[发明专利]视频推荐方法及装置

说明书

本公开提供一种视频推荐方法及装置，涉及视频处理技术领域，本公开提供的视频推荐方法及装置，首先通过获取用户观看视频的行为数据，并对行为数据进行预处理，得到待处理数据集，在得到待处理数据集后，基于Item2vec模型，对待处理数据集中的第一数据集进行训练，得到用户的所有有效播放视频对应的第一视频向量，并基于DSSM模型以及待处理数据集中的第三数据集，对用户的第一视频向量再次进行训练，得到第二视频向量，在得到第二视频向量后，基于KMeans算法，对用户的所有第二视频向量进行聚类，并根据聚类结果向用户推荐用户感兴趣的视频，提高了视频推荐的准确性以及用户的使用体验性。

技术领域

本公开涉及视频处理技术领域，具体而言，涉及一种视频推荐方法及装置。

背景技术

近年来，推荐系统和个性化内容在互联网服务中的作用日益增加。视频作为丰富信息的一种载体，自然成为个性化推荐中一类重要的研究对象。随着用户和视频数量的不断增长，如何深度挖掘视频信息，准确匹配用户兴趣，从茫茫视频库中为用户挑选合适的视频，提供精准的个性化服务，已经成为行业内研究的热点。但是，现有的视频推荐方案，准确性较低，用户使用体验性较低。

发明内容

有鉴于此，本公开提供一种视频推荐方法及装置。

本公开提供一种视频推荐方法，包括：

获取用户观看视频的行为数据，并对所述行为数据进行预处理，得到待处理数据集；所述待处理数据集包括第一数据集以及第三数据集，其中，所述第一数据集包括所述用户的有效播放视频序列，所述第三数据集包括所述用户的播放视频序列以及播放视频序列中每个视频的标签值。

基于Item2vec模型，对所述第一数据集进行训练，得到所述用户的所有有效播放视频对应的第一视频向量。

基于DSSM模型以及所述第三数据集，对所述用户的第一视频向量再次进行训练，得到第二视频向量。

基于KMeans算法，对所述用户的所有第二视频向量进行聚类，并根据聚类结果向所述用户推荐视频。

进一步的，所述待处理数据集还包括第二数据集，所述第二数据集包括所述用户的有效播放视频序列以及有效播放视频序列中每个视频所对应的权重；在基于DSSM模型以及所述第三数据集，对所述用户的第一视频向量再次进行训练，得到第二视频向量之前，所述方法还包括：

基于所述第二数据集，选取所述用户的前N个有效播放视频。

根据前N个有效播放视频所对应的权重，对前N个有效播放视频对应的第一视频向量赋予对应的权重。

对赋予权重后的前N个第一视频向量进行加权平均操作，得到所述用户的用户向量，以根据所述用户的用户向量，基于DSSM模型以及所述第三数据集，对所述用户的第一视频向量再次进行训练，得到第二视频向量。

进一步的，所述基于DSSM模型以及所述第三数据集，对所述用户的第一视频向量再次进行训练，得到第二视频向量的步骤包括:

将所述用户的用户向量以及第一视频向量输入至所述DSSM模型，得到所述用户的用户向量与第一视频向量的余弦相似度值。

将所述余弦相似度值与所述用户的第一视频向量对应视频的标签值进行差值计算，得到所述余弦相似度值与所述用户的第一视频向量对应视频的标签值的差值。

将所述差值进行反向传播迭代训练，直至所述差值满足设定条件，输出所述第二视频向量。

进一步的，基于KMeans算法，对所述用户的所有第二视频向量进行聚类，并根据聚类结果向所述用户推荐视频的步骤包括：

基于KMeans算法，对所述用户的所有第二视频向量进行聚类，得到每个视频对应的视频类别。