CN113111222A - 短视频模板的生成方法、装置、服务器以及存储介质 - Google Patents

Abstract

本公开关于一种短视频模板的生成方法、装置、服务器以及存储介质，涉及计算机技术领域，其中，该方法包括：从短视频模板库中获取多个已有模板；对每一个已有模板进行要素拆解，得到多个要素；采用多种合成规则，对多个要素中至少部分要素进行合成，以得到多个候选模板；对每一个候选模板，采用预测模型预测用户反馈信息；依据各候选模板的用户反馈信息，对多个候选模板进行筛选，并将筛选保留的目标模板添加至短视频模板库。由此，可以实现根据已有模板，自动生成新的短视频模板，可以提升短视频模板的生成效率。

Description

短视频模板的生成方法、装置、服务器以及存储介质

技术领域

本公开涉及计算机技术领域，尤其涉及一种短视频模板的生成方法、装置、服务器以及存储介质。

背景技术

随着终端技术的不断发展以及电子设备的不断普及，越来越多的用户喜欢通过拍照、录像的方式来记录和分享生活。短视频由于信息量较多以及数据量较小的优势，受到用户的普遍欢迎。

目前，用户可以使用短视频类应用(Application，简称APP)拍摄短视频并进行发布，当其他用户浏览到该用户发布的短视频后，可以点赞、评论、转发等。为了使得用户拍摄高质量且符合用户需求的短视频，各短视频类APP推出了短视频模板库，用户可以根据自身需求从短视频模板库中选择一个短视频模板，来拍摄短视频。

然而，相关技术中，短视频模板库中的各短视频模板是通过人工手动制作的，短视频模板的制作效率较低。

发明内容

本公开提供一种短视频模板的生成方法、装置、服务器以及存储介质，以至少解决相关技术中，短视频模板的制作效率较低的技术问题。

本公开的技术方案如下：

根据本公开实施例的第一方面，提供一种短视频模板的生成方法，包括：

从短视频模板库中获取多个已有模板；

对每一个所述已有模板进行要素拆解，得到多个要素；

采用多种合成规则，对所述多个要素中至少部分要素进行合成，以得到多个候选模板；

对每一个所述候选模板，采用预测模型预测用户反馈信息；

依据各所述候选模板用户反馈信息，对多个所述候选模板进行筛选，并将筛选保留的目标模板添加至所述短视频模板库。

作为本公开实施例的第一种可能的情况，所述依据各所述候选模板的用户反馈信息，对多个所述候选模板进行筛选，并将筛选保留的目标模板添加至所述短视频模板库，包括：

响应于所述候选模板的用户反馈信息符合设定召回指标，将所述候选模板作为筛选保留的所述目标模板，并将所述目标模板添加至所述短视频模板库；

响应于所述候选模板的用户反馈信息不符合所述设定召回指标，删除所述候选模板。

作为本公开实施例的第二种可能的情况，所述预测模型预测的用户反馈信息包括多个维度的用户反馈信息，每个所述维度对应一种用户交互行为，每个所述维度的用户反馈信息，包括用户执行对应用户交互行为的概率和/或次数；

所述目标模板，在至少设定个数的维度上的概率和/或次数，符合对应维度的所述召回指标。

作为本公开实施例的第三种可能的情况，所述预测模型是通过以下步骤训练得到的：

对多个所述已有模板监听用户交互行为，以得到每一个所述已有模板的第一实际反馈信息；

将每一个所述已有模板所包含的要素作为一个第一训练样本，输入初始的预测模型进行模型训练，以使训练后的预测模型预测的用户反馈信息与所述第一实际反馈信息之间的差异最小化。

作为本公开实施例的第四种可能的情况，所述依据各所述候选模板的用户反馈信息，对多个所述候选模板进行筛选，并将筛选保留的目标模板添加至所述短视频模板库之后，还包括：

对所述目标模板监听用户交互行为，以得到第二实际反馈信息；

将所述目标模板包含的要素作为第一训练样本，输入所述预测模型进行模型训练，以使所述预测模型输出的向量化表示所表示的用户反馈信息与所述第二实际反馈信息之间的差异最小化。

作为本公开实施例的第五种可能的情况，所述要素包括音频、特效、图片、文字和物品对象中的一个或多个组合。

作为本公开实施例的第六种可能的情况，所述多种合成规则包括随机合成。

本公开实施例的短视频模板的生成方法，通过从短视频模板库中获取多个已有模板，并对每一个已有模板进行要素拆解，得到多个要素；之后，采用多种合成规则，对多个要素中至少部分要素进行合成，以得到多个候选模板，并对每一个候选模板，采用预测模型预测用户反馈信息，最后，依据各候选模板的用户反馈信息，对多个候选模板进行筛选，并将筛选保留的目标模板添加至短视频模板库。由此，可以实现根据短视频模板库中的已有模板，自动生成新的候选模板，可以提升短视频模板的生成效率。并且，根据预测的用户反馈信息，对生成的候选模板进行筛选，可以使得保留的各目标模板更符合用户的实际需求，从而可以提升目标模板的使用率。

