CN104661055A - 一种业务推荐方法及装置 - Google Patents

Abstract

本发明提供一种业务推荐方法及装置，涉及交互式网络电视领域。方法包括：获取用户端近期在当前时段播放过的历史节目；从该历史节目所在的节目聚簇中选出推荐节目，并向用户端推送该推荐节目的信息；其中，节目聚簇是利用节目的静态特征将已有节目进行划分得到的；和/或向用户端推送广告；其中，所述广告至少与该历史节目所在的节目聚簇中的一个节目具有关联性。本发明的方案所推荐的广告和节目能够与用户端播放的节目具有关联性和相似性，因此更加合理；进一步地，节目聚簇设置让查找待推荐的广告和节目更具有目的性，因此提高了推荐速度。

Description

一种业务推荐方法及装置

技术领域

本发明涉及交互式网络电视领域，特别是一种业务推荐方法及装置。

背景技术

近年来，国际国内IPTV商用规模不断扩大，影响力也不断提高。同时，随着人们对数字化、网络化、流媒体化娱乐媒体认知度的提高和需求品质的上升。伴随着IPTV业务的快速发展，“信息过载”和“信息迷航”现象也逐渐突出。用户往往纠结在大量节目中如何找到真正符合自己兴趣爱好的节目，因此推荐系统的作用日益凸显。传统的推荐系统往往采用“硬”关联方式，向当前用户提供的推荐结果一般基于其他用户对资源的平均评价，或者基于访问排行，或者基于编辑推荐。这种推荐技术独立于各个用户，每个用户得到的推荐都是相同的，没有充分挖掘用户的个性化特征，推荐结果比较狭窄；此外，广告业务的推荐也未在互联网电视这样的平台做到精确投放。

发明内容

本发明要解决的技术问题提供一种业务推荐方法，能够优化IPTV的推荐速度和精确度。

为解决上述技术问题，本发明的实施例提供一种业务推荐方法，包括：

获取用户端近期在当前时段播放过的历史节目；

从该历史节目所在的节目聚簇中选出推荐节目，并向用户端推送该推荐节目的信息；其中，节目聚簇是利用节目的静态特征将已有节目进行划分得到的；

和/或向用户端推送广告；其中，所述广告至少与该历史节目所在的节目聚簇中的一个节目具有关联性。

其中，所述节目聚簇具体是通过下述步骤得到的：

从已有节目中随机选取K个节目对应作为K类节目聚簇的中心节目；

利用节目的静态特征计算出剩下的节目与该K个中心节目的度量值；

将剩下的节目划分至对应度量值最小的节目聚簇中；

重新计算各节目聚簇的中心节目；其中，中心节目为其与所在节目聚簇中所有节目的度量值之和最小的节目；

若每个节目聚簇的中心节目在重新计算后均未发生改变，则划分结束；否则根据重新得到的K个中心节目将其余节目重新划分至节目聚簇中，直至每个节目聚簇的中心节目在下次计算后均未发生改变。

其中，

节目之间的度量值 $d(X,Y)={\mathrm{\Σ}}_{i=1}^z\∂(\mathrm{Xi},\mathrm{Yi});$

X、Y分别表示节目；Z表示节目的静态特征的类别集合；i表示节目的静态特征类别，表示节目X的i类静态特征与节目Y的i类静态特征进行比较，当Xi=Yi时，当Xi≠Yi时，

其中，从该历史节目所在的节目聚簇中选出推荐节目的步骤包括：

确定用户端在不同时段播放不同节目的偏好评分；

根据偏好评分计算每个节目聚簇中的各节目之间的偏好相似度；其中，只有属于同一节目聚簇且同一时段播放的节目之间存在偏好相似度；

若该历史节目与其它节目之间存在偏好相似度，则在该历史节目所在的节目聚簇中选取一个或多个能够与其存在偏好相似度的节目作为评分基准，并对其所在节目聚簇剩下的且用户端未播放的节目进行预测评分；

将预测评分最高的一个或多个节目作为推荐节目。

其中，确定用户端在各个时段播放不同节目的偏好评分的步骤包括：

根据用户端的历史话单确定出用户端在不同时段播放的所有节目，并根据客户端播放节目的时间占该节目总时长的权重计算出用户端播放节目的偏好评分W(ut,p*)；其中，u表示用户端，t表示时段，p*表示节目；

