短視頻推薦方法與模型研究

沈曉鵬 趙明 劉善智

摘要：短視頻推薦是推薦系統中的一個重要領域，其目標是根據用戶的興趣和偏好，為用戶推薦個性化的短視頻內容，該研究具有重要的理論和實踐意義。該文旨在對短視頻推薦方法進行綜述和研究，通過分析比較不同推薦方法，深入探討和研究不同方法的優缺點，進行模型優化與設計。該研究可以為短視頻推薦系統的設計和優化提供指導和參考，為短視頻推薦系統的改進和優化提供有力支持，提高用戶的滿意度和體驗。

關鍵詞：短視頻；推薦系統；深度學習

中圖分類號：TP37? ? ? ? 文獻標識碼：A

文章編號：1009-3044（2023）34-0116-03

開放科學（資源服務）標識碼（OSID）

1 前言

1.1 背景介紹

隨著移動互聯網的普及和社交媒體平臺的興起，短視頻已經成為人們日常生活必不可少的組成部分。短視頻以其簡短、直觀和生動的特點吸引了廣大用戶的關注，用戶通過短視頻可以輕松獲取豐富的信息和娛樂內容。然而，由于短視頻數量龐大且類別繁多，用戶往往面臨巨大的選擇困難，推薦系統由此成為幫助用戶發現和獲取感興趣內容的重要工具。

短視頻推薦是推薦系統中的一個重要領域，其目標是根據用戶的興趣和偏好，為用戶推薦個性化的短視頻內容。然而短視頻推薦系統依然有不少挑戰。首先，短視頻以其時效性和多樣性的特點，導致用戶的興趣和偏好頻繁變化，從而系統需要有及時性和適應性的特殊需求。其次，短視頻的內容多樣化，包括音樂、影視、娛樂、教育等不同領域的內容，如何準確地理解和區分視頻的內容特點，成了一個關鍵問題。最后，用戶對于短視頻的喜好具有一定的主觀性和個體差異，傳統的推薦方法往往無法滿足用戶的個性化需求。

1.2 研究目的及意義

通過研究不同的短視頻推薦方法與模型，可以促進推薦系統研究進展，探索更加高效、準確和用戶滿意的推薦算法和模型，為其他推薦任務和領域的研究提供一定的借鑒。研究短視頻推薦方法與模型可以幫助內容提供者更好地了解用戶需求和喜好，為用戶提供個性化的短視頻推薦服務，從而推動短視頻產業的發展。因此，短視頻推薦方法與模型的研究具有重要意義。

2 基于深度學習的推薦方法

2.1 深度神經網絡架構

基于深度學習的推薦方法通常使用深度神經網絡進行建模和預測[1]。主要模型有多層感知器、矩陣分解神經網絡、卷積神經網絡等。在這里，著重分析卷積神經網絡推薦方法。

深度學習網絡采用了一種三層結構，包括輸入層、隱藏層和輸出層。其中，多層感知器為具有多個隱藏層的網絡。每個隱藏層的輸出作為下一個隱藏層的輸入，每一層都在表達一種中間特征[2]。通過輸入數據集特征和反復迭代，網絡結構逐步獲得更加抽象的高層特征，從而能夠發現數據的分布式特征表示。

深度學習根據研究內容劃分，主要分為卷積神經網絡（CNN） 、自編碼神經網絡（AEN） 、深度置信網絡（DBN）三類方法[3]。以上三類方法中，在當今視頻推薦系統中，卷積神經網絡算法最為常見。

卷積神經網絡CNN可以提取出用戶和物品的局部特征，進而捕捉它們之間的關系。CNN在處理圖像[4]、文本和序列等數據時具有優秀的表達能力。實際應用中還有其他各式各樣的深度學習模型，根據具體的推薦任務和數據特點，可以選擇最合適的深度神經網絡來建立推薦模型。

2.2 模型訓練和評估

對于模型訓練，首先需要準備好訓練和測試所需的數據。這包括用戶的歷史行為數據、物品的屬性信息以及用戶和物品之間的交互數據等。隨后，根據具體的推薦任務和數據特點，選擇適合的深度學習模型架構。使用準備好的數據集，將其劃分為訓練集和驗證集。然后，使用訓練集訓練。

對于模型評估，使用驗證集對訓練好的模型進行評估。常用的評估指標包括準確率（Precision） 、召回率（Recall） 、F1-score等[5]。根據評估結果，可以進行模型的調整和優化。在模型訓練和驗證完成后，可以使用訓練好的模型對新的用戶和物品進行推薦預測，根據用戶的特征和歷史行為預測可能感興趣的物品。

