多媒体资源推荐方法、装置、电子设备及存储介质与流程

本申请涉及内容推送技术领域，尤其涉及一种多媒体资源推荐方法、装置、电子设备及存储介质。

背景技术：

随着网络技术的发展，人们越来越多的通过网络应用进行交流和获取各种多媒体资源，如通过网络浏览新闻、视频、小说等。为了便于用户的查看，网络应用可以主动地向用户推荐多媒体资源。现有的多媒体资源推荐方法往往根据多媒体资源的发布时间、多媒体资源当前的热度或者用户的历史浏览记录进行推荐，导致推荐的内容往往不是用户感兴趣的内容，推荐的有效性很低。

技术实现要素：

本申请实施例提供一种多媒体资源推荐方法、装置、电子设备及存储介质，能够更加精准地定位用户当前的兴趣点，提高了推荐内容的针对性和有效性。

一方面，本申请一实施例提供了一种多媒体资源推荐方法，包括：

获取用户发送的弹幕信息；

基于所述弹幕信息，确定所述弹幕信息所针对的评论对象以及所述用户对所述评论对象的喜爱度；

基于所述评论对象和所述喜爱度，确定所述用户的兴趣标签；

将与所述用户的兴趣标签匹配的多媒体资源，推荐给所述用户。

一方面，本申请一实施例提供了一种多媒体资源推荐方法，包括：

接收用户发送的弹幕信息；

显示基于所述弹幕信息确定的多媒体资源推荐列表，所述多媒体资源推荐列表中包括的多媒体资源，是根据所述用户的兴趣标签匹配的，所述用户的兴趣标签是基于所述弹幕信息所针对的评论对象以及所述用户对所述评论对象的喜爱度确定的。

一方面，本申请一实施例提供了一种多媒体资源推荐方法，包括：

向服务器发送资源获取请求，所述资源获取请求包括用户标识，以使所述服务器返回相应的多媒体资源推荐列表，所述多媒体资源推荐列表包括与所述用户标识对应的兴趣标签所匹配的多媒体资源，所述兴趣标签是基于所述用户标识对应的用户发送的弹幕信息所针对的评论对象以及所述用户对所述评论对象的喜爱度确定的；

接收所述服务器返回的多媒体资源推荐列表并显示。

一方面，本申请一实施例提供了一种多媒体资源推荐装置，包括：

获取模块，用于获取用户发送的弹幕信息；

信息提取模块，用于基于所述弹幕信息，确定所述弹幕信息所针对的评论对象以及所述用户对所述评论对象的喜爱度；

兴趣确定模块，用于基于所述评论对象和所述喜爱度，确定所述用户的兴趣标签；

推荐模块，用于将与所述用户的兴趣标签匹配的多媒体资源，推荐给所述用户。

可选地，所述信息提取模块，具体用于通过以下至少一种方式确定所述弹幕信息所针对的评论对象：

从所述弹幕信息中提取所述弹幕信息所针对的评论对象；或者，

将所述弹幕信息关联的目标多媒体资源，确定为所述弹幕信息所针对的评论对象。

可选地，当所述评论对象是从所述弹幕信息中提取时，所述信息提取模块，具体用于通过如下方式确定所述用户对所述评论对象的喜爱度：

从所述弹幕信息中提取情感度关键词；

基于提取的情感度关键词，确定所述用户对所述评论对象的喜爱度。

可选地，当所述评论对象是根据与所述弹幕信息关联的目标多媒体资源确定时，所述信息提取模块，具体用于通过如下方式确定所述用户对所述评论对象的喜爱度：

针对所述用户发送的与所述目标多媒体资源关联的每一弹幕信息，基于所述每一弹幕信息中包含的情感度关键词，确定所述每一弹幕信息对应的情感等级；

基于各个弹幕信息对应的情感等级，确定所述用户对所述目标多媒体资源的喜爱度。

可选地，所述信息提取模块，还用于基于所述用户发送的与所述目标多媒体资源关联的弹幕信息的数量，确定所述用户观看所述目标多媒体资源时的弹幕参与度；

所述信息提取模块，具体用于基于各个弹幕信息对应的情感等级和所述弹幕参与度，确定所述用户对所述目标多媒体资源的喜爱度。

可选地，所述信息提取模块，具体用于：

基于所述用户发送的与所述目标多媒体资源关联的弹幕信息的数量，确定所述用户观看所述目标多媒体资源时的弹幕发送频率；

基于所述弹幕发送频率，确定所述用户观看所述目标多媒体资源时的弹幕参与度。

一方面，本申请一实施例提供了一种多媒体资源推荐装置，包括：

第一接收模块，用于接收用户发送的弹幕信息；

显示模块，用于显示基于所述弹幕信息确定的多媒体资源推荐列表，所述多媒体资源推荐列表中包括的多媒体资源，是根据所述用户的兴趣标签匹配的，所述用户的兴趣标签是基于所述弹幕信息所针对的评论对象以及所述用户对所述评论对象的喜爱度确定的。

一方面，本申请一实施例提供了一种多媒体资源推荐装置，包括：

发送模块，用于向服务器发送资源获取请求，所述资源获取请求包括用户标识，以使所述服务器返回相应的多媒体资源推荐列表，所述多媒体资源推荐列表包括与所述用户标识对应的兴趣标签所匹配的多媒体资源，所述兴趣标签是基于所述用户标识对应的用户发送的弹幕信息所针对的评论对象以及所述用户对所述评论对象的喜爱度确定的；

第二接收模块，用于接收所述服务器返回的多媒体资源推荐列表并显示。

一方面，本申请一实施例提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，处理器执行计算机程序时实现上述任一种方法的步骤。

一方面，本申请一实施例提供了一种计算机可读存储介质，其上存储有计算机程序指令，该计算机程序指令被处理器执行时实现上述任一种方法的步骤。

一方面，本申请一实施例提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各种可选实现方式中提供的方法。

本申请实施例提供的多媒体资源推荐方法、装置、电子设备及存储介质，通过对用户发送的弹幕信息进行分析，获得弹幕信息针对的评论对象，基于弹幕信息针对的评论对象，确定该用户的兴趣标签，将与该用户的兴趣标签匹配的多媒体资源推荐给该用户。基于用户发送的弹幕信息，确定出用户感兴趣的对象，能够更加精准地定位用户当前的兴趣点，使得推荐的多媒体资源更加贴近用户真正感兴趣的内容，提高了推荐内容的针对性和有效性，进而提高用户的使用黏性，也有利于提升多媒体资源播放量和用户日活。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，显而易见地，下面所介绍的附图仅仅是本申请的一些实施例，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为本申请实施例提供的多媒体资源推荐方法的应用场景示意图；

图2为本申请一实施例提供的多媒体资源推荐方法的流程示意图；

图3为本申请一实施例提供的基于弹幕信息确定兴趣标签的流程示意图；

图4为本申请一实施例提供的多媒体资源推荐方法的流程示意图；

图5为本申请一实施例提供的在用户观看视频的过程中进行多媒体资源推荐的界面示意图；

图6为本申请一实施例提供的多媒体资源推荐方法的流程示意图；

图7为本申请一实施例提供的多媒体资源推荐装置的结构示意图；

图8为本申请一实施例提供的多媒体资源推荐装置的结构示意图；

图9为本申请一实施例提供的多媒体资源推荐装置的结构示意图；

图10为本申请一实施例提供的电子设备的结构示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。

为了方便理解，下面对本申请实施例中涉及的名词进行解释：

多媒体资源：是指多种媒体的综合，一般包括文本、声音和图像等多种媒体形式。本申请实施例中的多媒体资源，包括但不限于视频、音频(如广播剧、音乐等)、电子书等。

弹幕(barrage)：指的是在网络上观看多媒体资源时弹出的评论性字幕。在观看多媒体资源过程中，用户可以观看其他用户发表的弹幕，也可以发送弹幕，所发送的弹幕同样也会被其他用户看到，以在观看多媒体资源过程中实现互动。

