[发明专利]一种基于天鹰优化算法的长视频推荐方法

说明书

本申请公开提供了一种基于天鹰优化算法的长视频推荐方法，包括：通过召回方式得到粗筛的推荐结果；将所述粗筛的推荐结果输入长视频推荐模型得到待推荐队列，所述长视频推荐模型是基于天鹰优化算法模型训练得到的；将所述待推荐队列存储至待播放列表，等待用户操作时推荐相应视频，解决了现有技术中，逻辑回归算法中Logistic回归系数，通常采用牛顿迭代法计算对数似然函数所得，牛顿迭代法在每次迭代中要重新计算海森矩阵，且在最优解附近的收敛速度急速下降的问题。

技术领域

本发明涉及个性化推荐技术领域，具体涉及一种基于天鹰优化算法的长视频推荐方法。

背景技术

近年来，视频业务迅速发展，这种视频业务又被称为 0TT视频，是指基于互联网的视频服务，但是，0TT视频在长视频运营过程中存在人力投入大、运营效率低、用户体验差等问题，因此，实践中通过智能推荐系统对 0TT长视频进行智能运营，根据用户的历史观看视频的喜好推荐视频，做到个性化视频推送服务，以便提高用户体验。

在长视频个性化推荐实践中，系统首先须具备用户观影行为记录采集、存储和分析功能，通过算法模型从用户观影记录中挖掘用户可能偏好的影片，在现有的同类技术中主要是使用深度学习技术解决推荐算法模型的实现以及使用实时流技术应对用户观影记录数据的处理。

现有技术缺点：逻辑回归算法中Logistic 回归系数，通常采用 Newton 迭代法计算对数似然函数所得，Newton迭代法在每次迭代中要重新计算海森矩阵，且在最优解附近的收敛速度急速下降的问题；实时性场景不适配，长视频的侧重点在于内容，并且一次有效的播放时长一般以分钟为单位计时，对于推荐实时性要求不高，采用Flink实时流技术进行长视频信息处理不太合适，采用Spark配合Hive离线训练模型并存储推荐结果备用又过于僵化，无法灵活应对推荐场景的问题。

发明内容

因此，本发明要解决的技术问题在于克服现有技术中逻辑回归算法中Logistic回归系数，通常采用牛顿迭代法计算对数似然函数所得，牛顿迭代法在每次迭代中要重新计算海森矩阵，且在最优解附近的收敛速度急速下降的问题，从而提供一种基于天鹰优化算法的长视频推荐方法。

为解决上述技术问题，本发明公开实施例至少提供一种基于天鹰优化算法的长视频推荐方法。

第一方面，本发明公开实施例提供了一种长视频推荐模型训练的方法，包括：

根据播放记录数据生成用户属性特征、长视频属性特征和表征用户与长视频交互行为的评分表；

根据所述表征用户与长视频交互行为的评分表生成标签数据；

将所述用户属性特征、长视频属性特征和标签数据进行拼接，生成训练数据；

利用所述训练数据对天鹰优化算法模型进行训练，得到长视频推荐模型。

可选地，所述交互行为包括：点赞、收藏、观看时长和观看次数；

所述表征用户与长视频交互行为的评分表是按照以下方式生成的，包括：

根据所述播放记录数据中的用户及其播放的长视频，组成用户-长视频对；

对于每个用户-长视频对，按照下式计算表征该用户与该长视频交互行为的评分值：

其中，m表示是否点赞，n表示是否收藏，p表示观看时长，l表示该长视频的总时长，q表示观看次数，a、b、c、d为权重系数；

根据对于每个用户-长视频对的评分值生成所述评分表。

可选地，所述权重系数随时间的推移而递减。

可选地，所述根据所述表征用户与长视频交互行为的评分表生成标签数据，包括：