CN110557659B - 视频推荐方法、装置、服务器及存储介质 - Google Patents

视频推荐方法、装置、服务器及存储介质 Download PDF

Info

Publication number
CN110557659B
CN110557659B CN201910730970.XA CN201910730970A CN110557659B CN 110557659 B CN110557659 B CN 110557659B CN 201910730970 A CN201910730970 A CN 201910730970A CN 110557659 B CN110557659 B CN 110557659B
Authority
CN
China
Prior art keywords
video
account
behavior data
features
historical behavior
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
CN201910730970.XA
Other languages
English (en)
Other versions
CN110557659A (zh
Inventor
白明
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 Dajia Internet Information Technology Co Ltd
Original Assignee
Beijing Dajia Internet Information 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 Dajia Internet Information Technology Co Ltd filed Critical Beijing Dajia Internet Information Technology Co Ltd
Priority to CN201910730970.XA priority Critical patent/CN110557659B/zh
Publication of CN110557659A publication Critical patent/CN110557659A/zh
Application granted granted Critical
Publication of CN110557659B publication Critical patent/CN110557659B/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
    • H04N21/258—Client or end-user data management, e.g. managing client capabilities, user preferences or demographics, processing of multiple end-users preferences to derive collaborative data
    • H04N21/25866—Management of end-user data
    • H04N21/25875—Management of end-user data involving end-user authentication
    • 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
    • H04N21/258—Client or end-user data management, e.g. managing client capabilities, user preferences or demographics, processing of multiple end-users preferences to derive collaborative data
    • H04N21/25866—Management of end-user data
    • H04N21/25891—Management of end-user data being end-user preferences
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Computer Graphics (AREA)
  • Computer Security & Cryptography (AREA)
  • Computing Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本公开是关于一种视频推荐方法、装置、服务器及存储介质，该方法包括：接收客户端的视频推荐请求，所述视频推荐请求用于请求获取视频作品，所述视频推荐请求中携带有客户端上登录的账户的账户标识；获取与账户标识对应的推荐特征集合，推荐特征集合是根据所述账户的历史行为数据得到的图像关联特征的集合，所述图像关联特征用于表征与图像相结合构成视频作品的信息；在视频作品库中获取包括推荐特征集合中图像关联特征息的视频作品；将获取到的视频作品返回给客户端。本公开由于在进行视频推荐时，使用了图像关联特征来进行推荐，而没有使用处理量巨大的图像信息，降低了计算量，从而提高了计算速度，提高了推荐的及时性。

