视频推荐方法及系统与流程

本发明涉及计算机技术领域，尤其涉及一种视频推荐方法及系统。

背景技术：

随着视频技术的发展，每天都有大量如动画、电影、电视剧、综艺节目等视频产生，同时随着互联网技术的发展，为人们提供了更加便利的途径来观看数量庞大的视频。YouTube、优酷等视频网站每时每刻都有当量的视频片段上传，视频的信息过载问题变得越来越明显，导致人们无法快速地从中获取符合自己喜好的视频。为了应对这一问题，视频推荐技术应运而生，并且已经成为当前解决音乐领域信息过载问题非常有潜力的方法。

视频推荐技术本质上是一种信息过滤技术，其通过对用户历史行为习惯、用户社会关系以及用户所处环境等因素的分析，帮助用户从不断增长的数据中过滤掉那些不必要的信息，从而为用户推荐符合其喜好和习惯的视频。同时使用视频推荐技术还具有以下好处：(1)提高当前网页的浏览者的观看欲望，从而将其转化为视频消费者；(2)对系统用户数据进行深度挖掘，可以开拓更多的用户需求；(3)不断提高客户满意度，使用户对网站形成依附性。

现有的视频推荐技术主要分为两类技术方案，一类技术方案是基于推荐机制，例如通过用户收藏点赞等具体行为，不断地推荐某一类视频，去测试用户口味，如果用户对这些推荐的视频没有持续点赞或 收藏，则会降低该类视频的权重；或者首先在系统内对视频库内元数据建模，然后通过元数据发现内容间的相似度，假设视频A和视频B，都属于同个类型的内容，则可以将视频A和B认为是相似的视频，然后推荐给用户。

另一类技术方案是基于打分机制，即根据播放数量、评论数量、点赞、分享等数据进行加权打分，为某一视频决定其在分类中的排名，根据分类排名将视频推荐给用户。

但上述基于推荐机制的技术方案中仅仅用过去浏览的视频做关联推荐，而没有具体分析用户对视频本身的观看行为，而导致无法精准地推送经过大数据沉淀下来的优质分类视频，而基于打分机制的技术方案中对视频的归类，仅有单一维度的分类标签，系统排名颗粒过粗，不能筛选到用户刷分的情况，且在无人为参与的情况下，也无法精准地向用户推荐视频质量评分真正较高的视频。

技术实现要素：

鉴于上述问题，本发明实施例提供一种视频推荐方法及系统，以更精准地向目标用户推荐视频。

为了解决上述技术问题，本发明实施例提供的一种视频推荐方法，其包括：

获取目标推荐用户已观看的每个视频的内容标签用户偏好统计数据，其中每个视频对应多个内容标签；

根据所述获取的内容标签用户偏好统计数据确定该目标推荐用户的偏好内容标签信息；

根据该目标推荐用户的偏好内容标签信息选择匹配的视频推送给目标推荐用户。

其中，所述内容标签用户偏好统计数据是每个视频的已观看用户对该视频的每个内容标签的投票数或点赞数；

所述根据所述获取的内容标签用户偏好统计数据确定对应该目标推荐用户的偏好内容标签信息具体包括：

根据所述获取的内容标签用户偏好统计数据确定每个内容标签的投票数或点赞数，其中目标推荐用户已观看的多个视频的相同内容标签合并为一个统一计数；

根据确定的各个内容标签的投票数或点赞数剔除无效内容标签得到目标推荐用户的偏好内容标签成分信息及每个偏好内容标签的偏好权重信息。

其中，所述匹配的视频是与目标推荐用户的偏好内容标签成分和偏好权重匹配的视频；

匹配的视频按照如下优先顺序推送给目标推荐用户：

与偏好内容标签成分及偏好权重相同、与偏好内容标签成分相同且不同偏好权重、与偏好内容标签成分部分差异且同偏好权重、与偏好内容标签成分部分差异且不同偏好权重。

可选地，还包括：

对视频进行质量评分；

所述匹配的视频是与目标推荐用户的偏好内容标签成分以及视频质量要求匹配的视频；

匹配的视频按照如下优先顺序推送给目标推荐用户：

与偏好内容标签成分相同且视频质量评分高、与偏好内容标签成分相同且视频质量评分低、与偏好内容标签成分部分差异且视频质量评分高、与偏好内容标签成分部分差异且视频质量评分低。

其中，所述对视频进行质量评分具体包括：

获取视频播放的质量评分S和视频播放的有效次数E；

建立视频播放的次数系数D与视频播放的有效次数E的关系，得到视频播放的次数系数D；

根据以下公式计算视频播放的质量总分T，T＝S×D；

根据以下公式计算视频质量评分G，G＝T/E。

其中，所述获取视频播放的质量评分S具体包括以下步骤：

获取视频的播放时长，并对所述播放时长进行修正得到视频的有效播放时长L，其中L＝L1+L2…+Li…+Ln，其中，Li为第i次播放的有效播放时长；

建立视频第i次播放的质量评分Si与有效播放时长Li之间的关系；

根据Si与Li之间的关系，计算得到视频第i次播放的单次质量评分Si；

根据视频第i次播放的质量评分Si计算得到n次有效视频播放的质量评分S＝S1+S2+…Si+…+Sn。

其中，所述对所述播放时长进行所述修正包括累计处理，所述累计处理具体包括以下步骤：

设置播放时长修正区间(A,B)；

获取当前视频的总时长Z和用户对所述视频的实际播放时长U，并将U与Z进行比较，

当U≤Z且时，则所述视频播放的有效次数视E为一次，视频播放视为首次播放，首次播放的有效播放时长L1为实际播放时长U，

当U≤Z且U∈(A,B)时，则所述视频播放的有效次数E视为一次，视频播放视为首次播放，首次播放的有效播放时长L1为当前视频的总时长Z，

当U>Z且U∈(A,B)时，则所述视频播放的有效次数E视为两次，视频播放视为重复播放，首次播放的有效播放时长L1为当前视频的总时长Z，第二次播放的有效播放时长L2为多次播放中最后一次播放的播放时长，

当U>Z且时，则所述视频播放的有效次数E视为[U/Z]+1，其中，符号[]表示取整数，视频播放视为重复播放，前[U/Z]次播放的有效播放时长L1～L[U/Z]均为当前视频的总时长Z，第[U/Z]+1次播放的有效播放时长L[U/Z)+1为多次播放中最后一次播放的时长。

可选地，在累计处理之前还包括去重处理以得到实际播放时 长U。

根据本发明的另一方面，本发明实施例还提供了一种视频推荐系统，其包括：

用户偏好统计数据获取处理模块，用于获取目标推荐用户已观看的每个视频的内容标签用户偏好统计数据，其中每个视频对应多个内容标签；

确定处理模块，用于根据所述获取的内容标签用户偏好统计数据确定该目标推荐用户的偏好内容标签信息；

推送处理模块，用于根据该目标推荐用户的偏好内容标签信息选择匹配的视频推送给目标推荐用户。

其中，所述内容标签用户偏好统计数据是每个视频的已观看用户对该视频的每个内容标签的投票数或点赞数；

所述确定处理模块具体包括：

确定模块，用于根据所述获取的内容标签用户偏好统计数据确定每个内容标签的投票数或点赞数，其中目标推荐用户已观看的多个视频的相同内容标签合并为一个统一计数；

偏好内容标签信息确定模块，用于根据确定的各个内容标签的投票数或点赞数剔除无效内容标签以得到目标推荐用户的偏好内容标签成分信息及每个偏好内容标签的偏好权重信息。

其中，所述匹配的视频是与目标推荐用户的偏好内容标签成分和偏好权重匹配的视频；

所述推送处理模块对匹配的视频按照如下优先顺序推送给目标推荐用户：

与偏好内容标签成分及偏好权重相同、与偏好内容标签成分相同且不同偏好权重、与偏好内容标签成分部分差异且同偏好权重、与偏好内容标签成分部分差异且不同偏好权重。

可选地，还包括：

视频质量评分处理模块，用于对视频进行质量评分；

所述匹配的视频是与目标推荐用户的偏好内容标签成分以及视频质量要求匹配的视频；

所述推送处理模块对匹配的视频按照如下优先顺序推送给目标推荐用户：

与偏好内容标签成分相同且视频质量评分高、与偏好内容标签成分相同且视频质量评分低、与偏好内容标签成分部分差异且视频质量评分高、与偏好内容标签成分部分差异且视频质量评分低。

