视频推荐方法、装置、电子设备及存储介质与流程

1.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、电子设备及存储介 质。


背景技术：

2.随着科学技术的不断发展，移动互联网渗透进人们的日常生活，并在其中扮演着重要 的角色。越来越多的人通过短视频来记录分享生活和传递信息，海量个性化的视频推荐显 得越来越重要。
3.相关技术中，在短视频推荐时，使用因子分解算法通过引入用户、视频的特征进行交 叉组合，计算出候选视频的模型得分，排序后，选取排名较高的视频进行推荐。但推荐不 够精准，降低了用户的观看体验和使用粘性。


技术实现要素：

4.本公开提供一种视频推荐方法、装置、电子设备及存储介质，以至少解决相关技术中 视频推荐不够精准，降低了用户的观看体验和使用粘性的问题。本公开的技术方案如下：
5.根据本公开实施例的第一方面，提供一种视频推荐方法，包括：获取用户对应的年龄 段和性别；根据所述年龄段和所述性别确定所述用户对应的人群；根据所述用户对应的人 群的历史偏好信息获取多个候选视频；根据所述候选视频和视频推荐模型，生成所述候选 视频的分数；根据所述候选视频的分数在所述多个候选视频中确定目标视频；将所述目标 视频推荐给所述用户。
6.在本公开的一个实施例中，所述获取所述用户对应的年龄段和性别，包括：获取所述 用户的属性特征和行为特征；根据所述用户的属性特征和行为特征确定所述用户的年龄和 所述性别；根据所述年龄确定所述用户对应的所述年龄段。
7.在本公开的一个实施例中，所述视频推荐模型的训练方法包括：获取样本用户对应的 年龄段和性别；根据所述样本用户对应的年龄段和性别确定所述样本用户对应的人群；根 据所述样本用户对应的人群的历史偏好信息获取多个样本候选视频及所述样本候选视频 的分数；根据所述多个样本候选视频和待训练的视频推荐模型，生成所述样本候选视频的 预测分数；根据所述样本候选视频的预测分数和所述样本候选视频的分数对所述待训练的 视频推荐模型进行训练，得到所述视频推荐模型。
8.在本公开的一个实施例中，所述属性特征包括以下特征中的至少一种：通讯录、头像 昵称和用户名。
9.在本公开的一个实施例中，所述行为特征包括关注作者和/或观看视频历史标签。
10.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：第一获取单元，被配 置为获取用户对应的年龄段和性别；第一确定单元，被配置为根据所述年龄段和所述性别 确定所述用户对应的人群；第二获取单元，被配置为根据所述用户对应的人群的历史偏
好 信息获取多个候选视频；第一生成单元，被配置为根据所述候选视频和视频推荐模型，生 成所述候选视频的分数；第二确定单元，被配置为根据所述候选视频的分数在所述多个候 选视频中确定目标视频；推荐单元，被配置为将所述目标视频推荐给所述用户。
11.在本公开的一个实施例中，所述第一获取单元，包括：第一获取子单元，被配置为获 取所述用户的属性特征和行为特征；第一确定子单元，被配置为根据所述用户的属性特征 和行为特征确定所述用户的年龄和所述性别；第二确定子单元，被配置为根据所述年龄确 定所述用户对应的所述年龄段。
12.在本公开的一个实施例当中，所述视频推荐装置还包括：第三获取单元，被配置为获 取样本用户对应的年龄段和性别；第三确定单元，被配置为根据所述样本用户对应的年龄 段和性别确定所述样本用户对应的人群；第四获取单元，被配置为根据所述样本用户对应 的人群的历史偏好信息获取多个样本候选视频及所述样本候选视频的分数；第二生成单 元，被配置为根据所述多个样本候选视频和待训练的视频推荐模型，生成所述样本候选视 频的预测分数；调整单元，被配置为根据所述样本候选视频的预测分数和所述样本候选视 频的分数对所述待训练的视频推荐模型进行训练，得到所述视频推荐模型。
13.在本公开的一个实施例中，所述属性特征包括一下特征中的至少一种：通讯录、头像 昵称和用户名。
14.在本公开的一个实施例中，所述行为特征包括关注作者和/或观看视频历史标签。
