CN104333777A - 一种广播电视节目单制定系统及方法 - Google Patents

Abstract

本发明提供一种广播电视节目单制定系统及方法，包括：输入单元，输入确定收视偏好所需的各参数并生成参数的调用指令；节目数据库，用于将各节目播放信息存储为数据源，接收输入单元的调用指令调出参数指定的数据源；收视数据库，通过机顶盒收视信号采集用户对各节目收看信息存储为数据源，接收输入单元调用指令调出参数指定的数据源；收视空间构造单元，接收数据源，构造基于空间邻近信息和节目属性特征的二维收视空间；广播电视社区划分单元，对收视空间内用户进行划分，得到各节目类型的广播电视社区；节目单制定单元，制定符合收视偏好节目单并存储；节目单发送单元，将节目单发送给用户。本发明构造二维空间能够对广播电视用户准确分群。

Description

一种广播电视节目单制定系统及方法

技术领域

本发明涉及广播电视领域，更为具体地，涉及一种符合广播电视用户收视偏好的广播电视节目单制定系统及方法。

背景技术

随着广播电视行业的发展以及电视资源的不断丰富，用户在收视过程中形成了不同的节目类型偏好。通过对用户收视行为进行分析，对收视用户进行分群，找到具有相同收视习惯的用户群体，即广播电视社区，将符合该社区的个性节目分别推荐给收视用户，成为广播电视行业研究的焦点之一。

现有的广播电视社区的划分仅仅采用简单广播电视属性特征指标，例如按照收视率的高低进行划分，这种方法划分的广播电视社区零散，且与收视偏好的符合度较低。

在信息检索、数据挖掘领域存在一种聚类分析方法，就是把对象按照性质上的亲疏程度分成多个类或簇，使得类或簇内的数据具有较高相似度，不同类或簇间的数据具有较高的相异程度。谱聚类算法是一种基于图的聚类算法，该算法能够根据顶点之间的权值对图进行划分，由于该算法可以在任意形状的样本空间中进行聚类，而且能够收敛于全局最优解而受到广泛重视。

现有在谱聚类算法中，相似度矩阵的构造与聚类结果的好坏有着直接的关系。谱聚类中最常用的相似度是高斯核相似度，此相似度度量的最大问题是尺度参数σ的选取，不同的尺度参数可能得到不同的聚类结果。传统高斯核参数σ需经验假设，将以传统高斯核为基础的谱聚类方法应用到广播电视领域，其对广播电视社区的划分准确性很低，所以不能制定符合收视偏好的节目单给广播电视社区内的收视用户。

发明内容

鉴于上述问题，本发明的目的是提供一种准确划分广播电视社区且制定符合社区内用户收视偏好的节目单制定系统及方法。

根据本发明的一个方面，提供一种广播电视节目单制定系统，包括：输入单元，用于输入上述系统确定广播电视用户收视偏好所需的各种参数并生成上述参数所需的调用指令；节目数据库，用于将各种类型的节目播放信息存储为数据源，并接收输入单元的调用指令调出所述参数指定的数据源；收视数据库，通过用户机顶盒的收视信号采集用户对各节目类型的收看信息，并存储为数据源，接收输入单元的调用指令调出所述参数指定的数据源；收视空间构造单元，接收输入单元的调用指令、节目数据库调出的数据源和收视数据库调出的数据源，根据上述调用指令调出与调用指令相符的构造方法，并利用上述数据源和上述构造方法构造基于空间邻近信息和节目属性特征的二维收视空间；广播电视社区划分单元，接收输入单元的调用指令，对收视空间构造单元构造的收视空间内的广播电视用户进行划分，得到各节目类型的广播电视社区；节目单制定单元，制定符合广播电视社区划分单元划分的各个社区节目偏好的节目单并存储；节目单发送单元，将符合各个广播电视社区节目偏好的节目单通过短信、微信、APP、邮件发送给用户，或者通过机顶盒发送到用户的数字电视。

根据本发明的另一个方面，提供一种广播电视节目单制定方法，包括：通过输入单元输入确定用户偏好所需的各种参数并生成上述参数所需的调用指令；根据输入单元的调用指令从节目数据库和收视数据库调用上述参数指定的数据源并导入到收视空间构造单元；根据输入单元的调用指令调用收视空间构造方法，利用上述构造方法和数据源构造基于空间邻近信息和节目属性特征的二维收视空间；对所述收视空间内的广播电视用户进行划分形成各节目类型的广播电视社区，即确定了各广播电视社区的节目偏好；制定符合各广播电视社区的节目偏好节目单；将制定好的节目单发送给个广播电视社区的用户。

本发明所述广播电视节目单制定系统及方法可以根据广播电视用户对不同节目类型的收视情况，构造基于空间临近信息和节目属性特征二维收视空间，不仅可以自动确定收视空间内数据集中属性间的权重关系，而且可以更加准确地描述多密度数据点间的相似度，降低离群点(噪声点)对其他数据点相似度的影响，能够准确的对各节目类型的用户进行划分，即，准确地确定了广播电视用户收视偏好，从而制定出与用户收视偏好符合度高的节目单。

附图说明

通过参考以下结合附图的说明及权利要求书的内容，并且随着对本发明的更全面理解，本发明的其它目的及结果将更加明白及易于理解。在附图中：

图1是本发明广播电视节目单制定系统的构成框图；

图2是本发明广播电视节目单制定方法的流程图；

图3是本发明输入广播电视用户收视偏好的各参数的示意图；

图4是本发明构造基于空间邻近信息和属性特征二维收视空间的方法流程图；

图5是本发明所述属性特征权重矩阵的构造方法的流程图；

图6是本发明所述各节目类型的广播电视社区的划分方法的流程图；

在所有附图中相同的标号指示相似或相应的特征或功能。

具体实施方式

在下面的描述中，出于说明的目的，为了提供对一个或多个实施例的全面理解，阐述了许多具体细节。然而，很明显，也可以在没有这些具体细节的情况下实现这些实施例。以下将结合附图对本发明的具体实施例进行详细描述。

以下将结合附图对本发明的具体实施例进行详细描述。

图1本发明广播电视节目单制定系统的构成框图，如图1所示,本发明所述节目单制定系统包括：

输入单元100，用于输入上述系统确定广播电视用户收视偏好所需的各种参数并生成上述参数所需的调用指令，所述确定广播电视用户收视偏好所需的各种参数至少包括：节目类型、节目属性特征指标、空间区域、时间区域和社区个数，输入单元100可以是触摸屏、键盘、手写板、鼠标等。

