1.一种基于细粒度的多方面分析的短视频点击率预测方法，其特征在于：将用户正负反馈信息分块(block)，块内采用自注意力机制得到块向量表征；对于一个用户的点击行为序列 可以表示为 其中 是短视频的封面图特征向量，d是特征向量长度；未点击序列可以表示为 本方法用一个长度为w的+ ‑

窗口将序列X以及X分割成m个块；每个块特征表征sj的计算方式如下：attnji＝W0σ(W1xji+W2mj+ba)sj＝tanh(W4mj+bs)其中，用户的正负反馈序列分块计算方法一致且参数不共享，为了表达简单，以上所有的公式略去表示正负反馈的上标+和‑；xji代表序列中第j个块中的第i个短视频向量表征，sj表示第j个块向量表征，且S＝{s1,s2,…,sm}表示块序列；attnji代表xji的重要程度；sj＝tanh(W4mj+bs)表示在自注意力机制上再加一层MLP，增强模型的非线性；

和 是模型需要训练的参数；σ

为sigmoid函数，tanh代表tanh激活函数；

采用长短期记忆网络从块(block)向量表征抽取用户动态兴趣表征hj；同样，用户的正负反馈序列计算方法一致且参数不共享，为了表达简单，以下所有的公式略去上标+和‑：hj＝LSTM(sj)

其中，sj表示第j个块向量表征；LSTM(sj)表示长短时记忆网络(LSTM)对序列S＝{s1,s2,…,sm}进行建模；

利用门机制从从用户兴趣表征和目标短视频中抽取多方面(multi‑aspect)特征；短视频由更细粒度的方面(比如，视频场景、视频主题、视频情绪)组成；本方法采用门机制抽取方面特征，下面公式是抽取第j个用户兴趣表征的第k个方面；用户的正负反馈序列计算方法一致且参数共享，为了表达简单，以下所有的公式略去上标+和‑：pk,j＝hj⊙σ(Wk,1hj+Wk,2qk+bk)其中， 和 是第k个方面的转移矩阵， 是第k个方面的偏置向量；σ是sigmoid激活函数，⊙是元素级别的乘法；hj是从块(block)向量表征抽取的第j个用户兴趣表征，qk是第k个方面表征且qk为所有用户共享；短视频的方面个数M是超参数；得到用户兴趣的每个方面向量表征之后，本方法采用平均池(average pooling)将所有用户兴趣中同一个方面信息聚合：

其中，m是用户兴趣的个数；最后我们可以从正反馈和负反馈序列中得到M个方面特征和 采用相同的办法，可以从目标短视频中得到M个方面特征利用交互注意力机制(interactive attention)，得到多方面(multi‑aspect)的重要性，并更新多方面特征：

attnk＝softmax(attnk)pk＝attnkpk

其中， 和 分别是从正反馈和负反馈序列中抽取的方面特征；cos三角函数是计算向量相似度的基本公式；且‑cos表示正负反馈相同方面的特征越接近，attnk越小，也就是该方面的重要性越低；反之，正负反馈相同方面的特征差异越大，attnk越大，也就是该方面的重要性越高；softmax是一种正则化方式；

利用基于目标短视频的注意力机制，从多方面(multi‑aspect)特征中抽取和目标短视频相关的兴趣向量表征；用户的正负反馈序列计算方法一致且参数不共享，为了表达简单，以下所有的公式略去上标+和‑：

其中，pk为序列第k个方面特征， 为目标短视频第k个方面特征；参数 和参数W5, 控制每个方面特征的权重,参数b是偏置参数；σ是sigmoid激活函数；

根据用户兴趣表征，预测用户对目标短视频的点击率：+ ‑

其中，v 和v 分别为用户在正反馈序列和负反馈序列下的兴趣表征， 为向量拼接操作； 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所述的一种基于细粒度的多方面分析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：ij＝σ(Wisj+Uihj‑1+bi)fj＝σ(Wfsj+Ufhj‑1+bf)oj＝σ(Wosj+Uohj‑1+bo)cj＝iktanh(Wcsj+Uchj‑1+bc)+fjcj‑1hj＝ojcj

其中，长短期记忆网络每一层的隐藏状态hj的输出就是用户兴趣表征；sj是当前层的节点输入， 和 分别是控制输入

门ij、遗忘门fj和输出门oj的参数；σ为sigmoid函数；所有这些参数和输入：隐层状态hj‑1、当前输入sj共同参与计算，来输出结果hj。