一种视频推荐方法、装置、电子设备及存储介质制造方法及图纸

本发明专利技术实施例提供了一种视频推荐方法、装置、电子设备及存储介质，涉及网络数据处理技术领域，通过获取目标用户的属性特征、正向行为特征和负向行为特征；将目标用户的属性特征、正向行为特征和负向行为特征输入预先训练好的召回模型中的主网络；将目标用户的负向行为特征输入预先训练好的召回模型中的偏置网络；对得到的主网络对应的输出向量和得到的偏置网络对应的偏置向量进行融合，得到目标用户的兴趣表示向量；计算兴趣表示向量和多个待推荐视频的表示向量的相似度，并选取相似度最高的N个视频向目标用户进行推荐，以避免推荐目标用户不感兴趣的视频内容，提升视频推荐的精度。度。度。

【技术实现步骤摘要】
一种视频推荐方法、装置、电子设备及存储介质


[0001]本专利技术涉及网络数据处理
，特别是涉及一种视频推荐方法、装置、电子设备及存储介质。

技术介绍

[0002]目前，随着互联网的快速发展，通过各种视频平台观看视频休闲放松，也成为了很多人的休闲方式。而很多视频平台为了提高用户体验，往往向用户推荐一些用户可能感兴趣的视频，不但可以方便用户进行观看，还可以提高用户的体验。
[0003]然而，当前的视频网站在向用户进行视频的推荐时，往往是根据用户的观看记录进行推荐，利用用户观看了某一类型的视频，则向用户推荐该类型的视频。然而，在用户的观看记录中往往会包括一些用户并不感兴趣的视频，从而导致在根据历史浏览记录进行推荐时，推荐精度低的问题。

技术实现思路

[0004]本专利技术实施例的目的在于提供一种视频推荐方法、装置、电子设备及存储介质，以避免推荐目标用户不感兴趣的视频内容，提升视频推荐的精度。具体技术方案如下：
[0005]根据本专利技术实施例的第一方面，提供一种视频推荐方法，所述方法包括：
[0006]获取目标用户的属性特征、正向行为特征和负向行为特征；
[0007]将所述目标用户的属性特征、正向行为特征和负向行为特征输入预先训练好的召回模型中的主网络，得到所述主网络对应的输出向量；将所述目标用户的负向行为特征输入预先训练好的召回模型中的偏置网络，得到所述偏置网络对应的偏置向量；
[0008]对所述主网络对应的输出向量和所述偏置网络对应的偏置向量进行融合，得到所述目标用户的兴趣表示向量；
[0009]计算所述兴趣表示向量和多个待推荐视频的表示向量的相似度，并选取相似度最高的N个视频向所述目标用户进行推荐。
[0010]可选的，所述正向行为特征包括多个正向视频的特征信息，所述正向视频是所述目标用户的观看时长大于第一预设时长的视频；所述负向行为特征包括多个负向视频的特征信息，所述负向视频是所述目标用户的观看时长小于第二预设时长的视频；
[0011]所述将所述目标用户的属性特征、正向行为特征和负向行为特征输入预先训练好的召回模型中的主网络，得到所述主网络对应的输出向量，包括：
[0012]将所述目标用户的属性特征、正向行为特征和负向行为特征输入预先训练好的召回模型中的主网络；
[0013]对所述属性特征、所述正向视频的特征信息和所述负向视频的特征信息进行向量化，得到属性特征向量、正向行为特征向量、负向行为特征向量；
[0014]根据所述属性特征向量和所述正向行为特征向量，预测所述正向行为特征对应的各正向视频的权重，并通过各正向视频的权重对各所述正向视频的表示向量进行加权融
合，得到正向行为特征的向量表示；
[0015]根据所述属性特征向量和所述负向行为特征向量，预测所述负向行为特征对应的各负向视频的权重，并通过各负向视频的权重对各所述负向视频的表示向量进行加权融合，得到负向行为特征的向量表示；
[0016]对所述正向行为特征的向量表示和所述负向行为特征的向量表示进行融合，得到所述主网络对应的输出向量。
[0017]可选的，所述将所述目标用户的负向行为特征输入预先训练好的召回模型中的偏置网络，得到所述偏置网络对应的偏置向量，包括：
[0018]将所述目标用户的负向行为特征输入预先训练好的召回模型中的偏置网络；
[0019]通过所述偏置网络对所述负向行为特征进行向量化，得到负向行为特征向量；
[0020]对所述负向行为特征向量和所述主网络对应的输出向量进行拼接；
[0021]将拼接后的向量经过所述偏置网络的全连接层，输出得到所述偏置网络对应的偏置向量。
[0022]可选的，所述计算所述兴趣表示向量和多个待推荐视频的表示向量的相似度，并选取相似度最高的N个视频向所述目标用户进行推荐，包括：
[0023]计算所述兴趣表示向量和所述多个待推荐视频的表示向量的相似度；
[0024]按照计算得到的相似度从大到小的顺序对所述多个待推荐视频进行排序，得到排序后的视频序列；
[0025]选取所述视频序列中前N个视频向所述目标用户进行推荐。
[0026]根据本专利技术实施例的第二方面，提供一种召回模型训练方法，所述方法包括：
[0027]获取正样本视频和负样本视频，其中，所述正样本视频为多个目标用户的观看时长大于第一预设时长的视频，所述负样本视频为多个所述目标用户的观看时长小于第二预设时长的视频；
[0028]将所述正样本视频和负样本视频输入待训练召回模型，分别得到正样本视频表示向量和负样本视频表示向量；
[0029]获取并将所述目标用户的属性特征、正向行为特征和负向行为特征输入待训练召回模型，得到所述目标用户的预测兴趣表示向量；
[0030]计算所述预测兴趣表示向量与所述正样本视频表示向量之间的第一差值，和所述预测兴趣表示向量与所述负样本视频表示向量的第二差值；
[0031]根据所述第一差值和所述第二差值对所述待训练召回模型的参数进行调整，并返回所述将所述正样本视频和负样本视频输入待训练召回模型，分别得到正样本视频表示向量和负样本视频表示向量的步骤继续训练，直至满足预设要求得到训练好的召回模型。
[0032]根据本专利技术实施例的第三方面，提供一种视频推荐装置，所述装置包括：
[0033]特征获取模块，用于获取目标用户的属性特征、正向行为特征和负向行为特征；
[0034]网络输出模块，用于将所述目标用户的属性特征、正向行为特征和负向行为特征输入预先训练好的召回模型中的主网络，得到所述主网络对应的输出向量；将所述目标用户的负向行为特征输入预先训练好的召回模型中的偏置网络，得到所述偏置网络对应的偏置向量；
[0035]向量融合模块，用于对所述主网络对应的输出向量和所述偏置网络对应的偏置向
量进行融合，得到所述目标用户的兴趣表示向量；
[0036]视频推荐模块，用于计算所述兴趣表示向量和多个待推荐视频的表示向量的相似度，并选取相似度最高的N个视频向所述目标用户进行推荐。
[0037]可选的，所述正向行为特征包括多个正向视频的特征信息，所述正向视频是所述目标用户的观看时长大于第一预设时长的视频；所述负向行为特征包括多个负向视频的特征信息，所述负向视频是所述目标用户的观看时长小于第二预设时长的视频；
[0038]所述网络输出模块，包括：
[0039]特征输入子模块，用于将所述目标用户的属性特征、正向行为特征和负向行为特征输入预先训练好的召回模型中的主网络；
[0040]特征向量生成子模块，用于对所述属性特征、所述正向视频的特征信息和所述负向视频的特征信息进行向量化，得到属性特征向量、正向行为特征向量、负向行为特征向量；
[0041]正向行为特征的向量表示生成子模块，用于根据所述属性特征向量和所述正向行为特征向量，预测所述正向行为特征对应的各正向视频的权重，并通过各正向视频本文档来自技高网...

【技术保护点】

【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：获取目标用户的属性特征、正向行为特征和负向行为特征；将所述目标用户的属性特征、正向行为特征和负向行为特征输入预先训练好的召回模型中的主网络，得到所述主网络对应的输出向量；将所述目标用户的负向行为特征输入预先训练好的召回模型中的偏置网络，得到所述偏置网络对应的偏置向量；对所述主网络对应的输出向量和所述偏置网络对应的偏置向量进行融合，得到所述目标用户的兴趣表示向量；计算所述兴趣表示向量和多个待推荐视频的表示向量的相似度，并选取相似度最高的N个视频向所述目标用户进行推荐。2.根据权利要求1所述的方法，其特征在于，所述正向行为特征包括多个正向视频的特征信息，所述正向视频是所述目标用户的观看时长大于第一预设时长的视频；所述负向行为特征包括多个负向视频的特征信息，所述负向视频是所述目标用户的观看时长小于第二预设时长的视频；所述将所述目标用户的属性特征、正向行为特征和负向行为特征输入预先训练好的召回模型中的主网络，得到所述主网络对应的输出向量，包括：将所述目标用户的属性特征、正向行为特征和负向行为特征输入预先训练好的召回模型中的主网络；对所述属性特征、所述正向视频的特征信息和所述负向视频的特征信息进行向量化，得到属性特征向量、正向行为特征向量、负向行为特征向量；根据所述属性特征向量和所述正向行为特征向量，预测所述正向行为特征对应的各正向视频的权重，并通过各正向视频的权重对各所述正向视频的表示向量进行加权融合，得到正向行为特征的向量表示；根据所述属性特征向量和所述负向行为特征向量，预测所述负向行为特征对应的各负向视频的权重，并通过各负向视频的权重对各所述负向视频的表示向量进行加权融合，得到负向行为特征的向量表示；对所述正向行为特征的向量表示和所述负向行为特征的向量表示进行融合，得到所述主网络对应的输出向量。3.根据权利要求1所述的方法，其特征在于，所述将所述目标用户的负向行为特征输入预先训练好的召回模型中的偏置网络，得到所述偏置网络对应的偏置向量，包括：将所述目标用户的负向行为特征输入预先训练好的召回模型中的偏置网络；通过所述偏置网络对所述负向行为特征进行向量化，得到负向行为特征向量；对所述负向行为特征向量和所述主网络对应的输出向量进行拼接；将拼接后的向量经过所述偏置网络的全连接层，输出得到所述偏置网络对应的偏置向量。4.根据权利要求1所述的方法，其特征在于，所述计算所述兴趣表示向量和多个待推荐视频的表示向量的相似度，并选取相似度最高的N个视频向所述目标用户进行推荐，包括：计算所述兴趣表示向量和所述多个待推荐视频的表示向量的相似度；按照计算得到的相似度从大到小的顺序对所述多个待推荐视频进行排序，得到排序后的视频序列；
选取所述视频序列中前N个视频向所述目标用户进行推荐。5.一种召回模型训练方法，其特征在于，所述方法包括：获取正样本视频和负样本视频，其中，所述正样本视频为多个目标用户的观看时长大于第一预设时长的视频，所述负样本视频为多个所述目标用户的观看时长小于第二预设时长的视频；将所述正样本视频和负样本视频输入待训练召回模型，分别得到正样本视频表示向量和负样本视频表示向量；获取并将所述目标用户的属性特征、正向行为特征和负向行为特征输入待训练召回模型，得到...

【专利技术属性】
技术研发人员：朱贤武，江三锋，
申请(专利权)人：北京奇艺世纪科技有限公司，
类型：发明
国别省市：