CN108614856A - 一种视频排序校准方法和装置 - Google Patents
一种视频排序校准方法和装置 Download PDFInfo
- Publication number
- CN108614856A CN108614856A CN201810236970.XA CN201810236970A CN108614856A CN 108614856 A CN108614856 A CN 108614856A CN 201810236970 A CN201810236970 A CN 201810236970A CN 108614856 A CN108614856 A CN 108614856A
- Authority
- CN
- China
- Prior art keywords
- video
- playing duration
- long click
- click rate
- cumulative distribution
- 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
Links
Landscapes
- Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
Abstract
本发明实施例提供了一种视频排序校准方法和装置,涉及数据处理技术领域。其中,该方法包括:基于第一视频对应第二视频所组成的视频对,确定预设时间段内视频对的播放时长中值和长点击率;确定视频对基于播放时长的第一校准参数,以及基于长点击率的第二校准参数;当针对第一视频建立的初始推荐列表中包括第二视频时,确定第二视频的初始排序参数;根据第一校准参数和第二校准参数,对第二视频的初始排序参数进行校准;调整第二视频在初始推荐列表中的位置。本发明可以根据历史推荐列表中第二视频的播放数据,校准当前推荐列表中第二视频的排序参数,利用播放时长和长点击率的历史播放数据进行校准,能够提高视频的点击率和播放时长。
Description
技术领域
本发明涉及数据处理技术领域,特别是涉及一种视频排序校准方法和装置。
背景技术
推荐***是为解决信息过载问题而提出的一种服务***,能从大量信息中选择出符合用户兴趣偏好或需求的资源进行推荐。随着互联网的普及和飞速发展,推荐***已经被广泛应用于各种领域,例如视频推荐、新闻推荐等等。
通常,视频的推荐***在推荐视频时,需要进行视频召回和视频排序,其中,视频推荐***在进行视频排序时,往往会综合考虑各方面对视频排序的影响,例如视频标题搜索热度、用户兴趣等等,也即视频排序模型中所考虑的特征参数较多。
然而,虽然特征参数越多,模型效果越好,但特征越多的模型往往难以突出最期望的特征,因此,通过考虑较多特征的视频排序模型进行视频排序,其排序结果难以满足提高视频点击率和播放时长的需求。
发明内容
鉴于上述问题,提出了本发明实施例以便提供一种视频排序校准方法和装置,以解决通过考虑较多特征的视频排序模型进行视频排序,其排序结果难以满足提高视频点击率和播放时长的需求。
根据本发明的第一方面,提供了一种视频排序校准方法,所述方法包括:
基于第一视频对应第二视频所组成的视频对,确定预设时间段内所述视频对的播放时长中值和长点击率;所述第二视频为所述第一视频在播放时对应的推荐视频,且在所述预设时间段内与所述第一视频相邻播放;
根据所述播放时长中值,确定所述视频对基于播放时长的第一校准参数,以及根据所述长点击率,确定所述视频对基于长点击率的第二校准参数;
当针对所述第一视频建立的初始推荐列表中包括所述第二视频时,确定所述第二视频的初始排序参数;
根据所述第一校准参数和所述第二校准参数,对所述第二视频的初始排序参数进行校准,得到所述第二视频的校准排序参数;
根据所述第二视频的校准排序参数,调整所述第二视频在所述初始推荐列表中的位置。
可选的,所述根据所述播放时长中值,确定所述视频对基于播放时长的第一校准参数,以及根据所述长点击率,确定所述视频对基于长点击率的第二校准参数之前,还包括:
确定所述预设时间段内所述视频对的播放次数和长点击次数;
相应的,所述根据所述播放时长中值,确定所述视频对基于播放时长的第一校准参数,以及根据所述长点击率,确定所述视频对基于长点击率的第二校准参数,包括:
根据所述播放时长中值和所述播放次数,确定所述视频对基于播放时长的第一校准参数,以及根据所述长点击率和所述长点击次数,确定所述视频对基于长点击率的第二校准参数。
可选的,所述基于第一视频对应第二视频所组成的视频对,确定预设时间段内所述视频对的播放时长中值和长点击率之前,还包括:
获取预设个数的样本播放时长和样本长点击率;
以所述样本播放时长为输入参数,拟合得到基于播放时长的第一累积分布模型;
以所述样本长点击率为输入参数,拟合得到基于长点击率的第二累积分布模型;
相应的,所述根据所述播放时长中值,确定所述视频对基于播放时长的第一校准参数,以及根据所述长点击率,确定所述视频对基于长点击率的第二校准参数,包括:
根据所述播放时长中值,通过所述第一累积分布模型确定所述视频对基于播放时长的第一校准参数,以及根据所述长点击率,通过所述第二累积分布模型确定所述视频对基于长点击率的第二校准参数。
可选的,所述基于第一视频对应第二视频所组成的视频对,确定预设时间段内所述视频对的播放时长中值和长点击率之前,还包括:
获取所述预设个数的样本播放次数和样本长点击次数;
以所述样本播放次数为输入参数,拟合得到基于播放次数的第三累积分布模型;
以所述样本长点击次数为输入参数,拟合得到基于长点击次数的第四累积分布模型;
相应的,所述根据所述播放时长中值,通过所述第一累积分布模型确定所述视频对基于播放时长的第一校准参数,以及根据所述长点击率,通过所述第二累积分布模型确定所述视频对基于长点击率的第二校准参数,包括:
根据所述播放时长中值和所述播放次数,通过所述第一累积分布模型和所述第三累积分布模型,确定所述视频对基于播放时长的第一校准参数,以及根据所述长点击率和所述长点击次数,通过所述第二累积分布模型和所述第四累积分布模型,确定所述视频对基于长点击率的第二校准参数。
可选的,所述基于第一视频对应第二视频所组成的视频对,确定预设时间段内所述视频对的播放时长中值和长点击率,包括:
基于第一视频对应第二视频所组成的视频对,将预设时间段内所述第二视频的各个播放时长的中值,确定为所述预设时间段内所述视频对的播放时长中值;
从所述各个播放时长中,确定大于预设播放时长,或者与所述第二视频的总时长的比值大于预设比值的目标播放时长的数据数目;
将所述目标播放时长的数据数目与所述第二视频的展示数目的比值,确定为所述预设时间段内所述视频对的长点击率。
根据本发明的第二方面,提供了一种视频排序校准装置,所述装置包括:
第一确定模块,用于基于第一视频对应第二视频所组成的视频对,确定预设时间段内所述视频对的播放时长中值和长点击率;所述第二视频为所述第一视频在播放时对应的推荐视频,且在所述预设时间段内与所述第一视频相邻播放;
第二确定模块,用于根据所述播放时长中值,确定所述视频对基于播放时长的第一校准参数,以及根据所述长点击率,确定所述视频对基于长点击率的第二校准参数;
第三确定模块,用于当针对所述第一视频建立的初始推荐列表中包括所述第二视频时,确定所述第二视频的初始排序参数;
校准模块,用于根据所述第一校准参数和所述第二校准参数,对所述第二视频的初始排序参数进行校准,得到所述第二视频的校准排序参数;
调整模块,用于根据所述第二视频的校准排序参数,调整所述第二视频在所述初始推荐列表中的位置。
可选的,所述装置还包括:
第四确定模块,用于确定所述预设时间段内所述视频对的播放次数和长点击次数;
相应的,所述第二确定模块包括:
第一确定子模块,用于根据所述播放时长中值和所述播放次数,确定所述视频对基于播放时长的第一校准参数,以及根据所述长点击率和所述长点击次数,确定所述视频对基于长点击率的第二校准参数。
可选的,所述装置还包括:
第一获取模块,用于获取预设个数的样本播放时长和样本长点击率;
第一拟合模块,用于以所述样本播放时长为输入参数,拟合得到基于播放时长的第一累积分布模型;
第二拟合模块,用于以所述样本长点击率为输入参数,拟合得到基于长点击率的第二累积分布模型;
相应的,所述第二确定模块包括:
第二确定子模块,用于根据所述播放时长中值,通过所述第一累积分布模型确定所述视频对基于播放时长的第一校准参数,以及根据所述长点击率,通过所述第二累积分布模型确定所述视频对基于长点击率的第二校准参数。
可选的,所述装置还包括:
第二获取模块,用于获取所述预设个数的样本播放次数和样本长点击次数;
第三拟合模块,用于以所述样本播放次数为输入参数,拟合得到基于播放次数的第三累积分布模型;
第四拟合模块,用于以所述样本长点击次数为输入参数,拟合得到基于长点击次数的第四累积分布模型;
相应的,所述第二确定子模块包括:
确定单元,用于根据所述播放时长中值和所述播放次数,通过所述第一累积分布模型和所述第三累积分布模型,确定所述视频对基于播放时长的第一校准参数,以及根据所述长点击率和所述长点击次数,通过所述第二累积分布模型和所述第四累积分布模型,确定所述视频对基于长点击率的第二校准参数。
可选的,所述第一确定模块包括:
第三确定子模块,用于基于第一视频对应第二视频所组成的视频对,将预设时间段内所述第二视频的各个播放时长的中值,确定为所述预设时间段内所述视频对的播放时长中值;
第四确定子模块,用于从所述各个播放时长中,确定大于预设播放时长,或者与所述第二视频的总时长的比值大于预设比值的目标播放时长的数据数目;
第五确定子模块,用于将所述目标播放时长的数据数目与所述第二视频的展示数目的比值,确定为所述预设时间段内所述视频对的长点击率。
本发明实施例还提供了一种计算机可读存储介质,该计算机可读存储介质上存储计算机程序,计算机程序被处理器执行时实现本发明中的视频排序校准方法的步骤。
本发明实施例包括以下优点:
基于第一视频对应第二视频所组成的视频对,可以确定预设时间段内视频对的播放时长中值和长点击率,其中,第二视频为第一视频在播放时对应的推荐视频,且在预设时间段内与第一视频相邻播放,然后可以根据播放时长中值,确定视频对基于播放时长的第一校准参数,以及根据长点击率,确定视频对基于长点击率的第二校准参数,当针对第一视频建立的初始推荐列表中包括第二视频时,可以确定第二视频的初始排序参数,并可以根据第一校准参数和第二校准参数,对第二视频的初始排序参数进行校准,得到第二视频的校准排序参数,然后可以根据第二视频的校准排序参数,调整第二视频在初始推荐列表中的位置。在本发明实施例中,可以根据第一视频历史推荐列表中第二视频的播放数据,对第一视频当前推荐列表中第二视频的排序参数进行校准,从而可以调整第二视频在当前推荐列表中的位置,利用播放时长和长点击率的历史播放数据进行校准,能够在视频推荐时提高视频的点击率和播放时长。
附图说明
图1是本发明实施例提供的一种视频排序校准方法的流程图;
图2是本发明实施例提供的另一种视频排序校准方法的流程图;
图3是本发明实施例提供的一种基于样本播放次数的累积分布曲线;
图4是本发明实施例提供的一种视频排序校准装置的框图;
图5是本发明实施例提供的另一种视频排序校准装置的框图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例一
参照图1,示出了一种视频排序校准方法的流程图,该方法具体可以包括如下步骤:
步骤101:基于第一视频对应第二视频所组成的视频对,确定预设时间段内该视频对的播放时长中值和长点击率;第二视频为第一视频在播放时对应的推荐视频,且在该预设时间段内与第一视频相邻播放。
其中,预设时间段为当前时间之前,满足预设时长的时间段,例如当前时间之前的7天内、当前时间之前的10天内等等,也即是相对于当前时间而言,预设时间段为历史时间段,相应的,预设时间段内的播放数据也即历史播放数据。在数据处理设备所管理的视频网站中,第一视频为任一被观看的视频,第二视频为第一视频在播放时对应的任一推荐视频,且在该预设时间段内与第一视频相邻播放,也即是第二视频属于第一视频在预设时间段内播放时对应的任一推荐列表,并且紧接着第一视频之后进行播放。
数据处理设备所管理的视频网站中,通常存在大量注册的用户对象和大量视频,每个对象观看完一个视频之后,视频终端可以确定该视频对应该对象的播放时长,进而可以将该播放时长数据反馈至数据处理设备,从而数据处理设备可以实时获取到每个视频对应每个对象的播放时长数据。基于第一视频对应第二视频所组成的视频对,可以将第一视频播放之后紧接着播放第二视频时,第二视频对应的播放时长确定为该视频对的播放时长。在预设时间段内,将有很多用户对象在观看第一视频之后紧接着观看第二视频,因此在预设时间段内,第二视频会对应产生很多播放时长数据,相应的,该视频对在预设时间段内也将对应很多播放时长数据,从而数据处理设备可以获取到预设时间段内该视频对的各个播放时长。当需要进行视频排序校准时,数据处理设备可以确定预设时间段内该视频对的各个播放时长数据,并确定各个播放时长的中值,也即预设时间段内该视频对的播放时长中值。
另外,长点击可以表示基于第一视频对应第二视频所组成的视频对,用户对应观看了第二视频较长的时间,也即长点击可以认为是针对视频的一次有效点击。在实际应用中,当第二视频的总时长小于或等于150秒时,第二视频的播放时长达到总时长的80%以上,即可算作针对第二视频的一次长点击,当第二视频的总时长大于150秒时,第二视频的播放时长达到120秒以上,即可算作针对第二视频的一次长点击。在实际应用中,定义长点击的视频播放程度可以根据实际情况进行设定,不限于上述的80%和120秒,本发明实施例对此不作具体限定。
当需要进行视频排序校准时,基于第一视频对应第二视频所组成的视频对,数据处理设备可以确定该视频对在预设时间段内的长点击数目和展示数目,并确定长点击数目与展示数目的比值,可以得到预设时间段内该视频对的长点击率。其中,当第一视频对应第二视频出现作为视频对时,即可认为是一次展示,相应的,展示数目为第一视频对应第二视频作为视频对的出现次数。
步骤102:根据播放时长中值,确定该视频对基于播放时长的第一校准参数,以及根据长点击率,确定该视频对基于长点击率的第二校准参数。
数据处理设备可以以该视频对的播放时长中值为输入参数,通过预设的第一累积分布模型,确定该视频对基于播放时长的第一校准参数,也即将播放时长中值输入预设的第一累积分布模型后,第一累积分布模型的输出值即为该视频对基于播放时长的第一校准参数。
另外,数据处理设备还可以以该视频对的长点击率为输入参数,通过预设的第二累积分布模型,确定该视频对基于长点击率的第二校准参数,也即将长点击率输入至预设的第二累积分布模型后,第二累积分布模型的输出值即为该视频对基于长点击率的第二校准参数。
步骤103:当针对第一视频建立的初始推荐列表中包括第二视频时,确定第二视频的初始排序参数。
在需要针对第一视频建立推荐列表时,数据处理设备首先可以针对第一视频召回多个召回视频,然后可以通过预设的排序模型,例如LR(Logistic Regression,逻辑回归)模型、GBDT(Gradient Boosting Decison Tree,梯度提升树)+LR模型等等,对多个召回视频进行打分,得到每个召回视频的初始排序参数,进而可以按照初始排序参数从大到小的顺序,对多个召回视频进行排序,从而能够得到针对第一视频的初始推荐列表。当针对第一视频建立的初始推荐列表中包括第二视频时,数据处理设备可以从初始推荐列表中,确定第二视频的初始排序参数。
步骤104:根据第一校准参数和第二校准参数,对第二视频的初始排序参数进行校准,得到第二视频的校准排序参数。
第二视频的初始排序参数为第一视频对应的未校准前的初始推荐列表中,第二视频的排序分数。在需要针对第一视频建立推荐列表时,数据处理设备首先可以针对第一视频召回多个召回视频,然后可以通过预设的排序模型,例如LR(Logistic Regression,逻辑回归)模型、GBDT(Gradient Boosting Decison Tree,梯度提升树)+LR模型等等,对多个召回视频进行打分,每个召回视频打分得到的分数,即为每个召回视频的初始排序参数,进而可以按照初始排序参数从大到小的顺序,对多个召回视频进行排序,从而能够得到针对第一视频的初始推荐列表。当针对第一视频建立的初始推荐列表中包括第二视频时,数据处理设备可以从初始推荐列表中,确定第二视频的初始排序参数。
数据处理设备可以利用基于播放时长的第一校准参数,以及基于长点击率的第二校准参数,对第二视频的初始排序参数进行校准,得到第二视频的校准排序参数。
步骤105:根据第二视频的校准排序参数,调整第二视频在初始推荐列表中的位置。
由于进行校准后,第二视频的排序参数发生了变化,而初始推荐列表中的其他视频的排序参数未发生变化,因此数据处理设备可以根据第二视频的校准排序参数,调整第二视频在初始推荐列表中的位置,从而可以得到针对第一视频校准后的推荐列表。
本发明实施例包括以下优点:
基于第一视频对应第二视频所组成的视频对,可以确定预设时间段内视频对的播放时长中值和长点击率,其中,第二视频为第一视频在播放时对应的推荐视频,且在预设时间段内与第一视频相邻播放,然后可以根据播放时长中值,确定视频对基于播放时长的第一校准参数,以及根据长点击率,确定视频对基于长点击率的第二校准参数,当针对第一视频建立的初始推荐列表中包括第二视频时,可以确定第二视频的初始排序参数,并可以根据第一校准参数和第二校准参数,对第二视频的初始排序参数进行校准,得到第二视频的校准排序参数,然后可以根据第二视频的校准排序参数,调整第二视频在初始推荐列表中的位置。在本发明实施例中,可以根据第一视频历史推荐列表中第二视频的播放数据,对第一视频当前推荐列表中第二视频的排序参数进行校准,从而可以调整第二视频在当前推荐列表中的位置,利用播放时长和长点击率的历史播放数据进行校准,能够在视频推荐时提高视频的点击率和播放时长。
实施例二
参照图2,示出了另一种视频排序校准方法的流程图,该方法具体可以包括如下步骤:
步骤201:获取预设个数的样本播放时长和样本长点击率。
数据处理设备可以获取预设个数的样本播放时长,作为基于播放时长的第一累积分布模型的拟合输入参数,可以获取预设个数的样本长点击率,作为基于长点击率的第二累积分布模型的拟合输入参数。在实际应用中,样本播放时长和样本长点击率均可以采用随机采样法,从视频网站的历史数据中随机采样得到。
例如,预设个数可以为20万,数据处理设备可以从视频网站的历史数据中,随机采样得到20万个样本播放时长和20万个样本长点击率。
步骤202:以样本播放时长为输入参数,拟合得到基于播放时长的第一累积分布模型。
数据处理设备可以获取到预设个数的样本播放时长之后,以样本播放时长为输入参数,绘制出样本播放时长的累积分布离散数据,然后可以对该累积分布离散数据进行拟合,从而得到累积分布曲线,并可以确定该累积分布曲线对应的累积分布函数,该累积分布函数即为基于播放时长的第一累积分布模型。
例如,数据处理设备可以以20万个样本播放时长为输入参数,拟合得到如下述公式(1)所示的基于播放时长的第一累积分布模型sigmod1。
在上述公式(1)中,x为待输入的第二视频的播放时长中值,raise1、magnify1、slope1和mid1均为第一累积分布模型中的参数,在输入20万个样本播放时长进行拟合之后,raise1、magnify1、slope1和mid1均可以确定。
步骤203:以样本长点击率为输入参数,拟合得到基于长点击率的第二累积分布模型。
数据处理设备可以获取到预设个数的样本长点击率之后,以样本长点击率为输入参数,绘制出样本长点击率的累积分布离散数据,然后可以对该累积分布离散数据进行拟合,从而得到累积分布曲线,并可以确定该累积分布曲线对应的累积分布函数,该累积分布函数即为基于长点击率的第二累积分布模型。
例如,数据处理设备可以以20万个样本长点击率为输入参数,拟合得到如下述公式(2)所示的基于长点击率的第二累积分布模型sigmod2。
在上述公式(2)中,y为待输入的第二视频的长点击率,raise2、magnify2、slope2和mid2均为第二累积分布模型中的参数,在输入20万个样本长点击率进行拟合之后,raise2、magnify2、slope2和mid2均可以确定。
步骤204:获取预设个数的样本播放次数和样本长点击次数。
数据处理设备可以获取预设个数的样本播放次数,作为基于播放次数的第三累积分布模型的拟合输入参数,可以获取预设个数的样本长点击次数,作为基于长点击次数的第四累积分布模型的拟合输入参数。在实际应用中,样本播放次数和样本长点击次数均可以采用随机采样法,从视频网站的历史数据中随机采样得到。
例如,数据处理设备可以从视频网站的历史数据中,随机采样得到20万个样本播放次数和20万个样本长点击次数。
步骤205:以样本播放次数为输入参数,拟合得到基于播放次数的第三累积分布模型。
数据处理设备可以获取到预设个数的样本播放次数之后,以样本播放次数为输入参数,绘制出样本播放次数的累积分布离散数据,也即是样本播放次数的累积分布真实数据,然后可以对该累积分布离散数据进行拟合,从而得到累积分布曲线,并可以确定该累积分布曲线对应的累积分布函数,该累积分布函数即为基于播放次数的第三累积分布模型。
图3示出了一种基于样本播放次数的累积分布曲线,参照图3,点状线为样本播放次数的累积分布真实数据,实线为对该累积分布真实数据进行拟合,从而得到的累积分布曲线,该累积分布曲线对应的累积分布函数,即为基于播放次数的第三累积分布模型。
例如,数据处理设备可以以20万个样本播放次数为输入参数,拟合得到如下述公式(3)所示的基于播放次数的第三累积分布模型sigmod3。
在上述公式(3)中,m为待输入的第二视频的播放时长中值,raise3、magnify3、slope3和mid3均为第三累积分布模型中的参数,在输入20万个样本播放次数进行拟合之后,raise3、magnify3、slope3和mid3均可以确定。
步骤206:以样本长点击次数为输入参数,拟合得到基于长点击次数的第四累积分布模型。
数据处理设备可以获取到预设个数的样本长点击次数之后,以样本长点击次数为输入参数,绘制出样本长点击次数的累积分布离散数据,然后可以对该累积分布离散数据进行拟合,从而得到累积分布曲线,并可以确定该累积分布曲线对应的累积分布函数,该累积分布函数即为基于长点击次数的第四累积分布模型。
例如,数据处理设备可以以20万个样本长点击次数为输入参数,拟合得到如下述公式(4)所示的基于长点击次数的第四累积分布模型sigmod4。
在上述公式(4)中,n为待输入的第二视频的长点击次数,raise4、magnify4、slope4和mid4均为第四累积分布模型中的参数,在输入20万个样本长点击次数进行拟合之后,raise4、magnify4、slope4和mid4均可以确定。
步骤207:基于第一视频对应第二视频所组成的视频对,确定预设时间段内视频对的播放时长中值和长点击率;第二视频为第一视频在播放时对应的推荐视频,且在预设时间段内与第一视频相邻播放。
本步骤可以通过下述方式实现,包括:基于第一视频对应第二视频所组成的视频对,将预设时间段内第二视频的各个播放时长的中值,确定为预设时间段内视频对的播放时长中值;从各个播放时长中,确定大于预设播放时长,或者与第二视频的总时长的比值大于预设比值的目标播放时长的数据数目;将目标播放时长的数据数目与第二视频的展示数目的比值,确定为预设时间段内视频对的长点击率。
其中,播放时长大于预设播放时长,或者与第二视频的总时长的比值大于预设比值,也即是实现了一次长点击,相应的,目标播放时长的数据数目,也即是第二视频被长点击的播放次数。
例如,预设时间段可以为当前时间之前的7天内,基于第一视频对应第二视频所组成的视频对,数据处理设备可以确定7天内该视频对的播放时长中值为x,7天内该视频对的长点击率y。
步骤208:确定预设时间段内该视频对的播放次数和长点击次数。
视频处理设备可以确定该预设时间段内第二视频的播放次数,作为预设时间段内该视频对的播放次数,可以确定该预设时间段内第二视频的长点击次数,作为预设时间段内该视频对的长点击次数。其中,播放次数可以作为播放时长中值的置信度,也即播放次数越多,播放时长中值的可信度就越高,从而排序校准的结果就越准确。同样的,长点击次数可以作为长点击率的置信度,也即长点击次数越多,长点击率的可信度就越高,从而排序校准的结果就越准确。
例如,数据处理设备可以确定7天内该视频对的播放次数为m,7天内该视频对的长点击次数为n。
步骤209:根据播放时长中值和播放次数,通过第一累积分布模型和第三累积分布模型,确定该视频对基于播放时长的第一校准参数,以及根据长点击率和长点击次数,通过第二累积分布模型和第四累积分布模型,确定该视频对基于长点击率的第二校准参数。
数据处理设备可以将该视频对的播放时长中值输入至第一累积分布模型中,从而第一累积分布模型可以输出第一参数。数据处理设备可以将该视频对的播放次数输入至第三累积分布模型中,从而第三累积分布模型可以输出第三参数。数据处理设备可以将第一参数与第三参数相乘,从而可以得到该视频对基于播放时长的第一校准参数。
同样的,数据处理设备可以将该视频对的长点击率输入至第二累积分布模型中,从而第二累积分布模型可以输出第二参数。数据处理设备可以将该视频对的长点击次数输入至第四累积分布模型中,从而第四累积分布模型可以输出第四参数。数据处理设备可以将第二参数与第四参数相乘,从而可以得到该视频对基于长点击率的第二校准参数。
需要说明的是,数据处理设备可以仅确定第一参数和第二参数,从而可以将第一参数确定为该视频对基于播放时长的第一校准参数,将第二参数确定为该视频对基于长点击率的第二校准参数。当然,在实际应用中,数据处理设备也可以确定第一参数、第二参数和第三参数,从而可以将第一参数与第三参数的乘积确定为该视频对基于播放时长的第一校准参数,将第二参数确定为该视频对基于长点击率的第二校准参数。另外,数据处理设备还可以确定第一参数、第二参数和第四参数,从而可以将第一参数确定为该视频对基于播放时长的第一校准参数,将第二参数与第四参数的乘积确定为该视频对基于长点击率的第二校准参数。再者,数据处理设备还可以如本步骤所述,确定第一参数、第二参数、第三参数和第四参数,从而可以将第一参数与第三参数的乘积确定为该视频对基于播放时长的第一校准参数,将第二参数与第四参数的乘积确定为该视频对基于长点击率的第二校准参数,本发明实施例对此不作具体限定。
例如,数据处理设备可以将该视频对的播放时长中值x输入至第一累积分布模型sigmod1中,从而第一累积分布模型sigmod1可以输出第一参数sigmod1(x)。数据处理设备可以将该视频对的播放次数m输入至第三累积分布模型sigmod3中,从而第三累积分布模型sigmod3可以输出第三参数sigmod3(m)。数据处理设备可以将第一参数sigmod1(x)与第三参数sigmod3(m)相乘,从而可以得到该视频对基于播放时长的第一校准参数f1。
同样的,数据处理设备可以将该视频对的长点击率y输入至第二累积分布模型sigmod2中,从而第二累积分布模型sigmod2可以输出第二参数sigmod2(y)。数据处理设备可以将该视频对的长点击次数n输入至第四累积分布模型sigmod4中,从而第四累积分布模型sigmod4可以输出第四参数sigmod4(n)。数据处理设备可以将第二参数sigmod2(y)与第四参数sigmod4(n)相乘,从而可以得到该视频对基于长点击率的第二校准参数f2。
步骤210:当针对第一视频建立的初始推荐列表中包括第二视频时,确定第二视频的初始排序参数。
第二视频的初始排序参数为第一视频对应的未校准前的初始推荐列表中,第二视频的排序分数。在需要针对第一视频建立推荐列表时,数据处理设备首先可以针对第一视频召回多个召回视频,然后可以通过预设的排序模型,例如LR(Logistic Regression,逻辑回归)模型、GBDT(GradientBoosting Decison Tree,梯度提升树)+LR模型等等,对多个召回视频进行打分,每个召回视频打分得到的分数,即为每个召回视频的初始排序参数,进而可以按照初始排序参数从大到小的顺序,对多个召回视频进行排序,从而能够得到针对第一视频的初始推荐列表。当针对第一视频建立的初始推荐列表中包括第二视频时,数据处理设备可以从初始推荐列表中,确定第二视频的初始排序参数。
需要说明的是,针对第一视频建立初始推荐列表的步骤可以在步骤201之前执行,也即是可以在整个排序校准的过程之前进行,当然,在实际应用中,针对第一视频建立初始推荐列表的步骤也可以在步骤210之前执行,也即是可以在需要初始推荐列表的数据之前再建立,本发明实施例对此不作具体限定。
另外,由于针对第一视频建立初始推荐列表的过程中考虑到最新的用户观看数据,因此,此刻得到的初始推荐列表,与第一视频之前的历史推荐列表将有所不同,因此,第二视频属于任一历史推荐列表,但不一定属于当前的初始推荐列表。当针对第一视频建立的初始推荐列表中包括第二视频时,可以执行后续步骤,以利用第二视频的历史播放数据校准第二视频当前的排序参数,当针对第一视频建立的初始推荐列表中不包括第二视频时,由于无法利用第二视频的历史播放数据校准其他视频当前的排序参数,因此可以停止操作。
例如,当针对第一视频建立的初始推荐列表中包括第二视频时,数据处理设备可以确定第二视频的初始排序参数为F0。
步骤211:根据第一校准参数和第二校准参数,对第二视频的初始排序5参数进行校准,得到第二视频的校准排序参数。
数据处理设备可以利用基于播放时长的第一校准参数,以及基于长点击率的第二校准参数,通过下述公式(5)对第二视频的初始排序参数进行校准,得到第二视频的校准排序参数。
在上述公式(5)中,F为第二视频的校准排序参数,F0为第二视频的初始排序参数,f1为第一校准参数,α为第一校准参数的权重系数,f2为第二校准参数,β为第二校准参数的权重系数。
需要说明的是,在实际应用中,可以根据实际情况调整第一校准参数的权重系数和第二校准参数的权重系数,例如当提高播放时长和提高长点击率
同样重要时,可以将α设定为0.5,β设定为0.5,当提高播放时长比提高长点击率重要时,可以调高α的值,同时调低β的值,当提高长点击率比提高播放时长重要时,可以调低α的值,同时调高β的值。
例如,数据处理设备可以利用基于播放时长的第一校准参数f1,以及基于长点击率的第二校准参数f2,通过下述公式(6)对第二视频的初始排序参数F0进行校准,得到第二视频的校准排序参数F。
F=F0×(1+0.5×f1+0.5×f2) (6)
步骤212:根据第二视频的校准排序参数,调整第二视频在初始推荐列表中的位置。
由于进行校准后,第二视频的排序参数发生了变化,而初始推荐列表中的其他视频的排序参数未发生变化,因此数据处理设备可以根据第二视频的校准排序参数,调整第二视频在初始推荐列表中的位置,从而可以得到针对第一视频校准后的推荐列表。
例如,数据处理设备可以根据第二视频的校准排序参数F,调整第二视频在初始推荐列表中的位置,从而可以得到针对第一视频校准后的推荐列表。
本发明实施例包括以下优点:
基于第一视频对应第二视频所组成的视频对,可以确定预设时间段内视频对的播放时长中值和长点击率,其中,第二视频为第一视频在播放时对应的推荐视频,且在预设时间段内与第一视频相邻播放,然后可以根据播放时长中值,确定视频对基于播放时长的第一校准参数,以及根据长点击率,确定视频对基于长点击率的第二校准参数,当针对第一视频建立的初始推荐列表中包括第二视频时,可以确定第二视频的初始排序参数,并可以根据第一校准参数和第二校准参数,对第二视频的初始排序参数进行校准,得到第二视频的校准排序参数,然后可以根据第二视频的校准排序参数,调整第二视频在初始推荐列表中的位置。在本发明实施例中,可以根据第一视频历史推荐列表中第二视频的播放数据,对第一视频当前推荐列表中第二视频的排序参数进行校准,从而可以调整第二视频在当前推荐列表中的位置,利用播放时长和长点击率的历史播放数据进行校准,能够在视频推荐时提高视频的点击率和播放时长。另外,利用播放次数作为播放时长的置信度,利用长点击次数作为长点击率的置信度,能够进一步提高排序校准的准确度,从而更进一步提高在视频推荐时提高视频的点击率和播放时长。
需要说明的是,对于方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明实施例并不受所描述的动作顺序的限制,因为依据本发明实施例,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作并不一定是本发明实施例所必须的。
实施例三
参照图4,示出了一种视频排序校准装置400的框图,该装置具体可以包括:
第一确定模块401,用于基于第一视频对应第二视频所组成的视频对,确定预设时间段内所述视频对的播放时长中值和长点击率;所述第二视频为所述第一视频在播放时对应的推荐视频,且在所述预设时间段内与所述第一视频相邻播放;
第二确定模块402,用于根据所述播放时长中值,确定所述视频对基于播放时长的第一校准参数,以及根据所述长点击率,确定所述视频对基于长点击率的第二校准参数;
第三确定模块403,用于当针对所述第一视频建立的初始推荐列表中包括所述第二视频时,确定所述第二视频的初始排序参数;
校准模块404,用于根据所述第一校准参数和所述第二校准参数,对所述第二视频的初始排序参数进行校准,得到所述第二视频的校准排序参数;
调整模块405,用于根据所述第二视频的校准排序参数,调整所述第二视频在所述初始推荐列表中的位置。
本发明实施例包括以下优点:
基于第一视频对应第二视频所组成的视频对,可以通过第一确定模块,确定预设时间段内视频对的播放时长中值和长点击率,其中,第二视频为第一视频在播放时对应的推荐视频,且在预设时间段内与第一视频相邻播放,然后可以根据播放时长中值,通过第二确定模块确定视频对基于播放时长的第一校准参数,以及根据长点击率,确定视频对基于长点击率的第二校准参数,当针对第一视频建立的初始推荐列表中包括第二视频时,可以通过第三确定模块确定第二视频的初始排序参数,并可以根据第一校准参数和第二校准参数,通过校准模块对第二视频的初始排序参数进行校准,得到第二视频的校准排序参数,然后可以根据第二视频的校准排序参数,通过调整模块调整第二视频在初始推荐列表中的位置。在本发明实施例中,可以根据第一视频历史推荐列表中第二视频的播放数据,对第一视频当前推荐列表中第二视频的排序参数进行校准,从而可以调整第二视频在当前推荐列表中的位置,利用播放时长和长点击率的历史播放数据进行校准,能够在视频推荐时提高视频的点击率和播放时长。
实施例四
参照图5,示出了另一种视频排序校准装置500的框图,该装置具体可以包括;
第一确定模块501,用于基于第一视频对应第二视频所组成的视频对,确定预设时间段内所述视频对的播放时长中值和长点击率;所述第二视频为所述第一视频在播放时对应的推荐视频,且在所述预设时间段内与所述第一视频相邻播放;
第二确定模块502,用于根据所述播放时长中值,确定所述视频对基于播放时长的第一校准参数,以及根据所述长点击率,确定所述视频对基于长点击率的第二校准参数;
第三确定模块503,用于当针对所述第一视频建立的初始推荐列表中包括所述第二视频时,确定所述第二视频的初始排序参数;
校准模块504,用于根据所述第一校准参数和所述第二校准参数,对所述第二视频的初始排序参数进行校准,得到所述第二视频的校准排序参数;
调整模块505,用于根据所述第二视频的校准排序参数,调整所述第二视频在所述初始推荐列表中的位置。
可选的,参照图5,所述装置500还包括:
第四确定模块506,用于确定所述预设时间段内所述视频对的播放次数和长点击次数;
相应的,所述第二确定模块502包括:
第一确定子模块5021,用于根据所述播放时长中值和所述播放次数,确定所述视频对基于播放时长的第一校准参数,以及根据所述长点击率和所述长点击次数,确定所述视频对基于长点击率的第二校准参数。
可选的,参照图5,所述装置500还包括:
第一获取模块507,用于获取预设个数的样本播放时长和样本长点击率;
第一拟合模块508,用于以所述样本播放时长为输入参数,拟合得到基于播放时长的第一累积分布模型;
第二拟合模块509,用于以所述样本长点击率为输入参数,拟合得到基于长点击率的第二累积分布模型;
相应的,所述第二确定模块502包括:
第二确定子模块5022,用于根据所述播放时长中值,通过所述第一累积分布模型确定所述视频对基于播放时长的第一校准参数,以及根据所述长点击率,通过所述第二累积分布模型确定所述视频对基于长点击率的第二校准参数。
可选的,参照图5,所述装置500还包括:
第二获取模块510,用于获取所述预设个数的样本播放次数和样本长点击次数;
第三拟合模块511,用于以所述样本播放次数为输入参数,拟合得到基于播放次数的第三累积分布模型;
第四拟合模块512,用于以所述样本长点击次数为输入参数,拟合得到基于长点击次数的第四累积分布模型;
相应的,所述第二确定子模块5022包括:
确定单元,用于根据所述播放时长中值和所述播放次数,通过所述第一累积分布模型和所述第三累积分布模型,确定所述视频对基于播放时长的第一校准参数,以及根据所述长点击率和所述长点击次数,通过所述第二累积分布模型和所述第四累积分布模型,确定所述视频对基于长点击率的第二校准参数。
可选的,参照图5,所述第一确定模块501包括:
第三确定子模块5011,用于基于第一视频对应第二视频所组成的视频对,将预设时间段内所述第二视频的各个播放时长的中值,确定为所述预设时间段内所述视频对的播放时长中值;
第四确定子模块5012,用于从所述各个播放时长中,确定大于预设播放时长,或者与所述第二视频的总时长的比值大于预设比值的目标播放时长的数据数目;
第五确定子模块5013,用于将所述目标播放时长的数据数目与所述第二视频的展示数目的比值,确定为所述预设时间段内所述视频对的长点击率。
本发明实施例包括以下优点:
基于第一视频对应第二视频所组成的视频对,可以通过第一确定模块,确定预设时间段内视频对的播放时长中值和长点击率,其中,第二视频为第一视频在播放时对应的推荐视频,且在预设时间段内与第一视频相邻播放,然后可以根据播放时长中值,通过第二确定模块确定视频对基于播放时长的第一校准参数,以及根据长点击率,确定视频对基于长点击率的第二校准参数,当针对第一视频建立的初始推荐列表中包括第二视频时,可以通过第三确定模块确定第二视频的初始排序参数,并可以根据第一校准参数和第二校准参数,通过校准模块对第二视频的初始排序参数进行校准,得到第二视频的校准排序参数,然后可以根据第二视频的校准排序参数,通过调整模块调整第二视频在初始推荐列表中的位置。在本发明实施例中,可以根据第一视频历史推荐列表中第二视频的播放数据,对第一视频当前推荐列表中第二视频的排序参数进行校准,从而可以调整第二视频在当前推荐列表中的位置,利用播放时长和长点击率的历史播放数据进行校准,能够在视频推荐时提高视频的点击率和播放时长。另外,利用播放次数作为播放时长的置信度,利用长点击次数作为长点击率的置信度,能够进一步提高排序校准的准确度,从而更进一步提高在视频推荐时提高视频的点击率和播放时长。
本发明实施例还提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述视频排序校准方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。其中,所述的计算机可读存储介质,如只读存储器(Read-OnlyMemory,简称ROM)、随机存取存储器(Random Access Memory,简称RAM)、磁碟或者光盘等。
对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白,本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此,本发明实施例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,本发明实施例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。
在一个典型的配置中,所述计算机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。内存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)。内存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非持续性的电脑可读媒体(transitory media),如调制的数据信号和载波。
本发明实施例是参照根据本发明实施例的方法、终端设备(***)、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终端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终端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终端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终端设备上,使得在计算机或其他可编程终端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终端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。
尽管已描述了本发明实施例的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物品或者终端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、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本发明所提供的一种视频排序校准方法和一种视频排序校准装置,进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种视频排序校准方法,其特征在于,所述方法包括:
基于第一视频对应第二视频所组成的视频对,确定预设时间段内所述视频对的播放时长中值和长点击率;所述第二视频为所述第一视频在播放时对应的推荐视频,且在所述预设时间段内与所述第一视频相邻播放;
根据所述播放时长中值,确定所述视频对基于播放时长的第一校准参数,以及根据所述长点击率,确定所述视频对基于长点击率的第二校准参数;
当针对所述第一视频建立的初始推荐列表中包括所述第二视频时,确定所述第二视频的初始排序参数;
根据所述第一校准参数和所述第二校准参数,对所述第二视频的初始排序参数进行校准,得到所述第二视频的校准排序参数;
根据所述第二视频的校准排序参数,调整所述第二视频在所述初始推荐列表中的位置。
2.根据权利要求1所述的方法,其特征在于,所述根据所述播放时长中值,确定所述视频对基于播放时长的第一校准参数,以及根据所述长点击率,确定所述视频对基于长点击率的第二校准参数之前,还包括:
确定所述预设时间段内所述视频对的播放次数和长点击次数;
相应的,所述根据所述播放时长中值,确定所述视频对基于播放时长的第一校准参数,以及根据所述长点击率,确定所述视频对基于长点击率的第二校准参数,包括:
根据所述播放时长中值和所述播放次数,确定所述视频对基于播放时长的第一校准参数,以及根据所述长点击率和所述长点击次数,确定所述视频对基于长点击率的第二校准参数。
3.根据权利要求2所述的方法,其特征在于,所述基于第一视频对应第二视频所组成的视频对,确定预设时间段内所述视频对的播放时长中值和长点击率之前,还包括:
获取预设个数的样本播放时长和样本长点击率;
以所述样本播放时长为输入参数,拟合得到基于播放时长的第一累积分布模型;
以所述样本长点击率为输入参数,拟合得到基于长点击率的第二累积分布模型;
相应的,所述根据所述播放时长中值,确定所述视频对基于播放时长的第一校准参数,以及根据所述长点击率,确定所述视频对基于长点击率的第二校准参数,包括:
根据所述播放时长中值,通过所述第一累积分布模型确定所述视频对基于播放时长的第一校准参数,以及根据所述长点击率,通过所述第二累积分布模型确定所述视频对基于长点击率的第二校准参数。
4.根据权利要求3所述的方法,其特征在于,所述基于第一视频对应第二视频所组成的视频对,确定预设时间段内所述视频对的播放时长中值和长点击率之前,还包括:
获取所述预设个数的样本播放次数和样本长点击次数;
以所述样本播放次数为输入参数,拟合得到基于播放次数的第三累积分布模型;
以所述样本长点击次数为输入参数,拟合得到基于长点击次数的第四累积分布模型;
相应的,所述根据所述播放时长中值,通过所述第一累积分布模型确定所述视频对基于播放时长的第一校准参数,以及根据所述长点击率,通过所述第二累积分布模型确定所述视频对基于长点击率的第二校准参数,包括:
根据所述播放时长中值和所述播放次数,通过所述第一累积分布模型和所述第三累积分布模型,确定所述视频对基于播放时长的第一校准参数,以及根据所述长点击率和所述长点击次数,通过所述第二累积分布模型和所述第四累积分布模型,确定所述视频对基于长点击率的第二校准参数。
5.根据权利要求1所述的方法,其特征在于,所述基于第一视频对应第二视频所组成的视频对,确定预设时间段内所述视频对的播放时长中值和长点击率,包括:
基于第一视频对应第二视频所组成的视频对,将预设时间段内所述第二视频的各个播放时长的中值,确定为所述预设时间段内所述视频对的播放时长中值;
从所述各个播放时长中,确定大于预设播放时长,或者与所述第二视频的总时长的比值大于预设比值的目标播放时长的数据数目;
将所述目标播放时长的数据数目与所述第二视频的展示数目的比值,确定为所述预设时间段内所述视频对的长点击率。
6.一种视频排序校准装置,其特征在于,所述装置包括:
第一确定模块,用于基于第一视频对应第二视频所组成的视频对,确定预设时间段内所述视频对的播放时长中值和长点击率;所述第二视频为所述第一视频在播放时对应的推荐视频,且在所述预设时间段内与所述第一视频相邻播放;
第二确定模块,用于根据所述播放时长中值,确定所述视频对基于播放时长的第一校准参数,以及根据所述长点击率,确定所述视频对基于长点击率的第二校准参数;
第三确定模块,用于当针对所述第一视频建立的初始推荐列表中包括所述第二视频时,确定所述第二视频的初始排序参数;
校准模块,用于根据所述第一校准参数和所述第二校准参数,对所述第二视频的初始排序参数进行校准,得到所述第二视频的校准排序参数;
调整模块,用于根据所述第二视频的校准排序参数,调整所述第二视频在所述初始推荐列表中的位置。
7.根据权利要求6所述的装置,其特征在于,所述装置还包括:
第四确定模块,用于确定所述预设时间段内所述视频对的播放次数和长点击次数;
相应的,所述第二确定模块包括:
第一确定子模块,用于根据所述播放时长中值和所述播放次数,确定所述视频对基于播放时长的第一校准参数,以及根据所述长点击率和所述长点击次数,确定所述视频对基于长点击率的第二校准参数。
8.根据权利要求7所述的装置,其特征在于,所述装置还包括:
第一获取模块,用于获取预设个数的样本播放时长和样本长点击率;
第一拟合模块,用于以所述样本播放时长为输入参数,拟合得到基于播放时长的第一累积分布模型;
第二拟合模块,用于以所述样本长点击率为输入参数,拟合得到基于长点击率的第二累积分布模型;
相应的,所述第二确定模块包括:
第二确定子模块,用于根据所述播放时长中值,通过所述第一累积分布模型确定所述视频对基于播放时长的第一校准参数,以及根据所述长点击率,通过所述第二累积分布模型确定所述视频对基于长点击率的第二校准参数。
9.根据权利要求8所述的装置,其特征在于,所述装置还包括:
第二获取模块,用于获取所述预设个数的样本播放次数和样本长点击次数;
第三拟合模块,用于以所述样本播放次数为输入参数,拟合得到基于播放次数的第三累积分布模型;
第四拟合模块,用于以所述样本长点击次数为输入参数,拟合得到基于长点击次数的第四累积分布模型;
相应的,所述第二确定子模块包括:
确定单元,用于根据所述播放时长中值和所述播放次数,通过所述第一累积分布模型和所述第三累积分布模型,确定所述视频对基于播放时长的第一校准参数,以及根据所述长点击率和所述长点击次数,通过所述第二累积分布模型和所述第四累积分布模型,确定所述视频对基于长点击率的第二校准参数。
10.根据权利要求6所述的装置,其特征在于,所述第一确定模块包括:
第三确定子模块,用于基于第一视频对应第二视频所组成的视频对,将预设时间段内所述第二视频的各个播放时长的中值,确定为所述预设时间段内所述视频对的播放时长中值;
第四确定子模块,用于从所述各个播放时长中,确定大于预设播放时长,或者与所述第二视频的总时长的比值大于预设比值的目标播放时长的数据数目;
第五确定子模块,用于将所述目标播放时长的数据数目与所述第二视频的展示数目的比值,确定为所述预设时间段内所述视频对的长点击率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810236970.XA CN108614856B (zh) | 2018-03-21 | 2018-03-21 | 一种视频排序校准方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810236970.XA CN108614856B (zh) | 2018-03-21 | 2018-03-21 | 一种视频排序校准方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108614856A true CN108614856A (zh) | 2018-10-02 |
CN108614856B CN108614856B (zh) | 2021-01-05 |
Family
ID=63659275
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810236970.XA Active CN108614856B (zh) | 2018-03-21 | 2018-03-21 | 一种视频排序校准方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108614856B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111405325A (zh) * | 2020-03-25 | 2020-07-10 | 北京达佳互联信息技术有限公司 | 一种视频内容分发方法和装置及电子设备 |
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 |
CN113038281A (zh) * | 2019-12-09 | 2021-06-25 | 浙江宇视科技有限公司 | 一种视频播放的方法、装置、设备及存储介质 |
CN114201642A (zh) * | 2021-11-17 | 2022-03-18 | 北京达佳互联信息技术有限公司 | 一种媒体内容推荐方法、装置、电子设备及存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103686237A (zh) * | 2013-11-19 | 2014-03-26 | 乐视致新电子科技(天津)有限公司 | 推荐视频资源的方法及*** |
CN104156472A (zh) * | 2014-08-25 | 2014-11-19 | 四达时代通讯网络技术有限公司 | 一种视频推荐方法及*** |
CN104216886A (zh) * | 2013-05-29 | 2014-12-17 | 酷盛(天津)科技有限公司 | 视频推荐装置、***及方法 |
US9055343B1 (en) * | 2013-06-07 | 2015-06-09 | Google Inc. | Recommending content based on probability that a user has interest in viewing the content again |
CN104869439A (zh) * | 2015-05-14 | 2015-08-26 | 无锡天脉聚源传媒科技有限公司 | 一种视频推送方法及装置 |
CN105282565A (zh) * | 2015-09-29 | 2016-01-27 | 北京奇艺世纪科技有限公司 | 一种视频推荐方法和装置 |
CN105447087A (zh) * | 2015-11-06 | 2016-03-30 | 腾讯科技(深圳)有限公司 | 一种视频推荐方法及装置 |
CN105898579A (zh) * | 2015-12-22 | 2016-08-24 | 乐视网信息技术(北京)股份有限公司 | 一种视频跟播方法及*** |
CN106250499A (zh) * | 2016-08-02 | 2016-12-21 | 合网络技术(北京)有限公司 | 一种视频对挖掘方法及装置 |
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*** |
US20180004760A1 (en) * | 2016-06-29 | 2018-01-04 | Accenture Global Solutions Limited | Content-based video recommendation |
