【技术实现步骤摘要】
本申请实施例涉及机器学习领域，特别涉及一种视频推荐方法、装置、设备、存储介质及程序产品。
技术介绍
1、序列推荐是指利用历史时刻所有的历史序列信息以及当前时刻对应的信息来预测下一时刻的推荐信息。例如，用户在第一时刻观看了a类视频，在第二时刻观看了b类视频，基于用户在第一时刻和第二时刻观看的视频预测出第三时刻向用户推荐的视频。
2、相关技术中，在视频推荐场景中，在向用户推送相关推荐之前，获取用户的历史推荐视频序列，基于循环神经网络向用户推荐与历史视频序列相似的视频，最终得到推荐结果。
3、然而，在上述相关技术中，序列推荐模型仅通过相似性向用户推荐视频，即，仅通过考量相似性确定与历史视频序列相似的视频为最终推荐结果。例如，在历史推荐视频序列中，用户不喜欢a类视频，但相关技术中依然会推荐与a类视频相似的视频。上述相关技术中，视频推荐的考量方式较为单一，直接影响了视频推荐的准确度。
技术实现思路
1、本申请提供了一种视频推荐方法、装置、设备、存储介质及程序产品，能够提高视频推荐的准确度。所述技术方案如下：
2、根据本申请的一方面，提供了一种视频推荐方法，所述方法包括：
3、获取目标账号的历史推荐视频序列向量和候选视频集中候选视频对应的候选视频向量，所述历史推荐视频序列向量包括历史推荐视频序列中视频对应的特征向量；
4、以所述历史推荐视频序列向量作为分析参数，得到所述历史推荐视频向量中每一个视频对应的推荐相似度值及推荐反相似度值，所
5、对所述历史推荐视频序列向量中同一视频对应的所述推荐相似度值和所述推荐反相似度值进行融合，得到所述历史推荐视频序列向量对应的视频推荐向量；
6、基于所述视频推荐向量和所述候选视频向量进行推荐度值计算，得到所述视频推荐向量和所述候选视频向量之间的推荐度值；
7、根据所述推荐度值，向所述目标账号推荐所述候选视频。
8、根据本申请的一方面，提供了一种视频推荐模型的训练方法，所述方法包括：
9、获取目标账号的历史推荐视频序列向量、候选视频集中正候选视频样本对应的正候选视频样本向量和负候选视频样本对应的负候选视频样本向量，所述历史推荐视频序列向量包括历史推荐视频序列中视频对应的特征向量；
10、以所述历史推荐视频序列向量作为分析参数，得到所述历史推荐视频向量中每一个视频对应的推荐相似度值及推荐反相似度值，所述推荐相似度值是指所述历史推荐视频序列中任一视频与其他视频之间的相似度值的和，所述推荐反相似度值是指所述历史推荐视频序列中任一视频与其他视频之间的差异值的和；
11、对所述历史推荐视频序列向量中同一视频对应的所述推荐相似度值和所述推荐反相似度值进行融合，得到所述历史推荐视频序列向量对应的视频推荐向量；
12、基于所述视频推荐向量和所述正候选视频样本向量进行推荐度值计算，得到所述视频推荐向量和所述正候选视频样本向量之间的第一推荐度值；基于所述视频推荐向量和所述负候选视频样本向量进行推荐度值计算，得到所述视频推荐向量和所述负候选视频样本向量之间的第二推荐度值；
13、基于所述第一推荐度值及所述第二推荐度值，计算损失函数值；
14、基于所述损失函数值对所述视频推荐模型的模型参数进行更新。
15、根据本申请的一方面，提供了一种视频推荐装置，所述装置包括：
16、获取模块，用于获取目标账号的历史推荐视频序列向量和候选视频集中候选视频对应的候选视频向量，所述历史推荐视频序列向量包括历史推荐视频序列中视频对应的特征向量；
17、计算模块，用于以所述历史推荐视频序列向量作为分析参数，得到所述历史推荐视频向量中每一个视频对应的推荐相似度值及推荐反相似度值，所述推荐相似度值是指所述历史推荐视频序列中任一视频与其他视频之间的相似度值的和，所述推荐反相似度值是指所述历史推荐视频序列中任一视频与其他视频之间的差异值的和；
18、融合模块，用于对所述历史推荐视频序列向量中同一视频对应的所述推荐相似度值和所述推荐反相似度值进行融合，得到所述历史推荐视频序列向量对应的视频推荐向量；
19、所述计算模块，还用于基于所述视频推荐向量和所述候选视频向量进行推荐度值计算，得到所述视频推荐向量和所述候选视频向量之间的推荐度值；
20、推荐模块，用于根据所述推荐度值，向所述目标账号推荐所述候选视频。
21、在一种可能的实现方式中，所述计算模块，还用于以所述历史推荐视频序列向量作为分析参数，计算第i时刻对应的视频与所述历史推荐视频向量中其他时刻对应的视频之间的相似度值并累加求和，得到第i时刻对应的视频对应的推荐相似度值，i为正整数。
22、在一种可能的实现方式中，所述计算模块，还用于以所述历史推荐视频序列向量作为分析参数，基于第一自注意力机制网络计算第i时刻对应的视频与所述历史推荐视频向量中其他时刻对应的视频之间的相似度值并累加求和，得到第i时刻对应的视频对应的所述推荐相似度值。
23、在一种可能的实现方式中，所述计算模块，还用于以所述历史推荐视频序列向量作为分析参数，计算第i时刻对应的视频与所述历史推荐视频向量中其他时刻对应的视频之间的差异值并累加求和，得到第i时刻对应的视频对应的推荐反相似度值。
24、在一种可能的实现方式中，所述计算模块，还用于以所述历史推荐视频序列向量作为分析参数，基于第二自注意力机制网络计算第i时刻对应的视频与所述历史推荐视频向量中其他时刻对应的视频之间的差异值并累加求和，得到第i时刻对应的视频对应的所述推荐反相似度值。
25、在一种可能的实现方式中，所述计算模块，还用于将所述历史推荐视频序列向量对应的所述推荐相似度值输入至第一全连接层网络进行非线性拟合，得到第一中间视频推荐向量。
26、在一种可能的实现方式中，所述计算模块，还用于将所述历史推荐视频序列向量对应的所述推荐反相似度值输入至第二全连接层网络进行非线性拟合，得到第二中间视频推荐向量。
27、在一种可能的实现方式中，所述融合模块，还用于根据所述第一中间视频推荐向量和所述第二中间视频推荐向量对应的权重值将所述第一中间视频推荐向量和所述第二中间视频推荐向量进行相加，得到所述历史推荐视频序列向量对应的所述视频推荐向量。
28、在一种可能的实现方式中，所述获取模块，还用于获取所述目标账号的历史推荐视频序列；将所述历史推荐视频序列中的视频分别输入至特征提取网络进行特征提取，得到所述历史推荐视频序列向量。
29、根据本申请的一方面，提供了一种视频推荐模型的训练装置，所述装置包括：
30、获取模块，用于获取目标账号的历史推荐视频序列向量、候选视频集中本文档来自技高网...
【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：
2.根据权利要求1所述的方法，其特征在于，所述以所述历史推荐视频序列向量作为分析参数，得到所述历史推荐视频向量中每一个视频对应的推荐相似度值，包括：
3.根据权利要求2所述的方法，其特征在于，所述以所述历史推荐视频序列向量作为分析参数，计算第i时刻对应的视频与所述历史推荐视频向量中其他时刻对应的视频之间的相似度值并累加求和，得到第i时刻对应的视频对应的所述推荐相似度值，包括：
4.根据权利要求1所述的方法，其特征在于，所述以所述历史推荐视频序列向量作为分析参数，得到所述历史推荐视频向量中每一个视频对应的推荐反相似度值，包括：
5.根据权利要求4所述的方法，其特征在于，所述以所述历史推荐视频序列向量作为分析参数，计算第i时刻对应的视频与所述历史推荐视频向量中其他时刻对应的视频之间的差异值并累加求和，得到第i时刻对应的视频对应的所述推荐反相似度值，包括：
6.根据权利要求1至5任一所述的方法，其特征在于，所述对所述历史推荐视频序列向量中同一视频对应的所述推荐相似度值和所述推荐
7.根据权利要求1至5任一所述的方法，其特征在于，所述获取目标账号的历史推荐视频序列向量，包括：
8.一种视频推荐模型的训练方法，其特征在于，所述方法包括：
9.根据权利要求8所述的方法，其特征在于，所述以所述历史推荐视频序列向量作为分析参数，得到所述历史推荐视频向量中每一个视频对应的推荐相似度值，包括：
10.根据权利要求9所述的方法，其特征在于，所述视频推荐模型包括第一自注意力机制网络；
11.根据权利要求8所述的方法，其特征在于，所述以所述历史推荐视频序列向量作为分析参数，得到所述历史推荐视频向量中每一个视频对应的推荐反相似度值，包括：
12.根据权利要求11所述的方法，其特征在于，所述视频推荐模型还包括第二自注意力机制网络；
13.根据权利要求8至12任一所述的方法，其特征在于，所述视频推荐模型还包括第一全连接层网络、第二全连接层网络和特征融合网络；
14.根据权利要求8至12任一所述的方法，其特征在于，所述视频推荐模型还包括特征提取网络；
15.一种视频推荐装置，其特征在于，所述装置包括：
16.一种视频推荐模型的训练装置，其特征在于，所述装置包括：
17.一种计算机设备，其特征在于，所述计算机设备包括：处理器和存储器，所述存储器中存储有至少一条计算机程序，至少一条所述计算机程序由所述处理器加载并执行以实现如权利要求1至7中任一项所述的视频推荐方法，或，如权利要求8或14中任一项所述的视频推荐模型的训练方法。
18.一种计算机存储介质，其特征在于，所述计算机可读存储介质中存储有至少一条计算机程序，至少一条计算机程序由处理器加载并执行以实现如权利要求1至7中任一项所述的视频推荐方法，或，如权利要求8或14中任一项所述的视频推荐模型的训练方法。
19.一种计算机程序产品，其特征在于，所述计算机程序产品包括计算机程序，所述计算机程序存储在计算机可读存储介质中；所述计算机程序由计算机设备的处理器从所述计算机可读存储介质读取并执行，使得所述计算机设备执行如权利要求1至7中任一项所述的视频推荐方法，或，如权利要求8或14中任一项所述的视频推荐模型的训练方法。
...【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：
2.根据权利要求1所述的方法，其特征在于，所述以所述历史推荐视频序列向量作为分析参数，得到所述历史推荐视频向量中每一个视频对应的推荐相似度值，包括：
3.根据权利要求2所述的方法，其特征在于，所述以所述历史推荐视频序列向量作为分析参数，计算第i时刻对应的视频与所述历史推荐视频向量中其他时刻对应的视频之间的相似度值并累加求和，得到第i时刻对应的视频对应的所述推荐相似度值，包括：
4.根据权利要求1所述的方法，其特征在于，所述以所述历史推荐视频序列向量作为分析参数，得到所述历史推荐视频向量中每一个视频对应的推荐反相似度值，包括：
5.根据权利要求4所述的方法，其特征在于，所述以所述历史推荐视频序列向量作为分析参数，计算第i时刻对应的视频与所述历史推荐视频向量中其他时刻对应的视频之间的差异值并累加求和，得到第i时刻对应的视频对应的所述推荐反相似度值，包括：
6.根据权利要求1至5任一所述的方法，其特征在于，所述对所述历史推荐视频序列向量中同一视频对应的所述推荐相似度值和所述推荐反相似度值进行融合，得到所述历史推荐视频序列向量对应的视频推荐向量，包括：
7.根据权利要求1至5任一所述的方法，其特征在于，所述获取目标账号的历史推荐视频序列向量，包括：
8.一种视频推荐模型的训练方法，其特征在于，所述方法包括：
9.根据权利要求8所述的方法，其特征在于，所述以所述历史推荐视频序列向量作为分析参数，得到所述历史推荐视频向量中每一个视频对应的推荐相似度值，包括：
10.根据权利要求9所述的方法，其特征在于，所述视频推荐模型包括第一自注意力机制...
【专利技术属性】
技术研发人员：陈昊，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：
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。