视频推荐方法、装置和计算机可读存储介质制造方法及图纸

本申请是关于一种视频推荐方法、装置和计算机存储介质。该视频推荐方法包括：获取样本用户的用户特征和样本视频的视频特征；基于全连接神经网络算法对点击率、点赞率和关注率进行学习，得到经过训练的所述用户特征和所述视频特征；根据所述经过训练的所述用户特征和所述视频特征，分别在用户侧神经网络和视频侧神经网络对点击率、点赞率和关注率进行联合学习；根据联合学习获得的神经网络算法的网络参数，得到视频的推荐列表。在该视频推荐方法中，通过增加一个全连接神经网络算法的训练阶段，得到经过训练的所述用户特征和所述视频特征，使得用户特征和视频特征能够充分交叉学习，从而提高了视频推荐的准确率。

【技术实现步骤摘要】
视频推荐方法、装置和计算机可读存储介质
本申请属于计算机软件应用领域，尤其是视频推荐方法和装置。
技术介绍
随着科技的日益进步和互联网的普及,越来越多的人通过视频来传输信息和分享生活,海量个性化的视频推荐显得日益重要。目前应用比较广泛的是通过机器学习的方法来预估用户对视频的点击率等目标。相关技术中，基于大规模离散深度学习的视频推荐技术，是通过将用户侧网络和视频侧网络进行分离，在用户侧网络和视频侧网络分别对用户特征和视频特征进行变换，然后通过最小化损失函数来学习神经网络中的参数，从而预估用户对视频的点击率等目标。基于大规模离散深度学习的视频推荐技术，用户侧网络和视频侧网络从网络算法最底层分开，这样会导致用户特征和视频特征交叉学习不够充分，建立的用户对视频的点击率等预估模型不准确，从而降低了预估用户对视频的点击率等目标的准确率。使用欧式距离和余弦距离来预估用户对视频的点击率等目标，欧式距离和余弦距离不适合视频推荐场景，从而进一步降低了预估用户对视频的点击率等目标的准确率。使用的深度学习算法一次只能够对一个目标模型进行预估，这降低了预估用户对视频的点击率等目标的效率。
技术实现思路
为克服相关技术中存在的问题，本申请公开一种视频推荐方法和装置，基于全连接神经网络算法对点击率、点赞率和关注率进行学习，得到经过训练的所述用户特征和所述视频特征，根据所述经过训练的所述用户特征和所述视频特征，分别在用户侧神经网络和视频侧神经网络对点击率、点赞率和关注率进行联合学习，根据联合学习获得的神经网络算法的网络参数，得到视频的推荐列表，以实现准确和高效的视频推荐。根据本申请实施例的第一方面，提供一种视频推荐方法，包括：获取样本用户的用户特征和样本视频的视频特征；基于全连接神经网络算法对点击率、点赞率和关注率进行学习，得到经过训练的所述用户特征和所述视频特征；根据所述经过训练的所述用户特征和所述视频特征，分别在用户侧神经网络和视频侧神经网络对点击率、点赞率和关注率进行联合学习；根据联合学习获得的神经网络算法的网络参数，得到视频的推荐列表。可选地，所述用户特征包括以下特征中的至少之一：用户的ID特征、用户的静态特征和用户的动态特征。可选地，所述用户的动态特征包括以下特征中的至少之一：用户点击历史特征、用户点赞历史特征和用户关注列表特征。可选地，所述视频特征包括以下特征中的至少之一：视频的ID特征、视频作者的ID特征、视频标签特征和视频的统计特征。可选地，所述基于全连接神经网络算法对点击率、点赞率和关注率进行学习，得到经过训练的所述用户特征和所述视频特征的步骤，包括：基于全连接神经网络算法建立点击率模型、点赞率模型和关注率模型；对所述点击率模型、点赞率模型和关注率模型进行前向学习；对所述点击率模型、点赞率模型和关注率模型进行反向学习；以及获得经过训练的所述用户特征和所述视频特征。可选地，所述对所述点击率模型、点赞率模型和关注率模型进行前向学习的步骤，包括：将所述用户特征和所述视频特征输入所述点击率模型、点赞率模型和关注率模型的全连接神经网络；在所述全连接神经网络将所述用户特征和所述视频特征由下而上逐层进行变换，得到点击率的顶层向量、点赞率的顶层向量和关注率的顶层向量；以及基于矩阵计算，得到点击率、点赞率和关注率。