CN114491150A - 一种视频推荐方法、系统、设备及计算机可读存储介质 - Google Patents

一种视频推荐方法、系统、设备及计算机可读存储介质 Download PDF

Info

Publication number
CN114491150A
CN114491150A CN202210309477.2A CN202210309477A CN114491150A CN 114491150 A CN114491150 A CN 114491150A CN 202210309477 A CN202210309477 A CN 202210309477A CN 114491150 A CN114491150 A CN 114491150A
Authority
CN
China
Prior art keywords
video
preference
user
target
target user
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
CN202210309477.2A
Other languages
English (en)
Other versions
CN114491150B (zh
Inventor
胡克坤
董刚
赵雅倩
李仁刚
鲁璐
赵坤
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.)
Suzhou Inspur Intelligent Technology Co Ltd
Original Assignee
Suzhou Inspur Intelligent 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 Suzhou Inspur Intelligent Technology Co Ltd filed Critical Suzhou Inspur Intelligent Technology Co Ltd
Priority to CN202210309477.2A priority Critical patent/CN114491150B/zh
Publication of CN114491150A publication Critical patent/CN114491150A/zh
Application granted granted Critical
Publication of CN114491150B publication Critical patent/CN114491150B/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
    • G06F16/70—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
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/7867—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, title and artist information, manually generated time, location and usage information, user ratings

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Library & Information Science (AREA)
  • Computational Linguistics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请公开了一种视频推荐方法、系统、设备及计算机可读存储介质，应用于目标神经网络模型，获取视频用户集、视频项目集、视频观看行为历史、用户社交网络；获取待推荐的一组目标视频；基于视频项目集、视频观看行为历史，确定目标用户的动态兴趣偏好及长期兴趣偏好；基于视频用户集、视频项目集、视频观看行为历史及用户社交网络，确定目标用户的社交影响偏好；对动态兴趣偏好、长期兴趣偏好及社交影响偏好进行融合，得到用户综合兴趣偏好；基于用户综合兴趣偏好确定为目标用户推荐目标视频的推荐结果。本申请实现了基于目标用户的动态兴趣偏好、长期兴趣偏好、社交影响偏好为目标用户推荐视频，准确性更好。

Description

一种视频推荐方法、系统、设备及计算机可读存储介质
技术领域
本申请涉及互联网技术领域，更具体地说，涉及一种视频推荐方法、系统、设备及计算机可读存储介质。
背景技术
随着互联网技术的快速普及、多媒体技术的蓬勃发展和社交网络的日新月异，作为一种新型社交形式，“视频社交”正快速流行。与传统的社交网络不同，视频社交网络中的社交形式不再拘泥于文本和图片，还可以通过发布视频甚至直播。用户在视频软件上可以观看、评论和分享视频，同时还可与视频创作者沟通交流，极大地丰富了用户的精神文化生活。但是，日渐繁杂的视频种类和不断增长的视频数量，在给用户带来更多选择的同时，也产生严重的信息过载问题。如何解决该问题，让用户在大量的视频中找到自己喜欢的内容，满足用户个性化需求，是这些视频社交平台的推荐系统面临的巨大挑战。
综上所述，如何准确为用户推荐视频是目前本领域技术人员亟待解决的问题。
发明内容
本申请的目的是提供一种视频推荐方法，其能在一定程度上解决如何准确为用户推荐视频的技术问题。本申请还提供了一种视频推荐系统、设备及计算机可读存储介质。
为了实现上述目的，本申请提供如下技术方案：
一种视频推荐方法，应用于目标神经网络模型，包括：
获取视频用户集、视频项目集、视频观看行为历史、用户社交网络；
获取待推荐的一组目标视频；
基于所述视频项目集和所述视频观看行为历史，确定目标用户的动态兴趣偏好及长期兴趣偏好；
基于所述视频用户集、所述视频项目集、所述视频观看行为历史及所述用户社交网络，确定所述目标用户的社交影响偏好；
对所述动态兴趣偏好、所述长期兴趣偏好及所述社交影响偏好进行融合，得到用户综合兴趣偏好；
基于所述用户综合兴趣偏好确定为所述目标用户推荐所述目标视频的推荐结果；
其中，所述动态兴趣偏好表征所述目标用户在第一时长内的视频浏览偏好；所述长期兴趣偏好表征所述目标用户在第二时长内的视频浏览偏好，且所述第二时长大于所述第一时长；所述社交影响偏好表征所述目标用户在其他用户的视频推荐下的视频浏览偏好。
优选的，所述基于所述视频项目集和所述视频观看行为历史，确定目标用户的动态兴趣偏好及长期兴趣偏好，包括：
通过第一运算公式，基于所述视频项目集及所述视频观看行为历史，确定所述目标用户的所述动态兴趣偏好及所述长期兴趣偏好；
所述第一运算公式包括：
Figure 198796DEST_PATH_IMAGE001
；
Figure 69669DEST_PATH_IMAGE002
；
Figure 158848DEST_PATH_IMAGE003
；
Figure 600235DEST_PATH_IMAGE004
；
Figure 28942DEST_PATH_IMAGE005
；
Figure 477241DEST_PATH_IMAGE006
；
其中，
Figure 788137DEST_PATH_IMAGE007
表示所述目标用户，所述目标用户对应的所述视频观看行为历史表征为
Figure 511242DEST_PATH_IMAGE008
，且按时间顺序分为
Figure 591194DEST_PATH_IMAGE009
个会话
Figure 944815DEST_PATH_IMAGE010
，第
Figure 510050DEST_PATH_IMAGE011
会话记为
Figure 505688DEST_PATH_IMAGE012
，其中，
Figure 705725DEST_PATH_IMAGE013
表示所述目标用户观看的第
Figure 495827DEST_PATH_IMAGE014
个视频；
Figure 781315DEST_PATH_IMAGE015
表示所述目标用户在第
Figure 252747DEST_PATH_IMAGE016
个会话框中观看的第
Figure 307291DEST_PATH_IMAGE017
个视频，
Figure 268294DEST_PATH_IMAGE018
表示所述目标用户观看的视频数，
Figure 539613DEST_PATH_IMAGE019
表示单个会话中的视频数；
Figure 611474DEST_PATH_IMAGE020
；所述目标视频表征为
Figure 786103DEST_PATH_IMAGE021
；
Figure 386849DEST_PATH_IMAGE022
表示第
Figure 443667DEST_PATH_IMAGE023
个会话
Figure 148580DEST_PATH_IMAGE024
对应的所述目标用户的短期兴趣偏好，
Figure 380978DEST_PATH_IMAGE025
表示所述动态兴趣偏好；
Figure 683783DEST_PATH_IMAGE026
表示基于所述第一运算公式及
Figure 431160DEST_PATH_IMAGE027
计算得到的所述长期兴趣偏好；
Figure 844823DEST_PATH_IMAGE028
为视频
Figure 931728DEST_PATH_IMAGE029
的嵌入式表示；
Figure 405435DEST_PATH_IMAGE030
、
Figure 640107DEST_PATH_IMAGE031
、
Figure 591882DEST_PATH_IMAGE032
、
Figure 625304DEST_PATH_IMAGE033
、
Figure 4333DEST_PATH_IMAGE034
、
Figure 460722DEST_PATH_IMAGE035
、
Figure 481768DEST_PATH_IMAGE036
、
Figure 74423DEST_PATH_IMAGE037
表示待学习的网络参数；
Figure 93195DEST_PATH_IMAGE038
表示哈达玛积。
优选的，所述基于所述视频用户集、所述视频项目集、所述视频观看行为历史及所述用户社交网络，确定所述目标用户的社交影响偏好，包括：
通过第二运算公式，基于所述视频用户集、所述视频项目集、所述视频观看行为历史及所述用户社交网络，确定所述目标用户的所述社交影响偏好；
所述第二运算公式包括：
Figure 36880DEST_PATH_IMAGE039
；
Figure 861616DEST_PATH_IMAGE040
；
Figure 75822DEST_PATH_IMAGE041
；
Figure 796654DEST_PATH_IMAGE042
；
其中，
Figure 555531DEST_PATH_IMAGE043
表示所述目标用户在第
Figure 652800DEST_PATH_IMAGE044
次运算过程中对应的所述社交影响偏好参数；
Figure 751206DEST_PATH_IMAGE045
表示所述目标用户的好友用户
Figure 846201DEST_PATH_IMAGE046
在第
Figure 263014DEST_PATH_IMAGE047
次运算过程中对应的所述社交影响偏好参数，
Figure 429553DEST_PATH_IMAGE048
，
Figure 851307DEST_PATH_IMAGE049
，
Figure 382782DEST_PATH_IMAGE050
表示所述视频用户集，
Figure 522777DEST_PATH_IMAGE051
表示用户总数，
Figure 493007DEST_PATH_IMAGE052
；
Figure 238109DEST_PATH_IMAGE053
；
Figure 737223DEST_PATH_IMAGE054
表示对角的参数矩阵；
Figure 630093DEST_PATH_IMAGE055
表示激活函数；当
Figure 872855DEST_PATH_IMAGE056
时，
Figure 472464DEST_PATH_IMAGE057
，
Figure 643945DEST_PATH_IMAGE058
；
Figure 24110DEST_PATH_IMAGE059
表示所述社交影响偏好；
Figure 8247DEST_PATH_IMAGE060
、
Figure 524679DEST_PATH_IMAGE061
表示待学习的变换矩阵。
优选的，所述对所述动态兴趣偏好、所述长期兴趣偏好及所述社交影响偏好进行融合，得到用户综合兴趣偏好，包括：
通过第三运算公式，对所述动态兴趣偏好、所述长期兴趣偏好及所述社交影响偏好进行融合，得到所述用户综合兴趣偏好；
所述第三运算公式包括：
Figure 365596DEST_PATH_IMAGE062
；
Figure 233058DEST_PATH_IMAGE063
；
Figure 20885DEST_PATH_IMAGE064
；
其中，
Figure 391824DEST_PATH_IMAGE065
表示所述用户综合兴趣偏好；
Figure 669221DEST_PATH_IMAGE066
；
Figure 492821DEST_PATH_IMAGE067
；
Figure 84339DEST_PATH_IMAGE068
；
Figure 808319DEST_PATH_IMAGE069
和
Figure 256618DEST_PATH_IMAGE070
一一对应，且
Figure 833093DEST_PATH_IMAGE071
；
Figure 962723DEST_PATH_IMAGE072
，
Figure 42674DEST_PATH_IMAGE073
表示所述目标用户
Figure 927454DEST_PATH_IMAGE074
的嵌入式表示，且
Figure 725646DEST_PATH_IMAGE075
，
Figure 658967DEST_PATH_IMAGE076
表示
Figure 593424DEST_PATH_IMAGE077
维的实数向量；
Figure 649105DEST_PATH_IMAGE078
表示张量的拼接操作；
Figure 436058DEST_PATH_IMAGE079
、
Figure 907490DEST_PATH_IMAGE080
、
Figure 962034DEST_PATH_IMAGE081
、
Figure 188616DEST_PATH_IMAGE082
表示待学习的参数矩阵，
Figure 695821DEST_PATH_IMAGE083
表示
Figure 970944DEST_PATH_IMAGE084
维的实数矩阵。
优选的，所述基于所述用户综合兴趣偏好确定为所述目标用户推荐所述目标视频的推荐结果，包括：
通过第四运算公式，基于所述用户综合兴趣偏好计算所述目标用户观看所述目标视频的概率值；
基于所述概率值确定为所述目标用户推荐所述目标视频的推荐结果；
所述第四运算公式包括：
Figure 145574DEST_PATH_IMAGE085
；
其中，
Figure 277478DEST_PATH_IMAGE086
表示所述概率值；
Figure 537558DEST_PATH_IMAGE087
表示视频，
Figure 350793DEST_PATH_IMAGE088
，
Figure 379929DEST_PATH_IMAGE089
表示所述视频项目集，
Figure 915690DEST_PATH_IMAGE090
表示视频总数；
Figure 928646DEST_PATH_IMAGE091
为视频
Figure 342309DEST_PATH_IMAGE092
的嵌入式表示，且
Figure 429214DEST_PATH_IMAGE093
。
优选的，所述基于所述视频项目集、所述视频观看行为历史及所述目标视频，确定目标用户的动态兴趣偏好及长期兴趣偏好，包括：
通过双层堆叠LSTM网络的第一层来基于所述视频项目集、所述视频观看行为历史及所述目标视频，确定所述目标用户的所述动态兴趣偏好；
通过所述双层堆叠LSTM网络的第二层及来确定所述长期兴趣偏好；
其中，所述双层堆叠LSTM网络的第一层由
Figure 902921DEST_PATH_IMAGE094
个LSTM cell串联而成，且第
Figure 137593DEST_PATH_IMAGE095
个cell的隐藏状态
Figure 89369DEST_PATH_IMAGE096
及其上下文向量
Figure 93097DEST_PATH_IMAGE097
输入到紧随其后的第
Figure 675388DEST_PATH_IMAGE098
Figure 131777DEST_PATH_IMAGE099
个cell中；所述双层堆叠LSTM网络的第二层仅由一个cell组成，用于读取所述双层堆叠LSTM网络的第一层的所有所述隐藏状态
Figure 654287DEST_PATH_IMAGE100
并将读取的所述隐藏状态
Figure 512522DEST_PATH_IMAGE101
经由全连接层变换后输出；且所述双层堆叠LSTM网络的第一层及所述双层堆叠LSTM网络的第二层间插入有dropout层和全连接层。
优选的，所述基于所述视频用户集、所述视频项目集、所述视频观看行为历史及所述用户社交网络，确定所述目标用户的社交影响偏好，包括：
通过GGAT图神经网络来基于所述视频用户集、所述视频项目集、所述视频观看行为历史及所述用户社交网络，确定所述目标用户的所述社交影响偏好。
优选的，所述对所述动态兴趣偏好、所述长期兴趣偏好及所述社交影响偏好进行融合，得到用户综合兴趣偏好，包括：
基于多头自注意力机制来对所述动态兴趣偏好、所述长期兴趣偏好及所述社交影响偏好进行融合，得到所述用户综合兴趣偏好。
优选的，所述目标神经网络模型在训练过程中所应用的损失函数包括：
Figure 531294DEST_PATH_IMAGE102
。
一种视频推荐系统，应用于目标神经网络模型，包括：
第一获取模块，用于获取视频用户集、视频项目集、视频观看行为历史、用户社交网络；
第二获取模块，用于获取待推荐的一组目标视频；
第一确定模块，用于基于所述视频项目集和所述视频观看行为历史，确定目标用户的动态兴趣偏好及长期兴趣偏好；
第二确定模块，用于基于所述视频用户集、所述视频项目集、所述视频观看行为历史及所述用户社交网络，确定所述目标用户的社交影响偏好；
第一融合模块，用于对所述动态兴趣偏好、所述长期兴趣偏好及所述社交影响偏好进行融合，得到用户综合兴趣偏好；
第三确定模块，用于基于所述用户综合兴趣偏好确定为所述目标用户推荐所述目标视频的推荐结果；
其中，所述动态兴趣偏好表征所述目标用户在第一时长内的视频浏览偏好；所述长期兴趣偏好表征所述目标用户在第二时长内的视频浏览偏好，且所述第二时长大于所述第一时长；所述社交影响偏好表征所述目标用户在其他用户的视频推荐下的视频浏览偏好。
一种电子设备，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任一所述视频推荐方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时实现如上任一所述视频推荐方法的步骤。
本申请提供的一种视频推荐方法，应用于目标神经网络模型，获取视频用户集、视频项目集、视频观看行为历史、用户社交网络；获取待推荐的一组目标视频；基于视频项目集和视频观看行为历史，确定目标用户的动态兴趣偏好及长期兴趣偏好；基于视频用户集、视频项目集、视频观看行为历史及用户社交网络，确定目标用户的社交影响偏好；对动态兴趣偏好、长期兴趣偏好及社交影响偏好进行融合，得到用户综合兴趣偏好；基于用户综合兴趣偏好确定为目标用户推荐目标视频的推荐结果；其中，动态兴趣偏好表征目标用户在第一时长内的视频浏览偏好；长期兴趣偏好表征目标用户在第二时长内的视频浏览偏好，且第二时长大于第一时长；社交影响偏好表征目标用户在其他用户的视频推荐下的视频浏览偏好。本申请中，基于视频项目集、视频观看行为历史，确定目标用户的动态兴趣偏好及长期兴趣偏好，基于视频用户集、视频项目集、视频观看行为历史及用户社交网络，确定目标用户的社交影响偏好，并对动态兴趣偏好、长期兴趣偏好及社交影响偏好进行融合，得到用户综合兴趣偏好，最后基于用户综合兴趣偏好确定为目标用户推荐目标视频的推荐结果，实现了基于目标用户在第一时长内的视频浏览偏好、在第二时长内的视频浏览偏好及目标用户在其他用户的视频推荐下的视频浏览偏好来为目标用户推荐视频，与只基于用户的长期兴趣偏好来为用户推荐视频的现有技术相比，推荐视频的参考因素更多，准确性更好。本申请实施例提供的一种视频推荐系统、设备及计算机可读存储介质也解决了相应技术问题。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述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，还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供的一种视频推荐方法的流程图；
图2为双层堆叠LSTM网络的结构示意图；
图3为GGAT图神经网络的结构示意图；
图4为目标神经网络模型的结构示意图；
图5为本申请实施例提供的一种视频推荐系统的结构示意图；
图6为本发明实施例电子设备的硬件组成结构示意图。
具体实施方式
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，所描述的实施例仅仅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。
请参阅图1，图1为本申请实施例提供的一种视频推荐方法的流程图。
本申请实施例提供的一种视频推荐方法，应用于目标神经网络模型，可以包括以下步骤：
步骤S101：获取视频用户集、视频项目集、视频观看行为历史、用户社交网络。
实际应用中，目标神经网络模型可以先获取视频用户集、视频项目集、视频观看行为历史及用户社交网络，以便后续基于此对目标用户进行视频推荐。需要说明的是，视频用户集指的是浏览视频的用户的集合，其中会包括目标用户；视频项目集指的是所有用户所浏览的视频的集合；视频观看行为历史指的是用户观看视频的历史记录，其中，每个用户均有一个视频观看行为历史；用户社交网络指的是用户间的社交关系。
步骤S102：获取待推荐的一组目标视频。
实际应用中，在获取视频用户集、视频项目集、视频观看行为历史、用户社交网络之后，便可以获取待推荐的一组目标视频，以便后续在目标视频中确定为用户推荐的视频，目标视频的数量及类型等均可以根据实际需要确定。
需要说明的是，待推荐的目标视频可以包含在所有视频项目集当中，且对于某个用户而言，待推荐的目标视频集通常是指该用户未浏览过的视频的集合，可以为总的视频集合去除该用户已经看过的视频集之后的剩余视频集。
步骤S103：基于视频项目集和视频观看行为历史，确定目标用户的动态兴趣偏好及长期兴趣偏好。
实际应用中，因为用户的兴趣偏好具有一定的稳定性，例如，文静用户不太可能从不喜欢暴力犯罪类视频变成喜欢；其次，用户的兴趣爱好具有突变性，会随时间动态改变，例如，用户在世界杯期间对体育类视频产生浓厚兴趣，当世界杯结束时可能转向幽默风趣类视频。也即用户的兴趣偏好存在长期兴趣偏好及短期兴趣偏好，所以可以基于视频项目集、视频观看行为历史，确定目标用户的动态兴趣偏好及长期兴趣偏好，以便后续基于目标用户的动态兴趣偏好及长期兴趣偏好来为目标用户进行视频推荐。
具体应用场景中，不妨记视频用户集和视频项目集分别为
Figure 474979DEST_PATH_IMAGE103
，
Figure 768557DEST_PATH_IMAGE104
。其中，
Figure 481298DEST_PATH_IMAGE105
和
Figure 733288DEST_PATH_IMAGE106
分别表示用户总数、视频总数。
Figure 164269DEST_PATH_IMAGE107
，设其嵌入式表示为
Figure 464800DEST_PATH_IMAGE108
，
Figure 32048DEST_PATH_IMAGE109
表示
Figure 687895DEST_PATH_IMAGE110
维的实数向量；
Figure 606172DEST_PATH_IMAGE111
，设其嵌入式表示为
Figure 241553DEST_PATH_IMAGE112
。记用户社交网络图为
Figure 194466DEST_PATH_IMAGE113
, 用户与视频二部图为
Figure 522679DEST_PATH_IMAGE114
。其中，
Figure 865935DEST_PATH_IMAGE115
和
Figure 570586DEST_PATH_IMAGE116
，其中，
Figure 112426DEST_PATH_IMAGE117
表示集合之间的迪卡尔积。记
Figure 877120DEST_PATH_IMAGE118
的邻接矩阵记为
Figure 5875DEST_PATH_IMAGE119
，元素
Figure 983058DEST_PATH_IMAGE120
