视频推荐方法、装置、计算机设备及存储介质与流程

1.本技术涉及到视频推荐领域，特别是涉及到一种视频推荐方法、装置、计算机设备及存储介质。


背景技术：

2.目前短视频盛行，各平台普遍用算法进行用户喜欢的相似视频推荐、用话题榜单进行当前热门展示，或通过用户首次使用平台时，一次性让用户选择感兴趣的视频领域，从而向用户推荐视频。但此类算法维度单一，且用户的兴趣指数的变化无法实时获取并及时更改，时间长了会高重复度地推送相同类型或相同内容的视频，导致推送视频的内容单一，推送视频的准确度较低。


技术实现要素：

3.本技术的主要目的为提供一种视频推荐方法、装置、计算机设备及存储介质，旨在解决推送视频的内容单一，推送视频的准确度较低的问题。
4.为了实现上述发明目的，本技术提出一种视频推荐方法，包括：
5.获取用户的视频浏览的历史行为数据；
6.根据用户浏览的视频与对应视频的所述历史行为数据对视频进行分类，得到第一视频集与第二视频集；所述第一视频集为兴趣指数大于或等于预设值的视频集合，所述第二视频集为兴趣指数小于预设值的视频集合；
7.识别所述第一视频集的第一内容信息，根据所述第一内容信息匹配所述第一视频集的第一集合标签；识别所述第二视频集的第二内容信息，根据所述第二内容信息匹配所述第二视频集的第二集合标签；
8.获取所述第一集合标签下的第一细分标签，并获取用户对第一细分标签对应的视频的第一行为数据，根据所述第一行为数据更新第一集合标签，得到第一目标标签；
9.获取所述第二集合标签下的第二细分标签，并获取用户对第二细分标签的第二行为数据，根据所述第二行为数据更新第二集合标签，得到第二目标标签；
10.根据所述第一目标标签与所述第二目标标签生成用户的视频推荐标签；
11.根据所述视频推荐标签向用户推送目标视频。
12.进一步地，所述获取用户对第一细分标签对应的视频的第一行为数据，根据所述第一行为数据更新第一集合标签，得到第一目标标签，包括：
13.获取用户对第一细分标签对应的视频在预设时长范围内的第一行为数据；
14.根据所述第一行为数据计算用户的兴趣指数；
15.根据所述兴趣指数确定第一目标细分标签；
16.根据所述第一目标细分标签更新所述第一集合标签，得到第一目标标签。
17.进一步地，所述获取用户对第二细分标签的第二行为数据，根据所述第二行为数据更新第二集合标签，得到第二目标标签，包括：
18.向用户展示所述第二细分标签；
19.获取用户对所述第二细分标签的第二行为数据，所述第二行为数据包括点选数据；
20.根据所述点选数据筛选第二目标细分标签；
21.根据所述第二目标细分标签更新第二集合标签，得到第二目标标签。
22.进一步地，所述根据所述视频推荐标签向用户推送目标视频，包括：
23.获取所述视频推荐标签的推荐频率；
24.根据所述推荐频率确定目标视频的个数；
25.向用户推送对应个数的目标视频。
26.进一步地，所述根据所述第一目标标签与所述第二目标标签生成用户的视频推荐标签之后，包括：
27.获取用户画像数据；
28.根据所述用户画像数据匹配相似画像数据；
29.获取所述相似画像数据对应目标用户的标签信息；
30.根据所述标签信息更新用户的视频推荐标签。
31.进一步地，所述获取所述第一集合标签下的第一细分标签，还包括：
32.获取当前的推荐场景；
33.根据所述推荐场景匹配推荐精度；
34.根据所述推荐精度确定预设定的标签细分等级；
35.根据所述标签细分等级获取所述第一集合标签下的第一细分标签。
36.进一步地，所述根据所述视频推荐标签向用户推送目标视频之后，还包括：
37.获取用户的关注对象及关注行为数据；
38.根据所述关注行为数据基于预设规则计算所述关注对象的关注度；
39.选取所述关注度排名前预设个数的关注对象作为目标对象；
40.获取所述目标对象的兴趣视频；
41.向用户推送所述兴趣视频。
42.本技术还提供一种视频推荐装置，包括：
43.历史数据模块，用于获取用户的视频浏览的历史行为数据；
