CN114637888A - 一种视频推送方法及装置 - Google Patents

Abstract

本申请公开提供了一种视频推送方法及装置，其中，该方法包括：构建视频用户相关性异构图，视频用户相关性异构图包括用户、视频和视频标签，以及用户、视频和视频标签相互之间的显式关联关系；对视频用户相关性异构图进行学习，预测视频用户相关性异构图中用户、视频和视频标签相互之间的隐式关联关系；根据隐式关联关系确定每个用户对每个视频的喜好程度，解决了现有技术中采用手动标签标注、协同过滤的方式为用户进行视频推荐，对于没有推荐依据的观看行为较少的用户无法推荐，耗费人工，且难以实现准确推荐的问题。

Description

一种视频推送方法及装置

技术领域

本发明涉及视频推送技术领域，具体涉及一种视频推送方法及装置。

背景技术

随着移动终端的普及以及移动网络的发展，观看视频已经成为大多数人生活中必不可少的娱乐消遣。因此，视频业务也成为了众多互联网公司重点发展的赛道。

在视频业务的发展中，智能推荐旨在为用户推荐其感兴趣的视频，以提高用户粘度以及用户活度。

相关技术中，采用协同过滤算法实现视频推荐，协同过滤算法分为基于视频的协同过滤以及基于用户的协同过滤，分别计算视频之间的相似度以及用户之间的相似度，并基于视频的相似或者用户的相似度给用户推荐新的视频。虽然这些方法已经被广泛应用，但是仍然存在以下不足：

首先，在相关性学习方面，基于协同过滤的方法不能同时兼顾视频之间的相关性、用户之间的相关性和用户与视频之间的相关性，致使视频难以准确推送给感兴趣的用户。

其次，冷启动方面，由于协同过滤算法是基于用户行为进行视频推荐的，因此，对于新视频上线或者观看行为较少的用户，则很难根据用户行为用户感兴趣的视频。

另外，为了提高视频的推荐性能，需要耗费大量的人工与时间进行视频的标注。

发明内容

因此，本发明要解决的技术问题在于克服现有技术中采用手动标签标注、协同过滤的方式为用户进行视频推荐，对于没有推荐依据的观看行为较少的用户无法推荐，耗费人工，且难以实现准确推荐的缺陷，从而提供一种视频推送方法及装置。

为解决上述技术问题，本发明公开实施例至少提供一种视频推送方法及装置。

第一方面，本发明公开实施例提供了一种视频推送方法，包括：

构建视频用户相关性异构图，所述视频用户相关性异构图包括用户、视频和视频标签，以及所述用户、所述视频和所述视频标签相互之间的显式关联关系；

对所述视频用户相关性异构图进行学习，预测所述视频用户相关性异构图中所述用户、所述视频和所述视频标签相互之间的隐式关联关系；

根据所述隐式关联关系确定每个用户对每个视频的喜好程度。

可选地，所述对所述视频用户相关性异构图进行学习为：通过异构神经网络对所述视频用户相关性异构图进行学习。

可选地，所述通过异构神经网络对所述视频用户相关性异构图进行学习，预测所述视频用户相关性异构图中所述用户、所述视频和所述视频标签相互之间的隐式关联关系包括：通过元路径随机游走的方式提取所述视频用户相关性异构图的至少两个异构子图；基于所述至少两个异构子图求取每个用户的用户表征、每个视频的视频表征和每个标签的标签表征；基于所述用户表征、所述视频表征和所述标签表征，通过预设算法预测所述视频用户相关性异构图中所述用户、所述视频和所述视频标签相互之间的隐式关联关系。

可选地，所述基于所述至少两个异构子图求取每个用户的用户表征、每个视频的视频表征和每个标签的标签表征为：利用图神经网络GraphSage、结合注意力机制求取所述至少两个异构子图获取每个用户的用户表征、每个视频的视频表征和每个标签的标签表征。

可选地，所述利用图神经网络GraphSage、结合注意力机制求取所述至少两个异构子图获取每个用户的用户表征、每个视频的视频表征和每个标签的标签表征包括：利用图神经网络GraphSage、结合注意力机制和图自监学习获取所述视频用户相关性异构图中任意两个用户之间、任意两个视频之间以及任意两个标签之间的相关性；对所述相关性进行归一化处理，获取相关性分数；根据所述相关性分数求取所述至少两个异构子图获取每个用户的用户表征、每个视频的视频表征和每个标签的标签表征。

