CN110717099B - 一种推荐影片的方法及终端 - Google Patents

Abstract

本申请适用于计算机技术领域，提供了一种推荐影片的方法及终端，包括：获取用户的用户标识信息以及获取每个原始推荐影片的影片标识信息；将所述用户标识信息以及每个所述影片标识信息输入已训练的推荐模型进行预测处理，得到至少两部目标影片各自对应的点击概率；按照所述点击概率的大小对每个所述目标影片进行排序，根据排序结果确定并推荐最终推荐影片。上述方式，使用已训练的推荐模型对获取到的用户标识信息以及影片标识信息进行预测处理，得到目标影片对应的点击概率；根据点击概率的大小确定最终推荐影片，并将该最终推荐影片推荐给用户，增强了推荐给用户影片的准确率。

Description

一种推荐影片的方法及终端

技术领域

本申请属于计算机技术领域，尤其涉及一种推荐影片的方法及终端。

背景技术

随着信息技术和互联网的发展，人们逐渐从信息匮乏的时代走入了信息过载的时代，影片数量剧增。在这样的背景下，影片推荐显得尤其重要。

然而，传统的影片推荐方式都是通过协同过滤推荐算法推荐影片，这种推荐算法存在过拟合风险以及冷启动问题(对于新加入的用户或者物品，其没有对应的历史信息，因此难以准确的进行建模和推荐)，导致给用户推荐的影片不准确。

发明内容

有鉴于此，本申请实施例提供了一种推荐影片的方法及终端，以解决传统的影片推荐方式通过协同过滤推荐算法推荐影片，这种推荐算法存在过拟合风险以及冷启动问题，导致给用户推荐的影片不准确的问题。

本申请实施例的第一方面提供了一种推荐影片的方法，包括：

获取用户的用户标识信息以及获取每个原始推荐影片的影片标识信息；所述原始推荐影片为基于预设推荐方法为所述用户初次推荐的影片；所述原始推荐影片不少于两部；

将所述用户标识信息以及每个所述影片标识信息输入已训练的推荐模型进行预测处理，得到至少两部目标影片各自对应的点击概率；所述已训练的推荐模型使用机器学习算法对多个训练样本进行训练得到，在训练过程中，所述推荐模型的输入为所述训练样本中的样本用户标识信息以及与每个所述样本用户标识信息关联的样本影片标识信息，所述推荐模型的输出为由所述样本用户标识信息以及所述样本影片标识信息预测推荐影片得到的影片的预测点击概率；

按照所述点击概率的大小对每个所述目标影片进行排序，根据排序结果确定并推荐最终推荐影片。

进一步地，为了加快终端处理数据的速度，更快、更准确地为用户推荐影片，获取用户的用户标识信息以及获取每个原始推荐影片的影片标识信息可以包括：

获取所述用户的历史观影信息；

基于所述历史观影信息以及所述预设推荐方法，确定所述原始推荐影片；

获取所述原始推荐影片的影片标识信息以及获取所述用户的用户标识信息。

进一步地，预测每个影片的点击概率，可使终端更准确地向用户推荐影片，将所述用户标识信息以及每个所述影片标识信息输入已训练的推荐模型进行预测处理，得到至少两部目标影片各自对应的点击概率可以包括：

将所述用户标识信息转换为第一向量，以及将所述影片标识信息转换为第二向量；

基于所述用户标识信息、与所述用户标识信息关联的第一属性参数、以及用户知识图谱，确定第一预估向量；所述用户知识图谱基于用户信息生成；所述第一预估向量为与所述用户标识信息、以及所述第一属性参数均关联的属性数据；

进一步地，为了便于终端获取更多关于用户的特征信息，从而准确地为用户推荐影片，基于所述用户知识图谱，提取所述用户标识信息以及所述第一属性参数中的用户特征向量，得到所述第一预估向量。

基于所述影片标识信息、与所述影片标识信息关联的第二属性参数、以及影片知识图谱，确定第二预估向量；所述影片知识图谱基于影片信息生成；所述第二预估向量为与所述影片标识信息、以及所述第二属性参数均关联的属性数据；

进一步地，为了便于终端获取更多关于影片的特征信息，从而准确地为用户推荐影片，基于所述影片知识图谱，提取所述影片标识信息以及所述第二属性参数中的影片特征向量，得到所述第二预估向量。

使用所述推荐模型对所述第一向量、所述第二向量、所述第一预估向量以及所述第二预估向量进行特征交叉处理，得到特征交叉向量；

提取所述特征交叉向量中的目标特征向量，得到所述点击概率。

进一步地，为了便于终端获取更多关于用户以及影片的特征信息，从而准确地为用户推荐影片，使用所述推荐模型对所述第一向量以及所述第一预估向量进行特征交叉处理，得到第一特征向量；

使用所述推荐模型对所述第二向量以及所述第二预估向量进行特征交叉处理，得到第二特征向量；

提取所述第一特征向量以及所述第二特征向量中的所述目标特征向量，得到所述点击概率。

进一步地，为了准确地为用户推荐影片，获取用户的用户标识信息以及获取每个原始推荐影片的影片标识信息之前，还可包括：

获取训练样本集；所述训练样本集包括多个训练样本；每个所述训练样本包括关联的样本用户标识信息以及样本影片标识信息以及样本测试结果；

将所述训练样本中关联的样本用户标识信息以及样本影片标识信息输入待训练的推荐模型进行处理，得到预测结果；

使用预设的损失函数计算所述预测结果与所述样本测试结果之间的损失值，并基于所述损失值更新所述待训练的推荐模型中的模型参数，返回所述将所述样本数据输入待训练的推荐模型进行预测处理，得到预测结果；

