[发明专利]一种适用于短视频推荐打散的分类方法及系统

说明书

本发明公开了一种适用于短视频推荐打散的分类方法及系统，分类方法包括步骤：S1、基于用户的历史短视频点击数据构建短视频转移网络；S2、基于所述短视频转移图网络计算短视频间的转移概率；S3、基于所述短视频转移网络，根据计算的转移概率进行随机游走生成短视频转移序列；S4、根据所述短视频转移序列进行短视频的表示学习，生成短视频的低维度向量表示；S5、基于所述短视频的低维度向量表示、利用聚类算法为短视频分类。本发明充分考虑短视频间的转移关系，采用无监督学习方法生成符合短视频推荐打散的分类，提升了短视频打散的精度，进而提高了短视频推荐的有效性。

技术领域

本发明涉及视频推荐领域，具体涉及一种适用于短视频推荐打散的分类方法及系统。

背景技术

在短视频推荐中，个性化推荐给用户的经常是同一类视频，比如，当用户点击了搞笑视频后，会推荐给用户大量搞笑视频；点击一个足球视频，会给用户展示大量足球视频。所以在推荐系统中，经常需要对输出结果按类别进行限制以及重排序。打散的作用是保证同一类目视频推荐的频率不会太高，避免用户在前端感觉内容的同质化，保证内容的多样性。

打散的关键在于视频的类别的正确性以及覆盖率。短视频的类别定义主要根据(1)人工定义分类；(2)基于人工标定的大量视频类别数据，运用有监督的分类方法进行分类；现有技术中通常是两种方法结合给短视频池进行分类打标签。

一般短视频的内容池有上亿条视频，并且每天会新产生十万级别的新视频，给庞大的短视频进行类别的定义按照(1)人工定义分类，需要庞大的打标人员才能应对，同时人员的分类标准也受到个人主观性的影响，所以人工打标通常只能覆盖小部分比例的视频；(2)运用有监督的分类方法进行分类，仍需要大量的标注数据，并且只能覆盖一定的类别，对于没有涉及的类别无法起到分类的作用。

针对上述人工定义分类方法覆盖率较低以及所需人力的问题、运用有监督分类所需的大量标注数据以及特定类别的打标签问题，公开号为CN 108154137 A的发明专利申请公开了一种视频特征学习方法，方法包括：获得待训练的视频样本；按照预设帧数对所述视频样本进行等间隔采样，由采样的视频帧组成视频分段；针对各视频分段，提取各视频分段的视觉特征，并计算各视觉特征对应的运动基元数量基于各视频分段的运动基元数量和预设约束条件对目标分类模型进行训练，得到训练后的目标分类模型，以实现对视频特征的学习。

上述基于无监督的聚类方法虽然无需相应的视频类别标注数据以及大量标注人员，但是其聚类的过程仅基于视频本身的视觉特征，完全不涉及视频间的关联关系，基于该聚类的结果不能实现很好的视频推荐效果。因此，如何针对短视频推荐的特征，实现适用于短视频推荐打散的分类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，提供了一种适用于短视频推荐打散的分类及系统。本发明充分考虑短视频间的转移关系，采用无监督学习方法生成符合短视频推荐打散的分类，提升了短视频打散的精度，进而提高了短视频推荐的有效性。

为了实现以上目的，本发明采用以下技术方案：

一种适用于短视频推荐打散的分类方法，包括步骤：

S1、基于用户的历史短视频点击数据构建短视频转移网络；

S2、基于所述短视频转移图网络计算短视频间的转移概率；

S3、基于所述短视频转移网络，根据计算的转移概率进行随机游走生成短视频转移序列；

S4、根据所述短视频转移序列进行短视频的表示学习，生成短视频的低维度向量表示；

S5、基于所述短视频的低维度向量表示、利用聚类算法为短视频分类。

进一步地，所述步骤S1包括：

S11、采集用户点击的短视频、相应的点击时间及观看时间，构建历史短视频点击行为序列；