内容推荐方法及装置与流程
本申请涉及视频信息处理领域，更具体地涉及一种内容推荐方法及装置。
背景技术：
随着互联网的快速普及和数字影像采集、处理技术的发展，视频行业特别是网络视频行业迅速崛起。作为一种包含有图像、声音、文字等多信息的综合性媒体，视频具有强大的信息承载和传播能力，在人们日常生活中起着越来越重要的作用。
在视频的播放过程中，为了能够向用户推荐更多的内容，现有技术中，通常在视频开始播放之前输出推荐内容或者在视频的播放过程中，暂时中断播放视频以输出推荐内容，其中，推荐内容可以是广告、新闻、咨询等信息。
由上述描述可知，目前的内容推荐方式，大多是使用预先设置的、固定模式的推荐内容。对用户而言，既会影响视频观看，又会使用户只能被动接受固定的推荐内容，推荐内容是否被用户接受或者是否对用户有用等等都是未知的，因此推荐内容的针对性较差。
技术实现要素：
本发明实施例提供一种内容推荐方法及装置，用以解决现有技术中内容推荐针对性较差的技术问题。
本发明实施例提供一种内容推荐方法，包括：
接收播放器的视频播放请求；
将所述视频播放请求中请求播放的视频发送至播放器，触发所述播放器播放所述视频；
检测并获取所述视频中的目标内容；
获取与所述目标内容匹配的推荐内容；
在所述目标内容播放时，触发所述播放器在所述目标内容的对应显示区域中输出所述推荐内容的提示信息。
优选地，所述获取与所述目标内容匹配的推荐内容包括：
按照与所述目标内容相似度由高到低的顺序，确定与所述目标内容匹配的多个图片；
获取触发所述视频播放请求的用户的用户特征；
针对每一个图片，将所述用户特征、所述图片对应候选内容的内容特征以及所述目标内容的内容特征进行组合，得到推荐特征；所述候选内容的内容特征包括历史推荐率和/或内容类型；所述目标内容的内容特征包括所述目标内容出现时长和/或所述目标内容与所述图片的相似度；
利用预先训练的推荐模型，预估每一个推荐特征的推荐率；
选择推荐率最高的图片对应的候选内容作为推荐内容。
优选地，所述检测并获取所述视频中的目标内容，包括：
检测并获取所述视频中预先提取的目标内容；
所述目标内容按照如下方式从所述视频中预先提取：
提取所述视频中的关键帧；
利用预先训练的目标内容检测模型，从所述关键帧上提取目标内容。
优选地，所述从关键帧上提取目标内容之后，所述方法还包括：
对所述目标内容进行目标跟踪，确定所述目标内容在所述视频中的出现时长；
所述获取与所述目标内容匹配的推荐内容包括：
在所述目标内容出现时长大于预设时长时，获取与所述目标内容匹配的推荐内容。
优选地，所述提取所述视频中的关键帧，包括：
将所述视频中的第一帧图像帧作为关键帧；
针对关键帧之后的每一帧图像帧，计算所述图像帧的信息熵；
在所述信息熵大于熵阈值时，计算所述任一帧图像帧与所述关键帧的相似度；
在所述相似度小于相似度阈值时，将所述任一帧图像帧作为关键帧。
本发明实施例提供一种内容推荐装置，包括：
播放请求接收模块，用于接收播放器的视频播放请求；
视频发送模块，用于将所述视频播放请求中请求播放的视频发送至播放器，触发所述播放器播放所述视频；
目标内容检测模块，用于检测并获取所述视频中的目标内容；
推荐内容获取模块，用于获取与所述目标内容匹配的推荐内容；
触发显示模块，用于在所述目标内容播放时，触发所述播放器在所述目标内容的对应显示区域中输出所述推荐内容的提示信息。
优选地，所述推荐内容获取模块包括：
排列单元，用于按照与所述目标内容相似度由高到低的顺序，确定与所述目标内容匹配的多个图片以及图片的内容特征；
第一获取单元，用于获取触发所述视频播放请求的用户的用户特征；
组合单元，针对每一个图片，将所述用户特征、所述图片对应候选内容的内容特征以及所述目标内容的内容特征进行组合，得到推荐特征；所述候选内容的内容特征至少包括历史推荐率；所述目标内容的内容特征包括所述目标内容出现时长和/或所述目标内容与所述图片的相似度；
