CN101286217A - 信息评估系统及用于评估信息的方法 - Google Patents

Abstract

一个系统包括：嗜好模型产生单元，基于指示用户行为历史的行为历史，通过学习和存储用户的嗜好模型，产生嗜好模型；评估列表产生单元，基于所述嗜好模型计算多个被推荐候选的概率，并产生指示所述被推荐候选的概率的评估列表；默认预测单元，基于所述行为历史的信息指定该用户的习惯性，并基于该习惯计算所述多个被推荐候选的预测默认数值；以及评估的意外性数值计算单元，计算指示意外性的评估的意外性数值，当所述概率减去所述预测默认数值得到的差值较大时，所述意外性也较高。

Description

信息评估系统及用于评估信息的方法

技术领域

本发明涉及一个信息评估系统和一种用于评估信息的方法，其可被用于评估关于日常货物的各种项目，例如食品和书籍、广播内容，例如电影和音乐，同时允许去评估一个被推荐的结果的意外性。

背景技术

如在下面列出的一篇相关领域文献[1]中所公开的，都知道在下面描述的指示符，例如，“precision”，“aveP”以及“recall”，是指示一个信息评估系统的性能的指示符。

precision＝count(L)/L    (1)

$\mathrm{aveP}=\frac{1}{R}\underset{1\≤i\≤L}{\mathrm{\Σ}}\mathrm{isrel}\left(s_i\right)\·\frac{\mathrm{count}\left(i\right)}{i}---\left(2\right)$

recall＝count(L)/R       (3)

在等式(1)-(3)中，L代表被推荐的项目的个数，R代表适合的项目的总数，i代表排在第i个的被推荐项目，isrel(s_i)代表s_i对于用户兴趣的的适合程度，以及count(i)代表在排在前i个的项目中适合的项目的个数。

“precision”指示适合用户嗜好的项目(count(L))在推荐列表中所占的比例。“aveP”指示在考虑了排序时适合用户嗜好的项目(isrel(s_i))的“precision”的平均值。“recall”指示适合于用户嗜好的项目相对于所有适合的项目(R)的比例。通过使用例如precision、aveP和recall的指示符，就可以估量为用户嗜好推荐的结果的适合程度。

相关领域文献列表

C.Cleverdon and M.Kean，“Factors Determining the Performance ofIndexing System”，Aslib Cranfield Reserch Project，CranfieldEngland(1968)

[1]

R.J.Quinlan：C4.5：Programs for Machine Learning，Morgan Kaufmann，San Mateo，CA(1993)       [2]

C.M.Bishop：Neural Networks for Pattern Recognition，OxfordUniversity Press(1995)    [3]

V.N.Vapnik：The Nature of Statistical Learning Theory，Springer(1995)  [4]

在信息评估系统中，当推荐的结果是用户已经知晓的信息，或当用户对推荐的结果并不感到惊讶时，信息评估系统的效用将降低，并且其作用也不会持续。这就需要一个信息评估系统，提供适合用户嗜好的意外的推荐结果，使其作用持续而不损害用户的可靠性。

发明内容

依据本发明的第一方面，提供一个信息评估系统，包括：一个嗜好模型产生单元，其基于表明用户行为历史的行为历史，通过学习和存储用户的嗜好模型，产生一个嗜好模型；一个评估列表产生单元，其基于所述嗜好模型，计算多个被推荐候选的概率，并产生一个指示这些被推荐候选的概率的评估列表；一个默认预测单元，基于关于所述行为历史信息指明用户的习惯，并基于所述习惯计算所述多个被推荐候选的预测的默认值；以及一个评估的意外性数值计算单元，用于计算一个表示意外性的评估的意外性数值，当从所述概率减去所述预测默认数值得到的差值较大时，所述意外性也较高。

依据本发明的第二方面，提供一种方法，用于评估关于对用户推荐的候选的信息，该方法包括：基于表示用户行为历史的行为历史，通过学习和存储用户的嗜好模型，产生一个嗜好模型；基于所述嗜好模型，计算多个被推荐候选的概率；产生一个评估列表，该评估列表表示所述被推荐候选的概率；基于关于行为历史的信息指明用户的习惯；基于所述习惯计算所述多个被推荐候选的预测的默认值；以及计算表示意外性的评估的意外性数值，当从所述概率减去所述预测的默认数值得到的差值较大时，所述意外性也较高。

附图说明

图1是一个框图，示出了依据本发明一个实施例的信息评估系统的整体结构；

图2是一个流程图，示出了图1的信息评估系统的整体处理过程；

图3是一个流程图，示出了图2的过程中嗜好模型准备步骤(步骤A)的细节；

图4是一个流程图，示出了图2的过程中评估列表步骤(步骤B)的细节；

图5是一个流程图，示出了图2的过程中默认预测步骤(步骤C)的细节；

图6示一个流程图，示出了图2的过程中评估的意外性数值(unexpectedness)计算步骤(步骤D)的细节；

图7是一个流程图，示出了图2的过程中评估的意外性数值(unexpectedness_r)计算步骤(步骤D)的细节；

图8是一个流程图，示出了图2的过程中推荐列表准备步骤(步骤E)的细节；

图9是一个表格，示出了在图1的信息评估系统中，关于一个电视观众观看电视节目信息的历史信息(图10)的示例；

图10是一个表格，示出了在图1的信息评估系统中的电视节目信息的示例；

图11是一个图表，示出了在图1的信息评估系统中，定义嗜好模型结构的描述性示例；

图12是一个表格，示出了在图1的信息评估系统中的嗜好模型的条件概率值的示例；

图13是一个表格，示出了在图1的信息评估系统中要准备的评估程序列表的示例；

图14是一个表格，示出了用于图1的信息评估系统的默认预测结果的示例；

图15是一个表格，示出了用于图1的信息评估系统的兴趣数据的示例；

图16是一个表格，示出了在图1的信息评估系统中要准备的评估数值程序数据库的示例；

图17是一个表格，示出了在图1的信息评估系统中要准备的评估程列表的示例。

具体实施方式

以下将参考附图描述依据本发明的一个实施例的信息评估系统。

尽管用于给用户评估和推荐广播节目的信息评估系统的结构和处理，将在这个实施例中被描述，但本发明不限于用于评估广播节目项目的系统，也可以适用于所有种类的日常货物的项目，例如食物和书籍，广播内容，例如电影和音乐，以及类似物。应注意到，本发明不仅对依据该实施例评估广播节目有用，而且也对通过测量属于本发明的被推荐结果的意外性来评估任意信息的被推荐结果有用。

图1示出了依据本发明所述实施例的信息评估系统的结构。图2是示出依据该实施例的信息评估系统的处理过程的流程图。图3至5以及图8是示出图2中步骤A、B、C和E的细节的流程图。图6和7是两种流程图，示出了图2中步骤D的细节。

依据该实施例的信息评估系统使用广播接收机1接收和以电视播放广播节目，这样的一个示例被示出在图1中。广播接收机1通过网络40经有线或无线连接而连接到广播服务器41。广播内容接收机2接收节目内容并通过使用节目电视播放设备5为用户电视播放节目内容。

广播终端1的广播内容接收机2接收节目数据(即，EPG：电子节目导航)。节目数据管理器6将接收到的节目数据存储到节目数据库3中，并且管理该数据，例如周期性地更新该数据。操作历史收集设备14通过远程控制器或广播频道改变设备收集用户的电视操作历史信息。观看历史管理器7将收集到的电视操作历史信息存储到观看历史数据库4中，并且管理该数据，例如周期性地更新该数据。节目操作历史信息被收集作为，例如，如图9所示的数据。

图9示出了观众观看题目为“今天的晚餐”的节目，其属性“viewing(观看)”的值就为“TRUE”。观看历史信息不限于图9所示的内容，还可以是具有各种格式或各种定义的信息，观看历史信息也可以是使用键盘输入、使用远程控制器输入、通过网络在线输入和从作为信息传输媒体的磁带读取的形式被输入。

现在参考图2来描述信息评估系统的概要处理过程。首先，执行观看历史数据读取步骤(步骤S1)，然后执行节目数据读取步骤(步骤S2)。接下来，依次顺序执行嗜好模型准备步骤(步骤A)，评估列表准备步骤(步骤B)，默认预测步骤(步骤C)，预测意外性数值计算步骤(步骤D)和推荐列表准备步骤(步骤E)。其后，执行推荐列表排列步骤(步骤S3)和兴趣数据收集步骤(步骤S4)。

使用贝叶斯(Bayesian)网络表示和准备嗜好模型的步骤(步骤A)，主要是通过使用图1示出的广播接收机1的嗜好模型产生单元45来执行的。嗜好模型产生单元45包括嗜好模型学习单元8、嗜好模型管理器9，以及嗜好模型数据库10。

在嗜好模型准备步骤A中执行图3显示的过程。嗜好模型学习单元8读取定义结构的数据，以定义如图11所示的嗜好模型结构(步骤A1)。该嗜好模型学习单元8从如图10所示的节目数据管理器6中读取过去一段预定时间的节目信息(步骤A2)。该嗜好模型学习单元8从如图9所示的观看历史管理器7中读取过去的一段预定时间的观看历史信息(步骤A3)。该嗜好模型学习单元8计算如图12所示的贝叶斯网络中的概率变量的条件概率值(步骤A4)。所述条件概率值可作为适合节目的频率，从如图9所示的观看历史信息中的被计算得到，或者通过允许系统设计者设置一个数值来获得。定义所获得的网络结构的数据和所述条件概率值作为嗜好模型在嗜好模型数据库10中被存储和管理(步骤A5)。尽管在本实施例中，使用贝叶斯网络表示和准备嗜好模型，但也可以使用其它方法例如在相关领域文献[2]中描述的决策树来掌握该嗜好模型。

使用评估列表产生单元46按照如图4所示的过程执行评估列表准备步骤B。评估列表产生单元46包括观看概率计算单元15、排序单元16、节目选择器17、评估列表数据库18和观看概率值数据库19。

观看概率计算器15读取由节目数据管理器6管理的节目信息(步骤B1)。观看概率计算器15读取由嗜好模型管理器9管理的嗜好模型(步骤B2)。特别地，由计算机读取定义了如图11所示的嗜好模型结构的文件或定义了如图12所示的概率变量的条件概率值的文件。嗜好模型并不限于上面所提到的几种情况，也可以是以使用键盘输入，或使用远程控制器输入，通过网络在线输入和从作为信息传输介质的磁带读取的形式被输入。

观看概率计算器15使用嗜好模型和作为输入信息的节目数据来计算目标节目的观看概率值(步骤B3)。观看概率值可以通过使用嗜好模型的概率推理来获得。例如，当将要播出的电视节目的一个节目类型(program genre)是“多样的(variety)”，则该节目的观众观看概率P(viewing＝TRUE|program_genre＝variety)可以使用如图12所示的条件概率值的概率分布，通过以下表达式来计算。

$P(\mathrm{viewing}=\mathrm{TRUE}|\mathrm{program}\_\mathrm{genre}=\mathrm{variety})$

                                             (4)

$=P(\mathrm{viewing}=\mathrm{TRUE})\·\frac{P(\mathrm{program}\_\mathrm{genre}=\mathrm{variety}|\mathrm{viewing}=\mathrm{TRUE})}{P(\mathrm{program}\_\mathrm{genre}=\mathrm{variety})}$

排序单元16对具有给出的观看概率值的节目数据以观看概率值降序进行排序(步骤B4)。节目选择器17将由排序单元16排序的节目数据中的前X个节目作为被评估节目存储在评估列表数据库18中，并且在观看概率值数据库19中存储被排序后的节目数据(步骤B5)。

存储于评估列表数据库18或观看概率值数据库19中的具有给出的观看概率值的节目数据，具有如图13所示的格式。尽管在本实施例中，学习嗜好模型，并根据学习得到的嗜好模型来选择被评估的节目，但也可以使用其它方法来学习嗜好模型，该其它方法是如相关领域文献[2]中描述的决策树，或者通过用分类器将节目数据分类为用户喜欢节目数据和其他节目数据来准备包括用户喜欢的节目的评估节目列表，所述分类器是，例如相关领域文献[3]中描述的神经网络或相关领域文献[4]中描述的SVM。

默认预测步骤C通过使用默认预测单元47以图5所示的过程被执行。默认预测单元47包括习惯指定单元11、观看预测单元12和默认预测结果数据库13。

观看概率计算器15读取由节目数据管理器6管理的节目信息(步骤C1)。习惯指定单元11读取由观看历史管理器7管理的观看历史信息(步骤C2)。习惯指定单元11基于所述节目数据和所述观看历史指定一个节目(步骤C3)，该节目是一个观众所习惯观看的。在指定被习惯观看的节目的时候，与在过去被观看的节目具有相同的题目或相同播放时间的节目就可以被指定为被习惯观看的节目。观看预测单元12基于被确定为被习惯观看的节目信息和由节目数据管理器6管理的节目信息来预测(默认预测)观看(步骤C4)。

观看预测单元12预测如图14所示的节目的观看预测结果。在图14中，作为默认预测结果，“1”被赋给被预测为将被观看的节目，“0”被赋给没有被预测为将被观看的节目。这个数值并不限于1和0，也可以是[0；1]内的一个小数。由观看预测单元12预测得到的节目的观看预测结果，被存储在默认预测结果数据库13中(步骤C4)。

评估的意外性数值计算步骤D由评估的意外性数值计算单元48来执行。该评估的意外性数值计算单元48包括预测结果比较单元20，项目计数器21，评估加法器22，评估除法器23，评估值输出单元24，评估数据库25和兴趣数据库26。在该评估的意外性数值计算步骤D中，执行如图6所示“unexpectedness”的计算以及如图7所示“unexpectedness_r”的计算。

预测结果比较单元20从评估列表数据库18中读取评估列表，从默认预测结果数据库13中读取默认预测结果，从兴趣数据库26中读取兴趣数据，以及从观看概率值数据库19中读取观看概率值数据(步骤D1和步骤D1’)。例如，图13示出了评估列表，图15示出了兴趣数据，以及图14示出了默认预测结果。如图15所示，在兴趣数据中，“TRUE”被赋给用户感兴趣的节目，“FALSE”被赋给用户不感兴趣的节目。可以通过允许用户利用输入设备(例如键盘或鼠标)直接输入数据来收集所述兴趣数据，或者所述兴趣数据可以使用过去观看历史信息或类似信息被自动地确定。

项目计数器21从评估列表(步骤D2和步骤D2’)选择一个节目(节目A)，然后参考兴趣数据库26判定节目A是否是一个被感兴趣的节目(步骤D3和步骤D3’)。当判定节目A是被感兴趣的节目时，将节目A的预测默认数值与其观看概率值相比较(步骤D4和步骤D4’)。

当节目A的观看概率值比预测默认数值大时，评估加法器22在评估的意外性数值“unexpectedness”上加上观看概率值和预测默认数值之间的差值(步骤D5)。或者，当节目A的观看概率值比预测默认数值大时，评估加法器22计算项目的数目，在这些项目中，被感兴趣的节目被包括在在评估列表中比节目A排名靠前的节目中(步骤D5’)，然后在评估的意外性数值“unexpectedness_r”上加上计数值与观看概率值和预测默认数值之间的差值的乘积(步骤D6’)。

当项目计数器21判定节目A不是被感兴趣的节目，评估加法器22判定节目A的观看概率值比预测默认数值小时，项目计数器21从评估列表中选择和评估另一个节目。

当对评估列表中所有节目执行了该过程(步骤D2至D5和步骤D2’至D6’)时(步骤D6和步骤D7’)，评估除法器23将所述结果除以评估列表中项目的个数除(步骤D7和步骤D8’)。当不是对评估列表中所有节目执行该过程时(步骤D6和步骤D7’)，项目计数器21从评估列表中选择和评估另一个节目。评估值输出单元24将计算得到的评估的数值存储到评估数据库25中。

图16示出了评估数值节目数据的一个示例。“unexpectedness”和“unexpectedness_r”的评估数值通过以下表达式计算。

$\mathrm{unexpectedness}=\frac{1}{L}\underset{1\≤i\≤L}{\mathrm{\Σ}}\max (P\left(s_i\right)-d\left(s_i\right),0)\·\mathrm{isrel}\left(s_i\right)---\left(5\right)$

$\mathrm{unexpectedness}\_r=\frac{1}{L}\underset{1\≤i\≤L}{\mathrm{\Σ}}\max (P\left(s_i\right)-d\left(s_i\right),0)\·\mathrm{isrel}\left(s_i\right)\·\frac{\mathrm{count}\left(i\right)}{i}---\left(6\right)$

在等式(5)和(6)中，L表示被推荐项目的个数，s_i表示排在第i个的被推荐项目，P(s_i)表示s_i的预测概率值，d(s_i)表示由默认预测得到的s_i的预测概率数值，isrel(s_i)表示针对用户兴趣的s_i的适合程度，以及count(i)表示排在前i个的项目中适合的项目的个数。

使用推荐节目决定单元27按照如图8所示的过程执行推荐列表准备步骤(步骤E)。推荐节目决定单元27从评估数据库25中读取评估数据，从观看概率值数据库19中读取观看概率值数据(步骤E1)，从兴趣数据库26中读取兴趣数据(步骤E3)。

推荐节目决定单元27仅选择观看概率值大于预测默认数值的节目，然后将被选择的节目加入到推荐列表中(步骤E2)。推荐节目决定单元27按照观看概率值的顺序对节目数据排序(步骤E4)，然后选择具有最高观看概率值的一个节目(节目C)(步骤E5)。当参考兴趣数据，节目C是被感兴趣的节目时(步骤E6)，推荐节目决定单元将节目C的预测默认数值和观看概率值进行比较(步骤E7)。当预测默认数值大于观看概率值时，推荐节目决定单元将节目C加入到推荐列表中(步骤E8)。当节目C不是被感兴趣的节目或节目C的预测默认数值小于观看概率值时，推荐节目决定单元从以降序排列的观看概率值中选择具有第二高观看概率值的节目。当推荐节目列表的大小达到N时，该过程结束。当所述大小小于N时，推荐节目决定单元从以降序排列的观看概率值中选择具有次高观看概率值的节目。推荐节目决定单元27将图17中示出的推荐列表传送到节目推荐设备28(演示单元)，并且，节目推荐设备28在广播接收机上显示所述推荐列表。

Claims (6)

1、一个信息评估系统包括：

嗜好模型产生单元，其基于给出用户行为的历史的行为历史，通过学习和存储用户的嗜好模型产生一个嗜好模型；

评估列表产生单元，其基于所述嗜好模型计算多个被推荐候选的概率，并产生给出各所述被推荐候选的概率的评估列表；

默认预测单元，其基于关于所述行为历史的信息指定该用户的习惯，并基于该习惯计算所述多个被推荐候选的预测默认数值；以及

评估的意外性数值计算单元，其计算表示意外性的评估的意外性数值，其中，当所述概率减去所述预测默认数值得到的差值较大时，所述意外性也较高。

2、根据权利要求1的所述系统，其中所述评估的意外性数值计算单元使用由以下表达式得到的“unexpectedness”来计算所述评估的意外性数值：

$\mathrm{unexpectedness}=\frac{1}{L}\underset{1\≤i\≤L}{\mathrm{\Σ}}\max (P\left(s_i\right)-d\left(s_i\right),0)\·\mathrm{isrel}\left(s_i\right)---\left(1\right)$

其中L是被推荐项目的个数，s_i是排在第i个的被推荐项目，P(s_i)是s_i的预测概率值，d(s_i)是通过默认预测得到的s_i的预测概率值，以及isrel(s_i)是针对用户兴趣的s_i的适合程度。

3、根据权利要求1的所述系统，其中当具有由所述评估的意外性数值计算单元计算得到的相对高的评估的意外性数值的所述被推荐候选匹配于在由所述评估列表产生单元准备的评估列表中具有相对高的概率的被推荐候选时，所述评估的意外性数值计算单元提高该被推荐候选的优先级。

4、根据权利要求3的所述系统，其中所述评估的意外性数值计算单元通过使用由以下表达式得到的“unexpectedness_r”来计算所述评估的意外性数值，以提高被推荐候选的优先级：

$\mathrm{unexpectedness}\_r=\frac{1}{L}\underset{1\≤i\≤L}{\mathrm{\Σ}}\max (P\left(s_i\right)-d\left(s_i\right),0)\·\mathrm{isrel}\left(s_i\right)\·\frac{\mathrm{count}\left(i\right)}{i}---\left(2\right)$

其中L是推荐项目的个数，s_i是排在第i个的推荐项目，P(s_i)是s_i的预测概率数值，d(s_i)是通过默认预测得到的s_i的预测概率数值，isrel(s_i)是针对用户兴趣的s_i的适合程度，以及count(i)是排序在前i个的项目中适合的项目的个数。

5、根据权利要求1的所述系统进一步包括：演示单元，其优先地为用户呈现在多个被推荐候选中具有高的评估的意外性数值的被推荐候选。

6、一种评估关于对用户的推荐候选的信息的方法，该方法包括：

基于指出用户行为的历史的行为历史，通过学习和存储用户的嗜好模型产生嗜好模型；

基于所述嗜好模型计算多个被推荐候选的概率；

产生给出各被推荐候选的概率的评估列表；

基于关于所述行为历史的信息，指定用户的习惯；

基于所述习惯，计算所述多个被推荐候选的预测默认数值；以及

计算表示意外性的评估的意外性数值，其中当所述概率减去所述预测默认数值得到的差值较大时，所述意外性也较高。

Images