视频展示方法、装置、电子设备、存储介质及程序产品与流程

1.本公开总体说来涉及电子技术领域，更具体地讲，涉及一种视频展示方法、装置、电子设备、存储介质及程序产品。


背景技术：

2.为了降低服务器压力，减少客户端与服务器端交互次数，一般服务器端会一次下发多个视频到客户端，客户端会按顺序将这些视频展示给用户。然而，这种方式忽略了用户的即时需求，导致下发的视频排序无法匹配用户的实时兴趣变化。


技术实现要素：

3.本公开的示例性实施例在于提供一种视频展示方法、装置、电子设备、存储介质及程序产品，以至少解决上述相关技术中的问题。
4.根据本公开实施例的第一方面，提供一种视频展示方法，包括：响应于目标账户对待播视频中的第一目标视频的视频播放请求，获取所述第一目标视频的视频播放时长；根据所述视频播放时长确定所述第一目标视频的播放类型；针对所述待播视频中在所述第一目标视频之后的多个第二目标视频，根据每个第二目标视频的特征和最近预定数量个属于所述播放类型的已播视频的特征，更新每个第二目标视频属于所述播放类型的预测结果；根据更新后的每个第二目标视频属于所述播放类型的预测结果，更新每个第二目标视频的最终预测结果；根据更新后的每个第二目标视频的最终预测结果对所述多个第二目标视频进行排序并展示。
5.可选地，所述根据每个第二目标视频的特征和最近预定数量个属于所述播放类型的已播视频的特征，更新每个第二目标视频属于所述播放类型的预测结果的步骤，包括：当所述播放类型为长播时，将每个第二目标视频的特征和最近第一预定数量个属于长播类型的已播视频的特征输入至第一预测模型，得到每个第二目标视频的长播分数，其中，长播分数表示视频会被长播的可能性；当所述播放类型为非长播时，将每个第二目标视频的特征和最近第二预定数量个属于非长播类型的已播视频的特征输入至第二预测模型，得到每个第二目标视频的非长播分数，其中，非长播分数表示视频不会被长播的可能性。
6.可选地，所述将每个第二目标视频的特征和最近第一预定数量个属于长播类型的已播视频的特征输入至第一预测模型，得到每个第二目标视频的长播分数的步骤，包括：将每个第二目标视频的特征和最近第一预定数量个属于长播类型的已播视频的特征输入至第一注意力网络，得到所述最近第一预定数量个属于长播类型的已播视频中的每个已播视频关于该第二目标视频的注意力结果；将所述每个已播视频的注意力结果作为该已播视频的特征的加权值，对所述最近第一预定数量个属于长播类型的已播视频的特征进行加权求和运算；将加权求和运算结果和该第二目标视频的特征输入第一拼接层；将第一拼接层输出的向量经由第一全连接层后输入第一分类层，得到第一分类层输出的该第二目标视频的长播分数。
7.可选地，所述将每个第二目标视频的特征和最近第二预定数量个属于非长播类型的已播视频的特征输入至第二预测模型，得到每个第二目标视频的非长播分数的步骤，包括：将每个第二目标视频的特征和最近第二预定数量个属于非长播类型的已播视频的特征输入至第二注意力网络，得到所述最近第二预定数量个属于非长播类型的已播视频中的每个已播视频关于该第二目标视频的注意力结果；将所述每个已播视频的注意力结果作为该已播视频的特征的加权值，对所述最近第二预定数量个属于非长播类型的已播视频的特征进行加权求和运算；将加权求和运算结果和该第二目标视频的特征输入第二拼接层；将第二拼接层输出的向量经由第二全连接层后输入第二分类层，得到第二分类层输出的该第二目标视频的非长播分数。
8.可选地，每个第二目标视频的最终预测结果为该第二目标视频的长播分数与非长播分数的差值。
9.可选地，所述视频展示方法还包括：接收服务器端下发的所述待播视频及其特征；接收服务器端下发的训练好的第一预测模型和第二预测模型。
10.可选地，第二目标视频的最终预测结果越高，排序越靠前。
11.根据本公开实施例的第二方面，提供一种视频展示装置，包括：播放时长获取单元，被配置为响应于目标账户对待播视频中的第一目标视频的视频播放请求，获取所述第一目标视频的视频播放时长；播放类型确定单元，被配置为根据所述视频播放时长确定所述第一目标视频的播放类型；播放类型预测单元，被配置为针对所述待播视频中在所述第一目标视频之后的多个第二目标视频，根据每个第二目标视频的特征和最近预定数量个属于所述播放类型的已播视频的特征，更新每个第二目标视频属于所述播放类型的预测结果；最终预测结果获取单元，被配置为根据更新后的每个第二目标视频属于所述播放类型的预测结果，更新每个第二目标视频的最终预测结果；排序展示单元，被配置为根据更新后的每个第二目标视频的最终预测结果对所述多个第二目标视频进行排序并展示。
