本公开实施例公开了一种视频流行度预测方法、装置、设备和介质。该方法包括：获取待预测视频对应的目标元数据和当前播放数据；对目标元数据进行特征提取，确定内容特征信息，并对当前播放数据进行特征提取，确定时序特征信息；基于待预测视频的发布时刻，确定当前预测时刻下待预测视频对应的当前发布时长；将内容特征信息、时序特征信息和当前发布时长输入至预设特征融合模型中进行信息融合，确定融合后的目标视频特征信息；将目标视频特征信息输入至预设流行度预测模型中进行流行度预测，确定待预测视频对应的流行度预测结果。通过本公开实施例的技术方案，可以提高视频流行度预测的准确性。准确性。准确性。
【技术实现步骤摘要】
一种视频流行度预测方法、装置、设备和介质
[0001]本公开实施例涉及互联网技术，尤其涉及一种视频流行度预测方法、装置、设备和介质。
技术介绍
[0002]随着移动互联网的快速发展，越来越多的用户喜欢在视频平台上观看视频。在视频平台上每天可以有数千万的视频被产生和传播。对于这些纷杂巨量的视频，可以通过预测视频流行度的方式对视频进行有效管理。目前，急需一种有效的视频流行度的预测方式，以提高视频流行度预测的准确性。
技术实现思路
[0003]本公开实施例提供了一种视频流行度预测方法、装置、设备和介质，以提高视频流行度预测的准确性。
[0004]第一方面，本公开实施例提供了一种视频流行度预测方法，包括：
[0005]获取待预测视频对应的目标元数据和当前播放数据；
[0006]对所述目标元数据进行特征提取，确定内容特征信息，并对所述当前播放数据进行特征提取，确定时序特征信息；
[0007]基于所述待预测视频的发布时刻，确定当前预测时刻下所述待预测视频对应的当前发布时长；
[0008]将所述内容特征信息、所述时序特征信息和所述当前发布时长输入至预设特征融合模型中进行信息融合，确定融合后的目标视频特征信息；
[0009]将所述目标视频特征信息输入至预设流行度预测模型中进行流行度预测，确定所述待预测视频对应的流行度预测结果。
[0010]第二方面，本公开实施例还提供了一种视频流行度预测装置，包括：
[0011]数据获取模块，用于获取待预测视频对应的目标元数据和当前播放数据；
[0012]特征提取模块，用于对所述目标元数据进行特征提取，确定内容特征信息，并对所述当前播放数据进行特征提取，确定时序特征信息；
[0013]当前发布时长确定模块，用于基于所述待预测视频的发布时刻，确定当前预测时刻下所述待预测视频对应的当前发布时长；
[0014]特征融合模块，用于将所述内容特征信息、所述时序特征信息和所述当前发布时长输入至预设特征融合模型中进行信息融合，确定融合后的目标视频特征信息；
[0015]流行度预测模块，用于将所述目标视频特征信息输入至预设流行度预测模型中进行流行度预测，确定所述待预测视频对应的流行度预测结果。
[0016]第三方面，本公开实施例还提供了一种电子设备，所述电子设备包括：
[0017]一个或多个处理器；
[0018]存储器，用于存储一个或多个程序；
[0019]当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本公开任意实施例提供的视频流行度预测方法。
[0020]第四方面，本公开实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本公开任意实施例提供的视频流行度预测方法。
[0021]本公开实施例通过对待预测视频对应的目标元数据和当前播放数据分别进行特征提取，确定内容特征信息和时序特征信息，并基于待预测视频的发布时刻，确定当前预测时刻下待预测视频对应的当前发布时长，并将内容特征信息、时序特征信息和当前发布时长输入至预设特征融合模型中，使得预设特征融合模型可以基于当前发布时长，动态考虑待预测视频的内容特征信息和时序特征信息分别对视频流行度的影响大小，实现信息的动态融合，并且使得融合后的目标视频特征信息更能充分地表征出视频流行度情况，进而将目标视频特征信息输入至预设流行度预测模型中进行流行度预测，可以获得更加准确的流行度预测结果，提高了视频流行度预测的准确性。
附图说明
[0022]结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。
[0023]图1是本公开实施例一提供的一种视频流行度预测方法的流程图；
[0024]图2是本公开实施例二提供的一种视频流行度预测方法的流程图；
[0025]图3是本公开实施例二所涉及的一种知识图谱的示例；
[0026]图4是本公开实施例二所涉及的一种预设内容特征提取模型的提取示例；
[0027]图5是本公开实施例二所涉及的一种预设时序特征提取模型的提取示例；
[0028]图6是本公开实施例三提供的一种视频流行度预测方法的流程图；
[0029]图7是本公开实施例三所涉及的一种预设特征融合模型的信息融合示例；
