CN103260060B - 一种基于社团发现的数字电视节目推荐方法 - Google Patents

Abstract

本发明公开了一种基于社团发现的数字电视节目推荐方法，包括：步骤202，节目推荐系统根据电视用户的登录信息获取与用户相关的多层社会网络数据；步骤204，节目推荐系统利用社团发现方法对多层社会网络进行社团划分；步骤206，节目推荐系统根据步骤204得到的社团划分情况，以社团为单位向各个社团成员的数字电视接收端发送相应的节目推荐信息。本发明所提出的节目推荐方法利用社会网络结构中蕴藏的信息，以社团为单位进行电视节目内容的推荐，可以提高推荐结果的全面性和准确性。

Description

一种基于社团发现的数字电视节目推荐方法

技术领域

本发明涉及数字电视节目推荐方法，更具体地，涉及一种基于社团发现的数字电视节目推荐方法。

背景技术

在电视节目日益丰富多彩的今天，如何在众多的电视节目中挑选感兴趣的内容已经成为一个困扰广大电视用户的问题。电子节目指南虽然采用基于频道或类别(例如体育、财经、电影等)等方式显示节目清单，但难以解决全部问题。

现有技术中已经存在电视节目的自动推荐方法。然而，现有电视节目推荐方案大多只针对单个用户的收视行为习惯进行定向推荐，而忽略了用户与用户之间可能存在的联系，比如同一个社会团体内部的用户由于互动频繁常常具有相同的关注对象和话题，从而产生共同的兴趣爱好。这样一来，现有技术的推荐结果无法在更大范围内反映用户可能的收视喜好，因此其推荐结果不够全面和准确。

因此，需要一种电视节目推荐方案，能够克服现有技术存在的缺陷。

发明内容

为了克服现有技术的不足，本发明提供一种基于社团发现的数字电视节目推荐方法，在利用社会网络结构中蕴藏的信息解析出模块化的社团结构的基础上，以社团为单位进行电视节目内容的推荐，旨在提高推荐结果的全面性和准确性。

本发明解决其技术问题所采用的技术方案是：

附图说明

图1是依据本发明一较佳实施例数字电视网络的结构示意图；

图2是依据本发明一较佳实施例的数字电视节目推荐方法的流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

图1是依据本发明一较佳实施例数字电视网络100的结构示意图。如图1所示，数字电视网络100包括广播运营商130和节目推荐服务器120、多个数字电视终端104、106和108，以及宽带城域网110，其中，多个数字电视终端104、106和108通过宽带城域网110与广播运营商130和节目推荐服务器120通信连接。在其它较佳实施例中，节目推荐服务器120可以与广播运营商130合并。应当理解，节目推荐服务器120在数字电视网络中的具体位置可以根据具体情况进行布置，本发明对此不作限制。

数字电视终端104和106通过机顶盒(未示出)连接到宽带城域网110。机顶盒既可用于通过宽带城域网110接收电视节目，又可将用户的登录信息通过宽带城域网110发送给节目推荐服务器120。不同于数字电视终端104和106，数字电视终端108无需通过机顶盒即可连接到宽带城域网110，并接收电视节目，以及向节目推荐服务器120发送用户登录信息。

节目推荐服务器120接收电视用户的登录信息。该登录信息可以是与用户个人身份关联的信息，包括各种社交平台和即时通讯工具的账号、密码，例如微博账号、QQ号码等。为了将用户的登录账号关联至数字电视接收端，在一个实施例中，可以在用户首次登录时，将登录信息和数字电视接收端标识信息，例如机顶盒ID或者电视终端ID，一并上传至节目推荐服务器120，由广播运营商130从节目推荐服务器120获取用户登录账号与数字电视接收端标识信息之间的对应关系。在另一实施例中，还可以当用户与广播运营商签订电视节目内容服务协议时，由用户直接向广播运营商130提供其登录账号与数字电视接收端标识信息之间的对应关系。

根据用户登录信息的类型，节目推荐服务器120通过宽带城域网110从相应的社交平台或即时通讯工具运营方(未示出)获取与用户相关的多层社会网络数据。社会网络描述了个体之间的交往与活动的状态，正常情况下，社会网络中个体间是多边关系，即多层社会网络，它是一种个体之间有多种不同层次关系的社会网络。节目推荐服务器120还用于对获取的多层社会网络数据，根据社团发现方法进行社团划分。有关社团的划分方法将在下文进行详细描述。

节目推荐服务器120将社团划分情况传送给广播运营商130，广播运营商130根据与用户登录账号相关联的数字电视接收端标识信息，以社团为单位向各个社团成员的数字电视接收端发送与该社团相应的节目推荐信息。

图2是依据本发明一较佳实施例的数字电视节目推荐方法的流程图。该方法包括以下步骤：

步骤202，节目推荐系统根据电视用户的登录信息获取与用户相关的多层社会网络数据。该登录信息可以是与用户个人身份关联的信息，包括各种社交平台和即时通讯工具的账号，例如微博账号、QQ号码等。以微博为例，作为一种典型的“自媒体”，微博用户可以发布新闻或者其他多媒体内容，其他用户可以对微博内容进行评论或者转发，无形中表达了该用户的兴趣、喜好等。微博账号之间的这种互动关系是一种典型的多层社会网络。

步骤204，节目推荐系统利用社团发现方法对多层社会网络进行社团划分。

以下对本发明采用的多层社会网络的社团发现方法进行详细说明。

多层社会网络

定义1：在多层社会网络(multi-layeredsocialnetwork)中，定义一个3元组<V，E，L>：其中V是一个非空节点集；E是一个三元组<x，y，l>，其中x，y∈V，l∈L，x≠y，对于任何两个元组<x，y，l>∈E，<x′，y′，l′>∈E，如果x＝x’，y＝y’，那么l≠l’；L是一个层数的集合。

在多层社会网络中，<x，y，l>是指多层网络中在第l层社会关系中有一条从节点x到节点y的连线。这就意味着网络中任何节点之间可能会有|L|种不同的关系，故三元组<x，y，l>可以系统数学化地描述多层网络中所有节点的所有关系。

社会网络是一张由节点和连线组成的图，对于单层社会网络，给定节点x的邻居定义如下：

N(x)＝{y|<x，y>∈E∨<y，x>∈E}(1)

其中E为网络中的节点间的连线。

对于多层社会网络，给定节点x的邻居定义如下：

MN(x，α)＝{y|card({l：<x，y，l>∈E∨<y，x，l>E})≥α}(2)

其中card是指集合元素的大小，α是指定的网络关系层数。

单层网络中，两个节点间有连线则为邻居。而多层网络中，如果一个节点是另一个指定节点邻居，那么两节点要满足在至少在α个网络层中有连线。

聚类系数

计算边<x，y>的边聚类系数(Edgeclusteringcoefficient)：

${\mathrm{ECC}}_{x,y}^{\left(g\right)}=\frac{z_{x,y}^{\left(g\right)}+1}{s_{x,y}^{\left(g\right)}}---\left(3\right)$

其中x，y为网络中的两个节点，z_x，y是由边<x，y>以及它们共同邻居所组成的环形结构的数量，g是环形的大小(如g＝3则为三角环)，s_x，y是由边<x，y>和它们的邻居所可能组成的所有环形结构的数量。

适用于多层社会网络的跨层边聚类系数(cross-layeredgeclusteringcoefficient)如下：

$CLECC(x,y,\mathrm{\&alpha;})=\frac{|MN(x,\mathrm{\&alpha;})\&cap;MN(y,\mathrm{\&alpha;})|}{|MN(x,\mathrm{\&alpha;})\&cup;MN(y,\mathrm{\&alpha;})/\{x,y\left\}\right|}---\left(4\right)$

其中分子是由边<x，y>及它们共有的多层邻居节点所形成的三角环的数量，分母是由边<x，y>及它们的多层邻居节点所可能形成的所有三角环的数量。参数α是可调的，当网络稀疏时，α取较小值时能得到更好的社团划分结果；当网络稠密时，α取较大值时，能得到更好的社团划分结果。

跨层边差分聚类系数模型

在以上概念的基础上，本发明提出跨层边差分聚类系数(cross-layeredgedifferentialclusteringcoefficient)。首先构造一个差分多层社团邻居(differentialmulti-layeredneighbors)：

$DMN(x,\mathrm{\&alpha;})=\left\{\begin{array}{cc}MN(x,\mathrm{\&alpha;})-MN(x,\mathrm{\&alpha;}+1),& \mathrm{\&alpha;}=1,2,...,N-1\\ MN(x,N),& \mathrm{\&alpha;}=N\end{array}\right.---\left(5\right)$

由公式(5)和公式(6)，综合考虑α取遍所有可能值的关系，并进行权重处理，从而构造出跨层边差分聚类系数：

$CLEDCC(x,y)=\underset{\mathrm{\&alpha;}=1}{\overset{N}{\&Sigma;}}{w}_{\mathrm{\&alpha;}}\&CenterDot;\frac{|DMN(x,\mathrm{\&alpha;})\&cap;DMN(y,\mathrm{\&alpha;})|+{\mathrm{\&delta;}}_{x,y}^{\mathrm{\&alpha;}}}{|DMN(x,\mathrm{\&alpha;})\&cup;DMN(y,\mathrm{\&alpha;})/\{x,y\left\}\right|+{\mathrm{\&delta;}}_{x,y}^{\mathrm{\&alpha;}}}---\left(7\right)$

其中N为多维社会网络的最大关系数，α为关系层数，w_a＝2α/(N(N+1))。

模块化度评价

社团是由一系列的节点构成的，组内之间成员是高密度的连接，而组与组之间的连接是低密度的。利用模块化度来评价社团划分的结果，如下：

Q＝Tre-||e²||(8)

