短视频推荐方法与模型研究

沈晓鹏 赵明 刘善智

摘要：短视频推荐是推荐系统中的一个重要领域，其目标是根据用户的兴趣和偏好，为用户推荐个性化的短视频内容，该研究具有重要的理论和实践意义。该文旨在对短视频推荐方法进行综述和研究，通过分析比较不同推荐方法，深入探讨和研究不同方法的优缺点，进行模型优化与设计。该研究可以为短视频推荐系统的设计和优化提供指导和参考，为短视频推荐系统的改进和优化提供有力支持，提高用户的满意度和体验。

关键词：短视频；推荐系统；深度学习

中图分类号：TP37        文献标识码：A

文章编号：1009-3044（2023）34-0116-03

开放科学（资源服务）标识码（OSID）

1 前言

1.1 背景介绍

随着移动互联网的普及和社交媒体平台的兴起，短视频已经成为人们日常生活必不可少的组成部分。短视频以其简短、直观和生动的特点吸引了广大用户的关注，用户通过短视频可以轻松获取丰富的信息和娱乐内容。然而，由于短视频数量庞大且类别繁多，用户往往面临巨大的选择困难，推荐系统由此成为帮助用户发现和获取感兴趣内容的重要工具。

短视频推荐是推荐系统中的一个重要领域，其目标是根据用户的兴趣和偏好，为用户推荐个性化的短视频内容。然而短视频推荐系统依然有不少挑战。首先，短视频以其时效性和多样性的特点，导致用户的兴趣和偏好频繁变化，从而系统需要有及时性和适应性的特殊需求。其次，短视频的内容多样化，包括音乐、影视、娱乐、教育等不同领域的内容，如何准确地理解和区分视频的内容特点，成了一个关键问题。最后，用户对于短视频的喜好具有一定的主观性和个体差异，传统的推荐方法往往无法满足用户的个性化需求。

1.2 研究目的及意义

通过研究不同的短视频推荐方法与模型，可以促进推荐系统研究进展，探索更加高效、准确和用户满意的推荐算法和模型，为其他推荐任务和领域的研究提供一定的借鉴。研究短视频推荐方法与模型可以帮助内容提供者更好地了解用户需求和喜好，为用户提供个性化的短视频推荐服务，从而推动短视频产业的发展。因此，短视频推荐方法与模型的研究具有重要意义。

2 基于深度学习的推荐方法

2.1 深度神经网络架构

基于深度学习的推荐方法通常使用深度神经网络进行建模和预测[1]。主要模型有多层感知器、矩阵分解神经网络、卷积神经网络等。在这里，着重分析卷积神经网络推荐方法。

深度学习网络采用了一种三层结构，包括输入层、隐藏层和输出层。其中，多层感知器为具有多个隐藏层的网络。每个隐藏层的输出作为下一个隐藏层的输入，每一层都在表达一种中间特征[2]。通过输入数据集特征和反复迭代，网络结构逐步获得更加抽象的高层特征，从而能够发现数据的分布式特征表示。

深度学习根据研究内容划分，主要分为卷积神经网络（CNN） 、自编码神经网络（AEN） 、深度置信网络（DBN）三类方法[3]。以上三类方法中，在当今视频推荐系统中，卷积神经网络算法最为常见。

卷积神经网络CNN可以提取出用户和物品的局部特征，进而捕捉它们之间的关系。CNN在处理图像[4]、文本和序列等数据时具有优秀的表达能力。实际应用中還有其他各式各样的深度学习模型，根据具体的推荐任务和数据特点，可以选择最合适的深度神经网络来建立推荐模型。

2.2 模型训练和评估

对于模型训练，首先需要准备好训练和测试所需的数据。这包括用户的历史行为数据、物品的属性信息以及用户和物品之间的交互数据等。随后，根据具体的推荐任务和数据特点，选择适合的深度学习模型架构。使用准备好的数据集，将其划分为训练集和验证集。然后，使用训练集训练。

对于模型评估，使用验证集对训练好的模型进行评估。常用的评估指标包括准确率（Precision） 、召回率（Recall） 、F1-score等[5]。根据评估结果，可以进行模型的调整和优化。在模型训练和验证完成后，可以使用训练好的模型对新的用户和物品进行推荐预测，根据用户的特征和历史行为预测可能感兴趣的物品。

3 推荐方法的评估与模型优化

3.1 新的短视频推荐模型构想

3.1.1 算法设计和思路

设计一个新的短视频推荐模型可以从多个方面考虑和设计，首先需要收集和整理短视频的数据集，包括视频的特征信息（如时长、分类标签）、用户的行为数据（如观看历史、喜欢、评论等）以及其他可能有关的数据（如用户画像信息）。就不同情况来分析，对于视频和用户的特征信息[6]，可以进行特征工程，提取一些有用的特征。

3.1.2 新模型设计

针对短视频推荐的准确性和实时性不够的问题上，这里结合神经网络推荐模型的优点，使用融合卷积神经网络CNN的个性化短视频推荐方法，引入注意力机制，提升推荐系统的准确性。

CBAM是一种轻量级的卷积注意力模块，在注意力机制中起关键作用。它同时结合了通道注意力和空间注意力，可以学习全局和特定特征，并更准确地关注不同特征。在推荐系统中，CBAM的引入可以提升特征提取能力，帮助模型更好地理解用户和商品之间的关系，从而提高预测准确性。通过提高模型的解释性和特征提取能力，CBAM可以增强推荐系统对用户兴趣和行为的理解能力，进而提升推荐准确度。

引入注意力机制的CNN模型是一种引入了轻量级的卷积注意力模块，结合卷积神经网络（CNN） 的深度学习模型，基于CBAM的CNN推荐系统模型以下简称为CBN（CBAM-based Neural Network） 模型。在CNN之后，用全局平均池化计算每个通道的权重，并使用两个密集层对权重进行更新和扩展。通过使用Sigmoid激活函数将权重限制在[0，1]范围内，并将其与原始特征相乘，通过比较通道之间的重要性来加权特征。通过比较空间位置之间的重要性来加权特征。设计方案如图1所示。

CBN模型首先使用卷积和池化操作从用户和商品的信息中提取特征，然后将用户特征向量和商品特征向量拼接在一起。接着，CBN模型将该特征向量输入CBAM模块中，以学习用户和商品特征的通道和空间关系。最后，CBN模型使用全连接层来推理用户与商品之间的关联度，预测用户对商品的评分。

按照两种模型原理，在理论上CNN模型通过引入CBAM模块，能够增强模型对于用户和商品特征的建模能力，尤其是可以自适应地控制不同特征的权重，以便更好地捕捉不同特征之间的依赖性。同时，CBN模型可以使用CBAM模块来分析模型的决策过程，提高模型的解释性。

3.2 模型实验和对比分析

3.2.1 实验数据集设计

在这项研究中，选择了Netflix Prize Dataset数据集作为实验主数据集，另外使用了MovieLens数据集大量用户对电影的评价信息以及TikTok数据集中的短视频数据。此数据集一共包含了2 120 000多个视频，筛选了目前最火的3种不同的视频类别，每个视频都被分成了多个帧，每帧的图像分辨率为112×112。为了提升实验的有效性，特意分割选取代表性的3种数据集，分别是电影类、游戏类、音乐类，且数据集中包含实验需要的评分数据，具体如表1所示。

3.2.2 评价指标

实验的最终目的是验证模型的有效性和优越性，本实验主要以离线评估的方法从模型对比、基于评分准确度和基于预测准确度方面分别对提出的CBN模型进行对比和分析[7]。其中，基于评分准确度评价采用的评价指标包括平均绝对误差MAE和均方根误差RMSE，精度、召回率、F1值等作为评测方法。

3.2.3 实验与分析

3.2.3.1 横向对比

为了评估CBN模型的改进效果，通过模型比较分析的方式，在具有代表性的推荐模型中择优选择三种模型开展对比，所参考的衡量参数为模型中是否采用了评论数据、深度学习技术以及注意力机制等。

