CN117729358B - 数据处理方法、装置、设备、计算机可读存储介质及产品 - Google Patents
数据处理方法、装置、设备、计算机可读存储介质及产品 Download PDFInfo
- Publication number
- CN117729358B CN117729358B CN202410177119.XA CN202410177119A CN117729358B CN 117729358 B CN117729358 B CN 117729358B CN 202410177119 A CN202410177119 A CN 202410177119A CN 117729358 B CN117729358 B CN 117729358B
- Authority
- CN
- China
- Prior art keywords
- media content
- time
- media
- content
- determining
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 34
- 230000002452 interceptive effect Effects 0.000 claims abstract description 29
- 238000000034 method Methods 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims description 46
- 238000012545 processing Methods 0.000 claims description 25
- 230000003993 interaction Effects 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 15
- 230000001960 triggered effect Effects 0.000 claims description 8
- 238000012163 sequencing technique Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开实施例提供一种数据处理方法、装置、设备、计算机可读存储介质及产品,该方法包括:获取用户在预设时间间隔内的历史浏览信息,历史浏览信息中包括用户历史浏览的多个媒体内容以及各媒体内容对应的浏览时长;确定各媒体内容对应的完播时间,完播时间用于表征浏览媒体内容用户中超过预设比例的用户在完播时间对媒体内容触发互动操作;根据媒体内容对应的浏览时长以及完播时间确定媒体内容对应的完播度;根据多个媒体内容对应的完播度对用户进行媒体内容推荐操作。从而提高了短视频的完播度计算的准确性。并可以基于该准确地完播度更加有针对性地为用户进行内容推荐操作,提升用户体验。
Description
技术领域
本公开实施例涉及大数据技术领域,尤其涉及一种数据处理方法、装置、设备、计算机可读存储介质及产品。
背景技术
随着互联网的蓬勃发展,以及人工智能技术的不断进步,短视频应用逐渐走进了用户的生活。短视频应用可以基于大数据信息为用户推送更加贴合用户个性化需求的多个短视频,以供用户进行浏览。
在用户对短视频应用中进行内容浏览时,可以对用户针对每一短视频的播放时长进行统计。基于播放时长以及短视频时长确定该短视频对应的播放完成度。进而可以基于该播放完成度更准确地对该用户进行内容推荐操作。
但是,采用上述方法进行播放完成度计算时,由于短视频往往时长较短,较易播完。因此,短视频的播放完成度往往较高,故基于该播放完成度无法更准确为用户推荐内容。
发明内容
本公开实施例提供一种数据处理方法、装置、设备、计算机可读存储介质及产品,用于解决现有的短视频播放完成度计算不准确的技术问题。
第一方面,本公开实施例提供一种数据处理方法,包括:
获取用户在预设时间间隔内的历史浏览信息,所述历史浏览信息中包括所述用户历史浏览的多个媒体内容以及各媒体内容对应的浏览时长;
确定各媒体内容对应的完播时间,所述完播时间用于表征浏览所述媒体内容用户中超过预设比例的用户在所述完播时间对所述媒体内容触发互动操作;
根据所述媒体内容对应的浏览时长以及所述完播时间确定所述媒体内容对应的完播度;
根据所述多个媒体内容对应的完播度对所述用户进行媒体内容推荐操作。
第二方面,本公开实施例提供一种数据处理装置,包括:
获取模块,用于获取用户在预设时间间隔内的历史浏览信息,所述历史浏览信息中包括所述用户历史浏览的多个媒体内容以及各媒体内容对应的浏览时长;
确定模块,用于确定各媒体内容对应的完播时间,所述完播时间用于表征浏览所述媒体内容用户中超过预设比例的用户在所述完播时间对所述媒体内容触发互动操作;
处理模块,用于根据所述媒体内容对应的浏览时长以及所述完播时间确定所述媒体内容对应的完播度;
推荐模块,用于根据所述多个媒体内容对应的完播度对所述用户进行媒体内容推荐操作。
第三方面,本公开实施例提供一种电子设备,包括:处理器和存储器;
所述存储器存储计算机执行指令;
所述处理器执行所述存储器存储的计算机执行指令,使得所述至少一个处理器执行如上第一方面以及第一方面各种可能的设计所述的数据处理方法。
第四方面,本公开实施例提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如上第一方面以及第一方面各种可能的设计所述的数据处理方法。
第五方面,本公开实施例提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上第一方面以及第一方面各种可能的设计所述的数据处理方法。
本实施例提供的数据处理方法、装置、设备、计算机可读存储介质及产品,通过预先确定不同内容时长的媒体内容对应的完播时间,从而针对用户历史浏览的多个媒体内容,可以确定各媒体内容对应的完播时间,基于该完播时间准确地对媒体内容对应的完播度进行计算,提高了短视频的完播度计算的准确性。进一步地,可以基于该准确地完播度更加有针对性地为用户进行内容推荐操作,使得推荐的多个媒体内容更加贴合用户的个性化需求,提升用户体验。