表示用户
Figure 644984DEST_PATH_IMAGE121
和
Figure 314999DEST_PATH_IMAGE122
之间连接边的权重。
Figure 429586DEST_PATH_IMAGE123
,记其好友集为
Figure 210460DEST_PATH_IMAGE124
；记其观看视频行为历史
Figure 726892DEST_PATH_IMAGE125
, 且按时间顺序分为
Figure 567809DEST_PATH_IMAGE126
个会话
Figure 668227DEST_PATH_IMAGE127
，第
Figure 252792DEST_PATH_IMAGE128
会话记为
Figure 623731DEST_PATH_IMAGE129
。其中，
Figure 635549DEST_PATH_IMAGE130
表示用户
Figure 459148DEST_PATH_IMAGE131
观看的第
Figure 847404DEST_PATH_IMAGE132
个视频；
Figure 72849DEST_PATH_IMAGE133
表示用户
Figure 255569DEST_PATH_IMAGE134
在第
Figure 35306DEST_PATH_IMAGE135
个会话框中观看的第
Figure 463139DEST_PATH_IMAGE136
个视频；
Figure 543090DEST_PATH_IMAGE137
表示用户
Figure 162290DEST_PATH_IMAGE138
观看的视频数，
Figure 960482DEST_PATH_IMAGE139
表示单个会话中的视频数。给定视频用户集
Figure 424962DEST_PATH_IMAGE140
，视频项目集
Figure 624999DEST_PATH_IMAGE141
，每个用户
Figure 999390DEST_PATH_IMAGE142
的观看视频行为历史
Figure 816036DEST_PATH_IMAGE143
，用户间的社交网络
Figure 349786DEST_PATH_IMAGE144
， 以及用户
Figure 296007DEST_PATH_IMAGE145
的一个新的会话
Figure 850485DEST_PATH_IMAGE146
。则在基于视频项目集及视频观看行为历史，确定目标用户的动态兴趣偏好及长期兴趣偏好的过程中，可以通过第一运算公式，基于视频项目集及视频观看行为历史，确定目标用户的动态兴趣偏好及长期兴趣偏好；
第一运算公式包括：
Figure 623269DEST_PATH_IMAGE147
；
Figure 429551DEST_PATH_IMAGE148
；
Figure 633874DEST_PATH_IMAGE149
；
Figure 765778DEST_PATH_IMAGE150
；
Figure 760279DEST_PATH_IMAGE151
；
Figure 635831DEST_PATH_IMAGE152
；
其中，
Figure 664967DEST_PATH_IMAGE153
表示目标用户，目标用户对应的视频观看行为历史表征为
Figure 702193DEST_PATH_IMAGE154
，且按时间顺序分为
Figure 449569DEST_PATH_IMAGE155
个会话
Figure 364698DEST_PATH_IMAGE156
，第
Figure 248340DEST_PATH_IMAGE157
会话记为
Figure 456468DEST_PATH_IMAGE158
，其中，
Figure 425561DEST_PATH_IMAGE159
表示目标用户观看的第
Figure 377336DEST_PATH_IMAGE160
个视频；
Figure 912223DEST_PATH_IMAGE161
表示目标用户在第
Figure 556831DEST_PATH_IMAGE162
个会话框中观看的第
Figure 246176DEST_PATH_IMAGE163
个视频，
Figure 1642DEST_PATH_IMAGE164
表示目标用户观看的视频数，
Figure 859877DEST_PATH_IMAGE165
表示单个会话中的视频数；
Figure 675386DEST_PATH_IMAGE166
；目标视频表征为
Figure 150230DEST_PATH_IMAGE167
；
Figure 709387DEST_PATH_IMAGE168
表示第
Figure 422128DEST_PATH_IMAGE169
个会话
Figure 910004DEST_PATH_IMAGE170
对应的目标用户的短期兴趣偏好，
Figure 340985DEST_PATH_IMAGE171
表示动态兴趣偏好；
Figure 172675DEST_PATH_IMAGE172
表示基于第一运算公式及
Figure 739922DEST_PATH_IMAGE173
计算得到的长期兴趣偏好；
Figure 897234DEST_PATH_IMAGE174
为视频
Figure 549932DEST_PATH_IMAGE175
的嵌入式表示；
Figure 74061DEST_PATH_IMAGE176
、
Figure 761394DEST_PATH_IMAGE177
、
Figure 620766DEST_PATH_IMAGE178
、
Figure 760760DEST_PATH_IMAGE179
、
Figure 199832DEST_PATH_IMAGE180
、
Figure 508716DEST_PATH_IMAGE181
、
Figure 7830DEST_PATH_IMAGE182
、
Figure 635121DEST_PATH_IMAGE183
表示待学习的网络参数；
Figure 877883DEST_PATH_IMAGE184
表示Hadamard product（哈达玛积）；
Figure 539809DEST_PATH_IMAGE185
为非线性函数。
具体应用场景中，在基于视频项目集、视频观看行为历史及目标视频，确定目标用户的动态兴趣偏好及长期兴趣偏好的过程中，可以通过双层堆叠LSTM（Long short-termmemory，长短时记忆网络）网络的第一层来基于视频项目集、视频观看行为历史及目标视频，确定目标用户的动态兴趣偏好；通过双层堆叠LSTM网络的第二层及来确定长期兴趣偏好；其中，双层堆叠LSTM网络的第一层由
Figure 209824DEST_PATH_IMAGE186
个LSTM cell串联而成，且第
Figure 58832DEST_PATH_IMAGE187
个cell的隐藏状态
Figure 308547DEST_PATH_IMAGE188
及其上下文向量
Figure 824979DEST_PATH_IMAGE189
输入到紧随其后的第
Figure 430011DEST_PATH_IMAGE098
Figure 766314DEST_PATH_IMAGE099
个cell中；双层堆叠LSTM网络的第二层仅由一个cell组成，用于读取双层堆叠LSTM网络的第一层的所有隐藏状态
Figure 554142DEST_PATH_IMAGE100
并将读取的隐藏状态
Figure 190659DEST_PATH_IMAGE101
经由全连接层变换后输出；且双层堆叠LSTM网络的第一层及双层堆叠LSTM网络的第二层间插入有dropout层和全连接层。LSTM cell由记忆单元、输入门、遗忘门和输出门组成，遗忘门利用sigmoid函数
Figure 202478DEST_PATH_IMAGE190
以前一时刻的输出
Figure 494919DEST_PATH_IMAGE191
和当前时刻的输入
Figure 617596DEST_PATH_IMAGE192
为输入得到
Figure 374199DEST_PATH_IMAGE193
，用以决定多少让前一时刻学习到的信息
Figure 556919DEST_PATH_IMAGE194
通过或部分通过：
Figure 867814DEST_PATH_IMAGE195
；类似地，输入门使用函数
Figure 997444DEST_PATH_IMAGE196
以前一时刻的输出
Figure 844440DEST_PATH_IMAGE197
和当前时刻的输入
Figure 463640DEST_PATH_IMAGE198
为输入得到
Figure 261832DEST_PATH_IMAGE199
，用以决定哪些值用来更新：
Figure 195153DEST_PATH_IMAGE200
；LSTM 记忆单元存储的信息
Figure 395190DEST_PATH_IMAGE201
由输入门和新生成的候选值
Figure 185291DEST_PATH_IMAGE202
相乘得到：
Figure 470779DEST_PATH_IMAGE203
，
Figure 207791DEST_PATH_IMAGE204
；最终输出
Figure 262335DEST_PATH_IMAGE205
由初始输出
Figure 223338DEST_PATH_IMAGE206
和输出门相乘得到，其中，输出门利用
Figure 494657DEST_PATH_IMAGE207
函数将
Figure 566518DEST_PATH_IMAGE208
缩放到-1到1之间：
Figure 678830DEST_PATH_IMAGE209
，
Figure 810734DEST_PATH_IMAGE210
。
步骤S104：基于视频用户集、视频项目集、视频观看行为历史及用户社交网络，确定目标用户的社交影响偏好。
实际应用中，用户与用户间存在社交，且用户的兴趣偏好会受到社交网络的影响。例如，用户可能会因为其朋友经常给其分享温馨文艺类视频而喜欢上它，这便是社交影响偏好。此外，社交影响偏好是依赖于用户需求上下文的，例如，当用户想购买笔记本电脑，她更喜欢向热衷于高科技设备的朋友咨询；而她在购买相机时，她很可能会向喜欢摄影师朋友的寻求建议。因此，用户的社交影响偏好也会影响最终的视频推荐结果，所以在基于视频项目集、视频观看行为历史及目标视频，确定目标用户的动态兴趣偏好及长期兴趣偏好之后，还需基于视频用户集、视频项目集、视频观看行为历史及用户社交网络，确定目标用户的社交影响偏好，以便后续基于目标用户的动态兴趣偏好、长期兴趣偏好及社交影响偏好来为目标用户进行视频推荐。