12.可选地，播放类型预测单元被配置为：当所述播放类型为长播时，将每个第二目标视频的特征和最近第一预定数量个属于长播类型的已播视频的特征输入至第一预测模型，得到每个第二目标视频的长播分数，其中，长播分数表示视频会被长播的可能性；当所述播放类型为非长播时，将每个第二目标视频的特征和最近第二预定数量个属于非长播类型的已播视频的特征输入至第二预测模型，得到每个第二目标视频的非长播分数，其中，非长播分数表示视频不会被长播的可能性。
13.可选地，播放类型预测单元被配置为：当所述播放类型为长播时，将每个第二目标视频的特征和最近第一预定数量个属于长播类型的已播视频的特征输入至第一注意力网络，得到所述最近第一预定数量个属于长播类型的已播视频中的每个已播视频关于该第二目标视频的注意力结果；将所述每个已播视频的注意力结果作为该已播视频的特征的加权值，对所述最近第一预定数量个属于长播类型的已播视频的特征进行加权求和运算；将加权求和运算结果和该第二目标视频的特征输入第一拼接层；将第一拼接层输出的向量经由第一全连接层后输入第一分类层，得到第一分类层输出的该第二目标视频的长播分数。
14.可选地，播放类型预测单元被配置为：当所述播放类型为非长播时，将每个第二目标视频的特征和最近第二预定数量个属于非长播类型的已播视频的特征输入至第二注意力网络，得到所述最近第二预定数量个属于非长播类型的已播视频中的每个已播视频关于
该第二目标视频的注意力结果；将所述每个已播视频的注意力结果作为该已播视频的特征的加权值，对所述最近第二预定数量个属于非长播类型的已播视频的特征进行加权求和运算；将加权求和运算结果和该第二目标视频的特征输入第二拼接层；将第二拼接层输出的向量经由第二全连接层后输入第二分类层，得到第二分类层输出的该第二目标视频的非长播分数。
15.可选地，每个第二目标视频的最终预测结果为该第二目标视频的长播分数与非长播分数的差值。
16.可选地，所述视频展示装置还包括：接收单元，被配置为接收服务器端下发的所述待播视频及其特征；接收服务器端下发的训练好的第一预测模型和第二预测模型。
17.可选地，第二目标视频的最终预测结果越高，排序越靠前。
18.根据本公开实施例的第三方面，提供一种电子设备，包括：至少一个处理器；至少一个存储计算机可执行指令的存储器，其中，所述计算机可执行指令在被所述至少一个处理器运行时，促使所述至少一个处理器执行如上所述的视频展示方法。
19.根据本公开实施例的第四方面，提供一种计算机可读存储介质，当所述计算机可读存储介质中的指令被至少一个处理器运行时，促使所述至少一个处理器执行如上所述的视频展示方法。
20.根据本公开实施例的第五方面，提供一种计算机程序产品，包括计算机指令，所述计算机指令被至少一个处理器执行时实现如上所述的视频展示方法。
21.根据本公开的示例性实施例，能够通过用户对视频的实时消费情况捕获用户的即时需求，并根据用户的即时需求调整视频展示排序，因此，所展示的视频更能够匹配用户的实时兴趣变化，更能满足用户的即时需求，从而达到更好的用户体验。
22.应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
23.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理，并不构成对本公开的不当限定。
24.图1示出根据本公开示例性实施例的视频展示方法的应用场景图；
25.图2示出根据本公开示例性实施例的视频展示方法的流程图；
26.图3示出根据本公开示例性实施例的得到待播视频的长播分数的方法的流程图；
27.图4示出根据本公开示例性实施例的得到待播视频的非长播分数的方法的流程图；
28.图5示出根据本公开示例性实施例的视频展示装置的结构框图；
29.图6示出根据本公开示例性实施例的电子设备的结构框图。
具体实施方式
