CN110674344A - 生成模型及推荐影片的方法、装置、设备及存储介质 - Google Patents
生成模型及推荐影片的方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN110674344A CN110674344A CN201910803883.2A CN201910803883A CN110674344A CN 110674344 A CN110674344 A CN 110674344A CN 201910803883 A CN201910803883 A CN 201910803883A CN 110674344 A CN110674344 A CN 110674344A
- Authority
- CN
- China
- Prior art keywords
- cinema
- film
- model
- movie
- value
- 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 63
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 230000006870 function Effects 0.000 claims description 32
- 238000004891 communication Methods 0.000 claims description 29
- 230000005484 gravity Effects 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 238000011478 gradient descent method Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 description 21
- 230000008569 process Effects 0.000 description 17
- 238000009826 distribution Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 3
- 238000004220 aggregation Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000009193 crawling Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000012804 iterative process Methods 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
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 150000007524 organic acids Chemical class 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000007634 remodeling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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
- G06F16/787—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
-
- 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
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- 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
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- Library & Information Science (AREA)
- Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
Abstract
本申请涉及一种生成模型及推荐影片的方法、装置、设备及存储介质，生成模型的方法包括：获取各影院周边的兴趣点数据以及各影院对影片的历史评分，各影院中包括第一影院，以及与第一影院具有相似的兴趣点数据的至少一个第二影院；根据每个第二影院的兴趣点数据以及每个第二影院的历史评分，获得第一影响模型，以及根据各影院周边的兴趣点数据以及各影院对影片的历史评分，获得第二影响模型；根据第一影响模型和第二影响模型，获得对第一影院的影片进行评分的影片评分模型。本申请挖掘影院周边的兴趣点数据所体现出的空间特征对影片评分的影响，使得能够提高为该影院推荐影片的准确性，提高观影服务质量。
Description
技术领域
本申请涉及网络技术领域，尤其涉及一种生成模型及推荐影片的方法、装置、设备及存储介质。
背景技术
由于消费升级和互联网技术对人们生活方式的重塑，消费者对于影院观影体验提出了新要求。点播影院具有观影舒适、片源丰富和排片灵活等特点，相对于传统影院更能适应大众需求。不同于传统影院，点播影院更加关注影片与观众的契合度，能够为观众提供更优质的观影体验。
虽然拥有海量线上影片资源，但是点播影院作为线下影院，需要考虑影院级影片在现有网络环境中难以实时传输的问题。为了满足客户“随到随看”的需求，需要建立点播影院的本地影片库，从线上影片库中提前选择客户可能感兴趣的影片，下载并储存至点播影院的本地影片库中。
点播影院观众的观影行为具有空间聚集性，如何结合观众观影行为的空间聚集性，从线上影片库中选择适合点播影院的影片，将选择的影片推荐给该点播影院，是需要解决的问题，为线下点播影院推荐的影片，将直接影响点播影院的观影服务质量。
发明内容
本申请提供了一种生成模型及推荐影片的方法、装置、设备及存储介质，用以挖掘影院周边的兴趣点数据所体现出的空间特征对影片评分的影响，使得能够提高为该影院推荐影片的准确性，提高观影服务质量。
