[发明专利]一种短视频推荐方法、装置和可读介质

权利要求书

1.一种短视频推荐方法，其特征在于，包括：

在接收到短视频拉取请求后，获取用户历史观看的短视频列表和未观看的短视频列表构成的短视频序列，所述短视频序列中包含各个短视频的标识信息；

根据所述短视频序列和训练得到的用于表征所有短视频特征的短视频特征矩阵，确定用于表征所述短视频序列中的短视频特征的序列向量；

根据所述序列向量和训练得到的短视频推荐模型，确定所述未观看的短视频列表中各个短视频的概率；所述短视频推荐模型由两个长短期记忆LSTM模型和深度神经网络DNN模型构成；所述短视频推荐模型的训练样本为历史观看的短视频和未来观看短视频及所述未来观看短视频的标签结果构成，其中，所述未来观看短视频为以采集时间点为基准未来时间段内产生的短视频；所述短视频推荐模型的模型训练结束条件为输出结果与所述未来观看短视频的标签结果在允许的差距范围内；

根据各个短视频的概率，向所述用户推荐感兴趣的短视频。

2.如权利要求1所述的方法，其特征在于，所述短视频的标识信息为所述短视频的编号；以及根据所述短视频序列和训练得到的用于表征所有短视频特征的短视频特征矩阵，确定用于表征所述短视频序列中的短视频特征的序列向量，具体包括：

针对短视频序列中每一短视频，从所述短视频特征矩阵中提取出与该短视频的编号相同的行向量，并将该行向量确定为该短视频的视频向量；

将基于所述短视频序列中各个短视频得到的视频向量构成用于表征所述短视频序列中的短视频特征的序列向量。

3.如权利要求2所述的方法，其特征在于，所述用于表征所有短视频特征的短视频特征矩阵为对各个用户历史观看的短视频列表，利用嵌入embedding学习算法进行训练得到的。

4.如权利要求1所述的方法，其特征在于，按照下述方法对所述短视频推荐模型进行训练：

获取训练样本；

对所述训练样本进行embedding处理得到用于表征训练样本中的短视频特征的训练特征矩阵；

利用所述训练特征矩阵对所述短视频推荐模型进行训练。

5.如权利要求4所述的方法，其特征在于，利用所述训练特征矩阵对所述短视频推荐模型进行训练，具体包括：

将所述训练特征矩阵输入到第一层LSTM模型中；并

将所述第一层LSTM模型的输出结果输入到第二层LSTM模型中，从第二层LSTM模型的输出结果中提取所述未来观看短视频对应的输出结果；并

将所述未来观看短视频对应的输出结果输入到DNN模型中；

根据所述DNN模型的输出结果以及所述未来观看短视频的标签结果，对所述embedding学习算法、第一层LSTM模型、第二层LSTM模型和/或DNN模型中的神经元的权重进行调整，直至DNN模型的输出结果与所述未来观看短视频的标签结果达到模型训练结束条件为止。

6.一种短视频推荐装置，其特征在于，包括：

获取单元，用于在接收到短视频拉取请求后，获取用户历史观看的短视频列表和未观看的短视频列表构成的短视频序列，所述短视频序列中包含各个短视频的标识信息；

第一确定单元，用于根据所述短视频序列和训练得到的用于表征所有短视频特征的短视频特征矩阵，确定用于表征所述短视频序列中的短视频特征的序列向量；

第二确定单元，用于根据所述序列向量和训练得到的短视频推荐模型，确定所述未观看的短视频列表中各个短视频的概率；所述短视频推荐模型由两个长短期记忆LSTM模型和深度神经网络DNN模型构成；所述短视频推荐模型的训练样本为历史观看的短视频和未来观看短视频及所述未来观看短视频的标签结果构成，其中，所述未来观看短视频为以采集时间点为基准未来时间段内产生的短视频；所述短视频推荐模型的模型训练结束条件为输出结果与所述未来观看短视频的标签结果在允许的差距范围内；

推荐单元，用于根据各个短视频的概率，向所述用户推荐感兴趣的短视频。