[发明专利]一种基于深度学习行为序列的视频推荐方法及系统

说明书

本发明提供一种基于深度学习行为序列的视频推荐方法，包括：根据视频平台上用户的行为足迹，提取用户评价行为序列信息，构建视频序列并预处理，且将每一视频名作为一个词，通过词向量模型以负采样的方式训练，得到视频特征向量及组成的视频特征向量库；在视频特征向量库中，对用户评价行为序列进行词嵌入，并提取各视频特征向量的深度特征，捕捉潜在联系，且进一步预测出一系列视频来形成候选推荐视频集合；对候选推荐视频集合初步筛选，并结合用户对每类视频的兴趣得分进行二次筛选，得到向用户推荐的最终视频列表。实施本发明，解决了现有推荐方法中推荐精度较低及推荐效果有限的问题，使得推荐精度更加准确且推荐效果更加明显。

技术领域

本发明涉及计算机应用技术领域，尤其涉及一种基于深度学习行为序列的视频推荐方法及系统。

背景技术

移动互联网时代，人们观看视频的媒介渐渐地从电视转向了在线视频平台。比如，爱奇艺、腾讯视频以及优酷视频等平台已成为如今热门的在线视频平台，平台每月活跃人数多达3.85亿人。

目前，在线视频平台因拥有的数量巨大、种类繁多、不断更新的视频资源，从而满足了用户日常的各种兴趣需求，深受用户的喜爱。然而，视频资源与日俱增以及用户规模不断剧增，导致出现数据信息过载和资源有效利用低等问题。因此，各大视频平台均投入大量人力物力对视频推荐技术进行深入研究，通过视频推荐系统来感知用户需求，个性化地为用户推荐视频资源，缩短了用户到所需视频资源的距离，提高了用户黏度以及增加了平台盈利。其中，视频推荐技术能够解决用户在视频搜索中检索时间长、推荐列表单一等问题，快速找到用户所想要观看的视频，并推荐符合用户兴趣的视频列表。

现有技术中，基于协同过滤的推荐方法被大多数视频推荐系统所采用，该方法依据用户对视频、物品等的评价来匹配与其相似度高的用户，根据相似用户向其推荐项目，但是该方法在用户未对项目进行评价时，会出现数据稀疏和冷启动问题，导致推荐精度较低。另外，该方法仅关注于用户历史选择的项目偏好建模，但忽略了用户的序列行为信息，制约了推荐效果。

因此，提出一种基于深度学习行为序列的视频推荐方法，利用深度学习的特征表示能力，对改善现有推荐方法是非常有必要的。

发明内容

本发明实施例所要解决的技术问题在于，提供一种基于深度学习行为序列的视频推荐方法及系统，解决了现有推荐方法中推荐精度较低及推荐效果有限的问题，使得推荐精度更加准确且推荐效果更加明显，还缓解了面临的数据稀疏问题。

为了解决上述技术问题，本发明实施例提供了一种基于深度学习行为序列的视频推荐方法，所述方法包括以下步骤：

步骤S1、根据视频平台上用户的行为足迹，提取用户评价行为序列信息，以构建视频序列，且将所述视频序列预处理之后，将每一视频名均作为一个词，通过预设的词向量模型以负采样的方式训练，得到与各视频名相对应的视频特征向量，并将各视频特征向量组成视频特征向量库；

步骤S2、在所述视频特征向量库中，对用户评价行为序列进行词嵌入，并利用预设的深度学习网络，提取各视频特征向量的深度特征，以捕捉各视频特征向量之间的潜在联系，且进一步对用户的评价行为序列进行预测，预测出一系列视频来形成候选推荐视频集合；

步骤S3、根据预定规则，对所述候选推荐视频集合中视频进行初步筛选，并结合预设用户兴趣模型所计算的用户对每类视频的兴趣得分，得到用户兴趣偏好分布，且进一步基于所述用户兴趣偏好分布，对初步筛选后的候选推荐视频集合中视频进行二次筛选，得到向用户推荐的最终视频列表。

其中，所述步骤S1具体包括：

基于用户在所述预设视频平台上产生的行为足迹，得到用户评价行为序列信息；其中，所述用户评价行为序列信息包括用户标识、视频标识、评价分数、评价时间戳及视频类型；