CN112437349A - 一种视频流推荐方法及相关装置 - Google Patents

一种视频流推荐方法及相关装置 Download PDF

Info

Publication number
CN112437349A
CN112437349A CN202011246942.XA CN202011246942A CN112437349A CN 112437349 A CN112437349 A CN 112437349A CN 202011246942 A CN202011246942 A CN 202011246942A CN 112437349 A CN112437349 A CN 112437349A
Authority
CN
China
Prior art keywords
characteristic
video stream
parameter
gradient
weight attenuation
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
Application number
CN202011246942.XA
Other languages
English (en)
Other versions
CN112437349B (zh
Inventor
杨如琦
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.)
Hangzhou Juangua Network Co Ltd
Original Assignee
Hangzhou Shiqu Information and Technology Co Ltd
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 Hangzhou Shiqu Information and Technology Co Ltd filed Critical Hangzhou Shiqu Information and Technology Co Ltd
Priority to CN202011246942.XA priority Critical patent/CN112437349B/zh
Publication of CN112437349A publication Critical patent/CN112437349A/zh
Application granted granted Critical
Publication of CN112437349B publication Critical patent/CN112437349B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H04N21/4668—Learning process for intelligent management, e.g. learning user preferences for recommending movies for recommending content, e.g. movies
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/4508—Management of client data or end-user data
    • H04N21/4532—Management of client data or end-user data involving end-user characteristics, e.g. viewer profile, preferences
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H04N21/4662—Learning process for intelligent management, e.g. learning user preferences for recommending movies characterized by learning algorithms
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H04N21/4667—Processing of monitored end-user data, e.g. trend analysis based on the log file of viewer selections

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请公开了一种视频流推荐方法，包括：构建特征样本；在利用所述特征样本训练deep模型的过程中，利用AdaDelta优化器优化所述deep模型的特征参数；其中，所述AdaDelta优化器以权重衰减参数作为正则化项，且在特征门限范围内，所述权重衰减参数与所述特征样本中特征出现的频次呈负相关；利用训练完成的所述deep模型进行视频流推荐。该方法能够提高视频流推荐的可靠性，能够较好的适用于引入增量学习的视频流推荐场景。本申请还公开了一种视频流推荐装置、设备以及计算机可读存储介质，均具有上述技术效果。

Description

一种视频流推荐方法及相关装置
技术领域
本申请涉及视频播放技术领域，特别涉及一种视频流推荐方法；还涉及一种视频流推荐装置、设备以及计算机可读存储介质。
背景技术
在各类网站的网页中以及各类APP的界面中大多具有进行视频流推荐的需求。视频流推荐往往基于深度学习模型实现，模型的性能直接关乎视频流推荐效果。自然，模型性能越稳定，越能够准确可靠的进行视频流推荐。因此，提供如何提高视频流推荐的可靠性已日益成为关注的交点，提供一种可靠的视频流推荐方案已成为本领域技术人员亟待解决的技术问题。
发明内容
本申请的目的是提供一种视频流推荐方法，能够提高视频流推荐的可靠性。本申请的另一个目的是提供一种视频流推荐装置、设备以及计算机可读存储介质，均具有上述技术效果。
为解决上述技术问题，本申请提供了一种视频流推荐方法，包括：
构建特征样本；
在利用所述特征样本训练deep模型的过程中，利用AdaDelta优化器优化所述deep模型的特征参数；其中，所述AdaDelta优化器以权重衰减参数作为正则化项，且在特征门限范围内，所述权重衰减参数与所述特征样本中特征出现的频次呈负相关；
利用训练完成的所述deep模型进行视频流推荐。
可选的，所述利用AdaDelta优化器优化所述deep模型的特征参数包括：
利用所述AdaDelta优化器计算梯度；
利用所述权重衰减参数，根据公式：X(t)＝X(t-1)–X(t-1)*wd；wd＝(1+C*max(N–freq，0)/N)更新特征参数；
利用所述梯度，依据公式X'(t)＝X(t)–g(t)更新特征参数；
其中，g(t)表示梯度，X(t)表示利用权重衰减参数对特征参数X(t-1)进行更新所得的特征参数，X'(t)表示利用梯度对特征参数X(t)进行更新所得的特征参数，wd表示权重衰减参数，C表示惩罚倍数，N表示特征门限，freq表示特征样本中特征出现的频次。
可选的，所述构建特征样本包括：
以历史推荐的视频流对应的视频ID以及用户历史点击序列中的视频ID作为特征得到所述特征样本。
可选的，还包括：
调整所述惩罚倍数与所述特征门限的数值。
为解决上述技术问题，本申请还提供了一种视频流推荐装置，包括：
构建模块，用于构建特征样本；
训练模块，用于在利用所述特征样本训练deep模型的过程中，利用AdaDelta优化器优化所述deep模型的特征参数；其中，所述AdaDelta优化器以权重衰减参数作为正则化项，且在特征门限范围内，所述权重衰减参数与所述特征样本中特征出现的频次呈负相关；
推荐模块，用于利用训练完成的所述deep模型进行视频流推荐。
可选的，所述训练模块包括：
梯度计算单元，用于利用所述AdaDelta优化器计算梯度；
第一特征参数更新单元，用于利用所述权重衰减参数，根据公式：X(t)＝X(t-1)–X(t-1)*wd；wd＝(1+C*max(N–freq，0)/N)更新特征参数；
第二特征参数更新单元，用于利用所述梯度，依据公式X'(t)＝X(t)–g(t)更新特征参数；
其中，g(t)表示梯度，X(t)表示利用权重衰减参数对特征参数X(t-1)进行更新所得的特征参数，X'(t)表示利用梯度对特征参数X(t)进行更新所得的特征参数，wd表示权重衰减参数，C表示惩罚倍数，N表示特征门限，freq表示特征样本中特征出现的频次。
可选的，所述构建模块具体用于以历史推荐的视频流对应的视频ID以及用户历史点击序列中的视频ID作为特征得到所述特征样本。
可选的，还包括：
调整模块，用于调整所述惩罚倍数与所述特征门限的数值。
为解决上述技术问题，本申请还提供了一种视频流推荐设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如上所述的视频流推荐方法的步骤。
为解决上述技术问题，本申请还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上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的视频流推荐方法的步骤。
本申请所提供的视频流推荐方法，包括：构建特征样本；在利用所述特征样本训练deep模型的过程中，利用AdaDelta优化器优化所述deep模型的特征参数；其中，所述AdaDelta优化器以权重衰减参数作为正则化项，且在特征门限范围内，所述权重衰减参数与所述特征样本中特征出现的频次呈负相关；利用训练完成的所述deep模型进行视频流推荐。
可见，本申请所提供的视频流推荐方法，在模型训练过程中，采用以权重衰减参数作为正则化项的AdaDelta优化器更新模型中的参数，且在特征门限范围内，权重衰减参数与特征出现的频次呈负相关，由此对于出现频次不同的特征以及当同一特征的出现频次发生变化时，相应的权重衰减参数会不同，即正则力度会不同，从而可以训练得到稳定性更好的deep模型，进而利用此稳定性更好的deep模型能够更加准确可靠的进行视频流推荐。
本申请所提供的视频流推荐装置、设备以及计算机可读存储介质均具有上述技术效果。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对现有技术和实施例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的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例所提供的一种视频流推荐方法的流程示意图；
图2为本申请实施例所提供的一种视频流推荐装置的示意图；
图3为本申请实施例所提供的一种视频流推荐设备的示意图。
具体实施方式
本申请的核心是提供一种视频流推荐方法，能够提高视频流推荐的可靠性。本申请的另一个核心是提供一种视频流推荐装置、设备以及计算机可读存储介质，均具有上述技术效果。
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
请参考图1，图1为本申请实施例所提供的一种视频流推荐方法的流程示意图，参考图1所示，该方法包括：
S101：构建特征样本；
具体的，本申请所提供的视频流推荐方法主要包括三个步骤：构建样本、训练模型以及推荐视频流。其中，本步骤旨在构建特征样本，以进一步利用特征样本训练deep模型。
在一种具体实施方式中，构建特征样本的方式为：以历史推荐的视频流对应的视频ID以及用户历史点击序列中的视频ID作为特征得到特征样本。具体而言，获取网站或APP(如蘑菇街)界面推荐的视频流样本，每一条视频流样本对应一个真实曝光的视频，每一个视频对应一个视频ID。用户在网站或APP界面点击会产生一系列的历史点击序列，这些点击序列由视频ID构成。将各真实曝光的视频对应的视频ID以及用户的历史点击序列中的视频ID组合成一个ID集合，并将此ID集合作为一个字典。字典中的每一个视频ID都是一维特征，用于后续的模型训练。
S102：在利用特征样本训练deep模型的过程中，利用AdaDelta优化器优化deep模型的特征参数；其中，AdaDelta优化器以权重衰减参数作为正则化项，且在特征门限范围内，权重衰减参数与特征样本中特征出现的频次呈负相关；
具体的，在模型训练过程中，本申请采用AdaDelta优化器来优化deep模型的特征参数，其中，所采用的AdaDelta优化器设置有正则化项，并且是以权重衰减(weight decay)参数作为正则化项。另外，在特征门限范围内，此权重衰减参数与特征样本中特征出现的频次呈负相关。也就是说，在特征门限范围内，频次不同，权重衰减参数也不同，即正则力度不同，从而相较于不同参数的正则力度始终一致，正则力度随特征出现的频次动态变化可以有效提高模型的稳定性。其中，特征门限范围的上限值为预设的特征门限的数值，在特征门限范围内是指小于特征门限范围的上限值。在特征出现的频次小于此特征门限的数值的情况下，权重衰减参数与特征样本中特征出现的频次呈负相关。
在一种具体的实施方式中，利用AdaDelta优化器优化deep模型的特征参数的方式可以如下：
利用AdaDelta优化器计算梯度；
利用权重衰减参数，根据公式：X(t)＝X(t-1)–X(t-1)*wd；wd＝(1+C*max(N–freq，0)/N)更新特征参数；
利用梯度，依据公式X'(t)＝X(t)–g(t)更新特征参数；
其中，g(t)表示梯度，X(t)表示利用权重衰减参数对特征参数X(t-1)进行更新所得的特征参数，X'(t)表示利用梯度对特征参数X(t)进行更新所得的特征参数，wd表示权重衰减参数，C表示惩罚倍数，N表示特征门限，freq表示特征样本中特征出现的频次。
具体而言，计算梯度，在AdaDelta优化器中，可使用c++语言来实现。理论上，AdaDelta优化器没有lr(即超参学习率)参数，但是AdaDelta优化器的tf源码实现函数中具有lr形参，且其参数值默认为0.01。在tensorflow的google源码中lr参数用来乘以更新后的梯度。为了得到更好的训练效果，可将lr参数的值设置为1.0。对于利用AdaDelta优化器计算梯度的过程，本申请在此不做赘述，参数现有的梯度计算过程即可。
进一步，得到AdaDelta优化器返回的梯度后，首先利用权重衰减参数，根据公式X(t)＝X(t-1)–X(t-1)*wd；wd＝(1+C*max(N–freq，0)/N)更新特征参数。得到利用权重衰减参数更新后的特征参数后，进而利用梯度，依据公式X'(t)＝X(t)–g(t)再次更新特征参数。
上式中，惩罚倍数C可以设置为1.5，特征门限N可以设置为1000。当然，根据应用需要还可以设置为其他数值，并可结合实际情况进行调整。
由公式X(t)＝X(t-1)–X(t-1)*wd；wd＝(1+C*max(N–freq，0)/N)可知，在特征门限范围内，即在特征出现的频次小于特征门限N的数值的情况下，权重衰减参数与特征样本中特征出现的频次呈负相关，而当特征出现的频次大于或等于特征门限N的数值后，无论特征样本中特征出现的频次是多少，对应的权重衰减参数固定不变。