预估单元，用于利用预先训练的推荐模型，预估每一个推荐特征的推荐率；
选择单元，用于选择推荐率最高的图片对应的内容特征作为推荐内容。
优选地，所述目标内容检测模块包括：
检测单元，用于检测并获取所述视频中预先提取的目标内容；
所述装置还包括：
关键帧提取模块：用于提取所述视频中的关键帧；
目标内容提取模块：用于利用预先训练的目标内容检测模型，从所述关键帧中提取目标内容。
优选地，所述装置还包括：
目标跟踪模块，用于对所述目标内容进行目标跟踪，确定所述目标内容在所述视频中的出现时长；
所述推荐内容获取模块具体用于在所述目标内容出现时长大于预设时长时，获取与所述目标内容匹配的推荐内容。
优选地，所述关键帧提取模块包括：
第一确定单元，用于将所述视频中的第一帧图像帧作为关键帧；
信息熵计算单元，用于针对关键帧之后的每一帧图像帧，计算所述图像 帧的信息熵；
相似度计算单元，用于在所述信息熵大于熵阈值时，计算所述任一帧图像帧与所述关键帧的相似度；
第二确定单元，用于在所述相似度小于相似度阈值时，将所述任一帧图像帧作为关键帧。
本发明实施例提供的一种内容推荐方法及装置，从根据用户观看的视频内容出发，获取视频中的目标内容，并且获目标内容匹配的推荐内容，在视频播放过程中同步输出推荐内容的提示信息，在整个推荐过程中无需中断视频播放，提高了用户体验。且推荐内容是与视频内容的目标内容匹配的内容，使得推荐内容更具有针对性，实现了个性化推荐。
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一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明中一种内容推荐方法的一个实施例流程图；
图2为本发明中一种内容推荐方法的一个输出信息条目示例图；
图3为本发明中一种内容推荐方法的又一个实施例流程图；
图4为本发明中一种内容推荐方法的又一个实施例流程图；
图5为本发明中一种内容推荐装置的一个实施例结构示意图；
图6为本发明中一种内容推荐装置的又一个实施例结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，都属于本发明保护的范围。
本申请的技术方案主要应用于网络视频播放场景中，主要是在网络视频的播放过程中进行内容推荐。在互联网的快速普及以及数字影像技术的发展的支撑下，网络视频行业迅速崛起。网络视频以其强大的信息承载和传播能力得到快速发展。以往的网络视频在播放时，正如背景技术中所述，均以固定内容的形式在视频播放开始播放推荐内容，或者打断用户播放的视频在视频的播放过程中完成内容推荐。这种固定内容的推荐方式容易造成用户对推荐内容的抵触心理，造成推荐效果降低等弊端。
为解决这一技术问题，发明人经过一系列研究之后，提出本申请技术方案。在本发明实施例中，当服务端接收到来自播放器的播放请求时，检测并获取请求播放的视频对应的目标内容，并获取与目标内容匹配的推荐内容；并在目标内容播放时，触发在目标内容的对应显示区域输出推荐内容的提示信息，该提示信息用于向用户提示所述推荐内容。本实施例中，推荐内容在视频的播放过程中同步输出，无需中断视频的播放，且推荐内容与视频中的目标内容相匹配，使得推荐内容更具有针对性。针对不同的视频以及不同的目标内容，推荐内容可能也会不同，因此实现了推荐内容的个性化推荐，用户更容易接受与目标内容相关的推荐内容，提高了用户体验。
下面将结合附图对本发明的技术方案进行详细说明。
如图1所示，为本发明实施例的一种内容推荐方法的一个实施例流程图，本实施例方案主要应用在服务器，该方法可以包括以下几个步骤：
