1.一种基于用户正负反馈信息的短视频点击率预测方法，其特征在于：将用户正反馈信息和负反馈信息分割成块，且从块中抽取特征；对于一个用户的点击行为序列 可以表示为 其中 表示任一短视频的封面图特征向量，d代表短视频的封面图特征向量 的长度；因为短视频时长较短，造成用户的行为序列+

比较长；所以，用一个长度为w的窗口将序列x分割成m个块，用户在一个块里的交互的短视频往往比较相似；此时，每个块特征表征的计算方式如下：其中， 为用户在第k个块的偏好特征；虽然求和的方式会丢失掉一部分信息，但是主要的信息会被保留，这正是我们所需要的；采用相同的方式处理用户的负反馈信息，得到负反馈的块表征

+

基于用户正反馈序列捕捉用户行为的序列性，得到目标短视频相关的用户兴趣表征v；

其中， 为用户在正反馈序列的第k个块的偏好特征，xnew是目标短视频向量表征；

是转换矩阵； 是正反馈序列中的第k个块的偏好特征和目标短视频的相关性；

表示采用循环神经网络(RNN)对序列 进行建模；采用的循环神经网络结构是长短时记忆网络(LSTM)；

‑

基于用户负反馈序列，捕捉和目标短视频相关的用户兴趣表征v ；采用注意力机制方法：

其中， 为用户在负反馈序列中的第k个块的偏好特征，xnew是目标短视频向量表征；

是转换矩阵； 是负反馈序列中的第k个块的偏好特征和目标短视频的相关性；

根据用户兴趣表征，预测用户对目标短视频的点击率；

+ ‑

O＝concat(v，v)+ ‑

其中，v ，v 分别为从用户正反馈和负反馈中抽取的用户兴趣；concat表示把两个向量连接； 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；我们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所述的一种基于用户正负反馈信息的短视频点击率预测方法，其特征在于：所述长短时记忆网络(LSTM)结构为：hk＝okck

+

其中，长短期记忆网络的最后一层的隐藏状态hk的输出就是用户兴趣表征v； 是当前层的节点输入， 和 和

分别是控制输入门ik、遗忘门fk和输出门ok的参数；Wc、Uc和bc是控制单元状态ck更新的参数，ck‑1表示上一层的单元；σ为sigmoid函数；所有这些参数和输入：隐层状态 当前输入 共同参与计算，来输出结果hk。