一种计算影视内容相关程度的方法、智能终端及存储介质技术

本发明专利技术所提供的一种计算影视内容相关程度的方法、智能终端及存储介质，所述方法包括以下步骤：获取用户观看的多个影视内容，并利用唯一标识分别对多个所述影视内容进行标记；将多个所述唯一标识分别初始化为对应的初始K维向量，对多个所述初始K维向量进行神经网络训练，获得与所述唯一标识一一对应的多个最终K维向量；对所获得的多个最终K维向量逐一进行对比，分析影视内容的相关程度。本方法提高了计算影视内容之间的相关程度的精确度，能够更深层次地挖掘出影视内容之间的隐藏关系，利于用户更准确、快速地寻找出需要的影视。

A Method for Calculating the Relevance Degree of Film and Television Content, Intelligent Terminal and Storage Media

【技术实现步骤摘要】
一种计算影视内容相关程度的方法、智能终端及存储介质
本专利技术涉及影视内容
，尤其涉及的是一种计算影视内容相关程度的方法、智能终端及存储介质。
技术介绍
随着智能影音设备的进步和互联网大数据的蓬勃发展，可供群众选择的影视多样化，满足了受众在新媒体时代的阅览需求，但用户在海量的影视库中寻找喜欢的影视成为困难。因此，通过已知的影视内容，搜索与已知影视内容相关的影视，从而寻找出同类影视成为搜取影视的主要手段。传统的搜索方式是对已知的影视内容按照影视类别、导演、主演、内容长短等多种方式分类，并对同一类影视内容设置标签，用户在搜索同类影视内容时可根据设置的标签进行寻找。这种方式根据不同的方式划分，但不同用户对不同影视内容的的划分评价并不完全相同，比如甲用户认为A影视为励志影视，而乙用户则认为A影视为青春片。可见此种方式的划分并不能细致描述出影视内容的细节，仅是针对个人喜好对影视内容进行了概括并分类，并不能根据已知影视内容搜索出与其内容相关的其他影视内容。可见传统的搜索相关影视内容的方式，并不能根据已知的影视内容准确地推荐出相关的影视内容，更不能挖掘出影视之间的内容隐藏关系。因此，现有技术存在缺陷，有待改进与发展。
技术实现思路
本专利技术要解决的技术问题在于，针对现有技术的上述缺陷，提供一种计算影视内容相关程度的方法、智能终端及存储介质，旨在解决现有技术中不能挖掘出影视之间的内容隐藏关系的技术问题。本专利技术解决技术问题所采用的技术方案如下：一种计算影视内容相关程度的方法，其中，包括：获取用户观看的多个影视内容，并利用唯一标识分别对多个所述影视内容进行标记；将多个所述唯一标识分别初始化为对应的初始K维向量，对多个所述初始K维向量进行神经网络训练，获得与所述唯一标识一一对应的多个最终K维向量；对所获得的多个最终K维向量逐一进行对比，分析多个影视内容之间的相关程度。进一步地，所述获取用户观看的多个影视内容，并利用唯一标识分别对多个所述影视内容进行标记还包括：将每个用户观看的影视内容按照预设规则进行排列；将每个用户排列后的影视内容分别向量化为一一对应的行为序列。进一步地，所述预设规则为用户观看影视内容的有效顺序，所述有效顺序按照时间顺序排列。进一步地，所述将多个所述唯一标识分别初始化为对应的初始K维向量，对多个所述初始K维向量进行神经网络训练，获得与所述唯一标识一一对应的多个最终K维向量具体包括:将多个所述唯一标识分别初始化为对应的初始K维向量；将多个所述初始K维向量分别输入到Skip-gram模型中，依次进行神经网络训练，得到多个唯一标识对应的最终K维向量。进一步地，所述将多个所述初始K维向量分别输入到Skip-gram模型中，依次进行神经网络训练，得到多个唯一标识对应的最终K维向量具体包括：计算当前的唯一标识对应的影视内容在所有用户观看的影视内容中出现的频率，根据所述频率构建哈夫曼树；根据所述唯一标识在每个用户对应的行为序列中的位置，确定所述唯一标识对应的哈夫曼编码；根据所述哈夫曼编码确定哈夫曼树中从根节点到叶节点的正确路径；根据所述正确路径，确定哈夫曼树的叶节点；将所述唯一标识所代表的初始K维向量输入到哈夫曼树的根节点，根据所述唯一标识的频率确定初始K维向量在哈夫曼树中的位置；初始K维向量沿根节点至叶节点进行预测，生成对应的最终K维向量。进一步地，所述初始K维向量沿根节点至叶节点进行预测，生成对应的最终K维向量之后还包括：根据梯度下降算法更新哈夫曼树中非叶节点的参数以及下一个待预测的唯一标识所代表的初始K维向量。进一步地，所述根据梯度下降算法更新哈夫曼树中非叶节点的参数以及下一个待预测的唯一标识所代表的初始K维向量之后还包括：将下一个待预测的唯一标识所代表的初始K维向量输入到所述哈夫曼树的根节点，根据所述唯一标识的频率确定初始K维向量在哈夫曼树中的位置；初始K维向量沿根节点至叶节点进行预测，生成对应的最终K维向量。进一步地，所述对所获得的多个最终K维向量逐一进行对比，分析影视内容的相关程度具体包括：对获得的最终K维向量的余弦夹角值逐一进行对比，根据对比结果分析影视内容的相关程度。本专利技术还提供了一种智能终端，其中，包括处理器，以及与所述处理器连接的存储器，所述存储器存储有计算影视内容相关程度的程序，所述计算影视内容相关程度的程序被所述处理器执行如上所述的计算影视内容相关程度的方法。本专利技术还提供了一种存储介质，其中，所述存储介质存储有计算机程序，所述计算机程序能够被执行以用于实现如上所述的计算影视内容相关程度的方法。本专利技术所提供的一种计算影视内容相关程度的方法、智能终端及存储介质，包括：获取用户观看的多个影视内容，并利用唯一标识分别对多个所述影视内容进行标记；将多个所述唯一标识分别初始化为对应的初始K维向量，对多个所述初始K维向量进行神经网络训练，获得与所述唯一标识一一对应的多个最终K维向量；对所获得的多个最终K维向量逐一进行对比，分析影视内容的相关程度。本专利技术通过对用户观看的影视内容分别使用唯一标识进行标记，再将多个所述唯一标识分别初始化为对应的初始K维向量，对多个初始K维向量分别进行神经网络训练得到对应的最终K维向量，以此对最终K维向量进行对比来分析影视内容之间的相关程度。所述初始K维向量为一个单元，类似于神经元，对初始K维向量进行神经网络训练后，相当于对一个神经元进行神经组织缔结，可以发散生成多个相关联的神经元及神经末梢，进而形成神经系统，此神经系统类似于最终K维向量。对比最终K维向量之间的关系，不仅能直观的了解到相应的初始K维向量的关系，也能更深层次地挖掘出最终K维向量衍生出的类似于神经系统的最终K维向量的隐藏内容，能够更细致且精确地对比出影视内容之间的隐藏关系，提高了计算影视内容之间相关程度的精确度，利于用户更准确、快速地寻找出需要的影视。附图说明图1是本专利技术中计算影视内容相关程度的方法较佳实施例的流程图。图2是本专利技术中智能终端的较佳实施例的功能原理框图。具体实施方式为使本专利技术的目的、技术方案及优点更加清楚、明确，以下参照附图并举实施例对本专利技术进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。请参见图1，图1是本专利技术中一种计算影视内容相关程度的方法的流程图。如图1所示，本专利技术实施例所述的一种计算影视内容相关程度的方法第一个步骤为：S100、获取用户观看的多个影视内容，并利用唯一标识分别对多个所述影视内容进行标记。具体的，所述步骤S100包括：S110、将每个用户观看的影视内容按照预设规则进行排列。进一步地，所述步骤S110具体包括：用户观看的影视内容指的是具体的某个影片，获取多个用户观看的影视内容指的是获取多个影片。一个用户在特定的某一个时间段内观看的所有影视内容组成该用户观看的影视内容的集合。所述一个影视内容为用户观看完成的一整个影片，所有观看完成的影片构成用户观看的影视内容的集合。所述预设规则具体指的是，将一个用户在特定时间段内观看完成的影视内容按照时间顺序进行排列，同一个影视内容可被重复观看，但观影的时间不同。以每个用户的观看影视的时间顺序排列用户观看的影视内容，可以反映用户观看影视内容的喜好，也可以描述用户平时的观影习惯。应当理解的是，本专利技术中的影视内容的本文档来自技高网...