Description

视频推荐方法、装置、服务器及存储介质
技术领域
本公开涉及互联网技术，尤其涉及一种视频推荐方法、装置、服务器及存储介质。
背景技术
随着互联网和移动终端的发展，短视频类应用程序成为了用户使用频次和时长较高的一类产品。在短视频类应用程序中，短视频推荐是其中比较重要的一个环节，在进行推荐时，主要是根据短视频的信息和账户的历史信息给每一个账户推荐个性化的内容。
相关技术中，短视频推荐都依赖于视频中图像内容，即视频内容，给账户推荐其他的视频。但是，图像内容处理计算复杂度较高，计算复杂度的提升不仅需要更多计算成本，而且降低了推荐的实时性。
发明内容
本公开提供一种视频推荐方法、装置、服务器及存储介质，以至少解决相关技术中推荐实时性低的问题。本公开的技术方案如下：
根据本公开实施例的第一方面，提供一种视频推荐方法，包括：
接收客户端的视频推荐请求，所述视频推荐请求用于请求获取视频作品，所述视频推荐请求中携带有客户端上登录的账户的账户标识；
获取与所述账户标识对应的推荐特征集合，所述推荐特征集合是根据所述账户的历史行为数据得到的图像关联特征的集合，所述图像关联特征用于表征与图像相结合构成视频作品的信息；
从视频作品库中获取包括所述推荐特征集合中图像关联特征的视频作品；
将获取到的所述视频作品返回给所述客户端。
可选的，在获取与所述账户标识对应的推荐特征集合之前，所述方法还包括：
根据所述账户的历史行为数据，获取所述账户操作过的视频作品的历史的图像关联特征；
对所述历史的图像关联特征进行相似度计算，得到所述推荐特征集合。
可选的，所述历史的图像关联特征包括正向图像关联特征和负向图像关联特征，所述正向图像关联特征是根据所述账户的正向历史行为数据得到的，所述负向图像关联特征是根据所述账户的负向历史行为数据得到的。
可选的，对所述历史的图像关联特征进行相似度计算，得到所述推荐特征集合，包括：
对所述正向图像关联特征进行相似度计算，得到正向特征集合，并根据所述负向图像关联特征进行相似度计算，得到负向特征集合；
确定所述正向特征集合和所述负向特征集合的重合图像关联特征；
从所述正向特征集合中去除所述重合图像关联特征，得到所述推荐特征集合。
可选的，所述根据所述账户的历史行为数据，获取所述账户操作过的视频作品的历史的图像关联特征，包括：
根据所述账户的历史行为数据，统计所述账户的正向历史行为数据和负向历史行为数据；
提取所述正向历史行为数据所针对的视频作品的图像关联特征，作为正向图像关联特征，并提取所述负向历史行为数据所针对的视频作品的图像关联特征，作为负向图像关联特征。
可选的，在将获取到的所述视频作品返回给所述客户端之前，还包括：
去除所述视频作品中所述账户收到过的视频作品，得到去重后的视频作品。
可选的，所述图像关联特征包括音频和/或文本。
根据本公开实施例的第二方面，提供一种视频推荐装置，包括：
请求接收模块，被配置为接收客户端的视频推荐请求，所述视频推荐请求用于请求获取视频作品，所述视频推荐请求中携带有客户端上登录的账户的账户标识；
特征获取模块，被配置为获取与所述账户标识对应的推荐特征集合，所述推荐特征集合是根据所述账户的历史行为数据得到的图像关联特征的集合，所述图像关联特征用于表征与图像相结合构成视频作品的信息；
视频获取模块，被配置为从视频作品库中获取包括所述推荐特征集合中图像关联特征息的视频作品；
视频发送模块，被配置为将获取到的所述视频作品返回给所述客户端。
可选的，所述视频推荐装置还包括：
历史特征获取模块，被配置为根据所述账户的历史行为数据，获取所述账户操作过的视频作品的历史的图像关联特征；
推荐特征确定模块，被配置为对所述历史的图像关联特征进行相似度计算，得到所述推荐特征集合。
可选的，所述历史的图像关联特征包括正向图像关联特征和负向图像关联特征，所述正向图像关联特征是根据所述账户的正向历史行为数据得到的，所述负向图像关联特征是根据所述账户的负向历史行为数据得到的。
可选的，所述推荐特征确定模块包括：
信息触发单元，被配置为对所述正向图像关联特征进行相似度计算，得到正向特征集合，并对所述负向图像关联特征进行相似度计算，得到负向特征集合；
重合特征确定单元，被配置为确定所述正向特征集合和所述负向特征集合的重合图像关联特征；
特征去重单元，被配置为从所述正向特征集合中去除所述重合图像关联特征，得到所述推荐特征集合。
可选的，所述历史特征获取模块包括：
行为统计单元，被配置为根据所述账户的历史行为数据，统计所述账户的正向历史行为数据和负向历史行为数据；
特征提取单元，被配置为提取所述正向历史行为数据所针对的视频作品的图像关联特征，作为正向图像关联特征，并提取所述负向历史行为数据所针对的视频作品的图像关联特征，作为负向图像关联特征。
可选的，所述视频推荐装置还包括：
作品去重模块，被配置为去除所述视频作品中所述账户收到过的视频作品，得到去重后的视频作品。
