CN109189988A - 一种视频推荐方法 - Google Patents
一种视频推荐方法 Download PDFInfo
- Publication number
- CN109189988A CN109189988A CN201811085594.5A CN201811085594A CN109189988A CN 109189988 A CN109189988 A CN 109189988A CN 201811085594 A CN201811085594 A CN 201811085594A CN 109189988 A CN109189988 A CN 109189988A
- Authority
- CN
- China
- Prior art keywords
- video
- user
- vector
- potential
- time slot
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 20
- 239000013598 vector Substances 0.000 claims abstract description 85
- 239000002775 capsule Substances 0.000 claims abstract description 42
- 239000011159 matrix material Substances 0.000 claims abstract description 32
- 238000011478 gradient descent method Methods 0.000 claims abstract description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 239000000203 mixture Substances 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 2
- 230000006399 behavior Effects 0.000 description 12
- 238000013527 convolutional neural network Methods 0.000 description 7
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 239000002360 explosive Substances 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000032258 transport Effects 0.000 description 1
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
一种视频推荐方法,包括:选取M个推荐视频,构建其数值矩阵,构建视频胶囊网络,输入视频的数值矩阵来获得每个推荐视频的特征向量;选取N位用户,划分T个时间槽,为每位用户在每个时间槽上分别构建一个潜在兴趣向量,同时,为M个推荐视频构建各自潜在特征向量;构建M个推荐视频之间的行为转移矩阵;根据N位用户的视频观看行为,为用户选取其已观看过的和未观看过的视频来构成一定数量用户‑视频偏序关系对;采用梯度下降法,对每位用户在每个时间槽上的潜在兴趣向量、每个推荐视频的潜在特征向量进行优化;计算用户在第T个时间槽下对推荐视频的兴趣值向量,并据此推荐视频。本发明属于信息技术领域,能基于胶囊网络来实现精准的视频推荐。
Description
技术领域
本发明涉及一种视频推荐方法,属于信息技术领域。
背景技术
随着互联网时代的到来,电子商务平台上的用户和物品爆炸式增长,消费者能否快速搜索到自己感兴趣的商品已成为各大平台的巨大挑战,为了解决此问题,推荐系统应运而生,推荐算法得到了前所未有的发展,特别是协同过滤算法,被广泛应用于工业界。然而用户与物品爆炸式的增加,使得用户评分数据极度稀疏,带给推荐算法巨大的挑战。
近年来,许多研究者不断向推荐算法引入文本模型。比如使用LDA主题模型从物品的评论或摘要提取文本特征,将提取的文本特征与矩阵分解协同过滤算法相结合,产生更精准的推荐。但这种提取文本特征的算法无法捕捉文本的全部信息,他们使用的均是传统的词袋模型,忽略了文本的上下问信息。为了解决这个问题,有研究人员进一步将深度学习应用于推荐,提出使用卷积神经网络提取物品的文本特征,使得特征包含更多的文本上下文信息,使用与协同深度学习同样的方式将卷积神经网络与概率矩阵分解相结合,进一步提高了推荐算法的精度。但由于卷积神经网络CNN没有考虑简单和复杂对象之间的重要空间层级,卷积神经网络使用的最大池化依然损失了很多有价值的信息。为了解决CNN存在的问题,胶囊网络被提出应用到推荐算法中来,然而,现存的胶囊网络结构并不适合推荐,尤其是视频推荐,因为推荐和现存的胶囊网络结构的目标不同。
