CN116821475A - 基于客户数据的视频推荐方法、装置及计算机设备 - Google Patents

Abstract

本申请实施例属于人工智能领域，涉及一种基于客户数据的视频推荐方法、装置、计算机设备及存储介质，方法包括：获取客户的客户画像，包括兴趣标签和观看习惯标签，观看习惯标签基于客户对历史视频的观看习惯数据生成；获取各候选视频的视频画像，每个视频画像包含内容标签和播放风格标签，其中，内容标签与兴趣标签相对应，播放风格标签与观看习惯标签相对应；分别计算客户画像与各候选视频的视频画像之间的相似度；获取各候选视频的视频评分；根据各候选视频所对应的相似度和视频评分，计算各候选视频的推荐评分；根据得到的推荐评分从各候选视频中选取目标视频，并根据选取的目标视频对客户进行视频推荐。本申请提高了视频推荐的准确性。

Description

基于客户数据的视频推荐方法、装置及计算机设备

技术领域

本申请涉及人工智能技术领域，尤其涉及一种基于客户数据的视频推荐方法、装置、计算机设备及存储介质。

背景技术

随着互联网技术的发展，各类视频网站(包含视频应用)也得到了快速发展。目前，浏览视频已经成为网络娱乐活动中不可缺少的组成部分。为了吸引客户，视频网站会向客户进行视频推荐。当前的视频推荐技术会预先给视频添加标签，标签可以表明视频的内容，通常关于视频的题材以及视频中涉及的人物等。视频网站的服务器会根据客户观看过的视频的标签，预测客户感兴趣的视频类型，并向客户推荐感兴趣视频类型下高热度的视频。然而，这种视频推荐技术依旧存在狭隘之处，并可能产生视频热度的马太效应，影响视频的推荐效果。

发明内容

本申请实施例的目的在于提出一种基于客户数据的视频推荐方法、装置、计算机设备及存储介质，以提高视频推荐的准确性。

为了解决上述技术问题，本申请实施例提供一种基于客户数据的视频推荐方法，采用了如下所述的技术方案：

获取客户的客户画像，所述客户画像包含兴趣标签和观看习惯标签，所述观看习惯标签基于所述客户对历史视频的观看习惯数据生成；

获取各候选视频的视频画像，每个视频画像包含内容标签和播放风格标签，其中，内容标签与兴趣标签相对应，播放风格标签与观看习惯标签相对应；

分别计算所述客户画像与所述各候选视频的视频画像之间的相似度；

获取所述各候选视频的视频评分；

根据所述各候选视频所对应的相似度和视频评分，计算所述各候选视频的推荐评分；

根据得到的推荐评分从所述各候选视频中选取目标视频，并根据选取的目标视频对所述客户进行视频推荐。

进一步的，在所述获取客户的客户画像的步骤之前，还包括：

获取客户对历史视频的观看历史数据，所述观看历史数据包括所述历史视频的内容标签和视频风格标签、所述历史视频的播放来源、所述客户对所述历史视频的操作行为数据和观看习惯数据；

根据所述观看历史数据，生成所述客户的客户画像。

进一步的，所述根据所述观看历史数据，生成所述客户的客户画像的步骤包括：

根据所述操作行为数据，生成所述客户对所述历史视频的倾向标签；

对所述内容标签、所述视频风格标签和所述观看习惯数据进行聚类，得到兴趣标签和观看习惯标签；

根据所述兴趣标签和所述观看习惯标签所对应历史视频的倾向标签和播放来源，给所述兴趣标签和所述观看习惯标签添加权重，添加的权重用于所述客户画像与各候选视频的视频画像之间相似度的计算；

根据所述兴趣标签、所述观看习惯标签及其对应的权重，生成所述客户的客户画像。

进一步的，所述分别计算所述客户画像与所述各候选视频的视频画像之间的相似度的步骤包括：

对于每个候选视频的视频画像，将所述客户画像中的兴趣标签与所述视频画像中的内容标签构建为第一标签组合；

将所述客户画像中的观看习惯标签与所述视频画像中的播放风格标签构建为第二标签组合；

将所述第一标签组合和所述第二标签组合输入画像评估模型，得到所述客户画像与所述视频画像之间的相似度。

进一步的，所述分别计算所述客户画像与所述各候选视频的视频画像之间的相似度的步骤包括：

将所述客户画像中的兴趣标签转换为第一序列，以及将所述客户画像中的观看习惯标签转换为第二序列；

对于每个候选视频的视频画像，将所述视频画像中的内容标签转换为第三序列，以及将所述视频画像中的播放风格标签转换为第四序列；

计算所述第一序列与所述第三序列之间的第一欧氏距离，并将所述第一欧氏距离设置为第一相似度；

计算所述第二序列与所述第四序列之间的第二欧氏距离，并将所述第二欧氏距离设置为第二相似度；

根据所述第一相似度和所述第二相似度计算所述客户画像与所述视频画像之间的相似度。

进一步的，在所述获取所述各候选视频的视频评分的步骤之前，还包括：

对于每个候选视频，获取所述候选视频的多维度评估信息，所述多维度评估信息包括发布者信息、音频信息、图像信息和内容信息；

对于每种评估信息，通过预设的评估模型处理所述评估信息，得到所述评估信息的评估分；

根据各评估分计算所述候选视频的视频评分。

进一步的，所述根据所述各候选视频所对应的相似度和视频评分，计算所述各候选视频的推荐评分的步骤包括：

根据预设的映射规则，对所述各候选视频所对应的相似度和视频评分分别进行映射处理，得到标准相似度和标准视频评分；

根据所述各候选视频的标准相似度和标准视频评分，计算所述各候选视频针对所述客户的推荐评分。

为了解决上述技术问题，本申请实施例还提供一种基于客户数据的视频推荐装置，采用了如下所述的技术方案：

客户画像获取模块，用于获取客户的客户画像，所述客户画像包含兴趣标签和观看习惯标签，所述观看习惯标签基于所述客户对历史视频的观看习惯数据生成；

视频画像获取模块，用于获取各候选视频的视频画像，每个视频画像包含内容标签和播放风格标签，其中，内容标签与兴趣标签相对应，播放风格标签与观看习惯标签相对应；

相似度计算模块，用于分别计算所述客户画像与所述各候选视频的视频画像之间的相似度；

视频评分获取模块，用于获取所述各候选视频的视频评分；

推荐评分计算模块，用于根据所述各候选视频所对应的相似度和视频评分，计算所述各候选视频的推荐评分；

选取推荐模块，用于根据得到的推荐评分从所述各候选视频中选取目标视频，并根据选取的目标视频对所述客户进行视频推荐。

为了解决上述技术问题，本申请实施例还提供一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如上所述的基于客户数据的视频推荐方法的步骤。

为了解决上述技术问题，本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如上所述的基于客户数据的视频推荐方法的步骤。

与现有技术相比，本申请实施例主要有以下有益效果：获取客户的客户画像，客户画像包含兴趣标签和观看习惯标签，观看习惯标签基于客户对历史视频的观看习惯数据生成，侧重于视频制作以及客户浏览习惯上的特征，能够更全面地记录客户对视频的偏好；获取各候选视频的视频画像，视频画像包含内容标签和播放风格标签，内容标签与兴趣标签相对应，播放风格标签与观看习惯标签相对应，是对候选视频特征的描述；计算客户画像与各候选视频的视频画像间的相似度，相似度越高，代表候选视频越接近客户的喜好；候选视频具有描述视频质量的视频评分，根据各候选视频的相似度和视频评分，计算各候选视频的推荐评分，它以数值表示候选视频对客户的推荐价值；从而根据推荐评分从各候选视频中选取目标视频，并根据目标视频对客户进行视频推荐；本申请考虑到了客户的观看习惯和视频质量，评估要素更加全面，提高了视频推荐的准确性。

附图说明

为了更清楚地说明本申请中的方案，下面将对本申请实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本申请可以应用于其中的示例性系统架构图；

图2是根据本申请的基于客户数据的视频推荐方法的一个实施例的流程图；

图3是根据本申请的生成客户画像的一个实施例的流程图；

图4是图3中步骤S208的一种具体实施方式的流程图；

图5是图2中步骤S203的一种具体实施方式的流程图；

图6是图2中步骤S203的另一种具体实施方式的流程图；

图7是根据本申请的基于客户数据的视频推荐装置的一个实施例的结构示意图；

图8是根据本申请的计算机设备的一个实施例的结构示意图。

具体实施方式

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。

在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

为了使本技术领域的人员更好地理解本申请方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。

终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture ExpertsGroup Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving PictureExperts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器。

需要说明的是，本申请实施例所提供的基于客户数据的视频推荐方法一般由服务器执行，相应地，基于客户数据的视频推荐装置一般设置于服务器中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，示出了根据本申请的基于客户数据的视频推荐方法的一个实施例的流程图。所述的基于客户数据的视频推荐方法，包括以下步骤：

步骤S201，获取客户的客户画像，客户画像包含兴趣标签和观看习惯标签，观看习惯标签基于客户对历史视频的观看习惯数据生成。

在本实施例中，基于客户数据的视频推荐方法运行于其上的电子设备(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式与终端设备进行通信。需要指出的是，上述无线连接方式可以包括但不限于3G/4G/5G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。

具体地，获取客户的客户画像，客户画像是预先生成的，包含兴趣标签和观看习惯标签。兴趣标签表示客户感兴趣的元素，包括视频的题材(例如“喜剧电影”)，视频涉及的人物/对象(例如演员“张三”)、活动(例如“XXX摄影比赛”)等。观看习惯标签基于客户对历史视频的观看习惯数据生成，历史视频是客户过去观看过的视频，观看习惯数据是与客户观看习惯相关的数据，根据观看习惯数据生成的观看习惯标签也可以反应客户对视频的偏好与兴趣，但它并非前边提到的视频的题材、视频涉及的人物、对象、活动等。观看习惯标签可以侧重于视频制作方面的特征，例如，视频内容可以在刚开始就就交代精彩、关键环节，也可以慢慢推进、娓娓道来；视频节奏可以平缓，也可以较为激昂、紧张；客户在浏览视频时，对上述特征可能会有所偏好，观看习惯标签可以记录上述偏好。并且，客户在观看视频时，可以进行跳跃式观看、快进式观看等，不同的观看方式也可以与上述视频制作方面的特征相关联，这些也可以用观看习惯标签进行记录；对于不同兴趣标签的视频，客户可以具有不同的观看习惯，因此观看习惯标签也可以叠加兴趣标签下的标签。

步骤S202，获取各候选视频的视频画像，每个视频画像包含内容标签和播放风格标签，其中，内容标签与兴趣标签相对应，播放风格标签与观看习惯标签相对应。

其中，候选视频可以是视频网站中当前已有的视频，服务器需要选取候选视频以推送给客户。

具体地，获取各候选视频的视频画像，视频画像可以是视频被上传到视频网站时自动或人工添加生成的。视频画像包含内容标签和播放风格标签，内容标签与客户画像的兴趣标签相对应，播放风格标签与观看习惯标签相对应。这里的相对应，是指两类标签可以共享相同的全量标签集合，只是一类描述客户画像，一类表述视频画像。

步骤S203，分别计算客户画像与各候选视频的视频画像之间的相似度。

具体地，服务器按照预设的画像相似度评估策略，确定客户画像与每个候选视频的视频画像之间的相似度。相似度是一个数值，它的大小表示两个画像之间的相似程度、接近程度。

步骤S204，获取各候选视频的视频评分。

具体地，服务器还预先计算了各候选视频的视频评分，视频评分是候选视频的视频质量评分，预先根据多个维度的信息计算得到。

步骤S205，根据各候选视频所对应的相似度和视频评分，计算各候选视频的推荐评分。

具体地，当前，每个候选视频已经拥有了它的视频画像与客户画像之间的相似度，以及它的视频评分。服务器可以根据每个候选视频所具有的相似度和视频评分，计算推荐评分。推荐评分是数值，用于表示候选视频对客户的推荐价值，推荐评分越高，候选视频越值得推荐给客户。

步骤S206，根据得到的推荐评分从各候选视频中选取目标视频，并根据选取的目标视频对客户进行视频推荐。

具体地，根据推荐评分从各候选视频中选取目标视频，目标视频可以有多个。当接收到视频推荐指令时，将选取到的目标视频发送至客户所持有的客户端，并通过客户端展示、播放目标视频，从而完成视频推荐；其中，视频推荐指令可以是客户通过客户端打开视频网站时，网站前端触发的指令。

本实施例中，获取客户的客户画像，客户画像包含兴趣标签和观看习惯标签，观看习惯标签基于客户对历史视频的观看习惯数据生成，侧重于视频制作以及客户浏览习惯上的特征，能够更全面地记录客户对视频的偏好；获取各候选视频的视频画像，视频画像包含内容标签和播放风格标签，内容标签与兴趣标签相对应，播放风格标签与观看习惯标签相对应，是对候选视频特征的描述；计算客户画像与各候选视频的视频画像间的相似度，相似度越高，代表候选视频越接近客户的喜好；候选视频具有描述视频质量的视频评分，根据各候选视频的相似度和视频评分，计算各候选视频的推荐评分，它以数值表示候选视频对客户的推荐价值；从而根据推荐评分从各候选视频中选取目标视频，并根据目标视频对客户进行视频推荐；本申请考虑到了客户的观看习惯和视频质量，评估要素更加全面，提高了视频推荐的准确性。

进一步的，如图3所示，在上述步骤S201之前，还可以包括生成客户画像的步骤，所述生成客户画像的步骤包括：

步骤S207，获取客户对历史视频的观看历史数据，观看历史数据包括历史视频的内容标签和视频风格标签、历史视频的播放来源、客户对历史视频的操作行为数据和观看习惯数据。

步骤S208，根据观看历史数据，生成客户的客户画像。

具体地，服务器需要先生成客户的客户画像。首先获取客户对历史视频的观看历史数据，这里的历史视频，可以是按照本申请各实施例中的基于客户数据的视频推荐方法向客户推荐、并由客户观看的视频(本申请中的基于客户数据的视频推荐方法可以多次执行，从而提高视频推荐的时效性以及准确性)，也可以是按照其他视频推荐方法向客户推荐、并由客户观看的视频。

观看历史数据包括历史视频的内容标签和视频风格标签、历史视频的播放来源、客户对历史视频的操作行为数据和观看习惯数据。其中，内容标签记录视频的题材，视频涉及的人物、对象、活动等。视频风格标签记录视频制作方面的特征。用户观看的历史视频具有播放来源，它是指客户通过何种方式观看到了视频，包括视频网站的自动推荐，用户基于搜索找到历史视频，用户从观看历史记录里找到历史视频并重新观看，用户从收藏夹或点赞栏里找到历史视频并重新观看。

客户观看视频会产生操作行为数据和观看习惯数据。其中，客户对视频的点赞、收藏、评论、转发等行为构成操作行为数据。上文提到的客户浏览视频时，对视频制作特征的偏好、视频播放方面的偏好构成观看习惯数据。

服务器对观看历史数据进行处理，生成客户的客户画像。

本实施例中，获取客户对历史视频的观看历史数据，包括历史视频的内容标签和视频风格标签、历史视频的播放来源、客户对历史视频的操作行为数据和观看习惯数据，从多个维度记录客户对历史视频的观看，确保了根据观看历史数据生成的客户画像的准确性。

进一步的，如图4所示，上述步骤S208可以包括：

步骤S2081，根据操作行为数据，生成客户对历史视频的倾向标签。

具体地，操作行为数据包括客户对历史视频的点赞、点踩、收藏、评论、发表弹幕、转发、打赏等行为，可以一定程度地表示客户对历史视频的主观倾向与偏好，因此可以根据操作行为数据生成客户对历史视频的倾向标签。例如，当客户对历史视频进行点赞、收藏、转发，并留下评论“呀，视频讲的很透彻，很好”，则可以生成“非常喜欢”的倾向标签；当客户对视频点踩，并留下评论“乱七八糟，毫无逻辑”，则可以生成“厌恶”的倾向标签。

倾向标签可以根据规则库或者采用人工智能的模型生成。

步骤S2082，对内容标签、视频风格标签和观看习惯数据进行聚类，得到兴趣标签和观看习惯标签。

具体地，服务器对全部的内容标签、视频风格标签和观看习惯数据进行聚类，得到兴趣标签和观看习惯标签，其中，兴趣标签可以由内容标签和视频风格标签聚类得到，观看习惯标签可以由视频风格标签和观看习惯数据聚类得到。

兴趣标签和观看习惯标签会关联于一些历史视频。在一个实施例中，如果兴趣标签和观看习惯标签关联到的历史视频数量较少，例如小于预设的数量阈值，则可以将这些兴趣标签和观看习惯标签删除，以确保得到的兴趣标签和观看习惯标签是基于较多历史视频得到的，较多的样本可以确保标签的准确性。

步骤S2083，根据兴趣标签和观看习惯标签所对应历史视频的倾向标签和播放来源，给兴趣标签和观看习惯标签添加权重，添加的权重用于客户画像与各候选视频的视频画像之间相似度的计算。

具体地，兴趣标签和观看习惯标签会关联于一些历史视频，这些历史视频带有倾向标签和播放来源。当倾向标签表明客户对历史视频具有偏好性时，表示兴趣标签和观看习惯标签较为重要，这些标签带来的信息需要重视，可以添加较高的权重。播放来源显示客户通过何种方式观看到了视频，如果播放来源显示客户是基于搜索找到历史视频，从历史记录、收藏夹或点赞栏里找到的历史视频，则表示可以对历史视频具有较强的兴趣，这些标签带来的信息需要重视，也可以添加较高的权重。权重会参与客户画像与各候选视频的视频画像之间相似度的计算。

步骤S2084，根据兴趣标签、观看习惯标签及其对应的权重，生成客户的客户画像。

具体地，根据兴趣标签、观看习惯标签及其分别对应的权重，服务器可以生成该客户的客户画像。

本实施例中，根据操作行为数据，生成客户对历史视频主观性的倾向标签；对内容标签、视频风格标签和观看习惯数据进行聚类，得到兴趣标签和观看习惯标签；根据兴趣标签和观看习惯标签所对应历史视频的倾向标签和播放来源，给兴趣标签和观看习惯标签添加权重，以对兴趣标签和观看习惯标签的重要性进行区分；根据兴趣标签、观看习惯标签及其对应的权重，生成描述客户的客户画像，以便进行后续的视频推荐。

进一步的，如图5所示，在一个实施例中，上述步骤S203可以包括：

步骤S2031，对于每个候选视频的视频画像，将客户画像中的兴趣标签与视频画像中的内容标签构建为第一标签组合。

具体地，由于客户画像中的兴趣标签与视频画像中的内容标签是对应的，因此，对于每个候选视频的视频画像，将客户画像中的兴趣标签与视频画像中的内容标签构建为第一标签组合。

兴趣标签下又可以包含多个子类的标签(例如视频的题材、视频涉及的人物、对象和活动等)，内容标签下也可以包含多个子类，可以将兴趣标签与内容标签下对应的子类组合在一起，根据多个子类的组合得到第一标签组合。如果子类中也含有多个标签，那么可以按照拼音对子类下的标签进行排序，使得标签组合中的标签具有一定顺序。

步骤S2032，将客户画像中的观看习惯标签与视频画像中的播放风格标签构建为第二标签组合。

具体地，将客户画像中的观看习惯标签与视频画像中的播放风格标签组合在一起，得到第二标签组合。

步骤S2033，将第一标签组合和第二标签组合输入画像评估模型，得到客户画像与视频画像之间的相似度。

具体地，将第一标签组合和第二标签组合输入画像评估模型，画像评估模型可以基于随机森林或GBDT(Gradient Boosting Decison Tree)构建，也可以由基于人工智能的模型经过深度学习得到。画像评估模型可以输出客户画像与视频画像之间的相似度。

标签组合中的兴趣标签和观看习惯标签可以带有权重，画像评估模型会将权重纳入计算。

本实施例中，对于每个候选视频的视频画像，将客户画像中的兴趣标签与视频画像中的内容标签构建为第一标签组合，将客户画像中的观看习惯标签与视频画像中的播放风格标签构建为第二标签组合；将得到的标签组合输入画像评估模型，以便由模型计算客户画像与视频画像之间的相似度。

