CN109996122B - 一种视频推荐方法、装置、服务器及存储介质 - Google Patents

一种视频推荐方法、装置、服务器及存储介质 Download PDF

Info

Publication number
CN109996122B
CN109996122B CN201910295961.2A CN201910295961A CN109996122B CN 109996122 B CN109996122 B CN 109996122B CN 201910295961 A CN201910295961 A CN 201910295961A CN 109996122 B CN109996122 B CN 109996122B
Authority
CN
China
Prior art keywords
video
sequence
videos
played
user
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.)
Active
Application number
CN201910295961.2A
Other languages
English (en)
Other versions
CN109996122A (zh
Inventor
陆瀛海
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 QIYI Century Science and Technology Co Ltd
Original Assignee
Beijing QIYI Century Science and Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing QIYI Century Science and Technology Co Ltd filed Critical Beijing QIYI Century Science and Technology Co Ltd
Priority to CN201910295961.2A priority Critical patent/CN109996122B/zh
Publication of CN109996122A publication Critical patent/CN109996122A/zh
Application granted granted Critical
Publication of CN109996122B publication Critical patent/CN109996122B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—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
    • 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]
    • H04N21/40—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)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Human Computer Interaction (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)

Abstract

本发明实施例提供了一种视频推荐方法、装置、服务器及存储介质，其中，视频推荐方法包括：获得第一视频序列，以及第一视频序列中各个视频的特征，其中，第一视频序列为：由待推荐视频的客户端的各第一感兴趣视频按播放顺序排成的序列，第一感兴趣视频为：待推荐视频的客户端已播放视频中用户感兴趣的视频；将第一视频序列以及第一视频序列中各个视频的特征输入预先训练的预测模型进行视频预测，得到第二视频序列；按照第二视频序列中各个视频的排序向待推荐视频的客户端推荐视频。采用本发明实施例提供的技术方案向客户端推荐视频，可以增加用户观看的视频的数量，从而增加用户使用视频应用的时长。

