点击率预测方法和装置制造方法及图纸

本发明专利技术提供一种点击率预测方法和装置，涉及网络技术领域。该方法包括：获取候选用户的历史播放行为数据和候选视频数据；根据候选用户的历史播放行为数据和候选视频数据，提取预设多模态模型各个模块的输入数据，根据输入数据通过预设多模态模型的各个模块训练得到视频点击率预估模型；获取待推荐用户数据和待推荐视频数据，通过视频点击率预估模型得到待推荐用户点击待推荐视频的点击率预测值。由于该输入数据包括候选用户的兴趣信息、候选视频的反馈信息、以及候选视频与候选用户的交互信息，并从多模态模型的训练得到视频点击率预估模型，从而使得视频点击率预估值更接近用户点击视频的真实情况，提高了预测待推荐视频点击率的准确性。

Click Rate Prediction Method and Device

The invention provides a click rate prediction method and device, which relates to the field of network technology. The method includes: acquiring the historical playback behavior data and candidate video data of candidate users; extracting the input data of each module of the preset multi-modal model according to the historical playback behavior data and candidate video data of candidate users; training each module of the preset multi-modal model according to the input data to obtain the video click rate prediction model; acquiring the user data to be recommended and waiting for. Recommended video data, through the video click rate prediction model to get the click rate prediction value of the recommended user clicking on the recommended video. Because the input data includes interest information of candidate users, feedback information of candidate videos, and interaction information between candidate videos and candidate users, a video click rate prediction model is obtained from the training of multi-modal model, which makes the video click rate prediction closer to the real situation of user click videos and improves the accuracy of predicting the video click rate to be recommended.

