CN108205537A - 一种视频推荐方法及系统 - Google Patents

一种视频推荐方法及系统 Download PDF

Info

Publication number
CN108205537A
CN108205537A CN201611169332.8A CN201611169332A CN108205537A CN 108205537 A CN108205537 A CN 108205537A CN 201611169332 A CN201611169332 A CN 201611169332A CN 108205537 A CN108205537 A CN 108205537A
Authority
CN
China
Prior art keywords
user
video
feature
matching
category
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
Application number
CN201611169332.8A
Other languages
English (en)
Inventor
王志鹏
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.)
Beijing Kuwo Technology Co Ltd
Original Assignee
Beijing Kuwo Technology Co Ltd
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 Beijing Kuwo Technology Co Ltd filed Critical Beijing Kuwo Technology Co Ltd
Priority to CN201611169332.8A priority Critical patent/CN108205537A/zh
Publication of CN108205537A publication Critical patent/CN108205537A/zh
Pending legal-status Critical Current

Links

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
    • G06F16/7867—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, title and artist information, manually generated time, location and usage information, user ratings

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Library & Information Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)

Abstract

一种视频推荐方法，所述方法包括：获取用户的视频操作历史信息；根据所述视频操作历史信息，用隐性特征算法预测用户的视频推荐列表；将所述视频推荐列表发送给所述用户。本发明实施例能够解决稀释数据下的特征组合问题，将特征之间的隐性关系进行数学量化，更准确的预测用户点击视频的可能性，提高为用户推荐视频的准确性。

