CN112256892B - 视频推荐方法、装置、电子设备及存储介质 - Google Patents

Abstract

本公开关于一种视频推荐方法、装置、电子设备及存储介质视频，该视频推荐方法包括：获取目标视频对应的目标图像；将目标图像输入预设的目标分类模型，得到目标视频的关注度在预设区间的目标概率；获取目标图像输入目标分类模型生成的向量，得到目标向量；将目标概率和目标向量作为目标视频对应的视频推荐特征，输入预设的视频推荐模型，以对目标视频进行推荐。在实施过程中，目标视频对应的目标图像，往往能在很大程度上影响一个视频的关注度，因而，从目标图像出发，将目标图像输入预设的目标分类模型得到的目标概率和生成的目标向量，作为影响视频关注度的因素对目标视频进行推荐，能够提高视频曝光潜力预测结果的准确性。

Description

视频推荐方法、装置、电子设备及存储介质

技术领域

本公开涉及视频处理技术领域，尤其涉及一种视频推荐方法、装置、电子设备及存储介质视频。

背景技术

随着现代信息传输技术的快速进步和智能手机等视频接收设备的普及，短视频逐渐成为了人们日常接受信息的主要载体之一，各种各样的短视频平台如雨后春笋般涌现。在短视频平台中，准确地确定影响视频曝光量的因素，并预测一个视频是否能够成为高曝光的视频，并对能够成为高曝光的视频进行推荐，有助于该视频的推广和短视频平台的良性发展。传统视频推荐方法中，通常是将一段时间内短视频的曝光量、点击率、点赞率、关注率或完播率等作为影响视频曝光量的因素，进行视频曝光潜力的预测和视频的推荐。

然而，在冷启动模型中，关于视频的曝光量、点击率、点赞率、关注率或完播率等数据较少，因此，采用传统视频推荐方法，通过视频的曝光量、点击率、点赞率、关注率或完播率等，无法精确地对该视频曝光潜力进行预测，无法准确地对待推荐视频进行推荐。

发明内容

本公开提供一种视频推荐方法、装置、电子设备及存储介质，以至少解决相关技术中无法准确地对待推荐视频进行推荐的问题。本公开的技术方案如下：

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：

获取目标视频对应的目标图像；

将所述目标图像输入预设的目标分类模型，得到所述目标视频的关注度在预设区间的目标概率；其中，所述关注度为衡量所述目标视频的被关注程度的综合参数值，所述目标分类模型为根据历史视频训练得到的用于预测关注度分布的模型；

获取所述目标图像输入所述目标分类模型生成的向量，得到目标向量；

将所述目标概率和所述目标向量作为所述目标视频对应的视频推荐特征，输入预设的视频推荐模型，以对所述目标视频进行推荐。

在一示例性实施例中，所述获取所述目标图像输入所述目标分类模型生成的向量，得到目标向量，包括：

将所述目标图像输入所述目标分类模型，并将预设全连接层输出的特征向量，确定为所述目标向量。

在一示例性实施例中，所述目标分类模型的获取方式，包括：

获取历史视频对应的历史图像，以及所述历史视频的关注度；

按照所述预设区间，对所述历史视频的关注度进行分类，得到关注度分类结果；

以所述历史图像为输入，所述关注度分类结果为监督信息，对预设的初始分类模型进行训练，得到所述目标分类模型。

在一示例性实施例中，所述关注度包括主关注度和辅助关注度；所述主关注度包括所述目标视频对应的关注量，所述辅助关注度包括所述目标视频对应的点击率、点赞率、关注率或完播率中的至少一个；所述预设区间包括第一预设区间和第二预设区间；

所述按照所述预设区间，对所述历史视频的关注度进行分类，得到关注度分类结果，包括：

按照所述第一预设区间，对所述主关注度进行分类，得到第一分类结果；

按照所述第二预设区间，对所述辅助关注度进行分类，得到第二分类结果；

将所述第一分类结果和所述第二分类结果，确定为所述关注度分类结果。

在一示例性实施例中，所述按照所述第一预设区间，对所述主关注度进行分类，得到第一分类结果，之前包括：

按照预设数值序列对所述第一预设区间进行划分，得到至少一个主预设区间；

按照对数函数的形式对所述第二预设区间进行划分，得到至少一个个辅助预设区间。

在一示例性实施例中，所述按照所述第一预设区间，对所述主关注度进行分类，得到第一分类结果，包括：

在每一所述主预设区间内，对所述主关注度进行聚类，得到至少一个目标分类结果；

将每一所述目标分类结果中预设比例的主关注度，确定为所述第一分类结果。

在一示例性实施例中，所述以所述历史图像为输入，所述关注度分类结果为监督信息，对预设的初始分类模型进行训练，得到所述目标分类模型，包括：

以所述历史图像为输入，所述第一分类结果和所述第二分类结果为监督信息，对所述初始分类模型进行训练，得到中间分类模型；

以第一预设数值作为所述主关注度对应损失函数的权重，第二预设数值作为所述辅助关注度对应损失函数的权重，对所述中间分类模型进行训练，得到所述目标分类模型；其中，所述第一预设数值大于或等于所述第二预设数值。

