阅读说明：本技术 一种视频课程质量评估方法 (Video course quality evaluation method ) 是由 殷明浩 徐欣 王煜淇 吴静怡 于 2019-09-25 设计创作，主要内容包括：本发明公开了一种视频课程质量评估方法,本发明分为九个步骤：总时长分段；获得视频的关于拖拽动作的拖拽特征；获得视频的关于添加笔记的笔记特征；获得视频的关于添加问题的问题特征；获得视频的关于添加回答问题的回答特征；获得视频的关于添加评论的评论特征；获得视频的关于视频属性的视频属性特征；构建视频质量分类器和视频受欢迎度分类器；得出视频的质量类别和受欢迎类别。本发明利用用户在观看视频时所产生的行为动作和视频属性对视频进行质量评估,评估过程公开客观,评估结果清晰准确。(The invention discloses a video course quality evaluation method, which comprises nine steps: segmenting the total duration; obtaining a dragging feature of the video about a dragging action; obtaining note features of the video regarding adding notes; obtaining a problem feature of the video about the adding problem; obtaining an answer feature of the video for adding the answer question; obtaining comment characteristics of the video about adding comments; obtaining video attribute characteristics of the video about video attributes; constructing a video quality classifier and a video popularity classifier; and obtaining the quality category and the popular category of the video. The invention utilizes the behavior and the video attribute generated when the user watches the video to evaluate the quality of the video, the evaluation process is open and objective, and the evaluation result is clear and accurate.)

一种视频课程质量评估方法

技术领域

本发明涉及视频评估领域，具体是一种视频课程质量评估方法。

背景技术

如今，网络视频课程作为当今社会新起的一种教学方式更方便了广大老师学生们在学***不同，对不属于自身知识水平范围的视频课程会做出不符合视频本身水平的评价。

近年，有不少视频评价专家推出了自身认为最合格的评价标准，2001年，LynetteGillis等人提出的标准为：专家审阅每一项,确定每一项指标的得分概率。这些概率的平均值乘以项目总数,其结果就是最低限度的得分，最终的合格线是基于这种综合判断和平均标准误差的计算，最后，对每项得分计算各种分析和可靠性指数。然而通过几位专家的主观评分无法从视频的各方面客观评价。

发明内容

本发明的目的在于克服现有技术中视频课程的评价标准的效率低、存在大量主观因素的缺点，提供一种视频课程质量评估方法，以达到分别从视频质量和受欢迎度来客观评估课程视频的目的。

本发明的目的是通过以下步骤来实现的：

S1：将待测视频的总时长平均分为多个时间段；

S2：获得拖拽特征，将用户对所述待测视频的进度条进行拖拽动作的开始时间和结束时间嵌入到对应的所述时间段中，对所述时间段内产生的拖拽时长取平均值，将所述平均值作为所述时间段的拖拽特征，将每个时间段的所述拖拽特征集合成为所述待测视频的拖拽特征；

S3：获得笔记特征，记录用户添加笔记所在的时间段和所述时间段内的笔记数量，将所述笔记数量作为所述时间段的笔记特征，将每个时间段的所述笔记特征集合成为所述待测视频的笔记特征；

S4：获得问题特征，记录用户添加问题所在的时间段和所述时间段内的问题数量，将所述问题数量作为所述时间段的问题特征，将每个时间段的所述问题特征集合成为所述待测视频的问题特征；

S5：获得回答特征，记录用户添加问题答案所在的时间段和所述时间段内的问题答案数量，将所述问题答案数量作为所述时间段的回答特征，将每个时间段的所述回答特征集合成为所述待测视频的回答特征；

S6：获得评论特征，记录所述待测视频被评论的数量，将所述评论数量作为评论特征；

S7：获得视频属性，将所述待测视频的属性采用one-hot编码方式进行重新编码，输出包含视频属性特征信息的矩阵，将所述矩阵作为所述待测视频的视频属性特征；

S8：构建分类器，利用训练数据集分别对两个弱分类器进行训练，得到视频质量分类器和视频受欢迎度分类器；

S9：输出结果，将所述拖拽特征、笔记特征、问题特征、回答特征、评论特征、视频属性特征输入至所述视频质量分类器中，得出视频质量类别；将所述拖拽特征、笔记特征、问题特征、回答特征、评论特征、视频属性特征输入至所述视频受欢迎度分类器中，得出视频受欢迎度类别。

示例性地，步骤S2中的所述平均值的计算公式为：

其中，T为所述待测视频的总时长，N为所述时间段的段数；k为所述拖拽动作的发生次数；t_n为第n个时间点，t_s为所述拖拽动作的开始时间；t_e为所述拖拽动作的结束时间；t_n-1为第n-1个时间点。

示例性地，步骤S7中的所述属性包括视频类型、针对年级、所属学段、观看次数。

示例性地，步骤S8中的所述分类器训练过程为：

S101：对选为所述训练数据集的已知分类类别的训练样本进行数据清洗，将经数据清洗后的的所述训练样本作为训练集；

S102：将所述训练集输入至分类器中，训练所述分类器，得出分类错误的训练样本；

S103：将S102中所述分类错误的训练样本输入至所述分类器，调节所述拖拽特征、笔记特征、问题特征、回答特征、评论特征、视频属性特征的权重，再次训练所述分类器；

S104：重复S102～S103直至所述分类器将所述训练集全部分类正确。

示例性地，所述数据清洗的步骤为：

S1001：删除时长异常的所述训练样本；

S1002：只保留所述训练样本中的拖拽特征、笔记特征、问题特征、回答特征、评论特征、视频属性特征；

S1003：将所述训练样本按所述视频属性特征进行分类，得到同一类所述训练样本中关于所述拖拽特征、笔记特征、问题特征、回答特征、评论特征的统计数值，按所述统计数值填充所述训练样本缺失的所述拖拽特征、笔记特征、问题特征、回答特征；

S1004：利用min-max标准化方法将经S1003处理后的所述拖拽特征、笔记特征、问题特征、回答特征、评论特征、视频属性特征都映射到标准化数值区间，将标准化后的所述拖拽特征、笔记特征、问题特征、回答特征、评论特征、视频属性特征作为所述训练样本的拖拽特征、笔记特征、问题特征、回答特征、评论特征、视频属性特征。

示例性地，所述时长异常的判断方法为：

确定所述训练数据集的平均时长，将时长长于两倍所述平均时长或小于所述平均时长二分之一的所述训练样本判断为时长异常。

示例性地，所述统计数值包括均值、中位数、众数。

示例性地，所述min-max标准化的计算公式为：

其中，M’表示标准化后的特征数值，M表示原始特征数值，M_min表示一组特征数据的最小值，M_max表示一组特征数据的最大值。

与现有技术相比，本发明的有益效果是：

本发明利用视频中各特征值，训练出视频质量分类器和视频受欢迎度分类器，从而得出视频的质量类别和受欢迎类别。本发明充分考虑了用户在观看视频时所产生的行为动作和视频本身属性，使本发明的视频课程质量评估结果近似于专家对视频评估的结果和用户主观观看视频质量的评估结果。

附图说明

图1为本发明的流程图；

图2为本发明关于数据清洗的流程图。

具体实施方式

下面结合附图进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所述。

本发明的流程图如图1所示，实施步骤为：

(1)步骤一：总时长分段。

将视频的总时长进行分段，这里将视频平均分为10个时间段。分段公式为：

其中，T为视频总时长，t_n为每个时间段的时长。

(2)步骤二：获得拖拽特征。

一般，每个视频课程不会整节课都是重点内容，比如在课程的开头老师通常会讲一些相关的背景知识来引出这节课所要讲的内容，而观众在观看视频时可能会选择跳过这个过程，直接拖动进度条调整到他想要了解的知识点。

用户观看视频时所有产生的拖拽动作都有开始时间和结束时间，按照动作的开始时间和结束时间将这些动作特征嵌入到10个时间段中，对所有用户在同一视频中10个时间段内嵌入的时长取平均值，用这个平均值作为待测视频在每个时间段中的拖拽特征嵌入。

取平均值的公式为：

其中，T为待测视频的总时长，N为时间段的段数；k为拖拽动作的发生次数；t_n为第n个时间点，t_s为拖拽动作的开始时间；t_e为拖拽动作的结束时间；t_n-1为第n-1个时间点。

10个时间段的平均值集合成为待测视频的拖拽特征。

(3)步骤三：获得笔记特征。

用户观看视频时产生的添加笔记动作会有相同的开始时间和结束时间，当我们嵌入笔记特征时只需要记录动作在开始时位于哪一段时间段中，最后记录该时间段添加笔记的数量，将该时间段添加笔记的数量作为当前时间段的笔记特征。10个时间段的笔记特征集合成为待测视频的笔记特征。

(4)步骤四：获得问题特征。

用户观看视频时产生的添加问题动作会有相同的开始时间和结束时间，当我们嵌入添加问题特征时只需要记录动作在开始时位于哪一段时间段中，最后记录该时间段添加问题的数量，将该时间段添加问题的数量作为该时间段的问题特征。10个时间段的问题特征集合成为待测视频的问题特征。

(5)步骤五：获得回答特征。

用户观看视频时产生的添加问题答案的动作会有相同的开始时间和结束时间，当我们嵌入回答特征时只需要记录动作在开始时位于哪一段时间段中，最后记录每个时间段问题答案的数量，将该时间段添加问题答案的数量作为该时间段的回答特征嵌入。10个时间段的回答特征集合成为待测视频的回答特征。

(6)步骤六：获得评论特征。

因为用户在添加评论时是在观看完整视频之后，所以添加评论并没有开始时间和结束时间，我们只需要记录每个视频课程被评论的总数即可，将视频课程被评论的总数作为待测视频的评论特征嵌入。

(7)步骤七：获得视频属性特征。

在数据处理过程中经常会遇到类别数据，需要将其转换为数值计算，在这个问题上经常使用One-hot编码处理类别数据，其方法是使用N位状态寄存器来对N个状态进行编码，每个状态都有独立的寄存器位，并且在任意时候均只有一位有效，可以理解为对有m个取值的特征经过独热编码处理后，转为m个二元特征，每次只有一个激活。

将视频本身属性采用one-hot编码的方式进行重新编码，作为视频属性特征嵌入，视频属性特征包括视频类型、针对年级、所属学段、微课所属类型和观看次数。采用one-hot编码方式重新编码后输出包含视频属性特征的矩阵，将矩阵作为待测视频的视频属性特征嵌入。

本实施例中的视频类型包括实录课程、校本课程、地方课程、专题课程、教育学会提供的课程、心理健康教育辅导课程、混合课程、学习信息推送的课程、教材培训和校园文化等类别；微课所属类型包括习题精讲、知识点精讲、引导研究、展示欣赏、科学实验、合作学习、活动、研究性学习和语言技能等类别。

(8)步骤八：构建分类器。

构建视频质量分类器和视频受欢迎度分类器，分别对视频质量分类器和视频受欢迎度分类器进行训练，得到视频质量分类器和视频受欢迎度分类器。

本实施例中选择47744门视频课程，涵盖了小学、初中、高中三个学段的12个年级作为挑选对象，并提取出970多万条用户观看视频课程时所产生的动作行为。经过数据清洗选择了其中3831个视频课程和其中405万条行为数据作为训练集。本实例中将课程视频分别从视频质量和视频受欢迎度两方面分别分类为合格和不合格两类。

如图2所示，数据清洗过程为：

1.确定训练集中已知分类的课程视频的平均时长，删除时长长于两倍平均时长或远短于平均时长二分之一的课程视频；

2.去除视频数据中除拖拽特征、笔记特征、问题特征、回答特征、评论特征、视频属性特征以外的特征；

3.将训练集按视频属性特征进行分类，得到同一视频属性特征的训练集中关于拖拽特征、笔记特征、问题特征、回答特征、评论特征的均值、中位数、众数等统计数值，按统计数值填充训练集中课程视频缺失的拖拽特征、笔记特征、问题特征、回答特征；

4.利用min-max标准化方法将处理后的视频课程的拖拽特征、笔记特征、问题特征、回答特征、评论特征、视频属性特征都映射到标准化数值区间。其中，min-max标准化的计算公式为：

其中，M’表示标准化后的特征数值，M表示原始特征数值，M_min表示一组特征数据的最小值，M_max表示一组特征数据的最大值。

视频质量分类器的训练过程为：

1.将训练集中每一个训练样本的拖拽特征、笔记特征、问题特征、回答问题特征、评论特征、视频属性特征均赋予相同的权重，训练分类器；

2.选出第1步中分类器分类错误的训练样本，分别调节拖拽特征、笔记特征、问题特征、回答问题特征、评论特征、视频属性特征的权重，再训练分类器；

3.重复进行第2-3步，直至分类器能够将所有训练样本分类正确。

视频受欢迎度分类器的训练过程为：

1.将训练集中每一个训练样本的拖拽特征、笔记特征、问题特征、回答问题特征、评论特征、视频属性特征均赋予相同的权重，训练分类器；

2.选出第1步中分类器分类错误的训练样本，分别提高拖拽特征、笔记特征、问题特征、回答问题特征、评论特征、视频属性特征的权重，再训练分类器；

3.重复进行第2-3步，直至分类器能够将所有训练样本分类正确。

(9)步骤九：输出结果。

将待测视频的拖拽特征、笔记特征、问题特征、回答特征、评论特征、视频属性特征输入至视频质量分类器中，得出视频质量类别；将待测视频的拖拽特征、笔记特征、问题特征、回答特征、评论特征、视频属性特征输入至视频受欢迎度分类器中，得出视频受欢迎度类别。

其中，步骤二至步骤七的特征获取部分的过程步骤顺序可以任意调换。

综上，本发明利用视频中各特征值，训练出视频质量分类器和视频受欢迎度分类器，从而得出视频的质量类别和受欢迎类别。本发明充分考虑了用户在观看视频时所产生的行为动作和视频属性，使本发明的视频课程质量评估结果近似于专家对视频评估的结果和用户主观观看视频质量的评估结果。此外，本发明的适用范围广泛，只要有用户观看视频时产生的动作行为和视频属性就可以对视频进行评估。

以上所述仅是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他集合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。