本公开涉及视频,尤其涉及一种视频排序方法、一种视频排序装置、一种电子设备及一种存储介质。
背景技术:
1、随着网络的发展,视频作品已经作为人们日常消遣,信息获取等行为重要来源。而在除观看特定视频以外的视频展示场景,混杂了多种用户需求。对于视频作品排序的相关技术中,通过获取用户的历史分享数据,根据历史分享数据生成候选视频集合和候选直播集合;对候选视频集合中的候选视频进行排序,对候选直播集合中的候选直播进行排序;在排序后的候选视频集合中,根据候选直播的排序结果,将候选直播插入候选视频集合中,生成推荐内容,以融合直播视频和候选视频的排序;最终对推荐内容进行展示。
2、但是对于短视频和直播的用户行为既有相同之处,也存在区别,排序的不同会互相影响用户的观看视频深度和体验效果,简单地通过人工设定的单一规则去调整视频和直播之间的顺序,并不能对视频和直播的排序进行持续优化,会需要频繁调参,且无法做到个性化推荐,排序的结果准确性低。
技术实现思路
1、为克服相关技术中存在的问题,本公开提供一种视频排序方法、装置、电子设备及存储介质。
2、根据本公开实施例的第一方面,提供一种视频排序方法,包括:
3、在检测到针对预设页面的触发操作时,获取用户行为数据和所述预设页面中各候选视频的作品数据;
4、根据所述用户行为数据确定用户互动权重,所述用户互动权重用于表征用户进行互动操作的概率;
5、针对任一所述候选视频,基于所述用户互动权重,对所述用户行为数据和所述候选视频的所述作品数据进行加权计算,得到所述候选视频的视频互动值;
6、根据各所述候选视频的所述视频互动值,对各所述候选视频进行排序,得到视频排序结果。
7、可选的,所述用户行为数据包括用户身份数据和互动行为数据,所述根据所述用户行为数据确定用户互动权重,包括:
8、通过留存模型对所述用户身份数据进行权重预测处理,得到所述互动行为数据对应的互动行为权重值;
9、结合所述互动行为权重值与所述互动行为数据,得到用户互动权重。
10、可选的,所述结合所述互动行为权重值与所述互动行为数据,得到用户互动权重,包括:
11、针对任一所述互动行为数据,根据所述互动行为数据与所述互动行为数据对应的互动行为权重值,得到所述互动行为数据对应的子权重;
12、将各所述互动行为数据对应的子权重进行线性相加,得到用户互动权重。
13、可选的,所述方法还包括:
14、获取深度神经网络、样本用户数据和留存训练样本集;所述样本用户数据包括样本身份数据、样本点击行为数据和样本互动行为数据;所述留存训练样本集包括历史互动行为数据,所述历史互动行为数据具有留存用户行为标签;
15、以具有进入所述预设页面行为的留存用户行为标签的历史互动行为数据作为正向样本,以具有未进入所述预设页面行为的留存用户行为标签的历史互动行为数据作为负向样本,训练所述深度神经网络,得到训练后的深度神经网络;
16、将所述样本身份数据,所述样本点击行为数据和所述样本互动行为数据输入至所述训练后的深度神经网络中,得到第一预测互动权重值;
17、将所述样本身份数据输入至所述训练后的深度神经网络中,得到第二预测互动权重值;
18、采用所述第一预测互动权重值与所述第二预测互动权重值进行差值运算,得到留存提升量,所述留存提升量为所述训练后的深度神经网络的梯度值;
19、采用所述留存提升量对所述训练后的深度神经网络进行收敛,得到所述留存模型。
20、可选的,所述基于所述用户互动权重,对所述用户行为数据和所述候选视频的所述作品数据进行加权计算,得到所述候选视频的视频互动值,包括:
21、根据所述用户互动权重对所述用户行为数据进行加权计算,得到第一子视频互动值;
22、根据所述用户互动权重对所述候选视频的作品数据进行加权计算,得到第二子视频互动值;
23、将所述第一子视频互动值和所述第二子视频互动值相加,得到所述候选视频的视频互动值。
24、可选的,所述候选视频包括:直播视频和录播视频。
25、可选的,所述根据各所述候选视频的所述视频互动值,对各所述候选视频进行排序,得到视频排序结果,包括:
26、针对任一所述候选视频,根据所述候选视频的视频时长,对所述候选视频的视频互动值进行归一化处理,得到归一化互动值;
27、根据所述候选视频对应的归一化互动值对各所述候选视频进行排序,得到视频排序结果。
28、根据本公开实施例的第二方面,提供一种视频排序装置,包括:
29、第一获取模块,被配置为在检测到针对预设页面的触发操作时,获取用户行为数据和所述预设页面中各候选视频的作品数据;
