一种视频质量的排序方法及系统与流程

本申请涉及计算机技术领域，特别涉及一种视频质量的排序方法及系统。

背景技术：

随着计算机技术的不断发展，涌现出许多视频编辑技术。这些视频编辑技术例如包括视频转码、视频压缩、视频美化等技术。

当前，在将视频录制设备录制的原始视频上传至视频播放网站时，由于视频播放网站通常会对视频的数据量和格式进行限制，因此需要对原始视频进行压缩和/或转码处理。采用不同的压缩和转码技术处理后的视频通常会呈现出不同的效果。例如在画面清晰度和/或语音辨识度方面会发生改变。

此外，为了使得视频画面更加吸引用户，可以对原始视频进行美化处理。同样地，采用不同的美化技术处理后的视频也会呈现出不同的效果。

为了从众多的视频编辑技术中挑选出能够被用户接受的视频编辑技术，当前可以通过视频质量排序的方法来实现。具体地，可以向用户同时提供经过视频编辑技术处理的编辑视频以及未经过视频编辑技术处理的原始视频。在用户观看完编辑视频和原始视频之后，可以基础这两个视频呈现的画面质量，分别为编辑视频和原始视频进行打分，从而根据打分的结果来对这两个视频进行排序。这样，根据排序结果便可以判断当前采用的视频编辑技术是否被用户接受。

然而，现有技术中的这种视频质量的排序方法通常是由人工通过观看视频的方式进行排序，不仅成本较大，效率也较低。

技术实现要素：

本申请实施方式的目的是提供一种视频质量的排序方法及系统，能够提高排序的效率。

为实现上述目的，本申请实施方式提供一种视频质量的排序方法，提供视频数据集，所述视频数据集中包括至少一组视频数据对，所述视频数据对中的两个视频数据具备相同的原始视频数据；其中，所述两个视频数据中至少有一个视频数据是所述原始视频数据经过处理得到的，所述方法包括：读取所述视频数据集中的一组目标视频数据对，并依次向用户展示所述目标视频数据对中两个视频数据表征的视频；接收所述用户针对所述目标视频数据对发表的评价信息，所述评价信息用于判定所述目标视频数据对中质量较优的视频数据；基于所述目标视频数据对中的视频数据构建训练样本，并将所述训练样本输入排序模型，得到排序结果，所述排序结果用于表征所述目标视频数据对中质量较优的视频数据；根据所述排序结果和所述评价信息之间的差异值对所述排序模型进行校正，以使得将所述训练样本再次输入校正后的排序模型时，得到的排序结果与所述评价信息一致。

为实现上述目的，本申请实施方式还提供一种视频质量的排序系统，所述系统包括存储器和处理器，所述存储器中存储计算机程序以及视频数据集，所述视频数据集中包括至少一组视频数据对，所述视频数据对中的两个视频数据具备相同的原始视频数据；其中，所述两个视频数据中至少有一个视频数据是所述原始视频数据经过处理得到的；所述计算机程序被所述处理器执行时，实现以下功能：读取所述视频数据集中的一组目标视频数据对，并依次向用户展示所述目标视频数据对中两个视频数据表征的视频；接收所述用户针对所述目标视频数据对发表的评价信息，所述评价信息用于判定所述目标视频数据对中质量较优的视频数据；基于所述目标视频数据对中的视频数据构建训练样本，并将所述训练样本输入排序模型，得到排序结果，所述排序结果用于表征所述目标视频数据对中质量较优的视频数据；根据所述排序结果和所述评价信息之间的差异值对所述排序模型进行校正，以使得将所述训练样本再次输入校正后的排序模型时，得到的排序结果与所述评价信息一致。

