一种视频发布方法、装置、设备和存储介质与流程

本发明实施例涉及互联网技术领域，尤其涉及一种视频发布方法、装置、设备和存储介质。

背景技术：

随着互联网技术的快速发展，短视频工具或平台吸引了众多的移动互联网用户，同时也占据了巨大的流量。用户利用此类短视频工具或平台发布大量的短视频，从而达到娱乐、分享或交流等目的。

目前，用户在短视频工具或者平台上发布短视频之前，会在短视频中精心挑选出某一视频帧作为该短视频的封面，但用户的由于使用习惯或操作等原因，也有相当多的用户跳过手动选择封面这一步骤，直接发布短视频，此时客户端通常采用一些简单的策略确定封面，比如直接选择第一帧。

数据分析表明，短视频的自选封面比默认封面能带来更高的点击率和更多的观看次数，也就是通过某种策略产生的封面，会进一步提高短视频的点击率，以及增加用户对该短视频的观看次数。然而由于每天发布的视频量巨大，无法做到所有的短视频都通过人工方式进行挑选，会耗费大量的人力成本；同时简单的封面确定策略仅通过单一的方式选取确定视频封面，无法满足不同用户多样化的点击和观看需求。

技术实现要素：

本发明实施例提供了一种视频发布方法、装置、设备和存储介质，实现待发布视频中视频封面的智能确定，提升了视频封面与用户喜好的关联度，提高了待发布视频在发布后的点击率和观看次数。

第一方面，本发明实施例提供了一种视频发布方法，该方法包括：

获取待发布视频中两个或两个以上作为候选封面的视频帧；

将单个候选封面分别输入预先构建的不同类型的神经网络模型中，得到所述候选封面在不同吸引因子下的特征信息，所述吸引因子表示吸引用户来点击或观看待发布视频的因素；

根据所述候选封面在不同吸引因子下的特征信息，确定所述候选封面的特征向量；

根据两个或两个以上所述候选封面对应的特征向量，确定所述待发布视频的视频封面。

第二方面，本发明实施例提供了一种视频发布装置，该装置包括：

候选封面获取模块，用于获取待发布视频中两个或两个以上作为候选封面的视频帧；

特征信息确定模块，用于将单个候选封面分别输入预先构建的不同类型的神经网络模型中，得到所述候选封面在不同吸引因子下的特征信息，所述吸引因子表示吸引用户来点击或观看待发布视频的因素；

特征向量确定模块，用于根据所述候选封面在不同吸引因子下的特征信息，确定所述候选封面的特征向量；

视频封面确定模块，用于根据两个或两个以上所述候选封面对应的特征向量，确定所述待发布视频的视频封面。

第三方面，本发明实施例提供了一种设备，该设备包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序；

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本发明任意实施例中所述的视频发布方法。

第四方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明任意实施例中所述的视频发布方法。

本发明实施例提供了一种视频发布方法、装置、设备和存储介质，通过在待发布视频中获取两个或两个以上视频帧作为候选封面，将单个候选封面分别输入不同吸引因子对应的神经网络模型中，得到在不同吸引因子下的特征信息，生成多个吸引因子维度下的特征向量，根据各个候选封面的特征向量，确定对应的视频封面，提升了视频封面与各吸引因子对应的用户喜好之间的关联度，无需人工挑选视频封面，实现了待发布视频中视频封面的智能确定，解决了通过单一因素选取视频封面，无法满足不同用户多样化的点击和观看需求的问题，此时的视频封面对用户存在较大吸引力，提高了待发布视频在发布后的点击率和观看次数。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1a为本发明实施例一提供的一种视频发布方法的流程图；

图1b为本发明实施例一提供的视频发布过程的原理示意图；

图2为本发明实施例二提供的不同类型的神经网络模型和排序模型的构建过程的原理示意图；

图3为本发明实施例三提供的神经网络模型训练过程的原理示意图；

图4为本发明实施例四提供的视频发布过程的原理示意图；

图5为本发明实施例五提供的一种视频发布装置的结构示意图；

图6为本发明实施例六提供的一种设备的结构示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

本发明实施例主要针对视频封面中吸引用户点击或观看视频的因素不同，对不同吸引因子下的候选封面的特征信息进行分析，以便从不同吸引因子对应的多个维度来描述各个候选封面的特征，进而通过对待发布视频中各个候选封面的多维度特征进行综合分析，以满足不同用户多样化的点击和观看需求，得到对用户点击或观看待发布视频的吸引力最大的视频封面，提高了待发布视频在发布后的点击率和观看次数。

实施例一

图1a为本发明实施例一提供的一种视频发布方法的流程图，本实施例可应用于任一种配置有能够发布各类视频的视频应用程序的智能终端中。本发明实施例的方案可以适用于如何智能确定待发布视频的视频封面的问题。本实施例提供的一种视频发布方法可以由本发明实施例提供的视频发布装置来执行，该装置可以通过软件和/或硬件的方式来实现，并集成在执行本方法的设备中，该设备可以是配置有能够发布各类视频的视频应用程序的任一种智能终端，如智能手机、平板电脑或者笔记本电脑等。

具体的，参考图1a，该方法可以包括如下步骤：

s110，获取待发布视频中两个或两个以上作为候选封面的视频帧。

其中，待发布视频是指任一用户可以通过各类视频应用程序预先生成的需要发布到互联网中进行广泛传播，从而实现网络社交所对应的视频数据；如用户录制的短视频、网络直播视频等。具体的，用户在互联网中存在的大量视频中选择某一视频进行点击或者观看时，会根据各个视频的封面来选择自身吸引力较大的视频，而忽略其他吸引力较小的视频，因此本实施例主要针对吸引各个用户点击或者观看视频的因素不同，在待发布视频上传到互联网中之前，预先为各个待发布视频智能设定专有的视频封面，以符合各个用户的观看喜好。

本实施例中将待发布视频内的某一视频帧作为该待发布视频的视频封面，此时由于一个待发布视频中包括大量的视频帧，且某一时间段内的连续视频帧中包括重复的视频画面，如果对全部视频帧处理而选取某一特定视频帧作为视频封面，此时视频帧的处理量过大，且存在大量对相似视频画面的重复操作，导致视频封面的选择过程持续时间较长以及效率较低，因此本实施例中通过对候选封面处理得到对应的视频封面，提高视频封面的确定效率。其中，候选封面是指在待发布视频包含的全部视频帧中满足一定条件的、能够代表不同类中相似视频帧的特征的视频帧，如各类相似视频帧中图像效果最好的视频帧。

可选的，在确定待发布视频的视频封面时，首先需要在该待发布视频包含的全部视频帧中选取出满足一定条件且能够代表各类相似视频帧的特征的两个或者两个以上的视频帧，作为该待发布视频的候选封面，后续对该候选封面进行处理，来确定该待发布视频的视频封面，减少视频帧的处理数量，提高处理效率。

s120，将单个候选封面分别输入预先构建的不同类型的神经网络模型中，得到候选封面在不同吸引因子下的特征信息。

其中，吸引因子表示吸引用户来点击或观看待发布视频的因素。具体的，由于待发布视频中吸引因子相对繁杂，例如：对于同一个用户，不同待发布视频的视频封面吸引该用户点击或观看的因素不尽相同，如可能是封面显示内容的新奇或创意、显示内容的紧张刺激程度、封面人物的年龄、颜值和性别或者图像清晰度等；而对于同一待发布视频，不同用户的第一主观感受也不尽相同，如同一视频吸引第一用户点击或观看的因素可能是封面中的人物颜值，而吸引第二用户点击或观看的因素可能是封面显示内容中透露的剧情；因此本实施例中针对每一吸引因子，可以预先为该吸引因子训练一个对应的神经网络模型，该神经网络模型是一种深度机器学习模型，能够预先为该神经网络模型设定对应的训练参数，并通过大量历史视频的视频帧，对该神经网络模型中初始设定的训练参数进行优化训练，使得该神经网络模型具备一定的特征提取能力，对于各个候选封面，均能够准确提取出候选封面在该吸引因子下的特征信息。

本实施例中对于不同的吸引因子，能够预先训练出该吸引因子对应类型下的神经网络模型，从而预先构建出不同类型的神经网络模型。需要说明的是，本实施例中各个神经网络模型对应的吸引因子是预先挖掘出的对用户点击或观看视频有正向影响的因素，能够在某种程度上反映候选封面中包含的视频内容情节对于吸引用户点击或观看的次数的影响程度，将用户的点击率或观察次数与视频封面中包含的内容情节之间的内在关系相结合，准确衡量各个候选封面对于用户的吸引力。

可选的，在得到待发布视频中两个或两个以上的候选封面时，为了判断每一候选封面对于用户点击或观看该待发布视频的吸引力，如图1b所示，可以将单个候选封面分别输入到本实施例中预先构建的不同类型的神经网络模型中，由不同类型的神经网络模型对该候选封面进行并行处理，得到不同类型的神经网络模型输出的该候选封面在对应的不同吸引因子下的特征信息；依据上述过程，对每一候选封面进行同样的处理，得到各个候选封面在不同吸引因子下的特征信息。本实施例中通过不同类型的神经网络模型对候选封面进行处理，可以是通过不同类型的神经网络模型对同一候选封面针对不同吸引因子的吸引力得分，通过该吸引力得分来表示候选封面在不同吸引因子下的特征信息，从而判断候选封面在不同的单个吸引因子下分别吸引用户点击或观看待发布视频的影响程度。

s130，根据候选封面在不同吸引因子下的特征信息，确定候选封面的特征向量。

具体的，在得到各个候选封面在不同吸引因子下的特征信息时，为了更加完整、准确的判断各个候选封面对于用于点击或观看待发布视频的吸引力，可以对候选封面在不同吸引因子下的特征信息进行相应的特征处理，从而得到由不同吸引因子对应的多个维度来表示的候选封面的特征向量，该特征向量可以从多个维度描述该候选封面对于用户点击或观看待发布视频的吸引力，后续对各个候选封面的特征向量进行处理，从多维度判断各个候选封面对于用户点击或观看待发布视频的吸引力。

s140，根据两个或两个以上候选封面对应的特征向量，确定待发布视频的视频封面。

其中，视频封面是指待发布视频在线上发布后，各类视频应用程中显示的表示该待发布视频的图像。

具体的，在得到各个候选封面的特征向量后，可以对两个或两个以上候选封面的特征向量分别进行分析，也就是对同一候选封面在多维度下不同吸引因子对应的特征信息进行融合分析，从多个吸引因子的角度综合判断该候选封面对于用户点击或观看待发布视频的吸引力，从而在各个候选封面中选取出对于用户点击或观看待发布视频的吸引力最高的候选封面，作为该待发布视频最终的视频封面。

可选的，为了准确衡量各个候选封面对用户点击或观看视频的吸引力，本实施例中根据两个或两个以上候选封面对应的特征向量，确定待发布视频的视频封面，可以具体包括：将候选封面对应的特征向量输入预先构建的排序模型中，得到候选封面的排序得分；根据候选封面的排序得分，确定待发布视频的视频封面。

具体的，排序模型是一种机器学习模型，通过采用大量训练样本对该模型中的训练参数和神经元结构进行训练，能够具备一定的吸引力判断能力，从而根据各个候选封面通过不同吸引因子表示的多维度下的特征向量准确判断出候选封面对于用户点击或观看待发布视频的吸引力；排序得分是指对于用户点击或观看待发布视频的吸引力得分。

可选的，本实施例中通过各个候选封面在不同吸引因子下的特征信息得到各候选封面的特征向量，此时将各个候选封面的特征向量分别输入到预先通过大量训练样本构建的排序模型中，如图1b所示，该排序模型对候选封面的特征向量中包含的多个维度对应的不同吸引因子下的特征信息进行融合分析，得到表示候选封面对于用户点击或观看待发布视频的吸引力的排序得分；在得到获取的两个或两个以上候选封面的排序得分时，在各个候选封面中选取出排序得分最高的候选封面，作为该待发布视频的视频封面，此时该视频封面对于用户点击或观看待发布视频的吸引力最高，提高了待发布视频在发布后的点击率和观看次数。

本实施例提供的技术方案，通过在待发布视频中获取两个或两个以上视频帧作为候选封面，将单个候选封面分别输入不同吸引因子对应的神经网络模型中，得到在不同吸引因子下的特征信息，生成多个吸引因子维度下的特征向量，根据各个候选封面的特征向量，确定对应的视频封面，提升了视频封面与各吸引因子对应的用户喜好之间的关联度，无需人工挑选视频封面，实现了待发布视频中视频封面的智能确定，解决了通过单一因素选取视频封面，无法满足不同用户多样化的点击和观看需求的问题，此时的视频封面对用户存在较大吸引力，提高了待发布视频在发布后的点击率和观看次数。

实施例二

图2为本发明实施例二提供的不同类型的神经网络模型和排序模型的构建过程的原理示意图。本实施例是在上述实施例的基础上进行优化。具体的，如图2所示，本实施例主要对于视频封面中影响用户点击或观看视频的吸引因子进行挖掘，从而对不同类型的神经网络模型和排序模型的构建过程进行详细的解释说明。

可选的，本实施例中的方法具体可以包括如下步骤：

s210，获取预先设定的两个或两个以上的训练吸引因子。

其中，训练吸引因子是指根据各个用户习惯或者用户喜好等预先设定的可能会对用户点击或观看视频造成影响的因素，会存在对用户点击或观看视频有正向影响的因素，也会存在对用户点击或观看视频有反向影响的因素，例如封面任务的颜值可能是有正向影响的因素，而封面中显示的恐怖血腥内容可能是有反向影响的因素。