根据本公开实施例的第二方面，提供一种短视频模板的生成装置，包括：

获取模块，被配置为从短视频模板库中获取多个已有模板；

拆分模块，被配置为对每一个所述已有模板进行要素拆解，得到多个要素；

合成模块，被配置为采用多种合成规则，对所述多个要素中至少部分要素进行合成，以得到多个候选模板；

预测模块，被配置为对每一个所述候选模板，采用预测模型预测用户反馈信息；

筛选模块，被配置为依据各所述候选模板的用户反馈信息，对多个所述候选模板进行筛选，并将筛选保留的目标模板添加至所述短视频模板库。

作为本公开实施例的第一种可能的情况，所述筛选模块，具体被配置为：

响应于所述候选模板的用户反馈信息符合设定召回指标，将所述候选模板作为筛选保留的所述目标模板，并将所述目标模板添加至所述短视频模板库；

响应于所述候选模板的用户反馈信息不符合所述设定召回指标，删除所述候选模板。

作为本公开实施例的第二种可能的情况，所述预测模型预测的用户反馈信息包括多个维度的用户反馈信息，每个所述维度对应一种用户交互行为，每个所述维度的用户反馈信息，包括用户执行对应用户交互行为的概率和/或次数；

所述目标模板，在至少设定个数的维度上的概率和/或次数，符合对应维度的所述召回指标。

作为本公开实施例的第三种可能的情况，所述预测模型是通过以下模块训练得到的：

第一监听模块，用于对多个所述已有模板监听用户交互行为，以得到每一个所述已有模板的第一实际反馈信息；

第一训练模块，用于将每一个所述已有模板所包含的要素作为一个第一训练样本，输入初始的预测模型进行模型训练，以使训练后的预测模型预测的用户反馈信息与所述第一实际反馈信息之间的差异最小化。

作为本公开实施例的第四种可能的情况，所述装置还包括：

第二监听模块，被配置为对所述目标模板监听用户交互行为，以得到第二实际反馈信息；

第二训练模块，被配置为将所述目标模板包含的要素作为第一训练样本，输入所述预测模型进行模型训练，以使所述预测模型预测的用户反馈信息与所述第二实际反馈信息之间的差异最小化。

作为本公开实施例的第五种可能的情况，所述要素包括音频、特效、图片、文字和物品对象中的一个或多个组合。

作为本公开实施例的第六种可能的情况，所述多种合成规则包括随机合成。

本公开实施例的短视频模板的生成装置，通过从短视频模板库中获取多个已有模板，并对每一个已有模板进行要素拆解，得到多个要素，之后，采用多种合成规则，对多个要素中至少部分要素进行合成，以得到多个候选模板，并对每一个候选模板，采用预测模型预测用户反馈信息，最后，依据各候选模板的用户反馈信息，对多个候选模板进行筛选，并将筛选保留的目标模板添加至短视频模板库。由此，可以实现根据短视频模板库中的已有模板，自动生成新的候选模板，可以提升短视频模板的生成效率。并且，根据预测的用户反馈信息，对生成的候选模板进行筛选，可以使得保留的各目标模板更符合用户的实际需求，从而可以提升目标模板的使用率。

根据本公开实施例的第三方面，提供一种服务器，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，以实现本公开第一方面实施例提出的短视频模板的生成方法。

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服务器的处理器执行时，使得服务器能够执行本公开第一方面实施例提出的短视频模板的生成方法。

根据本公开实施例的第五方面，提供一种计算机程序产品，包括计算机程序，该计算机程序被服务器中的处理器执行时，使得服务器能够执行如本公开第一方面实施例提出的短视频模板的生成方法。

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一所示出的短视频模板的生成方法的流程图；

图2是根据一示例性实施例二所示出的短视频模板的生成方法的流程图；

图3是根据一示例性实施例三所示出的预测模型的训练流程示意图；

图4是根据一示例性实施例四所示出的短视频模板的生成方法的流程图；

图5是根据一示例性实施例五所示出的短视频模板的生成装置的框图；

图6是根据一示例性实施例示出的一种服务器的框图。

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。

图1是根据一示例性实施例一所示出的短视频模板的生成方法的流程图。

本公开实施例以该短视频模板的生成方法被配置于短视频模板的生成装置中来举例说明，该短视频模板的生成装置可以设置在服务器中。

如图1所示，短视频模板的生成方法可以包括以下步骤：

在步骤S101中，从短视频模板库中获取多个已有模板。

在本公开实施例中，已有模板是指短视频模板库中已存在的短视频模板，该已有模板可以为人工合成的短视频模板，或者，也可以为采用本公开中的短视频模板的生成方法自动生成的短视频模板，对此不作限制。

在本公开实施例中，可以从短视频模板库中选取多个已有模板，比如，可以随机选取多个已有模板，或者，可以按序选取多个已有模板，或者，可以选取多个热门的已有模板，或者，可以选取最新的多个已有模板，或者，可以确定短视频模板库中各已有模板的类别，从各类别的已有模板中，分别选取预设个数的已有模板，等等，本公开对此并不作限制。

在步骤S102中，对每一个已有模板进行要素拆解，得到多个要素。

在本公开实施例的一种可能的实现方式中，为了提升新生成的短视频模板的内容丰富度，要素可以包括音频、特效、图片、文字和物品对象中的一个或多个组合。即每个要素中可以包括音频、特效、图片、文字或物品对象中的至少一个，其中，物品对象可以为任一物品，特效可以包括美颜、美妆、美体、细调、滤镜、魔法表情等特效。

在本公开实施例中，在获取多个已有模板后，针对每一个已有模板，可以对该已有模板进行要素拆解，得到多个要素，即，每一个已有模板均可以拆解得到多个要素。

作为一种示例，针对任意一个已有模板，可以拆解得到只包含音频的要素1、只包含特效的要素2、只包含图片的要素3、只包含文字的要素4、只包含物品对象的要素5、包含音频和特效的要素6、包含音频和图片的要素7、包含音频和文字的要素8、包含音频和物品对象的要素9、包含特效和图片的要素10、包含特效和文字的要素11、包含特效和物品对象的要素12、包含图片和文字的要素13、包含图片和物品对象的要素14、包含文字和物品对象的要素15、包含音频、特效和图片的要素16、包含音频、特效和文字的要素17、包含音频、特效和物品对象的要素18、包含音频、图片和文字的要素19、包含音频、图片和物品对象的要素20、包含音频、文字和物品对象的要素21、包含特效、图片和文字的要素22、包含特效、图片和物品对象的要素23、包含特效、文字和物品对象的要素24、包含图片、文字和物品对象的要素25、包含音频、特效、图片和文字的要素26、包含音频、特效、图片和物品对象的要素27、包含音频、图片、文字和物品对象的要素28、包含音频、特效、文字和物品对象的要素29、包含特效、图片、文字和物品对象的要素30、包含音频、特效、图片、文字和物品对象的要素31。

在步骤S103中，采用多种合成规则，对多个要素中至少部分要素进行合成，以得到多个候选模板。

可以理解的是，不同要素对应的合成规则可以不同，比如，对图片和文字进行合成的合成规则，与对特效和音频进行合成的合成规则可以不同，再比如，对音频、图片和文字的合成规则，与对特效、图片、文字和物品对象进行合成的合成规则不同。

因此，在本公开实施例的一种可能的实现方式中，可以预先设置对不同要素进行合成的合成规则，从而可以采用多种合成规则，对多个要素中至少部分要素进行合成，以得到多个候选模板。也就是说，本公开中，可以将每个已有模板拆分得到多个候选模板。

举例而言，可以以合成规则1对上述步骤中的要素1和2进行合成，得到候选模板1，以合成规则2对要素1、要素2和要素3进行合成，得到候选模板2，以合成规则3对要素1、要素2、要素5和要素6进行合成，得到候选模板3，…，以合成规则n对要素27进行合成，得到候选模板n，等等。

在本公开实施例的另一种可能的实现方式中，多种合成规则可以包括随机合成或随机组合，可以将多个要素中的至少部分要素进行随机合成或随机组合，得到多个候选模板。由此，通过将各要素进行随机合成的方式，可以实现对各要素进行自动合成，生成短视频模板，可以提升短视频模板的生成效率。

在步骤S104中，对每一个候选模板，采用预测模型预测用户反馈信息。

在本公开实施例中，用户反馈信息可以包括预测的使用候选模板制作的短视频被浏览或观看的时长、点击的深度、评论、关注、收藏、分享等交互行为信息。比如，预测模型预测的用户反馈信息可以包括使用候选模板制作的短视频被浏览或观看的总时长、点击量、评论量、关注量、收藏量、分享次数等交互行为信息。

在本公开实施例中，在合成得到多个候选模板后，针对每一个候选模板，可以采用预测模型预测该候选模板对应的用户反馈信息。

在本公开实施例的一种可能的实现方式中，针对每一个候选模板，可以将该候选模板所包含的要素输入经过训练的预测模型，以采用预测模型的特征提取层对输入的各要素进行特征提取，以得到该候选模板的特征。之后，可以将该候选模板的特征输入预测模型的输出层，得到输出层输出的用户反馈信息，其中，输出层已学习得到特征与用户反馈信息之间的映射关系。

作为一种示例，预测模型的特征提取层对输入的各要素进行特征提取，得到的候选模板的特征可以包括该候选模板所包含的各要素的特征向量，输出层可以对该候选模板所包含的各要素的特征向量进行融合，得到融合结果，例如，输出层可以将该候选模板所包含的各要素的特征向量映射到一个统一的向量空间中，对映射后的各个特征向量进行融合处理，得到融合结果。也就是说，可以利用预测模型将该候选模板所包含的各要素进行特征提取，得到各要素的特征向量，并将各要素的特征向量转化为高维特征表达，之后将各要素对应的高维特征表达在预测模型的输出层进行融合，以获取候选模板中各要素在高维空间上的共性，从而可以根据融合结果确定用户反馈信息。

在步骤S105中，依据各候选模板的用户反馈信息，对多个候选模板进行筛选，并将筛选保留的目标模板添加至短视频模板库。

本公开实施例中，在确定各候选模板对应的用户反馈信息后，可以依据各候选模板的用户反馈信息，对多个候选模板进行筛选，并将筛选之后保留的候选模板作为目标模板，从而可以将目标模板添加至短视频模板库中。比如，根据用户反馈信息，可以保留点击量较高、评论量较高、关注量较高、收藏量较高或分享次数较多的目标模板，从而可以使得保留的目标模板更符合用户的实际需求，从而可以提升目标模板的使用率。

也就是说，本公开中，在生成候选模板后，还可以采用预测模型预测使用候选模板制作的短视频被浏览或观看的时长、点击的深度、评论、关注、收藏、分享等交互行为信息，得到候选模板对应的用户反馈信息，从而可以根据预测的用户反馈信息，对候选模板进行筛选，保留热门的候选模板，使得保留的各候选模板更符合用户的实际需求。

本公开实施例的短视频模板的生成方法，通过从短视频模板库中获取多个已有模板，并对每一个已有模板进行要素拆解，得到多个要素，之后，采用多种合成规则，对多个要素中至少部分要素进行合成，以得到多个候选模板，并对每一个候选模板，采用预测模型预测用户反馈信息，最后，依据各候选模板的用户反馈信息，对多个候选模板进行筛选，并将筛选保留的目标模板添加至短视频模板库。由此，可以实现根据短视频模板库中的已有模板，自动生成新的候选模板，可以提升短视频模板的生成效率。并且，根据预测的用户反馈信息，对生成的候选模板进行筛选，可以使得保留的各目标模板更符合用户的实际需求，从而提升目标模板的使用率。