其中e是一个k*k的矩阵，k为划分的社团数，e_ij表示社团i的节点与社团j的节点之间的所有关系占整个网络中所有关系的比例；Tre为矩阵e中所有主对角元素之和，可以表示为||e²||为矩阵e²的所有元素的总和。对于多层社会网络，也可以采用公式(8)，加权处理后变换成适合多层社会网络社团的评估方法：

$Q=\underset{i=1}{\overset{N}{\&Sigma;}}{w}_i\&CenterDot;Q_i---\left(9\right)$

社团发现方法

在以上概念的基础上，提出多层社会网络的社团发现方法，包括以下步骤：

a).对于多层社会网络中的每一对(x，y)，当x∈MN(y)时，按照公式(7)计算CLEDCC(x，y)，记录初始的模块化度Q和社团划分情况；

b).在所有关系中，移除CLEDCC值最小的一对(x，y)，当同时存在多个最小值时，随机选取一个；

c).更新CLEDCC(x，y)值，重新计算CLEDCC值可能被改变的边，也就是上一次被移除边的所有邻居节点，记录模块化度Q和社团划分情况；

d).重复第(b)步，直到多层社会网络中的边全部被移除；

e).比较每次社团划分后的模块化度Q，选择具有最大Q值的社团划分情况作为最终社团划分。

步骤206，节目推荐系统根据社团划分情况，以社团为单位向各个社团成员的数字电视接收端发送相应的节目推荐信息。

本发明在电视节目推荐系统中引入社团划分结构，通过准确的社团划分，提高了电视节目推荐时定向推荐的准确性。

应当明了，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种基于社团发现的数字电视节目推荐方法，包括：

步骤202，节目推荐系统根据电视用户的登录信息获取与用户相关的多层社会网络数据；

步骤204，节目推荐系统利用社团发现方法对多层社会网络进行社团划分；

步骤206，节目推荐系统根据步骤204得到的社团划分情况，以社团为单位向各个社团成员的数字电视接收端发送相应的节目推荐信息；

其中，步骤204包括如下步骤：

a).对于多层社会网络中的每一对(x，y)，x∈MN(y)，即网络中的两个用户x，y为多层邻居，按照下式计算跨层边差分聚类系数CLEDCC(x，y)：

$CLEDCC(x,y)=\underset{\mathrm{\&alpha;}=1}{\overset{N}{\&Sigma;}}{w}_{\mathrm{\&alpha;}}\&CenterDot;\frac{|DMN(x,\mathrm{\&alpha;})\&cap;DMN(y,\mathrm{\&alpha;})|+{\mathrm{\&delta;}}_{x,y}^{\mathrm{\&alpha;}}}{|DMN(x,\mathrm{\&alpha;})\&cup;DMN(y,\mathrm{\&alpha;})/\{x,y\left\}\right|+{\mathrm{\&delta;}}_{x,y}^{\mathrm{\&alpha;}}},$

并记录初始的模块化度Q和社团划分情况，其中，DMN(x，α)和DMN(y，α)为差分多层社团邻居，

$DMN(x,\mathrm{\&alpha;})=\left\{\begin{array}{cc}MN(x,\mathrm{\&alpha;})-MN(x,\mathrm{\&alpha;}+1),& \mathrm{\&alpha;}=1,2,...,N-1\\ MN(x,N),& \mathrm{\&alpha;}=N\end{array}\right.$

N为多层社会网络的最大关系数，α为关系层数，w_α＝2α/(N(N+1))，MN(x，α)和MN(y，α)分别为对于多层社会网络，给定节点x和y在关系层数为α时的邻居，MN(x，N)为对于多层社会网络，给定节点x在关系层数为N时的邻居；

b).在所有关系中，移除CLEDCC值最小的一对(x，y)，当同时存在多个最小值时，随机选取一个；

c).更新CLEDCC(x，y)值，重新计算CLEDCC值可能被改变的边，也就是上一次被移除边的所有邻居节点，记录模块化度Q和社团划分情况；

d).重复第b)步，直到多层社会网络中的边全部被移除；

e).比较每次社团划分后的模块化度Q，选择具有最大Q值的社团划分情况作为最终社团划分。

2.根据权利要求1所述的基于社团发现的数字电视节目推荐方法，其中，所述登录信息包括各种社交平台和即时通讯工具的账号。

3.根据权利要求2所述的基于社团发现的数字电视节目推荐方法，其中，所述账号为微博帐号。

4.根据权利要求1所述的方法，所述模块化度Q为：

Q＝Tre-||e²||

其中，e是一个k*k的矩阵，k为划分的社团数，e_ij表示社团i的节点与社团j的节点之间的所有关系占整个网络中所有关系的比例；Tre为矩阵e中所有主对角元素之和，||e²||为矩阵e²的所有元素的总和。