买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉联通视频科技有限公司申请的专利基于深度学习的IPTV机顶盒视频内容智能推荐方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN120769118B 。

龙图腾网通过国家知识产权局官网在2025-11-21发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202511283909.7，技术领域涉及：H04N21/466；该发明授权基于深度学习的IPTV机顶盒视频内容智能推荐方法是由王晓静;张宏伟;任伟;何雨轩;刘雪剑;崔亚南;包济维;张浩宇;于海婧;王然设计研发完成，并于2025-09-09向国家知识产权局提交的专利申请。

本基于深度学习的IPTV机顶盒视频内容智能推荐方法在说明书摘要公布了：本发明公开了基于深度学习的IPTV机顶盒视频内容智能推荐方法，方法包括数据收集、数据优化处理、个性化视频内容推荐、推荐视频内容优化排序和视频内容智能推荐。本发明涉及数字数据处理技术领域，具体是指基于深度学习的IPTV机顶盒视频内容智能推荐方法，本方案创新性地结合用户偏好与业务约束的视频内容智能推荐方法，实现了个性化与业务需求平衡；创新性地提出多视图的用户视频交互图构建、双层注意力机制和设计多层次对比损失函数的方法，实现更精准的个性化视频内容推荐；设计了排序优化目标函数，通过种群角色差异化搜索策略和动态惯性权重对优化算法进行改进，实现推荐视频内容排序的优化，显著提升视频内容智能推荐的效果。

本发明授权基于深度学习的IPTV机顶盒视频内容智能推荐方法在权利要求书中公布了：1.基于深度学习的IPTV机顶盒视频内容智能推荐方法，其特征在于：该方法包括以下步骤： 步骤S1：数据收集，通过采集历史数据和实时数据，得到视频内容智能推荐原始数据； 步骤S2：数据优化处理，具体通过数据清洗、数据规范化处理和特征选择，得到视频内容智能推荐优化数据； 步骤S3：个性化视频内容推荐，用于基于用户偏好生成推荐视频内容候选列表，具体通过设计多视图的用户视频交互图和双层注意力机制构建个性化视频内容推荐模型，使用历史数据为训练数据，并结合多层次对比损失函数作为监督训练目标函数进行模型训练，得到训练后个性化视频内容推荐模型，将实时推荐数据输入训练后的模型，输出用户视频内容的推荐结果，对视频内容按推荐评分从高到低排序，并选取前Q个视频内容组成推荐视频内容候选列表； 所述构建个性化视频内容推荐模型，具体包括以下步骤： 步骤S311：用户视频偏好权重计算，具体为首先计算每个视频内容特征的用户行为反馈的概率分布，然后通过信息熵法，计算每个视频内容特征的信息熵值，最后，通过归一化处理将信息熵值进行转换，得到用户视频偏好权重； 步骤S312：用户视频交互图构建，用于结合用户与视频之间在各个视频内容特征下的交互强度，构建用户视频交互图结构；具体包括构建节点集合、构建图结构、计算边的权重和生成交互图的邻接矩阵，得到用户视频交互图结构及其邻接矩阵集合； 所述构建节点集合，具体为构建用户节点集合和视频内容节点集合； 所述构建图结构，具体为将用户与视频在视频内容特征下存在交互的情况建立为一条边，得到用户视频交互图，其中表示该视图下的边集合，表示用户与视频在第k个视频内容特征下的整体交互关系图结构； 所述计算边的权重，具体为对于每个用户视频交互图，统计用户与视频在该特征下的交互强度，对交互强度进行归一化处理，引入对应的视频内容特征的用户视频偏好权重进行相乘加权，得到加权交互值，并通过Sigmoid函数将加权交互值映射，得到边的权重； 所述生成交互图的邻接矩阵，具体为将每个用户视频交互图的边权重按照用户视频节点索引填入邻接矩阵对应位置，未存在交互的填入0，从而得到邻接矩阵集合； 步骤S313：局部兴趣向量生成，具体为对每个邻接矩阵集合，利用图注意力机制，计算用户节点与视频节点之间的注意力系数，再基于注意力系数，对邻居节点的特征向量进行加权求和，得到用户在第k个视频内容特征视图下的单头局部兴趣向量，引入多头注意力机制，在同一视频内容特征视图下计算子空间的局部兴趣向量并进行拼接，形成该视频内容特征的综合局部兴趣向量，将所有视频内容特征视图的综合局部兴趣向量进行拼接，最后得到用户的多视图局部兴趣向量集合； 步骤S314：全局兴趣向量生成，具体为将用户画像数据与推荐环境数据输入到多层感知机，进行非线性映射，得到情境查询向量，利用该查询向量与各视频内容特征视图的综合局部兴趣向量进行相关性计算，并通过Softmax函数归一化得到跨视图注意力权重，最后按注意力权重对各视图兴趣向量进行加权求和，得到用户全局兴趣向量； 步骤S315：个性化推荐评分输出，具体为用户全局兴趣向量与候选视频内容向量进行拼接，输入至全连接层，得到个性化推荐评分； 所述多层次对比损失函数，用于同时约束用户与视频在单一视频内容特征视图和跨特征视图下的特征一致性；具体为首先分别构造局部正负样本和全局正负样本，依次完成局部对比损失函数设计与全局对比损失函数设计，最后将局部对比损失值与全局对比损失值与监督结果损失加权组合，得到多层次对比损失函数； ； ； ； 式中，表示多层次对比损失函数值，表示局部对比损失值，表示全局对比损失值，表示用户节点总数量，表示用户u在第个视频内容特征视图下的综合局部兴趣向量，表示与用户u无关联的其他用户在第个视频内容特征视图下的综合局部兴趣向量，表示余弦相似度函数，表示温度参数，取值区间，表示第k个视频内容特征视图的全局嵌入向量，表示第个视频内容特征视图的全局嵌入向量，表示无关联的其他视频内容特征视图的全局嵌入向量，表示局部负样本，表示全局负样本，表示推荐评分的监督损失值，通过二元交叉熵损失函数获得，、和分别表示结果损失、局部对比损失与全局对比损失的权重系数，表示第k个视频内容特征视图下用户节点u的综合局部兴趣向量； 步骤S4：推荐视频内容优化排序，具体为设计排序优化目标函数，通过种群角色差异化搜索策略和动态惯性权重对优化算法进行改进，采用改进的优化算法对推荐视频内容候选列表中的视频内容展示位置进行全局优化排序，得到视频内容推荐优化列表； 步骤S5：视频内容智能推荐，具体为基于所述视频内容推荐优化列表，实现个性化视频内容智能推荐与展示。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人联通视频科技有限公司，其通讯地址为：300308 天津市东丽区空港经济区西七道中国联通；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。