视频推荐方法、装置、服务器及存储介质与流程

本公开涉及网络技术领域，尤其涉及一种视频推荐方法、装置、服务器和存储介质。

背景技术：

随着网络技术的发展，越来越多的人通过视频来传输信息和分享生活，用户在视频应用上浏览视频已是较为普遍的行为，视频应用也可以向用户推荐用户可能感兴趣的视频。例如，视频应用为偏爱游戏的观众用户推荐游戏类视频。

相关技术中，视频推荐过程为：服务器获取用户的用户特征，并根据用户特征，从多个备选视频中初步筛选出视频特征与该用户特征匹配的多个视频，将该多个视频的视频特征和该用户的用户特征输入神经网络模型中，输出该用户对该多个视频的点击率，该神经网络模型用于基于用户特征和视频特征预估用户对各个视频的点击率；其中，该视频特征包括了该视频在历史推荐过程中多个用户的历史行为记录、该视频本身的属性特征等多个维度的特征，例如，该视频在一周内被点击的次数、该视频所属的视频类型等，服务器根据该多个视频的点击率，优先向用户推荐点击率较高的视频。

上述过程不仅根据视频本身的属性特征，还结合视频的历史推荐时多个用户的历史行为记录的特征，来预测视频的点击率。然而，对于刚刚发布到该视频应用中的新视频，对应的历史行为记录等特征的数量较少甚至没有，与视频属性特征相同但历史行为记录数量较多的视频相比，该新视频的预测点击率偏低，在推荐前期被推荐的可能性较小，从而导致上述视频推荐过程不准确。

技术实现要素：

本公开提供一种视频推荐方法、装置、服务器和存储介质，可以克服相关技术中存在的视频推荐不准确问题。

根据本公开实施例的第一方面，提供一种视频推荐方法，包括：

根据待推荐的多个第一视频的目标推荐时长，确定所述多个第一视频的视频特征，每个第一视频的目标推荐时长是指当前推荐时间距离所述第一视频的推荐起始时间的时长；

根据用户的用户特征和多个第一视频的视频特征，确定所述用户对所述多个第一视频进行反馈操作的反馈概率；

根据所述用户对所述多个第一视频的反馈概率，向所述用户推荐所述多个第一视频。

可选的，所述根据待推荐的多个第一视频的目标推荐时长，确定所述多个第一视频的视频特征包括：

当所述多个第一视频的目标推荐时长不大于预设时长时，确定所述多个第一视频的图像特征、文本特征和/或音频特征；

将所述图像特征、文本特征和/或音频特征，确定为所述多个第一视频的视频特征。

可选的，所述根据待推荐的多个第一视频的目标推荐时长，确定所述多个第一视频的视频特征包括：

当所述多个第一视频的目标推荐时长不大于预设时长时，确定所述多个第一视频的预测视频特征，所述预测视频特征用于表示对多个第一视频被进行反馈操作的预测；

将所述预测视频特征确定为所述多个第一视频的视频特征。

可选的，所述当所述多个第一视频的目标推荐时长不大于预设时长时，确定所述多个第一视频的预测视频特征包括：

根据多个第二视频的图像特征，对所述多个第二视频进行分类处理，得到多种视频类型，所述多个第二视频的目标推荐时长不小于所述预设时长；

根据所述每个第一视频的图像特征，确定所述每个第一视频所属的目标视频类型；

根据所述目标视频类型所包括的多个第二视频，确定所述每个第一视频的预测视频特征。

可选的，所述根据所述用户的用户特征和多个第一视频的视频特征，确定所述用户对所述多个第一视频进行反馈操作的反馈概率包括：

将所述多个第一视频的视频特征输入推荐模型，所述推荐模型用于根据用户的用户特征和视频的视频特征确定用户对视频的反馈概率；

当接收到所述用户的推荐请求时，将所述用户的用户特征输入所述推荐模型中，输出所述用户对多个第一视频的反馈概率。

可选的，所述推荐模型包括用户神经网络和视频神经网络，所述将所述多个第一视频的视频特征输入推荐模型包括：

将所述多个第一视频的视频特征输入所述推荐模型，在所述推荐模型的视频神经网络中，根据所述视频神经网络中的第一网络参数和所述多个第一视频的视频特征，确定所述每个视频的视频特征向量；

相应的，所述当接收到所述用户的推荐请求时，将所述用户的用户特征输入所述推荐模型中，输出所述用户对多个第一视频的反馈概率包括：

当接收到所述用户的推荐请求时，将所述用户的用户特征输入所述推荐模型中，在所述推荐模型的用户神经网络中，根据所述用户神经网络中第二网络参数和所述用户特征，确定所述用户的用户特征向量；

根据所述用户特征向量和所述视频特征向量，确定所述用户对多个第一视频的反馈概率。

可选的，所述推荐模型包括点击率子模型、点赞率子模型和/或关注率子模型，相应的，所述当接收到所述用户的推荐请求时，将所述用户的用户特征输入所述推荐模型，输出所述用户对多个第一视频的反馈概率包括：