所述节目类型可以为电视剧、电影、新闻、综艺、广告等；

所述节目属性特征指标可以是与收视时长成正比的广播电视参数，例如，收视时长、收视指数、忠诚指数等，其中，收视指数是指某类节目单位播出时间内，用户的收视时长，反映了用户对节目类型的偏爱程度，忠诚指数是指用户对某类节目单位视频次内的收视时长，反映了用户对该节目的忠诚程度。由于采用节目类型与收视次数成正比的偏好对广播电视用户分群，收视频率高的节目(例如，广告)的用户喜好度要高于视频率低的节目，即对用户分群不准确，所以为了准确分群，优选地，采用收视指数或者忠诚指数作为广播电视用户分群的属性特征指标。

空间区域可以是省、市、区等；

时间区域为选定各节目类型的计算时间段；

社区个数就是预定的将广播收视用户划分成各节目类型的广播电视社区数目。

另外，输入单元100至少生成节目类型、节目属性特征指标、空间区域、时间区域和社区个数所需的调用指令，例如，节目类型为电视剧，节目属性特征指标为收视指数，空间区域为北京市，时间区域为2003年1月1日至2014年1月1日，社区个数为3，则生成以下指令：北京市，2003年1月1日至2014年1月1日，电视剧的播放时长数据源调用指令，上述空间区域和时间区域内的电视剧的收视时长数据源调用指令，属性特征指标为收视指数调用指令和社区个数为3的调用指令。

节目数据库110，用于将各种类型的节目播放信息存储为数据源，并接收输入单元100的调用指令调出所述参数指定的数据源，如上例中，节目类型数据库110接收输入单元100关于北京市，2003年1月1日至2014年1月1日，电视剧的播放时长数据源调用指令，并调出上述数据源。

收视数据库120，通过用户机顶盒的收视信号采集用户对各节目类型的收看信息，并存储为数据源，接收输入单元100的调用指令调出所述参数指定的数据源，如输入单元调用指令的例子，收视数据库120接收输入单元100关于北京市，2003年1月1日至2014年1月1日电视剧的收视时长数据源调用指令，并调出上述数据源。

收视空间构造单元130，接收输入单元100的调用指令、节目数据库调出的数据源、收视数据库调出的数据源，根据上述调用指令调出与调用指令相符的构造方法，并利用上述数据源和上述构造方法构造基于空间邻近信息和节目属性特征的二维收视空间，如输入单元调用指令的例子，收视空间构造单元130接收输入单元100关于属性特征指标为收视指数的调用指令，调出基于空间邻近信息和收视指数二维空间的构造方法，并接收节目数据库的播放时长数据源和收视数据库的收视时长数据源，利用上述数据源和上述构造方法构造基于空间邻近信息和收视指数二维空间；

广播电视社区划分单元140，接收输入单元100的调用指令，对收视空间构造单元构造130的收视空间内的广播电视用户进行划分，得到各节目类型的广播电视社区，例如，接收输入单元社区个数为3的调用指令，在基于空间邻近信息和收视指数二维空间内，按照不同用户收视指数的相似度，将电视剧划分成爱情类电视剧社区、战争类电视剧社区、乡村类电视剧广播电视社区；

节目单制定单元150，制定符合广播电视社区划分单元划分的各个社区节目偏好的节目单并存储，以上例中的爱情类广播电视社区为例，将即将上映或者热播的所有爱情类的电视剧制成电子节目单，包括各电视剧的名称、主要演员、上映时间、上映地点、国家、语言种类、简介、图片等；

节目单发送单元160，将符合各个广播电视社区节目偏好的节目单通过短信、微信、APP、邮件发送给用户，或者通过机顶盒发送到用户的数字电视，如上述两例，将爱情类的电子节目单中的各电视剧的名称、主要演员、上映时间、上映地点通过短信或者发送到用户的手机，或者将详细的电子节目单通过机顶盒发送到用户的数字电视，当用户开启电视节目导航时，将电子节目单呈现在电视上，节约了用户查找广播电视节目的时间。

图2是本发明广播电视节目单制定方法的流程图，如图2所示，所述制定方法包括以下几个步骤：

首先，在步骤S200中，通过输入单元100输入确定用户收视偏好所需的各种参数，并生成上述参数所需的调用指令，至少输入节目类型、节目属性特征指标、空间区域、时间区域和社区个数，例如，输入单元100为触摸屏时，上述各参数指标通过图3所示的界面通过各参数的下拉菜单进行选择，对各参数进行确定，生成形成在空间区域和时间区域内的节目类型的属性特征指标所需的调用指令；

确定了收视偏好的参数生成调用指令以后，在步骤S210中根据输入单元的调用指令从节目数据库和收视数据库调用上述参数指定的数据源并导入到收视空间构造单元，以属性特征指标为收视指数为例，导入数据源为节目类型播出时长矩阵B和表示节目类型收视时长矩阵T,

B＝[B₁,…,B_m]，，，，，，，

其中：

B表示节目类型播出时长矩阵；

B_p表示节目类型p的播出时长,1≤p≤m,m表示节目类型总数,B_p＝BET_p-BST_p，BET_p、BST_p分别表示节目类型p的播出时间和结束时间；

T_ip、VET_ip、VST_ip分别表示用户i对节目类型p的收视时长、收看起始时间、收看结束时间，T_ip＝VET_ip-VST_ip；

T表示节目类型收视时长矩阵，每列表示不同用户观看某类节目的收视时长，例如，T_p表示节目类型p的收视时长矩阵

$T_p=\left(\begin{array}{c}{T}_{1p}\\ \·\\ \·\\ \·\\ T_{\mathrm{ip}}\\ \·\\ \·\\ \·\\ T_{\mathrm{np}}\end{array}\right).$

导入原始数据源以后，在步骤S220中，根据输入单元的调用指令调用收视空间构造方法，利用上述构造方法和数据源构造基于空间邻近信息和节目属性特征的二维收视空间，以节目属性特征指标为收视指数为例，调用的是基于空间邻近信息和收视指数的构造方法，利用调用的构造方法和数据源构造二维收视空间的方法将在图4的描述中详细说明；

构造了基于空间邻近信息和节目属性特征的二维收视空间以后，在步骤S230中，对所述收视空间内的广播电视用户进行划分形成各节目类型的广播电视社区，即确定了各广播电视社区的节目偏好，上述步骤的具体过程将在图6的描述中说明；