101：接收播放器的视频播放请求；
本申请中，播放器可以是移动终端安装的视频客户端；也可以是浏览器中的播放控件；还可以是安装于计算机的视频客户端。
本申请中的服务器可以是视频服务器。
作为一种可能的实现方式，视频播放请求可以是根据用户通过播放器选择某一个视频执行播放请求动作而生成的。
102：将所述视频播放请求中请求播放的视频发送至播放器，触发所述播放器播放所述视频；
在查找到所述视频后，服务器会将所述视频发送到播放器。在播放器接收到视频后，会触发播放器播放所述视频。
103：检测并获取所述视频中的目标内容；
作为一种可能的实现方式，为了降低整体算法的空间复杂度和时间复杂度，所述目标内容可以是预先提取的目标内容。在接收到视频播放请求后，服务器即可自动为所述视频查找其预先提取的目标内容并通知播放器。
所述目标内容可以根据实际需求进行设定。例如：可以是视频中出现的某一个人的上衣、裤子、鞋子，或者视频中出现的汽车等。当然目标内容不仅限于衣物、鞋子、汽车等类型，还可以是手机、楼宇、饮料等等具有使用功能或者展示功能的物品。
所述目标内容的可以采用以下方法从所述视频中预先提取：
先提取所述视频中的关键帧，再使用预先训练的目标内容检测模型，从所述关键帧上提取目标内容。
为了获得更具推荐价值的目标内容，还可以对所述目标内容进行目标跟踪，确定所述目标内容在视频中出现的时长。因此可以是仅针对出现时长大于预设时长的目标内容执行步骤104的操作。
作为又一种可能的实现方式，目标内容也可以在获取到视频之后实时提取，以降低内存开销。
104：获取与所述目标内容匹配的推荐内容；
服务器可以预先保存不同类型的推荐内容，所述推荐内容可以是包括图片的网页页面、文本等内容。可以将代表推荐内容的图片存储在数据库中。 当需要获取推荐内容时，可以从所述图片数据库中获取与所述目标内容匹配图片，进而可以获取图片对应的推荐内容。
其中，获取与目标内容匹配的推荐内容，所述推荐内容可以包括一个或多个。
可以通过计算目标内容与推荐内容的相似度确定与目标内容匹配的推荐内容。具体可以是按照相似度由大到小，选择一个或者多个推荐内容。推荐内容用图片表示时，可以利用图像直方图等图像特征计算相似度。
优选地，为了进一步提高推荐内容的准确度，还可以在获取与所述目标内容匹配的推荐内容的过程中结合用户特征，也即获取与目标内容以及用户特征均匹配的推荐内容。所述用户特征可以是用户的年龄、性别、地域、职业等消息，这些消息可以根据用户注册信息获得。加入用户特征之后，可以获取与用户喜好更加贴近的推荐内容，进一步实现个性化推荐。
因此，作为一种可能的实现方式，可以是将推荐内容、目标内容、用户特征等进行组合，得到推荐特征，并将推荐特征通过预先训练的推荐模型，预估推荐特征的推荐率，然后再选择推荐率最高的图片对应的候选内容作为推荐内容。
105：在所述目标内容播放时，触发所述播放器在所述目标内容的对应显示区域中输出所述推荐内容的提示信息。
所述推荐内容的提示信息可以是所述推荐内容、所述推荐内容的摘要信息、或者包含所述推荐内容的摘要信息以及推荐内容的链接地址的条目信息。所述条目信息的连接地址对应一个网页文件，通过点击所述信息条目可以跳转至推荐内容对应的地址页面，从而可以查看所述推荐内容。
其中，可以是在播放器开始播放目标内容时，同时输出条目信息。
其中，输出条目信息示意图具体可以如图2所示。在图2中显示了两个不同类型的目标内容，分别为裤子以及上衣，并且均显示了与其对应的条目 信息。条目信息201与条目信息202分别是针对上衣和裤子的推荐内容的提示信息，所述提示信息具有连接地址，用户点击此链接就可以打开对应网页页面完成浏览、购买等操作。
其中，用户还可以在播放器选择是否输出所述推荐内容，以免对用户的实际播放造成其他影响。从而可以是在接收到用户触发的推荐内容输出请求时，再执行步骤103～105。
