CN110990624A - 一种视频推荐方法、装置、设备及存储介质 - Google Patents
一种视频推荐方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN110990624A CN110990624A CN201911280749.5A CN201911280749A CN110990624A CN 110990624 A CN110990624 A CN 110990624A CN 201911280749 A CN201911280749 A CN 201911280749A CN 110990624 A CN110990624 A CN 110990624A
- Authority
- CN
- China
- Prior art keywords
- video
- vector
- user
- model
- vectors
- 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 60
- 239000013598 vector Substances 0.000 claims abstract description 517
- 238000012549 training Methods 0.000 claims abstract description 109
- 238000001914 filtration Methods 0.000 claims abstract description 88
- 230000003993 interaction Effects 0.000 claims abstract description 85
- 230000001537 neural effect Effects 0.000 claims abstract description 60
- 210000005036 nerve Anatomy 0.000 claims abstract description 26
- 230000004927 fusion Effects 0.000 claims description 90
- 230000006870 function Effects 0.000 claims description 47
- 230000004913 activation Effects 0.000 claims description 36
- 230000002452 interceptive effect Effects 0.000 claims description 26
- 238000013507 mapping Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 abstract description 19
- 230000006399 behavior Effects 0.000 description 32
- 238000010586 diagram Methods 0.000 description 16
- 238000012360 testing method Methods 0.000 description 11
- 238000013135 deep learning Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000011160 research Methods 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
- G06F16/732—Query formulation
-
- 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
- G06F16/9535—Search customisation based on user profiles and personalisation
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种视频推荐方法、装置、设备及存储介质。该方法包括：将用户信息和视频信息输入已加入多头注意力的神经协同过滤模型，所述已加入多头注意力的神经协同过滤模型根据训练用户数据和训练视频数据得到；输出与所述用户信息对应的视频推荐信息。本发明通过在神经协同过滤模型中加入多头注意力，对神经协同过滤模型中的特征向量加入多个权重因素并进行交互，在不断更新模型参数后，使模型输出的视频推荐信息准确性得到提高，体现出多头注意力对不同特征的重要程度和特征间关联性的实现效果，解决了现有技术中对各特征重要程度和特征之间关联性考虑不足的问题，更加准确的为用户推荐其感兴趣的视频信息，实现了更好的推荐效果。
Description
技术领域
本发明实施例涉及智能推荐技术，尤其涉及一种视频推荐方法、装置、设备及存储介质。
背景技术
大数据时代的来临，用户获取信息的方式从主动获取趋向智能的推荐服务，在推荐领域，更多的应用了深度学习算法，如YouTube的深度推荐模型(Deep NeuralNetworks)、Google开源的深度学习框架TensorFlow中的神经协同过滤(neuralcollaborative filter)模型等。
基于深度学习算法的推荐模型中，用特征向量表示用户和推荐信息，在具体的推荐场景中，特征向量需要进行融合，比如求平均值等，一般的做法是等权重求平均，这样的推荐精度不高。
发明内容
本发明提供一种视频推荐方法、装置、设备及存储介质，以实现为用户推荐其感兴趣的视频。
第一方面，本发明实施例提供了一种视频推荐方法，包括：
将用户信息和视频信息输入已加入多头注意力的神经协同过滤模型，所述已加入多头注意力的神经协同过滤模型根据训练用户数据和训练视频数据得到；
输出与所述用户信息对应的视频推荐信息。
可选的，在将用户信息和视频信息输入已加入多头注意力的神经协同过滤模型之前，还包括：
在所述神经协同过滤模型中加入多头注意力，所述神经协同过滤模型为线性模型、非线性模型或组合模型，所述组合模型由线性模型和非线性模型组合构成。
可选的，所述在所述神经协同过滤模型中加入多头注意力，包括：
获取所述训练用户数据和所述训练视频数据，将所述训练用户数据和所述训练视频数据做向量映射，生成用户向量和视频向量；
采用第一激活函数结合所述用户向量和所述视频向量，生成至少两个用户权重向量和至少两个视频权重向量；
将所述用户向量和所述用户权重向量，与所述视频向量和所述视频权重向量交互，生成多个交互向量；
将多个所述交互向量融合，确定融合结果，所述融合结果为线性融合结果、非线性融合结果或组合融合结果；
采用第二激活函数结合所述融合结果，得到兴趣预测信息。
可选的，所述将所述用户向量和所述用户权重向量，与所述视频向量和所述视频权重向量交互，生成多个交互向量，包括：
若所述神经协同过滤模型为所述线性模型，所述用户向量与所述视频向量乘积生成一个所述交互向量，所述用户权重向量与所述视频权重向量乘积生成至少两个所述交互向量；
若所述神经协同过滤模型为所述非线性模型，所述用户向量分别与所述视频权重向量拼接生成至少两个所述交互向量，所述视频向量分别与所述用户权重向量拼接生成至少两个所述交互向量。
可选的，所述将多个所述交互向量融合，包括：
若所述神经协同过滤模型为所述线性模型，将多个所述交互向量拼接，得到所述线性融合结果；
若所述神经协同过滤模型为所述非线性模型，将多个所述交互向量拼接，输入采用第三激活函数的多层感知机，得到所述非线性融合结果。
