[发明专利]一种基于大数据的视频信息推荐方法、系统和可读存储介质

权利要求书

1.一种基于大数据的视频信息推荐方法，其特征在于，包括：

根据历史数据进行数据特征预处理，构建用户操作模型，所述的历史数据包括观看视频的时间、各时间段观看视频的主题词集合、每个视频的点击量；具体步骤如下：将用户的操作时间划分为{上午，下午，晚上，凌晨}×{工作日，周末}的时间槽；将上述时间槽内用户观看的视频的主题词组合成主题词集合；计算主题词集合的主题词在一个时间槽的所有主题词中的权重；输出与所述时间槽对应的集合及其权重；

用户操作模型挖掘用户行为特征，生成行为特征信息；

根据特征预处理所得的用户行为特征输入神经网络进行学习，得到结果信息；

根据神经网络所得的结果信息进行信息推荐。

2.根据权利要求1所述的一种基于大数据的视频信息推荐方法，其特征在于，所述的用户操作模型挖掘用户行为特征，生成行为特征信息的具体步骤如下：

构建用户偏好矩阵和视频特征矩阵，使用独热编码进行编码，获得A*C和B*C的矩阵，其中C为时间槽的数量、A为用户的数量、B为视频的数量；

和分别表示用户u和物品i的独热编码向量，使用以下公式获得对应的特征向量，也就是矩阵P的第u行和Q的第i行：

3.根据权利要求2所述的一种基于大数据的视频信息推荐方法，其特征在于，所述的根据特征预处理所得的用户行为特征输入神经网络进行学习，得到结果信息的具体步骤如下

输入矩阵P和矩阵Q，根据视频的点击量，使用神经协同过滤算法进行数据处理并输出

其中为关于特征向量的函数表示，σ是把输出转换成概率的sigmoid函数，所述的包括3种常用的函数表示方法，分别是通用矩阵分解方法，多层感知机方法和神经矩阵分解方法，这三种表示方法的介绍如下，

通用矩阵分解方法是在矩阵分解的结果上，为每个项增加权重：

f_θ(p_u，q_i)＝h^T(p_u⊙q_i)

其中h表示权重向量；

多层感知机方法是通过非线性的方法进行学习：

…

z_L＝ReLU(W_Lz_L-1+b_L)

f_θ(p_u，q_i)＝h^Tz_L

其中L表示多层感知机中隐含层的数量，W_x和b_x分别表示第x层的权重和偏置项，激活函数默认使用线性整流函数；

神经矩阵分解方法是将GMF和MLP两种按照预设的权重结合起来：

其中h表示权重向量，z_L为通过MLP学习得到的隐含层最后一层的结果。

4.根据权利要求3所述的基于大数据的视频信息推荐方法，其特征在于，所述的根据特征预处理所得的用户行为特征输入神经网络进行学习，得到结果信息还包括：

使用jieba分词对所有视频资源的主题词进行分词操作；

比较所有资源中的主题词与某时间段内用户偏好的视频主题词的特征差别率；

将主题词小于特征差别率的归为用户偏好视频。