CN116521908B - 一种基于人工智能的多媒体内容个性化推荐方法 - Google Patents
一种基于人工智能的多媒体内容个性化推荐方法 Download PDFInfo
- Publication number
- CN116521908B CN116521908B CN202310770295.XA CN202310770295A CN116521908B CN 116521908 B CN116521908 B CN 116521908B CN 202310770295 A CN202310770295 A CN 202310770295A CN 116521908 B CN116521908 B CN 116521908B
- Authority
- CN
- China
- Prior art keywords
- user
- data
- content
- recommendation
- target
- 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 49
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 16
- 239000013598 vector Substances 0.000 claims abstract description 88
- 230000006399 behavior Effects 0.000 claims abstract description 54
- 238000013136 deep learning model Methods 0.000 claims abstract description 29
- 238000013527 convolutional neural network Methods 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 12
- 238000004140 cleaning Methods 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 claims description 4
- 238000010224 classification analysis Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 4
- 230000000875 corresponding effect Effects 0.000 description 20
- 238000013528 artificial neural network Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000012217 deletion Methods 0.000 description 5
- 230000037430 deletion Effects 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 239000013604 expression vector Substances 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000004806 packaging method and process Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/40—Information retrieval; Database structures therefor; File system structures therefor of multimedia data, e.g. slideshows comprising image and additional audio data
- G06F16/43—Querying
- G06F16/435—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
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/55—Push-based network services
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于人工智能的多媒体内容个性化推荐方法,包括以下步骤:响应于针对目标用户的内容推荐指令,获取历史用户的多媒体数据和用户行为数据,构建用户画像;将用户画像输入深度学习模型,对多媒体数据和用户行为数据进行特征表示与学习,得到内容表示向量和用户表示向量;计算内容表示向量和用户表示向量之间的相似度,得到个性化推荐结果;根据个性化推荐结果,得到目标用户对应的目标推荐内容,并将目标推荐内容推送至目标用户;利用人工智能算法对用户个人偏好和行为进行分析,实现准确、个性化的多媒体内容推荐,对用户和内容进行特征表示与学习,提高推荐的准确性和效果,呈现方式灵活多样,能够适应不同用户设备和使用习惯。
Description
技术领域
本发明涉及计算机相关技术领域,特别是一种基于人工智能的多媒体内容个性化推荐方法。
背景技术
随着互联网和数字技术的快速发展,人们日益面临信息过载的问题。在海量的多媒体内容中,用户往往难以找到感兴趣的内容,这就需要一种智能化的推荐方法来帮助用户快速准确地找到个性化的内容。
发明内容
本发明的目的是为了解决上述问题,设计了一种基于人工智能的多媒体内容个性化推荐方法。
实现上述目的本发明的技术方案为,进一步,在媒体内容个性化推荐方法中,包括以下步骤:
响应于针对目标用户的内容推荐指令,获取历史用户的多媒体数据和用户行为数据,构建用户画像;
将所述用户画像输入深度学习模型,对所述多媒体数据和用户行为数据进行特征表示与学习,得到所述内容表示向量和用户表示向量;
计算所述内容表示向量和用户表示向量之间的相似度,得到个性化推荐结果;
根据所述个性化推荐结果,得到目标用户对应的目标推荐内容,并将所述目标推荐内容推送至目标用户。
进一步,在上述媒体内容个性化推荐方法中,所述响应于针对目标用户的内容推荐指令,获取历史用户的多媒体数据和用户行为数据,构建用户画像,包括:
获取历史用户的登录、浏览记录和搜索行为信息,根据所述历史用户的登录、浏览记录和搜索行为信息生成多媒体数据和用户行为数据;
对所述多媒体数据和用户行为数据进行数据清洗处理,其中所述数据清洗处理包括去除噪声和异常数据;
对清洗后的多媒体数据和用户行为数据进行关键特征处理,以得到每个历史用户对应的用户属性,并将所述用户属性生成个性化推荐列表;
确定与目标用户兴趣相似的用户群体,获取用户群体中各个历史用户对应的个性化推荐列表,并根据所述个性化推荐列表构建用户画像。
进一步,在上述媒体内容个性化推荐方法中,所述确定与目标用户兴趣相似的用户群体,包括:
计算目标用户和历史用户之间的相似度,得到第一相似度结果,基于所述第一相似度结果,筛选出与目标用户的预设数量个的第一用户;
分别计算多个第一用户与目标用户之间的相似度,得到第二相似度结果,基于所述第二相似度结果将相似度超过预设阈值的用户加入到用户群体中。
进一步,在上述媒体内容个性化推荐方法中,所述根据所述个性化推荐列表构建用户画像,包括:
获取所述根据所述个性化推荐列表构建用户画像,其中所述个性化推荐列表至少包括用户兴趣数据和用户偏好数据;
搭建用户画像框架,对所述用户兴趣数据和所述用户偏好数据进行分层分析和分类分析,得到分析结果;
基于分析结果将所述用户兴趣数据和用户偏好数据进行分层和分类处理,并匹配至所述用户画像框架中;
将所述历史用户与所述用户框架中的所述用户兴趣数据和用户偏好数据一一对应,以构建用户画像。
进一步,在上述媒体内容个性化推荐方法中,所述将所述用户画像输入深度学习模型,对所述多媒体数据和用户行为数据进行特征表示与学习,得到所述内容表示向量和用户表示向量,包括:
将所述用户画像输入深度学习模型,利用不同尺寸卷积核提取所述用户画像的主要特征数据,其中所述主要特征数据包括多媒体数据对应的第一特征数据和用户行为数据对应的第二特征数据,其中所述深度学习模型为卷积神经网络模型;
利用所述深度学习模型中的编码器对所述第一特征数据和所述第二特征数据进行编码,分别得到第一特征向量和第二特征向量;
将所述第一特征向量和第二特征向量映射到高维空间,得到多媒体数据和用户行为数据在高维空间内的内容表示向量和用户表示向量。
进一步,在上述媒体内容个性化推荐方法中,所述计算所述内容表示向量和用户表示向量之间的相似度,得到个性化推荐结果,包括:
计算所述内容表示向量和用户表示向量之间的相似度,得到第三相似度结果;
基于所述第三相似度结果在所述内容表示向量中筛选出预设数量与目标用户匹配的相似内容向量;
基于所述相似内容向量按从高到低排序,生成个性化推荐结果。
进一步,在上述媒体内容个性化推荐方法中,所述计算所述内容表示向量和用户表示向量之间的相似度,得到第三相似度结果,包括:
采用多层卷积神经网络和长短时记忆网络构建内容推荐模型;
采用所述内容推荐模型中的多层卷积神经网络提取与目标用户匹配的所述用户表示向量;
将与目标用户匹配的所述用户表示向量导入长短时记忆网络,获得与目标用户匹配的内容表示向量;
构建损失函数,将内容表示向量和用户表示向量之间进行相似度计算,得到第三相似度结果。
进一步,在上述媒体内容个性化推荐方法中,所述采用多层卷积神经网络和长短时记忆网络构建内容推荐模型,包括;
基于随机梯度下降的自适应矩估计算法对多层卷积神经网络模型进行训练,经过偏置校正后,使得多层卷积神经网络模型参数最优;
固定训练好的多层卷积神经网络模型的参数,训练长短时记忆网络模型,通过随机梯度下降法更新权重,并使用交叉熵损失函数计算损失率,基于损失率进行拟合训练,使得损失函数降到最低,得到内容推荐模型。
进一步,在上述媒体内容个性化推荐方法中,所述将所述目标推荐内容推送目标用户,包括:
获取用户设置的订阅信息,其中订阅信息包括用户根据自己的喜好选择的推荐形式和推送频率;
根据所述订阅信息确定所述目标推荐内容的推荐形式,其中推荐形式至少包括页面推荐和推送通知推荐。