可选地，所述对所述点击率模型、点赞率模型和关注率模型进行反向学习的步骤，包括：根据所述点击率模型的点击率和样本标签，计算所述点击率模型的损失函数；根据所述点赞率模型的点赞率和样本标签，计算所述点赞率模型的损失函数；以及根据所述关注率模型的关注率和样本标签，计算所述关注率模型的损失函数。可选地，所述对所述点击率模型、点赞率模型和关注率模型进行反向学习的步骤，还包括：分别采用随机梯度下降法最小化所述点击率模型的损失函数、所述点赞率模型的损失函数和所述关注率模型的损失函数；分别求解所述点击率模型的损失函数、所述点赞率模型的损失函数和所述关注率模型的损失函数的梯度；分别在所述点击率模型、点赞率模型和关注率模型由上而下逐层更新所述全连接神经网络的网络参数；以及分别在所述点击率模型、点赞率模型和关注率模型跟新所述用户特征和所述视频特征对应网络参数。可选地，所述根据所述经过训练的所述用户特征和所述视频特征，分别在用户侧神经网络和视频侧神经网络对点击率、点赞率和关注率进行联合学习的步骤，包括：基于神经网络算法分别在用户侧神经网络和视频侧神经网络建立点击率模型、点赞率模型和关注率模型；分别在用户侧神经网络和视频侧神经网络对所述点击率模型、点赞率模型和关注率模型进行前向学习；分别在用户侧神经网络和视频侧神经网络对所述点击率模型、点赞率模型和关注率模型进行反向学习。可选地，所述分别在用户侧神经网络和视频侧神经网络对所述点击率模型、点赞率模型和关注率模型进行前向学习的步骤，包括：将所述经过训练的所述用户特征输入所述用户侧神经网络；在所述用户侧神经网络将所述经过训练的所述用户特征由下而上逐层进行变换，得到用户侧的点击率的顶层向量、用户侧的点赞率的顶层向量和用户侧的关注率的顶层向量。可选地，所述分别在用户侧神经网络和视频侧神经网络对所述点击率模型、点赞率模型和关注率模型进行前向学习的步骤，还包括：将所述经过训练的所述视频特征输入所述视频侧神经网络；在所述视频侧神经网络将所述经过训练的所述视频特征由下而上逐层进行变换，得到视频侧的点击率的顶层向量、视频侧的点赞率的顶层向量和视频侧的关注率的顶层向量。可选地，所述分别在用户侧神经网络和视频侧神经网络对所述点击率模型、点赞率模型和关注率模型进行前向学习的步骤，还包括：分别计算所述用户侧的点击率的顶层向量和视频侧的点击率的顶层向量的内积距离、所述用户侧的点赞率的顶层向量和视频侧的点赞率的顶层向量的内积距离和所述用户侧的关注率的顶层向量和视频侧的关注率的顶层向量的内积距离。可选地，所述分别在用户侧神经网络和视频侧神经网络对所述点击率模型、点赞率模型和关注率模型进行前向学习的步骤，还包括：分别将所述用户侧的点击率的顶层向量和视频侧的点击率的顶层向量的内积距离、所述用户侧的点赞率的顶层向量和视频侧的点赞率的顶层向量的内积距离和所述用户侧的关注率的顶层向量和视频侧的关注率的顶层向量的内积距离转换为点击率的概率、点赞率的概率和关注率的概率。可选地，所述分别在用户侧神经网络和视频侧神经网络对所述点击率模型、点赞率模型和关注率模型进行反向学习的步骤，包括：根据所述点击率模型的点击率的概率和样本标签，计算所述点击率模型的损失函数；根据所述点赞率模型的点赞率的概率和样本标签，计算所述点赞率模型的损失函数；以及根据所述关注率模型的关注率的概率和样本标签，计算所述关注率模型的损失函数。可选地，所述分别在用户侧神经网络和视频侧神经网络对所述点击率模型、点赞率模型和关注率模型进行反向学习的步骤，还包括：采用随机梯度下降法最小化所述点击率模型的损失函数；求解所述点击率模型的损失函数的梯度；分别由上而下逐层更新所述用户侧的点击率模型的网络参数和所述视频侧的点击率模型的网络参数。可选地，所述分别在用户侧神经网络和视频侧神经网络对所述点击率模型、点赞率模型和关注率模型进行反向学习的步骤，还包括：采用随机梯度下降法最小化所述点赞率模型本文档来自技高网...

