CN114615524A - 服务器、媒资推荐网络的训练方法及媒资推荐方法 - Google Patents
服务器、媒资推荐网络的训练方法及媒资推荐方法 Download PDFInfo
- Publication number
- CN114615524A CN114615524A CN202210149930.8A CN202210149930A CN114615524A CN 114615524 A CN114615524 A CN 114615524A CN 202210149930 A CN202210149930 A CN 202210149930A CN 114615524 A CN114615524 A CN 114615524A
- Authority
- CN
- China
- Prior art keywords
- matrix
- media asset
- behavior data
- viewing
- historical behavior
- 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
Links
- 238000012549 training Methods 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 42
- 239000011159 matrix material Substances 0.000 claims abstract description 173
- 238000004364 calculation method Methods 0.000 claims abstract description 20
- 238000013528 artificial neural network Methods 0.000 claims abstract description 18
- 239000013598 vector Substances 0.000 claims description 60
- 230000007246 mechanism Effects 0.000 claims description 8
- 230000002194 synthesizing effect Effects 0.000 claims description 2
- 230000006399 behavior Effects 0.000 description 66
- 238000012545 processing Methods 0.000 description 21
- 238000010586 diagram Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 230000000366 juvenile effect Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000003058 natural language processing Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- H04N21/252—Processing of multiple end-users' preferences to derive collaborative data
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Computing Systems (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
本申请提供了一种服务器、媒资推荐网络的训练方法及媒资推荐方法,服务器被配置为:采集用户观看媒资的历史行为数据;计算所述历史行为数据对应观看顺序的第一矩阵、计算所述历史行为数据对应观看间隔的第二矩阵、计算所述历史行为数据对应媒资内容的第三矩阵;通过自注意力模型对所述第一矩阵、第二矩阵和第三矩阵进行自注意力计算,得到所述历史行为数据对应的媒资表示矩阵;将所述媒资表示矩阵输入前馈神经网络,通过媒资训练集对所述前馈神经网络进行训练,得到用于进行媒资推荐的媒资推荐网络。本申请提高了媒资推荐的用户体验。
Description
技术领域
本申请涉及媒资推荐技术领域,尤其涉及一种服务器、媒资推荐网络的训练方法及媒资推荐方法。
背景技术
智能电视是人们观看影视剧、综艺、新闻等媒资的重要设备之一。为方便用户观看媒资,一些智能电视在开机后进入的系统首页为媒资推荐页面。媒资推荐页面可设置有多个媒资控件,每个媒资控件对应一个媒资,用户可浏览不同的媒资控件,以查找自己想要观看的媒资。相关技术中,为方便用户快速找到自己想要观看的媒资,媒资推荐页面显示的媒资可基于用户偏好数据从媒资数据库中进行筛选。用户偏好数据可通过分析用户的历史观看记录得到。通过历史观看记录可得到用户历史观看的媒资,分析大量用户历史观看的媒资的共同特征,可得到用户偏好数据。然而,该共同特征通常仅考虑了媒资的内容属性,如媒资的主演标签、媒资的类型标签等等,使得根据共同特征得到的用户偏好数据也只能反映用户对媒资的内容偏好。实际上,用户的观看习惯是影响用户选择智能电视上要观看的媒资一种重要因素,例如,在一些家庭中,平时可能是儿童观看一些少儿节目,周末可能是家长观看一些影视剧集,而根据用户偏好推荐的媒资可能包含了大量的少儿节目和少量的影视剧集,这会导致家长周末在观看智能电视时,智能电视推荐了较多的少儿节目,不符合用户的观看需求。
发明内容
为解决不能搜索放映厅的技术问题,本申请提供了一种服务器、媒资推荐网络的训练方法及媒资推荐方法。
第一方面,本申请提供了一种服务器,该服务器被配置为:
采集用户观看媒资的历史行为数据;
计算所述历史行为数据对应观看顺序的第一矩阵、计算所述历史行为数据对应观看间隔的第二矩阵、计算所述历史行为数据对应媒资内容的第三矩阵;
通过自注意力模型对所述第一矩阵、第二矩阵和第三矩阵进行自注意力计算,得到所述历史行为数据对应的媒资表示矩阵;
将所述媒资表示矩阵输入前馈神经网络,通过媒资训练集对所述前馈神经网络进行训练,得到用于进行媒资推荐的媒资推荐网络。
在一些实施例中,计算所述历史行为数据对应观看间隔的第二矩阵,包括:
计算所述历史行为数据中任意两个媒资的观看间隔;
将所述观看间隔进行归一化,得到相对间隔;
构建表示所述历史行为数据中任意两个媒资的相对间隔的第二矩阵。
在一些实施例中,通过自注意力模型对所述第一矩阵、第二矩阵和第三矩阵进行自注意力计算,得到所述历史行为数据对应的媒资表示矩阵,包括:
通过自注意力模型对所述第一矩阵和第二矩阵进行自注意力计算,得到位置矩阵;
通过所述自注意力模型对所述位置矩阵和第三矩阵进行自注意力计算,得到媒资表示矩阵。
在一些实施例中,通过自注意力模型对所述第一矩阵和第二矩阵进行自注意力计算,得到位置矩阵,包括:
计算所述第一矩阵的注意力机制的第一查询向量、第一键向量和第一值向量,计算所述第二矩阵的注意力机制的第二查询向量、第二键向量和第二值向量;
计算所述第一查询向量与第二查询向量的和,得到第一综合查询向量,计算所述第一键向量与第二键向量的和,得到第一综合键向量,计算所述第一值向量与第二值向量的和,得到第一综合值向量;
通过自注意力模型对所述第一综合查询向量、第一综合键向量和第一综合值向量进行自注意力计算,得到位置矩阵。
在一些实施例中,通过所述自注意力模型对所述位置矩阵和第三矩阵进行自注意力计算,得到媒资表示矩阵,包括:
将所述位置矩阵设置为第二综合查询向量,将所述第三矩阵设置为第二综合键向量和第二综合值向量;
通过自注意力模型对所述第二综合查询向量,将所述第三矩阵设置为第二综合键向量和第二综合值向量进行自注意力计算,得到媒资表示矩阵。
第二方面,本申请提供了一种媒资推荐网络的训练方法,该训练方法包括:
采集用户观看媒资的历史行为数据;
计算所述历史行为数据对应观看顺序的第一矩阵、计算所述历史行为数据对应观看间隔的第二矩阵、计算所述历史行为数据对应媒资内容的第三矩阵;
通过自注意力模型对所述第一矩阵、第二矩阵和第三矩阵进行自注意力计算,得到所述历史行为数据对应的媒资表示矩阵;
将所述媒资表示矩阵输入前馈神经网络,通过媒资训练集对所述前馈神经网络进行训练,得到用于进行媒资推荐的媒资推荐网络。
第三方面,本申请提供了一种媒资推荐方法,该方法包括:
接收用户的媒资推荐请求;
响应于所述媒资推荐请求,将所述用户的历史行为数据和媒资候选集输入媒资推荐网络;
若所述历史行为数据包括第一观看数据,所述媒资推荐网络在所述媒资候选集中筛选出包含第一媒资的第一媒资推荐数据;
若所述历史行为数据包括第二观看数据,所述媒资推荐网络在所述媒资候选集中筛选出包含第二媒资的第二媒资推荐数据;
其中,所述第一媒资与第二媒资不同,所述第一观看数据和所述第二观看数据中包含的历史观看媒资相同,且在所述第一观看数据中第一历史观看媒资与第二历史观看媒资的观看间隔,与在所述第二观看数据中第一历史观看媒资与第二历史观看媒资的观看间隔不同。
本申请提供的服务器、媒资推荐网络的训练方法及媒资推荐方法的有益效果包括:
本申请实施例在构建媒资推荐网络时,将媒资的观看顺序和观看间隔纳入媒资推荐的考量因素,通过自注意力模型分析历史行为数据中媒资之间的观看顺序和观看间隔,从而可预测用户的观看习惯,并通过结合对媒资内容的分析,使得最终得到的媒资推荐网络能综合用户的内容偏好和观看习惯进行媒资推荐,能够提高推荐的媒资符合用户观看需求的概率。
附图说明
为了更清楚地说明本申请实施例或相关技术中的实施方式,下面将对实施例或相关技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的附图。
图1中示例性示出了根据一些实施例的显示设备与控制装置之间操作场景的示意图;
图2中示例性示出了根据一些实施例的视频点播程序的首页示意图;
图3中示例性示出了根据一些实施例的媒资推荐网络的训练方法的流程示意图;
图4中示例性示出了根据一些实施例的媒资推荐网络的训练方法的数据处理示意图;
图5中示例性示出了根据一些实施例的媒资推荐网络的训练过程的时序示意图;
图6中示例性示出了根据一些实施例的媒资推荐过程的时序示意图;
图7中示例性示出了根据一些实施例的媒资推荐方法的流程示意图;
图8中示例性示出了根据一些实施例的媒资推荐的效果示意图。
具体实施方式
为使本申请的目的和实施方式更加清楚,下面将结合本申请示例性实施例中的附图,对本申请示例性实施方式进行清楚、完整地描述,显然,描述的示例性实施例仅是本申请一部分实施例,而不是全部的实施例。
需要说明的是,本申请中对于术语的简要说明,仅是为了方便理解接下来描述的实施方式,而不是意图限定本申请的实施方式。除非另有说明,这些术语应当按照其普通和通常的含义理解。
本申请中说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”等是用于区别类似或同类的对象或实体,而不必然意味着限定特定的顺序或先后次序,除非另外注明。应该理解这样使用的用语在适当情况下可以互换。
术语“包括”和“具有”以及他们的任何变形,意图在于覆盖但不排他的包含,例如,包含了一系列组件的产品或设备不必限于清楚地列出的所有组件,而是可包括没有清楚地列出的或对于这些产品或设备固有的其它组件。
本申请实施方式提供的显示设备可以具有多种实施形式,例如,可以是电视、智能电视、激光投影设备、显示器(monitor)、电子白板(electronic bulletin board)、电子桌面(electronic table)等。图1为本申请的显示设备的一种具体实施方式。
图1为根据实施例中显示设备与控制装置之间操作场景的示意图。如图1所示,用户可通过智能设备300或控制装置100操作显示设备200。
在一些实施例中,控制装置100可以是遥控器,遥控器和显示设备的通信包括红外协议通信或蓝牙协议通信,及其他短距离通信方式,通过无线或有线方式来控制显示设备200。用户可以通过遥控器上按键、语音输入、控制面板输入等输入用户指令,来控制显示设备200。
在一些实施例中,也可以使用智能设备300(如移动终端、平板电脑、计算机、笔记本电脑等)以控制显示设备200。例如,使用在智能设备上运行的应用程序控制显示设备200。
在一些实施例中,显示设备可以不使用上述的智能设备或控制设备接收指令,而是通过触摸或者手势等接收用户的控制。
在一些实施例中,显示设备200还可以采用除了控制装置100和智能设备300之外的方式进行控制,例如,可以通过显示设备200设备内部配置的获取语音指令的模块直接接收用户的语音指令控制,也可以通过显示设备200设备外部设置的语音控制设备来接收用户的语音指令控制。