兴趣标签：用于标识用户感兴趣的内容的标签，如用户喜欢的电影类型、用户喜欢的演员等。实际应用中，可通过解析用户的行为数据挖掘得到的用户的兴趣标签，用户的行为数据包括：用户分享及阅读的行为数据，包括文字信息、图片信息、视频信息等，如用户发布的分享信息、用户转发的分享信息、用户点击阅读的分享信息。兴趣标签也可由用户自行设置，可提供预设的候选兴趣标签供用户选择，预设的候选兴趣标签可根据网络应用的类别和待推荐信息的内容自行设置，如网络应用的类别为社交类，待推荐信息为用户资料，则可提供社交类候选兴趣标签，如性别、爱好、地区等，通过预设的候选兴趣标签能提高兴趣标签的针对性和有效性。

命名实体，一般指的是文本中具有特定意义或者指代性强的实体，通常包括人名、地名、组织机构名、日期时间、专有名词等。命名实体这个概念可以很广，只要是业务需要的特殊文本片段都可以称为命名实体。

命名实体识别(namedentitiesrecognition,ner)，是自然语言处理的一个基础任务，目的是从非结构化的输入文本中抽取出命名实体。ner任务中的常用模型包括生成式模型hmm(hiddenmarkovmodel，隐马尔可夫模型)、判别式模型crf(条件随机场(conditionalrandomfield，条件随机场)等。判别式模型crf是ner目前的主流模型，它的目标函数不仅考虑输入的状态特征函数，而且还包含了标签转移特征函数。

深度学习：深度学习的概念源于人工神经网络的研究，含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，通过模仿人脑的机制来解释数据，例如图像，声音和文本等。常用的深度学习模型包括：卷积神经网络(convolutionalneuralnetworks，cnn)、循环神经网络(recurrentneuralnetwork，rnn)、是长短期记忆网络(longshort-termmemory，lstm)、深度神经网络(deepneuralnetwork，dnn)、深度置信网(deepbeliefnets，dbns)等神经网络。数据在神经网络中的传播有两种方式，一种是沿着输入到输出的路径，被称为前向传播(forwardpropagation)，另一种是从输出返回到输入，被成为反向传播(backpropagation)。在正向传播过程中，输入信息通过神经网络逐层处理并传向输出层，通过损失函数描述输出值与期望之间的误差，转入反向传播，逐层求出损失函数对各神经元的权重的偏导数，构成损失函数对权值向量的权重梯度数据，作为更新权重参数的依据，在不断更新权重参数的过程中完成神经网络的训练。

客户端(client)或称为用户端，是指与服务器相对应，为客户提供本地服务的程序。除了一些只在本地运行的应用程序之外，一般安装在普通的客户机上，需要与服务端互相配合运行。因特网发展以后，较常用的用户端包括了如万维网使用的网页浏览器，收寄电子邮件时的电子邮件客户端，以及即时通讯的客户端软件等。对于这一类应用程序，需要网络中有相应的服务器和服务程序来提供相应的服务，如数据库服务，电子邮件服务等等，这样在客户机和服务器端，需要建立特定的通信连接，来保证应用程序的正常运行。

云技术(cloudtechnology)是指在广域网或局域网内将硬件、软件、网络等系列资源统一起来，实现数据的计算、储存、处理和共享的一种托管技术。

云技术(cloudtechnology)基于云计算商业模式应用的网络技术、信息技术、整合技术、管理平台技术、应用技术等的总称，可以组成资源池，按需所用，灵活便利。云计算技术将变成重要支撑。技术网络系统的后台服务需要大量的计算、存储资源，如视频网站、图片类网站和更多的门户网站。伴随着互联网行业的高度发展和应用，将来每个物品都有可能存在自己的识别标志，都需要传输到后台系统进行逻辑处理，不同程度级别的数据将会分开处理，各类行业数据皆需要强大的系统后盾支撑，只能通过云计算来实现。

大数据(bigdata)是指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合，是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。随着云时代的来临，大数据也吸引了越来越多的关注，大数据需要特殊的技术，以有效地处理大量的容忍经过时间内的数据。适用于大数据的技术，包括大规模并行处理数据库、数据挖掘、分布式文件系统、分布式数据库、云计算平台、互联网和可扩展的存储系统。

本申请中，可基于云技术和大数据技术，实现对多媒体资源的存储、管理，以及向用户提供多媒体服务。

附图中的任何元素数量均用于示例而非限制，以及任何命名都仅用于区分，而不具有任何限制含义。

在具体实践过程中，现有的多媒体资源推荐方法往往根据多媒体资源的发布时间、多媒体资源当前的热度或者用户的历史浏览记录进行推荐，导致推荐的内容往往不是用户感兴趣的内容，推荐的有效性很低。

为此，本申请提供了一种多媒体资源推荐方法，通过对用户发送的弹幕信息进行分析，获得弹幕信息针对的评论对象，基于弹幕信息针对的评论对象，确定该用户的兴趣标签，将与该用户的兴趣标签匹配的多媒体资源推荐给该用户。基于用户实时发送的弹幕信息，确定用户感兴趣的对象，能够更加精准地定位用户当前的兴趣点，使得推荐的多媒体资源更加贴近用户真正感兴趣的内容，提高了推荐内容的针对性和有效性，进而提高用户的使用黏性，也有利于提升多媒体资源播放量和用户日活。

在介绍完本申请实施例的设计思想之后，下面对本申请实施例的技术方案能够适用的应用场景做一些简单介绍，需要说明的是，以下介绍的应用场景仅用于说明本申请实施例而非限定。在具体实施时，可以根据实际需要灵活地应用本申请实施例提供的技术方案。

参考图1，为本申请实施例提供的多媒体资源推荐方法的应用场景示意图。在图1所示的应用场景中包括终端设备101和服务器102。其中，终端设备101和服务器102之间可通过无线通信网络或有线通信网络连接，终端设备101包括但不限于桌面计算机、移动电话、移动电脑、平板电脑、媒体播放器、智能可穿戴设备、智能电视、车载设备、个人数字助理(personaldigitalassistant，pda)等电子设备。服务器102可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、cdn、以及大数据和人工智能平台等基础云计算服务的云服务器。

终端设备101中安装有客户端，该客户端由服务器102提供多媒体服务。该客户端可以是浏览器客户端、视频客户端、音频客户端以及阅读客户端等多媒体资源客户端，这类客户端由服务器102提供服务，例如，优酷客户端、网易音乐客户端、在线阅读客户端等，还可以是无需联网即能够提供播放服务的播放器或阅读器，这类客户端可以用于播放存储于终端设备101的存储空间中的多媒体资源，也可以是既具有独立播放功能又能够使用服务器102所提供的多媒体资源服务的播放器或阅读器，例如，千千静听、暴风影音等等，本申请实施例对此不做具体限定。