【技术保护点】
1.一种计算影视内容相关程度的方法，其特征在于，包括以下步骤：获取用户观看的多个影视内容，并利用唯一标识分别对多个所述影视内容进行标记；将多个所述唯一标识分别初始化为对应的初始K维向量，对多个所述初始K维向量进行神经网络训练，获得与所述唯一标识一一对应的多个最终K维向量；对所获得的多个最终K维向量逐一进行对比，分析多个影视内容之间的相关程度。

【技术特征摘要】
1.一种计算影视内容相关程度的方法，其特征在于，包括以下步骤：获取用户观看的多个影视内容，并利用唯一标识分别对多个所述影视内容进行标记；将多个所述唯一标识分别初始化为对应的初始K维向量，对多个所述初始K维向量进行神经网络训练，获得与所述唯一标识一一对应的多个最终K维向量；对所获得的多个最终K维向量逐一进行对比，分析多个影视内容之间的相关程度。2.根据权利要求1所述的计算影视内容相关程度的方法，其特征在于，所述获取用户观看的多个影视内容，并利用唯一标识分别对多个所述影视内容进行标记还包括：将每个用户观看的影视内容按照预设规则进行排列；将每个用户排列后的影视内容分别向量化为一一对应的行为序列。3.根据权利要求2所述的计算影视内容相关程度的方法，其特征在于，所述预设规则为用户观看影视内容的有效顺序，所述有效顺序按照时间顺序排列。4.根据权利要求2所述的一种计算影视内容相关程度的方法，其特征在于，所述将多个所述唯一标识分别初始化为对应的初始K维向量，对多个所述初始K维向量进行神经网络训练，获得与所述唯一标识一一对应的多个最终K维向量具体包括:将多个所述唯一标识分别初始化为对应的初始K维向量；将多个所述初始K维向量分别输入到Skip-gram模型中，依次进行神经网络训练，得到多个唯一标识对应的最终K维向量。5.根据权利要求4所述的计算影视内容相关程度的方法，其特征在于，所述将多个所述初始K维向量分别输入到Skip-gram模型中，依次进行神经网络训练，得到多个唯一标识对应的最终K维向量具体包括：计算当前的唯一标识对应的影视内容在所有用户观看的影视内容中出现的频率，根据所述频率构建哈夫曼树；根据所述唯一标识在每个用户对应的行为序列中的位置，确定所述唯一标识对应的哈...

【专利技术属性】
技术研发人员：关越，
申请(专利权)人：深圳市酷开网络科技有限公司，
类型：发明
国别省市：广东,44