CN112256916B - 一种基于图胶囊网络的短视频点击率预测方法 - Google Patents

一种基于图胶囊网络的短视频点击率预测方法 Download PDF

Info

Publication number
CN112256916B
CN112256916B CN202011258889.5A CN202011258889A CN112256916B CN 112256916 B CN112256916 B CN 112256916B CN 202011258889 A CN202011258889 A CN 202011258889A CN 112256916 B CN112256916 B CN 112256916B
Authority
CN
China
Prior art keywords
short video
user
graph
capsule
network
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.)
Active
Application number
CN202011258889.5A
Other languages
English (en)
Other versions
CN112256916A (zh
Inventor
顾盼
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.)
Xingchuang Engine Hangzhou Network Media Co ltd
Original Assignee
China Jiliang University
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 China Jiliang University filed Critical China Jiliang University
Priority to CN202011258889.5A priority Critical patent/CN112256916B/zh
Publication of CN112256916A publication Critical patent/CN112256916A/zh
Application granted granted Critical
Publication of CN112256916B publication Critical patent/CN112256916B/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
    • 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
    • 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
    • G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Library & Information Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
  • Compression Or Coding Systems Of Tv Signals (AREA)

Abstract

本发明公开了一种基于图胶囊网络的短视频点击率预测方法。该方法利用短视频平台中的用户浏览行为数据，抽取用户的兴趣特征，最终预测用户对目标短视频的点击率。对于一个要预测的<用户，短视频>对，本方法首先融合短视频的多模态特征，生成短视频向量表征。然后根据所有用户历史交互序列，构建短视频图网络，并根据短视频图网络生成短视频的多层向量表征。最后根据短视频的多层向量表征，生成用户兴趣表征并预测目标短视频的点击率。

