[发明专利]一种基于深度学习与马尔科夫链的推荐方法及设备

权利要求书

1.一种基于深度学习与马尔科夫链的推荐方法，其特征在于，包括：

根据目标用户观看视频的历史行为信息，确定所述目标用户对应马尔科夫链的转移概率；

根据所述转移概率，计算目标嵌入向量；

根据所述目标嵌入向量和所述目标用户的属性信息，得到推荐的目标视频；

其中，根据所述转移概率，计算目标嵌入向量，包括：

通过公式得到转移概率p_ij的归一化值S_ij，并由P_ij＝S_ij，得到目标转移概率P_ij；

通过公式e_sum＝∑e_iP_ij，得到嵌入向量和e_sum；

通过公式e_avg＝e_sum/n，得到目标嵌入向量e_avg；其中，

e_i为当前时刻观看的视频i的嵌入向量；

根据所述目标嵌入向量和所述目标用户的属性信息，得到推荐的目标视频，包括：

通过所述目标嵌入向量和所述目标用户的属性信息，对神经网络模型进行训练；

基于训练后的神经网络模型预测所述目标用户对视频库视频的观看概率和观看时长；

根据所述观看概率和观看时长，筛选出目标视频。

2.根据权利要求1所述的方法，其特征在于，所述历史行为信息至少包括：视频的标识以及对应所述视频的观看时刻信息。

3.根据权利要求1所述的方法，其特征在于，根据目标用户观看视频的历史行为信息，确定所述目标用户对应马尔科夫链的转移概率，包括：

通过公式得到转移概率p_ij；其中，

表示在时刻t观看的视频i的标识，表示在时刻t的下一时刻观看的视频j的标识，i∈[1，2，...，n]，j∈[1，2，...，n]，n为正整数；若存在，则若不存在，则

4.根据权利要求1所述的方法，其特征在于，根据目标用户观看视频的历史行为信息，确定所述目标用户对应马尔科夫链的转移概率，包括：

通过公式得到相似度s_ij，并由p_ij＝s_ij，得到转移概率p_ij；其中，

e_i为当前时刻观看的视频i的嵌入向量；e_j为所述当前时刻的下一时刻观看的视频j的嵌入向量。

5.根据权利要求1所述的方法，其特征在于，根据目标用户观看视频的历史行为信息，确定所述目标用户对应马尔科夫链的转移概率，包括：

通过公式得到欧氏距离d_ij，并由p_ij＝d_ij，得到转移概率p_ij；其中，

e_ik为当前时刻观看的视频i的嵌入向量e_i在维度k的标量；e_jk为所述当前时刻的下一时刻观看的视频j的嵌入向量e_j在维度k的标量。