CN114676283A - 共享账号使用场景下的视频会员套餐推荐方法及系统 - Google Patents

共享账号使用场景下的视频会员套餐推荐方法及系统 Download PDF

Info

Publication number
CN114676283A
CN114676283A CN202210326290.3A CN202210326290A CN114676283A CN 114676283 A CN114676283 A CN 114676283A CN 202210326290 A CN202210326290 A CN 202210326290A CN 114676283 A CN114676283 A CN 114676283A
Authority
CN
China
Prior art keywords
session
package
vector
representation
video
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.)
Pending
Application number
CN202210326290.3A
Other languages
English (en)
Inventor
彭朝晖
王雪
崔明宇
郝振云
王健
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.)
Shandong University
Original Assignee
Shandong University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shandong University filed Critical Shandong University
Priority to CN202210326290.3A priority Critical patent/CN114676283A/zh
Publication of CN114676283A publication Critical patent/CN114676283A/zh
Pending legal-status Critical Current

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
    • G06F16/78—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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Library & Information Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提供了共享账号使用场景下的视频会员套餐推荐方法及系统，包括：获取某共享账号某时刻之前所有的播放视频的播放记录，并将所有的播放视频划分到不同会话，根据所有播放视频所属会话，得到每个播放视频的嵌入表示向量，计算每种套餐的表示向量和每个会话的表示向量；基于历史会话组中每个会话的表示向量，得到该共享账号的所有用户的表示向量，并结合所述当前会话组中会话的表示向量，得到当前用户的表示向量；基于当前会话组中会话的表示向量和所述当前用户的表示向量，得到当前用户的兴趣向量，并结合所述每种套餐的表示向量，得到当前用户对每种套餐的购买概率。实现了对账号不同使用用户的个性化套餐推荐。

