[发明专利]一种基于序列胶囊网络的短视频点击率预测方法

说明书

本发明公开了一种基于序列胶囊网络的短视频点击率预测方法。该方法基于用户对短视频的点击序列，利用序列胶囊网络挖掘用户的多兴趣，预测用户对目标短视频的点击率。本方法主要由三个部分组成：第一部分是利用卷积神经网络从用户点击序列中抽取上下文特征；第二部分是利用序列胶囊网络将上下文特征转换到不同兴趣空间下，并在不同兴趣空间下捕捉用户行为的序列性，得到用户的多兴趣向量表征；第三部分是基于用户的多兴趣向量表征，进行短视频点击率的预测。

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序列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，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。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。

以上方法都考虑到用户短视频点击序列的序列性，但是没有考虑到用户的兴趣是多样的。以上方法在建模用户兴趣时，直接将用户兴趣当做一个整体，这样会损失很大部分信息，尤其是用户的主要兴趣会掩盖用户的次要兴趣。本方法认为用户的兴趣是多样的，比如，某个用户既喜欢风景类短视频又喜欢动物类短视频。而分别对多个兴趣空间下的用户行为转换进行建模更有利于预测的准确度。本方法利用序列胶囊网络将已经处理后的用户行为特征转换到不同兴趣空间下，并在不同兴趣空间下捕捉用户行为的序列性，得到用户的多兴趣向量表征。再基于用户的多兴趣向量表征，进行短视频点击率的预测。

发明内容

本发明所要解决的技术问题是基于用户对短视频的点击序列，挖掘出用户的多兴趣，预测用户对目标短视频的点击率。本方法采用胶囊网络从用户的点击序列挖掘用户的多兴趣。但是原本应用在图像领域的胶囊网络没有考虑输入的序列性，而用户的点击序列具有明显的时间序列性。因此，本方法创新性地改进原始胶囊网络，提出序列胶囊网络结构。为此，本发明采用以下技术方案：

一种基于序列胶囊网络的短视频点击率预测方法，包括以下步骤：

利用卷积神经网络从用户点击序列中抽取上下文向量表征。对于一个用户的点击行为序列可以表示为X＝[x₁，…，x_n]，其中是用户点击了的短视频封面图特征向量，d是特征向量长度。本方法采用一维卷积神经网络从点击序列抽取上下文向量表征。一维卷积神经网络的窗口宽度(window spanning)参数为w，步长(stride)参数为s，填充(padding)参数为p。输入的短视频序列为X＝[x₁,…,x_n]，输出的上下文序列特征为[e₁,…,e₄]，其中l是上下文序列的长度，且

利用序列胶囊网络从上下文向量表征中抽取用户多兴趣向量表征h_i。

u_i|j＝H_ie_j

h_i＝g(RNN_i(u_i|j))