服务器102用于提供多媒体服务，该多媒体服务可以是指视频服务、音频服务、图片服务、阅读服务以及问答服务等，多媒体资源包括但不限于视频、音频、文本、图片等。以视频服务器为例，其所提供的视频服务可以包括视频直播、视频在线播放、视频下载等服务，并且，对于服务器102来说，其所提供的服务可以不是单一服务，例如，对于视频服务器来说，其可以不仅限于视频服务，而是还提供例如音频服务等其他类型的多媒体服务，而对于音频服务器来说，其可以不仅限于音频服务，还可以提供例如视频服务等更多类型的多媒体服务，当然，该服务器102还可以提供转发、评论等功能，本申请实施例对此不做具体限定。视频在线播放服务可以是指将某部电影转化为视频数据流，并将视频数据流通过视频客户端或门户网站提供给终端设备101进行在线播放或离线下载等操作。

服务器102还用于提供弹幕信息服务，该弹幕信息服务可以包括：多媒体资源检索服务以及弹幕服务。其中，多媒体资源检索服务可以与弹幕服务结合使用，也即是，通过对多媒体信息的转换，使得多媒体资源能够对应于弹幕服务中的弹幕信息，并提供多媒体信息数据库，该多媒体信息数据库可用于存储转换所需的信息，例如转换规则、多媒体信息之间的对应关系等，以供进行转换，方便为不同平台或客户端提供准确的弹幕信息服务，当然，该多媒体信息数据库中还可以存储有多媒体播放时长等多媒体资源自身的描述信息。弹幕服务是指弹幕信息服务器可以收集弹幕信息，并为客户端提供与其当前播放的多媒体资源对应的弹幕信息。服务器102收集和存储的弹幕信息以及弹幕相关信息，弹幕相关信息包括弹幕发送者的用户标识、弹幕发送时间、弹幕信息关联的多媒体资源的资源标识等。其中，用户标识可以是弹幕信息服务器支持的用于唯一标识一个弹幕发送者的标识，弹幕发送时间可以是该用户实际发布该弹幕内容的时间点，弹幕关联的多媒体资源即用户发送弹幕信息时正在观看的多媒体资源的资源标识。

用户可以通过终端设备101内安装的客户端来访问服务器102，从而使用服务器102所提供的多媒体服务。例如，该终端设备101可以通过视频客户端来访问服务器102，还可以通过浏览器客户端来访问服务器102的门户网站。在用户通过客户端观看多媒体资源的过程中，客户端每隔一段时间向服务器102发送弹幕获取请求，服务器102根据客户端当前的播放进度获取对应时间的弹幕信息，并发送给客户端，客户端在播放界面中展示获取的弹幕信息。在观看多媒体资源的同时，用户还可以通过终端设备101的客户端输入弹幕信息，并向服务器102发送弹幕发送请求，该弹幕发送请求包括：弹幕信息、用户标识、当前观看的多媒体资源的资源标识以及弹幕发送时间等，服务器102在收到弹幕发送请求后，将该弹幕发送请求中的信息与弹幕发送请求中的资源标识对应的多媒体资源进行关联存储。同时，服务器102对用户发送的弹幕信息进行分析，获得弹幕信息针对的评论对象，进而确定该用户的兴趣标签，将与该用户的兴趣标签匹配的多媒体资源推荐给该用户。具体地，可用户观看多媒体资源过程中，基于用户实时发送的弹幕信息，确定出用户的兴趣标签，并推荐与该兴趣标签进行内容的推荐；或者，服务器端可维护每个用户的兴趣标签，例如，收集用户发送的弹幕信息，基于收集的弹幕信息更新用户的兴趣标签，并在用户向服务器发送资源获取请求时，基于该用户的兴趣标签进行多媒体资源的推荐，客户端可在用户登录客户端或用户手动刷新客户端的内容时，向服务器发送资源获取请求。

当然，本申请实施例提供的方法并不限用于图1所示的应用场景中，还可以用于其它可能的应用场景，本申请实施例并不进行限制。对于图1所示的应用场景的各个设备所能实现的功能将在后续的方法实施例中一并进行描述，在此先不过多赘述。

为进一步说明本申请实施例提供的技术方案，下面结合附图以及具体实施方式对此进行详细的说明。虽然本申请实施例提供了如下述实施例或附图所示的方法操作步骤，但基于常规或者无需创造性的劳动在所述方法中可以包括更多或者更少的操作步骤。在逻辑上不存在必要因果关系的步骤中，这些步骤的执行顺序不限于本申请实施例提供的执行顺序。

本申请实施例的多媒体资源推荐方法可应用于图1所示的服务器或终端设备，也可以由服务器和终端设备协同执行。下面结合图1所示的应用场景，对本申请实施例提供的技术方案进行说明。

参考图2，本申请实施例提供一种多媒体资源推荐方法，包括以下步骤：

s201、获取用户发送的弹幕信息。

当用户通过终端设备的客户端输入弹幕信息并点击弹幕发布按钮时，客户端会在播放界面上显示该弹幕信息，同时客户端会向服务器发送该弹幕发送请求，该弹幕发送请求可包括：弹幕信息、该用户的用户标识、弹幕发送时间、弹幕信息关联的多媒体资源的资源标识等。服务器接收并存储该弹幕发送请求中的信息。

以应用于服务器为例，步骤s201中，获取的可以是用户通过终端设备实时发送的弹幕信息，也可以是服务器中存储的用户发送的历史弹幕信息，获取的可以是一条弹幕信息，也可以是多条弹幕信息。以应用于终端设备为例，步骤s201中获取的可以是用户通过终端设备实时发送的弹幕信息，也可以是观看同一多媒体资源时发送的一条或多条弹幕信息。

实际应用中，用户可通过文字或语音的方式发送弹幕信息，对于语音弹幕信息，服务器可以将语音弹幕信息转换为文本弹幕信息，再基于文本弹幕信息进行后续处理。

s202、基于弹幕信息，确定弹幕信息所针对的评论对象以及用户对评论对象的喜爱度。

s203、基于评论对象和喜爱度，确定用户的兴趣标签。

在用户观看多媒体资源的过程中，当用户对某一对象感兴趣时，一般会发送针对该对象的弹幕信息，并对该对象作出评论，如“张三演技真棒”、“不喜欢李四”，因此，可从弹幕信息中提取出用户评论的对象，并基于弹幕信息确定出用户对该评论对象的喜爱度，基于提取的评论对象和对评论对象的喜爱度，确定用户的兴趣标签。例如，用户a发送的弹幕信息中提及了演员张三，且用户喜爱演员张三，则可以将“演员张三”作为用户a的兴趣标签，后续可推送“演员张三”相关的多媒体资源；或者，用户a发送的弹幕信息中提及了演员李四，且用户不喜欢李四，也可以将“演员李四”和用户对李四的喜爱度为“不喜欢”作为用户a的兴趣标签，后续不推送“演员李四”相关的多媒体资源。具体地，可通过语义识别、实体词识别等方式，确定每一条弹幕信息所评论的对象以及用户对评论对象的喜爱度，此外还可以结合弹幕信息关联的多媒体资源，确定弹幕信息所评论的对象。

s204、将与用户的兴趣标签匹配的多媒体资源，推荐给用户。

以应用于终端设备为例，终端设备可以将通过步骤s201～s203确定出的兴趣标签发送给服务器，由服务器获取与该兴趣标签匹配的多媒体资源，并返回给终端设备，终端设备显示服务器返回的与该兴趣标签匹配的多媒体资源。

