CN103136275A

CN103136275A - 个性化视频推荐系统及方法

Info

Publication number: CN103136275A
Application number: CN 201110397367
Authority: CN
Inventors: 陈运文; 吕晴; 刘作涛
Original assignee: Shengle Information Technolpogy Shanghai Co Ltd
Current assignee: Shengle Information Technolpogy Shanghai Co Ltd
Priority date: 2011-12-02
Filing date: 2011-12-02
Publication date: 2013-06-05

Abstract

本发明公开一种个性化视频推荐系统及方法，该系统包括：视频资料库；点击行为记录模块，获取各用户的点击行为，并针对各用户分别将被点击的视频的标识记录于数据库表中；兴趣模型建立模块，从该数据库表中获取每个视频的属性信息，并根据该属性信息提取用户的兴趣标记，建立兴趣模型；候选视频生成模块，根据一相关视频生成规则从视频资料库中生成一候选视频列表；以及视频推荐模块，对该候选视频列表中的每条候选视频根据一权值计算模型进行权值计算，并根据每条候选视频的权值计算结果排序生成推荐列表，输出推荐结果，本发明可根据每个用户的个人兴趣，挖掘出符合个性化需求的内容进行推荐。

Description

个性化视频推荐系统及方法

技术领域

本发明涉及一种视频推荐系统及方法，特别是涉及一种个性化视频推荐系统及方法。

背景技术

由于电脑的高度普及、互联网快速与无远弗届的特性，互联网的使用者呈大幅增长，形成了数量惊人的消费族群，互联网的需求与使用在现代科技化社会中已成为不可或缺的部分，使得许多产业看好互联网所隐含的庞大商机，例如，各种类型的电子商务、线上游戏、网络金融交易、语言学习以及在线视频等。

时至今日，许多网页内容正逐渐摆脱互联网的束缚，朝向多元化、更广泛的应用环境发展，大多数的网站会在网站会在网站首页显示所提供服务的页面链接，当使用者访问网站时，便可看到提供服务页面链接的网站首页，但是目前常见的网站的页面是配置固定不变的页面，比如视频网站，当使用者想要寻找某一视频链接时，常常必须在密密麻麻的页面费心寻找才有办法进行链接观看视频；另一方面，由于每个用户的兴趣点往往是不相同的，固定的网站页面无法突显用户的兴趣点，不便用户使用。

综上所述，可知先前技术之视频网站存在网站页面固定不变、不便用户使用的问题，因此实有必要提出改进的技术手段，来解决此一问题。

发明内容

为克服上述现有技术存在的不足，本发明的主要目的在于提供一种个性化视频推荐系统及方法，其能自动记录并学习用户的浏览行为，从中挖掘用户的兴趣点，并根据每个用户的个人兴趣，挖掘出符合个性化需求的内容。

为达上述及其它目的，本发明提供一种个性化视频推荐系统，至少包括：

视频资料库；

点击行为记录模块，获取各用户的点击行为，并针对各用户分别将被点击的视频的标识记录于数据库表中；

兴趣模型建立模块，从该数据库表中获取每个视频的属性信息，并根据该属性信息提取用户的兴趣标记，建立兴趣模型；

候选视频生成模块，根据一相关视频生成规则从视频资料库中生成一候选视频列表；以及

视频推荐模块，对该候选视频列表中的每条候选视频根据一权值计算模型进行权值计算，并根据每条候选视频的权值计算结果排序生成推荐列表，输出推荐结果。

进一步地，该属性信息包括关键字、标签及类别信息。

进一步地，该兴趣模型建立模组从该数据表中获取每个视频的标题关键字、标签、类别信息，进行合并和统计次数，并按频率由高到低排列，取前k个出现频率最高的词汇，构成对应用户的兴趣标记。

进一步地，该相关视频生成规则包含：

针对该数据表中的每个视频标识，于该视频资料库中查询与其相似的前S1条视频标识；

根据该兴趣模型中的兴趣标记，于该视频资料库中查询所有相关的视频标识，并取每个兴趣标记对应的最新的前S2条视频；以及

于该视频资料库中挑取当前最热门的前S3条视频标识。

进一步地，该候选视频列表为S1、S2、S3的部分或所有组合。

进一步地，该权值计算模型为：

new_weight＝origin_weight*repeat_ratio*time_ratio

其中new_weight为每条候选视频的最终权值，origin_weight为每条候选视频原始权值，repeat_ratio为重复因数，time_ratio为时间因数。

进一步地，该原始权值origin_weight为：origin_weight＝playcount_hour+playcount_total*0.002，其中，playcount_hour表示过去1小时中当前视频被点击的数量，playcount_total表示当前视频从生成至今总的点击数量；该重复因数repeat_ratio为：repeat_ratio＝1.0+0.1*(N-1)，其中N为重复出现的次数；该时间因数time_ratio：当前页面为非播放页时，time_ratio＝1.0-0.02*(T-1)，当前页面为播放页时，当T＝1时，time_ratio＝1.2，1＜T＜＝20时，time_ratio＝1.0-0.02*(T-1)，其中T表示从最近视频开始，往前倒推的个数。

进一步地，该个性化视频推荐系统还包括一过滤模块，依据该视频推荐模块的排序结果与该数据表进行比对，若某个候选视频的视频标识在该数据表中出现，则将其从该推荐列表中删除。

进一步地，该数据表以队列方式存储。

为达上述及其他目的，本发明提供一种个性化视频推荐方法，包括如下步骤：

获取点击行为，并根据每一用户分别将被点击的视频的标识记录于一数据库表中；

获取该数据库表中每个视频的属性信息，提取用户的兴趣标记，构建用户兴趣模型；

根据一相关视频生成规则从一视频资料库中生成候选视频列表；以及

对每条候选视频根据一权值计算模型进行权值计算，并根据每条候选视频的权值计算结果排序生成推荐列表，输出推荐结果。

进一步地，该构建用户兴趣模型的步骤为：从该数据表中获取每个视频的标题关键字、标签、类别信息，进行合并和统计次数，并按频率由高到低排列，取前k个出现频率最高的词汇，构成对应用户的兴趣标记，构建用户兴趣模型。

进一步地，该相关视频生成规则包含：

于该视频资料库中挑取当前最热门的前S3条视频vid，这里最热门的前S3条视频标识。

进一步地，该权值计算模型为：

new_weight＝origin_weight*repeat_ratio*time_ratio

进一步地，于该权值计算步骤中，在计算出每条候选视频的权值并排序后，将其与该数据库表进行比对，若某个候选视频的视频标识在该数据库表中出现，则从该推荐列表中删除。

与现有技术相比，本发明一种个性化视频推荐系统及其方法通过自动记录并学习用户的浏览行为，并从中挖掘出用户的兴趣点，建立兴趣模型，并根据每个用户的兴趣，挖掘出符合个性化需求的内容，达到了个性化推荐视频的目的，方便了用户。

附图说明

图1为本发明一种个性化视频推荐系统的系统架构图；

图2为本发明一种个性化视频推荐方法的步骤流程图。

具体实施方式

以下通过特定的具体实例并结合附图说明本发明的实施方式，本领域技术人员可由本说明书所揭示的内容轻易地了解本发明的其它优点与功效。本发明亦可通过其它不同的具体实例加以施行或应用，本说明书中的各项细节亦可基于不同观点与应用，在不背离本发明的精神下进行各种修饰与变更。

图1为本发明一种个性化视频推荐系统的系统架构图。如图1所示，本发明一种个性化视频推荐系统，用于于视频网站向用户推荐个性化视频，其至少包括：视频资料库101、点击行为记录模块102、兴趣模型建立模块103、候选视频生成模块104以及视频推荐模块105。

其中，视频资料库101存储视频网站提供的所有视频资料，每笔视频资料均有唯一的标识(id)，称为vid，并具有标题关键字、标签、类别等属性信息。

点击行为记录模块102用于记录用户的点击行为，并将该用户点击的视频标识vid记录于一数据库表中。也就是说，点击行为记录模块102在此建立用户与视频资料直接的关联，每个用户通过唯一的一个标示(称为userid)来标识，即不同的userid表示不同的用户。对于任一用户userid，该用户在视频网站上，每次点击一条视频，则该视频的vid会记录在后台的数据表中。在本发明之较佳实施例中，该数据表采用队列的方式记录用户点击的视频vid，在此成为点击行为队列(past_videolist)，即，按点击发生的时间先后，采用队列保存，存放用户最近的N次点击的视频vid，当队列存储已满而用户新产生点击时，去掉距今最久的一个视频vid，并将最新的视频存入点击行为队列past_videolist。

兴趣模型建立模块103，从上述点击行为队列中past_videolist中，获取每个视频的标题关键字、标签、类别等属性信息，根据该些属性信息，提取用户的兴趣标记，构建用户的兴趣模型。具体地说，兴趣模型建立模块103从点击行为队列中，获取每个视频的标题关键字、标签、类别信息，并进行合并和统计次数，按频率由高到低排列，取前k个出现频率最高的词汇，构成该用户的兴趣标记，即对每个用户userid，生成其对应的兴趣标记：interest_word_1；interest_word_2；……interest_word_k。

候选视频生成模块104，用于根据一相关视频生成规则从视频资料库中生成候选视频列表。在本发明之较佳实施例中，该相关视频生成规则包含三方面：

1、根据已观看的每一个视频vid，于视频资料库中查询与其相似的前S1(例如S1取10)条视频vid，也就是说，针对点击行为队列past_videolist中的每个视频vid，于视频资料库中查询与其相似的前S1(例如S1取10)条视频vid；

2、根据建立的兴趣模型中的兴趣标记interest_word，于视频资料库中查询所有相关的视频vid，取每个兴趣标记interest_word对应的最新的前S2(例如S2取20)条视频vid；

3、于该视频资料库中挑取当前最热门的前S3(例如S3取50)条视频vid，这里最热门的前S3条视频vid可以为人工编辑推荐的，但不以此为限。

当然，可以将根据以上相关视频生成规则获得视频部分或所有视频合并起来，构成候选视频列表candidate_vid。

视频推荐模块105，将候选视频列表中的候选视频进行合并，对每条候选视频根据一权值计算模型进行权值计算，并根据每条候选视频的权值计算结果输出推荐结果。在本发明较佳实施例中，计算出每条候选视频的权值后，并将其按从大到小排序，输出指定需求条数。具体来说，该权值计算模型为：

new_weight＝origin_weight*repeat_ratio*time_ratio

其中new_weight为候选视频的最终权值，origin_weight为原始权值，repeat_ratio为重复因数，time_ratio为时间因数。

其中对于为原始权值origin_weight、重复因数repeat_ratio及时间因数time_ratio的计算如下：

A：原始权值origin_weight

origin_weight＝playcount_hour+playcount_total*0.002

其中，playcount_hour表示过去1小时中该视频被点击的数量，playcount_total表示该视频从生成至今，总的点击数量。

B：重复因数repeat_ratio

其中重复因数repeat_ratio是根据视频(video)重复的次数进行加权，在本发明较佳实施例中，设置为repeat_ratio＝1.0+0.1*(N-1)；其中N为重复出现的次数，即，只出现1次时，repeat_ration＝1；N＝3时(即在3个候选视频列表中出现)，则repeat_ratio＝1.2。在此需注意的是，为避免过度加权，当repeat_ratio＞1.5时，设置repeat_ratio＝1.5

C：时间因数time_ratio

time_ratio是针对点击行为队列past_videolist的先后顺序进行权值调整，希望对最近观看的视频予以更多的重视。在本发明较佳实施例中，设置为：

当type＝0时(即非播放页的推荐)

time_ratio＝1.0-0.02*(T-1)

其中T表示从最近视频开始，往前倒推的个数。最近一次观看的视频vid标识为1，之前观看的为T＝2，以此类推，最早观看的视频T＝20(即T最大上限为20，时间早于20的设为20)

当type＝1时(即当前页面为播放页)

此时对当前观看视频vid给予更多权值优待：

当T＝1时，time_ratio＝1.2

1＜T＜＝20时，time_ratio＝1.0-0.02*(T-1)

较佳的，本发明之个性化视频推荐系统还包括一过滤模块106，在该视频推荐模块105将候选视频按权值计算结果从大到小排列后，与点击行为队列past_videolist进行比对，如果某个候选视频的视频vid在点击行为队列past_videolist(即曾观看的视频vid列表)中出现，则从候选视频列表中删除。

在过滤模块106完成过滤后，在个性化的推荐结果页上，根据需要的条数，选择相应条数的个性化推荐视频结果，进行展现。于此同时，用户对这些视频的所有点击行为，也会在点击行为记录模块102中继续收集反馈，在下一次生成个性化推荐结果时使用，这样不仅能源源不断的得到新的推荐结果，同时用户的反馈不断的被收集，个性化推荐的结果也越来越符合用户的兴趣需求。

图2为本发明一种个性化视频推荐方法的步骤流程图，以下将配合图2进一步说明本发明之个性化视频推荐方法。如图2所示，本发明之个性化视频推荐方法，用于根据用户的点击行为对视频资料库中的视频资料进行推荐，其包括如下步骤：

步骤201，获取点击行为，并将被点击的视频标识vid记录于一数据库表中。这里，每个用户通过唯一的一个标示(称为userid)来标识，即不同的userid表示不同的用户。对于任一用户userid，该用户在视频网站上，每次点击一条视频，则该视频的vid会记录在后台的数据表中。在本发明之较佳实施例中，该数据表采用队列的方式记录用户点击的视频vid，在此成为点击行为队列(past_videolist)；

步骤202，根据数据库表中的每个视频的属性信息，提取用户的兴趣标记，构建用户兴趣模型。即，从上述点击行为队列past_videolist中，获取每个视频的标题关键字、标签、类别等属性信息，根据该些属性信息，提取用户的兴趣标记，构建用户的兴趣模型。具体地说，从点击行为队列past_videolist中，获取每个视频的标题关键字、标签、类别信息，并进行合并和统计次数，按频率由高到低排列，取前k个出现频率最高的词汇，构成该用户的兴趣标记，即对每个用户userid，生成其对应的兴趣标记：interest_word_1；interest_word_2；……interest_word_k；

步骤203，根据一相关视频生成规则从视频资料库中生成候选视频列表；该相关视频生成规则或为根据点击行为队列的每个视频id查询与其相似的前S1条视频vid，或为根据兴趣标记于视频资料库中查询所有相关的视频vid并取最新的前S2条，或为挑取当前最热门的前S3条视频vid；在此，可以将根据该相关视频生成规则获得的视频部分或所有视频合并起来，构成候选视频列表candidate_vid；

步骤204，将候选视频列表中的候选视频进行合并，对每条候选视频根据一权值计算模型进行权值计算，并根据每条候选视频的权值计算结果生成推荐列表，并输出推荐结果。在本发明较佳实施例中，计算出每条候选视频的权值后，并将其按从大到小排序，输出指定需求条数。

较佳的，在步骤204中，在计算出每条候选视频的权值并排序后，将其与点击行为队列past_videolist进行比对，若某个候选视频的视频vid在点击行为队列past_videolist(即曾观看的视频vid列表)中出现，则从推荐列表中删除。

综上所述，本发明一种个性化视频推荐系统及其方法通过自动记录并学习用户的浏览行为，并从中挖掘出用户的兴趣点，建立兴趣模型，并根据每个用户的兴趣，挖掘出符合个性化需求的内容，达到了个性化推荐视频的目的，方便了用户。

