CN110598045B - 视频推荐方法、装置 - Google Patents
视频推荐方法、装置 Download PDFInfo
- Publication number
- CN110598045B CN110598045B CN201910843794.0A CN201910843794A CN110598045B CN 110598045 B CN110598045 B CN 110598045B CN 201910843794 A CN201910843794 A CN 201910843794A CN 110598045 B CN110598045 B CN 110598045B
- Authority
- CN
- China
- Prior art keywords
- video
- candidate
- initial
- videos
- attribute
- 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
Links
Images
Classifications
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请涉及视频技术领域,具体而言,涉及一种视频推荐方法、装置。该推荐方法包括:获取与初始视频集合中的各个初始视频相匹配的第一候选视频,得到第一候选视频集合;计算所述初始视频集合与各个所述第一候选视频在各个属性上的匹配度;根据所述初始视频集合与各个所述第一候选视频在各个属性上的匹配度,从所述第一候选视频集合中确定所述各个初始视频在各个属性上对应的第二候选视频,得到第二候选视频集合;基于所述第二候选视频集合,确定针对所述初始视频集合的待推荐视频集合。本申请实施例的技术方案可以使得推荐的视频更加多样化,增强用户的新鲜感。
Description
技术领域
本申请涉及视频技术领域,具体而言,涉及一种视频推荐方法、装置。
背景技术
在视频推荐技术领域中,比如在视频APP为用户推荐观看视频的场景中,通常是参照用户在最近几次所观看的视频,为用户推荐与其所观看视频内容相似的视频。例如,当用户在视频APP观看了一部电视剧的视频片段之后,视频APP会为该用户推荐大量的与这一部电视剧相同或相似的视频。然而,如何能够为用户推荐更加多样化且受用户喜欢的视频是亟待解决的技术问题。
发明内容
本申请的实施例提供了一种视频推荐方法、装置,进而至少在一定程度上可以使得为用户推荐的视频更加多样化
本申请的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本申请的实践而习得。
根据本申请实施例的一个方面,提供了一种视频推荐方法,包括:获取与初始视频集合中的各个初始视频相匹配的第一候选视频,得到第一候选视频集合;计算所述初始视频集合与各个所述第一候选视频在各个属性上的匹配度;根据所述初始视频集合与各个所述第一候选视频在各个属性上的匹配度,从所述第一候选视频集合中确定所述各个初始视频在各个属性上对应的第二候选视频,得到第二候选视频集合;基于所述第二候选视频集合,确定针对所述初始视频集合的待推荐视频集合。
根据本申请实施例的一个方面,提供了一种视频推荐装置,包括:获取单元,被用于获取与初始视频集合中的各个初始视频相匹配的第一候选视频,得到第一候选视频集合;计算单元,被用于计算所述初始视频集合与各个所述第一候选视频在各个属性上的匹配度;第一确定单元,被用于根据所述初始视频集合与各个所述第一候选视频在各个属性上的匹配度,从所述第一候选视频集合中确定所述各个初始视频在各个属性上对应的第二候选视频,得到第二候选视频集合;第二确定单元,被用于基于所述第二候选视频集合,确定针对所述初始视频集合的待推荐视频集合。
在本申请的一些实施例中,基于前述方案,所述计算单元包括:第一计算单元,被用于计算所述初始视频集合在各个属性上的属性分数平均值或属性分数中值与各个所述第一候选视频在相对应属性上的属性分数之间的差值绝对值;第三确定单元,被用于基于所述差值绝对值,确定所述初始视频集合与各个所述第一候选视频在各个属性上的匹配度。
在本申请的一些实施例中,基于前述方案,所述计算单元包括:第一计算单元,被用于计算所述初始视频集合在各个属性上的属性分数平均值或属性分数中值与各个所述第一候选视频在相对应属性上的属性分数之间的差值绝对值;第二计算单元,被用于计算所述各个初始视频与所匹配的各个第一候选视频之间的视频相似度;第四确定单元,被用于基于所述差值绝对值及所述视频相似度,确定所述初始视频集合与各个所述第一候选视频在各个属性上的匹配度。
在本申请的一些实施例中,基于前述方案,所述第二计算单元配置为:获取多个单位视频集合,其中,一个单位视频集合中包括一个用户在历史上的一个单位时间内点击过的视频;通过以下公式计算各个初始视频与所匹配的各个第一候选视频之间的视频相似度:
其中,Vci表示所述初始视频集合中的第i个初始视频;Vhj表示与所述初始视频Vci相匹配的第j个第一候选视频;R(Vci,Vhj)表示所述初始视频Vci与所述第一候选视频Vhj之间的视频相似度;N(ci,hj)表示同时包含所述初始视频Vci和所述第一候选视频Vhj的单位视频集合的个数;Nci表示在所述多个单位视频集合中出现所述初始视频Vci的次数;Nci表示在所述多个单位视频集合中出现所述第一候选视频Vhj的次数。
在本申请的一些实施例中,基于前述方案,所述第二计算单元配置为:在由多个节点构成的区块链***中,获取所述多个单位视频集合。
在本申请的一些实施例中,基于前述方案,所述第四确定单元配置为:通过以下公式计算所述匹配度:
Pe(Vci,Vhj)=k*(1-R(Vci,Vhj))+q*Mecihj
其中,Vci表示所述初始视频集合中的第i个初始视频;Vhj表示与所述初始视频Vci相匹配的第j个第一候选视频;Pe(Vci,Vhj)表示所述初始视频Vci与所述第一候选视频Vhj在第e个属性上的匹配度;Mecihj表示所述初始视频集合在第e个属性上的属性分数平均值或属性分数中值与所述第j个第一候选视频Vhj在第e个属性上的属性分数之间的差值绝对值;R(Vci,Vhj)表示所述初始视频Vci与所述第一候选视频Vhj之间的视频相似度;k和q均表示关于所述公式的预设参数,其中k+q=1。
在本申请的一些实施例中,基于前述方案,所述视频推荐装置还包括:循环过程执行单元,被用于按照如下步骤执行循环过程直至循环次数满足预定次数:
获取与所述待推荐视频集合中的各个待推荐视频相匹配的第三候选视频集合,得到多个第三候选视频集合;计算所述待推荐视频集合与各个第三候选视频集合中的各个第三候选视频在各个属性上的匹配度;根据所述待推荐视频集合与各个第三候选视频集合中的各个第三候选视频在各个属性上的匹配度,从所述第三候选视频集合中确定所述各个待推荐视频在各个属性上的第四候选视频集合;基于所述第四候选视频集合,确定待推荐视频集合。
在本申请的一些实施例中,基于前述方案,所述第二确定单元配置为:通过如下任意一种方式确定针对所述初始视频集合的待推荐视频集合:
基于分解的多目标进化算法,从所述第二候选视频集合中确定待推荐视频集合;
基于帕累托占优的多目标进化算法,从所述第二候选视频集合中确定待推荐视频集合;
基于指标的多目标进化算法,从所述第二候选视频集合中确定待推荐视频集合。
在本申请的一些实施例中,基于前述方案,所述第二确定单元配置为:基于所述第二候选视频集合,以及所述初始视频集合,从所述第二候选视频集合和所述初始视频集合的并集中确定针对所述初始视频集合的待推荐视频集合。
根据本申请实施例的一个方面,提供了一种计算机可读介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上述实施例中所述的视频推荐方法。
根据本申请实施例的一个方面,提供了一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如上述实施例中所述的视频推荐方法。