其中，所述视频质量评分处理模块具体包括：

获取模块，用于获取视频播放的质量评分S和视频播放的有效次数E；

关系建立模块，用于建立视频播放的次数系数D与视频播放的有效次数E的关系；

计算模块，用于根据D与E的关系计算得到D、根据T＝S×D计算得到视频播放的质量总分T和根据G＝T/E得到视频质量评分G。

可选地，所述视频质量评分处理模块还包括修正模块；

所述获取模块还用于获取视频的播放时长；

所述修正模块，用于对所述播放时长进行修正得到视频的有效播放时长L，其中L＝L1+L2…+Li…+Ln，其中，Li为第i次播放的有效播放时长；

所述关系建立模块还用于建立视频第i次播放的单次质量评分Si与有效播放时长Li之间的关系；

所述计算模块还用于根据Si与Li之间的关系，计算得到视频第i次播放的单次质量评分Si，并根据视频第i次播放的单次质量评分Si计算得到n次有效视频播放的质量评分S＝S1+S2+…Si+…+Sn，其中，Si为第i次视频单次播放的质量评分。

可选地，所述视频质量评分处理模块还包括设置模块和判断模块；

所述设置模块，用于设置播放时长修正区间(A,B)；

所述获取模块还用于获取当前视频的总时长Z和用户对所述 视频的实际播放时长U；

所述判断模块，用于将U与Z进行比较，并根据比较结果进行判断，

当U≤Z且时，则所述视频播放的有效次数视E为一次，视频播放视为首次播放，首次播放的有效播放时长L1为实际播放时长U，

当U≤Z且U∈(A,B)时，则所述视频播放的有效次数E视为一次，视频播放视为首次播放，首次播放的有效播放时长L1为当前视频的总时长Z，

当U>Z且U∈(A,B)时，则所述视频播放的有效次数E视为两次，视频播放视为重复播放，首次播放的有效播放时长L1为当前视频的总时长Z，第二次播放的有效播放时长L2为多次播放中最后一次播放的播放时长，

当U>Z且时，则所述视频播放的有效次数E视为[U/Z]+1，其中符号[]表示取整数，视频播放视为重复播放，前[U/Z]次播放的有效播放时长L1～L[U/Z]均为当前视频的总时长Z，第[U/Z]+1次播放的有效播放时长L[U/Z)+1为多次播放中最后一次播放的时长。

可选地，所述视频质量评分处理模块还包括去重模块，用于通过去重处理得到实际播放时长U。

根据本发明实施例提供的视频推荐方法及系统，其通过获取目标推荐用户已观看的每个视频的内容标签用户偏好统计数据，其中每个视频对应多个内容标签；根据所述获取的内容标签用户偏好统计数据确定该目标推荐用户的偏好内容标签信息；根据该目标推荐用户的偏好内容标签信息从选择匹配的视频推送给目标推荐用户，由于每个视频对应有多个内容标签，且根据目标推荐用户已观看的每个视频的内容标签用户偏好统计数据确定目标推荐用户的偏好内容标签信息，即具体分析用户对视频本身的观看行为，因此，可精确地向用户推荐视频。

附图说明

为了更清楚地说明本发明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简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。

图1是根据本发明视频推荐方法的具体实施例流程图；

图2是根据本发明视频推荐系统的具体实施例整体示意图；

图3是根据本发明视频推荐系统中确定处理模块的一个具体实施例组成示意图；

图4是根据本发明视频推荐系统的另一个具体实施例整体组成示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1，其为根据本发明视频推荐方法的具体实施例流程图。

如图示，本实施例中视频推荐方法主要包括如下步骤：

步骤S101，获取目标推荐用户已观看的每个视频的内容标签用户偏好统计数据，其中每个视频对应多个内容标签；

具体实现时，本实施例中每个视频可设立5-10个标签或者其他数量的内容标签，这里不做具体限定，且可支持用户自定义补充，即用户可以提交自定义的内容标签并作为该视频的内容标签，另外，本实施例中所述内容标签用户偏好统计数据例如可以是每个视频的已观看用户对该视频的每个内容标签的投票数或点赞数， 投票数或点赞数可用于确定该内容标签的准确程度，当某个视频的内容标签投票数变动时，所有播放过该视频的用户对应该内容标签的内容标签用户偏好统计数据可在下一统计周期开始时进行相应变动，这里不做具体限定；

