CN103106208B - 一种移动互联网中的流媒体内容推荐方法和系统 - Google Patents

Abstract

本发明实施例公开了一种移动互联网中的流媒体内容推荐方法和系统。该方法包括：获得候选的待推荐流媒体内容列表；获取移动终端侧的各项信息和候选的待推荐流媒体内容的相应项信息将移动终端侧的各项信息与候选的待推荐流媒体内容的相应项信息进行匹配，根据各项信息的推荐权重c_i计算各项信息的匹配度η_i，判断各项信息的匹配度η_i是否满足预定条件，根据判断结果确定最终推荐的流媒体内容。应用本发明能够面向移动用户推荐其可能感兴趣的、并且适合其终端播放的流媒体内容。

Description

一种移动互联网中的流媒体内容推荐方法和系统

技术领域

本发明涉及移动通信技术领域，尤其涉及一种移动互联网中的流媒体内容推荐方法和系统。

背景技术

随着移动网络带宽的不断增加及智能终端的普及，手机视频成为移动通信领域重要的增值业务。手机视频基于移动网络向移动终端用户提供各类流媒体内容点播、下载服务，用户付费使用该服务。其中的流媒体内容包括音频文件、视频文件等。

大量供选择的流媒体资源一方面增加了用户选择，另一方面却加大了用户观看视频前选择的难度。用户需要寻找适当的关键词来描述自己的点播需求，同时在使用手机等较小的移动电子设备搜索筛选感兴趣内容时也比较耗费时间。通常情况下，不同的用户感兴趣和关注的范围不同。先进的手机视频业务除了提供丰富的流媒体内容外，还应向用户提供流媒体推荐服务，换言之，要向用户主动推荐他们可能感兴趣的、并且适合播放的流媒体内容，降低用户查找浏览的难度和时间，提高视频点播率，增强业务的用户黏性。

目前，传统互联网采用相同的流媒体内容推荐方案，具体包括：根据用户行为、用户属性、和/或流媒体内容的属性确定出候选的待推荐视频列表，将所述候选的待推荐流媒体列表推荐给用户。

移动互联网与传统互联网相比在移动性、实时性、带宽分配、终端呈现、用户规模以及用户使用习惯上有着较大的不同。适用于传统互联网应用的推荐系统并没有考虑到这些新的特性。

同时，多媒体内容产品与电子商务商品、网页、普通资讯相比，在内容表达与用户消费习惯上表现出差异性。这些差异性决定了传统的互联网系统所使用的流媒体内容推荐系统不能被照搬并适用于移动互联网上的流媒体应用。

因此，随着手机上网用户的增长及手机视频业务的开展，为了解决面向PC的互联网推荐系统不能适应移动流媒体播放新特点的问题，有必要构建面向移动互联网的流媒体内容推荐系统，以便能够面向移动用户推荐其可能感兴趣的、并且适合其终端播放的流媒体内容。

另外，在现有的流媒体推荐方案中，其中的候选待推荐流媒体列表主要通过如下方法获得：

根据大众行为确定候选的待推荐流媒体列表，并且向每个用户都发送同样的候选的待推荐流媒体列表，即对每个用户都给出同样的推荐。其中的候选的待推荐流媒体列表，可以是由系统管理人员根据所述大众行为所确定的、静态的列表，也可以是基于系统所有用户的反馈统计计算得出的、当下最热门或评价最高的流媒体列表。

由于是根据大众行为确定候选的待推荐流媒体列表，并且针对所有用户都给出相同的推荐，没有体现出用户的个性化需求，因此，近几年随着用户的增长和多样化趋势的增强，以用户为中心个性化推荐技术不断地被一些电子商务型或者社交网络型网站所应用，为用户提供他们所感兴趣的信息和商品。

现有的针对传统互联网的个性化推荐方法大致可以分为三种：基于关联规则的推荐算法、基于内容的推荐算法以及协作过滤算法。

基于关联规则的推荐系统更常见于电子商务系统中。其首要目标是挖掘出关联规则，也就是那些同时被很多用户购买的物品集合。这个方法需要首先挖掘规则形成关联规则库，然后为用户提供相应的项目。

基于内容的推荐系统一般通过分析特定用户的属性以及项目的属性来过滤项目信息。对属性与该用户的属性或者该用户最近操作过项目属性相似的项目进行推荐。

协作过滤推荐系统并不需要做出如同“用户属性-项目”的匹配，而根据“物以类聚、人以群分”的思路为用户推荐与他相似的用户都感兴趣的项目。这种推荐系统基于一个假设，喜欢相同项目的用户更有可能具有相同的兴趣。

然而，上述三种个性化推荐方法都有它们特定的适用场合，也各自面临着一些问题：

基于关联规则的推荐系统不适合多样化长尾性产品，不适用于长尾时代的视频产品。同时这种方法因为要通过迭代计算关联规则，计算量较大，不能动态更新。此外这种推荐系统由于采用用户数据，不可避免的存在冷启动和数据稀疏性问题。

