CN101551825A - 基于属性描述的个性化影片推荐系统及方法 - Google Patents

Abstract

本发明一种基于属性描述的个性化影片推荐系统，包括候选影片数据库、观看记录数据库、用户兴趣偏好模型计算模块和影片推荐模块。本发明通过采用属性描述代表影片特征并按类型进行分层，分析不同层次的集中度聚焦用户兴趣热点，并采用时间遗忘因子和影片模型的线性叠加方法跟踪用户兴趣变化，实时响应用户对影片的反馈，调整用户兴趣偏好模型，提高了影片推荐的准确度和适应性。

Description

基于属性描述的个性化影片推荐系统及方法

技术领域

本发明涉及网络媒体服务领域，特别涉及一种影片个性化推荐系统及方法。

背景技术

随着计算机网络技术和视频压缩技术的发展，视频应用得到了广泛的应用。视频业务的发展来源于丰富视频内容的推动，也势必会引起视频数量的增加和内容的多样化。针对个人用户，丰富的影片内容一方面增加了用户的选择，另一方面却加大了用户观看影片选择的难度。通常情况下，不同的人具有各自的兴趣范围，每个人的选择标准和方式不同，而且随着观看内容和时间的推移这种兴趣也会发生变化。因此，现代视频业务除了提供丰富的视频内容外，还应针对个人实现个性化的信息提取服务，从而智能化地帮助用户进行选择。

在辅助用户选择影片上，大多数已有的业务系统提供了“收藏”功能，但它只能对用户已经确定感兴趣的影片进行收藏，然后再必要时进行快速检索，而无法判断用户对新影片的感兴趣程度。另一种手段是现在网络上使用的“搜索”功能，它根据用户提供的关键词进行相关性匹配，检索出用户可能比较感兴趣的内容，然而，这种方式需要用户自己提供关键词，需要很多的经验和技巧，不能自动定位用户的兴趣焦点。信息检索技术满足了人们一定的需要，但由于其通用的性质，仍不能满足不同背景、不同目的和不同时期的查询请求。个性化服务技术就是针对这个问题而提出的，它通过收集和分析用户信息来学习用户的兴趣和行为，从而实现主动推荐的目的，吸引更多的访问者。针对影片观看，用户的兴趣偏好在平时的观看行为上已经有所体现，通过挖掘这种用户行为就能够自动挖取用户的潜在兴趣点并判断用户是否对新影片内容感兴趣，从而完成影片的个性化推荐。

现有的个性化推荐方法，根据其所采用的推荐技术可分为两种：基于规则的系统和信息过滤系统，其中的信息过滤系统又可分为基于内容过滤的系统和协作过滤系统。基于规则的系统具有简单、直接的优点，但规则质量很难保证，且不能动态更新，此外，随着规则的数量增多，系统将变得越来越难管理。协作过滤系统利用用户之间的相似性来过滤信息，它能够为用户发现新的感兴趣的信息，但存在稀疏性和扩展性方面的问题。在系统使用初期，由于系统资源还未获得足够多的评价，系统很难利用这些评价来发现相似的用户，此外，随着系统用户和资源的增多，系统的性能会越来越低。在家庭网络媒体服务应用中，可以看作只有单个用户观看影片并使用个性化推荐，协作过滤系统无法正常工作，因此，一种更好的方式是采用基于内容过滤的方式进行推荐，它利用影片资源与用户兴趣的相似性来过滤信息，能够简单、有效地完成影片内容的推荐。在基于影片内容的推荐方法中，关键字匹配方法的推荐结果准确度不高，无法感知用户兴趣热点；采用本体论描述方法因视频语义信息量大、结构复杂，目前尚无确定的抽象描述形式，很难提取影片特征。因此，需要一种方法解决上述问题。

发明内容

本发明的目的旨在至少解决上述技术缺陷之一，特别是解决个人用户难以从大量的影片内容中选择真正感兴趣的影片的缺陷。

为达到上述目的，本发明一方面提出一种基于属性描述的个性化影片推荐系统，包括候选影片数据库、观看记录数据库、用户兴趣偏好模型计算模块和影片推荐模块。所述候选影片数据库，用于存储完整影片属性描述信息；所述观看记录数据库，用于存储用户观看影片信息记录；所述用户兴趣偏好模型计算模块，用于根据所述用户观看影片信息记录计算用户兴趣偏好模型；所述影片推荐模块，用于根据所述用户兴趣偏好模型对所述候选影片数据库中还未观看的新影片进行打分，获取标量推荐分值并排序，推荐前N部所述推荐分值最大的影片。

作为本发明的一个实施例，所述候选影片数据库中的存储内容包括曾经看过的旧影片信息和没有观看过的新影片信息，其中，影片属性描述信息包括影片标识、题材类型、主演、导演、制片人、出品年份、出品公司、国家地区、背景、获奖记录、语言类型和影片时长。这些类别属性可看作影片不同层次的描述，构成完整影片描述信息的分层结构，即影片模型。针对每个类别层次，可包括0个、1个或多个(属性，属性值)对。

作为本发明的一个实施例，所述观看记录数据库中的每条记录包括影片标识、观看日期、观看时的操作及其对应的时间和个人评价打分等观看动态信息。

作为发明的一个实施例，所述用户兴趣偏好模型在用户请求影片推荐时实时建立，包括以下步骤：根据请求的用户标识从所述观看记录数据库中提取所述用户在指定时间窗口内的所有所述用户观看影片信息记录，并根据记录中的所述影片标识从所述候选影片数据库中检索出观看影片的所述完整影片描述信息；将所述完整影片描述信息依据影片权值进行线性叠加，获得用户历史叠加模型；针对所述用户历史叠加模型中的每个层次，根据各个所述影片属性的属性值大小计算该层的集中度参数，作为该层在所述用户兴趣偏好模型中的权值，即层次权值；根据设定的阈值把所述层次权值小的层次和各层次中所述属性值小的属性过滤掉，获取剪裁后的用户兴趣偏好模型。

作为本发明的一个实施例，所述影片推荐模块采用所述影片模型与所述用户兴趣偏好模型的模型匹配算法进行打分，包括以下步骤：针对所述用户兴趣偏好模型中的每层，获取所述影片模型中对应层次所有属性的属性值，将所述影片模型和用户兴趣偏好模型中该层次具有相同属性的属性值相乘，再将相乘后的属性值直接线性相加，获得层次匹配分值；针对所有的层次，根据所述层次权值将所有的所述层次匹配分值进行加权求和，获得所述影片标量推荐分值。

作为本发明的一个实施例，所述基于属性描述的个性化影片推荐系统，还包括影片信息收集接口、用户观看影片信息记录收集接口和请求推荐接口。所述影片收集接口，用于向所述候选影片数据库中添加具有完整属性描述的影片记录，由所述候选影片数据库直接对外提供，接口参数为影片的所有属性描述信息；所述用户观看影片信息记录收集接口，用于当用户观看完一个影片时自动向所述推荐系统提交此次观看的记录信息，由所述观看记录数据库直接对外提供，接口参数为用户观看影片的动态信息；所述请求推荐接口，用于接收用户的影片推荐请求，所述影片推荐请求包括用户标识和请求推荐时间参数，接收完成后返回由影片标识和影片名称构成的推荐结果列表，由所述影片推荐模块直接对外提供。

本发明另一方面还提出一种基于属性描述的个性化影片推荐方法，包括以下步骤：根据用户标识从所述观看记录数据库中获取指定窗口长度的用户观看影片信息记录；从所述候选影片数据库中获取全部观看影片模型，即完整影片描述信息；计算用户兴趣偏好模型；依次从候选影片数据库中获取各影片的完整影片描述信息；根据推荐算法计算所述影片模型与用户兴趣偏好模型的匹配标量推荐分值；根据所述标量推荐分值排列影片顺序，并提供前N部影片的信息用于推荐。

