CN109657138A - 一种视频推荐方法、装置、电子设备及存储介质 - Google Patents

Abstract

本发明涉及一种视频推荐方法、装置、电子设备及存储介质，属于互联网术领域。该视频推荐方法包括：根据用户的消费日志确定出多个视频标签，其中，所述视频标签用于表示视频的类别；计算所述用户对所述多个视频标签中的每个视频标签的偏好值；根据所述每个视频标签的偏好值确定推荐视频，并推荐至客户端。本申请实施例中，通过用户的消费日志，确定出该用户消费的多个视频对应的视频标签，再计算该用户对每个视频标签的偏好值，然后根据计算结果确定推荐视频，也即根据用户的偏好向其推荐的视频，确保能够为用户推荐其感兴趣的视频。

Description

一种视频推荐方法、装置、电子设备及存储介质

技术领域

本发明属于互联网术领域，具体涉及一种视频推荐方法、装置、电子设备及存储介质。

背景技术

随着互联网技术的发展，人们获取信息的渠道越来越多，各类平台为用户提供了包括文章、图集、视频等信息，对于平台而言，如何向用户推送用户感兴趣的信息是平台首要面对的问题。平台向用户推荐的信息往往由各类算法所决定，而算法需要经过大量数据的训练及测试才能准确地确定不同用户所喜好的信息，由于，算法的训练所需的数据量庞大，往往以一天的时间间隔对一整天的数据进行训练、测试，因此，以此进行的消息推荐没能及时地对用户当前的操作行为进行反馈，常常要到第二天才能计算出用户感兴趣的推荐内容，使得推荐效果不理想。

发明内容

鉴于此，本发明的目的在于提供一种视频推荐方法、装置、电子设备及存储介质，以有效地改善上述问题。

本发明的实施例是这样实现的：

第一方面，本发明实施例提供了一种视频推荐方法，包括：根据用户的消费日志确定出多个视频标签，其中，所述视频标签用于表示视频的类别；计算所述用户对所述多个视频标签中的每个视频标签的偏好值；根据所述每个视频标签的偏好值确定推荐视频，并推荐至客户端。

结合第一方面的一种可能的实施方式，计算所述用户对所述多个视频标签中的每个视频标签的偏好值，包括：获取上一次计算的所述用户对所述多个视频标签中的每个视频标签的历史偏好值；获取上一次计算时间点到当前时间点的时间间隔，并根据所述时间间隔确定时间衰减系数；计算所述用户对所述多个视频标签中的每个视频标签的所有行为权重；根据所述历史偏好值、所述时间衰减系数和所述所有行为权重确定所述用户对所述多个视频标签中的每个视频标签的偏好值。

结合第一方面的一种可能的实施方式，根据所述历史偏好值、所述时间衰减系数和所述所有行为权重确定所述用户对所述多个视频标签中的每个视频标签的偏好值，包括：根据所述历史偏好值、所述时间衰减系数和所述所有行为权重以及偏好公式P(Ui，Tj)＝P(Ui，Tj)’*TimeDecay+SumAllAction(ActionWeight*ItemWeight*ItemTagWeight*UserTagWeight)确定所述用户对所述多个视频标签中的每个视频标签的偏好值；其中，P(Ui，Tj)表示用户i对视频标签j的偏好值；P(Ui，Tj)’表示上一次计算出的用户i对视频标签j的历史偏好值，若为第一次计算则值为零；TimeDecay表示时间衰减系数＝exp(－deltaSeconds/decayFactor)，deltaSeconds表示上一次计算时间点到当前时间点的时间间隔，单位为秒；decayFactor用于控制衰减速率，对于正向偏好decayFactor＝800000，对于负向偏好decayFactor＝100000；SumAllAction是包含视频标签j的所有行为权重，即包括点击、播放、下载、曝光、不喜欢五种行为权重之和；ActionWeight为单个行为权重，对于正向偏好，单个行为权重分别为：点击行为＝1，播放行为＝2，下载行为＝5，曝光行为＝－0.1，不喜欢行为＝－5，对于负向偏好，单个行为权重分别为：点击行为＝－1，播放行为＝－2，下载行为＝－5，曝光行为＝1，不喜欢行为＝5；ItemWeight表示视频标签j的权重，ItemWeight＝log(ActionCount/ItemActionCount)，其中ActionCount表示所有用户针对视频标签j的某个行为的总数，ItemActionCount表示用户i针对视频标签j在该行为下的总数；ItemTagWeight表示Tj在Item中的权重，为默认值；UserTagWeight表示Tj在用户偏好中的权重，UserTagWeight＝log(所有视频标签历史累计算过的次数/视频标签j累计计算过的次数)。

