[发明专利]一种基于情感胶囊网络的短视频点击率预测方法

权利要求书

1.一种基于情感胶囊网络的短视频点击率预测方法，其特征在于包括以下步骤：

S1、将用户行为序列分割成块序列；

所述步骤S1还包括：

S11、用长度为w的窗口将一个用户的点击行为序列分割成m个块，每个块特征表征的计算方式如下：

其中，为用户在第k个块的偏好特征；

S12、采用相同的方式处理用户的负反馈信息，得到负反馈的块表征

S2、采用门机制从用户块序列和目标短视频中抽取模块特征，分别为用户块序列模块特征和目标短视频模块特征；

所述步骤S2的计算方法如下：

其中，代表第k块第i个模块特征，W_i,1和W_i,2是第i个模块的转移矩阵，是第i个模块的偏置向量，σ是sigmoid激活函数，⊙是元素级别的乘法，是点击序列中第k块的偏好特征，q_i是第i个模块的表征且q_i为所有用户共享；

所述步骤S2还包括：

S21、得到每个块的每个模块向量表征之后，采用平均池将所有的块中同一个模块信息聚合：

其中，m是块的个数，该公式从正反馈序列中得到M个模块特征

S22、采用相同的办法从负反馈序列中得到M个模块特征以及从目标短视频中得到M个模块特征

S3、利用情感胶囊网络获得用户对目标短视频的情感表征，通过胶囊网络从低层的模块特征抽取出情感特征，分析用户对短视频不同模块的情感来预测点击率，所述情感分为正面情感、负面情感和中立情感；

所述正面情感的数据来源于用户的正反馈序列，所述负面情感的数据来源于用户的负反馈序列，所述中立情感的数据来源于正反馈序列和负反馈序列的共同部分；

所述步骤S3还包括：

S31、把从用户序列抽取到的模块特征和目标短视频的模块特征一一配对，组合成激活单元：

其中，是目标短视频的第i个模块特征，是用户正反馈序列的第i个模块特征，⊙是元素维度的乘法，g是激活函数；

S32、采用相同的方法，得到负反馈序列的激活单元

S33、采用情感胶囊网络，从正反馈抽取出的激活单元中抽取情感特征：

其中，s∈{pos,neu}，是正反馈序列的第i个激活单元到情感胶囊s的转换矩阵；正面情感胶囊v_pos通过的加权和得到；是连接系数，代表的权重，参数采用动态路由算法更新；

所述激活函数g是胶囊网络中常用的向量激活函数：

其中，||·||代表向量的长度；

S34、采用情感胶囊网络，从负反馈抽取出的激活单元中抽取情感特征：

负面情感胶囊v_neg等于：

其中，s∈{neg,neu}；

S35、从正反馈和负反馈序列中抽取得到中立情感胶囊：

所述步骤S3还包括改进连接系数的更新方法，该方法包括：

S301、增加温度系数，增加温度系数改进动态路由系数公式如下：

其中，p∈{+,-}且s∈{pos,neg,neu}；是输入胶囊i到输出胶囊s的连接系数且初始化为0；τ是温度系数；

S302、依据不同短视频模块的重要程度修正动态路由系数公式如下：

其中，是激活单元的长度，p∈{+,-}并且s∈{pos,neg,neu}；

S4、根据情感特征，预测用户对目标短视频的点击率；

所述步骤S4还包括给定情感胶囊v_s，计算用户点击目标短视频的概率为：

其中，s∈{pos,neg,neu}，和是转移矩阵，是偏置向量，b_s,2是偏置标量；σ是sigmoid激活函数，b_u是用户维度的偏置，||v_s||是向量的长度；

S5、根据模型特性，设计损失函数；

所述步骤S5包括如下步骤：

S51、通过用户对目标短视频的点击率预测值计算预测值和真实值y之间的误差，以使用误差来更新模型参数；采用交叉熵损失函数来指导模型参数的更新过程：

其中，y∈{0,1}是真实值，代表用户是否点击了目标短视频；σ是sigmoid函数；

S52、增加边缘损失函数L_stm和不一致损失函数L_asp作为正则项，损失函数为：

其中,λ_s和λ_a分别是损失函数L_stm和L_asp的正则参数；

所述步骤S52中，所述边缘损失函数L_stm计算公式如下：

其中，代表数据集中所有用户，短视频,∈和λ是模型参数；当真实值y＝1时，v_s＝v_pos；否则，v_s＝v_neg；代表情感胶囊s的反面情感；

所述不一致正则项L_asp计算公式如下：

其中，M是模块向量q的个数；

S6、采用Adam优化器更新模型参数。