技术特征：
1.一种通过基于源域特征的迁移学习进行内容推荐的方法，所述方法包括：对原模型进行预处理；对所述原模型的源域变量进行分块以形成变量块；为每个变量块寻找相关变量块以确定邻接矩阵；对每个变量块进行主成分分析pca处理以进行第一次变量特征提取；利用所述原模型的节点、特征和所述邻接矩阵来对每个变量块进行谱聚类以进行第二次变量特征提取；对两次提取的多个变量特征进行贝叶斯融合以形成源域特征；基于所述源域特征来对所述原模型进行迁移学习以得到目标模型；以及利用所述目标模型来进行内容推荐。2.如权利要求1所述的方法，其中对所述原模型进行预处理包括对所述原模型的多余结构进行预处理以形成符合目标数据的模型。3.如权利要求2所述的方法，其中对所述原模型进行预处理进一步包括对所述原模型的无用和明显的噪声数据进行删除和清理。4.如权利要求1所述的方法，其中对所述原模型的源域变量进行分块包括为每个单独变量寻找相关变量以形成变量块。5.如权利要求1所述的方法，其中对每个变量块进行pca处理包括对所形成的变量块执行pca算法计算，所述pca算法计算用于通过相关性进行变量块划分并对划分后的变量块进行pca降维处理以剔除相关性较弱的变量块而保留主要变量块。6.如权利要求1所述的方法，其中第二次变量特征提取是对聚类后的变量块进行的。7.如权利要求1所述的方法，其中所述两次提取的多个变量特征是作为贝叶斯的统计量进行融合的。8.一种内容推荐系统，所述系统包括：原模型预处理模块，其被配置成对原模型进行预处理；主成分分析pca特征提取模块，其被配置成：对所述原模型的源域变量进行分块以形成变量块；为每个变量块寻找相关变量块以确定邻接矩阵；以及对每个变量块进行主成分分析pca处理以进行第一次变量特征提取；谱聚类特征提取模块，其被配置成利用所述原模型的节点、特征和所述邻接矩阵来对每个变量块进行谱聚类以进行第二次变量特征提取；贝叶斯融合模块，其被配置成对两次提取的多个变量特征进行贝叶斯融合以形成源域特征；迁移学习模块，其被配置成基于所述源域特征来对所述原模型进行迁移学习以得到目标模型；以及内容推荐模块，其被配置成利用所述目标模型来进行内容推荐。9.一种包括用于执行如权利要求1-8中的任一项所述的方法的装置的计算机系统。10.一种具有指令的计算机可读存储介质，所述指令在被执行时使机器执行如权利要求1-8中的任一项所述的方法。
技术总结
本发明提供一种基于源域特征的迁移学习视频推荐方法，该方法包括对源域变量进行大致分块，对形成的分块进行PCA算法计算，利用节点、特征和邻接矩阵进行谱聚类，将形成的多个统计量进行贝叶斯融合以形成最终的源域特征，以及在迁移学习中将源域特征作为主要信任参数以将已有模型迁移学习为目标所需要的模型。数以将已有模型迁移学习为目标所需要的模型。数以将已有模型迁移学习为目标所需要的模型。
技术研发人员：谢辉 陆涛 田武星 邬明虎 汤雯
受保护的技术使用者：天翼数字生活科技有限公司
技术研发日：2021.12.27
技术公布日：2022/8/15