一种视频推荐方法及系统技术方案

本发明专利技术提供了一种视频推荐方法及系统，获取长短视频特征和用户的用户特征；将用户特征和长短视频特征输入预设的推荐模型进行点击率预测，得到每个待推荐长视频的预测点击率和每个待推荐短视频的预测点击率；根据每个待推荐长视频的预测点击率和每个待推荐短视频的预测点击率，对所有待推荐长视频和待推荐短视频进行排序，将排序结果反馈给用户。本方案中，将用户特征和由长视频特征与短视频特征组合得到的长短视频特征输入预先训练的推荐模型，得到待推荐长视频和待推荐短视频的预测点击率。按照预测点击率对待推荐长视频和待推荐短视频进行排序，将排序结果反馈给用户，实现不同类型信息的推荐，提高用户使用体验和提高信息推荐的准确性。

A video recommendation method and system

【技术实现步骤摘要】
一种视频推荐方法及系统
本专利技术涉及数据处理
，具体涉及一种视频推荐方法及系统。
技术介绍
随着互联网的发展，各式各样应用软件被开发出来。用户在使用应用软件的过程中，应用软件会向用户提供个性化推荐服务。目前向用户提供个性化推荐服务的方式为：根据用户的历史行为数据，利用推荐算法把信息按照用户的喜好进行过滤，得到用户喜欢的信息。但是，目前的个性化推荐服务仅能对单一类型的信息进行推荐，随着信息类型的不断增多并且每种类型的信息的特性都有所不同，目前的个性化推荐服务无法满足用户的实际需求和不能准确的对多类型的信息进行推荐，用户使用体验较差和信息推荐的准确性较差。
技术实现思路
有鉴于此，本专利技术实施例提供一种视频推荐方法及系统，以解决目前个性化推荐服务存在的用户使用体验较差和信息推荐的准确性较差等问题。为实现上述目的，本专利技术实施例提供如下技术方案：本专利技术实施例第一方面公开一种视频推荐方法，所述方法包括：获取长短视频特征和用户的用户特征，所述长短视频特征由组合多个待推荐长视频的长视频特征和多个待推荐短视频的短视频特征得到；将所述用户特征和所述长短视频特征输入预设的推荐模型进行点击率预测，得到每个所述待推荐长视频的预测点击率和每个所述待推荐短视频的预测点击率，所述推荐模型根据预先获取的训练数据集训练机器学习模型得到；根据每个所述待推荐长视频的预测点击率和每个所述待推荐短视频的预测点击率，对所有所述待推荐长视频和所述待推荐短视频进行排序，将排序结果反馈给所述用户。优选的，所述获取长短视频特征和用户的用户特征，包括：获取历史长短视频特征和实时长短视频特征，融合所述历史长短视频特征和所述实时长短视频特征得到长短视频特征；获取用户对应的历史用户特征和实时用户特征，融合所述历史用户特征和所述实时用户特征得到所述用户对应的用户特征。优选的，获取训练数据集的过程包括：获取样本长视频对应的样本长视频画像和样本短视频对应的样本短视频画像，以及获取样本用户对应的样本用户画像和样本上下文行为画像；对所述样本长视频画像、所述样本短视频画像、所述样本用户画像和所述样本上下文行为画像进行数据预处理，得到原始特征数据集；对所述原始特征数据集进行特征工程处理，得到训练数据集，所述特征工程处理至少包括特征提取处理和特征转化处理。优选的，根据预先获取的训练数据集训练机器学习模型得到推荐模型的过程，包括：根据预设的划分比例，将所述训练数据集划分为训练集、验证集和测试集；根据所述训练集、所述验证集和所述测试集，以及结合样本用户对样本长视频与样本短视频的点击行为和曝光行为，训练机器学习模型直至所述机器学习模型收敛，得到推荐模型。优选的，对所有所述待推荐长视频和所述待推荐短视频进行排序，将排序结果反馈给所述用户之后，还包括：根据所述用户对所述待推荐长视频和所述待推荐短视频的点击行为和曝光行为，对所述推荐模型进行更新优化。本专利技术实施例第二方面公开一种视频推荐系统，所述系统包括：获取单元，用于获取长短视频特征和用户的用户特征，所述长短视频特征由组合多个待推荐长视频的长视频特征和多个待推荐短视频的短视频特征得到；处理单元，用于将所述用户特征和所述长短视频特征输入预设的推荐模型进行点击率预测，得到每个所述待推荐长视频的预测点击率和每个所述待推荐短视频的预测点击率，所述推荐模型根据预先获取的训练数据集训练机器学习模型得到；排序单元，用于根据每个所述待推荐长视频的预测点击率和每个所述待推荐短视频的预测点击率，对所有所述待推荐长视频和所述待推荐短视频进行排序，将排序结果反馈给所述用户。优选的，所述获取单元具体用于：获取历史长短视频特征和实时长短视频特征，融合所述历史长短视频特征和所述实时长短视频特征得到长短视频特征，获取用户对应的历史用户特征和实时用户特征，融合所述历史用户特征和所述实时用户特征得到所述用户对应的用户特征。优选的，用于获取训练数据集的所述处理单元包括：获取模块，用于获取样本长视频对应的样本长视频画像和样本短视频对应的样本短视频画像，以及获取样本用户对应的样本用户画像和样本上下文行为画像；预处理模块，用于对所述样本长视频画像、所述样本短视频画像、所述样本用户画像和所述样本上下文行为画像进行数据预处理，得到原始特征数据集；特征工程处理模块，用于对所述原始特征数据集进行特征工程处理，得到训练数据集，所述特征工程处理至少包括特征提取处理和特征转化处理。优选的，用于训练机器学习模型得到推荐模型的所述处理单元，包括：划分模块，用于根据预设的划分比例，将所述训练数据集划分为训练集、验证集和测试集；训练模块，用于根据所述训练集、所述验证集和所述测试集，以及结合样本用户对样本长视频与样本短视频的点击行为和曝光行为，训练机器学习模型直至所述机器学习模型收敛，得到推荐模型。优选的，所述系统还包括：更新单元，用于根据所述用户对所述待推荐长视频和所述待推荐短视频的点击行为和曝光行为，对所述推荐模型进行更新优化。基于上述本专利技术实施例提供的一种视频推荐方法及系统，该方法为：获取长短视频特征和用户的用户特征；将用户特征和长短视频特征输入预设的推荐模型进行点击率预测，得到每个待推荐长视频的预测点击率和每个待推荐短视频的预测点击率；根据每个待推荐长视频的预测点击率和每个待推荐短视频的预测点击率，对所有待推荐长视频和待推荐短视频进行排序，将排序结果反馈给用户。本方案中，将用户特征和由长视频特征与短视频特征组合得到的长短视频特征输入预先训练的推荐模型，得到待推荐长视频和待推荐短视频的预测点击率。按照预测点击率对待推荐长视频和待推荐短视频进行排序，将排序结果反馈给用户，实现不同类型信息的推荐，提高用户使用体验和提高信息推荐的准确性。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的实施例，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，还可以根据提供的附图获得其他的附图。图1为本专利技术实施例提供的一种视频推荐方法的流程图；图2为本专利技术实施例提供的获取训练数据集的流程图；图3为本专利技术实施例提供的一种视频推荐方法的另一流程图；图4为本专利技术实施例提供的一种视频推荐系统的结构框图。具体实施方式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，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。在本申请中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备本文档来自技高网...

【技术保护点】
1.一种视频推荐方法，其特征在于，所述方法包括：/n获取长短视频特征和用户的用户特征，所述长短视频特征由组合多个待推荐长视频的长视频特征和多个待推荐短视频的短视频特征得到；/n将所述用户特征和所述长短视频特征输入预设的推荐模型进行点击率预测，得到每个所述待推荐长视频的预测点击率和每个所述待推荐短视频的预测点击率，所述推荐模型根据预先获取的训练数据集训练机器学习模型得到；/n根据每个所述待推荐长视频的预测点击率和每个所述待推荐短视频的预测点击率，对所有所述待推荐长视频和所述待推荐短视频进行排序，将排序结果反馈给所述用户。/n

【技术特征摘要】
1.一种视频推荐方法，其特征在于，所述方法包括：
获取长短视频特征和用户的用户特征，所述长短视频特征由组合多个待推荐长视频的长视频特征和多个待推荐短视频的短视频特征得到；
将所述用户特征和所述长短视频特征输入预设的推荐模型进行点击率预测，得到每个所述待推荐长视频的预测点击率和每个所述待推荐短视频的预测点击率，所述推荐模型根据预先获取的训练数据集训练机器学习模型得到；
根据每个所述待推荐长视频的预测点击率和每个所述待推荐短视频的预测点击率，对所有所述待推荐长视频和所述待推荐短视频进行排序，将排序结果反馈给所述用户。


2.根据权利要求1所述的方法，其特征在于，所述获取长短视频特征和用户的用户特征，包括：
获取历史长短视频特征和实时长短视频特征，融合所述历史长短视频特征和所述实时长短视频特征得到长短视频特征；
获取用户对应的历史用户特征和实时用户特征，融合所述历史用户特征和所述实时用户特征得到所述用户对应的用户特征。


3.根据权利要求1所述的方法，其特征在于，获取训练数据集的过程包括：
获取样本长视频对应的样本长视频画像和样本短视频对应的样本短视频画像，以及获取样本用户对应的样本用户画像和样本上下文行为画像；
对所述样本长视频画像、所述样本短视频画像、所述样本用户画像和所述样本上下文行为画像进行数据预处理，得到原始特征数据集；
对所述原始特征数据集进行特征工程处理，得到训练数据集，所述特征工程处理至少包括特征提取处理和特征转化处理。


4.根据权利要求1所述的方法，其特征在于，根据预先获取的训练数据集训练机器学习模型得到推荐模型的过程，包括：
根据预设的划分比例，将所述训练数据集划分为训练集、验证集和测试集；
根据所述训练集、所述验证集和所述测试集，以及结合样本用户对样本长视频与样本短视频的点击行为和曝光行为，训练机器学习模型直至所述机器学习模型收敛，得到推荐模型。


5.根据权利要求1所述的方法，其特征在于，对所有所述待推荐长视频和所述待推荐短视频进行排序，将排序结果反馈给所述用户之后，还包括：
根据所述用户对所述待推荐长视频和所述待推荐短视频的点击行为和曝光行为，对所述推荐模型进行更新优化。


6...

【专利技术属性】
技术研发人员：刘庆标，
申请(专利权)人：北京搜狐新媒体信息技术有限公司，
类型：发明
国别省市：北京;11