CN110839167A - 一种视频推荐方法、装置及终端设备 - Google Patents

一种视频推荐方法、装置及终端设备 Download PDF

Info

Publication number
CN110839167A
CN110839167A CN201810937007.4A CN201810937007A CN110839167A CN 110839167 A CN110839167 A CN 110839167A CN 201810937007 A CN201810937007 A CN 201810937007A CN 110839167 A CN110839167 A CN 110839167A
Authority
CN
China
Prior art keywords
video
videos
similarity
user
users
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201810937007.4A
Other languages
English (en)
Other versions
CN110839167B (zh
Inventor
李佳
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.)
TCL Corp
TCL Research America Inc
Original Assignee
TCL Research America Inc
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 TCL Research America Inc filed Critical TCL Research America Inc
Priority to CN201810937007.4A priority Critical patent/CN110839167B/zh
Publication of CN110839167A publication Critical patent/CN110839167A/zh
Application granted granted Critical
Publication of CN110839167B publication Critical patent/CN110839167B/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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请适用于通信技术领域，提供了一种视频推荐方法、装置及终端设备，包括：获取对视频集合中任一视频发出指定操作的用户数量，选定目标视频；根据用户数量对视频集合中的视频进行降序排列，得到视频集合的排序集合；依次建立目标视频与排序在目标视频之后的每个视频的相似度的计算任务；顺序分配计算任务到多个执行路径中执行计算任务，得到计算任务输出的相似度集合；根据相似度集合向用户进行视频推荐根据被对视频发出操作的用户数量先建立用户操作次数最多的视频之间的相似度计算任务，使执行容器并行执行不同耗时较长的计算任务，从而缩短整体相似度计算任务的运行时长，提高向用户进行视频推荐的效率。