Description

一种基于图胶囊网络的短视频点击率预测方法
技术领域
本发明属于互联网服务技术领域，具体涉及一种基于图胶囊网络的短视频点击率预测方法。
背景技术
短视频是一种新型的且时间较短的视频。短视频的拍摄不需要使用专业设备，也不需要专业技巧。用户直接通过手机就可以很方便地进行拍摄和上传到短视频平台，因此短视频平台的短视频数量增长得非常快。这使得对有效短视频推荐***的需求非常迫切，有效的短视频推荐***可以提升用户体验和用户黏性，从而给平台带来巨大的商业价值。
近些年，很多研究者提出了基于视频的个性化推荐方法。这些方法可以分为三类：协同过滤、基于内容的推荐和混合推荐方法。但是相比于视频，短视频有着不同的特点：描述文本质量较低、时长较短且用户在一段时间内的交互序列较长。因此，短视频推荐是一个更具有挑战性的任务，并且有研究者提出了一些方法。例如，Li等人将图网络和LSTM结构融合一起，进而更好地模拟用户的偏好；Chen等人利用分层的注意力机制去计算物品和类目这两种级别的重要性，得到更准确的预测结果。
尽管这些方法取得不错的结果，但是没有重视短视频的多模态信息和用户交互数据的稀疏性。用户在上传短视频的视频内容时，会同时配上概括性的标题描述，这两种模态的特征对于短视频的推荐都很重要。海量的短视频加上用户偏向点击热门短视频，造成用户交互数据的稀疏性。我们使用短视频多模态特征和通过构建短视频的图网络，捕捉短视频之间的转移关系来缓解数据的稀疏性，提高推荐的准确性。另外，胶囊网络已经在图像领域得到初步地成功，胶囊网络可以从低层特征抽取出更概括的、和任务相关的高级特征。本方法将胶囊网络应用在个性化推荐领域，并对原本应用在图形领域的胶囊网络进行创新性的改造。
发明内容
基于上述，本发明提供了一种基于图胶囊网络的短视频点击率预测方法。它根据用户的对短视频的点击序列信息，挖掘出用户的兴趣特征，预测用户对目标短视频的点击率。
一种基于图胶囊网络的短视频点击率预测方法，包括如下步骤：
融合短视频多模态特征，生成短视频向量表征。对于一个用户的点击行为序列
Figure BDA0002773977840000011
可以表示为X＝[x1,…,xn],其中xj由
Figure BDA0002773977840000012
和
Figure BDA0002773977840000013
两种模态构成，
Figure BDA0002773977840000014
是短视频的封面图特征向量，
Figure BDA0002773977840000015
是短视频的文本特征向量，d是特征向量xj的长度。本方法中采用最简单的连接方式将两种模态信息融合，如下：
Figure BDA0002773977840000016
其中，
Figure BDA0002773977840000017
分别是第j个短视频的封面和文本特征，CONCAT方法表示将两种模态的向量直接连接生成新的向量。
根据所有用户历史交互序列，构建短视频图网络。为了捕捉短视频和短视频之间的转移关系，我们从所有用户序列中构建物品图网络T。给定一个用户交互序列X＝[x1,…,xn]，任一短视频xj为图T的节点，(xj-1,xj)为图网络T的边，(xj-1,xj)表示一个用户点击短视频xj-1后点击短视频xj。图的边数值属性为边(xj-1,xj)出现的次数。为了降低在线计算复杂度，本发明采用离线文件存储每个节点在图网络T中的邻居节点。
根据短视频图网络T，生成短视频多层向量表征
Figure BDA0002773977840000018
令：
Figure BDA0002773977840000019
其中，k代表在图网络T中的搜索深度，k的最大深度由搜索深度参数L控制。
Figure BDA00027739778400000110
代表节点xj在k层的向量表征，B(j)为物品图网络T中短视频xj的邻居集合，按照图T边由大到小排序采样(sampling)获得。非线性函数函数f表示将节点xj的邻居节点信息融合到节点xj中，函数f具体为：
Figure BDA0002773977840000021
Figure BDA0002773977840000022
其中，BB(j)为物品图网络T中短视频xj的邻居集合，Wk是图参数，σ为sigmoid函数，CONCAT表示向量连接操作。AGGREGATE函数采用的最大池化(max-pooling)方法：
Figure BDA0002773977840000023
其中，B(j)为物品图网络T中短视频xj的邻居集合，Wpool是网络参数，b是偏置，σ为sigmoid函数。max代表元素级别的max操作，可以有效捕捉邻居的各个方面属性。
根据短视频多层的向量表征
Figure BDA0002773977840000024
采用改进的胶囊网络生成用户兴趣表征
Figure BDA0002773977840000025
Figure BDA0002773977840000026
Figure BDA0002773977840000027
其中，k表示深度，
Figure BDA0002773977840000028
是用户序列的第j个短视频胶囊到兴趣胶囊i的转换矩阵，不同深度k下的空间转换矩阵Wj,i相同，且兴趣胶囊i的个数是M。
Figure BDA0002773977840000029
是连接系数，代表
Figure BDA00027739778400000210
的权重，
Figure BDA00027739778400000211
参数采用动态路由算法更新。g是胶囊网络中常用的向量激活函数(squash),公式如下：
Figure BDA00027739778400000212
其中，||·||代表向量的长度。为了增加兴趣胶囊之间的区分性，我们进一步改进
Figure BDA00027739778400000213
