CN103186595A - 音视频推荐方法及系统 - Google Patents
音视频推荐方法及系统 Download PDFInfo
- Publication number
- CN103186595A CN103186595A CN 201110454453 CN201110454453A CN103186595A CN 103186595 A CN103186595 A CN 103186595A CN 201110454453 CN201110454453 CN 201110454453 CN 201110454453 A CN201110454453 A CN 201110454453A CN 103186595 A CN103186595 A CN 103186595A
- Authority
- CN
- China
- Prior art keywords
- video
- audio frequency
- user
- concern
- relevant
- 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.)
- Pending
Links
Images
Landscapes
- Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
Abstract
本发明涉及一种音视频推荐方法及系统，所述方法包括：获取待推荐用户关注的音视频及该音视频的关注种类；分别获取每个关注种类下待推荐用户关注的音视频的相关音视频及该相关音视频的相关性权重；将同一关注种类下属于同一相关音视频的所有相关性权重进行累加得到第一累加权重；将同一关注种类下属于同一用户提供的所有相关音视频的第一累加权重进累加得到该用户的第二累加权重；将不同关注种类下属于同一提供所述相关音视频的用户的第二累加权重进行加权累加得到该用户的第三累加权重，从而实现了针对每个待推荐用户不同的关注历史行为，有效的寻找到每个待推荐用户的兴趣点所在，并把待推荐用户所感兴趣的音视频提供者推荐出来。
Description
技术领域
本发明涉及一种音视频推荐方法及系统。
背景技术
互联网技术的迅速发展使得大量的信息同时呈现在用户面前，传统的搜索只能呈现给所有的用户一样的排序结果，无法针对不同用户的兴趣爱好提供相应的服务，因此，个性化推荐，被认为是当前解决这个问题最有效的工具之一。
推荐问题从根本上说是代替用户评估它从未看过的产品，个性化推荐系统通过建立用户与信息产品之间的二元关系，利用已有的选择过程或相似性关系挖掘每个用户潜在感兴趣的对象或用户潜在的行为倾向，进而为众多的用户提供个性化推荐服务。
发明内容
本发明的目的在于提供一种音视频推荐方法及系统，该方法及系统能够基于每个待推荐用户的关注历史行为，向待推荐用户推荐其可能会感兴趣的音视频提供者，从而实现个性化用户推荐。
为解决上述问题，本发明提供一种音视频推荐方法，包括：
从所述数据库中获取待推荐用户关注的音视频及该音视频的关注种类；
从所述数据库中分别获取每个关注种类下待推荐用户关注的音视频的相关音视频及该相关音视频的相关性权重；
将同一关注种类下属于同一相关音视频的所有相关性权重进行累加得到该相关音视频的第一累加权重；
将同一关注种类下属于同一用户提供的所有相关音视频的第一累加权重进行累加得到该用户的第二累加权重。
进一步的，在上述方法中，从所述数据库中获取待推荐用户关注的音视频及该音视频的关注种类的步骤之前，还包括：
定期将待推荐用户关注的音视频及该音视频的关注种类记录入一数据库；
设置每个所述关注种类下每个待推荐用户关注的音视频的相关音视频及该相关音视频的相关性权重并存入所述数据库。
进一步的，在上述方法中，所述待推荐用户为音视频网站上的活跃用户。
进一步的，在上述方法中，所述数据库为MongoDB数据库。
进一步的，在上述方法中，根据每个所述关注种类下每个待推荐用户关注的音视频的标题和标签设置该音视频的相关音视频。
进一步的，在上述方法中，还包括将同一关注种类下提供所述相关音视频的所有用户按第二累加权重进行排序。
进一步的，在上述方法中，所述音视频的关注种类包括收藏视频类、顶视频类或浏览视频类中的一种或任意组合。
进一步的，在上述方法中，还包括将不同关注种类下属于同一提供所述相关音视频的用户的第二累加权重进行加权累加得到该用户的第三累加权重。
进一步的，在上述方法中，将收藏视频类的第二累加权重按0.4～0.6的权值进行累加，将顶视频类的第二累加权重类按0.2～0.4的权值进行累加，将浏览视频类的第二累加权重按0.1～0.3的权值进行累加。
进一步的，在上述方法中，还包括将所有关注种类下的提供所述相关音视频的所有用户按第三累加权重进行排序。
根据本发明的另一面，提供一种音视频推荐系统，包括：
历史行为记录模块，用于定期记录待推荐用户关注的音视频及该音视频的关注种类入一数据库模块；
相关音视频记录模块，用于设置每个所述关注种类下每个待推荐用户关注的音视频的相关音视频及该相关音视频的相关性权重并存入所述数据库模块；
数据库模块，用于存储所述历史行为记录模块记录的所述音视频及音视频的关注种类，并存储所述相关音视频记录模块设置的所述相关音视频及其相关性权重。
进一步的，在上述系统中，所述历史行为记录模块用于定期记录音视频网站上的活跃用户关注的音视频及该音视频的关注种类入所述数据库模块。
进一步的，在上述系统中，所述相关音视频记录模块根据每个所述关注种类下每个待推荐用户关注的音视频的标题和标签设置该音视频的相关音视频。
进一步的，在上述系统中，历史行为获取模块，用于获取从所述数据库中获取音视频网站上待推荐用户关注的音视频及该音视频的关注种类；
相关音视频获取模块，用于从所述数据库中分别获取每个所述关注种类下待推荐用户关注的音视频的相关音视频及该相关音视频的相关性权重；
第一累加模块，用于将同一关注种类下属于同一相关音视频的所有相关性权重进行累加得到该相关音视频的第一累加权重；
第二累加模块，用于将同一关注种类下属于同一用户提供的所有相关音视频的第一累加权重进累加得到该用户的第二累加权重。
进一步的，在上述系统中，还包括第一排序模块，用于将同一关注种类下提供所述相关音视频的所有用户按第二累加权重进行排序。
进一步的，在上述系统中，所述历史行为记录模块记录的音视频的关注种类包括收藏视频类、顶视频类或浏览视频类中的一种或任意组合。
进一步的，在上述系统中，还包括一第三累加模块，用于将不同关注种类下属于同一提供所述相关音视频的用户的第二累加权重进行加权累加得到该用户的第三累加权重。
进一步的，在上述系统中，所述第三累加模块将收藏视频类的第二累加权重按0.4～0.6的权值进行累加，将顶视频类的第二累加权重类按0.2～0.4的权值进行累加，将浏览视频类的第二累加权重按0.1～0.3的权值进行累加。
进一步的，在上述系统中，第二排序模块，用于将所有关注种类下的提供所述相关音视频的所有用户按第三累加权重进行排序。
与现有技术相比，本发明通过从所述数据库中获取待推荐用户关注的音视频及该音视频的关注种类，并从所述数据库中分别获取每个所述关注种类下待推荐用户关注的音视频的相关音视频及该相关音视频的相关性权重，再将同一关注种类下属于同一相关音视频的所有相关性权重进行累加得到该相关音视频的第一累加权重，进一步将同一关注种类下属于同一用户提供的所有相关音视频的第一累加权重进累加得到该用户的第二累加权重，最后将不同关注种类下属于同一提供所述相关音视频的用户的第二累加权重进行加权累加得到该用户的第三累加权重，从而实现了针对每个待推荐用户不同的关注历史行为，有效的寻找到每个待推荐用户的兴趣点所在，并把待推荐用户所感兴趣的音视频提供者推荐出来，这样有效的增加了视频社区的互动性和交流性。
另外，推荐结果会根据待推荐用户每天不同的个人行为发生变化，即用户的喜好一旦发生变化推荐结果也会跟着变化，给用户带来良好的用户体验。
附图说明
图1是本发明一实施例的音视频推荐方法的流程图；
图2是本发明一实施例的音视频推荐方法的结构图；
图3是本发明一实施例的最终推荐结果列表；
图4为本发明一实施例的音视频推荐系统的模块示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1是本发明一实施例的音视频推荐方法的流程图。如图1所示，本发明提供一种音视频推荐方法，包括：
步骤S11，定期记录待推荐用户关注的音视频及该音视频的关注种类入一数据库，具体的，所述待推荐用户可为音视频网站上的活跃用户，所述数据库例如为MongoDB数据库，所述音视频的关注种类包括收藏视频类、顶视频类或浏览视频类中的一种或任意组合；
步骤S12，设置每个所述关注种类下每个待推荐用户关注的音视频的相关音视频及该相关音视频的相关性权重并存入所述数据库，具体的，可根据每个所述关注种类下每个待推荐用户关注的音视频的标题和标签设置该音视频的相关音视频；
步骤S13，从所述数据库中获取待推荐用户关注的音视频及该音视频的关注种类；
步骤S14，从所述数据库中分别获取每个所述关注种类下待推荐用户关注的音视频的相关音视频及所述相关音视频的相关性权重；
步骤S15，将同一关注种类下属于同一相关音视频的所有相关性权重进行累加得到该相关音视频的第一累加权重；
步骤S16，将同一关注种类下属于同一用户提供的所有相关音视频的第一累加权重进累加得到该用户的第二累加权重，具体的，所述用户为提供相关音视频的播客；
步骤S17，将不同关注种类下属于同一提供所述相关音视频的用户的第二累加权重进行加权累加得到该用户的第三累加权重，具体的，将收藏视频类的第二累加权重按0.4～0.6的权值进行累加，将顶视频类的第二累加权重类按0.2～0.4的权值进行累加，将浏览视频类的第二累加权重按0.1～0.3的权值进行累加，更具体的，可将收藏视频类的第二累加权重按0.5的权值进行累加，将顶视频类的第二累加权重类按0.3的权值进行累加，将浏览视频类的第二累加权重按0.2的权值进行累加；
步骤S18，将所有关注种类下提供所述相关音视频的所有用户按第三累加权重进行排序；
