CN103974084B - 流媒体数据块缓存方法及文件推荐方法、流媒体服务器 - Google Patents

Abstract

本发明公开了一种流媒体数据块缓存方法，属于网络流媒体技术领域。本发明的流媒体数据块缓存方法根据用户的实际需要对用户可能感兴趣的流媒体数据块进行预测，并根据预测结果将用户可能感兴趣的流媒体数据块预先缓存并推送给用户。本发明还公开了一种流媒体文件推荐方法及一种流媒体服务器，所述流媒体文件推荐方法对用户可能感兴趣的相关流媒体文件进行预测，并根据预测结果将用户可能感兴趣的相关流媒体文件向用户进行主动推荐；所述流媒体服务器包括兴趣值预测模块、缓存管理模块、推荐模块。相比现有技术，本发明能够降低服务器负载，提升播放连贯率，优化用户体验。

Description

流媒体数据块缓存方法及文件推荐方法、流媒体服务器

技术领域

本发明涉及一种流媒体数据块缓存方法、流媒体文件推荐方法以及流媒体服务器，属于网络流媒体技术领域。

背景技术

流媒体(Streaming Media)是以流传输的方式在网络中传输的音视频等多媒体文件。流式传输方式是将多媒体文件经过特殊的压缩方式分成一个个压缩包，由服务器向用户计算机连续、实时地传送。在采用流式传输方式的系统中，用户不必像非流式播放那样等到整个文件全部下载完毕后才能看到当中的内容，而是只需要经过几秒钟或几十秒的下载缓存(Caching)即可在用户计算机上利用相应的解压设备(硬件或软件)对压缩后流式媒体文件解压后进行播放，剩余的部分将在已传输部分播放的同时在后台的服务器内继续下载，直至播放完毕。目前典型的流媒体技术包括RealNetworks公司的RealMedia、Microsoft公司的WindowsMediaTechnology和Apple公司的QuickTime等。

随着用户数量的不断增加，以及用户对于播放质量需求的不断提升，目前的流媒体服务器的负载和带宽消耗也日益沉重，单纯地改进流媒体压缩编解码技术、升级服务器的软硬件性能和扩容网络带宽也难以从根本上解决问题。为了能持续吸引用户以保持网站的访问量，流媒体服务提供商纷纷通过自行构建或租用大规模的数据中心，并不断的升级和扩充硬件设备，以支持不断增加的并发请求数量，从而提供令用户满意的流媒体服务。即便如此，在用户在线数量激增的服务高峰时段，用户仍常常发现音视频文件播放的不流畅的“卡壳”现象，屏幕显示出“暂停播放，等待缓存完成”的提示信息。

流媒体的巨大优势就在于其实时性，用户在观看媒体信息时，不必将其完全缓存。当用户登录流媒体共享网站浏览流媒体文件时，有以下几种情况值得关注：

1、某个流媒体文件是热门文件且能普遍引起用户的兴趣，用户常常会将流媒体文件全部看完，这时用户本地将缓存该文件的全部数据块；

2、某个流媒体文件的大部分内容都能普遍引起用户的兴趣，用户常常会将流媒体文件除了部分内容(如电视剧的片头、片尾、广告等)外全部看完，这时用户本地将缓存该流媒体文件的大部分数据块；

3、某个流媒体文件的标题或许能普遍引起用户的兴趣，但用户在看完开头部分即感到无聊，从而停止播放，这时用户本地仅会下载、缓存该流媒体文件的开头部分数据块；

4、用户点击该流媒体文件后，对该流媒体文件的兴趣不大，但也并非完全没有兴趣，采用拖曳进度条的方式，跳跃式地快速浏览该流媒体文件；

5、很多流媒体网站会对流媒体文件进行关联，即用户观看某一个流媒体文件时，将相关的流媒体文件标题及超链接也提供于页面上，供用户点击浏览。

由此可见，不同的流媒体文件以及同一流媒体文件中不同的数据块对于用户的吸引力也可能不同。因此，如果可以根据用户的实际需要对用户可能感兴趣的流媒体数据块进行预测，并有选择的将用户感兴趣的流媒体数据块及时推送给用户，则可在一定程度上达到降低服务器负载和提升播放连贯率等目标；同时，还可以进一步根据预测结果，将用户可能更感兴趣的相关流媒体文件推荐给用户，从而为用户提供更加人性化的服务并提升网站的点击率。

发明内容

本发明所要解决的技术问题在于克服现有流媒体技术难以满足客户需求的不足，提供一种流媒体数据块缓存方法，可根据用户的实际需要对用户可能感兴趣的流媒体数据块进行预测，并根据预测结果将用户可能感兴趣的流媒体数据块预先缓存并推送给用户，以达到降低服务器负载和提升播放连贯率的目的。

本发明采用以下技术方案解决上述技术问题：

一种流媒体数据块缓存方法，流媒体服务器在每个统计周期中计算各流媒体文件中各数据块的兴趣值；对于用户当前正在读取的流媒体文件，流媒体服务器根据该流媒体文件中各数据块的平均兴趣值，将后续数据块中平均兴趣值大于预设的数据块兴趣阈值的数据块按照在流媒体文件中的先后次序依次预先缓存并推送给用户；任一统计周期中第i个流媒体文件SF_i的第j个数据块SF_i.DB_j的兴趣值h_i,j按照下式计算：

$h_{i,j}=\left\{\begin{array}{cc}\frac{\underset{x}{\overset{k}{\mathrm{\Σ}}}{w}_{i,j,x}}{k},& k\≠0\\ 0,& k=0\end{array}\right.,$

式中，表示该统计周期中任一用户x对数据块SF_i.DB_j的兴趣值，s_i,j,x表示用户x在SF_i.DB_j上的停留时间，t_i,j为数据块SF_i.DB_j的播放时长，k为该统计周期中读取过数据块SF_i.DB_j的用户总数；

第i个流媒体文件SF_i的第j个数据块SF_i.DB_j的平均兴趣值h_i,j(average)按照下式计算：

$h_{i,j\left(\mathrm{average}\right)}=\left\{\begin{array}{cc}\mathrm{\α}\×h_{i,j\left(\mathrm{current}\right)}+(1-\mathrm{\α})\×\frac{\underset{t}{\overset{n}{\mathrm{\Σ}}}{h}_{i,j\left(t\right)}}{n},& n>0\\ h_{i,j\left(\mathrm{current}\right)},& n=0\end{array}\right.,$

式中，h_i,j(current)表示当前统计周期中第i个流媒体文件SF_i的第j个数据块SF_i.DB_j的兴趣值，h_i,j(t)表示当前统计周期之前的第t个历史统计周期中数据块SF_i.DB_j的兴趣值，n为历史统计周期的个数，α表示取值范围为(0，1]的权重系数。

根据相同的发明思路还可以得到一种流媒体文件推荐方法及一种流媒体服务器，具体如下：

一种流媒体文件推荐方法，流媒体服务器在每个统计周期中计算各流媒体文件中各数据块的兴趣值；对于用户当前正在读取的流媒体文件，流媒体服务器计算该流媒体文件的各相关流媒体文件的所有用户整体平均兴趣值，并从相关流媒体文件中选择所有用户整体平均兴趣值最大的若干相关流媒体文件按照所有用户整体平均兴趣值从大到小的次序向所述用户进行推荐；任一统计周期中第i个流媒体文件SF_i的第j个数据块SF_i.DB_j的兴趣值h_i,j按照下式计算：

$h_{i,j}=\left\{\begin{array}{cc}\frac{\underset{x}{\overset{k}{\mathrm{\Σ}}}{w}_{i,j,x}}{k},& k\≠0\\ 0,& k=0\end{array}\right.,$

式中，表示该统计周期中任一用户x对数据块SF_i.DB_j的兴趣值，s_i,j,x表示用户x在SF_i.DB_j上的停留时间，t_i,j为数据块SF_i.DB_j的播放时长，k为该统计周期中读取过数据块SF_i.DB_j的用户总数；

第i个流媒体文件SF_i的所有用户整体平均兴趣值q_i(average)按照下式计算：

$q_{i\left(\mathrm{average}\right)}=\frac{\underset{j}{\overset{m}{\mathrm{\Σ}}}{h}_{i,j\left(\mathrm{average}\right)}}{m},$

式中，m为第i个流媒体文件SF_i的数据块总数；h_i,j(average)表示第i个流媒体文件SF_i的第j个数据块SF_i.DB_j的平均兴趣值，按照下式计算：