本发明采用属性描述代表影片特征并按类型进行分层，通过分析不同层次的集中度聚焦用户兴趣热点，并采用时间遗忘因子和影片模型的线性叠加方法跟踪用户兴趣变化，实时响应用户对影片的反馈，调整用户兴趣偏好模型，提高了影片推荐的准确度和适应性。

本发明附加方面的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1为本发明实施例的基于属性描述的个性化影片推荐系统的结构示意图；

图2为本发明实施例的影片模型的层次说明图；

图3为本发明实施例的用户兴趣偏好模型的建立流程图；

图4为本发明实施例的影片模型转换到用户兴趣偏好模型的原理示意图；

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。

本发明主要在于采用属性描述代表影片特征并按类型进行分层，通过分析不同层次的集中度聚焦用户兴趣热点，并采用时间遗忘因子和影片模型的线性叠加方法跟踪用户兴趣变化，实时响应用户对影片的反馈，调整用户兴趣偏好模型，提高影片推荐的准确度和适应性。

如图1所示为本发明实施例的基于属性描述的个性化影片推荐系统的结构图，包括候选影片数据库110、观看记录数据库120、用户兴趣偏好模型计算模块130和影片推荐模块140。其中，候选影片数据库110将存储的影片详细信息输入到用户兴趣偏好模型计算模块130，观看记录数据库120将存储的用户观看影片信息记录输入到用户兴趣偏好模型计算模块130，用户兴趣偏好模型计算模块130根据输入的个人的用户观看影片信息记录和记录中相应影片在候选影片数据库110中的完整影片属性描述信息计算个人用户兴趣偏好模型，然后输入到影片推荐模块140，影片推荐模块140根据计算所得的用户兴趣偏好模型和候选影片数据库110输入的影片记录进行兴趣排名，并推荐前N部影片。

作为本发明的一个实施例，候选影片数据库110中存储了所有影片的属性描述信息，包括用户观看过的影片、没有观看过的影片和新收集的影片信息。针对每个影片，存储一条记录，用影片ID标识进行标注。现在的影片内容主要包括视频内容和音频内容，视频内容可用内部特征和/或外部特征描述，其中内部特征代表视频图像表达的内容，如图像纹理、清晰度和图像对象等，外部特征代表影片本身的属性，包括客观属性如导演、演员等和主观属性如题材类型、主题等。在本发明实施例中，采用视频内容的外部特征描述方式建立影片描述，即基于属性描述的影片模型。

作为本发明的一个实施例，影片模型包括多个属性类型，如影片标识、题材类型、主演、导演、制片人、出品年份、出品公司、国家地区、背景、获奖记录、语言类型和影片时长等，其中影片标识为由推荐系统自动计算的唯一的影片索引值。每个属性类型还可包括多个不同的属性及其属性值，其中属性值代表该属性在该类型中的比例。如图2所示为本发明实施例的个性化影片推荐系统针对单个影片的分层影片模型，其中每个属性类型是一个层次，每个层次有1个或多个(属性，属性值)对。如果影片某个属性层次没有任何属性，也可不包含任何属性，即有0个(属性，属性值)对，系统处理时刻直接跳过该属性层次。

作为本发明的一个实施例，以下表中的《霸王别姬》影片为例，描述影片的属性层次构成。

属性层次	属性
		题材类型主演导演出品年份出品公司国家地区背景获奖记录语言类型	爱情、剧情、传奇、历史张国荣、张丰毅、巩俐、葛优、蒋雯丽、英达、吴大维陈凯歌1993汤臣北影中国香港文革、抗战、解放前后亚太电影节、Oscar、嘎纳国际电影节汉语普通话
影片时长	171min

其中，每个属性层次中的属性具有对应的属性值。所有的属性值都在[0，1]范围内，通常情况下可由专家系统打分。在本发明实施例中，为了反映影片属性对个人用户兴趣的表达，属性值可由用户打分评定，也可根据不同属性的排名由系统按照默认策略打分。下表为《霸王别姬》影片“题材类型”属性层次中的所有(属性，属性值)对。

属性	爱情	剧情	传奇	历史
					属性值	0.9	0.7	0.5	0.2

如表中所示，《霸王别姬》的类型中，爱情、剧情、传奇和历史的比重分别为0.9、0.7、0.5和0.2，可见，爱情为该影片最重要的元素。

作为本发明的一个实施例，观看记录数据库120仅仅记录用户观看影片时的原始操作记录。而不做任何处理。每条记录包括影片标识、观看日期、观看时的操作及操作对应的时间、个人评价打分等信息，并以观看日期的时间顺序进行存储。其中，影片标识对观看的影片信息进行标记，以此为关键字可从候选影片数据库110中，检测出该影片的所有属性描述信息；观看时的操作包括播放、暂停、前跳、后跳、快进、快退、终止等，其中，播放、前跳、后跳操作后是正常倍速播放，快进、快退操作后是快速播放，两者都为播放状态，每种播放的周期为连续两个操作之间的时间差。

作为本发明的一个实施例，用户兴趣偏好模型计算模块130根据观看记录数据库120提供的个人用户观看影片信息记录和记录中相应影片在候选影片数据库110中的完整影片属性描述信息，计算个人用户兴趣偏好模型。用户兴趣偏好模型表达了用户当前对影片不同层次属性的兴趣点，它可能会随时间发生变化，因此，本发明实施例在用户请求影片推荐时才实时建立用户兴趣偏好模型，具体地，包括以下步骤：

步骤S301，根据请求的用户标识从观看记录数据库120中提取该用户的观看影片信息记录，设定一个有效的时间窗口，认为只有在此时间内的用户观看记录才反应用户兴趣，因此，只使用在该指定时间窗口内的影片记录。根据记录中的影片标识从候选影片数据库110中检索出观看影片的完整影片描述信息s_i，i＝1，2，...m。s_i代表影片i的模型，包括所有的属性层次及其(属性，属性值)对。

步骤S302，将用户观看的完整影片描述信息s_i依据影片权值进行线性叠加，获得用户历史叠加模型S。具体地，本发明提出的可能的叠加方式如下，当然本领域技术人员还能够根据下述方案提出其他修改或变化，这些修改或变化均应包含在本发明的包含范围之内。

作为本发明的一个实施例，采用对同一属性层次相同属性的属性值进行加权求和的方式获得用户历史叠加模型S，即 $S=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{w}_i^m{s}_i.$ 其中，w_i ^m为影片权值，表示影片s_i对用户兴趣偏好模型的贡献程度。

作为本发明的一个实施例，为了精确地反映影片对用户兴趣的反映程度，考虑以下三个参数对影片权值w_i ^m的影响，包括：用户评价分数、影片观看时间和用户观看周期。

作为本发明的一个实施例，用户评价分数直接表现了用户观看影片时对影片整体兴趣的表达，可为正值也可为负值。在本实施例中，用户评分范围为(-100，100)，分值越高，表示用户越喜欢该影片。设c_i为用户分值，则归一化后的参数c_i/100为影片权值w_i ^m的一个乘子。

作为本发明的一个实施例，影片观看时间为用户观看该影片时的有效观看时间，包括用户正常速度播放和快进速度播放两种形式，其中正常速度播放在用户完成播放、前跳、后跳等操作后开始，在下一操作开始时结束；快进速度播放在用户快进操作后开始，在下一操作开始时结束。

