一种视频推荐方法、装置、电子设备及存储介质制造方法及图纸

本发明专利技术涉及一种视频推荐方法、装置、电子设备及存储介质，属于互联网术领域。该视频推荐方法包括：根据用户的消费日志确定出多个视频标签，其中，所述视频标签用于表示视频的类别；计算所述用户对所述多个视频标签中的每个视频标签的偏好值；根据所述每个视频标签的偏好值确定推荐视频，并推荐至客户端。本申请实施例中，通过用户的消费日志，确定出该用户消费的多个视频对应的视频标签，再计算该用户对每个视频标签的偏好值，然后根据计算结果确定推荐视频，也即根据用户的偏好向其推荐的视频，确保能够为用户推荐其感兴趣的视频。

A Video Recommendation Method, Device, Electronic Equipment and Storage Media

The invention relates to a video recommendation method, device, electronic device and storage medium, belonging to the field of Internet technology. The video recommendation method includes: determining a plurality of video tags according to the user's consumption log, in which the video tag is used to represent the video category; calculating the user's preference value for each video tag in the plurality of video tags; determining the recommended video according to the preference value of each video tag, and recommending it to the client. In the embodiment of this application, the video tags corresponding to multiple videos consumed by the user are determined by the user's consumption log, and then the user's preference value for each video tag is calculated. Then the recommended videos, i.e. the videos recommended to the user according to the user's preference, are determined according to the calculation results, so as to ensure that the videos of interest can be recommended to the user.