可选的，若所述神经协同过滤模型为所述组合模型，在将多个所述交互向量融合之后，还包括：
将所述线性融合结果和所述非线性融合结果拼接，得到所述组合融合结果。
第二方面，本发明实施例还提供了一种视频推荐装置，该装置包括：
输入模块，用于将用户信息和视频信息输入已加入多头注意力的神经协同过滤模型，所述已加入多头注意力的神经协同过滤模型根据训练用户数据和训练视频数据得到；
输出模块，输出与所述用户信息对应的视频推荐信息。
可选的，所述装置还包括：
模型构建模块，用于在所述神经协同过滤模型中加入多头注意力，所述神经协同过滤模型为线性模型、非线性模型或组合模型，所述组合模型由线性模型和非线性模型组合构成；
所述模型构建模块包括，
第一向量生成单元，用于获取所述训练用户数据和所述训练视频数据，将所述训练用户数据和所述训练视频数据做向量映射，生成用户向量和视频向量；
第二向量生成单元，用于采用第一激活函数结合所述用户向量和所述视频向量，生成至少两个用户权重向量和至少两个视频权重向量；
第三向量生成单元，用于将所述用户向量和所述用户权重向量，与所述视频向量和所述视频权重向量交互，生成多个交互向量；
融合单元，用于将多个所述交互向量融合，确定融合结果，所述融合结果为线性融合结果、非线性融合结果或组合融合结果；
预测单元，用于采用第二激活函数结合所述融合结果，得到兴趣预测信息。
第三方面，本发明实施例还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，所述处理器执行所述程序时实现如本发明任意实施例所述的视频推荐方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明任意实施例所述的视频推荐方法。
本发明通过在神经协同过滤模型中加入多头注意力，即对神经协同过滤模型中的用户数据和视频数据对应的特征向量加入多个权重因素生成多个特征权重向量，并将特征向量、特征权重向量进行交互，在不断更新模型参数后，使模型输出的视频推荐信息准确性得到提高，体现出多头注意力对不同特征的重要程度和特征间关联性的实现效果，解决了现有技术中对各特征重要程度和特征之间关联性考虑不足、推荐精度不高的问题，达到了更加准确的为用户推荐其感兴趣的视频信息，实现了更好的推荐效果。
附图说明
图1为本发明实施例一提供的视频推荐方法的流程图；
图2是本发明实施例二提供的视频推荐方法的流程图；
图3是本发明实施例二提供的视频推荐方法的流程图；
图4是本发明实施例三提供的视频推荐方法的流程图；
图5是本发明实施例三提供的没有加入多头注意力的线性模型示意图；
图6是本发明实施例三提供的加入多头注意力的线性模型示意图；
图7是本发明实施例四提供的视频推荐方法的流程图；
图8是本发明实施例四提供的没有加入多头注意力的非线性模型示意图；
图9是本发明实施例四提供的加入多头注意力的非线性模型示意图；
图10是本发明实施例五提供的视频推荐方法的流程图；
图11是本发明实施例五提供的没有加入多头注意力的组合模型示意图；
图12是本发明实施例五提供的加入多头注意力的组合模型示意图；
图13是本发明实施例六提供的视频推荐装置的结构框图；
图14是本发明实施例七提供的一种计算机设备结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的视频推荐方法的流程图，本实施例可适用于为用户推荐其感兴趣的视频信息的情况，该方法可以由视频推荐装置来执行，该装置可以通过软件和/或硬件实现。
如图1所示，该方法具体包括如下步骤：
步骤110、将用户信息和视频信息输入已加入多头注意力的神经协同过滤模型，已加入多头注意力的神经协同过滤模型根据训练用户数据和训练视频数据得到。
其中，用户即为该方法的服务主体，用户信息为标识该主体的相关信息。视频信息为标识该视频的相关信息。
神经协同过滤(Neural Collaborative Filter，NCF)模型，NCF是一种通用的框架，它可以表达和推广矩阵分解，个性化推荐系统的关键在于根据过去用户交互的内容，例如，评分、点击，根据用户对项目的偏好进行建模，就是所谓的协同过滤，本发明实施例中项目具体为视频，即根据用户对视频的偏好进行建模。
注意力机制(Attention Mechanism)源于对人类视觉的研究，在认知科学中，由于信息处理的瓶颈，人类会选择性地关注所有信息的一部分，同时忽略其他可见的信息，获取需要的信息，构建出关于环境的某种描述，从数学公式上和代码实现上Attention可以理解为加权求和。注意力机制有很多变体，主要有自我注意力(Self-Attention)、多头注意力(Multi-Head Attention)等。其中，“Multi-Head Attention”是多个“Self-Attention”的综合使用，它同时在不同子空间即不同角度捕捉特征，然后将多个子空间的特征进行融合，效果往往比单个“Self-Attention”要好。
训练用户数据和训练视频数据为训练数据集中的用户数据和视频数据。
具体的，通过将训练数据集输入搭建的神经协同过滤模型，生成特征向量，给特征向量加入权重因素，不断更新模型参数，最终得到加入多头注意力的神经协同过滤模型。
将待推荐的用户信息及对应的视频信息输入已加入多头注意力的神经协同过滤模型。
步骤120、输出与用户信息对应的视频推荐信息。
其中，视频推荐信息可以理解为与用户信息对应的该用户感兴趣的视频信息，可以是对各视频的预测兴趣值，或者是该用户感兴趣的视频推荐列表。
本实施例的技术方案，通过在神经协同过滤模型中加入多头注意力，即对神经协同过滤模型中的用户数据和视频数据对应的特征向量加入多个权重因素生成多个特征权重向量，并将特征向量、特征权重向量进行交互，在不断更新模型参数后，使模型输出的视频推荐信息准确性得到提高，体现出多头注意力对不同特征的重要程度和特征间关联性的实现效果，解决了现有技术中对各特征重要程度和特征之间关联性考虑不足、推荐精度不高的问题，达到了更加准确的为用户推荐其感兴趣的视频信息，实现了更好的推荐效果。
实施例二
图2为本发明实施例二提供的视频推荐方法的流程图。本实施例在上述实施例的基础上，进一步优化了上述视频推荐方法。
如图2所示，该方法具体包括：
步骤210、根据用户对视频的行为数据构建训练数据集。
其中，行为数据为用户对视频发生的行为而产生的数据，包括某用户观看某视频或没有观看某视频，都可以理解为该用户对该视频发生的行为。
具体的，构建训练数据集的方法可以如下：
将用户和视频进行符号说明，用户记为user_x，x＝1、2、…、k，k表示用户的数量，用户集合Users＝{user_1,user_2,…,user_k}；视频记为a_y,y＝1、2、…、m，m表示视频的数量,视频集合A＝{a_1,a_2,…,a_m}。
将用户对视频的行为进行标记，生成行为数据(user_x,a_y，B)，B为行为标记，表示用户对视频的行为，取值为0或1。B＝0时，用户user_x对视频a_y没有发生过观看行为，该行为数据为行为数据负样本；B＝0时，用户user_x对视频a_y发生过观看行为，该行为数据为行为数据正样本。
选取预设数量的行为数据正样本，随机选取对应数量的行为数据负样本，构成训练数据集。
在一个具体的例子中，假设用户在视频集合A上有观看行为数据，即有观看历史记录，以user_1、user_2为例，user_1观看了电影A_1和A_2；user_2观看了电影A_2、A_3和A_10，如表格1所示：
表格1行为数据正样本样例