结合第一方面的一种可能的实施方式，所述消费日志为搜索日志；根据用户的消费日志确定出多个视频标签，包括：对所述搜索日志中的搜索词以字为单位进行切词处理，得到多个字；对所述多个字进行去重处理；对去重后的多个字进行排列组合，得到多个词；将所述多个词中的每个词分别与视频库标签匹配，将与所述视频库标签命中的词作为所述视频标签。

结合第一方面的一种可能的实施方式，根据所述每个视频标签的偏好值确定推荐视频，包括：利用训练好的梯度提升决策树模型对所述每个视频标签的偏好值进行排序，得到排序结果；根据所述排序结果确定所述推荐视频。

第二方面，本申请实施例还提供了一种视频推荐装置，包括：第一确定模块，用于根据用户的消费日志确定出多个视频标签，其中，所述视频标签用于表示视频的类别；计算模块，用于计算所述用户对所述多个视频标签中的每个视频标签的偏好值；第二确定模块，用于根据所述每个视频标签的偏好值确定推荐视频，并推荐至客户端。

结合第二方面的一种可能的实施方式，所述计算模块，还用于获取上一次计算的所述用户对所述多个视频标签中的每个视频标签的历史偏好值；获取上一次计算时间点到当前时间点的时间间隔，并根据所述时间间隔确定时间衰减系数；计算所述用户对所述多个视频标签中的每个视频标签的所有行为权重；根据所述历史偏好值、所述时间衰减系数和所述所有行为权重确定所述用户对所述多个视频标签中的每个视频标签的偏好值。

结合第二方面的一种可能的实施方式，所述计算模块，还用于根据所述历史偏好值、所述时间衰减系数和所述所有行为权重以及偏好公式P(Ui，Tj)＝P(Ui，Tj)’*TimeDecay+SumAllAction(ActionWeight*ItemWeight*ItemTagWeight*UserTagWeight)确定所述用户对所述多个视频标签中的每个视频标签的偏好值；其中，P(Ui，Tj)表示用户i对视频标签j的偏好值；P(Ui，Tj)’表示上一次计算出的用户i对视频标签j的历史偏好值，若为第一次计算则值为零；TimeDecay表示时间衰减系数＝exp(－deltaSeconds/decayFactor)，deltaSeconds表示上一次计算时间点到当前时间点的时间间隔，单位为秒；decayFactor用于控制衰减速率，对于正向偏好decayFactor＝800000，对于负向偏好decayFactor＝100000；SumAllAction是包含视频标签j的所有行为权重，即包括点击、播放、下载、曝光、不喜欢五种行为权重之和；ActionWeight为单个行为权重，对于正向偏好，单个行为权重分别为：点击行为＝1，播放行为＝2，下载行为＝5，曝光行为＝－0.1，不喜欢行为＝－5，对于负向偏好，单个行为权重分别为：点击行为＝－1，播放行为＝－2，下载行为＝－5，曝光行为＝1，不喜欢行为＝5；ItemWeight表示视频标签j的权重，其中ActionCount表示所有用户针对视频标签j的某个行为的总数，ItemActionCount表示用户i针对视频标签j在该行为下的总数；ItemTagWeight表示Tj在Item中的权重，为默认值；UserTagWeight表示Tj在用户偏好中的权重，UserTagWeight＝log(所有视频标签历史累计算过的次数/视频标签j累计计算过的次数)。

结合第二方面的一种可能的实施方式，所述消费日志为搜索日志，第一确定模块，还用于对所述搜索日志中的搜索词以字为单位进行切词处理，得到多个字；对所述多个字进行去重处理；对去重后的多个字进行排列组合，得到多个词；将所述多个词中的每个词分别与视频库标签匹配，将与所述视频库标签命中的词作为所述视频标签。

结合第二方面的一种可能的实施方式，第二确定模块，还用于利用训练好的梯度提升决策树模型对所述每个视频标签的偏好值进行排序，得到排序结果；根据所述排序结果确定所述推荐视频。

第三方面，本申请实施例还提供了一种电子设备，包括：存储器和处理器，所述存储器和所述处理器连接；所述存储器，用于存储程序；所述处理器，用于调用存储于所述存储器中的程序，以执行上述第一方面和/或结合第一方面的一种可能的实施方式提供的方法。

第四方面，本申请实施例还提供了一种存储介质，包括计算机程序，所述计算机程序被处理器运行时执行上述第一方面和/或结合第一方面的一种可能的实施方式提供的方法。

本发明实施例提供的视频推荐方法，包括：根据用户的消费日志确定出多个视频标签，其中，所述视频标签用于表示视频的类别；计算所述用户对所述多个视频标签中的每个视频标签的偏好值；根据所述每个视频标签的偏好值确定推荐视频，并推荐至客户端。本申请实施例中，通过用户的消费日志，确定出该用户消费的多个视频对应的视频标签，再计算该用户对每个视频标签的偏好值，然后根据计算结果确定推荐视频，也即根据用户的偏好向其推荐的视频，确保能够为用户推荐其感兴趣的视频。

本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

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。通过附图所示，本发明的上述及其它目的、特征和优势将更加清晰。在全部附图中相同的附图标记指示相同的部分。并未刻意按实际尺寸等比例缩放绘制附图，重点在于示出本发明的主旨。

图1示出了本发明实施例提供的一种电子设备的结构示意图。

图2示出了本发明实施例提供的一种视频推荐方法的流程示意图。

图3示出了本发明实施例提供的图2中的步骤S102的流程示意图。

图4示出了本发明实施例提供的一种视频推荐装置的模块示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

在本发明的描述中，需要说明的是，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。再者，本申请中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。

如图1所示，图1示出了本发明实施例提供的一种电子设备100的结构框图。所述电子设备100包括：视频推荐装置110、存储器120、存储控制器130和处理器140。其中，在本发明实施例中，所述电子设备100可以是，但不限于网络服务器、数据库服务器、云端服务器等。

所述存储器120、存储控制器130、处理器140各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述视频推荐装置110包括至少一个可以软件或固件(firmware)的形式存储于所述存储器120中或固化在所述电子设备100的操作***(operating system，OS)中的软件功能模块。所述处理器140用于执行存储器120中存储的可执行模块，例如所述视频推荐装置110包括的软件功能模块或计算机程序。

其中，存储器120可以是，但不限于，随机存取存储器(Random Access Memory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(Programmable Read－Only Memory，PROM)，可擦除只读存储器(Erasable Programmable Read－Only Memory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read－Only Memory，EEPROM)等。其中，存储器120用于存储程序，所述处理器140在接收到执行指令后，执行所述程序，后述本发明实施例任一实施例揭示的流程定义的电子设备100所执行的方法可以应用于处理器140中，或者由处理器140实现。

处理器140可能是一种集成电路芯片，具有信号的处理能力。上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(NetworkProcessor，NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

请参阅图2，为本发明实施例提供的一种应用于上述电子设备100的视频推荐方法，下面将结合图2对其所包含的步骤进行说明。

步骤S101：根据用户的消费日志确定出多个视频标签，其中，所述视频标签用于表示视频的类别。

获取用户(如用户i)在预设时间段内(如过去一个月、15天、7天等)的消费日志，并以此确定出多个视频标签，也即根据该用户消费的多个视频确定出对应的视频标签。其中，视频标签用于表示视频的类别。需要说明的是，每个视频都具有至少一个视频标签，该视频标签是事先根据视频的内容进行划分的，不同的视频标签标示不同的类型，该过程有点类似于对视频分类一样。

其中，消费日志包括：搜索日志、播放日志、点击日志、下载日志、曝光日志和不喜欢日志。其中，当消费日志为播放日志、点击日志、下载日志、曝光日志和不喜欢日志时，对应的是视频本身，由于每个视频事先都设置有对应的视频标签，因此，当消费日志为播放日志、点击日志、下载日志、曝光日志和不喜欢日志时，是可以直接确定出对应的视频标签的。但是，当消费日志为搜索日志时，是不能直接确定出对应的视频标签的，此时，可以先对搜索日志中的搜索词以字为单位进行切词处理，得到多个字，然后再对切词处理后得到的多个字进行去重处理，再对去重后的多个字进行排列组合，得到多个词，最后将排列组合得到的多个词中的每个词分别与视频库标签匹配，将与视频库标签命中的词作为视频标签。通过该方式，就可以确定搜索词对应的视频标签了。为了便于理解，举例进行说明，假设该用户在预设时间段内，一种搜索了3次(真实数据可能远不止与此)，搜索词分别如下：一出好戏(4个字)、我不是药神(5个字)和后来的我们(5个字)，进行切词处理后，一共包括14个字，进行去重处理后，还剩13个字，其中，去除了一个重复的“我”字，然后对剩下的13个字进行排列组合，如以一个字的组合方式包含13种式，以两个字的组合方式包含13*12＝156种，以三个字的组合方式包含13*12*11＝1716……，最后将排列组合得到的多个词中的每个词分别与视频库标签匹配，将与视频库标签命中的词作为视频标签。

步骤S102：计算所述用户对所述多个视频标签中的每个视频标签的偏好值。

根据用户(如用户i)的消费日志确定出多个视频标签后，计算该用户对该多个视频标签中的每个视频标签的偏好值。

作为一种可选的实施方式，可以是统计各个视频标签的数量，然后除以统计的各个视频标签的数量之和来确定偏好值。例如，根据用户(如用户i)的消费日志确定5个视频标签，分别为A、B、C、D和E，假设A统计的数量为5，B统计的数量为7、C统计的数量为10、D统计的数量为2以及E统计的数量为3，则用户对A的偏好值为5/(5+7+10+2+3)，同理用户对B的偏好值为7/(5+7+10+2+3)，以此类推，可以得到用户对各个视频标签的偏好值。

作为另一种可选的实施方式，可以结合图3所包含的步骤对该过程进行说明。

步骤S201：获取上一次计算的所述用户对所述多个视频标签中的每个视频标签的历史偏好值。

由于每个视频标签的历史偏好值由于之前计算过，***中会有记录，直接获取即可。其中若某个视频标签为第一次计算，则该历史偏好值默认为零。

步骤S202：获取上一次计算时间点到当前时间点的时间间隔，并根据所述时间间隔确定时间衰减系数。

获取上一次计算时间点到当前时间点的时间间隔，并根据所述时间间隔确定时间衰减系数，其中，该时间间隔的单位为秒。例如，上一次计算时间点到当前时间点的时间间隔为15天，则对应的秒为15*24*60*60＝1296000秒，根据时间间隔确定时间衰减系数可以是根据时间衰减函数公式TimeDecay＝exp(－deltaSeconds/decayFactor)来确定时间衰减系数。其中，deltaSeconds为上次计算时刻到当前时刻相距的秒数，如1296000秒，decayFactor用于控制衰减速率，对于正向偏好decayFactor＝800000，对于负向偏好decayFactor＝100000。