其中，根据偏好评分计算每个节目聚簇中的各节目之间的偏好相似度的步骤包括：

根据公式 $\mathrm{SIM}(p,q)=\frac{{\mathrm{\Σ}}_{t=1}^f(w_{\mathrm{ut},p}-\stackrel{\‾}{p})(w_{\mathrm{ut},q}-\stackrel{\‾}{q})}{\sqrt{{\mathrm{\Σ}}_{t=1}^f{(w_{\mathrm{ut},p}-\stackrel{\‾}{p})}^2}\sqrt{{\mathrm{\Σ}}_{t=1}^f{(w_{\mathrm{ut},q}-\stackrel{\‾}{q})}^2}}$ 计算每个节目聚簇中的各节目之间的偏好相似度;

其中，p和q表示属于同一节目聚簇且同一时段播放的两个不同节目；f表示所有时段的集合； $\stackrel{\‾}{p}=\frac{{\mathrm{\Σ}}_{t=1}^f{w}_{\mathrm{ut},p}}{f},\stackrel{\‾}{q}=\frac{{\mathrm{\Σ}}_{t=1}^f{w}_{\mathrm{ut},q}}{f}.$

其中，在该历史节目所在的节目聚簇中选取一个或多个能够与其存在偏好相似度的节目作为评分基准，并对其所在节目聚簇剩下的且用户端未播放的节目进行预测评分的步骤包括：

在该历史节目所在的节目聚簇中选取N个能够与其存在偏好相似度的节目作为评分基准；

根据公式 $\mathrm{Estimate}(\mathrm{ut},b)=\frac{{\mathrm{\Σ}}_{j=1}^N{w}_{\mathrm{ut},p}*\mathrm{SIM}(b,q_j)}{{\mathrm{\Σ}}_{j=1}^N\mathrm{SIM}(b,q_j)}$ 对该节目聚簇剩下的且用户端未播放的节目进行预测评分；

其中，N为正整数且≥1，q_j为其中一个与该历史节目存在偏好相似度的节目。

其中，向用户端推送广告的步骤具体包括：

若该历史节目与其它节目之间存在偏好相似度，则使用户端推荐与该其它节目相关联的广告。

本发明的实施例还提供一种业务推荐装置，包括：

获取模块，用于获取用户端近期在当前时段播放过的历史节目；

节目推荐模块，用于从该历史节目所在的节目聚簇中选出推荐节目，并向用户端推送该推荐节目的信息；其中，节目聚簇是利用节目的静态特征将已有节目进行划分得到的；

和/或广告体检模块，用于向用户端推送广告；其中，所述广告至少与该历史节目所在的节目聚簇中的一个节目具有关联性。

其中，所述节目聚簇具体是通过下述装置得到的：

选取子模块，用于从已有节目中随机选取K个节目对应作为K类节目聚簇的中心节目；

计算子模块，用于利用节目的静态特征计算出剩下的节目与该K个中心节目的度量值；

划分子模块，将剩下的节目划分至对应度量值最小的节目聚簇中；

重选取子模块，用于重新计算各节目聚簇的中心节目；其中，中心节目为其与所在节目聚簇中所有节目的度量值之和最小的节目；

重划分子模块，用于若每个节目聚簇的中心节目在重新计算后均未发生改变，则划分结束；否则根据重新得到的K个中心节目将其余节目重新划分至节目聚簇中，直至每个节目聚簇的中心节目在下次计算后均未发生改变。

其中，所述节目推荐模块具体包括：

评分子模块，用于确定用户端在不同时段播放不同节目的偏好评分；

相似度计算子模块，用于根据偏好评分计算每个节目聚簇中的各节目之间的偏好相似度；其中，只有属于同一节目聚簇且同一时段播放的节目之间存在偏好相似度；

预测评分子模块，用于若该历史节目与其它节目之间存在偏好相似度，则在该历史节目所在的节目聚簇中选取一个或多个能够与其存在偏好相似度的节目作为评分基准，并对其所在节目聚簇剩下的且用户端未播放的节目进行预测评分；

节目推荐子模块，用于将预测评分最高的一个或多个节目作为用户端的推荐节目。

其中，所述评分子模块具体用于：

根据用户端的历史话单确定出用户端在不同时段播放的所有节目，并根据客户端播放节目的时间占该节目总时长的权重计算出用户端播放节目的偏好评分W(ut,p*)；其中，u表示用户端，t表示时段，p*表示节目；

其中，所述相似度计算子模块具体用于：

根据公式 $\mathrm{SIM}(p,q)=\frac{{\mathrm{\Σ}}_{t=1}^f(w_{\mathrm{ut},p}-\stackrel{\‾}{p})(w_{\mathrm{ut},q}-\stackrel{\‾}{q})}{\sqrt{{\mathrm{\Σ}}_{t=1}^f{(w_{\mathrm{ut},p}-\stackrel{\‾}{p})}^2}\sqrt{{\mathrm{\Σ}}_{t=1}^f{(w_{\mathrm{ut},q}-\stackrel{\‾}{q})}^2}}$ 计算每个节目聚簇中的各节目之间的偏好相似度;

其中，p和q表示属于同一节目聚簇且同一时段播放的两个不同节目；f表示所有时段的集合； $\stackrel{\‾}{p}=\frac{{\mathrm{\Σ}}_{t=1}^f{w}_{\mathrm{ut},p}}{f},\stackrel{\‾}{q}=\frac{{\mathrm{\Σ}}_{t=1}^f{w}_{\mathrm{ut},q}}{f}.$

其中，所述预测评分子模块具体用于：

选取单元，用于在该历史节目所在的节目聚簇中选取N个能够与其存在偏好相似度的节目作为评分基准；

预测评分单元，用于根据公式 $\mathrm{Estimate}(\mathrm{ut},b)=\frac{{\mathrm{\Σ}}_{j=1}^N{w}_{\mathrm{ut},p}*\mathrm{SIM}(b,q_j)}{{\mathrm{\Σ}}_{j=1}^N\mathrm{SIM}(b,q_j)}$ 对该节目聚簇剩下的且用户端未播放的节目进行预测评分；

其中，N为正整数且≥1，q_j为其中一个与该历史节目存在偏好相似度的节目。

其中，所述广告推荐模块具体用于：

若该历史节目与其它节目之间存在偏好相似度，则使用户端推荐与该其它节目相关联的广告。

本发明的上述方案具有如下有益效果：

本发明的方案根据用户端近期在当前时段内播放的节目，在对应的节目聚簇中为用户端挑选出推荐节目以及广告，由于节目聚簇中是根据静态特征进行划分的，因此本方法所推荐的广告和节目能够与用户端播放的节目具有关联性和相似性，推荐质量更好也更易被认可；进一步地，节目聚簇设置让查找待推荐的广告和节目更具有目的性，因此提高了推荐速度。

附图说明

图1为本发明中业务推荐方法的步骤示意图；

图2为实施本发明中业务推荐方法的示意图；

图3为本发明中业务推荐装置的结构示意图。

具体实施方式

为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。

如图1所示，一种业务推荐方法，包括：

步骤11，获取用户端近期在当前时段播放过的历史节目；

步骤12，从该历史节目所在的节目聚簇中选出推荐节目，并向用户端推送该推荐节目的信息；其中，节目聚簇是利用节目的静态特征将已有节目进行划分得到的；

步骤13，和/或向用户端推送广告；其中，所述广告至少与该历史节目所在的节目聚簇中的一个节目具有关联性。

本方法根据用户端近期在当前时段内播放的节目，在对应的节目聚簇中为用户端挑选出推荐节目以及广告，由于节目聚簇中是根据静态特征进行划分的，因此本方法所推荐的广告和节目能够与用户端播放的节目具有关联性和相似性，推荐质量更好也更易被认可；进一步地，节目聚簇设置让查找待推荐的广告和节目更具有目的性，因此提高了推荐速度。

具体地，在本发明的上述实施例中，述节目聚簇具体是通过下述步骤得到的：

步骤A，从已有节目中随机选取K个节目对应作为K类节目聚簇的中心节目；

步骤B，利用节目的静态特征计算出剩下的节目与该K个中心节目的度量值；

步骤C，将剩下的节目划分至对应度量值最小的节目聚簇中；

步骤D，重新计算各节目聚簇的中心节目；其中，中心节目为其与所在节目聚簇中所有节目的度量值之和最小的节目；

步骤E，若每个节目聚簇的中心节目在重新计算后均未发生改变，则划分结束；否则根据重新得到的K个中心节目将其余节目重新划分至节目聚簇中，直至每个节目聚簇的中心节目在下次计算后均未发生改变。

下面对节目聚簇的划分原理进行详细介绍：

假设需要将所有节目划分成K类节目聚簇，那么首先随便选出K个节目作为K个不同的节目聚簇，这K个节目都可看作是各自节目聚簇的参考，即本文所述中心节目。之后根据静态特征计算出剩下的节目与该K个中心节目的度量值，静态特征可以包括有节目的主题、导演、演员、主持人、类型、地区、年代等，两个节目的静态特征相同的越多则说明这两个节目相似度越高且度量值越小。在计算完成后，将剩下的每个节目放入与其最相似的中心节目所在的节目聚簇中。由于第一次划分并不准确，所以重新计算每个节目聚簇的中心节目，即对每个节目聚簇中的各个节目之间都要计算一遍度量值，并根据度量值挑选一个节目聚簇的中心节目，其中，一个节目聚簇的中心节目应与该节目聚簇中的其余节目的度量值之和最小。之后以新的中心节目为参考，再次进行划分，直到所有节目聚簇的中心节目不再发生变化为止。综上所述，本实施例在初步划分完成之后，每进行一次重新划分都可以看成是对所有节目聚簇进行一次修正。

具体地，本发明还提供一种度量值机计算方法，即

节目之间的度量值 $d(X,Y)={\mathrm{\Σ}}_{i=1}^z\∂(\mathrm{Xi},\mathrm{Yi});$

其中，X、Y分别表示节目；Z表示节目的静态特征的类别集合；i表示节目的静态特征类别，表示节目X的i类静态特征与节目Y的i类静态特征进行比较，当Xi=Yi时，当Xi≠Yi时，

需要说明的是，上述度量值的计算方法并不唯一，凡是以静态特征来反映出两个节目之间相似程度的方法都应属于本发明的保护范围。

此外，在本发明的上述实施例中，步骤12具体包括：

步骤121，确定用户端在不同时段播放不同节目的偏好评分；

步骤122，根据偏好评分计算每个节目聚簇中的各节目之间的偏好相似度；其中，只有属于同一节目聚簇且同一时段播放的节目之间存在偏好相似度；

步骤123，若该历史节目与其它节目之间存在偏好相似度，则在该历史节目所在的节目聚簇中选取一个或多个能够与其存在偏好相似度的节目作为评分基准，并对其所在节目聚簇剩下的且用户端未播放的节目进行预测评分；

将预测评分最高的一个或多个节目作为用户端的推荐节目。

本实施例引入评分机制，同过存在偏好评分的节目（即已经观看过的节目）对没有观看过的节目进行预测评分，并根据预测评分的结果择优选出推荐节目，因此具有极高的推荐质量；此外，由于本实施例的推荐节目在时间上具有关联性（即同一时段播放的节目之间才可能存在偏好相似度），且家庭成员观看节目的作息时间普遍具有规律性，因此本实施还成功解决了“到底是谁在掌握遥控器”的问题。

具体地，在本发明的上述实施例中，步骤121包括：

根据用户端的历史话单确定出用户端在各个时段内所播放的节目，并根据客户端播放节目的时间占该节目总时长的权重计算出用户端播放节目的偏好评分W(ut,p*)；其中，u表示用户端，t表示时段，p*表示节目；

具体地，在本发明的上述实施例中，步骤122包括：

根据公式 $\mathrm{SIM}(p,q)=\frac{{\mathrm{\Σ}}_{t=1}^f(w_{\mathrm{ut},p}-\stackrel{\‾}{p})(w_{\mathrm{ut},q}-\stackrel{\‾}{q})}{\sqrt{{\mathrm{\Σ}}_{t=1}^f{(w_{\mathrm{ut},p}-\stackrel{\‾}{p})}^2}\sqrt{{\mathrm{\Σ}}_{t=1}^f{(w_{\mathrm{ut},q}-\stackrel{\‾}{q})}^2}}$ 计算每个节目聚簇中的各节目之间的偏好相似度;

其中，p和q表示属于同一节目聚簇且同一时段播放的两个不同节目；f表示所有时段的集合； $\stackrel{\‾}{p}=\frac{{\mathrm{\Σ}}_{t=1}^f{w}_{\mathrm{ut},p}}{f},\stackrel{\‾}{q}=\frac{{\mathrm{\Σ}}_{t=1}^f{w}_{\mathrm{ut},q}}{f}.$

本实施例计算偏好相似度的公式是由pearson相关系数计算公式演变而来的。Pearson相关系数用来衡量两个数据的线性关系，即可以反映出两个数据的关联性。

具体地，在本发明的上述实施例中，步骤123包括：

步骤1231，在该历史节目所对应的节目聚簇中选取N个能够与其存在偏好相似度的节目作为评分基准；

步骤1232，根据公式 $\mathrm{Estimate}(\mathrm{ut},b)=\frac{{\mathrm{\Σ}}_{j=1}^N{w}_{\mathrm{ut},p}*\mathrm{SIM}(b,q_j)}{{\mathrm{\Σ}}_{j=1}^N\mathrm{SIM}(b,q_j)}$ 对该节目聚簇剩下的且用户端未播放的节目进行预测评分；

其中，N为正整数且≥1，q_j为其中一个与该历史节目存在偏好相似度的节目。

此外，为进一步保证广告推送的精确度，步骤13具体包括：

若该历史节目与其它节目之间存在偏好相似度，则使用户端推荐与该其它节目相关联的广告。

如图2所示，下面对上述业务推荐方法的具体实施进行介绍：

<一>节目的偏好评分的积累过程以及节目聚簇的划分

假设本方法的实施主体为后台服务器，在IPTV系统中，用户通过遥控器控制机顶盒（对应于本文的用户端）观看节目，机顶盒会将相应请求发送后台服务器，后台服务器根据请求向机顶盒发送节目数据，并生成此次机顶盒播发该节目的历史话单，通过历史话单隐式计算并记录该节目的偏好评分，通过时间的推进，从而形成针对该机顶盒播放节目的偏好评分积累。其中，偏好评分可看成是<用户端-时段-节目>的三维度立方体Cube(u,t,p)。Cubeu,t,p表示用户端u在时段t观看了节目p给予的偏好评分（本实施例的用户端即为机顶盒）。为进行简化，将立方体Cube(u,t,p)降维得到W(ut,p)，并在后续的分析过程中不断进行更新。具体的，如果用户端u在相应时间段t内累积播放该节目p的时间不超过节目时长的1/5则打0分，[1/5,2/5)打1分，[2/5,3/5)打2分，[3/5,4/5)打3分，[4/5,1)打4分，累积观看超过节目时长打5分。举例来说，若用户端u播放一个完整的节目P横贯了时段t₁和t₂，则记录的偏好评分数据为W(ut₁,p)=5、W(ut₂,p)=5。对于时间段t的可以灵活地进行划分，如将周一到周五每天17:00-23:00，以及周六周日每天8:00-24:00划分成以30分钟为单位的各个时段。

除此之外，后台服务器将本地节目库中保存的所有节目划分成各个节目聚簇，其具体方法已在上文中进行了详细描述，在此不再赘述；之后可根据公式 $\mathrm{SIM}(p,q)=\frac{{\mathrm{\&Sigma;}}_{t=1}^f(w_{\mathrm{ut},p}-\stackrel{\&OverBar;}{p})(w_{\mathrm{ut},q}-\stackrel{\&OverBar;}{q})}{\sqrt{{\mathrm{\&Sigma;}}_{t=1}^f{(w_{\mathrm{ut},p}-\stackrel{\&OverBar;}{p})}^2}\sqrt{{\mathrm{\&Sigma;}}_{t=1}^f{(w_{\mathrm{ut},q}-\stackrel{\&OverBar;}{q})}^2}}$ 计算每个节目聚簇中的各节目之间的偏好相似度，得到各个节目聚簇所对应的偏好相似度的集合SIM₁，SIM₂，…SIM_K。

<二>业务的推荐过程

首先用户通过遥控器向机顶盒发出想要得到推荐节目的命令；机顶盒在收到命令后请求后台服务器，后台服务器根据请求时段和机顶盒信息获取机顶盒在此时段最近5次的点播节目p1,p2,p3,p4,p5，依次定位到各自对应的偏好相似度集合Simj（j∈K），在Simj中找到与节目pi具有偏好相似度最高的10个节目q1,q2,…,q10作为评分基准。利用评分基准对节目聚类中机顶盒尚未点播过的节目b进行Estimate预测评分，优选的，节目b可以是机顶盒在请求时段从未播放的节目。并将预测评分最高的3个节目的信息加入“推荐列表”RecommandList。预测评分计算公式为: $\mathrm{Estimate}(\mathrm{ut},b)=\frac{{\mathrm{\&Sigma;}}_{j=1}^N{w}_{\mathrm{ut},p}*\mathrm{SIM}(b,q_j)}{{\mathrm{\&Sigma;}}_{j=1}^N\mathrm{SIM}(b,q_j)};$ 之后根据预测评分的大小对RecommandList中的15个推荐节目进行排序，并推送至机顶盒，机顶盒将推荐节目的信息呈现至用户。

此外，后台服务器将q1,q2,…,q10的主演加入集合ActorSet中;在ActorSet构造完毕后，从其中任意随机抽取一名主演，挑选该主演最近代言的广告，并在广告时间主动将主演最近代言的广告推送至机顶盒，使机顶盒将后台服务器推送的广告呈现至用户。

综上所述本发明的方法解决了IPTV节目个性化推荐中重要问题“谁在掌握遥控器”，并且优化了推荐系统的反应速度和精确度，可以有效提升IPTV系统的用户体验，挖掘长尾效应；此外，能够充分利用用户对节目的爱好，推荐其喜好的演员所代言的广告，提高了广告的推送精度。

如图3所示，本发明还提供一种业务推荐装置，包括：

获取模块，用于获取用户端近期在当前时段播放过的历史节目；

节目推荐模块，用于从该历史节目所在的节目聚簇中选出推荐节目，并向用户端推送该推荐节目的信息；其中，节目聚簇是利用节目的静态特征将已有节目进行划分得到的；

和/或广告体检模块，用于向用户端推送广告；其中，所述广告至少与该历史节目所在的节目聚簇中的一个节目具有关联性。

其中，所述节目聚簇具体是通过下述装置得到的：

选取子模块，用于从已有节目中随机选取K个节目对应作为K类节目聚簇的中心节目；

计算子模块，用于利用节目的静态特征计算出剩下的节目与该K个中心节目的度量值；

划分子模块，将剩下的节目划分至对应度量值最小的节目聚簇中；

重选取子模块，用于重新计算各节目聚簇的中心节目；其中，中心节目为其与所在节目聚簇中所有节目的度量值之和最小的节目；

重划分子模块，用于若每个节目聚簇的中心节目在重新计算后均未发生改变，则划分结束；否则根据重新得到的K个中心节目将其余节目重新划分至节目聚簇中，直至每个节目聚簇的中心节目在下次计算后均未发生改变。

其中，所述节目推荐模块具体包括：

评分子模块，用于确定用户端在不同时段播放不同节目的偏好评分；

相似度计算子模块，用于根据偏好评分计算每个节目聚簇中的各节目之间的偏好相似度；其中，只有属于同一节目聚簇且同一时段播放的节目之间存在偏好相似度；

预测评分子模块，用于若该历史节目与其它节目之间存在偏好相似度，则在该历史节目所在的节目聚簇中选取一个或多个能够与其存在偏好相似度的节目作为评分基准，并对其所在节目聚簇剩下的且用户端未播放的节目进行预测评分；

节目推荐子模块，用于将预测评分最高的一个或多个节目作为用户端的推荐节目。

其中，所述评分子模块具体用于：

根据用户端的历史话单确定出用户端在不同时段播放的所有节目，并根据客户端播放节目的时间占该节目总时长的权重计算出用户端播放节目的偏好评分W(ut,p*)；其中，u表示用户端，t表示时段，p*表示节目；

其中，所述相似度计算子模块具体用于：

根据公式 $\mathrm{SIM}(p,q)=\frac{{\mathrm{\&Sigma;}}_{t=1}^f(w_{\mathrm{ut},p}-\stackrel{\&OverBar;}{p})(w_{\mathrm{ut},q}-\stackrel{\&OverBar;}{q})}{\sqrt{{\mathrm{\&Sigma;}}_{t=1}^f{(w_{\mathrm{ut},p}-\stackrel{\&OverBar;}{p})}^2}\sqrt{{\mathrm{\&Sigma;}}_{t=1}^f{(w_{\mathrm{ut},q}-\stackrel{\&OverBar;}{q})}^2}}$ 计算每个节目聚簇中的各节目之间的偏好相似度;

其中，p和q表示属于同一节目聚簇且同一时段播放的两个不同节目；f表示所有时段的集合； $\stackrel{\&OverBar;}{p}=\frac{{\mathrm{\&Sigma;}}_{t=1}^f{w}_{\mathrm{ut},p}}{f},\stackrel{\&OverBar;}{q}=\frac{{\mathrm{\&Sigma;}}_{t=1}^f{w}_{\mathrm{ut},q}}{f}.$

其中，所述预测评分子模块具体用于：

选取单元，用于在该历史节目所在的节目聚簇中选取N个能够与其存在偏好相似度的节目作为评分基准；

预测评分单元，用于根据公式 $\mathrm{Estimate}(\mathrm{ut},b)=\frac{{\mathrm{\&Sigma;}}_{j=1}^N{w}_{\mathrm{ut},p}*\mathrm{SIM}(b,q_j)}{{\mathrm{\&Sigma;}}_{j=1}^N\mathrm{SIM}(b,q_j)}$ 对该节目聚簇剩下的且用户端未播放的节目进行预测评分；

其中，N为正整数且≥1，q_j为其中一个与该历史节目存在偏好相似度的节目。

其中，所述广告推荐模块具体用于：

若该历史节目与其它节目之间存在偏好相似度，则使用户端推荐与该其它节目相关联的广告。

显然以上装置与本发明中的业务推荐方法相对应，该方法能够达到的技术效果，本装置同样也能达到。此外，以上装置是以功能划分为各种模块进行描述的，因此，在实施本发明时可以把各模块的功能在同一个或多个软件和/或硬件中实现。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (15)

1.一种业务推荐方法，其特征在于，包括：

获取用户端近期在当前时段播放过的历史节目；

从该历史节目所在的节目聚簇中选出推荐节目，并向用户端推送该推荐节目的信息；其中，节目聚簇是利用节目的静态特征将已有节目进行划分得到的；

和/或向用户端推送广告；其中，所述广告至少与该历史节目所在的节目聚簇中的一个节目具有关联性。

2.根据权利要求1所述的业务推荐方法，其特征在于，所述节目聚簇具体是通过下述步骤得到的：

从已有节目中随机选取K个节目对应作为K类节目聚簇的中心节目；

利用节目的静态特征计算出剩下的节目与该K个中心节目的度量值；

将剩下的节目划分至对应度量值最小的节目聚簇中；

重新计算各节目聚簇的中心节目；其中，中心节目为其与所在节目聚簇中所有节目的度量值之和最小的节目；

若每个节目聚簇的中心节目在重新计算后均未发生改变，则划分结束；否则根据重新得到的K个中心节目将其余节目重新划分至节目聚簇中，直至每个节目聚簇的中心节目在下次计算后均未发生改变。

3.根据权利要求2所述的业务推荐方法，其特征在于：

节目之间的度量值 $d(X,Y)={\mathrm{\&Sigma;}}_{i=1}^z\&PartialD;(\mathrm{Xi},\mathrm{Yi});$

其中，X、Y分别表示节目；Z表示节目的静态特征的类别集合；i表示节目的静态特征类别，表示节目X的i类静态特征与节目Y的i类静态特征进行比较，当Xi=Yi时，当Xi≠Yi时，

4.根据权利要求2所述的业务推荐方法，其特征在于，从该历史节目所在的节目聚簇中选出推荐节目的步骤包括：

确定用户端在不同时段播放不同节目的偏好评分；

根据偏好评分计算每个节目聚簇中的各节目之间的偏好相似度；其中，只有属于同一节目聚簇且同一时段播放的节目之间存在偏好相似度；

若该历史节目与其它节目之间存在偏好相似度，则在该历史节目所在的节目聚簇中选取一个或多个能够与其存在偏好相似度的节目作为评分基准，并对其所在节目聚簇剩下的且用户端未播放的节目进行预测评分；

将预测评分最高的一个或多个节目作为推荐节目。

5.根据权利要求4所述的业务推荐方法，其特征在于，确定用户端在各个时段播放不同节目的偏好评分的步骤包括：

根据用户端的历史话单确定出用户端在不同时段播放的所有节目，并根据客户端播放节目的时间占该节目总时长的权重计算出用户端播放节目的偏好评分W(ut,p*)；其中，u表示用户端，t表示时段，p*表示节目。

6.根据权利要求5所述的业务推荐方法，其特征在于，根据偏好评分计算每个节目聚簇中的各节目之间的偏好相似度的步骤包括：

根据公式 $\mathrm{SIM}(p,q)=\frac{{\mathrm{\&Sigma;}}_{t=1}^f(w_{\mathrm{ut},p}-\stackrel{\&OverBar;}{p})(w_{\mathrm{ut},q}-\stackrel{\&OverBar;}{q})}{\sqrt{{\mathrm{\&Sigma;}}_{t=1}^f{(w_{\mathrm{ut},p}-\stackrel{\&OverBar;}{p})}^2}\sqrt{{\mathrm{\&Sigma;}}_{t=1}^f{(w_{\mathrm{ut},q}-\stackrel{\&OverBar;}{q})}^2}}$ 计算每个节目聚簇中的各节目之间的偏好相似度;

其中，p和q表示属于同一节目聚簇且同一时段播放的两个不同节目；f表示所有时段的集合； $\stackrel{\&OverBar;}{p}=\frac{{\mathrm{\&Sigma;}}_{t=1}^f{w}_{\mathrm{ut},p}}{f},\stackrel{\&OverBar;}{q}=\frac{{\mathrm{\&Sigma;}}_{t=1}^f{w}_{\mathrm{ut},q}}{f}.$

7.根据权利要求6所述的业务推荐方法，其特征在于，在该历史节目所在的节目聚簇中选取一个或多个能够与其存在偏好相似度的节目作为评分基准，并对其所在节目聚簇剩下的且用户端未播放的节目进行预测评分的步骤包括：

在该历史节目所在的节目聚簇中选取N个能够与其存在偏好相似度的节目作为评分基准；

根据公式 $\mathrm{Estimate}(\mathrm{ut},b)=\frac{{\mathrm{\&Sigma;}}_{j=1}^N{w}_{\mathrm{ut},p}*\mathrm{SIM}(b,q_j)}{{\mathrm{\&Sigma;}}_{j=1}^N\mathrm{SIM}(b,q_j)}$ 对该节目聚簇剩下的且用户端未播放的节目进行预测评分；

其中，N为正整数且≥1，q_j为其中一个与该历史节目存在偏好相似度的节目。

8.根据权利要求4所述的业务推荐方法，其特征在于，向用户端推送广告的步骤具体包括：

若该历史节目与其它节目之间存在偏好相似度，则使用户端推荐与该其它节目相关联的广告。

9.一种业务推荐装置，其特征在于，包括：

获取模块，用于获取用户端近期在当前时段播放过的历史节目；

节目推荐模块，用于从该历史节目所在的节目聚簇中选出推荐节目，并向用户端推送该推荐节目的信息；其中，节目聚簇是利用节目的静态特征将已有节目进行划分得到的；

和/或广告体检模块，用于向用户端推送广告；其中，所述广告至少与该历史节目所在的节目聚簇中的一个节目具有关联性。

10.根据权利要求9所述的业务推荐装置，其特征在于，所述节目聚簇具体是通过下述装置得到的：

选取子模块，用于从已有节目中随机选取K个节目对应作为K类节目聚簇的中心节目；

计算子模块，用于利用节目的静态特征计算出剩下的节目与该K个中心节目的度量值；

划分子模块，将剩下的节目划分至对应度量值最小的节目聚簇中；

重选取子模块，用于重新计算各节目聚簇的中心节目；其中，中心节目为其与所在节目聚簇中所有节目的度量值之和最小的节目；

重划分子模块，用于若每个节目聚簇的中心节目在重新计算后均未发生改变，则划分结束；否则根据重新得到的K个中心节目将其余节目重新划分至节目聚簇中，直至每个节目聚簇的中心节目在下次计算后均未发生改变。

11.根据权利要求10所述的业务推荐装置，其特征在于，所述节目推荐模块具体包括：

评分子模块，用于确定用户端在不同时段播放不同节目的偏好评分；

相似度计算子模块，用于根据偏好评分计算每个节目聚簇中的各节目之间的偏好相似度；其中，只有属于同一节目聚簇且同一时段播放的节目之间存在偏好相似度；

预测评分子模块，用于若该历史节目与其它节目之间存在偏好相似度，则在该历史节目所在的节目聚簇中选取一个或多个能够与其存在偏好相似度的节目作为评分基准，并对其所在节目聚簇剩下的且用户端未播放的节目进行预测评分；

节目推荐子模块，用于将预测评分最高的一个或多个节目作为用户端的推荐节目。

12.根据权利要求11所述的业务推荐装置，其特征在于，所述评分子模块具体用于：

根据用户端的历史话单确定出用户端在不同时段播放的所有节目，并根据客户端播放节目的时间占该节目总时长的权重计算出用户端播放节目的偏好评分W(ut,p*)；其中，u表示用户端，t表示时段，p*表示节目。

13.根据权利要求12所述的业务推荐装置，其特征在于，所述相似度计算子模块具体用于：

根据公式 $\mathrm{SIM}(p,q)=\frac{{\mathrm{\&Sigma;}}_{t=1}^f(w_{\mathrm{ut},p}-\stackrel{\&OverBar;}{p})(w_{\mathrm{ut},q}-\stackrel{\&OverBar;}{q})}{\sqrt{{\mathrm{\&Sigma;}}_{t=1}^f{(w_{\mathrm{ut},p}-\stackrel{\&OverBar;}{p})}^2}\sqrt{{\mathrm{\&Sigma;}}_{t=1}^f{(w_{\mathrm{ut},q}-\stackrel{\&OverBar;}{q})}^2}}$ 计算每个节目聚簇中的各节目之间的偏好相似度;

其中，p和q表示属于同一节目聚簇且同一时段播放的两个不同节目；f表示所有时段的集合； $\stackrel{\&OverBar;}{p}=\frac{{\mathrm{\&Sigma;}}_{t=1}^f{w}_{\mathrm{ut},p}}{f},\stackrel{\&OverBar;}{q}=\frac{{\mathrm{\&Sigma;}}_{t=1}^f{w}_{\mathrm{ut},q}}{f}.$

14.根据权利要求13所述的业务推荐装置，其特征在于，所述预测评分子模块具体用于：

选取单元，用于在该历史节目所在的节目聚簇中选取N个能够与其存在偏好相似度的节目作为评分基准；

预测评分单元，用于根据公式 $\mathrm{Estimate}(\mathrm{ut},b)=\frac{{\mathrm{\&Sigma;}}_{j=1}^N{w}_{\mathrm{ut},p}*\mathrm{SIM}(b,q_j)}{{\mathrm{\&Sigma;}}_{j=1}^N\mathrm{SIM}(b,q_j)}$ 对该节目聚簇剩下的且用户端未播放的节目进行预测评分；

其中，N为正整数且≥1，q_j为其中一个与该历史节目存在偏好相似度的节目。

15.根据权利要求11所述的业务推荐装置，其特征在于，所述广告推荐模块具体用于：

若该历史节目与其它节目之间存在偏好相似度，则使用户端推荐与该其它节目相关联的广告。