【技术实现步骤摘要】
点击率预测方法和装置
本专利技术涉及网络
，具体而言，涉及一种点击率预测方法和装置。
技术介绍
随着网络技术的发展，在视频平台，由于视频本身属性的复杂性，以及用户与视频的大量交互，都会产生大量的数据，利用这些数据对视频进行预测，并提升用户的点击率是非常重要的。相关技术中，在对待推荐视频的点击率进行预测时，主要考虑的是用户的历史播放记录，针对用户的历史行为进行分析用户的兴趣、用户交互特征，预估待推荐视频的点击率。但是，在对用户的历史行为进行分析时，用户的类别特征较少，导致预测待推荐视频的点击率不准确，容易产生误差。
技术实现思路
本专利技术的目的在于，针对上述现有技术中的不足，提供一种点击率预测方法和装置，用以改善上述问题。为实现上述目的，本专利技术实施例采用的技术方案如下：第一方面，本专利技术实施例提供了一种点击率预测方法，所述方法包括：获取候选用户的历史播放行为数据和候选视频数据；根据所述候选用户的历史播放行为数据和候选视频数据，提取预设多模态模型各个模块的输入数据，其中，所述输入数据包括所述候选用户的兴趣信息、所述候选视频的反馈信息、以及所述候选视频与所述候选用户的交互信息；根据所述输入数据通过所述预设多模态模型的各个模块训练得到视频点击率预估模型；获取待推荐用户数据和待推荐视频数据，通过所述视频点击率预估模型得到所述待推荐用户点击所述待推荐视频的点击率预测值。进一步地，所述根据所述输入数据通过所述预设多模态模型的各个模块训练得到视频点击率预估模型，包括：根据所述候选用户的兴趣信息、所述候选视频的反馈信息、以及所述候选视频与所述候选用户的交互信息通过所述预设多模态模型的各个模块进行训练；将训练后的多模态模型通过对数损失函数和优化器进行优化，得到视频点击率预估模型。进一步地，所述根据所述候选用户的兴趣信息、所述候选视频的反馈信息、以及所述候选视频与所述候选用户的交互信息通过所述预设多模态模型的各个模块进行训练的步骤，包括：根据所述候选用户的兴趣信息、所述候选视频的反馈信息、以及所述候选视频与所述候选用户的交互信息，通过用户兴趣分析模块、视觉抽取模块和交叉特征学习模块，分别得到所述候选用户对所述候选视频的兴趣特征权重值、所述候选用户对所述候选视频的反馈特征权重值、以及所述候选用户和所述候选视频的交互特征权重值；将所述候选用户对所述候选视频的兴趣特征权重值、所述候选用户对所述候选视频的反馈特征权重值、以及所述候选用户和所述候选视频的交互特征权重值通过组合模型进行拼接操作；将拼接后的数据经过两层激活函数，得到所述候选用户点击所述候选视频数据的点击率预测值。进一步地，所述候选用户的兴趣信息包括：候选用户特征、候选用户行为、候选视频的候选特征和候选用户的历史播放视频的上下文特征。进一步地，所述候选视频的反馈信息包括：候选视频的封面特征和候选视频的关键帧特征。进一步地，所述候选视频与所述候选用户的交互信息包括：候选用户特征和候选视频的候选特征。本专利技术的另一目的在于提供一种点击率预测装置，所述装置包括：第一获取模块，用于获取候选用户的历史播放行为数据和候选视频数据；第二获取模块，用于根据所述候选用户的历史播放行为数据和候选视频数据，提取预设多模态模型各个模块的输入数据，其中，所述输入数据包括所述候选用户的兴趣信息、所述候选视频的反馈信息、以及所述候选视频与所述候选用户的交互信息；训练模块，用于根据所述输入数据通过所述预设多模态模型的各个模块训练得到视频点击率预估模型；第三获取模块，用于获取待推荐用户数据和待推荐视频数据，通过所述视频点击率预估模型得到所述待推荐用户点击所述待推荐视频的点击率预测值。进一步地，所述训练模块，具体用于根据所述候选用户的兴趣信息、所述候选视频的反馈信息、以及所述候选视频与所述候选用户的交互信息通过所述预设多模态模型的各个模块进行训练；将训练后的多模态模型通过对数损失函数和优化器进行优化，得到视频点击率预估模型。进一步地，所述训练模块，还具体用于根据所述候选用户的兴趣信息、所述候选视频的反馈信息、以及所述候选视频与所述候选用户的交互信息，通过用户兴趣分析模块、视觉抽取模块和交叉特征学习模块，分别得到所述候选用户对所述候选视频的兴趣特征权重值、所述候选用户对所述候选视频的反馈特征权重值、以及所述候选用户和所述候选视频的交互特征权重值；将所述候选用户对所述候选视频的兴趣特征权重值、所述候选用户对所述候选视频的反馈特征权重值、以及所述候选用户和所述候选视频的交互特征权重值通过组合模型进行拼接操作；将拼接后的数据经过两层激活函数，得到所述候选用户点击所述候选视频数据的点击率预测值。进一步地，所述候选用户的兴趣信息包括：候选用户特征、候选用户行为、候选视频的候选特征和候选用户的历史播放视频的上下文特征。进一步地，所述候选视频的反馈信息包括：候选视频的封面特征和候选视频的关键帧特征。进一步地，所述候选视频与所述候选用户的交互信息包括：候选用户特征和候选视频的候选特征。本专利技术还提供了一种电子设备，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，当电子设备运行时，所述处理器与所述器之间通过总线通信，所述处理器执行所述机器可读指令，以执行如上述所述的点击率预测方法。本专利技术还提供了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如上述所述的点击率预测方法。综上所述，本专利技术实施例提供的点击率预测方法和装置，通过获取候选用户的历史播放行为和候选视频数据，结合候选用户的历史播放行为与候选视频数据提取得到多模态模型的输入数据，由于该输入数据包括候选用户的兴趣信息、候选视频的反馈信息、以及候选视频与候选用户的交互信息，并多模态模型的训练得到视频点击率预估模型，因为在多模态模型训练过程中考虑了候选视频与候选用户的交互信息，从而使得得到的视频点击率预估值更接近用户点击视频的真实情况，提高了预测待推荐视频点击率的准确性。附图说明为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本专利技术的某些实施例，因此不应被看作是对范围的限定，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相关的附图。图1为本专利技术一实施例提供的点击率预测方法的流程示意图；图2为本专利技术另一实施例提供的点击率预测方法的流程示意图；图3为本专利技术又一实施例提供的点击率预测方法的部分流程示意图；图4为本专利技术一实施例提供的点击率预测装置的示意图；图5本专利技术另一实施例提供的一种电子设备结构示意图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。图1为本专利技术一实施例提供的点击率预测方法的流程示意图，该方法的执行设备可以是服务器、计算机、手机、平板电脑等终端，本专利技术实施例对此不做具体限定。如图1所示，该方法包括：步骤101、获取候选用户的历史播放行为数据和候选视频数据。具体地，可以根据实际情况来选择候选用户，根据选择的候选用户可以从大数据平台中调取候选用户的本文档来自技高网...