30.为了使本领域普通人员更好地理解本公开的技术方案，下面将结合附图，对本公开实施例中的技术方案进行清楚、完整地描述。
31.需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“第一”、“第
二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
32.在此需要说明的是，在本公开中出现的“若干项之中的至少一项”均表示包含“该若干项中的任意一项”、“该若干项中的任意多项的组合”、“该若干项的全体”这三类并列的情况。例如“包括a和b之中的至少一个”即包括如下三种并列的情况：(1)包括a；(2)包括b；(3)包括a和b。又例如“执行步骤一和步骤二之中的至少一个”，即表示如下三种并列的情况：(1)执行步骤一；(2)执行步骤二；(3)执行步骤一和步骤二。
33.图1示出根据本公开示例性实施例的视频展示方法的应用场景的示例。
34.参照图1，当用户需要在客户端观看视频时，客户端可向服务器端发送视频获取请求；服务器端可响应于客户端的视频获取请求，向客户端发送多个待播视频及这多个待播视频的特征；客户端可对这多个待播视频进行排序，并按照排序结果对这多个待播视频进行展示，并且，在展示待播视频的过程中，可执行根据本公开示例性实施例的视频展示方法，响应于目标账户对待播视频中的第一目标视频的视频播放请求，获取所述第一目标视频的视频播放时长；根据所述视频播放时长确定所述第一目标视频的播放类型；针对所述待播视频中在所述第一目标视频之后的多个第二目标视频，根据每个第二目标视频的特征和最近预定数量个属于所述播放类型的已播视频的特征，更新每个第二目标视频属于所述播放类型的预测结果；根据更新后的每个第二目标视频属于所述播放类型的预测结果，更新每个第二目标视频的最终预测结果；根据更新后的每个第二目标视频的最终预测结果对所述多个第二目标视频进行排序并展示。从而，能够使所展示的视频更匹配用户的实时兴趣变化，满足用户的即时需求。
35.应该理解，根据本公开示例性实施例的视频展示方法不仅可应用于上述场景，还可应用于其他适合的场景，本公开对此不作限制。
36.图2示出根据本公开示例性实施例的视频展示方法的流程图。作为示例，所述视频展示方法可由客户端来执行。
37.参照图2，在步骤s101，响应于目标账户对待播视频中的第一目标视频的视频播放请求，获取所述第一目标视频的视频播放时长。
38.具体说来，可响应于目标账户对待播视频中的第一目标视频的视频播放请求，播放第一目标视频，并获取第一目标视频的视频播放时长。例如，第一目标视频的视频播放时长可为结束播放第一目标视频时，第一目标视频已被播放的总时长。
39.在步骤s102，根据所述视频播放时长确定所述第一目标视频的播放类型。
40.作为示例，视频的播放类型可包括：长播和非长播。应该理解，也可基于视频时长从其他维度划分视频的播放类型，本公开对此不作限制。
41.作为示例，播放时长超过预设阈值的播放属于长播类型，否则属于非长播类型。
42.在步骤s103，针对所述待播视频中在所述第一目标视频之后的多个第二目标视频，根据每个第二目标视频的特征和最近预定数量个属于所述播放类型的已播视频的特征，更新每个第二目标视频属于所述播放类型的预测结果。
43.作为示例，视频的特征可为：视频的embedding特征(嵌入特征)。应该理解，也可为其他类型的特征，本公开对此不作限制。
44.作为示例，视频属于长播类型的预测结果表征视频会被长播的可能性。例如，视频属于长播类型的预测结果可以分数(例如，可称为长播分数)的形式被表示，视频会被长播的可能性越高，长播分数越高。视频会被长播可理解为：播放该视频的播放时长会超过所述预设阈值。
45.作为示例，视频属于非长播类型的预测结果表征视频不会被长播的可能性。例如，视频属于非长播类型的预测结果可以分数(例如，可称为非长播分数)的形式被表示，视频不会被长播的可能性越高，非长播分数越高。视频不会被长播可理解为：播放该视频的播放时长不会超过所述预设阈值。
46.在步骤s104，根据更新后的每个第二目标视频属于所述播放类型的预测结果，更新每个第二目标视频的最终预测结果。
