，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。
[0055]为了解决现有技术问题，本发明实施例提供了一种从用户操作视频的具体行为细节和所操作视频的各种特征分析用户兴趣，并进而依据兴趣推荐视频的方法和装置，提高了视频推荐的效果。
[0056]参见图1，图1所示为本发明实施例的一种视频推荐方法的一种流程示意图，可以包括以下步骤:
[0057]S101，获得用户针对视频的操作行为及所述操作行为针对的视频的标识；
[0058]当视频网站检测到某一用户对某一视频进行了观看或其他操作后，本步骤可以获取用户的操作行为信息和视频标识，即用户观看了哪个视频，以及用户是否进行了完整的播放、观看了多长时间、是否进行了评分、评了多少分、是否点了赞等信息。
[0059]S102，从本地提取与所获得的视频的标识对应的多个视频特征；
[0060]根据步骤SlOl所获得的视频标识，提取该视频标识所对应的多种视频特征。视频特征可以区分为多种不同的类型的视频特征，例如:视频地域特征、视频年代特征、视频剧情特征、视频时长特征、视频演职人员特征等。视频地域特征可以包括:“港台剧” “日韩剧” “大陆剧” “欧美剧”等，视频剧情特征可以包括:“宫廷剧” “古装武打剧” “现代言情剧”等，视频年代特征可以包括八十年代”、“九十年代”、“新剧”等。因为视频特征区分得越细，本发明最终分析出的用户兴趣就会越细致，相应地，最终向用户所做的视频推荐效果会越好，因此在服务器的计算和存储能力允许的情况下，可以对视频的特征进行较详细的区分。举例来说，如果用户观看了《甄嫘传》第2集，这一视频同时符合上述分类中的“宫廷剧”和“大陆剧”这两个视频特征。在后续步骤中，需要对“宫廷剧”和“大陆剧”这两种特征进行兴趣数据的计算。
[0061]S103，对所提取的每一个视频特征均进行如下处理:根据预设的与该视频特征对应的特征权重以及预设的与获得的所述操作行为对应的行为权重，计算获得该视频特征的兴趣值；
[0062]本步骤的目的在于计算兴趣数据。所谓计算兴趣数据，即:针对于步骤S102所提取到的每一个特征，计算用户对该特征的兴趣。在本发明实施例中，兴趣以兴趣值表示，兴趣值为一个大于零的数字。
[0063]对应于每一个视频特征，本发明实施例会预先赋予一个权重。这些权重系数可以相等或不等。一般来说，概括范围较宽泛的视频特征，比如“欧美剧”，其特征权重可以设得低些，而概括范围较窄的特征，比如“古装武打剧”，其权重可以设得高些，这是因为概括范围越宽泛的视频特征，从用户对它的操作而得出用户对它有兴趣的结论的可信度越低。
[0064]本发明实施例也对不同的用户操作行为进行区分并为每一种操作行为预先赋予一个行为权重。比如，可以预先将操作行为区分为观看完整度”、“下载”、“评分”、“点赞”、“评论”等。对应于每一种操作行为，本发明实施例预先赋予一个权重系数，以用于后续步骤中对兴趣数据的计算。
[0065]某一操作行为所对应的权重系数设为多少，取决于对于分析兴趣数据的目的来说，该操作行为的可参考程度。比如可以对用户的下载行为赋予较高的权重，因为下载行为往往代表了较高的兴趣。而且，用户对一部视频的操作行为可能有多种，则在计算兴趣值时需要对这些多种操作行为进行综合考虑。
[0066]根据视频特征及特征权重、操作行为及行为权重计算兴趣值的方法显然不止一种，其中一种较简易可行的方法可以为:
[0067]确定与该视频特征对应的预设特征权重以及与所述操作行为对应的预设行为权重，其中，每一个操作行为均与一个预设行为权重对应；在所获得的用户针对视频的操作行为为一个时，将所确定的预设特征权重与所确定的预设行为权重相乘，获得该视频特征的兴趣值；在所获得的用户针对视频的操作行为为多个时，将所确定的预设特征权重分别与所确定的各预设行为权重相乘，将各个乘积相加，获得该视频特征的兴趣。
[0068]下面举例说明。假如某一用户观看了《甄嫘传》第2集，这一视频将同时符合“宫廷剧”和“大陆剧”这两个视频特征，则需要针对“宫廷剧”和“大陆剧”这两个视频特征中的每一个特征计算一个兴趣值。假设该用户对《红楼梦》第2集进行了完整观看并点了赞，则在计算每一个兴趣值时，需要考虑“观看完整度”和“点赞”这两个操作行为。
