CN104469430A - 基于上下文和群组组合的视频推荐方法及系统 - Google Patents

Abstract

本发明提供一种基于上下文和群组组合的视频推荐方法，其包括：S1、获取用户识别信号；S2、根据用户识别信号判断用户是否为单个用户；在用户为单个用户时，跳转到步骤S3a；在用户为多个用户时，跳转到步骤S3b；S3a、获取用户信息以及视频内容信息并根据用户信息建立用户兴趣模型，并跳转到步骤S4a；S4a、获取当前用户相关的上下文信息并结合用户兴趣模型生成基于情景感知的个性化媒体推荐菜单，并跳转到步骤S5；S3b、获取组用户信息以及视频内容信息并根据组用户信息建立多用户兴趣融合模型，并跳转到步骤S4b；S4b、获取用户组相关的上下文信息并根据多用户兴趣融合模型生成多用户兴趣平衡的建设性媒体推荐菜单，并跳转到步骤S5；S5、显示推荐菜单。

Description

基于上下文和群组组合的视频推荐方法及系统

技术领域

本发明涉及信息数据推送技术领域，尤其是一种基于上下文和群组组合的视频推荐方法及系统。

背景技术

随着信息技术和电子技术的飞速发展，视频需求开始向“高清化”、“网络化”、“智能化”的趋势发展。智能电视的出现顺应了这一发展趋势。在三网融合的大环境下，基于软件平台的智能电视将成为三网融合的重要载体，担当家庭多媒体信息平台的重任。过量的信息使得用户无法获取对自己有用的部分，信息使用效率反而降低。推荐系统作为一种信息过滤手段，是当前解决信息超载问题的非常有力的手段。在智能电视中，很重要的一个方面就是个性化，即根据个人的喜好搭载一个完整的智能推荐系统，能够根据用户身份和情景感知实时地推荐用户可能喜好的节目信息，引导用户发现需要的结果。

目前的主流智能推荐系统，通过获取用户对视频的喜好和感兴趣的程度，帮助用户从大量视频内容中发现其可能感兴趣的视频内容。然而，现有推荐引擎往往只关注“用户与视频”之间的关联关系，而较少考虑它们的上下文环境(如时间、位置、情绪、天气等等)。但是，在许多的情况下，仅仅依靠“用户与视频”之间的关系并不能生成有效的推荐。上下文感知推荐系统正是通过将上下文信息引入推荐系统，即基于上下文的推荐系统(CARS)以进一步提高推荐精确度和用户满意度，具有非常明显的研究意义和实用价值，逐渐成为推荐系统研究领域最为活跃的热点。

此外，由于智能电视是一个公用设备，大部分时间都用来信息和媒体共享，所以主要针对的用户不是一个个体，而是一个群体，对一个群组用户进行推荐比给单独用户推荐要更复杂，因此需要设计针对智能电视的家庭组视频推荐算法。群组推荐(GRS)需要兼顾不同用户的爱好，所以需要更多的信息，对多用户的兴趣进行不同程度的融合。

201210442382.4一种融合用户，项目和上下文属性信息的推荐系统优化方法(最接近本专利)原专利公开了一种融合用户，项目和上下文属性信息的推荐方法，同时考虑了用户，项目和上下文属性对用户评分的影响，并通过上下文属性信息来修正预测评分的偏差，提高了推荐精度。本专利是使用的上下文信息是基于用户的隐式信息，只考虑用户是否观看电影，而没有用用户的评分，所以也没有对评分的修正，而且原专利只有考虑少数几种对用户评分有影响的上下文信息。本专利用上下文信息来过滤跟当前用户兴趣无关的，最大程度保证相关信息，同时加入了组推荐信息，不光考虑单个用户的信息，也对多用户的上下文进行考虑和融合。

201210368902.1一种基于组推荐的服务选取系统及选取方法

原专利主要针对一个用户组进行服务推荐。是一种在餐馆的应用场景下的。所解决的技术问题是提供一种组推荐的服务选取系统及其选取方法，针对用户群体，考虑每个用户的兴趣，极大化提高了团体的满意度。本专利是针对于智能电视用户视频推荐场景下的群组推荐，考虑的因素和算法设计与原专利完全不同，此外，本专利还考虑的上下文不同场景，针对用户的权重也不一样。上下文与群组结合的方法综合考虑了各方因素，既能够保证个性化，又能均衡群体的兴趣爱好。

因此现有的视频内容推荐方法在视频推荐时由于缺少上下文的相关信息，推荐的精度不高；同时在智能电视特定场景下，传统的推荐方法只考虑对单一用户进行推荐，而没有均衡多用户兴趣，推荐的结果不理想。

发明内容

有鉴于此，本发明针对现有的视频内容推荐方法在视频推荐时缺少上下文的相关信息，并且无法均衡多用户兴趣的缺陷，提供一种基于上下文和群组组合的视频推荐方法及系统。

一种基于上下文和群组组合的视频推荐方法，其包括如下步骤：

S1、获取用户识别信号；

S2、根据用户识别信号判断用户是否为单个用户；在用户为单个用户时，跳转到步骤S3a；在用户为多个用户时，跳转到步骤S3b；

S3a、获取用户信息以及视频内容信息并根据用户信息建立用户兴趣模型，并跳转到步骤S4a；

S4a、获取用户当前相关的上下文信息并结合用户兴趣模型生成基于情景感知的个性化媒体推荐菜单，并跳转到步骤S5；

S3b、获取组用户信息以及视频内容信息并根据组用户信息建立多用户兴趣融合模型，并跳转到步骤S4b；

S4b、获取用户组当前相关的上下文信息并根据多用户兴趣融合模型生成多用户兴趣平衡的建设性媒体推荐菜单，并跳转到步骤S5；

S5、显示基于情景感知的个性化媒体推荐菜单或者多用户兴趣平衡的建设性媒体推荐菜单。

一种基于上下文和群组组合的视频推荐系统，其包括如下单元：

识别信号获取单元，用于获取用户识别信号；

判断单元，用于根据用户识别信号判断用户是否为单个用户；在用户为单个用户时，执行第一兴趣模型建立单元；在用户为多个用户时，执行第二兴趣模型建立单元；

第一兴趣模型建立单元，用于获取用户信息以及视频内容信息并根据用户信息建立用户兴趣模型，并执行第一推荐菜单生成单元；

第一推荐菜单生成单元，用于获取当前用户相关的上下文信息并结合用户兴趣模型生成基于情景感知的个性化媒体推荐菜单，并执行推荐菜单显示单元；

第二兴趣模型建立单元，用于获取组用户信息以及视频内容信息并根据组用户信息建立多用户兴趣融合模型，并并执行第二推荐菜单生成单元；

第二推荐菜单生成单元，用于获取用户组相关的上下文信息并根据多用户兴趣融合模型生成多用户兴趣平衡的建设性媒体推荐菜单，并执行推荐菜单显示单元；

推荐菜单显示单元，用于显示基于情景感知的个性化媒体推荐菜单或者多用户兴趣平衡的建设性媒体推荐菜单。

本发明针对目前传统智能推荐算法的局限性，提供的基于上下文和群组组合的视频推荐方法及系统，解决了一般推荐算法中对上下文信息的忽略，不能有效地用户的真正意图和喜好进行扑捉，不能有效进行预测和推荐。通过基于上下文和组推荐的算法真正做到对用户的真实情况进行观察，实时和准确地给用户推荐他们真正感兴趣的内容；并且本发明可以区分判断为单一用户或者组用户，针对组用户采用组推荐算法针对智能电视用户在大部分场景都是多人共享的情况下，对组或者多用户进行兴趣预测，对组用户进行均衡的推荐。