Description

共享账号使用场景下的视频会员套餐推荐方法及系统
技术领域
本发明属于深度学习技术领域，尤其涉及共享账号使用场景下的视频会员套餐推荐方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
随着用户观看视频的付费意识有所提高，用户付费内容逐渐成为公司收益的重要来源。用户付费主要体现在会员套餐上，用户购买会员套餐之后，可以享受更多优质的视频资源以及更好的观看体验，例如，VIP专享视频、免除广告、4K高清等。对于平台而言，用户购买会员套餐可以提高平台的收益，增强用户粘性，提高用户留存率。对于创作者而言，用户愿意为正版视频付费将激发创作者的创作激情，产生更多优质内容，促进环境进入良性循环。
对于平台用户群体而言，由于用户的兴趣存在差异，每个平台的用户群体可以按照用户的兴趣分类，例如，部分用户喜欢偶像剧，一些用户钟情于体育赛事等。存在不同兴趣的用户愿意购买的套餐也将存在区别，因此会员套餐逐渐从单一的套餐类型扩展为多样化的套餐。例如，会员套餐可以包含体育会员、动漫会员等多种类别。然而目前的会员套餐推荐多由人工按照当前热播视频进行编排，每个用户的推荐结果一致，没有实现用户的个性化推荐。在智能电视研究场景中，一台智能电视的使用者通常不是单一用户，即一个用户账号被多个家庭成员共享，由于每个家庭成员的兴趣不同，因此喜欢的付费套餐类型也存在区别。因此如何通过用户行为历史将账号多个使用用户进行表示，并针对不同的用户个性化的推荐会员套餐将是该场景下进行会员套餐推荐的重点。
在大部分情况下，用户会因为套餐中的一小部分视频来选择购买与这些视频相关的套餐，例如，用户可能为了观看某个喜欢的电视剧，而选择包含该电视剧的套餐。因此在计算套餐表示时，需要对其所含不同视频赋予不同权重，使得套餐的表示更加准确。例如，通过统计视频播放次数的方式，可以得知哪些视频更加热门，从而给予热门视频更高的权重，但是视频的热度变化是非常快的，需要不停地进行统计才能适应视频的热度变化。这种统计方式耗时耗力，消耗大量资源，因此如何简单有效地在计算套餐表示时给予不同的视频不同的权重，是进行会员套餐推荐的另一个重点。
现有的推荐方法，一般将用户历史视为单一用户产生的行为，因此在生成用户表示时账号内各用户行为混杂，产生的用户表示将多个账号的用户兴趣杂糅在一起，不能准确反应当前用户的兴趣，从而无法实现会员套餐的个性化推荐。目前的对于共享账号场景下的研究一般集中于视频推荐，没有针对会员套餐的方法，除此之外，现有的方法依然存在对用户历史序列考虑不足等问题。
发明内容
为了解决上述背景技术中存在的技术问题，本发明提供共享账号使用场景下的视频会员套餐推荐方法及系统，实现了对账号不同使用用户的个性化套餐推荐。
为了实现上述目的，本发明采用如下技术方案：
本发明的第一个方面提供共享账号使用场景下的视频会员套餐推荐方法，其包括：
获取某共享账号某时刻之前所有的播放视频的播放记录，并将所有的播放视频划分到不同会话，将距离该时刻最近的会话加入当前会话组，将其它会话加入历史会话组；
根据所有播放视频所属会话，得到每个播放视频的嵌入表示向量；
基于所有播放视频的嵌入表示向量，计算每种套餐的表示向量和每个会话的表示向量；
基于历史会话组中每个会话的表示向量，得到该共享账号的所有用户的表示向量，并结合所述当前会话组中会话的表示向量，得到当前用户的表示向量；
基于所述当前会话组中会话的表示向量和所述当前用户的表示向量，得到当前用户的兴趣向量，并结合所述每种套餐的表示向量，得到当前用户对每种套餐的购买概率，基于所述购买概率向当前用户推荐套餐。
进一步地，所述每个播放视频的嵌入表示向量的计算步骤为：
根据所有播放视频的所属会话和播放顺序，将该账号的播放视频构建成有向跨会话项目图；
基于所述有向跨会话项目图，得到每个播放视频的嵌入表示向量。
进一步地，所述有向跨会话项目图将每个播放视频作为一个节点，并根据不同节点在每个会话中出现的顺序建立有向边。
进一步地，所述有向跨会话项目图的权值矩阵根据每个所述有向边在所有会话中出现的次数以及所述有向边的节点的播放时长占比信息计算。
进一步地，所述每种套餐的表示向量的计算方法为：
基于所有播放视频的嵌入表示向量及视频所属套餐信息，得到每种套餐包含的所有播放视频的嵌入表示向量，并结合每种套餐的可学习热度向量，计算每种套餐包含的不同播放视频的权重；
基于所述每种套餐包含的所有播放视频的嵌入表示向量和权重，进行加权求和，得到每种套餐的表示向量。
进一步地，所述每个会话的表示向量的计算方法为：
对于每个会话包含的所有播放视频的嵌入表示向量进行平均池化，得到每个会话的初始表示向量；
