视频推送方法、装置、计算机设备及存储介质制造方法及图纸

本申请是关于一种视频推送方法，该方法包括：获取第一视频中的N个候选封面；通过视频封面确定模型获得N个候选封面各自的预测置信度；该视频封面确定模型是根据第二视频中的K个候选封面，以及K个候选封面各自的用户操作数据进行强化学习获得的卷积神经网络模型；根据N个候选封面各自的预测置信度，从N个候选封面中获取第一视频的视频封面；根据第一视频的视频封面向终端推送第一视频。由于视频封面确定模型是根据用户对不同封面的相同视频执行的操作进行强化训练的卷积神经网络模型，综合考虑了用户对视频封面的选择操作，提高了后续通过训练出的模型确定视频封面的准确性。

Video Push Method, Device, Computer Equipment and Storage Media

【技术实现步骤摘要】
视频推送方法、装置、计算机设备及存储介质
本申请实施例涉及视频应用
，特别涉及一种视频推送方法、装置、计算机设备及存储介质。
技术介绍
随着计算机网络应用的不断发展，视频播放类应用程序中的视频资源也越来越多，为了便于用户准确的查找自己想要点播的视频，视频提供商需要为各个视频确定合适的封面。在相关技术中，视频提供商的服务器可以从视频包含的各个图像帧中选择一个图像帧作为该视频的视频封面。其中，上述封面图像帧可以通过预先为多种指标分别设置对应的权重获得。比如，开发人员预先设计图像质量分类模型，通过预先标注的高质量图片和低质量图片进行模型训练；在模型训练完成后，对于每一个视频，通过图像质量分类模型对该视频中的各图像帧进行处理，获得各图像帧的图像质量，将其中图像质量最高的图像帧作为视频封面。然而，相关技术所示的方案需要人工标注用于训练的图片的图像质量，训练出的模型的准确性受到标注人员的主观影响，导致通过训练出的模型确定视频封面的准确性较低。
技术实现思路
本申请实施例提供了一种视频推送方法、装置、计算机设备及存储介质，可以提高用于提高后续通过训练出的模型确定视频封面的准确性，技术方案如下：一方面，提供了一种视频推送方法，所述方法包括：获取第一视频中的N个候选封面，N为大于或者等于2的整数；通过视频封面确定模型分别对所述N个候选封面进行处理，获得所述N个候选封面各自的预测置信度，所述预测置信度用于指示对应的候选封面是视频封面的概率；所述视频封面确定模型是根据第二视频中的K个候选封面，以及所述K个候选封面各自的用户操作数据进行强化学习获得的卷积神经网络模型；所述用户操作数据用于指示所述第二视频接收到的用户操作，以及，所述用户操作对应的候选封面，K为大于或者等于2的整数；根据所述N个候选封面各自的预测置信度，从所述N个候选封面中获取所述第一视频的视频封面；根据所述第一视频的视频封面向终端推送所述第一视频。另一方面，提供了一种用于确定视频封面的模型的训练方法，所述方法包括：获取第二视频中的K个候选封面，K为大于或者等于2的整数；通过卷积神经网络模型提取所述K个候选封面各自的图像特征；所述图像特征是所述卷积神经网络中的特征提取组件的输出；分别以所述K个候选封面作为所述第二视频的视频封面，对所述第二视频进行推送，获得所述K个候选封面各自的用户操作数据；所述用户操作数据用于指示所述第二视频接收到的用户操作，以及，所述用户操作对应的候选封面；根据所述K个候选封面各自的图像特征，以及所述K个候选封面各自的用户操作数据，对所述卷积神经网络模型中的置信度输出组件的网络参数进行强化学习；所述置信度输出组件用于根据所述特征提取组件提取的图像特征输出预测置信度，所述预测置信度用于指示对应的候选封面是视频封面的概率；当所述置信度输出组件的输出结果收敛时，将所述卷积神经网络模型获取为用于确定视频封面的视频封面确定模型。又一方面，提供了一种视频封面展示方法，用于终端中，所述方法包括：在第一时刻，接收服务器推送的第一视频的第一视频封面，所述第一视频封面是N个候选封面中的任一封面，N为大于或者等于2的整数；根据所述第一视频封面展示所述第一视频的视频播放入口；在第二时刻，接收所述服务器推送的所述第一视频的第二视频封面；所述第二视频封面是通过封面确定子模型从所述N个候选封面中确定的；所述封面确定子模型是根据所述N个候选封面，以及所述N个候选封面各自的目标用户操作数据进行强化学习获得的卷积神经网络模型；所述目标用户操作数据用于指示所述第一视频接收到的目标用户操作，以及，所述目标用户操作对应的候选封面；所述目标用户操作是目标用户组中的各个用户对所述第一视频执行的用户操作，所述指定用户组是所述终端对应用户所在的用户组；根据所述第二视频封面展示所述第一视频的视频播放入口。一方面，提供了一种视频推送装置，所述装置包括：候选封面获取模块，用于获取第一视频中的N个候选封面，N为大于或者等于2的整数；置信度预测模块，用于通过视频封面确定模型分别对所述N个候选封面进行处理，获得所述N个候选封面各自的预测置信度，所述预测置信度用于指示对应的候选封面是视频封面的概率；所述视频封面确定模型是根据第二视频中的K个候选封面，以及所述K个候选封面各自的用户操作数据进行强化学习获得的卷积神经网络模型；所述用户操作数据用于指示所述第二视频接收到的用户操作，以及，所述用户操作对应的候选封面，K为大于或者等于2的整数；视频封面获取模块，用于根据所述N个候选封面各自的预测置信度，从所述N个候选封面中获取所述第一视频的视频封面；视频推送模块，用于根据所述第一视频的视频封面向终端推送所述第一视频。可选的，所述视频封面确定模型包括至少两个封面确定子模型；且所述至少两个封面确定子模型分别对应各自的用户组；所述置信度预测模块，用于，查询所述终端对应用户所在的目标用户组；获取所述目标用户组对应的封面确定子模型，所述目标用户组对应的封面确定子模型是根据第二视频中的K个候选封面，以及所述K个候选封面各自的目标用户操作数据进行强化学习获得的卷积神经网络模型；所述目标用户操作数据用于指示目标用户操作，以及，所述目标用户操作对应的候选封面；所述目标用户操作是所述目标用户组中的各个用户对所述第二视频执行的用户操作；通过所述目标用户组对应的封面确定子模型分别对所述N个候选封面进行处理，获得所述N个候选封面各自的预测置信度。可选的，所述候选封面获取模块，用于，获取所述第一视频中的各个关键图像帧；对所述各个关键图像帧进行聚类处理，获得至少两个聚类中心，每个所述聚类中心包含对应同一场景类型的至少一个关键图像帧；从所述至少两个聚类中心中分别提取至少一个关键图像帧，获得所述N个候选封面。可选的，在从所述至少两个聚类中心中分别提取至少一个关键图像帧，获得所述N个候选封面时，所述候选封面获取模块，用于，将所述至少两个聚类中心中，包含的关键图像帧的数量小于数量阈值的聚类中心剔除，获得N个聚类中心；从所述N个聚类中心中分别提取一个关键图像帧，获得所述N个候选封面。可选的，所述视频封面确定模型包括特征提取组件与置信度输出组件；所述特征提取组件用于提取输入的候选封面的图像特征；所述置信度输出组件用于根据所述特征提取组件提取的图像特征输出所述输入的候选封面的预测置信度。可选的，所述特征提取组件与图像分类模型中的特征提取部分相同；其中，所述图像分类模型是通过样本图像以及所述样本图像的分类标签训练获得的卷积神经网络模型。又一方面，提供了一种用于确定视频封面的模型的训练装置，所述装置包括：候选封面获取模块，用于获取第二视频中的K个候选封面，K为大于或者等于2的整数；特征提取模块，用于通过卷积神经网络模型提取所述K个候选封面各自的图像特征；所述图像特征是所述卷积神经网络中的特征提取组件的输出；操作数据获取模块，用于分别以所述K个候选封面作为所述第二视频的视频封面，对所述第二视频进行推送，获得所述K个候选封面各自的用户操作数据；所述用户操作数据用于指示所述第二视频接收到的用户操作，以及，所述用户操作对应的候选封面；强化学习模块，用于根据所述K个候选封面各自的图像特征，以及所述K个候选封面各自的用户操作数据，对所述卷积神经网络模型中的置本文档来自技高网...