可选的，所述图像关联特征包括音频和/或文本。
根据本公开实施例的第三方面，提供一种服务器，包括：
处理器；
用于存储所述处理器可执行指令的存储器；
其中，所述处理器被配置为执行所述指令，以实现如第一方面所述的视频推荐方法。
根据本公开实施例的第四方面，提供一种存储介质，当所述存储介质中的指令由服务器的处理器执行时，使得服务器能够执行如第一方面所述的视频推荐方法。
根据本公开实施例的第五方面，提供一种算机程序产品，该计算机程序产品包括可读性程序代码，该可读性程序代码由服务器的处理器执行时，使得服务器能够执行如第一方面所述的视频推荐方法。
本公开的实施例提供的技术方案至少带来以下有益效果：
本公开实施例通过在接收到客户端的视频推荐请求时，根据视频推荐请求中的账户标识，获取与所述账户标识对应的推荐特征集合，从视频库作品中获取包括推荐特征集合中图像关联特征的视频作品，并将所述视频作品返回给所述客户端，完成视频的推荐。由于在进行视频推荐时，使用了图像关联特征来进行推荐，而没有使用处理量巨大的图像信息，降低了计算量，从而提高了计算速度，提高了推荐的及时性。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理，并不构成对本公开的不当限定。
图1是根据一示例性实施例示出的一种视频推荐方法的流程图；
图2是根据一示例性实施例示出的一种视频推荐方法的流程图；
图3是根据一示例性实施例示出的一种视频推荐方法的流程图；
图4是根据一示例性实施例示出的一种视频推荐装置的结构框图；
图5是根据一示例性实施例示出的一种服务器的结构框图。
具体实施方式
为了使本领域普通人员更好地理解本公开的技术方案，下面将结合附图，对本公开实施例中的技术方案进行清楚、完整地描述。
需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
相关技术中，通过视频中语音信息给账户推荐视频，其做法是过滤掉背景声音、配乐声音，着重使用视频中人物的声音，并通过语音识别技术把人物声音转换成文字，再用文字来搜索相似或相关的视频，从而达到推荐的目的。如果某些视频中只有背景声音或配乐声音，没有人类正常说话，例如宠物类视频、运动类视频(比如游泳、田径、篮球、下棋等)、舞蹈类视频、婴幼童视频、风景类视频、游戏视频等等，上述方法即得不到文字信息，从而推荐失败。一些视频有多个人一起讲话、以方言讲话、以说唱方式，或者多种语种声音混杂(例如，中英文混杂或同时发声、中文普通话与藏语混杂或同时发生等场景)，以目前最先进的语音识别技术，在上述情况得到的文字的准确率也非常低，丢失大量信息，达不到表现视频中原意的目的，推荐结果倾向随机。
本公开实施例的目的是在进行视频推荐时，不依赖短视频中图像内容，仅通过短视频中音频、文字、账户历史行为、作者生产历史信息，给账户推荐个性化内容，而且在推荐的过程中不需要将人物声音转换为文字，从而在提高推荐的实时性的基础上，保证推荐结果的准确性。
对于人来说，在播放一段视频时，如果闭上眼睛，不看画面，只听声音，可以想象出视频播放的大致画面，也就是说声音和图像具有一定的关联性，而且视频描述等文本和图像也有一定的关联性。之所以能通过声音想象出画面，是因为人通过对大量视频的观看学习，建立了声音与图像之间的关联。那对于机器来说，也可以通过对大量视频的各种特征的学习，建立声音和图像之间的关联，或者是基于视频描述等文本，建立文本与图像之间的关联。本公开是基于这样一种思路，根据视频中图像以外的图像关联特征来获取视频作品并向账户推荐视频作品，具体方案如下：
图1是根据一示例性实施例示出的一种视频推荐方法的流程图，该视频推荐方法用于服务器中，如图1所示，包括以下步骤。
在步骤S11中，接收客户端的视频推荐请求，所述视频推荐请求用于请求获取视频作品，所述视频推荐请求中携带有客户端上登录的账户的账户标识。
客户端在接收到所述账户通过所述账户标识登录客户端的指令或者在播放短视频的过程中接收到刷新指令，则生成视频推荐请求，并将视频推荐请求发送给服务器，服务器接收客户端的视频推荐请求，识别视频推荐请求中的账户标识，便于后续根据账户标识获取对应的推荐特征集合进行视频推荐。其中，账户标识包括账户昵称和/或账户编号等。
在步骤S12中，获取与所述账户标识对应的推荐特征集合，所述推荐特征集合是根据所述账户的历史行为数据得到的图像关联特征的集合，所述图像关联特征用于表征与图像相结合构成视频作品的信息。
其中，视频包括图像特征信息和图像关联特征，所述图像特征信息是组成视频的图像的特征信息，所述图像关联特征是视频中除图像以外的信息。所述图像关联特征包括音频和/或文本等，还可以包括其他特征。
