CN113139083A - 一种视频推荐方法、装置、终端设备及存储介质 - Google Patents

Abstract

本申请适用于计算机技术领域，提供了视频推荐方法、装置、终端设备及存储介质，方法包括：获取待推荐视频的标签；根据待推荐视频的标签将预设数量的候选视频输入视频推荐模型，以输出每个候选视频的目标值，其中，视频推荐模型是以目标用户观看过的视频、目标用户观看过的视频对应的标签以及目标用户观看过的视频对应的目标值为训练样本，对分类模型进行训练得到的；将将目标值达到第一预设值的候选视频确定为推荐视频，以向所述目标用户推荐。本申请提供的视频推荐方法可以为目标用户推荐更准确的视频。

Description

一种视频推荐方法、装置、终端设备及存储介质

技术领域

本申请属于计算机技术领域，尤其涉及视频推荐方法、装置、终端设备及存储介质。

背景技术

对智能播放视频的终端而言，能持续为用户推荐感兴趣的内容与用户体验正相关，若终端推荐给用户的视频总是无法引起用户的兴趣，那势必会造成用户的流失，相比之下，持续为用户推荐感兴趣的视频会让用户更长时间留在终端内，增加终端的使用率。但是现有的视频推荐方法不能有效获取用户感兴趣的内容，不能为用户推荐准确的视频。

发明内容

有鉴于此，本申请实施例提供了视频推荐方法、装置、终端设备及存储介质，以解决现有技术中不能有效获取用户感兴趣的内容，不能为用户推荐准确的视频的问题。

本申请实施例的第一方面提供了一种视频推荐方法，包括：

获取待推荐视频的标签；

根据所述待推荐视频的标签将预设数量的候选视频输入视频推荐模型，以输出每个候选视频的目标值，其中，所述视频推荐模型是以目标用户观看过的视频、所述目标用户观看过的视频对应的标签以及所述目标用户观看过的视频对应的目标值为训练样本，对分类模型进行训练得到的；

将目标值达到第一预设值的候选视频确定为推荐视频，以向所述目标用户推荐。

在一种可能的实现方式中，所述获取待推荐视频的标签，具体包括：

构建视频信息表，所述视频信息表包括目标用户观看过的视频的至少一个标签以及与每个标签对应的观看次数；

根据所述目标用户观看过的视频对应的标签更新所述观看次数；

根据每个标签对应的观看次数从所述至少一个标签中获取所述待推荐视频的标签。

在一种可能的实现方式中，所述根据每个标签对应的观看次数从所述至少一个标签中获取所述待推荐视频的标签，具体包括：

将所有标签对应的观看次数转化为概率分布；

根据所述概率分布随机取样，以获取所述待推荐视频的标签。

在一种可能的实现方式中，所述视频推荐方法还包括：

获取目标用户最近一次观看当前标签对应的视频的时间；

若所述目标用户最近一次观看当前标签对应的视频的时间与当前时刻之间的时长达到预设时长，根据第一预设衰减系数更新当前标签对应的观看次数。

在一种可能的实现方式中，所述将目标值达到第一预设值的候选视频确定为推荐视频，以向所述目标用户推荐之后，所述方法还包括：

记录目标用户观看所述推荐视频的时长；

若目标用户观看所述推荐视频的时长小于或等于第二预设值，根据第二预设衰减系数更新所述视频信息表中与所述推荐视频对应的标签的观看次数。

在一种可能的实现方式中，所述记录目标用户观看所述推荐视频的时长之后，所述方法还包括：

若目标用户观看所述推荐视频的时长大于第二预设值且小于第三预设值，则将所述推荐视频、所述推荐视频对应的标签和目标用户观看所述推荐视频的时长添加至所述训练样本以重新训练所述分类模型。

在一种可能的实现方式中，所述目标值的计算公式为：

y＝log((t/T)/K)+log(T)，其中，y表示目标值，t表示目标用户观看视频的时间，T表示视频的总时长，K为缩放参数。

本申请实施例的第二方面提供了一种视频推荐装置，包括：

获取模块，用于获取待推荐视频的标签；

分析模块，用于根据所述待推荐视频的标签将预设数量的候选视频输入视频推荐模型，以输出每个候选视频的目标值，其中，所述视频推荐模型是以目标用户观看过的视频、所述目标用户观看过的视频对应的标签以及所述目标用户观看过的视频对应的目标值为训练样本，对分类模型进行训练得到的；