44.视频分类模块，用于根据用户浏览的视频与对应视频的所述历史行为数据对视频进行分类，得到第一视频集与第二视频集；所述第一视频集为兴趣指数大于或等于预设值的视频集合，所述第二视频集为兴趣指数小于预设值的视频集合；
45.标签匹配模块，用于识别所述第一视频集的第一内容信息，根据所述第一内容信息匹配所述第一视频集的第一集合标签；识别所述第二视频集的第二内容信息，根据所述第二内容信息匹配所述第二视频集的第二集合标签；
46.第一更新模块，用于获取所述第一集合标签下的第一细分标签，并获取用户对第一细分标签对应的视频的第一行为数据，根据所述第一行为数据更新第一集合标签，得到第一目标标签；
47.第二更新模块，用于获取所述第二集合标签下的第二细分标签，并获取用户对第二细分标签的第二行为数据，根据所述第二行为数据更新第二集合标签，得到第二目标标
签；
48.标签更新模块，用于根据所述第一目标标签与所述第二目标标签生成用户的视频推荐标签；
49.视频推送模块，用于根据所述视频推荐标签向用户推送目标视频。
50.本技术还提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述视频推荐方法的步骤。
51.本技术还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述视频推荐方法的步骤。
52.本技术例提供了一种通过标签的挖掘进行视频推送的方法，首先获取用户的视频浏览的历史行为数据，再根据用户浏览的视频与对应视频的所述历史行为数据对视频进行分类，得到第一视频集与第二视频集，所述第一视频集为兴趣指数大于或等于预设值的视频集合，所述第二视频集为兴趣指数小于预设值的视频集合，再识别所述第一视频集的第一内容信息，根据所述第一内容信息匹配所述第一视频集的第一集合标签；识别所述第二视频集的第二内容信息，根据所述第二内容信息匹配所述第二视频集的第二集合标签，以聚类的标签代替视频集合，从而减少数据的计算量，提高计算效率，再获取所述第一集合标签下的第一细分标签，并获取用户对第一细分标签对应的视频的第一行为数据，根据所述第一行为数据更新第一集合标签，对兴趣标签进行深度的挖掘，得到第一目标标签，获取所述第二集合标签下的第二细分标签，并获取用户对第二细分标签的第二行为数据，根据所述第二行为数据更新第二集合标签，得到第二目标标签，然后根据所述第一目标标签与所述第二目标标签生成用户的视频推荐标签，根据所述视频推荐标签向用户推送目标视频，包括向用户推送数量更多的第一目标标签对应的目标视频，以及减少向用户推送第二目标标签对应的视频，从而多维度地向用户推荐感兴趣的视频，提高视频内容的广泛性，从而提高视频推送的准确率。
附图说明
53.图1为本技术视频推荐方法的一实施例流程示意图；
54.图2为本技术视频推荐装置的一实施例结构示意图；
55.图3为本技术计算机设备的一实施例结构示意框图。
56.本技术目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
57.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
58.参照图1，本技术实施例提供一种视频推荐方法，包括步骤s10-s70，对于所述视频推荐方法的各个步骤的详细阐述如下。
59.s10、获取用户的视频浏览的历史行为数据。
60.本实施例应用于视频推荐的视频挖掘场景中，随着短视频盛行，需要短视频平台向用户推送其感兴趣的视频，本实施例通过开发一视频推荐服务，向用户推送视频.首先，
获取用户的视频浏览的历史行为数据，通过采集用户浏览视频时的行为数据，然后对所述行为数据进行分析，根据所述行为数据不断修正推荐算法，为用户推送目标视频，所述历史行为数据包括视频的观看完成度、点赞率、重复观看率、评论数等行为数据。
61.s20、根据用户浏览的视频与对应视频的所述历史行为数据对视频进行分类，得到第一视频集与第二视频集；所述第一视频集为兴趣指数大于或等于预设值的视频集合，所述第二视频集为兴趣指数小于预设值的视频集合。
62.本实施例中，在获取用户的视频浏览的历史行为数据之后，即获取了用户浏览的每一个视频的历史行为数据，然后根据用户浏览的视频与对应视频的所述历史行为数据对视频进行分类，得到第一视频集与第二视频集，首先基于历史行为数据将视频分类两大类，一类是感兴趣的视频，另一类是不感兴趣的视频，将感兴趣的视频集合定义为第一视频集；将不感兴趣的视频集合定义为第二视频集，其中，是否感兴趣以兴趣指数进行计算，即根据所述历史行为数据计算兴趣指数，当兴趣指数大于或等于预设值，则确定为感兴趣的视频，分类为第一视频集，当兴趣指数小于预设值时，则确定为不感兴趣的视频，分类为第二视频集。
63.s30、识别所述第一视频集的第一内容信息，根据所述第一内容信息匹配所述第一视频集的第一集合标签；识别所述第二视频集的第二内容信息，根据所述第二内容信息匹配所述第二视频集的第二集合标签。
64.本实施例中，在根据用户浏览的视频与对应视频的所述历史行为数据对视频进行分类，得到第一视频集与第二视频集之后，对所述第一视频集与第二视频集进行深度挖掘，首先识别所述第一视频集的第一内容信息，根据所述第一内容信息匹配所述第一视频集的第一集合标签，将感兴趣的视频进行聚类，聚类为不同大类下的视频，例如聚类为宠物标签、汽车标签、运动标签；同样的，对于第二视频亦进行聚类，识别所述第二视频集的第二内容信息，根据所述第二内容信息匹配所述第二视频集的第二集合标签，从而得到对应的聚类标签，以聚类的标签代替视频集合，从而减少数据的计算量，提高计算效率。
65.s40、获取所述第一集合标签下的第一细分标签，并获取用户对第一细分标签对应的视频的第一行为数据，根据所述第一行为数据更新第一集合标签，得到第一目标标签。
66.本实施例中，在得到第一集合标签之后，获取所述第一集合标签下的第一细分标签，第一集合标签集中包含若干个聚类的第一集合标签，每一个第一集合标签下包含有不同的细分标签，定义为第一细分标签，例如第一集合标签为宠物，细分标签为猫、狗、蛇、兔子、鸭子等细分标签，猫标签包括蓝猫、橘猫、美国短毛猫等细分标签，然后获取用户对第一细分标签对应的视频的第一行为数据，根据所述第一行为数据更新第一集合标签，得到第一目标标签，即获取细分标签下用户的感兴趣标签，从而对感兴趣的视频对应的标签进行深度的挖掘，得到第一目标标签。
67.s50、获取所述第二集合标签下的第二细分标签，并获取用户对第二细分标签的第二行为数据，根据所述第二行为数据更新第二集合标签，得到第二目标标签。
68.本发明中，在得到第二集合标签之后，获取所述第二集合标签下的第二细分标签，与第一集合标签类似，第二集合标签同样包括多项细分标签，然后获取用户对第二细分标签的第二行为数据，根据所述第二行为数据更新第二集合标签，得到第二目标标签，从而对不感兴趣的内容进行精确识别。
69.s60、根据所述第一目标标签与所述第二目标标签生成用户的视频推荐标签；
70.s70、根据所述视频推荐标签向用户推送目标视频。
71.本实施例中，在得到第一目标标签与第二目标标签，根据所述第一目标标签与所述第二目标标签生成用户的视频推荐标签，即对感兴趣的标签进行深度挖掘，同时对不感兴趣的内容进行精准定位，然后根据所述视频推荐标签向用户推送目标视频，在推送视频时，在预设的视频库中基于推荐算法筛选视频库中的视频后向用户推荐，具体的，获取当前的视频库，根据所述视频推荐标签筛选所述视频库中的视频，其中，根据视频推荐标签中的第一目标标签从视频库中匹配出待推送的视频，并根据视频推荐标签中的第二目标标签屏蔽视频库中视频，使得向用户推送数量更多的第一目标标签对应的目标视频，以及减少向用户推送第二目标标签对应的视频，从而提高视频推送的准确率。
72.本实施例提供了一种通过标签的挖掘进行视频推送的方法，首先获取用户的视频浏览的历史行为数据，再根据用户浏览的视频与对应视频的所述历史行为数据对视频进行分类，得到第一视频集与第二视频集，所述第一视频集为兴趣指数大于或等于预设值的视频集合，所述第二视频集为兴趣指数小于预设值的视频集合，再识别所述第一视频集的第一内容信息，根据所述第一内容信息匹配所述第一视频集的第一集合标签；识别所述第二视频集的第二内容信息，根据所述第二内容信息匹配所述第二视频集的第二集合标签，以聚类的标签代替视频集合，从而减少数据的计算量，提高计算效率，再获取所述第一集合标签下的第一细分标签，并获取用户对第一细分标签对应的视频的第一行为数据，根据所述第一行为数据更新第一集合标签，对兴趣标签进行深度的挖掘，得到第一目标标签，获取所述第二集合标签下的第二细分标签，并获取用户对第二细分标签的第二行为数据，根据所述第二行为数据更新第二集合标签，得到第二目标标签，然后根据所述第一目标标签与所述第二目标标签生成用户的视频推荐标签，根据所述视频推荐标签向用户推送目标视频，包括向用户推送数量更多的第一目标标签对应的目标视频，以及减少向用户推送第二目标标签对应的视频，从而提高视频推送的准确率。
73.在一个实施例中，所述获取用户对第一细分标签对应的视频的第一行为数据，根据所述第一行为数据更新第一集合标签，得到第一目标标签，包括：
74.获取用户对第一细分标签对应的视频在预设时长范围内的第一行为数据；
75.根据所述第一行为数据计算用户的兴趣指数；
76.根据所述兴趣指数确定第一目标细分标签；
77.根据所述第一目标细分标签更新所述第一集合标签，得到第一目标标签。
78.本实施例中，在获取用户对第一细分标签对应的视频的第一行为数据，根据所述第一行为数据更新第一集合标签，得到第一目标标签的过程中，获取用户对第一细分标签对应的视频在预设时长范围内的第一行为数据，即统计短时间内用户在第一细分标签对应的视频的行为数据，例如预设时长为24小时，然后根据所述第一行为数据计算用户的兴趣指数，将各项行为数据的值转化为对应的兴趣指数，然后根据所述兴趣指数确定第一目标细分标签，具体的，筛选兴趣指数大于预设值的标签确定为第一目标细分标签，根据所述第一目标细分标签更新所述第一集合标签，得到第一目标标签，从而实时地更新第一目标标签，从而提供视频推送的准确率。
79.在一个实施例中，所述获取用户对第二细分标签的第二行为数据，根据所述第二
行为数据更新第二集合标签，得到第二目标标签，包括：
80.向用户展示所述第二细分标签；
81.获取用户对所述第二细分标签的第二行为数据，所述第二行为数据包括点选数据；
82.根据所述点选数据筛选第二目标细分标签；
83.根据所述第二目标细分标签更新第二集合标签，得到第二目标标签。
84.本实施例中，在获取用户对第二细分标签的第二行为数据，根据所述第二行为数据更新第二集合标签，得到第二目标标签的过程中，向用户展示所述第二细分标签，即通过在用户界面上展示所述第二细分标签，然后获取用户对所述第二细分标签的第二行为数据，所述第二行为数据包括点选数据；根据所述点选数据筛选第二目标细分标签；根据所述第二目标细分标签更新第二集合标签，得到第二目标标签，对于第二细分标签，直接向用户展示，然后获取用户点选的结果，用户将不感兴趣的标签进行点选，确定不感兴趣的直接标签，即第二目标细分标签，然后根据所述第二目标细分标签更新第二集合标签，得到第二目标标签，准确地确定用户不感兴趣的标签，从而提供视频推送的准确率。
85.在一个实施例中，所述根据所述视频推荐标签向用户推送目标视频，包括：
86.获取所述视频推荐标签的推荐频率；
87.根据所述推荐频率确定目标视频的个数；
88.向用户推送对应个数的目标视频
89.本实施例中，在根据所述视频推荐标签向用户推送目标视频的过程中，获取所述视频推荐标签的推荐频率，所述推荐频率根据兴趣指数确定，然后根据所述推荐频率确定目标视频的个数；向用户推送对应个数的目标视频，即增加兴趣指数高的视频的推荐个数，减少兴趣指数低的视频的推荐个数，实时地修改视频推送服务，从而提高视频推送的准确率。
90.在一个实施例中，所述根据所述第一目标标签与所述第二目标标签生成用户的视频推荐标签之后，包括：
91.获取用户画像数据；
92.根据所述用户画像数据匹配相似画像数据；
93.获取所述相似画像数据对应目标用户的标签信息；
94.根据所述标签信息更新用户的视频推荐标签。
95.本实施例中，在根据所述第一目标标签与所述第二目标标签生成用户的视频推荐标签之后，还包括根据相似用户画像增加用户的标签，具体的，获取用户画像数据，根据所述用户画像数据匹配相似画像数据，获取所述相似画像数据对应目标用户的标签信息；根据所述标签信息更新用户的视频推荐标签，基于用户画像数据，查找与所述用户画像数据聚类的相似画像对应数据的用户的兴趣标签中，该用户哪些标签未涉及，以此进行同类用户画像的横向标签完善。在一种实施方式中，获取用户画像数据，并构建用户画像向量，然后根据用户画像向量与其他用户画像的画像向量，计算向量之间的夹角余弦值，从而得到画像相似度，再选取相似度大于预定值的画像数据确定为相似画像数据，然后获取相似画像数据对应的用户的标签信息，从标签信息中筛选出兴趣指数排名前预设个的第一标签，向用户展示该第一标签，并基于第一标签更新用户的视频推荐标签，从而深度挖掘相似用
户的标签信息，提高视频推送的准确率。
96.在一个实施例中，所述获取所述第一集合标签下的第一细分标签，还包括：
97.获取当前的推荐场景；
98.根据所述推荐场景匹配推荐精度；
99.根据所述推荐精度确定预设定的标签细分等级；
100.根据所述标签细分等级获取所述第一集合标签下的第一细分标签。
101.本实施例中，在获取细分标签的时候，尤其是获取第一集合标签下的第一细分标签的过程中，由于不同场景下，向用户推送视频的细分标签的精度不同，具体的，获取当前的推荐场景，例如是新人推荐场景，老用户回归推荐场景，老用户推荐场景等，然后根据所述推荐场景匹配推荐精度，不同的推荐场景配置不同的推荐精度，再根据所述推荐精度确定预设定的标签细分等级，当需要更准确的推送视频的场景，则需要标签细分的等级越高，然后根据所述标签细分等级获取所述第一集合标签下的第一细分标签，从而提高不同标签细分等级下的视频推送的准确度。例如，在场景a中，第一集合标签为宠物，标签细分等级为1时，第一细分标签为猫、狗、蛇、兔子、鸭子；标签细分等级为2时，对应于“猫”的第一细分标签包括蓝猫、橘猫、美国短毛猫等细分标签，对应与“狗”的第一细分标签包括金毛、藏獒、泰迪等细分标签，从而基于不同等级的细分标签向用户推送准确的目标视频，提高视频的推荐准确度。
102.在一个实施例中，所述根据所述视频推荐标签向用户推送目标视频之后，还包括：
103.获取用户的关注对象及关注行为数据；
104.根据所述关注行为数据基于预设规则计算所述关注对象的关注度；
105.选取所述关注度排名前预设个数的关注对象作为目标对象；
106.获取所述目标对象的兴趣视频；
107.向用户推送所述兴趣视频。
108.本实施例中，在根据所述视频推荐标签向用户推送目标视频之后，还基于用户关注的其他用户进行视频的延伸推荐，具体的，首先获取用户的关注对象，并获取用户对该关注对象的行为数据，定义为关注行为数据，所述关注行为数据包括评论数据、点赞数据、浏览时长数据，然后根据所述关注行为数据基于预设规则计算所述关注对象的关注度，例如，所述关注度按照评论数(50％权重)、点赞数(30％权重)、查看视频时长(20％权重)的预设规则进行计算，然后选取所述关注度排名前预设个数的关注对象作为目标对象，获取所述目标对象的兴趣视频，优选的，获取目标用户在预设周期内的兴趣视频，并向用户推送所述兴趣视频。例如，基于用户关注的博主，按照前7天周期内，用户关注度最高的博主的前10位进行推荐，关注度可按照评论数(50％权重)、点赞数(30％权重)、查看视频时长(20％权重)的规则进行计算，后台可提取出“关注度的博主”活跃状态前24小时内有点赞的视频作为兴趣视频添加至视频库中，然后在视频库里，随机选取兴趣视频向用户进行推送，从而基于关注对象向用户推送兴趣视频，提高视频推送的广泛性。
109.参照图2，本技术还提供一种视频推荐装置，包括：
110.历史数据模块10，用于获取用户的视频浏览的历史行为数据；
111.视频分类模块20，用于根据用户浏览的视频与对应视频的所述历史行为数据对视频进行分类，得到第一视频集与第二视频集；所述第一视频集为兴趣指数大于或等于预设
值的视频集合，所述第二视频集为兴趣指数小于预设值的视频集合；
112.标签匹配模块30，用于识别所述第一视频集的第一内容信息，根据所述第一内容信息匹配所述第一视频集的第一集合标签；识别所述第二视频集的第二内容信息，根据所述第二内容信息匹配所述第二视频集的第二集合标签；
113.第一更新模块40，用于获取所述第一集合标签下的第一细分标签，并获取用户对第一细分标签对应的视频的第一行为数据，根据所述第一行为数据更新第一集合标签，得到第一目标标签；
114.第二更新模块50，用于获取所述第二集合标签下的第二细分标签，并获取用户对第二细分标签的第二行为数据，根据所述第二行为数据更新第二集合标签，得到第二目标标签；
115.标签更新模块60，用于根据所述第一目标标签与所述第二目标标签生成用户的视频推荐标签；
116.视频推送模块70，用于根据所述视频推荐标签向用户推送目标视频。
117.如上所述，可以理解地，本技术中提出的所述视频推荐装置的各组成部分可以实现如上所述视频推荐方法任一项的功能。
118.参照图3，本技术实施例中还提供一种计算机设备，该计算机设备可以是移动终端，其内部结构可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和显示装置及输入装置。其中，该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机设备的输入装置用于接收用户的输入。该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括存储介质。该存储介质存储有操作系统、计算机程序和数据库。该计算机设备的数据库用于存放数据。该计算机程序被处理器执行时以实现一种视频推荐方法。
119.上述处理器执行上述的视频推荐方法，包括：获取用户的视频浏览的历史行为数据；根据用户浏览的视频与对应视频的所述历史行为数据对视频进行分类，得到第一视频集与第二视频集；所述第一视频集为兴趣指数大于或等于预设值的视频集合，所述第二视频集为兴趣指数小于预设值的视频集合；识别所述第一视频集的第一内容信息，根据所述第一内容信息匹配所述第一视频集的第一集合标签；识别所述第二视频集的第二内容信息，根据所述第二内容信息匹配所述第二视频集的第二集合标签；获取所述第一集合标签下的第一细分标签，并获取用户对第一细分标签对应的视频的第一行为数据，根据所述第一行为数据更新第一集合标签，得到第一目标标签；获取所述第二集合标签下的第二细分标签，并获取用户对第二细分标签的第二行为数据，根据所述第二行为数据更新第二集合标签，得到第二目标标签；根据所述第一目标标签与所述第二目标标签生成用户的视频推荐标签；根据所述视频推荐标签向用户推送目标视频。
120.所述计算机设备提供了一种通过标签的挖掘进行视频推送的方法，首先获取用户的视频浏览的历史行为数据，再根据用户浏览的视频与对应视频的所述历史行为数据对视频进行分类，得到第一视频集与第二视频集，所述第一视频集为兴趣指数大于或等于预设值的视频集合，所述第二视频集为兴趣指数小于预设值的视频集合，再识别所述第一视频集的第一内容信息，根据所述第一内容信息匹配所述第一视频集的第一集合标签；识别所述第二视频集的第二内容信息，根据所述第二内容信息匹配所述第二视频集的第二集合标
签，以聚类的标签代替视频集合，从而减少数据的计算量，提高计算效率，再获取所述第一集合标签下的第一细分标签，并获取用户对第一细分标签对应的视频的第一行为数据，根据所述第一行为数据更新第一集合标签，对兴趣标签进行深度的挖掘，得到第一目标标签，获取所述第二集合标签下的第二细分标签，并获取用户对第二细分标签的第二行为数据，根据所述第二行为数据更新第二集合标签，得到第二目标标签，然后根据所述第一目标标签与所述第二目标标签生成用户的视频推荐标签，根据所述视频推荐标签向用户推送目标视频，包括向用户推送数量更多的第一目标标签对应的目标视频，以及减少向用户推送第二目标标签对应的视频，从而提高视频推送的准确率。
121.本技术一实施例还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被所述处理器执行时实现一种视频推荐方法，包括步骤：获取用户的视频浏览的历史行为数据；根据用户浏览的视频与对应视频的所述历史行为数据对视频进行分类，得到第一视频集与第二视频集；所述第一视频集为兴趣指数大于或等于预设值的视频集合，所述第二视频集为兴趣指数小于预设值的视频集合；识别所述第一视频集的第一内容信息，根据所述第一内容信息匹配所述第一视频集的第一集合标签；识别所述第二视频集的第二内容信息，根据所述第二内容信息匹配所述第二视频集的第二集合标签；获取所述第一集合标签下的第一细分标签，并获取用户对第一细分标签对应的视频的第一行为数据，根据所述第一行为数据更新第一集合标签，得到第一目标标签；获取所述第二集合标签下的第二细分标签，并获取用户对第二细分标签的第二行为数据，根据所述第二行为数据更新第二集合标签，得到第二目标标签；根据所述第一目标标签与所述第二目标标签生成用户的视频推荐标签；根据所述视频推荐标签向用户推送目标视频。
122.所述计算机可读存储介质提供了一种通过标签的挖掘进行视频推送的方法，首先获取用户的视频浏览的历史行为数据，再根据用户浏览的视频与对应视频的所述历史行为数据对视频进行分类，得到第一视频集与第二视频集，所述第一视频集为兴趣指数大于或等于预设值的视频集合，所述第二视频集为兴趣指数小于预设值的视频集合，再识别所述第一视频集的第一内容信息，根据所述第一内容信息匹配所述第一视频集的第一集合标签；识别所述第二视频集的第二内容信息，根据所述第二内容信息匹配所述第二视频集的第二集合标签，以聚类的标签代替视频集合，从而减少数据的计算量，提高计算效率，再获取所述第一集合标签下的第一细分标签，并获取用户对第一细分标签对应的视频的第一行为数据，根据所述第一行为数据更新第一集合标签，对兴趣标签进行深度的挖掘，得到第一目标标签，获取所述第二集合标签下的第二细分标签，并获取用户对第二细分标签的第二行为数据，根据所述第二行为数据更新第二集合标签，得到第二目标标签，然后根据所述第一目标标签与所述第二目标标签生成用户的视频推荐标签，根据所述视频推荐标签向用户推送目标视频，包括向用户推送数量更多的第一目标标签对应的目标视频，以及减少向用户推送第二目标标签对应的视频，从而提高视频推送的准确率。
123.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。
124.本技术所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。
125.非易失性存储器可以包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双速据率sdram(ssrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
126.需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
127.以上所述仅为本技术的优选实施例，并非因此限制本技术的专利范围。
128.凡是利用本技术说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本技术的专利保护范围内。