因此,如何基于胶囊网络来实现更精准的视频推荐,已成为技术人员普遍关注的技术问题。
发明内容
有鉴于此,本发明的目的是提供一种视频推荐方法,能基于胶囊网络来实现更精准的视频推荐。
为了达到上述目的,本发明提供了一种视频推荐方法,包括有:
步骤一、选取M个推荐视频,基于视频内容构建每个推荐视频的数值矩阵,同时,构建视频胶囊网络,所述视频胶囊网络以视频的数值矩阵为输入、并输出K个胶囊向量,逐一将每个推荐视频的数值矩阵输入视频胶囊网络中,然后对输出的K个胶囊向量取模,从而由K个胶囊向量的模构成每个推荐视频的K维特征向量,所有推荐视频的特征向量构成M*K维的视频特征矩阵F;
步骤二、选取N位用户,将用户的历史视频观看时间划分为T个时间槽,为每位用户在每个时间槽上分别构建一个K维潜在兴趣向量,所有用户在所有时间槽上的潜在兴趣向量构成K*N*T的用户潜在兴趣张量P,同时,为M个推荐视频分别构建各自的K维潜在特征向量,所有推荐视频的潜在特征向量构成M*K维的潜在视频特征矩阵Q;
步骤三、根据视频在元数据上的相似度和用户对视频的访问行为,构建M个推荐视频之间的行为转移矩阵W;
步骤四、根据N位用户对视频的观看行为,分别为每位用户选取其已观看过的、和未观看过的视频来构成一定数量的用户‐视频偏序关系对,所有的用户‐视频关系对构成用户‐视频关系对集合D_s;
步骤五、采用梯度下降法,对每位用户在每个时间槽上的潜在兴趣向量、每个推荐视频的潜在特征向量进行优化;
步骤六、计算每个用户在第T个时间槽下对推荐视频的兴趣值向量:InteriT=PiT*Q,其中,InteriT是第i位用户在第T个时间槽下对推荐视频的兴趣值向量,InteriT中的第j个元素值interj即是第i位用户对第j个推荐视频在第T个时间槽状态下的兴趣值,j∈[1,M],PiT是第i位用户在第T个时间槽上的潜在兴趣向量,并据此为每位用户选取推荐视频。
与现有技术相比,本发明的有益效果是:本发明基于胶囊网络来预测用户对视频的兴趣偏好,可以通过胶囊网络从视频中提取内容特征来增强评分预测性能,从而将胶囊网络与视频推荐无缝结合,同时利用视频的内容数据和用户对视频的观看行为,适用于评分数据非常稀疏的场景,并解决了卷积神经网络池化层带来的大量信息丢失。
附图说明
图1是本发明一种视频推荐方法的流程图。
图2是图1的步骤四中用户‐视频偏序关系对(i,t,c,d)的具体构成过程流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面结合附图对本发明作进一步的详细描述。
如图1所示,本发明一种视频推荐方法,包括有:
步骤一、选取M个推荐视频,基于视频内容构建每个推荐视频的数值矩阵,同时,构建视频胶囊网络,所述视频胶囊网络以视频的数值矩阵为输入、并输出K个胶囊向量,逐一将每个推荐视频的数值矩阵输入视频胶囊网络中,然后对输出的K个胶囊向量取模,从而由K个胶囊向量的模构成每个推荐视频的K维特征向量,其中,Fj是第j个推荐视频的特征向量,所有推荐视频的特征向量构成M*K维的视频特征矩阵F;
步骤一中,将每个推荐视频的内容采用数值标示,从而形成对应的数值矩阵;构建的视频胶囊网络可以包括有:视频帧抽取层、N维卷积层、主胶囊层、数字胶囊层、输出层,对每一层的权值随机初始化,其输出为K个胶囊向量;
步骤二、选取N位用户,将用户的历史视频观看时间划分为T个时间槽,为每位用户在每个时间槽上分别构建一个K维潜在兴趣向量,其中,Pit是第i位用户在第t个时间槽上的潜在兴趣向量,所有用户在所有时间槽上的潜在兴趣向量构成K*N*T的用户潜在兴趣张量P,同时,为M个推荐视频分别构建各自的K维潜在特征向量,其中,Qj是第j个推荐视频的潜在特征向量,所有推荐视频的潜在特征向量构成M*K维的潜在视频特征矩阵Q;
步骤二中,所构建的Pit服从以0为均值、以σ2为方差的多维高斯分布,Qj服从以F为均值、以σ2为方差的多维高斯分布,σ2的值可以根据实际业务需要而设置,例如将σ2设为0.01;
步骤三、根据视频在元数据上的相似度和用户对视频的访问行为,构建M个推荐视频之间的行为转移矩阵W,其中,W的第a行第b列元素wab是用户从推荐视频a转移到b的概率;
步骤三中,wab的计算公式可以进一步如下:wab=α×jaccard(a,b)+(1-α)×cos(a,b),其中,jaccard(a,b)是采用Jaccard距离计算得到的推荐视频a和b在元数据上的相似度,cos(a,b)是采用余弦相似度计算得到的用户对推荐视频a和b在访问行为上的相似度,α是行为转移的权重系数,元数据可以包括但不限于视频类别、作者、标签、视频事件和关键人物等,用户对视频的访问行为可以包括但不限于被访问次数、被观看次数、被点评次数、好评次数、差评次数等;
步骤四、根据N位用户对视频的观看行为,分别为每位用户选取其已观看过的、和未观看过的视频来构成一定数量的用户-视频偏序关系对,其中,用户-视频偏序关系对(i,t,c,d)表示第i位用户在第t个时间槽偏好第c个已观看视频的程度大于第d个未观看视频,所有的用户-视频关系对构成用户-视频关系对集合D_s;
