CN108260008A - 一种视频推荐方法、装置及电子设备 - Google Patents

一种视频推荐方法、装置及电子设备 Download PDF

Info

Publication number
CN108260008A
CN108260008A CN201810141827.2A CN201810141827A CN108260008A CN 108260008 A CN108260008 A CN 108260008A CN 201810141827 A CN201810141827 A CN 201810141827A CN 108260008 A CN108260008 A CN 108260008A
Authority
CN
China
Prior art keywords
user
video
data
network model
match
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201810141827.2A
Other languages
English (en)
Inventor
陈长伟
杨晓亮
田丹
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 Future Media Polytron Technologies Inc
Original Assignee
Beijing Future Media 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 Beijing Future Media Polytron Technologies Inc filed Critical Beijing Future Media Polytron Technologies Inc
Priority to CN201810141827.2A priority Critical patent/CN108260008A/zh
Publication of CN108260008A publication Critical patent/CN108260008A/zh
Pending legal-status Critical Current

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45—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
    • H04N21/4666—Learning process for intelligent management, e.g. learning user preferences for recommending movies characterized by learning algorithms using neural networks, e.g. processing the feedback provided by the user
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)

Abstract

本发明提供了一种视频推荐方法、装置及电子设备，本发明中，获取用户信息数据以及用户观影习惯数据，根据所述用户信息数据以及所述用户观影习惯数据，通过机器学习方法，确定与用户相匹配的视频；将所述相匹配的视频推送至用户设备。通过上述方法，能够为用户推荐与用户相匹配的视频，形成个性化推荐，提高用户观看视频的体验。