当所述推荐模型包括点击率子模型时，将所述用户的用户特征输入所述推荐模型，输出所述用户对多个第一视频的点击率；

当所述推荐模型包括点赞率子模型时，将所述用户的用户特征输入所述推荐模型，输出所述用户对多个第一视频的点赞率；

当所述推荐模型包括关注率子模型时，将所述用户的用户特征输入所述推荐模型，输出所述用户对多个第一视频的关注率。

可选的，所述根据所述用户对所述多个第一视频的反馈概率，向所述用户推荐所述多个第一视频包括：

根据所述用户对所述多个第一视频的点击量、点赞率和/或关注率，确定所述多个第一视频的排列顺序；

按照所述多个第一视频的排列排序，向所述用户推荐所述多个第一视频。

可选的，所述推荐模型的训练过程包括：

获取所述多个样本视频；

提取所述多个样本视频中第一样本视频的预测视频特征作为正样本，提取所述多个样本视频中第二样本视频的预测视频特征作为负样本；

根据所述正样本和所述负样本，对预设推荐模型进行训练，得到所述推荐模型；

其中，所述第一样本视频为历史推荐时用户进行反馈操作的视频，所述第二样本视频为历史推荐时用户未进行反馈操作的视频。

根据本公开实施例的第二方面，提供一种视频推荐装置，包括：

视频特征确定模块，被配置为根据待推荐的多个第一视频的目标推荐时长，确定所述多个第一视频的视频特征，每个第一视频的目标推荐时长是指当前推荐时间距离所述第一视频的推荐起始时间的时长；

反馈概率确定模块，被配置为根据用户的用户特征和多个第一视频的视频特征，确定所述用户对所述多个第一视频进行反馈操作的反馈概率；

推荐模块，被配置为根据所述用户对所述多个第一视频的反馈概率，向所述用户推荐所述多个第一视频。

可选的，所述视频特征确定模块，还被配置为当所述多个第一视频的目标推荐时长不大于预设时长时，确定所述多个第一视频的图像特征、文本特征和/或音频特征；将所述图像特征、文本特征和/或音频特征，确定为所述多个第一视频的视频特征。

可选的，所述视频特征确定模块，还被配置为当所述多个第一视频的目标推荐时长不大于预设时长时，确定所述多个第一视频的预测视频特征，所述预测视频特征用于表示对多个第一视频被进行反馈操作的预测；将所述预测视频特征确定为所述多个第一视频的视频特征。

可选的，所述视频特征确定模块，还被配置为根据多个第二视频的图像特征，对所述多个第二视频进行分类处理，得到多种视频类型，所述多个第二视频的目标推荐时长不小于预设时长；根据所述每个第一视频的图像特征，确定所述每个第一视频所属的目标视频类型；根据所述目标视频类型所包括的多个第二视频，确定所述每个第一视频的预测视频特征。

可选的，所述反馈概率确定模块，包括：

输入单元，被配置为将所述多个第一视频的视频特征输入推荐模型，所述推荐模型用于根据用户的用户特征和视频的视频特征确定用户对视频的反馈概率；

输出单元，被配置为当接收到所述用户的推荐请求时，将所述用户的用户特征输入所述推荐模型中，输出所述用户对多个第一视频的反馈概率。

可选的，所述推荐模型包括用户神经网络和视频神经网络，

所述输入单元，还被配置为将所述多个第一视频的视频特征输入所述推荐模型，在所述推荐模型的视频神经网络中，根据所述视频神经网络中的第一网络参数和所述多个第一视频的视频特征，确定所述每个视频的视频特征向量；

所述输出单元，还被配置为当接收到所述用户的推荐请求时，将所述用户的用户特征输入所述推荐模型中，在所述推荐模型的用户神经网络中，根据所述用户神经网络中第二网络参数和所述用户特征，确定所述用户的用户特征向量；根据所述用户特征向量和所述视频特征向量，确定所述用户对多个第一视频的反馈概率。

可选的，所述推荐模型包括点击率子模型、点赞率子模型和/或关注率子模型，相应的，

所述反馈概率确定模块，还被配置为当所述推荐模型包括点击率子模型时，将所述用户的用户特征输入所述推荐模型，输出所述用户对多个第一视频的点击率；当所述推荐模型包括点赞率子模型时，将所述用户的用户特征输入所述推荐模型，输出所述用户对多个第一视频的点赞率；当所述推荐模型包括关注率子模型时，将所述用户的用户特征输入所述推荐模型，输出所述用户对多个第一视频的关注率。

可选的，所述推荐模块，还被配置为根据所述用户对所述多个第一视频的点击量、点赞率和/或关注率，确定所述多个第一视频的排列顺序；按照所述多个第一视频的排列排序，向所述用户推荐所述多个第一视频。

可选的，所述装置还包括：

模型训练模块，被配置为获取所述多个样本视频；提取所述多个样本视频中第一样本视频的预测视频特征作为正样本，提取所述多个样本视频中第二样本视频的预测视频特征作为负样本；根据所述正样本和所述负样本，对预设推荐模型进行训练，得到所述推荐模型；

