CN112749296B - 一种视频推荐方法、装置、服务器及存储介质 - Google Patents
一种视频推荐方法、装置、服务器及存储介质 Download PDFInfo
- Publication number
- CN112749296B CN112749296B CN201911056969.XA CN201911056969A CN112749296B CN 112749296 B CN112749296 B CN 112749296B CN 201911056969 A CN201911056969 A CN 201911056969A CN 112749296 B CN112749296 B CN 112749296B
- Authority
- CN
- China
- Prior art keywords
- feature vector
- video
- preset feature
- layer
- preset
- 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
- 238000000034 method Methods 0.000 title claims abstract description 66
- 239000013598 vector Substances 0.000 claims abstract description 531
- 238000013507 mapping Methods 0.000 claims description 66
- 230000015654 memory Effects 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 10
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000013461 design Methods 0.000 description 20
- 238000004891 communication Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 230000008859 change Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000012217 deletion Methods 0.000 description 3
- 230000037430 deletion Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000006837 decompression Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- G06F16/71—Indexing; Data structures therefor; Storage structures
-
- 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
- G06F16/7847—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using low-level visual features of the video content
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Library & Information Science (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (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,涉及计算机技术领域,用于解决相关技术中视频检索的召回率低的问题,所述方法包括:根据接收到的视频推荐请求,获取对应的账户特征向量,其中,视频推荐请求中携带有待推荐视频的账户的信息,所述账户特征向量与所述账户的信息相对应;获取构建的视频推荐索引,其中,视频推荐索引包括M个层,各层中包括预设特征向量,M个层中第N层中包括第(N‑1)层所包含的预设特征向量,M为自然数,N为大于1且小于M的自然数;将账户特征向量作为输入与视频推荐索引中包括的预设特征向量逐层进行相似度比较,得到比较结果;按照从第M层输出的比较结果,向所述账户推荐视频。
Description
技术领域
本公开涉及计算机技术领域,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
随着互联网的普及,越来越多的用户观看视频,为了满足用户的个性化需求,视频播放器通常会采用实时视频推荐***为用户推荐用户可能感兴趣的视频。
目前实时视频推荐***中较常采用基于树的索引结构,例如,基于Annoy(Approximate Nearest Neighbors Oh Yeah,近似邻近算法)建立的二叉树索引结构,二叉树索引结构就是从根节点不停的往叶子节点遍历的过程,通过对二叉树每个中间节点(分割超平面相关信息)和查询数据节点进行相关计算来确定二叉树遍历过程是往这个中间节点的左子节点走还是右子节点走。而这种基于树的索引结构,其叶子节点的数据节点数量有限,查询过程可能出现最终落到叶子节点的数据节点数小于需要推荐的数据节点的数量或者两个相近的数据节点划分到二叉树不同分支上的情况,使得视频检索召回率低,从而影响视频推荐服务的质量,用户体验感不佳。
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视频检索的召回率低的问题。
本公开的技术方案如下:
本公开实施例的第一方面,提供一种视频推荐方法,包括:
根据接收到的视频推荐请求,获取对应的账户特征向量,其中,所述视频推荐请求中携带有待推荐视频的账户的信息,所述账户特征向量与所述账户的信息相对应;
获取构建的视频推荐索引,其中,所述视频推荐索引包括M个层,各层中包括预设特征向量,M个层中第N层中包括第(N-1)层所包含的预设特征向量,M为自然数,N为大于1且小于M的自然数;
将所述账户特征向量作为输入与所述视频推荐索引中包括的预设特征向量逐层进行相似度比较,得到比较结果,其中,针对所述视频推荐索引的第一层的输入为所述账户特征向量,针对第N层的输入为第(N-1)层的比较结果;
按照从第M层输出的比较结果,向所述账户推荐视频。
在一种可能的设计中,视频推荐索引按照以下方式构建得到:
获得预设特征向量集合;
基于所述预设特征向量集合,构建索引层次映射表,其中,所述索引层次映射表中记录有索引的层数、每个层分布的特征向量的数量以及特征向量所属层的信息;
按照所述索引层次映射表,将预设特征向量分配到各个层,得到视频推荐索引。
在一种可能的设计中,在获得预设特征向量集合之后,所述方法还包括:
间隔预定时间,更新所述预设特征向量集合;
并基于更新后的预设特征向量集合,更新索引层次映射表。
在一种可能的设计中,更新所述预设特征向量集合包括:
删除所述预设特征向量集合中预定时长后未发生变化的预设特征向量;和/或,
向所述预设特征向量集合中添加新的预设特征向量。
在一种可能的设计中,基于所述预设特征向量集合,构建索引层次映射表包括:
根据预定增率确定所述索引层次映射表包括的层数、每个层分布的预设特征向量的数量;
从所述预设特征向量集合中按照所述每个层分布的预设特征向量的数量,选取对应数量的预设特征向量;
按照所述每个层包括的预设特征向量之间的相似度高低关系,确定所述索引层次映射表中每个层中预设特征向量分布的位置。
在一种可能的设计中,所述选取对应数量的预设特征向量,包括:
从所述预设特征向量集合中任意选择,或按照所述预设特征向量集合中各预设特征向量的排布顺序依次选择。
在一种可能的设计中,若按照所述预设特征向量集合中各预设特征向量的排布顺序依次选择对应数量预设特征向量,则在根据所述在更新所述预设特征向量集合之后,重新构建所述视频推荐索引之前,所述方法还包括:
随机打散所述更新后的预设特征向量集合中的各预设特征向量当前排布顺序。
在一种可能的设计中,按照从第M层输出的比较结果,向所述账户推荐视频,包括:
从第M层输出的比较结果中,确定出与所述账户特征向量的相似度满足预设条件的预设特征向量;
将确定出的预设特征向量对应的视频作为目标视频,推荐给所述账户。
在一种可能的设计中,所述预设条件包括如下条件之一:相似度大于第一预定阈值;相似度排序在前K位,K为大于1的自然数。
在一种可能的设计中,当预设条件为相似度排序在前K位时,确定所述视频推荐索引的每个层的比较结果包括:
比较每个层输入的特征向量与该层中分布的预设特征向量的距离;
将与所述输入的特征向量距离最近的预设特征向量,确定为与所述输入的特征向量相似度最高的预设特征向量,并将所述相似度最高的预设特征向量作为所述每个层的比较结果。
在一种可能的设计中,在根据所述第M层输出的比较结果确定出向账户推荐的目标视频之后,进行视频推荐之前,所述方法还包括:按照以下条件之一或者组合对向所述账户推荐的目标视频进行处理:
删除所述目标视频中内容重复的视频;或者,
删除所述目标视频中视频清晰度低于第二预定阈值的视频;或者,
对所述目标视频进行压缩处理。
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:
接收单元,被配置为执行根据接收到的视频推荐请求,获取对应的账户特征向量,其中,所述视频推荐请求中携带有待推荐视频的账户的信息,所述账户特征向量与所述账户的信息相对应;
