[发明专利]一种视频推荐方法、装置、电子设备及可读存储介质

说明书

本说明书公开了一种视频推荐方法、装置、电子设备及可读存储介质，其中，视频推荐方法包括：获取用户的历史点播数据；从历史点播数据中提取对应用户的兴趣特征；根据视频节目的观看时长比获取兴趣特征中视频节目与每个聚类中心之间的相似度；根据相似度确定视频节目的隐因子向量；根据损失函数确定视频节目喜爱度偏离值、用户喜爱度偏离值、用户隐性因子向量、用户对视频节目的隐因子向量；根据视频节目的隐因子向量、用户观看过的所有视频节目的总数、视频节目喜爱度偏离值、用户喜爱度偏离值、用户隐性因子向量、用户对视频节目的隐因子向量获得用户对每个节目的喜爱度预测值；根据喜爱度预测值向对应用户推荐视频节目。

技术领域

本说明书涉及机器学习技术领域，特别涉及一种视频推荐方法、装置、电子设备及可读存储介质。

背景技术

视频推荐技术本质上是一种信息过滤技术。它从海量的数据中找到用户感兴趣的部分，并将其推荐给用户，这在用户没有明确需求或者数据量过多的情况下，能够更好的为用户服务，解决信息过载的问题。例如，用户并不确定的想看哪一部电影，只是想看一部让自己感兴趣的电影，推荐系统能够主动的使用机器学习的技术去挖掘出用户的兴趣、偏好，从而在海量的数据当中过滤出用户感兴趣的内容，并将其推荐给用户。

随着直播和短视频的兴起，视频内容呈爆炸式的增长，如何给用户提供个性化和高效的视频推荐服务受到越来越多的关注。

按照数学原理的不同，可将视频推荐算法分为矩阵分解算法和协同过滤算法。矩阵分解算法策略是将大的原始数据集组成的特征矩阵等价成两个或者三个较小的矩阵相乘的形式，以降低时间复杂度和空间复杂度；协同过滤算法策略是，分析系统里已经存在了的用户群之前的行为，根据相似用户或者相似视频之间的联系，对目前用户最喜欢或者最感兴趣的视频做预测。

矩阵分解推荐算法从隐性反馈数据集中学习到用户的隐向量和节目的隐向量，即通过隐性特征将用户和节目联系起来了，但是没有显式的考虑用户的历史行为对用户评分预测的影响；协同过滤推荐算法采用历史评分数据来构建用户对节目的喜好度，但是不能深入挖掘背后的隐性因素，通常推荐精确度不高。

发明内容

为了在降低视频推荐的复杂度的基础上还提高视频推荐的准确率，本说明书提供一种视频推荐方法、装置、电子设备及可读存储介质。

为实现上述目的，本说明书实施方式提供一种视频推荐方法，包括：

获取用户的历史点播数据；

从所述历史点播数据中提取对应用户的兴趣特征；其中，所述兴趣特征包括：视频节目、用户观看某个视频节目的观看时长比；

根据所述视频节目的观看时长比获取所述兴趣特征中视频节目与每个聚类中心之间的相似度；其中，所述聚类中心利用样本视频节目数据进行聚类获得；

根据所述相似度确定视频节目的隐因子向量；

确定视频节目喜爱度偏离值、用户喜爱度偏离值、用户的隐因子向量、用户和所观看的视频节目之间的隐因子向量；

根据所述视频节目的隐因子向量、用户观看过的所有视频节目的总数、所述视频节目喜爱度偏离值、所述用户喜爱度偏离值、所述用户的隐性因子向量、所述用户和所观看的视频节目之间的隐因子向量获得用户对每个节目的喜爱度预测值；

根据所述喜爱度预测值确定向对应用户终端推荐的视频节目。

优选地，所述用户观看过的所有视频节目的总数通过用户的历史行为统计获取。

优选地，根据所述喜爱度预测值确定向对应用户终端推荐的视频节目的步骤包括：

将所述用户观看过的视频节目剔除掉；

按所述喜爱度预测值的大小对剩余的视频节目降序排列，根据排列结果生成推荐列表；