47.作为示例，当所述播放类型为长播时，可将每个第二目标视频的特征和最近第一预定数量个属于长播类型的已播视频的特征输入至第一预测模型，得到该第二目标视频的长播分数作为更新后的该第二目标视频属于长播类型的预测结果。长播分数表示视频会被长播的可能性。
48.作为示例，当所述播放类型为非长播时，可将每个第二目标视频的特征和最近第二预定数量个属于非长播类型的已播视频的特征输入至第二预测模型，得到该第二目标视频的非长播分数作为更新后的该第二目标视频属于非长播类型的预测结果。非长播分数表示视频不会被长播的可能性。
49.作为示例，每个视频的最终预测结果可基于该视频分别属于各个播放类型的预测结果得到。例如，当播放类型包括长播和非长播时，每个视频的最终预测结果可基于该视频属于长播类型的预测结果和属于非长播类型的预测结果得到。例如，可为属于长播类型的预测结果与属于非长播类型的预测结果之间的差值。例如，视频的最终预测结果可为预测的该视频的长播分数m与非长播分数n的差值(m-n)。
50.具体说来，当每个第二目标视频属于所述播放类型的预测结果被更新后，需要根据更新后的该第二目标视频属于所述播放类型的预测结果，更新该第二目标视频的最终预测结果。例如，当所述播放类型为长播时，根据更新后的该第二目标视频属于长播类型的预测结果和最近一次得到的该第二目标视频属于非长播类型的预测结果，得到该第二目标视频的最终预测结果作为更新后的该第二目标视频的最终预测结果。
51.作为示例，第一预测模型可包括：第一注意力attention网络、第一拼接concat层、第一全连接层、以及第一分类层。应该理解，该模型结构仅作为示例，第一预测模型也可被构建成其他形式，本公开对此不作限制。例如，第一全连接层可包括两层fc网络。例如，第一分类层可使用softmax函数。下面将会结合图3来描述步骤s103的示例性实施例。
52.作为示例，第二预测模型可包括：第二注意力网络、第二拼接层、第二全连接层、以及第二分类层。应该理解，该模型结构仅作为示例，第二预测模型也可被构建成其他形式，本公开对此不作限制。例如，第二全连接层可包括两层fc网络。例如，第二分类层可使用softmax函数。下面将会结合图4来描述步骤s103的示例性实施例。
53.在步骤s105，根据更新后的每个第二目标视频的最终预测结果对所述多个第二目
标视频进行排序并展示。
54.具体说来，根据更新后的每个第二目标视频的最终预测结果对所述多个第二目标视频重新进行排序，并按照排序结果进行展示。即，排序越靠前，越优先被展示。
55.作为示例，第二目标视频的最终预测结果越高，排序越靠前。
56.作为示例，根据本公开示例性实施例的视频展示方法还可包括：接收服务器端下发的所述待播视频及其特征。例如，可接收服务器端下发的n个待播视频及每个待播视频的特征。这里，n为大于0的整数。例如，n可为大于或等于8的整数。作为示例，可当接收到服务器端下发的待播视频时，将每个待播视频的特征和最近第一预定数量个属于长播类型的已播视频的特征输入至第一预测模型，得到每个待播视频初始的长播分数；并将每个待播视频的特征和最近第二预定数量个属于非长播类型的已播视频的特征输入至第二预测模型，得到每个待播视频初始的非长播分数；然后，基于每个待播视频的长播分数和非长播分数，得到该待播视频的最终预测结果；接下来，根据初始得到的每个待播视频的最终预测结果，对待播视频进行初始排序并展示。
57.根据本公开的示例性实施例，在对待播视频进行初始排序并展示之后，每当长播了一个所展示的待播视频(即，第一目标视频)之后，将排在该长播了的视频之后的每个待播视频(即，第二目标视频)的特征和最近第一预定数量个属于长播类型的已播视频的特征输入第一预测模型，得到重新预测的每个第二目标视频的长播分数(也即，更新后的长播分数)；然后，基于每个第二目标视频原来的非长播分数和重新预测的长播分数，更新该第二目标视频的最终预测结果；接下来，根据更新后的每个第二目标视频的最终预测结果对所述多个第二目标视频进行排序并展示。换言之，每当用户消费了(也即，观看了)所展示的一个待播视频p之后，如果长播了该视频p，则需要更新排在视频p之后的待播视频的长播分数，这是因为最近第一预定数量个属于长播类型的已播视频构成的序列发生了变化：视频p加入该序列，相应地，序列中的一个原有视频被顶掉。因此，会影响后续的待播视频的最终预测结果，根据实时更新的最终预测结果对后续的待播视频进行重新排序，并顺序展示给用户。
