[发明专利]一种基于深度学习的短视频直播营销任务推荐方法

权利要求书

1.一种基于深度学习的短视频直播营销任务推荐方法，其特征在于，包括如下步骤：

(1)获取播主用户的直播营销数据和用户的历史行为数据；

(2)构建召回模型，步骤(1)获取的数据作为模型的输入，输出为拟推荐任务集合；

(3)出现新任务时，实施冷启动策略；构建排序模型，模型的输入包括拟推荐任务集合、人口统计学特征和用户行为特征，输出为任务的点击概率；

(4)选择点击概率最高的F个任务进行推荐。

2.根据权利要求1所述基于深度学习的短视频直播营销任务推荐方法，其特征在于，步骤(1)中，播主用户的相关直播营销数据用户的历史行为数据其中，X_s表示按照销量排序的带货播主带货数据的行为特征集合，表示第k个带货播主带货数据的行为特征，X_b表示按照时间顺序排列的用户历史行为特征集合，代表序列中第k个历史行为特征。

3.根据权利要求1所述基于深度学习的短视频直播营销任务推荐方法，其特征在于，步骤(1)中，通过网络爬虫的方式获取播主用户的直播信息和用户的历史行为数据。

4.根据权利要求1所述基于深度学习的短视频直播营销任务推荐方法，其特征在于，步骤(2)包括：

(2.1)输入层：输入的序列包括用户行为序列直播营销数据序列

(2.2)嵌入层：将高维的输入，嵌入为低维稠密的特征向量；初始化嵌入矩阵，得到嵌入后的用户行为序列和直播营销数据序列

(2.3)提取层：采用基本注意力机制，处理嵌入后的序列，得到处理后的用户行为序列和直播营销序列为并进行拼接；

(2.4)隐藏层，负责对召回模型的训练，将提取层的输出向量，作为输入，使用深度神经网络进行模型训练，该网络拥有3层，使用监督学习的方式，得到训练好的模型；

(2.5)输出层，分为训练和在线服务两个部分；

训练部分：将召回模型隐藏层的输出，通过Softmax函数进行归一化，得到代表每个任务类型的权重向量；再通过分类，得到拟推荐用户的营销任务类型的典型任务集合L₁＝[l₁,...,l_N1]；

在线服务部分：用最近邻算法，根据L₁，从直播营销任务数据库中，计算出与每个类型的典型任务最相似的前N个任务，作为对应类型的拟向用户推荐的任务集合。

5.根据权利要求4所述基于深度学习的短视频直播营销任务推荐方法，其特征在于，步骤(2.3)包括：

(2.3.1)利用点积法，分别计算两个嵌入后的序列中，特征向量与查询向量的相关程度，作为权重w_k；

(2.3.2)使用Softmax函数对权重w_k进行归一化，得到归一化后的权重

(2.3.3)基于归一化后的权重对特征计算加权和其中，对应或为用户行为序列对应的注意力机制输出结果或直播营销数据序列对应的注意力机制输出结果

(2.3.4)将和进行拼接，得到向量

6.根据权利要求1所述基于深度学习的短视频直播营销任务推荐方法，其特征在于，步骤(3)中，出现新任务时，实施冷启动策略，具体包括：判断步骤2得到的拟推荐的目标任务中是否存在新出现的直播任务t^new：

(3.1.1)如果出现新的直播任务，则针对出现新任务t^new的任务类型，计算任务t^new与直播营销任务数据库中其他任务的余弦相似度s_cos；选择与t^new相似度最高的K₁个任务，加入对应任务类型的集合；对所有新任务实施冷启动策略后，得到的拟推荐任务集合作为排序模型的输入t；

(3.1.2)如没有出现新的直播任务，则直接将步骤(2)得到的拟推荐任务作为t，输入排序模型。

7.根据权利要求6所述基于深度学习的短视频直播营销任务推荐方法，其特征在于，步骤(3.1.1)中，K₁≤N。

8.根据权利要求1所述基于深度学习的短视频直播营销任务推荐方法，其特征在于，步骤(3)中，构建排序模型，包括：

(3.1)输入层：将用户的人口统计学特征p、目标任务t和用户行为特征X_b作为输入；

(3.2)嵌入层：将高维的输入，嵌入为低维稠密的特征向量；初始化嵌入矩阵，得到嵌入后的人口统计学特征用户行为特征目标任务

(3.3)注意力层：使用基本注意力机制，获取不同的用户行为特征对于任务预测的重要性，作为权重基于对特征计算加权和将拼接起来，输入隐藏层；

(3.4)隐藏层：使用Relu激活函数，作为下一层的输入部分，由于排序模型是一个二分类排序模型，使用二分类交叉熵损失函数，作为排序模型的优化函数L₂；

(3.5)输出层：由于排序模型是一个二分类模型，使用Softmax得到预测的点击概率。