其中，所述第一样本视频为历史推荐时用户进行反馈操作的视频，所述第二样本视频为历史推荐时用户未进行反馈操作的视频。

根据本公开实施例的第三方面，提供一种视频推荐服务器，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：

根据待推荐的多个第一视频所处的推荐阶段，确定所述多个第一视频的视频特征，所述推荐阶段用于指示当前推荐时间在所述多个第一视频的被推荐期间内所处的时期；

根据用户的用户特征和多个第一视频的视频特征，确定所述用户对所述多个第一视频进行反馈操作的反馈概率；

根据所述用户对所述多个第一视频的反馈概率，向所述用户推荐所述多个第一视频。

根据本公开实施例的第四方面，提供一种非临时性计算机可读存储介质，当所述存储介质中的指令由服务器的处理器执行时，使得服务器能够执行一种视频推荐方法，所述方法包括：

根据待推荐的多个第一视频所处的推荐阶段，确定所述多个第一视频的视频特征，所述推荐阶段用于指示当前推荐时间在所述多个第一视频的被推荐期间内所处的时期；

根据用户的用户特征和多个第一视频的视频特征，确定所述用户对所述多个第一视频进行反馈操作的反馈概率；

根据所述用户对所述多个第一视频的反馈概率，向所述用户推荐所述多个第一视频。

根据本公开实施例的第五方面，提供一种应用程序，包括一条或多条指令，该一条或多条指令可以由服务器的处理器执行时，使得服务器能够执行一种视频推荐方法，所述方法包括：

根据待推荐的多个第一视频所处的推荐阶段，确定所述多个第一视频的视频特征，所述推荐阶段用于指示当前推荐时间在所述多个第一视频的被推荐期间内所处的时期；

根据用户的用户特征和多个第一视频的视频特征，确定所述用户对所述多个第一视频进行反馈操作的反馈概率；

根据所述用户对所述多个第一视频的反馈概率，向所述用户推荐所述多个第一视频。

本公开的实施例提供的技术方案可以包括以下有益效果：

本公开实施例中，该服务器可以根据待推荐的多个第一视频的目标推荐时长，确定该多个第一视频的视频特征，并根据用户的用户特征和多个第一视频的视频特征，确定该用户对该多个第一视频进行反馈操作的反馈概率；从而可以根据该用户对该多个第一视频的反馈概率，向该用户推荐该多个第一视频。由于根据目标推荐时长，确定视频特征，得到与该目标推荐时长相匹配的视频特征，避免了目标推荐时长不大于预设时长的新视频特征数过少而导致的预测点击率过小的问题，提高了推荐概率的准确性，从而提高了推荐的准确性。

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。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。

图1是根据一示例性实施例示出的一种视频推荐方法的流程图；

图2是根据一示例性实施例示出的一种视频推荐方法的流程图；

图3是根据一示例性实施例示出的一种推荐模型结构示意图；

图4是根据一示例性实施例示出的一种视频推荐装置的框图；

图5是根据一示例性实施例示出的一种用于视频推荐的服务器的框图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。

图1是根据一示例性实施例示出的一种视频推荐方法的流程图，如图1所示，该方法应用于服务器中，包括以下步骤。

101、根据待推荐的多个第一视频的目标推荐时长，确定该多个第一视频的视频特征，每个第一视频的目标推荐时长是指当前推荐时间距离该第一视频的推荐起始时间的时长；

102、根据用户的用户特征和多个第一视频的视频特征，确定该用户对该多个第一视频进行反馈操作的反馈概率；

103、根据该用户对该多个第一视频的反馈概率，向该用户推荐该多个第一视频。

可选的，该根据待推荐的多个第一视频的目标推荐时长，确定该多个第一视频的视频特征包括：

当该多个第一视频的目标推荐时长不大于预设时长时，确定该多个第一视频的图像特征、文本特征和/或音频特征；

将该图像特征、文本特征和/或音频特征，确定为该多个第一视频的音频特征。

可选的，该根据待推荐的多个第一视频的目标推荐时长，确定该多个第一视频的视频特征包括：

当该多个第一视频的目标推荐时长不大于预设时长时，确定该多个第一视频的预测视频特征，该预测视频特征用于表示对多个第一视频被进行反馈操作的预测；

将该预测视频特征确定为该多个第一视频的视频特征。

可选的，该当该多个第一视频的目标推荐时长不大于预设时长时，确定该多个第一视频的预测视频特征包括：

根据多个第二视频的图像特征，对该多个第二视频进行分类处理，得到多种视频类型，该多个第二视频的目标推荐时长不小于该预设时长；

根据该每个第一视频的图像特征，确定该每个第一视频所属的目标视频类型；

根据该目标视频类型所包括的多个第二视频，确定该每个第一视频的预测视频特征。

可选的，该根据该用户的用户特征和多个第一视频的视频特征，确定该用户对该多个第一视频进行反馈操作的反馈概率包括：

将该多个第一视频的视频特征输入推荐模型，该推荐模型用于根据用户的用户特征和视频的视频特征确定用户对视频的反馈概率；

当接收到该用户的推荐请求时，将该用户的用户特征输入该推荐模型中，输出该用户对多个第一视频的反馈概率。

可选的，该推荐模型包括用户神经网络和视频神经网络，该将该多个第一视频的视频特征输入推荐模型包括：

将该多个第一视频的视频特征输入该推荐模型，在该推荐模型的视频神经网络中，根据该视频神经网络中的第一网络参数和该多个第一视频的视频特征，确定该每个视频的视频特征向量；

相应的，该当接收到该用户的推荐请求时，将该用户的用户特征输入该推荐模型中，输出该用户对多个第一视频的反馈概率包括：

当接收到该用户的推荐请求时，将该用户的用户特征输入该推荐模型中，在该推荐模型的用户神经网络中，根据该用户神经网络中第二网络参数和该用户特征，确定该用户的用户特征向量；

根据该用户特征向量和该视频特征向量，确定该用户对多个第一视频的反馈概率。

可选的，该推荐模型包括点击率子模型、点赞率子模型和/或关注率子模型，相应的，该当接收到该用户的推荐请求时，将该用户的用户特征输入该推荐模型，输出该用户对多个第一视频的反馈概率包括：