Description

一种视频推荐方法、装置、服务器及存储介质
技术领域
本发明涉及互联网技术领域，特别是涉及一种视频推荐方法、装置、服务器及存储介质。
背景技术
随着移动终端越来越普及，各类视频应用在移动终端中越来越流行。视频应用的服务器可以向视频应用的客户端推荐一系列的视频，当用户在客户端中打开视频应用后，可以依次观看服务器推荐的各个视频。例如，当终端中安装了短视频应用后，用户可以通过滑动等操作依次观看短视频应用的服务器向短视频应用的客户端推荐的各个短视频。
现有技术中，服务器向客户端推荐视频所采用的方法通常是：服务器获取客户端的观看记录，根据该观看记录确定该客户端对应的用户对不同类型的视频的喜欢程度，再根据用户对不同类型的视频的喜欢程度对服务器中的各个视频按用户的喜欢程度从高到低排序，将排序好的各个视频依次推荐给客户端，使客户端可以按照服务器的推荐顺序依次播放各个视频。
然而，发明人在实现本发明的过程中发现，现有技术至少存在如下问题：由于服务器是对各个视频按用户的喜欢程度从高到低排序后，将排序好的各个视频依次推荐给客户端的，由于这种视频排序方式较为单一，排在较后位置的视频基本都是用户不喜欢的视频，当用户观看完排在较前位置的视频后，通常就会退出视频应用，减少了用户观看的视频的数量，从而减少了用户使用视频应用的时长。
发明内容
本发明实施例的目的在于提供一种视频推荐方法、装置、服务器及存储介质，以增加用户观看的视频的数量，从而增加用户使用视频应用的时长。具体技术方案如下：
第一方面，本发明实施例提供了一种视频推荐方法，所述方法包括：
获得第一视频序列，以及所述第一视频序列中各个视频的特征，其中，所述第一视频序列为：由待推荐视频的客户端的各第一感兴趣视频按播放顺序排成的序列，所述第一感兴趣视频为：所述待推荐视频的客户端已播放视频中用户感兴趣的视频；
将所述第一视频序列以及所述第一视频序列中各个视频的特征输入预先训练的预测模型进行视频预测，得到第二视频序列；其中，所述预测模型是：根据样本视频序列、所述样本视频序列中视频的特征进行训练得到的模型，其中，所述样本视频序列中的视频为：服务器提供服务的各个客户端已播放视频中按播放顺序依次排列的、用户感兴趣的视频；
按照所述第二视频序列中各个视频的排序向所述待推荐视频的客户端推荐视频。
可选的，所述获得第一视频序列，包括：
获取待推荐视频的客户端的视频播放记录，其中，所述视频播放记录中包含：所述待推荐视频的客户端的各个已播放视频的播放顺序以及各个已播放视频的标记信息，每一已播放视频的标记信息是：所述待推荐视频的客户端根据用户对该已播放视频进行的操作对该已播放视频添加的信息；
根据各个所述已播放视频的标记信息，从各个所述已播放视频中选择用户感兴趣的视频，作为第一感兴趣视频；
按所述播放顺序对所述第一感兴趣视频进行排序，得到第一视频序列。
可选的，按照以下方式训练得到所述预测模型：
针对所述服务器提供服务的各个客户端，获得该客户端已播放视频中按播放顺序依次排列的用户感兴趣视频，按播放顺序形成样本视频序列；
获得所述样本视频序列中各视频的特征；
将所述样本视频序列的第一子序列、以及所述第一子序列中各视频的特征输入待训练模型进行视频预测，得到输出序列；其中，所述第一子序列为所述样本视频序列各个子序列中的任一子序列；
以第二子序列为训练基准，根据所述输出序列和第二子序列之间的差异，调整所述待训练模型的模型参数，实现对所述待训练模型的训练，并将训练后的待训练模型作为预测模型；其中，所述第二子序列为：所述样本视频序列的子序列中，位于所述第一子序列后、且与所述第一子序列相邻的序列。
可选的，所述标记信息为用户的评分、被播放的时长比例、是否被用户收藏、是否被用户评论中的至少一种；其中，所述时长比例为视频被播放的时长与该视频的总时长之比。
可选的，所述视频的特征，包括：视频的总时长、视频的类型、视频的适合人群中的至少一种。
第二方面，本发明实施例还提供各类一种视频推荐装置，所述装置包括：
序列获得单元，用于获得第一视频序列，以及所述第一视频序列中各个视频的特征，其中，所述第一视频序列为：由待推荐视频的客户端的各第一感兴趣视频按播放顺序排成的序列，所述第一感兴趣视频为：所述待推荐视频的客户端已播放视频中用户感兴趣的视频；
序列计算单元，用于将所述第一视频序列以及所述第一视频序列中各个视频的特征输入预先训练的预测模型进行视频预测，得到第二视频序列；其中，所述预测模型是：根据样本视频序列、所述样本视频序列中视频的特征进行训练得到的模型，其中，所述样本视频序列中的视频为：服务器提供服务的各个客户端已播放视频中按播放顺序依次排列的、用户感兴趣的视频；
视频推荐单元，用于按照所述第二视频序列中各个视频的排序向所述待推荐视频的客户端推荐视频。
可选的，所述序列获得单元，包括：
