[发明专利]一种视频推送方法及装置

权利要求书

1.一种视频推送方法，其特征在于，包括：

构建视频用户相关性异构图，所述视频用户相关性异构图包括用户、视频和视频标签，以及所述用户、所述视频和所述视频标签相互之间的显式关联关系；

通过异构神经网络对所述视频用户相关性异构图进行学习，预测所述视频用户相关性异构图中所述用户、所述视频和所述视频标签相互之间的隐式关联关系；

通过全接连神经网络根据所述隐式关联关系确定每个用户对每个视频的喜好程度；

所述通过异构神经网络对所述视频用户相关性异构图进行学习，预测所述视频用户相关性异构图中所述用户、所述视频和所述视频标签相互之间的隐式关联关系包括：

通过元路径随机游走的方式提取所述视频用户相关性异构图的至少两个异构子图；

基于所述至少两个异构子图求取每个用户的用户表征、每个视频的视频表征和每个标签的标签表征；

基于所述用户表征、所述视频表征和所述标签表征，通过预设算法预测所述视频用户相关性异构图中所述用户、所述视频和所述视频标签相互之间的隐式关联关系；

所述基于所述至少两个异构子图求取每个用户的用户表征、每个视频的视频表征和每个标签的标签表征为：利用图神经网络GraphSage、结合注意力机制求取所述至少两个异构子图获取每个用户的用户表征、每个视频的视频表征和每个标签的标签表征。

2.根据权利要求1所述的视频推送方法，其特征在于，所述利用图神经网络GraphSage、结合注意力机制求取所述至少两个异构子图获取每个用户的用户表征、每个视频的视频表征和每个标签的标签表征包括：

利用图神经网络GraphSage、结合注意力机制和图自监督学习获取所述视频用户相关性异构图中任意两个用户之间、任意两个视频之间以及任意两个标签之间的相关性；

对所述相关性进行归一化处理，获取相关性分数；

根据所述相关性分数求取所述至少两个异构子图获取每个用户的用户表征、每个视频的视频表征和每个标签的标签表征。

3.根据权利要求2所述的视频推送方法，其特征在于，所述利用图神经网络GraphSage、结合注意力机制和图自监督学习获取所述视频用户相关性异构图中任意两个用户之间、任意两个视频之间以及任意两个标签之间的相关性包括：

通过所述图神经网络GraphSage和所述图自监督学习预测所述用户相关性异构图中任意两个节点之间存在的隐性连接；

通过所述注意力机制所述视频用户相关性异构图中任意两个用户之间、任意两个视频之间以及任意两个标签之间的相关性。

4.一种视频推送装置，其特征在于，包括：

异构图构建模块，用于构建视频用户相关性异构图，所述视频用户相关性异构图包括用户、视频和视频标签，以及所述用户、所述视频和所述视频标签相互之间的显式关联关系；

隐式关联关系预测模块，用于通过异构神经网络对所述视频用户相关性异构图进行学习，预测所述视频用户相关性异构图中所述用户、所述视频和所述视频标签相互之间的隐式关联关系，包括：通过元路径随机游走的方式提取所述视频用户相关性异构图的至少两个异构子图；基于所述至少两个异构子图求取每个用户的用户表征、每个视频的视频表征和每个标签的标签表征；基于所述用户表征、所述视频表征和所述标签表征，通过预设算法预测所述视频用户相关性异构图中所述用户、所述视频和所述视频标签相互之间的隐式关联关系，所述基于所述至少两个异构子图求取每个用户的用户表征、每个视频的视频表征和每个标签的标签表征为：利用图神经网络GraphSage、结合注意力机制求取所述至少两个异构子图获取每个用户的用户表征、每个视频的视频表征和每个标签的标签表征；

目标视频确定模块，用于通过全接连神经网络根据所述隐式关联关系确定每个用户对每个视频的喜好程度。

5.一种计算机设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当计算机设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如权利要求1至3中任一项所述视频推送方法。

6.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如权利要求1至3中任一项所述视频推送方法。