以应用于服务器为例，具体实施时，在用户观看某一多媒体资源过程中，用户发送了弹幕信息，此时，服务器可基于该弹幕信息，确定该弹幕信息所针对的评论对象以及用户对该评论对象的喜爱度，基于该评论对象和对该评论对象的喜爱度，确定用户的兴趣标签，将与该兴趣标签匹配的多媒体资源推荐给用户，此时无需考虑用户之前的兴趣标签，这样可以更好地挖掘出用户观看该多媒体资源时的兴趣点，实现精准推送。

具体实施时，服务器还可为每个用户维护各自的兴趣标签集合，兴趣标签集合中的每个兴趣标签对应该用户感兴趣的一个对象，该兴趣标签集合可包括用户自己设置的兴趣标签，也可以包括基于用户的行为数据分析得出的兴趣标签。当用户发送的弹幕信息所针对的评论对象未在兴趣标签集合中出现时，可基于该评论对象，生成一个新的兴趣标签，并添加到该用户的兴趣标签集合中；当兴趣标签集合中存在用户发送的弹幕信息所针对的评论对象时，可基于弹幕信息，确定该用户对该评论对象的喜爱度，并基于该用户对该评论对象的喜爱度，判断是否需要对兴趣标签集合中该评论对象对应的兴趣标签进行更新，例如针对该评论对象的喜爱度发生变化了，则可以更新兴趣标签集合中用户对该评论对象的喜爱度。通过上述方式，可基于用户发送的弹幕信息，不断更新兴趣标签集合，获得用户最新的兴趣标签，并丰富用户的兴趣标签，基于更新后的兴趣标签，向用户推荐多媒体资源，提高推荐的针对性和有效性。

本申请实施例的多媒体资源推荐方法，通过对用户发送的弹幕信息进行分析，获得弹幕信息针对的评论对象以及用户对评论对象的喜爱度，基于弹幕信息针对的评论对象以及用户对评论对象的喜爱度，确定该用户的兴趣标签，将与该用户的兴趣标签匹配的多媒体资源推荐给该用户。基于用户发送的弹幕信息，确定出用户感兴趣的对象，能够更加精准地定位用户当前的兴趣点，使得推荐的多媒体资源更加贴近用户真正感兴趣的内容，提高了推荐内容的针对性和有效性，进而提高用户的使用黏性，也有利于提升多媒体资源播放量和用户日活。

具体实施时，可通过以下至少一种方式，确定弹幕信息所针对的评论对象：

第一种方式、从弹幕信息中提取弹幕信息所针对的评论对象。

具体地，可对弹幕信息进行命名实体识别，将识别出的命名实体作为评论对象。例如，弹幕信息中的演员名字、导演名字都可以作为评论对象。

具体地，还可以结合弹幕信息关联的多媒体资源，确定出评论对象。例如，可获取弹幕信息关联的多媒体资源相关的文本信息，基于获取的文本信息，确定出用户在观看该多媒体资源过程中可能会评论的对象，获得包含多个对象的对象集合，基于该对象集合，确定弹幕信息中是否出现对象集合中的某一对象，将出现的对象关键词确定为该弹幕信息所针对的评论对象。以视频为例，可获取视频相关的简介、演员表、导演、配乐人员等文本信息，基于这些文本信息确定出对象集合，对象集合中可包括：导演名字、演员名字、视频名称、视频类型等。当用户发送的弹幕信息中包含导演名字时，可基于对象集合识别出导演名字，进而将导演名字作为评论对象。

实际应用中，以视频为例，视频对应的对象集合中还可以包括角色和演员的对应关系，此时，可根据角色和演员的对应关系，更精准地识别出评论对象。例如，用户在看视频时发送的弹幕信息为“男主演技真棒”，服务器可先识别出弹幕信息中的命名实体“男主”，然后，基于该视频的角色和演员的对应关系，确定“男主”对应的演员为李四，则将李四作为该弹幕信息所针对的评论对象。这样，可以在弹幕信息中出现一些“女主”、“男主”、“男一号”等代词时，仍能准确识别出弹幕信息所针对的评论对象。

第二种方式、将弹幕信息关联的目标多媒体资源，确定为弹幕信息所针对的评论对象。

具体实施时，服务器在存储弹幕信息时，都会关联存储该弹幕信息对应的目标多媒体资源的资源标识，即该弹幕信息是在用户观看该目标多媒体资源时发送的。因此，可通过弹幕信息对应的资源标识，确定弹幕信息关联的目标多媒体资源，并将该目标多媒体资源确定为评论对象。

例如，当弹幕信息是用户观看视频a时发送的弹幕信息时，可将视频a确定为该弹幕信息所针对的评论对象。

具体实施时，可基于语义识别或关键词匹配等方式，从每一条弹幕信息中获取用户对该弹幕信息所针对的评论对象的喜爱度。其中，喜爱度可通过至少两个情感等级进行描述，例如，喜爱度可划分为喜欢、不喜欢两个情感等级，或者喜爱度可划分为非常喜欢、一般喜欢、中立、一般不喜欢、非常不喜欢五个情感等级。

以关键词匹配为例，可将预先设置描述喜爱度的各个情感等级所对应的情感度关键词列表，例如，喜欢对应的情感度关键词包括：“真好看”、“太棒了”、“演技炸裂”、“太精彩了”等，不喜欢对应的情感度关键词包括：“太烂了”、“不好看”、“恶心”等。

为此，可通过如下方式确定用户对评论对象的喜爱度：从弹幕信息中提取情感度关键词；基于提取的情感度关键词，确定用户对评论对象的喜爱度。然后，基于用户对评论对象的喜爱度，获得用于标识用户对评论对象喜爱度的兴趣标签。

以喜爱度包含喜欢、不喜欢两个情感等级为例，若用户发送的弹幕信息中包括喜欢对应的情感度关键词，则确定用户对该弹幕信息所针对的评论对象的喜爱度为喜欢；若用户发送的弹幕信息中包括不喜欢对应的情感度关键词，则确定用户对该弹幕信息所针对的评论对象的喜爱度为不喜欢。然后，基于用户对该评论对象的喜爱度，获得用于标识用户对该评论对象喜爱度的兴趣标签。

以语义识别为例，还可以训练情感度识别模型，基于情感度识别模型，确定用户对评论对象的喜爱度。其中，训练情感度识别模型的输入为弹幕信息，输出为表示喜爱度的情感等级。以喜爱度可划分为喜欢、不喜欢两个情感等级为例，此时情感度识别模型可以是一个二分类神经网络，该二分类深度神经网络包括但不限于cnn、rnn、lstm、dnn、dbns等。获取大量标注了情感等级的文本作为训练样本，基于训练样本对二分类深度神经网进行训练，获得能够识别输入文本的情感等级的情感度识别模型。将弹幕信息输入基于已训练的情感度识别模型，获得该弹幕信息对应的情感等级，将该情感等级作为用户对该弹幕信息所针对的评论对象的喜爱度。通过情感度识别模型，可识别出一些隐性的表达喜欢或不喜欢的方式，提高喜爱度的识别准确度和识别效率。