【技术保护点】
1.一种视频推送方法，其特征在于，所述方法包括：获取第一视频中的N个候选封面，N为大于或者等于2的整数；通过视频封面确定模型分别对所述N个候选封面进行处理，获得所述N个候选封面各自的预测置信度，所述预测置信度用于指示对应的候选封面是视频封面的概率；所述视频封面确定模型是根据第二视频中的K个候选封面，以及所述K个候选封面各自的用户操作数据进行强化学习获得的卷积神经网络模型；所述用户操作数据用于指示所述第二视频接收到的用户操作，以及，所述用户操作对应的候选封面，K为大于或者等于2的整数；根据所述N个候选封面各自的预测置信度，从所述N个候选封面中获取所述第一视频的视频封面；根据所述第一视频的视频封面向终端推送所述第一视频。

【技术特征摘要】
1.一种视频推送方法，其特征在于，所述方法包括：获取第一视频中的N个候选封面，N为大于或者等于2的整数；通过视频封面确定模型分别对所述N个候选封面进行处理，获得所述N个候选封面各自的预测置信度，所述预测置信度用于指示对应的候选封面是视频封面的概率；所述视频封面确定模型是根据第二视频中的K个候选封面，以及所述K个候选封面各自的用户操作数据进行强化学习获得的卷积神经网络模型；所述用户操作数据用于指示所述第二视频接收到的用户操作，以及，所述用户操作对应的候选封面，K为大于或者等于2的整数；根据所述N个候选封面各自的预测置信度，从所述N个候选封面中获取所述第一视频的视频封面；根据所述第一视频的视频封面向终端推送所述第一视频。2.根据权利要求1所述的方法，其特征在于，所述视频封面确定模型包括至少两个封面确定子模型；且所述至少两个封面确定子模型分别对应各自的用户组；所述通过视频封面确定模型分别对所述N个图像帧进行处理，获得所述N个候选封面各自的预测置信度，包括：查询所述终端对应用户所在的目标用户组；获取所述目标用户组对应的封面确定子模型，所述目标用户组对应的封面确定子模型是根据第二视频中的K个候选封面，以及所述K个候选封面各自的目标用户操作数据进行强化学习获得的卷积神经网络模型；所述目标用户操作数据用于指示目标用户操作，以及，所述目标用户操作对应的候选封面；所述目标用户操作是所述目标用户组中的各个用户对所述第二视频执行的用户操作；通过所述目标用户组对应的封面确定子模型分别对所述N个候选封面进行处理，获得所述N个候选封面各自的预测置信度。3.根据权利要求1所述的方法，其特征在于，所述获取第一视频中的N个候选封面，包括：获取所述第一视频中的各个关键图像帧；对所述各个关键图像帧进行聚类处理，获得至少两个聚类中心，每个所述聚类中心包含对应同一场景类型的至少一个关键图像帧；从所述至少两个聚类中心中分别提取至少一个关键图像帧，获得所述N个候选封面。4.根据权利要求3所述的方法，其特征在于，所述从所述至少两个聚类中心中分别提取至少一个关键图像帧，获得所述N个候选封面，包括：将所述至少两个聚类中心中，包含的关键图像帧的数量小于数量阈值的聚类中心剔除，获得N个聚类中心；从所述N个聚类中心中分别提取一个关键图像帧，获得所述N个候选封面。5.根据权利要求1至4任一所述的方法，其特征在于，所述视频封面确定模型包括特征提取组件与置信度输出组件；所述特征提取组件用于提取输入的候选封面的图像特征；所述置信度输出组件用于根据所述特征提取组件提取的图像特征输出所述输入的候选封面的预测置信度。6.一种用于确定视频封面的模型的训练方法，其特征在于，所述方法包括：获取第二视频中的K个候选封面，K为大于或者等于2的整数；通过卷积神经网络模型提取所述K个候选封面各自的图像特征；所述图像特征是所述卷积神经网络中的特征提取组件的输出；分别以所述K个候选封面作为所述第二视频的视频封面，对所述第二视频进行推送，获得所述K个候选封面各自的用户操作数据；所述用户操作数据用于指示所述第二视频接收到的用户操作，以及，所述用户操作对应的候选封面；根据所述K个候选封面各自的图像特征，以及所述K个候选封面各自的用户操作数据，对所述卷积神经网络模型中的置信度输出组件的网络参数进行强化学习；所述置信度输出组件用于根据所述特征提取组件提取的图像特征输出预测置信度，所述预测置信度用于指示对应的候选封面是视频封面的概率；当所述置信度输出组件的输出结果收敛时，将所述卷积神经网络模型获取为用于确定视频封面的视频封面确定模型。7.根据权利要求6所述的方法，其特征在于，所述根据所述K个候选封面各自的图像特征，以及所述K个候选封面各自的用户操作数据，对所述卷积神经网络模型中的置信度输出组件的网络参数进行强化学习，包括：根据所述K个候选封面各自的用户操作数据，获取所述K个候选封面各自的实际置信度；根据所述K个候选封面各自的实际置信度获取策略函数，所述策略函数是使得根据所述K个候选封面各自的图像特征获得的置信度之和最大化的函数，所述置信度之和是所述K个候选封面各自的预测置信度之和；所述策略函数中的可变参数的矩阵格式与所述置信度输出组件的网络参数的矩阵格式相同；将所述策略函数中的可变参数获取为所述向量化组件的网络参数。8.根据权利要求6所述的方法，其特征在于，所述分别以所述K个候选封面作为所述第二视频的视频封面，对所述第二视频进行推送，获得所述K个候选封面各自的用户操作数据，包括：分别以所述K个候选封面作为所述第二视频的视频封面，对所述第二视频进行推送；获取指定用户组中的至少一个用户对所述第二视频的用户操作记录，所述用...

【专利技术属性】
技术研发人员：苏舟，王良栋，孙振龙，张博，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：广东,44