CN111382307A - 一种基于深度神经网络的视频推荐方法、***及存储介质 - Google Patents

一种基于深度神经网络的视频推荐方法、***及存储介质 Download PDF

Info

Publication number
CN111382307A
CN111382307A CN201811615808.5A CN201811615808A CN111382307A CN 111382307 A CN111382307 A CN 111382307A CN 201811615808 A CN201811615808 A CN 201811615808A CN 111382307 A CN111382307 A CN 111382307A
Authority
CN
China
Prior art keywords
video
sample data
data
user
data set
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.)
Granted
Application number
CN201811615808.5A
Other languages
English (en)
Other versions
CN111382307B (zh
Inventor
徐永泽
赖长明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen TCL New Technology Co Ltd
Original Assignee
Shenzhen TCL New Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen TCL New Technology Co Ltd filed Critical Shenzhen TCL New Technology Co Ltd
Priority to CN201811615808.5A priority Critical patent/CN111382307B/zh
Priority to PCT/CN2019/126442 priority patent/WO2020135193A1/zh
Publication of CN111382307A publication Critical patent/CN111382307A/zh
Application granted granted Critical
Publication of CN111382307B publication Critical patent/CN111382307B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/73—Querying
    • G06F16/735—Filtering based on additional data, e.g. user or group profiles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
    • H04N21/251—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H04N21/4662—Learning process for intelligent management, e.g. learning user preferences for recommending movies characterized by learning algorithms
    • H04N21/4666—Learning process for intelligent management, e.g. learning user preferences for recommending movies characterized by learning algorithms using neural networks, e.g. processing the feedback provided by the user
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H04N21/4667—Processing of monitored end-user data, e.g. trend analysis based on the log file of viewer selections
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H04N21/4668—Learning process for intelligent management, e.g. learning user preferences for recommending movies for recommending content, e.g. movies
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/47—End-user applications
    • H04N21/482—End-user interface for program selection
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/47—End-user applications
    • H04N21/482—End-user interface for program selection
    • H04N21/4826—End-user interface for program selection using recommendation lists, e.g. of programs or channels sorted out according to their score

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种基于深度神经网络的视频推荐方法、***及存储介质，通过获取用户的观看视频数据，根据用户的观看视频数据和视频库的视频数据生成正样本数据集和负样本数据集；使用所述正样本数据集和负样本数据集进行基于深度神经网络的自编码器模型训练，得到训练网络模型；将每个用户观看视频数据和视频库的视频数据输入所述训练网络模型，得到预测出的视频推荐列表；根据预测出的推荐视频列表对各个用户进行视频推荐。本发明所提供的方法实现网络电视条件下的个性化推荐，且基于深度网络保证了推荐的准确率，为用户观看视频提供了便利。

