[发明专利]一种基于深度学习行为序列的视频推荐方法及系统

权利要求书

1.一种基于深度学习行为序列的视频推荐方法，其特征在于，所述方法包括以下步骤：

步骤S1、根据视频平台上用户的行为足迹，提取用户评价行为序列信息，以构建视频序列，且将所述视频序列预处理之后，将每一视频名均作为一个词，通过预设的词向量模型以负采样的方式训练，得到与各视频名相对应的视频特征向量，并将各视频特征向量组成视频特征向量库；

步骤S2、在所述视频特征向量库中，对用户评价行为序列进行词嵌入，并利用预设的深度学习网络，提取各视频特征向量的深度特征，以捕捉各视频特征向量之间的潜在联系，且进一步对用户的评价行为序列进行预测，预测出一系列视频来形成候选推荐视频集合；

步骤S3、根据预定规则，对所述候选推荐视频集合中视频进行初步筛选，并结合预设用户兴趣模型所计算的用户对每类视频的兴趣得分，得到用户兴趣偏好分布，且进一步基于所述用户兴趣偏好分布，对初步筛选后的候选推荐视频集合中视频进行二次筛选，得到向用户推荐的最终视频列表。

2.如权利要求1所述的基于深度学习行为序列的视频推荐方法，其特征在于，所述步骤S1具体包括：

基于用户在所述视频平台上产生的行为足迹，得到用户评价行为序列信息；其中，所述用户评价行为序列信息包括用户标识、视频标识、评价分数、评价时间戳及视频类型；

根据所述用户评价行为序列信息中的评价时间戳，构建视频序列，并利用预设的间隔时间桶，将所述视频序列切分成若干个序列并类比成自然语言语料的词序列；

将各切分的视频序列中每一视频名均作为一个词，通过预设的Word2Vec词向量模型采用负采样技术构建负样本，并结合所述视频序列中原有的各视频为正样本，形成训练样本；

构建视频特征向量模型目标函数，并采用所述训练样本对所述视频特征向量模型目标函数进行训练，得到与各视频名相对应的视频特征向量，且进一步将所得到的各视频特征向量组合成视频特征向量库。

3.如权利要求2所述的基于深度学习行为序列的视频推荐方法，其特征在于，所述方法进一步包括：

在采用所述训练样本对所述视频特征向量模型目标函数进行训练时，通过设定窗口大小及视频特征向量维度，并采用随机梯度上升法和自适应学习率来优化所述视频特征向量模型目标函数，以得到与各视频名相对应的视频特征向量。

4.如权利要求1所述的基于深度学习行为序列的视频推荐方法，其特征在于，所述步骤S2具体包括：

在所述视频特征向量库中，将每部视频所对应视频特征向量进行特征向量嵌入，组成视频特征向量矩阵；

采用深度学习技术对所述视频特征向量矩阵进行分析，通过卷积神经网络以及残差网络提取视频的深度特征，再通过基于长短期记忆网络以及注意力机制优化的Seq2Seq网络对深度特征序列进行深度提取特征，并预测出一系列视频为推荐候选视频来形成候选推荐视频集合。

5.如权利要求1所述的基于深度学习行为序列的视频推荐方法，其特征在于，所述步骤S3具体包括：

通过视频特征向量计算相似度，寻找候选视频的相似视频，以实现对所述候选推荐视频集合中视频进行初步筛选；

融合时间函数与视频的评价来建立用户兴趣模型，并根据所述用户兴趣模型，计算出用户对每类视频的兴趣得分，得到用户兴趣偏好分布；

基于所述用户兴趣偏好分布，对初步筛选后的候选推荐视频集合中视频进行过滤及排序，得到向用户推荐的最终视频列表。

6.如权利要求5所述的基于深度学习行为序列的视频推荐方法，其特征在于，所述相似度的计算通过公式来实现；其中，sim为视频N和视频M的余弦相似度；为中的元素，为第i个视频的特征向量，即视频i可记为d为视频特征向量矩阵。