【技术实现步骤摘要】
本专利技术涉及推荐算法领域，具体涉及基于实时兴趣增强的短视频推荐方法及系统。
技术介绍
1、随着移动互联网的不断发展，短视频平台已经成为新一代互联网用户重要的娱乐和社交工具，全球每天有上亿用户消费大量的短视频内容，短视频平台在互联网用户群体中有着极高的渗透率。短视频相较于长视频具有播放时长短的特点，用户会在一次交互过程中浏览较多的短视频，因此利用用户的历史交互信息进行序列化建模，是提高用户体验的有效途径。
2、例如公布号为cn117150075a的现有专利技术专利申请文献《一种基于数据分析的短视频智能推荐系统》，该现有系统包括：管理平台、数据采集单元、视频划分单元、热度分析单元、自带流量分析单元、显示执行单元、发布监管分析单元以及监督分析单元；本专利技术通过对待推荐用户的历史信息进行视频划分监管分析，以便根据历史信息反馈情况分析待推荐用户喜欢的短视频类型，以便合理的进行兴趣类型视频推荐，且通过采集兴趣类型的自身数据和流传数据，即从发布者自身所带的热度和发布后视频所引起的热度两个角度进行评估分析。以及公布号为cn114896454a的现有专利技术专利申请文献《一种基于标签分析的短视频数据推荐方法及系统》，该现有方法包括：通过将每个第一用户行为活动数据分别加载至设定知识实体网络中进行规则化转换，并生成对应的第二用户行为活动数据，提高后续进行挖掘处理的可靠性，从不同短视频推荐维度划分为多个短视频推荐服务将对应的第二用户行为活动数据加载至对应的短视频推荐服务中，从而提取每个短视频推荐服务关联的所有第二用户行为活动数据后，加载
3、综上，现有技术存在难以结合用户的当前兴趣进行准确的个性化推荐的技术问题。
技术实现思路
1、本专利技术所要解决的技术问题在于：如何解决现有技术中难以结合用户的当前兴趣进行准确的个性化推荐的技术问题。
2、本专利技术是采用以下技术方案解决上述技术问题的：基于实时兴趣增强的短视频推荐方法包括：
3、s1、在嵌入表示层，将短视频浏览序列进行嵌入表示，划分得到用户的长期历史交互序列、短期历史交互序列以及实时历史交互序列，供提取长期兴趣特征、短期兴趣特征以及实时兴趣特征；其中，将短视频浏览序列转化为有向图，将短视频浏览序列中的短视频作为图节点，根据用户视频点击信息，确定图节点之间的边，设置边的标准化权重，使用门控图神经网络，建模得到有向图中的节点对应向量，以更新节点信息，通过进行节点间相互通信学习，得到序列特征；
4、s2、在多兴趣提取层，根据序列特征进行长期兴趣提取操作、短期兴趣提取操作以及实时兴趣提取操作，通过门控循环单元gru，整合用户的长期兴趣特征、短期兴趣特征以及实时兴趣特征，对实时兴趣特征的进行权重强化处理，以进行用户当前行为需求相应操作，其中，多兴趣提取层包括但不限于：长期兴趣提取模块、短期兴趣提取模块以及实时兴趣提取模块；
5、s3、在兴趣融合层，采用基于门控机制的实时兴趣增强融合网络，根据权重系数调整差异兴趣占比，利用门控循环单元设计兴趣融合模块，融合处理长期兴趣特征、短期兴趣特征以及实时兴趣特征，求取用户兴趣动态变化敏感性数据。
6、本专利技术基于实时兴趣增强进行短视频推荐算法，将用户历史交互序列分为长期、短期、实时三个维度，精心设计不同的网络结构提取每个维度的兴趣特征，并通过门控循环单元(gate recurrent unit，gru)有效的整合了用户的长期兴趣偏好、短期行为变化以及即时需求，适应用户在不同时间尺度上的兴趣变化，并通过强化实时兴趣的权重，使其突出响应用户当前的行为和需求。通过在多个数据集上进行实验，与基线算法进行对比，证明了该算法的有效性。
7、在更具体的技术方案中，s1中，利用下述逻辑，学习获取序列特征：
8、
9、
10、式中，和为模型中可学习的参数，表示用户交互的短视频列表，rs，i表示更新门，zs，i表示重置门，⊙表示矩阵之间的哈达玛乘积，σ表示sigmoid激活函数。
11、在更具体的技术方案中，s1的节点间相互通信学习，包括：
12、s11、根据节点、标准化权重以及边，进行建模操作；
13、s12、根据短视频浏览序列，处理得到图结构表示；
14、s13、根据图结构表示，计算节点的输出边权重、输入边权重，得到出度矩阵、入度矩阵；
15、s14、利用门控图神经网络，学习短视频浏览序列中的项目隐藏表示，通过门控机制保留交互序列信息，以得到并输出每个节点对应的嵌入表示，以作为节点对应向量。
16、在更具体的技术方案中，s2中的长期兴趣提取模块中，利用长周期历史数据对用户行为进行建模，计算注意力权重，对短视频浏览序列中的不同部分进行加权聚焦操作，以保留长期兴趣特征。
17、在更具体的技术方案中，在实时兴趣提取模块中，利用基于注意力机制的实时兴趣提取网络，计算实时兴趣相对于序列行为的注意力得分；利用softmax函数对注意力得分中的重要性信息进行归一化、加权相乘操作，得到实时兴趣特征，其中，利用下述逻辑，进行归一化、加权相乘操作：
18、
19、f(q,i)＝(i·tanh(wf·q+bf))·wh
20、式中，ei表示用户短期行为序列中每个项目的嵌入表示，表示用户的实时兴趣的嵌入表示，f(q，i)是一个注意力方法，它定义了实时序列中的视频相对于短期行为序列中的每一项的权重。wf与wh都是可学习的参数矩阵。
21、本专利技术针对用户推荐列表需要根据用户的实时反馈进行兴趣增强的问题，设计了基于实时兴趣增强的短视频序列推荐方法。该模型主要分为嵌入表示层、多兴趣提取层、兴趣融合层、预测层四个部分，嵌入表示层用于获取短视频序列特征的嵌入表示。
22、在更具体的技术方案中，在加权聚焦操作中，通过一组浅层神经网络，拼接短视频浏览序列中的短视频嵌入表示与目标短视频嵌入表示，以处理得到注意力权重；其中，浅层神经网络包括：dice激活函数、线性变换组件；处理注意力权重，并进行sum pooling计算得到长期兴趣特征，其中，利用下述逻辑，计算长期兴趣特征：
23、
24、式本文档来自技高网...
【技术保护点】
1.基于实时兴趣增强的短视频推荐方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于实时兴趣增强的短视频推荐方法，，其特征在于，所述S1中，利用下述逻辑，学习获取所述序列特征：
3.根据权利要求1所述的基于实时兴趣增强的短视频推荐方法，，其特征在于，所述S1的所述节点间相互通信学习，包括：
4.根据权利要求1所述的基于实时兴趣增强的短视频推荐方法，，其特征在于，所述S2中的所述长期兴趣提取模块中，利用长周期历史数据对用户行为进行建模，计算注意力权重，对所述短视频浏览序列中的不同部分进行加权聚焦操作，以保留所述长期兴趣特征。
5.根据权利要求4所述的基于实时兴趣增强的短视频推荐方法，，其特征在于，在所述加权聚焦操作中，通过一组浅层神经网络，拼接所述短视频浏览序列中的短视频嵌入表示与目标短视频嵌入表示，以处理得到注意力权重；其中，所述浅层神经网络包括：Dice激活函数、线性变换组件；处理所述注意力权重，并进行Sum Pooling计算得到所述长期兴趣特征，其中，利用下述逻辑，计算所述长期兴趣特征：
6.根据权利要求
7.根据权利要求6所述的基于实时兴趣增强的短视频推荐方法，，其特征在于，利用所述水平卷积滤波器，在项目矩阵上进行滑动提取操作，利用下述逻辑，进行所述华东提取操作，以得到所述相邻项目间交互特征：
8.根据权利要求7所述的基于实时兴趣增强的短视频推荐方法，，其特征在于，利用所述垂直卷积滤波器，沿着项目序列矩阵的向量维度进行滑动特征提取操作，提取得到同一项目的不同维度之间的交互特征；使用最大池化操作对所述垂直卷积滤波器的输出进行处理并进行连接操作，得到所述相邻项目间交互特征，其中，利用所述垂直卷积滤波器，以下述逻辑进行所述滑动提取操作：
9.根据权利要求1所述的基于实时兴趣增强的短视频推荐方法，其特征在于，所述S3中，利用下述逻辑，求取所述兴趣动态变化敏感性数据：
10.基于实时兴趣增强的短视频推荐系统，其特征在于，所述系统包括：
...【技术特征摘要】
1.基于实时兴趣增强的短视频推荐方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于实时兴趣增强的短视频推荐方法，，其特征在于，所述s1中，利用下述逻辑，学习获取所述序列特征：
3.根据权利要求1所述的基于实时兴趣增强的短视频推荐方法，，其特征在于，所述s1的所述节点间相互通信学习，包括：
4.根据权利要求1所述的基于实时兴趣增强的短视频推荐方法，，其特征在于，所述s2中的所述长期兴趣提取模块中，利用长周期历史数据对用户行为进行建模，计算注意力权重，对所述短视频浏览序列中的不同部分进行加权聚焦操作，以保留所述长期兴趣特征。
5.根据权利要求4所述的基于实时兴趣增强的短视频推荐方法，，其特征在于，在所述加权聚焦操作中，通过一组浅层神经网络，拼接所述短视频浏览序列中的短视频嵌入表示与目标短视频嵌入表示，以处理得到注意力权重；其中，所述浅层神经网络包括：dice激活函数、线性变换组件；处理所述注意力权重，并进行sum pooling计算得到所述长期兴趣特征，其中，利用下述逻辑，计算所述长期兴趣特征：
6.根据权利要求4所述的基于实时兴趣增强的短视频推荐方法，，其特征在于，所述s2中的所述短期兴趣提取...
【专利技术属性】
技术研发人员：陈世展，安海龙，李森，
申请(专利权)人：天津大学合肥创新发展研究院，
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。