对于每个会话，将初始表示向量与会话内每个播放视频的嵌入表示向量使用注意力机制加权求和，得到全局表示向量；
将初始表示向量和全局表示向量进行平均池化得到会话表示向量。
进一步地，所述所有用户的表示向量的计算方法为：
使用一层神经网络将所述历史会话组中所有会话的表示向量组成的矩阵进行转换，得到转换后矩阵；
基于转换后矩阵，采用动态路由表示方法，得到所有用户的表示向量。
本发明的第二个方面提供共享账号使用场景下的视频会员套餐推荐系统，其包括：
数据获取模块，其被配置为：获取某共享账号某时刻之前所有的播放视频的播放记录，并将所有的播放视频划分到不同会话，将距离该时刻最近的会话加入当前会话组，将其它会话加入历史会话组；
视频嵌入学习模块，其被配置为：根据所有播放视频所属会话，得到每个播放视频的嵌入表示向量；
会话内兴趣提取和套餐表示模块，其被配置为：基于所有播放视频的嵌入表示向量，计算每种套餐的表示向量和每个会话的表示向量；
当前用户表示模块，其被配置为：基于历史会话组中每个会话的表示向量，得到该共享账号的所有用户的表示向量，并结合所述当前会话组中会话的表示向量，得到当前用户的表示向量；
会员套餐推荐模块，其被配置为：基于所述当前会话组中会话的表示向量和所述当前用户的表示向量，得到当前用户的兴趣向量，并结合所述每种套餐的表示向量，得到当前用户对每种套餐的购买概率，基于所述购买概率向当前用户推荐套餐。
本发明的第三个方面提供计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的共享账号使用场景下的视频会员套餐推荐方法中的步骤。
本发明的第四个方面提供计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的共享账号使用场景下的视频会员套餐推荐方法中的步骤。
与现有技术相比，本发明的有益效果是：
本发明提供了共享账号使用场景下的视频会员套餐推荐方法，其将用户的历史播放行为根据时间间隔划分成不同会话，从跨会话和会话内两方面分别对视频和会话进行挖掘和表示，并提出S2U路由方法，从历史会话表示中区分不同的用户表示作为不同用户的长期兴趣。在套餐的表示学习中，给每个套餐设置一个可学习的热度向量，使用注意力机制使热度向量与视频向量计算得到不同的视频权重，套餐内的视频与不同的权重加权计算得到套餐表示。最后将当前会话所代表的用户短期兴趣与用户匹配得到的用户长期兴趣相结合作为当前用户兴趣表示进行会话套餐推荐，进而实现了对账号不同使用用户的个性化套餐推荐，提升了推荐转化率。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1是本发明实施例一的共享账号使用场景下的视频会员套餐推荐方法流程图；
图2是本发明实施例一的视频会员套餐推荐模型结构图；
图3是本发明实施例一的动态路由表示方法示意图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本发明使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
本实施例提供了共享账号使用场景下的视频会员套餐推荐方法，结合图神经网络、注意力机制和胶囊网络等技术，对账号的会话构建跨会话项目图，将会话内与跨会话之间视频的上下文信息统一考虑其中，从而对视频进行表示学习；通过可学习的热度向量，使用注意力机制赋予不同视频不同的权重，来计算套餐表示；利用已生成的视频表示，使用注意力机制获取用户在会话内的兴趣，生成会话表示；随后利用会话表示进行账号不同使用用户的识别和划分，最后结合当前用户的播放信息对该用户兴趣进行表示，基于当前用户兴趣向量进行会员套餐的推荐。如图1所示，具体包括以下步骤：
步骤1、将某账号某时刻之前所有的播放视频，按照交互顺序进行排序，根据视频播放记录之间的间隔时间，对所有播放视频进行会话划分，将视频播放间隔时间超过30分钟(或任一时间长度)的视频划分成不同会话，将时间间隔未超过30分钟的视频划分到同一会话，距离该时刻最近的会话加入当前会话组(历史会话组中的该会话称为当前会话)，将其它会话加入历史会话组(历史会话组中的每个会话称为一个历史会话)。
步骤2、将所有播放视频(该账号的所有播放视频，既包含历史会话中的视频，也包含当前会话中的视频)，按照会话内播放视频的播放顺序关系构建有向跨会话项目图，不同会话内的同一视频共享同一节点，该账号的所有播放视频构建成一个有向跨会话项目图。有向跨会话项目图将每个播放视频作为一个节点，并根据不同节点在每个会话中出现的顺序建立有向边；有向跨会话项目图的权值矩阵根据每个有向边在所有会话中出现的次数以及有向边节点的播放时长占比信息计算。
