CN112395505B - 一种基于协同注意力机制的短视频点击率预测方法 - Google Patents

一种基于协同注意力机制的短视频点击率预测方法 Download PDF

Info

Publication number
CN112395505B
CN112395505B CN202011381704.XA CN202011381704A CN112395505B CN 112395505 B CN112395505 B CN 112395505B CN 202011381704 A CN202011381704 A CN 202011381704A CN 112395505 B CN112395505 B CN 112395505B
Authority
CN
China
Prior art keywords
short video
user
space
vector
spaces
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
CN202011381704.XA
Other languages
English (en)
Other versions
CN112395505A (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.)
Chongqing Malt Media 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 CN202011381704.XA priority Critical patent/CN112395505B/zh
Publication of CN112395505A publication Critical patent/CN112395505A/zh
Application granted granted Critical
Publication of CN112395505B publication Critical patent/CN112395505B/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)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Multimedia (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于协同注意力机制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，挖掘出用户对短视频的不同方面(aspect)的倾向以及短视频不同方面(aspect)的重要性，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：第一部分是将用户点击序列和目标短视频映射到多方面(aspect)空间下，并得到多方面(aspect)空间下的用户和短视频表征。第二部分是得到多方面(aspect)空间下的用户和短视频表征后，利用协同注意力(co‑attention)机制得到用户和短视频不同方面(aspect)的重要性。第三部分是基于前两部分的输出结果，进行短视频点击率的预测。

Description

一种基于协同注意力机制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协同注意力机制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，但是没有考虑到短视频序列中不同方面(aspect)空间下的序列性。如，在视频主题方面下，用户观看完猫咪主题的短视频，可能偏向于观看小狗主题的短视频；在视频情绪方面下，用户观看完激昂的短视频后，可能偏向于观看情绪平缓的短视频。捕捉不同方面(aspect)空间下的短视频序列性，有利于推荐的准确性。另外，用户关注的方面(aspect)不是固定的，遇到不同的短视频，关注的倾向不同。比如，观看情景剧类的短视频，更关注剧情丰富度；而观看模特走秀类的短视频，更关注人物。另外，不同的用户观看相同的短视频时，关注的方面也不同。比如，年轻女性观看某情景剧短视频时，可能偏向于关注演员们的外貌；而中年男性观看某情景剧短视频时，可能更偏向于关注剧情。本方法采用协同注意力(co-attention)机制来建模以上先验知识。
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，挖掘出用户对短视频的不同方面(aspect)的倾向以及短视频不同方面(aspect)的重要性，来预测用户对目标短视频的点击率。本方法采用协同注意力(co-attention)机制来建模用户和目标短视频不同方面(aspect)的重要性。为此，本发明采用以下技术方案：
一种基于协同注意力机制的短视频点击率预测方法，包括以下步骤：
将用户点击序列和目标短视频映射到多方面(aspect)空间下，并得到多方面(aspect)空间下的用户和短视频表征。对于一个用户的点击行为序列u，可以表示为X＝[x1，…，xn]，其中
Figure BDA0002808653210000011
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。将用户点击序列和目标短视频映射到多方面(aspect)空间下的向量表征为：
qi＝ui＝Hixnew
ui|j＝Hixj
其中，xnew为目标短视频向量表征，xj是输入短视频序列中第j个短视频向量表征，Hi是短视频到第i个方面(aspect)空间的转换矩阵，短视频方面(aspect)的个数是M。目标短视频在不同方面(aspect)空间下的向量表征表示为Q＝{qi，i∈[1，M]且
Figure BDA0002808653210000012
}，。得到用户短视频序列在不同方面(aspect)空间下的向量表征后，使用循环神经网络(RNN)去抽取不同空间下的短视频序列性：
pi＝RNNi(ui|j)
其中，ui|j表示用户短视频序列中第j个短视频在第i个方面(aspect)空间下的表征。RNNi(ui|j)表示采用循环神经网络(RNN)对第i个方面(aspect)空间下的[ui|1，ui|2，ui|3，...，ui|l]列表进行建模。用户在不同方面(aspect)空间下的向量表征表示为P＝{pi，i∈[1，M]且
Figure BDA0002808653210000021
}。本方法中采用的循环神经网络结构是长短时记忆网络(LSTM)，不同方面(aspect)空间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，以下公式省略方面(aspect)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。
利用协同注意力(co-attention)机制得到用户和目标短视频的不同方面(aspect)的重要性。
Figure BDA0002808653210000026
Figure BDA0002808653210000027
αnew＝softmax(φ(QWy+S(PWx))vy)
其中，P是用户在不同方面(aspect)空间下的向量表征，Q是目标短视频在不同方面(aspect)空间下的向量表征。Ws、Wx、Wy、vx和vy是模型训练参数，φ是ReLU激活函数，公式为φ(x)＝max(0，x)。softmax表示softmax函数。矩阵S表示用户在不同方面(aspect)空间下的向量表征和目标短视频在不同方面(aspect)空间下的向量表征的相似度。
根据用户和目标短视频多方面(aspect)空间下的表征，以及相对应的重要性，预测用户对目标短视频的点击率。
Figure BDA0002808653210000022
其中，αu，i是用户第i个方面(aspect)特征的重要性，αnew，i是目标短视频第i个方面(aspect)特征的重要性。pi是用户在第i个方面(aspect)空间下的向量表征，qi是目标短视频在第i个方面(aspect)空间下的向量表征。参数b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 BDA0002808653210000023
计算预测值
Figure BDA0002808653210000024
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 BDA0002808653210000025
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。
本发明的有益技术效果如下：
(1)本发明提出了一种基于协同注意力机制的短视频点击率预测方法，考虑到用户关注的方面(aspect)不是固定的，遇到不同的短视频，关注的倾向不同。且不同的用户观看相同的短视频，关注的方面也不同。
(2)本发明同时也是一种基于多方面(multi-aspect)建模的短视频点击率预测方法，更细粒度(fine-grained)地考虑用户对短视频不同方面的喜好，从而达到更准确的预测。
(3)本发明考虑到短视频序列中不同方面(aspect)空间下的序列性。如，在视频主题方面下，用户观看完猫咪主题的短视频，可能偏向于观看小狗主题的短视频；在视频情绪方面下，用户观看完激昂的短视频后，可能偏向于观看情绪平缓的短视频。捕捉不同方面(aspect)空间下的短视频序列性，有利于推荐的准确性。
附图说明
图1为本发明一种基于协同注意力机制的短视频点击率预测方法的流程示意图；
图2为本发明一种基于协同注意力机制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协同注意力机制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 BDA0002808653210000031
Figure BDA0002808653210000032
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
Figure BDA0002808653210000033
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协同注意力机制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，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。本方法认为，用户关注的方面(aspect)不是固定的，遇到不同的短视频，关注的倾向不同。比如，观看情景剧类的短视频，更关注剧情丰富度；而观看模特走秀类的短视频，更关注人物。另外，不同的用户观看相同的短视频，关注的方面也不同。比如，年轻女性观看某情景剧短视频时，可能偏向于关注演员们的外貌；而中年男性观看某情景剧短视频时，可能更偏向于关注剧情。本方法采用协同注意力(co-attention)机制来建模以上先验知识。
本方法主要由三个部分组成，如图2所示。第一部分是将用户点击序列和目标短视频映射到多方面(aspect)空间下，并得到多方面(aspect)空间下的用户和短视频表征。第二部分是得到多方面(aspect)空间下的用户和短视频表征后，利用协同注意力(co-attention)机制得到用户和短视频不同方面(aspect)的重要性。第三部分是基于前两部分的输出结果，进行短视频点击率的预测。本方法同时也是一种基于多方面(multi-aspect)的、细粒度(fine-grained)的预测方法
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，将用户点击序列和目标短视频映射到多方面(aspect)空间下，并得到多方面(aspect)空间下的用户和短视频表征。对于一个用户的点击行为序列
Figure BDA0002808653210000037
可以表示为x＝[x1，…，xn]，其中
Figure BDA0002808653210000034
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。将用户点击序列和目标短视频映射到多方面(aspect)空间下的向量表征为：
qi＝ui＝Hi xnew
ui|j＝Hixj
其中，xnew为目标短视频向量表征，xj是输入短视频序列中第j个短视频向量表征，Hi是短视频到第i个方面(aspect)空间的转换矩阵，短视频方面(aspect)的个数是M，本方法M设置为5。目标短视频在不同方面(aspect)空间下的向量表征表示为Q＝{qi，i∈[1，M]且
Figure BDA0002808653210000035
}，。得到用户短视频序列在不同方面(aspect)空间下的向量表征后，使用循环神经网络(RNN)去抽取不同空间下的短视频序列性：
pi＝RNNi(ui|j)
其中，ui|j表示用户短视频序列中第j个短视频在第i个方面(aspect)空间下的表征。RNNi(ui|j)表示采用循环神经网络(RNN)对第i个方面(aspect)空间下的[ui|1，ui|2，ui|3，...，ui|l]列表进行建模。用户在不同方面(aspect)空间下的向量表征表示为P＝{pi，i∈[1，M]且
Figure BDA0002808653210000036
}。本方法中采用的循环神经网络结构是长短时记忆网络(LSTM)，不同方面(aspect)空间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，以下公式省略方面(aspect)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。
S200，利用协同注意力(co-attention)机制得到用户和目标短视频的不同方面(aspect)的重要性。
Figure BDA0002808653210000045
Figure BDA0002808653210000046
αnew＝softmax(φ(QWy+S(PWx))vy)
其中，P是用户在不同方面(aspect)空间下的向量表征，Q是目标短视频在不同方面(aspect)空间下的向量表征。Ws、Wx、Wy、vx和vy是模型训练参数，φ是ReLU激活函数，公式为φ(x)＝max(0，x)。softmax表示softmax函数。矩阵S表示用户在不同方面(aspect)空间下的向量表征和目标短视频在不同方面(aspect)空间下的向量表征的相似度。
S300，根据用户和目标短视频多方面(aspect)空间下的表征，以及相对应的重要性，预测用户对目标短视频的点击率。
Figure BDA0002808653210000041
其中，αu，i是用户第i个方面(aspect)特征的重要性，αnew，i是目标短视频第i个方面(aspect)特征的重要性。pi是用户在第i个方面(aspect)空间下的向量表征，qi是目标短视频在第i个方面(aspect)空间下的向量表征。参数b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 BDA0002808653210000042
计算预测值
Figure BDA0002808653210000043
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 BDA0002808653210000044
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)