58.根据本公开的示例性实施例，在对待播视频进行初始排序并展示之后，每当非长播一个所展示的待播视频(即，第一目标视频)之后，将排在该视频之后的每个待播视频(即，第二目标视频)的特征和最近第二预定数量个属于非长播类型的已播视频的特征输入第二预测模型，得到重新预测的每个第二目标视频的非长播分数(也即，更新后的非长播分数)；然后，基于每个第二目标视频原来的长播分数和重新预测的非长播分数，更新该第二目标视频的最终预测结果；接下来，根据更新后的每个第二目标视频的最终预测结果对所述多个第二目标视频进行排序并展示。换言之，每当用户消费了(也即，观看了)所展示的一个待播视频q之后，如果非长播该视频q，则需要更新排在视频q之后的待播视频的非长播分数，这是因为最近第二预定数量个属于非长播类型的已播视频构成的序列发生了变化：视频q加入该序列，相应地，序列中的一个原有视频被顶掉。因此，会影响后续的待播视频的最终预测结果，根据实时更新的最终预测结果对后续的待播视频进行重新排序，并顺序展示给用户。
59.作为示例，根据本公开示例性实施例的视频展示方法还可包括：接收服务器端下发的训练好的第一预测模型和第二预测模型。例如，可在初次接收到训练好的第一预测模
型和第二预测模型之后，每当第一预测模型被更新，接收第一预测模型更新后的模型参数；每当第二预测模型被更新，接收第二预测模型更新后的模型参数。
60.图3示出根据本公开示例性实施例的得到待播视频的长播分数的方法的流程图。这里，第一预测模型包括：第一注意力网络、第一拼接层、第一全连接层、以及第一分类层。
61.参照图3，在步骤s1011，将每个第二目标视频的特征和最近第一预定数量个属于长播类型的已播视频的特征输入至第一注意力网络，得到所述最近第一预定数量个属于长播类型的已播视频中的每个已播视频关于该第二目标视频的注意力结果。
62.具体地，第一注意力网络可通过注意力机制将所述最近第一预定数量个属于长播类型的已播视频中的每个已播视频的特征和该第二目标视频的特征进行结合，得到所述最近第一预定数量个属于长播类型的已播视频中的每个已播视频关于该第二目标视频的注意力结果。
63.在步骤s1012，将所述每个已播视频的注意力结果作为该已播视频的特征的加权值，对所述最近第一预定数量个属于长播类型的已播视频的特征进行加权求和运算。
64.具体地，将所述每个已播视频的注意力结果乘以该已播视频的特征以得到乘积结果，并对所述最近第一预定数量个属于长播类型的已播视频各自对应的乘积结果进行求和运算。
65.在步骤s1013，将加权求和运算结果和该第二目标视频的特征输入第一拼接层。
66.即，将该第二目标视频的特征和加权求和运算结果进行concat。
67.在步骤s1014，将第一拼接层输出的向量经由第一全连接层后输入第一分类层，得到第一分类层输出的该第二目标视频的长播分数。
68.作为示例，可使用交叉熵损失函数训练第一预测模型。应该理解，也可为其他类型的损失函数，本公开对此不作限制。
69.图4示出根据本公开示例性实施例的得到待播视频的非长播分数的方法的流程图。第二预测模型可包括：第二注意力网络、第二拼接层、第二全连接层、以及第二分类层。
70.参照图4，在步骤s1021，将每个第二目标视频的特征和最近第二预定数量个属于非长播类型的已播视频的特征输入至第二注意力网络，得到所述最近第二预定数量个属于非长播类型的已播视频中的每个已播视频关于该第二目标视频的注意力结果。
71.在步骤s1022，将所述每个已播视频的注意力结果作为该已播视频的特征的加权值，对所述最近第二预定数量个属于非长播类型的已播视频的特征进行加权求和运算。
72.在步骤s1023，将加权求和运算结果和该第二目标视频的特征输入第二拼接层。
73.在步骤s1024，将第二拼接层输出的向量经由第二全连接层后输入第二分类层，得到第二分类层输出的该第二目标视频的非长播分数。
74.作为示例，可使用交叉熵损失函数训练第二预测模型。应该理解，也可为其他类型的损失函数，本公开对此不作限制。
75.本公开的实施例提供的技术方案至少带来以下有益效果：
