CN103533390A - 基于社交网络信息进行电视节目推荐的方法及系统 - Google Patents

Abstract

一种基于社交网络信息进行电视节目推荐的方法及系统，提取社交网络中关于各个电视节目的各个用户评价信息；建立各个用户与各个电视节目之间的“用户—电视节目”评价关系；根据“用户—电视节目”评价关系抽象出用户的行为事务数据集合；根据用户的行为事务数据集合通过频繁项集挖掘算法挖掘出电视节目的频繁项集；根据所述电视节目的频繁项集来进行电视节目的推荐。相比现有技术仅仅基于电视节目的内容属性来进行节目推荐，本发明更加人性化，推荐的节目更加贴近社会热点，更加贴近用户个体，利用社交网络相比电视得到信息的超前性，使电视节目的推荐能够更加准确。

Description

基于社交网络信息进行电视节目推荐的方法及系统

技术领域

本发明涉及专门适用于交互式电视内容分发技术，尤其涉及一种基于社交网络信息进行电视节目推荐的方法及系统。

背景技术

目前，电视频道越来越多，电视节目及内容也越来越丰富，用户对电视节目的可选择性也越来越多，同时，随着三网融合的发展，电视内容信息量还会进一步膨胀。急剧增长的电视内容信息使用户从中选择喜欢的电视内容需要花费的时间越来越多。现有技术智能电视领域的智能节目推荐系统使用户可以从众多电视节目中挑选出喜爱的节目，然而，智能节目推荐系统如何给用户推荐其真正喜爱的节目却是一个难题，相比互联网领域而言，电视领域的数据信息量相对有限，推荐智能节目推荐系统无法根据电视领域有限的信息量来获取用户的偏好，无法根据用户的评论去发现各个节目之间的关联性，因此，现有技术智能节目推荐系统做节目推荐时考虑的信息维度较窄，使其推荐的精确度较低，无法满足用户的需要。不可否认的是，现在技术出现了很多推荐方法，如协同推荐、基于内容的推荐等推送方法都可以很方便的应用在电视节目推荐领域中，但是其仍然存在考虑的信息维度不足的缺陷，对于内容之间的隐含关系无法做出识别。总而言之，现有技术智能节目推荐系统还存在以下的不足：

没有针对个人对电视节目喜好进行推荐，并且不能根据针对电视节目内容的推荐发掘出内容之间的隐含关系，也无法发掘出用户对内容的主观评价和隐性关联。

因此，现有技术还有待于改进和发展。

发明内容

鉴于上述现有技术的不足之处，本发明为解决现有技术缺陷和不足，提出一种能够根据社交网络对关于电视节目的信息进行数据挖掘，为智能电视的节目推荐系统提供更广维度的数据信息，使智能电视节目推荐系统提高对节目推荐的准确度，使给用户推送的节目更加人性化，不是简单的内容属性推荐。

本发明解决技术问题所采用的技术方案如下：

一种基于社交网络信息进行电视节目推荐的方法，包括如下步骤：

提取社交网络中关于各个电视节目的各个用户评价信息；

建立各个用户与各个电视节目之间的“用户—电视节目”评价关系；

根据“用户—电视节目”评价关系抽象出用户的行为事务数据集合；

根据用户的行为事务数据集合通过频繁项集挖掘算法挖掘出电视节目的频繁项集；

根据所述电视节目的频繁项集来进行电视节目的推荐。

作为优选方案，所述提取社交网络中关于各个电视节目的各个用户评价信息具体步骤是，收集并分类整理各个用户通过社交网络发布的推荐、评价、发帖、跟帖信息。

所述建立各个用户与各个电视节目之间的“用户—电视节目”评价关系采用通过对各个用户评价信息进行语义分析以抽象出“用户—电视节目”评价关系来实现。

所述“用户—电视节目”评价关系为各个用户对各个电视节目发布的评价信息的量化值，评价信息量化为：-2代表很不喜欢、-1代表不喜欢、0代表普通、1代表喜欢和2代表很喜欢。

所述用户的行为事务数据集合是各个用户所感兴趣的电视节目的集合。

所述频繁项集挖掘算法采用FP-growth算法或Apriori算法实现。

所述的频繁项集是各个电视节目之间的关联关系集合，即“电视节目—电视节目”之间的关联度。

所述节目推荐方法还包括挖掘电视节目的非内容信息分析，根据该非内容信息的分析与所述电视节目的频繁项集来进行电视节目的推荐，所述非内容信息分析包括：根据电视节目内容进行静态关系分析、主题驱动模型数据分析、电视节目内容间隐含关系分析、各个用户对各个电视节目发布的评价分析、电视节目内容间的动态相关性分析、用户行为模型分析和非内容直接相关性分析。

所述各个用户对各个电视节目发布的评价分析是根据所述“用户—电视节目”评价关系，以通过各个用户对各个电视节目发布的评价信息的量化值的计算得出各个电视节目的用户主观评价期望值。

本发明还提供一种基于社交网络信息进行节目推荐的系统，所述系统包括：

信息挖掘模块，用于查找并提取出社交网络中关于各电视节目的各个用户评价信息；

分析计算模块，根据查找信息模块提取出的用户评价信息进行分析，以建立各个用户与各个电视节目之间的“用户—电视节目”评价关系；并根据“用户—电视节目”评价关系计算出用户的行为事务数据集合；再根据用户的行为事务数据集合通过频繁项集挖掘算法挖掘出电视节目的频繁项集；

推荐模块，根据分析计算模块计算出的电视节目的频繁项集将用户评价频繁的电视节目推送到电视端供用户参考。

作为系统的进一步改进，所述分析计算模块还包括：

静态关系分析模块，用于根据各电视节目的内容进行两两相关性计算，并得到“电视节目—电视节目”之间的关联度；

主题驱动模型数据分析模块，用于从社交网络中获取与电视节目内容数据库相关数据并保存；

电视节目内容间隐含关系分析模块，用于分析得到用户行为事务数据，分析得到“对象-名词”标签矩阵，分析用户对电视节目的主观评价并量化；

用户评价分析模块，通过各个用户对各个电视节目发布的评价进行分析，得出用户对电视节目总体的主观评价并量化；

动态相关性分析模块，用于分析电视节目之间的动态相关性；

用户行为模型分析模块，根据用户的历史行为进行分析得出用户偏好模型；

非内容直接相关性分析模块，用于获取对用户关于电视节目评价的非直接相关的内容信息，获取动态热点词汇；

所述推荐模块根据所述静态分析模块、主题驱动模型数据分析模块、电视节目内容间隐含关系分析模块、用户评价分析模块、动态相关性分析模块、用户行为模型分析模块和非内容直接相关性分析模块所得到的信息确定电视节目的用户评价关注等级以根据不同用户进行电视节目推荐。

与现有技术相比较，本发明方法及系统通过获取社交网络中各个不同用户对各个电视节目的评论来挖掘出用户与电视节目的评价关系并进行量化处理，同时从中找出各个电视节目之间的内容关联性，还进一步通过额外的社会影响因素、与电视节目主题相关的其他社会网络信息，以及用户的历史行为来找出用户与电视节目之间的、电视节目两两间的隐含关系，相比现有技术仅仅基于电视节目的内容属性来进行节目推荐，本发明更加人性化，推荐的节目更加贴近社会热点，更加贴近用户个体，利用社交网络相比电视得到信息的超前性，使电视节目的推荐能够更加准确，与时下社会热点契合更加紧密。

附图说明

图1是本发明基于社交网络信息进行电视节目推荐的方法之较佳实施例的流程图。

图2是本发明基于社交网络信息进行电视节目推荐的方法之较佳实施例的工作原理框图。

图3是本发明基于社交网络信息进行电视节目推荐的方法之实施例中各个电视节目间的关系无向图。

 图4是本发明基于社交网络信息进行电视节目推荐的系统的基本结构框图。

具体实施方式

为使本发明的目的、技术方案及优点更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。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。

随着智能电视的普及，智能电视领域的电视节目推荐也成为体现其智能的一个主要方面。现有技术中，电视节目的推荐主要是根据电视节目的基本内容及其属性来进行节目推荐，这也面临着推荐的节目不贴近时下社会关注热点、节目推荐没有实现个性化推荐，其推荐的原理均是基于电视领域本身的数据，而没有跟互联网上浩如烟海的信息有太多联系，使智能电视在电视节目的推荐过程中无法实现智能推荐的功能。基于此，本发明提出了一种新的电视节目推荐模式，不再局限于电视领域本身的数据资源，而是从社交网络（例如微博、推特、Facebook等）中获取与电视节目有关的信息和数据，比如用户对电视节目的评论、回帖、日志等形式的社交网络信息，从中找出用户的偏好(包含显性和隐性的偏好），以评估各个电视节目之间的相关性（例如体育比赛、电影、音乐等）。以社交网络中的信息作为推荐电视节目影响因素的原因在于现在越来越多的人愿意在社交网络中去分享电视节目的观后感，或做各种评论，所以从信息的丰满度上讲，社交网络远远大于电视平台，对于推荐的准确度来讲，这是一个很重要因素，由于社交网络中信息的广泛性，在推荐的时候需要从多维度考虑。

另外社交网络有另一个重大的优势是“速度”，其传播速度远远快于电视平台领域。用社会网络用户知识发掘可以大大弥补电视用户域知识不足的问题。它可以解决电视端智能推荐“冷启动”的问题。在智能电视冷启动后即可立即做出准确的节目推荐。

图1所示为本发明基于社交网络信息进行电视节目推荐的方法实施例一的流程图，如图所示，该方法包括如下步骤：

S100，提取社交网络中关于各个电视节目的各个用户评价信息；其具体实现是通过社交网络对各个用户发布的推荐、评价、发帖、跟帖信息进行收集并分类整理。

S200，建立各个用户与各个电视节目之间的“用户—电视节目”评价关系；所谓建立“用户—电视节目”评价关系就是通过各个用户的评价信息，评价信息包括上述用户社交网络发布的关于电视节目的评论，进行语义分析抽象出各个用户对各个电视节目分别作出的评价，形成一个评价关系表，例如，社交网络中有5个用户，评价所针对的是6个电视节目对象，如表1所示，表1中示出了用户u₁~u₅分别对电视节目p₁~p₆的评价，当然，也存在用户对某个电视节目并未进行评价，相应的，用户与该电视节目之间没有关系，在表1中用空白格来表示，用户与电视节目有关系时，为了便于后续的进一步计算处理，需要对该关系进行量化处理，将用户对电视节目的喜欢程度分为5个层级，分别是-2代表很不喜欢、-1代表不喜欢、0代表普通、1代表喜欢和2代表很喜欢。例如，从表1中可以看到，用户u₁对电视节目p₁的喜欢程度为普通级，对电视节目p₃喜欢程度为很喜欢。

  

表1“用户—电视节目”评价关系表

	p1	p2	p3	p4	p5	p6
							u1	0	1	2		-2
u2	2	0	0	1	1	-1
							u3	1	-2	-1	1	0
u4	-2				2	1
							u5		2		0		-2

S300，根据“用户—电视节目”评价关系抽象出用户的行为事务数据集合；此步骤是对上述“用户—电视节目”评价关系表进行统计，统计出各个用户感兴趣的电视节目集合，也叫做用户的行为事务数据集合，根据表1中的用户和电视节目的关系统计各用户的行为事务数据集合如表2所示：

表2用户的行为事务数据集合

用户	行为事务数据
		u1	{p 1, p2, p3, p5}
u2	{p 1, p2, p3, p4, p5, p6}
		u3	{p 1, p2, p3, p4, p5}
u4	{p 1, p5, p6}
		u5	{p 2, p4, p6}

S400，根据用户的行为事务数据集合通过频繁项集挖掘算法挖掘出电视节目的频繁项集；具体而言，频繁项集挖掘算法采用FP-growth算法或Apriori算法来实现。FP-growth算法是2000年由Han Jiawei等人提出的一种新的频繁项集挖掘算法，它脱离了Apriori算法必须产生候选项集的传统方式，建立了基于FP-tree结构的不产生候选项集的思想，开辟了关联规则的新思路，属于现有技术方案，此处不赘述。通过FP-growth算法挖掘出频繁项集，抽象出如表3所示的“电视节目—电视节目”的关联度表。表3示出了各个电视节目两两之间的关联度，用以形成如图3所示的各个电视节目关系无向图。表3中标识了电视节目两两之间的关系及其权重，权重为0的代表两电视节目间没有关联，e1、e2、e3、e4、e5和e6代表电视节目间的关联权重，表明电视节目两两间的关联度大小。图3中p₁~p₆的节点代表了各个电视节目，e1~e6分别代表了各个电视节目间的权重，各电视节目节点之间有连线的代表俩电视节目之间有关系，有关系的各电视节目之间的权重值e1~e6为俩电视节目之间关联度的量化值，表达了俩电视节目之间关联的紧密程度。

表3“电视节目—电视节目”关联度表

S500，根据所述电视节目的频繁项集来进行电视节目的推荐。

为了从更广的维度来分析社会网络关于电视节目的影响因素，本发明方法还需要进一步挖掘非内容因素，即从电视节目内容本身出发，进一步挖掘出与电视节目相关的判断因素，以进一步的扩展对用户对电视节目评价因素，提高节目推荐的准确度，也更贴近用户的生活。非内容因素包括不能直接从电视节目本身获得的信息，比如某部电影讲述了打工者的故事，而用户的评论包括“蚁族”的讨论，因此，可将“蚁族”这类词语的非内容因素变成人工标签作为用户评价的对象，作为后期过滤处理和进行权重分配的因素。具体而言，这些非内容信息分析包括根据电视节目内容进行静态关系分析、主题驱动模型数据分析、电视节目内容间隐含关系分析、各个用户对各个电视节目发布的评价分析、电视节目内容间的动态相关性分析、用户行为模型分析和非内容直接相关性分析。下面对非内容信息进行详细说明，这些影响因素均可以量化提供给节目推荐系统对“电视节目—电视节目”关联度进行确定电视节目两两之间的权重。

静态关系分析是根据电视节目内容本身的属性来进行相关性计算，目的是计算出如表3的“电视节目—电视节目”之间的两两关联度，比如计算两部电影（视为两个不同的电视节目）在不同的属性集上是否存在交集，可以通过公式来表达为：a×inter1(m1,m2)+b×inter2(m1,m2)+c×inter3(m1,m2)，其中inter1、inter2、inter3为两部电影在不同属性域上的交集，a、b、c为权重，m1、m2为两部电影的属性集，a、b、c权重值为有关联的两部电影属性集之间关联度的量化值，表达了两部电影属性集之间关联的紧密程度。

主题驱动模型数据分析是从社交网络中获取与内容数据库相关的数据，例如，评论、好友间交流等信息，均可以将其存入到与主题相关的内容数据库中。此处所说的内容数据库是指在智能电视中存储的按照主题分类的电视节目的内容数据库。

电视节目内容间隐含关系分析是抽取出“电视节目”与相关“名词”（该名词用于分析热点）的关系，来进一步分析用户对“电视节目”的主观评价并量化，如前面所说的“蚁族”对于打工者类的电视节目即属于隐含关系的名词，以形成如表1的“用户—电视节目”评价关系表；再将由“电视节目”作为对象来生成如表2的用户的行为事务数据；同时，通过分析“名词”并为该“名词”附加对象做标定处理形成“电视节目-名词”的关系表，并存入主题之间关联因素数据库中。这部分需要语句分词技术与语义分析，而且这两部分有现成的技术与开源的第三方数据库作为支持，此处不赘述。

各个用户对各个电视节目发布的评价分析是根据用户对电视节目所做评价的评价关系，即表1“用户—电视节目”评价关系表，通过公式 

计算得出各个电视节目用户的主观评价期望值，电视节目用户主观评价期望值列表如表4所示。

表4各个电视节目用户的主观评价期望值

p 1	0.25
		p 2	0.25
p 3	0.33
		p 4	0.67
p 5	0.25
		p 6	-0.67

表4中示出了用户对电视节目p1~p6的主观评价期望值。

电视节目内容间的动态相关性分析是分析两个内容之间的动态相关性，之所以叫动态相关，以评论来讲，在不同的时间段内，评论的人不同或评论的数量不同对其之间的关系都会有影响，两者之间的关系会随着时间的变化而发生变化，也许前一个时间段两者是正相关的，后一个时间段由于负向评论人的增加使去转为负相关（这个由评价矩阵分析得出）。当然从评论的数量上来讲也能从侧面反应出其是否可以成为当前热点。动态相关性矩阵可以由FP-growth频繁集挖掘算法求解。正是这部分，我们能发掘出内容之间的隐含关系。例如：A片中的描述了蚁族的真实生活我有同感与B一样反映了当下年轻人的写照，但你从A与B中原有的属性中得不到两者有任何的联系，但从这一句话中就使两者以“蚁族”这个因素产生了联系。如果使推荐更加准确，就要在推荐的时候有更多的信息可用。

用户行为模型分析是加入一个“用户行为模型数据库”，数据库中存放的对用户历史行为数据进行分析的用户偏好模型，如静态统计模型，用户行为周期模型等。根据这些用户历史行为模型来进一步分析。

非内容直接相关性分析是将从社交网络关于电视节目的内容中提取出非内容直接关联的因素，例如对名词“蚁族”进行分析找出当前的热点因素，这样可以使分类更加多样化，由于这些热点因素是由人为语言描述分类产生，所以更加贴近生活，不生硬，更具亲和力。这样就得到了一个随着语言描述变化而变化的主观性热点，也可以和用户进行关联分析，得到用户对电影基于非内容因素的主观评价，而这些非内容直接相关性因素的主观评价粒度较小，从个人用户角度看这样可以提高准确度，从群体角度来讲可以分出“动态”的主观的关注热点。这需要智能电视的用户与社交网络用户进行统一，或者智能电视的系统中也有一套类似社交网络的评论平台。

图2示出了本发明一种基于社交网络信息进行节目推荐的方法，根据上面描述的方法步骤，从图中可以看到，用户1在智能电视2中所看的电视节目推荐是通过社交网络6中将关于各个电视节目的各个用户评价信息提取到信息收集系统5中，再通过分析计算系统4分析计算后将电视节目的相关信息发送到推荐系统3中，推荐系统3将电视节目推荐到智能电视2以供用户1选择。

本发明还提供一种基于社交网络信息进行节目推荐的系统，如图4所示，该系统包括信息挖掘模块10、分析计算模块20和推荐模块30。信息挖掘模块10用于查找并提取出社交网络中关于各电视节目的各个用户评价信息；分析计算模块20根据查找信息模块提取出的用户评价信息进行分析，以建立各个用户与各个电视节目之间的“用户—电视节目”评价关系；并根据“用户—电视节目”评价关系计算出用户的行为事务数据集合；再根据用户的行为事务数据集合通过频繁项集挖掘算法挖掘出电视节目的频繁项集；推荐模块30根据分析计算模块计算出的电视节目的频繁项集将用户评价频繁的电视节目推送到电视端供用户参考。

所述分析计算模块还包括：

静态关系分析模块，用于根据各电视节目的内容进行两两相关性计算，并得到“电视节目—电视节目”之间的关联度；具体如上所述。

主题驱动模型数据分析模块，用于从社交网络中获取与电视节目内容数据库相关数据并保存；具体如上所述。

电视节目内容间隐含关系分析模块，用于获取电视节目与关键词的关联性，分析用户对电视节目的主观评价并量化；具体如上所述。

用户评价分析模块，通过各个用户对各个电视节目发布的评价进行分析，得出用户对电视节目的主观评价并量化；具体如上所述。

动态相关性分析模块，用于分析电视节目之间的动态相关性；具体如上所述。

用户行为模型分析模块，根据用户的历史行为进行分析得出用户偏好模型；具体如上所述。

非内容直接相关性分析模块，用于获取对用户关于电视节目评价的非直接相关的内容信息；具体如上所述。

所述推荐模块根据所述静态分析模块、主题驱动模型数据分析模块、电视节目内容间隐含关系分析模块、用户评价分析模块、动态相关性分析模块、用户行为模型分析模块和非内容直接相关性分析模块所得到的信息确定电视节目的用户评价关注等级以根据不同用户进行电视节目推荐。

上述模块的工作原理已在方法实施例中进行了详细描述，此处不赘述。

应当理解的是，以上所述仅为本发明的较佳实施例而已，并不足以限制本发明的技术方案，对本领域普通技术人员来说，在本发明的精神和原则之内，可以根据上述说明加以增减、替换、变换或改进，而所有这些增减、替换、变换或改进后的技术方案，都应属于本发明所附权利要求的保护范围。

Claims (11)

1.一种基于社交网络信息进行电视节目推荐的方法，其特征在于，包括如下步骤：

提取社交网络中关于各个电视节目的各个用户评价信息；

建立各个用户与各个电视节目之间的“用户—电视节目”评价关系；

根据“用户—电视节目”评价关系抽象出用户的行为事务数据集合；

根据用户的行为事务数据集合通过频繁项集挖掘算法挖掘出电视节目的频繁项集；

根据所述电视节目的频繁项集来进行电视节目的推荐。

2.根据权利要求1所述的基于社交网络信息进行电视节目推荐的方法，其特征在于，所述提取社交网络中关于各个电视节目的各个用户评价信息具体步骤是，收集并分类整理各个用户通过社交网络发布的推荐、评价、发帖、跟帖信息。