可选地，所述利用图神经网络GraphSage、结合注意力机制和图自监学习获取所述视频用户相关性异构图中任意两个用户之间、任意两个视频之间以及任意两个标签之间的相关性包括：通过所述图神经网络GraphSage和所述图自监学习预测所述用户相关性异构图中任意两个节点之间存在的隐性连接；通过所述注意力机制所述视频用户相关性异构图中任意两个用户之间、任意两个视频之间以及任意两个标签之间的相关性。

可选地，所述根据所述隐式关联关系确定每个用户对每个视频的喜好程度为：通过全接连神经网络根据所述隐式关联关系确定确定每个根据所述隐式关联关系确定用户对每个视频的喜好程度。

第二方面，本发明公开实施例还提供一种视频推送装置，包括：

异构图构建模块，用于构建视频用户相关性异构图，所述视频用户相关性异构图包括用户、视频和视频标签，以及所述用户、所述视频和所述视频标签相互之间的显式关联关系；

隐式关联关系预测模块，用于对所述视频用户相关性异构图进行学习，预测所述视频用户相关性异构图中所述用户、所述视频和所述视频标签相互之间的隐式关联关系；

目标视频确定模块，用于根据所述隐式关联关系确定每个用户对每个视频的喜好程度。

第三方面，本发明公开实施例还提供一种计算机设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当计算机设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行上述第一方面，或第一方面中任一种可能的实施方式中的步骤。

第四方面，本发明公开实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述第一方面，或第一方面中任一种可能的实施方式中的步骤。

本发明的实施例提供的技术方案可以具有以下有益效果：

通过构建视频相关性异构图来表示视频、用户、视频标签之间的关系，并利用异构图神经网络学习视频与用户的表征（embedding），最后利用神经网络来预测用户对某个视频的喜好程度，更好地捕捉视频之间、用户之间、视频与用户之间的相关性，同时降低冷启动问题对推荐性能的影响。

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，并不能限制本发明。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1示出了本发明公开实施例所提供的一种视频推送方法的流程图；

图2示出了本发明公开实施例所提供的另一种视频推送方法的流程图；

图3示出了本发明公开实施例中用户相关性异构图结构示意图；

图4示出了图2中步骤S222的一种实现方式流程示意图；

图5示出了图4中步骤S2221的一种实现方式流程示意图；

图6示出了本发明公开实施例所提供的一种视频推送装置的结构示意图；

图7示出了本发明公开实施例所提供的一种计算机设备的结构示意图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明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、本发明的一些方面相一致的装置和方法的例子。

实施例1

如图1所示，本发明公开实施例所提供的一种视频推送方法的流程图，所述方法包括：

S11：构建视频用户相关性异构图，视频用户相关性异构图包括用户、视频和视频标签，以及用户、视频和视频标签相互之间的显式关联关系；

S12：对视频用户相关性异构图进行学习，预测视频用户相关性异构图中用户、视频和视频标签相互之间的隐式关联关系；

S13：根据隐式关联关系确定每个用户对每个视频的喜好程度。

可以理解的是，本实施例提供的技术方案，通过构建视频相关性异构图来表示视频、用户、视频标签之间的关系，并利用异构图神经网络学习视频与用户的表征（embedding），最后利用神经网络来预测用户对某个视频的喜好程度，更好地捕捉视频之间、用户之间、视频与用户之间的相关性，同时降低冷启动问题对推荐性能的影响。

实施例2

如图2所示，本发明公开实施例所提供的另一种视频推送方法的流程图，所述方法包括：

S21：构建视频用户相关性异构图，视频用户相关性异构图包括用户、视频和视频标签，以及用户、视频和视频标签相互之间的显式关联关系；

图3示出了用户相关性异构图的一种示例性结构，该异构图的结构，可以同时表达视频、用户、标签之间显式关联关系与隐式关联关系。

显式关联关系指的是两个对象之间有直接的联系，比如某个视频属于某个标签，或者某个用户观看过某个视频。在图中，显式关联关系是可以被直接观察到的，在图中用边连接。

隐式关联关系则指两个对象可能存在未被观察到的联系，比如某个用户可能对某个视频感兴趣，某个未被标注的视频可能属于某个标签。在图中，隐式的关系没办法直接观察到，本发明实施例技术方案通过图神经网络的模型，学习并预测图中的隐式关系，并将其作为推荐的结果。

在用户相关性异构图构建过程中，首先通过系统后台获得视频的用户集合以及待推荐的视频集合，并通过人工标注的方式，对部分视频标注标签。给定得到的用户集、视频集以及标签集，利用用户观看视频的记录以及视频的标注记录，构建如图3所示的用户相关性异构图。在异构图中包含了六种不同的关系：用户-视频，视频-标签，用户-标签，用户-用户，视频-视频，标签-标签。

