[发明专利]一种基于情感胶囊网络的短视频点击率预测方法

说明书

本发明属于互联网服务技术领域，尤其是涉及一种基于情感胶囊网络的短视频点击率预测方法。一种基于情感胶囊网络的短视频点击率预测方法，包括以下步骤：S1、将用户行为序列分割成块序列；S2、采用门机制从用户块序列和目标短视频中抽取模块特征；S3、利用情感胶囊网络获得用户对目标短视频的情感表征；S4、根据情感特征，预测用户对目标短视频的点击率；S5、根据模型特性，设计损失函数；S6、采用Adam优化器更新模型参数。本发明提供了一种利用短视频平台中用户的正反馈和负反馈数据，判断用户对目标短视频每个模块的情感，细粒度地预测用户对当前短视频的点击率的基于情感胶囊网络的短视频点击率预测方法。

技术领域

本发明属于互联网服务技术领域，尤其是涉及一种基于情感胶囊网络的短视频点击率预测方法。

背景技术

短视频是一种新型的且时间较短的视频。短视频的拍摄不需要使用专业设备，也不需要专业技巧。用户直接通过手机就可以很方便地进行拍摄和上传到短视频平台，因此短视频平台的短视频数量增长得非常快。这使得对有效短视频推荐系统的需求非常迫切，有效的短视频推荐系统可以提升用户体验和用户黏性，从而给平台带来巨大的商业价值。

近些年，很多研究者提出了基于视频的个性化推荐方法。这些方法可以分为三类：协同过滤、基于内容的推荐和混合推荐方法。但是相比于视频，短视频有着不同的特点：描述文本质量较低、时长较短且用户在一段时间内的交互序列较长。因此，短视频推荐是一个更具有挑战性的任务，并且有研究者提出了一些方法。例如，Wei等人采用图卷积结构去融合短视频的多模态信息，进而更好地模拟用户的偏好；Chen等人利用分层的注意力机制去计算物品和类目这两种级别的重要性，得到更准确的预测结果。

尽管这些方法取得不错的结果，但是这些结构只采用了用户的正反馈信息而忽略了负反馈信息。负反馈信息指用户看了短视频的封面，却没有点击观看的行为。最近的研究成果中，Li等人结合正负反馈数据，并使用基于图的循环神经网络去建模，最后得到用户的偏好。但是他们计算的是用户对短视频整体的偏好，实际上，视频有很多模块且用户对视频的不同模块有不同的情感和偏好。并且他们直接将正反馈和负反馈的预测结果加权求和，而没有细粒度地讨论正反馈和负反馈的具体作用。

发明内容

本发明所要解决的技术问题是提供一种利用短视频平台中用户的正反馈和负反馈数据，判断用户对目标短视频每个模块的情感，细粒度地预测用户对当前短视频的点击率的基于情感胶囊网络的短视频点击率预测方法。为此，本发明采用以下技术方案：

一种基于情感胶囊网络的短视频点击率预测方法，包括以下步骤：

S1、将用户行为序列分割成块序列；

S2、采用门机制从用户块序列和目标短视频中抽取模块特征，分别为用户块序列模块特征和目标短视频模块特征；

S3、利用情感胶囊网络获得用户对目标短视频的情感表征，通过胶囊网络从低层的模块特征抽取出情感特征，分析用户对短视频不同模块的情感来预测点击率，所述情感分为正面、负面和中立；

所述正面情感的数据来源于用户的正反馈序列，所述负面情感的数据来源于用户的负反馈序列，所述中立情感的数据来源于正反馈序列和负反馈序列的共同部分；

S4、根据情感特征，预测用户对目标短视频的点击率；

S5、根据模型特性，设计损失函数；

S6、采用Adam优化器更新模型参数。

其中，短视频由更细粒度的模块(比如，视频场景、视频主题、视频情绪)组成；所述情感分为正面(positive)、负面(negative)和中立(neutral)，在下述的公式中分别以三种情感的英文前3个字母来进行论证。