用户观看影片的有效时间可根据观看记录数据库120中用户观看影片时的操作和对应时间点计算获得，是整个观看过程中播放时间的累加，包括用户正常播放影片时长和用户快进播放时长的加权求和，其中的权值为影片播放速度的倒数，如正常播放的权值为1，二倍速播放的权值为0.5。因此，设媒体服务系统允许的快进倍速集合为V，正常播放和快速播放的起始时间分别为t_i ⁿ和t_i ^v，结束时间分别为t_i ⁿ⁺¹和t_i ^v+1，则针对任意播放速度v_i∈V，用户观看该影片的有效时间为 $t_{\mathrm{ef}}=\mathrm{\Σ}(t_i^{n+1}-t_i^n)+\mathrm{\Σ}\frac{t_i^{v+1}-t_i^v}{v_i}.$

进一步地，若用户观看影片的有效时间为t_ef，该影片的总时长为t_i0，则两者的比值t_ef/t_to为影片权值w_i ^m的一个乘子。值得注意的是，该比值可大于1，表示用户重复观看了该影片的一些内容。

作为本发明的一个实施例，用户观看周期为用户观看影片时间与当前请求推荐时间的差值，代表用户观看影片时间到最新推荐时间的一个周期，反应用户兴趣在时间上的变化。在本实施例中，以天的粒度，即影片观看到推荐请求时的天数D_i表达这种时间周期，并采用时间遗忘因子e_i ^t的方式反映到影片权值w_i ^m中。遗忘因子e_i ^t与D_i成反比，随着D_i的增大，影片属性对用户兴趣偏好的反映程度越低，当超过一定的窗口时，则表示该影片不能反映任何用户兴趣偏好。通过这种方式，可跟踪用户的影片兴趣偏好变化。在本实施例中，不失一般性地采用指数遗忘因子形式，即 $e_i^t=a\·\exp (-\frac{D_i}{\mathrm{\Δ}}).$ 应理解，上述用户观看周期的实施例仅是示意性的实施例，并不限制本发明的范围。

综合考虑上面三个参数，本发明实施例的影片权值w_i ^m可表示为： $w_i^m=\frac{c_i}{100}\·\frac{t_{\mathrm{ef}}}{t_{\mathrm{to}}}\·e_i^t.$ 获取了设定时间窗口内所有影片的影片权值w_i ^m后，就可根据影片模型计算出用户历史叠加模型。

如图4所示，为本发明实施例的影片模型叠加方式的形象描述，可见，这种用户兴趣的叠加模型与影片模型具有相同的表达形式。

步骤S303，针对用户历史叠加模型中的每一个层次，根据各个属性的属性值大小计算该层的集中度参数，并将该集中度参数作为该层在用户兴趣偏好模型中的权值，即层次权值w_j ^l。

用户历史叠加模型与影片模型一样，不同属性层次具有等同的地位，但实际上，不同用户对影片的不同类型属性方面具有不同的敏感程度，如有的看中导演、有的看中主演等，这些不同的焦点在用户观看影片记录中都有潜在的反映。因此，在本发明实施例中，采用层次权值w_j ^l表达用户对不同属性的敏感度。具体地，本发明提出的可能的层次权值w_j ^l的表达方式如下，当然本领域技术人员还能够根据下述表达方式提出其他修改或变化，这些修改或变化应包含在本发明的包含范围之内。

在本实施例中，使用属性层次中属性的集中度参数表示层次权值w_j ^l。集中度越高的属性层次，用户的敏感度越高，相应的层次权值w_j ^l也就越大。在计算过程中，认为属性值过小(小于设定阈值)的属性是属性层次的干扰，直接过滤掉。然后，根据剩余属性的属性值，计算它们的集中度，即层次权值w_j ^l。在本实施例中，采用各属性值的方差表示，即 $w_j^l=\sqrt{\frac{{\mathrm{\Σ}}_{i=1}^N{(p_{j,i}-\stackrel{\‾}{p_j})}^2}{N}}.$ 其中，p_j，i表示用户在第j个属性层次第i个属性的属性值，p_j表示第j属性层次的平均属性值，即 $\stackrel{\‾}{p_j}=\frac{{\mathrm{\Σ}}_{i=1}^N{p}_{j,i}}{N}.$

步骤S304，对包含层次权值w_j ^l的用户兴趣偏好模型进行裁剪。根据设定的阈值把层次权值w_j ^l小的属性层次剪裁过滤掉。这是因为，用户对这些属性层次的属性感兴趣程度比较平均，不敏感，因此，在影片推荐时不使用这行属性层次。

作为本发明的一个实施例，影片推荐模块140根据用户兴趣偏好模型计算模块130建立的用户兴趣偏好模型对候选影片数据库110中还没有观看过的新影片进行排序，推荐前N部标量推荐分值最大的影片。其中，标量推荐分值采用影片模型与用户兴趣偏好模型的模型匹配方法进行打分的方式获取，作为影片推荐的依据。具体地，本发明提出的可能的模型匹配算法如下，当然本领域技术人员还能够根据下述方案提出其他修改或变化，这些修改或变化均应包含在本发明的包含范围之内。

在本实施例中，所述模型匹配算法采用线性运算获取影片标量推荐分值，包括层次分配分值的计算和最终的标量推荐分值的计算两步：

首先，针对用户兴趣偏好模型中的每一属性层次，获取影片模型中对应层次所有属性的属性值。设p_j，i ^u和p_j，i ^m分别表示用户兴趣偏好模型和影片模型中第j个属性层次的属性值，则该属性层次的匹配分值p_j为 $p_j=\underset{i}{\mathrm{\Σ}}{b}_{j,i}\·p_{j,i}^u\·p_{j,i}^m.$ 其中，b_j，i∈{0，1}表示用户兴趣偏好模型中第j属性层次的第i属性在影片模型中是否存在，如果存在，则b_j，i取1，否则直接忽略该属性，即b_j，i取0。逐个遍历用户兴趣偏好模型中的各属性层次后，获得每一层次的匹配分值p_j，j＝1，2，...，k。

然后，利用计算好的层次匹配分值p_j和用户兴趣偏好模型中各属性层次的层次权值w_j ^l，通过加权平均获取用户对该影片的标量推荐分值p， $p=\underset{j=1}{\overset{k}{\mathrm{\Σ}}}{w}_j^l{p}_j.$ 可看出，标量推荐分值主要由用户兴趣比较敏感的类型层次决定，并能够跟踪用户兴趣的时间变化，同时通过用户反馈打分的方式可影响影片推荐的结果。

作为本发明的一个实施例，为了完成本发明的推荐功能，本发明实施例的基于属性描述的个性化影片推荐系统还对外提供三个基本接口，包括：影片信息收集接口、用户观看影片信息记录收集接口和请求推荐接口。其中，影片信息收集接口，用于向候选影片数据库110中添加具有完整属性描述的影片记录，候选影片数据库110直接对外提供，接口参数为影片的所有属性描述信息；用户观看影片信息记录收集接口，由用户观看记录数据库120直接对外提供，接口参数为用户观看影片的动态信息，当用户观看完一个影片时自动向影片推荐系统提交此次观看的记录信息；请求推荐接口，由影片推荐模块140直接对外提供，用于接收用户的影片推荐请求，包括用户标识和请求推荐时间参数，完成后返回由影片标识和影片名称构成的推荐结果列表。

应该理解，除了上述三个满足基本功能的接口外，本发明实施例还可提供其它数据操作接口，如完整影片描述信息的删除和修改接口、用户观看影片信息记录的删除和修改接口、以及其他数据库操作等。

本发明采用属性描述代表影片特征并按类型进行分层，通过分析不同层次的集中度聚焦用户兴趣热点，并采用时间遗忘因子和影片模型的线性叠加方法跟踪用户兴趣变化，实时响应用户对影片的反馈，调整用户兴趣偏好模型，提高了影片推荐的准确度和适应性，具有较高的实用价值。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同限定。