需要说明的是，步骤103～步骤104可以是在步骤101接收到视频播放请求时即执行，也可以是在步骤102播放器播放视频，在播放到目标内容时再执行。本发明并不限定与本实施例的执行步骤。
本实施例中，通过对视频内容的分析，获得与视频内容相关的目标内容，并从数据库中选择出与所述目标内容对应的推荐内容，然后在播放视频时，显示推荐内容的提示信息。所述推荐内容是基于视频内容的内容，可以在不放不同视频的过程中选择推送不同的内容。改变了现有技术中固定推荐物品的模式，提高了推荐内容的针对性，实现了用户在观看视频的同时提供用户更容易接受的内容推荐，提升了用户的体验。
作为一个实施例，如图3所示，步骤101～步骤103以及步骤105与图1所示实施例相同，其中，步骤104可以包括以下步骤进行推荐内容的获取：
1041：按照与所述目标内容相似度由高到低的顺序，确定与所述目标内容匹配的多个图片以及每一个图片对应候选内容的内容特征。
优选地，所述数据库中的图片与图片的内容特征可以是预先通过网络渠道或者其他渠道获取的相关图片及其内容组成的数据库。根据所述目标内容可以采用基于类别和直方图相似度两种策略从所述数据库中检索出与所述目标内容相似度高的图片并通过查询数据库获取图片对应的候选内容的内容特征。作为一种可能的实现方式，可以将相似度的计算结果按照由高到低的顺序排列，选取排名靠前的若干张图片作为备选图片。
1042：获取触发所述视频播放请求的用户的用户特征。
所述用户的用户特征可以主要包括：用户的年龄、性别、地域、职业、平台等。用户特征可以从用户的注册信息中获取。所述注册信息可以存储于服务器中，需要用户特征时，可以从服务器中查询用户的注册信息。
1043：针对每一个图片，将所述用户特征、所述图片对应候选内容的内容特征以及所述目标内容的内容特征进行组合，得到推荐特征；
所述目标内容的内容特征可以包括目标内容与图片的相似度计算结果，还可以包括目标内容在视频中出现的时长。
所述候选内容的内容特征可以包括历史推荐率；还可以包括内容类型；在候选内容对应实际物品时，还可以包括物品价格、物品产地作为推荐内容时，提示信息包括链接地址时，所述历史推荐率即是指历史点击率等信息。
由于用户特征、所述候选内容的内容特征以及所述目标内容的特征中均可能包括连续特征和离散特征，离散特征是指特征的数值为离散值，连续特征是指特征的数值为连续的。例如：用户性别特征等可以取得离散值，为离散特征；图片内容特征中的价格、总体点击率或者图片与目标内容特征的相似度等可以取得连续值，为连续特征。
为了能够将用户特征、所述图片内容特征、所述目标内容特征进行组合，需要将连续特征进行离散化处理。离散化特征的处理方式如下：
b1：连续特征数值的范围为0～x，将其分成n段。则连续特征变为nbit的二进制离散特征。
b2:判断特征落在第几段，如对应位置落在第三段，则离散特征表示为00000100。(假设分为8段)。
离散特征完成之后，为了有效提升模型预测的准确率，会将上述三种内容进行特征交叉，也就是说会将两个特征重新组合形成新的特征，再将组合特征拉伸成一个向量，得到推荐特征。例如：将性别和内容类别(m类，m 代表一个整数)组合之后会产生2m个离散的特征。
作为一种可能的实现方式，可以将推荐特征设为向量x，假设特征的维度为113。其中x1～x10为用户年龄特征段；x11～x18为用户地域特征段；x19～x25为用户职业特征段；x26～x30为播放器名称特征段；x31～x38为候选内容类别特征段；x39～x50为候选内容价格特征段；x51～x58为候选内容地域特征段；x59～x60为候选内容点击率特征段；x61～x65为目标内容出现时长特征段；x66～x75为目标内容与对应图片相似度特征段；x76～x91为候选内容类别/用户性别组合特征段；x92～x113为用户性别/候选内容价格组合特征段。
