一种视频推荐方法及系统技术方案

一种视频推荐方法，所述方法包括：获取用户的视频操作历史信息；根据所述视频操作历史信息，用隐性特征算法预测用户的视频推荐列表；将所述视频推荐列表发送给所述用户。本发明专利技术实施例能够解决稀释数据下的特征组合问题，将特征之间的隐性关系进行数学量化，更准确的预测用户点击视频的可能性，提高为用户推荐视频的准确性。

A video recommendation method and system

A video recommendation method including obtaining the user's video operation history information, predicting the user's video recommendation list with the recessive feature algorithm according to the video operation history information, and sending the video recommendation list to the user. The embodiment of the invention can solve the problem of feature combination under the dilution data, quantify the hidden relationship between the features, predict the user's possibility of clicking the video more accurately, and improve the accuracy of the user's recommended video.

【技术实现步骤摘要】
一种视频推荐方法及系统
本专利技术涉及视频分析
，尤其涉及一种视频推荐方法及系统。
技术介绍
目前，视频推荐策略多数是基于协同过滤或标签系统来实现。协同过滤算法根据用户的评分来计算相关性并得到推荐。协同过滤算法是基于用户之间的共享观点。换句话说，协同过滤算法是基于假设：为用户找到他真正感兴趣内容的方法是首先找到与他兴趣相似的用户，然后将这型用户感兴趣的内容推荐给此用户。标签系统是通过专家对商品进行打标签、分门别类，再推荐和该用户历史相同标签的商品。然而，协同过滤算法存在多种问题。一，稀疏性(Sparsity)问题，在实际应用中，用户和项目的数量都非常大。因此，评分矩阵会极度稀疏，这会对算法的效率产生消极影响；同时，两个用户的之间的相似度很有可能为零，产生“邻居传递损失”现象。二，同义词(Synonymy)问题，在实际应用中，不同的项目名称可能对应相似的项目，基于相似度计算的推荐系统不能发现这样的潜在关系，而是把它们当不同的项目对待。三，新用户/项目(NewUser/Item)问题，对于新用户问题，由于没有对项目产生任何评分，因此也无法计算相似度，当然也就不能产生推荐。对于新项目，同样存在类似问题，系统在开始时推荐品质较差。四，可扩展(Scalability)问题：基于最近邻算法在项目和用户的维数增加会导致计算量非常大，因此考虑算法的可扩展性非常重要。此外，标签系统也存在多种问题。一，耗费人力、时间长。打标签是一项人工过程。视频量非常大，且每天新产生的视频也非常多，单单靠人工来打标签，是一项漫长的过程。二，标签粒度问题，标签的粒度很难确定。如果标签粒度太大，不足以表现这个标签的概念。比如：给视频打“中国”标签是意义不大的。如果标签粒度太小，那么标签层级关系太多，会出现父标签、子标签、子子标签等等。能否准确的打好、维护好标签层级关系，对推荐结果影响很大。三，主观影响大。标签是一种人为主观的看法，每个人的主观看法都会有不所不同。很难保证这些专家打标签的一致性。也就是说，基于协同过滤算法和标签系统的存在的问题，找到一种能够实现对视频(Video)更准确的预测成为亟待解决的问题。
技术实现思路
本申请提供一种视频推荐的推荐方法及系统，该方法能够解决稀释数据下的特征组合问题，将特征之间的隐性关系进行数学量化，更准确的预测用户点击视频的可能性，提高为用户推荐视频的准确性。本申请第一方面提供一种视频推荐方法，所述方法包括：获取用户的视频操作历史信息；根据所述视频操作历史信息，用隐性特征算法预测用户的视频推荐列表；将所述视频推荐列表发送给所述用户。在一种可能的实现方式中，所述隐性特征算法包括：获取用户的特征；获取视频的特征；获取用户和视频的匹配特征；将所述用户的特征、所述视频商品的特征以及所述用户和视频的匹配特征进行模型训练，得到训练结果，以便于预测用户的视频推荐列表。在一种可能的实现方式中，所述用户的特征是所述用户的基本信息，所述用户的基本信息包括年龄、性别、职业、兴趣、品类偏好、浏览品类以及购买品类的一种或多种。在一种可能的实现方式中，所述视频的特征包括访问次数、访问停留时间、会话开始、会话时长以及会话结束的一种或多种。在一种可能的实现方式中，所述用户和视频的匹配特征包括浏览/购买品类匹配、浏览/购买商家匹配以及兴趣偏好匹配的一种或多种。在一种可能的实现方式中，所述隐性特征算法还包括：将所述用户的特征、所述视频的特征以及所述用户和视频的匹配特征转换为条目编号，特征编号以及特征的值。本申请第二方面提供一种视频推荐系统，所述系统包括获取单元，预测单元以及发送单元；其中，所述获取单元，获取用户的视频操作历史信息；所述预测单元，根据所述视频操作历史信息，用隐性特征算法预测用户的视频推荐列表；所述发送单元，将所述视频推荐列表发送给所述用户。在一种可能的实现方式中，所述系统还包括处理单元；其中，所述处理单元，获取用户的特征，且获取视频的特征，且获取用户和视频的匹配特征；然后将所述用户的特征、所述视频商品的特征以及所述用户和视频的匹配特征进行模型训练，得到训练结果，以便于预测用户的视频推荐列表。在一种可能的实现方式中，所述系统还包括转换单元，其中，所述转换单元，用于将将所述用户的特征、所述视频的特征以及所述用户和视频的匹配特征转换为条目编号，特征编号以及特征的值。在一种可能的实现方式中，所述用户和视频的匹配特征包括浏览/购买品类匹配、浏览/购买商家匹配以及兴趣偏好匹配的一种或多种。本申请能够解决稀释数据下的特征组合问题，将特征之间的隐性关系进行数学量化，更准确的预测用户点击视频的可能性，提高为用户推荐视频的准确性。附图说明图1为本专利技术实施例提供的一种视频推荐方法流程示意图；图2为本专利技术实施例提供的一种隐性特征算法效果示意图；图3为本专利技术实施例提供的一种视频推荐系统框架示意图。具体实施方式下面通过附图和实施例，对本专利技术实施例的技术方案做进一步的详细描述。本专利技术实施例能够解决稀释数据下的特征组合问题，将特征之间的隐性关系进行数学量化，更准确的预测用户点击视频的可能性，提高为用户推荐视频的准确性。图1为本专利技术实施例提供的一种视频推荐方法流程示意图。如图1所示，该方法包括步骤S101-S103。S101，获取用户的视频操作历史信息。S102，根据所述视频操作历史信息，用隐性特征算法预测用户的视频推荐列表。隐性特征算法包括：获取用户的特征；获取视频的特征；获取用户和视频的匹配特征；将所述用户的特征、所述视频商品的特征以及所述用户和视频的匹配特征进行模型训练，得到训练结果，以便于预测用户的视频推荐列表。用户的特征是所述用户的基本信息，所述用户的基本信息包括年龄、性别、职业、兴趣、品类偏好、浏览品类以及购买品类的一种或多种。视频的特征包括访问次数、访问停留时间、会话开始、会话时长以及会话结束的一种或多种。用户和视频的匹配特征包括浏览/购买品类匹配、浏览/购买商家匹配以及兴趣偏好匹配的一种或多种。上述隐性特征算法还包括：将所述用户的特征、所述视频的特征以及所述用户和视频的匹配特征转换为条目(Field_id)编号，特征编号(Feat_id)以及特征的值(Value)。需要说明的是，会话开始(SessionStarats)就是指用户有多少次从这个视频开始访问视频推荐网站的。会话时长(SessionDuration)是用在视频平台上停留的时间，包括用户访问视频以及在视频平台上停留的时间。会话结束(SessionEnds)是衡量用户是不是经常在看完视频后就离开了视频平台，这是算法的一个负面指标。本专利技术实施例中，隐性特征算法是指FFM(Field-awareFactorizationMachine)算法。S103，将所述视频推荐列表发送给所述用户。下面对FFM算法进行说明。将所有用户(user)特征用矩阵来表示，记为MatrixUser；视频(video)的特征(item)也用矩阵来表示，记为MatrixVideo。两个矩阵相乘得到矩阵MatrixRating。MatrixRating即为最终要求解的矩阵，MatrixRating的某一项Rij,即表示第i个user对第j个video的预测的评分。一个Rating矩阵可以分解为user矩阵和本文档来自技高网...

