1.一种基于多模态动态路由的短视频点击率预测方法，其特征在于：根据所有用户的历史点击行为序列，构建短视频图网络T；

把短视频多模态特征分别输入短视频图网络T，更新多模态特征表征；对于当前用户的点击行为序列X＝[x1，…，xn]，其中短视频xj由 和 两种模态构成， 是短视频的封面图特征向量， 是短视频的文本特征向量，模态特征向量 的长度是d；把短视频封面图特征 和文本特征 分别输入图网络，生成多模态特征表征 其中p∈{a，b}； 和 更新方法相同，为了描述方便，以下公式略去p∈{a，b}，令：其中，k代表在图网络T中的搜索深度，k的最大深度由搜索深度参数L控制； 代表节点xj在k层的向量表征，模态a和模态b的 分别被初始化为 和 短视频的多模态特征表征即是不同模态特征 p∈{a，b}在短视频图网络中更新深度L之后的 B(j)为短视频图网络T中短视频xj的邻居集合，按照图T边由大到小排序采样sampling获得；非线性函数f表示将节点xj的邻居节点信息融合到节点xj中；

根据短视频多模态特征 生成用户在不同模态下的兴趣表征 p∈{a，b}；

和 更新方法相同且参数不共享，令：其中，p∈{a，b}， 是当前用户点击行为序列X＝[x1，…，xn]的第j个短视频胶囊到兴趣胶囊i的转换矩阵，兴趣胶囊i的个数是M；用户兴趣表征 的向量长度为d；g是胶囊网络中常用的squash向量激活函数； 是连接系数，代表 的权重， 参数采用如下动态路由算法更新

其中， 是输入胶囊j到输出胶囊i的连接系数且初始化为0；

融合不同模态下的兴趣表征 p∈{a，b}，生成用户兴趣表征vi；

其中， 为从短视频封面图像特征抽取出的第i个兴趣表征， 是短视频文本特征抽取出的第i个兴趣表征；参数 和参数W1，W2，W′1， 控制每个兴趣表征的权重，d代表兴趣表征的维度，参数b1、 是偏置向量；σ是sigmoid激活函数；

根据用户兴趣表征vi，预测用户对目标短视频的点击率：其中，vi为用户的第i个兴趣表征，xnew为目标短视频向量表征；参数 和参数W1，控制每个兴趣表征的权重，d既是短视频模态特征向量的长度又是用户兴趣表征的长度，参数c是偏置参数； 和 是转移矩阵， 是偏置向量，b2是偏置标量；σ是sigmoid激活函数；

根据模型特性，设计损失函数；通过用户对目标短视频的点击率预测值 计算预测值和真实值y之间的误差，进而使用误差来更新模型参数；采用交叉熵损失函数来指导模型参数的更新过程：

其中，y∈{0，1}是真实值，代表用户是否点击了目标短视频；σ是sigmoid函数；最后采用Adam优化器更新模型参数。

2.根据权利要求1所述的一种基于多模态动态路由的短视频点击率预测方法，其特征在于：所述短视频图网络T构造方法为：为了捕捉短视频和短视频之间的转移关系，我们从所有用户的历史点击行为序列中构τ τ τ

建短视频图网络T；给定一个用户u历史点击行为序列x ＝[x1，…，xl]，l是用户u的行为序τ

列x的长度，任一短视频xj为图T的节点，(xj‑1，xj)为图网络T的边，(xj‑1，xj)表示一个用户点击短视频xj‑1后点击短视频xj；图的边数值属性为边(xj‑1，xj)出现的次数；为了降低在线计算复杂度，采用离线文件存储每个节点在图网络T中的邻居节点。

3.根据权利要求1所述的一种基于多模态动态路由的短视频点击率预测方法，其特征在于：所述非线性函数f为：

k

其中，B(j)为短视频图网络T中短视频xj的邻居集合，W 是图参数，σ为sigmoid函数，CONCAT表示向量连接操作；AGGREGATE函数采用的最大池化max‑pooling方法：其中，B(j)为短视频图网络T中短视频xj的邻居集合，Wpool是网络参数，b是偏置向量bias vector，σ为sigmoid函数；max代表元素级别的max操作，可以有效捕捉邻居的各个方面属性。