CN111767428A - 视频推荐方法、装置、电子设备及存储介质 - Google Patents

视频推荐方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN111767428A
CN111767428A CN202010535770.1A CN202010535770A CN111767428A CN 111767428 A CN111767428 A CN 111767428A CN 202010535770 A CN202010535770 A CN 202010535770A CN 111767428 A CN111767428 A CN 111767428A
Authority
CN
China
Prior art keywords
recommended
video
videos
image quality
image
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.)
Pending
Application number
CN202010535770.1A
Other languages
English (en)
Inventor
冯亚楠
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.)
Migu Cultural Technology Co Ltd
China Mobile Communications Group Co Ltd
Original Assignee
Migu Cultural Technology Co Ltd
China Mobile Communications Group 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 Migu Cultural Technology Co Ltd, China Mobile Communications Group Co Ltd filed Critical Migu Cultural Technology Co Ltd
Priority to CN202010535770.1A priority Critical patent/CN111767428A/zh
Publication of CN111767428A publication Critical patent/CN111767428A/zh
Pending legal-status Critical Current

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
    • 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
    • G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/783—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Library & Information Science (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)

Abstract

本申请实施例涉及信息处理技术领域，特别涉及一种视频推荐方法、装置、电子设备及存储介质。视频推荐方法，包括：获取待推荐视频的集合和各所述待推荐视频的特征信息；根据各所述待推荐视频的特征信息和预设的画质评分模型，计算各所述待推荐视频的画质评分，其中，所述画质评分模型根据视频的特征信息训练得到；根据各所述待推荐视频的画质评分，从所述待推荐视频的集合中获取推荐视频的集合；对所述推荐视频的集合进行推荐。采用本申请实施例，能够结合视频的画质对视频进行推荐，以提升用户对视频的观看体验。

Description

视频推荐方法、装置、电子设备及存储介质
技术领域
本申请实施例涉及信息处理技术领域，特别涉及一种视频推荐方法、装置及存储介质。
背景技术
随着互联网的发展和智能设备的普及，越来越多的人通过智能设备来观看网络视频，并且对于网络视频的质量有着较高的要求。通常情况下，例如视频网站或视频APP等平台会对用户的喜好进行分析，并根据用户的喜好为用户推荐可能感兴趣的视频。然而，发明人发现相关技术中存在如下问题：由于推荐给用户观看的视频通常是根据用户的喜好筛选得到的，但并未考虑到筛选得到的视频所带来的观看体验是否良好，因此导致推荐给用户观看的视频中存在画面质量较差的视频，从而使得用户的观看体验受到较明显的负面影响，无法吸引用户继续观看视频。
