公司 媒资推荐方法、装置、***及计算机可读存储介质
CN114051160A (zh) * 2021-11-11 2022-02-15 上海哔哩哔哩科技有限公司 视频展示方法及装置

Also Published As

Publication number Publication date
CN107968952B (zh) 2020-11-03

Similar Documents

Publication Publication Date Title
CN107968952A (zh) 一种推荐视频的方法、装置、服务器和计算机存储介质
CN106528813B (zh) 一种多媒体推荐方法和装置
CN102487456B (zh) 用于提供网络视频访问热度的方法和装置
CN112364202B (zh) 视频推荐方法、装置及电子设备
CN107818166A (zh) 一种资讯推荐方法、装置、服务器及***
US20130091147A1 (en) Method and system of evaluating the impact of distributed digital content
CN106126582A (zh) 推荐方法及装置
CN108536694A (zh) 用户偏好的推测方法、装置和终端设备
US20130151311A1 (en) Prediction of consumer behavior data sets using panel data
CN102934113B (zh) 信息提供***、信息提供方法、信息提供设备
EP3171320A1 (en) Location based community integration matchmaking system, method and computer readable recording media for optimizing sales
CA2754469A1 (en) Leveraging information in a social network for inferential targeting of advertisements
CN105654198B (zh) 具有最优阈值筛选的品牌广告效果优化的方法
CN106060665B (zh) 电视内容推荐方法、装置及页面服务器
CN108595492A (zh) 内容的推送方法和装置、存储介质、电子装置
CN111970150B (zh) 日志信息的处理方法、装置、服务器及存储介质
CN104967690B (zh) 一种信息推送方法及装置
CN113034241B (zh) 一种产品信息推荐方法及计算机设备
CN106126519A (zh) 媒体信息的展示方法及服务器
TWI682341B (zh) 推廣信息的展現方法及裝置
US11244014B2 (en) System and method for enhancing exploration of data items
CN110019774A (zh) 标签分配方法、装置、存储介质及电子装置
JP2004094383A (ja) レコメンデーション装置、広告配信方法
CN110555168A (zh) 信息推送的方法及装置
WO2014020299A1 (en) Location evaluation

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant