CN112616072B - 一种基于用户正负反馈信息的短视频点击率预测方法 - Google Patents
一种基于用户正负反馈信息的短视频点击率预测方法 Download PDFInfo
- Publication number
- CN112616072B CN112616072B CN202011441735.XA CN202011441735A CN112616072B CN 112616072 B CN112616072 B CN 112616072B CN 202011441735 A CN202011441735 A CN 202011441735A CN 112616072 B CN112616072 B CN 112616072B
- Authority
- CN
- China
- Prior art keywords
- user
- short video
- sequence
- negative feedback
- click
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 230000006399 behavior Effects 0.000 claims abstract description 24
- 230000007246 mechanism Effects 0.000 claims abstract description 15
- 238000013528 artificial neural network Methods 0.000 claims abstract description 12
- 230000000306 recurrent effect Effects 0.000 claims abstract description 9
- 239000013598 vector Substances 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000012512 characterization method Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 230000015654 memory Effects 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 230000007787 long-term memory Effects 0.000 claims 2
- 230000002452 interceptive effect Effects 0.000 claims 1
- 230000006403 short-term memory Effects 0.000 claims 1
- 230000008685 targeting Effects 0.000 claims 1
- 230000011218 segmentation Effects 0.000 abstract description 2
- 206010063659 Aversion Diseases 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
Images
Classifications
-
- 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
-
- 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
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- H04N21/258—Client or end-user data management, e.g. managing client capabilities, user preferences or demographics, processing of multiple end-users preferences to derive collaborative data
- H04N21/25866—Management of end-user data
- H04N21/25891—Management of end-user data being end-user preferences
-
- 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
- H04N21/4508—Management of client data or end-user data
- H04N21/4532—Management of client data or end-user data involving end-user characteristics, e.g. viewer profile, preferences
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Signal Processing (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Graphics (AREA)
- Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于用户正负反馈信息的短视频点击率预测方法。该方法根据用户对短视频的点击和未点击序列,预测用户对目标短视频的点击率。本方法主要由三个部分组成:第一部分是将用户行为序列分割成块(block)序列。短视频平台中,短视频时间较短且用户的短视频观看行为非常频繁,可以认为序列中连续的短视频具有相近的特征。第二部分是分别采用基于目标短视频注意力机制的循环神经网络方法和目标短视频注意力机制方法从用户点击和未点击序列中抽取用户的兴趣特征。第三部分是基于从用户点击序列和未点击序列中抽取的用户兴趣特征,进行短视频点击率的预测。
Description
技术领域
本发明属于互联网服务技术领域,尤其是涉及一种基于用户正负反馈信息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,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。Li等人结合正负反馈数据,并使用基于图的循环神经网络去建模,最后得到用户的偏好。
Chen等人的方法只采用了用户的正反馈信息,没有考虑用户负反馈信息对推荐的影响。Li等人的方法没有考虑到用户的正反馈信息和负反馈信息之间差异性,采用相同的模型结构来处理正反馈和负反馈信息。通常来讲,用户的兴趣是动态变化的,但是厌恶点是相对稳定的。用户的点击行为具有较强的序列性,而未点击行为则不存在这样的规律。并且在短视频平台中,用户的行为非常丰富,所以我们只关注和目标短视频相关的的用户行为。对于用户的点击序列,本方法采用基于目标短视频注意力机制的循环神经网络方法;对于用户的未点击序列,本方法采用目标短视频注意力机制方法。
发明内容
本发明所要解决的技术问题是根据用户对短视频的点击和未点击序列,预测用户对目标短视频的点击率。本方法分别采用基于目标短视频注意力机制的循环神经网络方法和目标短视频注意力机制方法从用户点击和未点击序列中抽取用户的兴趣特征。为此,本发明采用以下技术方案:
一种基于用户正负反馈信息的短视频点击率预测方法,包括以下步骤:
将用户正反馈信息和负反馈信息分割成块,且从块中抽取特征。对于一个用户的点击行为序列可以表示为其中是短视频的封面图特征向量,d是特征向量长度。因为短视频时长较短,造成用户的行为序列比较长。所以,本方法用一个长度为w的窗口将序列X+分割成m个块,用户在一个块里的交互的短视频往往比较相似。此时,每个块特征表征的计算方式如下:
基于用户正反馈序列捕捉用户行为的序列性,得到目标短视频相关的用户兴趣表征v+。
其中,为用户在正反馈序列的第k个块的偏好特征,xnew是目标短视频向量表征。是转换矩阵。是正反馈序列中的第k个块的偏好特征和目标短视频的相关性。表示采用循环神经网络(RNN)对序列进行建模。本方法中采用的循环神经网络结构是长短时记忆网络(LSTM),如下:
hk=okck
其中,长短期记忆网络的最后一层的隐藏状态hk的输出就是用户兴趣表征v+。是当前层的节点输入,和分别是控制输入门ik、遗忘门fk和输出门ok的参数。σ为sigmoid函数。所有这些参数和输入:隐层状态当前输入共同参与计算,来输出结果hk。
基于用户负反馈序列,捕捉和目标短视频相关的用户兴趣表征v-。本方法采用注意力机制方法:
根据用户兴趣表征,预测用户对目标短视频的点击率。
o=concat(v+,v-)
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。
本发明的有益技术效果如下:
(1)本发明提出了一种基于用户正负反馈信息的短视频点击率预测方法,考虑到用户的兴趣是动态变化的,但是厌恶点是相对稳定的特点。也就是,用户的点击行为具有较强的序列性,而未点击行为则不存在这样的规律。所以,采用不同的方法分别从正负反馈信息中抽取用户兴趣特征。
(2)本发明认为在短视频平台中,用户的行为非常丰富,只关注和目标短视频相关的的用户行为更有利于推荐的准确性。所以,采用基于目标短视频的注意力机制从序列中抽取和目标短视频相关的特征。
附图说明
图1为本发明一种基于用户正负反馈信息的短视频点击率预测方法的流程示意图;
图2为本发明一种基于用户正负反馈信息的短视频点击率预测方法的模型框架图。
具体实施方式
为了进一步理解本发明,下面结合具体实施方式对本发明提供的一种基于用户正负反馈信息的短视频点击率预测方法进行具体描述,但本发明并不限于此,该领域技术人员在本发明核心指导思想下做出的非本质改进和调整,仍然属于本发明的保护范围。
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。用户的历史序列表示为 其中p∈{+,-}分别代表点击和未点击行为,xj代表第j个短视频,l是序列的长度。整个序列可以进一步细分为点击序列和未点击序列也就是正反馈和负反馈信息。因此,短视频点击率预测问题可以表示成:输入用户点击序列未点击的序列以及目标短视频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用户正负反馈信息的短视频点击率预测方法。它根据用户对短视频的点击和未点击序列,预测用户对目标短视频的点击率。这里的用户短视频序列输入的是短视频的封面图向量表征。通常来讲,用户的兴趣是动态变化的,但是厌恶点是相对稳定的。用户的点击行为具有较强的序列性,而未点击行为则不存在这样的规律。并且在短视频平台中,用户的行为非常丰富,所以我们只关注和目标短视频相关的的用户行为。对于用户的点击序列,本方法采用基于目标短视频注意力机制的循环神经网络方法;对于用户的未点击序列,本方法采用目标短视频注意力机制方法。
本方法主要由三个部分组成,如图2所示。第一部分是将用户行为序列分割成块(block)序列。短视频平台中,短视频时间较短且用户的短视频观看行为非常频繁,可以认为序列中连续的短视频具有相近的特征。第二部分是分别采用基于目标短视频注意力机制的循环神经网络方法和目标短视频注意力机制方法从用户点击和未点击序列中抽取用户的兴趣特征。第三部分是基于从用户点击序列和未点击序列中抽取的用户兴趣特征,进行短视频点击率的预测。
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,将用户正反馈信息和负反馈信息分割成块,且从块中抽取特征。对于一个用户的点击行为序列可以表示为其中是短视频的封面图特征向量,d是特征向量长度。因为短视频时长较短,造成用户的行为序列比较长。所以,本方法用一个长度为w的窗口将序列X+分割成m个块,用户在一个块里的交互的短视频往往比较相似。此时,每个块特征表征的计算方式如下:
S200,基于用户正反馈序列捕捉用户行为的序列性,得到目标短视频相关的用户兴趣表征v+。
其中,为用户在正反馈序列的第k个块的偏好特征,xnew是目标短视频向量表征。是转换矩阵。是正反馈序列中的第k个块的偏好特征和目标短视频的相关性。表示采用循环神经网络(RNN)对序列进行建模。本方法中采用的循环神经网络结构是长短时记忆网络(LSTM),如下:
hk=okck
其中,长短期记忆网络的最后一层的隐藏状态hk的输出就是用户兴趣表征v+。是当前层的节点输入,和分别是控制输入门ik、遗忘门fk和输出门ok的参数。σ为sigmoid函数。所有这些参数和输入:隐层状态当前输入共同参与计算,来输出结果hk。
S300,基于用户负反馈序列,捕捉和目标短视频相关的用户兴趣表征v-。本方法采用注意力机制方法:
S400,根据用户兴趣表征,预测用户对目标短视频的点击率。
O=concat(v+,v-)
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 (2)
1.一种基于用户正负反馈信息的短视频点击率预测方法,其特征在于:
将用户正反馈信息和负反馈信息分割成块,且从块中抽取特征;对于一个用户的点击行为序列可以表示为其中表示任一短视频的封面图特征向量,d代表短视频的封面图特征向量的长度;因为短视频时长较短,造成用户的行为序列比较长;所以,用一个长度为w的窗口将序列x+分割成m个块,用户在一个块里的交互的短视频往往比较相似;此时,每个块特征表征的计算方式如下:
基于用户正反馈序列捕捉用户行为的序列性,得到目标短视频相关的用户兴趣表征v+;
其中,为用户在正反馈序列的第k个块的偏好特征,xnew是目标短视频向量表征;是转换矩阵;是正反馈序列中的第k个块的偏好特征和目标短视频的相关性;表示采用循环神经网络(RNN)对序列进行建模;采用的循环神经网络结构是长短时记忆网络(LSTM);
基于用户负反馈序列,捕捉和目标短视频相关的用户兴趣表征v-;采用注意力机制方法:
根据用户兴趣表征,预测用户对目标短视频的点击率;
O=concat(v+,v-)
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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011441735.XA CN112616072B (zh) | 2020-12-08 | 2020-12-08 | 一种基于用户正负反馈信息的短视频点击率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011441735.XA CN112616072B (zh) | 2020-12-08 | 2020-12-08 | 一种基于用户正负反馈信息的短视频点击率预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112616072A CN112616072A (zh) | 2021-04-06 |
CN112616072B true CN112616072B (zh) | 2021-10-26 |
Family
ID=75232734
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011441735.XA Active CN112616072B (zh) | 2020-12-08 | 2020-12-08 | 一种基于用户正负反馈信息的短视频点击率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112616072B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016071150A (ja) * | 2014-09-30 | 2016-05-09 | キヤノン株式会社 | 交換レンズ装置、撮像装置および制御プログラム |
CN110334245A (zh) * | 2019-05-20 | 2019-10-15 | 山东大学 | 一种基于时序属性的图神经网络的短视频推荐方法及装置 |
CN110555112A (zh) * | 2019-08-22 | 2019-12-10 | 桂林电子科技大学 | 一种基于用户正负偏好学习的兴趣点推荐方法 |
CN111177575A (zh) * | 2020-04-07 | 2020-05-19 | 腾讯科技(深圳)有限公司 | 一种内容推荐方法、装置、电子设备和存储介质 |
-
2020
- 2020-12-08 CN CN202011441735.XA patent/CN112616072B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016071150A (ja) * | 2014-09-30 | 2016-05-09 | キヤノン株式会社 | 交換レンズ装置、撮像装置および制御プログラム |
CN110334245A (zh) * | 2019-05-20 | 2019-10-15 | 山东大学 | 一种基于时序属性的图神经网络的短视频推荐方法及装置 |
CN110555112A (zh) * | 2019-08-22 | 2019-12-10 | 桂林电子科技大学 | 一种基于用户正负偏好学习的兴趣点推荐方法 |
CN111177575A (zh) * | 2020-04-07 | 2020-05-19 | 腾讯科技(深圳)有限公司 | 一种内容推荐方法、装置、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112616072A (zh) | 2021-04-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112492396B (zh) | 一种基于细粒度的多方面分析的短视频点击率预测方法 | |
CN111222054A (zh) | 一种基于上下文邻居关系建模的会话社交推荐方法 | |
CN110796313B (zh) | 一种基于带权图卷积和项目吸引力模型的会话推荐方法 | |
CN112395504B (zh) | 一种基于序列胶囊网络的短视频点击率预测方法 | |
CN112256916B (zh) | 一种基于图胶囊网络的短视频点击率预测方法 | |
CN115270001B (zh) | 基于云端协同学习的隐私保护推荐方法及*** | |
CN116010684A (zh) | 物品推荐方法、装置及存储介质 | |
CN112819575B (zh) | 一种考虑重复购买行为的会话推荐方法 | |
CN112765461A (zh) | 一种基于多兴趣胶囊网络的会话推荐方法 | |
CN112307258B (zh) | 一种基于双层胶囊网络的短视频点击率预测方法 | |
CN112395505B (zh) | 一种基于协同注意力机制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*** | |
CN112256918B (zh) | 一种基于多模态动态路由的短视频点击率预测方法 | |
CN112053188A (zh) | 一种基于混合深度神经网络模型的互联网广告推荐方法 | |
CN112199550A (zh) | 一种基于情感胶囊网络的短视频点击率预测方法 | |
CN111125428A (zh) | 基于评分预测函数拟合结构的时间相关电影推荐方法 | |
CN114528490A (zh) | 一种基于用户长短期兴趣的自监督序列推荐方法 | |
CN113836406A (zh) | 信息流推荐方法及装置 | |
CN117575706A (zh) | 信息推送方法、装置、非易失性存储介质及电子设备 | |
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 | |
CN112765401B (zh) | 一种基于非局部网络和局部网络的短视频推荐方法 | |
CN105373591B (zh) | 移动社交网络中基于时空行为模式的用户兴趣模型构建方法 | |
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 | |
CN115545960B (zh) | 一种电子信息数据交互***及方法 | |
CN112559905B (zh) | 一种基于双模式注意力机制和社交相似度的会话推荐方法 |
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: 20231213 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 |