Description

一种视频推荐方法、装置及终端设备
技术领域
本申请属于图像数据处理领域，尤其涉及一种视频推荐方法、装置及终端设备。
背景技术
随着智能电视的到来，人们通过智能电视不仅可以观看固定电视台的直播内容，还可以选择点播电影、电视剧等已有视频资源。面对种类繁多的视频资源，通过利用用户的历史行为记录，找出用户的兴趣偏好，对应筛选出优质的内容呈现给终端用户的个性化推荐***孕育而生。在寻找与终端用户所观看的视频相似的视频时，一般通过协同过滤算法计算两个视频的相关性，两个视频的相关性越大说明相似度越大，但这种方法在计算过程中可能出现数据倾斜问题，即个别任务执行时长远远超过平均时长，从而导致整个任务运行时间过长。
发明内容
有鉴于此，本申请实施例提供了视频推荐方法、装置及终端设备，以解决现有技术中视频相似度计算耗时较长、计算效率不高的问题。
本申请实施例的第一方面提供了一种视频推荐方法，所述视频推荐方法包括：
获取对视频集合中任一视频发出指定操作的用户的用户数量，并在所述视频集合中选定目标视频；
根据所述用户数量对所述视频集合中的视频进行降序排列，得到所述视频集合的排序集合；
依次建立所述目标视频与排序在所述目标视频之后的每个视频的相似度的计算任务；
顺序分配所述计算任务到多个执行路径中执行所述计算任务，得到所述计算任务输出的相似度集合；
根据所述相似度集合向用户进行视频推荐。
本申请实施例的第二方面提供了一种视频推荐装置，所述视频推荐装置包括：
用户数量获取模块，用于获取对视频集合中任一视频发出指定操作的用户的用户数量，并在所述视频集合中选定目标视频；
排序模块，用于根据所述用户数量对所述视频集合中的视频进行降序排列，得到所述视频集合的排序集合；
任务建立模块，用于依次建立所述目标视频与排序在所述目标视频之后的每个视频的相似度的计算任务；
计算模块，用于顺序分配所述计算任务到多个执行路径中执行所述计算任务，得到所述计算任务输出的相似度集合；
推荐模块，用于根据所述相似度集合向用户进行视频推荐。
本申请实施例的第三方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面提供的视频推荐方法中任一项所述方法的步骤。
本申请实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面提供的视频推荐方法中任一项所述方法的步骤。
本申请实施例在视频推荐时，对任意视频获取对视频发出了指定操作的用户的数量，然后根据用户对视频操作的数量降序排列多个视频，以得到多个视频的视频排序集合，在视频排序集合中选择目标视频，依次建立目标视频和视频排序集合中其他视频之间的相似度计算任务，并顺序将上述相似度计算任务分配到指定数量的执行容器中去计算目标视频与视频排序集合中其他的相似度，从而根据其他视频与目标视频的相似度向用户进行视频推荐。这一过程中按照对视频发出指定操作的用户数量对视频排序，操作视频的用户数量越多计算该视频与其他视频相似性的耗时越长，因此，根据被对视频发出操作的用户数量先建立用户操作次数最多的视频之间的相似度计算任务，并顺序分配到不同的执行容器中执行，可以使执行容器并行执行不同耗时较长的计算任务，从而缩短整体相似度计算任务的运行时长，提高向用户进行视频推荐的效率。
附图说明
为了更清楚地说明本申请实施例中的技术方案，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，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性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种视频推荐方法的流程示意图；
图2是本申请另一实施例提供的视频推荐方法的流程示意图；
图3是本申请实施例提供的一种视频推荐装置的示意图；
图4是本申请实施例提供的终端设备的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定***结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的***、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
本申请实施例在视频推荐时，对任意视频获取对视频发出了指定操作的用户的数量，然后根据用户对视频操作的数量降序排列多个视频，以得到多个视频的视频排序集合，在视频排序集合中选择目标视频，依次建立目标视频和视频排序集合中其他视频之间的相似度计算任务，并顺序将上述相似度计算任务分配到指定数量的执行容器中去计算目标视频与视频排序集合中其他的相似度，从而根据其他视频与目标视频的相似度向用户进行视频推荐。
为了说明本申请所述的技术方案，下面通过具体实施例来进行说明。
