CN103297853A - 一种基于多用户上下文识别的iptv节目推荐方法 - Google Patents

一种基于多用户上下文识别的iptv节目推荐方法 Download PDF

Info

Publication number
CN103297853A
CN103297853A CN2013102244379A CN201310224437A CN103297853A CN 103297853 A CN103297853 A CN 103297853A CN 2013102244379 A CN2013102244379 A CN 2013102244379A CN 201310224437 A CN201310224437 A CN 201310224437A CN 103297853 A CN103297853 A CN 103297853A
Authority
CN
China
Prior art keywords
user
context
program
time
similarity
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.)
Granted
Application number
CN2013102244379A
Other languages
English (en)
Other versions
CN103297853B (zh
Inventor
杨燕
王智谨
郝娟
黄保荃
陈昊
裴逸钧
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
East China Normal University
Original Assignee
East China Normal University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by East China Normal University filed Critical East China Normal University
Priority to CN201310224437.9A priority Critical patent/CN103297853B/zh
Publication of CN103297853A publication Critical patent/CN103297853A/zh
Application granted granted Critical
Publication of CN103297853B publication Critical patent/CN103297853B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Abstract

本发明公开了一种基于多用户上下文识别的IPTV节目推荐方法，通过对节目观看时间的聚类分析，得到用户观看时间相对集中的时间段，计算用户在不同时间段内的节目偏好，分析不同时间段间的节目偏好相似度，合并观看节目较为相似的时间段为一类新的上下文，利用上下文信息做推荐，在一定程度上，克服IPTV门户服务中的多用户问题，提高推荐的品质。

