CN112307257A - 一种基于多信息节点图网络的短视频点击率预测方法 - Google Patents
一种基于多信息节点图网络的短视频点击率预测方法 Download PDFInfo
- Publication number
- CN112307257A CN112307257A CN202011333641.0A CN202011333641A CN112307257A CN 112307257 A CN112307257 A CN 112307257A CN 202011333641 A CN202011333641 A CN 202011333641A CN 112307257 A CN112307257 A CN 112307257A
- Authority
- CN
- China
- Prior art keywords
- short video
- user
- graph network
- mode
- short
- 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Abstract
本发明公开了一种基于多信息节点图网络的短视频点击率预测方法。该方法考虑序列中短视频的相同模态和不同模态之间的信息转换,提升短视频单一模态特征表征的准确性,进而提升预测的准确性。本方法主要由四个部分组成:第一部分根据所有用户历史的序列信息,构建短视频的多信息节点图网络;第二部分把当前序列的短视频输入网络,采用多信息节点图网络更新短视频不同模态特征表征;第三部分根据短视频多模态特征,采用长短期记忆网络生成用户在不同模态下的兴趣表征;第四部分融合不同模态下的兴趣表征生成用户兴趣表征,并预测用户对目标短视频的点击率。
Description
技术领域
本发明属于互联网服务技术领域,具体涉及一种基于多信息节点图网络的短视频点击率预测方法。
背景技术
短视频是一种新型的且时间较短的视频。短视频的拍摄不需要使用专业设备,也不需要专业技巧。用户直接通过手机就可以很方便地进行拍摄和上传到短视频平台,因此短视频平台的短视频数量增长得非常快。这使得对有效短视频推荐系统的需求非常迫切,有效的短视频推荐系统可以提升用户体验和用户黏性,从而给平台带来巨大的商业价值。
近些年,很多研究者提出了基于视频的个性化推荐方法。这些方法可以分为三类:协同过滤、基于内容的推荐和混合推荐方法。但是相比于视频,短视频有着不同的特点:时长较短且用户在一段时间内的交互序列较长。因此,短视频推荐是一个更具有挑战性的任务,并且有研究者提出了一些方法。例如,Li等人将图网络和LSTM结构融合一起,进而更好地模拟用户的偏好;Chen等人利用分层的注意力机制去计算物品和类目这两种级别的重要性,得到更准确的预测结果。
尽管这些方法取得不错的结果,但是忽视了短视频的相同模态和不同模态之间的信息转换。以前的方法在表达短视频之间的转移关系时,只考虑到短视频和短视频之间的转移关系,没有细粒度地考虑到短视频模态之间的转移关系。而短视频模态之间的转移关系又可分为相同模态之间的转移关系和不同模态之间的转移关系。本方法根据所有用户历史的序列信息,构建多信息节点图网络。在多信息节点图网络中,采用不同的参数去学习短视频相同模态和不同模态之间的信息转换,提升短视频单一模态特征表征的准确性,进而提升对目标短视频的点击率预测的准确性。
发明内容
基于上述,本发明提供了一种基于多信息节点图网络的短视频点击率预测方法。它考虑序列中短视频的相同模态和不同模态之间的信息转换,提升短视频单一模态特征表征的准确性,进而提升预测的准确性。
一种基于多信息节点图网络的短视频点击率预测方法,包括如下步骤:
根据所有用户历史交互序列,构建短视频的多信息节点图网络。为了捕捉短视频和模态短视频模态之间的转移关系,我们从所有用户序列中构建物品图网络T。给定一个用户交互序列X=[x1,…,xn],任一短视频xj为图网络T的节点,(xj-1,xj)为图网络T的边,(xj-1,xj)表示一个用户点击短视频xj-1后点击短视频xj。图的边数值属性为边(xj-1,xj)出现的次数。为了降低在线计算复杂度,本发明采用离线文件存储每个节点在图网络T中的邻居节点。为了更准确地生成短视频的模态表征,本方法既考虑短视频在图网络T的邻居节点的相同模态的对当前短视频的影响,又考虑不同模态对当前短视频的影响。所以图网络的节点其实包含了多种信息,即多种模态。因此从图节点的信息更新方式来看,我们也可以把该图网络T称之为多信息节点图网络。
把用户序列中的短视频输入多信息节点图网络,更新短视频的所有模态特征表征。对于一个用户的点击行为序列X=[x1,…,xn],其中短视频xj由和两种模态构成,是短视频的封面图特征向量, 是短视频的文本特征向量,d是模态特征向量的长度。把短视频封面图特征和文本特征同时输入图网络,生成多模态特征表征其中p∈{a,b}。模态特征表征和在多信息节点图网络中的更新公式分别为:
其中,Wa→a、Wb→a、Wb→b、Wa→b是图参数,分别代表模态a对模态a的影响参数、模态b对模态a的影响参数、模态b对模态b的影响参数和模态a对模态b的影响参数。b是偏置参数,k代表在图网络T中的搜索深度,k的最大深度由搜索深度参数L控制。σ为sigmoid函数,max代表元素级别的max操作,可以有效捕捉邻居的各个方面属性。B(j)为短视频图网络T中短视频xj的邻居集合,按照图T边由大到小排序采样(sampling)获得。Wa和Wb是转化矩阵参数,CONCAT表示向量连接操作。和代表第j个短视频的模态a和模态b在k层的向量表征,第j个短视频的模态a和模态b的和分别被初始化为和短视频的多模态特征表征即是不同模态特征在短视频图网络中更新深度L之后的根据短视频多模态特征生成用户在不同模态下的兴趣表征vp,p∈{a,b}。本方法采用了长短期记忆网络结构,可以有效地捕捉到用户短视频序列的序列性。和更新方法相同且参数不共享,为了描述方便,以下公式略去p∈{a,b},令:
ij=σ(Wiuj+Uihj-1+bi)
fj=σ(Wfuj+Ufhj-1+bf)
oj=σ(Wouj+Uohj-1+bo)
cj=ijtanh(Wcuj+Uchj-1+bc)+fjcj-1
hj=ojcj
其中,模态a和模态b的长短期记忆网络的最后一层的隐藏状态hj的输出就是用户在模态a和模态b下的兴趣表征va和vb。uj是当前层的节点输入,Wi、Ui、Wf、Uf、Wo和Uo分别是控制输入门ij、遗忘门fj和输出门oj的参数。σ为sigmoid函数。所有这些参数和输入:隐层状态ht-1、当前输入xt以及节点xg的的空间信息gg共同参与计算,来输出结果hj。
融合不同模态下的兴趣表征vp,p∈{a,b},生成用户兴趣表征v。
根据用户兴趣表征,预测用户对目标短视频的点击率:
其中,y∈{0,1}是真实值,代表用户是否点击了目标短视频。σ是sigmoid函数。我们采用Adam优化器更新模型参数。
为了验证本发明在短视频点击率预测中的技术效果,我们采用公开的短视频数据做实验,从指标AUC、P@50、R@50和F@50上来看,效果较最新的点击率预测方法有了显著的提升。本发明的有益技术效果如下:
(1)本发明通过所有用户历史交互序列,构建关于短视频的多信息节点图网络,对短视频的单一模态信息进行了更准确的表征。
(2)本发明考虑序列中短视频的相同模态和不同模态之间的信息转换,提升短视频单一模态特征表征的准确性,进而提升预测的准确性。
(3)本发明分别从短视频的不同模态信息抽取用户的兴趣,然后再融合用户在多模态空间下抽取出的用户兴趣,预测用户对目标短视频的点击率。
附图说明
图1为本发明方法的流程示意图;
图2为本发明方法的模型框架图。
具体实施方式
为了更为具体地描述本发明,下面结合附图及具体实施方案对本发明的技术方案进行详细说明。
短视频点击率预测任务是建立一个模型去预测用户点击短视频的概率。用户历史序列表示为 其中xj代表第j个短视频,l是序列的长度。因此,短视频点击率预测问题可以表示成:输入用户点击序列以及目标短视频xnew,来预测用户对目标短视频xnew的点击率。
为此,本发明提出了一种基于多信息节点图网络的短视频点击率预测方法。它考虑序列中短视频的相同模态和不同模态之间的信息转换,提升短视频单一模态特征表征的准确性。然后从不同模态信息中分别抽取用户的兴趣,融合得到用户的多兴趣表征,进而预测用户对目标短视频的点击率。本方法主要由四个部分组成,如图2所示。第一部分根据所有用户历史的序列信息,构建短视频的多信息节点图网络;第二部分把当前序列的短视频输入多信息节点图网络,更新短视频不同模态特征表征;第三部分根据短视频多模态特征,采用长短期记忆网络生成用户在不同模态下的兴趣表征;第四部分融合不同模态下的兴趣表征生成用户兴趣表征,并预测用户对目标短视频的点击率。
如图1所示,按照本发明的一个实施例,本方法包括如下步骤:
S100,根据所有用户历史交互序列,构建短视频的多信息节点图网络。为了捕捉短视频模态和短视频模态之间的转移关系,我们从所有用户序列中构建物品图网络T。给定一个用户交互序列X=[x1,…,xn],任一短视频xj为图网络T的节点,(xj-1,xj)为图网络T的边,(xj-1,xj)表示一个用户点击短视频xj-1后点击短视频xj。图的边数值属性为边(xj-1,xj)出现的次数。为了降低在线计算复杂度,本发明采用离线文件存储每个节点在图网络T中的邻居节点。为了更准确地生成短视频的模态表征,本方法既考虑短视频在图网络T的邻居节点的相同模态的对当前短视频的影响,又考虑不同模态对当前短视频的影响。所以图网络的节点其实包含了多种信息,即多种模态。因此从图节点的信息更新方式来看,我们也可以把该图网络T称之为多信息节点图网络。
S200,把用户序列中的短视频输入多信息节点图网络,更新短视频的所有模态特征表征。对于一个用户的点击行为序列X=[x1,…,x*],其中短视频由和两种模态构成,是短视频的封面图特征向量,是短视频的文本特征向量,d是模态特征向量的长度。把短视频封面图特征和文本特征同时输入图网络,生成多模态特征表征其中p∈{a,b}。模态特征表征和在多信息节点图网络中的更新公式分别为:
其中,Wa→a、Wb→a、Wb→b、Wa→b是图参数,分别代表模态a对模态a的影响参数、模态b对模态a的影响参数、模态b对模态b的影响参数和模态a对模态b的影响参数。b是偏置参数,k代表在图网络T中的搜索深度,k的最大深度由搜索深度参数L控制,本方法设置搜索深度参数L=2。σ为sigmoid函数,max代表元素级别的max操作,可以有效捕捉邻居的各个方面属性。B(j)为短视频图网络T中短视频xj的邻居集合,按照图T边由大到小排序采样(sampling)获得。Wa和Wb是转化矩阵参数,CONCAT表示向量连接操作。和代表第j个短视频的模态a和模态b在k层的向量表征,第j个短视频的模态a和模态b的和分别被初始化为和短视频的多模态特征表征即是不同模态特征在短视频图网络中更新深度L之后的
S300,根据短视频多模态特征生成用户在不同模态下的兴趣表征vp,p∈{a,b}。本方法采用了长短期记忆网络结构,可以有效地捕捉到用户短视频序列的序列性。和更新方法相同且参数不共享,为了描述方便,以下公式略去p∈{a,b},令:
ij=σ(Wiuj+Uihj-1+bi)
fj=σ(Wfuj+Ufhj-1+bf)
oj=σ(Wouj+Uohj-1+bo)
cj=ijtanh(Wcuj+Uchj-1+bc)+fjcj-1
hj=ojcj
其中,模态a和模态b的长短期记忆网络的最后一层的隐藏状态hj的输出就是用户在模态a和模态b下的兴趣表征va和vb。uj是当前层的节点输入,Wi、Ui、Wf、Uf、Wo和Uo分别是控制输入门ij、遗忘门fj和输出门oj的参数。σ为sigmoid函数。所有这些参数和输入:隐层状态ht-1、当前输入xt以及节点xt的的空间信息gg共同参与计算,来输出结果hj。
S400,融合不同模态下的兴趣表征vp,p∈{a,b},生成用户兴趣表征v。
S500,根据用户兴趣表征,预测用户对目标短视频的点击率:
其中,y∈{0,1}是真实值,代表用户是否点击了目标短视频。σ是sigmoid函数。我们采用Adam优化器更新模型参数。
上述对实施例的描述是为方便于本技术领域的普通技术人员能理解和应用本发明。熟悉本领域技术的人员显然可以容易地对上述实施例做出各种修改,并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此,本发明不限于上述实施例,本领域技术人员根据本发明的揭示,对于本发明做出的改进和修改都应该在本发明的保护范围之内。
Claims (3)
1.一种基于多信息节点图网络的短视频点击率预测方法,其特征在于:
根据所有用户历史交互序列,构建短视频的多信息节点图网络;
把用户序列中的短视频输入多信息节点图网络,更新短视频的所有模态特征表征;对于一个用户的点击行为序列X=[x1,…,xn],其中短视频xj由和两种模态构成,是短视频的封面图特征向量, 是短视频的文本特征向量,d是模态特征向量的长度;把短视频封面图特征和文本特征同时输入图网络,生成多模态特征表征其中p∈{a,b};模态特征表征和在多信息节点图网络中的更新公式分别为:
其中,Wa→a、Wb→a、Wb→b、Wa→b是图参数,分别代表模态a对模态a的影响参数、模态b对模态a的影响参数、模态b对模态b的影响参数和模态a对模态b的影响参数;b是偏置参数,k代表在图网络T中的搜索深度,k的最大深度由搜索深度参数L控制;σ为sigmoid函数,max代表元素级别的max操作,可以有效捕捉邻居的各个方面属性;B(j)为短视频图网络T中短视频xj的邻居集合,按照图T边由大到小排序采样(sampling)获得;Wa和Wb是转化矩阵参数,CONCAT表示向量连接操作;和代表第j个短视频的模态a和模态b在k层的向量表征,第j个短视频的模态a和模态b的和分别被初始化为和短视频的多模态特征表征即是不同模态特征在短视频图网络中更新深度L之后的根据短视频多模态特征生成用户在不同模态下的兴趣表征vp,p∈{a,b};本方法采用了长短期记忆网络结构,可以有效地捕捉到用户短视频序列的序列性;
融合不同模态下的兴趣表征vp,p∈{a,b},生成用户兴趣表征v;
根据用户兴趣表征,预测用户对目标短视频的点击率:
其中,y∈{0,1}是真实值,代表用户是否点击了目标短视频;σ是sigmoid函数;最后采用Adam优化器更新模型参数。
2.根据权利要求1所述的一种基于多信息节点图网络的短视频点击率预测方法,其特征在于:所述短视频的多信息节点图网络构造方法为:
为了捕捉短视频模态和短视频模态之间的转移关系,本方法从所有用户序列中构建物品图网络T;给定一个用户交互序列X=[x1,…,xn],任一短视频xj为图网络T的节点,(xj-1,xj)为图网络T的边,(xj-1,xj)表示一个用户点击短视频xj-1后点击短视频xj;图的边数值属性为边(xj-1,xj)出现的次数;图网络的节点包含了多种信息,因此从图节点的信息更新方式来看,该图网络T可以称之为多信息节点图网络T。
3.根据权利要求1所述的一种基于多信息节点图网络的短视频点击率预测方法,其特征在于:所述长短期记忆网络结构具体为:
ij=σ(Wiuj+Uihj-1+bi)
fj=σ(Wfuj+Ufhj-1+bf)
oj=σ(Wouj+Uohj-1+bo)
cj=ijtanh(Wcuj+Uchj-1+bc)+fjcj-1
hj=ojcj
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011333641.0A CN112307257B (zh) | 2020-11-25 | 2020-11-25 | 一种基于多信息节点图网络的短视频点击率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011333641.0A CN112307257B (zh) | 2020-11-25 | 2020-11-25 | 一种基于多信息节点图网络的短视频点击率预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112307257A true CN112307257A (zh) | 2021-02-02 |
CN112307257B CN112307257B (zh) | 2021-06-15 |
Family
ID=74335650
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011333641.0A Active CN112307257B (zh) | 2020-11-25 | 2020-11-25 | 一种基于多信息节点图网络的短视频点击率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112307257B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113888238A (zh) * | 2021-10-25 | 2022-01-04 | 重庆邮电大学 | 一种广告点击率预测方法、装置及计算机设备 |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006128972A (ja) * | 2004-10-28 | 2006-05-18 | Nippon Telegr & Teleph Corp <Ntt> | 双方向マルチモーダルサービス品質推定装置および方法 |
US20090307772A1 (en) * | 2008-05-21 | 2009-12-10 | Honeywell International Inc. | framework for scalable state estimation using multi network observations |
CN103473530A (zh) * | 2013-08-30 | 2013-12-25 | 天津理工大学 | 基于多视图和多模态特征的自适应动作识别方法 |
CN105653840A (zh) * | 2015-12-21 | 2016-06-08 | 青岛中科慧康科技有限公司 | 基于词句分布表示的相似病例推荐系统及相应的方法 |
CN107784372A (zh) * | 2016-08-24 | 2018-03-09 | 阿里巴巴集团控股有限公司 | 目标对象属性的预测方法、装置和系统 |
US20180089565A1 (en) * | 2012-05-10 | 2018-03-29 | Yan M. Yufik | Systems and methods for a computer understanding multi modal data streams |
CN109862432A (zh) * | 2019-01-31 | 2019-06-07 | 厦门美图之家科技有限公司 | 点击率预测方法和装置 |
CN109948642A (zh) * | 2019-01-18 | 2019-06-28 | 中山大学 | 基于图像输入的多智能体跨模态深度确定性策略梯度训练方法 |
CN109960759A (zh) * | 2019-03-22 | 2019-07-02 | 中山大学 | 基于深度神经网络的推荐系统点击率预测方法 |
CN110032679A (zh) * | 2019-04-16 | 2019-07-19 | 北京航空航天大学 | 一种基于层次注意力网络的动态新闻推荐的方法 |
CN110334245A (zh) * | 2019-05-20 | 2019-10-15 | 山东大学 | 一种基于时序属性的图神经网络的短视频推荐方法及装置 |
CN110337016A (zh) * | 2019-06-13 | 2019-10-15 | 山东大学 | 基于多模态图卷积网络的短视频个性化推荐方法及系统 |
US20200004904A1 (en) * | 2015-10-28 | 2020-01-02 | Fractal Industries, Inc. | System and method for multi-model generative simulation modeling of complex adaptive systems |
CN110647922A (zh) * | 2019-09-03 | 2020-01-03 | 中国计量大学 | 基于公共和特有特征提取的分层式非高斯过程监测方法 |
US10599144B2 (en) * | 2017-12-19 | 2020-03-24 | PlusAI Corp | Method and system for driving mode switching based on self-aware capability parameters in hybrid driving |
CN110929206A (zh) * | 2019-11-20 | 2020-03-27 | 腾讯科技(深圳)有限公司 | 点击率预估方法、装置、计算机可读存储介质和设备 |
CN110991464A (zh) * | 2019-11-08 | 2020-04-10 | 华南理工大学 | 一种基于深度多模态数据融合的商品点击率预测方法 |
CN111246256A (zh) * | 2020-02-21 | 2020-06-05 | 华南理工大学 | 基于多模态视频内容和多任务学习的视频推荐方法 |
-
2020
- 2020-11-25 CN CN202011333641.0A patent/CN112307257B/zh active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006128972A (ja) * | 2004-10-28 | 2006-05-18 | Nippon Telegr & Teleph Corp <Ntt> | 双方向マルチモーダルサービス品質推定装置および方法 |
US20090307772A1 (en) * | 2008-05-21 | 2009-12-10 | Honeywell International Inc. | framework for scalable state estimation using multi network observations |
US20180089565A1 (en) * | 2012-05-10 | 2018-03-29 | Yan M. Yufik | Systems and methods for a computer understanding multi modal data streams |
CN103473530A (zh) * | 2013-08-30 | 2013-12-25 | 天津理工大学 | 基于多视图和多模态特征的自适应动作识别方法 |
US20200004904A1 (en) * | 2015-10-28 | 2020-01-02 | Fractal Industries, Inc. | System and method for multi-model generative simulation modeling of complex adaptive systems |
CN105653840A (zh) * | 2015-12-21 | 2016-06-08 | 青岛中科慧康科技有限公司 | 基于词句分布表示的相似病例推荐系统及相应的方法 |
CN107784372A (zh) * | 2016-08-24 | 2018-03-09 | 阿里巴巴集团控股有限公司 | 目标对象属性的预测方法、装置和系统 |
US10599144B2 (en) * | 2017-12-19 | 2020-03-24 | PlusAI Corp | Method and system for driving mode switching based on self-aware capability parameters in hybrid driving |
CN109948642A (zh) * | 2019-01-18 | 2019-06-28 | 中山大学 | 基于图像输入的多智能体跨模态深度确定性策略梯度训练方法 |
CN109862432A (zh) * | 2019-01-31 | 2019-06-07 | 厦门美图之家科技有限公司 | 点击率预测方法和装置 |
CN109960759A (zh) * | 2019-03-22 | 2019-07-02 | 中山大学 | 基于深度神经网络的推荐系统点击率预测方法 |
CN110032679A (zh) * | 2019-04-16 | 2019-07-19 | 北京航空航天大学 | 一种基于层次注意力网络的动态新闻推荐的方法 |
CN110334245A (zh) * | 2019-05-20 | 2019-10-15 | 山东大学 | 一种基于时序属性的图神经网络的短视频推荐方法及装置 |
CN110337016A (zh) * | 2019-06-13 | 2019-10-15 | 山东大学 | 基于多模态图卷积网络的短视频个性化推荐方法及系统 |
CN110647922A (zh) * | 2019-09-03 | 2020-01-03 | 中国计量大学 | 基于公共和特有特征提取的分层式非高斯过程监测方法 |