附图说明
为了更清楚地说明本公开实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本公开的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本公开所基于的***架构图;
图2为本公开实施例提供的数据处理方法的流程示意图;
图3为本公开又一实施例提供的数据处理方法的流程示意图;
图4为本公开又一实施例提供的数据处理方法的流程示意图;
图5为本公开实施例提供的数据处理装置的结构示意图;
图6为本公开实施例提供的电子设备的结构示意图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚,下面将结合本公开实施例中的附图,对本公开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公开一部分实施例,而不是全部的实施例。基于本公开中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本公开保护的范围。
可以理解的是,在使用本公开各实施例公开的技术方案之前,均应当依据相关法律法规通过恰当的方式对本公开所涉及个人信息的类型、使用范围、使用场景等告知用户并获得用户的授权。
例如,在响应于接收到用户的主动请求时,向用户发送提示信息,以明确地提示用户,其请求执行的操作将需要获取和使用到用户的个人信息。从而,使得用户可以根据提示信息来自主地选择是否向执行本公开技术方案的操作的电子设备、应用程序、服务器或存储介质等软件或硬件提供个人信息。
作为一种可选的但非限定性的实现方式,响应于接收到用户的主动请求,向用户发送提示信息的方式例如可以是弹窗的方式,弹窗中可以以文字的方式呈现提示信息。此外,弹窗中还可以承载供用户选择“同意”或者“不同意”向电子设备提供个人信息的选择控件。
可以理解的是,上述通知和获取用户授权过程仅是示意性的,不对本公开的实现方式构成限定,其它满足相关法律法规的方式也可应用于本公开的实现方式中。
为了解决现有的短视频播放完成度计算不准确的技术问题,本公开提供了一种数据处理方法、装置、设备、计算机可读存储介质及产品。
需要说明的是,本公开提供的数据处理方法、装置、设备、计算机可读存储介质及产品可应用在任意一种短视频数据处理的场景中。
为了实现对视频媒体内容播放完成度的计算,相关技术一般都是确定视频媒体内容的浏览时长。基于浏览时长与视频媒体内容的总时长确定播放完成度。但是,针对短视频来说,视频时长一般仅有几秒或几十秒,往往较易播放完成。因此,采用上述方式计算得到大部分短视频的播放完成度均为1,往往准确性不高,无法为后续的数据分析提供准确的数据支撑。
在解决上述技术问题的过程中,发明人通过研究发现,为了准确地计算短视频的播放完成度,可以引入视频互动发生的时间因子这一因子,将原本的用于衡量完成度的视频时长用更改为同一长度的视频80%用户针对该视频触发互动操作的时间。例如,针对时长为10s的视频,80%用户在19s针对该视频触发互动操作,故可以认为时长为10s的视频,播放19s时播放完成度为1。
进一步地,用户在浏览视频时,各视频的播放完成度可以准确地表征用户对不同类型视频的喜好程度,因此,可以根据用户历史浏览视频的播放完成度更加准确地为用户进行内容推荐操作。
图1为本公开所基于的***架构图,如图1所示,本公开所基于的***架构至少包括服务器11、数据服务器12以及终端设备13。该服务器11中可设置有数据处理装置,其中,该数据处理装置可采用C/C++、Java、Shell或Python等语言编写;数据服务器12则可为云端服务器或服务器集群,其内存储有大量的数据。终端设备13则可例如台式电脑、平板电脑等。
服务器11可以分别与数据服务器12以及终端设备13通信连接。基于上述***架构,服务器11可以从数据服务器12中获取用户在预设时间间隔内的历史浏览信息。基于该历史浏览信息以及不同时长媒体内容对应的完播时间准确地确定各媒体内容对应的完播度。进一步地,可以基于该完播度准确地向用户进行内容推荐操作。并将推荐内容发送至终端设备13,以使得用户在终端设备13上对推荐内容进行浏览。
图2为本公开实施例提供的数据处理方法的流程示意图,如图2所示,该方法包括:
步骤201、获取用户在预设时间间隔内的历史浏览信息,所述历史浏览信息中包括所述用户历史浏览的多个媒体内容以及各媒体内容对应的浏览时长。
本实施例的执行主体为数据处理装置。该数据处理装置可耦合于服务器中。该服务器可以分别与数据服务器以及终端设备通信连接。该数据服务器中可以存储有多个用户的历史浏览信息。
为了更准确地对用户进行内容推荐操作,首先可以确定该用户历史对媒体内容的浏览过程中,各媒体内容的完播度。其中,若用户针对任一媒体内容完播度较高,则表征用户对该媒体内容较为感兴趣。反之,若用户针对任一媒体内容完播度较低,则表征用户对该媒体内容不感兴趣。故确定用户针对各媒体内容的完播度能够准确地确定用户针对媒体内容的喜好程度。
因此,可以获取用户在预设时间间隔内的历史浏览信息。该历史浏览信息可以为数据处理装置基于用户的标识信息从数据服务器中获取的。或者,该历史浏览信息可以为数据处理装置从任一预设存储路径中获取的,本公开对此不做限制。
需要说明的是,用户在预设时间间隔内的历史浏览信息是在获得用户充分授权后获取的。
可选地,该预设时间间隔可以为一个月、半年、一年等任意一种时间间隔,或者,该时间间隔可以为用户自定义的时间间隔,本公开对此不做限制。该历史浏览信息中包括用户历史浏览的多个媒体内容以及用户浏览各媒体内容时的浏览时长。举例来说,用户对一时长为7秒的媒体内容浏览了9秒钟,则该浏览时长则为9s。
步骤202、确定各媒体内容对应的完播时间,所述完播时间用于表征浏览所述媒体内容用户中超过预设比例的用户在所述完播时间对所述媒体内容触发互动操作。
在本实施方式中,由于不同的媒体内容可能对应有不同的内容时长,针对不同内容时长的媒体内容,可以预先确定该媒体内容对应的完播时间。其中,完播时间用于表征浏览媒体内容用户中超过预设比例的用户在完播时间对媒体内容触发互动操作。
