视频推送方法、装置、服务器及存储介质与流程

[0001]
本公开涉及视频处理技术领域，尤其涉及视频推送方法、装置、服务器及存储介质。


背景技术：

[0002]
近年来，以ugc(user generated content，用户原创内容)为主的短视频服务在飞速发展。由于消费侧一个短视频可以播放的最高清晰度，就是达到该作品被生产的清晰度情况(如相同分辨率1080p，相同帧率60fps)。相关技术中，短视频清晰度提升方案通常采用高级的转码压缩算法，以更低的码率，输出与生产作品相同清晰度主观体验(即同分辨率和帧率)的内容给用户消费。但是，上述这种视频推荐方式存在推送的视频清晰度不符合用户的实际情况，推送效果差等的问题。


技术实现要素：

[0003]
本公开提供一种视频推送方法、装置、服务器及存储介质，以至少解决相关技术中推送的视频清晰度不符合用户的实际情况，推送效果差等的问题。本公开的技术方案如下：
[0004]
根据本公开实施例的第一方面，提供一种视频推送方法，包括：
[0005]
接收客户端发送的视频下载请求，其中，所述视频下载请求是所述客户端响应于目标用户的视频播放请求而发送的；
[0006]
根据所述视频下载请求，获取所述目标用户的用户特征；
[0007]
将所述目标用户的用户特征输入至第一预测模型，获得所述目标用户将在所述客户端上的停留时长的第一预测值；其中，所述第一预测模型已学习得到实验组样本用户观看最高清晰度为第一清晰度的样本视频之后将在所述客户端上的停留时长，与所述实验组样本用户的用户特征之间的映射关系；
[0008]
将所述目标用户的用户特征输入至第二预测模型，获得所述目标用户将在所述客户端上的停留时长的第二预测值；其中，所述第二预测模型已学习得到对照组样本用户观看最高清晰度为第二清晰度的样本视频之后将在所述客户端上的停留时长，与所述对照组样本用户的用户特征之间的映射关系；其中，所述第一清晰度高于所述第二清晰度；
[0009]
根据所述第一预测值和所述第二预测值所述客户端可呈现所述视频的最高清晰度，并根据所述最高清晰度向所述客户端发送所述视频。
[0010]
根据本公开一些实施例，在所述根据所述视频下载请求，获取所述目标用户的用户特征之前，所述方法还包括：
[0011]
根据所述视频下载请求，获取所述目标用户所持终端设备的屏幕分辨率和/或机型性能；
[0012]
当所述屏幕分辨率大于或等于目标屏幕分辨率，和/或，所述机型性能满足预设条件时，执行所述根据所述视频下载请求，获取所述目标用户的用户特征的步骤。
[0013]
根据本公开一些实施例，所述方法还包括：
[0014]
当所述屏幕分辨率小于所述目标屏幕分辨率，和/或，所述机型性能不满足所述预设条件时，确定与所述屏幕分辨率和/或所述机型性能对应的最高清晰度；
[0015]
根据与所述屏幕分辨率和/或所述机型性能对应的最高清晰度，向所述客户端发送所述视频。
[0016]
根据本公开一些实施例，所述根据所述第一预测值和所述第二预测值确定所述客户端可呈现所述视频的最高清晰度，包括：
[0017]
计算所述第一预测值与所述第二预测值之间的第一差值；其中，所述第一差值用以表示所述目标用户观看清晰度为所述第一清晰度的视频之后，对所述目标用户将在所述客户端上的停留时长的影响；
[0018]
根据所述第一差值和目标阈值，从所述第一清晰度和所述第二清晰度中选取一个作为所述客户端可呈现所述视频的最高清晰度。
[0019]
在本公开实施例中，所述根据所述第一差值和目标阈值，从所述第一清晰度和所述第二清晰度中选取一个作为所述客户端可呈现所述视频的最高清晰度，包括：
[0020]
将所述第一差值与所述目标阈值进行大小对比；
[0021]
当所述第一差值大于或等于所述目标阈值时，将所述第一清晰度作为所述客户端可呈现所述视频的最高清晰度；
[0022]
当所述第一差值小于所述目标阈值时，将所述第二清晰度作为所述客户端可呈现所述视频的最高清晰度。
[0023]
在本公开实施例中，所述目标阈值通过以下方式获得：
[0024]
获取样本用户的用户特征；
[0025]
将所述样本用户的用户特征分别输入至所述第一预测模型和所述第二预测模型，获得所述样本用户将在所述客户端上的停留时长的第一预测值和第二预测值；
[0026]
将所述样本用户的第一预测值和第二预测值进行差值计算，以获得第二差值，其中，所述第二差值用以表示所述样本用户观看所述最高清晰度为第一清晰度的样本视频之后，对所述样本用户将在所述客户端上的停留时长的影响；
[0027]
从所述样本用户中获取所述第二差值大于阈值的目标样本用户；
[0028]
获取目标样本用户观看所述最高清晰度为第一清晰度的样本视频后所产生的业务增值；
[0029]
根据所述业务增值对所述阈值进行更新，并将更新后的阈值作为新的阈值；
[0030]
返回执行所述从所述样本用户中获取所述第二差值大于阈值的目标样本用户的步骤，直至所述产生的业务增值小于或等于目标值为止，并将最新更新的阈值作为所述目标阈值。
[0031]
根据本公开的一些实施例，所述根据所述最高清晰度向所述客户端发送所述视频，包括：
[0032]
将所述视频的所述最高清晰度对应的版本发送给所述客户端；或者，
[0033]
将所述视频的清晰度小于或等于所述最高清晰度对应的版本之中的至少一个清晰度版本发送给所述客户端。
[0034]
根据本公开的一些实施例，所述第一预测模型通过以下方式训练获得：
[0035]
获取实验组样本用户的用户特征以及样本标签；其中，所述样本标签用以表示所
述实验组样本用户观看所述最高清晰度为第一清晰度的样本视频后在所述客户端上的停留时长；
[0036]
将所述实验组样本用户的用户特征输入至神经网络模型进行预测，获得所述实验组样本用户观看所述最高清晰度为第一清晰度的样本视频后将在所述客户端上的停留时长的预测值；
[0037]
按照预设算法计算所述实验组样本用户的样本标签与所述预测值之间的损失值；
[0038]
根据所述损失值和预设的目标函数训练所述神经网络模型，获取模型参数以生成所述第一预测模型。
[0039]
根据本公开的一些实施例，所述第二预测模型通过以下方式训练获得：
[0040]
获取对照组样本用户的用户特征以及样本标签；其中，所述样本标签用以表示所述对照组样本用户观看所述最高清晰度为第二清晰度的样本视频后在所述客户端上的停留时长；
[0041]
将所述对照组样本用户的用户特征输入至神经网络模型进行预测，获得所述对照组样本用户观看所述最高清晰度为第二清晰度的样本视频后将在所述客户端上的停留时长的预测值；
[0042]
按照预设算法计算所述对照组样本用户的样本标签与所述预测值之间的损失值；
[0043]
根据所述损失值和预设的目标函数训练所述神经网络模型，获取模型参数以生成所述第二预测模型。
[0044]
根据本公开的一些实施例，所述用户特征包括：
[0045]
所持终端设备的设备信息，所述所持终端设备的网络信息，视频清晰度需求，用户画像中的一种或多种。
[0046]
根据本公开实施例的第二方面，提供一种视频推送装置，包括：
[0047]
接收模块，被配置为接收客户端发送的视频下载请求，其中，所述视频下载请求是所述客户端响应于目标用户的视频播放请求而发送的；
[0048]
第一获取模块，被配置为根据所述视频下载请求，获取所述目标用户的用户特征；
[0049]
第二获取模块，被配置为将所述目标用户的用户特征输入至第一预测模型，获得所述目标用户将在所述客户端上的停留时长的第一预测值；其中，所述第一预测模型已学习得到实验组样本用户观看最高清晰度为第一清晰度的样本视频之后将在所述客户端上的停留时长，与所述实验组样本用户的用户特征之间的映射关系；
[0050]
第三获取模块，被配置为将所述目标用户的用户特征输入至第二预测模型，获得所述目标用户将在所述客户端上的停留时长的第二预测值；其中，所述第二预测模型已学习得到对照组样本用户观看最高清晰度为第二清晰度的样本视频之后将在所述客户端上的停留时长，与所述对照组样本用户的用户特征之间的映射关系；其中，所述第一清晰度高于所述第二清晰度；
[0051]
确定模块，被配置为根据所述第一预测值和所述第二预测值确定所述客户端可呈现所述视频的最高清晰度；以及
[0052]
推送模块，被配置为根据所述最高清晰度向所述客户端发送所述视频。
[0053]
根据本公开的一些实施例中，所述装置还包括：
[0054]
第四获取模块，被配置为根据所述视频下载请求，获取所述目标用户所持终端设
备的屏幕分辨率和/或机型性能；
[0055]
其中，所述第一获取模块，还配置为在所述屏幕分辨率大于或等于目标屏幕分辨率，和/或，所述机型性能满足预设条件时，执行所述根据所述视频下载请求，获取所述目标用户的用户特征的步骤。
[0056]
根据本公开的一些实施例中，所述确定模块，还被配置为在所述屏幕分辨率小于所述目标屏幕分辨率，和/或，所述机型性能不满足所述预设条件时，确定与所述屏幕分辨率和/或所述机型性能对应的最高清晰度；
[0057]
所述推送模块，还被配置为根据与所述屏幕分辨率和/或所述机型性能对应的最高清晰度，向所述客户端发送所述视频。
[0058]
根据本公开的一些实施例中，所述确定模块包括：
[0059]
计算单元，被配置为计算所述第一预测值与所述第二预测值之间的第一差值，其中；所述第一差值用以表示所述目标用户观看清晰度为所述第一清晰度的视频之后，对所述目标用户将在所述客户端上的停留时长的影响；
[0060]
确定单元，被配置为根据所述第一差值和目标阈值，从所述第一清晰度和所述第二清晰度中选取一个作为所述客户端可呈现所述视频的最高清晰度。
[0061]
根据本公开的一些实施例中，所述确定单元具体被配置为：
[0062]
将所述第一差值与所述目标阈值进行大小对比；
[0063]
当所述第一差值大于或等于所述目标阈值时，将所述第一清晰度作为所述客户端可呈现所述视频的最高清晰度；
[0064]
当所述第一差值小于所述目标阈值时，将所述第二清晰度作为所述客户端可呈现所述视频的最高清晰度。
[0065]
根据本公开的一些实施例中，所述装置还包括：
[0066]
目标阈值获取模块，被配置为预先确定所述目标阈值；
[0067]
其中，所述目标阈值获取模块具体被配置为：
[0068]
获取样本用户的用户特征；
[0069]
将所述样本用户的用户特征分别输入至所述第一预测模型和所述第二预测模型，获得所述样本用户将在所述客户端上的停留时长的第一预测值和第二预测值；
[0070]
将所述样本用户的第一预测值和第二预测值进行差值计算，以获得第二差值，其中，所述第二差值用以表示所述样本用户观看所述最高清晰度为第一清晰度的样本视频之后，对所述样本用户将在所述客户端上的停留时长的影响；
[0071]
从所述样本用户中获取所述第二差值大于阈值的目标样本用户；
[0072]
获取目标样本用户观看所述最高清晰度为第一清晰度的样本视频后所产生的业务增值；
[0073]
根据所述业务增值对所述阈值进行更新，并将更新后的阈值作为新的阈值；
[0074]
返回执行所述从所述样本用户中获取所述第二差值大于阈值的目标样本用户的步骤，直至所述产生的业务增值小于或等于目标值为止，并将最新更新的阈值作为所述目标阈值。
[0075]
根据本公开的一些实施例中，所述推送模块具体被配置为：
[0076]
将所述视频的所述最高清晰度对应的版本发送给所述客户端；或者，
[0077]
将所述视频的清晰度小于或等于所述最高清晰度对应的版本之中的至少一个清晰度版本发送给所述客户端。
[0078]
根据本公开的一些实施例中，所述装置还包括：
[0079]
第一训练模块，被配置为预先训练所述第一预测模型；
[0080]
其中，所述第一训练模块具体被配置为：
[0081]
获取实验组样本用户的用户特征以及样本标签；其中，所述样本标签用以表示所述实验组样本用户观看所述最高清晰度为第一清晰度的样本视频后在所述客户端上的停留时长；
[0082]
将所述实验组样本用户的用户特征输入至神经网络模型进行预测，获得所述实验组样本用户观看所述最高清晰度为第一清晰度的样本视频后将在所述客户端上的停留时长的预测值；
[0083]
按照预设算法计算所述实验组样本用户的样本标签与所述预测值之间的损失值；
[0084]
根据所述损失值和预设的目标函数训练所述神经网络模型，获取模型参数以生成所述第一预测模型。
[0085]
根据本公开的一些实施例中，所述装置还包括：
[0086]
第二训练模块，被配置为预先训练所述第二预测模型；
[0087]
其中，所述第二训练模块具体被配置为：
[0088]
获取对照组样本用户的用户特征以及样本标签；其中，所述样本标签用以表示所述对照组样本用户观看所述最高清晰度为第二清晰度的样本视频后在所述客户端上的停留时长；
[0089]
将所述对照组样本用户的用户特征输入至神经网络模型进行预测，获得所述对照组样本用户观看所述最高清晰度为第二清晰度的样本视频后将在所述客户端上的停留时长的预测值；
[0090]
按照预设算法计算所述对照组样本用户的样本标签与所述预测值之间的损失值；
[0091]
根据所述损失值和预设的目标函数训练所述神经网络模型，获取模型参数以生成所述第二预测模型。
[0092]
根据本公开的一些实施例中，所述用户特征包括：
[0093]
所持终端设备的设备信息，所述所持终端设备的网络信息，视频清晰度需求，用户画像中的一种或多种。
[0094]
根据本公开实施例的第三方面，提供一种服务器，包括：
[0095]
处理器；
[0096]
用于存储所述处理器可执行指令的存储器；
[0097]
其中，所述处理器被配置为执行所述指令，以实现本公开第一方面实施例所述的视频推送方法。
[0098]
根据本公开实施例的第四方面，提供一种存储介质，当所述存储介质中的指令由服务器的处理器执行时，使得所述服务器能够执行本公开第一方面实施例所述的视频推送方法。
[0099]
根据本公开实施例的第五方面，提供一种计算机程序产品，当所述计算机程序产品中的指令由处理器执行时，执行上述第一方面所述的视频推送方法。
[0100]
本公开的实施例提供的技术方案至少带来以下有益效果：
[0101]
接收客户端发送的视频下载请求，根据视频下载请求获取用户的用户特征，并将用户特征分别输入到第一预测模型和第二预测模型，获得该用户将在客户端上的停留时长的第一预测值和第二预测值，根据第一预测值和第二预测值确定客户端可呈现视频的最高清晰度，并根据所述最高清晰度向所述客户端发送所述视频。由此，本公开实施例在综合考虑用户特征的情况下，为不同用户推荐与该用户特征相符的视频，以实现自适应的视频清晰度版本下发，合理提升了短视频服务平台的清晰度，在提升用户的播放体验的同时，也保障了业务增值roi最大化，从而解决了相关技术中推送的视频清晰度不符合用户的实际情况，推送效果差等的问题。
[0102]
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
[0103]
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理，并不构成对本公开的不当限定。
[0104]
图1是根据一示例性实施例示出的网络设备的示例图。
[0105]
图2是根据一示例性实施例示出的短视频从生产到分发消费的过程示例图。
[0106]
图3是根据一示例性实施例示出的一种视频推送方法的流程图。
[0107]
图4是根据一示例性实施例示出的另一种视频推送方法的流程图。
[0108]
图5是根据一示例性实施例示出的确定目标阈值的流程图。
[0109]
图6是根据一示例性实施例示出的确定目标阈值的对应代码示例图。
[0110]
图7是根据一示例性实施例示出的一种视频推送装置的框图。
[0111]
图8是根据一示例性实施例示出的另一种视频推送装置的框图。
[0112]
图9是根据一示例性实施例示出的又一种视频推送装置的框图。
[0113]
图10是根据一示例性实施例示出的另一种视频推送装置的框图。
[0114]
图11是根据一示例性实施例示出的另一种视频推送装置的框图。
[0115]
图12是根据一示例性实施例示出的一种服务器的框图。
具体实施方式
[0116]
为了使本领域普通人员更好地理解本公开的技术方案，下面将结合附图，对本公开实施例中的技术方案进行清楚、完整地描述。
[0117]
需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
[0118]
在本公开的描述中，术语“终端设备”是指手机、平板电脑、个人数字助理、可穿戴设备等具有各种操作系统的硬件设备。
[0119]
在本公开的描述中，术语“客户端”比如是指短视频客户端，是指以ugc(user generated content，用户原创内容)为主的短视频服务平台，客户端的使用用户分为两类，一类是短视频内容生产侧用户，另一类是短视频内容消费侧用户。其中，短视频内容生产侧用户可在短视频客户端上生产并发布原创的短视频内容，短视频内容消费侧用户可在短视频客户端上观看浏览短视频内容生产侧用户所生产的短视频。
[0120]
近年来，以ugc为主的短视频服务为主的短视频服务在飞速发展。由于消费侧一个短视频可以播放的最高清晰度，就是达到该作品被生产的清晰度情况(如相同分辨率1080p，相同帧率60fps)。相关技术中，短视频清晰度提升方案通常采用高级的转码压缩算法，以更低的码率，输出与生产作品相同清晰度主观体验(即同分辨率和帧率)的内容给用户消费。但是，上述这种视频推荐方式未考虑短视频内容消费侧用户的机型多样化，例如，短视频内容消费侧用户的手机屏幕分辨率低于播放作品的分辨率，那么提供更高清的作品用户无感知；另外，上述视频推荐方式未考虑个性化的用户需求，不同用户对清晰度的需求不同，如果所有用户都在能看高清的时候看高清作品，一方面将产生很强的cdn(content delivery network，内容分发网络)带宽成本压力，另一方面，一部分用户对高清的需求不大时，高清版本的文件也相对较大，使得短视频内容消费侧用户在观看短视频时更有可能产生卡顿的播放体验。
[0121]
为了合理提升短视频服务平台的清晰度，解决相关技术中存在推送的视频清晰度不符合用户的实际情况，推送效果差等的问题，本公开综合考虑不同用户对清晰度的要求不同、不同清晰度档位产生的带宽成本不同两方面因素，提出了一种视频推送方法、装置、服务器和存储介质。也就是说，本公开主要考虑面对短视频内容生产侧用户产生的不同清晰度的视频，针对不同短视频内容消费侧用户的机型支持程度、网络支持程度、以及清晰度需求不同，进行自适应的视频清晰度版本下发。
[0122]
参照图1，本公开实施例的技术方案所涉及的网络设备可包括：第一终端11、服务器12和第二终端13，其中，第一终端11是指短视频内容生产侧用户所持的终端设备，第二终端13是指短视频内容消费侧用户所持的终端设备，短视频内容生产侧用户通过安装在第一终端11上的短视频客户端生产并发布原创的短视频内容，短视频内容消费侧用户通过安装在第二终端13上的短视频客户端观看浏览短视频内容生产侧用户所生产的短视频。服务器12接收第一终端11发送的短视频内容生产侧用户所生产的短视频作品，并将短视频内容生产侧用户所生产的短视频作品通过一定的分发策略发布给短视频内容消费侧用户所持的终端设备上。其中，该分发策略可包括但不限于服务器12将第一终端11发送的短视频内容生产侧用户所生产的短视频作品转码出不同的清晰度版本，以进行自适应的视频清晰度版本下发给不同的短视频内容消费侧用户。
[0123]
为了解决相关技术中推送的视频清晰度不符合用户的实际情况，推送效果差等的问题，本公开对上述服务器侧的分发策略进行了改进，即综合考虑不同用户的用户特征，为不同用户推荐与该用户特征相符的视频，以实现自适应的视频清晰度版本下发。其中，该用户特征可包括但不限于：所持终端设备的设备信息，所述所持终端设备的网络信息，视频清晰度需求，用户画像等中的一种或多种。该设备信息可包括但不限于机型、芯片、内存、存储、价格等；该网络信息可包括但不限于wi-fi(wireless fidelity，无线保真)或移动数据网络(如4g(the 4th generation mobile communication technology，第四代移动通信技
术)、5g(5th generation mobile networks，第五代移动通信技术)等)，信号强度等；该视频清晰度需求是指消费作品(即短视频内容消费侧用户所浏览的短视频)平均美学分、高清作品占比、生产者占比、一线生产者占比等。该用户画像可包括但不限于性别、年龄、城市等级，城市或乡村，南北方，过去7天的视频播放次数，活跃天数等。
[0124]
参照图2，本公开实施例的短视频从生产到分发消费的过程可如图2所示，短视频内容生产侧用户可生产短视频内容，并将生产的短视频内容上传到服务器。服务器在接收到短视频内容生产侧用户上传的短视频作品之后，可针对短视频内容生产侧用户不同的视频短视频，转码出低于或等于该分辨率的短视频作品，如1080p的作品，可以被转码出1080p、720p、540p三个档位的清晰度版本；如720p的作品，可以被转码出720p、540p两个档位的清晰度版本。服务器在对短视频内容生产侧用户所上传的短视频作品进行转码之后，可根据内容分发档位决策为不同的消费侧用户下发不同的清晰度档位视频，消费侧用户可观看服务器所下发的清晰度档位视频。需要说明的是，本公开具体就是对内容分发档位决策进行改进，即综合考虑用户特征为不同用户决策每个视频下发怎样的清晰度档位。具体实现方式可参照下面图3至图10所示的实施例的描述。
[0125]
图3是根据一示例性实施例示出的一种视频推送方法的流程图，如图3所示，该视频推送方法用于本公开实施例所述的服务器中，包括以下步骤：
[0126]
在步骤s301中，接收客户端发送的视频下载请求，其中，视频下载请求是客户端响应于目标用户的视频播放请求而发送的。
[0127]
例如，当目标用户在客户端上请求视频播放时，客户端响应于该视频播放请求，可向服务器发送视频下载请求，从而使得服务器能够接收客户端发送的视频下载请求。
[0128]
在步骤s302中，根据视频下载请求，获取目标用户的用户特征。
[0129]
其中，该目标用户的用户特征的获取方式可包括多种：
[0130]
作为一种可能实现方式的示例，该视频下载请求中可携带有用户特征，也就是说，当客户端监测到目标用户进行视频播放操作之后向服务器发送该视频下载请求时，该视频下载请求中可携带有该目标用户的用户特征。服务器在接收到该视频下载请求时，可直接从该视频下载请求中获取目标用户的用户特征，也就是说，目标用户在客户端上请求视频播放时，客户端可主动将该目标用户的用户特征发送给服务器。
[0131]
作为另一种可能实现方式的示例，服务器在接收到该客户端发送的视频下载请求时，可向该客户端发送用户特征的获取请求；该客户端根据该获取请求获取该目标用户的用户特征，并将该目标用户的用户特征返回给服务器，从而使得该服务器获得该目标用户的用户特征。
[0132]
作为又一种可能实现方式的示例，该目标用户的用户特征可存储于服务器，服务器在接收到该客户端发送的视频下载请求时，可从存储模块中获取该客户端所对应的目标用户的用户特征。可以理解，该目标用户的用户特征还可通过其他获取方式获得，在此本公开不做具体限定。
[0133]
其中，在本公开实施例中，该目标用户的用户特征可包括但不限于目标用户所持终端设备的设备信息，所述所持终端设备的网络信息，目标用户的视频清晰度需求，该目标用户的用户画像等中的一种或多种。可以理解，上述目标用户可理解为欲使用客户端观看短视频的短视频内容消费侧用户。
[0134]
在步骤s303中，将目标用户的用户特征输入至第一预测模型，获得目标用户将在客户端上的停留时长的第一预测值。
[0135]
在本步骤中，服务器可将获得的目标用户的用户特征输入到预先训练好的第一预测模型中进行停留时长的预测，以获得该目标用户将在客户端上的停留时长的第一预测值。其中，该停留时长可理解为若用户通过客户端观看最高清晰度为第一清晰度的样本视频之后，该用户次日被留住并让用户继续再次使用该客户端的时长。
[0136]
其中，在本公开实施例中，该第一预测模型已学习得到实验组样本用户观看最高清晰度为第一清晰度的样本视频之后将在客户端上的停留时长，与实验组样本用户的用户特征之间的映射关系。在本公开的一些实施例中，该第一预测模型通过以下方式训练获得：获取实验组样本用户的用户特征以及样本标签；其中，样本标签用以表示实验组样本用户观看最高清晰度为第一清晰度的样本视频后在客户端上的停留时长；将实验组样本用户的用户特征输入至神经网络模型进行预测，获得实验组样本用户观看最高清晰度为第一清晰度的样本视频后将在客户端上的停留时长的预测值；按照预设算法计算实验组样本用户的样本标签与预测值之间的损失值；根据损失值和预设的目标函数训练神经网络模型，获取模型参数以生成第一预测模型。
[0137]
举例而言，在实验组样本用户使用客户端时，服务器可实时获取实验组样本用户的用户特征，并为实验组样本用户的用户特征打标签，得到该实验组样本用户的样本标签，该样本标签表示实验组样本用户观看最高清晰度为第一清晰度的样本视频后在客户端上的停留时长，该停留时长是指观看最高清晰度为第一清晰度的样本视频后，实验组样本用户次日被留住并让实验组样本用户继续再次使用该客户端的时长。将实验组样本用户的用户特征输入至神经网络模型进行预测，获得实验组样本用户观看最高清晰度为第一清晰度的样本视频后将在客户端上的停留时长的预测值，按照预设的损失函数计算样本标签与该预测值之间的损失值，并根据损失值和预设的目标函数训练神经网络模型，以调整优化该神经网络模型的模型参数，根据调整优化后的模型参数生成第一预测模型。例如，利用实验组样本用户的用户特征以及样本标签通过神经网络模型进行机器学习建模，将学习得到的模型作为上述第一预测模型。
[0138]
其中，在本公开实施例中，该神经网络模型可为xgboost算法，或者，该神经网络模型还可以其他神经网络模型，比如线性回归模型、gbdt(gradientboostingdecisiontree，梯度提升迭代决策树)等，本公开对此不做具体限定。
[0139]
在步骤s304中，将目标用户的用户特征输入至第二预测模型，获得目标用户将在客户端上的停留时长的第二预测值。
[0140]
在本步骤中，服务器可将获得的目标用户的用户特征输入到预先训练好的第二预测模型中进行停留时长的预测，以获得该目标用户将在客户端上的停留时长的第二预测值。其中，该停留时长可理解为用户通过客户端观看最高清晰度为第二清晰度的样本视频之后，将该用户留住并让用户继续再次使用该客户端的时长。
[0141]
其中，在本公开实施例中，该第二预测模型已学习得到对照组样本用户观看最高清晰度为第二清晰度的样本视频之后将在客户端上的停留时长，与对照组样本用户的用户特征之间的映射关系。在本公开的一些实施例中，该第二预测模型通过以下方式训练获得：获取对照组样本用户的用户特征以及样本标签；其中，样本标签用以表示对照组样本用户
观看最高清晰度为第二清晰度的样本视频后在客户端上的停留时长；将对照组样本用户的用户特征输入至神经网络模型进行预测，获得对照组样本用户观看最高清晰度为第二清晰度的样本视频后将在客户端上的停留时长的预测值；按照预设算法计算对照组样本用户的样本标签与预测值之间的损失值；根据损失值和预设的目标函数训练神经网络模型，获取模型参数以生成第二预测模型。
[0142]
需要说明的是，训练第二预测模型所使用的对照组样本用户与训练第一预测模型所使用的实验组样本用户可以时相同的，其不同的地方在于：训练第一预测模型时，向实验组样本用户发送的是最高清晰度为第一清晰度的样本视频，该实验组样本用户的样本标签用以表示实验组样本用户观看最高清晰度为第一清晰度的样本视频后在客户端上的停留时长；而训练第二预测模型时，向对照组样本用户发送的是最高清晰度为第二清晰度的样本视频，该对照组样本用户的样本标签用以表示对照组样本用户观看最高清晰度为第二清晰度的样本视频后在客户端上的停留时长。其中，第一清晰度高于第二清晰度。可以理解，该最高清晰度为第二清晰度的样本视频的内容可以与最高清晰度为第一清晰度的样本视频的内容相同。
[0143]
举例而言，在对照组样本用户使用客户端时，服务器可实时获取对照组样本用户的用户特征，并为对照组样本用户的用户特征打标签，得到该对照组样本用户的样本标签，该样本标签表示对照组样本用户观看最高清晰度为第二清晰度的样本视频后在客户端上的停留时长，该停留时长是指观看最高清晰度为第二清晰度的样本视频后，对照组样本用户次日被留住并让对照组样本用户继续再次使用该客户端的时长。将对照组样本用户的用户特征输入至神经网络模型进行预测，获得对照组样本用户观看最高清晰度为第二清晰度的样本视频后将在客户端上的停留时长的预测值，按照预设的损失函数计算样本标签与该预测值之间的损失值，并根据损失值和预设的目标函数训练神经网络模型，以调整优化该神经网络模型的模型参数，根据调整优化后的模型参数生成第二预测模型。例如，利用对照组样本用户的用户特征以及样本标签通过神经网络模型进行机器学习建模，将学习得到的模型作为上述第二预测模型。
[0144]
其中，在本公开实施例中，该神经网络模型可为xgboost算法，或者，该神经网络模型还可以其他神经网络模型，比如gbdt等，本公开对此不做具体限定。
[0145]
还需要说明的是，步骤s303和步骤s304的执行顺序可以是先执行步骤s303后执行步骤s304，或者，先执行步骤s304后执行步骤s303，或者，步骤s303和步骤s304同时执行。
[0146]
在步骤s305中，根据第一预测值和第二预测值确定客户端可呈现视频的最高清晰度，并根据最高清晰度向客户端发送视频。
[0147]
可选地，可利用第一预测值、第二预测值和目标阈值，确定客户端可呈现视频的最高清晰度。在本公开实施例中，可计算第一预测值与第二预测值之间的第一差值，并根据第一差值和目标阈值，从第一清晰度和第二清晰度中选取一个作为所述客户端可呈现所述视频的最高清晰度。其中，所述第一差值用以表示目标用户观看清晰度为所述第一清晰度的视频之后，对目标用户将在客户端上的停留时长的影响。
[0148]
也就是说，在得到目标用户的第一预测值和第二预测值之后，可利用第一预测值减去第二预测值，以得到第一预测值与第二预测值之间的第一差值。之后，可利用该第一差值和目标阈值从第一清晰度和第二清晰度中选取一个清晰度，作为所述客户端可呈现所述
视频的最高清晰度。例如，以第一清晰度为1080p，第二清晰度为720p为例，在得到目标用户的第一预测值和第二预测值之后，可利用第一预测值减去第二预测值，以得到第一预测值与第二预测值之间的第一差值。之后，可利用该第一差值和目标阈值从1080p和720p中选取一个清晰度作为客户端可呈现所述视频的最高清晰度，比如该客户端可呈现所述视频的最高清晰度为720p。
[0149]
需要说明的是，上述根据第一差值和目标阈值，从第一样本视频的清晰度和第二样本视频的清晰度中选取一个作为客户端可呈现所述视频的最高清晰度的实现方式有很多种。作为其中一种可能实现方式的示例，将所述第一差值与所述目标阈值进行大小对比，当所述第一差值大于或等于所述目标阈值时，将所述第一清晰度作为所述客户端可呈现所述视频的最高清晰度；当所述第一差值小于所述目标阈值时，将所述第二清晰度作为所述客户端可呈现所述视频的最高清晰度。其中，该目标阈值可理解是若提升下发视频清晰度且需保障业务增值最大化而确定的阈值。该目标阈值可以是根据大量试验直接预先设定的，或者，该目标阈值可以通过线上大规模数据从高到低探索的一个合理且最优的阈值，该目标阈值的确定方式可参见后续实施例的描述。
[0150]
在本公开实施例中，上述业务增值可理解是收益与成本的差值。其中，对于对清晰度敏感的用户，提升清晰度可以显著优化其播放观感体验，提升客户端的app次日留存与app使用时长，而次日留存率的增加与app使用时长的增加也就意味着app的广告营收等会按比例增加，该广告营收即为收益，可用revenue_duration表示。另外，提升清晰度意味着内容分发带宽消耗增长，付给cdn厂商的费用也随之增长，该付给cdn厂商的宽带费用即为成本，可用cost_bandwidth表示。由此可见，上述业务增值(return on investment，英文简称：roi)＝revenue_duration-cost_bandwidth。
[0151]
在本步骤中，在确定出客户端可呈现所述视频的最高清晰度之后，可根据最高清晰度向所述客户端发送所述视频。
[0152]
作为一种示例，可将所述视频的最高清晰度对应的版本发送给客户端；或者，将所述视频的清晰度小于或等于所述最高清晰度对应的版本之中的至少一个清晰度版本发送给客户端。例如，假设确定出客户端可呈现所述视频的最高清晰度为720p，此时可将该视频的最高清晰度720p对应的版本推送给目标用户；或者，将该视频的720p对应的版本和/或540p对应的版本推送给目标用户。
[0153]
举例而言，假设短视频内容生产侧用户生产一个清晰度为1080p的短视频作品并上传到服务器。服务器可将该短视频作品转码出三个不同档位的清晰度版本，如1080p清晰度版本，720p清晰度版本和540p清晰度版本，由于对于机型性能足够的用户，短视频服务平台更希望为这类用户提供最高清晰度的视频，以提升用户的播放体验的同时，也能够保障业务增值roi最大化。服务器可预先建立第一预测模型和第二预测模型，第一预测模型已经学习得到实验组样本用户观看清晰度为1080p的样本视频之后将在所述客户端上的停留时长，与所述实验组样本用户的用户特征之间的映射关系；第二预测模型已经学习得到对照组样本用户观看清晰度为720p的样本视频之后将在所述客户端上的停留时长，与所述对照组样本用户的用户特征之间的映射关系。当短视频内容消费侧用户欲在客户端上观看浏览短视频时，服务器可接收该目标用户的视频播放请求，并获取该目标用户的用户特征。之后，服务器将该用户特征分别输入到第一预测模型和第二预测模型，以得到该目标用户将
该客户端上的停留时长的第一预测值和第二预测值。然后，根据第一预测值和第二预测值从1080p和720p中选取一个清晰度作为客户端可呈现视频的最高清晰度，假设清晰度1080p为客户端可呈现视频的最高清晰度，则可将该视频的1080p清晰度版本推送给该目标用户，或者，将该视频的小于或等于1080p清晰度的版本之中的至少一个清晰度版本推送给目标用户，如将1080p版本、720p版本和540p版本均推送给目标用户。
[0154]
根据本公开实施例的视频推送方法，接收客户端发送的视频下载请求，根据视频下载请求获取用户的用户特征，并将用户特征分别输入到第一预测模型和第二预测模型，获得该用户将在客户端上的停留时长的第一预测值和第二预测值，根据第一预测值和第二预测值确定客户端可呈现视频的最高清晰度，并根据所述最高清晰度向所述客户端发送所述视频。由此，本公开实施例在综合考虑用户特征的情况下，为不同用户推荐与该用户特征相符的视频，以实现自适应的视频清晰度版本下发，合理提升了短视频服务平台的清晰度，在提升用户的播放体验的同时，也保障了业务增值roi最大化，从而解决了相关技术中推送的视频清晰度不符合用户的实际情况，推送效果差等的问题。
[0155]
可以丽姐，对于手机屏幕分辨率比较低的用户，即便给其下发高于手机分辨率的作品，短视频内容消费侧用户也无法感知到清晰度的观感提升，并且消耗了更多的带宽下载高清的作品。对于一些低端机型，手机的解码渲染能力不足以支撑其播放高分辨率、高帧率的视频，当解码渲染速度慢于播放速时度，会造成播放丢帧，对用户来说也是卡顿的播放体验。因此，对于手机屏幕分辨率低和/或机型性能差的用户，可根据屏幕分辨率和/或机型性能向用户推送对应的最高清晰度版本。而对于手机屏幕分辨率和/或机型性能满足要求的用户，可利用用户特征确定客户端可呈现视频的最高清晰度，进而根据最高清晰度向所述客户端发送所述视频。具体而言，在本公开一些实施例中，如图4所示，该视频推送方法可包括：
[0156]
在步骤s401中，接收客户端发送的视频下载请求，其中，视频下载请求是客户端响应于目标用户的视频播放请求而发送的。
[0157]
在步骤s402中，根据视频下载请求，获取目标用户所持终端设备的屏幕分辨率和/或机型性能。
[0158]
作为一种示例，该视频下载请求中可携带有用户所持终端设备的屏幕分辨率和/或机型性能。在本步骤中，可从视频下载请求中获取目标用户所持终端设备的屏幕分辨率和/或机型性能。
[0159]
在步骤s403中，当屏幕分辨率大于或等于目标屏幕分辨率，和/或，机型性能满足预设条件时，根据视频下载请求，获取目标用户的用户特征。
[0160]
在步骤s404中，将目标用户的用户特征输入至第一预测模型，获得目标用户将在客户端上的停留时长的第一预测值。
[0161]
在步骤s405中，将目标用户的用户特征输入至第二预测模型，获得目标用户将在客户端上的停留时长的第二预测值。
[0162]
在步骤s406中，根据第一预测值和第二预测值确定客户端可呈现视频的最高清晰度，并根据最高清晰度向客户端发送视频。
[0163]
在步骤s407中，当屏幕分辨率小于目标屏幕分辨率，和/或，机型性能不满足预设条件时，确定与屏幕分辨率和/或机型性能对应的最高清晰度。
[0164]
也就是说，用户所持终端设备不能呈现更高清晰度的视频，此时可根据所持终端设备的屏幕分辨率和/或机型性能，确定出与屏幕分辨率和/或机型性能对应的最高清晰度。
[0165]
在步骤s408中，根据与屏幕分辨率和/或机型性能对应的最高清晰度，向客户端发送视频。
[0166]
也就是说，将该用户所持终端设备最高能够呈现的清晰度的视频推送给该用户。
[0167]
根据本公开实施例的视频推送方法，在接收到客户端发送的视频下载请求时，可先根据视频下载请求获取目标用户所持终端设备的屏幕分辨率和/或机型性能，以便根据屏幕分辨率和/或机型性能判断目标用户所持终端设备是否能够呈现更高清晰度版本的视频；当屏幕分辨率大于或等于目标屏幕分辨率，和/或，机型性能满足预设条件时，说明目标用户所持终端设备能够呈现更高清晰度版本的视频，此时可利用用户特征确定客户端可呈现视频的最高清晰度，进而根据最高清晰度向所述客户端发送所述视频；当屏幕分辨率小于目标屏幕分辨率，和/或，机型性能不满足预设条件时，说明目标用户所持终端设备并不能呈现更高清晰度版本的视频，此时可根据屏幕分辨率和/或机型性能向用户推送对应的最高清晰度版本。由此，本公开在综合考虑用户特征以及终端设备的屏幕分辨率、机型性能的情况下，为不同用户推荐与该用户的终端视频相符的视频，以实现自适应的视频清晰度版本下发，合理提升了短视频服务平台的清晰度，在提升用户的播放体验的同时，也保障了业务增值最大化。
[0168]
需要说明的是，上述目标阈值可以通过线上大规模数据从高到低探索的一个合理且最优的阈值。可选地，在本公开一些实施例中，如图5所示，所述目标阈值可通过以下步骤获得：
[0169]
在步骤s501中，获取样本用户的用户特征。
[0170]
在步骤s502中，将样本用户的用户特征分别输入至第一预测模型和第二预测模型，获得样本用户将在客户端上的停留时长的第一预测值和第二预测值。
[0171]
在步骤s503中，将样本用户的第一预测值和第二预测值进行差值计算，以获得第二差值。
[0172]
其中，在本公开实施例中，该第二差值用以表示样本用户观看最高清晰度为第一清晰度的样本视频之后，对样本用户将在客户端上的停留时长的影响。
[0173]
在步骤s504中，从样本用户中获取第二差值大于阈值的目标样本用户。
[0174]
其中，在本公开的实施例中，该阈值可为预先设定的，例如，预先设定的阈值的初始值可为1。
[0175]
在步骤s505中，获取目标样本用户观看最高清晰度为第一清晰度的样本视频后所产生的业务增值。
[0176]
可选地，在从样本用户中获取第二差值大于阈值的目标样本用户之后，可将第一样本视频下发给该目标样本用户所持的终端设备上。目标样本用户通过终端设备上的客户端观看该第一样本视频。服务器可获取目标样本用户观看最高清晰度为第一清晰度的样本视频后停留在客户端上的停留时长，并根据该停留时长转换成对应的收益，并获取向目标样本用户分发最高清晰度为第一清晰度的样本视频所带来的带宽消费费用，并利用该收益以及该带宽消费费用，计算目标样本用户观看最高清晰度为第一清晰度的样本视频后所产
生的业务增值，以便后续根据所产生的业务增值对上述阈值进行更新。
[0177]
在步骤s506中，判断所产生的业务增值是否大于目标值，若所产生的业务增值大于目标值，则执行步骤s507，若产生的业务增值小于或等于目标值，则执行步骤s508。
[0178]
在步骤s507中，对阈值进行更新，并将更新后的阈值作为新的阈值，并返回执行步骤s504，即返回执行所述从样本用户中获取第二差值大于阈值的目标样本用户的步骤。
[0179]
在本公开的实施例中，在判断所产生的业务增值大于目标值时，可对阈值进行更新，比如，可将该阈值进行下调，即减少该阈值，其中，每次下调的基数可为一个固定值，即，在对阈值进行下调时，可将当前的阈值减去一个固定值，得到的差值作为新的阈值。作为一种示例，该固定值可为0.01。
[0180]
需要说明的是，在本公开实施例中，上述目标值可理解为利用上一次从样本用户中获取第二差值大于阈值的目标样本用户而获得的业务增值，该业务增值可理解为上一次选取的目标样本用户观看所述最高清晰度为第一清晰度的样本视频后所产生的业务增值。
[0181]
在步骤s508中，将最新更新的阈值作为所述目标阈值。
[0182]
举例而言，获取样本用户的用户特征，并将样本用户的用户特征分别输入至第一预测模型和第二预测模型，获得样本用户将在客户端上的停留时长的第一预测值和第二预测值。之后，可将样本用户的第一预测值和第二预测值进行差值计算，以获得第二差值。然后，可通过这些第二差值从高到低探索一个合理且最优的阈值threshold_score作为目标阈值。作为一种示例，该探索过程通过代码表示可如图6所示，其中，threshold_score表示阈值，预先设定阈值threshold_score的初始值为1，roi_max表示业务增值的最大值，roi_tmp表示业务增值的临时值，roi_max和roi_tmp的初始值均为0，利用if条件语句确定出该目标阈值。也就是说，在获得样本用户的第二差值之后，可对第二差值大于当前阈值的目标样本用户群体下发最高清晰度为第一清晰度的样本视频，计算此时的目标样本用户观看最高清晰度为第一清晰度的样本视频后所产生的业务增值roi_tmp，判断此时的业务增值roi_tmp是否大于业务增值的最大值roi_max，若是，则将业务增值roi_tmp赋给业务增值的最大值roi_max，并将此时的阈值进行下调更新，比如，将此时的阈值减去一个固定值(如0.01)，并将得到的差值作为新的阈值，此时判断该新的阈值是否大于0，若是，则返回执行所述对第二差值大于当前阈值的目标样本用户群体下发最高清晰度为第一清晰度的样本视频，计算此时的目标样本用户观看最高清晰度为第一清晰度的样本视频后所产生的业务增值roi_tmp的步骤，直至业务增值roi_tmp小于或等于目标值为此，此时将最新更新的阈值作为所述目标阈值。
[0183]
由此，本公开实施例通过线上大规模数据，可以从高到低探索一个合理且最优的阈值，将该阈值作为目标阈值，通过将该目标阈值用作是否可以向目标用户下发视频的最高清晰度版本的判断标准，可以合理提升短视频服务平台下发视频的清晰度的同时，保障了业务增值最大化，同时还可以提升用户的播放体验。
[0184]
值得注意的是，本公开主要考虑面对短视频内容生产侧用户产生的不同清晰度的视频，针对不同短视频内容消费侧用户的机型支持程度、网络支持程度、以及清晰度需求不同，进行自适应的视频清晰度版本下发。以下面某个作品为例，假设服务器为其转出了三档清晰度：1080p、720p和540p为例。
[0185]
首先，需要对考虑用户机型、清晰度需求，以及成本消耗这些维度进行分析，其中：
[0186]
1.机型可包括屏幕大小和手机性能。1)屏幕大小：对于手机屏幕分辨率比较低的用户，即便给其下发高于手机分辨率的作品，短视频内容消费侧用户也无法感知到清晰度的观感提升，并且消耗了更多的带宽下载高清的作品，因此为所有设备仅下发小于等于其手机屏幕分辨率的作品档位(比如上面视频不下发1080p和720p档位)；2)手机性能：对于一些低端机型，手机的解码渲染能力不足以支撑其播放高分辨率、高帧率的视频，当解码渲染速度慢于播放速时度，会造成播放丢帧，对用户来说也是卡顿的播放体验，因此分发档位决策模块会线上实时搜集“机型，播放清晰度档位
”→“
丢帧率”的映射，对于丢帧率大于阈值threshold_dropframeratio(如6％)的机型，将不下发相应分辨率的档位(比如上面视频不下发1080p档位)。
[0187]
2.个性化清晰度档位下发：对于大部分用户来说，目前的手机均能流畅支持1080p作品的播放。但是从清晰度提升的业务增值(roi)来说：
[0188]
1)收益：对于对清晰度敏感的用户，提升清晰度可以显著优化其播放观感体验，提升客户端的app次日留存与app使用时长，而次日留存率的增加与app使用时长的增加也就意味着app的广告营收等会按比例增加；
[0189]
2)成本：提升清晰度意味着内容分发带宽消耗增长，付给cdn厂商的费用也随之增长。
[0190]
因此，为了至少打平roi，本公开通过设计ab实验，通过时间序列并联双模型学到对清晰度观感敏感的用户群体，并对清晰度要求最高的用户下发高清档位，保障roi(revenue_duration—cost_bandwidth)最大化，具体过程可如下：
[0191]
1.进行一个ab实验：对照组(即base组，可理解为本申请实施例所述的对照组样本用户组)最高清晰度档位下发720p，实验组(即exp组，可理解为本申请实施例所述的实验组样本用户组)最高清晰度档位下发1080p；
[0192]
2.用base组的用户次日留存(即可理解为观看清晰度720p版本视频之后在客户端上的停留时长)通过xgboost算法进行机器学习建模，生成模型model_base，即上述的第二预测模型；
[0193]
3.通过model_base模型获得exp组跟base组中每个用户的留存预测值：score_base；
[0194]
4.用exp组的用户次日留存通过xgboost算法进行机器学习建模，生成模型model_exp，即上述的第一预测模型，利用model_exp模型计算exp组跟base组中每一个用户的留存预测值：score_exp；
[0195]
5.每一个用户的score_diff＝score_exp-score_base，其中，该score_diff可理解为这个用户观看高清视频对其留存的影响；其中，如果score_diff>0，则表示观看高清视频对留存有正向影响；如果score_diff<0，则表示观看高清视频对留存有负向影响；
[0196]
6.利用上述步骤s501-s508，通过线上大规模数据，从高到低探索一个目标阈值threshold_score。
[0197]
最后，对于机型性能足够的用户，当用户视频播放请求到达时，服务器可通过实时获取用户特征，基于已有的model_base模型和model_exp模型预测其正向概率score_diff，对于score_diff>＝threshold_score的用户下发到最高清档位的视频即可，即对于score_diff>＝threshold_score的用户下发该视频的清晰度为1080p的版本即可，对于score_
diff<threshold_score的用户下发该视频的清晰度为720p的版本即可。
[0198]
由此，本公开考虑了用户特征，进行了个性化的清晰度提升；另外，考虑了成本，进行业务增值最优的清晰度提升，即本公开围绕用户特征权衡不同用户对清晰度的要求不同、不同清晰度档位产生的带宽成本不同两方面因素，设计了一个个性化的消费侧清晰度提升方案，实现了自适应的视频清晰度版本下发，合理提升了短视频服务平台的清晰度，在提升用户的播放体验的同时，也保障了业务增值roi最大化。
[0199]
图7是根据一示例性实施例示出的一种视频推送装置的框图。如图7所示，该装置包括接收模块790、第一获取模块710、第二获取模块720、第三获取模块730、确定模块740和推送模块750。
[0200]
其中，该接收模块790被配置为接收客户端发送的视频下载请求，其中，视频下载请求是客户端响应于目标用户的视频播放请求而发送的。
[0201]
该第一获取模块710被配置为根据视频下载请求，获取目标用户的用户特征。其中，在本公开实施例中，该目标用户的用户特征可包括但不限于目标用户所持终端设备的设备信息，所述所持终端设备的网络信息，目标用户的视频清晰度需求，该目标用户的用户画像等中的一种或多种。
[0202]
该第二获取模块720被配置为将目标用户的用户特征输入至第一预测模型，获得目标用户将在客户端上的停留时长的第一预测值；其中，第一预测模型已学习得到实验组样本用户观看最高清晰度为第一清晰度的样本视频之后将在所述客户端上的停留时长，与所述实验组样本用户的用户特征之间的映射关系。
[0203]
该第三获取模块730被配置为将目标用户的用户特征输入至第二预测模型，获得目标用户将在客户端上的停留时长的第二预测值；其中，第二预测模型已学习得到对照组样本用户观看最高清晰度为第二清晰度的样本视频之后将在所述客户端上的停留时长，与所述对照组样本用户的用户特征之间的映射关系；其中，所述第一清晰度高于所述第二清晰度。
[0204]
该确定模块740被配置为根据第一预测值和第二预测值确定所述客户端可呈现所述视频的最高清晰度。
[0205]
该推送模块750被配置为根据所述最高清晰度向所述客户端发送所述视频。作为一种示例，推送模块750将所述视频的所述最高清晰度对应的版本发送给所述客户端；或者，将所述视频的清晰度小于或等于所述最高清晰度对应的版本之中的至少一个清晰度版本发送给所述客户端。
[0206]
在本公开的一些实施例中，如图8所示，该确定模块740可包括：计算单元741、确定单元742和获取单元743。其中，计算单元741被配置为计算第一预测值与第二预测值之间的第一差值，其中；第一差值用以表示目标用户观看清晰度为所述第一清晰度的视频之后，对目标用户将在客户端上的停留时长的影响；确定单元742被配置为根据第一差值和目标阈值，从第一清晰度和第二清晰度中选取一个作为所述客户端可呈现所述视频的最高清晰度。
[0207]
在本公开实施例中，确定单元742具体被配置为：将所述第一差值与所述目标阈值进行大小对比；当所述第一差值大于或等于所述目标阈值时，将所述第一清晰度作为所述客户端可呈现所述视频的最高清晰度；当所述第一差值小于所述目标阈值时，将所述第二
清晰度作为所述客户端可呈现所述视频的最高清晰度。
[0208]
在本公开的一些实施例中，如图9所示，该视频推送装置还可包括目标阈值获取模块760，可被配置为预先确定所述目标阈值；其中，在本公开实施例中，目标阈值获取模块760具体被配置为：获取样本用户的用户特征；将所述样本用户的用户特征分别输入至所述第一预测模型和所述第二预测模型，获得所述样本用户将在所述客户端上的停留时长的第一预测值和第二预测值；将所述样本用户的第一预测值和第二预测值进行差值计算，以获得第二差值，其中，所述第二差值用以表示所述样本用户观看所述最高清晰度为第一清晰度的样本视频之后，对所述样本用户将在所述客户端上的停留时长的影响；从所述样本用户中获取所述第二差值大于阈值的目标样本用户；获取目标样本用户观看所述最高清晰度为第一清晰度的样本视频后所产生的业务增值；根据所述业务增值对所述阈值进行更新，并将更新后的阈值作为新的阈值；返回执行所述从所述样本用户中获取所述第二差值大于阈值的目标样本用户的步骤，直至所述产生的业务增值小于或等于目标值为止，并将最新更新的阈值作为所述目标阈值。
[0209]
在本公开的一些实施例中，如图10所示，该视频推送装置还可包括第一训练模块770，被配置为预先训练所述第一预测模型。其中，在本公开实施例中，第一训练模块770具体被配置为：获取实验组样本用户的用户特征以及样本标签；其中，样本标签用以表示实验组样本用户观看最高清晰度为第一清晰度的样本视频后在客户端上的停留时长；将实验组样本用户的用户特征输入至神经网络模型进行预测，获得实验组样本用户观看最高清晰度为第一清晰度的样本视频后将在客户端上的停留时长的预测值；按照预设算法计算实验组样本用户的样本标签与预测值之间的损失值；根据损失值和预设的目标函数训练神经网络模型，获取模型参数以生成第一预测模型。
[0210]
在本公开的一些实施例中，如图11所示，该视频推送装置还可包括第二训练模块780，被配置为预先训练第二预测模型。其中，在本公开实施例中，第二训练模块780具体被配置为：获取对照组样本用户的用户特征以及样本标签；其中，样本标签用以表示对照组样本用户观看最高清晰度为第二清晰度的样本视频后在客户端上的停留时长；将对照组样本用户的用户特征输入至神经网络模型进行预测，获得对照组样本用户观看最高清晰度为第二清晰度的样本视频后将在客户端上的停留时长的预测值；按照预设算法计算对照组样本用户的样本标签与预测值之间的损失值；根据损失值和预设的目标函数训练神经网络模型，获取模型参数以生成第二预测模型。
[0211]
在本公开的一些实施例中，该视频推送装置还可包括第四获取模块。其中，第四获取模块，被配置为根据视频下载请求，获取目标用户所持终端设备的屏幕分辨率和/或机型性能；其中，第一获取模块，还配置为在屏幕分辨率大于或等于目标屏幕分辨率，和/或，机型性能满足预设条件时，执行所述根据视频下载请求，获取目标用户的用户特征的步骤。
[0212]
在本公开实施例中，确定模块，还被配置为在屏幕分辨率小于目标屏幕分辨率，和/或，机型性能不满足预设条件时，确定与屏幕分辨率和/或机型性能对应的最高清晰度；推送模块，还被配置为根据与屏幕分辨率和/或机型性能对应的最高清晰度，向客户端发送视频。
[0213]
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
[0214]
根据本公开实施例的视频推送装置，接收客户端发送的视频下载请求，根据视频下载请求获取用户的用户特征，并将用户特征分别输入到第一预测模型和第二预测模型，获得该用户将在客户端上的停留时长的第一预测值和第二预测值，根据第一预测值和第二预测值确定客户端可呈现视频的最高清晰度，并根据所述最高清晰度向所述客户端发送所述视频。由此，本公开实施例在综合考虑用户特征的情况下，为不同用户推荐与该用户特征相符的视频，以实现自适应的视频清晰度版本下发，合理提升了短视频服务平台的清晰度，在提升用户的播放体验的同时，也保障了业务增值roi最大化，从而解决了相关技术中推送的视频清晰度不符合用户的实际情况，推送效果差等的问题。
[0215]
图12是根据一示例性实施例示出的一种服务器200的框图。如图12所示，上述服务器200可以包括：
[0216]
存储器210及处理器220，连接不同组件(包括存储器210和处理器220)的总线230，存储器210存储有处理器220可执行指令；其中，处理器220被配置为执行所述指令，以实现本公开实施例所述的视频推送方法。
[0217]
总线230表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(isa)总线，微通道体系结构(mac)总线，增强型isa总线、视频电子标准协会(vesa)局域总线以及外围组件互连(pci)总线。
[0218]
服务器200典型地包括多种电子设备可读介质。这些介质可以是任何能够被服务器200访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。存储器210还可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(ram)240和/或高速缓存存储器250。服务器200可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统260可以用于读写不可移动的、非易失性磁介质(图12未显示，通常称为“硬盘驱动器”)。尽管图12中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如cd-rom,dvd-rom或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线230相连。存储器210可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本公开各实施例的功能。
[0219]
具有一组(至少一个)程序模块270的程序/实用工具280，可以存储在例如存储器210中，这样的程序模块270包括——但不限于——操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块270通常执行本公开所描述的实施例中的功能和/或方法。
[0220]
服务器200也可以与一个或多个外部设备290(例如键盘、指向设备、显示器291等)通信，还可与一个或者多个使得用户能与该服务器200交互的设备通信，和/或与使得该服务器200能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口292进行。并且，服务器200还可以通过网络适配器293与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图所示，网络适配器293通过总线230与服务器200的其它模块通信。应当明白，尽管图中未示出，可以结合服务器200使用其它硬件和/或软件模块，包括但不限于：微代
码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。
[0221]
处理器220通过运行存储在存储器210中的程序，从而执行各种功能应用以及数据处理。
[0222]
需要说明的是，本实施例的服务器的实施过程和技术原理参见前述对本公开实施例所述的视频推送方法的解释说明，此处不再赘述。
[0223]
为了实现上述实施例，本公开还提出一种存储介质。
[0224]
其中，该存储介质中的指令由服务器的处理器执行时，使得服务器能够执行如前所述的视频推送方法。
[0225]
为了实现上述实施例，本公开还提供一种计算机程序产品，当所述计算机程序产品中的指令由处理器执行时，使得服务器能够执行如前所述的视频推送方法。
[0226]
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
[0227]
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。