[發(fā)明專利]視頻召回方法、裝置及電子設(shè)備

在審

• 申請(qǐng)?zhí)枺?/td>: 202110202148.3
• 申請(qǐng)日: 2021-02-23
• 公開（公告）號(hào): CN112949703A
• 公開（公告）日: 2021-06-11
• 發(fā)明（設(shè)計(jì)）人: 宋煒;王森
• 申請(qǐng)（專利權(quán)）人: 廣州市百果園信息技術(shù)有限公司
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06N3/04;G06N3/08;G06N20/00;H04N21/45;H04N21/466
• 代理公司: 北京潤(rùn)澤恒知識(shí)產(chǎn)權(quán)代理有限公司 11319
• 代理人: 莎日娜

1.一種視頻召回方法，其特征在于，所述方法包括：

獲取樣本中關(guān)于目標(biāo)用戶的多用戶ID類特征和多用戶統(tǒng)計(jì)特征，以及視頻ID類特征和視頻統(tǒng)計(jì)特征；其中，所述多用戶ID類特征為多個(gè)用戶共享同一ID的ID類特征，所述多用戶統(tǒng)計(jì)特征是根據(jù)多用戶ID類特征在樣本中出現(xiàn)的頻次統(tǒng)計(jì)得到的；

將所述多用戶ID類特征、所述多用戶統(tǒng)計(jì)特征、所述視頻ID類特征以及所述視頻統(tǒng)計(jì)特征輸入至第一因子分解機(jī)FM模型中進(jìn)行訓(xùn)練，得到訓(xùn)練后的第二FM模型；

通過所述第二FM模型，從視頻數(shù)據(jù)庫中確定所述目標(biāo)用戶的召回視頻。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述將所述多用戶ID類特征、所述多用戶統(tǒng)計(jì)特征、所述視頻ID類特征以及所述視頻統(tǒng)計(jì)特征輸入至第一因子分解機(jī)FM模型中進(jìn)行訓(xùn)練，得到訓(xùn)練后的第二FM模型，包括：

將所述多用戶ID類特征和所述多用戶統(tǒng)計(jì)特征進(jìn)行預(yù)設(shè)處理，得到第一用戶向量；

將所述視頻ID類特征和所述視頻統(tǒng)計(jì)特征進(jìn)行所述預(yù)設(shè)處理，得到第一視頻向量；

將所述第一用戶向量和所述第一視頻向量進(jìn)行第一拼接處理，得到預(yù)測(cè)結(jié)果；

根據(jù)所述預(yù)測(cè)結(jié)果對(duì)所述第一FM模型進(jìn)行調(diào)整，得到第二FM模型。

3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述預(yù)設(shè)處理，包括：

將目標(biāo)ID類特征中的每一ID類特征轉(zhuǎn)換為第一維度向量；

將所述第一維度向量經(jīng)過平均池化處理，得到第二維度向量；

將目標(biāo)統(tǒng)計(jì)特征經(jīng)過多層神經(jīng)網(wǎng)絡(luò)MLP處理，得到第三維度向量；

將所述第二維度向量與所述第三維度向量進(jìn)行第二拼接處理，得到目標(biāo)向量；

其中，所述目標(biāo)ID類特征為多用戶ID類特征或者視頻ID類特征，在所述目標(biāo)ID類特征為多用戶ID類特征的情況下，所述目標(biāo)統(tǒng)計(jì)特征為多用戶統(tǒng)計(jì)特征，所述目標(biāo)向量為第一用戶向量；在所述目標(biāo)ID類特征為視頻ID類特征的情況下，所述目標(biāo)統(tǒng)計(jì)特征為視頻統(tǒng)計(jì)特征，所述目標(biāo)向量為第一視頻向量。

4.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述將所述第二維度向量與所述第三維度向量進(jìn)行第二拼接處理，得到目標(biāo)向量，包括：

將所述第二維度向量與所述第三維度向量進(jìn)行第二拼接處理，得到拼接向量；

將所述拼接向量輸入至第一全連接層，得到目標(biāo)向量。

5.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述將所述第一用戶向量和所述第一視頻向量進(jìn)行第一拼接處理，得到預(yù)測(cè)結(jié)果，包括：

將所述第一用戶向量進(jìn)行余弦計(jì)算，得到第一余弦值；

將所述第一視頻向量進(jìn)行余弦計(jì)算，得到第二余弦值；

將所述第一余弦值、所述第二余弦值以及樣本中的偏置特征進(jìn)行第一拼接處理，得到拼接特征；

將所述拼接特征輸入至第二全連接層，得到預(yù)測(cè)結(jié)果。

6.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述通過所述第二FM模型，從視頻數(shù)據(jù)庫中確定所述目標(biāo)用戶的召回視頻，包括：

將所述第二FM模型轉(zhuǎn)換為神經(jīng)網(wǎng)絡(luò)模型TensorFlow模型；

將所述TensorFlow模型進(jìn)行處理，得到用戶向量預(yù)測(cè)模型以及視頻向量預(yù)測(cè)模型；

根據(jù)所述用戶向量預(yù)測(cè)模型和所述視頻向量預(yù)測(cè)模型，從所述視頻數(shù)據(jù)庫中確定所述目標(biāo)用戶的召回視頻。

7.根據(jù)權(quán)利要求6所述的方法，其特征在于，所述根據(jù)所述用戶向量預(yù)測(cè)模型和所述視頻向量預(yù)測(cè)模型，從所述視頻數(shù)據(jù)庫中確定所述目標(biāo)用戶的召回視頻，包括：

將所述視頻ID類特征和所述視頻統(tǒng)計(jì)特征輸入至所述視頻向量預(yù)測(cè)模型中，得到預(yù)測(cè)視頻向量；

根據(jù)所述視頻數(shù)據(jù)庫以及所述預(yù)測(cè)視頻向量，建立逼近最近鄰ANN開源算法庫KNN庫；

在接收到請(qǐng)求獲取所述目標(biāo)用戶的召回視頻的第一信息的情況下，獲取關(guān)于所述目標(biāo)用戶的用戶線上特征；

將所述用戶線上特征輸入至所述用戶向量預(yù)測(cè)模型中，得到預(yù)測(cè)用戶向量；

根據(jù)所述KNN庫中每一預(yù)測(cè)視頻向量與所述預(yù)測(cè)用戶向量的相似度，確定所述目標(biāo)用戶的召回視頻。