步骤S102，根据所述获取的内容标签用户偏好统计数据确定该目标推荐用户的偏好内容标签信息；

具体实现时，例如可根据所述获取的内容标签用户偏好统计数据确定每个内容标签的投票数或点赞数，然后根据确定的各个内容标签的投票数或点赞数剔除成无效内容标签得到目标推荐用户的偏好内容标签成分信息及每个偏好内容标签的偏好权重信息，例如，投票数或成分权重低于单个内标标签的预设值(例如成分权重百分比低于5％)的内容标签可视为无效标签，剔除不作为偏好内容标签成分，也不用于偏好权重计算。

需要说明的，本实施例中对于同义标签视为同个标签，后台配置后同义标签的所有展现形式与投票数等均合并为一个处理，而对于目标推荐用户已观看的多个视频的相同内容标签也合并为一个统一计数，另外，对于用户重复观看的视频，该视频的每个内容的投票数或点赞数需要乘以播放次数或者播放次数的一个预定的系数，这里不做具体限定；而各个内容标签的成分权重例如可按照如下计算公式进行计算，即：

单标签成分权重百分比＝(∑单标签投票数/∑总投票数)*100％

而对于偏好权重可按照下述公式计算，即：

单标签偏好权重百分比＝(∑单标签计数器票数/∑计数器总票数)*100％

下面举例说明。

本实施例中假设视频M具有4个内容标签，即内容标签a，投票数为10票，内容标签b，投票数为20票，内容标签c，投票数为30票，内容标签d，投票数为40票，而视频N具有2个内容标签，即内容标签a，投票数为1票，内容标签e，投票数为20 票，另外无效内容标签的预设值为5％；

实施例1，

某目标推荐用户完整播放1次视频M，视频M的成分标签权重百分比为：

内容标签a：10/(10+20+30+40)％＝10％，内容标签b：20/(10+20+30+40)％＝20％，内容标签c：30/(10+20+30+40)％＝30％，内容标签d：40/(10+20+30+40)％＝40％，由于各个内容标签的成分权重都大于预设值(即大于5％)，即没有无效内容标签，因此，偏好权重百分比与视频M的成分权重百分比为相同的数值，即偏好内容标签a的偏好权重百分比为10％，偏好内容标签b的偏好权重百分比为20％，偏好内容标签c的偏好权重百分比为30％，偏好内容标签d的偏好权重百分比为40％。

实施例2

某目标推荐用户完整播放1次视频N，视频N成分标签权重百分为：

内容标签a：1/(1+20)＝4.76％，即小于预设值，因此该内容标签为无效内容标签

内容标签e：20/20＝100％，即用户偏好内容标签内容标签e，该内容标签e的偏好权重百分比为100％。

实施例3

某目标推荐用户完整播放2次视频M与1次视频N，由于视频N中内容标签a为无效标签，因此，剔除该无效标签，视频偏 好权重计算如下，即：

偏好内容标签a的偏好权重为：(10+10)/(10+10+20+20+30+30+40+40+20)＝9.09％，偏好内容标签b的偏好权重为：(20+20)/(10+10+20+20+30+30+40+40+20)＝18.18％，偏好内容标签c的偏好权重为：(30+30)/(10+10+20+20+30+30+40+40+20)＝27.27％，偏好内容标签d的偏好权重为：(40+40)/(10+10+20+20+30+30+40+40+20)＝36.36％，偏好内容标签e的偏好权重为：20/(10+10+20+20+30+30+40+40+20)＝9.09％。

步骤S103，根据该目标推荐用户的偏好内容标签信息选择匹配的视频推送给目标推荐用户。

具体实现时，已被用户播放过的视频将不会向该用户推送，而具体推送时可采用多种方式选择匹配的视频推送给目标推荐用户，例如，作为一个具体实施例，所述匹配的视频是与目标推荐用户的偏好内容标签成分和偏好权重匹配的视频，而匹配的视频可按照如下优先顺序推送给目标推荐用户：

