互联网智能电视如今越来越成为智能家居的重要组成部分。基于互联网智能电视平台的推荐系统也在迅速发展,国外的Netflix、Hulu公司,国内的海信聚好看、爱奇艺等公司都在智能电视平台中嵌入了推荐系统的相关功能。在盈利模式上,单点付费视频和套餐付费视频是互联网智能电视平台收入的重要组成部分。单点付费视频是单独付费购买的高质量电影或电视剧,当了解了用户想要购买的单点付费视频后,服务提供商可以发放优惠券,促进用户消费,从而提高用户的付费率。用户也因为系统的推荐和优惠活动降低了时间成本和消费成本,从而提高了用户体验,增强了用户粘性。但是由于互联网智能电视和传统APP的使用环境不同,没有用户评分、评论这种显式反馈,可以使用的反映用户兴趣偏好的隐式反馈只有用户的观看记录和购买记录。而且对于付费视频来说,用户的观看记录的占比明显小于非付费视频。由于以上因素,在互联网智能电视领域关于单点付费预测问题的算法和系统研究起步较晚、困难也较多。互联网智能电视平台单点付费预测问题的主要挑战在于三个方面。第一个挑战在于如何准确地表示视频。因为系统中单点付费视频的观看记录数量明显少于非付费视频,使用传统的视频嵌入表示方法得到的单点付费视频的嵌入表示不充分、不精确。第二个挑战在于如何对时间因素进行建模。因为不仅视频的流行程度随着时间呈现出线性或者周期性的变化,用户的观看兴趣和购买偏好在一天或者一周的不同时间也会发生规律性的变化。第三个挑战在于如何对用户的观看兴趣和购买偏好进行建模。系统中只有用户的观看记录和购买记录分别反映了用户的观看兴趣和购买偏好,但是在很多情况下用户的观看兴趣和购买偏好是不一致的。针对上述挑战,本文在与国内知名互联网智能电视平台合作项目的基础上,提出了基于用户观看兴趣和购买偏好的单点付费预测模型——VICP（single payment prediction model based on user Viewing Interest and Consumption Preference）,并对该模型进行了系统实现。本文的主要工作和贡献总结为如下三点:1.本文提出一个基于用户观看兴趣和购买偏好的单点付费预测模型——VICP模型。该模型首先将基于图注意力网络的ET-GAT方法应用于全体用户观看记录组织成的图结构上,并融合了时间嵌入信息,从而获得精确的视频嵌入表示。接着,根据用户的观看记录和购买记录的特点,对用户的短期兴趣使用序列化方式建模,对用户的长期兴趣和购买偏好使用多头注意力机制进行建模。最后,将短期兴趣、长期兴趣和购买偏好的建模结果以及用户特征和视频的嵌入表示向量输入多层前馈神经网络,预测出用户购买具体单点视频的概率。2.本文在两个真实数据集上进行了充分的实验来验证VICP模型的有效性。首先,设计了本模型与基线模型的对比实验,实验结果表明本模型在两个数据集上的评价指标均优于基线模型。接着,通过消融实验验证了 ET-GAT方法、时间嵌入层等模型组件对模型整体效果的影响。最后,通过可视化实验直观反映了 ET-GAT方法的提升效果以及用户观看序列长度对模型效果的影响。3.本文基于互联网智能电视服务平台,对提出的VICP模型进行了系统实现。该系统在服务器端使用HDFS完成海量数据的分布式存储,使用Hive和Spark集群完成数据的并行化处理,使用TensorFlow完成模型的构建和预训练,并将模型服务用到的视频嵌入向量、用户和视频特征存储到内存数据库Redis中,最后将训练好的模型部署到配置好的Docker容器中。当需要预测用户购买具体单点付费视频的概率时,就可以将数据以JSON格式发送到模型服务端口,该端口返回相应的购买概率。