[发明专利]基于随机矩阵编码和简化卷积网络的视频智能推荐方法、装置及存储介质

权利要求书

1.基于随机矩阵编码和简化卷积网络的视频智能推荐方法，其特征在于，包括以下步骤：

S1.对数据集进行预处理，所述数据集包含多个用户对多部电影的评级数据，也包括电影元数据信息和用户属性信息；将数据分为用户特征和视频特征；所述用户特征具体包括：用户职业和视频类型、用户年龄、用户性别和用户视频ID；所述视频特征具体包括：视频名称和用户名；

S2.通过随机向量对用户特征生成随机矩阵编码，并生成数据编码矩阵，具体方法是：将Gender字段的F和M转化为O和1；将Age字段转化成0-6七个连续数字；Genres字段中的类别转化为字符串到数字的字典，将每个视频的Genres字段转成数字列表；Zip-code字段、timestamps字段、UserID字段、OccupationID字段和MovieID字段保持不变；

对所要处理的信息进行梳理，筛选对训练结果没有意义，数量多且不可或缺的数据维度；

对数据量和所使用深度学习模型的架构定义算法所产生的向量大小，设用户的数据数量为x，用户期望得到的向量维度为y，用户定义的随机数区间大小为[a,b],用户所定义区间内最小分割单位为c，这时对于用户数据中的任意一条，出现完全相同的向量的概率如公式：x/((b-a)/c)^y；

将数据进行预处理，根据实验要求判断实验数据需要进行编码的精细度；

每一个随机向量中随机数的产生根据自身所使用的编程语言调用具体的随机数函数实现，给出的推荐取值为取区间为[-1,1]的浮点数；在生成所有向量后将其组合建立原始数据和矩阵之间的映射；

S3.将步骤S2所述的数据编码矩阵传输至第一全连接层，获得用户特征向量，具体方法是：使用激活函数TensorFlow中自带的relu函数；

S4.将视频特征传输至简化卷积网络中生成简化文本卷积网络编码，并生成视频特征矩阵，具体方法包括以下步骤：

S4.1.在简化卷积网络的嵌入层中输入视频特征，由视频特征中的每一个单词嵌入向量，生成嵌入矩阵；

S4.2.在简化卷积网络的卷积层中使用多个不同尺寸的卷积核在嵌入矩阵上做卷积，多个不同尺寸是每次卷积覆盖几个单词；

S4.3.在简化卷积网络的maxpooling层对卷积层的向量进行降维并拼接得到一个长向量；

S5.将步骤S4所述的视频特征矩阵传输至第二全连接层，获得视频特征向量，具体方法是：将步骤S4.3所述的长向量传输至第二全连接层使用dropout做正规化，得到视频特征向量；获得视频特征向量使用激活函数f(x)＝tanh(x)的双曲正切函数；

S6.通过用户特征向量和视频特征向量，计算预测评分，将其与真实评分进行拟合训练，具体方法是：使用向量乘法算预测评分；进行拟合训练的具体方法是，通过以下公式计算：

其中，M为样本总数，y_m为预测评分，为真实评分；

S7.通过预测评分对用户进行视频推荐。

2.一种计算机装置，其特征在于：包括存储器和处理器，存储器存储有计算机程序，所述的处理器执行所述计算机程序时实现权利要求1所述的基于随机矩阵编码和简化卷积网络的视频智能推荐方法的步骤。

3.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现权利要求1所述的基于随机矩阵编码和简化卷积网络的视频智能推荐方法。