[發明專利]一種基于協同注意力機制的短視頻點擊率預測方法

有效

• 申請號: 202011381704.X
• 申請日: 2020-12-01
• 公開（公告）號: CN112395505B
• 公開（公告）日: 2021-11-09
• 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協同注意力機制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，挖掘出用戶對短視頻的不同方面(aspect)的傾向以及短視頻不同方面(aspect)的重要性，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：第一部分是將用戶點擊序列和目標短視頻映射到多方面(aspect)空間下，并得到多方面(aspect)空間下的用戶和短視頻表征。第二部分是得到多方面(aspect)空間下的用戶和短視頻表征后，利用協同注意力(co?attention)機制得到用戶和短視頻不同方面(aspect)的重要性。第三部分是基于前兩部分的輸出結果，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協同注意力機制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，但是沒有考慮到短視頻序列中不同方面(aspect)空間下的序列性。如，在視頻主題方面下，用戶觀看完貓咪主題的短視頻，可能偏向于觀看小狗主題的短視頻；在視頻情緒方面下，用戶觀看完激昂的短視頻后，可能偏向于觀看情緒平緩的短視頻。捕捉不同方面(aspect)空間下的短視頻序列性，有利于推薦的準確性。另外，用戶關注的方面(aspect)不是固定的，遇到不同的短視頻，關注的傾向不同。比如，觀看情景劇類的短視頻，更關注劇情豐富度；而觀看模特走秀類的短視頻，更關注人物。另外，不同的用戶觀看相同的短視頻時，關注的方面也不同。比如，年輕女性觀看某情景劇短視頻時，可能偏向于關注演員們的外貌；而中年男性觀看某情景劇短視頻時，可能更偏向于關注劇情。本方法采用協同注意力(co-attention)機制來建模以上先驗知識。

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，挖掘出用戶對短視頻的不同方面(aspect)的傾向以及短視頻不同方面(aspect)的重要性，來預測用戶對目標短視頻的點擊率。本方法采用協同注意力(co-attention)機制來建模用戶和目標短視頻不同方面(aspect)的重要性。為此，本發明采用以下技術方案：

一種基于協同注意力機制的短視頻點擊率預測方法，包括以下步驟：

將用戶點擊序列和目標短視頻映射到多方面(aspect)空間下，并得到多方面(aspect)空間下的用戶和短視頻表征。對于一個用戶的點擊行為序列u，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。將用戶點擊序列和目標短視頻映射到多方面(aspect)空間下的向量表征為：

q_i＝u_i＝H_ix_new

u_i|j＝H_ix_j