CN112395504B - 一种基于序列胶囊网络的短视频点击率预测方法 - Google Patents

一种基于序列胶囊网络的短视频点击率预测方法 Download PDF

Info

Publication number
CN112395504B
CN112395504B CN202011381658.3A CN202011381658A CN112395504B CN 112395504 B CN112395504 B CN 112395504B CN 202011381658 A CN202011381658 A CN 202011381658A CN 112395504 B CN112395504 B CN 112395504B
Authority
CN
China
Prior art keywords
user
sequence
short video
interest
click
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
Application number
CN202011381658.3A
Other languages
English (en)
Other versions
CN112395504A (zh
Inventor
顾盼
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Zhiduo Network Technology Co ltd
Original Assignee
China Jiliang University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Jiliang University filed Critical China Jiliang University
Priority to CN202011381658.3A priority Critical patent/CN112395504B/zh
Publication of CN112395504A publication Critical patent/CN112395504A/zh
Application granted granted Critical
Publication of CN112395504B publication Critical patent/CN112395504B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F16/90—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
    • 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
    • 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
    • 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
    • G06N3/047—Probabilistic or stochastic 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
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Multimedia (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于序列胶囊网络的短视频点击率预测方法。该方法基于用户对短视频的点击序列，利用序列胶囊网络挖掘用户的多兴趣，预测用户对目标短视频的点击率。本方法主要由三个部分组成：第一部分是利用卷积神经网络从用户点击序列中抽取上下文特征；第二部分是利用序列胶囊网络将上下文特征转换到不同兴趣空间下，并在不同兴趣空间下捕捉用户行为的序列性，得到用户的多兴趣向量表征；第三部分是基于用户的多兴趣向量表征，进行短视频点击率的预测。

Description

一种基于序列胶囊网络的短视频点击率预测方法
技术领域
本发明属于互联网服务技术领域，尤其是涉及一种基于序列胶囊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：描述文本质量较低、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，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。Li等人结合正负反馈数据，并使用基于图的循环神经网络去建模，最后得到用户的偏好。
以上方法都考虑到用户短视频点击序列的序列性，但是没有考虑到用户的兴趣是多样的。以上方法在建模用户兴趣时，直接将用户兴趣当做一个整体，这样会损失很大部分信息，尤其是用户的主要兴趣会掩盖用户的次要兴趣。本方法认为用户的兴趣是多样的，比如，某个用户既喜欢风景类短视频又喜欢动物类短视频。而分别对多个兴趣空间下的用户行为转换进行建模更有利于预测的准确度。本方法利用序列胶囊网络将已经处理后的用户行为特征转换到不同兴趣空间下，并在不同兴趣空间下捕捉用户行为的序列性，得到用户的多兴趣向量表征。再基于用户的多兴趣向量表征，进行短视频点击率的预测。
发明内容
本发明所要解决的技术问题是基于用户对短视频的点击序列，挖掘出用户的多兴趣，预测用户对目标短视频的点击率。本方法采用胶囊网络从用户的点击序列挖掘用户的多兴趣。但是原本应用在图像领域的胶囊网络没有考虑输入的序列性，而用户的点击序列具有明显的时间序列性。因此，本方法创新性地改进原始胶囊网络，提出序列胶囊网络结构。为此，本发明采用以下技术方案：
一种基于序列胶囊网络的短视频点击率预测方法，包括以下步骤：
利用卷积神经网络从用户点击序列中抽取上下文向量表征。对于一个用户的点击行为序列
Figure BDA0002808638560000011
可以表示为X＝[x1，…，xn]，其中
Figure BDA0002808638560000012
是用户点击了的短视频封面图特征向量，d是特征向量长度。本方法采用一维卷积神经网络从点击序列抽取上下文向量表征。一维卷积神经网络的窗口宽度(window spanning)参数为w，步长(stride)参数为s，填充(padding)参数为p。输入的短视频序列为X＝[x1,…,xn]，输出的上下文序列特征为[e1,…,e4]，其中l是上下文序列的长度，且
Figure BDA0002808638560000013
利用序列胶囊网络从上下文向量表征中抽取用户多兴趣向量表征hi。
ui|j＝Hiej
hi＝g(RNNi(ui|j))
其中，ej是用户点击序列中抽取的上下文向量表征，
Figure BDA0002808638560000014
是用户序列到兴趣空间i的转换矩阵，用户多兴趣的个数是M。g是胶囊网络中常用的squash激活函数。RNNi(ui|j)表示采用循环神经网络(RNN)对兴趣空间i下的[ui|1，ui|2,ui|3,…,ui|4]列表进行建模。本方法中采用的循环神经网络结构是长短时记忆网络(LSTM)，不同兴趣空间i下的长短时记忆网络结构相同且参数不共享，为了表述方便，以下公式省略兴趣空间参数i：
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，长短期记忆网络的最后一层的隐藏状态hj的输出就是用户在当前兴趣空间下的兴趣向量表征。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gt共同参与计算，来输出结果hj。
基于用户多兴趣向量表征，利用注意力机制预测用户对目标短视频的点击率。给定用户多兴趣胶囊hi，计算用户点击目标短视频xnew的概率为：
Figure BDA00028086385600000213
Figure BDA0002808638560000021
Figure BDA0002808638560000022
其中，hi为用户的第i个兴趣表征，xnew为目标短视频。参数
Figure BDA0002808638560000023
和参数
Figure BDA0002808638560000024
控制每个兴趣表征的权重，d代表兴趣表征的维度,参数c是偏置参数。
Figure BDA0002808638560000025
和
Figure BDA0002808638560000026
是转移矩阵，
Figure BDA0002808638560000027
是偏置向量，b2是偏置标量。σ是sigmoid激活函数。
根据模型特性，设计损失函数。通过用户对目标短视频的点击率预测值
Figure BDA0002808638560000028
计算预测值
Figure BDA0002808638560000029
和真实值y之间的误差，进而使用误差来更新模型参数。我们采用交叉熵损失函数来指导模型参数的更新过程：
Figure BDA00028086385600000210
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。
本发明的有益技术效果如下：
(1)本发明提出了一种基于序列胶囊网络的短视频点击率预测方法，创新性地改进原始胶囊网络，提出序列胶囊网络结构，从而考虑到用户的点击序列的序列性。
(2)本发明同时也是一种基于用户多兴趣建模的短视频点击率预测方法，利用胶囊网络从用户对短视频的点击序列中挖掘用户的多兴趣，从而达到更准确的预测。
(3)本发明考虑到短视频场景的独特性，采用卷积神经网络抽取短视频关键特征。
附图说明
图1为本发明一种基于序列胶囊网络的短视频点击率预测方法的流程示意图；
图2为本发明一种基于序列胶囊网络的短视频点击率预测方法的模型框架图。
具体实施方式
为了进一步理解本发明，下面结合具体实施方式对本发明提供的一种基于序列胶囊网络的短视频点击率预测方法进行具体描述，但本发明并不限于此，该领域技术人员在本发明核心指导思想下做出的非本质改进和调整，仍然属于本发明的保护范围。
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。用户的点击序列表示为
Figure BDA00028086385600000211
Figure BDA00028086385600000212
xj代表第j个短视频，n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u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序列胶囊网络的短视频点击率预测方法。它根据用户对短视频的点击序列，利用序列胶囊网络挖掘用户的多兴趣，预测用户对目标短视频的点击率。这里的用户短视频点击序列输入的是短视频的封面图向量表征。本方法采用胶囊网络从用户的点击序列挖掘用户的多兴趣。但是原本应用在图像领域的胶囊网络没有考虑输入的序列性，而用户的点击序列具有时间序列性。因此，本方法创新性地改进原始胶囊网络，提出序列胶囊网络结构。
本方法主要由三个部分组成，如图2所示。第一部分是利用卷积神经网络从用户点击序列中抽取上下文特征。短视频平台中，短视频时间较短且用户的短视频观看行为非常频繁，可以认为序列中连续的短视频具有相近的特征。且用卷积神经网络，既可以抽取短视频关键特征，又可以降低序列的长度，从而降低后续网络结构的复杂度。第二部分是利用序列胶囊网络将上下文特征转换到不同兴趣空间下，并在不同兴趣空间下捕捉用户行为的序列性，得到用户的多兴趣向量表征。第三部分是基于用户的多兴趣向量表征，进行短视频点击率的预测。
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，利用卷积神经网络从用户点击序列中抽取上下文向量表征。对于一个用户的点击行为序列
Figure BDA0002808638560000031
可以表示为X＝[x1,…,xn]，其中
Figure BDA0002808638560000032
是用户点击了的短视频封面图特征向量，d是特征向量长度。本方法采用一维卷积神经网络从点击序列抽取上下文向量表征。一维卷积神经网络的窗口宽度(windowspanning)参数为w，步长(stride)参数为s，填充(padding)参数为p。输入的短视频序列为X＝[x1,…,xn]，输出的上下文序列特征为[e1,…,el]，其中l是上下文序列的长度，且
Figure BDA0002808638560000033
本实施例采用Kuaishou公开数据,点击序列n＝120，窗口宽度参数w＝15，步长参数为s＝15，填充参数p＝0，所以上下文序列的长度l＝8。
S200，利用序列胶囊网络从上下文向量表征中抽取用户多兴趣向量表征hi。
ui|j＝Hiej
hi＝g(RNNj(ui|j))
其中，ej是用户点击序列中抽取的上下文向量表征，
Figure BDA0002808638560000034
是用户序列到兴趣空间i的转换矩阵，用户多兴趣的个数是M，本方法M设置为5。g是胶囊网络中常用的squash激活函数。RNNj(ui|j)表示采用循环神经网络(RNN)对兴趣空间i下的[ui|1,ui|2,ui|3,…,ui|4]列表进行建模。本方法中采用的循环神经网络结构是长短时记忆网络(LSTM)，不同兴趣空间i下的长短时记忆网络结构相同且参数不共享，为了表述方便，以下公式省略兴趣空间参数i：
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＝oj cj
其中，长短期记忆网络的最后一层的隐藏状态hj的输出就是用户在当前兴趣空间下的兴趣向量表征。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gt共同参与计算，来输出结果hj。
S300，基于用户多兴趣向量表征，利用注意力机制预测用户对目标短视频的点击率。给定用户多兴趣胶囊hi，计算用户点击目标短视频xnew的概率为：
Figure BDA00028086385600000314
Figure BDA0002808638560000035
Figure BDA0002808638560000036
其中，hi为用户的第u个兴趣表征，xnew为目标短视频。参数
Figure BDA0002808638560000037
和参数
Figure BDA0002808638560000038
控制每个兴趣表征的权重，d代表兴趣表征的维度,参数c是偏置参数。
Figure BDA0002808638560000039
和
Figure BDA00028086385600000310
是转移矩阵，
Figure BDA00028086385600000311
是偏置向量，b2是偏置标量。σ是sigmoid激活函数。
S400，根据模型特性，设计损失函数。通过用户对目标短视频的点击率预测值
Figure BDA00028086385600000312
计算预测值
Figure BDA00028086385600000313
真实值y之间的误差，进而使用误差来更新模型参数。我们采用交叉熵损失函数来指导模型参数的更新过程：
Figure BDA0002808638560000041
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 (2)

1.一种基于序列胶囊网络的短视频点击率预测方法，其特征在于：
利用卷积神经网络从用户点击序列中抽取上下文向量表征；对于一个用户的点击短视频的行为序列
Figure FDA00033095567500000115
可以表示为X＝[x1,…,xn]，其中
Figure FDA0003309556750000011
是用户点击短视频封面图特征向量，短视频封面图特征向量维度为d，n是序列的长度；采用一维卷积神经网络从点击序列抽取上下文向量表征；一维卷积神经网络的窗口宽度(window spanning)参数为w，步长(stride)参数为s，填充(padding)参数为p；输入的用户点击短视频的行为序列为X＝[x1,…,xn]，输出的上下文序列特征为[e1,…,el]，其中l是上下文序列的长度，且
Figure FDA0003309556750000012
Figure FDA0003309556750000013
利用序列胶囊网络从上下文向量表征中抽取用户多兴趣向量表征hi；
ui|j＝Hiej
hi＝g(RNNi(ui|j))
其中，ej是用户点击序列中抽取的上下文向量表征，
Figure FDA0003309556750000014
是用户序列到兴趣空间i的转换矩阵，用户多兴趣的个数是M；g是胶囊网络中常用的squash激活函数；RNNi(ui|j)表示采用循环神经网络(RNN)对兴趣空间i下的[ui|1,ui|2,ui|3,…,ui|l]列表进行建模；采用的循环神经网络结构是长短时记忆网络(LSTM)；
基于用户多兴趣向量表征，利用注意力机制预测用户对目标短视频的点击率；给定用户多兴趣胶囊hi，计算用户点击目标短视频xnew的概率为：
Figure FDA00033095567500000116
Figure FDA0003309556750000015
Figure FDA0003309556750000016
其中，hi为用户的第i个兴趣表征，xnew为目标短视频的向量表征；参数
Figure FDA0003309556750000017
和参数W1,
Figure FDA0003309556750000018
控制每个兴趣表征的权重，兴趣表征的维度为d，和短视频封面图特征向量维度一致，参数c是偏置参数；
Figure FDA0003309556750000019
和
Figure FDA00033095567500000110
是转移矩阵，
Figure FDA00033095567500000111
是偏置向量，b2是偏置标量；σ是sigmoid激活函数；
根据模型特性，设计损失函数；通过用户对目标短视频的点击率预测值
Figure FDA00033095567500000112
计算预测值
Figure FDA00033095567500000113
和真实值y之间的误差，进而使用误差来更新模型参数；采用交叉熵损失函数来指导模型参数的更新过程：
Figure FDA00033095567500000114
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激活函数；最后采用Adam优化器更新模型参数。
2.根据权利要求1所述的一种基于序列胶囊网络的短视频点击率预测方法，其特征在于：所述长短时记忆网络(LSTM)结构为：
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
其中，不同兴趣空间i下的长短时记忆网络结构相同且参数不共享；长短期记忆网络的最后一层的隐藏状态hj的输出就是用户在当前兴趣空间下的兴趣向量表征；uj是当前层的节点输入，Wi、Ui、bi和、Wf、Uf、bf和Wo、Uo、bo分别是控制输入门ij、遗忘门fj和输出门oj的参数；σ为sigmoid激活函数；tanh为tanh激活函数；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gt共同参与计算，来输出结果hj。
CN202011381658.3A 2020-12-01 2020-12-01 一种基于序列胶囊网络的短视频点击率预测方法 Active CN112395504B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011381658.3A CN112395504B (zh) 2020-12-01 2020-12-01 一种基于序列胶囊网络的短视频点击率预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011381658.3A CN112395504B (zh) 2020-12-01 2020-12-01 一种基于序列胶囊网络的短视频点击率预测方法

Publications (2)

Publication Number Publication Date
CN112395504A CN112395504A (zh) 2021-02-23
CN112395504B true CN112395504B (zh) 2021-11-23

Family

ID=74603935

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011381658.3A Active CN112395504B (zh) 2020-12-01 2020-12-01 一种基于序列胶囊网络的短视频点击率预测方法

Country Status (1)

Country Link
CN (1) CN112395504B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112862007B (zh) * 2021-03-29 2022-12-13 山东大学 基于用户兴趣编辑的商品序列推荐方法及系统
CN113343142B (zh) * 2021-05-14 2022-05-31 电子科技大学 一种基于用户行为序列填充和筛选的新闻点击率预测方法
CN116489464B (zh) * 2023-04-12 2023-10-17 浙江纳里数智健康科技股份有限公司 5g应用领域中一种基于异构双层网络的医疗资讯推荐方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108280155A (zh) * 2018-01-11 2018-07-13 百度在线网络技术（北京）有限公司 基于短视频的问题检索反馈方法、装置及其设备
CN108307207A (zh) * 2017-12-28 2018-07-20 北京达佳互联信息技术有限公司 一种视频推送方法及装置
CN108520442A (zh) * 2018-04-10 2018-09-11 电子科技大学 一种基于融合结构的展示广告点击率预测方法
CN109241283A (zh) * 2018-08-08 2019-01-18 广东工业大学 一种基于多角度胶囊网络的文本分类方法
CN109408724A (zh) * 2018-11-06 2019-03-01 北京达佳互联信息技术有限公司 多媒体资源预估点击率的确定方法、装置及服务器
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
CN111125537A (zh) * 2019-12-31 2020-05-08 中国计量大学 一种基于图表征的会话推荐方法
CN111339355A (zh) * 2020-05-21 2020-06-26 北京搜狐新媒体信息技术有限公司 一种视频推荐方法及系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9468845B2 (en) * 2014-04-22 2016-10-18 Zynga Inc. Methods for using touch-screens to simulate balancing and manipulation of curved object during gameplay
WO2019083553A1 (en) * 2017-10-27 2019-05-02 Google Llc NEURONAL NETWORKS IN CAPSULE
US20200250971A1 (en) * 2019-02-06 2020-08-06 Ford Global Technologies, Llc Vehicle capsule networks
US11188085B2 (en) * 2019-03-22 2021-11-30 Ford Global Technologies, Llc Vehicle capsule networks
CN113268633B (zh) * 2021-06-25 2022-11-11 北京邮电大学 一种短视频推荐方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108307207A (zh) * 2017-12-28 2018-07-20 北京达佳互联信息技术有限公司 一种视频推送方法及装置
CN108280155A (zh) * 2018-01-11 2018-07-13 百度在线网络技术（北京）有限公司 基于短视频的问题检索反馈方法、装置及其设备
CN108520442A (zh) * 2018-04-10 2018-09-11 电子科技大学 一种基于融合结构的展示广告点击率预测方法
CN109241283A (zh) * 2018-08-08 2019-01-18 广东工业大学 一种基于多角度胶囊网络的文本分类方法
CN109408724A (zh) * 2018-11-06 2019-03-01 北京达佳互联信息技术有限公司 多媒体资源预估点击率的确定方法、装置及服务器
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
CN111125537A (zh) * 2019-12-31 2020-05-08 中国计量大学 一种基于图表征的会话推荐方法
CN111339355A (zh) * 2020-05-21 2020-06-26 北京搜狐新媒体信息技术有限公司 一种视频推荐方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Optimising Toward Completed Videos in an Online Video Advertising Exchange;Douglas McIlwraith 等;《2018 IEEE 42nd Annual Computer Software and Applications Conference(COMPSAC)》;20180727;528-533 *
一种基于胶囊网络的图像检索方法;黄静 等;《电脑与电信》;20200610(第6期);14-18 *

Also Published As

Publication number Publication date
CN112395504A (zh) 2021-02-23

Similar Documents

Publication Publication Date Title
CN112395504B (zh) 一种基于序列胶囊网络的短视频点击率预测方法
Goyal et al. The utility based non-linear fuzzy AHP optimization model for network selection in heterogeneous wireless networks
CN108776844B (zh) 基于上下文感知张量分解的社交网络用户行为预测方法
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
CN112256916B (zh) 一种基于图胶囊网络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
CN112395505B (zh) 一种基于协同注意力机制的短视频点击率预测方法
CN114637911B (zh) 一种注意力融合感知网络的下一个兴趣点推荐方法
CN115344883A (zh) 一种用于处理不平衡数据的个性化联邦学习方法和装置
CN111723305B (zh) 一种预测用户下一轨迹点的方法
CN112199550B (zh) 一种基于情感胶囊网络的短视频点击率预测方法
CN112307258B (zh) 一种基于双层胶囊网络的短视频点击率预测方法
CN114595383A (zh) 一种基于会话序列的海洋环境数据推荐方法及系统
CN112256918B (zh) 一种基于多模态动态路由的短视频点击率预测方法
Yang et al. Click-through rate prediction using transfer learning with fine-tuned parameters
Aoyagi A Bayesian learning coefficient of generalization error and Vandermonde matrix-type singularities
CN113704438A (zh) 一种基于分层注意力机制的异构图的会话推荐方法
CN112765401B (zh) 一种基于非局部网络和局部网络的短视频推荐方法
CN110717537B (zh) 训练用户分类模型、执行用户分类预测的方法及装置
CN117056595A (zh) 一种交互式的项目推荐方法、装置及计算机可读存储介质
CN112559904A (zh) 一种基于门机制和多模态图网络的会话社交推荐方法
CN116257691A (zh) 基于潜在图结构挖掘和用户长短期兴趣融合的推荐方法
CN115660147A (zh) 一种基于传播路径间与传播路径内影响力建模的信息传播预测方法及系统
CN112307257A (zh) 一种基于多信息节点图网络的短视频点击率预测方法
CN115908600A (zh) 基于先验正则化的大批量图像重建方法

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
TR01 Transfer of patent right

Effective date of registration: 20231218

Address after: Room 407-10, floor 4, building 2, Haichuang science and technology center, Cangqian street, Yuhang District, Hangzhou City, Zhejiang Province, 311100

Patentee after: Zhejiang Zhiduo Network Technology Co.,Ltd.

Address before: 310018, No. 258, source street, Xiasha Higher Education Park, Hangzhou, Zhejiang

Patentee before: China Jiliang University

TR01 Transfer of patent right