一种视频推荐方法、装置、设备及存储介质制造方法及图纸

本发明专利技术公开了一种视频推荐方法、装置、设备及存储介质。该方法包括：将用户信息和视频信息输入已加入多头注意力的神经协同过滤模型，所述已加入多头注意力的神经协同过滤模型根据训练用户数据和训练视频数据得到；输出与所述用户信息对应的视频推荐信息。本发明专利技术通过在神经协同过滤模型中加入多头注意力，对神经协同过滤模型中的特征向量加入多个权重因素并进行交互，在不断更新模型参数后，使模型输出的视频推荐信息准确性得到提高，体现出多头注意力对不同特征的重要程度和特征间关联性的实现效果，解决了现有技术中对各特征重要程度和特征之间关联性考虑不足的问题，更加准确的为用户推荐其感兴趣的视频信息，实现了更好的推荐效果。

A video recommendation method, device, equipment and storage medium

【技术实现步骤摘要】
一种视频推荐方法、装置、设备及存储介质
本专利技术实施例涉及智能推荐技术，尤其涉及一种视频推荐方法、装置、设备及存储介质。
技术介绍
大数据时代的来临，用户获取信息的方式从主动获取趋向智能的推荐服务，在推荐领域，更多的应用了深度学习算法，如YouTube的深度推荐模型(DeepNeuralNetworks)、Google开源的深度学习框架TensorFlow中的神经协同过滤(neuralcollaborativefilter)模型等。基于深度学习算法的推荐模型中，用特征向量表示用户和推荐信息，在具体的推荐场景中，特征向量需要进行融合，比如求平均值等，一般的做法是等权重求平均，这样的推荐精度不高。
技术实现思路
本专利技术提供一种视频推荐方法、装置、设备及存储介质，以实现为用户推荐其感兴趣的视频。第一方面，本专利技术实施例提供了一种视频推荐方法，包括：将用户信息和视频信息输入已加入多头注意力的神经协同过滤模型，所述已加入多头注意力的神经协同过滤模型根据训练用户数据和训练视频数据得到；输出与所述用户信息对应的视频推荐信息。可选的，在将用户信息和视频信息输入已加入多头注意力的神经协同过滤模型之前，还包括：在所述神经协同过滤模型中加入多头注意力，所述神经协同过滤模型为线性模型、非线性模型或组合模型，所述组合模型由线性模型和非线性模型组合构成。可选的，所述在所述神经协同过滤模型中加入多头注意力，包括：获取所述训练用户数据和所述训练视频数据，将所述训练用户数据和所述训练视频数据做向量映射，生成用户向量和视频向量；采用第一激活函数结合所述用户向量和所述视频向量，生成至少两个用户权重向量和至少两个视频权重向量；将所述用户向量和所述用户权重向量，与所述视频向量和所述视频权重向量交互，生成多个交互向量；将多个所述交互向量融合，确定融合结果，所述融合结果为线性融合结果、非线性融合结果或组合融合结果；采用第二激活函数结合所述融合结果，得到兴趣预测信息。可选的，所述将所述用户向量和所述用户权重向量，与所述视频向量和所述视频权重向量交互，生成多个交互向量，包括：若所述神经协同过滤模型为所述线性模型，所述用户向量与所述视频向量乘积生成一个所述交互向量，所述用户权重向量与所述视频权重向量乘积生成至少两个所述交互向量；若所述神经协同过滤模型为所述非线性模型，所述用户向量分别与所述视频权重向量拼接生成至少两个所述交互向量，所述视频向量分别与所述用户权重向量拼接生成至少两个所述交互向量。可选的，所述将多个所述交互向量融合，包括：若所述神经协同过滤模型为所述线性模型，将多个所述交互向量拼接，得到所述线性融合结果；若所述神经协同过滤模型为所述非线性模型，将多个所述交互向量拼接，输入采用第三激活函数的多层感知机，得到所述非线性融合结果。可选的，若所述神经协同过滤模型为所述组合模型，在将多个所述交互向量融合之后，还包括：将所述线性融合结果和所述非线性融合结果拼接，得到所述组合融合结果。第二方面，本专利技术实施例还提供了一种视频推荐装置，该装置包括：输入模块，用于将用户信息和视频信息输入已加入多头注意力的神经协同过滤模型，所述已加入多头注意力的神经协同过滤模型根据训练用户数据和训练视频数据得到；输出模块，输出与所述用户信息对应的视频推荐信息。可选的，所述装置还包括：模型构建模块，用于在所述神经协同过滤模型中加入多头注意力，所述神经协同过滤模型为线性模型、非线性模型或组合模型，所述组合模型由线性模型和非线性模型组合构成；所述模型构建模块包括，第一向量生成单元，用于获取所述训练用户数据和所述训练视频数据，将所述训练用户数据和所述训练视频数据做向量映射，生成用户向量和视频向量；第二向量生成单元，用于采用第一激活函数结合所述用户向量和所述视频向量，生成至少两个用户权重向量和至少两个视频权重向量；第三向量生成单元，用于将所述用户向量和所述用户权重向量，与所述视频向量和所述视频权重向量交互，生成多个交互向量；融合单元，用于将多个所述交互向量融合，确定融合结果，所述融合结果为线性融合结果、非线性融合结果或组合融合结果；预测单元，用于采用第二激活函数结合所述融合结果，得到兴趣预测信息。第三方面，本专利技术实施例还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如本专利技术任意实施例所述的视频推荐方法。第四方面，本专利技术实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本专利技术任意实施例所述的视频推荐方法。本专利技术通过在神经协同过滤模型中加入多头注意力，即对神经协同过滤模型中的用户数据和视频数据对应的特征向量加入多个权重因素生成多个特征权重向量，并将特征向量、特征权重向量进行交互，在不断更新模型参数后，使模型输出的视频推荐信息准确性得到提高，体现出多头注意力对不同特征的重要程度和特征间关联性的实现效果，解决了现有技术中对各特征重要程度和特征之间关联性考虑不足、推荐精度不高的问题，达到了更加准确的为用户推荐其感兴趣的视频信息，实现了更好的推荐效果。附图说明图1为本专利技术实施例一提供的视频推荐方法的流程图；图2是本专利技术实施例二提供的视频推荐方法的流程图；图3是本专利技术实施例二提供的视频推荐方法的流程图；图4是本专利技术实施例三提供的视频推荐方法的流程图；图5是本专利技术实施例三提供的没有加入多头注意力的线性模型示意图；图6是本专利技术实施例三提供的加入多头注意力的线性模型示意图；图7是本专利技术实施例四提供的视频推荐方法的流程图；图8是本专利技术实施例四提供的没有加入多头注意力的非线性模型示意图；图9是本专利技术实施例四提供的加入多头注意力的非线性模型示意图；图10是本专利技术实施例五提供的视频推荐方法的流程图；图11是本专利技术实施例五提供的没有加入多头注意力的组合模型示意图；图12是本专利技术实施例五提供的加入多头注意力的组合模型示意图；图13是本专利技术实施例六提供的视频推荐装置的结构框图；图14是本专利技术实施例七提供的一种计算机设备结构示意图。具体实施方式下面结合附图和实施例对本专利技术作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本专利技术，而非对本专利技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本专利技术相关的部分而非全部结构。实施例一图1为本专利技术实施例一提供的视频推荐方法的流程图，本实施例可适用于为用户推荐其感兴趣的视频信息的情况，该方法可以由视频推荐装置来执行，该装置可以通过软件和/或硬件实现。如图1所示，该方法具体包括如下步骤：步骤110、将用户信息和视频信息输入已加入多头本文档来自技高网...