进一步,在上述媒体内容个性化推荐方法中,所述根据所述订阅信息确定所述目标推荐内容的推荐形式,包括:
当所述推荐形式为页面推荐形式时,根据所述推送频率以网格布局或列表方式将所述目标推荐内容推送至目标用户;
当所述推荐形式为推送通知形式时,根据所述推送频率以弹窗或推送消息将所述目标推荐内容推送至目标用户。
本发明提供的技术方案中,响应于针对目标用户的内容推荐指令,获取历史用户的多媒体数据和用户行为数据,构建用户画像;将所述用户画像输入深度学习模型,对所述多媒体数据和用户行为数据进行特征表示与学习,得到所述内容表示向量和用户表示向量;计算所述内容表示向量和用户表示向量之间的相似度,得到个性化推荐结果;根据所述个性化推荐结果,得到目标用户对应的目标推荐内容,并将所述目标推荐内容推送至目标用户;本发明实施例中,利用人工智能算法对用户个人偏好和行为进行分析,实现准确、个性化的多媒体内容推荐,对用户和内容进行特征表示与学习,提高推荐的准确性和效果,呈现方式灵活多样,能够适应不同用户设备和使用习惯。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。
图1为本发明实施例提供的基于人工智能的多媒体内容个性化推荐方法的第一个实施例示意图;
图2为本发明实施例提供的基于人工智能的多媒体内容个性化推荐方法的第二个实施例示意图;
图3为本发明实施例提供的基于人工智能的多媒体内容个性化推荐方法的第三个实施例示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、设备、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解,下面对本发明实施例的具体流程进行描述,请参阅图1本发明实施例提供的基于人工智能的多媒体内容个性化推荐方法的第一个实施例示意图,该方法具体包括以下步骤:
步骤101、响应于针对目标用户的内容推荐指令,获取历史用户的多媒体数据和用户行为数据,构建用户画像;
本实施例中,用户画像,即用户信息标签化,通过收集用户的社会属性、消费习惯、偏好特征等各个维度Q的数据,对用户特征属性进行刻画,并对这些特征进行分析、统计,挖掘潜在价值信息,从而抽象出用户的信息全貌。
本实施例中,多媒体数据可以包括广告、商品、音乐、视频、文字以及图片等内容的至少一种,用户行为数据可以包括用户点击播放视频,浏览或者购买商品、或者播放音乐等等,本发明不对其作具体限定;通过对用户的访问行为、操作行为、历史轨迹、以及用户其他在线行为资源的获取、分析、挖掘等等方式,构建用户画像。
步骤102、将用户画像输入深度学习模型,对多媒体数据和用户行为数据进行特征表示与学习,得到内容表示向量和用户表示向量;
步骤103、计算内容表示向量和用户表示向量之间的相似度,得到个性化推荐结果;
步骤104、根据个性化推荐结果,得到目标用户对应的目标推荐内容,并将目标推荐内容推送至目标用户。
本实施例中,获取用户设置的订阅信息,其中订阅信息包括用户根据自己的喜好选择的推荐形式和推送频率;根据订阅信息确定目标推荐内容的推荐形式,其中推荐形式至少包括页面推荐和推送通知推荐;当推荐形式为页面推荐形式时,根据推送频率以网格布局或列表方式将目标推荐内容推送至目标用户;当推荐形式为推送通知形式时,根据推送频率以弹窗或推送消息将目标推荐内容推送至目标用户。
本发明实施例中,响应于针对目标用户的内容推荐指令,获取历史用户的多媒体数据和用户行为数据,构建用户画像;将用户画像输入深度学习模型,对多媒体数据和用户行为数据进行特征表示与学习,得到内容表示向量和用户表示向量;计算内容表示向量和用户表示向量之间的相似度,得到个性化推荐结果;根据个性化推荐结果,得到目标用户对应的目标推荐内容,并将目标推荐内容推送至目标用户;利用人工智能算法对用户个人偏好和行为进行分析,实现准确、个性化的多媒体内容推荐,对用户和内容进行特征表示与学习,提高推荐的准确性和效果,呈现方式灵活多样,能够适应不同用户设备和使用习惯。
请参阅图2,本发明实施例提供的基于人工智能的多媒体内容个性化推荐方法的第二个实施例示意图,该方法包括:
步骤201、获取历史用户的登录、浏览记录和搜索行为信息,根据历史用户的登录、浏览记录和搜索行为信息生成多媒体数据和用户行为数据;
步骤202、对多媒体数据和用户行为数据进行数据清洗处理,其中数据清洗处理包括去除噪声和异常数据;
本实施例中,多媒体数据和用户行为数据中总是存在很多“脏数据”,也就是不完整、不规范、不准确的数据,数据清洗就是指将“脏数据”洗掉,包括检查数据一致性,处理无效值和缺失值,从而提高数据质量;数据清洗可以有多重表述方式,一般认为,数据清洗的含义就是检测和取出数据集中的噪声数据和无关数据,处理遗漏数据,去除空白数据和知识背景下的白噪声;一般性检查:根据每个变量的合理取值范围和相互关系,检查数据是否规范,是否超出正常范围,逻辑上不符或相互矛盾的数;无效值和缺失值的处理:常用的处理方法有估算、整例删除、变量删除和成对删除,估算就是用某个变量的样本均值、中位数或者众数代替无效值和缺失值,另一种办法通过变量之间的相关分析或逻辑推论进行估计;整例删除,剔除含有缺失值的样本;变量删除,如果某一个变量无效值和缺失值很多,而且经过分析该变量对所研究问题不重要,则可以考虑将该变量删除成对删除,用一个特殊码代替无效值和缺失值,同时保留数据集中的全部变量和样本。