如图2左侧所示，对账号的播放视频进行构图，用户所有交互的视频按照会话内的交互顺序构建成一个有向图，不同会话内的同一视频共享同一节点，所有会话内的视频构建成一个有向的跨会话项目图G。图G不仅可以对会话内部之间的视频进行构建，将会话内部的顺序关系进行考虑，还通过跨会话之间的共同项目在图中共享的节点将不同会话进行链接，从而将不同会话中物理距离较远但实际比较相似的会话之间的距离拉近。如图2左侧所示，会话s1与会话s3在物理距离上较远，但因为两者存在公共节点v2，所以在跨会话项目图中的实际距离相近，在学习公共节点v2的表示时，可以将两个会话中的其他项目对v2的上下文信息也考虑其中。因此即使视频不出现在同一个会话中，依然可以通过图G构建跨会话项目之间的联系。
根据有向的跨会话项目图，可以获得出度矩阵Aout和入度矩阵Ain。
针对图G来计算边的权重时，本方法主要考虑以下几点对权重产生的影响：
(1)用户不同的顺序行为代表不同的转移关系，在计算权重时应该加以区分；例如，在图G中边vi→vj与vj→vi分别表示用户在观看完视频vi后观看视频vj以及用户在观看完视频vj后观看视频vi，本方法将其视为不同的用户行为，分别进行权重计算；
(2)视频共现的次数不同，所占权重也要有所区分。例如，在用户的多次观看历史中，视频vg分别出现在视频vi与视频vj之后，如果vi和vg同时出现100次，而vj和vg同时出现10次，那么，视频vi和vg之间的权重和vj与vg之间应该是不同的；
(3)用户的视频播放时长占比反映了用户的行为偏好。例如，在所有由vi到vj的用户行为中占据所有由vi出度的行为的总播放时长的比例越高，表明用户对视频vj的兴趣越大，则对应的节点vi到vj的权重应该越大。
因此，综合上述3点进行权重计算可以得到权值矩阵Win和Wout。具体计算过程如下：
Figure BDA0003573562020000081
Figure BDA0003573562020000091
其中，vi→vm表示交互完vi后交互节点vm，count(vi,vj)表示计算用户在交互视频vi之后交互视频vj的次数，这里的
Figure BDA0003573562020000092
表示所有视频vi之后交互的视频。t(vi,vj)表示用户在交互视频vi之后交互视频vj中视频vi的总播放时长，用户可能多次观看vi后观看vj。
最后，针对每一个账号
Figure BDA00035735620200000911
都存在一个跨会话项目图G，其拓扑结构可以用两个邻接矩阵表示为:
Figure BDA0003573562020000093
Figure BDA0003573562020000094
步骤3、基于跨会话图的视频嵌入学习模块，基于有向跨会话项目图G，利用门控图神经网络学习每个播放视频(节点)的嵌入表示向量(各项目表示向量)。
对于生成的有向跨会话项目图，使用门控图神经网络来获取跨会话项目图中节点的潜在特征向量。
首先，演示有向跨会话项目图中节点向量的学习过程。对于有向跨会话项目图G的节点vi，在第l次的迭代过程中，节点嵌入表示向量vi结合有向跨会话项目图中
Figure BDA0003573562020000095
出入矩阵信息后可以表示为
Figure BDA0003573562020000096
Figure BDA0003573562020000097
Figure BDA0003573562020000098
其中，N表示图G中的所有节点的数量，W1∈Rd×2d表示权重矩阵，
Figure BDA0003573562020000099
表示节点vi在l–1次迭代输出的潜在特征向量(嵌入表示向量)，
Figure BDA00035735620200000910
表示在l–1次迭代中所有节点输出的潜在特征向量拼接而成的矩阵，At,i:∈R1×2N表示节点i在矩阵At中对应的i行。
接下来，利用门控神经网络合并其他节点在l-1时刻的隐藏状态，来更新每个节点在当前l时刻的隐藏向量表示(嵌入表示向量)
Figure BDA0003573562020000101
计算方式如下：
Figure BDA0003573562020000102
Figure BDA0003573562020000103
Figure BDA0003573562020000104
Figure BDA0003573562020000105
其中，
Figure BDA0003573562020000106
表示更新门，
Figure BDA0003573562020000107
表示重置门，Wz、Wr、Wo、Uz、Ur和Uo均为可训练的共享权重矩阵。在经过L次传播后，可以获得视频的最终嵌入表示V＝[v1,v2,...,vn]，最终嵌入表示V中的一个嵌入表示向量vi为第L次迭代得到的嵌入表示向量
