[發明專利]一種提升用戶在視頻網站留存時間的視頻推薦系統方法

在審

• 申請號: 202110026449.5
• 申請日: 2021-01-08
• 公開（公告）號: CN112699271A
• 公開（公告）日: 2021-04-23
• 發明（設計）人: 何明;劉賓
• 申請（專利權）人: 北京工業大學
• 主分類號: G06F16/735
• 分類號: G06F16/735;G06N3/08;G06K9/62
• 代理公司: 北京思海天達知識產權代理有限公司 11203
• 代理人: 沈波

本發明公開了一種提升用戶在視頻網站留存時間的視頻推薦系統方法，包括以下步驟：數據預處理、深度興趣交叉網絡模型構建、模型訓練及結果生成。本發明中的深度興趣交叉網絡模型整體上被劃分為數據轉換模塊、低階特征提取模塊、交叉網絡特征提取模塊、深度興趣特征提取模塊。將三個特征提取模塊以并行的方式進行訓練，同時三個特征共享同一個數據層以加快模型的收斂速度。通過該機制我們可以深入挖掘用戶的歷史興趣偏好，從中篩選出能夠代表用戶興趣的內容，進而增強該內容的權重提升推薦系統的準確性。本發明除了能夠提升視頻網站推薦系統的準確性外，還可以將本發明的模型應用到電商、音樂等網站中，具有較好的移植性。

技術領域

本發明屬于深度學習技術領域，是一種有效的能夠提升用戶在視頻網站留存時間的新方法。

背景技術

近些年來隨著信息網絡基礎技術的發展,互聯網各領域的內容層出不窮，互聯網用戶接觸到的信息爆炸式增長，尤其移動互聯網的到來，人們從信息匱乏時代步入了信息過載時代。在這種時代背景下，用戶面臨著五花八門的信息內容，很難從中找到自己感興趣的內容。而信息也越來越難以展示給感興趣的用戶，推薦系統就是在此背景下應運而生，推薦系統選取精準的信息推薦給用戶。

在推薦系統模型中，特征對許多商業模型的成功起著核心作用，由于使用原始特征很少會產生最佳結果，因此數據科學家通常會花費大量的工作來轉換原始特征，以此提升推薦系統的準確性。但是傳統的特征交叉工程有著以下不可避免的缺點：為了獲得高質量的交叉特征需要付出高昂的代價。因為在商業互聯網中，推薦系統常常需要應用在不同的業務場景中，而不同的業務場景就需要不同的業務專家來進行特征的篩選和交叉，這就需要花費大量時間探索產品數據中的潛在模式。尤其像在視頻網站等Web規模推薦系統之類的大規模預測系統中，傳統的推薦系統模型已不在適用。

深度學習技術是機器學習領域中一個新的研究方向，深度學習技術以機器學習中的神經網絡為架構基礎模仿大腦的神經元之間傳遞，處理信息的模式。由于其強大的特征提取能力和靈活性，目前已經成為各智能領域專家研究的熱點。近些年來，深度學習技術在計算機視覺、語音識別、自然語言理解等領域額取得了巨大的成功，越來越多的研究人員將深度學習技術應用于推薦系統模型當中。

深度學習技術逐漸被應用到推薦系統模型中，如FNN，PNN，AFM等模型。這些模型雖然在提升推薦系統準確性上有一定的效果，但是也存在明顯的不足。這些模型只是在傳統的機器學習上拼接深度神經網絡進行串行訓練，學習的特征不夠全面，更不能挖掘出用戶代表性的特征，模型準確率從提升始終有限。

發明內容

針對現有技術中存在的上述問題，本發明提出一種有效的能夠提升用戶在視頻網站留存時間的新方法。本發明的技術方案是：首先，本發明中的深度興趣交叉網絡模型整體上被劃分為數據轉換模塊、低階特征提取模塊、交叉網絡特征提取模塊、深度興趣特征提取模塊。不同于傳統的視頻推薦系統模型,我們將三個特征提取模塊以并行的方式進行訓練，同時三個特征共享同一個數據層以加快模型的收斂速度。其中低階特征模塊負責提取數據中的一階特征和二階特征，交叉網絡特征模塊以顯式地方式提取高階特征。而深度興趣網絡則可以隱式地提取高階特征，豐富高階特征的內容。此外，我們將注意力機制引入深度興趣網絡模塊。通過該機制我們可以深入挖掘用戶的歷史興趣偏好，從中篩選出能夠代表用戶興趣的內容，進而增強該內容的權重提升推薦系統的準確性。

本發明所采用的技術方案是：

一種有效的能夠提升用戶在視頻網站留存時間的新方法，包括以下步驟：數據預處理、深度興趣交叉網絡模型構建、模型訓練及結果生成。