通过上述方式，可基于用户发送的任一弹幕信息，确定出用户对该弹幕信息中包含的评论对象的喜爱度，进而获得用于标识用户对评论对象喜爱度的兴趣标签。

当评论对象是从弹幕信息中提取时，即评论对象是通过第一种方式提取的，此时，可通过以下任一方式确定用户对评论对象的喜爱度：从弹幕信息中提取情感度关键词，基于提取的情感度关键词，确定用户对评论对象的喜爱度；或者，将弹幕信息输入情感度识别模型，获得用户对弹幕信息中的评论对象的喜爱度。然后，基于用户对评论对象的喜爱度，获得用于标识用户对评论对象喜爱度的兴趣标签。

具体实施时，可以仅设置正向兴趣标签，即仅对用户喜欢的对象设置兴趣标签。在这样情况下，基于兴趣标签进行推荐时，选择包含用户的兴趣标签所针对的对象的多媒体资源，推荐给用户。例如，用户的兴趣标签包括“演员张三”、“悬疑片”，则可以向该用户推荐演员张三参演的悬疑类影片。

当仅设置正向兴趣标签时，若用户对评论对象的喜爱度满足预设条件，则将评论对象或评论对象所属的类别，确定为用户的兴趣标签。其中，预设条件可以是达到预设的情感等级，如预设的情感等级为“喜欢”，或者预设的情感等级为“非常喜欢”和“一般喜欢”。其中，评论对象所属的类别可根据实际应用场景确定，例如针对视频来说，类别可以是视频类型，如悬疑片、爱情片、故事片等。

例如，预设的情感等级为“喜欢”，当用户对评论对象“演员张三”的喜爱度为“喜欢”时，将“演员张三”作为用户的兴趣标签。当用户对评论对象“导演李四”的喜爱度为“不喜欢”时，不将“导演李四”作为用户的兴趣标签。

又如，预设的情感等级为“非常喜欢”，当用户对评论对象“电影b”的喜爱度为“非常喜欢”时，将“电影b”所属的电影类型“悬疑片”作为用户的兴趣标签。

当然，还可以同时设置正向兴趣标签和负向兴趣标签，正向兴趣标签为针对用户喜欢的对象设置的兴趣标签，负向兴趣标签为针对用户不喜欢的对象设置的兴趣标签。在上述情况下，基于兴趣标签进行推荐时，可先基于负向兴趣标签，过滤掉第一候选多媒体资源集合中包含用户不喜欢的对象的多媒体资源，获得第二候选多媒体资源集合，再基于正向兴趣标签，从第二候选多媒体资源集合中选出包含用户喜欢的对象的多媒体资源，并推荐给用户。例如，用户的正向兴趣标签包括“演员张三”、“悬疑类电影”，负向兴趣标签包括“导演李四”，则可以向该用户推荐演员张三参演的悬疑类影片，但推荐的影片中不含“导演李四”拍摄的影片。

当同时设置了正向兴趣标签和负向兴趣标签时，若用户对评论对象的喜爱度满足正向预设条件，则将评论对象或评论对象所属的类别，确定为用户的正向兴趣标签；若用户对评论对象的喜爱度满足负向预设条件，则将评论对象或评论对象所属的类别，确定为用户的负向兴趣标签；对于既不满足正向预设条件又不满足负向预设条件的情况，可以选择不生成兴趣标签。

例如，正向预设条件为：情感等级为“非常喜欢”，负向预设条件为：情感等级为“非常不喜欢”。当用户对评论对象“电影b”的喜爱度为“非常喜欢”时，将“电影b”所属的电影类型“悬疑片”作为用户的正向兴趣标签；当用户对评论对象“导演李四”的喜爱度为“非常不喜欢”时，将“导演李四”作为用户的负向兴趣标签；当用户对评论对象“电影c”的喜爱度为“一般喜欢”时，不生成兴趣标签。

当评论对象是从弹幕信息中提取时，即评论对象是通过第二种方式提取的，参考图3，可通过如下方式，获得用于标识用户对评论对象喜爱度的兴趣标签：

s301、针对用户发送的与目标多媒体资源关联的每一弹幕信息，基于每一弹幕信息中包含的情感度关键词，确定每一弹幕信息对应的情感等级。

具体实施时，可基于关键词匹配等方式，从弹幕信息中提取出情感度关键词，基于提取的情感度关键词，确定该弹幕信息对应的情感等级。

具体实施时，还可以基于情感度识别模型，确定每条弹幕信息对应的情感等级。

s302、基于各个弹幕信息对应的情感等级，确定用户对目标多媒体资源的喜爱度。

步骤s302中的弹幕信息是步骤s301中的用户发送的与目标多媒体资源关联的弹幕信息。

具体实施时，可获得各个弹幕信息的情感等级的统计特征值，基于该统计特征值确定用户对目标多媒体资源的喜爱度。其中，统计特征值可以是平均值、众数、中位数等。

例如，当包含喜欢和不喜欢两个情感等级时，可统计情感等级为喜欢的弹幕信息的数量n1，以及情感等级为不喜欢的弹幕信息的数量n2，若n1>n2，则确定用户对目标多媒体资源的喜爱度为喜欢，若n1<n2，则确定用户对目标多媒体资源的喜爱度为喜欢，对于n1＝n2的情况，可以确定用户对目标多媒体资源的喜爱度为中立，即用户对目标多媒体资源的态度是既不喜欢也不讨厌。

又如，当包含五个情感等级时，可通过属于各个情感等级的弹幕信息的数量，将包含弹幕信息的数量最多的情感等级，确定为用户对目标多媒体资源的喜爱度。或者，每个情感等级对应一个分值，例如，“非常喜欢”对应5分，“一般喜欢”对应4分，“中立”对应3分，“一般不喜欢”对应2分，“非常不喜欢”对应1分，计算所有弹幕信息的情感等级的分值的平均值，将该平均值最接近的分值对应的情感等级，确定为用户对目标多媒体资源的喜爱度，例如，平均值为4.1分，则用户对目标多媒体资源的喜爱度为“一般喜欢”。

进一步地，用户发送的弹幕信息中，有部分弹幕信息的评论对象直接是目标多媒体资源，例如“这剧真好看”、“这电影太棒了”这类弹幕信息，此时，可增加这类弹幕信息的情感等级在统计特征值中的比重，例如，计算平均值时，这类弹幕信息的权重大于1，其它弹幕信息的权重为1。

s303、基于用户对目标多媒体资源的喜爱度，获得用于标识用户对评论对象喜爱度的兴趣标签。

具体实施方式，可参考前述基于用户对评论对象的喜爱度，获得用于标识用户对评论对象喜爱度的兴趣标签时的方式，不再赘述。

基于用户在观看目标多媒体资源时发送的弹幕信息的情感等级，统计获得用户观看目标多媒体资源时的整体情感度，进而获得用户对整个目标多媒体资源的喜爱度，并确定用户的兴趣标签。

进一步地，本申请实施例的方法还包括如下步骤：基于用户发送的与目标多媒体资源关联的弹幕信息的数量，确定用户观看目标多媒体资源时的弹幕参与度。

其中，弹幕参与度是用于衡量用户观看目标多媒体资源时，发送弹幕的积极性的指标，弹幕参与度越高，表明用户对目标多媒体资源越感兴趣。

在一种可能的实施方式中，用户发送的与目标多媒体资源关联的弹幕信息的数量，与弹幕参与度正相关，即用户观看目标多媒体资源时发送的弹幕信息越多，则用户的弹幕参与度越高。

具体实施时，可以基于用户发送的与目标多媒体资源关联的弹幕信息的数量m1和用户的平均弹幕发送数量m2，确定用户观看目标多媒体资源时的弹幕参与度。其中，平均弹幕发送数量m2是根据用户观看其它多媒体资源时发送的弹幕信息的数量确定的，例如，可以获取用户最近观看的n个多媒体资源时发送的弹幕信息的数量，取这n个数量的平均值，作为平均弹幕发送数量m2，其中，n的取值可根据实际需求设定。具体地，可根据数量m1和平均弹幕发送数量m2的比值，确定弹幕参与度，也可以根据数量m1和平均弹幕发送数量m2的差值，确定弹幕参与度。以用户的平均弹幕发送数量m2作为基准，确定用户的弹幕参与度，充分考虑了用户发送弹幕的习惯，例如，有些用户不管是否喜欢观看的多媒体资源，都会发很多弹幕，而有些用户只在观看喜欢的多媒体资源时才发送较多的弹幕。

在另一种可能的实施方式中，还可以基于用户发送的与目标多媒体资源关联的弹幕信息的数量，确定用户观看目标多媒体资源时的弹幕发送频率；基于弹幕发送频率，确定用户观看目标多媒体资源时的弹幕参与度。其中，弹幕发送频率与弹幕参与度正相关。例如，可以统计用户在观看目标多媒体资源时，单位时间内发送的弹幕数量，例如，平均一分钟发送的弹幕数量，将单位时间内发送的弹幕数量，作为用户观看目标多媒体资源时的弹幕发送频率。

具体实施时，还可以基于弹幕发送频率和用户的历史弹幕发送频率，确定用户观看目标多媒体资源时的弹幕参与度。其中，用户的历史弹幕发送频率是根据用户观看其它多媒体资源时的弹幕发送频率确定的，例如，可以获取用户最近观看的n个多媒体资源时的弹幕发送频率，计算这n个弹幕发送频率的平均值，作为历史弹幕发送频率，其中，n的取值可根据实际需求设定。具体地，可根据弹幕发送频率和历史弹幕发送频率的比值，确定弹幕参与度，也可以根据弹幕发送频率和历史弹幕发送频率的差值，确定弹幕参与度。以用户的历史弹幕发送频率作为基准，确定用户的弹幕参与度，充分考虑了用户发送弹幕的习惯，例如，有些用户不管是否喜欢观看的多媒体资源，都会发很多弹幕，而有些用户只在观看喜欢的多媒体资源时才发送较多的弹幕。

在此基础上，步骤s302具体包括：基于各个弹幕信息对应的情感等级和弹幕参与度，确定用户对目标多媒体资源的喜爱度。

具体实施时，可先基于各个弹幕信息对应的情感等级，确定用户对目标多媒体资源的整体情感度。例如，可获得各个弹幕信息的情感等级的统计特征值，基于该统计特征值确定对目标多媒体资源的情感度，其中，统计特征值可以是平均值、众数、中位数等，具体实施方式可参考步骤s302。然后，基于用户对目标多媒体资源的整体情感度和弹幕参与度，确定用户对目标多媒体资源的喜爱度，例如，可分别将整体情感度和弹幕参与度量化为对应的分值，对整体情感度对应的分值和弹幕参与对应的分值进行加权求和处理，获得加权分值，确定加权分值所对应的喜爱度。

结合用户观看目标多媒体资源时的发送弹幕的弹幕参与度和对目标多媒体资源整体的情感度，确定用户对目标多媒体资源的喜爱度，提高了计算用户对目标多媒体资源的喜爱度的准确率。

基于与上述多媒体资源推荐方法相同的发明构思，本申请实施例还提供了另一种多媒体资源推荐方法，可应用于终端设备，参考图4，该多媒体资源推荐方法具体包括以下步骤：

401、接收用户发送的弹幕信息。

当用户通过终端设备的播放界面输入弹幕信息并点击弹幕发布按钮时，终端设备接收用户输入的弹幕信息，并在播放界面上显示该弹幕信息，同时终端设备会向服务器发送弹幕发送请求，该弹幕发送请求包括该弹幕信息，此外该弹幕发送请求还可以包括该用户的用户标识、弹幕发送时间、弹幕信息关联的多媒体资源的资源标识等。服务器接收并存储该弹幕发送请求中的信息。

s402、显示基于弹幕信息确定的多媒体资源推荐列表，多媒体资源推荐列表中包括的多媒体资源，是根据用户的兴趣标签匹配的，用户的兴趣标签是基于弹幕信息所针对的评论对象以及用户对评论对象的喜爱度确定的。

其中，多媒体资源推荐列表中包括至少一个多媒体资源。

具体实施时，用户通过终端设备向服务器发送弹幕信息发送请求，服务器获取弹幕信息发送请求中的弹幕信息，确定该弹幕信息针对的评论对象以及用户对该评论对象的喜爱度，基于该评论对象以及用户对该评论对象的喜爱度，确定用户的兴趣标签，基于该兴趣标签，确定向用户推荐与用户的兴趣标签匹配的多媒体资源，并以多媒体资源推荐列表的形式返回给终端设备。终端设备在播放界面上显示服务器返回的多媒体资源推荐列表。其中，服务器基于用户发送的弹幕信息，确定用户的兴趣标签，并基于兴趣标签进行多媒体资源推荐的具体实施时方式，可参考图2以及图3所示的多媒体资源推荐方法，不再赘述。

具体实施时，终端设备在获取到用户输入的弹幕信息后，可确定该弹幕信息针对的评论对象以及用户对该评论对象的喜爱度，基于该评论对象以及用户对该评论对象的喜爱度，确定用户的兴趣标签，将确定出的兴趣标签发送给服务器，由服务器获取与该兴趣标签匹配的多媒体资源，并返回给终端设备，终端设备显示服务器返回的与该兴趣标签匹配的多媒体资源。

具体实施时，可基于用户发送的一条弹幕信息进行推荐，也可以基于用户在观看目标多媒体资源时发送的多条弹幕信息进行推荐。

当基于一条弹幕信息进行推荐时，服务器或终端设备可以获取弹幕发送请求中的弹幕信息，确定弹幕信息所针对的评论对象，将与评论对象匹配的多媒体资源推荐给用户，例如，用户发送的弹幕信息所针对的评论对象为“演员张三”，则可以将“演员张三”相关的多媒体资源推荐给用户。或者，服务器可以获取弹幕发送请求中的弹幕信息，基于弹幕信息所针对的评论对象以及用户对评论对象的喜爱度，确定用户的兴趣标签，将与用户的兴趣标签匹配的多媒体资源，推荐给用户，例如，用户发送的弹幕信息中提及了演员张三，则可以将“演员张三”作为该用户的兴趣标签，然后向用户推荐该兴趣标签相关的多媒体资源。

参考图5，用户在观看视频的过程中，发送了弹幕信息501：“张三演的太棒了！”，服务器接收到这条弹幕信息后，确定这条弹幕信息所针对的评论对象为“张三”，表明用户对“张三”感兴趣，可立即向用户推荐“张三”相关的多媒体资源，并以多媒体资源推荐列表的形式推送至用户的终端设备，终端设备可在播放界面50上显示多媒体资源推荐列表中的内容。这样，可基于用户实时发送的弹幕信息所针对的评论对象，确定用户当前的兴趣点，进而有针对性地向用户进行推荐，提高推荐的实时性和精准度。