1044：利用预先训练的推荐模型，预估每一个推荐特征的推荐率；
预估每一个推荐特征的推荐率的目的是获取推荐率的排名，可以将推荐率较高的一个或几个推荐特征对应的内容定为推荐内容，推荐内容的个数在此不做过多限定。
作为一种可能的实现方式，所述推荐率具体可以指点击率，也就是用户在观看视频时对出现的推荐内容提示信息进行点击的概率。点击率可以用来表示推荐内容的用户接受程度，通过选择点击率高的推荐内容进行推荐，可以进一步提高推荐内容的准确度。
为了获得精准的点击率预测结果，所述推荐模型可以使用逻辑回归模型(logicregression，lr)。
其中，逻辑回归模型假设为条件概率满足参数为θ的概率分布函数：
其中，t表示转置，θ指模型参数，x指某一个输入的变量值，y＝1表示点击，y＝-1表示未点击，这里的g(h)是s型函数(也称s形生长曲线)。
将推荐特征作为变量x代入上述逻辑回归模型，计算获得的概率值p既可以表示点击率。
但是这时参数θ是未知的，需要对参数θ进行求解。故训练推荐模型的过程 也即是求解最优的模型参数θ的过程。最优参数θ的求解可以采用最大似然估计的方式求解最优模型参数θ，具体可以包括：
首先，预先确定训练样本，d＝(x1,y1),(x2,y2),…,(xn,yn)；
其中，
其次，将所述训练样本d输入上述公式a1，得到逻辑回归模型对应的最大似然度函数：
l(θ)＝p(d|θ)＝∏p(y|x；θ)＝∏g(θtx)y(1-g(θtx))1-y…………………(a2)
对其求对数，可得对数似然度函数：
l(θ)＝log(l(θ))＝∏ylogg(θtx)+(1-y)log(1-g(θtx)……………………(a3)
再次，可以采用梯度下降迭代求解最优参数θ，具体是选取对数似然度函数(a3)变化最快的一个方向来调整参数来逼近最优解。基本步骤如下：
选择下降方向(梯度方向，▽j(θ))
选择步长，更新参数θi＝θi-1-αi▽j(θi-1)，其中α为学习率，控制学习精度，▽j(θ)为当前梯度。
重复以上两步直到满足下降方向最快，即损失函数的梯度值最大。
其中损失函数的梯度▽j(θ)可以求对数似然度函数关于θ的偏导数得到，具体的计算方法为：
通过上述方法，可以得到对数似然度函数变化最快时的参数θ的值。然后将所述θ的值以及推荐特征输入公式(a1)，可以计算出推荐特征的推荐概率。
1045：选择预估点击率最高的图片对应的候选内容作为推荐内容。
所述推荐内容，可以是与目标内容相关的推荐内容，例如，可以是与目标内容种类相似的内容，也可以是与目标内容特征相似度高的内容等。
在上述实施例中，使用线性回归模型预估推荐内容的点击率，可以使在推荐选择的推荐内容时获得更好的推荐效果，还可以获得更高的计算效率。
作为又一个实施例，在步骤103中的目标内容的提取，可以按照以下几个步骤完成：
c1：提取所述视频中的关键帧；
作为一种可能的实现方式，提取所述视频中的关键帧，可以使用图像信息熵和图像相似度的方法提取视频中的关键帧。提取关键帧的具体流程可以包括如下几个步骤：
c1a：将所述视频中的第一帧图像帧作为关键帧；
为了获得更准确的数据，读取视频的图像帧时，可以从视频的第一帧图像帧开始，一帧一帧地读，直到最后一帧图像帧。如果之前没有关键帧，将所述视频中的第一帧图像帧作为关键帧，之后执行步骤c1b。
c1b：针对关键帧之后的每一帧图像帧，计算所述图像帧的信息熵；
使用公式(a5)计算提取的图像帧的信息熵的值。
其中，pi为图像灰度为i的像素出现的概率。
信息熵在一定程度上表示图像信息的丰富程度，信息熵的值越大表明图像中包含的细节内容越多，存在目标内容的可能性也就越大。纯色图像的信息熵的值为0。