在本申请的一些实施例所提供的技术方案中,通过为初始视频集合中的初始视频匹配第一候选视频,得到第一候选视频集合,然后再计算所述初始视频集合与各个所述第一候选视频在各个属性上的匹配度,并根据计算得到的匹配度从第一候选视频集合中确定所述各个初始视频在各个属性上对应的第二候选视频,得到第二候选视频集合,最后从第二候选视频集合中确定针对所述初始视频集合的待推荐视频集合。在本技术方案中,由于得到的第二候选视频集合是根据初始视频集合与各个所述第一候选视频在各个属性上的匹配度来从第一候选视频集合中确定的,故保证了第二候选视频集合中的视频具有多样性,进而使得从第二候选视频集合中确定的待推荐视频也具有多样性。因此,本技术方案可以解决现有技术中存在的不能为用户推荐更加多样化的视频的技术问题。
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,并不能限制本申请。
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,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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。在附图中:
图1示出了可以应用本申请实施例的技术方案的示例性***架构的示意图;
图2示出了根据本申请的一个实施例的技术方案的实施场景示意图;
图3示出了根据本申请的一个实施例的技术方案的一示例性区块链***架构的示意图;
图4示出了根据本申请的一个实施例的确定推荐视频的示意图;
图5示出了根据本申请的一个实施例的视频推荐方法的流程图;
图6示出了根据本申请的一个实施例的计算初始视频集合与第一候选视频在各个属性上的匹配度的细节流程图;
图7示出了根据本申请的一个实施例的计算初始视频集合与第一候选视频在各个属性上的匹配度的细节流程图;
图8示出了根据本申请的一个实施例的待推荐视频在三个优化目标下的帕累托前沿示意图;
图9示出了根据本申请的一个实施例的用于确定推荐视频的一个循环过程的流程图;
图10示出了根据本申请的一个实施例的视频推荐装置的框图;
图11示出了适于用来实现本申请实施例的电子设备的计算机***的结构示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本申请将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。
此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中,提供许多具体细节从而给出对本申请的实施例的充分理解。然而,本领域技术人员将意识到,可以实践本申请的技术方案而没有特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知方法、装置、实现或者操作以避免模糊本申请的各方面。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
图1示出了可以应用本申请实施例的技术方案的示例性***架构的示意图。
如图1所示,***架构可以包括终端设备(如图1中所示智能手机101、平板电脑102和便携式计算机103中的一种或多种,当然也可以是台式计算机等等)、网络104和服务器105。网络104用以在终端设备和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线通信链路、无线通信链路等等。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。比如服务器105可以是多个服务器组成的服务器集群等。
本申请的技术方案主要涉及一种视频推荐技术,更为具体的是提供了一种视频智能推荐技术。在本质上,智能推荐技术是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。结合本申请的具体技术方案,视频推荐技术可以是挖掘和利用用户的在浏览视频方面的历史记录数据,为用户提供符合用户口味的且具有多样性的推荐视频的一种技术。
在本申请的一个实施例中,用户可以利用终端设备向服务器105请求推荐更具多样性的视频。例如在如图2所示出的根据本申请的一个实施例的技术方案的实施场景示意图中,如果用户对当前推荐的视频感到疲劳,则可以通过点击手机页面201所示的“使用其他方式推荐”字样向服务器105发送推荐更具多样性的视频的请求,服务器105在接收到这一请求之后,则开始执行本申请所公开的技术方案,为用户确定更具多样性的推荐视频,并将所述确定的推荐视频返回给用户的终端设备,以在所述设备的屏幕上显示所确定的推荐视频,例如图2中手机页面202所示的那样。
需要说明的是,本申请实施例所提供的视频推荐方法一般由服务器105执行,相应地,视频推荐装置一般设置于服务器105中。但是,在本申请的其它实施例中,终端设备也可以与服务器具有相似的功能,从而执行本申请实施例所提供的视频推荐方案。
图3示出了根据本申请的一个实施例的技术方案的一示例性区块链***架构的示意图。
如图3所示,在区块链***架构中,包括若干个节点,其中,区块链***中的节点可以是指各个终端设备或者服务器。例如图3所示的平板电脑301、台式电脑302、笔记本电脑303、智能手机304。在本申请的技术方案中,区块链***内的每一个节点都可以存储视频数据以及用户所观看视频的历史记录。为了保证区块链***内的数据信息互通,***中的每个节点之间可以存在网络连接,节点之间可以通过网络连接进行数据信息传输。例如,一个节点可以从另一个节点中获取视频数据以及用户所观看视频的历史记录。
应该理解,图3中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。比如可以是多个服务器组成的服务器集群等。
此外,本申请实施例涉及的***还可以是由客户端、多个节点(接入网络中的任意形式的计算设备,如服务器、用户终端)通过网络通信的形式连接形成的其它分布式***。在本申请的一个实施例中,用户可以在区块链***中的一个节点中请求推荐更具多样性的视频。例如在如图2中所示出的根据本申请的一个实施例的技术方案的实施场景示意图中,如果正在使用智能手机的用户对当前推荐的视频感到疲劳,则可以通过点击手机页面201所示的“使用其他方式推荐”字样请求推荐更具多样性的视频,而智能手机例如图3中的智能手机304则根据用户的请求开始执行本申请所公开的技术方案,为用户确定更具多样性的推荐视频,并将所述确定的推荐视频返回给用户的终端设备,以在所述设备的屏幕上显示所确定的推荐视频,例如图2中手机页面202所示的那样。
在本申请的一个实施例中,执行本申请所公开技术方案的设备(例如图2中的服务器105或者图3中的智能手机304)可以按照如图4所示出的根据本申请的一个实施例的确定推荐视频的示意图的内容来确定推荐视频。具体的,例如服务器105(智能手机304)可以首先获取初始视频集合401,然后为初始视频集合中的每一个初始视频匹配一个第一推荐视频集合402,再然后从每一个第一推荐视频集合中对应的确定一个第二推荐视频集合403,最后再从第二推荐视频集合中确定待推荐视频集合404。如此一来,便可以使得推荐的视频更加多样化,增强用户的新鲜感,进而解决现有技术中存在的不能为用户推荐更加多样化的视频的技术问题。
以下对本申请实施例的技术方案的实现细节进行详细阐述:
根据本公开的第一方面,提供了一种视频推荐方法。
参见图5,示出了根据本申请的一个实施例的视频推荐方法的流程图,该视频推荐方法可以由具有计算处理功能的设备来执行,比如可以由图1中所示的服务器105来执行,或者由如图3中所示的终端设备来执行。如图5所示,该视频推荐方法至少包括步骤510至步骤540:
步骤510,获取与初始视频集合中的各个初始视频相匹配的第一候选视频,得到第一候选视频集合。
步骤520,计算所述初始视频集合与各个所述第一候选视频在各个属性上的匹配度。
步骤530,根据所述初始视频集合与各个所述第一候选视频在各个属性上的匹配度,从所述第一候选视频集合中确定所述各个初始视频在各个属性上对应的第二候选视频,得到第二候选视频集合。