[0030]图8是本公开实施例四提供的一种视频流行度预测装置的结构示意图；
[0031]图9是本公开实施例五提供的一种电子设备的结构示意图。
具体实施方式
[0032]下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
[0033]应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
[0034]本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
[0035]需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
[0036]需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
[0037]本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
[0038]实施例一
[0039]图1为本公开实施例一提供的一种视频流行度预测方法的流程图，本实施例可适用于对用户发布后的视频进行流行度预测的情况。该方法可以由视频流行度预测装置来执行，该装置可以由软件和/或硬件的方式来实现，集成于电子设备中。如图1所示，该方法具体包括以下步骤：
[0040]S110、获取待预测视频对应的目标元数据和当前播放数据。
[0041]其中，待预测视频可以是指用户在视频平台上发布的任一视频。例如，待预测视频可以指用户投稿的原创视频。目标元数据可以是用于描述待预测视频本身具有的静态数据。例如，目标元数据可以包括但不限于：待预测视频对应的视频关键词、视频时长、视频发布时刻、视频类本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种视频流行度预测方法，其特征在于，包括：获取待预测视频对应的目标元数据和当前播放数据；对所述目标元数据进行特征提取，确定内容特征信息，并对所述当前播放数据进行特征提取，确定时序特征信息；基于所述待预测视频的发布时刻，确定当前预测时刻下所述待预测视频对应的当前发布时长；将所述内容特征信息、所述时序特征信息和所述当前发布时长输入至预设特征融合模型中进行信息融合，确定融合后的目标视频特征信息；将所述目标视频特征信息输入至预设流行度预测模型中进行流行度预测，确定所述待预测视频对应的流行度预测结果。2.根据权利要求1所述的方法，其特征在于，对所述目标元数据进行特征提取，确定内容特征信息，包括：获取预先基于各个视频对应的元数据构建出的知识图谱；基于所述目标元数据，确定所述待预测视频在所述知识图谱中的目标子图；将所述目标子图输入至预设内容特征提取模型中进行特征提取，确定内容特征信息。3.根据权利要求2所述的方法，其特征在于，所述预设内容特征提取模型包括：结构变换子模型和信息聚合子模型；所述将所述目标子图输入至预设内容特征提取模型中进行特征提取，确定内容特征信息，包括：将所述目标子图输入至所述结构变换子模型中进行结构变换，确定具有树状结构的目标树；将所述目标树输入至所述信息聚合子模型中，自底向上地对所述目标树的节点信息进行传播和聚合，并基于聚合后的根节点信息确定内容特征信息。4.根据权利要求3所述的方法，其特征在于，所述自底向上地对所述目标树的节点信息进行传播和聚合，包括：从所述目标树的最底层开始，将每层中的每个父节点作为当前父节点；基于当前父节点信息和当前父节点对应的每个当前子节点信息，确定每个当前子节点对应的子节点注意力权重；基于所述子节点注意力权重，将各个当前子节点信息向上传播至当前父节点，确定当前父节点对应的目标传播信息；将当前父节点信息与所述目标传播信息进行信息聚合，确定聚合后的当前父节点对应的目标节点信息。5.根据权利要求1所述的方法，其特征在于，所述对所述当前播放数据进行特征提取，确定时序特征信息，包括：将所述当前播放数据输入至具有注意力机制的预设时序特征提取模型中进行特征提取，确定时序特征信息。6.根据权利要求1所述的方法，其特征在于，所述预设特征融合模型包括：影响权重确定子模型和特征融合子模型；所述将所述内容特征信息、所述时序特征信息和所述当前发布时长输入至预设特征融
合模型中进行信息融合，确定融合后的目标视频特征信息，包括：将所述当前发布时长输入至所述影响权重确定子模型中，确定所述内容特征信息对应的第一影响权重和所述时序特征信息对应的第二影响权重；将所述内容特征信息、所述时序特征信息、所述第一影响权重和所述第二影响权重输入至所述特征融合子模型中，基于所述第一影响权重和所述第二影响权重分别对所述内容特征信息和所述时序特征信息进行加权处理，并...
【专利技术属性】
技术研发人员：张傲阳，唐世松，马晓腾，李清，马茜，
申请(专利权)人：北京字节跳动网络技术有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。