发明内容
本申请实施例的目的在于提供一种视频推荐方法、装置、电子设备及存储介质，能够结合视频的画质对视频进行推荐，以提升用户对视频的观看体验。
为解决上述技术问题，本申请的实施例提供了一种视频推荐方法，包括：获取待推荐视频的集合和各所述待推荐视频的特征信息；根据各所述待推荐视频的特征信息和预设的画质评分模型，计算各所述待推荐视频的画质评分，其中，所述画质评分模型根据视频的特征信息训练得到；根据各所述待推荐视频的画质评分，从所述待推荐视频的集合中获取推荐视频的集合；对所述推荐视频的集合进行推荐。
本申请的实施例还提供了一种视频推荐装置，包括：第一获取模块，评分模块，第二获取模块和推荐模块；所述第一获取模块，用于获取待推荐视频的集合和各所述待推荐视频的特征信息；所述评分模块，用于根据各所述待推荐视频的特征信息和预设的画质评分模型，计算各所述待推荐视频的画质评分，其中，所述画质评分模型根据视频的特征信息训练得到；所述第二获取模块，用于根据各所述待推荐视频的画质评分，从所述待推荐视频的集合中获取推荐视频的集合；所述推荐模块，用于对所述推荐视频的集合进行推荐。
本申请的实施例还提供了一种电子设备，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述的视频推荐方法。
本申请的实施例还提供了一种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上述的视频推荐方法。
本申请实施例相对于现有技术而言，获取待推荐视频的集合和各所述待推荐视频的特征信息；根据各所述待推荐视频的特征信息和预设的画质评分模型，计算各所述待推荐视频的画质评分，其中，所述画质评分模型根据视频的特征信息训练得到；根据各所述待推荐视频的画质评分，从所述待推荐视频的集合中获取推荐视频的集合；对所述推荐视频的集合进行推荐。由于视频的特征信息能够较好地反映出视频的画面质量，因此训练得到的用于画质评分模型能够较为真实准确地计算出用于衡量画面质量的画质评分，计算出的画质评分的可参考价值较高；可以理解的是，获取到的待推荐视频的集合能够贴合用户的喜好，在此基础上根据待推荐视频的画质评分获取到推荐视频的集合，也就是将视频的画面质量也作为了推荐视频的参考因素之一，从而使得获取到的各推荐视频的内容质量和画面质量都得到保障，以提升用户的观看体验以及对视频平台的用户黏度。
另外，所述特征信息包括编码特征信息和图像特征信息，其中，所述编码特征信息包括以下之一或其任意组合：分辨率和帧率；所述图像特征信息包括以下之一或其任意组合：模糊度、块效应值和噪点值；上述能够量化表示的特征信息能够较为直观地反映视频的画面质量的优劣程度。
另外，所述画质评分模型通过以下方式训练得到：根据所述视频的特征信息，生成训练数据集；根据所述训练数据集，基于预设的回归算法，得到所述画质评分模型；回归算法是利用数据集建立模型并进行训练的算法，通过回归算法得到的模型能够较为准确地预测计算出特定的数值。
另外，所述对所述推荐视频的集合进行推荐，包括：获取各所述推荐视频的内容评分；根据各所述推荐视频的内容评分、画质评分和预设视频权重，计算各所述推荐视频的推荐评分，其中，所述预设视频权重包括内容权重和画质权重；根据各所述推荐视频的推荐评分，按序对各所述推荐视频进行推荐；由于根据预设视频权重是综合了推荐视频的内容质量和画面质量来对推荐视频进行了重新排序，从而使得推荐视频的综合质量得到保障，推荐结果较为符合推荐的需求。
另外，所述视频的模糊度，通过以下公式计算得到：
Figure BDA0002537007050000031
其中，所述L表示所述视频的图像中灰度值的阈值；所述gi表示所述视频的图像中第i个灰度值；所述p(gi)表示所述第i个灰度值在所述图像中的出现概率；所述u表示所述视频的图像中灰度值的平均值；上述提供了一种视频的模糊度的计算方式。
另外，所述回归算法为AdaBoost回归算法；采用AdaBoost回归算法训练模型时训练过程简单高效，能够避免过拟合的问题，且最终得到的模型精度较高，有助于计算得到更为准确的画质评分。
另外，所述获取待推荐视频的集合，包括：根据用户协同过滤算法获取待推荐视频的集合；当采用用户协同过滤算法获取用户的待推荐视频的集合时，能够共用其他用户的兴趣喜好，减少了获取到的待推荐视频的集合不完全或是较片面的情况，能够为用户获取到内容较为新颖的待推荐视频，有助于发掘用户未知的兴趣喜好。
附图说明
一个或多个实施例通过与之对应的附图中的图片进行示例性说明，这些示例性说明并不构成对实施例的限定。