实施例一：
图1示出了本申请实施例提供的一种视频推荐方法的实现流程示意图，包括步骤S11-步骤S15，其中：
步骤S11，获取对视频集合中任一视频发出指定操作的用户的用户数量，并在所述视频集合中选定目标视频。
本申请提供的实施例中，用户在观看一些网站等地方提供的视频时，会有不同的用户对不同的视频进行搜索查找、点击、观看等行为，因此，本申请中首先统计对***中所提供的视频发出指定操作的用户数量，上述视频形成一定的集合，此时，可分别统计对每个视频发出指定操作的用户数量，然后将对每个视频发出指定操作的用户数量进行记录，形成集合。上述指定操作包括对视频的点击、搜索、收藏以及观看中的一种或多种。例如，观看视频A的用户为a、b，观看视频B的用户为a、b、c，观看视频C的用户为a，则对视频A、B、C发出指定操作的用户数量可记录为：{A(2)，B(3)，C(1)}。
本申请中可以首先从视频集合中选定一个目标视频，上述目标视频可以认为是开始计算相似性的一个视频，将上述目标视频之外的其他视频称之为非目标视频。如要计算视频B与其他视频的相似性时，可将目标视频选定为视频B，视频A、视频C成为非目标视频，根据预设规则计算(B，A)的相似性和(B、C)的相似性。进一步地，还可以设定规则，目标视频选定的B时，执行整个视频排序集合中所有视频相似性的计算，此时，***还可以继续计算(A、C)的相似性。
步骤S12，根据所述用户数量对所述视频集合中的视频进行降序排列，得到所述视频集合的排序集合。
具体地，按照对视频集合中每个视频发出所述指定操作的用户数量的多少，降序排列所述多个视频，得到所述多个视频的视频集合的排序集合。也就是说，根据发出指定操作的用户的多少，对***中提供的视频进行排序，如上述对视频A、B、C进行排序后可得到视频排序集合{B(3)，A(2)，C(1)}。
步骤S13，依次建立所述目标视频与排序在所述目标视频之后的每个视频的相似度计算任务。
本申请提供的实施例中根据选定的目标视频创建相似度计算任务，此时，为了避免两视频相似度的重复计算，仅计算目标视频与其排序之后的所有视频的相似性，例如上述视频排序集合{B(3)，A(2)，C(1)}，若选定目标视频为B，则创建的相似度计算任务为计算(B，A)的相似性和(B、C)的相似性，当然，此时若要计算集合中任意两个视频的相似度，则在目标视频选定为B时，上述相似度计算任务还可以包括计算(A、C)的相似性。本申请中在计算两视频的相似性时，仅需从一侧计算两视频的相似性，如上述视频A、B的相似性，由于相似度计算任务(B、A)和(A、B)的结果相同，因此，只需计算所创建的任务(B、A)而不用再创建计算任务(A、B),从而避免重复计算，减少后续的计算时长。
步骤S14，顺序分配所述计算任务到多个执行路径中执行所述计算任务，得到所述计算任务输出的相似度集合。
本申请提供的实施例中基于Spark平台对两视频的相似度进行计算，因此，将步骤S13中依次创建的相似度计算任务顺序分配到不同的执行路径中(如不同的执行容器)同步执行多个相似度计算任务。在进行计算时，上述执行路径中运行公式：
Figure BDA0001768080520000051
其中，N(i)、N(j)表示观看视频i、j的用户数；N(u)表示即观看了i，又观看了j的用户数，Wij表示两视频的相似度，并且定义Wij＝Wji。上述执行容器的数量由Spark平台的处理能力确定，假设上有3条执行路径，则将所创建的第1-3个相似度计算任务分别分配到3个执行路径中执行上述公式的计算；在有执行容器完成当前的计算任务，而处于空闲状态时，再将所创建的第4个相似度计算任务分配该空闲的执行路径上继续执行计算任务。在所有的相似度计算任务均执行完毕之后，将所得到的计算结果记录，形成相似度集合，并输出该相似度集合。对于同一个视频，被越多的用户查看，计算其与其他视频相似度时的耗时也越长，因此，本申请中先执行耗时较长的相似度计算任务，并且多个执行容器同步执行不同的任务，在有空闲的执行容器时，继续分配后续的计算任务，从而使每个执行容器都能处于执行任务的状态，避免其中一个有多个待执行任务，其他执行容器空闲的情况，从而缩短整体任务的执行时间。
步骤S15，根据所述相似度集合向用户进行视频推荐。
该步骤中，根据其他视频与目标视频的相似度向观看上述目标视频的用户进行视频推荐，如，可以将与目标视频相似度最大的数个视频推荐给上述用户，或者按照上述用户指定的规则向其进行视频推荐。
