视频推荐方法及装置与流程

1.本发明涉及计算机技术领域，尤其涉及一种视频推荐方法及装置。


背景技术：

2.随着互联网技术的发展，越来越多的用户喜欢观看网络上的视频，由于视频能够高效地传递图像和声音信息，满足人们的视觉和听觉感官，可以在教育、艺术、社交和娱乐方面发挥较大的作用，如何根据用户的喜好或者需求来给用户推荐合适的视频，成为值得研究的问题。
3.目前给用户推荐视频的方法，规则相对固定，推荐机制单一，推荐结果准确度较差，难以符合用户实时变化的喜好。


技术实现要素：

4.本发明提供一种视频推荐方法及装置，用以解决现有技术中给用户推荐视频的方法，规则相对固定，推荐机制单一，推荐结果准确度较差，难以符合用户实时变化的喜好的缺陷，实现提升运算效率，给用户更加精准地推荐视频，能够更加准确地满足用户对视频实时变化的喜好。
5.本发明提供一种视频推荐方法，该视频推荐方法包括：获取当前用户的初始状态概率向量，以及所述当前用户从当前视频转移到未观看视频的转移概率矩阵；基于所述初始状态概率向量和所述转移概率矩阵，确定所述当前用户从所述当前视频转移到每一未观看视频的状态概率向量；基于所有的状态概率向量和所述当前用户的类别标签，预测所述当前用户的待推荐视频。
6.根据本发明提供的视频推荐方法，所述获取所述当前用户从当前视频转移到未观看视频的转移概率矩阵，包括：获取所述当前用户对所述当前视频的喜好状态、其他用户对所述当前视频的喜好状态以及其他用户对未观看视频的喜好状态；基于所述当前用户对所述当前视频的喜好状态、其他用户对所述当前视频的喜好状态以及其他用户对未观看视频的喜好状态，确定所述当前用户从当前视频转移到未观看视频的转移概率矩阵。
7.根据本发明提供的视频推荐方法，所述基于所述初始状态概率向量和所述转移概率矩阵，确定所述当前用户从所述当前视频转移到每一未观看视频的状态概率向量，包括：基于所述初始状态概率向量和所述转移概率矩阵，构建马尔科夫学习链；基于所述马尔科夫学习链，确定所述当前用户从所述当前视频转移到每一未观看视频的状态概率向量。
8.根据本发明提供的视频推荐方法，所述当前用户的类别标签的获取步骤包括：获取多个用户的参考行为信息，并统计所述参考行为信息中的离散型变量的数量和连续型变量的数量；基于所述离散型变量的数量，确定衍生特征和变量类别标签；基于所述连续型变量、所述离散型变量、所述衍生特征和所述变量类别标签，构建随机森林模型；将所述参考行为信息输入至所述随机森林模型，得到所述随机森林模型输出的所述变量类别标签。
9.根据本发明提供的视频推荐方法，所述基于所述离散型变量的数量，确定衍生特
征和变量类别标签，包括：对大于离散值数量阈值的所述离散型变量进行衍生处理，得到所述衍生特征；对小于所述离散值数量阈值的所述离散型变量进行聚类处理，得到所述变量类别标签。
10.根据本发明提供的视频推荐方法，所述获取所述当前用户的初始状态概率向量，包括：获取所述当前用户的历史浏览数据；基于朴素贝叶斯算法，确定所述初始状态概率向量。
11.根据本发明提供的视频推荐方法，基于所述当前用户的类别标签和所述状态概率向量，预测所述当前用户的待推荐视频，包括：获取每一未观看视频的视频类别标签；基于所述当前用户的类别标签、所述状态概率向量以及所述视频类别标签，从多个未观看视频中确定所述待推荐视频。
12.根据本发明提供的视频推荐方法，所述获取每一未观看视频的视频类别标签，包括：从多个未观看视频中提取字幕信息；对所述字幕信息进行聚类处理，得到参考标签，并基于所述参考标签构建参考标签数据集；基于所述参考标签数据集的关联规则，确定每一未观看视频的所述视频类别标签。
13.本发明还提供一种视频推荐装置，该视频推荐装置包括：第一获取模块，用于获取所述当前用户的初始状态概率向量；第二获取模块，用于获取所述当前用户从当前视频转移到未观看视频的转移概率矩阵；确定模块，用于基于所述初始状态概率向量和所述转移概率矩阵，确定所述当前用户从所述当前视频转移到每一未观看视频的状态概率向量；预测模块，用于基于所述当前用户的类别标签和所述状态概率向量，预测所述当前用户的待推荐视频。
14.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。
