CN109783687B - 一种基于图结构的推荐方法、装置、设备及存储介质 - Google Patents
一种基于图结构的推荐方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN109783687B CN109783687B CN201811401000.7A CN201811401000A CN109783687B CN 109783687 B CN109783687 B CN 109783687B CN 201811401000 A CN201811401000 A CN 201811401000A CN 109783687 B CN109783687 B CN 109783687B
- Authority
- CN
- China
- Prior art keywords
- attribute information
- recommendation
- similarity
- user
- video
- 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
Images
Classifications
-
- 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
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
Abstract
本发明涉及一种基于图结构的推荐方法、装置、设备及存储介质,所述基于图结构的推荐方法包括:获取各视频的属性信息;根据所述属性信息,两两计算各所述视频之间的普遍相似度;根据所述普遍相似度,生成候选推荐集;根据用户标识,获取所述用户标识的用户历史操作记录;根据所述用户历史操作记录,计算推荐权重参数;根据所述推荐权重参数,计算所述每个视频与所述用户标识对应的最终相似度;根据所述最终相似度向所述用户标识发送视频推荐结果。本发明具有提高视频推荐结果的效果,并使视频推荐结果与用户兴趣更为紧密的效果。
Description
技术领域
本发明涉及信息技术的技术领域,尤其是涉及一种基于图结构的推荐方法、装置、设备及存储介质。
背景技术
现有的一些推荐算法,大部分基于单一的一两个属性进行计算,进而得到对应的相似度。但是在进行类似于视频、电影等具备较多属性的物品推荐时,各个物品通过不同属性可以关联在一起,具备不同的紧密度,网状结构会非常复杂,推荐效果不理想。
发明内容
本发明的目的是提供一种提高视频推荐结果的效果,并使视频推荐结果与用户兴趣更为紧密基于图结构的推荐方法、装置、设备及存储介质。
本发明的上述发明目的一是通过以下技术方案得以实现的:
一种基于图结构的推荐方法,所述基于图结构的推荐方法包括:
获取各视频的属性信息;
根据所述属性信息,两两计算各所述视频之间的普遍相似度;
根据所述普遍相似度,生成候选推荐集;
根据用户标识,获取所述用户标识的用户历史操作记录;
根据所述用户历史操作记录,计算推荐权重参数;
根据所述推荐权重参数,计算所述每个视频与所述用户标识对应的最终相似度;
根据所述最终相似度向所述用户标识发送视频推荐结果。
通过采用上述技术方案,通过计算两两视频的每个属性信息之间的普遍相似度,得到候选推荐集,能够便于对属性信息增加和删减;根据用户标识对应的用户历史操作记录,对视频的属性信息设置推荐权重参数后,根据所述推荐权重参数计算最终相似度,并根据所述最终相似度,向所述用户标识发送视频推荐结果,实现了对视频之间的普遍相似度的个性化调整,优化了视频推荐的结果,使推荐的视频更符合用户的兴趣。
本发明进一步设置为:根据所述属性信息,两两计算各所述视频之间的普遍相似度包括:
所述属性信息包括多匹配结果属性信息和单一匹配结果属性信息;
对各所述视频采用笛卡尔积,得到每两个所述视频的所述属性信息的视频对照表;
若所述属性信息为多匹配结果属性信息,则采用余弦相似度算法进行计算,得到所述多匹配结果属性信息对应的第一普遍相似度;
若所述属性信息为单一匹配结果属性信息,则采用加成算法进行计算,得到所述单一匹配结果属性信息对应的第二普遍相似度;
将每两个所述视频的所述第一普遍相似度和所述第二普遍相似度存入所述视频对照表,得到所述普遍相似度。
通过采用上述技术方案,将属性信息分为单一匹配结果属性信息和多匹配结果属性信息,并分别对所述单一匹配结果属性信息和多匹配结果属性信息计算所述普遍相似度,通过对不同类型的属性信息采用不同的方法进行计算,使得计算出的结果更加精确。
本发明进一步设置为:根据用户标识,获取所述用户标识的用户历史操作记录包括:通过页面埋点,获取所述用户标识对每项所述属性信息的历史操作行为和对应的操作次数;根据所述操作次数从高到低的顺序,对所述历史操作行为进行排序,得到所述用户历史操作记录。
通过采用上述技术方案,利用所述页面埋点的方式,能够实现获取用户在客户端的操作行为;同时,根据历史操作行为中的次数从高到低的顺序,对历史操作行为记性排序,得到所述用户历史操作记录,能够便于后续对所述用户标识计算推荐权重参数。
本发明进一步设置为,根据所述用户历史操作记录,计算推荐权重参数包括:
设置总推荐权重参数;
按照所述历史操作行为的排序和对应的所述操作次数,获取每项所述历史操作行为对应的推荐权重比例;
根据所述总推荐权重参数和所述推荐权重比例,计算与所述用户标识对应的每项属性信息的所述推荐权重参数。
通过采用上述技术方案,通过所述用户标识的根据操作次数,为对应的历史操作行为分配对应的推荐权重比例,并用所述推荐权重比例,对每项属性信息分配对应的推荐权重参数,使得所述推荐权重参数更加符合所述用户标识的兴趣,从而提高了针对用户兴趣推荐视频的准确度。
本发明进一步设置为:根据所述推荐权重参数,计算所述个视频与所述用户标识对应的最终相似度包括:
获取所述候选推荐集;
根据所述用户标识和对应的所述推荐权重参数对所述候选推荐集进行加权计算,得到所述最终相似度。
通过采用上述技术方案,根据所述用户标识对应的所述推荐权重参数,对所述待选推荐集进行加权计算,得到的所述最终相似度,能够便于根据所述最终相似度,为所述用户标识发送视频推荐结果。
本发明的上述发明目的二是通过以下技术方案得以实现的:
一种基于图结构的推荐装置,所述基于图结构的推荐装置包括:
第一获取模块,用于获取各视频的属性信息;
第一计算模块,用于根据所述属性信息,两两计算各所述视频之间的普遍相似度;
生成模块,用于根据所述普遍相似度,生成候选推荐集;
第二获取模块,用于根据用户标识,获取所述用户标识的用户历史操作记录;
第二计算模块,用于根据所述用户历史操作记录,计算推荐权重参数;
第三计算模块,用于根据所述推荐权重参数,计算所述每个视频与所述用户标识对应的最终相似度;
推荐结果发送模块,用于根据所述最终相似度向所述用户标识发送视频推荐结果。
通过采用上述技术方案,通过计算两两视频的每个属性信息之间的普遍相似度,得到候选推荐集,能够便于对属性信息增加和删减;根据用户标识对应的用户历史操作记录,对视频的属性信息设置推荐权重参数后,根据所述推荐权重参数计算最终相似度,并根据所述最终相似度,向所述用户标识发送视频推荐结果,实现了对视频之间的普遍相似度的个性化调整,优化了视频推荐的结果,使推荐的视频更符合用户的兴趣。
本发明的上述发明目的三是通过以下技术方案得以实现的:
一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述基于图结构的推荐方法的步骤。
本发明的上述发明目的四是通过以下技术方案得以实现的:
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述基于图结构的推荐方法的步骤。
综上所述,本发明的有益技术效果为:
1.通过计算两两视频的每个属性信息之间的普遍相似度,得到候选推荐集,能够便于对属性信息增加和删减;
2.根据用户标识对应的用户历史操作记录,对视频的属性信息设置推荐权重参数后,根据所述推荐权重参数计算最终相似度,并根据所述最终相似度,向所述用户标识发送视频推荐结果,实现了对视频之间的普遍相似度的个性化调整,优化了视频推荐的结果,使推荐的视频更符合用户的兴趣。
附图说明
图1是本发明一实施例中基于图结构的推荐方法的一应用环境示意图。
图2是本发明一实施例中基于图结构的推荐方法的一流程图。
图3是本发明一实施例中基于图结构的推荐方法中对步骤S20的实现流程图。
图4是本发明一实施例中基于图结构的推荐方法中对步骤S40的实现流程图。
图5是本发明一实施例中基于图结构的推荐方法中对步骤S50的实现流程图。
图6是本发明一实施例中基于图结构的推荐方法中对步骤S60的实现流程图。
图7是本发明一实施例中基于图结构的推荐装置的一原理框图。
图8是本发明一实施例中计算机设备的一示意图。
具体实施方式
以下结合附图对本发明作进一步详细说明。
本申请提供的基于图结构的推荐方法,可应用在如图1的应用环境中,其中,客户端(计算机设备)通过网络与服务端进行通信。客户端获取用户的操作行为,并将该操作行为发送至服务端。服务端在获取到该操作行为后,根据该用户标识生成视频推荐结果,发送至客户端。其中,客户端(计算机设备)可以但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务端可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