3.根据权利要求2所述的基于社交网络信息进行电视节目推荐的方法，其特征在于，所述建立各个用户与各个电视节目之间的“用户—电视节目”评价关系采用通过对各个用户评价信息进行语义分析以抽象出“用户—电视节目”评价关系来实现。

4.根据权利要求3所述的基于社交网络信息进行电视节目推荐的方法，其特征在于，所述“用户—电视节目”评价关系为各个用户对各个电视节目发布的评价信息的量化值，评价信息量化为：-2代表很不喜欢、-1代表不喜欢、0代表普通、1代表喜欢和2代表很喜欢。

5.根据权利要求3所述的基于社交网络信息进行电视节目推荐的方法，其特征在于，所述用户的行为事务数据集合是各个用户所感兴趣的电视节目的集合。

6.根据权利要求1所述的基于社交网络信息进行电视节目推荐的方法，其特征在于，所述频繁项集挖掘算法采用FP-growth算法或Apriori算法实现。

7.根据权利要求6所述的基于社交网络信息进行电视节目推荐的方法，其特征在于，所述的频繁项集是各个电视节目之间的关联关系集合，即“电视节目—电视节目”之间的关联度。

8.根据权利要求1至7任一项所述的基于社交网络信息进行节目推荐的方法，其特征在于，所述节目推荐方法还包括挖掘电视节目的非内容信息分析，根据该非内容信息的分析与所述电视节目的频繁项集来进行电视节目的推荐，所述非内容信息分析包括：根据电视节目内容进行静态关系分析、主题驱动模型数据分析、电视节目内容间隐含关系分析、各个用户对各个电视节目发布的评价分析、电视节目内容间的动态相关性分析、用户行为模型分析和非内容直接相关性分析。

9.根据权利要求8所述的基于社交网络信息进行节目推荐的方法，其特征在于，所述各个用户对各个电视节目发布的评价分析是根据所述“用户—电视节目”评价关系，以通过各个用户对各个电视节目发布的评价信息的量化值的计算得出各个电视节目的用户主观评价期望值。

10.一种基于社交网络信息进行节目推荐的系统，其特征在于，所述系统包括：

信息挖掘模块，用于查找并提取出社交网络中关于各电视节目的各个用户评价信息；

分析计算模块，根据查找信息模块提取出的用户评价信息进行分析，以建立各个用户与各个电视节目之间的“用户—电视节目”评价关系；并根据“用户—电视节目”评价关系计算出用户的行为事务数据集合；再根据用户的行为事务数据集合通过频繁项集挖掘算法挖掘出电视节目的频繁项集；

推荐模块，根据分析计算模块计算出的电视节目的频繁项集将用户评价频繁的电视节目推送到电视端供用户参考。

11.根据权利要求10所述的基于社交网络信息进行节目推荐的系统，其特征在于，所述分析计算模块还包括：

静态关系分析模块，用于根据各电视节目的内容进行两两相关性计算，并得到“电视节目—电视节目”之间的关联度；

主题驱动模型数据分析模块，用于从社交网络中获取与电视节目内容数据库相关数据并保存；

电视节目内容间隐含关系分析模块，用于分析得到用户行为事务数据，分析得到“对象-名词”标签矩阵，分析用户对电视节目的主观评价并量化；

用户评价分析模块，通过各个用户对各个电视节目发布的评价进行分析，得出用户对电视节目总体的主观评价并量化；

动态相关性分析模块，用于分析电视节目之间的动态相关性；

用户行为模型分析模块，根据用户的历史行为进行分析得出用户偏好模型；

非内容直接相关性分析模块，用于获取对用户关于电视节目评价的非直接相关的内容信息，获取动态热点词汇；

所述推荐模块根据所述静态分析模块、主题驱动模型数据分析模块、电视节目内容间隐含关系分析模块、用户评价分析模块、动态相关性分析模块、用户行为模型分析模块和非内容直接相关性分析模块所得到的信息确定电视节目的用户评价关注等级以根据不同用户进行电视节目推荐。

Images