$h_{i,j\left(\mathrm{average}\right)}=\left\{\begin{array}{cc}\mathrm{\α}\×h_{i,j\left(\mathrm{current}\right)}+(1-\mathrm{\α})\×\frac{\underset{t}{\overset{n}{\mathrm{\Σ}}}{h}_{i,j\left(t\right)}}{n},& n>0\\ h_{i,j\left(\mathrm{current}\right)},& n=0\end{array}\right.,$

其中，h_i,j(current)表示当前统计周期中第i个流媒体文件SF_i的第j个数据块SF_i.DB_j的兴趣值，h_i,j(t)表示当前统计周期之前的第t个历史统计周期中数据块SF_i.DB_j的兴趣值，n为历史统计周期的个数，α表示取值范围为(0，1]的权重系数。

一种流媒体服务器，包括：

——兴趣值预测模块，用于在每个统计周期中计算并保存各流媒体文件中各数据块的兴趣值，任一统计周期中第i个流媒体文件SF_i的第j个数据块SF_i.DB_j的兴趣值h_i,j按照下式计算：

$h_{i,j}=\left\{\begin{array}{cc}\frac{\underset{x}{\overset{k}{\mathrm{\Σ}}}{w}_{i,j,x}}{k},& k\≠0\\ 0,& k=0\end{array}\right.,$

式中，表示该统计周期中任一用户x对数据块SF_i.DB_j的兴趣值，s_i,j,x表示用户x在SF_i.DB_j上的停留时间，t_i,j为数据块SF_i.DB_j的播放时长，k为该统计周期中读取过数据块SF_i.DB_j的用户总数；

——缓存管理模块，用于计算并保存用户当前正在读取的流媒体文件中各数据块的平均兴趣值，并根据计算结果将后续数据块中平均兴趣值大于预设的数据块兴趣阈值的数据块按照在流媒体文件中的先后次序依次预先缓存并推送给用户；第i个流媒体文件SF_i的第j个数据块SF_i.DB_j的平均兴趣值h_i,j(average)按照下式计算：

$h_{i,j\left(\mathrm{average}\right)}=\left\{\begin{array}{cc}\mathrm{\α}\×h_{i,j\left(\mathrm{current}\right)}+(1-\mathrm{\α})\×\frac{\underset{t}{\overset{n}{\mathrm{\Σ}}}{h}_{i,j\left(t\right)}}{n},& n>0\\ h_{i,j\left(\mathrm{current}\right)},& n=0\end{array}\right.,$

式中，h_i,j(current)表示当前统计周期中第i个流媒体文件SF_i的第j个数据块SF_i.DB_j的兴趣值，h_i,j(t)表示当前统计周期之前的第t个历史统计周期中数据块SF_i.DB_j的兴趣值，n为历史统计周期的个数，α表示取值范围为(0，1]的权重系数；

——推荐模块，用于计算用户当前正在读取的流媒体文件的各相关流媒体文件的所有用户整体平均兴趣值，并从相关流媒体文件中选择所有用户整体平均兴趣值最大的若干相关流媒体文件按照所有用户整体平均兴趣值从大到小的次序向所述用户进行推荐；第i个流媒体文件SF_i的所有用户整体平均兴趣值q_i(average)按照下式计算：

$q_{i\left(\mathrm{average}\right)}=\frac{\underset{j}{\overset{m}{\mathrm{\Σ}}}{h}_{i,j\left(\mathrm{average}\right)}}{m},$

式中，m为第i个流媒体文件SF_i的数据块总数；h_i,j(average)表示第i个流媒体文件SF_i的第j个数据块SF_i.DB_j的平均兴趣值。

相比现有技术，本发明具有以下有益效果：

(1)本发明的流媒体数据块缓存方法通过预测下一用户可能请求的数据块，有导向性的指引系统进行提前的数据推送，从而减少用户访问数据块时因数据块缓存而需等待的时间，提升播放连贯率，优化了用户体验；

(2)本发明的流媒体数据块缓存方法使得需要缓存的数据块的数目在流媒体文件不是热点文件时大大减少，从而有效降低了服务器的负载压力；

(3)本发明的流媒体文件推荐方法通过分析相关流媒体文件的兴趣值数据预测用户将来可能会要点击的文件，有导向性的指引系统提前将用户可能更感兴趣的相关文件向用户进行推荐，从而优化了用户体验，提供了人性化的服务，提高了网站的点击率。

