视频推荐方法、装置、设备、存储介质及程序产品与流程

本技术实施例涉及机器学习领域，特别涉及一种视频推荐方法、装置、设备、存储介质及程序产品。

背景技术：

1、序列推荐是指利用历史时刻所有的历史序列信息以及当前时刻对应的信息来预测下一时刻的推荐信息。例如，用户在第一时刻观看了a类视频，在第二时刻观看了b类视频，基于用户在第一时刻和第二时刻观看的视频预测出第三时刻向用户推荐的视频。

2、相关技术中，在视频推荐场景中，在向用户推送相关推荐之前，获取用户的历史推荐视频序列，基于循环神经网络向用户推荐与历史视频序列相似的视频，最终得到推荐结果。

3、然而，在上述相关技术中，序列推荐模型仅通过相似性向用户推荐视频，即，仅通过考量相似性确定与历史视频序列相似的视频为最终推荐结果。例如，在历史推荐视频序列中，用户不喜欢a类视频，但相关技术中依然会推荐与a类视频相似的视频。上述相关技术中，视频推荐的考量方式较为单一，直接影响了视频推荐的准确度。

技术实现思路

1、本技术提供了一种视频推荐方法、装置、设备、存储介质及程序产品，能够提高视频推荐的准确度。所述技术方案如下：

2、根据本技术的一方面，提供了一种视频推荐方法，所述方法包括：

3、获取目标账号的历史推荐视频序列向量和候选视频集中候选视频对应的候选视频向量，所述历史推荐视频序列向量包括历史推荐视频序列中视频对应的特征向量；

4、以所述历史推荐视频序列向量作为分析参数，得到所述历史推荐视频向量中每一个视频对应的推荐相似度值及推荐反相似度值，所述推荐相似度值是指所述历史推荐视频序列中任一视频与其他视频之间的相似度值的和，所述推荐反相似度值是指所述历史推荐视频序列中任一视频与其他视频之间的差异值的和；

5、对所述历史推荐视频序列向量中同一视频对应的所述推荐相似度值和所述推荐反相似度值进行融合，得到所述历史推荐视频序列向量对应的视频推荐向量；

6、基于所述视频推荐向量和所述候选视频向量进行推荐度值计算，得到所述视频推荐向量和所述候选视频向量之间的推荐度值；

7、根据所述推荐度值，向所述目标账号推荐所述候选视频。

8、根据本技术的一方面，提供了一种视频推荐模型的训练方法，所述方法包括：

9、获取目标账号的历史推荐视频序列向量、候选视频集中正候选视频样本对应的正候选视频样本向量和负候选视频样本对应的负候选视频样本向量，所述历史推荐视频序列向量包括历史推荐视频序列中视频对应的特征向量；

10、以所述历史推荐视频序列向量作为分析参数，得到所述历史推荐视频向量中每一个视频对应的推荐相似度值及推荐反相似度值，所述推荐相似度值是指所述历史推荐视频序列中任一视频与其他视频之间的相似度值的和，所述推荐反相似度值是指所述历史推荐视频序列中任一视频与其他视频之间的差异值的和；

11、对所述历史推荐视频序列向量中同一视频对应的所述推荐相似度值和所述推荐反相似度值进行融合，得到所述历史推荐视频序列向量对应的视频推荐向量；

12、基于所述视频推荐向量和所述正候选视频样本向量进行推荐度值计算，得到所述视频推荐向量和所述正候选视频样本向量之间的第一推荐度值；基于所述视频推荐向量和所述负候选视频样本向量进行推荐度值计算，得到所述视频推荐向量和所述负候选视频样本向量之间的第二推荐度值；

13、基于所述第一推荐度值及所述第二推荐度值，计算损失函数值；

14、基于所述损失函数值对所述视频推荐模型的模型参数进行更新。

15、根据本技术的一方面，提供了一种视频推荐装置，所述装置包括：

16、获取模块，用于获取目标账号的历史推荐视频序列向量和候选视频集中候选视频对应的候选视频向量，所述历史推荐视频序列向量包括历史推荐视频序列中视频对应的特征向量；

17、计算模块，用于以所述历史推荐视频序列向量作为分析参数，得到所述历史推荐视频向量中每一个视频对应的推荐相似度值及推荐反相似度值，所述推荐相似度值是指所述历史推荐视频序列中任一视频与其他视频之间的相似度值的和，所述推荐反相似度值是指所述历史推荐视频序列中任一视频与其他视频之间的差异值的和；

18、融合模块，用于对所述历史推荐视频序列向量中同一视频对应的所述推荐相似度值和所述推荐反相似度值进行融合，得到所述历史推荐视频序列向量对应的视频推荐向量；

19、所述计算模块，还用于基于所述视频推荐向量和所述候选视频向量进行推荐度值计算，得到所述视频推荐向量和所述候选视频向量之间的推荐度值；

20、推荐模块，用于根据所述推荐度值，向所述目标账号推荐所述候选视频。

21、在一种可能的实现方式中，所述计算模块，还用于以所述历史推荐视频序列向量作为分析参数，计算第i时刻对应的视频与所述历史推荐视频向量中其他时刻对应的视频之间的相似度值并累加求和，得到第i时刻对应的视频对应的推荐相似度值，i为正整数。

22、在一种可能的实现方式中，所述计算模块，还用于以所述历史推荐视频序列向量作为分析参数，基于第一自注意力机制网络计算第i时刻对应的视频与所述历史推荐视频向量中其他时刻对应的视频之间的相似度值并累加求和，得到第i时刻对应的视频对应的所述推荐相似度值。

23、在一种可能的实现方式中，所述计算模块，还用于以所述历史推荐视频序列向量作为分析参数，计算第i时刻对应的视频与所述历史推荐视频向量中其他时刻对应的视频之间的差异值并累加求和，得到第i时刻对应的视频对应的推荐反相似度值。

24、在一种可能的实现方式中，所述计算模块，还用于以所述历史推荐视频序列向量作为分析参数，基于第二自注意力机制网络计算第i时刻对应的视频与所述历史推荐视频向量中其他时刻对应的视频之间的差异值并累加求和，得到第i时刻对应的视频对应的所述推荐反相似度值。

25、在一种可能的实现方式中，所述计算模块，还用于将所述历史推荐视频序列向量对应的所述推荐相似度值输入至第一全连接层网络进行非线性拟合，得到第一中间视频推荐向量。

26、在一种可能的实现方式中，所述计算模块，还用于将所述历史推荐视频序列向量对应的所述推荐反相似度值输入至第二全连接层网络进行非线性拟合，得到第二中间视频推荐向量。

27、在一种可能的实现方式中，所述融合模块，还用于根据所述第一中间视频推荐向量和所述第二中间视频推荐向量对应的权重值将所述第一中间视频推荐向量和所述第二中间视频推荐向量进行相加，得到所述历史推荐视频序列向量对应的所述视频推荐向量。

28、在一种可能的实现方式中，所述获取模块，还用于获取所述目标账号的历史推荐视频序列；将所述历史推荐视频序列中的视频分别输入至特征提取网络进行特征提取，得到所述历史推荐视频序列向量。

29、根据本技术的一方面，提供了一种视频推荐模型的训练装置，所述装置包括：

30、获取模块，用于获取目标账号的历史推荐视频序列向量、候选视频集中正候选视频样本对应的正候选视频样本向量和负候选视频样本对应的负候选视频样本向量，所述历史推荐视频序列向量包括历史推荐视频序列中视频对应的特征向量；

31、计算模块，用于以所述历史推荐视频序列向量作为分析参数，得到所述历史推荐视频向量中每一个视频对应的推荐相似度值及推荐反相似度值，所述推荐相似度值是指所述历史推荐视频序列中任一视频与其他视频之间的相似度值的和，所述推荐反相似度值是指所述历史推荐视频序列中任一视频与其他视频之间的差异值的和；

32、融合模块，用于对所述历史推荐视频序列向量中同一视频对应的所述推荐相似度值和所述推荐反相似度值进行融合，得到所述历史推荐视频序列向量对应的视频推荐向量；

33、所述计算模块，还用于基于所述视频推荐向量和所述正候选视频样本向量进行推荐度值计算，得到所述视频推荐向量和所述正候选视频样本向量之间的第一推荐度值；基于所述视频推荐向量和所述负候选视频样本向量进行推荐度值计算，得到所述视频推荐向量和所述负候选视频样本向量之间的第二推荐度值；

34、所述计算模块，还用于基于所述第一推荐度值及所述第二推荐度值，计算损失函数值；

35、更新模块，用于基于所述损失函数值对所述视频推荐模型的模型参数进行更新。

36、在一种可能的实现方式中，所述计算模块，还用于以所述历史推荐视频序列向量作为分析参数，计算第i时刻对应的视频与所述历史推荐视频向量中其他时刻对应的视频之间的相似度值并累加求和，得到第i时刻对应的视频对应的所述推荐相似度值，i为正整数。

37、在一种可能的实现方式中，所述计算模块，还用于将所述历史推荐视频序列向量输入至所述第一自注意力机制网络中，计算第i时刻对应的视频与所述历史推荐视频向量中其他时刻对应的视频之间的相似度值并累加求和，得到第i时刻对应的视频对应的推荐相似度值，i为正整数。

38、在一种可能的实现方式中，所述计算模块，还用于以所述历史推荐视频序列向量作为分析参数，计算第i时刻对应的视频与所述历史推荐视频向量中其他时刻对应的视频之间的差异值并累加求和，得到第i时刻对应的视频对应的所述推荐反相似度值，i为正整数。

39、在一种可能的实现方式中，所述计算模块，还用于将所述历史推荐视频序列向量输入至所述第二自注意力机制网络中，计算第i时刻对应的视频与所述历史推荐视频向量中其他时刻对应的视频之间的差异值并累加求和，得到第i时刻对应的视频对应的推荐反相似度值。

40、在一种可能的实现方式中，所述视频推荐模型还包括第一全连接层网络、第二全连接层网络和特征融合网络；所述融合模块，还用于将所述历史推荐视频序列向量对应的所述推荐相似度值输入至所述第一全连接层网络进行非线性拟合，得到第一中间视频推荐向量；

41、所述融合模块，还用于将所述历史推荐视频序列向量对应的所述推荐反相似度值输入至所述第二全连接层网络进行非线性拟合，得到第二中间视频推荐向量；

42、所述融合模块，还用于将所述第一中间视频推荐向量和第二中间视频推荐向量输入至所述特征融合网络并根据权重值进行相加，得到所述历史推荐视频序列向量对应的所述视频推荐向量。

43、在一种可能的实现方式中，所述获取模块，还用于获取所述目标账号的历史推荐视频序列；将所述历史推荐视频序列中的视频分别输入至特征提取网络进行特征提取，得到所述历史推荐视频序列向量。

44、根据本技术的另一方面，提供了一种计算机设备，该计算机设备包括：处理器和存储器，存储器中存储有至少一条计算机程序，至少一条计算机程序由处理器加载并执行以实现如上方面所述的视频推荐方法或所述的视频推荐模型的训练方法。

45、根据本技术的另一方面，提供了一种计算机存储介质，计算机可读存储介质中存储有至少一条计算机程序，至少一条计算机程序由处理器加载并执行以实现如上方面所述的视频推荐方法或所述的视频推荐模型的训练方法。

46、根据本技术的另一方面，提供了一种计算机程序产品，上述计算机程序产品包括计算机程序，所述计算机程序存储在计算机可读存储介质中；所述计算机程序由计算机设备的处理器从所述计算机可读存储介质读取并执行，使得所述计算机设备执行如上方面所述的视频推荐方法或所述的视频推荐模型的训练方法。

47、本技术提供的技术方案带来的有益效果至少包括：

48、通过获取目标账号的历史推荐视频序列向量和候选视频集中候选视频对应的候选视频向量；以历史推荐视频序列向量作为分析参数，得到历史推荐视频向量中每一个视频对应的推荐相似度值及推荐反相似度值；并根据权重值对历史推荐视频序列向量中同一视频对应的推荐相似度值和推荐反相似度值进行融合，得到历史推荐视频序列向量对应的视频推荐向量；基于视频推荐向量和候选视频向量进行推荐度值计算，得到视频推荐向量和候选视频向量之间的推荐度值；根据推荐度值，向目标账号推荐候选视频。本技术通过获取历史推荐视频序列中同一视频对应的推荐相似度值和推荐反相似度值，并从相似性和反相似性角度对候选视频进行综合性判断，提高了视频推荐的准确度。