CN103260061A - 一种上下文感知的iptv节目推荐方法 - Google Patents

Abstract

本发明提供一种上下文感知的IPTV节目推荐方法，包括步骤：a.根据用户的观看记录，计算用户对已观看节目的隐式评分，以及与每个评分对应的置信度和上下文权值；b.针对每个用户和节目，根据上下文初始化用户向量和节目向量；c.对用户向量和节目向量进行降维；d.采用隐语义模型进行评分预测，形成推荐。本发明是根据上下文信息来改进传统IPTV节目推荐策略，其优点包括：根据上下文分析用户行为更符合实际情况，具有更高的预测和推荐质量。

Description

一种上下文感知的IPTV节目推荐方法

技术领域

本发明涉及用于信息检索中推荐系统的隐语义模型领域，具体地说是一种改进的隐语义模型，该方法是基于上下文感知的。

背景技术

隐语义模型属于协同过滤技术，近年来的研究表明隐语义模型要优于传统最近邻技术。与传统最近邻方法不同，隐语义模型不需要计算用户和节目间的相似度，而是通过用户节目评分，将用户和节目特征化到几十甚至上百维的特征空间上。从某种意义上来说，这些特征就是机器化的节目类型、用户性格等特点。对于节目，这些特征也许能度量一些明显的分类是喜剧还是剧情片，是否是动作片，是否是儿童片等；对于那些不明显的特征，这些特征能代表如影片角色剧情的发展是否激烈；或者这些特征能度量那些无法解释的节目特点。对于用户，这些特征能代表用户对各个节目特点的喜好程度。

传统的推荐系统的主要目的是向用户推荐最相关的节目，而没有考虑任何上下文信息。在IPTV同中，同样存在着明显的上下文信息。比如在一天中不同的时间段观看节目种类上有什么区别，在哪个时间段观看视频更多、在哪个时间段观看视频更少，对每个种类节目观看的比例是多少等。现有的IPTV节目推荐系统直接使用传统的推荐策略而不考虑这些上下文信息可能会导致推荐的结果不够符合实际情况。合理根据上下文来分析用户的观看习惯和观看特点，必将有助于提高IPTV节目推荐的准确性。

发明内容

针对现有IPTV节目推荐技术中忽略上下文信息的技术缺陷，本发明提供一种上下文感知的IPTV节目推荐方法。针对IPTV的特点，改进隐语义模型算法，充分利用IPTV中所包含的上下文信息，提高IPTV中节目推荐的准确率。

本发明解决其技术问题所采用的具体技术方案是：

一种上下文感知的IPTV节目推荐方法，该方法包括如下步骤：

a）根据用户的观看记录，计算用户对已观看节目的隐式评分，以及与每个评分对应的置信度和上下文权值；具体包括：

Ⅰ）根据每一条观看记录，形成一个用户-节目评分二元组，并设置其用户-节目评分为1；

Ⅱ）根据用户对节目的观看时长、观看次数，计算每一个评分对应的置信度；

Ⅲ）分别对于上午、下午、晚上三个时间段，根据用户对节目所属分类的观看次数占用户观看IPTV总次数的百分比，计算每一个评分对应的上下文权值。

所述步骤Ⅱ）包括：

ⅰ）、判断节目是否为电视剧；

ⅱ）、如果节目不是电视剧，则根据用户观看该节目的次数和观看时长占节目总时长的百分比来计算置信度；如果节目是电视剧，则根据用户已观看了的集数占该电视剧总集数的百分比来计算置信度。

b）针对每个用户和节目，根据上下文初始化用户向量和节目向量；具体包括：

Ⅰ）对于用户，根据其在上午、下午、晚上三个时间段中对不同节目分类的观看比例，进行用户向量的初始化；

Ⅱ）对于节目，根据其所属的分类进行节目向量初始化。

c）对用户向量和节目向量进行降维；具体包括：

Ⅰ）将初始化得到的用户向量、节目向量组成一个矩阵；

Ⅱ）对上述矩阵，采用主成分分析法进行降维。

d）采用隐语义模型进行评分预测，形成推荐；具体包括：

Ⅰ）根据降维后的用户向量、节目向量以及置信度和上下文权值，采用隐语义模型进行迭代训练，更新用户向量及节目向量；

Ⅱ）对那些不存在的评分，根据用户向量和节目向量的点积和相应的上下文权值进行评分预测，形成推荐。

与背景技术相比，本发明有以下优点：

本发明在预测用户对节目的评分时，考虑到了当前的上下文信息，根据用户观看次数，在不同时间段下观看节目所属类型的百分比来计算上下文加权以及初始化用户向量和节目向量，并与隐语义模型方法结合，合理的反应了用户在上下文环境中的特点，提高了评分预测的质量。

本发明在实施中，需要统计分析上下文的信息，能够与传统的隐语义模型方法有效结合。

附图说明

图1为本发明流程示意图。

具体实施方式

本发明应用于推荐系统中，首先根据用户的观看记录来设定用户-节目评分，并计算相应的置信度和上下文权值，然后根据上下文信息对用户向量和节目向量进行初始化。初始化后一般向量维数会比较大，因此要进行降维操作。降维后，就使用隐语义模型来更新用户和节目向量，并将最后得到的用户向量和节目向量用于评分预测，其具体方法描述如下：

第一步：将用户每一次观看节目的记录，形成一个用户-节目二元组，并设置其评分为1；

第二步：对每一个评分，计算其置信度。对于一个节目，首先判断其是否为电视剧。如果该节目不是电视剧，则根据用户观看节目的次数以及观看时长占节目的总时长的百分比来计算置信度。如果该节目是电视剧，则根据用户观看该电视剧的集数占总集数的百分比来计算置信度；

第三步：对于每一个评分，计算相应的上下文信息加权。用

来表示用户u的上下文信息加权，该加权代表用户u在T时间段下观看节目i所属分类的几率，其中C_i表示节目i所属的分类；

第四步：根据上下文信息来初始化用户向量和节目向量，作为隐语义模型算法的起点。对于用户，根据用户在不同时间段下对不同类型节目观看的百分比这些上下文信息进行向量初始化。对于节目，根据节目所属的分类进行向量初始化；

第五步：将上一步中的用户向量和节目向量进行降维处理。由于节目分类通常有很多，所以向量维数较大，直接使用这些向量会导致算法速度很低。因此，采用主成分分析法来对用户向量和节目向量进行降维；

第六步：采用隐语义模型的算法，根据从观看记录中产生的评分、置信度、上下文加权信息，来迭代训练，更新用户向量和节目向量；

第七步：根据上一步最终得到的用户向量和节目向量以及当前的上下文环境进行评分预测。首先计算用户向量和节目向量的点积，然后在计算当前上下文环境的上下文加权，预测的评分即为向量的点积与上下文加权之和，最后选取评分预测高的节目形成推荐。

实施例

通过参阅图1及以下对非限制性实施例所作的详细描述，本发明的特征、目的和优点将会变得更明显：

图1示出根据本发明的一个具体实施方式的上下文感知的IPTV节目推荐方法的示意图。具体地，优选地，在本实施方式中，通过如下过程完成本发明提供的技术方案：

（1）：首先是数据预处理，将用户每一次观看节目的记录，形成一个用户-节目二元组(u，i)，并设置其评分为1，表示为r_ui=1。

（2）：对每一个评分，计算其置信度c_ui。对于一个节目，首先判断其是否为电视剧。如果该节目不是电视剧,根据下述公式计算其置信度：

$c_{\mathrm{ui}}=\frac{\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{t}_{\mathrm{uik}}}{T_i}$

其中n表示用户u观看节目i的次数，t_uik表示用户u第k次观看节目i持续时间，T_i表示节目i总的持续时间。比如一个节目有20分钟，用户总共观看了1次，只看了2分钟，那么置信度为0.1，说明该用户可能不是很喜欢这个节目。如果用户观看了3次，每次观看了10分钟，那么置信度为1.5，这说明该用户可能很喜欢这个节目，不仅将节目完整看完，而且还重复进行观看。

如果该节目属于电视剧，根据下述公式计算其置信度：

$c_{\mathrm{ui}}=\frac{T_{\mathrm{ui}}}{T_i}$

其中T_i表示剧集i的总集数，T_ui表示用户总共观看剧集i的集数。比如一个剧集i总共30集，用户观看了其中的3集，那么置信度为0.1，说明用户可能看了几集后觉得这个剧集不好看就没有观看下去了。如果用户观看了30集，那么置信度为1，说明这个用户很喜欢该剧集，将其全部看完了。

（3）：对于每一个评分，计算相应的上下文信息加权

加权代表用户u在T时间段下观看节目i所属分类的几率。比如对于一个用户A，他的观看历史记录如下表：

在晚上这个时间段对动作类节目的上下文加权就可以是15/(15+5)=0.75。

（4）：根据上下文信息来初始化用户向量和节目向量。比如对于一个用户A，他的观看历史记录如下表：

	动作类	爱情类	新闻类
				用户A	6	3	1

用户A一共观看了10次节目，其中观看了6次动作类节目，观看了3次爱情类节目，观看了1次新闻类节目，那么在这个3维的特征空间上，根据用户对这3个类型的观看比例，用户A的初始化向量可以是p_A=(0.6,0.3,0.1)。