1.一种基于协同注意力机制的短视频点击率预测方法，其特征在于：
将用户点击序列和目标短视频映射到多方面(aspect)空间下，并得到多方面(aspect)空间下的用户和短视频表征；对于一个用户的点击行为序列
Figure FDA0003247185130000011
可以表示为X＝[x1，…，xn]，其中
Figure FDA0003247185130000012
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；将用户点击序列和目标短视频映射到多方面(aspect)空间下的向量表征为：
qi＝ui＝Hixnew
ui|j＝Hixj
其中，xnew为目标短视频向量表征，xj是输入短视频序列中第j个短视频向量表征，Hi是短视频到第i个方面(aspect)空间的转换矩阵，短视频方面(aspect)的个数是M；目标短视频在不同方面(aspect)空间下的向量表征表示为
Figure FDA0003247185130000013
得到用户短视频序列在不同方面(aspect)空间下的向量表征后，使用长短时记忆网络(LSTM)去抽取不同空间下的短视频序列性：
pi＝LSTMi(ui|j)
其中，ui|j表示用户短视频序列中第j个短视频在第i个方面(aspect)空间下的表征；LSTMi(ui|j)表示采用长短时记忆网络对第i个方面(aspect)空间下的[ui|1，ui|2，ui|3，...，ui|l]列表进行建模，长短时记忆网络(LSTM)属于循环神经网络方法(RNN)；用户在不同方面(aspect)空间下的向量表征表示为
Figure FDA0003247185130000014
Figure FDA0003247185130000015
利用协同注意力(co-attention)机制得到用户和目标短视频的不同方面(aspect)的重要性；
S＝φ(PWsQT)
αu＝softmax(φ(PWx+ST(QWy))vx)
αnew＝softmax(φ(QWy+S(PWx))vy)
其中，P是用户在不同方面(aspect)空间下的向量表征，Q是目标短视频在不同方面(aspect)空间下的向量表征；Ws、Wx、Wy、vx和vy是模型训练参数，φ是ReLU激活函数，公式为φ(x)＝max(0，x)；softmax表示softmax函数；矩阵S表示用户在不同方面(aspect)空间下的向量表征和目标短视频在不同方面(aspect)空间下的向量表征的相似度；
根据用户和目标短视频多方面(aspect)空间下的表征，以及相对应的重要性，预测用户对目标短视频的点击率；
Figure FDA0003247185130000016
其中，αu，i是用户第i个方面(aspect)特征的重要性，αnew，i是目标短视频第i个方面(aspect)特征的重要性；pi是用户在第i个方面(aspect)空间下的向量表征，qi是目标短视频在第i个方面(aspect)空间下的向量表征；参数b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 FDA0003247185130000017
计算预测值
Figure FDA0003247185130000018
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 FDA0003247185130000019
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所述的一种基于协同注意力机制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，不同方面(aspect)空间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，以上公式省略方面(aspect)空间参数i；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hj-1和当前输入uj共同参与计算，来输出结果hj。
CN202011381704.XA 2020-12-01 2020-12-01 一种基于协同注意力机制的短视频点击率预测方法 Active CN112395505B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011381704.XA CN112395505B (zh) 2020-12-01 2020-12-01 一种基于协同注意力机制的短视频点击率预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011381704.XA CN112395505B (zh) 2020-12-01 2020-12-01 一种基于协同注意力机制的短视频点击率预测方法

Publications (2)