步骤五、采用梯度下降法,对每位用户在每个时间槽上的潜在兴趣向量、每个推荐视频的潜在特征向量进行优化;
步骤六、计算每个用户在第T个时间槽下对推荐视频的兴趣值向量:InteriT=PiT*Q,其中,InteriT是第i位用户在第T个时间槽下对推荐视频的兴趣值向量,InteriT中的第j个元素值interj即是第i位用户对第j个推荐视频在第T个时间槽状态下的兴趣值,j∈[1,M],PiT是第i位用户在第T个时间槽上的潜在兴趣向量,并据此为每位用户选取推荐视频。
对于新推荐视频或很少被访问的推荐视频,也就是发布时间和当前时间在一定时间阈值内、或访问数低于访问数阈值的推荐视频,还可以进一步将Q替换成F,也即是:InteriT=PiT*F,从而解决视频推荐中的冷启动问题。
如图2所示,步骤四中用户-视频偏序关系对(i,t,c,d)的构成过程还可以进一步包括有:
步骤41、从第i位用户的历史观看记录中随机采样一个完整观看过的视频,即是用户-视频偏序关系对(i,t,c,d)中的第c个已观看视频;
步骤42、设置视频排序序列γ,γ的值可以根据实际情况而设置,根据实验证明,当γ设置为700时,可以取得较好的技术效果;
步骤43、基于第i位用户的潜在兴趣向量,构造用户兴趣分布向量,其计算公式可以如下:P(f|Pit)∝Pitf·σf,其中,f∈[1,K],Pitf是第i位用户在第t个时间槽上的潜在兴趣向量中的第f个特征维度值,σf是视频特征矩阵中第f个特征的方差,P(f|Pit)是第i位用户在第t个时间槽下的潜在兴趣向量中第f个特征维度的取值,然后从中随机采样一个特征维度cf,计算第i位用户未观看过的每个推荐视频的潜在特征向量中第cf个特征维度的方差,并按第cf个特征维度的方差值对用户未观看过的所有推荐视频进行排序,然后返回排序位置为γ的视频作为第i位用户的负样本,所述负样本即是用户-视频偏序关系对(i,t,c,d)中的第d个未观看视频。
步骤五还可以进一步包括有:
采用梯度下降法,对每位用户在每个时间槽上的潜在兴趣向量、每个推荐视频的潜在特征向量进行优化,并在迭代多次后,再将优化后的每个推荐视频的潜在特征向量作为视频胶囊网络的目标变量,使用反向传播算法对视频胶囊网络的权值进行反向调整,直至收敛后,最后将每个推荐视频的数值矩阵再分别输入视频胶囊网络,从而获得更新后的视频特征矩阵F。其中,还可以进一步利用随机梯度下降法进行优化,随机梯度下降法的优化目标函数可以定义如下:
,D_s是所有用户-视频偏序关系对集合,ψ是视频胶囊网络的所有网络参数,σU、σV、σψ分别是用户潜在兴趣张量P、潜在视频特征矩阵Q、视频胶囊网络中所有元素的方差,是所有用户在所有时间槽上的潜在兴趣向量的模的总和,Mc、Md分别是D_s所有用户-视频偏序关系对中的用户已观看、未观看视频总数,分别是D_s所有用户-视频偏序关系对中的用户已观看视频、未观看视频的潜在特征向量和特征向量之间差值的模的总和,Qc、Qd分别是用户第c个已观看视频、第d个未观看视频的潜在特征向量,Fc、Fd分别是用户第c个已观看视频、第d个未观看视频的特征向量,pitcd是用户-视频偏序关系对(i,t,c,d)中相对于第d个视频、第i位用户在第t个时间槽状态下更偏好第c个视频的概率,其计算公式如下:scoreitc、scoreitd分别是第i位用户在时间槽t下对第c、d个视频的偏好得分。
scoreitc、scoreitd可以根据用户在某个时间槽对视频的行为偏好、以及用户对与该视频相似的若干个其他视频的偏好来计算获得,其计算公式可以进一步如下:其中,k表示c或d,scoreitk是第i位用户在时间槽下对第k个视频的偏好得分,η是偏好平衡因子,Pit是第i位用户在时间槽t的潜在兴趣向量,Qk是第k个视频的潜在特征向量,S(vk)是和第k个视频相似的视频数,W是M个推荐视频之间的行为转移矩阵,是和第k个视频相似的第l个视频的潜在特征向量转置。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,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,均应包含在本发明保护的范围之内。
Claims (9)
1.一种视频推荐方法,其特征在于,包括有:
步骤一、选取M个推荐视频,基于视频内容构建每个推荐视频的数值矩阵,同时,构建视频胶囊网络,所述视频胶囊网络以视频的数值矩阵为输入、并输出K个胶囊向量,逐一将每个推荐视频的数值矩阵输入视频胶囊网络中,然后对输出的K个胶囊向量取模,从而由K个胶囊向量的模构成每个推荐视频的K维特征向量,所有推荐视频的特征向量构成M*K维的视频特征矩阵F;
步骤二、选取N位用户,将用户的历史视频观看时间划分为T个时间槽,为每位用户在每个时间槽上分别构建一个K维潜在兴趣向量,所有用户在所有时间槽上的潜在兴趣向量构成K*N*T的用户潜在兴趣张量P,同时,为M个推荐视频分别构建各自的K维潜在特征向量,所有推荐视频的潜在特征向量构成M*K维的潜在视频特征矩阵Q;
