CN103152618B - 数字电视增值业务内容推荐方法及装置 - Google Patents
数字电视增值业务内容推荐方法及装置 Download PDFInfo
- Publication number
- CN103152618B CN103152618B CN201110403115.1A CN201110403115A CN103152618B CN 103152618 B CN103152618 B CN 103152618B CN 201110403115 A CN201110403115 A CN 201110403115A CN 103152618 B CN103152618 B CN 103152618B
- Authority
- CN
- China
- Prior art keywords
- user
- content
- mrow
- evaluation
- msub
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Abstract
本发明涉及数字电视技术领域,公开了一种数字电视增值业务内容推荐方法及装置。该方法包括:获取用户对不同内容的评价信息,所述内容为在数字电视增值服务平台上与所述用户发生作用的客体;将所述评价信息转换为统一格式的评价得分;根据所述评价得分构建评价输入矩阵,所述评价输入矩阵为二维矩阵,所述矩阵的行索引为用户标识,所述矩阵的列索引为内容标识,所述矩阵中的元素为所述用户对所述内容的评价得分;计算所述评价输入矩阵中每两项不同内容的相似度;根据得到的相似度确定针对所述用户的推荐内容。利用本发明,可以针对数字电视增值业务,实现对用户的个性化内容推荐。
Description
技术领域
本发明涉及数字电视技术领域,具体涉及一种数字电视增值业务内容推荐方法及装置。
背景技术
随着三网融合进程的推进,数字电视增值业务的发展已经成为了各地广电运营商的重点目标。如何能够很好地为最终用户提供满意度很高的服务,是广电运营商所面临的最大的考验之一。具体地讲,如果运营商能够为用户提供优质的个性化服务,那么就可以大大增加用户的粘性,从而激发更多的增值服务收益。
目前,在广播电视领域,还没有以数字电视增值服务平台为背景的推荐技术。虽然已经有公开了的推荐互动电视节目的方案,但是其应用范围十分狭窄,仅限于EPG(Electronic Program Guide,电子节目菜单)业务。该方案无法适应数字电视增值服务的发展,尤其是在面临多类业务共存(生活服务类、专业服务类、互动类、娱乐类)的运营需求的时候。
发明内容
本发明实施例针对上述现有技术存在的问题,提供一种数字电视增值业务内容推荐方法及装置,针对数字电视增值业务,实现对用户的个性化内容推荐。
为此,本发明实施例提供如下技术方案:
一种数字电视内容推荐方法,包括:
获取用户对不同内容的评价信息,所述内容为在数字电视增值服务平台上与所述用户发生作用的客体;
将所述评价信息转换为统一格式的评价得分;
根据所述评价得分构建评价输入矩阵,所述评价输入矩阵为二维矩阵,所述矩阵的行索引为用户标识,所述矩阵的列索引为内容标识,所述矩阵中的元素为所述用户对所述内容的评价得分;
计算所述评价输入矩阵中每两项不同内容的相似度;
根据得到的相似度确定针对所述用户的推荐内容。
可选地,所述内容包括以下任意一项或多项:视频内容、文本内容、应用程序、游戏、产品。
可选地,所述评价信息包括:显式评价信息;
所述获取用户对不同类型内容的评价信息包括:
根据所述用户对所述内容的打分或投票,获取所述用户对所述内容的显式评价信息。
可选地,所述评价信息还包括:隐式评价信息;
所述获取用户对不同类型内容的评价信息还包括:
根据所述用户对所述内容的隐式评价行为,获取所述用户对所述内容的隐式评价信息,所述隐式评价行为包括以下任意一项或多项:消费行为、取消消费行为、粘性消费行为、一般使用行为。
优选地,所述根据所述用户对所述内容的隐式评价行为,获取所述用户对所述内容的隐式评价信息包括:
对于所述用户对所述内容的每一个隐式评价行为,确定所述隐式评价行为的类型;
如果所述隐式评价行为类型为消费行为,则确定所述用户对所述内容的打分为4,并将所述隐式评价行为增加到消费统计列表中;
如果所述隐式评价行为类型为取消消费行为,则确定所述用户对所述内容的打分为1;
如果所述隐式评价行为类型为一般使用行为,则将所述隐式评价行为增加到使用统计列表中;
根据所述消费统计列表确定所述用户对所述内容是否形成粘性消费行为;
如果是,则提高所述用户对所述内容的打分的值;
如果否,根据所述使用统计列表确定所述用户对所述内容是否形成粘性使用行为;
如果是,则提高所述用户对所述内容的打分的值;
如果否,则降低所述用户对所述内容的打分的值。
优选地,所述方法还包括:
如果有新的评价信息,则根据所述新的评价信息更新所述评价输入矩阵。
优选地,所述计算所述评价输入矩阵中每两项不同类型内容的相似度包括:
按以下公式计算所述评价输入矩阵中两项不同类型内容i和j的相似度:
其中,Ru,i表示用户u对内容i的评价得分,Ru,j表示用户u对内容j的评价得分,表示用户u对所有内容评价得分的平均值,表示用户u对所有内容评价得分的平均值,所述所有内容表示所述评价输入矩阵当前所包含的所有内容。
优选地,所述根据得到的相似度确定针对所述用户的推荐内容包括:
按以下公式计算用户u对所述评价输入矩阵中用户u未接触的内容的预测评价值:
其中,si,N为内容i和内容N的相似度,Ru,N为用户u对内容N的评价值;
将计算得到的所述用户对所述评价输入矩阵中所述用户未接触的内容的预测评价值由高到低排序;
由高到低选取预定个数的预测评价值对应的内容作为针对所述用户的推荐内容。
优选地,所述方法还包括:
计算所述评价输入矩阵中每两个不同内容集合的相似度;
将相似度大于设定的相似度阈值的内容集合打包为服务套餐;
计算所述用户对所述服务套餐中所述用户未接触的内容集合的预测评价值;
根据得到的所述用户对所述服务套餐中所述用户未接触的内容集合的预测评价值计算所述用户对所述服务套餐的预测评价值;
如果所述用户对所述服务套餐的预测评价值大于设定的评价阈值,则将所述服务套餐推荐给所述用户。
一种数字电视内容推荐装置,包括:
信息获取单元,用于获取用户对不同内容的评价信息,所述内容为在数字电视增值服务平台上与所述用户发生作用的客体;
转换单元,用于将所述评价信息转换为统一格式的评价得分;
矩阵构建单元,用于根据所述评价得分构建评价输入矩阵,所述评价输入矩阵为二维矩阵,所述矩阵的行索引为用户标识,所述矩阵的列索引为内容标识,所述矩阵中的元素为所述用户对所述内容的评价得分;
第一计算单元,用于计算所述评价输入矩阵中每两项不同内容的相似度;
推荐单元,用于根据所述计算单元得到的相似度确定针对所述用户的推荐内容。
可选地,所述评价信息包括:显式评价信息;所述信息获取单元包括:
第一获取子单元,用于具体用于根据所述用户对所述内容的打分或投票,获取所述用户对所述内容的显式评价信息。
可选地,所述评价信息还包括:隐式评价信息;所述信息获取单元还包括:
第二获取子单元,用于根据所述用户对所述内容的隐式评价行为,获取所述用户对所述内容的隐式评价信息,所述隐式评价行为包括以下任意一项或多项:消费行为、取消消费行为、粘性消费行为、一般使用行为。
优选地,所述第二获取子单元包括:
类型检查子单元,用于对于所述用户对所述内容的每一个隐式评价行为,确定所述隐式评价行为的类型;如果所述隐式评价行为类型为消费行为,则确定所述用户对所述内容的打分为4,并将所述隐式评价行为增加到消费统计列表中;如果所述隐式评价行为类型为取消消费行为,则确定所述用户对所述内容的打分为1;如果所述隐式评价行为类型为一般使用行为,则将所述隐式评价行为增加到使用统计列表中;
列表检查子单元,用于根据所述消费统计列表确定所述用户对所述内容是否形成粘性消费行为;如果是,则提高所述用户对所述内容的打分的值;如果否,根据使用统计列表确定所述用户对所述内容是否形成粘性使用行为;如果是,则提高所述用户对所述内容的打分的值;如果否,则降低所述用户对所述内容的打分的值。
优选地,所述装置还包括:
信息检查单元,用于检查有新的评价信息后,通知所述矩阵构建单元根据所述新的评价信息更新所述评价输入矩阵。
优选地,所述第一计算单元,具体用于按以下公式计算所述评价输入矩阵中两项不同类型内容i和j的相似度:
其中,Ru,i表示用户u对内容i的评价得分,Ru,j表示用户u对内容j的评价得分,表示用户u对所有内容评价得分的平均值,表示用户u对所有内容评价得分的平均值,所述所有内容表示所述评价输入矩阵当前所包含的所有内容。
优选地,所述推荐单元,具体用于按以下公式计算用户u对所述评价输入矩阵中用户u未接触的内容的预测评价值:
其中,si,N为内容i和内容N的相似度,Ru,N为用户u对内容N的评价值;
将计算得到的所述用户对所述评价输入矩阵中所述用户未接触的内容的预测评价值由高到低排序;
由高到低选取预定个数的预测评价值对应的内容作为针对所述用户的推荐内容。
优选地,所述装置还包括:
第二计算单元,用于计算所述评价输入矩阵中每两个不同内容集合的相似度;
打包单元,用于将所述第二计算单元计算得到的相似度大于设定的相似度阈值的内容集合打包为服务套餐;
第三计算单元,用于计算所述用户对所述服务套餐中所述用户未接触的内容集合的预测评价值;
第四计算单元,用于根据所述第三计算单元得到的所述用户对所述服务套餐中所述用户未接触的内容集合的预测评价值计算所述用户对所述服务套餐的预测评价值;
所述推荐单元,还用于在所述用户对所述服务套餐的预测评价值大于设定的评价阈值时,将所述服务套餐推荐给所述用户。
本发明实施例提供的数字电视增值业务内容推荐方法及装置,根据数字电视增值业务的上述特点,通过获取用户对不同内容的评价信息,将所述评价信息转换为统一格式的评价得分,根据所述评价得分构建评价输入矩阵,计算所述评价输入矩阵中每两项不同内容的相似度,根据得到的相似度确定针对所述用户的推荐内容。从而可以针对数字电视增值业务,实现对用户的个性化内容推荐。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明中记载的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的附图。
图1是本发明实施例数字电视增值业务内容推荐方法的流程图;
图2是本发明实施例中根据用户行为提取隐式评价信息的一种流程图;
图3是本发明实施例中对评价输入矩阵中评价得分进行更新的流程图;
图4是本发明实施例中基于评价输入矩阵向用户推荐服务套餐的流程图;
图5是本发明实施例数字电视增值业务内容推荐装置的一种结构示意图;
图6是本发明实施例数字电视增值业务内容推荐装置的另一种结构示意图;
图7是本发明实施例数字电视增值业务内容推荐装置的另一种结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明实施例的方案,下面结合附图和实施方式对本发明实施例作进一步的详细说明。
数字电视增值服务平台上承载的业务体现了多业务类型、多内容类型的特点,比如,可以将这些业务分为以下几类:生活服务类、专业服务类、互动类和娱乐类等。其中,生活服务类即为用户提供涉及到衣食住行的各种生活信息,如餐馆信息、购房租房信息、天气信息、交通信息等;专业服务类即为用户提供某一专业领域的专业知识和信息服务,如股票、教育、法律等;互动类即为与最终用户具有高度交互能力的服务,如视频点播、电视投票、电视商务、互动广告等;娱乐类即为用户提供典型的娱乐项目的服务,如游戏、卡拉OK等。而对于每一类业务,又包含了多种内容。
为此,本发明实施例数字电视增值业务内容推荐方法及装置,根据数字电视增值业务的上述特点,通过获取用户对不同内容的评价信息,将所述评价信息转换为统一格式的评价得分,根据所述评价得分构建评价输入矩阵,计算所述评价输入矩阵中每两项不同内容的相似度,根据得到的相似度确定针对所述用户的推荐内容。从而可以基于数字电视增值服务平台,实现对用户的个性化内容推荐。
如图1所示,是本发明实施例数字电视增值业务内容推荐方法的流程图,包括以下步骤:
步骤101,获取用户对不同内容的评价信息,所述内容为在数字电视增值服务平台上与所述用户发生作用的客体。
所述内容可以包括以下任意一项或多项:视频内容、文本内容、应用程序、游戏、产品等。比如,所述内容既可以是电影、综艺等视频内容,也可以是股票、天气等信息内容,还可以是一款游戏、一项服务、一个打包的套餐产品等等。
在本发明实施例中,可以根据用户对所述内容发生作用的行为来获取该用户对该内容的评价信息。
用户对所述内容发生作用的行为可以是显式行为,相应地,获取的该用户对相应内容的评价信息是显式评价信息,即明确表达的对内容的评价。比如,用户会通过一些评分机制实施给内容打分或投票等行为,针对这类显式行为,可以直接从用户的行为结果中得到所述显式评价信息。
用户对所述内容发生作用的行为也可以是隐式行为,相应地,获取的该用户对相应内容的评价信息是隐式评价信息,即隐含表达的对内容的评价。比如,用户订购某一整套电视剧,长期订阅某一项信息服务、退订某一打包产品等行为,针对这类隐式行为,需要对用户的行为进行解析得到所述隐式评价信息。
在本发明实施例中,所述隐式评价行为可以包括以下任意一项或多项:消费记录、使用记录、取消消费记录等。其中,所述消费记录即用户的消费行为在系统中的记录,如购买套餐、续费、点播付费等等;所述使用记录即用户使用服务的行为在系统中的记录,如收看频道、点播影片、查看股票信息等;所述取消消费记录即用户撤销与某一服务甚至运营商关系的行为在系统中的记录,如退订服务、退订套餐、退网等。
下面针对用户的不同隐式行为,举例说明解析该隐式行为得到隐式评价信息的过程。比如:
1.根据用户对某项服务的消费行为,得到所述用户对该服务的隐式评价信息。
用户肯为某项服务消费,说明其对该项服务的评价是正向的。比如订购某一个付费频道、购买一样物品、点播一整套的电视剧、购买游戏币等等。对于大多数的消费行为,可以认为用户对于内容的态度是还不错,但不能就认为用户已经对内容十分满意了。因为用户往往在接受服务的过程中或接受服务之后才会真的对内容有一个准确的评价。所以对于大多数的消费行为,可以得到用户对相应内容的隐式评价值信息为4。如果用户持续地在某一内容上消费,比如购买游戏币,那么这就是一种粘性的消费行为,可以得到用户对相应内容的评价信息为5。
2.根据用户对某项服务的使用行为,得到所述用户对该服务的隐式评价信息。
如果用户长时间或经常性地使用某一服务,那么说明用户对该服务产生了一定的粘性,并且对其评价也是正向的。以此可以作为用户对该服务本身或该服务所包含内容的评价。粘性地使用服务往往比短时的消费行为更能说明用户对内容的肯定,所以可以得到用户对内容的隐式评价值为5(五分制)。
3.根据用户对某项服务的取消消费行为,得到所述用户对该服务的隐式评价信息。
如果用户已经对某项服务发生了消费行为,但是却在中途停止了对该服务的使用甚至要退订服务,那么很可能说明用户对此服务和内容表示否定,评价也应该是负评价。对于这种行为,可以将其隐式评价信息设置为1。另外,如果用户之前对该服务有很好的粘性行为记录,但突然中途流失,那么就要具体情况具体分析,比如是不是因为服务由免费变成了收费,或收费提高,或有较多的内容的变动,等等。对于这种粘性行为丢失的情况,可以采用减分的方式来更新用户对相应内容的隐式评价信息。
需要说明的是,在实际应用中,可以根据不同的内容及用户对该内容的不同隐式行为,设定不同的解析规则,根据该解析规则对用户的隐式行为进行解析,得到用户对相应内容的隐式评价信息。
而且,在实际应用中,可以记录用户与某内容发生关联的所有行为,然后从中提取用户对该内容的隐式评价信息。
在本发明实施例中,所述评价信息,无论是显式评价信息还是隐式评价信息,可以有多种表现形式,比如,可以是评价得分、满意度或其它形式。
步骤102,将所述评价信息转换为统一格式的评价得分。
不论是显式评价信息,还是隐式评价信息,由于用户行为在不同的业务上下文中会产生不同结构的数据,因而上述步骤101得到的针对不同内容的评价信息也会有多种不同的表现形式,因此,为了简化后续的计算并统一判断标准,可以将在步骤101得到的评价信息转换为统一格式的评价得分,当然,所述评价得分针对不同的内容需要采用相同的标准,比如,均采用五分制或百分制等。具体地,可以直接通过数学换算或比例关系得到相应的评价得分。
步骤103,根据所述评价得分构建评价输入矩阵,所述评价输入矩阵为二维矩阵,所述矩阵的行索引为用户标识,所述矩阵的列索引为内容标识,所述矩阵中的元素为所述用户对所述内容的评价得分。
步骤104,计算所述评价输入矩阵中每两项不同内容的相似度。
在本发明实施例中,可以应用基于项的协同过滤算法,采用下面公式(1)计算所述评价输入矩阵中每两项不同内容i和j的相似度。
其中,Ru,i表示用户u对内容i的评价得分,Ru,j表示用户u对内容j的评价得分,表示用户u对所有内容评价得分的平均值,表示用户u对所有内容评价得分的平均值,所述所有内容表示所述评价输入矩阵当前所包含的所有内容。
具体地,可以从评价输入矩阵中收集对内容i和j同时存在的所有评价得分,以此组成两个向量,然后计算这两个向量的夹角的cosine值。需要注意的是,这里的向量的每一项都需要减去对应用户评价得分的平均值。这是因为不同用户对相同内容评价的尺度是不同的。有些用户的评价得分普遍偏高,有些则普遍偏低。比如一个评价得分普遍较高的用户对某一内容给了2分,那么就说明该用户对此内容评价较低,而同样是2分对于一个评分普遍较低的用户来说可能就觉得该内容还不错。所以,可以通过减去平均值的方法来屏蔽这个会带来附加偏差的因素。
当然,还可以采用其它方式计算评价输入矩阵中每两项不同内容的相似度,比如,逐点互信息、逆文档频率(tf-idf)、Log-Odds函数等方式,对此本发明实施例不做限定。
步骤105,根据得到的相似度确定针对所述用户的推荐内容。
在所述评价输入矩阵中,由于包含了不同用户对多种不同内容的评价得分,但对于某一内容,有些用户可能还没有对其做出过评价,而该内容,可能就是需要推荐给这些用户的候选内容。也就是说,被推荐给用户的候选内容是所述用户还没有接触过的内容。
为此,在本发明实施例中,可以首先计算出所述用户对评价输入矩阵中其未接触的内容的预测评价值。然后将这些值由高到低进行排序,将排在前面的预定个数的预测评价值对应内容作为对所述用户的推荐。
具体地,可以利用下述公式(2)来计算用户u对内容i的预测评价值。
其中,si,N即由上述公式(1)计算得到的内容i和内容N的相似度,Ru,N是用户u对内容N的评价得分。
上述公式(2)表示了用已经有的评价得分对用户未接触过的内容进行评价预测。经过这样的计算,针对每一位用户都可以计算出对所有未接触的内容的预测评价值。
由此可见,本发明实施例数字电视增值业务内容推荐方法,通过获取用户对不同内容的评价信息,将所述评价信息转换为统一格式的评价得分,根据所述评价得分构建评价输入矩阵,计算所述评价输入矩阵中每两项不同内容的相似度,根据得到的相似度确定针对所述用户的推荐内容。从而可以针对数字电视增值业务,实现对用户的个性化内容推荐。
进一步地,通过对用户隐式评价信息的获取,可以使得对用户的个性化内容推荐更准确、全面。
需要说明的是,本发明施例数字电视增值业务内容推荐方法可以基于数字电视增值服务平台,通过用户在数字电视增值服务平台上的行为自动获取用户对不同内容的评价信息,当然也可以通过相应的接口从其它业务平台上获取相关的评价信息,根据这些评价信息自动实现对用户的个性化内容推荐。
前面提到,在实际应用中,可以记录用户与某内容发生关联的所有行为,然后从中提取用户对该内容的隐式评价信息,下面对此进行详细说明。
如图2所示,是本发明实施例中根据用户行为提取隐式评价信息的一种流程图。
在该实施例中,可以从用户行为的记录中得到用户对某一内容的打分。该流程包括以下步骤:
步骤201,获取用户u与内容c发生关联的所有记录,按时间顺序组成用户u对内容c的行为记录集合Ru,c;
步骤202,对于行为记录集合Ru,c中的每一条记录,根据该记录对应的行为类型,执行以下步骤:
步骤221,如果该记录的行为类型为消费记录,则确定用户u对内容c的打分Mu,c为4,并将该记录增加到消费统计列表BLISTu,c中;
步骤222,如果该记录的行为类型为取消消费记录,则确定用户u对内容c的打分Mu,c为1;
步骤223,如果该记录的行为类型为一般使用记录,则将该记录增加到使用统计列表ULISTu,c中。
步骤203,根据消费统计列表BLISTu,c确定用户u对内容c是否形成粘性消费行为;如果是,则执行步骤204;否则,执行步骤205。
步骤204,提高用户u对内容c的打分Mu,c的值。
当然,提高打分Mu,c的幅度可以根据打分Mu,c的当前值来确定,比如,打分Mu,c的当前值为4,则可以将其提高到5,打分Mu,c的当前值为2,则可以将其提高到2.5。
步骤205,根据使用统计列表ULISTu,c确定用户u对内容c是否形成粘性使用行为;如果是,则执行步骤206;否则,执行步骤207。
步骤206,如果打分Mu,c还未被设置,则将其设置为4;如果打分Mu,c已被设置,则提高打分Mu,c的值。
当然,提高打分Mu,c的幅度可以根据打分Mu,c的当前值来确定。比如,如果打分Mu,c的当前值为4,则将其提高到5;如果打分Mu,c的当前值为1,则将其提高到3。
步骤207,如果打分Mu,c还未被设置,则将其设置为1;如果打分Mu,c已被设置,则降低打分Mu,c的值。
当然,降低打分Mu,c的幅度可以根据打分Mu,c的当前值来确定。比如,如果打分Mu,c的当前值为1,则将其降低为0.5;如果打分Mu,c的当前值为4,则将其降低为3。
需要说明的是,上述提高或降低打分Mu,c的幅度也可以是0,也就是说,在上述步骤204、步骤206和步骤207中,也可以是保持打分Mu,c的值不变。
需要说明的是,可以按照上述图2所示流程确定用户对某内容的打分。当然,图2所示流程仅仅是一种具体实现方式,还可以有其它实现方式,同样能够实现根据用户行为提取隐式评价信息的目的,对此本发明实施例不做限定。
由于用户的评价信息是一个累积更新的过程,因此,在实际应用中,还可进一步根据用户行为的记录,获取新的评价信息,并且根据所述新的评价信息更新所述评价输入矩阵。也就是说,对于建立的评价输入矩阵,可以根据用户的历史评价信息进行动态更新。该更新过程可以是周期性地,也可以是在获取的新的评价信息达到一定数量后进行。而且,更新过程中,可以是增加用户和内容,或者删除用户或内容,或者是修改评价得分等,每次更新可以只有一项(比如可以是用户、或内容、或评价得分)更新,也可以同时有多项更新。
下面仅举例对隐式评价的内容对应的评价得分的过程进行详细说明。
如图3所示,是本发明实施例中对评价输入矩阵中评价得分进行更新的流程图,包括以下步骤:
步骤301,对于用户u对内容c的行为记录集合Ru,c中的每一条记录,根据该记录对应的行为类型,执行以下步骤:
步骤311,如果该记录的行为类型为消费记录,提高用户u对内容c的评价得分。
比如,可以将所述评价得分的当前值加1。当然,提高所述评价得分的幅度也可以根据所述评价得分的当前值来确定。
步骤312,如果该记录的行为类型为取消消费记录,则降低用户u对内容c的评价得分。
降低所述评价得分的幅度可以根据所述评价得分的当前值来确定,比如,如果所述评价得分的当前值小于等于3,则将其降低为1;如果所述评价得分的当前值大于3,则将其当前值减1。
步骤313,如果该记录的行为类型为一般使用记录,则将该记录增加到使用统计列表ULISTu,c中。
步骤302,根据统计列表ULISTu,c确定用户u对内容c是否形成粘性使用行为。如果是,则执行步骤303;否则,执行步骤304。
步骤303,提高用户u对内容c的评价得分。
提高所述评价得分的幅度可以根据所述评价得分的当前值来确定,比如,如果所述评价得分的当前值大于等于3,则将其提高为5;如果所述评价得分的当前值小于3,则将其当前值加1。
步骤304,降低用户u对内容c的评价得分。
比如,可以将所述评价得分的当前值减1。当然,降低所述评价得分的幅度也可以根据所述评价得分的当前值来确定。
需要说明的是,上述图2所示流程仅仅是一种具体实现方式,还可以有其它实现方式,同样能够实现根据用户行为对评价输入矩阵中评价得分进行更新的目的,对此本发明实施例不做限定。
在上述图2和图3所示流程中,都涉及到了对粘性行为的判断,包括粘性消费行为和粘性使用行为。
在本发明实施例中,消费行为和使用行为这两种因素之间是相互独立的或正相关的。原因如下:用户购买服务的模式只有三种——预付费、后付费和按次付费。前两种模式与用户使用服务的行为没有统计规律上的相关性;按次付费的模式是指用户使用一次服务就付一次钱,所以这与用户使用服务的行为是完全一致的。基于这个事实,因此可以完全独立对这两种粘性行为进行判断。一种简单有效的判断方式是基于频率的方法来判断。
具体地,假设在统计周期T内某一种行为发生的次数为N,并且针对该行为的粘性阈值为V,则如果N/T>V,则判断该行为已形成粘性,否则判断该行为没有形成粘性。
对于使用行为来说,可以将其对应的粘性阈值V设置得大一些,比如20次/月。对于消费行为来说,如果是预付费或后付费的服务,则其对应的粘性阈值可设置得小一些,比如1次/月;而对于按次付费的服务,则可以和使用行为类似,将其对应的粘性阈值V设置得大一些。另外,有些服务可能是预付费包年的,那么就无须考虑消费行为的粘性,只考虑使用行为的粘性就可以了。
当然,也可以按照其它方式来判断用户对某一内容是否形成粘性使用行为或粘性消费行为,对此本发明实施例不做限定。
在数字电视增值业务中,打包产品或服务套餐会将多种业务联系所提供的服务整合在一起推荐给用户。针对这种情况,可以基于用户的使用行为,以内容分类作为考察对象,实现跨业务内容推荐。
比如,在数字电视增值服务平台上,每个业务下都会包含若干基础内容,这些内容往往是以栏目、频道、专题等方式组织的,可以将其称为对基础内容的分类,每一个分类实际上就是一个基础内容的集合。而一般情况下,服务套餐的基本单元也正是这些分类。
相应地,在基于上述评价输入矩阵确定针对所述用户的服务套餐时,需要计算所述评价输入矩阵中每两个不同内容集合的相似度。具体地,可以利用以下公式(3)来计算:
其中,I和J分别表示两个内容集合。|I∩J|表示I和J的交集元素的个数;|I∪J|表示I和J的并集元素的个数。
当然,为了使计算更准确,在此针对内容集合的交、并运算,可以定义当两个分别来自内容集合的内容的simO相似度(即通过公式(1)计算出的相似度)大于等于设定阈值时,认为这两个内容相同。这样,通过计算集合I和集合J中相同的元素的个数即可得到|I∩J|,而|I∪J|=|I|+|J|-|I∩J|。
在得到不同内容集合的相似度后,可以将相似度大于设定阈值的内容集合打包为服务套餐,然后确定是否向用户推荐该服务套餐。
如图4所示,是本发明实施例中基于评价输入矩阵向用户推荐服务套餐的流程图,包括以下步骤:
步骤401,计算评价输入矩阵中每两个不同内容集合的相似度。
具体地,可以按照上述公式(3)计算两个不同内容集合的相似度,当然,也可以采用其它方式计算所述相似度,对此本发明实施例不做限定。
步骤402,将相似度大于设定的相似度阈值的内容集合打包为服务套餐。
也就是说,每个服务套餐中至少会包括两个内容集合。
步骤403,计算用户对所述服务套餐中所述用户未接触的内容集合的预测评价值。
需要说明的是,本发明实施例可以基于用户的使用行为,向用户推荐服务套餐。如果某个用户没有针对该服务套餐中任何内容集合的使用经验,则可以不向所述用户推荐该服务套餐,而选择其它服务套餐推荐给所述用户。
上述步骤402中得到的服务套餐中都是相似度很高的内容集合,因此,针对某个用户,假设其已经有对其中某一个或几个内容集合的使用经验,从而也就有了显式或隐式的评价。如果对于所述服务套餐中的某一个或几个内容集合,用户的评价很高,则有理由向其推荐整个服务套餐;如果存在几个内容集合,用户的评价有高有低,则可以进一步利用前面提到的公式(2)计算用户对同一服务套餐内其它内容集合的预测评价值。也就是说,将公式(2)扩展到内容集合,因为它与被预测对象的结构无关,只与对象的评分和对象之间的近似度有关。此时,公式(2)中的R就是用户对内容集合的评价得分,与获取对内容评价得分的方法一样,可以通过显示评价信息或隐式评价信息来获得。
步骤404,根据得到的所述用户对所述服务套餐中所述用户未接触的内容集合的预测评价值计算所述用户对所述服务套餐的预测评价值。
具体可以利用平均值来计算用户对所述服务套餐的预测评价值,也就是说,将所述服务套餐中各内容集合的预测评价值相加,然后根据所述预测评价值对应的内容集合的个数进行平均。
步骤405,如果所述用户对所述服务套餐的预测评价值大于设定的评价阈值,则将所述服务套餐推荐给所述用户。
可见,利用本发明实施例数字电视增值业务内容推荐方法,不仅可以实现对用户的个性化内容推荐,而且还可以实现跨业务的增值服务套餐的推荐。
相应地,本发明实施例还提供一种数字电视增值业务内容推荐装置,如图5所示,是该装置的一种结构示意图。
在该实施例中,所述装置包括:
信息获取单元501,用于获取用户对不同内容的评价信息,所述内容为在数字电视增值服务平台上与所述用户发生作用的客体;
转换单元502,用于将所述评价信息转换为统一格式的评价得分;
矩阵构建单元503,用于根据所述评价得分构建评价输入矩阵,所述评价输入矩阵为二维矩阵,所述矩阵的行索引为用户标识,所述矩阵的列索引为内容标识,所述矩阵中的元素为所述用户对所述内容的评价得分;
第一计算单元504,用于计算所述评价输入矩阵中每两项不同内容的相似度;
推荐单元505,用于根据所述计算单元得到的相似度确定针对所述用户的推荐内容。
在本发明实施例中,所述内容可以包括以下任意一项或多项:视频内容、文本内容、应用程序、游戏、产品等。信息获取单元501,可以根据用户对所述内容发生作用的行为来获取该用户对该内容的评价信息。所述评价信息可以是显式评价信息,还可以是隐式评价信息。
相应地,所述信息获取单元包括:第一获取子单元(未图示),用于具体用于根据所述用户对所述内容的打分或投票,获取所述用户对所述内容的显式评价信息;还可进一步包括:第二获取子单元(未图示),用于根据所述用户对所述内容的隐式评价行为,获取所述用户对所述内容的隐式评价信息,所述隐式评价行为包括以下任意一项或多项:消费行为、取消消费行为、粘性消费行为、一般使用行为。
需要说明的是,在实际应用中,所述第二获取子单元可以根据不同的内容及用户对该内容的不同隐式行为,设定不同的解析规则,根据该解析规则对用户的隐式行为进行解析,得到用户对相应内容的隐式评价信息。还可以从记录的用户与某内容发生关联的所有行为中提取出用户对该内容的隐式评价信息。
比如,所述第二获取子单元的一种具体结构包括:类型检查子单元和列表检查子单元(未图示)。其中,所述类型检查子单元用于对于所述用户对所述内容的每一个隐式评价行为,确定所述隐式评价行为的类型;如果所述隐式评价行为类型为消费行为,则确定所述用户对所述内容的打分为4,并将所述隐式评价行为增加到消费统计列表中;如果所述隐式评价行为类型为取消消费行为,则确定所述用户对所述内容的打分为1;如果所述隐式评价行为类型为一般使用行为,则将所述隐式评价行为增加到使用统计列表中;所述列表检查子单元用于根据所述消费统计列表确定所述用户对所述内容是否形成粘性消费行为;如果是,则提高所述用户对所述内容的打分的值;如果否,根据使用统计列表确定所述用户对所述内容是否形成粘性使用行为;如果是,则提高所述用户对所述内容的打分的值;如果否,则降低所述用户对所述内容的打分的值。
当然,所述第二获取子单元还可以采用其它方式实现,对此本发明实施例不做限定。
在本发明实施例中,上述第一计算单元504具体可以根据前面提到的公式(1)计算所述评价输入矩阵中两项不同类型内容i和j的相似度。上述推荐单元505具体可以根据前面提到的公式(2)确定针对所述用户的推荐内容。具体过程可参照前面的描述,在此不再赘述。
由此可见,本发明实施例数字电视增值业务内容推荐装置,通过获取用户对不同内容的评价信息,将所述评价信息转换为统一格式的评价得分,根据所述评价得分构建评价输入矩阵,计算所述评价输入矩阵中每两项不同内容的相似度,根据得到的相似度确定针对所述用户的推荐内容。从而可以针对数字电视增值业务,实现对用户的个性化内容推荐。
进一步地,通过对用户隐式评价信息的获取,可以使得对用户的个性化内容推荐更准确、全面。
需要说明的是,本发明施例数字电视增值业务内容推荐装置可以应用于数字电视增值服务平台,通过用户在数字电视增值服务平台上的行为自动获取用户对不同内容的评价信息,当然也可以通过相应的接口从其它业务平台上获取相关的评价信息,根据这些评价信息自动实现对用户的个性化内容推荐。
如图6所示,是本发明实施例数字电视增值业务内容推荐装置的另一种结构示意图。
与图5所示实施例不同是,在该实施例中,所述装置进一步包括:
信息检查单元601,用于检查有新的评价信息后,通知所述矩阵构建单元503根据所述新的评价信息更新所述评价输入矩阵。
由于用户的评价信息是一个累积更新的过程,因此,在实际应用中,所述信息获取单元501还可进一步根据用户行为的记录,获取新的评价信息。所述信息检查单元601检查到信息获取单元501获取了新的评价信息后,可以在新的评价信息达到一定数量后或者是周期性地通知所述矩阵构建单元503根据所述新的评价信息更新所述评价输入矩阵。
在所述评价输入矩阵更新过程中,可以是增加用户和内容,或者删除用户或内容,或者是修改评价得分等,每次更新可以只有一项(比如可以是用户、或内容、或评价得分)更新,也可以同时有多项更新。
可见,本发明实施例数字电视增值业务内容推荐装置,可以根据用户新的评价信息及时更新评价输入矩阵,进一步保证了对用户的个性化内容推荐的准确性。
如图7所示,是本发明实施例数字电视增值业务内容推荐装置的另一种结构示意图。
与图6所示实施例不同的是,在该实施例中,所述装置还进一步包括:
第二计算单元701,用于计算所述评价输入矩阵中每两个不同内容集合的相似度;
打包单元702,用于将所述第二计算单元702计算得到的相似度大于设定的相似度阈值的内容集合打包为服务套餐;
第三计算单元703,用于计算所述用户对所述服务套餐中所述用户未接触的内容集合的预测评价值;
第四计算单元704,用于根据所述第三计算单元703得到的所述用户对所述服务套餐中所述用户未接触的内容集合的预测评价值计算所述用户对所述服务套餐的预测评价值。
相应地,在该实施例中,所述推荐单元505还用于在所述用户对所述服务套餐的预测评价值大于设定的评价阈值时,将所述服务套餐推荐给所述用户。
可见,利用本发明实施例数字电视增值业务内容推荐装置,不仅可以实现对用户的个性化内容推荐,而且还可以实现跨业务的增值服务套餐的推荐。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上对本发明实施例进行了详细介绍,本文中应用了具体实施方式对本发明进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及设备;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (15)
1.一种数字电视内容推荐方法,其特征在于,包括:
获取用户对不同内容的评价信息,所述内容为在数字电视增值服务平台上与所述用户发生作用的客体;
将所述评价信息转换为统一格式的评价得分;
根据所述评价得分构建评价输入矩阵,所述评价输入矩阵为二维矩阵,所述矩阵的行索引为用户标识,所述矩阵的列索引为内容标识,所述矩阵中的元素为所述用户对所述内容的评价得分;
计算所述评价输入矩阵中每两项不同内容的相似度;
根据得到的相似度确定针对所述用户的推荐内容;
其中,所述计算所述评价输入矩阵中每两项不同内容的相似度包括:
按以下公式计算所述评价输入矩阵中两项不同类型内容i和j的相似度:
<mrow>
<mi>s</mi>
<mi>i</mi>
<mi>m</mi>
<mn>0</mn>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>&Sigma;</mi>
<mrow>
<mi>u</mi>
<mo>&Element;</mo>
<mi>U</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>R</mi>
<mrow>
<mi>u</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mover>
<mi>R</mi>
<mo>&OverBar;</mo>
</mover>
<mi>u</mi>
</msub>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<msub>
<mi>R</mi>
<mrow>
<mi>u</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mover>
<mi>R</mi>
<mo>&OverBar;</mo>
</mover>
<mi>u</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msqrt>
<mrow>
<msub>
<mi>&Sigma;</mi>
<mrow>
<mi>u</mi>
<mo>&Element;</mo>
<mi>U</mi>
</mrow>
</msub>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>R</mi>
<mrow>
<mi>u</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mover>
<mi>R</mi>
<mo>&OverBar;</mo>
</mover>
<mi>u</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
<msqrt>
<mrow>
<msub>
<mi>&Sigma;</mi>
<mrow>
<mi>u</mi>
<mo>&Element;</mo>
<mi>U</mi>
</mrow>
</msub>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>R</mi>
<mrow>
<mi>u</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mover>
<mi>R</mi>
<mo>&OverBar;</mo>
</mover>
<mi>u</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mrow>
</mfrac>
<mo>,</mo>
</mrow>
其中,Ru,i表示用户u对内容i的评价得分,Ru,j表示用户u对内容j的评价得分,表示用户u对所有内容评价得分的平均值,所述所有内容表示所述评价输入矩阵当前所包含的所有内容。
2.根据权利要求1所述的方法,其特征在于,所述内容包括以下任意一项或多项:视频内容、文本内容、应用程序、游戏、产品。
3.根据权利要求1所述的方法,其特征在于,所述评价信息包括:显式评价信息;
所述获取用户对不同内容的评价信息包括:
根据所述用户对所述内容的打分或投票,获取所述用户对所述内容的显式评价信息。
4.根据权利要求3所述的方法,其特征在于,所述评价信息还包括:隐式评价信息;
所述获取用户对不同类型内容的评价信息还包括:
根据所述用户对所述内容的隐式评价行为,获取所述用户对所述内容的隐式评价信息,所述隐式评价行为包括以下任意一项或多项:消费行为、取消消费行为、粘性消费行为、一般使用行为。
5.根据权利要求4所述的方法,其特征在于,所述根据所述用户对所述内容的隐式评价行为,获取所述用户对所述内容的隐式评价信息包括:
对于所述用户对所述内容的每一个隐式评价行为,确定所述隐式评价行为的类型;
如果所述隐式评价行为类型为消费行为,则确定所述用户对所述内容的打分为4,并将所述隐式评价行为增加到消费统计列表中;
如果所述隐式评价行为类型为取消消费行为,则确定所述用户对所述内容的打分为1;
如果所述隐式评价行为类型为一般使用行为,则将所述隐式评价行为增加到使用统计列表中;
根据所述消费统计列表确定所述用户对所述内容是否形成粘性消费行为;
如果是,则提高所述用户对所述内容的打分的值;
如果否,根据所述使用统计列表确定所述用户对所述内容是否形成粘性使用行为;
如果是,则提高所述用户对所述内容的打分的值;
如果否,则降低所述用户对所述内容的打分的值。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
如果有新的评价信息,则根据所述新的评价信息更新所述评价输入矩阵。
7.根据权利要求1所述的方法,其特征在于,所述根据得到的相似度确定针对所述用户的推荐内容包括:
按以下公式计算用户u对所述评价输入矩阵中用户u未接触的内容的预测评价值:
其中,si,N为内容i和内容N的相似度,Ru,N为用户u对内容N的评价值;
将计算得到的所述用户对所述评价输入矩阵中所述用户未接触的内容的预测评价值由高到低排序;
由高到低选取预定个数的预测评价值对应的内容作为针对所述用户的推荐内容。
8.根据权利要求7所述的方法,其特征在于,所述方法还包括:
计算所述评价输入矩阵中每两个不同内容集合的相似度;
将相似度大于设定的相似度阈值的内容集合打包为服务套餐;
计算所述用户对所述服务套餐中所述用户未接触的内容集合的预测评价值;
根据得到的所述用户对所述服务套餐中所述用户未接触的内容集合的预测评价值计算所述用户对所述服务套餐的预测评价值;
如果所述用户对所述服务套餐的预测评价值大于设定的评价阈值,则将所述服务套餐推荐给所述用户。
9.一种数字电视内容推荐装置,其特征在于,包括:
信息获取单元,用于获取用户对不同内容的评价信息,所述内容为在数字电视增值服务平台上与所述用户发生作用的客体;
转换单元,用于将所述评价信息转换为统一格式的评价得分;
矩阵构建单元,用于根据所述评价得分构建评价输入矩阵,所述评价输入矩阵为二维矩阵,所述矩阵的行索引为用户标识,所述矩阵的列索引为内容标识,所述矩阵中的元素为所述用户对所述内容的评价得分;
第一计算单元,用于计算所述评价输入矩阵中每两项不同内容的相似度;
推荐单元,用于根据所述计算单元得到的相似度确定针对所述用户的推荐内容;
其中,所述第一计算单元,具体用于按以下公式计算所述评价输入矩阵中两项不同类型内容i和j的相似度:
<mrow>
<mi>s</mi>
<mi>i</mi>
<mi>m</mi>
<mn>0</mn>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>&Sigma;</mi>
<mrow>
<mi>u</mi>
<mo>&Element;</mo>
<mi>U</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>R</mi>
<mrow>
<mi>u</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mover>
<mi>R</mi>
<mo>&OverBar;</mo>
</mover>
<mi>u</mi>
</msub>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<msub>
<mi>R</mi>
<mrow>
<mi>u</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mover>
<mi>R</mi>
<mo>&OverBar;</mo>
</mover>
<mi>u</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msqrt>
<mrow>
<msub>
<mi>&Sigma;</mi>
<mrow>
<mi>u</mi>
<mo>&Element;</mo>
<mi>U</mi>
</mrow>
</msub>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>R</mi>
<mrow>
<mi>u</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mover>
<mi>R</mi>
<mo>&OverBar;</mo>
</mover>
<mi>u</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
<msqrt>
<mrow>
<msub>
<mi>&Sigma;</mi>
<mrow>
<mi>u</mi>
<mo>&Element;</mo>
<mi>U</mi>
</mrow>
</msub>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>R</mi>
<mrow>
<mi>u</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mover>
<mi>R</mi>
<mo>&OverBar;</mo>
</mover>
<mi>u</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mrow>
</mfrac>
<mo>,</mo>
</mrow>
其中,Ru,i表示用户u对内容i的评价得分,Ru,j表示用户u对内容j的评价得分,表示用户u对所有内容评价得分的平均值,所述所有内容表示所述评价输入矩阵当前所包含的所有内容。
10.根据权利要求9所述的装置,其特征在于,所述评价信息包括:显式评价信息;所述信息获取单元包括:
第一获取子单元,用于具体用于根据所述用户对所述内容的打分或投票,获取所述用户对所述内容的显式评价信息。
11.根据权利要求10所述的装置,其特征在于,所述评价信息还包括:隐式评价信息;所述信息获取单元还包括:
第二获取子单元,用于根据所述用户对所述内容的隐式评价行为,获取所述用户对所述内容的隐式评价信息,所述隐式评价行为包括以下任意一项或多项:消费行为、取消消费行为、粘性消费行为、一般使用行为。
12.根据权利要求11所述的装置,其特征在于,所述第二获取子单元包括:
类型检查子单元,用于对于所述用户对所述内容的每一个隐式评价行为,确定所述隐式评价行为的类型;如果所述隐式评价行为类型为消费行为,则确定所述用户对所述内容的打分为4,并将所述隐式评价行为增加到消费统计列表中;如果所述隐式评价行为类型为取消消费行为,则确定所述用户对所述内容的打分为1;如果所述隐式评价行为类型为一般使用行为,则将所述隐式评价行为增加到使用统计列表中;
列表检查子单元,用于根据所述消费统计列表确定所述用户对所述内容是否形成粘性消费行为;如果是,则提高所述用户对所述内容的打分的值;如果否,根据使用统计列表确定所述用户对所述内容是否形成粘性使用行为;如果是,则提高所述用户对所述内容的打分的值;如果否,则降低所述用户对所述内容的打分的值。
13.根据权利要求9所述的装置,其特征在于,所述装置还包括:
信息检查单元,用于检查有新的评价信息后,通知所述矩阵构建单元根据所述新的评价信息更新所述评价输入矩阵。
14.根据权利要求9所述的装置,其特征在于,
所述推荐单元,具体用于按以下公式计算用户u对所述评价输入矩阵中用户u未接触的内容的预测评价值:
其中,si,N为内容i和内容N的相似度,Ru,N为用户u对内容N的评价值;
将计算得到的所述用户对所述评价输入矩阵中所述用户未接触的内容的预测评价值由高到低排序;
由高到低选取预定个数的预测评价值对应的内容作为针对所述用户的推荐内容。
15.根据权利要求14所述的装置,其特征在于,所述装置还包括:
第二计算单元,用于计算所述评价输入矩阵中每两个不同内容集合的相似度;
打包单元,用于将所述第二计算单元计算得到的相似度大于设定的相似度阈值的内容集合打包为服务套餐;
第三计算单元,用于计算所述用户对所述服务套餐中所述用户未接触的内容集合的预测评价值;
第四计算单元,用于根据所述第三计算单元得到的所述用户对所述服务套餐中所述用户未接触的内容集合的预测评价值计算所述用户对所述服务套餐的预测评价值;
所述推荐单元,还用于在所述用户对所述服务套餐的预测评价值大于设定的评价阈值时,将所述服务套餐推荐给所述用户。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110403115.1A CN103152618B (zh) | 2011-12-07 | 2011-12-07 | 数字电视增值业务内容推荐方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110403115.1A CN103152618B (zh) | 2011-12-07 | 2011-12-07 | 数字电视增值业务内容推荐方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103152618A CN103152618A (zh) | 2013-06-12 |
CN103152618B true CN103152618B (zh) | 2017-11-17 |
Family
ID=48550448
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201110403115.1A Active CN103152618B (zh) | 2011-12-07 | 2011-12-07 | 数字电视增值业务内容推荐方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103152618B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104424247A (zh) * | 2013-08-28 | 2015-03-18 | 北京闹米科技有限公司 | 一种产品信息过滤推荐方法和装置 |
CN103473315B (zh) * | 2013-09-11 | 2017-05-17 | 北京思特奇信息技术股份有限公司 | 一种基于信息增益的手机阅读推荐方法及装置 |
CN104079960B (zh) | 2013-12-05 | 2015-10-07 | 深圳市腾讯计算机系统有限公司 | 文件推荐方法和装置 |
CN105245922A (zh) * | 2015-09-30 | 2016-01-13 | 北京酷云互动科技有限公司 | 一种获取品牌与节目的关联度的方法及系统 |
CN106708929B (zh) * | 2016-11-18 | 2020-06-26 | 广州视源电子科技股份有限公司 | 视频节目的搜索方法和装置 |
CN106953887B (zh) * | 2017-01-05 | 2020-04-24 | 北京中瑞鸿程科技开发有限公司 | 一种细粒度电台音频内容个性化组织推荐方法 |
CN108833947A (zh) * | 2018-07-18 | 2018-11-16 | 广州市诚毅科技软件开发有限公司 | 一种iptv点播请求的处理方法及装置 |
CN110430471B (zh) * | 2019-07-24 | 2021-05-07 | 山东海看新媒体研究院有限公司 | 一种基于瞬时计算的电视推荐方法和系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6317881B1 (en) * | 1998-11-04 | 2001-11-13 | Intel Corporation | Method and apparatus for collecting and providing viewer feedback to a broadcast |
CN1605201A (zh) * | 2001-12-13 | 2005-04-06 | 皇家飞利浦电子股份有限公司 | 推荐媒体系统中的媒体内容 |
CN101482884A (zh) * | 2009-01-21 | 2009-07-15 | 华东师范大学 | 一种基于用户偏好评分分布的协作推荐系统 |
CN101540874A (zh) * | 2009-04-23 | 2009-09-23 | 中山大学 | 一种基于协同过滤的互动电视节目推荐方法 |
CN102130933A (zh) * | 2010-01-13 | 2011-07-20 | 中国移动通信集团公司 | 一种基于移动互联网的推荐方法、系统和设备 |
-
2011
- 2011-12-07 CN CN201110403115.1A patent/CN103152618B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6317881B1 (en) * | 1998-11-04 | 2001-11-13 | Intel Corporation | Method and apparatus for collecting and providing viewer feedback to a broadcast |
CN1605201A (zh) * | 2001-12-13 | 2005-04-06 | 皇家飞利浦电子股份有限公司 | 推荐媒体系统中的媒体内容 |
CN101482884A (zh) * | 2009-01-21 | 2009-07-15 | 华东师范大学 | 一种基于用户偏好评分分布的协作推荐系统 |
CN101540874A (zh) * | 2009-04-23 | 2009-09-23 | 中山大学 | 一种基于协同过滤的互动电视节目推荐方法 |
CN102130933A (zh) * | 2010-01-13 | 2011-07-20 | 中国移动通信集团公司 | 一种基于移动互联网的推荐方法、系统和设备 |
Also Published As
Publication number | Publication date |
---|---|
CN103152618A (zh) | 2013-06-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103152618B (zh) | 数字电视增值业务内容推荐方法及装置 | |
Webster et al. | Ratings analysis: Theory and practice | |
US20080172696A1 (en) | Channel Contract Proposing Apparatus, Method, Program and Integrated Circuit | |
Crawford et al. | Monopoly quality degradation and regulation in cable television | |
Lin et al. | Understanding the determinants of consumers' switching intentions in a standards war | |
CN102811371B (zh) | 智能电视应用程序推荐的方法、系统及装置 | |
US8010472B2 (en) | System and method for evaluating information | |
CN101482884A (zh) | 一种基于用户偏好评分分布的协作推荐系统 | |
Lewis | Odd prices at retail gasoline stations: focal point pricing and tacit collusion | |
CN106407241A (zh) | 视频推荐方法及系统 | |
CN106487664A (zh) | 一种信息推荐的方法、装置及移动终端 | |
CN107679920A (zh) | 一种广告的投放方法和装置 | |
CN103377250A (zh) | 基于邻域的top-k推荐方法 | |
CN105160008A (zh) | 一种定位推荐用户的方法及装置 | |
US10165315B2 (en) | Systems and methods for predicting audience measurements of a television program | |
CN105208411B (zh) | 一种实现数字电视目标受众统计的方法及装置 | |
CN107230381A (zh) | 一种停车位推荐方法、服务器以及客户端 | |
CN104967690B (zh) | 一种信息推送方法及装置 | |
CN108595492A (zh) | 内容的推送方法和装置、存储介质、电子装置 | |
Link | Is car drivers’ response to congestion charging schemes based on the correct perception of price signals? | |
CN110474944A (zh) | 网络信息的处理方法、装置及存储介质 | |
CN110248249A (zh) | 一种视频推荐方法、视频推荐设备及服务器 | |
US8521573B2 (en) | System and method for supporting selection of subject for restriction countermeasure | |
CN102572543A (zh) | 一种数字电视节目推荐系统及方法 | |
US20090164334A1 (en) | System and method for recommending personalized gift |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |