CN112616072B - 一种基于用户正负反馈信息的短视频点击率预测方法 - Google Patents

一种基于用户正负反馈信息的短视频点击率预测方法 Download PDF

Info

Publication number
CN112616072B
CN112616072B CN202011441735.XA CN202011441735A CN112616072B CN 112616072 B CN112616072 B CN 112616072B CN 202011441735 A CN202011441735 A CN 202011441735A CN 112616072 B CN112616072 B CN 112616072B
Authority
CN
China
Prior art keywords
user
short video
sequence
negative feedback
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
CN202011441735.XA
Other languages
English (en)
Other versions
CN112616072A (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.)
Jiangsu Shuying Cloud 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 CN202011441735.XA priority Critical patent/CN112616072B/zh
Publication of CN112616072A publication Critical patent/CN112616072A/zh
Application granted granted Critical
Publication of CN112616072B publication Critical patent/CN112616072B/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]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
    • H04N21/251—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • 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
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
    • H04N21/258—Client or end-user data management, e.g. managing client capabilities, user preferences or demographics, processing of multiple end-users preferences to derive collaborative data
    • H04N21/25866—Management of end-user data
    • H04N21/25891—Management of end-user data being end-user 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
    • H04N21/4508—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
    • H04N21/4666—Learning process for intelligent management, e.g. learning user preferences for recommending movies characterized by learning algorithms using neural networks, e.g. processing the feedback provided by the user
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Signal Processing (AREA)
  • Multimedia (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Graphics (AREA)
  • Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于用户正负反馈信息的短视频点击率预测方法。该方法根据用户对短视频的点击和未点击序列，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：第一部分是将用户行为序列分割成块(block)序列。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。第二部分是分别采用基于目标短视频注意力机制的循环神经网络方法和目标短视频注意力机制方法从用户点击和未点击序列中抽取用户的兴趣特征。第三部分是基于从用户点击序列和未点击序列中抽取的用户兴趣特征，进行短视频点击率的预测。

Description

一种基于用户正负反馈信息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用户正负反馈信息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。
Chen等人的方法只采用了用户的正反馈信息，没有考虑用户负反馈信息对推荐的影响。Li等人的方法没有考虑到用户的正反馈信息和负反馈信息之间差异性，采用相同的模型结构来处理正反馈和负反馈信息。通常来讲，用户的兴趣是动态变化的，但是厌恶点是相对稳定的。用户的点击行为具有较强的序列性，而未点击行为则不存在这样的规律。并且在短视频平台中，用户的行为非常丰富，所以我们只关注和目标短视频相关的的用户行为。对于用户的点击序列，本方法采用基于目标短视频注意力机制的循环神经网络方法；对于用户的未点击序列，本方法采用目标短视频注意力机制方法。
发明内容
本发明所要解决的技术问题是根据用户对短视频的点击和未点击序列，预测用户对目标短视频的点击率。本方法分别采用基于目标短视频注意力机制的循环神经网络方法和目标短视频注意力机制方法从用户点击和未点击序列中抽取用户的兴趣特征。为此，本发明采用以下技术方案：
一种基于用户正负反馈信息的短视频点击率预测方法，包括以下步骤：
将用户正反馈信息和负反馈信息分割成块，且从块中抽取特征。对于一个用户的点击行为序列
Figure BDA00028225557600000114
可以表示为
Figure BDA0002822555760000011
其中
Figure BDA0002822555760000012
是短视频的封面图特征向量，d是特征向量长度。因为短视频时长较短，造成用户的行为序列比较长。所以，本方法用一个长度为w的窗口将序列X+分割成m个块，用户在一个块里的交互的短视频往往比较相似。此时，每个块特征表征的计算方式如下：
Figure BDA0002822555760000013
其中，
Figure BDA0002822555760000014
为用户在第k个块的偏好特征。虽然求和的方式会丢失掉一部分信息，但是主要的信息会被保留，这正是我们所需要的。本方法采用相同的方式处理用户的负反馈信息，得到负反馈的块表征
Figure BDA0002822555760000015
基于用户正反馈序列捕捉用户行为的序列性，得到目标短视频相关的用户兴趣表征v+。
Figure BDA0002822555760000016
Figure BDA0002822555760000017
Figure BDA0002822555760000018
其中，
Figure BDA0002822555760000019
为用户在正反馈序列的第k个块的偏好特征,xnew是目标短视频向量表征。
Figure BDA00028225557600000110
是转换矩阵。
Figure BDA00028225557600000111
是正反馈序列中的第k个块的偏好特征和目标短视频的相关性。
Figure BDA00028225557600000112
表示采用循环神经网络(RNN)对序列
Figure BDA00028225557600000113
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),如下:
Figure BDA0002822555760000021
Figure BDA0002822555760000022
Figure BDA0002822555760000023
Figure BDA0002822555760000024
hk＝okck
其中，长短期记忆网络的最后一层的隐藏状态hk的输出就是用户兴趣表征v+。
Figure BDA0002822555760000025
是当前层的节点输入，
Figure BDA0002822555760000026
和
Figure BDA0002822555760000027
分别是控制输入门ik、遗忘门fk和输出门ok的参数。σ为sigmoid函数。所有这些参数和输入：隐层状态
Figure BDA0002822555760000028
当前输入
Figure BDA0002822555760000029
共同参与计算，来输出结果hk。
基于用户负反馈序列，捕捉和目标短视频相关的用户兴趣表征v-。本方法采用注意力机制方法：
Figure BDA00028225557600000210
Figure BDA00028225557600000211
Figure BDA00028225557600000212
其中，
Figure BDA00028225557600000213
为用户在负反馈序列中的第k个块的偏好特征,xnew是目标短视频向量表征。
Figure BDA00028225557600000214
是转换矩阵。
Figure BDA00028225557600000215
是负反馈序列中的第k个块的偏好特征和目标短视频的相关性。
根据用户兴趣表征，预测用户对目标短视频的点击率。
o＝concat(v+,v-)
Figure BDA00028225557600000216
其中，v+,v-分别为从用户正反馈和负反馈中抽取的用户兴趣。concat表示把两个向量连接。
Figure BDA00028225557600000217
Figure BDA00028225557600000218
和
Figure BDA00028225557600000219
是转移矩阵，
Figure BDA00028225557600000220
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 BDA00028225557600000221
计算预测值
Figure BDA00028225557600000222
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 BDA00028225557600000223
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用户正负反馈信息的短视频点击率预测方法，考虑到用户的兴趣是动态变化的，但是厌恶点是相对稳定的特点。也就是，用户的点击行为具有较强的序列性，而未点击行为则不存在这样的规律。所以，采用不同的方法分别从正负反馈信息中抽取用户兴趣特征。
(2)本发明认为在短视频平台中，用户的行为非常丰富，只关注和目标短视频相关的的用户行为更有利于推荐的准确性。所以，采用基于目标短视频的注意力机制从序列中抽取和目标短视频相关的特征。
附图说明
图1为本发明一种基于用户正负反馈信息的短视频点击率预测方法的流程示意图；
图2为本发明一种基于用户正负反馈信息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用户正负反馈信息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。用户的历史序列表示为
Figure BDA0002822555760000031
Figure BDA0002822555760000032
其中p∈{+,-}分别代表点击和未点击行为，xj代表第j个短视频，l是序列的长度。整个序列可以进一步细分为点击序列
Figure BDA0002822555760000033
和未点击序列
Figure BDA0002822555760000034
也就是正反馈和负反馈信息。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 BDA00028225557600000327
未点击的序列
Figure BDA00028225557600000328
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用户正负反馈信息的短视频点击率预测方法。它根据用户对短视频的点击和未点击序列，预测用户对目标短视频的点击率。这里的用户短视频序列输入的是短视频的封面图向量表征。通常来讲，用户的兴趣是动态变化的，但是厌恶点是相对稳定的。用户的点击行为具有较强的序列性，而未点击行为则不存在这样的规律。并且在短视频平台中，用户的行为非常丰富，所以我们只关注和目标短视频相关的的用户行为。对于用户的点击序列，本方法采用基于目标短视频注意力机制的循环神经网络方法；对于用户的未点击序列，本方法采用目标短视频注意力机制方法。
本方法主要由三个部分组成，如图2所示。第一部分是将用户行为序列分割成块(block)序列。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。第二部分是分别采用基于目标短视频注意力机制的循环神经网络方法和目标短视频注意力机制方法从用户点击和未点击序列中抽取用户的兴趣特征。第三部分是基于从用户点击序列和未点击序列中抽取的用户兴趣特征，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，将用户正反馈信息和负反馈信息分割成块，且从块中抽取特征。对于一个用户的点击行为序列
Figure BDA00028225557600000329
可以表示为
Figure BDA0002822555760000035
其中
Figure BDA0002822555760000036
是短视频的封面图特征向量，d是特征向量长度。因为短视频时长较短，造成用户的行为序列比较长。所以，本方法用一个长度为w的窗口将序列X+分割成m个块，用户在一个块里的交互的短视频往往比较相似。此时，每个块特征表征的计算方式如下：
Figure BDA0002822555760000037
其中，
Figure BDA0002822555760000038
为用户在第k个块的偏好特征。虽然求和的方式会丢失掉一部分信息，但是主要的信息会被保留，这正是我们所需要的。本方法采用相同的方式处理用户的负反馈信息，得到负反馈的块表征
Figure BDA0002822555760000039
S200，基于用户正反馈序列捕捉用户行为的序列性，得到目标短视频相关的用户兴趣表征v+。
Figure BDA00028225557600000310
Figure BDA00028225557600000311
Figure BDA00028225557600000312
其中，
Figure BDA00028225557600000313
为用户在正反馈序列的第k个块的偏好特征,xnew是目标短视频向量表征。
Figure BDA00028225557600000314
是转换矩阵。
Figure BDA00028225557600000315
是正反馈序列中的第k个块的偏好特征和目标短视频的相关性。
Figure BDA00028225557600000316
表示采用循环神经网络(RNN)对序列
Figure BDA00028225557600000317
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),如下:
Figure BDA00028225557600000318
Figure BDA00028225557600000319
Figure BDA00028225557600000320
Figure BDA00028225557600000321
hk＝okck
其中，长短期记忆网络的最后一层的隐藏状态hk的输出就是用户兴趣表征v+。
Figure BDA00028225557600000322
是当前层的节点输入，
Figure BDA00028225557600000323
和
Figure BDA00028225557600000324
分别是控制输入门ik、遗忘门fk和输出门ok的参数。σ为sigmoid函数。所有这些参数和输入：隐层状态
Figure BDA00028225557600000325
当前输入
Figure BDA00028225557600000326
共同参与计算，来输出结果hk。
S300,基于用户负反馈序列，捕捉和目标短视频相关的用户兴趣表征v-。本方法采用注意力机制方法：
Figure BDA0002822555760000041
Figure BDA0002822555760000042
Figure BDA0002822555760000043
其中，
Figure BDA0002822555760000044
为用户在负反馈序列中的第k个块的偏好特征,xnew是目标短视频向量表征。
Figure BDA0002822555760000045
是转换矩阵。
Figure BDA0002822555760000046
是负反馈序列中的第k个块的偏好特征和目标短视频的相关性。
S400，根据用户兴趣表征，预测用户对目标短视频的点击率。
O＝concat(v+,v-)
Figure BDA0002822555760000047
其中，v+,v-分别为从用户正反馈和负反馈中抽取的用户兴趣。concat表示把两个向量连接。
Figure BDA0002822555760000048
Figure BDA0002822555760000049
和
Figure BDA00028225557600000410
是转移矩阵，
Figure BDA00028225557600000411
是偏置向量，b2是偏置标量。σ是sigmoid激活函数。
S500，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 BDA00028225557600000412
计算预测值
Figure BDA00028225557600000413
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 BDA00028225557600000414
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)