在一示例性实施例中，所述将所述目标概率和所述目标向量作为所述目标视频对应的视频推荐特征，输入预设的视频推荐模型，以对所述目标视频进行推荐，包括：

将所述目标概率和所述目标向量作为所述目标视频对应的视频推荐特征，输入预设的视频推荐模型，得到所述目标视频的关注度在所述预设区间的推荐概率；

当所述推荐概率大于预设阈值时，推荐所述目标视频。

根据本公开实施例的第二方面，提供一种视频推荐特征的确定装置，包括：

目标图像获取单元，被配置为执行获取目标视频对应的目标图像；

目标概率确定单元，被配置为执行将所述目标图像输入预设的目标分类模型，得到所述目标视频的关注度在预设区间的目标概率；其中，所述关注度为衡量所述目标视频的被关注程度的综合参数值，所述目标分类模型为根据历史视频训练得到的用于预测关注度分布的模型；

目标向量确定单元，被配置为执行获取所述目标图像输入所述目标分类模型生成的向量，得到目标向量；

视频推荐单元，被配置为执行将所述目标概率和所述目标向量作为所述目标视频对应的视频推荐特征，输入预设的视频推荐模型，以对所述目标视频进行推荐。

在一示例性实施例中，所述目标向量确定单元还被配置为执行：

将所述目标图像输入所述目标分类模型，并将预设全连接层输出的特征向量，确定为所述目标向量。

在一示例性实施例中，所述视频推荐特征的确定装置还包括目标分类模型获取单元，被配置为执行：

获取历史视频对应的历史图像，以及所述历史视频的关注度；

按照所述预设区间，对所述历史视频的关注度进行分类，得到关注度分类结果；

以所述历史图像为输入，所述关注度分类结果为监督信息，对预设的初始分类模型进行训练，得到所述目标分类模型。

在一示例性实施例中，所述目标分类模型获取单元还被配置为执行：

按照所述第一预设区间，对所述主关注度进行分类，得到第一分类结果；

按照所述第二预设区间，对所述辅助关注度进行分类，得到第二分类结果；

将所述第一分类结果和所述第二分类结果，确定为所述关注度分类结果。

在一示例性实施例中，所述目标分类模型获取单元还被配置为执行：

按照预设数值序列对所述第一预设区间进行划分，得到至少一个主预设区间；

按照对数函数的形式对所述第二预设区间进行划分，得到至少一个个辅助预设区间。

在一示例性实施例中，所述目标分类模型获取单元还被配置为执行：

在每一所述主预设区间内，对所述主关注度进行聚类，得到至少一个目标分类结果；

将每一所述目标分类结果中预设比例的主关注度，确定为所述第一分类结果。

在一示例性实施例中，所述目标分类模型获取单元还被配置为执行：

以所述历史图像为输入，所述第一分类结果和所述第二分类结果为监督信息，对所述初始分类模型进行训练，得到中间分类模型；

以第一预设数值作为所述主关注度对应损失函数的权重，第二预设数值作为所述辅助关注度对应损失函数的权重，对所述中间分类模型进行训练，得到所述目标分类模型；其中，所述第一预设数值大于或等于所述第二预设数值。

在一示例性实施例中，所述视频推荐单元被配置为执行：

将所述目标概率和所述目标向量作为所述目标视频对应的视频推荐特征，输入预设的视频推荐模型，得到所述目标视频的关注度在所述预设区间的推荐概率；

当所述推荐概率大于预设阈值时，推荐所述目标视频。

根据本公开实施例的第三方面，提供一种电子设备，包括：

处理器；

用于存储所述处理器可执行指令的存储器；

其中，所述处理器被配置为执行所述指令，以实现上述第一方面所述的视频推荐方法。

根据本公开实施例的第四方面，提供一种存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得所述电子设备能够执行上述第一方面所述的视频推荐方法。

根据本公开实施例的第五方面，提供一种计算机程序产品，所述程序产品包括计算机程序，所述计算机程序存储在可读存储介质中，设备的至少一个处理器从所述可读存储介质读取并执行所述计算机程序，使得设备执行上述第一方面的任一项实施例中所述的视频推荐方法。

本公开的实施例提供的技术方案至少带来以下有益效果：

获取目标视频对应的目标图像；将目标图像输入预设的目标分类模型，得到目标视频的关注度在预设区间的目标概率；其中，关注度为衡量目标视频的被关注程度的综合参数值，目标分类模型为根据历史视频训练得到的用于预测关注度分布的模型；获取目标图像输入目标分类模型生成的向量，得到目标向量；将目标概率和目标向量作为目标视频对应的视频推荐特征，输入预设的视频推荐模型，以对所述目标视频进行推荐。在实施过程中，目标视频对应的目标图像，往往能在很大程度上影响一个视频的关注度，因而，从目标图像出发，将目标图像输入预设的目标分类模型得到的目标概率和生成的目标向量，作为影响视频关注度的因素输入预设的视频推荐模型，以对所述目标视频进行推荐，能够提高视频推荐的准确性。

