视频推荐方法、装置、计算机设备和存储介质与流程
1.本技术涉及计算机技术领域，尤其涉及一种视频推荐方法、装置、计算机设备和存储介质。
背景技术：
2.随着视频软件的发展，用户可通过视频软件根据喜好观看长视频或短视频，视频软件会根据用户历史观看行为捕捉用户对于视频的喜好类型，从而推送用户可能感兴趣的视频内容，但由于用户观看序列分为长视频观看序列、中视频观看序列和短视频观看序列，而目前已有的视频推送方式都是对于不同类别的观看序列分别建模分析用户可能感兴趣的视频内容，忽略了不同类别观看序列之间的联系，因此无法充分准确地捕捉用户兴趣偏好，导致推送结果欠优。
技术实现要素：
3.为了解决上述技术问题，本技术提供了一种视频推荐方法、装置、计算机设备和存储介质。
4.第一方面，本技术提供了一种视频推荐方法，包括：
5.获取目标用户标识对应的视频观看集合，其中，所述视频观看集合包括至少两个视频时长不同的视频观看序列；
6.基于各个所述视频观看序列分别提取出相应的特征向量，并将各个所述特征向量融合形成融合向量；
7.根据获取到的各个待推荐视频向量与所述融合向量的内积结果，确定各个所述待推荐视频向量的推荐值，其中，所述待推荐视频向量用于指示待推荐视频的属性信息；
8.依照推荐值的降序顺序推送相应所述待推荐视频向量对应的视频数据至所述目标用户标识对应终端。
9.第二方面，本技术提供了一种视频推荐装置，包括：
10.获取模块，用于获取目标用户标识对应的视频观看集合，其中，所述视频观看集合包括至少两个视频时长不同的视频观看序列；
11.融合模块，用于基于各个所述视频观看序列分别提取出相应的特征向量，并将各个所述特征向量融合形成融合向量；
12.确定模块，用于根据获取到的各个待推荐视频向量与所述融合向量的内积结果，确定各个所述待推荐视频向量的推荐值，其中，所述待推荐视频向量用于指示待推荐视频的属性信息；
13.推送模块，用于依照推荐值的降序顺序推送相应所述待推荐视频向量对应的视频数据至所述目标用户标识对应终端。
14.第三方面，本技术提供了一种计算机设备，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计算机程序时实现以下步骤：
15.获取目标用户标识对应的视频观看集合，其中，所述视频观看集合包括至少两个视频时长不同的视频观看序列；
16.基于各个所述视频观看序列分别提取出相应的特征向量，并将各个所述特征向量融合形成融合向量；
17.根据获取到的各个待推荐视频向量与所述融合向量的内积结果，确定各个所述待推荐视频向量的推荐值，其中，所述待推荐视频向量用于指示待推荐视频的属性信息；
18.依照推荐值的降序顺序推送相应所述待推荐视频向量对应的视频数据至所述目标用户标识对应终端。
19.第四方面，本技术提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
20.获取目标用户标识对应的视频观看集合，其中，所述视频观看集合包括至少两个视频时长不同的视频观看序列；
21.基于各个所述视频观看序列分别提取出相应的特征向量，并将各个所述特征向量融合形成融合向量；
22.根据获取到的各个待推荐视频向量与所述融合向量的内积结果，确定各个所述待推荐视频向量的推荐值，其中，所述待推荐视频向量用于指示待推荐视频的属性信息；
23.依照推荐值的降序顺序推送相应所述待推荐视频向量对应的视频数据至所述目标用户标识对应终端。
24.基于上述视频推荐方法，获取目标用户标识对应的视频观看集合，视频观看集合包括至少两个视频时长不同的视频观看序列，基于各个所述视频观看序列分别提取出相应的特征向量，并将各个所述特征向量融合形成融合向量，即从不同视频观看序列中挖掘用户喜好并建立不同视频观看序列之间的联系，根据获取到的各个待推荐视频向量与所述融合向量的内积结果，确定各个所述待推荐视频向量的推荐值，其中，所述待推荐视频向量用于指示待推荐视频的属性信息，利用融合有不同视频观看序列相应信息的融合向量来预测，目标用户标识相应用户对各个待推荐视频向量相应视频内容的喜好程度，即得到各个待推荐视频向量的推荐值，依照推荐值的降序顺序推送相应所述待推荐视频向量对应的视频数据至所述目标用户标识对应终端，由于上述方法不仅从不同视频观看序列中提取特征向量捕捉用户的喜好，还结合了不同视频观看序列之间的联系，从而可实现充分准确地捕捉用户对于视频内容的兴趣偏好，优化了视频内容的推送结果。
附图说明
25.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
26.为了更清楚地说明本发明实施例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，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
27.图1为一个实施例中视频推荐方法的应用环境图；
28.图2为一个实施例中视频推荐方法的流程示意图；
29.图3为一个实施例中视频推荐装置的结构框图；
30.图4为一个实施例中计算机设备的内部结构图。
具体实施方式
31.为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术的一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本技术保护的范围。
32.图1为一个实施例中视频推荐方法的应用环境图。参照图1，该视频推荐方法应用于视频推荐系统。该视频推荐系统包括终端110和服务器120。终端110和服务器120通过网络连接，终端110内安装有视频播放软件，用户可通过用户标识登录视频播放软件以观看视频内容。终端110具体可以是台式终端或移动终端，移动终端具体可以为手机、平板电脑、笔记本电脑等中的至少一种。服务器120可以用独立的服务器或者是多个服务器组成的服务器集来实现。
33.在一个实施例中，图2为一个实施例中一种视频推荐方法的流程示意图，参照图2，提供了一种视频推荐方法。本实施例主要以该方法应用于上述图1中的服务器120来举例说明，该视频推荐方法具体包括如下步骤：
34.步骤s210，获取目标用户标识对应的视频观看集合，其中，所述视频观看集合包括至少两个视频时长不同的视频观看序列。
35.具体的，目标用户标识为任意一个用于登录视频播放软件的用户标识，用户标识具体包括用户的身份信息以及自定义字符，身份信息包括电话号码、邮箱或第三方应用账号等，自定义字符可以为任意数字、字母、符号等中一种或多种组合而成。不同的用户标识用于指示不同的用户，不同的用户对于不同视频内容的喜好也不同，因此不同用户标识所对应的视频观看集合也不同，视频观看集合包括至少两个视频时长不同的视频观看序列，依照视频时长将视频观看序列分为长视频观看序列、中视频观看序列、短视频观看序列，通常将视频时长超过20分钟的视频定义为长视频，将视频时长小于1分钟的视频定义为短视频，将视频时长位于1～20分钟之间的视频定义为中视频，对于长视频、中视频、短视频的视频时长定义还可进行自定义设定。在本实施例中视频观看集合包括长视频观看序列和短视频观看序列。
36.不同视频时长的视频观看序列包含相应视频时长对应的视频信息，即长视频观看序列包括多个长视频对应的视频描述向量，中视频观看序列包括多个中视频对应的视频描述向量，短视频观看序列包括多个短视频对应的视频描述向量。视频描述向量包含视频的属性信息，属性信息包括视频id(identity document，标识)、视频专辑id、剧名、类型、频道id、独播标签、参演演员、导演、演员作品数量、导演作品数量、编剧、该剧所有的获奖名称、主角名称、影片等级、影片限制等级及描述、全球发行时间、中国发行时间、页面首次上线时间等等，即属性信息包含视频多种维度的描述信息。
37.步骤s220，基于各个所述视频观看序列分别提取出相应的特征向量，并将各个所述特征向量融合形成融合向量。
38.具体的，基于每个视频观看序列提取出一个特征向量，特征向量用于指示用户对于视频喜好的向量，再将各个视频观看序列对应的特征向量进行融合处理形成融合向量，
即从不同视频观看序列中挖掘用户喜好信息并建立不同视频观看序列之间的联系，从而对不同视频时长的视频观看序列进行了充分的信息交互。
39.步骤s230，根据获取到的各个待推荐视频向量与所述融合向量的内积结果，确定各个所述待推荐视频向量的推荐值，其中，所述待推荐视频向量用于指示待推荐视频的属性信息。
40.具体的，待推荐视频向量为待推荐视频的描述向量，待推荐视频为视频数据库中相对于目标用户标识观看状态为未观看的视频，视频数据库包含不同视频时长的视频，即视频数据库包括多个长视频、中视频、短视频。基于待推荐视频向量与融合向量的内积结果，即将待推荐视频向量与融合向量作点积处理，将待推荐视频的属性信息与用户兴趣有效结合，从而得到各个待推荐视频向量的推荐值，依照各个待推荐视频向量的推荐值进行降序排列以得到粗排后的视频推荐列表。
41.步骤s240，依照推荐值的降序顺序推送相应所述待推荐视频向量对应的视频数据至所述目标用户标识对应终端。
42.具体的，推荐值越高，表示相应待推荐视频越可能满足用户的视频观看喜好，推荐值越低，表示用户对于相应待推荐视频的喜好程度越低，可以选择视频推荐列表中前n个待推荐视频向量所对应的视频数据推送至目标用户标识对应的终端，n为大于零的正整数，且n小于或等于视频推荐列表中待推荐视频向量的数量。
43.由于上述步骤不仅从不同视频观看序列中提取特征向量捕捉用户的喜好，还结合了不同视频观看序列之间的联系，从而可实现充分准确地捕捉用户对于视频内容的兴趣偏好，提升了待推荐视频的粗排效果，即优化了视频内容的推送结果。
44.在一个实施例中，所述获取目标用户标识对应的视频观看集合，包括：
45.获取所述目标用户标识对应的历史视频集合，其中，所述历史视频集合包括至少两个视频时长不同的历史视频序列，所述历史视频序列包括多个视频属性向量；
46.对各个所述历史视频序列分别进行独热编码处理，得到相应的视频编码序列，其中，所述视频编码序列包括多个所述视频属性向量对应的独热码向量；
47.将各个所述视频编码序列进行降维处理，得到相应的所述视频观看序列，其中，所述视频观看序列包括多个视频描述向量。
48.具体的，历史视频集合中包括不同视频时长的历史视频序列，历史视频序列按照视频时长分为历史长视频序列、历史中视频序列、历史短视频序列，在本实施例中历史视频集合包括历史长视频序列和历史短视频序列，将历史长视频序列记为l＝(l1，l2，
…
，ln)，其中，l1～ln为历史长视频序列中的n个视频属性向量，历史长视频序列中的每个视频属性向量用于指示一个长视频的属性信息，历史短视频序列记为s＝(s1，s2，
…
，sn)，s1～sn为历史短视频序列中的n个视频属性向量，历史短视频序列中的每个视频属性向量用于指示一个短视频的属性信息。
49.对历史长视频序列和历史短视频序列分别进行独热编码(one-hot)处理，即将视频属性向量编码转换为独热码向量，从而得到相应的视频编码序列，历史长视频序列经过独热编码得到长视频编码序列，历史短视频序列经过独热编码得到短视频编码序列。
50.再将各个视频编码序列进行降维处理，得到降维后的视频观看序列，即步骤s210中的视频观看集合是由历史视频集合经过编码降维处理而得，即长视频编码序列经过降维
处理得到长视频观看序列，短视频编码序列经过降维处理得到短视频观看序列。
51.在一个实施例中，所述视频观看序列包括第一降维序列和第二降维序列，所述将各个所述视频编码序列进行降维处理，得到相应的所述视频观看序列，包括以下至少之一：
52.将各个所述视频编码序列分别与第一映射矩阵相乘，得到相应的所述第一降维序列，其中，所述第一映射矩阵包含视频属性对应的矩阵参数；
53.将各个所述视频编码序列分别与第二映射矩阵相乘，得到相应的所述第二降维序列，其中，所述第二映射矩阵包含偏好属性对应的矩阵参数。
54.具体的，视频观看序列包括第一降维序列和第二降维序列，表示对同一视频编码序列采用两种降维方式得到的不同降维序列，若采用第一种降维方式，则将长视频编码序列和短视频编码序列分别与第一映射矩阵相乘，以实现权重嵌入映射(embedding)，得到相应的第一降维序列，即长视频编码序列与第一映射矩阵相乘，得到长视频第一降维序列，短视频编码序列与第一映射矩阵相乘，得到短视频第一降维序列。将长视频第一降维序列记为c＝(c1，c2，
…
，cn)，其中，c1～cn为长视频第一降维序列中的n个长视频的视频描述向量，短视频第一降维序列记为i＝(i1，i2，
…
，in)，其中，i1～in为短视频第一降维序列中的n个短视频的视频描述向量，每个视频描述向量不但包含相应视频的属性信息还包含该视频与同序列中其他视频之间的关联关系。
55.若采用第二种降维方式，则将长视频编码序列和短视频编码序列分别与第二映射矩阵相乘，以实现权重嵌入映射(embedding)，得到相应的第二降维序列，即将长视频编码序列与第二映射矩阵相乘，得到长视频第二降维矩阵，将短视频编码序列与第二映射矩阵相乘，得到短视频第二降维矩阵。第一映射矩阵和第二映射矩阵可以包含相同和/或不同的矩阵参数，第一映射矩阵中多为视频属性相关的矩阵参数，例如，视频类型、视频id、频道id等视频属性特征，第二映射矩阵中多为偏好属性相关的矩阵参数，例如，剧名、参演演员、导演、主角名称等用户可能感兴趣的偏好特征。将长视频第二降维序列记为d＝(d1，d2，
…
，dn)，其中，d1～dn为长视频第二降维序列中的n个长视频的视频描述向量，短视频第二降维序列记为k＝(k1，k 2，
…
，k n)，其中，k 1～k n为短视频第二降维序列中的n个短视频的视频描述向量。
56.依照第一种降维方式得到的降维序列用于反映用户对于各个长视频或短视频的喜好程度，依照第二种降维方式得到的降维序列用于反映用户对于各个偏好特征的喜好程度，以此挖掘用户的兴趣特征。
57.在一个实施例中，所述特征向量包括表征向量，所述融合向量包括表征融合向量，所述基于各个所述视频观看序列分别提取出相应的特征向量，并将各个所述特征向量融合形成融合向量，包括：
58.分别对各个所述第一降维序列进行均值池化处理，得到相应的所述表征向量；
59.根据各个所述表征向量之间的点积结果，确定一级融合向量；
60.将所述一级融合向量与全部所述第一降维序列进行融合处理，得到二级融合向量；
61.将所述一级融合向量与所述二级融合向量相加形成所述表征融合向量。
62.具体的，特征向量包括表征向量，表征向量用于指示用户对于不同视频观看序列的喜好程度。分别对长视频第一降维序列和短视频第一降维序列进行均值池化
(meanpooling)处理，即对长视频第一降维序列中各个视频描述向量求平均，得到相应的长视频表征向量ec1，对短视频第一降维序列中各个视频描述向量求平均，得到相应的短视频表征向量ei1，即表征向量包括长视频表征向量和短视频表征向量，用于反映用户对于长视频或短视频的喜好程度。
63.将长视频表征向量ec1和短视频表征向量ei1之间的点积结果作为一级融合向量ef1，即融合了长视频第一降维序列和短视频第一降维序列的部分信息，再将一级融合向量ef1与长视频第一降维序列c以及短视频第一降维序列i作为输入参数输入至注意力网络模型(attention)中，以输出融合后的二级融合向量ef2，在一级融合向量的基础上继续融合长视频第一降维序列c和短视频第一降维序列i产生更高阶表示的二级融合向量ef2，将一级融合向量ef1与二级融合向量ef2相加，形成长视频第一降维序列与短视频第一降维序列双序列的表征融合向量f表征融合向量包含不同视频观看序列之间的联系和交互信息，可用于准确捕捉用户对于感兴趣视频的多种维度。
64.在一个实施例中，所述特征向量还包括偏好向量，所述融合向量包括偏好融合向量，所述基于各个所述视频观看序列分别提取出相应的特征向量，并将各个所述特征向量融合形成融合向量，包括：
65.基于各个所述第二降维序列中不同视频描述向量之间的关联关系，确定各个所述视频描述向量对应的关系学习向量，其中，所述关系学习向量包含目标描述向量以及所述目标描述向量与所述第二降维序列中各个所述视频描述向量之间的关联关系，所述目标描述向量为所述第二降维序列中任意一个所述视频描述向量；
66.根据同一所述第二降维序列对应的多个所述关系学习向量属于各个偏好特征的置信度，确定各个所述第二降维序列对应的偏好向量；
67.将各个所述第二降维序列对应的偏好向量融合形成所述偏好融合向量。
68.具体的，特征向量还包括偏好向量，偏好向量用于指示用户对于不同偏好特征的喜好程度，即通过偏好向量反映用户对于视频不同方面的感兴趣程度，偏好特征包括上述属性信息中的全部或部分特征，例如参演演员、导演、视频类别等。
69.分别将长视频第二降维序列d和短视频第二降维序列k作为输入参数输入至多头自注意力网络模型中，以对各个第二降维序列中不同视频描述向量之间的关联关系进行学习后输出各个视频描述向量对应的关系学习向量，即关系学习向量不仅包含相应视频对应的属性信息还包含该视频与同序列中其他视频之间的关联关系，即对同序列中各个视频描述向量进行融合学习，再将多头自注意力网络模型输出的多个关系学习向量作为输入参数输入至全连接层网络结构中，对各个关系学习向量进行分类，并计算各个关系学习向量属于各个偏好特征的置信度，根据各个关系学习向量属于各个偏好特征的置信度从而确定用户对于各个偏好特征的偏好度，各个偏好特征的偏好度形成第二降维序列相应的偏好向量，即分别得到长视频第二降维序列d对应的长视频偏好向量和短视频第二降维序列k对应的短视频偏好向量。
70.将长视频偏好向量记为p＝(p1，p2，
…
，pm)，其中，p1～pm用于指示用户面对长视频时对于m个偏好特征的偏好度，将短视频偏好向量记为q＝(q1，q2，
…
，qm)，其中，q1～qm用于指示用户面对端视频时对于m个偏好特征的偏好度，不同的用户在面对长视频或短视频时对于相同的偏好特征对应不同的偏好度，例如，偏好特征为参演演员，年轻人面对长视
频时更喜欢年轻演员参演的电影或电视剧，即对于年轻演员参演的长视频的偏好度更高；年长者面对长视频时更喜欢资深演员参演的电影或电视剧，即对于资深演员参演的长视频的偏好度更高。以此方式可以挖掘出不同用户标识对于不同视频的偏好特征以及对于各个偏好特征的偏好程度。
71.将长视频偏好向量和短视频偏好向量输入至mlp网络中融合形成偏好融合向量h，偏好融合向量用于反映用户对于不同视频的偏好特征以及对于各个偏好特征的偏好程度，以准确捕捉到用户对于视频的偏好特征。
72.在一个实施例中，所述根据获取到的各个待推荐视频向量与所述融合向量的内积结果，确定各个所述待推荐视频向量的推荐值，包括：
73.将获取到的各个待推荐视频的属性信息，转换为相应的所述待推荐视频向量；
74.根据所述表征融合向量或所述偏好融合向量与各个所述待推荐视频向量之间的内积结果，确定各个所述待推荐视频向量的推荐值，其中，所述待推荐视频向量用于指示待推荐视频的属性信息。
75.具体的，将各个待推荐视频的视频属性信息映射至向量表示，在本实施例中通过mlp网络模型对视频属性信息进行映射转换处理，从而输出相应的待推荐视频向量v，根据表征融合向量或偏好融合向量与每个待推荐视频向量的点积结果，以实现双塔建模计算待推荐视频的推荐值，根据表征融合向量与待推荐视频向量之间的点积结果作为该待推荐视频向量的推荐值，即f
·
v，融合了长视频观看序列和短视频观看序列的交叉信息以及待推荐视频的属性信息，来确定待推荐视频的粗排结果；根据偏好融合向量与待推荐视频向量之间的点积结果作为该待推荐视频向量的推荐值，即h
·
v，融合了用户对于长视频观看序列和短视频观看序列的喜好信息以及待推荐视频的属性信息，来确定待推荐视频的粗排结果。
76.在一个实施例中，所述将获取到的各个待推荐视频的属性信息，转换为相应的所述待推荐视频向量之后，所述方法还包括：
77.将所述待推荐视频向量分别与所述表征融合向量、所述偏好融合向量的点积结果相加，得到所述待推荐视频向量的推荐值。
78.具体的，将所述待推荐视频向量分别与所述表征融合向量、所述偏好融合向量的点积结果相加，即f
·
v+h
·
v，以实现三塔建模计算待推荐视频的推荐值，融合了长视频观看序列和短视频观看序列的交叉信息、用户对于长视频观看序列和短视频观看序列的喜好信息以及待推荐视频的属性信息，以确定待推荐视频的粗排结果，从而更加充分全面的捕捉用户对于视频的偏好信息，以提供更符合用户喜好的视频粗排结果。
79.无论是采用双塔建模还是三塔建模，建模流程同样依照上述对于模型使用流程对初始模型进行学习训练，即依照上述流程对样本数据集合中的样本序列进行交叉学习训练，以得到能够实现上述流程的神经网络模型。
80.图2为一个实施例中视频推荐方法的流程示意图。应该理解的是，虽然图2的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些
子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
81.在一个实施例中，如图3所示，提供了一种视频推荐装置，包括：
82.获取模块310，用于获取目标用户标识对应的视频观看集合，其中，所述视频观看集合包括至少两个视频时长不同的视频观看序列；
83.融合模块320，用于基于各个所述视频观看序列分别提取出相应的特征向量，并将各个所述特征向量融合形成融合向量；
84.确定模块330，用于根据获取到的各个待推荐视频向量与所述融合向量的内积结果，确定各个所述待推荐视频向量的推荐值，其中，所述待推荐视频向量用于指示待推荐视频的属性信息；
85.推送模块340，用于依照推荐值的降序顺序推送相应所述待推荐视频向量对应的视频数据至所述目标用户标识对应终端。
86.在一个实施例中，所述获取模块310具体用于：
87.获取所述目标用户标识对应的历史视频集合，其中，所述历史视频集合包括至少两个视频时长不同的历史视频序列，所述历史视频序列包括多个视频属性向量；
88.对各个所述历史视频序列分别进行独热编码处理，得到相应的视频编码序列，其中，所述视频编码序列包括多个所述视频属性向量对应的独热码向量；
89.将各个所述视频编码序列进行降维处理，得到相应的所述视频观看序列，其中，所述视频观看序列包括多个视频描述向量。
90.在一个实施例中，所述获取模块310具体用于：
91.将各个所述视频编码序列分别与第一映射矩阵相乘，得到相应的所述第一降维序列，其中，所述第一映射矩阵包含视频属性对应的矩阵参数；
92.将各个所述视频编码序列分别与第二映射矩阵相乘，得到相应的所述第二降维序列，其中，所述第二映射矩阵包含偏好属性对应的矩阵参数。
93.在一个实施例中，所述融合模块320具体用于：
94.分别对各个所述第一降维序列进行均值池化处理，得到相应的所述表征向量；
95.根据各个所述表征向量之间的点积结果，确定一级融合向量；
96.将所述一级融合向量与全部所述第一降维序列进行融合处理，得到二级融合向量；
97.将所述一级融合向量与所述二级融合向量相加形成所述表征融合向量。
98.在一个实施例中，所述融合模块320具体用于：
99.基于各个所述第二降维序列中不同视频描述向量之间的关联关系，确定各个所述视频描述向量对应的关系学习向量，其中，所述关系学习向量包含目标描述向量以及所述目标描述向量与所述第二降维序列中各个所述视频描述向量之间的关联关系，所述目标描述向量为所述第二降维序列中任意一个所述视频描述向量；
100.根据同一所述第二降维序列对应的多个所述关系学习向量属于各个偏好特征的置信度，确定各个所述第二降维序列对应的偏好向量；
101.将各个所述第二降维序列对应的偏好向量融合形成所述偏好融合向量。
102.在一个实施例中，所述确定模块330具体用于：
103.将获取到的各个待推荐视频的属性信息，转换为相应的所述待推荐视频向量；
104.根据所述表征融合向量或所述偏好融合向量与各个所述待推荐视频向量之间的内积结果，确定各个所述待推荐视频向量的推荐值，其中，所述待推荐视频向量用于指示待推荐视频的属性信息。
105.在一个实施例中，所述确定模块330具体用于：
106.将所述待推荐视频向量分别与所述表征融合向量、所述偏好融合向量的点积结果相加，得到所述待推荐视频向量的推荐值。
107.图4示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是图1中的服务器120。如图4所示，该计算机设备包括该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、输入装置和显示屏。其中，存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现视频推荐方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行视频推荐方法。计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
108.本领域技术人员可以理解，图4中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
109.在一个实施例中，本技术提供的视频推荐装置可以实现为一种计算机程序的形式，计算机程序可在如图4所示的计算机设备上运行。计算机设备的存储器中可存储组成该视频推荐装置的各个程序模块，比如，图3所示的获取模块310、融合模块320、确定模块330和推送模块340。各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本技术各个实施例的视频推荐方法中的步骤。
110.图4所示的计算机设备可以通过如图3所示的视频推荐装置中的获取模块310执行获取目标用户标识对应的视频观看集合，其中，所述视频观看集合包括至少两个视频时长不同的视频观看序列。计算机设备可通过融合模块320执行基于各个所述视频观看序列分别提取出相应的特征向量，并将各个所述特征向量融合形成融合向量。计算机设备可通过确定模块330执行根据获取到的各个待推荐视频向量与所述融合向量的内积结果，确定各个所述待推荐视频向量的推荐值，其中，所述待推荐视频向量用于指示待推荐视频的属性信息。计算机设备可通过推送模块340执行依照推荐值的降序顺序推送相应所述待推荐视频向量对应的视频数据至所述目标用户标识对应终端。
111.在一个实施例中，提供了一种计算机设备，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，处理器执行计算机程序时实现上述任一项实施例所述的方法。
112.在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述任一项实施例所述的方法。
113.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指示相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取
存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双倍速率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
114.需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
115.以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