与偏好内容标签成分及偏好权重相同、与偏好内容标签成分相同且不同偏好权重、与偏好内容标签成分部分差异且同偏好权重、与偏好内容标签成分部分差异且不同偏好权重。

需要说明的，本实施例中偏好权重相同包括偏好权重完全相同的情况，也包括权重差别范围在一定范围之内的情况，例如一个偏好权重百分比为30％，可以将与偏好权重30％上下5％的区间范围(即25％-35％之间)也认为与偏好权重相同，实际中可以根据具体情况设定与偏好权重相同的标准范围，这里不做具体限定。

根据本上述实施例提供的视频推荐方法，其通过获取目标推荐用户已观看的每个视频的内容标签用户偏好统计数据，其中每个视频对应多个内容标签；根据所述获取的内容标签用户偏好统计数据确定该目标推荐用户的偏好内容标签信息；根据该目标推荐 用户的偏好内容标签信息从选择匹配的视频推送给目标推荐用户，由于每个视频对应有多个内容标签，且根据目标推荐用户已观看的每个视频的内容标签用户偏好统计数据确定目标推荐用户的偏好内容标签信息，即具体分析用户对视频本身的观看行为，因此，可精确地向用户推荐视频。

另外，推荐视频给目标推荐用户时也需要考虑视频质量，即本实施例中可对视频进行质量评分，而匹配的视频是与目标推荐用户的偏好内容标签成分以及视频质量要求匹配的视频，匹配的视频可按照如下优先顺序推送给目标推荐用户：

与偏好内容标签成分相同且视频质量评分高、与偏好内容标签成分相同且视频质量评分低、与偏好内容标签成分部分差异且视频质量评分高、与偏好内容标签成分部分差异且视频质量评分低。

需要说明的，本实施例的视频质量的高分和低分可以根据实际情况设定对应标准，并可以动态调整，这里不做具体限定。

举例说明如下：

若目标推荐用户X的偏好内容标签成分为偏好内容标签A、偏好内容标签B以及偏好内容标签C，其中偏好内容标签A的偏好权重百分比为33％，偏好内容标签B的偏好权重百分比为33％，偏好内容标签C的偏好权重百分比为34％；

而视频库中匹配的视频如下：

视频1的质量评分为100分，另外，该视频1的内容标签A的成分权重百分比为33％，内容标签B的成分权重百分比为28％，内容标签C的成分权重百分比为39％，而视频1与偏好内容标签成分及偏好权重相同，另外视频1与偏好内容标签成分相同且视频质量评分高；

视频2的质量评分为40分，另外该视频2的内容标签A的成分权重百分比为50％，内容标签B的成分权重百分比为30％，内容标签D的成分权重百分比为20％，而视频2与偏好内容标签成分部分差异且同偏好权重；另外，视频2与偏好内容标签成分部分差异且视频质量评分低；

视频3的质量评分为80分，另外，该视频3的内容标签A的成分权重百分比为90％，内容标签C的成分权重百分比为10％，而视频3与偏好内容标签成分部分差异且不同偏好权重；另外，视频3与偏好内容标签成分部分差异且视频质量评分高；

视频4的质量评分为30分，另外，该视频的内容标签A的成分权重百分比为5％，内容标签B的成分权重百分比为5％，内容标签C的成分权重百分比为90％，而视频4与偏好内容标签成分相同且不同偏好权重；另外，视频4与偏好内容标签成分相同且视频质量评分低；

具体推送时，匹配的视频可按照如下优先顺序推送给目标推荐用户X，即：

与偏好内容标签成分及偏好权重相同、与偏好内容标签成分相同且不同偏好权重、与偏好内容标签成分部分差异且同偏好权重、与偏好内容标签成分部分差异且不同偏好权重，即：

视频1优先于视频4，视频4优先于视频2，视频2优先于视频3。

另外，匹配的视频可按照另一种优先顺序推送给目标推荐用户X，即：

与偏好内容标签成分相同且视频质量评分高、与偏好内容标签成分相同且视频质量评分低、与偏好内容标签成分部分差异且视频质量评分高、与偏好内容标签成分部分差异且视频质量评分低，即：

视频1优先于视频4，视频4优先于视频3，视频3优先于视频2。

需要说明的，对于推送优先顺序还可以按照其他方式进行，例如，按照用户最偏好的内容标签的大小顺序进行优先推送，或者调整匹配容错区间的浮动范围等均可对推送视频进行调整，这里不做具体限定。

另外，本实施例中对于对视频进行质量评分可采用各种方式，为了使视频质量评分更加符合用户标准，作为一个优选的实施例， 本实施例对视频进行质量评分可采用下述方式，即：

S1、获取视频播放的质量评分S和视频播放的有效次数E；

其中，视频单次播放是指视频在有效播放次数内的一次播放，获取视频播放的质量评分S具体包括以下步骤：

S11、获取视频的播放时长，并对所述播放时长进行修正得到视频的有效播放时长L；

所述修正包括累计处理和去重处理，所述累计处理具体包括以下步骤：

S111、设置播放时长修正区间(A,B)，其中A和B按需取值；

S112、获取当前视频的总时长Z和用户对所述视频的实际播放时长U，

当U≤Z且时，则所述视频播放的有效次数视E为一次，视频播放视为首次播放，有效播放时长视为实际播放时长U，

当U≤Z且U∈(A,B)时，则所述视频播放的有效次数E视为一次，视频播放视为首次播放，有效播放时长视为当前视频的总时长Z，

当U>Z且U∈(A,B)时，则所述视频播放的有效次数E视为两次，视频播放视为重复播放，首次播放的有效播放时长为当前视频的总时长Z，第二次播放的有效播放时长为第二次播放的播放时长，

当U>Z且时，则所述视频播放的有效次数E视为U/Z+1，其中，U/Z取整数，视频播放视为重复播放，U/Z次播放的有效播放时长为当前视频的总时长Z，第U/Z+1次播放的有效播放时长为多次播放中最后一次播放的时长。

所述去重处理具体包括以下步骤：

S113、获取用户首次播放某视频时多次播放的时间间隔I，并设置时间间隔的修正区间(A’,B’)；

S114、将累计播放时长为W与所述视频的总时长Z进行比较，

若W>Z，且I∈(A’,B’)时，则将所述视频进行去重处理，若多次播放中重复的视频片段时长为R，则实际播放时长U为W-R；

当首次播放后，若I∈(A’,B’)时，则将所述视频进行去重处理， 若首次播放之后的多次播放中重复的视频片段时长为R，则实际播放时长U为W-R；

当首次播放后，若时，则不进行去重处理；

S12、建立视频单次播放的质量评分S_i与有效播放时长L_i之间的关系，所述S_i与L_i之间的关系为：

当视频有效播放时长L_i<播放时长预设值P时，采用以下计算公式：

S_i＝k₁L_i

当视频有效播放时长L_i≥播放时长预设值P时，采用以下计算公式：

其中，p₀为当L_i＝P时的视频质量评分，k₁和a为常数；

S13、根据S_i与L_i之间的关系，计算得到视频单次播放的质量评分S_i；

S14、根据视频单次播放的质量评分S_i计算得到n次有效视频播放的质量评分S＝S₁+S₂+…S_i+…+S_n，其中，S_i为第i次视频单次播放的质量评分。

S2、建立视频播放的次数系数D与视频播放的有效次数E的关系，得到视频播放的次数系数D，所述D与E之间的关系为：

当视频播放的有效次数E≤有效次数预设值Q时，采用以下计算公式：

D＝b^E+d₁-1

当视频播放的有效次数E>有效次数预设值Q时，采用以下计算公式：

其中，d₁为视频为首次播放时的次数系数，d₂为当E＝Q时的次 数系数，b、d₁和d₂为常数。

S3、根据以下公式计算视频播放的质量总分T，T＝S×D；

S4、根据以下公式计算视频质量评分G，G＝T/E。

举例说明如下：

获取视频的有效播放时长的具体实例：

设置播放时长修正区间(A,B)，A＝(1-20％)*Z，B＝(1+20％)*Z，假设当前视频的总时长Z＝600s，则修正区间为(480-720s)。

某用户对视频总时长为600s的视频进行播放，第一次播放第0-60s的视频片段，第二次播放第30-90s的视频片段，则第一次和第二次累计播放的播放时长(即累计播放时长)为120s，由于120s<600s且则所述视频播放的有效次数E视为一次，该视频播放视为首次播放，有效播放时长L视为累计播放时长120s。