1.一种基于用户正负反馈信息的短视频点击率预测方法，其特征在于：
将用户正反馈信息和负反馈信息分割成块，且从块中抽取特征；对于一个用户的点击行为序列
Figure FDA0003265601310000011
可以表示为
Figure FDA0003265601310000012
其中
Figure FDA0003265601310000013
表示任一短视频的封面图特征向量，d代表短视频的封面图特征向量
Figure FDA0003265601310000014
的长度；因为短视频时长较短，造成用户的行为序列比较长；所以，用一个长度为w的窗口将序列x+分割成m个块，用户在一个块里的交互的短视频往往比较相似；此时，每个块特征表征的计算方式如下：
Figure FDA0003265601310000015
其中，
Figure FDA0003265601310000016
为用户在第k个块的偏好特征；虽然求和的方式会丢失掉一部分信息，但是主要的信息会被保留，这正是我们所需要的；采用相同的方式处理用户的负反馈信息，得到负反馈的块表征
Figure FDA0003265601310000017
基于用户正反馈序列捕捉用户行为的序列性，得到目标短视频相关的用户兴趣表征v+；
Figure FDA0003265601310000018
Figure FDA0003265601310000019
Figure FDA00032656013100000110
其中，
Figure FDA00032656013100000111
为用户在正反馈序列的第k个块的偏好特征，xnew是目标短视频向量表征；
Figure FDA00032656013100000112
是转换矩阵；
Figure FDA00032656013100000113
是正反馈序列中的第k个块的偏好特征和目标短视频的相关性；
Figure FDA00032656013100000114
表示采用循环神经网络(RNN)对序列
Figure FDA00032656013100000115
进行建模；采用的循环神经网络结构是长短时记忆网络(LSTM)；
基于用户负反馈序列，捕捉和目标短视频相关的用户兴趣表征v-；采用注意力机制方法：
Figure FDA00032656013100000116
Figure FDA00032656013100000117
Figure FDA00032656013100000118
其中，
Figure FDA00032656013100000119
为用户在负反馈序列中的第k个块的偏好特征，xnew是目标短视频向量表征；
Figure FDA00032656013100000120
是转换矩阵；
Figure FDA00032656013100000121
是负反馈序列中的第k个块的偏好特征和目标短视频的相关性；
根据用户兴趣表征，预测用户对目标短视频的点击率；
O＝concat(v+，v-)
Figure FDA00032656013100000122
其中，v+，v-分别为从用户正反馈和负反馈中抽取的用户兴趣；concat表示把两个向量连接；
Figure FDA00032656013100000123
Figure FDA00032656013100000124
和
Figure FDA00032656013100000125
是转移矩阵，
Figure FDA00032656013100000126
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 FDA00032656013100000127
计算预测值
Figure FDA00032656013100000128
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 FDA00032656013100000129
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所述的一种基于用户正负反馈信息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：
Figure FDA00032656013100000130
Figure FDA00032656013100000131
Figure FDA00032656013100000132
Figure FDA00032656013100000133
hk＝okck
其中，长短期记忆网络的最后一层的隐藏状态hk的输出就是用户兴趣表征v+；
Figure FDA00032656013100000134
是当前层的节点输入，
Figure FDA0003265601310000021
和
Figure FDA0003265601310000022
和
Figure FDA0003265601310000023
分别是控制输入门ik、遗忘门fk和输出门ok的参数；Wc、Uc和bc是控制单元状态ck更新的参数，ck-1表示上一层的单元；σ为sigmoid函数；所有这些参数和输入：隐层状态
Figure FDA0003265601310000024
当前输入
Figure FDA0003265601310000025
共同参与计算，来输出结果hk。
CN202011441735.XA 2020-12-08 2020-12-08 一种基于用户正负反馈信息的短视频点击率预测方法 Active CN112616072B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011441735.XA CN112616072B (zh) 2020-12-08 2020-12-08 一种基于用户正负反馈信息的短视频点击率预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011441735.XA CN112616072B (zh) 2020-12-08 2020-12-08 一种基于用户正负反馈信息的短视频点击率预测方法

Publications (2)

Publication Number Publication Date
CN112616072A CN112616072A (zh) 2021-04-06
CN112616072B true CN112616072B (zh) 2021-10-26

Family

ID=75232734

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011441735.XA Active CN112616072B (zh) 2020-12-08 2020-12-08 一种基于用户正负反馈信息的短视频点击率预测方法

Country Status (1)

Country Link
CN (1) CN112616072B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016071150A (ja) * 2014-09-30 2016-05-09 キヤノン株式会社 交換レンズ装置、撮像装置および制御プログラム
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
CN110555112A (zh) * 2019-08-22 2019-12-10 桂林电子科技大学 一种基于用户正负偏好学习的兴趣点推荐方法
CN111177575A (zh) * 2020-04-07 2020-05-19 腾讯科技（深圳）有限公司 一种内容推荐方法、装置、电子设备和存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016071150A (ja) * 2014-09-30 2016-05-09 キヤノン株式会社 交換レンズ装置、撮像装置および制御プログラム
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
CN110555112A (zh) * 2019-08-22 2019-12-10 桂林电子科技大学 一种基于用户正负偏好学习的兴趣点推荐方法
CN111177575A (zh) * 2020-04-07 2020-05-19 腾讯科技（深圳）有限公司 一种内容推荐方法、装置、电子设备和存储介质

Also Published As

Publication number Publication date
CN112616072A (zh) 2021-04-06

Similar Documents

Publication Publication Date Title
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
CN110796313B (zh) 一种基于带权图卷积和项目吸引力模型的会话推荐方法
CN112395504B (zh) 一种基于序列胶囊网络的短视频点击率预测方法
CN116010684A (zh) 物品推荐方法、装置及存储介质
CN112256916B (zh) 一种基于图胶囊网络的短视频点击率预测方法
CN115270001B (zh) 基于云端协同学习的隐私保护推荐方法及系统
CN112819575B (zh) 一种考虑重复购买行为的会话推荐方法
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
CN112307258B (zh) 一种基于双层胶囊网络的短视频点击率预测方法
CN114282077A (zh) 一种基于会话数据的会话推荐方法及系统
CN112199550B (zh) 一种基于情感胶囊网络的短视频点击率预测方法
CN112395505B (zh) 一种基于协同注意力机制的短视频点击率预测方法
CN112256918B (zh) 一种基于多模态动态路由的短视频点击率预测方法
CN114528490A (zh) 一种基于用户长短期兴趣的自监督序列推荐方法
CN111125428A (zh) 基于评分预测函数拟合结构的时间相关电影推荐方法
CN113836406A (zh) 信息流推荐方法及装置
CN117575706A (zh) 信息推送方法、装置、非易失性存储介质及电子设备
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
CN112765401B (zh) 一种基于非局部网络和局部网络的短视频推荐方法
CN105373591B (zh) 移动社交网络中基于时空行为模式的用户兴趣模型构建方法
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
CN115545960B (zh) 一种电子信息数据交互系统及方法
CN112559905B (zh) 一种基于双模式注意力机制和社交相似度的会话推荐方法
CN115545834A (zh) 基于图神经网络与元数据的个性化服务推荐方法

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: 20231213

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

Effective date of registration: 20240920

Address after: Room 901, Room 902, Room 911, Room 912, Building 16, Changzhou Tian'an Digital City, 588 Changwu South Road, Wujin National High tech Industrial Development Zone, Changzhou City, Jiangsu Province 213000

Patentee after: Jiangsu Shuying Cloud Network Technology 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