【技术实现步骤摘要】
一种视频推荐方法、装置、电子设备及存储介质
本专利技术属于互联网术领域，具体涉及一种视频推荐方法、装置、电子设备及存储介质。
技术介绍
随着互联网技术的发展，人们获取信息的渠道越来越多，各类平台为用户提供了包括文章、图集、视频等信息，对于平台而言，如何向用户推送用户感兴趣的信息是平台首要面对的问题。平台向用户推荐的信息往往由各类算法所决定，而算法需要经过大量数据的训练及测试才能准确地确定不同用户所喜好的信息，由于，算法的训练所需的数据量庞大，往往以一天的时间间隔对一整天的数据进行训练、测试，因此，以此进行的消息推荐没能及时地对用户当前的操作行为进行反馈，常常要到第二天才能计算出用户感兴趣的推荐内容，使得推荐效果不理想。
技术实现思路
鉴于此，本专利技术的目的在于提供一种视频推荐方法、装置、电子设备及存储介质，以有效地改善上述问题。本专利技术的实施例是这样实现的：第一方面，本专利技术实施例提供了一种视频推荐方法，包括：根据用户的消费日志确定出多个视频标签，其中，所述视频标签用于表示视频的类别；计算所述用户对所述多个视频标签中的每个视频标签的偏好值；根据所述每个视频标签的偏好值确定推荐视频，并推荐至客户端。结合第一方面的一种可能的实施方式，计算所述用户对所述多个视频标签中的每个视频标签的偏好值，包括：获取上一次计算的所述用户对所述多个视频标签中的每个视频标签的历史偏好值；获取上一次计算时间点到当前时间点的时间间隔，并根据所述时间间隔确定时间衰减系数；计算所述用户对所述多个视频标签中的每个视频标签的所有行为权重；根据所述历史偏好值、所述时间衰减系数和所述所有行为权重确定所述用户对所述多个视频标签中的每个视频标签的偏好值。结合第一方面的一种可能的实施方式，根据所述历史偏好值、所述时间衰减系数和所述所有行为权重确定所述用户对所述多个视频标签中的每个视频标签的偏好值，包括：根据所述历史偏好值、所述时间衰减系数和所述所有行为权重以及偏好公式P(Ui，Tj)＝P(Ui，Tj)’*TimeDecay+SumAllAction(ActionWeight*ItemWeight*ItemTagWeight*UserTagWeight)确定所述用户对所述多个视频标签中的每个视频标签的偏好值；其中，P(Ui，Tj)表示用户i对视频标签j的偏好值；P(Ui，Tj)’表示上一次计算出的用户i对视频标签j的历史偏好值，若为第一次计算则值为零；TimeDecay表示时间衰减系数＝exp(－deltaSeconds/decayFactor)，deltaSeconds表示上一次计算时间点到当前时间点的时间间隔，单位为秒；decayFactor用于控制衰减速率，对于正向偏好decayFactor＝800000，对于负向偏好decayFactor＝100000；SumAllAction是包含视频标签j的所有行为权重，即包括点击、播放、下载、曝光、不喜欢五种行为权重之和；ActionWeight为单个行为权重，对于正向偏好，单个行为权重分别为：点击行为＝1，播放行为＝2，下载行为＝5，曝光行为＝－0.1，不喜欢行为＝－5，对于负向偏好，单个行为权重分别为：点击行为＝－1，播放行为＝－2，下载行为＝－5，曝光行为＝1，不喜欢行为＝5；ItemWeight表示视频标签j的权重，ItemWeight＝log(ActionCount/ItemActionCount)，其中ActionCount表示所有用户针对视频标签j的某个行为的总数，ItemActionCount表示用户i针对视频标签j在该行为下的总数；ItemTagWeight表示Tj在Item中的权重，为默认值；UserTagWeight表示Tj在用户偏好中的权重，UserTagWeight＝log(所有视频标签历史累计算过的次数/视频标签j累计计算过的次数)。结合第一方面的一种可能的实施方式，所述消费日志为搜索日志；根据用户的消费日志确定出多个视频标签，包括：对所述搜索日志中的搜索词以字为单位进行切词处理，得到多个字；对所述多个字进行去重处理；对去重后的多个字进行排列组合，得到多个词；将所述多个词中的每个词分别与视频库标签匹配，将与所述视频库标签命中的词作为所述视频标签。结合第一方面的一种可能的实施方式，根据所述每个视频标签的偏好值确定推荐视频，包括：利用训练好的梯度提升决策树模型对所述每个视频标签的偏好值进行排序，得到排序结果；根据所述排序结果确定所述推荐视频。第二方面，本申请实施例还提供了一种视频推荐装置，包括：第一确定模块，用于根据用户的消费日志确定出多个视频标签，其中，所述视频标签用于表示视频的类别；计算模块，用于计算所述用户对所述多个视频标签中的每个视频标签的偏好值；第二确定模块，用于根据所述每个视频标签的偏好值确定推荐视频，并推荐至客户端。结合第二方面的一种可能的实施方式，所述计算模块，还用于获取上一次计算的所述用户对所述多个视频标签中的每个视频标签的历史偏好值；获取上一次计算时间点到当前时间点的时间间隔，并根据所述时间间隔确定时间衰减系数；计算所述用户对所述多个视频标签中的每个视频标签的所有行为权重；根据所述历史偏好值、所述时间衰减系数和所述所有行为权重确定所述用户对所述多个视频标签中的每个视频标签的偏好值。结合第二方面的一种可能的实施方式，所述计算模块，还用于根据所述历史偏好值、所述时间衰减系数和所述所有行为权重以及偏好公式P(Ui，Tj)＝P(Ui，Tj)’*TimeDecay+SumAllAction(ActionWeight*ItemWeight*ItemTagWeight*UserTagWeight)确定所述用户对所述多个视频标签中的每个视频标签的偏好值；其中，P(Ui，Tj)表示用户i对视频标签j的偏好值；P(Ui，Tj)’表示上一次计算出的用户i对视频标签j的历史偏好值，若为第一次计算则值为零；TimeDecay表示时间衰减系数＝exp(－deltaSeconds/decayFactor)，deltaSeconds表示上一次计算时间点到当前时间点的时间间隔，单位为秒；decayFactor用于控制衰减速率，对于正向偏好decayFactor＝800000，对于负向偏好decayFactor＝100000；SumAllAction是包含视频标签j的所有行为权重，即包括点击、播放、下载、曝光、不喜欢五种行为权重之和；ActionWeight为单个行为权重，对于正向偏好，单个行为权重分别为：点击行为＝1，播放行为＝2，下载行为＝5，曝光行为＝－0.1，不喜欢行为＝－5，对于负向偏好，单个行为权重分别为：点击行为＝－1，播放行为＝－2，下载行为＝－5，曝光行为＝1，不喜欢行为＝5；ItemWeight表示视频标签j的权重，其中ActionCount表示所有用户针对视频标签j的某个行为的总数，ItemActionCount表示用户i针对视频标签j在该行为下的总数；ItemTagWeight表示Tj在Item中的权重，为默认值；UserTagWeight表示Tj在用户偏好中的权重，UserTagWeight＝log(所有视频标签历史累计算过的次数/视频标签j累计计算过的次数)。结合第二本文档来自技高网...