得到各节目类型的广播电视社区以后，在步骤S240中，制定符合各广播电视社区收视偏好的节目单，具体地，从节目数据库库中将符合各广播电视社区的节目的上映信息和播放信息调出来，按照时间、国家、语言、或者节目属性特征指标大小排列出来形成节目单；

节目单制定好以后，在步骤S250中将制定好的节目单发送给个广播电视社区的用户。

图4是本发明构造基于空间邻近信息和属性特征二维收视空间的方法流程图，如图4所示，所述收视空间的构造方法包括以下几个步骤：

首先，在步骤S400中，利用所述数据源构造各节目类型的属性特征指标矩阵，以收视指数作为节目属性特征指标为例，根据播出时长矩阵T矩阵和收视时长矩阵B矩阵，计算不同用户的各节目类型收视指数，构建节目类型收视指数矩阵M。

其中，M表示节目类型收视指数矩阵，矩阵中的列元素为不同用户对某类节目的收视指数，例如，节目类型p的收视指数为

$M_p=\left(\begin{array}{c}{M}_{1p}\\ \·\\ \·\\ \·\\ M_{\mathrm{ip}}\\ \·\\ \·\\ \·\\ M_{\mathrm{np}}\end{array}\right);$

$M_{1p}=\frac{T_{1p}}{B_p},M_{\mathrm{ip}}=\frac{T_{\mathrm{ip}}}{B_p},M_{\mathrm{np}}=\frac{T_{\mathrm{np}}}{B_p}$

其中，M_1p、M_ip、M_np分别表示用户1、用户i、用户n对节目类型p的收视指数。

得到属性特征指标的矩阵之后，在步骤S410中，分别将上述矩阵中每一类节目类型的属性特征指标的数值同时增加和减少相同百分比，各节目类型增加和减少的百分比相同，所述百分比在10％-30％范围内，例如，将矩阵M中节目类型p的收视指数增加10％，记为将矩阵M中节目类型p的收视指数减少10％，记为

$M_{p_{+}}=\left(\begin{array}{c}{M}_{1p}*1.1\\ \·\\ \·\\ \·\\ M_{\mathrm{np}}*1.1\end{array}\right)$

$M_{p_{-}}=\left(\begin{array}{c}{M}_{1p}*0.9\\ \·\\ \·\\ \·\\ M_{\mathrm{np}}*0.9\end{array}\right)$

得到各节目类型的属性特征指标数值增加和减少的矩阵后，在步骤S420中，分别构造各节目类型的属性特征指标增加和减少的高斯核相似度矩阵，例如，根据矩阵，按照下述公式，分别计算节目类型p的收视指数增加与减少10％对应的高斯核相似度矩阵

${A^{\′}}_{{\mathrm{ij}}_{+}}=e^{-\frac{d^{\′2}(x_{i_{+}},x_{j_{+}})}{{{\mathrm{\σ}}^{\′}}_{i_{+}}{{\mathrm{\σ}}^{\′}}_{j_{+}}}},{A^{\′}}_{i{j}_{-}}=e^{-\frac{d^{\′2}(x_{i_{-}},x_{j_{-}})}{{{\mathrm{\σ}}^{\′}}_{i_{-}}{{\mathrm{\σ}}^{\′}}_{j_{\text{-}}}}}$

${{\mathrm{\σ}}^{\′}}_{i_{+}}=\frac{1}{K_{i_{+}}}\underset{x_{K_{i_{+}}}\∈N_{i_{+}}}{\mathrm{\Σ}}{d}^{\′}(x_{i_{+}},x_{{K_i}_{+}})=\frac{1}{K_{i_{+}}}\underset{x_{k_{i_{+}}}\∈N_{i_{+}}}{\mathrm{\Σ}}\sqrt{\underset{p=1}{\overset{m}{\mathrm{\Σ}}}{(M_{{\mathrm{ip}}_{+}}-M_{{\mathrm{Kp}}_{+}})}^2}$

${{\mathrm{\σ}}^{\′}}_{j_{+}}=\frac{1}{K_{j_{+}}}\underset{x_{K_{j_{+}}}\∈N_{j_{+}}}{\mathrm{\Σ}}{d}^{\′}(x_{j_{+}},x_{K_{j_{+}}})=\frac{1}{K_{j_{+}}}\underset{x_{K_{j_{+}}}\∈N_{j_{+}}}{\mathrm{\Σ}}\sqrt{\underset{p=1}{\overset{m}{\mathrm{\Σ}}}{(M_{{\mathrm{ip}}_{+}}-M_{{\mathrm{Kp}}_{+}})}^2}$

$d^{\′}(x_{i_{+}},x_{j_{+}})=\sqrt{\underset{p=1}{\overset{m}{\mathrm{\Σ}}}{(M_{{\mathrm{ip}}_{+}}-M_{{\mathrm{jp}}_{+}})}^2}$

${{\mathrm{\σ}}^{\′}}_{i_{-}}=\frac{1}{K_{i_{-}}}\underset{x_{K_{i-}}\∈N_{i-}}{\mathrm{\Σ}}{d}^{\′}(x_{i_{-}},x_{K_{i_{-}}})=\frac{1}{K_{i_{-}}}\underset{x_{K_{i-}}\∈N_{i_{-}}}{\mathrm{\Σ}}\sqrt{\underset{p=1}{\overset{m}{\mathrm{\Σ}}}{(M_{{\mathrm{ip}}_{-}}-M_{{\mathrm{Kp}}_{-}})}^2}$

${{\mathrm{\σ}}^{\′}}_{j_{-}}=\frac{1}{K_{j_{-}}}\underset{x_{K_{j-}}\∈N_{j-}}{\mathrm{\Σ}}{d}^{\′}(x_{j_{-}},{x_{K_{j_{-}}}}_{})=\frac{1}{K_{j_{-}}}\underset{x_{K_{j-}}\∈N_{j-}}{\mathrm{\Σ}}\sqrt{\underset{p=1}{\overset{m}{\mathrm{\Σ}}}{(M_{{\mathrm{jp}}_{-}}-M_{{\mathrm{Kp}}_{-}})}^2}$

$d^{\′}(x_{i_{-}},x_{j_{-}})=\sqrt{\underset{p=1}{\overset{m}{\mathrm{\Σ}}}{(M_{{\mathrm{ip}}_{-}}-M_{{\mathrm{jp}}_{-}})}^2}$

其中：

分别表示节目类型p的收视指数的数值增加和减少10％后的高斯核相似度矩阵；

表示矩阵中的元素，表示矩阵中的元素，分别为节目类型p数值增加和减少10％后，用户i与用户j之间的高斯核相似度，1≤i≤n，1≤j≤n，n表示用户总数；

分别表示节目类型p的收视指数增加和减少10％后的高斯核参数；

分别表示节目类型p的收视指数增加和减少10％后，用户i和用户j的各节目类型指数构成的数据点；

分别表示节目类型p的收视指数增加和减少10％后，数据点x_i与数据点x_j之间的欧氏距离；

表示节目类型p的收视指数增加和减少10％后，数据点x_i的近邻数据点， $1\≤N_{i_{+}}\≤K_{i_{+}},1\≤N_{i_{-}}\≤K_{i_{-}},$ 和通常取为7；

分别表示节目类型p的收视指数增加和减少10％后，数据点x_j与K_j+、K_j-个近邻数据点间欧氏距离的和，N_j+，N_j-分别表示节目类型p的收视指数增加和减少10％后数据点x_j的近邻数据点，1≤N_j+≤K_j+，1≤N_j-≤K_j-，K_j+和K_j-通常取为7；

得到各节目类型的属性特征指标数值增加和减少高斯核相似度的矩阵后，在步骤S430中，根据上述高斯核相似度矩阵得到各节目类型的属性特征权重值，组成属性特征权重矩阵；具体地，如图5所示，首先，在步骤S500中，

利用各节目类型收视指数变化对相似度的影响得到各节目类型的相似度影响值，即SIV值，以节目类型p的收视指数对应的SIV_p值为例，

${\mathrm{SIV}}_p=S_{p_{+}}-S_{p_{-}}=\mathrm{\Σ}{A_{p_{+}}}^{\′}-\mathrm{\Σ}{A_{p_{-}}}^{\′}$

其中，SIV_p表示节目类型p对应的SIV值；表示节目类型p收视指数增加10％对应的高斯核相似度元素的和；表示节目类型p收视指数减少10％对应的高斯核相似度元素的和。

得到各节目类型的属性特征的相似度影响值以后，在步骤S510中，利用各节目类型的相似度影响值得到各节目类型的平均相似度影响值,即MSIV值，以节目类型p的收视指数对应的MSIV_p值为例,

${\mathrm{MSIV}}_p=\frac{{\mathrm{SIV}}_p}{n^2}$

得到各节目类型的属性特征的平均相似度影响值之后，在步骤S520中，利用MSIV值得到各节目类型的属性特征权重值，组成属性特征权重矩阵weight，其中，weight＝[weight₁,…,weight_m]，以节目类型p的收视指数权重weight_p为例说明各节目类型的属性特征权重的计算方法，

${\mathrm{weight}}_p=\frac{\left|{\mathrm{MSIV}}_p\right|}{\underset{p=1}{\overset{m}{\mathrm{\Σ}}}\left|{\mathrm{MSIV}}_p\right|}$

得到属性特征权重矩阵以后，在步骤S440中，根据属性特征指标矩阵和属性特征权重矩阵得到各节目类型的基于节目属性特征权重的高斯核相似度矩阵，以节目类型p的基于收视指数权重的高斯核相似度矩阵A″为例说明个节目类型的基于属性特征权重的相似度矩阵的计算方法，

${A^{\′\′}}_{\mathrm{ij}}=e^{-\frac{d^2(x_i,x_j)}{{\mathrm{\σ}}_i{\mathrm{\σ}}_j}}$

$d(x_i,x_j)=\sqrt{\underset{p=1}{\overset{m}{\mathrm{\Σ}}}{(M_{\mathrm{ip}}-M_{\mathrm{jp}})}^2*\mathrm{weig}{\mathrm{ht}}_p}$

${\mathrm{\σ}}_i=\frac{1}{K_i}\underset{X_{K_i}\∈N_i}{\mathrm{\Σ}}d(x_i,x_{K_i})=\frac{1}{K_i}\underset{x_{K_i}\∈N_i}{\mathrm{\Σ}}\sqrt{\underset{p=1}{\overset{m}{\mathrm{\Σ}}}{(M_{\mathrm{ip}}-M_{\mathrm{Kp}})}^2*{\mathrm{weight}}_p}$

${\mathrm{\σ}}_j=\frac{1}{K_j}\underset{X_{K_j}\∈N_j}{\mathrm{\Σ}}d(x_j,x_{K_j})=\frac{1}{K_j}\underset{x_{K_j}\∈N_j}{\mathrm{\Σ}}\sqrt{\underset{p=1}{\overset{m}{\mathrm{\Σ}}}{(M_{\mathrm{jp}}-M_{\mathrm{Kp}})}^2*{\mathrm{weight}}_p}$

其中，A″表示基于收视指数特征权重的高斯核相似度矩阵；A″_ij表示矩阵A″中的元素，1≤i,j≤n，n表示用户总数；σ_i、σ_j表示基于权重的高斯核参数；x_i,x_j分别表示以用户i和用户j的各节目类型指数构成的数据点；d(x_i，x_j)表示数据点x_i与数据点x_j之间的基于权重的欧氏距离；表示数据点x_i与K_i个近邻数据点间基于权重的欧氏距离的和，N_i表示数据点x_i的近邻数据点，1≤N_i≤K_i，K_i通常取为7；表示数据点x_j与K_j个近邻数据点间基于权重的欧氏距离的和，N_j表示数据点x_j的近邻数据点，1≤N_j≤K_j，K_j通常取为7。

优选地，在步骤S440中，还包括，根据属性特征指标权重值选择所需节目类型，对所选的节目类型构造基于节目属性特征权重的高斯核相似度矩阵，例如，电视剧包括历史、爱情、乡村、战争、动漫等，如果历史、爱情、战争类的收视指数权重值较其他类型的电视剧权重值大，为了减少计算量，仅对历史、爱情、战争类的电视剧构造基于属性特征权重的高斯核相似度矩阵。

得到各节目类型的基于属性特征权重的高斯核相似度矩阵之后，在步骤S450中，根据上述矩阵构造不同用户间的基于空间邻近信息和节目属性特征的双重权重的高斯核相似度矩阵，即，构造了基于空间邻近信息和节目属性特征的二维空间,以节目类型p的空间邻近信息和收视指数的双重权重的相似度矩阵A为例说明个节目类型的空间邻近信息和属性特征的双重权重的相似度矩阵的计算方法，

