CN104731861A - 多媒体数据推送方法及装置 - Google Patents

Abstract

本发明公开了一种多媒体数据推送方法及装置，属于网络技术领域。方法包括：对获取到的日志信息进行预处理，得到处理后的日志数据；根据日志数据，确定用户兴趣特征信息和多媒体数据特征信息；在向用户推送多媒体数据时，获取用户行为数据和多媒体数据的时效信息；根据用户行为数据和时效信息，更新用户兴趣特征信息和多媒体数据特征信息；根据更新后的兴趣特征信息和更新后的多媒体数据特征信息，为用户推送多媒体数据。由于在多媒体数据推送时，还基于用户行为数据和时效信息更新用户兴趣特征信息和多媒体数据特征信息，所以可精确捕捉用户兴趣的变化趋势和多媒体数据的时效性变化，所以该种数据推送所参考的依据较为丰富，数据推送精准率较高。

Description

多媒体数据推送方法及装置

技术领域

本发明涉及网络技术领域，特别涉及一种多媒体数据推送方法及装置。

背景技术

随着网络技术的快速发展，互联网已成为广大用户进行信息分享的平台，在这种情况下，用户往往湮没在低价值的海量数据信息中。为了改善网络服务质量，使得网络服务更加智能化，时下通常针对不同用户进行不同类型的数据推送，以提升用户体验度。然而，由于互联网中充斥着海量的数据信息，因此如何在海量数据信息中向用户推送其感兴趣的多媒体数据，成为了一个亟待解决的问题。

以多媒体数据为歌曲和为当前唱歌用户推荐下一首演唱歌曲的情景为例，则现有技术通常采取下述方式进行歌曲推荐：基于日志信息获取用户行为数据，将用户行为数据和各个歌曲信息映射到欧式空间中，得到用户兴趣特征信息和歌曲特征信息；基于用户兴趣特征信息和歌曲特征信息，利用最大似然估计模型预测用户当前曲目歌唱完毕后，接下来最有可能演唱哪一首歌曲。其中，用户唱完当前曲目后唱另一歌曲的概率可以表示为：

$P_r\left(b\right|a,u)\∝e^{-{\left|\right|q_a-q_b\left|\right|}^2-{\left|\right|p_u-q_b\left|\right|}^2}$

其中，P_r(b|a,u)表示用户u演唱完歌曲a后，再演唱歌曲b的概率，q_i、p_u分别表示歌曲特征信息和用户兴趣特征信息。用户兴趣特征信息和歌曲特征信息用于表征用户对歌曲的偏好。

在实现本发明的过程中，发明人发现现有技术至少存在以下问题：

现有技术仅基于用户对歌曲的偏好进行多媒体数据推送，其推送时所参考的依据较为单一，导致数据推送精准率不高。

发明内容

为了解决现有技术的问题，本发明实施例提供了一种多媒体数据推送方法及装置。所述技术方案如下：

一方面，提供了一种多媒体数据推送方法，所述方法包括：

对获取到的日志信息进行预处理，得到处理后的日志数据；

根据所述日志数据，确定用户兴趣特征信息和多媒体数据特征信息；

在向所述用户推送多媒体数据时，获取用户行为数据和所述多媒体数据的时效信息；

根据所述用户行为数据和所述时效信息，更新所述用户兴趣特征信息和所述多媒体数据特征信息；

根据更新后的兴趣特征信息和更新后的多媒体数据特征信息，为所述用户推送多媒体数据。

另一方面，提供了一种多媒体数据推送装置，所述装置包括：

数据处理模块，用于对获取到的日志信息进行预处理，得到处理后的日志数据；

特征信息确定模块，用于根据所述日志数据，确定用户兴趣特征信息和多媒体数据特征信息；

数据获取模块，用于在向所述用户推送多媒体数据时，获取用户行为数据和所述多媒体数据的时效信息；

特征信息更新模块，用于根据所述用户行为数据和所述时效信息，更新所述用户兴趣特征信息和所述多媒体数据特征信息；

数据推送模块，用于根据更新后的兴趣特征信息和更新后的多媒体数据特征信息，为所述用户推送多媒体数据。

本发明实施例提供的技术方案带来的有益效果是：

在对获取到的日志信息进行预处理得到处理后的日志数据后，根据日志数据确定用户兴趣特征信息和多媒体数据特征信息；在向用户推送多媒体数据时，获取用户行为数据和多媒体数据的时效信息，并根据用户行为数据和时效信息，更新用户兴趣特征信息和多媒体数据特征信息；根据更新后的兴趣特征信息和更新后的多媒体数据特征信息为用户推送多媒体数据，由于在进行多媒体数据推送时，还基于用户行为数据和时效信息更新用户兴趣特征信息和多媒体数据特征信息，所以可精确捕捉用户兴趣的变化趋势和多媒体数据的时效性变化，所以该种数据推送所参考的依据较为丰富，数据推送精准率较高。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的一种多媒体数据推送方法所涉及的实施环境的系统架构图；

