CN112765484B - 短视频推送方法、装置、电子设备及存储介质 - Google Patents
短视频推送方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112765484B CN112765484B CN202011635488.7A CN202011635488A CN112765484B CN 112765484 B CN112765484 B CN 112765484B CN 202011635488 A CN202011635488 A CN 202011635488A CN 112765484 B CN112765484 B CN 112765484B
- Authority
- CN
- China
- Prior art keywords
- attribute information
- candidate
- short video
- candidate short
- videos
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 230000006399 behavior Effects 0.000 claims abstract description 139
- 238000004364 calculation method Methods 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 98
- 238000011156 evaluation Methods 0.000 claims description 93
- 239000013598 vector Substances 0.000 claims description 42
- 230000006870 function Effects 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 11
- 230000015654 memory Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 238000013135 deep learning Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 6
- 238000011478 gradient descent method Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 241000282376 Panthera tigris Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- 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
- G06F16/90—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
- G06F16/9538—Presentation of query results
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Multimedia (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开关于一种短视频推送方法、装置、电子设备及存储介质，涉及软件应用、推荐系统及深度学习应用技术领域，该方法包括：采集多个账户对多个候选短视频的行为数据；根据所述行为数据，获取所述多个账户对所述多个候选短视频在每个短视频属性信息上的预测评分；针对任一候选短视频，将所述任一候选短视频对应的所述多个账号在每个所述属性信息上的预测评分进行加权计算，获取所述多个账户对所述任一候选短视频在全部所述属性信息上的总预测评分；根据所述任一账户对应的所述多个候选短视频的所述总预测评分，从所述多个候选短视频中选取所述任一账户的待推荐短视频，并基于所述待推荐短视频向所述任一账户推送短视频。由此，本公开账户从多个短视频属性信息对候选短视频进行筛选，以于海量候选短视频中准确地为账户推荐匹配的目标短视频，通过个性化短视频推荐提高账户体验。
Description
技术领域
本公开涉及软件应用、推荐系统及深度学习应用技术领域，尤其涉及一种短视频推送方法、装置、电子设备及存储介质。
背景技术
随着短视频社区的账户越来越多，每天上传到社区的短视频数量也是巨大的，每日短视频上传量甚至高达1500万条，短视频社区中短视频库存中存储的短视频更是高达80亿条之多。这样一来，从如此海量的短视频中，准确地为账户推送符合账户偏好的短视频就变得尤为重要了，不仅能够对与短视频相关联的信息进行合理地利用，还能够提升账户体验以吸引更多的潜在账户。因此，如何准确地为账户推送与其偏好匹配的短视频，已成为亟待解决的问题。
发明内容
本公开提供一种短视频推送方法、装置、电子设备及存储介质，以至少解决相关技术中无法准确地为账户推送与其偏好匹配的短视频的问题。本公开的技术方案如下：
根据本公开实施例的第一方面，提供一种短视频推送方法，所述短视频推送方法包括：采集多个账户对多个候选短视频的行为数据；根据所述行为数据，获取所述多个账户对所述多个候选短视频在每个短视频属性信息上的预测评分；针对任一候选短视频，将所述任一候选短视频对应的所述多个账号在每个所述属性信息上的预测评分进行加权计算，获取所述多个账户对所述任一候选短视频在全部所述属性信息上的总预测评分；根据所述任一账户对应的所述多个候选短视频的所述总预测评分，从所述多个候选短视频中选取所述任一账户的待推荐短视频，并基于所述待推荐短视频向所述任一账户推送短视频。
根据本公开的一个实施例，所述根据所述行为数据，获取所述多个账户对所述多个候选短视频在每个短视频属性信息上的预测评分，包括：针对每个属性信息，获取所述多个账户对所述任一候选短视频的影响所述属性信息的所述预测评分的行为数据；基于影响所述属性信息的所述预测评分的行为数据，获取针对所述属性信息对应的所述多个账户对所述任一候选短视频的实际评价向量；将所述多个候选短视频同一属性信息对应的所述实际评价向量进行拼接，形成针对所述同一属性信息的所述多个账户对所述多个候选短视频的实际评价矩阵；针对每个所述属性信息，对所述属性信息对应的实际评价矩阵进行矩阵拆解，获取所述属性信息上的账户偏好因子矩阵和短视频的属性因子矩阵；基于所述属性信息上的所述偏好因子矩阵和所述属性因子矩阵，生成所述属性信息的预测评分。
根据本公开的一个实施例，所述基于影响所述属性信息的所述预测评分的行为数据，获取针对所述属性信息对应的所述多个账户对所述任一候选短视频的实际评价向量，包括：获取所述属性信息对应的影响短视频评价的各类目标账户行为；获取所述多个账户在所述任一候选短视频上产生的所述各类目标账户行为对应的行为数据，以及所述各类目标账户行为对应的影响权重；基于所述各类目标账户行为对应的影响权重，对所述各类目标账户行为对应的行为数据进行加权，以获取所述多个账户对所述任一候选短视频在所述属性信息上的实际评价参数；以所述多个账户对所述任一候选短视频在所述属性信息上的实际评价参数作为向量元素，构建针对所述属性信息的所述多个账户对所述任一候选短视频的所述实际评价向量。
根据本公开的一个实施例，所述对所述属性信息的实际评价矩阵进行矩阵拆解，获取所述属性信息上的账户偏好因子矩阵和短视频的属性因子矩阵，包括：基于潜在因子模型，按照损失函数最小化的训练规则，调整所述潜在因子模型，以获取所述实际评价矩阵的最终拆分结果，以得到所述偏好因子矩阵和所述属性因子矩阵。
根据本公开的一个实施例，所述根据所述任一账户对应的所述多个候选短视频的所述总预测评分，从所述多个候选短视频中选取所述任一账户的待推荐短视频，包括：对所述多个候选短视频按照所述总预测评分进行第一排序，以生成第一排序结果；根据所述第一排序结果生成候选短视频集合；对所述候选短视频集合之中的多个所述候选短视频进行第二排序，以生成第二排序结果；根据所述第二排序结果生成所述待推荐短视频。
根据本公开的一个实施例，所述对所述候选短视频集合之中的多个所述候选短视频进行第二排序，以生成第二排序结果，包括：获取所述候选短视频集合之中每个所述候选短视频的点击账户集合；获取所述候选短视频集合之中任意两个显示于同一个页面之中的所述候选短视频；根据所述点击账户集合和任意两个显示于同一个所述页面之中的所述候选短视频生成所述任意两个候选短视频的贝叶斯系数；根据所述任意两个候选短视频的贝叶斯系数对多个所述候选短视频进行第二排序，以生成第二排序结果。
根据本公开实施例的第二方面，提供一种短视频推送装置，所述短视频推送装置包括：采集模块，被配置为执行采集多个账户对多个候选短视频的行为数据；第一获取模块，被配置为执行根据所述行为数据，获取所述多个账户对所述多个候选短视频在每个短视频属性信息上的预测评分；第二获取模块，被配置为执行针对任一候选短视频，将所述任一候选短视频对应的所述多个账号在每个所述属性信息上的预测评分进行加权计算，获取所述多个账户对所述任一候选短视频在全部所述属性信息上的总预测评分；推送模块，被配置为执行根据所述任一账户对应的所述多个候选短视频的所述总预测评分，从所述多个候选短视频中选取所述任一账户的待推荐短视频，并基于所述待推荐短视频向所述任一账户推送短视频。
根据本公开的一个实施例，所述第一获取模块，包括：第一获取子模块，被配置为执行针对每个属性信息，获取所述多个账户对所述任一候选短视频的影响所述属性信息的所述预测评分的行为数据；第二获取子模块，被配置为执行基于影响所述属性信息的所述预测评分的行为数据，获取针对所述属性信息对应的所述多个账户对所述任一候选短视频的实际评价向量；形成子模块，被配置为执行将所述多个候选短视频同一属性信息对应的所述实际评价向量进行拼接，形成针对所述同一属性信息的所述多个账户对所述多个候选短视频的实际评价矩阵；第三获取子模块，被配置为执行针对每个所述属性信息，对所述属性信息对应的实际评价矩阵进行矩阵拆解，获取所述属性信息上的账户偏好因子矩阵和短视频的属性因子矩阵；第一生成子模块，被配置为执行基于所述属性信息上的所述偏好因子矩阵和所述属性因子矩阵，生成所述属性信息的预测评分。
根据本公开的一个实施例，所述第二获取子模块，包括：第一获取单元，被配置为执行获取所述属性信息对应的影响短视频评价的各类目标账户行为；第二获取单元，被配置为执行获取所述多个账户在所述任一候选短视频上产生的所述各类目标账户行为对应的行为数据，以及所述各类目标账户行为对应的影响权重；第三获取单元，被配置为执行基于所述各类目标账户行为对应的影响权重，对所述各类目标账户行为对应的行为数据进行加权，以获取所述多个账户对所述任一候选短视频在所述属性信息上的实际评价参数；构建单元，被配置为执行以所述多个账户对所述任一候选短视频在所述属性信息上的实际评价参数作为向量元素，构建针对所述属性信息的所述多个账户对所述任一候选短视频的所述实际评价向量。
根据本公开的一个实施例，所述第三获取子模块，包括：确定单元，被配置为执行基于潜在因子模型，按照损失函数最小化的训练规则，调整所述潜在因子模型，以获取所述实际评价矩阵的最终拆分结果，以得到所述偏好因子矩阵和所述属性因子矩阵。
根据本公开的一个实施例，所述推送模块，包括：第一排序子模块，被配置为执行对所述多个候选短视频按照所述总预测评分进行第一排序，以生成第一排序结果；第二生成子模块，被配置为执行根据所述第一排序结果生成候选短视频集合；第二排序子模块，被配置为执行对所述候选短视频集合之中的多个所述候选短视频进行第二排序，以生成第二排序结果；第三生成子模块，被配置为执行根据所述第二排序结果生成所述待推荐短视频。
根据本公开的一个实施例，所述第二排序子模块，包括：第四获取单元，被配置为执行获取所述候选短视频集合之中每个所述候选短视频的点击账户集合；第五获取单元，被配置为执行获取所述候选短视频集合之中任意两个显示于同一个页面之中的所述候选短视频；生成单元，被配置为执行根据所述点击账户集合和任意两个显示于同一个所述页面之中的所述候选短视频生成所述任意两个候选短视频的贝叶斯系数；排序单元，被配置为执行根据所述任意两个候选短视频的贝叶斯系数对多个所述候选短视频进行第二排序，以生成第二排序结果。
根据本公开实施例的第三方面，提供一种电子设备，包括：处理器；用于存储所述处理器可执行指令的存储器；其中，所述处理器被配置为执行所述指令，以实现如本公开第一方面实施例提供的短视频推送方法。
根据本公开实施例的第四方面，提供一种计算机可读存储介质，当所述计算机可读存储介质中的指令由电子设备的处理器执行时，使得所述电子设备能够执行如本公开第一方面实施例提供的短视频推送方法。
根据本公开实施例的第五方面，提供一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如本公开第一方面实施例提供的短视频推送方法。
本公开的实施例提供的技术方案至少带来以下有益效果：
本公开通过采集多个账户对多个候选短视频的行为数据，并根据述行为数据，获取多个账户对多个候选短视频在每个短视频属性信息上的预测评分，然后针对任一候选短视频，将任一候选短视频对应的多个账号在每个所述属性信息上的预测评分进行加权计算，获取多个账户对所述任一候选短视频在全部属性信息上的总预测评分，进而根据任一账户对应的多个候选短视频的总预测评分，从多个候选短视频中选取任一账户的待推荐短视频，并基于待推荐短视频向任一账户推送短视频。由此，本公开中，从多个短视频属性信息对候选短视频进行筛选，以于海量候选短视频中准确地为账户推荐匹配的目标短视频，通过个性化短视频推荐提高账户体验。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理，并不构成对本公开的不当限定。
图1是根据一示例性实施例示出的一种短视频推送方法的流程图。
图2是根据一示例性实施例示出的一种现有短视频推送过程的示意图。
图3是根据一示例性实施例示出的另一种短视频推送方法的流程图。
图4是根据一示例性实施例示出的另一种短视频推送方法的流程图。
图5是根据一示例性实施例示出的另一种短视频推送方法的流程图。
图6是根据一示例性实施例示出的另一种短视频推送方法的流程图。
图7是根据一示例性实施例示出的一种账户选取短视频的示意图。
图8是根据一示例性实施例示出的一种短视频推送装置的框图。
图9是根据一示例性实施例示出的另一种短视频推送装置的框图。
图10是根据一示例性实施例示出的另一种短视频推送装置的框图。
图11是根据一示例性实施例示出的另一种短视频推送装置的框图。
图12是根据一示例性实施例示出的另一种短视频推送装置的框图。
图13是根据一示例性实施例示出的另一种短视频推送装置的框图。
图14是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
为了使本领域普通人员更好地理解本公开的技术方案，下面将结合附图，对本公开实施例中的技术方案进行清楚、完整地描述。
需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
图1是根据一示例性实施例示出的一种短视频推送方法的流程图。如图1所示，本实施例提出的短视频推送方法，包括以下步骤：
在步骤101中，采集多个账户对多个候选短视频的行为数据。
需要说明的是，本公开的短视频推送方法的执行主体为短视频推送装置。本公开实施例的短视频推送方法可以由本公开实施例的短视频推送装置执行，短视频推送装置具体可以为硬件设备，或者硬件设备中的软件等。其中，硬件设备例如终端设备、服务器等。
其中，候选短视频，即候选短片视频，例如，可以是任一播放时长在5分钟以内的视频；又例如，可以是任一由至少两张照片组成的视频相册；再例如，可以是任一由多个视频组成的总传播时长在5分钟以内的视频集合；还例如，可以是任一由至少一张照片和至少一个视频组成的视频文件。
其中，行为数据(Behavior Data)，可以是具体数值，例如播放时长、播放次数等；行为数据也可以是其他非具体数值的数据，例如账户对目标短视频的优劣评价信息，例如好评、中评和差评等评价信息，又例如账户是否对该短视频点赞、是否对该短视频的作者进行关注等行为数据。
需要说明的是，在采集多个账户对多个候选短视频的行为数据时，可以针对多个账户对多个候选短视频的行为数据分别进行统计。
举例而言，共有n个账户、m个候选短视频。此种情况下，可以获取到任一账户对m个候选短视频的行为数据分别对应集合a1～am，此时，多个账户对多个候选短视频的行为数据共计n*m个。其中，每个集合内包括至少一个行为数据。
在步骤102中，根据行为数据，获取多个账户对多个候选短视频在每个短视频属性信息上的预测评分。
需要说明的是，现有技术中，向账户进行短视频推送的依据通常为候选短视频的总体评分等单一维度的评分。例如基于账户的单评分协同过滤(CollaborativeFiltering)算法，以获取账户间的相似度作为基础是，根据相似度甄选账户共同喜欢的内容，并分别进行评分预测，以将预测分数最高的前n个短视频生成拟推荐列表，推荐给账户。
举例而言，如图2所示，账户甲和账户乙都喜欢短视频A和短视频C，说明他们之间有较高的相似度，由此，根据现有技术中的短视频推送方法，可以将账户甲喜欢的短视频B推荐给账户乙。
然而，账户对短视频的喜爱程度是由多个因素共同决定的。这样一来，根据现有短视频推送方法向账户推荐短视频时，势必会导致账户因推荐结果准确率低而感到体验极差。由此，本公开实施例中，可以获取多个账户对多个候选短视频在每个短视频属性信息上的预测评分，以从多维度对候选短视频进行筛选。
其中，属性信息，可以为候选短视频的背景音乐、候选短视频作者以及候选短视频的描述文案等信息。
其中，预测评分，可以用以表征账户对候选短视频在对应的短视频属性信息上的喜爱程度。
需要说明的是，预测评分可以是具体数值，例如90分、100分等，当预测评分为具体数值时，数值越高，表示账户对该候选短视频在对应的短视频属性信息上的喜爱程度越高；预测评分也可以是其他非具体数值的参数，例如优、良、中、差等。
举例而言，共有n个账户、m个候选短视频、针对每个候选短视频均有k个属性信息，此种情况下，任一杭虎对任一候选短视频均对应有k个预测评分。此时，针对n个账户、m个候选短视频，可以获取到共计n*m*k个预测评分。
需要说明的是，在试图根据行为数据，获取多个账户对多个候选短视频在每个短视频属性信息上的预测评分时，可以根据任一行为数据，获取每个短视频属性信息上的预测评分，也可以综合至少两个行为数据，获取每个短视频属性信息上的预测评分。例如，可以针对点赞数据获取预测评分，也可以针对点赞数据、弹幕数据和播放数据，获取预测评分。
在步骤103中，针对任一候选短视频，将任一候选短视频对应的多个账号在每个属性信息上的预测评分进行加权计算，获取多个账户对任一候选短视频在全部属性信息上的总预测评分。
其中，总预测评分，指的是综合多个属性信息的预测评分，对候选短视频进行预测的评分。
举例而言，共有n个账户、m个候选短视频、针对每个候选短视频均有k个属性信息、获取到共计n*m*k个预测评分，此种情况下，基于n*m*k个预测评分，可以获取到n个账户对m个候选短视频的k个总预测评分。
在步骤104中，根据任一账户对应的多个候选短视频的总预测评分，从多个候选短视频中选取任一账户的待推荐短视频，并基于待推荐短视频向任一账户推送短视频。
需要说明的是，本公开中对于根据任一账户对应的多个候选短视频的总预测评分，从多个候选短视频中选取任一账户的待推荐短视频的具体方式不作限定，可以根据实际情况进行选择。
可选地，可以对多个总预测评分的高低进行降序排列，并选取预设排序范围内的多个候选短视频中选取任一账户的待推荐短视频。
举例而言，获取到1～8至辛，共8个候选短视频，总预测评分分别为95、86、24、93、91、97、99和66。此种情况下，可以直接将排名前3的候选短视频1、6和7，作为待推荐短视频，并形成推荐列表推荐给账户。
可选地，可以对多个总预测评分进行进一步处理，以获取更加准确的待推荐短视频，并推荐给客户。例如，可以对多个总预测评分进行贝叶斯个性化排序处理(BayesianPersonalized Ranking，简称BPR)等基于成对方法(Pairwise Approach)等处理，以获取待推荐短视频，并推荐给客户。
本公开通过采集多个账户对多个候选短视频的行为数据，并根据述行为数据，获取多个账户对多个候选短视频在每个短视频属性信息上的预测评分，然后针对任一候选短视频，将任一候选短视频对应的多个账号在每个所述属性信息上的预测评分进行加权计算，获取多个账户对所述任一候选短视频在全部属性信息上的总预测评分，进而根据任一账户对应的多个候选短视频的总预测评分，从多个候选短视频中选取任一账户的待推荐短视频，并基于待推荐短视频向任一账户推送短视频。由此，本公开中，从多个短视频属性信息对候选短视频进行筛选，以于海量候选短视频中准确地为账户推荐匹配的目标短视频，通过个性化短视频推荐提高账户体验。
需要说明的是，本公开中，在试图根据行为数据，获取多个账户对多个候选短视频在每个短视频属性信息上的预测评分时，可以账户属性信息预测评分基于潜在因子模型(Latent Factor Model)及矩阵拆解方式，对预测评分评分进行获取。
作为一种可能的实现方式，如图3所示，在上述实施例的基础上，上述步骤S102中根据行为数据，获取多个账户对多个候选短视频在每个短视频属性信息上的预测评分账户属性信息预测评分的过程，具体包括以下步骤：