第一方面，本申请提供了一种生成模型的方法，包括：获取各影院周边的兴趣点数据以及各影院对影片的历史评分，所述各影院中包括第一影院，以及与所述第一影院具有相似的兴趣点数据的至少一个第二影院；根据每个所述第二影院的兴趣点数据以及每个所述第二影院的历史评分，获得第一影响模型，以及根据所述各影院周边的兴趣点数据以及各影院对影片的历史评分，获得第二影响模型；根据所述第一影响模型和所述第二影响模型，获得对所述第一影院的所述影片进行评分的影片评分模型。
可选地，根据每个所述第二影院的兴趣点数据以及每个所述第二影院的历史评分，获得第一影响模型，包括：针对每个所述第二影院，分别计算该第二影院与各第一影院的兴趣点数据的相似度，以及分别计算该第二影院与各影片的历史评分的均值；根据每个所述第二影院对应的所述相似度，以及，每个所述第二影院对应的所述历史评分的均值，获得所述第一影响模型。
可选地，所述第一影响模型表示为：
其中，
表示所述第二影院的集合，表示每个所述第二影院对所述第一影院i的影片j的评分影响比重值，ruj表示第二影院u对影片j的历史评分，
表示第二影院u对所有影片的历史评分的均值，wiu(l)表示第一影院i与第二影院u的兴趣点数据的相似度，wiu(l)根据所述第一影院i的兴趣点数据与第二影院u的兴趣点数据确定的马氏距离转换得到，ρi表示用于衡量空间影响程度的系数。
可选地，根据所述各影院周边的兴趣点数据以及各影院对影片的历史评分，获得第二影响模型，包括：根据所述影片在各影院的历史评分，获得所述影片与影院之间的第一对应关系；根据所述各影院的兴趣点数据，以及已知的兴趣点数据与地区功能之间的第二对应关系，获得每个影院各自与地区功能之间的第三对应关系；根据所述第一对应关系以及所述第三对应关系，计算得到所述第二影响模型，所述第二影响模型用于表示地区功能对影片的评分影响比重值。
可选地，根据所述第一影响模型和所述第二影响模型，获得对所述第一影院的所述影片进行评分的影片评分模型，包括：将所述第一影响模型的输出值、所述第二影响模型的输出值以及所述第一影院对所述影片的基础评分累加，得到对所述第一影院的所述影片进行评分的影片评分模型。
可选地，所述影片评分模型表示为：
其中，
表示第一影院i对影片j的基础评分，包括第一影院i的影院偏置bi，影片j的影片偏置bj，以及第一影院i的影院隐向量pi与影片j的影片隐向量qj转置的点积；表示第一影响模型的输出值和所述第二影响模型的输出值的和，
表示所述第一影响模型的输出值，
表示所述第二影响模型的输出值，ξj表示地区功能对影片j的评分影响值，dj表示地区功能的权重系数，表示第一影院i对影片j的评分值；其中，bi，bj，pi，qj，dj，ρi，A的取值，使得所述第一影院对影片j的历史评分，与所述第一影院对影片j的评分值之间的损失值最小。
可选地，所述第一影院对影片j的历史评分，与所述第一影院对影片j的评分值之间的损失值，采用以下损失函数计算：
其中，假设A固定的情况下，采用随机梯度下降法，计算得到bi，bj，pi，qj，dj，ρi的值，使得损失函数的值最小；将计算得到的bi，bj，pi，qj，dj，ρi的值代入损失函数L(Θ)，计算得到A的值，使得损失函数的值最小，i为影院的标识，j为影片的标识，l为地区的标识，r为影片在影院的评分，
为历史评分的集合。
第二方面，本申请提供了一种推荐影片的方法，包括：采用第一影院的影片评分模型，获得影片库中每个影片的评分值；根据所述影片库中每个影片的评分值，确定向所述第一影院推荐的影片；其中，所述影片评分模型为利用所述的生成模型的方法得到的。
可选地，根据所述影片库中每个影片的评分值，确定向所述第一影院推荐的影片，包括：按照所述影片库中各影片对应的适合观影人群，对所述影片库中的各影片进行分类，得到每个类别对应的影片；分别对每个类别对应的影片进行以下处理：按照所述类别对应的各影片的评分值，对所述类别对应的各影片进行排序，根据排序结果确定向所述第一影院推荐的所述类别对应的影片。
第三方面，本申请提供了一种生成模型的装置，包括：获取模块，用于获取各影院周边的兴趣点数据以及各影院对影片的历史评分，所述各影院中包括第一影院，以及与所述第一影院具有相似的兴趣点数据的至少一个第二影院；第一处理模块，用于根据每个所述第二影院的兴趣点数据以及每个所述第二影院的历史评分，获得第一影响模型，以及根据所述各影院周边的兴趣点数据以及各影院对影片的历史评分，获得第二影响模型；第二处理模块，用于根据所述第一影响模型和所述第二影响模型，获得对所述第一影院的所述影片进行评分的影片评分模型。
第四方面，本申请提供了一种推荐影片的装置，包括：评分模块，用于采用第一影院的影片评分模型，获得影片库中每个影片的评分值；推荐模块，用于根据所述影片库中每个影片的评分值，确定向所述第一影院推荐的影片；其中，所述影片评分模型为利用所述的生成模型的方法得到的。
第五方面，本申请提供了一种电子设备，包括：处理器、通信接口、存储器和通信总线，其中，处理器、通信接口和存储器通过通信总线完成相互间的通信；所述存储器，用于存储计算机程序；所述处理器，用于执行所述存储器中所存储的程序，实现所述的生成模型的方法。
第六方面，本申请提供了一种电子设备，包括：处理器、通信接口、存储器和通信总线，其中，处理器、通信接口和存储器通过通信总线完成相互间的通信；所述存储器，用于存储计算机程序；所述处理器，用于执行所述存储器中所存储的程序，实现所述的推荐影片的方法。
第七方面，本申请提供了一种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所述的生成模型的方法。
第八方面，本申请提供了一种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所述的推荐影片的方法。
本申请实施例提供的上述技术方案与现有技术相比具有如下优点：本申请实施例提供的该方法，通过与第一影院具有相似的兴趣点数据的第二影院的兴趣点数据和历史评分，建立能够体现兴趣点数据对历史评分的影响比重值的第一影响模型，并通过各影院的兴趣点数据和历史评分，建立能够体现兴趣点数据对历史评分影响比重值的第二影响模型，根据第一影响模型和第二影响模型，建立对第一影院的影片进行评分的影片评分模型，使得该影片评分模型能够体现第一影院周边的兴趣点数据所体现出的空间特征对影片评分的影响。基于该影片评分模型对影片评分后，根据评分结果确定向该第一影院推荐的影片，更加准确，为提高该第一影院的观影服务质量提供了可能性。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种生成模型的方法流程示意图；
