一种视频封面图像生成方法、装置、电子设备及存储介质与流程

本公开涉及计算机
技术领域：
，特别涉及一种视频封面图像生成方法、装置、电子设备及存储介质。
背景技术：
：随着现代信息传输技术的快速进步和智能终端等视频拍摄设备的普及，越来越多的人们通过创作视频来分享生活，各种短视频逐渐成为了人们日常接受信息的主要载体，分享短视频的应用软件也越来越多。通常用户可以在短视频应用中搜索自己感兴趣的关键词获取自己感兴趣的相关短视频，并根据短视频的封面初步了解短视频的内容，判断是否为自己感兴趣的短视频，因此精彩的短视频的封面可以大大提高短视频的点击率。但是，目前短视频的封面通常是视频的首帧，视频首帧的内容往往不能展示出视频中的精彩部分，会导致短视频的点击率较低。技术实现要素：本公开提供一种视频封面图像生成方法、装置及电子设备，用以解决现有技术中以视频首帧作为短视频封面的方法导致短视频点击率较低的问题。本公开的技术方案如下：根据本公开实施例的第一方面，提供一种视频封面图像生成方法，包括：响应于视频搜索指令，确定所述视频搜索指令对应的目标视频；从所述目标视频中确定至少两帧备选图像，并根据所述备选图像的像素特征以及所述视频搜索指令对应的搜索关键词，确定所述备选图像对应的用于表示与所述搜索关键词匹配程度的筛选参数；根据所述备选图像对应的筛选参数，从所述至少两帧备选图像中筛选出目标图像，并根据所述目标图像生成所述目标视频的封面。在一种可能的实现方式中，所述至少两帧备选图像为所述目标视频中间隔预设时长的图像。在一种可能的实现方式中，根据下列方式确定所述备选图像对应的筛选参数：将所述备选图像以及所述搜索关键词输入已训练的深度学习网络，获取所述已训练的深度学习网络输出的所述备选图像对应的筛选参数；其中，所述深度学习网络是根据所述备选图像的像素特征以及所述搜索关键词确定所述备选图像对应的筛选参数的。在一种可能的实现方式中，根据下列方式对所述深度学习网络进行训练：针对视频样本训练集中的视频样本，将从所述视频样本中确定的至少两帧训练图像以及所述视频样本对应的搜索关键词输入深度学习网络，获取所述深度学习网络输出的训练图像对应的第一样本筛选参数；以及将所述至少两帧训练图像以及所述视频样本对应的搜索关键词输入已训练的图像二分类器，获取所述已训练的图像二分类器输出的训练图像对应的第二样本筛选参数；针对任意两帧训练图像，根据所述两帧训练图像分别对应的第一样本筛选参数和第二样本筛选参数，确定所述两帧训练图像对应的损失值；根据确定出的损失值对所述深度学习网络的参数进行调整，直到确定出的损失值不大于预设阈值后得到训练后的深度学习网络。在一种可能的实现方式中，所述根据所述两帧训练图像分别对应的第一样本筛选参数和第二样本筛选参数，确定所述两帧训练图像对应的损失值，包括：根据所述两帧训练图像分别对应的第二样本筛选参数，确定用于表示所述两帧训练图像分别对应的第二样本筛选参数大小的伪二值化标签，以及确定所述两帧训练图像分别对应的第一样本筛选参数的差值；根据所述伪二值化标签和所述差值，确定所述两帧训练图像对应的损失值。在一种可能的实现方式中，所述视频样本训练集中包括标准视频样本和非标准视频样本；根据下列方式获取所述视频样本训练集：确定多个预设搜索关键词对应的视频；将每个预设搜索关键词对应的视频按照点击率大小进行排序，将排序靠前的n个视频作为标准视频样本，以及将排序靠后的m个视频作为非标准视频样本；其中，所述n、m为正整数。在一种可能的实现方式中，根据下列方式对所述图像二分类器进行训练：从标准图像集中选取部分或全部标准图像，以及从非标准图像集中选取部分或全部非标准图像；其中，所述标准图像集由所述标准视频样本的封面图像组成；所述非标准图像集由所述非标准视频样本的封面图像组成；将选取的标准图像、非标准图像、每张图像所属视频样本对应的搜索关键词以及每张图像对应的分类标签作为所述图像二分类器的输入，并将每张图像的分类标签为标准标签的第一概率值和每张图像的分类标签为非标准标签的第二概率值作为所述图像二分类器的输出，对所述图像二分类器进行训练。在一种可能的实现方式中，所述获取所述已训练的图像二分类器输出的训练图像对应的第二样本筛选参数，包括：将所述图像二分类器输出的所述训练图像的分类标签为标准标签的第一概率值，作为所述训练图像对应的第二样本筛选参数。在一种可能的实现方式中，根据下列方式从所述至少两帧备选图像中筛选出目标图像：将所述至少两帧备选图像中筛选参数最大的备选图像作为所述目标图像。根据本公开实施例的第二方面，提供一种视频封面图像生成装置，包括：搜索单元，被配置为执行响应于视频搜索指令，确定所述视频搜索指令对应的目标视频；确定单元，被配置为执行从所述目标视频中确定至少两帧备选图像，并根据所述备选图像的像素特征以及所述视频搜索指令对应的搜索关键词，确定所述备选图像对应的用于表示与所述搜索关键词匹配程度的筛选参数；生成单元，被配置为执行根据所述备选图像对应的筛选参数，从所述至少两帧备选图像中筛选出目标图像，并根据所述目标图像生成所述目标视频的封面。在一种可能的实现方式中，所述至少两帧备选图像为所述目标视频中间隔预设时长的图像。在一种可能的实现方式中，所述确定单元具体被配置为：将所述备选图像以及所述搜索关键词输入已训练的深度学习网络，获取所述已训练的深度学习网络输出的所述备选图像对应的筛选参数；其中，所述深度学习网络是根据所述备选图像的像素特征以及所述搜索关键词确定所述备选图像对应的筛选参数的。在一种可能的实现方式中，所述确定单元还被配置为执行根据下列方式对所述深度学习网络进行训练：针对视频样本训练集中的视频样本，将从所述视频样本中确定的至少两帧训练图像以及所述视频样本对应的搜索关键词输入深度学习网络，获取所述深度学习网络输出的训练图像对应的第一样本筛选参数；以及将所述至少两帧训练图像以及所述视频样本对应的搜索关键词输入已训练的图像二分类器，获取所述已训练的图像二分类器输出的训练图像对应的第二样本筛选参数；针对任意两帧训练图像，根据所述两帧训练图像分别对应的第一样本筛选参数和第二样本筛选参数，确定所述两帧训练图像对应的损失值；根据确定出的损失值对所述深度学习网络的参数进行调整，直到确定出的损失值不大于预设阈值后得到训练后的深度学习网络。