Figure BDA0003573562020000108
步骤4、基于所有播放视频的嵌入表示向量，计算每种套餐的表示向量。
如图2所示的视频会员套餐推荐模型，在套餐表示模块，基于所有历史播放视频的嵌入表示向量，得到每种套餐包含的所有播放视频的嵌入表示向量，并结合每种套餐的可学习热度向量，计算每种套餐包含的不同历史播放视频的权重；基于所述每种套餐包含的所有播放视频的嵌入表示向量和权重，进行加权求和，得到每种套餐的表示向量。对于一个套餐m包含视频{vm,1,vm,2,…,vm,p}，vm,i表示套餐m中的第i个视频，i＝1,…,p，p为套餐m中的视频总个数，获得套餐中所有视频向量矩阵M＝[vm,1,vm,2,...,vm,p]，vm,i表示套餐m中的第i个视频vm,i的嵌入表示向量，这里i＝1,…,p，p为套餐m中的视频总个数，其对应于最终嵌入表示V中的一个嵌入表示向量，套餐m对应的可学习热度向量为hm∈Rd，该套餐的向量表示pm的计算如下：
Figure BDA0003573562020000113
Figure BDA0003573562020000111
步骤5、基于所有历史播放视频的嵌入表示向量，计算每个会话(此处每个会话来自于所有会话，包含当前会话，也包含历史会话)的表示向量。
取每个会话包含的所有历史播放视频嵌入表示向量的平均向量作为每个会话的初始表示向量；对于每个会话，将初始表示向量与会话内每个历史播放视频使用注意力机制加权求和，得到全局表示向量，并与初始表示向量进行平均池化后，得到最终的表示向量。
如图2所示，在会话内兴趣提取模块中，对于会话s＝{vs,1,vs,2,…,vs,n}，vs,i表示会话s中的第i个视频，这里i＝1,...,n，n为会话s中的视频总个数。通过跨会话项目图的学习可以获得相应的视频向量矩阵[vs,1,vs,2,...,vs,n]，其中，vs,i表示会话s中的第i个视频vs,i的嵌入表示向量，然后使用会话内包含的所有播放视频的嵌入表示向量的平均池化向量作为会话s的初始表示向量sinit。
sinit＝mean([vs,1,vs,2,...,vs,n])
为了进一步提取用户在会话中的兴趣，使用注意力机制对会话内的所有播放视频的嵌入表示向量，与初始会话表示向量计算注意力得分，并使用该注意力得分与会话内视频嵌入向量进行加权和，得到每个会话的全局表示向量。
αs,i＝softmax(σ(W2sinit+W3vs,i))
Figure BDA0003573562020000112
其中，αs,i是会话s内第i项的注意力得分。W2和W3是可训练的矩阵。
对sinit和sglobal进行平均池化，获得会话s的表示向量为s＝mean(sinit,sglobal)，历史会话组中所有会话的表示向量组成的矩阵用S表示。
步骤6、当前用户表示模块使用会话内兴趣提取模块生成的历史会话组中所有会话的表示向量，完成用户识别和当前用户表示向量的生成。基于历史会话组中每个会话的表示向量，得到该共享账号的所有用户的表示向量，并结合当前会话组中会话的表示向量，得到当前用户的表示向量。
(1)使用一层神经网络将历史会话组中所有会话向量组成的矩阵S的维度进行转换，得到转换后矩阵。
I＝ReLU(SW4)∈Rd×k
其中，ReLU(·)是神经网络中常用的激活函数，W4∈Rn×k是线性矩阵，k是胶囊数量，也是用户的数量。
(2)基于转换后矩阵，用Session-to-User(S2U)动态路由表示方法进行会话表示到用户表示的映射实现用户区分，得到所有用户的表示向量。S2U方法具体为：
如图3所示，将胶囊网络分为上下两层，分别称之为高层胶囊网络和低层胶囊网络。每一个低层胶囊所代表的向量都来自于I。以一次迭代为例，I包含k个低层胶囊向量，对于第i个低层胶囊中的向量ei∈I以及第j个高层胶囊中间存在一个耦合系数cij。高层胶囊的总输入为所有低层胶囊与耦合系数的加权和，即为：
Figure BDA0003573562020000121
其中，cij是非负标量，在S2U过程中被更新，通过对cij进行softmax运算得到，所以所有耦合系数之和为1。
Figure BDA0003573562020000131
Figure BDA0003573562020000132
其中，d表示每一个胶囊向量ei的维度。
由于胶囊向量的长度代表胶囊所表示的实体存在的概率，因此在胶囊输出阶段，为了保证短向量可以被压缩到接近0的长度，长向量被压缩到接近1的长度，同时向量的方向保持不变，需要使用非线性函数——挤压函数(squash)来代替传统神经网络的激活函数ReLU。挤压函数的计算过程如下，最终可以得到该共享账号的第j个用户的表示向量：
Figure BDA0003573562020000133
然后账号t的用户胶囊的输出可以表示为矩阵Ut＝[u1,u2,…,uk]∈Rd×k，这里j＝1,2,…,k，其中k是胶囊的数量，也是识别用户的数量。
(3)获取当前会话组中的会话，将其称为当前会话sc。通过当前会话sc，将多个用户表示向量与当前会话的加权和作为该账号当前用户(正在使用该账号的用户)的表示向量uc。
Figure BDA0003573562020000134
其中，sc表示当前会话sc的表示向量(当前会话嵌入表示向量)。
步骤7、会员套餐推荐模块获得当前用户兴趣，计算当前用户对某一会员套餐的购买概率，选取购买概率最高的会员套餐推荐给用户，完成会员套餐推荐。
(1)用户的表示向量体现该账号内不同使用用户的长期兴趣。基于当前会话和已得到的所有用户表示向量，获得当前用户表示向量，表现为当前用户的长期兴趣，结合当前会话内的播放信息所体现的当前用户的短期兴趣，获得当前用户兴趣向量。即，结合当前用户表示向量以及当前会话嵌入得到当前用户兴趣向量uf。
uf＝[uc||sc]W5
其中，W5∈R2d×d是一个可训练的参数矩阵，||表示向量拼接。
(2)预测当前用户购买会员套餐的概率，结合用户真实的购买标签进行模型的训练。
从用户当前播放会话和用户表示矩阵计算当前用户的表示向量后，得到嵌入向量uf。假设存在p个会员套餐，计算当前用户对第m个会员套餐感兴趣的可能性
Figure BDA0003573562020000141
为：
Figure BDA0003573562020000142
其中，m＝1,2,…,p。
会员套餐推荐模块训练过程中，使用交叉熵损失函数作为目标函数，公式如下：
Figure BDA0003573562020000143
其中，
Figure BDA0003573562020000144
表示第m个会员套餐被当前用户购买的概率，ym表示第m个会员套餐的真实标签，如第m个会员套餐被当前用户购买则ym取1，否则取0。
本发明为了完善会员套餐的推荐方法，充分挖掘用户行为序列中的复杂的项目转移关系并从中学习到套餐的表示信息，将用户的历史播放行为根据时间间隔划分成不同会话，从跨会话和会话内两方面分别对视频和会话进行挖掘和表示，并提出S2U路由方法，从历史会话表示中区分不同的用户表示作为不同用户的长期兴趣。在套餐的表示学习中，给每个套餐设置一个可学习的热度向量，使用注意力机制使热度向量与视频向量计算得到不同的视频权重，套餐内的视频与不同的权重加权计算得到套餐表示，最后结合当前会话进行用户匹配并将用户长期兴趣与短期兴趣相结合作为当前用户表示进行会话套餐推荐，进而实现对账号不同使用用户的个性化套餐推荐，提升推荐转化率。
实施例二
本实施例提供了共享账号使用场景下的视频会员套餐推荐系统，其具体包括如下模块：
数据获取模块，其被配置为：获取某共享账号某时刻之前所有的播放视频的播放记录，并将所有的播放视频划分到不同会话，将距离该时刻最近的会话加入当前会话组，将其它会话加入历史会话组；
视频嵌入学习模块，其被配置为：根据所有播放视频所属会话，得到每个播放视频的嵌入表示向量；
会话内兴趣提取和套餐表示模块，其被配置为：基于所有播放视频的嵌入表示向量，计算每种套餐的表示向量和每个会话的表示向量；
当前用户表示模块，其被配置为：基于历史会话组中每个会话的表示向量，得到该共享账号的所有用户的表示向量，并结合所述当前会话组中会话的表示向量，得到当前用户的表示向量；
会员套餐推荐模块，其被配置为：基于所述当前会话组中会话的表示向量和所述当前用户的表示向量，得到当前用户的兴趣向量，并结合所述每种套餐的表示向量，得到当前用户对每种套餐的购买概率，基于所述购买概率向当前用户推荐套餐。
此处需要说明的是，本实施例中的各个模块与实施例一中的各个步骤一一对应，其具体实施过程相同，此处不再累述。
实施例三
本实施例提供了计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例一所述的共享账号使用场景下的视频会员套餐推荐方法中的步骤。
实施例四
本实施例提供了计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述实施例一所述的共享账号使用场景下的视频会员套餐推荐方法中的步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.共享账号使用场景下的视频会员套餐推荐方法，其特征在于，包括：
获取某共享账号某时刻之前所有的播放视频的播放记录，并将所有的播放视频划分到不同会话，将距离该时刻最近的会话加入当前会话组，将其它会话加入历史会话组；