Description

一种基于多用户上下文识别的IPTV节目推荐方法
技术领域
本发明涉及IPTV(Interactive Personality TV)推荐技术领域，具体地说是一种基于多用户上下文识别的IPTV节目推荐方法。
背景技术
在IPTV服务中，随着IPTV节目不断的爆炸式增长，电视将再一次成为家庭娱乐的中心，然而，因为遥控器终端的输入功能比较弱，而且有时候用户有时也不知道自己想看什么，对用户来说要找到自己需要和喜欢的内容比较困难，因此，推荐在IPTV服务中显得越来越重要。
协同过滤常常被用在IPTV节目的推荐上。常用的协同过滤技术有：基于浏览历史的协同过滤和基于内容的协同过滤。目前，主要的推荐技术是通过对已有协同过滤技术的使用、改进和优化而来。但是，在IPTV门户服务中，存在着多用户问题，目前常用的推荐技术常常受制于该问题，使得推荐品质大大降低。IPTV多用户问题，即在一个家庭中，常常是家庭成员共享IPTV门户服务，不同的家庭成员常常在不同的时间观看不同偏好的节目。多用户问题常常表现为推荐错位，如，推荐小孩喜欢的动画片给正在观看历史片的老年人。
发明内容
本发明的目的是为了克服由于多用户问题造成的推荐品质下降而提供的一种基于多用户上下文识别的IPTV节目推荐方法，该方法以用户观看记录作为输入，分析用户观看历史记录，得到用户上下文信息，利用该信息输出带有上下文的推荐列表。
本发明的目的是这样是实现：
一种基于多用户上下文识别的IPTV节目推荐方法，具体操作步骤：
a）  确定在不同时间段内，用户对节目的隐式偏好，具体包括：
ⅰ）根据日志文件中的节目观看时间（小时）进行聚类，得到                                               
Figure 2013102244379100002DEST_PATH_IMAGE002
个时间段，记为
Figure 2013102244379100002DEST_PATH_IMAGE004
；
ⅱ）在时间段
Figure 812679DEST_PATH_IMAGE004
内，利用隐式评分公式计算用户对节目的偏好程度，隐式评分公式：
Figure 2013102244379100002DEST_PATH_IMAGE006
其中，
Figure 2013102244379100002DEST_PATH_IMAGE008
是在时间
Figure 442375DEST_PATH_IMAGE002
内用户
Figure 2013102244379100002DEST_PATH_IMAGE010
对节目
Figure 2013102244379100002DEST_PATH_IMAGE012
的观看时间，
Figure 2013102244379100002DEST_PATH_IMAGE014
是用户
Figure 117070DEST_PATH_IMAGE010
在时间
Figure 578138DEST_PATH_IMAGE002
内观看过的节目列表；
b）  计算用户在不同时间段之间节目偏好的相似度, 具体包括：
ⅰ）利用余弦公式，计算用户在不同时间段之间节目偏好的相似度，其计算公式：
其中，表示用户
Figure 945666DEST_PATH_IMAGE010
在时间
Figure 859395DEST_PATH_IMAGE002
内和
Figure 2013102244379100002DEST_PATH_IMAGE020
内的相似度，
Figure 2013102244379100002DEST_PATH_IMAGE022
表示在时间内用户
Figure 981252DEST_PATH_IMAGE010
对节目
Figure 316418DEST_PATH_IMAGE012
的隐式评分，是所有节目列表；
c）  手动设置两个时间段之间节目偏好相似度的阈值，根据该阈值，把两个时间段分为相似或不相似；
ⅰ）手工设置两个时间段之间节目偏好的相似度阈值
Figure 2013102244379100002DEST_PATH_IMAGE026
；
ⅱ）根据阈值
Figure 983023DEST_PATH_IMAGE026
，把两个时间段之间节目偏好的相似度二值化，其计算式：
Figure 2013102244379100002DEST_PATH_IMAGE028
其中，
Figure 2013102244379100002DEST_PATH_IMAGE030
表示用户
Figure 937204DEST_PATH_IMAGE010
在时间
Figure 435181DEST_PATH_IMAGE002
内和
Figure 878932DEST_PATH_IMAGE020
内的修正后的相似度，如果该值为1则认为相似，否则反之。
d）  合并相似的时间段作为一个上下文，结合用户所在上下文，把用户划分不同上下文用户；
ⅰ）合并相似的时间段作为一个上下文，记
Figure 2013102244379100002DEST_PATH_IMAGE032
；
ⅱ）根据用户所在的上下文，把用户分成不同的上下文用户，见下式：
Figure 2013102244379100002DEST_PATH_IMAGE034
其中，
Figure 2013102244379100002DEST_PATH_IMAGE036
为用户
Figure 32833DEST_PATH_IMAGE010
所在的上下文个数，即
Figure 2013102244379100002DEST_PATH_IMAGE038
。
Figure 2013102244379100002DEST_PATH_IMAGE040
表示在上下文中的用户
Figure 790704DEST_PATH_IMAGE010
。
e）  为每个上下文用户，推荐IPTV节目。
ⅰ）计算上下文用户对节目偏好程度的隐式评分，上下文用户对节目隐式评分公式：
Figure 2013102244379100002DEST_PATH_IMAGE044
其中，
Figure 2013102244379100002DEST_PATH_IMAGE046
表示上下文用户
Figure 2013102244379100002DEST_PATH_IMAGE048
对节目
Figure 36133DEST_PATH_IMAGE012
的隐式评分，是在上下文内用户
Figure 916364DEST_PATH_IMAGE010
对节目
Figure 354298DEST_PATH_IMAGE012
的观看时间，
Figure 2013102244379100002DEST_PATH_IMAGE054
是用户在上下文
Figure 185168DEST_PATH_IMAGE052
内观看过的节目列表；
ⅱ）计算上下文用户之间的相似度，利用余弦公式：
Figure 2013102244379100002DEST_PATH_IMAGE056
式中
Figure 2013102244379100002DEST_PATH_IMAGE058
、
Figure 2013102244379100002DEST_PATH_IMAGE060
分别表示用户
Figure 908405DEST_PATH_IMAGE010
和用户
Figure 2013102244379100002DEST_PATH_IMAGE062
观看过的节目（类别），表示用户和用户
Figure 995626DEST_PATH_IMAGE062
的偏好相似度；
ⅲ）根据用户之间的相似度，预测用户对物品的偏好，见下式：
Figure 2013102244379100002DEST_PATH_IMAGE066
其中，
Figure 2013102244379100002DEST_PATH_IMAGE068
表示和用户
Figure 198069DEST_PATH_IMAGE010
最相似的
Figure 482420DEST_PATH_IMAGE002
个用户，
Figure 2013102244379100002DEST_PATH_IMAGE070
是用户
Figure 770313DEST_PATH_IMAGE010
对物品
Figure 532732DEST_PATH_IMAGE012
的预测评分；
ⅳ）推荐给用户
Figure 714315DEST_PATH_IMAGE010
前个预测值最高的节目作为推荐列表
Figure 2013102244379100002DEST_PATH_IMAGE074
。
与背景技术相比，本发明有以下优点： 
1）克服多用户问题
本发明通过对节目观看时间的聚类分析，得到观看时间段，计算用户在不同时间段内的节目偏好，分析不同时间段间的节目偏好相似度，合并观看节目较为相似的时间段为一类新的上下文，利用上下文信息做推荐，在一定程度上，克服IPTV门户服务中的多用户问题。
2）兼容性
本发明可以与常用的IPTV节目推荐技术相结合，常用的推荐技术可以利用本发明识别的上下文信息作为输入，从而提高其推荐的品质。
附图说明
图1为本发明流程示意图；
图2为本发明实施例示意图。
具体实施方式
参阅图1，本发明应用于IPTV节目推荐系统中，首先分析用户日志文件，计算用户在不同时间内的节目偏好程度，合并节目偏好相似的时间段为一个上下文，利用这些上下文把用户划分为多个上下文用户，然后根据这些上下文用户信息为每个上下文用户推荐IPTV节目，其具体步骤如下：
第一步：确定在不同时间段内，用户对节目的隐式偏好。根据日志文件中的节目观看时间（小时）进行聚类，得到
Figure 107250DEST_PATH_IMAGE002
个时间段，记为
Figure 944756DEST_PATH_IMAGE004
，在时间段
Figure 510867DEST_PATH_IMAGE004
内，利用隐式评分公式计算用户对节目的偏好程度，隐式评分公式：
Figure DEST_PATH_IMAGE006A
其中，
Figure 484639DEST_PATH_IMAGE008
是在时间
Figure 48475DEST_PATH_IMAGE002
内用户
Figure 435594DEST_PATH_IMAGE010
对节目
Figure 477500DEST_PATH_IMAGE012
的观看时间，
Figure 633675DEST_PATH_IMAGE014
是用户
Figure 430729DEST_PATH_IMAGE010
在时间
Figure 977248DEST_PATH_IMAGE002
内观看过的节目列表。对于系统中的所有用户和所有物品，计算并得到
Figure 150741DEST_PATH_IMAGE002
个时间段内的用户-物品偏好矩阵；
    第二步：计算用户在不同时间段之间节目偏好的相似度。利用余弦公式，计算用户在不同时间段之间节目偏好的相似度，其计算公式：
Figure 2013102244379100002DEST_PATH_IMAGE076
其中，表示用户在时间内和
Figure 541042DEST_PATH_IMAGE020
内的相似度，
Figure 671809DEST_PATH_IMAGE022
表示在时间
Figure 748349DEST_PATH_IMAGE002
内用户
Figure 331777DEST_PATH_IMAGE010
对节目
Figure 581493DEST_PATH_IMAGE012
的隐式评分，
Figure 504450DEST_PATH_IMAGE024
是所有节目列表。根据用户-物品偏好矩阵和该公式，计算并得到用户-时间段间的节目偏好相似度矩阵。
    第三步：手动设置两个时间段之间节目偏好相似度的阈值，根据该阈值，把两个时间段分为相似或不相似。手工设置两个时间段之间节目偏好的相似度阈值
Figure 814208DEST_PATH_IMAGE026
，根据阈值
Figure 884932DEST_PATH_IMAGE026
，把两个时间段之间节目偏好的相似度二值化，其计算式：
Figure DEST_PATH_IMAGE028A
其中，
Figure 813705DEST_PATH_IMAGE030
表示用户
Figure 653485DEST_PATH_IMAGE010
在时间
Figure 134145DEST_PATH_IMAGE002
内和
Figure 364269DEST_PATH_IMAGE020
内的修正后的相似度，如果该值为1则认为相似，否则反之。根据该公式和用户-时间段间的节目偏好相似度矩阵，把用户-时间段间的节目偏好相似度的矩阵二值化。
    第四步：合并相似的时间段作为一个上下文，结合用户所在上下文，把用户划分不同上下文用户。合并相似的时间段作为一个上下文，记
Figure 221367DEST_PATH_IMAGE032
，根据用户所在的上下文，把用户分成不同的上下文用户，见下式：
Figure DEST_PATH_IMAGE034A
其中，
Figure 791020DEST_PATH_IMAGE036
为用户所在的上下文个数，即
Figure 487897DEST_PATH_IMAGE038
。
Figure 820790DEST_PATH_IMAGE040
表示在上下文
Figure 369583DEST_PATH_IMAGE042
中的用户
Figure 457624DEST_PATH_IMAGE010
。
第五步：计算上下文用户对节目偏好程度的隐式评分。上下文用户对物品的隐式评分公式：
Figure DEST_PATH_IMAGE044A
其中，
Figure 600024DEST_PATH_IMAGE046
表示上下文用户
Figure 533345DEST_PATH_IMAGE048
对节目
Figure 202223DEST_PATH_IMAGE012
的隐式评分，
Figure 398850DEST_PATH_IMAGE050
是在上下文内用户
Figure 890191DEST_PATH_IMAGE010
对节目
Figure 351259DEST_PATH_IMAGE012
的观看时间，
Figure 515524DEST_PATH_IMAGE054
是用户
Figure 757150DEST_PATH_IMAGE010
在上下文
Figure 235536DEST_PATH_IMAGE052
内观看过的节目列表。根据上下文用户和节目观看信息，得到上下文用户-节目的隐式评分矩阵。
    第六步：根据上下文用户-节目的隐式评分矩阵，计算上下文用户之间的相似度，得到上下文用户偏好相似度矩阵。计算上下文用户之间的相似度，利用余弦公式：
Figure DEST_PATH_IMAGE056A
式中
Figure 551110DEST_PATH_IMAGE058
、
Figure 151856DEST_PATH_IMAGE060
分别表示用户
Figure 547022DEST_PATH_IMAGE010
和用户
Figure 891416DEST_PATH_IMAGE062
观看过的节目（类别），
Figure 389393DEST_PATH_IMAGE064
表示用户
Figure 833144DEST_PATH_IMAGE010
和用户的偏好相似度。
    第七步：根据上下文用户之间的相似度，预测用户对物品的偏好。预测用户对物品的偏好，见式：
其中，
Figure 869550DEST_PATH_IMAGE068
表示和用户
Figure 159717DEST_PATH_IMAGE010
最相似的
Figure 836686DEST_PATH_IMAGE002
个用户，
Figure 274621DEST_PATH_IMAGE070
是用户
Figure 898500DEST_PATH_IMAGE010
对物品
Figure 105491DEST_PATH_IMAGE012
的预测评分；
第八步：根据预测的评分，推荐给用户
Figure 218940DEST_PATH_IMAGE010
前
Figure 81854DEST_PATH_IMAGE072
个预测值最高的节目作为推荐列表
Figure 306162DEST_PATH_IMAGE074
。
实施例
    参阅图2，在一个家庭中，多个家庭成员共享IPTV门户服务，提供服务一般由一台“机顶盒”提供服务，提供服务的系统记录了该机顶盒播放界面的时间、播放节目内容等信息。通过本发明步骤一至四，分析“机顶盒”的播放历史记录，识别出多种上下文用户，步骤五至八利用识别出的上下文信息生成节目推荐列表给上下文用户。
    例如，在一个家庭中有：老人、小孩和中年人，他们共享IPTV门户服务，并积累一定的历史记录；通过步骤一至四，识别出三个上下文：老人习惯在早上观看历史剧，记c1；小孩喜欢在中午观看动画片，记c2；中年人习惯在晚上观看枪战片，记c3。步骤五至八利用c1、c2和c3信息，以列表形式分别在早上为老人推荐历史剧，在中午为小孩推荐动画片，在晚上为中年人推荐枪战片。

Claims (6)

1.一种基于多用户上下文识别的IPTV节目推荐方法，其特征在于，该方法包括如下步骤：
a）确定在不同时间段内，用户对节目的隐式偏好；
b）计算用户在不同时间段之间节目偏好的相似度；
c）手动设置两个时间段之间节目偏好相似度的阈值，根据该阈值，把两个时间段分为相似或不相似；
d）合并相似的时间段作为一个上下文，结合用户所在上下文，把用户划分不同上下文用户；
e）为每个上下文用户，推荐IPTV节目。
2.根据权利要求1所述的方法，其特征在于，所述步骤 a）包括：
ⅰ）根据日志文件中的节目观看时间（小时）进行聚类，得到                                                
Figure 2013102244379100001DEST_PATH_IMAGE001
个时间段，记为
Figure 628417DEST_PATH_IMAGE002
；
ⅱ）在时间段内，利用隐式评分公式计算用户对节目的偏好程度，隐式评分公式：
Figure 604780DEST_PATH_IMAGE004
其中，
Figure 2013102244379100001DEST_PATH_IMAGE005
是在时间
Figure 829088DEST_PATH_IMAGE001
内用户
Figure 828268DEST_PATH_IMAGE006
对节目
Figure 2013102244379100001DEST_PATH_IMAGE007
的观看时间，
Figure 50302DEST_PATH_IMAGE008
是用户
Figure 462829DEST_PATH_IMAGE006
在时间
Figure 490828DEST_PATH_IMAGE001
内观看过的节目列表。
3.根据权利要求1所述的方法，其特征在于，所述步骤b）包括：
ⅰ）利用余弦公式，计算用户在不同时间段之间节目偏好的相似度，其计算公式：
Figure 604234DEST_PATH_IMAGE010
其中，
Figure 2013102244379100001DEST_PATH_IMAGE011
表示用户在时间
Figure 631413DEST_PATH_IMAGE001
内和内的相似度，
Figure 2013102244379100001DEST_PATH_IMAGE013
表示在时间
Figure 436875DEST_PATH_IMAGE001
内用户
Figure 797449DEST_PATH_IMAGE006
对节目
Figure 122251DEST_PATH_IMAGE007
的隐式评分，
Figure 492053DEST_PATH_IMAGE014
是所有节目列表。
4.根据权利要求1所述的方法，其特征在于，所述步骤c）包括：
ⅰ）手工设置两个时间段之间节目偏好的相似度阈值；
ⅱ）根据阈值
Figure 320332DEST_PATH_IMAGE015
，把两个时间段之间节目偏好的相似度二值化，其计算式：
Figure 2013102244379100001DEST_PATH_IMAGE017
其中，
Figure 55069DEST_PATH_IMAGE018
表示用户在时间
Figure 837398DEST_PATH_IMAGE001
内和
Figure 785762DEST_PATH_IMAGE012
内的修正后的相似度，如果该值为1则认为相似，否则反之。
5.根据权利要求1所述的方法，其特征在于，所述步骤d）包括：
ⅰ）合并相似的时间段作为一个上下文，记
Figure 2013102244379100001DEST_PATH_IMAGE019
；
ⅱ）根据用户所在的上下文，把用户分成不同的上下文用户，见下式：
Figure 2013102244379100001DEST_PATH_IMAGE021
其中，为用户
Figure 787533DEST_PATH_IMAGE006
所在的上下文个数，即；
Figure 436820DEST_PATH_IMAGE024
表示在上下文
Figure 2013102244379100001DEST_PATH_IMAGE025
中的用户
Figure 302008DEST_PATH_IMAGE006
。
6.根据权利要求1所述的方法，其特征在于，所述步骤e）包括：
ⅰ）计算上下文用户对节目偏好程度的隐式评分，上下文用户对节目隐式评分公式：
其中，
Figure 378549DEST_PATH_IMAGE028
表示上下文用户
Figure 2013102244379100001DEST_PATH_IMAGE029
对节目
Figure 899660DEST_PATH_IMAGE007
的隐式评分，
Figure 149375DEST_PATH_IMAGE030
是在上下文
Figure 2013102244379100001DEST_PATH_IMAGE031
内用户
Figure 72332DEST_PATH_IMAGE006
对节目
Figure 382091DEST_PATH_IMAGE007
的观看时间，
Figure 390498DEST_PATH_IMAGE032
是用户
Figure 443905DEST_PATH_IMAGE006
在上下文
Figure 283685DEST_PATH_IMAGE031
内观看过的节目列表；
ⅱ）计算上下文用户之间的相似度，利用余弦公式：
Figure 2013102244379100001DEST_PATH_IMAGE033
式中
Figure 702028DEST_PATH_IMAGE034
、分别表示用户
Figure 932152DEST_PATH_IMAGE006
和用户
Figure 789249DEST_PATH_IMAGE036
观看过的节目（类别），表示用户
Figure 421219DEST_PATH_IMAGE006
和用户
Figure 72780DEST_PATH_IMAGE036
的偏好相似度；
ⅲ）根据上下文用户之间的相似度，预测用户对物品的偏好，见下式：
Figure 2013102244379100001DEST_PATH_IMAGE039
其中，
Figure 49920DEST_PATH_IMAGE040
表示和用户
Figure 445130DEST_PATH_IMAGE006
最相似的
Figure 931606DEST_PATH_IMAGE001
个用户，
Figure 2013102244379100001DEST_PATH_IMAGE041
是用户
Figure 19647DEST_PATH_IMAGE006
对物品
Figure 224364DEST_PATH_IMAGE007
的预测评分；
ⅳ）推荐给用户前
Figure 826564DEST_PATH_IMAGE042
个预测值最高的节目作为推荐列表
Figure 2013102244379100001DEST_PATH_IMAGE043
。
CN201310224437.9A 2013-06-07 2013-06-07 一种基于多用户上下文识别的iptv节目推荐方法 Expired - Fee Related CN103297853B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201310224437.9A CN103297853B (zh) 2013-06-07 2013-06-07 一种基于多用户上下文识别的iptv节目推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310224437.9A CN103297853B (zh) 2013-06-07 2013-06-07 一种基于多用户上下文识别的iptv节目推荐方法

