技术摘要：
本申请实施例提供了一种推荐视频确定方法、装置、电子设备及存储介质，涉及信息处理技术领域，其中，上述方法包括：获得用户的用户特征向量，其中，所述用户特征向量包括：所述用户所具有的各个特征的特征值；获得每一已有的视频物料的物料特征向量，其中，所述物料特  全部
背景技术：
近年来视频服务提供商能够为用户提供的视频越来越多，为了增加用户粘性、吸 引更多的用户使用视频APP(Application，应用程序)，视频服务提供商一般通过视频APP向 用户推荐视频。 现有技术中，确定待向用户推荐的视频时，一般将最新上线的视频或者热度最高 的预设数量个视频确定为待推荐的视频。虽然应用上述方式可以确定待向用户推荐的视 频，但是不同的用户兴趣爱好不同，对于不同的用户均采用上述方式确定待向用户推荐的 视频时，所确定出视频的精准度低。
技术实现要素：
本申请实施例的目的在于提供一种推荐视频确定方法、装置、电子设备及存储介 质，以提高所确定出的待向用户推荐的视频的精准度。具体技术方案如下： 在本申请实施的第一方面，首先提供了一种推荐视频确定方法，所述方法包括： 获得用户的用户特征向量，其中，所述用户特征向量包括：所述用户所具有的各个 特征的特征值； 获得每一已有的视频物料的物料特征向量，其中，所述物料特征向量包括：视频物 料所具有的各个特征的特征值； 根据每一已有的视频物料的物料特征向量和所述用户特征向量，预测向所述用户 推荐每一已有的视频物料的推荐度； 按照推荐度由高到低的顺序，从已有的视频物料中选择视频物料，并根据所选择 的视频物料确定待向所述用户推荐的视频。 本申请的一个实施例中，所述根据每一已有的视频物料的物料特征向量和所述用 户特征向量，预测向所述用户推荐每一已有的视频物料的推荐度，包括： 获得所述用户所具有的各个特征的预设线性系数和预设表示向量； 获得每一已有的视频物料所具有的各个特征的预设线性系数和预设表示向量； 针对每一已有的视频物料，采用所述用户所具有的各个特征的预设线性系数和预 设表示向量、所述用户特征向量、视频物料所具有的各个特征的预设线性系数和预设表示 向量、物料特征向量，预测向所述用户推荐视频物料的推荐度。 本申请的一个实施例中，所述针对每一已有的视频物料，采用所述用户所具有的 各个特征的预设线性系数和预设表示向量、所述用户特征向量、视频物料所具有的各个特 征的预设线性系数和预设表示向量、物料特征向量，预测向所述用户推荐视频物料的推荐 度，包括： 4 CN 111597380 A 说　明　书 2/14 页 按照以下方式，预测向所述用户推荐每一已有的视频物料的推荐度： 采用每一特征对中特征的预设表示向量，计算每一特征对的非线性系数，其中，所 述特征对包括：所述用户所具有的特征和视频物料所具有的特征中的两个不同特征； 以所述用户所具有的每一特征的预设线性系数为所述用户特征中该特征的特征 值的系数、以视频物料所具有的每一特征的预设线性系数为物料特征向量中该特征的特征 值的系数、且以每一特征对的非线性系数为特征对对应的特征值对的系数，预测向所述用 户推荐视频物料的推荐度，其中，特征对对应的特征值对包括：特征对中的特征在所述用户 特征向量或者视频物料的物料特征向量中的特征值。 本申请的一个实施例中，各个特征的预设线性系数和预设表示向量通过以下方式 预先得到： 获得样本用户的样本用户特征向量； 获得每一样本视频物料的样本物料特征向量； 获得向所述样本用户推荐每一样本视频物料的标注推荐度； 以所述样本用户特征向量、样本物料特征向量为预设的机器学习算法的输入，以 所述标注推荐度为对所述机器学习算法进行训练的监督信息，对所述机器学习算法进行训 练，调整所述机器学习算法的算法参数，在调整参数后的所述机器学习算法满足预设训练 结束条件后，得到所述样本用户所具有的各个特征的预设线性系数和预设表示向量、各个 样本视频物料所具有的各个特征的预设线性系数和预设表示向量； 其中，所述机器学习算法以所述样本用户所具有特征的线性系数、所述样本用户 所具有特征的表示向量、样本视频物料所具有特征的线性系数、样本视频物料所具有特征 的表示向量为算法参数。 本申请的一个实施例中，所述视频物料为：视频集合。 在本申请实施的第二方面，还提供了一种推荐视频确定装置，所述装置包括： 用户特征向量获得模块，用于获得用户的用户特征向量，其中，所述用户特征向量 包括：所述用户所具有的各个特征的特征值； 物料特征向量获得模块，用于获得每一已有的视频物料的物料特征向量，其中，所 述物料特征向量包括：视频物料所具有的各个特征的特征值； 推荐度预测模块，用于根据每一已有的视频物料的物料特征向量和所述用户特征 向量，预测向所述用户推荐每一已有的视频物料的推荐度； 推荐视频确定模块，用于按照推荐度由高到低的顺序，从已有的视频物料中选择 视频物料，并根据所选择的视频物料确定待向所述用户推荐的视频。 本申请的一个实施例中，所述推荐度预测模块，包括： 用户信息获得单元，用于获得所述用户所具有的各个特征的预设线性系数和预设 表示向量； 物料信息获得单元，用于获得每一已有的视频物料所具有的各个特征的预设线性 系数和预设表示向量； 推荐度预测单元，用于针对每一已有的视频物料，采用所述用户所具有的各个特 征的预设线性系数和预设表示向量、所述用户特征向量、视频物料所具有的各个特征的预 设线性系数和预设表示向量、物料特征向量，预测向所述用户推荐视频物料的推荐度。 5 CN 111597380 A 说　明　书 3/14 页 本申请的一个实施例中，所述推荐度预测单元，用于按照以下方式，预测向所述用 户推荐每一已有的视频物料的推荐度： 采用每一特征对中特征的预设表示向量，计算每一特征对的非线性系数，其中，所 述特征对包括：所述用户所具有的特征和视频物料所具有的特征中的两个不同特征； 以所述用户所具有的每一特征的预设线性系数为所述用户特征中该特征的特征 值的系数、以视频物料所具有的每一特征的预设线性系数为物料特征向量中该特征的特征 值的系数、且以每一特征对的非线性系数为特征对对应的特征值对的系数，预测向所述用 户推荐视频物料的推荐度，其中，特征对对应的特征值对包括：特征对中的特征在所述用户 特征向量或者视频物料的物料特征向量中的特征值。 本申请的一个实施例中，所述推荐视频确定装置还包括： 信息获得模块，用于通过以下方式预先获得各个特征的预设线性系数和预设表示 向量： 获得样本用户的样本用户特征向量； 获得每一样本视频物料的样本物料特征向量； 获得向所述样本用户推荐每一样本视频物料的标注推荐度； 以所述样本用户特征向量、样本物料特征向量为预设的机器学习算法的输入，以 所述标注推荐度为对所述机器学习算法进行训练的监督信息，对所述机器学习算法进行训 练，调整所述机器学习算法的算法参数，在调整参数后的所述机器学习算法满足预设训练 结束条件后，得到所述样本用户所具有的各个特征的预设线性系数和预设表示向量、各个 样本视频物料所具有的各个特征的预设线性系数和预设表示向量； 其中，所述机器学习算法以所述样本用户所具有特征的线性系数、所述样本用户 所具有特征的表示向量、样本视频物料所具有特征的线性系数、样本视频物料所具有特征 的表示向量为算法参数。 本申请的一个实施例中，所述视频物料为：视频集合。 在本申请实施的第三方面，还提供了一种电子设备，包括处理器、通信接口、存储 器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信； 存储器，用于存放计算机程序； 处理器，用于执行存储器上所存放的程序时，实现上述第一方面任一所述的方法 步骤。 在本申请实施的第四方面，还提供了一种计算机可读存储介质，所述计算机可读 存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面任一所 述的方法步骤。 在本申请实施的第五方面，还提供了一种包含指令的计算机程序产品，当其在计 算机上运行时，使得计算机执行上述第一方面任一所述的方法步骤。 由以上可见，应用本申请实施例提供的方案确定推荐视频时，是依据向用户推荐 每一已有的视频物料的推荐度，从已有的视频物料中选择视频物料，进而确定待向用户推 荐的视频的。由于向用户推荐每一已有的视频物料的推荐度是根据每一已有的视频物料的 物料特征向量以及用户的用户特征向量预测得到的，用户特征向量又反映了用户所具有的 各种特征，所以，采用用户特征向量和物料特征向量预测得到的推荐度，能够反映用户对每 6 CN 111597380 A 说　明　书 4/14 页 一已有的视频物料的感兴趣程度，因此，应用本申请实施例提供的方案，能够提高所确定出 的待向用户推荐的视频的精准度。 附图说明 为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现 有技术描述中所需要使用的附图作简单地介绍。 图1为本申请实施例提供的第一种推荐视频确定方法的流程示意图； 图2为本申请实施例提供的第二种推荐视频确定方法的流程示意图； 图3为本申请实施例提供的一种预测推荐度的方法的流程示意图； 图4为本申请实施例提供的第一种推荐视频确定装置的结构示意图； 图5为本申请实施例提供的第二种推荐视频确定装置的结构示意图； 图6为本申请实施例提供的一种电子设备的结构示意图。