CN112380389A - 一种视频推荐方法、装置、电子设备和可读存储介质 - Google Patents
一种视频推荐方法、装置、电子设备和可读存储介质 Download PDFInfo
- Publication number
- CN112380389A CN112380389A CN202011293697.8A CN202011293697A CN112380389A CN 112380389 A CN112380389 A CN 112380389A CN 202011293697 A CN202011293697 A CN 202011293697A CN 112380389 A CN112380389 A CN 112380389A
- Authority
- CN
- China
- Prior art keywords
- matrix
- sample video
- scoring
- user
- processing
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 239000011159 matrix material Substances 0.000 claims abstract description 153
- 238000012545 processing Methods 0.000 claims abstract description 60
- 238000011156 evaluation Methods 0.000 claims abstract description 10
- 238000004590 computer program Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 230000009467 reduction Effects 0.000 claims description 9
- 238000000354 decomposition reaction Methods 0.000 claims description 5
- 238000012417 linear regression Methods 0.000 claims description 3
- 230000010365 information processing Effects 0.000 abstract description 2
- 230000009286 beneficial effect Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 230000003287 optical effect Effects 0.000 description 4
- 229920001621 AMOLED Polymers 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000010485 coping Effects 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000002096 quantum dot Substances 0.000 description 1
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
- G06F16/783—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
- G06F16/7847—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using low-level visual features of the video content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Library & Information Science (AREA)
- Algebra (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
Abstract
本发明涉及多媒体信息处理技术领域,具体涉及一种视频推荐方法和装置。所述方法包括:获取样本视频评分集;其中所述样本视频评分集为评分用户对样本视频集的评分数据矩阵R;处理所述样本视频评分集分别获取样本视频隐藏特征矩阵A和评分用户隐藏特征矩阵B;分别获取样本视频显示特征和评分用户显示特征;根据所述矩阵A和B,分别将所述获取的样本视频显示特征和评分用户显示特征处理为样本视频显示特征矩阵C和评分用户显示特征矩阵D;根据预设处理策略,对所述矩阵C和矩阵D进行处理并得到矩阵G;根据矩阵G对所有视频进行评分预测并根据所述评分预测结果向目标用户推荐视频。
Description
技术领域
本发明涉及多媒体信息处理技术领域,具体涉及一种视频推荐方法一种视频推荐方法、装置、电子设备和可读存储介质。
背景技术
目前互联网视频内容资源丰富,帮助用户从丰富的视频资源中筛选出用户感兴趣或需要的视频这一需求日益突出,推荐***就是解决这一需求的有效途径,而推荐算法是影响推荐***功能实现的关键。目前主流成功的推荐方案是基于协同过滤算法的推荐方案,虽然推协同过滤算法取得了辉煌成就,但仍存在不少难题亟待解决,比如数据稀疏性问题。由于目前网络上供用户观看的电影数量庞大、类型多样,绝大多数用户都只看过其中小部分的电影,导致用户对电影的评分矩阵存在数据稀疏性的问题,而数据稀疏性的问题会严重影响电影推荐的准确性。
发明内容
本申请的目的旨在至少能解决上述的技术缺陷之一。本申请所采用的技术方案如下:
第一方面,本申请实施例公开了一种视频推荐方法,所述方法包括:
获取样本视频评分集;其中所述样本视频评分集为评分用户对样本视频集的评分数据矩阵R;
处理所述样本视频评分集分别获取样本视频隐藏特征矩阵A和评分用户隐藏特征矩阵B;
分别获取样本视频显示特征和评分用户显示特征;
根据所述矩阵A和B,分别将所述获取的样本视频显示特征和评分用户显示特征处理为样本视频显示特征矩阵C和评分用户显示特征矩阵D;
根据预设处理策略,对所述矩阵C和矩阵D进行处理并得到矩阵G;
根据矩阵G对所有视频进行评分预测并根据所述评分预测结果向目标用户推荐视频。
可选地,所述样本视频评分集为MovieLens 1M数据集中的评分矩阵表。
进一步地,所述处理所述样本视频评分集分别获取样本视频隐藏特征矩阵A和评分用户隐藏特征矩阵B包括:
利用MF矩阵分解算法对矩阵R进行分解获取到样本视频隐藏特征矩阵A和评分用户隐藏特征矩阵B;
其中R∈RN×M,其中N为用户数量,M为电影数量;
A∈AK×M;B∈BN×K;其中K代表隐藏特征维度数量。
进一步地,分别获取样本视频显示特征和评分用户显示特征包括:从MovieLens1M数据集的用户信息和视频信息文本中分别解析出评分用户显示特征和样本视频显示特征。
进一步地,所述根据所述矩阵A和B,分别将所述获取的样本视频显示特征和评分用户显示特征处理为样本视频显示特征矩阵C和评分用户显示特征矩阵D包括:
将所述获取的样本视频显示特征和评分用户显示特征处理为样本视频显示特征矩阵C和评分用户显示特征矩阵D;其中,
所述样本视频显示特征矩阵C∈CI×M;其中I为样本视频显示特征维度数量;
所述评分用户显示特征矩阵D∈DN×J;其中J为评分用户显示特征维度数量。
进一步地,所述根据预设处理策略,对所述矩阵C和矩阵D进行处理并得到矩阵G包括:
利用LR线性回归算法分别对矩阵C和矩阵D做降维处理分别得到矩阵E和矩阵F;其中矩阵E∈EH×M,F∈FN×H,其中H<I,H<J;
将矩阵E和矩阵F相乘得到矩阵G。
第二方面,本申请实施例提供了一种视频推荐装置,所述装置包括:接口模块、处理模块、预测模块和推荐模块;其中,
所述接口模块,用于获取样本视频评分集;其中所述样本视频评分集为评分用户对样本视频集的评分数据矩阵R;
所述处理模块,用于处理所述样本视频评分集分别获取样本视频隐藏特征矩阵A和评分用户隐藏特征矩阵B;
所述接口模块,还用于分别获取样本视频显示特征和评分用户显示特征;
所述处理模块,用于根据所述矩阵A和B,分别将所述获取的样本视频显示特征和评分用户显示特征处理为样本视频显示特征矩阵C和评分用户显示特征矩阵D;
所述处理模块,还用于根据预设处理策略,对所述矩阵C和矩阵D进行处理并得到矩阵G;
所述预测模块,用于根据矩阵G对所有视频进行评分预测;
所述推荐模块,用于根据所述评分预测结果向目标用户推荐视频。
可选地,所述接口模块获取的样本视频评分集为MovieLens 1M数据集中的评分矩阵表。
第三方面,本申请实施例提供了一种电子设备,包括处理器和存储器;
所述存储器,用于存储操作指令;
所述处理器,用于通过调用所述操作指令,执行上述任一实施例中所述的方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,所述存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一实施例所述的方法。
本申请的有益效果是基于优化降维算法,具体为使用两种降维方法对获取样本视频评分集矩阵进行二次降维,并将用户的显式特征量化加入到推荐过程,从而达到更好地应对数据稀疏,充分利用用户信息,提高推荐准确性的目的。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对本申请实施例描述中所需要使用的附图作简单地介绍。
图1为本申请实施例提供的一种视频推荐方法的流程示意图;
图2为本申请实施例提供的一种视频推荐装置的示意图;
图3为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本申请,而不能解释为对本发明的限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式,其中的“第一”“第二”等只是为了介绍清楚方案而进行的对象区分定义,并不对对象本身进行限制,当然“第一”和“第二”限定的对象可能是同一个终端、设备和用户等,也可能是同一种终端、设备和用户。应该进一步理解的是,本申请的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
此外应理解,本申请实施例中“至少一个”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B的情况,其中A、B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一(项)个”或其类似表达,是指的这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a、b或c中的至少一项(个),可以表示:a,b,c,a和b,a和c,b和c,或a、b和c,其中a、b、c可以是单个,也可以是多个。
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
下面介绍一些下面实施例可能用到或用于辅助解释实施例技术方案的概念、术语或装置:
MovieLens 1M数据集含有来自6000名用户对4000部电影的100万条评分数据。它分为三个表:评分、用户信息和电影信息。将该数据从zip文件中解压出来之后,可以通过pandas.read_table将各个表分别读到一个pandas DataFrame对象中。
Spark是分布式的基于内存的迭代式计算框架,当然它也可以基于磁盘做迭代计算,Spark是基于内存的一种迭代式计算框架,其处理的数据可以来自于任何一种存储介质,如:关系数据库、本地文件***、分布式存储、网络Socket字节流等。
MF(Matrix Factorization)矩阵分解MF算法,同时兼具了协同过滤,隐语义分析和有监督学习的特性,加上矩阵分解的易实现性和高拓展性,成为推荐领域非常经典的算法。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本申请的实施例进行描述。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本申请的实施例进行描述。
图1示出了本申请实施例提供的一种视频推荐的流程示意图,如图1所示,该方法主要可以包括:
S101、获取样本视频评分集;其中所述样本视频评分集为评分用户对样本视频集的评分数据矩阵R;其中R∈RN×M,其中N为用户数量,M为电影数量;
在本申请实施例中,所述样本视频评分集为MovieLens 1M数据集中的评分矩阵表。
S102、处理所述样本视频评分集分别获取样本视频隐藏特征矩阵A和评分用户隐藏特征矩阵B;
具体地,所述处理所述样本视频评分集分别获取样本视频隐藏特征矩阵A和评分用户隐藏特征矩阵B包括:利用MF矩阵分解算法对矩阵R进行分解获取到样本视频隐藏特征矩阵A和评分用户隐藏特征矩阵B,其中A∈AK×M;B∈BN×K;其中K代表隐藏特征维度数量。
S103、分别获取样本视频显示特征和评分用户显示特征;
具体为,从MovieLens 1M数据集的用户信息和视频信息文本中分别解析出评分用户显示特征和样本视频显示特征。用户的显示特征包括但不限于用户的性别、年龄、职业等维度。视频的显示特征包括但不限于视频的各种分类标准和标准下的具体类型等维度,例如恐怖、动作、爱情等。引入显示特征能够可获得更好的推荐效果。
S104、根据所述矩阵A和B,分别将所述获取的样本视频显示特征和评分用户显示特征处理为样本视频显示特征矩阵C和评分用户显示特征矩阵D;
在本申请实施例中,将所述获取的样本视频显示特征和评分用户显示特征处理为样本视频显示特征矩阵C和评分用户显示特征矩阵D;其中,所述样本视频显示特征矩阵C∈CI×M;其中I为样本视频显示特征维度数量;所述评分用户显示特征矩阵D∈DN×J;其中J为评分用户显示特征维度数量。本申请将这些显式特征数值化后与MF矩阵分解出来的隐式特征矩阵结合,以提高推荐准确度。
S105、根据预设处理策略,对所述矩阵C和矩阵D进行处理并得到矩阵G;
具体地,根据预设处理策略,对所述矩阵C和矩阵D的处理过程为:首先利用LR线性回归算法分别对矩阵C和矩阵D做降维处理分别得到矩阵E和矩阵F;其中矩阵E∈EH×M,F∈FN ×H,其中H<I,H<J;其次将矩阵E和矩阵F相乘得到矩阵G。
S106、根据矩阵G对所有视频进行评分预测并根据所述评分预测结果向目标用户推荐视频。
在本申请实施例中矩阵G实现了对资源库中的所有视频资源的评分预设结果,这样可以根据得到的视频预测评分值以及用户类型为用户推荐满足其类型的高评分视频或电影,当然推荐规则可以接受用户的自定义修改。
基于图1所示的视频推荐方法,另一方面本申请实施例提供了一种视频推荐装置,所述装置如图2所示,所述装置可以包括:201接口模块、202处理模块、203预测模块和204推荐模块;其中,
所述201接口模块,用于获取样本视频评分集;其中所述样本视频评分集为评分用户对样本视频集的评分数据矩阵R;
所述202处理模块,用于处理所述样本视频评分集分别获取样本视频隐藏特征矩阵A和评分用户隐藏特征矩阵B;
所述201接口模块,还用于分别获取样本视频显示特征和评分用户显示特征;
所述202处理模块,用于根据所述矩阵A和B,分别将所述获取的样本视频显示特征和评分用户显示特征处理为样本视频显示特征矩阵C和评分用户显示特征矩阵D;
所述202处理模块,还用于根据预设处理策略,对所述矩阵C和矩阵D进行处理并得到矩阵G;
所述203预测模块,用于根据矩阵G对所有视频进行评分预测;
所述204推荐模块,用于根据所述评分预测结果向目标用户推荐视频。
可选地,所述201接口模块获取的样本视频评分集为MovieLens 1M数据集中的评分矩阵表。
可以理解的是,本实施例中的视频推荐装置的上述各组成设备具有实现图1中所示的实施例中的方法相应步骤的功能。该功能可以通过硬件实现,也可以通过硬件执行相应的软件实现。该硬件或软件包括一个或多个与上述功能相对应的模块或***。上述模块和***可以是软件和/或硬件,上述各模块和***可以单独实现,也可以多个模块和***集成实现。对于上述各模块和***的功能描述具体可以参见图1中所示实施例中的方法的对应描述,因此,其所能达到的有益效果可参考上文所提供的对应的方法中的有益效果,此处不再赘述。
可以理解的是,本发明实施例示意的结构并不构成对视频推荐装置的具体结构的具体限定。在本申请另一些实施例中,视频推荐装置可以包括比图示更多或更少的部件,或者组合某些部件,或者拆分某些部件,或者不同的部件布置。图示的部件可以以硬件,软件或软件和硬件的组合实现。
本申请实施例提供了一种电子设备,包括处理器和存储器;
存储器,用于存储操作指令;
处理器,用于通过调用操作指令,执行本申请任一实施方式中所提供的视频推荐方法。
作为一个示例,图3示出了本申请实施例所适用的一种电子设备的结构示意图,如图3所示,该电子设备300包括:处理器301和存储器303。其中,处理器301和存储器303相连,如通过总线302相连。可选的,电子设备300还可以包括收发器304。需要说明的是,实际应用中收发器304不限于一个。可以理解的是,本发明实施例示意的结构并不构成对电子设备300的具体结构的具体限定。在本申请另一些实施例中,电子设备300可以包括比图示更多或更少的部件,或者组合某些部件,或者拆分某些部件,或者不同的部件布置。图示的部件可以以硬件,软件或软件和硬件的组合实。可选地,电子设备还可以包括显示屏305,用于显示图像,或需要时接收用户的操作指令。
其中,处理器301应用于本申请实施例中,用于实现上述方法实施例所示的方法。收发器304可以包括接收机和发射机,收发器304应用于本申请实施例中,用于执行时实现本申请实施例的电子设备与其他设备通信的功能。
处理器301可以是CPU(Central Processing Unit,中央处理器),通用处理器,DSP(Digital Signal Processor,数据信号处理器),ASIC(Application SpecificIntegrated Circuit,专用集成电路),FPGA(Field Programmable Gate Array,现场可编程门阵列)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框,模块和电路。处理器301也可以是实现计算功能的组合,例如包含一个或多个微处理器组合,DSP和微处理器的组合等。
处理器301也可以包括一个或多个处理单元,例如:处理器301可以包括应用处理器(application processor,AP),调制解调处理器,图形处理器(graphicsprocessingunit,GPU),图像信号处理器(image signal processor,ISP),控制器,存储器,视频编解码器,数字信号处理器(digital signal processor,DSP),基带处理器,和/或神经网络处理器(Neural-network Processing Unit,NPU)等。其中,不同的处理单元可以是独立的器件,也可以集成在一个或多个处理器中。其中,控制器可以是电子设备300的神经中枢和指挥中心。控制器可以根据指令操作码和时序信号,产生操作控制信号,完成取指令和执行指令的控制。处理器301中还可以设置存储器,用于存储指令和数据。在一些实施例中,处理器301中的存储器为高速缓冲存储器。该存储器可以保存处理器301刚用过或循环使用的指令或数据。如果处理器301需要再次使用该指令或数据,可从所述存储器中直接调用。避免了重复存取,减少了处理器301的等待时间,因而提高了***的效率。
处理器301可以运行本申请实施例提供的视频推荐方法,以便于降低用户的操作复杂度、提高终端设备的智能化程度,提升用户的体验。处理器301可以包括不同的器件,比如集成CPU和GPU时,CPU和GPU可以配合执行本申请实施例提供的视频推荐方法,比如视频推荐方法中部分算法由CPU执行,另一部分算法由GPU执行,以得到较快的处理效率。
总线302可包括一通路,在上述组件之间传送信息。总线302可以是PCI(Peripheral Component Interconnect,外设部件互连标准)总线或EISA(ExtendedIndustry Standard Architecture,扩展工业标准结构)总线等。总线302可以分为地址总线、数据总线、控制总线等。为便于表示,图3中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
存储器303可以是ROM(Read Only Memory,只读存储器)或可存储静态信息和指令的其他类型的静态存储设备,RAM(Random Access Memory,随机存取存储器)或者可存储信息和指令的其他类型的动态存储设备,也可以是EEPROM(Electrically ErasableProgrammable Read Only Memory,电可擦可编程只读存储器)、CD-ROM(Compact DiscRead Only Memory,只读光盘),也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,通用闪存存储器(universal flashstorage,UFS),或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。
可选的,存储器303用于存储执行本申请方案的应用程序代码,并由处理器301来控制执行。处理器301用于执行存储器303中存储的应用程序代码,以实现本申请任一实施方式中所提供的视频推荐方法。
存储器303可以用于存储计算机可执行程序代码,所述可执行程序代码包括指令。处理器301通过运行存储在存储器303的指令,从而执行电子设备300的各种功能应用以及数据处理。存储器303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***,应用程序的代码等。存储数据区可存储电子设备300使用过程中所创建的数据(比如相机应用采集的图像、视频等)等。
存储器303还可以存储本申请实施例提供的视频推荐方法对应的一个或多个计算机程序。该一个或多个计算机程序被存储在上述存储器303中并被配置为被该一个或多个处理器301执行,该一个或多个计算机程序包括指令,上述指令可以用于执行上述相应实施例中的各个步骤。
当然,本申请实施例提供的视频推荐方法的代码还可以存储在外部存储器中。这种情况下,处理器301可以通过外部存储器接口运行存储在外部存储器中的视频推荐方法的代码,处理器301可以控制运行视频推荐流程。
显示屏305包括显示面板。显示面板可以采用液晶显示屏(liquid crystaldisplay,LCD),有机发光二极管(organic light-emittingdiode,OLED),有源矩阵有机发光二极体或主动矩阵有机发光二极体(active-matrixorganic light emitting diode的,AMOLED),柔性发光二极管(flex light-emittingdiode,FLED),Miniled,MicroLed,Micro-oLed,量子点发光二极管(quantum dot lightemitting diodes,QLED)等。在一些实施例中,电子设备300可以包括1个或N个显示屏305,N为大于1的正整数。显示屏305可用于显示由用户输入的信息或提供给用户的信息以及各种图形用户界面(graphical userinterface,GUI)。例如,显示屏305可以显示照片、视频、网页、或者文件等。
本申请实施例提供的电子设备,适用于上述方法任一实施例,因此,其所能达到的有益效果可参考上文所提供的对应的方法中的有益效果,此处不再赘述。
本申请实施例提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该程序被处理器执行时实现上述方法实施例所示的视频推荐方法。
本申请实施例提供的计算机可读存储介质,适用于上述方法任一实施例,因此,其所能达到的有益效果可参考上文所提供的对应的方法中的有益效果,此处不再赘述。
本申请实施例还提供了一种计算机程序产品,当该计算机程序产品在计算机上运行时,使得计算机执行上述相关步骤,以实现上述实施例中的方法。本申请实施例提供的计算机程序产品,适用于上述方法任一实施例,因此,其所能达到的有益效果可参考上文所提供的对应的方法中的有益效果,此处不再赘述。
本申请上述实施例公开的视频推荐方案通过获取样本视频评分集;其中所述样本视频评分集为评分用户对样本视频集的评分数据矩阵R;处理所述样本视频评分集分别获取样本视频隐藏特征矩阵A和评分用户隐藏特征矩阵B;分别获取样本视频显示特征和评分用户显示特征;根据所述矩阵A和B,分别将所述获取的样本视频显示特征和评分用户显示特征处理为样本视频显示特征矩阵C和评分用户显示特征矩阵D;根据预设处理策略,对所述矩阵C和矩阵D进行处理并得到矩阵G;根据矩阵G对所有视频进行评分预测并根据所述评分预测结果向目标用户推荐视频。本申请的基于优化降维算法,具体为使用两种降维方法对获取样本视频评分集矩阵进行二次降维,并将用户的显式特征量化加入到推荐过程,从而达到更好地应对数据稀疏,充分利用用户信息,提高推荐准确性的目的。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其他的方式实现。例如,以上所描述的装置实施例仅是示意性的,例如,模块或单元的划分,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装置,或一些特征可以丢弃,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,机械或其他的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是一个物理单元或多个物理单元,即可以位于一个地方,或者也可以分布到多个不同地方。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个可读取存储介质中。基于这样的理解,本申请实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该软件产品存储在一个存储介质中,包括若干指令用以使得一个设备(可以是单片机,芯片等)或处理器(processor)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上内容,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,还可以做出若干改进和润饰,这些变化、替换、改进和润饰也应视为都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种视频推荐方法,其特征在于,所述方法包括:
获取样本视频评分集;其中所述样本视频评分集为评分用户对样本视频集的评分数据矩阵R;
处理所述样本视频评分集分别获取样本视频隐藏特征矩阵A和评分用户隐藏特征矩阵B;
分别获取样本视频显示特征和评分用户显示特征;
根据所述矩阵A和B,分别将所述获取的样本视频显示特征和评分用户显示特征处理为样本视频显示特征矩阵C和评分用户显示特征矩阵D;
根据预设处理策略,对所述矩阵C和矩阵D进行处理并得到矩阵G;
根据矩阵G对所有视频进行评分预测并根据所述评分预测结果向目标用户推荐视频。
2.根据权利要求1所述的视频推荐方法,其特征在于,所述样本视频评分集为MovieLens 1M数据集中的评分矩阵表。
3.根据权利要求1或2所述的视频推荐方法,其特征在于,所述处理所述样本视频评分集分别获取样本视频隐藏特征矩阵A和评分用户隐藏特征矩阵B包括:
利用MF矩阵分解算法对矩阵R进行分解获取到样本视频隐藏特征矩阵A和评分用户隐藏特征矩阵B;
其中R∈RN×M,其中N为用户数量,M为电影数量;
A∈AK×M;B∈BN×K;其中K代表隐藏特征维度数量。
4.根据权利要求3所述的视频推荐方法,其特征在于,分别获取样本视频显示特征和评分用户显示特征包括:
从MovieLens 1M数据集的用户信息和视频信息文本中分别解析出评分用户显示特征和样本视频显示特征。
5.根据权利要求1或4所述的视频推荐方法,其特征在于,所述根据所述矩阵A和B,分别将所述获取的样本视频显示特征和评分用户显示特征处理为样本视频显示特征矩阵C和评分用户显示特征矩阵D包括:
将所述获取的样本视频显示特征和评分用户显示特征处理为样本视频显示特征矩阵C和评分用户显示特征矩阵D;其中,
所述样本视频显示特征矩阵C∈CI×M;其中I为样本视频显示特征维度数量;
所述评分用户显示特征矩阵D∈DN×J;其中J为评分用户显示特征维度数量。
6.根据权利要求5所述的视频推荐方法,其特征在于,所述根据预设处理策略,对所述矩阵C和矩阵D进行处理并得到矩阵G包括:
利用LR线性回归算法分别对矩阵C和矩阵D做降维处理分别得到矩阵E和矩阵F;其中矩阵E∈EH×M,F∈FN×H,其中H<I,H<J;
将矩阵E和矩阵F相乘得到矩阵G。
7.一种视频推荐装置,其特征在于,所述装置包括:接口模块、处理模块、预测模块和推荐模块;其中,
所述接口模块,用于获取样本视频评分集;其中所述样本视频评分集为评分用户对样本视频集的评分数据矩阵R;
所述处理模块,用于处理所述样本视频评分集分别获取样本视频隐藏特征矩阵A和评分用户隐藏特征矩阵B;
所述接口模块,还用于分别获取样本视频显示特征和评分用户显示特征;
所述处理模块,用于根据所述矩阵A和B,分别将所述获取的样本视频显示特征和评分用户显示特征处理为样本视频显示特征矩阵C和评分用户显示特征矩阵D;
所述处理模块,还用于根据预设处理策略,对所述矩阵C和矩阵D进行处理并得到矩阵G;
所述预测模块,用于根据矩阵G对所有视频进行评分预测;
所述推荐模块,用于根据所述评分预测结果向目标用户推荐视频。
8.根据权利要求7所述的视频推荐装置,其特征在于,所述样本视频评分集为MovieLens 1M数据集中的评分矩阵表。
9.一种电子设备,其特征在于,包括处理器和存储器;
所述存储器,用于存储操作指令;
所述处理器,用于通过调用所述操作指令,执行权利要求1-6中任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011293697.8A CN112380389A (zh) | 2020-11-18 | 2020-11-18 | 一种视频推荐方法、装置、电子设备和可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011293697.8A CN112380389A (zh) | 2020-11-18 | 2020-11-18 | 一种视频推荐方法、装置、电子设备和可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112380389A true CN112380389A (zh) | 2021-02-19 |
Family
ID=74585103
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011293697.8A Pending CN112380389A (zh) | 2020-11-18 | 2020-11-18 | 一种视频推荐方法、装置、电子设备和可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112380389A (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109947983A (zh) * | 2017-09-19 | 2019-06-28 | Tcl集团股份有限公司 | 视频推荐方法、***、终端及计算机可读存储介质 |
CN111259238A (zh) * | 2020-01-13 | 2020-06-09 | 山西大学 | 一种基于矩阵分解的事后可解释性推荐方法及装置 |
-
2020
- 2020-11-18 CN CN202011293697.8A patent/CN112380389A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109947983A (zh) * | 2017-09-19 | 2019-06-28 | Tcl集团股份有限公司 | 视频推荐方法、***、终端及计算机可读存储介质 |
CN111259238A (zh) * | 2020-01-13 | 2020-06-09 | 山西大学 | 一种基于矩阵分解的事后可解释性推荐方法及装置 |
Non-Patent Citations (1)
Title |
---|
赵长伟等: "混合因子矩阵分解推荐算法", 西安交通大学学报, 19 October 2016 (2016-10-19), pages 87 - 91 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jin et al. | Trseg: Transformer for semantic segmentation | |
Zhang et al. | Joint task-recursive learning for semantic segmentation and depth estimation | |
US20180307901A1 (en) | Non-negative matrix factorization face recognition method and system based on kernel machine learning | |
CN111104962A (zh) | 图像的语义分割方法、装置、电子设备及可读存储介质 | |
US11983903B2 (en) | Processing images using self-attention based neural networks | |
Lee et al. | Underwater image enhancement using successive color correction and superpixel dark channel prior | |
Yang et al. | NDNet: Narrow while deep network for real-time semantic segmentation | |
WO2022116771A1 (en) | Method for analyzing emotion shown in image and related devices | |
CN114973049B (zh) | 一种统一卷积与自注意力的轻量视频分类方法 | |
WO2023040506A1 (zh) | 一种基于模型的数据处理方法、装置、电子设备、计算机可读存储介质及计算机程序产品 | |
US20190026625A1 (en) | Neuromorphic Synthesizer | |
Trivedi et al. | Psumnet: Unified modality part streams are all you need for efficient pose-based action recognition | |
CN113869138A (zh) | 多尺度目标检测方法、装置及计算机可读存储介质 | |
US20230079275A1 (en) | Method and apparatus for training semantic segmentation model, and method and apparatus for performing semantic segmentation on video | |
US20140325405A1 (en) | Auto-completion of partial line pattern | |
CN112308802A (zh) | 一种基于大数据的图像分析方法及*** | |
CN112487784A (zh) | 一种技术文档管理方法、装置、电子设备和可读存储介质 | |
JP2023543964A (ja) | 画像処理方法、画像処理装置、電子機器、記憶媒体およびコンピュータプログラム | |
CN110085292B (zh) | 药品推荐方法、装置及计算机可读存储介质 | |
Ku et al. | Multilevel feature fusion dilated convolutional network for semantic segmentation | |
Wang et al. | Attention reweighted sparse subspace clustering | |
Jiang et al. | Aggregating multi-scale contextual features from multiple stages for semantic image segmentation | |
JP7213291B2 (ja) | 画像を生成するための方法及装置 | |
CN112380389A (zh) | 一种视频推荐方法、装置、电子设备和可读存储介质 | |
Hou et al. | An object detection algorithm based on infrared-visible dual modal feature fusion |
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 |