Publications (2)

Publication Number Publication Date
CN103297853A true CN103297853A (zh) 2013-09-11
CN103297853B CN103297853B (zh) 2016-04-06

Family

ID=49098067

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310224437.9A Expired - Fee Related CN103297853B (zh) 2013-06-07 2013-06-07 一种基于多用户上下文识别的iptv节目推荐方法

Country Status (1)

Country Link
CN (1) CN103297853B (zh)

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103888852A (zh) * 2014-03-24 2014-06-25 清华大学 用于社交电视的视频推荐方法和装置
CN104320709A (zh) * 2014-10-13 2015-01-28 四川长虹电器股份有限公司 一种电视节目推荐方法及电视节目播放终端
CN104657414A (zh) * 2013-11-22 2015-05-27 浦项工科大学校产学协力团 利用上下文感知确定内容推荐时间的方法以及装置
CN104809166A (zh) * 2015-04-02 2015-07-29 海信集团有限公司 一种业务需求的确定方法及设备
CN104822074A (zh) * 2015-04-14 2015-08-05 天脉聚源(北京)传媒科技有限公司 一种电视节目的推荐方法及装置
CN105045859A (zh) * 2015-07-10 2015-11-11 海信集团有限公司 一种智能设备的用户特征分析方法及装置
CN105208412A (zh) * 2015-08-31 2015-12-30 四川长虹电器股份有限公司 计算智能电视节目时段收视率的方法
CN106028126A (zh) * 2016-05-17 2016-10-12 Tcl集团股份有限公司 一种节目推送方法及系统
CN106063282A (zh) * 2014-02-25 2016-10-26 谷歌公司 合并内容频道
CN106791963A (zh) * 2016-12-08 2017-05-31 Tcl集团股份有限公司 一种电视节目推荐方法及系统
CN107071578A (zh) * 2017-05-24 2017-08-18 中国科学技术大学 Iptv节目推荐方法
CN107608992A (zh) * 2016-07-12 2018-01-19 上海视畅信息科技有限公司 一种基于时间轴的个性化推荐方法
CN108495155A (zh) * 2018-03-16 2018-09-04 中国传媒大学 收视习惯分析方法及系统
CN108521586A (zh) * 2018-03-20 2018-09-11 西北大学 兼顾时间上下文与隐式反馈的iptv电视节目个性化推荐方法
CN109246450A (zh) * 2018-08-06 2019-01-18 上海大学 一种基于隐式信息评分的影视择优推荐系统及方法
CN109977265A (zh) * 2019-03-30 2019-07-05 华南理工大学 一种基于用户行为特征的iptv日志用户识别方法
CN110189197A (zh) * 2019-05-22 2019-08-30 常熟理工学院 基于上下文多臂赌博机的电商个性化推荐方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101763351A (zh) * 2008-12-23 2010-06-30 未序网络科技（上海）有限公司 基于数据融合的视频节目推荐方法
CN101874255A (zh) * 2005-05-27 2010-10-27 佩斯微技术有限公司 一种估计一个用户组对一个内容的总体兴趣度的方法和设备
CN101944218A (zh) * 2010-01-27 2011-01-12 北京大学 社会网络下的基于图的个性化推荐方法及其系统
CN102542489A (zh) * 2011-12-27 2012-07-04 纽海信息技术（上海）有限公司 一种基于用户兴趣关联的推荐方法
CN102999588A (zh) * 2012-11-15 2013-03-27 广州华多网络科技有限公司 一种多媒体应用的推荐方法和系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101874255A (zh) * 2005-05-27 2010-10-27 佩斯微技术有限公司 一种估计一个用户组对一个内容的总体兴趣度的方法和设备
CN101763351A (zh) * 2008-12-23 2010-06-30 未序网络科技（上海）有限公司 基于数据融合的视频节目推荐方法
CN101944218A (zh) * 2010-01-27 2011-01-12 北京大学 社会网络下的基于图的个性化推荐方法及其系统
CN102542489A (zh) * 2011-12-27 2012-07-04 纽海信息技术（上海）有限公司 一种基于用户兴趣关联的推荐方法
CN102999588A (zh) * 2012-11-15 2013-03-27 广州华多网络科技有限公司 一种多媒体应用的推荐方法和系统

