CN114117126B 一种视频推 荐方法及显示设备 （聚好看科技股份有限公司）

述推荐模型是根据长视频与短视频之间的相似2在接收到目标用户的短视频推荐请求时，调用推荐模型，控制所述推荐模型进行预测并输出匹配所述目标用户击率预估模型得到的，所述第一向量是将从长视频特征中提取出与短视频特征的共有特所述第二排序模型是以第二向量作为训练样本，利用深度交叉网所述第一加权系数用于表征所述推荐模型偏重旧领域先验知识的比例控制所述推荐模型对预测结果进行优先级排序，得到所述短视频获取所述推荐模型按照得分降序排序后输出的预测结果，所述将推荐页面中显示的短视频推荐信息由第M批切换至3将所述短视频特征、所述用户特征和所述目标长视频特征迁移的根据可调的第一加权系数和第二加权系数，对所述第一排序模型和4能感兴趣的短视频资源。然而对于应用平台内的新注册用户或视频观看行为不活跃的用5视频播放界面的指定位置处同步显示推荐板块，推荐板块中向用户展示推荐的相关短视6[0040]在一些实施例中，显示设备200还可以采用除了控制装置100和智能设备300之外收用户的语音指令控制，也可以通过显示设备200设备外部设置的语音控制装置来接收用置100可接收用户的输入操作指令，且将操作指令转换为显示设备200可识别和响应的指7[0052]在一些实施例中，通信器220是用于根据各种通信协议类型与外部设备或服务器通信器220与控制装置100或服务器400建立控制信号和数据信号的发8[0064]在一些实施例中，用户可在显示器260上显示的图形用户界面(GUI)输入用户命9[0070]框架层为应用程序层的应用程序提供应用编程接口(applicationprogramming(ContentProvider)等，其中管理器包括以下模块中的至少一个：活动管理器(Activity于给系统服务或应用提供了系统位置服务的访问；文件包管理器(PackageManager)用于检索当前安装在设备上的应用程序包相关的各种信息；通知管理器(Notification卓操作系统会运行系统运行库层中包含的C/C++库以实现框频点播程序的界面可以如图5中所示，至少包括导航栏510和位于导航栏510下方的内容显[0076]在一些实施例中，显示设备启动后可以直接进入上次选[0077]以上实施例介绍了显示设备的硬件/软件架构以及功能实现等内容，对于与该显中向用户显示由推荐系统进行大数据建模后，预测输出的符合用户兴趣偏好的推荐信息触发换一批控件72，推荐信息会将排序到第N+1位～第2N位的短视频信息组成第二批推荐至第M+1批。前述图6示例的推荐页面中也可采用通过换一批/翻页等类似操作来快捷切换精彩片段，或者在终端拍摄或录制的短视频，并借助同一应用平台进行发布并共享给其他用户观看，对于应用平台内的新注册用户或视频观看行为不活跃的用户，推荐系统无法精荐系统无法精准匹配该短视频可能会被哪些用户喜欢，这些就是推荐系统经常会面临的款全新的短视频应用平台，这就涉及场景和领域的扩展，新开发的短视频应用平台不可避免地也会遭遇冷启动问题。[0090]在一种示例性的实现方式中，用户特征可从用户注册时护一个长视频集其中i用于表示长视频的序号，ni用于表示第i个长视频。[0094]在一种示例性的实现方式中，计算每个itemSj与长视频集中的各集中的序号，从而构建长短视频的迁移关联(itemSj，itemLF1p可用于评估短视频被点击观看的概率和可能性。例如推荐模型y的预测结果示例性地表达p短视频集s=fiems,⃞",用户对长视频集的行为标签数据表达为{(ui,和V3特征向量化后的维度，上述向量中任i与itemSj的余弦相似度。相似性最高的目标长视频itemLj0。LSH的基本思想是在MinHashing(最小哈希)所得的长短视频之间的兴趣迁移，获取短视频itemSj与用户uk间的行为交互(uk,itemSj,向量U2，即将U2作为练CTR(Click-Through-Rate，点击给上层的CrossNetwork&DeepNetwo[0111]DCN的中间层包括并行的CrossNetwork&DeepNetwork，CrossNetwork是DCN的导致其表达能力受限，为了能够学习高阶非线性的组合特征，DCN中引入了并行的Deep[0112]DCN的顶层为CombinationLayer(拼接层)，用于将CrossNetwork和Deep预测概率p2表征模型F2预测的用户点击观看短视频2主要侧重迁移后的短视频新场景，该模型以其输出概率为推荐得分提供参U00作为训练ui-fu,u…u,似",⃞"…",labelrn}作为训练样本，输入至DCN模型的中间层进行运算，预测概率p1表征模型F1预测的用户点击观看短视频的概1主要侧重迁移前长视频领域的旧有知识，该模型以其输出概率为推荐得分提供型y＝w1*F1+w2*F2，其中w1为第一加根据用户和应用平台的动态而进行更新，例如根据输入变量来更新推荐模型中的参数配中长视频的入库和离库状态(涉及到长视频集的更新)、短视频的发布和撤销状态等(涉及[0124]步骤S2，控制所述推荐模型进行预测并输出匹配所述目标用户的短视频推荐信的模型算法不限于DCN，还可采用其他适用于推荐系统的算法，如FM(Factorization产品的神经网络)模型、NFM(NeuralFactorizationMachine，神经因子分解机)模型、而使得本领域技术人员更好的使用所述实施方式以及适于具体使用考虑的各种不同的变