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，并不构成对本公开的不当限定。

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获取目标分类模型的一种可实施方式的流程图。

图3是根据一示例性实施例示出的步骤S220的一种可实施方式的流程图。

图4是根据一示例性实施例示出的步骤S221的一种可实施方式的流程图。

图5是根据一示例性实施例示出的步骤S230的一种可实施方式的流程图。

图6是根据一示例性实施例示出的视频推荐模型的AUC值的变化示意图。

图7是根据一示例性实施例示出的视频推荐模型的ROC值的变化示意图。

图8是根据一示例性实施例示出的一种视频推荐装置框图。

图9是根据一示例性实施例示出的一种电子设备的框图。

具体实施方式

为了使本领域普通人员更好地理解本公开的技术方案，下面将结合附图，对本公开实施例中的技术方案进行清楚、完整地描述。

需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。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，包括以下步骤：

步骤S100，获取目标视频对应的目标图像。

步骤S200，将目标图像输入预设的目标分类模型，得到目标视频的关注度在预设区间的目标概率；其中，关注度为衡量目标视频的被关注程度的综合参数值，目标分类模型为根据历史视频训练得到的用于预测关注度分布的模型。

步骤S300，获取目标图像输入目标分类模型生成的向量，得到目标向量。

步骤S400，将目标概率和目标向量作为目标视频对应的视频推荐特征，输入预设的视频推荐模型，以对目标视频进行推荐。

其中，目标视频为需要检测并确定影响视频关注度的因素，并根据影响视频关注度因素进行视频推荐的视频。目标图像为能在一定程度上反映目标视频内容的图像，可以为视频的封面图像、或进行视频关键帧检测得到的图像帧。预设区间是指关注度的分布区间，例如，关注度为曝光量时，预设区间可以为(0,1000)或[1000，∞)，需要说明的是(0,1000)和[1000，∞)仅为示例性说明，并不用于对预设区间进行具体限定。可选地，预设区间还可以为(0,1000)、[1000，10000)或[10000，∞)不等。当关注度为曝光量、点击率、点赞率、关注率或完播率时，预设区间还可以为{x|log(x*1000)<1}、{x|1≤log(x*1000)<2}、{x|2≤log(x*1000)<3}、{x|3≤log(x*1000)<4}和{x|4≤log(x*1000)<5}，其中，x表示点击率、点赞率、关注率或完播率。预设的视频推荐模型为根据影响视频的被关注程度的视频推荐特征(目标概率和目标向量)进行训练得到的，能够对目标视频进行推荐的模型。示例地，以视频推荐特征为输入，目标视频的关注度在预设区间为监督信息，对预设的初始视频推荐模型进行训练，得到视频推荐模型。

具体地，将目标图像输入能够预测视频的关注度分布的目标分类模型中，得到目标视频的关注度在预设区间的目标概率，以及得到目标分类模型特定层对应的目标向量。将目标概率和目标向量，确定为目标视频对应的视频推荐特征。该视频推荐特征为根据目标图像确定出影响视频被关注程度的因素，能够一定程度反映目标视频中的目标图像对目标视频的被关注程度的影响。将该视频推荐特征作为视频推荐的输入数据，输入预设的视频推荐模型，并根据视频推荐模型的输出对目标视频进行推荐。

示例性地，当关注度为曝光量，预设区间为(0,1000)和[1000，∞)时，将目标图像输入Resnet50神经网络+MLP结构(一层为512的全连接层，一层为32的全连接层)的目标分类模型中，并将目标分类模型的全连接层输出的32维度的向量和目标视频的曝光量在[1000，∞)中的概率值确定为视频推荐特征。以32维向量和关注度在[1000，∞)中的概率值为输入，输入预设的视频推荐模型，并根据视频推荐模型的输出对目标视频进行推荐。

上述视频推荐特征的确定的方法中，获取目标视频对应的目标图像；将目标图像输入预设的目标分类模型，得到目标视频的关注度在预设区间的目标概率；其中，关注度为衡量目标视频的被关注程度的综合参数值，目标分类模型为根据历史视频训练得到的用于预测关注度分布的模型；获取目标图像输入目标分类模型生成的向量，得到目标向量；将目标概率和目标向量作为目标视频对应的视频推荐特征，输入预设的视频推荐模型，以对目标视频进行推荐。在实施过程中，目标视频对应的目标图像，往往能在很大程度上影响一个视频的关注度，因而，从目标图像出发，将目标图像输入预设的目标分类模型得到的目标概率和生成的目标向量作为影响视频关注度的因素输入预设的视频推荐模型，以对目标视频进行推荐，能够提高视频推荐的准确性。

在一示例性实施例中，为步骤S300的一种可实施方式，包括：

将目标图像输入目标分类模型，并将预设全连接层输出的特征向量，确定为目标向量。

具体地，目标分类模型为预设的神经网络模型，在将目标图像输入目标分类模型，得到目标概率的同时，可以同时得到目标分类模型的输出概率值之前的全连接层的特征向量，该特征向量表征了目标图像经过目标分类模型的层层数据传递得到的关于目标图像的特征，能够一定程度反映影响视频的关注度，可以作为反映影响视频关注度的因素之一。