| 用户 | 视频 | 行为标记 |
| user_1 | a_1 | 1 |
| user_1 | a_2 | 1 |
| user_2 | a_2 | 1 |
| user_2 | a_3 | 1 |
| user_2 | a_10 | 1 |
这里的行为数据均为正样本，在训练时，由于同时需要正负样本，因此需要进行负采样。负采样的方法是每个正样本对应若干个负样本，即用户对于某个视频有观看行为，则作为一个正样本，然后在该用户没有观看行为的视频集合中，随机选取若干视频，将对应的行为数据作为负样本。通过这种方法得到训练模型所需要的正负样本。
例如，对表格1中的行为数据正样本随机选取对应数量的行为数据负样本，以1个正样本对应4个负样本为例，得到行为数据正负样本样例，如表格2所示：
表格2行为数据正负样本样例
| 用户 | 视频 | 行为标记 |
| user_1 | A_1 | 1 |
| user_1 | A_5 | 0 |
| user_1 | A_8 | 0 |
| user_1 | A_11 | 0 |
| user_1 | A_20 | 0 |
| user_1 | A_2 | 1 |
| user_1 | A_50 | 0 |
| user_1 | A_9 | 0 |
| user_1 | A_30 | 0 |
| user_1 | A_39 | 0 |
| user_2 | a_2 | 1 |
| user_2 | a_1 | 0 |
| user_2 | a_24 | 0 |
| user_2 | a_29 | 0 |
| user_2 | a_43 | 0 |
| …… | …… | …… |
采用多次迭代随机梯度下降算法来更新模型参数，每次迭代过程中，都生成一份正负样本。
上述选取的正负样本构成模型训练时的训练数据集。
步骤220、在神经协同过滤模型中加入多头注意力。
其中，神经协同过滤模型为线性模型、非线性模型或组合模型，组合模型由线性模型和非线性模型组合构成。
如图3所示，在神经协同过滤模型中加入多头注意力，该方法具体包括：
步骤2201、获取训练用户数据和训练视频数据，将训练用户数据和训练视频数据做向量映射，生成用户向量和视频向量。
具体的，获取训练数据集中的训练用户数据和训练视频数据，首先训练用户数据和训练视频数据作为输入层，然后将训练用户数据和训练视频数据做向量映射，即将训练用户数据和训练视频数据输入嵌入(Embedding)层，每个训练用户数据对应1个用户向量，每个训练视频数据对应1个视频向量，该向量的维度可以为50左右，用户向量和视频向量为训练用户和训练视频的特征向量。
步骤2202、采用第一激活函数结合用户向量和视频向量，生成至少两个用户权重向量和至少两个视频权重向量。
具体的，构建至少两个全连接层，采用激活函数，生成权重向量，即将用户向量分别独立连接到至少两个与其维度相同的输出层，该输出层作为用户权重向量，同样，视频向量分别独立连接到至少两个与其维度相同的输出层，该输出层作为视频权重向量。
步骤2203、将用户向量和用户权重向量，与视频向量和视频权重向量交互，生成多个交互向量。
具体的，本发明实施例充分考虑用户与视频的交互行为，在生成交互向量时，是由用户向量和视频向量或视频权重向量进行交互，由视频向量和用户向量或用户权重向量进行交互。
可选的，用户向量和用户权重向量，与视频向量和视频权重向量交互的方式可以为向量乘积。
步骤2204、将多个交互向量融合，确定融合结果。
具体的，若神经协同过滤模型为线性模型，将多个交互向量融合，得到线性融合结果，确定该线性融合结果为融合结果，进行步骤2205。
若神经协同过滤模型为非线性模型，将多个交互向量融合，得到非线性融合结果，确定该非线性融合结果为融合结果，进行步骤2205。
若神经协同过滤模型为组合模型，将线性模型部分的多个交互向量融合得到线性融合结果，将非线性模型部分的多个交互向量融合得到非线性融合结果，将线性融合结果和非线性融合结果拼接，得到组合融合结果，确定该组合融合结果为融合结果，进行步骤2205。
可选的，多个交互向量融合的方式可以为向量拼接。
步骤2205、采用第二激活函数结合融合结果，得到兴趣预测信息。
具体的，将融合结果进行优化，输出预测信息。
具体的，通过训练数据集不断更新模型参数，最终得到加入多头注意力的神经协同过滤模型。
步骤230、将用户信息和视频信息输入已加入多头注意力的神经协同过滤模型。
步骤240、输出与用户信息对应的视频推荐信息。
本实施例的技术方案，通过将训练数据集输入搭建的神经协同过滤模型，生成特征向量，给特征向量加入多个权重因素，生成多个权重向量后对用户和视频的特征向量和权重向量进行交互，不断更新模型参数，得到加入多头注意力的神经协同过滤模型，将用户信息及对应的视频信息输入模型，得到用户感兴趣的视频推荐信息，解决了现有技术中对各特征重要程度和特征之间关联性考虑不足、推荐精度不高的问题，达到了更加准确的为用户推荐其感兴趣的视频信息，实现了更好的推荐效果。
实施例三
图4为本发明实施例三提供的视频推荐方法的流程图。本实施例在上述实施例的基础上，进一步优化了上述视频推荐方法。
本实施例具体介绍当神经协同过滤模型为线性模型时，加入多头注意力的方法。图5为没有加入多头注意力的线性模型示意图，图6为加入多头注意力的线性模型示意图。
如图4所示，在线性模型中加入多头注意力的方法具体包括：
步骤310、根据用户对视频的行为数据构建训练数据集。
步骤320、获取训练用户数据和训练视频数据，将训练用户数据和训练视频数据做向量映射，生成用户向量和视频向量。
具体的，将训练用户数据和训练视频数据进行符号说明，训练用户数据记为userId,训练视频数据记为itemId。如图6所示，对训练用户数据和训练视频数据进行向量映射，即每个userId对应1个用户向量(userEmbedding向量)，每个itemId对应1个视频向量(itemEmbedding)向量，该向量的维度可以在50左右。
步骤330、采用第一激活函数结合用户向量和视频向量，生成至少两个用户权重向量和至少两个视频权重向量。
具体的，构建至少两个全连接层，根据用户向量和视频向量生成至少两个用户权重向量和至少两个视频权重向量，即将用户向量连接到至少两个与其维度相同的输出层，激活函数可以为softmax函数，输出层作为用户权重向量；同样，视频向量连接到至少两个与其维度相同的输出层，激活函数可以为softmax，输出层作为视频权重向量。本实施例以构建两个全连接层为例，如图6所示，根据用户向量(userEmbedding向量)生成用户权重向量1(userEmbeddingWeight1向量)和用户权重向量2(userEmbeddingWeight2)向量，根据视频向量(itemEmbedding向量)生成视频权重向量1(1itemEmbeddingWeight1向量)和视频权重向量2(itemEmbeddingWeight2向量)。
步骤340、用户向量与视频向量乘积生成一个交互向量，用户权重向量与视频权重向量乘积生成至少两个交互向量。
具体的，将用户向量和视频向量进行乘积，即做Multiply操作，得到一个交互向量；将用户权重向量与对应的视频权重向量乘积，即做Multiply操作，得到至少两个交互向量。在本实施例中，以步骤330中得到两个用户权重向量和两个视频权重向量为例，如图6所示，将用户向量(userEmbedding向量)和视频向量(itemEmbedding向量)进行乘积，得到交互向量0(userItemMultiply0)，用户权重向量1(userEmbeddingWeight1向量)与视频权重向量1(itemEmbeddingWeight1向量)乘积得到交互向量1(userItemMultiply1向量)，用户权重向量2(userEmbeddingWeight2向量)与视频权重向量2(itemEmbeddingWeight2向量)乘积得到交互向量2(userItemMultiply2向量)。
