[發明專利]節目的分發方法、系統、計算機設備和存儲介質

有效

• 申請號: 201910448059.X
• 申請日: 2019-05-27
• 公開（公告）號: CN110213660B
• 公開（公告）日: 2021-08-20
• 發明（設計）人: 黃堅毅;丁寧
• 申請（專利權）人: 廣州荔支網絡技術有限公司
• 主分類號: H04N21/466
• 分類號: H04N21/466;H04N21/45
• 代理公司: 廣州佳睿知識產權代理事務所(普通合伙) 44610
• 代理人: 李健富

本發明涉及一種節目的分發方法、系統、計算機設備和存儲介質，其中方法包括獲取待分發的新節目和用戶偏好節目的節目向量；從新節目輸入至預先建立的節目向量模型，計算出新節目的節目向量；其中，節目向量模型為基于神經網絡算法對歷史節目的進行學習訓練而得到的；根據新節目的節目向量和用戶偏好節目的節目向量計算新節目與用戶偏好節目的余弦相似度；當余弦相似度大于預設閾值時，將待分發的新節目分發至與用戶偏好節目所對用的用戶。該方法通找出與新節目最相似的節目并按照最相似節目進行推薦或分發，從而能快速完成新節目的分發，并且分發準確率高。

技術領域

本發明涉及網絡技術領域，特別是涉及一種節目的分發方法、系統、計算機設備和存儲介質。

背景技術

隨著互聯網技術不斷發展，一些影視平臺(例如荔枝、yy直播等)相繼出現并且迅速發展。隨著平臺不斷擴大，每分鐘都有大量的節目上傳到這些平臺供平臺用戶進行收聽，如何分發這些的節目，是一種非常復雜的工作。例如荔枝是一個UGC平臺，荔枝每天上傳的節目有幾十萬，如何快速的把這些節目推薦給用戶，是一個比較大的難題。

目前，通常采用協同過濾或基于標簽推薦的方法；但是協同過濾依賴大量的用戶數據，對于新節目來說，不可能在剛上傳節目時就能積累大量的用戶數據，這就是一個很大的瓶頸；而基于標簽推薦新節目，容易出現質量參差不齊很難達到很好的效果。

發明內容

基于此，有必要針對目前的節目的分發方法存在需要依賴大量用戶數據或推薦的節目質量參差不起的問題，提供一種節目的分發方法、系統、計算機設備以及存儲介質。

一種節目的分發方法，所述方法包括以下步驟：

獲取待分發的新節目和用戶偏好節目的向量；

從所述新節目輸入至預先建立的節目向量模型，計算出所述新節目的向量；其中，所述節目向量模型為基于神經網絡算法對歷史節目的進行學習訓練而得到的；

根據所述新節目的向量和所述用戶偏好節目的向量計算所述新節目與用戶偏好節目的余弦相似度；

當所述余弦相似度大于預設閾值時，將所述待分發的新節目分發至與所述用戶偏好節目所對用的用戶。

在其中一個實施例中，所述預先建立的節目向量模型的方式，包括：

從節目數據庫獲取所述歷史節目；

根據所述歷史節目的點擊率選擇訓練樣本；

從所述訓練樣本中提取主播向量、標簽向量和質量向量，并將所述主播向量、所述標簽向量和質量向量輸入至所述神經網絡模型進行學習訓練，得到所述節目向量模型。

在其中一個實施例中，在將所述主播向量、所述標簽向量和質量向量輸入至所述神經網絡模型進行學習訓練，得到所述節目向量模型的步驟中，包括：

將所述訓練樣本中任意兩個節目的所述主播向量、所述標簽向量和所述質量向量分別輸入所述神經網絡模型的隱含層，分別生成兩個節目的向量；

計算兩個節目的向量的哈達瑪積；

將兩個節目的向量相減，得到差值；

根據所述質量向量計算兩個節目的點擊率；

將所述哈達瑪積、所述差值以及所述點擊率輸入所述神經網絡模型的sigmoid層，計算出兩個節目的相似度；

依次計算所述訓練樣本中每兩個節目的相似度；

根據所述相似度和損失函數計算出損失值；

當所述損失值小于預設值時，得到所述節目向量模型。