[發明專利]視頻動態推薦裝置

有效

• 申請號: 201711034839.7
• 申請日: 2017-10-30
• 公開（公告）號: CN107911719B
• 公開（公告）日: 2019-11-08
• 發明（設計）人: 徐常勝;張天柱;高君宇
• 申請（專利權）人: 中國科學院自動化研究所
• 主分類號: H04N21/25
• 分類號: H04N21/25;H04N21/258;H04N21/466;H04N21/45;G06F16/735;G06N3/08
• 代理公司: 北京瀚仁知識產權代理事務所(普通合伙) 11482
• 代理人: 郭文浩;王世超

1.一種視頻動態推薦裝置，其特征在于，所述裝置包括視頻推薦模型，其配置為依據一個或多個歷史時刻的視頻信息，獲取當前時刻的推薦視頻；所述視頻推薦模型包括語義學習單元、用戶行為分析單元、循環神經網絡、用戶相關性挖掘單元和模型訓練單元；

所述語義學習單元，配置為對預設訓練集內的視頻樣本進行語義學習，得到視覺語義特征v_e和文本語義特征w_e；

所述用戶行為分析單元，配置為對所述視頻樣本進行用戶行為分析，得到用戶的歷史感興趣主題特征u和歷史觀看視頻特征

所述循環神經網絡的輸出信號為推薦視頻的概率分布，在初始時刻的輸入信號為T_uu，在后續時刻的輸入信號為其中，所述T_u為能夠將歷史感興趣主題特征u映射到所述視覺語義特征v_e或文本語義特征w_e對應維度的映射矩陣，所述T_x為能夠將歷史觀看視頻特征映射到所述視覺語義特征v_e或文本語義特征w_e對應維度的映射矩陣；所述v_{e_out}和w_{e_out}分別為依據循環神經網絡得到的前一時刻最終推薦視頻對應的視覺語義特征和文本語義特征；

所述用戶相關性挖掘單元，配置為對所述視頻樣本進行用戶相關性挖掘，得到滿足相關性判斷條件的用戶集合，并且依據所述用戶集合內各用戶對應的視頻樣本優化所述循環神經網絡；

所述模型訓練單元，配置為對所述語義學習單元、用戶行為分析單元、循環神經網絡和用戶相關性挖掘單元進行統一訓練；

所述模型訓練單元包括如下式所示的統一訓練損失函數L：

其中，所述L_rec(u)為所述循環神經網絡的損失函數，所述U為所述預設訓練集對應的用戶集合，所述u為用戶集合U內用戶的序號；所述L_sem為所述語義學習單元的損失函數；所述L_int為所述用戶行為分析單元的損失函數；所述L_rel為所述用戶相關性挖掘單元的損失函數；所述θ為視頻推薦模型中待學習權重的集合，所述||θ||₂為集合θ的2范數；所述λ₁、λ₂、λ₃和λ₄均為預設的參數；

所述語義學習單元的損失函數如下式所示：

其中，所述v_e和v'_e分別為預設訓練集內任意兩個視頻樣本的視覺語義特征，所述w_e和w'_e分別為所述的任意兩個視頻樣本的文本語義特征，所述V_e和W_e分別為視覺語義特征集合和文本語義特征集合；所述τ₁為第一閾值；

所述用戶行為分析單元的損失函數如下式所示：

其中，所述D_u和D_x分別為歷史感興趣主題特征u和歷史觀看視頻特征的維度，所述D_e為視覺語義特征v_e和文本語義特征w_e的維度，所述R為實數；

所述循環神經網絡的損失函數如下式所示：

其中，所述N_r和a分別為推薦視頻的總數和序號；所述N_v和b分別為預設訓練集中視頻樣本的總數和序號；所述T_p為推薦視頻的概率分布矩陣；所述和分別為概率分布矩陣Tp中的第a行元素和第b行元素；所述為基于用戶u，循環神經網絡的隱藏層在當前時刻t的輸出特征；

所述用戶相關性挖掘單元的損失函數如下式所示：

其中，所述h^α為基于用戶α，循環神經網絡的隱藏層在最后一時刻的輸出特征；所述h^β為基于用戶β，循環神經網絡的隱藏層在最后一時刻的輸出特征；所述h^γ為基于用戶γ，循環神經網絡的隱藏層在最后一時刻的輸出特征；所述τ₂為第二閾值；

所述(α,β,γ)為滿足相關性判斷條件的用戶三元組，所述H為多個所述用戶三元組構成的集合。