基于内容的推荐系统，需要直接计算用户属性与产品属性之间相似度，因而不需要用户历史数据并且不受数据稀疏性影响。但是内容推荐的准确性依赖于产品内容属性自动抽取的准确性和深度，或者人工标注内容标签的准确度和丰富程度，对多媒体产品而言要求比较高。此外，用户的兴趣是多变的，而现有的基于内容的推荐算法不能为用户发现新的感兴趣的资源，只能发现和用户已有兴趣相似的资源。存在越推荐内容覆盖种类越窄的问题。

协作过滤推荐系统，利用用户之间的相似性来推荐信息，它能够为用户发现新的感兴趣的内容。但它的缺点是准确性依赖于大量用户历史数据，存在冷启动问题。另外随着用户数量的增多，计算量加大，其响应速度和性能也会下降。

因此，如何在进行个性化推荐时，有效克服上述三种个性化推荐方法所存在的问题，是当前需要解决的另一个技术问题。

发明内容

有鉴于此，本发明提供了一种移动互联网中的流媒体内容推荐方法和系统，以便能够面向移动用户推荐其可能感兴趣的、并且适合其终端播放的流媒体内容。

本发明的技术方案具体是这样实现的：

一种移动互联网中的流媒体内容推荐方法，该方法包括：

获得候选的待推荐流媒体内容列表；获取移动终端侧的各项信息和候选的待推荐流媒体内容的相应项信息

将移动终端侧的各项信息与候选的待推荐流媒体内容的相应项信息进行匹配，根据各项信息的推荐权重c_i计算各项信息的匹配度η_i，判断各项信息的匹配度η_i是否满足预定条件，根据判断结果确定最终推荐的流媒体内容。

一种移动互联网中的流媒体内容推荐系统，该系统包括移动终端信息获取模块、流媒体内容信息存储模块、推荐计算模块和候选的待推荐流媒体内容列表存储模块；

所述移动终端信息获取模块，用于获取移动终端侧的信息；

所述流媒体内容信息存储模块，用于存储流媒体内容的信息；

所述推荐计算模块，用于计算得出候选的待推荐流媒体内容列表，根据移动终端信息获取模块获取的内容，得到移动终端侧的各项信息根据所述流媒体内容信息存储模块中存储的内容，得到候选的待推荐流媒体内容的相应项信息将移动终端侧的各项信息与候选的待推荐流媒体内容的相应项信息进行匹配，根据各项信息的推荐权重c_i计算各项信息的匹配度η_i，判断各项信息的匹配度η_i是否满足预定条件，根据判断结果确定最终推荐的流媒体内容；

所述候选的待推荐流媒体内容列表存储模块，用于存储推荐计算模块算得的候选的待推荐流媒体内容列表。

由上述技术方案可见，本发明通过获取移动终端侧的各项信息和候选的待推荐流媒体内容的相应项信息将移动终端侧的各项信息与候选的待推荐流媒体内容的相应项信息进行匹配，根据各项信息的推荐权重c_i计算各项信息的匹配度η_i，判断各项信息的匹配度η_i是否满足预定条件，根据判断结果，从候选的待推荐流媒体内容列表中，确定最终推荐的流媒体内容，因此，除了能够面向移动用户推荐其可能感兴趣的流媒体内容外，还能保证推荐的流媒体内容适合其终端播放。

附图说明

图1是本发明提供的移动互联网中的内容推荐方法流程图。

图2是本发明提供的获得候选的待推荐流媒体内容列表的方法流程图。

图3是本发明提供的基于分层的协作过滤方法计算候选的待推荐流媒体内容列表的流程图。

图4是本发明提供的移动互联网中的流媒体内容推荐系统结构图。

具体实施方式

图1是本发明提供的移动互联网中的内容推荐方法流程图。

如图1所示，该流程包括：

步骤101，获得候选的待推荐流媒体内容列表。

步骤102，获取移动终端侧的各项信息和候选的待推荐流媒体内容的相应项信息

其中的步骤101和步骤102顺序可调。

步骤103，将移动终端侧的各项信息与候选的待推荐流媒体内容的相应项信息进行匹配，根据各项信息的推荐权重c_i计算各项信息的匹配度η_i。

步骤104，判断各项信息的匹配度η_i是否满足预定条件，根据判断结果确定最终推荐的流媒体内容。

图1所示方法中，移动终端侧的信息可以包括移动终端的网络情况、移动终端的当前位置、移动终端的信息处理能力等。其中，移动终端的信息处理能力可以通过移动终端的型号获知，所述信息处理能力可以包括但不限于：支持的流媒体格式信息、移动终端的屏幕像素和长宽比等。

获取移动终端侧的各项信息和候选的待推荐流媒体内容的相应项信息具体可以包括：

获取移动终端侧的每项性能、以及流媒体内容的相应属性，将该项性能和所述相应属性进行量化，并将该项性能和所述相应属性的量化值映射到同一个数值空间，得到所述各项信息和所述相应项信息

具体地，移动终端侧信息可以整理表示为若干个数据向量组成的集合其中r_i表示第i项终端侧信息。这里的整理表示过程包括快速数据量化以及归一化。例如，网络带宽信息可以量化分为K档，终端侧网络状态则可以表示为1到K之间的整数，而移动终端屏幕分辨率信息可以表示为(屏横向像素数，屏纵向像素数)的向量形式。

对候选的待推荐流媒体内容列表中的流媒体内容，计算与终端侧属性对应的流媒体内容信息并存储所述比如，流媒体内容的分辨率、帧率等要素决定了点播该流媒体时的网络流量需求，因此，将流媒体内容的分辨率、帧率等要素的综合信息与终端侧的网络状态项相对应。再比如，将流媒体内容的分辨率与移动终端屏幕分辨率相对应。

其中，流媒体内容与移动终端侧的对应项信息数据需要被映射到相同的数值取值空间。

图1所示方法中，可以预先为每项信息的匹配度η_i设置匹配度阈值判断算得的η_i是否不小于预设的匹配度阈值如果是，判定信息匹配度η_i满足预定条件，否则，信息匹配度η_i不满足预定条件。

在根据判断结果确定最终推荐的流媒体内容时，可以从候选的待推荐流媒体内容中选出各项信息的匹配度η_i均满足预定条件的候选的待推荐流媒体内容，从选出的候选的待推荐流媒体内容中确定最终推荐的流媒体内容。

例如，通过计算确定流媒体内容各项信息的匹配度是否均满足预定条件，如果一候选的待推荐流媒体内容的FLAG不为0，说明该候选的待推荐流媒体内容的各项信息的匹配度均满足预定条件，反之，至少有一项信息不满足预定条件。其中，M是信息项数。

一般地，当选出的候选的待推荐流媒体内容个数大于最终推荐的流媒体内容个数时，可以从选出的候选的待推荐流媒体内容中随机选择最终推荐的流媒体内容，也可以根据某项信息的匹配度或诸如流媒体内容的点击率等其他因素，从选出的候选的待推荐流媒体内容中选择最终推荐的流媒体内容。

图1所述方法中，根据各项信息的推荐权重c_i计算各项信息的匹配度η_i，通过判断各项信息的匹配度η_i是否满足预定条件，根据判断结果确定最终推荐的流媒体内容，可以使得最终推荐的流媒体内容属性能够与移动终端的性能相匹配，从而适合移动终端播放。

由于移动终端的性能有多种，例如当前的网络带宽、屏幕大小、分辨率等，而各项性能对流媒体内容播放效果的影响程度不同，因此，可以通过设置各项信息的推荐权重c_i来体现移动终端的各项性能对流媒体播放效果的影响，换言之，通过设置各项信息的推荐权重c_i来体现移动终端对流媒体内容相应属性的挑剔程度。一般地，各项信息的推荐权重c_i中，至少有两项信息的推荐权重c_i不同。

其中，在为一用户推荐流媒体内容的起始时刻，可以为该用户的推荐权重c_i设置初始值，该初始值可以为系统默认的初始值，也可以是根据用户的移动终端特性设置的初始值。

为了提高推荐权重c_i的准确性，使推荐权重c_i能够更加准确地反映移动终端对流媒体内容相应属性的挑剔程度，可以根据用户的历史行为信息和移动终端侧信息与流媒体内容信息的匹配度，对推荐权重c_i进行更新。

用户的历史行为信息可以通过用户对流媒体内容的评分矢量来表示。用户的评分矢量包括：该用户对每一流媒体内容的操作对应的评分值。

假设用户对流媒体内容的操作为a，则a可以是下载、浏览详细信息、收藏、观看视频、无操作等行为。

一般来讲，用户操作对应的评分值，代表了该用户对该操作的对象(即流媒体内容)的感兴趣程度，用户只有对流媒体内容比较感兴趣时，才会对该流媒体内容进行评分值较高的操作。假设操作a的评分值为w_a∈[0，1]，比如收藏、下载操作w_a可选为1，浏览详细信息为0.1，无操作为0，观看视频w_a为用户观看时间与视频总时长的比值。

根据用户对流媒体内容的操作，更新该用户对流媒体内容的评分矢量具体可以包括：

当用户对一流媒体内容有多项操作时，选取各项操作对应的评分值中最高的评分值作为该流媒体内容的调整分值w_a；判断该流媒体内容的调整分值w_a是否大于该用户对流媒体内容的评分矢量中该流媒体内容的评分值，如果是，将该评分矢量中该流媒体内容的评分值更新为该流媒体内容的调整分值w_a，否则，保持评分矢量中该流媒体内容的评分值不变。

根据用户对流媒体内容的评分矢量、和移动终端侧信息项与流媒体内容的信息项的匹配度η_i，更新所述推荐权重c_i具体可以为：在根据用户对一流媒体内容的评分值大于预定阈值，且该流媒体内容的信息项与移动终端侧的相应项信息的匹配度η_i不满足预定条件时，调整该项信息的推荐权重c_i。

如果在流媒体内容的信息项与移动终端侧的相应项信息的匹配度η_i不满足预定条件时，用户仍然对该流媒体内容进行了预定操作，即进行了其评分值大于预定阈值的操作，例如点播、收藏、观看等，则说明移动终端对所述信息项与所述信息项的匹配度不敏感，所以需要调整所述信息项与所述信息项的推荐权重c_i。

其中，当根据推荐权重c_i计算匹配度η_i的公式为时，所述调整推荐权重c_i具体可以为：

将推荐权重c_i更新为其中，flag_i在相应信息项的匹配度满足预定条件时取值为1，否则取值为0，例如，

图1所示方法是首先获得候选的待推荐流媒体内容列表，然后从候选的待推荐流媒体内容列表中确定最终推荐的流媒体内容。其中，本发明可以采用自动切换的方法获得候选的待推荐流媒体内容列表，从而使得获得的候选的待推荐流媒体内容列表更能符合用户的个性需求、提高准确性、同时避免冷启动等问题。

图2是本发明提供的获得候选的待推荐流媒体内容列表的方法流程图。

如图2所示，该方法包括：

步骤201，根据流媒体点播业务访问请求中的用户标识ID查询用户兴趣档案信息数据库中是否已存储该用户的兴趣档案信息，如果是，执行步骤202，否则，执行步骤203。

其中，用户的兴趣档案信息U具体可以包括：用户对每一爱好关键词t_i的喜好程度ω_i。因此，用户的兴趣档案信息U可以采用向量的形式表示。

步骤202，根据该用户的兴趣档案信息获得候选的待推荐流媒体内容列表。

步骤203，获取面向大众的候选的待推荐流媒体内容列表。

其中，候选的待推荐流媒体内容列表的计算，可以在系统处理流媒体点播业务请求的同时，进行同步计算，也可以是预先计算好的。候选的待推荐流媒体内容列表

其中，在根据用户的兴趣档案信息获得候选的待推荐流媒体内容列表时，可以根据该用户已执行过预定操作的流媒体内容个数以及流媒体内容点播系统当前的活跃用户数，选择基于协作过滤的方法或基于内容的推荐方法计算候选的待推荐流媒体内容列表。

具体地，在当前的活跃用户总数达到预定阈值、且当前用户已执行过预定操作的流媒体内容个数达到预定阈值时，基于协作过滤的方法获得该当前用户的候选的待推荐流媒体内容列表，在当前的活跃用户总数没有达到预定阈值、或当前用户已执行过预定操作的流媒体内容个数没有达到预定阈值时，根据预先存储的流媒体内容信息得到每一流媒体内容的兴趣特征信息计算该用户的兴趣档案信息U与流媒体内容的兴趣特征信息的匹配度，根据算得的匹配度获得该当前用户的候选的待推荐流媒体内容列表。

其中，每一流媒体内容的兴趣特征信息包括：用于标识爱好关键词t_i是否是流媒体内容兴趣特征的标志位v_i，当爱好关键词t_i是流媒体内容的兴趣特征时，所述标志位v_i取值为正数，反之，所述标志位取值为0。

可以根据用户对流媒体内容的操作，更新该用户的兴趣档案信息，具体地，当用户对一流媒体内容有多项操作时，选取各项操作对应的评分值中最高的评分值作为该流媒体内容的调整分值w_a；根据用户操作的流媒体内容的调整分值w_a和该流媒体内容的特征信息将该用户对爱好关键词t_i的喜好程度ω_i更新为ω_i+w_av_i。

本发明可以采用现有的基于内容的推荐方法计算候选的待推荐流媒体内容列表，具体地，流媒体内容信息与用户兴趣档案信息的匹配度计算采用余弦相似度公式：

根据余弦相似度确定候选的待推荐流媒体内容列表。

本发明在基于协作过滤的方法计算候选的待推荐流媒体内容列表时，可以采用与现有基于协作过滤的方法进行计算，为了降低计算复杂度，本发明还提出了一种分层的协作过滤方法，具体请参见图3。

图3是本发明提供的基于分层的协作过滤方法计算候选的待推荐流媒体内容列表的流程图。

如图3所示，该流程包括：

步骤301，根据各个用户对流媒体内容的历史行为，通过行为相似性聚类，将用户群划分为两个以上的大类。

步骤302，计算各大类的聚类中心和每一用户所属于的大类。

步骤303，从当前用户所属于的大类中，选取与该当前用户的行为相似性满足预定条件的k个近邻用户。

步骤304，根据该k个近邻用户对流媒体内容的历史行为信息，为所述当前用户生成候选的待推荐流媒体内容列表。

根据本发明提供的流媒体内容推荐方法，本发明还提供了相应的流媒体内容推荐系统，具体请参见图4。

图4是本发明提供的移动互联网中的流媒体内容推荐系统结构图。

如图4所示，该系统包括移动终端信息获取模块401、流媒体内容信息存储模块402、推荐计算模块403和候选的待推荐流媒体内容列表存储模块404。

移动终端信息获取模块401，用于获取移动终端侧的信息。

流媒体内容信息存储模块402，用于存储流媒体内容的信息。

推荐计算模块403，用于计算得出候选的待推荐流媒体内容列表，根据移动终端信息获取模块401获取的内容，得到移动终端侧的各项信息根据所述流媒体内容信息存储模块402中存储的内容，得到候选的待推荐流媒体内容的相应项信息将移动终端侧的各项信息与候选的待推荐流媒体内容的相应项信息进行匹配，根据各项信息的推荐权重c_i计算各项信息的匹配度η_i，判断各项信息的匹配度η_i是否满足预定条件，根据判断结果确定最终推荐的流媒体内容。

候选的待推荐流媒体内容列表存储模块404，用于存储推荐计算模块403算得的候选的待推荐流媒体内容列表。

其中的推荐计算模块403，用于判断算得的η_i是否不小于预设的匹配度阈值如果是，判定信息匹配度η_i满足预定条件，否则，信息匹配度η_i不满足预定条件。

其中的推荐计算模块403，用于从候选的待推荐流媒体内容中选出各项信息的匹配度η_i均满足预定条件的候选的待推荐流媒体内容，从选出的候选的待推荐流媒体内容中确定最终推荐的流媒体内容。

其中，推荐计算模块403在计算各项信息的匹配度η_i时所采用的推荐权重c_i中，至少有两项信息的推荐权重c_i不同。

图4所示系统还包括用户行为记录模块和用户行为历史信息存储模块，推荐计算模块403包括推荐权重更新模块。

所述用户行为记录模块，用于记录移动终端用户与流媒体服务器的交互行为，将交互行为信息发给所述用户行为历史信息存储模块。

所述用户历史信息存储模块，用于存储用户对流媒体内容的评分矢量，根据所述交互行为信息，更新该用户对流媒体内容的评分矢量，其中，所述评分矢量包括：用户对每一流媒体内容的操作对应的评分值。

所述推荐权重更新模块，用于根据用户对流媒体内容的评分矢量、和移动终端侧信息项与流媒体内容的信息项的匹配度η_i，更新所述推荐权重c_i。

其中的用户历史信息存储模块，用于在用户对一流媒体内容有多项操作时，选取各项操作对应的评分值中最高的评分值作为该流媒体内容的调整分值w_a，判断该流媒体内容的调整分值w_a是否大于该用户对流媒体内容的评分矢量中该流媒体内容的评分值，如果是，将该评分矢量中该流媒体内容的评分值更新为该流媒体内容的调整分值w_a，否则，保持该评分矢量中该流媒体内容的评分值不变。

所述推荐权重更新模块，用于在用户对一流媒体内容的评分值大于预定阈值，且该流媒体内容的信息项与移动终端侧的相应项信息的匹配度η_i不满足预定条件时，调整该项信息的推荐权重c_i。

所述推荐计算模块，可以用于计算流媒体内容的信息项与移动终端侧的相应项信息的匹配度

所述推荐权重更新模块，用于在用户对一流媒体内容的评分值大于预定阈值，且该流媒体内容的信息项与移动终端侧的相应项信息的匹配度η_i不满足预定条件时，将该项信息的推荐权重c_i更新为其中，flag_i在该项信息的匹配度满足预定条件时取值为1，否则取值为0，

图4所示系统还可以包括用户兴趣信息存储模块，推荐计算模块403还可以包括用户兴趣信息更新模块。

所述用户兴趣信息存储模块，用于存储用户的兴趣档案信息U，其中，用户的兴趣档案信息U包括：用户对每一爱好关键词t_i的喜好程度ω_i。

所述用户兴趣信息更新模块，用于根据所述用户行为记录模块记录的交互行为信息，更新用户的兴趣档案信息。

推荐计算模块403，用于根据流媒体点播业务访问请求中的用户标识ID，查询所述用户兴趣信息存储模块中是否已存储该用户的兴趣档案信息U，如果是，根据该用户的兴趣档案信息U获得候选的待推荐流媒体内容列表，如果否，获取面向大众的候选的待推荐流媒体内容列表。

推荐计算模块403，用于在根据该用户的兴趣档案信息U获得候选的待推荐流媒体内容列表时，判断当前的活跃用户总数是否达到预定阈值、以及当前用户已执行过预定操作的流媒体内容个数是否达到预定阈值，在当前的活跃用户总数达到预定阈值、且当前用户已执行过预定操作的流媒体内容个数达到预定阈值时，所述推荐计算模块基于协作过滤的方法获得该当前用户的候选的待推荐流媒体内容列表，在当前的活跃用户总数没有达到预定阈值、或当前用户已执行过预定操作的流媒体内容个数没有达到预定阈值时，所述推荐计算模块根据预先存储的流媒体内容信息得到每一流媒体内容的兴趣特征信息计算该用户的兴趣档案信息U与流媒体内容的兴趣特征信息的匹配度，根据算得的匹配度获得该当前用户的候选的待推荐流媒体内容列表。

其中，所述兴趣特征信息包括：用于标识爱好关键词t_i是否是流媒体内容兴趣特征的标志位v_i，当爱好关键词t_i是流媒体内容的兴趣特征时，所述标志位v_i取值为正数，反之，所述标志位取值为0。

所述用户兴趣信息更新模块，用于在用户对一流媒体内容有多项操作时，选取各项操作对应的评分值中最高的评分值作为该流媒体内容的调整分值w_a，根据用户操作的流媒体内容的调整分值w_a和该流媒体内容的兴趣特征信息将该用户对爱好关键词t_i的喜好程度ω_i更新为ω_i+w_av_i。

推荐计算模块403，用于在基于协作过滤的方法获得该当前用户的候选的待推荐流媒体内容列表时，根据各个用户对流媒体内容的历史行为，通过行为相似性聚类，将用户群划分为两个以上的大类，计算各大类的聚类中心和每一用户所属于的大类，从当前用户所属于的大类中，选取与该当前用户的行为相似性满足预定条件的k个近邻用户，根据该k个近邻用户对流媒体内容的历史行为信息，为所述当前用户生成候选的待推荐流媒体内容列表。

推荐计算模块403，用于将移动终端侧的每项性能、以及流媒体内容的相应属性进行量化，并将该项性能的量化值和所述相应属性的量化值映射到同一个数值空间，得到所述各项信息和所述相应项信息

上述系统中，流媒体内容信息存储模块402、所述用户兴趣信息存储模块、所述用户行为记录模块、所述用户行为历史信息存储模块、推荐计算模块403和候选的待推荐流媒体内容列表存储模块404均位于服务器侧，移动终端信息获取模块401可以位于终端侧，用于获取移动终端侧信息并上报给服务器侧，也可以在移动终端侧和服务器侧均设置移动终端信息获取模块，用于从服务器侧和移动终端侧获取移动终端的网络情况、终端型号、位置等信息。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。

Claims (24)

1.一种移动互联网中的流媒体内容推荐方法，其特征在于，该方法包括：

获得候选的待推荐流媒体内容列表；获取移动终端侧的各项信息和候选的待推荐流媒体内容的相应项信息

将移动终端侧的各项信息与候选的待推荐流媒体内容的相应项信息进行匹配，根据各项信息的推荐权重c_i计算各项信息的匹配度η_i，判断各项信息的匹配度η_i是否满足预定条件，根据判断结果确定最终推荐的流媒体内容；

其中，所述根据各项信息的推荐权重c_i计算各项信息的匹配度η_i包括：

计算信息匹配度

该方法还包括：

存储用户的兴趣档案信息U，其中，用户的兴趣档案信息U包括：用户对每一爱好关键词t_i的喜好程度ω_i；

根据用户对流媒体内容的操作，更新该用户的兴趣档案信息；

其中，所述获得候选的待推荐流媒体内容列表包括：

根据流媒体点播业务访问请求中的用户标识ID，查询用户兴趣档案信息数据库中是否已存储该用户的兴趣档案信息，如果是，根据该用户的兴趣档案信息获得候选的待推荐流媒体内容列表，如果否，获取面向大众的候选的待推荐流媒体内容列表。

2.根据权利要求1所述的方法，其特征在于，所述判断各项信息的匹配度是否满足预定条件包括：

判断算得的η_i是否不小于预设的匹配度阈值如果是，判定信息匹配度η_i满足预定条件，否则，信息匹配度η_i不满足预定条件。

3.根据权利要求1所述的方法，其特征在于，根据判断结果确定最终推荐的流媒体内容包括：

从候选的待推荐流媒体内容中选出各项信息的匹配度η_i均满足预定条件的候选的待推荐流媒体内容，从选出的候选的待推荐流媒体内容中确定最终推荐的流媒体内容。

4.根据权利要求1所述的方法，其特征在于，各项信息的推荐权重c_i中，至少有两项信息的推荐权重c_i不同。

5.根据权利要求1～4任一所述的方法，其特征在于，该方法还包括：存储用户对流媒体内容的评分矢量和所述推荐权重c_i；

其中，用户对流媒体内容的评分矢量包括：该用户对每一流媒体内容的操作对应的评分值；

根据用户对流媒体内容的操作，更新该用户对流媒体内容的评分矢量；

根据用户对流媒体内容的评分矢量、和移动终端侧信息项与流媒体内容的信息项的匹配度η_i，更新所述推荐权重c_i。

6.根据权利要求5所述的方法，其特征在于，更新该用户对流媒体内容的评分矢量包括：

当用户对一流媒体内容有多项操作时，选取各项操作对应的评分值中最高的评分值作为该流媒体内容的调整分值w_a；

判断该流媒体内容的调整分值w_a是否大于该用户对流媒体内容的评分矢量中该流媒体内容的评分值，如果是，将该评分矢量中该流媒体内容的评分值更新为该流媒体内容的调整分值w_a，否则，保持评分矢量中该流媒体内容的评分值不变。

7.根据权利要求6所述的方法，其特征在于，更新所述推荐权重c_i包括：

当根据用户对一流媒体内容的评分值大于预定阈值，且该流媒体内容的信息项与移动终端侧的相应项信息的匹配度η_i不满足预定条件时，调整该项信息的推荐权重c_i。

8.根据权利要求7所述的方法，其特征在于，所述调整该项信息的推荐权重c_i包括：

将该项信息的推荐权重c_i更新为其中，flag_i在该项信息的匹配度满足预定条件时取值为1，否则取值为0，

9.根据权利要求1所述的方法，其特征在于，所述根据该用户的兴趣档案信息获得候选的待推荐流媒体内容列表包括：

判断当前的活跃用户总数是否达到预定阈值、以及当前用户已执行过预定操作的流媒体内容个数是否达到预定阈值，

在当前的活跃用户总数达到预定阈值、且当前用户已执行过预定操作的流媒体内容个数达到预定阈值时，基于协作过滤的方法获得该当前用户的候选的待推荐流媒体内容列表，

在当前的活跃用户总数没有达到预定阈值、或当前用户已执行过预定操作的流媒体内容个数没有达到预定阈值时，根据预先存储的流媒体内容信息得到每一流媒体内容的兴趣特征信息计算该用户的兴趣档案信息U与流媒体内容的兴趣特征信息的匹配度，根据算得的匹配度获得该当前用户的候选的待推荐流媒体内容列表；

其中，所述兴趣特征信息包括：用于标识爱好关键词t_i是否是流媒体内容兴趣特征的标志位v_i，当爱好关键词t_i是流媒体内容的兴趣特征时，所述标志位v_i取值为正数，反之，所述标志位取值为0。

10.根据权利要求9所述的方法，其特征在于，所述根据用户对流媒体内容的操作，更新该用户的兴趣档案信息包括：

当用户对一流媒体内容有多项操作时，选取各项操作对应的评分值中最高的评分值作为该流媒体内容的调整分值w_a；

根据用户操作的流媒体内容的调整分值w_a和该流媒体内容的特征信息将该用户对爱好关键词t_i的喜好程度ω_i更新为ω_i+w_av_i。

11.根据权利要求9所述的方法，其特征在于，所述基于协作过滤的方法获得该当前用户的候选的待推荐流媒体内容列表包括：

根据各个用户对流媒体内容的历史行为，通过行为相似性聚类，将用户群划分为两个以上的大类，计算各大类的聚类中心和每一用户所属于的大类，

从当前用户所属于的大类中，选取与该当前用户的行为相似性满足预定条件的k个近邻用户，根据该k个近邻用户对流媒体内容的历史行为信息，为所述当前用户生成候选的待推荐流媒体内容列表。

12.根据权利要求1所述的方法，其特征在于，获取移动终端侧的各项信息和候选的待推荐流媒体内容的相应项信息包括：

获取移动终端侧的每项性能、以及流媒体内容的相应属性，将该项性能和所述相应属性进行量化，并将该项性能和所述相应属性的量化值映射到同一个数值空间，得到所述各项信息和所述相应项信息

13.一种移动互联网中的流媒体内容推荐系统，其特征在于，该系统包括移动终端信息获取模块、流媒体内容信息存储模块、推荐计算模块、候选的待推荐流媒体内容列表存储模块和用户兴趣信息存储模块；

所述移动终端信息获取模块，用于获取移动终端侧的信息；

所述流媒体内容信息存储模块，用于存储流媒体内容的信息；

所述推荐计算模块，用于计算得出候选的待推荐流媒体内容列表，根据移动终端信息获取模块获取的内容，得到移动终端侧的各项信息根据所述流媒体内容信息存储模块中存储的内容，得到候选的待推荐流媒体内容的相应项信息将移动终端侧的各项信息与候选的待推荐流媒体内容的相应项信息进行匹配，根据各项信息的推荐权重c_i计算各项信息的匹配度η_i，判断各项信息的匹配度η_i是否满足预定条件，根据判断结果确定最终推荐的流媒体内容；还用于根据流媒体点播业务访问请求中的用户标识ID，查询所述用户兴趣信息存储模块中是否已存储该用户的兴趣档案信息U，如果是，根据该用户的兴趣档案信息U获得候选的待推荐流媒体内容列表，如果否，获取面向大众的候选的待推荐流媒体内容列表；其中，所述根据各项信息的推荐权重c_i计算各项信息的匹配度η_i包括：

计算信息匹配度

所述候选的待推荐流媒体内容列表存储模块，用于存储推荐计算模块算得的候选的待推荐流媒体内容列表；

所述用户兴趣信息存储模块，用于存储用户的兴趣档案信息U，其中，用户的兴趣档案信息U包括：用户对每一爱好关键词t_i的喜好程度ω_i；

所述推荐计算模块还包括用户兴趣信息更新模块；

所述用户兴趣信息更新模块，用于根据所述用户行为记录模块记录的交互行为信息，更新用户的兴趣档案信息。

14.根据权利要求13所述的系统，其特征在于，

所述推荐计算模块，用于判断算得的η_i是否不小于预设的匹配度阈值如果是，判定信息匹配度η_i满足预定条件，否则，信息匹配度η_i不满足预定条件。

15.根据权利要求13所述的系统，其特征在于，

所述推荐计算模块，用于从候选的待推荐流媒体内容中选出各项信息的匹配度η_i均满足预定条件的候选的待推荐流媒体内容，从选出的候选的待推荐流媒体内容中确定最终推荐的流媒体内容。