进一步的，如图6所示，在另一个实施例中，上述步骤S203可以包括：

步骤S2034，将客户画像中的兴趣标签转换为第一序列，以及将客户画像中的观看习惯标签转换为第二序列。

步骤S2035，对于每个候选视频的视频画像，将视频画像中的内容标签转换为第三序列，以及将视频画像中的播放风格标签转换为第四序列。

具体地，本申请还提供另一种相似度的计算方式。服务器将客户画像中的兴趣标签转换为第一序列，将客户画像中的观看习惯标签转换为第二序列。

对于每个候选视频的视频画像，将视频画像中的内容标签转换为第三序列，以及将视频画像中的播放风格标签转换为第四序列。

上述得到的序列可以是向量形式的序列，根据预设的转换规则将文本形式的标签转换为向量序列。

前文提到，一些标签，例如兴趣标签，又可以包含多个子类的标签。因此，可以先将标签按照预设的顺序进行排列(例如规定子类标签的排列顺序)，然后转换为向量序列。

步骤S2036，计算第一序列与第三序列之间的第一欧氏距离，并将第一欧氏距离设置为第一相似度。

步骤S2037，计算第二序列与第四序列之间的第二欧氏距离，并将第二欧氏距离设置为第二相似度。

步骤S2038，根据第一相似度和第二相似度计算客户画像与视频画像之间的相似度。

具体地，计算第一序列与第三序列之间的欧氏距离，将其作为第一欧氏距离，并将第一欧氏距离设置为第一相似度。计算第二序列与第四序列之间的欧氏距离，将其作为第二欧氏距离，并将第二欧氏距离设置为第二相似度。如果标签带有权重，则权重也需要参与欧氏距离的计算，例如根据权重增大欧氏距离中对应项的值(平方和)。

然后根据第一相似度和第二相似度计算客户画像与视频画像之间的相似度，在一个实施例中，将第一相似度和第二相似度相加，得到客户画像与视频画像之间的相似度。

在一个实施例中，也可以计算第一序列和第三序列之间的余弦相似度作为第一相似度，计算第二序列和第四序列之间的余弦相似度作为第二相似度，然后计算客户画像与视频画像之间的相似度。

本实施例中，将画像中的标签转换为向量序列，通过计算向量序列之间的欧氏距离，实现定量评估客户画像与视频画像之间的相似度。

进一步的，在上述步骤S204之前，还可以包括：对于每个候选视频，获取候选视频的多维度评估信息，多维度评估信息包括发布者信息、音频信息、图像信息和内容信息；对于每种评估信息，通过预设的评估模型处理评估信息，得到评估信息的评估分；根据各评估分计算候选视频的视频评分。

具体地，在给候选视频评分时，先获取候选视频的多维度评估信息，包括发布者信息、音频信息、图像信息和内容信息。其中，发布者信息可以是候选视频的发布者/制作者相关的信息，例如发布者在过去发布视频的视频评分、视频的热度数据等。音频信息包括候选视频的音频质量(例如清晰度、噪声状况等)、所使用音乐的评分(该评分可以通过其他的音乐评分表确定)等。图像信息可以是候选视频的封面图以及视频中间的截图。内容信息可以是候选视频中语音、讲话等的文本信息。

对于每种评估信息，通过预设的评估模型处理评估信息，评估模型包括规则模型、基于人工智能的模型，也可以是它们的组合。不同种的评估信息使用不同的评估模型进行处理，并输出每种评估信息的评估分，例如，对于发布者信息和音频信息，可以使用规则模型进行评估分的计算。对于图像信息，可以检测图像质量(例如图像清晰度等)，并通过人工智能模型识别图像中是否出现敏感内容，并根据检测结果生成相应的评估分。通过人工智能模型对内容信息进行文本内容检测与评分，得到评估分。

最后根据各评估分计算候选视频的视频评分，例如可以将各种评估信息的评估分相加得到候选视频的视频评分。

本实施例中，获取候选视频的多维度评估信息，包括发布者信息、音频信息、图像信息和内容信息；对于每种评估信息，通过相应的评估模型进行处理得到评估分，根据各评估分计算候选视频的视频评分，从而从多个维度对候选视频进行综合性评分，确保了视频评分的准确性。

进一步的，上述步骤S205可以包括：根据预设的映射规则，对各候选视频所对应的相似度和视频评分分别进行映射处理，得到标准相似度和标准视频评分；根据各候选视频的标准相似度和标准视频评分，计算各候选视频针对客户的推荐评分。

具体地，各候选视频所对应的相似度和视频评分是两种不同的数值型信息，需要根据预设的映射规则，对相似度和视频评分进行映射处理，映射处理可以理解为将相似度/视频评分转化到一个预设的区间，得到标准相似度和标准视频评分。

根据各候选视频的标准相似度和标准视频评分，可以计算各候选视频针对客户的推荐评分，例如将标准相似度和标准视频评分直接相加或者进行加权求和，得到推荐评分。

本实施例中，对各候选视频所对应的相似度和视频评分进行映射处理，得到标准相似度和标准视频评分，并根据标准相似度和标准视频评分计算各候选视频针对客户的推荐评分，从而实现候选视频是否值得推送给客户的评估计算。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机可读指令来指令相关的硬件来完成，该计算机可读指令可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等非易失性存储介质，或随机存储记忆体(Random Access Memory，RAM)等。

应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

进一步参考图7，作为对上述图2所示方法的实现，本申请提供了一种基于客户数据的视频推荐装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图7所示，本实施例所述的基于客户数据的视频推荐装置300包括：客户画像获取模块301、视频画像获取模块302、相似度计算模块303、视频评分获取模块304、推荐评分计算模块305以及选取推荐模块306，其中：