具体的，本实施例中在对封面中对用户点击或观看视频有正向影响的吸引因子进行挖掘时，可以首先获取根据各个用户习惯或者用户喜好等预先设定的两个或两个以上的训练吸引因子，后续依次针对单个训练吸引因子得到对应的视频封面，并判断单个训练吸引因子对应的视频封面对用户点击或观看视频的吸引力，从而从两个或两个以上的训练吸引因子中筛选出对用户点击或观看视频有正向影响的训练吸引因子，从而构建本实施例中需要的不同类型的神经网络模型。

s220，依次获取单个训练吸引因子对应的历史视频在线上发布后的点击指标量。

其中，点击指标是指能够明确反映历史视频中的视频封面对用户点击或观看该历史视频的吸引力的指标；点击指标量是指根据对应的视频封面将历史视频在线上发布后用户点击或观看该历史视频的点击率或者观看次数等。

可选的，在获取到两个或两个以上的训练吸引因子时，需要对单个训练吸引因子对应的用户点击或观看视频的点击指标量进行测试，此时首先需要获取单个训练吸引因子对应的点击指标量。具体的，本实施例中采用多轮测试的方式分别获取单个训练吸引因子对应的点击指标量，首先确定训练吸引因子的测试顺序，针对单个训练吸引因子专门重新确定历史视频的视频封面，并根据此时确定的视频封面在线上发布该历史视频，从而对该训练吸引因子执行一轮历史视频的点击指标量测试。

示例性的，由于需要对单个训练吸引因子对用户点击或观看视频的新引力进行判断，因此首先需要得到一个初始的无任何训练吸引因子参与确定的历史视频的视频封面，将根据该视频封面将历史视频在线上发布后的点击指标量作为后续判断各个训练吸引因子的吸引力的参考依据，此时在首轮点击指标量测试中，无需设定任何神经网络模型，采用随机抽样的方式，从历史视频中随机选取一个视频帧作为首轮测试中对应的视频封面，此时根据首轮测试的视频封面将该历史视频在线上发布，得到首轮测试的点击指标量。

在第二轮点击指标量测试中，可以根据预先确定的训练吸引因子的测试顺序，选取该轮测试针对的训练吸引因子，获取对该轮测试针对的训练吸引因子预先训练的神经网络模型，从而将预先从历史视频的全部视频帧中选取出的两个或两个以上的候选封面输入到该神经网络模型中，得到候选封面在该训练吸引因子下的特征信息，进而将该特征信息输入到排序模型中，得到各候选封面的排序得分，进而确定第二轮测试中对应的视频封面，此时根据第二轮测试对应的视频封面将该历史视频在线上发布，得到第二轮测试的点击指标量。

在第三轮点击指标量测试中，再次选取该轮测试针对的训练吸引因子，获取对该轮测试针对的训练吸引因子预先训练的神经网络模型，并与前轮已经测试的训练吸引因子对应的神经网络模型共同构建出本次测试对应的不同类型的神经网络模型，将预先从历史视频的全部视频帧中选取出的两个或两个以上的候选封面输入到本次测试预先构建的不同类型的神经网络模型中，得到候选封面在本轮测试与前轮测试对应的不同训练吸引因子下的特征信息，进而得到候选封面的特征向量，将该特征向量输入到排序模型中，得到各候选封面的排序得分，进而确定第三轮测试中对应的视频封面，此时根据第三轮测试对应的视频封面将该历史视频在线上发布，得到第三轮测试的点击指标量；依次根据本轮的测试过程对后轮点击指标量循环测试，得到每一轮点击指标量测试中针对的训练吸引因子对应的点击指标量；直至采用多轮测试方式对全部的训练吸引因子均完成对应的点击指标量测试，从而确定出本实施例中对用户点击或观看视频有正向影响的训练吸引因子，实现视频封面中吸引因子的有效挖掘。

此外，在多轮点击指标量测试过程中，将历史视频的特征向量输入到排序模型时，也可以通过大量历史视频对该排序模型进行训练，通过不同类型的神经网络模型中得到的在不同训练吸引因子下的特征信息，确定各个历史视频的特征向量，后续将该特征向量输入到排序模型中进行训练，提高该排序模型输出的排序得分的准确性。可选的，本实施例中排序模型可以采用多层感知机(multilayerperceptron，mlp)、支持向量机(supportvectormachine，svm)等机器学习模型，训练过程中可以采用任一种损失函数进行训练，示例性的，本实施例中采用一种相对关系约束的损失函数。具体的，该损失函数定义为：

其中，为某一候选封面在当前轮点击指标量测试时排序模型输出的排序得分；为同一候选封面在前一轮点击指标量测试时排序模型输出的排序得分；本实施例中要求保证当前轮测试的训练吸引因子对用户点击或观看视频的正向影响。δ为模型训练时预先设定的可调整的超参，为正数，通过对机器学习选择最优的超参，提高机器学习的性能。此时，本实施例中根据与的大小，将损失函数的惩罚措施设置为两个阶段来说明，分别为u≤δ和u>δ两个阶段。

其中，表示损失函数在第一阶段的惩罚力度；

表示损失函数在第二阶段的惩罚力度；

为第一阶段和第二阶段的判断指标；

此时，表示相邻两轮的排序得分之间的差异大小，在u<0时，说明远大于满足训练要求，此时lrank＝0，无需进行惩罚；在0≤u≤δ时，说明虽然大于但差异较小，为了满足排序模型的准确性，可以进行较小力度的惩罚，此时lrank＝0.5u²，由于0≤u≤δ，使得0.5u²保证了较小的惩罚力度；在u>δ时，说明小于不符合训练要求，此时lrank＝δu-0.5δ²，可以在该阶段进行较大力度的惩罚；从而通过该损失函数实现排序模型的训练，保证排序模型输出排序得分的准确性。

s230，判断当前训练吸引因子对应的点击指标量是否大于上一训练吸引因子对应的点击指标量，若是，执行s240；若否，执行s250。

具体的，在通过多轮测试方式得到每一轮测试中当前训练吸引因子对应的点击指标量时，为了对当前训练吸引因子的吸引力进行判断，还可以将当前训练吸引因子对应的点击指标量与上一轮点击指标量测试中未加入当前训练吸引因子对应的神经网络模型时得到的上一训练吸引因子对应的点击指标量进行比对，也就是判断加入当前训练吸引因子对应的神经网络模型时确定的视频封面与加入之前确定的视频封面对同一历史视频的点击指标量的影响，从而判断当前训练吸引因子对用户点击或观看视频的吸引力。

s240，将当前训练吸引因子对应的神经网络模型作为预先构建的不同类型的神经网络模型的组成之一。

可选的，如果当前训练吸引因子对应的点击指标量大于上一训练吸引因子对应的点击指标量，说明根据加入当前训练吸引因子对应的神经网络模型后得到的视频封面将历史视频在线上发布后，用户点击或观看该历史视频的数量增多，也就是当前训练吸引因子对用户点击或观看该历史视频具有正向影响，此时将该训练吸引因子对应的神经网络模型作为预先构建的不同类型的神经网络模型的组成之一，并继续执行下一训练吸引因子的点击指标量测试。

s250，舍弃当前训练吸引因子对应的神经网络模型。

可选的，如果当前训练吸引因子对应的点击指标量小于等于上一训练吸引因子对应的点击指标量，说明根据加入当前训练吸引因子对应的神经网络模型后得到的视频封面将历史视频在线上发布后，用户点击或观看该历史视频的数量减少或者不变，也就是当前训练吸引因子对用户点击或观看该历史视频不具有正向影响，可能还具有反向影响，此时直接舍弃该训练吸引因子对应的神经网络模型，而不作为预先构建的不同类型的神经网络模型的组成，并继续执行下一训练吸引因子的点击指标量测试。可选的，当前舍弃的神经网络模型可以不作为下一轮点击指标量测试中构建的不同类型的神经网络模型，也就是在本轮测试中舍弃当前训练吸引因子对应的神经网络模型时，也就是本轮测试未通过，此时在将下一训练吸引因子作为当前训练吸引因子进行测试时，排除未通过测试的训练吸引因子对应的点击指标量，而与前一轮通过测试的训练吸引因子对应的点击指标量进行比对判断，提高挖掘出的吸引因子的有效性。

s260，将下一训练吸引因子作为当前训练吸引因子，继续执行s230，直至遍历训练吸引因子，得到预先构建的不同类型的神经网络模型。

可选的，在对当前训练吸引因子对用户点击或观看视频的吸引力进行判断后，通过多轮测试方式继续对下一训练吸引因子对用户点击或观看视频的吸引力进行判断，也就是将下一训练吸引因子作为当前训练吸引因子，继续执行上述的判断过程，直至遍历完训练吸引因子，则得到预先构建的不同类型的神经网络模型。具体的，本实施例中设定训练吸引因子，可以是在多轮点击指标量测试过程中多次挖掘训练吸引因子，通过多轮点击指标量测试实现一种可迭代的吸引因子挖掘流程，直至连续多轮的点击指标量测试中训练吸引因子对应的点击指标量小于等于前一轮测试中的点击指标量，说明无法再挖掘出具有正向影响的吸引因子，此时停止吸引因子的挖掘，在多轮点击指标量测试中，得到本实施例中需要的由正向影响的吸引因子对应的神经网络模型构建的不同类型的神经网络模型。

本实施例提供的技术方案，通过判断当前训练吸引因子对应的历史视频在线上发布后的点击指标量与上一训练吸引因子对应的点击指标量的不同，从而在训练吸引因子中有效挖掘出对用户点击或观看视频有正向影响的吸引因子，将该吸引因子对应的神经网络模型构建为最终训练出的不同类型的神经网络模型，有效提升视频封面对用户的吸引力，提高待发布视频在发布后的点击率和观看次数。

实施例三

图3为本发明实施例三提供的神经网络模型训练过程的原理示意图。本实施例是在上述实施例的基础上进行优化。具体的，本实施例中主要对离线训练不同吸引因子对应的神经网络模型的具提训练过程进行详细的解释说明。

可选的，本实施例中具体可以包括如下步骤：

s310，获取预先设定的两个或两个以上的训练吸引因子，以及单个训练吸引因子对应的历史视频中两个或两个以上作为历史候选封面的历史视频帧，并确定历史候选封面在对应的训练吸引因子下的特征标签。

具体的，本实施例在对每一个训练吸引因子对应的神经网络模型进行训练时，首先需要获取预先设定的两个或两个以上的训练吸引因子，以及单个训练吸引因子对应的历史视频中两个或两个以上作为历史候选封面的历史视频帧，将历史视频中的历史候选封面作为训练样本，并确定历史候选封面在对应的训练吸引因子下的特征标签，该特征标签可以是预先标注的历史候选封面在对应的训练吸引因子下的得分。

s320，将单个历史候选封面输入训练吸引因子对应的预设模型中，得到历史候选封面在训练吸引因子下的历史特征信息。

具体的，在得到单个训练吸引因子对应的历史视频中两个或两个以上的候选封面时，直接将单个历史候选封面输入到本实施例中为该训练吸引因子设定的预设模型中，此时该预设模型是针对历史候选封面在该训练吸引因子下的特征信息进行训练，通过该模型中的训练参数和各个神经元结构之间的关系，对输入的历史候选封面进行分析，确定历史候选封面在该训练吸引因子下的特征信息，以便后续将该特征信息与历史候选封面在该训练吸引因子下的特征标签进行比对，根据比对结果对该预设模型中的训练参数和神经元结构进行优化，从而对该预设模型进行迭代训练。

s330，根据历史候选封面在训练吸引因子下的历史特征信息和特征标签，确定对应的训练损失，采用随机梯度下降的优化方法调整预设模型的参数，使得所述训练损失小于既定的损失阈值，最终将最新的预设模型作为训练吸引因子对应的神经网络模型。

具体的，在得到历史候选封面在单个训练吸引因子下的特征信息时，该特征信息是一种预估值，此时将该特征信息与历史候选封面在该训练吸引因子下的特征标签进行比对，也就是对历史候选封面的特征信息的预估值和实际值进行比对，从而确定本次训练该预设模型中存在的训练损失，该训练损失可以明确表明当前训练的预设模型对于历史候选封面中特征提取的准确程度。可选的，本实施例中可以采用任一种现有的损失函数来判断本次训练的训练损失，对此不作限定。同时，本实施例在得到本次分批次训练的多个历史候选封面作为训练样本时存在的训练损失时，还需要采用随机梯度下降的优化方法对该训练损失进行判断，如果本次训练的训练损失大于等于既定的损失阈值，说明本次训练的预设模型对历史候选封面中特征提取的准确性还不高，还需要再次进行训练，从而调整预设模型中的参数，使得训练损失相应降低；进而获取下一批次的多个历史候选封面作为训练样本，再次确定对应的训练损失，并再次采用随机梯度下降的优化方法调整预设模型中的参数，依次循环，直到得到的训练损失小于既定的损失阈值，说明本次训练的预设模型对历史候选封面中的特征提取已经达到一定的准确性，无需再次训练，此时将当前最新的预设模型作为该训练吸引因子对应的神经网络模型；依据上述过程对于每一个训练吸引因子对应的神经网络模型均进行训练，得到不同吸引因子对应的不同类型的神经网络模型。其中，随机梯度下降的优化方法是机器学习中使用非常广泛的优化算法，随机梯度下降的优化主要是针对最小化每条样本的损失函数，此时虽然不是每次迭代得到的损失函数都向着全局最优方向，但是整体迭代的方向是向全局最优解的，最终的结果往往是在全局最优解附近，因此得到的最新的预设模型对历史候选封面中的特征提取能够达到一定的准确性。

本实施例提供的技术方案，通过历史候选封面在单个训练吸引因子下的历史特征信息和特征标签，对该训练吸引因子对应的神经网络模型进行训练，提高各个训练吸引因子对应的神经网络模型获取特征信息的准确性，对候选封面特征与各吸引因子对应的用户喜好之间的关联度进行分析，有效提升视频封面对用户的吸引力。

实施例四

图4为本发明实施例四提供的视频发布过程的原理示意图。本实施例是在上述实施例的基础上进行优化。具体的，如图4所示，本实施例主要针对候选封面的获取过程以及视频发布过程进行详细的解释说明。

可选的，本实施例具体可以包括如下步骤：

s410，获取待发布视频中满足预设条件的初始视频帧。

具体的，本实施例在获取待发布视频中的候选封面时，首先可以确定在全部视频帧中初始筛选所应满足的预设条件，该预设条件可以是能够在全部视频帧中过滤掉昏暗、模糊或纯色等视频帧的条件，此时在待发布视频包含的全部视频帧中筛选出满足预设条件的初始视频帧，后续在该初始视频帧中继续筛选对应的候选封面，本实施例中的预设条件筛选可以采用快速算法，在整个视频发布流程中占用的开销非常小，提高了处理速率。

s420，采用聚类算法对初始视频帧进行处理，得到两个或两个以上的聚类集。

具体的，在得到待发布视频中的初始视频帧时，可以采用聚类算法对初始视频帧进行处理，从而将初始视频帧中具有相似特征的视频帧分为一类，得到两个或两个以上的聚类集，该聚类集中可以包括至少一个初始视频帧。

s430，从聚类集中选取目标视频帧，作为待发布视频的候选封面。

可选的，在得到两个或两个以上的聚类集后，可以在每一聚类集中选取一个目标视频帧，作为该聚类集对应的候选封面，从而得到待发布视频中两个或两个以上的候选封面，此时可以排除掉重复的视频帧，减少对具有相似视频画面的重复操作，提高待发布视频中视频封面的准确性。

s440，将单个候选封面分别输入预先构建的不同类型的神经网络模型中，得到候选封面在不同吸引因子下的特征信息。

s450，对候选封面在不同吸引因子下的特征信息进行归一化处理，得到候选封面的特征向量。

可选的，在得到候选封面在不同吸引因子下的特征信息时，该特征信息是针对不同维度下的不同特征，此时考虑到每个维度的量纲问题，可以采用归一化的方式对候选封面在不同吸引因子下的特征信息进行预处理，从而得到候选封面的特征向量。示例性的，若各个候选封面在不同吸引因子下的特征信息为其中，n为候选封面的序号标识，t为吸引因子的序号标识，表示第n个候选封面在第t个吸引因子下的特征信息；此时通过下述公式对候选封面在不同吸引因子下的特征信息进行归一化处理：其中，n为候选封面的数量；此时得到归一化后的各候选封面的特征向量为

s460，根据两个或两个以上候选封面对应的特征向量，确定待发布视频的视频封面。

s470，根据视频封面在线上发布待发布视频。

可选的，在确定待发布视频的视频封面时，根据该视频封面在线上发布该待发布视频，提高待发布视频的点击率和观看次数。

本实施例提供的技术方案，通过对待发布视频中满足预设条件的初始视频帧进行聚类，并从得到的各个聚类集中分别选取目标视频帧，作为该待发布视频的候选封面，减少了视频封面确定的视频帧处理数量，提高了视频封面的确定速率，根据该视频封面在线上发布对应的待发布视频，提高待发布视频在发布后的点击率和观看次数。

实施例五

图5为本发明实施例五提供的一种视频发布装置的结构示意图，具体的，如图5所示，该装置可以包括：

候选封面获取模块510，用于获取待发布视频中两个或两个以上作为候选封面的视频帧；

特征信息确定模块520，用于将单个候选封面分别输入预先构建的不同类型的神经网络模型中，得到候选封面在不同吸引因子下的特征信息，该吸引因子表示吸引用户来点击或观看待发布视频的因素；

特征向量确定模块530，用于根据候选封面在不同吸引因子下的特征信息，确定候选封面的特征向量；

视频封面确定模块540，用于根据两个或两个以上候选封面对应的特征向量，确定待发布视频的视频封面。

本实施例提供的技术方案，通过在待发布视频中获取两个或两个以上视频帧作为候选封面，将单个候选封面分别输入不同吸引因子对应的神经网络模型中，得到在不同吸引因子下的特征信息，生成多个吸引因子维度下的特征向量，根据各个候选封面的特征向量，确定对应的视频封面，提升了视频封面与各吸引因子对应的用户喜好之间的关联度，无需人工挑选视频封面，实现了待发布视频中视频封面的智能确定，解决了通过单一因素选取视频封面，无法满足不同用户多样化的点击和观看需求的问题，此时的视频封面对用户存在较大吸引力，提高了待发布视频在发布后的点击率和观看次数。

进一步的，上述视频发布装置，还可以包括：

训练因子获取模块，用于获取预先设定的两个或两个以上的训练吸引因子；

网络模型构建模块，用于如果当前训练吸引因子对应的历史视频在线上发布后的点击指标量大于上一训练吸引因子对应的点击指标量，则将当前训练吸引因子对应的神经网络模型作为预先构建的不同类型的神经网络模型的组成之一，直至遍历训练吸引因子，得到预先构建的不同类型的神经网络模型。

进一步的，上述视频发布装置，还可以包括：

训练样本获取模块，用于获取预先设定的两个或两个以上的训练吸引因子，以及单个训练吸引因子对应的历史视频中两个或两个以上作为历史候选封面的历史视频帧，并确定历史候选封面在对应的训练吸引因子下的特征标签；

历史特征确定模块，用于将单个历史候选封面输入训练吸引因子对应的预设模型中，得到历史候选封面在训练吸引因子下的历史特征信息；

网络模型训练模块，用于根据历史候选封面在训练吸引因子下的历史特征信息和特征标签，确定对应的训练损失，采用随机梯度下降的优化方法调整预设模型的参数，使得所述训练损失小于既定的损失阈值，最终将最新的预设模型作为训练吸引因子对应的神经网络模型。

进一步的，上述视频封面确定模块，可以包括：

得分确定单元，用于将候选封面对应的特征向量输入预先构建的排序模型中，得到候选封面的排序得分；

视频封面确定单元，用于根据候选封面的排序得分，确定待发布视频的视频封面。

进一步的，上述视频发布装置，还包括：

视频发布模块，用于在确定待发布视频的视频封面之后，根据视频封面在线上发布待发布视频。

进一步的，上述特征向量确定模块，可以具体用于：

对候选封面在不同吸引因子下的特征信息进行归一化处理，得到候选封面的特征向量。

进一步的，上述候选封面获取模块，可以包括：

初始帧获取单元，用于获取待发布视频中满足预设条件的初始视频帧；

视频帧聚类单元，用于采用聚类算法对初始视频帧进行处理，得到两个或两个以上的聚类集；

候选封面确定单元，用于从聚类集中选取目标视频帧，作为待发布视频的候选封面。

本实施例提供的视频发布装置可适用于上述任意实施例提供的视频发布方法，具备相应的功能和有益效果。

实施例六

图6为本发明实施例六提供的一种设备的结构示意图，如图6所示，该设备包括处理器60、存储装置61和通信装置62；设备中处理器60的数量可以是一个或多个，图6中以一个处理器60为例；设备中的处理器60、存储装置61和通信装置62可以通过总线或其他方式连接，图6中以通过总线连接为例。

存储装置61作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中提供的视频发布方法对应的程序指令/模块。处理器60通过运行存储在存储装置61中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述视频发布方法。

存储装置61可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储装置61可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储装置61可进一步包括相对于处理器60远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

通信装置62可用于实现设备间的网络连接或者移动数据连接。

本实施例提供的一种设备可用于执行上述任意实施例提供的视频发布方法，具备相应的功能和有益效果。

实施例七

本发明实施例七还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时可实现上述任意实施例中的视频发布方法。该方法具体可以包括：

获取待发布视频中两个或两个以上作为候选封面的视频帧；

将单个候选封面分别输入预先构建的不同类型的神经网络模型中，得到候选封面在不同吸引因子下的特征信息，该吸引因子表示吸引用户来点击或观看待发布视频的因素；

根据候选封面在不同吸引因子下的特征信息，确定候选封面的特征向量；

根据两个或两个以上候选封面对应的特征向量，确定待发布视频的视频封面。

当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的视频发布方法中的相关操作。

通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。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，如计算机的软盘、只读存储器(read-onlymemory,rom)、随机存取存储器(randomaccessmemory,ram)、闪存(flash)、硬盘或光盘等，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)执行本发明各个实施例所述的方法。

值得注意的是，上述视频发布装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。

以上所述仅为本发明的优选实施例，并不用于限制本发明，对于本领域技术人员而言，本发明可以有各种改动和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。