获取单元,被配置为执行获取构建的视频推荐索引,其中,所述视频推荐索引包括M个层,各层中包括预设特征向量,M个层中第N层中包括第(N-1)层所包含的预设特征向量,M为自然数,N为大于1且小于M的自然数;
确定单元,被配置为执行将所述账户特征向量作为输入与所述视频推荐索引中包括的预设特征向量逐层进行相似度比较,得到比较结果,其中,针对所述视频推荐索引的第一层的输入为所述账户特征向量,针对第N层的输入为第(N-1)层的比较结果;
推荐单元,被配置为执行按照从第M层输出的比较结果,向所述账户推荐视频。
在一种可能的设计中,所述装置还包构建单元,所述视频推荐索引通过构建单元按照以下方式构建得到,所述构建单元被配置为执行:
获得预设特征向量集合;
基于所述预设特征向量集合,构建索引层次映射表,其中,所述索引层次映射表中记录有索引的层数、每个层分布的特征向量的数量以及特征向量所属层的信息;
按照所述索引层次映射表,将预设特征向量分配到各个层,得到视频推荐索引。
在一种可能的设计中,所述装置还包括更新单元,所述更新单元被配置为执行:
间隔预定时间,更新所述预设特征向量集合;
并基于更新后的预设特征向量集合,更新索引层次映射表。
在一种可能的设计中,所述更新单元具体被配置为执行:
删除所述预设特征向量集合中预定时长后未发生变化的预设特征向量;和/或,
向所述预设特征向量集合中添加新的预设特征向量。
在一种可能的设计中,所述构建单元还被配置为执行:
根据预定增率确定所述索引层次映射表包括的层数、每个层分布的预设特征向量的数量;
从所述预设特征向量集合中按照所述每个层分布的预设特征向量的数量,选取对应数量的预设特征向量;
按照所述每个层包括的预设特征向量之间的相似度高低关系,确定所述索引层次映射表中每个层中预设特征向量分布的位置。
在一种可能的设计中,所述构建单元还被配置为执行:
从所述预设特征向量集合中任意选择对应数量的预设特征向量,或按照所述预设特征向量集合中各预设特征向量的排布顺序依次选择对应数量的预设特征向量。
在一种可能的设计中,所述装置还包括排序单元,所述排序单元被配置为执行:
当按照所述预设特征向量集合中各预设特征向量的排布顺序依次选择对应数量预设特征向量时,随机打散所述更新后的预设特征向量集合中的各预设特征向量当前排布顺序。
在一种可能的设计中,所述推荐单元还被配置为执行:
从第M层输出的比较结果中,确定出与所述账户特征向量的相似度满足预设条件的预设特征向量;
将确定出的预设特征向量对应的视频作为目标视频,推荐给所述账户。
在一种可能的设计中,所述预设条件包括如下条件之一:相似度大于第一预定阈值;相似度排序在前K位,K为大于1的自然数。
在一种可能的设计中,所述确定单元具体被配置为执行:
当预设条件为相似度排序在前K位时,比较每个层输入的特征向量与该层中分布的预设特征向量的距离;
将与所述输入的特征向量距离最近的预设特征向量,确定为与所述输入的特征向量相似度最高的预设特征向量,并将所述相似度最高的预设特征向量作为所述每个层的比较结果。
在一种可能的设计中,所述装置还包括处理单元,所述处理单元被配置为按照以下条件之一或者组合对向所述账户推荐的目标视频进行处理:
删除所述目标视频中内容重复的视频;或者,
删除所述目标视频中视频清晰度低于第二预定阈值的视频;或者,
对所述目标视频进行压缩处理。
根据本公开实施例的第三方面,提供一种视频推荐服务器,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,以实现本公开实施例上述第一方面以及第一方面涉及的任一可能涉及的方法。
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视频推荐服务器的处理器执行时,使得视频推荐服务器能够执行本公开实施例上述第一方面以及第一方面涉及的任一可能涉及的方法。
根据本公开实施例的第五方面,提供一种存计算机程序产品,当所述计算机程序产品在视频推荐服务器上运行时,使得所述视频推荐服务器执行实现本公开实施例上述第一方面以及第一方面涉及的任一可能涉及的方法。
本公开的实施例提供的技术方案至少带来以下有益效果:
本公开实施例中,采用层状的视频推荐索引进行视频推荐,在接收到视频推荐请求之后,可以根据该视频推荐请求获取对应的账户特征向量,其中,该视频推荐请求中携带有待推荐视频的账户的信息,账户特征向量与待推荐视频的账户信息相对应,进而,可以将获取的账户特征向量输入视频推荐索引中,按照高层复用相邻低层级的比较结果的索引方式,将账户特征向量与视频推荐索引中包括的预设特征向量逐层进行相似度比较,得到相似度满足预设条件的比较结果,并将最高层输出的比较结果,向待推荐视频的账户推荐视频。这样,相较于现有的基于树状视频推荐索引而言,本公开实施例中提供了一种新的采用层状的视频推荐索引,由于层状索引结构中高层中包括相邻低层中的预设特征向量,且在检索时采用高层复用相邻低层的比较结果,因此可以有效较少计算量,同时还可以减少锁冲突次数,从而可以提高视频检索的召回率,提高视频推荐服务的质量和提升用户体验感。
进一步地,本公开实施例中可以定时扫描视频推荐索引中的预设特征向量,删除其中长久未更新的特征向量,添加新增的特征向量,得到新的预设特征向量集合,并将新的预设特征向量集合中的各预设特征向量打乱标识顺序后,重新构建新的视频推荐索引,从而可以解决原生HNSW不支持特征向量更新和删除的问题,进而可以提高视频检索的召回率,使得推荐的视频更加符合用户需求,所以可以进一步提升用户体验感。
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应用场景示意图;
图2是根据一示例性实施例示出的视频推荐方法流程图;
图3是根据一示例性实施例示出的视频推荐索引层次关系示意图;
图4a是根据一示例性实施例示出的视频推荐装置示意图;
图4b是根据一示例性实施例示出的视频推荐装置另一示意图;
图5是根据一示例性实施例示出的视频推荐服务器的结构示意图;
图6是根据一示例性实施例示出的视频推荐服务器的另一结构示意图。
具体实施方式
为了使本领域普通人员更好地理解本公开实施例公开的技术方案,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,本公开实施例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。
另外,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,在不做特别说明的情况下,一般表示前后关联对象是一种“或”的关系。
为便于理解本公开实施例提供的技术方案,这里先对本公开实施例使用的一些关键名词进行解释:
HNSW:(Hierarchcal Navigable Small World graphs,分层的可导航小世界)HNSW是尤里·A·马尔科夫(Yury A.Malkov)提出的一种基于图索引的方法,HNSW逐步构建多层结构,该结构中上层结构中存储的元素,嵌套在下层结构中,并且在使用该算法检索时,该算法首先遍历最上层的元素,直到确定局部较小值,之后,搜索切换到下层,根据前一层中的局部较小值重新开始遍历该下层的元素,并且该过程重复。
词向量特征:或称Embedding特征,本公开实施例中的Embedding特征的对象视频,用于描述一个视频。词向量特征的描述思想是通过将自然语言表示的单词转换为计算机能够理解的向量或矩阵形式,词向量特征的提取可以通过深度学习模型进行提取,例如可以采用卷积神经网络(Convolutional Neural Networks,CNN)模型、长短期记忆网络(LongShort-Term Memory,LSTM)模型、循环神经网络(Recurrent Neural Network,RNN)或者Gated CNN(G-CNN)模型等进行提取,当然,也可以采用其他可能的深度学习模型进行提取,本公开实施例对此不做限制。
视频检索召回率:检索出的视频与视频库中存储的所有视频的比率,衡量的是检索***的查全率,例如,一个数据库有500个视频,其中有50个视频符合定义。***检索到75个视频,但是实际只有45个符合定义。则:召回率=45/50=90%。
为了便于理解,下面先对本公开实施例的技术背景进行介绍。
如前文所述,目前视频推荐***中基于Annoy的树状索引结构存在着召回率低下的问题,从而使得推荐的视频质量差,影响用户体验。
鉴于此,本公开的发明人提出了一种视频推荐的方案,在该方案中,采用基于图的索引方法,构建层状视频推荐索引,进而利用层状视频推荐索引检索视频,并根据检索结果进行视频推荐。
在该方案中,由于本公开实施例中采用层状的视频推荐索引,每个层中的账户特征向量可以按照相似度高低依次链接在一起,因此不会出现基于树状索引结构中将相似度较高的两个特征向量分到不同分支上的情况,进而可以按照高层复用相邻低层级的比较结果的索引方式,从最低层到最高层依次遍历视频推荐索引的各个层,将每个层中输入的特征向量与该层中分布的预设特征向量进行相似度比较,将相似度满足预设条件的预设特征向量作为比较结果,根据获得的最高层输出的比较结果,向账户推荐视频。所以,相较于现有的基于树状视频推荐索引而言,本公开实施例中提供了一种新的采用层状的视频推荐索引,由于层状索引结构中高层中包括相邻低层中的预设特征向量,且在检索时采用高层复用相邻低层的比较结果,因此可以有效较少计算量,同时还可以减少锁冲突次数,从而可以提高视频检索的召回率,提高视频推荐服务的质量和提升用户体验感。