当该推荐模型包括点击率子模型时，将该用户的用户特征输入该推荐模型，输出该用户对多个第一视频的点击率；

当该推荐模型包括点赞率子模型时，将该用户的用户特征输入该推荐模型，输出该用户对多个第一视频的点赞率；

当该推荐模型包括关注率子模型时，将该用户的用户特征输入该推荐模型，输出该用户对多个第一视频的关注率。

可选的，该根据该用户对该多个第一视频的反馈概率，向该用户推荐该多个第一视频包括：

根据该用户对该多个第一视频的点击量、点赞率和/或关注率，确定该多个第一视频的排列顺序；

按照该多个第一视频的排列排序，向该用户推荐该多个第一视频。

可选的，该推荐模型的训练过程包括：

获取该多个样本视频；

提取该多个样本视频中第一样本视频的预测视频特征作为正样本，提取该多个样本视频中第二样本视频的预测视频特征作为负样本；

根据该正样本和该负样本，对预设推荐模型进行训练，得到该推荐模型；

其中，该第一样本视频为历史推荐时用户进行反馈操作的视频，该第二样本视频为历史推荐时用户未进行反馈操作的视频。

本公开实施例中，该服务器可以根据待推荐的多个第一视频的目标推荐时长，确定该多个第一视频的视频特征，并根据用户的用户特征和多个第一视频的视频特征，确定该用户对该多个第一视频进行反馈操作的反馈概率；从而可以根据该用户对该多个第一视频的反馈概率，向该用户推荐该多个第一视频。由于根据目标推荐时长，确定视频特征，得到与该目标推荐时长相匹配的视频特征，避免了目标推荐时长不大于预设时长的新视频特征数过少而导致的预测点击率过小的问题，提高了推荐概率的准确性，从而提高了推荐的准确性。

图2是根据一示例性实施例示出的一种视频推荐方法的流程图，该视频推荐方法用于服务器中，如图2所示，包括以下步骤。

201、服务器根据待推荐的多个第一视频的目标推荐时长，确定该多个第一视频的视频特征。

其中，每个第一视频的目标推荐时长是指当前推荐时间距离该第一视频的推荐起始时间的时长。本公开实施例中，该服务器为视频应用的服务器，该视频应用中包括多个第一视频，服务器可以实时向用户推荐该多个第一视频。其中，对于目标推荐时长不同的视频，该服务器可以采用不同的视频特征，进行对该第一视频的推荐。本步骤中，对于的目标推荐时长不大于预设时长的第一视频，该服务器获取与该目标推荐时长匹配的视频特征。其中，该服务器可以获取该多个第一视频的图像特征、文字特征和/或音频特征等该第一视频本身的视频内容特征。另外，该服务器还可以结合多个第二视频的视频特征，来预测该第一视频的视频特征。相应的，本步骤可以通过以下两种方式实现。

第一种方式、当该多个第一视频的目标推荐时长不大于预设时长时，该服务器确定该多个第一视频的图像特征、文本特征和/或音频特征；将该图像特征、文本特征和/或音频特征，确定为该多个第一视频的音频特征。

对于每个第一视频，该服务器可以根据该第一视频的视频内容和该第一视频所在的显示页面，从每个第一视频所包括的图像、音频以及该第一视频所在的显示页面中，提取该第一视频的图像特征、音频特征和文本特征。

其中，对于图像特征，该服务器可以直接从该第一视频所包括的多帧图像中，提取该第一视频的多个图像特征，进一步的，该服务器还可以通过多个第三视频，来确定该多个第一视频的图像特征，该过程可以为：该服务器根据多个第三视频的图像特征，对该多个第三视频进行分类处理，得到多种视频类型，每种视频类型包括多个第三视频，对于每个第一视频，该服务器根据该第一视频的图像特征，确定该第一视频所属的视频类型，该服务器根据该第一视频所属的视频类型包括的多个第三视频的图像特征，确定该第一视频的图像特征。其中，该服务器可以提取该多个第三视频的封面图像的图像特征，根据该多个第三视频的封面图像的图像特征，通过聚类算法，对该多个第三视频进行聚类，得到多个聚类中心，每个聚类中心对应一种视频类型，从而按照该图像特征，将该多个第三视频划分为多个视频类型。其中，该聚类算法可以基于需要进行设置，本发明实施例对此不作具体限定，例如，该聚类算法可以为k-means算法。

对于文本特征，视频的发布者在制作视频时，还可以输入用于描述该视频的文字信息，例如，该视频的视频标题、该视频关联的视频话题等。该服务器可以从该第一视频的显示页面中，提取该第一视频的文本特征，例如，显示页面中对第一视频进行介绍的文字。另外，视频的封面图像中一般包括对该视频的文字介绍，例如，该视频的发布者、内容介绍等信息，该服务器还可以从该第一视频的视频封面中，提取该第一视频的文本特征，当然，该服务器还可以根据该第一视频包括的音频，将该音频中的语音信号转换为文本信息，从该文本信息中提取文本特征。因此，该服务器获取该第一视频的文本特征的过程可以为：该服务器从该第一视频的显示页面、视频封面和/或该第一视频的音频中，提取该第一视频的文本特征。

对于音频特征，该音频特征可以包括该第一视频的音乐特征和语音特征，该音乐特征用于表示该第一视频所使用的背景音乐的特征，该语音特征用于表示该第一视频中除背景音乐以外的音频的特征，例如，第一视频中对话情景中的人物对话。因此，该服务器获取该第一视频的音频特征的过程可以为：该服务器提取该第一视频的音频，从该音频中，提取该第一视频的语音特征，该服务器确定该第一视频使用的背景音乐，根据该背景音乐，获取该第一视频的音乐特征。其中，该服务器可以从该第一视频的视频信息中提取该第一视频的音乐特征。

第二种方式、当该多个第一视频的目标推荐时长不大于预设时长时，服务器确定该多个第一视频的预测视频特征，该预测视频特征用于表示对多个第一视频被进行反馈操作的预测；该服务器将该预测视频特征确定为该多个第一视频的视频特征。

对于每个第一视频，该服务器可以根据该第一视频，确定与该第一视频相匹配的多个第二视频，根据该多个第二视频的视频特征，确定该第一视频的预测视频特征。该多个第二视频的目标推荐时长不小于预设时长。其中，该预设时长可以基于需要进行设置，本发明实施例对此不作具体限定。例如，该预设时长可以为24小时、5小时、2天等。

其中，该服务器可以根据该第一视频的图像特征，确定与该第一视频相匹配的多个第二视频，则本步骤可以为：该服务器根据多个第二视频的图像特征，对该多个第二视频进行分类处理，得到多种视频类型，每种视频类型包括多个第二视频，对于每个第一视频，该服务器根据该第一视频的图像特征，确定该第一视频所属的目标视频类型，该服务器根据该目标视频类型包括的多个第二视频的视频特征，确定该第一视频的预测视频特征。

其中，该预测视频特征用于表示对多个第一视频被进行反馈操作的预测，该多个第一视频为待推荐的视频，本公开实施例中，该服务器事先获取了该多个第一视频。该服务器根据该多个第一视频的图像特征、文本特征、音频特征等，对该多个第一视频的反馈操作进行预测，根据该预测结果，确定该多个第一视频的预测视频特征。

其中，该服务器可以提取该目标视频类型包括的多个第二视频的视频特征，并将该多个第二视频的视频特征，确定该目标视频类型对应的视频特征，则每种视频类型对应以视频特征，该服务器可以将该目标视频类型对应的视频特征，作为该第一视频的预测视频特征。其中，该服务器可以分析统计每种视频类型所包括的多个第二视频的视频特征，得到每种视频类型对应的视频特征。其中，第二视频的视频特征至少包括该第二视频在历史推荐时被进行反馈操作的特征。例如，该视频特征可以包括第二视频的点击率、点赞率、关注率等。每种视频类型对应的视频特征可以用一个多维的特征向量表示。

其中，该服务器可以提取该多个第二视频的封面图像的图像特征，根据该多个第二视频的图像特征，通过聚类算法，对该多个第二视频进行聚类，得到多个聚类中心，每个聚类中心对应一种视频类型，从而按照该图像特征，将该多个第二视频划分为多个视频类型。在一种可能的实施方式中，该图像特征可以用图像特征向量来表示。该服务器中事先存储有图像分类模型，该图像分类模型用于确定图像的图像特征向量并基于图像特征向量对图像进行分类。该服务器可以通过该图像分类模型，获取该多个第二视频的图像特征向量。本步骤中，该服务器提取该多个第二视频的封面图像后，将该多个第二视频的封面图像的图像特征输入该图像分类模型，通过该图像分类模型，将该封面图像的图像特征转换为图像特征向量，并提取该图像分类模型的中间层的图像特征向量，从而得到该多个第二视频的图像特征向量；该服务器再基于该多个第二视频的图像特征向量，通过聚类算法，对该多个第二视频进行聚类，得到多个聚类中心，每个聚类中心对应一种视频类型。其中，该聚类算法可以为k-means聚类算法。

本公开实施例中，该服务器可以基于每个视频类型所包括的多个第二视频的视频特征，确定该视频类型对应的视频特征向量，并事先建立该多个视频类型和视频特征向量之间的对应关系。当该服务器确定出该第一视频所属的视频类型时，直接从该视频类型和视频特征向量的对应关系中，获取该第一视频对应的视频特征向量。其中，不同聚类中心对应不同的聚类id，该多个视频类型和视频特征向量之间的对应关系，也即是，该多个聚类id和视频特征向量之间的对应关系，其中，该视频特征向量可以为一个多维向量。

202、当接收到用户的推荐请求时，服务器确定该用户的用户特征。

本公开实施例中，该用户为等待被推荐视频的用户。当服务器接收到用户的推荐请求时，该服务器可以根据该推荐请求，获取该用户在多个维度的用户特征，该推荐请求用于请求推荐第一视频，该推荐请求携带用户的用户标识。

本公开实施例中，该用户特征可以包括该用户的用户标识、该用户的静态特征和动态特征。其中，该静态特征用于表示该用户的属性特征，该动态特征用于表示服务器向该用户推荐视频时，该用户对每个历史推荐视频的操作行为。该用户的静态特征可以包括但不限于：该用户的性别、年龄、爱好、该用户所在的地域、该用户所使用的设备的设备标识等。该用户的动态特征可以包括服务器在历史推荐视频时，该用户的点击率、点赞率、关注率、点评率或转发率等。本公开实施例中，该服务器可以存储并实时更新该视频应用中多个用户的用户特征。本步骤中，该服务器可以根据该用户的用户标识，获取该用户的静态特征和动态特征。

203、服务器根据该用户的用户特征和多个第一视频的视频特征，确定该用户对该多个第一视频进行反馈操作的反馈概率。

本公开实施例中，该服务器事先存储该多个第一视频，并事先训练得到推荐模型，该推荐模型用于基于用户的用户特征和视频的视频特征确定用户对视频的反馈概率，该服务器可以事先根据该多个第一视频，确定该多个第一视频的视频特征，并将该多个第一视频的视频特征输入推荐模型中。当接收到用户的推荐请求时，该服务器将该用户的用户特征输入到该推荐模型中，输出该用户对该多个第一视频的反馈概率。