根据所有播放视频所属会话，得到每个播放视频的嵌入表示向量；
基于所有播放视频的嵌入表示向量，计算每种套餐的表示向量和每个会话的表示向量；
基于历史会话组中每个会话的表示向量，得到该共享账号的所有用户的表示向量，并结合所述当前会话组中会话的表示向量，得到当前用户的表示向量；
基于所述当前会话组中会话的表示向量和所述当前用户的表示向量，得到当前用户的兴趣向量，并结合所述每种套餐的表示向量，得到当前用户对每种套餐的购买概率，基于所述购买概率向当前用户推荐套餐。
2.如权利要求1所述的共享账号使用场景下的视频会员套餐推荐方法，其特征在于，所述每个播放视频的嵌入表示向量的计算步骤为：
根据所有播放视频的所属会话和播放顺序，将该账号的播放视频构建成有向跨会话项目图；
基于所述有向跨会话项目图，得到每个播放视频的嵌入表示向量。
3.如权利要求2所述的共享账号使用场景下的视频会员套餐推荐方法，其特征在于，所述有向跨会话项目图将每个播放视频作为一个节点，并根据不同节点在每个会话中出现的顺序建立有向边。
4.如权利要求3所述的共享账号使用场景下的视频会员套餐推荐方法，其特征在于，所述有向跨会话项目图的权值矩阵根据每个所述有向边在所有会话中出现的次数以及所述有向边的节点的播放时长占比信息计算。
5.如权利要求1所述的共享账号使用场景下的视频会员套餐推荐方法，其特征在于，所述每种套餐的表示向量的计算方法为：
基于所有播放视频的嵌入表示向量及视频所属套餐信息，得到每种套餐包含的所有播放视频的嵌入表示向量，并结合每种套餐的可学习热度向量，计算每种套餐包含的不同播放视频的权重；
基于所述每种套餐包含的所有播放视频的嵌入表示向量和权重，进行加权求和，得到每种套餐的表示向量。
6.如权利要求1所述的共享账号使用场景下的视频会员套餐推荐方法，其特征在于，所述每个会话的表示向量的计算方法为：
对于每个会话包含的所有播放视频的嵌入表示向量进行平均池化，得到每个会话的初始表示向量；
对于每个会话，将初始表示向量与会话内每个播放视频的嵌入表示向量使用注意力机制加权求和，得到全局表示向量；
将初始表示向量和全局表示向量进行平均池化得到会话表示向量。
7.如权利要求1所述的共享账号使用场景下的视频会员套餐推荐方法，其特征在于，所述所有用户的表示向量的计算方法为：
使用一层神经网络将所述历史会话组中所有会话的表示向量组成的矩阵进行转换，得到转换后矩阵；
基于转换后矩阵，采用动态路由表示方法，得到所有用户的表示向量。
8.共享账号使用场景下的视频会员套餐推荐系统，其特征在于，包括：
数据获取模块，其被配置为：获取某共享账号某时刻之前所有的播放视频的播放记录，并将所有的播放视频划分到不同会话，将距离该时刻最近的会话加入当前会话组，将其它会话加入历史会话组；
视频嵌入学习模块，其被配置为：根据所有播放视频所属会话，得到每个播放视频的嵌入表示向量；
会话内兴趣提取和套餐表示模块，其被配置为：基于所有播放视频的嵌入表示向量，计算每种套餐的表示向量和每个会话的表示向量；
当前用户表示模块，其被配置为：基于历史会话组中每个会话的表示向量，得到该共享账号的所有用户的表示向量，并结合所述当前会话组中会话的表示向量，得到当前用户的表示向量；
会员套餐推荐模块，其被配置为：基于所述当前会话组中会话的表示向量和所述当前用户的表示向量，得到当前用户的兴趣向量，并结合所述每种套餐的表示向量，得到当前用户对每种套餐的购买概率，基于所述购买概率向当前用户推荐套餐。
9.计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一项所述的共享账号使用场景下的视频会员套餐推荐方法中的步骤。
10.计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一项所述的共享账号使用场景下的视频会员套餐推荐方法中的步骤。
CN202210326290.3A 2022-03-30 2022-03-30 共享账号使用场景下的视频会员套餐推荐方法及系统 Pending CN114676283A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210326290.3A CN114676283A (zh) 2022-03-30 2022-03-30 共享账号使用场景下的视频会员套餐推荐方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210326290.3A CN114676283A (zh) 2022-03-30 2022-03-30 共享账号使用场景下的视频会员套餐推荐方法及系统

