视频推荐方法、装置、电子设备和存储介质制造方法及图纸

本发明专利技术实施例提供一种视频推荐方法、装置、电子设备和存储介质。所述方法包括获取用户在预设时间段内的目标人口统计学特征对应的特征向量embelding和目标历史视频特征对应的embelding，其中，所述目标人口统计学特征对应的embelding包括目标显著特征的embelding和目标不显著特征embelding；根据目标显著特征对应的embelding、目标不显著特征对应的embelding和目标历史视频特征对应的embelding，以及预先建立的深度评分模型，确定用户对每一候选视频的评分；根据用户对每一候选视频的评分，确定用户的推荐视频。所述方法通过考虑所述用户的目标不显著特征对应的embelding对于视频推荐的影响，可更加全面对候选模型进行进一步筛选，得到更符合用户偏好的推荐视频，能够提高视频推荐的准确性。

Video recommendation methods, devices, electronic devices and storage media

【技术实现步骤摘要】
视频推荐方法、装置、电子设备和存储介质
本专利技术实施例涉及一种通信
，特别是一种视频推荐方法、装置、电子设备和存储介质。
技术介绍
随着互联网飞速发展，现今视频网站有着海量的视频与用户，给每位用户提供其感兴趣的视频推荐列表，避免因为用户淹没在过载信息中而导致用户的流失，是个性化视频推荐领域的核心问题，也是当下的热点与难点。良好的个性化视频推荐系统通过户历史观看行为、用户基本信息及视频信息等特征，建立用户与视频的较为精确的关系，以此对用户的未来观看行为进行有效预测，从而提供其感兴趣的视频列表。协同过滤是现今推荐系统中应用最为成熟的一个推荐算法系类，它分为基于用户的协同过滤与基于物品的协同过滤两个子类。基于用户的协同过滤根据不同用户对相同商品或内容的态度和偏好程度计算用户之间的关系，在有相同喜好的用户间进行商品推荐；基于物品的协同过滤通过计算不同用户对不同物品的评分获得物品间的关系。基于物品间的关系对用户进行相似物品的推荐。然而协同过滤对于物品的特征描述单一，难以找到相似物品或用户，随着深度学习在诸多领域取得巨大成果，其能融合多样性特征及处理海量数据的优势凸显。在此背景下，拥有海量视频与用户的YouTube提出了基于深度神经网络的个性化视频推荐系统。该系统的深度学习模型采用多层感知器(Multi-layerPerceptron，MLP)作为深度神经网络模型，以用户人口统计学特征(如用户ID、年龄、性别)、用户行为特征及视频特征对应的embeddings(特征向量)作为输入，输出推荐视频。现有技术的基于深度学习的推荐系统存在以下技术问题:实际应用中，用户是否会观看推荐视频的原因比较复杂，根据用户搜索历史与观看历史为用户确定的推荐视频，用户可能仍然没有兴趣点开观看，导致推荐视频的准确性不高。目前，现有技术还没有相应的方法来解决上述问题。
技术实现思路
针对现有技术的缺陷，本专利技术实施例提供一种视频推荐方法、装置、电子设备和存储介质。一方面，本专利技术实施例提供一种视频推荐方法，所述方法包括：获取用户在预设时间段内的所述用户的目标人口统计学特征对应的特征向量embelding和所述用户的目标历史视频特征对应的embelding，其中，所述目标人口统计学特征对应的embelding包括目标显著特征的embelding和目标不显著特征embelding；根据所述目标显著特征对应的embelding、所述目标不显著特征对应的embelding和所述目标历史视频特征对应的embelding，以及预先建立的深度评分模型，确定所述用户对每一候选视频的评分，所述深度评分模型表示显著特征对应的embelding、不显著特征对应的embelding和历史视频特征对应的embelding与每一候选视频的评分的对应关系，所述候选视频是预先获得的与所述目标历史视频特征相似的视频；根据所述用户对每一候选视频的评分，确定所述用户的推荐视频。另一方面，本专利技术实施例提供一种视频推荐装置，所述装置包括：获取模块，用于获取用户在预设时间段内的所述用户的目标人口统计学特征对应的特征向量embelding和所述用户的目标历史视频特征对应的embelding，其中，所述目标人口统计学特征对应的embelding包括目标显著特征的embelding和目标不显著特征embelding；确定模块，用于根据所述目标显著特征对应的embelding、所述目标不显著特征对应的embelding和所述目标历史视频特征对应的embelding，以及预先建立的深度评分模型，确定所述用户对每一候选视频的评分，所述深度评分模型表示显著特征对应的embelding、不显著特征对应的embelding和历史视频特征对应的embelding与每一候选视频的评分的对应关系，所述候选视频是预先获得的与所述目标历史视频特征相似的视频；推荐模块，用于根据所述用户对每一候选视频的评分，确定所述用户的推荐视频。另一方面，本专利技术实施例还提供一种电子设备，包括存储器、处理器、总线以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以上的步骤。另一方面，本专利技术实施例还提供一种存储介质，其上存储有计算机程序，所述程序被处理器执行时实现以上的步骤。由上述技术方案可知，本专利技术实施例提供的视频推荐方法、装置、电子设备和存储介质，所述方法通过考虑所述用户的目标不显著特征对应的embelding对于视频推荐的影响，可更加全面对候选模型进行进一步筛选，得到更符合用户偏好的推荐视频，能够提高视频推荐的准确性。附图说明图1为本专利技术实施例提供的一种视频推荐方法的流程示意图；图2为本专利技术又一实施例提供的一种视频推荐方法的流程示意图；图3为本专利技术又一实施例提供的视频推荐方法的深度候选模型和深度评分模型的示意图；图4为本专利技术又一实施例提供的一种视频推荐装置的结构示意图；图5为本专利技术又一实施例提供的一种电子设备的结构示意图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，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地描述，显然，所描述的实施例是本专利技术实施例一部分实施例，而不是全部的实施例。本专利技术实施例可应用至多种深度学习系统中，如TensorFlow等。TensorFlow是谷歌研发的学习系统，包括有深度学习的基本框架，支持机器学习中的神经网络、逻辑回归、多层感知器等基础学习方法。图1示出了本专利技术实施例提供的一种视频推荐方法的流程示意图。如图1所示，本专利技术实施例提供的方法具体包括以下步骤：步骤11、获取用户在预设时间段内的所述用户的目标人口统计学特征对应的特征向量embelding和所述用户的目标历史视频特征对应的embelding，其中，所述目标人口统计学特征对应的embelding包括目标显著特征的embelding和目标不显著特征embelding；在步骤11之前，TensorFlow系统收集所述用户的原始数据，原始数据包括所述用户的行为信息特征和目标人口统计学特征。通过收集行为信息特征和目标人口统计学特征，分析用户的行为偏好、兴趣点等，刻画用户本质需求的属性集合，为每一个用户生成特有的画像。可选地，所述行为信息特征包括用户ID、观看历史、观看时长、搜索历史、浏览历史、剩余流量、手机品牌等。根据所述行为信息特征的观看历史、搜索历史、浏览历史，获取所述用户的目标历史视频特征。通过获取所述用户的目标历史视频特征，为个性化视频推荐提供可靠的数据来源。可选地，目标历史视频特征为所述用户在预设时间段内观看和搜索过的视频的特征，例如视频的内容类型、发行时间。可选地，所述目标人口统计学特征包括有关用户的显著特征，所述目标显著特征是根据以下至少其中一者得到的：用户ID、年龄、性别。可选地，所述目标人口统计学特征还包括有关用户的目标不显著特征。不显著特征是将包括多个维度、只有其中少量维度上可有效地表达与视频的相关性的特征，即属于稀疏特征。在本专利技术实施例中，将属于稀疏特征的目标人口统计学特征称为不显著特征。所述不显著特征可能无法直接有效的影响视频推荐的效果，即所述不显著特征可能无法直接有效的影响用户是否会打开推荐的视频，但若完全忽略，也将影响视频推荐的准确性。可选地，em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：获取用户在预设时间段内的所述用户的目标人口统计学特征对应的特征向量embelding和所述用户的目标历史视频特征对应的embelding，其中，所述目标人口统计学特征对应的embelding包括目标显著特征的embelding和目标不显著特征embelding；根据所述目标显著特征对应的embelding、所述目标不显著特征对应的embelding和所述目标历史视频特征对应的embelding，以及预先建立的深度评分模型，确定所述用户对每一候选视频的评分，所述深度评分模型表示显著特征对应的embelding、不显著特征对应的embelding和历史视频特征对应的embelding与每一候选视频的评分的对应关系，所述候选视频是预先获得的与所述目标历史视频特征相似的视频；根据所述用户对每一候选视频的评分，确定所述用户的推荐视频。

【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：获取用户在预设时间段内的所述用户的目标人口统计学特征对应的特征向量embelding和所述用户的目标历史视频特征对应的embelding，其中，所述目标人口统计学特征对应的embelding包括目标显著特征的embelding和目标不显著特征embelding；根据所述目标显著特征对应的embelding、所述目标不显著特征对应的embelding和所述目标历史视频特征对应的embelding，以及预先建立的深度评分模型，确定所述用户对每一候选视频的评分，所述深度评分模型表示显著特征对应的embelding、不显著特征对应的embelding和历史视频特征对应的embelding与每一候选视频的评分的对应关系，所述候选视频是预先获得的与所述目标历史视频特征相似的视频；根据所述用户对每一候选视频的评分，确定所述用户的推荐视频。2.根据权利要求1所述的方法，其特征在于:所述深度评分模型包括深度模型和广度模型；相应地，所述确定所述用户对每一候选视频的评分的步骤具体为：将所述目标不显著特征对应的embelding输入至所述深度模型，进行特征提取，输出具代表性的目标不显著特征对应的embelding；拼接所述具代表性的目标不显著特征对应的embelding和所述目标显著特征对应的embelding和所述目标历史视频特征对应的embelding，得到拼接embelding；将所述拼接embelding输入至所述广度模型，输出所述用户对每一候选视频的评分，所述广度模型表示拼接embelding与每一候选视频的评分的对应关系。3.根据权利要求2所述的方法，其特征在于:所述将拼接embelding输入至所述广度模型，输出所述用户对每一候选视频的评分的步骤具体为：将所述拼接embelding输入至所述广度模型，以训练用户对每一候选视频的观看时长比作为标签，输出所述用户对每一候选视频的评分。4.根据权利要求1所述的方法，其特征在于:所述确定所述用户对每一候选视频的评分的步骤之前，所述方法还包括：根据所述目标历史视频特征对应的embelding，以及预先建立的深度候选模型，确定所述用户对应的多个候选视频，所述深度候选模型表示历史视频特征对应的embelding与每一候选视频的对应关系。5.根据权利要求1所述的方法，其特征在于：所述获取用户在预设时间段内的所述用户的目标人口统计学特征对应的特征向量emb...

【专利技术属性】
技术研发人员：汤人杰，翁乐怡，张式勤，严昱超，钱岭，全兵，刘婷，
申请(专利权)人：中国移动通信集团浙江有限公司，中国移动通信集团公司，中移苏州软件技术有限公司，
类型：发明
国别省市：浙江,33