c1c：在所述信息熵大于熵阈值时，计算所述任一帧图像与所述关键帧的相似度；
通过计算提取的图像帧的信息熵可以与熵阈值，可以过滤出一些无用帧， 降低算法的复杂度。
判断所述图像帧的信息熵是否大于信息熵阈值。
如果图像帧的信息熵大于所述信息熵阈值，则计算所述帧图像与上一张关键帧的相似度，判断所述相似度的值是否小于相似度阈值；如果小于所述相似度阈值则所述图像帧为关键帧。
计算所述图像帧与上一张关键帧的相似度；
计算所述图像帧的相似度可以使用公式a6来计算，公式a6如下：
其中，n为直方图分块的个数，pi为图像灰度落在第i段的像素的概率。在本申请中pi与p′i指的是当前提取的图像帧与上一帧关键帧的灰度直方图的统计概率。图像灰度直方图的相似度计算方法是一种时间复杂度较低、快速估计图像相似度的方法，还可以使用纹理特征算法，如sift(scale-invariantfeaturetransform，尺度不变特征变换)算法，hog(histogramsoforientedgradients，方向梯度直方图)算法等算法计算两帧图像帧的相似度。
c1d：在所述相似度小于相似度阈值时，将所述任一帧图像帧作为关键帧。
判断步骤c1c中计算的相似度的结果是否小于某个相似度阈值；
如果计算出两帧图像帧相似度的值小于相似度阈值，则产生新的关键帧；如果大于相似度阈值则返回至步骤c1a。
c2：利用预先训练的目标内容的检测模型，从所述关键帧中提取目标内容。
在步骤c1提取到关键帧之后，在步骤c2中需要利用预先训练的目标内容的检测模型，从所述关键帧中提取目标内容。
可以使用预先训练的目标内容的检测模型，从所述关键帧中提取目标内容。所述预先训练的目标内容的检测模型可以使用目标检测算法进行训练。
为了获得更高的特征表达能力，目标检测算法可以是卷积神经网络，所 述目标检测模型也即是卷积神经网络模型，因此可以是采用卷积神经网络模型进行目标内容的提取。其中，利用卷积神经网络模型提取目标内容可以包括：
在关键帧上进行窗口滑动，以提取候选区域；即将窗口函数与关键帧进行卷积计算；对于一个关键帧而言，可以提取2000个候选区域，然后对每一个区域进行归一化计算，使候选区域大小一致；
采用卷积神经网模型提取候选区域的高维特征；
通过卷积神经网络的全连接层，对候选区域进行分类，以获取目标内容；
如果通过分类器之后候选区域被判定为目标内容，则当前滑动的窗口被判定为目标窗口，从而获得目标内容的分类和位置信息。
在本实施例中，采用图像信息熵与图像相似度来判断图像帧是否为关键帧，并使用卷积神经网络模型提取关键帧上全部的目标内容，使目标内容的范围更加全面。
但是，如果某一个内容出现时间非常短以至于用户不能够更好地观看投放内容，或者在同一帧图像帧上投放多个内容时，用户可能也没有足够的时间观看投放内容。为了更好地控制广告投放个数，高效率的投放回报，在步骤c2提取到关键帧中的目标后，可以对所述目标进行跟踪，以计算目标在视频中出现的时长，选取目标内容出现时间超过阈值的目标内容作为最终目标内容。
作为一种可能的实现方式，对目标内容进行目标跟踪可以包括：
从第t+1帧图像帧中，提取与第t帧的目标内容所在区域对应的多个扫描窗口；
利用根据第t帧图像帧训练获得的目标跟踪分类器，对所述扫描窗口进行分类计算，获得分类分数；
在分类分数大于预设分数，将分类分数最高的扫描窗口跟踪为目标内容。
其中，如果分类分数小于预设分数，则认为多个扫描窗口中不包括目标内容，则目标内容跟踪结束。
其中目标跟踪分类器可以是朴素贝叶斯分类器。
目标跟踪分类器可以按照以下方式预先训练获得：