在一些实施例中,显示设备200还与服务器400进行数据通信。可允许显示设备200通过局域网(LAN)、无线局域网(WLAN)和其他网络进行通信连接。服务器400可以向显示设备200提供各种内容和互动。服务器400可以是一个集群,也可以是多个集群,可以包括一类或多类服务器。
在一些实施例中,显示设备启动后可以直接进入预置的视频点播程序的界面,该视频点播程序的界面可以如图2中所示,至少包括导航栏510和位于导航栏510下方的内容显示区520。导航栏510可设置多个导航控件,如“VIP”、“足迹”、“新闻”、“推荐”、“影视”、“少儿”、“游戏”、“放映厅”等等,内容显示区520中显示的内容会随导航栏中被选中控件的变化而变化。显示设备在启动后进入的图2所示的视频点播程序的界面可称为显示设备的首页。
在一些实施例中,显示设备启动后可以直接进入上次选择的信号源的显示界面,或者信号源选择界面,其中信号源可以是预置的视频点播程序,还可以是HDMI接口,直播电视接口等中的至少一种,用户选择不同的信号源后,显示器可以显示从不同信号源获得的内容。
在一些实施例中,导航栏510控件的每个导航控件对应的内容显示区520可显示由运营人员手动设置或由服务器自动推荐的多个媒资,每个媒资所在的位置为一个推荐位,每个推荐位可显示该推荐位对应媒资的媒资海报和媒资名称。
在一些实施例中,随着媒资推荐朝着个性化的方向不断发展,服务器在进行媒资推荐时可根据用户的历史观看记录构建用户的兴趣画像,根据兴趣画像推荐用户可能喜爱的媒资,其中,兴趣画像可包括用户历史观看的媒资的标签等数据。然而,同一台显示设备上观看的人物可能有多个,导致兴趣画像可能包含多个人物的标签,使得根据兴趣画像推荐的媒资可能不是当前用户喜爱的媒资,导致媒资推荐的用户体验不佳。
为解决上述技术问题,本申请实施例提供了一种媒资推荐方法,该媒资推荐方法通过自注意力模型对用户历史行为数据中媒资的观看间隔进行统计计算,可挖掘出用户历史行为数据中媒资之间的关联信息,该关联信息可反映显示设备上多个人物的观看习惯,在进行媒资预测时,可根据当前时间与上次观看媒资的时间间隔,预测当前观看显示设备的目标人物,进而可针对该目标人物进行媒资推荐,能提高推荐的媒资符合用户需求的概率,提高推荐转化率。
需要说明的是,本申请实施例提供的媒资推荐方法,不仅适用于多个用户观看同一台显示设备时的媒资推荐,还可适用于一个用户观看一台显示设备时的媒资推荐,由于每个用户都有自己的观看习惯,因此,即使只有一个用户时,也可根据该用户的观看习惯进行媒资推荐。
参见图3,为根据一些实施例的推荐媒资网络的训练方法的流程示意图,如图3所示,该媒资推荐方法可包括如下步骤:
步骤S101:采集用户观看媒资的历史行为数据。
在一些实施例中,用户在显示设备上观看一个媒资后,若用户已登录视频点播程序,显示设备可生成包含用户标识以及媒资标识的历史行为数据,将该历史行为数据上传至服务器进行存储。其中,用户标识可为用户ID,媒资标识可为用户观看媒资的媒资ID。服务器可采集一个用户标识对应的n条历史行为数据,进而利用该n条历史行为数据进行媒资推荐。示例性的,n的取值为1000。
在一些实施例中,用户在显示设备上观看一个媒资后,若用户未登录视频点播程序,显示设备可生成包含用户标识以及媒资标识的历史行为数据,将该历史行为数据上传至服务器进行存储。其中,用户标识可为显示设备的设备ID,媒资标识可为用户观看媒资的媒资ID。服务器可采集一个用户标识对应的n条历史行为数据,进而利用该n条历史行为数据进行媒资推荐。
在一些实施例中,历史行为数据可包括历史观看媒资的数据,可包括媒资ID、媒资类别、媒资时长、播放时长、播放时间、用户的年龄、性别、地域等数据。其中,播放时间可具体到日期,如xx年xx月xx日,用户的年龄和性别可从用户在视频点播程序上注册账号时填写的信息得到,地域也可从用户在视频点播程序上注册账号时填写的信息得到,或者可根据用户观看媒资时显示设备的定位信息得到,定位信息由显示设备通过GPS定位模块得到或服务器通过网络对显示设备进行定位得到。若用户未登录视频点播程序,则历史行为数据可不包括用户的年龄、性别、地域等数据。
步骤S102:分别计算所述历史行为数据对应的表示观看顺序的第一矩阵、表示观看间隔的第二矩阵和表示媒资内容的第三矩阵。
在一些实施例中,对于n条历史行为数据,服务器可将n个媒资按照观看时间由先到后进行排序后,得到n条历史行为数据对应的输入序列:X=(x1,x2,x3…xn)。对于该输入序列,服务器可构建一个观看顺序序列t和一个观看时间序列T。
以n=1000为例,t1=1,t2=2,tn=1000,即t=(1,2,…,n)。观看顺序序列t其中的元素表征一个媒资的序数,媒资的序数表示媒资在这n个媒资中的“位置”。将所述历史行为数据按照所述观看顺序序列构建第一矩阵,即将所述观看顺序序列t用矩阵表示,得到第一矩阵Mp,dim=n*1。
观看时间序列T表示这n条历史行为数据对应媒资的观看时间,该观看时间可为一个时间戳。T=(T1,T2,…,Tn),示例性的,T=(1644200872,1644400872,…,1694400872)。对于任意两个媒资,如媒资i和媒资j,时间戳的差值为:|Ti-Tj|,该差值为观看间隔。的含义为“用户观看视频的最小时间间隔”,为缩放后的时间间隔即归一化后的时间间隔,可称为“相对间隔”,将全部任意两个媒资的观看间隔进行缩放后,得到一个第二矩阵Mu,dim=n*n,这个矩阵为对称矩阵,也就是说该第二矩阵如下所示:
在一些实施例中,对于n条历史行为数据,服务器可构建一个表示媒资内容的第三矩阵。示例性的,对于媒资A,通过NLP((Natural Language Processing,自然语言处理)算法,可构建一个模型,获取其影片描述为“媒资A是一部爱国电影……”,将该影片描述用矩阵v1表示,即矩阵v1为影片描述矩阵;获取媒资A的海报,使用CV(Recognition,图像识别)的方法,获取海报的海报表示矩阵v2;对媒资A这部电影的视频内容进行理解,即进行内容识别,获取视频内容的视频内容表示矩阵v3;综合v1,v2,v3得到的矩阵就是该媒资的内容表示矩阵,将全部媒资综合后的矩阵组成为第三矩阵,将该第三矩阵记作
步骤S103:通过自注意力模型对所述第一矩阵、第二矩阵和第三矩阵进行自注意力计算,得到所述历史行为数据对应的媒资表示矩阵。
在一些实施例中,对于第一矩阵Mp,将矩阵Mp经过Embedding后得到的矩阵再分别经过线性变换,得到注意力机制的Querys(查询),Keys(键)和Values(值),其中,Querys可简称为Q,Keys可简称为K,Values可简称为V。矩阵Mp对应的Q,即可称为第一查询向量,矩阵Mp对应的K,即可称为第一键向量,矩阵Mp对应的V,即可称为第一值向量。即:和同样,对于相对间隔Mu,也经过Embedding后得到的矩阵再分别经过线性变换,得到注意力机制的Querys,Keys和Values,即:和其中,可称为第二查询向量,可称为第二键向量,可称为第二值向量。
在一些实施例中,矩阵Mp可用于表征全局的前后关系,即全局位置,矩阵Mu可用于表征媒资之间的时间间隔,即播放间隔。全局位置只涉及播放序列的全局信息,播放间隔只涉及到局部信息。为整合第一矩阵和第二矩阵,将从Mp线性变换得到的和与从Mu线性变换得到的和进行加和得到EQ、EK和EV,即:
其中,EQ可称为第一综合查询向量,EK可称为第一综合键向量,EV可称为第一综合值向量。
最后通过self attention(自注意力)计算得到的位置矩阵为:
上式中,d表示EQ的维度。
在一些实施例中,为了兼顾媒资的内容表示,可将上述位置矩阵与第三矩阵进行整合,得到媒资表示矩阵M。
示例性的,可将Ma和Mt进行加和,得到媒资表示矩阵M,即:M=Ma+Mt
示例性的,可将位置矩阵设置为第二综合查询向量,将第三矩阵设置为第二综合键向量和第二综合值向量,再次进行self attention计算,得到媒资表示矩阵M,即: 可见,可将attention的query和key分别设置为Ma和Mt,将attention的values设置成Mt,最终得到媒资表示矩阵M。
步骤S104:将所述媒资表示矩阵输入前馈神经网络,通过媒资训练集对所述前馈神经网络进行训练,得到用于进行媒资推荐的媒资推荐网络。
在一些实施例中,自注意力模型主要采用的相对时间和位置的相关信息,其采用线性组合实现,为了使模型具有非线性特征,在预测视频媒资时加入FFN(feedforwardneural network,前馈神经网络):
FFN(M)=max(0,MW1+b1)W2+b2
其中,FFN为包含两个ReLU函数的神经网络,W1、W2为参数矩阵(zi参数共享),b1和b2为偏移向量,均需要通过训练集的训练才能得到。为了防止过拟合,在训练过程中,会使用Dropout技术进行处理。
在一些实施例中,训练集根据推荐任务确定,不同的推荐任务设置有不同的媒资训练集。例如,推荐任务1是推荐首页导航栏的“推荐”控件对应的界面待展示的媒资,该推荐任务的媒资训练集为用户在首页导航栏的“推荐”控件对应的界面中的感兴趣媒资和不感兴趣媒资。推荐任务2是推荐首页导航栏的“电影”控件对应的界面待展示的媒资,该推荐任务的媒资训练集为用户在首页导航栏的“电影”控件对应的界面中的感兴趣媒资和不感兴趣媒资。
以推荐任务为显示首页导航栏的“推荐”控件对应的界面为例,感兴趣媒资和不感兴趣媒资均可基于用户的历史行为数据得到。如果用户点击了训练集中的某个媒资,或者对某个媒资有正向行为(例如收藏,点赞等等等),可判定这个用户对这个媒资感兴趣,可设置该媒资的分类为1,表示该媒资为训练集中的正样本;如果训练集中的媒资对应一些负向行为,例如评分很低,或者多次推荐用户都没点击,就判定这个用户对这个媒资不感兴趣,可设置该媒资的分类为0,表示该媒资为训练集中的负样本。将训练集中的样本划分为正样本和负样本后,将前馈神经网络针对正样本和负样本不断进行学习,可得到W1、W2,以及b1和b2,训练好的前馈神经网络可称为媒资推荐网络。
对于其他推荐任务,可选用对应推荐任务的训练集来生成相应推荐场景的媒资推荐网络。
在一些实施例中,在得到媒资推荐网络后,在需要进行媒资推荐时,可将用户历史行为数据和媒资候选集输入符合当前推荐场景的媒资推荐网络,媒资推荐网络可输出推荐的媒资数据。其中,媒资候选集可与当前推荐场景相对应,不同的推荐场景可对应不同的媒资候选集,例如,对于首页导航栏的“推荐”控件对应的界面这一推荐场景,媒资候选集可包括媒资类型为电影、电视剧和综艺等多种媒资类型的媒资,对于首页导航栏的“电影”控件对应的界面这一推荐场景,媒资候选集可包括媒资类型为电影的媒资。
为对图3所示的媒资推荐方法做进一步描述,图4示出了一种媒资推荐网络的训练方法的数据处理示意图,如图4所示,该数据处理可包括ETL(Extract-Transform-Load,数据抽取)数据采集、数据预处理、自注意力计算和FFN网络训练。
在一些实施例中,ETL数据采集是指利用ETL工具采集用户历史行为数据。
在一些实施例中,如图4可见,对于通过ETL工具采集到的历史行为数据,可经过如下三个数据处理流程进行数据预处理:
第一个数据处理流程用于处理多个媒资之间的位置关系。该数据处理流程对每两个媒资的观看记录进行位置关系计算,得到表示观看顺序的第一矩阵,然后将第一矩阵进行Embedding,得到位置关系Embedding,该位置关系Embedding可作为自注意力模型的一个输入。
第一个数据处理流程用于处理多个媒资之间的位置关系。该数据处理流程对每两个媒资的观看记录进行位置关系计算,得到表示观看顺序的第一矩阵,然后将第一矩阵进行Embedding,得到位置关系Embedding。该位置关系Embedding可作为自注意力模型的一个输入。
第二个数据处理流程用于处理多个媒资之间的观看间隔。该数据处理流程对每两个媒资的观看记录进行观看间隔计算,得到表示观看间隔的第二矩阵,然后将第二矩阵进行Embedding,得到观看间隔Embedding。该观看间隔Embedding可作为自注意力模型的一个输入。
第三个数据处理流程用于处理每个媒资的媒资内容,该数据处理流程对每个媒资可分别通过NLP处理、CV处理以及内容识别,得到多个矩阵,将这多个矩阵进行整合,可得到媒资的内容表示矩阵,即第三矩阵。该第三矩阵可作为自注意力模型的一个输入。
在一些实施例中,通过自注意力模型可对来自第一个数据处理流程的输入经过线性变换后得到一组注意力机制的Querys,Keys和Values。对来自第二个数据处理流程的输入经过线性变换后得到另一组注意力机制的Querys,Keys和Values。将这两组Querys,Keys和Values对应加和后得到一组新的Querys,Keys和Values,对这组新的Querys,Keys和Values进行self attention的计算得到位置矩阵。然后,通过将位置矩阵与第三矩阵进行加和或再次进行selfattention计算,得到最终的媒资表示矩阵M。
