[发明专利]视频动态推荐装置

摘要

本发明涉及社交媒体的视频挖掘和分析技术领域，具体提供了一种视频动态推荐装置，旨在解决如何准确地刻画用户的动态兴趣和视频推荐。为此目的，本发明中的视频动态推荐装置包括视频推荐模型，其可以依据一个或多个历史时刻的视频信息，获取当前时刻的推荐视频。具体地，视频推荐模型包括语义学习单元、用户行为分析单元、循环神经网络、用户相关性挖掘单元和模型训练单元。上述单元不仅可以充分挖掘视频语义信息、用户兴趣信息和不同用户兴趣的相关程度，还可以依据挖掘到的信息进行视频推荐，即实现了对用户观看视频偏好的动态刻画，提高了视频推荐的准确性，特别是提高了对互联网网络在线视频动态推荐的准确性。

主权项

1.一种视频动态推荐装置，其特征在于，所述装置包括视频推荐模型，其配置为依据一个或多个历史时刻的视频信息，获取当前时刻的推荐视频；所述视频推荐模型包括语义学习单元、用户行为分析单元、循环神经网络、用户相关性挖掘单元和模型训练单元；所述语义学习单元，配置为对预设训练集内的视频样本进行语义学习，得到视觉语义特征v_e和文本语义特征w_e；所述用户行为分析单元，配置为对所述视频样本进行用户行为分析，得到用户的历史感兴趣主题特征u和历史观看视频特征所述循环神经网络的输出信号为推荐视频的概率分布，在初始时刻的输入信号为T_uu，在后续时刻的输入信号为其中，所述T_u为能够将历史感兴趣主题特征u映射到所述视觉语义特征v_e或文本语义特征w_e对应维度的映射矩阵，所述T_x为能够将历史观看视频特征映射到所述视觉语义特征v_e或文本语义特征w_e对应维度的映射矩阵；所述v_{e_out}和w_{e_out}分别为依据循环神经网络得到的前一时刻最终推荐视频对应的视觉语义特征和文本语义特征；所述用户相关性挖掘单元，配置为对所述视频样本进行用户相关性挖掘，得到满足相关性判断条件的用户集合，并且依据所述用户集合内各用户对应的视频样本优化所述循环神经网络；所述模型训练单元，配置为对所述语义学习单元、用户行为分析单元、循环神经网络和用户相关性挖掘单元进行统一训练；所述模型训练单元包括如下式所示的统一训练损失函数L：其中，所述L_rec(u)为所述循环神经网络的损失函数，所述U为所述预设训练集对应的用户集合，所述u为用户集合U内用户的序号；所述L_sem为所述语义学习单元的损失函数；所述L_int为所述用户行为分析单元的损失函数；所述L_rel为所述用户相关性挖掘单元的损失函数；所述θ为视频推荐模型中待学习权重的集合，所述||θ||₂为集合θ的2范数；所述λ₁、λ₂、λ₃和λ₄均为预设的参数；所述语义学习单元的损失函数如下式所示：其中，所述v_e和v'_e分别为预设训练集内任意两个视频样本的视觉语义特征，所述w_e和w'_e分别为所述的任意两个视频样本的文本语义特征，所述V_e和W_e分别为视觉语义特征集合和文本语义特征集合；所述τ₁为第一阈值；所述用户行为分析单元的损失函数如下式所示：其中，所述D_u和D_x分别为历史感兴趣主题特征u和历史观看视频特征的维度，所述D_e为视觉语义特征v_e和文本语义特征w_e的维度，所述R为实数；所述循环神经网络的损失函数如下式所示：其中，所述N_r和a分别为推荐视频的总数和序号；所述N_v和b分别为预设训练集中视频样本的总数和序号；所述T_p为推荐视频的概率分布矩阵；所述和分别为概率分布矩阵Tp中的第a行元素和第b行元素；所述为基于用户u，循环神经网络的隐藏层在当前时刻t的输出特征；所述用户相关性挖掘单元的损失函数如下式所示：其中，所述h^α为基于用户α，循环神经网络的隐藏层在最后一时刻的输出特征；所述h^β为基于用户β，循环神经网络的隐藏层在最后一时刻的输出特征；所述h^γ为基于用户γ，循环神经网络的隐藏层在最后一时刻的输出特征；所述τ₂为第二阈值；所述(α,β,γ)为满足相关性判断条件的用户三元组，所述H为多个所述用户三元组构成的集合。