上述实施例中，将目标图像输入目标分类模型，并将预设全连接层输出的特征向量，确定为目标向量，并将目标向量作为反映影响视频的关注度的因素之一，与目标概率一同作为反映影响视频关注度的因素，将目标图像对目标视频的关注度的影响作为影响视频被关注程度的因素之一，得到更加准确地影响视频关注度的因素，将目标图像加入后续对目标视频的关注度进行预测的影响因素之一，同时，能够提高后续视频推荐的准确性。

在一示例性实施例中，如图2所示，是根据一示例性实施例示出的获取目标分类模型的一种可实施方式的流程示意图，包括以下步骤：

步骤S210，获取历史视频对应的历史图像，以及历史视频的关注度。

步骤S220，按照预设区间，对历史视频的关注度进行分类，得到关注度分类结果。

步骤S230，以历史图像为输入，关注度分类结果为监督信息，对预设的初始分类模型进行训练，得到目标分类模型。

具体地，按照预设区间的分布情况，对历史视频的关注度进行分类，例如，当关注度为曝光量，预设区间为(0,1000)和[1000，∞)时，将曝光量在(0,1000)之间的历史图像分为一类，将曝光量在[1000，∞)之间的历史图像分为一类。可选地，当预设区间为(0,1000)、[1000，10000)和[10000，∞)时，将曝光量在(0,1000)之间的历史图像分为一类，将曝光量在(0,10000)之间的历史图像分为一类，将曝光量在[10000，∞)之间的历史图像分为一类。如此，便可以得到与预设区间对应的关注度分类结果。

接着，以历史图像为输入，关注度分类结果为监督信息，对预设的初始分类模型进行训练，得到目标分类模型。示例地，当关注度为曝光量，预设区间为(0,1000)和[1000，∞)时，可以将曝光量在(0,1000)之间的历史图像的标签设置为“0”，曝光量在[1000，∞)之间的历史图像的标签设置为“1”，以历史图像为输入，对应的“0”和“1”为监督信息，对初始分类模型进行训练，并将损失函数满足一定条件的模型确定为目标分类模型。

上述实施例中，获取历史视频对应的历史图像，以及历史视频的关注度；按照预设区间，对历史视频的关注度进行分类，得到关注度分类结果；以历史图像为输入，关注度分类结果为监督信息，对预设的初始分类模型进行训练，得到目标分类模型。其中，采用历史图像可以训练得到一个能够输出关注度分布的模型，为根据当前的目标图像确定视频推荐特征提供基础。

在一示例性实施例中，如图3所示，是根据一示例性实施例示出的步骤S220的一种可实施方式的流程示意图，包括以下步骤：

步骤S221，按照第一预设区间，对主关注度进行分类，得到第一分类结果。

步骤S222，按照第二预设区间，对辅助关注度进行分类，得到第二分类结果。

步骤S223，将第一分类结果和第二分类结果，确定为关注度分类结果。

其中，关注度包括主关注度和辅助关注度；主关注度包括目标视频对应的关注量，辅助关注度包括目标视频对应的点击率、点赞率、关注率或完播率中的至少一个；预设区间包括第一预设区间和第二预设区间。

可选地，按照预设数值序列对第一预设区间进行划分，得到至少一个主预设区间；按照对数函数的形式对第二预设区间进行划分，得到至少一个辅助预设区间。

其中，预设数值序列为根据主关注度对应的关注量进行划分的临界点，预设数值序列可以为1000、1000、10000不等。

具体地，当预设数值序列中的预设数值为1000时，可以得到两个主预设区间(0,1000)和[1000，∞)，当预设阈值为1000和1000时，可以得到三个主预设区间(0,1000)、[1000，10000)和[10000，∞)。按照对数函数的形式对第二预设区间进行划分，可以得到至少一个辅助预设区间。例如，第二预设区间为{x|log(x*1000)<1}、{x|1≤log(x*1000)<2}、{x|2≤log(x*1000)<3}、{x|3≤log(x*1000)<4}和{x|4≤log(x*1000)<5}，可以得到对应的五个辅助预设区间。

具体地，当主关注度为关注量时，按照第一预设区间，对主关注度进行分类，得到第一分类结果。例如，预设区间为(0,1000)和[1000，∞)时，将关注量在(0,1000)之间的历史图像分为一类，将关注量在[1000，∞)之间的历史图像分为一类。可选地，当预设区间为(0,1000)、[1000，10000)和[10000，∞)时，将关注量在(0,1000)之间的历史图像分为一类，将关注量在(0,10000)之间的历史图像分为一类，将关注量在[10000，∞)之间的历史图像分为一类。

当辅助关注度为点击率、标记率、关注率或完播率时，按照第二预设区间，对辅助关注度进行分类，得到第二分类结果。例如，第二预设区间为{x|log(x*1000)<1}、{x|1≤log(x*1000)<2}、{x|2≤log(x*1000)<3}、{x|3≤log(x*1000)<4}和{x|4≤log(x*1000)<5}，其中，x表示点击率、标记率、关注率或完播率。将x在{x|log(x*1000)<1}之间的历史图像分为一类，将x在{x|1≤log(x*1000)<2}之间的历史图像分为一类，……，将x在{x|4≤log(x*1000)<5}之间的历史图像分为一类。

