[发明专利]视频推荐方法、模型训练方法、装置、电子设备及介质

说明书

本公开关于一种视频推荐方法、模型训练方法、装置、电子设备及介质，其中，视频推荐方法包括：获取目标账户针对目标视频应用的历史行为序列数据；将历史行为序列数据输入至预先训练的推荐模型，确定历史行为序列数据中的噪声序列数据；基于噪声序列数据，排除待推荐视频集合中的异常视频，得到目标推荐视频；向目标账户推送目标推荐视频。本公开中，向账户推送的视频更符合用户账号的使用习惯，提高用户使用视频推荐应用的兴趣。

技术领域

本公开涉及数据处理技术领域，尤其涉及视频推荐方法、模型训练方法、装置、电子设备及介质。

背景技术

当前，为了实现低成本的拉新促活，各种应用程序往往会采用基于裂变活动的手段，通过奖励用户推荐新用户注册使用，并且通过完成系统设定的任务(如观看足够数量的视频，关注特定用户，点赞足够数量的视频)获得相应的系统收益。在该种活动的驱使下，用户会产生大量未必代表其真实兴趣的行为，这给应用程序的推荐系统/推荐应用带来了噪声，此时需要引用不同的噪声检测方式来检测出用户是否为噪声用户，以去除噪声的影响。

相关技术中，常见的噪声检测方式为：通过检测应用程序的用户是否为噪声用户来去除噪声的影响，在去除噪声用户后再检测用户是否发生兴趣的变化，从而避免噪声用户对推荐系统稳定性的影响。

但是，上述的噪声检测方式存在明显的弊端：只针对噪声用户进行处理，并且完全排除了噪声用户的影响，但在裂变活动场景中，每个用户都可能有部分噪声数据，也有部分有效数据，完全排除噪声用户会使得有效数据也被排除，导致无法准确检测出应用程序的噪声行为。

因此，需要解决相关技术中仅分析噪声用户产生的噪声行为，无法准确检测全部用户对应用程序的噪声行为，造成用户对应用程序的使用兴趣下降的问题。

发明内容

本公开提供一种视频推荐方法、模型训练方法、装置、电子设备及介质，以至少解决相关技术中无法准确检测对视频应用的噪声行为，推荐给用户不喜欢的内容，造成用户使用兴趣下降的问题。本公开的技术方案如下：

根据本公开实施例的第一方面，提供一种视频推荐方法，包括：获取目标账户针对目标视频应用的历史行为序列数据；将所述历史行为序列数据输入至预先训练的推荐模型，确定所述历史行为序列数据中的噪声序列数据，其中，在训练所述推荐模型时，通过构建的两个具备相同模型结构的推荐模型中的其中一推荐模型查询另一推荐模型所使用的训练样本的样本损失值，并基于所述样本损失值调整所述训练样本的训练权重，利用调整训练权重后的训练样本训练得到所述推荐模型；基于所述噪声序列数据，排除待推荐视频集合中的异常视频，得到目标推荐视频；向所述目标账户推送所述目标推荐视频。

可选地，所述通过构建的两个具备相同模型结构的推荐模型中的其中一推荐模型查询另一推荐模型所使用的训练样本的样本损失值，包括：获取训练样本；基于所述训练样本，调整初始构建的推荐模型的注意力结构，以调整所述训练样本中每个推荐视频对象的注意力权重，其中，所述注意力权重是基于每个推荐视频对象的行为序列数据与非序列数据之间的乘积得到；在调整所述推荐模型的注意力结构后，构建另一推荐模型，得到两个具备相同模型结构的推荐模型；采用构建的两个推荐模型中其中一推荐模型查询另一推荐模型所使用的训练样本的样本损失值。

可选地，所述获取训练样本，包括：获取历史预设时间段中的账户数据、推荐视频对象的数据以及操作行为数据；将所述账户数据、推荐视频对象的数据以及操作行为数据划分为行为序列数据和非序列数据；基于划分的行为序列数据和非序列数据，确定所述训练样本。

可选地，所述基于所述训练样本，调整初始构建的推荐模型的注意力结构，包括：选取所述训练样本中非序列数据的待评估序列维度；对所述训练样本中的非序列数据进行预处理，得到表征所述待评估序列维度的序列中心点的数据；为所述序列中心点的数据配置预设注意力权重；通过预设注意力权重，将所述序列中心点的数据添加至所述非序列数据的待评估序列维度中，以调整所述推荐模型的注意力结构。