图1是本申请第一实施例中视频推荐方法的流程图；
图2是本申请第二实施例中视频推荐方法的流程图；
图3是本申请第三实施例中视频推荐装置的结构方框图；
图4是本申请第四实施例中电子设备的结构方框图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合附图对本申请的各实施方式进行详细的阐述。然而，本领域的普通技术人员可以理解，在本申请各实施方式中，为了使读者更好地理解本申请而提出了许多技术细节。但是，即使没有这些技术细节和基于以下各实施方式的种种变化和修改，也可以实现本申请所要求保护的技术方案。
本申请的第一实施例涉及一种视频推荐方法，具体流程如图1所示，包括：
步骤101，获取待推荐视频的集合和各待推荐视频的特征信息；
步骤102，根据各待推荐视频的特征信息和预设的画质评分模型，计算各待推荐视频的画质评分；
步骤103，根据各待推荐视频的画质评分，从待推荐视频的集合中获取推荐视频的集合；
步骤104，对推荐视频的集合进行推荐。
下面对本实施方式的视频推荐方法的实现细节进行具体的说明，以下内容仅为方便理解提供的细节，并非实施本方案的必须。
本实施例中的视频推荐方法可以应用于用户通过视频网站或视频APP等观看视频的场景中；当用户打开视频网站或视频APP时，视频平台的***/后台中的视频推荐装置执行本实施例中的视频推荐方法，为用户推荐视频。
在步骤101中，获取待推荐视频的集合和各待推荐视频的特征信息。在实例中，待推荐视频的集合可根据用户协同过滤算法获取得到；例如，将当前用户视作一个整体，根据余弦相似度的计算公式，计算当前用户与其他使用视频平台的用户之间的相似度，然后根据相似度得到当前用户的一个相似用户；获取该相似用户的兴趣喜好所关联的视频，从中筛选出与该相似用户的兴趣喜好的关联程度最高的、且当前用户未观看过的视频的集合，作为当前用户的待推荐视频的集合。通过上述的用户协同过滤算法来获取待推荐视频的集合，就是共用了其他相似用户的兴趣喜好，这样减少了待推荐视频的集合不完全、较片面的情况，能够为用户获取到内容较为新颖的待推荐视频，有助于发掘用户未知的兴趣喜好。可以理解的是，根据其他的方式(算法)为用户获取待推荐视频的集合也是可行的。
具体地说，待推荐视频的特征信息，包括编码特征信息和图像特征信息。
其中，编码特征信息包括以下之一或其任意组合：分辨率和帧率；但对于编码特征信息所包括的内容并不做具体限制，例如，编码特征信息可以包括：分辨率、帧率、空间复杂度、运动复杂度和解码错误率等等。下面对上述举例的编码特征信息进行说明。
(1)分辨率：表示视频中每帧图像的像素点总数，以宽×高表示，可以直接获取得到；
(2)帧率：表示视频每秒播出的图像数，可以直接获取得到；
(3)空间复杂度：表示视频在空域上的复杂度，可以通过以下公式计算得到：
Figure BDA0002537007050000041
其中，C表示空间复杂度；Bits1表示视频的I帧(帧内编码图像帧)的码率之和；QPI表示视频的I帧的量化参数平均值。
(4)运动复杂度：表示视频在频域上的复杂度，可以通过以下公式计算得到：
Figure BDA0002537007050000042
其中，M表示运动复杂度；Bitsp表示视频的P帧(前向预测编码图像帧)的码率之和；QPP表示视频的P帧的量化参数平均值。
(5)解码错误率：表示从视频中抽取用于计算特征信息的图像帧时的错误率，可以通过以下公式计算得到：
Figure BDA0002537007050000051
其中，图像特征信息包括以下之一或其任意组合：模糊度、块效应值和噪点值；但对于图像特征信息所包括的内容并不做具体限制，例如，图像特征信息可以包括：亮度、对比度、清晰度、模糊度、块效应值、熵、噪点值等等。在获取图像特征信息时，可以从视频中抽取一定的图像帧进行计算；下面对上述举例的编码特征信息进行说明。
(1)亮度：表示抽取的图像帧的亮度的平均值；其中，图像帧为YUV格式，可以获取图像帧的Y向量值作为亮度；
(2)对比度：表示抽取的图像帧的对比度，可以通过以下公式计算得到：
对比度＝δ(i,j)2P(i,j)；δ(i,j)2＝|i-j|
其中，δ(i,j)2＝|i-j|表示相邻像素点之间的灰度差值；P(i,j)表示相邻像素点之间的灰度差值为δ的分布概率；
(3)清晰度：表示抽取的图像帧的清晰度，可以通过以下公式计算得到：
Figure BDA0002537007050000052