客户画像获取模块301，用于获取客户的客户画像，客户画像包含兴趣标签和观看习惯标签，观看习惯标签基于客户对历史视频的观看习惯数据生成。

视频画像获取模块302，用于获取各候选视频的视频画像，每个视频画像包含内容标签和播放风格标签，其中，内容标签与兴趣标签相对应，播放风格标签与观看习惯标签相对应。

相似度计算模块303，用于分别计算客户画像与各候选视频的视频画像之间的相似度。

视频评分获取模块304，用于获取各候选视频的视频评分。

推荐评分计算模块305，用于根据各候选视频所对应的相似度和视频评分，计算各候选视频的推荐评分。

选取推荐模块306，用于根据得到的推荐评分从各候选视频中选取目标视频，并根据选取的目标视频对客户进行视频推荐。

本实施例中，获取客户的客户画像，客户画像包含兴趣标签和观看习惯标签，观看习惯标签基于客户对历史视频的观看习惯数据生成，侧重于视频制作以及客户浏览习惯上的特征，能够更全面地记录客户对视频的偏好；获取各候选视频的视频画像，视频画像包含内容标签和播放风格标签，内容标签与兴趣标签相对应，播放风格标签与观看习惯标签相对应，是对候选视频特征的描述；计算客户画像与各候选视频的视频画像间的相似度，相似度越高，代表候选视频越接近客户的喜好；候选视频具有描述视频质量的视频评分，根据各候选视频的相似度和视频评分，计算各候选视频的推荐评分，它以数值表示候选视频对客户的推荐价值；从而根据推荐评分从各候选视频中选取目标视频，并根据目标视频对客户进行视频推荐；本申请考虑到了客户的观看习惯和视频质量，评估要素更加全面，提高了视频推荐的准确性。

在本实施例的一些可选的实现方式中，基于客户数据的视频推荐装置300还可以包括：历史获取模块以及客户画像生成模块，其中：

历史获取模块，用于获取客户对历史视频的观看历史数据，观看历史数据包括历史视频的内容标签和视频风格标签、历史视频的播放来源、客户对历史视频的操作行为数据和观看习惯数据。

客户画像生成模块，用于根据观看历史数据，生成客户的客户画像。

本实施例中，获取客户对历史视频的观看历史数据，包括历史视频的内容标签和视频风格标签、历史视频的播放来源、客户对历史视频的操作行为数据和观看习惯数据，从多个维度记录客户对历史视频的观看，确保了根据观看历史数据生成的客户画像的准确性。

在本实施例的一些可选的实现方式中，客户画像生成模块可以包括：倾向标签生成子模块、聚类子模块、权重添加子模块以及画像生成子模块，其中：

倾向标签生成子模块，用于根据操作行为数据，生成客户对历史视频的倾向标签。

聚类子模块，用于对内容标签、视频风格标签和观看习惯数据进行聚类，得到兴趣标签和观看习惯标签。

权重添加子模块，用于根据兴趣标签和观看习惯标签所对应历史视频的倾向标签和播放来源，给兴趣标签和观看习惯标签添加权重，添加的权重用于客户画像与各候选视频的视频画像之间相似度的计算。

画像生成子模块，用于根据兴趣标签、观看习惯标签及其对应的权重，生成客户的客户画像。

本实施例中，根据操作行为数据，生成客户对历史视频主观性的倾向标签；对内容标签、视频风格标签和观看习惯数据进行聚类，得到兴趣标签和观看习惯标签；根据兴趣标签和观看习惯标签所对应历史视频的倾向标签和播放来源，给兴趣标签和观看习惯标签添加权重，以对兴趣标签和观看习惯标签的重要性进行区分；根据兴趣标签、观看习惯标签及其对应的权重，生成描述客户的客户画像，以便进行后续的视频推荐。

在本实施例的一些可选的实现方式中，相似度计算模块303可以包括：第一构建子模块、第二构建子模块以及组合输入子模块，其中：

第一构建子模块，用于对于每个候选视频的视频画像，将客户画像中的兴趣标签与视频画像中的内容标签构建为第一标签组合。

第二构建子模块，用于将客户画像中的观看习惯标签与视频画像中的播放风格标签构建为第二标签组合。

组合输入子模块，用于将第一标签组合和第二标签组合输入画像评估模型，得到客户画像与视频画像之间的相似度。

本实施例中，对于每个候选视频的视频画像，将客户画像中的兴趣标签与视频画像中的内容标签构建为第一标签组合，将客户画像中的观看习惯标签与视频画像中的播放风格标签构建为第二标签组合；将得到的标签组合输入画像评估模型，以便由模型计算客户画像与视频画像之间的相似度。

在本实施例的一些可选的实现方式中，相似度计算模块303还可以包括：客户画像转换子模块、视频画像转换子模块、第一计算子模块、第二计算子模块以及相似度计算子模块，其中：