Description

一种视频推荐方法、装置及电子设备
技术领域
本发明涉及视频推荐领域，更具体的说，涉及一种视频推荐方法、装置及电子设备。
背景技术
随着智能终端的不断发展，视频观看率越来越高。
用户在使用电脑、互联网电视OTT端或手机等设备观看视频时，视频软件首页面会为用户推送视频。
但是视频软件为每位用户推荐的视频都是相同的，并没有因人而异，进而使得用户体验性差。
发明内容
有鉴于此，本发明提供一种视频推荐方法、装置及电子设备，以解决视频软件为每位用户推荐的视频都是相同的，并没有因人而异，进而使得用户体验性差的问题。
为解决上述技术问题，本发明采用了如下技术方案：
一种视频推荐方法，包括：
获取用户信息数据以及用户观影习惯数据；
根据所述用户信息数据以及所述用户观影习惯数据，通过机器学习方法，
确定与用户相匹配的视频；
将所述相匹配的视频推送至用户设备。
优选地，根据所述用户信息数据以及所述用户观影习惯数据，通过机器学习方法，确定与用户相匹配的视频，包括：
根据所述用户信息数据、所述用户观影习惯数据以及通过机器学习算法确定的神经网络模型，确定与用户相匹配的视频。
优选地，所述神经网络模型的构建过程包括：
获取多个样本数据；其中，所述样本数据包括基础视频标签、样本用户的用户信息数据以及样本用户的观影习惯数据；
获取预设神经网络模型；
将多个样本数据作为输入，采用端对端的模式训练所述预设神经网络模型，建立用户与用户相匹配的视频的关联规则，得到所述神经网络模型。
优选地，将多个样本数据作为输入，采用端对端的模式训练所述预设神经网络模型，建立用户与用户相匹配的视频的关联规则，得到所述神经网络模型，包括：
依据多个样本数据，确定所述预设神经网络模型中表征样本用户的用户信息数据、用户观影习惯数据与欲观看视频的对应关系的函数；
依据确定的函数，得到所述神经网络模型。
优选地，根据所述用户信息数据以及所述用户观影习惯数据，通过机器学习方法，确定与用户相匹配的视频后，还包括：
根据所述用户信息数据、所述用户观影习惯数据以及神经网络模型，确定与用户相匹配的视频的视频权重值；
其中，视频权重值表示与用户信息数据、用户观影习惯数据相匹配的程度。
优选地，将所述相匹配的视频推送至用户设备，包括：
将所述相匹配的视频依据视频权重值由高到低的顺序推送至用户设备。
一种视频推荐装置，包括：
第一获取模块，用于获取用户信息数据以及用户观影习惯数据；
视频确定模块，用于根据所述用户信息数据以及所述用户观影习惯数据，通过机器学习方法，确定与用户相匹配的视频；
视频推荐模块，用于将所述相匹配的视频推送至用户设备。
优选地，所述视频确定模块包括：
视频确定子模块，用于根据所述用户信息数据、所述用户观影习惯数据以及通过机器学习算法确定的神经网络模型，确定与用户相匹配的视频。
优选地，还包括：
第二获取模块，用于获取多个样本数据；其中，所述样本数据包括基础视频标签、样本用户的用户信息数据以及样本用户的观影习惯数据；
模型获取模块，用于获取预设神经网络模型；
训练模块，用于将多个样本数据作为输入，采用端对端的模式训练所述预设神经网络模型，建立用户与用户相匹配的视频的关联规则，得到所述神经网络模型。
优选地，所述训练模块包括：
训练子模块，用于依据多个样本数据，确定所述预设神经网络模型中表征样本用户的用户信息数据、用户观影习惯数据与欲观看视频的对应关系的函数；
模型确定子模块，用于依据确定的函数，得到所述神经网络模型。
一种电子设备，包括：存储器和处理器；
其中，所述存储器用于存储程序；
处理器用于调用程序，其中，所述程序用于：
获取用户信息数据以及用户观影习惯数据；
获取用户信息数据以及用户观影习惯数据；
根据所述用户信息数据以及所述用户观影习惯数据，通过机器学习方法，
确定与用户相匹配的视频；
将所述相匹配的视频推送至用户设备。
相较于现有技术，本发明具有以下有益效果：
本发明提供了一种视频推荐方法、装置及电子设备，本发明中，获取用户信息数据以及用户观影习惯数据，根据所述用户信息数据以及所述用户观影习惯数据，通过机器学习方法，确定与用户相匹配的视频；将所述相匹配的视频推送至用户设备。通过上述方法，能够为用户推荐与用户相匹配的视频，进而提高用户体验性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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，还可以根据提供的附图获得其他的附图。
图1为本发明提供的一种视频推荐方法的方法流程图；
图2为本发明提供的另一种视频推荐方法的方法流程图；
图3为本发明提供的一种视频推荐装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例提供了一种视频推荐方法，该视频推荐方法的执行者为视频软件。
参照图1，视频推荐方法可以包括：
S11、获取用户信息数据以及用户观影习惯数据；
其中，用户信息数据是指用户的年龄、性别、城市、工作等数据。
用户观影习惯数据可以包括用户观看过的视频标签、用户观看过的视频的观看时长、用户检索的视频、浏览的频道、观看的时间点等数据。
