[发明专利]视频热度的预测方法及装置

权利要求书

1.一种视频热度的预测方法，其特征在于，所述方法包括：

获取第一视频类型的视频对象在t个采样时间对应的热度矩阵，所述热度矩阵为第一视频类型的视频对象分别在多个空间区域中对应采样时间的视频热度值所构成的矩阵；

获取所述第一视频类型的视频对象对应的至少一个视频特征维度的特征矩阵，所述特征矩阵为所述第一视频类型的视频对象分别在所述多个空间区域的对应视频特征维度的视频特征值所构成的矩阵；

将所述t个采样时间对应的热度矩阵以及所述至少一个视频特征维度的特征矩阵输入视频热度预测模型，获取与所述t个采样时间对应的T1时刻时所述第一视频类型的视频对象分别在所述多个空间区域对应的热度预测值。

2.如权利要求1所述的方法，其特征在于，所述第一视频类型包括多个视频类型。

3.如权利要求1或2所述的方法，其特征在于，所述多个空间区域中对应采样时间的视频热度值在所述热度矩阵中的位置与所述多个空间区域的地理位置分布对应。

4.如权利要求1-3任一项所述的方法，其特征在于，所述视频热度预测模型包括时空热度模型、特征热度模型以及融合函数；

所述将所述t个采样时间对应的热度矩阵以及所述至少一个视频特征维度的特征矩阵输入视频热度预测模型，包括：

将所述t个采样时间对应的热度矩阵输入所述时空热度模型以获取第一输出矩阵；

将所述至少一个视频特征维度的特征矩阵输入所述特征热度模型以获取第二输出矩阵；

通过所述融合函数对所述第一输出矩阵以及所述第二输出矩阵进行融合，以获取所述T1时刻时所述第一视频类型的视频对象分别在所述多个空间区域对应的热度预测值。

5.如权利要求4所述的方法，其特征在于，所述时空热度模型为卷积神经网络模型，所述特征热度模型为全连接神经网络模型。

6.如权利要求1-5任一项所述的方法，其特征在于，所述获取第一视频类型的视频对象在t个采样时间对应的热度矩阵之前，还包括：

获取多组训练样本，所述训练样本包括所述第一视频类型的视频对象对应的至少一个视频特征维度的训练特征矩阵、所述第一视频类型的视频对象在t个训练采样时间对应的训练热度矩阵和与所述t个训练采样时间对应的T0时刻的训练热度矩阵；其中，每组训练样本中的所述T0时刻的训练热度矩阵为与该组训练样本中的所述t个训练采样时间的训练热度矩阵对应的输出矩阵；所述t个训练采样时间与所述T0时刻的对应关系与所述t个采样时间与T1时刻的对应关系一致；

基于所述训练样本，对构建的视频热度预测模型进行训练，确定训练后的所述视频热度预测模型。

7.如权利要求6所述的方法，其特征在于，所述多组训练样本包括所述第一视频类型的相同视频对象的多组训练样本和所述第一视频类型的不同视频对象的多组训练样本中的至少一个。

8.如权利要求6或7所述的方法，其特征在于，所述基于所述训练样本，对构建的视频热度预测模型进行训练包括：

根据所述训练样本和所述构建的视频热度预测模型进行多次迭代。

9.如权利要求6-8任一项所述的方法，其特征在于，所述确定训练后的所述视频热度预测模型包括：

当训练的迭代次数达到次数阈值时，结束对所述构建的视频热度预测模型的训练；或，当训练得到的视频热度预测模型的预测误差小于误差阈值时，结束对所述构建的视频热度预测模型的训练，所述预测误差为所述训练得到的视频热度预测模型输出的热度预测值与所述训练样本中作为输出矩阵的热度矩阵对应的视频热度值之间的差值；

确定当前训练得到的视频热度预测模型为训练后的所述视频热度预测模型。