本公开实施例中，该推荐模型包括点击率子模型、点赞率子模型和/或关注率子模型，相应的，该用户对该多个第一视频的反馈概率可以为点击率、点赞率和/或关注率。其中，当该推荐模型包括点击率子模型时，将该用户的用户特征输入该推荐模型，输出该用户对多个第一视频的点击率；当该推荐模型包括点赞率子模型时，将该用户的用户特征输入该推荐模型，输出该用户对多个第一视频的点赞率；当该推荐模型包括关注率子模型时，将该用户的用户特征输入该推荐模型，输出该用户对多个第一视频的关注率。

本公开实施例中，该推荐模型包括用户神经网络和视频神经网络，该用户神经网络中包括多层网络，每层对应有第一网络参数，该用户神经网络用于基于该第一网路参数，确定用户特征对应的用户特征向量；当然，该视频神经网络中包括多层网络，每层对应有第而网络参数，该视频神经网络用于基于该第二网路参数，确定视频特征对应的视频特征向量。则该服务器将该多个第一视频的视频特征输入该推荐模型，在该推荐模型的视频神经网络中，该服务器根据该视频神经网络中的第一网络参数和该多个第一视频的视频特征，确定该每个视频的视频特征向量。当该服务器当接收到该用户的推荐请求时，该服务器将该用户的用户特征输入该推荐模型中，在该推荐模型的用户神经网络中，该服务器根据该用户神经网络中第二网络参数和该用户特征，确定该用户的用户特征向量。然后，在该推荐模型中，该服务器根据该用户特征向量和该视频特征向量，确定该用户对多个第一视频的反馈概率。

其中，该推荐模型可以为神经网络模型，该神经网络模型可以包括用户神经网络和视频神经网络，该用户神经网络用于将用户的用户特征转换为用户特征向量，该视频神经网络用于将视频的视频特征转化为视频特征向量。该服务器可以周期性获取多个第一视频的视频特征，并将该多个第一视频的视频特征输入该推荐模型中，通过该推荐模型中的视频神经网络，确定该第一视频的视频特征向量，并存储该视频特征向量。当接收到用户的推荐请求时，该服务器再将该用户的用户特征输入该推荐模型中，通过该推荐模型中的用户神经网络，确定该用户的用户特征向量。其中，该服务器基于该推荐模型确定该用户对多个第一视频的反馈概率的过程可以为：在该推荐模型中，在该推荐模型中，该服务器根据该用户的用户特征向量和每个第一视频的视频特征向量，确定该用户特征向量和每个视频特征向量的向量距离；该服务器通过该反馈概率表达式，确定该用户对该每个第一视频的反馈概率。

其中，该服务器可以通过以下公式一，确定该用户特征向量和视频特征向量的向量距离：

公式一：

其中，a为用户的用户特征向量，b为第一视频的视频特征向量，a,b∈r^d，a、b可以为d列的矩阵向量。i为该用户特征向量或视频特征向量中第i列。

然后，该服务器根据该向量距离，通过以下反馈概率表达式，确定该用户对该每个第一视频的反馈概率：

反馈概率表达式：σ(a)＝1/(1+e^-a)

其中，a＝a·b,如a为用户的用户特征向量，b为第一视频的视频特征向量，a,b∈r^d，a、b可以为d列的矩阵向量。

其中，该推荐模型中可以包括点击率子模型、点赞率子模型和/或关注率子模型，该服务器还可以分别确定该用户对多个第一视频的点击率、点赞率和/或关注率。以点击率为例，该服务器可以通过该点击率子模型，确定点击率对应用户特征向量和视频特征向量，根据该点击率对应的用户特征向量和视频特征向量，通过上述公式一和反馈概率表达式，确定该用户和对每个第一视频的点击率。

如图3所示，，该推荐模型可以为神经网络模型，该神经网络模型分为用户神经网络和视频神经网络，用户神经网络和视频神经网络均包括多层网络，每层网络对应有网络参数，如图3所示，从用户的特征输入到该神经网络模型中，经过层层变换，到次顶层a，然后输出到顶层a1、a2、a3，分别表示用户侧点击率子模型的顶层向量、点赞率子模型的顶层向量、关注率子模型的顶层向量。对于视频侧来说，它也是一个多层的全连接神经网络，从视频侧的特征输入到网络中，经过层层变换，到次顶层b，然后会输出到顶层b1、b2、b3，分别表示视频侧点击率子模型的顶层向量、点赞率子模型的顶层向量、关注率子模型的顶层向量。然后，该服务器通过上述公式一，分别计算向量a1和b1的内积距离，向量a2和b2的内积距离，向量a3和b3的内积距离。该服务器根据上述反馈概率表达式，分别基于向量a1和b1的内积距离、向量a2和b2的内积距离、向量a3和b3的内积距离，确定出用户对第一视频的点击率、点赞率、关注率。