举例来说,针对内容时长为7秒的多个媒体内容,在该多个媒体内容发布之后,用户在浏览过程中,可以针对该多个媒体内容触发互动操作。其中,该互动操作包括但不限于点赞、收藏、转发、评论等互动操作。可以对多个媒体内容对应的互动操作进行分析,将浏览媒体内容用户中超过预设比例的用户触发互动操作的时间点确定为完播时间。例如,超过80%的用户均在第9秒触发互动操作,则可以将9秒作为该媒体内容的完播时间。相应地,针对用户历史浏览的时长为7秒的媒体内容,若用户对该媒体内容的浏览时长超过9秒,则表征用户完整地浏览了该媒体内容。反之,若用户对该媒体内容的浏览时长低于7秒,则表征用户未完整地浏览该媒体内容。
步骤203、根据所述媒体内容对应的浏览时长以及所述完播时间确定所述媒体内容对应的完播度。
在本实施方式中,当用户在浏览媒体内容的过程中,对当前媒体内容较为感兴趣时才会针对该媒体内容触发互动操作。而大部分用户均在完播时间进行互动操作,则可以表征在该完播时间用户完成对该媒体内容的完整浏览操作。
因此,针对每一媒体内容,在确定该媒体内容对应的完播时间之后,可以基于媒体内容对应的浏览时长以及完播时间确定媒体内容对应的完播度。
步骤204、根据所述多个媒体内容对应的完播度对所述用户进行媒体内容推荐操作。
在本实施方式中,在分别确定历史浏览信息中每一媒体内容对应的完播度之后,可以基于该多个媒体内容以及其对应的完播度对用户进行更准确的媒体内容推荐操作。
例如,为了实现内容推荐操作,可以预先构建召回模型以及排序模型。召回模型用于从媒体内容资源池中召回多个推荐内容。排序模型用于对多个推荐内容进行排序,以基于该排序进行内容推荐操作。
为了提高内容推荐的准确性,在分别确定历史浏览信息中每一媒体内容对应的完播度之后,可以将该多个媒体内容以及其对应的完播度作为模型训练的参数,对召回模型以及排序模型进行更新训练,以提高召回模型以及排序模型的数据处理精度。
进一步地,在上述任一实施例的基础上,步骤203包括:
计算所述浏览时长与所述完播时间之间的比值。
将所述比值确定为所述媒体内容对应的完播度。
在本实施例中,针对每一媒体内容,在分别确定该媒体内容对应的浏览时长以及完播时间之后,可以基于该浏览时长以及完播时间准确地确定该媒体内容对应的完播度。
可选地,可以计算浏览时长与完播时间之间的比值。将比值确定为媒体内容对应的完播度。其中,当完播度大于1时,则表征用户完整地对媒体内容进行浏览操作。反之,则表征用户未完成对完整的媒体内容的浏览操作。
本实施例提供的数据处理方法,通过预先确定不同内容时长的媒体内容对应的完播时间,从而针对用户历史浏览的多个媒体内容,可以确定各媒体内容对应的完播时间,基于该完播时间准确地对媒体内容对应的完播度进行计算,提高了短视频的完播度计算的准确性。进一步地,可以基于该准确地完播度更加有针对性地为用户进行内容推荐操作,使得推荐的多个媒体内容更加贴合用户的个性化需求,提升用户体验。
图3为本公开又一实施例提供的数据处理方法的流程示意图,在上述任一实施例的基础上,如图3所示,步骤202之前,还包括:
步骤301、针对各内容时长,获取多个媒体内容样本,并确定多个用户针对所述媒体内容样本触发的互动操作的触发时间。
步骤302、基于所述内容时长对应的多个媒体内容样本构建时间与互动操作的分布统计图。
步骤303、将所述分布统计图中触发互动操作的用户数量达到预设比例的时间点确定为所述内容时长对应的媒体内容的完播时间。
在本实施例中,由于不同的媒体内容可能对应有不同的内容时长,可以预先确定各内容时长对应的媒体内容对应的完播时间。
可选地,针对各内容时长,获取多个媒体内容样本,其中,该媒体内容样本可以为历史发布的媒体内容,多个用户在浏览该媒体内容样本过程中对媒体内容样本触发互动操作。该互动操作包括但不限于点赞、收藏、转发、评论等互动操作。确定多个用户针对媒体内容样本触发的互动操作的触发时间。
基于内容时长对应的多个媒体内容样本构建时间与互动操作的分布统计图。该分布统计图中包括每一次互动操作对应的触发时间。将分布统计图中触发互动操作的用户数量达到预设比例的时间点确定为内容时长对应的媒体内容的完播时间。
举例来说,在构建分布统计图之后,可以基于分布统计图确定80%用户均触发互动操作的时间点,将该时间点确定为该内容时长对应的媒体内容对应的完播时间。
本实施例提供的数据处理方法,通过针对多个媒体内容样本,确定多个用户针对媒体内容样本触发的互动操作的触发时间,基于内容时长对应的多个媒体内容样本构建时间与互动操作的分布统计图。将分布统计图中触发互动操作的用户数量达到预设比例的时间点确定为内容时长对应的媒体内容的完播时间,从而能够准确地确定各内容时长对应的媒体内容的完播时间,进而能够基于该完播时间准确地对完播度进行计算。
进一步地,在上述任一实施例的基础上,步骤202包括:
确定所述媒体内容对应的内容时长。
确定所述内容时长对应的完播时间,将所述内容时长对应的完播时间确定为所述媒体内容对应的完播时间。
在本实施例中,在分别确定不同内容时长的媒体内容对应的完播时间之后,针对用户历史浏览的媒体内容,可以确定媒体内容对应的内容时长。确定内容时长对应的完播时间,将内容时长对应的完播时间确定为媒体内容对应的完播时间。
本实施例提供的数据处理方法,通过预先确定不同内容时长的媒体内容对应的完播时间,从而针对每一媒体内容,可以确定该媒体内容对应的内容时长,进而能够准确地基于该内容时长确定媒体内容对应的完播时间,提高了数据处理的效率。
图4为本公开又一实施例提供的数据处理方法的流程示意图,在上述任一实施例的基础上,如图4所示,步骤204包括:
步骤401、基于所述多个媒体内容以及所述多个媒体内容对应的完播度对预设的召回模型进行训练,获得训练后的召回模型。
步骤402、通过所述召回模型在预设媒体内容资源池中获取多个推荐内容。
步骤403、基于所述多个推荐内容对所述用户进行媒体内容推荐操作。
在本实施例中,在分别得到用户历史浏览的多个媒体内容的完播度之后,可以基于该完播度更准确地对用户进行内容推荐操作。
可选地,可以预先设置召回模型,该召回模型用于从媒体内容资源池获取为用户进行内容推荐的多个推荐内容。该召回模型可以为基于历史数据预先训练的模型,在得到多个媒体内容的完播度之后,可以基于该完播度对召回模型进行更新操作。或者,该召回模型可以为未训练的初始模型,在获得多个媒体内容的完播度之后,可以基于该完播度对召回模型进行训练操作,得到训练后的召回模型。
该训练后的召回模型能够准确地对用户对媒体内容资源池中媒体内容的完播度进行预测。从而可以基于完播度,在预设媒体内容资源池中获取多个推荐内容。例如,可以预先设置推荐内容数量,基于该推荐内容数量从媒体内容资源池中获取与该数量相匹配的完播度较高的推荐内容。
进一步地,在基于召回模型确定多个推荐内容之后,可以基于多个推荐内容对用户进行媒体内容推荐操作。例如,可以将多个推荐内容推送至用户的终端设备,以使用户能够在终端设备上对多个推荐内容进行浏览。
本实施例提供的数据处理方法,通过在确定用户针对历史浏览的多个媒体内容的完播度之后,可以基于该完播度建立召回模型,从而能够基于该召回模型准确地召回更加符合用户个性化需求的多个推荐内容。进而能够基于该多个推荐内容有针对性地对用户进行媒体内容推荐操作。
进一步地,在上述任一实施例的基础上,步骤401包括:
获取多个媒体内容对应的关联信息,所述关联信息包括所述媒体内容对应的属性信息、发布者信息、交互信息中的一项或多项。
将所述完播度作为所述媒体内容对应的标注信息。
基于所述多个媒体内容对应的关联信息以及所述完播度构建训练数据集。
通过所述训练数据集对预设的召回模型进行迭代训练,直至所述召回模型满足预设的收敛条件,获得训练后的召回模型。
在本实施例中,在分别得到用户历史浏览的多个媒体内容的完播度之后,可以获取多个媒体内容对应的关联信息,关联信息包括媒体内容对应的属性信息、发布者信息、交互信息中的一项或多项。将完播度作为媒体内容对应的标注信息。
在迭代训练过程中,可以将关联信息输入至召回模型中,得到召回模型输出的预测结果。基于预测结果以及关联信息对应的完播度确定召回模型的损失值。基于该损失值对召回模型的参数进行调整,直至召回模型满足预设的收敛条件,获得训练后的召回模型。
其中,该预设的收敛条件可以为损失值小于预设阈值、两次训练得到的损失值之差小于预设差值、训练时长达到预设时间阈值、训练次数达到预设次数阈值等,本公开对此不做限制。
本实施例提供的数据处理方法,通过基于多个媒体内容对应的关联信息以及完播度构建训练数据集。通过训练数据集对预设的召回模型进行迭代训练,直至召回模型满足预设的收敛条件,获得训练后的召回模型,从而该召回模型能够准确地对媒体内容资源池中媒体内容的完播度进行预测,进而能够准确地进行推荐内容的召回。
进一步地,在上述任一实施例的基础上,步骤403包括:
将所述多个推荐内容输入至预设的排序模型,基于所述排序模型的输出结果确定所述多个推荐内容对应的推荐顺序,其中,所述排序模型为基于所述多个媒体内容以及所述多个媒体内容对应的完播度训练获得的。
基于所述推荐顺序向所述用户推荐所述多个推荐内容。
在本实施例中,为了使得推荐内容更加贴合用户的个性化需求,还可以对多个推荐内容的推荐顺序进行调整。
可选地,可以预先基于多个媒体内容以及多个媒体内容对应的完播度训练获得排序模型。在训练过程中,可以将多个媒体内容关联的属性信息、参数信息、发布者信息、交互信息作为训练数据,将完播度作为标注数据。通过该多个媒体内容以及多个媒体内容对应的完播度对预设模型进行迭代训练,以使得训练后的排序模型能够对每一媒体内容对应的内容分数进行预测。
进一步地,在基于召回模型确定多个推荐内容之后,可以将多个推荐内容输入至预设的排序模型,基于排序模型的输出结果确定多个推荐内容对应的推荐顺序。从而在内容推荐过程中,可以基于该推荐顺序向用户推荐多个推荐内容。
进一步地,在上述任一实施例的基础上,所述基于所述排序模型的输出结果确定所述多个推荐内容对应的推荐顺序,包括:
获取所述排序模型输出的各推荐内容对应的内容分数。
基于所述内容分数以及预设的排序方式确定所述多个推荐内容对应的推荐顺序。
在本实施例中,排序模型能够输出各推荐内容对应的内容分数。从而在获取到内容分数之后,可以基于内容分数以及预设的排序方式确定所述多个推荐内容对应的推荐顺序。其中,该预设的排序方式可以为按照内容分数由高到低的顺序进行排序,或者,该预设的排序方式可以为按照高内容分数与低内容分数交叉的顺序进行排序。或者,用户可以根据实际需求对该排序方式进行调整,本公开对此不做限制。
本实施例提供的数据处理方法,通过基于多个媒体内容以及多个媒体内容对应的完播度训练排序模型,从而能够基于用户的个性化需求对多个推荐内容进行准确地排序,进而能够可以基于推荐顺序向用户推荐多个推荐内容,使得推荐内容更加贴合用户的个性化需求,提升用户体验。
图5为本公开实施例提供的数据处理装置的结构示意图,如图5所示,该装置包括:获取模块51、确定模块52、处理模块53以及推荐模块54。其中,获取模块51,用于获取用户在预设时间间隔内的历史浏览信息,所述历史浏览信息中包括所述用户历史浏览的多个媒体内容以及各媒体内容对应的浏览时长。确定模块52,用于确定各媒体内容对应的完播时间,所述完播时间用于表征浏览所述媒体内容用户中超过预设比例的用户在所述完播时间对所述媒体内容触发互动操作。处理模块53,用于根据所述媒体内容对应的浏览时长以及所述完播时间确定所述媒体内容对应的完播度。推荐模块54,用于根据所述多个媒体内容对应的完播度对所述用户进行媒体内容推荐操作。
进一步地,在上述任一实施例的基础上,所述装置还包括:获取模块,用于针对各内容时长,获取多个媒体内容样本,并确定多个用户针对所述媒体内容样本触发的互动操作的触发时间。构建模块,用于基于所述内容时长对应的多个媒体内容样本构建时间与互动操作的分布统计图。确定模块,用于将所述分布统计图中触发互动操作的用户数量达到预设比例的时间点确定为所述内容时长对应的媒体内容的完播时间。
进一步地,在上述任一实施例的基础上,所述确定模块,用于:确定所述媒体内容对应的内容时长。确定所述内容时长对应的完播时间,将所述内容时长对应的完播时间确定为所述媒体内容对应的完播时间。
进一步地,在上述任一实施例的基础上,所述确定模块,用于:计算所述浏览时长与所述完播时间之间的比值。将所述比值确定为所述媒体内容对应的完播度。