推荐模块，用于将目标值达到第一预设值的候选视频确定为推荐视频，以向所述目标用户推荐。

在一种可能的实现方式中，所述获取模块包括：

构建单元，用于构建视频信息表，所述视频信息表包括目标用户观看过的视频的至少一个标签以及与每个标签对应的观看次数；

更新单元，用于根据所述目标用户观看过的视频对应的标签更新所述观看次数；

获取单元，用于根据每个标签对应的观看次数从所述至少一个标签中获取待推荐视频的标签。

在一种可能的实现方式中，所述获取单元具体用于：

将所有标签对应的观看次数转化为概率分布；

根据所述概率分布随机取样，以获取所述待推荐视频的标签。

在一种可能的实现方式中，所述视频推荐装置还包括第一更新模块，所述第一更新模块用于：

获取目标用户最近一次观看当前标签对应的视频的时间；

若所述目标用户最近一次观看当前标签对应的视频的时间与当前时刻之间的时长达到预设时长，根据第一预设衰减系数更新当前标签对应的观看次数。

在一种可能的实现方式中，所述视频推荐装置还包括第二更新模块，所述第二更新模块用于：

记录目标用户观看所述推荐视频的时长；

若目标用户观看所述推荐视频的时长小于或等于第二预设值，根据第二预设衰减系数更新所述视频信息表中与所述推荐视频对应的标签的观看次数。

在一种可能的实现方式中，所述视频推荐装置还包括训练模块，

用于若目标用户观看所述推荐视频的时长大于第二预设值且小于第三预设值，则将所述推荐视频、所述推荐视频对应的标签和目标用户观看所述推荐视频的时长添加至所述训练样本以重新训练所述分类模型。

在一种可能的实现方式中，所述目标值的计算公式为：

y＝log((t/T)/K)+log(T)，其中，y表示目标值，t表示目标用户观看视频的时间，T表示视频的总时长，K为缩放参数。

本申请实施例的第三方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述视频推荐方法的步骤。

本申请实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述视频推荐方法的步骤。

本申请实施例的第五方面提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述视频推荐方法的步骤。

本申请实施例与现有技术相比存在的有益效果是：通过获取待推荐视频的标签，根据待推荐视频的标签将预设数量的候选视频输入视频推荐模型，将输出的目标值达到第一预设值的候选视频确定为推荐视频。由于视频推荐模型是以目标用户观看过的视频、目标用户观看过的视频对应的标签以及目标用户观看过的视频对应的目标值为训练样本，对分类模型进行训练得到的，即可以有效获取目标用户感兴趣的内容，因此，通过视频推荐模型可以准确提取出候选视频的特征，从而为目标用户推荐更准确的视频。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。

图1是本申请第一实施例提供的视频推荐方法的实现流程示意图；

图2是本申请第二实施例提供的视频推荐方法的实现流程示意图；

图3是本申请实施例提供的视频推荐装置的示意图；

图4是本申请实施例提供的终端设备的示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定***结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的***、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。

为了说明本申请所述的技术方案，下面通过具体实施例来进行说明。

应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

还应当进一步理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。

另外，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

本申请实施例提供的视频推荐方法应用于终端设备，所述终端设备可以是桌上型计算机、笔记本、掌上电脑等播放终端或者云端服务器。

下面对本申请实施例提供的视频推荐方法进行描述，需要说明的是，本申请实施例提供的视频推荐方法可以执行于播放终端或者云端服务器，也可以部分执行于播放终端，部分执行于云端服务器。

