本公開涉及多媒體處理，尤其涉及一種視頻推薦模型的訓練、視頻推薦方法、裝置、設備及介質。

背景技術：

1、目前，在視頻推薦場景中，存在大量用戶通過視頻信息流頁面(簡稱一級頁面)跳轉到視頻沉浸式頁面(簡稱二級頁面)的情景；當用戶在一級頁面選擇某個入口視頻后進入二級頁面，該入口視頻可以反映用戶的初始興趣；同時，用戶在二級頁面的沉浸式消費過程則會體現出用戶的興趣延續和轉移。

2、相關技術中，如果在二級頁面一直根據入口視頻進行推薦視頻，可能很難保持用戶興趣延續；如果進入二級頁面后直接切換至用戶當前已興趣點對應的視頻，也可能導致用戶興趣轉移失敗的情況；因此，如何有效平衡用戶在二級頁面的內容消費與一級頁面入口視頻的相關性，同時滿足用戶在二級頁面的個性化消費需求，是需要解決的關鍵問題。

技術實現思路

1、為了解決上述技術問題或者至少部分地解決上述技術問題，本公開提供了一種視頻推薦模型的訓練、視頻推薦方法、裝置、設備及介質。

2、本公開實施例提供了一種視頻推薦模型的訓練方法，所述方法包括：獲取一級頁面的入口視頻的視頻特征樣本和二級頁面的當前歷史請求特征樣本；其中，基于所述一級頁面的入口視頻進入所述二級頁面，所述二級頁面的當前歷史請求特征樣本是指當前歷史時間在所述二級頁面進行請求播放視頻的請求信息；對所述視頻特征樣本和所述當前歷史請求特征樣本進行組合，得到交叉特征樣本；獲取召回視頻樣本列表對應的多個視頻特征樣本、以及獲取用戶特征樣本；基于預構建的待訓練視頻推薦模型根據所述交叉特征樣本、所述多個視頻特征樣本和所述用戶特征樣本從所述召回視頻樣本列表中確定下一個待播放視頻，基于所述下一個待播放視頻的視頻特征樣本和所述二級頁面的下一個歷史播放視頻的視頻特征樣本之間的相似度和預先設置的損失函數確定損失值以對模型參數進行調整，得到視頻推薦模型。

3、可選的，獲取所述二級頁面的當前歷史請求特征樣本，包括：獲取所述二級頁面的當前已請求次數；獲取所述二級頁面的當前觀看視頻對應的當前觀看視頻參數；其中，所述當前觀看視頻參數包括當前觀看視頻標識、當前觀看視頻標簽和歷史觀看視頻類別中的至少一種；對所述當前已請求次數進行編碼處理、或對所述當前已請求次數和所述歷史觀看視頻參數進行編碼處理，得到所述當前歷史請求特征樣本。

4、可選的，所述對所述視頻特征樣本和所述當前歷史請求特征樣本進行組合，得到交叉特征樣本，包括：對所述視頻特征樣本和所述當前歷史請求特征樣本進行乘積處理，得到所述交叉特征樣本；和/或，對所述視頻特征樣本和所述當前歷史請求特征樣本進行拼接處理，得到所述交叉特征樣本；和/或，獲取所述視頻特征樣本和所述當前歷史請求特征樣本對應的權重信息，基于所述權重信息對所述視頻特征樣本和所述當前歷史請求特征樣本進行處理，得到所述交叉特征樣本。

5、可選的，所述方法還包括：獲取所述二級頁面的當前觀看視頻的當前觀看參數；其中，所述當前觀看參數包括當前觀看時長、當前觀看完播率和當前切換頻率中的至少一種；基于所述當前觀看參數確定所述當前歷史請求特征樣本的權重信息。

6、本公開實施例還提供了一種視頻推薦方法，所述方法包括：響應于對一級頁面的目標視頻的操作指令，以在二級頁面播放所述目標視頻；響應于對所述二級頁面的切換指令，獲取所述目標視頻的視頻特征、所述二級頁面的當前請求特征和用戶特征；對所述視頻特征和所述當前請求特征進行組合，得到交叉特征；基于視頻推薦模型根據將所述交叉特征和所述用戶特征在預設的召回視頻列表中進行檢索，得到推薦視頻以在所述二級頁面播放；其中，所述視頻推薦模型根據前述實施例所述的視頻推薦模型的訓練方法得到。

7、可選的，所述基于視頻推薦模型根據將所述交叉特征和所述用戶特征在預設的召回視頻列表中進行檢索，得到推薦視頻，包括：獲取召回視頻列表中各個候選視頻對應的候選視頻特征；通過所述視頻推薦模型基于所述用戶特征、所述交叉特征和所述候選視頻特征進行計算，得到目標相似度；按照所有所述目標相似度進行排序，獲取最大所述目標相似度對應的候選視頻作為所述推薦視頻。