76.能够由客户端对下发到客户端的多个视频进行排序并按照排序结果来展示这些视频，从而充分利用客户端的计算能力，减轻服务器端的压力；
77.在对视频排序的过程中，能够使用实时捕获到的用户对视频的实时消费情况，因此，排序结果更匹配用户的实时兴趣变化，更能满足用户的即时需求，从而达到更好的用户
体验；
78.采用了反馈网络，不仅能实时捕获用户对视频的正向反馈，还能实时捕获用户对视频的负向反馈，通过正向反馈和负向反馈即时调整下发到客户端的视频的排序，能够更好地满足用户需求，对用户体验有很好的提升。
79.图5示出根据本公开示例性实施例的视频展示装置的结构框图。
80.如图5所示，根据本公开示例性实施例的视频展示装置10包括：播放时长获取单元101、播放类型确定单元102、播放类型预测单元103、最终预测结果获取单元104、排序展示单元105。
81.具体说来，播放时长获取单元101被配置为响应于目标账户对待播视频中的第一目标视频的视频播放请求，获取所述第一目标视频的视频播放时长。
82.播放类型确定单元102被配置为根据所述视频播放时长确定所述第一目标视频的播放类型。
83.播放类型预测单元103被配置为针对所述待播视频中在所述第一目标视频之后的多个第二目标视频，根据每个第二目标视频的特征和最近预定数量个属于所述播放类型的已播视频的特征，更新每个第二目标视频属于所述播放类型的预测结果。
84.最终预测结果获取单元104被配置为根据更新后的每个第二目标视频属于所述播放类型的预测结果，更新每个第二目标视频的最终预测结果。
85.排序展示单元105被配置为根据更新后的每个第二目标视频的最终预测结果对所述多个第二目标视频进行排序并展示。
86.作为示例，播放类型预测单元103可被配置为：当所述播放类型为长播时，将每个第二目标视频的特征和最近第一预定数量个属于长播类型的已播视频的特征输入至第一预测模型，得到每个第二目标视频的长播分数，其中，长播分数表示视频会被长播的可能性；当所述播放类型为非长播时，将每个第二目标视频的特征和最近第二预定数量个属于非长播类型的已播视频的特征输入至第二预测模型，得到每个第二目标视频的非长播分数，其中，非长播分数表示视频不会被长播的可能性。
87.作为示例，播放类型预测单元103可被配置为：当所述播放类型为长播时，将每个第二目标视频的特征和最近第一预定数量个属于长播类型的已播视频的特征输入至第一注意力网络，得到所述最近第一预定数量个属于长播类型的已播视频中的每个已播视频关于该第二目标视频的注意力结果；将所述每个已播视频的注意力结果作为该已播视频的特征的加权值，对所述最近第一预定数量个属于长播类型的已播视频的特征进行加权求和运算；将加权求和运算结果和该第二目标视频的特征输入第一拼接层；将第一拼接层输出的向量经由第一全连接层后输入第一分类层，得到第一分类层输出的该第二目标视频的长播分数。
88.作为示例，播放类型预测单元103可被配置为：当所述播放类型为非长播时，将每个第二目标视频的特征和最近第二预定数量个属于非长播类型的已播视频的特征输入至第二注意力网络，得到所述最近第二预定数量个属于非长播类型的已播视频中的每个已播视频关于该第二目标视频的注意力结果；将所述每个已播视频的注意力结果作为该已播视频的特征的加权值，对所述最近第二预定数量个属于非长播类型的已播视频的特征进行加权求和运算；将加权求和运算结果和该第二目标视频的特征输入第二拼接层；将第二拼接
层输出的向量经由第二全连接层后输入第二分类层，得到第二分类层输出的该第二目标视频的非长播分数。
89.作为示例，每个第二目标视频的最终预测结果可为该第二目标视频的长播分数与非长播分数的差值。
90.作为示例，所述视频展示装置10还可包括：接收单元(未示出)，接收单元被配置为接收服务器端下发的所述待播视频及其特征；接收服务器端下发的训练好的第一预测模型和第二预测模型。
91.作为示例，第二目标视频的最终预测结果越高，排序越靠前。
92.关于上述实施例中的视频展示装置10，其中各个单元执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