上述实施例中，按照第一预设区间，对主关注度进行分类，得到第一分类结果；按照第二预设区间，对辅助关注度进行分类，得到第二分类结果；将第一分类结果和第二分类结果，确定为关注度分类结果。其中，将关注度分为主关注度和辅助关注度，可以进一步细化影响视频关注量的因素，使得不同的参数能够基于自身的特性确定出个性化的影响视频关注量的因素。例如，将关注量作为主关注度单独确定为一种影响视频关注量的因素，而辅助关注度单独确定为另一种影响视频关注量的因素。其中，以一定的阈值对主关注度进行划分，确定为一个第一分类结果，而基于辅助关注度点击率、标记率、关注率或完播率的指数衰减特征，对其进行按照对数函数进行分类，得到第二分类结果。上述根据主关注度和辅助关注度的自身特性进行分类并得到相对应分类结果的过程，使得对应的分类结果能够更加全面地反映目标图像的特性，为准确确定影响视频关注量的视频推荐特征提供基础。

在一示例性实施例中，如图4所示，是根据一示例性实施例示出的步骤S221的一种可实施方式的流程示意图，包括以下步骤：

步骤S2211，在每一主预设区间内，对主关注度进行聚类，得到至少一个目标分类结果。

步骤S2212，将每一目标分类结果中预设比例的主关注度，确定为第一分类结果。

具体地，当主关注度为关注量，至少一个主预设区间为(0,1000)和[1000，∞)时，一般地，关注量在主预设区间[1000，∞)之间的目标视频和目标图像的数量约占1/15。为保证样本数量的分布尽可能均匀，提高后续得到的视频推荐特征反映视频关注量的准确性，采用聚类采样的方式进行数据均衡，对关注量在(0,1000)之间的目标图像进行聚类，得到第五预设数量的目标分类结果，关注量在[1000，∞)之间的目标图像为另一个类别。在主预设区间为(0,1000)内，将每一类别中预设比例(可选地，此处的预设比例可以为15％)的目标图像，以及在主预设区间为[1000，∞))内，将每一类别中预设比例(可选地，此处的预设比例可以为100或90％)的目标图像，确定为用于初始分类模型训练的第一分类结果。

上述实施例中，在每一主预设区间内，对主关注度进行聚类，得到至少一个目标分类结果；将每一目标分类结果中预设比例的主关注度，确定为第一分类结果。其中，按照主关注度的分布情况，将不同主预设区间内的图像，确定出与关注量成反比的样本数据，得到第一分类结果，能够确保样本数据分布均匀，使得训练初始分类模型的数据更加全面地反映图像与关注量的相关性，最终使得根据目标分类模型得到的视频推荐特征，能够得到更加准确地影响视频关注量的视频推荐特征。

在一示例性实施例中，如图5所示，是根据一示例性实施例示出的步骤S230的一种可实施方式的流程示意图，包括以下步骤：

步骤S231，以历史图像为输入，第一分类结果和第二分类结果为监督信息，对初始分类模型进行训练，得到中间分类模型。

步骤S232，以第一预设数值作为主关注度对应损失函数的权重，第二预设数值作为辅助关注度对应损失函数的权重，对中间分类模型进行训练，得到目标分类模型；其中，第一预设数值大于或等于第二预设数值。

具体地，在目标分类模型训练过程中，分别以第一预设数值作为主关注度对应损失函数的权重，以第二预设数值作为辅助关注度对应损失函数的权重，对中间分类模型进行训练。可以使得最终得到的目标分类模型能够更多地反映主关注度对目标分类模型输出的影响，并辅以辅助关注度，对模型输出的影响，使得目标分类模型的输出能够综合主关注度和辅助关注度的影响，得到更加准确地影响视频关注量的输出。

上述实施例中，以历史图像为输入，第一分类结果和第二分类结果为监督信息，对初始分类模型进行训练，得到中间分类模型；以第一预设数值作为主关注度对应损失函数的权重，第二预设数值作为辅助关注度对应损失函数的权重，对中间分类模型进行训练，得到目标分类模型；其中，第一预设数值大于或等于第二预设数值。能够综合考虑主关注度和辅助关注度对目标分类模型的影响，使得目标分类模型的输出能够更加准确地影响视频关注量量的视频推荐特征。

在一个具体的实施例中，以视频曝光量(关注量)是否大于1000为主目标(主关注度)，以点击率、点赞率、关注率、完播率四个指标作为辅助目标(辅助关注度)，输入短视频封面图像，学习一个深度卷积神经网络的多任务embedding模型(目标分类模型)，并以学习得到的embedding特征(目标向量)和预测概率值(目标概率)作为冷启动XGB模型(视频推荐模型)的输入，最终得到能够准确预测目标视频的曝光量的模型，包括以下步骤：

步骤S1，多任务目标构建：基于线上数据分布，主目标以及四个辅助目标都是呈指数衰减的，因此，选取log对数来划分目标类别(例如0～1000为一类，1000～10000为一类)，具体目标任务划分：