附图说明

图1为流媒体文件及数据块的关系示意图。

具体实施方式

下面结合附图对本发明的技术方案进行详细说明：

设流媒体数据存储与共享系统中有N个流媒体文件：{SF₁,SF₂,......,SF_i,......,SF_N}，流媒体文件之间基于其内容关联性形成网状结构；其中流媒体文件SF_i(表示第i个流媒体文件)包含有m个数据块：{DB₁,DB₂,......,DB_j,......,DB_m}，将每个数据块表示为SF_i.DB_j，表示第i个流媒体文件的第j个数据块。

流媒体数据存储与共享机制的典型过程为：

①用户x访问某个流媒体在线互动网站的门户服务器(由主服务器节点(MasterServer，MS)承担)，并点击网页上流媒体文件SF_i的超链接(Hyperlink)，存储并管理流媒体元数据的主服务器节点查询SF_i的数据块存储位置情况。假设SF_i包含有m个数据块：{DB₁,DB₂,......,DB_j,......,DB_m}，将每个数据块表示为SF_i.DB_j。

②依据流媒体文件数据块元数据表，系统给出用户获取数据块的副本来源，并将用户可用资源的地址信息等返回给用户x。

③用户x根据主服务器节点提供的信息直接向流媒体文件数据块存储节点发出服务请求。

④服务器节点根据服务请求中描述的数据块标识信息和用户x的主机地址将数据块发送回给用户x。

如图1所示，流媒体文件SF_i与SF_a、SF_b和SF_c具有内容关联性，这种关联性可通过文件的标题(title)、创建者(author)、频道(channel)以及关键词/主题词(keyword)等获取；为了能为用户提供人性化的服务并提升网站的点击率，系统为观看SF_i的用户提供SF_a、SF_b或SF_c的链接。然而这种信息的主动推荐有时并没有反应用户的真正意愿，也没有反应出用户对于SF_a、SF_b或SF_c的兴趣差异。同样SF_i本身包含的DB₁、DB₂和DB₃等数据块具有顺序关联性，然而用户对于这些数据块的兴趣也不尽相同，而用户对数据块的兴趣显然会影响到该数据块及后续数据块被下载浏览的概率。

针对这种情况，本发明根据用户的实际需要对用户可能感兴趣的流媒体数据块进行预测，并根据预测结果将用户可能感兴趣的流媒体数据块预先缓存并推送给用户，以达到降低服务器负载和提升播放连贯率的目的；类似地，本发明对用户可能感兴趣的相关流媒体文件进行预测，并根据预测结果将用户可能感兴趣的相关流媒体文件向用户进行主动推荐，从而为用户提供更加人性化的服务并提升网站的点击率。

由于本发明的核心是基于对用户可能感兴趣的数据块、流媒体文件进行预测，因此用户兴趣值的确定至关重要，下面对其进行详细介绍：

若用户完整地欣赏完某一个流媒体文件数据块，并继续浏览下一段视频，显然用户对于该流媒体文件数据块是感兴趣的，该数据块及其后续数据块也应被尽快推送到用户主机，而不应让用户等待；反之，若用户刚下载观看了某个流媒体文件的数据块，很快中止，或是快速拖曳至下一个数据块，则表明用户对于该流媒体文件数据块是不感兴趣的，该数据块的后续数据块也将没有必要主动推送到用户主机，从而节省系统资源和网络带宽。因此，有必要为每个流媒体文件及其各数据块设定确切的用户兴趣值。

设流媒体文件数据块SF_i.DB_j的播放时长为t_i,j，用户x在该数据块上的停留时间为s_i,j,x，则可将用户x对数据块SF_i.DB_j的兴趣值w_i,j,x表示为：

$w_{i,j,x}=\frac{S_{i,j,x}}{t_{i,j}}---\left(1\right)$

假设当前统计周期中有k个用户下载并观赏了数据块SF_i.DB_j，则SF_i.DB_j在该统计周期中的兴趣值h_i,j为：

$h_{i,j}=\left\{\begin{array}{cc}\frac{\underset{x}{\overset{k}{\mathrm{\Σ}}}{w}_{i,j,x}}{k},& k\≠0\\ 0,& k=0\end{array}\right.---\left(2\right)$