需要说明的是，现有技术中，采用人工手动制作短视频模板的方式，不仅存在制作效率较低的问题，而且，还存在短视频模板的丰富度较少的问题。

而本公开实施例中，对短视频模板库中的已有模板进行学习，自动生成目标模板，在提升短视频模板制作效率的基础上，还可以丰富短视频模板的类型，提升了短视频模板库的丰富性，可以广泛应用于短视频的制作、分享、社交，提升该方法的适用性。

在本公开实施例的一种可能的实现方式中，在对候选模板进行筛选时，可以判断候选模板的用户反馈信息是否符合设定召回指标，在候选模板的用户反馈信息符合设定召回指标的情况下，可以将候选模板作为筛选保留的目标模板。下面结合实施例二，对上述过程进行详细说明。

图2是根据一示例性实施例二所示出的短视频模板的生成方法的流程图。

如图2所示，上述步骤S105可以包括以下步骤：

在步骤S201中，响应于候选模板的用户反馈信息符合设定召回指标，将候选模板作为筛选保留的目标模板，并将目标模板添加至短视频模板库。

其中，设定召回指标为预先设置的。

在本公开实施例中，在对候选模板进行筛选时，可以判断候选模板的用户反馈信息是否符合设定召回指标，在候选模板的用户反馈信息符合设定召回指标的情况下，可以将候选模板作为筛选保留的目标模板，并将目标模板添加至短视频模板库中。

在步骤S202中，响应于候选模板的用户反馈信息不符合设定召回指标，删除候选模板。

在本公开实施例中，在候选模板的用户反馈信息不符合设定召回指标的情况下，可以删除该候选模板。

在本公开实施的一种可能的实现方式中，预测模型预测的用户反馈信息可以包括多个维度的用户反馈信息，其中，每个维度对应一种用户交互行为，每个维度的用户反馈信息可以包括用户执行对应用户交互行为的概率和/或次数。

其中，用户交互行为可以包括但不限于点击、浏览、评论、关注、收藏、分享等，对候选模板执行的用户交互行为可以包括但不限于使用候选模板制作短视频、浏览或观看所制作的短视频、点击所制作的短视频、评论所制作的短视频、关注所制作的短视频、收藏所制作的短视频、分享所制作的短视频等。

作为一种示例，以每个维度的用户反馈信息，包括用户执行对应用户交互行为的次数进行示例，候选模板对应的多个维度的用户反馈信息，可以为使用该候选模板制作的短视频被用户浏览或观看的时长、点击量、评论量、关注量、收藏量、分享量等。

作为另一种示例，以每个维度的用户反馈信息，包括用户执行对应用户交互行为的概率进行示例，候选模板对应的多个维度的用户反馈信息，可以包括使用该候选模板制作的短视频被用户浏览或观看的概率、被用户点击的概率、被用户评论的概率、被用户关注的概率、被用户收藏的概率、被用户分享的概率等。

在本公开实施例中，在根据用户反馈信息对候选模板进行筛选时，针对每个候选模板，可以确定该候选模板在每个维度上的用户反馈信息所对应的概率和/或次数，是否符合对应维度的召回指标，当存在至少设定个数的维度的用户反馈信息所对应的概率和/或次数，符合对应维度的召回指标时，则可以将该候选模板作为筛选保留的目标模板，而当存在低于设定个数的维度的用户反馈信息所对应的概率和/或次数，符合对应维度的召回指标，或者，任一维度的用户反馈信息所对应的概率和/或次数均不符合对应维度的召回指标时，可以删除该候选模板。其中，设定个数为预先设置的。

由此，可以实现根据预测模型预测的用户执行各用户交互行为的概率和/或次数，对候选模板进行筛选，可以使得保留的目标模板更符合用户的实际使用需求，从而可以提升目标模板的使用率。

需要说明的是，上述仅以预测模型预测的用户反馈信息包括多个维度的用户反馈信息进行示例，实际应用时，预测模型预测的用户反馈信息也可以仅包括一个维度的用户反馈信息，比如，候选模板的用户反馈信息，可以为预测的使用该候选模板制作的短视频被用户浏览或观看的时长、点击量、评论量、关注量、收藏量、分享量中的其中一个。在根据用户反馈信息对候选模板进行筛选时，针对每个候选模板，可以确定该候选模板的用户反馈信息所对应的概率和/或次数，是否符合对应的召回指标，在用户反馈信息所对应的概率和/或次数符合对应的召回指标的情况下，可以将该候选模板作为筛选保留的目标模板，并将目标模板添加至短视频模板库，而在用户反馈信息所对应的概率和/或次数不符合对应的召回指标的情况下，则可以删除该候选模板。

举例而言，以用户反馈信息为点击量进行示例，可以判断预测的各候选模板的点击量是否达到设定的召回指标，比如1000，响应于候选模板的点击量大于或者等于设定的召回指标，将该候选模板作为目标模板，响应于候选模板的点击量小于设定多个召回指标，删除该候选模板。

本公开实施例的短视频模板的生成方法，通过响应于候选模板的用户反馈信息符合设定召回指标，将候选模板作为筛选保留的目标模板，并将目标模板添加至短视频模板库；响应于候选模板的用户反馈信息不符合设定召回指标，删除候选模板。由此，仅保留用户反馈信息符合设定召回指标的候选模板，可以使得保留的目标模板更符合大众喜好，从而可以提升目标模板的使用率。

