CN113095884B - 一种基于用户反馈的电视会员用户推荐方法及*** - Google Patents

一种基于用户反馈的电视会员用户推荐方法及*** Download PDF

Info

Publication number
CN113095884B
CN113095884B CN202110431728.XA CN202110431728A CN113095884B CN 113095884 B CN113095884 B CN 113095884B CN 202110431728 A CN202110431728 A CN 202110431728A CN 113095884 B CN113095884 B CN 113095884B
Authority
CN
China
Prior art keywords
user
users
seed
interest
vector
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
CN202110431728.XA
Other languages
English (en)
Other versions
CN113095884A (zh
Inventor
彭朝晖
郝振云
王雪
王健
许晓康
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.)
Shandong University
Original Assignee
Shandong 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 Shandong University filed Critical Shandong University
Priority to CN202110431728.XA priority Critical patent/CN113095884B/zh
Publication of CN113095884A publication Critical patent/CN113095884A/zh
Application granted granted Critical
Publication of CN113095884B publication Critical patent/CN113095884B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Finance (AREA)
  • General Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Marketing (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Economics (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Game Theory and Decision Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)

Abstract

本发明属于信号处理领域，提供了一种基于用户反馈的电视会员用户推荐方法及***。其中，该方法包括获取历史设定时间段内付费行为信息，将在历史设定时间段内发生付费行为的用户标记为种子用户，未发生付费行为的用户标记为候选用户；根据用户的视频播放行为提取和刻画用户兴趣，得到用户兴趣表示向量，再与用户画像拼接，经过全连接层，得到用户嵌入表示向量；将种子用户进行聚类，得到多个种子用户群体，每个种子用户群体的平均向量作为对应用户群体向量表示，计算候选用户与种子用户群体之间的相似度，从候选用户中选择相似度超过设定阈值的用户作为扩展用户并进行会员推荐。

