视频推荐方法、模型训练方法、装置、电子设备及介质.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN114245185A(43)申请公布日2022.03.25(21)申请号202111450934.1(22)申请日2021.11.30(71)申请人北京达佳互联信息技术有限公司地址100089北京市海淀区上地西路6号1幢1层101D1-7(72)发明人廖一桥骆明楠(74)专利代理机构北京康信知识产权代理有限责任公司11240代理人黄海英(51)Int.Cl.H04N21/258(2011.01)H04N21/25(2011.01)H04N21/466(2011.01)G06N3/08(2006.01)权利要求书2页说明书17页附图4页(54)发明名称视频推荐方法、模型训练方法、装置、电子设备及介质(57)摘要本公开关于一种视频推荐方法、模型训练方法、装置、电子设备及介质，其中，视频推荐方法包括：获取目标账户针对目标视频应用的历史行为序列数据；将历史行为序列数据输入至预先训练的推荐模型，确定历史行为序列数据中的噪声序列数据；基于噪声序列数据，排除待推荐视频集合中的异常视频，得到目标推荐视频；向目标账户推送目标推荐视频。本公开中，向账户推送的视频更符合用户账号的使用习惯，提高用户使用视频推荐应用的兴趣。CN114245185ACN114245185A权利要求书1/2页1.一种视频推荐方法，其特征在于，包括：获取目标账户针对目标视频应用的历史行为序列数据；将所述历史行为序列数据输入至预先训练的推荐模型，确定所述历史行为序列数据中的噪声序列数据，其中，在训练所述推荐模型时，通过构建的两个具备相同模型结构的推荐模型中的其中一推荐模型查询另一推荐模型所使用的训练样本的样本损失值，并基于所述样本损失值调整所述训练样本的训练权重，利用调整训练权重后的所述训练样本训练得到所述推荐模型；基于所述噪声序列数据，排除待推荐视频集合中的异常视频，得到目标推荐视频；向所述目标账户推送所述目标推荐视频。2.根据权利要求1所述的推荐方法，其特征在于，所述通过构建的两个具备相同模型结构的推荐模型中的其中一推荐模型查询另一推荐模型所使用的训练样本的样本损失值，包括：获取训练样本；基于所述训练样本，调整初始构建的推荐模型的注意力结构，以调整所述训练样本中每个推荐视频对象的注意力权重，其中，所述注意力权重是基于每个推荐视频对象的行为序列数据与非序列数据之间的乘积得到；在调整所述推荐模型的注意力结构后，构建另一推荐模型，得到两个具备相同模型结构的推荐模型；采用构建的两个推荐模型中其中一推荐模型查询另一推荐模型所使用的训练样本的样本损失值。3.根据权利要求2所述的推荐方法，其特征在于，所述获取训练样本，包括：获取历史预设时间段中的账户数据、推荐视频对象的数据以及操作行为数据；将所述账户数据、推荐视频对象的数据以及操作行为数据划分为行为序列数据和非序列数据；基于划分的行为序列数据和非序列数据，确定所述训练样本。4.根据权利要求3所述的推荐方法，其特征在于，所述基于所述训练样本，调整初始构建的推荐模型的注意力结构，包括：选取所述训练样本中非序列数据的待评估序列维度；对所述训练样本中的非序列数据进行预处理，得到表征所述待评估序列维度的序列中心点的数据；为所述序列中心点的数据配置预设注意力权重；通过预设注意力权重，将所述序列中心点的数据添加至所述非序列数据的待评估序列维度中，以调整所述推荐模型的注意力结构。5.一种视频推荐模型训练方法，其特征在于，包括：获取训练样本，其中，所述训练样本至少包括：多个推荐视频对象以及每个推荐视频对象的历史行为序列数据与非序列数据；基于训练样本，调整初始构建的推荐模型的注意力结构，其中，用于注意力结构调整所述训练样本中每个推荐视频对象的注意力权重，所述注意力权重是基于每个推荐视频对象的历史行为序列数据与非序列数据之间的乘积得到；2CN114245185A权利要求书2/2页在调整推荐模型的注意力结构后，构建两个具备相同模型结构的推荐模型；采用两个具备相同模型结构的推荐模型中的其中一推荐模型查询另一推荐模型所使用的训练样本的样本损失值，并基于所述样本损失值调整所述训练样本的训练权重，利用调整训练权重后的训练样本训练得到所述推荐模型。6.一种视频推荐装置，其特征在于，包括：第一获取单元，设置为获取目标账户针对目标视频应用的历史行为序列数据；第一确定单元，设置为将所述历史行为序列数据输入至预先训练的推荐模型，确定所述历史行为序列数据中的噪声序列数据，其中，在训练所述推荐模型时，通过构建的两个具备相同模型结构的推荐模型中的其中一推荐模型查询另一推荐模型所使用的训练样本的样本损失值，并基于所述样本损失值调整所述训练样本的训练权重，利用调整训练权重后的训练样本训练得到所述推荐模型；排除