30、用户互动权重确定模块,被配置为根据所述用户行为数据确定用户互动权重,所述用户互动权重用于表征用户进行互动操作的概率;
31、加权模块,被配置为针对任一所述候选视频,基于所述用户互动权重,对所述用户行为数据和所述候选视频的所述作品数据进行加权计算,得到所述候选视频的视频互动值;
32、排序模块,被配置为根据各所述候选视频的所述视频互动值,对各所述候选视频进行排序,得到视频排序结果。
33、可选的,所述用户行为数据包括用户身份数据和互动行为数据,所述用户互动权重确定模块,包括:
34、第一输入单元,被配置为通过留存模型对所述用户身份数据进行权重预测处理,得到所述互动行为数据对应的互动行为权重值;
35、结合单元,被配置为结合所述互动行为权重值与所述互动行为数据,得到用户互动权重。
36、可选的,所述结合单元具体配置为执行:
37、针对任一所述互动行为数据,根据所述互动行为数据与所述互动行为数据对应的互动行为权重值,得到所述互动行为数据对应的子权重;
38、将各所述互动行为数据对应的子权重进行线性相加,得到用户互动权重。
39、可选的,所述装置还包括:
40、第二获取模块,被配置为获取深度神经网络、样本用户数据和留存训练样本集;所述样本用户数据包括样本身份数据、样本点击行为数据和样本互动行为数据;所述留存训练样本集包括历史互动行为数据,所述历史互动行为数据具有留存用户行为标签;
41、标注训练模块,被配置为以具有进入所述预设页面行为的留存用户行为标签的历史互动行为数据作为正向样本,以具有未进入所述预设页面行为的留存用户行为标签的历史互动行为数据作为负向样本,训练所述深度神经网络,得到训练后的深度神经网络;
42、第一预测模块,被配置为将所述样本身份数据,所述样本点击行为数据和所述样本互动行为数据输入至所述训练后的深度神经网络中,得到第一预测互动权重值;
43、第二预测模块,被配置为将所述样本身份数据输入至所述训练后的深度神经网络中,得到第二预测互动权重值;
44、梯度确定模块,被配置为采用所述第一预测互动权重值与所述第二预测互动权重值进行差值运算,得到留存提升量,所述留存提升量为所述训练后的深度神经网络的梯度值;
45、收敛模块,被配置为采用所述留存提升量对所述训练后的深度神经网络进行收敛,得到所述留存模型。
46、可选的,所述加权模块,包括:
47、第一计算单元,被配置为根据所述用户互动权重对所述用户行为数据进行加权计算,得到第一子视频互动值;
48、第二计算单元,被配置为根据所述用户互动权重对所述候选视频的作品数据进行加权计算,得到第二子视频互动值;
49、第三计算单元,被配置为将所述第一子视频互动值和所述第二子视频互动值相加,得到所述候选视频的视频互动值。
50、可选的,所述候选视频包括:直播视频和录播视频。
51、可选的,所述排序模块,包括:
52、获取单元,被配置为获取视频的时长;
53、归一化单元,被配置为针对任一所述候选视频,根据所述候选视频的视频时长,对所述候选视频的视频互动值进行归一化处理,得到归一化互动值;
54、排序单元,被配置为根据所述候选视频对应的归一化互动值对各所述候选视频进行排序,得到视频排序结果。
55、根据本公开实施例的第三方面,提供一种电子设备,包括
56、处理器;
57、用于存储处理器可执行指令的存储器;
58、其中,所述处理器被配置为执行第一方面所述的视频排序方法。
59、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第一方面所述的视频排序方法的步骤。
60、本公开的实施例提供的技术方案可以包括以下有益效果:
61、本公开实施例提供的技术方案,在检测到针对预设页面的触发操作时,获取用户行为数据和所述预设页面中各候选视频的作品数据;根据所述用户行为数据确定用户互动权重,所述用户互动权重用于表征用户进行互动操作的概率;针对任一所述候选视频,基于所述用户互动权重,对所述用户行为数据和所述候选视频的所述作品数据进行加权计算,得到所述候选视频的视频互动值;根据各所述候选视频的所述视频互动值,对各所述候选视频进行排序,得到视频排序结果;达到了针对用户行为的个性化动态调整用户互动权重,并通过用户互动权重对候选视频进行排序,使得可以根据用户行为持续地对候选视频的排序进行优化,避免了后续繁杂的人工调参,节约了人力和时间,避免人为的因素对排序结果的影响,提高了对候选视频的排序准确性。
62、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。