Cited By (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104657414A (zh) * 2013-11-22 2015-05-27 浦项工科大学校产学协力团 利用上下文感知确定内容推荐时间的方法以及装置
CN104657414B (zh) * 2013-11-22 2018-02-02 浦项工科大学校产学协力团 利用上下文感知确定内容推荐时间的方法以及装置
CN106063282A (zh) * 2014-02-25 2016-10-26 谷歌公司 合并内容频道
CN103888852A (zh) * 2014-03-24 2014-06-25 清华大学 用于社交电视的视频推荐方法和装置
CN103888852B (zh) * 2014-03-24 2017-05-31 清华大学 用于社交电视的视频推荐方法和装置
CN104320709A (zh) * 2014-10-13 2015-01-28 四川长虹电器股份有限公司 一种电视节目推荐方法及电视节目播放终端
CN104809166A (zh) * 2015-04-02 2015-07-29 海信集团有限公司 一种业务需求的确定方法及设备
CN104809166B (zh) * 2015-04-02 2018-03-23 海信集团有限公司 一种业务需求的确定方法及设备
CN104822074B (zh) * 2015-04-14 2017-11-28 天脉聚源(北京)传媒科技有限公司 一种电视节目的推荐方法及装置
CN104822074A (zh) * 2015-04-14 2015-08-05 天脉聚源(北京)传媒科技有限公司 一种电视节目的推荐方法及装置
CN105045859A (zh) * 2015-07-10 2015-11-11 海信集团有限公司 一种智能设备的用户特征分析方法及装置
CN105208412A (zh) * 2015-08-31 2015-12-30 四川长虹电器股份有限公司 计算智能电视节目时段收视率的方法
CN106028126A (zh) * 2016-05-17 2016-10-12 Tcl集团股份有限公司 一种节目推送方法及系统
CN107608992A (zh) * 2016-07-12 2018-01-19 上海视畅信息科技有限公司 一种基于时间轴的个性化推荐方法
CN106791963B (zh) * 2016-12-08 2020-08-18 Tcl科技集团股份有限公司 一种电视节目推荐方法及系统
CN106791963A (zh) * 2016-12-08 2017-05-31 Tcl集团股份有限公司 一种电视节目推荐方法及系统
CN107071578B (zh) * 2017-05-24 2019-11-22 中国科学技术大学 Iptv节目推荐方法
CN107071578A (zh) * 2017-05-24 2017-08-18 中国科学技术大学 Iptv节目推荐方法
CN108495155A (zh) * 2018-03-16 2018-09-04 中国传媒大学 收视习惯分析方法及系统
CN108495155B (zh) * 2018-03-16 2021-07-13 中国传媒大学 收视习惯分析方法及系统
CN108521586A (zh) * 2018-03-20 2018-09-11 西北大学 兼顾时间上下文与隐式反馈的iptv电视节目个性化推荐方法
CN108521586B (zh) * 2018-03-20 2020-01-14 西北大学 兼顾时间上下文与隐式反馈的iptv电视节目个性化推荐方法
CN109246450A (zh) * 2018-08-06 2019-01-18 上海大学 一种基于隐式信息评分的影视择优推荐系统及方法
CN109246450B (zh) * 2018-08-06 2021-07-06 上海大学 一种基于隐式信息评分的影视择优推荐方法
CN109977265A (zh) * 2019-03-30 2019-07-05 华南理工大学 一种基于用户行为特征的iptv日志用户识别方法
CN109977265B (zh) * 2019-03-30 2022-12-16 华南理工大学 一种基于用户行为特征的iptv日志用户识别方法
CN110189197A (zh) * 2019-05-22 2019-08-30 常熟理工学院 基于上下文多臂赌博机的电商个性化推荐方法

Also Published As

Publication number Publication date
CN103297853B (zh) 2016-04-06

Similar Documents

Publication Publication Date Title
CN103297853A (zh) 一种基于多用户上下文识别的iptv节目推荐方法
CN110430471B (zh) 一种基于瞬时计算的电视推荐方法和系统
US7949678B2 (en) System and method for facilitating access to audio/visual content on an electronic device
US9235574B2 (en) Systems and methods for providing media recommendations
US8943537B2 (en) Method and system for presenting personalized television program recommendation to viewers
EP1374573B1 (en) Tv program profiling technique and interface
WO2014141704A1 (ja) コンテンツ提示方法、コンテンツ提示装置及びプログラム
US11064261B2 (en) Electronic device and control method therefor
Bjelica Towards TV recommender system: experiments with user modeling
JP6272553B2 (ja) 画像認識に基づくスマートテレビのインタラクションコントロールシステムおよびその方法
US10225591B2 (en) Systems and methods for creating and managing user profiles
US10575057B2 (en) Systems and methods for improving accuracy in media asset recommendation models
US8584166B2 (en) Probabilistic-based content recommender
CN102244811A (zh) 一种电视频道推荐系统及推荐方法
US9615135B2 (en) Devices and method for recommending content to users using a character
US9143834B2 (en) System and method for organizing a media program guide according to popularity
US20160314410A1 (en) Systems and methods for improving accuracy in media asset recommendations based on data from one data space
US11412308B2 (en) Method for providing recommended channel list, and display device according thereto
EP3480767A1 (en) Systems and methods for improving accuracy in media asset recommendation models
US20200221179A1 (en) Method of providing recommendation list and display device using the same
US10003836B2 (en) Systems and methods for improving accuracy in media asset recommendation models based on users' levels of enjoyment with respect to media assets
Krauss et al. TV predictor: personalized program recommendations to be displayed on SmartTVs
US20160314404A1 (en) Systems and methods for improving accuracy in media asset recommendations based on data from multiple data spaces
Alam et al. Personalized content recommendations on smart TV: challenges, opportunities, and future research directions
KR20150101338A (ko) 콘텐츠 추천 장치 및 방법

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20160406

Termination date: 20180607