进一步地,在上述任一实施例的基础上,所述推荐模块,用于:基于所述多个媒体内容以及所述多个媒体内容对应的完播度对预设的召回模型进行训练,获得训练后的召回模型。通过所述召回模型在预设媒体内容资源池中获取多个推荐内容。基于所述多个推荐内容对所述用户进行媒体内容推荐操作。
进一步地,在上述任一实施例的基础上,所述推荐模块,用于:获取多个媒体内容对应的关联信息,所述关联信息包括所述媒体内容对应的属性信息、发布者信息、交互信息中的一项或多项。将所述完播度作为所述媒体内容对应的标注信息。基于所述多个媒体内容对应的关联信息以及所述完播度构建训练数据集。通过所述训练数据集对预设的召回模型进行迭代训练,直至所述召回模型满足预设的收敛条件,获得训练后的召回模型。
进一步地,在上述任一实施例的基础上,所述推荐模块,用于:将所述多个推荐内容输入至预设的排序模型,基于所述排序模型的输出结果确定所述多个推荐内容对应的推荐顺序,其中,所述排序模型为基于所述多个媒体内容以及所述多个媒体内容对应的完播度训练获得的。基于所述推荐顺序向所述用户推荐所述多个推荐内容。
进一步地,在上述任一实施例的基础上,所述推荐模块,用于:获取所述排序模型输出的各推荐内容对应的内容分数。基于所述内容分数以及预设的排序方式确定所述多个推荐内容对应的推荐顺序。
本实施例提供的设备,可用于执行上述方法实施例的技术方案,其实现原理和技术效果类似,本实施例此处不再赘述。
为了实现上述实施例,本公开实施例还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中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如上述任一实施例所述的数据处理方法。
为了实现上述实施例,本公开实施例还提供了一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述任一实施例所述的数据处理方法。
为了实现上述实施例,本公开实施例还提供了一种电子设备,包括:处理器和存储器;
所述存储器存储计算机执行指令;
所述处理器执行所述存储器存储的计算机执行指令,使得所述处理器执行如上述任一实施例所述的数据处理方法。
图6为本公开实施例提供的电子设备的结构示意图,该电子设备600可以为终端设备或服务器。其中,终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、个人数字助理(Personal Digital Assistant,简称PDA)、平板电脑(Portable AndroidDevice,简称PAD)、便携式多媒体播放器(Portable Media Player,简称PMP)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图6示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图6所示,电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601,其可以根据存储在只读存储器(Read Only Memory ,简称ROM)602中的程序或者从存储装置608加载到随机访问存储器(Random Access Memory ,简称RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常,以下装置可以连接至I/O接口605:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606;包括例如液晶显示器(Liquid CrystalDisplay ,简称LCD)、扬声器、振动器等的输出装置607;包括例如磁带、硬盘等的存储装置608;以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置609从网络上被下载和安装,或者从存储装置608被安装,或者从ROM 602被安装。在该计算机程序被处理装置601执行时,执行本公开实施例的方法中限定的上述功能。
需要说明的是,本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备执行上述实施例所示的方法。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LocalArea Network ,简称LAN)或广域网(Wide Area Network ,简称WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,单元的名称在某种情况下并不构成对该单元本身的限定,例如,第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上***(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
第一方面,根据本公开的一个或多个实施例,提供了一种数据处理方法,包括:
获取用户在预设时间间隔内的历史浏览信息,所述历史浏览信息中包括所述用户历史浏览的多个媒体内容以及各媒体内容对应的浏览时长;
确定各媒体内容对应的完播时间,所述完播时间用于表征浏览所述媒体内容用户中超过预设比例的用户在所述完播时间对所述媒体内容触发互动操作;
根据所述媒体内容对应的浏览时长以及所述完播时间确定所述媒体内容对应的完播度;
根据所述多个媒体内容对应的完播度对所述用户进行媒体内容推荐操作。
根据本公开的一个或多个实施例,所述确定各媒体内容对应的完播时间之前,还包括:
针对各内容时长,获取多个媒体内容样本,并确定多个用户针对所述媒体内容样本触发的互动操作的触发时间;
基于所述内容时长对应的多个媒体内容样本构建时间与互动操作的分布统计图;
将所述分布统计图中触发互动操作的用户数量达到预设比例的时间点确定为所述内容时长对应的媒体内容的完播时间。
根据本公开的一个或多个实施例,所述确定各媒体内容对应的完播时间,包括:
确定所述媒体内容对应的内容时长;