以下对本公开实施例的技术方案能够适用的应用场景做一些简单介绍,需要说明的是,以下介绍的应用场景仅用于说明本公开实施例而非限定。在具体实施时,可以根据实际需要灵活地应用本公开实施例提供的技术方案。
请参考图1所示的应用场景示意图,该场景中包括终端设备101和服务器102,该终端设备101可以是智能手机、平板电脑、计算机、各类可穿戴设备、车载设备等终端设备,服务器102可以是一台服务器,也可以是若干台服务器组成的服务器集群或云计算中心,终端设备101通过网络与服务器102通信,网络可以为局域网、广域网或移动互联网等通信网络中的任意一种。
终端设备101中安装有可以播放视频的应用程序,应用程序例如可以为视频应用或者新闻应用等,例如应用程序为视频应用时,可以直接在视频应用中的显示页面上显示被推荐的视频,当视频被选中后,则可以通过视频应用的显示页面播放该视频,或者应用程序例如可以为浏览器,在浏览器中可以打开视频网站的页面,以在显示页面上显示被推荐的视频。
服务器102中可以存储有学习得到的账户特征向量、训练得到的模型参数以及用户和视频的标签信息等,其中,账户特征向量包括账户访问过的视频的视频特征向量或表征用户兴趣爱好、年龄、职业、性别等信息的账户属性特征向量。服务器102是可以为终端设备101中安装的视频播放应用程序的后台服务器,图1中具体以此为例进行示出,当然服务器102也可以是用于视频推荐的专用服务器,例如服务器102用于计算为各账户推荐的视频,然后将推荐数据等发送给视频网站的后台服务器,然后由视频网站进行视频推送。
需要注意的是,上文提及的应用场景仅是为了便于理解本公开的精神和原理而示出,本公开实施例在此方面不受任何限制。相反,本公开实施例可以应用于适用的任何场景。
为进一步说明本公开实施例提供的技术方案,下面结合附图以及具体实施方式对此进行详细的说明。虽然本公开实施例提供了如下述实施例或附图所示的方法操作步骤,但基于常规或者无需创造性的劳动在所述方法中可以包括更多或者更少的操作步骤。在逻辑上不存在必要因果关系的步骤中,这些步骤的执行顺序不限于本公开实施例提供的执行顺序。所述方法在实际的处理过程中或者装置执行时,可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的应用环境)。
图2是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,该视频推荐方法可以应用于图1所示的终端设备101中,图2所示的方法包括以下步骤。
在步骤201中,根据接收到的视频推荐请求,获取对应的账户特征向量,其中,视频推荐请求中携带有待推荐视频的账户的信息,账户特征向量与该账户的信息相对应。
本公开实施例中的视频推荐请求,可以是通过用户在图1所示的终端设备101的视频应用或者浏览器中视频网站的搜索栏中,输入的搜索视频的关键词而产生的,继而图1所示的服务器102可以接收到终端设备101对应视频应用的账户发送的视频推荐请求;当然,视频推荐请求也可以是在用户通过视频应用账户在图1所示的终端设备101观看视频时,通过下拉或者滑动等动作而产生的视频推荐请求,继而服务器102可以接收到该视频推荐请求。为了方便说明,本公开实施例中,下文中以在视频应用中进行视频推荐为例进行具体说明。
在本公开实施例中,账户的信息包括账户访问过的视频和账户对应用户的兴趣爱好、年龄、职业、性别等用户属性信息,相应的账户特征向量可以是账户在预定时长内访问过的视频的访问视频特征向量,也可以是表征账户对应用户兴趣爱好,年龄、职业等信息的账户属性特征向量。其中,该访问视频特征向量是通过对预定时长内访问过的视频的视频序列学习得到的,账户属性特征向量是通过对播放各视频的用户序列学习得到的。
具体的,当本公开实施例中账户特征向量为访问视频特征向量时,为了方便管理视频应用中的视频,视频应用中上传每个视频对应的视频标识,如视频ID(Identity,身份标识号码)。当服务器102获得视频推荐请求后,可以根据该视频请求获取视频应用近期预定时长内访问过的视频的视频标识,即获取终端设备101对应账户预定时长内在视频应用中访问过的视频的视频标识,其中,预定时长可以是1天、3天、一个星期等等。进而可以根据视频推荐请求中携带的账户的信息,确定出该账户预定时长内访问过的视频的视频标识,从而根据预先设置的视频标识和视频特征向量的映射关系,确定出预定时长内用户观看的过的视频的视频特征向量,即访问视频特征向量。
在步骤202中,获取构建的视频推荐索引,其中,视频推荐索引包括M个层,各层中包括预设特征向量,M个层中第N层中包括第(N-1)层所包含的预设特征向量,M为自然数,N为大于1且小于M的自然数。
在本公开实施例中,视频推荐索引是一个包括多个层次的索引,例如,视频推荐索引可以是基于HNSW算法逐步构建的包括M个层的视频推荐索引,其中,M大于或等于2,第M层为视频推荐索引的最高层,其包括视频推荐索引对应的所有的预设特征向量,并且,M个层中第N层包括第(N-1)层中包括的预设特征向量,即相邻的两个层中,两个相邻的层中,高层的预设特征向量包括低层的预设特征向量。
具体的,请参见图3,本公开实施例中的视频推荐索引可以是如图3所示的呈阶梯状的结构,最大层级Lmax层也可以称为最高层级,即前文所述的第M层,Lmax层中包括样视频推荐索引对应的所有预设特征向量,最顶层L0层中包括的预设特征向量的数量最少,其中,Lmax层至L0层中包括的预设特征向量数量按照预定增率逐层递减,并且,Lmax-1层级中包括的预设特征向量被包括在Lmax层级中,即出现在低层的预设特征向量也会出现在与其相邻的高层中。也就是说,Lmax-1层级中包括的预设特性向量可以按照预定增率比从Lmax层级中选取出的,Lmax-2层级中的样本视频特性向量则可以按照预定增率比从Lmax-1层级中选取的,如此往复直至确定出L0层级中包括的预设特征向量的数量。其中,预设增率可以为大于0且小于1任意取值。
在本公开实施例中,视频应用的所有账户可以使用同样的视频推荐索引,也可以将视频应的所用账户进行分类,不同的类别的账户对应不同的视频推荐索引,例如,视频应用的新用户和老用户分别对应各自的视频推荐索引,在视频应用中上传视频的用户和从不上传视频的用户对应不同的视频推荐索引。由于针对不同的用户对应有不同的视频推荐索引,所以构建视频推荐索引更符合用户需要,并且在利用该视频推荐索引检索带推荐的视频时,可以较快的获取到待推荐的视频,从而提高用户体验。
进而,当服务器102接收到视频推荐请求后,可以根据终端设备101中对应的账户确定与该账户对应的视频推荐索引。
本公开实施例中,预设特征向量可以是预设视频embedding特征向量或预设账户属性embedding特征向量,其中,若预设特征向量为预设视频特征向量,则可以将服务器102中存储的视频应用的部分或者全部视频,输入预先建立的特征学习模型中学习,得到视频应用中各视频的embedding特征向量。其中,特征学习模型可以是深度神经网络模型(DeepNeural Networks,DNN),或Skip-Gram模型,或者还可以是其他模型等等,并且,在训练特征学习模型时可以根据视频推荐的需求设置训练模型的参数,例如,可以设置视频的点击率(即某一视频被点击的次数和被显示的次数之比)、点赞率(即该视频获得的点赞次数与视频的观看次数之比)、举报率(即视频被举报的次数与视频的观看次数之比)等等,从而得到符合用户需求的特征学习模型。
进而,服务器102可以根据获得的embedding特征向量建立一个视频应用中视频标识与视频特征向量的映射关系。当视频特征向量随着特征训练模型设置的参数变化而发生变化时,视频标识与视频特征向量的映射关系也会随之变化,以使得根据视频标识确定出的视频特征向量更为准确。
进一步地,若预设特征向量为账户属性特征向量,则可以将前述视频应用的部分或者全部账户的账户信息和浏览信息输入到上述的预先建立的特征学习模型中学习,得到视频应用中多个账户的embedding特征向量。
作为一种可选的实施方式,在本公开实施例中,视频推荐索引可以按照以下步骤进行:
第一步,获得预设特征向量集合。
如前文所述,预设特征向量可以是预设视频embedding特征向量或预设账户属性embedding特征向量,那么,获得的预设特征向量集合可以是由预设视频特征向量组成的集合,也可以是预设由账户属性特征向量组成的集合。相应的,视频推荐索引可以是基于预设视频特征向量构建的,也可以是基于预设账户属性特征向量构建的。
在本公开实施例中,当视频推荐索引是基于预设视频特征向量构建的时,可以从视频应用对应的服务器中获取构建该视频推荐索引所需的预设视频,继而将获取的预设视频输入前文所述的特征学习模型中进行学习,得到与预设视频对应的预设视频特征向量集合;也可以在获取预设视频的视频标识后,根据预设视频的视频标识,从前文所述的视频标识和视频特征向量映射关系中,确定该预设视频对应的预设视频特征向量集合。
相应的,当视频推荐索引是基于账户属性特征向量构建的时,则可以从视频应用对应的服务器中获取构建该视频推荐索引所需的预设账户信息,继而将获取的账户信息输入前文所述的特征学习模型中进行学习,得到与预设账户对应的账户属性特征向量集合;也可以在获取预设账户信息后,根据预设账户的账户标识,从预先设置的账户标识和账户属性特征向量映射关系中,确定该预设账户对应的预设账户属性特征向量集合。
在本公开实施例中,由于视频应用可能随时会增加新的账户或增加新的视频,因此,为了提高视频推荐的召回率,可以间隔预定时间更新预设特征向量集合中的预设特征向量,具体更新方式下文中会具体介绍,此处不再赘述。