记录获取子单元，用于获取待推荐视频的客户端的视频播放记录，其中，所述视频播放记录中包含：所述待推荐视频的客户端的各个已播放视频的播放顺序以及各个已播放视频的标记信息，每一已播放视频的标记信息是：所述待推荐视频的客户端根据用户对该已播放视频进行的操作对该已播放视频添加的信息；
视频选择子单元，用于根据各个所述已播放视频的标记信息，从各个所述已播放视频中选择用户感兴趣的视频，作为第一感兴趣视频；
视频排序子单元，用于按所述播放顺序对所述第一感兴趣视频进行排序，得到第一视频序列。
可选的，所述装置还包括：
训练序列获得单元，用于针对所述服务器提供服务的各个客户端，获得该客户端已播放视频中按播放顺序依次排列的用户感兴趣视频，按播放顺序形成样本视频序列；
训练特征获得单元，用于获得所述样本视频序列中各视频的特征；
训练序列输出单元，用于将所述样本视频序列的第一子序列、以及所述第一子序列中各视频的特征输入待训练模型进行视频预测，得到输出序列；其中，所述第一子序列为所述样本视频序列各个子序列中的任一子序列；
模型参数调整单元，用于以第二子序列为训练基准，根据所述输出序列和第二子序列之间的差异，调整所述待训练模型的模型参数，实现对所述待训练模型的训练，并将训练后的待训练模型作为预测模型；其中，所述第二子序列为：所述样本视频序列的子序列中，位于所述第一子序列后、且与所述第一子序列相邻的序列。
可选的，所述标记信息为用户的评分、被播放的时长比例、是否被用户收藏、是否被用户评论中的至少一种；其中，所述时长比例为视频被播放的时长与该视频的总时长之比。
可选的，所述视频的特征，包括：视频的总时长、视频的类型、视频的适合人群中的至少一种。
第三方面，本发明实施例提供了一种服务器，包括处理器、通信接口、存储器和通信总线，其中，所述处理器，所述通信接口，所述存储器通过所述总线完成相互间的通信；所述存储器，用于存放计算机程序；所述处理器，用于执行所述存储器上所存放的程序，实现第一方面任一项所述的方法步骤。
第四方面，本发明实施例提供了一种计算机可读存储介质，所述存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现第一方面任一项所述的步骤。
第五方面，本发明实施例提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行第一方面任一项所述的视频推荐方法。
本发明实施例提供的视频推荐方案中，由于第一感兴趣视频为待推荐视频的客户端已播放视频中用户感兴趣的视频，服务器获得第一感兴趣视频按播放顺序排成的第一视频序列以及第一感兴趣视频的特征后，即得到了用户较喜欢的看视频的顺序，将第一视频序列以及第一视频序列中各个视频的特征输入预先训练的预测模型进行视频预测所得到的第二视频序列，也为用户较喜欢的看视频的顺序，从而可以按第二视频序列这一用户较喜欢的看视频的顺序向待推荐视频的客户端推荐各个视频，当用户按自己喜欢的看视频的顺序观看视频时，可以增加用户观看的视频的数量，从而增加用户使用视频应用的时长。
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。
图1为本发明实施例提供的视频推荐方法的一种流程示意图；
图2为本发明实施例中获得第一视频序列的方法的一种流程示意图；
图3为本发明实施例中训练预测模型的方法的一种流程示意图；
图4为本发明实施例提供的视频推荐装置的一种结构示意图；
图5为本发明实施例提供的服务器的一种结构示意图。
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。
为了增加用户观看的视频的数量，从而增加用户使用视频应用的时长，本发明实施例提供了一种视频推荐方法、装置、服务器及存储介质。
下面首先对本发明实施例所提供的视频推荐方法进行介绍。
需要说明的是，本发明实施例所提供的视频推荐方法可以应用于视频应用中。
本发明实施例提供的视频推荐方法的执行主体可以是服务器，如图1所示，该方法包括以下步骤：
S110：获得第一视频序列，以及第一视频序列中各个视频的特征，其中，第一视频序列为：由待推荐视频的客户端的各第一感兴趣视频按播放顺序排成的序列，第一感兴趣视频为：待推荐视频的客户端已播放视频中用户感兴趣的视频。
上述待推荐视频的客户端已播放视频中用户感兴趣的视频可以是：待推荐视频的客户端已播放视频中用户评分高于预设评分的视频；其中，该预设评分可以根据对视频评分的满分确定，本发明实施例不具体限定。例如，当对视频评分的满分为100分时，预设评分可以为60～90分中的任一分值。当用户对某一视频的评分较高时，说明用户对该视频更感兴趣，用户可能更喜欢这个视频。
上述待推荐视频的客户端已播放视频中用户感兴趣的视频，也可以是：待推荐视频的客户端已播放视频中被用户收藏的视频；或者，待推荐视频的客户端已播放视频中被播放的时长比例不小于预设比例的视频，其中，时长比例指视频被播放的时长与该视频的总时长之比，上述预设比例例如可以是不小于50％的任一比例，本发明实施例不具体限定。当用户收藏了某一视频，或者该视频被播放的时长比例较大时，也可以说明用户对该视频更感兴趣，用户可能更喜欢该视频。
在本发明实施例中，服务器可以获得待推荐视频的客户端已播放视频中用户感兴趣的视频，作为第一感兴趣视频，并将各第一感兴趣视频按播放顺序排成第一视频序列。
上述第一感兴趣视频的特征可以是第一感兴趣视频的类型、总时长、适合的人群中的至少一种，还可以是视频的其他特征，本发明实施例不具体限定。上述视频的类型例如可以是动作、剧情、悬疑、动画、古装等类型。
S120：将第一视频序列以及第一视频序列中各个视频的特征输入预先训练的预测模型进行视频预测，得到第二视频序列；其中，上述预测模型是：根据样本视频序列、样本视频序列中视频的特征进行训练得到的用于预测视频的模型，其中，样本视频序列中的视频为：服务器提供服务的各个客户端已播放视频中按播放顺序依次排列的、用户感兴趣的视频。
S130：按照第二视频序列中各个视频的排序向待推荐视频的客户端推荐视频。
本发明实施例提供的视频推荐方法，由于第一感兴趣视频为待推荐视频的客户端已播放视频中用户感兴趣的视频，服务器获得第一感兴趣视频按播放顺序排成的第一视频序列，以及第一感兴趣视频的特征后，即得到了用户较喜欢的看视频的顺序，将第一视频序列以及第一视频序列中各个视频的特征输入预先训练的预测模型进行视频预测所得到的第二视频序列，也为用户较喜欢的看视频的顺序，从而可以按第二视频序列这一用户较喜欢的看视频的顺序向待推荐视频的客户端推荐各个视频，当用户按自己喜欢的看视频的顺序观看视频时，可以增加用户观看的视频的数量，从而增加用户使用视频应用的时长。
在一种实施方式中，如图2所示，步骤S110中的第一视频序列，可以按以下步骤S111～S113得到：
S111：获取待推荐视频的客户端的视频播放记录，其中，上述视频播放记录中包含：待推荐视频的客户端的各个已播放视频的播放顺序以及各个已播放视频的标记信息，每一已播放视频的标记信息是：待推荐视频的客户端根据用户对该已播放视频进行的操作对该已播放视频添加的信息。
用户在观看视频时，可能会对观看的视频进行一些操作，例如，播放过程中跳过视频、收藏视频、评论视频等操作，从用户对视频的这些操作通常可以判断出用户是否喜欢该视频。当用户对视频进行了操作后，客户端会对该视频添加相应的标记信息。根据用户对视频进行的操作，标记信息可以是用户的评分、被播放的时长比例、是否被用户收藏、是否被用户评论中的至少一种；其中，所述时长比例为视频被播放的时长与该视频的总时长之比。
在一种具体实施方式中，服务器可以获取待推荐视频的客户端在距当前时刻预设时间段内的视频播放记录，上述预设时间段可以是不多于三十天的任一时间段，例如上述预设时间段可以是十天、一个星期、五天等时间段，本发明实施例不具体限定。当服务器获取的是待推荐视频的客户端在距当前时刻预设时间段内的视频播放记录时，可以使预测模型预测出的第二视频序列更符合用户近期的观看视频的顺序习惯，进一步增加了用户观看的视频的数量以及用户使用视频应用的时长。
S112：根据各个已播放视频的标记信息，从各个已播放视频中选择用户感兴趣的视频，作为第一感兴趣视频。
上述用户感兴趣的视频，可以是以下至少一种：用户评分高于预设评分的视频、被用户收藏的视频、被播放的时长比例不小于预设比例的视频、被用户评论过的视频；其中，上述预设比例例如可以是不小于50％的任一比例，本发明实施例不具体限定。
S113：按上述播放顺序对上述第一感兴趣视频进行排序，得到第一视频序列。
本实施方式根据各个已播放视频的标记信息确定出第一感兴趣视频，由于标记信息是客户端根据用户对每个已播放视频进行的操作所添加的信息，这样可以使确定出的第一感兴趣视频更符合用户的实际喜好，使预测模型预测出的第二视频序列更符合用户的实际喜好，进一步增加了用户观看的视频的数量以及用户使用视频应用的时长。
在一种实施方式中，如图3所示，可以按照以下步骤S150～S180训练得到上述预测模型：
S150：针对服务器提供服务的各个客户端，获得该客户端已播放视频中按播放顺序依次排列的用户感兴趣视频，按播放顺序形成样本视频序列。
在一种具体实施方式中，上述针对服务器提供服务的各个客户端，获得该客户端已播放视频中按播放顺序依次排列的用户感兴趣视频，可以按以下方法实现：从服务器提供服务的各个客户端中选择预设数量个客户端，针对所选择的客户端中的各个客户端，获得该客户端已播放视频中按播放顺序依次排列的用户感兴趣视频。由于服务器提供服务的客户端数量较多，选择预设数量个客户端来训练模型，可以减少模型训练过程中的工作量，提高模型的训练速度和效率。具体的，服务器可以从服务器提供服务的各个客户端中随机选择预设数量个客户。
S160：获得样本视频序列中各视频的特征。
S170：将样本视频序列的第一子序列、以及第一子序列中各视频的特征输入待训练模型进行视频预测，得到输出序列，其中，第一子序列为样本视频序列各个子序列中的任一子序列。
在一种具体实施方式中，第一子序列可以为：样本视频序列的各个子序列中，包括两个视频的子序列。上述待训练模型可以为长短期记忆网络(LongShortTerm Memory，简称LSTM)模型或生成式对抗网络(Generative AdversarialNetworks，简称GAN)模型，也可以是其他用于预测的模型。其中，LSTM模型更适用于解决长序依赖问题，并且LSTM模型对于长序依赖的预测准确率较高，因此，为了便于对待训练模型的训练以及使预测出的第二视频序列更符合用户观看视频的顺序习惯，上述待训练模型可以为LSTM模型。
S180：以第二子序列为训练基准，根据输出序列和第二子序列之间的差异，调整待训练模型的模型参数，实现对待训练模型的训练，并将训练后的待训练模型作为预测模型；其中，第二子序列为：样本视频序列的子序列中，位于第一子序列后、且与第一子序列相邻的序列。
在一种实施方式中，当第一子序列为样本视频序列的各个子序列中，包括两个视频的子序列时，第二子序列可以为样本视频序列中，位于第一子序列后的、且与第一子序列相邻的一个视频。
在本实施方式中，当待训练模型输出的输出序列与第二子序列之间存在差异时，说明待训练模型的模型参数会导致预测结果与第二子序列不一致，可以根据输出序列和第二子序列之间的差异，调整待训练模型的模型参数，使得预测结果向第二子序列靠拢。当待训练模型输出的输出序列与第二子序列之间的差异较小时，说明用待训练模型得出的预测结果与第二子序列差异也较小，此时，可以将训练后的待训练模型作为预测模型。
在本发明的一个具体实施例中，若待训练模型为LSTM模型，获得的由用户感兴趣视频按播放顺序形成的样本视频序列为：视频1-视频2-视频4-视频6-视频7-视频8-视频9，第一子序列为：视频1-视频2-视频4，将第一子序列(视频1-视频2-视频4)，以及视频1的特征、视频2的特征、视频4的特征输入LSTM模型后，得到的输出序列为：视频7-视频6-视频9，若第二子序列为：视频6-视频7-视频8-视频9，那么就可以根据输出序列(视频7-视频6-视频9)这一序列，与第二子序列(视频6-视频7-视频8-视频9)这一序列之间的差异，调整LSTM模型的参数，实现对LSTM模型的训练，并将训练后的LSTM模型作为预测模型。其中，对于LSTM模型，其调整参数的过程为自动调整过程，本发明实施例不再赘述调整参数的过程。
在一种实施方式中，在步骤S110之前，上述视频推荐方法还可以包括以下步骤：
S190：判断客户端是否存在视频播放记录，若为否，执行S1100，若为是，执行S110；
S1100：按照预设的视频推荐序列向客户端推荐各个视频。
上述预设的视频推荐序列可以是服务器默认的视频推荐序列。当客户端不存在视频播放记录时，按照预设的视频推荐序列向客户端推荐各个视频，使客户端可以实现视频的播放。
与上述视频推荐方法相对应，本发明实施例还提供了一种视频推荐装置，如图4所示，该装置包括：
序列获得单元210，用于获得第一视频序列，以及所述第一视频序列中各个视频的特征，其中，所述第一视频序列为：由待推荐视频的客户端的各第一感兴趣视频按播放顺序排成的序列，所述第一感兴趣视频为：所述待推荐视频的客户端已播放视频中用户感兴趣的视频；
序列计算单元220，用于将所述第一视频序列以及所述第一视频序列中各个视频的特征输入预先训练的预测模型进行视频预测，得到第二视频序列；其中，所述预测模型是：根据样本视频序列、所述样本视频序列中视频的特征进行训练得到的模型，其中，所述样本视频序列中的视频为：服务器提供服务的各个客户端已播放视频中按播放顺序依次排列的、用户感兴趣的视频；
视频推荐单元230，用于按照所述第二视频序列中各个视频的排序向所述待推荐视频的客户端推荐视频。
本发明实施例提供的视频推荐装置，由于第一感兴趣视频为待推荐视频的客户端已播放视频中用户感兴趣的视频，服务器获得第一感兴趣视频按播放顺序排成的第一视频序列，以及第一感兴趣视频的特征后，即得到了用户较喜欢的看视频的顺序，将第一视频序列以及第一视频序列中各个视频的特征输入预先训练的预测模型进行视频预测所得到的第二视频序列，也为用户较喜欢的看视频的顺序，从而可以按第二视频序列这一用户较喜欢的看视频的顺序向待推荐视频的客户端推荐各个视频，当用户按自己喜欢的看视频的顺序观看视频时，可以增加用户观看的视频的数量，从而增加用户使用视频应用的时长。
在一种实施方式中，所述序列获得单元210，可以包括：
记录获取子单元，用于获取待推荐视频的客户端的视频播放记录，其中，所述视频播放记录中包含：所述待推荐视频的客户端的各个已播放视频的播放顺序以及各个已播放视频的标记信息，每一已播放视频的标记信息是：所述待推荐视频的客户端根据用户对该已播放视频进行的操作对该已播放视频添加的信息；
视频选择子单元，用于根据各个所述已播放视频的标记信息，从各个所述已播放视频中选择用户感兴趣的视频，作为第一感兴趣视频；
视频排序子单元，用于按所述播放顺序对所述第一感兴趣视频进行排序，得到第一视频序列。
在一种实施方式中，所述装置还可以包括：
训练序列获得单元，用于针对所述服务器提供服务的各个客户端，获得该客户端已播放视频中按播放顺序依次排列的用户感兴趣视频，按播放顺序形成样本视频序列；
训练特征获得单元，用于获得所述样本视频序列中各视频的特征；
训练序列输出单元，用于将所述样本视频序列的第一子序列、以及所述第一子序列中各视频的特征输入待训练模型进行视频预测，得到输出序列；其中，所述第一子序列为所述样本视频序列各个子序列中的任一子序列；
模型参数调整单元，用于以第二子序列为训练基准，根据所述输出序列和第二子序列之间的差异，调整所述待训练模型的模型参数，实现对所述待训练模型的训练，并将训练后的待训练模型作为预测模型；其中，所述第二子序列为：所述样本视频序列的子序列中，位于所述第一子序列后、且与所述第一子序列相邻的序列。
在一种实施方式中，所述标记信息可以为用户的评分、被播放的时长比例、是否被用户收藏、是否被用户评论中的至少一种；其中，所述时长比例为视频被播放的时长与该视频的总时长之比。
在一种实施方式中，所述视频的特征，可以包括：视频的总时长、视频的类型、视频的适合人群中的至少一种。
本发明实施例还提供了一种服务器，如图5所示，包括处理器301、通信接口302、存储器303和通信总线304，其中，处理器301，通信接口302，存储器303通过通信总线304完成相互间的通信，
存储器303，用于存放计算机程序；
处理器301，用于执行存储器303上所存放的程序时，实现如下步骤：
获得第一视频序列，以及所述第一视频序列中各个视频的特征，其中，所述第一视频序列为：由待推荐视频的客户端的各第一感兴趣视频按播放顺序排成的序列，所述第一感兴趣视频为：所述待推荐视频的客户端已播放视频中用户感兴趣的视频；
将所述第一视频序列以及所述第一视频序列中各个视频的特征输入预先训练的预测模型进行视频预测，得到第二视频序列；其中，所述预测模型是：根据样本视频序列、所述样本视频序列中视频的特征进行训练得到的模型，其中，所述样本视频序列中的视频为：服务器提供服务的各个客户端已播放视频中按播放顺序依次排列的、用户感兴趣的视频；
按照所述第二视频序列中各个视频的排序向所述待推荐视频的客户端推荐视频。
本发明实施例提供的服务器，得到的第二视频序列，为用户较喜欢的看视频的顺序，从而可以按第二视频序列这一用户较喜欢的看视频的顺序向待推荐视频的客户端推荐各个视频，当用户按自己喜欢的看视频的顺序观看视频时，可以增加用户观看的视频的数量，从而增加用户使用视频应用的时长。
上述服务器提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
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(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，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。
在本发明提供的又一实施例中，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中存储有指令，当其在计算机上运行时，使得计算机执行上述实施例中任一所述的视频推荐方法。
在本发明提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中任一所述的视频推荐方法。
对于装置/服务器/存储介质/程序产品实施例而言，由于其基本相似于方法实施例，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。
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较佳实施例而已，并非用于限定本发明的保护范围。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，均包含在本发明的保护范围内。

Claims (10)

1.一种视频推荐方法，其特征在于，所述方法包括：
获得第一视频序列，以及所述第一视频序列中各个视频的特征，其中，所述第一视频序列为：由待推荐视频的客户端的各第一感兴趣视频按播放顺序排成的序列，所述第一感兴趣视频为：所述待推荐视频的客户端已播放视频中用户感兴趣的视频；
将所述第一视频序列以及所述第一视频序列中各个视频的特征输入预先训练的预测模型进行视频预测，得到第二视频序列；其中，所述预测模型是：根据样本视频序列、所述样本视频序列中视频的特征进行训练得到的模型，其中，所述样本视频序列中的视频为：服务器提供服务的各个客户端已播放视频中按播放顺序依次排列的、用户感兴趣的视频；
按照所述第二视频序列中各个视频的排序向所述待推荐视频的客户端推荐视频；
按照以下方式训练得到所述预测模型：
针对所述服务器提供服务的各个客户端，获得该客户端已播放视频中按播放顺序依次排列的用户感兴趣视频，按播放顺序形成样本视频序列；
获得所述样本视频序列中各视频的特征；
将所述样本视频序列的第一子序列、以及所述第一子序列中各视频的特征输入待训练模型进行视频预测，得到输出序列；其中，所述第一子序列为所述样本视频序列各个子序列中的任一子序列；
以第二子序列为训练基准，根据所述输出序列和第二子序列之间的差异，调整所述待训练模型的模型参数，实现对所述待训练模型的训练，并将训练后的待训练模型作为预测模型；其中，所述第二子序列为：所述样本视频序列的子序列中，位于所述第一子序列后、且与所述第一子序列相邻的序列。
2.根据权利要求1所述的方法，其特征在于，所述获得第一视频序列，包括：
获取待推荐视频的客户端的视频播放记录，其中，所述视频播放记录中包含：所述待推荐视频的客户端的各个已播放视频的播放顺序以及各个已播放视频的标记信息，每一已播放视频的标记信息是：所述待推荐视频的客户端根据用户对该已播放视频进行的操作对该已播放视频添加的信息；
根据各个所述已播放视频的标记信息，从各个所述已播放视频中选择用户感兴趣的视频，作为第一感兴趣视频；
按所述播放顺序对所述第一感兴趣视频进行排序，得到第一视频序列。
3.根据权利要求2所述的方法，其特征在于，所述标记信息为用户的评分、被播放的时长比例、是否被用户收藏、是否被用户评论中的至少一种；其中，所述时长比例为视频被播放的时长与该视频的总时长之比。
4.根据权利要求2所述的方法，其特征在于，所述视频的特征，包括：视频的总时长、视频的类型、视频的适合人群中的至少一种。
5.一种视频推荐装置，其特征在于，所述装置包括：
序列获得单元，用于获得第一视频序列，以及所述第一视频序列中各个视频的特征，其中，所述第一视频序列为：由待推荐视频的客户端的各第一感兴趣视频按播放顺序排成的序列，所述第一感兴趣视频为：所述待推荐视频的客户端已播放视频中用户感兴趣的视频；
序列计算单元，用于将所述第一视频序列以及所述第一视频序列中各个视频的特征输入预先训练的预测模型进行视频预测，得到第二视频序列；其中，所述预测模型是：根据样本视频序列、所述样本视频序列中视频的特征进行训练得到的模型，其中，所述样本视频序列中的视频为：服务器提供服务的各个客户端已播放视频中按播放顺序依次排列的、用户感兴趣的视频；
视频推荐单元，用于按照所述第二视频序列中各个视频的排序向所述待推荐视频的客户端推荐视频；
还包括：
训练序列获得单元，用于针对所述服务器提供服务的各个客户端，获得该客户端已播放视频中按播放顺序依次排列的用户感兴趣视频，按播放顺序形成样本视频序列；
训练特征获得单元，用于获得所述样本视频序列中各视频的特征；
训练序列输出单元，用于将所述样本视频序列的第一子序列、以及所述第一子序列中各视频的特征输入待训练模型进行视频预测，得到输出序列；其中，所述第一子序列为所述样本视频序列各个子序列中的任一子序列；
模型参数调整单元，用于以第二子序列为训练基准，根据所述输出序列和第二子序列之间的差异，调整所述待训练模型的模型参数，实现对所述待训练模型的训练，并将训练后的待训练模型作为预测模型；其中，所述第二子序列为：所述样本视频序列的子序列中，位于所述第一子序列后、且与所述第一子序列相邻的序列。
6.根据权利要求5所述的装置，其特征在于，所述序列获得单元，包括：
记录获取子单元，用于获取待推荐视频的客户端的视频播放记录，其中，所述视频播放记录中包含：所述待推荐视频的客户端的各个已播放视频的播放顺序以及各个已播放视频的标记信息，每一已播放视频的标记信息是：所述待推荐视频的客户端根据用户对该已播放视频进行的操作对该已播放视频添加的信息；
视频选择子单元，用于根据各个所述已播放视频的标记信息，从各个所述已播放视频中选择用户感兴趣的视频，作为第一感兴趣视频；
视频排序子单元，用于按所述播放顺序对所述第一感兴趣视频进行排序，得到第一视频序列。
7.根据权利要求6所述的装置，其特征在于，所述标记信息为用户的评分、被播放的时长比例、是否被用户收藏、是否被用户评论中的至少一种；其中，所述时长比例为视频被播放的时长与该视频的总时长之比。
8.根据权利要求6所述的装置，其特征在于，所述视频的特征，包括：视频的总时长、视频的类型、视频的适合人群中的至少一种。
9.一种服务器，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，所述处理器、所述通信接口、所述存储器通过所述总线完成相互间的通信；
所述存储器，用于存放计算机程序；
所述处理器，用于执行所述存储器上所存放的程序，实现权利要求1-4任一所述的方法步骤。
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内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-4任一所述的方法步骤。
CN201910295961.2A 2019-04-12 2019-04-12 一种视频推荐方法、装置、服务器及存储介质 Active CN109996122B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910295961.2A CN109996122B (zh) 2019-04-12 2019-04-12 一种视频推荐方法、装置、服务器及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910295961.2A CN109996122B (zh) 2019-04-12 2019-04-12 一种视频推荐方法、装置、服务器及存储介质