其中，该服务器可以事先基于样本视频，训练得到该推荐模型。该推荐模型的训练过程可以为：该服务器获取该多个样本视频；该服务器提取该多个样本视频中第一样本视频的预测视频特征作为正样本，提取该多个样本视频中第二样本视频的预测视频特征作为负样本；根据该正样本和该负样本，对预设推荐模型进行训练，得到该推荐模型。其中，该第一样本视频为历史推荐时用户进行反馈操作的视频，该第二样本视频为历史推荐时用户未进行反馈操作的视频。其中，对于该推荐模型中的点击率子模型，该正样本为：当向用户推荐视频时该用户点击的视频的视频特征，负样本为：当向用户推荐视频时，没有被该用户点击的视频的视频特征；对于点赞率子模型，正样本为：当向用户推荐视频时该用户点赞的视频的视频特征，负样本：当向用户推荐视频时，没有被该用户点赞的视频的视频特征；对于关注率子模型，正样本为：当向用户推荐视频时，该用户关注的视频的视频特征，负样本为：当向用户推荐视频时，没有被该用户关注的视频的视频特征。该服务器分别基于该是三个子模型的正样本和负样本进行训练，得到该推荐模型。

该服务器还可以实时更新该推荐模型，主要是更新该推荐模型中的网络参数，该过程可以为：该服务器根据样本用户特征向量和样本视频特征向量，确定该推荐模型的损失函数的最小值，根据该损失函数的梯度，逐层更新该推荐模型汇总每层神经网络的网络参数。其中，该服务器可以采用随机梯度下降法来最小化该损失函数，并求解损失函数的梯度，然后逐层更新网络的网络参数。其中，对于点击率子模型，该服务器根据点击率子模型对应的样本视频的视频特征，来计算损失函数，并且计算损失函数的梯度，并更新该点击率子模型对应的网络层的参数。如图3所示，根据该神经网络模型所包括的多层神经网络，该服务器可以先更新点击率子模型对应的顶层a1和b1的参数，再更新次顶层a和b的参数，然后更新用户侧的网络参数和视频侧的网络参数。对于点赞率预估，根据点赞率子模型对应的样本视频的视频特征，来计算损失函数，并且计算梯度，并更新该点赞率子模型对应的网络层的参数。其中，该服务器可以先更新点击率子模型对应的顶层a2和b2的参数，再更新次顶层a和b的参数，再更新用户侧的网络参数和视频侧的网络参数；对于关注率预估，根据关注率子模型对应的样本视频的视频特征，来计算损失函数，并且计算梯度，并更新该关注率子模型对应的网络层的参数。其中，该服务器可以先更新关注率子模型对应的顶层a3和b3的参数，然后再更新次顶层a和b的参数，再更新用户侧的网络参数和视频侧的网络参数。

其中，该损失函数为：l(at,bt)＝-ytlogpt-(1-yt)log(1-pt)

其中，at,bt∈rⁿ，at、bt可以分别为样本用户特征向量和样本视频特征向量，at、bt可以为n列的矩阵向量，其中，在该神经网络模型中，该at可以为用户侧的顶层向量，该bt可以为视频侧的顶层向量，预估的概率为pt＝σ(at·bt),σ用于标识反馈概率表达式：σ(a)＝1/(1+e^-a)，此处a＝at·bt。yt是样本的标签。当该用户对视频进行反馈时，该样本标签的值可以为1，当用户未对视频反馈时，该样本标签的值可以为0。

本公开实施例中，该服务器可以通过推荐模型，确定反馈概率。并且，该推荐模型中包括用户神经网络和视频神经网络，可以分别通过该用户神经网络确定用户特征向量，通过视频神经网络确定视频特征向量，该两个确定过程各自可以独立进行，不会相互影响，从而可以事先确定视频特征向量，在接收到用户的推荐请求时，可以仅执行用户特征向量的确定过程，直接基于已确定好的视频特征向量和该用户特征向量确定反馈概率，在用户等待被推送的时间内，无需执行确定视频特征向量的过程，相比于现有技术的多层复杂神经网络模型中，实时基于用户特征和视频特征进行大量复杂计算过程，才确定反馈概率的过程，本发明可以大大提高推荐模型确定反馈概率的效率。

另外，该推荐模型中还包括了点击率子模型、点赞率子模型和关注率子模型，从而可以基于用户对视频的点击率、点赞率和关注率，进行推荐，从多个角度全面的考虑了用户与视频之间的反馈情况，提高了视频推荐的准确性和实用性。

204、服务器根据该用户对该多个第一视频的反馈概率，向该用户推荐该多个第一视频。

本步骤中，服务器根据该用户对该多个第一视频的反馈概率，向该用户推荐该多个第一视频中反馈概率不小于预设阈值的第一视频。其中，该反馈概率可以包括该用户对该多个第一视频的点击量、点赞率和/或关注率，则该服务器还可以根据该用户对该多个第一视频的点击量、点赞率和/或关注率，确定该多个第一视频的排列顺序，按照该多个第一视频的排列排序，向该用户推荐该多个第一视频。

其中，对于每个第一视频，该服务器可以根据该第一视频的点赞率、点击率和关注率各自对应的权重，确定该点赞率、点击率和关注率分别与各自对应的权重之乘积，并将该三个乘积进行求和，得到该第一视频的推荐值，该服务器根据每个第一视频的推荐值，对该多个第一视频进行降序排列，并按照该降序排列的顺序，依次向用户推荐该多个第一视频，从而能够优先发送推荐较高的第一视频。

本公开实施例中，该服务器可以根据待推荐的多个第一视频的目标推荐时长，确定该多个第一视频的视频特征，并根据用户的用户特征和多个第一视频的视频特征，确定该用户对该多个第一视频进行反馈操作的反馈概率；从而可以根据该用户对该多个第一视频的反馈概率，向该用户推荐该多个第一视频。由于根据目标推荐时长，确定视频特征，得到与该目标推荐时长相匹配的视频特征，避免了目标推荐时长不大于预设时长的新视频特征数过少而导致的预测点击率过小的问题，提高了推荐概率的准确性，从而提高了推荐的准确性。