请参阅附图1，本申请第一实施例提供的视频推荐方法包括：

S101：获取待推荐视频的标签。

其中，标签为视频类别，例如体育、娱乐、金融、学术等。视频的标签是根据视频的特征预先为每个视频设定的，例如，若***为中央电视台体育频道的节目，则将该视频的标签设定为体育；若***为财经频道的评论节目，则该视频的标签为金融；若视频为电视剧，则该视频的标签为电视剧。待推荐视频的标签是从存储标签的列表中选择的，存储标签的列表中包括多个标签，例如，体育、娱乐、金融、电视剧、学术等，每个标签对应至少一个视频。待推荐视频的标签可以是目标用户从存储标签的列表中选择的标签，例如，终端设备将所有标签展示给目标用户，供目标用户选择；也可以是云端服务器根据目标用户观看过的视频从存储标签的列表中选择的标签。

在一种可能的实现方式中，首先在播放终端上构建视频信息表，视频信息表包括目标用户观看过的视频的至少一个标签以及与每个标签一一对应的观看次数。例如，当播放终端获取到目标用户的注册信息时，构建与目标用户的注册信息对应的视频信息表，即一个目标用户对应一个视频信息表，视频信息表中每个标签对应的观看次数的初始值为0。

当目标用户观看视频时，根据目标用户观看过的视频对应的标签更新该标签对应的观看次数，得到更新后的视频信息表，将更新后的视频信息表发送至云端服务器。例如，当目标用户观看的视频为体育类别时，将体育标签对应的观看次数增加1。

作为示例而非限定，播放终端还记录目标用户观看每个视频的时间，获取目标用户最近一次观看当前标签对应的视频的时间，若目标用户最近一次观看当前标签对应的视频的时间与当前时刻之间的时长达到预设时长，根据第一预设衰减系数更新当前标签对应的观看次数。在一种可能的实现方式中，设定预设时长，当检测到目标用户最近一次观看当前标签对应的视频的时间与当前时刻之间的时长达到预设时长时，根据第一预设衰减系数更新观看次数。例如，若目标用户最近一次观看金融类型的视频距离当前时刻的时间超过24小时，则将金融标签对应的观看次数乘以0.999。在另一种可能的实现方式中，设定更新时刻，若当前时刻为更新时刻，根据第一预设衰减系数更新所有标签对应的观看次数。例如，在每天的20：00将所有的观看次数乘以0.999，使得目标用户越久之前观看的视频对观看次数的影响越小，使得观看次数能充分反映目标用户喜好，在选择待推荐视频的标签时，观看次数越高的标签，被选中的概率越大。

需要说明的是，视频信息表也可以存储于云端服务器上，云端服务器根据每个目标用户观看过的视频对应的标签更新每个目标用户对应的视频信息表。

当目标用户打开播放终端时，若目标用户初次使用播放终端，云端服务器将当前的热门视频随机推荐给目标用户。若目标用户不是初次使用播放终端，云端服务器根据视频信息表中每个标签对应的观看次数，从视频信息表中选择一个标签作为待推荐视频的标签。在一种可能的实现方式中，将观看次数最多的标签作为待推荐视频的标签。在另一可能的实现方式中，根据逻辑回归函数将视频信息表中所有标签对应的观看次数转化为概率分布，根据概率分布随机取样，以获取待推荐视频的标签。

S102：根据所述待推荐视频的标签将预设数量的候选视频输入视频推荐模型，以输出每个候选视频的目标值，其中，所述视频推荐模型是以目标用户观看过的视频、所述目标用户观看过的视频对应的标签以及所述目标用户观看过的视频对应的目标值为训练样本，对分类模型进行训练得到的。

具体地，云端服务器根据获取的待推荐视频的标签，将该标签以及该标签下的N个视频输入视频推荐模型，例如，将该标签下最热门的N个视频输入视频推荐模型，视频推荐模型输出每个视频的目标值。同时，云端服务器根据所有目标用户观看视频的情况，定期更新最热门的视频。

