视频的智能推荐方法及装置与流程

1.本发明涉及视频技术领域，尤其涉及一种视频的智能推荐方法及装置。


背景技术：

2.随着视频技术的快速发展，且基于内容丰富、体验感好等优点，越来越多的人喜欢通过浏览视频，娱乐生活、缓解压力、拓宽知识面等。
3.在实际应用中，平台往往是通过用户的历史视频浏览记录、性别或者年龄来向用户推荐相关视频。然而，实践发现，该视频推荐方式仅是推荐同一大类的视频，如：美食类、相亲类等，仍旧无法实现视频的精准推荐。可见，提出一种如何对用户的数据进行精准分析以提高视频的推荐精准性的技术方案显得尤为重要。


技术实现要素：

4.本发明提供了一种视频的智能推荐方法及装置，能够提高视频的推荐精准性。
5.为了解决上述技术问题，本发明第一方面公开了一种视频的智能推荐方法，所述方法包括：
6.分析用户针对采集到的多个视频中每个所述视频执行的至少一个行为数据，得到所述用户对每个所述视频的评分情况，并分析采集到的所有所述视频的文本，得到所有所述视频的相似情况；
7.根据所述用户对每个所述视频的评分情况以及所有所述视频的相似情况，确定所述用户对每个所述视频的喜好程度；
8.根据所有所述视频的喜好程度，从所有所述视频中筛选预设数量个第一视频，所有所述第一视频用于推荐至所述用户；
9.其中，每个所述第一视频的喜好程度大于所有所述视频中除所有所述第一视频之外的每个所述视频的喜好程度。
10.作为一种可选的实施方式，在本发明第一方面中，所述分析用户针对采集到的多个视频中每个所述视频执行的至少一个行为数据，得到所述用户对每个所述视频的评分情况，包括：
11.将采集到的用户对多个视频中每个所述视频执行的至少一个行为数据输入确定出的评分分析模型中进行分析；
12.获取所述评分分析模型输出的分析结果，作为所述用户对每个所述视频的评分情况；
13.以及，所述方法还包括：
14.确定多个样本用户所观看的多个用户样本视频中每个所述用户样本视频对应的训练集，每个所述用户样本视频对应的训练集包括每个所述用户样本视频的多个样本行为数据以及每个所述用户样本视频对应的评分情况，每个所述用户样本视频的多个样本行为数据包括视频观看时长、视频点赞次数、视频收藏情况、视频分享情况以及视频评价情况中
的一种或多种组合；
15.基于每个所述样本用户对应的每个所述用户样本视频的多个样本行为数据以及每个所述用户样本视频对应的评分情况，对确定出的基础评分分析模型执行训练操作，并确定训练后的所述基础评分分析模型，为确定出的评分分析模型。
16.作为一种可选的实施方式，在本发明第一方面中，所述分析采集到的所有所述视频的文本，得到所有所述视频的相似情况，包括：
17.将采集到的所有所述视频的文本输入确定出的视频相似模型中进行分析，并获取所述视频相似模型输出的分析结果，作为所有所述视频的相似情况；
18.以及，所述方法还包括：
19.基于采集到的视频训练集对确定出的词向量分析模型执行训练操作，得到训练后的词向量分析模型，所述视频训练集包括多个样本视频的文本；
20.基于训练后的所述词向量分析模型分析所有所述样本视频的文本，得到每个所述样本视频的文本的句子向量；
21.基于所有所述样本视频的文本的句子向量，确定所有所述样本视频的文本的相似矩阵，作为确定出的视频相似矩阵。
22.作为一种可选的实施方式，在本发明第一方面中，所述基于采集到的视频训练集对确定出的词向量分析模型执行训练操作，得到训练后的词向量分析模型，包括：
23.分别对采集到的视频训练集的每个样本视频的文本执行分词处理，得到执行分词操作后的每个所述样本视频的文本；
24.基于执行分词操作后的所有所述样本视频的文本，对确定出的词向量分析模型执行训练操作，得到训练后的词向量分析模型。
25.作为一种可选的实施方式，在本发明第一方面中，所述基于执行分词操作后的所有所述样本视频的文本，对确定出的词向量分析模型执行训练操作，得到训练后的词向量分析模型之前，所述方法还包括：
26.判断执行分词操作后的每个所述样本视频的文本中是否包含存在预设类型的词语的文本，当判断出不存在时，执行所述的基于执行分词操作后的所有所述样本视频的文本，对确定出的词向量分析模型执行训练操作，得到训练后的词向量分析模型的操作；
27.当判断出存在时，从存在所述预设类型的词语的每个所述样本视频的文本中删除所述类型的词语，得到不存在所述预设类型的词语的每个所述样本视频的文本，并执行所述的基于执行分词操作后的所有所述样本视频的文本，对确定出的词向量分析模型执行训练操作，得到训练后的词向量分析模型的操作。
28.作为一种可选的实施方式，在本发明第一方面中，所述根据所有所述视频的喜好程度，从所有所述视频中筛选预设数量个第一视频之后，所述方法还包括：
29.查询筛选出的每个所述第一视频对应的位置；
30.根据每个所述第一视频对应的位置，从所有所述第一视频中确定与所述用户对应的位置信息匹配的至少一个第二视频，所有所述第二视频用于推荐至所述用户。
31.作为一种可选的实施方式，在本发明第一方面中，所述方法还包括：
32.确定采集到的每个视频的其他信息，每个所述视频的其他信息包括每个所述视频的视频观看时长、视频点赞次数、视频收藏情况、视频分享情况以及视频评价情况中的一种
或多种组合；
33.基于每个所述视频包括的内容，计算每个所述视频的当前热门度；
34.根据每个所述视频的当前热门度，从所有所述视频中确定当前热门度大于等于确定出的热门度阈值的至少一个第三视频，所有所述第三视频用于推荐至所述用户。
35.作为一种可选的实施方式，在本发明第一方面中，所述方法还包括：
36.获取所述用户的信息，所述用户的信息包括所述用户的历史视频浏览记录和/或所述用户的属性信息，所述用户的属性信息包括所述用户的性别、性格、年龄、社会身份以及习惯爱好中的一种或多种组合；
37.根据获取到的所述用户的信息，对所有目标视频执行过滤操作，得到过滤后的目标视频集合，所述过滤后的目标视频集合用于推荐至所述用户；
38.其中，所述过滤后的目标视频集合包括至少一个视频。
39.本发明第二方面公开了一种视频的智能推荐装置，所述装置包括：
40.分析模块，用于分析用户针对采集到的多个视频中每个所述视频执行的至少一个行为数据，得到所述用户对每个所述视频的评分情况；
41.所述分析模块，还用于分析采集到的所有所述视频的文本，得到所有所述视频的相似情况；
42.确定模块，用于根据所述用户对每个所述视频的评分情况以及所有所述视频的相似情况，确定所述用户对每个所述视频的喜好程度；
43.筛选模块，用于根据所有所述视频的喜好程度，从所有所述视频中筛选预设数量个第一视频，所有所述第一视频用于推荐至所述用户；
44.其中，每个所述第一视频的喜好程度大于所有所述视频中除所有所述第一视频之外的每个所述视频的喜好程度。
45.作为一种可选的实施方式，在本发明第二方面中，所述分析模块分析用户针对采集到的多个视频中每个所述视频执行的至少一个行为数据，得到所述用户对每个所述视频的评分情况的方式具体为：
46.将采集到的用户对多个视频中每个所述视频执行的至少一个行为数据输入确定出的评分分析模型中进行分析；
47.获取所述评分分析模型输出的分析结果，作为所述用户对每个所述视频的评分情况；
48.以及，所述装置还包括：
49.所述确定模块，还用于确定多个样本用户所观看的多个用户样本视频中每个所述用户样本视频对应的训练集，每个所述用户样本视频对应的训练集包括每个所述用户样本视频的多个样本行为数据以及每个所述用户样本视频对应的评分情况，每个所述用户样本视频的多个样本行为数据包括视频观看时长、视频点赞次数、视频收藏情况、视频分享情况以及视频评价情况中的一种或多种组合；
50.第一训练模块，用于基于每个所述样本用户对应的每个所述用户样本视频的多个样本行为数据以及每个所述用户样本视频对应的评分情况，对确定出的基础评分分析模型执行训练操作；
51.所述确定模块，还用于确定训练后的所述基础评分分析模型，为确定出的评分分
析模型。
52.作为一种可选的实施方式，在本发明第二方面中，所述分析模块分析采集到的所有所述视频的文本，得到所有所述视频的相似情况的方式具体为：
53.将采集到的所有所述视频的文本输入确定出的视频相似模型中进行分析，并获取所述视频相似模型输出的分析结果，作为所有所述视频的相似情况；
54.以及，所述装置还包括：
55.第二训练模块，用于基于采集到的视频训练集对确定出的词向量分析模型执行训练操作，得到训练后的词向量分析模型，所述视频训练集包括多个样本视频的文本；
56.所述分析模块，还用于基于训练后的所述词向量分析模型分析所有所述样本视频的文本，得到每个所述样本视频的文本的句子向量；
57.所述确定模块，还用于基于所有所述样本视频的文本的句子向量，确定所有所述样本视频的文本的相似矩阵，作为确定出的视频相似矩阵。
58.作为一种可选的实施方式，在本发明第二方面中，所述第二训练模块，包括：
59.分词子模块，用于分别对采集到的视频训练集的每个样本视频的文本执行分词处理，得到执行分词操作后的每个所述样本视频的文本；
60.训练子模块，用于基于执行分词操作后的所有所述样本视频的文本，对确定出的词向量分析模型执行训练操作，得到训练后的词向量分析模型。
61.作为一种可选的实施方式，在本发明第二方面中，所述第二训练模块，还包括：
62.判断子模块，用于在所述训练子模块基于执行分词操作后的所有所述样本视频的文本，对确定出的词向量分析模型执行训练操作，得到训练后的词向量分析模型之前，判断执行分词操作后的每个所述样本视频的文本中是否包含存在预设类型的词语的文本，当判断出不存在时，触发所述训练子模块执行所述的基于执行分词操作后的所有所述样本视频的文本，对确定出的词向量分析模型执行训练操作，得到训练后的词向量分析模型的操作；
63.删除子模块，用于当所述判断子模块判断出存在时，从存在所述预设类型的词语的每个所述样本视频的文本中删除所述类型的词语，得到不存在所述预设类型的词语的每个所述样本视频的文本，并触发所述训练子模块执行所述的基于执行分词操作后的所有所述样本视频的文本，对确定出的词向量分析模型执行训练操作，得到训练后的词向量分析模型的操作。
64.作为一种可选的实施方式，在本发明第二方面中，所述装置还包括：
65.查询模块，用于在所述筛选模块根据所有所述视频的喜好程度，从所有所述视频中筛选预设数量个第一视频之后，查询筛选出的每个所述第一视频对应的位置；
66.所述确定模块，还用于根据每个所述第一视频对应的位置，从所有所述第一视频中确定与所述用户对应的位置信息匹配的至少一个第二视频，所有所述第二视频用于推荐至所述用户。
67.作为一种可选的实施方式，在本发明第二方面中，所述确定模块，还用于确定采集到的每个视频的其他信息，每个所述视频的其他信息包括每个所述视频的视频观看时长、视频点赞次数、视频收藏情况、视频分享情况以及视频评价情况中的一种或多种组合；
68.所述装置还包括：
69.计算模块，用于基于每个所述视频包括的内容，计算每个所述视频的当前热门度；
70.所述确定模块，还用于根据每个所述视频的当前热门度，从所有所述视频中确定当前热门度大于等于确定出的热门度阈值的至少一个第三视频，所有所述第三视频用于推荐至所述用户。
71.作为一种可选的实施方式，在本发明第二方面中，所述装置还包括：
72.获取模块，用于获取所述用户的信息，所述用户的信息包括所述用户的历史视频浏览记录和/或所述用户的属性信息，所述用户的属性信息包括所述用户的性别、性格、年龄、社会身份以及习惯爱好中的一种或多种组合；
73.滤除模块，用于根据获取到的所述用户的信息，对所有目标视频执行过滤操作，得到过滤后的目标视频集合，所述过滤后的目标视频集合用于推荐至所述用户；
74.其中，所述过滤后的目标视频集合包括至少一个视频。
75.本发明第三方面公开了另一种视频的智能推荐装置，所述装置包括：
76.存储有可执行程序代码的存储器；
77.与所述存储器耦合的处理器；
78.所述处理器调用所述存储器中存储的所述可执行程序代码，执行本发明第一方面公开的任意一种视频的智能推荐方法中的部分或全部步骤。
79.本发明第四方面公开了一种计算机存储介质，所述计算机存储介质存储有计算机指令，所述计算机指令被调用时，用于执行本发明第一方面公开的任意一种视频的智能推荐方法中的部分或全部步骤。
80.与现有技术相比，本发明实施例具有以下有益效果：
81.本发明实施例中，分析用户针对采集到的多个视频中每个视频执行的至少一个行为数据，得到用户对每个视频的评分情况，并分析采集到的所有视频的文本，得到所有视频的相似情况；根据用户对每个视频的评分情况以及所有视频的相似情况，确定用户对每个视频的喜好程度；根据所有视频的喜好程度，从所有视频中筛选预设数量个第一视频，所有第一视频用于推荐至用户；其中，每个第一视频的喜好程度大于所有视频中除所有第一视频之外的每个视频的喜好程度。可见，本发明通过对用户对采集到的视频所执行的行为数据进行自动分析得到的视频评分情况以及视频的相似情况进行分析，能够提高对视频的分析的精准性，获取到准确的用户对每个视频的喜好程度，并将喜好程度较大的视频推荐给用户，无需用户人工查找，能够提高视频的推荐精准性以及效率，有利于提升用户观看视频的体验，提升用户观看视频的粘度。
附图说明
82.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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。
83.图1是本发明实施例公开的一种视频的智能推荐方法的流程示意图；
84.图2是本发明实施例公开的另一种视频的智能推荐方法的流程示意图；
85.图3是本发明实施例公开的一种视频的智能推荐装置的结构示意图；
86.图4是本发明实施例公开的另一种视频的智能推荐装置的结构示意图；
87.图5是本发明实施例公开的又一种视频的智能推荐装置的结构示意图。
具体实施方式
88.为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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。
89.本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、装置、产品或端没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或端固有的其他步骤或单元。
90.在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
91.本发明公开了一种视频的智能推荐方法及装置，能够通过对用户对采集到的视频所执行的行为数据进行自动分析得到的视频评分情况以及视频的相似情况进行分析，能够提高对视频的分析的精准性，获取到准确的用户对每个视频的喜好程度，并将喜好程度较大的视频推荐给用户，无需用户人工查找，能够提高视频的推荐精准性以及效率，有利于提升用户观看视频的体验，提升用户观看视频的粘度。以下分别对本发明所描述的视频的智能推荐方法及装置进行详细的说明。
92.实施例一
93.请参阅图1，图1是本发明实施例公开的一种视频的智能推荐方法的流程示意图。其中，图1所描述的方法可以应用于智能推荐装置中，其中，智能推荐装置包括智能推荐服务器或者智能推荐平台，其中，该智能推荐装置可以集成在用户终端上，其中，用户终端包括但不限于智能手机(android手机、ios手机等)、智能电话号码手表、平板电脑、掌上电脑、车载电脑、台式电脑、上网本、个人数字助理(personal digital assistant，pda)、智能导航仪、移动互联网设备(mobile internet devices，mid)以及其他智能设备(如：设置有显示屏的智能冰箱设备、智能油烟机设备等)等能够观看视频的终端设备中的至少一种，本发明实施例不做限定。如图1所示，该视频的智能推荐方法可以包括以下操作：
94.101、分析用户针对采集到的多个视频中每个视频执行的至少一个行为数据，得到用户对每个视频的评分情况，并分析采集到的所有视频的文本，得到所有视频的相似情况。
95.本发明实施例中，采集到的多个视频包括用户已经观看的视频和用户未观看的视频，其中，针对用户未观看的视频，用户针对该视频执行的行为数据为空，即用户对该视频的评分情况为0；针对用户已经观看的视频，用户针对该视频执行的至少一个行为数据包括视频观看时长、视频点赞次数、视频分享情况、视频收藏情况以及视频评价情况中的一种或多种组合。这样采集到的用户对所观看的视频所执行的行为数据越多，越有利于提高视频的评分情况以及视频之间的相似情况的分析准确性以及效率，从而有利于提高用户对每个
视频的喜好程度的确定准确性，进而有利于提高视频的推荐精准性。
96.本发明实施例中，视频的文本包括视频的标题。进一步的，视频的文本还包括视频的页面其他文字描述和/或视频的音频内容。这样视频的文本包括的内容越多，越有利于提高视频的文本的分析精准性，从而越有利于提高视频之间的相似情况的分析准确性。
97.102、根据用户对每个视频的评分情况以及所有视频的相似情况，确定用户对每个视频的喜好程度。
98.103、根据所有视频的喜好程度，从所有视频中筛选预设数量个第一视频，所有第一视频用于推荐至用户；其中，每个第一视频的喜好程度大于所有视频中除所有第一视频之外的每个视频的喜好程度。
99.本发明实施例中，预设数量个可以理解为根据采集到的视频的数量决定，如：采集到的视频为1000个，则预设数量个可以为100个；预设数量个也可以理解为所有视频中喜好程度大于等于确定出的喜好程度阈值的视频的数量，如：采集到的视频为1000个，大于等于喜好程度阈值的视频个数为50，则预设数量个可以为50个。
100.可见，本发明实施例所描述的方法通过对用户对采集到的视频所执行的行为数据进行自动分析得到的视频评分情况以及视频的相似情况进行分析，能够提高对视频的分析的精准性，获取到准确的用户对每个视频的喜好程度，并将喜好程度较大的视频推荐给用户，无需用户人工查找，能够提高视频的推荐精准性以及效率，有利于提升用户观看视频的体验，提升用户观看视频的粘度。
101.在一个可选的实施例中，分析用户针对采集到的多个视频中每个视频执行的至少一个行为数据，得到用户对每个视频的评分情况，包括：
102.将采集到的用户对多个视频中每个视频执行的至少一个行为数据输入确定出的评分分析模型中进行分析；
103.获取评分分析模型输出的分析结果，作为用户对每个视频的评分情况；
104.以及，该方法还可以包括以下步骤：
105.确定多个样本用户所观看的多个用户样本视频中每个用户样本视频对应的训练集，每个用户样本视频对应的训练集包括每个用户样本视频的多个样本行为数据以及每个用户样本视频对应的评分情况，每个用户样本视频的多个样本行为数据包括但不限于视频观看时长、视频点赞次数、视频分享情况、视频收藏情况以及视频评价情况中的一种或多种组合；
106.基于每个样本用户对应的每个用户样本视频的多个样本行为数据以及每个用户样本视频对应的评分情况，对确定出的基础评分分析模型执行训练操作，并确定训练后的基础评分分析模型，为确定出的评分分析模型。
107.该可选的实施例中，确定出的评分分析模型为：
[0108][0109]unm
＝a1*b1 a2*b2 a3*b3 a4*b4 a5*b5[0110]
式中，u为基础评分分析模型，u
nm
为第n个样本用户所观看的第m个用户样本视频对
应的评分情况，其中，a1为视频观看时长/视频时长，b1为视频观看时长对应的分值，a2为视频点赞次数，b2为视频点赞次数对应的分值，a3为视频分享情况，b3为视频分享情况对应的分值，a4为视频收藏情况，b4为视频收藏情况对应的分值，a5为视频评价情况，b5为视频评价情况对应的情况，且n,m≥1。需要说明的是，u
nm
随用户对视频执行的行为数据的个数而定，并不限于前述提到的5个。
[0111]
该可选的实施例中，可选的，得到训练后的基础评分分析模型之后，进一步对训练后的基础评分分析模型中每个样本用户所观看的第m个用户样本视频对应的评分情况按行和/或列进行归一化处理，并将归一化后的基础评分分析模型作为确定出的评分分析模型。这样能够提高视频的评分分析模型的训练精准性。
[0112]
可见，该可选的实施例通过将采集到的用户对多个视频中每个视频执行的至少一个行为数据输入评分分析模型中进行分析，能够提高视频的行为数据的分析准确性以及效率，从而有利于提高视频的评分情况的确定准确性以及效率；以及通过样本用户对样本视频的行为数据与样本视频的评分情况，预先训练到合适的评分分析模型，有利于后续直接使用该评分分析模型对视频的行为数据进行分析。
[0113]
在另一个可选的实施例中，分析采集到的所有视频的文本，得到所有视频的相似情况，包括：
[0114]
将采集到的所有视频的文本输入确定出的视频相似模型中进行分析，并获取视频相似模型输出的分析结果，作为所有视频的相似情况；
[0115]
以及，该方法还可以包括以下步骤：
[0116]
基于采集到的视频训练集对确定出的词向量分析模型执行训练操作，得到训练后的词向量分析模型，视频训练集包括多个样本视频的文本；
[0117]
基于训练后的词向量分析模型分析所有样本视频的文本，得到每个样本视频的文本的句子向量；
[0118]
基于所有样本视频的文本的句子向量，确定所有样本视频的文本的相似矩阵，作为确定出的视频相似矩阵。
[0119]
该可选的实施例中，每个样本视频的文本的句子向量的计算方式为：
[0120][0121]hk
＝xk·
w；
[0122]
式中，s为每个样本视频的文本的句子向量，hk为每个样本视频的文本的第k个词的词向量，t为每个样本视频的文本的词的个数，xk为每个样本视频的文本的第k个词的one-hot向量；w为训练后的词向量分析模型的隐藏层权重矩阵。
[0123]
该可选的实施例中，可选的，确定出的视频相似矩阵中每两个样本视频的文本的句子向量之间的余弦相似度的计算公式为：
[0124][0125]
式中，similarity为每两个样本视频的文本的句子向量之间的余弦相似度，sj和s
j 1
为所有样本视频中的两个样本视频。通过计算两两样本视频的文本的句子向量之间的余弦相似度来表征两两样本视频的文本之间的相似性，其中，两两样本视频的文本之间的
句子向量之间的余弦相似度越大，则表示两两样本视频的文本之间越相似。
[0126]
可见，该可选的实施例将采集到的用户对多个视频中每个视频的文本输入视频相似模型中进行分析，能够提高视频的文本的分析准确性以及效率，从而有利于提高视频的相似情况的确定准确性以及效率；以及通过对样本视频的文本，预先训练到合适的视频相似模型，有利于后续直接使用该视频相似模型对视频的文本进行分析。
[0127]
在又一个可选的实施例中，基于采集到的视频训练集对确定出的词向量分析模型执行训练操作，得到训练后的词向量分析模型，包括：
[0128]
分别对采集到的视频训练集的每个样本视频的文本执行分词处理，得到执行分词操作后的每个样本视频的文本；
[0129]
基于执行分词操作后的所有样本视频的文本，对确定出的词向量分析模型执行训练操作，得到训练后的词向量分析模型。
[0130]
举例说明，样本视频的文本为：“这样做的麻辣卤味真的超好吃，简单又卫生#美食#家常菜@dou 小助手”，则执行分词操作后的每个样本视频的文本为：'这样'，'做'，'的'，'麻辣'，'卤味'，'真的'，'超'，'好吃'，'，'，'简单'，'又'，'卫生'，”，'#'，'美食'，”，”，'#'，'家常菜'，'@'，'dou'，' '，小'，'助手'。
[0131]
该可选的实施例中，执行分词操作后的每个样本视频的文本的每个词构成语料库，其中，语料库有v个词。确定出的词向量分析模型包括cbow模型和/或skip-gram模型。其中，本方案以cbow模型进行训练说明：cbow模型的滑动窗口为a，在cbow模型的输入层中输入语料库的c个上下文词的one-hot向量，其中，每个词的one-hot向量的维度为1*v，其中，v为所有样本视频的文本的词的数量；设定最终获得的每个词的词向量的维度为n，初始化cbow模型的输入层与隐藏层之间的权重矩阵w(维度为v*n)；将c个上下文词的每个词的one-hot向量xi与隐藏层权重矩阵w相乘，得到c个上下文词的向量(维度为1*n)；求c个上下文词的向量的平均向量，得到cbow模型的隐藏层的向量h(即词向量)，其中，cbow模型的隐藏层的词向量h的计算公式如下：
[0132][0133]
式中，i为c个上下文词中第i个词，且1≤i≤c，c＝2a；
[0134]
初始化cbow模型的隐藏层与输出层之间的权重矩阵w1(维度为n*v)；
[0135]
将cbow模型的隐藏层的词向量h与cbow模型的输出层权重矩阵w1相乘，得到维度为1*v的向量u，其中，公式为：
[0136]
u＝h
·
w1；
[0137]
将向量u经过损失函数(如softmax函数)处理，得到维度1*v的向量s，此时，向量s的每一维代表语料库中的所有词中的一个词，向量s中概率最大的位置所代表的词为cbow模型预测出的目标词z，其中，公式为：
[0138]
s＝(s1,s2,
…
,sv)；
[0139][0140]
式中，uc为向量u中的第c个词的向量，ud为向量u中第d个词的向量，sc为向量s中第c个词的向量，其中，1≤c、d≤v。基于损失函数(如交叉熵损失函数)，计算cbow模型的输出
向量s与目标词z的one-hot向量之间的损失值，并基于cbow模型的输出向量s与目标词z的one-hot向量之间的损失值更新网络参数w和w1，直至cbow模型收敛。
[0141]
可见，该可选的实施例通过对采集到的样本视频的文本先进行分词处理，方进行词向量分析模型的训练，能够提高词向量分析模型的训练效率以及准确性。
[0142]
在又一个可选的实施例中，基于执行分词操作后的所有样本视频的文本，对确定出的词向量分析模型执行训练操作，得到训练后的词向量分析模型之前，该方法还可以包括以下步骤：
[0143]
判断执行分词操作后的每个样本视频的文本中是否包含存在预设类型的词语的文本，当判断出不存在时，执行的基于执行分词操作后的所有样本视频的文本，对确定出的词向量分析模型执行训练操作，得到训练后的词向量分析模型的操作；
[0144]
当判断出存在时，从存在预设类型的词语的每个样本视频的文本中删除类型的词语，得到不存在预设类型的词语的每个样本视频的文本，并执行上述的基于执行分词操作后的所有样本视频的文本，对确定出的词向量分析模型执行训练操作，得到训练后的词向量分析模型的操作。
[0145]
该可选的实施例中，可选的，不同的视频平台，可以对应不同预设类型的词语，如：抖音平台的视频，对应的预设类型的词语包括抖音、助手、抖音助手、我要、热门、小抖音、dou、dou、小助手等。
[0146]
举例来说，执行分词操作后的每个样本视频的文本为：'这样'，'做'，'的'，'麻辣'，'卤味'，'真的'，'超'，'好吃'，'，'，'简单'，'又'，'卫生'，”，'#'，'美食'，”，”，'#'，'家常菜'，'@'，'dou'，' '，小'，'助手'，则删除预设类型的词后的文本为：'做'，'麻辣'，'卤味'，'真的'，'超'，'好吃'，'简单'，'卫生'，'美食'，'家常菜'。
[0147]
可见，该可选的实施例当判断出样本视频的文本中存在不相关词语之后，先删除不相关词语，再进行词向量分析模型的训练，能够减少由于不相关词语参与词向量分析模型的训练的发生情况，以及减少数据量，从而提高词向量分析模型的训练效率以及准确性。
[0148]
在又一个可选的实施例中，该方法还可以包括以下操作：
[0149]
获取用户的信息，用户的信息包括用户的历史视频浏览记录和/或用户的属性信息，用户的属性信息包括用户的性别、性格、年龄、社会身份以及习惯爱好中的一种或多种组合，其中，社会省份包括学生身份、职业身份(如：白领身份、蓝领身份等)以及家庭住家身份(如：家庭主妇身份)中的其中一种；
[0150]
根据获取到的用户的信息，对所有目标视频执行过滤操作，得到过滤后的目标视频集合，过滤后的目标视频集合用于推荐至用户；
[0151]
其中，过滤后的目标视频集合包括至少一个视频。
[0152]
该可选的实施例中，目标视频包括本方案中的第一视频、第二视频以及第三视频中的一种或多种组合。
[0153]
该可选的实施例中，可选的，过滤后的目标视频集合包括的视频为用户已经浏览过的视频或者与用户的属性信息(如：年龄)不匹配的视频。
[0154]
可见，该可选的实施例在获取到对应的视频之后，进一步对获取到的视频执行过滤操作，能够提高获取到符合用户的视频的准确性，从而进一步提高视频的推荐精准性。
[0155]
实施例二
[0156]
请参阅图2，图2是本发明实施例公开的另一种视频的智能推荐方法的流程示意图。其中，图2所描述的方法可以应用于智能推荐装置中，其中，智能推荐装置包括智能推荐服务器或者智能推荐平台，其中，该智能推荐装置可以集成在用户终端上，其中，用户终端包括但不限于智能手机(android手机、ios手机等)、智能电话号码手表、平板电脑、掌上电脑、车载电脑、台式电脑、上网本、个人数字助理(personal digital assistant，pda)、智能导航仪、移动互联网设备(mobile internet devices，mid)以及其他智能设备(如：设置有显示屏的智能冰箱设备、智能油烟机设备等)等能够观看视频的终端设备中的至少一种，本发明实施例不做限定。如图2所示，该视频的智能推荐方法可以包括以下操作：
[0157]
201、分析用户针对采集到的多个视频中每个视频执行的至少一个行为数据，得到用户对每个视频的评分情况，并分析采集到的所有视频的文本，得到所有视频的相似情况。
[0158]
202、根据用户对每个视频的评分情况以及所有视频的相似情况，确定用户对每个视频的喜好程度。
[0159]
203、根据所有视频的喜好程度，从所有视频中筛选预设数量个第一视频，所有第一视频用于推荐至用户；其中，每个第一视频的喜好程度大于所有视频中除所有第一视频之外的每个视频的喜好程度。
[0160]
204、查询筛选出的每个第一视频对应的位置。
[0161]
本发明实施例中，每个第一视频对应的位置包括每个第一视频的文本所携带的用于表示位置信息的位置和/或每个第一视频的用户上传视频时定位到的位置。
[0162]
205、根据每个第一视频对应的位置，从所有第一视频中确定与用户对应的位置信息匹配的至少一个第二视频，所有第二视频用于推荐至用户。
[0163]
本发明实施例中，用户对应的位置信息包括用户当前的位置信息(如用户此刻在大屏冰箱旁边，则用户当前的位置信息为大屏冰箱所在位置的位置信息)、用户家庭所在位置的位置信息以及用户工作所在位置的位置信息中的一种或多种组合。
[0164]
以及，该方法还可以包括以下步骤：
[0165]
206、确定采集到的每个视频的其他信息，每个视频的其他信息包括每个视频的视频观看时长、视频点赞次数、视频收藏情况、视频分享情况以及视频评价情况中的一种或多种组合。
[0166]
207、基于每个视频包括的内容，计算每个视频的当前热门度。
[0167]
208、根据每个视频的当前热门度，从所有视频中确定当前热门度大于等于确定出的热门度阈值的至少一个第三视频，所有第三视频用于推荐至用户。
[0168]
需要说明的是，步骤206和步骤208可以发生在上述的根据获取到的用户的信息，对所有目标视频执行过滤操作，得到过滤后的目标视频集合的步骤之前的任何步骤之前或之间。
[0169]
本发明实施例中，需要说明的是，针对步骤201-步骤203的相关描述，请参阅实施例一中针对步骤101-步骤103的详细描述，本发明实施例不再赘述。
[0170]
可见，本发明实施例还能够在得到用户喜好程度较大的视频之后，进一步从中挑选出与用户的当前位置、住宅位置以及工作所在位置等匹配的视频推荐给用户，能够进一步提高视频的推荐精准性，有利于用户观看其周围所对应的视频，有利于用户快速高效的了解周边的情况和/或根据自己的实际需求选择对应的服务，如参加教育机构的培训等，进
一步提升用户的体验感，从而提高用户的使用粘度；进一步的，从用户喜好程度较大的视频或与用户对应的位置匹配的视频中选择当前比较热门的视频推荐给用户，有利于用户通过当下热门的视频及时了解到当前热门事情，进一步提升用户的体验感。
[0171]
可见，本发明实施例通过对用户对采集到的视频所执行的行为数据进行自动分析得到的视频评分情况以及视频的相似情况进行分析，能够提高对视频的分析的精准性，获取到准确的用户对每个视频的喜好程度，并将喜好程度较大的视频推荐给用户，无需用户人工查找，能够提高视频的推荐精准性以及效率，有利于提升用户观看视频的体验，提升用户观看视频的粘度。此外，还能够进一步提高视频的推荐精准性，有利于用户观看其周围所对应的视频，有利于用户快速高效的了解周边的情况和/或根据自己的实际需求选择对应的服务，如参加教育机构的培训等；还有利于用户通过当下热门的视频及时了解到当前热门事情，进一步提升用户的体验感。
[0172]
在一个可选的实施例中，该方法还可以包括以下步骤：
[0173]
根据每个视频的文本分析每个视频的类型，并采集用户的目标情况；
[0174]
根据用户的目标情况，分析用户对每种类型的视频的需求情况；
[0175]
根据用户对每种类型的视频的需求情况，修正每个视频的喜好程度，得到修正后的喜好程度，并触发执行上述的根据所有视频的喜好程度，从所有视频中筛选预设数量个第一视频，所有第一视频用于推荐至用户的操作。
[0176]
该可选的实施例中，用户的目标情况包括用户的身体情况、用户的心情情况、用户的安排事项信息中的一种或多种。其中，用户的身体情况包括感冒、发烧、头晕、体寒、牙疼等中的一种或多种；用户的心情情况包括开心、郁闷、难受以及低落等中的一种或多种；用户的安排事项信息包括旅游安排、学习安排、美食安排、健身安排、就医安排以及工作安排等一种或多种。例如：用户最近有看牙医的安排，则提高针对牙医相关视频的喜好程度。
[0177]
该可选的实施例中，可选的，视频的类型包括但不限于美食类、教育类、旅游类、健身类、娱乐类、时事类、体育类、养生类以及就医类中的至少一种。
[0178]
可见，该可选的实施例在确定出用户对每个视频的喜好程度之后，进一步基于采集到的用户的身体情况、心情情况、安排事项等分析出的用户对每种类型的视频的需求情况修正用户对每个视频的喜好程度，能够提高用户对每个视频的喜好程度的确定精准性以及可靠性，从而进一步提高用户所匹配的视频的推荐精准性。
[0179]
在另一个可选的实施例中，该方法还可以包括以下步骤：
[0180]
当用户的目标情况包括用户的安排事项信息时，根据用户的安排事项信息确定用户所需前往的目的地以及前往目的地所需处理的事项；
[0181]
根据用户所需前往的目的地以及前往目的地所需处理的事项，从所有第一视频中选择与用户所需处理的事项相匹配且位置在用户所需前往的目的地的至少一个视频，该所有视频用于推荐给用户。
[0182]
举例来说，用户的行程安排表示a接下来要到商场a进行购物买衣服，则推荐商场a中售卖与用户的年龄以及身份相匹配的衣服的店铺的视频给用户。
[0183]
可见，该可选的实施例通过结合用户所需前往的目的地以及所需处理的事项推荐视频，以便于用户通过匹配的视频了解所需前往的目的地的情况，从而有便于用户处理其所需处理的事项，有利于提高用户处理其所需处理的事项的效率以及准确性，进一步提升
用户的体验感。
[0184]
在又一个可选的实施例中，该方法还可以包括以下步骤：
[0185]
在用户前往所需前往的目的地的过程中，监测用户的实时位置，当用户的实时位置与目的地之间的间隔距离值小于等于预设距离值阈值时，向用户输出视频查看提示，该视频查看提示用于提示用户查看从所有第一视频中选择的与用户所需处理的事项相匹配且位置在用户所需前往的目的地的至少一个视频；
[0186]
在检测到用户打开对应的视频页面之后，向用户依次推荐从所有第一视频中选择的与用户所需处理的事项相匹配且位置在用户所需前往的目的地的至少一个视频。
[0187]
可见，该可选的实施例还能够结合用户的实时位置与所需前往的目的地之间的间隔距离值，自动提醒并推荐用户查看与所需前往的目的地以及所需处理的事项匹配的视频，能够减少由于用户提前观看与所需前往的目的地以及所需处理的事项匹配的视频但可能忘记或者记不清视频的内容而导致无法及时处理所需处理的事情的发生情况，进一步提高视频的推荐精准性，进一步提高用户处理其所需处理的事项的效率以及准确性，进一步提升用户的体验感。
[0188]
实施例三
[0189]
请参阅图3，图3是本发明实施例公开的一种视频的智能推荐装置的结构示意图。其中，图3所描述的装置可以包括智能推荐服务器或者智能推荐平台，其中，该智能推荐装置可以集成在用户终端上，其中，用户终端包括但不限于智能手机(android手机、ios手机等)、智能电话号码手表、平板电脑、掌上电脑、车载电脑、台式电脑、上网本、个人数字助理(personal digital assistant，pda)、智能导航仪、移动互联网设备(mobile internet devices，mid)以及其他智能设备(如：设置有显示屏的智能冰箱设备、智能油烟机设备等)等能够观看视频的终端设备中的至少一种，本发明实施例不做限定。如图3所示，该视频的智能推荐装置可以包括：
[0190]
分析模块301，用于分析用户针对采集到的多个视频中每个视频执行的至少一个行为数据，得到用户对每个视频的评分情况。
[0191]
分析模块301，还用于分析采集到的所有视频的文本，得到所有视频的相似情况。
[0192]
确定模块302，用于根据用户对每个视频的评分情况以及所有视频的相似情况，确定用户对每个视频的喜好程度。
[0193]
筛选模块303，用于根据所有视频的喜好程度，从所有视频中筛选预设数量个第一视频，所有第一视频用于推荐至用户；其中，每个第一视频的喜好程度大于所有视频中除所有第一视频之外的每个视频的喜好程度。
[0194]
可见，实施图3所描述的装置能够通过对用户对采集到的视频所执行的行为数据进行自动分析得到的视频评分情况以及视频的相似情况进行分析，能够提高对视频的分析的精准性，获取到准确的用户对每个视频的喜好程度，并将喜好程度较大的视频推荐给用户，无需用户人工查找，能够提高视频的推荐精准性以及效率，有利于提升用户观看视频的体验，提升用户观看视频的粘度。
[0195]
在一个可选的实施例中，分析模块301分析用户针对采集到的多个视频中每个视频执行的至少一个行为数据，得到用户对每个视频的评分情况的方式具体为：
[0196]
将采集到的用户对多个视频中每个视频执行的至少一个行为数据输入确定出的
评分分析模型中进行分析；
[0197]
获取评分分析模型输出的分析结果，作为用户对每个视频的评分情况；
[0198]
以及，如图4所示，确定模块302，还用于确定多个样本用户所观看的多个用户样本视频中每个用户样本视频对应的训练集，每个用户样本视频对应的训练集包括每个用户样本视频的多个样本行为数据以及每个用户样本视频对应的评分情况，每个用户样本视频的多个样本行为数据包括视频观看时长、视频点赞次数、视频收藏情况、视频分享情况以及视频评价情况中的一种或多种组合。
[0199]
第一训练模块304，用于基于每个样本用户对应的每个用户样本视频的多个样本行为数据以及每个用户样本视频对应的评分情况，对确定出的基础评分分析模型执行训练操作。
[0200]
确定模块302，还用于确定训练后的基础评分分析模型，为确定出的评分分析模型。
[0201]
可见，实施图4所描述的装置通过将采集到的用户对多个视频中每个视频执行的至少一个行为数据输入评分分析模型中进行分析，能够提高视频的行为数据的分析准确性以及效率，从而有利于提高视频的评分情况的确定准确性以及效率；以及通过样本用户对样本视频的行为数据与样本视频的评分情况，预先训练到合适的评分分析模型，有利于后续直接使用该评分分析模型对视频的行为数据进行分析。
[0202]
在另一个可选的实施例中，分析模块301分析采集到的所有视频的文本，得到所有视频的相似情况的方式具体为：
[0203]
将采集到的所有视频的文本输入确定出的视频相似模型中进行分析，并获取视频相似模型输出的分析结果，作为所有视频的相似情况。
[0204]
以及，如图4所示，该装置还包括：
[0205]
第二训练模块305，用于基于采集到的视频训练集对确定出的词向量分析模型执行训练操作，得到训练后的词向量分析模型，视频训练集包括多个样本视频的文本。
[0206]
分析模块301，还用于基于训练后的词向量分析模型分析所有样本视频的文本，得到每个样本视频的文本的句子向量。
[0207]
确定模块302，还用于基于所有样本视频的文本的句子向量，确定所有样本视频的文本的相似矩阵，作为确定出的视频相似矩阵。
[0208]
可见，实施图4所描述的装置还能够通过将采集到的用户对多个视频中每个视频的文本输入视频相似模型中进行分析，能够提高视频的文本的分析准确性以及效率，从而有利于提高视频的相似情况的确定准确性以及效率；以及通过对样本视频的文本，预先训练到合适的视频相似模型，有利于后续直接使用该视频相似模型对视频的文本进行分析。
[0209]
在又一个可选的实施例中，如图4所示，第二训练模块305包括：
[0210]
分词子模块3051，用于分别对采集到的视频训练集的每个样本视频的文本执行分词处理，得到执行分词操作后的每个样本视频的文本。
[0211]
训练子模块3052，用于基于执行分词操作后的所有样本视频的文本，对确定出的词向量分析模型执行训练操作，得到训练后的词向量分析模型。
[0212]
可见，实施图4所描述的装置还能够通过对采集到的样本视频的文本先进行分词处理，方进行词向量分析模型的训练，能够提高词向量分析模型的训练效率以及准确性。
[0213]
作为一种可选的实施方式，在本发明第二方面中，第二训练模块305，还包括：
[0214]
判断子模块3053，用于在训练子模块3052基于执行分词操作后的所有样本视频的文本，对确定出的词向量分析模型执行训练操作，得到训练后的词向量分析模型之前，判断执行分词操作后的每个样本视频的文本中是否包含存在预设类型的词语的文本，当判断出不存在时，触发训练子模块3052执行上述的基于执行分词操作后的所有样本视频的文本，对确定出的词向量分析模型执行训练操作，得到训练后的词向量分析模型的操作。
[0215]
删除子模块3054，用于当判断子模块3053判断出存在时，从存在预设类型的词语的每个样本视频的文本中删除类型的词语，得到不存在预设类型的词语的每个样本视频的文本，并触发训练子模块3052执行上述的基于执行分词操作后的所有样本视频的文本，对确定出的词向量分析模型执行训练操作，得到训练后的词向量分析模型的操作。
[0216]
可见，实施图4所描述的装置还能够当判断出样本视频的文本中存在不相关词语之后，先删除不相关词语，再进行词向量分析模型的训练，能够减少由于不相关词语参与词向量分析模型的训练的发生情况，以及减少数据量，从而提高词向量分析模型的训练效率以及准确性。
[0217]
在又一个可选的实施例中，如图4所示，该装置还可以包括：
[0218]
查询模块306，用于在筛选模块303根据所有视频的喜好程度，从所有视频中筛选预设数量个第一视频之后，查询筛选出的每个第一视频对应的位置。
[0219]
确定模块302，还用于根据每个第一视频对应的位置，从所有第一视频中确定与用户对应的位置信息匹配的至少一个第二视频，所有第二视频用于推荐至用户。
[0220]
可见，实施图4所描述的装置还能够在得到用户喜好程度较大的视频之后，进一步从中挑选出与用户的当前位置、住宅位置以及工作所在位置等匹配的视频推荐给用户，能够进一步提高视频的推荐精准性，有利于用户观看其周围所对应的视频，有利于用户快速高效的了解周边的情况和/或根据自己的实际需求选择对应的服务，如参加教育机构的培训等，进一步提升用户的体验感，从而提高用户的使用粘度
[0221]
在又一个可选的实施例中，如图4所示，确定模块302，还用于确定采集到的每个视频的其他信息，每个视频的其他信息包括每个视频的视频观看时长、视频点赞次数、视频收藏情况、视频分享情况以及视频评价情况中的一种或多种组合。
[0222]
如图4所示，该装置还包括：
[0223]
计算模块307，用于基于每个视频包括的内容，计算每个视频的当前热门度。
[0224]
确定模块302，还用于根据每个视频的当前热门度，从所有视频中确定当前热门度大于等于确定出的热门度阈值的至少一个第三视频，所有第三视频用于推荐至用户。
[0225]
可见，实施图4所描述的装置还能够通过从用户喜好程度较大的视频或与用户对应的位置匹配的视频中选择当前比较热门的视频推荐给用户，有利于用户通过当下热门的视频及时了解到当前热门事情，进一步提升用户的体验感。
[0226]
在又一个可选的实施例中，如图4所示，该装置还包括：
[0227]
获取模块308，用于获取用户的信息，用户的信息包括用户的历史视频浏览记录和/或用户的属性信息，用户的属性信息包括用户的性别、性格、年龄、社会身份以及习惯爱好中的一种或多种组合。
[0228]
滤除模块309，用于根据获取到的用户的信息，对所有目标视频执行过滤操作，得
到过滤后的目标视频集合，过滤后的目标视频集合用于推荐至用户。
[0229]
其中，过滤后的目标视频集合包括至少一个视频。
[0230]
可见，实施图4所描述的装置还能够在获取到对应的视频之后，进一步对获取到的视频执行过滤操作，能够提高获取到符合用户的视频的准确性，从而进一步提高视频的推荐精准性。
[0231]
实施例四
[0232]
请参阅图5，图5是本发明实施例公开的又一种视频的智能推荐装置的结构示意图。其中，图5所描述的装置可以智能推荐服务器或者智能推荐平台，其中，该智能推荐装置可以集成在用户终端上，其中，用户终端包括但不限于智能手机(android手机、ios手机等)、智能电话号码手表、平板电脑、掌上电脑、车载电脑、台式电脑、上网本、个人数字助理(personal digital assistant，pda)、智能导航仪以及移动互联网设备(mobile internet devices，mid)等能够观看视频的终端设备中的至少一种，本发明实施例不做限定。如图5所示，该视频的智能推荐装置可以包括：
[0233]
存储有可执行程序代码的存储器401；
[0234]
与存储器401耦合的处理器402；
[0235]
进一步的，还可以包括与处理器402耦合的输入接口403和输出接口404；
[0236]
其中，处理器402调用存储器402中存储的可执行程序代码，执行本发明实施例一或实施例二公开的视频的智能推荐方法中部分或全部的步骤。
[0237]
实施例五
[0238]
本发明实施例公开了一种计算机存储介质，该计算机存储介质存储有计算机指令，该计算机指令被调用时，用于执行本发明实施例一或实施例二公开的视频的智能推荐方法中部分或全部的步骤。
[0239]
以上所描述的装置实施例仅是示意性的，其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。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。
[0240]
通过以上的实施例的具体描述，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,存储介质包括只读存储器(read-only memory，rom)、随机存储器(random access memory，ram)、可编程只读存储器(programmable read-only memory，prom)、可擦除可编程只读存储器(erasable programmable read only memory，eprom)、一次可编程只读存储器(one-time programmable read-only memory，otprom)、电子抹除式可复写只读存储器(electrically-erasable programmable read-only memory，eeprom)、只读光盘(compact disc read-only memory，cd-rom)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
[0241]
最后应说明的是：本发明实施例公开的一种视频的智能推荐方法及装置所揭露的
仅为本发明较佳实施例而已，仅用于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项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；而这些修改或替换，并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。