上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何本领域技术人员均可在不违背本发明的精神及范畴下，对上述实施例进行修饰与改变。因此，本发明的权利保护范围，应如权利要求书所列。

Claims

1.一种个性化视频推荐系统，至少包括：

视频资料库；

2.如权利要求1所述的个性化视频推荐系统，其特征在于：该属性信息包括关键字、标签及类别信息。

3.如权利要求2所述的个性化视频推荐系统，其特征在于：该兴趣模型建立模组从该数据表中获取每个视频的标题关键字、标签、类别信息，进行合并和统计次数，并按频率由高到低排列，取前k个出现频率最高的词汇，构成对应用户的兴趣标记。

4.如权利要求1所述的个性化视频推荐系统，其特征在于，该相关视频生成规则包含：

于该视频资料库中挑取当前最热门的前S3条视频标识。

5.如权利要求4所述的个性化视频推荐系统，其特征在于：该候选视频列表为S1、S2、S3的部分或所有组合。

6.如权利要求1所述的个性化视频推荐系统，其特征在于：该权值计算模型为：

new_weight＝origin_weight*repeat_ratio*time_ratio

7.如权利要求6所述的个性化视频推荐系统，其特征在于，该原始权值origin_weight为：origin_weight＝playcount_hour+playcount_total*0.002，其中，playcount_hour表示过去1小时中当前视频被点击的数量，playcount_total表示当前视频从生成至今总的点击数量；该重复因数repeat_ratio为：repeat_ratio＝1.0+0.1*(N-1)，其中N为重复出现的次数；该时间因数time_ratio：当前页面为非播放页时，time_ratio＝1.0-0.02*(T-1)，当前页面为播放页时，当T＝1时，time_ratio＝1.2，1＜T＜＝20时，time_ratio＝1.0-0.02*(T-1)，其中T表示从最近视频开始，往前倒推的个数。

8.如权利要求1所述的个性化视频推荐系统，其特征在于：该个性化视频推荐系统还包括一过滤模块，依据该视频推荐模块的排序结果与该数据表进行比对，若某个候选视频的视频标识在该数据表中出现，则将其从该推荐列表中删除。

9.如权利要求1所述的个性化视频推荐系统，其特征在于：该数据表以队列方式存储。

10.一种个性化视频推荐方法，包括如下步骤：

11.如权利要求10所述的个性化视频推荐方法，其特征在于，该构建用户兴趣模型的步骤为：从该数据表中获取每个视频的标题关键字、标签、类别信息，进行合并和统计次数，并按频率由高到低排列，取前k个出现频率最高的词汇，构成对应用户的兴趣标记，构建用户兴趣模型。

12.如权利要求10所述的个性化视频推荐方法，其特征在于，该相关视频生成规则包含：

13.如权利要求10所述的个性化视频推荐方法，其特征在于：该权值计算模型为：

new_weight＝origin_weight*repeat_ratio*time_ratio

14.如权利要求13所述的个性化视频推荐方法，其特征在于：该原始权值origin_weight为：origin_weight＝playcount_hour+playcount_total*0.002，其中，playcount_hour表示过去1小时中当前视频被点击的数量，playcount_total表示当前视频从生成至今总的点击数量；该重复因数repeat_ratio为：repeat_ratio＝1.0+0.1*(N-1)，其中N为重复出现的次数；该时间因数time_ratio：当前页面为非播放页时，time_ratio＝1.0-0.02*(T-1)，当前页面为播放页时，当T＝1时，time_ratio＝1.2，1＜T＜＝20时，time_ratio＝1.0-0.02*(T-1)，其中T表示从最近视频开始，往前倒推的个数。

15.如权利要求10所述的个性化视频推荐方法，其特征在于：于该权值计算步骤中，在计算出每条候选视频的权值并排序后，将其与该数据库表进行比对，若某个候选视频的视频标识在该数据库表中出现，则从该推荐列表中删除。