CN103605723A

CN103605723A - 一种基于粒子群算法的视频推荐方法

Info

Publication number: CN103605723A
Application number: CN201310574418.9A
Authority: CN
Inventors: 班志远
Original assignee: NANJING YUNCHUAN INFORMATION TECHNOLOGY Co Ltd
Current assignee: NANJING YUNCHUAN INFORMATION TECHNOLOGY Co Ltd
Priority date: 2013-11-15
Filing date: 2013-11-15
Publication date: 2014-02-26
Anticipated expiration: 2033-11-15
Also published as: CN103605723B

Abstract

本发明公开了一种基于粒子群算法的视频推荐方法，按如下步骤进行：S1、确定视频文件的评价指标；S2、抽取所有视频文件的评价指标；S3、随机选取三个视频文件作为初始种群，计算三个视频文件的匹配度；S4、计算每个视频的速度向量并进行更新；S5、根据每个视频文件的当前位置和速度向量更新视频文件的位置，位置更新公式为：xi(t+1)=xi(t)+vi(t+1)；S6、计算维度值将维度值表中最小值的视频文件推荐给用户。本发明用简单的向量及权重方式来表示用户喜好及影片特征，并利用改进的粒子群算法对相似度匹配过程进行优化，获得更简洁快速的影片推荐效果。

Description

一种基于粒子群算法的视频推荐方法

技术领域

本发明涉及一种视频推荐方法，更具体的说，涉及一种基于粒子群算法的视频推荐方法。

背景技术

随着网络上信息数量日益增长，信息超载问题随之发生，人们需要花费大量的时间才能从网络上找到自己需要的信息。搜索引擎虽然在一定程度上简化了信息的搜索过程，但是由于其通用的性质，不能满足不同用户差异化的查询请求。为了解决这一问题，推荐系统应运而生。推荐系统分为通用推荐系统和个性化推荐系统，其中通用推荐系统并不对个体用户进行推荐，比如商品销量排行榜；个性化推荐系统能实时地为客户提供符合其个人需要的推荐服务。个性化推荐所采用的推荐方法主要分为两种，一种是协同过滤方法，一种是基于内容的推荐方法。

协同过滤方法的示意图如图1所示：首先找到与此用户有相似兴趣的其他用户，然后将他们感兴趣的内容推荐给此用户。这种推荐也被称为面向用户的推荐，其核心是计算用户间相似度并生成最近邻居集。这种方法可以根据用户行为数据的不断积累，来更新和增加自己的知识，但是同时它也有自己的缺陷：在用户评价很少或没有用户历史数据的时候，推荐算法准确性差，而且这种算法会带来很大的计算开销。

基于内容的推荐系统利用信息内容和用户兴趣的相似性来过滤信息。基于内容的推荐方法的示意图如图2所示：首先对每个用户都用一个称作兴趣文件的数据结构来描述其喜好，对每个项目的内容进行特征抽取，形成特征向量；当需要对某个用户进行推荐时，把该用户的兴趣文件同所有项目的特征矩阵进行比较得到二者的相似度，系统通过相似度排序推荐项目。这种方法的关键在于待过滤文档的特征提取，用户兴趣文件的表示和相似度的计算。基于内容的推荐方法是忽略用户行为的，它只是考虑信息和信息之间的相似关系，最大的优点就是建模和项目间的相似度量可以脱机运行，因此它具有很快的推荐响应时间，系统简洁有效。

目前的视频推荐系统为了达到更高的推荐准确度，多采用复杂的协同过滤算法，而且用户特征、影片特征及相似度计算复杂，因此会带来很大的系统开销及延时。

发明内容

本发明所要解决的技术问题是，克服现有技术的缺点，提供一种计算简单、降低系统开销及延时的基于粒子群算法的视频推荐方法。

为了解决以上技术问题，本发明提供一种基于粒子群算法的视频推荐方法，其特征在于，按如下步骤进行：

S1、确定视频文件的评价指标，并获取用户对每个评价指标的喜好，建立评价用户喜好的维度表；同时，根据用户对评价指标的喜好项的个数分配权值，得到用户对评价指标的重视度权值向量；

S2、抽取所有视频文件的评价指标，并根据用户的维度表和兴趣向量表得到所有视频文件的粒子位置向量；

S3、随机选取三个视频文件作为初始种群，计算三个视频文件的匹配度，匹配度为用户对评价指标的重视度权值向量与视频文件的粒子位置向量的点积，将匹配度最低的视频文件所处位置作为全局最优位置；

S4、根据全局最优位置、每个视频文件的历史最优位置和每个视频文件的当前位置，计算每个视频的速度向量并进行更新，速度向量vi(t+1)=ωⅹvi(t)+c1ⅹrand()ⅹ(pi(t)-xi(t))+c2ⅹrand()ⅹ(gi(t)-x_i(t))，其中，ω、C1、C2是粒子群算法的固有参数，根据仿真验证和经验值，ω取[0,1]之间随机数，c1和c2分别设定为1.4和0.6时，算法具有较好的收敛效果；v_i(t)为第t次计算得到的视频文件的速度，如果t=1，则v_i(t)=0；c₁ⅹrand()ⅹ(p_i(t)-x_i(t))为视频文件的当前位置；c₂ⅹrand()ⅹ(g_i(t)-x_i(t))为视频文件的历史最差位置；rand()代表生成随机数的函数，这个函数可以随机产生一个[0,1]之间的数值；pi(t)表示在这一轮进化中第i个粒子的历史最优位置，gi(t)表示在这一轮进化中粒子种群的历史最优位置，xi(t)表示在这一轮进化中第i个粒子的当前位置向量，这三个值是随着粒子群算法每轮迭代而更新的；

粒子群算法迭代一次，更新每个粒子的当前位置，粒子在进化过程中，保存有该粒子历史最优位置；

S5、根据每个视频文件的当前位置和速度向量更新视频文件的位置，位置更新公式为：x_i(t+1)=x_i(t)+v_i(t+1)，其中，x_i(t)为第t次计算时的位置，v_i(t+1)为第t+1次计算时的速度向量；

S6、依次将每个视频文件当前位置向量的每个维度和速度向量的每个维度相加，得到维度值，建立各维度值表，将维度值表中最小值的视频文件推荐给用户。

本发明技术方案的进一步限定为，步骤S1中所述的视频文件的评价指标为导演、年代、女主演、男主演和影片类型。

进一步地，步骤S5中，每个视频文件更新位置向量时的方法为：最多需要移动5次位置，才移动到下一轮的位置向量上，计算该维度上当前位置向量和速度向量的和，并根据粒子位置在该维度的排序，移动到最近的位置，然后更新当前位置向量。

本发明的有益效果是：本发明提供的一种基于粒子群算法的视频推荐方法，采用基于内容的推荐方法进行影片推荐，用简单的向量及权重方式来表示用户喜好及影片特征，并利用改进的粒子群算法对相似度匹配过程进行优化，获得更简洁快速的影片推荐效果。

附图说明

图1为现有技术中协同过滤算法的示意图；

图2为现有技术中基于内容的推荐算法的示意图；

图3为本发明视频推荐方法的流程图；

图4为本发明中粒子群算法流程图；

图5不同用户数时两种推荐算法推荐准确率比较图；

图6不同用户数时两种推荐算法所需时间比较图。

具体实施方式

实施例1

本实施例提供的一种基于粒子群算法的视频推荐方法，视频推荐流程图如图1所示，按如下步骤进行：

S1、确定视频文件的评价指标，并获取用户对每个评价指标的喜好，建立评价用户喜好的维度表；同时，根据用户对评价指标的喜好项的个数分配权值，得到用户对评价指标的重视度权值向量，所述的视频文件的评价指标为导演、年代、女主演、男主演和影片类型。

S2、抽取所有视频文件的评价指标，并根据用户的维度表和兴趣向量表得到所有视频文件的粒子位置向量。

S3、随机选取三个视频文件作为初始种群，计算三个视频文件的匹配度，匹配度为用户对评价指标的重视度权值向量与视频文件的粒子位置向量的点积，将匹配度最低的视频文件所处位置作为全局最优位置。

粒子群算法迭代一次，更新每个粒子的当前位置，粒子在进化过程中，保存有该粒子历史最优位置。

S5、根据每个视频文件的当前位置和速度向量更新视频文件的位置，位置更新公式为：x_i(t+1)=x_i(t)+v_i(t+1)，其中，x_i(t)为第t次计算时的位置，v_i(t+1)为第t+1次计算时的速度向量。

每个视频文件更新位置向量时的方法为：最多需要移动5次位置，才移动到下一轮的位置向量上，计算该维度上当前位置向量和速度向量的和，并根据粒子位置在该维度的排序，移动到最近的位置，然后更新当前位置向量。

下面通过具体的例子，对本发明做进一步的详述。

1.影片内容多维描述框架

一个影片内容包含很多信息，比如影片的制片人、影片内容题材、导演、演员、所属年代、影片时长等，在进行影片推荐的时候，最理想的情况是考虑影片的所有信息进行推荐，但显然这种方式工作量很大，不具有可行性。因此一种可实施的方案是，将用户普遍关注的影片属性提取出来作为影片的评价指标，比如本专利中选择影片的导演、年代、女主演、男主演及影片类型作为影片的评价指标。根据这些评价指标，可以对用户喜好和影片属性进行数字化描述。

1)评价指标权值分配

显然的，每个用户对各个评价指标有不同的重视程度，有的用户更看重影片的导演，而有的用户可能更看重影片的演员阵容。本专利中，我们用权值的方式来表征用户对不同评价指标的重视程度。比如用户A比较重视影片的导演和年代，则其权值分配可能表1所示：

表1评价指标权值分配示例表

评价指标	权值
		导演	5
年代	4
		女主演	3
男主演	2
		影片类型	1

2)用户喜好及影片属性描述

确定影片的评价指标之后，就可以在指定维度上对用户的喜好进行描述。比如某用户A的喜好可能如下表所示（其中对同一维度中不同项目的喜好程度按排序递减）。

表2用户喜好示例表

评价指标	喜好
		导演	冯小刚张艺谋
年代	清朝现代
		女主演	舒淇刘亦菲
男主演	古天乐刘德华
		影片类型	警匪偶像

类似的，每部影片的属性也可以有类似的表示，比如表征某部影片属性的特征向量可能如表3所示。这样，系统中所有影片的属性就可以用特征向量所形成的矩阵来描述，如表4所示。

表3影片特征示例表

评价指标	特征
		导演	冯小刚
年代	清朝
		女主演	舒淇
男主演	古天乐
		影片类型	剧情

表4影片特征向量矩阵

(冯小刚，清朝，舒淇，古天乐，警匪)
	(姜文，民国，某某，姜文，搞笑)
(张国立，清朝，袁莉，张国立，剧情)
	……

3)用户喜好及影片属性的数字化表示

本专利中影片的评价指标固定为导演、年代、女主演、男主演、影片类型5项，当需要对一个用户推荐影片的时候，可以按照该用户在每个维度上的喜好，将每个喜好项分配不同的权值，进而将系统中所有影片的特征向量转化为对于该用户的特征值向量。本系统中，我们规定，每个评价指标中用户的喜好项不能多于4个，依据喜好项的数目和前后排序，喜好项的权值分配如表5所示。

表5喜好项权值分配表

喜好项个数	权值分配（按次序）
		4	0.4 0.3 0.2 0.1
3	0.5 0.3 0.2

2	0.7 0.3
		1	1

比如，用户兴趣向量如表2所示时，针对“导演”这个评价指标来说，分配给“冯小刚”这个喜好项的权值是0.7，分配给“张艺谋”这个喜好项的权值是0.3。

确定了该用户对于每个喜好项的权值之后，就可以对每个影片的特征向量进行量化表示，从而得到特征值向量。比如，当用户兴趣向量如表2所示，影片特征向量如表3所示时，可以得到该影片的特征值向量为(0.7,0.7,0.7,0.7,0)。类似地，分别将每个影片特征向量转化为特征值向量，可以得到系统影片的特征值向量组成的矩阵，如表6所示：

表6影片特征值向量矩阵

（0.7,0.7,0.7,0.7,0）
	（0,0,0,0,0）
（0,0.7,0,0,0）
	……

2.基于粒子群算法的视频匹配度计算

应用基于内容的推荐算法对某个用户进行视频推荐时，需要将该用户的用户兴趣文件依次同所有项目的特征矩阵进行比较得到二者的相似度，将其中最为相似的项目作为推荐项目选择出来。这个过程的实质是在一个集合中寻找最佳匹配问题，可以简化为数学模型中的最优化问题，而粒子群算法在智能优化算法中由于其原理简单，实现容易的特点而广受关注。本专利用粒子群算法来寻找影片库中最适合某个用户的视频进行推荐。

如前所述，可以得到用户对于影片评价指标的重视度权值列表、用户的兴趣向量以及系统中所有影片的特征值向量矩阵。比如用户A对各个评价指标的重视权值如表1所示，兴趣向量如表2所示，得到系统中所有影片的特征值向量矩阵如表6所示。此时，给每个影片分配一个固定ID，如表7所示：

表7影片特征值向量-ID对应表

然后将所有影片的特征值向量，针对每个指标维度进行排序，当前系统对影片共有5个评价指标，则会产生5个排序队列，如表8所示：

表8影片资源各维度排序表

此时开始应用粒子群算法来寻找系统影片中对用户A的最匹配影片。

1)影片推荐系统的粒子群算法建模

粒子群算法是一种基于种群的搜索过程，其中每个个体称作粒子，定义为在M维搜索空间中待优化问题的潜在解，保存有其历史最优位置、当前速度以及所有粒子的最优位置的记忆。每演化一代，粒子的信息被组合起来调整速度关于每一维上的分量，继而被用来计算新的粒子位置。粒子在多维搜索空间中不断改变它们的状态，直到到达平衡状态，或者超过了计算限制为止。

设搜索空间为m维，第i个粒子位置表示为向量x_i=(x_i1,x_i2,……，x_im)；第i个粒子的历史最优位置为p_i=(p_i1,p_i2,……，p_im),其中p_g为所有p_i(i=1,2,……，n)中的历史最优位置；第i个粒子的位置变化率为向量v_i=(v_i1,v_i2,……，v_im)。每演化一代，每个粒子的位置都依据当前群体信息发生变化，其位置更新公式为：

x_i(t+1)=x_i(t)+v_i(t+1) （1）

速度更新公式为：

v_i(t+1)=ω×v_i(t)+c₁×rand()×(p_i(t)-x_i(t))+c₂×rand()×(g_i(t)-x_i(t)) （2）

其中ω为惯性权重；p_i和g_i分别为该粒子的历史最优位置以及全局历史最优位置；c1和c2为学习因子，代表了将每个粒子拉向p_i和g_i位置的随机加速项的权重；v_max和x_max分别代表速度限制和位置限制。

本专利选取影片特征值向量作为粒子位置信息，选取用户对评价指标的重视度权值向量与影片特征值向量的点积作为位置优劣衡量指标。例如，当系统选择ID为01的粒子作为初始化粒子时，这个粒子对应的当前位置为（0.7,0.7,0.7,0.7,0），而衡量这个位置优劣的指标是用户对评价指标的重视度权值向量与影片特征值向量的点积，即（0.7,0.7,0.7,0.7,0）·（5,4,3,2,1）=9.8。

在速度和位置更新公式方面，由于本系统中的粒子位置是离散的，不能直接应用公式（1）作为位置更新公式，因此本专利保持粒子群算法的速度计算公式不变，而对位置更新公式做出如下修改：

对于位置更新公式（1），得到当前速度向量之后，依次将当前位置向量的每个维度和速度向量的每个维度相加，每得到一个维度的值，就依照表7所示的影片资源各维度排序表，移动到一个最近的位置。比如，当前某粒子位置为（0,0.7,0,0,0）在ID为07的位置，当前速度为（0.7,0,0.7,0.7,0），那么从第一个维度开始，对粒子进行移动操作。对第一个维度来说，位置值加速度值为0.7，寻找所有影片资源在第一维度的排序，找到离ID为07的影片距离最近的，特征值向量第一维度值为0.7或接近0.7的粒子，此处为ID为01的影片。因此对第一维度计算过后，粒子移动到了ID为01的位置。类似的，对于第二个维度，位置值加速度值为0.7，而ID为01的粒子在第二个维度上的特征值本来就为0.7，不需要移动。类似的，可以得到此粒子移动5次之后的位置为ID为01。

在参数选择方面，根据仿真验证比较，将粒子群算法中的参数c1和c2分别设定为1.4和0.6时可以达到较快的收敛速度。此外，我们设置惯性权重为[0,1]之间的随机数，选取种群大小为系统中影片数量，初始种群数量设置为3，规定最大迭代次数为30，结束条件为迭代次数达到30次或者三个粒子位置收敛到同一位置。

2)应用改进的粒子群算法寻找最佳匹配影片

应用粒子群算法寻找最佳匹配影片的流程图如图4所示，具体流程如下：

首先随机选取三个影片ID作为初始种群，比如选择ID为01、07和02的影片作为初始种群，此时就可以得到这三个粒子的当前位置分别为（0.7,0.7,0.7,0.7,0）、（0,0.7,0,0,0）和（0,0,0,0,0）。

接下来计算其当前速度向量。对当前位置为（0.7,0.7,0.7,0.7,0）的粒子来说，其匹配度计算公式为：（0.7,0.7,0.7,0.7,0）·（5,4,3,2,1）=9.8，同理可以得到另外两个粒子的匹配度为2.8和0，因此对于当前位置为（0.7,0.7,0.7,0.7,0）的粒子来说，可以根据公式（2）得到其速度向量为[0,0,0,0,0]，同理可以得到另外两个粒子的速度向量为：

1.4×rand()×([0.7,0.7,0.7,0.7,0]-[0,0.7,0,0,0])+0.6×rand()×([0.7,0.7,0.7,0.7,0]-[0,0.7,0,0,0])和1.4×rand()×([0.7,0.7,0.7,0.7,0])+0.6×rand()×([0.7,0.7,0.7,0.7,0])。取rand()为0.5，可以得到其速度向量分别为：[0.7,0,0.7,0.7,0]和[0.7,0.7,0.7,0.7,0.7]。而在更新粒子位置向量的时候，按照本专利中改进的位置向量更新策略，并不能按照原始粒子群算法的方法直接将初始位置和速度向量进行相加得到当前位置向量。而是要相加之后，从前向后将粒子移动一定距离。比如，对于07号粒子，其速度向量为[0.7,0,0.7,0.7,0]，则从前向后，它需要在第一个维度向前移动0.7个距离，在第二个维度保持不动，在第三个维度向前移动0.7个距离，在第四个维度向前移动0.7个距离，在第五个维度保持不动。对于移动的距离，如果不在排序列表中，则寻找离此位置最近的位置作为移动位置。那么07号粒子最后移动得到的位置为[0.7,0,0.7,0.7,0]，同理，02号粒子移动到的位置为[0.7,0.7,0.7,0.7,0]，这样就完成了一轮演化过程。

经过若干轮演化，可以在满足结束条件后结束粒子群算法，得到粒子最优位置。

本专利提出的视频推荐算法中借鉴了粒子群算法的思想，可以快速选取推荐影片，而不需要逐个计算用户对评价指标的重视度权值向量与影片特征值向量的点积。但是粒子群算法自身存在局部收敛的问题，当选取惯性权重过大或初始化种群选取位置过于集中时，就会出现粒子收敛于局部最优解的情况。在本专利中，我们参考相关研究，选取惯性权重为[0,1]之间的随机数，并按照随机抽选ID的方式选择初始种群，可以很大程度上避免局部收敛情况的发生。选取惯性权重的随机数是在一定范围内随机选取任何一个数，选取任何一个数的概率都是相同的。比如如果要产生在(0,1]之间的随机数（只带1位小数的），那么产生0.10.2……1的概率都是10%。在编程实现的时候有专门的函数用于实现此功能。

另外，协同过滤算法在有很多用户历史数据及评价数据的时候可以达到很高的推荐准确率，在这一点上，基于内容的推荐算法表现稍微逊色，因此本专利是牺牲了一定的推荐准确性，从而换取了更高的推荐实时性。下面通过仿真实验，从推荐准确性和算法响应时间两个方面对本专利提出的算法和协同过滤算法进行比较。

从实验结果图5可以看出，本专利的视频推荐方法在用户数少于50的时候，推荐准确性高于协同过滤算法，但是随着用户数增加，协同过滤算法的推荐准确率持续增加，而本专利所提出算法的推荐准确率则基本保持不变。但是总体上来看，本专利中推荐算法的推荐准确率仍可以保证在70%左右，比协同过滤算法的推荐准确率低不到10%。而在实际应用系统中，10%推荐准确率差别对用户体验没有特别大的影响。但是在响应时间方面，通过仿真实验图6可以观察到，当用户数较少时，两种推荐方法所需要的计算时间都在20ms以内，不会影响用户体验；但是当用户数继续增加，本专利所提出算法的响应时间始终低于15ms，而协同过滤算法的响应时间急剧增加，这在很大程度上会影响用户体验。因此，本专利中提出的结合粒子群算法的视频推荐方法在保证推荐准确率的前提下，需要更短的响应时间，可以提供更好的用户体验。

除上述实施例外，本发明还可以有其他实施方式。凡采用等同替换或等效变换形成的技术方案，均落在本发明要求的保护范围。

Claims

1.一种基于粒子群算法的视频推荐方法，其特征在于，按如下步骤进行：

S4、根据全局最优位置、每个视频文件的历史最优位置和每个视频文件的当前位置，计算每个视频的速度向量并进行更新，速度向量vi(t+1) = ωⅹvi(t) + c1ⅹrand()ⅹ( pi(t) - xi(t) ) + c2ⅹrand()ⅹ( gi(t) - x_i(t) )，其中，其中，ω、C1、C2是粒子群算法的固有参数；v_i(t)为第t次计算得到的视频文件的速度，如果t=1，则v_i(t)=0；c₁ⅹrand()ⅹ( p_i(t) - x_i(t) )为视频文件的当前位置；c₂ⅹrand()ⅹ( g_i(t) - x_i(t) )为视频文件的历史最差位置；

S5、根据每个视频文件的当前位置和速度向量更新视频文件的位置，位置更新公式为：x_i(t+1)= x_i(t)+ v_i(t+1)，其中，x_i(t)为第t次计算时的位置，v_i(t+1)为第t+1次计算时的速度向量；

2.根据权利要求1所述的一种基于粒子群算法的视频推荐方法，其特征在于，步骤S1中所述的视频文件的评价指标为导演、年代、女主演、男主演和影片类型。

3.根据权利要求1所述的一种基于粒子群算法的视频推荐方法，其特征在于，步骤S5中，每个视频文件更新位置向量时的方法为：最多需要移动5次位置，才移动到下一轮的位置向量上，计算该维度上当前位置向量和速度向量的和，并根据粒子位置在该维度的排序，移动到最近的位置，然后更新当前位置向量。