【技术实现步骤摘要】
自适应加权的短视频推荐方法、电子设备和存储介质
[0001]本专利技术属于短视频推荐领域,具体的说是一种自适应加权的短视频推荐方法、电子设备和存储介质。
技术介绍
[0002]由于用户时间碎片化、移动互联网和智能手机的快速普及、制作门槛低等原因,短视频最近几年引起广泛关注。短视频能够抢占用户注意力和流量的关键是短视频平台可以根据用户的喜好进行精准的视频推荐。然而推荐系统对于小众用户的推荐准确率却并不理想,这导致了短视频平台的活跃用户数下降和用户流失等问题。因此,提升小众用户推荐准确率已经成为短视频平台关心的重要问题。
技术实现思路
[0003]本专利技术是为了解决上述现有技术存在的不足之处,提出一种自适应加权的短视频推荐方法、电子设备和存储介质,以期能通过自适应地给容易被错分的样本赋予更高的权重,从而在不影响整体推荐性能的情况下提升对小众用户的推荐准确率,进而能有效提升用户存留率和活跃度。
[0004]本专利技术为达到上述专利技术目的,采用如下技术方案:
[0005]本专利技术一种自适应加权的短视频推荐方法的特点在于,包括以下步骤:
[0006]S1、根据用户观看热门短视频的占比,将用户划分为大众用户和小众用户,并获取大众用户和小众用户分别与短视频的历史交互记录并输入预训练的全连接神经网络中进行特征提取,得到大众用户的样本特征集合以及小众用户的样本特征集合其中,u
i
表示第i条大众用户的样本(u
i
,c
i
)中的大众用户特征 ...
【技术保护点】
【技术特征摘要】
1.一种自适应加权的短视频推荐方法,其特征在于,包括以下步骤:S1、根据用户观看热门短视频的占比,将用户划分为大众用户和小众用户,并获取大众用户和小众用户分别与短视频的历史交互记录并输入预训练的全连接神经网络中进行特征提取,得到大众用户的样本特征集合以及小众用户的样本特征集合其中,u
i
表示第i条大众用户的样本(u
i
,c
i
)中的大众用户特征,c
i
表示第i条大众用户的样本(u
i
,c
i
)中的视频特征;i=1,2,
…
,N,N表示大众用户的样本总数;u
′
j
表示第j条小众用户的样本(u
′
j
,c
′
j
)中的小众用户特征,c
′
j
表示第j条小众用户的样本(u
′
j
,c
′
j
)中的视频特征,j=1,2,
…
,M,M表示小众用户的样本总数;S2、构建两个三层的全连接神经网络组成的双塔模型,并将大众用户的样本特征集合以及小众用户的样本特征集合分别输入所述双塔模型中,并相应输出大众用户样本的高阶特征集合以及小众用户样本的高阶特征集合为其中,p
i
表示第i条大众用户的样本(p
i
,q
i
)中的大众用户高阶特征,q
i
表示第i条大众用户的样本(p
i
,q
i
)中的视频高阶特征,p
′
j
表示第j条小众用户的样本(p
′
j
,q
′
j
)中的小众用户高阶特征,q
′
j
表示第j条小众用户的样本(p
′
j
,q
′
j
)中的视频高阶特征。S3、利用式(1)构建双塔模型的交叉熵损失L:式(1)中,表示p
i
的转置,表示p
′
j
的转置,y
i
表示第i条大众用户的样本(u
i
,c
i
)的标签,y
′
j
表示第i条大众用户的样本(u
i
,c
i
)的标签;S4、利用梯度下降法对所述双塔模型进行预训练,并计算所述交叉熵损失L以更新模型参数,直到交叉熵损失L收敛为止,从而得到预训练后的双塔模型;S5、对预训练后的双塔模型的更新:S5.1、定义当前迭代次数为t,并初...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。