图4是根据一示例性实施例示出的一种视频推荐置框图。该装置应用于服务器中，参照图4，该装置包括：视频特征确定模块401，反馈概率确定模块402和推荐模块403。

视频特征确定模块401，被配置为根据待推荐的多个第一视频的目标推荐时长，确定该多个第一视频的视频特征，每个第一视频的目标推荐时长是指当前推荐时间距离该第一视频的推荐起始时间的时长；

反馈概率确定模块402，被配置为根据用户的用户特征和多个第一视频的视频特征，确定该用户对该多个第一视频进行反馈操作的反馈概率；

推荐模块403，被配置为根据该用户对该多个第一视频的反馈概率，向该用户推荐该多个第一视频。

可选的，该视频特征确定模块401，还被配置为当该多个第一视频的目标推荐时长不大于预设时长时，确定该多个第一视频的图像特征、文本特征和/或音频特征；将该图像特征、文本特征和/或音频特征，确定为该多个第一视频的音频特征。

可选的，该视频特征确定模块401，还被配置为当该多个第一视频的目标推荐时长不大于预设时长时，确定该多个第一视频的预测视频特征，该预测视频特征用于表示对多个第一视频被进行反馈操作的预测；将该预测视频特征确定为该多个第一视频的视频特征。

可选的，该视频特征确定模块401，还被配置为根据多个第二视频的图像特征，对该多个第二视频进行分类处理，得到多种视频类型，该多个第二视频的目标推荐时长不小于该预设时长；根据该每个第一视频的图像特征，确定该每个第一视频所属的目标视频类型；根据该目标视频类型所包括的多个第二视频，确定该每个第一视频的预测视频特征。

可选的，该反馈概率确定模块402，包括：

输入单元，被配置为将该多个第一视频的视频特征输入推荐模型，该推荐模型用于根据用户的用户特征和视频的视频特征确定用户对视频的反馈概率；

输出单元，被配置为当接收到该用户的推荐请求时，将该用户的用户特征输入该推荐模型中，输出该用户对多个第一视频的反馈概率。

可选的，该推荐模型包括用户神经网络和视频神经网络，

该输入单元，还被配置为将该多个第一视频的视频特征输入该推荐模型，在该推荐模型的视频神经网络中，根据该视频神经网络中的第一网络参数和该多个第一视频的视频特征，确定该每个视频的视频特征向量；

该输出单元，还被配置为当接收到该用户的推荐请求时，将该用户的用户特征输入该推荐模型中，在该推荐模型的用户神经网络中，根据该用户神经网络中第二网络参数和该用户特征，确定该用户的用户特征向量；根据该用户特征向量和该视频特征向量，确定该用户对多个第一视频的反馈概率。

可选的，该推荐模型包括点击率子模型、点赞率子模型和/或关注率子模型，相应的，

该反馈概率确定模块402，还被配置为当该推荐模型包括点击率子模型时，将该用户的用户特征输入该推荐模型，输出该用户对多个第一视频的点击率；当该推荐模型包括点赞率子模型时，将该用户的用户特征输入该推荐模型，输出该用户对多个第一视频的点赞率；当该推荐模型包括关注率子模型时，将该用户的用户特征输入该推荐模型，输出该用户对多个第一视频的关注率。

可选的，该推荐模块403，还被配置为根据该用户对该多个第一视频的点击量、点赞率和/或关注率，确定该多个第一视频的排列顺序；按照该多个第一视频的排列排序，向该用户推荐该多个第一视频。

可选的，该装置还包括：

模型训练模块，被配置为获取该多个样本视频；提取该多个样本视频中第一样本视频的预测视频特征作为正样本，提取该多个样本视频中第二样本视频的预测视频特征作为负样本；根据该正样本和该负样本，对预设推荐模型进行训练，得到该推荐模型；

其中，该第一样本视频为历史推荐时用户进行反馈操作的视频，该第二样本视频为历史推荐时用户未进行反馈操作的视频。

本公开实施例中，该服务器可以根据待推荐的多个第一视频的目标推荐时长，确定该多个第一视频的视频特征，并根据用户的用户特征和多个第一视频的视频特征，确定该用户对该多个第一视频进行反馈操作的反馈概率；从而可以根据该用户对该多个第一视频的反馈概率，向该用户推荐该多个第一视频。由于根据目标推荐时长，确定视频特征，得到与该目标推荐时长相匹配的视频特征，避免了目标推荐时长不大于预设时长的新视频特征数过少而导致的预测点击率过小的问题，提高了推荐概率的准确性，从而提高了推荐的准确性。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

图5是根据一示例性实施例示出的一种用于视频推荐的服务器的框图。该服务器500可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(centralprocessingunits，cpu)501和一个或一个以上的存储器502，其中，该存储器502中存储有至少一条指令，该至少一条指令由该处理器501加载并执行以实现上述各个方法实施例提供的视频推荐方法。当然，该服务器还可以具有有线或无线网络接口、键盘以及输入输出接口等部件，以便进行输入输出，该服务器还可以包括其他用于实现设备功能的部件，在此不做赘述。

在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器，上述指令可由服务器的处理器执行以完成上述视频推荐方法。例如，该非临时性计算机可读存储介质可以是rom、随机存取存储器(ram)、cd-rom、磁带、软盘和光数据存储设备等。

在示例性实施例中，还提供了一种应用程序，包括一条或多条指令，该一条或多条指令可以由服务器的处理器执行，以完成上述视频推荐方法。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。