其中，特征样本中特征出现的频次可在构建特征样本时进行统计，并存储在hdfs文件中，后续进行模型训练时从此hdfs文件中读取特征出现的频次即可。
S103：利用训练完成的deep模型进行视频流推荐。
具体的，完成deep模型训练后，即可利用训练完成的deep模型进行稳定可靠的视频流推荐。
综上所述，本申请所提供的视频流推荐方法，包括：构建特征样本；在利用所述特征样本训练deep模型的过程中，利用AdaDelta优化器优化所述deep模型的特征参数；其中，所述AdaDelta优化器以权重衰减参数作为正则化项，且在特征门限范围内，所述权重衰减参数与所述特征样本中特征出现的频次呈负相关；利用训练完成的所述deep模型进行视频流推荐。该方法，在模型训练过程中，采用以权重衰减参数作为正则化项的AdaDelta优化器更新模型中的参数，且在特征门限范围内，权重衰减参数与特征出现的频次呈负相关，由此对于出现频次不同的特征以及当同一特征的出现频次发生变化时，相应的权重衰减参数会不同，即正则力度会不同，从而可以训练得到稳定性更好的deep模型，进而利用此稳定性更好的deep模型能够更加准确可靠的进行视频流推荐。
本申请还提供了一种视频流推荐装置，下文描述的该装置可以与上文描述的方法相互对应参照。请参考图2，图2为本申请实施例所提供的一种视频流推荐装置的示意图，结合图2所示，该装置包括：
构建模块10，用于构建特征样本；
训练模块20，用于在利用所述特征样本训练deep模型的过程中，利用AdaDelta优化器优化所述deep模型的特征参数；其中，所述AdaDelta优化器以权重衰减参数作为正则化项，且在特征门限范围内，所述权重衰减参数与所述特征样本中特征出现的频次呈负相关；
推荐模块30，用于利用训练完成的所述deep模型进行视频流推荐。
在上述实施例的基础上，作为一种具体的实施方式，所述训练模块20包括：
梯度计算单元，用于利用所述AdaDelta优化器计算梯度；
第一特征参数更新单元，用于利用所述权重衰减参数，根据公式：X(t)＝X(t-1)–X(t-1)*wd；wd＝(1+C*max(N–freq，0)/N)更新特征参数；
第二特征参数更新单元，用于利用所述梯度，依据公式X'(t)＝X(t)–g(t)更新特征参数；
其中，g(t)表示梯度，X(t)表示利用权重衰减参数对特征参数X(t-1)进行更新所得的特征参数，X'(t)表示利用梯度对特征参数X(t)进行更新所得的特征参数，wd表示权重衰减参数，C表示惩罚倍数，N表示特征门限，freq表示特征样本中特征出现的频次。
在上述实施例的基础上，作为一种具体的实施方式，所述构建模块10具体用于以历史推荐的视频流对应的视频ID以及用户历史点击序列中的视频ID作为特征得到所述特征样本。
在上述实施例的基础上，作为一种具体的实施方式，还包括：
调整模块，用于调整所述惩罚倍数与所述特征门限的数值。
本申请还提供了一种视频流推荐设备，参考图3所示，该设备包括存储器1和处理器2。
存储器1，用于存储计算机程序；
处理器2，用于执行计算机程序实现如下的步骤：
构建特征样本；在利用特征样本训练deep模型的过程中，利用AdaDelta优化器优化deep模型的特征参数；其中，AdaDelta优化器以权重衰减参数作为正则化项，且在特征门限范围内，权重衰减参数与特征样本中特征出现的频次呈负相关；利用训练完成的deep模型进行视频流推荐。
对于本申请所提供的设备的介绍请参照上述方法实施例，本申请在此不做赘述。
本申请还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时可实现如下的步骤：
构建特征样本；在利用特征样本训练deep模型的过程中，利用AdaDelta优化器优化deep模型的特征参数；其中，AdaDelta优化器以权重衰减参数作为正则化项，且在特征门限范围内，权重衰减参数与特征样本中特征出现的频次呈负相关；利用训练完成的deep模型进行视频流推荐。
该计算机可读存储介质可以包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
对于本申请所提供的计算机可读存储介质的介绍请参照上述方法实施例，本申请在此不做赘述。
说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置、设备以及计算机可读存储介质而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本申请所提供的视频流推荐方法、装置、设备以及计算机可读存储介质进行了详细介绍。本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围。

