一种视频转码方法、装置、设备和存储介质与流程

1.本公开实施例涉及计算机技术，尤其涉及一种视频转码方法、装置、设备和存储介质。


背景技术：

2.随着计算机技术的快速发展，需要对用户上传的投稿视频进行转码处理，从而降低视频码率，提升用户观看体验。目前，为了保证用户观看体验，可能会进行高压缩率档位的转码。有效率地进行转码，可以节省转码资源，是业界研究的问题。


技术实现要素：

3.本公开提供一种视频转码方法、装置、设备和存储介质，以节省转码资源，避免转码资源浪费的情况。
4.第一方面，本公开实施例提供了一种视频转码方法，包括：
5.获取待转码的目标视频；
6.对所述目标视频未来所处于的视频状态进行预测，获得所述目标视频对应的状态预测结果；
7.若所述状态预测结果为可见状态，则对所述目标视频进行热度预测，确定所述目标视频对应的第一热度预测结果；
8.若所述第一热度预测结果为热视频，则对所述目标视频进行高压缩率转码。
9.第二方面，本公开实施例还提供了一种视频转码装置，包括：
10.目标视频获取模块，用于获取待转码的目标视频；
11.视频状态预测模块，用于对所述目标视频未来所处于的视频状态进行预测，获得所述目标视频对应的状态预测结果；
12.热度预测模块，用于若所述状态预测结果为可见状态，则对所述目标视频进行热度预测，确定所述目标视频对应的第一热度预测结果；
13.视频转码模块，用于若所述第一热度预测结果为热视频，则对所述目标视频进行高压缩率转码。
14.第三方面，本公开实施例还提供了一种电子设备，所述电子设备包括：
15.一个或多个处理器；
16.存储装置，用于存储一个或多个程序，
17.当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本公开实施例任一所述的视频转码方法。
18.第四方面，本公开实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如本公开实施例任一所述的视频转码方法。
19.本公开实施例，通过对待转码的目标视频未来所处于的视频状态进行预测，获得
目标视频对应的状态预测结果。若状态预测结果为可见状态，则表明目标视频未来可以正常分发，不会被用户删除或者隐藏等，此时允许对目标视频进行热度预测，并在目标视频对应的第一热度预测结果为热视频时，对目标视频进行高压缩率转码，从而对未来处于可见状态且热度较高的视频进行高压缩率的转码，进而在保证用户观看体验的同时大大节省了转码资源，并且避免了对未来非可见视频进行高压缩率的转码，进而也避免了因无法分发视频而导致转码资源的浪费。
附图说明
20.结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。
21.图1是本公开实施例所提供的一种视频转码方法流程示意图；
22.图2是本公开实施例所涉及的一种时间序列预测模型的网络结构示例图；
23.图3是本公开实施例所提供的另一种视频转码方法流程示意图；
24.图4是本公开实施例所提供的一种视频转码装置的结构示意图；
25.图5是本公开实施例所提供的一种电子设备的结构示意图。
具体实施方式
26.下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
27.应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
28.本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
29.需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
30.需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
31.本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
32.可以理解的是，在使用本公开各实施例公开的技术方案之前，均应当依据相关法律法规通过恰当的方式对本公开所涉及个人信息的类型、使用范围、使用场景等告知用户并获得用户的授权。
33.例如，在响应于接收到用户的主动请求时，向用户发送提示信息，以明确地提示用
户，其请求执行的操作将需要获取和使用到用户的个人信息。从而，使得用户可以根据提示信息来自主地选择是否向执行本公开技术方案的操作的电子设备、应用程序、服务器或存储介质等软件或硬件提供个人信息。
34.作为一种可选的但非限定性的实现方式，响应于接收到用户的主动请求，向用户发送提示信息的方式例如可以是弹窗的方式，弹窗中可以以文字的方式呈现提示信息。此外，弹窗中还可以承载供用户选择“同意”或者“不同意”向电子设备提供个人信息的选择控件。
35.可以理解的是，上述通知和获取用户授权过程仅是示意性的，不对本公开的实现方式构成限定，其它满足相关法律法规的方式也可应用于本公开的实现方式中。
36.可以理解的是，本技术方案所涉及的数据(包括但不限于数据本身、数据的获取或使用)应当遵循相应法律法规及相关规定的要求。
37.本公开申请人在实施本公开的过程中发现，现有的视频转码方式对视频进行高压缩率转码后，视频会被投稿者进行隐藏或者删除等操作，使得该视频无法正常分发，从而导致了转码资源的浪费。针对于此，本公开实施例的技术方案，通过对视频未来所处于的视频状态进行预测，并对未来处于可见状态且热度较高的视频进行高压缩率的转码，从而可以避免对未来非可见视频进行高压缩率的转码，进而也避免了因无法分发视频而导致转码资源的浪费，节省了转码资源。
38.图1为本公开实施例所提供的一种视频转码方法的流程示意图，本公开实施例适用于对投稿视频进行高压缩率转码的情况，该方法可以由视频转码装置来执行，该装置可以通过软件和/或硬件的形式实现，可选的，通过电子设备来实现，该电子设备可以是移动终端、pc端或服务器等。
39.如图1所示，视频转码方法具体包括以下步骤：
40.s110、获取待转码的目标视频。
41.其中，目标视频可以是指当前需要进行高压缩率转码的视频。高压缩率转码可以是指利用高压缩率编码方式，比如h265编码方式进行的视频转码。
42.具体地，可以将当前还未进行任何高压缩率档位转码的视频作为目标视频。例如，可以将投稿者新上传的投稿视频作为转码的目标视频。
43.示例性地，s110可以包括：获取新上传的投稿视频；对投稿视频进行低压缩率转码，并将投稿视频作为待高压缩率转码的目标视频。
44.其中，投稿视频可以是指投稿者(即视频制作者)的原创视频。低压缩率转码可以是指利用低压缩率编码方式，比如h264编码方式进行的视频转码。其中，低压缩率编码方式的视频码率大于高压缩率编码方式的视频码率。
45.具体地，在获得投稿者新上传的投稿视频后，可以直接对该投稿视频进行低压缩率转码，比如h264转码，以便该视频还未进行高压缩率转码的情况下，可以下发低压缩率转码后的视频，保证视频始终可以正常播放。在将该投稿视频进行低压缩率转码后，可以将该投稿视频作为待高压缩率转码的目标视频。
46.s120、对目标视频未来所处于的视频状态进行预测，获得目标视频对应的状态预测结果。
47.其中，视频状态可以包括可见状态和非可见状态。其中，可见状态可以是指视频对
于观看者而言是可见的状态，使得观看者可以正常观看视频。非可见状态可以是指视频对于观看者而言是不可见的状态，也就是观看者无法观看到该视频。非可见状态可以通过投稿者对视频进行删除或者隐藏等方式进行设置。可见状态和非可见状态是相反的两种状态。可见状态可以是指可正常分发的视频状态。非可见状态可以是指不可正常分发的视频状态。状态预测结果可以是指可见状态或者非可见状态。
48.具体地，可以基于一种或者多种预测方式，对目标视频未来所处于的视频状态进行预测，获得目标视频对应的状态预测结果。例如，可以利用神经网络智能模型(比如二分类网络模型)和/或目标投稿者历史的投稿视频状态信息，对目标视频未来是否处于非可见状态进行预测，获得目标视频对应的目标非可见概率，并基于目标非可见概率确定出状态预测结果是否为非可见状态。或者，也可以利用神经网络智能模型和/或目标投稿者历史的投稿视频状态信息，对目标视频未来是否处于可见状态进行预测，获得目标视频对应的目标可见概率，并基于目标可见概率确定出状态预测结果是否为可见状态。这两种方式实现过程类似，下面仅描述了第一种利用非可见概率进行视频状态预测的方式，另一种利用可见概率进行视频状态预测的方式不再赘述。
49.示例性地，s120可以包括：基于视频预测网络模型，对目标视频未来是否处于非可见状态进行预测，确定目标视频对应的第一非可见概率；根据目标视频投稿者在预设历史时间段内的投稿视频数量和当前处于可见状态的正常视频数量，确定目标视频对应的第二非可见概率；根据第一非可见概率和/或第二非可见概率，确定目标视频对应的目标非可见概率；基于非可见概率阈值和目标非可见概率，确定目标视频对应的状态预测结果。
50.其中，视频预测网络模型可以是用于预测视频未来处于非可见状态的概率的神经网络模型。视频预测网络模型可以是预先基于样本数据和标签结果进行训练获得的，以保证视频预测网络模型的预测准确性。目标视频投稿者是指投稿上传目标视频的用户。预设历史时间段可以是预先设置的，当前时刻之前的一段历史时间段。例如，预设历史时间段可以是指当日前的365天内。目标非可见概率可以是指目标视频未来处于非可见状态的概率。非可见概率越大，则表明投稿者对该视频设置为不可见状态的可能性越大。非可见概率阈值可以是预先设置的，视频处于非可见状态的概率最小值。例如，非可见概率阈值可以是50％。
51.具体地，本实施例可以将目标视频信息输入至预先训练好的视频预测网络模型中，使得视频预测网络模型可以基于目标视频信息对目标视频未来是否处于非可见状态进行预测，确定出目标视频未来处于非可见状态的第一非可见概率并进行输出，从而基于视频预测网络模型可以准确地预测出目标视频对应的第一非可见概率。
52.本实施例还可以获取目标视频投稿者在预设历史时间段内的投稿视频数量，以及每个投稿视频当前所处于的视频状态，并基于视频状态统计出所有投稿视频中当前处于可见状态的正常视频数量。可以将正常视频数量与投稿视频数量的比值确定为可见概率，并将1减去可见概率获得的差值作为第二非可见概率。或者，也可以将投稿视频数量减去正常视频数量获得的差值确定为非正常数量，并将非正常视频数量与投稿视频数量的比值确定为第二非可见概率。
53.本实施例可以直接将第一非可见概率或者第二非可见概率确定为目标视频对应的目标非可见概率，也可以将第一非可见概率和第二非可见概率进行融合处理，确定出目
标视频对应的目标非可见概率，以便进一步提高非可见概率预测的准确性。例如，可以将第一非可见概率和第二非可见概率进行平均处理或者加权处理，获得的处理结果作为目标非可见概率；或者，也可以将第一非可见概率和第二非可见概率中的最小概率作为目标非可见概率。通过将目标非可见概率与非可见概率阈值进行比较，若目标可见概率小于非可见概率阈值，则确定目标视频对应的状态预测结果为可见状态，否则确定状态预测结果为非可见状态。
54.s130、若状态预测结果为可见状态，则对目标视频进行热度预测，确定目标视频对应的第一热度预测结果。
55.其中，第一热度预测结果可以包括热视频或者冷视频。其中，热视频可以是指视频播放量较大的视频，即用户流行度较高受欢迎的视频。冷视频可以是指视频播放量较小的视频，即用户流行度较低不受欢迎的视频。第一热度预测结果可以是指在首次对目标视频进行高压率转码之前所预测出的热度预测结果。
56.具体地，在目标视频对应的状态预测结果为可见状态时，表明目标视频投稿者未来不会删除或者隐藏该目标视频，未来可以正常分发，此时可以允许对目标视频进行热度预测。例如，可以将目标视频信息输入至预先训练好的热度预测模型中进行热度预测。热度预测模型可以直接预测出第一热度预测结果。也可以输出目标视频为热视频的预测概率，并在输出的预测概率大于0.5时，可以确定目标视频对应的第一热度预测结果为热视频，否则为冷视频。
57.需要说明的是，若状态预测结果为非可见状态，则表明投稿者未来很大可能会对目标视频进行删除或者隐藏，使得观看者无法观看到该目标视频，此时可以暂停对该目标视频进行高压缩率转码，以避免对未来非可见的视频进行高压缩率转码而导致的资源浪费。
58.s140、若第一热度预测结果为热视频，则对目标视频进行高压缩率转码。
59.具体地，若获得的第一热度预测结果为热视频，则可以利用高压缩率编码方式对目标视频进行高压缩率转码，以便获得视频码率较低的视频文件，从而再下发该视频文件时，可以降低视频传输的带宽消耗，进而降低带宽成本，并且本实施例仅是针对未来处于可见状态且热度较高的热视频，而非上传的所有视频进行高压缩率转码，从而可以提高整体转码视频的观看率，减少不能正常分发视频的转码数量，降低转码资源浪费。在一定资源条件下，可以降低用户观看的视频码率，保证了用户观看体验。
60.本公开实施例的技术方案，通过对待转码的目标视频未来所处于的视频状态进行预测，获得目标视频对应的状态预测结果。若状态预测结果为可见状态，则表明目标视频未来可以正常分发，不会被用户删除或者隐藏等，此时允许对目标视频进行热度预测，并在目标视频对应的第一热度预测结果为热视频时，对目标视频进行高压缩率转码，从而对未来处于可见状态且热度较高的视频进行高压缩率的转码，进而在保证用户观看体验的同时大大节省了转码资源，并且避免了对未来非可见视频进行高压缩率的转码，进而也避免了转码资源的浪费。
61.在上述技术方案的基础上，视频预测网络模型可以为基于用户投稿行为序列进行预测的时间序列预测模型，以便进一步提高视频状态预测的准确性。时间序列预测模型可以是预先基于样本数据和标签结果进行训练获得的。
62.在视频预测网络模型为时间序列预测模型时，基于视频预测网络模型，对目标视频未来是否处于非可见状态进行预测，确定目标视频对应的第一非可见概率，可以包括：获取目标视频对应的目标视频特征信息、目标视频投稿者对应的历史视频序列特征信息和目标视频投稿者特征信息；将目标视频特征信息、历史视频序列特征信息和目标视频投稿者特征信息输入至时间序列预测模型中，对目标视频未来是否处于非可见状态进行预测；根据时间序列预测模型的输出，确定目标视频对应的第一非可见概率。
63.其中，目标视频特征信息可以包括但不限于：目标视频对应的视频质量信息和视频码率信息。历史视频序列特征信息可以是指目标视频投稿者历史投稿的每个历史视频对应的历史视频特征信息。例如，历史视频序列特征信息可以包括按投稿时间依次排序的每个历史视频对应的历史视频特征信息。历史视频特征信息可以包括但不限于：每个历史视频对应的视频质量信息、视频码率信息、视频帧率信息、视频时长信息、视频宽高信息、投稿时间、距上次投稿时间间隔、当日已投稿视频数量以及预设小时(比如1小时)后视频是否被删除或者隐藏。目标视频投稿者特征信息可以包括但不限于：投稿者历史时间段内的视频平均删除隐藏率，比如，近7日的视频平均删除隐藏率、近30日视频平均删除隐藏率等。
64.具体地，通过将目标视频对应的目标视频特征信息、历史视频序列特征信息和目标视频投稿者特征信息输入至预先训练好的时间序列预测模型中，时间序列预测模型可以基于输入信息预测出目标视频未来处于非可见状态的第一非可见概率，并将第一非可见概率进行输出，从而可以利用时间序列预测模型更加准确地确定出目标视频未来处于非可见状态的第一非可见概率。
65.示例性地，时间序列预测模型可以包括：序列网络子模型、深度网络子模型和全连接网络子模型。其中，序列网络子模型可以是用于处理多个视频组成的序列数据的网络模型。例如，序列网络子模型的网络结构可以包括但不限于：循环神经网络rnn(recurrent neural networks)子模型、翻译transformer子模型、卷积神经网络cnn(convolutional neural network)子模型。其中，循环神经网络rnn子模型可以是但不限于门控循环单元gru(gate recurrent unit)子模型。深度网络dnn(deep neural network)子模型可以是用于处理单个视频数据的网络模型。全连接网络子模型可以是用于对序列网络子模型和深度网络子模型的输出结果进行全连接线性激活处理，获得可输出的第一非可见概率。图2给出了一种时间序列预测模型的网络结构示例图。
66.示例性地，将目标视频特征信息、历史视频序列特征信息和目标视频投稿者特征信息输入至时间序列预测模型中，对目标视频未来是否处于非可见状态进行预测，可以包括：
67.将历史视频序列特征信息输入至序列网络子模型中进行时间序列信息处理，获得第一特征信息；将目标视频特征信息和和目标视频投稿者特征信息输入至深度网络子模型中进行深度信息的处理，获得第二特征信息；将第一特征信息和第二特征信息输入至全连接网络子模型中全连接线性处理，获得目标视频未来处于非可见状态的第一非可见概率。
68.具体地，如图2所示，将历史视频序列特征信息(x1、x2
…
xn)输入至序列网络子模型中进行时间序列信息处理，获得第一特征信息。同时可以将目标视频特征信息和和目标视频投稿者特征信息输入至深度网络子模型dnn中进行深度信息的处理，获得第二特征信息。将第一特征信息和第二特征信息输入至全连接网络子模型中cancat的全连接和线性
linear处理，获得目标视频未来处于非可见状态的第一非可见概率rate，从而利用序列网络子模型和深度网络子模型分别处理不同形式的特征信息，可以进一步提高信息预测的准确性。
69.在上述各技术方案的基础上，s120可以包括：获取目标视频投稿者在预设历史时间段内的投稿视频数量；若投稿视频数量大于或等于视频数量阈值，则对目标视频未来所处于的视频状态进行预测，获得目标视频对应的状态预测结果。
70.其中，预设历史时间段可以是预先设置的当前时刻之前的一段历史时间。例如，预设历史时间段可以是指近365天内。视频数量阈值可以是预先设置的，允许预测视频状态的投稿视频数量的最小值。例如，视频数量阈值可以设置为10。
71.具体地，可以获取目标视频投稿者在预设历史时间段内的投稿视频数量，并检测投稿视频数量是否大于或等于视频数量阈值，以确定是否允许执行视频状态的预测操作。若投稿视频数量大于或等于视频数量阈值，则表明投稿者投稿活跃度较高，可以准确地预测出目标视频未来所处于的视频状态，此时允许对目标视频未来所处于的视频状态进行预测，从而保证状态预测结果的准确性。若投稿视频数量小于视频数量阈值，则表明无法准确地进行视频状态的预测，此时可以暂停对该目标视频进行高压缩率转码，以便将有限的转码资源提供给更有价值的视频进行高压缩率的转码，从而在一定资源条件下，降低用户观看的视频码率，提高用户观看体验。
72.图3为本公开实施例所提供的另一种视频转码方法的流程示意图，本公开实施例在上述公开实施例的基础上，对视频的高压缩率的延迟转码以及多个高压缩率档位的循环转码进行了详细描述。其中与上述各公开实施例相同或相应的术语的解释在此不再赘述。
73.如图3所示，视频转码方法具体包括以下步骤：
74.s310、获取待转码的目标视频；
75.s320、获取目标视频投稿者在预设历史时间段内的投稿视频数量，并检测投稿视频数量是否大于或等于视频数量阈值，若是，则执行步骤s330，若否，则执行步骤s360。
76.s330、对目标视频未来所处于的视频状态进行预测，获得目标视频对应的状态预测结果，若状态预测结果为可见状态，则执行s340，若状态预测结果为非可见状态，则执行步骤s360。
77.s340、对目标视频进行热度预测，确定目标视频对应的第一热度预测结果，若第一热度预测结果为热视频，则执行步骤s350，若第一热度预测结果为冷视频，则执行步骤s360。
78.s350、对目标视频进行高压缩率转码，并执行s390。
79.s360、获取目标视频的当前视频播放量。
80.具体地，在投稿视频数量小于视频数量阈值、目标视频对应的状态预测结果为非可见状态、或者目标视频对应的第一热度预测结果为冷视频时，均表明当前需要暂停对目标视频进行高压缩率转码操作。需要说明的是，暂停高压缩率转码操作并不是不会对该目标视频进行高压缩率转码了，而是延缓了其高压缩率转码触发时机，以便后续目标视频价值到达一定程度时还可以进行高压缩率转码，从而保证用户观看体验。
81.由于目标视频已进行了低压缩率转码操作，从而在接收到观看者发送的目标视频播放请求时，可以向观看者分发低压缩率的目标视频，并可以实时统计目标视频的当前视
频播放量，即当前视频播放次数，以便基于当前视频播放量触发后续的高压缩率转码操作。
82.s370、若当前视频播放量大于或等于目标播放量阈值，则重新对目标视频进行热度预测，确定目标视频对应的第二热度预测结果，若第二热度预测结果为热视频，则执行步骤s380，若第二热度预测结果为冷视频，则执行步骤s391。
83.其中，目标播放量阈值可以是指视频当前被隐藏或者删除时所达到的视频播放量最大值。目标播放量阈值可以是固定的数值，比如50，也可以是针对不同视频动态确定出的数值。例如，目标播放器阈值可以是基于目标视频对应的目标非可见概率和目标可见概率进行动态确定。其中，目标非可见概率和目标可见概率之和为1。第二热度预测结果可以是指因视频播放量触发的热度预测操作所获得的结果。第一热度预测结果可以是指因预测的未来视频状态触发的热度预测操作所获得的结果。
84.具体地，在当前视频播放量大于或等于目标播放量阈值时，表明目标视频当前还处于可见状态，也就是投稿者当前还未隐藏或者删除目标视频，此时可以重新对目标视频进行热度预测，获得第二热度预测结果。若当前视频播放量始终小于目标播放量阈值，则表明投稿者上传视频后立即就将目标视频设为隐藏或者删除，此时无需进行高压率转码，从而利用目标播放量阈值可以有效过滤掉上传就被设为隐私或删除的视频，避免了转码资源的浪费。
85.示例性地，在投稿视频数量小于视频数量阈值时，还包括：将预设阈值确定为目标视频对应的目标播放量阈值。具体地，在投稿视频数量小于视频数量阈值时，无需进行未来视频状态的预测，此时可以针对不同的视频，直接确定目标播放量阈值为固定的预设阈值，比如50。
86.在目标视频对应的状态预测结果为非可见状态、或者目标视频对应的第一热度预测结果为冷视频时，还包括：获取目标视频对应的目标非可见概率；基于非可见概率与初始播放量阈值之间的对应关系和目标非可见概率，确定目标视频对应的目标播放量阈值。
87.其中，初始播放量阈值可以是指视频播放量首次满足触发条件的播放量最小值。非可见概率与初始播放量阈值为正相关。初始播放量阈值随着非可见概率的增大而增大，也就是非可见概率越大的视频，首次允许高压缩率转码时的播放量越高，从而可以进一步避免资源浪费的情况。
88.具体地，目标非可见概率的确定过程可参见上述实施例的描述。可以根据预先设置的非可见概率与初始播放量阈值之间的对应关系，确定出目标非可见概率对应的初始播放量阈值，并将该初始播放量阈值作为目标播放量阈值进行播放量的判断。通过基于非可见概率动态确定目标视频对应的初始播放量阈值，可以进一步避免因高压率转码而导致的资源浪费情况。
89.s380、若第二热度预测结果为热视频，则对目标视频进行高压缩率的转码。
90.具体地，在第二热度预测结果为热视频时，表明目标视频当前已达到高压缩率转码要求，此时可以允许对目标视频进行高压缩率转码，从而可以实现高压缩率转码的时机延迟，进一步保证用户观看体验。
91.s390、检测当前是否存在还未转码的高压缩率档位，若是，则进入步骤s391。
92.其中，压缩率转码档位可以包括多个高压缩率档位，比如，利用高压缩编码方式h265进行转码时可以选择540p、720p、1080p等分辨率档位以及不同的压缩速率，其中，不同
的分辨率档位和压缩速率对应不同的高压缩率档位。不同的高压缩率档位可以对应不同的转码优化级，以便基于转码优先级对各个高压率档位进行依次转码。
93.具体地，在目标视频预测为热视频进行一次的高压缩转码后，比如，在s350或者s380之后，可以检测当前是否还存在未转码的高压缩率档位，以便确定是否继续进行高压率转码的判断操作。若当前不存在还未转码的高压缩率档位，则表明所有高压率档位均已转码完成，此时可以结束转码操作。
94.s391、基于播放量阈值序列，对目标播放量阈值进行更新，并基于更新后的目标播放量阈值返回进入s360。
95.其中，播放量阈值序列是指从小到大排列的播放量阈值。
96.具体地，在第二任务预测结果为冷视频时，或者当前还存在未转码的高压缩率档位，则可以基于目标视频的当前视频播放量再次触发热度预测操作，比如，当前视频播放量再次到达一定数值时触发热度预测操作，直到热度预测结果为热视频时，对目标视频进行高压缩率转码。例如，可以基于播放量阈值序列，对目标播放量阈值进行更新，并基于更新后的目标播放量阈值返回执行步骤s360的操作。具体地，可以在播放量阈值序列中，将当前的目标播放量阈值的下一个播放量阈值作为更新后的目标播放量阈值，以便可以基于下一个播放量阈值继续进行播放量的判断，依次循环执行，直到当前视频播放量始终不满足转码条件，或者不存在未转码的高压缩率档位为止。例如，播放量阈值序列为{50，100，200，500，1000
…
}，若当前的目标播放量阈值为50，则更新后的目标播放量阈值为100。
97.本公开实施例的技术方案，通过在状态预测结果为非可见状态、第一热度预测结果为冷视频、或者投稿视频数量小于视频数量阈值时，检测目标视频的当前视频播放量是否大于或等于目标播放量阈值，若是，则重新对目标视频进行热度预测，确定目标视频对应的第二热度预测结果，并在第二热度预测结果为热视频时，对目标视频进行高压缩率的转码，从而延缓了高压缩率的转码时机，进一步保证了用户观看体验，并且利用目标播放量阈值可以有效过滤掉上传就被设为隐私或删除的视频，进一步避免了转码资源的浪费。
98.图4为本公开实施例所提供的一种视频转码装置的结构示意图，如图4所示，该装置具体包括：目标视频获取模块410、视频状态预测模块420、热度预测模块430和视频转码模块440。
99.其中，目标视频获取模块410，用于获取待转码的目标视频；视频状态预测模块420，用于对所述目标视频未来所处于的视频状态进行预测，获得所述目标视频对应的状态预测结果；热度预测模块430，用于若所述状态预测结果为可见状态，则对所述目标视频进行热度预测，确定所述目标视频对应的第一热度预测结果；视频转码模块440，用于若所述第一热度预测结果为热视频，则对所述目标视频进行高压缩率转码。