15.根据本公开实施例的第三方面，提供一种电子设备，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，以实现如前所述的视 频推荐方法。
16.根据本公开实施例的第四方面，提供一种计算机可读存储介质，当所述计算机可读存 储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行如前所述的视频推荐 方法。
17.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，所述计 算机程序被处理器执行时实现如前所述的视频推荐方法。
18.本公开的实施例提供的技术方案至少带来以下有益效果：根据用户的年龄段和性别将 用户划分成不同的人群，候选视频为根据当前用户对应的人群的历史偏好信息获取的，从 而可以进行人群划分相关的视频推荐，使得视频推荐更精准，增强了用户的观看体验和使 用粘性。
19.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
20.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。
21.图1是根据一示例性实施例示出的一种视频推荐方法的流程图。
22.图2是根据一示例性实施例示出的一种视频推荐方法中的获取用户对应年龄段和性 别的流程图。
23.图3是根据一示例性实施例示出的一种视频推荐方法中的人群划分的示意图。
24.图4是根据一示例性实施例示出的一种视频推荐方法中的根据候选视频和视频推荐 模型生成候选视频分数的流程图。
25.图5是根据一示例性实施例示出的一种视频推荐方法中的获取视频推荐模型的流程 图。
26.图6是根据一示例性实施例示出的一种视频推荐装置框图。
27.图7是根据一示例性实施例示出的一种电子设备框图。
具体实施方式
28.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。
29.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。
30.图1是根据一示例性实施例示出的一种视频推荐方法的流程图，如图1所示，该视频 推荐方法用于电子设备中，包括以下步骤。
31.在步骤s101中，获取用户对应的年龄段和性别。
32.需要说明的是，本公开的视频推荐方法的执行主体为电子设备，本公开实施例的视频 推荐方法可以由本公开实施例的视频推荐装置执行，本公开实施例的视频推荐装置可以配 置在任意电子设备中，以执行本公开实施例的视频推荐方法。
33.在本公开的实施例中，可以预先将用户的年龄划分为多个年龄段，例如划分为7个年 龄段，年龄段1：0～10岁，年龄段2：10～20岁，年龄段3：20～30岁，
……
，年龄段6： 50～60岁，年龄段7：60岁以上。性别分为男、女(f&m)。获取当前用户对应的年龄和性 别，根据年龄确定当前用户所处的年龄段。其中，年龄段划分的具体方式，本公开实施例 不作过多限定。
34.在步骤s102中，根据年龄段和性别确定用户对应的人群。
35.需要说明的是，在本公开的实施例中，可以预先将年龄划分为7个年龄段(1
‑
7)， 性别分为男女(f&m)，根据年龄段和性别将用户划分为14个人群，即1
‑
f，1
‑
m，2
‑
f， 2
‑
m，
……
，7
‑
m。在此基础上，根据步骤s101中获取的当前用户的年龄段和性别确定当 前用户对应的人群。
36.在步骤s103中，根据用户对应的人群的历史偏好信息获取多个候选视频。
37.可以理解的是，在计算机网络的应用场景下，用户在应用程序、网页或终端设备等 平台浏览视频时，会产生历史浏览记录、偏好等数据信息。本公开的实施例通过信息挖掘 获取步骤s102确定的当前用户对应的人群的历史偏好视频，将该人群对应的多个历史偏 好视频作为待推荐的多个候选视频，候选视频的数量可以预先设定，例如不超过100个等， 这里对此不作限定。需要说明的是，用户在应用程序、网页或终端设备等平台浏览视频之 前已被告知会产生历史浏览记录、偏好等数据信息，并完成相关授权。
38.在步骤s104中，根据候选视频和视频推荐模型，生成候选视频的分数。
39.在本实施例中，可以针对每个人群训练一个对应的视频推荐模型，即不同人群对应不 同的视频推荐模型。也可以针对所有的人群训练一个统一的视频推荐模型，即不同人群对 应同一个视频推荐模型。视频推荐模型的训练过程参见下述实施例中的相关内容，此处不 再赘述。根据步骤s103获取的多个候选视频和当前用户对应的人群的视频推荐模型，生 成每个候选视频的分数。其中，视频推荐模型具体可为因子分解机模型等，因子分解机模 型的具体公式参见下述实施例中的相关内容，此处不再赘述。
40.在步骤s105中，根据候选视频的分数在多个候选视频中确定目标视频。
41.可以理解的是，对多个候选视频的分数进行排序，筛选出排名靠前的top n个候选 视频作为目标视频，其中，n的值是可设定的。
42.在步骤s106中，将目标视频推荐给用户。
43.在上述步骤的基础上，可以获得贴合当前用户偏好的目标视频，将获得的目标视频投 放到网页、平台、应用程序中，用户可以自行选择浏览，从而增强用户的观看体验。
44.本公开的实施例提供的视频推荐方法，根据用户的年龄段和性别将用户划分成不同的 人群，候选视频为根据当前用户对应的人群的历史偏好信息获取的，从而可以进行人群划 分相关的视频推荐，使得视频推荐更精准，增强了用户的观看体验和使用粘性。
45.在上述实施例的基础上，如图2所示，步骤s101中获取用户对应的年龄段和性别， 可包括：
46.在步骤s201中，获取用户的属性特征和行为特征。
47.在本实施例中，获取当前用户的属性特征和行为特征。属性特征例如通讯录、头像呢 称和用户名(或用户标识，identity document，简称id)等，行为特征例如关注作者和观 看视频历史标签等。属性特征和行为特征包括通讯录、头像呢称、用户名、关注作者和观 看视频历史标签等这些与用户偏好视频相关度很大的特征，可以使得视频推荐更精准，增 强了用户的观看体验和使用粘性。
48.在步骤s202中，根据用户的属性特征和行为特征确定用户的年龄和性别。
49.在本实施例中，根据步骤s201获取的当前用户的属性特征和行为特征估计当前用户 的年龄和性别。
50.在步骤s203中，根据年龄确定用户对应的年龄段。
51.在本实施例中，根据步骤s202确定的当前用户的年龄确定当前用户对应的年龄段。 根据用户属性特征和行为特征进行人群划分的示意图如图3所示。
52.由此，可以通过当前用户的属性特征和行为特征间接确定出当前用户的年龄段和性 别，进而在划分出的多个人群中，寻找符合该用户年龄性别的人群。根据该人群的历史偏 好信息获取候选视频，从而可以进行人群划分相关的视频推荐，使得视频推荐更精准，增 强了用户的观看体验和使用粘性。即使在无法直接获取到当前用户的年龄段和性别的情况 下，也可以通过当前用户的属性特征和行为特征间接确定出当前用户的年龄段和性别，使 得适用场景更广泛。
53.在上述任一实施例的基础上，如图4所示，步骤s104中根据候选视频和视频推荐模 型，生成候选视频的分数，可包括：
54.在步骤s401中，获取候选视频的视频特征。
55.在本实施例中，获取每个候选视频的视频特征，视频特征具体可包括但不限于视频的 作者id、视频id和视频关键词等。
56.在步骤s402中，将候选视频的视频特征输入至视频推荐模型中，得到候选视频的分 数。
57.在本实施例中，将步骤s401获取的每个候选视频的视频特征输入至视频推荐模型中， 视频推荐模型输出该候选视频的分数。
58.由此，通过对候选视频进行视频特征提取，将提取的视频特征输入至视频推荐模型中， 可以得到该候选视频的分数，从而可以根据该分数进行人群划分相关的视频推荐，使得视 频推荐更精准，增强了用户的观看体验和使用粘性。
59.在上述任一实施例的基础上，如图5所示，本实施例的视频推荐方法还可包括以下视 频推荐模型的训练步骤：
60.在步骤s501中，获取样本用户对应的年龄段和性别。
61.在步骤s502中，根据样本用户对应的年龄段和性别确定样本用户对应的人群。
62.在本实施例中，样本用户为历史浏览、观看过视频的用户。步骤s501和s502的具 体过程可参见上述步骤s101
‑
s102中的相关描述，此处不再赘述。
63.在步骤s503中，根据样本用户对应的人群的历史偏好信息获取多个样本候选视频及 样本候选视频的分数。
64.在本实施例中，针对样本用户对应的每个人群，分别单独获取该人群对应的多个样本 候选视频及样本候选视频的分数。获取该人群对应的多个样本候选视频的具体过程可参见 上述步骤s103中的相关描述，此处不再赘述。样本候选视频的分数可根据该样本候选视 频被该人群浏览、观看的次数、时长等确定。
65.在步骤s504中，根据多个样本候选视频和待训练的视频推荐模型，生成样本候选视 频的预测分数。
66.在步骤s505中，根据样本候选视频的预测分数和样本候选视频的分数对待训练的视 频推荐模型进行训练，得到视频推荐模型。
67.在本实施例中，不同人群对应同一个训练好的视频推荐模型时，针对样本用户对应的 每个人群，根据每个人群的多个样本候选视频和样本候选视频的分数对待训练的视频推荐 模型进行依次训练，得到视频推荐模型。具体的，根据第一个人群的多个样本候选视频和 待训练的视频推荐模型，生成每个样本候选视频的预测分数，根据样本候选视频的预测分 数和样本候选视频的分数对待训练的视频推荐模型进行训练，即对待训练的视频推荐模型 的模型参数进行调整，得到第一候选视频推荐模型，再根据第二个人群的多个样本候选视 频和样本候选视频的分数对第一候选视频推荐模型进行训练，得到第二候选视频推荐模 型，直至最后一个人群训练完毕，将最后得到的候选视频推荐模型确定为视频推荐模型。
68.不同人群对应不同的训练好的视频推荐模型时，针对样本用户对应的每个人群，根据 每个人群的多个样本候选视频和样本候选视频的分数对待训练的视频推荐模型分别进行 单独训练，得到每个人群对应的单独的视频推荐模型。具体的，根据第一个人群的多个样 本候选视频和待训练的视频推荐模型，生成每个样本候选视频的预测分数，根据样本候选 视频的预测分数和样本候选视频的分数对待训练的视频推荐模型进行训练，得到第
一候选 视频推荐模型，再根据第二个人群的多个样本候选视频和样本候选视频的分数同样对待训 练的视频推荐模型进行训练，得到第二候选视频推荐模型，直至最后一个人群训练完毕， 将最后得到的多个候选视频推荐模型确定为多个人群对应的多个视频推荐模型。
69.待训练的视频推荐模型为因子分解机模型时，使用二阶交叉的情况，对应的算法公式 如公式(1)所示：
[0070][0071]
其中，代表样本候选视频的分数，n代表样本候选视频的视频特征的数量，x
i
、 x
j
代表第i、j个视频特征的值，w0、w
i
、w
ij
是待训练的模型参数。
[0072]
在数据稀疏的情况下，很容易会导致x
i
与x
j
的乘积不为0的数量非常少，影响模型 训练的效果，因此该交叉项可以采用矩阵分解的方法来近似解决，公式(1)变更为如下 公式(2)所示：
[0073][0074]
基于公式(2)，待训练的模型参数变更为w0、w
i
、<v
i
，v
j
>。其中<
·
,
·
>表示两个 向量的内积。
[0075]
对于任意的正定矩阵w，只要其维数足够大，一定存在矩阵w＝vv
t
能够满足公式 (2)。但直接计算公式(2)的时间复杂度是o(kn2)，公式(2)中等号右边的第3项可 以进行公式(3)的变换：
[0076][0077]
此时公式(3)的时间复杂度变更为o(kn)。
[0078]
由此，通过对样本用户进行人群划分，根据每个人群对应的多个样本候选视频和样本 候选视频的分数按人群依次进行模型训练，得到一个视频推荐模型，或者根据每个人群对 应的多个样本候选视频和样本候选视频的分数按人群分别进行单独的模型训练，得到多个 视频推荐模型，从而可以根据该视频推荐模型进行人群划分相关的视频推荐，由于该视频 推荐模型是基于人群划分训练得到的，因此使得基于该视频推荐模型的视频推荐更精准， 增强了用户的观看体验和使用粘性。
[0079]
此处需要说明的是，上述用户的各种信息，例如年龄段、性别、历史偏好信息、属性 特征(包括通讯录、头像昵称和用户名等)和行为特征(关注作者和观看视频历史标签等) 等都需要经过用户授权许可才可以获取。
[0080]
图6是根据一示例性实施例示出的一种视频推荐装置框图。参照图6，该装置包括第 一获取单元61、第一确定单元62、第二获取单元63、第一生成单元64、第二确定单元 65和推荐单元66。
[0081]
该第一获取单元61被配置为获取用户对应的年龄段和性别。
[0082]
该第一确定单元62被配置为根据年龄段和性别确定用户对应的人群。
[0083]
该第二获取单元63被配置为根据用户对应的人群的历史偏好信息获取多个候选视 频。
[0084]
该第一生成单元64被配置为根据候选视频和视频推荐模型，生成候选视频的分数。
可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统760可以用于 读写不可移动的、非易失性磁介质(图7未显示，通常称为“硬盘驱动器”)。尽管图7 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730相连。 存储器710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。
[0098]
具有一组(至少一个)程序模块770的程序/实用工具780，可以存储在例如存储器 710中，这样的程序模块770包括但不限于操作系统、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770通常执行本公开所描述的实施例中的功能和/或方法。
[0099]
电子设备700也可以与一个或多个外部设备790(例如键盘、指向设备、显示器791 等)通信，还可与一个或者多个使得用户能与该电子设备700交互的设备通信，和/或与 使得该电子设备700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792进行。并且，电子设备 700还可以通过网络适配器793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7所示，网络适配器793通过总线730与电子 设备700的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备700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系统、磁带驱动器以及数据备份存储系统等。
[0100]
处理器720通过运行存储在存储器710中的程序，从而执行各种功能应用以及数据处 理。
[0101]
需要说明的是，本实施例的电子设备的实施过程和技术原理参见前述对本公开实施例 的视频推荐方法的解释说明，此处不再赘述。
[0102]
本公开实施例提出的电子设备，可以执行如前的视频推荐方法，可以根据用户的年龄 段和性别将用户划分成不同的人群，根据该人群的历史偏好信息获取候选视频，从而可以 进行人群划分相关的视频推荐，使得视频推荐更精准，增强了用户的观看体验和使用粘性。
[0103]
为实现上述实施例，本公开还提出一种包括指令的计算机可读存储介质，例如包括指 令的存储器710，上述指令可由电子设备700的处理器720执行以完成上述方法。可选地， 计算机可读存储介质可以是rom、随机存取存储器(ram)、cd
‑
rom、磁带、软盘和 光数据存储设备等。
[0104]
为实现上述实施例，本公开还提出一种计算机程序产品，包括计算机程序，计算机程 序被电子设备700的处理器720执行时实现上述方法。
[0105]
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。本技术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。
[0106]
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。