Description

一种基于用户反馈的电视会员用户推荐方法及***
技术领域
本发明属于信号处理领域，尤其涉及一种基于用户反馈的电视会员用户推荐方法及***。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
在当前各大视频网络以及平台中，比如优酷、爱奇艺等网络平台，有着海量丰富的视频资源，包括电视剧、电影、综艺等，这些视频提供给平台用户观看。网站平台针对这些视频，推出会员套餐服务，套餐内包含很多视频，这些视频是需要用户付费购买套餐后才能观看的。而且，会员套餐收入在当前视频网站收入中占了较大比重，所以，从非会员用户中找到那些可能会购买会员套餐的用户可以增加平台收益和提高用户体验。
当前解决该问题的方法多是基于用户画像或是用户过去一段时间的播放历史来进行预测，发明人发现，在电视会员用户扩展/推荐场景中，用户在购买了套餐之后，其后续播放历史等行为反馈仍旧与会员推荐任务相关，然而，现有的电视会员用户潜在预测或推荐，均未考虑电视会员用户行为反馈信息，进而降低了电视会员用户潜在预测结果的精度及推荐用户成为电视会员的准确性。
发明内容
为了解决上述背景技术中存在的技术问题，本发明提供一种基于用户反馈的电视会员用户推荐方法及***，其能够利用在用户购买会员套餐后不断记录其后面观看操作信息来准确地刻画这部分用户的表示，以提高会员用户扩展方法的性能。
为了实现上述目的，本发明采用如下技术方案：
本发明的第一个方面提供一种基于用户反馈的电视会员用户推荐方法。
一种基于用户反馈的电视会员用户推荐方法，其包括：
获取历史设定时间段内付费行为信息，将在历史设定时间段内发生付费行为的用户标记为种子用户，未发生付费行为的用户标记为候选用户；
根据用户的视频播放行为提取和刻画用户兴趣，得到用户兴趣表示向量，再与用户画像拼接，经过全连接层，得到用户嵌入表示向量；
将种子用户进行聚类，得到多个种子用户群体，每个种子用户群体的平均向量作为对应用户群体向量表示，计算候选用户与种子用户群体之间的相似度，从候选用户中选择相似度超过设定阈值的用户作为扩展用户并进行会员推荐。
作为一种实施方式，对于种子用户，其用户兴趣表示向量的表示过程为：
获取种子用户设定时间段内的播放历史序列；
根据种子用户的下单付费时间将播放历史序列划分为前播放序列和后播放序列；
从前播放序列和后播放序列中分别提取用户购买会员套餐前的广泛观影兴趣向量以及用户在购买会员套餐后与套餐相关的观影兴趣向量；
利用与套餐相关观影兴趣对购买前的广泛观影兴趣进行兴趣强化提取，得到用户最终的兴趣表示向量。
作为一种实施方式，针对前播放序列使用双向GRU模块来提取用户购买会员套餐前的广泛观影兴趣向量。
作为一种实施方式，针对后播放序列使用self-attention模块来提取用户在购买会员套餐后与套餐相关的观影兴趣向量。
作为一种实施方式，对于候选种子用户，用户兴趣表示向量为用户历史广泛观影兴趣表示向量。
作为一种实施方式，用户历史广泛观影兴趣表示向量的表示过程为：
获取候选种子用户设定时间段内的播放历史序列；
从前播放序列中提取用户的历史广泛观影兴趣，得到用户历史广泛观影兴趣表示向量。
作为一种实施方式，针对前播放序列使用双向GRU模块来提取用户的历史广泛观影兴趣。
本发明的第二个方面提供一种基于用户反馈的电视会员用户推荐***。
一种基于用户反馈的电视会员用户推荐***，其包括：
用户划分模块，其用于获取历史设定时间段内付费行为信息，将在历史设定时间段内发生付费行为的用户标记为种子用户，未发生付费行为的用户标记为候选用户；
用户向量表示模块，其用于根据用户的视频播放行为提取和刻画用户兴趣，得到用户兴趣表示向量，再与用户画像拼接，经过全连接层，得到用户嵌入表示向量；
用户扩展推荐模块，其用于将种子用户进行聚类，得到多个种子用户群体，每个种子用户群体的平均向量作为对应用户群体向量表示，计算候选用户与种子用户群体之间的相似度，从候选用户中选择相似度超过设定阈值的用户作为扩展用户并进行会员推荐。
本发明的第三个方面提供一种计算机可读存储介质。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的基于用户反馈的电视会员用户推荐方法中的步骤。
本发明的第四个方面提供一种计算机设备。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的基于用户反馈的电视会员用户推荐方法中的步骤。