步骤350、将多个交互向量融合，得到融合结果。
具体的，将多个交互向量进行拼接，即做Concatenate操作，得到线性融合结果，确定该线性融合结果为融合结果。在本实施例中，以步骤340中得到三个交互向量为例，如图6所示，将交互向量0(userItemMultiply0)、交互向量1(userItemMultiply1向量)和交互向量2(userItemMultiply2向量)拼接，得到融合结果。
步骤360、采用第二激活函数结合融合结果，得到兴趣预测信息。
具体的，如图6所示，对交互结果采用进行优化，激活函数可以为sigmoid函数，得到用户对影片的兴趣预测信息。
步骤370、更新模型参数，得到加入多头注意力的神经协同过滤模型。
具体的，通过对训练数据的训练，优化模型，最后得到加入多头注意力的神经协同过滤模型。
步骤380、将用户信息和视频信息输入已加入多头注意力的神经协同过滤模型。
步骤390、输出与用户信息对应的视频推荐信息。
可选的，用公开数据集对模型进行效果对比。
在推荐模型中，HR和NDCG能够反映模型的好坏，其取值越大说明模型效果越好。
在top-K推荐中，HR是一种常用的衡量召回率的指标，其计算公式如下：
其中，top-K指用户感兴趣的前K个视频推荐列表，分子是每个用户top-K推荐列表中属于测试集合的个数的总和，分母是所有的测试集合。
NDCG是指Normalized Discounted cumulative gain，即归一化折损累计增益。
一个具体的例子，在公开的测试数据集合MovieLens 1M上进行测试，效果对比如下表所示：
表格3测试效果对比表1
本实施例的技术方案，通过将训练数据集输入搭建的线性神经协同过滤模型，生成特征向量，给特征向量加入多个权重因素，在生成多个权重向量后，对用户和视频的特征向量和权重向量进行交互，在不断更新模型参数后，得到加入多头注意力的神经协同过滤模型，将用户信息及对应的视频信息输入模型，得到用户感兴趣的视频推荐信息，解决了现有技术中对各特征重要程度和特征之间关联性考虑不足、推荐精度不高的问题，达到了更加准确的为用户推荐其感兴趣的视频信息，实现了更好的推荐效果。
实施例四
图7为本发明实施例四提供的视频推荐方法的流程图。本实施例在上述实施例的基础上，进一步优化了上述视频推荐方法。
本实施例具体介绍当神经协同过滤模型为非线性模型时，加入多头注意力的方法。图8为没有加入多头注意力的非线性模型示意图，图9为加入多头注意力的非线性模型示意图。
如图7所示，在非线性模型中加入多头注意力的方法具体包括：
步骤410、根据用户对视频的行为数据构建训练数据集。
步骤420、获取训练用户数据和训练视频数据，将训练用户数据和训练视频数据做向量映射，生成用户向量和视频向量。
具体的，将训练用户数据和训练视频数据进行符号说明，训练用户数据记为userId,训练视频数据记为itemId。如图9所示，对训练用户数据和训练视频数据进行向量映射，即每个userId对应1个用户向量(userEmbedding向量)，每个itemId对应1个视频向量(itemEmbedding向量)，该向量的维度可以在50左右。
步骤430、采用第一激活函数结合用户向量和视频向量，生成至少两个用户权重向量和至少两个视频权重向量。
具体的，构建至少两个全连接层，根据用户向量和视频向量生成至少两个用户权重向量和至少两个视频权重向量，即将用户向量连接到至少两个与其维度相同的输出层，激活函数可以为softmax函数，输出层作为用户权重向量；同样，视频向量连接到至少两个与其维度相同的输出层，激活函数可以为softmax，输出层作为视频权重向量。本实施例以构建两个全连接层为例，如图9所示，根据用户向量(userEmbedding向量)生成用户权重向量1(userEmbeddingWeight1向量)和用户权重向量2(userEmbeddingWeight2)向量，根据视频向量(itemEmbedding向量)生成视频权重向量1(1itemEmbeddingWeight1向量)和视频权重向量2(itemEmbeddingWeight2向量)。
步骤440、用户向量分别与视频权重向量拼接生成至少两个交互向量，视频向量分别与用户权重向量拼接生成至少两个交互向量。
具体的，将用户向量分别与视频权重向量进行乘积，即做Multiply操作，得到至少两个交互向量；将视频向量分别与用户权重向量进行乘积，即做Multiply操作，得到至少两个交互向量。在本实施例中，以步骤430中得到两个用户权重向量和两个视频权重向量为例，如图9所示，将用户向量(userEmbedding向量)分别与视频权重向量1(itemEmbeddingWeight1向量)和视频权重向量2(itemEmbeddingWeight2向量)进行乘积，得到交互向量11(userItemMultiply11)和交互向量12(userItemMultiply12)，视频向量(itemEmbedding向量)分别与用户权重向量1(userEmbeddingWeight1向量)和用户权重向量2(userEmbeddingWeight2向量)乘积得到交互向量21(itemUserMultiply21向量)和交互向量22(itemUserMultiply22向量)。
步骤450、将多个交互向量融合，输入采用第三激活函数的多层感知机，得到融合结果。
具体的，将多个交互向量进行拼接，即做Concatenate操作，接下来输入一个多层感知机，即Multilayer Perceptron层，激活函数可以为relu函数，输出非线性融合结果，确定该非线性融合结果为融合结果。在本实施例中，以步骤440中得到四个交互向量为例，如图9所示，将交互向量11(userItemMultiply11)、交互向量12(userItemMultiply12)、交互向量21(itemUserMultiply21向量)和交互向量22(itemUserMultiply22向量)拼接，输入一个多层感知机，输出得到融合结果。
步骤460、采用第二激活函数结合融合结果，得到兴趣预测信息。
具体的，如图9所示，对融合结果采用进行优化，激活函数可以为sigmoid函数，得到用户对影片的兴趣预测信息。
步骤470、更新模型参数，得到加入多头注意力的神经协同过滤模型。
具体的，通过对训练数据的训练，优化模型，最后得到加入多头注意力的神经协同过滤模型。
步骤480、将用户信息和视频信息输入已加入多头注意力的神经协同过滤模型。
步骤490、输出与用户信息对应的视频推荐信息。
可选的，用公开数据集对模型进行效果对比。
一个具体的例子，在公开的测试数据集合MovieLens 1M上进行测试，效果对比如下表所示：
表格4测试效果对比表2
| 模型类型 | HR | 是否提升 | NDCG | 是否提升 |
| 非线性模型 | 0.6846 | 0.4109 | ||
| 加入多头注意力的非线性模型 | 0.7000 | 是 | 0.4232 | 是 |
