CN111259195A - 一种视频推荐方法、装置、电子设备及可读存储介质 - Google Patents
一种视频推荐方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN111259195A CN111259195A CN201811459903.0A CN201811459903A CN111259195A CN 111259195 A CN111259195 A CN 111259195A CN 201811459903 A CN201811459903 A CN 201811459903A CN 111259195 A CN111259195 A CN 111259195A
- Authority
- CN
- China
- Prior art keywords
- user
- video
- video program
- program
- similarity
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
Images
Landscapes
- Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本说明书公开了一种视频推荐方法、装置、电子设备及可读存储介质,其中,视频推荐方法包括:获取用户的历史点播数据;从历史点播数据中提取对应用户的兴趣特征;根据视频节目的观看时长比获取兴趣特征中视频节目与每个聚类中心之间的相似度;根据相似度确定视频节目的隐因子向量;根据损失函数确定视频节目喜爱度偏离值、用户喜爱度偏离值、用户隐性因子向量、用户对视频节目的隐因子向量;根据视频节目的隐因子向量、用户观看过的所有视频节目的总数、视频节目喜爱度偏离值、用户喜爱度偏离值、用户隐性因子向量、用户对视频节目的隐因子向量获得用户对每个节目的喜爱度预测值;根据喜爱度预测值向对应用户推荐视频节目。
Description
技术领域
本说明书涉及机器学习技术领域,特别涉及一种视频推荐方法、装置、电子设备及可读存储介质。
背景技术
视频推荐技术本质上是一种信息过滤技术。它从海量的数据中找到用户感兴趣的部分,并将其推荐给用户,这在用户没有明确需求或者数据量过多的情况下,能够更好的为用户服务,解决信息过载的问题。例如,用户并不确定的想看哪一部电影,只是想看一部让自己感兴趣的电影,推荐***能够主动的使用机器学习的技术去挖掘出用户的兴趣、偏好,从而在海量的数据当中过滤出用户感兴趣的内容,并将其推荐给用户。
随着直播和短视频的兴起,视频内容呈***式的增长,如何给用户提供个性化和高效的视频推荐服务受到越来越多的关注。
按照数学原理的不同,可将视频推荐算法分为矩阵分解算法和协同过滤算法。矩阵分解算法策略是将大的原始数据集组成的特征矩阵等价成两个或者三个较小的矩阵相乘的形式,以降低时间复杂度和空间复杂度;协同过滤算法策略是,分析***里已经存在了的用户群之前的行为,根据相似用户或者相似视频之间的联系,对目前用户最喜欢或者最感兴趣的视频做预测。
矩阵分解推荐算法从隐性反馈数据集中学习到用户的隐向量和节目的隐向量,即通过隐性特征将用户和节目联系起来了,但是没有显式的考虑用户的历史行为对用户评分预测的影响;协同过滤推荐算法采用历史评分数据来构建用户对节目的喜好度,但是不能深入挖掘背后的隐性因素,通常推荐精确度不高。
发明内容
为了在降低视频推荐的复杂度的基础上还提高视频推荐的准确率,本说明书提供一种视频推荐方法、装置、电子设备及可读存储介质。
为实现上述目的,本说明书实施方式提供一种视频推荐方法,包括:
获取用户的历史点播数据;
从所述历史点播数据中提取对应用户的兴趣特征;其中,所述兴趣特征包括:视频节目、用户观看某个视频节目的观看时长比;
根据所述视频节目的观看时长比获取所述兴趣特征中视频节目与每个聚类中心之间的相似度;其中,所述聚类中心利用样本视频节目数据进行聚类获得;
根据所述相似度确定视频节目的隐因子向量;
确定视频节目喜爱度偏离值、用户喜爱度偏离值、用户的隐因子向量、用户和所观看的视频节目之间的隐因子向量;
根据所述视频节目的隐因子向量、用户观看过的所有视频节目的总数、所述视频节目喜爱度偏离值、所述用户喜爱度偏离值、所述用户的隐性因子向量、所述用户和所观看的视频节目之间的隐因子向量获得用户对每个节目的喜爱度预测值;
根据所述喜爱度预测值确定向对应用户终端推荐的视频节目。
优选地,所述用户观看过的所有视频节目的总数通过用户的历史行为统计获取。
优选地,根据所述喜爱度预测值确定向对应用户终端推荐的视频节目的步骤包括:
将所述用户观看过的视频节目剔除掉;
按所述喜爱度预测值的大小对剩余的视频节目降序排列,根据排列结果生成推荐列表;
将所述推荐列表中排在前面的视频节目的数据发送至用户终端。
优选地,确定视频节目喜爱度偏离值、用户喜爱度偏离值、用户的隐因子向量、用户和所观看的视频节目之间的隐因子向量的步骤包括:
对损失函数利用随机梯度下降法求解,确定当所述损失函数取最小值时对应的视频节目喜爱度偏离值、用户喜爱度偏离值、用户的隐因子向量、用户和所观看的视频节目之间的隐因子向量。
优选地,所述用户观看某个视频节目的观看时长比等于用于观看某个视频节目的时长除以对应视频节目的总时长。
优选地,所述相似度通过曼哈顿街区距离公式、欧式距离公式或皮尔逊公式获取。
优选地,根据所述相似度确定视频节目的隐因子向量的步骤包括:
从所述视频节目与每个聚类中心之间的相似度中获取最大相似度、最小相似度;
将所述视频节目与每个聚类中心之间的相似度均除以所述最大相似度或所述最小相似度,获得归一化结果值;
将归一化结果值与阈值比较,将小于阈值的归一化结果值置于零,将大于等于的阈值的归一化结果值保持不变,得到的结果值构成的向量为所述视频节目的隐因子向量。
为实现上述目的,本说明书实施方式提供一种视频推荐装置,包括:
历史点播数据获取单元,用于获取用户的历史点播数据;
兴趣特征提取单元,用于从所述历史点播数据中提取对应用户的兴趣特征;其中,所述兴趣特征包括:视频节目、用户观看某个视频节目的观看时长比;
相似度获取单元,用于根据所述视频节目的观看时长比获取所述兴趣特征中视频节目与每个聚类中心之间的相似度;其中,所述聚类中心利用样本视频节目数据进行聚类获得;
第一参数确定单元,用于根据所述相似度确定视频节目的隐因子向量;
第二参数确定单元,用于确定视频节目喜爱度偏离值、用户喜爱度偏离值、用户的隐因子向量、用户和所观看的视频节目之间的隐因子向量;
喜爱度预测值单元,用于根据所述视频节目的隐因子向量、用户观看过的所有视频节目的总数、所述视频节目喜爱度偏离值、所述用户喜爱度偏离值、所述用户的隐性因子向量、所述用户和所观看的视频节目之间的隐因子向量获得用户对每个节目的喜爱度预测值;
推荐单元,用于根据所述喜爱度预测值确定向对应用户终端推荐的视频节目。
优选地,所述喜爱度预测值单元通过用户的历史行为统计获取所述用户观看过的所有视频节目的总数。
优选地,所述推荐单元包括:
剔除模块,用于将所述用户观看过的视频节目剔除掉;
推荐列表获取模块,用于按所述喜爱度预测值的大小对剩余的视频节目降序排列,根据排列结果生成推荐列表;
视频节目发送模块,用于将所述推荐列表中排在前面的视频节目的数据发送至用户终端。
优选地,所述第二参数确定单元进一步用于对损失函数利用随机梯度下降法求解,确定当所述损失函数取最小值时对应的视频节目喜爱度偏离值、用户喜爱度偏离值、用户的隐因子向量、用户和所观看的视频节目之间的隐因子向量。
优选地,所述兴趣特征提取单元获取的用户观看某个视频节目的观看时长比等于用于观看某个视频节目的时长除以对应视频节目的总时长。
优选地,所述相似度获取单元通过曼哈顿街区距离公式、欧式距离公式或皮尔逊公式获取相似度。
优选地,所述第一参数确定单元包括:
最大、最小相似度获取模块,用于从所述视频节目与每个聚类中心之间的相似度中获取最大相似度、最小相似度;
归一化模块,用于将所述视频节目与每个聚类中心之间的相似度均除以所述最大相似度或所述最小相似度,获得归一化结果值;
置零模块,用于将归一化结果值与阈值比较,将小于阈值的归一化结果值置于零,将大于等于的阈值的归一化结果值保持不变,得到的结果值构成的向量为所述视频节目的隐因子向量。
为实现上述目的,本说明书实施方式提供一种电子设备,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述所述的视频推荐方法。
为实现上述目的,本说明书实施方式提供一种可读存储介质,其上存储有计算机程序,所述计算机程序被执行时实现上述所述的视频推荐方法的步骤。
由上可见,与现有技术相比较,本技术方案将视频节目中隐含的可以表示节目类型信息的某种因素作为隐因子,根据用户历史点播数据提取用户兴趣特征,利用兴趣特征确定视频节目的隐因子向量。然后,本技术方案将大量的视频节目聚成几百个大类,从而降低了视频节目的维度,计算视频节目与聚类形成的中心之间的相似度,根据该相似度预测用户对视频节目的喜爱度,利用该预测的喜爱度向用户推荐视频节目。由于本技术方案通过聚类大大降低视频推荐算法的复杂度,提高了效率。并考虑了用户的历史行为和视频节目的特征,提高了预测准确率,并可以提高网络的性能,大大有效提升用户的使用体验。
附图说明
为了更清楚地说明本说明书实施方式或现有技术中的技术方案,下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本说明书中记载的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本说明书实施例提出的一种视频推荐方法流程图;
图2为本说明书实施例提出的一种视频推荐装置功能框图;
图3为本说明书实施例提出的一种电子设备示意图。
具体实施方式
下面将结合附图,对本公开实施例中的技术方案进行清楚、完整地描述参考在附图中示出并在以下描述中详述的非限制性示例实施例,更加全面地说明本公开的示例实施例和它们的多种特征及有利细节。应注意的是,图中示出的特征不是必须按照比例绘制。本公开省略了已知材料、组件和工艺技术的描述,从而不使本公开的示例实施例模糊。所给出的示例仅旨在有利于理解本公开示例实施例的实施,以及进一步使本领域技术人员能够实施示例实施例。因而,这些示例不应被理解为对本公开的实施例的范围的限制。
除非另外特别定义,本公开使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本公开中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。此外,在本公开各个实施例中,相同或类似的参考标号表示相同或类似的构件。
由于人们的日常作息和生活,视频的点击量在一天内的分布是非常不均匀的,这是很显而易见的。大致来说,视频的观看和点击在傍晚8,9点时分比较多,还有一个小高峰是在中午的12点左右,最低谷是在凌晨3点到凌晨5点期间。
基于此,本说明书提出一种视频推荐方案,该方案可以利用在最低谷的凌晨3点到凌晨5点期间,视频服务器对不同用户精准推送用户喜爱的视频节目数据至用户终端。在用户观看视频期间,由于精准推送了用户所要看的视频节目,在视频点击高峰期,大大降低冷启动发生的概率,提升网络性能,有效提升用户的使用体验。