当所述损失值满足预设条件时，停止训练，得到所述已训练的推荐模型。

本申请实施例的第二方面提供了一种推荐影片的终端，该终端包括：

获取单元，用于获取用户的用户标识信息以及获取每个原始推荐影片的影片标识信息；所述原始推荐影片为基于预设推荐方法为所述用户初次推荐的影片；所述原始推荐影片不少于两部；

预测单元，用于将所述用户标识信息以及每个所述影片标识信息输入已训练的推荐模型进行预测处理，得到至少两部目标影片各自对应的点击概率；所述已训练的推荐模型使用机器学习算法对多个训练样本进行训练得到，在训练过程中，所述推荐模型的输入为所述训练样本中的样本用户标识信息以及与每个所述样本用户标识信息关联的样本影片标识信息，所述推荐模型的输出为由所述样本用户标识信息以及所述样本影片标识信息预测推荐影片得到的影片的预测点击概率；

确定单元，用于按照所述点击概率的大小对每个所述目标影片进行排序，根据排序结果确定并推荐最终推荐影片。

进一步地，所述获取单元具体用于：

获取所述用户的历史观影信息；

基于所述历史观影信息以及所述预设推荐方法，确定所述原始推荐影片；

获取所述原始推荐影片的影片标识信息以及获取所述用户的用户标识信息。

进一步地，所述预测单元包括：

转换单元，用于将所述用户标识信息转换为第一向量，以及将所述影片标识信息转换为第二向量；

第一预估向量确定单元，用于基于所述用户标识信息、与所述用户标识信息关联的第一属性参数、以及用户知识图谱，确定第一预估向量；所述用户知识图谱基于用户信息生成；所述第一预估向量为与所述用户标识信息、以及所述第一属性参数均关联的属性数据；

第二预估向量确定单元，用于基于所述影片标识信息、与所述影片标识信息关联的第二属性参数、以及影片知识图谱，确定第二预估向量；所述影片知识图谱基于影片信息生成；所述第二预估向量为与所述影片标识信息、以及所述第二属性参数均关联的属性数据；

交叉处理单元，用于使用所述推荐模型对所述第一向量、所述第二向量、所述第一预估向量以及所述第二预估向量进行特征交叉处理，得到特征交叉向量；

提取单元，用于提取所述特征交叉向量中的目标特征向量，得到所述点击概率。

进一步地，所述第一预估向量确定单元具体用于：

基于所述用户知识图谱，提取所述用户标识信息以及所述第一属性参数中的用户特征向量，得到所述第一预估向量。

进一步地，所述第二预估向量确定单元具体用于：

基于所述影片知识图谱，提取所述影片标识信息以及所述第二属性参数中的影片特征向量，得到所述第二预估向量。

进一步地，所述交叉处理单元具体用于：

使用所述推荐模型对所述第一向量以及所述第一预估向量进行特征交叉处理，得到第一特征向量；

使用所述推荐模型对所述第二向量以及所述第二预估向量进行特征交叉处理，得到第二特征向量；

提取所述第一特征向量以及所述第二特征向量中的所述目标特征向量，得到所述点击概率。

进一步地，终端还包括：

样本集获取单元，用于获取训练样本集；所述训练样本集包括多个训练样本；每个所述训练样本包括关联的样本用户标识信息以及样本影片标识信息以及样本测试结果；

第一训练单元，用于将所述训练样本中关联的样本用户标识信息以及样本影片标识信息输入待训练的推荐模型进行处理，得到预测结果；

更新单元，用于使用预设的损失函数计算所述预测结果与所述样本测试结果之间的损失值，并基于所述损失值更新所述待训练的推荐模型中的模型参数，返回所述将所述样本数据输入待训练的推荐模型进行预测处理，得到预测结果；

第二训练单元，用于当所述损失值满足预设条件时，停止训练，得到所述已训练的推荐模型。

本申请实施例的第三方面提供了一种推荐影片的终端，包括处理器、输入终端、输出终端和存储器，所述处理器、输入终端、输出终端和存储器相互连接，其中，所述存储器用于存储支持终端执行上述方法的计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行第一方面所述的推荐影片的方法的步骤。

本申请实施例的第四方面提供了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第一方面所述的推荐影片的方法的步骤。

本申请实施例提供的一种推荐影片的方法及终端具有以下有益效果：

本申请实施例，终端使用已训练的推荐模型对获取到的用户标识信息以及影片标识信息进行预测处理，得到目标影片对应的点击概率；根据点击概率的大小确定最终推荐影片，并将该最终推荐影片推荐给用户；由于影片标识信息是原始推荐影片的影片标识信息，相当于使用该推荐模型在原有的推荐影片的基础上进一步获取用户特征信息，为用户推荐影片，使得最终推荐给用户的影片很准确；且使用已训练的推荐模型对获取到的用户标识信息以及影片标识信息进行预测处理，加快了处理信息的速度，提高了推荐速度。

附图说明

为了更清楚地说明本申请实施例中的技术方案，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，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，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是本申请一实施例提供的一种推荐影片的方法的实现流程图；

图2是本申请另一实施例提供的一种推荐影片的方法的实现流程图；

图3是本申请一实施例提供的一种推荐影片的终端示意图；

图4是本申请另一实施例提供的一种推荐影片的终端的示意图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请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申请，并不用于限定本申请。

