基于向量化標簽的視頻推薦算法研究與實現

許良武

（南京蘇寧軟件技術有限公司，江蘇 南京 210000）

當今互聯網技術迅速發展，信息爆炸時代隨之而來。信息過載導致用戶無法直接從中獲取有效信息，推薦系統應運而生。常見推薦算法包括：基于隱語義模型、基于協同過濾算法、基于圖的推薦[1]。以上3種方法應用廣泛，但也存在不足：（1）新用戶冷啟動問題。（2）復雜興趣推薦問題，如用戶興趣轉移較快時推薦不準。（3）可解釋性差，提取特征多為隱特征，推薦的可解釋性不直觀。

基于標簽的視頻推薦系統架構中，視頻信息包括視頻標題、標簽、分類、視頻簡介、導演演員、評分、評論等。標簽作為視頻信息的高度抽象，通過分析用戶標簽可以精準地挖掘出用戶興趣偏好，從而為用戶推薦滿意的視頻。標簽推薦整體架構如圖1所示。

圖1 標簽推薦整體架構

1 標簽概要

視頻播放平臺上的編輯功能為視頻打上豐富且高質量的標簽，能較好地抽象視頻內容。視頻可用于推薦的內容并不是很豐富，因此，基于標簽推薦就成為一種重要途徑[2]。視頻信息如表1所示。

長視頻通常分為電視劇、電影、少兒、綜藝等眾多類別，本文實驗數據來自視頻播放平臺，在電影和電視劇上實驗。用戶規模選取1.2萬，電影電視劇4 200，近3個月約304萬條播放記錄。主要基于表1中tags和type字段推薦，tags標簽池包含132個標簽。

2 相似度計算

相似度計算在推薦召回中有多種方法，基于標簽的相似度量通常采用Jaccard系數和余弦相似度。

Jaccard系數計算如公式（1）。給定兩個集合的交集與并集的比值，值越大說明相似度越高。若兩個集合任一為空，則相似度為0。

余弦相似度，通過兩個向量夾角的余弦值，衡量兩者相似度[3]。由公式（2）計算：

3 用戶畫像

為了達到千人千面的效果，根據用戶歷史觀看行為，獲得用戶畫像，從而推薦可能感興趣的視頻。tags標簽池132維，而且近3個月人均播放視頻數約253個，因此，構建132維用戶向量能很好地表征用戶興趣偏好。基于標簽的推薦，將用戶觀看歷史所有視頻標簽統計作為用戶對不同類型影片的偏好。

表1 長視頻基礎信息

3.1 熱門標簽降權

用戶標簽向量在相似計算中傾向于熱門標簽，不能充分體現用戶興趣點，因此，借鑒TF-IDF思想對熱門標簽降權[4]。如式（3）：

其中，λi為132維標簽各維度的系數，Ni為每個標簽在所有視頻中出現的次數。

3.2 時間衰減

用戶興趣轉移，觀看行為距離當前越近，越能表征用戶真實興趣點，距離當前越久遠，表征用戶興趣點的能力越弱。衰減系數為超參數，根據實驗效果設定。本文實驗選擇衰減系數0.95，衰減周期為一周。

3.3 播放完整度

播放完整度在一定程度上體現了用戶的喜愛程度，用戶畫像采用播放完整度作為不同視頻標簽對用戶畫像的貢獻度。

用戶畫像完整過程：首先，根據時間衰減，計算不同視頻的標簽權重，乘以播放完整度體現對用戶畫像貢獻度的差異，接著將所有觀看歷史標簽累加到132維的用戶標簽向量，再結合各維度系數λi，獲取用戶對不同興趣標簽的偏愛程度，最后，對標簽向量歸一化得到標準化的用戶向量。

4 基于標簽的多路召回

推薦場景主要有“相關推薦”和“猜你喜歡”。“相關推薦”采用主題模型，“猜你喜歡”則采用多路召回，如熱門視頻、用戶協同、個性化推薦、主題模型等多維度兼顧用戶喜好和覆蓋度。

