CN104391925A - 一种基于tv用户协同预测的视频推荐方法及系统 - Google Patents

Abstract

本发明公开了一种基于TV用户协同预测的视频推荐方法及系统，通过计算各用户与目标用户之间的评分相似度，然后确定目标用户的最近邻居集合；再根据最近邻居集合中各用户与目标用户之间的评分相似度及各用户对视频的历史评分数据，协同计算目标用户对视频的预测评分；然后将各视频按目标用户对视频的预测评分从高到低排序，得到候选视频推荐集合。本发明的积极效果是：能快速锁定用户偏爱的视频节目，改善用户的观看体验并提高用户对推荐结果的满意度。

Description

一种基于TV用户协同预测的视频推荐方法及系统

技术领域

本发明涉及计算机技术与智能电视技术，特别涉及一种基于TV用户协同预测的视频推荐方法及系统。

背景技术

目前，随着互联网和信息技术的高速发展与日益成熟，电视出现了智能化与互联网化的趋势，传统的电视节目已不能满足用户对视频的多样化需求。电视的智能化与电视互联网的出现使得视频节目的多样化变成现实，但是互联网海量的视频信息在带给用户更多选择与体验的同时，也给用户带来了不少的困扰，那就是用户无法从海量的视频中锁定自己偏好喜欢的视频。在这种情况下，一种实用、高效的视频推荐机制将为用户锁定自己偏爱的视频信息提供帮助，并向用户推荐与其偏好方向相匹配的一系列视频。

发明内容

为了克服现有技术的上述缺点，本发明提供了一种基于TV用户协同预测的视频推荐方法及系统，能快速锁定用户偏爱的视频节目，改善用户的观看体验并提高用户的满意度。

本发明解决其技术问题所采用的技术方案是：一种基于TV用户协同预测的视频推荐方法，包括如下步骤：

步骤一、获取用户对视频的历史评分数据，并对数据做预处理，得到统一格式的评分数据；

步骤二、计算各用户与目标用户之间的评分相似度，然后确定目标用户的最近邻居集合；

步骤三、根据最近邻居集合中各用户与目标用户之间的评分相似度及各用户对视频的历史评分数据，协同计算目标用户对视频的预测评分；

步骤四、将各视频按目标用户对视频的预测评分从高到低排序，得到候选视频推荐集合。

本发明还提供了一种基于TV用户协同预测的视频推荐系统，包括：

用于向智能终端TV单元输入对视频的评分，产生历史评分数据的键入单元；

用于收集并存储用户所键入的实时评分数据，并将这些评分数据与具有终端身份标识的用户ID发送到云平台后台服务器单元的智能终端TV单元；

用于收集所有智能终端TV单元发送的历史评分数据，然后根据终端ID相关的评分数据及用户信息进行处理、生成相应的请求信息向汇聚视频资源库单元发送，并在得到汇聚视频资源库单元发送的推荐视频信息后再反馈给智能终端TV单元的云平台后台服务器单元；

用于向云平台后台服务器单元发送推荐视频信息的汇聚视频资源库单元。

与现有技术相比，本发明的积极效果是：通过利用用户对所观看视频的历史评分数据，来度量用户与其他用户在对视频评分方面的相似性，从而获得用户的相似度较高的邻居用户，用最近邻居用户与自身用户的相似性关系及历史评分数据来得到自身用户对视频的协同预测评分，进一步得到推荐视频，使得用户对推荐结果的满意度得到提升。

附图说明

本发明将通过例子并参照附图的方式说明，其中：

图1为本发明方法的流程图；

图2为本发明系统装置的结构示意图；

图3为本发明系统装置中云平台后台服务器处理的模块框架图。

具体实施方式

一种基于TV用户协同预测的视频推荐方法，如图1所示，包括以下步骤：

步骤一、获取用户USER对视频VIDEO的历史评分数据，并对数据做预处理，得到统一格式的评分数据：

本步骤获取TV用户的历史评分数据，并将五分制或者十分制以及其他形式的评分数据全部转换成五分制的评分数值，具体为：{1,2,3,4,5}，并形成用户USER对视频VIDEO的原始评分矩阵R，由于用户只能对一小部分的视频进行评分，因此得到的原始评分矩阵R具有数据稀疏性的特点。

步骤二、依据相似性度量方法，对用户之间的评分相似性进行度量，按相似度从大到小的原则选取与之具有较高相似度的用户作为目标用户USER的候选邻居集合，进一步再得到用户USER的最近邻居集合。

本步骤中，使用相似度计算方法以原始矩阵R作为数据，并主要考量两用户对相同视频VIDEO评分数值的相似程度，循环产生两两用户间的相似度，并以评分行为的相似性作为选择最近邻居用户的依据。

对于评分矩阵R，循环计算每个用户USER与其他用户的评分相似度，并存于相似度矩阵R_sim中；

用户USER之间的评分相似度(相关相似度)计算公式为：

$\mathrm{SIM}(A,B)=\frac{\underset{I}{\mathrm{\Σ}}(R_{A,i}-\stackrel{\‾}{R_A})(R_{B,i}-\stackrel{\‾}{R_B})}{\sqrt{\underset{I}{\mathrm{\Σ}}{(R_{A,i}-\stackrel{\‾}{R_A})}^2\underset{I}{\mathrm{\Σ}}{(R_{B,i}-\stackrel{\‾}{R_B})}^2}}$

其中，A、B为任意两个用户USER，I为所有的视频VIDEO集合，分别为用户A、B对所有视频的平均评分，R_A,i、R_B,i分别为A、B对某一视频i的评分值；

进一步的，对于每一个目标用户USER，按与其他用户USER的评分相似度大小从高到低对它们进行排序，作为这个目标用户USER的候选邻居集合；

重复上一步骤，直到得到每一个USER的候选邻居集合，相应的，目标用户USER的候选邻居集合表示为：

N_U′＝{U₁,U₂,......U_n}，SIM(U,U₁)>SIM(U,U₂)>......>SIM(U,U_n)

其中，SIM(U,U_n)为目标用户U与其他用户Un的相似度；

进一步的，根据系统实际的需求，从候选邻居集合中选取K个与目标用户USER相似度较高的用户作为目标用户USER的最近邻居集合，相应的，目标用户USER含有K个最近邻居的集合为：

N_U＝{U₁,U₂,......U_k}，SIM(U,U₁)>SIM(U,U₂)>......>SIM(U,U_k)，N_U∈N_U′，k≤n

重复上述步骤，得到所有USER的最近邻居集合；

步骤三、以最近邻居集合中用户的评分数值，及其与目标用户的相似度，协同计算目标用户对视频的预测评分。

本步骤中，依据用户USER对视频VIDEO的预测评分计算公式，首先循环计算得到单一用户对一系列视频的预测评分值，然后再循环计算用户空间内所有用户对相应视频的预测评分值，并按评分值大小排序。

以目标用户U_A与最近邻居集合N_U中的用户U_B(U_B∈N_U)的评分数据，以及它们之间的评分相似度SIM(U_A,U_B)，在用户最近邻居集合的范围之内，协同产生目标用户U_A对视频VIDEO的预测评分；

$P_{U_A,i}=\stackrel{\‾}{R_{U_A}}+\frac{\underset{N_U}{\mathrm{\Σ}}(R_{U_B,i}-\stackrel{\‾}{R_{U_B}})\mathrm{SIM}(U_A,U_B)}{\underset{N_U}{\mathrm{\Σ}}\left|\mathrm{SIM}(U_A,U_B)\right|},i\∈[0,k],U_B\∈N_U$

步骤四、将各视频按目标用户U_A对该视频VIDEO的预测评分从高到低排序，得到候选视频推荐集合：

T_U＝{Video₁,Video₂,......Video_j},j≤i

根据系统实施的需求，再选择需要推荐的视频个数，重复预测评分生成及推荐集合生成步骤，直到产生所有用户USER的候选视频推荐集合。

如图2所示，本发明还提供了一种基于TV用户协同预测的视频推荐系统，用于产生TV视频推荐集合，并向智能终端用户返回推荐结果，所述视频推荐系统包括：

键入单元201，通过遥控器、键盘、鼠标等键入设备向智能终端TV单元202输入对视频的评分，产生历史评分数据。

智能终端TV单元202，用于收集并存储用户所键入的实时的评分数据，并将这些评分数据与具有终端身份标识的用户ID发送到云平台后台服务器单元203。

云平台后台服务器单元203，收集所有智能终端TV单元202发送过来的历史评分数据，然后根据终端ID相关的评分数据及用户信息进行处理、生成相应的请求信息向汇聚视频资源库单元204发送获取推荐视频的信息，并在得到汇聚视频资源库单元204发送的推荐视频信息后再反馈给智能终端TV单元202；

汇聚视频资源库单元204，依据云平台后台服务器单元203发送的视频推荐请求信息向服务器发送相应的视频信息，这些信息包括视频播放地址、视频简介等，并管理所有的视频资源。

其中，云平台后台服务器单元203包含了四个处理模块，如图3所示，分别是：

a.信息获取模块301，用于从智能终端TV单元202获取用户USER对所观看视频的历史评分数据以及用户的ID等关联信息，并将这些信息发送给最近邻搜索与预测评分模块302；

b.最近邻搜索与预测评分模块302，对历史评分数据进行处理，具体为，搜索出每一个TV用户USER最近邻居用户的集合，过滤掉相似性较弱的邻居用户；进一步生成所有用户对相应视频的协同预测评分，并过滤掉相应的预测评分值较低的视频；

c.邻居与预测评分过滤模块303，为模块302提供相应的过滤机制与准则，具体为最近邻居用户的过滤与生成预测评分的视频的过滤；

d.TV视频推荐模块304，筛选具有较高预测评分值的视频作为推荐的结果集，并反馈给相应关联用户的智能终端TV。

终上所述，本发明提供的TV视频推荐方法及系统，通过获取TV用户对所观看视频的历史评分数据，分析用户间评分行为的相似性，以较高相似性的TV用户群体协同产生单个TV用户的视频推荐结果，使得用户对视频的偏好得到了一定程度的满足，提高了用户观看的满意度。

Claims (6)

1.一种基于TV用户协同预测的视频推荐方法，其特征在于：包括如下步骤：

步骤一、获取用户对视频的历史评分数据，并对数据做预处理，得到统一格式的评分数据；

步骤二、计算各用户与目标用户之间的评分相似度，然后确定目标用户的最近邻居集合；

步骤三、根据最近邻居集合中各用户与目标用户之间的评分相似度及各用户对视频的历史评分数据，协同计算目标用户对视频的预测评分；

步骤四、将各视频按目标用户对视频的预测评分从高到低排序，得到候选视频推荐集合。

2.根据权利要求1所述的一种基于TV用户协同预测的视频推荐方法，其特征在于：步骤二所述各用户与目标用户之间的评分相似度计算公式为：

$\mathrm{SIM}(A,B)=\frac{\underset{I}{\mathrm{\Σ}}(R_{A,i}-\left(\stackrel{\‾}{R_A}\right))(R_{B,i}-\stackrel{\‾}{R_B})}{\sqrt{\underset{I}{\mathrm{\Σ}}{(R_{A,i}-\stackrel{\‾}{R_A})}^2\underset{I}{\mathrm{\Σ}}{(R_{B,i}-\stackrel{\‾}{R_B})}^2}}$

其中，A、B为任意两个用户，I为所有的视频集合，分别为用户A、B对所有视频的平均评分，R_A,i、R_B,i分别为A、B对某一视频i的评分值。

3.根据权利要求1所述的一种基于TV用户协同预测的视频推荐方法，其特征在于：步骤三所述目标用户对视频的预测评分的计算公式为：

$P_{U_A,i}=\stackrel{\‾}{R_{U_A}}+\frac{\underset{N_U}{\mathrm{\Σ}}(R_{U_B,i}-\stackrel{\‾}{R_{U_B}})\mathrm{SIM}(U_A,U_B)}{\underset{N_U}{\mathrm{\Σ}}\left|\mathrm{SIM}(U_A,U_B)\right|},U_B\∈N_U$

其中：U_A为目标用户，N_U为最近邻居集合，U_B为最近邻居集合中的任一用户，SIM(U_A,U_B)为用户U_A和U_B之间的评分相似度，为用户U_A对所有视频的平均评分，为用户U_B对视频i的评分值。

4.根据权利要求1所述的一种基于TV用户协同预测的视频推荐方法，其特征在于：步骤一所述的对数据做预处理是指将各种形式的历史评分数据全部转换成五分制的评分数据。

5.一种基于TV用户协同预测的视频推荐系统，其特征在于：包括：

用于向智能终端TV单元输入对视频的评分，产生历史评分数据的键入单元；

用于收集并存储用户所键入的实时评分数据，并将这些评分数据与具有终端身份标识的用户ID发送到云平台后台服务器单元的智能终端TV单元；

用于收集所有智能终端TV单元发送的历史评分数据，然后根据终端ID相关的评分数据及用户信息进行处理、生成相应的请求信息向汇聚视频资源库单元发送，并在得到汇聚视频资源库单元发送的推荐视频信息后再反馈给智能终端TV单元的云平台后台服务器单元；

用于向云平台后台服务器单元发送推荐视频信息的汇聚视频资源库单元。

6.根据权利要求5所述的一种基于TV用户协同预测的视频推荐系统，其特征在于：所述云平台后台服务器单元包括：

信息获取模块：用于从智能终端TV单元获取用户对所观看视频的历史评分数据以及用户的ID等关联信息，并将这些信息发送给最近邻搜索与预测评分模块；

最近邻搜索与预测评分模块：对历史评分数据进行处理，产生目标用户的最近邻居集合并计算目标用户对视频的预测评分；

邻居与预测评分过滤模块：为最近邻搜索与预测评分模块提供相应的过滤机制与准则；

TV视频推荐模块：筛选具有较高预测评分值的视频作为推荐的结果集，并反馈给相应关联用户的智能终端TV。