附图说明

图1是本发明实施方式提供的基于上下文和群组组合的视频推荐方法流程图；

图2是本发明实施方式提供的基于上下文和群组组合的视频推荐系统结构框图。

具体实施方式

本发明的原理如下，如图1所示，一种基于上下文和群组组合的视频推荐方法，其特征在于，其包括如下步骤：

S1、获取用户识别信号。

用户识别信号的获取方法包括指纹识别，用户注册，人脸识别等方法，本发明优选采用用户注册与人脸识别相结合的方法来获取用户识别信号。

S2、根据用户识别信号判断用户是否为单个用户；在用户为单个用户时，跳转到步骤S3a；在用户为多个用户时，跳转到步骤S3b。

S3a、获取用户信息以及视频内容信息并根据用户信息建立用户兴趣模型，并跳转到步骤S4a。

可选地，所述步骤S3a包括：

S31a、获取用户信息，用户信息包括用户个人信息以及用户操作交互信息；获取视频内容信息，视频内容信息包括提供方的视频内容的元数据，对视频内容的元数据进行标注得到视频元数据信息，对视频元数据信息进行分类。

用户的个人信息包括用户的年龄，性别，职业，地区等信息。用户操作交互信息包括用户观看的电影名，电影类别，观影时长，影片评分，收藏等动作信息。本发明不仅限于此。

用户操作交互信息包括隐形特征和显性特征，隐形特征包括用户在智能电视后台看过什么电影，什么视频。包括看视频的时间，动作，快进，快退，收藏，分享等，还包括视频的特征，是否高清，来自哪个内容提供商等；显性特征包括用户对视频的反馈，喜欢不喜欢，评分和评论等特征。

视频内容信息可以从视频合作方的数据库中获取，也可以从互联网抓取的云数据，并分别存入本地的视频元数据库；视频元数据信息进行分类包括影片类型，年底，地区，导演，演员等分类，也对影片简介内容进行分类。本发明不仅限于此。

S32a、根据用户操作交互信息获取用户兴趣模型描述信息以及上下文描述信息；根据用户兴趣模型描述信息以及上下文描述信息生成用户兴趣模型；跳转到步骤S4a。

上下文信息的获取，对于不同的应用，对推荐有影响的上下文也不一样，有些信息影响大，有的信息影较弱，因此，需要区分哪些上下文信息是有效的也非常重要，对于视频推荐来说，影响最大的上下文信息是时间，地点，天气，环境，设备，人物，心情等，时间又可以分为平时，周末，节日，季节，纪念日，重大事件，早上，中午，晚上等，本发明不限于此。如每个用户早上喜欢看新闻，晚上喜欢看连续剧。在中秋的时候喜欢看家庭团聚的生活片等等类似的上下文信息。

用户兴趣模型描述信息比如每个用户早上喜欢看新闻，晚上喜欢看连续剧。在中秋的时候喜欢看家庭团聚的生活片等等类似的上下文信息。

S4a、获取当前用户相关的上下文信息并结合用户兴趣模型生成基于情景感知的个性化媒体推荐菜单，并跳转到步骤S5；

可选地，所述步骤S4a包括：获取当前用户相关的上下文信息，根据用户兴趣模型通过协同过滤算法对提取用户的偏好，从分类的视频元数据信息中选择推荐的视频生成一组视频列表，并根据当前用户相关的上下文信息对视频列表中的视频进行过滤生成基于情景感知的个性化媒体推荐菜单。

比如：用户A当前的上下文信息为时间为晚上，地点为江苏；通过协同过滤算法(CF推荐技术)对用户A产生一个推荐列表，而通过对用户兴趣模型描述信息分析得知用户A在晚上喜欢看当地新闻，和综艺节目；推荐列表里边包括：电视连续剧，各地的新闻如，北京新闻视频，上海新闻视频，...，综艺节目共30个节目列表，结合当前用户相关的上下文信息对视频进行过滤，最终推荐出10部与当地新闻如江苏新闻相关的视频，以及当地综艺节目如非诚勿扰等的视频。这样就实现了更精准和有效的推荐。提高了用户的满意度。

S3b、获取组用户信息以及视频内容信息并根据组用户信息建立多用户兴趣融合模型，并跳转到步骤S4b。

可选地，所述步骤S3b包括：

S31b、获取组用户的信息，组用户信息包括各用户的隐形信息、显性信息、用户与用户之间的关系信息以及各用户兴趣信息；获取视频内容信息，视频内容信息包括提供方的视频内容的元数据，并对视频内容的元数据进行标注得到视频元数据信息，对视频元数据信息进行分类。

隐形特征包括用户在智能电视后台看过什么电影，什么视频。包括看视频的时间，动作，快进，快退，收藏，分享等，还包括视频的特征，是否高清，来自哪个内容提供商等；显性特征包括用户对视频的反馈，喜欢不喜欢，评分和评论等特征。

用户与用户之间的关系信息包括朋友关系，家人关系，同学关系，同事关系或者是一个组织和团队等关系。本发明不限于此。这些关系在账号创建时就以及确定。

视频内容信息与S31a中一样。

S32b、根据各用户的隐形信息、显性信息、用户与用户之间的关系信息生成多用户兴趣融合模型。

可选地，所述步骤S32b中根据各用户的隐形信息、显性信息、用户与用户之间的关系信息生成多用户兴趣融合模型包括：

根据单个用户的隐形信息、显性信息得到单个用户的兴趣爱好。

比如通过对单个用户的隐形信息、显性信息以及个人信息进行分析，对单个用户进行行为分析，对每个用户看过的视频进行分类统计，得出用户的兴趣爱好，归纳喜欢看什么类型的影片。如

用户A的观看视频历史统计为：{旅游节目18％,港台剧17％，日韩剧16％，欧美剧11％，内地剧15％，科学探索剧8％........}

用户B的观看视频历史统计为：{体育比赛19％,科学探索14％，旅游节目11％，财经节目11％，人物传纪10％，时政新闻8％........}

用户C的观看视频历史统计为：{少儿节目15％,智益教育14％，智益游戏11％，动画片10％，旅游节目8％，科学探索7％........}

根据单个用户的兴趣爱好以及用户与用户之间的关系信息对多个用户进行兴趣融合生成多用户兴趣融合模型。

可选地，根据单个用户的兴趣爱好以及用户与用户之间的关系信息对多个用户进行兴趣融合生成多用户兴趣融合模型包括：

针对用户与用户之间的关系设置组用户中不同的单个用户兴趣爱好的权重对多个用户进行兴趣融合生成多用户兴趣融合模型。

如以上用户A,B,C，他们的共同兴趣为旅游节目和科学探索，所以针对群组A,B,C，推荐出来的就是旅游节目和科学探索节目。此外，本专利同时考虑了偏向性策略，如在一个家庭中如果有小孩的时候，一般小孩的权重比较高，有客人的时候，客人会有优先级，有老人的，老人也需要得到特别尊重，权重也会比较高。所以在一个家庭中会对爷爷，奶奶，爸爸，妈妈，小孩，每个人设定一个初始权重，如爷爷权重35％，小孩权重45％，爸爸权重20％...等，最后根据用户的权重推荐各种喜爱的节目，当然，权重会根据不同家庭情况而调整，如在家庭H，如果发现每次父母和孩子一起看电视的时候，孩子总是优先，那么可以把孩子的权重大幅度提高。用户兴趣爱好的权重可以灵活设置。

S4b、获取用户组相关的上下文信息并根据多用户兴趣融合模型生成多用户兴趣平衡的建设性媒体推荐菜单，并跳转到步骤S5；

可选地，所述步骤S4b包括：获取当前组用户相关的上下文信息，根据多用户兴趣融合模型从分类的视频元数据信息中选择推荐的视频，根据不同的单个用户兴趣爱好的权重调整推荐视频的优先级，并根据当前组用户相关的上下文信息对推荐的视频进行过滤，生成基于情景感知的个性化媒体推荐菜单。

比如当前组用户相关的上下文信息是处于放假中，用A方法的场景，当用户的的兴趣爱好比较一致的时候，我们可以用A方法。计算整个组的兴趣爱好模型，然后融合当前上下文情景，进行推荐。如果一个家庭，他们最近在放假中，准备出去旅游，所有可以更多地推荐旅游相关的节目。如果是一个体育队，可以更多地推荐体育节目；如果是几个学生，可以推荐专业相关的视频等等。用B方法的场景，先考虑独立用户，融合当前上下文场景进行推荐节目，然后把多用户兴趣进行融合。如果当天是其中一个人的生日，推荐视频的权重更偏向生日的人。如果当天是夫妻结婚纪念日，权重会偏向夫妻双方，而且会推荐，喜庆的，浪漫的影片等等。

这两种方法在不同的场合会有不同的效果，可以根据根据情况进行比较和选择。

S5、显示基于情景感知的个性化媒体推荐菜单或者多用户兴趣平衡的建设性媒体推荐菜单。

S5中在电视终端对已推荐的结果进行显示，并解释推荐结果。

实现了基于上下文的视频推荐，解决了由于上下文信息的缺失造成推荐效果比较机械化，不能真正预测在特定情况下用户的喜好；有效地融合上下文信息的推荐能够更准确地推荐，给用户带来惊喜，提高用户体验。

实现了基于组推荐的方法，群推荐解决了智能电视用户所面对的一个很重要的问题，即在多用户的场景下怎么更好地给用户推荐节目，怎么均衡多用户的兴趣和喜好。组推荐正好解决了这个问题。

实现了基于上下文和群组推荐的方法，基于上下文的组推荐算法解决了一般算法没有考虑组用户的特殊场景，不能给组用户推荐较适合他们兴趣的内容，而本方法考虑群组用户的特有兴趣或场景，进行一些针对性的推荐，大大地提高了组用户的满意度和用户体验。

如图2所示，本发明还提供一种基于上下文和群组组合的视频推荐系统，其包括如下单元：

识别信号获取单元10，用于获取用户识别信号；

判断单元20，用于根据用户识别信号判断用户是否为单个用户；在用户为单个用户时，执行第一兴趣模型建立单元30；在用户为多个用户时，执行第二兴趣模型建立单元50；

第一兴趣模型建立单元30，用于获取用户信息以及视频内容信息并根据用户信息建立用户兴趣模型，并执行第一推荐菜单生成单元40；

第一推荐菜单生成单元40，用于获取当前用户相关的上下文信息并结合用户兴趣模型生成基于情景感知的个性化媒体推荐菜单，并执行推荐菜单显示单元70；

第二兴趣模型建立单元50，用于获取组用户信息以及视频内容信息并根据组用户信息建立多用户兴趣融合模型，并并执行第二推荐菜单生成单元60；

第二推荐菜单生成单元60，用于获取用户组相关的上下文信息并根据多用户兴趣融合模型生成多用户兴趣平衡的建设性媒体推荐菜单，并执行推荐菜单显示单元70；

推荐菜单显示单元70，用于显示基于情景感知的个性化媒体推荐菜单或者多用户兴趣平衡的建设性媒体推荐菜单。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能性一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应超过本发明的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机储存器、内存、只读存储器、电可编程ROM、电可檫除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其他形式的存储介质中。

可以理解的是，对于本领域的普通技术人员来说，可以根据本发明的技术构思做出其它各种相应的改变与变形，而所有这些改变与变形都应属于本发明权利要求的保护范围。

Claims (8)

1.一种基于上下文和群组组合的视频推荐方法，其特征在于，其包括如下步骤：

S1、获取用户识别信号；

S2、根据用户识别信号判断用户是否为单个用户；在用户为单个用户时，跳转到步骤S3a；在用户为多个用户时，跳转到步骤S3b；

S3a、获取用户信息以及视频内容信息并根据用户信息建立用户兴趣模型，并跳转到步骤S4a；

S4a、获取当前用户相关的上下文信息并结合用户兴趣模型生成基于情景感知的个性化媒体推荐菜单，并跳转到步骤S5；

S3b、获取组用户信息以及视频内容信息并根据组用户信息建立多用户兴趣融合模型，并跳转到步骤S4b；

S4b、获取用户组相关的上下文信息并根据多用户兴趣融合模型生成多用户兴趣平衡的建设性媒体推荐菜单，并跳转到步骤S5；

S5、显示基于情景感知的个性化媒体推荐菜单或者多用户兴趣平衡的建设性媒体推荐菜单。

2.如权利要求1所述的基于上下文和群组组合的视频推荐方法，其特征在于，所述步骤S3a包括：

S31a、获取用户信息，用户信息包括用户个人信息以及用户操作交互信息；获取视频内容信息，视频内容信息包括提供方的视频内容的元数据，对视频内容的元数据进行标注得到视频元数据信息，对视频元数据信息进行分类；

S32a、根据用户操作交互信息获取用户兴趣模型描述信息以及上下文描述信息；根据用户兴趣模型描述信息以及上下文描述信息生成用户兴趣模型；跳转到步骤S4a。

3.如权利要求2所述的基于上下文和群组组合的视频推荐方法，其特征在于，所述步骤S4a包括：获取当前用户相关的上下文信息，根据用户兴趣模型通过协同过滤算法对提取用户的偏好，从分类的视频元数据信息中选择推荐的视频生成一组视频列表，并根据当前用户相关的上下文信息对视频列表中的视频进行过滤生成基于情景感知的个性化媒体推荐菜单。

4.如权利要求1所述的基于上下文和群组组合的视频推荐方法，其特征在于，所述步骤S3b包括：

S31b、获取组用户的信息，组用户信息包括各用户的隐形信息、显性信息、用户与用户之间的关系信息以及各用户兴趣信息；获取视频内容信息，视频内容信息包括提供方的视频内容的元数据，并对视频内容的元数据进行标注得到视频元数据信息，对视频元数据信息进行分类；

S32b、根据各用户的隐形信息、显性信息、用户与用户之间的关系信息生成多用户兴趣融合模型。

5.如权利要求4所述的基于上下文和群组组合的视频推荐方法，其特征在于，所述步骤S32b中根据各用户的隐形信息、显性信息、用户与用户之间的关系信息生成多用户兴趣融合模型包括：

根据单个用户的隐形信息、显性信息得到单个用户的兴趣爱好；

根据单个用户的兴趣爱好以及用户与用户之间的关系信息对多个用户进行兴趣融合生成多用户兴趣融合模型。

6.如权利要求5所述的基于上下文和群组组合的视频推荐方法，其特征在于，根据单个用户的兴趣爱好以及用户与用户之间的关系信息对多个用户进行兴趣融合生成多用户兴趣融合模型包括：

针对用户与用户之间的关系设置组用户中不同的单个用户兴趣爱好的权重对多个用户进行兴趣融合生成多用户兴趣融合模型。

7.如权利要求6所述的基于上下文和群组组合的视频推荐方法，其特征在于，所述步骤S4b包括：获取当前组用户相关的上下文信息，根据多用户兴趣融合模型从分类的视频元数据信息中选择推荐的视频，根据不同的单个用户兴趣爱好的权重调整推荐视频的优先级，并根据当前组用户相关的上下文信息对推荐的视频进行过滤，生成基于情景感知的个性化媒体推荐菜单。

8.一种基于上下文和群组组合的视频推荐系统，其特征在于，其包括如下单元：

识别信号获取单元，用于获取用户识别信号；

判断单元，用于根据用户识别信号判断用户是否为单个用户；在用户为单个用户时，执行第一兴趣模型建立单元；在用户为多个用户时，执行第二兴趣模型建立单元；

第一兴趣模型建立单元，用于获取用户信息以及视频内容信息并根据用户信息建立用户兴趣模型，并执行第一推荐菜单生成单元；

第一推荐菜单生成单元，用于获取当前用户相关的上下文信息并结合用户兴趣模型生成基于情景感知的个性化媒体推荐菜单，并执行推荐菜单显示单元；

第二兴趣模型建立单元，用于获取组用户信息以及视频内容信息并根据组用户信息建立多用户兴趣融合模型，并并执行第二推荐菜单生成单元；

第二推荐菜单生成单元，用于获取用户组相关的上下文信息并根据多用户兴趣融合模型生成多用户兴趣平衡的建设性媒体推荐菜单，并执行推荐菜单显示单元；

推荐菜单显示单元，用于显示基于情景感知的个性化媒体推荐菜单或者多用户兴趣平衡的建设性媒体推荐菜单。