在一些实施例中,在得到媒资表示矩阵M后,可构建FFN网络,然后对FFN网络进行训练,得到媒资推荐网络。
为对本申请实施例的媒资推荐方法进行进一步描述,图5示出了一种媒资推荐网络的训练过程的时序示意图,图6示出了一种媒资推荐过程的时序示意图。
如图5所示,为训练媒资推荐网络,需要采集大量的用户历史行为数据。当用户在显示设备上点击一个媒资后,显示设备生成用户播放行为日志,将该用户播放行为日志发送到服务器,该用户播放行为日志可包括用户点击的媒资的媒资ID。
在一些实施例中,服务器在接收到上述用户播放行为日志后,可将用户播放行为日志进行存储。
在一些实施例中,服务器在存储了一个用户大量的历史行为数据后,可利用最新的n条历史行为数据为该用户训练个性化的媒资推荐网络,其中,历史行为数据可包括上述用户播放行为日志。
在一些实施例中,服务器在获取到n条用户播放行为日志后,可提取出n个媒资观看记录。根据这n个媒资观看记录,生成相对位置矩阵,即第一矩阵;根据这n个媒资观看记录,生成观看间隔矩阵,即第二矩阵;将第一矩阵和第二矩阵进行整合,生成第一融合矩阵,即矩阵Ma;根据这n个媒资观看记录,生成内容表示矩阵,即第三矩阵;将第三矩阵与第一融合矩阵进行整合,生成第二融合矩阵,即媒资表示矩阵M。根据媒资表示矩阵M,可构建前馈神经网络模型,然后利用训练集训练前馈神经网络模型,得到媒资推荐网络。
如图6所示,用户在显示设备上进入媒资推荐页面,如显示设备的首页时,显示设备可向服务器发送媒资推荐请求,该媒资推荐请求可包括页面标识和用户标识,该页面标识表示的页面可为“推荐”控件对应的界面。或者,首页请求中的页面标识也可表示导航栏510的全部控件对应的界面,本申请以首页请求中的页面标识表示“推荐”控件对应的界面为例进行介绍,页面标识表示多个界面的场景可参考本申请实施例做适应性调整。
在一些实施例中,服务器接收到媒资推荐请求后,可从媒资推荐请求中提取出页面标识和用户标识,获取该页面标识对应的推荐网络模型以及媒资候选集,将媒资候选集输入推荐网络模型,得到预设数量的媒资数据,如Top M条媒资数据,M可根据实际情况进行设置,例如,M可为500。服务器在得到预设数量的媒资数据后,可将该预设数量的媒资数据作为预测结果反馈给显示设备,显示设备在接收到该预测结果后,可将预测结果中推荐的媒资进行展示。
在一些实施例中,服务器进行媒资推荐的方法可参见图7,为根据一些实施例的媒资推荐方法的流程示意图,如图7所示,该媒资推荐方法可包括如下步骤:
步骤S201:接收用户的媒资推荐请求。
在一些实施例中,该媒资推荐请求包括请求时间,便于媒资推荐网络分析本次媒资推荐请求与最近的历史观看记录对应媒资的时间差,该时间差较短时可推荐与最近的历史观看记录对应媒资类型相同的媒资,该时间差较长时可推荐与最近的历史观看记录对应媒资类型不通过的媒资。
步骤S202:响应于所述媒资推荐请求,将所述用户的历史行为数据和媒资候选集输入媒资推荐网络。
在一些实施例中,媒资推荐网络可根据用户的历史行为数据在媒资候选集中筛选待推荐的媒资。
在一些实施例中,该媒资推荐网络被配置为在用户历史观看行为的其他要素相同,仅仅是观看媒资A和媒资B的间隔时长不同时,进行不同媒资的推荐。由于两个相同媒资观看的时间不同,表征着用户观看偏好的转变,因此可以通过大数据训练得到媒资推荐网络来推荐。
在一些事实例中,媒资推荐网络可以是参见前述实施例生成的,在一些实施例中,可以仅仅参照媒资名称不参照媒资观看顺序。或者,在一些实施例中,还可以增加观看时长的要素进行媒资推荐网络的训练等等。
步骤S203:若所述历史行为数据包括第一观看数据,所述媒资推荐网络在所述媒资候选集中筛选出包含第一媒资的第一媒资推荐数据。
在一些实施例中,第一观看数据是包含多个媒资的观看记录的历史行为数据,其中包含了每个媒资的观看时间、媒资类型等数据,例如,第一观看数据包含了第一历史观看媒资的数据和第二历史观看媒资的数据。第一媒资是第一媒资推荐数据对应的其中一个媒资。
在一些实施例中,媒资推荐网络可根据该历史用户行为数据预测用户的观看习惯和观看内容偏好。其中,由于一个家庭中可能存在多人在一台显示设备上观看媒资,因此一个用户的历史行为数据可能对应多个任务的观看习惯和观看内容偏好。本申请实施例基于上述实施例中训练的媒资网络模型,可根据历史行为数据中的观看间隔和观看顺序推断出该多个观看习惯。对于两个家庭的观看记录,如第一观看数据和第二观看数据,若这两个观看数据对应的媒资相同,如都是对应第一历史观看媒资和第二历史观看媒资,观看间隔不同,媒资推荐网络可预测这两个观看记录对应不同的观看习惯,可结合观看内容偏好为这两个家庭的用户推荐不同的媒资,针对第一观看数据推荐的一个媒资可为第一媒资。
步骤S204:若所述历史行为数据包括第二观看数据,所述媒资推荐网络在所述媒资候选集中筛选出包含第二媒资的第二媒资推荐数据。
在一些实施例中,第二观看数据是包含多个媒资的观看记录的历史行为数据,其中包含了每个媒资的观看时间、媒资类型等信息。第二观看数据对应的媒资与第一观看数据对应的媒资相同,例如,第二观看数据也是包含了第一历史观看媒资的数据和第二历史观看媒资的数据,但在第一观看数据中第一历史观看媒资与第二历史观看媒资的观看间隔,与在第二观看数据中第一历史观看媒资与第二历史观看媒资的观看间隔不同。
在一些实施例中,第一观看数据中第一历史观看媒资和第二历史观看媒资的观看顺序,与在第二观看数据中第一历史观看媒资和第二历史观看媒资的观看顺序相同。在进行媒资推荐时,可基于观看顺序和观看间隔来预测用户的观看习惯,对于观看的媒资相同,观看顺序相同、观看间隔不同的两组观看数据,可预测出不同的观看习惯,根据两种观看习惯推荐的媒资将不相同。
在一些实施例中,在第一观看数据中第一历史观看媒资和第二历史观看媒资的观看顺序,与在第二观看数据中第一历史观看媒资和第二历史观看媒资的观看顺序不相同。在进行媒资推荐时,可基于观看顺序和观看间隔来预测用户的观看习惯,对于观看的媒资相同,观看顺序不同、观看间隔不同的两组观看数据,可预测出不同的观看习惯,根据两种观看习惯推荐的媒资将不相同。
针对第二观看数据推荐的一个媒资可为第二媒资。由上述实施例可知,第二媒资与第一媒资为不同的媒资。