需要说明的是，用户在个人计算机PC端、移动端、互联网电视OTT端观看视频时，设备对用户观看过程进行记录，得到用户观看视频日志，从用户观看视频日志中就可以获取得到用户观影习惯数据。
用户信息数据可以从用户在视频软件上注册时填写的信息中获取得到。
S12、根据所述用户信息数据以及所述用户观影习惯数据，通过机器学习方法，确定与用户相匹配的视频；
其中，视频可以是电视剧、综艺和电影等视频。
可选的，在本实施例的基础上，步骤S12可以包括：
根据所述用户信息数据、所述用户观影习惯数据以及通过机器学习算法确定的神经网络模型，确定与用户相匹配的视频。
具体的，神经网络模型是基于大量的样本数据通过机器学习方法建立的，神经网络模型预先建立，然后直接将用户信息数据、所述用户观影习惯数据输入到神经网络模型中，就可以得到与用户相匹配的视频。
本例子中，通过机器学习方法，建立用户与用户喜爱视频之间的规则，形成千人千面的视频推荐，能够为不同的用户推荐视频。
需要说明的是，经过神经网络模型后，可以仅输出一个视频标签对应的视频，如视频标签为爱情片的视频。
此外，也可以通过神经网络模型确定与至少一个视频标签对应的视频，如确定视频标签为爱情片和导演为小A的视频。
可选的，在本实施例的基础上，步骤S12后，还包括：
根据所述用户信息数据、所述用户观影习惯数据以及神经网络模型，确定与用户相匹配的视频的视频权重值；
其中，视频权重值表示与用户信息数据、用户观影习惯数据相匹配的程度。
具体的，神经网络模型不仅能够输出视频，还能够输出该视频与用户相匹配的视频权重值。
视频权重值越大，说明与用户的匹配度越高。视频权重值越小，说明与用户的匹配度越低。
需要说明的是，确定权重值的过程是：
依据神经网络模型中的函数，计算所有视频与用户信息数据、用户观影习惯数据的匹配度，得到视频权重值。
S13、将所述相匹配的视频推送至用户设备。
其中，用户设备可以包括PC端、移动端或OTT端。
可选的，在本实施例的基础上，步骤S13可以包括：
将所述相匹配的视频依据视频权重值由高到低的顺序推送至用户设备。
具体的，视频权重值越大，说明与用户匹配度越高，此时在推荐时放在前边。视频权重值越小，说明与用户匹配度越小，此时在推荐时放在后边。
本实施例中，获取用户信息数据以及用户观影习惯数据，根据所述用户信息数据以及所述用户观影习惯数据，通过机器学习方法，确定与用户相匹配的视频；将所述相匹配的视频推送至用户设备。通过上述方法，能够为用户推荐与用户相匹配的视频，进而提高用户体验性。
可选的，在上述包括神经网络模型的实施例的基础上，参照图2，所述神经网络模型的构建过程可以包括：
S21、获取多个样本数据；
其中，所述样本数据包括基础视频标签、样本用户的用户信息数据以及样本用户的观影习惯数据。
具体的，想要对数据进行训练，得到神经网络模型，就需要有足够的样本数据。
样本数据中的基础视频标签包括视频类型、导演名称和演员名称。
样本用户的用户信息数据以及样本用户的观影习惯数据与上文中介绍的用户信息数据以及用户观影习惯数据的解释说明类似，请参照上述实施例中的解释说明，在此不再赘述。样本数据的数量较多，由于要训练模型，所以需要大量的数据。
S22、获取预设神经网络模型；
其中，预设神经网络模型是技术人员搭建的模型，该模型包括卷积层、池化层、全连接层和识别运算层。
卷积神经网络算法包括以下几步：
(1)卷积运算：前一层的特征图与一个可学习的卷积核进行卷积运算，卷积的结果经过激活函数后的输出形成这一层的神经元，从而构成该层特征图，也称特征提取层，每个神经元的输入与前一层的局部感受野相连接，并提取该局部的特征，一旦该局部特征被提取，它与其它特征之间的位置关系就被确定。
(2)池化运算：它把卷积运算输出信号分割成不重叠的区域，对于每个区域通过池化(下采样)运算来降低网络的空间分辨率，比如最大值池化是选择区域内的最大值，均值池化是计算区域内的平均值。通过该运算来消除信号的偏移和扭曲。
(3)全连接运算：输入信号经过多次卷积核池化运算后，输出为多组信号，经过全连接运算，将多组信号依次组合为一组信号。
(4)识别运算：上述运算过程为特征学习运算，需在上述运算基础上根据业务需求(分类或回归问题)增加一层网络用于分类或回归计算。
S23、将多个样本数据作为输入，采用端对端的模式训练所述预设神经网络模型，建立用户与用户相匹配的视频的关联规则，得到所述神经网络模型
可选的，在本实施例的基础上，步骤S23可以包括：
1)依据多个样本数据，确定所述预设神经网络模型中表征样本用户的用户信息数据、用户观影习惯数据与欲观看视频的对应关系的函数；
具体的，样本数据中包括的是样本用户的信息以及观看习惯，并且也输入了大量的基础视频标签，对预设函数进行训练，得到训练的结果。针对不同的样本，为用户推荐的视频与用户观影习惯数据、用户信息数据相匹配。
如，20岁的女性用户对偶像剧、爱情剧感兴趣，推荐时为用户推荐的是偶像剧和爱情剧。
2)依据确定的函数，得到所述神经网络模型。
函数确定后，神经网络模型就可以得到。
需要说明的是，神经网络模型包括卷积层、池化层、全连接层和识别运算层，每一层中都有函数，当每一层的函数确定后，该神经网络模型构建完成。
本实施例中，能够根据大量的样本数据来训练得到神经网络模型，进而能够使用神经网络模型为用户推荐视频，提高了推荐效率，同时能够做到个性化推荐，用户体验好。
可选的，在上述视频推荐方法的实施例的基础上，本发明的另一实施例中提供了一种视频推荐装置，可以包括：
第一获取模块101，用于获取用户信息数据以及用户观影习惯数据；
视频确定模块102，用于根据所述用户信息数据以及所述用户观影习惯数据，通过机器学习方法，确定与用户相匹配的视频；
视频推荐模块103，用于将所述相匹配的视频推送至用户设备。
进一步，所述视频确定模块102包括：
视频确定子模块，用于根据所述用户信息数据、所述用户观影习惯数据以及通过机器学习算法确定的神经网络模型，确定与用户相匹配的视频。
进一步，还包括：
权重确定模块，用于视频确定模块102根据所述用户信息数据以及所述用户观影习惯数据，通过机器学习方法，确定与用户相匹配的视频后，根据所述用户信息数据、所述用户观影习惯数据以及神经网络模型，确定与用户相匹配的视频的视频权重值；
其中，视频权重值表示与用户信息数据、用户观影习惯数据相匹配的程度。
进一步，视频推荐模块104包括：
视频推荐子模块，用于将所述相匹配的视频依据视频权重值由高到低的顺序推送至用户设备。
本实施例中，获取用户信息数据以及用户观影习惯数据，根据所述用户信息数据以及所述用户观影习惯数据，通过机器学习方法，确定与用户相匹配的视频；将所述相匹配的视频推送至用户设备。通过上述方法，能够为用户推荐与用户相匹配的视频，进而提高用户体验性。
需要说明的是，本实施例中的各个模块和子模块的工作过程，请参照上述实施例中的相应说明，在此不再赘述。
可选的，在上述视频确定模块102包括视频确定子模块的实施例的基础上，还可以包括：
第二获取模块，用于获取多个样本数据；其中，所述样本数据包括基础视频标签、样本用户的用户信息数据以及样本用户的观影习惯数据；
模型获取模块，用于获取预设神经网络模型；
训练模块，用于将多个样本数据作为输入，采用端对端的模式训练所述预设神经网络模型，建立用户与用户相匹配的视频的关联规则，得到所述神经网络模型。
进一步，所述训练模块包括：
训练子模块，用于依据多个样本数据，确定所述预设神经网络模型中表征样本用户的用户信息数据、用户观影习惯数据与欲观看视频的对应关系的函数；
模型确定子模块，用于依据确定的函数，得到所述神经网络模型。
本实施例中，能够根据大量的样本数据来训练得到神经网络模型，进而能够使用神经网络模型为用户推荐视频，提高了推荐效率，同时能够做到个性化推荐，用户体验好。
需要说明的是，本实施例中的各个模块和子模块的工作过程，请参照上述实施例中的相应说明，在此不再赘述。
可选的，在上述视频推荐方法及装置的实施例的基础上，本发明的另一实施例提供了一种电子设备，包括：存储器和处理器；
其中，所述存储器用于存储程序；
处理器用于调用程序，其中，所述程序用于：
获取用户信息数据以及用户观影习惯数据；
根据所述用户信息数据以及所述用户观影习惯数据，通过机器学习方法，
确定与用户相匹配的视频；
将所述相匹配的视频推送至用户设备。
进一步，处理器用于根据所述用户信息数据以及所述用户观影习惯数据，通过机器学习方法，确定与用户相匹配的视频时，具体用于：
根据所述用户信息数据、所述用户观影习惯数据以及通过机器学习算法确定的神经网络模型，确定与用户相匹配的视频。
进一步，处理器还用于：
获取多个样本数据；其中，所述样本数据包括基础视频标签、样本用户的用户信息数据以及样本用户的观影习惯数据；
获取预设神经网络模型；
将多个样本数据作为输入，采用端对端的模式训练所述预设神经网络模型，建立用户与用户相匹配的视频的关联规则，得到所述神经网络模型。
进一步，处理器用于将多个样本数据作为输入，采用端对端的模式训练所述预设神经网络模型，建立用户与用户相匹配的视频的关联规则，得到所述神经网络模型时，具体用于：
依据多个样本数据，确定所述预设神经网络模型中表征样本用户的用户信息数据、用户观影习惯数据与欲观看视频的对应关系的函数；
依据确定的函数，得到所述神经网络模型。
进一步，处理器用于根据所述用户信息数据以及所述用户观影习惯数据，通过机器学习方法，确定与用户相匹配的视频后，还用于：
根据所述用户信息数据、所述用户观影习惯数据以及神经网络模型，确定与用户相匹配的视频的视频权重值；
其中，视频权重值表示与用户信息数据、用户观影习惯数据相匹配的程度。
进一步，处理器用于将所述相匹配的视频推送至用户设备时，具体用于：
将所述相匹配的视频依据视频权重值由高到低的顺序推送至用户设备。
本实施例中，获取用户信息数据以及用户观影习惯数据，根据所述用户信息数据以及所述用户观影习惯数据，通过机器学习方法，确定与用户相匹配的视频；将所述相匹配的视频推送至用户设备。通过上述方法，能够为用户推荐与用户相匹配的视频，进而提高用户体验性。
本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、***或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (11)