Description

一种视频推荐方法及系统
技术领域
本发明涉及视频分析技术领域，尤其涉及一种视频推荐方法及系统。
背景技术
目前，视频推荐策略多数是基于协同过滤或标签系统来实现。协同过滤算法根据用户的评分来计算相关性并得到推荐。协同过滤算法是基于用户之间的共享观点。换句话说，协同过滤算法是基于假设：为用户找到他真正感兴趣内容的方法是首先找到与他兴趣相似的用户，然后将这型用户感兴趣的内容推荐给此用户。标签系统是通过专家对商品进行打标签、分门别类，再推荐和该用户历史相同标签的商品。
然而，协同过滤算法存在多种问题。一，稀疏性(Sparsity)问题，在实际应用中，用户和项目的数量都非常大。因此，评分矩阵会极度稀疏，这会对算法的效率产生消极影响；同时，两个用户的之间的相似度很有可能为零，产生“邻居传递损失”现象。二，同义词(Synonymy)问题，在实际应用中，不同的项目名称可能对应相似的项目，基于相似度计算的推荐系统不能发现这样的潜在关系，而是把它们当不同的项目对待。三，新用户/项目(NewUser/Item)问题，对于新用户问题，由于没有对项目产生任何评分，因此也无法计算相似度，当然也就不能产生推荐。对于新项目，同样存在类似问题，系统在开始时推荐品质较差。四，可扩展(Scalability)问题：基于最近邻算法在项目和用户的维数增加会导致计算量非常大，因此考虑算法的可扩展性非常重要。
此外，标签系统也存在多种问题。一，耗费人力、时间长。打标签是一项人工过程。视频量非常大，且每天新产生的视频也非常多，单单靠人工来打标签，是一项漫长的过程。二，标签粒度问题，标签的粒度很难确定。如果标签粒度太大，不足以表现这个标签的概念。比如：给视频打“中国”标签是意义不大的。如果标签粒度太小，那么标签层级关系太多，会出现父标签、子标签、子子标签等等。能否准确的打好、维护好标签层级关系，对推荐结果影响很大。三，主观影响大。标签是一种人为主观的看法，每个人的主观看法都会有不所不同。很难保证这些专家打标签的一致性。
也就是说，基于协同过滤算法和标签系统的存在的问题，找到一种能够实现对视频(Video)更准确的预测成为亟待解决的问题。
发明内容
本申请提供一种视频推荐的推荐方法及系统，该方法能够解决稀释数据下的特征组合问题，将特征之间的隐性关系进行数学量化，更准确的预测用户点击视频的可能性，提高为用户推荐视频的准确性。
本申请第一方面提供一种视频推荐方法，所述方法包括：获取用户的视频操作历史信息；根据所述视频操作历史信息，用隐性特征算法预测用户的视频推荐列表；将所述视频推荐列表发送给所述用户。
在一种可能的实现方式中，所述隐性特征算法包括：获取用户的特征；获取视频的特征；获取用户和视频的匹配特征；将所述用户的特征、所述视频商品的特征以及所述用户和视频的匹配特征进行模型训练，得到训练结果，以便于预测用户的视频推荐列表。
在一种可能的实现方式中，所述用户的特征是所述用户的基本信息，所述用户的基本信息包括年龄、性别、职业、兴趣、品类偏好、浏览品类以及购买品类的一种或多种。
在一种可能的实现方式中，所述视频的特征包括访问次数、访问停留时间、会话开始、会话时长以及会话结束的一种或多种。
在一种可能的实现方式中，所述用户和视频的匹配特征包括浏览/购买品类匹配、浏览/购买商家匹配以及兴趣偏好匹配的一种或多种。
在一种可能的实现方式中，所述隐性特征算法还包括：将所述用户的特征、所述视频的特征以及所述用户和视频的匹配特征转换为条目编号，特征编号以及特征的值。
本申请第二方面提供一种视频推荐系统，所述系统包括获取单元，预测单元以及发送单元；其中，所述获取单元，获取用户的视频操作历史信息；所述预测单元，根据所述视频操作历史信息，用隐性特征算法预测用户的视频推荐列表；所述发送单元，将所述视频推荐列表发送给所述用户。
在一种可能的实现方式中，所述系统还包括处理单元；其中，所述处理单元，获取用户的特征，且获取视频的特征，且获取用户和视频的匹配特征；然后将所述用户的特征、所述视频商品的特征以及所述用户和视频的匹配特征进行模型训练，得到训练结果，以便于预测用户的视频推荐列表。
在一种可能的实现方式中，所述系统还包括转换单元，其中，所述转换单元，用于将将所述用户的特征、所述视频的特征以及所述用户和视频的匹配特征转换为条目编号，特征编号以及特征的值。
在一种可能的实现方式中，所述用户和视频的匹配特征包括浏览/购买品类匹配、浏览/购买商家匹配以及兴趣偏好匹配的一种或多种。
本申请能够解决稀释数据下的特征组合问题，将特征之间的隐性关系进行数学量化，更准确的预测用户点击视频的可能性，提高为用户推荐视频的准确性。
附图说明
图1为本发明实施例提供的一种视频推荐方法流程示意图；
图2为本发明实施例提供的一种隐性特征算法效果示意图；
图3为本发明实施例提供的一种视频推荐系统框架示意图。
具体实施方式
下面通过附图和实施例，对本发明实施例的技术方案做进一步的详细描述。
本发明实施例能够解决稀释数据下的特征组合问题，将特征之间的隐性关系进行数学量化，更准确的预测用户点击视频的可能性，提高为用户推荐视频的准确性。