计算视频播放的质量评分的具体实例：

假设播放时长预设值为500s，则该视频有效播放时长120s<播放时长预设值500s，采用公式S＝k₁L计算视频单次播放的质量评分S，S＝k₁*120，由于视频有效播放1次，则S＝S＝k₁*120，其中，k₁为给定常数。

计算视频播放的次数系数的具体实例：

假设有效次数预设值为2次，则该视频播放的有效次数1<有效次数预设值2，采用公式D＝b^E+d₁-1计算视频播放的次数系数，D＝b+d₁-1，其中，b、d₁为给定常数。

计算视频播放的质量总分的具体实例：

该视频播放的质量总分T＝S*D，因此，T＝k₁*120*(b+d₁-1)。

计算视频质量评分的具体实例：

视频质量评分G＝T/E，由于E＝1，则G＝T＝k₁*120*(b+d₁-1)。

根据本实施例的质量评分方法，可以有效过滤用户刷分的影响，算法计算量较小，可以减轻服务器的负担，且在播放时长预设值之前，视频质量评分增长较为缓慢，在播放时长预设值之后，每一秒播放都比之前更有价值，增长幅度较大，该种方式能够有效过滤掉用户刷分 的影响，另外，根据本实施例的质量评分方法，在有效次数预设值之前，每一次播放都比前一次播放更有价值，在有效次数预设值之后，每一次播放都比前一次更没有价值，得到的视频质量评分更加符合用户标准。

需要说明的，上述仅是对视频质量进行评分的一种方式，本实施例中还可以其他对视频质量进行评分的方式，这里不做具体限定。

下面说明本发明的另一方面。

参考图2，该图是根据本发明视频推荐系统的具体实施例整体示意图。

如图示，本实施例的视频推荐系统主要包括：

用户偏好统计数据获取处理模块1，用于获取目标推荐用户已观看的每个视频的内容标签用户偏好统计数据，其中每个视频对应多个内容标签；

确定处理模块2，用于根据所述获取的内容标签用户偏好统计数据确定该目标推荐用户的偏好内容标签信息；

需要说明，本实施例中所述内容标签用户偏好统计数据是每个视频的已观看用户对该视频的每个内容标签的投票数或点赞数，参考图3，作为一个优选具体实施例，所述确定处理模块2具体包括：

确定模块21，用于根据所述获取的内容标签用户偏好统计数据确定每个内容标签的投票数或点赞数，其中目标推荐用户已观看的多个视频的相同内容标签合并为一个统一计数；

偏好内容标签信息确定模块22，用于根据确定的各个内容标签的投票数或点赞数剔除无效内容标签以得到目标推荐用户的偏好内容标签成分信息及每个偏好内容标签的偏好权重信息。

推送处理模块3，用于根据该目标推荐用户的偏好内容标签信息从视频库选择匹配的视频推送给目标推荐用户。

具体实现时，可采用多种方式选择匹配的视频推送给目标推荐用户，例如，作为一个具体实施例，所述匹配的视频是与目标 推荐用户的偏好内容标签成分和偏好权重匹配的视频，所述推送处理模块对匹配的视频按照如下优先顺序推送给目标推荐用户：

与偏好内容标签成分及偏好权重相同、与偏好内容标签成分相同且不同偏好权重、与偏好内容标签成分部分差异且同偏好权重、与偏好内容标签成分部分差异且不同偏好权重。

根据本实施例提供的视频推荐系统，其通过获取目标推荐用户已观看的每个视频的内容标签用户偏好统计数据，其中每个视频对应多个内容标签；根据所述获取的内容标签用户偏好统计数据确定该目标推荐用户的偏好内容标签信息；根据该目标推荐用户的偏好内容标签信息从选择匹配的视频推送给目标推荐用户，由于每个视频对应有多个内容标签，且根据目标推荐用户已观看的每个视频的内容标签用户偏好统计数据确定目标推荐用户的偏好内容标签信息，即具体分析用户对视频本身的观看行为，因此，可精确地向用户推荐视频。

需要说明的，推荐视频给目标推荐用户时也需要考虑视频质量，参考图4，该图是根据本发明视频推荐系统的另一个具体实施例整体示意图。

如图示，与上述实施例不同的是本实施例的视频推荐系统中还包括：视频质量评分处理模块4，用于对视频进行质量评分；而所述匹配的视频是与目标推荐用户的偏好内容标签成分以及视频质量要求匹配的视频；

所述推送处理模块3对匹配的视频可按照如下优先顺序推送给目标推荐用户：

与偏好内容标签成分相同且视频质量评分高、与偏好内容标签成分相同且视频质量评分低、与偏好内容标签成分部分差异且视频质量评分高、与偏好内容标签成分部分差异且视频质量评分低。

本实施例中对于对视频进行质量评分可采用各种方式，为了使视频质量评分更加符合用户标准，作为一个优选的实施例，所述视频质量评分处理模块4可包括：

获取模块，用于获取视频播放的质量评分S和视频播放的有效次数E；

关系建立模块，用于建立视频播放的次数系数D与视频播放的有效次数E的关系；

计算模块，用于根据D与E的关系计算得到D、根据T＝S×D计算得到视频播放的质量总分T和根据G＝T/E得到视频质量评分G。

另外，所述获取模块还可用于获取视频的播放时长，所述视频质量评分处理模块4还可包括修正模块；所述修正模块主要用于对所述播放时长进行修正得到视频的有效播放时长L，其中L＝L1+L2…+Li…+Ln，其中，Li为第i次播放的有效播放时长；

所述关系建立模块还用于建立视频第i次播放的单次质量评分Si与有效播放时长Li之间的关系；

所述计算模块还用于根据Si与Li之间的关系，计算得到视频第i次播放的单次质量评分Si，并根据视频第i次播放的单次质量评分Si计算得到n次有效视频播放的质量评分S＝S1+S2+…Si+…+Sn，其中，Si为第i次视频单次播放的质量评分。

另外，作为一个可选地实施例，所述视频质量评分处理模块4还可包括设置模块和判断模块；其中所述设置模块，用于设置播放时长修正区间(A,B)；而所述获取模块还用于获取当前视频的总时长Z和用户对所述视频的实际播放时长U；

所述判断模块，用于将U与Z进行比较，并根据比较结果进行判断，

当U≤Z且时，则所述视频播放的有效次数视E为一次，视频播放视为首次播放，首次播放的有效播放时长L1为实际播放时长U，

当U≤Z且U∈(A,B)时，则所述视频播放的有效次数E视为一次，视频播放视为首次播放，首次播放的有效播放时长L1为当前视频的总时长Z，

当U>Z且U∈(A,B)时，则所述视频播放的有效次数E视为两次，视频播放视为重复播放，首次播放的有效播放时长L1为当前视频的总时长Z，第二次播放的有效播放时长L2为多次播放中最后一次播放的播放时长，

当U>Z且时，则所述视频播放的有效次数E视为[U/Z]+1，其中符号[]表示取整数，视频播放视为重复播放，前[U/Z]次播放的有效播放时长L1～L[U/Z]均为当前视频的总时长Z，第[U/Z]+1次播放的有效播放时长L[U/Z)+1为多次播放中最后一次播放的时长。

另外，作为一个可选的实施例，所述视频质量评分处理模块4还可包括去重模块，用于通过去重处理得到实际播放时长U，这里不再赘述。

根据本实施例的视频推荐系统，其对视频质量评分时，可以有效过滤用户刷分的影响，算法计算量较小，可以减轻服务器的负担，且在播放时长预设值之前，视频质量评分增长较为缓慢，在播放时长预设值之后，每一秒播放都比之前更有价值，增长幅度较大，该种方式能够有效过滤掉用户刷分的影响，另外，根据本实施例的质量评分方法，在有效次数预设值之前，每一次播放都比前一次播放更有价值，在有效次数预设值之后，每一次播放都比前一次更没有价值，得到的视频质量评分更加符合用户标准。

在上述所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样， 发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。