93.此外，应该理解，上述实施例中的视频展示装置10中的各个单元可被实现硬件组件和/或软件组件。本领域技术人员根据限定的各个单元所执行的处理，可以例如使用现场可编程门阵列(fpga)或专用集成电路(asic)来实现各个单元。
94.图6示出根据本公开示例性实施例的电子设备的结构框图。参照图6，该电子设备20包括：至少一个存储器201和至少一个处理器202，所述至少一个存储器201中存储有计算机可执行指令集合，当计算机可执行指令集合被至少一个处理器202执行时，执行如上述示例性实施例所述的视频展示方法。
95.作为示例，电子设备20可以是pc计算机、平板装置、个人数字助理、智能手机、或其他能够执行上述指令集合的装置。这里，电子设备20并非必须是单个的电子设备，还可以是任何能够单独或联合执行上述指令(或指令集)的装置或电路的集合体。电子设备20还可以是集成控制系统或系统管理器的一部分，或者可被配置为与本地或远程(例如，经由无线传输)以接口互联的便携式电子设备。
96.在电子设备20中，处理器202可包括中央处理器(cpu)、图形处理器(gpu)、可编程逻辑装置、专用处理器系统、微控制器或微处理器。作为示例而非限制，处理器202还可包括模拟处理器、数字处理器、微处理器、多核处理器、处理器阵列、网络处理器等。
97.处理器202可运行存储在存储器201中的指令或代码，其中，存储器201还可以存储数据。指令和数据还可经由网络接口装置而通过网络被发送和接收，其中，网络接口装置可采用任何已知的传输协议。
98.存储器201可与处理器202集成为一体，例如，将ram或闪存布置在集成电路微处理器等之内。此外，存储器201可包括独立的装置，诸如，外部盘驱动、存储阵列或任何数据库系统可使用的其他存储装置。存储器201和处理器202可在操作上进行耦合，或者可例如通过i/o端口、网络连接等互相通信，使得处理器202能够读取存储在存储器中的文件。
99.此外，电子设备20还可包括视频显示器(诸如，液晶显示器)和用户交互接口(诸如，键盘、鼠标、触摸输入装置等)。电子设备20的所有组件可经由总线和/或网络而彼此连接。
100.根据本公开的示例性实施例，还可提供一种存储指令的计算机可读存储介质，其中，当所述指令被至少一个处理器运行时，促使至少一个处理器执行如上述示例性实施例所述的视频展示方法。这里的计算机可读存储介质的示例包括：只读存储器(rom)、随机存取可编程只读存储器(prom)、电可擦除可编程只读存储器(eeprom)、随机存取存储器
(ram)、动态随机存取存储器(dram)、静态随机存取存储器(sram)、闪存、非易失性存储器、cd-rom、cd-r、cd r、cd-rw、cd rw、dvd-rom、dvd-r、dvd r、dvd-rw、dvd rw、dvd-ram、bd-rom、bd-r、bd-r lth、bd-re、蓝光或光盘存储器、硬盘驱动器(hdd)、固态硬盘(ssd)、卡式存储器(诸如，多媒体卡、安全数字(sd)卡或极速数字(xd)卡)、磁带、软盘、磁光数据存储装置、光学数据存储装置、硬盘、固态盘以及任何其他装置，所述任何其他装置被配置为以非暂时性方式存储计算机程序以及任何相关联的数据、数据文件和数据结构并将所述计算机程序以及任何相关联的数据、数据文件和数据结构提供给处理器或计算机使得处理器或计算机能执行所述计算机程序。上述计算机可读存储介质中的计算机程序可在诸如客户端、主机、代理装置、服务器等计算机设备中部署的环境中运行，此外，在一个示例中，计算机程序以及任何相关联的数据、数据文件和数据结构分布在联网的计算机系统上，使得计算机程序以及任何相关联的数据、数据文件和数据结构通过一个或多个处理器或计算机以分布式方式存储、访问和执行。
101.根据本公开的示例性实施例，还可提供一种计算机程序产品，该计算机程序产品中的指令可由至少一个处理器执行以完成如上述示例性实施例所述的视频展示方法。
102.本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本技术旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
103.应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。