[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

说明书

本发明涉及一种视频推荐方法，尤其涉及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，属于网络信息处理技术领域。具体包括，首先，对数据集进行预处理；其次，通过随机向量对用户特征生成随机矩阵编码；再其次，将数据编码矩阵传输至第一全连接层，获得用户特征向量；再其次，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；再其次，将视频特征矩阵传输至第二全连接层，获得电影特征向量；再其次，通过用户特征向量和电影特征向量，计算预测评分，将其与真实评分进行拟合训练；最后通过预测评分对用户进行视频推荐。解决了现有技术中存在的视频推荐方法计算量大、信息编码繁琐的技术问题。

技术领域

本申请涉及一种视频推荐方法，尤其涉及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，属于网络信息处理技术领域。

背景技术

面向目前互联网信息的海量性和结构复杂性，推荐算法的价值日益彰显。在目前深度学习技术发展迅速并且在很多领域都取得了显著的成果，不过目前将其应用在视频推荐算法的研究较少。

深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。深度学习是一个复杂的机器学习算法，在语音和图像识别方面取得的效果，远远超过先前相关技术。目前，深度学习在搜索技术，数据挖掘，机器学习，机器翻译，自然语言处理，多媒体学习，语音，推荐和个性化技术，以及其他相关领域都取得了很多成果。深度学习使机器模仿视听和思考等人类的活动，解决了很多复杂的模式识别难题，使得人工智能相关技术取得了很大进步。

现有的将深度学习和推荐系统结合起来的解决方案是对原始数据进行one-hot编码，这是因为大部分算法是基于向量空间中的度量来进行计算的，并且为了使非偏序关系的变量取值不具有偏序性，到圆点是等距的。使用one-hot编码，将离散特征的取值扩展到了欧式空间，离散特征的某个取值就对应欧式空间的某个点。这样就会让特征之间的距离计算更加合理。离散特征进行one-hot编码后，每一维度的特征都可以看做是连续的特征。将离散特征通过one-hot编码映射到欧式空间后，在回归，分类，聚类等机器学习算法中得以加以利用。

目前所使用的one-hot编码在类别的数量很多时，特征空间会变得非常大。在这种情况下，一般可以用PCA来减少维度。而且one hot encoding+PCA这种组合在实际中也非常有用。但是这样做会带来很多额外的计算负担，使得系统设计更为复杂，而且在实际应用场景中，很多时候比如用户id这种对于计算结果意义不大却具有很高维度的信息没有必要进行额外的编码来增加系统设计难度和复杂程度。

因此，本发明提出了基于随机矩阵编码和简化卷积网络对这些信息进行编码处理，在保持了整个深度学习模型架构的同时也降低了计算量，简化了信息编码过程。

发明内容

在下文中给出了关于本发明的简要概述，以便提供关于本发明的某些方面的基本理解。应当理解，这个概述并不是关于本发明的穷举性概述。它并不是意图确定本发明的关键或重要部分，也不是意图限定本发明的范围。其目的仅仅是以简化的形式给出某些概念，以此作为稍后论述的更详细描述的前序。

鉴于此，为解决现有技术中存在的视频推荐方法计算量大、信息编码繁琐的技术问题，本发明提供了一种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，在数据类别处理字段中将其转换成数字作为输入，使得嵌入层的维度降低，计算使用的时间和功率消耗小。解决了现有技术中存在的视频推荐方法计算量大、信息编码繁琐的技术问题。

基于随机矩阵编码和简化卷积网络的视频智能推荐方法，包括以下步骤：

S1.对数据集进行预处理；

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；