[發明專利]基于深度學習的視頻推送方法

有效

• 申請號: 202011521669.7
• 申請日: 2020-12-21
• 公開（公告）號: CN112650884B
• 公開（公告）日: 2022-04-01
• 發明（設計）人: 梁敏
• 申請（專利權）人: 四川長虹電器股份有限公司
• 主分類號: G06F16/735
• 分類號: G06F16/735;G06F16/783;G06V20/40;G06V10/764;G06V10/82;G06K9/62;G06N3/04
• 代理公司: 成都虹橋專利事務所(普通合伙) 51124
• 代理人: 吳中偉

本發明涉及視頻推薦領域，具體涉及一種基于深度學習的視頻推送方法，能夠結合用戶的觀看需求對相應視頻進行即時推送，不再需要等到視頻的正式排名或者評分出來之后再進行推送，極大地提高了視頻推送的即時性。技術方案為，根據用戶觀看歷史行為以及所有觀看視頻集合，預測出不同類用戶在不同時刻觀看具有特定特征的視頻的概率，然后根據預測的概率對先導預告片視頻進行推薦排序打分，再對先導預告片視頻進行分類，再結合相應評論上下文對分類后的視頻進行即時打分；通過用戶歷史觀看行為數據和交叉驗證方法將即時打分與排序打分進行匹配，若匹配結果在設定的閾值范圍內，則對相應先導預告片對應的視頻正片進行推送。本發明適用于視頻即時推送。

技術領域

本發明涉及視頻推薦領域，具體涉及一種基于深度學習的視頻推送方法。

背景技術

目前的視頻推薦系統是基于用戶的觀看歷史推薦音視頻，即通過用戶的觀看歷史，分析用戶在觀看音視頻內容時的愛好，向用戶推薦對應的音視頻內容。或者，基于后臺媒資庫中音視頻播放量和熱度的評分，利用排行榜中的音視頻可以代表大多數用戶的愛好興趣，將音視頻內容組織成排行榜推送給用戶。

無論哪種方式，都需要借助于視頻的排名向用戶推薦，排名源于用戶評分、評論、收藏以及視頻媒體的票房數量等等，這種視頻的評分上線時間有一定延遲，且評分的準確度也是后續隨著用戶數量的增加而提升，視頻正式上線早期的評分是沒有多大參考意義。

而現有高節奏的生活之中，對于即時性的推送需求也越來越高，并且即時性的推送也需要符合用戶的觀看需求。

發明內容

本發明的目的是提供一種基于深度學習的視頻推送方法，能夠結合用戶的觀看需求對相應視頻進行即時推送，不再需要等到視頻的正式排名或者評分出來之后再進行推送，極大地提高了視頻推送的即時性。

本發明采取如下技術方案實現上述目的，基于深度學習的視頻推送方法，包括：

步驟(1)、根據用戶觀看歷史行為以及所有觀看視頻集合，預測出不同類用戶在不同時刻觀看具有特定特征的視頻的概率；

步驟(2)、根據預測的概率對先導預告片視頻進行推薦排序打分；

步驟(3)、對先導預告片視頻進行分類，再結合相應評論上下文對分類后的視頻進行即時打分；

步驟(4)、通過用戶歷史觀看行為數據和交叉驗證方法將即時打分與排序打分進行匹配；

步驟(5)、若匹配結果在設定的閾值范圍內，則對相應先導預告片對應的視頻正片進行推送。

進一步的是，在步驟(1)中，根據貝葉斯條件后驗概率公式預測U類用戶在t時刻會看具有C特征的視頻i的概率，所述公式為：u是用戶的embedding向量，v是視頻的embedding向量。

進一步的是，在步驟(3)中，對先導預告片視頻進行分類的方法包括：

步驟301、采用MovieLen訓練集，對其中的先導預告片視頻進行分類，對分類后的視頻進行隨機多幀采樣；

步驟302、通過卷積網絡設計分類網絡模型，其中卷積層設計為由大到小；

步驟303、將隨機采集的多幀視頻放入網絡模型之中進行訓練，得到每一幀視頻的分類結果；

步驟304、對分類結果進行類別統計，得到每個類別所占百分比，若該類別的百分比大于50％，則認定該類別為當前視頻的類別。

進一步的是，在步驟(4)中，所述交叉驗證方法具體包括：

基于用戶歷史觀看數據，將用戶觀看時長最長的視頻記錄作為交叉驗證的訓練集；

對訓練集采用非對稱的同看策略進行交叉驗證。