本申请实施例在视频推荐时，对任意视频获取对视频发出了指定操作的用户的数量，然后根据用户对视频操作的数量降序排列多个视频，以得到多个视频的视频排序集合，在视频排序集合中选择目标视频，依次建立目标视频和视频排序集合中其他视频之间的相似度计算任务，并顺序将上述相似度计算任务分配到指定数量的执行容器中去计算目标视频与视频排序集合中其他的相似度，从而根据其他视频与目标视频的相似度向用户进行视频推荐。这一过程中按照对视频发出指定操作的用户数量对视频排序，操作视频的用户数量越多计算该视频与其他视频相似性的耗时越长，因此，根据被对视频发出操作的用户数量先建立用户操作次数最多的视频之间的相似度计算任务，并顺序分配到不同的执行容器中执行，可以使执行容器并行执行不同耗时较长的计算任务，从而缩短整体相似度计算任务的运行时长，提高向用户进行视频推荐的效率。
实施例二：
图2示出了本申请另一实施例提供的一种视频推荐方法的实现流程示意图，详述如下：
步骤S21，获取对视频集合中任一视频发出指定操作的用户的用户数量，并在所述视频集合中选定目标视频。
步骤S22，根据所述用户数量对所述视频集合中的视频进行降序排列，得到所述视频集合的排序集合。
步骤S21-S22的实现过程参见实施例一中的步骤S11-步骤S12，在此不再赘述。
步骤S23，获取用户对所述目标视频发出的指定操作；根据所述指定操作计算所述用户对所述目标视频的视频打分。
该步骤中，在上述视频排序集合中选择一个视频作为目标视频，然后检测用户对该目标视频所发出的点击、搜索、收藏以及观看等操作中的一种或多种操作。进一步地，在获取用户对该目标视频发出的指定操作时，可以获取指定时间段内用户对该目标视频发出的指定操作，例如，距离当前时间一年内用户发出的点击操作或播放该目标视频的操作等。根据用户对该目标视频的操作确定用户对该目标视频的视频打分。
可选地，在本申请提供的另一实施例中，所述根据所述指定操作计算所述用户对所述目标视频的视频打分，包括：
调用预先设定的所述指定操作对应的操作分数；
检测所述用户对所述目标视频发出的所述指定操作是否包含多种；
若是，则将多种所述指定操作中对应的最高的操作分数作为所述目标视频的视频打分；
若否，则将所述指定操作对应的操作分数作为所述目标视频的视频打分。
该步骤中预先设定不同的指定操作以及每种指定操作对应的操作分数，例如设定搜索操作为1分、点击操作为2分、收藏操作为3分、播放操作根据播放的时长与视频总时长之间的比例关系设定3-5分。然后检测用户是否对目标视频发了多种的指定操作，如用户可以点击过目标视频然后又继续观看了该目标视频，此时，选取分值高的一项指定操作(该例子中选择播放操作而不是点击操作)作为用户对该目标视频的视频打分。如既有点击操作又有播放操作时，则根据播放时长和视频总长之间的关系得到用户对该目标视频的视频打分。若用户对该目标视频仅存在一种指定操作，则将该指定操作对应的操作分数作为用户对该目标视频的视频打分。例如用户仅有收藏操作时，则其对该目标视频的视频打分为1分。进一步地，还可以结合用户对目标视频进行指定操作的时间点距离当前时间点的长短，对不同指定操作设定不同的分数，如距离当前较为久远的指定操作可以酌情降低操作分值。
步骤S24，依次建立所述目标视频与排序在所述目标视频之后的每个视频的相似度计算任务。
步骤S25，顺序分配所述计算任务到多个执行路径中执行所述计算任务，得到所述计算任务输出的相似度集合。
步骤S26，根据所述视频打分和所述相似度集合确定推荐给所述用户的视频。
具体地，所述根据所述视频打分和所述相似度集合确定推荐给所述用户的视频，包括：
计算所述视频打分与所述相似度集合中每个相似度的乘积，得到排序在所述目标视频之后的每个非目标视频的预测打分；
以所述预测打分为依据，从高到低推荐预设个数的视频给观看所述目标视频的用户。
该步骤中，计算目标视频与相似度集合中每个相似度的乘积即可得到对应的非目标视频的预测打分。例如用户对目标视频B的视频打分为10分，上述相似度集合中为{(B、A，0.9)(B、C，0.3)}，则对于非目标视频A、C的预测打分分别为9分(10*0.9)和3分(10*0.3)。然后根据每个非目标视频的预测评分向用户进行视频推荐，如推荐预测评分最高的视频，或推荐预测评分大于一定分值的视频。进一步地，在计算出非目标视频的预测评分后，若检测到用户已对该非目标视频进行了视频打分，则过滤掉该非目标视频，在用户未进行视频打分的非目标视频中向用户进行视频推荐。
本申请提供的实施例中通过检测用户对某一视频的操作以及该视频与其他视频的相似度，计算出用户对其他视频的预测打分，根据计算的预测打分向用户进行视频推荐，从而可以向用户推荐较为符合其选择的视频。
实施例三：
对应于上文实施例所述的视频推荐方法，图3示出了本申请实施例提供的视频相似度的计算装置的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。
参照图3，该装置包括：用户数量获取模块31、排序模块32、任务建立模块33、选择模块34以及计算模块35，其中：
用户数量获取模块31，用于获取对视频集合中任一视频发出指定操作的用户的用户数量，并在所述视频集合中选定目标视频；
排序模块32，用于根据所述用户数量对所述视频集合中的视频进行降序排列，得到所述视频集合的排序集合；
任务建立模块33，用于依次建立所述目标视频与排序在所述目标视频之后的每个视频的相似度的计算任务；
计算模块34，用于顺序分配所述计算任务到多个执行路径中执行所述计算任务，得到所述计算任务输出的相似度集合。
推荐模块35，用于根据所述相似度集合向用户进行视频推荐。
可选地，所述排序模块32具体用于：
按照对每个视频发出所述指定操作的用户数量的多少，降序排列所述视频集合中的多个视频，得到所述多个视频的排序集合。
可选地，所述推荐模块35包括：
推荐模块，用于获取用户对所述目标视频发出的指定操作；根据所述指定操作计算所述用户对所述目标视频的视频打分；根据所述视频打分和所述相似度集合确定推荐给所述用户的视频。
可选地，所述推荐模块35具体用于：
计算所述视频打分与所述相似度集合中每个相似度的乘积，得到排序在所述目标视频之后的每个非目标视频的预测打分；
以所述预测打分为依据，从高到低推荐预设个数的视频给观看所述目标视频的用户。
可选地，所述推荐模块35还用于：
调用预先设定的所述指定操作对应的操作分数；
检测所述用户对所述目标视频发出的所述指定操作是否包含多种；
若是，则将多种所述指定操作中对应的最高的操作分数作为所述目标视频的视频打分；
若否，则将所述指定操作对应的操作分数作为所述目标视频的视频打分。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
实施例四：
图4是本申请一实施例提供的终端设备的示意图。如图4所示，该实施例的终端设备4包括：处理器40、存储器41以及存储在所述存储器41中并可在所述处理器40上运行的计算机程序42。所述处理器40执行所述计算机程序42时实现上述各个视频推荐方法实施例中的步骤，例如图1所示的步骤S11至S15。或者，所述处理器40执行所述计算机程序42时实现上述各装置实施例中各模块/单元的功能，例如图3所示模块31至35的功能。
示例性的，所述计算机程序42可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器41中，并由所述处理器40执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序42在所述终端设备4中的执行过程。例如，所述计算机程序42可以被分割成用户数量获取模块、排序模块、任务建立模块、计算模块以及推荐模块，其中：
用户数量获取模块，用于获取对视频集合中任一视频发出指定操作的用户的用户数量，并在所述视频集合中选定目标视频；
排序模块，用于根据所述用户数量对所述视频集合中的视频进行降序排列，得到所述视频集合的排序集合；
任务建立模块，用于依次建立所述目标视频与排序在所述目标视频之后的每个视频的相似度的计算任务；
计算模块，用于顺序分配所述计算任务到多个执行路径中执行所述计算任务，得到所述计算任务输出的相似度集合。
推荐模块，用于根据所述相似度集合向用户进行视频推荐。
可选地，所述排序模块具体用于：
按照对每个视频发出所述指定操作的用户数量的多少，降序排列所述视频集合中的多个视频，得到所述多个视频的排序集合。
可选地，所述推荐模块包括：
推荐模块，用于获取用户对所述目标视频发出的指定操作；根据所述指定操作计算所述用户对所述目标视频的视频打分；根据所述视频打分和所述相似度集合确定推荐给所述用户的视频。
可选地，所述推荐模块具体用于：
计算所述视频打分与所述相似度集合中每个相似度的乘积，得到排序在所述目标视频之后的每个非目标视频的预测打分；
以所述预测打分为依据，从高到低推荐预设个数的视频给观看所述目标视频的用户。
可选地，所述推荐模块还用于：
调用预先设定的所述指定操作对应的操作分数；
检测所述用户对所述目标视频发出的所述指定操作是否包含多种；
若是，则将多种所述指定操作中对应的最高的操作分数作为所述目标视频的视频打分；
若否，则将所述指定操作对应的操作分数作为所述目标视频的视频打分。
所述终端设备4可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器40、存储器41。本领域技术人员可以理解，图4仅仅是终端设备4的示例，并不构成对终端设备4的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器40可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(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、分立硬件组件等。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。
