基于用户动态兴趣的视频点击率预测模型

杨佳雪,彭国争,韩立新

(河海大学计算机与信息学院,江苏 南京 211100)

0 引 言

移动互联网的快速发展，催生了海量视频数据的生成，同时也为用户提供了类型丰富的休闲娱乐方式。然而当今时代是一个信息爆炸的时代，人们要从海量且纷繁复杂的视频数据中挑选出自己感兴趣的部分，是一件非常困难的事情。而对于视频提供商来说，如果能够从丰富的视频素材中提取出用户可能会喜欢的视频数据精确地推荐给用户，用户便会提升观看体验，进而增加用户粘性，从而在提升流量的同时增加网站收益。视频的点击率预测(Click Through Rate，CTR)技术可以很好地解决上述问题，视频点击率预测技术主要是利用用户的历史行为记录，深度分析用户行为偏好，挖掘用户潜在的兴趣，预测用户对于某个具体视频的点击率。

然而，视频点击率预测是一个极具挑战的任务。通常情况下，用户的兴趣是动态的，而用户的历史点击数据是顺序依赖的，因此，用户点击序列的时序信息对于点击率预测具有重要的作用，如何利用这些时序信息进一步挖掘用户与视频之间的关系对于提升CTR预测结果显得格外重要；另一方面，对于点击序列中的视频，用户的兴趣偏好也不尽相同，对待预测的候选视频影响也不同，如果仅仅通过平均池化处理序列特征，会引入一些噪声，错误地估计了用户的实时兴趣进而降低CTR预测准确性，具有针对性地分析各个视频对于提升预测结果有着不可忽视的作用；……