图2为本申请实施例提供的一种推荐影片的方法流程示意图；
图3为本申请实施例提供的生成模型并推荐影片的过程示意图；
图4为本申请实施例提供的一种生成模型的装置结构示意图；
图5为本申请实施例提供的一种推荐影片的装置结构示意图；
图6为本申请实施例提供的一种电子设备的结构示意图；
图7为本申请实施例提供的另一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请第一实施例中提供了一种生成模型的方法，该方法可以为任意一家影院生成影片评分模型，该模型中考虑了该影院所具有的空间聚集性，所谓空间聚集性是指：影院所处地区所具有的地域性、文化和语言等特征会对影片的流行程度造成影响，而影片的流行程度直接影响影片的点播概率，例如，粤语地区偏好港台影片；另外，影院所处的功能区域决定了人群类型占比，例如，商务区主要观影人群为白领，居民区主要观影人群为家庭，两类人群的观影喜好不同。并且，该方法可以用于任意一个电子设备，例如影片资源提供商的后台服务器中。具体地，如图1所示，生成模型的具体过程如下：
步骤101，获取各影院周边的兴趣点(Point of Interest，POI)数据以及各影院对影片的历史评分，各影院中包括第一影院，以及与第一影院具有相似的兴趣点数据的至少一个第二影院。
一个具体实施例中，对直接获取的各影院周边的兴趣点数据以及各影院的历史观影记录进行预处理，以提高计算的准确度，其中，观影记录中包括每部影片的每次观影时长以及历史观影次数。具体地，在预处理过程中，将历史观影记录中观影时长小于预设值的记录作为无效记录，删除该无效记录，例如，删除历史观影记录中观影时长小于10分钟的记录。
根据预处理后得到的有效的历史观景记录中每部影片的历史观影次数，即可获得该影片的历史评分，该影片的历史评分与该影片有效的历史观影次数成正比，即影片的历史观影次数越多，则该影片的历史评分相应地也越高，由于不同影片的历史观影次数差异较大，可以采用对数变换对各影片的历史观影次数进行平滑。
假设第一影院i位于区域l，从第一影院有效的历史观影记录中获知，第一影院i对影片j的历史观影次数为cij，则第一影院i的对各影片的历史观影次数的集合可表示为：Ci＝{ci1,ci2...,ciN}，N表示影片库中包含的影片的数量，第一影院i对影片j的历史评分可表示为公式(1)，其中，i＝1,...,M,j＝1,...,N，M表示影院的数量，rij(l)表示第一影院i对影片j的历史评分，
rij(l)＝log(cij+1) (公式1)。
一个具体实施例中，第一影院周边的兴趣点数据为采用开源地图的应用程序编程接口(Application Programming Interface，简称API)爬取第一影院周边一定范围的兴趣点数据得到。例如，使用开源地图API爬取第一影院周边1千米以内的POI数据，POI数据主要包含的类别为餐饮服务、购物服务、居民住宅等。
为了表达的方便，将爬取到的POI数据表示为矩阵X的形式，由于不同类型的POI数据的取值差异较大，可以采用对数变换等方式对矩阵X中每个元素的数据进行平滑处理，例如，假设矩阵X中元素1的取值为10，元素2的取值为10000，差异较大，经过对数变换进行平滑处理后，元素1的取值变为1，元素2的取值变为4，更加平滑。
一个具体实施例中，以影院的POI矩阵X为基础，通过度量学习获得影院在兴趣点数据之间的相似度，从各影院中，选择与第一影院的兴趣点数据的相似度大于预设门限值的影院，作为第二影院。
步骤102，根据每个第二影院的兴趣点数据以及每个第二影院的历史评分，获得第一影响模型，以及根据各影院周边的兴趣点数据以及各影院对影片的历史评分，获得第二影响模型。
本申请实施例中，考虑到点播影院的主要观众是附近工作或居住的人群，而不同人群的观影喜好不同，影院所处的功能区域内的人群类型占比，在一定程度上能够体现出空间聚集性，例如，商务区的主要观影人群为白领，居民区的主要观影人群为家庭，两类观影人群的喜好完全不同。根据第一影院的兴趣点数据，可以挖掘出该第一影院所处的功能区域，结合与第一影院类似的功能区域的影片评分，建立第一影响模型，输出该影片在第一影院的评分影响比重值。
该第一影响模型能够体现第一影院附近潜在观影人群的兴趣偏好，潜在观影人群的兴趣偏好与点播影院的空间特征(如点播影院周边区域的功能分布、人群分布等)紧密相关，这些特征能够体现出点播影院附近潜在观影人群的兴趣偏好。
一个具体实施例中，以影院的POI矩阵X为基础，通过度量学习获得影院在兴趣点数据之间的相似度，获得与第一影院的兴趣点数据相似度大于预设门限值的第二影院，进而获得第二影院对第一影院的影片的评分影响比重值，对得到该影响比重值的过程进行建模，得到第一影响模型。也将该影响比重值称为第一影院的空间近邻效应对影片的评分影响比重值。
一个具体实施例中，第一影响模型的获得过程如下：针对每个第二影院，分别计算该第二影院与各第一影院的兴趣点数据的相似度，以及分别计算该第二影院与各影片的历史评分的均值；根据每个第二影院对应的相似度，以及，每个第二影院对应的历史评分的均值，获得第一影响模型。
具体地，第一影响模型的建模过程中，基于矩阵分解的协同过滤和基于近邻的协同过滤相结合，引入度量学习方法用于评估第一影响模型。第一影响模型可以采用类似K最近邻(k-Nearest Neighbor，简称KNN)方式评估得到，表示为公式(2)：
其中，wiu(l)按照公式(3)和公式(4)计算得到：
σ表示高斯核函数的参数，distiu(l)表示第一影院i的兴趣点数据与第二影院u的兴趣点数据确定的马氏距离，Xi,l是第一影院i所在区域l的兴趣点数据组成的向量，Xu,l是第二影院u所在区域l的兴趣点数据组成的向量，E表示对称半正定矩阵，E＝ATA，Xi,l以及Xu,l是D维空间向量，矩阵A是用于将D维空间向量投影到G维空间的投影矩阵。一个X矩阵中包括多个向量，每个向量由兴趣点数据组成。
本申请实施例中，考虑到由于地域、文化和语言等原因，同一部影片在不同地区的流行度不同，而影片的流行度直接影响该影片的点播概率，具有明显的空间聚集性，例如，粤语类型的影片在广东、香港、澳门地区更加流行，根据影片在第一影院所在地区的流行度建立第二影响模型，输出该影片在该第一影院的评分影响比重值。