图像关联特征中的音频是视频作品中的声音信息，包括配乐和/或原声。原声可以是依据视频作品中声音来源分轨后的各个音频，可以是人物的声音，也可以是其他声音，例如宠物类视频中的宠物声音、运动类视频中的运动(比如游泳、田径、篮球、下棋等)声音、游戏视频中的游戏声音等没有人说话的声音。图像关联特征中的文本是视频描述信息，如视频介绍、视频标题信息和视频作者信息等，视频作者信息包括视频作者标识、年龄及性别、地理位置、作者手机中安装的应用程序列表、作者其他视频作品等。
在接收到客户端的视频推荐请求之前，即在离线的时候，确定所述账户的历史行为数据，并提取历史行为数据所针对的视频作品的图像关联特征，多个图像关联特征组成推荐特征集合，将得到的推荐特征集合和账户标识对应存储到数据库中。在接收到客户端的视频推荐请求时，从数据库中获取所述账户标识对应的推荐特征集合，根据所述推荐特征集合向所述账户推荐视频，而不再采用图像信息进行推荐，以提高处理速度，提高推荐的及时性。
在步骤S13中，从视频作品库中获取包括所述推荐特征集合中图像关联特征的视频作品。
在获取到推荐特征集合后，根据推荐特征集合中的图像关联特征，从视频作品库中获取包括全部所述图像关联特征或部分所述图像关联特征的视频作品，该视频作品即为包括推荐特征集合中图像关联特征的视频作品。
在进行视频推荐时，只使用图像关联特征检索相关的视频作品，例如，图像关联特征为音频时，可以只使用音频检索相关的视频作品，而不需要提取已观看视频作品中说话人的声音并转换为文字后再进行检索，从而在没有人物说话的场景下也可以准确识别并推荐相似的视频作品，提高了推荐的准确性。
在步骤S14中，将获取到的所述视频作品返回给所述客户端。
将检索到的视频作品发送给客户端，客户端显示所述视频作品，从而完成视频推荐。
本示例性实施例提供的视频推荐方法，通过在接收到客户端的视频推荐请求时，根据视频推荐请求中的账户标识，从数据库中获取与所述账户标识对应的推荐特征集合，从视频作品库中获取包括推荐特征集合中图像关联特征的视频作品，并将所述视频作品返回给所述客户端，完成视频的推荐。由于在进行视频推荐时，使用了图像关联特征来进行推荐，而没有使用处理量巨大的图像信息，降低了计算量，从而提高了计算速度，提高了推荐的及时性。
在上述技术方案的基础上，在将获取到的所述视频作品返回给所述客户端之前，还可选包括：去除所述视频作品中所述账户收到过的视频作品，得到去重后的视频作品。
为了避免获取到的视频作品中包括账户收到过的视频作品，在将视频作品返回给客户端之前，将获取到的视频作品与账户收到过的视频作品进行比较，将获取到的视频作品中账户收到过的视频作品去除，得到去重后的视频作品，将去重后的视频作品返给客户端，避免了推荐重复的视频作品，提升用户体验。
图2是根据一示例性实施例示出的一种视频推荐方法的流程图，如图2所示，包括以下步骤。
在步骤S21中，根据所述账户的历史行为数据，获取所述账户操作过的视频作品的历史的图像关联特征。
其中，所述历史的图像关联特征包括正向图像关联特征和负向图像关联特征，所述正向图像关联特征是根据所述账户的正向历史行为数据得到的，所述负向图像关联特征是根据所述账户的负向历史行为数据得到的。
正向历史行为数据是指账户点击或喜欢某视频的正向行为数据，如点击某短视频作品、点赞某短视频作品、喜欢某短视频作品、评论了某短视频作品等。负向历史行为数据是指账户不喜欢某视频作品的行为数据，可以包括显式负向历史行为数据和隐式负向历史行为数据，显式负向历史行为数据例如可以是账户不喜欢某视频作品或账户举报某视频作品等，隐式负向历史行为数据是没有接收到账户明显给出不喜欢的指令，但是向账户推荐一些视频作品，账户默默划过而没有点开，这时确定账户不喜欢这些视频作品，也标记为负向历史行为数据。
可以通过机器学习模型对所述账户操作过的视频作品提取历史的图像关联特征，该机器学习模型可以是基于聚类的方法对所述账户操作过的视频作品进行处理，以提取历史的图像关联特征。所述聚类的方法包括：K-Means(K均值)聚类、均值漂移聚类、基于密度的聚类方法、用高斯混合模型的最大期望聚类、凝聚层次聚类或图团体检测聚类等。
在步骤S22中，对所述历史的图像关联特征进行相似度计算，得到所述推荐特征集合。
所述历史的图像关联特征是根据账户的历史行为数据得到的，在向账户推荐视频作品时，需要推荐账户没有观看过的视频作品，从而在账户离线时，可以对所述历史的图像关联特征进行相似度计算，得到推荐特征集合。其中，在进行相似度计算时可以使用基于相似度算法的机器学习模型进行计算，在进行相似度计算时采用的相似度算法例如可以是CF(Collaborative Filtering，协同过滤)算法、矩阵分解算法、NN(Neural Network，神经网络)算法等。协同过滤一般是在海量的账户中发掘出一小部分和待推荐账户品位比较类似的，在协同过滤中，这些账户称为邻居，然后根据他们喜欢的其他东西组织成一个排序的目录，并推荐给待推荐账户。
将推荐特征集合和账户标识对应保存到数据库中，便于在线向账户推荐视频作品时，直接获取推荐特征集合，并基于推荐特征集合向账户推荐视频作品，从而得到推荐特征集合的过程不占用在线推荐的时间，可以进一步提高视频推荐速度。
在步骤S23中，接收客户端的视频推荐请求，所述视频推荐请求用于请求获取视频作品，所述视频推荐请求中携带有客户端上登录的账户的账户标识。
在步骤S24中，获取与所述账户标识对应的推荐特征集合，所述推荐特征集合是根据所述账户的历史行为数据得到的图像关联特征的集合，所述图像关联特征用于表征与图像相结合构成视频作品的信息。
在步骤S25中，从视频作品库中获取包括所述推荐特征集合中图像关联特征的视频作品。
在步骤S26中，将获取到的所述视频作品返回给所述客户端。
本实施例提供的视频推荐方法，在上述实施例的基础上，通过根据账户的历史行为数据，获取所述账户操作过的视频作品的历史的图像关联特征，对所述历史的图像关联特征进行相似度计算得到推荐特征集合实现了离线对历史行为数据进行处理，得到推荐特征集合，在线进行推荐时利用推荐特征集合中的图像关联特征进行推荐，而不需要使用处理量巨大的图像信息，降低了计算复杂度，提高了处理速度，提高了推荐的及时性。
图3是根据一示例性实施例示出的一种视频推荐方法的流程图，如图3所示，包括以下步骤。
在步骤S31中，根据所述账户的历史行为数据，统计所述账户的正向历史行为数据和负向历史行为数据。
离线对账户的历史行为数据进行统计，从数据库中获取账户最近一段时间(如一个月)内的历史行为数据，并对账户的历史行为数据进行统计，得到账户的正向历史行为数据和负向历史行为数据，从而提高后续推荐的准确性。
统计账户的正向历史行为数据和负向历史行为数据也可以基于统计分类模型来进行统计。统计分类模型可以是机器学习模型，从而提高数据处理速度。
在步骤S32中，提取所述正向历史行为数据所针对的视频作品的图像关联特征，作为正向图像关联特征，并提取所述负向历史行为数据所针对的视频作品的图像关联特征，作为负向图像关联特征。
在统计得到账户的正向历史行为数据和负向历史行为数据后，分别对正向历史行为数据所针对的视频作品的相关特征和负向历史行为数据所针对的视频作品的图像关联特征进行提取，提取出的正向历史行为数据对应的图像关联特征记为正向图像关联特征，负向历史行为数据对应的图像关联特征记为负向图像关联特征。
在步骤S33中，对所述正向图像关联特征进行相似度计算，得到正向特征集合，并对所述负向图像关联特征进行相似度计算，得到负向特征集合。
将正向图像关联特征、账户画像特征、账户行为特征及一些场景特征输入预先创建的信息计算模型，通过信息计算模型进行相似度计算得到与正向图像关联特征相似的大量图像关联特征，这些图像关联特征组成正向特征集合。将负向图像关联特征、账户画像特征、账户行为特征及一些场景特征输入预先创建的信息计算模型，通过信息计算模型进行相似度计得到与负向图像关联特征相似的大量图像关联特征，这些图像关联特征组成负向特征集合。其中，账户画像特征包括但不限于：账户标识、性别、年龄段、地理位置、WiFi标识及设备标识等等。账户行为特征包括但不限于：点击视频标识列表、点赞视频标识列表、关注视频标识列表、评论视频标识列表及不感兴趣视频标识列表等等。场景特征包括但不限于：当前时间段、GPS是否移动、平均网速段、设备电量等等。
在步骤S34中，确定所述正向特征集合和所述负向特征集合的重合图像关联特征。
由于正向特征集合是对正向图像关联特征进行相似度计算得到的相似图像关联特征，负向特征集合是对负向图像关联特征进行相似度计算得到的相似图像关联特征，因此，正向特征集合和负向特征集合可能存在交集，即存在重合图像关联特征，为了避免向账户推荐的视频作品是账户不感兴趣的视频作品，这时可以通过比较正向特征集合与负向特征集合中的图像关联特征，如果有相同的图像关联特征，则将这些相同的图像关联特征作为正向特征集合和负向特征集合的重合图像关联特征。
在步骤S35中，从所述正向特征集合中去除所述重合图像关联特征，得到所述推荐特征集合。
从正向特征集合中去除所述重合图像关联特征，剩余的图像关联特征组成推荐特征集合，可以认为推荐特征集合中的图像关联特征是与账户兴趣度比较一致的图像关联特征，从而可以进一步提高后续视频推荐的准确性。
需要说明的是，上述步骤S31到步骤S35均为离线执行的，不占用在线推荐的时间，不影响推荐效率。
在步骤S36中，接收客户端的视频推荐请求，所述视频推荐请求用于请求获取视频作品，所述视频推荐请求中携带有客户端上登录的账户的账户标识。
在步骤S37中，获取与所述账户标识对应的推荐特征集合。
在步骤S38中，从视频作品库中获取包括所述推荐特征集合中图像关联特征的视频作品。
在步骤S39中，将获取到的所述视频作品返回给所述客户端。
本实施例提供的视频推荐方法，通过在离线的时候统计账户的正向历史行为数据和负向历史行为数据，提取正向历史行为数据所针对的视频作品的图像关联特征，作为正向图像关联特征，并提取负向历史行为数据所针对的视频作品的图像关联特征，作为负向图像关联特征，对正向图像关联特征进行相似度计算得到正向特征集合，并对负向图像关联特征进行相似度计算得到负向特征集合，根据正向特征集合和负向特征集合，确定正向特征集合和负向特征集合的重合图像关联特征，从正向特征集合中去除所述重合图像关联特征，得到推荐特征集合，由于这些处理均离线执行，不占用账户在线推荐的时间，保证了在线推荐时的及时性。
需要说明的是，本方案涉及的账户信息(包括行为信息)是通过用户的授权得到的，并经用户的授权进行后续处理和分析的。
图4是根据一示例性实施例示出的一种视频推荐装置的结构框图。参照图4，该装置包括请求接收模块41、特征获取模块42、视频获取模块43和视频发送模块44。
该请求接收模块41被配置为接收客户端的视频推荐请求，所述视频推荐请求用于请求获取视频作品，所述视频推荐请求中携带有客户端上登录的账户的账户标识；
该特征获取模块42被配置为获取与所述账户标识对应的推荐特征集合，所述推荐特征集合是根据所述账户的历史行为数据得到的图像关联特征的集合，所述图像关联特征用于表征与图像相结合构成视频作品的信息；
该视频获取模块43被配置为从视频作品库中获取包括所述推荐特征集合中图像关联特征的视频作品；
该视频发送模块44被配置为将获取到的所述视频作品返回给所述客户端。
可选的，所述视频推荐装置还包括：
历史特征获取模块，被配置为根据所述账户的历史行为数据，获取所述账户操作过的视频作品的历史的图像关联特征；
推荐特征确定模块，被配置为对所述历史的图像关联特征进行相似度计算，得到所述推荐特征集合。
可选的，所述历史的图像关联特征包括正向图像关联特征和负向图像关联特征，所述正向图像关联特征是根据所述账户的正向历史行为数据得到的，所述负向图像关联特征是根据所述账户的负向历史行为数据得到的。
可选的，所述推荐特征确定模块包括：
信息触发单元，被配置为对所述正向图像关联特征进行相似度计算，得到正向特征集合，并对所述负向图像关联特征进行相似度计算，得到负向特征集合；
重合特征确定单元，被配置为确定所述正向特征集合和所述负向特征集合的重合图像关联特征；
特征去重单元，被配置为从所述正向特征集合中去除所述重合图像关联特征，得到所述推荐特征集合。
可选的，所述历史特征获取模块包括：
行为统计单元，被配置为根据所述账户的历史行为数据，统计所述账户的正向历史行为数据和负向历史行为数据；
特征提取单元，被配置为提取所述正向历史行为数据所针对的视频作品的图像关联特征，作为正向图像关联特征，并提取所述负向历史行为数据所针对的视频作品的图像关联特征，作为负向图像关联特征。
可选的，所述视频推荐装置还包括：
作品去重模块，被配置为去除所述视频作品中所述账户收到过的视频作品，得到去重后的视频作品。
可选的，所述图像关联特征包括音频和/或文本。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
图5是根据一示例性实施例示出的一种服务器的结构框图。参照图5，服务器500包括处理组件522，其进一步包括一个或多个处理器，以及由存储器532所代表的存储器资源，用于存储可由处理组件522的执行的指令，例如应用程序。存储器532中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件522被配置为执行指令，以执行上述视频推荐方法。
服务器500还可以包括一个电源组件526被配置为执行服务器500的电源管理，一个有线或无线网络接口550被配置为将服务器500连接到网络，和一个输入输出(I/O)接口558。服务器500可以操作基于存储在存储器532的操作***，例如Windows ServerTM，MacOS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。
在示例性实施例中，还提供了一种包括指令的存储介质，例如包括指令的存储器532，上述指令可由服务器500的处理组件522执行以完成上述视频推荐方法。可选地，存储介质可以是非临时性计算机可读存储介质，例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
在示例性实施例中，还提供了一种计算机程序产品，该计算机程序产品包括可读性程序代码，该可读性程序代码可由服务器500的处理器522执行以完成上述视频推荐方法。可选地，该程序代码可以存储在服务器500的存储介质中，该存储介质可以是非临时性计算机可读存储介质，例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (14)

