[发明专利]一种基于图卷积网络的视频片段推荐方法

权利要求书

1.一种基于图卷积网络的视频片段推荐方法，其特征是按如下步骤进行：

步骤1、构造用户对视频片段的评分矩阵R：

令U表示用户集，且U＝{u₁,...,u_a,...,u_b,...,u_M}，其中，u_a表示第a个用户，u_b表示第b个用户，M表示用户总数，1≤a,b≤M；获取视频片段集S，且S＝{s₁,...,s_i,...,s_j,...,s_N}，s_i表示第i个视频片段，s_j表示第j个视频片段，N表示片段总数，1≤i,j≤N；令r_ai表示第a个用户u_a对第i个片段s_i的评分值，若r_ai＝1，则表示第a个用户u_a对第i个视频片段s_i产生正反馈互动，若r_ai＝0，则表示第a个用户u_a对第i个视频片段s_i产生负反馈互动，从而构造所有用户对所有视频片段的评分矩阵R＝{r_ai}_M×N；

步骤2、对用户集U和视频片段集S进行处理，得到用户的自由嵌入矩阵X和视频片段的特征嵌入矩阵Y：

步骤2.1、构造针对所有用户的自由嵌入矩阵X∈R^D×M，其中，D表示隐因子的维度，令所述自由嵌入矩阵X中第a列向量x_a表示第a个用户u_a对应的静态自由嵌入向量；

步骤2.2、对每个视频片段提取视觉特征，得到最终的特征嵌入矩阵Y：

利用视频特征提取模型中第一层全连接层输出特征矩阵F，从而根据式(1)得到降维后的第i行特征嵌入向量y_i：

y_i＝E·f_i (1)

式(1)中，E表示线形降维嵌入矩阵，f_i表示特征矩阵F中与第i个视频片段s_i对应的特征向量；

步骤3、根据评分矩阵R，构造基于内容属性的二部图G＝U∪S,R，其中，用户集U和视频片段集S是二部图G中的结点集，评分矩阵R是二部图中G的边集；

步骤4、将所述二部图G输入到K个传播层的图卷积网络中，并不断更新用户的自由嵌入矩阵X：

步骤4.1、定义当前传播层个数为k，并初始化k＝0，将第k个传播层中第a个用户u_a对应的结点表示向量初始化为x_a；将第k个传播层中第i个视频片段s_i对应的结点表示向量初始化为y_i；

步骤4.2、利用式(2)和式(3)分别得到第k+1个传播层中第a个用户u_a对应的结点表示向量和第i个视频片段s_i对应的结点表示向量

式(2)和式(3)中，R_a表示第a个用户u_a产生过互动的所有视频片段集合；S_i表示与第i个视频片段s_i产生过互动的所有用户集合；W^k+1∈R^D×D是所述二部图G在第k+1个传播层的转换矩阵，δ(·)是激活函数；表示第k个传播层中第j个视频片段s_j对应的结点表示向量；表示第k个传播层中第b个 用户u_b对应的结点表示向量；

步骤4.3、将k+1赋值给k后，判断k＞K是否成立，若成立，则执行步骤4.4；否则，返回步骤4.2；

步骤4.4、利用式(4)得到第a个用户u_a对应的静态自由嵌入向量x′_a，从而得到自由嵌入矩阵X′：

步骤5、利用图卷积网络计算用户对视频片段的偏好预测值，从而对用户进行视频片段推荐：

步骤5.1、利用式(5)计算第a个用户u_a对第i个视频片段s_i的预测偏好值

式(5)中，代表第a个用户u_a对应的静态自由嵌入向量x′_a的转置向量；

步骤5.2、选取贝叶斯个性化排序的框架，建立如式(6)所示的损失函数L(θ)：

式(6)中，σ(·)表示sigmoid函数，λ是正则化参数，||·||²表示二范数，第a个用户u_a对第j个视频片段s_j的预测偏好值，D_a表示第a个用户u_a对第i个视频片段s_i产生的正反馈互动，而对第j个视频片段s_j产生的负反馈互动所构成数据对的集合；

步骤5.3、通过随机梯度下降法对所述损失函数L(θ)进行优化求解，使得L(θ)达到最小，从而得到最优预测评分矩阵，并根据所最优预测评分矩阵对用户进行视频片段推荐。