视频质量评估方法、设备、视频处理设备及介质技术

本发明专利技术公开了视频质量评估方法、设备、视频处理设备及介质。一种视频质量评估方法方法包括：构建要用于神经网络系统的评估模型的训练数据集，包括人工标注数据和用户点击量数据；属性特征获取步骤，针对训练数据集中的每个样本，通过神经网络系统，获得每个样本的与视频属性数据相关的各属性特征；特征合成步骤，针对每个样本，对该样本的各属性特征进行特征合成处理，得到该样本的合成特征；以及训练步骤，通过对每个样本的所述合成特征，结合所述人工标注任务与所述用户点击量任务进行对抗训练，生成用于评估视频质量的评估模型。本发明专利技术提出的视频质量评估模型无论对于新视频还是已曝光视频，都能够得到更准确、更有效的评估结果。

Video Quality Assessment Method, Equipment, Video Processing Equipment and Media

【技术实现步骤摘要】
视频质量评估方法、设备、视频处理设备及介质
本专利技术涉及视频处理技术，尤其涉及视频质量评估方法、设备、视频处理设备及介质。
技术介绍
在当前移动互联网时代，每个用户既是内容的消费者，也是内容的创造者，由用户生成的各种内容爆发式增长。专利技术人发现，在视频推荐场景中，由用户生成的海量的视频往往只能展示少部分，而且，由于新视频出现的时间短，积攒的点击量往往相比于旧视频低，所以新视频依据点击量被推荐的几率也很低。另外，用户上传的内容质量也参差不齐，低质视频主要体现在封面图不清晰、视频描述无意义等，这对个性化推荐算法带来了一定挑战，也会给用户带来不好的观看体验。因此，在视频推荐业务中，一般通过对每一个视频的质量进行评分，并根据评分来进行视频推荐和展示，由此增大高质量视频的曝光几率。目前，视频质量评分方法主要分为两种，这两种方法之间主要的差别在于训练数据的来源不同。一种是基于标注数据，即由人工对推荐池里的视频打分，以一些高质量视频作为正样本，并以一些低质量视频作为负样本，作为训练数据。另一种是基于已曝光的数据，按照被推荐视频的点击量降序排列，抽取一些高点击量的视频作为正样本，抽取一些低点击量本文档来自技高网...

【技术保护点】
1.一种视频质量评估方法，其特征在于，该方法包括：数据集构建步骤，构建要用于神经网络系统的评估模型的训练数据集，在该训练数据集中包括人工标注数据和用户点击量数据，其中，人工标注数据是与所述神经网络系统的人工标注任务相关的、其中由人工标注了质量高低的视频数据，用户点击量数据是是与所述神经网络系统的用户点击量任务相关的、其中记载了用户点击量的视频数据；属性特征获取步骤，针对训练数据集中的每个样本，通过神经网络系统，获得每个样本的与视频属性数据相关的各属性特征；特征合成步骤，针对每个样本，对该样本的各属性特征进行特征合成处理，得到该样本的合成特征；训练步骤，通过对每个样本的所述合成特征，结合所述人工...

【技术特征摘要】
1.一种视频质量评估方法，其特征在于，该方法包括：数据集构建步骤，构建要用于神经网络系统的评估模型的训练数据集，在该训练数据集中包括人工标注数据和用户点击量数据，其中，人工标注数据是与所述神经网络系统的人工标注任务相关的、其中由人工标注了质量高低的视频数据，用户点击量数据是是与所述神经网络系统的用户点击量任务相关的、其中记载了用户点击量的视频数据；属性特征获取步骤，针对训练数据集中的每个样本，通过神经网络系统，获得每个样本的与视频属性数据相关的各属性特征；特征合成步骤，针对每个样本，对该样本的各属性特征进行特征合成处理，得到该样本的合成特征；训练步骤，通过对每个样本的所述合成特征，结合所述人工标注任务与所述用户点击量任务进行对抗训练，生成用于评估视频质量的评估模型。2.如权利要求1所述的视频质量评估方法，其特征在于，所述训练数据集中的每个样本数据包含该样本的视频属性数据、该样本所属的任务类别以及标签类别；其中，样本的视频属性数据包括该视频的封面图、标题、描述；样本所属的任务类别用于表示该样本视频所属的任务；样本的标签类别用于表示该样本视频的质量类别。3.如权利要求1所述的视频质量评估方法，其特征在于，在数据集构建步骤中，将既属于人工标注数据又属于用户点击量数据的、视频内容相同的两条视频数据合并成一条视频数据，其中，合并后的该条视频数据中保留作为人工标注数据时的标签类别和所属的任务类别、以及作为用户点击量数据时的标签类别和所属的任务类别。4.如权利要求1所述的视频质量评估方法，其特征在于，在所述训练步骤中，通过将每个样本的所述合成特征分别输入到用于人工标注任务的第一全连接网络、用于用户点击量任务的第二全连接网络与用于对抗训练的对抗全连接网络，得到各全连接网络的损失值，并通过所述损失值的反向传播来调节神经网络系统的参数，生成评估模型。5.如权利要求1所述的视频质量评估方法，其特征在于，在属性特征获取步骤中，使训练数据集中的每个样本通过用于提取样本的各属性特征的各个相应的神经网络，并从各神经网络的中间层获得每个样本的相应属性特征。6.如权利要求1所述的视频质量评估方法，其特征在于，所述特征合成步骤中的特征合成处理包括属性特征的拼接与属性特征的维度变换。7.如权利要求6所述的视频质量评估方法，其特征在于，通过使从所述各神经网络的中间层获得的每个样本的相应属性特征通过各自相应的全连接网络，获得所述属性特征的维度变换。8.如权利要求1所述的视频质量评估方法，其特征在于，该方法还包括：评估步骤，将待评估视频输入到所述评估模型，得到该视频的质量评分。9.如权利要求8所述的视频质量评估方法，其特征在于，在所述评估步骤中，基于所述待评估视频的属性，确定所述待评估视频对应于人工标注任务还是用户点击量任务，并从用于与该待评估视频相对应的任务的全连接网络得到该视频的质量评分。10.如权利要求4所述的视频质量评估方法，其特征在于，对所述合成特征施加下式所示的损失函数：Ltotal＝Ltask1+Ltask2+Ladv_loss，其中，Ltotal为损失函数的损失值，Ltask1、Ltask2分别是人工标注任务和用...

【专利技术属性】
技术研发人员：丁敏，黄浩，王春燕，
申请(专利权)人：北京奇艺世纪科技有限公司，
类型：发明
国别省市：北京,11