【技术保护点】
1.一种视频推荐方法，其特征在于，包括：根据用户的消费日志确定出多个视频标签，其中，所述视频标签用于表示视频的类别；计算所述用户对所述多个视频标签中的每个视频标签的偏好值；根据所述每个视频标签的偏好值确定推荐视频，并推荐至客户端。

【技术特征摘要】
1.一种视频推荐方法，其特征在于，包括：根据用户的消费日志确定出多个视频标签，其中，所述视频标签用于表示视频的类别；计算所述用户对所述多个视频标签中的每个视频标签的偏好值；根据所述每个视频标签的偏好值确定推荐视频，并推荐至客户端。2.根据权利要求1所述的方法，其特征在于，计算所述用户对所述多个视频标签中的每个视频标签的偏好值，包括：获取上一次计算的所述用户对所述多个视频标签中的每个视频标签的历史偏好值；获取上一次计算时间点到当前时间点的时间间隔，并根据所述时间间隔确定时间衰减系数；计算所述用户对所述多个视频标签中的每个视频标签的所有行为权重；根据所述历史偏好值、所述时间衰减系数和所述所有行为权重确定所述用户对所述多个视频标签中的每个视频标签的偏好值。3.根据权利要求2所述的方法，其特征在于，根据所述历史偏好值、所述时间衰减系数和所述所有行为权重确定所述用户对所述多个视频标签中的每个视频标签的偏好值，包括：根据所述历史偏好值、所述时间衰减系数和所述所有行为权重以及偏好公式P(Ui，Tj)＝P(Ui，Tj)’＊TimeDecay+SumAllAction(ActionWeight＊ItemWeight＊ItemTagWeight＊UserTagWeight)确定所述用户对所述多个视频标签中的每个视频标签的偏好值；其中，P(Ui，Tj)表示用户i对视频标签j的偏好值；P(Ui，Tj)’表示上一次计算出的用户i对视频标签j的历史偏好值，若为第一次计算则值为零；TimeDecay表示时间衰减系数＝exp(－deltaSeconds/decayFactor)，deltaSeconds表示上一次计算时间点到当前时间点的时间间隔，单位为秒；decayFactor用于控制衰减速率，对于正向偏好decayFactor＝800000，对于负向偏好decayFactor＝100000；SumAllAction是包含视频标签j的所有行为权重，即包括点击、播放、下载、曝光、不喜欢五种行为权重之和；ActionWeight为单个行为权重，对于正向偏好，单个行为权重分别为：点击行为＝1，播放行为＝2，下载行为＝5，曝光行为＝－0.1，不喜欢行为＝－5，对于负向偏好，单个行为权重分别为：点击行为＝－1，播放行为＝－2，下载行为＝－5，曝光行为＝1，不喜欢行为＝5；ItemWeight表示视频标签j的权重，ItemWeight＝log(ActionCount/ItemActionCount)，其中ActionCount表示所有用户针对视频标签j的某个行为的总数，ItemActionCount表示用户i针对视频标签j在该行为下的总数；ItemTagWeight表示Tj在Item中的权重，为默认值；UserTagWeight表示Tj在用户偏好中的权重，UserTagWeight＝log(所有视频标签历史累计算过的次数/视频标签j累计计算过的次数)。4.根据权利要求1所述的方法，其特征在于，所述消费日志为搜索日志；根据用户的消费日志确定出多个视频标签，包括：对所述搜索日志中的搜索词以字为单位进行切词处理，得到多个字；对所述多个字进行去重处理；对去重后的多个字进行排列组合，得到多个词；将所述多个词中的每个词分别与视频库标签匹配，将与所述视频库标签命中的词作为所述视频标签。5.根据权利要求1所述的方法，其特征在于，根据所述...

【专利技术属性】
技术研发人员：苏映滨，
申请(专利权)人：深圳墨世科技有限公司，
类型：发明
国别省市：广东,44