本技术方案从用户观看视频节目的日志记录中获取用户历史点播数据,从历史点播数据中提取用户的兴趣特征。该兴趣特征包括用户ID、视频节目ID、用户观看某个视频节目的观看时长比。进一步地,本技术方案将大量的视频节目聚成几百个大类,相应获得几百个聚类中心。利用兴趣特征与聚类中心计算视频节目与聚类中心对应视频类型之间的相似度,根据该相似度预测用户对各种类型的视频的喜爱度,利用预测的喜爱度向用户终端发送用户所喜爱的视频节目数据。
对于本技术方案来说,通过聚类算法将样本视频节目进行分类,比如:实际2万个视频节目数据集,不聚类处理,就要看做2万类,但实际肯定没有那么多类,有些相似类型的视频类型可以归为一类,通过聚类算法,将2万个视频节目聚类成200类,在后续计算相似度时,在数据处理时就降了2个数量级,从而大大降低了算法的复杂度,提高推荐的效率。并且,本技术方案基于用户历史点播数据预测用户所喜爱的视频节目,将每个视频节目的类型信息精准划分,比如:视频节目《无问西东》包含战争因素、爱情因素、社会因素等等,将该视频节目中的各种因素看做隐因子,计算该视频节目的每个隐因子与聚类处理后的每个聚类中心之间的相似度,根据该相似度构建每个视频节目的隐因子向量,利用该隐因子向量预测用户对每个视频节目的喜爱度,依据该预测的喜爱度向用户终端推荐视频节目。虽然视频推荐算法的复杂度降低了,但是由于考虑了视频节目的各种因素,基于用户的历史行为精准的向用户终端推荐视频节目,从而大大提升用户的使用体验。
基于上述描述,本说明书公开一种视频推荐方案,其中,所述视频推荐方法可以应用于服务器中。具体地,所述服务器可以是能够接受用户点播请求分发视频数据的网站的后台业务服务器或有线电视网的业务服务器。所述网站例如可以是爱奇艺、优酷等视频网站。在本实施方式中,所述服务器可以为一个具有数据运算、存储功能以及网络交互功能的电子设备;也可以为运行于该电子设备中,为数据处理、存储和网络交互提供支持的软件。在本实施方式中并不具体限定所述服务器的数量。所述服务器可以为一个服务器,还可以为几个服务器,或者,若干服务器形成的服务器集群。如图1所示,为本说明书实施例提出的一种视频推荐方法流程图。包括:
步骤101):获取用户的历史点播数据。
在本实施例中,用户过去一天、一周或一个月的历史点播视频的日志记录作为数据源,获取每个用户过往历史点播信息。在日志记录中,包括:用户ID、视频节目ID、观看起始时间、观看结束时间。
步骤102):从所述历史点播数据中提取对应用户的兴趣特征;其中,所述兴趣特征包括:视频节目、用户观看某个视频节目的观看时长比。
在本实施例中,对历史点播数据进行预处理,将每一条日志记录中对应用户观看对应视频节目的起始时间、观看结束时间获得用户观看某个视频节目的观看时长比。在本技术方案中,利用用户的观看时长比来作为用户的观看时长替代指标,并以此作为用户对视频节目兴趣程度的定义,如果定义duri为节目i的总节目时长,那么dui/duri就是节目时长比,可以表示用户u对节目i的感兴趣或者喜爱程度,dui/duri的取值范围设定为[0,1]。因此,根据预处理结果提取兴趣特征,兴趣特征包括:视频节目、用户观看某个视频节目的观看时长比。
步骤103):根据所述视频节目的观看时长比获取所述兴趣特征中视频节目与每个聚类中心之间的相似度;其中,所述聚类中心利用样本视频节目数据进行聚类获得。
在本技术方案中,计算视频节目间的相似度,并将相似的视频节目通过聚类算法聚到同一类中。关于相似度的计算,这是聚类算法中最为重要且最为关键的一步。首先,针对性地选择相应地相似度计算公式。目前比较流行的相似度公式有曼哈顿街区距离公式,欧式距离公式和皮尔逊公式等。经过多次尝试,本技术方案最终使用曼哈顿街区距离公式计算视频节目之间的相似度。视频节目和视频节目之间的相似度计算如式(1)所示:
式(1)中,sim(i,j)表示视频节目i和视频节目j之间的相似度,ci,cj分别是观看了视频节目i和视频节目j的用户数量,即节目热度,乘以节目热度的倒数以降低热度较高的视频节目的影响,dij是视频节目i和视频节目j之间的距离,如式(2)表示,dij取值范围为0到正无穷,这样取值范围是0到1,当为0时,说明两个视频节目完全不同,当为1时说明两个视频节目基本类似,dij具体定义如式(2)所示,rui是用户u观看视频节目i的观看时长比,ruj是用户u观看视频节目j的观看时长比,U是同时观看过视频节目i和视频节目j的用户集合,将用户u观看视频节目i的观看时长比减去观看视频节目j的观看时长比并取绝对值,然后对U中所有用户的观看时长比做同样处理并求和,再得到视频节目i和视频节目j之间的距离。
在本实施例中,选取各种各样类型的大量的视频节目作为样本数据集,对该样本数据集进行聚类处理。首先,在样本数据集中发现初始的簇中心,即样本数据集中节目相似度最小的两个节目,并标记为c1,c2。根据最近邻原则以c1,c2为聚类中心来聚类相应视频节目,获得聚类结果。在聚类结果中,选取包含视频节目数据量最大的那个簇,选择该簇中与簇中心节目相似度最小的那个视频节目作为新的簇中心。根据最近邻原重新对所有节目以新的簇中心进行聚类,直至聚类中心数达到最大值K,则最终得到总聚类数为K的聚类中心center={c1,c2,......,ck}。假如聚类数没有达到K,则继续聚类处理。
步骤104):根据所述相似度确定视频节目的隐因子向量。
在本实施例中,将视频节目中隐含的可以表示节目类型信息的某种因素看作隐性因子,诸如视频节目的喜剧逗笑程度、恐怖程度、爱情内容中的温情甜蜜程度等等。
在本实施例中,在获得节目隐因子之后就可以进行节目因子向量的构建工作。本技术方案把节目因子向量定义为多维的,这是由于视频节目基本上不会是单一的因素,如在一部电影中,可能基本没有科幻这种成分,但有可能包含喜剧成分、恐怖成分等等。为此,关于视频节目i,则可表示成式(3):
pi=(pi1,pi2,...,pik,...,piK) (3)
式(3)中,pi是一个由K个隐因子构成的节目向量,pik是视频节目i中第k个隐因子所占的比例,该比例值可通过计算视频节目i与不同隐因子之间的相似度得到,这里隐因子对应通过聚类处理获得的聚类中心。聚类中心代表某一类型视频节目,下面的式(4)中,sim(i,center(k))表示视频节目i和第k个聚类中心之间的相似度,相似度的计算如上式(1)获得,第k个聚类中心通过聚类算法确定。
pik=sim(i,center(k)) (4)
在本技术方案中,计算得到视频节目i中各个隐因子的比例大小后,因为有的比例值非常小,有的则相对很大,这样不便于反映视频节目的特征和后续的计算。因此,需要再对视频节目i的各隐因子的比例值进行归一化处理。
首先,获取视频节目i中所占比例最大的隐因子,其定义如下面式(5)所示:
sMax=max(sim(i,center(k))) (5)
上式中,max(sim(i,center(k)))表示视频节目i和每个聚类中心相似度中最大的那个相似度值,将pik除以sMax可以限制pik的取值位于0到1之间,从而对pik进行了归一化,如式(6)所示。
因为视频节目中某些所占比例较小的隐因子可能是噪声数据或者冗余数据,可以去掉视频节目中某些所占比例值较小的隐因子。采取的办法是先设一个阈值,假如归一化处理后的pik在阈值之下,则将数值置为零,经过归一化、置零处理,获得视频节目i的隐因子向量。
步骤105):确定视频节目喜爱度偏离值、用户喜爱度偏离值、用户的隐因子向量、用户和所观看的视频节目之间的隐因子向量。
在本实施例中,对所有用户的兴趣特征根据损失函数进行求解,损失函数如式(7)所示,通过随机梯度下降法求解,使得确定当损失函数取最小值时对应的视频节目喜爱度偏离值、用户喜爱度偏离值、用户的隐因子向量、用户和所观看的视频节目之间的隐因子向量。
式(7)中,j表示用户u所观看节目的集合中的视频节目的节目编号,min表示求解当损失函数取得最小值时bi、bu、qu和yi的大小,上式中rui是用户u对视频节目i喜爱度的真实值,λ是正则化参数,上式第一行采用的是求用户u对视频节目i喜爱度的真实值rui和用户u对视频节目i喜爱度的预测值之间最小平方误差的方法,第二行是为了防止过拟合引入的正则项,用λ来维持正则化的程度,它的大小由交叉验证获得。
步骤106):根据所述视频节目的隐因子向量、用户观看过的所有视频节目的总数、所述视频节目喜爱度偏离值、所述用户喜爱度偏离值、所述用户的隐性因子向量、所述用户和所观看的视频节目之间的隐因子向量获得用户对每个节目的喜爱度预测值。
式(8)中,μ是所有用户对于其所看过节目的一个平均喜爱度,bi是视频节目i被所有用户所喜爱的程度相对于平均值μ的偏离值,比如某个视频节目质量较低,则用户对它的评分一般也不会高;bu是用户u对所有观看过的节目表现的喜爱度相对于平均值μ的偏离值,比如用户本身就比较随和,哪怕节目质量在平均水准之下,用户也能接受即并不排斥,那么,该用户的喜爱度会在平均值μ之上;pi是视频节目i的隐因子向量,在步骤104中已经获得。qu是用户u的隐因子向量,它表示用户对视频节目隐因子的喜爱度,初始值被定义为[0,1]范围之间的随机值,N(u)是用户u观看过的所有节目的集合,根据不同的视频节目ID的数量进行统计获得。在本技术方案中,不同的视频节目,通过不同的视频节目ID进行表示。|N(u)|是该集合的节目总数,为了降低活跃用户的影响,在式(8)中|N(u)|取了倒数,取根号是为了防止降得过大,yj是用户u和所观看的视频节目j之间的隐因子向量。
式(8)主要基于隐因子模型的思想来进行计算,还引入了用户的历史点播数据。隐因子模型最初被引入推荐***领域主要是要应用于打分***,其主要思想是充分使用打分数据。比如电影推荐***中,可以先计算出电影的隐因子向量以及用户的隐因子向量,用户对于电影的预测打分值可以通过计算隐因子向量的内积得到。前面讨论过,电影或者视频中的隐因子可以理解为武打成分或者恐怖度在整部电影中所占比例的多少。用数学去描述就是式9,将N×M的评分矩阵R分解成M×F的电影-隐因子矩阵P和N×F的用户-隐因子矩阵Q。其中,N、M和F分别是n×r、r×m和r×r大小的矩阵,式(9)所示:
R=Q*PT (9)
上式中,PT是电影隐因子矩阵P的转置矩阵。
步骤107):根据所述喜爱度预测值确定向对应用户终端推荐的视频节目。
在本实施例中,利用本技术方案,能够获得不同用户ID对不同视频节目ID的喜爱度预测值所有的构成喜爱度预测矩阵。其中,该矩阵的行号对应不同的用户ID,该矩阵的列号对应不同的视频节目ID,该矩阵的元素值为不同用户对不同视频节目的喜爱度预测值。比如:给用户u推荐视频节目,从喜爱度预测矩阵中抽出第u行,就是用户u对所有视频节目的预测喜爱度,式(10)中是用户u对n个视频节目的喜爱度预测值,是用户u对视频节目n的喜爱度预测值:
在实际应用中,将用户u观看过的视频节目剔除掉;按所述喜爱度预测值的大小对剩余的视频节目降序排列,根据排列结果生成推荐列表;将所述推荐列表中排在前面的视频节目的数据发送至用户终端。
根据上述实施例描述可知,本技术方案既考虑了用户的历史点播数据和视频节目的隐因子,并通过聚类算法将样本视频节目数据进行聚类,使得推荐处理时在综合考量了视频节目的类型的基础上降低了视频节目的维度,实现了高准确率的视频推荐服务,能有效提升用户的使用体验。
如图2所示,为本说明书实施例提出的一种视频推荐装置功能框图。包括:
历史点播数据获取单元201,用于获取用户的历史点播数据;
兴趣特征提取单元202,用于从所述历史点播数据中提取对应用户的兴趣特征;其中,所述兴趣特征包括:视频节目、用户观看某个视频节目的观看时长比;
相似度获取单元203,用于根据所述视频节目的观看时长比获取所述兴趣特征中视频节目与每个聚类中心之间的相似度;其中,所述聚类中心利用样本视频节目数据进行聚类获得;
第一参数确定单元204,用于根据所述相似度确定视频节目的隐因子向量;
第二参数确定单元205,用于确定视频节目喜爱度偏离值、用户喜爱度偏离值、用户的隐因子向量、用户和所观看的视频节目之间的隐因子向量;
喜爱度预测值单元206,用于根据所述视频节目的隐因子向量、用户观看过的所有视频节目的总数、所述视频节目喜爱度偏离值、所述用户喜爱度偏离值、所述用户的隐性因子向量、所述用户和所观看的视频节目之间的隐因子向量获得用户对每个节目的喜爱度预测值;
推荐单元207,用于根据所述喜爱度预测值确定向对应用户终端推荐的视频节目。
在本实施例中,所述喜爱度预测值单元206通过用户的历史行为统计获取所述用户观看过的所有视频节目的总数。
在本实施例中,所述推荐单元包括:
剔除模块,用于将所述用户观看过的视频节目剔除掉;
推荐列表获取模块,用于按所述喜爱度预测值的大小对剩余的视频节目降序排列,根据排列结果生成推荐列表;
视频节目发送模块,用于将所述推荐列表中排在前面的视频节目的数据发送至用户终端。
在本实施例中,所述第二参数确定单元进一步用于对损失函数利用随机梯度下降法求解,确定当所述损失函数取最小值时对应的视频节目喜爱度偏离值、用户喜爱度偏离值、用户的隐因子向量、用户和所观看的视频节目之间的隐因子向量。
在本实施例中,所述兴趣特征提取单元获取的用户观看某个视频节目的观看时长比等于用于观看某个视频节目的时长除以对应视频节目的总时长。
在本实施例中,所述相似度获取单元通过曼哈顿街区距离公式、欧式距离公式或皮尔逊公式获取相似度。
在本实施例中,所述第一参数确定单元包括:
最大、最小相似度获取模块,用于从所述视频节目与每个聚类中心之间的相似度中获取最大相似度;
归一化模块,用于将所述视频节目与每个聚类中心之间的相似度均除以所述最大相似度或所述最小相似度,获得归一化结果值;
置零模块,用于将归一化结果值与阈值比较,将小于阈值的归一化结果值置于零,将大于等于的阈值的归一化结果值保持不变,得到的结果值构成的向量为所述视频节目的隐因子向量。
如图3所示,为本说明书实施例提出的一种电子设备示意图。包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述图1所述的视频推荐方法。
本说明书实施方式提供的视频推荐方法,其存储器和处理器实现的具体功能,可以与本说明书中的前述实施方式相对照解释,并能够达到前述实施方式的技术效果,这里便不再赘述。
在本实施方式中,所述存储器可以包括用于存储信息的物理装置,通常是将信息数字化后再以利用电、磁或者光学等方法的媒体加以存储。本实施方式所述的存储器又可以包括:利用电能方式存储信息的装置,如RAM、ROM等;利用磁能方式存储信息的装置,如硬盘、软盘、磁带、磁芯存储器、磁泡存储器、U盘;利用光学方式存储信息的装置,如CD或DVD。当然,还有其他方式的存储器,例如量子存储器、石墨烯存储器等等。
在本实施方式中,所述处理器可以按任何适当的方式实现。例如,所述处理器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式等等。
在本实施例中,本说明书实施例还提供一种可读存储介质,其上存储有计算机程序,所述计算机程序被执行时实现上述所述的视频推荐方法的步骤。
与现有技术相比较,本技术方案将视频节目中隐含的可以表示节目类型信息的某种因素作为隐因子,根据用户历史点播数据提取用户兴趣特征,利用兴趣特征确定视频节目的隐因子向量。然后,本技术方案将大量的视频节目聚成几百个大类,从而降低了视频节目的维度,计算视频节目与聚类形成的中心之间的相似度,根据该相似度预测用户对视频节目的喜爱度,利用该预测的喜爱度向用户推荐视频节目。由于本技术方案通过聚类大大降低视频推荐算法的复杂度,提高了效率。并考虑了用户的历史行为和视频节目的特征,提高了预测准确率,并可以提高网络的性能,大大有效提升用户的使用体验。
本领域技术人员也知道,除了以纯计算机可读程序代码方式实现客户端和服务器以外,完全可以通过将方法步骤进行逻辑编程来使得客户端和服务器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种客户端和服务器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到本说明书可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本说明书的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本说明书各个实施方式或者实施方式的某些部分所述的方法。
本说明书中的各个实施方式均采用递进的方式描述,各个实施方式之间相同相似的部分互相参见即可,每个实施方式重点说明的都是与其他实施方式的不同之处。尤其,针对客户端和服务器的实施方式来说,均可以参照前述方法的实施方式的介绍对照解释。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字***“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的***、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、车载人机交互设备、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
虽然本说明书实施例提供了如实施例或流程图所述的方法操作步骤,但基于常规或者无创造性的手段可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式,不代表唯一的执行顺序。在实际中的装置或终端产品执行时,可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境,甚至为分布式数据处理环境)。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、产品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、产品或者设备所固有的要素。在没有更多限制的情况下,并不排除在包括所述要素的过程、方法、产品或者设备中还存在另外的相同或等同要素。
为了描述的方便,描述以上装置时以功能分为各种模块分别描述。当然,在实施本说明书实施例时可以把各模块的功能在同一个或多个软件和/或硬件中实现,也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内部包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
本领域技术人员应明白,本说明书的实施例可提供为方法、***或计算机程序产品。因此,本说明书实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书实施例,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于***实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书实施例的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
以上所述仅为本说明书实施例的实施例而已,并不用于限制本说明书实施例。对于本领域技术人员来说,本说明书实施例可以有各种更改和变化。凡在本说明书实施例的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书实施例的权利要求范围之内。
虽然通过实施方式描绘了本说明书,本领域普通技术人员知道,本说明书有许多变形和变化而不脱离本说明书的精神,希望所附的权利要求包括这些变形和变化而不脱离本说明书的精神。
Claims (16)
1.一种视频推荐方法,其特征在于,包括:
获取用户的历史点播数据;
从所述历史点播数据中提取对应用户的兴趣特征;其中,所述兴趣特征包括:视频节目、用户观看某个视频节目的观看时长比;
根据所述视频节目的观看时长比获取所述兴趣特征中视频节目与每个聚类中心之间的相似度;其中,所述聚类中心利用样本视频节目数据进行聚类获得;
根据所述相似度确定视频节目的隐因子向量;
确定视频节目喜爱度偏离值、用户喜爱度偏离值、用户的隐因子向量、用户和所观看的视频节目之间的隐因子向量;
根据所述视频节目的隐因子向量、用户观看过的所有视频节目的总数、所述视频节目喜爱度偏离值、所述用户喜爱度偏离值、所述用户的隐性因子向量、所述用户和所观看的视频节目之间的隐因子向量获得用户对每个节目的喜爱度预测值;
根据所述喜爱度预测值确定向对应用户终端推荐的视频节目。
2.如权利要求1所述的方法,其特征在于,所述用户观看过的所有视频节目的总数通过用户的历史行为统计获取。
3.如权利要求1所述的方法,其特征在于,根据所述喜爱度预测值确定向对应用户终端推荐的视频节目的步骤包括:
将所述用户观看过的视频节目剔除掉;
按所述喜爱度预测值的大小对剩余的视频节目降序排列,根据排列结果生成推荐列表;
将所述推荐列表中排在前面的视频节目的数据发送至用户终端。
4.如权利要求1所述的方法,其特征在于,确定视频节目喜爱度偏离值、用户喜爱度偏离值、用户的隐因子向量、用户和所观看的视频节目之间的隐因子向量的步骤包括:
对损失函数利用随机梯度下降法求解,确定当所述损失函数取最小值时对应的视频节目喜爱度偏离值、用户喜爱度偏离值、用户的隐因子向量、用户和所观看的视频节目之间的隐因子向量。
5.如权利要求1所述的方法,其特征在于,所述用户观看某个视频节目的观看时长比等于用于观看某个视频节目的时长除以对应视频节目的总时长。
6.如权利要求1所述的方法,其特征在于,所述相似度通过曼哈顿街区距离公式、欧式距离公式或皮尔逊公式获取。
7.如权利要求1所述的方法,其特征在于,根据所述相似度确定视频节目的隐因子向量的步骤包括:
从所述视频节目与每个聚类中心之间的相似度中获取最大相似度、最小相似度;
将所述视频节目与每个聚类中心之间的相似度均除以所述最大相似度或所述最小相似度,获得归一化结果值;
将归一化结果值与阈值比较,将小于阈值的归一化结果值置于零,将大于等于的阈值的归一化结果值保持不变,得到的结果值构成的向量为所述视频节目的隐因子向量。
8.一种视频推荐装置,其特征在于,包括:
历史点播数据获取单元,用于获取用户的历史点播数据;
兴趣特征提取单元,用于从所述历史点播数据中提取对应用户的兴趣特征;其中,所述兴趣特征包括:视频节目、用户观看某个视频节目的观看时长比;
相似度获取单元,用于根据所述视频节目的观看时长比获取所述兴趣特征中视频节目与每个聚类中心之间的相似度;其中,所述聚类中心利用样本视频节目数据进行聚类获得;
第一参数确定单元,用于根据所述相似度确定视频节目的隐因子向量;
第二参数确定单元,用于确定视频节目喜爱度偏离值、用户喜爱度偏离值、用户的隐因子向量、用户和所观看的视频节目之间的隐因子向量;
喜爱度预测值单元,用于根据所述视频节目的隐因子向量、用户观看过的所有视频节目的总数、所述视频节目喜爱度偏离值、所述用户喜爱度偏离值、所述用户的隐性因子向量、所述用户和所观看的视频节目之间的隐因子向量获得用户对每个节目的喜爱度预测值;
推荐单元,用于根据所述喜爱度预测值确定向对应用户终端推荐的视频节目。
9.如权利要求8所述的装置,其特征在于,所述喜爱度预测值单元通过用户的历史行为统计获取所述用户观看过的所有视频节目的总数。
10.如权利要求8所述的装置,其特征在于,所述推荐单元包括:
剔除模块,用于将所述用户观看过的视频节目剔除掉;
推荐列表获取模块,用于按所述喜爱度预测值的大小对剩余的视频节目降序排列,根据排列结果生成推荐列表;
视频节目发送模块,用于将所述推荐列表中排在前面的视频节目的数据发送至用户终端。
11.如权利要求8所述的装置,其特征在于,所述第二参数确定单元进一步用于对损失函数利用随机梯度下降法求解,确定当所述损失函数取最小值时对应的视频节目喜爱度偏离值、用户喜爱度偏离值、用户的隐因子向量、用户和所观看的视频节目之间的隐因子向量。
12.如权利要求8所述的装置,其特征在于,所述兴趣特征提取单元获取的用户观看某个视频节目的观看时长比等于用于观看某个视频节目的时长除以对应视频节目的总时长。
13.如权利要求8所述的装置,其特征在于,所述相似度获取单元通过曼哈顿街区距离公式、欧式距离公式或皮尔逊公式获取相似度。
14.如权利要求8所述的装置,其特征在于,所述第一参数确定单元包括:
最大、最小相似度获取模块,用于从所述视频节目与每个聚类中心之间的相似度中获取最大相似度;
归一化模块,用于将所述视频节目与每个聚类中心之间的相似度均除以所述最大相似度或所述最小相似度,获得归一化结果值;
置零模块,用于将归一化结果值与阈值比较,将小于阈值的归一化结果值置于零,将大于等于的阈值的归一化结果值保持不变,得到的结果值构成的向量为所述视频节目的隐因子向量。
15.一种电子设备,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1~7任意一项权利要求所述的视频推荐方法。
16.一种可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被执行时实现权利要求1~7任意一项权利要求所述的视频推荐方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811459903.0A CN111259195A (zh) | 2018-11-30 | 2018-11-30 | 一种视频推荐方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811459903.0A CN111259195A (zh) | 2018-11-30 | 2018-11-30 | 一种视频推荐方法、装置、电子设备及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111259195A true CN111259195A (zh) | 2020-06-09 |
Family
ID=70950448
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811459903.0A Withdrawn CN111259195A (zh) | 2018-11-30 | 2018-11-30 | 一种视频推荐方法、装置、电子设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111259195A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113111217A (zh) * | 2021-04-22 | 2021-07-13 | 北京达佳互联信息技术有限公司 | 播放时长预测模型的训练方法、视频推荐方法及装置 |
CN113207010A (zh) * | 2021-06-02 | 2021-08-03 | 清华大学 | 模型训练方法、直播推荐方法、设备、程序产品 |
CN113836412A (zh) * | 2021-09-24 | 2021-12-24 | 北京爱奇艺科技有限公司 | 一种信息推荐方法、装置、电子设备及存储介质 |
CN113873330A (zh) * | 2021-08-31 | 2021-12-31 | 武汉卓尔数字传媒科技有限公司 | 视频推荐方法、装置、计算机设备和存储介质 |
CN114025205A (zh) * | 2021-11-02 | 2022-02-08 | 天津大学 | 一种家庭tv视频的智能推荐方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106022865A (zh) * | 2016-05-10 | 2016-10-12 | 江苏大学 | 一种基于评分和用户行为的商品推荐方法 |
-
2018
- 2018-11-30 CN CN201811459903.0A patent/CN111259195A/zh not_active Withdrawn
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106022865A (zh) * | 2016-05-10 | 2016-10-12 | 江苏大学 | 一种基于评分和用户行为的商品推荐方法 |
Non-Patent Citations (1)
Title |
---|
LI MA ETC.: "An Ensemble Algorithm Used in Video Recommendation System", 《ICBDR 2017:PROCEEDINGS OF 2017 INTERNATIONAL CONFERENCE OF BIG DATA RESEARCH》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113111217A (zh) * | 2021-04-22 | 2021-07-13 | 北京达佳互联信息技术有限公司 | 播放时长预测模型的训练方法、视频推荐方法及装置 |
CN113111217B (zh) * | 2021-04-22 | 2024-02-27 | 北京达佳互联信息技术有限公司 | 播放时长预测模型的训练方法、视频推荐方法及装置 |
CN113207010A (zh) * | 2021-06-02 | 2021-08-03 | 清华大学 | 模型训练方法、直播推荐方法、设备、程序产品 |
CN113873330A (zh) * | 2021-08-31 | 2021-12-31 | 武汉卓尔数字传媒科技有限公司 | 视频推荐方法、装置、计算机设备和存储介质 |
CN113836412A (zh) * | 2021-09-24 | 2021-12-24 | 北京爱奇艺科技有限公司 | 一种信息推荐方法、装置、电子设备及存储介质 |
CN113836412B (zh) * | 2021-09-24 | 2024-07-19 | 北京爱奇艺科技有限公司 | 一种信息推荐方法、装置、电子设备及存储介质 |
CN114025205A (zh) * | 2021-11-02 | 2022-02-08 | 天津大学 | 一种家庭tv视频的智能推荐方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI702844B (zh) | 用戶特徵的生成方法、裝置、設備及儲存介質 | |
CN111259195A (zh) | 一种视频推荐方法、装置、电子设备及可读存储介质 | |
CN106326391B (zh) | 多媒体资源推荐方法及装置 | |
CN105653700B (zh) | 视频检索方法及*** | |
US9639881B2 (en) | Method and system for personalized video recommendation based on user interests modeling | |
CN104053023B (zh) | 一种确定视频相似度的方法及装置 | |
CN111368141B (zh) | 视频标签的扩展方法、装置、计算机设备和存储介质 | |
CN112052387B (zh) | 一种内容推荐方法、装置和计算机可读存储介质 | |
CN104504059A (zh) | 多媒体资源推荐方法 | |
CN113873330B (zh) | 视频推荐方法、装置、计算机设备和存储介质 | |
WO2023087914A1 (zh) | 推荐内容的选择方法、装置、设备、存储介质及程序产品 | |
US11653064B2 (en) | Methods and systems for determining disliked content | |
CN112464100A (zh) | 信息推荐模型训练方法、信息推荐方法、装置及设备 | |
CN112100221A (zh) | 一种资讯推荐方法、装置、推荐服务器及存储介质 | |
CN114297509A (zh) | 用户兴趣向量生成方法、产品推荐方法、装置、设备、介质 | |
CN109063080B (zh) | 一种视频推荐方法及装置 | |
CN116188118B (zh) | 基于ctr预测模型的目标推荐方法及装置 | |
CN110569447B (zh) | 一种网络资源的推荐方法、装置及存储介质 | |
CN106446696B (zh) | 一种信息处理方法及电子设备 | |
CN112073817A (zh) | 媒体文件的播放控制方法、装置、电子设备及存储介质 | |
CN115880024A (zh) | 一种基于预训练的轻量化图卷积神经网络的推荐方法 | |
CN111104550A (zh) | 视频推荐方法、装置、电子设备及计算机可读存储介质 | |
CN110381339B (zh) | 图片传输方法及装置 | |
CN113378020A (zh) | 相似观影用户的获取方法、设备和计算机可读存储介质 | |
Saraswathi et al. | Survey: a hybrid approach to solve cold-start problem in online recommendation system |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200609 |
|
WW01 | Invention patent application withdrawn after publication |