步骤S16，将同一关注种类下提供所述相关音视频的所有用户按第二累加权重进行排序。
具体请参考图2和图3，图2是本发明一实施例的音视频推荐方法的结构图，图3是本发明一实施例的最终推荐结果列表。
如图1、图2和图3所示，音视频推荐方法的具体流程结构如下：
首先执行步骤S13，对应图2中的LoadUserHistory 21进行历史行为加载，具体的，分别获取当前待推荐用户的相关历史数据，具体来说，可以先获取待推荐户ID列表，遍历每一个待推荐用户ID，然后分别在系统的MongoDB数据库中，查询每一个待推荐用户的收藏视频记录得到收藏视频列表CollectedViedoHistory 211，查询每一个待推荐用户的顶视频记录得到顶视频列表DingVideoHistory 212，查询每一个待推荐用户的浏览视频记录得到浏览视频列表WatchedVideoHistory 213；
接下来执行步骤S14和步骤S15，对应图2中的GetRelVideo 22进行相关视频转换，具体的，通过对每个视频标题和标签的匹配，找到每个视频对应的相关视频列表及对应的相关性权重rel_weight，可通过遍历收藏视频列表CollectedViedoHistory 211里面的每一个视频分别得到相关视频子列表relVideoList01，relVideoList02，relVideoList03等等，合并这些相关视频列表，对于具有相同相关视频ID的视频累加相关性权重rel_weight，最终得到收藏视频列表CollectedViedoHistory 211的收藏相关视频列表Rel_CollectedViedoHistory221包括每个相关视频的ID和相关性权重rel_weight，类似Rel_CollectedViedoHistory 221的做法，可将顶视频列表DingVideoHistory 212转换为顶相关视频列表Rel_DingVideoHistory 222，将浏览视频列表WatchedVideoHistory 213转换为浏览相关视频列表Rel_WatchedVideoHistory223，收藏相关视频列表Rel_CollectedViedoHistory 221、顶相关视频列表Rel_DingVideoHistory 222及浏览相关视频列表Rel_WatchedVideoHistory 223中的的每一项都保存有2条信息，包括相关视频的ID和相关性权重rel_weight，另外可分别将Rel_CollectedViedoHistory 221、Rel_DingVideoHistory 222、及Rel_WatchedVideoHistory 223的相关视频按照相关性的程度rel_weight进行排序；
然后再执行步骤S16，对应图2中的StatUser 23进行用户统计，具体的，遍历Rel_CollectedViedoHistory 221列表中的每一个相关视频，在后台MongoDB数据库中查询这些相关音视频的提供者或上传者(如播客)，对于多个相关视频属于同一个提供者则累加rel_weight，因为相关视频是由待推荐用户的历史行为所产生，而多个相关视频属于同一个提供者累加rel_weight后，则这个提供者与待推荐用户相关性更大，因此得到收藏提供者列表statCollectedMap 231，statCollectedMap可使用数据结构Map存储，其中，Key是上传者用户ID，Value即为累加之后的rel_weight，类似于statCollectedMap 231的做法，可以得到顶提供者列表statDingMap 232、浏览提供者列表statWatchedMap 233；
然后执行步骤S17，对应图2中的Merge 24，对statCollectedMap 231，statDingMap 232，statWatchedMap 234进行Merge，具体可分别对statCollectedMap 231，statDingMap 232，statWatchedMap 232赋予不同的权重，例如当数据结构Map的Key相同时，对他们Value进行加权累加，分别赋予权重0.5，0.3，0.2，即如果statCollectedMap 231，statDingMap 232，statWatchedMap233中的Key都含有用户A，而Value分别3.0，4.0，5.0时，则得到statMergeMap241中的Key是用户A的Value的加权归并计算结果为3.0*0.5+4.0*0.3+5.0*0.2＝3.7，statMergeMap 241的每一项包括用户ID和加权后的相关性权重rel_weight，一般认为待推荐用户的历史行为中，收藏视频列表最能代表待推荐用户的口味，因此对待推荐用户的推荐效果影响也是最大，其次是顶过的视频列表，最后是浏览过的视频列表；
最后执行步骤S18，对应图2中的Sorting 25，对statMergeMap 241按加权后的相关性权重rel_weight进行排序，最终得到推荐结果recUserList 251，最终推荐结果具体如图3所示。
更具体的，如图1和图2所示，假设当前用户ID为user007，
执行步骤S13，对应图2中的LoadUserHistory 21进行待推荐用户的历史行为加载，分别得到用户的收藏视频列表CollectedViedoHistory(211)＝[video1，video5]，顶视频列表DingVideoHistory(212)＝[video2，video6]，浏览视频列表WatchedVideoHistory(213)＝[video3，video4，video7]；
接下来执行步骤S14和步骤S15，对应图2中的GetRelVideo 22进行相关视频转换，得到收藏视频列表CollectedViedoHistory 211的收藏相关视频列表Rel_CollectedViedoHistory(221)＝[(video3，relationalWeight3)，(video9，relationalWeight9)]，顶视频列表DingVideoHistory 212的顶相关视频列表Rel_DingVideoHistory(222)＝[(video5，relationalWeight5)，(video8，relationalWeight8)]，浏览视频列表WatchedVideoHistory213的浏览相关视频列表Rel_WatchedVideoHistory(223)＝[(video10，relationalWeight10)，(video11，relationalWeight11)，(video12，relationalWeight12)]；
然后再执行步骤S16，对应图2中的StatUser 23进行用户统计，分别统计Rel_CollectedViedoHistory 221，Rel_DingVideoHistory 222，Rel_WatchedVideoHistory 223这些视频属于哪些用户并累加rel_weight，得到用户列表statCollectedMap(231)＝{(user001，weight001)，(user002，weight002)}，statDingMap(232)＝{(user003，weight003)，(user001，weight004)}，statWatchedMap(233)＝{(user003，weight005)，(user004，weight006)}。
最后执行步骤S17和步骤S18，对应图2中的Merge 24&Sorting 25，分别对statCollectedMap 231，statDingMap 232，statWatchedMap 233赋予不同的权重，然后加权计算和归并后得到statMergeMap241，对statMergeMap 241进行排序，最终得到推荐结果recUserList 251，这里当数据结构Map的Key相同时，对他们Value进行加权累加，分别赋予权重0.5，0.3，0.2，即user001的权重为weight001*0.5+weight004*0.3，user002的权重是weight002*0.5，user003的权重是weight003*0.3+weight005*0.2，user004的权重是weight006*0.2，然后对user001，user002，user003，user004基于他们的权重大小进行排序，最终得到当前用户user007的推荐结果列表recUserList(251)＝[user004，user003，user002，user001]。(这里我们假设user004的权重大于user003依次类推)。
本发明可以针对WEB2.0视频社区的新特点，通过待推荐用户历史行为记录(浏览视频历史记录，顶踩视频历史记录，收藏历史记录)进行的个性化推荐，如推荐给待推荐用户可能会感兴趣的其他用户个人播客空间，本发明与传统社交网站寻找共同好友的用户推荐相比，更符合一个待推荐用户来视频网站的初衷——那就是找到更多更好更符合自己喜好的视频，同时通过推荐还可以增进待推荐用户与音视频提供者之间的互动性，更有利于视频SNS社区的发展。
另外，推荐结果会根据待推荐用户每天不同的个人行为发生变化，即用户的喜好一旦发生变化推荐结果也会跟着变化，给用户带来良好的用户体验。
图4为本发明一实施例的音视频推荐系统的模块示意图。
如图4所示，本发明还提供一种音视频推荐系统，包括历史行为记录模块1、相关音视频记录模块2、数据库模块3、历史行为获取模块4、相关音视频获取模块5、第一累加模块6、第二累加模块7、第一排序模块8、第三累加模块9及第二排序模块10。
历史行为记录模块1用于定期记录待推荐用户关注的音视频及该音视频的关注种类入一数据库模块。具体地，所述历史行为记录模块1可定期记录音视频网站上的活跃用户关注的音视频及该音视频的关注种类入所述数据库模块，所述历史行为记录模块1记录的音视频的关注种类包括收藏视频类、顶视频类或浏览视频类中的一种或任意组合。
相关音视频记录模块2用于设置每个所述关注种类下每个待推荐用户关注的音视频的相关音视频及所述相关音视频的相关性权重并存入所述数据库模块。其中，所述相关音视频记录模块2可根据每个所述关注种类下每个待推荐用户关注的音视频的标题和标签设置该音视频的相关音视频。
数据库模块3用于存储所述历史行为记录模块1记录的所述音视频及音视频的关注种类，并存储所述相关音视频记录模块2设置的所述相关音视频及相关性权重。
历史行为获取模块4用于获取从所述数据库中获取音视频网站上待推荐用户关注的音视频及该音视频的关注种类。
相关音视频获取模块5用于从所述数据库中分别获取每个所述关注种类下每个待推荐用户关注的音视频的相关音视频及所述相关音视频的相关性权重。
第一累加模块6用于将同一关注种类下属于同一相关音视频的所有相关性权重进行累加得到该相关音视频的第一累加权重。
第二累加模块7用于将同一关注种类下属于同一用户提供的所有相关音视频的第一累加权重进累加得到该用户的第二累加权重，具体的，第二累加模块7可在在后台MongoDB数据库模块3中查询这些相关音视频的提供者或上传者(如播客)，对于多个相关视频属于同一个提供者则累加相关性权重rel_weight，因为相关视频是由待推荐用户的历史行为所产生，而多个相关视频属于同一个提供者累加rel_weight后第二累加权重越大，则这个提供者与待推荐用户相关性更大。
第一排序模块8用于将同一关注种类下提供所述相关音视频的所有用户按第二累加权重进行排序。
第三累加模块9用于将不同关注种类下属于同一提供所述相关音视频的用户的第二累加权重进行加权累加得到该用户的第三累加权重，所述第三累加模块将收藏视频类的第二累加权重按0.4～0.6的权值进行累加，将顶视频类的第二累加权重类按0.2～0.4的权值进行累加，将浏览视频类的第二累加权重按0.1～0.3的权值进行累加，例如，所述第三累加模块9将收藏视频类的第二累加权重按0.5的权值进行累加，将顶视频类的第二累加权重类按0.3的权值进行累加，将浏览视频类的第二累加权重按0.2的权值进行累加，一般认为待推荐用户的历史行为中，收藏视频类最能代表待推荐用户的口味，因此对待推荐用户的推荐效果影响也是最大，其次是顶视频类，最后是浏览视频类。
第二排序模块10用于将所有关注种类下的提供所述相关音视频的所有用户按第三累加权重进行排序。
综上所述，本发明通过从所述数据库中获取待推荐用户关注的音视频及该音视频的关注种类，并从所述数据库中分别获取每个所述关注种类下待推荐用户关注的音视频的相关音视频及该相关音视频的相关性权重，再将同一关注种类下属于同一相关音视频的所有相关性权重进行累加得到该相关音视频的第一累加权重，进一步将同一关注种类下属于同一用户提供的所有相关音视频的第一累加权重进累加得到该用户的第二累加权重，最后将不同关注种类下属于同一提供所述相关音视频的用户的第二累加权重进行加权累加得到该用户的第三累加权重，从而实现了针对每个待推荐用户不同的关注历史行为，有效的寻找到每个待推荐用户的兴趣点所在，并把待推荐用户所感兴趣的音视频提供者推荐出来，这样有效的增加了视频社区的互动性和交流性。
另外，推荐结果会根据待推荐用户每天不同的个人行为发生变化，即用户的喜好一旦发生变化推荐结果也会跟着变化，给用户带来良好的用户体验。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
显然，本领域的技术人员可以对发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包括这些改动和变型在内。
Claims (19)
1.一种音视频推荐方法，其特征在于，还包括：
从所述数据库中获取待推荐用户关注的音视频及该音视频的关注种类；
从所述数据库中分别获取每个关注种类下待推荐用户关注的音视频的相关音视频及该相关音视频的相关性权重；
将同一关注种类下属于同一相关音视频的所有相关性权重进行累加得到该相关音视频的第一累加权重；
将同一关注种类下属于同一用户提供的所有相关音视频的第一累加权重进行累加得到该用户的第二累加权重。
2.如权利要求1所述的音视频推荐方法，其特征在于，从所述数据库中获取待推荐用户关注的音视频及该音视频的关注种类的步骤之前，还包括：
定期将待推荐用户关注的音视频及该音视频的关注种类记录入一数据库；
设置每个关注种类下每个待推荐用户关注的音视频的相关音视频及该相关音视频的相关性权重并存入所述数据库。
3.如权利要求1或2所述的音视频推荐方法，其特征在于，所述待推荐用户为音视频网站上的活跃用户。
4.如权利要求1或2所述的音视频推荐方法，其特征在于，所述数据库为MongoDB数据库。
5.如权利要求1所述的音视频推荐方法，其特征在于，根据每个关注种类下每个待推荐用户关注的音视频的标题和标签获取该音视频的相关音视频。
6.如权利要求5所述的音视频推荐方法，其特征在于，还包括将同一关注种类下提供所述相关音视频的所有用户按第二累加权重进行排序。
7.如权利要求5所述的音视频推荐方法，其特征在于，所述音视频的关注种类包括收藏视频类、顶视频类或浏览视频类中的一种或任意组合。
8.如权利要求7所述的音视频推荐方法，其特征在于，还包括将不同关注种类下属于同一提供所述相关音视频的用户的第二累加权重进行加权累加得到该用户的第三累加权重。
9.如权利要求8所述的音视频推荐方法，其特征在于，将收藏视频类的第二累加权重按0.4～0.6的权值进行累加，将顶视频类的第二累加权重类按0.2～0.4的权值进行累加，将浏览视频类的第二累加权重按0.1～0.3的权值进行累加。
10.如权利要求8所述的音视频推荐方法，其特征在于，还包括将所有关注种类下的提供所述相关音视频的所有用户按第三累加权重进行排序。
11.一种音视频推荐系统，其特征在于，包括：
历史行为记录模块，用于定期记录待推荐用户关注的音视频及该音视频的关注种类入一数据库模块；
相关音视频记录模块，用于设置每个所述关注种类下每个待推荐用户关注的音视频的相关音视频及该相关音视频的相关性权重并存入所述数据库模块；
数据库模块，用于存储所述历史行为记录模块记录的所述音视频及音视频的关注种类，并存储所述相关音视频记录模块设置的所述相关音视频及其相关性权重。
12.如权利要求11所述的音视频推荐系统，其特征在于，所述历史行为记录模块用于定期记录音视频网站上的活跃用户关注的音视频及该音视频的关注种类入所述数据库模块。
13.如权利要求12所述的音视频推荐系统，其特征在于，所述相关音视频记录模块根据每个所述关注种类下每个待推荐用户关注的音视频的标题和标签设置该音视频的相关音视频。
14.如权利要求11所述的音视频推荐系统，其特征在于，还包括：
历史行为获取模块，用于获取从所述数据库中获取音视频网站上待推荐用户关注的音视频及该音视频的关注种类；
相关音视频获取模块，用于从所述数据库中分别获取每个所述关注种类下待推荐用户关注的音视频的相关音视频及该相关音视频的相关性权重；
第一累加模块，用于将同一关注种类下属于同一相关音视频的所有相关性权重进行累加得到该相关音视频的第一累加权重；
第二累加模块，用于将同一关注种类下属于同一用户提供的所有相关音视频的第一累加权重进累加得到该用户的第二累加权重。
15.如权利要求14所述的音视频推荐系统，其特征在于，还包括第一排序模块，用于将同一关注种类下提供所述相关音视频的所有用户按第二累加权重进行排序。
16.如权利要求11至15任一项所述的音视频推荐系统，其特征在于，所述历史行为记录模块记录的音视频的关注种类包括收藏视频类、顶视频类或浏览视频类中的一种或任意组合。
17.如权利要求16所述的音视频推荐系统，其特征在于，还包括一第三累加模块，用于将不同关注种类下属于同一提供所述相关音视频的用户的第二累加权重进行加权累加得到该用户的第三累加权重。
18.如权利要求16所述的音视频推荐系统，其特征在于，所述第三累加模块将收藏视频类的第二累加权重按0.4～0.6的权值进行累加，将顶视频类的第二累加权重类按0.2～0.4的权值进行累加，将浏览视频类的第二累加权重按0.1～0.3的权值进行累加。
19.如权利要求16所述的音视频推荐系统，其特征在于，第二排序模块，用于将所有关注种类下的提供所述相关音视频的所有用户按第三累加权重进行排序。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN 201110454453 CN103186595A (zh) | 2011-12-29 | 2011-12-29 | 音视频推荐方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN 201110454453 CN103186595A (zh) | 2011-12-29 | 2011-12-29 | 音视频推荐方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN103186595A true CN103186595A (zh) | 2013-07-03 |
Family
ID=48677764
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN 201110454453 Pending CN103186595A (zh) | 2011-12-29 | 2011-12-29 | 音视频推荐方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103186595A (zh) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104506895A (zh) * | 2014-12-22 | 2015-04-08 | 合一网络技术(北京)有限公司 | 视频归类方法 |
| CN105512331A (zh) * | 2015-12-28 | 2016-04-20 | 海信集团有限公司 | 一种视频推荐方法及装置 |
| CN105512242A (zh) * | 2015-11-30 | 2016-04-20 | 浙江工业大学 | 一种基于社会网络结构的并行推荐方法 |
| CN105760443A (zh) * | 2016-02-03 | 2016-07-13 | 广州市动景计算机科技有限公司 | 项目推荐系统、项目推荐装置以及项目推荐方法 |
| CN105828203A (zh) * | 2016-04-29 | 2016-08-03 | 乐视控股（北京）有限公司 | 推送多媒体文件的方法及装置 |
| CN106339447A (zh) * | 2016-08-23 | 2017-01-18 | 达而观信息科技（上海）有限公司 | 一种自动预测热点视频的系统及方法 |
| CN106656768A (zh) * | 2017-02-09 | 2017-05-10 | 腾讯科技（深圳）有限公司 | 一种资源推荐方法及装置 |
| CN106686414A (zh) * | 2016-12-30 | 2017-05-17 | 合网络技术（北京）有限公司 | 视频推荐方法及装置 |
| CN107395377A (zh) * | 2017-08-31 | 2017-11-24 | 江西博瑞彤芸科技有限公司 | 一种广播列表推送方法 |
| CN109189988A (zh) * | 2018-09-18 | 2019-01-11 | 北京邮电大学 | 一种视频推荐方法 |
| CN111506740A (zh) * | 2020-04-14 | 2020-08-07 | 天津洪恩完美未来教育科技有限公司 | 词单的添加方法及装置、存储介质、电子装置 |
| CN111698564A (zh) * | 2020-07-27 | 2020-09-22 | 腾讯科技（深圳）有限公司 | 信息推荐方法、装置、设备及存储介质 |
-
2011
- 2011-12-29 CN CN 201110454453 patent/CN103186595A/zh active Pending
Cited By (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104506895B (zh) * | 2014-12-22 | 2017-12-01 | 合一网络技术(北京)有限公司 | 视频归类方法 |
| CN104506895A (zh) * | 2014-12-22 | 2015-04-08 | 合一网络技术(北京)有限公司 | 视频归类方法 |
| CN105512242A (zh) * | 2015-11-30 | 2016-04-20 | 浙江工业大学 | 一种基于社会网络结构的并行推荐方法 |
| CN105512242B (zh) * | 2015-11-30 | 2018-09-21 | 浙江工业大学 | 一种基于社会网络结构的并行推荐方法 |
| CN105512331A (zh) * | 2015-12-28 | 2016-04-20 | 海信集团有限公司 | 一种视频推荐方法及装置 |
| CN105512331B (zh) * | 2015-12-28 | 2019-03-26 | 海信集团有限公司 | 一种视频推荐方法及装置 |
| CN105760443A (zh) * | 2016-02-03 | 2016-07-13 | 广州市动景计算机科技有限公司 | 项目推荐系统、项目推荐装置以及项目推荐方法 |
| US10838985B2 (en) | 2016-02-03 | 2020-11-17 | Guangzhou Ucweb Computer Technology Co., Ltd. | Item recommendation method, device, and system |
| CN105828203A (zh) * | 2016-04-29 | 2016-08-03 | 乐视控股（北京）有限公司 | 推送多媒体文件的方法及装置 |
| CN106339447A (zh) * | 2016-08-23 | 2017-01-18 | 达而观信息科技（上海）有限公司 | 一种自动预测热点视频的系统及方法 |
| CN106686414A (zh) * | 2016-12-30 | 2017-05-17 | 合网络技术（北京）有限公司 | 视频推荐方法及装置 |
| CN106686414B (zh) * | 2016-12-30 | 2019-07-23 | 合一网络技术(北京)有限公司 | 视频推荐方法及装置 |
| CN106656768B (zh) * | 2017-02-09 | 2020-06-23 | 腾讯科技（深圳）有限公司 | 一种资源推荐方法及装置 |
| CN106656768A (zh) * | 2017-02-09 | 2017-05-10 | 腾讯科技（深圳）有限公司 | 一种资源推荐方法及装置 |
| CN107395377A (zh) * | 2017-08-31 | 2017-11-24 | 江西博瑞彤芸科技有限公司 | 一种广播列表推送方法 |
| CN109189988A (zh) * | 2018-09-18 | 2019-01-11 | 北京邮电大学 | 一种视频推荐方法 |
| CN109189988B (zh) * | 2018-09-18 | 2021-06-22 | 北京邮电大学 | 一种视频推荐方法 |
| CN111506740A (zh) * | 2020-04-14 | 2020-08-07 | 天津洪恩完美未来教育科技有限公司 | 词单的添加方法及装置、存储介质、电子装置 |
| CN111698564A (zh) * | 2020-07-27 | 2020-09-22 | 腾讯科技（深圳）有限公司 | 信息推荐方法、装置、设备及存储介质 |
| CN111698564B (zh) * | 2020-07-27 | 2021-12-21 | 腾讯科技（深圳）有限公司 | 信息推荐方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103186595A (zh) | 音视频推荐方法及系统 | |
| US9848240B2 (en) | Assessing digital content across a communications network | |
| CN101431485B (zh) | 一种自动推荐互联网上信息的方法及系统 | |
| US8682740B2 (en) | Systems and methods using a manufacturer line, series, model hierarchy | |
| CN102541862B (zh) | 跨网站的信息显示方法及系统 | |
| US20170364834A1 (en) | Real-time monitoring of public sentiment | |
| US8332775B2 (en) | Adaptive user feedback window | |
| US8412796B2 (en) | Real time information feed processing | |
| CN101840410B (zh) | 学习装置和方法、信息处理装置和方法以及程序 | |
| US8504411B1 (en) | Systems and methods for online user profiling and segmentation | |
| CN108874812B (zh) | 一种数据处理方法及服务器、计算机存储介质 | |
| CN101681372A (zh) | 将相关信息提供给本地网中的装置的用户的方法和系统 | |
| US20110258032A1 (en) | Search advertisement selection based on user actions | |
| CN104572863A (zh) | 一种产品推荐方法及系统 | |
| CN101324948A (zh) | 一种信息推荐的方法及装置 | |
| CN101685521A (zh) | 在网页中展现广告的方法及系统 | |
| Ahmad et al. | HarVis: An integrated social media content analysis framework for YouTube platform | |
| CN101375306A (zh) | 用于提供用户定制事件的系统和方法 | |
| CN104252679A (zh) | 一种品牌广告评估体系的构建方法及系统 | |
| CN103607496A (zh) | 一种推断手机用户兴趣爱好的方法、装置及手机终端 | |
| CN111815375B (zh) | 广告投放中的用户画像方法及装置 | |
| US20160012454A1 (en) | Database systems for measuring impact on the internet | |
| CN103365904A (zh) | 一种广告信息搜索方法和系统 | |
| CN110637317A (zh) | 用于在数字通信网络上跨多个设备建立数字接触点的分布式节点群集 | |
| CN104778237A (zh) | 一种基于关键用户的个性化推荐方法和系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C05 | Deemed withdrawal (patent law before 1993) | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20130703 |