本实施例的技术方案，通过将训练数据集输入搭建的非线性神经协同过滤模型，生成特征向量，给特征向量加入多个权重因素生成多个权重向量，并对特征向量和权重向量进行交互，在不断更新模型参数后，得到加入多头注意力的神经协同过滤模型，将用户信息及对应的视频信息输入模型，得到用户感兴趣的视频推荐信息，解决了现有技术中对各特征重要程度和特征之间关联性考虑不足、推荐精度不高的问题，达到了更加准确的为用户推荐其感兴趣的视频信息，实现了更好的推荐效果。
实施例五
图10为本发明实施例五提供的视频推荐方法的流程图。本实施例在上述实施例的基础上，进一步优化了上述视频推荐方法。
本实施例具体介绍当神经协同过滤模型为组合模型时，加入多头注意力的方法。图11为没有加入多头注意力的组合模型示意图，图12为加入多头注意力的组合模型示意图。
如图10所示，在线性模型中加入多头注意力的方法具体包括：
步骤510、根据用户对视频的行为数据构建训练数据集。
步骤520、获取训练用户数据和训练视频数据，将训练用户数据和训练视频数据做向量映射，生成第一用户向量、第二用户向量、第一视频向量和第二视频向量。
具体的，将训练用户数据和训练视频数据进行符号说明，训练用户数据记为userId,训练视频数据记为itemId。如图12所示，对训练用户数据和训练视频数据进行向量映射，这里分别记为线性模型(General Matrix Factorization，GMF)的Embedding向量和非线性模型(Multilayer Perceptron，MLP)的Embedding向量，即每个userId对应2个用户向量，第一用户向量(userEmbeddingGMF向量)和第二用户向量(userEmbeddingMLP向量)，每个itemId对应2个视频向量，分别为第一视频向量(itemEmbeddingGMF向量)和第二视频向量(itemEmbeddingMLP向量)，向量的维度可以在50左右。
步骤530、采用第一激活函数结合第一用户向量、第二用户向量、第一视频向量和第二视频向量，生成至少两个第一用户权重向量、至少两个第二用户权重向量、至少两个第一视频权重向量和至少两个第二视频权重向量。
具体的，在线性模型部分构建至少两个全连接层，根据第一用户向量和第一视频向量生成至少两个第一用户权重向量和至少两个第一视频权重向量，即将第一用户向量连接到至少两个与其维度相同的输出层，激活函数可以为softmax函数，输出层作为第一用户权重向量；同样，第一视频向量连接到至少两个与其维度相同的输出层，激活函数可以为softmax，输出层作为第一视频权重向量。本实施例以构建两个全连接层为例，如图12所示，根据第一用户向量(userEmbeddingGMF向量)生成第一用户权重向量1(userEmbeddingWeightGMF1向量)和第一用户权重向量2(userEmbeddingWeightGMF2)向量，根据第一视频向量(itemEmbeddingGMF向量)生成第一视频权重向量1(1itemEmbeddingWeightGMF1向量)和第一视频权重向量2(itemEmbeddingWeightGMF2向量)。
在非线性模型部分构建至少两个全连接层，根据第二用户向量和第二视频向量生成至少两个第二用户权重向量和至少第二两个视频权重向量，即将第二用户向量连接到至少两个与其维度相同的输出层，激活函数可以为softmax函数，输出层作为第二用户权重向量；同样，第二视频向量连接到至少两个与其维度相同的输出层，激活函数可以为softmax，输出层作为第二视频权重向量。本实施例以构建两个全连接层为例，如图12所示，根据第二用户向量(userEmbeddingMLP向量)生成第二用户权重向量1(userEmbeddingWeightMLP1向量)和第二用户权重向量2(userEmbeddingWeightMLP2)向量，根据第二视频向量(itemEmbeddingMLP向量)生成第二视频权重向量1(1itemEmbeddingWeightMLP1向量)和第二视频权重向量2(itemEmbeddingWeightMLP2向量)。
步骤540、第一用户向量与第一视频向量乘积生成一个第一交互向量，第一用户权重向量与第一视频权重向量乘积生成至少两个第一交互向量；第二用户向量分别与第二视频权重向量拼接生成至少两个第二交互向量，第二视频向量分别与第二用户权重向量拼接生成至少两个第二交互向量。
具体的，在线性模型部分，将第一用户向量和第一视频向量进行乘积，即做Multiply操作，得到一个第一交互向量；将第一用户权重向量与对应的第一视频权重向量乘积，即做Multiply操作，得到至少两个第一交互向量。在本实施例中，以步骤530中得到两个第一用户权重向量和两个第一视频权重向量为例，如图12所示，将第一用户向量(userEmbeddingGMF向量)和第一视频向量(itemEmbeddingGMF向量)进行乘积，得到第一交互向量0(userItemMultiplyGMF0)，第一用户权重向量1(userEmbeddingWeightGMF1向量)与第一视频权重向量1(itemEmbeddingWeightGMF1向量)乘积得到第一交互向量1(userItemMultiplyGMF1向量)，第一用户权重向量2(userEmbeddingWeightGMF2向量)与第一视频权重向量2(itemEmbeddingWeightGMF2向量)乘积得到第一交互向量2(userItemMultiplyGMF2向量)。
在非线性模型部分，将第二用户向量分别与第二视频权重向量进行乘积，即做Multiply操作，得到至少两个第二交互向量；将第二视频向量分别与第二用户权重向量进行乘积，即做Multiply操作，得到至少两个第二交互向量。在本实施例中，以步骤530中得到两个第二用户权重向量和两个第二视频权重向量为例，如图12所示，将第二用户向量(userEmbeddingMLP向量)分别与第二视频权重向量1(itemEmbeddingWeightMLP1向量)和第二视频权重向量2(itemEmbeddingWeightMLP2向量)进行乘积，得到第二交互向量11(userItemMultiplyMLP11)和第二交互向量12(userItemMultiplyMLP12)，第二视频向量(itemEmbeddingMLP向量)分别与第二用户权重向量1(userEmbeddingWeightMLP1向量)和第二用户权重向量2(userEmbeddingWeightMLP2向量)乘积得到第二交互向量21(itemUserMultiplyMLP21向量)和第二交互向量22(itemUserMultiplyMLP22向量)。
步骤550、将多个第一交互向量融合，得到线性融合结果；将多个第二交互向量融合，输入采用第三激活函数的多层感知机，得到非融合结果；将线性融合结果和非线性融合结果拼接，得到组合融合结果。
具体的，在线性模型部分，将多个第一交互向量进行拼接，即做Concatenate操作，得到线性融合结果。在本实施例中，以步骤540中得到三个第一交互向量为例，如图12所示，将第一交互向量0(userItemMultiplyGMF0)、第一交互向量1(userItemMultiplyGMF1向量)和第一交互向量2(userItemMultiplyGMF2向量)拼接，得到线性融合结果。
在非线性模型部分，将多个第二交互向量进行拼接，即做Concatenate操作，接下来输入一个多层感知机，即Multilayer Perceptron层，激活函数可以为relu函数，输出非线性融合结果。在本实施例中，以步骤540中得到四个第二交互向量为例，如图12所示，将第二交互向量11(userItemMultiplyMLP11)、第二交互向量12(userItemMultiplyMLP12)、第二交互向量21(itemUserMultiplyMLP21向量)和第二交互向量22(itemUserMultiplyMLP22向量)拼接，输入一个多层感知机，输出得到非线性融合结果。