具体实施时，多媒体资源推荐列表可以弹窗等形式在播放界面中展示，具体展示形式可参考图5，终端设备可在播放界面50中显示用于展示多媒体资源推荐列表的弹窗502，并在弹窗502中显示针对多媒体资源推荐列表的收藏控件503和退出控件504。若用户对推荐的多媒体资源感兴趣，可点击收藏控件503，终端设备响应针对收藏控件503的触发操作，将该多媒体资源推荐列表中的多媒体资源添加到用户的资源收藏夹，随即关闭弹窗502，随后，用户可在资源收藏夹中获取到多媒体资源推荐列表中的多媒体资源。若用户对推荐的多媒体资源不感兴趣，可点击退出控件504，终端设备响应针对退出控件504的触发操作，关闭弹窗502。当然，若超过预设时长后，用户仍未点击收藏控件503或退出控件504，终端设备可自动关闭弹窗502，避免弹窗影响用户观看多媒体资源。

进一步地，服务器返回的多媒体资源推荐列表中的多媒体资源，是与发送该弹幕信息的用户喜爱的评论对象所匹配的多媒体资源。其中，用户喜爱的评论对象是基于用户对该弹幕信息所针对的评论对象的喜爱度确定的，例如，当用户对评论对象的喜爱度的情感等级为“喜欢”，则确定用户喜爱该评论对象，此时服务器可将与该评论对象匹配的多媒体资源推荐给用户。

具体地，可基于该用户实时发送的弹幕信息，确定该用户对该评论对象的喜爱度。也可以基于用户的历史兴趣标签，确定用户对该评论对象的喜爱度。还可以综合用户实时发送的弹幕信息和用户的历史兴趣标签，确定该用户对该评论对象的喜爱度，例如，将基于实时发送的弹幕信息确定出的第一喜爱度，与历史兴趣标签中用户对该评论对象的第二喜爱度进行加权求和处理，将加权结果作为用户对该评论对象的喜爱度，其中，第一喜爱度和第二喜爱度的权重可根据实际需求确定，例如第一喜爱度的权重大于第二喜爱度的权重。同时，还可以基于第一喜爱度和第二喜爱度的加权结果更新用户的历史兴趣标签。其中，基于弹幕信息，确定用户对评论对象的喜爱度的具体实施方式，可参考图2以及图3所示的多媒体资源推荐方法，不再赘述。

例如，用户在观看视频的过程中，发送了弹幕信息“张三演的太棒了！”，基于该弹幕信息确定用户喜欢其中的评论对象“张三”，则服务器向用户推荐“张三”相关的对媒体资源。用户在观看视频的过程中，发送了弹幕信息“李四演技真差了！”，基于该弹幕信息确定用户不喜欢其中的评论对象“李四”，则服务器不会向用户推荐“李四”相关的对媒体资源。

当基于多条弹幕信息进行推荐时，服务器或终端设备可在接收到用户观看目标多媒体资源时发送的n条弹幕信息后，分别确定这n条弹幕信息中的每条弹幕信息所针对的评论对象；然后，基于针对同一评论对象的多条弹幕信息，确定用户对该评论对象的喜爱度，基于用户对该评论对象的喜爱度，确定是否向用户推荐与该评论对象匹配的多媒体资源。

或者，可设置一个采样周期，该采样周期可基于目标多媒体资源的播放时长确定，例如，采样周期可以是1/n的播放时长，目标多媒体资源指用户当前正在观看的多媒体资源。服务器或终端设备获取一个采样周期内用户发送的弹幕信息，分别确定这些弹幕信息中的每条弹幕信息所针对的评论对象；然后，基于针对同一评论对象的多条弹幕信息，确定用户对该评论对象的喜爱度，基于用户对该评论对象的喜爱度，确定是否向用户推荐与该评论对象匹配的多媒体资源。

具体实施时，还可以基于用户在观看目标多媒体资源时发送的多个弹幕信息的情感等级，统计获得用户观看目标多媒体资源时的整体情感度，进而获得用户对整个目标多媒体资源的喜爱度，若确定用户对整个目标多媒体资源的喜爱度的情感等级为喜欢时，可将与目标多媒体资源匹配的多媒体资源推荐给该用户。可在用户观看完目标多媒体资源或目标多媒体资源即将播放完毕时，基于用户在观看目标多媒体资源时发送的多个弹幕信息，确定用户对整个目标多媒体资源的喜爱度，以提高喜爱度计算的准确性，并在目标多媒体资源播放完毕或即将播放完毕时，向终端设备发送与目标多媒体资源匹配的多媒体资源。其中，基于多个弹幕信息的情感等级，获得用户对整个目标多媒体资源的喜爱度的具体实施方式，可参考图3的方法，不再赘述。

当然，针对基于弹幕信息进行实时推荐的场景，并不会针对用户发送的每一条弹幕信息都进行推送，这样可以避免因过多的推送影响用户的观看体验。例如，若无法从弹幕信息中提取出评论对象，可不进行多媒体资源的推送。又如，在观看同一多媒体资源过程中，服务器已经向用户推荐过某一评论对象相关的多媒体资源，则不再对该评论对象进行推荐，即便用户再次发送了针对该评论对象的弹幕信息。或者，在一个时间周期内，已经向用户推荐过某一评论对象相关的多媒体资源，则不再对该评论对象进行推荐，即便用户再次发送了针对该评论对象的弹幕信息，上述时间周期可根据实际需求进行设置，例如，时间周期可以是1小时、1天或一周等。

为此，服务器可以记录用户的历史推荐对象列表，该历史推荐对象列表中包含已向用户推荐过的评论对象，若用户的历史推荐对象列表中存在基于弹幕信息确定出的评论对象，则不针对该评论对象进行推荐。其中，历史推荐对象列表中还包括每个评论对象的推荐时间，服务器可基于评论对象的推荐时间，确定是否需要将该评论对象从历史推荐对象列表中删除，具体地，可设置一个更新周期，该更新周期可以是具体的时间，如1小时、1天或一周等。当然，也可以在用户结束观看当前的多媒体资源后，立即清空用户的历史推荐对象列表。

以图4为例的多媒体资源推荐方法，可基于用户观看多媒体资源过程中实时发送的弹幕信息，确定出弹幕信息所针对的评论对象，从而确定出用户当前的兴趣点，进而在用户观看多媒体资源的过程中，就有针对性地向用户进行多媒体资源的推荐，提高推荐的实时性和精准度。

基于与上述多媒体资源推荐方法相同的发明构思，本申请实施例还提供了另一种多媒体资源推荐方法，可应用于终端设备，参考图6，该多媒体资源推荐方法具体包括以下步骤：

s601、向服务器发送资源获取请求，资源获取请求包括用户标识，以使服务器返回相应的多媒体资源推荐列表，多媒体资源推荐列表包括与用户标识对应的兴趣标签所匹配的多媒体资源，兴趣标签是基于用户标识对应的用户发送的弹幕信息所针对的评论对象确定的。