Publications (1)

Publication Number Publication Date
CN114676283A true CN114676283A (zh) 2022-06-28

Family

ID=82076721

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210326290.3A Pending CN114676283A (zh) 2022-03-30 2022-03-30 共享账号使用场景下的视频会员套餐推荐方法及系统

Country Status (1)

Country Link
CN (1) CN114676283A (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112804567A (zh) * 2021-01-04 2021-05-14 青岛聚看云科技有限公司 一种显示设备、服务器及视频推荐的方法
CN113434757A (zh) * 2021-06-23 2021-09-24 青岛聚看云科技有限公司 一种媒资套餐推荐方法及显示设备

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112804567A (zh) * 2021-01-04 2021-05-14 青岛聚看云科技有限公司 一种显示设备、服务器及视频推荐的方法
CN113434757A (zh) * 2021-06-23 2021-09-24 青岛聚看云科技有限公司 一种媒资套餐推荐方法及显示设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李伟等, 《计算机应用研究》, vol. 35, no. 10, 31 October 2018 (2018-10-31), pages 2 - 3 *

Similar Documents

Publication Publication Date Title
CN109902706B (zh) 推荐方法及装置
CN105046515B (zh) 广告排序方法及装置
CN110263265A (zh) 用户标签生成方法、装置、存储介质和计算机设备
CN111538912A (zh) 内容推荐方法、装置、设备及可读存储介质
CN109903103B (zh) 一种推荐物品的方法和装置
CN111242748B (zh) 用于向用户推荐项目的方法、装置和存储介质
CN110245301A (zh) 一种推荐方法、装置及存储介质
CN111506820B (zh) 推荐模型、方法、装置、设备及存储介质
CN109783539A (zh) 用户挖掘及其模型构建方法、装置及计算机设备
CN112380453B (zh) 物品推荐方法、装置、存储介质及设备
CN114202061A (zh) 基于生成对抗网络模型及深度强化学习的物品推荐方法、电子设备及介质
CN111241394A (zh) 数据处理方法、装置、计算机可读存储介质及电子设备
CN112287238B (zh) 用户特征的确定方法和装置、存储介质及电子设备
CN111768239A (zh) 道具推荐方法、装置、系统、服务器和存储介质
CN113761359B (zh) 数据包推荐方法、装置、电子设备和存储介质
Chinie et al. The adoption of the metaverse concepts in Romania
CN114581140A (zh) 一种广告投放楼盘的推荐方法、装置及电子设备
CN112269943B (zh) 一种信息推荐系统及方法
CN115482021A (zh) 多媒体信息推荐方法、装置、电子设备及存储介质
US20230316106A1 (en) Method and apparatus for training content recommendation model, device, and storage medium
CN110765350A (zh) 一种会员积分的数据融合方法和装置
CN114676283A (zh) 共享账号使用场景下的视频会员套餐推荐方法及系统
CN113095884B (zh) 一种基于用户反馈的电视会员用户推荐方法及系统
CN108848152A (zh) 一种对象推荐的方法及服务器
CN110727705B (zh) 信息推荐方法、装置、电子设备及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