一个具体实施例中，第二影响模型的建立过程如下：
根据影片在各影院的历史评分，获得影片与影院之间的第一对应关系；根据各影院的兴趣点数据，以及已知的兴趣点数据与地区功能之间的第二对应关系，获得每个影院各自与地区功能之间的第三对应关系；根据该第一对应关系以及该第三对应关系，计算得到第二影响模型，该第二影响模型用于表示地区功能对影片的评分影响比重值。
具体地，假设采用主题模型LDA计算第二影响模型，输入为N个影片，影片j有Nj个影院播放，一共有K个地区，则对于任一影片j的第二影响模型满足狄利克雷分布(Dirichlet)，表示为公式(5)，ξj表示第二影响模型的输出值，Dir(α)表示第一狄利克雷分布，α表示第一狄利克雷分布的参数，任一地区k的影院分布也满足狄利克雷分布，表示为公式(6)，
表示地区k的影院分布值，Dir(β)表示第二狄利克雷分布，β表示第二狄利克雷分布的参数，则根据播放影片j的影院i，可从公式(5)中得到某地区Zj,i，该地区满足多项分布，表示为公式(7)，Mult(ξj)表示第一多项分布，ξj为第一多项分布的参数，则该地区的影院播放该影片的概率分布表示为公式(8)，
表示第二多项分布，
表示地区Zj,i的影院分布值，aj,i表示地区Zj,i中影院i播放影片j的概率值。
ξj～Dir(α) (公式5)
Zj,i～Mult(ξj) (公式7)
在给定一个α和β的情况下，求解ξj，Zj,i和
然后采用变分推断算法进行迭代计算，推断得到ξj。其中，变分推断的大致过程如下：
1)假设采用γ推断ξj，采用
推断Zj,i，采用λ推断初始化α和β；
2)通过重复执行步骤a和步骤b迭代收敛：
a，初始化γ，
λ，将历史观影记录中的影片、播放影片的影院以及影院所在的地区代入三层嵌套的循环中迭代，直至γ，
λ收敛，迭代过程中涉及到的三层嵌套循环，表示为：
for j in(1，N，1)～迭代影片；
for i in(1,Nj,1)～迭代播放该影片的影院；
for k in(1,K,1)～迭代该影院所在地区。
b，将历史观影记录中的影片以及各地区的影院代入两层嵌套的循环中迭代，直到α和β收敛，将γ的值作为ξj。
for k in(1，K，1)～迭代影片；
for j in(1,Nj,1)～迭代地区的影院。
步骤103，根据第一影响模型和第二影响模型，获得对第一影院的影片进行评分的影片评分模型。
一个具体实施例中，将第一影响模型的输出值、第二影响模型的输出值以及述第一影院对影片的基础评分累加，得到对第一影院的该影片进行评分的影片评分模型。
本申请实施例中，以协同过滤为基础，将第一影响模型和第二影响模型集成到一个统一的框架下，即，通过影片评分模型集成第一影响模型和第二影响模型，得到第一影院的影片的评分值，并使用两阶段学习方法对不同因子进行联合学习，获得影片评分模型中的参数。
一个具体实施例中，影片评分模型表示为公式(9)：
其中，
表示第一影院i对影片j的基础评分，包括第一影院i的影院偏置bi，影片j的影片偏置bj，以及第一影院i的影院隐向量pi与影片j的影片隐向量qj转置的点积；
表示第一影响模型的输出值和第二影响模型的输出值的和，
表示第一影响模型的输出值，
表示第二影响模型的输出值，ξj表示地区功能对影片j的评分影响值，dj表地区功能的权重系数，一个地区对应一个权重系数，
表示第一影院i对影片j的评分值，该评分值用于表示预测得到的第一影院i的观众对该影片j的喜爱程度；
其中，bi，bj，pi，qj，dj，ρi，A的取值，使得第一影院对影片j的历史评分，与所述第一影院对影片j的评分值之间的损失值最小。
具体地，第一影院对影片j的历史评分，与第一影院对影片j的评分值之间的损失值，采用损失函数计算，如公式(10)所示：
其中，使用两阶段学习方法对不同因子进行联合学习，即，假设A固定的情况下，采用随机梯度下降法(SGD)，计算得到bi，bj，pi，qj，dj，ρi的值，使得损失函数的值最小；将计算得到的bi，bj，pi，qj，dj，ρi的值代入损失函数L(Θ)，计算得到A的值，使得损失函数的值最小，i为影院的标识，j为影片的标识，l为地区的标识，r为影片在影院的评分，
表示地区l中的影院i对影片j的评分值，rij(l)表示地区l中的影院i对影片j的历史评分值，
为历史评分的集合。
以下对两阶段学习方法的过程进行具体说明：
第一阶段，固定A，使用随机梯度下降法优化除了A之外的参数，其中，即采用eij(l)表示地区l中的影院i对影片j的评分值与历史评分值之间的差值。优化过程表示如下，“←”表示等同替代的意思，相当于等号：
bi←bi+η(eij(l)-λ×bi) (公式11)；
bj←bj+η(eij(l)-λ×bj) (公式12)；
pi←pi+η(eij(l)×qj-λ×pi) (公式13)；
qj←qj+η(eij(l)×pi-λ×qj) (公式14)；
dj←dj+η(eij(l)×ξj-λ×dj) (公式15)；
并且，记录除去
之外，第一影院i对影片j的预测残差均值，表示为：
其中，
表示数学期望。
第二阶段，固定除了A之外的参数，等价于优化如下损失函数：
令，
则A的梯度公式表示为：
第二阶段的损失函数和梯度公式将作为L-BFGS算法的输入，用于近似黑塞矩阵(Hessian Matrix)，加快算法收敛速度。具体实现时，首先会使用主成分分析(简称PCA)转换兴趣点数据，并用PCA的转换矩阵来初始化A矩阵，然后使用L-BFGS算法来优化A矩阵。
需要说明的是，通过监测各影院的播放记录，可以获得新的各影院对影片的历史评分，则以预设时长为周期，每经过一个周期，则将新增的各影院对影片的历史评分补充到原有数据中，然后重复执行步骤101至步骤103的过程，重新生成影片评分模型，使得生成的影片评分模型支持动态增量更新。
本申请实施例中，通过与第一影院具有相似的兴趣点数据的第二影院的兴趣点数据和历史评分，建立能够体现兴趣点数据对历史评分的影响比重值的第一影响模型，并通过各影院的兴趣点数据和历史评分，建立能够体现兴趣点数据对历史评分影响比重值的第二影响模型，根据第一影响模型和第二影响模型，建立对第一影院的影片进行评分的影片评分模型，使得该影片评分模型能够体现第一影院周边的兴趣点数据所体现出的空间特征对影片评分的影响。基于该影片评分模型对影片评分后，根据评分结果确定向该第一影院推荐的影片，更加准确，能够为第一影院精准推荐影片资源，进而使得为第一影院推荐的影片能够符合观众观影喜好，为提高该第一影院的观影服务质量提供了可能性。