1.一种视频推荐方法，其特征在于，包括：
获取用户信息数据以及用户观影习惯数据；
根据所述用户信息数据以及所述用户观影习惯数据，通过机器学习方法，确定与用户相匹配的视频；
将所述相匹配的视频推送至用户设备。
2.根据权利要求1所述的视频推荐方法，其特征在于，根据所述用户信息数据以及所述用户观影习惯数据，通过机器学习方法，确定与用户相匹配的视频，包括：
根据所述用户信息数据、所述用户观影习惯数据以及通过机器学习算法确定的神经网络模型，确定与用户相匹配的视频。
3.根据权利要求2所述的视频推荐方法，其特征在于，所述神经网络模型的构建过程包括：
获取多个样本数据；其中，所述样本数据包括基础视频标签、样本用户的用户信息数据以及样本用户的观影习惯数据；
获取预设神经网络模型；
将多个样本数据作为输入，采用端对端的模式训练所述预设神经网络模型，建立用户与用户相匹配的视频的关联规则，得到所述神经网络模型。
4.根据权利要求3所述的视频推荐方法，其特征在于，将多个样本数据作为输入，采用端对端的模式训练所述预设神经网络模型，建立用户与用户相匹配的视频的关联规则，得到所述神经网络模型，包括：
依据多个样本数据，确定所述预设神经网络模型中表征样本用户的用户信息数据、用户观影习惯数据与欲观看视频的对应关系的函数；
依据确定的函数，得到所述神经网络模型。
5.根据权利要求1所述的视频推荐方法，其特征在于，根据所述用户信息数据以及所述用户观影习惯数据，通过机器学习方法，确定与用户相匹配的视频后，还包括：
根据所述用户信息数据、所述用户观影习惯数据以及神经网络模型，确定与用户相匹配的视频的视频权重值；
其中，视频权重值表示与用户信息数据、用户观影习惯数据相匹配的程度。
6.根据权利要求5所述的视频推荐方法，其特征在于，将所述相匹配的视频推送至用户设备，包括：
将所述相匹配的视频依据视频权重值由高到低的顺序推送至用户设备。
7.一种视频推荐装置，其特征在于，包括：
第一获取模块，用于获取用户信息数据以及用户观影习惯数据；
视频确定模块，用于根据所述用户信息数据以及所述用户观影习惯数据，通过机器学习方法，确定与用户相匹配的视频；
视频推荐模块，用于将所述相匹配的视频推送至用户设备。
8.根据权利要求7所述的视频推荐装置，其特征在于，所述视频确定模块包括：
视频确定子模块，用于根据所述用户信息数据、所述用户观影习惯数据以及通过机器学习算法确定的神经网络模型，确定与用户相匹配的视频。
9.根据权利要求8所述的视频推荐装置，其特征在于，还包括：
第二获取模块，用于获取多个样本数据；其中，所述样本数据包括基础视频标签、样本用户的用户信息数据以及样本用户的观影习惯数据；
模型获取模块，用于获取预设神经网络模型；
训练模块，用于将多个样本数据作为输入，采用端对端的模式训练所述预设神经网络模型，建立用户与用户相匹配的视频的关联规则，得到所述神经网络模型。
10.根据权利要求9所述的视频推荐装置，其特征在于，所述训练模块包括：
训练子模块，用于依据多个样本数据，确定所述预设神经网络模型中表征样本用户的用户信息数据、用户观影习惯数据与欲观看视频的对应关系的函数；
模型确定子模块，用于依据确定的函数，得到所述神经网络模型。
11.一种电子设备，其特征在于，包括：存储器和处理器；
其中，所述存储器用于存储程序；
处理器用于调用程序，其中，所述程序用于：
获取用户信息数据以及用户观影习惯数据；
获取用户信息数据以及用户观影习惯数据；
根据所述用户信息数据以及所述用户观影习惯数据，通过机器学习方法，确定与用户相匹配的视频；
将所述相匹配的视频推送至用户设备。
CN201810141827.2A 2018-02-11 2018-02-11 一种视频推荐方法、装置及电子设备 Pending CN108260008A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810141827.2A CN108260008A (zh) 2018-02-11 2018-02-11 一种视频推荐方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810141827.2A CN108260008A (zh) 2018-02-11 2018-02-11 一种视频推荐方法、装置及电子设备

Publications (1)

Publication Number Publication Date
CN108260008A true CN108260008A (zh) 2018-07-06

Family

ID=62745114

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810141827.2A Pending CN108260008A (zh) 2018-02-11 2018-02-11 一种视频推荐方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN108260008A (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109104620A (zh) * 2018-07-26 2018-12-28 腾讯科技（深圳）有限公司 一种短视频推荐方法、装置和可读介质
CN109472670A (zh) * 2018-11-02 2019-03-15 深圳壹账通智能科技有限公司 产品数据推送方法、装置、计算机设备及存储介质
CN109684510A (zh) * 2018-10-31 2019-04-26 北京达佳互联信息技术有限公司 视频排序方法、装置、电子设备及存储介质
CN110874639A (zh) * 2018-08-31 2020-03-10 珠海格力电器股份有限公司 操作信息的获取方法及装置
CN111031339A (zh) * 2019-12-18 2020-04-17 网易（杭州）网络有限公司 直播视频处理的方法及装置
CN111339153A (zh) * 2020-02-21 2020-06-26 海南随手电子商务有限公司 匹配用户信息的方法及装置、存储介质、处理器
WO2021042826A1 (zh) * 2019-09-05 2021-03-11 苏宁云计算有限公司 一种视频播放完整度预测方法及装置
CN113852867A (zh) * 2021-05-27 2021-12-28 天翼智慧家庭科技有限公司 一种基于核密度估计的节目推荐方法和装置
CN115119013A (zh) * 2022-03-26 2022-09-27 泰州可以信息科技有限公司 多级数据机控应用***
CN117119258A (zh) * 2023-10-23 2023-11-24 深圳市致尚信息技术有限公司 一种基于用户特征的影视推送方法及***

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103098079A (zh) * 2011-04-11 2013-05-08 英特尔公司 个性化节目选择***和方法
CN105975641A (zh) * 2016-07-15 2016-09-28 合网络技术（北京）有限公司 视频推荐方法及装置
EP3119094A1 (en) * 2015-07-17 2017-01-18 Thomson Licensing Methods and systems for clustering-based recommendations