（5）：采用主成分分析法(PCA)来对用户向量和节目向量进行降维。当采用上下文信息进行用户和节目向量初始化时，由于上下文信息的维数较大，这样会导致算法训练的效率非常低，所以采用主成分分析法可以省去那些不具代表性的因素，从而减少初始向量的维数。

（6）：根据（5）中所得到的用户向量和节目向量，使用隐语义模型方法来迭代更新用户向量和节目向量，迭代公式如下：

q_i←q_i+γ·(c_ui·e_ui·p_u-λ·q_i)

p_u←p_u+γ·(c_ui·e_ui·q_i-λ·p_u)

其中：

$e_{\mathrm{ui}}\stackrel{\mathrm{def}}{=}{r}_{\mathrm{ui}}-q_i^T\·p_u-\mathrm{\α}{B}_{u{C}_{i}T}$

其中p_u,q_i分别表示用户向量和节目向量，γ,λ,α是参数。

每次更新用户向量和节目向量后要计算损失函数，公式如下：

$\underset{q,p}{\min }\underset{(u,i)\∈\mathrm{\κ}}{\mathrm{\Σ}}{c}_{\mathrm{ui}}{(r_{\mathrm{ui}}-q_i^T\·p_u-\mathrm{\α}{B}_{u{C}_{i}T})}^2+({\left|\right|q_i\left|\right|}^2+{\left|\right|p_u\left|\right|}^2+{\mathrm{\αB}}_{u{C}_{i}T}^2)$

迭代过程中该损失函数会不断减小，如果损失函数开始增大了，则迭代结束。

（7）：根据上一步最终得到的用户向量和节目向量，以及当前的上下文环境进行评分预测，评分预测公式为：

${\hat{r}}_{\mathrm{ui}}=q_i^T\·p_u+\mathrm{\α}{B}_{u{C}_{i}T}$

评分预测后，就可以选取评分预测高的节目形成推荐。

Claims (6)

1.一种上下文感知的IPTV节目推荐方法，其特征在于，包括如下步骤：

a）根据用户的观看记录，计算用户对已观看节目的隐式评分，以及与每个评分对应的置信度和上下文权值；

b）针对每个用户和节目，根据上下文初始化用户向量和节目向量；

c）对用户向量和节目向量进行降维；

d）采用隐语义模型进行评分预测，形成推荐。

2.根据权利要求1所述的推荐方法，其特征在于，所述步骤a）包括：

Ⅰ）根据每一条观看记录，形成一个用户-节目评分二元组，并设置其用户-节目评分为1；

Ⅱ）根据用户对节目的观看时长、观看次数，计算每一个评分对应的置信度；

Ⅲ）分别对于上午、下午、晚上三个时间段，根据用户对节目所属分类的观看次数占用户观看IPTV总次数的百分比，计算每一个评分对应的上下文权值。

3.根据权利要求2所述的推荐方法，其特征在于，所述步骤Ⅱ）包括：

ⅰ）、判断节目是否为电视剧；

ⅱ）、如果节目不是电视剧，则根据用户观看该节目的次数和观看时长占节目总时长的百分比来计算置信度；如果节目是电视剧，则根据用户已观看了的集数占该电视剧总集数的百分比来计算置信度。

4.根据权利要求1所述的推荐方法，其特征在于，所述步骤b）包括：

Ⅰ）对于用户，根据其在上午、下午、晚上三个时间段中对不同节目分类的观看比例，进行用户向量的初始化；

Ⅱ）对于节目，根据其所属的分类进行节目向量初始化。

5.根据权利要求1所述的推荐方法，其特征在于，所述步骤c）包括：

Ⅰ）将初始化得到的用户向量、节目向量组成一个矩阵；

Ⅱ）对上述矩阵，采用主成分分析法进行降维。

6.根据权利要求1所述的推荐方法，其特征在于，所述步骤d）包括：

Ⅰ）根据降维后的用户向量、节目向量以及置信度和上下文权值，采用隐语义模型进行迭代训练，更新用户向量及节目向量；

Ⅱ）对那些不存在的评分，根据用户向量和节目向量的点积和相应的上下文权值进行评分预测，形成推荐。

Images