【技术实现步骤摘要】
本申请涉及人工智能，具体地，涉及一种基于完播率的视频动态推荐方法、装置、计算机设备和存储介质。
技术介绍
1、算法推荐技术是现在互联网大数据中常见的一种多媒体内容推荐技术，常应用于例如短视频、电商、新闻等平台，主要通过用户的行为喜好为用户提供匹配的个性化服务，使得用户能够更快地找到自己感兴趣的内容，提升用户体验。
2、如何判断用户的行为喜好，从而更精准地计算出用户感兴趣的内容，则是算法推荐技术的首要任务。尤其是在一些主流媒体或者需要进行针对性的信息推荐平台更注重对用户喜好的挖掘与引导，根据实时的用户行为反馈，更加精准地摸清用户的行为喜好，通过不断地探索、挖掘而获得更多用户潜在的兴趣爱好，将更多针对性内容或高价值内容适应性的推荐给用户，满足和提升用户观看的愉悦感和幸福感。
3、目前，虽然基于大数据算法的用户推荐技术逐步发展完善，用户画像描绘也日臻准确，但仍存在明显的技术缺陷：例如，在向用户推荐视频的时，会向其推荐“猜你喜欢”的内容，但这种推荐是静态的，只有在用户观看完此视频或者点击推荐的视频之后，才能重新计算积累用户的兴趣爱好，用于后续推荐。这种技术的明显缺陷是：无法根据用户观看视频动态变化地推荐，也无法根据用户有选择地反馈点击准确更新用户兴趣爱好。
4、因此，目前亟需一种可以动态的基于完播率的视频动态推荐方法。
技术实现思路
1、本申请实施例中提供了一种基于完播率的视频动态推荐方法、装置、计算机设备和存储介质。
2、本申请实施例的第一
3、确定第三显示区域中的播放视频；
4、确定与所述播放视频内容相关系数大于第一预设阈值的第一推荐视频，并将所述第一推荐视频的第一视频推荐组件显示于第一显示区域；
5、确定与所述播放视频的当前播放画面相关系数大于第二预设阈值的第二推荐视频，并将所述第二推荐视频的第二视频推荐组件显示于第二显示区域。
6、在本申请一个可选实施例中，所述确定与所述播放视频的当前播放画面相关系数大于第二预设阈值的第二推荐视频，包括：
7、若所述播放视频当前的播放比率超出预设播放比率，按照预设周期确定所述播放视频的所述当前播放画面；
8、对所述当前播放画面中各画面元素进行泛化处理，得到多个泛化目标元素；
9、根据所述多个泛化目标元素确定多个泛化视频；
10、将所述多个泛化视频中与所述播放视频相关系数最高的视频确定为所述第二推荐视频。
11、在本申请一个可选实施例中，上述基于完播率的视频动态推荐方法，还包括：
12、响应于用户视频切换操作，确定所述视频切换操作对应的目标视频推荐组件；
13、若所述目标视频推荐组件为所述第一推荐组件，则确定与所述第一推荐视频相关系数大于第三预设阈值的第一目标推荐视频；
14、将所述第二显示区域中显示的所述第二视频推荐组件更新为所述第一目标推荐视频对应的第一目标视频推荐组件。
15、在本申请一个可选实施例中，上述基于完播率的视频动态推荐方法，还包括：
16、响应于用户视频切换操作，确定所述视频切换操作对应的目标视频推荐组件；
17、若所述目标视频推荐组件为所述第二推荐组件，则确定与所述第二推荐视频相关系数大于第四预设阈值的第二目标推荐视频；
18、将所述第一显示区域中显示的所述第一视频推荐组件更新为所述第二目标推荐视频对应的第二目标视频推荐组件。
19、本申请实施例的第二个方面，提供了一种基于完播率的视频动态推荐方法，应用于服务端，所述基于完播率的视频动态推荐方法包括：
20、获取各终端设备发送的视频播放日志；
21、分别确定各预设类目视频的内容播放率；
22、根据所述内容播放率对个所述预设类目视频的推荐指数进行调整，得到个预设类目视频的目标推荐指数；
23、根据所述目标推荐指数确定在所述终端设备的第一显示区域显示的第一推荐视频的第一视频推荐组件，以及在第二显示区域显示的第二推荐视频的第二视频推荐组件。
24、在本申请一个可选实施例中，上述基于完播率的视频动态推荐方法，还包括：
25、确定所述终端设备第三显示区域中播放视频的目标词嵌入向量；
26、确定所述目标词嵌入向量与预设视频推荐池中各预设推荐视频的词嵌入向量的内积，得到所述播放视频与各预设推荐视频的相关系数；