在一种可能的实现方式中，首先在云端服务器训练分类模型以得到视频推荐模型。将预设数量的目标用户观看过的视频、目标用户观看过的视频对应的标签以及目标用户观看过的视频对应的目标值为训练样本，其中，目标用户观看过的视频对应的目标值是预先设定的，目标用户观看过的视频对应的目标值可以是目标用户观看过的视频的播放时长，也可以是根据目标用户观看过的视频对应的播放时长计算出的。首先将预设数量的目标用户观看过的视频、目标用户观看过的视频对应的标签输入分类模型。分类模型包括卷积神经网络、循环神经网络和深度神经网络。将目标用户观看过的视频输入卷积神经网络，以提取视频中每一帧图片的特征，将第一帧图片的特征输入循环神经网络，以结合每帧图片之间的关联关系提取出视频特征，将视频特征输入深度神经网络以对视频进行分类，输出目标值。根据每个视频对应的输出的目标值和该视频对应的设定的目标值的差值，更新卷积神经网络、循环神经网络和深度神经网络的参数，当每个视频对应的输出的目标值和该视频对应的设定的目标值的差值满足预设条件时，即得到卷积神经网络、循环神经网络和深度神经网络的最优参数，即可根据最优参数生成视频推荐模型的参数。

在一种可能的实现方式中，云端服务器定期根据目标用户最近一段时间观看过的视频更新训练样本，重新对分类模型进行训练。例如，每隔7天从目标用户近7天内观看过的视频中抽取视频，将抽取的视频及对应的标签和目标值作为训练样本，对分类模型进行训练。

在一种可能的实现方式中，目标值的计算公式为：y＝log((t/T)/K)+log(T)，其中，y表示目标值，t表示目标用户观看视频的时间，T表示视频的总时长，K为缩放参数。公式中t/T表示目标用户观看视频的百分比，即播放百分比越高的视频，计算出的目标值越大，以使得目标用户感兴趣的视频获得高的目标值，同时增加惩罚项log(T)，防止总时长过短的视频获得高的目标值，保证计算的准确性。

S103：将目标值达到第一预设值的候选视频确定为推荐视频，以向所述目标用户推荐。

具体地，云端服务器将候选视频中，目标值最大的候选视频发送至播放终端，以推荐给目标用户；或者对目标值进行降序排列，选择目标值排序为前M的M个视频发送至播放终端，播放终端按照目标值从大到小的顺序将M个视频依次展示给目标用户，供目标用户选择。

在一种可能的实现方式中，云端服务器每隔预设时间根据视频推荐模型计算出推荐视频，当目标用户打开播放终端时，将推荐视频发送至播放终端。

上述实施例中，通过获取待推荐视频的标签，根据待推荐视频的标签将预设数量的候选视频输入视频推荐模型，以输出每个候选视频的目标值，将目标值达到第一预设值的候选视频确定为推荐视频，以向目标用户推荐。由于视频推荐模型是以目标用户观看过的视频、所述目标用户观看过的视频对应的标签以及所述目标用户观看过的视频对应的目标值为训练样本，对分类模型进行训练得到的，所以视频推荐模型计算出的目标值可以反映目标用户对视频的感兴趣程度，根据目标值选择推荐视频，可以为目标用户推荐准确的视频。

如图2所示，为本申请第二实施例提供的视频推荐方法，其与第一实施例的区别在于，在S103之后，还包括：

S201：记录目标用户观看所述推荐视频的时长。

具体地，播放终端记录目标用户是否打开推荐视频及观看推荐视频的时长。

S202：若目标用户观看所述推荐视频的时长小于或等于第二预设值，根据第二预设衰减系数更新所述视频信息表中与所述推荐视频对应的标签的观看次数。

在一种可能的实现方式中，若目标用户观看推荐视频的时长小于或等于第二预设值，例如，目标用户观看推荐视频的时长为0，即目标用户没有打开推荐视频，将视频信息表中与推荐视频对应的标签的观看次数乘以第二预设衰减系数。其中，第二预设衰减系数可以与第一预设衰减系数相同，也可以不同。

在一种可能的实现方式中，播放终端统计目标用户对每个标签对应的推荐视频的连续不打开次数。在若目标用户观看推荐视频的时长小于或等于第二预设值，将该推荐视频对应的标签的连续不打开次数加1；若目标用户打开推荐视频，将该推荐视频对应的标签的连续不打开次数清零；若云端服务器未推荐当前标签的视频，当前标签对应的连续不打开次数不变。若某个标签的连续不打开次数达到预设值，这将该标签对应的观看次数乘以第二预设衰减系数，例如0.95。当目标用户连续不打开某个标签对应的推荐视频时，说明目标用户对该标签的兴趣变弱，通过第二预设衰减系数减小该标签对应的观看次数，在根据观看次数选择待推荐视频的标签时，减小该标签被选中的概率。