确定所述内容时长对应的完播时间,将所述内容时长对应的完播时间确定为所述媒体内容对应的完播时间。
根据本公开的一个或多个实施例,所述根据所述媒体内容对应的浏览时长以及所述完播时间确定所述媒体内容对应的完播度,包括:
计算所述浏览时长与所述完播时间之间的比值;
将所述比值确定为所述媒体内容对应的完播度。
根据本公开的一个或多个实施例,所述根据所述多个媒体内容对应的完播度对所述用户进行媒体内容推荐操作,包括:
基于所述多个媒体内容以及所述多个媒体内容对应的完播度对预设的召回模型进行训练,获得训练后的召回模型;
通过所述召回模型在预设媒体内容资源池中获取多个推荐内容;
基于所述多个推荐内容对所述用户进行媒体内容推荐操作。
根据本公开的一个或多个实施例,所述基于所述多个媒体内容以及所述多个媒体内容对应的完播度对预设的召回模型进行训练,获得训练后的召回模型,包括:
获取多个媒体内容对应的关联信息,所述关联信息包括所述媒体内容对应的属性信息、发布者信息、交互信息中的一项或多项;
将所述完播度作为所述媒体内容对应的标注信息;
基于所述多个媒体内容对应的关联信息以及所述完播度构建训练数据集;
通过所述训练数据集对预设的召回模型进行迭代训练,直至所述召回模型满足预设的收敛条件,获得训练后的召回模型。
根据本公开的一个或多个实施例,所述基于所述多个推荐内容对所述用户进行媒体内容推荐操作,包括:
将所述多个推荐内容输入至预设的排序模型,基于所述排序模型的输出结果确定所述多个推荐内容对应的推荐顺序,其中,所述排序模型为基于所述多个媒体内容以及所述多个媒体内容对应的完播度训练获得的;
基于所述推荐顺序向所述用户推荐所述多个推荐内容。
根据本公开的一个或多个实施例,所述基于所述排序模型的输出结果确定所述多个推荐内容对应的推荐顺序,包括:
获取所述排序模型输出的各推荐内容对应的内容分数;
基于所述内容分数以及预设的排序方式确定所述多个推荐内容对应的推荐顺序。
第二方面,根据本公开的一个或多个实施例,提供了一种数据处理装置,包括:
获取模块,用于获取用户在预设时间间隔内的历史浏览信息,所述历史浏览信息中包括所述用户历史浏览的多个媒体内容以及各媒体内容对应的浏览时长;
确定模块,用于确定各媒体内容对应的完播时间,所述完播时间用于表征浏览所述媒体内容用户中超过预设比例的用户在所述完播时间对所述媒体内容触发互动操作;
处理模块,用于根据所述媒体内容对应的浏览时长以及所述完播时间确定所述媒体内容对应的完播度;
推荐模块,用于根据所述多个媒体内容对应的完播度对所述用户进行媒体内容推荐操作。
根据本公开的一个或多个实施例,所述装置还包括:
获取模块,用于针对各内容时长,获取多个媒体内容样本,并确定多个用户针对所述媒体内容样本触发的互动操作的触发时间;
构建模块,用于基于所述内容时长对应的多个媒体内容样本构建时间与互动操作的分布统计图;
确定模块,用于将所述分布统计图中触发互动操作的用户数量达到预设比例的时间点确定为所述内容时长对应的媒体内容的完播时间。
根据本公开的一个或多个实施例,所述确定模块,用于:
确定所述媒体内容对应的内容时长;
确定所述内容时长对应的完播时间,将所述内容时长对应的完播时间确定为所述媒体内容对应的完播时间。
根据本公开的一个或多个实施例,所述确定模块,用于:
计算所述浏览时长与所述完播时间之间的比值;
将所述比值确定为所述媒体内容对应的完播度。
根据本公开的一个或多个实施例,所述推荐模块,用于:
基于所述多个媒体内容以及所述多个媒体内容对应的完播度对预设的召回模型进行训练,获得训练后的召回模型;
通过所述召回模型在预设媒体内容资源池中获取多个推荐内容;
基于所述多个推荐内容对所述用户进行媒体内容推荐操作。
根据本公开的一个或多个实施例,所述推荐模块,用于:
获取多个媒体内容对应的关联信息,所述关联信息包括所述媒体内容对应的属性信息、发布者信息、交互信息中的一项或多项;
将所述完播度作为所述媒体内容对应的标注信息;
基于所述多个媒体内容对应的关联信息以及所述完播度构建训练数据集;
通过所述训练数据集对预设的召回模型进行迭代训练,直至所述召回模型满足预设的收敛条件,获得训练后的召回模型。
根据本公开的一个或多个实施例,所述推荐模块,用于:
将所述多个推荐内容输入至预设的排序模型,基于所述排序模型的输出结果确定所述多个推荐内容对应的推荐顺序,其中,所述排序模型为基于所述多个媒体内容以及所述多个媒体内容对应的完播度训练获得的;
基于所述推荐顺序向所述用户推荐所述多个推荐内容。
根据本公开的一个或多个实施例,所述推荐模块,用于:
获取所述排序模型输出的各推荐内容对应的内容分数;
基于所述内容分数以及预设的排序方式确定所述多个推荐内容对应的推荐顺序。
第三方面,根据本公开的一个或多个实施例,提供了一种电子设备,包括:至少一个处理器和存储器;
所述存储器存储计算机执行指令;
所述至少一个处理器执行所述存储器存储的计算机执行指令,使得所述至少一个处理器执行如上第一方面以及第一方面各种可能的设计所述的数据处理方法。
第四方面,根据本公开的一个或多个实施例,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中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如上第一方面以及第一方面各种可能的设计所述的数据处理方法。
第五方面,根据本公开的一个或多个实施例,提供了一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上第一方面以及第一方面各种可能的设计所述的数据处理方法。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的公开范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述公开构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外,虽然采用特定次序描绘了各操作,但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下,多任务和并行处理可能是有利的。同样地,虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地,在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题,但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反,上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。