实施例一:
参照图2,提供一种基于图结构的推荐方法,以该方法应用在图1中的服务器为例进行说明,包括如下步骤:
S10:获取各视频的属性信息。
在本实施例中,视频是指在自有视频或第三方视频网站上,发布并供用户点击观看的视频,该视频可以包括电影、纪录片或电视剧等。属性信息是指用于记录该视频属性的信息,例如,该视频的演员信息、导演信息、国别信息、类型信息和年代信息等。
具体地,从存储该视频的数据库中,根据视频的名称,获取对应的属性信息。
S20:根据属性信息,两两计算各视频之间的普遍相似度。
在本实施例中,普遍相似度是指每两个视频之间的相似程度。
具体地,根据不同类型的属性信息,使用对应的算法,例如,余弦相似度算法或加成算法,计算每两个视频的属性信息之间的相似度,得到该普遍相似度。
S30:根据普遍相似度,生成候选推荐集。
在本实施例中,候选推荐集是指记录每两个视频之间的相似度。
具体地,将每两个视频之间的属性信息重复步骤S20的方法,得到该两个视频之间所有属性信息对应的普遍相似度,进而得到该候选推荐集。
S40:根据用户标识,获取用户标识的用户历史操作记录。
在本实施例中,用户标识是指用于区分每一用户的标记,例如用户的注册账号、身份证号或ID等。用户历史操作记录是指在过去一段时间内,例如一个月、三个月或半年等,用户对视频的操作行为的记录。该操作行为包括根据视频的属性信息作为关键词,对视频进行搜索或对视频进行点击观看等。
具体地,根据用户标识,从存储有该历史操作记录的数据库中,获取与该用户对应的用户历史操作记录。
S50:根据用户历史操作记录,计算推荐权重参数。
在本实施例中,推荐权重参数是指用于反映该用户标识对视频的属性信息进行操作行为的频繁程度的参数。同时,该推荐权重参数也反映了用户的兴趣程度,例如,用户对某个导演或演员搜索的次数越多,则反映了该用户对该导演或演员的兴趣或喜爱程度越高。
具体地,根据用户历史操作记录,若在该用户历史操作记录中,对某项属性信息的操作行为的次数越高,则计算得到的推荐权重参数越高。
S60:根据推荐权重参数,计算每个视频与用户标识对应的最终相似度。
在本实施例中,最终相似度是指反映与该用户标识对该视频感兴趣程度的数值。
具体地,根据推荐权重参数与该普遍相似度,采用加权算法,将该推荐权重参数乘以对应属性信息的普遍相似度,得到与该用户标识对应的最终相似度。
S70:根据最终相似度向用户标识发送视频推荐结果。
在本实施例中,视频推荐结果是指通过上述方法计算得到该用户标识可能感兴趣的视频集。
具体地,根据该最终相似度,向该用户标识发送该最终相似度最高的前N位,例如前5为对应的视频,其中N为正整数。
在一实施例中,如图3所示,步骤S20中,即根据属性信息,两两计算各视频之间的普遍相似度,具体包括如下步骤:
S21:属性信息包括多匹配结果属性信息和单一匹配结果属性信息。
在本实施例中,多匹配结果属性信息是指有多个匹配结果的属性信息,例如演员信息、导演信息或视频类型信息等。单一匹配结果属性信息是指只有一个匹配结果的属性信息,例如年代信息或国别信息等。
S22:对各视频采用笛卡尔积,得到每两个视频的属性信息的视频对照表。
在本实施例中,视频对照表是指记录有在视频库中,将每个视频进行两两组合得到的数据表格,具体地,在存储视频的数据库中,采用笛卡尔积,得到两两视频进行组合,得到该视频对照表。例如,如下表所示:
表1视频对照表
国别属性 | 类型属性 | 年代属性 | 演员属性 | ||
电影A | 电影B | ||||
电影A | 电影C | ||||
电影B | 电影C | ||||
…… | …… | …… | …… | …… | …… |
S23:若属性信息为多匹配结果属性信息,则采用余弦相似度算法进行计算,得到多匹配结果属性信息对应的第一普遍相似度。
在本实施例中,第一普遍相似度是指反应两个视频中,多匹配结果属性信息之间的相似度。
具体地,通过余弦相似度算法,对每两个视频之间的所有多匹配结果属性信息的相似度,得到该第一普遍相似度。
在一具体实施例中,在对视频进行笛卡尔积处理后,对电影A和电影B的演员信息这一多匹配结果属性信息的相似度计算如下,若该演员为主演,则分配较高的分数,例如1分,若为非主演,则分配较低的分数,例如0.5分,若非该电影的演员,则分配0分,如下表所示:
表2演员属性信息第一普遍相似度
演员1 | 演员2 | 演员3 | 演员4 | |
电影A | 1 | 0 | 0 | 0.5 |
电影B | 0 | 0.5 | 1 | 0 |
…… | …… | …… | …… | …… |
通过该得分,构建电影A的词向量和电影B的词向量,并使用余弦相似度算法,计算电影A和电影B对于演员信息的第一普遍相似度。
S24:若属性信息为单一匹配结果属性信息,则采用加成算法进行计算,得到单一匹配结果属性信息对应的第二普遍相似度。
在本实施例中,第而普遍相似度是指反应两个视频中,单一匹配结果属性信息之间的相似度。
具体地,通过加成算法算法,对每两个视频之间的所有单一匹配结果属性信息的相似度,得到该第二普遍相似度。
在另一具体实施例中,电影A和电影B对应年代这一单一匹配结果属性信息的相似度计算如下,若该电影A和电影B的年代信息匹配,则都分配一个固定的分数,例如0.5分,若不匹配,则分配为0分,如下表所示:
表3国别属性第二普遍相似度
年代属性第二普遍相似度 | ||
电影A | 电影B | 0.5 |
…… | …… | …… |
通过该方法,计算电影A和电影B所有单一匹配结果属性信息的第二普遍相似度。
S25:将每两个视频的第一普遍相似度和第二普遍相似度存入视频对照表,得到普遍相似度。
具体地,在得到两个视频之间的第一普遍相似度和第二普遍相似度后,将该第一普遍相似度和第二普遍相似度存入这两个视频之间的普遍相似度。
进一步地,通过重复步骤S22至S24,得到任意两个视频之间的普遍相似度,例如,如下表所示:
表4普遍相似度
国别属性 | 类型属性 | 年代属性 | 演员属性 | ||
电影A | 电影B | 0.5 | 0.3 | 0.5 | 0.2 |
电影A | 电影C | 0.5 | 0.5 | 0 | 0.1 |
电影B | 电影C | 0.5 | 0 | 0 | 0 |
…… | …… | …… | …… | …… | …… |
在一实施例中,如图4所示,步骤S40中,即根据用户标识,获取用户标识的用户历史操作记录,具体包括如下步骤:
S41:通过页面埋点,获取用户标识对每项属性信息的历史操作行为和对应的操作次数。
具体地,通过数据埋点的方式,获取用户历史行为数据的实现方法可以是通过加入埋点代码,用于采集需要向服务端返回的用户的操作行为的数据和对应的操作次数。例如,该用户在过去一段时间内,搜索并观看某个演员、导演或视频类型的电影的次数。
S42:根据操作次数从高到低的顺序,对历史操作行为进行排序,得到用户历史操作记录。
具体地,根据操作次数从高到低的顺序,对历史操作行为进行排序,得到用户历史操作记录。
在一实施例中,如图5所示,步骤S50中,即根据用户历史操作记录,计算推荐权重参数,具体包括如下步骤:
S51:设置总推荐权重参数。
在本实施例中,总推荐权重参数是指在两个视频中,所有属性信息对应的推荐权重参数的总和,一般设置为1或10。
S52:按照历史操作行为的排序和对应的操作次数,获取每项历史操作行为对应的推荐权重比例。
在本实施例中,若该历史操作行为对于那个的操作次数越高,说明该用户标识对某项个具体的属性信息越感兴趣,因此分配得到的推荐权重比例越高。进而得到每项用户历史操作行为对应的推荐权重比例,例如,如下表所示:
表5用户推荐权重比例
用户 | 国别权重 | 类型权重 | 年代权重 | 演员权重 |
用户A | 0.2 | 0.3 | 0.1 | 0.4 |
用户B | 0.1 | 0.1 | 0.1 | 0.7 |
…… | …… | …… | …… | …… |
S53:根据总推荐权重参数和推荐权重比例,计算与用户标识对应的每项属性信息的推荐权重参数。
具体地,根据该用户历史操作行为对应的推荐权重比例,从该总推荐权重参数中计算并获取对应的推荐权重参数,进而得到该与用户标识对应的每项属性信息的推荐权重参数。
在一实施例中,如图6所示,步骤S60中,即根据推荐权重参数,计算每个视频与用户标识对应的最终相似度,具体包括如下步骤:
S61:获取候选推荐集。
具体地,在存储有该候选推荐集的数据库中,获取该候选推荐集。
S62:根据用户标识和对应的推荐权重参数对候选推荐集进行加权计算,得到最终相似度。
具体地,根据步骤S50中计算并获取得到该用户标识的推荐权重参数,与该候选推荐集中的普遍相似度采用加权算法,得到在视频库中与该用户标识对应的最终相似度,并按照该最终相似度从高到底的顺序,向该用户标识发送视频推荐结果,例如,对于用户A,电影A和电影B的最终相似度如下表所示:
表6对于用户A电影A和电影B的最终相似度
优选地,还可以通过协同过滤算法,向该用户标识推荐与该用户标识兴趣相同或相近的用户感兴趣的视频,增加了推荐视频的丰富度。
实施例二:
在一实施例中,提供一种图结构的推荐装置,该图结构的推荐装置与上述实施例中图结构的推荐方法一一对应。如图7所示,该图结构的推荐装置包括第一获取模块10、第一计算模块20、生成模块30、第二获取模块40、第二计算模块50、第三计算模块60和推荐结果发送模块70。各功能模块详细说明如下:
第一获取模块10,用于获取各视频的属性信息;
第一计算模块20,用于根据属性信息,两两计算各视频之间的普遍相似度;
生成模块30,用于根据普遍相似度,生成候选推荐集;
第二获取模块40,用于根据用户标识,获取用户标识的用户历史操作记录;
第二计算模块50,用于根据用户历史操作记录,计算推荐权重参数;
第三计算模块60,用于根据推荐权重参数,计算每个视频与用户标识对应的最终相似度;推荐结果发送模块70,用于根据最终相似度向用户标识发送视频推荐结果。
优选地,第一计算模块20包括:
匹配结果子模块21,用于属性信息包括多匹配结果属性信息和单一匹配结果属性信息;
笛卡尔乘积子模块22,用于对各视频采用笛卡尔积,得到每两个视频的属性信息的视频对照表;
第一计算子模块23,用于若属性信息为多匹配结果属性信息,则采用余弦相似度算法进行计算,得到多匹配结果属性信息对应的第一普遍相似度;
第二计算子模块24,若属性信息为单一匹配结果属性信息,则采用加成算法进行计算,得到单一匹配结果属性信息对应的第二普遍相似度;
存储子模块25,用于将每两个视频的第一普遍相似度和第二普遍相似度存入视频对照表,得到普遍相似度。
优选地,第二获取模块40包括:
埋点子模块41,用于通过页面埋点,获取用户标识对每项属性信息的历史操作行为和对应的操作次数;
排序子模块42,用于根据操作次数从高到低的顺序,对历史操作行为进行排序,得到用户历史操作记录。
优选地,第二计算模块50包括:
总推荐权重参数设置子模块51,用于设置总推荐权重参数;
比例获取子模块52,用于按照历史操作行为的排序和对应的操作次数,获取每项历史操作行为对应的推荐权重比例;
计算参数计算子模块53,用于根据总推荐权重参数和推荐权重比例,计算与用户标识对应的每项属性信息的推荐权重参数。
优选地,第三计算模块60包括:
获取子模块61,用于获取候选推荐集;
加权计算子模块62,用于根据用户标识和对应的推荐权重参数对候选推荐集进行加权计算,得到最终相似度。
关于图结构的推荐装置的具体限定可以参见上文中对于图结构的推荐方法的限定,在此不再赘述。上述图结构的推荐装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
实施例三:
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储候选推荐集和用户历史操作记录。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种图结构的推荐方法。
在一个实施例中,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,处理器执行计算机程序时实现以下步骤:
获取各视频的属性信息;
根据所述属性信息,两两计算各所述视频之间的普遍相似度;
根据所述普遍相似度,生成候选推荐集;
根据用户标识,获取所述用户标识的用户历史操作记录;
根据所述用户历史操作记录,计算推荐权重参数;
根据所述推荐权重参数,计算所述每个视频与所述用户标识对应的最终相似度;
根据所述最终相似度向所述用户标识发送视频推荐结果。
实施例四:
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取各视频的属性信息;
根据属性信息,两两计算各视频之间的普遍相似度;
根据普遍相似度,生成候选推荐集;
根据用户标识,获取用户标识的用户历史操作记录;
根据用户历史操作记录,计算推荐权重参数;
根据推荐权重参数,计算每个视频与用户标识对应的最终相似度;
根据最终相似度向用户标识发送视频推荐结果。
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,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于图结构的推荐方法,其特征在于,所述基于图结构的推荐方法包括:
获取各视频的属性信息;
根据所述属性信息,两两计算各所述视频之间的普遍相似度,根据所述普遍相似度,生成候选推荐集;
根据用户标识,获取所述用户标识的用户历史操作记录;
根据所述用户历史操作记录,计算推荐权重参数;
根据所述推荐权重参数,计算每个所述视频与所述用户标识对应的最终相似度;
根据所述最终相似度,向所述用户标识发送视频推荐结果,实现了对视频之间的普遍相似度的个性化调整;
其中,根据所述用户历史操作记录,计算推荐权重参数包括:
设置总推荐权重参数;
按照历史操作行为的排序和对应的操作次数,获取每项历史操作行为对应的推荐权重比例;
根据所述总推荐权重参数和所述推荐权重比例,计算与所述用户标识对应的每项属性信息的所述推荐权重参数;
其中,根据所述属性信息,两两计算各所述视频之间的普遍相似度包括:
所述属性信息包括多匹配结果属性信息和单一匹配结果属性信息;
对各所述视频采用笛卡尔积,得到每两个所述视频的所述属性信息的视频对照表;
若所述属性信息为多匹配结果属性信息,则采用余弦相似度算法进行计算,得到所述多匹配结果属性信息对应的第一普遍相似度;
若所述属性信息为单一匹配结果属性信息,则采用加成算法进行计算,得到所述单一匹配结果属性信息对应的第二普遍相似度;
将每两个所述视频的所述第一普遍相似度和所述第二普遍相似度存入所述视频对照表,得到所述普遍相似度;
其中,根据所述推荐权重参数,计算每个所述视频与所述用户标识对应的最终相似度包括:
获取所述候选推荐集;
根据所述用户标识和对应的所述推荐权重参数对所述候选推荐集进行加权计算,得到所述最终相似度。
2.如权利要求 1 所述的基于图结构的推荐方法,其特征在于,根据用户标识, 获取所述用户标识的用户历史操作记录包括:
通过页面埋点,获取所述用户标识对每项所述属性信息的历史操作行为和对应的操作次数;
根据所述操作次数从高到低的顺序,对所述历史操作行为进行排序,得到所述用户历史操作记录。
3.一种基于图结构的推荐装置,其特征在于,所述基于图结构的推荐装置包括:
第一获取模块,用于获取各视频的属性信息;
第一计算模块,用于根据所述属性信息,两两计算各所述视频之间的普遍相似度;
生成模块,用于根据所述普遍相似度,生成候选推荐集;
第二获取模块,用于根据用户标识,获取所述用户标识的用户历史操作记录;
第二计算模块,用于根据所述用户历史操作记录,计算推荐权重参数;
第三计算模块,用于根据所述推荐权重参数,计算每个所述视频与所述用户标识对应的最终相似度;
推荐结果发送模块,用于根据所述最终相似度,向所述用户标识发送视频推荐结果,实现了对视频之间的普遍相似度的个性化调整;
其中,第二计算模块包括:
总推荐权重参数设置子模块,用于设置总推荐权重参数;
比例获取子模块,用于按照历史操作行为的排序和对应的操作次数,获取每项历史操作行为对应的推荐权重比例;
计算参数计算子模块,用于根据所述总推荐权重参数和所述推荐权重比例,计算与所述用户标识对应的每项属性信息的所述推荐权重参数;
其中,第一计算模块包括:
匹配结果子模块,用于所述属性信息包括多匹配结果属性信息和单一匹配结果属性信息;
笛卡尔乘积子模块,用于对各所述视频采用笛卡尔积,得到每两个所述视频的所述属性信息的视频对照表;
第一计算子模块,用于若所述属性信息为多匹配结果属性信息,则采用余弦相似度算法进行计算,得到所述多匹配结果属性信息对应的第一普遍相似度;
第二计算子模块,用于若所述属性信息为单一匹配结果属性信息,则采用加成算法进行计算,得到所述单一匹配结果属性信息对应的第二普遍相似度;
存储子模块,用于将每两个所述视频的所述第一普遍相似度和所述第二普遍相似度存入所述视频对照表,得到所述普遍相似度;
其中,第三计算模块包括:
获取子模块,用于获取候选推荐集;
加权计算子模块,用于根据所述用户标识和对应的所述推荐权重参数对所述候选推荐集进行加权计算,得到所述最终相似度。
4.如权利要求 3 所述的基于图结构的推荐装置,其特征在于,所述第二获取模块包括:
埋点子模块,用于通过页面埋点,获取所述用户标识对每项所述属性信息的历史操作行为和对应的操作次数;
排序子模块,用于根据所述操作次数从高到低的顺序,对所述历史操作行为进行排序,得到所述用户历史操作记录。
5.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述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计算机程序时实现如权利要求 1至 2 任一项所述基于图结构的推荐方法的步骤。
6.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求 1 至 2 任一项所述基于图结构的推荐方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811401000.7A CN109783687B (zh) | 2018-11-22 | 2018-11-22 | 一种基于图结构的推荐方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811401000.7A CN109783687B (zh) | 2018-11-22 | 2018-11-22 | 一种基于图结构的推荐方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109783687A CN109783687A (zh) | 2019-05-21 |
CN109783687B true CN109783687B (zh) | 2023-05-30 |
Family
ID=66496011
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811401000.7A Active CN109783687B (zh) | 2018-11-22 | 2018-11-22 | 一种基于图结构的推荐方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109783687B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110909258B (zh) * | 2019-11-22 | 2023-09-29 | 上海喜马拉雅科技有限公司 | 一种信息推荐方法、装置、设备及存储介质 |
CN111026912B (zh) * | 2019-12-04 | 2023-05-16 | 广州市易杰数码科技有限公司 | 基于iptv的协同推荐方法、装置、计算机设备以及存储介质 |
CN111263238B (zh) * | 2020-01-17 | 2021-09-21 | 腾讯科技(深圳)有限公司 | 基于人工智能的生成视频评论的方法及设备 |
CN113395550A (zh) * | 2020-03-13 | 2021-09-14 | 浙江大搜车软件技术有限公司 | 一种视频推荐方法、装置、系统及电子设备 |
CN111429293A (zh) * | 2020-04-21 | 2020-07-17 | 重庆新致金服信息技术有限公司 | 一种保险产品的推荐系统及推荐方法 |
CN112822527B (zh) * | 2020-12-29 | 2022-08-26 | 北京达佳互联信息技术有限公司 | 视频推荐方法、装置、服务器及存储介质 |
CN113255625B (zh) * | 2021-07-14 | 2021-11-05 | 腾讯科技(深圳)有限公司 | 一种视频检测方法、装置、电子设备和存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN105681910A (zh) * | 2015-12-29 | 2016-06-15 | 海信集团有限公司 | 一种基于多用户的视频推荐方法及装置 |
CN105930425A (zh) * | 2016-04-18 | 2016-09-07 | 乐视控股(北京)有限公司 | 个性化视频推荐方法及装置 |
CN106028071A (zh) * | 2016-05-17 | 2016-10-12 | Tcl集团股份有限公司 | 一种视频推荐方法及系统 |
CN106407418A (zh) * | 2016-09-23 | 2017-02-15 | Tcl集团股份有限公司 | 一种基于人脸识别的个性化视频推荐方法及推荐系统 |
CN106686460A (zh) * | 2016-12-22 | 2017-05-17 | Ut斯达康(深圳)技术有限公司 | 一种视频节目推荐方法及视频节目推荐装置 |
CN106855876A (zh) * | 2015-12-08 | 2017-06-16 | 奥多比公司 | 基于媒体内容的推荐的属性加权 |
-
2018
- 2018-11-22 CN CN201811401000.7A patent/CN109783687B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN106855876A (zh) * | 2015-12-08 | 2017-06-16 | 奥多比公司 | 基于媒体内容的推荐的属性加权 |
CN105681910A (zh) * | 2015-12-29 | 2016-06-15 | 海信集团有限公司 | 一种基于多用户的视频推荐方法及装置 |
CN105930425A (zh) * | 2016-04-18 | 2016-09-07 | 乐视控股(北京)有限公司 | 个性化视频推荐方法及装置 |
CN106028071A (zh) * | 2016-05-17 | 2016-10-12 | Tcl集团股份有限公司 | 一种视频推荐方法及系统 |
CN106407418A (zh) * | 2016-09-23 | 2017-02-15 | Tcl集团股份有限公司 | 一种基于人脸识别的个性化视频推荐方法及推荐系统 |
CN106686460A (zh) * | 2016-12-22 | 2017-05-17 | Ut斯达康(深圳)技术有限公司 | 一种视频节目推荐方法及视频节目推荐装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109783687A (zh) | 2019-05-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109783687B (zh) | 一种基于图结构的推荐方法、装置、设备及存储介质 | |
US20210027160A1 (en) | End-to-end deep collaborative filtering | |
CN110941740B (zh) | 视频推荐方法及计算机可读存储介质 | |
US9160808B2 (en) | Transmitting product information | |
Barjasteh et al. | Cold-start item and user recommendation with decoupled completion and transduction | |
WO2020253357A1 (zh) | 数据产品推荐方法、装置、计算机设备和存储介质 | |
US8185544B2 (en) | Generating improved document classification data using historical search results | |
US10332123B2 (en) | Knowledge base search and retrieval based on document similarity | |
CN110223186B (zh) | 用户相似度确定方法以及信息推荐方法 | |
US20160217135A1 (en) | Indexing and searching heterogenous data entities | |
US20120158710A1 (en) | Multi-tiered information retrieval training | |
US20150310529A1 (en) | Web-behavior-augmented recommendations | |
CN110555165B (zh) | 信息识别方法、装置、计算机设备和存储介质 | |
CN109325796B (zh) | 潜在用户筛选方法、装置、计算机设备及存储介质 | |
Zhang et al. | Matching state estimation scheme for content-based sensor search in the Web of things | |
CN107844536B (zh) | 应用程序选择的方法、装置和系统 | |
CN111026912B (zh) | 基于iptv的协同推荐方法、装置、计算机设备以及存储介质 | |
CN110889748B (zh) | 店商平台产品推荐方法、装置、计算机设备以及存储介质 | |
CN110020181B (zh) | 一种推荐信息的处理方法、装置及计算机可读存储介质 | |
CN116450860A (zh) | 媒体资源推荐方法、推荐模型的训练方法及相关设备 | |
CN115269765A (zh) | 账号识别方法、装置、电子设备和存储介质 | |
US20150356189A1 (en) | Processing Sets of Objects and Determining Satisfaction Levels Thereof | |
Gan | TAFFY: incorporating tag information into a diffusion process for personalized recommendations | |
WO2020247960A1 (en) | Method and apparatus for cosmetic product recommendation | |
JP2017004493A (ja) | データ分析方法、データ分析装置およびプログラム |
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 |