[發明專利]一種基于序列膠囊網絡的短視頻點擊率預測方法

有效

• 申請號: 202011381658.3
• 申請日: 2020-12-01
• 公開（公告）號: CN112395504B
• 公開（公告）日: 2021-11-23
• 發明（設計）人: 顧盼
• 申請（專利權）人: 中國計量大學
• 主分類號: G06F16/9535
• 分類號: G06F16/9535;G06F16/735;G06N3/04;G06Q10/04
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明公開了一種基于序列膠囊網絡的短視頻點擊率預測方法。該方法基于用戶對短視頻的點擊序列，利用序列膠囊網絡挖掘用戶的多興趣，預測用戶對目標短視頻的點擊率。本方法主要由三個部分組成：第一部分是利用卷積神經網絡從用戶點擊序列中抽取上下文特征；第二部分是利用序列膠囊網絡將上下文特征轉換到不同興趣空間下，并在不同興趣空間下捕捉用戶行為的序列性，得到用戶的多興趣向量表征；第三部分是基于用戶的多興趣向量表征，進行短視頻點擊率的預測。

技術領域

本發明屬于互聯網服務技術領域，尤其是涉及一種基于序列膠囊網絡的短視頻點擊率預測方法。

背景技術

短視頻是一種新型的且時間較短的視頻。短視頻的拍攝不需要使用專業設備，也不需要專業技巧。用戶直接通過手機就可以很方便地進行拍攝和上傳到短視頻平臺，因此短視頻平臺的短視頻數量增長得非常快。這使得對有效短視頻推薦系統的需求非常迫切，有效的短視頻推薦系統可以提升用戶體驗和用戶黏性，從而給平臺帶來巨大的商業價值。

近些年，很多研究者提出了基于視頻的個性化推薦方法。這些方法可以分為三類：協同過濾、基于內容的推薦和混合推薦方法。但是相比于視頻，短視頻有著不同的特點：描述文本質量較低、時長較短且用戶在一段時間內的交互序列較長。因此，短視頻推薦是一個更具有挑戰性的任務，并且有研究者提出了一些方法。例如，Chen等人利用分層的注意力機制去計算物品和類目這兩種級別的重要性，得到更準確的預測結果。Li等人結合正負反饋數據，并使用基于圖的循環神經網絡去建模，最后得到用戶的偏好。

以上方法都考慮到用戶短視頻點擊序列的序列性，但是沒有考慮到用戶的興趣是多樣的。以上方法在建模用戶興趣時，直接將用戶興趣當做一個整體，這樣會損失很大部分信息，尤其是用戶的主要興趣會掩蓋用戶的次要興趣。本方法認為用戶的興趣是多樣的，比如，某個用戶既喜歡風景類短視頻又喜歡動物類短視頻。而分別對多個興趣空間下的用戶行為轉換進行建模更有利于預測的準確度。本方法利用序列膠囊網絡將已經處理后的用戶行為特征轉換到不同興趣空間下，并在不同興趣空間下捕捉用戶行為的序列性，得到用戶的多興趣向量表征。再基于用戶的多興趣向量表征，進行短視頻點擊率的預測。

發明內容

本發明所要解決的技術問題是基于用戶對短視頻的點擊序列，挖掘出用戶的多興趣，預測用戶對目標短視頻的點擊率。本方法采用膠囊網絡從用戶的點擊序列挖掘用戶的多興趣。但是原本應用在圖像領域的膠囊網絡沒有考慮輸入的序列性，而用戶的點擊序列具有明顯的時間序列性。因此，本方法創新性地改進原始膠囊網絡，提出序列膠囊網絡結構。為此，本發明采用以下技術方案：

一種基于序列膠囊網絡的短視頻點擊率預測方法，包括以下步驟：

利用卷積神經網絡從用戶點擊序列中抽取上下文向量表征。對于一個用戶的點擊行為序列可以表示為X＝[x₁，…，x_n]，其中是用戶點擊了的短視頻封面圖特征向量，d是特征向量長度。本方法采用一維卷積神經網絡從點擊序列抽取上下文向量表征。一維卷積神經網絡的窗口寬度(window spanning)參數為w，步長(stride)參數為s，填充(padding)參數為p。輸入的短視頻序列為X＝[x₁,…,x_n]，輸出的上下文序列特征為[e₁,…,e₄]，其中l是上下文序列的長度，且

利用序列膠囊網絡從上下文向量表征中抽取用戶多興趣向量表征h_i。

u_i|j＝H_ie_j

h_i＝g(RNN_i(u_i|j))