步骤540,基于所述第二候选视频集合,确定针对所述初始视频集合的待推荐视频集合。
下面将对如上实施步骤进行详细说明:
在步骤510中,获取与初始视频集合中的各个初始视频相匹配的第一候选视频,得到第一候选视频集合。
在本申请实施例中,在获取与初始视频集合中的各个初始视频相匹配的第一候选视频之前,首先需要确定初始视频集合。例如,可以是获取用户在过去一段时间内观看和/或评论和/或收藏等一系列的视频作为初始视频集合。也可以是获取其他用户在过去一段时间内观看和/或评论和/或收藏等一系列的视频作为初始视频集合。还可以是随机从视频数据库中获取一定数量的初始视频来确定初始视频集合。需要注意的是,初始视频集合的确定可以是任意的,并不限于如上所列举的那些。
在确定好初始视频集合之后,则获取与初始视频集合中的各个初始视频相匹配的第一候选视频。具体的,可以是为初始视频集合中的每一个初始视频匹配多个第一候选视频,进一步的,可以是随机的从视频数据库中为每一个初始视频匹配多个第一候选视频,例如,为每一个初始视频随机匹配8个第一候选视频,还例如,为每一个初始视频随机匹配100个第一候选视频。需要注意的是,为每一个初始视频随机匹配视频的数量可以是任意的,并不限于如上所列举的那些。
在为每一个初始视频匹配多个第一候选视频之后,即得到初始视频集合中的每一个初始视频所对应的第一候选视频集合。例如,为一个初始视频匹配8个第一候选视频,即这一个初始视频对应的第一候选视频集合中就包括所匹配的8个初始视频。
需要注意的是,步骤510中所述的第一候选视频集合可以是指与各个初始视频相对应的多个第一候选视频集合。
在步骤520中,计算所述初始视频集合与各个所述第一候选视频在各个属性上的匹配度。
在本申请中,所述视频(包括初始视频、第一候选视频等)均具有多个属性,每一个视频都可以从不同的角度来进行属性定义、分类以及评价。例如,对一个视频可以从喜剧和悲剧两个方面的属性来进行评价,也可以从爱情、友情以及亲情三个方面的属性来进行评价,还可以从悬疑、恐怖、伦理、科幻、武侠以及犯罪六个方面的属性来进行评价。需要注意的是,对视频属性的定义和分类方式以及属性数量的设定可以是任意的,并不限于如上所列举的那些。用户根据实际需要可以对视频多增加感兴趣的属性,也可以减少感兴趣的属性,还可以用户自主选择感兴趣的属性,还可以根据观看视频的历史,动态调节视频的属性等等。
视频属性的评价可以通过属性分数的形式来体现。例如,对于电视剧“笑傲江湖”,可以从爱情、友情以及亲情三个方面的属性来对其进行评价,其属性分数可以为“爱情9分”、“亲情4分”、“友情5分”。还可以从悬疑、恐怖、伦理、科幻、武侠以及犯罪六个方面的属性来对其进行评价,其属性分数可以为“悬疑2分”、“恐怖1分”、“伦理2分”、“科幻0分”、“武侠9分”、“犯罪5分”。还例如,对于电影“神探夏洛克”,也可以从悬疑、恐怖、伦理、科幻、武侠以及犯罪六个方面的属性来对其进行评价,其属性分数可以为“悬疑8分”、“恐怖6分”、“伦理4分”、“科幻1分”、“武侠0分”、“犯罪9分”。
在本申请的一个实施例中,计算所述初始视频集合与各个所述第一候选视频在各个属性上的匹配度可以通过如图6所述的步骤实现。
参见图6,示出了根据本申请的一个实施例的计算初始视频集合与第一候选视频在各个属性上的匹配度的细节流程图,具体可包括步骤5201至5202:
步骤5201,计算所述初始视频集合在各个属性上的属性分数平均值或属性分数中值与各个所述第一候选视频在相对应属性上的属性分数之间的差值绝对值。
在一个实施例的具体实现中,为了使本领域技术人员更加直观的理解所述初始视频集合在各个属性上的属性分数平均值或属性分数中值,下面将参照表1以一个具体的示例加以解释。
初始视频集合 | 爱情 | 友情 | 亲情 |
初始视频1 | 6分 | 5分 | 9分 |
初始视频2 | 4分 | 3分 | 7分 |
初始视频3 | 2分 | 1分 | 8分 |
初始视频4 | 9分 | 6分 | 6分 |
初始视频5 | 2分 | 2分 | 7分 |
初始视频6 | 1分 | 7分 | 5分 |
初始视频集合属性分数平均值 | 4分 | 4分 | 7分 |
初始视频集合属性分数中值 | 3分 | 4分 | 7分 |
表1
如表1,所述初始视频集合中共包括6个初始视频,其中,每一个初始视频对应的属性分别为爱情、友情以及亲情。每一个初始视频所对应各个属性的属性分数如表所示。对于所述初始视频集合在各个属性上的属性分数平均值或属性分数中值,例如,所述初始视频集合在爱情属性上的属性分数平均值,是将初始视频1至6在爱情属性上的属性分数进行求平均,结果为“4分”。还例如,所述初始视频集合在爱情属性上的属性分数中值,是将初始视频1至6在爱情属性上的属性分数进行求中值,结果为“3分”。
此外,为了使本领域技术人员更加直观的理解如何计算所述初始视频集合在各个属性上的属性分数平均值或属性分数中值与各个所述第一候选视频在相对应属性上的属性分数之间的差值绝对值,下面将参照表2以一个具体的示例加以解释。
视频属性 | 爱情 | 友情 | 亲情 |
第一候选视频1 | 9分 | 6分 | 6分 |
初始视频集合属性分数平均值 | 4分 | 4分 | 7分 |
差值绝对值 | 5 | 2 | 1 |
第一候选视频1 | 9分 | 6分 | 6分 |
初始视频集合属性分数中值 | 3分 | 4分 | 7分 |
差值绝对值 | 6 | 2 | 1 |
表2
如表2,所述第一候选视频1是第一候选视频集合中的一个视频,其中,所述第一候选视频1的属性分数分别为:“爱情9分”、“亲情6分”、“友情6分”。所述初始视频集合在各个属性上的属性分数平均值分别为:“爱情4分”、“亲情4分”、“友情7分”。所述初始视频集合在各个属性上的属性分数中值分别为:“爱情3分”、“亲情4分”、“友情7分”。因此,所述初始视频集合在爱情属性上的属性分数平均值与第一候选视频1在爱情属性上的属性分数之间的差值绝对值就为“5”。同理可见,所述初始视频集合在友情和亲情属性上的属性分数平均值与第一候选视频1在友情和亲情属性上的属性分数之间的差值绝对值就分别为“2”和“1”。所述初始视频集合在爱情、友情和亲情属性上的属性分数中值与第一候选视频1在爱情、友情和亲情属性上的属性分数之间的差值绝对值就分别为“6”、“2”和“1”。
步骤5202,基于所述差值绝对值,确定所述初始视频集合与各个所述第一候选视频在各个属性上的匹配度。
在一个实施例的具体实现中,所述初始视频集合与各个所述第一候选视频在各个属性上的匹配度用于表征初始视频集合与各个所述第一候选视频在各个属性上的匹配程度。例如在表2中,所述初始视频集合与第一推荐视频在爱情属性上的匹配程度。
具体的,在另一方面,可以将所述差值绝对值直接作为所述初始视频集合与各个所述第一候选视频在各个属性上的匹配度,若所述差值绝对值越小,则说明匹配度越高。此外,也可以将所述差值绝对值的倒数作为所述初始视频集合与各个所述第一候选视频在各个属性上的匹配度,若所述差值绝对值越大,则说明匹配度越高。还可以将经过归一化处理之后的差值绝对值作为所述初始视频集合与各个所述第一候选视频在各个属性上的匹配度。
在本申请的一个实施例中,计算所述初始视频集合与各个所述第一候选视频在各个属性上的匹配度可以通过如图7所述的步骤实现。
参见图7,示出了根据本申请的一个实施例的计算初始视频集合与第一候选视频在各个属性上的匹配度的细节流程图,具体可包括步骤5201、5203、5204:
步骤5201,计算所述初始视频集合在各个属性上的属性分数平均值或属性分数中值与各个所述第一候选视频在相对应属性上的属性分数之间的差值绝对值。
步骤5203,计算所述各个初始视频与所匹配的各个第一候选视频之间的视频相似度。
在一个实施例的具体实现中,计算所述各个初始视频与所匹配的各个第一候选视频之间的视频相似度可以通过如下方式实现:
首先获取多个单位视频集合,其中,一个单位视频集合中包括一个用户在历史上的一个单位时间内点击过的视频,然后通过以下公式计算各个初始视频与所匹配的各个第一候选视频之间的视频相似度:
其中,Vci表示所述初始视频集合中的第i个初始视频;Vhj表示与所述初始视频Vci相匹配的第j个第一候选视频;R(Vci,Vhj)表示所述初始视频Vci与所述第一候选视频Vhj之间的视频相似度;N(ci,hj)表示同时包含所述初始视频Vci和所述第一候选视频Vhj的单位视频集合的个数;Nci表示在所述多个单位视频集合中出现所述初始视频Vci的次数;Nci表示在所述多个单位视频集合中出现所述第一候选视频Vhj的次数。
为了使本领域技术人员更加直观的理解如上所述用于计算各个初始视频与所匹配的各个第一候选视频之间的视频相似度的计算公式,下面将参照表3以一个具体的示例加以解释。
单位视频集合1 | V1、V3、V8、V7、V9 |
单位视频集合2 | V3、V4、V9、V2、V7 |
单位视频集合3 | V2、V8、V9、V8、V7 |
表3
如表3,共列出了3个单位视频集合,其中,每一个单位视频集合中包括5个视频。例如,若需要计算视频V8和视频V9之间的视频相似度,则从表3中可以知道,视频V8在表中三个单位视频集合中共出现3次,视频V9在表中三个单位视频集合中共出现3次,且同时出现视频V8和视频V9的单位视频集合公有包括单位视频集合1和单位视频集合2在内的2个单位视频集合,因此可以计算得到视频V8和视频V9之间的视频相似度为R(Vci,Vhj)=2/9。
在一个实施例的具体实现中,计算所述各个初始视频与所匹配的各个第一候选视频之间的视频相似度可以通过如下方式实现:
首先获取多个单位视频集合,其中,一个单位视频集合中包括一个用户在历史上的一个单位时间内点击过的视频,然后通过以下公式计算各个初始视频与所匹配的各个第一候选视频之间的视频相似度:
其中,Vci表示所述初始视频集合中的第i个初始视频;Vhj表示与所述初始视频Vci相匹配的第j个第一候选视频;R(Vci,Vhj)表示所述初始视频Vci与所述第一候选视频Vhj之间的视频相似度;N(ci,hj)表示同时包含所述初始视频Vci和所述第一候选视频Vhj的单位视频集合的个数;N表示所获取单位视频集合的总个数。
此外,在如上所述的两个关于计算所述各个初始视频与所匹配的各个第一候选视频之间的视频相似度的具体实施例中,所述多个单位视频集合可以是在由多个节点构成的区块链***中获取,具体的,可以从所述区块链***中的各个终端设备中获取所述多个单位视频集合。
在上述具体实施例中,由于单位时间的内被点击或者观看的视频在很大程度上可以被认为是相似,因此通过多个单位视频集合来计算视频之间的相似度的好处在于,可以保证视频相似度计算结果的准确性和真实性。
步骤5204,基于所述差值绝对值及所述视频相似度,确定所述初始视频集合与各个所述第一候选视频在各个属性上的匹配度。
在一个实施例的具体实现中,所述基于所述差值绝对值及所述视频相似度,确定所述初始视频集合与各个所述第一候选视频在各个属性上的匹配度可以通过如下方式实现:
通过以下公式计算所述初始视频集合与各个所述第一候选视频在各个属性上的匹配度:
Pe(Vci,Vhj)=k*(1-R(Vci,Vhj))+q*Mecihj
其中,Vci表示所述初始视频集合中的第i个初始视频;Vhj表示与所述初始视频Vci相匹配的第j个第一候选视频;Pe(Vci,Vhj)表示所述初始视频Vci与所述第一候选视频Vhj在第e个属性上的匹配度;Mecihj表示所述初始视频集合在第e个属性上的属性分数平均值或属性分数中值与所述第j个第一候选视频Vhj在第e个属性上的属性分数之间的差值绝对值;R(Vci,Vhj)表示所述初始视频Vci与所述第一候选视频Vhj之间的视频相似度;k和q均表示关于所述公式的预设参数,其中k+q=1。
为了使本领域技术人员更加直观的理解如上所述用于确定所述初始视频集合与各个所述第一候选视频在各个属性上的匹配度的计算公式,下面将参照表4以一个具体的示例加以解释。
表4
如表3,所述初始视频Vci与所述第一候选视频Vhj之间的视频相似度为2/5,所述初始视频Vci与所述第一候选视频Vhj之间在爱情属性上的差值绝对值为5。如所述公式中预设参数k和q分别为0.4和0.6,则所述初始视频Vci与所述第一候选视频Vhj在第爱情属性上的匹配度就为:Pe(Vci,Vhj)=0.4×(1-2/5)+0.6×5=3.24。
通过如上所述公式计算所述初始视频集合与各个所述第一候选视频在各个属性上的匹配度的好处在于,由于同时考虑了视频相似度和差值绝对值两个要素来确定所述匹配度,可以使得所确定的匹配度更加准确。
需要注意的是,在本申请技术方案的实际实施过程中,属性分数平均值或属性分数中值是可选的,即可以选用属性分数平均值来计算差值绝对值而不选用属性分数中值,也可以选用属性分数中值来计算差值绝对值而不选用属性分数平均值。
在一个实施例的另一具体实现中,还可以对如上具体实施例中的属性分数或者是差值绝对值做一定的数学处理,例如对视频的属性分数进行归一化处理,还例如对所述差值绝对值和/或视频相似度进行归一化处理。
在步骤530中,根据所述初始视频集合与各个所述第一候选视频在各个属性上的匹配度,从所述第一候选视频集合中确定所述各个初始视频在各个属性上对应的第二候选视频,得到第二候选视频集合。
具体的,根据所述初始视频集合与各个所述第一候选视频在各个属性上的匹配度,从所述第一候选视频集合中确定所述各个初始视频在各个属性上对应的第二候选视频可以有多种方式。
在本申请的一个实施例中,首先按照所述初始视频集合与各个所述第一候选视频在各个属性上的匹配度分别对所述第一候选视频进行排序,然后可以将匹配程度最好的一个第一候选视频确定为第二候选视频。
为了使本领域技术人员更加直观的理解如上实施例,下面将参照表5以一个具体的示例加以解释。
表5
如表所示,若需在与初始视频1相匹配的第一候选视频集合中确定初始视频1在爱情属性上的第二候选视频。根据本实施例可知,将从第一候选视频集合中选出一个匹配程度最高的一个第一候选视频,若表中所示的匹配度越小,表示匹配程度越高。那么可以将表5中的第一候选视频3作为确定的初始视频1在爱情属性上的第二候选视频。
在本申请的另一个实施例中,首先按照所述初始视频集合与各个所述第一候选视频在各个属性上的匹配度分别对所述第一候选视频进行排序,然后还可以将匹配程度最好的多个第一候选视频确定为第二候选视频。
在步骤540中,基于所述第二候选视频集合,确定针对所述初始视频集合的待推荐视频集合。
具体的,所述基于所述第二候选视频集合,确定针对所述初始视频集合的待推荐视频集合可以理解为从所述第二候选视频集合中确定待推荐视频集合。
在本申请的一个实施例中,所述基于所述第二候选视频集合,确定针对所述初始视频集合的待推荐视频集合可以通过如下任意一种方式完成:
第一种、基于分解的多目标进化算法,从所述第二候选视频集合中确定待推荐视频集合。
第二种、基于帕累托占优的多目标进化算法,从所述第二候选视频集合中确定待推荐视频集合。
第三种、基于指标的多目标进化算法,从所述第二候选视频集合中确定待推荐视频集合。
具体的,所述多目标进化算法通常用于在多目标优化问题中,由于目标之间一般具有一定的冲突性,即优化一个目标的同时可能导致另一个目标变差,使得几乎不存在一个最优解使得所有目标都取得最优值。因此,多目标优化的目的是得到一组协调各个目标的解以代表帕累托前沿(PF),使其在目标空间兼顾收敛性(靠近帕累托前沿)和多样性(沿着帕累托前沿均匀分布)
在本申请中,可以将所述第二候选视频集合中的第二候选视频作为多目标优化问题中的决策空间,(即候选的解)。可以将所述待推荐视频集合中的待推荐视频作为多目标优化问题中的一组协调各个目标的解,(即最终解)。可以将第二候选视频在不同属性上的属性分数作为多目标优化问题中的目标空间,即多个目标。或者可以将第二候选视频在不同属性上的差值绝对值作为多目标优化问题中的目标空间。或者将可以将第二候选视频在不同属性上的匹配度作为多目标优化问题中的目标空间。还或者可以将如上所述的第二候选视频在不同属性上的属性分数或者差值绝对值或匹配度的标准值(即归一化处理后的值)作为多目标优化问题中的目标空间。
在一实施例的具体实现中,可以基于如上所述的多目标进化算法,从所述第二候选视频集合中确定协调各个目标的待推荐视频以代表帕累托前沿(PF),使其在目标空间兼顾收敛性(靠近帕累托前沿)和多样性(沿着帕累托前沿均匀分布),例如图8所示出的那样。
