[发明专利]自适应加权的短视频推荐方法、电子设备和存储介质

说明书

本发明公开了一种自适应加权的短视频推荐方法、电子设备和存储介质，该短视频推荐方法步骤包括：1)提取用户和短视频的向量特征，并用于预训练双塔模型；2)自适应地为大众用户和小众用户中容易出错的样本赋予更高的权重，并基于加权后的损失函数更新模型参数；3)重复步骤2，直至样本权重和模型参数收敛为止，并得到更新后的双塔模型；4)利用更新后的双塔模型为用户生成最终的短视频推荐列表。本发明通过自适应加权在保证总体推荐准确率的情况下改善了小众用户的推荐准确率，可以应用在短视频推荐领域。

技术领域

本发明属于短视频推荐领域，具体的说是一种自适应加权的短视频推荐方法、电子设备和存储介质。

背景技术

由于用户时间碎片化、移动互联网和智能手机的快速普及、制作门槛低等原因，短视频最近几年引起广泛关注。短视频能够抢占用户注意力和流量的关键是短视频平台可以根据用户的喜好进行精准的视频推荐。然而推荐系统对于小众用户的推荐准确率却并不理想，这导致了短视频平台的活跃用户数下降和用户流失等问题。因此，提升小众用户推荐准确率已经成为短视频平台关心的重要问题。

发明内容

本发明是为了解决上述现有技术存在的不足之处，提出一种自适应加权的短视频推荐方法、电子设备和存储介质，以期能通过自适应地给容易被错分的样本赋予更高的权重，从而在不影响整体推荐性能的情况下提升对小众用户的推荐准确率，进而能有效提升用户存留率和活跃度。

本发明为达到上述发明目的，采用如下技术方案：

本发明一种自适应加权的短视频推荐方法的特点在于，包括以下步骤：

S1、根据用户观看热门短视频的占比，将用户划分为大众用户和小众用户，并获取大众用户和小众用户分别与短视频的历史交互记录并输入预训练的全连接神经网络中进行特征提取，得到大众用户的样本特征集合以及小众用户的样本特征集合其中，u_i表示第i条大众用户的样本(u_i，c_i)中的大众用户特征，c_i表示第i条大众用户的样本(u_i，c_i)中的视频特征；i＝1，2，…，N，N表示大众用户的样本总数；u′_j表示第j条小众用户的样本(u′_j，c′_j)中的小众用户特征，c′_j表示第j条小众用户的样本(u′_j，c′_j)中的视频特征，j＝1，2，…，M，M表示小众用户的样本总数；

S2、构建两个三层的全连接神经网络组成的双塔模型，并将大众用户的样本特征集合以及小众用户的样本特征集合分别输入所述双塔模型中，并相应输出大众用户样本的高阶特征集合以及小众用户样本的高阶特征集合为其中，p_i表示第i条大众用户的样本(p_i，q_i)中的大众用户高阶特征，q_i表示第i条大众用户的样本(p_i，q_i)中的视频高阶特征，p′_j表示第j条小众用户的样本(p′_j，q′_j)中的小众用户高阶特征，q′_j表示第j条小众用户的样本(p′_j，q′_j)中的视频高阶特征。

S3、利用式(1)构建双塔模型的交叉熵损失L：

式(1)中，表示p_i的转置，表示p′_j的转置，y_i表示第i条大众用户的样本(u_i，c_i)的标签，y′_j表示第i条大众用户的样本(u_i，c_i)的标签；