CN110933503A - 视频处理方法、电子设备及存储介质 - Google Patents

Abstract

本发明实施例涉及图像处理领域，特别涉及一种视频处理方法、电子设备及存储介质。视频处理方法，包括：根据为用户预设的喜好度预测模型，预测所述用户对每个备选视频的喜好度；其中，所述喜好度预测模型根据所述用户观看的历史视频训练得到；根据所述用户对每个备选视频的喜好度，对所述备选视频进行合成。采用本发明的实施方式，能够自动合成贴合喜好的视频，以解决个性化的视频观看需求得不到满足的问题。

Description

视频处理方法、电子设备及存储介质

技术领域

本发明实施例涉及图像处理领域，特别涉及一种视频处理方法、电子设备及存储介质。

背景技术

随着科技发展，网络视频、网络直播等成为休闲娱乐行业的新型产业；无论是新闻发布会、体育比赛、课堂教学还是商务会议等，均可通过网络视频及直播的形式供多个用户进行观看。用户们观看的网络视频或网络直播等，通常是由导播统一选择、切换的。然而，发明人发现相关技术中存在如下问题：由于用户们观看的同一个网络视频或网络直播的内容，基本是由导播从多个视频流中统一选择的，但导播统一选择的内容并不一定能贴合用户的喜好，用户无法实现从多个视频流中个性化地选择观看的内容。

发明内容

本发明实施方式的目的在于提供一种视频处理方法、电子设备及存储介质，能够自动合成贴合喜好的视频，以解决个性化的视频观看需求得不到满足的问题。

为解决上述技术问题，本发明的实施方式提供了一种视频处理方法，包括：根据为用户预设的喜好度预测模型，预测所述用户对每个备选视频的喜好度；其中，所述喜好度预测模型根据所述用户观看的历史视频训练得到；根据所述用户对每个备选视频的喜好度，对所述备选视频进行合成。

本发明的实施方式还提供了一种电子设备，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述的视频处理方法。

本发明的实施方式还提供了一种计算机可读存储介质，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的视频处理方法。

本发明实施方式相对于现有技术而言，根据为用户预设的喜好度预测模型，预测所述用户对每个备选视频的喜好度；其中，所述喜好度预测模型根据所述用户观看的历史视频训练得到；根据所述用户对每个备选视频的喜好度，对所述备选视频进行合成。由于用户观看的历史视频能够反映出用户对于观看视频的喜好，且每个用户均预设有喜好度预测模型，因此训练得到的喜好度预测模型能够较为真实准确地、有针对性地预测出用户对于每个备选视频的喜好度，预测的喜好度可参考价值较高；并且，最终合成得到的视频是基于用户对每个备选视频的喜好度而得到的，说明合成得到的视频能够贴合用户的喜好，也就是满足了用户的个性化视频观看需求，避免了由人工统一呈现给用户的视频具有一定主观局限性的情况。

另外，喜好度预测模型中预设有视频特征和所述视频特征的权重；所述喜好度预测模型，通过以下方式训练得到：根据预设的自编码器，获取所述历史视频中所述视频特征的特征向量；根据所述特征向量和预设的神经网络，预测所述用户对所述历史视频的喜好度；根据预设的所述历史视频的标签和所述喜好度，调整所述视频特征的权重。上述提供了一种训练喜好度预测模型的方式，结合了自编码器和神经网络来学习用户喜好的视频的特征、预测用户对视频的喜好度，使得预测模型的计算精度得到保障；由于用户观看的历史视频是用于训练预测模型的，因此需要根据用户对历史视频的真实喜好度和预测得到的喜好度之间的差异，来对预测模型的参数进行调整，因此可通过预设标签的形式来反映用户对历史视频的真实喜好度。

另外，在调整所述视频特征的权重前，还包括：判定所述权重的变化值未超过预设调整阈值。也就是说，如果根据预测喜好度等对视频特征的权重进行调整时，发现对权重的调整变化过大，则放弃此次对权重的调整，也就是并不采用此次训练数据；上述方式考虑到了预测的喜好度存在误差的可能性，避免了误差较大的训练数据影响模型的训练过程。

另外，预设的所述历史视频的标签，通过以下方式获取得到：获取所述用户对所述历史视频的观看时长；将所述观看时长大于或等于第一预设阈值的历史视频标记第一标签；将所述观看时长小于或等于第二预设阈值的历史视频标记第二标签；其中，所述第一预设阈值大于所述第二预设阈值。上述提供了一种为历史视频预设标签的方式，可以理解的是，用户对历史视频的观看时长越长，说明用户对该历史视频的喜好度越高，则标记的第一标签可用于表征该历史视频的正向属性(即贴合用户喜好的视频)；用户对历史视频的观看时长越短，说明用户对该历史视频的喜好度越低，则标记的第二标签可用于表征该历史视频的负向属性(即不贴合用户喜好的视频)；标签的存在便于较为直观地反映出历史视频与用户喜好的贴合程度，有助于与预测的喜好度进行比较以调整视频特征的权重。

另外，根据预设的自编码器，获取所述历史视频中所述视频特征的特征向量，包括：将所述历史视频切割为切片视频段，并根据预设的自编码器，获取每个所述切片视频段中所述视频特征的特征向量；每个切片视频段相对于完整的历史视频，处理器来更为便捷，使得视频处理效率得到了提升，降低了自编码器等的运行负载；由于将历史视频切割为切片视频段后，获取的是每个切片视频段中的视频特征的特征向量，而并非是一个历史视频中的视频特征的特征向量，获取的特征向量在数量上得到了扩充，也就是丰富了用于训练模型的样本，从而使得模型的训练效果得到提升。

另外，预设的所述视频特征包括：镜头类型特征、镜头场景特征、视频声音特征、镜头使用特征、视频特效特征；其中，每个所述视频特征由若干个子视频特征组成，预设的所述视频特征的权重包括每个所述子视频特征的权重。

另外，根据所述用户对每个备选视频的喜好度，对所述备选视频进行合成，包括：根据所述用户对每个备选视频的喜好度，对所述备选视频进行排序；将所述喜好度位于前N位的备选视频进行合成；其中，所述N为小于所述备选视频个数的整数。上述方式中，从所有备选视频中筛选出和用户的喜好贴合程度较高的备选视频进行合成，而舍弃掉用户不够喜爱的备选视频，从而使得最终合成的视频能够较大程度地满足用户的观看需求。

另外，预存有用户的身份信息与喜好度预测模型的绑定关系；所述为用户预设的喜好度预测模型，通过以下方式获取得到：获取所述用户的身份信息；根据所述绑定关系，获取与所述用户的身份信息绑定的喜好度预测模型。

附图说明

一个或多个实施例通过与之对应的附图中的图片进行示例性说明，这些示例性说明并不构成对实施例的限定。

图1是本发明第一实施方式中视频处理方法的流程图；

图2是本发明第一实施方式中喜好度预测模型的训练方法的流程图；

图3是本发明第一实施方式中预设的自编码器的运行过程的示意图；

图4是本发明第二实施方式中喜好度预测模型的训练方法的流程图；

图5是本发明第三实施方式中获取预设的历史视频的标签的流程图；

图6是本发明第四实施方式中电子设备的结构方框图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的各实施方式进行详细的阐述。然而，本领域的普通技术人员可以理解，在本发明各实施方式中，为了使读者更好地理解本申请而提出了许多技术细节。但是，即使没有这些技术细节和基于以下各实施方式的种种变化和修改，也可以实现本申请所要求保护的技术方案。

本发明的第一实施方式涉及一种视频处理方法，具体流程如图1所示，包括：

步骤101，根据为用户预设的喜好度预测模型，预测用户对每个备选视频的喜好度。

步骤102，根据用户对每个备选视频的喜好度，对备选视频进行合成。

下面对本实施方式的视频处理方法的实现细节进行具体的说明，以下内容仅为方便理解提供的细节，并非实施本方案的必须。

本实施方式中，根据为用户预设的喜好度预测模型，预测所述用户对每个备选视频的喜好度；其中，所述喜好度预测模型根据所述用户观看的历史视频训练得到；根据所述用户对每个备选视频的喜好度，对所述备选视频进行合成。由于用户观看的历史视频能够反映出用户对于观看视频的喜好，且每个用户均预设有喜好度预测模型，因此训练得到的喜好度预测模型能够较为真实准确地、有针对性地预测出用户对于每个备选视频的喜好度，预测的喜好度可参考价值较高；并且，最终合成得到的视频是基于用户对每个备选视频的喜好度而得到的，说明合成得到的视频能够贴合用户的喜好，也就是满足了用户的个性化视频观看需求，避免了由人工统一呈现给用户的视频具有一定主观局限性的情况。

在步骤101中，根据为用户预设的喜好度预测模型，预测用户对每个备选视频的喜好度；其中，喜好度预测模型根据所述用户观看的历史视频训练得到。可以理解的是，预先为每个用户都预设有一个根据当前用户观看的历史视频训练得到的喜好度预测模型，输入为备选视频，输出为预测的当前用户对备选视频的喜好度；其中，预先为每个用户预设的预测模型可以与用户的ID等唯一标识进行绑定，以供根据用户的ID等唯一标识获取到绑定的预设模型；喜好度可以以具体的数值表示，数据越大，表示当前用户越喜欢观看备选视频，数值越小，表示当前用户越不喜欢观看备选视频，等。

本实施方式中提供了一种训练喜好度预测模型的具体实现方法，其中，喜好度预测模型中预设有多个视频特征和各视频特征的权重，对预测模型进行训练的过程可以理解为不断调整视频特征的权重的过程，使得贴合用户喜好的视频特征的权重占比较大。喜好度预测模型的训练方法的具体流程如图2所示，包括：

步骤201，根据预设的自编码器，获取历史视频中视频特征的特征向量。

具体地说，将用户观看的历史视频输入预设的自编码器，输出得到预设的视频特征在历史视频中的特征向量。本实施方式中，预设的自编码器的运行过程可以理解为图3所示的示意图。其中，预设的自编码器包括编码器和解码器；编码器用于将输入数据压缩成潜在空间表征，得到均值向量和标准差向量，根据均值向量和标准差向量得到采样编码，作为解码器的输入数据；编码器包括10层卷积，其中第1层卷积核参数为7*7，输出通道为256；第2层卷积核参数为7*7，输出通道为128；第3层至第8层卷积核参数为5*5，输出通道为512，等。解码器用于重构来自潜在空间表征的输入数据(即采样编码)，输出视频特征的特征向量；解码器包括10层卷积和1层dropout(随机失活层)，其中第1层至第6层卷积核参数为5*5，输出通道为256；第7层卷积核参数为7*7，输出通道为128；第8层卷积核参数为7*7，输出通道为256，等；dropout层用于将卷积层输出的部分元素归零，以优化自编码器的结构。

在一个实例中，喜好度预测模型中预设的视频特征及权重可参考如下表1所示的内容，预设的视频特征包括以下几种：镜头类型特征、镜头场景特征、视频声音特征、镜头使用特征、视频特效特征，其中，每种视频特征均包括若干个子视频特征，每种视频特征的权重和为100，包括每个子视频特征的权重。

可以理解的是，上述表1中的视频特征、子视频特征及子视频特征的权重，仅为方便理解作的举例说明，并不构成具体的限定。上述表1中共有34个子视频特征，从而自编码器的输出为历史视频中34个上述子视频特征的特征向量。

步骤202，根据特征向量和预设的神经网络，预测用户对历史视频的喜好度。

具体地说，将自编码器输出的特征向量输入预设的神经网络，输出得到预测的用户对历史视频的喜好度。在一个实例中，预设的神经网络包括15层卷积，其中第1层卷积核参数为7*7，输出通道为256；第2层卷积核参数为7*7，输出通道为128；第3层至第13层卷积核参数为5*5，输出通道为512；第14层至第15层为相同的全连接层和softmax输出层的组合；softmax输出层用于将数值转化为概率，也就是预测用户对历史视频的喜好度是以概率的形式体现的，又由于一般概率的范围是固定的[0,1]，因而概率相对于数据能够较为直观地反映用户是否喜欢观看历史视频。

步骤203，根据预设的历史视频的标签和喜好度，调整视频特征的权重。

具体地说，由于用户观看的历史视频是用于训练预测模型的，因此需要根据用户对历史视频的真实喜好度和预测得到的喜好度之间的差异，来对预测模型的参数进行调整；因此本实施方式中通过预设历史视频的标签来反映用户对历史视频的真实喜好度，标签可以在收集用户观看的历史视频的同时，请用户自行进行标记，例如将历史视频标记为“喜欢”标签、“一般”标签、“不喜欢”标签等，或是将历史视频标记上一个概率值作为标签，概率值越高表示用户越喜欢该历史视频，等；这样得到的标签能够最真实的反映出用户对历史视频的喜好程度。

将预设的历史视频的标签和预测得到的喜好度进行比较，根据二者之间的差异，对视频特征的权重进行调整，使得贴合用户喜好的视频特征的权重占比较大，不贴合用户喜好的视频特征的权重占比降低。可以理解的是，历史视频中较为突出的视频特征，将较大地影响用户对历史视频的喜好度，因此在调整视频特征的权重时，可调整较为突出的视频特征的权重；而较为突出的视频特征其特征向量的值也会较为突出，因此可根据自编码器输出的特征向量来获知较为突出的视频特征。例如，当标签反映用户喜欢历史视频，且预测用户对历史视频的喜好度也较高时，可将较为突出的视频特征的权重提高；当标签反映用户不喜欢历史视频，但预测用户对历史视频的喜好度较高时，可将较为突出的视频特征的权重降低。

另外，在通过预设的自编码器和神经网络等对历史视频进行处理时，还可以先将历史视频切割为切片视频段，再对每个切片视频段进行处理，也就是通过预设的自编码器获取每个切片视频段中视频特征的特征向量，并预测用户对每个切片视频段的喜好度。由于每个切片视频段相对于完整的历史视频，处理器来更为便捷，使得视频处理效率得到了提升，降低了自编码器等的运行负载；由于将历史视频切割为切片视频段后，获取的是每个切片视频段中的视频特征的特征向量，而并非是一个历史视频中的视频特征的特征向量，获取的特征向量在数量上得到了扩充，也就是丰富了用于训练模型的样本，从而使得模型的训练效果得到提升。

在步骤102中，根据用户对每个备选视频的喜好度，对备选视频进行合成。本实施方式中，不对合成备选视频的方式做具体限制，例如：依次拼接备选视频，得到最终合成的视频，或是在同一个画面里同时显示备选视频，得到最终合成的视频，等。

在合成备选视频时，可根据用户对每个备选视频的喜好度，对备选视频进行排序，根据喜好度从高至低依次排序；根据排序结果，将位于前N位的备选视频筛选出来进行合成，其中，N为小于备选视频个数的整数；例如，备选视频共有10个，根据喜好度排序，将前5个备选视频筛选出来进行合成，剩余5个备选视频则舍弃掉；也就是说，从所有备选视频中筛选出和用户的喜好贴合程度较高的备选视频进行合成，而舍弃掉用户不够喜爱的备选视频，从而使得最终合成的视频能够较大程度地满足用户的观看需求。

在一个实例中，备选视频可以是用于直播的多个视频流，也就是说在进行新闻发布会、体育比赛、课堂教学等直播时，同时有多路摄像机进行视频拍摄，每个摄像机拍摄的视频都作为一个备选视频流；当用户进入直播间进行观看时，获取到用户的ID，根据用户的ID获取到绑定的喜好度预测模型；随即根据用户绑定的喜好度预测模型对多路备选视频流进行合成，得到最终播放给用户观看的一个直播流。

本实施方式相对于现有技术而言，根据为用户预设的喜好度预测模型，预测所述用户对每个备选视频的喜好度；其中，所述喜好度预测模型是结合了自编码器和神经网络等、根据所述用户观看的历史视频训练得到的，使得预测模型的计算精度得到保障，能够较为真实准确地、有针对性地预测出用户对于每个备选视频的喜好度，预测的喜好度可参考价值较高；；根据所述用户对每个备选视频的喜好度，对所述备选视频进行合成，合成得到的视频能够贴合用户的喜好，也就是满足了用户的个性化视频观看需求，避免了由人工统一呈现给用户的视频具有一定主观局限性的情况。

本发明第二实施方式涉及一种视频处理方法，本实施方式与第一实施方式大致相同，主要区别在于：在训练预测模型的过程中，预设了视频特征的权重调整阈值；因此本实施方式中视频处理方法的流程图大致同图1，本实施方式中喜好度预测模型的训练方法的具体流程如图4所示，下面对图4的流程做具体说明：

步骤301，根据预设的自编码器，获取历史视频中视频特征的特征向量。此步骤与步骤201大致相同，此处不再赘述。

步骤302，根据特征向量和预设的神经网络，预测用户对历史视频的喜好度。此步骤与步骤202大致相同，此处不再赘述。

步骤303，根据预设的历史视频的标签和喜好度，判断调整的视频特征的权重的变化值是否超过预设调整阈值；若否，执行步骤304；若是，结束。

具体地说，将预设的历史视频的标签和预测得到的喜好度进行比较，根据二者之间的差异，对视频特征的权重进行调整，使得贴合用户喜好的视频特征的权重占比较大，不贴合用户喜好的视频特征的权重占比降低；可根据自编码器输出的特征向量来获知较为突出的视频特征，并对较为突出的视频特征的权重进行调整，例如，可逐次模拟调整权重，根据模型输出的喜好度的变化来确定权重的变化值，目的是使得模型输出的喜好度与用户对历史视频的真实喜好度较为接近；如果在模型输出的喜好度与用户对历史视频的真实喜好度较为接近时，权重的变化值超过预设调整阈值，则放弃此次调整，如果权重的变化值未超过预设调整阈值，则执行步骤304，按此变化值来调整视频特征的权重。又例如，可根据预设调整阈值，确定调整后的权重的范围，用自动方法多次运行模型，尝试确定较合理的权重的变化值；如果在调整后权重的范围内运行模型时始终无法令模型输出的喜好度与用户对历史视频的真实喜好度较为接近，则放弃此次调整；如果在调整后权重的范围内运行模型时，能够确定出较合理的权重变化值以使得模型输出的喜好度与用户对历史视频的真实喜好度较为接近，则执行步骤304，按此变化值来调整视频特征的权重。

本实施方式中预设调整阈值的确定不做具体限制，例如，可将预设调整阈值确定为(50％×权重)，也就是权重的变化值处于[(-50％×权重),(50％×权重)]时是不超过预设调整阈值的。

步骤304，调整视频特征的权重，此处不再赘述。

本实施方式相对于现有技术而言，预设了视频特征的权重调整阈值，如果根据预测喜好度等对视频特征的权重进行调整时，发现对权重的调整变化过大，则放弃此次对权重的调整，也就是并不采用此次训练数据；本实施方式中考虑到了预测的喜好度存在误差的可能性，避免了误差较大的训练数据影响模型的训练过程。

本发明第三实施方式涉及一种视频处理方法，本实施方式与第一实施方式大致相同，主要区别在于：在训练预测模型的过程中，预设的历史视频的标签通过用户对历史视频的观看时长获取得到；因此本实施方式中视频处理方法的流程图大致同图1，本实施方式中获取预设的历史视频的标签的具体流程如图5所示，下面对图5的流程做具体说明：

步骤401，获取用户对历史视频的观看时长；

步骤402，若观看时长大于或等于第一预设阈值，则将历史视频标记第一标签；若观看时长小于或等于第二预设阈值，则将历史视频标记第二标签；其中，第一预设阈值大于第二预设阈值。

具体地说，用户对历史视频的观看时长能够基本反映用户是否喜欢观看历史视频，当用户对历史视频的观看时长越长时，说明用户对该历史视频的喜好度越高，当用户对历史视频的观看时长越短时，说明用户对该历史视频的喜好度越低。因此，可预设阈值用于划分用户对历史视频的观看时长，以及观看时长所反映的喜好度；当观看时长大于或等于第一预设阈值时，将历史视频标记第一标签，用于表征该历史视频的正向属性(即历史视频是贴合用户喜好的视频)；当观看时长小于或等于第二预设阈值时，将历史视频标记第二标签，用于表征该历史视频的负向属性(即历史视频不贴合用户喜好的视频)；可以理解的是，当观看时长大于第二预设阈值且小于第一预设阈值时，可将历史视频标记第三标签，用于表征该历史视频的其他属性(即历史视频与用户喜好的贴合程度一般)；同样，由于与用户喜好的贴合程度一般的历史视频，其属性较难具体界定，因此也可以舍弃观看时长大于第二预设阈值且小于第一预设阈值的历史视频，仅将正向属性和负向属性的历史视频作为训练模型的样本，以保障模型训练的准确程度，也就是保障模型的训练效果。

在一个实例中，第一预设阈值为(60％×视频总时长)，第二预设阈值为(40％×视频总时长)；获取用户对历史视频的观看时长，如果用户的观看时长处于历史视频总时长的[60％,100％]，则将历史视频标记第一标签1；如果用户的观看时长处于历史视频总时长的[0％,40％]，则将历史视频标记第二标签0。可以理解的是，若将历史视频切割为了切片视频段，则每个切片视频段的标签就是为历史视频标记的标签。

本实施方式相对于现有技术而言，提供了一种通过用户观看历史视频的时长来为历史视频预设标签的方式，即对历史视频的观看时长越长，则为历史视频标记第一标签，用于表征历史视频的正向属性(即贴合用户喜好的视频)；对历史视频的观看时长越短，则为历史视频标记第二标签，用于表征该历史视频的负向属性(即不贴合用户喜好的视频)；标签的存在便于较为直观地反映出历史视频与用户喜好的贴合程度，有助于与预测的喜好度进行比较以调整视频特征的权重。

本发明第四实施方式涉及一种电子设备，如图6所示，包括至少一个处理器501；以及，与至少一个处理器501通信连接的存储器502；其中，存储器502存储有可被至少一个处理器501执行的指令，指令被至少一个处理器501执行，以使至少一个处理器501能够执行上述的视频处理方法。

其中，存储器502和处理器501采用总线方式连接，总线可以包括任意数量的互联的总线和桥，总线将一个或多个处理器501和存储器502的各种电路连接在一起。总线还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路连接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口在总线和收发机之间提供接口。收发机可以是一个元件，也可以是多个元件，比如多个接收器和发送器，提供用于在传输介质上与各种其他装置通信的单元。经处理器501处理的数据通过天线在无线介质上进行传输，进一步，天线还接收数据并将数据传送给处理器501。

处理器501负责管理总线和通常的处理，还可以提供各种功能，包括定时，外围接口，电压调节、电源管理以及其他控制功能。而存储器502可以被用于存储处理器501在执行操作时所使用的数据。

本发明第五实施方式涉及一种计算机可读存储介质，存储有计算机程序。计算机程序被处理器执行时实现上述视频处理方法实施例。

即，本领域技术人员可以理解，实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得一个设备(可以是单片机，芯片等)或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

本领域的普通技术人员可以理解，上述各实施方式是实现本发明的具体实施例，而在实际应用中，可以在形式上和细节上对其作各种改变，而不偏离本发明的精神和范围。

Claims (10)

1.一种视频处理方法，其特征在于，包括：

根据为用户预设的喜好度预测模型，预测所述用户对每个备选视频的喜好度；其中，所述喜好度预测模型根据所述用户观看的历史视频训练得到；

根据所述用户对每个备选视频的喜好度，对所述备选视频进行合成。

2.根据权利要求1所述的视频处理方法，其特征在于，所述喜好度预测模型中预设有视频特征和所述视频特征的权重；所述喜好度预测模型，通过以下方式训练得到：

根据预设的自编码器，获取所述历史视频中所述视频特征的特征向量；

根据所述特征向量和预设的神经网络，预测所述用户对所述历史视频的喜好度；

根据预设的所述历史视频的标签和所述喜好度，调整所述视频特征的权重。

3.根据权利要求2所述的视频处理方法，其特征在于，在所述调整所述视频特征的权重前，还包括：

判定所述权重的变化值未超过预设调整阈值。

4.根据权利要求2所述的视频处理方法，其特征在于，预设的所述历史视频的标签，通过以下方式获取得到：

获取所述用户对所述历史视频的观看时长；

将所述观看时长大于或等于第一预设阈值的历史视频标记第一标签；

将所述观看时长小于或等于第二预设阈值的历史视频标记第二标签；

其中，所述第一预设阈值大于所述第二预设阈值。

5.根据权利要求2所述的视频处理方法，其特征在于，所述根据预设的自编码器，获取所述历史视频中所述视频特征的特征向量，包括：

将所述历史视频切割为切片视频段，并根据预设的自编码器，获取每个所述切片视频段中所述视频特征的特征向量。

6.根据权利要求2所述的视频处理方法，其特征在于，所述预设的所述视频特征包括：镜头类型特征、镜头场景特征、视频声音特征、镜头使用特征、视频特效特征；其中，每个所述视频特征包括若干个子视频特征，预设的所述视频特征的权重包括每个所述子视频特征的权重。

7.根据权利要求1所述的视频处理方法，其特征在于，所述根据所述用户对每个备选视频的喜好度，对所述备选视频进行合成，包括：

根据所述用户对每个备选视频的喜好度，对所述备选视频进行排序；

将所述喜好度位于前N位的备选视频进行合成；其中，所述N为小于所述备选视频个数的整数。

8.根据权利要求1所述的视频处理方法，其特征在于，预存有用户的身份信息与喜好度预测模型的绑定关系；所述为用户预设的喜好度预测模型，通过以下方式获取得到：

获取所述用户的身份信息；

根据所述绑定关系，获取与所述用户的身份信息绑定的喜好度预测模型。

9.一种电子设备，其特征在于，包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任一项所述的视频处理方法。

10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的视频处理方法。

Images