所述存储器41可以是所述终端设备4的内部存储单元，例如终端设备4的硬盘或内存。所述存储器41也可以是所述终端设备4的外部存储设备，例如所述终端设备4上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器41还可以既包括所述终端设备4的内部存储单元也包括外部存储设备。所述存储器41用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器41还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述***中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元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，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种视频推荐方法，其特征在于，所述视频推荐方法包括：
获取对视频集合中任一视频发出指定操作的用户的用户数量，并在所述视频集合中选定目标视频；
根据所述用户数量对所述视频集合中的视频进行降序排列，得到所述视频集合的排序集合；
依次建立所述目标视频与排序在所述目标视频之后的每个视频的相似度的计算任务；
顺序分配所述计算任务到多个执行路径中执行所述计算任务，得到所述计算任务输出的相似度集合；
根据所述相似度集合向用户进行视频推荐。
2.如权利要求1所述的视频推荐方法，其特征在于，所述根据所述用户数量对所述视频集合中的视频进行降序排列，得到所述视频集合的排序集合，包括：
按照对每个视频发出所述指定操作的用户数量的多少，降序排列所述视频集合中的多个视频，得到所述多个视频的排序集合。
3.如权利要求1所述的视频推荐方法，其特征在于，所述根据所述相似度集合向用户进行视频推荐，包括：
获取用户对所述目标视频发出的指定操作；
根据所述指定操作计算所述用户对所述目标视频的视频打分；
根据所述视频打分和所述相似度集合确定推荐给所述用户的视频。
4.如权利要求3所述的视频推荐方法，其特征在于，所述根据所述视频打分和所述相似度集合确定推荐给所述用户的视频，包括：
计算所述视频打分与所述相似度集合中每个相似度的乘积，得到排序在所述目标视频之后的每个非目标视频的预测打分；
以所述预测打分为依据，从高到低推荐预设个数的视频给观看所述目标视频的用户。
5.如权利要求3所述的视频推荐方法，其特征在于，所述根据所述指定操作计算所述用户对所述目标视频的视频打分，包括：
调用预先设定的所述指定操作对应的操作分数；
检测所述用户对所述目标视频发出的所述指定操作是否包含多种；
若是，则将多种所述指定操作中对应的最高的操作分数作为所述目标视频的视频打分；
若否，则将所述指定操作对应的操作分数作为所述目标视频的视频打分。
6.一种视频推荐装置，其特征在于，所述视频推荐装置包括：
用户数量获取模块，用于获取对视频集合中任一视频发出指定操作的用户的用户数量，并在所述视频集合中选定目标视频；
排序模块，用于根据所述用户数量对所述视频集合中的视频进行降序排列，得到所述视频集合的排序集合；
任务建立模块，用于依次建立所述目标视频与排序在所述目标视频之后的每个视频的相似度的计算任务；
计算模块，用于顺序分配所述计算任务到多个执行路径中执行所述计算任务，得到所述计算任务输出的相似度集合；
推荐模块，用于根据所述相似度集合向用户进行视频推荐。
7.如权利要求6所述的视频推荐装置，其特征在于，所述排序模块具体用于：
按照对每个视频发出所述指定操作的用户数量的多少，降序排列所述视频集合中的多个视频，得到所述多个视频的排序集合。
8.如权利要求6所述的视频推荐装置，其特征在于，所述推荐模块具体用于包括：
获取用户对所述目标视频发出的指定操作；根据所述指定操作计算所述用户对所述目标视频的视频打分；根据所述视频打分和所述相似度集合确定推荐给所述用户的视频。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述方法的步骤。
CN201810937007.4A 2018-08-16 2018-08-16 一种视频推荐方法、装置及终端设备 Active CN110839167B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810937007.4A CN110839167B (zh) 2018-08-16 2018-08-16 一种视频推荐方法、装置及终端设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810937007.4A CN110839167B (zh) 2018-08-16 2018-08-16 一种视频推荐方法、装置及终端设备

