推荐视频资源的方法及系统

1.一种推荐视频资源的方法，其特征在于，包括：
收集各用户观看视频过程中的历史记录；所述历史记录包括观看过的各视频类型，以及至少一种其他维度上的数据；
对收集到的各用户的历史记录进行统计，根据每一用户观看的各类型视频的数量计算其观看各类型视频的数量占比，并将该用户归入数量占比大于组阈值的特定类型视频所对应的用户组，该用户定义为典型用户，生成各特定视频类型对应的包括典型用户的用户组；
分别获取各特定类型的用户组内典型用户在其他维度上的数据特征，确定各特定类型的用户在其他维度上的组特征；
判断典型用户外的其他用户在其他维度上的数据特征，是否满足某特定类型的用户组的组特征，如果是，则将该用户加入该特定类型的用户组；
根据各用户组所对应的特定类型信息，向用户组内的用户推荐对应的视频资源。
2.根据权利要求1所述的方法，其特征在于：所述至少一种其他维度上的数据包括，用户观看各类型视频的观看时长、用户观看视频的时间段分布、用户观看同一视频的次数、用户进行搜索的次数和搜索内容、用户使用应用的次数、和用户对推荐类的消息的点击次数。
3.根据权利要求1所述的方法，其特征在于：所述收集各用户观看视频过程中的历史记录包括：当用户观看视频的时长大于第一下限值时，记录其历史记录。
4.根据权利要求1所述的方法，其特征在于：所述收集各用户观看视频过程中的历史记录包括，对收集到的历史记录进行归一化处理，删除重复数据。
5.根据权利要求1所述的方法，其特征在于：所述组阈值为用户观看的各类型视频的数量占比的第二下限值。
6.根据权利要求1所述的方法，其特征在于，还包括：计算典型用户外的其他用户观看的各类型视频的数量计算各类型的数量占比，判断该数量占比是否大于等于对应组的组阈值，若大于等于组阈值则将其划入该组；若占比小于各分组的组阈值，则获得该用户在其他维度上的数据特征。
7.根据权利要求1所述的方法，其特征在于，还包括：对于历史记录条数大于第三下限值的用户进行统计分组，对于分组后的用户在每增加一定条数的记录后重新对该用户进行统计分组。
8.根据权利要求1所述的方法，其特征在于：所述向用户组内的用户推荐对应视频包括对同一视频进行跨组推荐。
9.一种推荐视频资源的系统，其特征在于，包括：
历史记录获取模块，用于收集各用户观看视频过程中的历史记录，所述历史记录包括观看过的各视频类型，以及至少一种其他维度上的数据；
典型用户选取划分模块，对收集到的各用户的历史记录进行统计，根据每一用户观看的各类型视频的数量计算其观看各类型视频的数量占比，并将该用户归入数量占比大于组阈值的特定类型视频所对应的用户组，该用户定义为典型用户，生成各特定视频类型对应的包括典型用户的用户组；
模型训练模块，用于分别获取各特定类型的用户组内典型用户在其他维度上的数据特征，确定该组在其他维度上的组特征；
用户分组模块，用于判断典型用户外的其他用户在其他维度上的数据特征，是否满足某特定类型的用户组的组特征，如果是，则将该用户加入该特定类型的用户组；
视频推荐模块，用于根据各用户组所对应的特定类型信息，向用户组内的用户推荐对应的视频资源。
10.根据权利要求9所述的系统，其特征在于：所述至少一种其他维度上的数据包括，用户观看各类型视频的观看时长、用户观看视频的时间段分布、用户观看同一视频的次数、用户进行搜索的次数和搜索内容、用户使用应用的次数、和用户对推荐类的消息的点击次数。