【技术保护点】
1.一种视频推荐方法，其特征在于，包括：/n将用户信息和视频信息输入已加入多头注意力的神经协同过滤模型，所述已加入多头注意力的神经协同过滤模型根据训练用户数据和训练视频数据得到；/n输出与所述用户信息对应的视频推荐信息。/n

【技术特征摘要】
1.一种视频推荐方法，其特征在于，包括：
将用户信息和视频信息输入已加入多头注意力的神经协同过滤模型，所述已加入多头注意力的神经协同过滤模型根据训练用户数据和训练视频数据得到；
输出与所述用户信息对应的视频推荐信息。


2.根据权利要求1所述的视频推荐方法，其特征在于，在将用户信息和视频信息输入已加入多头注意力的神经协同过滤模型之前，还包括：
在所述神经协同过滤模型中加入多头注意力，所述神经协同过滤模型为线性模型、非线性模型或组合模型，所述组合模型由线性模型和非线性模型组合构成。


3.根据权利要求2所述的视频推荐方法，其特征在于，所述在所述神经协同过滤模型中加入多头注意力，包括：
获取所述训练用户数据和所述训练视频数据，将所述训练用户数据和所述训练视频数据做向量映射，生成用户向量和视频向量；
采用第一激活函数结合所述用户向量和所述视频向量，生成至少两个用户权重向量和至少两个视频权重向量；
将所述用户向量和所述用户权重向量，与所述视频向量和所述视频权重向量交互，生成多个交互向量；
将多个所述交互向量融合，确定融合结果，所述融合结果为线性融合结果、非线性融合结果或组合融合结果；
采用第二激活函数结合所述融合结果，得到兴趣预测信息。


4.根据权利要求3所述的视频推荐方法，其特征在于，所述将所述用户向量和所述用户权重向量，与所述视频向量和所述视频权重向量交互，生成多个交互向量，包括：
若所述神经协同过滤模型为所述线性模型，所述用户向量与所述视频向量乘积生成一个所述交互向量，所述用户权重向量与所述视频权重向量乘积生成至少两个所述交互向量；
若所述神经协同过滤模型为所述非线性模型，所述用户向量分别与所述视频权重向量拼接生成至少两个所述交互向量，所述视频向量分别与所述用户权重向量拼接生成至少两个所述交互向量。


5.根据权利要求3所述的视频推荐方法，其特征在于，所述将多个所述交互向量融合，包括：
若所述神经协同过滤模型为所述线性模型，将多个所述交互向量拼接，得到所述线性融合结果...

【专利技术属性】
技术研发人员：胡志超，
申请(专利权)人：上海喜马拉雅科技有限公司，
类型：发明
国别省市：上海;31