[发明专利]基于建模的节目数据推荐方法及系统

权利要求书

1.一种基于建模的节目数据推荐方法，包括：

从预设用户节目观看数据库中提取规定时间阶段的用户观看数据作为训练数据和验证数据；

根据所述训练数据对预设的NPR-AI模型进行训练，并根据所述验证数据和训练好的NPR-AI模型确定所述NPR-AI模型的参数和信息的组合方式；其中，所述参数包括所述NPR-AI模型的伦次参数，所述信息包括所述训练数据中的上下文相关信息和上下文无关信息；

在所述规定时间阶段后紧邻的时间周期的节目单中根据所述参数和信息的组合方式确定所述NPR-AI模型的入模参数；

基于所述入模参数和所述NPR-AI模型进行用户观看节目的预测和推荐；

其中，所述NPR-AI模型为基于辅助信息的神经电视节目推荐模型，所述NPR-AI模型的训练过程包括：

将所述训练数据中的上下文相关信息和上下文无关信息分别进行编码表示；其中，所述上下文相关信息为所述训练数据中具有上下文语义关联的信息，所述上下文无关信息为所述训练数据中没有上下文语义关联的单词；

根据所述上下文相关信息的注意力权重和上下文无关信息的注意力权重，将编码表示的所述上下文相关信息和上下文无关信息进行融合处理，以确定基于节目注意力的节目表示；

根据所述基于节目注意力的节目表示确定基于个性化注意力的用户表示；

根据所述基于个性化注意力的用户表示进行用户观看节目预测。

2.如权利要求1所述的基于建模的节目数据推荐方法，其中，将所述训练数据中的上下文相关信息进行编码表示，包括：

提取所述训练数据中的上下文相关信息；

对所提取的上下文相关信息进行分词得到包括个词语的上下文相关信息词语集，词语表示为，其中，为所述上下文相关信息词语集中的第个词语；使用嵌入层对词语进行嵌入表示，表示为，其中，为所述上下文相关信息词语集中第个词语的嵌入表示向量；

通过使用CNN与非线性激活函数ReLU来确定所述上下文相关信息的词语序列表示为，为词语集中的第个词语的上下文表示：

其中，为从到的位置的词嵌入的拼接，是过滤器的长度，和为CNN网络中的训练参数；

基于所述上下文相关信息词语集使用注意力机制确定一组上下文相关信息中第个词语的注意力权重，表示为：

其中，和是所述上下文相关信息词语集中基于每个词语的注意力模型中的训练参数，是注意力模型中对第个词语的查询向量；

最终将所述上下文相关信息词语集的上下文相关信息表示为：

其中，为所述上下文相关信息词语集中第个词语的注意力权重, 为所述上下文相关信息词语集中第个词语的上下文信息表示。

3.如权利要求2所述的基于建模的节目数据推荐方法，其中，将所述训练数据中的上下文无关信息进行编码表示，包括：

提取所述训练数据中的上下文无关信息；

将所提取的上下文无关信息进行离散化转换为数值型，通过词嵌入层得到所述上下文无关信息的嵌入表示为，其中，为基于所提取的上下文无关信息整理的上下文无关词语集，是所述上下文无关词语集中上下文无关信息的个数，是第个上下文无关信息的向量表示；

根据所述上下文无关信息的嵌入，确定所述上下文无关信息的综合信息表示：；

使用Dropout方法对所述综合信息表示进行防过拟合处理，以确定所述上下文无关信息表示：

其中，和是基于所述上下文无关词语集中每个上下文无关信息ReLU函数的训练参数。