对线性融合结果和非线性融合结果拼接，即做Concatenate操作，得到组合融合结果。
步骤560、采用第二激活函数结合融合结果，得到兴趣预测信息。
步骤570、更新模型参数，得到加入多头注意力的神经协同过滤模型。
步骤580、将用户信息和视频信息输入已加入多头注意力的神经协同过滤模型。
步骤590、输出与用户信息对应的视频推荐信息。
可选的，用公开数据集对模型进行效果对比。
一个具体的例子，在公开的测试数据集合MovieLens 1M上进行测试，效果对比如下表所示：
表格5测试效果对比表3
| 模型类型 | HR | 是否提升 | NDCG | 是否提升 |
| 组合模型 | 0.7079 | 0.4307 | ||
| 加入多头注意力的组合模型 | 0.7104 | 是 | 0.4324 | 是 |
本实施例的技术方案，通过将训练数据集输入搭建的组合神经协同过滤模型，生成两组特征向量，给两组特征向量分别加入多个权重因素，并对特征向量和权重向量进行交互，在不断更新模型参数后，得到加入多头注意力的神经协同过滤模型，将用户信息及对应的视频信息输入模型，得到用户感兴趣的视频推荐信息，解决了现有技术中对各特征重要程度和特征之间关联性考虑不足、推荐精度不高的问题，达到了更加准确的为用户推荐其感兴趣的视频信息，实现了更好的推荐效果。
实施例六
本发明实施例所提供的视频推荐装置可执行本发明任意实施例所提供的视频推荐方法，具备执行方法相应的功能模块和有益效果，图13是本发明实施例六提供的视频推荐装置的结构框图，如图13所示，该装置包括：输入模块610和输出模块620。
输入模块610，用于将用户信息和视频信息输入已加入多头注意力的神经协同过滤模型，已加入多头注意力的神经协同过滤模型根据训练用户数据和训练视频数据得到。
输出模块620，输出与用户信息对应的视频推荐信息。
本实施例的技术方案，通过在神经协同过滤模型中加入多头注意力，即对神经协同过滤模型中的用户数据和视频数据对应的特征向量加入多个权重因素生成多个特征权重向量，并将特征向量、特征权重向量进行交互，在不断更新模型参数后，使模型输出的视频推荐信息准确性得到提高，体现出多头注意力对不同特征的重要程度和特征间关联性的实现效果，解决了现有技术中对各特征重要程度和特征之间关联性考虑不足、推荐精度不高的问题，达到了更加准确的为用户推荐其感兴趣的视频信息，实现了更好的推荐效果。可选的，装置还包括，模型构建模块630。
模型构建模块630，用于在神经协同过滤模型中加入多头注意力，神经协同过滤模型为线性模型、非线性模型或组合模型，组合模型由线性模型和非线性模型组合构成。
可选的，模型构建模块630包括：
第一向量生成单元，用于获取训练用户数据和训练视频数据，将训练用户数据和训练视频数据做向量映射，生成用户向量和视频向量；
第二向量生成单元，用于采用第一激活函数结合用户向量和视频向量，生成至少两个用户权重向量和至少两个视频权重向量；
第三向量生成单元，用于将用户向量和用户权重向量，与视频向量和视频权重向量交互，生成多个交互向量；
融合单元，用于将多个交互向量融合，确定融合结果，融合结果为线性融合结果、非线性融合结果或组合融合结果；
预测单元，用于采用第二激活函数结合融合结果，得到兴趣预测信息。
可选的，第二向量生成单元具体用于：
若神经协同过滤模型为线性模型，用户向量与视频向量乘积生成一个交互向量，用户权重向量与视频权重向量乘积生成至少两个交互向量；
若神经协同过滤模型为非线性模型，用户向量分别与视频权重向量拼接生成至少两个交互向量，视频向量分别与用户权重向量拼接生成至少两个交互向量。可选的，将多个交互向量融合，包括：
若神经协同过滤模型为线性模型，将多个交互向量拼接，得到线性融合结果；
若神经协同过滤模型为非线性模型，将多个交互向量拼接，输入采用第三激活函数的多层感知机，得到非线性融合结果。
可选的，若神经协同过滤模型为组合模型，在将多个交互向量融合之后，还包括：
将线性融合结果和非线性融合结果拼接，得到组合融合结果。
本实施例的技术方案，通过将训练数据集输入搭建的神经协同过滤模型，生成特征向量，给特征向量加入多个权重因素，生成多个权重向量后对用户和视频的特征向量和权重向量进行交互，不断更新模型参数，得到加入多头注意力的神经协同过滤模型，将用户信息及对应的视频信息输入模型，得到用户感兴趣的视频推荐信息，解决了现有技术中对各特征重要程度和特征之间关联性考虑不足、推荐精度不高的问题，达到了更加准确的为用户推荐其感兴趣的视频信息，实现了更好的推荐效果。
实施例七
图14为本发明实施例七提供的一种计算机设备结构示意图，如图14所示，该设备包括处理器710、存储器720、输入装置730和输出装置740；设备中处理器710的数量可以是一个或多个，图14中以一个处理器710为例；设备中的处理器710、存储器720、输入装置730和输出装置740可以通过总线或其他方式连接，图14中以通过总线连接为例。
存储器720作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的视频推荐方法对应的程序指令/模块(例如，视频推荐装置中的信输入模块610和输出模块620)。处理器710通过运行存储在存储器720中的软件程序、指令以及模块，从而执行设备/终端/服务器的各种功能应用以及数据处理，即实现上述的视频推荐方法。
存储器720可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器720可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器720可进一步包括相对于处理器710远程设置的存储器，这些远程存储器可以通过网络连接至设备/终端/服务器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置730可用于接收输入的数字或字符信息，以及产生与设备/终端/服务器的用户设置以及功能控制有关的键信号输入。输出装置740可包括显示屏等显示设备。
实施例八
本发明实施例八还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种视频推荐方法，该方法包括：
将用户信息和视频信息输入已加入多头注意力的神经协同过滤模型，已加入多头注意力的神经协同过滤模型根据训练用户数据和训练视频数据得到；
输出与用户信息对应的视频推荐信息。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的视频推荐方法中的相关操作。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
值得注意的是，上述搜索装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种视频推荐方法，其特征在于，包括：
将用户信息和视频信息输入已加入多头注意力的神经协同过滤模型，所述已加入多头注意力的神经协同过滤模型根据训练用户数据和训练视频数据得到；
输出与所述用户信息对应的视频推荐信息。
2.根据权利要求1所述的视频推荐方法，其特征在于，在将用户信息和视频信息输入已加入多头注意力的神经协同过滤模型之前，还包括：
在所述神经协同过滤模型中加入多头注意力，所述神经协同过滤模型为线性模型、非线性模型或组合模型，所述组合模型由线性模型和非线性模型组合构成。
3.根据权利要求2所述的视频推荐方法，其特征在于，所述在所述神经协同过滤模型中加入多头注意力，包括：
获取所述训练用户数据和所述训练视频数据，将所述训练用户数据和所述训练视频数据做向量映射，生成用户向量和视频向量；
采用第一激活函数结合所述用户向量和所述视频向量，生成至少两个用户权重向量和至少两个视频权重向量；
将所述用户向量和所述用户权重向量，与所述视频向量和所述视频权重向量交互，生成多个交互向量；
将多个所述交互向量融合，确定融合结果，所述融合结果为线性融合结果、非线性融合结果或组合融合结果；
采用第二激活函数结合所述融合结果，得到兴趣预测信息。
4.根据权利要求3所述的视频推荐方法，其特征在于，所述将所述用户向量和所述用户权重向量，与所述视频向量和所述视频权重向量交互，生成多个交互向量，包括：
若所述神经协同过滤模型为所述线性模型，所述用户向量与所述视频向量乘积生成一个所述交互向量，所述用户权重向量与所述视频权重向量乘积生成至少两个所述交互向量；
若所述神经协同过滤模型为所述非线性模型，所述用户向量分别与所述视频权重向量拼接生成至少两个所述交互向量，所述视频向量分别与所述用户权重向量拼接生成至少两个所述交互向量。
5.根据权利要求3所述的视频推荐方法，其特征在于，所述将多个所述交互向量融合，包括：
若所述神经协同过滤模型为所述线性模型，将多个所述交互向量拼接，得到所述线性融合结果；
若所述神经协同过滤模型为所述非线性模型，将多个所述交互向量拼接，输入采用第三激活函数的多层感知机，得到所述非线性融合结果。
6.根据权利要求3所述的视频推荐方法，其特征在于，若所述神经协同过滤模型为所述组合模型，在将多个所述交互向量融合之后，还包括：
将所述线性融合结果和所述非线性融合结果拼接，得到所述组合融合结果。
7.一种视频推荐装置，其特征在于，包括：
输入模块，用于将用户信息和视频信息输入已加入多头注意力的神经协同过滤模型，所述已加入多头注意力的神经协同过滤模型根据训练用户数据和训练视频数据得到；
输出模块，输出与所述用户信息对应的视频推荐信息。
8.根据权利要求7所述的视频推荐装置，其特征在于，所述装置还包括：
模型构建模块，用于在所述神经协同过滤模型中加入多头注意力，所述神经协同过滤模型为线性模型、非线性模型或组合模型，所述组合模型由线性模型和非线性模型组合构成；
所述模型构建模块包括，
第一向量生成单元，用于获取所述训练用户数据和所述训练视频数据，将所述训练用户数据和所述训练视频数据做向量映射，生成用户向量和视频向量；
第二向量生成单元，用于采用第一激活函数结合所述用户向量和所述视频向量，生成至少两个用户权重向量和至少两个视频权重向量；
第三向量生成单元，用于将所述用户向量和所述用户权重向量，与所述视频向量和所述视频权重向量交互，生成多个交互向量；
融合单元，用于将多个所述交互向量融合，确定融合结果，所述融合结果为线性融合结果、非线性融合结果或组合融合结果；
预测单元，用于采用第二激活函数结合所述融合结果，得到兴趣预测信息。
9.一种计算机设备，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，其特征在于，所述处理器执行所述程序时实现如权利要求1-6中任一所述的视频推荐方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-6中任一所述的视频推荐方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911280749.5A CN110990624B (zh) | 2019-12-13 | 2019-12-13 | 一种视频推荐方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911280749.5A CN110990624B (zh) | 2019-12-13 | 2019-12-13 | 一种视频推荐方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110990624A true CN110990624A (zh) | 2020-04-10 |
| CN110990624B CN110990624B (zh) | 2024-03-01 |
Family
ID=70093088
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911280749.5A Active CN110990624B (zh) | 2019-12-13 | 2019-12-13 | 一种视频推荐方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110990624B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111797318A (zh) * | 2020-07-01 | 2020-10-20 | 喜大（上海）网络科技有限公司 | 信息的推荐方法、装置、设备和存储介质 |
| CN111897996A (zh) * | 2020-08-10 | 2020-11-06 | 北京达佳互联信息技术有限公司 | 话题标签推荐方法、装置、设备及存储介质 |
| CN112035740A (zh) * | 2020-08-19 | 2020-12-04 | 广州市百果园信息技术有限公司 | 项目使用时长预测方法、装置、设备及存储介质 |
| WO2023246735A1 (zh) * | 2022-06-21 | 2023-12-28 | 华为技术有限公司 | 一种项目推荐方法及其相关设备 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109299396A (zh) * | 2018-11-28 | 2019-02-01 | 东北师范大学 | 融合注意力模型的卷积神经网络协同过滤推荐方法及系统 |
| CN109670121A (zh) * | 2018-12-18 | 2019-04-23 | 辽宁工程技术大学 | 基于注意力机制的项目级和特征级深度协同过滤推荐算法 |
| CN110046304A (zh) * | 2019-04-18 | 2019-07-23 | 腾讯科技（深圳）有限公司 | 一种用户推荐方法和装置 |
| CN110162799A (zh) * | 2018-11-28 | 2019-08-23 | 腾讯科技（深圳）有限公司 | 模型训练方法、机器翻译方法以及相关装置和设备 |
| CN110188283A (zh) * | 2019-06-05 | 2019-08-30 | 中国人民解放军国防科技大学 | 一种基于联合神经网络协同过滤的信息推荐方法及其系统 |
| CN110196946A (zh) * | 2019-05-29 | 2019-09-03 | 华南理工大学 | 一种基于深度学习的个性化推荐方法 |
| CN110502704A (zh) * | 2019-08-12 | 2019-11-26 | 山东师范大学 | 一种基于注意力机制的群组推荐方法及系统 |
-
2019