与现有技术相比，本发明的有益效果是：
本发明提供了一种基于用户反馈的电视会员用户扩展方法，该方法在用户购买会员套餐后不断记录其后面观看操作，并利用这些信息来进一步细致准确地刻画这部分用户的表示，从而更加准确地表现出用户对于套餐的兴趣表示，提高了会员用户扩展方法的性能。
本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1是本发明实施例的基于用户反馈的电视会员用户推荐方法模型框架图；
图2是本发明实施例的基于用户反馈的电视会员用户推荐方法流程图；
图3是本发明实施例的用户划分处理图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
结合图1和图2所示，本实施例的一种基于用户反馈的电视会员用户推荐方法，其具体包括如下步骤：
步骤1：获取历史设定时间段内付费行为信息，将在历史设定时间段内发生付费行为的用户标记为种子用户，未发生付费行为的用户标记为候选用户。
为了便于描述，使用一周来进行衡量。获取在刚过去的一周时间内的会员套餐购买数据信息，得到成功购买套餐的用户id名单和对应的下单时间。
将购买了会员套餐的用户标记为种子用户，未购买会员套餐的用户标记为候选用户。
将成功购买了套餐的用户作为种子用户，而那些当前的非会员用户则是候选用户，我们之后的扩展用户便是从这些候选用户中进行选取，如图3所示。
步骤2：根据用户的视频播放行为提取和刻画用户兴趣，得到用户兴趣表示向量，再与用户画像拼接，经过全连接层，得到用户嵌入表示向量。
对于种子用户表示学习：
步骤211、获取用户历史时间段内(例如：过去一个月)的播放历史序列。
在本实施例中，选择每个用户在当前时间前一个月内的播放历史记录，包含视频id，播放时间信息。
步骤212、根据种子用户的下单付费时间将播放历史序列划分为前播放序列和后播放序列。
根据种子用户在订单信息中的下单时间将播放历史记录进行划分，分为购买前和购买后播放历史序列，并对获得相应视频的嵌入表示e。
步骤213、针对前播放序列使用双向GRU模块来提取用户购买会员套餐前的广泛观影兴趣向量；针对后播放序列使用self-attention模块来提取用户在购买会员套餐后的更加与套餐相关的观影兴趣向量。
对于购买前播放历史序列，使用双向GRU模型，在进行视频嵌入表示的同时，考虑视频在过去和未来一段时间的变化情况，得到前播放视频嵌入表示矩阵PS，GRU计算公式如下：
Figure BDA0003031629660000061
Figure BDA0003031629660000062
Figure BDA0003031629660000063
Figure BDA0003031629660000064
其中，rt是重置门，zt是更新门，
Figure BDA0003031629660000065
是候选激活函数，ht是激活函数，et是序列中第t个位置的输入嵌入向量，σ是激活函数。得到双向表示
Figure BDA0003031629660000066
且PS＝[h1，h2，...]。
对于购买后播放历史序列，使用self-attention模型，来提取用户在购买套餐后的兴趣分布，得到后播放视频嵌入表示AS，相应计算公式如下：
Q＝WQE，K＝WKE，V＝WVE
Figure BDA0003031629660000071
AS＝avgpoolng(Att)
其中，E为后播放序列嵌入矩阵，W·为参数矩阵，dK为K的维度大小，avgpooling()是平均池化操作。
步骤214、将得到的与套餐相关观影兴趣对购买前的广泛观影兴趣进行兴趣强化提取，得到用户最终的兴趣表示向量。
基于上步得到的购买前后嵌入表示PS、AS，使用激活单元来用AS对PS进行兴趣增强表示，将购买前的兴趣分布进行纠正，得到用户对于套餐真正的兴趣向量IP，相应计算公式如下：
Figure BDA0003031629660000072
步骤215、将用户兴趣表示向量与用户画像拼接，经过全连接层，得到最终的用户嵌入表示向量UI。
UI＝[IP，UP]
其中，UP表示用户画像。
损失函数计算，我们使用的是用户播放历史中对当前热播的几部视频的观看情况来进行计算。将观看的热门影片标记label为1，否则为0，loss计算方式如下：
Figure BDA0003031629660000073
其中，X表示我们选择出来的热播视频集合，yi∈{0，1}是对应标签。
对于候选用户表示学习，该部分计算方式与种子用户表示对应部分学习计算方式相同。
步骤221、获取用户历史时间段内(例如：过去一个月)的播放历史序列。计算方式同上。
步骤222、针对前播放序列使用双向GRU模块来提取用户的历史广泛观影兴趣PS。计算方式同上。
步骤223、将用户历史广泛观影兴趣表示向量与用户画像拼接，经过全连接层，得到最终的用户嵌入表示向量UI：UI＝[PS，UP]。
步骤3：将种子用户进行聚类，得到多个种子用户群体，每个种子用户群体的平均向量作为对应用户群体向量表示，计算候选用户与种子用户群体之间的相似度，从候选用户中选择相似度超过设定阈值的用户作为扩展用户并进行会员推荐。
在具体实施中，对于种子用户，使用K-means方法对种子用户群体进行聚类，得到K个不同兴趣群体用户[G1，G2，...，GK]。
[G1，G2，..，GK]＝K-means(Ul1，UI2，..，UIn)
其中，K是超参数，n是种子用户数量，G表示种子用户群体。
对于每个用户群体，计算他们的平均向量作为用户群体向量表示GE。
GE＝avgpooling(UI)，for UIinG
对于每个候选用户，计算与用户群体向量的相似度作为用户与每个种子用户群体的归属得分scorei。
scorei＝cosine(UIc，GEi)
Figure BDA0003031629660000081
其中，UIc表示候选用户的嵌入表示向量，GEi表示种子用户群体i的群体向量表示。
选择得分最高的群体为该用户的归属群体，并且该分数为该用户的扩展得分。
选择得分高于设定阈值的用户为扩展用户。
损失函数计算，采用二元交叉熵损失函数来计算模型损失，计算方式如下：
Figure BDA0003031629660000091
其中，D表示训练集，x，y分别表示用户兴趣嵌入向量和对应的label值，即用户是否是扩展用户，p(x)为用户扩展部分，来预测用户是否是扩展用户，即预测用户是否会在未来一周内购买套餐。
经过实际场景用户数据分析，当用户在购买套餐后，其对于套餐内视频的播放占比增长幅度较大，该部分购买套餐的用户，在购买套餐前后，套餐内视频平均播放占比提高20％左右，且高占比用户量明显增加。本实施例的基于用户反馈的电视会员用户推荐方法，在用户购买会员套餐后不断记录其后面观看操作，并利用这些信息来进一步细致准确地刻画这部分用户的表示，从而更加准确地表现出用户对于套餐的兴趣表示，提高了会员用户扩展方法的性能。
实施例二
本实施例提供了一种基于用户反馈的电视会员用户推荐***，其具体包括如下模块：
用户划分模块，其用于获取历史设定时间段内付费行为信息，将在历史设定时间段内发生付费行为的用户标记为种子用户，未发生付费行为的用户标记为候选用户；
用户向量表示模块，其用于根据用户的视频播放行为提取和刻画用户兴趣，得到用户兴趣表示向量，再与用户画像拼接，经过全连接层，得到用户嵌入表示向量；
用户扩展推荐模块，其用于将种子用户进行聚类，得到多个种子用户群体，每个种子用户群体的平均向量作为对应用户群体向量表示，计算候选用户与种子用户群体之间的相似度，从候选用户中选择相似度超过设定阈值的用户作为扩展用户并进行会员推荐。
此处需要说明的是，本实施例的基于用户反馈的电视会员用户推荐***中的各个模块，与实施例一中的基于用户反馈的电视会员用户推荐方法中的各个步骤一一对应，其具体实施过程相同，此处不再累述。
实施例三
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的基于用户反馈的电视会员用户推荐方法中的步骤。
实施例四
本实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的基于用户反馈的电视会员用户推荐方法中的步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、***、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明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和光学存储器等)上实施的计算机程序产品的形式。
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。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于用户反馈的电视会员用户推荐方法，其特征在于，包括：
获取历史设定时间段内付费行为信息，将在历史设定时间段内发生付费行为的用户标记为种子用户，未发生付费行为的用户标记为候选用户；
根据用户的视频播放行为提取和刻画用户兴趣，得到用户兴趣表示向量，再与用户画像拼接，经过全连接层，得到用户嵌入表示向量；
将种子用户进行聚类，得到多个种子用户群体，每个种子用户群体的平均向量作为对应用户群体向量表示，计算候选用户与种子用户群体之间的相似度，从候选用户中选择相似度超过设定阈值的用户作为扩展用户并进行会员推荐；
对于种子用户，其用户兴趣表示向量的表示过程为：
获取种子用户设定时间段内的播放历史序列；
根据种子用户的下单付费时间将播放历史序列划分为前播放序列和后播放序列；
从前播放序列和后播放序列中分别提取用户购买会员套餐前的广泛观影兴趣向量以及用户在购买会员套餐后与套餐相关的观影兴趣向量；
利用与套餐相关观影兴趣对购买前的广泛观影兴趣进行兴趣强化提取，得到用户最终的兴趣表示向量。
2.如权利要求1所述的基于用户反馈的电视会员用户推荐方法，其特征在于，针对前播放序列使用双向GRU模块来提取用户购买会员套餐前的广泛观影兴趣向量。
3.如权利要求1所述的基于用户反馈的电视会员用户推荐方法，其特征在于，针对后播放序列使用self-attention模块来提取用户在购买会员套餐后与套餐相关的观影兴趣向量。
4.如权利要求1所述的基于用户反馈的电视会员用户推荐方法，其特征在于，对于候选种子用户，用户兴趣表示向量为用户历史广泛观影兴趣表示向量。
5.如权利要求4所述的基于用户反馈的电视会员用户推荐方法，其特征在于，用户历史广泛观影兴趣表示向量的表示过程为：
获取候选种子用户设定时间段内的播放历史序列；
从前播放序列中提取用户的历史广泛观影兴趣，得到用户历史广泛观影兴趣表示向量。
6.如权利要求5所述的基于用户反馈的电视会员用户推荐方法，其特征在于，针对前播放序列使用双向GRU模块来提取用户的历史广泛观影兴趣。
7.一种基于用户反馈的电视会员用户推荐***，其特征在于，包括：
用户划分模块，其用于获取历史设定时间段内付费行为信息，将在历史设定时间段内发生付费行为的用户标记为种子用户，未发生付费行为的用户标记为候选用户；
用户向量表示模块，其用于根据用户的视频播放行为提取和刻画用户兴趣，得到用户兴趣表示向量，再与用户画像拼接，经过全连接层，得到用户嵌入表示向量；
用户扩展推荐模块，其用于将种子用户进行聚类，得到多个种子用户群体，每个种子用户群体的平均向量作为对应用户群体向量表示，计算候选用户与种子用户群体之间的相似度，从候选用户中选择相似度超过设定阈值的用户作为扩展用户并进行会员推荐；
对于种子用户，其用户兴趣表示向量的表示过程为：
获取种子用户设定时间段内的播放历史序列；
根据种子用户的下单付费时间将播放历史序列划分为前播放序列和后播放序列；
从前播放序列和后播放序列中分别提取用户购买会员套餐前的广泛观影兴趣向量以及用户在购买会员套餐后与套餐相关的观影兴趣向量；
利用与套餐相关观影兴趣对购买前的广泛观影兴趣进行兴趣强化提取，得到用户最终的兴趣表示向量。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-6中任一项所述的基于用户反馈的电视会员用户推荐方法中的步骤。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在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程序时实现如权利要求1-6中任一项所述的基于用户反馈的电视会员用户推荐方法中的步骤。
CN202110431728.XA 2021-04-21 2021-04-21 一种基于用户反馈的电视会员用户推荐方法及*** Active CN113095884B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110431728.XA CN113095884B (zh) 2021-04-21 2021-04-21 一种基于用户反馈的电视会员用户推荐方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110431728.XA CN113095884B (zh) 2021-04-21 2021-04-21 一种基于用户反馈的电视会员用户推荐方法及***

Publications (2)

Publication Number Publication Date
CN113095884A CN113095884A (zh) 2021-07-09
CN113095884B true CN113095884B (zh) 2022-12-06

Family

ID=76679034

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110431728.XA Active CN113095884B (zh) 2021-04-21 2021-04-21 一种基于用户反馈的电视会员用户推荐方法及***

Country Status (1)

Country Link
CN (1) CN113095884B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116934389B (zh) * 2023-06-12 2024-02-23 嘉兴华数广电网络有限公司 基于云计算与跨平台技术的数字电视有价券卡管理***

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103714139A (zh) * 2013-12-20 2014-04-09 华南理工大学 一种移动海量客户群识别的并行数据挖掘方法
CN110348930A (zh) * 2018-04-08 2019-10-18 阿里巴巴集团控股有限公司 业务对象数据处理方法、业务对象信息的推荐方法和装置
CN111461841A (zh) * 2020-04-07 2020-07-28 腾讯云计算（北京）有限责任公司 物品推荐方法、装置、服务器及存储介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109214616B (zh) * 2017-06-29 2023-04-07 上海寒武纪信息科技有限公司 一种信息处理装置、***和方法
CN108596705A (zh) * 2018-03-23 2018-09-28 郑州大学西亚斯国际学院 一种适用于电子商务的商品与信息分类推荐方法及***
CN109710805B (zh) * 2018-12-13 2022-03-04 百度在线网络技术（北京）有限公司 基于兴趣簇的视频交互方法和装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103714139A (zh) * 2013-12-20 2014-04-09 华南理工大学 一种移动海量客户群识别的并行数据挖掘方法
CN110348930A (zh) * 2018-04-08 2019-10-18 阿里巴巴集团控股有限公司 业务对象数据处理方法、业务对象信息的推荐方法和装置
CN111461841A (zh) * 2020-04-07 2020-07-28 腾讯云计算（北京）有限责任公司 物品推荐方法、装置、服务器及存储介质

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
AE-UPCP: Seeking Potential Membership Users by Audience Expansion Combining User Preference with Consumption Pattern;Xiaokang Xu .etc;《Database Systems for Advanced Applications 2021》;20210406;p392-399 *
Buying or Browsing? : Predicting Real-time Purchasing Intent using Att ention-based Deep Network with Multiple Behavior;Long Guo .etc;《KDD ’19》;20190808;全文 *
Deep Interest Evolution Network for Click-Through Rate Prediction;Guorui Zhou .etc;《Association for the Advancement of Artificial》;20181116;全文 *
MISS: A Multi-user Identification Network for Shared-Account Session-Aware Recommendation;Xinyu Wen .etc;《Database Systems for Advanced Applications 2021》;20210406;全文 *

Also Published As

Publication number Publication date
CN113095884A (zh) 2021-07-09

Similar Documents

Publication Publication Date Title
CN109145784B (zh) 用于处理视频的方法和装置
CN106326391B (zh) 多媒体资源推荐方法及装置
CN111754267B (zh) 基于区块链的数据处理方法及***
KR102203253B1 (ko) 생성적 적대 신경망에 기반한 평점 증강 및 아이템 추천 방법 및 시스템
CN110232403A (zh) 一种标签预测方法、装置、电子设备及介质
TW201340690A (zh) 視訊推薦系統及其方法
CN109598527A (zh) 广告效果分析方法及装置
CN106682953B (zh) 广告推送方法及推送装置
US20230353828A1 (en) Model-based data processing method and apparatus
CN105308636A (zh) 用于提供虚拟广告的设备和方法
US20150310498A1 (en) Computer-Implemented Systems and Methods for Generating Media Content Recommendations for Subsequent Works
CN115100717B (zh) 特征提取模型的训练方法、卡通对象的识别方法及装置
CN112232546A (zh) 一种推荐概率预估方法、装置、电子设备及存储介质
CN113095884B (zh) 一种基于用户反馈的电视会员用户推荐方法及***
CN104967690A (zh) 一种信息推送方法及装置
CN111046230A (zh) 内容推荐方法及装置、电子设备和可存储介质
CN110704728A (zh) 信息推荐的方法、装置、电子设备及存储介质
CN115119014A (zh) 视频处理方法、插帧数量模型的训练方法及装置
CN117909586A (zh) 内容推荐方法、装置、电子设备和存储介质
CN113095883A (zh) 基于深度交叉注意力网络的视频付费用户预测方法及***
CN108769831A (zh) 视频预告的生成方法及装置
CN116261009B (zh) 智能转化影视受众的视频检测方法、装置、设备及介质
US20220358405A1 (en) System and Method for Generating Artificial Intelligence Driven Insights
CN116028708A (zh) 推荐模型的训练方法及装置
CN113240004B (zh) 视频信息确定方法、装置、电子设备以及存储介质

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