100.本公开实施例所提供的技术方案，通过对待转码的目标视频未来所处于的视频状态进行预测，获得目标视频对应的状态预测结果。若状态预测结果为可见状态，则表明目标视频未来可以正常分发，不会被用户删除或者隐藏等，此时允许对目标视频进行热度预测，并在目标视频对应的第一热度预测结果为热视频时，对目标视频进行高压缩率转码，从而对未来处于可见状态且热度较高的视频进行高压缩率的转码，进而在保证用户观看体验的同时大大节省了转码资源，并且避免了对未来非可见视频进行高压缩率的转码，进而也避免了转码资源的浪费。
101.在上述技术方案的基础上，视频状态预测模块420，具体用于：
102.获取目标视频投稿者在预设历史时间段内的投稿视频数量；若所述投稿视频数量大于或等于视频数量阈值，则对所述目标视频未来所处于的视频状态进行预测，获得所述目标视频对应的状态预测结果。
103.在上述各技术方案的基础上，视频状态预测模块420，包括：
104.第一非可见概率确定单元，用于基于视频预测网络模型，对所述目标视频未来是否处于非可见状态进行预测，确定所述目标视频对应的第一非可见概率；
105.第二非可见概率确定单元，用于根据目标视频投稿者在预设历史时间段内的投稿视频数量和当前处于可见状态的正常视频数量，确定所述目标视频对应的第二非可见概率；
106.目标非可见概率确定单元，用于根据所述第一非可见概率和/或所述第二非可见概率，确定所述目标视频对应的目标非可见概率；
107.状态预测结果确定单元，用于基于非可见概率阈值和所述目标非可见概率，确定所述目标视频对应的状态预测结果。
108.在上述各技术方案的基础上，所述视频预测网络模型为时间序列预测模型；
109.第一非可见概率确定单元，包括：
110.特征信息获取子单元，用于获取所述目标视频对应的目标视频特征信息、目标视频投稿者对应的历史视频序列特征信息和目标视频投稿者特征信息；
111.特征信息输入子单元，用于将所述目标视频特征信息、所述历史视频序列特征信息和所述目标视频投稿者特征信息输入至所述时间序列预测模型中，对所述目标视频未来是否处于非可见状态进行预测；
112.第一非可见概率子单元，用于确定根据所述时间序列预测模型的输出，确定所述目标视频对应的第一非可见概率。
113.在上述各技术方案的基础上，所述时间序列预测模型包括：序列网络子模型、深度网络子模型和全连接网络子模型；
114.特征信息输入子单元，具体用于：
115.将所述历史视频序列特征信息输入至所述序列网络子模型中进行时间序列信息处理，获得第一特征信息；将所述目标视频特征信息和和所述目标视频投稿者特征信息输入至所述深度网络子模型中进行深度信息的处理，获得第二特征信息；将所述第一特征信息和所述第二特征信息输入至所述全连接网络子模型中全连接线性处理，获得所述目标视频未来处于非可见状态的第一非可见概率。
116.在上述各技术方案的基础上，该装置还包括：
117.当前视频播放量获取模块，用于若所述状态预测结果为非可见状态、所述第一热度预测结果为冷视频、或者所述投稿视频数量小于视频数量阈值，则获取所述目标视频的当前视频播放量；
118.第二热度预测结果确定模块，用于若所述当前视频播放量大于或等于目标播放量阈值，则重新对所述目标视频进行热度预测，确定所述目标视频对应的第二热度预测结果；
119.视频转码模块440，还用于：若所述第二热度预测结果为热视频，则对所述目标视频进行高压缩率的转码。
120.在上述各技术方案的基础上，该装置还包括：
121.目标播放量阈值确定模块，用于在所述状态预测结果为非可见状态、或者所述第一热度预测结果为冷视频时，获取所述目标视频对应的目标非可见概率；基于非可见概率与初始播放量阈值之间的对应关系和所述目标非可见概率，确定所述目标视频对应的目标播放量阈值；其中，非可见概率与初始播放量阈值为正相关。
122.在上述各技术方案的基础上，该装置还包括：
123.目标播放量阈值更新模块，用于若所述第二热度预测结果为冷视频，或者对所述目标视频进行高压缩率的转码之后当前还存在未转码的高压缩率档位，则基于播放量阈值序列，对所述目标播放量阈值进行更新，并基于更新后的目标播放量阈值返回执行所述获取所述目标视频的当前视频播放量的操作。
124.在上述各技术方案的基础上，目标视频获取模块410，具体用于：
125.获取新上传的投稿视频；对所述投稿视频进行低压缩率转码，并将所述投稿视频作为待高压缩率转码的目标视频。
126.本公开实施例所提供的视频转码装置可执行本公开任意实施例所提供的视频转码方法，具备执行视频转码方法相应的功能模块和有益效果。
127.值得注意的是，上述装置所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本公开实施例的保护范围。
128.图5为本公开实施例所提供的一种电子设备的结构示意图。下面参考图5，其示出了适于用来实现本公开实施例的电子设备(例如图5中的终端设备或服务器)500的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、pda(个人数字助理)、pad(平板电脑)、pmp(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字tv、台式计算机等等的固定终端。图5示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