在本公开实施例的一种可能的实现方式中，可以对短视频模板库中已有模板监听用户交互行为，得到已有模板对应的实际反馈信息，根据已有模板对应的实际反馈信息，以及已有模板所包含的要素，对预测模型进行训练，以使预测模型输出的用户反馈信息与实际反馈信息之间的差异最小化。下面结合实施例三，对上述过程进行详细说明。

图3是根据一示例性实施例三所示出的预测模型的训练流程示意图。

如图3所示，上述实施例中预测模型的训练过程可以包括以下步骤：

在步骤S301中，对多个已有模板监听用户交互行为，以得到每一个已有模板的第一实际反馈信息。

在本公开实施例中，各用户可以根据自身需求，使用短视频模板库中的已有模板制作短视频、分享所制作的短视频，其他用户可以对该短视频进行点击、浏览、评论、关注、收藏、分享等，因此，不同用户对已有模板执行的用户交互行为可以包括但不限于使用已有模板制作短视频、浏览或观看所制作的短视频、点击所制作的短视频、评论所制作的短视频、关注所制作的短视频、收藏所制作的短视频、分享所制作的短视频等。

在本公开实施例中，第一实际反馈信息可以包括用户使用已有模板制作的短视频被浏览或观看的时长(即实际观看时长)、点击的深度、评论、关注、收藏、分享等交互行为信息。比如，第一实际反馈信息可以包括使用已有模板制作的短视频被浏览或观看的总时长、点击量、评论量、关注量、收藏量、分享次数等交互行为信息。

在本公开实施例中，针对短视频模板库中的每个已有模板，可以对该已有模板监听用户交互行为，以得到该已有模板的实际反馈信息，本公开中记为第一实际反馈信息。

在步骤S302中，将每一个已有模板所包含的要素作为一个第一训练样本，输入初始的预测模型进行模型训练，以使训练后的预测模型预测的用户反馈信息与第一实际反馈信息之间的差异最小化。

在本公开实施例中，在得到每个已有模板的第一实际反馈信息后，针对每个已有模板，可以将该已有模板所包含的要素作为训练样本，本公开中记为第一训练样本，使用该第一训练样本对初始的预测模型进行训练，以使训练后的预测模型预测的用户反馈信息与第一实际反馈信息之间的差异最小化，从而提升预测模型预测结果的准确性。

也就是说，当预测模型预测的用户反馈信息与第一实际反馈信息之间的差异最小化时，可以结束模型的训练过程，由此，既能保证预测模型的预测精度，同时又能降低模型训练的工作量。

在本公开实施例的一种可能的实现方式中，第一实际反馈信息可以包括多个维度的实际反馈信息，其中，每个维度对应一种用户交互行为，每个维度的实际反馈信息可以包括实际用户执行对应用户交互行为的概率和/或次数。可以将各维度的实际反馈信息与各维度对应的权重进行加权求和，得到第一实际反馈信息的效果指标。

同样地，预测模型预测的用户反馈信息可以包括多个维度的用户反馈信息，其中，每个维度对应一种用户交互行为，每个维度的用户反馈信息可以包括用户执行对应用户交互行为的概率和/或次数。可以将各维度的用户反馈信息与各维度对应的权重进行加权求和，得到用户反馈信息的效果指标。

从而，可以计算第一实际反馈信息的效果指标与用户反馈信息的效果指标之间的差异，当差异较大时，可以调整预测模型的模型参数，并继续对预测模型进行训练，而当差异最小化时，可以结束模型的训练过程。

需要说明的是，各维度的实际反馈信息对应的权重可以固定设置，或者，为了提升预测模型的预测精度，各维度的实际反馈信息对应的权重也可以自适应调整，本公开实施例对此并不作限制。

举例而言，以实际反馈信息共有五个维度的实际反馈信息，分别为点击量、评论量、关注量、收藏量和分享次数，且各维度的初始权重均为0.2进行示例，假设服务器对某一已有模板监听用户交互行为，确定该已有模板对应的分享次数较高，则可以调高分享次数对应的权重，比如可以从0.2调整为0.3，其他四个维度的权重例如可以为0.175。再例如，假设服务器对某一已有模板监听用户交互行为，确定该已有模板对应的点击量、评论量和分享次数均较高，则可以分别自适应调高已有模板对应的点击量、评论量和分享次数所对应的权重，以及自适应调低关注量、收藏量对应的权重。

作为一种示例，可以分别为各维度的实际反馈信息赋予一个初始的shap值，该shap值用于调整对应维度的权重，仍以上述例子示例，假设服务器对某一已有模板监听用户交互行为，确定该已有模板对应的分享次数较高，则可以调高分享次数对应的shap值，通过shap值来调整分享次数对应的权重。

同理，各维度的用户反馈信息对应的权重也可以固定设置，或者，为了提升预测模型的预测精度，各维度的用户反馈信息对应的权重也可以自适应调整，本公开实施例对此并不作限制。

本公开实施例的短视频模板的生成方法，通过对多个已有模板监听用户交互行为，以得到每一个已有模板的第一实际反馈信息；将每一个已有模板所包含的要素作为一个第一训练样本，输入初始的预测模型进行模型训练，以使训练后的预测模型预测的用户反馈信息与第一实际反馈信息之间的差异最小化。由此，可以实现根据短视频模板库中各已有模板的实际使用效果，对预测模型进行训练，可以提升模型预测结果的准确性和可靠性。

