1.一种基于深度学习的短视频直播营销任务推荐方法,其特征在于,包括如下步骤:(1)获取播主用户的相关直播营销数据和用户的历史行为数据,其中播主用户的相关直播营销数据为:(2)构建召回模型,通过DNN神经网络结合注意力机制构建召回模型,召回模型包括输入层、嵌入层、提取层、隐藏层、输出层;
召回模型的输入层:输入的序列包括用户行为序列召回模型的嵌入层:将高维的用户行为序列,嵌入为低维稠密的特征向量,初始化嵌入矩阵A其中,
将高维的直播营销数据序列,嵌入为低维稠密的特征向量,初始化嵌入矩阵A其中,
召回模型的提取层:
(i)利用点积法,分别计算两个嵌入后的特征向量序列中,特征向量与查询向量的相关程度:其中,
(ii)使用Softmax函数对权重w(iii)将
其中,
(iv)召回模型提取层输出的用户行为序列为召回模型的隐藏层:负责对召回模型的训练,将提取层的输出向量作为隐藏层的输入,使用深度神经网络进行召回模型训练,该网络拥有3层,使用监督学习的方式,得到训练好的召回模型;
训练过程为:
其中,u表示最终学习的用户向量;MLP(·)表示多层感知机,其中,经过每层网络后,使用Relu激活函数,作为下一层的输入部分;
召回模型的输出层:分为训练和在线服务两个部分;
在训练部分:将召回模型隐藏层的输出,通过Softmax函数进行归一化,得到代表每个任务类型的权重向量E=[e在线服务部分:用于实际应用阶段,采用最近邻算法,根据L(3)出现新任务时,实施冷启动策略;构建排序模型,模型的输入包括拟推荐目标任务集合、人口统计学特征和用户行为特征,输出为任务的点击概率;
所述出现新任务时,实施冷启动策略,具体包括:判断步骤(2)得到的拟向用户推荐目标任务集合中是否存在新出现的直播任务t如果出现新的直播任务,则实施冷启动策略,针对新直播任务t其中,t
对得到的余弦相似度s
如没有出现新的直播任务,则直接将步骤(2)得到的拟向用户推荐目标任务集合作为t,输入排序模型;
所述构建排序模型,模型的输入包括拟推荐目标任务集合、人口统计学特征和用户行为特征,输出为任务的点击概率,具体包括:排序模型的输入层:将用户的人口统计学特征排序模型的嵌入层:将高维输入的用户行为特征X其中
嵌入矩阵A
排序模型的注意力层:使用基本注意力机制,获取不同的用户行为特征对于任务预测的重要性,计算出排序模型注意力层输出的用户行为特征其中,
使用Concat函数拼接特征,作为排序模型隐藏层的输入ζ:其中,
排序模型的隐藏层:使用Relu激活函数,作为下一层的输入部分,由于排序模型是一个二分类排序模型,使用二分类交叉熵损失函数,作为排序模型的优化函数L其中,U为训练集中的样本数,
排序模型的输出层:由于排序模型是一个二分类模型,使用Softmax得到预测的点击概率:其中,
(4)选择点击概率最高的F个任务进行推荐。
2.根据权利要求1所述基于深度学习的短视频直播营销任务推荐方法,其特征在于,所述选择与t