其中，定义图像帧为I，对图像帧I进行低通滤波得到参考图像帧Ir＝LPF(I)；提取I和Ir的梯度信息，得到I的梯度图像G和Ir的梯度图像Gr；获取G中梯度信息最丰富的N个图像块，记为{xi|i＝1,2,……N}，同样获取Gr中梯度信息最丰富的N个图像块，记为{yi|i＝1,2,……N}；SSIM表示图像结构相似度的计算公式，此处不再赘述；
(4)模糊度：表示抽取的图像帧的模糊度，可以通过以下公式计算得到：
Figure BDA0002537007050000053
其中，L表示图像帧中灰度值的阈值；gi表示图像帧中第i个灰度值；p(gi)表示第i个灰度值在图像帧中的出现概率；u表示图像帧中灰度值的平均值；
(5)块效应值：表示抽取的图像帧的块效应值，首先计算图像帧中8*8块边缘像素的灰度差值，再计算灰度差值的平均值作为图像帧的块效应值；
(6)熵：表示抽取的图像帧的信息熵，可以通过以下公式计算得到：
Figure BDA0002537007050000061
其中，pi表示第i个灰度值在图像帧中出现的概率；L表示灰度级总数，通常取值256，即L-1通常取值255；
(7)噪点值：表示抽取的图像帧的噪点值，首先检测图像帧的边缘像素点，计算边缘像素点与其相邻像素点之间的灰度差值(当灰度差值小于灰度平均值时取灰度差值，当灰度差值大于或等于灰度平均值时取0)；计算各灰度差值的平均值，作为图像帧的噪点值。
可以理解的是，以上编码特征信息和图像特征信息仅为举例说明，并不构成具体限制。
在步骤102中，根据各待推荐视频的特征信息和预设的画质评分模型，计算各待推荐视频的画质评分。具体地说，本实施例中预设的画质评分模型，可以通过以下方式训练得到：
(1)根据视频的编码特征信息和图像特征信息，生成训练数据集；
(2)根据生成的训练数据集，基于预设的回归算法，得到画质评分模型。
具体地说，用于训练的视频，可以是视频网站或视频APP的数据库中已经存储有的视频；视频的编码特征信息和图像特征信息同步骤101中的说明，此处不再赘述。根据视频的编码特征信息和图像特征信息，生成的训练数据集中，可以包括：各项编码特征信息的均值、标准差、偏度、大小处于前25％的编码特征信息的均值、大小处于末25％的编码特征信息的均值，以及各项图像特征信息的均值、标准差、偏度、大小处于前25％的图像特效信息的均值、大小处于末25％的图像特征信息的均值，等等。将上述数据的集合作为训练数据集，采用回归算法对训练数据集进行回归训练，得到画质评分模型；可以理解的是，视频的特征信息能够较为直观地反映视频的画面质量的优劣程度，因此视频的画面质量越高，经过画质评分模型计算得到的画质评分也就越高。
本实施例中的回归算法可以是AdaBoost回归算法，采用AdaBoost回归算法训练模型时训练过程简单高效，能够避免过拟合的问题，且最终得到的模型精度较高，有助于计算得到更为准确的画质评分。
可以理解的是，上述训练数据集中包括的数据、模型的训练过程以及回归算法均为举例说明，并不构成具体限制。
在获取到待推荐视频的特征信息后，将待推荐视频的特征信息作为输入，输入至预设的画质评分模型，得到画质评分模型的输出值，即为待推荐视频的画质评分。
在步骤103中，根据各待推荐视频的画质评分，从待推荐视频的集合中获取推荐视频的集合。可以理解的是，画质评分越高，说明视频的画面质量越好，因此可以根据待推荐视频的画质评分，获取评分排在前N位的视频的集合，作为推荐视频的集合，也就是将待推荐视频的集合中画面质量最高的前N个视频作为了推荐视频的集合。
在步骤104中，对推荐视频的集合进行推荐。具体地说，由于各推荐视频是根据待推荐视频的画质评分的高低获取得到的，因此可以同样根据画质评分的高低对推荐视频进行排序，并按照画质评分由高至低的顺序向用户推荐推荐视频；在实际应用中，可以理解为在视频网站或视频APP上按照画质评分由高至低的顺序显示各推荐视频。
本实施例相对于现有技术而言，获取待推荐视频的集合和各所述待推荐视频的特征信息；根据各所述待推荐视频的特征信息和预设的画质评分模型，计算各所述待推荐视频的画质评分，其中，所述画质评分模型根据视频的特征信息训练得到；根据各所述待推荐视频的画质评分，从所述待推荐视频的集合中获取推荐视频的集合；对所述推荐视频的集合进行推荐。由于视频的特征信息能够较好地反映出视频的画面质量，因此训练得到的画质评分模型能够较为真实准确地计算出用于衡量画面质量的画质评分，计算出的画质评分的可参考价值较高；可以理解的是，获取到的待推荐视频的集合能够贴合用户的喜好，在此基础上根据待推荐视频的画质评分获取到推荐视频的集合，也就是将视频的画面质量也作为了推荐视频的参考因素之一，从而使得获取到的各推荐视频的内容质量和画面质量都得到保障，以提升用户的观看体验以及对视频平台的用户黏度。