在本公开实施例的一种可能的实现方式中，为了进一步提升模型的预测精度，提升模型输出结果的准确性，在将筛选保留的目标模板添加至短视频模板库之后，还可以对短视频模板中的各目标模板监听用户交互行为，以根据用户交互行为，对预测模型进行重新训练。下面结合实施例四，对上述过程进行详细说明。

图4是根据一示例性实施例四所示出的短视频模板的生成方法的流程图。

如图4所示，该短视频模板的生成方法可以包括以下步骤：

在步骤S401中，从短视频模板库中获取多个已有模板。

在步骤S402中，对每一个已有模板进行要素拆解，得到多个要素。

在步骤S403中，采用多种合成规则，对多个要素中至少部分要素进行合成，以得到多个候选模板。

在步骤S404中，对每一个候选模板，采用预测模型预测用户反馈信息。

在本公开实施例中，步骤S401至S404可以分别采用本公开的各实施例中的任一种方式实现，本公开实施例并不对此作出限定，也不再赘述。

需要说明的是，预测模型的训练过程可以参见上述实施例中步骤S301至S302的执行过程，在此不做赘述。

在步骤S405中，依据各候选模板的用户反馈信息，对多个候选模板进行筛选，并将筛选保留的目标模板添加至短视频模板库。

在本公开实施例中，步骤S405的执行过程可以参见上述实施例中步骤S105的执行过程，或者，参见上述实施例中步骤S201至S202的执行过程，在此不做赘述。

在步骤S406中，对目标模板监听用户交互行为，以得到第二实际反馈信息。

在本公开实施例中，各用户可以根据自身需求，使用目标模板制作短视频、分享所制作的短视频，其他用户可以对该短视频进行点击、浏览、评论、关注、收藏、分享等，因此，不同用户对目标模板执行的第二实际反馈信息可以包括用户使用目标模板制作的短视频被浏览或观看的时长(即实际观看时长)、点击的深度、评论、关注、收藏、分享等交互行为信息。比如，第二实际反馈信息可以包括使用目标模板制作的短视频被浏览或观看的总时长、点击量、评论量、关注量、收藏量、分享次数等。

在本公开实施例中，针对短视频模板库中的每个目标模板，可以对该目标模板监听用户交互行为，以得到该目标模板的实际反馈信息，本公开中记为第二实际反馈信息。

在步骤S407中，将目标模板包含的要素作为第二训练样本，输入预测模型进行模型训练，以使预测模型预测的用户反馈信息与第二实际反馈信息之间的差异最小化。

在本公开实施例中，在得到目标模板的第二实际反馈信息后，针对每个目标模板，可以将该目标模板所包含的要素作为训练样本，本公开中记为第二训练样本，使用该第二训练样本对预测模型进行训练，以使预测模型预测的用户反馈信息与第二实际反馈信息之间的差异最小化，从而提升预测模型输出结果的准确性。

在本公开实施例的一种可能的实现方式中，第二实际反馈信息可以包括多个维度的实际反馈信息，其中，每个维度对应一种用户交互行为，每个维度的实际反馈信息可以包括实际用户执行对应用户交互行为的概率和/或次数。可以将各维度的实际反馈信息与各维度对应的权重进行加权求和，得到第二实际反馈信息的效果指标。

同样地，预测模型预测的用户反馈信息可以包括多个维度的用户反馈信息，其中，每个维度对应一种用户交互行为，每个维度的用户反馈信息可以是预测用户执行对应用户交互行为的概率和/或次数。可以将各维度的用户反馈信息与各维度对应的权重进行加权求和，得到用户反馈信息的效果指标。

从而，可以计算第二实际反馈信息的效果指标与用户反馈信息的效果指标之间的差异，当差异较大时，可以调整预测模型的模型参数，并继续对预测模型进行训练，而当差异最小化时，可以结束模型的训练过程。

本公开实施例的短视频模板的生成方法，通过对目标模板监听用户交互行为，以得到第二实际反馈信息；将目标模板包含的要素作为第二训练样本，输入预测模型进行模型训练，以使预测模型预测的用户反馈信息与第二实际反馈信息之间的差异最小化。由此，可以实现在实际使用目标模板的过程中，根据各目标模板的真实的用户使用效果，对预测模型进行重新训练，可以进一步提升预测模型输出结果的准确性和可靠性。

在本公开实施例的一种可能的实现方式中，服务器可以根据目标模板所含要素的类别，确定目标模板的类别，其中，目标模板的类别，用于客户端响应于分类查询操作，确定分类查询操作对应的查询类别是否与目标模板的类别匹配，响应于分类查询操作对应的查询类别与目标模板的类别匹配，展示目标模板。也就是说，服务器在将筛选保留的目标模板添加至短视频模板库之后，当客户端监测到用户使用短视频模板中的短视频模板制作短视频时，可以优先展示自动合成的目标模板，提升目标模板的使用率。

其中，分类查询操作的查询类别可以包括游戏、热门、最新、配饰、美妆、搞怪、场景、变形等类别。

需要说明的是，每个已有模板的类别在短视频模板库中是可确定的，比如可将各已有模板分类为游戏、热门、最新、头饰、美妆、场景、变形等类别，已有模板中的各要素的类别，与对应的已有模板的类别相同，而目标模板是根据已有模板中的要素生成的，因此，目标模板的类别是其所含要素的类别。

举例而言，根据已有模板1自动生成目标模板2和目标模板3，假设已有模板1的类别为游戏，则该已有模板1中的要素的类别可以为游戏，从而可确定目标模板2和目标模板3的类别均为游戏。