通过对比，LAD、NARRE、NeuMF及本文提出的CBN模型都能兼顾神经网络深度学习算法，但本文提出的CBN模型在考虑评论数据的同时，能够引入注意力机制，实现更好的评论数据的融合。除此之外，本文把提出的CBN以上三个模型，在准备的实验数据集中分别进行MSE实验与分析，从而验证CBN模型的优越性。

另外，从数据集中随机选择数据进行对比，进行RMSE和MAE分析，本文提出的CBN模型无论从RMSE还是MAE数值上分析，效果均比传统的LAD、NARRE等推荐模型具有优势。

3.2.3.2 纵向对比

对于新的短视频推荐模型的实验和结果分析，首先进行数据集选择和预处理，其次使用数据集进行模型的训练和评估。根据推荐系统的特点，选择合适的评估指标来衡量推荐模型的性能，常用的指标包括准确率、F1值、AUC等。最后，分析评估指标的结果，了解推荐模型的性能，根据实验结果进行模型的调优。本研究将实验数据集随机分为训练集和测试集，实验结果如表2所示。

从表2可以看出，本研究提出的算法在Netflix Prize Dataset数据集上取得了不错的性能，精度为0.8070，F1-score为0.7538，AUC为0.8247，说明该算法具有一定的推荐准确性。CNN模型通过引入CBAM模块，能够增强模型对于用户和商品特征的建模能力，尤其是可以自适应地控制不同特征的权重，以便更好地捕捉不同特征之间的依赖性。同时，CBN模型可以使用CBAM模块来分析模型的决策过程，提高模型的解释性。

通过以上实验和分析，可以深入了解新的短视频推荐模型的性能和效果，帮助优化算法和改进推荐系统，提供更好的推荐服务。

4 结论

4.1 短视频推荐方法在实际应用中的潜在价值

短视频推荐方法在实际应用中有很大的潜在价值。通过短视频推荐方法，能够根据用户的兴趣和偏好，为其提供更加個性化的推荐内容，可以帮助用户节省浏览时间，提高用户满意度。短视频推荐方法能够根据用户的行为和历史记录，智能地将精彩的短视频推荐给用户，这有助于提高短视频的曝光度和播放量，帮助视频创作者获得更多的曝光和关注。短视频推荐方法可以将广告内容推荐给用户，增加点击率。个性化短视频推荐能够满足用户的多样化需求，提供更多感兴趣的内容，从而增加用户对平台的黏性和留存率。通过短视频推荐方法，平台可以收集用户的行为数据和反馈信息。这些数据可以用于用户画像的建立、用户兴趣的分析以及市场趋势的洞察等，为平台的运营决策提供参考。需要注意的是，短视频推荐方法也面临一些挑战，如数据稀疏性、冷启动问题、算法解释性等。但随着技术的不断发展，这些问题有望得到更好的解决，释放出更大的潜在价值。

4.2 未来研究方向和挑战

随着技术的进步和应用场景的不断推进，短视频推荐方法将有更大的发展空间和潜力，但未来短视频推荐方法的研究也面临很多挑战。在短视频推荐中，一方面，用户个人隐私的保护和数据安全是一个重要问题，未来的研究应关注如何在保护用户隐私的同时，提高推荐的效果。另外，随着短视频平台的发展和用户行为的多样性，短视频推荐也需要考虑不同平台之间的推荐问题，进行跨平台的个性化推荐。短视频平台具有强烈的社交属性，用户之间的关系对于推荐效果的影响不容忽视。未来的研究可以探索如何利用社交关系来提高短视频推荐的准确性和用户满意度。

参考文献：

[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] 王强.基于时空轨迹的快件送达时间预测方法研究[D].北京：北京交通大学，2021.

[3] 张润莲，张瑞，武小年，等.基于混合相似度和差分隐私的协同过滤推荐算法[J].计算机应用研究，2021，38（8）：2334-2339.

[4] 高宸，李勇，金德鹏.基于图神经网络的视频推荐系统[J].中兴通讯技术，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，宁慧，张汝波.基于改进的LFM算法的短视频推荐系统的研究与实现[J].应用科技，2022，49（3）：64-68.

[7] 刘端阳.基于深度观看兴趣网络的视频推荐系统设计与实现[D].北京：北京邮电大学，2021.

【通联编辑：代影】