[發(fā)明專利]一種播單推薦方法及系統(tǒng)

有效

• 申請?zhí)枺?/td>: 201910227980.1
• 申請日: 2019-03-25
• 公開（公告）號: CN109982155B
• 公開（公告）日: 2021-10-12
• 發(fā)明（設計）人: 寧宇光;王建興
• 申請（專利權）人: 北京奇藝世紀科技有限公司
• 主分類號: H04N21/482
• 分類號: H04N21/482;H04N21/262;H04N21/25;H04N21/466;H04N21/435
• 代理公司: 北京集佳知識產(chǎn)權代理有限公司 11227
• 代理人: 王寶筠

1.一種播單推薦方法，其特征在于，包括：

根據(jù)歷史交互數(shù)據(jù)和內容屬性信息對播單數(shù)據(jù)庫進行篩選得到目標播單；

推送所述目標播單；

其中，所述根據(jù)歷史交互數(shù)據(jù)和內容屬性信息對播單數(shù)據(jù)庫進行篩選得到目標播單具體包括：

根據(jù)歷史交互數(shù)據(jù)和內容屬性信息對播單數(shù)據(jù)庫進行篩選得到播單候選集；

從預設數(shù)據(jù)庫中，查找所述播單候選集中每個所述播單的特征數(shù)據(jù)，所述特征數(shù)據(jù)包括：用戶特征和播單特征；

將每個所述播單的特征數(shù)據(jù)作為點擊率預估模型的輸入，得到每個所述播單的點擊率預估值，所述點擊率預估模型為，以對播單的特征數(shù)據(jù)作為訓練樣本，以所述特征數(shù)據(jù)對應的點擊率預估值作為樣本標簽進行訓練得到；

基于第二預設篩選規(guī)則，從所述播單候選集中選取所述目標播單。

2.根據(jù)權利要求1所述的播單推薦方法，其特征在于，所述用戶特征包括：用戶ID、用戶歷史交互數(shù)據(jù)和標簽置信度，所述播單特征包括：播單ID、播單內容ID和播單標簽出現(xiàn)次數(shù)。

3.根據(jù)權利要求2所述的播單推薦方法，其特征在于，所述點擊率預估模型的建立過程包括：

從樣本數(shù)據(jù)集中選取熱度用戶樣本和所述熱度用戶樣本對應的目標值，非熱度用戶樣本和所述非熱度用戶樣本對應的目標值，構成模型訓練集，其中，所述模型訓練集中的所述熱度用戶樣本和所述非熱度用戶樣本數(shù)量相同，所述樣本數(shù)據(jù)集包括：播單樣本集和播單樣本集中每個樣本對應的目標值，所述目標值為播單的點擊率；

將所述模型訓練集中各個樣本的離散特征用one-hot表示，得到目標模型訓練集；

將所述目標模型訓練集帶入初始點擊率預估模型，得到所述點擊率預估模型的模型參數(shù)；

基于所述模型參數(shù)建立點擊率預估模型。

4.一種播單推薦系統(tǒng)，其特征在于，包括：

篩選單元，用于根據(jù)歷史交互數(shù)據(jù)和內容屬性信息對播單數(shù)據(jù)庫進行篩選得到目標播單；

推送單元，用于推送所述目標播單；

其中，所述篩選單元具體包括：

第二篩選子單元，用于根據(jù)歷史交互數(shù)據(jù)和內容屬性信息對播單數(shù)據(jù)庫進行篩選得到播單候選集；

查找子單元，用于從預設數(shù)據(jù)庫中，查找所述播單候選集中每個所述播單的特征數(shù)據(jù)，所述特征數(shù)據(jù)包括：用戶特征和播單特征；

點擊率預估值獲取子單元，用于將每個所述播單的特征數(shù)據(jù)作為點擊率預估模型的輸入，得到每個所述播單的點擊率預估值，所述點擊率預估模型為，以對播單的特征數(shù)據(jù)作為訓練樣本，以所述特征數(shù)據(jù)對應的點擊率預估值作為樣本標簽進行訓練得到；

第二選取子單元，用于基于第二預設篩選規(guī)則，從所述播單候選集中選取所述目標播單。

5.根據(jù)權利要求4所述的播單推薦系統(tǒng)，其特征在于，所述用戶特征包括：用戶ID、用戶歷史交互數(shù)據(jù)和標簽置信度，所述播單特征包括：播單ID、播單內容ID和播單標簽出現(xiàn)次數(shù)。

6.根據(jù)權利要求5所述的播單推薦系統(tǒng)，其特征在于，所述篩選單元還包括：點擊率預估模型建立子單元，所述點擊率預估模型建立子單元用于：

從樣本數(shù)據(jù)集中選取熱度用戶樣本和所述熱度用戶樣本對應的目標值，非熱度用戶樣本和所述非熱度用戶樣本對應的目標值，構成模型訓練集，其中，所述模型訓練集中的所述熱度用戶樣本和所述非熱度用戶樣本數(shù)量相同，所述樣本數(shù)據(jù)集包括：播單樣本集和播單樣本集中每個樣本對應的目標值，所述目標值為播單的點擊率；

將所述模型訓練集中各個樣本的離散特征用one-hot表示，得到目標模型訓練集；

將所述目標模型訓練集帶入初始點擊率預估模型，得到所述點擊率預估模型的模型參數(shù)；

基于所述模型參數(shù)建立點擊率預估模型。