在本公开实施例中，用户在拍摄短视频时，可以从短视频模板库中选取短视频模板来制作短视频，具体地，用户可以触发分类查询操作，客户端在确定分类查询操作对应的查询类别与目标模板的类别匹配的情况下，可以优先展示目标模板；而在分类查询操作对应的查询类别与目标模板的类别不匹配的情况下，可以展示与查询类别匹配的短视频模板或已有模板，比如按照各已有模板的生成时间，从晚到早顺序排列展示。由此，在用户查询各个类别的短视频模板时，通过优先展示与查询类别匹配的目标模板，可以实现在满足用户拍摄需求的基础上，提升目标模板的使用率。

在本公开实施例的另一种可能的实现方式中，在将筛选保留的目标模板添加至短视频模板库之后，当用户查询短视频模板时，可以优先展示自动合成的目标模板，提升目标模板的使用率。具体地，服务器可以确定目标模板的描述信息，其中，目标模板的描述信息，用于客户端监听用户触发的关键字查询操作，响应于关键字查询操作所查询的关键字与目标模板的描述匹配，展示目标模板；其中，目标模板的描述是所含要素的描述。

需要说明的是，每个已有模板的描述信息在短视频模板库中是可确定的，比如设计师在设计已有模板时，可以为该已有模板添加描述信息。举例而言，针对类别为游戏的已有模板，该已有模板的描述信息可以为切水果、切水果游戏等，已有模板中的各要素的描述，可以与对应的已有模板的描述相同，而目标模板是根据已有模板中的要素生成的，因此，目标模板的描述是其所含要素的描述。

在本公开实施例中，当用户触发关键字查询操作时，比如通过手动在输入组件内输入关键字，或者，语音输入关键字，客户端可以判断是否存在描述信息与关键字查询操作所查询的关键字匹配的目标模板，在存在目标模板的描述信息与关键字查询操作所查询的关键字匹配的情况下，可以优先展示该目标模板，而在未存在目标模板的描述信息与关键字查询操作所查询的关键字匹配的情况下，可以展示描述信息与关键字查询操作所查询的关键字匹配的已有模板。由此，在用户搜索短视频模板时，优先展示与搜索关键字匹配的目标模板，可以实现在满足用户查询需求的基础上，提升目标模板的使用率。

为了实现上述实施例，本公开实施例提出了一种短视频模板的生成装置。

图5是根据一示例性实施例五所示出的短视频模板的生成装置的框图。

参照图5，该短视频模板的生成装置100，可以包括：获取模块110、拆分模块120、合成模块130、预测模块140以及筛选模块150。

其中，获取模块110，被配置为从短视频模板库中获取多个已有模板。

拆分模块120，被配置为对每一个已有模板进行要素拆解，得到多个要素。

合成模块130，被配置为采用多种合成规则，对多个要素中至少部分要素进行合成，以得到多个候选模板。

预测模块140，被配置为对每一个候选模板，采用预测模型预测用户反馈信息。

筛选模块150，被配置为依据各候选模板的用户反馈信息，对多个候选模板进行筛选，并将筛选保留的目标模板添加至短视频模板库。

在本公开实施例的一种可能的实现形式中，筛选模块150，具体被配置为：响应于候选模板的用户反馈信息符合设定召回指标，将候选模板作为筛选保留的目标模板，并将目标模板添加至短视频模板库；响应于候选模板的用户反馈信息不符合设定召回指标，删除候选模板。

在本公开实施例的一种可能的实现形式中，预测模型预测的用户反馈信息包括多个维度的用户反馈信息，每个维度对应一种用户交互行为，每个维度的用户反馈信息，包括用户执行对应用户交互行为的概率和/或次数；目标模板，在至少设定个数的维度上的概率和/或次数，符合对应维度的召回指标。

在本公开实施例的一种可能的实现形式中，多种合成规则包括随机合成。

在本公开实施例的一种可能的实现形式中，预测模型是通过以下模块训练得到的：

第一监听模块，用于对多个已有模板监听用户交互行为，以得到每一个已有模板的第一实际反馈信息。

第一训练模块，用于将每一个已有模板所包含的要素作为一个第一训练样本，输入初始的预测模型进行模型训练，以使训练后的预测模型预测的用户反馈信息与第一实际反馈信息之间的差异最小化。

在本公开实施例的一种可能的实现形式中，该短视频模板的生成装置100，还可以包括：

第二监听模块，被配置为对目标模板监听用户交互行为，以得到第二实际反馈信息。

第二训练模块，被配置为将目标模板包含的要素作为第一训练样本，输入预测模型进行模型训练，以使预测模型预测的用户反馈信息与第二实际反馈信息之间的差异最小化。

在本公开实施例的一种可能的实现形式中，要素包括音频、特效、图片、文字和物品对象中的一个或多个组合。

需要说明的是，关于上述实施例中的装置，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。

本公开实施例的短视频模板的生成装置，通过从短视频模板库中获取多个已有模板，并对每一个已有模板进行要素拆解，得到多个要素，之后，采用多种合成规则，对多个要素中至少部分要素进行合成，以得到多个候选模板，并对每一个候选模板，采用预测模型预测用户反馈信息，最后，依据各候选模板的用户反馈信息，对多个候选模板进行筛选，并将筛选保留的目标模板添加至短视频模板库。由此，可以实现根据短视频模板库中的已有模板，自动生成新的候选模板，可以提升短视频模板的生成效率。并且，根据预测的用户反馈信息，对生成的候选模板进行筛选，可以使得保留的各目标模板更符合用户的实际需求，从而提升目标模板的使用率。

为了实现上述实施例，本公开实施例还提出了一种服务器。

其中，服务器包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，处理器被配置为执行指令，以实现如前所述的短视频模板的生成方法。