Description

一种基于深度神经网络的视频推荐方法、***及存储介质
技术领域
本发明涉及显示控制技术领域，尤其涉及的是一种基于深度神经网络的视频推荐方法、及存储介质。
背景技术
目前很多网站都会使用推荐***给用户推荐产品。推荐***大致可以划分为两个类别：基于浏览信息的上下文推荐和基于用户历史信息的个性化推荐。基于上下文的推荐考虑了上下文信息诸如位置、日期和时间等因素。个性化推荐通常使用协同滤波的方法向用户推荐产品。在这种方法中，用户兴趣的预测是基于对***中其他用户的品味和偏好的分析，并隐含地推断出两者之间的“相似性”。潜在的假设是当两个人有相似的品味，他们将有更高的可能性对产品保有相同的态度。
现今已有不少基于深度学习的协同滤波算法方案，其中，包括：能够根据用户对产品的已知评分信息预测用户对未评分过的产品的评分，以此达到推荐目的的方案。这些方案不少利用GPU性能，使得算法可以适用于用户数量和产品数量都很大的情况，且相对快速地训练模型。
现今用户在使用网络电视观看视频节目时，通常只会进行观看的行为，无法或基本不会对视频内容进行评分。这就使得播放平台方无法获得用户对产品的评分信息，也就无法利用评分信息为用户进行个性化视频推荐。但因为我们能够获取用户观看行为的信息，仍然可以通过用户是否观看过某一视频的数据搭建推荐***。但是考虑到使用网络电视观看视频服务的用户数量庞大，推荐目标视频数量巨大且迭代频率高，现有的基于用户观看行为的推荐***或是无法提供可观的推荐准确率或是无法解决大数据高频更新的应用需求。
因此，现有技术有待于进一步的改进。
发明内容
鉴于上述现有技术中的不足之处，本发明的目的在于提供一种基于深度神经网络的视频推荐方法、及存储介质，克服现有技术中网络视频观看时缺少用户评分机制导致无法根据用户评分信息为用户进行视频个性化推荐的缺陷。
本发明所公开的第一实施例为一种基于深度神经网络的视频推荐方法，其中，应用于网络视频的个性化推荐，包括以下步骤：
获取用户的观看视频数据，根据用户的观看视频数据和视频库的视频数据生成正样本数据集和负样本数据集；
使用所述正样本数据集和负样本数据集进行基于深度神经网络的自编码器模型训练，得到训练网络模型；
将每个用户的观看视频数据和视频库的视频数据输入所述训练网络模型，得到预测出的视频推荐列表；
根据预测出的推荐视频列表对各个用户进行视频推荐。
可选的，所述根据用户的观看视频数据和视频库的视频数据生成正样本数据集和负样本数据集的步骤包括：
将用户的观看视频数据中全部数据作为正样本数据生成正样本数据集，从视频库中抽取多个数据作为负样本数据生成负样本数据集；
或者，将用户的观看视频数据中部分数据作为正样本数据生成正样本数据集，将用户的观看视频数据中部分数据作为负样本数据和从视频库中抽取多个数据作为负样本数据生成负样本数据集；
将用户的观看视频数据部分数据和从视频库中抽取多个数据作为负样本数据生成负样本数据集；
或者将用户的观看视频数据中观看视频完整度超出预定阈值的数据作为正样本数据生成正样本数据集和从正样本数据选取后的用户的观看视频数据中选取多个数据作为负样本数据生成负样本数据集。
可选的，所述自编码器模型的结构为：全连接的编码层、特征层和解码层组成的自编码器网络结构；所述编码层和解码层为相对称的2层结构，且所述自编码器网络结构的输出层转变为分类器。
可选的，所述自编码器模型的输出层的激活函数为Softmax函数，中间层的激活函数为缩放指数线性单元函数。
可选的，所述使用所述正样本数据集和负样本数据集进行基于深度神经网络的自编码器模型训练的步骤包括：
分别将正样本数据集中的数据和负样本数据集中的数据进行特征向量化，并将特征向量化的数据作为训练样本输入预先建立的基于深度神经网络的自编码器模型，对所述自编码器模型进行训练。