[0069]假设“宫廷剧”和“大陆剧”所对应的预设特征权重分别为0.4和0.2，“观看完整度”和“点赞”所对应的预设行为权重分别为0.3和0.6。不难理解的是，之所以将“宫廷剧”相对于“大陆剧”设置较高的权重，是因为宫廷剧是一个相对来说概括范围较窄的视频特征；之所以将“点赞”相对于“观看完整度”设置较高的权重，是因为相对来说显然点赞行为更能代表用户对该视频有兴趣。
[0070]因此，计算获得用户对于“宫廷剧”的兴趣值为:0.4*0.3+0.4*0.6 = 0.36 ;用户对于“大陆剧”的兴趣值为0.2*0.3+0.2*0.6 = 0.18ο
[0071]再举一例。假设:用户观看了《黑客帝国》第一部，这一视频同时符合“科幻剧”和“欧美剧”这两个视频特征；该用户对该视频进行了完整的观看、点了赞、且进行了下载；预先设定的“科幻剧”和“欧美剧”对应的特征权重分别为0.4和0.2，预先设定的“观看完整度”、“点赞”、“下载”所对应的行为权重分别为0.3,0.6和0.9。
[0072]各兴趣值的计算结果如下:用户对于“科幻剧”的兴趣值为:0.4*0.3+0.4*0.6+0.4*0.9 = 0.72，用户对于“欧美剧”的兴趣值为0.2*0.3+0.2*0.6+0.2*0.9 = 0.36。
[0073]本例计算出的兴趣值相对于《甄嫘传》一例中计算出的兴趣值要高，主要原因就是用户行为中多出了 “下载”这一种行为，这体现着较高的用户兴趣，所以最终的兴趣值数据也普遍较高。
[0074]S104，将所获得的各视频特征的兴趣值与用户信息对应存储；
[0075]在步骤S103计算获得用户对多个视频特征的兴趣值以后，将这些兴趣值与用户信息对应存储，以用于此后向该用户推荐视频。
[0076]对于步骤S103计算获得的兴趣值，可以直接存储。当然，在本发明的另一个实施例中，也可以检测新计算获得的兴趣值所对应的视频特征是否存在在服务器上已存储的兴趣值，如果存在，根据新计算获得的兴趣值与已存储的兴趣值确定累积兴趣值，此后，将所确定的累积兴趣值及累积兴趣值的确定时间与用户信息对应存储。
[0077]举例来说，同一用户可能在前后相隔的时间，不止一次地观看过“科幻剧”。用户的每一次观看，都会产生一个该用户对于“科幻剧”的兴趣值。因此，在获得新的对“科幻剧”的兴趣值后，本发明实施例将根据新计算获得的兴趣值(以下称新兴趣值)和已存储的兴趣值(以下称旧兴趣值)计算确定累积兴趣值，并将累积兴趣值与用户信息对应存储，同时存储的还有累积兴趣值的确定时间。
[0078]累积兴趣值的计算方法可以有许多，举例来说，可以将旧兴趣值和新兴趣值分别乘以一个权重系数，再将乘积求和获得。比如旧兴趣值为0.5，新兴趣值为0.72，则累积兴趣值为wl*0.5+w2*0.75。其中wl+w2 = l，wl〈w2。这样的计算方法是为了在计算累积兴趣值时给予新兴趣值以较高的权重。
[0079]在计算获得累积兴趣值的情况下，本发明实施例中所提到的根据兴趣值所做的各种操作也当然地可以理解为根据累积兴趣值所做的各种操作。
[0080]在另一个优选的实施例中，考虑到用户的兴趣可能随着时间发生“迀移”，在根据所存储的与用户信息对应的各视频特征的兴趣值确定所要推荐的视频并将所确定的所要推荐的视频推荐给用户的步骤之前，还可以包括:将所获得的各视频特征的兴趣值的生成时间与用户信息对应存储。
[0081]这样做的目的是在后续步骤S105中依据兴趣值进行推荐时，更多地考虑生成时间较晚的兴趣值、而较少地考虑生成时间较早的的兴趣值。
[0082]综上，本步骤的执行目的在于将获得的兴趣值进行存储，这里所说的存储包括在发现同一视频特征已存储有旧兴趣值的情况下，根据新旧兴趣值通过加权计算获得累积兴趣值并将该视频特征的累积兴趣值存储。
[0083]需要强调的是，以上诸步骤，从SlOl到S104，可以是在服务器的处理能力允许的情况下，即时地得到执行的。这一即时性可以保证后续步骤S105中所做的推荐的最好的时效性。本发明的有些实施例采用增量流式的处理方式，一旦检测到用户进行了操作行为，则立即计算和/或更新该用户的兴趣值数据。这一即时性是本发明实施例的重要的优选的技术效果。
[0084]S105，根据所存储的与用户信息对应的各视频特征的兴趣值确定所要推荐的视频并将所确定的所要推荐的视频推荐给用户。
[0085]在本步