作为一种示例，图6是根据一示例性实施例示出的一种服务器200的框图，如图6所示，上述服务器200，还可以包括：

存储器210及处理器220，连接不同组件(包括存储器210和处理器220)的总线230，存储器210存储有计算机程序，当处理器220执行所述程序时实现本公开实施例所述的短视频模板的生成方法。

总线230表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，***总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及***组件互连(PCI)总线。

服务器200典型地包括多种服务器可读介质。这些介质可以是任何能够被服务器200访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

存储器210还可以包括易失性存储器形式的计算机***可读介质，例如随机存取存储器(RAM)240和/或高速缓存存储器250。服务器200可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机***存储介质。仅作为举例，存储***260可以用于读写不可移动的、非易失性磁介质(图6未显示，通常称为“硬盘驱动器”)。尽管图6中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM，DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线230相连。存储器210可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本公开各实施例的功能。

具有一组(至少一个)程序模块270的程序/实用工具280，可以存储在例如存储器210中，这样的程序模块270包括——但不限于——操作***、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块270通常执行本公开所描述的实施例中的功能和/或方法。

服务器200也可以与一个或多个外部设备290(例如键盘、指向设备、显示器291等)通信，还可与一个或者多个使得用户能与该服务器200交互的设备通信，和/或与使得该服务器200能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口292进行。并且，服务器200还可以通过网络适配器293与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器293通过总线230与服务器200的其它模块通信。应当明白，尽管图中未示出，可以结合服务器200使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***等。

处理器220通过运行存储在存储器210中的程序，从而执行各种功能应用以及数据处理。

需要说明的是，本实施例的服务器的实施过程和技术原理参见前述对本公开实施例的短视频模板的生成方法的解释说明，此处不再赘述。

为了实现上述实施例，本公开实施例还提出了一种存储介质。

其中，当存储介质中的指令由服务器的处理器执行时，使得服务器能够执行如前所述的短视频模板的生成方法。

为了实现上述实施例，本公开还提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时，使得服务器能够执行如前任一实施例所述的短视频模板的生成方法。

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 (10)

1.一种短视频模板的生成方法，其特征在于，包括以下步骤：

从短视频模板库中获取多个已有模板；

对每一个所述已有模板进行要素拆解，得到多个要素；

采用多种合成规则，对所述多个要素中至少部分要素进行合成，以得到多个候选模板；

对每一个所述候选模板，采用预测模型预测用户反馈信息；

依据各所述候选模板的用户反馈信息，对多个所述候选模板进行筛选，并将筛选保留的目标模板添加至所述短视频模板库。

2.根据权利要求1所述的短视频模板的生成方法，其特征在于，所述依据各所述候选模板的用户反馈信息，对多个所述候选模板进行筛选，并将筛选保留的目标模板添加至所述短视频模板库，包括：

响应于所述候选模板的用户反馈信息符合设定召回指标，将所述候选模板作为筛选保留的所述目标模板，并将所述目标模板添加至所述短视频模板库；

响应于所述候选模板的用户反馈信息不符合所述设定召回指标，删除所述候选模板。

3.根据权利要求2所述的短视频模板的生成方法，其特征在于，所述预测模型预测的用户反馈信息包括多个维度的用户反馈信息，每个所述维度对应一种用户交互行为，每个所述维度的用户反馈信息，包括用户执行对应用户交互行为的概率和/或次数；

所述目标模板，在至少设定个数的维度上的概率和/或次数，符合对应维度的所述召回指标。

4.根据权利要求1所述的短视频模板的生成方法，其特征在于，所述预测模型是通过以下步骤训练得到的：

对多个所述已有模板监听用户交互行为，以得到每一个所述已有模板的第一实际反馈信息；

将每一个所述已有模板所包含的要素作为一个第一训练样本，输入初始的预测模型进行模型训练，以使训练后的预测模型预测的用户反馈信息与所述第一实际反馈信息之间的差异最小化。

5.根据权利要求1所述的短视频模板的生成方法，其特征在于，所述依据各所述候选模板的用户反馈信息，对多个所述候选模板进行筛选，并将筛选保留的目标模板添加至所述短视频模板库之后，还包括：

对所述目标模板监听用户交互行为，以得到第二实际反馈信息；

将所述目标模板包含的要素作为第二训练样本，输入所述预测模型进行模型训练，以使所述预测模型预测的用户反馈信息与所述第二实际反馈信息之间的差异最小化。

6.根据权利要求1-5任一项所述的短视频模板的生成方法，其特征在于，所述多种合成规则包括随机合成。

7.一种短视频模板的生成装置，其特征在于，包括：

获取模块，被配置为从短视频模板库中获取多个已有模板；

拆分模块，被配置为对每一个所述已有模板进行要素拆解，得到多个要素；

合成模块，被配置为采用多种合成规则，对所述多个要素中至少部分要素进行合成，以得到多个候选模板；

预测模块，被配置为对每一个所述候选模板，采用预测模型预测用户反馈信息；

筛选模块，被配置为依据各所述候选模板的用户反馈信息，对多个所述候选模板进行筛选，并将筛选保留的目标模板添加至所述短视频模板库。

8.一种服务器，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1-6中任一项所述的短视频模板的生成方法。

9.一种存储介质，当所述存储介质中的指令由服务器的处理器执行时，使得服务器能够执行如权利要求1-6中任一项所述的短视频模板的生成方法。

10.一种计算机程序产品，其特征在于，包括计算机程序，所述计算机程序被处理器执行时实现如权利要求1-6中任一项所述的短视频模板的生成方法。

Images