在一种可能的实施方式中，所述确定单元具体被配置为执行：根据所述两帧训练图像分别对应的第二样本筛选参数，确定用于表示所述两帧训练图像分别对应的第二样本筛选参数大小的伪二值化标签，以及确定所述两帧训练图像分别对应的第一样本筛选参数的差值；根据所述伪二值化标签和所述差值，确定所述两帧训练图像对应的损失值。在一种可能的实现方式中，所述视频样本训练集中包括标准视频样本和非标准视频样本；所述确定单元还被配置为执行根据下列方式获取所述视频样本训练集：确定多个预设搜索关键词对应的视频；将每个预设搜索关键词对应的视频按照点击率大小进行排序，将排序靠前的n个视频作为标准视频样本，以及将排序靠后的m个视频作为非标准视频样本；其中，所述n、m为正整数。在一种可能的实现方式中，所述确定单元还被配置为执行根据下列方式对所述图像二分类器进行训练：从标准图像集中选取部分或全部标准图像，以及从非标准图像集中选取部分或全部非标准图像；其中，所述标准图像集由所述标准视频样本的封面图像组成；所述非标准图像集由所述非标准视频样本的封面图像组成；将选取的标准图像、非标准图像、每张图像所属视频样本对应的搜索关键词以及每张图像对应的分类标签作为所述图像二分类器的输入，并将每张图像的分类标签为标准标签的第一概率值和每张图像的分类标签为非标准标签的第二概率值作为所述图像二分类器的输出，对所述图像二分类器进行训练。在一种可能的实现方式中，所述确定单元具体被配置为执行：将所述图像二分类器输出的所述训练图像的分类标签为标准标签的第一概率值，作为所述训练图像对应的第二样本筛选参数。在一种可能的实现方式中，所述生成单元具体被配置为执行：将所述至少两帧备选图像中筛选参数最大的备选图像作为所述目标图像。根据本公开实施例的第三方面，提供一种电子设备，包括：存储器，用于存储可执行指令；处理器，用于读取并执行所述存储器中存储的可执行指令，以实现如本公开实施例第一方面中任一项所述的视频封面图像生成方法。根据本公开实施例的第四方面，提供一种非易失性存储介质，当所述存储介质中的指令由视频封面推荐装置的处理器执行时，使得视频封面推荐装置能够执行本公开实施例第一方面中所述的视频封面图像生成方法。本公开的实施例提供的技术方案至少带来以下有益效果：本公开实施例提供的视频封面图像生成方法，确定视频搜索指令对应的目标视频，从目标视频中确定至少两帧备选图像，根据每帧备选图像的像素特征以及视频搜索指令对应的关键词，确定每帧备选图像与关键词匹配程度的筛选参数，根据筛选参数选取目标图像生成目标视频的封面。由于筛选参数为根据备选图像的像素特征以及与搜索指令对应的搜索关键词确定的，因此，通过本发明实施例的封面图像生成方法，可以确定备选图像的精彩程度，以及与搜索关键词的匹配程度，根据备选图像的筛选参数从中确定的目标图像生成的视频封面图像精彩程度较高，与搜索关键词的匹配程度较高，能吸引更多的用户点击视频进行观看，从而提高视频的点击率。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。图1是根据一示例性实施例示出的一种视频封面图像生成方法的流程示意图；图2是根据一示例性实施例示出的一种应用场景的示意图；图3是根据一示例性实施例示出的一种视频封面图像生成方法的整体流程图；图4是根据一示例性实施例示出的一种深度学习网络训练方法的整体流程图；图5是根据一示例性实施例示出的一种视频封面图像生成装置的框图；图6是根据一示例性实施例示出的一种电子设备的框图。具体实施方式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。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。以下，对本公开实施例中的部分用语进行解释说明，以便于本领域技术人员理解。(1)本公开实施例中术语“多个”是指两个或两个以上，其它量词与之类似。(2)本公开实施例中术语“电子设备”可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。(3)本公开实施例中术语“短视频”是指在各种新媒体平台上播放的、适合在移动状态和短时休闲状态下观看的、高频推送的视频内容，几秒到几分钟不等。内容融合了技能分享、幽默搞怪、时尚潮流、社会热点、街头采访、公益教育、广告创意、商业定制等主题。由于内容较短，可以单独成片，也可以成为系列栏目。(4)本公开实施例中术语“点击率”即ctr(click-through-rate)，是指网站页面上某一内容被点击的次数与被展示次数之比，即clicks/showcontent，它是一个百分比。反映了网页上某一内容的受关注程度，经常用来衡量广告的吸引程度。(5)本公开实施例中术语“损失函数”是指将随机事件或其有关随机变量的取值映射为非负实数，以表示该随机事件的“风险”或“损失”的函数。在应用中，损失函数通常作为学习准则与优化问题相联系，即通过最小化损失函数求解和评估模型。点击率通常是用来衡量互联网广告效果的一项重要指标，通常是指在搜索引擎中输入关键词后进行搜索，然后把相关的广告按顺序进行排列出来，用户会选择自己感兴趣的广告点击进去；将一个广告搜索出来的次数作为总次数，以及将用户点击并进入网站的次数占总次数的比例叫点击率。例如，如果该广告被搜索展示了1000次，而被用户点击了10次，那么该广告的点击率为：1％。点击率也可以用来衡量短视频的受欢迎程度，用户在短视频应用中输入搜索关键词，例如输入的关键词为“搞笑”，则会搜索到相关的搞笑短视频，然后用户在搜索出来的短视频中选择自己感兴趣的短视频点击进去，当输入关键词后搜索出来的短视频的次数作为总次数，用户点击进入观看的次数占总次数的比例为短视频的点击率。用户在选择自己感兴趣的短视频时，通常根据短视频的封面初步了解短视频的内容，通常短视频的封面较精彩，短视频的点击率往往较高。但是，现有许多短视频应用在用户上传短视频时，自动将短视频的首帧作为短视频的封面，由于短视频的首帧内容往往不能展示出视频中的精彩部分，可能导致短视频的点击率较低。本公开实施例提供一种视频封面图像生成方法，用于为视频生成精彩的封面，从而提高视频的点击率。为了使本公开的目的、技术方案和优点更加清楚，下面将结合附图对本公开作进一步地详细描述，显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本公开保护的范围。下面对本公开实施例作进一步详细描述。图1是根据一示例性实施例示出的一种视频封面图像生成方法的流程图，如图1所示，包括以下步骤：在步骤s11中，响应于视频搜索指令，确定视频搜索指令对应的目标视频；在步骤s12中，从目标视频中确定至少两帧备选图像，并根据备选图像的像素特征以及视频搜索指令对应的搜索关键词，确定备选图像对应的用于表示与搜索关键词匹配程度的筛选参数；在步骤s13中，根据备选图像对应的筛选参数，从至少两帧备选图像中筛选出目标图像，并根据目标图像生成目标视频的封面。由上可见，本公开实施例公开的一种视频封面图像生成方法，确定视频搜索指令对应的目标视频，从目标视频中确定至少两帧备选图像，根据每帧备选图像的像素特征以及视频搜索指令对应的关键词，确定每帧备选图像与关键词匹配程度的筛选参数，根据筛选参数选取目标图像生成目标视频的封面。由于筛选参数为根据备选图像的像素特征以及与搜索指令对应的搜索关键词确定的，因此，通过本发明实施例的封面图像生成方法，可以确定备选图像的精彩程度，以及与搜索关键词的匹配程度，根据备选图像的筛选参数从中确定的目标图像生成的视频封面图像精彩程度较高，与搜索关键词的匹配程度较高，能吸引更多的用户点击视频进行观看，从而提高视频的点击率。需要说明的是，在本公开实施例中，筛选参数用于表示备选图像与搜索关键词匹配程度，备选图像的筛选参数越高，根据备选图像生成封面后视频点击率高的可能性越大。一种可选的应用场景可以为如图2所示的示意图，终端设备21中安装短视频应用，当用户20在终端设备21的短视频应用的搜索页面上输入搜索关键词，并确认搜索触发视频搜索指令，终端设备21响应视频搜索指令，获取视频搜索指令对应的目标短视频，一种可选的实施方式为，终端设备21响应视频搜索指令向服务器22发送请求，服务器22向终端设备21返回视频搜索指令对应的目标视频；在返回目标视频时，服务器22还会确定目标视频的配置信息，例如标题、封面、作者信息等，将目标视频的配置信息一并返回给终端设备21，在确定目标视频的封面时，针对任一目标视频，服务器22从目标视频中确定至少两帧备选图像，根据备选图像的像素特征以及视频搜索指令对应的关键词，确定备选图像对应的用于表示与搜索关键词匹配程度的筛选参数，根据备选图像对应的筛选参数，从至少两帧备选图像中筛选出目标图像。服务器22将目标图像发送给终端设备21中的短视频应用，短视频应用根据目标图像生成目标视频的封面推荐给用户20。需要说明的是，本公开实施例中视频封面图像生成方法应用于视频搜索的场景中仅是示例的，并不构成对本发明实施例保护范围的限定。本公开实施例中公开的视频封面图像生成方法可以应用在视频录制完成后上传发表时；或者可以应用在视频上传一段时间后，若视频的点击率较低的情况时；或者任何需要为视频生成封面的应用场景下，本公开实施例对此不作具体限定。针对需要生成封面图像的目标视频，从目标视频中确定至少两帧备选图像，从确定出的至少两帧备选图像中选取一帧作为目标视频的封面。具体的，确定备选图像的方法可以是：将目标视频中间隔预设时长的图像作为至少两帧备选图像。由于视频在播放过程中，相邻两帧的图像画面基本相同。本公开实施例提供的确定备选图像的方法中，通过每隔预设时长选取一帧的方式可以简化图像处理过程，并且可以基本覆盖完整的目标视频。例如，预设时长可以是1秒，将目标视频中每间隔1秒的图像作为备选图像。上述确定备选图像的方法仅是示例，确定备选图像的方法也可以是在目标视频中任意选取至少两帧，本公开实施例对此不作限定。在确定备选图像后，确定备选图像对应的筛选参数，其中，备选图像对应的筛选参数表示搜索关键词匹配程度，并且由于确定筛选参数的过程中，依据了备选图像的像素特征，像素特征好的图像具有图片拍摄手法好、图像中人物好看等特点，筛选参数越大，像素特征越好，图像的精彩程度越高。本公开实施例提供一种确定备选图像对应的筛选参数的方法，通过已训练的深度学习网络确定备选图像对应的筛选参数。一种可选的实施方式为，将备选图像输入已训练的深度学习网络，获取已训练的深度学习网络输出的备选图像对应的筛选参数。其中，深度学习网络是根据备选图像的像素特征以及搜索关键词确定备选图像对应的筛选参数的。本公开实施例对高效的深度学习网络进行训练，通过已训练的深度学习网络确定备选图像对应的筛选参数，执行效率高，可同时对多个备选图像进行处理；并且由于深度学习网络为通过大量训练样本训练后的网络，因此通过训练后的深度学习网络确定出来的备选图像对应的筛选参数准确度较高。具体的，已训练的深度学习网络可以提取备选图像的像素特征；例如，深度学习网络可以是已训练的resnet18。深度学习网络根据备选图像的像素特征以及搜索关键词确定备选图像对应的筛选参数。其中，备选图像的像素特征具体可以是备选图像中各个像素的像素值。假设，从目标视频中确定出50帧备选图像，将50帧备选图像输入深度学习网络，深度学习网络根据50帧备选图像的像素特征以及视频搜索指令对应的搜索关键词确定每帧备选图像对应的筛选参数，根据50帧备选图像对应的筛选参数确定目标图像。一种可选的实施方式为，将所述至少两帧备选图像中筛选参数最大的备选图像作为目标图像。本公开实施例中，筛选参数用于表示备选图像与搜索关键词匹配程度，筛选参数最高的备选图像与搜索关键词之间的匹配程度最高。由于至少两帧备选图像是从同一目标视频中确定的，目标视频中筛选参数最高的备选图像精彩程度以及与搜索关键词之间的匹配程度最高。筛选参数最高的备选图像作为目标图像并将目标图像作为目标视频的封面，可以提高目标视频封面的精彩度以及与搜索关键词的匹配程度，能吸引更多的用户点击视频进行观看，从而提高视频的点击率。例如，确定出的50帧备选图像中，筛选参数最高的备选图像对应的筛选参数为0.89，则将该帧备选图像确定为目标图像，根据目标图像生成目标视频的封面；或者，确定出的50帧备选图像中，将筛选参数大于预设阈值的备选图像确定为目标图像，目标图像可能为多帧，将多帧目标图像推荐给用户，以使用户从多帧目标图像中选取一帧作为目标视频的封面。例如，预设阈值为0.7，即将确定出的50帧备选图像中，筛选参数大于0.7的备选图像有5帧，则将此5帧备选图像作为目标图像推荐给用户，用户从5帧图像中选取一帧作为目标视频的封面。将多帧目标图像推荐给用户时，还可以按照筛选参数从大到小的顺序展示给用户。图3是根据一示例性实施例示出的一种视频封面图像生成方法的完整流程图，如图3所示，包括以下步骤：步骤s31，响应于视频搜索指令，确定视频搜索指令对应的目标视频；步骤s32，从目标视频中确定至少两帧备选图像；步骤s33，将备选图像输入已训练的深度学习网络，获取已训练的深度学习网络输出的备选图像对应的筛选参数；步骤s34，根据备选图像对应的筛选参数，从至少两帧备选图像中选取目标图像；步骤s35，根据目标图像生成目标视频的封面。下面对本公开实施例中深度学习网络的训练方法进行介绍。在一种可选的实施方式中，本公开实施例根据下列方式对深度学习网络进行训练：针对视频样本训练集中的视频样本，将从视频样本中确定的至少两帧训练图像以及视频样本对应的搜索关键词输入深度学习网络，获取深度学习网络输出的训练图像对应的第一样本筛选参数；将至少两帧训练图像输入已训练的图像二分类器，获取已训练的图像二分类器输出的训练图像对应的第二样本筛选参数；针对任意两帧训练图像，根据两帧训练图像分别对应的第一样本筛选参数和第二样本筛选参数，确定两帧训练图像对应的损失值；根据确定出的损失值对所述深度学习网络的参数进行调整，直到确定出的损失值不大于预设阈值后得到训练后的深度学习网络。本公开实施例在提供的训练深度学习网络的训练方法，通过深度学习网络输出的训练图像对应的第一样本筛选参数，与图像二分类器输出的训练图像对应的第二样本筛选参数，确定训练图像对应的损失值，根据损失值对深度学习网络进行训练。由于在训练过程中，基于图像二分类器输出的训练图像对应的第二样本筛选参数进行训练，不需要人工对训练图像进行标注，可以提高训练速率，并且图像二分类器为通过大量样本训练后的分类器，训练后的图像二分类器可以较为准确地输出训练图像对应的第二样本筛选参数；因此通过本公开实施例提供的方法训练的深度学习网络，可以准确地确定同一目标视频中获取的备选图像对应的筛选参数，且执行效率高。具体的，在训练深度学习网络时使用的训练图像为从同一视频样本中确定的，可以采集多个视频样本，对深度学习网络进行多组训练，在训练过程中，将训练图像输入深度学习网络获取训练图像对应的第一样本筛选参数，将训练图像输入已训练的图像二分类器获取训练图像对应的第二样本筛选参数，根据任意两帧训练图像分别对应的第一样本筛选参数与第二样本筛选参数确定这两帧训练图像对应的损失值，由于训练图像为至少两帧，则根据同一视频样本可以确定多个损失值，根据确定出的损失值对深度学习网络的参数进行调整，直到训练完成。实施中，对深度学习网络的训练过程分为两个部分，首先训练图像二分类器，然后训练深度学习网络，在训练深度学习网络之前，需要先采集训练深度学习网络所用到的视频样本训练集。本公开实施例中，视频样本训练集中包括标准视频样本和非标准视频样本；根据下列方式获取视频样本训练集：确定多个预设搜索关键词对应的视频；将每个预设搜索关键词对应的视频按照点击率大小进行排序，将排序靠前的n个视频作为标准视频样本，以及将排序靠后的m个视频作为非标准视频样本；其中，n、m为正整数。本公开实施例中根据视频的点击率确定视频为标准视频样本还是非标准视频样本，由于视频的点击率由视频的搜索展示次数与用户的点击观看次数确定，点击率可以衡量视频的视频封面精彩程度，具备参考价值。且视频的点击率容易获得，根据视频的点击率可以快速准确的选取标准视频样本与非标准视频样本。根据对短视频点击率的数据统计发现，往往点击率较高的视频的封面图像都比较精彩，可以将点击率高的视频样本作为标准视频样本，标准视频样本的封面组成标准图像集；将点击率低的视频样本作为非标准视频样本，非标准视频样本的封面组成非标准图像集。具体的，在确定标准视频样本与非标准视频样本时，可以根据视频的点击率确定该视频为标准视频样本还是非标准视频样本，确定多个预设搜索关键词，针对每个预设搜索关键词搜索到的视频按照点击率大小进行排序，将排序靠前的n个视频样本作为标准视频样本，将排序靠后的m个视频作为非标准视频样本。例如，选取近一个月内搜索次数前1000的搜索关键词，每个搜索词对应的点击率前1000个视频作为标准视频样本，每个搜索词对应的点击率后1000个视频作为非标准视频样本，则确定出10万个标准视频样本，标准视频样本的封面图像组成的标准图像集中包含10万张标准图像；确定出10万个非标准视频样本，非标准视频样本的封面图像组成的非标准图像集中包含10万张非标准图像；10万个标准视频样本与10万个非标准视频样本组成视频样本训练集。在确定视频样本训练集以及标准图像集和非标准图像集后，下面对训练图像二分类器以及训练深度学习网络这两个部分依次进行介绍：一、训练图像二分类器一种可选的实施方式为，根据下列方式对所述图像二分类器进行训练：从标准图像集中选取部分或全部标准图像，以及从非标准图像集中选取部分或全部非标准图像；将选取的标准图像、非标准图像、每张图像所属视频样本对应的搜索关键词以及每张图像对应的分类标签作为图像二分类器的输入，并将每张图像的分类标签为标准标签的第一概率值和每张图像的分类标签为非标准标签的第二概率值作为图像二分类器的输出，对图像二分类器进行训练。本公开实施例中通过标准图像与非标准图像对图像二分类器进行训练，得到的图像二分类器可以对图像的所属类别以及与关键词的匹配程度进行判断。本公开实施例中通过已训练的图像二分类器确定备选图像对应的第二样本筛选参数，用于确定深度学习网络训练过程中的损失值，事实上，可以将训练好的图像二分类器输出的备选图像对应的第二样本筛选参数视为备选图像对应的真实筛选参数，在训练深度学习网络的过程中，通过备选图像对应的真实筛选参数与深度学习网络输出的备选图像对应的预测筛选参数确定损失值，对深度学习网络进行训练，使深度学习网络确定图像对应的预测筛选参数越来越接近图像对应的真实筛选参数，达到深度学习的效果。具体的，图像二分类器可以判断输入的图像属于哪个类别以及与关键词的匹配程度，本公开实施例中训练的图像二分类器可以将判断图像属于“标准”标签还是“非标准”标签以及图像与所属视频样本对应的搜索关键词的匹配程度。需要说明的是，本公开实施例中的“标准”是指图像精彩度高、将分类标签为标准标签的图像作为视频封面后，往往视频可以获得较高的点击率。需要说明的是，标准图像又可以称为正样本图像，正样本图像对应的分类标签为正标签；非标准图像又可以称为负样本图像，负样本图像对应的分类标签为负标签。在训练过程中，从标准图像集中选取部分或全部标准图像、从非标准集中选取部分或全部非标准图像，将选取的标准图像与非标准图像、每张图像所属视频样本对应的搜索关键词以及每张图像对应的分类标签输入图像二分类器；针对每张图像，图像二分类器会输出该图像的分类标签为标准标签的第一概率值以及该图像的分类标签为非标准标签的第二概率值，然后根据两个概率值与输入的该图像标注的分类标签进行比较，调整图像二分类器的参数，不断进行迭代，直到图像二分类器训练完成。实施中，从标准图像集中选取部分或全部标准图像以及从非标准集中选取部分或全部非标准图像钱，以选取5张标准图像和5张非标准图像为例，对本公开实施例中图像二分类器的训练过程进行说明。例如，图a、图b、图c、图d、图e为标准图像，将每张图像的分类标签标注为标准标签，图a、图b所属视频样本对应的搜索关键词为“搞笑”，图c、图d、图e所属视频样本对应的搜索关键词为“宠物”；图f、图g、图h、图i、图j为非标准图像，将每张图像的分类标签标注为非标准标签，图f、图g所属视频样本对应的搜索关键词为“搞笑”，图h、图i、图j所属视频样本对应的搜索关键词为“食物”；将标注标签的图像输入图像二分类器，图像二分类器会输出每张图像对应的两个概率值，表示图像二分类器对输入的图像的预测分类结果。假设，图像二分类器的输出如表1所示：图号第一概率值第二概率值图a0.40.8图b0.80.2图c0.60.2图d0.30.1图e0.50.3图f0.10.6图g0.80.5图h0.40.9图i0.80.7图j0.20.3表1以图a为例进行说明，图像二分类器输出图a的分类标签为标准标签的第一概率值为0.4、输出图a的分类标签为非标准标签的第二概率值为0.8，则表明图像二分类器认为图a为标准图像的概率为0.4，为非标准图像的概率为0.8，但图a为标准图像的概率应该为1，为非标准图像的概率为0，则表明图像二分类器分类错误。其中，图像二分类器对第一概率值与第二概率值的确定也依据了图a与“搞笑”这个搜索关键词的匹配程度而确定。表1所示的数据中，可以认为，图像二分类器对图b、图c、图d、图e、图f、图h、图i、图j分类正确，对图a、图g分类错误，在误差允许范围内，可以认为图像二分类器分类正确，继续通过下一组标准图像与非标准图像对图像二分类器进行训练。需要说明的是，上述说明仅是示例的，确定图像二分类器分类结果正确与否的条件并不是唯一的，例如，可以设置对标准图像识别的结果中，第一概率值大于预设阈值，且第二概率值小于预设阈值才认为图像二分类器分类正确。假设，针对标准图像，当第一概率值大于0.7且第二概率值小于0.3时，认为图像二分类器的识别结果正确。则针对上述条件，标准图像图d的第一概率值为0.3、第二概率值为0.1，认为图像二分类器识别错误。此外，并不是图像二分类器输出的每张图像对应的第一概率值与第二概率值只有0和1时才表明图像二分类器训练完成，实质上，训练好的图像二分类器的输出可以有一定的误差。例如，将一张标准图像输入训练完成的图像二分类器，输出的第一概率值为0.9，第二概率值为0.1，但并不比表示图像二分类器分类错误。本公开实施例中，对图像二分类器的训练过程仅是示例的，并不构成对本公开保护范围的限定。可选的，本公开实施例可以选择训练一个目标函数为softmax、类型为inceprtion-3的图像二分类器。二、训练深度学习网络由于本公开实施例提供的视频封面图像生成方法是将同一视频中确定出的至少两帧备选图像中，精彩度高且与搜索关键词匹配度高的备选图像作为封面图像，因此，在训练深度学习网络时，也将同一视频中确定的图像作为训练图像，在训练深度学习网络的过程中，基于排序逻辑进行训练，使得深度学习网络可以从一段视频中确定精彩度高且与搜索关键词匹配度高的视频帧，将精彩度高且与搜索关键词匹配度高的视频帧作为视频的封面，提高视频的点击率。实施中，针对视频样本训练集中的视频样本，将从视频样本中确定的至少两帧训练图像以及视频样本对应的搜索关键词输入深度学习网络，获取深度学习网络输出的训练图像对应的第一样本筛选参数。第一样本筛选参数为深度学习网络确定的用于表示与搜索关键词匹配程度的数值。例如，针对任一视频样本vn，假设视频样本vn对应的搜索关键词为“搞笑”，将从视频样本vn中确定的训练图像vn(i)以及搜索关键词“搞笑”输入深度学习网络，假设深度学习网络输出的训练图像vn(i)对应的第一样本筛选参数为0.6，则表明，深度学习网络认为训练图像vn(i)综合精彩程度以及与搜索关键词“搞笑”之间的匹配程度为60％。另外，将上述确定的至少两帧训练图像以及所属视频样本对应的搜索关键词输入已训练的图像二分类器，获取已训练的图像二分类器输出的训练图像对应的第二样本筛选参数。第二样本筛选参数为图像二分类器确定的用于表示与搜索关键词匹配程度的数值。一种可选的实施方式为，将图像二分类器输出的训练图像的分类标签为标准标签的第一概率值，作为训练图像对应的第二样本筛选参数。本公开实施例将图像二分类器输出的训练图像的第一概率值作为训练图像对应的第二样本筛选参数，由已训练的图像二分类器确定训练图像对应的第二样本筛选参数可以视为图像对应的真实筛选参数，不需要人为确定训练图像的真实筛选参数，高效准确，加快深度学习网络的训练过程。具体的，由于图像二分类器会输出训练图像对应的第一概率值与第二概率值，由于第一概率值表示训练图像的分类标签为标准标签的第一概率值且也依据了训练图像与搜索关键词的匹配程度而确定，因此表示与搜索关键词匹配程度的第二样本筛选参数可以选取图像二分类器会输出训练图像对应的第一概率值。例如，将视频样本vn中确定的训练图像vn(i)以及视频样本vn对应的搜索关键词“搞笑”输入已训练的图像二分类器，假设图像二分类器输出的vn(i)对应的第一概率值为0.8、第二概率值为0.3，则将第一概率值0.8作为训练图像对应的第二样本筛选参数。实质上，本公开实施例将图像二分类器确定的训练图像对应的第二样本筛选参数作为训练图像对应的真实筛选参数，将图像二分类器的输出作为深度学习网络的理想输出。在确定训练图像对应的第一样本筛选参数与第二样本筛选参数后，需要根据任意两帧训练图像对应的第一样本筛选参数与第二样本筛选参数确定任意两帧训练图像对应的损失值，根据确定的多个损失值对深度学习网络参数进行调整。一种可选的实施方式为，根据两帧训练图像分别对应的第二样本筛选参数，确定用于表示两帧训练图像分别对应的第二样本筛选参数大小的伪二值化标签，以及确定两帧训练图像分别对应的第一样本筛选参数的差值；根据伪二值化标签和上述差值，确定两帧训练图像对应的损失值。本公开实施例中根据图像二分类器输出的训练图像分别对应的第二样本筛选参数确定伪二值化标签，不需要人工为训练图像标注标签，执行效率较高。并且伪二值化标签用于表示两帧训练图像分别对应的第二样本筛选参数大小排序，因此伪二值化标签还包含排序逻辑，根据伪二值化标签和两帧训练图像分别对应的第一样本筛选参数的差值确定的损失值也是基于排序逻辑确定的损失值。具体的，本公开实施例中任意两帧训练图像对应的伪二值化标签表示训练图像对应的第二样本筛选参数大小，深度学习网络输出的两帧训练图像分别对应的第一样本筛选参数的大小理想状态下应与第二样本筛选参数大小排序一致，根据伪二值化标签与第一样本筛选参数的差值确定损失值，根据损失值调整深度学习网络的参数，训练后的深度学习网络具备排序逻辑。实施中，确定伪二值化标签的公式如公式1所示：其中，zn(i，j)表示对于任一视频样本vn的第i帧训练图像vn(i)与第j帧训练图像vn(j)的伪二值化标签；f(vn(i))表示训练图像vn(i)对应的第二样本筛选参数；f(vn(j))表示训练图像vn(j)对应的第二样本筛选参数。当f(vn(i))大于f(vn(j))时，伪二值化标签zn(i，j)的值为1；当f(vn(i))小于或等于f(vn(j))时，伪二值化标签zn(i，j)的值为1。例如，对于任意两帧训练图像vn(1)与vn(2)，训练图像vn(1)对应的第二样本筛选参数f(vn(1))为0.8，训练图像vn(2)对应的第二样本筛选参数f(vn(2))为0.6，则对于任意两帧训练图像vn(1)与vn(2)，其对应的伪二值化标签zn(1，2)为1。假设，将任意两帧训练图像vn(1)与vn(2)以及vn(1)与vn(2)所属视频样本对应的搜索关键词输入深度学习网络中得到的第一样本筛选参数分别为：s(vn(1))＝0.7；s(vn(2))＝0.9。则表示深度学习网络输出的两帧训练图像分别对应的第一样本筛选参数的大小与第二样本筛选参数大小排序不一致，需要对深度学习网络进行调整。本公开实施例提供一种确定损失值的损失函数，损失函数如公式2所示：其中，rank(i，j)表示对于任一视频样本vn的第i帧训练图像vn(i)与第j帧训练图像vn(j)对应的损失值；η为一个定值，可以是本领域技术人员设置的经验数值，一般为0。需要说明的是，η的取值不可以过大，过大可能导致影响两帧训练图像分别对应的第一样本筛选参数的差值的正负进而影响损失值。本公开实施例中，当损失值为0时，表示深度学习网络确定的训练图像对应的第一样本筛选参数的大小排序与第二样本筛选参数的大小排序一致，不用调整深度学习网络的参数，当损失值为正数时，表示深度学习网络确定的训练图像对应的第一样本筛选参数的大小排序与第二样本筛选参数的大小排序不一致，需要调整深度学习网络的参数。例如，训练图像vn(1)对应的第二样本筛选参数f(vn(1))为0.8，训练图像vn(2)对应的第二样本筛选参数f(vn(2))为0.6，则对于任意两帧训练图像vn(1)与vn(2)，其对应的伪二值化标签zn(1，2)为1。假设，训练图像vn(1)对应的第一样本筛选参数s(vn(1))＝0.7；训练图像vn(2)对应的第一样本筛选参数s(vn(2))＝0.9；假设η＝0，则rank(1，2)＝0.2，表示深度学习网络确定的训练图像对应的第一样本筛选参数的大小排序与第二样本筛选参数的大小排序不一致，需要调整深度学习网络的参数；又假设，训练图像vn(1)对应的第一样本筛选参数s(vn(1))＝0.9；训练图像vn(2)对应的第一样本筛选参数s(vn(2))＝0.8；假设η＝0，则rank(1，2)＝0，表示深度学习网络确定的训练图像对应的第一样本筛选参数的大小排序与第二样本筛选参数的大小排序一致，不用调整深度学习网络的参数。训练过程中，假设从同一视频样本中抽取n帧训练图像，则可以确定的损失值的个数为cn2个，根据m个样本视频则可以确定m*cn2个损失值。根据确定出的损失值对深度学习网络的参数进行调整，直到损失值不大于预设阈值后得到训练后的深度学习网络。需要说明的是，本公开实施例中预设阈值可以为0，在误差允许范围内，若确定出的大多数损失值不大于预设阈值即可认为深度学习网络训练完成。例如，根据训练图像确定的损失值中99％的损失值不大于预设阈值，则认为深度学习网络训练完成。显然，根据本公开实施例提供的深度学习网络训练方法对深度学习网络进行训练后，得到的训练后的深度学习网络可以对输入的备选图像进行识别，得到备选图像对应的筛选参数，其中，由于深度学习网络在训练过程中是基于排序逻辑进行训练的，所以也是基于排序逻辑确定同一目标视频中获取的备选图像对应的筛选参数的。因此，针对同一目标视频，使用训练后的深度学习网络获取到筛选参数最大的备选图像为该目标视频中所有视频帧中精彩程度最高且与视频对应的搜索关键词匹配程度最高的视频帧。图4是根据一示例性实施例示出的一种深度学习网络训练方法的整体流程图，如图4所示，包括以下步骤：在步骤s41中，采集视频样本训练集，以及根据视频样本训练集中标准视频样本的封面组成标准图像集，根据视频样本训练集中非标准视频样本的封面组成非标准图像集；在步骤s42中，从标准图像集中选取部分或全部标准图像以及从非标准图像集中选取部分或全部非标准图像，对图像二分类器进行训练；在步骤s43中，将从同一视频样本中确定的至少两帧训练图像以及视频样本对应的搜索关键词输入深度学习网络，获取深度学习网络输出的训练图像对应的第一样本筛选参数；在步骤s44中，将上述至少两帧训练图像以及视频样本对应的搜索关键词输入已训练的图像二分类器，获取已训练的图像二分类器输出的训练图像对应的第二样本筛选参数；在步骤s45中，针对任意两帧训练图像，根据两帧训练图像分别对应的第一样本筛选参数和第二样本筛选参数，确定两帧训练图像对应的损失值；在步骤s46中，根据确定出的损失值对深度学习网络的参数进行调整，直到确定出的损失值不大于预设阈值后得到训练后的深度学习网络。需要说明的是，本公开实施例中提供的视频封面图像生成方法中，根据备选图像的像素特征以及视频搜索指令对应的搜索关键词，确定备选图像对应的筛选参数，确定出的筛选参数越大的备选图像，精彩度程高，且与搜索关键词的匹配程度高，筛选参数越大的备选图像越适合作为目标视频的封面。此外，本公开实施例中提供的视频封面图像生成方法中，还可以用于为视频推荐精彩度较高的封面，例如，在用户打开短视频应用时，可以在短视频应用的首页上展示多个短视频，在这种场景下，用户没有触发视频搜索指令，通过浏览推荐视频的封面确定感兴趣的视频点击观看，若首页上展示的多个短视频的封面的精彩程度较低，则会导致短视频的点击率较低。针对任一目标视频，从目标视频中确定至少两帧备选图像；其中，目标视频可以不是用户通过搜索指令搜索到的视频。将备选图像输入已训练的深度学习网络中，获取已训练的深度学习网络输出的备选图像对应的筛选参数；其中，筛选参数为深度学习根据备选图像的像素特征确定的。根据备选图像对应的筛选参数，从至少两帧备选图像中选取目标图像，并将目标图像作为目标视频的封面。上述方法中，已训练的深度学习网络通过下列方式进行训练：首先，采集包括标准视频样本和非标准视频样本的视频样本训练集，在采集视频样本训练集时，确定多个预设搜索关键词对应的视频；将每个预设搜索关键词对应的视频按照点击率大小进行排序，将排序靠前的n个视频作为标准视频样本，以及将排序靠后的m个视频作为非标准视频样本；其中，n、m为正整数。并根据视频样本集中标准视频样本的封面图像组成标准图像集，根据视频样本集中非标准视频样本的封面图像组成非标准图像集。其次，对图像二分类器进行训练。选取标准图像集中选取部分或全部标准图像，以及从非标准图像集中选取部分或全部非标准图像，将选取的标准图像、非标准图像以及每张图像对应的分类标签作为所述图像二分类器的输入，并将每张图像的分类标签为标准标签的第一概率值和每张图像的分类标签为非标准标签的第二概率值作为所述图像二分类器的输出，对所述图像二分类器进行训练。在训练好图像二分类器后，根据图像二分类器对深度学习网络进行训练。一种可选的实施方式为，针对视频样本训练集中的视频样本，将从视频样本中确定的至少两帧训练图像输入深度学习网络，获取所述深度学习网络输出的训练图像对应的第一样本筛选参数；以及将所述至少两帧训练图像输入已训练的图像二分类器，获取所述已训练的图像二分类器输出的训练图像对应的第二样本筛选参数；其中，将图像二分类器输出的训练图像的分类标签为标准标签的第一概率值，作为训练图像对应的第二样本筛选参数；针对任意两帧训练图像，根据所述两帧训练图像分别对应的第一样本筛选参数和第二样本筛选参数，确定所述两帧训练图像对应的损失值；其中，根据两帧训练图像分别对应的第二样本筛选参数，确定用于表示两帧训练图像分别对应的第二样本筛选参数大小的伪二值化标签，以及确定两帧训练图像分别对应的第一样本筛选参数的差值；根据伪二值化标签和差值，确定两帧训练图像对应的损失值。根据确定出的损失值对所述深度学习网络的参数进行调整，直到确定出的损失值不大于预设阈值后得到训练后的深度学习网络。本公开实施例中，根据对短视频点击率的数据统计发现，往往点击率较高的视频的封面图像都比较精彩，可以将点击率高的视频的封面作为标准图像，将点击率第的视频的封面作为非标准图像。上述训练方式在训练深度学习网络的过程中，由于标准图像与非标准图像的像素特征不同，通过标准图像与非标准图像训练得到的深度神经网络具备确定备选图像的精彩度的能力，得到的筛选参数表示备选图像的精彩度，因此在没有搜索关键词的情况下，可以通过已训练的深度学习网络确定标识备选图像精彩度的筛选参数，将筛选参数交到的备选图像作为目标视频的封面，封面精彩度较高，可以提高视频的点击率。需要说明的是，本公开实施例中提供的在用户没有触发视频搜索指令场景下视频封面图像生成方法中涉及到的深度学习网络以及深度学习网络的训练方法，可以与本公开实施例中提供的视频搜索场景下视频封面图像生成方法中涉及到的深度学习网络以及深度学习网络的训练方法相同，训练深度学习网络时的样本数据可以不包括视频样本对应的搜索关键词，本公开实施例不再进行详细赘述。本公开实施例中还提供了一种视频封面图像生成装置，由于该装置对应的是本公开实施例视频封面图像生成方法对应的装置，并且该装置解决问题的原理与该方法相似，因此该装置的实施可以参见方法的实施，重复之处不再赘述。图5是根据一示例性实施例示出的一种视频封面图像生成装置框图。参照图5，该装置包括搜索单元500，确定单元501和生成单元502。搜索单元500，被配置为执行响应于视频搜索指令，确定所述视频搜索指令对应的目标视频；确定单元501，被配置为执行从所述目标视频中确定至少两帧备选图像，并根据所述备选图像的像素特征以及所述视频搜索指令对应的搜索关键词，确定所述备选图像对应的用于表示与所述搜索关键词匹配程度的筛选参数；生成单元502，被配置为根据所述备选图像对应的筛选参数，从所述至少两帧备选图像中筛选出目标图像，并根据所述目标图像生成所述目标视频的封面。在一种可能的实现方式中，所述至少两帧备选图像为所述目标视频中间隔预设时长的图像。在一种可能的实现方式中，所述确定单元502具体被配置为：将所述备选图像以及所述搜索关键词输入已训练的深度学习网络，获取所述已训练的深度学习网络输出的所述备选图像对应的筛选参数；其中，所述深度学习网络是根据所述备选图像的像素特征以及所述搜索关键词确定所述备选图像对应的筛选参数的。在一种可能的实现方式中，所述确定单元502还被配置为执行根据下列方式对所述深度学习网络进行训练：针对视频样本训练集中的视频样本，将从所述视频样本中确定的至少两帧训练图像以及所述视频样本对应的搜索关键词输入深度学习网络，获取所述深度学习网络输出的训练图像对应的第一样本筛选参数；以及将所述至少两帧训练图像以及所述视频样本对应的搜索关键词输入已训练的图像二分类器，获取所述已训练的图像二分类器输出的训练图像对应的第二样本筛选参数；针对任意两帧训练图像，根据所述两帧训练图像分别对应的第一样本筛选参数和二样本筛选参数，确定所述两帧训练图像对应的损失值；根据确定出的损失值对所述深度学习网络的参数进行调整，直到确定出的损失值不大于预设阈值后得到训练后的深度学习网络。在一种可能的实施方式中，所述确定单元502具体被配置为执行：根据所述两帧训练图像分别对应的第二样本筛选参数，确定用于表示所述两帧训练图像分别对应的第二样本筛选参数大小的伪二值化标签，以及确定所述两帧训练图像分别对应的第一样本筛选参数的差值；根据所述伪二值化标签和所述差值，确定所述两帧训练图像对应的损失值。在一种可能的实现方式中，所述视频样本训练集中包括标准视频样本和非标准视频样本；所述确定单元还被配置为执行根据下列方式获取所述视频样本训练集：确定多个预设搜索关键词对应的视频；将每个预设搜索关键词对应的视频按照点击率大小进行排序，将排序靠前的n个视频作为标准视频样本，以及将排序靠后的m个视频作为非标准视频样本；其中，所述n、m为正整数。在一种可能的实现方式中，所述确定单元502还被配置为执行根据下列方式对所述图像二分类器进行训练：从标准图像集中选取部分或全部标准图像，以及从非标准图像集中选取部分或全部非标准图像；其中，所述标准图像集由所述标准视频样本的封面图像组成；所述非标准图像集由所述非标准视频样本的封面图像组成；将选取的标准图像、非标准图像、每张图像所属视频样本对应的搜索关键词以及每张图像对应的分类标签作为所述图像二分类器的输入，并将每张图像的分类标签为标准标签的第一概率值和每张图像的分类标签为非标准标签的第二概率值作为所述图像二分类器的输出，对所述图像二分类器进行训练。在一种可能的实现方式中，所述确定单元502具体被配置为执行：将所述图像二分类器输出的所述训练图像的分类标签为标准标签的第一概率值，作为所述训练图像对应的第二样本筛选参数。在一种可能的实现方式中，所述生成单元503具体被配置为执行：将所述至少两帧备选图像中筛选参数最大的备选图像作为所述目标图像。关于上述实施例中的装置，其中各个单元执行请求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。图6是根据一示例性实施例示出的一种电子设备600的框图，该电子设备包括：处理器610；用于存储所述处理器610可执行指令的存储器620；其中，所述处理器610被配置为执行所述指令，以实现本公开实施例中的视频封面图像生成方法。在示例性实施例中，还提供了一种包括指令的非易失性存储介质，例如包括指令的存储器620，上述指令可由电子设备600的处理器610执行以完成上述方法。可选地，存储介质可以是非临时性计算机可读存储介质，例如，所述非临时性计算机可读存储介质可以是rom、随机存取存储器(ram)、cd-rom、磁带、软盘和光数据存储设备等。本公开实施例还提供一种计算机程序产品，当所述计算机程序产品在电子设备上运行时，使得所述电子设备执行实现本公开实施例上述任意一项视频封面推荐方法或任意一项视频封面推荐方法任一可能涉及的方法。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。本公开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。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。当前第1页12