在第t帧的时候，采集到该帧图像帧的若干张正样本和负样本的图片。具体的可以是，通过在t帧的目标内容较近的区域滑动窗口获得正样本，在第t帧距离目标较远区域采样获取负样本。然后对采集到的正样本以及负样本进行尺度变换，使用稀疏测量矩阵对上述多尺度图像特征进行降维，然后利用降维后的特征去训练朴素贝叶斯分类器。
其中，为适应长时间的目标跟踪，上述朴素贝叶斯分类器需要不断进行训练，以更新分类器的模型。可以是根据新检测到的正样本与负样本去计算二者的均值和方差，使用如下方式更新：
其中，μ指均值，σ指方差，λ>0是学习因子，在实际应用中为避免误差的积累，可以取λ＝0.85。
则利用根据第t帧图像帧获得的目标跟踪分类器，对多个扫描窗口进行分类计算可以具体是：
对第t+1帧图像帧提取跟踪到的目标位置的周围获得扫描窗口(避免去扫描整幅图像帧)，进行尺度变换后通过稀疏测量矩阵对其降维，然后再利用第t帧训练好的朴素贝叶斯分类器对每一个扫描窗口进行分类计算，获得每一个扫描窗口的分类分数。
在分类分数大于预设分数，并且分类分数最大的扫描窗口作为目标内容。这样就实现了从t帧图像帧到t+1帧图像帧的目标跟踪。
在上述实施例中，可以获得出现时长超过阈值的目标内容，可以控制投 放内容的个数、投放的推荐内容出现时间较长，使用户可以更加集中地观看投放内容，获得更高的投放效果。
作为又一个实施例，区别于图1，如图4所示，视频中目标内容的提取即步骤103还可以按照以下几个步骤执行：
10301：从视频中读取一帧图像帧；
10302：判断当前状态是否处于跟踪状态，如果否，执行步骤10303，否则执行步骤10308；
10303：进行关键帧的提取；
10304：判断关键帧提取是否成功；如果是执行步骤10305，否则返回步骤10301。
10305：目标内容的提取；
10306：判断是否提取到目标内容，如果是，执行步骤10307，否则返回步骤10301；
10307：设置当前状态为跟踪状态；
10308：使用压缩跟踪算法对目标内容进行跟踪；
10309：判断跟踪状态是否结束，如果是，进入步骤10310设置当前检测状态，并且同时还执行步骤10311，计算目标出现时长；否则返回步骤1031；所述判断跟踪状态结束的依据是目标内容不再出现于图像帧中，也即使用分类器训练图像帧的窗口获得分类分数低于预设值。
10310：设置当前状态为跟踪状态；
10311：计算目标内容出现时长；
10312：判断目标内容出现时长是否大于阈值，如果是执行步骤10313的操作；
10313：产生最终目标内容，之后执行步骤104的操作。
在本发明实施例中，设置了一个表征当前状态的数据，可以根据该数据判 断是否处于跟踪状态，以判断跟踪结果，降低了算法的复杂度。使用目标跟踪的方法可以避免推荐过多内容，造成用户无暇观看，从整体上讲，提高了推荐效率。
图5为本发明实施例提供的一种内容推荐装置的一个实施例的结构示意图，该装置主要应用于视频服务端，该装置可以包括：
播放请求接收模块501：用于接收播放器的视频播放请求；
其中，所述视频播放起请求是由播放设备发出的，并且视频播放请求可以是用户通过播放器选择某一个视频请求进行播放动作而出发生成的。
视频发送模块502：用于将所述视频播放请求中请求播放的视频发送至播放器，触发所述播放器播放所述视频；
作为一种可能的实现方式，在查找到所述视频后，服务器会将所述视频发送到播放器。在播放器接收到视频后，会触发播放器播放所述视频。在传输视频时，可以将与视频内容相关的推荐内容与视频同时发送也可以分开发送。
目标内容检测模块503：用于检测并获取所述视频中的目标内容；
优选地，所述目标内容检测模块具体可以用具检测并获取与先提取的目标内容。所述目标内容的可以是预先提取的目标内容，即在检测之前完成目标内容的提取工作，基于此，所述装置还可以包括：
关键帧提取模块：用于提取所述视频中的关键帧；