3 推薦方法的評估與模型優化

3.1 新的短視頻推薦模型構想

3.1.1 算法設計和思路

設計一個新的短視頻推薦模型可以從多個方面考慮和設計，首先需要收集和整理短視頻的數據集，包括視頻的特征信息（如時長、分類標簽）、用戶的行為數據（如觀看歷史、喜歡、評論等）以及其他可能有關的數據（如用戶畫像信息）。就不同情況來分析，對于視頻和用戶的特征信息[6]，可以進行特征工程，提取一些有用的特征。

3.1.2 新模型設計

針對短視頻推薦的準確性和實時性不夠的問題上，這里結合神經網絡推薦模型的優點，使用融合卷積神經網絡CNN的個性化短視頻推薦方法，引入注意力機制，提升推薦系統的準確性。

CBAM是一種輕量級的卷積注意力模塊，在注意力機制中起關鍵作用。它同時結合了通道注意力和空間注意力，可以學習全局和特定特征，并更準確地關注不同特征。在推薦系統中，CBAM的引入可以提升特征提取能力，幫助模型更好地理解用戶和商品之間的關系，從而提高預測準確性。通過提高模型的解釋性和特征提取能力，CBAM可以增強推薦系統對用戶興趣和行為的理解能力，進而提升推薦準確度。

引入注意力機制的CNN模型是一種引入了輕量級的卷積注意力模塊，結合卷積神經網絡（CNN） 的深度學習模型，基于CBAM的CNN推薦系統模型以下簡稱為CBN（CBAM-based Neural Network） 模型。在CNN之后，用全局平均池化計算每個通道的權重，并使用兩個密集層對權重進行更新和擴展。通過使用Sigmoid激活函數將權重限制在[0，1]范圍內，并將其與原始特征相乘，通過比較通道之間的重要性來加權特征。通過比較空間位置之間的重要性來加權特征。設計方案如圖1所示。

CBN模型首先使用卷積和池化操作從用戶和商品的信息中提取特征，然后將用戶特征向量和商品特征向量拼接在一起。接著，CBN模型將該特征向量輸入CBAM模塊中，以學習用戶和商品特征的通道和空間關系。最后，CBN模型使用全連接層來推理用戶與商品之間的關聯度，預測用戶對商品的評分。

按照兩種模型原理，在理論上CNN模型通過引入CBAM模塊，能夠增強模型對于用戶和商品特征的建模能力，尤其是可以自適應地控制不同特征的權重，以便更好地捕捉不同特征之間的依賴性。同時，CBN模型可以使用CBAM模塊來分析模型的決策過程，提高模型的解釋性。

3.2 模型實驗和對比分析

3.2.1 實驗數據集設計

在這項研究中，選擇了Netflix Prize Dataset數據集作為實驗主數據集，另外使用了MovieLens數據集大量用戶對電影的評價信息以及TikTok數據集中的短視頻數據。此數據集一共包含了2 120 000多個視頻，篩選了目前最火的3種不同的視頻類別，每個視頻都被分成了多個幀，每幀的圖像分辨率為112×112。為了提升實驗的有效性，特意分割選取代表性的3種數據集，分別是電影類、游戲類、音樂類，且數據集中包含實驗需要的評分數據，具體如表1所示。

3.2.2 評價指標

實驗的最終目的是驗證模型的有效性和優越性，本實驗主要以離線評估的方法從模型對比、基于評分準確度和基于預測準確度方面分別對提出的CBN模型進行對比和分析[7]。其中，基于評分準確度評價采用的評價指標包括平均絕對誤差MAE和均方根誤差RMSE，精度、召回率、F1值等作為評測方法。

3.2.3 實驗與分析

3.2.3.1 橫向對比

為了評估CBN模型的改進效果，通過模型比較分析的方式，在具有代表性的推薦模型中擇優選擇三種模型開展對比，所參考的衡量參數為模型中是否采用了評論數據、深度學習技術以及注意力機制等。

通過對比，LAD、NARRE、NeuMF及本文提出的CBN模型都能兼顧神經網絡深度學習算法，但本文提出的CBN模型在考慮評論數據的同時，能夠引入注意力機制，實現更好的評論數據的融合。除此之外，本文把提出的CBN以上三個模型，在準備的實驗數據集中分別進行MSE實驗與分析，從而驗證CBN模型的優越性。

另外，從數據集中隨機選擇數據進行對比，進行RMSE和MAE分析，本文提出的CBN模型無論從RMSE還是MAE數值上分析，效果均比傳統的LAD、NARRE等推薦模型具有優勢。

3.2.3.2 縱向對比

對于新的短視頻推薦模型的實驗和結果分析，首先進行數據集選擇和預處理，其次使用數據集進行模型的訓練和評估。根據推薦系統的特點，選擇合適的評估指標來衡量推薦模型的性能，常用的指標包括準確率、F1值、AUC等。最后，分析評估指標的結果，了解推薦模型的性能，根據實驗結果進行模型的調優。本研究將實驗數據集隨機分為訓練集和測試集，實驗結果如表2所示。

從表2可以看出，本研究提出的算法在Netflix Prize Dataset數據集上取得了不錯的性能，精度為0.8070，F1-score為0.7538，AUC為0.8247，說明該算法具有一定的推薦準確性。CNN模型通過引入CBAM模塊，能夠增強模型對于用戶和商品特征的建模能力，尤其是可以自適應地控制不同特征的權重，以便更好地捕捉不同特征之間的依賴性。同時，CBN模型可以使用CBAM模塊來分析模型的決策過程，提高模型的解釋性。

通過以上實驗和分析，可以深入了解新的短視頻推薦模型的性能和效果，幫助優化算法和改進推薦系統，提供更好的推薦服務。

4 結論

4.1 短視頻推薦方法在實際應用中的潛在價值

短視頻推薦方法在實際應用中有很大的潛在價值。通過短視頻推薦方法，能夠根據用戶的興趣和偏好，為其提供更加個性化的推薦內容，可以幫助用戶節省瀏覽時間，提高用戶滿意度。短視頻推薦方法能夠根據用戶的行為和歷史記錄，智能地將精彩的短視頻推薦給用戶，這有助于提高短視頻的曝光度和播放量，幫助視頻創作者獲得更多的曝光和關注。短視頻推薦方法可以將廣告內容推薦給用戶，增加點擊率。個性化短視頻推薦能夠滿足用戶的多樣化需求，提供更多感興趣的內容，從而增加用戶對平臺的黏性和留存率。通過短視頻推薦方法，平臺可以收集用戶的行為數據和反饋信息。這些數據可以用于用戶畫像的建立、用戶興趣的分析以及市場趨勢的洞察等，為平臺的運營決策提供參考。需要注意的是，短視頻推薦方法也面臨一些挑戰，如數據稀疏性、冷啟動問題、算法解釋性等。但隨著技術的不斷發展，這些問題有望得到更好的解決，釋放出更大的潛在價值。

4.2 未來研究方向和挑戰

隨著技術的進步和應用場景的不斷推進，短視頻推薦方法將有更大的發展空間和潛力，但未來短視頻推薦方法的研究也面臨很多挑戰。在短視頻推薦中，一方面，用戶個人隱私的保護和數據安全是一個重要問題，未來的研究應關注如何在保護用戶隱私的同時，提高推薦的效果。另外，隨著短視頻平臺的發展和用戶行為的多樣性，短視頻推薦也需要考慮不同平臺之間的推薦問題，進行跨平臺的個性化推薦。短視頻平臺具有強烈的社交屬性，用戶之間的關系對于推薦效果的影響不容忽視。未來的研究可以探索如何利用社交關系來提高短視頻推薦的準確性和用戶滿意度。

參考文獻：

[1] MONDAL R，SRIVASTAVA P.Fuzzy utility matrix-based intelligent decision-making model and its application to diet recommendation system for metabolic disorder patients[J].International Journal of Fuzzy System Applications，2022，11（1）：1-22.

[2] 王強.基于時空軌跡的快件送達時間預測方法研究[D].北京：北京交通大學，2021.

[3] 張潤蓮，張瑞，武小年，等.基于混合相似度和差分隱私的協同過濾推薦算法[J].計算機應用研究，2021，38（8）：2334-2339.

[4] 高宸，李勇，金德鵬.基于圖神經網絡的視頻推薦系統[J].中興通訊技術，2021，27（1）：27-32.

[5] WU F Y，LYU C，LIU Y.A personalized recommendation system for multi-modal transportation systems[J].Multimodal Transportation，2022，1（2）：100016.

[6] 彭宇，寧慧，張汝波.基于改進的LFM算法的短視頻推薦系統的研究與實現[J].應用科技，2022，49（3）：64-68.

[7] 劉端陽.基于深度觀看興趣網絡的視頻推薦系統設計與實現[D].北京：北京郵電大學，2021.

【通聯編輯：代影】