[发明专利]视频推荐方法、装置和计算机可读存储介质

权利要求书

1.一种视频推荐方法，其特征在于，包括：

获取样本用户的用户特征和样本视频的视频特征；

分别在用户侧神经网络和视频侧神经网络对点击率、点赞率和关注率进行联合学习，所述用户特征和所述视频特征的部分特征是共享的；

根据联合学习获得的神经网络算法的网络参数，得到视频的推荐列表，所述根据联合学习获得的神经网络算法的网络参数，得到视频的推荐列表的步骤，包括：

接收目标用户的视频获取请求；获取所述目标用户的视频特征和用户特征；在用户侧神经网络计算用户侧的点击率的顶层向量、用户侧的点赞率的顶层向量和用户侧的关注率的顶层向量；在视频侧神经网络计算视频侧的点击率的顶层向量、视频侧的点赞率的顶层向量和视频侧的关注率的顶层向量；分别计算所述用户侧的点击率的顶层向量和视频侧的点击率的顶层向量的内积距离、所述用户侧的点赞率的顶层向量和视频侧的点赞率的顶层向量的内积距离和所述用户侧的关注率的顶层向量和视频侧的关注率的顶层向量的内积距离；根据所述点击率的内积距离、所述点赞率的内积距离和所述关注率的内积距离对目标视频进行排序，得到所述目标视频的推荐列表。

2.根据权利要求1所述的视频推荐方法，其特征在于，

所述用户特征包括以下特征中的至少之一：用户的ID特征、用户的静态特征和用户的动态特征；

所述视频特征包括以下特征中的至少之一：视频的ID特征、视频作者的ID特征、视频标签特征和视频的统计特征。

3.根据权利要求2所述的视频推荐方法，其特征在于，所述分别在用户侧神经网络和视频侧神经网络对点击率、点赞率和关注率进行联合学习的步骤，包括：

基于神经网络算法分别在用户侧神经网络和视频侧神经网络建立点击率模型、点赞率模型和关注率模型；

分别在用户侧神经网络和视频侧神经网络对所述点击率模型、点赞率模型和关注率模型进行前向学习；

分别在用户侧神经网络和视频侧神经网络对所述点击率模型、点赞率模型和关注率模型进行反向学习。

4.根据权利要求3所述的视频推荐方法，其特征在于，所述获取样本用户的用户特征和样本视频的视频特征的步骤之前，还包括：获取样本用户和样本视频，并且为所述样本视频标注样本标签；

在所述点击率模型中，若所述样本用户点击了操作页面展示的所述样本视频，则将所述样本视频标注为正样本，若所述样本用户没有点击操作页面展示的所述样本视频，则将所述样本视频标注为负样本；

在所述点赞率模型中，若所述样本用户点击并点赞了所述样本视频，则将所述样本视频标注为正样本，若所述样本用户点击但没有点赞所述样本视频，则将所述样本视频标注为负样本；

在所述关注率模型中，若所述样本用户点击了所述样本视频并关注了所述样本视频的视频作者，则将所述样本视频标注为正样本，若所述样本用户点击了所述样本视频但没有关注所述样本视频的视频作者，则将所述样本视频标注为负样本。

5.一种视频推荐装置，其特征在于，包括：

特征提取单元：被配置为获取样本用户的用户特征和样本视频的视频特征；

联合学习单元：被配置为分别在用户侧神经网络和视频侧神经网络对点击率、点赞率和关注率进行联合学习，所述用户特征和所述视频特征的部分特征是共享的；

线上视频推荐单元：被配置为根据联合学习获得的神经网络算法的网络参数，得到视频的推荐列表，所述根据联合学习获得的神经网络算法的网络参数，得到视频的推荐列表的步骤，包括：

接收目标用户的视频获取请求；获取所述目标用户的视频特征和用户特征；在用户侧神经网络计算用户侧的点击率的顶层向量、用户侧的点赞率的顶层向量和用户侧的关注率的顶层向量；在视频侧神经网络计算视频侧的点击率的顶层向量、视频侧的点赞率的顶层向量和视频侧的关注率的顶层向量；分别计算所述用户侧的点击率的顶层向量和视频侧的点击率的顶层向量的内积距离、所述用户侧的点赞率的顶层向量和视频侧的点赞率的顶层向量的内积距离和所述用户侧的关注率的顶层向量和视频侧的关注率的顶层向量的内积距离；根据所述点击率的内积距离、所述点赞率的内积距离和所述关注率的内积距离对目标视频进行排序，得到所述目标视频的推荐列表。