A_ij＝W_iW_jA″_ij

${W_i}^{\′}=\underset{{X_{K_i}}^{\′}\∈{N_i}^{\′}}{\mathrm{\Σ}}{A^{\′\′}}_{i{K_i}^{\′}}$

${W_j}^{\′}=\underset{{X_{K_j}}^{\′}\∈{N_j}^{\′}}{\mathrm{\Σ}}{A^{\′\′}}_{j{K_j}^{\′}}$

$W_i=\frac{{W_i}^{\′}}{\max W^{\′\′\′}}$

$W_j=\frac{{W_j}^{\′}}{\max W^{\′}}$

其中，A表示基于空间临近信息和属性特征信息双重权重的相似度矩阵；A_ij表示矩阵A中的元素，1≤i,j≤n，n表示用户总数；A″_ij表示矩阵A″中的元素，1≤i,j≤n，n表示用户总数；Wi、Wj表示基于空间临近信息的特征权重，是对Wi'、Wj'的归一化处理结果；Wi'、Wj'分别表示数据点x_i与相邻K_i'、数据点x_j与相邻K_j'个点相似度的和，，K_i'和K_j'通常取为7；N_i'、N_j'表示数据点x_i、数据点x_j的近邻数据点；maxW'表示W_i'、W_j'中的最大值，1≤i，j≤n。

基于空间邻近信息和忠诚指数的二维收视空间的构造方法与基于空间邻近信息和收视指数的二维收视空间的构造方法相似，只是把收视指数矩阵替换为忠诚指数矩阵，并将与收视指数相关的运算替换为与忠诚指数相关的运算，具体地，忠诚指数矩阵Z为,

$Z_{\mathrm{ip}}=\frac{T_{\mathrm{ip}}}{F_{\mathrm{ip}}}$

其中，F_ip，表示用户i对节目类型p的收视频次；Z_ip为矩阵Z中的元素，表示用户i对节目类型p的忠诚指数；

图6是本发明所述各节目类型的广播电视社区的划分方法的流程图，如图6所示，首先在步骤S600中，对构成收视空间的基于空间邻近信息和节目属性特征的双重权重的高斯核相似度矩阵依次进行对角变换和拉普拉斯变换。具体地，根据各节目类型的基于双重权重的高斯核形似度矩阵，构建其对角矩阵，例如节目类型p的基于双重权重的高斯核相似度矩阵A的对角矩阵D,

$D_{\mathrm{ii}}=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{A}_{\mathrm{ij}}$

其中,D表示基于双重权重的高斯核相似度矩阵的对角矩阵；D_ij表示对角矩阵D的元素，1≤i,j≤n，n表示对角矩阵D的行数或列数(数值等于A矩阵中的用户总数)；表示矩阵A中用户i与其他用户间基于双重权重相似度的和，1≤i,j≤n，n表示用户总数。

然后，根据基于各节目类型收视指数的用户间相似度的上述对角矩阵，构建拉普拉斯矩阵，例如根据节目类型p的上述对角矩阵构建的拉普拉斯矩阵L,

其中,L表示Laplacian矩阵；A表示基于双重权重的高斯核相似度矩阵；D表示基于双重权重的高斯核相似度矩阵的对角矩阵；L_ij表示Laplacian矩阵L的元素，1≤i≤n，1≤j≤n，n表示Laplacian矩阵L的行数或列数(数值等于对角矩阵D的行数或列数)。

得到基于各节目类型收视指数的用户间相似度的上述拉普拉斯矩阵后，在步骤S610中，从变换后的矩阵中找出与社区个数相同的最大特征值及其对应的特征向量，并对特征向量进行归一化处理，例如，用户分群数为3，则找出拉普拉斯矩阵中3个最大的特征值及其特征向量，公式如下所述，

L*V＝λ*V

其中,L表示Laplacian矩阵；V表示矩阵L的特征向量；λ表示矩阵L的特征值；V_a表示矩阵L的前a个最大特征值对应的特征向量，a值等于用户分群数目；V_ij表示矩阵V_a的元素，1≤i≤n，1≤j≤a，n、a分别表示矩阵V_a的行数和列数(n等于矩阵L的行数，a等于输入单元的用户分群数目)。

得到与用户分群数对应的特征向量后，对上述特征向量进行归一化处理，例如，与用户分群数a对应的特征向量矩阵V_a归一化后的矩阵Y

$Y_{\mathrm{ij}}=V_{\mathrm{ij}}/{\left({\mathrm{\Σ}}_j{V}_{\mathrm{ij}}\right)}^{\frac{1}{2}}$

其中,Y表示特征向量V_a的归一化处理结果；Y_ij表示矩阵Y中的元素，；1≤i≤n，1≤j≤a。

得到归一化后的最大特征向量矩阵后，在步骤S620中，从特征向量归一化矩阵中随机抽取与社区个数相同的数据点作为与社区个数相同的簇的初始值，例如，将Y矩阵中的每一行元素(Y矩阵中第1行至第n行的a个归一化特征向量)作为新的数据点，随机选取a个数据点，分别作为a个簇的初始均值。

然后，在步骤S630中，根据用户社区发现均方误差将数据点指派到最相似的簇，其中用户社区发现均方误差E表示为

$E=\underset{C_1}{\overset{C_a}{\mathrm{\Σ}}}\underset{y_i,\mathrm{mi}\∈C_i}{\mathrm{\Σ}}{|y_i-m_i|}^2$

其中，E为户社区发现均方误差；C_i表示簇，1≤i≤a；y_i表示簇C_i中的数据点；m_i表示簇C_i的中心，其数值为簇C_i中用户分群数据点的均值；|y_i-m_i|表示数据点y_i与簇C_i中心的欧式距离；

将用户数据点指派到最相似的簇以后，在步骤S640中，计算每个最相似簇的中心，即最相似簇簇中的所有数据点求均值；

然后，在步骤S650中，判断簇的中心是否不变化；

若不变化，则得到a个簇，即a个广播电视社区，说明广播电视社区划分完成；

若变化，则重复上述步骤S630至步骤S640，直至每个簇中心不再发生变化，则得到经过上述聚类分析处理后的a个簇，即a个广播电视社区。

综上所述，描述的是所有节目类型的用户同时进行广播电视社区划分的方法，也可以同时对多个节目类型的广播电视社区进行划分，例如同时对电视剧和新闻两种节目类型的广播电视社区进行划分，或者先对电视剧的用户分群再对新闻用户的广播电视社区进行划分，优选地，可以按照上述过程选定至少一个节目类型的广播电视社区进行划分。

由于本发明所述广播电视节目单制定方法，构造了基于空间邻近近信息和节目属性特征二维收视空间，并利用上述收视空间内用户之间的高斯核相似度对广播电视社区进行了准确划分，所以可以制定与广播电视收视用户收视偏好符合度高的节目单，并发送给用户。

如上参照附图以示例的方式描述了根据本发明提出的广播电视节目单制定系统及方法。但是，本领域技术人员应当理解，对于上述本发明所提出的系统及方法，还可以在不脱离本发明内容的基础上做出各种改进。因此，本发明的保护范围应当由所附的权利要求书的内容确定。

Claims (10)

1.一种广播电视节目单制定系统，包括：

输入单元，用于输入上述系统确定广播电视用户收视偏好所需的各种参数并生成上述参数所需的调用指令；

节目数据库，用于将各种类型的节目播放信息存储为数据源，并接收输入单元的调用指令调出所述参数指定的数据源；

收视数据库，通过用户机顶盒的收视信号采集用户对各节目类型的收看信息，并存储为数据源，接收输入单元的调用指令调出所述参数指定的数据源；

收视空间构造单元，接收输入单元的调用指令、节目数据库调出的数据源和收视数据库调出的数据源，根据上述调用指令调出与调用指令相符的构造方法，并利用上述数据源和上述构造方法构造基于空间邻近信息和节目属性特征的二维收视空间；

广播电视社区划分单元，接收输入单元的调用指令，对收视空间构造单元构造的收视空间内的广播电视用户进行划分，得到各节目类型的广播电视社区；

节目单制定单元，制定符合广播电视社区划分单元划分的各个社区节目偏好的节目单并存储；

节目单发送单元，将符合各个广播电视社区节目偏好的节目单通过短信、微信、APP、邮件发送给用户，或者通过机顶盒发送到用户的数字电视。

2.根据权利要求1所述的节目单制定系统，其中，所述确定广播电视用户收视偏好所需的各种参数至少包括：节目类型、节目属性特征指标、空间区域、时间区域和社区个数。

3.根据权利要求2所述的节目单制定系统，其中，所述节目属性特征指标为收视指数或者忠诚指数，收视指数是指某类节目单位播出时间内，用户的收视时长，反映了用户对节目类型的偏爱程度，忠诚指数是指用户对某类节目单位视频次内的收视时长，反映了用户对该节目类型的忠诚程度，收视指数矩阵和忠诚指数矩阵为，

$M_{\mathrm{ip}}=\frac{T_{\mathrm{ip}}}{B_p}$

B_p＝BET_p-BST_p

T_ip＝VET_ip-VST_ip

$Z_{\mathrm{ip}}=\frac{T_{\mathrm{ip}}}{F_{\mathrm{ip}}}$

其中，M为各节目类型的收视指数矩阵；Z为各节目类型的忠诚指数矩阵；

B_p、BET_p、BST_p分别表示节目类型p的播出时长、播出时间、结束时间；

T_ip、VET_ip、VST_ip分别表示用户i对节目类型p的收视时长、收看起始时间、收看结束时间；F_ip，表示用户i对节目类型p的收视频次；M_ip为矩阵M中的元素，表示用户i对节目类型p的收视指数；Z_ip为矩阵Z中的元素，表示用户i对节目类型p的忠诚指数。

4.一种广播电视节目单制定方法，包括：

通过输入单元输入确定用户偏好所需的各种参数并生成上述参数所需的调用指令；

根据输入单元的调用指令从节目数据库和收视数据库调用上述参数指定的数据源并导入到收视空间构造单元；

根据输入单元的调用指令调用收视空间构造方法，利用上述构造方法和数据源构造基于空间邻近信息和节目属性特征的二维收视空间；

对所述收视空间内的广播电视用户进行划分形成各节目类型的广播电视社区，即确定了各广播电视社区的节目偏好；

制定符合各广播电视社区的节目偏好节目单；

将制定好的节目单发送给个广播电视社区的用户。

5.根据权利要求4所述的节目单制定方法，其中，所述根据所述数据源构造基于空间邻近信息和节目属性特征的二维收视空间的方法包括：

利用所述数据源构造各节目类型的属性特征指标矩阵；

分别将上述矩阵中每一个节目类型的属性特征指标的数值同时增加和减少相同百分比；

分别构造各节目类型的属性特征指标增加和减少的高斯核相似度矩阵；

根据上述高斯核相似度矩阵得到各节目类型的属性特征权重值，组成属性特征权重矩阵；

根据属性特征指标矩阵和属性特征权重矩阵得到各节目类型的基于节目属性特征权重的高斯核相似度矩阵；

构造不同用户间的基于空间邻近信息和节目属性特征的双重权重的高斯核相似度矩阵，即，构造了基于空间邻近信息和节目属性特征的二维空间。

6.如权利要求5所述的节目单制定方法，其中，所述百分比在10％-30％范围内。

7.如权利要求5所述的节目单制定方法，其中，所述属性特征权重矩阵的构造方法包括：

利用各节目类型收视指数变化对相似度的影响得到各节目类型的相似度影响值；

利用各节目类型的相似度影响值得到其平均相似度影响值；

利用平均相似度影响值得到各节目类型的属性特征权重值，组成属性特征权重矩阵。

8.根据权利要求5所述的节目单制定方法，其中，所述根据属性特征指标矩阵和属性特征权重矩阵得到各节目类型的基于节目属性特征权重的高斯核相似度矩阵步骤还包括根据属性特征指标权重值选择所需节目类型，对所选的节目类型构造基于节目属性特征权重的高斯核相似度矩阵。

9.根据权利要求4所述的节目单制定方法，其中，对所述收视空间内的广播电视用户进行划分，形成各节目类型的广播电视社区，包括：

对构成收视空间的基于空间邻近信息和节目属性特征的双重权重的高斯核相似度矩阵依次进行对角变换和拉普拉斯变换；

从变换后的矩阵中找出与社区个数相同的最大特征值及其对应的特征向量，并对特征向量进行归一化处理；

从特征向量归一化矩阵中随机抽取与社区个数相同的数据点作为与社区个数相同的簇的初始值；

根据用户社区发现均方误差并将数据点指派到最相似的簇，其中用户社区发现均方误差E表示为：

$E=\underset{C_1}{\overset{C_a}{\mathrm{\Σ}}}\underset{y_i,m_i\∈C_i}{\mathrm{\Σ}}{|y_i-m_i|}^2$

其中，E为户社区发现均方误差；C_i表示簇，1≤i≤a,a表示用户分群数目；y_i表示簇C_i中的数据点；m_i表示簇C_i的中心，其数值为簇C_i中用户分群数据点的均值；|y_i-m_i|表示数据点y_i与簇C_i中心的欧式距离；

计算每个最相似簇的中心，即最相似簇簇中的所有数据点求均值；

判断簇的中心是否不变化；

若不变化，则说明广播电视社区划分完成；

若变化，则返回计算用户社区发现均方误差的步骤，直至簇的中心不再变化，广播电视社区划分完成。

10.如权利要求4至8所述的节目单制定方法，其中，构造一个节目类型基于空间邻近信息和收视指数二维收视空间的方法包括：

指定一个节目类型及上述节目类型播放的空间区域和时间区域，并将节目属性特征指标设定为收视指数。

从节目数据库导入节目类型指定空间区域和时间区域的数据源，即播出时长矩阵，从收视数据库导入节目类型指定时间区域和空间区域的数据源，即收视时长矩阵；

利用上述数据源构造收视指数矩阵，

$M_{\mathrm{ip}}=\frac{T_{\mathrm{ip}}}{B_p}$

$M_p=\left(\begin{array}{c}{M}_{1p}\\ .\\ .\\ .\\ M_{\mathrm{ip}}\\ .\\ .\\ .\\ M_{\mathrm{np}}\end{array}\right)$

其中，p为节目类型，n为用户总数，M_p表示节目类型p的收视指数矩阵；

分别同时将该节目类型的收视指数增加和减少10％,

$M_{p_{+}}=\left(\begin{array}{c}{M}_{1p}*1.1\\ .\\ .\\ .\\ M_{\mathrm{np}}*1.1\end{array}\right)$

$M_{p_{-}}=\left(\begin{array}{c}{M}_{1p}*0.9\\ .\\ .\\ .\\ M_{\mathrm{np}}*0.9\end{array}\right)$

其中，表示节目类型p数值增加10％的节目类型收视指数矩阵；表示节目类型p数值减少10％的节目类型收视指数矩阵；

构造该节目类型的不同用户的收视指数增加的高斯核相似度矩阵

${A^{\′}}_{{\mathrm{ij}}_{+}}=e^{-\frac{d^{\′2}(x_{i_{+}},x_{j_{+}})}{{{\mathrm{\σ}}^i}_{i_{+}}{{\mathrm{\σ}}^{\′}}_{j_{+}}}}$

${{\mathrm{\σ}}^{\′}}_{i_{+}}=\frac{1}{K_{i_{+}}}\underset{X_{K_{i_{+}}}\∈N_{i_{+}}}{\mathrm{\Σ}}{d}^{\′}\left(x_{i_{+},X_{K{i}_{+}}}\right)=\frac{1}{K_{i_{+}}}\underset{X_{K_{i_{+}}}\∈N_{i_{+}}}{\mathrm{\Σ}}\sqrt{\underset{p=1}{\overset{m}{\mathrm{\Σ}}}{(M_{i{p}_{+}}-M_{{\mathrm{Kp}}_{+}})}^2}$

${{\mathrm{\σ}}^{\′}}_{j_{+}}=\frac{1}{K_{j_{+}}}\underset{X_{K_{j_{+}}}\∈N_{j_{+}}}{\mathrm{\Σ}}{d}^{\′}\left(x_{j_{+},X_{K{j}_{+}}}\right)=\frac{1}{K_{j_{+}}}\underset{X_{K_{j_{+}}}\∈N_{j_{+}}}{\mathrm{\Σ}}\sqrt{\underset{p=1}{\overset{m}{\mathrm{\Σ}}}{(M_{j{p}_{+}}-M_{{\mathrm{Kp}}_{+}})}^2}$

$d^{\′}\left(x_{i_{+},X_{j_{+}}}\right)=\sqrt{\underset{p=1}{\overset{m}{\mathrm{\Σ}}}{(M_{i{p}_{+}}-M_{{\mathrm{jp}}_{+}})}^2}$

其中，表示节目类型p的收视指数增加10％变动后的高斯核相似度矩阵；表示矩阵中的元素，即节目类型p的收视指数增加10％后，用户i与用户j之间的高斯核相似度，1≤i,j≤n，n表示用户总数；表示节目类型p的收视指数增加10％后的高斯核参数；分别表示节目类型p的收视指数增加10％后，以用户i和用户j的各节目类型指数构成的数据点；表示节目类型p的收视指数增加10％后，数据点x_i与数据点x_j之间的欧氏距离；表示节目类型p的收视指数增加10％后数据点x_i的近邻数据点， 通常取为7；表示节目类型p的收视指数增加10％后数据点x_j的近邻数据点， $1\≤N_{j_{+}}\≤K_{j_{+}},$ 通常取为7；

同时，构造该节目类型的不同用户的收视指数减少的高斯核相似度矩阵 ${A_p}_{-}^{\′},$

${A^{\′}}_{{\mathrm{ij}}_{-}}=e^{-\frac{d^{\′2}(x_{i_{-}},x_{j_{-}})}{{{\mathrm{\σ}}^i}_{i_{-}}{{\mathrm{\σ}}^{\′}}_{j_{-}}}}$

${{\mathrm{\σ}}^{\′}}_{i_{-}}=\frac{1}{K_{i_{-}}}\underset{X_{K_{i_{-}}}\∈N_{i_{-}}}{\mathrm{\Σ}}{d}^{\′}\left(x_{i_{-},X_{K{i}_{-}}}\right)=\frac{1}{K_{i_{-}}}\underset{X_{K_{i_{-}}}\∈N_{i_{-}}}{\mathrm{\Σ}}\sqrt{\underset{p=1}{\overset{m}{\mathrm{\Σ}}}{(M_{i{p}_{-}}-M_{{\mathrm{Kp}}_{-}})}^2}$

${{\mathrm{\σ}}^{\′}}_{j_{-}}=\frac{1}{K_{j_{-}}}\underset{X_{K_{j_{-}}}\∈N_{j_{-}}}{\mathrm{\Σ}}{d}^{\′}\left(x_{j_{-},X_{K{j}_{-}}}\right)=\frac{1}{K_{j_{-}}}\underset{X_{K_{j_{-}}}\∈N_{j_{-}}}{\mathrm{\Σ}}\sqrt{\underset{p=1}{\overset{m}{\mathrm{\Σ}}}{(M_{j{p}_{-}}-M_{{\mathrm{Kp}}_{-}})}^2}$

$d^{\′}\left(x_{i_{-},X_{j_{-}}}\right)=\sqrt{\underset{p=1}{\overset{m}{\mathrm{\Σ}}}{(M_{i{p}_{-}}-M_{{\mathrm{jp}}_{-}})}^2}$

其中，表示节目类型p收视指数减少10％变动后的高斯核相似度矩阵；表示矩阵中的元素，即节目类型p数值减少10％后，用户i与用户j之间的高斯核相似度，1≤i,j≤n，n表示用户总数；表示节目类型p数值减少10％后的高斯核参数，n表示用户总数；分别表示节目类型p收视指数减少10％后，以用户i和用户j的各节目类型指数构成的数据点；表示节目类型p收视指数减少10％后，数据点x_i与数据点x_j之间的欧氏距离；表示节目类型p收视指数减少10％后数据点x_i的近邻数据点， 通常取为7；表示节目类型p收视指数减少10％后数据点x_j的近邻数据点， $1\≤N_{j-}\≤K_{j-},$ 通常取为7；

利用节目类型收视指数变化对相似度的影响得到该节目类型的相似度影响值，

${\mathrm{SIV}}_p={\mathrm{Sp}}_{+}-{\mathrm{Sp}}_{-}=\mathrm{\Σ}{{\mathrm{Ap}}_{+}}^{\′}-\mathrm{\Σ}{{\mathrm{Ap}}_{-}}^{\′}$

其中，SIV_p表示节目类型p的相似度影响值；表示节目类型p收视指数增加10％对应的高斯核相似度元素的和；表示节目类型p收视指数减少10％对应的高斯核相似度元素的和；

利用节目类型的相似度影响值得到该节目类型的平均相似度影响值,

${\mathrm{MSIV}}_p=\frac{{\mathrm{SIV}}_p}{n^2}$

其中，MSIV_p表示节目类型p的平均相似度影响值；

利用节目类型平均相似度影响值得到该节目类型的收视指数特征权重，

${\mathrm{weight}}_p=\frac{\left|{\mathrm{MSIV}}_p\right|}{\underset{p=1}{\overset{m}{\mathrm{\Σ}}}\left|{\mathrm{MSIV}}_p\right|}$

其中，weight_p表示节目类型p的收视指数特征权重值；

根据该节目类型的收视指数特征权重构造基于收视指数权重的高斯核相似度矩阵，

${A^{\′\′}}_{\mathrm{ij}}=e^{-\frac{d^2(x_i,x_j)}{{\mathrm{\σ}}_i{\mathrm{\σ}}_j}}$

$d(x_i,x_j)=\sqrt{\underset{p=1}{\overset{m}{\mathrm{\Σ}}}{(M_{\mathrm{ip}}-M_{\mathrm{jp}})}^2*{\mathrm{weight}}_p}$

${\mathrm{\σ}}_i=\frac{1}{K_i}\underset{X_{K_i}\∈N_i}{\mathrm{\Σ}}d(x_i,x_{K_i})=\frac{1}{K_i}\underset{X_{K_i}\∈N_i}{\mathrm{\Σ}}\sqrt{\underset{p=1}{\overset{m}{\mathrm{\Σ}}}{(M_{\mathrm{ip}}-M_{\mathrm{Kp}})}^2*{\mathrm{weight}}_p}$

${\mathrm{\σ}}_j=\frac{1}{K_j}\underset{X_{K_j}\∈N_j}{\mathrm{\Σ}}d(x_j,x_{K_j})=\frac{1}{K_j}\underset{X_{K_j}\∈N_j}{\mathrm{\Σ}}\sqrt{\underset{p=1}{\overset{m}{\mathrm{\Σ}}}{(M_{\mathrm{jp}}-M_{\mathrm{Kp}})}^2*{\mathrm{weight}}_p}$

其中，A″表示基于收视指数特征权重的高斯核相似度矩阵；A″_ij表示矩阵A″中的元素，1≤i,j≤n，n表示用户总数；σ_i、σ_j表示基于权重的高斯核参数；x_i,x_j分别表示以用户i和用户j的各节目类型指数构成的数据点；d(x_i，x_j)表示数据点x_i与数据点x_j之间的基于权重的欧氏距离；表示数据点x_i与K_i个近邻数据点间基于权重的欧氏距离的和，N_i表示数据点x_i的近邻数据点，1≤N_i≤K_i，K_i通常取为7；表示数据点x_j与K_j个近邻数据点间基于权重的欧氏距离的和，N_j表示数据点x_j的近邻数据点，1≤N_j≤K_j，K_j通常取为7；

根据基于收视指数权重的高斯核相似度矩阵构造该节目类型的基于空间邻近信息和收视指数的双重权重的高斯核相似度矩阵，即，构造了基于空间邻近信息和收视指数的二维收视空间,

A_ij＝W_iW_jA″_ij

${W_i}^{\′}=\underset{{X_{\mathrm{Kj}}}^{\′}\∈{N_i}^{\′}}{\mathrm{\Σ}}{A^{\′\′}}_{{\mathrm{iKj}}^{\′}}$

${W_j}^{\′}=\underset{{X_{K_j}}^{\′}\∈{N_j}^{\′}}{\mathrm{\Σ}}{A^{\′\′}}_{{j{K}_j}^{\′}}$

$W_i=\frac{{W_i}^{\′}}{\max {W_i}^{\′}}$

$W_j=\frac{{W_j}^{\′}}{\max {W_j}^{\′}}$

其中，A表示基于空间临近信息和属性特征信息双重权重的相似度矩阵；A_ij表示矩阵A中的元素，1≤i,j≤n，n表示用户总数；A″_ij表示矩阵A″中的元素，1≤i,j≤n，n表示用户总数；W_i、W_j表示基于空间临近信息的特征权重，是对W_i'、W_j'的归一化处理结果；W_i'、W_j'分别表示数据点x_i与相邻K_i'、数据点x_j与相邻K_j'个点相似度的和，，K_i'和K_j'通常取为7；N_i'、N_j'表示数据点x_i、数据点x_j的近邻数据点；maxW'表示W_i'、W_j'中的最大值，1≤i，j≤n。