推荐视频资源的方法及系统\n技术领域\n[0001] 本发明涉及智能电视技术领域，特别是涉及推荐视频资源的方法及系统。\n背景技术\n[0002] 随着手机和平板电脑的大面积智能化，智能电视也正逐步进入我们的生活。智能电视像智能手机一样，具有全开放式平台，搭载了操作系统，可以由用户自行安装和卸载软件、游戏等程序，这类程序可能是智能电视生产商提供的，还可能是第三方服务商提供的，通过此类程序可以不断对智能电视的功能进行扩充。另外，还可以通过网线、无线网络来实现上网冲浪等。即，真正的智能电视能从网络、AV设备、PC等多种渠道获得节目内容，通过简单易用的整合式操作界面，简易操作即可将消费者最需要的内容在大屏幕上清晰地展现。\n[0003] 目前，用户从智能电视获取资源的方式一般只有两种。一种是最传统的方式，也即用户自己通过智能电视界面中提供的各种访问入口，主动选择信息源之后进行点击观看。\n例如，用户可以选择观看传统的电视信号源，或者智能电视服务器提供的轮播频道中的节目，等等。另一种是服务器向用户推送一些推荐信息，例如将最近的热门视频推送给用户，用户进行被动的接收。\n[0004] 通过向用户推送一些视频的方式，使得用户可以通过智能电视获得更丰富的信息。但是，现有技术在进行视频信息的推送时，主要考虑的是视频的热门程度等信息，推送给用户之后，多数用户可能对其并不感兴趣，进而被用户忽略，浪费了推送过程所耗费的系统及网络资源。\n[0005] 因此，迫切需要本领域技术人员解决的技术问题就在于，在向用户推送视频信息的过程中，如何使得推荐的有效性得到提高。\n发明内容\n[0006] 针对现有技术中存在的缺陷，本发明提供一种推荐视频资源的方法及系统。\n[0007] 一种推荐视频资源的方法，包括：\n[0008] 收集各用户观看视频过程中的历史记录；所述历史记录包括观看过的各视频类型，以及至少一种其他维度上的数据；\n[0009] 对收集到的各用户的历史记录进行统计，根据每一用户观看的各类型视频的数量计算其观看各类型视频的数量占比，并将该用户归入数量占比大于组阈值的特定类型视频所对应的用户组，该用户定义为典型用户，生成各特定视频类型对应的包括典型用户的用户组；\n[0010] 分别获取各特定类型的用户组内典型用户在其他维度上的数据特征，确定各特定类型的用户在其他维度上的组特征；\n[0011] 判断典型用户外的其他用户在其他维度上的数据特征，是否满足某特定类型的用户组的组特征，如果是，则将该用户加入该特定类型的用户组；\n[0012] 根据各用户组所对应的特定类型信息，向用户组内的用户推荐对应的视频资源。\n[0013] 可选地：所述至少一种其他维度上的数据包括，用户观看各类型视频的观看时长、用户观看视频的时间段分布、用户观看同一视频的次数、用户进行搜索的次数和搜索内容、用户使用应用的次数、和用户对推荐类的消息的点击次数。\n[0014] 可选地：所述收集各用户观看视频过程中的历史记录包括：当用户观看视频的时长大于第一下限值时，记录其历史记录。\n[0015] 可选地：所述收集各用户观看视频过程中的历史记录包括，对收集到的历史记录进行归一化处理，删除重复数据。\n[0016] 可选地：所述组阈值为用户观看的各类型视频的数量占比的第二下限值。\n[0017] 可选地，还包括：计算典型用户外的其他用户观看的各类型视频的数量计算各类型的数量占比，判断该数量占比是否大于等于对应组的组阈值，若大于等于组阈值则将其划入该组；若占比小于各分组的组阈值，则获得该用户在其他维度上的数据特征。\n[0018] 可选地，还包括：对于历史记录条数大于第三下限值的用户进行统计分组，对于分组后的用户在每增加一定条数的记录后重新对该用户进行统计分组。\n[0019] 可选地：所述向用户组内的用户推荐对应视频包括对同一视频进行跨组推荐。\n[0020] 一种推荐视频资源的系统，包括：\n[0021] 历史记录获取模块，用于收集各用户观看视频过程中的历史记录，所述历史记录包括观看过的各视频类型，以及至少一种其他维度上的数据；\n[0022] 典型用户选取划分模块，对收集到的各用户的历史记录进行统计，根据每一用户观看的各类型视频的数量计算其观看各类型视频的数量占比，并将该用户归入数量占比大于组阈值的特定类型视频所对应的用户组，该用户定义为典型用户，生成各特定视频类型对应的包括典型用户的用户组；\n[0023] 模型训练模块，用于分别获取各特定类型的用户组内典型用户在其他维度上的数据特征，确定该组在其他维度上的组特征；\n[0024] 用户分组模块，用于判断典型用户外的其他用户在其他维度上的数据特征，是否满足某特定类型的用户组的组特征，如果是，则将该用户加入该特定类型的用户组；\n[0025] 视频推荐模块，用于根据各用户组所对应的特定类型信息，向用户组内的用户推荐对应的视频资源。\n[0026] 可选地：所述至少一种其他维度上的数据包括，用户观看各类型视频的观看时长、用户观看视频的时间段分布、用户观看同一视频的次数、用户进行搜索的次数和搜索内容、用户使用应用的次数、和用户对推荐类的消息的点击次数。\n[0027] 与现有技术相比，上述技术方案中的一个技术方案具有以下优点或有益效果：\n[0028] 通过统计用户观看视频的历史数据，可以判定该用户属于何种观影分类类型，通过统计用户数据在不同角度上的数据分布，能够较为准确的实现对用户所属类别的分组，这样在用户观看视频时就可以有针对性的进行内容推荐，提高了推荐效果。\n附图说明\n[0029] 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：\n[0030] 图1 是本发明实施例提供的推荐视频资源的方法流程图；\n[0031] 图2 是本发明实施例提供的推荐视频资源的装置结构示意图。\n具体实施方式\n[0032] 下面结合附图，进一步阐述本发明。应理解，这些实施例仅用 于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授 的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式 同样落于本申请所附权利要求书所限定的范围。\n[0033] 本发明的智能电视系统包括客户端和服务器，用户通过客户端登陆特定账号后可以访问服务器上的各种视频资源，客户端可以是运行在智能电视终端的应用程序，通过终端设备用户可以收看服务器上的视频资源。服务器保存有各账号的观看历史记录，通过对观看历史记录的分析向不同用户推荐其感兴趣的视频资源。下面通过具体的实施例对本发明做进一步介绍。\n[0034] 实施例1\n[0035] 如图1所示，本发明首先提供一种推荐视频资源的方法。视频资源按其类型可以划分为动作片、文艺片、记录片、动漫片等，在视频观看过程中由于每个人的观看习惯、个人喜好不同，每个用户观看各类型视频的数量占比是不同的，如果用户的历史观看记录中能够明显的体现出，用户对某种类型视频的观看数量占比显著高于其他类型，则可以据此将该用户划分到该类型的用户组中。例如用户可以分为动作组、文艺组、记录片组、动漫组等。当然，还有一些用户的观看记录中可能无法直接从观看的视频类型数量占比方面，体现出某一类型的显著性，此时，如何确定这些用户所属的用户组，则成为重点需要解决的问题。下面具体介绍用户划分的过程。\n[0036] S101：收集各用户观看视频过程中的历史记录；所述历史记录包括观看过的各视频类型，以及至少一种其他维度上的数据；\n[0037] 为了能对众多用户进行划分，首先需要记录用户的观看历史记录。具体实现时，在用户使用其帐号登录到服务器之后，服务器可以接收账号信息，判断账号信息的合法性，当账号信息合法时收集该账号所对应的用户观看视频过程中观看过的各视频类型的历史记录。其中，具体实现时，用户可以通过扫描二维码，输入用户ID、密码，等方式登陆服务器。关于用户的观看历史记录，可以是由客户端进行收集，然后上传到服务器，这样，服务器就可以获取到各个客户端的历史观看记录。其中，客户端可以采用实时上传的方式，或者采用定期上传（例如，每周上传一次），或者定量上传（例如，每记录10M的数据上传一次），等等。\n[0038] 其中，历史记录可以包括用户观看的各类型视频的数量，各类型视频的观看时长，用户观看视频的时间段分布；用户观看同一视频的次数；用户进行搜索的次数和搜索内容的类型分布；用户使用应用的次数和应用的类型分布；用户对推荐类的消息的点击次数和比例等。\n[0039] 服务器可以根据用户观看视频的时长来来判断是否需要记录该次观看行为，具体而言可以是：服务器以分为单位记录用户观看时间，当用户在某视频停留时间低于阈值时，例如1分钟，则此次行为无效，不予记录。这样既减小了数据记录量，记录的内容也更准确。\n[0040] 服务器接收到各用户观看历史记录后，首先可以对数据进行归一化处理，删除重复数据。然后就可以根据处理完后的历史记录，计算用户观看各类型视频的占比。例如，历史记录中存在100条观看记录，在这100条观看记录中用户观看动作片的记录是70条，观看文艺片的记录是10条等，则计算得到用户观看动作类视频的占比为70%，文艺类视频的占比为10%等。\n[0041] S102：对收集到的各用户的历史记录进行统计，根据每一用户观看的各类型视频的数量计算其观看各类型视频的数量占比，并将该用户归入数量占比大于组阈值的特定类型视频所对应的用户组，该用户定义为典型用户，生成各特定视频类型对应的包括典型用户的用户组；\n[0042] 在已存在历史记录的用户中，一些用户具有明显的分类特征，如某些用户观看动作类视频的比例大于60%，某些用户观看文艺类视频的比例大于70%，某些用户观看动漫类视频的比例大于80%等等，则这些用户可以对应的分入动作组、文艺组、动漫组等。而另一些用户不具有明显特征，例如有些用户的历史记录不完整，其中可能存在缺失的数据，例如，有些视频的类型难以划分，则系统就无法获得这次观看历史记录中的视频类型的记录，或者观看过程中网络中断导致无法获得观看时长等等情况，或者有些用户观看类型分类不明确，如一些用户观看各类型的占比基本相同，比如观看动作类的占比为30%、观看文艺类的占比为31%、观看动漫类的占比为28%等，对于这些用户难以向其推荐视频。\n[0043] 为了解决这一问题，本发明选取一部分具有明显分类特征的用户进行组划分，确定观看特定类型视频的数量占比大于组阈值的典型用户，为下文的模型训练做准备。例如选取1000个用户，这1000个用户观看对应类型视频的占比均大于对应的组阈值，例如1000个用户中属于动作组的用户观看动作类视频的占比大于60%，属于文艺类组的用户观看文艺类视频的占比大于65%等。这种用户称为典型用户，这里60%、65%称为组阈值，不同组的组阈值既可以相同也可以不同，其组阈值可以动态调整。\n[0044] S103：分别获取各特定类型的用户组内典型用户在其他维度上的数据特征，确定各特定类型的用户在其他维度上的组特征；\n[0045] 在完成对典型用户分组后，进行模型训练，获取对应分组内各典型用户在其他维度上的数据特征。下面以动作类为例对其进行说明，如1000个用户中属于动作组的用户为\n100人，这100人观看动作类视频的占比均大于60%，除了观看视频类型占比大于60%这一数据特征为，该组还存在一些其他维度上的数据特征，如此类用户平均观影时间大于60分钟，且观影时段经常在晚上看，对推荐类的消息点击比例平均大于70%，在该例中用户平均观影时间、观影时段、推荐类的消息点击比例被称为其他维度上的数据。\n[0046] 再比如1000个用户中属于文艺组的用户为200人，这200人观看文艺类视频的占比均大于65%，除了观看视频类型占比大于65%这一数据特征为，该组还存在一些其他维度上的数据特征，如此类此类用户观影时段经常在中午，用户观看同一视频的次数大于10次，搜索内容的类型分布中文艺类占比大于40%等，在该例中用户观影时段、用户观看同一视频的次数、搜索内容的类型分布被称为其他维度上的数据。\n[0047] 通过这种模型训练可以获得各组用户在其他维度上的数据特征，本领域技术人员应当明了，在收集到的历史观看记录中，任何不同于观看各视频类型的占比的数据，均可称为其他维度上的数据，本发明实施例并非意在限制其他维度上的数据所包含的内容。\n[0048] S104：判断典型用户外的其他用户在其他维度上的数据特征，是否满足某特定类型用户组的组特征，如果是，则将该用户加入该特定类型的用户组；\n[0049] 获得其他维度上的数据特征之后，可以用这些数据特征对典型用户之外的其他用户进行分组。相当于利用训练出的模型，对用户进行分类。\n[0050] 具体而言可以是首先判断所获取的历史记录中关于其观看视频类型的记录是否完整，若记录完整，则对其计算其观看各视频类型的占比，判断这一占比是否大于对应组的组阈值，若大于组阈值则将其划入该组。在判断历史记录中关于其观看视频类型的记录是否完整时，可以设置一下限值，对于缺失数据大于下限值的用户才进一步进行其他维度上的判断，例如对于缺失记录大于10%的用户才进行进一步进行其他维度上的判断，这一下限值可以动态调整。\n[0051] 若记录不完整或其占比小于各分组的组阈值，则获得该用户其他维度上的数据特征，判断其是否满足某特定类型中通过模型训练统计出的其他维度上的数据特征，满足则将其分入该组，若判断后发现不存在于该用户对应的分组，即该用户不能划入任何一个类型的组，则将该用户分组未分组用户。\n[0052] 例如对于某一用户，历史记录中存在500条记录，则系统首先判断这500历史记录中关于其观看视频类型的记录是否完整，若记录完整，则对其计算其观看各视频类型的占比，若这500条记录中有400条为观看动作类的记录，则数量占比为80%，其大于动作组的组阈值60%，那么将其划入动作组；若这500条记录中有100条为观看动作类的记录，或者500历史记录中关于其观看视频类型的记录是不完整，则判断该用户的所述至少一种其他维度上的数据是否满足某特定类型中统计出所述特征，如判断用户平均观影时间是否大于60分钟，是否经常在晚上看，对推荐类的消息点击比例是否大于70%，若满足这些条件，则将该用户划入动作组；若判断后发现不存在于该用户对应的分组，即该用户不能划入任何一个类型的组，则将该用户分组至未分组用户。\n[0053] 应当理解，本发明的同一用户可以分组不同的组，例如对于同一用户，其他维度上的数据可能同时满足多个对应分组模型中统计出所述其他维度上的数据特征，则将该用户同时分入这两个组。\n[0054] 本发明中，随着用户观看时间的增加，其历史记录的信息越来越丰富，为了更加准确的实现对用户的分组，系统只对于用户的历史记录条数大于下限值的用户进行统计分组，这一下限值例如可以是10条。分组后系统可以在每增加一定条数的记录后重新对用户进行统计分组，例如记录条数新增10条之后，系统会对原有记录和新增的这10条记录重新进行统计分组。\n[0055] S105：根据各用户组所对应的特定类型信息，向用户组内的用户推荐对应的视频资源。\n[0056] 对用户分组完成后，用户通过账号登陆系统后，就可以将历史记录与用户账号进行关联，分析用户的观看习惯比如爱看电视剧，爱看电影，电视剧爱看国产或者美剧，电影爱看科幻片，恐怖片或者爱情片等等，根据各用户对应的组信息，向用户推荐特定类型的视频资源。例如服务器记录的某一账号属于动作组，则当用户通过该账号登陆后，系统自动向其推荐动作类视频。同一视频可以进行跨组推荐，如对于同时具有动作和喜剧特征的视频，则将该视频同时推荐给动作组合喜剧组，优选是推荐给两个组的交集用户。\n[0057] 可以采用海报或消息的方式向用户推荐视频，海报画面会在客户端开机时显示，例如若客户端为电视，则在电视开机画面中显示向用户推荐的相关视频，画面包含链接，用户点击画面可以直接链接到相关视频进行观看；或者在用户观看视频过程中通过弹出消息来向用户推荐，消息中包含视频名称、视频地址、缩略图等。\n[0058] 当用户没有通过账号登陆或者用户为新注册用户或者用户属于未分组用户组，则系统可以根据他当前所观看的视频类型，向其推荐该类型的其他视频，这样方便用户观看同类视频，或进行随机推荐。\n[0059] 实施例2\n[0060] 如图2所示，本发明还提供一种推荐视频资源的系统。系统包括客户端和服务器，用户通过客户端登陆特定账号后可以访问服务器上的各种视频资源，客户端是运行在智能电视终端的应用程序，通过终端设备用户可以收看服务器上的视频资源。服务器保存有各账号的观看历史记录，通过对观看历史记录的分析向不同用户推荐其感兴趣的视频资源。\n[0061] 历史记录获取模块201，用于收集各用户观看视频过程中的历史记录，所述历史记录包括观看过的各视频类型，以及至少一种其他维度上的数据；\n[0062] 典型用户选取划分模块202，对收集到的各用户的历史记录进行统计，根据每一用户观看的各类型视频的数量计算其观看各类型视频的数量占比，并将该用户归入数量占比大于组阈值的特定类型视频所对应的用户组，该用户定义为典型用户，生成各特定视频类型对应的包括典型用户的用户组；\n[0063] 模型训练模块203，用于分别获取各特定类型的用户组内典型用户在其他维度上的数据特征，确定该组在其他维度上的组特征；\n[0064] 用户分组模块204，用于判断典型用户外的其他用户在其他维度上的数据特征，是否满足某特定类型用户组的组特征，如果是，则将该用户加入该特定类型的用户组；\n[0065] 视频推荐模块205，用于根据各用户组所对应的特定类型信息，向用户组内的用户推荐对应的视频资源。\n[0066] 其中，所述至少一种其他维度上的数据包括，用户观看各类型视频的观看时长、用户观看视频的时间段分布、用户观看同一视频的次数、用户进行搜索的次数和搜索内容、用户使用应用的次数、和用户对推荐类的消息的点击次数。\n[0067] 具体实现时，所述历史记录获取模块具体用于：当用户观看视频的时长大于第一下限值时，记录其历史记录。所述组阈值为用户观看的各类型视频的数量占比的第二下限值。\n[0068] 为了降低计算量，该系统还可以包括：\n[0069] 归一化处理模块，用于对收集到的历史记录进行归一化处理，删除重复数据。\n[0070] 第一判断模块，用于计算典型用户外的其他用户观看的各类型视频的数量计算各类型的数量占比，判断该数量占比是否大于等于对应组的组阈值，若大于等于组阈值则将其划入该组；若占比小于各分组的组阈值，则触发所述用户分组模块执行所述判断在其他维度上的数据特征的操作。\n[0071] 重新分组模块，用于对于历史记录条数大于第三下限值的用户进行统计分组，对于分组后的用户在每增加一定条数的记录后重新对该用户进行统计分组。\n[0072] 对于前述的各装置实施例，为了简单描述，故将其都表述为一系列的模块组合，但是本领域的技术人员应该知悉，本发明并不受所描述的模块组合的限制，因为根据本发明，某些模块可以采用其他模块执行；其次，本领域技术人员也应该知悉，上述装置实施例均属于优选实施例，所涉及的模块并不一定是本发明所必须的。\n[0073] 本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于系统实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。\n[0074] 以上对本发明所提供的推荐视频资源的方法及系统，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。