专利交易市场

本发明提供一种基于大数据的短视频推荐方法及系统。一种基于大数据的短视频推荐系统，包括：操作信息获取模块、操作信息匹配模块、信息数据获取模块、信息数据处理模块、视频推送模块和感兴趣视频处理模块。本发明通过信息数据获取模块获取视频G的相关数据，信息数据处理模块根据获取的视频G相关数据得到推送视频集合和其内部视频的推送顺序，视频推送模块根据得到的推送视频集合内部视频的推送顺序推送其内部视频，由此优化视频推荐策略，针对不同的用户制定更为个性化的推荐策略，能够很好的提高用户的满意度和留存率。

本申请实施例属于短视频大数据领域，涉及一种短视频推荐方法，包括：在检测到短视频播放操作时，发送兴趣调查表至播放短视频的用户终端，以便观看短视频的用户通过兴趣调查表选择感兴趣的标签；接收用户终端反馈的兴趣调查表，并建立兴趣记录表，对兴趣记录表中的标签作优先级别排序处理；根据兴趣记录表中的标签优先级别，预推送短视频并在用户终端的推荐列表显示，检测用户对视频的喜爱程度以实时更新兴趣记录表中的标签优先级别；在检测到刷新页面或再次启动系统时，以更新后的兴趣记录表中的标签优先级别预推送短视频并在终端的推荐列表显示。本申请还提供一种短视频推荐装置、计算机设备及存储介质。本申请可以提高所推荐的短视频的准确率。

本发明涉及计算机、人工智能领域，提供了一种多模态对抗学习型视频推荐方法和系统。本发明的方法通过引入被推荐项目的图像信息，将层次核描述子特征、“跨模态语义”、对抗学习等关键技术融入贝叶斯个性化排序模型中，构造出MVABRP模型，基于MVABPR模型优选一组最相关的项目推荐给用户。根据本发明的方法或系统，可基于异构数据（用户评分矩阵、图像）完成推荐任务，在一定程度上缓解推荐中的“数据稀疏”问题，并提升推荐的个性化程度。

本发明提供了一种基于短视频多模态特征的短视频推荐模型，包括：步骤1，对短视频标题特征，使用TF‑IDF方法进行特征提取，使用PCA降维算法将短视频标题特征向量维度降维到k维；步骤2，提取短视频内容的128维原始特征，使用PCA降维算法将短视频内容特征向量维度降维到k维；步骤3，提取短视频背景音乐的128维原始特征，使用PCA降维算法将短视频背景音乐特征向量维度降维到k维。本发明考虑到不同模态的特征数据对用户产生的用户行为的影响效果是不同的，并利用隐马尔可夫模型去学习短视频的不同模态数据对于用户的影响比重，基于影响比重将短视频的多模态特征映射到统一向量空间进行融合，获得用多模态数据特征表示的短视频特征数据。

本发明提出一种基于强化学习的个性化短视频推荐方法以及系统，个性化短视频推荐方法包括：收集单个用户的历史记录，得到真实数据分布和专家轨迹；将真实数据分布输入GAN‑SD算法，对用户的特征进行建模，得到用户特征分布；将用户特征分布和专家轨迹输入到MAIL算法，对用户的交互行为建模，得到用户的决策函数；得到用户特征分布和决策函数后，完成对用户的建模；建模推荐引擎和用户的马尔科夫决策过程，用TRPO+ANC算法训练推荐引擎的马尔科夫决策过程，根据得到的累积回报值确定不同动作下的短视频推荐策略，从短视频推荐策略中选择最优的短视频推荐策略，将该策略加载为实际使用的推荐引擎。

本发明公开了一种短视频推荐方法、系统、及设备，步骤包括：获得目标视频的两个特征向量，将目标融合张量利用Tucker分解成一个核心张量和三个因子矩阵，利用Tucker融合将目标视频的两个特征向量与核心张量和三个因子矩阵进行融合并且在融合过程中为核心张量通过差分隐私添加噪声，得到融合后的目标特征隐私向量，然后通过神经协同过滤计算出最终预测结果，通过最终预测结果判断是否向目标用户推荐目标视频，总体实现了隐私保护、特征融合和推荐系统。