为对本申请实施例媒资推荐的效果进行说明,图8示出了根据一些实施例的媒资推荐的效果示意图,如图8所示,一个用户在显示设备上历史观看的媒资包括媒资A1、媒资A2、媒资A3、媒资B1、媒资B2、媒资B3、媒资B4,其中,媒资A1-媒资A3的媒资类型为电影,细分可为爱国电影,媒资B1-媒资B4为动画片。时间线L1表示一种上述历史观看的媒资的观看间隔,时间线L2表示另一种上述历史观看的媒资的观看间隔。
通常情况下,观看爱国电影的为成人,观看动画片的为儿童。
时间线L1的含义如下:用户在一天内观看了媒资A1、媒资A2和媒资A3,隔了7天之后,用户观看了媒资B1,在观看媒资B1的同一天内,用户还观看了媒资B2、媒资B3和媒资B4。由于媒资A1、媒资A2和媒资A3是用户在同一天观看的,因此,媒资A1、媒资A2的观看间隔为0天,媒资A2、媒资A3的观看间隔为0天。由于媒资B1、媒资B2、媒资B3和媒资B4是用户在同一天观看的,因此,媒资B1、媒资B2的观看间隔为0天,媒资B2、媒资B3的观看间隔为0天,媒资B3、媒资B4的观看间隔为0天。
时间线L1对应的一个场景如下所示:在一个家庭中,观看显示设备的人物包括一个成人和儿童,成人喜欢观看爱国电影,儿童喜欢观看动画片。成人和儿童观看显示设备的时间较为独立。在一周内,成人每隔7天,如每逢周天会观看显示设备,剩余6天是由儿童观看显示设备。在同一天内,观看显示设备的成人或儿童不切换观看的媒资类型。
针对时间线L1所示的场景,当用户在观看媒资B4后又间隔7天进入媒资推荐页面,服务器可根据当前时间与上次观看媒资的间隔为7天,判断与上次的观看记录相比,用户的观看兴趣可能发生了转移,因此,服务器为用户推荐与上次观看媒资的媒资类型不同的媒资,例如,推荐媒资类型为爱国电影的媒资,如媒资A4和媒资A5。
时间线L2的含义如下:用户在一天内观看了媒资A1、媒资A2,隔了10天之后,用户观看了媒资B1,在观看媒资B1的同一天内,用户还观看了媒资B2、媒资B3和媒资B4。由于媒资A1、媒资A2是用户在同一天观看的,因此,媒资A1、媒资A2的观看间隔为0天。由于媒资B1、媒资B2、媒资B3和媒资B4是用户在同一天观看的,因此,媒资B1、媒资B2的观看间隔为0天,媒资B2、媒资B3的观看间隔为0天,媒资B3、媒资B4的观看间隔为0天。
时间线L2对应的一个场景如下所示:在一个家庭中,观看显示设备的人物包括一个成人和儿童,成人喜欢观看爱国电影,儿童喜欢观看动画片。成人和儿童观看显示设备的时间较为独立。在同一天内,观看显示设备的成人或儿童不切换观看的媒资类型。
针对时间线L2所示的场景,当用户在观看媒资B4后当天进入媒资推荐页面,服务器可根据当前时间与上次观看媒资的间隔为0天,判断与上次的观看记录相比,用户的观看兴趣可能没有发生转移,因此,服务器为用户推荐与上次观看媒资的媒资类型相同的媒资,例如,推荐媒资类型为动画片的媒资,如媒资B5和媒资B6。
由上述实施例可见,本申请实施例提供的媒资推荐方法,在构建媒资推荐网络时,将媒资的观看顺序和观看间隔纳入媒资推荐的考量因素,通过自注意力模型分析历史行为数据中媒资之间的观看顺序和观看间隔,能得到用户对媒资的观看时间偏好,从而可预测用户的观看习惯,并通过结合对媒资内容的分析,使得最终得到的媒资推荐网络能综合用户的内容偏好和观看习惯进行媒资推荐,能够提高推荐的媒资符合用户观看需求的概率。
最后应说明的是:以上各实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述各实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。
为了方便解释,已经结合具体的实施方式进行了上述说明。但是,上述示例性的讨论不是意图穷尽或者将实施方式限定到上述公开的具体形式。根据上述的教导,可以得到多种修改和变形。上述实施方式的选择和描述是为了更好的解释原理以及实际的应用,从而使得本领域技术人员更好的使用所述实施方式以及适于具体使用考虑的各种不同的变形的实施方式。
Claims (10)
1.一种服务器,其特征在于,所述服务器被配置为:
采集用户观看媒资的历史行为数据;
计算所述历史行为数据对应观看顺序的第一矩阵、计算所述历史行为数据对应观看间隔的第二矩阵、计算所述历史行为数据对应媒资内容的第三矩阵;
通过自注意力模型对所述第一矩阵、第二矩阵和第三矩阵进行自注意力计算,得到所述历史行为数据对应的媒资表示矩阵;
将所述媒资表示矩阵输入前馈神经网络,通过媒资训练集对所述前馈神经网络进行训练,得到用于进行媒资推荐的媒资推荐网络。
2.根据权利要求1所述的服务器,其特征在于,计算所述历史行为数据对应观看间隔的第二矩阵,包括:
计算所述历史行为数据中任意两个媒资的观看间隔;
将所述观看间隔进行归一化,得到相对间隔;
构建表示所述历史行为数据中任意两个媒资的相对间隔的第二矩阵。
3.根据权利要求1所述的服务器,其特征在于,计算所述历史行为数据对应观看顺序的第一矩阵,包括:
按照所述历史行为数据中的观看时间构建观看顺序序列;
将所述历史行为数据按照所述观看顺序序列构建第一矩阵。
4.根据权利要求1所述的服务器,其特征在于,计算所述历史行为数据对应媒资内容的第三矩阵,包括:
构建所述历史行为数据对应媒资的影片描述矩阵;
构建所述历史行为数据对应媒资的海报表示矩阵;
构建所述历史行为数据对应媒资的视频内容表示矩阵;
综合全部媒资的影片描述矩阵、海报表示矩阵和视频内容表示矩阵,得到所述历史行为数据对应媒资内容的第三矩阵。
5.根据权利要求1所述的服务器,其特征在于,通过自注意力模型对所述第一矩阵、第二矩阵和第三矩阵进行自注意力计算,得到所述历史行为数据对应的媒资表示矩阵,包括:
通过自注意力模型对所述第一矩阵和第二矩阵进行自注意力计算,得到位置矩阵;
通过所述自注意力模型对所述位置矩阵和第三矩阵进行自注意力计算,得到媒资表示矩阵。
6.根据权利要求5所述的服务器,其特征在于,通过自注意力模型对所述第一矩阵和第二矩阵进行自注意力计算,得到位置矩阵,包括:
计算所述第一矩阵的注意力机制的第一查询向量、第一键向量和第一值向量,计算所述第二矩阵的注意力机制的第二查询向量、第二键向量和第二值向量;
计算所述第一查询向量与第二查询向量的和,得到第一综合查询向量,计算所述第一键向量与第二键向量的和,得到第一综合键向量,计算所述第一值向量与第二值向量的和,得到第一综合值向量;
通过自注意力模型对所述第一综合查询向量、第一综合键向量和第一综合值向量进行自注意力计算,得到位置矩阵。
7.根据权利要求5所述的服务器,其特征在于,通过所述自注意力模型对所述位置矩阵和第三矩阵进行自注意力计算,得到媒资表示矩阵,包括:
将所述位置矩阵设置为第二综合查询向量,将所述第三矩阵设置为第二综合键向量和第二综合值向量;
通过自注意力模型对所述第二综合查询向量,将所述第三矩阵设置为第二综合键向量和第二综合值向量进行自注意力计算,得到媒资表示矩阵。
8.一种媒资推荐网络的训练方法,其特征在于,包括:
采集用户观看媒资的历史行为数据;
计算所述历史行为数据对应观看顺序的第一矩阵、计算所述历史行为数据对应观看间隔的第二矩阵、计算所述历史行为数据对应媒资内容的第三矩阵;
通过自注意力模型对所述第一矩阵、第二矩阵和第三矩阵进行自注意力计算,得到所述历史行为数据对应的媒资表示矩阵;
将所述媒资表示矩阵输入前馈神经网络,通过媒资训练集对所述前馈神经网络进行训练,得到媒资推荐网络。
9.根据权利要求1所述的媒资推荐方法,其特征在于,所述前馈神经网络为包括两个relu层的神经网络。
10.一种媒资推荐方法,其特征在于,包括:
接收用户的媒资推荐请求;
响应于所述媒资推荐请求,将所述用户的历史行为数据和媒资候选集输入媒资推荐网络;
若所述历史行为数据包括第一观看数据,所述媒资推荐网络在所述媒资候选集中筛选出包含第一媒资的第一媒资推荐数据;
若所述历史行为数据包括第二观看数据,所述媒资推荐网络在所述媒资候选集中筛选出包含第二媒资的第二媒资推荐数据;
其中,所述第一媒资与第二媒资不同,所述第一观看数据和所述第二观看数据中包含的历史观看媒资相同,且在所述第一观看数据中第一历史观看媒资与第二历史观看媒资的观看间隔,与在所述第二观看数据中第一历史观看媒资与第二历史观看媒资的观看间隔不同。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210149930.8A CN114615524B (zh) | 2022-02-18 | 2022-02-18 | 服务器、媒资推荐网络的训练方法及媒资推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210149930.8A CN114615524B (zh) | 2022-02-18 | 2022-02-18 | 服务器、媒资推荐网络的训练方法及媒资推荐方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114615524A true CN114615524A (zh) | 2022-06-10 |
CN114615524B CN114615524B (zh) | 2023-10-24 |
Family
ID=81858157
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210149930.8A Active CN114615524B (zh) | 2022-02-18 | 2022-02-18 | 服务器、媒资推荐网络的训练方法及媒资推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114615524B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105245958A (zh) * | 2015-11-11 | 2016-01-13 | Tcl集团股份有限公司 | 一种直播电视节目推荐方法和装置 |
WO2017107453A1 (zh) * | 2015-12-23 | 2017-06-29 | 乐视控股(北京)有限公司 | 一种视频内容推荐方法、设备和系统 |
US20180084080A1 (en) * | 2016-09-22 | 2018-03-22 | Adobe Systems Incorporated | Decomposing Media Content Accounts for Persona-based Experience Individualization |
CN108769817A (zh) * | 2018-05-31 | 2018-11-06 | 深圳市路通网络技术有限公司 | 节目推荐方法及系统 |
CN108965937A (zh) * | 2018-06-27 | 2018-12-07 | 广东技术师范学院 | 一种面向网络电视家庭用户的动态兴趣模型构建方法 |
KR102198365B1 (ko) * | 2019-11-28 | 2021-01-04 | 광운대학교 산학협력단 | 다중 채널 프리뷰 기반의 사용자 맞춤형 미디어 콘텐츠 프로그램 추천 시스템 및 방법 |
CN112364203A (zh) * | 2020-11-30 | 2021-02-12 | 未来电视有限公司 | 电视视频推荐方法、装置、服务器和存储介质 |
CN112905839A (zh) * | 2021-02-10 | 2021-06-04 | 北京有竹居网络技术有限公司 | 模型训练方法、模型使用方法、装置、存储介质及设备 |
CN113822742A (zh) * | 2021-09-18 | 2021-12-21 | 电子科技大学 | 一种基于自注意力机制的推荐方法 |
CN113868466A (zh) * | 2021-12-06 | 2021-12-31 | 北京搜狐新媒体信息技术有限公司 | 视频推荐的方法、装置、设备和存储介质 |
-
2022
- 2022-02-18 CN CN202210149930.8A patent/CN114615524B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105245958A (zh) * | 2015-11-11 | 2016-01-13 | Tcl集团股份有限公司 | 一种直播电视节目推荐方法和装置 |
WO2017107453A1 (zh) * | 2015-12-23 | 2017-06-29 | 乐视控股(北京)有限公司 | 一种视频内容推荐方法、设备和系统 |
US20180084080A1 (en) * | 2016-09-22 | 2018-03-22 | Adobe Systems Incorporated | Decomposing Media Content Accounts for Persona-based Experience Individualization |
