1.一种基于非局部网络和局部网络的短视频推荐方法，其特征在于：采用注意力机制方法，得到用户的短视频多行为交互序列中“肯定”行为对每个“点击”行为的影响；对于一个用户的交互行为序列 可以表示为x＝[x1，…，xl]，其中 是短视频的封面图特征向量，d是特征向量长度；其中，“肯定”行为序列表示为*

且X 是x的子集；“点击”行为序列即是x＝[x1，…，xl]；用非局部网络方法中的注意力机制方法，得到“肯定”行为序列对“点击”行为的影响；通常，序列中最后点击短视频(last‑click)用于代表用户的当前点击兴趣，所以注意力机制是基于最后点击短视频的：

其中， 和 是模型需要训练的参数；xt表示点击序列中的最后一个短视频向量表征， 代表当前“点击”序列中“肯定”序列的第i个短视频向量表征；σ为sigmoid函数； 代表当前“点击”序列中“肯定”序列的第i个短视频向量表征 的重要程度；是以xt为结尾的“点击”行为序列中“肯定”行为对当前点击兴趣的影响；

采用基于非局部注意力机制的循环神经网络生成用户兴趣表征；原始的门控制循环神经网络(GRU)的结构只能处理单行为序列；为了适用于多行为序列，本方法改进原始的门控制循环神经网络，使得门控制循环神经网络单元(unit)对信息的选择不仅考虑序列中当前短视频和上一个门控制循环神经网络单元的状态，还考虑“肯定”行为的影响，如下：其中，zt为更新门(update gate)，rt是重置门(reset gate)，这两个门控向量决定了哪些信息能作为门控循环单元的输出； 是当前记忆内容；xt是当前层的节点输入，是“肯定”行为的影响； 和

分别是控制更新门zt和重置门rt的参数； 和 是控制前记忆内容 的参数；⊙是元素级别的矩阵相乘，σ是sigmoid函数；门控制循环神经网络最后一层的隐藏状态ht的输出就是用户兴趣表征v；

根据用户兴趣表征，预测用户对目标短视频xnew的点击率：其中，v是用户兴趣表征，xnew是目标短视频；是用户对目标短视频的点击率预测值；

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；我们采用Adam优化器更新模型参数。