Claims (10)

1.一种视频流推荐方法，其特征在于，包括：
构建特征样本；
在利用所述特征样本训练deep模型的过程中，利用AdaDelta优化器优化所述deep模型的特征参数；其中，所述AdaDelta优化器以权重衰减参数作为正则化项，且在特征门限范围内，所述权重衰减参数与所述特征样本中特征出现的频次呈负相关；
利用训练完成的所述deep模型进行视频流推荐。
2.根据权利要求1所述的视频流推荐方法，其特征在于，所述利用AdaDelta优化器优化所述deep模型的特征参数包括：
利用所述AdaDelta优化器计算梯度；
利用所述权重衰减参数，根据公式：X(t)＝X(t-1)–X(t-1)*wd；wd＝(1+C*max(N–freq，0)/N)更新特征参数；
利用所述梯度，依据公式X'(t)＝X(t)–g(t)更新特征参数；
其中，g(t)表示梯度，X(t)表示利用权重衰减参数对特征参数X(t-1)进行更新所得的特征参数，X'(t)表示利用梯度对特征参数X(t)进行更新所得的特征参数，wd表示权重衰减参数，C表示惩罚倍数，N表示特征门限，freq表示特征样本中特征出现的频次。
3.根据权利要求2所述的视频流推荐方法，其特征在于，所述构建特征样本包括：
以历史推荐的视频流对应的视频ID以及用户历史点击序列中的视频ID作为特征得到所述特征样本。
4.根据权利要求3所述的视频流推荐方法，其特征在于，还包括：
调整所述惩罚倍数与所述特征门限的数值。
5.一种视频流推荐装置，其特征在于，包括：
构建模块，用于构建特征样本；
训练模块，用于在利用所述特征样本训练deep模型的过程中，利用AdaDelta优化器优化所述deep模型的特征参数；其中，所述AdaDelta优化器以权重衰减参数作为正则化项，且在特征门限范围内，所述权重衰减参数与所述特征样本中特征出现的频次呈负相关；
推荐模块，用于利用训练完成的所述deep模型进行视频流推荐。
6.根据权利要求5所述的视频流推荐装置，其特征在于，所述训练模块包括：
梯度计算单元，用于利用所述AdaDelta优化器计算梯度；
第一特征参数更新单元，用于利用所述权重衰减参数，根据公式：X(t)＝X(t-1)–X(t-1)*wd；wd＝(1+C*max(N–freq，0)/N)更新特征参数；
第二特征参数更新单元，用于利用所述梯度，依据公式X'(t)＝X(t)–g(t)更新特征参数；
其中，g(t)表示梯度，X(t)表示利用权重衰减参数对特征参数X(t-1)进行更新所得的特征参数，X'(t)表示利用梯度对特征参数X(t)进行更新所得的特征参数，wd表示权重衰减参数，C表示惩罚倍数，N表示特征门限，freq表示特征样本中特征出现的频次。
7.根据权利要求6所述的视频流推荐装置，其特征在于，所述构建模块具体用于以历史推荐的视频流对应的视频ID以及用户历史点击序列中的视频ID作为特征得到所述特征样本。
8.根据权利要求7所述的视频流推荐装置，其特征在于，还包括：
调整模块，用于调整所述惩罚倍数与所述特征门限的数值。
9.一种视频流推荐设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至4任一项所述的视频流推荐方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述的视频流推荐方法的步骤。
CN202011246942.XA 2020-11-10 2020-11-10 一种视频流推荐方法及相关装置 Active CN112437349B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011246942.XA CN112437349B (zh) 2020-11-10 2020-11-10 一种视频流推荐方法及相关装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011246942.XA CN112437349B (zh) 2020-11-10 2020-11-10 一种视频流推荐方法及相关装置

Publications (2)

Publication Number Publication Date
CN112437349A true CN112437349A (zh) 2021-03-02
CN112437349B CN112437349B (zh) 2022-09-23

Family

ID=74700782

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011246942.XA Active CN112437349B (zh) 2020-11-10 2020-11-10 一种视频流推荐方法及相关装置

Country Status (1)

Country Link
CN (1) CN112437349B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113240408A (zh) * 2021-06-18 2021-08-10 中国银行股份有限公司 手机银行app推荐方法及装置

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180357540A1 (en) * 2017-06-09 2018-12-13 Korea Advanced Institute Of Science And Technology Electronic apparatus and method for optimizing trained model
CN109034387A (zh) * 2018-06-29 2018-12-18 北京师范大学 一种基于伪逆学习快速训练自编码器的近似方法
CN109766465A (zh) * 2018-12-26 2019-05-17 中国矿业大学 一种基于机器学习的图文融合图书推荐方法
CN109934864A (zh) * 2019-03-14 2019-06-25 东北大学 面向机械臂抓取位姿估计的残差网络深度学习方法
CN110378434A (zh) * 2019-07-24 2019-10-25 腾讯科技（深圳）有限公司 点击率预测模型的训练方法、推荐方法、装置及电子设备
CN110825966A (zh) * 2019-10-31 2020-02-21 广州市百果园信息技术有限公司 一种信息推荐的方法、装置、推荐服务器和存储介质
CN111144986A (zh) * 2019-12-25 2020-05-12 清华大学 一种基于分享行为的社交电商网站商品推荐方法及装置
US20200151514A1 (en) * 2018-11-09 2020-05-14 Canon Kabushiki Kaisha Training and application method of neural network model, apparatus, system and storage medium
CN111199422A (zh) * 2019-12-25 2020-05-26 浙江工商大学 融合时间衰减因子的改进lfm协同过滤方法
WO2020215962A1 (zh) * 2019-04-23 2020-10-29 腾讯科技（深圳）有限公司 视频推荐方法、装置、计算机设备及存储介质

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180357540A1 (en) * 2017-06-09 2018-12-13 Korea Advanced Institute Of Science And Technology Electronic apparatus and method for optimizing trained model
CN109034387A (zh) * 2018-06-29 2018-12-18 北京师范大学 一种基于伪逆学习快速训练自编码器的近似方法
US20200151514A1 (en) * 2018-11-09 2020-05-14 Canon Kabushiki Kaisha Training and application method of neural network model, apparatus, system and storage medium
CN109766465A (zh) * 2018-12-26 2019-05-17 中国矿业大学 一种基于机器学习的图文融合图书推荐方法
CN109934864A (zh) * 2019-03-14 2019-06-25 东北大学 面向机械臂抓取位姿估计的残差网络深度学习方法
WO2020215962A1 (zh) * 2019-04-23 2020-10-29 腾讯科技（深圳）有限公司 视频推荐方法、装置、计算机设备及存储介质
CN110378434A (zh) * 2019-07-24 2019-10-25 腾讯科技（深圳）有限公司 点击率预测模型的训练方法、推荐方法、装置及电子设备
CN110825966A (zh) * 2019-10-31 2020-02-21 广州市百果园信息技术有限公司 一种信息推荐的方法、装置、推荐服务器和存储介质
CN111144986A (zh) * 2019-12-25 2020-05-12 清华大学 一种基于分享行为的社交电商网站商品推荐方法及装置
CN111199422A (zh) * 2019-12-25 2020-05-26 浙江工商大学 融合时间衰减因子的改进lfm协同过滤方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
何蓉: "基于卷积神经网络的音乐推荐系统", 《优秀硕士论文》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113240408A (zh) * 2021-06-18 2021-08-10 中国银行股份有限公司 手机银行app推荐方法及装置

Also Published As

Publication number Publication date
CN112437349B (zh) 2022-09-23

Similar Documents

Publication Publication Date Title
CN108334575B (zh) 一种推荐结果排序修正方法及装置，电子设备
CN107463701B (zh) 基于人工智能推送信息流的方法和装置
JP6815708B2 (ja) インフルエンザ予測モデルの生成方法、装置及びコンピュータ可読記憶媒体
WO2013121181A1 (en) Method of machine learning classes of search queries
CN112579909A (zh) 对象推荐方法及装置、计算机设备和介质
CN108875931B (zh) 神经网络训练及图像处理方法、装置、系统
JP2021093120A (ja) 二言語コーパススクリーニング方法及び装置、並びに記憶媒体
KR20200107389A (ko) 생성적 적대 신경망에 기반한 평점 증강 및 아이템 추천 방법 및 시스템
CN115082920A (zh) 深度学习模型的训练方法、图像处理方法和装置
CN112437349B (zh) 一种视频流推荐方法及相关装置
CN110874635B (zh) 一种深度神经网络模型压缩方法及装置
CN109783769B (zh) 一种基于用户项目评分的矩阵分解方法和装置
CN116150327A (zh) 文本处理方法和装置
CN113869599A (zh) 鱼类疫病发展预测方法、系统、设备及介质
US20190370607A1 (en) Machine learning with small data sets
CN110533192B (zh) 强化学习方法、装置、计算机可读介质及电子设备
CN111353860A (zh) 产品信息推送方法及系统
CN108243037B (zh) 网站流量异常确定方法及装置
CN115204381A (zh) 弱监督模型训练方法及装置、电子设备
CN112700270B (zh) 评分数据处理方法、装置、设备及存储介质
CN110851647B (zh) 音频内容流量智能分配方法、装置、设备及可读存储介质
CN110147881B (zh) 语言处理方法、装置、设备及存储介质
CN113886686A (zh) 向用户推荐物品信息的方法、设备、存储介质及程序产品
CN117216081B (zh) 题库自动更新方法、装置、电子设备和存储介质
CN111209531B (zh) 关联度的处理方法、装置和存储介质

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20221220

Address after: 310000 Room 2601, Building 1, Huanglong International Center, No. 77, Xueyuan Road, Cuiyuan Street, Xihu District, Hangzhou, Zhejiang Province (Room 2201, actual floor)

Patentee after: HANGZHOU JUANGUA NETWORKS Co.,Ltd.

Address before: Room 1001, building 1, Zheshang wealth center, Xihu District, Hangzhou City, Zhejiang Province, 310012

Patentee before: HANGZHOU SHIQU INFORMATION TECHNOLOGY Co.,Ltd.