CN112364203A - 电视视频推荐方法、装置、服务器和存储介质 - Google Patents
电视视频推荐方法、装置、服务器和存储介质 Download PDFInfo
- Publication number
- CN112364203A CN112364203A CN202011384890.2A CN202011384890A CN112364203A CN 112364203 A CN112364203 A CN 112364203A CN 202011384890 A CN202011384890 A CN 202011384890A CN 112364203 A CN112364203 A CN 112364203A
- Authority
- CN
- China
- Prior art keywords
- video
- role
- roles
- television
- television equipment
- 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
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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
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)
- Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请提供一种电视视频推荐方法、装置、服务器和存储介质,涉及数字电视技术领域。该方法包括:接收电视设备发送的操作请求,操作请求包括:电视设备的标识信息和操作电视设备的用户行为数据;根据标识信息,得到电视设备对应的视频矩阵、电视设备对应的视频推荐模型,和电视设备的家庭画像特征,视频矩阵包括:多个角色的推荐视频;采用视频推荐模型,对用户行为数据、家庭画像特征和视频矩阵进行处理,以从视频矩阵中确定目标角色的推荐视频;向电视设备推送目标角色的推荐视频。通过本申请以便为每个家庭角色提供个性化推荐服务,提高推荐效果。
Description
技术领域
本发明涉及数字电视技术领域,具体而言,涉及一种电视视频推荐方法、装置、服务器和存储介质。
背景技术
为提高用户体验效果,数字电视网络为用户提供的交互信息推荐***,可针对用户行为数据进行采集,并与视频产品数据进行关联度挖掘计算,以为用户筛选合适的内容。
但是,针对家庭智能电视的视频推荐,其个性化推荐的难点在于:家庭智能电视设备所面向的是多个家庭角色,很难直接获得每个家庭角色的兴趣。现有的针对每个家庭角色的视频推荐方法,主要是针对每个家庭角色所浏览的视频节目的类型或受众群体,以区分家庭角色。
但是,由于视频视频库中的内容每天会发生大量的变化,且每个家庭角色的兴趣也是动态变化的,无法为每个家庭角色实时推荐满意的结果。
发明内容
本发明的目的在于,针对上述现有技术中的不足,提供一种电视视频推荐方法、装置、服务器和存储介质,以便为每个家庭角色提供个性化推荐服务,提高推荐效果。
为实现上述目的,本申请实施例采用的技术方案如下:
第一方面,本申请实施例提供了一种电视视频推荐方法,包括:
接收电视设备发送的操作请求,所述操作请求包括:所述电视设备的标识信息和操作所述电视设备的用户行为数据;
根据所述标识信息,得到所述电视设备对应的视频矩阵、所述电视设备对应的视频推荐模型,和所述电视设备的家庭画像特征,所述视频矩阵包括:多个角色的推荐视频;
采用所述视频推荐模型,对所述用户行为数据、所述家庭画像特征和所述视频矩阵进行处理,以从所述视频矩阵中确定目标角色的推荐视频;
向所述电视设备推送所述目标角色的推荐视频。
可选的,所述根据所述标识信息,得到所述电视设备对应的视频矩阵、所述电视设备对应的视频推荐模型,和所述电视设备的家庭画像特征之前,所述方法还包括:
采用所述视频推荐模型,对所述电视设备的历史用户画像特征、所述历史用户画像特征对应的历史视频画像特征,和候选视频进行处理,以从所述候选视频中确定所述多个角色的推荐视频。
可选的,所述视频推荐模型包括:胶囊网络和注意力模型;所述采用所述视频推荐模型,对所述电视设备的历史用户画像特征、所述历史用户画像特征对应的历史视频画像特征,和候选视频进行处理,以从所述候选视频中确定所述多个角色的推荐视频,包括:
采用所述胶囊网络,对所述电视设备的历史用户画像特征和所述历史用户画像特征对应的历史视频画像特征进行处理,得到所述多个角色的特征向量;
采用所述注意力模型,对所述多个角色的特征向量和所述候选视频进行处理,以从所述候选视频中确定所述多个角色的推荐视频。
可选的,所述视频推荐模型还包括:多个全连接层;所述采用所述注意力模型,对所述多个角色的特征向量和候选视频进行处理,以从所述候选视频中确定所述多个角色的推荐视频之前,所述方法还包括:
分别采用所述多个全连接层,对所述多个角色的特征向量进行处理,得到所述多个角色的目标特征向量;
所述采用所述注意力模型,对所述多个角色的特征向量和候选视频进行处理,以从所述候选视频中确定所述多个角色的推荐视频,包括:
采用所述注意力模型,对所述多个角色的目标特征向量和所述候选视频进行处理,以从所述候选视频中确定所述多个角色的推荐视频。
可选的,所述采用所述视频推荐模型,对所述用户行为数据、所述家庭画像特征和所述视频矩阵进行处理,以从所述视频矩阵中确定目标角色的推荐视频,包括:
采用所述胶囊网络,对所述用户行为数据、所述家庭画像特征进行处理,得到所述目标角色的特征向量;
采用所述目标角色对应的全连接层,对所述目标角色的特征向量进行处理,得到所述目标角色的目标特征向量;
采用所述注意力模型,对所述目标角色的目标特征向量和所述视频矩阵进行处理,以从所述视频矩阵中确定所述目标角色的推荐视频。
可选的,所述胶囊网络包括:角色建模模块和角色路由模块,所述采用所述胶囊网络,对所述电视设备的历史用户画像特征和所述历史用户画像特征对应的历史视频画像特征进行处理,得到所述多个角色的特征向量,包括:
采用所述角色建模模块,对所述历史视频画像特征进行角色建模,得到所述多个角色的视频特征;
采用所述角色路由模块,对所述多个角色的视频特征和所述历史用户画像特征进行角色路由,得到所述多个角色的特征向量,每个角色的特征向量包括:所述每个角色的视频特征和所述每个角色的画像特征。
可选的,所述角色路由模块包括:第一胶囊和第二胶囊;所述采用所述角色路由模块,对所述多个角色的视频特征和所述历史用户画像特征进行角色路由,得到所述多个角色的特征向量,包括:
采用所述第一胶囊,对所述所述历史用户画像特征进行特征学习,得到所述多个角色的画像特征;
采用所述第二胶囊,对所述多个角色的视频特征和所述多个角色的画像特征进行处理,以建立所述每个角色的视频特征和画像特征的对应关系,得到所述每个角色的特征向量。
第二方面,本申请实施例还提供一种电视视频推荐装置,所述装置包括:
请求接收模块,用于接收电视设备发送的操作请求,所述操作请求包括:所述电视设备的标识信息和操作所述电视设备的用户行为数据;
调用模块,用于根据所述标识信息,得到所述电视设备对应的视频矩阵、所述电视设备对应的视频推荐矩阵模型,和所述电视设备的家庭画像特征,所述视频矩阵包括:多个角色的推荐视频;
在线视频确定模块,用于采用所述视频推荐模型,对所述用户行为数据、所述家庭画像特征和所述视频矩阵进行处理,以从所述视频矩阵中确定目标角色的推荐视频;
推荐模块,用于向所述电视设备推送所述目标角色的推荐视频。
可选的,在上述调用模块之前,所述装置还包括:
离线视频确定模块,用于采用所述视频推荐模型,对所述电视设备的历史用户画像特征、所述历史用户画像特征对应的历史视频画像特征,和候选视频进行处理,以从所述候选视频中确定所述多个角色的推荐视频。
可选的,所述视频推荐模型包括:胶囊网络和注意力模型;所述离线视频确定模块包括:
离线胶囊网络单元,用于采用所述胶囊网络,对所述电视设备的历史用户画像特征和所述历史用户画像特征对应的历史视频画像特征进行处理,得到所述多个角色的特征向量;
离线注意力单元,用于采用所述注意力模型,对所述多个角色的特征向量和所述候选视频进行处理,以从所述候选视频中确定所述多个角色的推荐视频。
可选的,所述视频推荐模型还包括:多个全连接层;在所述离线注意力单元之前,所述装置还包括:
离线全连接层单元,用于分别采用所述多个全连接层,对所述多个角色的特征向量进行处理,得到所述多个角色的目标特征向量;
所述注意力单元,用于采用所述注意力模型,对所述多个角色的目标特征向量和所述候选视频进行处理,以从所述候选视频中确定所述多个角色的推荐视频。
可选的,所述在线视频确定模块包括:
在线胶囊网络单元,用于采用所述胶囊网络,对所述用户行为数据、所述家庭画像特征进行处理,得到所述目标角色的特征向量;
在线全连接层单元,用于采用所述目标角色对应的全连接层,对所述目标角色的特征向量进行处理,得到所述目标角色的目标特征向量;
在线注意力单元,用于采用所述注意力模型,对所述目标角色的目标特征向量和所述视频矩阵进行处理,以从所述视频矩阵中确定所述目标角色的推荐视频。
可选的,所述胶囊网络包括:角色建模模块和角色路由模块,所述离线胶囊网络单元包括:
角色建模单元,用于采用所述角色建模模块,对所述历史视频画像特征进行角色建模,得到所述多个角色的视频特征;
角色路由单元,用于采用所述角色路由模块,对所述多个角色的视频特征和所述历史用户画像特征进行角色路由,得到所述多个角色的特征向量,每个角色的特征向量包括:所述每个角色的视频特征和所述每个角色的画像特征。
可选的,所述角色路由模块包括:第一胶囊和第二胶囊;所述接收路由单元包括:
第一胶囊单元,用于采用所述第一胶囊,对所述所述历史用户画像特征进行特征学习,得到所述多个角色的画像特征;
第二胶囊单元,用于采用所述第二胶囊,对所述多个角色的视频特征和所述多个角色的画像特征进行处理,以建立所述每个角色的视频特征和画像特征的对应关系,得到所述每个角色的特征向量。
第三方面,本申请实施例还提供一种服务器,包括:存储器和处理器,所述存储器存储有所述处理器可执行的计算机程序,所述处理器执行所述计算机程序,以执行时执行如上述任一所述的电视视频推荐方法的步骤。
第四方面,本申请实施例还提供一种存储介质,所述存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行如上述任一所述的电视视频推荐方法的步骤。
本申请的有益效果是:
本申请提供的电视视频推荐方法、装置、服务器和存储介质,基于电视设备发送的操作请求中的标识信息,得到电视设备对应的视频矩阵、视频推荐模型和家庭画像特征,采用视频推荐模型,对操作请求中的用户行为数据、家庭画像特征和视频矩阵进行处理,以从视频矩阵的多个角色的推荐视频中确定目标角色的推荐视频,并向电视设备推送目标角色的推荐视频。通过本方法,可区分电视设备的多个家庭角色,实现针对电视设备的多个家庭角色分别进行视频推荐,为每个角色提供个性化推荐服务,确保所推荐视频更符合当前角色的兴趣,提高推荐效果。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本申请实施例提供的第一种电视视频推荐方法的流程示意图;
图2为本申请实施例提供的第二种电视视频推荐方法的流程示意图;
图3为本申请实施例提供的第三种电视视频推荐方法的流程示意图;
图4为本申请实施例提供的第四种电视视频推荐方法的流程示意图;
图5为本申请实施例提供的第五种电视视频推荐方法的流程示意图;
图6为本申请实施例提供的一种电视视频推荐装置的结构示意图;
图7为本申请实施例提供的服务器的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
本申请实施例提供的一种电视视频推荐方法,其执行主体可以为具有电视视频推荐功能的服务器,电视设备为服务器向用户推送电视视频的平台,电视设备可以为电视盒子,或,集成有电视盒子的智能电视机。
电视设备与服务器之间通信连接,其通信服务协议框架可以为nginx(web服务框架),服务器包括模型服务群、在线存储文件和多个电视设备的家庭画像特征,模型服务群中预先设有多个电视设备的视频推荐模型和每个视频推荐模型的视频矩阵,在线存储文件中预设建立了用户行为数据索引对照表,电视设备将用户的操作请求发送给服务器,服务器可根据用户操作电视设备的用户行为数据,从在线存储文件中调用用户行为数据索引,并根据电视设备的标识信息从模型服务群中调用电视设备对应的视频推荐模型和视频矩阵,以及电视设备的家庭画像特征,服务器采用该视频推荐模型,对调用的用户行为数据、家庭画像特征和视频矩阵进行处理,以从视频矩阵中确定目标角色的推荐视频,并向电视设备推送该目标角色的电视视频。本申请实施例除了可以向电视设备推荐电视视频之外,还可以向电视设备推荐音频。
以下结合附图通过多个实施例对本申请实施例提供的电视视频推荐方法进行说明。图1为本申请实施例提供的第一种电视视频推荐方法的流程示意图;如图1所示,该方法包括:
S100:接收电视设备发送的操作请求。
其中,操作请求包括:电视设备的标识信息和操作电视设备的用户行为数据。电视设备的标识信息为电视设备出厂时配置的可以表示电视设备相关信息的唯一标识,例如可以为电视设备出厂时配置的条形码或二维码,每个电视设备具有唯一的标识信息。用户行为数据为用户对电视设备所提供的功能或内容进行操作所产生的行为信息,如观看内容、观看时间等。
电视设备基于用户的操作请求,将电视设备的标识信息和操作电视设备的用户行为数据发送给服务器。
S200:根据标识信息,得到电视设备对应的视频矩阵、电视设备对应的视频推荐矩阵,和电视设备的家庭画像特征。
具体的,服务器包括模型服务群、在线存储文件和多个电视设备的家庭画像特征,模型服务群中预先设有多个电视设备的视频推荐模型和每个视频推荐模型的视频矩阵,在线存储文件中预设建立了用户行为数据索引对照表。其中,视频矩阵包括:多个角色的推荐视频。
视频推荐模型为经过预先训练得到的可以根据用户行为数据为用户推荐视频的模型。视频矩阵为采用视频推荐模型,对电视设备的历史特征进行学习得到的基于用户历史兴趣的视频的集合。
用户行为数据索引对照表为预先对用户的历史行为数据进行分析,建立的表征用户行为特征和用户行为数据对应关系的索引对照表。
服务器根据接收到的标识信息,得到该电视设备的家庭画像特征,并从模型服务群中获取该电视设备的视频推荐模型,和该视频推荐模型的视频矩阵。
在一种可选实施方式中,家庭画像特征是通过对电视设备的历史用户行为数据和该历史行为数据对应的历史视频画像特征进行聚类分析,得到的可以表征该电视设备的家庭历史兴趣和历史偏好的家庭画像特征,家庭画像特征可以包括电视设备的标识信息、家庭偏好时间段、偏好视频类型等信息的特征。
S300:采用视频推荐模型,对用户行为数据、家庭画像特征和视频矩阵进行处理,以从视频矩阵中确定目标角色的推荐视频。
具体的,根据用户行为数据索引对照表得到的用户行为特征,将用户行为特征和家庭画像特征输入视频推荐模型,对用户行为特征和家庭画像特征进行学习,以得到在线角色特征,将视频矩阵输入视频推荐模型,对在线角色特征和视频矩阵中的多个角色的推荐视频进行相似度计算,以从多个角色的推荐视频中,选择可以表征在线角色特征的目标角色的推荐视频。
S400:向电视设备推送目标角色的推荐视频。
具体的,服务器从预设的视频数据库中调用目标角色的推荐视频,并向电视设备推送,电视设备基于目标角色的推荐视频在显示设备上进行展示,以供用户选择。
综上所述,本申请实施例提供一种电视视频推荐方法,基于电视设备发送的操作请求中的标识信息,得到电视设备对应的视频矩阵、视频推荐模型和家庭画像特征,采用视频推荐模型,对操作请求中的用户行为数据、家庭画像特征和视频矩阵进行处理,以从视频矩阵的多个角色的推荐视频中确定目标角色的推荐视频,并向电视设备推送目标角色的推荐视频。通过本方法,可区分电视设备的多个家庭角色,实现针对电视设备的多个家庭角色分别进行视频推荐,为每个角色提供个性化推荐服务,确保所推荐视频更符合当前角色的兴趣,提高推荐效果。
在上述实施例的基础上,本申请实施例还提供一种电视视频推荐方法,在上述S200之前,该方法还包括:采用视频推荐模型,对电视设备的历史用户画像特征、历史用户画像特征对应的历史视频画像特征,和候选视频进行处理,以从候选视频中确定多个角色的推荐视频。
具体的,历史用户画像特征是通过对电视设备的历史用户行为数据和该历史行为数据对应的历史视频画像特征进行聚类分析,得到的可以表征该电视设备的用户历史兴趣和历史偏好的特征。以预设时间段内的历史用户行为数据和历史视频画像特征的更新,更新历史用户画像特征。示例的,预设时间段例如可以为24小时,或,48小时,以实际需求为准,不断更新历史用户画像特征。
将最近的预设时间段内的历史用户画像特征和历史视频画像特征输入至视频推荐模型,对历史用户画像特征和历史视频画像特征进行学习,得到多个历史角色特征,将候选视频输入至视频推荐模型,对多个历史角色特征和候选视频进行相似度计算,以从候选视频中确定多个角色的推荐视频。
本申请实施例提供的电视视频推荐方法,采用视频推荐模型,对电视设备的历史用户画像特征、历史用户画像特征对应的历史视频画像特征,和候选视频进行处理,以从候选视频中确定多个角色的推荐视频。本申请的方法,采用视频推荐模型对历史用户画像特征和历史视频画像特征进行特征学习,以得到多个角色的特征,根据多个角色的特征,从候选视频中选择每个角色的推荐视频,从而根据历史用户画像特征和历史视频画像特征分析出电视设备所面向的多个角色,为每个角色提供推荐视频,实现针对电视设备的多个家庭角色分别进行视频推荐,为每个角色提供个性化推荐服务,确保所推荐视频更符合当前角色的兴趣,提高推荐效果。
在上述任一实施例的基础上,本申请实施例还提供一种电视视频推荐方法,该方法中,视频推荐模型包括:胶囊网络和注意力模型,图2为本申请实施例提供的第二种电视视频推荐方法的流程示意图,如图2所示,上述从候选视频中确定多个角色的推荐视频,包括:
S500:采用胶囊网络,对电视设备的历史用户画像特征和历史用户画像特征对应的历史视频画像特征进行处理,得到多个角色的特征向量。
具体的,胶囊网络可用于学习历史视频画像特征中隐含的多个角色与历史用户画像特征中隐含的多个角色之间的关系,并学习每个角色的历史视频画像特征和历史用户画像特征,得到多个角色的特征向量。
S600:采用注意力模型,对多个角色的特征向量和候选视频进行处理,以从候选视频中确定多个角色的推荐视频。
具体的,将多个角色的特征向量和候选视频输入至注意力模型,判断多个候选视频分给多个角色的概率值,并将候选视频分给对应的概率值最大的角色,以得到多个角色的推荐视频,将多个角色的推荐视频作为视频矩阵。
在一种可选实时方式中,在上述S600之前,视频推荐模型还包括:多个全连接层该方法还包括:
分别采用多个全连接层,对多个角色的特征向量进行处理,得到多个角色的目标特征向量。
具体的,经过上述S500得到多个角色的特征向量后,将多个角色的特征向量输入至多个全连接层,每个全连接层对每个角色的特征向量进行深度学习,以得到多个角色的目标特征向量。
在此之后,采用注意力模型,对多个角色的目标特征向量和候选视频进行处理,以从候选视频中确定多个角色的推荐视频。
采用多个全连接层对多个角色的特征向量进行深度学习,使得到的多个角色的目标特征向量可以更加准确的表征多个角色的兴趣,从而更好、更准确的从候选视频中为多个角色选择推荐视频。
本申请实施例提供的电视视频推荐方法,采用胶囊网络,对电视设备的历史用户画像特征和历史用户画像特征对应的历史视频画像特征进行处理,得到多个角色的特征向量,采用注意力模型,对多个角色的特征向量和候选视频进行处理,以从候选视频中确定多个角色的推荐视频。通过胶囊网络可以更好地学习到电视设备的多个角色的特征向量,采用注意力模型,确定多个候选视频注意力最高的多个角色,作为多个角色的推荐视频,确保为每个角色推荐最符合角色兴趣的视频,提高推荐效果。
在上述任一实施例的基础上,本申请实施例还提供一种电视视频推荐方法,图3为本申请实施例提供的第三种电视视频推荐方法的流程示意图,如图3所示,上述S300包括:
S301:采用胶囊网络,对用户行为数据、家庭画像特征进行处理,得到目标角色的特征向量。
具体的,根据用户行为数据索引对照表得到的用户行为特征,将用户行为特征和家庭画像特征输入胶囊网络,根据胶囊网络确定该用户行为数据对应的目标角色,并通过胶囊网络从用户行为特征和家庭画像特征中学习该目标角色的特征向量。
S302:采用目标角色对应的全连接层,对目标角色的特征向量进行处理,得到目标角色的目标特征向量。
具体的,根据目标角色的特征向量,调用该目标角色对应的全连接层,对该目标角色的特征向量进行深度学习,得到可以更加准确表征目标角色的兴趣的目标特征向量。
S303:采用注意力模型,对目标角色的目标特征向量和视频矩阵进行处理,以从视频矩阵中确定目标角色的推荐视频。
具体的,将目标角色的特征向量和视频矩阵输入至注意力模型,判断将视频矩阵中多个角色的推荐视频分给目标角色的概率,并将概率值最大的推荐视频作为目标角色的推荐视频,服务器将该目标角色的推荐视频发送给电视设备进行推送。
本申请实施例提供的电视视频推荐方法,采用胶囊网络,对用户行为数据、家庭画像特征进行处理,以得到用户行为数据对应的目标角色的特征向量,采用目标角色对应的全连接层,对目标角色的特征向量进行深度学习,得到目标角色的目标特征向量,并基于注意力模型,从视频矩阵中确定更符合目标角色的推荐视频。本方案所采用的视频推荐模型,采用胶囊网络、全连接层和注意力模型,可以更好的基于在线的用户行为数据,为在线角色进行视频推荐,提高角色的满意度。
在上述任一实施例的基础上,本申请实施例还提供一种电视视频推荐方法,胶囊网络包括:角色建模模块和角色路由模块,图4为本申请实施例提供的第四种电视视频推荐方法的流程示意图,如图4所示,上述S500包括:
S501:采用角色建模模块,对历史视频画像特征进行角色建模,得到多个角色的视频特征。
具体的,根据历史视频的多种属性信息,采用预设的嵌入编码,如热独(one-hot)编码,将历史视频的多种属性信息映射到低维稠密空间,表示为历史视频画像特征,由于每个历史视频的多种属性信息中包含表征历史视频类型的属性信息,因此,历史视频画像特征中包含表征历史视频类型的属性信息的特征。示例的,历史视频类型的属性信息可以为,历史视频的一级标签和二级标签,一级标签可以为电影、体育、综艺、动画等,二级标签可以为搞笑、恐怖、催泪、家庭伦理等。
基于历史视频画像特征中表征历史视频类型的属性信息的特征,进行角色建模,得到多个角色的视频特征。
S502:采用角色路由模块,对多个角色的视频特征和历史用户画像特征进行角色路由,得到多个角色的特征向量。
具体的,历史用户画像特征中包含历史用户的偏好时间段、偏好视频类型的特征,偏好时间段可以为:早晨、中午、晚上、周末等,偏好视频类型可以为:体育、动画等。历史用户画像特征中包含表征不同角色的画像特征,对多个角色的视频特征和历史用户画像特征中不同角色的画像特征进行关联,并学习多个角色的视频特征和多个角色的画像特征,以得到多个角色的特征向量。每个角色的特征向量包括:每个角色的视频特征和每个角色的画像特征。
在一种可选实施方式中,角色路由模块包括:第一胶囊和第二胶囊,图5为本申请实施例提供的第五种电视视频推荐方法的流程示意图,如图5所示,上述S502包括:
S502a:采用第一胶囊,对历史用户画像特征进行特征学习,得到多个角色的画像特征。
具体的,第一胶囊用户对历史用户画像特征中的历史用户的偏好时间段、偏好视频类型的子特征进行分类,以区别不同角色所对应的特征,对每个角色的多个特征进行学习,以得到多个角色的画像特征。
S502b:采用第二胶囊,对多个角色的视频特征和多个角色的画像特征进行处理,以建立每个角色的视频特征和画像特征的对应关系,得到每个角色的特征向量。
具体的,第二胶囊将多个角色的视频特征和多个角色的画像特征进行对应,并对每个角色的视频特征和画像特征进行加权处理,得到每个角色的特征向量。
在一种可能的实现方式中,每个角色的画像特征表示为:
ui为第一胶囊中历史用户画像特征的多个子特征,Wij为子特征和历史用户画像特征的关系,cij为耦合系数。
采用激活函数,将每个角色的画像特征压缩至[0,1)之间,示例的,该激活函数可以为Squashing函数,激活公式可以为:
图6为本申请实施例提供的一种电视视频推荐装置的结构示意图,如图6所示,该装置包括:
请求接收模块100,用于接收电视设备发送的操作请求,操作请求包括:电视设备的标识信息和操作电视设备的用户行为数据;
调用模块200,用于根据标识信息,得到电视设备对应的视频矩阵、电视设备对应的视频推荐矩阵模型,和电视设备的家庭画像特征,视频矩阵包括:多个角色的推荐视频;
在线视频确定模块300,用于采用视频推荐模型,对用户行为数据、家庭画像特征和视频矩阵进行处理,以从视频矩阵中确定目标角色的推荐视频;
推荐模块400,用于向电视设备推送目标角色的推荐视频。
可选的,在上述调用模块200之前,该装置还包括:
离线视频确定模块,用于采用视频推荐模型,对电视设备的历史用户画像特征、历史用户画像特征对应的历史视频画像特征,和候选视频进行处理,以从候选视频中确定多个角色的推荐视频。
可选的,视频推荐模型包括:胶囊网络和注意力模型;离线视频确定模块包括:
离线胶囊网络单元,用于采用胶囊网络,对电视设备的历史用户画像特征和历史用户画像特征对应的历史视频画像特征进行处理,得到多个角色的特征向量;
离线注意力单元,用于采用注意力模型,对多个角色的特征向量和候选视频进行处理,以从候选视频中确定多个角色的推荐视频。
可选的,视频推荐模型还包括:多个全连接层;在离线注意力单元之前,装置还包括:
离线全连接层单元,用于分别采用多个全连接层,对多个角色的特征向量进行处理,得到多个角色的目标特征向量;
注意力单元,用于采用注意力模型,对多个角色的目标特征向量和候选视频进行处理,以从候选视频中确定多个角色的推荐视频。
可选的,在线视频确定模块300包括:
在线胶囊网络单元,用于采用胶囊网络,对用户行为数据、家庭画像特征进行处理,得到目标角色的特征向量;
在线全连接层单元,用于采用目标角色对应的全连接层,对目标角色的特征向量进行处理,得到目标角色的目标特征向量;
在线注意力单元,用于采用注意力模型,对目标角色的目标特征向量和视频矩阵进行处理,以从视频矩阵中确定目标角色的推荐视频。
可选的,胶囊网络包括:角色建模模块和角色路由模块,离线胶囊网络单元包括:
角色建模单元,用于采用角色建模模块,对历史视频画像特征进行角色建模,得到多个角色的视频特征;
角色路由单元,用于采用角色路由模块,对多个角色的视频特征和历史用户画像特征进行角色路由,得到多个角色的特征向量,每个角色的特征向量包括:每个角色的视频特征和每个角色的画像特征。
可选的,角色路由模块包括:第一胶囊和第二胶囊;接收路由单元包括:
第一胶囊单元,用于采用第一胶囊,对历史用户画像特征进行特征学习,得到多个角色的画像特征;
第二胶囊单元,用于采用第二胶囊,对多个角色的视频特征和多个角色的画像特征进行处理,以建立每个角色的视频特征和画像特征的对应关系,得到每个角色的特征向量。
本申请实施例提供的方案,采用角色建模模块,根据历史视频画像特征进行角色建模,得到多个角色的视频特征,采用角色路由模块,对多个角色的视频特征和历史用户画像特征中的多个角色的画像特征进行角色路由,得到多个角色的特征向量,使得多个角色的特征向量中包含了多个角色的画像特征和视频特征,可以更好的表征每个角色的兴趣,便于从候选视频中选择每个角色的推荐视频,确保所推荐视频更符合当前角色的兴趣,提高推荐效果。
上述装置用于执行前述实施例提供的方法,其实现原理和技术效果类似,在此不再赘述。
以上这些模块可以是被配置成实施以上方法的一个或多个集成电路,例如:一个或多个特定集成电路(Application Specific Integrated Circuit,简称ASIC),或,一个或多个微处理器(digital singnal processor,简称DSP),或,一个或者多个现场可编程门阵列(Field Programmable Gate Array,简称FPGA)等。再如,当以上某个模块通过处理元件调度程序代码的形式实现时,该处理元件可以是通用处理器,例如中央处理器(CentralProcessing Unit,简称CPU)或其它可以调用程序代码的处理器。再如,这些模块可以集成在一起,以片上***(system-on-a-chip,简称SOC)的形式实现。
图7为本申请实施例提供的服务器的结构示意图,该服务器可以为安装并运行有电视视频推荐应用的终端设备。如图7所示,该服务器500包括:处理器501、存储器502。
存储器502用于存储计算机程序,处理器501调用存储器502存储的计算机程序,以执行上述任一实施例的电视视频推荐方法。具体实现方式和技术效果类似,这里不再赘述。
可选地,本发明还提供一种存储介质,存储介质上存储有计算机程序,计算机程序被处理器运行时执行上述任一实施例的电视视频推荐方法的步骤。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,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信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,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,在本发明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,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(英文:processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(英文:Read-Only Memory,简称:ROM)、随机存取存储器(英文:Random Access Memory,简称:RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
上仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种电视视频推荐方法,其特征在于,包括:
接收电视设备发送的操作请求,所述操作请求包括:所述电视设备的标识信息和操作所述电视设备的用户行为数据;
根据所述标识信息,得到所述电视设备对应的视频矩阵、所述电视设备对应的视频推荐模型,和所述电视设备的家庭画像特征,所述视频矩阵包括:多个角色的推荐视频;
采用所述视频推荐模型,对所述用户行为数据、所述家庭画像特征和所述视频矩阵进行处理,以从所述视频矩阵中确定目标角色的推荐视频;
向所述电视设备推送所述目标角色的推荐视频。
2.如权利要求1所述的方法,其特征在于,所述根据所述标识信息,得到所述电视设备对应的视频矩阵、所述电视设备对应的视频推荐模型,和所述电视设备的家庭画像特征之前,所述方法还包括:
采用所述视频推荐模型,对所述电视设备的历史用户画像特征、所述历史用户画像特征对应的历史视频画像特征,和候选视频进行处理,以从所述候选视频中确定所述多个角色的推荐视频。
3.如权利要求2所述的方法,其特征在于,所述视频推荐模型包括:胶囊网络和注意力模型;所述采用所述视频推荐模型,对所述电视设备的历史用户画像特征、所述历史用户画像特征对应的历史视频画像特征,和候选视频进行处理,以从所述候选视频中确定所述多个角色的推荐视频,包括:
采用所述胶囊网络,对所述电视设备的历史用户画像特征和所述历史用户画像特征对应的历史视频画像特征进行处理,得到所述多个角色的特征向量;
采用所述注意力模型,对所述多个角色的特征向量和所述候选视频进行处理,以从所述候选视频中确定所述多个角色的推荐视频。
4.如权利要求3所述的方法,其特征在于,所述视频推荐模型还包括:多个全连接层;所述采用所述注意力模型,对所述多个角色的特征向量和候选视频进行处理,以从所述候选视频中确定所述多个角色的推荐视频之前,所述方法还包括:
分别采用所述多个全连接层,对所述多个角色的特征向量进行处理,得到所述多个角色的目标特征向量;
所述采用所述注意力模型,对所述多个角色的特征向量和候选视频进行处理,以从所述候选视频中确定所述多个角色的推荐视频,包括:
采用所述注意力模型,对所述多个角色的目标特征向量和所述候选视频进行处理,以从所述候选视频中确定所述多个角色的推荐视频。
5.如权利要求4所述的方法,其特征在于,所述采用所述视频推荐模型,对所述用户行为数据、所述家庭画像特征和所述视频矩阵进行处理,以从所述视频矩阵中确定目标角色的推荐视频,包括:
采用所述胶囊网络,对所述用户行为数据、所述家庭画像特征进行处理,得到所述目标角色的特征向量;
采用所述目标角色对应的全连接层,对所述目标角色的特征向量进行处理,得到所述目标角色的目标特征向量;
采用所述注意力模型,对所述目标角色的目标特征向量和所述视频矩阵进行处理,以从所述视频矩阵中确定所述目标角色的推荐视频。
6.如权利要求3所述的方法,其特征在于,所述胶囊网络包括:角色建模模块和角色路由模块,所述采用所述胶囊网络,对所述电视设备的历史用户画像特征和所述历史用户画像特征对应的历史视频画像特征进行处理,得到所述多个角色的特征向量,包括:
采用所述角色建模模块,对所述历史视频画像特征进行角色建模,得到所述多个角色的视频特征;
采用所述角色路由模块,对所述多个角色的视频特征和所述历史用户画像特征进行角色路由,得到所述多个角色的特征向量,每个角色的特征向量包括:所述每个角色的视频特征和所述每个角色的画像特征。
7.如权利要求6所述的方法,其特征在于,所述角色路由模块包括:第一胶囊和第二胶囊;所述采用所述角色路由模块,对所述多个角色的视频特征和所述历史用户画像特征进行角色路由,得到所述多个角色的特征向量,包括:
采用所述第一胶囊,对所述历史用户画像特征进行特征学习,得到所述多个角色的画像特征;
采用所述第二胶囊,对所述多个角色的视频特征和所述多个角色的画像特征进行处理,以建立所述每个角色的视频特征和画像特征的对应关系,得到所述每个角色的特征向量。
8.一种电视视频推荐装置,其特征在于,所述装置包括:
请求接收模块,用于接收电视设备发送的操作请求,所述操作请求包括:所述电视设备的标识信息和操作所述电视设备的用户行为数据;
调用模块,用于根据所述标识信息,得到所述电视设备对应的视频矩阵、所述电视设备对应的视频推荐模型,和所述电视设备的家庭画像特征,所述视频矩阵包括:多个角色的推荐视频;
视频确定模块,用于采用所述视频推荐模型,对所述用户行为数据、所述家庭画像特征和所述视频矩阵进行处理,以从所述视频矩阵中确定目标角色的推荐视频;
推荐模块,用于向所述电视设备推送所述目标角色的推荐视频。
9.一种服务器,其特征在于,包括:存储器和处理器,所述存储器存储有所述处理器可执行的计算机程序,所述处理器执行所述计算机程序,以执行时执行如权利要求1至7任一所述的电视视频推荐方法的步骤。
10.一种存储介质,其特征在于,所述存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行如权利要求1至7任一所述的电视视频推荐方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011384890.2A CN112364203B (zh) | 2020-11-30 | 2020-11-30 | 电视视频推荐方法、装置、服务器和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011384890.2A CN112364203B (zh) | 2020-11-30 | 2020-11-30 | 电视视频推荐方法、装置、服务器和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112364203A true CN112364203A (zh) | 2021-02-12 |
CN112364203B CN112364203B (zh) | 2023-04-28 |
Family
ID=74536483
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011384890.2A Active CN112364203B (zh) | 2020-11-30 | 2020-11-30 | 电视视频推荐方法、装置、服务器和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112364203B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113139856A (zh) * | 2021-05-14 | 2021-07-20 | 青岛聚看云科技有限公司 | 影视会员套餐推荐方法及设备 |
CN113434757A (zh) * | 2021-06-23 | 2021-09-24 | 青岛聚看云科技有限公司 | 一种媒资套餐推荐方法及显示设备 |
CN114339417A (zh) * | 2021-12-30 | 2022-04-12 | 未来电视有限公司 | 一种视频推荐的方法、终端设备和可读存储介质 |
CN114511058A (zh) * | 2022-01-27 | 2022-05-17 | 国网江苏省电力有限公司泰州供电分公司 | 一种用于电力用户画像的负荷元件构建方法及装置 |
CN114615524A (zh) * | 2022-02-18 | 2022-06-10 | 聚好看科技股份有限公司 | 服务器、媒资推荐网络的训练方法及媒资推荐方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108230162A (zh) * | 2017-12-29 | 2018-06-29 | 泰康保险集团股份有限公司 | 保险服务推荐的方法、装置、存储介质及电子设备 |
CN109189988A (zh) * | 2018-09-18 | 2019-01-11 | 北京邮电大学 | 一种视频推荐方法 |
CN110110321A (zh) * | 2019-03-19 | 2019-08-09 | 深圳壹账通智能科技有限公司 | 基于语音数据的产品推荐方法、装置、设备及存储介质 |
CN110430471A (zh) * | 2019-07-24 | 2019-11-08 | 山东海看新媒体研究院有限公司 | 一种基于瞬时计算的电视推荐方法和*** |
CN111787371A (zh) * | 2020-09-04 | 2020-10-16 | 北京悠易网际科技发展有限公司 | 一种构建家庭画像的方法和装置 |
CN111815375A (zh) * | 2020-09-04 | 2020-10-23 | 北京悠易网际科技发展有限公司 | 广告投放中的用户画像方法及装置 |
-
2020
- 2020-11-30 CN CN202011384890.2A patent/CN112364203B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108230162A (zh) * | 2017-12-29 | 2018-06-29 | 泰康保险集团股份有限公司 | 保险服务推荐的方法、装置、存储介质及电子设备 |
CN109189988A (zh) * | 2018-09-18 | 2019-01-11 | 北京邮电大学 | 一种视频推荐方法 |
CN110110321A (zh) * | 2019-03-19 | 2019-08-09 | 深圳壹账通智能科技有限公司 | 基于语音数据的产品推荐方法、装置、设备及存储介质 |
CN110430471A (zh) * | 2019-07-24 | 2019-11-08 | 山东海看新媒体研究院有限公司 | 一种基于瞬时计算的电视推荐方法和*** |
CN111787371A (zh) * | 2020-09-04 | 2020-10-16 | 北京悠易网际科技发展有限公司 | 一种构建家庭画像的方法和装置 |
CN111815375A (zh) * | 2020-09-04 | 2020-10-23 | 北京悠易网际科技发展有限公司 | 广告投放中的用户画像方法及装置 |
Non-Patent Citations (1)
Title |
---|
上杉翔二: "胶囊网络用于推荐***问题(MIND,CARP)", 《CSDN》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113139856A (zh) * | 2021-05-14 | 2021-07-20 | 青岛聚看云科技有限公司 | 影视会员套餐推荐方法及设备 |
CN113139856B (zh) * | 2021-05-14 | 2023-04-07 | 青岛聚看云科技有限公司 | 影视会员套餐推荐方法及设备 |
CN113434757A (zh) * | 2021-06-23 | 2021-09-24 | 青岛聚看云科技有限公司 | 一种媒资套餐推荐方法及显示设备 |
CN114339417A (zh) * | 2021-12-30 | 2022-04-12 | 未来电视有限公司 | 一种视频推荐的方法、终端设备和可读存储介质 |
CN114339417B (zh) * | 2021-12-30 | 2024-05-10 | 未来电视有限公司 | 一种视频推荐的方法、终端设备和可读存储介质 |
CN114511058A (zh) * | 2022-01-27 | 2022-05-17 | 国网江苏省电力有限公司泰州供电分公司 | 一种用于电力用户画像的负荷元件构建方法及装置 |
CN114615524A (zh) * | 2022-02-18 | 2022-06-10 | 聚好看科技股份有限公司 | 服务器、媒资推荐网络的训练方法及媒资推荐方法 |
CN114615524B (zh) * | 2022-02-18 | 2023-10-24 | 聚好看科技股份有限公司 | 服务器、媒资推荐网络的训练方法及媒资推荐方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112364203B (zh) | 2023-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109902849B (zh) | 用户行为预测方法及装置、行为预测模型训练方法及装置 | |
CN112364203B (zh) | 电视视频推荐方法、装置、服务器和存储介质 | |
CN111008332B (zh) | 内容项推荐方法、装置、服务器以及存储介质 | |
US9838743B2 (en) | Techniques for context aware video recommendation | |
CN109033149B (zh) | 信息推荐方法、装置、服务器及存储介质 | |
US20230017667A1 (en) | Data recommendation method and apparatus, computer device, and storage medium | |
CN109754316B (zh) | 产品推荐方法、产品推荐***及存储介质 | |
CN109903103B (zh) | 一种推荐物品的方法和装置 | |
CN110008397B (zh) | 一种推荐模型训练方法及装置 | |
GB2591583A (en) | Machine learning for digital image selection across object variations | |
CN113254679B (zh) | 多媒体资源推荐方法、装置、电子设备以及存储介质 | |
CN111159570A (zh) | 一种信息推荐方法及服务器 | |
CN112015986B (zh) | 数据推送方法、装置、电子设备及计算机可读存储介质 | |
CN116894711A (zh) | 商品推荐理由生成方法及其装置、电子设备 | |
CN112269943B (zh) | 一种信息推荐***及方法 | |
CN113626638A (zh) | 短视频推荐处理方法、装置、智能终端及存储介质 | |
CN111597361B (zh) | 多媒体数据处理方法、装置、存储介质及设备 | |
CN113032676A (zh) | 基于微反馈的推荐方法和*** | |
CN112115354A (zh) | 信息处理方法、装置、服务器及存储介质 | |
CN116028708A (zh) | 推荐模型的训练方法及装置 | |
CN112883256B (zh) | 多任务处理方法、装置、电子设备及存储介质 | |
CN112905904B (zh) | 一种推荐方法、装置、服务器及存储介质 | |
CN113761272A (zh) | 一种数据处理方法、设备以及计算机可读存储介质 | |
CN116089834A (zh) | 推荐模型训练方法、推荐方法、装置、设备及存储介质 | |
CN117194685A (zh) | 服务器、媒资推荐方法、及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |