[發(fā)明專(zhuān)利]視頻推薦方法、裝置、計(jì)算機(jī)設(shè)備及存儲(chǔ)介質(zhì)

有效

• 申請(qǐng)?zhí)枺?/td>: 201811542848.1
• 申請(qǐng)日: 2018-12-17
• 公開(kāi)（公告）號(hào): CN110162664B
• 公開(kāi)（公告）日: 2021-05-25
• 發(fā)明（設(shè)計(jì)）人: 劉龍坡
• 申請(qǐng)（專(zhuān)利權(quán)）人: 騰訊科技（深圳）有限公司
• 主分類(lèi)號(hào): G06F16/73
• 分類(lèi)號(hào): G06F16/73;G06F16/735
• 代理公司: 廣州華進(jìn)聯(lián)合專(zhuān)利商標(biāo)代理有限公司 44224
• 代理人: 黃晶晶;李文淵

1.一種視頻推薦方法，所述方法包括：

獲取第一視頻；

依據(jù)所述第一視頻的靜態(tài)特征圖以及光流圖，確定所述第一視頻的靜態(tài)特征和動(dòng)態(tài)特征；

根據(jù)所述靜態(tài)特征和所述動(dòng)態(tài)特征，確定所述第一視頻的第一視頻特征；

獲取各用戶(hù)的標(biāo)識(shí)所分別對(duì)應(yīng)的目標(biāo)視頻特征；

根據(jù)所述第一視頻特征與各所述目標(biāo)視頻特征之間的第一相似度，向所述各用戶(hù)進(jìn)行第一視頻推薦；所述第一相似度，是通過(guò)將所述第一視頻特征分別和每個(gè)所述目標(biāo)視頻特征輸入預(yù)先訓(xùn)練的相似度模型輸出得到；

其中，所述相似度模型通過(guò)訓(xùn)練步驟得到，所述訓(xùn)練步驟包括：

獲取多組聯(lián)合觀看視頻；

根據(jù)各組所述聯(lián)合觀看視頻中包括的兩個(gè)關(guān)聯(lián)視頻，確定正樣本視頻和錨點(diǎn)樣本視頻；

對(duì)應(yīng)于每組正樣本視頻和錨點(diǎn)樣本視頻，獲取負(fù)樣本視頻；

將同組的正樣本視頻、錨點(diǎn)樣本視頻和負(fù)樣本視頻作為同一組訓(xùn)練數(shù)據(jù)，根據(jù)各組訓(xùn)練數(shù)據(jù)進(jìn)行機(jī)器學(xué)習(xí)訓(xùn)練，得到所述相似度模型。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述方法還包括：

從所述第一視頻中提取圖像幀，得到靜態(tài)特征圖；

針對(duì)每個(gè)所述靜態(tài)特征圖，獲取所述靜態(tài)特征圖與提取的時(shí)序相鄰于所述靜態(tài)特征圖的前一靜態(tài)特征圖之間的光流圖。

3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述依據(jù)所述第一視頻的靜態(tài)特征圖以及光流圖，確定所述第一視頻的靜態(tài)特征和動(dòng)態(tài)特征包括：

卷積處理各所述靜態(tài)特征圖，得到各所述靜態(tài)特征圖的特征向量；

取各所述靜態(tài)特征圖的特征向量的平均值，得到所述第一視頻的靜態(tài)特征向量；

分別對(duì)各所述光流圖進(jìn)行卷積處理，得到各所述光流圖的特征向量；

對(duì)各所述光流圖的特征向量的求平均，得到所述第一視頻的動(dòng)態(tài)特征向量。

4.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述靜態(tài)特征為靜態(tài)特征向量；所述動(dòng)態(tài)特征為動(dòng)態(tài)特征向量；所述第一視頻特征為第一視頻特征向量；

所述根據(jù)所述靜態(tài)特征和所述動(dòng)態(tài)特征，確定所述第一視頻的第一視頻特征包括：

拼接所述第一視頻的所述靜態(tài)特征向量和所述動(dòng)態(tài)特征向量；

對(duì)拼接得到的特征向量進(jìn)行特征組合處理；

將組合后得到的特征向量進(jìn)行降維處理，得到所述第一視頻的第一視頻特征向量。

5.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述獲取多組聯(lián)合觀看視頻包括：

獲取待抽樣視頻和相應(yīng)的歷史觀看數(shù)據(jù)；

根據(jù)所述歷史觀看數(shù)據(jù)對(duì)各待抽樣視頻進(jìn)行關(guān)聯(lián)規(guī)則挖掘處理；

根據(jù)關(guān)聯(lián)規(guī)則挖掘結(jié)果，確定在觀看順序上具有前后關(guān)聯(lián)關(guān)系的關(guān)聯(lián)視頻作為聯(lián)合觀看視頻。

6.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述根據(jù)各組訓(xùn)練數(shù)據(jù)進(jìn)行機(jī)器學(xué)習(xí)訓(xùn)練，得到相似度模型包括：

針對(duì)每組訓(xùn)練數(shù)據(jù)，分別獲取所述訓(xùn)練數(shù)據(jù)中的正樣本視頻的視頻特征向量、錨點(diǎn)樣本視頻的視頻特征向量和負(fù)樣本視頻的視頻特征向量；

迭代將每組訓(xùn)練數(shù)據(jù)中的正樣本視頻的視頻特征向量、錨點(diǎn)樣本視頻的視頻特征向量和負(fù)樣本視頻的視頻特征向量分別輸入初始模型中進(jìn)行機(jī)器學(xué)習(xí)訓(xùn)練，迭代地調(diào)整模型參數(shù)，直至滿(mǎn)足迭代停止條件，得到相似度模型；

其中，由訓(xùn)練得到的所述相似度模型計(jì)算出的錨點(diǎn)樣本視頻與同組正樣本視頻的相似度高于所述錨點(diǎn)樣本視頻與同組負(fù)樣本視頻的相似度。

7.根據(jù)權(quán)利要求6所述的方法，其特征在于，所述針對(duì)每組訓(xùn)練數(shù)據(jù)，分別獲取所述訓(xùn)練數(shù)據(jù)中的正樣本視頻的視頻特征向量、錨點(diǎn)樣本視頻的視頻特征向量和負(fù)樣本視頻的視頻特征向量包括：

針對(duì)同組正樣本視頻、錨點(diǎn)樣本視頻和負(fù)樣本視頻中的每個(gè)樣本視頻，獲取所述樣本視頻的樣本靜態(tài)特征圖和樣本光流圖；

依據(jù)各所述樣本靜態(tài)特征圖和各所述樣本光流圖，得到所述樣本視頻的靜態(tài)特征向量和動(dòng)態(tài)特征向量；

根據(jù)所述樣本視頻的靜態(tài)特征向量和動(dòng)態(tài)特征向量，確定所述樣本視頻的視頻特征向量。