本申请第二实施例涉及一种视频推荐方法，本实施方式与第一实施例大致相同，主要区别在于：提供了获取推荐视频的集合及对推荐视频的集合进行推荐的具体实现方式。本实施例中视频推荐方法的具体流程如图2所示，下面对图2的流程做具体说明：
步骤201，获取待推荐视频的集合和各待推荐视频的特征信息；此步骤与步骤101大致相似，此处不再赘述。
步骤202，根据各待推荐视频的特征信息和预设的画质评分模型，计算各待推荐视频的画质评分；此步骤与步骤102大致相似，此处不再赘述。
步骤203，根据各待推荐视频的画质评分和预设评分下限值，对待推荐视频进行筛选，得到推荐视频的集合。
具体地说，在计算各待推荐视频的画质评分后，根据预设的评分下限值，对待推荐视频进行筛选，过滤掉画质评分低于评分下限值的待推荐视频，将剩下的待推荐视频的集合作为推荐视频的集合，从而有效过滤掉画面质量较低的视频，从而使得画面质量较低的视频不会被推荐至用户，也就是保障了用户的观看体验。
更具体地说，还可预设推荐视频数量；当过滤掉画面质量较低的视频后，如果得到的推荐视频数量小于预设推荐视频数量，则可从视频网站或视频APP的数据库中已经存储有的视频中选择热门且画质评分高于评分下限值的视频，补充至推荐视频的集合中去，使得得到的推荐视频的数量不至于过少，避免了提供给用户的推荐视频不够丰富的情况。
步骤204，获取各推荐视频的内容评分；根据各推荐视频的内容评分、画质评分和预设视频权重，计算各推荐视频的推荐评分；根据各推荐视频的推荐评分，按序对各推荐视频进行推荐。
具体地说，如步骤101中的说明，在根据用户协同过滤算法获取待推荐视频的集合时，是从当前用户的相似用户的兴趣喜好所关联的视频中，筛选出与该相似用户的兴趣喜好的关联程度最高的、且当前用户未观看过的视频的集合，作为当前用户的待推荐视频的集合，因此视频的关联程度的高低可以视作视频的内容评分；又由于推荐视频是从待推荐视频中筛选得到的，因此推荐视频的内容评分是可以直接获取得到的。在得到推荐视频的内容评分和画质评分后，根据评分和预设视频权重重新计算出推荐视频的推荐评分；再根据推荐评分，按序对各推荐视频进行推荐。本步骤中，预设视频权重可以理解为包括视频的内容权重和视频的画质权重，例如，(内容权重：画质权重＝0.6：0.4)，说明较为侧重视频的内容来计算视频的推荐评分；(内容权重：画质权重＝0.2：0.8)，说明较为侧重视频的画质来计算视频的推荐评分。
在实例中，预设的内容权重：画质权重＝0.6：0.4，推荐视频A的内容评分为8，画质评分为4，推荐视频B的内容评分为2，画质评分为8；根据上述数据，计算得到推荐视频A的推荐评分为(8×0.6+4×0.4＝6.4)，推荐视频B的推荐评分为(2×0.6+8×0.4＝4.4)；由于(6.4＞4..4)，因此按序将推荐视频A排列在推荐视频B之前进行推荐。通过上述方式，使得推荐视频的综合质量得到保障，推荐结果较为符合推荐的需求。
本实施例相对于现有技术而言，根据各待推荐视频的画质评分和预设评分下限值，对待推荐视频进行筛选，得到推荐视频的集合，从而能够有效过滤掉画面质量较低的视频，使得画面质量较低的视频不会被推荐至用户，也就是保障了用户的观看体验；并且在推荐推荐视频时，综合了预设的视频权重对推荐视频进行了排序，使得推荐结果较为符合推荐的需求。
本申请第三实施例涉及一种视频推荐装置，如图3所示，包括：第一获取模块301，评分模块302，第二获取模块303和推荐模块304。
第一获取模块301，用于获取待推荐视频的集合和各所述待推荐视频的特征信息；
评分模块302，用于根据各所述待推荐视频的特征信息和预设的画质评分模型，计算各所述待推荐视频的画质评分，其中，所述画质评分模型根据视频的特征信息训练得到；
第二获取模块303，用于根据各所述待推荐视频的画质评分，从所述待推荐视频的集合中获取推荐视频的集合；
推荐模块304，用于对所述推荐视频的集合进行推荐。
在一个实例中，特征信息包括编码特征信息和图像特征信息，其中，所述编码特征信息包括以下之一或其任意组合：分辨率和帧率；所述图像特征信息包括以下之一或其任意组合：模糊度、块效应值和噪点值。
在一个实例中，画质评分模型通过以下方式训练得到：根据所述视频的特征信息，生成训练数据集；根据所述训练数据集，基于预设的回归算法，得到所述画质评分模型。
在一个实例中，推荐模块304对所述推荐视频的集合进行推荐，包括：获取各所述推荐视频的内容评分；根据各所述推荐视频的内容评分、画质评分和预设视频权重，计算各所述推荐视频的推荐评分，其中，所述预设视频权重包括内容权重和画质权重；根据各所述推荐视频的推荐评分，按序对各所述推荐视频进行推荐。
在一个实例中，模糊度，通过以下公式计算得到：
Figure BDA0002537007050000091
其中，所述L表示所述视频的图像中灰度值的阈值；所述gi表示所述视频的图像中第i个灰度值；所述p(gi)表示所述第i个灰度值在所述图像中的出现概率；所述u表示所述视频的图像中灰度值的平均值。
在一个实例中，回归算法为AdaBoost回归算法。
在一个实例中，第一获取模块301获取待推荐视频的集合，包括：根据用户协同过滤算法获取待推荐视频的集合。
不难发现，本实施例为与第一或第二实施例的相对应的装置实施例，本实施例可与第一或第二实施例互相配合实施。第一或第二实施例中提到的相关技术细节在本实施例中依然有效，为了减少重复，这里不再赘述。相应的，实施例中提到的相关技术细节也可应用在第一或第二实施例中。
值得一提的是，本实施例中所涉及到的各模块均为逻辑模块，在实际应用中，一个逻辑单元可以是一个物理单元，也可以是一个物理单元的一部分，还可以以多个物理单元的组合实现。此外，为了突出本申请的创新部分，本实施例中并没有将与解决本申请所提出的技术问题关系不太密切的单元引入，但这并不表明本实施例中不存在其它的单元。
本申请第四实施例涉及一种电子设备，如图4所示，该电子设备至少包括至少一个处理器401；以及，与至少一个处理器401通信连接的存储器402；以及，与至少一个处理器401连接的通信组件403，通信组件403在处理器401的控制下接收和发送数据；其中，存储器402存储有可被至少一个处理器401执行的指令，指令被至少一个处理器401执行以实现：获取待推荐视频的集合和各所述待推荐视频的特征信息；根据各所述待推荐视频的特征信息和预设的画质评分模型，计算各所述待推荐视频的画质评分，其中，所述画质评分模型根据视频的特征信息训练得到；根据各所述待推荐视频的画质评分，从所述待推荐视频的集合中获取推荐视频的集合；对所述推荐视频的集合进行推荐。
具体地，该电子设备包括：一个或多个处理器401以及存储器402，图4中以一个处理器401为例。处理器401、存储器402可以通过总线或者其他方式连接，图4中以通过总线连接为例。存储器402作为一种计算机可读存储介质，可用于存储计算机软件程序、计算机可执行程序以及模块。处理器401通过运行存储在存储器402中的计算机软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述视频推荐方法。
存储器402可以包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需要的应用程序；存储数据区可存储选项列表等。此外，存储器402可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，存储器402可选包括相对于处理器401远程设置的存储器，这些远程存储器可以通过网络连接至外接设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
一个或者多个模块存储在存储器402中，当被一个或者多个处理器401执行时，执行上述任意方法实施例中的视频推荐方法。
上述产品可执行本申请实施例所提供的方法，具备执行方法相应的功能模块和有益效果，未在本实施例中详尽描述的技术细节，可参见本申请实施例所提供的方法。
本申请第五实施例涉及一种计算机可读存储介质，存储有计算机程序。计算机程序被处理器执行时实现上述视频推荐方法实施例。
即，本领域技术人员可以理解，实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得一个设备(可以是单片机，芯片等)或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本领域的普通技术人员可以理解，上述各实施方式是实现本申请的具体实施例，而在实际应用中，可以在形式上和细节上对其作各种改变，而不偏离本申请的精神和范围。

Claims (10)

1.一种视频推荐方法，其特征在于，包括：
获取待推荐视频的集合和各所述待推荐视频的特征信息；
根据各所述待推荐视频的特征信息和预设的画质评分模型，计算各所述待推荐视频的画质评分，其中，所述画质评分模型根据视频的特征信息训练得到；
根据各所述待推荐视频的画质评分，从所述待推荐视频的集合中获取推荐视频的集合；
对所述推荐视频的集合进行推荐。
2.根据权利要求1所述的视频推荐方法，其特征在于，所述特征信息包括编码特征信息和图像特征信息，其中，所述编码特征信息包括以下之一或其任意组合：分辨率和帧率；所述图像特征信息包括以下之一或其任意组合：模糊度、块效应值和噪点值。
3.根据权利要求1或2任一项所述的视频推荐方法，其特征在于，所述画质评分模型通过以下方式训练得到：
根据所述视频的特征信息，生成训练数据集；
根据所述训练数据集，基于预设的回归算法，得到所述画质评分模型。
4.根据权利要求1所述的视频推荐方法，其特征在于，所述对所述推荐视频的集合进行推荐，包括：
获取各所述推荐视频的内容评分；
根据各所述推荐视频的内容评分、画质评分和预设视频权重，计算各所述推荐视频的推荐评分，其中，所述预设视频权重包括内容权重和画质权重；
根据各所述推荐视频的推荐评分，按序对各所述推荐视频进行推荐。
5.根据权利要求2所述的视频推荐方法，其特征在于，所述模糊度，通过以下公式计算得到：
Figure FDA0002537007040000011
其中，所述L表示所述视频的图像中灰度值的阈值；所述gi表示所述视频的图像中第i个灰度值；所述p(gi)表示所述第i个灰度值在所述图像中的出现概率；所述u表示所述视频的图像中灰度值的平均值。
6.根据权利要求2所述的视频推荐方法，其特征在于，所述回归算法为AdaBoost回归算法。
7.根据权利要求1所述的视频推荐方法，其特征在于，所述获取待推荐视频的集合，包括：
根据用户协同过滤算法获取待推荐视频的集合。
8.一种视频推荐装置，其特征在于，包括：第一获取模块，评分模块，第二获取模块和推荐模块；
所述第一获取模块，用于获取待推荐视频的集合和各所述待推荐视频的特征信息；
所述评分模块，用于根据各所述待推荐视频的特征信息和预设的画质评分模型，计算各所述待推荐视频的画质评分，其中，所述画质评分模型根据视频的特征信息训练得到；
所述第二获取模块，用于根据各所述待推荐视频的画质评分，从所述待推荐视频的集合中获取推荐视频的集合；
所述推荐模块，用于对所述推荐视频的集合进行推荐。
9.一种电子设备，其特征在于，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任一项所述的视频推荐方法。
10.一种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7中任一项所述的视频推荐方法。
CN202010535770.1A 2020-06-12 2020-06-12 视频推荐方法、装置、电子设备及存储介质 Pending CN111767428A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010535770.1A CN111767428A (zh) 2020-06-12 2020-06-12 视频推荐方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010535770.1A CN111767428A (zh) 2020-06-12 2020-06-12 视频推荐方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN111767428A true CN111767428A (zh) 2020-10-13

Family

ID=72720829

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010535770.1A Pending CN111767428A (zh) 2020-06-12 2020-06-12 视频推荐方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN111767428A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112203152A (zh) * 2020-11-30 2021-01-08 华东交通大学 多模态对抗学习型视频推荐方法和***
CN113709570A (zh) * 2020-09-25 2021-11-26 天翼智慧家庭科技有限公司 基于iptv探针数据来推荐带宽的装置和方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103533367A (zh) * 2013-10-23 2014-01-22 传线网络科技（上海）有限公司 一种无参考视频质量评价方法及装置
US20180152763A1 (en) * 2016-11-30 2018-05-31 Facebook, Inc. Recommendation system to enhance video content recommendation
CN111104550A (zh) * 2018-10-09 2020-05-05 北京奇虎科技有限公司 视频推荐方法、装置、电子设备及计算机可读存储介质
CN111163338A (zh) * 2019-12-27 2020-05-15 广州市百果园网络科技有限公司 视频清晰度评估模型训练方法、视频推荐方法及相关装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103533367A (zh) * 2013-10-23 2014-01-22 传线网络科技（上海）有限公司 一种无参考视频质量评价方法及装置
US20180152763A1 (en) * 2016-11-30 2018-05-31 Facebook, Inc. Recommendation system to enhance video content recommendation
CN111104550A (zh) * 2018-10-09 2020-05-05 北京奇虎科技有限公司 视频推荐方法、装置、电子设备及计算机可读存储介质
CN111163338A (zh) * 2019-12-27 2020-05-15 广州市百果园网络科技有限公司 视频清晰度评估模型训练方法、视频推荐方法及相关装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113709570A (zh) * 2020-09-25 2021-11-26 天翼智慧家庭科技有限公司 基于iptv探针数据来推荐带宽的装置和方法
CN112203152A (zh) * 2020-11-30 2021-01-08 华东交通大学 多模态对抗学习型视频推荐方法和***

Similar Documents

Publication Publication Date Title
CN109286825B (zh) 用于处理视频的方法和装置
CN111107395B (zh) 一种视频转码的方法、装置、服务器和存储介质
CN110418177B (zh) 视频编码方法、装置、设备和存储介质
CN112312231B (zh) 一种视频图像编码方法、装置、电子设备及介质
CN111182303A (zh) 共享屏幕的编码方法、装置、计算机可读介质及电子设备
CN114554211A (zh) 内容自适应视频编码方法、装置、设备和存储介质
CN111182300B (zh) 编码参数的确定方法、装置、设备及存储介质
CN111263243B (zh) 视频编码方法、装置、计算机可读介质及电子设备
CN111767428A (zh) 视频推荐方法、装置、电子设备及存储介质
CN111385577B (zh) 视频转码方法、装置、计算机设备和计算机可读存储介质
CN110740316A (zh) 数据编码方法及装置
JP6217643B2 (ja) 動画像符号化装置
CN110766637A (zh) 一种视频处理方法、处理装置、电子设备及存储介质
CN113452996B (zh) 一种视频编码、解码方法及装置
CN106664404A (zh) 视频编码中的块分割方式处理方法和相关装置
CN112437301A (zh) 一种面向视觉分析的码率控制方法、装置、存储介质及终端
CN116471262A (zh) 视频质量评估方法、装置、设备、存储介质及程序产品
CN116980604A (zh) 视频编码方法、视频解码方法及相关设备
CN112565819B (zh) 一种视频数据处理的方法及装置、电子设备、存储介质
CN116074528A (zh) 视频编码方法及装置、编码信息调度方法及装置
US20230319327A1 (en) Methods, systems, and media for determining perceptual quality indicators of video content items
WO2024109138A1 (zh) 视频编码方法、装置及存储介质
CN118118682A (zh) 图像转码方法及装置、电子设备、存储介质
CN116347070A (zh) 一种图像处理方法、装置及设备、存储介质、产品
Hensman Intra-prediction for video coding with neural networks

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