上述当前统计周期中的兴趣值h_i,j可以直接用于判断数据块是否为用户感兴趣的数据块，然而为了使预测结果更准确，有必要综合考虑历史统计结果。本发明取历史统计周期(假设保存有n个历史统计周期的数据)的兴趣值数据和当前统计周期的兴趣值数据进行加权计算，即第i个流媒体文件SF_i的第j个数据块SF_i.DB_j的平均兴趣值h_i,j(average)按照下式计算：

$h_{i,j\left(\mathrm{average}\right)}=\left\{\begin{array}{cc}\mathrm{\α}\×h_{i,j\left(\mathrm{current}\right)}+(1-\mathrm{\α})\×\frac{\underset{t}{\overset{n}{\mathrm{\Σ}}}{h}_{i,j\left(t\right)}}{n},& n>0\\ h_{i,j\left(\mathrm{current}\right)},& n=0\end{array}\right.---\left(3\right)$

式中，h_i,j(current)表示当前统计周期中第i个流媒体文件SF_i的第j个数据块SF_i.DB_j的兴趣值，h_i,j(t)表示当前统计周期之前的第t个历史统计周期中数据块SF_i.DB_j的兴趣值，α表示权重系数，其具体数值可在(0，1]的范围内根据实际情况选取。

上述平均兴趣值h_i,j(average)即可用于判断数据块SF_i.DB_j是否为用户感兴趣的数据块。此外，也可根据h_i,j(average)按照式(4)得到第i个流媒体文件SF_i的所有用户整体平均兴趣值q_i(average)：

$q_{i\left(\mathrm{average}\right)}=\frac{\underset{j}{\overset{m}{\mathrm{\Σ}}}{h}_{i,j\left(\mathrm{average}\right)}}{m}---\left(4\right)$

式中，m为第i个流媒体文件SF_i的数据块总数；h_i,j(average)表示第i个流媒体文件SF_i的第j个数据块SF_i.DB_j的平均兴趣值。

根据以上兴趣值的计算方法，可以对现有流媒体数据存储与共享系统进行改进，在流媒体服务器中设置兴趣值预测模块、缓存管理模块、推荐模块，其中，兴趣值预测模块在每个统计周期中按照公式(1)、(2)计算并保存各流媒体文件中各数据块的兴趣值；缓存管理模块按照式(3)计算并保存用户当前正在读取的流媒体文件中各数据块的平均兴趣值，并根据计算结果将后续数据块中平均兴趣值大于预设的数据块兴趣阈值的数据块按照在流媒体文件中的先后次序依次预先缓存并推送给用户；推荐模块按照式(4)计算用户当前正在读取的流媒体文件的各相关流媒体文件的所有用户整体平均兴趣值，并从这些相关流媒体文件中选择所有用户整体平均兴趣值最大的若干相关流媒体文件按照所有用户整体平均兴趣值从大到小的次序向所述用户进行推荐。

当用户x点击目标为SF_i的链接时，系统首先将开头的数据块SF_i.DB₁推送给用户。当用户在下载浏览SF_i.DB₁时，需要考虑的重点是系统是否应该主动地将SF_i.DB₂乃至SF_i.DB₃…等也预先推送给用户。由于流媒体文件具有内容和结构上的双重连续性，因此在决定是否预推送SF_i.DB₁后续的数据块以及推送哪些数据块时，应全面考察所有后续数据块的平均用户兴趣值h_i,2、h_i,3、…、h_i,m，流媒体服务器按照以下方法进行流媒体数据块关联缓存：

步骤1、流媒体服务器首先将用户点击浏览的流媒体文件SF_i的第一个数据块SF_i.DB₁推送给用户；

步骤2、兴趣值预测模块计算当前周期中各流媒体中各数据块SF_i.DB_j的兴趣值w_i,j,x，在此基础上计算并记录各数据块在当前周期中的兴趣值h_i,j和当前统计周期之前的n个历史统计周期中的兴趣值h_i,j(t)，其中t＝1,2,...,n；缓存管理模块根据兴趣值预测模块输出的各数据块在当前周期和n个历史周期中的兴趣值，计算各数据块SF_i.DB_j的平均兴趣值h_i,j(average)，并从SF_i.DB₁的后续数据块中选出平均兴趣值大于预设的数据块兴趣阈值h_yz的数据块，又可称为兴趣块(interest block)，将其加入兴趣块队列(interest blockqueue)，数据块兴趣阈值h_yz∈(0,1]；