其中，各个用户标识对应的兴趣标签的确定方式，可参考服务器侧的多媒体资源推荐方法，不再赘述。

s602、接收服务器返回的多媒体资源推荐列表并显示。

具体实施时，资源获取请求可以由用户手动发起，也可以由客户端在合适的时机自动发起。

例如，终端设备可以在用户打开客户端或选择获取推荐内容时，向客户端对应的服务器发送资源获取请求；服务器基于资源获取请求中的用户标识，查找到该用户标识对应的兴趣标签，筛选出与用户标识对应的兴趣标签匹配的多媒体资源，并生成多媒体资源推荐列表，返回给终端设备；终端设备在客户端的显示界面中显示多媒体资源推荐列表中的多媒体资源，供用户查看。

例如，终端设备还可以在用户刷新客户端的多媒体资源推荐列表时，向客户端对应的服务器发送资源获取请求，以重新获取其它推荐的多媒体资源；服务器基于资源获取请求中的用户标识，查找到该用户标识对应的兴趣标签，从未向用户推荐的所媒体资源中，筛选出与用户标识对应的兴趣标签匹配的多媒体资源，并生成多媒体资源推荐列表，返回给终端设备；终端设备在客户端的显示界面中显示多媒体资源推荐列表中的多媒体资源，供用户查看。

以图6为例的多媒体资源推荐方法，可基于对用户发送的弹幕信息进行分析，获得弹幕信息针对的评论对象，基于弹幕信息针对的评论对象，确定该用户的兴趣标签，提高兴趣标签的定位精准度，在需要向用户进行推荐时，基于用户的兴趣标签进行推荐，使得推荐的多媒体资源更加贴近用户真正感兴趣的内容，提高了推荐内容的针对性和有效性，进而提高用户的使用黏性，也有利于提升多媒体资源播放量和用户日活。

如图7所示，基于与上述多媒体资源推荐方法相同的发明构思，本申请实施例还提供了一种多媒体资源推荐装置70，包括获取模块701、信息提取模块702、兴趣确定模块703和推荐模块704。

获取模块701，用于获取用户发送的弹幕信息；

信息提取模块702，用于基于弹幕信息，确定弹幕信息所针对的评论对象以及用户对评论对象的喜爱度；

兴趣确定模块703，用于基于评论对象和喜爱度，确定用户的兴趣标签；

推荐模块704，用于将与用户的兴趣标签匹配的多媒体资源，推荐给用户。

可选地，信息提取模块702，具体用于通过以下至少一种方式确定弹幕信息所针对的评论对象：

从弹幕信息中提取弹幕信息所针对的评论对象；或者，

将弹幕信息关联的目标多媒体资源，确定为弹幕信息所针对的评论对象。

可选地，当评论对象是从弹幕信息中提取时，信息提取模块702，具体用于通过如下方式确定用户对评论对象的喜爱度：

从弹幕信息中提取情感度关键词；

基于提取的情感度关键词，确定用户对评论对象的喜爱度。

可选地，当评论对象是根据与弹幕信息关联的目标多媒体资源确定时，信息提取模块702，具体用于通过如下方式确定用户对评论对象的喜爱度：

针对用户发送的与目标多媒体资源关联的每一弹幕信息，基于每一弹幕信息中包含的情感度关键词，确定每一弹幕信息对应的情感等级；

基于各个弹幕信息对应的情感等级，确定用户对目标多媒体资源的喜爱度。

可选地，信息提取模块702，还用于基于用户发送的与目标多媒体资源关联的弹幕信息的数量，确定用户观看目标多媒体资源时的弹幕参与度；

信息提取模块702，具体用于基于各个弹幕信息对应的情感等级和弹幕参与度，确定用户对目标多媒体资源的喜爱度。

可选地，信息提取模块702，具体用于：

基于用户发送的与目标多媒体资源关联的弹幕信息的数量，确定用户观看目标多媒体资源时的弹幕发送频率；

基于弹幕发送频率，确定用户观看目标多媒体资源时的弹幕参与度。

本申请实施例提的多媒体资源推荐装置与上述多媒体资源推荐方法采用了相同的发明构思，能够取得相同的有益效果，在此不再赘述。

如图8所示，基于与上述多媒体资源推荐方法相同的发明构思，本申请实施例还提供了一种多媒体资源推荐装置80，包括第一接收模块801和显示模块802。

第一接收模块801，用于接收用户发送的弹幕信息；

显示模块802，用于显示基于弹幕信息确定的多媒体资源推荐列表，多媒体资源推荐列表中包括的多媒体资源，是根据用户的兴趣标签匹配的，用户的兴趣标签是基于弹幕信息所针对的评论对象以及用户对评论对象的喜爱度确定的。

本申请实施例提的多媒体资源推荐装置与上述多媒体资源推荐方法采用了相同的发明构思，能够取得相同的有益效果，在此不再赘述。

如图9所示，基于与上述多媒体资源推荐方法相同的发明构思，本申请实施例还提供了一种多媒体资源推荐装置90，包括发送模块901和第二接收模块902。

发送模块901，用于向服务器发送资源获取请求，资源获取请求包括用户标识，以使服务器返回相应的多媒体资源推荐列表，多媒体资源推荐列表包括与用户标识对应的兴趣标签所匹配的多媒体资源，兴趣标签是基于用户标识对应的用户发送的弹幕信息所针对的评论对象以及用户对评论对象的喜爱度确定的；

第二接收模块902，用于接收服务器返回的多媒体资源推荐列表并显示。

本申请实施例提的多媒体资源推荐装置与上述多媒体资源推荐方法采用了相同的发明构思，能够取得相同的有益效果，在此不再赘述。

基于与上述多媒体资源推荐方法相同的发明构思，本申请实施例还提供了一种电子设备，该电子设备具体可以是图1所示的服务器或终端设备等。如图10所示，该电子设备100可以包括处理器1001和存储器1002。

处理器1001可以是通用处理器，例如中央处理器(cpu)、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现场可编程门阵列(fieldprogrammablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件，可以实现或者执行本申请实施例中公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。

存储器1002作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块。存储器可以包括至少一种类型的存储介质，例如可以包括闪存、硬盘、多媒体卡、卡型存储器、随机访问存储器(randomaccessmemory，ram)、静态随机访问存储器(staticrandomaccessmemory，sram)、可编程只读存储器(programmablereadonlymemory，prom)、只读存储器(readonlymemory，rom)、带电可擦除可编程只读存储器(electricallyerasableprogrammableread-onlymemory，eeprom)、磁性存储器、磁盘、光盘等等。存储器是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。本申请实施例中的存储器1002还可以是电路或者其它任意能够实现存储功能的装置，用于存储程序指令和/或数据。

本申请实施例提供了一种计算机可读存储介质，用于储存为上述电子设备所用的计算机程序指令，其包含用于执行上述多媒体资源推荐方法的程序。

上述计算机存储介质可以是计算机能够存取的任何可用介质或数据存储设备，包括但不限于磁性存储器(例如软盘、硬盘、磁带、磁光盘(mo)等)、光学存储器(例如cd、dvd、bd、hvd等)、以及半导体存储器(例如rom、eprom、eeprom、非易失性存储器(nandflash)、固态硬盘(ssd))等。

根据本申请的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行本申请实施例所公开的各种可选实现方式中提供的方法。

以上实施例仅用以对本申请的技术方案进行了详细介绍，但以上实施例的说明只是用于帮助理解本申请实施例的方法，不应理解为对本申请实施例的限制。本技术领域的技术人员可轻易想到的变化或替换，都应涵盖在本申请实施例的保护范围之内。