Claims (22)

1、一种基于属性描述的个性化影片推荐系统，其特征在于，包括候选影片数据库、观看记录数据库、用户兴趣偏好模型计算模块和影片推荐模块，

所述候选影片数据库，用于存储完整影片属性描述信息；

所述观看记录数据库，用于存储用户观看影片信息记录；

所述用户兴趣偏好模型计算模块，用于根据所述用户观看影片信息记录计算用户兴趣偏好模型；

所述影片推荐模块，用于根据所述用户兴趣偏好模型对所述候选影片数据库中还未观看的新影片进行打分，获取标量推荐分值并排序，推荐前N部所述推荐分值最大的影片。

2、如权利要求1所述的基于属性描述的个性化影片推荐系统，其特征在于，所述候选影片数据库中的存储内容包括用户曾经看过的旧影片信息和没有观看过的新影片信息。

3、如权利要求1所述的基于属性描述的个性化影片推荐系统，其特征在于，所述影片属性描述信息包括影片标识、题材类型、主演、导演、制片人、出品年份、出品公司、国家地区、背景、获奖记录、语言类型和影片时长。

4、如权利要求1所述的基于属性描述的个性化影片推荐系统，其特征在于，所述影片属性描述信息可包括0个、1个或多个(属性，属性值)对。

5、如权利要求1所述的基于属性描述的个性化影片推荐系统，其特征在于，所述影片属性描述信息的属性值在[0，1]间，可由专家评分、用户评定和系统默认策略确定。

6、如权利要求1所述的基于属性描述的个性化影片推荐系统，其特征在于，所述影片属性描述信息分成不同层次的描述，构成影片模型。

7、如权利要求1所述的基于属性描述的个性化影片推荐系统，其特征在于，所述观看记录数据库，其特征在于，每条所述用户观看影片信息记录包括影片标识、观看日期、观看时的操作及其对应的时间和个人评价打分。

8、如权利要求1所述的基于属性描述的个性化影片推荐系统，其特征在于，所述用户兴趣偏好模型在用户请求影片推荐时实时建立，包括以下步骤：

根据请求的用户标识从所述观看记录数据库中提取所述用户在指定时间窗口内的所有所述用户观看影片信息记录，并根据记录中的所述影片标识从所述候选影片数据库中检索出观看影片的所述完整影片描述信息；

将所述完整影片描述信息依据影片权值进行线性叠加，获得用户历史叠加模型；

针对所述用户历史叠加模型中的每个层次，根据各个所述影片属性的属性值大小计算该层的集中度参数，作为该层在所述用户兴趣偏好模型中的权值，即层次权值；

根据设定的阈值把所述层次权值小的层次和各层次中所述属性值小的属性过滤掉，获取剪裁后的用户兴趣偏好模型。

9、如权利要求1所述的基于属性描述的个性化影片推荐系统，其特征在于，所述影片权值表示影片对所述用户兴趣偏好模型的贡献程度，与用户评价分数、影片观看时间比例和遗忘因子e_i ^t相关。

10、如权利要求1所述的基于属性描述的个性化影片推荐系统，其特征在于，所述用户评价分数为用户观看影片时对影片整体兴趣的表达，可为正值和负值。

11、如权利要求1所述的基于属性描述的个性化影片推荐系统，其特征在于，所述影片观看时间比例为用户观看影片的有效时间与影片时长的比值。

12、如权利要求1所述的基于属性描述的个性化影片推荐系统，其特征在于，所述用户观看影片的有效时间为整个观看过程中播放时间的累加，包括用户正常播放影片时长和用户快进播放时长的加权求和，其中权值为影片播放速度的倒数。

13、如权利要求1所述的基于属性描述的个性化影片推荐系统，其特征在于，所述遗忘因子e_i ^t与用户观看周期D_i成反比， $e_i^t=a\·\exp (-\frac{D_i}{\mathrm{\Δ}}).$

