视频推荐方法、推荐装置、电子设备和存储介质与流程

1.本发明涉及大数据技术领域，尤其涉及一种视频推荐方法、推荐装置、电子设备和存储介质。


背景技术：

2.互联网电视行业日益激烈的竞争给电信企业在互联网电视的产品质量以及用户体验方面提出了更高的要求。在对用户进行视频推荐时，现有技术主要为基于内容的推荐算法、协同过滤的推荐算法、隐语义的推荐模型和基于知识图谱的推荐模型四种。以上技术由存在稀疏性和冷启动的问题，导致推荐成功率不高。


技术实现要素：

3.本发明提供一种视频推荐方法、推荐装置、电子设备和存储介质，用以解决现有技术中推荐成功率不高的缺陷，实现高准确性推荐。
4.本发明提供一种视频推荐方法，包括：
5.基于目标用户，确定与所述目标用户相似的相似用户；
6.基于所述相似用户的历史记录，确定第一备选视频组；
7.基于知识图谱，从视频库中确定与所述第一备选视频组相似的第二备选视频组；
8.从所述第一备选视频组和所述第二备选视频组中，确定用于推荐给所述目标用户的推荐视频组；
9.其中在所述第二备选视频组包括冷启动视频的情况下，所述推荐视频组包括所述冷启动视频。
10.根据本发明提供的一种视频推荐方法，所述基于知识图谱，从视频库中确定与所述第一备选视频组相似的第二备选视频组，包括：
11.确定所述视频库中各视频的实体属性；
12.基于所述各视频的实体属性，确定所述各视频之间的第一相似度；
13.基于所述第一备选视频组中的视频与其他视频的所述第一相似度，从所述视频库中确定与所述第一备选视频组相似的第二备选视频组。
14.根据本发明提供的一种视频推荐方法，所述基于所述各视频的实体属性，确定所述各视频之间的第一相似度，包括：
15.应用公式，
[0016][0017]
确定所述各视频之间的所述第一相似度，
[0018]
其中，d
normal
为所述各视频之间的第一相似度，r
ik
为视频i的第k个所述实体属性的值，r
jk
为视频j的第k个所述实体属性的值。
[0019]
根据本发明提供的一种视频推荐方法，所述基于所述相似用户的历史记录，确定第一备选视频组，包括：
[0020]
基于所述相似用户的历史记录，确定预选视频组；
[0021]
基于所述预选视频组，以及所述目标用户与所述相似用户之间的第二相似度，确定第一备选视频组。
[0022]
根据本发明提供的一种视频推荐方法，所述基于所述预选视频组，以及所述目标用户与所述相似用户之间的第二相似度，确定第一备选视频组，包括：
[0023]
基于所述预选视频组，以及所述目标用户与所述相似用户之间的第二相似度，应用公式，
[0024][0025]
确定第一备选视频组；
[0026]
其中，p(u，i)为所述预选视频组中的视频相对于所述目标用户的推荐度，w
uv
为所述第二相似度，r
vi
为所述相似用户对所述预选视频的喜爱度，s(u，k)为所述相似用户，n(i)为所述预选视频组。
[0027]
根据本发明提供的一种视频推荐方法，所述从所述第一备选视频组和所述第二备选视频组中，确定用于推荐给所述目标用户的推荐视频组，包括：
[0028]
对所述第一相似度和所述推荐度进行加权，得到加权值；
[0029]
基于所述加权值对所述第一备选视频组和所述第二备选视频组中的非冷启动视频进行排序，确定用于推荐给所述目标用户的第一目标数量的所述非冷启动视频。
[0030]
根据本发明提供的一种视频推荐方法，所述从所述第一备选视频组和所述第二备选视频组中，确定用于推荐给所述目标用户的推荐视频组，还包括：
[0031]
基于所述第一相似度对所述冷启动视频进行排序，确定用于推荐给所述目标用户的第二目标数量的所述冷启动视频。
[0032]
本发明还提供一种视频推荐装置，包括：
[0033]
第一处理模块，用于基于目标用户，确定与所述目标用户相似的相似用户；
[0034]
第二处理模块，用于基于所述相似用户的历史记录，确定第一备选视频组；
[0035]
第三处理模块，用于基于知识图谱，从视频库中确定与所述第一备选视频组相似的第二备选视频组；
[0036]
第四处理模块，用于从所述第一备选视频组和所述第二备选视频组中，确定用于推荐给所述目标用户的推荐视频组；
[0037]
其中在所述第二备选视频组包括冷启动视频的情况下，所述推荐视频组包括所述冷启动视频。
[0038]
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述视频推荐方法的步骤。
[0039]
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述视频推荐方法的步骤。
[0040]
本发明提供的视频推荐方法、推荐装置、电子设备和存储介质，通过基于用户协同过滤和知识图谱相结合的一种融合性推荐算法，有效避免稀疏性和冷启动问题，提高了推荐的成功率。
附图说明
[0041]
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0042]
图1是本发明提供的视频推荐方法的流程示意图；
[0043]
图2是本发明提供的视频推荐方法的原理图之一；
[0044]
图3是本发明提供的视频推荐方法的原理图之二；
[0045]
图4是本发明提供的视频推荐方法的原理图之三；
[0046]
图5是本发明提供的视频推荐方法的原理图之四；
[0047]
图6是本发明提供的视频推荐方法的原理图之五；
[0048]
图7是本发明提供的视频推荐方法的原理图之六；
[0049]
图8是本发明提供的视频推荐方法的原理图之七；
[0050]
图9是本发明提供的视频推荐方法的原理图之八；
[0051]
图10是本发明提供的视频推荐装置的结构示意图；
[0052]
图11是本发明提供的电子设备的结构示意图。
具体实施方式
[0053]
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0054]
下面结合图1至图9描述本发明的视频推荐方法。
[0055]
可以理解的是，该视频推荐方法可应用于终端，具体可由终端中的硬件或软件执行。该视频推荐方法的执行主体可以为终端，如手机、电脑或平板等；或者该视频推荐方法的执行主体可以为终端的控制装置等。
[0056]
如图1所示，在一些实施例中，该视频推荐方法包括：步骤110、步骤120、步骤130和步骤140。
[0057]
步骤110、基于目标用户，确定与目标用户相似的相似用户；
[0058]
其中，目标用户为待推荐用户；
[0059]
相似用户与目标用户之间具有相似性，该相似性可以表现为目标用户和相似用户具有相似的历史记录；
[0060]
例如目标用户和相似用户看过相同或类似的视频，或者目标用户和相似用户收藏了相同或类似的视频，又或者目标用户和相似用户喜欢相同或类似的视频等。
[0061]
在一些实施例中，步骤110、基于目标用户，确定与目标用户相似的相似用户，包括
基于用户的协同过滤，得到与目标用户相似的相似用户。
[0062]
可以理解的是，基于用户的协同过滤所基于的假设为“用户可能会喜欢和他具有相似爱好的用户所喜欢的影视”，该算法不利用影视的内容计算影视之间的相似性，它主要分析用户的行为记录计算影视之间的相似度。
[0063]
步骤120、基于相似用户的历史记录，确定第一备选视频组；
[0064]
其中，第一备选视频组中的视频是基于相似用户的历史记录确定的；例如可以为相似用户看过、标记过、收藏或者喜欢的视频；
[0065]
可以理解的是，第一备选视频组中的视频数量可以为一个或多个。
[0066]
在一些实施例中，步骤120、基于相似用户的历史记录，确定第一备选视频组，包括：
[0067]
基于相似用户的历史记录，确定预选视频组；
[0068]
基于预选视频组，以及目标用户与相似用户之间的第二相似度，确定第一备选视频组。
[0069]
其中，预选视频组中的视频包括相似用户感兴趣的视频，如相似用户看过、喜欢、收藏或想看的视频；且预选视频组中的视频不包括目标用户看过、喜欢、收藏或想看的视频。
[0070]
第二相似度用于表征目标用户与各相似用户之间的相似程度。
[0071]
需要说明的是，每一个相似用户都对应有一个或多个感兴趣的视频，且该相似用户对每一个感兴趣的视频都具有一个喜爱程度，在本技术中，可以用喜爱度来表示这个喜爱程度。
[0072]
基于相似用户对第一备选视频组的喜爱度以及目标用户与相似用户之间的第二相似度，可以得到第一备选视频组中的视频对应于目标用户的推荐度。
[0073]
一般情况下，默认喜爱度为1。
[0074]
当然，在另一些实施例中，也可以基于相似用户对视频的评分、评价、观看次数或其他维度的信息，对喜爱度进行更精准的数值拟合，而非采用默认值。
[0075]
在计算基于协同过滤的用户行为的第二相似度时，可以采用jaccard公式和余弦相似度来计算。
[0076]
假设n(u)为用户u喜欢的影视集合，n(v)为用户v喜欢的影视集合，那么u和v的第二相似度通过如下公式来计算。
[0077]
jaccard公式：
[0078]
余弦相似度公式：
[0079]
例如在有a、b、c、d这4个用户以及a、b、c、d、e这5个视频的情况下，用户与视频之间的关系如图2所示，a喜欢或看过a、b、c这三个视频，b喜欢或看过d和e两个视频，c喜欢或看过a、c、d这三个视频，d喜欢或看过a和e这两个视频。
[0080]
为了计算方便，通常需要在图2的基础上建立如图3所示的“视频-用户”的倒排表；
[0081]
对于每个视频，对喜欢它的用户两两之间相同视频加1；
[0082]
例如喜欢影视a的用户有a、c、d，那么在矩阵中a、c，a、d以及c、d两两之间数值加1，如图4所示。
[0083]
a、b之间无相同视频，因此a、b之间数值为0；a、c之间有a和c两部相同视频，因此a、c之间数值为2；a、d之间有一部相同视频a，因此a、d之间数值为1；以此类推，b、c之间数值为1；
[0084]
b、d之间数值为1；c、d之间数值为1。
[0085]
需要说明是的，图4中所示的数值为余弦相似度公式的分子部分，如要计算用户之间的第二相似度，需要对上图进行进一步计算，得到如图5所示的数值。
[0086]
可以理解的是，分母部分的数值为两个用户喜欢或看过的视频数量的乘积的开方。
[0087]
根据图5，可以直观地表示用户与用户之间的第二相似度；
[0088]
在确定目标用户的基础上，可以进一步基于该第二相似度确定与目标用户相似度较高的推荐用户数量的相似用户；
[0089]
例如在目标用户为a，推荐用户数量k＝3的情况下，基于图5，相似用户可以为c和d，则目标用户a与相似用户c之间的第二相似度为：目标用户a与相似用户d之间的第二相似度为
[0090]
在基于用户的协同过滤，得到与目标用户相似的相似用户，及目标用户与相似用户之间的第二相似度之后，步骤120、基于相似用户的历史记录，确定第一备选视频组，包括：
[0091]
确定相似用户的历史记录，确定预选视频组；
[0092]
基于预选视频组，以及目标用户与相似用户之间的第二相似度，确定第一备选视频组。
[0093]
在本技术实施例中，通过步骤110已经得到与目标用户相似的相似用户，因此，基于相似用户的历史记录，可以得到预选视频组；
[0094]
例如，基于目标用户a的相似用户c和d，可以得到c和d喜欢或看过的视频a、c、d和e，其中，目标用户a已看过视频a，因此预选视频组中的视频包括：c、d和e。
[0095]
基于图5还可以得知，a和c以及a和d之间的第二相似度，基于该相似度可以对预选视频组中的视频进行相似度排序，然后选取一定数量的视频，得到第一备选视频组。
[0096]
在数据集完善、丰富的情况下，基于用户的协同过滤，可以获得较高准确率的第一备选视频组。
[0097]
步骤130、基于知识图谱，从视频库中确定与第一备选视频组相似的第二备选视频组；
[0098]
在该步骤中，第二备选视频组中的视频是基于第一备选视频组中的视频确定的，第二备选视频组中的视频与第一备选视频组中的视频具有一定的相似性。
[0099]
在本技术中，用第一相似度表征第二备选视频组中的视频与第一备选视频组中的视频之间的相似程度。
[0100]
需要说明的是，在该步骤中，需要提前对大量视频进行知识图谱的构建，下面将对
知识图谱的构建进行详细说明。
[0101]
知识图谱的构建主要有自顶向下和自底向上两种构建方式。其中自顶向下主要是借助于百科类的网站等结构化数据，从高质量的数据源重抽取本体及模式，加入到知识库中，多用于领域类的知识图谱。而自底向上主要是从公开采集的数据中提取出资源模式，选择其中置信度较高的数据加入到知识库中，多用户开放域的知识图谱。
[0102]
如果两个物体之间存在关系，就会用一条无向边连接在一起，那么这个节点即为实体，这条无向边，即为关系。知识图谱的基本单位就是“实体-关系-实体“构成了知识图谱的三元组，也就是知识图谱的核心。
[0103]
可以理解的是，在该步骤中，要进行基于只是图谱的视频推荐，就必须有视频领域的数据集。
[0104]
通常情况下，在视频领域，实体包括：视频、演员、导演、评分以及视频的类型信息等；
[0105]
实体之间的关系包括：视频所属的类型、视频和演员之间的关系以及视频和导演之间的关系等。
[0106]
基于上述实体以及实体之间的关系，可以构建出视频领域的知识结构，如图6所示，视频数据集中包括电影、演员、导演以及电影的类型等多个实体，且具有一定的关系结构；
[0107]
基于视频领域的知识结构，可以进一步构建视频领域的知识图谱。
[0108]
在一些实施例中，可以通过neo4j图数据库构建视频领域的知识图谱；
[0109]
其中，实体及其丰富的语义如图7所示，视频1对应有“爱情”、“动作”、“剧情”、“冒险”等多个类型实体，以及“演员1”、“演员2”和“演员3”等多个演员实体；
[0110]
图7显示了8个属性以及14个关系。
[0111]
当然，在另一些实施例中，该视频1还可以对应有导演等更多的实体。
[0112]
两个实体之间通过语义互联，如图8所示；
[0113]
其中，语义即为语言的含义，例如通过“出演”或“演员”等语义将“演员”与“视频”关联，如“演员1”出演“视频1”、或“视频2”的演员包括“演员1”；通过“包括”或“属于”等语义将“类型”与“视频”关联，如“动作”包括“视频1”或“视频3”属于“动作”等。
[0114]
多个实体之间通过语义互联，如图9所示。
[0115]
可以理解的是，在基于上述实施例的基础上，可进一步构建多个实体之间的关联关系，例如“演员1”、“演员2”和“演员3”共同出演了“视频1”、“视频2”和“视频3”，图9显示了6个属性以及18个关系。
[0116]
在构建好知识图谱后，可将知识图谱中的实体映射到一个d维的向量空间，用i来表示一个实体，r1、r1、r1……rn
代表属性的值，那么对对于一个实体，则可表示为i＝(r1、r1、r1……rn
)；
[0117]
不同的实体所对应的属性之间具有不同的第一相似度。
[0118]
在步骤130中，第一备选视频组中的每一个视频都处于知识图谱关系网中，基于知识图谱，则可以确定与第一备选视频组相似的第二备选视频组。
[0119]
在一些实施例中，步骤130、基于知识图谱，从视频库中确定与第一备选视频组相似的第二备选视频组，包括：
[0120]
确定视频库中各视频的实体属性；
[0121]
基于各视频的实体属性，确定各视频之间的第一相似度；
[0122]
基于第一备选视频组中的视频与其他视频的第一相似度，从视频库中确定与第一备选视频组相似的第二备选视频组。
[0123]
其中，视频库中的视频已构建基于实体属性的知识图谱关联关系；该关联关系中还包括各视频之间的第一相似度。
[0124]
可以理解的是，视频库中的视频包括第一备选视频组中的视频，因此，在通过步骤120得到第一备选视频组后，基于第一备选视频组中各视频与其他视频的第一相似度，可以从视频库中找出与第一备选视频组中的视频具有相似性的一定数量的视频，从而得到第二备选视频组。
[0125]
需要说明的是，第二备选视频组中的视频，包括目标用户未接触过的视频，还可以包括目标用户已接触过的视频。
[0126]
发明人在研发过程中发现，传统的推荐技术通常存在稀疏性问题，在一些大型网站，用户评价过的商品对与网站来说可能是冰山一角，这就导致了用户评分矩阵的数据极端稀疏，在计算用户或商品最近邻时准确率就会较低，从而使得推荐质量下降。除此之外，还存在冷启动的问题，即对于新加入的用户和视频，由于没有对应的历史信息，因此很难准确地进行建模和推荐。
[0127]
在该步骤中，基于知识图谱，确定与第一备选视频组相似的第二备选视频组，该第二备选视频组中可以包括冷启动视频；
[0128]
所谓冷启动视频，即指刚上映或加入时间较短的视频，其对应的历史信息较少，观看的用较少，难以通过用户进行推荐。
[0129]
根据本实施例，采用基于知识图谱的协同推荐技术，而不是根据用户的评价进行推荐，可以有效获取相关的冷启动视频，以解决冷启动问题；同时利用知识图谱丰富的语义，可以有效解决稀疏性问题，从而提高推荐准确度。
[0130]
步骤140、从第一备选视频组和第二备选视频组中，确定用于推荐给目标用户的推荐视频组；
[0131]
其中在第二备选视频组包括冷启动视频的情况下，推荐视频组包括冷启动视频。
[0132]
在该步骤中，推荐视频组中的视频数量为至少一个；
[0133]
根据第一备选频组和第二备选视频组中的视频，向目标用户推荐其可能会感兴趣的视频。
[0134]
在一些实施例中，可以向用户推荐第一备选视频组和第二备选视频组中全部的视频；
[0135]
在另一些实施例中，也可以根据一定的指标对第一备选频组和第二备选视频组中的视频进行排序，推荐目标数量的视频。
[0136]
需要说明的是，在第二备选视频组包括冷启动视频的情况下，推荐视频组包括冷启动视频，即优先向目标用户推荐冷启动视频。
[0137]
在一些实施例中，步骤140、从第一备选视频组和第二备选视频组中，确定用于推荐给目标用户的推荐视频组，包括：
[0138]
基于第一相似度对冷启动视频进行排序，确定用于推荐给所述目标用户的第二目
标数量的冷启动视频。
[0139]
其中，第二目标数量为推荐冷启动视频的数量。
[0140]
第一相似度用于表征第二备选视频组中的视频与其对应的所述第一备选视频组中的视频之间的相似程度；
[0141]
基于第一相似度可以对冷启动视频进行排序，根据第一相似度有高到低，选择第二目标数量的冷启动视频，得到推荐视频组。
[0142]
可以理解的是，在一些实施例中，第一备选视频组中不存在冷启动视频，因此只需基于第一相似度对冷启动视频进行排序即可。
[0143]
在一些实施例中，步骤140、从第一备选视频组和第二备选视频组中，确定用于推荐给目标用户的推荐视频组，还包括：
[0144]
对第一相似度和推荐度进行加权，得到加权值；
[0145]
基于加权值对第一备选视频组和第二备选视频组中的非冷启动视频进行排序，确定用于推荐给目标用户的第一目标数量的非冷启动视频。
[0146]
其中，第一目标数量为推荐非冷启动视频的数量。
[0147]
在一些实施例中，还可以对对第一相似度和推荐度进行归一化处理，以得到范围在(0，1)之间的单调递增函数。
[0148]
在该实施例中，第一相似度和推荐度均为在0到1的范围之间的单调递增函数，对第一相似度和推荐度进行加权计算，可以得到加权值，该加权值表示推荐视频组中的视频对应于目标用户的推荐度；
[0149]
需要说明的是，在一些实施例中，该权重值的初始值可以基于用户自定义，在后续推荐过程中，该权重值可以根据推荐的反馈进行调节，从而得到更新后的权重值。
[0150]
可以理解的是，该加权值值越大，表示推荐视频组中的视频与目标用户的相似度越高，则推荐度越高。
[0151]
基于以上实施例，基于目标用户确定与目标用户相似的相似用户，基于相似用户的历史记录确定第一备选视频组，可以获得较高准确率的第一备选视频组；基于知识图谱，确定与第一备选视频组相似的第二备选视频组，有效避免了通过用户评价进行推荐时所面临的稀疏性和冷启动问题；从第一备选视频组和第二备选视频组中确定用于推荐给目标用户的推荐视频组，结合用户协同过滤推荐以及知识图谱算法，有效提高了推荐成功率。
[0152]
根据本发明实施例提供的视频推荐方法，通过基于用户协同过滤和知识图谱相结合的一种融合性推荐算法，有效避免稀疏性和冷启动问题，提高了推荐的成功率。
[0153]
在一些实施例中，步骤120中的基于预选视频组，以及目标用户与相似用户之间的第二相似度，确定第一备选视频组，包括：
[0154]
基于预选视频组，以及目标用户与相似用户之间的第二相似度，应用公式，
[0155][0156]
确定第一备选视频组；
[0157]
其中，u表示目标用户，v表示相似用户，i表示预选视频，p(u,i)为预选视频组中的视频相对于目标用户的推荐度，w
uv
为目标用户与相似用户之间的第二相似度，r
vi
为相似用
户对预选视频的喜爱度，即相似用户v对预选视频i的喜爱度，s(u,k)为相似用户，n(i)为预选视频组。
[0158]
需要说明的是，s(u,k)表示为基于第二相似度，从如图5所示的矩阵中找出的与目标用户u最相似的k个用户，将k个用户喜欢的视频全部提取出来，并去除目标用户u已经喜欢的视频，则可以得到预选视频组n(i)；
[0159]
对于预选视频组中的每个视频，通过上述公式p(u,i)计算目标用户u对它的感兴趣程度，该该兴趣程度在本技术中即为预选视频组中的视频相对于目标用户的推荐度p(u,i)。
[0160]
在一些实施例中，可以将r
vi
默认为1。
[0161]
在另一些实施例中，如在一些需要用户给与评分的推荐系统中，则要带入用户评分，因此可以基于用户评分将r
vi
设置为其他数值。
[0162]
在目标用户u为a，推荐相似用户数量k＝3且r
vi
默认为1的情况下，通过上述实施例已经确定了相似用户为c和d，则去掉a喜欢过的视频a得到n(i)，其中n(i)包括d和e；
[0163]
因此，分别计算p(a,d)和p(a,e)：
[0164][0165][0166]
因此，得到第一备选视频组以及第一备选视频组中各视频相对于目标用户的推荐度。
[0167]
根据本发明实施例提供的视频推荐方法，通过基于用户的协同过滤确定第一备选视频组，在数据集完善、丰富的情况下，可以获得较高准确率的第一备选视频组。
[0168]
在一些实施例中，步骤130中的基于各视频的实体属性，确定各视频之间的第一相似度，包括：
[0169]
应用公式，
[0170][0171]
确定各视频之间的第一相似度；
[0172]
其中，d
normal
为各视频之间的第一相似度，r
ik
为视频i的第k个实体属性的值，r
jk
为视频j的第k个实体属性的值。
[0173]
在该实施例中，通常使用的欧几里得来衡量实体间的语义，因此，视频之间的距离就可以表示为：
[0174][0175]
通过计算欧几里得距离是一个大于0的数，利用sigmoid函数将该值归一化处理，其中sigmoid函数为：
[0176]
x的取值范围为(-∞， ∞)，e-x
的值域范围为(0， ∞)，而的值域范围为(0， ∞)，因此得到：
[0177][0178]
通过归一化处理，可以将第一相似度数值转化为(0，1)之间，便于后续计算以及比较。
[0179]
在该实施例中，基于公式d
normal
，可以看出当两个实体之间的相似度非常高时，d
normal
趋近于1，相反，当d
normal
的值趋近于0时，两个实体有非常大的差异。
[0180]
根据本发明实施例提供的视频推荐方法，基于知识图谱从第一备选视频中确定第二备选视频，有效避免了稀疏性和冷启动问题。
[0181]
下面对本发明提供的视频推荐装置进行描述，下文描述的视频推荐装置与上文描述的视频推荐方法可相互对应参照。
[0182]
在一些实施例中，该视频推荐装置，包括：第一处理模块1010、第二处理模块1020、第三处理模块1030和第四处理模块1040。
[0183]
第一处理模块1010，用于基于目标用户，确定与目标用户相似的相似用户；
[0184]
第二处理模块1020，用于基于相似用户的历史记录，确定第一备选视频组；
[0185]
第三处理模块1030，用于基于知识图谱，从视频库中确定与第一备选视频组相似的第二备选视频组；
[0186]
第四处理模块1040，用于从第一备选视频组和第二备选视频组中，确定用于推荐给目标用户的推荐视频组；
[0187]
其中在第二备选视频组包括冷启动视频的情况下，推荐视频组包括冷启动视频。
[0188]
在一些实施例中，第三处理模块1030，还用于：
[0189]
确定视频库中各视频的实体属性；
[0190]
基于各视频的实体属性，确定各视频之间的第一相似度；
[0191]
基于第一备选视频组中的视频与其他视频的第一相似度，从视频库中确定与第一备选视频组相似的第二备选视频组。
[0192]
在一些实施例中，第三处理模块1030，还用于：
[0193]
应用公式，
[0194][0195]
确定各视频之间的第一相似度，
[0196]
其中，d
normal
为各视频之间的第一相似度，r
ik
为视频i的第k个实体属性的值，r
jk
为视频j的第k个实体属性的值。
[0197]
在一些实施例中，第二处理模块1020，还用于：
[0198]
基于相似用户的历史记录，确定预选视频组；
[0199]
基于预选视频组，以及目标用户与相似用户之间的第二相似度，确定第一备选视频组。
[0200]
第二处理模块1020，还用于：
[0201]
基于预选视频组，以及目标用户与相似用户之间的第二相似度，应用公式，
[0202][0203]
确定第一备选视频组；
[0204]
其中，p(u,i)为预选视频组中的视频相对于目标用户的推荐度，w
uv
为第二相似度，r
vi
为相似用户对预选视频的喜爱度，s(u,k)为相似用户，n(i)为预选视频组。
[0205]
在一些实施例中，第四处理模块1040，还用于：
[0206]
对第一相似度和推荐度进行加权，得到加权值；
[0207]
基于加权值对第一备选视频组和第二备选视频组中的非冷启动视频进行排序，确定用于推荐给目标用户的第一目标数量的非冷启动视频。
[0208]
在一些实施例中，第四处理模块1040，还用于基于第一相似度对冷启动视频进行排序，确定用于推荐给目标用户的第二目标数量的冷启动视频。
[0209]
在一些实施例中，第一处理模块1010，还用于基于用户的协同过滤，得到与目标用户相似的相似用户。
[0210]
根据本发明实施例提供的视频推荐装置，通过基于用户协同过滤和知识图谱相结合的一种融合性推荐算法，有效避免稀疏性和冷启动问题，提高了推荐的成功率。
[0211]
图11示例了一种电子设备的实体结构示意图，如图11所示，该电子设备可以包括：处理器(processor)1110、通信接口(communications interface)1120、存储器(memory)1130和通信总线1140，其中，处理器1110，通信接口1120，存储器1130通过通信总线1140完成相互间的通信。处理器1110可以调用存储器1130中的逻辑指令，以执行视频推荐方法，该方法包括：基于目标用户，确定与所述目标用户相似的相似用户；基于所述相似用户的历史记录，确定第一备选视频组；基于知识图谱，从视频库中确定与所述第一备选视频组相似的第二备选视频组；从所述第一备选视频组和所述第二备选视频组中，确定用于推荐给所述目标用户的推荐视频组；其中在所述第二备选视频组包括冷启动视频的情况下，所述推荐视频组包括所述冷启动视频。
[0212]
此外，上述的存储器1130中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0213]
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在
非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的视频推荐方法，该方法包括：基于目标用户，确定与所述目标用户相似的相似用户；基于所述相似用户的历史记录，确定第一备选视频组；基于知识图谱，从视频库中确定与所述第一备选视频组相似的第二备选视频组；从所述第一备选视频组和所述第二备选视频组中，确定用于推荐给所述目标用户的推荐视频组；其中在所述第二备选视频组包括冷启动视频的情况下，所述推荐视频组包括所述冷启动视频。
[0214]
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各提供的视频推荐方法，该方法包括：基于目标用户，确定与所述目标用户相似的相似用户；基于所述相似用户的历史记录，确定第一备选视频组；基于知识图谱，从视频库中确定与所述第一备选视频组相似的第二备选视频组；从所述第一备选视频组和所述第二备选视频组中，确定用于推荐给所述目标用户的推荐视频组；其中在所述第二备选视频组包括冷启动视频的情况下，所述推荐视频组包括所述冷启动视频。
[0215]
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
[0216]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
[0217]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。