步骤三、根据视频在元数据上的相似度和用户对视频的访问行为,构建M个推荐视频之间的行为转移矩阵W;
步骤四、根据N位用户对视频的观看行为,分别为每位用户选取其已观看过的、和未观看过的视频来构成一定数量的用户-视频偏序关系对,所有的用户-视频关系对构成用户-视频关系对集合D_s;
步骤五、采用梯度下降法,对每位用户在每个时间槽上的潜在兴趣向量、每个推荐视频的潜在特征向量进行优化;
步骤六、计算每个用户在第T个时间槽下对推荐视频的兴趣值向量:InteriT=PiT*Q,其中,InteriT是第i位用户在第T个时间槽下对推荐视频的兴趣值向量,InteriT中的第j个元素值interj即是第i位用户对第j个推荐视频在第T个时间槽状态下的兴趣值,j∈[1,M],PiT是第i位用户在第T个时间槽上的潜在兴趣向量,并据此为每位用户选取推荐视频。
2.根据权利要求1所述的方法,其特征在于,步骤二中,Pit是第i位用户在第t个时间槽上的潜在兴趣向量,Qj是第j个推荐视频的潜在特征向量,所构建的Pit服从以0为均值、以σ2为方差的多维高斯分布,Qj服从以F为均值、以σ2为方差的多维高斯分布,σ2的值根据实际业务需要而设置。
3.根据权利要求1所述的方法,其特征在于,步骤三中,W的第a行第b列元素wab是用户从推荐视频a转移到b的概率,wab的计算公式如下:wab=α×jaccard(a,b)+(1-α)×cos(a,b),其中,jaccard(a,b)是采用Jaccard距离计算得到的推荐视频a和b在元数据上的相似度,cos(a,b)是采用余弦相似度计算得到的用户对推荐视频a和b在访问行为上的相似度,α是行为转移的权重系数。
4.根据权利要求1所述的方法,其特征在于,步骤四中,用户-视频偏序关系对(i,t,c,d)表示第i位用户在第t个时间槽偏好第c个已观看视频的程度大于第d个未观看视频,用户-视频偏序关系对(i,t,c,d)的构成进一步包括有:
步骤41、从第i位用户的历史观看记录中随机采样一个完整观看过的视频,即是用户-视频偏序关系对(i,t,c,d)中的第c个已观看视频;
步骤42、设置视频排序序列γ;
步骤43、基于第i位用户的潜在兴趣向量,构造用户兴趣分布向量,其计算公式如下:P(f|Pit)∝Pitf·σf,其中,f∈[1,K],Pitf是第i位用户在第t个时间槽上的潜在兴趣向量中的第f个特征维度值,σf是视频特征矩阵中第f个特征的方差,Pit是第i位用户在第t个时间槽上的潜在兴趣向量,P(f|Pit)是第i位用户在第t个时间槽下的潜在兴趣向量中第f个特征维度的取值,然后从中随机采样一个特征维度cf,计算第i位用户未观看过的每个推荐视频的潜在特征向量中第cf个特征维度的方差,并按第cf个特征维度的方差值对用户未观看过的所有推荐视频进行排序,然后返回排序位置为γ的视频作为第i位用户的负样本,所述负样本即是用户-视频偏序关系对(i,t,c,d)中的第d个未观看视频。
5.根据权利要求1所述的方法,其特征在于,步骤五进一步包括有:
采用梯度下降法,对每位用户在每个时间槽上的潜在兴趣向量、每个推荐视频的潜在特征向量进行优化,并在迭代多次后,再将优化后的每个推荐视频的潜在特征向量作为视频胶囊网络的目标变量,使用反向传播算法对视频胶囊网络的权值进行反向调整,直至收敛后,最后将每个推荐视频的数值矩阵再分别输入视频胶囊网络,从而获得更新后的视频特征矩阵F。
6.根据权利要求5所述的方法,其特征在于,步骤五中,利用随机梯度下降法进行优化,随机梯度下降法的优化目标函数定义如下:
其中,D_s是所有用户-视频偏序关系对集合,ψ是视频胶囊网络的所有网络参数,σU、σV、σψ分别是用户潜在兴趣张量P、潜在视频特征矩阵Q、视频胶囊网络中所有元素的方差,是所有用户在所有时间槽上的潜在兴趣向量的模的总和,Pit是第i位用户在第t个时间槽上的潜在兴趣向量,Mc、Md分别是D_s所有用户-视频偏序关系对中的用户已观看、未观看视频总数,分别是D_s所有用户-视频偏序关系对中的用户已观看视频、未观看视频的潜在特征向量和特征向量之间差值的模的总和,Qc、Qd分别是用户第c个已观看视频、第d个未观看视频的潜在特征向量,Fc、Fd分别是用户第c个已观看视频、第d个未观看视频的特征向量,pitcd是用户-视频偏序关系对(i,t,c,d)中相对于第d个视频、第i位用户在第t个时间槽状态下更偏好第c个视频的概率。
7.根据权利要求6所述的方法,其特征在于,pitcd的计算公式如下:scoreitc、scoreitd分别是第i位用户在时间槽t下对第c、d个视频的偏好得分。
8.根据权利要求7所述的方法,其特征在于,scoreitc、scoreitd的计算公式进一步如下:其中,k表示c或d,scoreitk是第i位用户在时间槽下对第k个视频的偏好得分,η是偏好平衡因子,Pit是第i位用户在时间槽t的潜在兴趣向量,Qk是第k个视频的潜在特征向量,S(vk)是和第k个视频相似的视频数,W是M个推荐视频之间的行为转移矩阵,是和第k个视频相似的第l个视频的潜在特征向量转置。