129.如图5所示，电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501，其可以根据存储在只读存储器(rom)502中的程序或者从存储装置508加载到随机访问存储器(ram)503中的程序而执行各种适当的动作和处理。在ram 503中，还存储有电子设备500操作所需的各种程序和数据。处理装置501、rom 502以及ram 503通过总线504彼此相连。编辑/输出(i/o)接口505也连接至总线504。
130.通常，以下装置可以连接至i/o接口505：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置506；包括例如液晶显示器(lcd)、扬声器、振动器等的输出装置507；包括例如磁带、硬盘等的存储装置508；以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备500，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
131.特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置509从网络上被下载和安装，或者从存储装
置508被安装，或者从rom 502被安装。在该计算机程序被处理装置501执行时，执行本公开实施例的方法中限定的上述功能。
132.本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
133.本公开实施例提供的电子设备与上述实施例提供的视频转码方法属于同一发明构思，未在本实施例中详尽描述的技术细节可参见上述实施例，并且本实施例与上述实施例具有相同的有益效果。
134.本公开实施例提供了一种计算机存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述实施例所提供的视频转码方法。
135.需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、rf(射频)等等，或者上述的任意合适的组合。
136.在一些实施方式中，客户端、服务器可以利用诸如http(hypertext transfer protocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“lan”)，广域网(“wan”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
137.上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
138.上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：
139.上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取待转码的目标视频；对所述目标视频未来所处于的视频状态进行预测，获得所述目标视频对应的状态预测结果；若所述状态预测结果为可见状态，则对所述目标视频进行热度预测，确定所述目标视频对应的第一热度预测结果；若所述第一热度预测结果为热视频，则对所述目标视频进行高压缩率转码。
140.可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算
机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如java、smalltalk、c ，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
141.附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
142.描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定，例如，第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。
143.本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、片上系统(soc)、复杂可编程逻辑设备(cpld)等等。
144.在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
145.根据本公开的一个或多个实施例，【示例一】提供了一种视频转码方法，包括：
146.获取待转码的目标视频；
147.对所述目标视频未来所处于的视频状态进行预测，获得所述目标视频对应的状态预测结果；
148.若所述状态预测结果为可见状态，则对所述目标视频进行热度预测，确定所述目标视频对应的第一热度预测结果；
149.若所述第一热度预测结果为热视频，则对所述目标视频进行高压缩率转码。
150.根据本公开的一个或多个实施例，【示例二】提供了一种视频转码方法，还包括：
151.可选的，所述对所述目标视频未来所处于的视频状态进行预测，获得所述目标视频对应的状态预测结果，包括：
152.获取目标视频投稿者在预设历史时间段内的投稿视频数量；
153.若所述投稿视频数量大于或等于视频数量阈值，则对所述目标视频未来所处于的视频状态进行预测，获得所述目标视频对应的状态预测结果。
154.根据本公开的一个或多个实施例，【示例三】提供了一种视频转码方法，还包括：
155.可选的，所述对所述目标视频未来所处于的视频状态进行预测，获得所述目标视频对应的状态预测结果，包括：
156.基于视频预测网络模型，对所述目标视频未来是否处于非可见状态进行预测，确定所述目标视频对应的第一非可见概率；
157.根据目标视频投稿者在预设历史时间段内的投稿视频数量和当前处于可见状态的正常视频数量，确定所述目标视频对应的第二非可见概率；
158.根据所述第一非可见概率和/或所述第二非可见概率，确定所述目标视频对应的目标非可见概率；
159.基于非可见概率阈值和所述目标非可见概率，确定所述目标视频对应的状态预测结果。
160.根据本公开的一个或多个实施例，【示例四】提供了一种视频转码方法，还包括：
161.可选的，所述视频预测网络模型为时间序列预测模型；
162.所述基于视频预测网络模型，对所述目标视频未来是否处于非可见状态进行预测，确定所述目标视频对应的第一非可见概率，包括：
163.获取所述目标视频对应的目标视频特征信息、目标视频投稿者对应的历史视频序列特征信息和目标视频投稿者特征信息；
164.将所述目标视频特征信息、所述历史视频序列特征信息和所述目标视频投稿者特征信息输入至所述时间序列预测模型中，对所述目标视频未来是否处于非可见状态进行预测；
165.根据所述时间序列预测模型的输出，确定所述目标视频对应的第一非可见概率。
166.根据本公开的一个或多个实施例，【示例五】提供了一种视频转码方法，还包括：
167.可选的，所述时间序列预测模型包括：序列网络子模型、深度网络子模型和全连接网络子模型；
168.所述将所述目标视频特征信息、所述历史视频序列特征信息和所述目标视频投稿者特征信息输入至所述时间序列预测模型中，对所述目标视频未来是否处于非可见状态进行预测，包括：
169.将所述历史视频序列特征信息输入至所述序列网络子模型中进行时间序列信息处理，获得第一特征信息；
170.将所述目标视频特征信息和和所述目标视频投稿者特征信息输入至所述深度网络子模型中进行深度信息的处理，获得第二特征信息；
171.将所述第一特征信息和所述第二特征信息输入至所述全连接网络子模型中全连接线性处理，获得所述目标视频未来处于非可见状态的第一非可见概率。
172.根据本公开的一个或多个实施例，【示例六】提供了一种视频转码方法，还包括：
173.可选的，所述方法还包括：
174.若所述状态预测结果为非可见状态、所述第一热度预测结果为冷视频、或者所述投稿视频数量小于视频数量阈值，则获取所述目标视频的当前视频播放量；
175.若所述当前视频播放量大于或等于目标播放量阈值，则重新对所述目标视频进行热度预测，确定所述目标视频对应的第二热度预测结果；
176.若所述第二热度预测结果为热视频，则对所述目标视频进行高压缩率的转码。
177.根据本公开的一个或多个实施例，【示例七】提供了一种视频转码方法，还包括：
178.可选的，在所述状态预测结果为非可见状态、或者所述第一热度预测结果为冷视频时，还包括：
179.获取所述目标视频对应的目标非可见概率；
180.基于非可见概率与初始播放量阈值之间的对应关系和所述目标非可见概率，确定所述目标视频对应的目标播放量阈值；
181.其中，非可见概率与初始播放量阈值为正相关。
182.根据本公开的一个或多个实施例，【示例八】提供了一种视频转码方法，还包括：
183.可选的，所述方法还包括：
184.若所述第二热度预测结果为冷视频，或者对所述目标视频进行高压缩率的转码之后当前还存在未转码的高压缩率档位，则基于播放量阈值序列，对所述目标播放量阈值进行更新，并基于更新后的目标播放量阈值返回执行所述获取所述目标视频的当前视频播放量的操作。
185.根据本公开的一个或多个实施例，【示例九】提供了一种视频转码方法，还包括：
186.可选的，所述获取待转码的目标视频，包括：
187.获取新上传的投稿视频；
188.对所述投稿视频进行低压缩率转码，并将所述投稿视频作为待高压缩率转码的目标视频。
189.根据本公开的一个或多个实施例，【示例十】提供了一种视频转码装置，包括：
190.目标视频获取模块，用于获取待转码的目标视频；
191.视频状态预测模块，用于对所述目标视频未来所处于的视频状态进行预测，获得所述目标视频对应的状态预测结果；
192.热度预测模块，用于若所述状态预测结果为可见状态，则对所述目标视频进行热度预测，确定所述目标视频对应的第一热度预测结果；
193.视频转码模块，用于若所述第一热度预测结果为热视频，则对所述目标视频进行高压缩率转码。
194.以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
195.此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利
的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
196.尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。