具体应用场景中，在基于视频用户集、视频项目集、视频观看行为历史及用户社交网络，确定目标用户的社交影响偏好的过程中，可以通过第二运算公式，基于视频用户集、视频项目集、视频观看行为历史及用户社交网络，确定目标用户的社交影响偏好；
第二运算公式包括：
Figure 70814DEST_PATH_IMAGE211
；
Figure 946367DEST_PATH_IMAGE212
；
Figure 913186DEST_PATH_IMAGE213
；
Figure 215991DEST_PATH_IMAGE214
；
其中，
Figure 963367DEST_PATH_IMAGE215
表示目标用户在第
Figure 377031DEST_PATH_IMAGE216
次运算过程中对应的社交影响偏好参数；
Figure 463936DEST_PATH_IMAGE217
表示目标用户的好友用户
Figure 439107DEST_PATH_IMAGE218
在第
Figure 673779DEST_PATH_IMAGE219
次运算过程中对应的社交影响偏好参数，
Figure 891134DEST_PATH_IMAGE220
，
Figure 629283DEST_PATH_IMAGE221
，
Figure 477153DEST_PATH_IMAGE222
表示视频用户集，
Figure 933542DEST_PATH_IMAGE223
表示用户总数，
Figure 954588DEST_PATH_IMAGE224
；
Figure 812823DEST_PATH_IMAGE225
；
Figure 566015DEST_PATH_IMAGE226
表示对角的参数矩阵；
Figure 509700DEST_PATH_IMAGE227
表示激活函数；当
Figure 567393DEST_PATH_IMAGE228
时，
Figure 545713DEST_PATH_IMAGE229
，
Figure 532123DEST_PATH_IMAGE230
；
Figure 900788DEST_PATH_IMAGE231
表示社交影响偏好；
Figure 998057DEST_PATH_IMAGE232
、
Figure 830884DEST_PATH_IMAGE233
表示待学习的变换矩阵。
具体应用场景中，在基于视频用户集、视频项目集、视频观看行为历史及用户社交网络，确定目标用户的社交影响偏好的过程中，可以通过GGAT (Gated Graph AttentionNeural Network，门控图注意力网络)图神经网络来基于视频用户集、视频项目集、视频观看行为历史及用户社交网络，确定目标用户的社交影响偏好。如图3所示，GGAT图神经网络由输入层、
Figure 253775DEST_PATH_IMAGE234
层图卷积层和输出层组成。设第
Figure 906473DEST_PATH_IMAGE235
层图卷积层目标用户
Figure 10695DEST_PATH_IMAGE236
的隐藏层表示为
Figure 698029DEST_PATH_IMAGE237
, 其邻居
Figure 527707DEST_PATH_IMAGE238
的隐藏层表示为
Figure 933280DEST_PATH_IMAGE239
，则第
Figure 169089DEST_PATH_IMAGE240
层图卷积层目标用户
Figure 710929DEST_PATH_IMAGE241
的隐藏层表示
Figure 475623DEST_PATH_IMAGE242
可通过以下图卷积计算公式得到：
Figure 306176DEST_PATH_IMAGE243
。其中，
Figure 548938DEST_PATH_IMAGE244
、
Figure 709399DEST_PATH_IMAGE245
均为非线性函数，其在GGAT图神经网络中分别起到门和注意力的作用；且
Figure 379414DEST_PATH_IMAGE246
用以在GGAT图神经网络中控制是否允许邻居
Figure 697263DEST_PATH_IMAGE247
向目标用户
Figure 743717DEST_PATH_IMAGE248
发送信息，并实现为内积门。此外，第
Figure 260149DEST_PATH_IMAGE249
层图卷积层目标用户
Figure 101066DEST_PATH_IMAGE250
的隐藏层表示
Figure 906211DEST_PATH_IMAGE251
即为其社交影响偏好
Figure 490776DEST_PATH_IMAGE252
。
步骤S105：对动态兴趣偏好、长期兴趣偏好及社交影响偏好进行融合，得到用户综合兴趣偏好。
实际应用中，在对动态兴趣偏好、长期兴趣偏好及社交影响偏好进行融合，得到用户综合兴趣偏好的过程中，可以通过第三运算公式，对动态兴趣偏好、长期兴趣偏好及社交影响偏好进行融合，得到用户综合兴趣偏好；
第三运算公式包括：
Figure 127294DEST_PATH_IMAGE253
；
Figure 139112DEST_PATH_IMAGE254
；
Figure 431553DEST_PATH_IMAGE255
；
其中，
Figure 55695DEST_PATH_IMAGE256
表示用户综合兴趣偏好；
Figure 546719DEST_PATH_IMAGE257
；
Figure 995018DEST_PATH_IMAGE258
；
Figure 509176DEST_PATH_IMAGE259
；
Figure 435543DEST_PATH_IMAGE260
和
Figure 46653DEST_PATH_IMAGE261
一一对应，且
Figure 603536DEST_PATH_IMAGE262
；
Figure 401728DEST_PATH_IMAGE263
，
Figure 131787DEST_PATH_IMAGE264
表示目标用户
Figure 597403DEST_PATH_IMAGE265
的嵌入式表示，且
Figure 325188DEST_PATH_IMAGE266
，
Figure 929386DEST_PATH_IMAGE267
表示
Figure 400819DEST_PATH_IMAGE268
维的实数向量；
Figure 455362DEST_PATH_IMAGE269
表示张量的拼接操作；
Figure 681944DEST_PATH_IMAGE270
、
Figure 454728DEST_PATH_IMAGE271
、
Figure 464272DEST_PATH_IMAGE272
、
Figure 638902DEST_PATH_IMAGE273
表示待学习的参数矩阵，
Figure 505227DEST_PATH_IMAGE274
表示
Figure 30886DEST_PATH_IMAGE275
维的实数矩阵。
需要说明的是，具体应用场景中，还可以通过sum、max、前馈神经网络等任意复杂函数来对动态兴趣偏好、长期兴趣偏好及社交影响偏好进行融合等，本申请在此不做具体限定。且具体应用场景中，在对动态兴趣偏好、长期兴趣偏好及社交影响偏好进行融合，得到用户综合兴趣偏好的过程中，可以基于多头自注意力机制来对动态兴趣偏好、长期兴趣偏好及社交影响偏好进行融合，得到用户综合兴趣偏好。
步骤S106：基于用户综合兴趣偏好确定为目标用户推荐目标视频的推荐结果；其中，动态兴趣偏好表征目标用户在第一时长内的视频浏览偏好；长期兴趣偏好表征目标用户在第二时长内的视频浏览偏好，且第二时长大于第一时长；社交影响偏好表征目标用户在其他用户的视频推荐下的视频浏览偏好。
实际应用中，在确定目标用户的动态兴趣偏好、长期兴趣偏好及社交影响偏好之后，便可以对动态兴趣偏好、长期兴趣偏好及社交影响偏好进行融合，得到用户综合兴趣偏好，并基于用户综合兴趣偏好确定为目标用户推荐目标视频的推荐结果。
具体应用场景中，在基于用户综合兴趣偏好确定为目标用户推荐目标视频的推荐结果的过程中，可以通过第四运算公式，基于用户综合兴趣偏好计算目标用户观看目标视频的概率值；
基于概率值确定为目标用户推荐目标视频的推荐结果；
第四运算公式包括：
Figure 142324DEST_PATH_IMAGE276
；
其中，
Figure 374722DEST_PATH_IMAGE277
表示概率值；
Figure 677527DEST_PATH_IMAGE278
表示视频，
Figure 424903DEST_PATH_IMAGE279
，
Figure 838567DEST_PATH_IMAGE280
表示视频项目集，
Figure 925472DEST_PATH_IMAGE281
表示视频总数；
Figure 399179DEST_PATH_IMAGE282
为视频
Figure 633851DEST_PATH_IMAGE283
的嵌入式表示，且
Figure 320047DEST_PATH_IMAGE284
。
需要说明的是，本申请中目标神经网络模型的结构可以根据具体应用场景来确定，比如其结构可以如图4所示等。此外，在目标神经网络模型的训练过程中，可以将双层堆叠LSTM网络的初始状态值作全零初始化；按照特定策略，如正态分布随机初始化、Xavier初始化或He Initialization初始化，对LSTM网络各个门的参数以及GGAT网络各层参数进行初始化；之后根据特定策略如随机梯度下降(Stochastic Gradient Descent, SGD)、动量梯度下降(Momentum Gradient Descent, MGD)、Nesterov Momentum、AdaGrad、RMSprop和Adam(Adaptive Moment Estimation)或批量梯度下降(Batch Gradient Descent, BGD)，以用户集
Figure 323775DEST_PATH_IMAGE285
、视频项目集
Figure 466918DEST_PATH_IMAGE286
、社交网络
Figure 188887DEST_PATH_IMAGE287
的邻接矩阵表示
Figure 944353DEST_PATH_IMAGE288
、每个用户的会话集，训练模型，对双层堆叠LSTM网络和GGAT网络中的参数进行修正和更新，以优化损失函数值，直至损失函数取得最小值或训练次数达到指定迭最大值时，训练结束；且训练过程中应用的损失函数可以为
Figure 740271DEST_PATH_IMAGE289
等。
具体的，目标神经网络模型的训练过程可以包括以下步骤：
下载视频推荐数据集，它包含用户评分文件和社交网络文件，在用户评分文件中，包含有效用户82901个、视频文件73677个以及8483267个评分，平均每个用户评分102.33个；在社交网络文件中，包含112679个用户和1758302个用户之间的好有关系，平均每个用户有15.6个朋友对数据集进行预处理，从中提取用户集
Figure 555780DEST_PATH_IMAGE290
、视频项目集
Figure 765045DEST_PATH_IMAGE291
；构建用户-视频二部图
Figure 527464DEST_PATH_IMAGE292
、社交网络图
Figure 240205DEST_PATH_IMAGE293
及其邻接矩阵
Figure 226616DEST_PATH_IMAGE294
；以七天为单个会话时长，为每个用户
Figure 486958DEST_PATH_IMAGE295
构建会话序列
Figure 849806DEST_PATH_IMAGE296
；用户、视频文件的嵌入式表示均通过One-hotEmbedding方式得到。将数据集划分为训练集、验证集和测试集。前者包含639916个会话和12130个视频项目；中者包含7789个会话和4613个视频项目；后者包含7896个会话和4619个视频项目；
将双层堆叠LSTM网络的初始状态值作全零初始化；按照正则化初始化方法，对LSTM网络各个门的参数以及GGAT网络各层参数进行初始化；
以
Figure 682633DEST_PATH_IMAGE297
,
Figure 259852DEST_PATH_IMAGE298
,
Figure 709287DEST_PATH_IMAGE299
,
Figure 236346DEST_PATH_IMAGE300
作为网络模型的输入，进行前向传播；按照损失函数计算公式计算模型损失函数值；按照BGD优化方法，计算损失函数关于网络参数的梯度，并后向传播，以便对网络参数进行优化，直至网络预测误差达到一个指定的较小值或迭代次数达到指定迭最大值时，训练结束。
本申请提供的一种视频推荐方法，应用于目标神经网络模型，获取视频用户集、视频项目集、视频观看行为历史、用户社交网络；获取待推荐的一组目标视频；基于视频项目集和视频观看行为历史，确定目标用户的动态兴趣偏好及长期兴趣偏好；基于视频用户集、视频项目集、视频观看行为历史及用户社交网络，确定目标用户的社交影响偏好；对动态兴趣偏好、长期兴趣偏好及社交影响偏好进行融合，得到用户综合兴趣偏好；基于用户综合兴趣偏好确定为目标用户推荐目标视频的推荐结果；其中，动态兴趣偏好表征目标用户在第一时长内的视频浏览偏好；长期兴趣偏好表征目标用户在第二时长内的视频浏览偏好，且第二时长大于第一时长；社交影响偏好表征目标用户在其他用户的视频推荐下的视频浏览偏好。本申请中，基于视频项目集、视频观看行为历史，确定目标用户的动态兴趣偏好及长期兴趣偏好，基于视频用户集、视频项目集、视频观看行为历史及用户社交网络，确定目标用户的社交影响偏好，并对动态兴趣偏好、长期兴趣偏好及社交影响偏好进行融合，得到用户综合兴趣偏好，最后基于用户综合兴趣偏好确定为目标用户推荐目标视频的推荐结果，实现了基于目标用户在第一时长内的视频浏览偏好、在第二时长内的视频浏览偏好及目标用户在其他用户的视频推荐下的视频浏览偏好来为目标用户推荐视频，与只基于用户的长期兴趣偏好来为用户推荐视频的现有技术相比，推荐视频的参考因素更多，准确性更好。
请参阅图5，图5为本申请实施例提供的一种视频推荐系统的结构示意图。
本申请实施例提供的一种视频推荐系统，应用于目标神经网络模型，可以包括：
第一获取模块101，用于获取视频用户集、视频项目集、视频观看行为历史、用户社交网络；
第二获取模块102，用于获取待推荐的一组目标视频；
第一确定模块103，用于基于视频项目集和视频观看行为历史，确定目标用户的动态兴趣偏好及长期兴趣偏好；
第二确定模块104，用于基于视频用户集、视频项目集、视频观看行为历史及用户社交网络，确定目标用户的社交影响偏好；
第一融合模块105，用于对动态兴趣偏好、长期兴趣偏好及社交影响偏好进行融合，得到用户综合兴趣偏好；
第三确定模块106，用于基于用户综合兴趣偏好确定为目标用户推荐目标视频的推荐结果；
其中，动态兴趣偏好表征目标用户在第一时长内的视频浏览偏好；长期兴趣偏好表征目标用户在第二时长内的视频浏览偏好，且第二时长大于第一时长；社交影响偏好表征目标用户在其他用户的视频推荐下的视频浏览偏好。
本申请实施例提供的一种视频推荐系统中各个模块的相关描述可以参数上述实施例，在此不再赘述。
基于上述程序模块的硬件实现，且为了实现本发明实施例的方法，本发明实施例还提供了一种电子设备，图6为本发明实施例电子设备的硬件组成结构示意图，如图6所示，电子设备包括：
通信接口1，能够与其它设备比如网络设备等进行信息交互；
处理器2，与通信接口1连接，以实现与其它设备进行信息交互，用于运行计算机程序时，执行上述一个或多个技术方案提供的应用的视频推荐方法。而所述计算机程序存储在存储器3上。
当然，实际应用时，电子设备中的各个组件通过总线系统4耦合在一起。可理解，总线系统4用于实现这些组件之间的连接通信。总线系统4除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图6中将各种总线都标为总线系统4。
本发明实施例中的存储器3用于存储各种类型的数据以支持电子设备的操作。这些数据的示例包括：用于在电子设备上操作的任何计算机程序。
可以理解，存储器3可以是易失性存储器或非易失性存储器，也可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器（ROM，Read Only Memory）、可编程只读存储器（PROM，Programmable Read-Only Memory）、可擦除可编程只读存储器（EPROM，Erasable Programmable Read-Only Memory）、电可擦除可编程只读存储器（EEPROM，Electrically Erasable Programmable Read-Only Memory）、磁性随机存取存储器（FRAM，ferromagnetic random access memory）、快闪存储器（Flash Memory）、磁表面存储器、光盘、或只读光盘（CD-ROM，Compact Disc Read-Only Memory）；磁表面存储器可以是磁盘存储器或磁带存储器。易失性存储器可以是随机存取存储器（RAM，Random AccessMemory），其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器（SRAM，Static Random Access Memory）、同步静态随机存取存储器（SSRAM，Synchronous Static Random Access Memory）、动态随机存取存储器（DRAM，Dynamic Random Access Memory）、同步动态随机存取存储器（SDRAM，SynchronousDynamic Random Access Memory）、双倍数据速率同步动态随机存取存储器（DDRSDRAM，Double Data Rate Synchronous Dynamic Random Access Memory）、增强型同步动态随机存取存储器（ESDRAM，Enhanced Synchronous Dynamic Random Access Memory）、同步连接动态随机存取存储器（SLDRAM，SyncLink Dynamic Random Access Memory）、直接内存总线随机存取存储器（DRRAM，Direct Rambus Random Access Memory）。本发明实施例描述的存储器2旨在包括但不限于这些和任意其它适合类型的存储器。
上述本发明实施例揭示的方法可以应用于处理器2中，或者由处理器2实现。处理器2可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器2中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器2可以是通用处理器、DSP，或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。处理器2可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本发明实施例所公开的方法的步骤，可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于存储介质中，该存储介质位于存储器3，处理器2读取存储器3中的程序，结合其硬件完成前述方法的步骤。
处理器2执行所述程序时实现本发明实施例的各个方法中的相应流程，为了简洁，在此不再赘述。
在示例性实施例中，本发明实施例还提供了一种存储介质，即计算机存储介质，具体为计算机可读存储介质，例如包括存储计算机程序的存储器3，上述计算机程序可由处理器2执行，以完成前述方法所述步骤。计算机可读存储介质可以是FRAM、ROM、PROM、EPROM、EEPROM、Flash Memory、磁表面存储器、光盘、或CD-ROM等存储器。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置、终端和方法，可以通过其它的方式实现。以上所描述的设备实施例仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元，即可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台电子设备（可以是个人计算机、服务器、或者网络设备等）执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明，使本领域技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (12)

1.一种视频推荐方法，其特征在于，应用于目标神经网络模型，包括：
获取视频用户集、视频项目集、视频观看行为历史、用户社交网络；
获取待推荐的一组目标视频；
基于所述视频项目集和所述视频观看行为历史，确定目标用户的动态兴趣偏好及长期兴趣偏好；
基于所述视频用户集、所述视频项目集、所述视频观看行为历史及所述用户社交网络，确定所述目标用户的社交影响偏好；
对所述动态兴趣偏好、所述长期兴趣偏好及所述社交影响偏好进行融合，得到用户综合兴趣偏好；
基于所述用户综合兴趣偏好确定为所述目标用户推荐所述目标视频的推荐结果；
其中，所述动态兴趣偏好表征所述目标用户在第一时长内的视频浏览偏好；所述长期兴趣偏好表征所述目标用户在第二时长内的视频浏览偏好，且所述第二时长大于所述第一时长；所述社交影响偏好表征所述目标用户在其他用户的视频推荐下的视频浏览偏好。
2.根据权利要求1所述的方法，其特征在于，所述基于所述视频项目集和所述视频观看行为历史，确定目标用户的动态兴趣偏好及长期兴趣偏好，包括：
通过第一运算公式，基于所述视频项目集及所述视频观看行为历史，确定所述目标用户的所述动态兴趣偏好及所述长期兴趣偏好；
所述第一运算公式包括：
Figure 215438DEST_PATH_IMAGE001
；
Figure 862058DEST_PATH_IMAGE002
；
Figure 11280DEST_PATH_IMAGE003
；
Figure 219407DEST_PATH_IMAGE004
；
Figure 391763DEST_PATH_IMAGE005
；
Figure 874696DEST_PATH_IMAGE006
；
其中，
Figure 612845DEST_PATH_IMAGE007
表示所述目标用户，所述目标用户对应的所述视频观看行为历史表征为
Figure 257453DEST_PATH_IMAGE008
，且按时间顺序分为
Figure 713842DEST_PATH_IMAGE009
个会话
Figure 672571DEST_PATH_IMAGE010
，第
Figure 530806DEST_PATH_IMAGE011
会话记为
Figure 113359DEST_PATH_IMAGE012
，其中，
Figure 791465DEST_PATH_IMAGE013
表示所述目标用户观看的第
Figure 553885DEST_PATH_IMAGE014
个视频；
Figure 266626DEST_PATH_IMAGE015
表示所述目标用户在第
Figure 518616DEST_PATH_IMAGE016
个会话框中观看的第
Figure 949597DEST_PATH_IMAGE017
个视频，
Figure 250128DEST_PATH_IMAGE018
表示所述目标用户观看的视频数，
Figure 82955DEST_PATH_IMAGE019
表示单个会话中的视频数；
Figure 332277DEST_PATH_IMAGE020
；所述目标视频表征为
Figure 188238DEST_PATH_IMAGE021
；
Figure 354777DEST_PATH_IMAGE022
表示第
Figure 42110DEST_PATH_IMAGE023
个会话
Figure 573586DEST_PATH_IMAGE024
对应的所述目标用户的短期兴趣偏好，
Figure 713580DEST_PATH_IMAGE025
表示所述动态兴趣偏好；
Figure 418231DEST_PATH_IMAGE026
表示基于所述第一运算公式及
Figure 960071DEST_PATH_IMAGE027
计算得到的所述长期兴趣偏好；
Figure 662448DEST_PATH_IMAGE028
为视频
Figure 289738DEST_PATH_IMAGE029
的嵌入式表示；
Figure 299545DEST_PATH_IMAGE030
、
Figure 961470DEST_PATH_IMAGE031
、
Figure 834748DEST_PATH_IMAGE032
、
Figure 683755DEST_PATH_IMAGE033
、
Figure 730209DEST_PATH_IMAGE034
、
Figure 512220DEST_PATH_IMAGE035
、
Figure 353137DEST_PATH_IMAGE036
、
Figure 892703DEST_PATH_IMAGE037
表示待学习的网络参数；
Figure 477268DEST_PATH_IMAGE038
表示哈达玛积。
3.根据权利要求2所述的方法，其特征在于，所述基于所述视频用户集、所述视频项目集、所述视频观看行为历史及所述用户社交网络，确定所述目标用户的社交影响偏好，包括：
通过第二运算公式，基于所述视频用户集、所述视频项目集、所述视频观看行为历史及所述用户社交网络，确定所述目标用户的所述社交影响偏好；
所述第二运算公式包括：
Figure 113786DEST_PATH_IMAGE039
；
Figure 624139DEST_PATH_IMAGE040
；
Figure 713318DEST_PATH_IMAGE041
；
Figure 39257DEST_PATH_IMAGE042
；
其中，
Figure 795860DEST_PATH_IMAGE043
表示所述目标用户在第
Figure 978580DEST_PATH_IMAGE044
次运算过程中对应的所述社交影响偏好参数；
Figure 492738DEST_PATH_IMAGE045
表示所述目标用户的好友用户
Figure 419106DEST_PATH_IMAGE046
在第
Figure 30216DEST_PATH_IMAGE047
次运算过程中对应的所述社交影响偏好参数，
Figure 383837DEST_PATH_IMAGE048
，
Figure 385291DEST_PATH_IMAGE049
，
Figure 115349DEST_PATH_IMAGE050
表示所述视频用户集，
Figure 82431DEST_PATH_IMAGE051
表示用户总数，
Figure 606953DEST_PATH_IMAGE052
；
Figure 95703DEST_PATH_IMAGE053
；
Figure 629452DEST_PATH_IMAGE054
表示对角的参数矩阵；
Figure 949575DEST_PATH_IMAGE055
表示激活函数；当
Figure 644999DEST_PATH_IMAGE056
时，
Figure 621045DEST_PATH_IMAGE057
，
Figure 692906DEST_PATH_IMAGE058
；
Figure 867536DEST_PATH_IMAGE059
表示所述社交影响偏好；
Figure 999440DEST_PATH_IMAGE060
、
Figure 197203DEST_PATH_IMAGE061
表示待学习的变换矩阵。
4.根据权利要求3所述的方法，其特征在于，所述对所述动态兴趣偏好、所述长期兴趣偏好及所述社交影响偏好进行融合，得到用户综合兴趣偏好，包括：
通过第三运算公式，对所述动态兴趣偏好、所述长期兴趣偏好及所述社交影响偏好进行融合，得到所述用户综合兴趣偏好；
所述第三运算公式包括：
Figure 594728DEST_PATH_IMAGE062
；
Figure 623864DEST_PATH_IMAGE063
；
Figure 926669DEST_PATH_IMAGE064
；
其中，
Figure 611728DEST_PATH_IMAGE065
表示所述用户综合兴趣偏好；
Figure 290971DEST_PATH_IMAGE066
；
Figure 174614DEST_PATH_IMAGE067
；
Figure 851583DEST_PATH_IMAGE068
；
Figure 820676DEST_PATH_IMAGE069
和
Figure 303610DEST_PATH_IMAGE070
一一对应，且
Figure 41758DEST_PATH_IMAGE071
；
Figure 889629DEST_PATH_IMAGE072
，
Figure 113062DEST_PATH_IMAGE073
表示所述目标用户
Figure 868528DEST_PATH_IMAGE074
的嵌入式表示，且
Figure 930025DEST_PATH_IMAGE075
，
Figure 479955DEST_PATH_IMAGE076
表示
Figure 689220DEST_PATH_IMAGE077
维的实数向量；
Figure 248377DEST_PATH_IMAGE078
表示张量的拼接操作；
Figure 164380DEST_PATH_IMAGE079
、
Figure 681949DEST_PATH_IMAGE080
、
Figure 112931DEST_PATH_IMAGE081
、
Figure 708735DEST_PATH_IMAGE082
表示待学习的参数矩阵，
Figure 744824DEST_PATH_IMAGE083
表示
Figure 902136DEST_PATH_IMAGE084
维的实数矩阵。
5.根据权利要求4所述的方法，其特征在于，所述基于所述用户综合兴趣偏好确定为所述目标用户推荐所述目标视频的推荐结果，包括：
通过第四运算公式，基于所述用户综合兴趣偏好计算所述目标用户观看所述目标视频的概率值；
基于所述概率值确定为所述目标用户推荐所述目标视频的推荐结果；
所述第四运算公式包括：
Figure 820413DEST_PATH_IMAGE085
；
其中，
Figure 721373DEST_PATH_IMAGE086
表示所述概率值；
Figure 611969DEST_PATH_IMAGE087
表示视频，
Figure 205761DEST_PATH_IMAGE088
，
Figure 345756DEST_PATH_IMAGE089
表示所述视频项目集，
Figure 988090DEST_PATH_IMAGE090
表示视频总数；
Figure 529929DEST_PATH_IMAGE091
为视频
Figure 294623DEST_PATH_IMAGE092
的嵌入式表示，且
Figure 423378DEST_PATH_IMAGE093
。
6.根据权利要求5所述的方法，其特征在于，所述基于所述视频项目集、所述视频观看行为历史及所述目标视频，确定目标用户的动态兴趣偏好及长期兴趣偏好，包括：
通过双层堆叠LSTM网络的第一层来基于所述视频项目集、所述视频观看行为历史及所述目标视频，确定所述目标用户的所述动态兴趣偏好；
通过所述双层堆叠LSTM网络的第二层及来确定所述长期兴趣偏好；
其中，所述双层堆叠LSTM网络的第一层由
Figure 869403DEST_PATH_IMAGE094
个LSTM cell串联而成，且第
Figure 531329DEST_PATH_IMAGE095
个cell的隐藏状态
Figure 201344DEST_PATH_IMAGE096
及其上下文向量
Figure 519193DEST_PATH_IMAGE097
输入到紧随其后的第
Figure 565647DEST_PATH_IMAGE098
Figure 82079DEST_PATH_IMAGE099
个cell中；所述双层堆叠LSTM网络的第二层仅由一个cell组成，用于读取所述双层堆叠LSTM网络的第一层的所有所述隐藏状态
Figure 922996DEST_PATH_IMAGE100
并将读取的所述隐藏状态
Figure 728141DEST_PATH_IMAGE101
经由全连接层变换后输出；且所述双层堆叠LSTM网络的第一层及所述双层堆叠LSTM网络的第二层间插入有dropout层和全连接层。
7.根据权利要求6所述的方法，其特征在于，所述基于所述视频用户集、所述视频项目集、所述视频观看行为历史及所述用户社交网络，确定所述目标用户的社交影响偏好，包括：
通过GGAT图神经网络来基于所述视频用户集、所述视频项目集、所述视频观看行为历史及所述用户社交网络，确定所述目标用户的所述社交影响偏好。
8.根据权利要求7所述的方法，其特征在于，所述对所述动态兴趣偏好、所述长期兴趣偏好及所述社交影响偏好进行融合，得到用户综合兴趣偏好，包括：
基于多头自注意力机制来对所述动态兴趣偏好、所述长期兴趣偏好及所述社交影响偏好进行融合，得到所述用户综合兴趣偏好。
9.根据权利要求8所述的方法，其特征在于，所述目标神经网络模型在训练过程中所应用的损失函数包括：
Figure 312706DEST_PATH_IMAGE102
。
10.一种视频推荐系统，其特征在于，应用于目标神经网络模型，包括：
第一获取模块，用于获取视频用户集、视频项目集、视频观看行为历史、用户社交网络；
第二获取模块，用于获取待推荐的一组目标视频；
第一确定模块，用于基于所述视频项目集和所述视频观看行为历史，确定目标用户的动态兴趣偏好及长期兴趣偏好；
第二确定模块，用于基于所述视频用户集、所述视频项目集、所述视频观看行为历史及所述用户社交网络，确定所述目标用户的社交影响偏好；
第一融合模块，用于对所述动态兴趣偏好、所述长期兴趣偏好及所述社交影响偏好进行融合，得到用户综合兴趣偏好；
第三确定模块，用于基于所述用户综合兴趣偏好确定为所述目标用户推荐所述目标视频的推荐结果；
其中，所述动态兴趣偏好表征所述目标用户在第一时长内的视频浏览偏好；所述长期兴趣偏好表征所述目标用户在第二时长内的视频浏览偏好，且所述第二时长大于所述第一时长；所述社交影响偏好表征所述目标用户在其他用户的视频推荐下的视频浏览偏好。
11.一种电子设备，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9任一项所述视频推荐方法的步骤。
12.一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中存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至9任一项所述视频推荐方法的步骤。
CN202210309477.2A 2022-03-28 2022-03-28 一种视频推荐方法、系统、设备及计算机可读存储介质 Active CN114491150B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210309477.2A CN114491150B (zh) 2022-03-28 2022-03-28 一种视频推荐方法、系统、设备及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210309477.2A CN114491150B (zh) 2022-03-28 2022-03-28 一种视频推荐方法、系统、设备及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN114491150A true CN114491150A (zh) 2022-05-13
CN114491150B CN114491150B (zh) 2022-07-15

Family

ID=81489088

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210309477.2A Active CN114491150B (zh) 2022-03-28 2022-03-28 一种视频推荐方法、系统、设备及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN114491150B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115379117A (zh) * 2022-08-22 2022-11-22 天翼数字生活科技有限公司 一种旧视频片源修复筛选方法、装置、终端及介质
CN116567306A (zh) * 2023-05-09 2023-08-08 北京新东方迅程网络科技有限公司 一种视频的推荐方法、装置、电子设备及介质
CN117093732A (zh) * 2023-10-17 2023-11-21 苏州元脑智能科技有限公司 多媒体资源的推荐方法及装置
CN117156184A (zh) * 2023-08-11 2023-12-01 魔人传媒(杭州)有限公司 智能投放视频播放方法、装置、设备及存储介质
CN117609546A (zh) * 2023-11-08 2024-02-27 深圳市博锐高科科技有限公司 一种视频数据采集方法、装置、芯片及终端

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015058558A1 (zh) * 2013-10-23 2015-04-30 腾讯科技（深圳）有限公司 问题推荐方法、装置及系统
CN109767301A (zh) * 2019-01-14 2019-05-17 北京大学 推荐方法及系统、计算机装置、计算机可读存储介质
CN111538860A (zh) * 2020-07-07 2020-08-14 北京搜狐新媒体信息技术有限公司 视频推荐方法及装置、存储介质及电子设备
CN112528165A (zh) * 2020-12-16 2021-03-19 中国计量大学 一种基于动态路由图网络的会话社交推荐方法
CN112541131A (zh) * 2020-12-07 2021-03-23 东北大学 一种基于邻居用户的多个兴趣影响的推荐方法
CN112948683A (zh) * 2021-03-16 2021-06-11 山西大学 一种社交信息动态融合的社会化推荐方法
CN113139128A (zh) * 2021-05-07 2021-07-20 厦门大学 一种基于图卷积神经网络的博文推荐方法及系统
CN113220866A (zh) * 2021-04-28 2021-08-06 西安电子科技大学 基于用户社交网络和产品相似度的推荐方法
CN113656696A (zh) * 2021-08-24 2021-11-16 工银科技有限公司 一种会话推荐方法及装置
CN113987366A (zh) * 2021-10-27 2022-01-28 中国人民大学 一种融合搜索行为与好友网络的个性化搜索方法与系统

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015058558A1 (zh) * 2013-10-23 2015-04-30 腾讯科技（深圳）有限公司 问题推荐方法、装置及系统
CN109767301A (zh) * 2019-01-14 2019-05-17 北京大学 推荐方法及系统、计算机装置、计算机可读存储介质
CN111538860A (zh) * 2020-07-07 2020-08-14 北京搜狐新媒体信息技术有限公司 视频推荐方法及装置、存储介质及电子设备
CN112541131A (zh) * 2020-12-07 2021-03-23 东北大学 一种基于邻居用户的多个兴趣影响的推荐方法
CN112528165A (zh) * 2020-12-16 2021-03-19 中国计量大学 一种基于动态路由图网络的会话社交推荐方法
CN112948683A (zh) * 2021-03-16 2021-06-11 山西大学 一种社交信息动态融合的社会化推荐方法
CN113220866A (zh) * 2021-04-28 2021-08-06 西安电子科技大学 基于用户社交网络和产品相似度的推荐方法
CN113139128A (zh) * 2021-05-07 2021-07-20 厦门大学 一种基于图卷积神经网络的博文推荐方法及系统
CN113656696A (zh) * 2021-08-24 2021-11-16 工银科技有限公司 一种会话推荐方法及装置
CN113987366A (zh) * 2021-10-27 2022-01-28 中国人民大学 一种融合搜索行为与好友网络的个性化搜索方法与系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
QUAN LI 等: "An Attention-Based Spatiotemporal GGNN for Next POI Recommendation", 《IEEE ACCESS》 *
王晓东: "基于图注意力网络的关系度量社交推荐算法研究", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》 *
邹宝旭: "融合视频内容与弹幕分析的短视频推荐方法研究", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115379117A (zh) * 2022-08-22 2022-11-22 天翼数字生活科技有限公司 一种旧视频片源修复筛选方法、装置、终端及介质
CN115379117B (zh) * 2022-08-22 2023-05-23 天翼数字生活科技有限公司 一种旧视频片源修复筛选方法、装置、终端及介质
CN116567306A (zh) * 2023-05-09 2023-08-08 北京新东方迅程网络科技有限公司 一种视频的推荐方法、装置、电子设备及介质
CN116567306B (zh) * 2023-05-09 2023-10-20 北京新东方迅程网络科技有限公司 一种视频的推荐方法、装置、电子设备及介质
CN117156184A (zh) * 2023-08-11 2023-12-01 魔人传媒(杭州)有限公司 智能投放视频播放方法、装置、设备及存储介质
CN117156184B (zh) * 2023-08-11 2024-05-17 魔人传媒(杭州)有限公司 智能投放视频播放方法、装置、设备及存储介质
CN117093732A (zh) * 2023-10-17 2023-11-21 苏州元脑智能科技有限公司 多媒体资源的推荐方法及装置
CN117093732B (zh) * 2023-10-17 2024-02-20 苏州元脑智能科技有限公司 多媒体资源的推荐方法及装置
CN117609546A (zh) * 2023-11-08 2024-02-27 深圳市博锐高科科技有限公司 一种视频数据采集方法、装置、芯片及终端

Also Published As

Publication number Publication date
CN114491150B (zh) 2022-07-15

Similar Documents

Publication Publication Date Title
CN114491150B (zh) 一种视频推荐方法、系统、设备及计算机可读存储介质
Kim et al. TWILITE: A recommendation system for Twitter using a probabilistic model based on latent Dirichlet allocation
CN111061946B (zh) 场景化内容推荐方法、装置、电子设备及存储介质
US11017024B2 (en) Media content rankings for discovery of novel content
CN111708901B (zh) 多媒体资源推荐方法、装置、电子设备及存储介质
US7836001B2 (en) Recommender system with AD-HOC, dynamic model composition
Feng et al. Recommendation via user's personality and social contextual
CN108959429B (zh) 一种融合视觉特征端对端训练的电影推荐的方法及系统
CN110166802B (zh) 弹幕处理方法、装置及存储介质
CN110413888B (zh) 一种书籍推荐方法及装置
CN112699310A (zh) 基于深度神经网络的冷启动跨域混合推荐的方法及系统
Liu et al. Building effective short video recommendation
JP2012022570A (ja) オブジェクト推薦装置、オブジェクト推薦方法、オブジェクト推薦プログラムおよびオブジェクト推薦システム
CN111523037B (zh) 一种开源软件开发中Pull Request的评审者推荐方法
CN116610872A (zh) 新闻推荐模型的训练方法及装置
CN115809374A (zh) 纠正推荐系统主流偏差的方法、系统、设备及存储介质
CN113888282A (zh) 一种物品推荐模型的训练方法、物品推荐方法和装置
Chartron et al. General introduction to recommender systems
CN113407862B (zh) 一种基于门机制的序列社交推荐方法、系统及存储介质
CN114090848A (zh) 数据推荐及分类方法、特征融合模型及电子设备
Adikara et al. Movie recommender systems using hybrid model based on graphs with co-rated, genre, and closed caption features
CN117556149B (zh) 资源推送方法、装置、电子设备和存储介质
CN114528482B (zh) 一种推荐对象确定方法、装置、电子设备及存储介质
Wang et al. A deep matrix factorization method with missing not at random data for social recommendation
CN115221331A (zh) 描述文本生成方法、装置、计算机设备及存储介质

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