Claims (11)
1.一种数据处理方法,其特征在于,包括:
获取用户在预设时间间隔内的历史浏览信息,所述历史浏览信息中包括所述用户历史浏览的多个媒体内容以及各媒体内容对应的浏览时长;
确定各媒体内容对应的完播时间,所述完播时间用于表征浏览所述媒体内容用户中超过预设比例的用户在所述完播时间对所述媒体内容触发互动操作;
根据所述媒体内容对应的浏览时长以及所述完播时间确定所述媒体内容对应的完播度;
根据所述多个媒体内容对应的完播度对所述用户进行媒体内容推荐操作;
所述根据所述媒体内容对应的浏览时长以及所述完播时间确定所述媒体内容对应的完播度,包括:
计算所述浏览时长与所述完播时间之间的比值;
将所述比值确定为所述媒体内容对应的完播度。
2.根据权利要求1所述的方法,其特征在于,所述确定各媒体内容对应的完播时间之前,还包括:
针对各内容时长,获取多个媒体内容样本,并确定多个用户针对所述媒体内容样本触发的互动操作的触发时间;
基于所述内容时长对应的多个媒体内容样本构建时间与互动操作的分布统计图;
将所述分布统计图中触发互动操作的用户数量达到预设比例的时间点确定为所述内容时长对应的媒体内容的完播时间。
3.根据权利要求2所述的方法,其特征在于,所述确定各媒体内容对应的完播时间,包括:
确定所述媒体内容对应的内容时长;
确定所述内容时长对应的完播时间,将所述内容时长对应的完播时间确定为所述媒体内容对应的完播时间。
4.根据权利要求1-3任一项所述的方法,其特征在于,所述根据所述多个媒体内容对应的完播度对所述用户进行媒体内容推荐操作,包括:
基于所述多个媒体内容以及所述多个媒体内容对应的完播度对预设的召回模型进行训练,获得训练后的召回模型;
通过所述召回模型在预设媒体内容资源池中获取多个推荐内容;
基于所述多个推荐内容对所述用户进行媒体内容推荐操作。
5.根据权利要求4所述的方法,其特征在于,所述基于所述多个媒体内容以及所述多个媒体内容对应的完播度对预设的召回模型进行训练,获得训练后的召回模型,包括:
获取多个媒体内容对应的关联信息,所述关联信息包括所述媒体内容对应的属性信息、发布者信息、交互信息中的一项或多项;
将所述完播度作为所述媒体内容对应的标注信息;
基于所述多个媒体内容对应的关联信息以及所述完播度构建训练数据集;
通过所述训练数据集对预设的召回模型进行迭代训练,直至所述召回模型满足预设的收敛条件,获得训练后的召回模型。
6.根据权利要求4所述的方法,其特征在于,所述基于所述多个推荐内容对所述用户进行媒体内容推荐操作,包括:
将所述多个推荐内容输入至预设的排序模型,基于所述排序模型的输出结果确定所述多个推荐内容对应的推荐顺序,其中,所述排序模型为基于所述多个媒体内容以及所述多个媒体内容对应的完播度训练获得的;
基于所述推荐顺序向所述用户推荐所述多个推荐内容。
7.根据权利要求6所述的方法,其特征在于,所述基于所述排序模型的输出结果确定所述多个推荐内容对应的推荐顺序,包括:
获取所述排序模型输出的各推荐内容对应的内容分数;
基于所述内容分数以及预设的排序方式确定所述多个推荐内容对应的推荐顺序。
8.一种数据处理装置,其特征在于,包括:
获取模块,用于获取用户在预设时间间隔内的历史浏览信息,所述历史浏览信息中包括所述用户历史浏览的多个媒体内容以及各媒体内容对应的浏览时长;
确定模块,用于确定各媒体内容对应的完播时间,所述完播时间用于表征浏览所述媒体内容用户中超过预设比例的用户在所述完播时间对所述媒体内容触发互动操作;
处理模块,用于根据所述媒体内容对应的浏览时长以及所述完播时间确定所述媒体内容对应的完播度;
推荐模块,用于根据所述多个媒体内容对应的完播度对所述用户进行媒体内容推荐操作;
所述确定模块,用于:计算所述浏览时长与所述完播时间之间的比值;将所述比值确定为所述媒体内容对应的完播度。
9.一种电子设备,其特征在于,包括:处理器和存储器;
所述存储器存储计算机执行指令;
所述处理器执行所述存储器存储的计算机执行指令,使得所述处理器执行如权利要求1至7任一项所述的数据处理方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如权利要求1至7任一项所述的数据处理方法。
11.一种计算机程序产品,包括计算机程序,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任一项所述的数据处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410177119.XA CN117729358B (zh) | 2024-02-08 | 2024-02-08 | 数据处理方法、装置、设备、计算机可读存储介质及产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410177119.XA CN117729358B (zh) | 2024-02-08 | 2024-02-08 | 数据处理方法、装置、设备、计算机可读存储介质及产品 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117729358A CN117729358A (zh) | 2024-03-19 |
CN117729358B true CN117729358B (zh) | 2024-05-28 |
Family
ID=90205690