第二步,基于预算特征向量集合,构建索引层次映射表,其中,所述索引层次映射表中记录有索引的层数、每个层分布的特征向量的数量以及特征向量所属层的信息。
在本公开实施例中,当获得预设特征向量集合之后,可以将预设特征向量集合中所有预设特征向量作为视频推荐索引中最高层(即第M层),从而,可以基于预设特征向量集合中预设视频特征向量集合数量,按照预定增率确定视频推荐索引包括的层数,每个层包括的预设特征向量的数量。进而,可以从预设特征向量集合中按照每个层分布的预设特征向量的数量,选取对应数量的预设特征向量,然后可以按照每个层包括的预设特征向量之间的相似度高低关系,确定索引层次映射表中每个层中预设特征向量分布的位置,以构建索引层次映射表。
其中,选取对应的预设特征向量可以是从预设特征向量集合中任意选择,或按照预设特征向量集合中各预设特征向量的排布顺序依次选择。这样可以降低预设特征向量集合中的每个预设特征向量随机出现在视频推荐索引的各个层次中的规律性,从而提高视频召回率。
具体的,本公开实施例中,为了便于查找预设特征性向量,预设特征向量集合中每个预设特征向量可以设有对应的标识号,该标识号仅用于区分不同的预设特征向量,并不代表预设特征向量集合中,各个预设特征向量的排列顺序。从而,任意选择可以是根据预设特征向量的标识,随机从预设特征向量集合选择对应数量的预设特征向量,例如,假设预设特征向量集合中包括5000个预设特征向量,索引层次映射表中最低层对应的预设特征向量的数量为100个,可以从预设特征向量集合中选取出标识尾数为偶数的前100个预设特征向量,或者选取标识从1-100的预设特征向量,等等。
相应的,若按照预设特征向量集合中各预设特征向量的排布顺序依次选择每个层次对应数量的预设特征向量,则可以根据获取的预设特征向量集合中预设特征向量生成预设特征向量随机数组,进而可以按照随机数组中各预设特征向量的排布顺序,依次确定与索引层次映射表中各层次分布的预设特征向量数量对应的预设特征向量。因此,在构建索引层次映射表时,可以将根据随机数组中各预设特征向量的排布顺序,确定的每个索引层次对应的预设特征向量的标识,记录在对应的索引层次中,从而可以根据预设特征向量标识从预设特征向量集合中获取到对应的预设特征向量。
举例说明,假设预设特征向量集合中包括1000个预设特征向量,可以生成预设特征向量数量为1000的随机数组,预定增率为0.2,则可以确定索引层次映射表包括4个层,且从第1层至第4层的各个层中包括的预设特征向量的数量分别为:8、40、200、1000。那么,可以确定该1000个预设特征向量作为索引层次映射表的第4层,并将该1000个预设特征向量的标识记录在索引层次映射表的第4层。然后可以按照这1000个预设特征向量排布顺序,将排布顺序靠前的200个预设特征向量确定为第3层中的预设特征向量,并将该200个预设特征向量的标识记录为索引层次映射表的第3层。进而,可以将这200个预设特征向量中排布顺序靠前的40个预设特征向量确定为第2层中的预设特征向量,并将该40个预设特征向量的标识记录为索引层次映射表的第2层。继而,可以将这40个预设特征向量中排布顺序靠前的8个预设特征向量,确定为第1层中的预设特征向量,并将该8个预设特征向量的标识记录为索引层次映射表的第1层。
需要说明的是,本公开实施例中,预定增率与索引层次映射表层次数量呈正相关,预定增率越大,索引层次映射表的层次数量越多,进而视频推荐索引的层数也越多,而视频推荐索引层数量越多,其占用内存越大,构建该视频推荐索引所需的时间也越长,因此,为了确保视频推荐的效率,在设置预定增率时,可以根据实际需求而具体设置。
第三步,按照索引层次映射表,将预设特征向量分配入各个层,得到视频推荐索引。
在本公开实施例中,当构建好索引层次映射表后,可以根据索引层次映射表确定视频推荐索引的层数,每个层分布的预设特征向量数量和预设特征向量,进而可以将视频推荐索引中各层次包括的预设特征向量,按照相似度高低关系进行排布。具体的,可以用各预设特征向量之间的距离来表征各预设特征向量的相似度,每个层中相似度越高预设特征向量排布距离越近,从而得到视频推荐索引。
进一步地,为了便于理解,可以将每个预设视频特征向量在该层中的位置称为一个节点,该层中有多少个预设特征向量就对应有多个少个节点,与一个预设特征向量距离邻近的其它预设特征向量在该层级中的节点,可以称为该预设特征向量对应节点的友点,并将该预设特征向量对应节点与该节点的友点链接起来。由于友点数量越多,推荐质量越高,但查找效率越低,所以可以根据需求设置每个预设特征向量对应节点的友点数量,而为了兼顾视频推荐的质量和推荐速度,可以将每个预设特征向量对应的友点数量设置在适当范围内。
例如,假设将预设视频特征向量A,称为节点A,与预设特征向量A距离邻近的预设特征向量包括预设特征向量B-F,那么可以将节点B-F称为节点A的友点,进而,若设置节点A的友点数量为3个,那么可以从节点B-F中,确定与节点A距离邻近的3个节点确定为节点A的友点。
在步骤203中,将账户特征向量与视频推荐索引中包括的预设特征向量逐层进行相似度比较,得到比较结果,其中,视频推荐索引的第一层的输入为该账户特征向量,第N层的输入为第(N-1)层的比较结果。
在本公开实施例中,当服务器102确定好用于进行视频推荐的视频推荐索引之后,可以将获取的账户特征向量,与视频推荐索引的第一层(即最高层)中的预设特征向量进行比较,进而在视频推荐索引的第一层中确定出与该账户特征向量相似度满足预设条件的第一特征向量,作为第一层的比较结果输出。
紧接着,可以将该第一层的比较结果(即第一特征向量),作为视频推荐索引中第二层的输入,将第一特征向量与第二层中的分布的预设特征向量进行比较,将第二层中与第一特征向量相似度满足预设条件的预设视频特征向量作为第二层的比较结果输出,进而又将第二层的比较结果作为第三层的输入,按照这种高层复用相邻低层比较结果的方式,逐次在视频推荐索引的包括的M个层中进行特征向量相似度比较,直至确定出第M层(即最高层)的比较结果。也就是说,可以将账户特征向量作为视频推荐索引第一层的输入,按照相邻两个层中低层比较结果为高层比较对象的原则依次遍历视频推荐索引包括的M个层,以确定出第M层中的比较结果。
在本公开实施例中,相似度满足预设条件可以是指输入每个层中的特征向量与每个层中分布的特征向量的相似度大于第一预定阈值,例如,可以将每个层中相似度大于80%的预设特征向量最为该层的比较结果输出。或者,也可以是在将输入每个层中的特征向量与每个层分布的特征向量按照相似度高低进行排序后,将排序前K个的至少一个的预设特征向量作为该层的比较结果输出。例如,可以将排序在前3的3个预设特征向量作为比较结果输出,也可以将排序第1的预设特征向量作为比较结果输出,即将相似度最高的预设特征向量最为比较结果输出。
其中,当预设条件为相似度排序在前K位时,确定视频推荐索引的每个层的比较结果包括比较每个层输入的特征向量与该层中分布的预设特征向量的距离,将与输入的特征向量距离最近的预设特征向量,确定为与输入的特征向量相似度最高的预设特征向量,并将该相似度最高的预设特征向量作为每个层的比较结果。也就是说,可以通过比较每个层中各预设特征向量之间的距离来确定预设特征向量之间的相似度。
举例说明,假设视频推荐索引包括第一层至第四层这四个层,第一层最低,包括的预设特征向量数量最少,第四层最高,包括预设特征向量集合中所有的预设特征向量,并假设账户特征向量仅有一个,即账户特征向量A,那么可以先在第一层中确定出与账户特征向量A距离最近的预设特征向量B,作为与账户特征向量A相似度最高的预设特征向量,继而在第二层中确定出与预设特征向量B距离最近的预设特征向量C,作为与预设特征向量B相似度最高的预设特征向量,继而再在第三层中确定与预设特征向量C距离最近的预设特征向量D,作为与预设特征向量B相似度最高的预设特征向量,最后再第四层中确定与预设特征向量D距离最近的预设特征向量E,作为与预设特征向量D相似度最高的预设特征向量,该预设特征向量E即为第四层输出的比较结果。
在本公开实施例中,根据预先设置的获得比较结果的相似度条件不同,每个层获得的比较结果可能是一个也可能是多个,相邻两个层中,当低层的比较结果包括多个预设特征向量时,将该低层的比较结果输入相邻高层中后与高层中的预设特征向量进行相似度比较后,可能出现在低层比较结果中的两个或者多个预设特征向量在相邻高层中存在一个共同的相似度满足预设条件的预设特征向量,因此,在确定高层中的比较结果时,可以将其中重复确定出的相似度满足预设条件的预设特征向量删除,仅保留一个即可,从而避免比较结果中出现重复的预设特征向量,影响视频检索效率。
在步骤204中,按照从第M层输出的比较结果,向账户推荐视频。
在本公开实施例中,可以设置视频应用每次向账户推荐的视频数量,例如,20个、50个等。进而在获得出第M层输出的比较结果之后,向账户推荐视频时,若根据比较结果确定的预设特征向量对应的视频数量等于预设的向账户推荐的视频数量,则可以直接将该预设视频特征向量对应的视频作为目标视频推荐给用户;若根据比较结果确定的预设特征向量对应的视频数量大于预设的向账户推荐的视频数量,则可以从第M层输出的比较结果中,确定出与账户特征向量的相似度满足预设条件的预设特征向量,进而将确定出的预设特征向量对应的视频作为目标视频推荐给账户;若根据比较结果确定的预设特征向量对应的视频数量小于预设的向账户推荐的视频数量,则在第M层输出比较结果后,还可以在第M层中确定与比较结果相似度满足预设条件的预设特征向量(以下称为第一预设特征向量),进而根据第M层输出的比较结果中预设视频特征向量对应的视频和第一预设特征向量对应的视频作为目标视频推荐给账户。其中,预设条件包括相似度大于第一预定阈值、相似度排序在前K位,K为大于1的自然数中的至少一个条件。