由上可见，本申请提供的技术方案，在向用户展示一组目标视频数据对中两个视频数据表征的视频后，可以接收用户针对所述目标视频数据对发表的评价信息。该评价信息可以表征用户觉得质量较优的视频数据。如果该质量较优的视频数据为经过处理的视频数据，则表明处理时采用的视频编辑技术受到用户认可。反之则表明用户不认可采用的视频编辑技术。这样，可以向用户提供大量的可以比对的视频数据对，并接收用户反馈的评价信息。然后可以利用这些视频数据对中的视频数据作为训练样本，对排序模型进行训练。在训练时，排序模型可以输出针对视频数据对的排序结果。但由于初始的排序模型可能不太准确，会导致排序结果与用户反馈的评价信息不一致。在这种情况下，可以根据所述排序结果和所述评价信息之间的差异值对所述排序模型进行校正，以使得校正后的排序模型能够正确预测所述视频数据对的排序结果。这样，在完成训练过程之后，当需要对新的视频数据对表征的视频的质量进行排序时，可以直接将新的视频数据对作为排序模型的输入数据，从而可以通过完成训练的排序模型输出该新的视频数据对的排序结果。由上可见，本申请提供的技术方案，可以结合用户的评价信息以及机器学习的方法，训练出精度较高的排序模型，从而能够自动地对新的视频数据对进行排序，提高了视频质量排序的效率。

附图说明

为了更清楚地说明本申请实施方式或现有技术中的技术方案，下面将对实施方式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申请中记载的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施方式中视频质量的排序方法流程图；

图2为本申请实施方式中视频片段数据的截取示意图；

图3为本申请实施方式中多个视频片段数据的判定示意图；

图4为本申请实施方式中视频质量的排序系统的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本申请中的技术方案，下面将结合本申请实施方式中的附图，对本申请实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅仅是本申请一部分实施方式，而不是全部的实施方式。基于本申请中的实施方式，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施方式，都应当属于本申请保护的范围。

本申请提供一种视频质量的排序方法，所述方法可以应用于具备数据处理功能的终端设备中。所述终端设备例如可以是台式电脑、笔记本电脑、平板电脑、工作站等。在本实施方式中，所述终端设备内可以提供视频数据集，所述视频数据集中包括至少一组视频数据对。所述视频数据对中可以包括能够进行比对的两个视频数据。所述视频数据对中的两个视频数据可以具备相同的原始视频数据。所述视频数据对中的视频数据可以是所述原始视频数据本身，也可以是所述原始视频数据经过处理得到的。例如，所述原始视频数据是通过视频录制设备录制的数据，该数据没有经过视频编辑处理。那么在所述视频数据对中，一个视频数据便可以是所述原始视频数据，另一个视频数据则可以是该原始视频数据经过视频编辑技术进行处理后得到的视频数据。当然，所述视频数据对中的两个视频数据也可以都是经过视频编辑技术处理后得到的视频数据，只不过两个视频数据所采用的视频编辑技术可以不同。例如，所述视频数据对中的一个视频数据为对所述原始视频数据进行画面压缩后得到的视频数据，另一个视频数据则可以为对所述原始数据进行画面美化后得到的视频数据。在实际应用场景中，为了能够体现出视频数据对中两个视频数据的差异，可以保证所述两个视频数据中至少有一个视频数据是所述原始视频数据经过处理得到的。由于两个视频数据均对应同一个原始视频数据，因此这两个视频数据对应的视频内容和视频时长都可以是相同的，只不过是展示的画面或者语音效果有差别。

请参阅图1，本申请提供的视频质量的排序方法可以包括以下步骤。

s1：读取所述视频数据集中的一组目标视频数据对，并依次向用户展示所述目标视频数据对中两个视频数据表征的视频。

在本实施方式中，终端设备可以从存储器中读取所述视频数据集中的一组目标视频数据对。所述目标视频数据对可以是所述视频数据集中随机的一组视频数据对。在读取了所述目标视频数据对之后，可以将其中包含的两个视频数据依次进行渲染，从而可以在显示器中展示视频数据表征的视频。这样，用户便可以通过终端设备的显示器观看对应的视频。此外，用户还可以使用与所述终端设备不同的电子设备。终端设备在读取到所述目标视频数据后，可以将该目标视频数据发送至用户使用的电子设备处，从而可以在电子设备处进行渲染和展示。

在本实施方式中，向用户展示的两个视频数据的顺序可以是随机的，以避免用户对于当前观看的视频所对应的视频数据进行猜测而导致排序结果不准确的情况。此外，当某个视频数据对表征的视频已经被该用户观看后，可以不再向该用户提供该视频数据对，以避免用户对视频内容熟悉之后所做出的评价不够准确。此外，在视频播放过程中，可以禁止暂停、回看以及快进，以保证视频的完整性以及保证视频不可被重复观看。

在一个实施方式中，考虑到如果让用户观看时间较长的视频，用户很可能只会记住最后时长较短的一部分视频内容，并会基于这部分视频内容做出评价信息。鉴于此，在本实施方式中每次可以向用户提供时长较短的视频内容，从而保证用户做出的评价信息的准确性。具体地，终端设备在读取到准备提供给用户的目标视频数据对之后，可以判断该目标视频数据对中视频数据对应的播放时长是否大于或者等于指定时长阈值。所述指定时长阈值可以是预先设置的时间常数。例如，所述指定时长阈值可以是20秒。当所述目标视频数据对中视频数据对应的播放时长大于或者等于指定时长阈值时，可以从视频数据中截取出一段视频片段数据提供给用户。具体地，请参阅图2，可以从所述目标视频数据对的两个视频数据中分别截取具备相同播放位置和相同播放时长的视频片段数据，构成视频片段数据对。所述具备相同播放位置和相同播放时长可以指所述视频片段数据对中的两个视频片段数据所表征的视频具备相同的起始时间节点和终止时间节点。例如，终端设备读取的目标视频数据对中两个视频数据对应的播放时长均为5分钟，而所述指定时长阈值为30秒，那么此时可以分别在这两个视频数据中截取播放时间在5分钟至5分25秒的视频片段数据，从而得到由两个视频片段数据构成的视频片段数据对。需要说明的是，在实际应用场景中，为了保证截取的视频片段数据的随机性，可以随机确定截取的视频的起始时间节点，并且在一定的时长范围内随机确定截取的视频时长。例如，所述时长范围可以是10秒至30秒，这样，最终截取的视频的时长可以是10秒至30秒中的一个随机值。

在本实施方式中，在截取出所述视频片段数据对之后，可以依次向用户展示所述视频片段数据对中两个视频片段数据表征的视频片段。具体地，可以渲染所述两个视频片段数据，并按照随机的顺序提供给用户进行观看。

s3：接收所述用户针对所述目标视频数据对发表的评价信息，所述评价信息用于判定所述目标视频数据对中质量较优的视频数据。

在本实施方式中，用户在观看了目标视频数据对表征的两个视频之后，可以发表针对所述目标视频数据对的评价信息。所述评价信息可以用于判定所述目标视频数据对中质量较优的视频数据。具体地，用户在观看完两个视频之后，可以针对提供的选项进行选择。所述选项例如可以包括“第一个视频较好”、“第二个视频较好”以及“两个视频没有明显差别”。用户在选择了对应的选项之后，终端设备便可以接收到与用户选择的选项相对应的评价信息，从而可以获知该用户对所述目标视频数据对中的两个视频数据的评判结果。

在一个实施方式中，当所述目标视频数据中视频数据对应的播放时长较长，需要从视频数据中截取视频片段数据时，可以将截取得到的视频片段数据对中两个视频片段数据表征的视频片段展示给用户观看。这样，用户在观看完视频片段之后，同样可以选择相应的选项，得到所述视频数据对的片段评价信息。该片段评价信息可以用于判定所述视频片段数据对中质量较优的视频片段数据。

在本实施方式中，在用户判定所述视频片段数据对中质量较优的视频片段数据后，则可以根据判定结果，确定所述目标视频数据对中质量较优的视频数据。在一个应用场景中，为了加快视频质量的判定流程，可以仅从目标视频数据对中截取一组视频片段数据对，并且可以将用户针对该视频片段数据对发表的片段评价信息作为所述目标视频数据对的评价信息。具体地，可以将所述质量较优的视频片段数据所属的视频数据作为所述目标视频数据对中质量较优的视频数据。例如，所述目标视频数据对中包括视频数据a和视频数据b，从视频数据a中可以截取视频片段数据a1，从视频数据b中可以截取视频片段数据b1。如果用户的片段评价信息表明视频片段数据a1优于视频片段数据b1，那么可以认为视频数据a优于视频数据b。

在另一个实施方式中，为了避免通过对视频片段数据进行单次评价引发的误差，可以从目标视频数据对中截取多组视频片段数据对，并可以结合多组视频片段数据对的片段评价信息，综合得出目标视频数据对的评价信息。

在本实施方式中，从目标视频数据对中截取的所述视频片段数据对的数量可以为至少两组。这样，针对每组视频片段数据对，均可以获取所述用户针对所述视频片段数据对发表的局部评价信息。其中，所述局部评价信息可以用于表征质量较优的视频片段数据所属的视频数据。例如，从目标视频数据对中截取了10组视频片段数据对，针对每组视频片段数据对，用户均可以发表局部评价信息。该局部评价信息除了可以确定视频片段数据对中质量较优的视频片段数据，同时还可以确定该质量较优的视频片段数据所属的视频数据。例如上述实施方式的例子中，当视频片段数据a1优于视频片段数据b1时，所述局部评价信息可以表征质量较优的视频片段数据属于视频片段a。

这样，在对各组视频片段数据对进行评价之后，可以得到多个局部评价信息，这些局部评价信息可以表征各自的视频数据。在本实施方式中，可以统计相同的局部评价信息的数量。其中，相同的局部评价信息可以指表征的视频数据为同一个视频数据的局部评价信息。例如，请参阅图3，在4个局部评价信息中，可以统计得出表征质量较优的视频片段数据属于视频数据a的局部评价信息的数量为3，而表征质量较优的视频片段数据属于视频数据b的局部评价信息的数量为1。此时，可以采用少数服从多数的原则，将数量最多的局部评价信息表征的视频数据作为所述目标视频数据对中质量较优的视频数据。例如上述的例子中，可以将视频数据a作为质量较优的视频数据。当然，在实际应用场景中，可能会出现数量最多的局部评价信息不止一个，此时，可以通过继续增加用户进行评价的方法，直至得到数量最多的局部评价信息为一个为止。

s5：基于所述目标视频数据对中的视频数据构建训练样本，并将所述训练样本输入排序模型，得到排序结果，所述排序结果用于表征所述目标视频数据对中质量较优的视频数据。

在本实施方式中，步骤s1中可以提供大量的视频数据对，在步骤s3中从而可以得到与这些视频数据对相对应的评价信息。这些视频数据对及对应的评价信息可以作为机器学习的训练样本，从而训练得到能够符合用户评价行为习惯的模型，该模型可以对输入的视频数据进行评价，并输出视频数据的排序结果。

在本实施方式中，可以基于所述目标视频数据对中的视频数据构建训练样本，并将所述训练样本输入排序模型。在实际应用场景中，所述排序模型可以采用ranksvm模型，所述训练样本则可以构建为适用于ranksvm模型的训练样本。具体地，在构建训练样本时，可以分别提取所述目标视频数据对中第一视频数据的第一特征向量和第二视频数据的第二特征向量。所述特征向量可以是采用卷积神经网络(convolutionalneuralnetwork，cnn)对视频数据所表征的视频中的画面进行特征提取后得到的。在得到所述第一特征向量和第二特征向量之后，可以基于提取的所述第一特征向量和第二特征向量构建正向训练样本和反向训练样本。其中，所述正向训练样本和所述反向训练样本中特征向量的排序可以不同。具体地，在所述正向训练样本中，所述第一特征向量位于所述第二特征向量之前。例如，构建的第i个所述正向训练样本可以表示为(xi,yi)，其中，xi表示第一特征向量，yi表示第二特征向量。相应地，在所述反向训练样本中，所述第二特征向量可以位于所述第一特征向量之前。例如，构建的第i个反向训练样本可以表示为(yi,xi)。

在本实施方式中，所述正向训练样本和所述反向训练样本可以分别与各自的理论值相关联。具体地，所述正向训练样本与第一理论值相关联，所述反向训练样本与第二理论值相关联。其中，所述理论值可以表征按照训练样本中特征向量的排序方式所对应的理论排序结果。例如，如果用户针对第一视频数据和第二视频数据发表的评价信息表明第一视频数据的质量更优，那么正向训练样本中由于第一特征值排在第二特征值之前，那么所述正向训练样本关联的第一理论值可以为1，表明正向训练样本中特征值排列顺序与实际的视频数据的质量排序相同。而所述反向训练样本中第二特征值排在第一特征值之前，因此所述反向训练样本关联的第二理论值可以为-1，表示反向训练样本中特征值排列顺序与实际的视频数据的质量排序相反。因此，所述第一理论值和所述第二理论值可以互不相同。

在本实施方式中，在得到正向训练样本和反向训练样本之后，可以分别将所述正向训练样本和所述反向训练样本输入排序模型，得到所述正向训练样本对应的第一实际值以及所述反向训练样本对应的第二实际值。需要说明的是，在刚开始的训练阶段，所述排序模型中的参数可能并不准确，因此得到的第一实际值可能与第一理论值不同，第二实际值也可能与第二理论值不同。

s7：根据所述排序结果和所述评价信息之间的差异值对所述排序模型进行校正，以使得将所述训练样本再次输入校正后的排序模型时，得到的排序结果与所述评价信息一致。

在本实施方式中，所述排序模型在构建时，其中的参数都是设置的默认值，这些默认值可能并不能完全与当前的训练样本相适配。因此，需要根据排序模型输出的排序结果和用户的实际评价信息来对排序模型进行校正。

在本实施方式中，排序模型输出的排序结果可以是一个数值，该数值可以表示两个视频数据的排序方式。例如1可以表示第一视频数据排在第二视频数据之前，-1可以表示第二视频数据排在第一视频数据之前。当排序模型输出的排序结果与用户针对这两个视频数据发表的实际评价信息不一致时，则表明排序模型中的参数需要调整。具体地，可以计算所述排序结果和所述评价信息之间的差异值，并将该差异值作为反馈信息输入所述排序模型，从而使得排序模型可以对内部的参数进行调整。在实际应用场景中，所述排序模型内部的参数可以是一个或者多个参数矩阵，参数矩阵中的数值可以按照一定的数值间隔进行调整。这样，当排序模型接收到排序结果和评价信息之间的差异值时，可以根据该差异值的大小以及所述数值间隔来确定需要调整的数值。例如，所述差异值为误差允许最大值的3倍，那么可以设定需要调整的数值为所述数值间隔的3倍。这样，差异值越大，设定需要调整的数值也可以越大。

在本实施方式中，当输入的训练样本为正向训练样本和反向训练样本时，可以分别利用所述正向训练样本的训练结果以及反向训练样本的训练结果对排序模型进行校正。具体地，在将所述正向训练样本和所述反向训练样本输入排序模型，得到所述正向训练样本对应的第一实际值以及所述反向训练样本对应的第二实际值后，可以计算所述第一实际值与所述第一理论值之间的第一差异值，并利用所述第一差异值对所述排序模型中的参数进行校正。同样地，可以计算所述第二实际值与所述第二理论值之间的第二差异值，并利用所述第二差异值对所述排序模型中的参数进行校正。

在本实施方式中，在对所述排序模型进行校正之后，可以再次将所述训练样本输入校正后的排序模型，然后可以根据得到的排序结果再次进行校正，直至输入所述训练样本之后，得到的排序结果与所述评价信息一致为止。这样，通过大量数据的训练，可以使得所述排序模型中的参数能够适用于绝大多数的视频数据。

在一个实施方式中，当对所述排序模型完成训练阶段后，便可以利用该排序模型对待排序的两个视频数据进行排序。该待排序的两个视频数据可以是未经过用户进行评价的数据，由于排序模型中的参数已经在训练阶段经过了调整，因此排序模型可以基于与用户评价行为相适配的参数对该待排序的两个视频数据进行处理，从而得到所述待排序的两个视频数据对应的排序结果。

在一个实施方式中，可以采用多种视频编辑方法对同一个原始视频数据进行处理，从而得到不同的经过处理的视频数据。为了判断这些视频编辑方法的优劣，可以通过对经过处理的视频数据进行排序来实现。此时，待排序的视频数据的数量便可能不止两个，而是至少三个。在这种情况下，为了保证排序模型能够正常工作，可以将所述待排序的视频数据两两组成子视频数据对。例如，当前共计有三个待排序的视频数据a、b、c，那么可以构成(a，b)、(a，c)以及(b，c)的三个子视频数据对。每个子视频数据对中可以包括两个视频数据。这样，便可以采用上述的排序模型依次对这些子视频数据对进行排序。具体地，可以依次将所述子视频数据对输入校正后的排序模型，得到所述子视频数据对中两个视频数据的排序结果。例如，上述的三个子视频数据对的排序结果可以分别为a优于b、a优于c以及b优于c。那么，基于所述子视频数据对的排序结果，便可以对所述待排序的视频数据进行排序。例如，最终的排序结果可以是a最优，b次之，c最差。这样，通过对视频质量进行排序，从而可以体现出各种视频编辑方法的优劣。