曝光任务类别show的确定如公式(1)所示：

其中，x为曝光量。

点击率、点赞率、关注率、完播率ctr(x)的确定如公式(2)所示：

其中，x为点击率、点赞率、关注率、完播率中的一种。

步骤S2，数据均衡处理：由于学习的主目标(曝光量)在线上数据分布严重不平衡，曝光量>1000的占比大约为1/15，为了保证最终精度，同时又为了保持和线上数据分布具有一致性，采用聚类采样的方式进行数据均衡。对与曝光量小于1000的样本图像，采用VAE聚类的方式，将图像聚类为10类，每个聚类类别中，再随机采样15％的数据作为训练的负样本图像作为最终训练数据；

步骤S2，模型构建:模型包括对应的5个任务：任务1为主曝光量二分类任务，任务2、任务3、任务4和任务5为辅助目标点击率5分类任务、点赞率5分类任务、关注率5分类任务和完播率5分类的多分类任务，输入即为视频封面图像。模型选取Resnet50神经网络+MLP结构(一层为512的全连接层，一层为32的全连接层)作为训练模型，最终拟合目标为一个以任务1为主目标，任务2、任务3、任务4和任务5为辅助目标的损失目标函数值在预设区间内，具体损失函数如公式(3)所示：

其中，w_i为任务权重，由于任务1为主要任务，因此，设置w₁的权重为0.5，其他四个任务的权重之和为0.5。

步骤S4，线上使用：根据第一步构建的多任务目标、第二步构建数据均衡后选取的训练数据和第三步构建的模型训练完成后，选取32维的全连接层向量和主目标的预测概率值(曝光量大于1000)作为最终的预测结果(视频推荐特征)，最终把这个结果加入到视频推荐模型中，以提升视频推荐模型对视频曝光潜力预测结果的准确性。如图6所示，是根据一示例性实施例示出的视频推荐模型的AUC值的变化示意图，如图7所示，是根据一示例性实施例示出的视频推荐模型的ROC值的变化示意图。从图6和图7中可以看出，将视频推荐特征作为视频推荐模型的输入训练得到的视频推荐模型的AUC值从0.89提升到了0.91，说明视频推荐模型能更好地对视频曝光潜力进行预测。

上述实施例中，从目标图像出发，将输入预设的目标分类模型得到的目标概率和生成的目标向量，作为影响视频曝光量的因素之一，将更加准确地影响视频曝光量的因素(目标概率和目标向量)为输入，目标视频的曝光量在预设区间为监督信息，训练得到视频推荐模型，进而提高视频推荐模型对视频进行推荐的准确性。

应该理解的是，虽然图1-5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，这些步骤可以以其它的顺序执行。而且，图1-5中的至少一部分步骤可以包括多个步骤或者多个阶段，这些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，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

图8是根据一示例性实施例示出的一种视频推荐特征的确定装置框图。参照图8，该装置包括目标图像获取单元801、目标概率确定单元802、目标向量确定单元803和视频推荐单元804：

目标图像获取单元801，被配置为执行获取目标视频对应的目标图像；

目标概率确定单元802，被配置为执行将目标图像输入预设的目标分类模型，得到目标视频的关注度在预设区间的目标概率；其中，关注度为衡量目标视频的被关注程度的综合参数值，目标分类模型为根据历史视频训练得到的用于预测关注度分布的模型；

目标向量确定单元803，被配置为执行获取目标图像输入目标分类模型生成的向量，得到目标向量；

视频推荐单元804，被配置为执行将目标概率和目标向量作为目标视频对应的视频推荐特征，输入预设的视频推荐模型，以对目标视频进行推荐。

在一示例性实施例中，目标向量确定单元803还被配置为执行：将目标图像输入目标分类模型，并将预设全连接层输出的特征向量，确定为目标向量。

在一示例性实施例中，视频推荐特征的确定装置还包括目标分类模型获取单元，被配置为执行：获取历史视频对应的历史图像，以及历史视频的关注度；按照预设区间，对历史视频的关注度进行分类，得到关注度分类结果；以历史图像为输入，关注度分类结果为监督信息，对预设的初始分类模型进行训练，得到目标分类模型。

在一示例性实施例中，目标分类模型获取单元还被配置为执行：按照第一预设区间，对主关注度进行分类，得到第一分类结果；按照第二预设区间，对辅助关注度进行分类，得到第二分类结果；将第一分类结果和第二分类结果，确定为关注度分类结果。

在一示例性实施例中，目标分类模型获取单元还被配置为执行：按照预设数值序列对第一预设区间进行划分，得到至少一个主预设区间；按照对数函数的形式对第二预设区间进行划分，得到至少一个个辅助预设区间。

在一示例性实施例中，目标分类模型获取单元还被配置为执行：在每一主预设区间内，对主关注度进行聚类，得到至少一个目标分类结果；将每一目标分类结果中预设比例的主关注度，确定为第一分类结果。

在一示例性实施例中，目标分类模型获取单元还被配置为执行：以历史图像为输入，第一分类结果和第二分类结果为监督信息，对初始分类模型进行训练，得到中间分类模型；以第一预设数值作为主关注度对应损失函数的权重，第二预设数值作为辅助关注度对应损失函数的权重，对中间分类模型进行训练，得到目标分类模型；其中，第一预设数值大于或等于第二预设数值。

在一示例性实施例中，视频推荐单元804被配置为执行：将目标概率和目标向量作为目标视频对应的视频推荐特征，输入预设的视频推荐模型，得到目标视频的关注度在预设区间的推荐概率；当推荐概率大于预设阈值时，推荐目标视频。

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9是根据一示例性实施例示出的一种电子设备的框图。该电子设备可以用于视频推荐特征的确定和视频推荐模型的确定。例如，设备900可以是移动电话、计算机、数字广播终端、消息收发设备、游戏控制台、平板设备、医疗设备、健身设备、个人数字助理等。

参照图9，设备900可以包括以下一个或多个组件：处理组件902、存储器904、电力组件906、多媒体组件908、音频组件90、输入/输出(I/O)的接口92、传感器组件94以及通信组件96。

处理组件902通常控制设备900的整体操作，诸如与显示、电话呼叫、数据通信、相机操作和记录操作相关联的操作。处理组件902可以包括一个或多个处理器920来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件902可以包括一个或多个模块，便于处理组件902和其他组件之间的交互。例如，处理组件902可以包括多媒体模块，以方便多媒体组件908和处理组件902之间的交互。

存储器904被配置为存储各种类型的数据以支持在设备900的操作。这些数据的示例包括用于在设备900上操作的任何应用程序或方法的指令、联系人数据、电话簿数据、消息、图片、视频等。存储器904可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)、电可擦除可编程只读存储器(EEPROM)、可擦除可编程只读存储器(EPROM)、可编程只读存储器(PROM)、只读存储器(ROM)、磁存储器、快闪存储器、磁盘或光盘。

电源组件906为设备900的各种组件提供电力。电源组件906可以包括电源管理系统，一个或多个电源，及其他与为设备900生成、管理和分配电力相关联的组件。

多媒体组件908包括在所述设备900和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件908包括一个前置摄像头和/或后置摄像头。当设备900处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件910被配置为输出和/或输入音频信号。例如，音频组件910包括一个麦克风(MIC)，当设备900处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器904或经由通信组件916发送。在一些实施例中，音频组件910还包括一个扬声器，用于输出音频信号。

I/O接口912为处理组件902和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件914包括一个或多个传感器，用于为设备900提供各个方面的状态评估。例如，传感器组件914可以检测到设备900的打开/关闭状态，组件的相对定位，例如所述组件为设备900的显示器和小键盘，传感器组件914还可以检测设备900或设备900一个组件的位置改变，用户与设备900接触的存在或不存在，设备900方位或加速/减速和设备900的温度变化。传感器组件914可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件914还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件914还可以包括加速度传感器、陀螺仪传感器、磁传感器、压力传感器或温度传感器。

通信组件916被配置为便于设备900和其他设备之间有线或无线方式的通信。设备900可以接入基于通信标准的无线网络，如WiFi，运营商网络(如2G、3G、4G或5G)，或它们的组合。在一个示例性实施例中，通信组件916经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件916还包括近场通信(NFC)模块，以促进短程通信。

在示例性实施例中，设备900可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

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904，上述指令可由设备900的处理器920执行以完成上述方法。例如，所述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。

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。

Claims (17)

1.一种视频推荐方法，其特征在于，包括：

获取目标视频对应的目标图像；

将所述目标图像输入预设的目标分类模型，得到所述目标视频的关注度在预设区间的目标概率；其中，所述关注度为衡量所述目标视频的被关注程度的综合参数值，所述目标分类模型为根据历史视频训练得到的用于预测关注度分布的模型；

将所述目标图像输入所述目标分类模型，并将预设全连接层输出的特征向量，确定为目标向量；

将所述目标概率和所述目标向量作为所述目标视频对应的视频推荐特征，输入预设的视频推荐模型，以对所述目标视频进行推荐。

2.根据权利要求1所述的视频推荐方法，其特征在于，所述目标分类模型的获取方式，包括：

获取历史视频对应的历史图像，以及所述历史视频的关注度；

按照所述预设区间，对所述历史视频的关注度进行分类，得到关注度分类结果；

以所述历史图像为输入，所述关注度分类结果为监督信息，对预设的初始分类模型进行训练，得到所述目标分类模型。

3.根据权利要求2所述的视频推荐方法，其特征在于，所述关注度包括主关注度和辅助关注度；所述主关注度包括所述目标视频对应的关注量，所述辅助关注度包括所述目标视频对应的点击率、点赞率、关注率或完播率中的至少一个；所述预设区间包括第一预设区间和第二预设区间；

所述按照所述预设区间，对所述历史视频的关注度进行分类，得到关注度分类结果，包括：

按照所述第一预设区间，对所述主关注度进行分类，得到第一分类结果；

按照所述第二预设区间，对所述辅助关注度进行分类，得到第二分类结果；

将所述第一分类结果和所述第二分类结果，确定为所述关注度分类结果。

4.根据权利要求3所述的视频推荐方法，其特征在于，所述按照所述第一预设区间，对所述主关注度进行分类，得到第一分类结果，之前包括：

按照预设数值序列对所述第一预设区间进行划分，得到至少一个主预设区间；

按照对数函数的形式对所述第二预设区间进行划分，得到至少一个辅助预设区间。

5.根据权利要求4所述的视频推荐方法，其特征在于，所述按照所述第一预设区间，对所述主关注度进行分类，得到第一分类结果，包括：

在每一所述主预设区间内，对所述主关注度进行聚类，得到至少一个目标分类结果；

将每一所述目标分类结果中预设比例的主关注度，确定为所述第一分类结果。

6.根据权利要求3至5任一项所述的视频推荐方法，其特征在于，所述以所述历史图像为输入，所述关注度分类结果为监督信息，对预设的初始分类模型进行训练，得到所述目标分类模型，包括：