CN110991464A (zh) * | 2019-11-08 | 2020-04-10 | 华南理工大学 | 一种基于深度多模态数据融合的商品点击率预测方法 |
CN110929206A (zh) * | 2019-11-20 | 2020-03-27 | 腾讯科技(深圳)有限公司 | 点击率预估方法、装置、计算机可读存储介质和设备 |
CN111246256A (zh) * | 2020-02-21 | 2020-06-05 | 华南理工大学 | 基于多模态视频内容和多任务学习的视频推荐方法 |
Non-Patent Citations (2)
Title |
---|
MIHO OHSAKI等: "Confusion-matrix-based kernel logistic regression for imbalanced data at classification", 《IEEE TRANSACTIONS ON KNOWLEDGE AND DATA ENGINEERING》 * |
宋永强等: "基于多模态深度融合模型的广告点击率预估", 《小型微型计算机系统》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113888238A (zh) * | 2021-10-25 | 2022-01-04 | 重庆邮电大学 | 一种广告点击率预测方法、装置及计算机设备 |
CN113888238B (zh) * | 2021-10-25 | 2024-04-09 | 重庆邮电大学 | 一种广告点击率预测方法、装置及计算机设备 |
Also Published As
Publication number | Publication date |
---|---|
CN112307257B (zh) | 2021-06-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhao et al. | Deep reinforcement learning for list-wise recommendations | |
CN111460331B (zh) | 一种基于时空图的会话推荐方法 | |
CN111222054B (zh) | 一种基于上下文邻居关系建模的会话社交推荐方法 | |
CN112256916B (zh) | 一种基于图胶囊网络的短视频点击率预测方法 | |
CN111125537A (zh) | 一种基于图表征的会话推荐方法 | |
CN112395504B (zh) | 一种基于序列胶囊网络的短视频点击率预测方法 | |
CN112685657B (zh) | 一种基于多模态交叉融合图网络的会话社交推荐方法 | |
CN112492396B (zh) | 一种基于细粒度的多方面分析的短视频点击率预测方法 | |
CN112256918B (zh) | 一种基于多模态动态路由的短视频点击率预测方法 | |
CN112765461A (zh) | 一种基于多兴趣胶囊网络的会话推荐方法 | |
CN112307257B (zh) | 一种基于多信息节点图网络的短视频点击率预测方法 | |
CN115270001A (zh) | 基于云端协同学习的隐私保护推荐方法及系统 | |
CN112559904B (zh) | 一种基于门机制和多模态图网络的会话社交推荐方法 | |
CN112395505B (zh) | 一种基于协同注意力机制的短视频点击率预测方法 | |
CN112307258B (zh) | 一种基于双层胶囊网络的短视频点击率预测方法 | |
CN112199550B (zh) | 一种基于情感胶囊网络的短视频点击率预测方法 | |
CN112819575B (zh) | 一种考虑重复购买行为的会话推荐方法 | |
CN113326384A (zh) | 一种基于知识图谱的可解释推荐模型的构建方法 | |
CN112765401B (zh) | 一种基于非局部网络和局部网络的短视频推荐方法 | |
CN115599990A (zh) | 一种知识感知结合深度强化学习的跨域推荐方法及系统 | |
CN114528490A (zh) | 一种基于用户长短期兴趣的自监督序列推荐方法 | |
CN112616072B (zh) | 一种基于用户正负反馈信息的短视频点击率预测方法 | |
CN113704440B (zh) | 一种基于物品图网络中路径表征的会话推荐方法 | |
CN114036400B (zh) | 一种基于超图的协同会话推荐方法 | |
Wang et al. | HGCR: A heterogeneous graph enhanced interactive course recommendation scheme for online learning |
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 |