基于弹幕交互的媒体菜单推荐方法及装置与流程

1.本发明涉及计算机技术领域，具体涉及一种基于弹幕交互的媒体菜单推荐方法及装置。


背景技术：

2.随着网络技术的发展，用户可以通过媒体应用来获取媒体信息，例如，使用音乐应用收听歌曲，使用视频应用播放视频等。现有技术方案都是基于用户播放行为来向用户推荐媒体菜单，例如，歌曲菜单、视频菜单等。通常情况下，在推荐媒体菜单后，并不会对媒体菜单进行维护，导致用户在播放几个媒体信息后，对所播放的媒体信息失去兴趣，而退出媒体应用，导致用户流失。


技术实现要素：

3.鉴于上述问题，提出了本发明实施例以便提供一种克服上述问题或者至少部分地解决上述问题的基于弹幕交互的媒体菜单推荐方法及装置。
4.根据本发明实施例的一个方面，提供了一种基于弹幕交互的媒体菜单推荐方法，包括：
5.获取针对媒体菜单中播放的媒体信息的弹幕交互行为特征；
6.计算弹幕交互行为特征与媒体信息库中各媒体信息的媒体信息特征之间的第一相似度；
7.将根据第一相似度从媒体信息库中筛选的预设数量的媒体信息增加至媒体菜单中，推荐并展示增加后的媒体菜单。
8.根据本发明实施例的另一方面，提供了一种基于弹幕交互的媒体菜单推荐装置，包括：
9.第一获取模块，适于获取针对媒体菜单中播放的媒体信息的弹幕交互行为特征；
10.第一计算模块，适于计算弹幕交互行为特征与媒体信息库中各媒体信息的媒体信息特征之间的第一相似度；
11.推荐模块，适于将根据第一相似度从媒体信息库中筛选的预设数量的媒体信息增加至媒体菜单中，推荐并展示增加后的媒体菜单。
12.根据本发明实施例的又一方面，提供了一种计算设备，包括：处理器、存储器、通信接口和通信总线，处理器、存储器和通信接口通过通信总线完成相互间的通信；
13.存储器用于存放至少一可执行指令，可执行指令使处理器执行上述基于弹幕交互的媒体菜单推荐方法对应的操作。
14.根据本发明实施例的再一方面，提供了一种计算机存储介质，存储介质中存储有至少一可执行指令，可执行指令使处理器执行如上述基于弹幕交互的媒体菜单推荐方法对应的操作。
15.根据本发明上述实施例提供的方案，从用户针对当前播放的媒体信息的弹幕交互
行为中提取出能够反映用户兴趣的弹幕交互行为特征，计算弹幕交互行为特征与媒体信息库中各媒体信息的媒体信息特征之间的第一相似度，通过该第一相似度来筛选媒体信息，并将筛选的媒体信息增加至媒体菜单中，从而实现了基于弹幕交互行为来确定用户当前潜在的兴趣，基于用户当前的潜在兴趣来动态维护媒体菜单，进一步提升了用户播放媒体菜单中的媒体信息的可能性，提高了用户对媒体应用的黏性。
16.上述说明仅是本发明实施例技术方案的概述，为了能够更清楚了解本发明实施例的技术手段，而可依照说明书的内容予以实施，并且为了让本发明实施例的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明实施例的具体实施方式。
附图说明
17.通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明实施例的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
18.图1示出了本发明实施例提供的基于弹幕交互的媒体菜单推荐方法流程图；
19.图2示出了本发明另一实施例提供的基于弹幕交互的媒体菜单推荐方法的流程图；
20.图3示出了本发明实施例提供的基于弹幕交互的媒体菜单推荐装置的结构示意图；
21.图4示出了本发明实施例提供的计算设备的结构示意图。
具体实施方式
22.下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
23.图1示出了本发明实施例提供的基于弹幕交互的媒体菜单推荐方法的流程图。如图1所示，该方法包括以下步骤：
24.步骤s101，获取针对媒体菜单中播放的媒体信息的弹幕交互行为特征。
25.具体地，媒体信息包括音乐及视频等信息，对应地，媒体菜单具体可以是歌曲菜单及视频菜单。
26.用户可以使用媒体应用来播放媒体信息，例如，使用音频应用播放歌曲或使用视频应用来播放视频，媒体菜单是包含有多个媒体信息的菜单列表，用户可以从媒体菜单中选择媒体信息播放。媒体应用提供有弹幕功能，用户开启媒体应用中的弹幕功能后，可以针对媒体信息发表弹幕、弹幕点赞等弹幕交互行为，这里在监测到用户对媒体信息执行的弹幕交互行为后，获取弹幕交互行为特征，弹幕交互行为特征是能够反映用户针对媒体信息进行弹幕交互行为的特征，是从弹幕交互行为通过语义挖掘得到的特征，该弹幕行为交互特征能够反映出用户的兴趣。弹幕交互行为从一定程度上能够反映用户对哪些媒体信息感兴趣。
27.步骤s102，计算弹幕交互行为特征与媒体信息库中各媒体信息的媒体信息特征之
间的第一相似度。
28.媒体信息库中存储了大量的媒体信息，每个媒体信息都有各自的媒体信息特征，不同媒体信息的媒体信息特征是不同的，媒体信息特征是能够表征媒体信息的特征，例如，媒体信息特征可以是媒体信息类型、媒体信息生成年代、国家等各种特征，这里仅是举例说明，不具有任何限定作用。
29.为了能够对每个用户的媒体菜单进行修改，实现媒体菜单的动态维护，在根据步骤s101得到弹幕交互行为特征后，计算弹幕交互行为特征与媒体信息库中各媒体信息的媒体信息特征之间的第一相似度，第一相似度主要是以数值形式表示，通过数值反映弹幕交互行为特征与媒体信息库中各媒体信息的媒体信息特征之间的相似性，从而进一步反映出媒体信息是否能够满足用户兴趣。例如，可以通过欧氏距离或余弦相似度等方式来计算弹幕交互行为特征与媒体信息库中各媒体信息的媒体信息特征之间的第一相似度。
30.步骤s103，将根据第一相似度从媒体信息库中筛选的预设数量的媒体信息增加至媒体菜单中，推荐并展示增加后的媒体菜单。
31.在计算得到第一相似度后，可以根据第一相似度来筛选媒体信息，例如，可以按照第一相似度由大到小，或者由小到大的顺序对媒体信息库中的媒体信息进行排序，然后，从中筛选出第一相似度最高的预设数量的媒体信息，预设数量可以根据实际需要而灵活设置，例如设置为5或者10等，这里仅是举例说明，不具有任何限定作用。
32.在根据第一相似度从媒体信息库中筛选的预设数量的媒体信息之后，将筛选出的媒体信息增加至媒体菜单中，推荐并展示增加后的媒体菜单，从而实现了基于用户针对媒体信息的弹幕交互行为而动态的维护媒体菜单，由于不同用户的弹幕交互行为不同，从而实现了不同用户所推荐的媒体菜单不同，即，实现了个性化推荐。
33.本发明提供的方案，从用户针对当前播放的媒体信息的弹幕交互行为中提取出能够反映用户兴趣的弹幕交互行为特征，弹幕交互行为特征与媒体信息库中各媒体信息的媒体信息特征之间的第一相似度，通过该第一相似度来筛选媒体信息，并将筛选的媒体信息增加至媒体菜单中，从而实现了基于弹幕交互行为来确定用户当前潜在的兴趣，基于用户当前的潜在兴趣来动态维护媒体菜单，进一步提升了用户播放媒体菜单中的媒体信息的可能性，提高了用户对媒体应用的黏性，避免用户流失。
34.图2示出了本发明另一个实施例提供的基于弹幕交互的媒体菜单推荐方法的流程图。如图2所示，该方法包括以下步骤：
35.步骤s201，获取用户对应的历史用户播放行为特征，将历史用户播放行为特征输入至预先训练的向量化模型生成历史用户特征向量。
36.历史用户播放行为特征是用户在过去播放媒体信息而产生的特征，历史用户播放行为特征主要包括用户自身特征及用户播放媒体信息的行为所对应的媒体信息相关特征，例如，用户性别、年龄等，用户播放的媒体信息的信息特征，以媒体信息是歌曲为例，信息特征可以是歌曲对应的歌手id、歌曲所属曲风等各种信息；以媒体信息是视频为例，信息特征可以是视频的导演、编剧、视频所属的视频类型等信息。
37.具体地，可以离线训练向量化模型，其中，向量化模型训练方法包括：获取大量用户的历史用户播放行为特征、历史弹幕交互行为特征、大量媒体信息的媒体信息特征、媒体菜单特征；根据历史用户播放行为特征、历史弹幕交互行为特征、媒体信息特征、媒体菜单
特征对网络模型进行训练，得到向量化模型。
38.在进行训练时，是采集了大量用户的历史用户播放行为特征、大量用户的历史弹幕交互行为特征，以及大量媒体信息的媒体信息特征，及各种不同的媒体菜单的媒体菜单特征来进行训练，以保证训练样本的丰富性，进而保证所训练出来的向量化模型的精准度。然后，根据历史用户播放行为特征、历史弹幕交互行为特征、媒体信息特征、媒体菜单特征对网络模型进行训练，得到向量化模型，在训练过程中会不断地修正网络模型的参数，使得训练过程中的损失函数逐渐减小，当损失函数小于预设阈值时，训练结束，得到向量化模型，向量化模型可以输出用户播放行为特征的用户特征向量，弹幕交互行为特征的弹幕语义特征向量，媒体信息特征对应的嵌入向量，媒体菜单特征对应的嵌入向量。向量化模型会先根据每个媒体信息特征生成媒体信息特征向量，再将所有的媒体信息特征向量转换压缩成一个嵌入向量；同理，向量化模型会先根据每个媒体菜单特征生成媒体菜单特征向量，再将所有的媒体菜单特征向量转换压缩成一个嵌入向量。
39.每个特征对应着一特征向量，而嵌入向量是多个特征向量压缩而得到。
40.具体地，可以有n1个用户播放行为特征，每个用户特征向量用k1维的向量来表示，用户特征向量中的每个元素是1个实数；可以有n2个弹幕交互行为特征，每个弹幕语义特征向量用k2维的向量来表示，向量中的每个元素是1个实数；可以有n3个媒体信息特征，每个媒体信息特征向量用k3维的向量来表示，向量中的每个元素是1个实数；可以有n4个媒体菜单特征，每个媒体菜单特征向量用k4维的向量来表示，向量中的每个元素是1个实数，n1、n2、n3、n4、k1、k2、k3、k4的值可以根据实际需要而设定。
41.在获取到当前用户的历史用户播放行为特征后，可以将该用户的历史用户播放行为特征输入至离线训练好的向量化模型中，从而生成历史用户播放行为特征对应的历史用户特征向量。这里是将历史用户播放行为特征以历史用户特征向量的方式来表示，从而便于后续分析计算。
42.步骤s202，将各媒体菜单的媒体菜单特征输入至预先训练的向量化模型生成各媒体菜单的媒体菜单嵌入向量。
43.媒体菜单是包含媒体信息的菜单，每个媒体菜单对应有各自的媒体菜单特征，例如，媒体菜单类型、媒体菜单语言等，这里仅是举例说明，不具有任何限定作用。
44.在获取到媒体菜单的媒体菜单特征后，将各媒体菜单的媒体菜单特征输入至预先训练的向量化模型生成各媒体菜单的媒体菜单嵌入向量，具体地，向量化模型会先针对每个媒体菜单特征生成媒体菜单特征向量，然后，再将所有媒体菜单特征向量转换压缩得到媒体菜单嵌入向量。媒体菜单嵌入向量中每个元素都是1个实数。
45.步骤s203，计算历史用户特征向量与各媒体菜单的媒体菜单嵌入向量之间的第三相似度。
46.为了能够吸引用户播放媒体信息，需要向用户推荐其感兴趣的媒体菜单，因此，可以通过相似度来进行媒体菜单推荐，具体地，可以计算历史用户特征向量与利用预先训练的向量化模型生成的各媒体菜单的媒体菜单嵌入向量之间的第三相似度，为了方便计算，可以将所有的历史用户特征向量转换压缩成一个用户嵌入向量，该用户嵌入向量中每个元素都是1个实数，然后，计算用户嵌入向量与利用预先训练的向量化模型生成的各媒体菜单的媒体菜单嵌入向量之间的第三相似度。第三相似度反映了两个向量之间的相似性，通过
量化后的数值反映出媒体菜单与用户兴趣的匹配情况，第三相似度越高，表明越符合用户兴趣，反之，第三相似度越低，表示越不满足用户兴趣。其中，可以通过计算历史用户特征向量与媒体菜单嵌入向量之间的欧氏距离或余弦相似度等方式来计算第三相似度。
47.步骤s204，根据第三相似度确定待推荐的媒体菜单，推荐展示待推荐的媒体菜单。
48.在计算得到第三相似度之后，可以根据第三相似度来确定待推荐的媒体菜单，例如，将第三相似度最高的媒体菜单确定为待推荐的媒体菜单，并将该带推荐的媒体菜单展示给用户。
49.步骤s205，获取用户针对媒体菜单中的媒体信息的用户播放行为特征，根据用户播放行为特征生成用户特征向量。
50.在将媒体菜单展示给用户后，用户可以从媒体菜单中选择想要播放的媒体信息，例如，用户可以点击播放按钮或者单击媒体信息来实现媒体信息播放，在监测到上述操作后，视为用户执行了对媒体信息的播放行为，可以获取针对媒体菜单中的媒体信息的用户播放行为特征，其中，用户播放行为特征是与播放媒体信息的用户相关的特征，例如，用户性别、年龄、播放的媒体信息对应的类型等各种特征，这里仅是举例说明，不具有任何限定作用，其中，用户播放行为特征为多个，然后，根据用户播放行为特征生成用户特征向量，每个用户播放行为特征对应一用户特征向量，这里可以将用户播放行为特征输入至预先训练的向量化模型，最终输出用户播放行为特征对应的用户特征向量。
51.步骤s206，获取针对媒体菜单中播放的媒体信息的弹幕交互行为特征，将弹幕交互行为特征输入至预先训练的向量化模型，生成弹幕语义特征向量。
52.弹幕交互行为特征是能够反映用户针对媒体信息进行弹幕交互行为的特征，是从弹幕交互行为通过语义挖掘得到的特征，该弹幕行为交互特征能够反映出用户的兴趣，然后，根据弹幕交互行为特征生成弹幕语义特征向量，例如，将弹幕交互行为特征输入至预先训练的向量化模型，最终输出弹幕交互行为特征对应的弹幕语义特征向量，弹幕语义特征向量是弹幕交互行为特征对应的向量，弹幕语义特征向量是以向量形式来表示弹幕交互行为特征。弹幕交互行为从一定程度上能够反映用户对哪些媒体信息感兴趣。
53.比如用户发表弹幕内容为：“我太喜欢粤语歌曲了”，则可以通过语义挖掘提取出弹幕交互行为特征“粤语”，弹幕交互行为特征可能是一个或多个。这里仅是举例说明，不具有任何限定作用。
54.需要说明的是，这里可以获取到所有用户发布的弹幕，例如，用户1当前在收听歌手xx的歌曲1，用户2针对歌曲1发布了弹幕“xx的歌曲2也很好听”、用户3针对歌曲1发布了弹幕“xx的歌曲3不错”，如果此时用户1针对用户2和用户3发布的弹幕回复了“是的”或进行了点赞，可以通过语义挖掘算法得到弹幕交互行为特征为“歌曲2”、“歌曲3”。
55.步骤s207，将媒体信息库中各媒体信息的媒体信息特征输入至预先训练的向量化模型，生成各媒体信息的媒体信息嵌入向量。
56.媒体信息库中存储了大量的媒体信息，每个媒体信息都对应有各自的媒体信息特征，例如，媒体信息是歌曲时，歌曲特征可以是歌曲曲风、歌曲的歌手信息、歌曲对应的语言信息等，将媒体信息的媒体信息特征输入至预先训练的向量化模型会先得到各媒体信息特征的媒体信息特征向量，而后，将所有媒体信息特征向量进行压缩转换得到媒体信息嵌入向量，媒体信息嵌入向量是以向量的形式来表示媒体信息的相关特征，媒体信息特征例如
可以是媒体信息类型、媒体信息生成年代、国家等各种特征。
57.步骤s208，根据弹幕语义特征向量及用户特征向量，生成第一嵌入向量。
58.为了能够更精准地向用户推荐其可能感兴趣的媒体信息，这里是结合用户播放行为及弹幕交互行为来进行媒体信息的筛选，具体地，在得到用户特征向量以及弹幕语义特征向量之后，可以根据弹幕语义特征向量及用户特征向量，生成第一嵌入向量，具体可以将弹幕语义特征向量及所有用户特征向量转换压缩成一个第一嵌入向量。
59.步骤s209，计算第一嵌入向量与媒体信息库中各媒体信息的媒体信息嵌入向量之间的第一相似度。
60.为了能够对每个用户的媒体菜单进行修改，实现媒体菜单的动态维护，在计算得到第一嵌入向量后，计算第一嵌入向量与媒体信息库中各媒体信息的媒体信息嵌入向量之间的第一相似度，第一相似度主要是以数值形式表示，通过数值反映第一嵌入向量与媒体信息库中各媒体信息的媒体信息嵌入向量之间的相似性，从而进一步反映出媒体信息是否能够满足用户兴趣。
61.可以通过欧氏距离或余弦相似度等方式来计算第一嵌入向量与媒体信息库中各媒体信息的媒体信息嵌入向量之间的第一相似度。
62.步骤s210，将根据第一相似度从媒体信息库中筛选的预设数量的媒体信息增加至媒体菜单中。
63.其中，步骤s210与图1所示实施例中的步骤s103部分类似，这里不再赘述。
64.在本发明一种可选实施方式中，将根据第一相似度从媒体信息库中筛选的预设数量的媒体信息增加至媒体菜单中进一步包括：以预设形式向用户展示根据第一相似度从媒体信息库中筛选的预设数量的媒体信息；根据用户触发的媒体信息选择操作，将选中的媒体信息增加至媒体菜单中。
65.具体地，媒体应用提供有媒体信息添加功能，如果用户开启了该功能，在根据第一相似度从媒体信息库中筛选的预设数量的媒体信息之后，可以在媒体信息播放界面上以弹窗形式或悬浮窗等形式展示包含了预设数量的媒体信息的清单，用户可以从中挑选其想添加至媒体菜单中的媒体信息，例如，可以向用户提供“勾选框”，用户希望添加媒体信息至媒体菜单，可以选中“勾选框”；或者用户单击媒体信息，视为选择了媒体信息，当然并不限于上述方式。然后，将选中的媒体信息增加至媒体菜单中。
66.步骤s211，计算第一嵌入向量与增加后的媒体菜单中各媒体信息的媒体信息嵌入向量之间的第二相似度。
67.增加后的媒体菜单中存在一些根据历史用户播放行为特征筛选出的媒体信息，而这些媒体信息可能并不能符合用户当前的兴趣，因此，这里采用计算第一嵌入向量与增加后的媒体菜单中各媒体信息的媒体信息嵌入向量之间的第二相似度的方式来剔除掉不符合用户兴趣的媒体信息。第一嵌入向量是根据用户的弹幕交互行为及媒体信息的播放行为而生成的，能够充分反映出用户当前的兴趣。其中，可以通过欧氏距离或余弦相似度算法来计算第二相似度。
68.步骤s212，从增加后的媒体菜单中过滤掉第二相似度小于或等于预设相似度阈值的媒体信息。
69.在计算得到第二相似度之后，可以根据第二相似度对增加后的媒体菜单中的媒体
信息进行过滤，例如，从增加后的媒体菜单中过滤掉第二相似度小于或等于预设相似度阈值的媒体信息，从而删除一些用户不感兴趣的媒体信息，由此提升了媒体应用黏性。
70.步骤s213，根据第二相似度对过滤后的媒体菜单中的各媒体信息进行排序，推荐并展示排序后的媒体菜单。
71.通常用户会选择顺序播放媒体菜单中的媒体信息，为了使得用户使用媒体应用播放媒体信息时，所播放的媒体信息都是用户感兴趣的，这里可以根据第二相似度对过滤后的媒体菜单中的各媒体信息进行排序，例如，按照第二相似度由高至低的顺序对过滤后的媒体菜单中的各媒体信息进行排序，然后，推荐并展示排序后的媒体菜单。
72.可选地，也可以在计算得到第二相似度之后，直接根据第二相似度对增加后的媒体菜单中的各媒体信息进行排序，推荐并展示排序后的媒体菜单。
73.本发明提供的方案，实现了基于弹幕交互行为来确定用户当前潜在的兴趣，基于用户当前的潜在兴趣来动态维护媒体菜单，增加用户感兴趣的媒体信息，删除一些用户不感兴趣的媒体信息，同时能够基于用户当前的兴趣对媒体信息进行排序，进一步提升了用户播放媒体菜单中的媒体信息的可能性，提高了用户对媒体应用的黏性，实现了个性化推荐展示媒体菜单，改善了现有技术中只推荐不维护的问题，提高了媒体信息播放的体验效果，而且提升了用户的参与度。
74.图3示出了本发明实施例提供的基于弹幕交互的媒体菜单推荐装置的结构示意图。如图3所示，该装置包括：第一获取模块301、第一计算模块302、推荐模块303。
75.第一获取模块301，适于获取针对媒体菜单中播放的媒体信息的弹幕交互行为特征；
76.第一计算模块302，适于计算弹幕交互行为特征与媒体信息库中各媒体信息的媒体信息特征之间的第一相似度；
77.推荐模块303，适于将根据第一相似度从媒体信息库中筛选的预设数量的媒体信息增加至媒体菜单中，推荐并展示增加后的媒体菜单。
78.可选地，第一计算模块进一步适于：将弹幕交互行为特征输入至预先训练的向量化模型，生成弹幕语义特征向量；
79.将媒体信息库中各媒体信息的媒体信息特征输入至预先训练的向量化模型，生成各媒体信息的媒体信息嵌入向量；
80.计算弹幕语义特征向量与媒体信息库中各媒体信息的媒体信息嵌入向量之间的第一相似度。
81.可选地，装置还包括：第二获取模块，适于获取用户针对媒体菜单中的媒体信息的用户播放行为特征，根据用户播放行为特征生成用户特征向量；
82.第一计算模块进一步适于：根据弹幕语义特征向量及用户特征向量，生成第一嵌入向量；计算第一嵌入向量与媒体信息库中各媒体信息的媒体信息嵌入向量之间的第一相似度。
83.可选地，推荐模块进一步适于：计算第一嵌入向量与增加后的媒体菜单中各媒体信息的媒体信息嵌入向量之间的第二相似度；
84.根据第二相似度对增加后的媒体菜单中的各媒体信息进行排序，推荐并展示排序后的媒体菜单。
85.可选地，推荐模块还适于：从增加后的媒体菜单中过滤掉第二相似度小于或等于预设相似度阈值的媒体信息；
86.根据第二相似度对过滤后的媒体菜单中的各媒体信息进行排序，推荐并展示排序后的媒体菜单。
87.可选地，装置还包括：第三获取模块，适于获取用户对应的历史用户播放行为特征；
88.第二计算模块，适于计算历史用户播放行为特征与各媒体菜单的媒体菜单特征之间的第三相似度；
89.推荐模块还适于：根据第三相似度确定待推荐的媒体菜单，推荐展示待推荐的媒体菜单。
90.可选地，第二计算模块进一步适于：将历史用户播放行为特征输入至预先训练的向量化模型生成历史用户特征向量；
91.将各媒体菜单的媒体菜单特征输入至预先训练的向量化模型生成各媒体菜单的媒体菜单嵌入向量；
92.计算历史用户特征向量与各媒体菜单的媒体菜单嵌入向量之间的第三相似度。
93.可选地，推荐模块进一步适于：以预设形式向用户展示根据第一相似度从媒体信息库中筛选的预设数量的媒体信息；
94.根据用户触发的媒体信息选择操作，将选中的媒体信息增加至媒体菜单中。
95.本发明提供的方案，从用户针对当前播放的媒体信息的弹幕交互行为中提取出能够反映用户兴趣的弹幕交互行为特征，计算弹幕交互行为特征与媒体信息库中各媒体信息的媒体信息特征之间的第一相似度，通过该第一相似度来筛选媒体信息，并将筛选的媒体信息增加至媒体菜单中，从而实现了基于弹幕交互行为来确定用户当前潜在的兴趣，基于用户当前的潜在兴趣来动态维护媒体菜单，进一步提升了用户播放媒体菜单中的媒体信息的可能性，提高了用户对媒体应用的黏性。
96.本发明实施例提供了一种非易失性计算机存储介质，计算机存储介质存储有至少一可执行指令，该计算机可执行指令可执行上述任意方法实施例中的基于弹幕交互的媒体菜单推荐方法。
97.图4示出了本发明实施例提供的计算设备的结构示意图，本发明具体实施例并不对计算设备的具体实现做限定。
98.如图4所示，该计算设备可以包括：处理器(processor)、通信接口(communications interface)、存储器(memory)、以及通信总线。
99.其中：处理器、通信接口、以及存储器通过通信总线完成相互间的通信。通信接口，用于与其它设备比如客户端或其它服务器等的网元通信。处理器，用于执行程序，具体可以执行上述用于计算设备的基于弹幕交互的媒体菜单推荐方法实施例中的相关步骤。
100.具体地，程序可以包括程序代码，该程序代码包括计算机操作指令。
101.处理器可能是中央处理器cpu，或者是特定集成电路asic(application specific integrated circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。计算设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个cpu；也可以是不同类型的处理器，如一个或多个cpu以及一个或多个asic。
102.存储器，用于存放程序。存储器可能包含高速ram存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
103.程序具体可以用于使得处理器执行上述任意方法实施例中的基于弹幕交互的媒体菜单推荐方法。程序中各步骤的具体实现可以参见上述基于弹幕交互的媒体菜单推荐实施例中的相应步骤和单元中对应的描述，在此不赘述。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的设备和模块的具体工作过程，可以参考前述方法实施例中的对应过程描述，在此不再赘述。
104.在此提供的算法或显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明实施例也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明实施例的内容，并且上面对特定语言所做的描述是为了披露本发明实施例的最佳实施方式。
105.在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
106.类似地，应当理解，为了精简本发明实施例并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明实施例要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
107.本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
108.此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
109.本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(dsp)来实现根据本发明实施例的一些或者全部部件的一些或者全部功能。本发明实施例还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明实施例的
程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
110.应该注意的是上述实施例对本发明实施例进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明实施例可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。上述实施例中的步骤，除有特殊说明外，不应理解为对执行顺序的限定。