CN108769817A (zh) * | 2018-05-31 | 2018-11-06 | 深圳市路通网络技术有限公司 | 节目推荐方法及系统 |
CN108965937A (zh) * | 2018-06-27 | 2018-12-07 | 广东技术师范学院 | 一种面向网络电视家庭用户的动态兴趣模型构建方法 |
KR102198365B1 (ko) * | 2019-11-28 | 2021-01-04 | 광운대학교 산학협력단 | 다중 채널 프리뷰 기반의 사용자 맞춤형 미디어 콘텐츠 프로그램 추천 시스템 및 방법 |
CN112364203A (zh) * | 2020-11-30 | 2021-02-12 | 未来电视有限公司 | 电视视频推荐方法、装置、服务器和存储介质 |
CN112905839A (zh) * | 2021-02-10 | 2021-06-04 | 北京有竹居网络技术有限公司 | 模型训练方法、模型使用方法、装置、存储介质及设备 |
CN113822742A (zh) * | 2021-09-18 | 2021-12-21 | 电子科技大学 | 一种基于自注意力机制的推荐方法 |
CN113868466A (zh) * | 2021-12-06 | 2021-12-31 | 北京搜狐新媒体信息技术有限公司 | 视频推荐的方法、装置、设备和存储介质 |
Non-Patent Citations (3)
Title |
---|
ZEYANG GAO 等: "Microblog Label Recommendation Based on Matrix Decomposition Model", 《2018 IEEE/ACIS 17TH INTERNATIONAL CONFERENCE ON COMPUTER AND INFORMATION SCIENCE (ICIS)》 * |
孙金杨 等: "NHRec:一种基于长短期兴趣的神经混合推荐模型", 《小型微型计算机系统》, no. 11, pages 2298 - 2302 * |
许良武: "基于向量化标签的视频推荐算法研究与实现", 《无线互联科技》, vol. 17, no. 12 * |
Also Published As
Publication number | Publication date |
---|---|
CN114615524B (zh) | 2023-10-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10341701B2 (en) | Clustering and adjudication to determine a recommendation of multimedia content | |
US20200193288A1 (en) | System and Method for Content Discovery | |
AU2016277657B2 (en) | Methods and systems for identifying media assets | |
CN105635824B (zh) | 个性化频道推荐方法和系统 | |
US9100701B2 (en) | Enhanced video systems and methods | |
JP6364424B2 (ja) | メディアアセットに関するコンテクスト上関係する情報を表示するための方法およびシステム | |
CN102893625B (zh) | 选择性内容呈现引擎 | |
US8132200B1 (en) | Intra-video ratings | |
US20150020106A1 (en) | Personalized video content from media sources | |
US20140259037A1 (en) | Predicted video content aggregation | |
Goren-Bar et al. | FIT-recommend ing TV programs to family members | |
US20140259038A1 (en) | Demographic prediction channel | |
US8478759B2 (en) | Information presentation apparatus and mobile terminal | |
US20140344103A1 (en) | System and methodforpersonalized video recommendation based on user interests modeling | |
JP2003522500A (ja) | 電子番組ガイド閲覧履歴生成方法及びシステム | |
CN114513687B (zh) | 服务器及媒资推荐方法 | |
CN112040339A (zh) | 一种视频数据的制作方法、装置、计算机设备和存储介质 | |
CN114339417A (zh) | 一种视频推荐的方法、终端设备和可读存储介质 | |
CN114357201B (zh) | 基于信息感知的视听推荐方法、系统 | |
Sumiyoshi et al. | CurioView: TV recommendations related to content being viewed | |
CN114615524B (zh) | 服务器、媒资推荐网络的训练方法及媒资推荐方法 | |
KR102492022B1 (ko) | 다중 채널 네트워크의 컨텐츠 관리 방법, 장치 및 시스템 | |
EP4161085A1 (en) | Real-time audio/video recommendation method and apparatus, device, and computer storage medium | |
CN112104910A (zh) | 一种视频搜索方法、装置及系统 | |
WO2023078226A1 (zh) | 推荐方法、装置、服务器和计算机可读存储介质 |
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 |