27、将各所述预设推荐视频的中与所述播放视频相关系数最高的预设推荐视频确定为所述第一推荐视频。
28、在本申请一个可选实施例中，上述基于完播率的视频动态推荐方法，还包括：
29、调用预先训练的泛化模型确定预设视频推荐池中各预设推荐视频的向量化表达；
30、接收所述播放视频的泛化请求，根据向量化表达从各所述预设推荐视频中确定与所述播放视频向量化表达最接近的多个预设推荐视频，得到所述播放视频的泛化视频。
31、在本申请一个可选实施例中，上述基于完播率的视频动态推荐方法，还包括：
32、基于用户的历史播放视频构建训练样本集；
33、基于所述训练样本集对初始泛化模型进行训练，得到目标泛化模型。
34、在本申请一个可选实施例中，所述基于用户的历史播放视频构建训练样本集，包括：
35、对获取到的用户历史播放视频进行切割，形成消费视频子序列；
36、根据预设视频推荐池中各预设推荐视频根据内容标签形成标签知识图谱；
37、对所述标签知识图谱进行一阶和二阶关联内容选择，形成各预设推荐视频的图谱关联视频子序列；
38、基于所述消费视频子序列和所述图谱关联视频子序列构建训练正样本集，以及通过全局随机采样构建训练负样本集。
39、在本申请一个可选实施例中，所述基于所述消费视频子序列和所述图谱关联视频子序列构建训练正样本集，包括：
40、将所述消费子序列与所述图谱关联子序列进行合并，构建所述消费子序列与所述图谱关联子序列的交互图；
41、在所述交互图中通过预设方式进行游走，生成所述用户历史播放视频中各视频片段的视频序列；
42、将所述视频序列中的各视频片段进行两两组合，得到所述训练正样本集。
43、在本申请一个可选实施例中，上述基于完播率的视频动态推荐方法，还包括：
44、将所述第一推荐视频和所述多个泛化视频，输入至预先构建的匹配模型中，得到所述多个泛化视频中与所述播放视频相关系数最高的所述第二推荐视频。
45、在本申请一个可选实施例中，所述将所述第一推荐视频和所述多个泛化视频，输入至预先构建的匹配模型本文档来自技高网...
【技术保护点】
1.一种基于完播率的视频动态推荐方法，其特征在于，应用于服务端，所述基于完播率的视频动态推荐方法包括：
2.根据权利要求1所述的基于完播率的视频动态推荐方法，其特征在于，还包括：
3.根据权利要求1所述的基于完播率的视频动态推荐方法，其特征在于，还包括：
4.根据权利要求3所述的基于完播率的视频动态推荐方法，其特征在于，还包括：
5.根据权利要求4所述的基于完播率的视频动态推荐方法，其特征在于，所述基于用户的历史播放视频构建训练样本集，包括：
6.根据权利要求5所述的基于完播率的视频动态推荐方法，其特征在于，所述基于所述消费视频子序列和所述图谱关联视频子序列构建训练正样本集，包括：
7.根据权利要求6所述的基于完播率的视频动态推荐方法，其特征在于，还包括：
8.一种基于完播率的视频动态推荐装置，其特征在于，应用于服务端，所述基于完播率的视频动态推荐装置包括：
9.一种计算机设备，包括：包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
...【技术特征摘要】
1.一种基于完播率的视频动态推荐方法，其特征在于，应用于服务端，所述基于完播率的视频动态推荐方法包括：
2.根据权利要求1所述的基于完播率的视频动态推荐方法，其特征在于，还包括：
3.根据权利要求1所述的基于完播率的视频动态推荐方法，其特征在于，还包括：
4.根据权利要求3所述的基于完播率的视频动态推荐方法，其特征在于，还包括：
5.根据权利要求4所述的基于完播率的视频动态推荐方法，其特征在于，所述基于用户的历史播放视频构建训练样本集，包括：
6.根据权利要求5所述的基于完播率的视频动态推荐方法，其特征在于，所述基于所述消...
【专利技术属性】
技术研发人员：徐进，梅剑平，李杰，黄卓伟，杨质祺，张欣琦，张亚非，周琳越，雷淑敏，乐诚，
申请(专利权)人：中央广播电视总台，
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。