术人员应当理解，没有某些具体细节，本发明同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本发明的主旨。
[0035]目前的推荐系统主要通过CF算法、逻辑回归算法等算法给用户推荐多媒体资源。例如多媒体资源为视频，则通过上述算法按照先后顺序给用户推荐的视频结果如下:视频
1、视频2、……、视频9、视频10等。这样，用户可以看到上述推荐内容，并且在点击上述推荐内容中的相应视频后即可进行观看。
[0036]然而，在以上推荐内容中，由于对多媒体资源、例如视频本身的内容考虑较少，从而可能造成一些社会热点视频或者依靠标题、截图而吸引人眼球的视频经常出现在推荐内容中。然而，这些推荐内容中的视频可能并不是用户想要观看的内容，这样导致用户体验较差。
[0037]为了解决上述问题，本发明提出了一种多媒体资源评估方法和装置。通过本发明的多媒体资源评估方法和装置，能够基于与推荐内容中的多媒体资源相对应的用户行为数据来对该多媒体资源进行质量评估和热度评估，从而对通过传统推荐技术给用户推荐的内容进行重新排序或者进行将用户不想观看的内容直接剔除等处理，然后将处理结果重新推荐给用户。这样，通过适当考虑推荐的多媒体资源的内容本身，可以减少热点多媒体资源或标题党、截图党多媒体资源对用户体验的影响，从而提升用户体验。
[0038]本发明提供的多媒体资源评估方法和装置的具体内容将在以下实施例中阐述。其中，在以下实施例中，主要以视频作为多媒体资源的示例来进行说明。然而，本领域技术人员能够知晓，多媒体资源不仅可以为视频，还可以为图片、电子文档或者音乐等。因此，利用本发明提供的多媒体资源评估方法和装置，不仅可以对视频进行评估，也可以对图片、电子文档或者音乐等各种类型的多媒体资源进行评估。
[0039]实施例1
[0040]图1示出根据本发明一实施例的多媒体资源评估方法的流程图。其中，该多媒体资源评估方法主要用于对推荐系统给用户的推荐内容中的各个多媒体资源进行评估。如图1所示，该多媒体资源评估方法主要可以包括以下步骤S100、步骤S110、步骤S120以及步骤S130o
[0041]步骤S100、获取预定时间段内的与多媒体资源相对应的多个用户行为数据。
[0042]例如，该多媒体资源例如为视频。在用户利用手机、台式电脑、笔记本电脑、智能电视、机顶盒等终端设备对某一视频进行处理时，会产生与该视频相对应的用户行为数据。在一种可能的实现方式中，用户行为数据主要可以包括用户cookie、用户标识(S卩、用户ID)、用户对视频的处理方式和所处理的视频的播放情况。其中，所述处理方式主要可以包括播放、收藏、评论、顶和踩;所述播放情况主要可以包括视频时长、播放时长、统计开始时间和统计结束时间。在一种可能的实现方式中，上述用户行为数据可以存储在例如用户日志中。在不同的时间，用户通过终端设备使用视频、即对视频进行相应地处理，都会产生相应的用户行为数据。因此，一个视频可以对应多个用户行为数据。
[0043]这样，在推荐系统利用传统推荐技术给用户推荐例如视频等多媒体资源后，本发明的多媒体资源评估装置可以从例如用户日志中获取预定时间段内的与上述推荐内容中的各个视频相对应的用户行为数据。
[0044]例如，推荐系统给用户推荐的内容为视频1、视频2、……、视频9、视频10，则多媒体资源评估装置可以从用户日志中分别获取预定时间段内与以上这10个视频相对应的用户行为数据。在一种可能的实现方式中，该预定时间段可以为12小时、24小时、I天、2天等等，本发明并不限制预定时间段的具体数值。本领域技术人员能够知晓，预定时间段设置的越长，用户行为数据越多，多媒体资源列表中的数据也会越多。这将提高对多媒体资源进行评估的准确性，然而，相应的也会增加多媒体资源评估方法的计算复杂度。
