【技术实现步骤摘要】
基于RNN神经网络的在线动态视频推荐方法
[0001]本专利技术属于多模态数据处理推荐算法领域,尤其涉及基于RNN神经网络的在线动态视频推荐方法。
技术介绍
[0002]日益兴起的短视频应用,其如何更好的针对用户的兴趣推荐相应的视频,是关系其用户满意度和进一步发展的重要方面。尽管相关领域发展迅速,但在线的视频推荐仍是一个需要进一步研究的领域。
[0003]个性化视频推荐是通过分析用户在在线社交网络中留下的各种可用信息,例如浏览记录与评分情况,来分析用户的偏好和兴趣。通常,视频推荐算法可分为基于协作过滤的方法、基于内容的方法或混合方法。基于协作过滤的方法用于预测用户的评分,且根据其他用户的偏好播放视频。基于内容的方法是计算视频和用户历史观看视频之间的相似性,以供推荐。混合方法通常将上述两种方法结合在一个更复杂的框架中。虽然这些算法在各种设置下的个性化视频推荐领域表现出了良好的性能,但大多数方法都假设用户兴趣是静态的。事实上,随着时间的推移,静态假设不足以反映用户的动态兴趣,尤其是在视频内容发生剧烈变化、用户兴趣在不同主题上频繁改变的在线视频推荐场景中。因此,利用动态用户兴趣进行在线视频推荐是至关重要的。
技术实现思路
[0004]针对现有技术中的不足,本专利技术提出了一种动态推荐视频的框架,其由三部分组成,分别是视频语义嵌入、用户兴趣建模和用户相关性挖掘。所提出的视频推荐框架综合考虑三个因素来学习用户的动态偏好,最终通过将各个因素损失最小化作为一个整体来进行模型训练。
[0005]本专利 ...
【技术保护点】
【技术特征摘要】
1.基于RNN神经网络的在线动态视频推荐方法,其特征在于,包括以下步骤:步骤1、提取视频视觉特征与文本特征;步骤2、用户兴趣建模;步骤3、用户相关性挖掘;步骤4、联合统一框架。2.根据权利要求1所述的基于RNN神经网络的在线动态视频推荐方法,其特征在于:所述步骤1中对于视频的视觉特征提取,采用经典的VGG19卷积网络模型,并使用其FC6层的4096维度的特征以及C3D卷积网络模型的FC6层的4096维度的特征,使用均值池的方式将两个特征连接在一起,最终生成8192维度的特征向量;使用CNN句子模型的最后一个卷积层生成文本特征。3.根据权利要求2所述的基于RNN神经网络的在线动态视频推荐方法,其特征在于,通过两个转换矩阵和将视频中视觉和文本特征投射到公共语义空间中,其中D
v
、D
t
和D
e
分别表示视觉特征、文本特征和嵌入特征的维数,视频v的嵌入表示可以通过v
e
=T
v
v和v
e
=T
t
t获得,通过下面最小化下式(1)定义的对比损失以优化语义嵌入:其中,Λ
e
和Γ
e
分别是归一化的视觉嵌入向量和文本嵌入向量,t
′
e
是对于视觉嵌入v
e
的负文本嵌入,v
′
e
是对于文本嵌入t
e
的负视觉嵌入,τ1是对比边界。4.根据权利要求1所述的基于RNN神经网络的在线动态视频推荐方法,其特征在于,所述步骤2中通过整合每个用户实时行为流的主题分布,导出当前时间用户感兴趣的主题表示,其中时间衰减用于对行为流进行加权,将用户感兴趣的话题定义为如下表达式:其中,m
i
表示用户对第i个主题的感兴趣程度,B
u
是用户的历史行为,|t
‑
t
i
|指示用户行为i的当前时间与历史时间的差值。N
u
是正则化系数,λ是时间衰减参数。5.根据权利要求4所述的基于RNN神经网络的在线动态视频推荐方法,其特征在于:采用两个变换矩阵和将视频语义嵌入和用户感兴趣的主题投射到一个公共空间中,其中D
u
是学习到的用户主题表示维度。6.根据权利要求1所述的基于RNN神经网络的在线动态视频推荐方法,其特征在于:采用式(3)和等式(4)计算视频语义嵌入和用户感兴趣主题之间的距离,下式(3)中整合用户观看列表的视频语义嵌入,在等式(4)中定义距离损失:在等式(4)中定义距离损失:其中,和分别是用户u观看视频的视觉和文本嵌入向量,|t
‑
t
e
...
【专利技术属性】
技术研发人员:魏轲,魏辉辉,
申请(专利权)人:江苏创亿信息科技有限公司,
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。