S22：通过异构神经网络对视频用户相关性异构图进行学习，预测视频用户相关性异构图中用户、视频和视频标签相互之间的隐式关联关系；

S23：通过全接连神经网络根据隐式关联关系确定每个用户对每个视频的喜好程度。

在具体实践中，步骤S22通过异构神经网络对视频用户相关性异构图进行学习，预测视频用户相关性异构图中用户、视频和视频标签相互之间的隐式关联关系包括：

S221：通过元路径随机游走的方式提取视频用户相关性异构图的至少两个异构子图；

S222：基于至少两个异构子图求取每个用户的用户表征、每个视频的视频表征和每个标签的标签表征；

S223：基于用户表征、视频表征和标签表征，通过预设算法预测视频用户相关性异构图中用户、视频和视频标签相互之间的隐式关联关系。

在具体实践中，步骤S222基于至少两个异构子图求取每个用户的用户表征、每个视频的视频表征和每个标签的标签表征可以为：利用图神经网络GraphSage、结合注意力机制求取至少两个异构子图获取每个用户的用户表征、每个视频的视频表征和每个标签的标签表征。具体的，如图4所示，可以但不限于通过以下过程实现：

S2221：利用图神经网络GraphSage、结合注意力机制和图自监学习获取视频用户相关性异构图中任意两个用户之间、任意两个视频之间以及任意两个标签之间的相关性；

S2222：对相关性进行归一化处理，获取相关性分数；

S2223：根据相关性分数求取至少两个异构子图获取每个用户的用户表征、每个视频的视频表征和每个标签的标签表征。

在具体实践中，步骤S2221利用图神经网络GraphSage、结合注意力机制和图自监学习获取视频用户相关性异构图中任意两个用户之间、任意两个视频之间以及任意两个标签之间的相关性，如图5所示，可以通过但不限于以下过程实现：

S22211：通过图神经网络GraphSage和图自监学习预测用户相关性异构图中任意两个节点之间存在的隐性连接；

S22212：通过注意力机制视频用户相关性异构图中任意两个用户之间、任意两个视频之间以及任意两个标签之间的相关性。

在一具体实施方式中，对于用户i与j，利用注意力机制计算两个用户之间的注意力分数作为他们之间的相关性

,并通过softmax操作进行归一化处理得到相关性分数

：

；

；

其中

与

分别表示用户i与j的表征，

与

是可学习的参数，||表示连接两个向量，

表示激活函数，

表示用户i在图中的邻居。基于此，用户i的表征可以更新为：

同理，利用上述方法，可以依次计算得到视频以及标签的表征：

其中，

与

分别为 视频i与m的表征，

与

为标签i与m的表征，

为两个视频的注意力分数，

为两个标签的注意力分数。

为了提高模型的精准性，本发明实施例引入了图自监督学习的概念，通过全连接神经网络预测图中两个节点之间是否存在连接，充分考虑图结构的信息：

，

其中，

与

表示用户i与j的表征，

是可学习的参数，||表示连接两个向量，

表示激活函数。

在得到用户与视频的表征后，对于任意用户i与任意视频j，通过全连接的神经网络预测该用户对该视频的喜好程度：

在得到某用户对不同视频的喜好程度后，将基于喜好程度进行排序，并返回用户喜好程度最高的k个视频作为推荐结果，其中k为预置数值。

可以理解的是，本实施例提供的技术方案，通过构建视频相关性异构图来表示视频、用户、视频标签之间的关系，通过元路径游走的方式构建多种子图描述用户、视频、标签之间的关系，引入了图自监督学习的思想，通过预测两个节点之间是否存在连接的子任务，让模型更好地学习到图中地结构信息。利用异构图神经网络、注意力机制、图自监督等算法，精准地捕捉不同物件之间的相关性，得到用户、视频表征，最后利用神经网络来预测用户对某个视频的喜好程度，更好地捕捉视频之间、用户之间、视频与用户之间的相关性，同时降低冷启动问题对推荐性能的影响。通过神经网络准确高效地对用户喜好进行预测。通过智能推荐的功能提高用户对应用的使用时间，从而提高用户粘性。