其中，需要说明的是，正向偏好和负向偏好表示的是视频标签的类型，即视频标签按照大类分的话，其包括两类，即正向偏好和负向偏好，其中，每类下又对应有多个子类，如一级分类、二级分类、内容标签、LDA(Latent Dirichlet Allocation)标签等。若该视频标签属于正向偏好，则decayFactor＝800000，若属于负向偏好，则decayFactor＝100000。

步骤S203：计算所述用户对所述多个视频标签中的每个视频标签的所有行为权重。

根据每个视频标签，分别计算用户对每个视频标签的所有行为权重，也即点击、播放、下载、曝光、不喜欢五种行为的权重之和。以计算用户对视频标签j的所有行为权重为例，首先分别计算视频标签j在点击行为、播放行为、下载行为、曝光行为、不喜欢行为5种行为下的权重，然后再对这5种行为权重求和，便可以计算出用户对视频标签j的所有行为权重。为了便于理解，以下述公式为例：SumAllAction(ActionWeight*ItemWeight*ItemTagWeight*UserTagWeight)。其中，SumAllAction是包含视频标签j的所有行为权重，即包括点击、播放、下载、曝光、不喜欢五种行为权重之和；ActionWeight为单个行为权重，对于正向偏好，单个行为权重分别为：点击行为＝1，播放行为＝2，下载行为＝5，曝光行为＝－0.1，不喜欢行为＝－5，对于负向偏好，单个行为权重分别为：点击行为＝－1，播放行为＝－2，下载行为＝－5，曝光行为＝1，不喜欢行为＝5。ItemWeight表示视频标签j的权重，ItemWeight＝log(ActionCount/ItemActionCount)，其中ActionCount表示所有用户针对视频标签j的某个行为的总数，ItemActionCount表示用户i针对视频标签j在该行为下的总数。例如，以点击行为为例，则ActionCount表示所有用户针对视频标签j的点击行为的总数，假设包含100个用户(其中，用户i包含在这100个用户之内)，ActionCount则为这100个用户针对视频标签j的点击数之和，假设为10000。ItemActionCount表示用户i针对视频标签j在该行为(此时为点击行为)下的总数，假设为100。又例如，以播放行为为例，则ActionCount表示所有用户针对视频标签j的播放行为的总数，假设包含100个用户(其中，用户i包含在这100个用户之内)，ActionCount则为这100个用户针对视频标签j的播放数之和，假设为80000。ItemActionCount表示用户i针对视频标签j在该行为(此时为播放行为)下的总数，假设为500。ItemTagWeight表示Tj在Item中的权重，为默认值，通常为1，具体根据实际设置值而定。UserTagWeight表示Tj在用户偏好中的权重，UserTagWeight＝log(所有视频标签历史累计算过的次数/视频标签j累计计算过的次数)。例如，还是以上述的5个视频标签(A、B、C、D和E)，为例，则所有视频标签历史累计算过的次数表示为A、B、C、D和E各自历史累计算过的次数之和。假设，视频标签j为A，则视频标签j累计计算过的次数，则为A历史累计算过的次数。

步骤S204：根据所述历史偏好值、所述时间衰减系数和所述所有行为权重确定所述用户对所述多个视频标签中的每个视频标签的偏好值。

在获得各个视频标签的历史偏好值、时间衰减系数、所有行为权重之后，根据获得的历史偏好值、时间衰减系数和所有行为权重即可确定用户对多个视频标签中的每个视频标签的偏好值。

作为一种可选的实施方式，可以是将每个视频标签的历史偏好值乘以时间衰减系数加上所有行为权重即为该视频标签的偏好值。不同的计算公式其偏好值不同，如可以将每个视频标签的历史偏好值加上时间衰减系数乘以所有行为权重即为该视频标签的偏好值。