【技术保护点】
1.一种点击率预测方法，其特征在于，所述方法包括：获取候选用户的历史播放行为数据和候选视频数据；根据所述候选用户的历史播放行为数据和候选视频数据，提取预设多模态模型各个模块的输入数据，其中，所述输入数据包括所述候选用户的兴趣信息、所述候选视频的反馈信息、以及所述候选视频与所述候选用户的交互信息；根据所述输入数据通过所述预设多模态模型的各个模块训练得到视频点击率预估模型；获取待推荐用户数据和待推荐视频数据，通过所述视频点击率预估模型得到所述待推荐用户点击所述待推荐视频的点击率预测值。

【技术特征摘要】
1.一种点击率预测方法，其特征在于，所述方法包括：获取候选用户的历史播放行为数据和候选视频数据；根据所述候选用户的历史播放行为数据和候选视频数据，提取预设多模态模型各个模块的输入数据，其中，所述输入数据包括所述候选用户的兴趣信息、所述候选视频的反馈信息、以及所述候选视频与所述候选用户的交互信息；根据所述输入数据通过所述预设多模态模型的各个模块训练得到视频点击率预估模型；获取待推荐用户数据和待推荐视频数据，通过所述视频点击率预估模型得到所述待推荐用户点击所述待推荐视频的点击率预测值。2.根据权利要求1所述的方法，其特征在于，所述根据所述输入数据通过所述预设多模态模型的各个模块训练得到视频点击率预估模型，包括：根据所述候选用户的兴趣信息、所述候选视频的反馈信息、以及所述候选视频与所述候选用户的交互信息通过所述预设多模态模型的各个模块进行训练；将训练后的多模态模型通过对数损失函数和优化器进行优化，得到视频点击率预估模型。3.根据权利要求2所述的方法，其特征在于，所述根据所述候选用户的兴趣信息、所述候选视频的反馈信息、以及所述候选视频与所述候选用户的交互信息通过所述预设多模态模型的各个模块进行训练的步骤，包括：根据所述候选用户的兴趣信息、所述候选视频的反馈信息、以及所述候选视频与所述候选用户的交互信息，通过用户兴趣分析模块、视觉抽取模块和交叉特征学习模块，分别得到所述候选用户对所述候选视频的兴趣特征权重值、所述候选用户对所述候选视频的反馈特征权重值、以及所述候选用户和所述候选视频的交互特征权重值；将所述候选用户对所述候选视频的兴趣特征权重值、所述候选用户对所述候选视频的反馈特征权重值、以及所述候选用户和所述候选视频的交互特征权重值通过组合模型进行拼接操作；将拼接后的数据经过两层激活函数，得到所述候选用户点击所述候选视频数据的点击率预测值。4.根据权利要求1-3任一项所述的方法，其特征在于，所述候选用户的兴趣信息包括：候选用户特征、候选用户行为、候选视频的候选特征和候选用户的历史播放视频的上下文特征。5.根据权利要求1-3任一项所述的方法，其特征在于，所述候选视频的反馈信息包括：候选视频的封面特征和候选视频的关键帧特征。6.根据权利要求1-3任一项所述的方法，其特征在于，所述候选视频与所述候选用户的交互信息包括：候选用户特征和候选视频的候选特征。7.一种视频点击率预测装置，其特征在于，所述装置包括：第一获取模块，用于获取候选用户的历史播放行为数据和候选视频数据；第二获取模块，用于根据所述候...

【专利技术属性】
技术研发人员：蒋文瑞，杨海钦，蔡淇森，游威，朱逸，
申请(专利权)人：厦门美图之家科技有限公司，
类型：发明
国别省市：福建,35