并且,当用于检索的账户特征向量不同时,使用的视频推荐索引也不同,进而基于第M层输出的比价结果向账户推荐视频的方式也存在一定差异。从而可以提高视频的召回率,从而在提升视频推荐的效率的同时,还可以提升用户使用体验。
举例说明,当账户特征向量是为访问视频特征向量时,其对应的视频推荐索引为基于预设视频特征性向量构建的视频推荐索引,第M层输出的比较结果为多个预设视频特征向量,进而可以将预设视频特征向量对应的视频作为目标视频推荐给账户,或者,当第M层确定的比较结果(既多个预设视频特征向量)对应视频(以下称为第一视频)的数量未达到推荐数量要求时,可以在第M层中确定出与该比较结果相似度满足预设条件的预设视频特征向量,进而可以按照任意方式(例如,随机选择、取相似度排序靠前的)从这些预设视频特征向量所对应的视频中确定出相应数量的视频(以下称为第二视频),将第一视频和第二视频作为目标视频推荐给账户。这样,由于可以直接将在第M层中确定出的预设视频特征向量对应的视频推荐给账户,从而可以提高视频检索的效率,使得视频推荐的速度更快。
进一步地,当账户特征向量为账户属性特征向量时,其对应的视频推荐索引为基于预设账户属性特征向量构建的视频推荐索引,第M层中输出的比较结果则为多个预设账户属性特征向量,相应的,在根据第M层输出的比较结果向账户推荐视频,可以先确定出多个预设账户属性特征向量对应的多个预设账户,进而将有多个预设账户访问过的视频作为目标视频推荐给账户。
同样的,当根据多个预设账户访问过的视频(以下称为第三视频)的数量不符合推荐数量要求时,则可以在第M层中确定出与比对结合对应账户相似度满足预设条件的多个账户,进而按照上述任意方式从这些账户所访问过的视频中确定出相应数量的视频(以下称为第四视频),将第三视频和第四视频作为目标视频推荐给账户。由于账户属性特征向量相似度越高的账户的信息相似度越高,例如,可能是年龄、性别、兴趣爱好相同等等,所以,根据相似账户访问过的视频进行视频推荐,可能更加符合用户需求,提高用户使用体验。
作为一种可选的实施方式,在本公开实施例中,由于视频应用可能随着时间的推移增加新的账户,视频应用的账户也可能随时上传新的视频,并且也可能会根据账户的反馈以及视频的上传时间删除视频应用对应的视频库中一些视频,所以,视频应用中的账户数量、账户喜好以及视频应用对应的视频数量会随时间不同而发生变化,视频对应的视频特征向量、账户对应的账户属性特征向量也可能随着特征学习模型设置的参数发生变化,若在视频应用对应的视频数量和账户数量发生变化后,仍以变化之前建立的视频推荐索引进行视频检索推荐,视频检索的召回率也可能降低,最终使得推荐给用户的视频准确度不高,并且推荐的视频可能都是过时的老旧视频,不能将最新上传的视频推荐给用户,从而降低了用户体验。
因此,本公开实施例中可以按照预定的时间间隔,更新获得的预设特征向量集合,进而返回前述的构建索引层次映射表的步骤,即可以基于更新后的预设特征向量集合重新构建索引层次映射表,从而提高视频检索的召回率,视频推荐的准确性,以及提升用户的使用体验感。
在本公开实施中,更新预设特征向量结合的方式包括删除预设特征向量集合中预定时长后未发生变化的预设特征向量;和/或,向预设特征向量集合中添加新的预设特征向量。具体的,可以按照预定时间间隔扫描构建视频推荐索引的预设特征向量,当扫描到预设特征向量中存在预定时长后没有发生变化的预设特征向量,则可以将其删除;还可以在视频应用中有新上传的视频或者新增用户时,可以将新增视频或者用户对应的特征向量作为预设特征向量添加到预设特征向量集合中;或者还可以在删除预定时长后没发生变预设特征向量的同时,添加新增的预设特征向量。从而得到更新预设特征向量集合,以便基于到更新后的预设特征向量集合重新构建索引层次映射表,进而可以根据重新构建的索引层次映射表构建新的视频推荐索引,使得利用视频推荐索引推荐的视频更加符合用户需求。
在本公开实施例中,为了使预设特征向量能够有机会出现在预设推荐索引的每个层次,以降低预设特征向量出现顺序对视频检索召回率和准确性的影响,在重新构建索引层次映射表之前,可以将更新后的预设特征向量集合中各预设特征向量的当前排布顺序随机打散,进而基于打散顺序后的预设特征向量按照前文所述的构建索引层次映射表步骤重新构建视频推荐索引。
也就是说,在视频推荐过程中,索引层次映射表会定时随着预设特征向量的更新而重新构建,进而基于重新构建的索引层次映射表构建新的视频推荐索引,因此可以解决原生HNSW不支持特征更新和删除的问题,所以在提高视频的召回率的同时,还可以确保推荐的视频的实时性,提升了用户的体验感。
作为一种可选的实施方式,本公开实施例中,当根据在视频推荐索引的第M层输出比较结果确定出需要向账户推荐的目标视频之后,进行视频推荐之前,还可以按照以下条之一或者组合对确定出的向账户推荐的目标视频进行处理:
第一种,删除目标视频中重复的视频;
在本公开实施例中,视频应用中可能存在着视频标识不同,但视频内容相同的视频,例如,用户重复上传,或者多个用户基于同一景物的同一角度拍摄的视频,由于这些相同内容的视频训练得到的视频特征向量可能相同或者相近,那么,基于前文所述的视频推荐索引进行检索时,确定出目标视频特中可能存在内容相同的视频,若向账户推荐内容重复视频,可能会降低用户的使用体验,所以,在进行视频推荐之前,可以删除目标视频特中内容重复的视频,以使得推荐的视频更加符合用户需求,提升用户体验。
第二种,删除目标视频中视频清晰度低于第二预定阈值的视频。
具体的,由于不同用户拍摄水平不同、拍摄设备的像素也不相同,所以上传到视频应用中的视频质量也有所差异,为了确保向用户推荐的视频的质量,可以将目标视频中清晰度低于预定阈值的视频删除,从而将目标视频中视频清晰度较高的视频推荐给账户,提升用户的使用体验感。
第三种,将目标视频进行压缩处理。
在本公开实施例中,目标视频可以是一个视频,也可以包括多个视频,当目标视频的数量较多时,为了减少目标视频占用的内存,以及提高图1所示的服务器102将确定的目标视频发送给终端设备101的效率,可以将其进行压缩处理,从而将压缩后的视频发送给终端设备101,终端设备101在接收到视频进行解压处理后再显示在视频应用的推荐列表中,以便账户查看视频。
所以,通过上述方法,本公开实施例可以利用构建的层状视频推荐索引进行视频推荐,在接收到视频推荐请求之后,可以根据该视频推荐请求获取对应的账户特征向量,其中,该视频推荐请求中携带有待推荐视频的账户的信息,账户特征向量与待推荐视频的账户信息相对应,进而,可以将获取的账户特征向量输入视频推荐索引中,按照高层复用相邻低层级的比较结果的索引方式,将账户特征向量与视频推荐索引中包括的预设特征向量逐层进行相似度比较,得到相似度满足预设条件的比较结果,并根据最高层输出的比较结果,向账户推荐视频。这样,相较于现有的基于树状视频推荐索引而言,可以提高视频检索的召回率,提高视频推荐服务的质量。并且,由于本公开实施例中的视频推荐索引可以定时更新预设特征向量后,利用更新后的预设特征向量重新构建新的视频推荐索引,因此可以解决原生HNSW不支持特征向量更新和删除的问题,进而可以进一步提高视频检索的召回率,使得推荐的视频更加符合用户需求,进一步提升用户的使用体验感。
图4a是根据一示例性实施例示出的一种视频推荐装置的框图,请参见图4a,该装置包括:接收单元401,获取单元402、确定单元403和推荐单元404,其中:
接收单元401,被配置为执行根据接收到的视频推荐请求,获取对应的账户特征向量,其中,视频推荐请求中携带有待推荐视频的账户的信息,账户特征向量与所述账户的信息相对应;
获取单元402,被配置为执行获取构建的视频推荐索引,其中,视频推荐索引包括M个层,各层中包括预设特征向量,M个层中第N层中包括第(N-1)层所包含的预设特征向量,M为自然数,N为大于1且小于M的自然数;
确定单元403,被配置为执行将所述账户特征向量作为输入与视频推荐索引中包括的预设特征向量逐层进行相似度比较,得到比较结果,其中,针对视频推荐索引的第一层的输入为账户特征向量,针对第N层的输入为第(N-1)层的比较结果;
推荐单元404,被配置为执行按照从第M层输出的比较结果,向账户推荐视频。
在一种可能的实施方式中,请参见图4b,图4b中的视频推荐装置还包括构建单元405,视频推荐索引通过构建单元405按照以下方式构建得到,该构建单元405被配置为执行:获得预设特征向量集合;基于预设特征向量集合,构建索引层次映射表,其中,索引层次映射表中记录有索引的层数、每个层分布的特征向量的数量以及特征向量所属层的信息;按照索引层次映射表,将预设特征向量分配到各个层,得到视频推荐索引。
在一种可能的实施方式中,图4b所示的视频推荐装置还包括更新单元406,该更新单元406被配置为执行:间隔预定时间,更新预设特征向量集合;并基于更新后的预设特征向量集合,更新索引层次映射表。
在一种可能的实施方式中,图4b所示的更新单元406具体被配置为执行:删除预设特征向量集合中预定时长后未发生变化的预设特征向量;和/或,向预设特征向量集合中添加新的预设特征向量。
在一种可能的实施方式中,图4b所示的构建单元405具体被配置为执行:根据预定增率确定所述索引层次映射表包括的层数、每个层分布的预设特征向量的数量;从预设特征向量集合中按照每个层分布的预设特征向量的数量,选取对应数量的预设特征向量;按照每个层包括的预设特征向量之间的相似度高低关系,确定索引层次映射表中每个层中预设特征向量分布的位置。