请参见图1，图1是本申请实施例提供的一种推荐影片的方法的示意流程图。本实施例中推荐影片的执行主体为推荐影片的终端，包括但不限于平板电脑、掌上电脑(Personal Digital Assistant，PDA)、电脑、智能手机、等移动终端。如图1所示的推荐影片的方法可包括：

S101：获取用户的用户标识信息以及获取每个原始推荐影片的影片标识信息；所述原始推荐影片为基于预设推荐方法为所述用户初次推荐的影片；所述原始推荐影片不少于两部。

用户标识信息用于唯一标识用户身份，用户标识信息可以是该用户的身份证号、手机号、该用户注册的账号、用户预设的编码等，对此不做限定。影片标识信息用于唯一标识一部影片，影片标识信息可以是该影片的片名、影片编号、用户预设的标识字符等，对此不做限定。

原始推荐影片为终端基于预设推荐方法为该用户初次推荐的影片。为了给用户推荐最准确、最喜爱的影片，终端预先通过预设推荐方法为该用户进行初次影片推荐，即先粗略筛选出该用户会喜欢哪些影片；通过预设推荐方法推荐得到的影片均记为原始推荐影片，原始推荐影片的数量不少于两部。

终端获取用户的用户标识信息，以及获取每个原始推荐影片的影片标识信息；具体地，终端可以基于观影应用软件获取用户的用户标识信息；原始推荐影片的影片标识信息可以与其对应的用户标识信息关联并存储在数据库中，终端基于用户的用户标识信息，在数据库中查找与其对应的原始推荐影片的影片标识信息。

进一步地，为了加快终端处理数据的速度，更快、更准确地为用户推荐影片，S101可以包括S1011-S1013，具体如下：

S1011：获取所述用户的历史观影信息。

获取该用户的历史观影信息。具体的，终端可以基于该用户的用户标识信息在观影应用软件、购票应用软件等中获取用户的历史观影信息。历史观影信息可以是该用户收藏过的电影的影片信息、看过的电影的影片信息、想要观看的电影的影片信息、购买过的电影票、不喜欢观看的电影的影片信息、评论过的影片以及评论内容等；其中，影片信息可以包括影片观影时长、影片观影速度、影片片名、影片的演员信息、影片的导演信息等，对此不做限定。

S1012：基于所述历史观影信息以及所述预设推荐方法，确定所述原始推荐影片。

终端基于历史观影信息以及预设推荐方法，确定原始推荐影片，可以是终端通过协同过滤算法对历史观影信息进行影片推荐处理，确定原始推荐影片。具体地，终端基于获取到的历史观影信息分析用户对每个影片不同的行为，如收藏、点赞、喜爱、多次观看等，并为每个行为设置相应的权重，根据这些权重为该用户行为进行评分；根据用户行为得分计算对每个影片的喜爱程度以及每个影片对应的评分；计算用户与多个用户之间的相似度，并根据相似度以及对每个影片的评分，计算用户对每个影片的兴趣度；按照兴趣度对所有影片进行排序，并根据排序结果确定向用户推荐的原始推荐影片。原始推荐影片的数量用户可以自行设定，至少为两部；通常原始推荐影片的数量为30部、50部等，用户可根据实际情况进行设定、调整，对此不做限定。

S1013：获取所述原始推荐影片的影片标识信息以及获取所述用户的用户标识信息。

终端获取各个原始推荐影片的标识信息，即获取每个原始推荐影片的该影片的片名、影片编号、用户预设的标识字符等；同时，终端获取用户的标识信息。进一步地，为了方便终端后续对用户标识信息以及影片标识信息进行处理，终端可将获取到的用户的标识信息以及为该用户推荐的原始推荐影片的标识信息，关联存储至数据库中。

S102：将所述用户标识信息以及每个所述影片标识信息输入已训练的推荐模型进行预测处理，得到至少两部目标影片各自对应的点击概率；所述已训练的推荐模型使用机器学习算法对多个训练样本进行训练得到，在训练过程中，所述推荐模型的输入为所述训练样本中的样本用户标识信息以及与每个所述样本用户标识信息关联的样本影片标识信息，所述推荐模型的输出为由所述样本用户标识信息以及所述样本影片标识信息预测推荐影片得到的影片的预测点击概率。

已训练的推荐模型是使用机器学习算法对多个训练样本进行训练得到的；其中，已训练的推荐模型的输入为训练样本中的样本用户标识信息以及与每个样本用户标识信息关联的样本影片标识信息，已训练的推荐模型的输出为由样本用户标识信息以及样本影片标识信息预测推荐影片得到的影片的预测点击概率。

目标影片可以理解为终端在原始推荐影片的基础上中进一步为用户推荐的更为准确、更符合用户喜好的影片。目标影片为原始推荐影片中的多部影片。目标影片数量小于或等于原始推荐影片的数量，具体目标影片的数量取决于原始推荐影片的数量；通常原始推荐影片的数量越多，目标影片的数量也越多；原始推荐影片的数量越少，目标影片的数量也相应减少。

终端将该用户的用户标识信息以及原始推荐影片的影片标识信息输入已训练的推荐模型中；将用户标识信息以及影片标识信息均转换为与其各自对应的向量；并获取用于表示用户特征的第一预估向量以及用于表示影片特征的第二预估向量，对这些向量进行交叉特征处理，得到特征交叉向量；提取特征交叉向量中的目标特征向量，得到目标影片各自对应的点击概率。