在一个实施方式中，考虑到用户在观看视频时的环境可能会对最终的评价信息构成影响。例如，针对两个不同的视频数据，通过分辨率较高的设备和分辨率较低的设备进行播放时，呈现的结果可能会完全不同。当用户在分辨率较低的设备上观看这两个视频数据表征的视频时，可能觉得两个视频之间的差别不是很明显。然而，当用户在分辨率较高的设备上观看这两个视频数据表征的视频时，便可以发现比较明显的差别。因此，在接收所述用户针对所述目标视频数据对发表的评价信息时，还可以一并记录所述目标视频数据对表征的视频在播放时所处的环境信息，并将所述环境信息与所述评价信息相关联。所述环境信息例如可以是上述的分辨率信息，还可以是播放视频的终端设备的型号信息，还可以是显示屏的尺寸信息等。这样，在引入环境信息之后，基于所述评价信息校正得到的排序模型便可以用于对处于所述环境信息表征的环境中的视频数据对进行排序。例如，排序模型是针对大屏手机的播放环境而进行训练得到的，那么该排序模型后续在对视频数据进行排序时，可以专门用于对在大屏手机上播放的视频进行排序，从而能够具备较高的排序精度。

请参阅图4，本申请还提供一种视频质量的排序系统，所述系统包括存储器和处理器，所述存储器中存储计算机程序以及视频数据集，所述视频数据集中包括至少一组视频数据对，所述视频数据对中的两个视频数据具备相同的原始视频数据；其中，所述两个视频数据中至少有一个视频数据是所述原始视频数据经过处理得到的；所述计算机程序被所述处理器执行时，实现以下功能。

s1：读取所述视频数据集中的一组目标视频数据对，并依次向用户展示所述目标视频数据对中两个视频数据表征的视频。

s3：接收所述用户针对所述目标视频数据对发表的评价信息，所述评价信息用于判定所述目标视频数据对中质量较优的视频数据。

s5：基于所述目标视频数据对中的视频数据构建训练样本，并将所述训练样本输入排序模型，得到排序结果，所述排序结果用于表征所述目标视频数据对中质量较优的视频数据。

s7：根据所述排序结果和所述评价信息之间的差异值对所述排序模型进行校正，以使得将所述训练样本再次输入校正后的排序模型时，得到的排序结果与所述评价信息一致。

在本实施方式中，向用户展示所述目标视频数据对中的两个视频数据表征的视频包括：

当所述目标视频数据对中视频数据对应的播放时长大于或者等于指定时长阈值时，从所述目标视频数据对的两个视频数据中分别截取具备相同播放位置和相同播放时长的视频片段数据对，并依次向用户展示所述视频片段数据对中两个视频片段数据表征的视频片段。

在本实施方式中，所述计算机程序被所述处理器执行时，还实现以下功能：

接收所述用户针对所述视频片段数据对的片段评价信息，所述片段评价信息用于判定所述视频片段数据对中质量较优的视频片段数据；

将所述质量较优的视频片段数据所属的视频数据作为所述目标视频数据对中质量较优的视频数据。

在本实施方式中，所述计算机程序被所述处理器执行时，还实现以下功能：

分别提取所述目标视频数据对中第一视频数据的第一特征向量和第二视频数据的第二特征向量，并基于提取的所述第一特征向量和第二特征向量构建正向训练样本和反向训练样本；其中，所述正向训练样本中所述第一特征向量位于所述第二特征向量之前，所述反向训练样本中所述第二特征向量位于所述第一特征向量之前。

在本实施方式中，所述正向训练样本与第一理论值相关联，所述反向训练样本与第二理论值相关联；其中，所述第一理论值和所述第二理论值不相同；

相应地，所述计算机程序被所述处理器执行时，还实现以下功能：

分别将所述正向训练样本和所述反向训练样本输入排序模型，得到所述正向训练样本对应的第一实际值以及所述反向训练样本对应的第二实际值；

计算所述第一实际值与所述第一理论值之间的第一差异值，并利用所述第一差异值对所述排序模型中的参数进行校正；

计算所述第二实际值与所述第二理论值之间的第二差异值，并利用所述第二差异值对所述排序模型中的参数进行校正。

在本实施方式中，所述计算机程序被所述处理器执行时，还实现以下功能：

记录所述目标视频数据对表征的视频在播放时所处的环境信息，并将所述环境信息与所述评价信息相关联；

相应地，基于所述评价信息校正得到的排序模型用于对处于所述环境信息表征的环境中的视频数据对进行排序。

在本实施方式中，所述存储器包括但不限于随机存取存储器(randomaccessmemory,ram)、只读存储器(read-onlymemory,rom)、缓存(cache)、硬盘(harddiskdrive,hdd)或者存储卡(memorycard)。

在本实施方式中，所述处理器可以按任何适当的方式实现。例如，所述处理器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(applicationspecificintegratedcircuit，asic)、可编程逻辑控制器和嵌入微控制器的形式等等。

本说明书实施方式提供的视频质量的排序系统，其存储器和处理器实现的具体功能，可以与本说明书中的前述实施方式相对照解释，并能够达到前述实施方式的技术效果，这里便不再赘述。

由上可见，本申请提供的技术方案，在向用户展示一组目标视频数据对中两个视频数据表征的视频后，可以接收用户针对所述目标视频数据对发表的评价信息。该评价信息可以表征用户觉得质量较优的视频数据。如果该质量较优的视频数据为经过处理的视频数据，则表明处理时采用的视频编辑技术受到用户认可。反之则表明用户不认可采用的视频编辑技术。这样，可以向用户提供大量的可以比对的视频数据对，并接收用户反馈的评价信息。然后可以利用这些视频数据对中的视频数据作为训练样本，对排序模型进行训练。在训练时，排序模型可以输出针对视频数据对的排序结果。但由于初始的排序模型可能不太准确，会导致排序结果与用户反馈的评价信息不一致。在这种情况下，可以根据所述排序结果和所述评价信息之间的差异值对所述排序模型进行校正，以使得校正后的排序模型能够正确预测所述视频数据对的排序结果。这样，在完成训练过程之后，当需要对新的视频数据对表征的视频的质量进行排序时，可以直接将新的视频数据对作为排序模型的输入数据，从而可以通过完成训练的排序模型输出该新的视频数据对的排序结果。由上可见，本申请提供的技术方案，可以结合用户的评价信息以及机器学习的方法，训练出精度较高的排序模型，从而能够自动地对新的视频数据对进行排序，提高了视频质量排序的效率。

在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(programmablelogicdevice,pld)(例如现场可编程门阵列(fieldprogrammablegatearray，fpga))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片pld上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logiccompiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(hardwaredescriptionlanguage，hdl)，而hdl也并非仅有一种，而是有许多种，如abel(advancedbooleanexpressionlanguage)、ahdl(alterahardwaredescriptionlanguage)、confluence、cupl(cornelluniversityprogramminglanguage)、hdcal、jhdl(javahardwaredescriptionlanguage)、lava、lola、myhdl、palasm、rhdl(rubyhardwaredescriptionlanguage)等，目前最普遍使用的是vhdl(very-high-speedintegratedcircuithardwaredescriptionlanguage)与verilog2。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。

本领域技术人员也知道，除了以纯计算机可读程序代码方式实现视频质量的排序系统以外，完全可以通过将方法步骤进行逻辑编程来使得视频质量的排序系统以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种视频质量的排序系统可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本申请的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)执行本申请各个实施方式或者实施方式的某些部分所述的方法。

本说明书中的各个实施方式均采用递进的方式描述，各个实施方式之间相同相似的部分互相参见即可，每个实施方式重点说明的都是与其他实施方式的不同之处。尤其，针对视频质量的排序系统的实施方式来说，均可以参照前述方法的实施方式的介绍对照解释。

本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

虽然通过实施方式描绘了本申请，本领域普通技术人员知道，本申请有许多变形和变化而不脱离本申请的精神，希望所附的权利要求包括这些变形和变化而不脱离本申请的精神。