[发明专利]视频推荐方法、装置、设备及计算机存储介质

说明书

本发明公开了一种视频推荐方法、装置、设备及计算机存储介质。其中，视频推荐方法包括：获取预定周期内的多个用户的用户播放数据；根据用户播放数据确定每个用户播放每个视频内容的播放时长，并根据播放时长生成用户‑视频评分矩阵；根据用户‑视频评分矩阵训练视频评分模型；利用视频评分模型为多个用户推荐视频内容。根据本发明实施例，能够利用根据每个用户播放每个视频内容的播放时长生成的用户‑视频评分矩阵训练得到的视频评分模型，为多个用户推荐视频内容，提高视频推荐结果的准确性。

技术领域

本发明属于视频推荐技术领域，尤其涉及一种视频推荐方法、装置、设备及计算机存储介质。

背景技术

随着互联网电视OTT业务的发展，互联网电视的视频内容数量正在呈爆发式增长。这些海量的视频内容在满足了用户需求的同时，也使用户寻找所感兴趣的视频内容更加困难。

传统的视频推荐方法大多为“千人一面”的热门推荐方式，这种热门推荐方式在目前海量视频内容的环境下已经无法满足用户的需求，因此，“千人千面”的个性化视频推荐随之诞生。

在现有的个性化视频推荐方法中，目前最主流的方法是基于视频内容的协同过滤推荐方法，具体为：首先采用近邻模型计算各个视频内容之间的相似性，然后根据用户的历史观看行为和视频内容之间的相似性进行推荐，从而为用户推荐与之前观看的视频内容相似的视频内容。

虽然，这种个性化视频推荐方法在一定程度上可以根据每个用户的兴趣为其进行视频内容的推荐，但是，依然具有不足之处：由于在实际应用中，用户和视频内容的数量都为海量，因此，利用一个用户对观看过的视频内容的评分形成的用户-评分矩阵必然为稀疏矩阵，数据稀疏会导致对视频内容之间的相似度计算较为困难，进而使得根据视频内容之间的相似度计算出的预测评分与实际评分偏差较大，造成推荐结果的准确性较低。

发明内容

本发明实施例提供一种视频推荐方法、装置、设备及计算机存储介质，能够利用根据每个用户播放每个视频内容的播放时长生成的用户-视频评分矩阵训练得到的视频评分模型，为多个用户推荐视频内容，提高视频推荐结果的准确性。

一方面，本发明实施例提供一种视频推荐方法，包括：

获取预定周期内的多个用户的用户播放数据；

根据所述用户播放数据确定每个用户播放每个视频内容的播放时长，并根据所述播放时长生成用户-视频评分矩阵；

根据所述用户-视频评分矩阵训练视频评分模型；

利用所述视频评分模型为所述多个用户推荐视频内容。

进一步地，所述用户播放数据包括用户标识、视频标识、播放开始时间和播放结束时间。

进一步地，根据所述用户-视频评分矩阵训练视频评分模型包括：

对所述用户-视频评分矩阵进行标准化处理，获得用户-标准评分矩阵；

根据所述用户-标准评分矩阵，确定多个用户-评分向量矩阵；

根据所述多个用户-评分向量矩阵训练所述视频评分模型。

进一步地，所述视频评分模型的建立方法为：

根据所述用户-评分向量矩阵和潜因子向量，确定权值矩阵；

利用SVD将所述权值矩阵分解为多个奇异向量矩阵，并将所述多个奇异向量矩阵作为所述视频评分模型。

进一步地，根据所述用户-视频评分矩阵训练视频评分模型包括：

设置所述视频评分模型的超参数的参数值；

选取所述多个用户-评分向量矩阵中的训练数据；

根据所述训练数据，训练所述视频评分模型。