参照图8,示出了根据本申请的一个实施例的待推荐视频在三个优化目标下(爱情、友情以及亲情)的帕累托前沿示意图。如图所示,图中待推荐视频801的三个坐标(f1、f2、f3)分别代表待推荐视频三个属性(即三个优化目标),可见,图8中的多个待推荐视频(即黑色的点)靠近且大致均匀分布在帕累托前沿(PF)上。
为了更好的获取第一候选视频集中的优良解,本申请在从所述第二候选视频集合中确定待推荐视频集合的过程中,还可以加入存档策略,即基于平行格坐标系,维持一个外部存档,以保存进化过程中的优良解。
在本申请的一个实施例中,所述基于所述第二候选视频集合,确定针对所述初始视频集合的待推荐视频集合还可以进一步通过如下方式完成:
基于所述第二候选视频集合,以及所述初始视频集合,从所述第二候选视频集合和所述初始视频集合的并集中确定针对所述初始视频集合的待推荐视频集合。
在本申请的一个实施例中,在基于所述第二候选视频集合,确定针对所述初始视频集合的待推荐视频集合之后,所述方法还可以包括:执行如图9所示步骤的循环过程直至循环次数满足预定次数。
参照图9,示出的根据本申请的一个实施例的用于确定推荐视频的一个循环过程的流程图,具体可包括步骤910至940:
步骤910,获取与所述待推荐视频集合中的各个待推荐视频相匹配的第三候选视频集合,得到多个第三候选视频集合。
步骤920,计算所述待推荐视频集合与各个第三候选视频集合中的各个第三候选视频在各个属性上的匹配度。
步骤930,根据所述待推荐视频集合与各个第三候选视频集合中的各个第三候选视频在各个属性上的匹配度,从所述第三候选视频集合中确定所述各个待推荐视频在各个属性上的第四候选视频集合。
步骤940,基于所述第四候选视频集合,确定待推荐视频集合。
结束步骤940之后,检测循环次数是否满足预定次数,若不是,则执行步骤910,继续循环。
通过如上所述循环过程得到待推荐视频的好处在于,由于最终的待推荐视频是经过多次筛选和优化得到的结果,因此可以更好的保证待推荐视频的多样性和高质量。
在本申请的一些实施例所提供的技术方案中,通过为初始视频集合中的初始视频匹配第一候选视频,得到第一候选视频集合,然后再计算所述初始视频集合与各个所述第一候选视频在各个属性上的匹配度,并根据计算得到的匹配度从第一候选视频集合中确定所述各个初始视频在各个属性上对应的第二候选视频,得到第二候选视频集合,最后从第二候选视频集合中确定针对所述初始视频集合的待推荐视频集合。在本技术方案中,由于得到的第二候选视频集合是根据初始视频集合与各个所述第一候选视频在各个属性上的匹配度来从第一候选视频集合中确定的,故保证了第二候选视频集合中的视频具有多样性,进而使得从第二候选视频集合中确定的待推荐视频也具有多样性。当用户在当前常规推荐算法推荐的视频下,观影疲劳后,可以跳出当前的推荐视频,去看其它类型的视频,由于本申请提供了一种新的视频推荐视频算法,用户可以选择使用常规的推荐算法观看历史看过的综艺、电视剧和电影相关片段,也可以切换使用新的推荐算法,观看更加多样性的视频,增加了用户的观看视频多样性。因此,本申请技术方案可以解决现有技术中存在的不能为用户推荐更加多样化的视频的技术问题。
以下介绍本申请的装置实施例,可以用于执行本申请上述实施例中的视频推荐方法。对于本申请装置实施例中未披露的细节,请参照本申请上述的视频推荐方法的实施例。
图10示出了根据本申请的一个实施例的视频推荐装置的框图。
参照图10所示,根据本申请的一个实施例的视频推荐装置1000,包括:获取单元1001、计算单元1002、第一确定单元1003和第二确定单元1004。
其中,获取单元1001,被用于获取与初始视频集合中的各个初始视频相匹配的第一候选视频,得到第一候选视频集合;计算单元1002,被用于计算所述初始视频集合与各个所述第一候选视频在各个属性上的匹配度;第一确定单元1003,被用于根据所述初始视频集合与各个所述第一候选视频在各个属性上的匹配度,从所述第一候选视频集合中确定所述各个初始视频在各个属性上对应的第二候选视频,得到第二候选视频集合;第二确定单元1004,被用于基于所述第二候选视频集合,确定针对所述初始视频集合的待推荐视频集合。
在本申请的一些实施例中,基于前述方案,所述计算单元1002包括:第一计算单元,被用于计算所述初始视频集合在各个属性上的属性分数平均值或属性分数中值与各个所述第一候选视频在相对应属性上的属性分数之间的差值绝对值;第三确定单元,被用于基于所述差值绝对值,确定所述初始视频集合与各个所述第一候选视频在各个属性上的匹配度。
在本申请的一些实施例中,基于前述方案,所述计算单元1002包括:第一计算单元,被用于计算所述初始视频集合在各个属性上的属性分数平均值或属性分数中值与各个所述第一候选视频在相对应属性上的属性分数之间的差值绝对值;第二计算单元,被用于计算所述各个初始视频与所匹配的各个第一候选视频之间的视频相似度;第四确定单元,被用于基于所述差值绝对值及所述视频相似度,确定所述初始视频集合与各个所述第一候选视频在各个属性上的匹配度。
在本申请的一些实施例中,基于前述方案,所述第二计算单元配置为:获取多个单位视频集合,其中,一个单位视频集合中包括一个用户在历史上的一个单位时间内点击过的视频;通过以下公式计算各个初始视频与所匹配的各个第一候选视频之间的视频相似度:
其中,Vci表示所述初始视频集合中的第i个初始视频;Vhj表示与所述初始视频Vci相匹配的第j个第一候选视频;R(Vci,Vhj)表示所述初始视频Vci与所述第一候选视频Vhj之间的视频相似度;N(ci,hj)表示同时包含所述初始视频Vci和所述第一候选视频Vhj的单位视频集合的个数;Nci表示在所述多个单位视频集合中出现所述初始视频Vci的次数;Nci表示在所述多个单位视频集合中出现所述第一候选视频Vhj的次数。
在本申请的一些实施例中,基于前述方案,所述第二计算单元配置为:在由多个节点构成的区块链***中,获取所述多个单位视频集合。
在本申请的一些实施例中,基于前述方案,所述第四确定单元配置为:通过以下公式计算所述匹配度:
Pe(Vci,Vhj)=k*(1-R(Vci,Vhj))+q*Mecihj
其中,Vci表示所述初始视频集合中的第i个初始视频;Vhj表示与所述初始视频Vci相匹配的第j个第一候选视频;Pe(Vci,Vhj)表示所述初始视频Vci与所述第一候选视频Vhj在第e个属性上的匹配度;Mecihj表示所述初始视频集合在第e个属性上的属性分数平均值或属性分数中值与所述第j个第一候选视频Vhj在第e个属性上的属性分数之间的差值绝对值;R(Vci,Vhj)表示所述初始视频Vci与所述第一候选视频Vhj之间的视频相似度;k和q均表示关于所述公式的预设参数,其中k+q=1。
在本申请的一些实施例中,基于前述方案,所述视频推荐装置还包括:循环过程执行单元,被用于按照如下步骤执行循环过程直至循环次数满足预定次数:
获取与所述待推荐视频集合中的各个待推荐视频相匹配的第三候选视频集合,得到多个第三候选视频集合;计算所述待推荐视频集合与各个第三候选视频集合中的各个第三候选视频在各个属性上的匹配度;根据所述待推荐视频集合与各个第三候选视频集合中的各个第三候选视频在各个属性上的匹配度,从所述第三候选视频集合中确定所述各个待推荐视频在各个属性上的第四候选视频集合;基于所述第四候选视频集合,确定待推荐视频集合。
在本申请的一些实施例中,基于前述方案,所述第二确定单元1004配置为:通过如下任意一种方式确定针对所述初始视频集合的待推荐视频集合:
基于分解的多目标进化算法,从所述第二候选视频集合中确定待推荐视频集合;
基于帕累托占优的多目标进化算法,从所述第二候选视频集合中确定待推荐视频集合;
基于指标的多目标进化算法,从所述第二候选视频集合中确定待推荐视频集合。
在本申请的一些实施例中,基于前述方案,所述第二确定单元1004配置为:基于所述第二候选视频集合,以及所述初始视频集合,从所述第二候选视频集合和所述初始视频集合的并集中确定针对所述初始视频集合的待推荐视频集合。
图11示出了适于用来实现本申请实施例的电子设备的计算机***的结构示意图。
