一种视频推荐方法、装置、设备及可读存储介质制造方法及图纸

本发明专利技术提供一种视频推荐方法、装置、设备及可读存储介质，涉及视频推荐技术领域，该方法包括：获取目标用户的收视时长、收视标签以及城乡属性；将所述目标用户的收视时长、收视标签以及城乡属性输入已构建的用户分类模型中，输出所述目标用户所属的用户类型；根据所述用户类型，向所述目标用户推荐视频。本发明专利技术的方案能够根据用户自身的收视行为进行视频推荐。推荐。推荐。

【技术实现步骤摘要】
一种视频推荐方法、装置、设备及可读存储介质
[0001]技术邻域
[0002]本专利技术属于视频推荐
，尤其是涉及一种视频推荐方法、装置、设备及可读存储介质。

技术介绍

[0003]经过互联网多年发展，精细化推荐活动的工作方法与基本特性已基本形成，市场上，视频推荐自动化也获得了越来越多的关注。当前市场上视频推荐大多通过运营人员提供条件，由系统筛选人群后，运营人员根据人群进行二次推荐。但是此种方法往往不够灵活，无法实现根据用户自身行为条件的主动推荐与触达。

技术实现思路

[0004]本专利技术实施例的目的在于提供一种视频推荐方法、装置、设备及可读存储介质，从而解决现有技术中无法根据用户自身行为进行视频推荐的问题。
[0005]为了实现上述目的，本专利技术的实施例提供了一种视频推荐方法，包括：
[0006]获取目标用户的收视时长、收视标签以及城乡属性；
[0007]将所述目标用户的收视时长、收视标签以及城乡属性输入已构建的用户分类模型中，输出所述目标用户所属的用户类型；
[0008]根据所述用户类型，向所述目标用户推荐视频。
[0009]可选地，所述的视频推荐方法，所述方法还包括：
[0010]通过以下步骤，构建所述用户分类模型：
[0011]获取多个样本用户的收视时长、收视标签以及城乡属性；
[0012]对所述多个样本用户的收视标签进行自然语言处理，生成收视标签向量；
[0013]根据所述多个样本用户的收视时长、城乡属性以及收视标签向量，获取训练数据集；
[0014]利用所述训练数据集对K均值聚类模型进行迭代训练；
[0015]将训练完成的K均值聚类模型作为所述用户分类模型。
[0016]可选地，所述的视频推荐方法，在所述将训练完成的K均值聚类模型作为所述用户分类模型之前，所述方法还包括：
[0017]利用测试数据集对训练得到的K均值聚类模型进行验证，获取模型准确率；其中，所述测试数据集是根据所述多个样本用户的收视时长、城乡属性以及收视标签向量确定的；
[0018]在所述模型准确率大于准确率阈值的情况下，确定K均值聚类模型完成训练。
[0019]可选地，所述的视频推荐方法，在所述对所述多个样本用户的收视标签进行自然语言处理，生成收视标签向量之前，所述方法还包括：
[0020]获取每个样本用户的收视标签中的多个子视频标签；
[0021]利用每个子视频标签对应的权重系数，对所述每个样本用户的收视标签进行打分
处理，获取打分处理后的视频标签。
[0022]可选地，所述的视频推荐方法，所述对所述多个样本用户的收视标签进行自然语言处理，生成收视标签向量，包括：
[0023]利用神经网络模型对所述多个样本用户的收视标签进行自然语言处理，获取所述收视标签向量。
[0024]可选地，所述的视频推荐方法，所述根据所述用户类型，向所述目标用户推荐视频，包括：
[0025]根据所述用户类型，确定向所述目标用户推荐视频的频率信息、确定向所述目标用户推荐的视频偏好类型，以及确定向所述目标用户推荐视频的资费信息；
[0026]根据所述频率信息、所述视频偏好类型以及所述资费信息，向所述目标用户推荐视频。
[0027]为了实现上述目的，本专利技术的实施例还提供一种视频推荐装置，包括：
[0028]第一获取模块，用于获取目标用户的收视时长、收视标签以及城乡属性；
[0029]输出模块，用于将所述目标用户的收视时长、收视标签以及城乡属性输入已构建的用户分类模型中，输出所述目标用户所属的用户类型；
[0030]推荐模块，用于根据所述用户类型，向所述目标用户推荐视频。
[0031]可选地，所述的视频推荐装置，所述推荐模块包括：
[0032]确定单元，用于根据所述用户类型，确定向所述目标用户推荐视频的频率信息、确定向所述目标用户推荐的视频偏好类型，以及确定向所述目标用户推荐视频的资费信息；
[0033]推荐单元，用于根据所述频率信息、所述视频偏好类型以及所述资费信息，向所述目标用户推荐视频。
[0034]为了实现上述目的，本专利技术的实施例还提供一种视频推荐设备，包括收发器、处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令；所述处理器执行所述程序或指令时实现如上所述的视频推荐方法中的步骤。
[0035]为了实现上述目的，本专利技术的实施例还提供一种可读存储介质，用于存储计算机程序，所述计算机程序被处理器执行时实现如上任一项所述的视频推荐方法中的步骤。
[0036]本专利技术的上述技术方案至少具有如下有益效果：
[0037]本专利技术实施例的上述方案中，通过获取目标用户的收视时长、收视标签以及城乡属性，并将所述目标用户的收视时长、收视标签以及城乡属性输入已构建的用户分类模型中，输出所述目标用户所属的用户类型，从而根据所述用户类型，向所述目标用户推荐视频，实现根据用户自身收视行为的视频推荐，提高视频推荐准确率。
附图说明
[0038]图1为本专利技术实施例提供的视频推荐方法的流程图；
[0039]图2为本专利技术实施例提供的视频推荐装置的结构图；
[0040]图3为本专利技术实施例提供的视频推荐设备的结构图。
具体实施方式
[0041]为使本专利技术要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具
体实施例进行详细描述。
[0042]应理解，说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本专利技术的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。
[0043]在本专利技术的各种实施例中，应理解，下述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本专利技术实施例的实施过程构成任何限定。
[0044]另外，本文中术语“系统”和“网络”在本文中常可互换使用。
[0045]在本申请所提供的实施例中，应理解，“与A相应的B”表示B与A相关联，根据A可以确定B。但还应理解，根据A确定B并不意味着仅仅根据A确定B，还可以根据A和/或其它信息确定B。
[0046]参见图1，图1是本专利技术实施例提供的一种视频推荐方法的流程图，如图1所示，包括以下步骤：
[0047]步骤101，获取目标用户的收视时长、收视标签以及城乡属性；
[0048]该步骤中，可以获取目标用户的月度收视行为数据，通过该月度收视行为数据，统计目标用户每月的收视时长和收视标签。其中，收视时长用于指示目标用户每月观看视频的时长；每个视频对应至少一个视频标签，该视频标签用于指示视频内容的类型，例如历险科幻类型、古装历史类型、都市生活类型以及喜剧类型等。还可以根据目标用户本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种视频推荐方法，其特征在于，包括：获取目标用户的收视时长、收视标签以及城乡属性；将所述目标用户的收视时长、收视标签以及城乡属性输入已构建的用户分类模型中，输出所述目标用户所属的用户类型；根据所述用户类型，向所述目标用户推荐视频。2.根据权利要求1所述的方法，其特征在于，所述方法还包括：通过以下步骤，构建所述用户分类模型：获取多个样本用户的收视时长、收视标签以及城乡属性；对所述多个样本用户的收视标签进行自然语言处理，生成收视标签向量；根据所述多个样本用户的收视时长、城乡属性以及收视标签向量，获取训练数据集；利用所述训练数据集对K均值聚类模型进行迭代训练；将训练完成的K均值聚类模型作为所述用户分类模型。3.根据权利要求2所述的方法，其特征在于，在所述将训练完成的K均值聚类模型作为所述用户分类模型之前，所述方法还包括：利用测试数据集对训练得到的K均值聚类模型进行验证，获取模型准确率；其中，所述测试数据集是根据所述多个样本用户的收视时长、城乡属性以及收视标签向量确定的；在所述模型准确率大于准确率阈值的情况下，确定K均值聚类模型完成训练。4.根据权利要求2所述的方法，其特征在于，在所述对所述多个样本用户的收视标签进行自然语言处理，生成收视标签向量之前，所述方法还包括：获取每个样本用户的收视标签中的多个子视频标签；利用每个子视频标签对应的权重系数，对所述每个样本用户的收视标签进行打分处理，获取打分处理后的视频标签。5.根据权利要求2所述的方法，其特征在于，所述对所述多个样本用户的收视标签进行自然语言处理，生成收视标签向量，包括...

【专利技术属性】
技术研发人员：李颖秋，陈晨，刘乃彰，朱旭新，孟广君，张育玮，郭汉禄，侯嘉茵，
申请(专利权)人：北京视达科技有限公司，
类型：发明
国别省市：