-
2018
- 2018-03-21 CN CN201810236970.XA patent/CN108614856B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104216886A (zh) * | 2013-05-29 | 2014-12-17 | 酷盛(天津)科技有限公司 | 视频推荐装置、***及方法 |
US9055343B1 (en) * | 2013-06-07 | 2015-06-09 | Google Inc. | Recommending content based on probability that a user has interest in viewing the content again |
CN103686237A (zh) * | 2013-11-19 | 2014-03-26 | 乐视致新电子科技(天津)有限公司 | 推荐视频资源的方法及*** |
CN104156472A (zh) * | 2014-08-25 | 2014-11-19 | 四达时代通讯网络技术有限公司 | 一种视频推荐方法及*** |
CN104869439A (zh) * | 2015-05-14 | 2015-08-26 | 无锡天脉聚源传媒科技有限公司 | 一种视频推送方法及装置 |
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*** |
CN105282565A (zh) * | 2015-09-29 | 2016-01-27 | 北京奇艺世纪科技有限公司 | 一种视频推荐方法和装置 |
CN105447087A (zh) * | 2015-11-06 | 2016-03-30 | 腾讯科技(深圳)有限公司 | 一种视频推荐方法及装置 |
CN105898579A (zh) * | 2015-12-22 | 2016-08-24 | 乐视网信息技术(北京)股份有限公司 | 一种视频跟播方法及*** |
US20180004760A1 (en) * | 2016-06-29 | 2018-01-04 | Accenture Global Solutions Limited | Content-based video recommendation |
CN106250499A (zh) * | 2016-08-02 | 2016-12-21 | 合网络技术(北京)有限公司 | 一种视频对挖掘方法及装置 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113038281A (zh) * | 2019-12-09 | 2021-06-25 | 浙江宇视科技有限公司 | 一种视频播放的方法、装置、设备及存储介质 |
CN111405325A (zh) * | 2020-03-25 | 2020-07-10 | 北京达佳互联信息技术有限公司 | 一种视频内容分发方法和装置及电子设备 |
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 |
CN114201642A (zh) * | 2021-11-17 | 2022-03-18 | 北京达佳互联信息技术有限公司 | 一种媒体内容推荐方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108614856B (zh) | 2021-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108614856A (zh) | 一种视频排序校准方法和装置 | |
US10997229B2 (en) | Content recommendation system | |
US9335818B2 (en) | System and method of personalizing playlists using memory-based collaborative filtering | |
US20070256093A1 (en) | Decentralized and fraud-resistant system and method for rating information content | |
Rodríguez et al. | The impact of video-quality-level switching on user quality of experience in dynamic adaptive streaming over HTTP | |
CN102088626B (zh) | 一种在线视频推荐方法及视频门户服务*** | |
US10223359B2 (en) | Determining recommended media programming from sparse consumption data | |
US20150026706A1 (en) | Content rating | |
CN108900923A (zh) | 推荐直播模板的方法和装置 | |
US20160379123A1 (en) | Entertainment Prediction Favorites | |
CN106791964B (zh) | 广播电视节目推荐***及方法 | |
RU2641663C1 (ru) | Способ рекомендации телевизионной программы и сервер | |
CN107454442B (zh) | 一种推荐视频的方法和装置 | |
EP3479579B1 (en) | Quality estimation of adaptive multimedia streaming | |
CN111683292A (zh) | 一种视频播放方法及装置 | |
US20220232272A1 (en) | Crowdsourcing platform for on-demand media content creation and sharing | |
CN111090810A (zh) | 一种应用消息的推送方法、装置及电子设备 | |
CN105163183A (zh) | 一种视频图片的筛选方法及装置 | |
US20120054144A1 (en) | Biased recommender system | |
Menkovski et al. | Optimized online learning for QoE prediction | |
US9319290B1 (en) | Method for calculating the subscribability of a channel on the web | |
US10893312B2 (en) | Digital content provision | |
CN111666486B (zh) | 热度值获取方法及装置 | |
EP2251994B1 (en) | System and method for optimization of content recommendation | |
KR101151539B1 (ko) | 컨텐츠의 평균 선호도 예측 방법 및 시스템. |
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 |