【技术保护点】
1.一种视频推荐方法，其特征在于，所述方法包括：获取用户的视频操作历史信息；根据所述视频操作历史信息，用隐性特征算法预测用户的视频推荐列表；将所述视频推荐列表发送给所述用户。

【技术特征摘要】
1.一种视频推荐方法，其特征在于，所述方法包括：获取用户的视频操作历史信息；根据所述视频操作历史信息，用隐性特征算法预测用户的视频推荐列表；将所述视频推荐列表发送给所述用户。2.根据权利要求1所述的方法，其特征在于，所述隐性特征算法包括：获取用户的特征；获取视频的特征；获取用户和视频的匹配特征；将所述用户的特征、所述视频商品的特征以及所述用户和视频的匹配特征进行模型训练，得到训练结果，以便于预测用户的视频推荐列表。3.根据权利要求2所述的方法，其特征在于，所述用户的特征是所述用户的基本信息，所述用户的基本信息包括年龄、性别、职业、兴趣、品类偏好、浏览品类以及购买品类的一种或多种。4.根据权利要求2所述的方法，其特征在于，所述视频的特征包括访问次数、访问停留时间、会话开始、会话时长以及会话结束的一种或多种。5.根据权利要求2所述的方法，其特征在于，所述用户和视频的匹配特征包括浏览/购买品类匹配、浏览/购买商家匹配以及兴趣偏好匹配的一种或多种。6.根据权利要求2所述的方法，其特征在于，所述隐性特征算法还包括：将所述用户的特征...

【专利技术属性】
技术研发人员：王志鹏，
申请(专利权)人：北京酷我科技有限公司，
类型：发明
国别省市：北京,11