本发明涉及信息,特别是涉及网络模型的训练方法及视频推荐方法、装置、电子设备。
背景技术:
1、目前,对着网络技术的快速发展,通过观看视频放送已经成为人们的主要娱乐方式之一。而为了提高用户体验和吸引用户,目前视频应用往往会根据用户的喜好进行视频的推荐。
2、然而,目前的在进行用户喜好的视频的识别和推荐时,往往是根据用户的历史浏览记录、内容热度、用户标识等特征作为推荐依据,并以此进行视频内容的召回和推荐,然而这些特征往往并不能准确反映用户的真实喜好。
3、例如,历史浏览记录虽然可以反映出用户浏览过哪些视频,但不能反映出用户对于不同视频的喜好程度;另外,随着时间推移,用户对于视频类型的喜好也可能产生变化,而现有的推荐方法并不能及时的进行识别,从而导致视频推荐准确度较低。
技术实现思路
1、本发明实施例的目的在于提供的网络模型的训练方法及视频推荐方法、装置、电子设备,以实现提高视频推荐的准确度。具体技术方案如下:
2、在本发明实施的第一方面,首先提供了一种网络模型的训练方法,所述方法包括:
3、获取样本视频的属性信息,其中,所述属性信息包括样本视频的多个第一用户观看时长和第一平均观看时长,所述第一平均观看时长是根据多个第一用户观看时长计算得到的平均时长;
4、根据所述多个第一用户观看时长和所述第一平均观看时长计算所述样本视频的时长标签;
5、将所述样本视频的属性信息输入待训练网络模型计算得到所述样本视频的预测观看时长,并根据所述预测观看时长和所述时长标签计算所述待训练网络模型当前的损失,根据所述当前损失对所述待训练网络模型的参数进行调整继续进行训练直至满足预设循环存储或当前损失小于预设损失阈值,得到训练好的网络模型。
6、在一种可能的实施方式中,所述根据所述多个第一用户观看时长和所述第一平均观看时长计算所述样本视频的时长标签,包括:
7、识别多个预设时长区间中各第一用户观看时长对应的时长区间;根据预先确定的预设时长区间和时长特征值的对应关系,确定识别到的对应的时长区间所对应的时长特征值,得到所述样本视频的多个第一观看质量,其中,所述第一观看质量用于表征所述第一用户观看时长的长短;
8、计算所述多个第一观看质量和所述第一平均观看时长的比值,得到第一比值;
9、根据所述第一比值计算所述样本视频的时长标签。
10、在一种可能的实施方式中,所述获取样本视频的属性信息,包括:
11、获取同一剧集的多个样本视频在多个历史时间区间内的第二平均用户观看时长和每一样本视频的第二观看质量;
12、所述根据所述多个第一用户观看时长和所述第一平均观看时长计算所述样本视频的时长标签,包括:
13、针对任一历史时间区间,计算该剧集中每一样本视频的第二观看质量与该剧集的第二平均用户观看时长比值,得到第二比值;
14、根据所述第二比值计算该剧集中各样本视频的对应该历史时间区间的时长标签。
15、在一种可能的实施方式中,在所述根据所述第二比值计算该剧集中各样本视频的对应该历史时间区间的时长标签之后,所述方法还包括:
16、将计算得到的时长标签与第一预设标签数值进行比较,当所述第一预设标签数值大于计算得到的时长标签时,将计算得到的时长标签修改为所述第一预设标签数值。
17、在一种可能的实施方式中,所述根据所述第一比值计算所述样本视频的时长标签,包括:
18、根据所述第一比值通过预设公式:
19、t=max(1,2.3*log(a))
20、计算所述样本视频的时长标签,其中,a表示所述第一比值,t表示所述样本视频的时长标签。
21、在一种可能的实施方式中,所述根据所述多个第一用户观看时长和所述第一平均观看时长计算所述样本视频的时长标签,包括:
22、将用户观看时长小于预设阈值的样本视频的时长标签设置为第二预设标签数值。
23、在本发明实施的第二方面,还提供了一种视频推荐方法,所述方法包括:
24、获取多个待推荐视频的属性信息;
25、将所述多个待推荐视频的属性信息输入预先训练好的网络模型,得到各待推荐视频的预设观看时长,其中,所述预先训练好的网络模型是通过上述网络模型的训练方法训练得到的网络模型;
26、选取所述多个待推荐视频中,对应的预设观看时长最长的前n个向用户进行推荐。
27、在本发明实施的第三方面,还提供了一种网络模型的训练装置,所述装置包括:
28、属性获取模块,用于获取样本视频的属性信息,其中,所述属性信息包括样本视频的多个第一用户观看时长和第一平均观看时长,所述第一平均观看时长是根据多个第一用户观看时长计算得到的平均时长;
29、标签计算模块,用于根据所述多个第一用户观看时长和所述第一平均观看时长计算所述样本视频的时长标签;
30、模型训练模块,用于将所述样本视频的属性信息输入待训练网络模型计算得到所述样本视频的预测观看时长,并根据所述预测观看时长和所述时长标签计算所述待训练网络模型当前的损失,根据所述当前损失对所述待训练网络模型的参数进行调整继续进行训练直至满足预设循环存储或当前损失小于预设损失阈值,得到训练好的网络模型。
31、在一种可能的实施方式中,所述标签计算模块,包括:
32、质量获取子模块,用于识别多个预设时长区间中各第一用户观看时长对应的时长区间;根据预先确定的预设时长区间和时长特征值的对应关系,确定识别到的对应的时长区间所对应的时长特征值,得到所述样本视频的多个第一观看质量,其中,所述第一观看质量用于表征所述第一用户观看时长的长短;
33、第一比值计算子模块,用于计算所述多个第一观看质量和所述第一平均观看时长的比值,得到第一比值;
34、时长标签计算子模块,用于根据所述第一比值计算所述样本视频的时长标签。
35、在一种可能的实施方式中,所述属性获取模块,具体用于获取同一剧集的多个样本视频在多个历史时间区间内的第二平均用户观看时长和每一样本视频的第二观看质量;
36、所述标签计算模块,包括:
37、第二比值计算子模块,用于针对任一历史时间区间,计算该剧集中每一样本视频的第二观看质量与该剧集的第二平均用户观看时长比值,得到第二比值;
38、区间标签计算子模块,用于根据所述第二比值计算该剧集中各样本视频的对应该历史时间区间的时长标签。
39、在一种可能的实施方式中,所述装置还包括:
40、标签修改模块,用于将计算得到的时长标签与第一预设标签数值进行比较,当所述第一预设标签数值大于计算得到的时长标签时,将计算得到的时长标签修改为所述第一预设标签数值。
41、在一种可能的实施方式中,所述时长标签计算子模块,具体用于根据所述第一比值通过预设公式:
42、t=max(1,2.3*log(a))
43、计算所述样本视频的时长标签,其中,a表示所述第一比值,t表示所述样本视频的时长标签。
44、在一种可能的实施方式中,所述标签计算模块,具体用于将用户观看时长小于预设阈值的样本视频的时长标签设置为第二预设标签数值。
45、在本发明实施的第四方面,还提供了一种视频推荐装置,所述装置包括:
46、信息获取模块,用于获取多个待推荐视频的属性信息;
47、时长计算模块,用于将所述多个待推荐视频的属性信息输入预先训练好的网络模型,得到各待推荐视频的预设观看时长,其中,所述预先训练好的网络模型是通过上述网络模型的训练方法训练得到的网络模型;
48、视频选取模块,用于选取所述多个待推荐视频中,对应的预设观看时长最长的前n个向用户进行推荐。
49、在本发明实施的另一方面,还提供了一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
50、存储器,用于存放计算机程序;
51、处理器,用于执行存储器上所存放的程序时,实现上述任一网络模型的训练方法。
52、在本发明实施的另一方面,还提供了一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
53、存储器,用于存放计算机程序;
54、处理器,用于执行存储器上所存放的程序时,实现上述任一视频推荐方法。
55、在本发明实施的另一方面,还提供了一种计算机可读存储介质,其特征在于,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述任一网络模型的训练方法。
56、在本发明实施的另一方面,还提供了一种计算机可读存储介质,其特征在于,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述任一视频推荐方法。
57、在本发明实施的又一方面,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述任一网络模型的训练方法。
58、在本发明实施的又一方面,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述任一视频推荐方法。
59、本发明实施例提供的网络模型的训练方法及视频推荐方法、装置、电子设备,通过获取样本视频的属性信息,其中,所述属性信息包括样本视频的多个第一用户观看时长和第一平均观看时长,所述第一平均观看时长是根据多个第一用户观看时长计算得到的平均时长;根据所述多个第一用户观看时长和所述第一平均观看时长计算所述样本视频的时长标签;将所述样本视频的属性信息输入待训练网络模型计算得到所述样本视频的预测观看时长,并根据所述预测观看时长和所述时长标签计算所述待训练网络模型当前的损失,根据所述当前损失对所述待训练网络模型的参数进行调整继续进行训练直至满足预设循环存储或当前损失小于预设损失阈值,得到训练好的网络模型。可见,通过本技术实施例的方案,可以通过获取样本视频对应的用户观看时长和用户的平均观看时长,然后根据该用户观看时长和用户的平均观看时长进行样本标签的计算,从而以计算得到的标签为目标进行模型的训练得到训练好的网络模型,从而在根据该训练好的网络模型进行用户喜好的视频的推荐时,可以根据视频的时长以及预测用户的观看时长进行视频的推荐,从而避免仅通过用户的历史浏览记录、内容热度、用户标识等不能准确反映用户的真实喜好的特征进行视频推荐时准确度低的问题,提高视频推荐的准确度。