一种基于机器学习的视频分类和推荐方法及系统与流程

本发明属于视频,具体涉及到一种基于机器学习的视频分类和推荐方法及系统。

背景技术：

1、基于机器学习算法快速挖掘火爆视频的背景源自对大规模视频数据的分析和挖掘需求。随着互联网的普及和视频内容的爆发式增长，其中有许多视频潜力巨大，但很难被准确地发现和推广，同时用户也很难在海量视频中找到最有趣和受欢迎的内容。如何迅速发现和推广具有吸引力和热度的视频成为了许多媒体公司、社交媒体平台和内容创作者的关注点。机器学习算法通过自动学习和识别视频中的模式和特征，可以辅助人们快速发现潜在的高热度视频。

2、目前已有部分公司和个人利用机器学习算法快速挖掘潜在的高热度视频。国内方面，抖音和快手利用机器学习算法来个性化推荐视频内容给用户，快速挖掘高热度视频。哔哩哔哩是中国的弹幕视频网站，利用机器学习算法来推荐和挖掘受欢迎的视频内容。腾讯视频则是中国著名的在线视频平台，利用机器学习算法进行个性化推荐和火爆视频的发现。国外方面，全球最大的视频分享平台youtube，利用机器学习算法进行个性化视频推荐和火爆视频的挖掘。全球知名的在线视频流媒体平台netflix利用机器学习算法进行个性化视频推荐和高热度视频的挖掘。全球最大的社交媒体平台之一facebook利用机器学习算法分析用户行为和兴趣，推荐和挖掘受欢迎的视频内容。

技术实现思路

1、本发明解决的问题是，可以高效准确的提供视频分类，对视频热度进行区分和推荐。为解决上述问题，本发明采用了如下技术方案：

2、本发明提供了一种基于机器学习的视频分类和推荐方法，包括：

3、获取训练视频和测试视频；

4、对所述训练视频进行分类并标注分类结果；

5、基于所述分类结果，提取视频中的特征信息；

6、所述特征信息包括视觉特征、音频特征和文本信息中的至少一项；

7、基于所述特征信息和对应标注，使用机器学习算法进行训练，构建特征信息和标注对应关系的分类模型；

8、使用所述测试视频对所述分类模型进行评估；

9、基于所述分类模型对待推荐视频进行预测和评分，得到对待推荐视频的预测结果和排序；

10、基于所述预测结果和排序，根据用户特征从所述待推荐视频中选择视频向目标用户进行视频推荐；

11、获取所述视频推荐的用户观看反馈数据；

12、基于所述反馈数据和所述预测结果对所述分类模型进行迭代优化。

13、进一步的，对所述训练视频进行分类的方法包括：根据所述训练视频播放热度进行分类并对根据播放热度对所述训练视频进行标注。

14、进一步的，提取视频中视觉特征信息方法包括：使用卷积神经网络提取视频的视觉特征；

15、进一步的，所述视觉特征包括颜色、纹理和运动中的至少一项。

16、进一步的，提取视频中音频特征信息方法包括：使用短时傅里叶变化提取视频中音频频谱特征。

17、进一步的，提取所述文本信息的方法包括：使用自然语言处理和文本挖掘技术对视频标题、描述、评论中至少一项提取关键信息；

18、使用自然语言处理和文本挖掘技术对视频主题提取关键信息。

19、进一步的，所述机器学习算法包括向量机、决策树、深度神经网络中的至少一项。

20、进一步的，向目标用户进行视频推荐的方法包括：所述反馈数据包括奖励信号，所述奖励信号根据用户行为定义，基于所述奖励信号评估推荐行为。

21、本发明还提供了一种基于机器学习的视频分类和推荐系统，包括：

22、视频获取模块：用于获取训练视频和测试视频；

23、特征提取模块，用于提取视频中视觉特征和音频特征并将所述视觉特征和或音频特征转化为特征向量；

24、训练模块：用于使用特征向量基于机器学习算法对模型进行训练，生成分类模型；

25、推荐模块：用于基于用户特征将视频推荐给目标用户；

26、用户反馈模块：用于获取用户动作的奖励反馈，并基于反馈结果对分类模型进行迭代优化。

27、本发明的有益效果是：

28、1)自动化和高效性：机器学习算法能够自动处理大量的视频数据，并从中挖掘出潜在的火爆视频。相比传统的人工方法，机器学习算法能够提高挖掘效率，快速找到具有火爆潜力的视频内容。

29、2)非线性关系挖掘：机器学习算法可以发现视频特征与火爆程度之间的复杂非线性关系。它们能够从大量的数据中学习到视频的隐含模式和规律，帮助识别出那些可能引起观众兴趣的特征组合。

30、3)个性化推荐：通过机器学习算法，可以根据用户的喜好和兴趣，为每个用户提供个性化的视频推荐。这种个性化推荐可以根据用户的观看历史、行为模式和反馈进行实时调整，从而提高视频的观看体验和用户满意度。

31、4)多模态挖掘：机器学习算法能够结合视频的视觉、音频和文本等多种模态信息，进行综合挖掘。通过综合分析多种模态数据，可以提供更全面和准确的火爆视频挖掘能力，从不同维度挖掘视频的吸引力。

32、5)强化学习优化：使用强化学习算法进行火爆视频挖掘，可以通过与用户的交互和反馈不断优化推荐策略。这种优化过程可以根据用户的喜好和行为动态调整，提高推荐的准确性和个性化程度。

33、6)长尾视频挖掘：机器学习算法能够挖掘那些潜在有吸引力但尚未被广泛关注的长尾视频。相比传统的热门视频挖掘方法，这种方法能够扩大视频内容的多样性和覆盖面，满足不同用户的兴趣和需求。

技术特征：

1.一种基于机器学习的视频分类和推荐方法，其特征在于，包括：

2.根据权利要求1所述的一种基于机器学习的视频分类和推荐方法，其特征在于，对所述训练视频进行分类的方法包括：根据所述训练视频播放热度进行分类并对根据播放热度对所述训练视频进行标注。

3.根据权利要求1所述的一种基于机器学习视频推荐方法，其特征在于，提取视频中视觉特征信息方法包括：使用卷积神经网络提取视频的视觉特征。

4.根据权利要求3所述的一种基于机器学习的视频分类和推荐方法，其特征在于，所述视觉特征包括颜色、纹理和运动中的至少一项。

5.根据权利要求1所述的一种基于机器学习的视频分类和推荐方法，其特征在于，提取视频中音频特征信息方法包括：使用短时傅里叶变化提取视频中音频频谱特征。

6.根据权利要求1所述的一种基于机器学习的视频分类和推荐方法，其特征在于，提取所述文本信息的方法包括：使用自然语言处理和文本挖掘技术对视频标题、描述、评论中至少一项提取关键信息；

7.根据权利要求1所述的一种基于机器学习的视频分类和推荐方法，其特征在于，所述机器学习算法包括向量机、决策树、深度神经网络中的至少一项。

8.根据权利要求1所述的一种基于机器学习的视频分类和推荐方法，其特征在于，向目标用户进行视频推荐的方法包括：所述反馈数据包括奖励信号，所述奖励信号根据用户行为定义，基于所述奖励信号评估推荐行为。

9.一种基于机器学习的视频分类和推荐系统，其特征在于，包括：

技术总结
本发明提供了一种基于机器学习的视频分类及推荐方法，包括：获取训练视频和测试视频；对所述训练视频进行分类并标注分类结果；基于所述分类结果，提取视频中的特征信息；所述特征信息包括视觉特征、音频特征和文本信息中的至少一项；基于所述特征信息和对应标注，使用机器学习算法进行训练，构建特征信息和标注对应关系的分类模型。

技术研发人员：马宏,段桂江,魏永强
受保护的技术使用者：易显智能科技有限责任公司
技术研发日：
技术公布日：2024/3/11