【技術實現步驟摘要】
本專利技術涉及視頻推薦，特別地涉及一種基于大數據的短視頻推薦方法及系統。
技術介紹
1、在現有的技術中，短視頻推薦主要基于用戶的瀏覽歷史、點贊、評論等行為數據，以及視頻的內容特征進行推薦，由于現有的推薦系統多數是基于傳統的機器學習算法，采用比較單一的視頻推薦方法，無法針對不同的用戶制定更為個性化的推薦策略，不能很好地適應用戶的興趣變化和需求變化，難以提供符合用戶需求和興趣的高質量推薦內容，難以提高用戶的滿意度和留存率。
技術實現思路
1、針對上述問題，本申請提供一種基于大數據的短視頻推薦方法及系統，根據獲取的視頻g相關數據得到推送信息，根據推送信息推送視頻，針對不同的用戶制定更為個性化的推薦策略，提供符合用戶需求和興趣的高質量推薦內容，實時更新推薦模型以提高用戶的滿意度和留存率。
2、作為本申請的一個方面，提供一種基于大數據的短視頻推薦方法，包括：
3、s1：獲取用戶對當前觀看視頻的操作信息，并與興趣操作列表進行匹配；
4、s2：若是與興趣操作列表中的任意一項或多項操作匹配成功，則將該視頻記為視頻g，進入s3；否則，返回s1；
5、s3：獲取視頻g中的文本信息，其中文本信息包括視頻文案和評論文本，并根據自定義詞典對視頻文案和評論文本進行分詞，將得到的詞語與停用詞表進行匹配，將未匹配成功的詞語記為特征詞da，由特征詞da組成特征詞集合d，基于特征詞集合d得到詞典向量；
6、s4：基于詞典向量，通過tf-idf算法計算每個特征
7、s5：根據特征詞暫存集合e內部的特征詞da與標簽數據庫的匹配結果，將與標簽數據庫匹配成功的特征詞da記為關鍵詞，并對其進行分類，其中一個標簽對應多個關鍵詞，得到標簽hc對應的關鍵詞集合，c=1、2、?、e，計算標簽hc對應的相關度值jc，jc為每個關鍵詞集合內關鍵詞tf-idf值的平均值，根據相關度值jc得到相關度值集合k1{le、le-1、?lc?、l1}，lc為相關度值集合k1內任意相關度值，相關度值集合k1由相關度值jc從大到小依次排序得到，由相關度值集合k1得到對應排列順序的標簽集合，并更新記為標簽集合f1{he、he-1、?hc?、h1}；
8、s6：從未觀看視頻庫中選擇標簽集合fp{he、he-1、?hc?、h1}內每個標簽hc的代表視頻集mh，h=1、2、?、e，p的初始值為1，p用于作為編號選擇標簽集合，根據標簽集合fp{he、he-1、?hc?、h1}內部的標簽順序從左往右依次從對應代表視頻集mh中隨機選取一個視頻，并將選擇的視頻依次記錄于推送視頻集合np{ξe、ξe-1、?ξc?、ξ1}，從未觀看視頻庫中刪除推送視頻集合np內部視頻；
9、s7：根據推送視頻集合np{ξe、ξe-1、?ξc?、ξ1}內部的視頻順序從左往右依次將推送視頻集合np內的視頻推送給用戶；
10、s8：判斷推送視頻集合np內部所有視頻是否推送完成，若是推送完成，將推送視頻ξe更新記為視頻g，返回s3；否則，進入s9；
11、s9：繼續推送視頻集合np內部未推送的視頻，返回s8。
12、更為優選地，基于特征詞集合d得到詞典向量的步驟具體包括：
13、詞典向量的存在形式為：；b為特征詞集合d對應的詞頻向量，ia為特征詞da在文本信息中出現的次數，下標a表示特征詞集合d內總共有a個特征詞。
14、更為優選地，對于s4中將tf-idf值大于第一閾值β的特征詞da記錄于特征詞暫存集合e內的步驟，具體包括：
15、s4.1：獲取視頻庫中所有視頻的個數并記為c，令j=?，j為特征詞da出現次數總和；
16、s4.2：令k=1，k用于作為編號選取特征詞；
17、s4.3：選擇特征詞dk及其在文本信息中的出現次數ik，獲取視頻庫中包含特征詞dk的所有視頻的數量并記為；
18、s4.4：令dk，tf-idf=；
19、s4.5：判斷“dk，tf-idf>β”是否成立，若是“dk，tf-idf>β”成立，則將特征詞dk記錄于特征詞暫存集合e，進入s4.6；若是“dk，tf-idf>β”不成立，進入s4.6；
20、s4.6：判斷“k≥a”是否成立，若是“k≥a”成立，則開始s4中的標簽匹配過程；若是“k≥a”不成立，則將k+1賦值給k，返回s4.3。
21、更為優選地，對于s5，計算標簽hc對應的相關度值jc，根據相關度值jc得到相關度值集合k1，具體步驟包括：
22、s5.1：令m=1，m用于作為編號選取關鍵詞集合；
23、s5.2：獲取關鍵詞集合內部的關鍵詞個數并記為，將其內部的關鍵詞的tf-idf值記為pm，n，tf-idf，n=1、2、?、、，n為關鍵詞集合內部關鍵詞的tf-idf值的標號，qm=，qm即為標簽hm對應的相關度值，將qm記錄于集合內；
24、s5.3：判斷“m≥e”是否成立，若是“m≥e”成立，則進入s5.4；若是“m≥e”不成立，則將m+1賦值給m，返回s5.2；
25、s5.4：根據集合內相關度值qm從大到小依次排序，得到相關度值集合k1{le、le-1、?lc?、l1}。
26、更為優選地，對于s8和s9，還包括進一步對視頻推薦進行優化，具體步驟如下：
27、s8.1：將相關度值集合k1記為相關度值集合w1；
28、s8.2：在推送視頻集合np內視頻的推送過程當中，實時獲取用戶對當前觀看視頻的操作信息，并與興趣操作列表進行匹配，若是與興趣操作列表中的任意一項或多項操作匹配成功，則將該視頻放入感興趣視頻列表內；
29、s8.3：判斷推送視頻集合np內部所有視頻是否推送完成，若是推送完成，進入s8.4；否則，繼續推送視頻集合np內部未推送的視頻，返回s8.2；
30、s8.4：判斷感興趣視頻列表內部的視頻數量是否為零，若是感興趣視頻列表內部的視頻數量為零，執行s6-s7步驟，返回s8.2；若是感興趣視頻列表內部的視頻數量不為零，進入s8.5；
31、s8.5：將感興趣視頻列表內部的視頻均更新記為視頻g，執行s3-s5步驟，將得到的相關度值集合k1記為xp，將得到的標簽集合f1更新記為標簽集合tp{ur、ur-1、?、u1}，字母r表示標簽集合tp內標簽的數量總共有r個，進入s8.6；
32、s8.6：判斷“p=1”是否成立，若是“p=1”成立，則由相關度值集合w1得到其對應的標簽集合f1；若是“p=1”不成立，則進入s8.7；
3本文檔來自技高網...
【技術保護點】
1.一種基于大數據的短視頻推薦方法，其特征在于，包括：
2.根據權利要求1所述的一種基于大數據的短視頻推薦方法，其特征在于，基于特征詞集合D得到詞典向量的步驟具體包括：
3.根據權利要求2所述的一種基于大數據的短視頻推薦方法，其特征在于，對于S4中將TF-IDF值大于第一閾值β的特征詞da記錄于特征詞暫存集合E內的步驟，具體包括：
4.根據權利要求3所述的一種基于大數據的短視頻推薦方法，其特征在于，對于S5，計算標簽Hc對應的相關度值Jc，根據相關度值Jc得到相關度值集合K1，具體步驟包括：
5.根據權利要求4所述的一種基于大數據的短視頻推薦方法，其特征在于，對于S8和S9，還包括進一步對視頻推薦進行優化，具體步驟如下：
6.根據權利要求5所述的一種基于大數據的短視頻推薦方法，其特征在于，包括：停用詞表為哈工大停用詞表、復旦停用詞表、停用詞表中的任意一個。
7.一種基于大數據的短視頻推薦系統，其特征在于，所述系統應用上述權利要求1-6任一項所述的一種基于大數據的短視頻推薦方法，包括：
8.根據權利
...【技術特征摘要】
1.一種基于大數據的短視頻推薦方法，其特征在于，包括：
2.根據權利要求1所述的一種基于大數據的短視頻推薦方法，其特征在于，基于特征詞集合d得到詞典向量的步驟具體包括：
3.根據權利要求2所述的一種基于大數據的短視頻推薦方法，其特征在于，對于s4中將tf-idf值大于第一閾值β的特征詞da記錄于特征詞暫存集合e內的步驟，具體包括：
4.根據權利要求3所述的一種基于大數據的短視頻推薦方法，其特征在于，對于s5，計算標簽hc對應的相關度值jc，根據相關度值jc得到相關度值集合k1，具體步驟包括：
5.根據權利...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。