CN102263992A - 基于用户收视记录的节目推荐度估计方法 - Google Patents

Abstract

本发明提出一种基于用户收视记录的节目推荐度估计方法，包括以下步骤：(a)获取用户收看的每一个节目的收看时刻、各个时刻收看节目的时间长度、各个节目的实际总时间长度；(b)计算用户在每一时刻收看节目所得到的喜爱程度值；(c)计算用户对各个节目的总喜爱程度值，所述节目的总喜爱程度值为每一次收看相同节目所得到的喜爱程度值之和；(d)根据各个节目的总喜爱程度值，建立用户-节目评分矩阵；(e)根据用户-节目评分矩阵进行节目推荐。本发明可以有效提高节目推荐的准确性。

Description

基于用户收视记录的节目推荐度估计方法

技术领域

本发明涉及网络电视技术领域，特别涉及一种基于用户收视记录的节目推荐度估计方法。

背景技术

如今，观看电视节目毫无疑问已经成为一项日常娱乐活动。随着数字电视以及通信技术的快速发展，特别是DVB-T(地面数字电视广播)、DVB-C(有线数字电视广播)和DVB-S(卫星数字电视广播)的融合，数百套乃至数千套电视节目呈现在用户的面前，用户往往要在不同频道的转换上花费大量的时间才能找到自己喜爱的电视节目。在这信息量爆炸式增长的如今，用户迫切需要更个性化、更交互的电视节目推荐系统来帮助他们更快、更准确地找到自己喜爱的节目，增强用户收看电视的体验。

交互电视形式主要是指用户通过交互电视业务门户11，选择感兴趣的电视节目并通过该业务平台进行节目收看。如图1所示，基于IP技术的交互电视业务平台主要由交互电视业务门户11、网络电视业务路由器12、机顶盒13或者WEB-TV14组成。交互电视门户11主要提供节目导览及节目内容介绍，为用户提供一个节目收视选择入口，业务路由器12主要实现交互节目的在线播出功能。在交互电视业务平台下，用户在收看节目时的操作及过程都可由业务路由器12记录下来。例如对于某个用户A，业务路由器12上就记录着该用户于何时收看了何节目，收看了多少次某类节目，每次收看了多长时间的该类节目，该类节目的节目总时长和节目类型等信息。交互电视节目推荐也就是在交互电视业务门户11，利用业务路由器12中记录的各用户所收看节目的过程数据，基于推荐方法为业务门户上的用户提供个性化节目推荐页面。

节目推荐方法是整个交互电视业务门户中开展节目推荐最核心和关键的部分，其在很大程度上决定了业务门户中可为用户提供的节目推荐系统类型和性能的优劣。节目推荐方法主要包括以下两种：(1)基于内容的推荐(Content-based Recommenders)方法，该方法可实现将与用户的收视记录相似的节目推荐给用户；(2)协同过滤的推荐(Collaborative FilteringRecommenders)方法，该方法可实现将与该用户兴趣相似的用户群体所喜欢的节目推荐给用户。但是，无论采用哪一种推荐算法，计算用户对其已收看节目的喜爱程度无疑是节目推荐算法的基础。只有获取到用户对其已收看节目的喜爱程度，才能实现协同过滤推荐。

G.Adomavicius等人于2005年在IEEE Transactions on Knowledge andData Engineering上发表的“Toward the next generation of recommendersystems：A survey of the state-of-the-art and possible extensions (对下一代推荐系统的调查与研究)”中给出了推荐系统的形式化定义：假定C是用户(User)的集合，S是所有可能被推荐的资源(Item)的集合，假定u是一个衡量某个用户c对于某个节目s的满意度的效用函数(utility function)，那么则有：

u：C*S→R                公式(1)

其中R是一个二维矩阵，即用户-资源(User×Item)评分矩阵，如下所示：

$\mathrm{User}\stackrel{\mathrm{Item}}{\left[\begin{array}{ccccc}{r}_{11}& r_{12}& r_{13}& \·\·\·& r_{1n}\\ r_{21}& r_{22}& r_{23}& \·\·\·& r_{2n}\\ \·& \·& & \·& \\ \·& \·& & \·& \\ \·& \·& & \·& \\ r_{m1}& r_{m2}& r_{m3}& \·\·\·& r_{\mathrm{mn}}\end{array}\right]}$

在交互电视节目推荐中，评分矩阵中的资源意味着电视节目，其中的每一项r_ij记录着用户c＝i对节目s＝j的喜爱程度(rating)的归一化值，r_ij∈[0，1]。而所谓推荐，就是为每个用户挑选资源s′∈S，使u所取得的函数值最大。也就是公式(2)所示：

$\∀c\∈C,$ $s_c^{\′}=\mathrm{agr}\underset{s\∈S}{\max }u(c,s)$ 公式(2)

Tadashi Isobe等人于2005年在IEEE Transactions on ConsumerElectronics(IEEE消费电子期刊)上发表的论文“Development of a TVReception Navigation System Personalized with Viewing Habits(基于收视习惯的电视接收导航系统的发展)”中提出一种根据用户的收视习惯和用户的情绪状态来判断用户收视兴趣点的方法。H.Lee于2006年在IEEETransactions on Consumer Electronics(IEEE消费电子期刊)上发表的“Personalized Recommendation Schemes for DTV Channel Selectors(DTV频道选择中的个性化推荐方案)”中提出最近收看选择和最多收看选择原则。所谓最近收看选择，是说用户最近收看的电视节目类型是其最大的兴趣点。所谓最多收看选择，是指用户收看最多次的电视节目类型是其最大兴趣点。Kuan-chung等人于2009年在IEEE International Symposium onConsumer Electronics(IEEE消费电子期刊)上发表的“Adopting User Profilesand Behavior Patterns in a Web-TV Recommendation System(用户档案和行为模式在WEB-TV推荐系统中的运用)”中从用户的收视行为预测了用户的兴趣需求，但其遗漏了很多可以量化的点。

上述这些节目推荐度估计方法中，只是在浅层次上考虑了隐式估计方法，对用户收视记录的挖掘远远不够。因此，如何根据用户节目收视记录数据，准确高效地进行节目推荐度估计成为互动电视业务中节目推荐迫切需要解决的问题。

发明内容

本发明的目的是提供一种基于用户收视记录的节目推荐度估计方法，以解决现有节目推荐的隐式估计方法只从浅层次考虑，对用户收视记录的挖掘不够的问题。

本发明提出一种基于用户收视记录的节目推荐度估计方法，包括以下步骤：

(a)获取用户收看的每一个节目的收看时刻、各个时刻收看节目的时间长度、各个节目的实际总时间长度；

(b)计算用户在每一时刻收看节目所得到的喜爱程度值V_i，s(t_k)，

$V_{i,s}\left(t_k\right)=(1+\frac{{\mathrm{TR}}_k}{{\mathrm{TS}}_k}),$

其中，TR_k表示用户第k次收看节目s的时间长度，TS_k表示第k次所收看的节目s的总时长；

(c)计算用户对各个节目的总喜爱程度值，所述节目的总喜爱程度值为每一次收看相同节目所得到的喜爱程度值之和；

(d)根据各个节目的总喜爱程度值，建立用户-节目评分矩阵；

(e)根据用户-节目评分矩阵进行节目推荐。

进一步的，计算节目的总喜爱程度值时，先将用户每一次收看相同节目所得到的喜爱程度值乘以一个随时间跨度增大而衰减的加权因子，然后对各个乘积进行求和，并得到对应节目的总喜爱程度值。

进一步的，所述加权因子为

其中λ是一个常数，Δt_k为用户收看节目的时刻到最后一次获取用户收看信息之间的时间差。

进一步的，λ＝0.6。

进一步的，在步骤(d)和步骤(e)之间还进一步包括步骤：对所述用户-节目评分矩阵进行实时或定期更新。

进一步的，若在一个更新时间点t时刻过去一段时间后，到另一个更新时间点t′时刻之间，节目s没有被用户收看，则节目s的总喜爱程度值依照以下公式进行更新：

R_i，s(t′)＝e^-λΔt′*R_i，s(t)，

其中，R_i，s(t′)为节目s在时间点t′时刻更新的用户-节目评分矩阵中的总喜爱程度值，R_i，s(t)为节目s在时间点t时刻更新的用户-节目评分矩阵中的总喜爱程度值，λ是一个常数，Δt′＝t′-t。