在一种可能的实施方式中,构建单元405还被配置为执行:从预设特征向量集合中任意选择对应数量的预设特征向量,或按照预设特征向量集合中各预设特征向量的排布顺序依次选择对应数量的预设特征向量。
在一种可能的实施方式中,图4b所示的视频推荐装置还包括排序单元407,该排序单元407被配置为执行:当按照预设特征向量集合中各预设特征向量的排布顺序依次选择对应数量预设特征向量时,随机打散更新后的预设特征向量集合中的各预设特征向量当前排布顺序。
在一种可能的实施方式中,推荐单元404还被配置为执行:从第M层输出的比较结果中,确定出与账户特征向量的相似度满足预设条件的预设特征向量;将确定出的预设特征向量对应的视频作为目标视频,推荐给所述账户。
在一种可能的实施方式中,预设条件包括如下条件之一:相似度大于第一预定阈值;相似度排序在前K位,K为大于1的自然数。
在一种可能的实施方式中,确定单元403具体被配置为执行:当预设条件为相似度排序在前K位时,比较每个层输入的特征向量与该层中分布的预设特征向量的距离;将与输入的特征向量距离最近的预设特征向量,确定为与该输入的特征向量相似度最高的预设特征向量,并将该相似度最高的预设特征向量作为所述每个层的比较结果。
在一种可能的实施方式中,图4b所示的视频推荐装置还包括处理单元408,该处理单元408被配置为按照以下条件之一或者组合对向所述账户推荐的目标视频进行处理:
删除目标视频中内容重复的视频;或者,
删除目标视频中视频清晰度低于第二预定阈值的视频;或者,
对目标视频进行压缩处理。
关于上述实施例中视频推荐装置,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。
本公开实施例中对模块的划分是示意性的,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,另外,在本公开各个实施例中的各功能模块可以集成在一个处理器中,也可以是单独物理存在,也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。
图5是根据一示例性实施例示出的一种视频推荐服务器的结构示意图,该视频推荐服务器例如是图1所示的服务器102。如图5所示,本公开实施例中的视频推荐服务器包括至少一个处理器501,以及与至少一个处理器501连接的存储器502和通信接口503,本公开实施例中不限定处理器501与存储器502之间的具体连接介质,图5中是以处理器501和存储器502之间通过总线500连接为例,总线500在图5中以粗线表示,其它部件之间的连接方式,仅是进行示意性说明,并不引以为限。总线500可以分为地址总线、数据总线、控制总线等,为便于表示,图5中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
在本公开实施例中,存储器502存储有可被至少一个处理器501执行的指令,至少一个处理器501通过执行存储器502存储的指令,可以执行前述的视频推荐方法中所包括的步骤。
其中,处理器501是视频推荐服务器的控制中心,可以利用各种接口和线路连接整个视频推荐服务器的各个部分,通过运行或执行存储在存储器502内的指令以及调用存储在存储器502内的数据,计算设备的各种功能和处理数据,从而对计算设备进行整体监控。可选的,处理器501可包括一个或多个处理单元,处理器501可集成应用处理器和调制解调处理器,其中,处理器501主要处理操作***、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器501中。在一些实施例中,处理器501和存储器502可以在同一芯片上实现,在一些实施例中,它们也可以在独立的芯片上分别实现。
处理器501可以是通用处理器,例如中央处理器(CPU)、数字信号处理器、专用集成电路、现场可编程门阵列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,可以实现或者执行本公开实施例中公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本公开实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
存储器502作为一种非易失性计算机可读存储介质,可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块。存储器502可以包括至少一种类型的存储介质,例如可以包括闪存、硬盘、多媒体卡、卡型存储器、随机访问存储器(Random AccessMemory,RAM)、静态随机访问存储器(Static Random Access Memory,SRAM)、可编程只读存储器(Programmable Read Only Memory,PROM)、只读存储器(Read Only Memory,ROM)、带电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,EEPROM)、磁性存储器、磁盘、光盘等等。存储器502是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。本公开实施例中的存储器502还可以是电路或者其它任意能够实现存储功能的装置,用于存储程序指令和/或数据。
通信接口503是能够用于进行通信的传输接口,可以通过通信接口503接收数据或者发送数据,例如可以通过通信接口503接收账户通过终端设备发送的视频推荐请求,以及,还可以通过该通信接口503将根据视频推荐索引检索得到的视频发送给其它设备。
参见图6所示的视频推荐服务器的进一步地的结构示意图,该视频推荐服务器还包括帮助视频推荐服务器内的各个器件之间传输信息的基本输入/输出***(I/O***)601、用于存储操作***602、应用程序603和其他程序模块604的大容量存储设备605。
基本输入/输出***601包括有用于显示信息的显示器606和用于用户输入信息的诸如鼠标、键盘之类的输入设备607。其中显示器606和输入设备607都通过连接到***总线500的基本输入/输出***601连接到处理器501。所述基本输入/输出***601还可以包括输入输出控制器以用于接收和处理来自键盘、鼠标、或电子触控笔等多个其他设备的输入。类似地,输入输出控制器还提供输出到显示屏、打印机或其他类型的输出设备。
所述大容量存储设备605通过连接到***总线500的大容量存储控制器(未示出)连接到处理器501。所述大容量存储设备605及其相关联的计算机可读介质为该服务器包提供非易失性存储。也就是说,大容量存储设备605可以包括诸如硬盘或者CD-ROM驱动器之类的计算机可读介质(未示出)。
根据本公开的各种实施例,该视频推荐服务器包还可以通过诸如因特网等网络连接到网络上的远程计算机运行。也即该计算设备可以通过连接在所述***总线500上的通信接口503连接到网络608,或者说,也可以使用通信接口503来连接到其他类型的网络或远程计算机***(未示出)。
基于上述实施例,本公开实施例提供一种存储介质,当所述存储介质中的指令由视频推荐服务器的处理器执行时,使得视频推荐服务器能够执行实现本公开实施例上述任意一项视频推荐方法或任意一项视频推荐方法任一可能涉及的方法。
在一些可能的实施方式中,本公开实施例提供的视频推荐方法的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在计算机上运行时,所述程序代码用于使所述计算机执行前文述描述的根据本公开各种示例性实施方式的视频推荐方法中的步骤。
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。本公开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 (22)
1.一种视频推荐方法,其特征在于,包括:
根据接收到的视频推荐请求,获取对应的账户特征向量,其中,所述视频推荐请求中携带有待推荐视频的账户的信息,所述账户特征向量与所述账户的信息相对应;
获取构建的视频推荐索引,其中,所述视频推荐索引包括M个层,各层中包括预设特征向量,M个层中第N层中包括第(N-1)层所包含的预设特征向量,M为自然数,N为大于1且小于M的自然数;
将所述账户特征向量作为输入与所述视频推荐索引中包括的预设特征向量逐层进行相似度比较,得到比较结果,其中,针对所述视频推荐索引的第一层的输入为所述账户特征向量,针对第N层的输入为第(N-1)层的比较结果;
按照从第M层输出的比较结果,向所述账户推荐视频;
其中,所述视频推荐索引按照以下方式构建得到:
获得预设特征向量集合;
基于所述预设特征向量集合,构建索引层次映射表,其中,所述索引层次映射表中记录有索引的层数、每个层分布的特征向量的数量以及特征向量所属层的信息;
按照所述索引层次映射表,将预设特征向量分配到各个层,得到所述视频推荐索引。
2.如权利要求1所述的方法,其特征在于,在获得预设特征向量集合之后,所述方法还包括:
间隔预定时间,更新所述预设特征向量集合;
并基于更新后的预设特征向量集合,更新索引层次映射表。
3.如权利要求2所述的方法,其特征在于,更新所述预设特征向量集合包括:
删除所述预设特征向量集合中预定时长后未发生变化的预设特征向量;和/或,
向所述预设特征向量集合中添加新的预设特征向量。
4.如权利要求2所述的方法,其特征在于,基于所述预设特征向量集合,构建索引层次映射表包括:
根据预定增率确定所述索引层次映射表包括的层数、每个层分布的预设特征向量的数量;
从所述预设特征向量集合中按照所述每个层分布的预设特征向量的数量,选取对应数量的预设特征向量;
按照所述每个层包括的预设特征向量之间的相似度高低关系,确定所述索引层次映射表中每个层中预设特征向量分布的位置。
5.如权利要求4所述的方法,其特征在于,所述选取对应数量的预设特征向量,包括:
从所述预设特征向量集合中任意选择,或按照所述预设特征向量集合中各预设特征向量的排布顺序依次选择。
6.如权利要求5所述的方法,其特征在于,若按照所述预设特征向量集合中各预设特征向量的排布顺序依次选择对应数量预设特征向量,则在所述更新所述预设特征向量集合之后,重新构建所述视频推荐索引之前,所述方法还包括:
随机打散所述更新后的预设特征向量集合中的各预设特征向量当前排布顺序。
7.如权利要求1所述的方法,其特征在于,按照从第M层输出的比较结果,向所述账户推荐视频,包括:
从第M层输出的比较结果中,确定出与所述账户特征向量的相似度满足预设条件的预设特征向量;
将确定出的预设特征向量对应的视频作为目标视频,推荐给所述账户。
8.如权利要求7所述的方法,其特征在于,所述预设条件包括如下条件之一:相似度大于第一预定阈值;相似度排序在前K位,K为大于1的自然数。
9.如权利要求8所述的方法,其特征在于,当预设条件为相似度排序在前K位时,确定所述视频推荐索引的每个层的比较结果包括:
比较每个层输入的特征向量与该层中分布的预设特征向量的距离;
将与所述输入的特征向量距离最近的预设特征向量,确定为与所述输入的特征向量相似度最高的预设特征向量,并将所述相似度最高的预设特征向量作为所述每个层的比较结果。
10.如权利要求7-9任一所述的方法,其特征在于,在所述将确定出的预设特征向量对应的视频作为目标视频之后,所述推荐给所述账户之前,所述方法还包括:按照以下条件之一或者组合对向所述账户推荐的目标视频进行处理:
删除所述目标视频中内容重复的视频;或者,
删除所述目标视频中视频清晰度低于第二预定阈值的视频;或者,
对所述目标视频进行压缩处理。
11.一种视频推荐装置,其特征在于,包括:
接收单元,被配置为执行根据接收到的视频推荐请求,获取对应的账户特征向量,其中,所述视频推荐请求中携带有待推荐视频的账户的信息,所述账户特征向量与所述账户的信息相对应;
获取单元,被配置为执行获取构建的视频推荐索引,其中,所述视频推荐索引包括M个层,各层中包括预设特征向量,M个层中第N层中包括第(N-1)层所包含的预设特征向量,M为自然数,N为大于1且小于M的自然数;
确定单元,被配置为执行将所述账户特征向量作为输入与所述视频推荐索引中包括的预设特征向量逐层进行相似度比较,得到比较结果,其中,针对所述视频推荐索引的第一层的输入为所述账户特征向量,针对第N层的输入为第(N-1)层的比较结果;
推荐单元,被配置为执行按照从第M层输出的比较结果,向所述账户推荐视频;
其中,所述装置还包构建单元,所述视频推荐索引通过构建单元按照以下方式构建得到,所述构建单元被配置为执行:
获得预设特征向量集合;
基于所述预设特征向量集合,构建索引层次映射表,其中,所述索引层次映射表中记录有索引的层数、每个层分布的特征向量的数量以及特征向量所属层的信息;
按照所述索引层次映射表,将预设特征向量分配到各个层,得到所述视频推荐索引。
12.如权利要求11所述的装置,其特征在于,所述装置还包括更新单元,所述更新单元被配置为执行:
间隔预定时间,更新所述预设特征向量集合;
并基于更新后的预设特征向量集合,更新索引层次映射表。
13.如权利要求12所述的装置,其特征在于,所述更新单元具体被配置为执行:
删除所述预设特征向量集合中预定时长后未发生变化的预设特征向量;和/或,
向所述预设特征向量集合中添加新的预设特征向量。
14.如权利要求12所述的装置,其特征在于,所述构建单元还被配置为执行:
根据预定增率确定所述索引层次映射表包括的层数、每个层分布的预设特征向量的数量;
从所述预设特征向量集合中按照所述每个层分布的预设特征向量的数量,选取对应数量的预设特征向量;
按照所述每个层包括的预设特征向量之间的相似度高低关系,确定所述索引层次映射表中每个层中预设特征向量分布的位置。
15.如权利要求14所述的装置,其特征在于,所述构建单元还被配置为执行:
从所述预设特征向量集合中任意选择对应数量的预设特征向量,或按照所述预设特征向量集合中各预设特征向量的排布顺序依次选择对应数量的预设特征向量。
16.如权利要求15所述的装置,其特征在于,所述装置还包括排序单元,所述排序单元被配置为执行:
当按照所述预设特征向量集合中各预设特征向量的排布顺序依次选择对应数量预设特征向量时,随机打散所述更新后的预设特征向量集合中的各预设特征向量当前排布顺序。
17.如权利要求11所述的装置,其特征在于,所述推荐单元还被配置为执行:
从第M层输出的比较结果中,确定出与所述账户特征向量的相似度满足预设条件的预设特征向量;
将确定出的预设特征向量对应的视频作为目标视频,推荐给所述账户。
18.如权利要求17所述的装置,其特征在于,所述预设条件包括如下条件之一:相似度大于第一预定阈值;相似度排序在前K位,K为大于1的自然数。
19.如权利要求18所述的装置,其特征在于,所述确定单元具体被配置为执行:
当预设条件为相似度排序在前K位时,比较每个层输入的特征向量与该层中分布的预设特征向量的距离;
将与所述输入的特征向量距离最近的预设特征向量,确定为与所述输入的特征向量相似度最高的预设特征向量,并将所述相似度最高的预设特征向量作为所述每个层的比较结果。
20.如权利要求17-19任一所述的装置,其特征在于,所述装置还包括处理单元,所述处理单元被配置为按照以下条件之一或者组合对向所述账户推荐的目标视频进行处理:
删除所述目标视频中内容重复的视频;或者,
删除所述目标视频中视频清晰度低于第二预定阈值的视频;或者,
对所述目标视频进行压缩处理。
21.一种视频推荐服务器,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1-10中任一项所述的视频推荐方法。
22.一种存储介质,其特征在于,当所述存储介质中的指令由视频推荐服务器的处理器执行时,使得视频推荐服务器能够执行如权利要求1-10中任一项所述的视频推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911056969.XA CN112749296B (zh) | 2019-10-31 | 2019-10-31 | 一种视频推荐方法、装置、服务器及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911056969.XA CN112749296B (zh) | 2019-10-31 | 2019-10-31 | 一种视频推荐方法、装置、服务器及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112749296A CN112749296A (zh) | 2021-05-04 |
CN112749296B true CN112749296B (zh) | 2024-01-26 |
Family
ID=75644924
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911056969.XA Active CN112749296B (zh) | 2019-10-31 | 2019-10-31 | 一种视频推荐方法、装置、服务器及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112749296B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN114297438B (zh) * | 2021-12-10 | 2024-07-09 | 北京达佳互联信息技术有限公司 | 一种搜索对象的方法、装置及电子设备 |
WO2024065692A1 (zh) * | 2022-09-30 | 2024-04-04 | 华为技术有限公司 | 一种向量检索方法及装置 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015106347A (ja) * | 2013-12-02 | 2015-06-08 | 株式会社Nttドコモ | レコメンド装置およびレコメンド方法 |
CN107391549A (zh) * | 2017-06-05 | 2017-11-24 | 北京百度网讯科技有限公司 | 基于人工智能的新闻召回方法、装置、设备及存储介质 |
CN108460162A (zh) * | 2018-03-31 | 2018-08-28 | 北京偏北音乐文化有限公司 | 推荐信息处理方法、装置、设备及介质 |
CN108737859A (zh) * | 2018-05-07 | 2018-11-02 | 华东师范大学 | 基于弹幕的视频推荐方法和装置 |
CN108959634A (zh) * | 2018-07-25 | 2018-12-07 | 南京创维信息技术研究院有限公司 | 视频推荐方法、装置、设备及存储介质 |
CN109447813A (zh) * | 2018-09-05 | 2019-03-08 | 平安科技(深圳)有限公司 | 产品推荐方法、装置、计算机设备和存储介质 |