1.一种视频推荐方法，其特征在于，包括：
接收客户端的视频推荐请求，所述视频推荐请求用于请求获取视频作品，所述视频推荐请求中携带有客户端上登录的账户的账户标识；
获取与所述账户标识对应的推荐特征集合，所述推荐特征集合是根据所述账户的历史行为数据得到的图像关联特征的集合，所述图像关联特征用于表征与图像相结合构成视频作品的信息；其中，所述图像关联特征是视频中除图像以外的信息，所述图像关联特征包括音频和/或文本；
从视频作品库中获取包括所述推荐特征集合中图像关联特征的视频作品；
将获取到的所述视频作品返回给所述客户端；
其中，在所述接收客户端的视频推荐请求之前，还包括：根据所述账户的历史行为数据，统计所述账户的正向历史行为数据和负向历史行为数据；提取所述正向历史行为数据所针对的视频作品的图像关联特征，作为正向图像关联特征，并提取所述负向历史行为数据所针对的视频作品的图像关联特征，作为负向图像关联特征；对所述正向图像关联特征进行相似度计算，得到正向特征集合，并对所述负向图像关联特征进行相似度计算，得到负向特征集合；确定所述正向特征集合和所述负向特征集合的重合图像关联特征；从所述正向特征集合中去除所述重合图像关联特征，得到所述推荐特征集合。
2.根据权利要求1所述的视频推荐方法，其特征在于，在获取与所述账户标识对应的推荐特征集合之前，所述方法还包括：
根据所述账户的历史行为数据，获取所述账户操作过的视频作品的历史的图像关联特征；
对所述历史的图像关联特征进行相似度计算，得到所述推荐特征集合。
3.根据权利要求2所述的视频推荐方法，其特征在于，所述历史的图像关联特征包括正向图像关联特征和负向图像关联特征，所述正向图像关联特征是根据所述账户的正向历史行为数据得到的，所述负向图像关联特征是根据所述账户的负向历史行为数据得到的。
4.根据权利要求3所述的视频推荐方法，其特征在于，所述根据所述账户的历史行为数据，获取所述账户操作过的视频作品的历史的图像关联特征，包括：
根据所述账户的历史行为数据，统计所述账户的正向历史行为数据和负向历史行为数据；
提取所述正向历史行为数据所针对的视频作品的图像关联特征，作为正向图像关联特征，并提取所述负向历史行为数据所针对的视频作品的图像关联特征，作为负向图像关联特征。
5.根据权利要求1所述的视频推荐方法，其特征在于，在将获取到的所述视频作品返回给所述客户端之前，还包括：
去除所述视频作品中所述账户收到过的视频作品，得到去重后的视频作品。
6.根据权利要求1-5任一项所述的视频推荐方法，其特征在于，所述图像关联特征包括音频和/或文本。
7.一种视频推荐装置，其特征在于，包括：
请求接收模块，被配置为接收客户端的视频推荐请求，所述视频推荐请求用于请求获取视频作品，所述视频推荐请求中携带有客户端上登录的账户的账户标识；
特征获取模块，被配置为获取与所述账户标识对应的推荐特征集合，所述推荐特征集合是根据所述账户的历史行为数据得到的图像关联特征的集合，所述图像关联特征用于表征与图像相结合构成视频作品的信息；其中，所述图像关联特征是视频中除图像以外的信息，所述图像关联特征包括音频和/或文本；
视频获取模块，被配置为从视频作品库中获取包括所述推荐特征集合中图像关联特征的视频作品；
视频发送模块，被配置为将获取到的所述视频作品返回给所述客户端；
其中，所述视频推荐装置，还被配置为在所述接收客户端的视频推荐请求之前，还包括：根据所述账户的历史行为数据，统计所述账户的正向历史行为数据和负向历史行为数据；提取所述正向历史行为数据所针对的视频作品的图像关联特征，作为正向图像关联特征，并提取所述负向历史行为数据所针对的视频作品的图像关联特征，作为负向图像关联特征；对所述正向图像关联特征进行相似度计算，得到正向特征集合，并对所述负向图像关联特征进行相似度计算，得到负向特征集合；确定所述正向特征集合和所述负向特征集合的重合图像关联特征；从所述正向特征集合中去除所述重合图像关联特征，得到所述推荐特征集合。
8.根据权利要求7所述的视频推荐装置，其特征在于，所述视频推荐装置还包括：
历史特征获取模块，被配置为根据所述账户的历史行为数据，获取所述账户操作过的视频作品的历史的图像关联特征；
推荐特征确定模块，被配置为对所述历史的图像关联特征进行相似度计算，得到所述推荐特征集合。
9.根据权利要求8所述的视频推荐装置，其特征在于，所述历史的图像关联特征包括正向图像关联特征和负向图像关联特征，所述正向图像关联特征是根据所述账户的正向历史行为数据得到的，所述负向图像关联特征是根据所述账户的负向历史行为数据得到的。
10.根据权利要求9所述的视频推荐装置，其特征在于，所述历史特征获取模块包括：
行为统计单元，被配置为根据所述账户的历史行为数据，统计所述账户的正向历史行为数据和负向历史行为数据；
特征提取单元，被配置为提取所述正向历史行为数据所针对的视频作品的图像关联特征，作为正向图像关联特征，并提取所述负向历史行为数据所针对的视频作品的图像关联特征，作为负向图像关联特征。
11.根据权利要求7所述的视频推荐装置，其特征在于，所述视频推荐装置还包括：
作品去重模块，被配置为根据去除所述视频作品中所述账户收到过的视频作品，得到去重后的视频作品。
12.根据权利要求7-11任一项所述的视频推荐装置，其特征在于，所述图像关联特征包括音频和/或文本。
13.一种服务器，其特征在于，包括：
处理器；
用于存储所述处理器可执行指令的存储器；
其中，所述处理器被配置为执行所述指令，以实现如权利要求1至6中任一项所述的视频推荐方法。
14.一种存储介质，其特征在于，当所述存储介质中的指令由服务器的处理器执行时，使得服务器能够执行如权利要求1至6 中任一项所述的视频推荐方法。
CN201910730970.XA 2019-08-08 2019-08-08 视频推荐方法、装置、服务器及存储介质 Active CN110557659B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910730970.XA CN110557659B (zh) 2019-08-08 2019-08-08 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
CN201910730970.XA CN110557659B (zh) 2019-08-08 2019-08-08 视频推荐方法、装置、服务器及存储介质

Publications (2)

Publication Number Publication Date
CN110557659A CN110557659A (zh) 2019-12-10
CN110557659B true CN110557659B (zh) 2021-06-18

Family

ID=68737274

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910730970.XA Active CN110557659B (zh) 2019-08-08 2019-08-08 视频推荐方法、装置、服务器及存储介质

Country Status (1)

Country Link
CN (1) CN110557659B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113032686B (zh) * 2019-12-25 2024-05-28 北京达佳互联信息技术有限公司 内容推荐方法、装置、存储介质及服务器
CN111163336B (zh) * 2020-01-19 2021-07-27 北京字节跳动网络技术有限公司 视频资源推送方法、装置、电子设备及计算机可读介质
CN113365115B (zh) * 2020-03-03 2022-11-04 北京达佳互联信息技术有限公司 特征编码的确定方法、装置、服务器和存储介质
CN113495985B (zh) * 2020-03-18 2024-03-19 北京达佳互联信息技术有限公司 物品推荐方法及装置、短视频推荐方法及装置和服务器
CN112153423A (zh) * 2020-09-15 2020-12-29 济南雪景网络技术有限公司 用户自驱动的短视频智能推荐方法、电子设备和存储介质
CN112199582B (zh) * 2020-09-21 2023-07-18 聚好看科技股份有限公司 一种内容推荐方法、装置、设备及介质
CN112822527B (zh) * 2020-12-29 2022-08-26 北京达佳互联信息技术有限公司 视频推荐方法、装置、服务器及存储介质
CN112818037A (zh) * 2021-02-01 2021-05-18 上海阿法迪智能数字科技股份有限公司 图书推荐***和方法
CN113569136B (zh) * 2021-07-02 2024-03-05 北京达佳互联信息技术有限公司 视频推荐方法、装置、电子设备及存储介质
CN113344147A (zh) * 2021-08-04 2021-09-03 北京世纪好未来教育科技有限公司 一种特征共享建模方法、装置、设备及其存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103501449A (zh) * 2013-10-08 2014-01-08 十分（北京）信息科技有限公司 与电视节目关联的视频源推荐方法及推荐装置
CN104639993A (zh) * 2013-11-06 2015-05-20 株式会社Ntt都科摩 视频节目推荐方法及其服务器
CN105898410A (zh) * 2015-12-15 2016-08-24 乐视网信息技术（北京）股份有限公司 视频推荐方法以及服务器
CN105930425A (zh) * 2016-04-18 2016-09-07 乐视控股（北京）有限公司 个性化视频推荐方法及装置
CN108804619A (zh) * 2018-05-31 2018-11-13 腾讯科技（深圳）有限公司 兴趣偏好预测方法、装置、计算机设备及存储介质
CN109800324A (zh) * 2018-12-18 2019-05-24 北京达佳互联信息技术有限公司 视频数据推荐方法、装置、服务器及存储介质
CN109819284A (zh) * 2019-02-18 2019-05-28 平安科技（深圳）有限公司 一种短视频推荐方法、装置、计算机设备及存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170169062A1 (en) * 2015-12-14 2017-06-15 Le Holdings (Beijing) Co., Ltd. Method and electronic device for recommending video

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103501449A (zh) * 2013-10-08 2014-01-08 十分（北京）信息科技有限公司 与电视节目关联的视频源推荐方法及推荐装置
CN104639993A (zh) * 2013-11-06 2015-05-20 株式会社Ntt都科摩 视频节目推荐方法及其服务器
CN105898410A (zh) * 2015-12-15 2016-08-24 乐视网信息技术（北京）股份有限公司 视频推荐方法以及服务器
CN105930425A (zh) * 2016-04-18 2016-09-07 乐视控股（北京）有限公司 个性化视频推荐方法及装置
CN108804619A (zh) * 2018-05-31 2018-11-13 腾讯科技（深圳）有限公司 兴趣偏好预测方法、装置、计算机设备及存储介质
CN109800324A (zh) * 2018-12-18 2019-05-24 北京达佳互联信息技术有限公司 视频数据推荐方法、装置、服务器及存储介质
CN109819284A (zh) * 2019-02-18 2019-05-28 平安科技（深圳）有限公司 一种短视频推荐方法、装置、计算机设备及存储介质

Also Published As

Publication number Publication date
CN110557659A (zh) 2019-12-10

Similar Documents

Publication Publication Date Title
CN110557659B (zh) 视频推荐方法、装置、服务器及存储介质
CN110519636B (zh) 语音信息播放方法、装置、计算机设备及存储介质
CN110364146B (zh) 语音识别方法、装置、语音识别设备及存储介质
CN110209844B (zh) 多媒体数据匹配方法、装置和存储介质
CN112163122A (zh) 确定目标视频的标签的方法、装置、计算设备及存储介质
CN113709384A (zh) 基于深度学习的视频剪辑方法、相关设备及存储介质
CN112426724B (zh) 游戏用户的匹配方法、装置、电子设备及存储介质
CN112733654B (zh) 一种视频拆条的方法和装置
CN112528150A (zh) 直播推荐方法、装置、电子设备及存储介质
CN111666400B (zh) 消息获取方法、装置、计算机设备及存储介质
CN110740389A (zh) 视频定位方法、装置、计算机可读介质及电子设备
CN109286848B (zh) 一种终端视频信息的交互方法、装置及存储介质
CN113392273A (zh) 视频播放方法、装置、计算机设备及存储介质
CN112507163A (zh) 时长预测模型训练方法、推荐方法、装置、设备及介质
CN110769312A (zh) 一种直播应用中推荐信息的方法及装置
CN111597446A (zh) 基于人工智能的内容推送方法、装置、服务器和存储介质
CN113378583A (zh) 对话回复方法及装置、对话模型训练方法及装置、存储介质
Altuncu et al. Deepfake: definitions, performance metrics and standards, datasets and benchmarks, and a meta-review
CN113573128B (zh) 一种音频处理方法、装置、终端以及存储介质
CN111147871A (zh) 直播间歌唱识别方法、装置及服务器、存储介质
Souto‐Rico et al. A new system for automatic analysis and quality adjustment in audiovisual subtitled‐based contents by means of genetic algorithms
CN116567351B (zh) 一种视频处理方法、装置、设备及介质
Park et al. Multimodal learning model based on video–audio–chat feature fusion for detecting e-sports highlights
CN116261009B (zh) 智能转化影视受众的视频检测方法、装置、设备及介质
CN113407772A (zh) 视频推荐模型的生成方法、视频推荐方法、装置

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