在步骤301中，针对每个属性信息，获取多个账户对任一候选短视频的影响属性信息的预测评分的行为数据。
其中，行为数据包括多个账户行为的对应的行为数据，例如候选短视频作者关注对应的行为数据、候选短视频点赞子数据以及候选短视频观看时长子数据等对应的行为数据。
在步骤302中，基于影响属性信息的预测评分的行为数据，获取针对属性信息对应的多个账户对任一候选短视频的实际评价向量。
作为一种可能的实现方式，如图4所示，在上述实施例的基础上，上述步骤S302中基于影响属性信息的预测评分的行为数据，获取针对属性信息对应的多个账户对任一候选短视频的实际评价向量的过程，具体包括以下步骤：
在步骤401中，获取属性信息对应的影响短视频评价的各类目标账户行为。
作为一种可能的实现方式，可选地，可以获取每个属性信息对应的影响短视频评价的各类目标账户行为。举例而言，以候选视频作者为属性信息为例，针对该属性信息，对应的影响短视频评价的各类目标账户行为可以包括关注行为。其中，关注行为能够提高短视频评价。
在步骤402中，获取多个账户在任一候选短视频上产生的各类目标账户行为对应的行为数据，以及各类目标账户行为对应的影响权重。
在步骤403中，基于各类目标账户行为对应的影响权重，对各类目标账户行为对应的行为数据进行加权，以获取多个账户对任一候选短视频在属性信息上的实际评价参数。
针对每个属性信息，获取每个账户在每个候选短视频上产生的各类目标账户行为的对应的行为数据，基于每个账户在每个候选短视频上的各类目标账户行为的对应的行为数据以及对应的影响权重，获取在属性信息上每个账户对每个候选短视频的实际评价参数。
作为一种可能的实现方式，可以针对每个属性信息，获取每个账户在每个候选短视频上产生的各类目标账户行为的对应的行为数据，并基于每个账户在每个候选短视频上的各类目标账户行为的对应的行为数据，获取在属性信息上每个账户对每个候选短视频的子实际评价参数。
需要说明的是，本公开中对于基于各类目标账户行为的对应的行为数据，获取初始实际评价参数的具体方式不作限定，可以根据实际情况进行选择。
可选地，在获取到每个账户在每个候选短视频上产生的各类目标账户行为的对应的行为数据后，可以按照预先设定的转化策略，将对应的行为数据转化为子实际评价参数。
举例而言，以候选视频作者为属性信息为例，针对该属性信息，对应的影响短视频评价的各类目标账户行为的对应的行为数据可以为关注对应的行为数据作者搜索对应的行为数据。相应地，预先设定的转化策略可以为：若获取到任一账户在任一候选短视频上产生的关注对应的行为数据和作者搜索对应的行为数据，对应的子实际评价参数均为1；若未获取到任一账户在任一候选短视频上产生的关注对应的行为数据或者作者搜索对应的行为数据，对应的子实际评价参数均为0。
进一步地，在获取到子实际评价参数后，可以基于每个账户在每个候选短视频上的各类目标账户行为的对应的行为数据对应的影响权重，获取在属性信息上每个账户对每个候选短视频的实际评价参数。
其中，影响权重可以根据实际情况进行设定。举例而言，针对候选视频作者属性信息，对应的各类目标账户行为的对应的行为数据分别为关注对应的行为数据和作者搜索对应的行为数据，则可以设定关注对应的行为数据和作者搜索对应的行为数据对应的影响权重分别为0.6和0.4。
这样一来，在上述实施例的基础上，可以进一步优化针对每个属性信息对应的实际评价参数的获取过程。
举例而言，在上述示例的基础上，获取到在该属性信息上，关注对应的行为数据及作者搜索对应的行为数据对应的子实际评价参数分别为3和4，且两者的影响权重分别为0.6和0.4，此种情况下，可以获取到候选视频作者属性信息上每个账户对每个候选短视频的实际评价参数为3*0.6+4*0.4＝3.4。
在步骤404中，以多个账户对任一候选短视频在属性信息上的实际评价参数作为向量元素，构建针对属性信息的多个账户对任一候选短视频的实际评价向量。
需要说明的是，多个账户对任一候选短视频在属性信息上的实际评价参数，能够转化为向量元素，也就是说，账户针对候选短视频的行为数据实际上相当于针对候选短视频的向量元素。
在步骤303中，将多个候选短视频同一属性信息对应的实际评价向量进行拼接，形成针对同一属性信息的多个账户对多个候选短视频的实际评价矩阵。
可选地，可以将多个候选短视频同一属性信息对应的实际评价向量进行拼接，形成针对同一属性信息的多个账户对多个候选短视频的实际评价矩阵，用以表征多个账户对多个候选视频的喜好程度。
举例而言，以候选视频作者为属性信息为例，账户甲至账户丙对候选短视频1～5在候选视频作者属性信息上的实际评价参数如表1所示。基于表1中所示的实际评价向量，能够构建每个属性信息对应的多个账户对多个候选短视频的实际评价矩阵A3*5。
| 账户甲 | 账户乙 | 账户丙 | |
| 候选短视频1 | 2 | 2 | 2 |
| 候选短视频2 | 0 | 2 | 2 |
| 候选短视频3 | 0 | 0 | 0 |
| 候选短视频4 | 0 | 1 | 2 |
| 候选短视频5 | 1 | 0 | 2 |
表1
在步骤304中，针对每个属性信息，对属性信息对应的实际评价矩阵进行矩阵拆解，获取属性信息上的账户偏好因子矩阵和短视频的属性因子矩阵。
可选地，可以基于潜在因子(Latent Factor)模型，按照损失函数最小化的训练规则，调整潜在因子模型，以获取实际评价矩阵的最终拆分结果，以得到偏好因子矩阵和属性因子矩阵。
需要说明的是，实际评价矩阵中记录了任一账户对任一候选短视频的实际评价参数，换言之，实际评价矩阵中呈现出了任一账户对任一候选短视频属性的偏好程度与任一候选短视频在任一属性上的表现的综合结果。其中，候选短视频属性就构成了潜在因子。这样一来，实际评价矩阵可以通过以下两个矩阵进行表示：以短视频与短视频的属性因子构成的矩阵，以及以短视频的属性因子与账户偏好因子构成的矩阵。
由此，本公开中，可以针对每个属性信息，对属性信息的实际评价矩阵进行矩阵拆解，获取属性信息上的账户偏好因子矩阵和短视频的属性因子矩阵，以将账户和短视频共同映射到维度为k的相同空间中。
在步骤305中，基于属性信息上的偏好因子矩阵和属性因子矩阵，生成属性信息的预测评分。
可选地，可以基于属性信息上的偏好因子矩阵和属性因子矩阵，获取隐因子向量，即偏好向量和短视频属性向量。进一步地，可以通过获取偏好向量和短视频属性向量的内积，并将前述内积作为属性信息的预测评分。其中，内积，通常指点积(Dot Product)。
举例而言，基于属性信息上的偏好因子矩阵和属性因子矩阵，获取到账户偏好向量xu＝{x1,x2,...,xn}，以及短视频属性向量yi＝{y1,y2,...,yn}，此种情况下，可以将xu和yi的内积x1*y1+x2*y2+...+xn*yn，作为属性信息的预测评分。
需要说明的是，本公开中，在试图对属性信息的实际评价矩阵进行矩阵拆解，获取属性信息上的账户偏好因子矩阵和短视频的属性因子矩阵时，可以基于潜在因子模型，并按照损失函数最小化的训练规则，调整潜在因子模型，以获取实际评价矩阵的最终拆分结果，以得到偏好因子矩阵和属性因子矩阵。
作为一种可能的实现方式，在根据偏好向量和短视频属性向量的内积获取到属性信息的预测评分后，可以引入偏差矩阵分解的方式，并根据账户的偏差、短视频的偏差以及实际评价参数的全局期望，得到如下公式：
其中，表示预测评分，bi和bu分别表示账户的偏差和短视频的偏差，u表示实际评价参数的全局期望，/>和yi分别表示账户偏好向量和短视频属性向量。
进一步地，可以通过损失函数最小化的训练规则对潜在因子模型中的参数进行训练，以调整潜在因子模型。其中，损失函数如以下公式所述：
其中，λ为正则化参数，其取值可以根据实际情况进行设定，例如可以设定λ为0.005，以用来防止模型过度拟合。
需要说明的是，本公开对于损失函数最小化的训练规则的选取方式不作限定，可以根据实际情况进行选择。例如，可以采用梯度下降方式(Batch Gradient Descent，简称BGD)以及随机梯度下降(Stochastic Gradient Descent，简称SGD)方式等方式进行训练。
可选地，xu、yi、bi和bu可以采用期望为0，标准差为0.01的高斯分布(GaussianDistribution)来进行随机初始化，并采用随机梯度下降方法来训练模型中的参数，其中每个参数都在损失函数梯度的相反方向上更新。
需要说明的是，针对每个属性信息，均通过前述方式进行深度学习(Deep PacketInspection，简称DPI)，以获取每个属性信息的预测评分。
本公开通过针对每个属性信息，对属性信息的实际评价矩阵进行矩阵拆解，获取属性信息上的账户偏好因子矩阵和短视频的属性因子矩阵，并基于属性信息上的偏好因子矩阵和属性因子矩阵，生成属性信息的预测评分。由此，本公开中，通过采用隐因子模型和矩阵分解，对账户对短视频的多维度实际评价参数进行深度学习，以通过多维度综合考量，准确地为账户选取并推荐匹配的目标短视频。进一步地，基于账户各类目标账户行为的对应的行为数据以及对应的影响权重，获取在属性信息上的实际评价参数，能够获取到更加精细、合理的实际评价参数，进一步提升了短视频推送过程中的准确性。
进一步地，本公开中，在试图基于每个属性信息的预测评分，获取多个账户对多个候选短视频的总预测评分时，可以将每个属性信息的预测评分进行加权计算，以获取总预测评分。
可选地，在获取到每个属性信息的预测评分后，可以采用下述公式进行加权计算，以获取总预测评分：
其中，wa代表评分维度a的权重。
进一步地，本公开中，在试图基于总预测评分，从多个候选短视频中分别获取每个账户的目标短视频时，可以通过多种方式获取目标短视频。
需要说明的是，本公开中，在试图根据任一账户对应的多个候选短视频的总预测评分，从多个候选短视频中选取任一账户的待推荐短视频时，可以融合排序算法，选取待推荐的短视频。
需要说明的是，针对短视频社区等拥有海量数据的应用场景，为了能够在亿万级别的短视频中向账户推荐两位数甚至个位数的短视频，本公开中，可以融合贝叶斯排序算法，对多个预测评分的总预测评分进行进一步处理，以进行短视频的推荐。
作为一种可能的实现方式，如图5所示，在上述实施例的基础上，上述步骤根据任一账户对应的多个候选短视频的总预测评分，从多个候选短视频中选取任一账户的待推荐短视频的过程，具体包括以下步骤：
在步骤501中，对多个候选短视频按照总预测评分进行第一排序，以生成第一排序结果。
举例而言，获取到1～20000，共20000个候选短视频，且通过进行第一排序，可以生成包括排名前1000的候选短视频的第一排序结果。
在步骤502中，根据第一排序结果生成候选短视频集合。
举例而言，获取到第一排序结果为排名前1000的候选短视频，此种情况下，可以根据排名前1000的候选短视频生成候选短视频集合。
在步骤503中，对候选短视频集合之中的多个候选短视频进行第二排序，以生成第二排序结果。
作为一种可能的实现方式，如图6所示，在上述实施例的基础上，上述步骤503中对候选短视频集合之中的多个候选短视频进行第二排序，以生成第二排序结果的过程，具体包括以下步骤：
在步骤601中，获取候选短视频集合之中每个候选短视频的点击账户集合。
需要说明的是，在实际应用中，在账户浏览短视频展示页面时，通常仅会从中选取部分更加符合自身偏好的短视频进行观看，即言，账户的此类行为数据能够表征账户的偏好。
举例而言，如图7所示，展示页面6-1上展示有短视频1～5，共5个短视频，若获取到账户点击了短视频2进行观看，而没有点击同时展示的其他短视频，此种情况下，说明相较于所展示的其他短视频，账户更加偏爱短视频2。
由此，本公开中，可以通过获取待推荐短视频对应的行为数据，以更加精确地对账户的偏好进行学习。
在步骤602中，获取候选短视频集合之中任意两个显示于同一个页面之中的候选短视频。
可选地，可以获取候选短视频集合之中任意两个显示于同一个页面之中的候选短视频，其中，每对任意两个显示于同一个页面之中的候选短视频中包括两个候选短视频的标识和账户喜欢顺序、以及任一账户的账户标识。
由于账户的行为数据能够表征偏好程度，这样一来，账户更加偏好的短视频应该具有更靠前的排序。由此，本公开中，在获取到候选短视频对应的行为数据后，可以基于候选短视频的行为数据，获取候选短视频集合之中任意两个显示于同一个页面之中的候选短视频。
其中，每对任意两个显示于同一个页面之中的候选短视频中包括两个候选短视频的标识和账户喜欢顺序、以及任一账户的账户标识。
其中，账户标识，指的是用以表示账户身份的、唯一的标识，例如，账户标识可以是账户的账号，也可以是账户的账户名等；又例如，也可以通过系统自动地为每个账户生成一个唯一的账户标识。
举例而言，若多个账户可以以组成账户集U，多个候选短视频可以组成候选短视频集I。此种情况下，当账户u(u∈U)在展示页面上点击了候选短视频i(i∈I)，而没有点击展示页面上的其他候选短视频j(j∈I)时，说明对于候选短视频i和候选短视频j，账户u更加偏好候选短视频i。此时，若针对账户u，获取到m组这样的反馈，则可以得到m组账户u对应的训练样本，根据此偏序关系，形成任意两个显示于同一个页面之中的候选短视频，例如三元组<u,i,j>，以表示账户u更喜欢候选短视频i。
在步骤603中，根据点击账户集合和任意两个显示于同一个页面之中的候选短视频生成任意两个候选短视频的贝叶斯系数。
在步骤604中，根据任意两个候选短视频的贝叶斯系数对多个候选短视频进行第二排序，以生成第二排序结果。
可选地，可以基于贝叶斯排序算法，又称贝叶斯个性化排序(BayesianPersonalized Ranking，简称BPR)算法，根据任意两个候选短视频的贝叶斯系数对多个候选短视频进行第二排序，以生成第二排序结果。
在步骤504中，根据第二排序结果生成待推荐短视频。
由此，本公开中，能够通过融合贝叶斯排序算法，在通过多维度对候选短视频进行筛选后，进一步对筛选结果进行优化，进一步提升了短视频推送过程中的准确性。同时，获取更加符合账户偏好的目标短视频，进一步提高了账户体验。图8～图13是根据一示例性实施例示出的一种短视频推送装置框图。
如图8所示，短视频推送装置1000，该装置1000包括：采集模块11、第一获取模块12、第二获取模块13和推送模块14。
该采集模块11，被配置为执行采集多个账户对多个候选短视频的行为数据；
该第一获取模块12，被配置为执行根据所述行为数据，获取所述多个账户对所述多个候选短视频在每个短视频属性信息上的预测评分；
该第二获取模块13，被配置为执行针对任一候选短视频，将所述任一候选短视频对应的所述多个账号在每个所述属性信息上的预测评分进行加权计算，获取所述多个账户对所述任一候选短视频在全部所述属性信息上的总预测评分；
该推送模块14，被配置为执行根据所述任一账户对应的所述多个候选短视频的所述总预测评分，从所述多个候选短视频中选取所述任一账户的待推荐短视频，并基于所述待推荐短视频向所述任一账户推送短视频。
在本公开的实施例中，如图9所示，图8中的第一获取模块12，包括：
第一获取子模块121，被配置为执行针对每个属性信息，获取所述多个账户对所述任一候选短视频的影响所述属性信息的所述预测评分的行为数据；
第二获取子模块122，被配置为执行基于影响所述属性信息的所述预测评分的行为数据，获取针对所述属性信息对应的所述多个账户对所述任一候选短视频的实际评价向量；
形成子模块123，被配置为执行将所述多个候选短视频同一属性信息对应的所述实际评价向量进行拼接，形成针对所述同一属性信息的所述多个账户对所述多个候选短视频的实际评价矩阵；
第三获取子模块124，被配置为执行针对每个所述属性信息，对所述属性信息对应的实际评价矩阵进行矩阵拆解，获取所述属性信息上的账户偏好因子矩阵和短视频的属性因子矩阵；
第一生成子模块125，被配置为执行基于所述属性信息上的所述偏好因子矩阵和所述属性因子矩阵，生成所述属性信息的预测评分。
在本公开的实施例中，如图10所示，图9中的第二获取子模块122，包括：
第一获取单元1221，被配置为执行获取所述属性信息对应的影响短视频评价的各类目标账户行为；
第二获取单元1222，被配置为执行获取所述多个账户在所述任一候选短视频上产生的所述各类目标账户行为对应的行为数据，以及所述各类目标账户行为对应的影响权重；
第三获取单元1223，被配置为执行基于所述各类目标账户行为对应的影响权重，对所述各类目标账户行为对应的行为数据进行加权，以获取所述多个账户对所述任一候选短视频在所述属性信息上的实际评价参数；
构建单元1224，被配置为执行以所述多个账户对所述任一候选短视频在所述属性信息上的实际评价参数作为向量元素，构建针对所述属性信息的所述多个账户对所述任一候选短视频的所述实际评价向量。
在本公开的实施例中，如图11所示，图9中的第三获取子模块124，包括：
确定单元1241，被配置为执行基于潜在因子模型，按照损失函数最小化的训练规则，调整所述潜在因子模型，以获取所述实际评价矩阵的最终拆分结果，以得到所述偏好因子矩阵和所述属性因子矩阵。
在本公开的实施例中，如图12所示，图8中的推送模块14，包括：
第一排序子模块141，被配置为执行对所述多个候选短视频按照所述总预测评分进行第一排序，以生成第一排序结果；
第二生成子模块142，被配置为执行根据所述第一排序结果生成候选短视频集合；
第二排序子模块143，被配置为执行对所述候选短视频集合之中的多个所述候选短视频进行第二排序，以生成第二排序结果；
第三生成子模块144，被配置为执行根据所述第二排序结果生成所述待推荐短视频。
在本公开的实施例中，如图13所示，图12中的第二排序子模块143，包括：
第四获取单元1431，被配置为执行获取所述候选短视频集合之中每个所述候选短视频的点击账户集合；
第五获取单元1432，被配置为执行获取所述候选短视频集合之中任意两个显示于同一个页面之中的所述候选短视频；
生成单元1433，被配置为执行根据所述点击账户集合和任意两个显示于同一个所述页面之中的所述候选短视频生成所述任意两个候选短视频的贝叶斯系数；
排序单元1434，被配置为执行根据所述任意两个候选短视频的贝叶斯系数对多个所述候选短视频进行第二排序，以生成第二排序结果。
本公开通过采集多个账户对多个候选短视频的行为数据，并根据述行为数据，获取多个账户对多个候选短视频在每个短视频属性信息上的预测评分，然后针对任一候选短视频，将任一候选短视频对应的多个账号在每个所述属性信息上的预测评分进行加权计算，获取多个账户对所述任一候选短视频在全部属性信息上的总预测评分，进而根据任一账户对应的多个候选短视频的总预测评分，从多个候选短视频中选取任一账户的待推荐短视频，并基于待推荐短视频向任一账户推送短视频。由此，本公开中，从多个短视频属性信息对候选短视频进行筛选，以于海量候选短视频中准确地为账户推荐匹配的目标短视频，通过个性化短视频推荐提高账户体验。
为了实现上述实施例，本公开还提供了一种电子设备，如图14所示，所述电子设备8000包括：处理器801；用于存储所述处理器801可执行指令的一个或多个存储器802；其中，所述处理器801被配置为执行上述实施例所述的短视频推送方法。处理器801和存储器802通过通信总线连接。
在示例性实施例中，本公开还提供了一种包括指令的计算机可读存储介质，例如包括指令的存储器802，上述指令可由装置1000的处理器801执行以完成上述方法。可选地，计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
在示例性实施例中，还提供一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现上述实施例所述的短视频推送方法。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (12)
1.一种短视频推送方法，其特征在于，包括：
采集多个账户对多个候选短视频的行为数据；
根据所述行为数据，获取所述多个账户对所述多个候选短视频在每个短视频属性信息上的预测评分；
针对任一候选短视频，将所述任一候选短视频对应的所述多个账户在每个所述属性信息上的预测评分进行加权计算，获取所述多个账户对所述任一候选短视频在全部所述属性信息上的总预测评分；
根据所述任一账户对应的所述多个候选短视频的所述总预测评分，从所述多个候选短视频中选取所述任一账户的待推荐短视频，并基于所述待推荐短视频向所述任一账户推送短视频；
所述根据所述行为数据，获取所述多个账户对所述多个候选短视频在每个短视频属性信息上的预测评分，包括：
针对每个属性信息，获取所述多个账户对所述任一候选短视频的影响所述属性信息的所述预测评分的行为数据；
基于影响所述属性信息的所述预测评分的行为数据，获取针对所述属性信息对应的所述多个账户对所述任一候选短视频的实际评价向量；
将所述多个候选短视频同一属性信息对应的所述实际评价向量进行拼接，形成针对所述同一属性信息的所述多个账户对所述多个候选短视频的实际评价矩阵；
针对每个所述属性信息，对所述属性信息对应的实际评价矩阵进行矩阵拆解，获取所述属性信息上的账户偏好因子矩阵和短视频的属性因子矩阵；
基于所述属性信息上的所述偏好因子矩阵和所述属性因子矩阵，生成所述属性信息的预测评分。
2.根据权利要求1所述的短视频推送方法，其特征在于，所述基于影响所述属性信息的所述预测评分的行为数据，获取针对所述属性信息对应的所述多个账户对所述任一候选短视频的实际评价向量，包括：
获取所述属性信息对应的影响短视频评价的各类目标账户行为；
获取所述多个账户在所述任一候选短视频上产生的所述各类目标账户行为对应的行为数据，以及所述各类目标账户行为对应的影响权重；
基于所述各类目标账户行为对应的影响权重，对所述各类目标账户行为对应的行为数据进行加权，以获取所述多个账户对所述任一候选短视频在所述属性信息上的实际评价参数；
以所述多个账户对所述任一候选短视频在所述属性信息上的实际评价参数作为向量元素，构建针对所述属性信息的所述多个账户对所述任一候选短视频的所述实际评价向量。
3.根据权利要求1所述的短视频推送方法，其特征在于，所述对所述属性信息的实际评价矩阵进行矩阵拆解，获取所述属性信息上的账户偏好因子矩阵和短视频的属性因子矩阵，包括：
基于潜在因子模型，按照损失函数最小化的训练规则，调整所述潜在因子模型，以获取所述实际评价矩阵的最终拆分结果，以得到所述偏好因子矩阵和所述属性因子矩阵。
4.根据权利要求1所述的短视频推送方法，其特征在于，所述根据所述任一账户对应的所述多个候选短视频的所述总预测评分，从所述多个候选短视频中选取所述任一账户的待推荐短视频，包括：
对所述多个候选短视频按照所述总预测评分进行第一排序，以生成第一排序结果；
根据所述第一排序结果生成候选短视频集合；
对所述候选短视频集合之中的多个所述候选短视频进行第二排序，以生成第二排序结果；
根据所述第二排序结果生成所述待推荐短视频。
5.根据权利要求4所述的短视频推送方法，其特征在于，所述对所述候选短视频集合之中的多个所述候选短视频进行第二排序，以生成第二排序结果，包括：
获取所述候选短视频集合之中每个所述候选短视频的点击账户集合；
获取所述候选短视频集合之中任意两个显示于同一个页面之中的所述候选短视频；
根据所述点击账户集合和任意两个显示于同一个所述页面之中的所述候选短视频生成所述任意两个候选短视频的贝叶斯系数；
根据所述任意两个候选短视频的贝叶斯系数对多个所述候选短视频进行第二排序，以生成第二排序结果。
6.一种短视频推送装置，其特征在于，包括：
采集模块，被配置为执行采集多个账户对多个候选短视频的行为数据；
第一获取模块，被配置为执行根据所述行为数据，获取所述多个账户对所述多个候选短视频在每个短视频属性信息上的预测评分；
第二获取模块，被配置为执行针对任一候选短视频，将所述任一候选短视频对应的所述多个账户在每个所述属性信息上的预测评分进行加权计算，获取所述多个账户对所述任一候选短视频在全部所述属性信息上的总预测评分；
推送模块，被配置为执行根据所述任一账户对应的所述多个候选短视频的所述总预测评分，从所述多个候选短视频中选取所述任一账户的待推荐短视频，并基于所述待推荐短视频向所述任一账户推送短视频；
所述第一获取模块，包括：
第一获取子模块，被配置为执行针对每个属性信息，获取所述多个账户对所述任一候选短视频的影响所述属性信息的所述预测评分的行为数据；
第二获取子模块，被配置为执行基于影响所述属性信息的所述预测评分的行为数据，获取针对所述属性信息对应的所述多个账户对所述任一候选短视频的实际评价向量；
形成子模块，被配置为执行将所述多个候选短视频同一属性信息对应的所述实际评价向量进行拼接，形成针对所述同一属性信息的所述多个账户对所述多个候选短视频的实际评价矩阵；
第三获取子模块，被配置为执行针对每个所述属性信息，对所述属性信息对应的实际评价矩阵进行矩阵拆解，获取所述属性信息上的账户偏好因子矩阵和短视频的属性因子矩阵；
第一生成子模块，被配置为执行基于所述属性信息上的所述偏好因子矩阵和所述属性因子矩阵，生成所述属性信息的预测评分。
7.根据权利要求6所述的短视频推送装置，其特征在于，所述第二获取子模块，包括：
第一获取单元，被配置为执行获取所述属性信息对应的影响短视频评价的各类目标账户行为；
第二获取单元，被配置为执行获取所述多个账户在所述任一候选短视频上产生的所述各类目标账户行为对应的行为数据，以及所述各类目标账户行为对应的影响权重；
第三获取单元，被配置为执行基于所述各类目标账户行为对应的影响权重，对所述各类目标账户行为对应的行为数据进行加权，以获取所述多个账户对所述任一候选短视频在所述属性信息上的实际评价参数；
构建单元，被配置为执行以所述多个账户对所述任一候选短视频在所述属性信息上的实际评价参数作为向量元素，构建针对所述属性信息的所述多个账户对所述任一候选短视频的所述实际评价向量。
8.根据权利要求6所述的短视频推送装置，其特征在于，所述第三获取子模块，包括：
确定单元，被配置为执行基于潜在因子模型，按照损失函数最小化的训练规则，调整所述潜在因子模型，以获取所述实际评价矩阵的最终拆分结果，以得到所述偏好因子矩阵和所述属性因子矩阵。
9.根据权利要求6所述的短视频推送装置，其特征在于，所述推送模块，包括：
第一排序子模块，被配置为执行对所述多个候选短视频按照所述总预测评分进行第一排序，以生成第一排序结果；
第二生成子模块，被配置为执行根据所述第一排序结果生成候选短视频集合；
第二排序子模块，被配置为执行对所述候选短视频集合之中的多个所述候选短视频进行第二排序，以生成第二排序结果；
第三生成子模块，被配置为执行根据所述第二排序结果生成所述待推荐短视频。
10.根据权利要求9所述的短视频推送装置，其特征在于，所述第二排序子模块，包括：
第四获取单元，被配置为执行获取所述候选短视频集合之中每个所述候选短视频的点击账户集合；
第五获取单元，被配置为执行获取所述候选短视频集合之中任意两个显示于同一个页面之中的所述候选短视频；
生成单元，被配置为执行根据所述点击账户集合和任意两个显示于同一个所述页面之中的所述候选短视频生成所述任意两个候选短视频的贝叶斯系数；
排序单元，被配置为执行根据所述任意两个候选短视频的贝叶斯系数对多个所述候选短视频进行第二排序，以生成第二排序结果。
11.一种电子设备，其特征在于，包括：
处理器；
用于存储所述处理器可执行指令的存储器；
其中，所述处理器被配置为执行所述指令，以实现如权利要求1至5中任一项所述的短视频推送方法。
12.一种计算机可读存储介质，当所述计算机可读存储介质中的指令由电子设备的处理器执行时，使得所述电子设备能够执行如权利要求1至5中任一项所述的短视频推送方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011635488.7A CN112765484B (zh) | 2020-12-31 | 2020-12-31 | 短视频推送方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011635488.7A CN112765484B (zh) | 2020-12-31 | 2020-12-31 | 短视频推送方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112765484A CN112765484A (zh) | 2021-05-07 |
| CN112765484B true CN112765484B (zh) | 2024-04-30 |
Family
ID=75697943
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011635488.7A Active CN112765484B (zh) | 2020-12-31 | 2020-12-31 | 短视频推送方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112765484B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114186126A (zh) * | 2021-11-29 | 2022-03-15 | 北京达佳互联信息技术有限公司 | 一种对象推荐方法、装置、电子设备及存储介质 |