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410177119.XA Active CN117729358B (zh) | 2024-02-08 | 2024-02-08 | 数据处理方法、装置、设备、计算机可读存储介质及产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117729358B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108595492A (zh) * | 2018-03-15 | 2018-09-28 | 腾讯科技(深圳)有限公司 | 内容的推送方法和装置、存储介质、电子装置 |
CN112822526A (zh) * | 2020-12-30 | 2021-05-18 | 咪咕文化科技有限公司 | 视频推荐方法、服务器和可读存储介质 |
CN115623284A (zh) * | 2022-12-16 | 2023-01-17 | 湖南有态度网络科技有限公司 | 一种短视频的推送方法、装置、设备及存储介质 |
CN117150075A (zh) * | 2023-10-30 | 2023-12-01 | 轻岚(厦门)网络科技有限公司 | 一种基于数据分析的短视频智能推荐*** |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170177719A1 (en) * | 2015-12-22 | 2017-06-22 | Linkedln Corporation | Dynamic video acquisition based on event characteristics |
RU2666336C1 (ru) * | 2017-08-01 | 2018-09-06 | Общество С Ограниченной Ответственностью "Яндекс" | Способ и система для рекомендации медиаобъектов |
-
2024
- 2024-02-08 CN CN202410177119.XA patent/CN117729358B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108595492A (zh) * | 2018-03-15 | 2018-09-28 | 腾讯科技(深圳)有限公司 | 内容的推送方法和装置、存储介质、电子装置 |
CN112822526A (zh) * | 2020-12-30 | 2021-05-18 | 咪咕文化科技有限公司 | 视频推荐方法、服务器和可读存储介质 |
CN115623284A (zh) * | 2022-12-16 | 2023-01-17 | 湖南有态度网络科技有限公司 | 一种短视频的推送方法、装置、设备及存储介质 |
CN117150075A (zh) * | 2023-10-30 | 2023-12-01 | 轻岚(厦门)网络科技有限公司 | 一种基于数据分析的短视频智能推荐*** |
Also Published As
Publication number | Publication date |
---|---|
CN117729358A (zh) | 2024-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111510760B (zh) | 视频信息展示方法和装置、存储介质和电子设备 | |
CN110704751B (zh) | 数据处理方法、装置、电子设备及存储介质 | |
CN110619076B (zh) | 一种搜索词推荐方法、装置、计算机及存储介质 | |
CN110602564B (zh) | 视频优化信息提供方法、装置、电子设备及可读介质 | |
CN112905839A (zh) | 模型训练方法、模型使用方法、装置、存储介质及设备 | |
CN110516159B (zh) | 一种信息推荐方法、装置、电子设备及存储介质 | |
CN110619027B (zh) | 一种房源信息的推荐方法、装置、终端设备及介质 | |
CN111061979A (zh) | 一种用户标签的推送方法、装置、电子设备和介质 | |
CN112836128A (zh) | 信息推荐方法、装置、设备和存储介质 | |
CN111738316A (zh) | 零样本学习的图像分类方法、装置及电子设备 | |
CN115134670A (zh) | 多媒体播放方法、设备、存储介质及程序产品 | |
CN113868538B (zh) | 信息处理方法、装置、设备及介质 | |
CN110659389A (zh) | 排序方法、装置、电子设备和计算机可读存储介质 | |
CN112561779B (zh) | 图像风格化处理方法、装置、设备及存储介质 | |
CN110674399B (zh) | 确定搜索项目的顺序的方法和装置 | |
CN117729358B (zh) | 数据处理方法、装置、设备、计算机可读存储介质及产品 | |
CN112734462B (zh) | 一种信息推荐方法、装置、设备及介质 | |
CN112860999B (zh) | 信息推荐方法、装置、设备和存储介质 | |
CN113033680B (zh) | 视频分类方法、装置、可读介质及电子设备 | |
CN117354548A (zh) | 一种评论展示方法、装置、电子设备、计算机可读介质 | |
CN113177176A (zh) | 特征构建方法、内容显示方法及相关装置 | |
CN115964553A (zh) | 页面显示方法、装置、设备及存储介质 | |
CN113836415A (zh) | 信息推荐方法、装置、介质及设备 | |
CN113177174B (zh) | 特征构建方法、内容显示方法及相关装置 | |
CN114613355B (zh) | 视频处理方法、装置、可读介质及电子设备 |
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 |