以所述历史图像为输入，所述第一分类结果和所述第二分类结果为监督信息，对所述初始分类模型进行训练，得到中间分类模型；

以第一预设数值作为所述主关注度对应损失函数的权重，第二预设数值作为所述辅助关注度对应损失函数的权重，对所述中间分类模型进行训练，得到所述目标分类模型；其中，所述第一预设数值大于或等于所述第二预设数值。

7.根据权利要求1所述的视频推荐方法，其特征在于，所述将所述目标概率和所述目标向量作为所述目标视频对应的视频推荐特征，输入预设的视频推荐模型，以对所述目标视频进行推荐，包括：

将所述目标概率和所述目标向量作为所述目标视频对应的视频推荐特征，输入预设的视频推荐模型，得到所述目标视频的关注度在所述预设区间的推荐概率；

当所述推荐概率大于预设阈值时，推荐所述目标视频。

8.一种视频推荐装置，其特征在于，包括：

目标图像获取单元，被配置为执行获取目标视频对应的目标图像；

目标概率确定单元，被配置为执行将所述目标图像输入预设的目标分类模型，得到所述目标视频的关注度在预设区间的目标概率；其中，所述关注度为衡量所述目标视频的被关注程度的综合参数值，所述目标分类模型为根据历史视频训练得到的用于预测关注度分布的模型；

目标向量确定单元，被配置为执行将所述目标图像输入所述目标分类模型，并将预设全连接层输出的特征向量，确定为目标向量；

视频推荐单元，被配置为执行将所述目标概率和所述目标向量作为所述目标视频对应的视频推荐特征，输入预设的视频推荐模型，以对所述目标视频进行推荐。

9.根据权利要求8所述的视频推荐装置，其特征在于，所述视频推荐特征的确定装置还包括目标分类模型获取单元，被配置为执行：

获取历史视频对应的历史图像，以及所述历史视频的关注度；

按照所述预设区间，对所述历史视频的关注度进行分类，得到关注度分类结果；

以所述历史图像为输入，所述关注度分类结果为监督信息，对预设的初始分类模型进行训练，得到所述目标分类模型。

10.根据权利要求9所述的视频推荐装置，其特征在于，所述关注度包括主关注度和辅助关注度；所述主关注度包括所述目标视频对应的关注量，所述辅助关注度包括所述目标视频对应的点击率、点赞率、关注率或完播率中的至少一个；所述预设区间包括第一预设区间和第二预设区间；所述目标分类模型获取单元还被配置为执行：

按照所述第一预设区间，对所述主关注度进行分类，得到第一分类结果；

按照所述第二预设区间，对所述辅助关注度进行分类，得到第二分类结果；

将所述第一分类结果和所述第二分类结果，确定为所述关注度分类结果。

11.根据权利要求10所述的视频推荐装置，其特征在于，所述目标分类模型获取单元还被配置为执行：

按照预设数值序列对所述第一预设区间进行划分，得到至少一个主预设区间；

按照对数函数的形式对所述第二预设区间进行划分，得到至少一个个辅助预设区间。

12.根据权利要求11所述的视频推荐装置，其特征在于，所述目标分类模型获取单元还被配置为执行：

在每一所述主预设区间内，对所述主关注度进行聚类，得到至少一个目标分类结果；

将每一所述目标分类结果中预设比例的主关注度，确定为所述第一分类结果。

13.根据权利要求10至12任一项所述的视频推荐装置，其特征在于，所述目标分类模型获取单元还被配置为执行：

以所述历史图像为输入，所述第一分类结果和所述第二分类结果为监督信息，对所述初始分类模型进行训练，得到中间分类模型；

以第一预设数值作为所述主关注度对应损失函数的权重，第二预设数值作为所述辅助关注度对应损失函数的权重，对所述中间分类模型进行训练，得到所述目标分类模型；其中，所述第一预设数值大于或等于所述第二预设数值。

14.根据权利要求8所述的视频推荐装置，其特征在于，所述视频推荐单元被配置为执行：

将所述目标概率和所述目标向量作为所述目标视频对应的视频推荐特征，输入预设的视频推荐模型，得到所述目标视频的关注度在所述预设区间的推荐概率；

当所述推荐概率大于预设阈值时，推荐所述目标视频。

15.一种电子设备，其特征在于，包括：

处理器；

用于存储所述处理器可执行指令的存储器；

其中，所述处理器被配置为执行所述指令，以实现如权利要求1至7中任一项所述的视频推荐方法。

16.一种存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得所述电子设备能够执行如权利要求1至7中任一项所述的视频推荐方法。

17.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-7任一项所述的视频推荐方法。