| CN114970955B (zh) * | 2022-04-15 | 2023-12-15 | 黑龙江省网络空间研究中心 | 基于多模态预训练模型的短视频热度预测方法及装置 |
| CN115297367B (zh) * | 2022-07-06 | 2024-02-09 | 北京快乐茄信息技术有限公司 | 一种推荐方法、推荐装置、电子设备和存储介质 |
| CN116132716B (zh) * | 2023-02-22 | 2024-10-18 | 北京奇艺世纪科技有限公司 | 媒体信息发布方法、装置、电子设备及可读存储介质 |
| CN117992503A (zh) * | 2024-01-29 | 2024-05-07 | 朴道征信有限公司 | 数据获取方法、装置、电子设备和计算机可读介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015032353A1 (zh) * | 2013-09-06 | 2015-03-12 | 北京奇虎科技有限公司 | 视频推荐方法及装置 |
| CN107563841A (zh) * | 2017-08-03 | 2018-01-09 | 电子科技大学 | 一种基于用户评分分解的推荐系统 |
| CN107730289A (zh) * | 2016-08-11 | 2018-02-23 | 株式会社理光 | 一种用户行为分析方法及用户行为分析装置 |
| CN111523054A (zh) * | 2020-04-26 | 2020-08-11 | 山东师范大学 | 基于活跃账号和相似账号的项目推荐方法及系统 |
| CN111935291A (zh) * | 2020-08-14 | 2020-11-13 | 腾讯科技（深圳）有限公司 | 游戏推送方法、装置、设备及计算机可读存储介质 |
-
2020
- 2020-12-31 CN CN202011635488.7A patent/CN112765484B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015032353A1 (zh) * | 2013-09-06 | 2015-03-12 | 北京奇虎科技有限公司 | 视频推荐方法及装置 |
| CN107730289A (zh) * | 2016-08-11 | 2018-02-23 | 株式会社理光 | 一种用户行为分析方法及用户行为分析装置 |
| CN107563841A (zh) * | 2017-08-03 | 2018-01-09 | 电子科技大学 | 一种基于用户评分分解的推荐系统 |
| CN111523054A (zh) * | 2020-04-26 | 2020-08-11 | 山东师范大学 | 基于活跃账号和相似账号的项目推荐方法及系统 |
| CN111935291A (zh) * | 2020-08-14 | 2020-11-13 | 腾讯科技（深圳）有限公司 | 游戏推送方法、装置、设备及计算机可读存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 基于模式识别的推荐引擎设计;孙健;中国优秀硕士学位论文全文数据库 信息科技辑;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112765484A (zh) | 2021-05-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112765484B (zh) | 短视频推送方法、装置、电子设备及存储介质 | |
| US20210271975A1 (en) | User tag generation method and apparatus, storage medium, and computer device | |
| CN106503025B (zh) | 一种应用推荐方法和系统 | |
| CN108304429B (zh) | 信息推荐方法、装置和计算机设备 | |
| JP6819355B2 (ja) | レコメンデーション生成 | |
| CN110598118A (zh) | 资源对象的推荐方法、装置及计算机可读介质 | |
| CN113051468B (zh) | 一种基于知识图谱和强化学习的电影推荐方法及系统 | |
| CN111159563A (zh) | 用户兴趣点信息的确定方法、装置、设备及存储介质 | |
| KR20090017268A (ko) | 사용자의 관심 키워드를 업데이트 하는 방법과 그 방법을수행하기 위한 시스템 | |
| CN110222838B (zh) | 文档排序方法、装置、电子设备及存储介质 | |
| US7769749B2 (en) | Web page categorization using graph-based term selection | |
| JP2017182724A (ja) | アイテム推薦プログラム、アイテム推薦方法およびアイテム推薦装置 | |
| CN113536105A (zh) | 推荐模型训练方法和装置 | |
| Caruana et al. | Mining citizen science data to predict orevalence of wild bird species | |
| Wei et al. | Autoias: Automatic integrated architecture searcher for click-trough rate prediction | |
| CN115455280A (zh) | 一种推荐列表确定方法和服务器 | |
| CN108804492B (zh) | 用于多媒体对象推荐的方法及装置 | |
| CN105512122A (zh) | 信息检索系统的排序方法及装置 | |
| CN113591986A (zh) | 用于生成推荐模型的对象权值的方法和个性化推荐方法 | |
| CN117455687A (zh) | 金融产品的推荐方法、装置、存储介质及电子设备 | |
| CN114329167A (zh) | 超参数学习、智能推荐、关键词和多媒体推荐方法及装置 | |
| CN111475720A (zh) | 推荐方法、装置、服务器及存储介质 | |
| CN111915414A (zh) | 向目标用户展示目标对象序列的方法和装置 | |
| CN113836388A (zh) | 信息推荐方法、装置、服务器及存储介质 | |
| CN107038169B (zh) | 对象推荐方法和对象推荐设备 |
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 |