Publications (2)

Publication Number Publication Date
CN110839167A true CN110839167A (zh) 2020-02-25
CN110839167B CN110839167B (zh) 2021-05-28

Family

ID=69573328

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810937007.4A Active CN110839167B (zh) 2018-08-16 2018-08-16 一种视频推荐方法、装置及终端设备

Country Status (1)

Country Link
CN (1) CN110839167B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113688260A (zh) * 2021-08-31 2021-11-23 维沃移动通信有限公司 视频推荐方法和装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102346751A (zh) * 2010-08-03 2012-02-08 阿里巴巴集团控股有限公司 一种信息推送方法及设备
CN103353872A (zh) * 2013-06-03 2013-10-16 大连理工大学 一种基于神经网络的教学资源个性化推荐方法
US20150193583A1 (en) * 2014-01-06 2015-07-09 Cerner Innovation, Inc. Decision Support From Disparate Clinical Sources
CN106294462A (zh) * 2015-06-01 2017-01-04 Tcl集团股份有限公司 一种获取推荐视频的方法和***
CN106407401A (zh) * 2016-09-21 2017-02-15 乐视控股（北京）有限公司 一种视频推荐方法及装置
CN106570008A (zh) * 2015-10-09 2017-04-19 阿里巴巴集团控股有限公司 推荐方法及装置
CN107220365A (zh) * 2017-06-07 2017-09-29 四川大学 基于协同过滤与关联规则并行处理的精准推荐***及方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102346751A (zh) * 2010-08-03 2012-02-08 阿里巴巴集团控股有限公司 一种信息推送方法及设备
CN103353872A (zh) * 2013-06-03 2013-10-16 大连理工大学 一种基于神经网络的教学资源个性化推荐方法
US20150193583A1 (en) * 2014-01-06 2015-07-09 Cerner Innovation, Inc. Decision Support From Disparate Clinical Sources
CN106294462A (zh) * 2015-06-01 2017-01-04 Tcl集团股份有限公司 一种获取推荐视频的方法和***
CN106570008A (zh) * 2015-10-09 2017-04-19 阿里巴巴集团控股有限公司 推荐方法及装置
CN106407401A (zh) * 2016-09-21 2017-02-15 乐视控股（北京）有限公司 一种视频推荐方法及装置
CN107220365A (zh) * 2017-06-07 2017-09-29 四川大学 基于协同过滤与关联规则并行处理的精准推荐***及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王茄力: ""基于Spark的混合推荐***"", 《万方数据》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113688260A (zh) * 2021-08-31 2021-11-23 维沃移动通信有限公司 视频推荐方法和装置

Also Published As

Publication number Publication date
CN110839167B (zh) 2021-05-28

Similar Documents

Publication Publication Date Title
CN110020122B (zh) 一种视频推荐方法、***及计算机可读存储介质
US11914639B2 (en) Multimedia resource matching method and apparatus, storage medium, and electronic apparatus
CN110704677B (zh) 一种节目推荐方法、装置、可读存储介质及终端设备
CN111327955B (zh) 基于用户画像的点播方法、存储介质及智能电视
CN109429103B (zh) 推荐信息的方法、装置及计算机可读存储介质、终端设备
CN106604051A (zh) 直播频道推荐方法及装置
CN104053023B (zh) 一种确定视频相似度的方法及装置
CN108304490B (zh) 基于文本的相似度确定方法、装置及计算机设备
RU2637876C2 (ru) Способ, устройство сервера и устройство терминала для предоставления изображения
CN107590267B (zh) 基于图片的信息推送方法及装置、终端和可读存储介质
US20170169062A1 (en) Method and electronic device for recommending video
CN112199582B (zh) 一种内容推荐方法、装置、设备及介质
CN112380462A (zh) 参展路径规划方法、装置、服务器及计算机可读存储介质
CN113407773A (zh) 一种短视频智能推荐方法、***、电子设备及存储介质
CN112100221A (zh) 一种资讯推荐方法、装置、推荐服务器及存储介质
JP2019091487A (ja) 閲覧者行動に基づいてメディアコンテンツをベンチマークする方法
CN113886711B (zh) 内容推荐方法、装置、服务器及存储介质
CN110839167B (zh) 一种视频推荐方法、装置及终端设备
CN111552883A (zh) 内容推荐方法及计算机可读存储介质
CN111259225A (zh) 新媒体信息展示方法、装置、电子设备及计算机可读介质
WO2020026012A1 (zh) 内容兴趣采集及内容数据推荐方法、装置、设备/终端/服务器及存储介质
CN103399879B (zh) 基于用户搜索日志的兴趣实体获得方法及装置
CN104834728B (zh) 一种订阅视频的推送方法及装置
CN113761271A (zh) 用于视频推荐的方法及装置、带显示屏的冰箱
CN111143660A (zh) 知识平台的智能推荐方法、装置及计算机可读存储介质

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
CB02 Change of applicant information

Address after: 516006 TCL technology building, No.17, Huifeng Third Road, Zhongkai high tech Zone, Huizhou City, Guangdong Province

Applicant after: TCL Technology Group Co.,Ltd.

Address before: 516006 Guangdong province Huizhou Zhongkai hi tech Development Zone No. nineteen District

Applicant before: TCL RESEARCH AMERICA Inc.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant