本申请涉及计算机技术领域，特别是涉及一种视频数据的推荐方法和装置。
背景技术：
随着深度学习和大数据技术的发展，视频推荐方案越来越智能化，但是，通常效果越好的推荐模型需要依靠更多的视频数据，更多的视频标签，相应地，需要获取更多客户的隐私，花费更高的成本。
在许多视频推荐场景下(如培训视频推荐)视频数据的维度不高，视频数据也没有标签，视频数据的数据量也相对不大，若利用传统的视频推荐方案对培训视频进行推荐，会造成推荐的准确率低的问题。
技术实现要素：
鉴于上述问题，提出了本申请实施例以便提供一种克服上述问题或者至少部分地解决上述问题的一种视频数据的推荐方法和装置。
为了解决上述问题，根据本申请实施例的第一方面，公开了一种视频数据的推荐方法，包括：监听到视频数据推荐请求，所述视频数据推荐请求包含目标用户的标识信息；根据所述标识信息获取所述目标用户的视频序列数据，所述视频序列数据基于顺序排列的多条视频点播记录生成所得；将所述视频序列数据输入至视频推荐模型，输出视频推荐结果，所述视频推荐结果包含顺序排列的多个第一视频；根据每个所述第一视频的相似度获取至少一个对应的第二视频，所述第二视频与对应的所述第一视频之间的相似度大于预设的相似度阈值，且所述第二视频的最早点播时间信息位于对应的所述第一视频的最早点播时间信息之后；将所述第二视频插入到所述视频推荐结果中，得到新的视频推荐结果。
可选地，所述将所述第二视频插入到所述视频推荐结果中，得到新的视频推荐结果，包括：将所述第二视频插入到对应的所述第一视频在所述视频推荐结果中的位置之后，且删除所述视频推荐结果中倒数的至少一个所述第一视频；其中，删除的所述第一视频数据的数量与插入到所述视频推荐结果中的所述第二视频数据的数量相同。
可选地，所述方法还包括：获取所述第一视频和所述第二视频的点播状态；在所述第一视频和所述第二视频的预设位置处展示对应的点播状态，并且按照所述点播状态对所述第一视频和所述第二视频进行分类。
可选地，所述根据所述标识信息获取所述目标用户的视频序列数据，包括：根据所述标识信息搜索得到所述目标用户的视频点播记录；对所述目标用户的视频点播记录进行预处理操作；根据预处理操作后的所述目标用户的视频点播记录生成所述视频序列数据；或者，根据所述标识信息未搜索得到所述目标用户的视频点播记录；将预设的默认视频序列数据作为所述目标用户的视频序列数据。
可选地，所述默认视频序列数据通过如下方式生成：获取全部用户的视频点播记录；对所述全部用户的视频点播记录进行所述预处理操作；根据预处理操作后所述全部用户的视频点播记录生成所述全部用户的各视频序列数据；将所述全部用户的各视频序列数据中出现频次最高的视频序列数据作为所述默认视频序列数据。
可选地，所述方法还包括：统计全部用户的视频点播记录中的各视频的点播次数；增加所述点播次数小于预设的次数阈值的视频的点播次数，得到新的视频点播记录；根据所述新的视频点播记录训练得到所述视频推荐模型。
可选地，所述获取全部用户的视频点播记录，包括：获取所述全部用户的最新的多条视频点播记录。
根据本申请实施例的第二方面，还公开了一种视频数据的推荐装置，包括：监听模块，被配置成监听到视频数据推荐请求，所述视频数据推荐请求包含目标用户的标识信息；获取模块，被配置成根据所述标识信息获取所述目标用户的视频序列数据，所述视频序列数据基于顺序排列的多条视频点播记录生成所得；传输模块，被配置成将所述视频序列数据输入至视频推荐模型，输出视频推荐结果，所述视频推荐结果包含顺序排列的多个第一视频；所述获取模块，还被配置成根据每个所述第一视频的相似度获取至少一个对应的第二视频，所述第二视频与对应的所述第一视频之间的相似度大于预设的相似度阈值，且所述第二视频的最早点播时间信息位于对应的所述第一视频的最早点播时间信息之后；更新模块，被配置成将所述第二视频插入到所述视频推荐结果中，得到新的视频推荐结果。
可选地，所述更新模块，被配置成将所述第二视频插入到对应的所述第一视频在所述视频推荐结果中的位置之后，且删除所述视频推荐结果中倒数的至少一个所述第一视频；其中，删除的所述第一视频数据的数量与插入到所述视频推荐结果中的所述第二视频数据的数量相同。
可选地，所述获取模块，还被配置成获取所述第一视频和所述第二视频的点播状态；所述装置还包括：展示模块，被配置成在所述第一视频和所述第二视频的预设位置处展示对应的点播状态，并且按照所述点播状态对所述第一视频和所述第二视频进行分类。
可选地，所述获取模块，包括：搜索模块，被配置成根据所述标识信息搜索得到所述目标用户的视频点播记录；预处理模块，被配置成对所述目标用户的视频点播记录进行预处理操作；生成模块，被配置成根据预处理操作后的所述目标用户的视频点播记录生成所述视频序列数据；或者，所述搜索模块，被配置成根据所述标识信息未搜索得到所述目标用户的视频点播记录；确定模块，被配置成将预设的默认视频序列数据作为所述目标用户的视频序列数据。
可选地，所述获取模块，还被配置成获取全部用户的视频点播记录；所述预处理模块，还被配置成对所述全部用户的视频点播记录进行所述预处理操作；所述生成模块，还被配置成根据预处理操作后所述全部用户的视频点播记录生成所述全部用户的各视频序列数据；所述确定模块，还被配置成将所述全部用户的各视频序列数据中出现频次最高的视频序列数据作为所述默认视频序列数据。
可选地，所述装置还包括：统计模块，被配置成统计全部用户的视频点播记录中的各视频的点播次数；增加模块，被配置成增加所述点播次数小于预设的次数阈值的视频的点播次数，得到新的视频点播记录；训练模块，被配置成根据所述新的视频点播记录训练得到所述视频推荐模型。
可选地，所述获取模块，被配置成获取所述全部用户的最新的多条视频点播记录。
本申请实施例包括以下优点：
本申请实施例提供了一种视频数据的推荐方案，监听到包含目标用户的标识信息的视频数据推荐请求，根据目标用户的标识信息获取目标用户的视频序列数据，该视频序列数据由顺序排列的多条视频点播记录生成所得。然后，将视频序列数据输入至视频推荐模型，输出包含顺序排列的多个第一视频的视频推荐结果。进一步，根据每个第一视频的相似度获取对应的第二视频，其中，第二视频与对应的第一视频之间的相似度大于预设的相似度阈值，而且，第二视频的最早点播时间信息位于对应的第一视频的最早点播时间信息之后。在获取到第二视频之后，将第二视频插入到视频推荐结果中，得到新的视频推荐结果。
在本申请实施例中，一方面，根据由视频点播记录生成的视频序列数据和视频推荐模型输出视频推荐结果。在视频推荐的过程中，不依赖于视频的标签、维度等，也不需要大量的视频，适应于如培训视频等不存在标签、维度等条件的这类视频，提高了培训视频这类视频的推荐准确率。另一方面，可以在视频推荐结果中插入相似度高的新视频，即第二视频，达到了既可以推荐老视频即第一视频，又可以推荐新视频的目的，提高了新视频的推荐率。
附图说明
图1是本申请的一种视频数据的推荐方法实施例的步骤流程图；
图2是本申请的一种培训视频的推荐方法实施例的步骤流程图；
图3是本申请的一种培训视频的推荐方法实施例的流程示意图；
图4是本申请的一种视频数据的推荐装置实施例的结构框图；
图5是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请作进一步详细的说明。
参照图1，示出了本申请的一种视频数据的推荐方法实施例的步骤流程图。该视频数据的推荐方法可以应用于服务器，该视频数据的推荐方法具体可以包括如下步骤：
步骤101，监听到视频数据推荐请求。
在本申请的实施例中，视频数据推荐请求可以来自于与服务器通信连接的终端。在实际应用中，目标用户可以登录至终端，并访问视频推荐页面，终端可以响应于目标用户的访问操作，获取目标用户的标识信息，该标识信息用于唯一表示目标用户，该标识信息可以为用户名、编号等，本申请实施例对标识信息的内容、格式等不做具体限制。终端可以根据目标用户的标识信息生成视频数据推荐请求，视频数据推荐请求中可以携带有目标用户的标识信息，还可以携带有终端的地址信息等。本申请实施例对视频数据推荐请求的内容、格式等不做具体限制。
步骤102，根据标识信息获取目标用户的视频序列数据。
在本申请的实施例中，视频序列数据可以基于顺序排列的多条视频点播记录生成所得。每条视频点播记录中可以包含但不限于：点播起始时间、点播结束时间、视频名称、视频编号、视频点播时长、视频总时长等等。在服务器中可以存储有多个视频序列数据，在实际应用中，可以根据目标用户的标识信息搜索到视频序列数据。
步骤103，将视频序列数据输入至视频推荐模型，输出视频推荐结果。
在本申请的实施例中，视频推荐模型可以配置在服务器中，而且，在服务器中可以定期对视频推荐模型进行训练，以提高视频推荐模型的推荐准确率。例如，可以每周或者每天对视频推荐模型进行训练。输出的视频推荐结果中可以包含顺序排列的多个第一视频。在实际应用中，视频推荐结果中位置靠前的第一视频相对于位置靠后的第一视频，更加符合目标用户的点播兴趣、点播习惯等条件。
步骤104，根据每个第一视频的相似度获取至少一个对应的第二视频。
在本申请的实施例中，相似度表示第一视频与第二视频之间的相似度，获取到的第二视频与对应的第一视频之间的相似度应该大于预设的相似度阈值。例如，第一视频为v01，第二视频为v02，第二视频v02与第一视频v01之间的相似度为1，预设的相似度阈值为0.9。则第二视频v02可以为与第一视频v01对应的第二视频。不仅如此，第二视频v02的最早点播时间信息还需要位于第一视频v01的最早点播时间信息之后。如第二视频v02的最早点播时间信息为2020年10月01日10：00，第一视频v01的最早点播时间信息为2020年09月20日10：00。也就是说，第二视频相对于第一视频而言是新视频，第一视频相对于第二视频而言是老视频。
步骤105，将第二视频插入到视频推荐结果中，得到新的视频推荐结果。
在本申请的实施例中，接上例，将第二视频v02插入到视频推荐结果中，具体地，可以将第二视频v02插入到第一视频v01之后的位置，进而得到新的视频推荐结果。服务器可以将新的视频推荐结果返回至终端，以便在终端上展示新的视频推荐结果。目标用户可以在终端上播放新的视频推荐结果中的任意第一视频或者第二视频。
本申请实施例提供了一种视频数据的推荐方案，监听到包含目标用户的标识信息的视频数据推荐请求，根据目标用户的标识信息获取目标用户的视频序列数据，该视频序列数据由顺序排列的多条视频点播记录生成所得。然后，将视频序列数据输入至视频推荐模型，输出包含顺序排列的多个第一视频的视频推荐结果。进一步，根据每个第一视频的相似度获取对应的第二视频，其中，第二视频与对应的第一视频之间的相似度大于预设的相似度阈值，而且，第二视频的最早点播时间信息位于对应的第一视频的最早点播时间信息之后。在获取到第二视频之后，将第二视频插入到视频推荐结果中，得到新的视频推荐结果。
在本申请实施例中，一方面，根据由视频点播记录生成的视频序列数据和视频推荐模型输出视频推荐结果。在视频推荐的过程中，不依赖于视频的标签、维度等，也不需要大量的视频，适应于如培训视频等不存在标签、维度等条件的这类视频，提高了培训视频这类视频的推荐准确率。另一方面，可以在视频推荐结果中插入相似度高的新视频，即第二视频，达到了既可以推荐老视频即第一视频，又可以推荐新视频的目的，提高了新视频的推荐率。
在本申请的一种示例性实施例中，在执行步骤105的过程中，可以将第二视频插入到对应的第一视频在视频推荐结果中的位置之后，且删除视频推荐结果中倒数的至少一个第一视频；其中，删除的第一视频数据的数量与插入到视频推荐结果中的第二视频数据的数量相同。例如，视频推荐结果包含20个第一视频，依次为v1、v2、v3、……、v20。第二视频vv2与第一视频v2的相似度大于相似度阈值，即第二视频vv2与第一视频v2相对应。则将第二视频vv2插入到第一视频v2和v3之间，同时，删除第一视频v20，以保证新的视频推荐结果中仍然包含20个视频。
在本申请的一种示例性实施例中，获取到第一视频和第二视频之后，还可以进一步获取第一视频和第二视频的点播状态。该点播状态表示目标用户对第一视频和第二视频的点播状态，在实际应用中，若第一视频和第二视频均为培训视频，则点播状态可以包含但不限于：播放完毕待复习、未播放完毕待续播、未播放待播放等。可以将第一视频和第二视频的点播状态展示在第一视频和第二视频的预设位置处，例如，展示在第一视频和第二视频的右上角，以提醒目标用户继续播放或者复习等。同时，还可以按照点播状态多第一视频和第二视频进行分类。
在本申请的一种示例性实施例中，在执行步骤102的过程中，如果根据目标用户的标识信息搜索得到目标用户的视频点播记录，则对目标用户的视频点播记录进行预处理操作，然后根据预处理操作后的目标用户的视频点播记录生成视频序列数据。如果根据目标用户的标识信息未搜索得到目标用户的视频点播记录，则将预设的默认视频序列数据作为目标用户的视频序列数据。
在本申请的一种示例性实施例中，服务器中可以存储有默认视频序列数据，默认视频序列数据可以通过如下方式生成：获取全部用户的视频点播记录，对全部用户的视频点播记录进行上述预处理操作，根据预处理操作后的全部用户的视频点播记录生成全部用户的各视频序列数据，将全部用户的各视频序列数据中出现频次最高的视频序列数据作为默认视频序列数据。
在本申请的一种示例性实施例中，上述预处理操作可以包括但不限于：去重操作、删除缺失值操作和选择有效点播记录等等。
在本申请的一种示例性实施例中，还可以包含对视频推荐模型的训练过程，上述视频推荐模型的训练过程可以包含：统计全部用户的视频点播记录中的各视频的点播次数，增加点播次数小于预设的次数阈值的视频的点播次数得到新的视频点播记录，根据新的视频点播记录训练得到视频推荐模型。为了提高视频推荐模型的推荐准确率，可以选择用户最新的多条视频点播记录。如果选择全量的视频点播记录，可能全量的视频点播记录无法准确代表用户的点播兴趣。而且，增加点播次数小于次数阈值的视频的点播次数，即增加冷门视频在训练数据中的权重。避免部分精品冷门视频无法推荐给目标用户。
基于上述关于一种视频的推荐方法的实施例的相关说明，下面介绍一种培训视频的推荐方法。培训视频的推荐不仅仅需要推荐给目标用户点播模式相近的其他用户在看的培训视频，还要给目标用户推荐新出的、其他用户未看的培训视频。不仅要推荐目标用户未看过的培训视频，还要给目标用户推送已经看过的培训视频用于复习，强化学习效果。不仅要给目标用户推荐已经看过的培训视频所在领域的相关视频，还要推荐其他领域的相关视频，以提高学习的广度。
参照图2，示出了本申请的一种培训视频的推荐方法实施例的步骤流程图。该培训视频的推荐方法可以应用于服务器，该培训视频的推荐方法具体可以包括如下步骤：
步骤201，对培训视频的点播记录进行预处理操作。
对从数据库中读取出来的点播记录进行去重、删除缺失值、选择有效播放记录等等。而且，还可以将出现最多的点播序列作为默认视频序列数据。在实际应用中，可以从数据库中读取出培训视频的全量点播记录，根据培训数据的数据特点，如序列长度分布、每个序列的元素是否连贯等，排除测试数据和下架的培训视频，将3分钟内同一个用户点播同一个培训视频的记录进行去重、删除空值、增加培训视频的编号等，得到每个用户的有效点播序列。针对每个用户的有效点播序列，从中选择出现频次最高的有效点播序列作为默认视频序列数据。
步骤202，获取新培训视频以及新培训视频与老培训视频之间的相似度。
新培训视频的点播记录一般比较少，不容易被推荐给目标用户，需要针对新培训视频单独推荐。而且，由于培训视频不存在标签、属性，可以利用培训视频的标题计算新培训视频与老培训视频之间的相似度。在实际应用中，有效点播序列中最早点播时间在最近1周内的培训视频可以理解为新培训视频，其他视频可以理解为老培训视频。可以基于潜在语义分析方法计算新培训视频与老培训视频之间的相似度，潜在语义分析方法可以消除同义词、多义词的影响，在发现相似文档和标题方面具有良好的表现。
步骤203，选取用户最近n条点播记录。
如果选择用户的全量点播记录训练视频推荐模型，全量点播记录的时间跨度较大，可能用户的兴趣已改变，所以选取最近n条点播记录可以更好地捕获用户当前的兴趣。在实际应用中，可以选取用户最新的20条点播记录训练序列推荐模型。
步骤204，增强冷门培训视频的权重。
除了新培训视频外，可能还存在部分冷门的精品培训视频值得推荐给用户。但是这些冷门的精品培训视频在有效点播序列出现较少，需要进行数据扩增提高推荐冷门的精品培训视频的概率。在实际应用中，如果某培训视频在有效点播序列中出现的频次小于20，可以将该培训视频的出现频次增加2倍，以提高该培训视频的推荐权重。
步骤205，训练视频推荐模型。
在实际应用中，可以在tensorflow深度学习框架上使用的序列推荐模型为sr-gnn图神经网络训练视频推荐模型。而且，上述步骤201至步骤205可以每日执行一次，即对视频推荐模型进行更新训练，可以进一步提高视频推荐模型的推荐准确率。
步骤206，监听目标用户的视频推荐请求。
监听到目标用户访问终端上的视频推荐页面，获取目标用户的标识信息。
步骤207，返回培训视频推荐结果。
根据目标用户的标识信息获取目标用户的点播记录，将点播记录经过上述预处理操作后输入至视频推荐模型，输出培训视频推荐结果。如果目标用户的点播记录为空，表示目标用户为新用户，则可以将默认视频序列数据作为目标用户的视频序列数据，进而将目标用户的视频序列数据输入至视频推荐模型，输出培训视频推荐结果。
步骤208，推荐新培训视频。
如果培训视频推荐结果中存在与新培训视频的相似度相差较多的老培训视频，则将新培训视频一并推荐给目标用户。在实际应用中，如果培训视频推荐结果中包含一个与新培训视频的相似度之差大于1的老培训视频，则将该新培训视频插入到该老培训视频之后一位，并删除培训视频推荐结果中的最后一位的培训视频。将新培训视频推荐给目标用户，以保证培训视频推荐结果的新鲜度。
步骤209，碎片化细分推荐结果。
将培训视频推荐结果根据碎片化学习的特点，划分为看完待复习、未看完待续学和未看待学三大分类，以便帮忙目标用户进行完整、系统化的培训学习。在实际应用中，可以在培训视频推荐结果中展示看完待复习、未看完待续学和未看待学三大分类的培训视频的数量，并且在每个培训视频的右上角位置展示对应的看完待复习、未看完待续学和未看待学等字样。
参照图3，示出了本申请的一种培训视频的推荐方法实施例的流程示意图。该培训视频的推荐方法可以涉及到服务器、终端、视频数据库。服务器向视频数据库发送数据获取请求，视频数据库中的全量点播记录经过数据预处理得到有效点播序列。对有效点播序列中的冷门视频的权重进行增强得到训练数据。利用训练数据对视频推荐模型进行训练，在服务器中保存训练完毕的视频推荐模型。当目标用户访问视频推荐页面时，目标用户的编号发送至视频数据库，从视频数据库中获取目标用户的点播记录或者视频序列数据，对目标用户的点播记录或者视频序列数据进行数据预处理，再将数据预处理后的点播记录或者视频序列数据输入至保存的视频推荐模型，输出视频推荐结果。在视频推荐结果中插入新培训视频，更新视频推荐结果，再对更新后的视频推荐结果进行差异化细分，返回差异化细分后的视频推荐结果给目标用户。
本申请实施例可以利用门控图神经网络训练视频推荐模型，并选择最近的n条点播记录训练视频推荐模型，减少了视频推荐模型的训练数据量，节省了视频推荐模型的训练时间。而且，在视频推荐结果中增加了新视频，提高了新视频被推荐的概率。
本申请实施例针对新用户即点播记录为空或者较少的用户，利用预设的默认视频序列数据输入值视频推荐模型，输出新用户的视频推荐结果。
在培训视频推荐场景下，在推荐符合用户兴趣的培训视频的情况下，还可以推荐冷门的精品培训视频，以便拓宽用户的学习面，从而提升用户的业务水平和知识水平。
本申请实施例对视频推荐结果进行差异化细分，以便用户可以利用零碎的时间对视频进行完整的、系统性的、差异化的学习，提升了培训视频学习的效果。
需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请实施例并不受所描述的动作顺序的限制，因为依据本申请实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本申请实施例所必须的。
参照图4，示出了本申请的一种视频数据的推荐装置实施例的结构框图，该视频数据的推荐装置具体可以包括如下模块：
监听模块41，被配置成监听到视频数据推荐请求，所述视频数据推荐请求包含目标用户的标识信息；
获取模块42，被配置成根据所述标识信息获取所述目标用户的视频序列数据，所述视频序列数据基于顺序排列的多条视频点播记录生成所得；
传输模块43，被配置成将所述视频序列数据输入至视频推荐模型，输出视频推荐结果，所述视频推荐结果包含顺序排列的多个第一视频；
所述获取模块42，还被配置成根据每个所述第一视频的相似度获取至少一个对应的第二视频，所述第二视频与对应的所述第一视频之间的相似度大于预设的相似度阈值，且所述第二视频的最早点播时间信息位于对应的所述第一视频的最早点播时间信息之后；
更新模块44，被配置成将所述第二视频插入到所述视频推荐结果中，得到新的视频推荐结果。
在本申请的一种示例性实施例中，所述更新模块44，被配置成将所述第二视频插入到对应的所述第一视频在所述视频推荐结果中的位置之后，且删除所述视频推荐结果中倒数的至少一个所述第一视频；
其中，删除的所述第一视频数据的数量与插入到所述视频推荐结果中的所述第二视频数据的数量相同。
在本申请的一种示例性实施例中，所述获取模块42，还被配置成获取所述第一视频和所述第二视频的点播状态；
所述装置还包括：展示模块，被配置成在所述第一视频和所述第二视频的预设位置处展示对应的点播状态，并且按照所述点播状态对所述第一视频和所述第二视频进行分类。
在本申请的一种示例性实施例中，所述获取模块42，包括：
搜索模块，被配置成根据所述标识信息搜索得到所述目标用户的视频点播记录；
预处理模块，被配置成对所述目标用户的视频点播记录进行预处理操作；
生成模块，被配置成根据预处理操作后的所述目标用户的视频点播记录生成所述视频序列数据；或者，
所述搜索模块，被配置成根据所述标识信息未搜索得到所述目标用户的视频点播记录；
确定模块，被配置成将预设的默认视频序列数据作为所述目标用户的视频序列数据。
在本申请的一种示例性实施例中，所述获取模块42，还被配置成获取全部用户的视频点播记录；
所述预处理模块，还被配置成对所述全部用户的视频点播记录进行所述预处理操作；
所述生成模块，还被配置成根据预处理操作后所述全部用户的视频点播记录生成所述全部用户的各视频序列数据；
所述确定模块，还被配置成将所述全部用户的各视频序列数据中出现频次最高的视频序列数据作为所述默认视频序列数据。
在本申请的一种示例性实施例中，所述装置还包括：
统计模块，被配置成统计全部用户的视频点播记录中的各视频的点播次数；
增加模块，被配置成增加所述点播次数小于预设的次数阈值的视频的点播次数，得到新的视频点播记录；
训练模块，被配置成根据所述新的视频点播记录训练得到所述视频推荐模型。
在本申请的一种示例性实施例中，所述获取模块42，被配置成获取所述全部用户的最新的多条视频点播记录。
对于装置实施例而言，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。
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。
下面参考图5，其示出了适于用来实现本申请实施例的电子设备的计算机系统500的结构示意图。图5示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图5所示，计算机系统500包括中央处理单元(cpu)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部分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ram503中，还存储有系统500操作所需的各种程序和数据。cpu501、rom502以及ram503通过总线504彼此相连。输入/输出(i/o)接口505也连接至总线504。
以下部件连接至i/o接口505：包括键盘、鼠标等的输入部分506；包括诸如液晶显示器(lcd)等以及扬声器等的输出部分507；包括硬盘等的存储部分508；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至i/o接口505。可拆卸介质511，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器510上，以便于从其上读出的计算机程序根据需要被安装入存储部分508。
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部分509从网络上被下载和安装，和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(cpu)501执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请所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。在本申请中，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。而在本申请中，计算机可读的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。计算机可读的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：无线、电线、光缆、rf等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本申请各种实施例的装置、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。
描述于本申请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。所描述的单元也可以设置在处理器中，其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。
作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。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装置执行时，使得该装置：监听到视频数据推荐请求，所述视频数据推荐请求包含目标用户的标识信息；根据所述标识信息获取所述目标用户的视频序列数据，所述视频序列数据基于顺序排列的多条视频点播记录生成所得；将所述视频序列数据输入至视频推荐模型，输出视频推荐结果，所述视频推荐结果包含顺序排列的多个第一视频；根据每个所述第一视频的相似度获取至少一个对应的第二视频，所述第二视频与对应的所述第一视频之间的相似度大于预设的相似度阈值，且所述第二视频的最早点播时间信息位于对应的所述第一视频的最早点播时间信息之后；将所述第二视频插入到所述视频推荐结果中，得到新的视频推荐结果。
以上描述仅为本申请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，本申请中所涉及的发明范围，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发明构思的情况下，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。例如上述特征与本申请中公开的(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。
1.一种视频数据的推荐方法，其特征在于，包括：
监听到视频数据推荐请求，所述视频数据推荐请求包含目标用户的标识信息；
根据所述标识信息获取所述目标用户的视频序列数据，所述视频序列数据基于顺序排列的多条视频点播记录生成所得；
将所述视频序列数据输入至视频推荐模型，输出视频推荐结果，所述视频推荐结果包含顺序排列的多个第一视频；
根据每个所述第一视频的相似度获取至少一个对应的第二视频，所述第二视频与对应的所述第一视频之间的相似度大于预设的相似度阈值，且所述第二视频的最早点播时间信息位于对应的所述第一视频的最早点播时间信息之后；
将所述第二视频插入到所述视频推荐结果中，得到新的视频推荐结果。
2.根据权利要求1所述的方法，其特征在于，所述将所述第二视频插入到所述视频推荐结果中，得到新的视频推荐结果，包括：
将所述第二视频插入到对应的所述第一视频在所述视频推荐结果中的位置之后，且删除所述视频推荐结果中倒数的至少一个所述第一视频；
其中，删除的所述第一视频数据的数量与插入到所述视频推荐结果中的所述第二视频数据的数量相同。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取所述第一视频和所述第二视频的点播状态；
在所述第一视频和所述第二视频的预设位置处展示对应的点播状态，并且按照所述点播状态对所述第一视频和所述第二视频进行分类。
4.根据权利要求1所述的方法，其特征在于，所述根据所述标识信息获取所述目标用户的视频序列数据，包括：
根据所述标识信息搜索得到所述目标用户的视频点播记录；
对所述目标用户的视频点播记录进行预处理操作；
根据预处理操作后的所述目标用户的视频点播记录生成所述视频序列数据；或者，
根据所述标识信息未搜索得到所述目标用户的视频点播记录；
将预设的默认视频序列数据作为所述目标用户的视频序列数据。
5.根据权利要求4所述的方法，其特征在于，所述默认视频序列数据通过如下方式生成：
获取全部用户的视频点播记录；
对所述全部用户的视频点播记录进行所述预处理操作；
根据预处理操作后所述全部用户的视频点播记录生成所述全部用户的各视频序列数据；
将所述全部用户的各视频序列数据中出现频次最高的视频序列数据作为所述默认视频序列数据。
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
统计全部用户的视频点播记录中的各视频的点播次数；
增加所述点播次数小于预设的次数阈值的视频的点播次数，得到新的视频点播记录；
根据所述新的视频点播记录训练得到所述视频推荐模型。
7.根据权利要求5所述的方法，其特征在于，所述获取全部用户的视频点播记录，包括：
获取所述全部用户的最新的多条视频点播记录。
8.一种视频数据的推荐装置，其特征在于，包括：
监听模块，被配置成监听到视频数据推荐请求，所述视频数据推荐请求包含目标用户的标识信息；
获取模块，被配置成根据所述标识信息获取所述目标用户的视频序列数据，所述视频序列数据基于顺序排列的多条视频点播记录生成所得；
传输模块，被配置成将所述视频序列数据输入至视频推荐模型，输出视频推荐结果，所述视频推荐结果包含顺序排列的多个第一视频；
所述获取模块，还被配置成根据每个所述第一视频的相似度获取至少一个对应的第二视频，所述第二视频与对应的所述第一视频之间的相似度大于预设的相似度阈值，且所述第二视频的最早点播时间信息位于对应的所述第一视频的最早点播时间信息之后；
更新模块，被配置成将所述第二视频插入到所述视频推荐结果中，得到新的视频推荐结果。
9.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序，
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权利要求1-7中任一所述的方法。
10.一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一所述的方法。
技术总结