同时，通过对影片评分模型进行建模，建立完整的、端到端的数据处理流程，实现准确、自适应和多样化的推荐目标。
尤其在第一影院为点播影院的情况下，该影片评分模型能够挖掘蕴含在点播影院历史观影记录中的空间特征与观众行为偏好之间的关系，较好地辅助点播影院经营者进行片库资源的提前准备，使得点播影院的精准营销成为可能，为引导观众观影体验，在一定程度上促进营业收入提供前提条件。
本申请第二实施例中提供了一种推荐影片的方法，利用第一实施例中所生成的影片评分模型，确定向第一影院推荐的影片。如图2所示，推荐影片的具体过程如下：
步骤201，采用第一影院的影片评分模型，获得影片库中每个影片的评分值。
其中，第一影院的影片评分模型的生成过程参见第一实施例步骤101至步骤103的描述，此处不再重述。
步骤202，根据影片库中每个影片的评分值，确定向第一影院推荐的影片。
一个应用场景中，按照影片库中各影片对应的适合观影人群，对影片库中的各影片进行分类，得到每个类别对应的影片；分别对每个类别对应的影片进行以下处理：按照该类别对应的各影片的评分值，对该类别对应的各影片进行排序，根据排序结果确定向第一影院推荐的该类别对应的影片。
例如，将影片库中的影片按照适合观影人群进行分类，可划分为三大类别，即“情侣”、“朋友”和“亲子”，其中，一个影片可以同时对应到两个或更多的群体类别，将“情侣”类别中的影片按照评分值进行排序后，将“情侣”类别中评分值最高的S部影片确定为向第一影院推荐的该类别的影片，作为第一影院“情侣”类的本地片库，同理，可以得到第一影院“朋友”类的本地片库以及“亲子”类的本地片库。
一个具体实施例中，如图3所示，影片评分模型建模以及影片推荐的整个过程如下：
步骤301，获取数据，主要包括各影院的历史观影记录、各影院的兴趣点数据以及各影院最新一个周期的观影记录；
步骤302，对获取的数据进行预处理，删除无效观影记录，采用预处理后的有效观影记录，构建后续评分过程所需的数据矩阵；
步骤303，基于数据矩阵进行模型训练，得到影片评分模型中的各参数，即公式1至公式19所描述的过程，输出第一影院的影片评分模型以及该影片评分模型的各个参数；
步骤304，基于训练得到的该影片评分模型以及该影片评分模型的各个参数，对各影片进行评分，根据评分结果进行排序；
步骤305，根据排序结果，采用规则过滤和重排序的规则，得到推荐列表；
步骤306，对于加入最新一个周期的观影记录后的数据进行处理后，结合原有数据，输出增量的数据矩阵；
步骤307，基于增量的数据矩阵，重新进行第一影院的影片评分模型训练，得到新的影片评分模型以及影片评分模型的各参数，将该新的影片评分模型以及影片评分模型的各参数，然后重复执行步骤304-305；
步骤308，将步骤305输出的推荐列表与新的观影记录结合，评估推荐结果的准确度。
本申请实施例中，通过采用第一实施例所生成的影片评分模型对影片库中的各影片进行评分，根据评分结果确定推荐给第一影院的影片，使得能够结合第一影院周边的兴趣点数据所体现出的空间特征，为第一影院推荐影片，推荐的影片能够符合第一影院的空间特征所对应的观众观影喜好，推荐的影片更为精准，提高了第一影院的观影服务质量，实现了准确、自适应和多样化的推荐目标。
基于同一构思，本申请第三实施例中还提供了一种生成模型的装置，该装置的具体实施可参见第一实施例部分的描述，重复之处不再赘述，如图4所示，该装置主要包括：
获取模块401，用于获取各影院周边的兴趣点数据以及各影院对影片的历史评分，所述各影院中包括第一影院，以及与所述第一影院具有相似的兴趣点数据的至少一个第二影院；
第一处理模块402，用于根据每个所述第二影院的兴趣点数据以及每个所述第二影院的历史评分，获得第一影响模型，以及根据所述各影院周边的兴趣点数据以及各影院对影片的历史评分，获得第二影响模型；
第二处理模块403，用于根据所述第一影响模型和所述第二影响模型，获得对所述第一影院的所述影片进行评分的影片评分模型。
基于同一构思，本申请第四实施例中还提供了一种推荐影片的装置，该装置的具体实施可参见第二实施例部分的描述，重复之处不再赘述，如图5所示，该装置主要包括：
评分模块501，用于采用第一影院的影片评分模型，获得影片库中每个影片的评分值；
推荐模块502，用于根据所述影片库中每个影片的评分值，确定向所述第一影院推荐的影片；
其中，所述影片评分模型为利用第一实施例中的方法得到的。
基于同一构思，本申请第五实施例中还提供了一种电子设备，如图6所示，该电子设备主要包括：处理器601、通信接口602、存储器603和通信总线604，其中，处理器601、通信接口602和存储器603通过通信总线604完成相互间的通信。其中，存储器603中存储有可被至处理器601执行的程序，处理器601执行存储器603中存储的程序，实现如下步骤：获取各影院周边的兴趣点数据以及各影院对影片的历史评分，所述各影院中包括第一影院，以及与所述第一影院具有相似的兴趣点数据的至少一个第二影院；根据每个所述第二影院的兴趣点数据以及每个所述第二影院的历史评分，获得第一影响模型，以及根据所述各影院周边的兴趣点数据以及各影院对影片的历史评分，获得第二影响模型；根据所述第一影响模型和所述第二影响模型，获得对所述第一影院的所述影片进行评分的影片评分模型。
基于同一构思，本申请第六实施例中还提供了一种电子设备，如图7所示，该电子设备主要包括：处理器701、通信接口702、存储器703和通信总线704，其中，处理器701、通信接口702和存储器703通过通信总线704完成相互间的通信。其中，存储器703中存储有可被至处理器701执行的程序，处理器701执行存储器703中存储的程序，实现如下步骤：采用第一影院的影片评分模型，获得影片库中每个影片的评分值；根据所述影片库中每个影片的评分值，确定向所述第一影院推荐的影片。
上述第五或第六实施例中，电子设备中提到的通信总线可以时外设部件互连标准(Peripheral Component Interconnect，简称PCI)总线或扩展工业标准结构(ExtendedIndustry Standard Architecture，简称EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图5和图6中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory，简称RAM)，也可以包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。可选地，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等，还可以是数字信号处理器(Digital Signal Processing，简称DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本申请的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序，当该计算机程序在计算机上运行时，使得计算机执行上述实施例中所描述的生成模型的方法或推荐影片的方法。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行该计算机指令时，全部或部分地产生按照本申请实施例所述的流程或功能。该计算机可以时通用计算机、专用计算机、计算机网络或者其他可编程装置。该计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，计算机指令从一个网站站点、计算机、服务器或者数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、微波等)方式向另外一个网站站点、计算机、服务器或数据中心进行传输。该计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。该可用介质可以是磁性介质(例如软盘、硬盘、磁带等)、光介质(例如DVD)或者半导体介质(例如固态硬盘)等。
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
Claims (15)
1.一种生成模型的方法，其特征在于，包括：
获取各影院周边的兴趣点数据以及各影院对影片的历史评分，所述各影院中包括第一影院，以及与所述第一影院具有相似的兴趣点数据的至少一个第二影院；
根据每个所述第二影院的兴趣点数据以及每个所述第二影院的历史评分，获得第一影响模型，以及根据所述各影院周边的兴趣点数据以及各影院对影片的历史评分，获得第二影响模型；
根据所述第一影响模型和所述第二影响模型，获得对所述第一影院的所述影片进行评分的影片评分模型。
2.根据权利要求1所述的生成模型的方法，其特征在于，根据每个所述第二影院的兴趣点数据以及每个所述第二影院的历史评分，获得第一影响模型，包括：
针对每个所述第二影院，分别计算该第二影院与各第一影院的兴趣点数据的相似度，以及分别计算该第二影院与各影片的历史评分的均值；
根据每个所述第二影院对应的所述相似度，以及，每个所述第二影院对应的所述历史评分的均值，获得所述第一影响模型。
3.根据权利要求2所述的生成模型的方法，其特征在于，所述第一影响模型表示为：
其中，
表示所述第二影院的集合，
表示每个所述第二影院对所述第一影院i的影片j的评分影响比重值，ruj表示第二影院u对影片j的历史评分，
表示第二影院u对所有影片的历史评分的均值，wiu(l)表示第一影院i与第二影院u的兴趣点数据的相似度，wiu(l)根据所述第一影院i的兴趣点数据与第二影院u的兴趣点数据确定的马氏距离转换得到，ρi表示用于衡量空间影响程度的系数。
4.根据权利要求1所述的生成模型的方法，其特征在于，根据所述各影院周边的兴趣点数据以及各影院对影片的历史评分，获得第二影响模型，包括：
根据所述影片在各影院的历史评分，获得所述影片与影院之间的第一对应关系；
根据所述各影院的兴趣点数据，以及已知的兴趣点数据与地区功能之间的第二对应关系，获得每个影院各自与地区功能之间的第三对应关系；
根据所述第一对应关系以及所述第三对应关系，计算得到所述第二影响模型，所述第二影响模型用于表示地区功能对影片的评分影响比重值。
5.根据权利要求1-4中任一所述的生成模型的方法，其特征在于，根据所述第一影响模型和所述第二影响模型，获得对所述第一影院的所述影片进行评分的影片评分模型，包括：
将所述第一影响模型的输出值、所述第二影响模型的输出值以及所述第一影院对所述影片的基础评分累加，得到对所述第一影院的所述影片进行评分的影片评分模型。
6.根据权利要求5所述的生成模型的方法，其特征在于，所述影片评分模型表示为：
其中，
表示第一影院i对影片j的基础评分，包括第一影院i的影院偏置bi，影片j的影片偏置bj，以及第一影院i的影院隐向量pi与影片j的影片隐向量qj转置的点积；表示第一影响模型的输出值和所述第二影响模型的输出值的和，表示所述第一影响模型的输出值，
表示所述第二影响模型的输出值，ξj表示地区功能对影片j的评分影响值，dj表示地区功能的权重系数，
表示第一影院i对影片j的评分值；
其中，bi，bj，pi，qj，dj，ρi，A的取值，使得所述第一影院对影片j的历史评分，与所述第一影院对影片j的评分值之间的损失值最小。
7.根据权利要求6所述的生成模型的方法，其特征在于，所述第一影院对影片j的历史评分，与所述第一影院对影片j的评分值之间的损失值，采用以下损失函数计算：
其中，假设A固定的情况下，采用随机梯度下降法，计算得到bi，bj，pi，qj，dj，ρi的值，使得损失函数的值最小；将计算得到的bi，bj，pi，qj，dj，ρi的值代入损失函数L(Θ)，计算得到A的值，使得损失函数的值最小，i为影院的标识，j为影片的标识，l为地区的标识，r为影片在影院的评分，
为历史评分的集合。
8.一种推荐影片的方法，其特征在于，包括：
采用第一影院的影片评分模型，获得影片库中每个影片的评分值；
根据所述影片库中每个影片的评分值，确定向所述第一影院推荐的影片；
其中，所述影片评分模型为利用权利要求1-7中任一所述的方法得到的。
9.根据权利要求8所述的推荐影片的方法，其特征在于，根据所述影片库中每个影片的评分值，确定向所述第一影院推荐的影片，包括：
按照所述影片库中各影片对应的适合观影人群，对所述影片库中的各影片进行分类，得到每个类别对应的影片；
分别对每个类别对应的影片进行以下处理：按照所述类别对应的各影片的评分值，对所述类别对应的各影片进行排序，根据排序结果确定向所述第一影院推荐的所述类别对应的影片。
10.一种生成模型的装置，其特征在于，包括：
获取模块，用于获取各影院周边的兴趣点数据以及各影院对影片的历史评分，所述各影院中包括第一影院，以及与所述第一影院具有相似的兴趣点数据的至少一个第二影院；
第一处理模块，用于根据每个所述第二影院的兴趣点数据以及每个所述第二影院的历史评分，获得第一影响模型，以及根据所述各影院周边的兴趣点数据以及各影院对影片的历史评分，获得第二影响模型；
第二处理模块，用于根据所述第一影响模型和所述第二影响模型，获得对所述第一影院的所述影片进行评分的影片评分模型。
11.一种推荐影片的装置，其特征在于，包括：
评分模块，用于采用第一影院的影片评分模型，获得影片库中每个影片的评分值；
推荐模块，用于根据所述影片库中每个影片的评分值，确定向所述第一影院推荐的影片；
其中，所述影片评分模型为利用权利要求1-7中任一所述的方法得到的。
12.一种电子设备，其特征在于，包括：处理器、通信接口、存储器和通信总线，其中，处理器、通信接口和存储器通过通信总线完成相互间的通信；
所述存储器，用于存储计算机程序；
所述处理器，用于执行所述存储器中所存储的程序，实现权利要求1-7中任一所述的生成模型的方法。
13.一种电子设备，其特征在于，包括：处理器、通信接口、存储器和通信总线，其中，处理器、通信接口和存储器通过通信总线完成相互间的通信；
所述存储器，用于存储计算机程序；
所述处理器，用于执行所述存储器中所存储的程序，实现权利要求8-9中任一所述的推荐影片的方法。
14.一种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权利要求1-7中任一所述的生成模型的方法。
15.一种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权利要求8-9中任一所述的推荐影片的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910803883.2A CN110674344B (zh) | 2019-08-28 | 2019-08-28 | 生成模型及推荐影片的方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910803883.2A CN110674344B (zh) | 2019-08-28 | 2019-08-28 | 生成模型及推荐影片的方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110674344A true CN110674344A (zh) | 2020-01-10 |
| CN110674344B CN110674344B (zh) | 2022-03-08 |
Family
ID=69076403
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910803883.2A Active CN110674344B (zh) | 2019-08-28 | 2019-08-28 | 生成模型及推荐影片的方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110674344B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101551825A (zh) * | 2009-05-15 | 2009-10-07 | 中国科学技术大学 | 基于属性描述的个性化影片推荐系统及方法 |
| CN104462385A (zh) * | 2014-12-10 | 2015-03-25 | 山东科技大学 | 一种基于用户兴趣模型的电影个性化相似度计算方法 |
| CN105404700A (zh) * | 2015-12-30 | 2016-03-16 | 山东大学 | 一种基于协同过滤的视频栏目推荐系统及推荐方法 |
| CN105898420A (zh) * | 2015-01-09 | 2016-08-24 | 阿里巴巴集团控股有限公司 | 一种视频推荐方法、装置以及电子设备 |
| US20170169330A1 (en) * | 2015-12-15 | 2017-06-15 | Le Holdings (Beijing) Co., Ltd. | Method and Electronic Device for Displaying Play Content in Smart Television |
| CN106980646A (zh) * | 2017-02-27 | 2017-07-25 | 上海大学 | 基于流行度对用户兴趣的影响机制分析及其在推荐算法中应用的方法 |
| CN107038494A (zh) * | 2017-03-06 | 2017-08-11 | 中国电影科学技术研究所 | 一种影院票房预测方法及装置 |
| CN107295107A (zh) * | 2017-08-01 | 2017-10-24 | 深圳天珑无线科技有限公司 | 推荐方法、推荐装置以及移动终端 |
| CN108093303A (zh) * | 2016-11-23 | 2018-05-29 | 深圳市优朋普乐传媒发展有限公司 | 一种视频推送方法及装置 |
| CN109508428A (zh) * | 2019-01-21 | 2019-03-22 | 宿州学院 | 基于兴趣点真流行度与隐式信任挖掘的兴趣点推荐方法 |
| CN110110244A (zh) * | 2019-04-26 | 2019-08-09 | 广东技术师范大学 | 一种融合多源信息的兴趣点推荐方法 |
-
2019
- 2019-08-28 CN CN201910803883.2A patent/CN110674344B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101551825A (zh) * | 2009-05-15 | 2009-10-07 | 中国科学技术大学 | 基于属性描述的个性化影片推荐系统及方法 |
| CN104462385A (zh) * | 2014-12-10 | 2015-03-25 | 山东科技大学 | 一种基于用户兴趣模型的电影个性化相似度计算方法 |
| CN105898420A (zh) * | 2015-01-09 | 2016-08-24 | 阿里巴巴集团控股有限公司 | 一种视频推荐方法、装置以及电子设备 |
| US20170169330A1 (en) * | 2015-12-15 | 2017-06-15 | Le Holdings (Beijing) Co., Ltd. | Method and Electronic Device for Displaying Play Content in Smart Television |
| CN105404700A (zh) * | 2015-12-30 | 2016-03-16 | 山东大学 | 一种基于协同过滤的视频栏目推荐系统及推荐方法 |
| CN108093303A (zh) * | 2016-11-23 | 2018-05-29 | 深圳市优朋普乐传媒发展有限公司 | 一种视频推送方法及装置 |
| CN106980646A (zh) * | 2017-02-27 | 2017-07-25 | 上海大学 | 基于流行度对用户兴趣的影响机制分析及其在推荐算法中应用的方法 |
| CN107038494A (zh) * | 2017-03-06 | 2017-08-11 | 中国电影科学技术研究所 | 一种影院票房预测方法及装置 |
| CN107295107A (zh) * | 2017-08-01 | 2017-10-24 | 深圳天珑无线科技有限公司 | 推荐方法、推荐装置以及移动终端 |
| CN109508428A (zh) * | 2019-01-21 | 2019-03-22 | 宿州学院 | 基于兴趣点真流行度与隐式信任挖掘的兴趣点推荐方法 |
| CN110110244A (zh) * | 2019-04-26 | 2019-08-09 | 广东技术师范大学 | 一种融合多源信息的兴趣点推荐方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110674344B (zh) | 2022-03-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20210390461A1 (en) | Graph model build and scoring engine | |
| US11521221B2 (en) | Predictive modeling with entity representations computed from neural network models simultaneously trained on multiple tasks | |
| CN112074857A (zh) | 组合机器学习和社交数据以生成个性化推荐 | |
| US11699095B2 (en) | Cross-domain recommender systems using domain separation networks and autoencoders | |
| US10983786B2 (en) | Automatically evaluating software project requirements | |
| CN109190030B (zh) | 融合node2vec和深度神经网络的隐式反馈推荐方法 | |
| JP7208595B2 (ja) | 映画成功指数の予測 | |
| JP6623186B2 (ja) | コンテンツ評価予測システム及びコンテンツ評価予測方法 | |
| CN109726331B (zh) | 对象偏好预测的方法、装置和计算机可读介质 | |
| KR102376652B1 (ko) | Ai를 활용한 상품 데이터 실시간 분석 및 상품 정보를 업데이트하기 위한 방법 및 시스템 | |
| KR20200107389A (ko) | 생성적 적대 신경망에 기반한 평점 증강 및 아이템 추천 방법 및 시스템 | |
| WO2022252694A1 (zh) | 神经网络优化方法及其装置 | |
| WO2014110424A1 (en) | Generating optimized solutions to complex problems | |
| US20230316106A1 (en) | Method and apparatus for training content recommendation model, device, and storage medium | |
| JP2024508502A (ja) | 情報をプッシュする方法および装置 | |
| US20220270155A1 (en) | Recommendation with neighbor-aware hyperbolic embedding | |
| WO2024152686A1 (zh) | 确定资源信息的推荐指标的方法、装置、设备、存储介质及计算机程序产品 | |
| US20160217490A1 (en) | Automatic Computation of Keyword Bids For Pay-Per-Click Advertising Campaigns and Methods and Systems Incorporating The Same | |
| CN116910373A (zh) | 房源推荐方法、装置、电子设备及存储介质 | |
| CN110674344B (zh) | 生成模型及推荐影片的方法、装置、设备及存储介质 | |
| CN104765752A (zh) | 基于用户模型演进的推荐装置和方法 | |
| CN116401450A (zh) | 一种基于知识图谱的推荐方法、装置及计算机设备 | |
| US20230186074A1 (en) | Fabricating data using constraints translated from trained machine learning models | |
| CN109446432A (zh) | 一种信息推荐方法及装置 | |
| CN113961799A (zh) | 一种图模型和ctr模型的联合训练方法和装置 |
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 |