CN109522483A (zh) * | 2018-11-14 | 2019-03-26 | 北京百度网讯科技有限公司 | 用于推送信息的方法和装置 |
CN109783656A (zh) * | 2018-12-06 | 2019-05-21 | 北京达佳互联信息技术有限公司 | 音视频数据的推荐方法、***及服务器和存储介质 |
CN109919208A (zh) * | 2019-02-25 | 2019-06-21 | 中电海康集团有限公司 | 一种外观图像相似度比对方法和*** |
CN110012356A (zh) * | 2019-04-16 | 2019-07-12 | 腾讯科技(深圳)有限公司 | 视频推荐方法、装置和设备及计算机存储介质 |
CN110020156A (zh) * | 2017-12-07 | 2019-07-16 | 深圳市腾讯计算机***有限公司 | 信息推荐方法、前端实现方法、装置、设备和存储介质 |
WO2019154262A1 (zh) * | 2018-02-07 | 2019-08-15 | 腾讯科技(深圳)有限公司 | 一种图像分类方法及服务器、用户终端、存储介质 |
CN110232152A (zh) * | 2019-05-27 | 2019-09-13 | 腾讯科技(深圳)有限公司 | 内容推荐方法、装置、服务器以及存储介质 |
CN110321446A (zh) * | 2019-07-08 | 2019-10-11 | 深圳市华云中盛科技有限公司 | 相关数据推荐方法、装置、计算机设备及存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101175597B1 (ko) * | 2011-09-27 | 2012-08-21 | (주)올라웍스 | 아다부스트 학습 알고리즘을 이용하여 얼굴 특징점 위치를 검출하기 위한 방법, 장치, 및 컴퓨터 판독 가능한 기록 매체 |
US10536580B2 (en) * | 2017-06-01 | 2020-01-14 | Adobe Inc. | Recommendations based on feature usage in applications |
-
2019
- 2019-10-31 CN CN201911056969.XA patent/CN112749296B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015106347A (ja) * | 2013-12-02 | 2015-06-08 | 株式会社Nttドコモ | レコメンド装置およびレコメンド方法 |
CN107391549A (zh) * | 2017-06-05 | 2017-11-24 | 北京百度网讯科技有限公司 | 基于人工智能的新闻召回方法、装置、设备及存储介质 |
CN110020156A (zh) * | 2017-12-07 | 2019-07-16 | 深圳市腾讯计算机***有限公司 | 信息推荐方法、前端实现方法、装置、设备和存储介质 |
WO2019154262A1 (zh) * | 2018-02-07 | 2019-08-15 | 腾讯科技(深圳)有限公司 | 一种图像分类方法及服务器、用户终端、存储介质 |
CN108460162A (zh) * | 2018-03-31 | 2018-08-28 | 北京偏北音乐文化有限公司 | 推荐信息处理方法、装置、设备及介质 |
CN108737859A (zh) * | 2018-05-07 | 2018-11-02 | 华东师范大学 | 基于弹幕的视频推荐方法和装置 |
CN108959634A (zh) * | 2018-07-25 | 2018-12-07 | 南京创维信息技术研究院有限公司 | 视频推荐方法、装置、设备及存储介质 |
CN109447813A (zh) * | 2018-09-05 | 2019-03-08 | 平安科技(深圳)有限公司 | 产品推荐方法、装置、计算机设备和存储介质 |
CN109522483A (zh) * | 2018-11-14 | 2019-03-26 | 北京百度网讯科技有限公司 | 用于推送信息的方法和装置 |
CN109783656A (zh) * | 2018-12-06 | 2019-05-21 | 北京达佳互联信息技术有限公司 | 音视频数据的推荐方法、***及服务器和存储介质 |
CN109919208A (zh) * | 2019-02-25 | 2019-06-21 | 中电海康集团有限公司 | 一种外观图像相似度比对方法和*** |
CN110012356A (zh) * | 2019-04-16 | 2019-07-12 | 腾讯科技(深圳)有限公司 | 视频推荐方法、装置和设备及计算机存储介质 |
CN110232152A (zh) * | 2019-05-27 | 2019-09-13 | 腾讯科技(深圳)有限公司 | 内容推荐方法、装置、服务器以及存储介质 |
CN110321446A (zh) * | 2019-07-08 | 2019-10-11 | 深圳市华云中盛科技有限公司 | 相关数据推荐方法、装置、计算机设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112749296A (zh) | 2021-05-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108921221B (zh) | 用户特征的生成方法、装置、设备及存储介质 | |
US10572565B2 (en) | User behavior models based on source domain | |
KR102526040B1 (ko) | 정보 검색 방법, 장치, 기기, 저장 매체 및 컴퓨터 프로그램 | |
US10904599B2 (en) | Predicting digital personas for digital-content recommendations using a machine-learning-based persona classifier | |
CN109086439B (zh) | 信息推荐方法及装置 | |
US10277696B2 (en) | Method and system for processing data used by creative users to create media content | |
CN112749296B (zh) | 一种视频推荐方法、装置、服务器及存储介质 | |
CN102483745B (zh) | 共同选择图像分类 | |
US9495645B2 (en) | Method and system of iteratively autotuning prediction parameters in a media content recommender | |
CN104462593A (zh) | 一种提供用户个性化资源消息推送的方法和装置 | |
TW201447797A (zh) | 內容個人化之多相排序方法和系統 | |
US11593343B1 (en) | User interface structural clustering and analysis | |
CN111782957A (zh) | 一种推荐内容的方法、装置、计算设备及存储介质 | |
CN112052387B (zh) | 一种内容推荐方法、装置和计算机可读存储介质 | |
CN111552884B (zh) | 用于内容推荐的方法和设备 | |
CN111400546B (zh) | 一种视频召回方法、视频推荐方法及装置 | |
WO2023024017A1 (en) | Multi-modal hypergraph-based click prediction | |
US20170155939A1 (en) | Method and System for Processing Data Used By Creative Users to Create Media Content | |
CN111858969B (zh) | 多媒体数据推荐方法、装置、计算机设备和存储介质 | |
US20220027776A1 (en) | Content cold-start machine learning system | |
WO2022095661A1 (zh) | 推荐模型的更新方法、装置、计算机设备和存储介质 | |
CN113742580B (zh) | 目标类型数据的召回方法、装置、电子设备及存储介质 | |
CN114817692A (zh) | 确定推荐对象的方法、装置和设备及计算机存储介质 | |
US20170083625A1 (en) | Method and system for predicting popularity of a content item | |
Perera et al. | Exploring the use of time-dependent cross-network information for personalized recommendations |
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 |