15.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。
16.本发明还提供一种计算机程序产品，包括计算机程序，所述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。
17.本发明提供的视频推荐方法及装置，通过根据当前用户的目标特征信息确定当前用户的类别标签，基于初始状态概率向量和转移概率矩阵，确定状态概率向量，根据当前用户的类别标签和状态概率向量，预测当前用户的待推荐视频，能够提升运算效率，给用户更加精准地推荐视频，能够更加准确地满足用户对视频实时变化的喜好。
附图说明
18.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一简单地介绍，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。
19.图1是本发明提供的视频推荐方法的流程示意图；
20.图2是本发明提供的视频推荐装置的结构示意图；
21.图3是本发明提供的电子设备的结构示意图。
具体实施方式
22.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。
23.下面结合图1至图3描述本发明的视频推荐方法及装置。
24.如图1所示，本发明提供一种视频推荐方法，该视频推荐方法包括如下步骤110至步骤130。
25.其中，步骤110、获取当前用户的初始状态概率向量，以及当前用户从当前视频转移到未观看视频的转移概率矩阵；
26.可以理解的是，该视频推荐方法可以应用于电子设备中，电子设备可以为手机、平板电脑、笔记本电脑或者台式计算机。当前用户指的是视频推荐的对象，当前用户在使用电子设备时，应用本实施例的视频推荐方法可以向当前用户推荐视频。
27.初始状态概率向量可以包括：喜欢状态和不喜欢状态，初始状态概率向量以向量的形式表示，初始状态概率向量可以是基于当前用户的历史浏览数据提取到的，初始状态概率向量可以包括当前用户对当前视频的喜好状态。
28.与此同时，可以先获取当前用户的目标特征信息，并基于目标特征信息，确定当前用户的类别标签。当前用户的目标特征信息可以为用户对视频的观看或者点击特征，也就是从用户访问视频所形成的基于用户行为的特征变量。例如，当视频为教育类视频时，用户的目标特征信息可以包括：如孩子的年龄、所属班级、年级、学校和性别等用户基础属性；用户的目标特征信息还可以包括：如购买课程、课程评论次数、观看时长、观看次数，收藏课程和课程点赞等行为特征。
29.此处，可以根据当前用户的目标特征信息，来确定当前用户的类别标签，也就是根据当前用户在历史浏览过程中的操作行为，来给当前用户进行标记，判断当前用户属于哪一类人群，这样就能够实现对用户的变量类别标签。
30.当前用户从当前视频转移到未观看视频的转移概率矩阵指的是当前用户在观看当前视频后转移到某个未观看视频的转移概率，比如当前用户在观看a视频后，一定会滑动到b视频，那么当前用户从a视频转移到b视频的转移概率就是100％。此处可以获取到当前用户对多个视频的转移概率矩阵，多个视频可以是用户尚未观看的视频。
31.步骤120、基于初始状态概率向量和转移概率矩阵，确定当前用户从当前视频转移到每一未观看视频的状态概率向量。
32.可以理解的是，可以根据初始状态概率向量和转移概率矩阵，来计算当前用户由观看的当前视频转移到每个未观看视频的状态概率向量，状态概率向量可以为当前用户对未观看的视频的喜欢状态概率。
33.需要说明的是，初始状态概率向量可以表示在对事件发生概率进行预测的过程开始时刻的概率向量。与此同时，在对事件发生概率进行预测的过程中每两个事件发生的概率在一定条件下是可以相互转移的，转移概率矩阵就能够代表两个事件发生的概率之间的
转移关系，状态概率向量指的是需要预测出的目标事件发生的概率向量，也可以被称为预测过程中目标时刻的概率向量。
34.步骤130、基于所有的状态概率向量和当前用户的类别标签，预测当前用户的待推荐视频。
35.可以理解的是，可以根据当前用户的类别标签和所有的状态概率向量进行智能组合处理，可以构建用户观看视频行为画像的目标数据集，将当前用户的类别标签和所有的状态概率向量以并列的方式放入到目标数据集，根据目标数据集来预测出当前用户的待推荐视频，也就是根据结合当前用户的类别标签和所有的状态概率向量来绘制出当前用户画像，根据绘制出的用户画像来给当前用户匹配对应的待推荐视频。
36.将当前用户的类别标签和所有的状态概率向量以并列的方式放入到目标数据集，根据目标数据集来预测出当前用户的待推荐视频，能够动态决策给用户推荐视频，提高用户的体验度，增强用户的粘度，改善了现有推荐方法中数据稀疏性低、运算效率和精准度弱的问题，能够智能化地向用户推荐视频。
37.本发明提供的视频推荐方法，通过根据当前用户的目标特征信息确定当前用户的类别标签，基于初始状态概率向量和转移概率矩阵，确定状态概率向量，根据当前用户的类别标签和状态概率向量，预测当前用户的待推荐视频，能够提升运算效率，给用户更加精准地推荐视频，能够更加准确地满足用户对视频实时变化的喜好。
38.在一些实施例中，上述步骤110中的获取当前用户从当前视频转移到每一视频的转移概率矩阵，包括：获取当前用户对当前视频的喜好状态、其他用户对当前视频的喜好状态以及其他用户对未观看视频的喜好状态；基于当前用户对当前视频的喜好状态、其他用户对当前视频的喜好状态以及其他用户对未观看视频的喜好状态，确定当前用户从当前视频转移到未观看视频的转移概率矩阵。
39.可以理解的是，可以根据当前用户所看视频和所有用户对当前用户所看视频的喜好状态，分别计算当前用户由观看视频转移至未观看视频的转移概率矩阵。
40.状态概率向量可以为喜好状态概率。可以基于初始状态概率向量和转移概率矩阵，分别计算当前用户由观看视频转移至每个未观看视频的状态概率向量；其中，状态概率向量包括用户对未观看视频的喜好状态概率。
41.在一些实施例中，基于初始状态概率向量和转移概率矩阵，确定当前用户从当前视频转移到每一未观看视频的状态概率向量，包括：基于初始状态概率向量和转移概率矩阵，构建马尔科夫学习链；基于马尔科夫学习链，确定当前用户从当前视频转移到每一未观看视频的状态概率向量。
42.可以理解的是，在得到了初始状态概率向量和转移概率矩阵之后，可以根据初始状态概率向量和转移概率矩阵，构建马尔科夫学习链。马尔科夫学习链是用来描述一连串相互关联的事件或状态的一种抽象模型。换言之，每个事件或状态已经发生的前提下，接着会发生哪个事件(切换到哪个状态)的概率分布是已知的。
43.马尔科夫学习链的本质上是由满足马尔科夫性质的转移概率分布组成，通过马尔科夫学习链实现由初始状态概率向量和转移概率矩阵计算得到状态概率向量的公式可以为：
44.p
ss
′
＝p(s
t+1
＝s
′
|s
t
＝s)；
45.其中，s和s
′
均为时间状态序列，s
t
表示当前状态，s
t+1
表示下一个状态，p表示状态发生的概率。
46.此处，在根据初始状态概率向量和转移概率矩阵构建马尔科夫学习链之后，就可以基于马尔科夫学习链，确定当前用户从当前视频转移到每一未观看视频的状态概率向量。
47.在一些实施例中，基于目标特征信息，确定当前用户的当前用户的类别标签，包括：获取多个用户的参考行为信息，并统计参考行为信息中的离散型变量的数量和连续型变量的数量；基于离散型变量的数量，确定衍生特征和变量类别标签；基于连续型变量、离散型变量、衍生特征和变量类别标签，构建随机森林模型；将参考行为信息输入至随机森林模型，得到随机森林模型输出的变量类别标签。
48.可以理解的是，将参考行为信息按照计数方式取得的特征变量归为离散型变量，其他类型归纳为连续型变量，针对离散型变量，如果变量值的变动幅度小，就可以一个变量值对应一组，进行单项式分组；如果变量值的变动幅度很大，变量值的个数很多，则把整个变量值依次划分为几个区间，各个变量值则按其大小确定所归并的区间，区间的距离称为组距，进行组距式分组。
49.在一些实施例中，基于离散型变量的数量，确定衍生特征和变量类别标签，包括：对大于离散值数量阈值的离散型变量进行衍生处理，得到衍生特征；对小于离散值数量阈值的离散型变量进行聚类处理，得到变量类别标签。
50.可以根据离散型变量的数量，将超过设定的离散值数量阈值的离散型变量进行衍生处理，建立衍生特征；对不超过离散值数量阈值的离散型变量采用k-modes进行聚类，输出类别标签。
51.随机森林模型可以在预测的同时通过特征划分过程来计算评估各个因子特征的重要性。特征影响力的计算需要借助于结点分裂时gini指数，公式如下：
52.ii(a)＝gini(di)-gini(di,a)ii(a)＝gini(di)-gini(di,a)；
53.s(a)＝∑iii(a)；
54.其中，ii(a)表示结点i根据特征a分裂为两个子结点后，gini指数相对于母结点分裂前的下降值，故而可定义特征a的绝对重要性s(a)为所有按特征a分裂的结点处的ii(a)之和，将所有特征的绝对重要性归一化，即可得到各个特征的重要性评分。
55.根据连续型变量、离散型变量、衍生特征和变量类别标签，来构建随机森林模型；将参考行为信息输入到随机森林模型中，得到随机森林模型输出的变量类别标签，实现人群分类，实现对不同类别人群的用户推荐不同视频。
56.在一些实施例中，获取当前用户的初始状态概率向量，包括：获取当前用户的历史浏览数据；基于朴素贝叶斯算法，确定初始状态概率向量。
57.可以理解的是，可以基于朴素贝叶斯算法计算用户的历史浏览数据中初始状态概率向量；其中，初始状态概率向量包括喜欢状态和不喜欢状态，具体计算过程如下：
58.p(a|b)表示事件b已经发生的前提下，事件a发生的概率，叫做事件b发生下事件a的条件概率。其基本求解公式为：
[0059][0060]
可以直接得出p(a|b)，p(b|a)则很难直接得出，但此处更关心p(b|a)，朴素贝叶斯算法能够打通从p(a|b)获得p(b|a)的道路，其公式如下：
[0061][0062]
因此，此处可以基于朴素贝叶斯算法，确定当前用户对当前视频的喜好状态，也就是得到了初始状态概率向量。
[0063]
具体到本实施例的应用场景中，朴素贝叶斯算法是假设各个特征之间相互独立，朴素贝叶斯算法的公式可以被表示为：
[0064][0065]
具体而言，当前用户的历史浏览数据中可以具有大量特征，要想得到当前用户对当前视频的喜好状态p(喜欢当前视频|与当前视频相关特征)，那么就只需要判断p(与当前视频相关特征|喜欢当前视频)、p(喜欢当前视频)和p(与当前视频相关特征)，就能够根据上述公式计算得到当前用户对当前视频的喜好状态，也就是得到了初始状态概率向量。
[0066]
在一些实施例中，基于当前用户的类别标签和状态概率向量，预测当前用户的待推荐视频，包括：获取每一未观看视频的视频类别标签；基于当前用户的类别标签、状态概率向量以及视频类别标签，从多个未观看视频中确定待推荐视频。
[0067]
可以理解的是，可以实现建立视频与视频类别标签的对应关系，也就是可以给每个视频进行标记，每个视频都可以有与之对应的视频类别标签，那么当得到了当前用户的类别标签和状态概率向量之后，就可以根据当前用户的类别标签和状态概率向量建立用户画像数据集，将用户画像数据集与视频类别标签进行匹配，找到对应视频类别标签的视频，这样就能够从多个视频中准确地确定待推荐视频。
[0068]
在一些实施例中，获取每一未观看视频的视频类别标签，包括：从多个未观看视频中提取字幕信息；对字幕信息进行聚类处理，得到参考标签，并基于参考标签构建参考标签数据集；基于参考标签数据集的关联规则，确定每一未观看视频的视频类别标签。
[0069]
可以理解的是，在得到了视频之后，可以对视频进行预处理，将视频中的视频字幕转化为标准的待识别二值化图像；将视频文字尺寸、长宽、笔画类型和笔画密度进行提取，然后将视频中的文本看作是具有特征的特殊符号，综合视频的时域特征信息，进而转化成待识别的二值化图像。
[0070]
与此同时，将视频分割为独立的镜头，在镜头段内利用字幕的出现与消失所引起的相继两帧的差别，定位出字幕区域，得到了原始图像中出现文字的一系列矩形区域，将这些矩形区域分离出来，就得到了原图像的一系列子图像，从文字块中将背景去除，得到只含文字信息的二值图像；对待识别语音和图片样本库中的图片以及二值化图像进行提取，提取字幕信息。
[0071]
对字幕信息进行聚类处理，得到参考标签，并基于参考标签构建参考标签数据集，通过参考标签数据集确定参考标签之间关联规则，可以运用apriori算法去挖掘参考标签
之间的关联规则，从而构建参考标签体系。
[0072]
比如，可以找到所有的参考标签，建立参考标签数据集，这些参考标签数据集出现的频繁性须大于或等于预定的最小支持度。通过参考标签数据集，找到参考标签数据集所产生的强关联规则，进而找出参考标签之间的关联规则，比如当视频为教育题材时，参考标签可以包括：学科、适用年龄段、适配教材或者资源质量评级等。
[0073]
在得到参考标签之间的关联规则之后，可以基于参考标签数据集的关联规则，确定每一未观看视频的视频类别标签。
[0074]
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。
[0075]
如图2所示，本发明还提供一种视频推荐装置，该视频推荐装置包括：获取模块210、确定模块220和预测模块230。
[0076]
获取模块210，用于获取当前用户的初始状态概率向量，以及所述当前用户从当前视频转移到未观看视频的转移概率矩阵。
[0077]
确定模块230，用于基于初始状态概率向量和转移概率矩阵，确定当前用户从当前视频转移到每一未观看视频的状态概率向量。
[0078]
预测模块240，用于基于所有的状态概率向量和当前用户的类别标签，预测当前用户的待推荐视频。
[0079]
本发明提供的视频推荐装置，通过根据当前用户的目标特征信息确定当前用户的类别标签，基于初始状态概率向量和转移概率矩阵，确定状态概率向量，根据当前用户的类别标签和状态概率向量，预测当前用户的待推荐视频，能够提升运算效率，给用户更加精准地推荐视频，能够更加准确地满足用户对视频实时变化的喜好。
[0080]
图3示例了一种电子设备的实体结构示意图，如图3所示，该电子设备可以包括：处理器(processor)310、通信接口(communications interface)320、存储器(memory)330和通信总线340，其中，处理器310，通信接口320，存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令，以执行视频推荐方法，该方法包括：获取当前用户的初始状态概率向量，以及当前用户从当前视频转移到未观看视频的转移概率矩阵；基于初始状态概率向量和转移概率矩阵，确定当前用户从当前视频转移到每一未观看视频的状态概率向量；基于所有的状态概率向量和当前用户的类别标签，预测当前用户的待推荐视频。
[0081]
此外，上述的存储器330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。
[0082]
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计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行
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：获取当前用户的初始状态概率向量，以及当前用户从当前视频转移到未观看视频的转移概率矩阵；基于初始状态概率向量和转移概率矩阵，确定当前用户从当前视频转移到每一未观看视频的状态概率向量；基于所有的状态概率向量和当前用户的类别标签，预测当前用户的待推荐视频。
[0083]
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方法提供的视频推荐方法，该方法包括：获取当前用户的初始状态概率向量，以及当前用户从当前视频转移到未观看视频的转移概率矩阵；基于初始状态概率向量和转移概率矩阵，确定当前用户从当前视频转移到每一未观看视频的状态概率向量；基于所有的状态概率向量和当前用户的类别标签，预测当前用户的待推荐视频。
[0084]
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。
[0085]
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。
[0086]
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。

技术特征：
1.一种视频推荐方法，其特征在于，包括：获取当前用户的初始状态概率向量，以及所述当前用户从当前视频转移到未观看视频的转移概率矩阵；基于所述初始状态概率向量和所述转移概率矩阵，确定所述当前用户从所述当前视频转移到每一未观看视频的状态概率向量；基于所有的状态概率向量和所述当前用户的类别标签，预测所述当前用户的待推荐视频。2.根据权利要求1所述的视频推荐方法，其特征在于，所述获取所述当前用户从当前视频转移到未观看视频的转移概率矩阵，包括：获取所述当前用户对所述当前视频的喜好状态、其他用户对所述当前视频的喜好状态以及其他用户对未观看视频的喜好状态；基于所述当前用户对所述当前视频的喜好状态、其他用户对所述当前视频的喜好状态以及其他用户对未观看视频的喜好状态，确定所述当前用户从当前视频转移到未观看视频的转移概率矩阵。3.根据权利要求1所述的视频推荐方法，其特征在于，所述基于所述初始状态概率向量和所述转移概率矩阵，确定所述当前用户从所述当前视频转移到每一未观看视频的状态概率向量，包括：基于所述初始状态概率向量和所述转移概率矩阵，构建马尔科夫学习链；基于所述马尔科夫学习链，确定所述当前用户从所述当前视频转移到每一未观看视频的状态概率向量。4.根据权利要求1所述的视频推荐方法，其特征在于，所述当前用户的类别标签的获取步骤包括：获取多个用户的参考行为信息，并统计所述参考行为信息中的离散型变量的数量和连续型变量的数量；基于所述离散型变量的数量，确定衍生特征和变量类别标签；基于所述连续型变量、所述离散型变量、所述衍生特征和所述变量类别标签，构建随机森林模型；将所述参考行为信息输入至所述随机森林模型，得到所述随机森林模型输出的所述变量类别标签。5.根据权利要求4所述的视频推荐方法，其特征在于，所述基于所述离散型变量的数量，确定衍生特征和变量类别标签，包括：对大于离散值数量阈值的所述离散型变量进行衍生处理，得到所述衍生特征；对小于所述离散值数量阈值的所述离散型变量进行聚类处理，得到所述变量类别标签。6.根据权利要求1至5中任一项所述的视频推荐方法，其特征在于，所述获取所述当前用户的初始状态概率向量，包括：获取所述当前用户的历史浏览数据；基于朴素贝叶斯算法，确定所述初始状态概率向量。7.根据权利要求1至5中任一项所述的视频推荐方法，其特征在于，所述基于当前用户
的类别标签和所述状态概率向量，预测所述当前用户的待推荐视频，包括：获取每一未观看视频的视频类别标签；基于所述当前用户的类别标签、所述状态概率向量以及所述视频类别标签，从多个未观看视频中确定所述待推荐视频。8.根据权利要求7所述的视频推荐方法，其特征在于，所述获取每一未观看视频的视频类别标签，包括：从多个未观看视频中提取字幕信息；对所述字幕信息进行聚类处理，得到参考标签，并基于所述参考标签构建参考标签数据集；基于所述参考标签数据集的关联规则，确定每一未观看视频的所述视频类别标签。9.一种视频推荐装置，其特征在于，包括：获取模块，用于获取当前用户的初始状态概率向量，以及所述当前用户从当前视频转移到未观看视频的转移概率矩阵；确定模块，用于基于所述初始状态概率向量和所述转移概率矩阵，确定所述当前用户从所述当前视频转移到每一未观看视频的状态概率向量；预测模块，用于基于所述当前用户的类别标签和所述状态概率向量，预测所述当前用户的待推荐视频。10.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至8任一项所述视频推荐方法。11.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至8任一项所述视频推荐方法。

技术总结
本发明提供一种视频推荐方法，该视频推荐方法包括：获取当前用户的初始状态概率向量，以及所述当前用户从当前视频转移到未观看视频的转移概率矩阵；基于所述初始状态概率向量和所述转移概率矩阵，确定所述当前用户从所述当前视频转移到每一未观看视频的状态概率向量；基于所有的状态概率向量和所述当前用户的类别标签，预测所述当前用户的待推荐视频。本发明提供的视频推荐方法及装置，通过基于初始状态概率向量和转移概率矩阵，确定状态概率向量，根据当前用户的类别标签和状态概率向量，预测当前用户的待推荐视频，能够提升运算效率，给用户更加精准地推荐视频，能够更加准确地满足用户对视频实时变化的喜好。地满足用户对视频实时变化的喜好。地满足用户对视频实时变化的喜好。


技术研发人员：马晨晖 郝建功
受保护的技术使用者：中国移动通信集团有限公司
技术研发日：2022.03.15
技术公布日：2023/9/22