【技术保护点】
1.一种视频推荐方法，其特征在于，包括：获取样本用户的用户特征和样本视频的视频特征；基于全连接神经网络算法对点击率、点赞率和关注率进行学习，得到经过训练的所述用户特征和所述视频特征；根据所述经过训练的所述用户特征和所述视频特征，分别在用户侧神经网络和视频侧神经网络对点击率、点赞率和关注率进行联合学习；根据联合学习获得的神经网络算法的网络参数，得到视频的推荐列表。

【技术特征摘要】
1.一种视频推荐方法，其特征在于，包括：获取样本用户的用户特征和样本视频的视频特征；基于全连接神经网络算法对点击率、点赞率和关注率进行学习，得到经过训练的所述用户特征和所述视频特征；根据所述经过训练的所述用户特征和所述视频特征，分别在用户侧神经网络和视频侧神经网络对点击率、点赞率和关注率进行联合学习；根据联合学习获得的神经网络算法的网络参数，得到视频的推荐列表。2.根据权利要求1所述的视频推荐方法，其特征在于，所述用户特征包括以下特征中的至少之一：用户的ID特征、用户的静态特征和用户的动态特征；所述视频特征包括以下特征中的至少之一：视频的ID特征、视频作者的ID特征、视频标签特征和视频的统计特征。3.根据权利要求2所述的视频推荐方法，其特征在于，所述基于全连接神经网络算法对点击率、点赞率和关注率进行学习，得到经过训练的所述用户特征和所述视频特征的步骤，包括：基于全连接神经网络算法建立点击率模型、点赞率模型和关注率模型；对所述点击率模型、点赞率模型和关注率模型进行前向学习，得到点击率、点赞率和关注率；对所述点击率模型、点赞率模型和关注率模型进行反向学习，获得经过训练的所述用户特征和所述视频特征。4.根据权利要求3所述的视频推荐方法，其特征在于，所述根据所述经过训练的所述用户特征和所述视频特征，分别在用户侧神经网络和视频侧神经网络对点击率、点赞率和关注率进行联合学习的步骤，包括：基于神经网络算法分别在用户侧神经网络和视频侧神经网络建立点击率模型、点赞率模型和关注率模型；分别在用户侧神经网络和视频侧神经网络对所述点击率模型、点赞率模型和关注率模型进行前向学习；分别在用户侧神经网络和视频侧神经网络对所述点击率模型、点赞率模型和关注率模型进行反向学习。5.根据权利要求4所述的视频推荐方法，其特征在于，所述获取样本用户的用户特征和样本视频的视频特征的步骤之前，还包括：获取样本用户和样本视频，并且为所述样本视频标注样本标签；在所述点击率模型中，若所述样本用户点击了操作页面展示的所述样本视频，则将所述样本视频标注为正样本，若所述样本用户没有点击操作页面展示的所述样本视频，则将所述样本视频标注为负样本；在所述点赞率模型中，若所述样本用户点击并点赞了所述样本视频，则将所述样本视频标注为正...

【专利技术属性】
技术研发人员：蔡锦龙，
申请(专利权)人：北京达佳互联信息技术有限公司，
类型：发明
国别省市：北京,11