Publications (2)

Publication Number Publication Date
CN109996122A CN109996122A (zh) 2019-07-09
CN109996122B true CN109996122B (zh) 2021-07-20

Family

ID=67133512

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910295961.2A Active CN109996122B (zh) 2019-04-12 2019-04-12 一种视频推荐方法、装置、服务器及存储介质

Country Status (1)

Country Link
CN (1) CN109996122B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110825980B (zh) * 2019-11-05 2022-07-01 重庆邮电大学 一种基于对抗生成网络的微博话题推送方法
CN111447239B (zh) 2020-04-13 2023-07-04 抖音视界有限公司 视频流播放控制方法、设备及存储介质
CN112507216B (zh) * 2020-12-01 2023-07-18 北京奇艺世纪科技有限公司 一种数据对象推荐方法、装置、设备和存储介质
CN113111217B (zh) * 2021-04-22 2024-02-27 北京达佳互联信息技术有限公司 播放时长预测模型的训练方法、视频推荐方法及装置
CN113609332B (zh) * 2021-08-11 2024-03-08 上海众源网络有限公司 一种视频直播资源推荐方法、***和装置
CN114143612B (zh) * 2021-12-06 2024-03-15 北京达佳互联信息技术有限公司 视频展示方法、装置、电子设备、存储介质及程序产品

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103729363A (zh) * 2012-10-12 2014-04-16 上海聚力传媒技术有限公司 利用用户软硬件环境提供个性化视频服务的方法及装置
CN104735542A (zh) * 2015-03-30 2015-06-24 北京奇艺世纪科技有限公司 一种视频播放方法及装置
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

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9106958B2 (en) * 2011-02-27 2015-08-11 Affectiva, Inc. Video recommendation based on affect
US8636361B2 (en) * 2011-07-20 2014-01-28 National Taiwan University Learning-based visual attention prediction system and method thereof

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103729363A (zh) * 2012-10-12 2014-04-16 上海聚力传媒技术有限公司 利用用户软硬件环境提供个性化视频服务的方法及装置
CN104735542A (zh) * 2015-03-30 2015-06-24 北京奇艺世纪科技有限公司 一种视频播放方法及装置
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

Also Published As

Publication number Publication date
CN109996122A (zh) 2019-07-09

Similar Documents

Publication Publication Date Title
CN109996122B (zh) 一种视频推荐方法、装置、服务器及存储介质
CN109769128B (zh) 视频推荐方法、视频推荐装置和计算机可读存储介质
CN108322829B (zh) 个性化主播推荐方法、装置及电子设备
CN107038213B (zh) 一种视频推荐的方法及装置
CN111708901B (zh) 多媒体资源推荐方法、装置、电子设备及存储介质
CN107832437B (zh) 音/视频推送方法、装置、设备及存储介质
US20170169040A1 (en) Method and electronic device for recommending video
CN108595492B (zh) 内容的推送方法和装置、存储介质、电子装置
CN110941738B (zh) 推荐方法、装置、电子设备及计算机可读存储介质
CN110290400B (zh) 可疑刷量视频的识别方法、真实播放量预估方法及装置
US20180365709A1 (en) Personalized creator recommendations
CN111010619A (zh) 处理短视频数据的方法、装置、计算机设备和存储介质
CN107454442B (zh) 一种推荐视频的方法和装置
CN113656681B (zh) 一种对象评价方法、装置、设备及存储介质
US20230300417A1 (en) Video content recommendation method and apparatus, and computer device
CN112395496A (zh) 一种信息推荐方法、装置、电子设备及存储介质
CN111062527A (zh) 一种视频集流量预测方法及装置
CN109245989A (zh) 一种基于信息分享的处理方法、装置及计算机可读存储介质
CN108614856B (zh) 一种视频排序校准方法和装置
CN111314790A (zh) 一种视频播放记录的排序方法、装置和电子设备
CN113099304A (zh) 视频的处理方法、装置、服务器、计算机可读存储介质
CN116628235B (zh) 数据推荐方法、装置、设备及介质
CN111314744B (zh) 视频推送方法、服务器
CN111988642B (zh) 推荐视频的方法、装置、服务器和存储介质
CN110971973A (zh) 一种视频推送方法、装置及电子设备

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