Publication Number Publication Date
CN112395505A CN112395505A (zh) 2021-02-23
CN112395505B true CN112395505B (zh) 2021-11-09

Family

ID=74604005

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011381704.XA Active CN112395505B (zh) 2020-12-01 2020-12-01 一种基于协同注意力机制的短视频点击率预测方法

Country Status (1)

Country Link
CN (1) CN112395505B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113704441B (zh) * 2021-09-06 2022-06-10 中国计量大学 一种考虑物品和物品属性特征级别重要性的会话推荐方法
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

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108388900A (zh) * 2018-02-05 2018-08-10 华南理工大学 基于多特征融合和时空注意力机制相结合的视频描述方法
CN109101896A (zh) * 2018-07-19 2018-12-28 电子科技大学 一种基于时空融合特征和注意力机制的视频行为识别方法
CN109874053A (zh) * 2019-02-21 2019-06-11 南京航空航天大学 基于视频内容理解和用户动态兴趣的短视频推荐方法
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
CN111914734A (zh) * 2020-07-29 2020-11-10 南京邮电大学 面向短视频场景的主题情感分析方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110270672A1 (en) * 2010-04-28 2011-11-03 Dustin Hillard Ad Relevance In Sponsored Search
CN105872629B (zh) * 2016-03-18 2019-08-27 合一网络技术(北京)有限公司 内容推荐方法、装置及系统
US20180089706A1 (en) * 2016-09-29 2018-03-29 Chian Chiu Li Systems And Methods for Generating Surveys
CN110737783B (zh) * 2019-10-08 2023-01-17 腾讯科技（深圳）有限公司 一种推荐多媒体内容的方法、装置及计算设备
CN111222054B (zh) * 2020-01-03 2020-12-11 中国计量大学 一种基于上下文邻居关系建模的会话社交推荐方法
CN111339433B (zh) * 2020-05-21 2020-08-21 腾讯科技（深圳）有限公司 基于人工智能的信息推荐方法、装置、电子设备
CN111679916B (zh) * 2020-08-11 2020-11-27 北京搜狐新媒体信息技术有限公司 一种视频推荐方法、目标服务提供端、服务调用端及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108388900A (zh) * 2018-02-05 2018-08-10 华南理工大学 基于多特征融合和时空注意力机制相结合的视频描述方法
CN109101896A (zh) * 2018-07-19 2018-12-28 电子科技大学 一种基于时空融合特征和注意力机制的视频行为识别方法
CN109874053A (zh) * 2019-02-21 2019-06-11 南京航空航天大学 基于视频内容理解和用户动态兴趣的短视频推荐方法
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
CN111914734A (zh) * 2020-07-29 2020-11-10 南京邮电大学 面向短视频场景的主题情感分析方法

Also Published As

Publication number Publication date
CN112395505A (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
CN109544197B (zh) 一种用户流失预测方法和装置
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
CN107105320B (zh) 一种基于用户情绪的在线视频热度预测方法及系统
CN112395505B (zh) 一种基于协同注意力机制的短视频点击率预测方法
CN110381524B (zh) 基于Bi-LSTM的大场景移动流量在线预测方法、系统及存储介质
CN111460331A (zh) 一种基于时空图的会话推荐方法
CN112765461A (zh) 一种基于多兴趣胶囊网络的会话推荐方法
CN112053188A (zh) 一种基于混合深度神经网络模型的互联网广告推荐方法
CN112819575B (zh) 一种考虑重复购买行为的会话推荐方法
CN112256916B (zh) 一种基于图胶囊网络的短视频点击率预测方法
CN111831895A (zh) 一种基于lstm模型的网络舆情预警方法
US20220230740A1 (en) Method and computer program to determine user's mental state by using user's behavior data or input data
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
CN112256918A (zh) 一种基于多模态动态路由的短视频点击率预测方法
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
CN112765401B (zh) 一种基于非局部网络和局部网络的短视频推荐方法
CN113688306A (zh) 一种基于强化学习的推荐策略生成方法及装置
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
CN116795971A (zh) 一种基于生成式语言模型的人机对话场景构建系统
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
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
CN115545834A (zh) 基于图神经网络与元数据的个性化服务推荐方法
CN114386507A (zh) 内容推荐模型的训练方法、内容推荐方法和装置

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
TR01 Transfer of patent right

Effective date of registration: 20231227

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
TR01 Transfer of patent right

Effective date of registration: 20240712

Address after: 13-8, Building 9, Duhui First Station, No. 6 Xingai Avenue, Longxi Street, Yubei District, Chongqing 401120

Patentee after: Chongqing Malt Media Co.,Ltd.

Country or region after: China

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

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

Country or region before: China

TR01 Transfer of patent right