实施例3

如图6所示，本发明实施例还提供一种视频推送装置，包括：

异构图构建模块61，用于构建视频用户相关性异构图，视频用户相关性异构图包括用户、视频和视频标签，以及用户、视频和视频标签相互之间的显式关联关系；

隐式关联关系预测模块62，用于对视频用户相关性异构图进行学习，预测视频用户相关性异构图中用户、视频和视频标签相互之间的隐式关联关系；

目标视频确定模块63，用于根据隐式关联关系确定每个用户对每个视频的喜好程度。

在具体实践中，如图6中虚线部分所示，隐式关联关系预测模块62可以包括：

异构子图提取子模块，用于通过元路径随机游走的方式提取视频用户相关性异构图的至少两个异构子图；

表征求取子模块，用于基于至少两个异构子图求取每个用户的用户表征、每个视频的视频表征和每个标签的标签表征；

隐式关系预测子模块，用于基于用户表征、视频表征和标签表征，通过预设算法预测视频用户相关性异构图中用户、视频和视频标签相互之间的隐式关联关系。

在具体实践中，表征求取子模块基于至少两个异构子图求取每个用户的用户表征、每个视频的视频表征和每个标签的标签表征为：表征求取子模块利用图神经网络GraphSage、结合注意力机制求取至少两个异构子图获取每个用户的用户表征、每个视频的视频表征和每个标签的标签表征。具体的，表征求取子模块利用图神经网络GraphSage、结合注意力机制和图自监学习获取视频用户相关性异构图中任意两个用户之间、任意两个视频之间以及任意两个标签之间的相关性；对相关性进行归一化处理，获取相关性分数；根据相关性分数求取至少两个异构子图获取每个用户的用户表征、每个视频的视频表征和每个标签的标签表征。

在具体实践中，表征求取子模块利用图神经网络GraphSage、结合注意力机制和图自监学习获取视频用户相关性异构图中任意两个用户之间、任意两个视频之间以及任意两个标签之间的相关性可以为：表征求取子模块通过图神经网络GraphSage和图自监学习预测用户相关性异构图中任意两个节点之间存在的隐性连接；通过注意力机制视频用户相关性异构图中任意两个用户之间、任意两个视频之间以及任意两个标签之间的相关性。

可以理解的是，本实施例提供的技术方案，通过构建视频相关性异构图来表示视频、用户、视频标签之间的关系，通过元路径游走的方式构建多种子图描述用户、视频、标签之间的关系，引入了图自监督学习的思想，通过预测两个节点之间是否存在连接的子任务，让模型更好地学习到图中地结构信息。利用异构图神经网络、注意力机制、图自监督等算法，精准地捕捉不同物件之间的相关性，得到用户、视频表征，最后利用神经网络来预测用户对某个视频的喜好程度，更好地捕捉视频之间、用户之间、视频与用户之间的相关性，同时降低冷启动问题对推荐性能的影响。通过神经网络准确高效地对用户喜好进行预测。通过智能推荐的功能提高用户对应用的使用时间，从而提高用户粘性。

实施例4

基于同一技术构思，本申请实施例还提供了一种计算机设备，包括存储器1和处理器2，如图7所示，所述存储器1存储有计算机程序，所述处理器2执行所述计算机程序时实现上述任一项所述的视频推送方法。

其中，存储器1至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器（例如，SD或DX存储器等）、磁性存储器、磁盘、光盘等。存储器1在一些实施例中可以是OTT视频业务监控系统的内部存储单元，例如硬盘。存储器1在另一些实施例中也可以是OTT视频业务监控系统的外部存储设备，例如插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（Secure Digital, SD）卡，闪存卡（Flash Card）等。进一步地，存储器1还可以既包括OTT视频业务监控系统的内部存储单元也包括外部存储设备。存储器1不仅可以用于存储安装于OTT视频业务监控系统的应用软件及各类数据，例如OTT视频业务监控程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。

处理器2在一些实施例中可以是一中央处理器（Central Processing Unit,CPU）、控制器、微控制器、微处理器或其他数据处理芯片，用于运行存储器1中存储的程序代码或处理数据，例如执行OTT视频业务监控程序等。

可以理解的是，本实施例提供的技术方案，通过构建视频相关性异构图来表示视频、用户、视频标签之间的关系，通过元路径游走的方式构建多种子图描述用户、视频、标签之间的关系，引入了图自监督学习的思想，通过预测两个节点之间是否存在连接的子任务，让模型更好地学习到图中地结构信息。利用异构图神经网络、注意力机制、图自监督等算法，精准地捕捉不同物件之间的相关性，得到用户、视频表征，最后利用神经网络来预测用户对某个视频的喜好程度，更好地捕捉视频之间、用户之间、视频与用户之间的相关性，同时降低冷启动问题对推荐性能的影响。通过神经网络准确高效地对用户喜好进行预测。通过智能推荐的功能提高用户对应用的使用时间，从而提高用户粘性。