需要说明的是,图11示出的电子设备的计算机***1100仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图11所示,计算机***1100包括中央处理单元(Central ProcessingUnit,CPU)1101,其可以根据存储在只读存储器(Read-Only Memory,ROM)1102中的程序或者从存储部分1108加载到随机访问存储器(Random Access Memory,RAM)1103中的程序而执行各种适当的动作和处理,例如执行上述实施例中所述的方法。在RAM 1103中,还存储有***操作所需的各种程序和数据。CPU 1101、ROM 1102以及RAM 1103通过总线1104彼此相连。输入/输出(Input/Output,I/O)接口1105也连接至总线1104。
以下部件连接至I/O接口1105:包括键盘、鼠标等的输入部分1106;包括诸如阴极射线管(Cathode Ray Tube,CRT)、液晶显示器(Liquid Crystal Display,LCD)等以及扬声器等的输出部分1107;包括硬盘等的存储部分1108;以及包括诸如LAN(Local AreaNetwork,局域网)卡、调制解调器等的网络接口卡的通信部分1109。通信部分1109经由诸如因特网的网络执行通信处理。驱动器1110也根据需要连接至I/O接口1105。可拆卸介质1111,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器1110上,以便于从其上读出的计算机程序根据需要被安装入存储部分1108。
特别地,根据本申请的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本申请的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分1109从网络上被下载和安装,和/或从可拆卸介质1111被安装。在该计算机程序被中央处理单元(CPU)1101执行时,执行本申请的***中限定的各种功能。
需要说明的是,本申请实施例所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(Erasable Programmable Read Only Memory,EPROM)、闪存、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory,CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本申请各种实施例的***、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。其中,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,上述模块、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,两个接连地表示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,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操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。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现,所描述的单元也可以设置在处理器中。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该电子设备执行时,使得该电子设备实现上述实施例中所述的方法。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本申请的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本申请实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本申请实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的实施方式后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、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申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。
应当理解的是,本申请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。本申请的范围仅由所附的权利要求来限制。
Claims (20)
1.一种视频推荐方法,其特征在于,所述推荐方法包括:
获取与初始视频集合中的各个初始视频相匹配的第一候选视频,得到第一候选视频集合;
以所述初始视频集合为整体,计算所述初始视频集合与所述第一候选视频集合中的各个第一候选视频在各个属性上的匹配度;
根据所述初始视频集合与所述第一候选视频集合中的各个第一候选视频在各个属性上的匹配度,从所述第一候选视频集合中确定所述各个初始视频在各个属性上对应的第二候选视频,得到第二候选视频集合;
基于所述第二候选视频集合,确定针对所述初始视频集合的待推荐视频集合。
2.根据权利要求1所述的方法,其特征在于,所述计算所述初始视频集合与所述第一候选视频集合中的各个第一候选视频在各个属性上的匹配度,包括:
计算所述初始视频集合中的初始视频在各个属性上的属性分数平均值或属性分数中值与所述第一候选视频集合中的各个第一候选视频在相对应属性上的属性分数之间的差值绝对值;
基于所述差值绝对值,确定所述初始视频集合与所述第一候选视频集合中的各个第一候选视频在各个属性上的匹配度。
3.根据权利要求1所述的方法,其特征在于,所述计算所述初始视频集合与所述第一候选视频集合中的各个第一候选视频在各个属性上的匹配度,包括:
计算所述初始视频集合中的初始视频在各个属性上的属性分数平均值或属性分数中值与所述第一候选视频集合中的各个第一候选视频在相对应属性上的属性分数之间的差值绝对值;
计算所述各个初始视频与所匹配的各个第一候选视频之间的视频相似度;
基于所述差值绝对值及所述视频相似度,确定所述初始视频集合与所述第一候选视频集合中的各个第一候选视频在各个属性上的匹配度。
4.根据权利要求3所述的方法,其特征在于,所述计算所述各个初始视频与所匹配的各个第一候选视频之间的视频相似度,包括:
获取多个单位视频集合,其中,一个单位视频集合中包括一个用户在历史上的一个单位时间内点击过的视频;
通过以下公式计算各个初始视频与所匹配的各个第一候选视频之间的视频相似度:
其中,Vci表示所述初始视频集合中的第i个初始视频;Vhj表示与所述初始视频Vci相匹配的第j个第一候选视频;R(Vci,Vhj)表示所述初始视频Vci与所述第一候选视频Vhj之间的视频相似度;N(ci,hj)表示同时包含所述初始视频Vci和所述第一候选视频Vhj的单位视频集合的个数;Nci表示在所述多个单位视频集合中出现所述初始视频Vci的次数;Nci表示在所述多个单位视频集合中出现所述第一候选视频Vhj的次数。
5.根据权利要求4所述的方法,其特征在于,所述获取多个单位视频集合,包括:
在由多个节点构成的区块链***中,获取所述多个单位视频集合。
6.根据权利要求3所述的方法,其特征在于,基于所述差值绝对值及所述视频相似度,通过以下公式计算所述初始视频集合与所述第一候选视频集合中的各个第一候选视频在各个属性上的匹配度:
Pe(Vci,Vhj)=k*(1-R(Vci,Vhj))+q*Mecihj
其中,Vci表示所述初始视频集合中的第i个初始视频;Vhj表示与所述初始视频Vci相匹配的第j个第一候选视频;Pe(Vci,Vhj)表示所述初始视频Vci与所述第一候选视频Vhj在第e个属性上的匹配度;Mecihj表示所述初始视频集合中的初始视频在第e个属性上的属性分数平均值或属性分数中值与所述第j个第一候选视频Vhj在第e个属性上的属性分数之间的差值绝对值;R(Vci,Vhj)表示所述初始视频Vci与所述第一候选视频Vhj之间的视频相似度;k和q均表示关于所述公式的预设参数,其中k+q=1。