8、本公開實施例還提供了一種視頻推薦模型的訓練裝置，第一獲取模塊，用于獲取一級頁面的入口視頻的視頻特征樣本；第二獲取模塊，用于獲取二級頁面的當前歷史請求特征樣本；其中，基于所述一級頁面的入口視頻進入所述二級頁面，所述二級頁面的當前歷史請求特征樣本是指當前歷史時間在所述二級頁面進行請求播放視頻的請求信息；第一組合模塊，用于對所述視頻特征樣本和所述當前歷史請求特征樣本進行組合，得到交叉特征樣本；第三獲取模塊，用于獲取召回視頻樣本列表對應的多個視頻特征樣本和用戶特征樣本；訓練模塊，用于基于預構建的待訓練視頻推薦模型根據所述交叉特征樣本、所述多個視頻特征樣本和所述用戶特征樣本從所述召回視頻樣本列表中確定下一個待播放視頻，基于所述下一個待播放視頻的視頻特征樣本和所述二級頁面的下一個歷史播放視頻的視頻特征樣本之間的相似度和預先設置的損失函數確定損失值以對模型參數進行調整，得到視頻推薦模型。

9、本公開實施例還提供了一種視頻推薦裝置，所述方法包括：響應播放模塊，用于響應于對一級頁面的目標視頻的操作指令，以在二級頁面播放所述目標視頻；響應獲取模塊，用于響應于對所述二級頁面的切換指令，獲取所述目標視頻的視頻特征、所述二級頁面的當前請求特征和用戶特征；第二組合模塊，用于對所述視頻特征和所述當前請求特征進行組合，得到交叉特征；處理模塊，用于基于視頻推薦模型根據將所述交叉特征和所述用戶特征在預設的召回視頻列表中進行檢索，得到推薦視頻以在所述二級頁面播放；其中，所述視頻推薦模型根據前述實施例所述的視頻推薦模型的訓練方法得到。

10、本公開實施例還提供了一種電子設備，所述電子設備包括：處理器；用于存儲所述處理器可執行指令的存儲器；所述處理器，用于從所述存儲器中讀取所述可執行指令，并執行所述指令以實現如本公開實施例提供的視頻推薦模型的訓練、視頻推薦方法。

11、本公開實施例還提供了一種計算機可讀存儲介質，所述存儲介質存儲有計算機程序，所述計算機程序用于執行如本公開實施例提供的視頻推薦模型的訓練、視頻推薦方法。

12、本公開實施例還提供了一種計算機程序產品，包括計算機程序，其中，所述計算機程序在被處理器執行如本申請實施例提供的視頻推薦模型的訓練、視頻推薦方法。

13、本公開實施例提供的上述技術方案，通過將入口視頻的視頻特征和二級頁面的請求特征進行組合以用于訓練視頻推薦模型，使得視頻推薦模型可以挖掘到在一級頁面和二級頁面之間的關聯行為特征，從而基于視頻推薦模型可以實現二級頁面推薦視頻與入口視頻的相關性到推薦視頻與用戶個性化興趣的智能過渡，提升視頻推薦的準確性和用戶體驗。

14、應當理解，本部分所描述的內容并非旨在標識本公開的實施例的關鍵或重要特征，也不用于限制本公開的范圍。本公開的其它特征將通過以下的說明書而變得容易理解。

技術特征：

1.一種視頻推薦模型的訓練方法，其特征在于，包括：

2.根據權利要求1所述的方法，其特征在于，獲取所述二級頁面的當前歷史請求特征樣本，包括：

3.根據權利要求1所述的方法，其特征在于，所述對所述視頻特征樣本和所述當前歷史請求特征樣本進行組合，得到交叉特征樣本，包括：

4.根據權利要求3所述的方法，其特征在于，所述方法還包括：

5.一種視頻推薦方法，其特征在于，包括：

6.根據權利要求5所述的方法，其特征在于，所述基于視頻推薦模型根據將所述交叉特征和所述用戶特征在預設的召回視頻列表中進行檢索，得到推薦視頻，包括：

7.一種視頻推薦模型的訓練裝置，其特征在于，包括：

8.一種視頻推薦裝置，其特征在于，包括：

9.一種電子設備，其特征在于，所述電子設備包括：

10.一種計算機可讀存儲介質，其特征在于，所述存儲介質存儲有計算機程序，所述計算機程序用于執行上述權利要求1-4中任一項所述的視頻推薦模型的訓練方法的步驟、或權利要求5或6所述的視頻推薦方法的步驟。

技術總結
本公開實施例涉及一種視頻推薦模型的訓練、視頻推薦方法和裝置，其中該方法包括：獲取一級頁面的入口視頻的視頻特征樣本和二級頁面的當前歷史請求特征樣本；對視頻特征樣本和當前歷史請求特征樣本進行組合得到交叉特征樣本；基于預構建的待訓練視頻推薦模型根據交叉特征樣本、召回視頻樣本列表對應的多個視頻特征樣本和用戶特征樣本從召回視頻樣本列表中確定下一個待播放視頻，基于下一個待播放視頻的視頻特征樣本和二級頁面的下一個歷史播放視頻的視頻特征樣本之間的相似度確定損失值以對模型參數進行調整得到視頻推薦模型。本公開實施例通過入口視頻與二級頁面請求信息的交叉特征用于訓練視頻推薦模型，從而提升視頻推薦的準確性和用戶體驗。

技術研發人員：楊隨心,查強
受保護的技術使用者：北京奇藝世紀科技有限公司
技術研發日：
技術公布日：2025/4/24