S203：若目标用户观看所述推荐视频的时长大于第二预设值且小于第三预设值，则将所述推荐视频、所述推荐视频对应的标签和目标用户观看所述推荐视频的时长添加至所述训练样本以重新训练所述分类模型。

具体地，若目标用户打开推荐视频，且目标用户观看推荐视频的时长小于第三预设值，或者目标用户观看推荐视频的时长占推荐视频总时长的百分比过小，将该推荐视频对应的标签及根据目标用户观看所述推荐视频的时长计算出的目标值作为反馈信息。在训练分类模型时，训练样本包括抽取的目标用户观看过的视频以及反馈信息，以使得训练后得到的视频推荐模型更能反映目标用户的喜好。

上述实施例中，通过记录目标用户观看推荐视频的时长，将目标用户观看推荐视频的时长计算出的目标值作为反馈信息，根据反馈信息更新视频信息表及视频推荐模型，当根据观看次数和视频推荐模型为目标用户推荐视频时，可以将更准确的视频推荐给目标用户，提高目标用户体验。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

对应于上文实施例所述的视频推荐方法，图3示出了本申请实施例提供的装置的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。

如图3所示，本申请实施例提供的视频推荐装置包括，

获取模块10，用于获取待推荐视频的标签；

分析模块20，用于根据所述待推荐视频的标签将预设数量的候选视频输入视频推荐模型，以输出每个候选视频的目标值，其中，所述视频推荐模型是以目标用户观看过的视频、所述目标用户观看过的视频对应的标签以及所述目标用户观看过的视频对应的目标值为训练样本，对分类模型进行训练得到的；

推荐模块30，用于将目标值达到第一预设值的候选视频确定为推荐视频，以向所述目标用户推荐。

在一种可能的实现方式中，所述获取模块10包括：

构建单元，用于构建视频信息表，所述视频信息表包括目标用户观看过的视频的至少一个标签以及与每个标签对应的观看次数；

更新单元，用于根据所述目标用户观看过的视频对应的标签更新所述观看次数；

获取单元，用于根据每个标签对应的观看次数从所述至少一个标签中获取待推荐视频的标签。

在一种可能的实现方式中，所述获取单元具体用于：

将所有标签对应的观看次数转化为概率分布；

根据所述概率分布随机取样，以获取待推荐视频的标签。

在一种可能的实现方式中，所述视频推荐装置还包括第一更新模块，所述第一更新模块用于：

获取目标用户最近一次观看当前标签对应的视频的时间；

若所述目标用户最近一次观看当前标签对应的视频的时间与当前时刻之间的时长达到预设时长，根据第一预设衰减系数更新当前标签对应的观看次数。

在一种可能的实现方式中，所述视频推荐装置还包括第二更新模块，所述第二更新模块用于：

记录目标用户观看所述推荐视频的时长；

若目标用户观看所述推荐视频的时长小于或等于第二预设值，根据第二预设衰减系数更新所述视频信息表中与所述推荐视频对应的标签的观看次数。

在一种可能的实现方式中，所述视频推荐装置还包括训练模块，

用于若目标用户观看所述推荐视频的时长大于第二预设值且小于第三预设值，则将所述推荐视频、所述推荐视频对应的标签和目标用户观看所述推荐视频的时长添加至所述训练样本以重新训练所述分类模型。

在一种可能的实现方式中，所述目标值的计算公式为：

y＝log((t/T)/K)+log(T)，其中，y表示目标值，t表示目标用户观看视频的时间，T表示视频的总时长，K为缩放参数。

需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。

图4是本申请实施例提供的终端设备的示意图。如图4所示，该实施例的终端设备包括：处理器11、存储器12以及存储在所述存储器12中并可在所述处理器11上运行的计算机程序13。所述处理器11执行所述计算机程序13时实现上述视频推荐方法实施例中的步骤，例如图1所示的步骤S101至S103。或者，所述处理器11执行所述计算机程序13时实现上述各装置实施例中各模块/单元的功能，例如图3所示模块10至30的功能。