14、如权利要求1所述的基于属性描述的个性化影片推荐系统，其特征在于，所述用户观看周期D_i为影片观看到推荐请求时的天数。

15、如权利要求1所述的基于属性描述的个性化影片推荐系统，其特征在于，所述层次权值表示用户对不同类型属性的敏感度，使用属性层次中属性的集中度参数表示。

16、如权利要求1所述的基于属性描述的个性化影片推荐系统，其特征在于，所述集中度为各属性值的方差。

17、如权利要求1所述的基于属性描述的个性化影片推荐系统，其特征在于，所述影片推荐模块采用所述影片模型与所述用户兴趣偏好模型的模型匹配算法进行打分。

18、如权利要求1所述的基于属性描述的个性化影片推荐系统，其特征在于，所述模型匹配算法包括以下步骤：

针对所述用户兴趣偏好模型中的每层，获取所述影片模型中对应层次所有属性的属性值，将所述影片模型和用户兴趣偏好模型中该层次具有相同属性的属性值相乘，再将相乘后的属性值直接线性相加，获得层次匹配分值；

针对所有的层次，根据所述层次权值将所有的所述层次匹配分值进行加权求和，获得所述影片标量推荐分值。

19、如权利要求1所述的基于属性描述的个性化影片推荐系统，其特征在于，还包括影片信息收集接口、用户观看影片信息记录收集接口和请求推荐接口，

所述影片收集接口，用于向所述候选影片数据库中添加具有完整属性描述的影片记录，由所述候选影片数据库直接对外提供，接口参数为影片的所有属性描述信息；

所述用户观看影片信息记录收集接口，用于当用户观看完一个影片时自动向所述推荐系统提交此次观看的记录信息，由所述观看记录数据库直接对外提供，接口参数为用户观看影片的动态信息；

所述请求推荐接口，用于接收用户的影片推荐请求，所述影片推荐请求包括用户标识和请求推荐时间参数，接收完成后返回由影片标识和影片名称构成的推荐结果列表，由所述影片推荐模块直接对外提供。

20、一种基于属性描述的个性化影片推荐方法，其特征在于，包括以下步骤：

根据用户标识从所述观看记录数据库中获取指定窗口长度的用户观看影片信息记录；

从所述候选影片数据库中获取全部观看影片模型，即完整影片描述信息；

计算用户兴趣偏好模型；

依次从候选影片数据库中获取各影片的完整影片描述信息；

根据推荐算法计算所述影片模型与用户兴趣偏好模型的匹配标量推荐分值；

根据所述标量推荐分值排列影片顺序，并提供前N部影片的信息用于推荐。

21、如权利要求20所述的基于属性描述的个性化影片推荐方法，其特征在于，所述计算用户兴趣偏好模型，包括以下步骤：

将所述完整影片描述信息依据影片权值进行线性叠加，获得用户历史叠加模型；

针对所述用户历史叠加模型中的每个层次，根据各个所述影片属性的属性值大小计算该层的集中度参数，作为该层在所述用户兴趣偏好模型中的权值，即层次权值；

根据设定的阈值把所述层次权值小的层次和各层次中所述属性值小的属性过滤掉，获取剪裁后的用户兴趣偏好模型。

22、如权利要求20所述的基于属性描述的个性化影片推荐方法，其特征在于，所述根据推荐算法计算所述影片模型与用户偏好模型的匹配标量推荐分值，包括以下步骤：

针对所述用户兴趣偏好模型中的每层，获取所述影片模型中对应层次所有属性的属性值，将所述影片模型和用户兴趣偏好模型中该层次具有相同属性的属性值相乘，再将相乘后的属性值直接线性相加，获得层次匹配分值；

针对所有的层次，根据所述层次权值将所有的所述层次匹配分值进行加权求和，获得所述影片标量推荐分值。

Images