目标内容提取模块：用于使用预先训练的目标内容检测模型，从所述关键帧中提取目标内容。
优选地，所述关键帧提取模块可以包括：
第一确定单元：用于将所述视频中的第一帧图像帧作为关键帧；
信息熵计算单元：用于针对关键帧之后的每一帧图像帧，计算所述图像帧的信息熵；
相似度计算单元：用于在所述信息熵大于熵阈值时，计算所述任一帧图像帧与所述关键帧的相似度；
第二确定单元：用于在所述相似度小于相似度阈值时，将所述任一帧图像帧作为关键帧。
而完成目标内容的预先提取之后，为了获得更具推荐价值的目标内容，优选地，还可以对所述目标内容进行目标跟踪，确定所述目标内容在视频中出现的时长。即所述装置还可以包括：
目标跟踪模块：用于对所述目标内容进行目标跟踪，确定所述目标内容在所述视频中的出现时长；
在所述装置包括目标跟踪模块时，所述推荐内容获取模块具体用于判断所述目标内容出现时长是否大于预设时长，判断为是时，获取与所述目标内容匹配的推荐内容。
作为又一种可能的实现方式，目标内容也可以在获取到视频之后实时提取，以降低内存开销。
推荐内容获取模块504：用于获取与所述目标内容匹配的推荐内容；
其中，获取与目标内容匹配的推荐内容，所述推荐内容可以包括一个或多个。
可以通过计算目标内容与推荐内容的相似度确定与目标内容匹配的推荐内容。
优选地，为了进一步提高推荐内容的准确度，还可以在获取与所述目标内容匹配的推荐内容的过程中结合用户特征，也即获取与目标内容以及用户特征均匹配的推荐内容。
触发显示模块505：用于在所述目标内容播放时，触发所述播放器在所 述目标内容的对应显示区域中输出所述推荐内容的提示信息。
所述推荐内容的提示信息可以是所述推荐内容、或者包含所述推荐内容的摘要信息和/或推荐内容的连接地址的条目信息，通过点击所述信息条目可以查看所述推荐内容。因此，所述装置还可以包括：
显示单元：可以是在播放器播放到目标内容时，同时输出信息条目。具体可以如图2所示。
其中，用户还可以在播放器选择是否输出所述推荐内容，以免对用户的实际播放造成其他影响。从而在用户选择输出所述推荐内容时，再运行503～505模块。
本实施例中，提供了一种通过对视频内容的分析，获得与视频内容相关的目标内容，并从数据库中选择出与所述目标内容对应的推荐内容，然后在播放视频时，输出推荐内容的装置。改变了现有技术中固定推荐物品的模式，可以使用户可以获得更具针对性的推荐内容，实现了用户在观看视频时提供内容推荐，提高了推荐物品的转化率。
作为又一个实施例，为了进一步提高推荐信息的准确度，所述推荐内容结合用户特征时，模块504还可以包括区别于图5，如图6所示的几个单元：
排列单元5041：用于按照与所述目标内容相似度由高到低的顺序，确定与所述目标内容匹配的多个图片；
第一获取单元5042：用于获取触发所述视频播放请求的用户的用户特征；
组合单元5043：针对每一个图片，将所述用户特征、所述图片对应候选内容的内容特征以及所述目标内容的内容特征进行组合，得到推荐特征；所述候选内容的内容特征至少包括历史推荐率；所述目标内容的内容特征包括所述目标内容出现时长和/或所述目标内容与所述图片的相似度；
预估单元5044：用于利用预先训练的推荐模型，预估每一个推荐特征的 推荐率。
选择单元5045：用于选择推荐率最高的图片对应的内容特征作为推荐内容。
在预估完推荐特征的推荐率后可以将所述推荐率最高的内容选为推荐内容，也可以选择推荐率排名较为靠前的多个内容为推荐内容。
在本实施例中，结合用户特征对获取与用户特征、视频内容相关的推荐内容，所述推荐内容针对性更强，准确性也更强，从而可以获得更强的推荐效果。
以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围。
- 还没有人留言评论。精彩留言会获得点赞！