示例性的，所述计算机程序13可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器12中，并由所述处理器11执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序13在所述终端设备中的执行过程。

所述处理器11可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器12可以是所述终端设备的内部存储单元，例如终端设备的硬盘或内存。所述存储器12也可以是所述终端设备的外部存储设备，例如所述终端设备上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器12还可以既包括所述终端设备的内部存储单元也包括外部存储设备。所述存储器12用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器12还可以用于暂时地存储已经输出或者将要输出的数据。

本领域技术人员可以理解，图4仅仅是终端设备的示例，并不构成对终端设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

在本申请所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质等。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种视频推荐方法，其特征在于，包括：

获取待推荐视频的标签；

根据所述待推荐视频的标签将预设数量的候选视频输入视频推荐模型，以输出每个候选视频的目标值，其中，所述视频推荐模型是以目标用户观看过的视频、所述目标用户观看过的视频对应的标签以及所述目标用户观看过的视频对应的目标值为训练样本，对分类模型进行训练得到的；

将目标值达到第一预设值的候选视频确定为推荐视频，以向所述目标用户推荐。

2.如权利要求1所述的视频推荐方法，其特征在于，所述获取待推荐视频的标签，具体包括：

构建视频信息表，所述视频信息表包括目标用户观看过的视频的至少一个标签以及与每个标签对应的观看次数；

根据所述目标用户观看过的视频对应的标签更新所述观看次数；

根据每个标签对应的观看次数从所述至少一个标签中获取所述待推荐视频的标签。

3.如权利要求2所述的视频推荐方法，其特征在于，所述根据每个标签对应的观看次数从所述至少一个标签中获取所述待推荐视频的标签，具体包括：

将所有标签对应的观看次数转化为概率分布；

根据所述概率分布随机取样，以获取所述待推荐视频的标签。

4.如权利要求2所述的视频推荐方法，其特征在于，所述视频推荐方法还包括：

获取目标用户最近一次观看当前标签对应的视频的时间；

若所述目标用户最近一次观看当前标签对应的视频的时间与当前时刻之间的时长达到预设时长，根据第一预设衰减系数更新当前标签对应的观看次数。

5.如权利要求2所述的视频推荐方法，其特征在于，所述将目标值达到第一预设值的候选视频确定为推荐视频，以向所述目标用户推荐之后，所述方法还包括：

记录目标用户观看所述推荐视频的时长；

若目标用户观看所述推荐视频的时长小于或等于第二预设值，根据第二预设衰减系数更新所述视频信息表中与所述推荐视频对应的标签的观看次数。

6.如权利要求5所述的视频推荐方法，其特征在于，所述记录目标用户观看所述推荐视频的时长之后，所述方法还包括：

若目标用户观看所述推荐视频的时长大于第二预设值且小于第三预设值，则将所述推荐视频、所述推荐视频对应的标签和目标用户观看所述推荐视频的时长添加至所述训练样本以重新训练所述分类模型。

7.如权利要求1所述的视频推荐方法，其特征在于，所述目标值的计算公式为：

y＝log((t/T)/K)+log(T)，其中，y表示目标值，t表示目标用户观看视频的时间，T表示视频的总时长，K为缩放参数。

8.一种视频推荐装置，其特征在于，包括：

获取模块，用于获取待推荐视频的标签；

分析模块，用于根据所述待推荐视频的标签将预设数量的候选视频输入视频推荐模型，以输出每个候选视频的目标值，其中，所述视频推荐模型是以目标用户观看过的视频、所述目标用户观看过的视频对应的标签以及所述目标用户观看过的视频对应的目标值为训练样本，对分类模型进行训练得到的；

推荐模块，用于将目标值达到第一预设值的候选视频确定为推荐视频，以向所述目标用户推荐。

9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述方法的步骤。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。

Images