客户画像转换子模块，用于将客户画像中的兴趣标签转换为第一序列，以及将客户画像中的观看习惯标签转换为第二序列。

视频画像转换子模块，用于对于每个候选视频的视频画像，将视频画像中的内容标签转换为第三序列，以及将视频画像中的播放风格标签转换为第四序列。

第一计算子模块，用于计算第一序列与第三序列之间的第一欧氏距离，并将第一欧氏距离设置为第一相似度。

第二计算子模块，用于计算第二序列与第四序列之间的第二欧氏距离，并将第二欧氏距离设置为第二相似度。

相似度计算子模块，用于根据第一相似度和第二相似度计算客户画像与视频画像之间的相似度。

本实施例中，将画像中的标签转换为向量序列，通过计算向量序列之间的欧氏距离，实现定量评估客户画像与视频画像之间的相似度。

在本实施例的一些可选的实现方式中，基于客户数据的视频推荐装置300可以包括：信息获取模块、评估分计算模块以及评分计算模块，其中：

信息获取模块，用于对于每个候选视频，获取候选视频的多维度评估信息，多维度评估信息包括发布者信息、音频信息、图像信息和内容信息。

评估分计算模块，用于对于每种评估信息，通过预设的评估模型处理评估信息，得到评估信息的评估分。

评分计算模块，用于根据各评估分计算候选视频的视频评分。

本实施例中，获取候选视频的多维度评估信息，包括发布者信息、音频信息、图像信息和内容信息；对于每种评估信息，通过相应的评估模型进行处理得到评估分，根据各评估分计算候选视频的视频评分，从而从多个维度对候选视频进行综合性评分，确保了视频评分的准确性。

在本实施例的一些可选的实现方式中，推荐评分计算模块305可以包括：映射处理子模块以及评分计算子模块，其中：

映射处理子模块，用于根据预设的映射规则，对各候选视频所对应的相似度和视频评分分别进行映射处理，得到标准相似度和标准视频评分。

评分计算子模块，用于根据各候选视频的标准相似度和标准视频评分，计算各候选视频针对客户的推荐评分。

本实施例中，对各候选视频所对应的相似度和视频评分进行映射处理，得到标准相似度和标准视频评分，并根据标准相似度和标准视频评分计算各候选视频针对客户的推荐评分，从而实现候选视频是否值得推送给客户的评估计算。

为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图8，图8为本实施例计算机设备基本结构框图。

所述计算机设备4包括通过系统总线相互通信连接存储器41、处理器42、网络接口43。需要指出的是，图中仅示出了具有组件41-43的计算机设备4，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable GateArray，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。

所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。

所述存储器41至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器41可以是所述计算机设备4的内部存储单元，例如该计算机设备4的硬盘或内存。在另一些实施例中，所述存储器41也可以是所述计算机设备4的外部存储设备，例如该计算机设备4上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(FlashCard)等。当然，所述存储器41还可以既包括所述计算机设备4的内部存储单元也包括其外部存储设备。本实施例中，所述存储器41通常用于存储安装于所述计算机设备4的操作系统和各类应用软件，例如基于客户数据的视频推荐方法的计算机可读指令等。此外，所述存储器41还可以用于暂时地存储已经输出或者将要输出的各类数据。

所述处理器42在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器42通常用于控制所述计算机设备4的总体操作。本实施例中，所述处理器42用于运行所述存储器41中存储的计算机可读指令或者处理数据，例如运行所述基于客户数据的视频推荐方法的计算机可读指令。

所述网络接口43可包括无线网络接口或有线网络接口，该网络接口43通常用于在所述计算机设备4与其他电子设备之间建立通信连接。

本实施例中提供的计算机设备可以执行上述基于客户数据的视频推荐方法。此处基于客户数据的视频推荐方法可以是上述各个实施例的基于客户数据的视频推荐方法。

本实施例中，获取客户的客户画像，客户画像包含兴趣标签和观看习惯标签，观看习惯标签基于客户对历史视频的观看习惯数据生成，侧重于视频制作以及客户浏览习惯上的特征，能够更全面地记录客户对视频的偏好；获取各候选视频的视频画像，视频画像包含内容标签和播放风格标签，内容标签与兴趣标签相对应，播放风格标签与观看习惯标签相对应，是对候选视频特征的描述；计算客户画像与各候选视频的视频画像间的相似度，相似度越高，代表候选视频越接近客户的喜好；候选视频具有描述视频质量的视频评分，根据各候选视频的相似度和视频评分，计算各候选视频的推荐评分，它以数值表示候选视频对客户的推荐价值；从而根据推荐评分从各候选视频中选取目标视频，并根据目标视频对客户进行视频推荐；本申请考虑到了客户的观看习惯和视频质量，评估要素更加全面，提高了视频推荐的准确性。

本申请还提供了另一种实施方式，即提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，所述计算机可读指令可被至少一个处理器执行，以使所述至少一个处理器执行如上述的基于客户数据的视频推荐方法的步骤。

本实施例中，获取客户的客户画像，客户画像包含兴趣标签和观看习惯标签，观看习惯标签基于客户对历史视频的观看习惯数据生成，侧重于视频制作以及客户浏览习惯上的特征，能够更全面地记录客户对视频的偏好；获取各候选视频的视频画像，视频画像包含内容标签和播放风格标签，内容标签与兴趣标签相对应，播放风格标签与观看习惯标签相对应，是对候选视频特征的描述；计算客户画像与各候选视频的视频画像间的相似度，相似度越高，代表候选视频越接近客户的喜好；候选视频具有描述视频质量的视频评分，根据各候选视频的相似度和视频评分，计算各候选视频的推荐评分，它以数值表示候选视频对客户的推荐价值；从而根据推荐评分从各候选视频中选取目标视频，并根据目标视频对客户进行视频推荐；本申请考虑到了客户的观看习惯和视频质量，评估要素更加全面，提高了视频推荐的准确性。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。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，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。

显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。

Claims (10)

1.一种基于客户数据的视频推荐方法，其特征在于，包括下述步骤：

获取客户的客户画像，所述客户画像包含兴趣标签和观看习惯标签，所述观看习惯标签基于所述客户对历史视频的观看习惯数据生成；

获取各候选视频的视频画像，每个视频画像包含内容标签和播放风格标签，其中，内容标签与兴趣标签相对应，播放风格标签与观看习惯标签相对应；

分别计算所述客户画像与所述各候选视频的视频画像之间的相似度；

获取所述各候选视频的视频评分；

根据所述各候选视频所对应的相似度和视频评分，计算所述各候选视频的推荐评分；

根据得到的推荐评分从所述各候选视频中选取目标视频，并根据选取的目标视频对所述客户进行视频推荐。

2.根据权利要求1所述的基于客户数据的视频推荐方法，其特征在于，在所述获取客户的客户画像的步骤之前，还包括：

获取客户对历史视频的观看历史数据，所述观看历史数据包括所述历史视频的内容标签和视频风格标签、所述历史视频的播放来源、所述客户对所述历史视频的操作行为数据和观看习惯数据；

根据所述观看历史数据，生成所述客户的客户画像。

3.根据权利要求2所述的基于客户数据的视频推荐方法，其特征在于，所述根据所述观看历史数据，生成所述客户的客户画像的步骤包括：

根据所述操作行为数据，生成所述客户对所述历史视频的倾向标签；

对所述内容标签、所述视频风格标签和所述观看习惯数据进行聚类，得到兴趣标签和观看习惯标签；

根据所述兴趣标签和所述观看习惯标签所对应历史视频的倾向标签和播放来源，给所述兴趣标签和所述观看习惯标签添加权重，添加的权重用于所述客户画像与各候选视频的视频画像之间相似度的计算；

根据所述兴趣标签、所述观看习惯标签及其对应的权重，生成所述客户的客户画像。

4.根据权利要求1所述的基于客户数据的视频推荐方法，其特征在于，所述分别计算所述客户画像与所述各候选视频的视频画像之间的相似度的步骤包括：

对于每个候选视频的视频画像，将所述客户画像中的兴趣标签与所述视频画像中的内容标签构建为第一标签组合；

将所述客户画像中的观看习惯标签与所述视频画像中的播放风格标签构建为第二标签组合；

将所述第一标签组合和所述第二标签组合输入画像评估模型，得到所述客户画像与所述视频画像之间的相似度。

5.根据权利要求1所述的基于客户数据的视频推荐方法，其特征在于，所述分别计算所述客户画像与所述各候选视频的视频画像之间的相似度的步骤包括：

将所述客户画像中的兴趣标签转换为第一序列，以及将所述客户画像中的观看习惯标签转换为第二序列；

对于每个候选视频的视频画像，将所述视频画像中的内容标签转换为第三序列，以及将所述视频画像中的播放风格标签转换为第四序列；

计算所述第一序列与所述第三序列之间的第一欧氏距离，并将所述第一欧氏距离设置为第一相似度；

计算所述第二序列与所述第四序列之间的第二欧氏距离，并将所述第二欧氏距离设置为第二相似度；

根据所述第一相似度和所述第二相似度计算所述客户画像与所述视频画像之间的相似度。

6.根据权利要求1所述的基于客户数据的视频推荐方法，其特征在于，在所述获取所述各候选视频的视频评分的步骤之前，还包括：

对于每个候选视频，获取所述候选视频的多维度评估信息，所述多维度评估信息包括发布者信息、音频信息、图像信息和内容信息；

对于每种评估信息，通过预设的评估模型处理所述评估信息，得到所述评估信息的评估分；

根据各评估分计算所述候选视频的视频评分。

7.根据权利要求1所述的基于客户数据的视频推荐方法，其特征在于，所述根据所述各候选视频所对应的相似度和视频评分，计算所述各候选视频的推荐评分的步骤包括：

根据预设的映射规则，对所述各候选视频所对应的相似度和视频评分分别进行映射处理，得到标准相似度和标准视频评分；

根据所述各候选视频的标准相似度和标准视频评分，计算所述各候选视频针对所述客户的推荐评分。

8.一种基于客户数据的视频推荐装置，其特征在于，包括：

客户画像获取模块，用于获取客户的客户画像，所述客户画像包含兴趣标签和观看习惯标签，所述观看习惯标签基于所述客户对历史视频的观看习惯数据生成；

视频画像获取模块，用于获取各候选视频的视频画像，每个视频画像包含内容标签和播放风格标签，其中，内容标签与兴趣标签相对应，播放风格标签与观看习惯标签相对应；

相似度计算模块，用于分别计算所述客户画像与所述各候选视频的视频画像之间的相似度；

视频评分获取模块，用于获取所述各候选视频的视频评分；

推荐评分计算模块，用于根据所述各候选视频所对应的相似度和视频评分，计算所述各候选视频的推荐评分；

选取推荐模块，用于根据得到的推荐评分从所述各候选视频中选取目标视频，并根据选取的目标视频对所述客户进行视频推荐。

9.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的基于客户数据的视频推荐方法的步骤。

10.一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上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的基于客户数据的视频推荐方法的步骤。