一种基于图卷积网络的视频片段推荐方法技术

本发明专利技术公开了一种基于图卷积网络的视频片段推荐方法，包括：1.构造用户对视频片段的评分矩阵；2.对用户集和视频片段集处理，得到用户嵌入矩阵和视频片段嵌入矩阵；3.根据用户的评分矩阵，构造基于内容属性的二部图；4.将构造好的二部图输入到图卷积网络中，不断更新用户嵌入矩阵；5.利用图卷积网络计算用户对片段的偏好预测值，从而对用户进行片段推荐。本发明专利技术能对用户进行更精准的推荐，尤其是对历史数据稀少的用户群体，从而更好的解决到冷启动物品问题。

A video segment recommendation method based on graph convolution network

【技术实现步骤摘要】
一种基于图卷积网络的视频片段推荐方法
本专利技术涉及视频推荐领域，具体地说是一种基于图卷积网络的视频片段推荐方法。技术背景随着网络视频的流行，视频数量近年来开始爆发式地增长。面对大量的视频，如何有效的剪辑并向每个用户展示最有趣的片段，从而对用户进行更精准的视频推荐，已经成为了很迫切的需要。关于视频提取片段的技术，比较流行的做法是基于内容的视觉特征，对视频提取最有代表性的片段，从而让用户能更好的预览视频内容。为了更好地融合用户群体的兴趣偏好信息，比如2016年Gygliet等人提出利用神经网络模型学习网上流行的GIF动图特征，从而实现对视频自动提取最有趣的代表性片段，达到了不错的效果。但这些模型仅考虑了大众的整体流行偏好，没有考虑如何针对每个用户进行个性化的片段推荐。近年来一些模型提出利用用户的个人资料和视频片段的标注记录，来捕捉用户的个性化信息，从而实现个性化推荐，但用户数据的极度稀疏性限制了它们的推荐性能。2016年He和McAuley等人提出一种混合模型，将视频的内容特征和用户的行为数据结合起来进行推荐，有效地缓解了用户本文档来自技高网...

【技术保护点】
1.一种基于图卷积网络的视频片段推荐方法，其特征是按如下步骤进行：/n步骤1、构造用户对视频片段的评分矩阵R：/n令U表示用户集，且U＝{u

【技术特征摘要】
1.一种基于图卷积网络的视频片段推荐方法，其特征是按如下步骤进行：
步骤1、构造用户对视频片段的评分矩阵R：
令U表示用户集，且U＝{u1,...,ua,...,ub,...,uM}，其中，ua表示第a个用户，ub表示第b个用户，M表示用户总数，1≤a,b≤M；获取视频片段集S，且S＝{s1,...,si,...,sj,...,sN}，si表示第i个视频片段，sj表示第j个视频片段，N表示片段总数，1≤i,j≤N；令rai表示第a个用户ua对第i个片段si的评分值，若rai＝1，则表示第a个用户ua对第i个视频片段si产生正反馈互动，若rai＝0，则表示第a个用户ua对第i个视频片段si产生负反馈互动，从而构造所有用户对所有视频片段的评分矩阵R＝{rai}M×N；
步骤2、对用户集U和视频片段集S进行处理，得到用户的自由嵌入矩阵X和视频片段的特征嵌入矩阵Y：
步骤2.1、构造针对所有用户的自由嵌入矩阵X∈RD×M，其中，D表示隐因子的维度，令所述自由嵌入矩阵X中第a列向量xa表示第a个用户ua对应的静态自由嵌入向量；
步骤2.2、对每个视频片段提取视觉特征，得到最终的特征嵌入矩阵Y：
利用视频特征提取模型中第一层全连接层输出特征矩阵F，从而根据式(1)得到降维后的第i行特征嵌入向量yi：
yi＝E·fi(1)
式(1)中，E表示线形降维嵌入矩阵，fi表示特征矩阵F中与第i个视频片段si对应的特征向量；
步骤3、根据评分矩阵R，构造基于内容属性的二部图G＝<U∪S,R>，其中，用户集U和视频片段集S是二部图G中的结点集，评分矩阵R是二部图中G的边集；
步骤4、将所述二部图G输入到K个传播层的图卷积网络中，并不断更新用户的自由嵌入矩阵X：
步骤4.1、定义当前传播层个数为k，并初始化k＝0，将第k个传播层中第a个用户ua对应的结点表示向...

【专利技术属性】
技术研发人员：吴乐，杨永晖，汪萌，洪日昌，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：安徽;34