图1为本发明实施例提供的一种视频推荐方法流程示意图。如图1所示，该方法包括步骤S101-S103。
S101，获取用户的视频操作历史信息。
S102，根据所述视频操作历史信息，用隐性特征算法预测用户的视频推荐列表。
隐性特征算法包括：获取用户的特征；获取视频的特征；获取用户和视频的匹配特征；将所述用户的特征、所述视频商品的特征以及所述用户和视频的匹配特征进行模型训练，得到训练结果，以便于预测用户的视频推荐列表。
用户的特征是所述用户的基本信息，所述用户的基本信息包括年龄、性别、职业、兴趣、品类偏好、浏览品类以及购买品类的一种或多种。视频的特征包括访问次数、访问停留时间、会话开始、会话时长以及会话结束的一种或多种。用户和视频的匹配特征包括浏览/购买品类匹配、浏览/购买商家匹配以及兴趣偏好匹配的一种或多种。
上述隐性特征算法还包括：将所述用户的特征、所述视频的特征以及所述用户和视频的匹配特征转换为条目(Field_id)编号，特征编号(Feat_id)以及特征的值(Value)。
需要说明的是，会话开始(Session Starats)就是指用户有多少次从这个视频开始访问视频推荐网站的。会话时长(Session Duration)是用在视频平台上停留的时间，包括用户访问视频以及在视频平台上停留的时间。会话结束(Session Ends)是衡量用户是不是经常在看完视频后就离开了视频平台，这是算法的一个负面指标。本发明实施例中，隐性特征算法是指FFM(Field-aware Factorization Machine)算法。
S103，将所述视频推荐列表发送给所述用户。
下面对FFM算法进行说明。
将所有用户(user)特征用矩阵来表示，记为MatrixUser；视频(video)的特征(item)也用矩阵来表示，记为MatrixVideo。两个矩阵相乘得到矩阵MatrixRating。MatrixRating即为最终要求解的矩阵，MatrixRating的某一项Rij,即表示第i个user对第j个video的预测的评分。
一个Rating矩阵可以分解为user矩阵和item矩阵，每个user和item都可以采用一个隐向量表示。比如在下面的例子中，把每个user表示成一个二维向量，同时把每个video表示成一个二维向量，两个向量的点积，就是矩阵中user对item的打分。
但是，由于user众多，item的特征也众多，导致矩阵的规模非常浩大。此时，直接进行矩阵分解，会耗费大量时间进行计算。另外，很多的User特征、video特征不存在值，因此矩阵是稀疏的，必须要解决好稀疏矩阵的因式分解问题。
这里就涉及FFM特征组合。通常情况下，特征组合起来、成对使用，所表达的含义会更重要一些。比如以下两对特征，<Country,Day>，两个特征对之间的距离，便表示了它们之间的隐含特性。
Country＝”USA”^Day＝”Thanksgiving”。
Country＝”China”^Day＝”Chinese_New_Year”。
设定Wij是特征对<特征I，特征J>的权重，每一个特征都用一个K维向量标识，Vi是特征I的隐向量，此时Wij＝<Vi,Vj>。User特征和item特征之间的权重Wij，相当于矩阵分解的结果。
FFM算法通过引入field的概念，把相同性质的特征归于同一个field。以广告分类为例，“Day＝26/11/15”、“Day＝1/7/14”、“Day＝19/2/15”这三个特征都是代表日期的，可以放到同一个field中。同理，商品的末级品类编码生成了550个特征，这550个特征都是说明商品所属的品类，因此它们也可以放到同一个field中。简单来说，同一个分类(categorical)特征经过One-Hot编码生成的数值特征都可以放到同一个field，包括用户性别、职业、品类偏好等。在FFM算法中，每一维特征xi，针对其它特征的每一种fieldfj，都会学习一个隐向量vi,fj。因此，隐向量不仅与特征相关，也与field相关。也就是说，“Day＝26/11/15”这个特征与“Country”特征和“Ad_type"特征进行关联的时候使用不同的隐向量，这与“Country”和“Ad_type”的内在差异相符，也是FFM中“field-aware”的由来。
假设样本的n个特征属于f个field，那么FFM的二次项有nf个隐向量。而在FM模型中，每一维特征的隐向量只有一个。FM可以看作FFM的特例，是把所有特征都归属到一个field时的FFM模型。根据FFM的field敏感特性，可以导出其模型方程。
其中，fj是第j个特征所属的field。如果隐向量的长度为k，那么FFM的二次参数有nfk个，远多于FM模型的nk个。此外，由于隐向量与field相关，FFM二次项并不能够化简，其预测复杂度是O(kn2)。
需要说明的是，FM(factorization machine)模型是一种基于矩阵分解的机器学习模型，对于稀疏数据具有很好的学习能力。本发明实施例对此不进行详细说明。
下面以一个例子简单说明FFM的特征组合方式。输入记录如下
User Movie Genre Price
YuChin 3Idiots Comedy,Drama $9.99
这条记录可以编码成5个特征，其中“Genre＝Comedy”和“Genre＝Drama”属于同一个field，“Price”是数值型，不用One-Hot编码转换。为了方便说明FFM的样本格式，我们将所有的特征和对应的field映射成整数编号。
Field name Field index Feature name Feature index
User 1 User＝YuChin A
Movie 2 Movie＝3Idiots B
Genre 3 Genre＝Comedy C
Price 4 Genre＝Drama D
Price E
那么，FFM的组合特征有10项，如下图所示。
<VA,2,VB,1>〃1〃1+<VA,3,VC,1>〃1〃1+<VA,3,VD,1>〃1〃1+<VA,4,VE,1>〃1〃9.99
+<VB,3,VC,2>〃1〃1+<VB,3,VD,2>〃1〃1+<VB,4,VE,2>〃1〃9.99
+<VC,3,VD,3>〃1〃1+<VC,4,VE,3>〃1〃9.99
+<VD,4,VE,3>〃1〃9.99
其中，数字是field编号，字母是特征编号，1或9.99是此样本的特征取值。二次项的系数是通过与特征field相关的隐向量点积得到的，二次项共有n(n-1)/2个。
FFM算法在应用时。在video推荐的场景中，FFM主要用来预估站内CTR(ClickThrough Rate)和CVR(Click Value Rate)，即一个用户对一个video的潜在点击率CVR和点击后的转化率CTR。
预估模型都是在线下训练，然后用于线上预测。模型采用的特征主要有三类：用户相关的特征、商品相关的特征、以及用户-商品匹配特征。用户相关的特征包括年龄、性别、职业、兴趣、品类偏好、浏览/购买品类等基本信息，以及用户近期浏览量、点击量、观看量、购买量、消费额等统计信息。video相关的特征包括所属品类、销量、价格、评分、历史VCR等信息。用户-商品匹配特征主要有浏览/购买品类匹配、浏览/购买商家匹配、兴趣偏好匹配等几个维度。
为了使用FFM方法，所有的特征必须转换成“field_id；:feat_id:；value”格式，field_id代表特征所属field的编号，feat_id是特征编号，value是特征的值。数值型的特征比较容易处理，只需分配单独的field编号，如用户评论得分、商品的历史VCR等。categorical特征需要经过One-Hot编码成数值型，编码产生的所有特征同属于一个field，而特征的值只能是0或1，如用户的性别、年龄段，商品的品类id等。除此之外，还有第三类特征，如用户浏览/购买品类，有多个品类id且用一个数值衡量用户浏览或购买每个品类商品的数量。这类特征按照categorical特征处理，不同的只是特征的值不是0或1，而是代表用户浏览或购买数量的数值。按前述方法得到field_id之后，再对转换后特征顺序编号，得到feat_id，特征的值也可以按照之前的方法获得。
VCR预估的正样本是站内点击的用户-商品记录，负样本是展现但未点击的记录；构建出样本数据后，采用FFM训练预估模型，并测试模型的性能。
field feature AUC Logloss
站内CTR 39 2456 0.77 0.38
站内CVR 67 2441 0.92 0.13
需要说明的是，AUC(Area Under The Curve)度量分类模型好坏的一个标准，Logloss是损失函数。
由于模型是按天训练的，每天的性能指标可能会有些波动，但变化幅度不是很大。这个表的结果说明，站内VCR预估模型是非常有效的。
在训练FFM的过程中，有许多小细节值得特别关注。
一，样本归一化。FFM默认是进行样本数据的归一化，样本层面的数据是推荐进行归一化的。
二，特征归一化。VCR模型采用了多种类型的源特征，包括数值型和categorical类型等。但是，categorical类编码后的特征取值只有0或1，较大的数值型特征会造成样本归一化后categorical类生成特征的值非常小，没有区分性。例如，一条用户-商品记录，用户为“男”性，商品的销量是5000个(假设其它特征的值为零)，那么归一化后特征“sex＝male”(性别为男)的值略小于0.0002，而“volume”(销量)的值近似为1。特征“sex＝male”在这个样本中的作用几乎可以忽略不计，这是相当不合理的。因此，将源数值型特征的值归一化到[0,1]是非常必要的。
三，省略零值特征。从FFM模型的表达式可以看出，零值特征对模型完全没有贡献。包含零值特征的一次项和组合项均为零，对于训练模型参数或者目标值预估是没有作用的。因此，可以省去零值特征，提高FFM模型训练和预测的速度，这也是稀疏样本采用FFM的显著优势。
FFM算法可以用C++来实现，省略了常数项和一次项，模型方程为：
其中，C2是非零特征的二元组合，j1是特征，属于field f1。Wj1,f2是特征j1对field f2的隐向量。此FFM模型采用logistic loss作为损失函数，和L2惩罚项，因此只能用于二元分类问题。
其中，yi∈{-1,1}是第i个样本的标签(label)，L是训练样本数量，λ是惩罚项系数。模型采用SGD优化，优化流程举例如下。
图2为本发明实施例提供的一种隐性特征算法效果示意图。如图2所示，横坐标是日期，纵坐标是视频观看人数。线1是传统算法，如：FM算法、协同过滤算法等为用户推荐视频，用户观看视频的情况；线2是使用FFM算法后，用户观看视频的情况。显然，FFM算法能够更精准的为用户推荐视频。
图3为本发明实施例提供的一种视频推荐系统框架示意图。如图3所示，该推荐系统包括获取单元31，预测单元32以及发送单元33。
获取单元31，获取用户的视频操作历史信息。
预测单元32，根据所述视频操作历史信息，用隐性特征算法预测用户的视频推荐列表。
发送单元33，将所述视频推荐列表发送给所述用户。
在上述系统中，所述系统还包括处理单元，用于获取用户的特征，且获取视频的特征，且获取用户和视频的匹配特征；然后将所述用户的特征、所述视频商品的特征以及所述用户和视频的匹配特征进行模型训练，得到训练结果，以便于预测用户的视频推荐列表。
在上述系统中，该系统还包括转换单元，所述转换单元，用于将将所述用户的特征、所述视频的特征以及所述用户和视频的匹配特征转换为条目编号，特征编号以及特征的值。
在上述系统中，所述用户和视频的匹配特征包括浏览/购买品类匹配、浏览/购买商家匹配以及兴趣偏好匹配的一种或多种。
本发明实施例未尽事宜，详见图1及其文字所述，在此不在赘述。
本发明实施例能够解决稀释数据下的特征组合问题，将特征之间的隐性关系进行数学量化，更准确的预测用户点击视频的可能性，提高为用户推荐视频的准确性。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种视频推荐方法，其特征在于，所述方法包括：
获取用户的视频操作历史信息；
根据所述视频操作历史信息，用隐性特征算法预测用户的视频推荐列表；
将所述视频推荐列表发送给所述用户。
2.根据权利要求1所述的方法，其特征在于，所述隐性特征算法包括：
获取用户的特征；
获取视频的特征；
获取用户和视频的匹配特征；
将所述用户的特征、所述视频商品的特征以及所述用户和视频的匹配特征进行模型训练，得到训练结果，以便于预测用户的视频推荐列表。
3.根据权利要求2所述的方法，其特征在于，所述用户的特征是所述用户的基本信息，所述用户的基本信息包括年龄、性别、职业、兴趣、品类偏好、浏览品类以及购买品类的一种或多种。
4.根据权利要求2所述的方法，其特征在于，所述视频的特征包括访问次数、访问停留时间、会话开始、会话时长以及会话结束的一种或多种。
5.根据权利要求2所述的方法，其特征在于，所述用户和视频的匹配特征包括浏览/购买品类匹配、浏览/购买商家匹配以及兴趣偏好匹配的一种或多种。
6.根据权利要求2所述的方法，其特征在于，所述隐性特征算法还包括：
将所述用户的特征、所述视频的特征以及所述用户和视频的匹配特征转换为条目编号，特征编号以及特征的值。
7.一种视频推荐系统，其特征在于，所述系统包括获取单元，预测单元以及发送单元；其中，
所述获取单元，获取用户的视频操作历史信息；
所述预测单元，根据所述视频操作历史信息，用隐性特征算法预测用户的视频推荐列表；
所述发送单元，将所述视频推荐列表发送给所述用户。
8.根据权利要求7所述的系统，其特征在于，所述系统还包括处理单元；其中，
所述处理单元，获取用户的特征，且获取视频的特征，且获取用户和视频的匹配特征；然后将所述用户的特征、所述视频商品的特征以及所述用户和视频的匹配特征进行模型训练，得到训练结果，以便于预测用户的视频推荐列表。
9.根据权利8所述的系统，其特征在于，所述系统还包括转换单元，其中，
所述转换单元，用于将将所述用户的特征、所述视频的特征以及所述用户和视频的匹配特征转换为条目编号，特征编号以及特征的值。
10.根据权利要求8所述的系统，其特征在于，所述用户和视频的匹配特征包括浏览/购买品类匹配、浏览/购买商家匹配以及兴趣偏好匹配的一种或多种。
CN201611169332.8A 2016-12-16 2016-12-16 一种视频推荐方法及系统 Pending CN108205537A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611169332.8A CN108205537A (zh) 2016-12-16 2016-12-16 一种视频推荐方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611169332.8A CN108205537A (zh) 2016-12-16 2016-12-16 一种视频推荐方法及系统

Publications (1)

Publication Number Publication Date
CN108205537A true CN108205537A (zh) 2018-06-26

Family

ID=62601673

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611169332.8A Pending CN108205537A (zh) 2016-12-16 2016-12-16 一种视频推荐方法及系统

Country Status (1)

Country Link
CN (1) CN108205537A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109740068A (zh) * 2019-01-29 2019-05-10 腾讯科技（北京）有限公司 媒体数据推荐方法、装置及存储介质
CN109871485A (zh) * 2019-02-13 2019-06-11 北京航空航天大学 一种个性化推荐方法及装置
CN110069714A (zh) * 2019-04-25 2019-07-30 北京酷我科技有限公司 一种视频推荐系统
CN110569447A (zh) * 2019-09-12 2019-12-13 腾讯音乐娱乐科技（深圳）有限公司 一种网络资源的推荐方法、装置及存储介质
CN112487276A (zh) * 2019-09-11 2021-03-12 腾讯科技（深圳）有限公司 一种对象获取方法、装置、设备及存储介质
CN115618035A (zh) * 2022-10-14 2023-01-17 北京京航计算通讯研究所 一种基于图片曝光转化率预测模型的图片推荐方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2009073519A1 (en) * 2007-12-04 2009-06-11 Qualcomm Incorporated Mapping mobile device electronic program guide to content
CN102946566A (zh) * 2012-10-24 2013-02-27 北京奇虎科技有限公司 基于历史信息的视频推荐方法和装置
CN103440335A (zh) * 2013-09-06 2013-12-11 北京奇虎科技有限公司 视频推荐方法及装置
CN103634617A (zh) * 2013-11-26 2014-03-12 乐视致新电子科技（天津）有限公司 智能电视中的视频推荐方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2009073519A1 (en) * 2007-12-04 2009-06-11 Qualcomm Incorporated Mapping mobile device electronic program guide to content
CN102946566A (zh) * 2012-10-24 2013-02-27 北京奇虎科技有限公司 基于历史信息的视频推荐方法和装置
CN103440335A (zh) * 2013-09-06 2013-12-11 北京奇虎科技有限公司 视频推荐方法及装置
CN103634617A (zh) * 2013-11-26 2014-03-12 乐视致新电子科技（天津）有限公司 智能电视中的视频推荐方法及装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
DEL2Z 等: "深入FFM原理与实践", 《美团技术团队：HTTPS://TECH.MEITUAN.COM/2016/03/03/DEEP-UNDERSTANDING-OF-FFM-PRINCIPLES-AND-PRACTICES.HTML》 *
PENG YAN 等: "E-Commerce Item Recommendation Based on Field-aware Factorization Machine", 《ACM》 *
YUCHIN JUAN 等: "Field-aware Factorization Machines for CTR Prediction", 《ACM》 *
张海潮 等: "《大视频时代 中国视频媒体生态考察报告 2014-2015》", 31 October 2014 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109740068A (zh) * 2019-01-29 2019-05-10 腾讯科技（北京）有限公司 媒体数据推荐方法、装置及存储介质
CN109740068B (zh) * 2019-01-29 2021-04-06 腾讯科技（北京）有限公司 媒体数据推荐方法、装置及存储介质
CN109871485A (zh) * 2019-02-13 2019-06-11 北京航空航天大学 一种个性化推荐方法及装置
CN109871485B (zh) * 2019-02-13 2022-04-05 北京航空航天大学 一种个性化推荐方法及装置
CN110069714A (zh) * 2019-04-25 2019-07-30 北京酷我科技有限公司 一种视频推荐系统
CN112487276A (zh) * 2019-09-11 2021-03-12 腾讯科技（深圳）有限公司 一种对象获取方法、装置、设备及存储介质
CN112487276B (zh) * 2019-09-11 2023-10-17 腾讯科技（深圳）有限公司 一种对象获取方法、装置、设备及存储介质
CN110569447A (zh) * 2019-09-12 2019-12-13 腾讯音乐娱乐科技（深圳）有限公司 一种网络资源的推荐方法、装置及存储介质
CN110569447B (zh) * 2019-09-12 2022-03-15 腾讯音乐娱乐科技（深圳）有限公司 一种网络资源的推荐方法、装置及存储介质
CN115618035A (zh) * 2022-10-14 2023-01-17 北京京航计算通讯研究所 一种基于图片曝光转化率预测模型的图片推荐方法
CN115618035B (zh) * 2022-10-14 2023-07-18 北京京航计算通讯研究所 一种基于图片曝光转化率预测模型的图片推荐方法

Similar Documents

Publication Publication Date Title
Lyu et al. Deep match to rank model for personalized click-through rate prediction
CN108205537A (zh) 一种视频推荐方法及系统
CN110162693B (zh) 一种信息推荐的方法以及服务器
Bag et al. An integrated recommender system for improved accuracy and aggregate diversity
CN111626832B (zh) 产品推荐方法、装置及计算机设备
CN111737578B (zh) 一种推荐方法及系统
Bi et al. A deep neural networks based recommendation algorithm using user and item basic data
CN114266443A (zh) 数据评估方法和装置、电子设备、存储介质
CN114861050A (zh) 一种基于神经网络的特征融合推荐方法及系统
CN116541607A (zh) 基于商品检索数据分析的智能推荐方法
CN115374288A (zh) 一种基于知识图谱与注意力机制的推荐方法
Suryana et al. PAPER SURVEY AND EXAMPLE OF COLLABORATIVE FILTERING IMPLEMENTATION IN RECOMMENDER SYSTEM.
He et al. Understanding Users' Coupon Usage Behaviors in E-Commerce Environments
Chu et al. Deep graph embedding for ranking optimization in e-commerce
Hooda et al. A study of recommender systems on social networks and content-based web systems
Guo et al. Prediction of Purchase Intention among E-Commerce Platform Users Based on Big Data Analysis.
CN111400567B (zh) 一种基于ai的用户数据的处理方法、装置及系统
Farsani et al. A semantic recommendation procedure for electronic product catalog
Compiani et al. Demand estimation with text and image data
Agarwal et al. Binarized spiking neural networks optimized with Nomadic People Optimization-based sentiment analysis for social product recommendation
Qiu A predictive model for customer purchase behavior in e-commerce context
CN114596109A (zh) 推荐信息的确定方法、装置、电子设备及存储介质
Mehta et al. Evolution of singular value decomposition in recommendation systems: a review
Shi et al. Recommender system for telecom packages based on the deep & cross network
Miranda et al. Towards the Use of Clustering Algorithms in Recommender Systems.

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20180626

RJ01 Rejection of invention patent application after publication