可选的，所述负样本数据集中被抽取的视频个数与视频库中全部视频数量相关。
本发明提供的第二实施例为一种基于深度神经网络的视频推荐***，其中，包括：
训练集获取模块，用于获取用户的观看视频数据，根据用户的观看视频数据和视频库的视频数据生成正样本数据集和负样本数据集；
网络模型训练模块，用于使用所述正样本数据集和负样本数据集进行基于深度神经网络的自编码器模型训练，得到训练网络模型；
预测推荐模块，用于将每个用户的观看视频数据和视频库的视频数据输入所述训练网络模型，得到预测出的视频推荐列表；
个性推荐模块，用于根据预测出的推荐视频列表对各个用户进行视频推荐。
可选的，所述自编码器模型的结构为：全连接的编码层、特征层和解码层组成的自编码器网络结构；所述编码层和解码层为相对称的2层结构，且所述自编码器网络结构的输出层转变为分类器。
可选的，所述自编码器模型的输出层的激活函数为Softmax函数，中间层的激活函数为缩放指数线性单元函数。
可选的，所述自编码器模型的损失函数为交叉熵损失函数。
本发明公开的第三实施例为：一种存储介质，其中，所述存储介质上存储有基于深度神经网络的视频推荐的控制程序，所述基于深度神经网络的视频推荐的控制程序被处理器执行时实现项所述的基于深度神经网络的视频推荐方法的步骤。
有益效果，本发明提供了一种基于深度神经网络的视频推荐方法、***及存储介质，通过获取用户的观看视频数据，并将用户的观看视频数据作为训练样本输入预先建立的基于深度神经网络的自编码器模型，得到训练网络模型；将每个用户的观看视频数据和视频库的视频数据进行特征向量化，并将特征向量化的数据输入所述训练网络模型，得到预测出的视频推荐列表；根据预测出的推荐视频列表对各个用户进行视频推荐。本发明所提供的方法实现网络电视条件下的个性化推荐，由于基于深度网络保证了推荐的准确率，为用户观看视频提供了便利。
附图说明
图1是本发明所提供的基于深度神经网络的视频推荐方法的步骤流程图；
图2是本发明所提供的基于深度神经网络的视频推荐方法中典型的4层自编码器网络结构示意图；
图3是本发明所提供的所述视频推荐***的原理示意框图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用于解释本发明，并不用于限定本发明。
自编码器是一种实现了两个转换的网络结构，一个转换为编码encode（x）: Rn →Rd 另一个为解码decode（x）: Rd → Rn。自编码器的目标是得到维度为d的数据特征使得x和f（x）=decode（encode（x））之间的误差最小化。基于自编码器模型，本发明提供了一种基于深度神经网络的视频推荐方法，使得可以基于用户的观看视频数据准确的为用户进行视频推荐。
实施例1
本发明所公开的第一实施例为一种基于深度神经网络的视频推荐方法，如图1所示，应用于网络视频的个性化推荐，包括以下步骤：
步骤S1、获取用户的观看视频数据，根据用户的观看视频数据和视频库中包括的视频数据生成正样本数据集和负样本数据集。
为了给每个用户进行视频个性化推荐，首先需要获取用户的历史观看视频信息，并给从历史观看视频信息中得到其所喜爱的视频类型，其观看视频的情况，并根据历史观看视频信息为其进行视频推荐。因此，本步骤首先需要获取多个用户的观看视频数据，将用户的观看视频数据作为正样本数据集。从视频库中均匀抽取多个用户未观看视频数据作为负样本，组成负样本数据集，得到二分类数据集。具体的，所述负样本数据集中被抽取的视频个数与视频库中全部视频数量相关。
为了便于对用户观看信息进行记录，具体的，记录用户的观看视频信息中视频观看完整的数据对应为1，用户观看视频信息中视频未观看完整的数据对应为非1的常数。
可以想到的是，在进行正样本数据集和负样本数据集的选择上，为了达到不同的推荐效果，在具体实施例中，还可以选择用户观看完整的视频作为正样本数据集，从视频库中选择用户未观看的视频作为负样本数据集，或者其他正负样本数据的选择方式。
所述根据用户的观看视频数据和视频库的视频数据生成正样本数据集和负样本数据集的步骤包括：
将用户的观看视频数据中全部数据作为正样本数据生成正样本数据集，从视频库中抽取多个数据作为负样本数据生成负样本数据集；
或者，将用户的观看视频数据中部分数据作为正样本数据生成正样本数据集，将用户的观看视频数据中部分数据作为负样本数据和从视频库中抽取多个数据作为负样本数据生成负样本数据集；
将用户的观看视频数据部分数据和从视频库中抽取多个数据作为负样本数据生成负样本数据集；
或者将用户的观看视频数据中观看视频完整度超出预定阈值的数据作为正样本数据生成正样本数据集和从正样本数据选取后的用户的观看视频数据中选取多个数据作为负样本数据生成负样本数据集。
即是，可以将全部的用户的观看视频数据作为正样本数据集，也可以选取其中部分观看时间超出预设完整度的视频作为正样本数据集，比如：选取其中观看完整度为50%的视频作为正样本数据，也可以将观看视频数据中用户观看完整度低于预设完整度阈值的视频数据划分为负样本数据集，比如：观看完整度仅仅为5%的视频。当然也可以从视频库中用户未观看的视频中选取视频数据作为负样本数据。
步骤S2、使用所述正样本数据集和负样本数据集进行基于深度神经网络的自编码器模型训练，得到训练网络模型。
将正样本数据集中的数据和负样本数据集中的数据均进行特征向量化，并使用特征向量化后的正样本数据集和负样本数据集进行神经网络的训练，得到训练后的网络模型。
具体的，结合图2所示，所述自编码器模型的结构为：全连接的编码层、特征层和解码层组成的自编码器网络结构；所述编码层和解码层为相对称的2层结构，且所述自编码器网络结构的输出层转变为分类器，且所述自编码器模型的输出层的激活函数为Softmax函数（Sigmoid函数），中间层的激活函数为缩放指数线性单元函数。相应的，根据激活函数在输出层选择使用分类器性质的Softmax函数（Sigmoid函数），因此，较佳的，所述自编码器模型的损失函数为交叉熵损失函数。
步骤S3、将各个用户的观看视频数据和视频库的视频数据输入所述训练网络模型，得到预测出的视频推荐列表。
将各个用户的观看视频数据和视频库的视频数据按照自编码器网络结构的格式进行特征向量化之后，输入上述步骤中训练得到的网络模型，得到为各个用户预测出的视频推荐列表。
步骤S4、根据预测出的推荐视频列表对各个用户进行视频推荐。
根据上述步骤S3中为每个用户预测出的推荐列表进行视频推荐。
由于在原始模型中，无论是编码还是解码部分使用的都是经典的向前传播的全连接神经网络l = f （W*x + b）,这里f表示非线性的激活函数。但是如果激活函数的值域不能包含数据本身的范围，decode的最后一层还是会选择线性函数连接。非线性函数的类型根据目标问题的情况进行选择。因此本发明所提供的方法中，将最后一层的输出层的激活函数设置为Softmax函数（Sigmoid函数），从而提高了预测信息的准确性。
进一步的，因为现有技术中进行个性化预测时，都是通过收集用户对观看视频的打分进行预测，而用户的打分常常是连续的整数，最常对应的损失函数应为均分误差，在计算均分误差时，需要只计算用户有打分记录的部分，而不计算未打分部分的误差，预测的结果存在一定的误差，而本发明所提供的方法，我们的改进方案是在不涉及到打分记录的前提下，从用户未观看视频或观看时间超出预设时间值的视频集中均匀地随机抽取a部视频信息，作为负样本使用，改变其ri=µ。其中a是一个随机整数与数据尺寸相关。µ是一个不等于1的常值，如µ=-1。这样我们就得到了有正负样本的二分类数据，从而提高了预测准确性。
实施例2
本发明所公开的第二实施例为一种基于深度神经网络的视频推荐***，如图3所示，包括：
训练集获取模块310，用于获取用户的观看视频数据，根据用户的观看视频数据和视频库中包括的视频数据生成正样本数据集和负样本数据集；其功能如步骤S1所述。
网络模型训练模块320，用于使用所述正样本数据集和负样本数据集进行基于深度神经网络的自编码器模型训练，得到训练网络模型；其功能如步骤S2所述。
预测推荐模块330，用于将每个用户的观看视频数据和视频库的视频数据输入所述训练网络模型，得到预测出的视频推荐列表；其功能如步骤S3所述。
个性推荐模块340，用于根据预测出的推荐视频列表对各个用户进行视频推荐，其功能如步骤S4所述。
具体的，所述自编码器模型的结构为：预先建立的基于深度神经网络的自编码器模型的结构为：编码层和解码层相对称的4层自编码器网络结构，且所述自编码其网络结构的输出层转变为分类器。
所述自编码器模型的损失函数为交叉熵损失函数。
为了验证本发明所述方法及***可以实现为用户进行较为准确的视频推荐，将本方法进行实验验证。
具体的，该验证步骤包括：
采集部分用户采集的部分用户观看网络电视的数据，整理数据，按照本发明所提供的5层Autoencoder网络输入格式需要，将用户观看网络电视的数据整理成特征向量格式并照表格中阐述方法生成正负样本数据。
使用采集到的正负样本数据训练网络模型，得到训练后的网络模型。
将测试数据输入训练后的网络模型，得到预测结果，并将预测结果与测试数据的正确结果相比较，得到得出测试结果。
在本次测试中，针对每个用户从所有的视频中随机抽取99部视频，加上测试目标的一部视频组成100部视频的集合。以这个集合为推荐视频集进行推荐视频目录预测，通过本发明所提供的方法进行预测后，得到目标视频在推荐列表的前10位的比例为0.9499。
数据类型 用户观看记录
假设 观看表示用户喜爱，数据不含用户厌恶信息
总用户数 1,363,129
总视频数 19,098
总记录数 121,258,474
数据稀疏度 99.53%
人造负样本 根据观看记录等量随机抽取视频
训练记录数 239,790,690
测试抽取 每个用户随机抽取一部观看过的视频
测试记录数 1,363,129
测试均分误差 0.202
目标视频在推荐列表的前10位的比例 0.9499
实施例3
本发明公开的第三实施例为：一种存储介质，其中，所述存储介质上存储有基于深度神经网络的视频推荐的控制程序，所述基于深度神经网络的视频推荐的控制程序被处理器执行时实现项所述的基于深度神经网络的视频推荐方法的步骤。
存储介质可以包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需要的应用程序；存储数据区可存储工业设备管理方法使用或接收的数据等。此外，存储介质可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。
上述计算机设备可执行本发明实施例所提供的方法，具备执行该方法相应的功能模块和得到相应的有益效果。未在本实施例中详尽描述的技术细节，可参见本发明实施例所提供的方法。
本发明提供了一种基于深度神经网络的视频推荐方法、***及存储介质，通过获取用户的观看视频数据，并将用户的观看视频数据作为训练样本输入预先建立的基于深度神经网络的自编码器模型，得到训练网络模型；将每个用户的观看视频数据和视频库中的视频数据进行特征向量化，并将特征向量化的数据输入所述训练网络模型，得到预测出的视频推荐列表；根据预测出的推荐视频列表对各个用户进行视频推荐。本发明所提供的方法实现网络电视条件下的个性化推荐，由于基于深度网络保证了推荐的准确率，为用户观看视频提供了便利。
可以理解的是，对本领域普通技术人员来说，可以根据本发明的技术方案及其发明构思加以等同替换或改变，而所有这些改变或替换都应属于本发明所附的权利要求的保护范围。

Claims (10)

1.一种基于深度神经网络的视频推荐方法，其特征在于，应用于网络视频的个性化推荐，包括以下步骤：
获取用户的观看视频数据，根据用户的观看视频数据和视频库的视频数据生成正样本数据集和负样本数据集；
使用所述正样本数据集和负样本数据集进行基于深度神经网络的自编码器模型训练，得到训练网络模型；
将每个用户的观看视频数据和视频库的视频数据输入所述训练网络模型，得到预测出的视频推荐列表；
根据预测出的推荐视频列表对各个用户进行视频推荐。
2.根据权利要求1所述的基于深度神经网络的视频推荐方法，其特征在于，所述根据用户的观看视频数据和视频库的视频数据生成正样本数据集和负样本数据集的步骤包括：
将用户的观看视频数据中全部数据作为正样本数据生成正样本数据集，从视频库中抽取多个数据作为负样本数据生成负样本数据集；
或者，将用户的观看视频数据中部分数据作为正样本数据生成正样本数据集，将用户的观看视频数据中部分数据作为负样本数据和从视频库中抽取多个数据作为负样本数据生成负样本数据集；
将用户的观看视频数据部分数据和从视频库中抽取多个数据作为负样本数据生成负样本数据集；
或者将用户的观看视频数据中观看视频完整度超出预定阈值的数据作为正样本数据生成正样本数据集和从正样本数据选取后的用户的观看视频数据中选取多个数据作为负样本数据生成负样本数据集。
3.根据权利要求1所述的基于深度神经网络的视频推荐方法，其特征在于，所述自编码器模型的结构为：全连接的编码层、特征层和解码层组成的自编码器网络结构；所述编码层和解码层为相对称的2层结构，且所述自编码器网络结构的输出层转变为分类器。
4.根据权利要求2所述的基于深度神经网络的视频推荐方法，其特征在于，所述自编码器模型的输出层的激活函数为Softmax函数，中间层的激活函数为缩放指数线性单元函数。
5.根据权利要求4所述的基于深度神经网络的视频推荐方法，其特征在于，所述使用所述正样本数据集和负样本数据集进行基于深度神经网络的自编码器模型训练的步骤包括：
分别将正样本数据集中的数据和负样本数据集中的数据进行特征向量化，并将特征向量化的数据作为训练样本输入预先建立的基于深度神经网络的自编码器模型，对所述自编码器模型进行训练。
6.一种基于深度神经网络的视频推荐***，其特征在于，包括：
训练集获取模块，用于获取用户的观看视频数据，根据用户的观看视频数据和视频库中包括的视频数据生成正样本数据集和负样本数据集；
网络模型训练模块，用于使用所述正样本数据集和负样本数据集进行基于深度神经网络的自编码器模型训练，得到训练网络模型；
预测推荐模块，用于将每个用户的观看视频数据和视频库的视频数据输入所述训练网络模型，得到预测出的视频推荐列表；
个性推荐模块，用于根据预测出的推荐视频列表对各个用户进行视频推荐。
7.根据权利要求6基于深度神经网络的视频推荐***，其特征在于，所述自编码器模型的结构为：全连接的编码层、特征层和解码层组成的自编码器网络结构；所述编码层和解码层为相对称的2层结构，且所述自编码器网络结构的输出层转变为分类器。
8.根据权利要求7基于深度神经网络的视频推荐***，其特征在于，所述自编码器模型的输出层的激活函数为Softmax函数，中间层的激活函数为缩放指数线性单元函数。
9.根据权利要求6基于深度神经网络的视频推荐***，其特征在于，所述自编码器模型的损失函数为交叉熵损失函数。
10.一种存储介质，其特征在于，所述存储介质上存储有基于深度神经网络的视频推荐的控制程序，所述基于深度神经网络的视频推荐的控制程序被处理器执行时实现如权利要求1至5中任一项所述的基于深度神经网络的视频推荐方法的步骤。
CN201811615808.5A 2018-12-27 2018-12-27 一种基于深度神经网络的视频推荐方法、***及存储介质 Active CN111382307B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201811615808.5A CN111382307B (zh) 2018-12-27 2018-12-27 一种基于深度神经网络的视频推荐方法、***及存储介质
PCT/CN2019/126442 WO2020135193A1 (zh) 2018-12-27 2019-12-19 一种基于深度神经网络的视频推荐方法、***及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811615808.5A CN111382307B (zh) 2018-12-27 2018-12-27 一种基于深度神经网络的视频推荐方法、***及存储介质

Publications (2)

Publication Number Publication Date
CN111382307A true CN111382307A (zh) 2020-07-07
CN111382307B CN111382307B (zh) 2023-10-17

Family

ID=71129180

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811615808.5A Active CN111382307B (zh) 2018-12-27 2018-12-27 一种基于深度神经网络的视频推荐方法、***及存储介质

Country Status (2)

Country Link
CN (1) CN111382307B (zh)
WO (1) WO2020135193A1 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112650884A (zh) * 2020-12-21 2021-04-13 四川长虹电器股份有限公司 基于深度学习的视频推送方法
CN113220936A (zh) * 2021-06-04 2021-08-06 黑龙江广播电视台 基于随机矩阵编码和简化卷积网络的视频智能推荐方法、装置及存储介质
CN113556484A (zh) * 2021-07-16 2021-10-26 北京达佳互联信息技术有限公司 视频处理方法、装置、电子设备及计算机可读存储介质

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111931058B (zh) * 2020-08-19 2024-01-05 中国科学院深圳先进技术研究院 一种基于自适应网络深度的序列推荐方法和***
CN112507163B (zh) * 2020-12-02 2023-07-21 北京奇艺世纪科技有限公司 时长预测模型训练方法、推荐方法、装置、设备及介质
CN112966148A (zh) * 2021-03-05 2021-06-15 安徽师范大学 基于深度学习和特征融合的视频推荐方法和***
CN113688281B (zh) * 2021-07-09 2023-11-17 温州大学 一种基于深度学习行为序列的视频推荐方法及***
CN114371002B (zh) * 2021-12-30 2024-01-09 天津理工大学 基于dae-cnn的行星齿轮箱故障诊断方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170169330A1 (en) * 2015-12-15 2017-06-15 Le Holdings (Beijing) Co., Ltd. Method and Electronic Device for Displaying Play Content in Smart Television
CN107515909A (zh) * 2017-08-11 2017-12-26 深圳市耐飞科技有限公司 一种视频推荐方法及***
CN108959603A (zh) * 2018-07-13 2018-12-07 北京印刷学院 基于深度神经网络的个性化推荐***及方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040153373A1 (en) * 2003-01-31 2004-08-05 Docomo Communications Laboratories Usa, Inc. Method and system for pushing services to mobile devices in smart environments using a context-aware recommender
CN102073864B (zh) * 2010-12-01 2015-04-22 北京邮电大学 四层结构的体育视频中足球项目检测***及实现
US20160188671A1 (en) * 2014-12-29 2016-06-30 Facebook, Inc. Methods and Systems for Recommending Applications
CN105160008B (zh) * 2015-09-21 2020-03-31 合一网络技术(北京)有限公司 一种定位推荐用户的方法及装置
CN108243357A (zh) * 2018-01-25 2018-07-03 北京搜狐新媒体信息技术有限公司 一种视频推荐方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170169330A1 (en) * 2015-12-15 2017-06-15 Le Holdings (Beijing) Co., Ltd. Method and Electronic Device for Displaying Play Content in Smart Television
CN107515909A (zh) * 2017-08-11 2017-12-26 深圳市耐飞科技有限公司 一种视频推荐方法及***
CN108959603A (zh) * 2018-07-13 2018-12-07 北京印刷学院 基于深度神经网络的个性化推荐***及方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112650884A (zh) * 2020-12-21 2021-04-13 四川长虹电器股份有限公司 基于深度学习的视频推送方法
CN112650884B (zh) * 2020-12-21 2022-04-01 四川长虹电器股份有限公司 基于深度学习的视频推送方法
CN113220936A (zh) * 2021-06-04 2021-08-06 黑龙江广播电视台 基于随机矩阵编码和简化卷积网络的视频智能推荐方法、装置及存储介质
CN113220936B (zh) * 2021-06-04 2023-08-15 黑龙江广播电视台 基于随机矩阵编码和简化卷积网络的视频智能推荐方法、装置及存储介质
CN113556484A (zh) * 2021-07-16 2021-10-26 北京达佳互联信息技术有限公司 视频处理方法、装置、电子设备及计算机可读存储介质
CN113556484B (zh) * 2021-07-16 2024-02-06 北京达佳互联信息技术有限公司 视频处理方法、装置、电子设备及计算机可读存储介质

Also Published As

Publication number Publication date
WO2020135193A1 (zh) 2020-07-02
CN111382307B (zh) 2023-10-17

Similar Documents

Publication Publication Date Title
CN111382307A (zh) 一种基于深度神经网络的视频推荐方法、***及存储介质
CN110309427B (zh) 一种对象推荐方法、装置及存储介质
CN110941740B (zh) 视频推荐方法及计算机可读存储介质
CN111538912B (zh) 内容推荐方法、装置、设备及可读存储介质
CN110232480B (zh) 利用变分的正则化流实现的项目推荐方法及模型训练方法
CN110929515B (zh) 基于协同注意力和自适应调整的阅读理解方法及***
CN110717098B (zh) 基于元路径的上下文感知用户建模方法、序列推荐方法
CN111797321B (zh) 一种面向不同场景的个性化知识推荐方法及***
CN110704674B (zh) 一种视频播放完整度预测方法及装置
CN110717099B (zh) 一种推荐影片的方法及终端
CN112418292B (zh) 一种图像质量评价的方法、装置、计算机设备及存储介质
CN112464100B (zh) 信息推荐模型训练方法、信息推荐方法、装置及设备
CN112150238A (zh) 一种基于深度神经网络的商品推荐方法及***
CN110704510A (zh) 一种结合用户画像的题目推荐方法及***
CN115618101A (zh) 基于负反馈的流媒体内容推荐方法、装置及电子设备
CN112612948A (zh) 一种基于深度强化学习的推荐***构建方法
CN114911969A (zh) 一种基于用户行为模型的推荐策略优化方法和***
WO2020049317A1 (en) System and method for improved content discovery
CN114357201A (zh) 基于信息感知的视听推荐方法、***
CN114692972A (zh) 行为预测***的训练方法及装置
CN114329181A (zh) 一种题目推荐方法、装置及电子设备
CN112765450A (zh) 推荐内容确定方法、装置及存储介质
CN114996584B (zh) 基于深度强化学习的多样性感知交互推荐方法
CN115470397B (zh) 内容推荐方法、装置、计算机设备和存储介质
CN118228718B (zh) 编码器处理方法、文本处理方法及相关设备

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
GR01 Patent grant
GR01 Patent grant