- 2019-12-13 CN CN201911280749.5A patent/CN110990624B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109299396A (zh) * | 2018-11-28 | 2019-02-01 | 东北师范大学 | 融合注意力模型的卷积神经网络协同过滤推荐方法及系统 |
| CN110162799A (zh) * | 2018-11-28 | 2019-08-23 | 腾讯科技（深圳）有限公司 | 模型训练方法、机器翻译方法以及相关装置和设备 |
| CN109670121A (zh) * | 2018-12-18 | 2019-04-23 | 辽宁工程技术大学 | 基于注意力机制的项目级和特征级深度协同过滤推荐算法 |
| CN110046304A (zh) * | 2019-04-18 | 2019-07-23 | 腾讯科技（深圳）有限公司 | 一种用户推荐方法和装置 |
| CN110196946A (zh) * | 2019-05-29 | 2019-09-03 | 华南理工大学 | 一种基于深度学习的个性化推荐方法 |
| CN110188283A (zh) * | 2019-06-05 | 2019-08-30 | 中国人民解放军国防科技大学 | 一种基于联合神经网络协同过滤的信息推荐方法及其系统 |
| CN110502704A (zh) * | 2019-08-12 | 2019-11-26 | 山东师范大学 | 一种基于注意力机制的群组推荐方法及系统 |
Non-Patent Citations (4)
| Title |
|---|
| BANGZUO ZHANG: "Integrating an Attention Mechanism and Convolution Collaborative Filtering for Document Context-Aware Rating Prediction", IEEE ACCESS, 16 December 2018 (2018-12-16) * |
| 周雨佳等: "基于递归神经网络与注意力机制的动态个性化搜索算法", 计算机学报, 25 June 2019 (2019-06-25) * |
| 谢恩宁等: "《基于注意力机制的深度协同过滤模型》", pages 1 - 8 * |
| 郭旭等: "《基于用户向量化表示和注意力机制的深度神经网络推荐模型》", pages 1 - 5 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111797318A (zh) * | 2020-07-01 | 2020-10-20 | 喜大（上海）网络科技有限公司 | 信息的推荐方法、装置、设备和存储介质 |
| CN111797318B (zh) * | 2020-07-01 | 2024-02-23 | 喜大（上海）网络科技有限公司 | 信息的推荐方法、装置、设备和存储介质 |
| CN111897996A (zh) * | 2020-08-10 | 2020-11-06 | 北京达佳互联信息技术有限公司 | 话题标签推荐方法、装置、设备及存储介质 |
| CN111897996B (zh) * | 2020-08-10 | 2023-10-31 | 北京达佳互联信息技术有限公司 | 话题标签推荐方法、装置、设备及存储介质 |
| CN112035740A (zh) * | 2020-08-19 | 2020-12-04 | 广州市百果园信息技术有限公司 | 项目使用时长预测方法、装置、设备及存储介质 |
| CN112035740B (zh) * | 2020-08-19 | 2024-06-04 | 广州市百果园信息技术有限公司 | 项目使用时长预测方法、装置、设备及存储介质 |
| WO2023246735A1 (zh) * | 2022-06-21 | 2023-12-28 | 华为技术有限公司 | 一种项目推荐方法及其相关设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110990624B (zh) | 2024-03-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111241311B (zh) | 媒体信息推荐方法、装置、电子设备及存储介质 | |
| CN110837577A (zh) | 一种视频推荐方法、装置、设备及存储介质 | |
| JP6862579B2 (ja) | 画像特徴の取得 | |
| CN110990624B (zh) | 一种视频推荐方法、装置、设备及存储介质 | |
| CN112000819B (zh) | 多媒体资源推荐方法、装置、电子设备及存储介质 | |
| US20120311030A1 (en) | Inferring User Interests Using Social Network Correlation and Attribute Correlation | |
| CN108319723A (zh) | 一种图片分享方法和装置、终端、存储介质 | |
| CN114398973B (zh) | 一种媒体内容标签识别方法、装置、设备及存储介质 | |
| CN111506820A (zh) | 推荐模型、方法、装置、设备及存储介质 | |
| CN114580794B (zh) | 数据处理方法、装置、程序产品、计算机设备和介质 | |
| CN110309360B (zh) | 短视频标签标注方法及系统 | |
| CN116186326A (zh) | 视频推荐方法、模型训练方法、电子设备及存储介质 | |
| CN111507471B (zh) | 一种模型训练方法、装置、设备及存储介质 | |
| Bouter et al. | ProtoExplorer: Interpretable forensic analysis of deepfake videos using prototype exploration and refinement | |
| dos Santos et al. | Clustering learning objects for improving their recommendation via collaborative filtering algorithms | |
| CN111814044A (zh) | 一种推荐方法、装置、终端设备及存储介质 | |
| CN114357301B (zh) | 数据处理方法、设备及可读存储介质 | |
| CN117112880A (zh) | 信息推荐、多目标推荐模型训练方法、装置和计算机设备 | |
| CN115017362A (zh) | 数据处理方法、电子设备及存储介质 | |
| CN116975016A (zh) | 一种数据处理方法、装置、设备以及可读存储介质 | |
| CN117216361A (zh) | 推荐方法、装置、电子设备及计算机可读存储介质 | |
| CN114090848A (zh) | 数据推荐及分类方法、特征融合模型及电子设备 | |
| CN113641900A (zh) | 信息推荐方法及装置 | |
| CN112785391A (zh) | 推荐处理方法、装置及智能设备、存储介质 | |
| CN116881575B (zh) | 内容推送方法、装置、计算机设备和存储介质 |
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 |