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103098079A (zh) * 2011-04-11 2013-05-08 英特尔公司 个性化节目选择***和方法
EP3119094A1 (en) * 2015-07-17 2017-01-18 Thomson Licensing Methods and systems for clustering-based recommendations
CN105975641A (zh) * 2016-07-15 2016-09-28 合网络技术（北京）有限公司 视频推荐方法及装置

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109104620A (zh) * 2018-07-26 2018-12-28 腾讯科技（深圳）有限公司 一种短视频推荐方法、装置和可读介质
CN110874639A (zh) * 2018-08-31 2020-03-10 珠海格力电器股份有限公司 操作信息的获取方法及装置
CN109684510A (zh) * 2018-10-31 2019-04-26 北京达佳互联信息技术有限公司 视频排序方法、装置、电子设备及存储介质
CN109684510B (zh) * 2018-10-31 2020-01-31 北京达佳互联信息技术有限公司 视频排序方法、装置、电子设备及存储介质
CN109472670A (zh) * 2018-11-02 2019-03-15 深圳壹账通智能科技有限公司 产品数据推送方法、装置、计算机设备及存储介质
WO2021042826A1 (zh) * 2019-09-05 2021-03-11 苏宁云计算有限公司 一种视频播放完整度预测方法及装置
CN111031339A (zh) * 2019-12-18 2020-04-17 网易（杭州）网络有限公司 直播视频处理的方法及装置
CN111339153A (zh) * 2020-02-21 2020-06-26 海南随手电子商务有限公司 匹配用户信息的方法及装置、存储介质、处理器
CN113852867A (zh) * 2021-05-27 2021-12-28 天翼智慧家庭科技有限公司 一种基于核密度估计的节目推荐方法和装置
CN115119013A (zh) * 2022-03-26 2022-09-27 泰州可以信息科技有限公司 多级数据机控应用***
CN117119258A (zh) * 2023-10-23 2023-11-24 深圳市致尚信息技术有限公司 一种基于用户特征的影视推送方法及***
CN117119258B (zh) * 2023-10-23 2024-02-02 深圳市致尚信息技术有限公司 一种基于用户特征的影视推送方法及***

Similar Documents

Publication Publication Date Title
CN108260008A (zh) 一种视频推荐方法、装置及电子设备
CN110941740B (zh) 视频推荐方法及计算机可读存储介质
US11176213B2 (en) Systems and methods for identifying electronic content using video graphs
Deldjoo et al. Movie genome: alleviating new item cold start in movie recommendation
US9710472B2 (en) Customized content consumption interface
US20180048925A1 (en) Recommending media items based on take rate signals
CN103052954B (zh) 推荐***的基于简档内容检索
CN106339507B (zh) 流媒体消息推送方法和装置
CA3007853A1 (en) End-to-end deep collaborative filtering
CN107832437A (zh) 音/视频推送方法、装置、设备及存储介质
US20220107978A1 (en) Method for recommending video content
CN109511015B (zh) 多媒体资源推荐方法、装置、存储介质及设备
CN108446385A (zh) 用于生成信息的方法和装置
CN104782138A (zh) 识别缩略图图像以呈现视频
CN111368141B (zh) 视频标签的扩展方法、装置、计算机设备和存储介质
CN108259949A (zh) 一种广告推荐方法、装置及电子设备
Barragáns-Martínez et al. Developing a recommender system in a consumer electronic device
CN107454442A (zh) 一种推荐视频的方法和装置
CN107562848A (zh) 一种视频推荐方法和装置
CN114357201B (zh) 基于信息感知的视听推荐方法、***
CN112364184A (zh) 多媒体数据的排序方法、装置、服务器及存储介质
US9015607B2 (en) Virtual space providing apparatus and method
CN106980666A (zh) 一种推荐视频的方法和装置
CN109213933A (zh) 内容项推荐方法、装置、设备及存储介质
US20160004970A1 (en) Method and apparatus for recommendations with evolving user interests

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20180706