[发明专利]一种个性化视频推荐方法及系统

说明书

本发明公开了一种个性化视频推荐方法及系统，其中方法包括：S1、构建用户向量、视频向量，将所述向量存储在Faiss中；S2、判断用户是否需要进行兴趣探索，若是，执行步骤S3、若否，执行步骤S4；S3、基于该用户的用户向量及其好友或者相同地域用户的ID，更新用户向量；S4、基于用户向量在Faiss中进行视频召回，为用户生成推荐视频。本发明在避免视频推荐过程中推荐的内容类型固定问题的同时，仍能维持高的推荐效率。同时，结合社交关系网及自身特性进行推荐，推荐效果好。

技术领域

本发明涉及内容推荐领域，具体涉及一种个性化视频推荐方法及系统。

背景技术

随着各种应用的流行，企业能收集更多更全的用户数据，如何利用这些数据提高收入是各企业都会面临的问题。最常见的方式就是个性化推荐，特别是在电商、视频网站或其它的内容平台。基于社交关系网的推荐是常用的推荐方法。相同或相近志趣的人喜欢的内容越有可能相同，因此，基于社交关系网的推荐是基于自己关注的朋友所喜欢内容去推荐。然而，在基于社交关系网的推荐过程中，仅考虑了用户间的社交关系，而没有考虑用户自身的特征，完全依赖社交关系网人物的喜好。

此外，针对现有的个性化推荐进行推荐的内容类型趋向不变，不能不断探索用户的其他兴趣的问题，现有的推荐系统提出Multi Armed Bandit(简记为bandit)算法，Bandit算法的效果通常采用累积遗憾进行衡量，具体为：

推荐的收益用户点击和没有点击，即非0即1，也就是伯努利收益，其中，w_B(i)是第i次试验时被选中臂的期望收益，w^*是所有臂中的最佳那个，T为试验次数。

该方法通过累计遗憾，来选择最佳的方案，具体步骤如下：

1)假设概率p的概率分布符合beat(wins,loses)分布，有2个参赛wins，loses；

2)对应的每一类维护beta分布参数，每次实验，有收益wins加一，没有收益loses加一；

3)推荐的时候每次根据每个类的beta分布产生一个随机数b，选择所有类中随机数最大的去推荐。

该算法赋予商品(视频/文章)一个Beta分布，而不是单一的值。每次排序时通过采样随机获得一个排序值，通过这种随机性来加大商品排序的变动性。但同时beta分布的均值会跟着商品的表现而改变，这样就能对商品进行区分，让表现好的商品有更大的概率获得高排序值，而不会像均匀分布那样每个商品的曝光机率永远保持不变。

然而，Bandit算法在通过累计用户表现来选择推荐的结果，当开始的时候用完对该类数据少的时候，结果可信度不高，因此在算法初期效果不佳；此外，当探索的类别过多的时候，每次需要计算每个类的随机数，耗时多；每个用户的每个类别都需要维护一个beta分布参数，存储消耗大。

因此，如何克服现有个性化推荐的缺点，实现高效、低耗的个性化视频推荐是本领域亟待解决的问题。

发明内容

本发明的目的是针对现有技术的缺陷，提供了一种个性化视频推荐方法及系统。通过对用户向量的随机更新，实现视频推荐过程中推荐的内容类型多样化，同时仍能维持高的推荐效率。此外，与现有的召回算法结合，系统开销小。

为了实现以上目的，本发明采用以下技术方案：

一种个性化视频推荐方法，包括：

S1、构建用户向量、视频向量，将所述向量存储在Faiss中；

S2、判断用户是否需要进行兴趣探索，若是，执行步骤S3、若否，执行步骤S4；

S3、基于该用户的用户向量及其好友或者相同地域用户的ID，更新用户向量；