其中，为了便于理解，以历史偏好值乘以时间衰减系数加上所有行为权重即为某个视频标签的偏好值为例，进行说明，根据所述历史偏好值、所述时间衰减系数和所述所有行为权重以及偏好公式P(Ui，Tj)＝P(Ui，Tj)’*TimeDecay+SumAllAction(ActionWeight*ItemWeight*ItemTagWeight*UserTagWeight)确定所述用户对所述多个视频标签中的每个视频标签的偏好值。其中，P(Ui，Tj)表示用户i对视频标签j的偏好值；P(Ui，Tj)’表示上一次计算出的用户i对视频标签j的历史偏好值，若为第一次计算则值为零；TimeDecay表示时间衰减系数＝exp(－deltaSeconds/decayFactor)，deltaSeconds表示上一次计算时间点到当前时间点的时间间隔，单位为秒；decayFactor用于控制衰减速率，对于正向偏好decayFactor＝800000，对于负向偏好decayFactor＝100000；SumAllAction是包含视频标签j的所有行为权重，即包括点击、播放、下载、曝光、不喜欢五种行为权重之和；ActionWeight为单个行为权重，对于正向偏好，单个行为权重分别为：点击行为＝1，播放行为＝2，下载行为＝5，曝光行为＝－0.1，不喜欢行为＝－5，对于负向偏好，单个行为权重分别为：点击行为＝－1，播放行为＝－2，下载行为＝－5，曝光行为＝1，不喜欢行为＝5；ItemWeight表示视频标签j的权重，ItemWeight＝log(ActionCount/ItemActionCount)，其中ActionCount表示所有用户针对视频标签j的某个行为的总数，ItemActionCount表示用户i针对视频标签j在该行为下的总数；ItemTagWeight表示Tj在Item中的权重，为默认值；UserTagWeight表示Tj在用户偏好中的权重，UserTagWeight＝log(所有视频标签历史累计算过的次数/视频标签j累计计算过的次数)。

步骤S103：根据所述每个视频标签的偏好值确定推荐视频，并推荐至客户端。

在计算出用户对各个视频标签的偏好值后，根据计算出的每个视频标签的偏好值确定推荐视频，并推荐至客户端。由于是根据用户的偏好向其推荐的视频，确保能够为用户推荐其感兴趣的视频。可选地，可以是利用训练好的梯度提升决策树(Gradient BoostedDecision Tree，GBDT)模型对所述每个视频标签的偏好值进行排序，得到排序结果，再根据所述排序结果确定所述推荐视频。例如，得到排序结果后，直接选取排名靠前的结果作为推荐视频，如排名前三的内容作为最终推荐内容。其中，GBDT除了考虑上文提到的用户的偏好特征(也即用户对每个视频标签的偏好值)外，还通过给播放时间比较长的以及视频完播率比较高的播放样本赋予更高的权重，使得最终的排序结果能更好的反映出用户的偏好。

其中，需要说明的是，该梯度提升决策树模型为事先训练好的，其包括三个过程，第一，训练日志；第二，样本特征提取，第三，输出结果优化，该过程与现有该梯度提升决策树模型的建立过程大同小异，不同的是，训练的数据不同，使得应用场景不同。

其中，输出结果优化，也即，除了考虑上文提到的用户的偏好特征(也即用户对每个视频标签的偏好值)外，还通过给播放时间比较长的以及视频完播率比较高的播放样本赋予更高的权重，使得最终的排序结果能更好的反映出用户的偏好。

也就是说，在计算出的每个视频标签的偏好值，还要结合对应的权重，然后在进行排序，这种通过多目标权重优化的方式所确定出的推荐视频，相比于只基于每个视频标签的偏好值确定出的推荐视频，更能反映用户的兴趣，进而最终推荐的视频能更加吸引用户。需要说明的是，上述的示出的示例进行是为了便于理解，而举的例子而已，因此，并不能将其理解成是对本申请的限制。

本发明实施例，还提供了一种视频推荐装置110，如图4所示。该视频推荐装置110包括：第一确定模块111、计算模块112以及第二确定模块113。

第一确定模块111，用于根据用户的消费日志确定出多个视频标签，其中，所述视频标签用于表示视频的类别。

计算模块112，用于计算所述用户对所述多个视频标签中的每个视频标签的偏好值，

第二确定模113，用于根据所述每个视频标签的偏好值确定推荐视频，并推荐至客户端。

需要说明的是，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。

本发明实施例所提供的视频推荐装置110，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。

本发明实施例还提供了一种非易失性计算机可读取存储介质，该存储介质包括计算机程序，所述计算机程序被处理器运行时执行上述的方法。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，笔记本电脑，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read－OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。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、物品或者设备中还存在另外的相同要素。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种视频推荐方法，其特征在于，包括：

根据用户的消费日志确定出多个视频标签，其中，所述视频标签用于表示视频的类别；

计算所述用户对所述多个视频标签中的每个视频标签的偏好值；

根据所述每个视频标签的偏好值确定推荐视频，并推荐至客户端。

2.根据权利要求1所述的方法，其特征在于，计算所述用户对所述多个视频标签中的每个视频标签的偏好值，包括：

获取上一次计算的所述用户对所述多个视频标签中的每个视频标签的历史偏好值；

获取上一次计算时间点到当前时间点的时间间隔，并根据所述时间间隔确定时间衰减系数；

计算所述用户对所述多个视频标签中的每个视频标签的所有行为权重；

根据所述历史偏好值、所述时间衰减系数和所述所有行为权重确定所述用户对所述多个视频标签中的每个视频标签的偏好值。

3.根据权利要求2所述的方法，其特征在于，根据所述历史偏好值、所述时间衰减系数和所述所有行为权重确定所述用户对所述多个视频标签中的每个视频标签的偏好值，包括：

根据所述历史偏好值、所述时间衰减系数和所述所有行为权重以及偏好公式P(Ui，Tj)＝P(Ui，Tj)’＊TimeDecay+SumAllAction(ActionWeight＊ItemWeight＊ItemTagWeight＊UserTagWeight)确定所述用户对所述多个视频标签中的每个视频标签的偏好值；

其中，P(Ui，Tj)表示用户i对视频标签j的偏好值；P(Ui，Tj)’表示上一次计算出的用户i对视频标签j的历史偏好值，若为第一次计算则值为零；TimeDecay表示时间衰减系数＝exp(－deltaSeconds/decayFactor)，deltaSeconds表示上一次计算时间点到当前时间点的时间间隔，单位为秒；decayFactor用于控制衰减速率，对于正向偏好decayFactor＝800000，对于负向偏好decayFactor＝100000；SumAllAction是包含视频标签j的所有行为权重，即包括点击、播放、下载、曝光、不喜欢五种行为权重之和；ActionWeight为单个行为权重，对于正向偏好，单个行为权重分别为：点击行为＝1，播放行为＝2，下载行为＝5，曝光行为＝－0.1，不喜欢行为＝－5，对于负向偏好，单个行为权重分别为：点击行为＝－1，播放行为＝－2，下载行为＝－5，曝光行为＝1，不喜欢行为＝5；ItemWeight表示视频标签j的权重，ItemWeight＝log(ActionCount/ItemActionCount)，其中ActionCount表示所有用户针对视频标签j的某个行为的总数，ItemActionCount表示用户i针对视频标签j在该行为下的总数；ItemTagWeight表示Tj在Item中的权重，为默认值；UserTagWeight表示Tj在用户偏好中的权重，UserTagWeight＝log(所有视频标签历史累计算过的次数/视频标签j累计计算过的次数)。

4.根据权利要求1所述的方法，其特征在于，所述消费日志为搜索日志；根据用户的消费日志确定出多个视频标签，包括：

对所述搜索日志中的搜索词以字为单位进行切词处理，得到多个字；

对所述多个字进行去重处理；

对去重后的多个字进行排列组合，得到多个词；

将所述多个词中的每个词分别与视频库标签匹配，将与所述视频库标签命中的词作为所述视频标签。

5.根据权利要求1所述的方法，其特征在于，根据所述每个视频标签的偏好值确定推荐视频，包括：

利用训练好的梯度提升决策树模型对所述每个视频标签的偏好值进行排序，得到排序结果；

根据所述排序结果确定所述推荐视频。

6.一种视频推荐装置，其特征在于，包括：

第一确定模块，用于根据用户的消费日志确定出多个视频标签，其中，所述视频标签用于表示视频的类别；

计算模块，用于计算所述用户对所述多个视频标签中的每个视频标签的偏好值；

第二确定模块，用于根据所述每个视频标签的偏好值确定推荐视频，并推荐至客户端。

7.根据权利要求6所述的装置，其特征在于，所述计算模块，还用于获取上一次计算的所述用户对所述多个视频标签中的每个视频标签的历史偏好值；获取上一次计算时间点到当前时间点的时间间隔，并根据所述时间间隔确定时间衰减系数；计算所述用户对所述多个视频标签中的每个视频标签的所有行为权重；根据所述历史偏好值、所述时间衰减系数和所述所有行为权重确定所述用户对所述多个视频标签中的每个视频标签的偏好值。

8.根据权利要求7所述的装置，其特征在于，所述计算模块，还用于根据所述历史偏好值、所述时间衰减系数和所述所有行为权重以及偏好公式P(Ui，Tj)＝P(Ui，Tj)’＊TimeDecay+SumAllAction(ActionWeight＊ItemWeight＊ItemTagWeight＊UserTagWeight)确定所述用户对所述多个视频标签中的每个视频标签的偏好值；

其中，P(Ui，Tj)表示用户i对视频标签j的偏好值；P(Ui，Tj)’表示上一次计算出的用户i对视频标签j的历史偏好值，若为第一次计算则值为零；TimeDecay表示时间衰减系数＝exp(－deltaSeconds/decayFactor)，deltaSeconds表示上一次计算时间点到当前时间点的时间间隔，单位为秒；decayFactor用于控制衰减速率，对于正向偏好decayFactor＝800000，对于负向偏好decayFactor＝100000；SumAllAction是包含视频标签j的所有行为权重，即包括点击、播放、下载、曝光、不喜欢五种行为权重之和；ActionWeight为单个行为权重，对于正向偏好，单个行为权重分别为：点击行为＝1，播放行为＝2，下载行为＝5，曝光行为＝－0.1，不喜欢行为＝－5，对于负向偏好，单个行为权重分别为：点击行为＝－1，播放行为＝－2，下载行为＝－5，曝光行为＝1，不喜欢行为＝5；ItemWeight表示视频标签j的权重，ItemWeight＝log(ActionCount/ItemActionCount)，其中ActionCount表示所有用户针对视频标签j的某个行为的总数，ItemActionCount表示用户i针对视频标签j在该行为下的总数；ItemTagWeight表示Tj在Item中的权重，为默认值；UserTagWeight表示Tj在用户偏好中的权重，UserTagWeight＝log(所有视频标签历史累计算过的次数/视频标签j累计计算过的次数)。

9.一种电子设备，其特征在于，包括：存储器和处理器，所述存储器和所述处理器连接；

所述存储器，用于存储程序；

所述处理器，用于调用存储于所述存储器中的程序，以执行如权利要求1－5中任一项所述的方法。

10.一种存储介质，其特征在于，包括计算机程序，所述计算机程序被处理器运行时执行如权利要求1－5中任一项所述的方法。