的更新方式，原先的动态路由计算方式为：
Figure BDA00027739778400000214
改进之后的动态路由计算方式为：
Figure BDA00027739778400000215
其中，k表示深度，
Figure BDA00027739778400000216
是深度k下的输入胶囊j到输出胶囊i的连接系数且初始化为0。τ是温度系数，当τ→0+，输出兴趣胶囊趋向于只关注一个输入胶囊；而当τ→∞，输入胶囊对于输出兴趣胶囊的作用趋于一致。可以看出本方法改动之处有两点：第一点是增加温度系数，第二点是更改原先动态路由算法的归一化(normalization)方式，原先应用在图像领域的胶囊网络中的动态路由算法用于分类，本方法用于聚类，即将表示相同兴趣的短视频特征聚合到一起。
根据用户兴趣表征
Figure BDA00027739778400000217
预测用户对目标短视频xnew的点击率。给定用户兴趣胶囊
Figure BDA00027739778400000218
计算用户点击目标短视频xnew的概率为：
Figure BDA00027739778400000219
Figure BDA00027739778400000220
Figure BDA00027739778400000221
其中，
Figure BDA00027739778400000222
为用户的第k层的第i个兴趣表征，xnew为目标短视频。参数
Figure BDA00027739778400000223
和参数W1,
Figure BDA00027739778400000224
控制每个兴趣表征的权重，d代表兴趣表征的维度,参数c是偏置参数。
Figure BDA00027739778400000225
和
Figure BDA00027739778400000226
是转移矩阵，
Figure BDA00027739778400000227
Figure BDA00027739778400000228
是偏置向量，b3是偏置标量。σ是sigmoid激活函数。
根据模型特性，设计损失函数。通过用户对目标短视频的点击率预测值
Figure BDA00027739778400000229
计算预测值
Figure BDA00027739778400000230
和真实值y之间的误差，进而使用误差来更新模型参数。我们采用交叉熵损失函数来指导模型参数的更新过程：
Figure BDA0002773977840000031
其中，y∈{0,1}是真实值，代表用户是否点击了目标短视频。σ是sigmoid函数。最后采用Adam优化器更新模型参数。
为了验证本发明在短视频点击率预测中的技术效果，我们采用公开的短视频数据做实验，从指标AUC、P@50、R@50和F@50上来看，效果较最新的点击率预测方法有了显著的提升。本发明的有益技术效果如下：
(1)本发明通过所有用户历史交互序列，构建关于短视频的图网络，捕捉短视频和短视频之间的复杂转移关系，降低数据的稀疏性。
(2)本发明提出了一种基于图胶囊网络的短视频点击率预测方法，该方法利用胶囊网络，从用户的序列信息中抽象出用户的兴趣点，进而得到更准确的预测。
(3)本发明融合短视频的图像和文本两种模态特征，缓解数据的稀疏性。
附图说明
图1为本发明方法的流程示意图；
图2为本发明方法的模型框架图。
具体实施方式
为了更为具体地描述本发明，下面结合附图及具体实施方案对本发明的技术方案进行详细说明。
短视频点击率预测任务是建立一个模型去预测用户点击短视频的概率。用户历史序列表示为
Figure BDA0002773977840000032
Figure BDA0002773977840000033
其中xj代表第j个短视频，l是序列的长度。因此，短视频点击率预测问题可以表示成：输入用户点击序列
Figure BDA0002773977840000034
以及目标短视频xnew，来预测用户对目标短视频xnew的点击率。
为此，本发明提出了一种基于图胶囊网络的短视频点击率预测方法。它根据用户的对短视频的点击序列信息，挖掘出用户的兴趣特征，预测用户对目标短视频的点击率。本方法主要由四个部分组成，如图2所示。第一部分将多模态信息融合，得到短视频向量表征；第二部分构建短视频图网络，并将用户序列输入到图网络中，生成多层的短视频向量表征；第三部分采用胶囊网络从用户的历史序列中抽象出用户的多兴趣向量表征；第四部分根据用户的多兴趣向量表征，预测用户对目标短视频的点击率。
如图1所示，按照本发明的一个实施例，本方法包括如下步骤：
S100，融合短视频多模态特征，生成短视频向量表征。对于一个用户的点击行为序列
Figure BDA0002773977840000035
可以表示为X＝[x1,…,xn],其中xj由
Figure BDA0002773977840000036
和
Figure BDA0002773977840000037
两种模态构成，
Figure BDA0002773977840000038
是短视频的封面图特征向量，
Figure BDA0002773977840000039
是短视频的文本特征向量，d是特征向量xj的长度。本方法中采用最简单的连接方式将两种模态信息融合，如下：
Figure BDA00027739778400000310
其中，
Figure BDA00027739778400000311
分别是第j个短视频的封面和文本特征，CONCAT方法表示将两种模态的向量直接连接生成新的向量。
S200，根据所有用户历史交互序列，构建短视频图网络。为了捕捉短视频和短视频之间的转移关系，我们从所有用户序列中构建物品图网络T。给定一个用户交互序列X＝[x1,…,xn]，任一短视频xj为图T的节点，(xj-1,xj)为图网络T的边，(xj-1,xj)表示一个用户点击短视频xj-1后点击短视频xj。图的边数值属性为边(xj-1,xj)出现的次数。为了降低在线计算复杂度，本发明采用离线文件存储每个节点在图网络T中的邻居节点。
S300，根据短视频图网络T，生成短视频多层向量表征
Figure BDA00027739778400000312
令：
Figure BDA00027739778400000313
其中，k代表在图网络T中的搜索深度，k的最大深度由搜索深度参数L控制，本方法中搜索深度参数L设置为2。
Figure BDA0002773977840000041
代表节点xj在k层的向量表征，B(j)为物品图网络T中短视频xj的邻居集合，按照图T边由大到小排序采样(sampling)获得。非线性函数f表示将节点xj的邻居节点信息融合到节点xj中，函数f具体为：
Figure BDA0002773977840000042
Figure BDA0002773977840000043
其中，B(j)为物品图网络T中短视频xj的邻居集合，Wk是图参数，σ为sigmoid函数，CONCAT表示向量连接操作。AGGREGATE函数采用的最大池化(max-pooling)方法：
Figure BDA0002773977840000044
其中，B(j)为物品图网络T中短视频xj的邻居集合，Wpool是网络参数，b是偏置，σ为sigmoid函数。max代表元素级别的max操作，可以有效捕捉邻居的各个方面属性
S400，根据短视频多层的向量表征
Figure BDA0002773977840000045
采用改进的胶囊网络生成用户兴趣表征
Figure BDA0002773977840000046
Figure BDA0002773977840000047
Figure BDA0002773977840000048
其中，k表示深度，
Figure BDA0002773977840000049
是用户序列的第j个短视频胶囊到兴趣胶囊i的转换矩阵，不同深度k下的空间转换矩阵Wj,i相同，且兴趣胶囊i的个数是M，本方法中通过实验验证设置为5。
Figure BDA00027739778400000410
是连接系数，代表
Figure BDA00027739778400000411
的权重，
Figure BDA00027739778400000412
参数采用动态路由算法更新。g是胶囊网络中常用的向量激活函数(squash),公式如下：
Figure BDA00027739778400000413
其中，||·||代表向量的长度。为了增加兴趣胶囊之间的区分性，我们进一步改进
Figure BDA00027739778400000414
的更新方式，原先的动态路由计算方式为：
Figure BDA00027739778400000415
改进之后的动态路由计算方式为：
Figure BDA00027739778400000416
其中，k表示深度，
Figure BDA00027739778400000417
是深度k下的输入胶囊j到输出胶囊i的连接系数且初始化为0。τ是温度系数，实验证明在本数据中τ＝0.8效果最好。当τ→0+，输出兴趣胶囊趋向于只关注一个输入胶囊；而当τ→∞，输入胶囊对于输出兴趣胶囊的作用趋于一致。可以看出本方法改动之处有两点：第一点是增加温度系数，第二点是更改原先动态路由算法的归一化(normalization)方式，原先应用在图像领域的胶囊网络中的动态路由算法用于分类，本方法用于聚类，即将表示相同兴趣的短视频特征聚合到一起。
S500，根据用户兴趣表征
Figure BDA00027739778400000418
预测目标短视频xnew的点击率。给定用户兴趣胶囊
Figure BDA00027739778400000419
计算用户点击目标短视频xnew的概率为：
Figure BDA00027739778400000420
Figure BDA00027739778400000421
Figure BDA00027739778400000422
其中，
Figure BDA00027739778400000423
为用户的第k层的第i个兴趣表征，xnew为目标短视频。参数
Figure BDA00027739778400000424
和参数W1,
Figure BDA00027739778400000425
控制每个兴趣表征的权重，d代表兴趣表征的维度,参数c是偏置参数。
Figure BDA00027739778400000426
和
Figure BDA00027739778400000427
是转移矩阵，
Figure BDA00027739778400000428
Figure BDA0002773977840000051
是偏置向量，b3是偏置标量。σ是sigmoid激活函数。
S600，根据模型特性，设计损失函数。通过用户对目标短视频的点击率预测值
Figure BDA0002773977840000052
计算预测值
Figure BDA0002773977840000053
和真实值y之间的误差，进而使用误差来更新模型参数。我们采用交叉熵损失函数来指导模型参数的更新过程：
Figure BDA0002773977840000054
其中，y∈{0,1}是真实值，代表用户是否点击了目标短视频。σ是sigmoid函数。我们采用Adam优化器更新模型参数。
上述对实施例的描述是为方便于本技术领域的普通技术人员能理解和应用本发明。熟悉本领域技术的人员显然可以容易地对上述实施例做出各种修改，并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此，本发明不限于上述实施例，本领域技术人员根据本发明的揭示，对于本发明做出的改进和修改都应该在本发明的保护范围之内。

Claims (3)

1.一种基于图胶囊网络的短视频点击率预测方法，其特征在于：
融合短视频多模态特征，生成短视频向量表征；对于当前用户的点击行为序列X＝[x1，…，xn]，xj由短视频的封面特征
Figure FDA0003064105070000011
和文本特征
Figure FDA0003064105070000012
两种模态构成，如下：
Figure FDA0003064105070000013
其中，CONCAT方法表示将两种模态的向量直接连接生成新的向量，
Figure FDA0003064105070000014
是短视频的封面图特征向量，
Figure FDA0003064105070000015
是短视频的文本特征向量，短视频特征向量xj的长度为d；
根据所有用户的历史点击行为序列，构建短视频图网络T；
根据短视频图网络T，生成短视频多层向量表征
Figure FDA0003064105070000016
令：
Figure FDA0003064105070000017
其中，k代表在短视频图网络T中的搜索深度，k的最大深度由搜索深度参数L控制，
Figure FDA0003064105070000018
代表节点xj在k层的向量表征；B(j)为短视频图网络T中短视频xj的邻居集合，按照图T边由大到小排序采样sampling获得；非线性函数f表示将节点xj的邻居节点信息融合到节点xj中；
根据短视频的多层向量表征
Figure FDA0003064105070000019
采用改进的胶囊网络生成用户兴趣表征
Figure FDA00030641050700000110
Figure FDA00030641050700000111
Figure FDA00030641050700000112
其中，k表示深度，
Figure FDA00030641050700000113
是当前用户行为序列X＝[x1，…，xn]的第j个短视频胶囊到兴趣胶囊i的转换矩阵，不同深度k下的空间转换矩阵Wj，i相同，且兴趣胶囊i的个数是M；g是胶囊网络中常用的squash激活函数；用户兴趣表征
Figure FDA00030641050700000114
的向量长度为d；
Figure FDA00030641050700000115
是连接系数，代表
Figure FDA00030641050700000116
的权重，
Figure FDA00030641050700000117
参数采用添加了温度系数和改变了归一化方式的动态路由算法更新：
Figure FDA00030641050700000118
其中，k表示深度，参数
Figure FDA00030641050700000119
是深度k下的输入胶囊j到输出胶囊i的连接系数且初始化为0；τ是温度系数，当τ→0+，输出兴趣胶囊趋向于只关注一个输入胶囊，而当τ→∞，输入胶囊对于输出兴趣胶囊的作用趋于一致；本方法改动之处有两点：第一点是增加温度系数，第二点是更改原先动态路由算法的归一化normalization方式；
根据用户兴趣表征
Figure FDA00030641050700000120
预测用户对目标短视频的点击率：
Figure FDA00030641050700000121
Figure FDA00030641050700000122
Figure FDA00030641050700000123
其中，
Figure FDA00030641050700000124
为用户的第k层的第i个兴趣表征，xnew为目标短视频向量表征；参数
Figure FDA00030641050700000125
和参数
Figure FDA00030641050700000126
控制每个兴趣表征的权重，d既是短视频特征向量的长度又是用户兴趣表征的长度，参数c是偏置参数；
Figure FDA00030641050700000127
Figure FDA00030641050700000128
和
Figure FDA00030641050700000129
是转移矩阵，
Figure FDA00030641050700000130
是偏置向量，b2是偏置标量；σ是sigmoid激活函数；
根据模型特性，设计损失函数；通过用户对目标短视频的点击率预测值
Figure FDA00030641050700000131
计算预测值
Figure FDA00030641050700000132
和真实值y之间的误差，进而使用误差来更新模型参数；最后采用交叉熵损失函数来指导模型参数的更新过程：
Figure FDA00030641050700000133
其中，y∈{0，1}是真实值，代表用户是否点击了目标短视频；σ是sigmoid函数；最后采用Adam优化器更新模型参数。
2.根据权利要求1所述的一种基于图胶囊网络的短视频点击率预测方法，其特征在于：所述短视频图网络T构造方法为：
给定一个用户uτ历史点击行为序列Xτ＝[x1，…，xl]，l是用户uτ的行为序列Xτ的长度，任一短视频xj为图T的节点，(xj-1，xj)为图网络T的边，(xj-1，xj)表示一个用户点击短视频xj-1后点击短视频xj；图的边数值属性为边(xj-1，xj)出现的次数；最后为了降低在线计算复杂度，采用离线文件存储每个节点在短视频图网络T中的邻居节点。
3.根据权利要求1所述的一种基于图胶囊网络的短视频点击率预测方法，其特征在于：所述将节点xj的邻居节点信息融合到节点xj中的非线性函数f为：
Figure FDA0003064105070000021
Figure FDA0003064105070000022
其中，B(j)为短视频图网络T中短视频xj的邻居集合，Wk是图参数，σ为sigmoid函数，CONCAT表示向量连接操作；AGGREGATE函数采用的最大池化max-pooling方法：
Figure FDA0003064105070000023
其中，B(j)为短视频图网络T中短视频xj的邻居集合，Wpoo1是网络参数，b是偏置向量bias vector，σ为sigmoid函数；max代表元素级别的max操作，可以有效捕捉邻居的各个方面属性。
CN202011258889.5A 2020-11-12 2020-11-12 一种基于图胶囊网络的短视频点击率预测方法 Active CN112256916B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011258889.5A CN112256916B (zh) 2020-11-12 2020-11-12 一种基于图胶囊网络的短视频点击率预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011258889.5A CN112256916B (zh) 2020-11-12 2020-11-12 一种基于图胶囊网络的短视频点击率预测方法

Publications (2)

Publication Number Publication Date
CN112256916A CN112256916A (zh) 2021-01-22
CN112256916B true CN112256916B (zh) 2021-06-18

Family

ID=74265600

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011258889.5A Active CN112256916B (zh) 2020-11-12 2020-11-12 一种基于图胶囊网络的短视频点击率预测方法

Country Status (1)

Country Link
CN (1) CN112256916B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112905886B (zh) * 2021-02-22 2022-02-08 中国计量大学 一种基于多兴趣重复网络的会话推荐方法
CN113936040B (zh) * 2021-10-15 2023-09-15 哈尔滨工业大学 基于胶囊网络和自然语言查询的目标跟踪方法
CN117112834B (zh) * 2023-10-24 2024-02-02 苏州元脑智能科技有限公司 视频的推荐方法和装置、存储介质及电子装置

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107818183A (zh) * 2017-12-05 2018-03-20 云南大学 一种基于三阶段组合推荐技术的党建视频推送方法
CN109547814A (zh) * 2018-12-13 2019-03-29 北京达佳互联信息技术有限公司 视频推荐方法、装置、服务器及存储介质
WO2019083553A1 (en) * 2017-10-27 2019-05-02 Google Llc NEURONAL NETWORKS IN CAPSULE
CN109862432A (zh) * 2019-01-31 2019-06-07 厦门美图之家科技有限公司 点击率预测方法和装置
CN109905772A (zh) * 2019-03-12 2019-06-18 腾讯科技（深圳）有限公司 视频片段查询方法、装置、计算机设备及存储介质
CN110992079A (zh) * 2019-11-08 2020-04-10 华南理工大学 一种基于时间序列填补的商品点击率预测方法
CN111125537A (zh) * 2019-12-31 2020-05-08 中国计量大学 一种基于图表征的会话推荐方法
CN111402014A (zh) * 2020-06-04 2020-07-10 江苏省质量和标准化研究院 一种基于胶囊网络的电商缺陷产品的预测方法
CN111460331A (zh) * 2020-04-07 2020-07-28 中国计量大学 一种基于时空图的会话推荐方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109410575B (zh) * 2018-10-29 2020-05-01 北京航空航天大学 一种基于胶囊网络和嵌套式长短时记忆神经网络的路网状态预测方法
CN110119449B (zh) * 2019-05-14 2020-12-25 湖南大学 一种基于序列增强胶囊网络的刑事案件罪名预测方法
CN110991464B (zh) * 2019-11-08 2023-05-23 华南理工大学 一种基于深度多模态数据融合的商品点击率预测方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019083553A1 (en) * 2017-10-27 2019-05-02 Google Llc NEURONAL NETWORKS IN CAPSULE
CN107818183A (zh) * 2017-12-05 2018-03-20 云南大学 一种基于三阶段组合推荐技术的党建视频推送方法
CN109547814A (zh) * 2018-12-13 2019-03-29 北京达佳互联信息技术有限公司 视频推荐方法、装置、服务器及存储介质
CN109862432A (zh) * 2019-01-31 2019-06-07 厦门美图之家科技有限公司 点击率预测方法和装置
CN109905772A (zh) * 2019-03-12 2019-06-18 腾讯科技（深圳）有限公司 视频片段查询方法、装置、计算机设备及存储介质
CN110992079A (zh) * 2019-11-08 2020-04-10 华南理工大学 一种基于时间序列填补的商品点击率预测方法
CN111125537A (zh) * 2019-12-31 2020-05-08 中国计量大学 一种基于图表征的会话推荐方法
CN111460331A (zh) * 2020-04-07 2020-07-28 中国计量大学 一种基于时空图的会话推荐方法
CN111402014A (zh) * 2020-06-04 2020-07-10 江苏省质量和标准化研究院 一种基于胶囊网络的电商缺陷产品的预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Dynamic Routing Between Capsules;Sara Sabour et al.;《https://arxiv.org/pdf/1710.09829.pdf》;20171107;全文 *
一种基于胶囊网络的图像检索方法;黄静等;《电脑与电信》;20200908(第6期);全文 *
看完这篇，别说你还不懂HINTON大神的胶囊网络;王圣元;《https://sohu.com/a/226611009_633698》;20180328;全文 *

Also Published As

Publication number Publication date
CN112256916A (zh) 2021-01-22

Similar Documents

Publication Publication Date Title
Zhao et al. Deep reinforcement learning for list-wise recommendations
CN112256916B (zh) 一种基于图胶囊网络的短视频点击率预测方法
CN111061856B (zh) 一种基于知识感知的新闻推荐方法
CN109190030B (zh) 融合node2vec和深度神经网络的隐式反馈推荐方法
CN111125537A (zh) 一种基于图表征的会话推荐方法
CN112256918B (zh) 一种基于多模态动态路由的短视频点击率预测方法
CN114282077A (zh) 一种基于会话数据的会话推荐方法及***
CN112307258B (zh) 一种基于双层胶囊网络的短视频点击率预测方法
Hou et al. A deep reinforcement learning real-time recommendation model based on long and short-term preference
CN112199550B (zh) 一种基于情感胶囊网络的短视频点击率预测方法
CN113051468B (zh) 一种基于知识图谱和强化学习的电影推荐方法及***
CN112559904B (zh) 一种基于门机制和多模态图网络的会话社交推荐方法
CN111815410B (zh) 基于选择性邻域信息的商品推荐方法
CN112364245B (zh) 基于异构信息网络嵌入的Top-K电影推荐方法
CN112307257B (zh) 一种基于多信息节点图网络的短视频点击率预测方法
CN113590976A (zh) 一种空间自适应图卷积网络的推荐方法
CN116452293A (zh) 一种融合物品受众特征的深度学习推荐方法及***
CN115599990A (zh) 一种知识感知结合深度强化学习的跨域推荐方法及***
Zhang et al. Hybrid recommendation system with graph neural collaborative filtering and local self-attention mechanism
Liu et al. A maximizing dominance degree model based on trust relationships and TODIM method to reach group consensus
CN112616072B (zh) 一种基于用户正负反馈信息的短视频点击率预测方法
Wei et al. A novel image recommendation model based on user preferences and social relationships
CN113704440B (zh) 一种基于物品图网络中路径表征的会话推荐方法
Wang et al. HGCR: A heterogeneous graph enhanced interactive course recommendation scheme for online learning
Xu et al. Graph Neural Network for User-Item Recommendation

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20231129

Address after: Room 407-10, floor 4, building 2, Haichuang science and technology center, Cangqian street, Yuhang District, Hangzhou City, Zhejiang Province, 311100

Patentee after: Zhejiang Zhiduo Network Technology Co.,Ltd.

Address before: 310018, No. 258, source street, Xiasha Higher Education Park, Hangzhou, Zhejiang

Patentee before: China Jiliang University

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20231206

Address after: Room 412, Building 1, Chutian Technology Building, No. 225 Chutian Road, Xixing Street, Binjiang District, Hangzhou City, Zhejiang Province, 310051

Patentee after: Xingchuang Engine (Hangzhou) Network Media Co.,Ltd.

Address before: Room 407-10, floor 4, building 2, Haichuang science and technology center, Cangqian street, Yuhang District, Hangzhou City, Zhejiang Province, 311100

Patentee before: Zhejiang Zhiduo Network Technology Co.,Ltd.