9.根据权利要求1所述的方法,其特征在于,步骤六中,对于发布时间和当前时间在一定时间阈值内、或访问数低于访问数阈值的推荐视频,将Q替换成F,也即是:InteriT=PiT*F。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811085594.5A CN109189988B (zh) | 2018-09-18 | 2018-09-18 | 一种视频推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811085594.5A CN109189988B (zh) | 2018-09-18 | 2018-09-18 | 一种视频推荐方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109189988A true CN109189988A (zh) | 2019-01-11 |
CN109189988B CN109189988B (zh) | 2021-06-22 |
Family
ID=64911723
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811085594.5A Expired - Fee Related CN109189988B (zh) | 2018-09-18 | 2018-09-18 | 一种视频推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109189988B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110263189A (zh) * | 2019-06-24 | 2019-09-20 | 腾讯科技(深圳)有限公司 | 媒体内容的推荐方法、装置、存储介质和计算机设备 |
CN110516153A (zh) * | 2019-08-28 | 2019-11-29 | 腾讯科技(深圳)有限公司 | 视频的智能推送方法和装置、存储介质及电子装置 |
CN111756832A (zh) * | 2020-06-22 | 2020-10-09 | 百度在线网络技术(北京)有限公司 | 推送信息的方法、装置、电子设备及计算机可读存储介质 |
CN112199550A (zh) * | 2020-09-08 | 2021-01-08 | 浙江大学山东工业技术研究院 | 一种基于情感胶囊网络的短视频点击率预测方法 |
CN112307258A (zh) * | 2020-11-25 | 2021-02-02 | 中国计量大学 | 一种基于双层胶囊网络的短视频点击率预测方法 |
CN112364203A (zh) * | 2020-11-30 | 2021-02-12 | 未来电视有限公司 | 电视视频推荐方法、装置、服务器和存储介质 |
CN112905887A (zh) * | 2021-02-22 | 2021-06-04 | 中国计量大学 | 一种基于多兴趣短期优先模型的会话推荐方法 |
CN113094598A (zh) * | 2021-05-08 | 2021-07-09 | 福州大学 | 基于联邦团渗透的视频推荐方法及系统 |
CN113806568A (zh) * | 2021-08-10 | 2021-12-17 | 中国人民大学 | 多媒体资源推荐方法、装置、电子设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103186595A (zh) * | 2011-12-29 | 2013-07-03 | 盛乐信息技术(上海)有限公司 | 音视频推荐方法及系统 |
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 |
CN104935963A (zh) * | 2015-05-29 | 2015-09-23 | 中国科学院信息工程研究所 | 一种基于时序数据挖掘的视频推荐方法 |
CN105354277A (zh) * | 2015-10-30 | 2016-02-24 | 中国船舶重工集团公司第七0九研究所 | 一种基于递归神经网络的推荐方法及系统 |
US20160295290A1 (en) * | 2009-01-22 | 2016-10-06 | Google Inc. | Recommending video programs |
-
2018
- 2018-09-18 CN CN201811085594.5A patent/CN109189988B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160295290A1 (en) * | 2009-01-22 | 2016-10-06 | Google Inc. | Recommending video programs |
CN103186595A (zh) * | 2011-12-29 | 2013-07-03 | 盛乐信息技术(上海)有限公司 | 音视频推荐方法及系统 |
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 |
CN104935963A (zh) * | 2015-05-29 | 2015-09-23 | 中国科学院信息工程研究所 | 一种基于时序数据挖掘的视频推荐方法 |
CN105354277A (zh) * | 2015-10-30 | 2016-02-24 | 中国船舶重工集团公司第七0九研究所 | 一种基于递归神经网络的推荐方法及系统 |
Non-Patent Citations (1)
Title |
---|
WEI-LIN HSIAO 等: ""Creating Capsule Wardrobes from Fashion Images"", 《2018 IEEE/CVF CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110263189A (zh) * | 2019-06-24 | 2019-09-20 | 腾讯科技(深圳)有限公司 | 媒体内容的推荐方法、装置、存储介质和计算机设备 |
CN110263189B (zh) * | 2019-06-24 | 2024-01-09 | 深圳市雅阅科技有限公司 | 媒体内容的推荐方法、装置、存储介质和计算机设备 |
CN110516153A (zh) * | 2019-08-28 | 2019-11-29 | 腾讯科技(深圳)有限公司 | 视频的智能推送方法和装置、存储介质及电子装置 |
CN110516153B (zh) * | 2019-08-28 | 2023-05-30 | 腾讯科技(深圳)有限公司 | 视频的智能推送方法和装置、存储介质及电子装置 |
CN111756832A (zh) * | 2020-06-22 | 2020-10-09 | 百度在线网络技术(北京)有限公司 | 推送信息的方法、装置、电子设备及计算机可读存储介质 |
CN112199550A (zh) * | 2020-09-08 | 2021-01-08 | 浙江大学山东工业技术研究院 | 一种基于情感胶囊网络的短视频点击率预测方法 |
CN112199550B (zh) * | 2020-09-08 | 2023-05-19 | 浙江大学山东工业技术研究院 | 一种基于情感胶囊网络的短视频点击率预测方法 |
CN112307258B (zh) * | 2020-11-25 | 2021-07-20 | 中国计量大学 | 一种基于双层胶囊网络的短视频点击率预测方法 |
CN112307258A (zh) * | 2020-11-25 | 2021-02-02 | 中国计量大学 | 一种基于双层胶囊网络的短视频点击率预测方法 |
CN112364203B (zh) * | 2020-11-30 | 2023-04-28 | 未来电视有限公司 | 电视视频推荐方法、装置、服务器和存储介质 |
CN112364203A (zh) * | 2020-11-30 | 2021-02-12 | 未来电视有限公司 | 电视视频推荐方法、装置、服务器和存储介质 |
CN112905887B (zh) * | 2021-02-22 | 2021-12-14 | 中国计量大学 | 一种基于多兴趣短期优先模型的会话推荐方法 |
CN112905887A (zh) * | 2021-02-22 | 2021-06-04 | 中国计量大学 | 一种基于多兴趣短期优先模型的会话推荐方法 |
CN113094598A (zh) * | 2021-05-08 | 2021-07-09 | 福州大学 | 基于联邦团渗透的视频推荐方法及系统 |
CN113094598B (zh) * | 2021-05-08 | 2022-06-07 | 福州大学 | 基于联邦团渗透的视频推荐方法及系统 |
CN113806568A (zh) * | 2021-08-10 | 2021-12-17 | 中国人民大学 | 多媒体资源推荐方法、装置、电子设备及存储介质 |
CN113806568B (zh) * | 2021-08-10 | 2023-11-03 | 中国人民大学 | 多媒体资源推荐方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109189988B (zh) | 2021-06-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109189988A (zh) | 一种视频推荐方法 | |
Wu et al. | NPA: neural news recommendation with personalized attention | |
Zheng | Methodologies for cross-domain data fusion: An overview | |
Chen et al. | Social media popularity prediction based on visual-textual features with xgboost | |
Liu et al. | [Retracted] Personalized Movie Recommendation Method Based on Deep Learning | |
CN103064903A (zh) | 图片检索方法和装置 | |
Huang et al. | Random forest exploiting post-related and user-related features for social media popularity prediction | |
Liu et al. | Using collaborative filtering algorithms combined with Doc2Vec for movie recommendation | |
Ye et al. | A web services classification method based on GCN | |
CN109670909A (zh) | 一种基于概率矩阵分解和特征融合的旅游产品推荐方法 | |
CN112256965A (zh) | 一种基于lambdaMart的神经协同过滤模型推荐方法 | |
Chen et al. | Tagnet: triplet-attention graph networks for hashtag recommendation | |
Yin et al. | An efficient recommendation algorithm based on heterogeneous information network | |
CN112883289B (zh) | 一种基于社交信任和标签语义相似度的pmf推荐方法 | |
Chen et al. | Exploiting visual contents in posters and still frames for movie recommendation | |
Chen et al. | Exploiting aesthetic features in visual contents for movie recommendation | |
Zhang et al. | Probabilistic matrix factorization recommendation of self-attention mechanism convolutional neural networks with item auxiliary information | |
CN113656560B (zh) | 情感类别的预测方法和装置、存储介质及电子设备 | |
CN117688390A (zh) | 内容匹配方法、装置、计算机设备、存储介质和程序产品 | |
Kim et al. | Design and implementation of hashtag recommendation system based on image label extraction using deep learning | |
CN113688281B (zh) | 一种基于深度学习行为序列的视频推荐方法及系统 | |
Guo et al. | Getting more from one attractive scene: Venue retrieval in micro-videos | |
Xiao et al. | A better understanding of the interaction between users and items by knowledge graph learning for temporal recommendation | |
Meng et al. | A context-aware interest drift network for session-based news recommendations | |
Ye et al. | A collaborative neural model for rating prediction by leveraging user reviews and product images |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210622 |