本发明公开实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述方法实施例中所述的视频推送方法的步骤。其中，该存储介质可以是易失性或非易失的计算机可读取存储介质。

本发明公开实施例所提供的视频推送方法的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行上述方法实施例中所述的视频推送方法的步骤，具体可参见上述方法实施例，在此不再赘述。

本发明公开实施例还提供一种计算机程序，该计算机程序被处理器执行时实现前述实施例的任意一种方法。该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包（Software DevelopmentKit，SDK）等等。

可以理解的是，上述各实施例中相同或相似部分可以相互参考，在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。

需要说明的是，在本发明的描述中，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本发明的描述中，除非另有说明，“多个”的含义是指至少两个。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。

应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块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。

上述提到的存储介质可以是只读存储器，磁盘或光盘等。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种视频推送方法，其特征在于，包括：

构建视频用户相关性异构图，所述视频用户相关性异构图包括用户、视频和视频标签，以及所述用户、所述视频和所述视频标签相互之间的显式关联关系；

对所述视频用户相关性异构图进行学习，预测所述视频用户相关性异构图中所述用户、所述视频和所述视频标签相互之间的隐式关联关系；

根据所述隐式关联关系确定每个用户对每个视频的喜好程度。

2.根据权利要求1所述的视频推送方法，其特征在于，所述对所述视频用户相关性异构图进行学习为：通过异构神经网络对所述视频用户相关性异构图进行学习。

3.根据权利要求2所述的视频推送方法，其特征在于，所述通过异构神经网络对所述视频用户相关性异构图进行学习，预测所述视频用户相关性异构图中所述用户、所述视频和所述视频标签相互之间的隐式关联关系包括：

通过元路径随机游走的方式提取所述视频用户相关性异构图的至少两个异构子图；

基于所述至少两个异构子图求取每个用户的用户表征、每个视频的视频表征和每个标签的标签表征；

基于所述用户表征、所述视频表征和所述标签表征，通过预设算法预测所述视频用户相关性异构图中所述用户、所述视频和所述视频标签相互之间的隐式关联关系。

4.根据权利要求3所述的视频推送方法，其特征在于，所述基于所述至少两个异构子图求取每个用户的用户表征、每个视频的视频表征和每个标签的标签表征为：利用图神经网络GraphSage、结合注意力机制求取所述至少两个异构子图获取每个用户的用户表征、每个视频的视频表征和每个标签的标签表征。

5.根据权利要求4所述的视频推送方法，其特征在于，所述利用图神经网络GraphSage、结合注意力机制求取所述至少两个异构子图获取每个用户的用户表征、每个视频的视频表征和每个标签的标签表征包括：

利用图神经网络GraphSage、结合注意力机制和图自监学习获取所述视频用户相关性异构图中任意两个用户之间、任意两个视频之间以及任意两个标签之间的相关性；

对所述相关性进行归一化处理，获取相关性分数；

根据所述相关性分数求取所述至少两个异构子图获取每个用户的用户表征、每个视频的视频表征和每个标签的标签表征。

6.根据权利要求5所述的视频推送方法，其特征在于，所述利用图神经网络GraphSage、结合注意力机制和图自监学习获取所述视频用户相关性异构图中任意两个用户之间、任意两个视频之间以及任意两个标签之间的相关性包括：

通过所述图神经网络GraphSage和所述图自监学习预测所述用户相关性异构图中任意两个节点之间存在的隐性连接；

通过所述注意力机制所述视频用户相关性异构图中任意两个用户之间、任意两个视频之间以及任意两个标签之间的相关性。

7.根据权利要求1-6任一项所述的视频推送方法，其特征在于，所述根据所述隐式关联关系确定每个用户对每个视频的喜好程度为：通过全接连神经网络根据所述隐式关联关系确定每个根据所述隐式关联关系确定用户对每个视频的喜好程度。

8.一种视频推送装置，其特征在于，包括：

异构图构建模块，用于构建视频用户相关性异构图，所述视频用户相关性异构图包括用户、视频和视频标签，以及所述用户、所述视频和所述视频标签相互之间的显式关联关系；

隐式关联关系预测模块，用于对所述视频用户相关性异构图进行学习，预测所述视频用户相关性异构图中所述用户、所述视频和所述视频标签相互之间的隐式关联关系；

目标视频确定模块，用于根据所述隐式关联关系确定每个用户对每个视频的喜好程度。

9.一种计算机设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当计算机设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如权利要求1至7中任一项所述视频推送方法。

10.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如权利要求1至7中任一项所述视频推送方法。

Images