进一步地，预测每个影片的点击概率，可使终端更准确地向用户推荐影片，S102可以包括S1021-S1025，具体如下：

S1021：将所述用户标识信息转换为第一向量，以及将所述影片标识信息转换为第二向量。

推荐模型可采用矩阵运算对用户表示信息进行转换处理，将用户标识信息转换为与其对应的第一向量；同时，推荐模型也采用矩阵算法对影片标识信息进行转换处理，将影片标识信息转换为与其对应的第二向量。

S1022：基于所述用户标识信息、与所述用户标识信息关联的第一属性参数、以及用户知识图谱，确定第一预估向量；所述用户知识图谱基于用户信息生成；所述第一预估向量为与所述用户标识信息、以及所述第一属性参数均关联的属性数据。

用户知识图谱是一种学习模型，通过使用机器学习算法对用户信息进行训练得到。用户信息包括用户标识信息、与该用户标识信息关联的第一属性参数、与用户标识信息以及第一属性参数均关联的属性数据；在训练过程中，将用户标识信息、与该用户标识信息关联的第一属性参数作为输入数据，输出为与用户标识信息以及第一属性参数均关联的属性数据。其中，第一属性参数为能表示用户特征的信息，如性别、年龄、爱好等；属性数据为这些特征信息的具体表现，当第一属性参数为性别、年龄、爱好时，属性数据可以为男、25、喜剧，对此不做限定。

可以理解为用户信息就是训练用到的数据，在训练过程中，用户标识信息、与第一属性参数作为输入数据，属性数据为理想的输出数据；基于损失函数、理想的输出数据以及实际输出的属性数据计算损失值，并根据这个损失值调整用户知识图谱这个学习模型中的模型参数，重复执行训练过程；当损失函数收敛时，停止训练，得到训练好的用户知识图谱。

训练过程中用到的损失函数为：

其中，N表示用户信息的数量，yi表示用户信息中的属性数据(即理想的输出数据)，prei表示用户知识图谱实际输出的属性数据；L表示损失值。

将用户标识信息、与用户标识信息关联的第一属性参数输入用户知识图谱这个学习模型中，得到用户知识图谱这个学习模型输出的第一预估向量，即与用户标识信息、以及第一属性参数均关联的属性数据。例如，用户标识信息为：用户1，与该用户标识信息关联的第一属性参数为：性别，将用户1以及性别输入用户知识图谱这个学习模型，得到用户知识图谱这个学习模型输出的第一预估向量，即属性数据：男。

进一步地，为了便于终端获取更多关于用户的特征信息，从而准确地为用户推荐影片，S1022可以包括：

基于所述用户知识图谱，提取所述用户标识信息以及所述第一属性参数中的用户特征向量，得到所述第一预估向量。

终端基于用户知识图谱，提取用户标识信息以及第一属性参数中的用户特征向量，得到第一预估向量，即得到与用户标识信息、以及第一属性参数均关联的属性数据。具体地，用户知识图谱这个学习模型可将用户标识信息转换为对应的向量，将第一属性参数转换为与之对应的向量，将这些向量经过不同的神经网络层向上传播，每向上传播一次，便可多获得一些关于用户的特征向量，当传播结束时，获取最后的向量即用户特征向量，得到第一预估向量。

S1023：基于所述影片标识信息、与所述影片标识信息关联的第二属性参数、以及影片知识图谱，确定第二预估向量；所述影片知识图谱基于影片信息生成；所述第二预估向量为与所述影片标识信息、以及所述第二属性参数均关联的属性数据。

影片知识图谱是一种学习模型，通过使用机器学习算法对影片信息进行训练得到。影片信息包括影片标识信息、与该影片标识信息关联的第二属性参数、与影片标识信息以及第二属性参数均关联的属性数据；在训练过程中，将影片标识信息、与该影片标识信息关联的第二属性参数作为输入数据，输出为与影片标识信息以及第二属性参数均关联的属性数据。其中，第二属性参数为能表示影片特征的信息，如影片类型、影片时长等；属性数据为这些特征信息的具体表现，当第一属性参数为影片类型、影片时长时，属性数据可以为喜剧片、2小时，对此不做限定。

可以理解为影片信息就是训练用到的样本数据，在训练过程中，影片标识信息、与第二属性参数作为输入数据，属性数据为理想的输出数据；基于损失函数、理想的输出数据以及实际输出的属性数据计算损失值，并根据这个损失值调整影片知识图谱这个学习模型中的模型参数，重复执行训练过程；当损失函数收敛时，停止训练，得到训练好的影片知识图谱。

训练过程中用到的损失函数为：

其中，M表示样本数据的数量，即影片信息的数量，xii表示影片信息中的属性数据(即理想的输出数据)，preii表示用户知识图谱实际输出的属性数据；H表示损失值。

将影片标识信息、与影片标识信息关联的第二属性参数输入影片知识图谱这个学习模型中，得到影片知识图谱这个学习模型输出的第二预估向量，即与影片标识信息、以及第二属性参数均关联的属性数据。例如，影片标识信息为：影片1，与该影片标识信息关联的第二属性参数为：影片类型，将影片1以及影片类型输入影片知识图谱这个学习模型，得到影片知识图谱这个学习模型输出的第二预估向量，即属性数据：动作片。

进一步地，为了便于终端获取更多关于影片的特征信息，从而准确地为用户推荐影片，S1023可以包括：

基于所述影片知识图谱，提取所述影片标识信息以及所述第二属性参数中的影片特征向量，得到所述第二预估向量。

终端基于影片知识图谱，提取影片标识信息以及第二属性参数中的影片特征向量，得到第二预估向量，即得到与影片标识信息、以及第二属性参数均关联的属性数据。具体地，影片知识图谱这个学习模型可将影片标识信息转换为对应的向量，将第二属性参数转换为与之对应的向量，将这些向量经过不同的神经网络层向上传播，每向上传播一次，便可多获得一些关于影片的特征向量，当传播结束时，获取最后的向量即影片特征向量，得到第二预估向量。

S1024：使用所述推荐模型对所述第一向量、所述第二向量、所述第一预估向量以及所述第二预估向量进行特征交叉处理，得到特征交叉向量。

终端使用已训练的推荐模型对第一向量、第二向量、第一预估向量以及第二预估向量进行特征交叉处理，得到特征交叉向量。具体地，使用该推荐模型对第一向量以及第一预估向量进行特征交叉处理，同时，使用该推荐模型对第二向量以及第二预估向量进行特征交叉处理，得到最终的特征交叉向量。其中，特征交叉向量用于表示包含了用户特征以及影片特征的向量。

进一步地，为了便于终端获取更多关于用户以及影片的特征信息，从而准确地为用户推荐影片，S1024可以包括S10241-S10242，具体如下：

S10241：使用所述推荐模型对所述第一向量以及所述第一预估向量进行特征交叉处理，得到第一特征向量。

特征交叉处理指使用该推荐模型基于第一向量以及第一预估向量互相学习的过程。使用该推荐模型对第一向量以及第一预估向量进行第一特征交叉处理，得到第一特征向量；第一特征向量用于表示用户特征。具体地，获取第一向量对应的向量矩阵，并获取第一预估向量对应的向量矩阵，将两个向量矩阵相乘；对得到的乘积进行数据重新布局，得到对应的二维矩阵；对该二维矩阵进行参数定义并计算，得到第一特征向量。由于第一预估向量是基于用户知识图谱处理数据得到的，第一向量是基于已训练的推荐模型处理数据得到，使用该推荐模型对第一向量以及第一预估向量进行特征交叉处理，可使得到的第一特征向量更丰富、更准确，进而使推荐模型为该用户推荐的影片更符合该用户的喜好。

S10242：使用所述推荐模型对所述第二向量以及所述第二预估向量进行特征交叉处理，得到第二特征向量。

使用该推荐模型对第二向量以及第二预估向量进行第二特征交叉处理，得到第二特征向量；第二特征向量用于表示影片特征。具体地，获取第二向量对应的向量矩阵，并获取第二预估向量对应的向量矩阵，将两个向量矩阵相乘；对得到的乘积进行数据重新布局，得到对应的二维矩阵；对该二维矩阵进行参数定义并计算，得到第二特征向量。由于第二预估向量是基于影片知识图谱处理数据得到的，第二向量是基于已训练的推荐模型处理数据得到，使用该推荐模型对第二向量以及第二预估向量进行特征交叉处理，可使得到的第二特征向量更丰富、更准确，进而使推荐模型为该用户推荐的影片更符合该用户的喜好。

S1025：提取所述特征交叉向量中的目标特征向量，得到所述点击概率。

提取特征交叉向量中的目标特征向量，得到所述点击概率；目标特征向量可用于表示目标影片对应的点击概率。具体地，已训练的推荐模型将特征交叉向量经过不同的神经网络层向上传播，每向上传播一层，便可多获得一些关于用户以及影片的特征向量，当传播结束时，提取最后的目标向量特征，得到目标影片对应的点击概率。

进一步地，当执行上述S10241-S10242时，S1025可以包括：提取所述第一特征向量以及所述第二特征向量中的所述目标特征向量，得到所述点击概率。

提取第一特征向量以及第二特征向量中的目标特征向量，得到点击概率；目标特征向量可用于表示目标影片对应的点击概率。具体地，已训练的推荐模型可将第一特征向量以及第二特征向量经过不同的神经网络层向上传播，每向上传播一层，便可多获得一些关于用户的特征向量以及关于影片的特征向量，当传播结束时，提取最后的目标向量特征，得到目标影片对应的点击概率。可以通俗理解为，第一特征向量包含用户特征，第二特征向量包含影片特征，这些向量在向上传播的过程中，互相获取、学习对方的特征信息，从而完善该用户的喜好信息，最后得到该用户可能会喜欢的影片对应的点击概率。

S103：按照所述点击概率的大小对每个所述目标影片进行排序，根据排序结果确定并推荐最终推荐影片。

终端按照点击概率的大小对每个目标影片进行排序，根据排序结果确定并推荐最终推荐影片。具体地，终端按照点击概率从大到小的顺序对每个目标影片进行排序，得到相应的排序结果；按照从前到后的顺序取预设数量的影片作为最终推荐影片，并基于用户的用户标识信息向该用户推荐这些最终推荐影片。终端也可按照点击概率从小到大的顺序对每个目标影片进行排序，得到相应的排序结果；按照从后到前的顺序取预设数量的影片作为最终推荐影片，并基于用户的用户标识信息向该用户推荐这些最终推荐影片。当点击概率相同时，在排序过程中可将点击概率相同的目标影片并列排序，或者按照时间前后对点击概率相同的目标影片进行排序，用户可根据实际情况进行设置、调整，对此不做限定。

本实施例，终端使用已训练的推荐模型对获取到的用户标识信息以及影片标识信息进行预测处理，得到目标影片对应的点击概率；根据点击概率的大小确定最终推荐影片，并将该最终推荐影片推荐给用户；由于影片标识信息是原始推荐影片的影片标识信息，相当于使用该推荐模型在原有的推荐影片的基础上进一步获取用户特征信息，为用户推荐影片，使得最终推荐给用户的影片很准确；且使用已训练的推荐模型对获取到的用户标识信息以及影片标识信息进行预测处理，加快了处理信息的速度，提高了推荐速度。

请参见图2，图2是本申请另一实施例提供的一种推荐影片的方法的示意流程图。本实施例中推荐影片的执行主体为推荐影片的终端，包括但不限于平板电脑、掌上电脑、电脑、智能手机、等移动终端。

进一步地，为了准确地为用户推荐影片，本实施例还可包括S201-S204，本实施例中S205-S207与图1对应的实施例中的S101-S103完全相同，具体请参阅图1对应的实施例中S101-S103的相关描述，此处不赘述。S201-S204具体如下：

S201：获取训练样本集；所述训练样本集包括多个训练样本；每个所述训练样本包括关联的样本用户标识信息以及样本影片标识信息以及样本测试结果。

获取训练样本集可以是用户上传至终端的样本集，也可以是终端在接收到训练模型指令时自动获取训练样本集。训练样本集包括多个训练样本；每个训练样本包括关联的样本用户标识信息以及样本影片标识信息以及样本测试结果。其中，样本测试结果是指由样本用户标识信息以及样本影片标识信息预测推荐影片得到的理想的目标影片的点击概率。

S202：将所述训练样本中关联的样本用户标识信息以及样本影片标识信息输入待训练的推荐模型进行处理，得到预测结果。

将训练样本中关联的样本用户标识信息以及样本影片标识信息输入待训练的推荐模型进行处理的过程，与S102中将用户标识信息以及影片标识信息输入已训练的推荐模型进行预测处理的过程类似，此处不做赘述。值得说明的是，S102中是已经训练好的推荐模型在处理数据，因此得到的目标影片对应的点击概率很准确；而本实施例中，该推荐模型正处于训练过程中，所以在训练初期，得到的预测结果不是很准确，可能得到的预测结果中的目标影片与样本测试结果中的目标影片不同，或者预测结果中的目标影片与样本测试结果中的目标影片相同，但是预测结果中的目标影片对应的点击概率与样本测试结果中的目标影片对应的点击概率不同。这也正是训练该推荐模型的意义所在，经过不断的训练、调整模型参数，最终得到预测准确率高的推荐模型。

S203：使用预设的损失函数计算所述预测结果与所述样本测试结果之间的损失值，并基于所述损失值更新所述待训练的推荐模型中的模型参数，返回所述将所述样本数据输入待训练的推荐模型进行预测处理，得到预测结果。

使用预设的损失函数计算预测结果与样本测试结果之间的损失值，预设的损失函数可以为：

其中，n表示训练样本的数量，xi表示样本测试结果，pi表示预测结果，G表示损失值。

终端通过使用预设的损失函数，计算预测结果与样本测试结果之间的损失值，并根据该损失值更新这个推荐模型中的模型参数，如每一个神经网络层的权重值等。然后基于更新模型参数后的推荐模型继续训练，即返回执行将样本数据输入待训练的推荐模型进行预测处理，得到预测结果。

S204：当所述损失值满足预设条件时，停止训练，得到所述已训练的推荐模型。

当终端检测到损失值满足预设条件时，停止训练，得到已训练的推荐模型。具体地，预设条件可以是用户设定的损失值阈值，当终端检测到损失值达到损失值阈值时，证明模型已经训练完成，此时停止训练，得到已训练的推荐模型。也可以是当终端检测到损失函数收敛时，即损失值不再变化时，证明模型已经训练完成，此时停止训练，得到已训练的推荐模型。

本实施例，终端使用已训练的推荐模型对获取到的用户标识信息以及影片标识信息进行预测处理，得到目标影片对应的点击概率；根据点击概率的大小确定最终推荐影片，并将该最终推荐影片推荐给用户；由于影片标识信息是原始推荐影片的影片标识信息，相当于使用该推荐模型在原有的推荐影片的基础上进一步获取用户特征信息，为用户推荐影片，使得最终推荐给用户的影片很准确；且使用已训练的推荐模型对获取到的用户标识信息以及影片标识信息进行预测处理，加快了处理信息的速度，提高了推荐速度。

请参见图3，图3是本申请一实施例提供的一种推荐影片的终端的示意图。该终端包括的各单元用于执行图1、图2对应的实施例中的各步骤。具体请参阅图1、图2各自对应的实施例中的相关描述。为了便于说明，仅示出了与本实施例相关的部分。参见图3，包括：

获取单元310，用于获取用户的用户标识信息以及获取每个原始推荐影片的影片标识信息；所述原始推荐影片为基于预设推荐方法为所述用户初次推荐的影片；所述原始推荐影片不少于两部；

预测单元320，用于将所述用户标识信息以及每个所述影片标识信息输入已训练的推荐模型进行预测处理，得到至少两部目标影片各自对应的点击概率；所述已训练的推荐模型使用机器学习算法对多个训练样本进行训练得到，在训练过程中，所述推荐模型的输入为所述训练样本中的样本用户标识信息以及与每个所述样本用户标识信息关联的样本影片标识信息，所述推荐模型的输出为由所述样本用户标识信息以及所述样本影片标识信息预测推荐影片得到的影片的预测点击概率；

确定单元330，用于按照所述点击概率的大小对每个所述目标影片进行排序，根据排序结果确定并推荐最终推荐影片。

进一步地，所述获取单元310具体用于：

获取所述用户的历史观影信息；

基于所述历史观影信息以及所述预设推荐方法，确定所述原始推荐影片；

获取所述原始推荐影片的影片标识信息以及获取所述用户的用户标识信息。

进一步地，所述预测单元320包括：

转换单元，用于将所述用户标识信息转换为第一向量，以及将所述影片标识信息转换为第二向量；

第一预估向量确定单元，用于基于所述用户标识信息、与所述用户标识信息关联的第一属性参数、以及用户知识图谱，确定第一预估向量；所述用户知识图谱基于用户信息生成；所述第一预估向量为与所述用户标识信息、以及所述第一属性参数均关联的属性数据；

第二预估向量确定单元，用于基于所述影片标识信息、与所述影片标识信息关联的第二属性参数、以及影片知识图谱，确定第二预估向量；所述影片知识图谱基于影片信息生成；所述第二预估向量为与所述影片标识信息、以及所述第二属性参数均关联的属性数据；

交叉处理单元，用于使用所述推荐模型对所述第一向量、所述第二向量、所述第一预估向量以及所述第二预估向量进行特征交叉处理，得到特征交叉向量；

提取单元，用于提取所述特征交叉向量中的目标特征向量，得到所述点击概率。

进一步地，所述第一预估向量确定单元具体用于：

基于所述用户知识图谱，提取所述用户标识信息以及所述第一属性参数中的用户特征向量，得到所述第一预估向量。

进一步地，所述第二预估向量确定单元具体用于：

基于所述影片知识图谱，提取所述影片标识信息以及所述第二属性参数中的影片特征向量，得到所述第二预估向量。

进一步地，所述交叉处理单元具体用于：

使用所述推荐模型对所述第一向量以及所述第一预估向量进行特征交叉处理，得到第一特征向量；

使用所述推荐模型对所述第二向量以及所述第二预估向量进行特征交叉处理，得到第二特征向量；

提取所述第一特征向量以及所述第二特征向量中的所述目标特征向量，得到所述点击概率。

进一步地，终端还包括：

样本集获取单元，用于获取训练样本集；所述训练样本集包括多个训练样本；每个所述训练样本包括关联的样本用户标识信息以及样本影片标识信息以及样本测试结果；

第一训练单元，用于将所述训练样本中关联的样本用户标识信息以及样本影片标识信息输入待训练的推荐模型进行处理，得到预测结果；

更新单元，用于使用预设的损失函数计算所述预测结果与所述样本测试结果之间的损失值，并基于所述损失值更新所述待训练的推荐模型中的模型参数，返回所述将所述样本数据输入待训练的推荐模型进行预测处理，得到预测结果；

第二训练单元，用于当所述损失值满足预设条件时，停止训练，得到所述已训练的推荐模型。

请参见图4，图4是本申请另一实施例提供的一种推荐影片的终端的示意图。如图4所示，该实施例的终端4包括：处理器40、存储器41以及存储在所述存储器41中并可在所述处理器40上运行的计算机可读指令42。所述处理器40执行所述计算机可读指令42时实现上述各个终端推荐影片的方法实施例中的步骤，例如图1所示的S101至S103。或者，所述处理器40执行所述计算机可读指令42时实现上述各实施例中各单元的功能，例如图3所示单元310至330功能。

示例性的，所述计算机可读指令42可以被分割成一个或多个单元，所述一个或者多个单元被存储在所述存储器41中，并由所述处理器40执行，以完成本申请。所述一个或多个单元可以是能够完成特定功能的一系列计算机可读指令段，该指令段用于描述所述计算机可读指令42在所述终端4中的执行过程。例如，所述计算机可读指令42可以被获取单元、预测单元以及确定单元，各单元具体功能如上所述。

所述终端可包括，但不仅限于，处理器40、存储器41。本领域技术人员可以理解，图4仅仅是终端4的示例，并不构成对终端4的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端还可以包括输入输出终端、网络接入终端、总线等。

所称处理器40可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器41可以是所述终端4的内部存储单元，例如终端4的硬盘或内存。所述存储器41也可以是所述终端4的外部存储终端，例如所述终端4上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器41还可以既包括所述终端4的内部存储单元也包括外部存储终端。所述存储器41用于存储所述计算机可读指令以及所述终端所需的其他程序和数据。所述存储器41还可以用于暂时地存储已经输出或者将要输出的数据。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，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申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (9)

1.一种推荐影片的方法，其特征在于，包括：

获取用户的用户标识信息以及获取所述用户对应的每个原始推荐影片的影片标识信息；所述原始推荐影片为基于预设推荐方法为所述用户初次推荐的影片；所述原始推荐影片不少于两部；

将所述用户标识信息以及每个所述影片标识信息输入已训练的推荐模型进行预测处理，得到至少两部目标影片各自对应的点击概率；所述已训练的推荐模型使用机器学习算法对多个训练样本进行训练得到，在训练过程中，所述推荐模型的输入为所述训练样本中的样本用户标识信息以及与每个所述样本用户标识信息关联的样本影片标识信息，所述推荐模型的输出为由所述样本用户标识信息以及所述样本影片标识信息预测推荐影片得到的影片的预测点击概率；其中，所述将所述用户标识信息以及每个所述影片标识信息输入已训练的推荐模型进行预测处理，得到至少两部目标影片各自对应的点击概率包括：将所述用户标识信息转换为第一向量，以及将所述影片标识信息转换为第二向量；基于所述用户标识信息、与所述用户标识信息关联的第一属性参数、以及用户知识图谱，确定第一预估向量；所述用户知识图谱基于用户信息生成；所述第一预估向量为与所述用户标识信息、以及所述第一属性参数均关联的属性数据；基于所述影片标识信息、与所述影片标识信息关联的第二属性参数、以及影片知识图谱，确定第二预估向量；所述影片知识图谱基于影片信息生成；所述第二预估向量为与所述影片标识信息、以及所述第二属性参数均关联的属性数据；使用所述推荐模型对所述第一向量、所述第二向量、所述第一预估向量以及所述第二预估向量进行特征交叉处理，得到特征交叉向量；提取所述特征交叉向量中的目标特征向量，得到所述点击概率；

按照所述点击概率的大小对每个所述目标影片进行排序，根据排序结果确定并推荐最终推荐影片。

2.如权利要求1所述的方法，其特征在于，所述获取用户的用户标识信息以及获取每个原始推荐影片的影片标识信息包括：

获取所述用户的历史观影信息；

基于所述历史观影信息以及所述预设推荐方法，确定所述原始推荐影片；

获取所述原始推荐影片的影片标识信息以及获取所述用户的用户标识信息。

3.如权利要求1所述的方法，其特征在于，所述基于所述用户标识信息、与所述用户标识信息关联的第一属性参数、以及用户知识图谱，确定第一预估向量包括：

基于所述用户知识图谱，提取所述用户标识信息以及所述第一属性参数中的用户特征向量，得到所述第一预估向量。

4.如权利要求1所述的方法，其特征在于，所述基于所述影片标识信息、与所述影片标识信息关联的第二属性参数、以及影片知识图谱，确定第二预估向量包括：

基于所述影片知识图谱，提取所述影片标识信息以及所述第二属性参数中的影片特征向量，得到所述第二预估向量。

5.如权利要求1所述的方法，其特征在于，所述使用所述推荐模型对所述第一向量、所述第二向量、所述第一预估向量以及所述第二预估向量进行特征交叉处理，得到特征交叉向量包括：

使用所述推荐模型对所述第一向量以及所述第一预估向量进行特征交叉处理，得到第一特征向量；

使用所述推荐模型对所述第二向量以及所述第二预估向量进行特征交叉处理，得到第二特征向量；

所述提取所述特征交叉向量中的目标特征向量，得到所述点击概率包括：

提取所述第一特征向量以及所述第二特征向量中的所述目标特征向量，得到所述点击概率。

6.如权利要求1至5任一项所述的方法，其特征在于，所述获取用户的用户标识信息以及获取每个原始推荐影片的影片标识信息之前，还包括：

获取训练样本集；所述训练样本集包括多个训练样本；每个所述训练样本包括关联的样本用户标识信息以及样本影片标识信息以及样本测试结果；

将所述训练样本中关联的样本用户标识信息以及样本影片标识信息输入待训练的推荐模型进行处理，得到预测结果；

使用预设的损失函数计算所述预测结果与所述样本测试结果之间的损失值，并基于所述损失值更新所述待训练的推荐模型中的模型参数，返回所述将所述样本数据输入待训练的推荐模型进行预测处理，得到预测结果；

当所述损失值满足预设条件时，停止训练，得到所述已训练的推荐模型。

7.一种推荐影片的终端，其特征在于，包括：

获取单元，用于获取用户的用户标识信息以及获取每个原始推荐影片的影片标识信息；所述原始推荐影片为基于预设推荐方法为所述用户初次推荐的影片；所述原始推荐影片不少于两部；

预测单元，用于将所述用户标识信息以及每个所述影片标识信息输入已训练的推荐模型进行预测处理，得到至少两部目标影片各自对应的点击概率；所述已训练的推荐模型使用机器学习算法对多个训练样本进行训练得到，在训练过程中，所述推荐模型的输入为所述训练样本中的样本用户标识信息以及与每个所述样本用户标识信息关联的样本影片标识信息，所述推荐模型的输出为由所述样本用户标识信息以及所述样本影片标识信息预测推荐影片得到的影片的预测点击概率；其中，所述将所述用户标识信息以及每个所述影片标识信息输入已训练的推荐模型进行预测处理，得到至少两部目标影片各自对应的点击概率包括：将所述用户标识信息转换为第一向量，以及将所述影片标识信息转换为第二向量；基于所述用户标识信息、与所述用户标识信息关联的第一属性参数、以及用户知识图谱，确定第一预估向量；所述用户知识图谱基于用户信息生成；所述第一预估向量为与所述用户标识信息、以及所述第一属性参数均关联的属性数据；基于所述影片标识信息、与所述影片标识信息关联的第二属性参数、以及影片知识图谱，确定第二预估向量；所述影片知识图谱基于影片信息生成；所述第二预估向量为与所述影片标识信息、以及所述第二属性参数均关联的属性数据；使用所述推荐模型对所述第一向量、所述第二向量、所述第一预估向量以及所述第二预估向量进行特征交叉处理，得到特征交叉向量；提取所述特征交叉向量中的目标特征向量，得到所述点击概率；

确定单元，用于按照所述点击概率的大小对每个所述目标影片进行排序，根据排序结果确定并推荐最终推荐影片。

8.一种推荐影片的终端，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可读指令，其特征在于，所述处理器执行所述计算机可读指令时实现如权利要求1至6任一项所述的方法。

9.一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6任一项所述的方法。

Images