步骤203、对清洗后的多媒体数据和用户行为数据进行关键特征处理,以得到每个历史用户对应的用户属性,并将用户属性生成个性化推荐列表;
本实施例中,特征提取方法包括过滤法、包装法和嵌入法,其中过滤法按照发散性或者相关性对各个特征进行评分,设定阈值或者待选择阈值的个数,选择特征,过滤法当特征值都是离散型变量的时候这种方法才能用,如果是连续型变量,就需要将连续变量离散化之后才能用;包装法,根据目标函数,每次选择若干特征,或者排除若干特征;嵌入法先使用某些机器学习的算法和模型进行训练,得到各个特征的权值系数,根据系数从大到小选择特征。
步骤204、确定与目标用户兴趣相似的用户群体,获取用户群体中各个历史用户对应的个性化推荐列表,并根据个性化推荐列表构建用户画像。
本实施例中,计算目标用户和历史用户之间的相似度,得到第一相似度结果,基于第一相似度结果,筛选出与目标用户的预设数量个的第一用户;分别计算多个第一用户与目标用户之间的相似度,得到第二相似度结果,基于第二相似度结果将相似度超过预设阈值的用户加入到用户群体中。
本实施例中,获取根据个性化推荐列表构建用户画像,其中个性化推荐列表至少包括用户兴趣数据和用户偏好数据;搭建用户画像框架,对用户兴趣数据和用户偏好数据进行分层分析和分类分析,得到分析结果;基于分析结果将用户兴趣数据和用户偏好数据进行分层和分类处理,并匹配至用户画像框架中;
将历史用户与用户框架中的用户兴趣数据和用户偏好数据一一对应,以构建用户画像。
本发明实施例中,获取历史用户的登录、浏览记录和搜索行为信息,根据历史用户的登录、浏览记录和搜索行为信息生成多媒体数据和用户行为数据,对多媒体数据和用户行为数据进行数据清洗处理,其中数据清洗处理包括去除噪声和异常数据,对清洗后的多媒体数据和用户行为数据进行关键特征处理,以得到每个历史用户对应的用户属性,并将用户属性生成个性化推荐列表,确定与目标用户兴趣相似的用户群体,获取用户群体中各个历史用户对应的个性化推荐列表,并根据个性化推荐列表构建用户画像;本发明对用户个人偏好和行为进行分析,实现准确、个性化的多媒体内容推荐。
请参阅图3,本发明实施例提供的基于人工智能的多媒体内容个性化推荐方法的第三个实施例示意图,该方法包括:
步骤301、响应于针对目标用户的内容推荐指令,获取历史用户的多媒体数据和用户行为数据,构建用户画像;
步骤302、将用户画像输入深度学习模型,利用不同尺寸卷积核提取用户画像的主要特征数据,其中主要特征数据包括多媒体数据对应的第一特征数据和用户行为数据对应的第二特征数据,其中深度学习模型为卷积神经网络模型;
本实施例中,要对深度学习模型进行训练,需要向深度学习模型输入样本数据(即待训练文本数据),用于深度学习模型的样本数据是具有一定数量的,例如是1000个多媒体数据,在每一次深度学习模型的时候,可能会在预先设置好的样本数据中随机挑选一定量的样本数据输入到深度学习模型中,例如是20个多媒体数据。其中,样本数据是有序地输入至深度学习模型中的,即挑选好的样本数据是逐一逐一地输入到深度学习模型中的,这些样本数据都是在不同的时刻输入到深度学习模型中的,在给定了一定的样本数据之后,可以基于给定的样本数据进行机器学习;
卷积神经网络是一个多层的神经网络,每层由多个二维平面组成,而每个平面由多个独立神经元组成;卷积神经网络中的每一个特征提取层(C-层)都紧跟着一个用来求局部平均与二次提取的下采样层(S-层),这种特有的两次特征提取结构使网络在识别时对输入样本有较高的畸变容忍能力;卷积神经网络特征提取和模式分类同时进行,并同时在训练中产生,权重共享可以减少网络的训练参数,使神经网络结构变得更简单,适应性更强;
卷积神经网络的LeNet-5训练算法:第一阶段,向前传播阶段:a)从样本集中取一个样本(X,Yp),将X输入网络;b)计算相应的实际输出Op。在此阶段,信息从输入层经过逐级的变换,传送到输出层。这个过程也是网络在完成训练后正常运行时执行的过程。在此过程中,网络执行的是计算(实际上就是输入与每层的权值矩阵相点乘,得到最后的输出结果):Op=Fn(…(F2(F1(XpW(1))W(2))…)W(n));第二阶段,向后传播阶段,a)算实际输出Op与相应的理想输出Yp的差;b)按极小化误差的方法反向传播调整权矩阵。
步骤303、利用深度学习模型中的编码器对第一特征数据和第二特征数据进行编码,分别得到第一特征向量和第二特征向量;
本实施例中,将至少一个第一特征数据和第二特征数据输入深度学习模型,得到与至少第一特征数据和第二特征数据分别对应的第一特征向量和第二特征向量的步骤,可以包括:将至少一个第一特征数据和第二特征数据输入深度学习模型,深度学习模型基于至少一个第一特征数据和第二特征数据确定与至少一个第一特征数据和第二特征数据的含义相同或类似的词,并基于至少一个第一特征数据和第二特征数据及与至少一个第一特征数据和第二特征数据的含义相同或类似的词分别确定第一特征向量和第二特征向量。其中,基于第一特征数据和第二特征数据确定与第一特征数据和第二特征数据的含义相同或类似的词的过程,可以是预先将词库中所有的词的含义向量化,然后匹配与第一特征数据和第二特征数据对应的向量相同或相似的词,匹配到的相同或相似的词即为与该第一特征数据和第二特征数据的含义相同或相类似的词。
步骤304、将第一特征向量和第二特征向量映射到高维空间,得到多媒体数据和用户行为数据在高维空间内的内容表示向量和用户表示向量;
本实施例中,高维空间的神经网络是一种特殊的深度学习模型,用于处理高维数据。它通过增加网络、层数来处理高维数据,用于提取高维特征,解决复杂的机器学习问题,并且可以用于解决许多机器学习应用场景。高维空间的神经网络可以更好地捕捉数据的复杂性,从而更好地解决机器学习问题。一个高维空间的神经网络就像是一个复杂的连续空间,里面充斥着各种各样的点,每一个点都有自己的位置和属性,它们可以相互之间的关联,比如一个点的属性可能会影响另一个点的属性,这样就形成了一个复杂的连续空间,被称为神经网络。在这个空间里,每个点都可以激活其他点,同时也可以被其他点所激活,形成一个复杂的互动关系,从而使整个空间变得更加复杂,并且能够记录下大量的信息。因此,这种高维空间的神经网络可以更好的理解和模拟复杂的现实世界,并且还能够帮助我们解决复杂的问题。
步骤305、计算内容表示向量和用户表示向量之间的相似度,得到第三相似度结果;
本实施例中,采用多层卷积神经网络和长短时记忆网络构建内容推荐模型;采用内容推荐模型中的多层卷积神经网络提取与目标用户匹配的用户表示向量;将与目标用户匹配的用户表示向量导入长短时记忆网络,获得与目标用户匹配的内容表示向量;构建损失函数,将内容表示向量和用户表示向量之间进行相似度计算,得到第三相似度结果。
本实施例中,基于随机梯度下降的自适应矩估计算法对多层卷积神经网络模型进行训练,经过偏置校正后,使得多层卷积神经网络模型参数最优;固定训练好的多层卷积神经网络模型的参数,训练长短时记忆网络模型,通过随机梯度下降法更新权重,并使用交叉熵损失函数计算损失率,基于损失率进行拟合训练,使得损失函数降到最低,得到内容推荐模型。
本实施例中,卷积神经网络Q(CNN)由输入层、卷积层、激活函数、池化层、全连接层组成,即INPUT(输入层)-CONV(卷积层)-RELU(激活函数)-POOL(池化层)-FC(全连接层);长短时记忆网络内部分为三个部分:遗忘门、输入门与输出门,遗忘门用于控制记忆单元里那些信息舍弃(遗忘)或保留,输入门决定更新记忆单元的信息,包括Sigmoid与Tanh两个部分,输出门的功能是读取刚刚更新过的神经网络状态,对记忆单元进行输出,而具体哪些信息可以输出受输出门的控制;自适应矩估计算法从其本质上看可以视作是带有动量项的均方根Q反向传播算法,一方面它使用动量法中的方式来进行参数历史梯度的累积,从而更好地利用历史信息,另一方面利用梯度的一阶矩估计和二阶矩估计来动态调整每个参数的学习率,在获得更快收敛速度的同时使得波动的幅度更小;随机梯度下降法,梯度的方向是函数在给定点上升最快的方向,那么梯度的反方向就是函数在给定点下降最快的方向,因此我们在做梯度下降的时候,应该是沿着梯度的反方向进行权重的更新,可以有效的找到全局的最优解。
步骤306、基于第三相似度结果在内容表示向量中筛选出预设数量与目标用户匹配的相似内容向量;
步骤307、基于相似内容向量按从高到低排序,生成个性化推荐结果;
步骤308、根据个性化推荐结果,得到目标用户对应的目标推荐内容,并将目标推荐内容推送至目标用户。
综上,通过响应于针对目标用户的内容推荐指令,获取历史用户的多媒体数据和用户行为数据,构建用户画像;将用户画像输入深度学习模型,对多媒体数据和用户行为数据进行特征表示与学习,得到内容表示向量和用户表示向量;计算内容表示向量和用户表示向量之间的相似度,得到个性化推荐结果;根据个性化推荐结果,得到目标用户对应的目标推荐内容,并将目标推荐内容推送至目标用户;利用人工智能算法对用户个人偏好和行为进行分析,实现准确、个性化的多媒体内容推荐,对用户和内容进行特征表示与学习,提高推荐的准确性和效果,呈现方式灵活多样,能够适应不同用户设备和使用习惯。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的仅为本发明的优选例,并不用来限制本发明,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (1)
1.一种基于人工智能的多媒体内容个性化推荐方法,其特征在于,该方法包括以下步骤:
响应于针对目标用户的内容推荐指令,获取历史用户的多媒体数据和用户行为数据,构建用户画像;
将所述用户画像输入深度学习模型,对所述多媒体数据和用户行为数据进行特征表示与学习,得到内容表示向量和用户表示向量;
计算所述内容表示向量和用户表示向量之间的相似度,得到个性化推荐结果;
根据所述个性化推荐结果,得到目标用户对应的目标推荐内容,并将所述目标推荐内容推送至目标用户;
所述响应于针对目标用户的内容推荐指令,获取历史用户的多媒体数据和用户行为数据,构建用户画像,包括:
获取历史用户的登录、浏览记录和搜索行为信息,根据所述历史用户的登录、浏览记录和搜索行为信息生成多媒体数据和用户行为数据;
对所述多媒体数据和用户行为数据进行数据清洗处理,其中所述数据清洗处理包括去除噪声和异常数据;
对清洗后的多媒体数据和用户行为数据进行关键特征处理,以得到每个历史用户对应的用户属性,并将所述用户属性生成个性化推荐列表;
确定与目标用户兴趣相似的用户群体,获取用户群体中各个历史用户对应的个性化推荐列表,并根据所述个性化推荐列表构建用户画像;
所述确定与目标用户兴趣相似的用户群体,包括:
计算目标用户和历史用户之间的相似度,得到第一相似度结果,基于所述第一相似度结果,筛选出与目标用户的预设数量个的第一用户;
分别计算多个第一用户与目标用户之间的相似度,得到第二相似度结果,基于所述第二相似度结果将相似度超过预设阈值的用户加入到用户群体中;
所述根据所述个性化推荐列表构建用户画像,包括:
获取所述根据所述个性化推荐列表构建用户画像,其中所述个性化推荐列表至少包括用户兴趣数据和用户偏好数据;
搭建用户画像框架,对所述用户兴趣数据和所述用户偏好数据进行分层分析和分类分析,得到分析结果;
基于分析结果将所述用户兴趣数据和用户偏好数据进行分层和分类处理,并匹配至所述用户画像框架中;
将所述历史用户与所述用户画像框架中的所述用户兴趣数据和用户偏好数据一一对应,以构建用户画像;
所述将所述用户画像输入深度学习模型,对所述多媒体数据和用户行为数据进行特征表示与学习,得到所述内容表示向量和用户表示向量,包括:
将所述用户画像输入深度学习模型,利用不同尺寸卷积核提取所述用户画像的主要特征数据,其中所述主要特征数据包括多媒体数据对应的第一特征数据和用户行为数据对应的第二特征数据,其中所述深度学习模型为卷积神经网络模型;
利用所述深度学习模型中的编码器对所述第一特征数据和所述第二特征数据进行编码,分别得到第一特征向量和第二特征向量;
将所述第一特征向量和第二特征向量映射到高维空间,得到多媒体数据和用户行为数据在高维空间内的内容表示向量和用户表示向量;
所述计算所述内容表示向量和用户表示向量之间的相似度,得到个性化推荐结果,包括:
计算所述内容表示向量和用户表示向量之间的相似度,得到第三相似度结果;
基于所述第三相似度结果在所述内容表示向量中筛选出预设数量与目标用户匹配的相似内容向量;
基于所述相似内容向量按从高到低排序,生成个性化推荐结果;
所述计算所述内容表示向量和用户表示向量之间的相似度,得到第三相似度结果,包括:
采用多层卷积神经网络和长短时记忆网络构建内容推荐模型;
采用所述内容推荐模型中的多层卷积神经网络提取与目标用户匹配的所述用户表示向量;
将与目标用户匹配的所述用户表示向量导入长短时记忆网络,获得与目标用户匹配的内容表示向量;
构建损失函数,将内容表示向量和用户表示向量之间进行相似度计算,得到第三相似度结果;
所述采用多层卷积神经网络和长短时记忆网络构建内容推荐模型,包括:
基于随机梯度下降的自适应矩估计算法对多层卷积神经网络模型进行训练,经过偏置校正后,使得多层卷积神经网络模型参数最优;
固定训练好的多层卷积神经网络模型的参数,训练长短时记忆网络模型,通过随机梯度下降法更新权重,并使用交叉熵损失函数计算损失率,基于损失率进行拟合训练,使得损失函数降到最低,得到内容推荐模型;
所述将所述目标推荐内容推送至目标用户,包括:
获取用户设置的订阅信息,其中订阅信息包括用户根据自己的喜好选择的推荐形式和推送频率;
根据所述订阅信息确定所述目标推荐内容的推荐形式,其中推荐形式至少包括页面推荐和推送通知推荐;
所述根据所述订阅信息确定所述目标推荐内容的推荐形式,包括:
当所述推荐形式为页面推荐形式时,根据所述推送频率以网格布局或列表方式将所述目标推荐内容推送至目标用户;
当所述推荐形式为推送通知形式时,根据所述推送频率以弹窗或推送消息将所述目标推荐内容推送至目标用户。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310770295.XA CN116521908B (zh) | 2023-06-28 | 2023-06-28 | 一种基于人工智能的多媒体内容个性化推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310770295.XA CN116521908B (zh) | 2023-06-28 | 2023-06-28 | 一种基于人工智能的多媒体内容个性化推荐方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116521908A CN116521908A (zh) | 2023-08-01 |
CN116521908B true CN116521908B (zh) | 2024-01-09 |
Family
ID=87401481
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310770295.XA Active CN116521908B (zh) | 2023-06-28 | 2023-06-28 | 一种基于人工智能的多媒体内容个性化推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116521908B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117119258B (zh) * | 2023-10-23 | 2024-02-02 | 深圳市致尚信息技术有限公司 | 一种基于用户特征的影视推送方法及*** |
CN117649319B (zh) * | 2023-12-11 | 2024-06-04 | 广州工程技术职业学院 | 基于海运危险品归类的智能教学方法及装置、设备、介质 |
CN117932165B (zh) * | 2024-03-22 | 2024-06-11 | 湖南快乐阳光互动娱乐传媒有限公司 | 个性化社交方法、***、电子设备及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109840793A (zh) * | 2017-11-28 | 2019-06-04 | 广州腾讯科技有限公司 | 推广信息的推送方法和装置、存储介质、电子装置 |
CN110781207A (zh) * | 2019-11-01 | 2020-02-11 | 安徽大学 | 一种基于用户画像的专利推荐方法 |
CN111598627A (zh) * | 2020-05-26 | 2020-08-28 | 揭阳职业技术学院 | 一种电梯传媒终端个性化广告推送方法 |
CN112000894A (zh) * | 2020-10-28 | 2020-11-27 | 北京妙医佳健康科技集团有限公司 | 一种健康管理信息推送方法、装置、设备及存储介质 |
CN113158023A (zh) * | 2021-02-05 | 2021-07-23 | 杭州码全信息科技有限公司 | 基于混合推荐算法的公共数字生活精准分类服务方法 |
CN113220985A (zh) * | 2021-04-06 | 2021-08-06 | 天津大学 | 基于健康养老环境下嵌入式用户画像模型的服务推荐方法 |
CN114168841A (zh) * | 2021-10-29 | 2022-03-11 | 中国建设银行股份有限公司 | 内容推荐方法及其装置 |
WO2022151649A1 (zh) * | 2021-01-15 | 2022-07-21 | 稿定(厦门)科技有限公司 | 基于深度兴趣网络的专题推荐方法及装置 |
CN115130811A (zh) * | 2022-04-12 | 2022-09-30 | 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 | 电力用户画像的建立方法、装置及电子设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111898031B (zh) * | 2020-08-14 | 2024-04-05 | 腾讯科技(深圳)有限公司 | 一种获得用户画像的方法及装置 |
-
2023
- 2023-06-28 CN CN202310770295.XA patent/CN116521908B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109840793A (zh) * | 2017-11-28 | 2019-06-04 | 广州腾讯科技有限公司 | 推广信息的推送方法和装置、存储介质、电子装置 |
CN110781207A (zh) * | 2019-11-01 | 2020-02-11 | 安徽大学 | 一种基于用户画像的专利推荐方法 |
CN111598627A (zh) * | 2020-05-26 | 2020-08-28 | 揭阳职业技术学院 | 一种电梯传媒终端个性化广告推送方法 |
CN112000894A (zh) * | 2020-10-28 | 2020-11-27 | 北京妙医佳健康科技集团有限公司 | 一种健康管理信息推送方法、装置、设备及存储介质 |
WO2022151649A1 (zh) * | 2021-01-15 | 2022-07-21 | 稿定(厦门)科技有限公司 | 基于深度兴趣网络的专题推荐方法及装置 |
CN113158023A (zh) * | 2021-02-05 | 2021-07-23 | 杭州码全信息科技有限公司 | 基于混合推荐算法的公共数字生活精准分类服务方法 |
CN113220985A (zh) * | 2021-04-06 | 2021-08-06 | 天津大学 | 基于健康养老环境下嵌入式用户画像模型的服务推荐方法 |
CN114168841A (zh) * | 2021-10-29 | 2022-03-11 | 中国建设银行股份有限公司 | 内容推荐方法及其装置 |
CN115130811A (zh) * | 2022-04-12 | 2022-09-30 | 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 | 电力用户画像的建立方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN116521908A (zh) | 2023-08-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116521908B (zh) | 一种基于人工智能的多媒体内容个性化推荐方法 | |
CN111931062B (zh) | 一种信息推荐模型的训练方法和相关装置 | |
Volkovs et al. | Dropoutnet: Addressing cold start in recommender systems | |
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*** | |
Choi et al. | Dynamic graph convolutional networks with attention mechanism for rumor detection on social media | |
CN112417306B (zh) | 基于知识图谱的推荐算法性能优化的方法 | |
CN108132968A (zh) | 网络文本与图像中关联语义基元的弱监督学习方法 | |
Ajay et al. | [Retracted] Environmental and Geographical (EG) Image Classification Using FLIM and CNN Algorithms | |
CN110619081A (zh) | 一种基于交互图神经网络的新闻推送方法 | |
CN109933720B (zh) | 一种基于用户兴趣自适应演化的动态推荐方法 | |
CN113761359B (zh) | 数据包推荐方法、装置、电子设备和存储介质 | |
Alfarhood et al. | DeepHCF: a deep learning based hybrid collaborative filtering approach for recommendation systems | |
CN112396492A (zh) | 基于图注意力网络和双向长短期记忆网络的会话推荐方法 | |
Ibrayev et al. | On-chip face recognition system design with memristive hierarchical temporal memory | |
CN115618101A (zh) | 基于负反馈的流媒体内容推荐方法、装置及电子设备 | |
Chen et al. | Gaussian mixture embedding of multiple node roles in networks | |
Millham et al. | Parameter tuning onto recurrent neural network and long short-term memory (RNN-LSTM) network for feature selection in classification of high-dimensional bioinformatics datasets | |
CN114119151A (zh) | 下一个购物篮个性化推荐方法、***及介质 | |
Vijayaganth et al. | Plant diseases detection using an improved CNN model | |
Liu et al. | Collaborative social deep learning for celebrity recommendation | |
Sridhar et al. | Extending Deep Neural Categorisation Models for Recommendations by Applying Gradient Based Learning | |
Ghozia et al. | Intelligence Is beyond Learning: A Context‐Aware Artificial Intelligent System for Video Understanding | |
Ji | [Retracted] Research on Recognition Effect of DSCN Network Structure in Hand‐Drawn Sketch | |
Savran Kızıltepe et al. | Combining very deep convolutional neural networks and recurrent neural networks for video classification |
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 |