4.1 熱門視頻

長視頻的電影、電視劇等不同類型下，根據近一周視頻播放量、評論數、點贊數綜合評分獲得熱門視頻。

近一周播放量、評論數、點贊數升序排序，分別通過公式（4）映射到[0.5,1]范圍。由公式（5）加權計算綜合評分，根據評分降序排序取TOPN獲得熱門視頻。

其中，score為評分，sort_no為排序序號，size為視頻規模。

其中，totalscore為綜合評分，由播放量、評論數、點贊數評分6∶2∶2加權獲得。

4.2 主題模型

視頻標簽通常3～5個，而標簽池規模達到132個，視頻132維標簽向量化表示計算視頻之間的相似度過于稀疏。因此，采用Jaccard相關系數計算相似度，倒排取TOPN。

例如，3個電影的標簽分別為：A=（動作，愛情，武俠，香港），B=（冒險，動作，驚悚，劇情，歐美），C=（冒險，動作，劇情，大陸）。通過Jaccard系數計算，J（A，B）=0.125，J（A，C）=0.143，J（B，C）=0.5，從而得到B與C更相似。若當前視頻是B，則給用戶推薦順序為C，A。

主題模型基于物品的相似度召回，同時結合導演演員標簽信息，從而獲得相似度較高的視頻。

4.3 用戶協同

用戶協同作為應用最廣泛的推薦算法，尋找相似用戶群，根據群體智慧推薦，通常可獲得一些相似度不高，但能讓用戶驚喜的推薦效果，拓展用戶的興趣范圍[5]。本文基于多標簽的用戶畫像向量，通過余弦相似度、度量不同用戶的相似度，并排序得到近鄰集合，將近鄰用戶歷史播放視頻聚合統計，按觀看次數，倒排取TOPN，最終過濾目標用戶已觀看視頻。

最近鄰用戶規模過小，無法體現集體智慧效果，規模過大又趨于熱點視頻。因此，近鄰規模的選擇對用戶協同至關重要。本文選擇近一周播放歷史作為預測集，近3個月播放記錄除預測集外均為訓練集。近鄰規模從50起，按50間隔遞增，不同近鄰數情況下計算的準確率和召回率，如圖2所示。

圖2 最近鄰數K對用戶協同效果的影響

從準確率和召回率曲線來看，用戶規模較小時準確率和召回率均較低，當近鄰規模增加時兩指標均有較大提升，當用戶規模達到400附近時準確率最高，此后開始逐漸下降，而召回率在500左右達到最高，后續維持在一定水平，當規模超過800緩慢下降。通過準確率和召回率指標綜合權衡，選擇近鄰數為400效果最佳。

4.4 個性化推薦

基于上述用戶畫像向量，同時，將視頻表示為132維歸一化向量，采用余弦相似度計算用戶與視頻之間的相似度。本文采用向量矩陣運算如圖3所示，用戶矩陣為N行132列，視頻向量轉置得到132行M列，矩陣相乘獲得N行M列矩陣，用戶向量和視頻向量均為歸一化向量。因此，最終的N×M矩陣為N個用戶分別與M個視頻之間的相似度，根據相似度取TOPN，過濾評分較低的視頻，得到用戶的個性化推薦列表。

5 排序模型

多路召回為粗排策略，極大地縮小了推薦結果集，從多個角度覆蓋用戶的興趣，但不同召回集之間排列順序未知，因此，需要精排模型獲得統一的排序。

本文采用圖4經典的3層DNN模型[6]，基于標簽的用戶畫像向量（132維）、視頻向量（132維）以及上下文（位置、設備類型、網絡類型、播放時間等）信息Embedding方式構成自變量，用戶觀看歷史的播放完整度為因變量，迭代訓練模型，最終將多路召回集構建Embedding特征通過模型預測用戶對每個視頻的播放完整度，倒排取TOPN。

通過DNN模型預測播放完整度，將完整度較高的視頻列表推薦給用戶，兼顧用戶興趣及視頻相似度的同時，盡可能地將高質量視頻推薦給用戶，以此來提升用戶的滿意度和播放時長。

圖3 標簽用戶畫像與視頻向量矩陣運算相似度矩陣

圖4 DNN播放完整度預測模型

6 結語

本文研究和實現基于標簽的視頻推薦系統。多路召回策略后，基于標簽的用戶畫像向量、視頻向量以及上下文信息構建Embedding特征向量，通過3層DNN模型來預測用戶對視頻的播放完整度，根據完整度值取TOPN推薦給用戶。通過融合本文基于標簽的推薦算法，經過一周的線上測試數據發現，UV提升2.3%，PV提升12.6%，人均播放次數提升8.1%，人均播放時長提升15.3%。兼顧用戶興趣和視頻質量，最終獲得令人鼓舞的推薦效果。