[0045]步骤S110、对多个用户行为数据进行过滤。
[0046]具体而言，在步骤SlOO获取多个上述用户行为数据之后，可以按照预定的规则对所获取到的用户行为数据进行适当的过滤，以剔除不需要的、对本发明的评估结果有不利影响、或者对本发明的评估结果影响较小的用户行为数据。这样，可以使得之后进行的质量评估和热度评估的结果更加客观准确。
[0047]例如，处理其中某一视频的用户在上述预定时间段内处理了大量视频，其处理数量超过了预先设置的阈值，则认为该用户属于异常用户。由于该异常用户的用户行为数据会对评估结果有不利影响，因此，可以将与该用户相关的用户行为数据过滤掉。又如，处理其中某一视频的用户的注册时间较短，例如注册时间不到一天，则可以认为与该用户相关的用户行为数据对评估结果的影响较小，因此可以将与该用户、即注册时间短的用户相关的用户行为数据过滤掉。又如，某一用户不常观看视频，即该用户处理视频的频率低并低于预先设置的相关阈值，则可以认为与该用户相关的用户行为数据也对评估结果的影响较小。因此，可以将与该处理视频的频率低的用户相关的用户行为数据过滤掉。
[0048]以上规则仅是示例，本发明不限于此，可以按照实际的需要来对过滤规则进行适当地变更。
[0049]步骤S120、根据过滤后的用户行为数据对所述多媒体资源进行质量评估。
[0050]在步骤SllO对获取到的用户行为数据进行适当过滤后，可以分别根据过滤后的与推荐内容中各个多媒体资源相对应的用户行为数据来对各个多媒体资源进行质量评估。
[0051]例如，可以根据过滤后的与推荐内容中视频I相对应的用户行为数据来对视频I进行质量评估，可以根据过滤后的与推荐内容中视频2相对应的用户行为数据来对视频2进行质量评估，……，可以根据过滤后的与推荐内容中视频10相对应的用户行为数据来对视频1进行质量评估。
[0052]这样，可以根据过滤后的用户行为数据完成推荐内容中的所有多媒体资源的质量评估。
[0053]在一种可能的实现方式中，可以根据用户行为数据计算质量评估分，来对多媒体资源进行质量评估。在一种可能的实现方式中，当用户行为数据包括播放、收藏、评论、顶、踩、视频时长、播放时长、统计开始时间和统计结束时间时，可以将播放数、收藏数、评论数、顶数、踩数、视频时长、播放时长、统计开始时间和统计结束时间这些数据项作为进行质量评估计算的系数来计算质量评估分。
[0054]步骤S130、根据多媒体资源的质量评估结果和推荐内容对多媒体资源进行热度评估。
[0055]在上述步骤S120之后，可以分别根据推荐内容中的各个多媒体资源的质量评估结果以及推荐内容中各个多媒体资源的属性差异性来对各个多媒体资源进行热度评估。
[0056]例如，可以根据推荐内容中的视频I的质量评估结果以及该视频I与推荐内容中的其它视频之间的属性差异性来对进行视频I进行热度评估，可以根据推荐内容中的视频2的质量评估结果以及该视频2与推荐内容中的其它视频之间的属性差异性来对进行视频2进行热度评估，……，可以根据推荐内容中的视频10的质量评估结果以及该视频10与推荐内容中的其它视频之间的属性差异性来对进行视频10进行热度评估。其中，属性差异性表示多媒体资源之间类型的差异。例如，如果两个视频同属搞笑视频，则它们之间的属性差异性可以表示为O;如果一个为搞笑视频，另一个为体育视频，则它们之间的属性差异性可以表示为I。换句话说，可以如下这样进行规定:同类视频之间的属性差异性为0，不同类视频之间的属性差异性为I。
[0057]需要说明的是，以上只是属性差异性一种规定方式，本发明不限于此，可以根据多媒体资源之间差异性的大小来进行更细致的划分，例如，将同类视频之间属性差异性为0，视频类型相差较大的视频之间的属性差异性为I，而视频类型相差较小的视频之间的属性差异