7.根据权利要求1至6中任一项所述的方法,其特征在于,在基于所述第二候选视频集合,确定针对所述初始视频集合的待推荐视频集合之后,所述方法还包括:
执行如下循环过程直至循环次数满足预定次数:
获取与所述待推荐视频集合中的各个待推荐视频相匹配的第三候选视频集合,得到多个第三候选视频集合;
以所述待推荐视频集合为整体,计算所述待推荐视频集合与各个第三候选视频集合中的各个第三候选视频在各个属性上的匹配度;
根据所述待推荐视频集合与各个第三候选视频集合中的各个第三候选视频在各个属性上的匹配度,从所述第三候选视频集合中确定所述各个待推荐视频在各个属性上的第四候选视频集合;
基于所述第四候选视频集合,确定待推荐视频集合。
8.根据权利要求1至6中任一项所述的方法,其特征在于,所述基于所述第二候选视频集合,确定针对所述初始视频集合的待推荐视频集合,包括如下任意一种:
基于分解的多目标进化算法,从所述第二候选视频集合中确定待推荐视频集合;
基于帕累托占优的多目标进化算法,从所述第二候选视频集合中确定待推荐视频集合;
基于指标的多目标进化算法,从所述第二候选视频集合中确定待推荐视频集合。
9.根据权利要求1至6中任一项所述的方法,其特征在于,所述基于所述第二候选视频集合,确定针对所述初始视频集合的待推荐视频集合,包括:
基于所述第二候选视频集合,以及所述初始视频集合,从所述第二候选视频集合和所述初始视频集合的并集中确定针对所述初始视频集合的待推荐视频集合。
10.一种视频推荐装置,其特征在于,所述装置包括:
获取单元,被用于获取与初始视频集合中的各个初始视频相匹配的第一候选视频,得到第一候选视频集合;
计算单元,被用于以所述初始视频集合为整体,计算所述初始视频集合与所述第一候选视频集合中的各个第一候选视频在各个属性上的匹配度;
第一确定单元,被用于根据所述初始视频集合与所述第一候选视频集合中的各个第一候选视频在各个属性上的匹配度,从所述第一候选视频集合中确定所述各个初始视频在各个属性上对应的第二候选视频,得到第二候选视频集合;
第二确定单元,被用于基于所述第二候选视频集合,确定针对所述初始视频集合的待推荐视频集合。
11.根据权利要求10所述的装置,其特征在于,所述计算单元包括:
第一计算单元,被用于计算所述初始视频集合中的初始视频在各个属性上的属性分数平均值或属性分数中值与所述第一候选视频集合中的各个第一候选视频在相对应属性上的属性分数之间的差值绝对值;
第三确定单元,被用于基于所述差值绝对值,确定所述初始视频集合与所述第一候选视频集合中的各个第一候选视频在各个属性上的匹配度。
12.根据权利要求10所述的装置,其特征在于,所述计算单元包括:
第一计算单元,被用于计算所述初始视频集合中的初始视频在各个属性上的属性分数平均值或属性分数中值与所述第一候选视频集合中的各个第一候选视频在相对应属性上的属性分数之间的差值绝对值;
第二计算单元,被用于计算所述各个初始视频与所匹配的各个第一候选视频之间的视频相似度;
第四确定单元,被用于基于所述差值绝对值及所述视频相似度,确定所述初始视频集合与所述第一候选视频集合中的各个第一候选视频在各个属性上的匹配度。
13.根据权利要求12所述的装置,其特征在于,所述第二计算单元配置为:获取多个单位视频集合,其中,一个单位视频集合中包括一个用户在历史上的一个单位时间内点击过的视频;
通过以下公式计算各个初始视频与所匹配的各个第一候选视频之间的视频相似度:
其中,Vci表示所述初始视频集合中的第i个初始视频;Vhj表示与所述初始视频Vci相匹配的第j个第一候选视频;R(Vci,Vhj)表示所述初始视频Vci与所述第一候选视频Vhj之间的视频相似度;N(ci,hj)表示同时包含所述初始视频Vci和所述第一候选视频Vhj的单位视频集合的个数;Nci表示在所述多个单位视频集合中出现所述初始视频Vci的次数;Nci表示在所述多个单位视频集合中出现所述第一候选视频Vhj的次数。
14.根据权利要求13所述的装置,其特征在于,所述第二计算单元配置为:在由多个节点构成的区块链***中,获取所述多个单位视频集合。
15.根据权利要求12所述的装置,其特征在于,所述第四确定单元配置为:通过以下公式计算所述匹配度:
Pe(Vci,Vhj)=k*(1-R(Vci,Vhj))+q*Mecihj
其中,Vci表示所述初始视频集合中的第i个初始视频;Vhj表示与所述初始视频Vci相匹配的第j个第一候选视频;Pe(Vci,Vhj)表示所述初始视频Vci与所述第一候选视频Vhj在第e个属性上的匹配度;Mecihj表示所述初始视频集合中的初始视频在第e个属性上的属性分数平均值或属性分数中值与所述第j个第一候选视频Vhj在第e个属性上的属性分数之间的差值绝对值;R(Vci,Vhj)表示所述初始视频Vci与所述第一候选视频Vhj之间的视频相似度;k和q均表示关于所述公式的预设参数,其中k+q=1。
16.根据权利要求10至15中任一项所述的装置,其特征在于,所述视频推荐装置还包括:
循环过程执行单元,被用于按照如下步骤执行循环过程直至循环次数满足预定次数:
获取与所述待推荐视频集合中的各个待推荐视频相匹配的第三候选视频集合,得到多个第三候选视频集合;
以所述待推荐视频集合为整体,计算所述待推荐视频集合与各个第三候选视频集合中的各个第三候选视频在各个属性上的匹配度;
根据所述待推荐视频集合与各个第三候选视频集合中的各个第三候选视频在各个属性上的匹配度,从所述第三候选视频集合中确定所述各个待推荐视频在各个属性上的第四候选视频集合;
基于所述第四候选视频集合,确定待推荐视频集合。
17.根据权利要求10至15中任一项所述的装置,其特征在于,所述第二确定单元配置为:通过如下任意一种方式确定针对所述初始视频集合的待推荐视频集合:
基于分解的多目标进化算法,从所述第二候选视频集合中确定待推荐视频集合;
基于帕累托占优的多目标进化算法,从所述第二候选视频集合中确定待推荐视频集合;
基于指标的多目标进化算法,从所述第二候选视频集合中确定待推荐视频集合。
18.根据权利要求10至15中任一项所述的装置,其特征在于,所述第二确定单元配置为:基于所述第二候选视频集合,以及所述初始视频集合,从所述第二候选视频集合和所述初始视频集合的并集中确定针对所述初始视频集合的待推荐视频集合。
19.一种计算机可读存储介质,其上存储有计算机程序,该计算机程序包括可执行指令,当该可执行指令被处理器执行时,实施如权利要求1至9中任一项所述的方法。
20.一种电子设备,其特征在于,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器被设置为执行所述可执行指令以实施如权利要求1至9中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910843794.0A CN110598045B (zh) | 2019-09-06 | 2019-09-06 | 视频推荐方法、装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910843794.0A CN110598045B (zh) | 2019-09-06 | 2019-09-06 | 视频推荐方法、装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110598045A CN110598045A (zh) | 2019-12-20 |
CN110598045B true CN110598045B (zh) | 2021-03-19 |
Family
ID=68858235
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910843794.0A Active CN110598045B (zh) | 2019-09-06 | 2019-09-06 | 视频推荐方法、装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110598045B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8719261B2 (en) * | 2011-12-02 | 2014-05-06 | Verizon Patent And Licensing Inc. | Dynamic catalog ranking |
CN104199896A (zh) * | 2014-08-26 | 2014-12-10 | 海信集团有限公司 | 基于特征分类的视频相似度确定及视频推荐方法 |
CN108462900A (zh) * | 2017-02-22 | 2018-08-28 | 合网络技术(北京)有限公司 | 视频推荐方法及装置 |
CN108733842A (zh) * | 2018-05-29 | 2018-11-02 | 北京奇艺世纪科技有限公司 | 视频推荐方法及装置 |
CN109388739A (zh) * | 2017-08-03 | 2019-02-26 | 合信息技术(北京)有限公司 | 多媒体资源的推荐方法及装置 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20160037253A (ko) * | 2014-09-23 | 2016-04-06 | 주식회사 케이티 | 추천 테마를 제공하는 방법, 장치 및 시스템 |
CN105260458A (zh) * | 2015-10-15 | 2016-01-20 | 海信集团有限公司 | 一种用于显示装置的视频推荐方法及显示装置 |
CN105260481B (zh) * | 2015-11-13 | 2019-09-17 | 优酷网络技术(北京)有限公司 | 一种推送列表多样性的评测方法及*** |
CN105847985A (zh) * | 2016-03-30 | 2016-08-10 | 乐视控股(北京)有限公司 | 一种视频推荐方法及装置 |
CN105930423A (zh) * | 2016-04-18 | 2016-09-07 | 乐视控股(北京)有限公司 | 多媒体相似度确定方法、装置以及多媒体推荐方法 |
CN106686460B (zh) * | 2016-12-22 | 2020-03-13 | 优地网络有限公司 | 一种视频节目推荐方法及视频节目推荐装置 |
CN107426610B (zh) * | 2017-03-29 | 2020-04-28 | 聚好看科技股份有限公司 | 视频信息同步方法及装置 |
CN110019943B (zh) * | 2017-09-11 | 2021-09-14 | ***通信集团浙江有限公司 | 视频推荐方法、装置、电子设备和存储介质 |
CN109871490B (zh) * | 2019-03-08 | 2021-03-09 | 腾讯科技(深圳)有限公司 | 媒体资源匹配方法、装置、存储介质和计算机设备 |
-
2019
- 2019-09-06 CN CN201910843794.0A patent/CN110598045B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8719261B2 (en) * | 2011-12-02 | 2014-05-06 | Verizon Patent And Licensing Inc. | Dynamic catalog ranking |
CN104199896A (zh) * | 2014-08-26 | 2014-12-10 | 海信集团有限公司 | 基于特征分类的视频相似度确定及视频推荐方法 |
CN108462900A (zh) * | 2017-02-22 | 2018-08-28 | 合网络技术(北京)有限公司 | 视频推荐方法及装置 |
CN109388739A (zh) * | 2017-08-03 | 2019-02-26 | 合信息技术(北京)有限公司 | 多媒体资源的推荐方法及装置 |
CN108733842A (zh) * | 2018-05-29 | 2018-11-02 | 北京奇艺世纪科技有限公司 | 视频推荐方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110598045A (zh) | 2019-12-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CA3007853C (en) | End-to-end deep collaborative filtering | |
CN106326391B (zh) | 多媒体资源推荐方法及装置 | |
US10140342B2 (en) | Similarity calculation system, method of calculating similarity, and program | |
US11216518B2 (en) | Systems and methods of providing recommendations of content items | |
CN104182449A (zh) | 基于用户兴趣建模的个性化视频推荐***和方法 | |
CN106127506B (zh) | 一种基于主动学习解决商品冷启动问题的推荐方法 | |
US20190180109A1 (en) | Deep learning on image frames to generate a summary | |
US20130212105A1 (en) | Information processing apparatus, information processing method, and program | |
WO2023087914A1 (zh) | 推荐内容的选择方法、装置、设备、存储介质及程序产品 | |
CN111552883B (zh) | 内容推荐方法及计算机可读存储介质 | |
CN117238451B (zh) | 训练方案确定方法、装置、电子设备和存储介质 | |
CN115600691A (zh) | 联邦学习中的客户端选择方法、***、装置和存储介质 | |
CN111291217A (zh) | 一种内容推荐方法、装置、电子设备以及计算机可读介质 | |
JP2014215685A (ja) | レコメンドサーバおよびレコメンドコンテンツ決定方法 | |
US20160132771A1 (en) | Application Complexity Computation | |
US20160048595A1 (en) | Filtering Content Suggestions for Multiple Users | |
CN113301017B (zh) | 基于联邦学习的攻击检测与防御方法、装置及存储介质 | |
WO2014134944A1 (en) | System and method for recommending multimedia information | |
CN110085292A (zh) | 药品推荐方法、装置及计算机可读存储介质 | |
CN110598045B (zh) | 视频推荐方法、装置 | |
CN108848152B (zh) | 一种对象推荐的方法及服务器 | |
CN112801053B (zh) | 视频数据处理方法、装置 | |
CN106919946B (zh) | 一种受众选择的方法及装置 | |
CN110309361B (zh) | 一种视频评分的确定方法、推荐方法、装置及电子设备 | |
KR20230009437A (ko) | 사용자 검색 카테고리 예측자 |
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 |