基于机器学习的短视频平台精准引流方法及系统与流程

本发明涉及互联网信息处理与机器学习，具体为基于机器学习的短视频平台精准引流方法及系统。

背景技术：

1、现有短视频平台引流系统通常由端侧采集行为数据并上传，依赖云侧完成兴趣识别与内容下发。

2、然而，现有方案过度依赖云侧进行高维特征的意图建模与排序，导致上传数据量超出预设阈值且处理链路超出设定范围。特别是在网络带宽受限或用户连续快速滑动时，容易导致兴趣变化上传延迟、云侧结果返回滞后，错失预设展示条件。

3、此外，面对短视频交互密集的情形，现有方案仍采用固定的全量特征处理与统一下发机制，这增加了端侧额外的算力消耗，导致下发的引流内容与用户瞬时的浏览状态不匹配，最终造成引流未达到预设指标。

技术实现思路

1、本发明的目的在于提供基于机器学习的短视频平台精准引流方法及系统，解决以下技术问题：现有短视频平台引流系统在面对用户连续快速滑动时的瞬态兴趣捕捉以及引流内容实时匹配方面存在技术缺陷，提出一种能够准确感知端侧瞬态意图、动态优化端云协同下发策略的基于机器学习的精准内容分发方法与系统。本发明是采用如下技术方案实现的：

2、端侧采集用户短视频浏览行为数据并提取当前视频的视频内容特征，得到端侧采集数据；端侧将所述端侧采集数据输入特征提取模型，生成当前兴趣特征，并基于当前兴趣特征与参考兴趣特征确定兴趣变化信息；

3、端侧根据用户浏览完整性、交互状态、回滑状态和链路状态，确定行为有效性信息和链路拥塞信息，并据此选择全量变化包上传、最小事件包上传或写入端侧缓存队列；

4、云侧接收包含用户标识、会话标识、时间戳和兴趣变化信息的事件包后，获取用户历史兴趣特征，并根据云侧预载候选集中的候选内容在统计窗口内的曝光、点击或转化变化确定热点变动情况，结合用户历史兴趣特征、热点变动情况和兴趣变化信息重构用户综合兴趣特征；

5、云侧根据用户综合兴趣特征、链路状态和兴趣变化信息确定分级处理方式，生成分发内容决策包并下发至端侧展示。

6、作为优选，所述用户短视频浏览行为数据包括滑动速度、停留时长、点击状态、回滑状态、交互质量状态、音频交互状态和进入商品页状态；所述交互质量状态包括点赞状态、评论状态、收藏状态、转发状态、关注状态中的至少一种；所述音频交互状态包括音频开启状态、静音状态、音量调节状态或音频重复播放状态；所述视频内容特征包括关键帧视觉特征、语音节奏特征、光流变化特征和文本标签特征。

7、作为优选，端侧将所述端侧采集数据输入部署于端侧的特征提取模型，生成当前兴趣特征向量；端侧保存上一次有效特征更新对应的参考兴趣特征向量，并根据当前兴趣特征向量与参考兴趣特征向量生成兴趣变化向量和兴趣变化幅度；当当前获取的行为数据满足预设的有效性条件，且端侧接收到云侧处理确认标记、端侧展示反馈信号或超时确认信号时，端侧以当前兴趣特征向量更新参考兴趣特征向量。

8、作为优选，选择对应的上传策略，包括：根据停留时长和视频时长确定用户浏览完整性；根据用户浏览完整性、停留时长、交互质量状态和回滑状态生成行为有效性评分；

9、根据端侧上传队列长度、往返时延和丢包率生成链路拥塞指标；端侧基于所述兴趣变化幅度与云侧下发的上传阈值的比较结果、所述行为有效性评分，以及所述链路拥塞指标与云侧下发的拥塞阈值的比较结果，选择对应的上传策略；其中，所述上传阈值和所述拥塞阈值由云侧生成并下发，端侧根据云侧下发的阈值调整信号同步更新所述上传阈值和所述拥塞阈值。

10、作为优选，当端侧缓存队列中的多个兴趣变化向量在连续观测窗口内满足方向一致性规则时，端侧对所述多个兴趣变化向量合并后上传；所述方向一致性规则包括向量夹角的余弦相似度大于方向一致性阈值，所述方向一致性阈值为预设的标量数值，或者多个兴趣变化向量在同一特征维度上的正负极性相同；

11、云侧对上传的事件包返回处理确认标记、模式标记和参考修正建议，所述模式标记用于指示端侧后续采用全量变化包上传、最小事件包上传或本地缓存，所述参考修正建议用于指示端侧对参考兴趣特征向量进行增量修正；

12、端侧基于当前兴趣特征向量从本地预载候选集中生成端侧本地匹配结果，在超时时间内未收到处理确认标记时，采用所述端侧本地匹配结果继续展示，并将该次事件标记为云侧未参与样本，在训练样本集或参数调整样本集中剔除该次事件。

13、作为优选，重构用户综合兴趣特征，包括：云侧根据用户标识和会话标识，从云侧缓存中获取由事件标识、会话标识和时间戳构成的已接收事件序列；云侧以当前会话起止时间确定当前会话时间窗口，以相邻会话的预设时间间隔确定跨会话容忍窗口；

14、对落入当前会话时间窗口且事件标识未重复的事件包按时间戳重排；对事件标识重复的事件包，或者会话标识不一致且时间戳超出跨会话容忍窗口的事件包进行丢弃；云侧将兴趣变化信息转换为与候选内容对应的特征向量维度一致的全局兴趣变化向量；

15、根据视频播放截断程度、用户历史兴趣特征和热点变动情况生成视频跳出修正特征；按照云侧确定的非负权重组合用户历史兴趣特征、全局兴趣变化向量和视频跳出修正特征，得到用户综合兴趣特征；并根据用户综合兴趣特征生成召回过滤条件、端侧参考修正量和阈值调整信号。

16、作为优选，所述分级处理方式包括分别对应端侧本地处理方式、云侧粗排处理方式和云侧精排处理方式的一级方式、二级方式和三级方式；端侧预先缓存由云侧下发的预载候选集；在一级方式下，端侧从所述预载候选集中进行本地匹配并展示；

17、在二级方式下，端侧先展示端侧本地匹配结果，云侧在受限候选范围内进行粗排匹配，所述受限候选范围为根据所述召回过滤条件、候选数量上限和预设的风险系数过滤得到的候选引流内容集合，当云侧粗排匹配结果在预设响应时间内返回且云侧粗排匹配结果的排序得分大于端侧本地匹配结果的排序得分时，覆盖端侧本地匹配结果；

18、在三级方式下，端侧在目标展示位置保留待展示占位区域或显示预展示结果，云侧对完整候选引流内容集合进行精排匹配并生成排序列表，且在限定时间内未返回时，若满足二级方式展示条件则降级采用二级方式结果，否则降级采用一级方式结果；其中，云侧根据排序系数和所述风险系数对候选引流内容进行排序，并根据方式切换阈值确定所述分级处理方式。

19、作为优选，所述分发内容决策包包括决策方式标记、候选引流内容标识集合、展示位置策略、展示强度策略和有效时限；端侧接收所述分发内容决策包后，检查当前页面状态、解码负载、手势状态和本地候选展示状态；

20、展示条件包括当前页面未发生切换、解码负载低于预设的负载阈值、手势状态为非连续滑动状态且本地候选展示状态为空闲；端侧根据候选引流内容的排序得分、展示强度策略和当前页面状态生成展示评分，当满足展示条件且展示评分大于或等于预设的展示阈值时执行展示；当不满足展示条件或展示评分小于所述展示阈值时，不执行展示；

21、当端侧检测到在预设时间窗口内滑动次数大于或等于预设的滑动次数阈值，或者滑动速度大于或等于预设的滑动速度阈值时，判定处于连续滑动状态，并将所述分发内容决策包写入延迟队列；当滑动次数小于所述滑动次数阈值且滑动速度小于所述滑动速度阈值时，判定处于非连续滑动状态；在有效时限届满或页面上下文切换时，使所述分发内容决策包失效。

22、作为优选，端侧在执行展示后生成并回传展示结果，所述展示结果包括展示是否执行、执行时刻、是否被覆盖、是否点击、是否关闭、是否跳转和跳转后停留；云侧根据所述展示结果区分未及时展示、已展示无响应和被更高处理等级的结果覆盖的情形；云侧根据区分结果调整展示阈值、方式切换阈值、排序系数和风险系数。

23、作为优选，一种用于执行本发明所述方法的基于机器学习的短视频平台精准引流系统，包括端侧、云侧以及端云通信模块；所述端云通信模块用于将端侧生成的全量变化包或最小事件包上传至云侧，并将云侧生成的分发内容决策包下发至端侧；

24、所述端侧包括端侧观测数据管理模块、端侧兴趣生成模块、变化上传模块和端侧展示模块；端侧观测数据管理模块用于承接行为数据和视频内容特征，端侧兴趣生成模块用于生成当前兴趣特征和兴趣变化信息，变化上传模块用于确定全量变化包上传、最小事件包上传或本地缓存，端侧展示模块用于根据分发内容决策包控制展示时机并回传展示结果；

25、所述云侧包括用户历史数据管理模块、候选内容数据管理模块、云侧重构模块、分级处理模块、内容排序模块、参数调整模块和云侧下发模块；

26、用户历史数据管理模块用于存储用户历史兴趣特征，候选内容数据管理模块用于存储候选引流内容标识、内容向量、预估转化率、时效因子和风险系数，云侧重构模块用于生成用户综合兴趣特征，分级处理模块用于确定一级方式、二级方式或三级方式，内容排序模块用于生成候选引流内容集合，参数调整模块用于根据展示结果调整阈值、排序系数和风险系数，云侧下发模块用于生成并下发分发内容决策包；

27、其中，预估转化率用于表征候选引流内容的目标转化属性，时效因子用于表征候选引流内容的时间衰减属性，风险系数用于表征候选引流内容的风险属性。

28、与现有技术相比，本发明具有以下优点：

29、本发明通过在端侧生成兴趣变化信息，并结合链路拥塞信息动态选择上传策略，配合云侧的分级处理方式，有效降低了数据上传量并缓解了云端响应滞后的问题；这解决了用户快速滑动情形下错失展示时机及引流内容与瞬时浏览状态脱节的缺陷，实现了低时延的精准引流。