16.根据权利要求13所述的系统，其特征在于，

所述推荐计算模块在计算各项信息的匹配度η_i时所采用的推荐权重c_i中，至少有两项信息的推荐权重c_i不同。

17.根据权利要求13至16任一权利要求所述的系统，其特征在于，该系统还包括用户行为记录模块和用户行为历史信息存储模块，所述推荐计算模块包括推荐权重更新模块；

所述用户行为记录模块，用于记录移动终端用户与流媒体服务器的交互行为，将交互行为信息发给所述用户行为历史信息存储模块；

所述用户行为历史信息存储模块，用于存储用户对流媒体内容的评分矢量，根据所述交互行为信息，更新该用户对流媒体内容的评分矢量，其中，所述评分矢量包括：用户对每一流媒体内容的操作对应的评分值；

所述推荐权重更新模块，用于根据用户对流媒体内容的评分矢量、和移动终端侧信息项与流媒体内容的信息项的匹配度η_i，更新所述推荐权重c_i。

18.根据权利要求17所述的系统，其特征在于，

所述用户行为历史信息存储模块，用于在用户对一流媒体内容有多项操作时，选取各项操作对应的评分值中最高的评分值作为该流媒体内容的调整分值w_a，判断该流媒体内容的调整分值w_a是否大于该用户对流媒体内容的评分矢量中该流媒体内容的评分值，如果是，将该评分矢量中该流媒体内容的评分值更新为该流媒体内容的调整分值w_a，否则，保持该评分矢量中该流媒体内容的评分值不变。

19.根据权利要求17所述的系统，其特征在于，

所述推荐权重更新模块，用于在用户对一流媒体内容的评分值大于预定阈值，且该流媒体内容的信息项与移动终端侧的相应项信息的匹配度η_i不满足预定条件时，调整该项信息的推荐权重c_i。

20.根据权利要求18所述的系统，其特征在于，

所述推荐权重更新模块，用于在用户对一流媒体内容的评分值大于预定阈值，且该流媒体内容的信息项与移动终端侧的相应项信息的匹配度η_i不满足预定条件时，将该项信息的推荐权重c_i更新为其中，flag_i在该项信息的匹配度满足预定条件时取值为1，否则取值为0，

21.根据权利要求13所述的系统，其特征在于，

所述推荐计算模块，用于在根据该用户的兴趣档案信息U获得候选的待推荐流媒体内容列表时，判断当前的活跃用户总数是否达到预定阈值、以及当前用户已执行过预定操作的流媒体内容个数是否达到预定阈值，

在当前的活跃用户总数达到预定阈值、且当前用户已执行过预定操作的流媒体内容个数达到预定阈值时，所述推荐计算模块基于协作过滤的方法获得该当前用户的候选的待推荐流媒体内容列表，

在当前的活跃用户总数没有达到预定阈值、或当前用户已执行过预定操作的流媒体内容个数没有达到预定阈值时，所述推荐计算模块根据预先存储的流媒体内容信息得到每一流媒体内容的兴趣特征信息计算该用户的兴趣档案信息U与流媒体内容的兴趣特征信息的匹配度，根据算得的匹配度获得该当前用户的候选的待推荐流媒体内容列表；

其中，所述兴趣特征信息包括：用于标识爱好关键词t_i是否是流媒体内容兴趣特征的标志位v_i，当爱好关键词t_i是流媒体内容的兴趣特征时，所述标志位v_i取值为正数，反之，所述标志位取值为0。

22.根据权利要求21所述的系统，其特征在于，

所述用户兴趣信息更新模块，用于在用户对一流媒体内容有多项操作时，选取各项操作对应的评分值中最高的评分值作为该流媒体内容的调整分值w_a，根据用户操作的流媒体内容的调整分值w_a和该流媒体内容的兴趣特征信息将该用户对爱好关键词t_i的喜好程度ω_i更新为ω_i+w_av_i。

23.根据权利要求21所述的系统，其特征在于，

所述推荐计算模块，用于在基于协作过滤的方法获得该当前用户的候选的待推荐流媒体内容列表时，根据各个用户对流媒体内容的历史行为，通过行为相似性聚类，将用户群划分为两个以上的大类，计算各大类的聚类中心和每一用户所属于的大类，从当前用户所属于的大类中，选取与该当前用户的行为相似性满足预定条件的k个近邻用户，根据该k个近邻用户对流媒体内容的历史行为信息，为所述当前用户生成候选的待推荐流媒体内容列表。

24.根据权利要求13所述的系统，其特征在于，

所述推荐计算模块，用于将移动终端侧的每项性能、以及流媒体内容的相应属性进行量化，并将该项性能的量化值和所述相应属性的量化值映射到同一个数值空间，得到所述各项信息和所述相应项信息