[發明專利]視頻冷啟動推薦方法和裝置

在審

• 申請號: 202111250145.3
• 申請日: 2021-10-26
• 公開（公告）號: CN114154014A
• 公開（公告）日: 2022-03-08
• 發明（設計）人: 胡建猛
• 申請（專利權）人: 樂視網信息技術（北京）股份有限公司
• 主分類號: G06F16/735
• 分類號: G06F16/735;G06F16/9535
• 代理公司: 北京華專卓海知識產權代理事務所(普通合伙) 11664
• 代理人: 王一

本公開提供了一種視頻冷啟動推薦方法和裝置，所述方法包括：獲取待進行排序推薦的視頻；根據所述視頻的本身特征計算其初始分數；根據所述視頻的行為特征計算其行為分數；根據所述視頻的上架時間計算其時間篩選系數；根據所述初始分數、所述行為分數與所述時間篩選系數的乘積，計算所述視頻的排序分數；根據視頻的排序分數進行排序，并推薦給用戶端。以此方式，能夠根據視頻上架時間有針對性地為視頻進行排序推薦，從而提高用戶體驗，避免新上架視頻因為上架時間太短，用戶觀看量、播放時長、播放完畢率、評論量、轉發量、點擊量較少而影響其推薦排名。

技術領域

本公開的實施例一般涉及視頻信息處理技術領域，并且更具體地，涉及一種視頻冷啟動推薦方法和裝置。

背景技術

隨著網絡技術的飛速發展，人們對于網絡的需求體現在生活的每個角落，隨著智能終端的發展，人們可以利用智能終端上安裝的各類APP(Application，應用程序)實現生活中的各種需求。

目前，視頻推薦方法發展的已經比較成熟，視頻的本身特征以及用戶的興趣標簽，可以作為生成為用戶推薦其感興趣的視頻列表的依據。但是，互聯網是快速變化的，互聯網中的內容及用戶都是不斷增長變化的，對于視頻的行為特征，例如用戶觀看量、播放時長、播放完畢率、評論量、轉發量、點擊量，這些特征都是時間變臉，而且，根據視頻類型的不同也存在差異，例如，對于電影和電視劇，其用戶觀看量、播放時長等都會存在很大不同。

因此，對于新注冊的用戶或者待選入推薦視頻列表的視頻，由于缺乏用戶的興趣標簽或者視頻的本身特征，缺乏為用戶推薦視頻的依據，如何為新用戶推薦視頻讓用戶滿意，如何將新的視頻推薦給對應的用戶(即視頻冷啟動)是現有技術中亟需要解決的技術問題。因此，還缺少一種有效的視頻推薦方法。

發明內容

根據本公開的實施例，提供了一種能夠根據主題為用戶推薦關聯視頻，提高推薦視頻的覆蓋率和多樣性，使得用戶能夠快速獲取想要獲取的視頻內容，從而提高用戶體驗的視頻冷啟動推薦方法和裝置。

在本公開的第一方面，提供了一種視頻冷啟動推薦方法，包括：獲取待進行排序推薦的視頻；根據所述視頻的本身特征計算其初始分數；根據所述視頻的行為特征計算其行為分數；根據所述視頻的上架時間計算其行為特征時間篩選系數；根據所述初始分數、所述行為分數與所述行為特征時間篩選系數的乘積，計算所述視頻的排序分數；根據視頻的排序分數進行排序，并推薦給用戶端。

在一些實施例中，所述視頻的本身特征包括類型標簽、內容標簽、質量標簽；所述質量標簽包括上傳者的歷史播放情況、是否包括敏感詞。

在一些實施例中，所述行為特征包括用戶觀看量、播放時長、播放完畢率、評論量、轉發量、點擊量。

在一些實施例中，根據所述視頻的上架時間計算其行為特征時間篩選系數，包括根據所述視頻的本身特征確定其同類視頻的時間篩選系數變化規律，并根據所述的上架時間計算其當前行為特征時間篩選系數。

在一些實施例中，根據所述視頻的上架時間計算行為特征時間篩選系數，包括根據所述視頻的本身特征確定其對應的預先訓練的神經網絡模型；將所述視頻的上架時間輸入預先訓練的神經網絡模型；得到輸出的時間篩選系數；其中，所述神經網絡模型是通過以下步驟訓練得到的：根據歷史視頻的本身特征進行聚類；根據同一類別的歷史視頻的上架時間對應的行為特征變化規律對神經網絡模型進行訓練。

在一些實施例中，根據所述初始分數、所述行為分數與所述行為特征時間篩選系數的乘積，計算所述視頻的排序分數包括：為初始排序分數、行為分數設定加權系數；根據所述初始分數、所述行為分數與所述行為特征時間篩選系數的乘積進行加權求和，計算所述視頻的排序分數。

在一些實施例中，所述方法還包括：根據所述視頻的本身特征與待推薦用戶的關聯度，對排序分數進行調整。