进一步的，若在一个更新时间点t时刻过去一段时间后，到另一个更新时间点t时刻之间，节目s于t′时刻被用户收看，则节目s的总喜爱程度值依照以下公式进行更新：

R_i，s(t′)＝e^-λΔt′*R_i，s(t)+V_i，s(t′)，

其中，R_i，s(t′)为节目s在时间点t′时刻更新的用户-节目评分矩阵中的总喜爱程度值，R_i，s(t)为节目s在时间点t时刻更新的用户-节目评分矩阵中的总喜爱程度值，V_i，s(t′)为用户于t′时刻收看节目s所得到的喜爱程度值，λ是一个常数，Δt′＝t′-t。

进一步的，步骤(d)还包括：对各个节目的总喜爱程度值进行归一化处理。

进一步的，所述归一化处理依照以下公式：

$r_{\mathrm{is}}=\frac{R_{i,s}\left(t\right)}{R_{i,\max }\left(t\right)},$

$R_{i,\max }\left(t\right)=\left\{\max \left(R_{i,s}\left(t\right)\right)\right|\∀s\∈S_i\},$

其中，r_is为用户-节目评分矩阵中的归一化值，R_i，s(t)为节目s在用户-节目评分矩阵中的总喜爱程度值，R_i，max(t)为所有用户已收看节目的最大总喜爱程度值，S_i为用户所有已收看节目的集合。

相对于现有技术，本发明的有益效果是：本发明通过计算用户对已收看节目的喜爱程度值，从客观的用户收视记录数据出发，从深层次挖掘了用户收视记录数据，提炼出一个有效且可以准确计量用户对已收看节目喜爱程度的方法，因而可以有效提高节目推荐的准确性。

附图说明

图1为现有的交互电视业务平台总体框图；

图2为本发明基于用户收视记录的节目推荐度估计方法的一种实施例流程图；

图3为本发明用户-节目评分矩阵更新过程的一种实施例流程图。

具体实施方式

本发明提出的方法是交互电视节目推荐的基础。本发明不要求用户显式地表达自己喜好，而是通过用户收视记录数据，就可以建立用户-节目评分矩阵，并进行协同过滤推荐。

在基于用户的节目推荐，因为用户每天几乎都有收看电视节目，所以必需考虑用户对其已收看节目的喜爱程度值是随时间变化的。本发明的方法中，可以实时计算用户-节目评分矩阵，也可以定期更新用户-节目评分矩阵，如每天更新一次。

以下结合附图，具体说明本发明。

请参见图2，其为本发明基于用户收视记录的节目推荐度估计方法的一种实施例流程图，其包括以下步骤：

S201，获取用户收看的每一个节目的收看时刻、各个时刻收看节目的时间长度、各个节目的实际总时间长度。

这些数据可以从交互电视业务路由器中获取。例如，对于用户i已收看的节目s，在本次更新时间点t时刻，可以得到如下的收视记录：

Programs：(t₁，TR₁，TS₁)，...，(t_k，TR_k，TS_k)，...，(t_N，TR_N，TS_N)

其中，t_k、TR_k、TS_k分别表示在t时刻之前第k次收看节目s的时刻，第k次收看节目s的时间长度TR_k，以及节目s的总时长TS_k。N表示在t时刻之前用户i收看节目s的总次数。

S202，计算用户在每一时刻收看节目所得到的喜爱程度值。

根据用户i第k次(即t_k时刻)收看节目s得到的数据TR_k、TS_k，可以计算用户i第k次收看节目s所得到的喜爱程度值V_i，s(t_k)：

$V_{i,s}\left(t_k\right)=(1+\frac{{\mathrm{TR}}_k}{{\mathrm{TS}}_k}),$ 公式(1)

可以看到，V_i，s(t_k)的值越大，则说明用户对某个节目的相对收视时长越长，反映用户对该节目的兴趣越大。这样，就可以计算出用户i在t时刻之前的每一次收看节目s所得到的喜爱程度值V_i，s(t_k)。以此类推，也可以计算出用户i每一次收看任意节目时的喜爱程度值。

S203，计算用户对各个节目的总喜爱程度值。所述节目的总喜爱程度值为每一次收看相同节目所得到的喜爱程度值之和。

根据用户i在t时刻之前的每一次收看节目s所得到的喜爱程度值V_i，s(t_k)，计算在t时刻之间用户i对节目s的总喜爱程度值R_i，s(t)。很明显，R_i，s(t)应该等于用户i在t时刻之前的每一次收看节目s所得到的喜爱程度值V_i，s(t_k)之和。

值得注意的是，由于用户对最近收看的节目会比较感兴趣，所以时间跨度Δt_k＝t-t_k越大，则第k次收看节目s所得到的喜爱程度值V_i，s(t_k)对R_i，s(t)的影响就越小。于是，将V_i，s(t_k)乘以一个随时间跨度Δt_k增大而衰减的加权因子

(其中λ是一个常数)后，再对各个乘积进行求和，即得到在t时刻用户i对节目s的总喜爱程度值：

$R_{i,s}\left(t\right)={\mathrm{\Σ}}_{k=1}^N(V_{i,s}\left(t_k\right)*e^{-\mathrm{\λ\Δ}{t}_k}),$ 公式(2)

上述公式计算了t时刻用户i对节目s的喜爱程度值R_i，s(t)。其中，参数λ为用户收视情况对当前评估的记忆参数。当参数λ＝1时，R_i，s(t)随Δt_k的增大呈指数衰减，这时R_i，s(t)主要由最近的收视记录所决定。当λ＝0时，R_i，s(t)为N个V_i，s(t_k)的平均值，这时R_i，s(t)主要由各节目的平均收视记录所决定。一般情况可选λ＝0.6。

S204，根据各个节目的总喜爱程度值，建立用户-节目评分矩阵。

为便于数据的处理，减少运算量，通常可以对各个节目的总喜爱程度值进行归一化处理，即可以根据在t时刻计算得到的用户i对节目s的总总喜爱程度值R_i，s(t)，计算相对应的归一化值r_is；

$r_{\mathrm{is}}=\frac{R_{i,s}\left(t\right)}{R_{i,\max }\left(t\right)},$ 公式(3)

上式中，对于用户i，假设其所有已收看节目的集合为S_i，记录用户i对其所有已收看节目的喜爱程度的最大值R_i，max(t)，则有 $R_{i,\max }\left(t\right)=\left\{\max \left(R_{i,s}\left(t\right)\right)\right|\∀s\∈S_i\}.$ 对于用户i，将R_i，s(t)除以R_i，max(t)可得到总喜爱程度值的一个归一化值r_is。以此类推，通过计算各个用户对各个节目的总喜爱程度值的归一化值，于是就可以建立起所述的用户-节目评分矩阵：

$\mathrm{User}\stackrel{\mathrm{Item}}{\left[\begin{array}{ccccc}{r}_{11}& r_{12}& r_{13}& \·\·\·& r_{1n}\\ r_{21}& r_{22}& r_{23}& \·\·\·& r_{2n}\\ \·& \·& & \·& \\ \·& \·& & \·& \\ \·& \·& & \·& \\ r_{m1}& r_{m2}& r_{m3}& \·\·\·& r_{\mathrm{mn}}\end{array}\right]}$

S205，根据用户-节目评分矩阵进行节目推荐。

建立好用户-节目评分矩阵后，前端交互业务门户就可以利用该矩阵进行协同过滤推荐和内容过滤推荐。协同过滤推荐和内容过滤推荐算法为现有技术，具体内容可以参见G.Adomavicius等人于2005年在IEEETransactions on Knowledge and Data Engineering上发表的“Toward the nextgeneration of recommender systems：A survey of the state-of-the-art andpossible extensions(对下一代推荐系统的调查与研究)”在此不再赘述。

为了提高节目推荐的准确性，有必要实时或定时对用户-节目评分矩阵进行更新。

若在一个更新时间点t时刻过去一段时间后，到另一个更新时间点t′时刻之间，节目s没有被用户i收看，则节目s的总喜爱程度值可以依照公式(4)进行更新：

$R_{i,s}\left(t^{\′}\right)=\underset{k=1}{\overset{N}{\mathrm{\Σ}}}(V_{i,s}\left(t_k\right)*e^{-\mathrm{\λ}({\mathrm{\Δt}}_k+{\mathrm{\Δt}}^{\′})})$

$=e^{-{\mathrm{\λ\Δt}}^{\′}}*{\mathrm{\Σ}}_{k=1}^N(V_{i,s}\left(t_k\right)*e^{-{\mathrm{\λ\Δt}}_k})$

$=e^{-{\mathrm{\λ\Δt}}^{\′}}*R_{i,s}\left(t\right)$ 公式(4)

其中，R_i，s(t′)为节目s在时间点t′时刻更新的用户-节目评分矩阵中的总喜爱程度值，R_i，s(t)为节目s在时间点t时刻更新的用户-节目评分矩阵中的总喜爱程度值，λ是一个常数，Δt′＝t′-t。

由公式(4)，在t时刻过去一段时间后，到下一个更新时间点t′时刻之间，节目s没有被用户i收看的情况下，可以直接由t时刻的R_i，s(t)得到t′时刻的R_i，s(t′)。可以看出，经过一段时间后，R_i，s(t′)较之R_i，s(t)得到一定程度的衰减。

若在一个更新时间点t时刻过去一段时间后，到另一个更新时间点t′时刻之间，节目s于t′时刻被用户收看，则节目s的总喜爱程度值依照以下公式进行更新：

$R_{i,s}\left(t^{\′}\right)={\mathrm{\Σ}}_{k=1}^N(V_{i,s}\left(k\right)*e^{-\mathrm{\λ}({\mathrm{\Δt}}_k+{\mathrm{\Δt}}^{\′})})+V_{i,s}\left(t^{\′}\right)$

$=e^{-{\mathrm{\λ\Δt}}^{\′}}*{\mathrm{\Σ}}_{k=1}^N(V_{i,s}\left(k\right)*e^{-{\mathrm{\λ\Δt}}_k})+V_{i,s}\left(t^{\′}\right)$

$=e^{-{\mathrm{\λ\Δt}}^{\′}}*R_{i,s}\left(t\right)+V_{i,s}\left(t^{\′}\right)$ 公式(5)

其中，R_i，s(t′)为节目s在时间点t′时刻更新的用户-节目评分矩阵中的总喜爱程度值，R_i，s(t)为节目s在时间点t时刻更新的用户-节目评分矩阵中的总喜爱程度值，V_i，s(t′)为用户于t′时刻收看节目s所得到的喜爱程度值，λ是一个常数，Δt′＝t′-t。

由公式(5)，在t时刻过去一段时间后，到下一个更新时间点t′时刻之间，节目s于t′时刻被用户i收看的情况下，可以直接由t时刻的R_i，s(t)和t′时刻的V_i，s(t′)得到t′时刻的R_i，s(t′)。

本发明根据上面的公式(4)和公式(5)可以很高效地由上一个更新时间点t时刻的R_i，s(t)计算得到下一个更新时间点t′时刻的R_i，s(t′)。以每天更新一次为例，如图3所示，本发明对用户-节目评分矩阵更新过程包括以下步骤：

S301，获取用户当天所收看的节目及收看时长。这些数据可以从交互电视业务路由器中获取。

S302，判断是否有第一次收看的节目。若有，则进入步骤S303；若无，则进入步骤S304。

S303，根据公式(2)计算出用户对第一次收看的节目的总喜爱程度值，并进入步骤S306。

S304，计算当前时刻与上一次收看节目的时间差。

S305，根据公式(5)计算出用户该节目在当前时刻的总喜爱程度值。

S306，更新用户-节目评分矩阵。

S307，遍历数据库记录，判断是否存在总喜爱程度值未更新的节目。若有，则进入步骤S308；若无，则结束。

S308，根据公式(4)计算出用户对未更新节目的在当前时刻的总喜爱程度值，并返回步骤S306。

本发明通过计算用户对已收看节目的喜爱程度值，从客观的用户收视记录数据出发，从深层次挖掘了用户收视记录数据，提炼出一个有效且可以准确计量用户对已收看节目喜爱程度的方法，因而可以有效提高节目推荐的准确性。

以上公开的仅为本发明的几个具体实施例，但本发明并非局限于此，任何本领域的技术人员能思之的变化，只要不超出所附权利要求书所述范围，都应落在本发明的保护范围内。

Claims (9)

1.一种基于用户收视记录的节目推荐度估计方法，其特征在于，包括以下步骤：

(a)获取用户收看的每一个节目的收看时刻、各个时刻收看节目的时间长度、各个节目的实际总时间长度；

(b)计算用户在每一时刻收看节目所得到的喜爱程度值V_i，s(t_k)，

$V_{i,s}\left(t_k\right)=(1+\frac{{\mathrm{TR}}_k}{{\mathrm{TS}}_k}),$

其中，TR_k表示用户第k次收看节目s的时间长度，TS_k表示第k次所收看的节目s的总时长；

(c)计算用户对各个节目的总喜爱程度值，所述节目的总喜爱程度值为每一次收看相同节目所得到的喜爱程度值之和；

(d)根据各个节目的总喜爱程度值，建立用户-节目评分矩阵；

(e)根据用户-节目评分矩阵进行节目推荐。

2.如权利要求1所述的基于用户收视记录的节目推荐度估计方法，其特征在于，计算节目的总喜爱程度值时，先将用户每一次收看相同节目所得到的喜爱程度值乘以一个随时间跨度增大而衰减的加权因子，然后对各个乘积进行求和，并得到对应节目的总喜爱程度值。

3.如权利要求2所述的基于用户收视记录的节目推荐度估计方法，其特征在于，所述加权因子为

其中λ是一个常数，Δt_k为用户收看节目的时刻到最后一次获取用户收看信息之间的时间差。

4.如权利要求3所述的基于用户收视记录的节目推荐度估计方法，其特征在于，λ＝0.6。

5.如权利要求1所述的基于用户收视记录的节目推荐度估计方法，其特征在于，在步骤(d)和步骤(e)之间还进一步包括步骤：对所述用户-节目评分矩阵进行实时或定期更新。

6.如权利要求5所述的基于用户收视记录的节目推荐度估计方法，其特征在于，若对于一个已收看过的节目s，在一个更新时间点t时刻过去一段时间后，到另一个更新时间点t′时刻之间，都没有被用户收看，则节目s的总喜爱程度值依照以下公式进行更新：

R_i，s(t′)＝e^-λΔt′*R_i，s(t)，

其中，R_i，s(t′)为节目s在时间点t′时刻更新的用户-节目评分矩阵中的总喜爱程度值，R_i，s(t)为节目s在时间点t时刻更新的用户-节目评分矩阵中的总喜爱程度值，λ是一个常数，Δt′＝t′-t。

7.如权利要求5所述的基于用户收视记录的节目推荐度估计方法，其特征在于，若对于一个已收看过的节目s，在一个更新时间点t时刻过去一段时间后，到另一个更新时间点t′时刻之间，节目s于t′时刻被用户收看，则节目s的总喜爱程度值依照以下公式进行更新：

R_i，s(t′)＝e^-λΔt′*R_i，s(t)+V_i，s(t′)，

其中，R_i，s(t′)为节目s在时间点t′时刻更新的用户-节目评分矩阵中的总喜爱程度值，R_i，s(t)为节目s在时间点t时刻更新的用户-节目评分矩阵中的总喜爱程度值，V_i，s(t′)为用户于t′时刻收看节目s所得到的喜爱程度值，λ是一个常数，Δt′＝t′-t。

8.如权利要求1所述的基于用户收视记录的节目推荐度估计方法，其特征在于，步骤(d)还包括：对各个节目的总喜爱程度值进行归一化处理。

9.如权利要求8所述的基于用户收视记录的节目推荐度估计方法，其特征在于，所述归一化处理依照以下公式：

$r_{i,s}=\frac{R_{i,s}\left(t\right)}{R_{i,\max }\left(t\right)},$

$R_{i,\max }\left(t\right)=\left\{\max \left(R_{i,s}\left(t\right)\right)\right|\∀s\∈S_i\},$

其中，r_is为用户-节目评分矩阵中的归一化值，R_i，s(t)为节目s在用户-节目评分矩阵中的总喜爱程度值，R_i，max(t)为所有用户已收看节目的最大总喜爱程度值，S_i为用户所有已收看节目的集合。

Images