步骤3、根据上述步骤得到的兴趣块队列，缓存管理模块按数据块编号从小到大的顺序预先缓存并向用户推送兴趣块队列中的兴趣块。

当用户x点击目标为SF_i的链接时，用户在观看文件SF_i的同时可以向其推荐相关文件的链接。因此在决定推荐哪些视频文件时，应全面考察相关流媒体文件SF_i.related(例如拥有同样或相似的标题、创建者、频道、关键词等特征的流媒体文件)的所有用户整体兴趣值q_i.related，并根据所有用户整体兴趣值q_i.related确定具体推荐的相关流媒体文件，具体过程如下：

步骤1、获取正在下载观看的流媒体文件的相关流媒体文件SF_i.related；

步骤2、当用户访问文件SF_i的同时，推荐模块根据缓存管理模块中的数据记录计算各相关流媒体文件SF_i.related的所有用户整体平均兴趣值q_{i.related(average)}；

步骤3、从正在下载观看的流媒体文件的相关流媒体文件中，按照相关链接限定个数Z，选择用户整体平均兴趣值q_{i.related(average)}最大的前Z个文件按照q_{i.related(average)}从大到小的次序放入推荐列表，向用户进行推荐。

Claims (4)

1.一种流媒体数据块缓存方法，其特征在于，流媒体服务器在每个统计周期中计算各流媒体文件中各数据块的兴趣值；对于用户当前正在读取的流媒体文件，流媒体服务器根据该流媒体文件中各数据块的平均兴趣值，将后续数据块中平均兴趣值大于预设的数据块兴趣阈值的数据块按照在流媒体文件中的先后次序依次预先缓存并推送给用户；任一统计周期中第i个流媒体文件SF_i的第j个数据块SF_i.DB_j的兴趣值h_i,j按照下式计算：

$h_{i,j}=\left\{\begin{array}{cc}\frac{\underset{x}{\overset{k}{\Σ}}{w}_{i,j,x}}{k},& k\≠0\\ 0,& k=0\end{array}\right.,$

式中，表示该统计周期中任一用户x对数据块SF_i.DB_j的兴趣值，s_i,j,x表示用户x在SF_i.DB_j上的停留时间，t_i,j为数据块SF_i.DB_j的播放时长，x＝1,2,…,k，k为该统计周期中读取过数据块SF_i.DB_j的用户总数；

第i个流媒体文件SF_i的第j个数据块SF_i.DB_j的平均兴趣值h_i,j(average)按照下式计算：

$h_{i,j\left(average\right)}=\left\{\begin{array}{cc}\mathrm{\α}\×h_{i,j\left(current\right)}+(1-\mathrm{\α})\×\frac{\underset{t}{\overset{n}{\Σ}}{h}_{i,j\left(t\right)}}{n},& n>0\\ h_{i,j\left(current\right)},& n=0\end{array}\right.,$

式中，h_i,j(current)表示当前统计周期中第i个流媒体文件SF_i的第j个数据块SF_i.DB_j的兴趣值，h_i,j(t)表示当前统计周期之前的第t个历史统计周期中数据块SF_i.DB_j的兴趣值，t＝1,2,…,n，n为历史统计周期的个数，α表示取值范围为(0，1]的权重系数。

2.一种流媒体文件推荐方法，其特征在于，流媒体服务器在每个统计周期中计算各流媒体文件中各数据块的兴趣值；对于用户当前正在读取的流媒体文件，流媒体服务器计算该流媒体文件的各相关流媒体文件的所有用户整体平均兴趣值，并从相关流媒体文件中选择所有用户整体平均兴趣值最大的若干相关流媒体文件按照所有用户整体平均兴趣值从大到小的次序向所述用户进行推荐；任一统计周期中第i个流媒体文件SF_i的第j个数据块SF_i.DB_j的兴趣值h_i,j按照下式计算：

$h_{i,j}=\left\{\begin{array}{cc}\frac{\underset{x}{\overset{k}{\Σ}}{w}_{i,j,x}}{k},& k\≠0\\ 0,& k=0\end{array}\right.,$

式中，表示该统计周期中任一用户x对数据块SF_i.DB_j的兴趣值，s_i,j,x表示用户x在SF_i.DB_j上的停留时间，t_i,j为数据块SF_i.DB_j的播放时长，x＝1,2,…,k，k为该统计周期中读取过数据块SF_i.DB_j的用户总数；

第i个流媒体文件SF_i的所有用户整体平均兴趣值q_i(average)按照下式计算：

$q_{i\left(average\right)}=\frac{\underset{j}{\overset{m}{\Σ}}{h}_{i,j\left(average\right)}}{m},$

式中，j＝1,2,…,m，m为第i个流媒体文件SF_i的数据块总数；h_i,j(average)表示第i个流媒体文件SF_i的第j个数据块SF_i.DB_j的平均兴趣值，按照下式计算：

$h_{i,j\left(average\right)}=\left\{\begin{array}{cc}\mathrm{\α}\×h_{i,j\left(current\right)}+(1-\mathrm{\α})\×\frac{\underset{t}{\overset{n}{\Σ}}{h}_{i,j\left(t\right)}}{n},& n>0\\ h_{i,j\left(current\right)},& n=0\end{array}\right.,$

其中，h_i,j(current)表示当前统计周期中第i个流媒体文件SF_i的第j个数据块SF_i.DB_j的兴趣值，h_i,j(t)表示当前统计周期之前的第t个历史统计周期中数据块SF_i.DB_j的兴趣值，t＝1,2,…,n，n为历史统计周期的个数，α表示取值范围为(0，1]的权重系数。

3.如权利要求2所述流媒体文件推荐方法，其特征在于，任一流媒体文件的相关流媒体文件是指根据以下特征中的至少一种确定的内容相关的流媒体文件：标题、创建者、频道、关键词。

4.一种流媒体服务器，其特征在于，包括：

兴趣值预测模块，用于在每个统计周期中计算并保存各流媒体文件中各数据块的兴趣值，任一统计周期中第i个流媒体文件SF_i的第j个数据块SF_i.DB_j的兴趣值h_i,j按照下式计算：

$h_{i,j}=\left\{\begin{array}{cc}\frac{\underset{x}{\overset{k}{\Σ}}{w}_{i,j,x}}{k},& k\≠0\\ 0,& k=0\end{array}\right.,$

式中，表示该统计周期中任一用户x对数据块SF_i.DB_j的兴趣值，s_i,j,x表示用户x在SF_i.DB_j上的停留时间，t_i,j为数据块SF_i.DB_j的播放时长，x＝1,2,…,k，k为该统计周期中读取过数据块SF_i.DB_j的用户总数；

缓存管理模块，用于计算并保存用户当前正在读取的流媒体文件中各数据块的平均兴趣值，并根据计算结果将后续数据块中平均兴趣值大于预设的数据块兴趣阈值的数据块按照在流媒体文件中的先后次序依次预先缓存并推送给用户；第i个流媒体文件SF_i的第j个数据块SF_i.DB_j的平均兴趣值h_i,j(average)按照下式计算：

$h_{i,j\left(average\right)}=\left\{\begin{array}{cc}\mathrm{\α}\×h_{i,j\left(current\right)}+(1-\mathrm{\α})\×\frac{\underset{t}{\overset{n}{\Σ}}{h}_{i,j\left(t\right)}}{n},& n>0\\ h_{i,j\left(current\right)},& n=0\end{array}\right.,$

式中，h_i,j(current)表示当前统计周期中第i个流媒体文件SF_i的第j个数据块SF_i.DB_j的兴趣值，h_i,j(t)表示当前统计周期之前的第t个历史统计周期中数据块SF_i.DB_j的兴趣值，t＝1,2,…,n，n为历史统计周期的个数，α表示取值范围为(0，1]的权重系数；

推荐模块，用于计算用户当前正在读取的流媒体文件的各相关流媒体文件的所有用户整体平均兴趣值，并从相关流媒体文件中选择所有用户整体平均兴趣值最大的若干相关流媒体文件按照所有用户整体平均兴趣值从大到小的次序向所述用户进行推荐；第i个流媒体文件SF_i的所有用户整体平均兴趣值q_i(average)按照下式计算：

$q_{i\left(average\right)}=\frac{\underset{j}{\overset{m}{\Σ}}{h}_{i,j\left(average\right)}}{m},$

式中，j＝1,2,…,m，m为第i个流媒体文件SF_i的数据块总数；h_i,j(average)表示第i个流媒体文件SF_i的第j个数据块SF_i.DB_j的平均兴趣值。