图2是本发明实施例提供的一种多媒体数据推送方法的流程图；

图3是本发明实施例提供的一种多媒体数据推送方法的流程图；

图4是本发明实施例提供的一种欧式空间中用户消费歌曲的概率转移示意图；

图5是本发明实施例提供的一种欧式空间中用户偏好和歌曲时效性随时间变化的示意图；

图6是本发明实施例提供的一种多媒体数据推送装置的结构示意图；

图7是本发明实施例提供的一种服务器的结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。

在对本发明做详细地解释说明之前，先对本发明实施例所涉及的实施环境进行简单介绍。

参见图1，其示出了本发明实施例所涉及的实施环境的系统架构图。在图1中，多媒体数据的推送包括三个阶段，分别是时序演进模型学习阶段、流式增量更新阶段和实时二次建模阶段。在时序演进模型阶段，基于用户时序兴趣和多媒体数据时效性的演进模型被设计用来从日志文件中挖掘用户时序兴趣和多媒体数据时效性。其中，日志文件包括图1中ios(iphone operation system，苹果系统)端用户行为、PC(Personal Computer，个人计算机)端用户行为和Android(安卓)端用户行为。用户时序兴趣用于表征随着时间的推进用户的兴趣偏好；多媒体数据时效性指代随着时间的推进多媒体数据对应物品的热门程度。在该阶段，首先，对用户行为数据进行预处理，处理过程包括数据清洗、数据采样、内容关联聚合等步骤，将流式数据转化为有着“用户-会话-列表”这样特定格式的数据。其次，设计时序演进模型，将处理后的数据输入到时序演进模型中，训练模型并最终输出用户时序话画像数据库。所谓的用户画像，是将用户的行为属性(例如浏览、购买某商品的行为记录)和基础属性(例如性别、年龄等)聚合分析(例如分析用户对不同商品类别的兴趣度)，对用户进行建模，并基于用户画像为用户推荐多媒体数据。

在流式增量更新阶段，主要完成用户兴趣画像的随时间演进进行更新。基于流式计算框架模型，增量式的更新用户兴趣画像，并输出到内存数据库中以供实时检索。在实时二次建模阶段，结合上下文信息和场景信息进行用户实时兴趣分析，动态地为用户推荐其感兴趣的多媒体数据。

图2是本发明实施例提供的一种多媒体数据推送方法的流程图。参见图2，本发明实施例提供的方法流程包括：

201、对获取到的日志信息进行预处理，得到处理后的日志数据。

202、根据日志数据，确定用户兴趣特征信息和多媒体数据特征信息。

203、在向用户推送多媒体数据时，获取用户行为数据和多媒体数据的时效信息。

204、根据用户行为数据和时效信息，更新用户兴趣特征信息和多媒体数据特征信息。

205、根据更新后的兴趣特征信息和更新后的多媒体数据特征信息，为用户推送多媒体数据。

本发明实施例提供的方法，在对获取到的日志信息进行预处理得到处理后的日志数据后，根据日志数据确定用户兴趣特征信息和多媒体数据特征信息；在向用户推送多媒体数据时，获取用户行为数据和多媒体数据的时效信息，并根据用户行为数据和时效信息，更新用户兴趣特征信息和多媒体数据特征信息；根据更新后的兴趣特征信息和更新后的多媒体数据特征信息为用户推送多媒体数据，由于在进行多媒体数据推送时，还基于用户行为数据和时效信息更新用户兴趣特征信息和多媒体数据特征信息，所以可精确捕捉用户兴趣的变化趋势和多媒体数据的时效性变化，所以该种数据推送所参考的依据较为丰富，数据推送精准率较高。

可选地，根据用户行为数据和时效信息，更新用户兴趣特征信息和多媒体数据特征信息，包括：

根据用户行为数据，计算用户兴趣特征信息对应的兴趣信息变化值；

根据时效信息，计算多媒体数据特征信息对应的时效信息变化值；

根据兴趣信息变化值和时效信息变化值，更新用户兴趣特征信息和多媒体数据特征信息。

可选地，根据日志数据，确定用户兴趣特征信息和多媒体数据特征信息，包括：

设置用户的多媒体数据转移概率；

根据日志数据，计算用户在欧式空间中的第一特征向量集、多媒体数据在欧式空间中的第二特征向量集；

根据多媒体数据转移概率、第一特征向量集和第二特征向量集，确定用户兴趣特征信息和多媒体数据特征信息。

可选地，设置用户的多媒体数据转移概率之前，该方法还包括：

设置兴趣信息偏置项和时效信息偏置项；

其中，兴趣信息偏置项B'_u(t)＝B'_u+α·sign(t-t_u)·|t-t_u|^β，时效信息偏置项α、β、γ为常数，B'_u、B"_b为与时间无关的偏置参数，t_u为用户时间基值，t_b为多媒体数据的上线时间。

可选地，应用下述公式，设置用户的多媒体数据转移概率：

$P\left(s_b\right|s_a,u,t_{\mathrm{usk}})\∝e^{-{\left|\right|x_a-x_b\left|\right|}^2-{\left|\right|y_u-x_b\left|\right|}^2+B_u^{\′}\left(t_{\mathrm{usk}}\right)+B_b^{\′\′}\left(t_{\mathrm{usk}}\right)}$

其中，P(s_b|s_a,u,t_usk)表示用户u在t_usk时刻消费完多媒体数据s_a后消费多媒体数据s_b的概率；B'_u(t_usk)表示在t_usk时刻用户兴趣特征信息对应的兴趣信息变化值，B"_b(t_usk)表示在t_usk时刻多媒体数据特征信息对应的时效信息变化值；x_a表示多媒体数据s_a在欧式空间中的特征向量，x_b表示多媒体数据s_b在欧式空间中的特征向量，y_u表示用户在欧式空间中的特征向量。

可选地，应用下述公式，根据多媒体数据转移概率、第一特征向量集和第二特征向量集，确定用户兴趣特征信息、多媒体数据特征信息、用户兴趣时间偏置特征和多媒体数据时间偏置特征：

$L(X,Y,B_u^{\′}\left(t\right),B_b^{\′\′}\left(t\right))\stackrel{\mathrm{def}}{=}\arg \underset{X,Y,B_u^{\′}\left(t\right),B_b^{\′\′}\left(t\right)}{\max }\underset{u\∈U}{\mathrm{\Σ}}\underset{s\∈S\left(u\right)}{\mathrm{\Σ}}\underset{k=1}{\overset{\left|s\right|}{\mathrm{\Σ}}}\log P\left(p_{\mathrm{us}}^{(k+1)}\right|p_{\mathrm{us}}^k,u,t_{\mathrm{usk}})$

其中，表示用户u在t_usk时刻消费完多媒体数据后消费多媒体数据的概率；表示用户u在会话s∈S(u)中消费的第k项多媒体数据，t_usk表示用户u在会话s内消费第k项多媒体数据的时间，X和Y分别表示第一特征向量集和第二特征向量集，B′_u(t)、B"_b(t)分别表示兴趣信息偏置项和时效信息偏置项，|s|表示一个会话中多媒体数据的项数，一个会话表征一个用户在一个时间段内消费的一个多媒体数据序列。

可选地，根据兴趣信息变化值和时效信息变化值，更新用户兴趣特征信息和多媒体数据特征信息，包括：

将兴趣信息变化值累加到用户兴趣特征信息对应的列向量上，得到更新后的用户兴趣特征信息；

将时效信息变化值累加到多媒体数据特征信息对应的列向量上，得到更新后的多媒体数据特征信息。

可选地，根据更新后的兴趣特征信息和更新后的多媒体数据特征信息，为用户推送多媒体数据，包括：

根据更新后的用户兴趣特征信息和更新后的多媒体数据特征信息，计算各项多媒体数据对应的转移概率值；

对各项多媒体数据对应的转移概率值进行排序；

根据排序结果，确定数值最大的预设数目个指定转移概率值；

将预设数目个指定转移概率值对应的多媒体数据推送给用户。

上述所有可选技术方案，可以采用任意结合形成本发明的可选实施例，在此不再一一赘述。

图3是本发明实施例提供的一种多媒体数据推送方法的流程图。以多媒体数据为歌曲和为用户推荐歌曲的场景为例，参见图3，本发明实施例提供的方法流程包括：

301、获取音乐播放的日志信息，对该日志信息进行预处理，得到处理后的日志数据。

由于用户通常通过ios客户端、PC客户端和Android客户端等实现音乐收听，所以在获取音乐播放的日志信息时，可分别上述ios客户端、PC客户端和Android客户端获取。

在本发明实施例中，由于日志信息海量，为了加快日志信息处理速度，可利用云计算平台对该日志信息进行处理。其中，在对日志信息进行预处理时，可依次进行数据清洗、数据采样、内容关联聚合等处理方式。其中，数据清洗包括去掉重复存储的历史数据、去掉缺少字段的不一致数据等；内容关联聚合指代根据日志数据中提供的客户端标识、歌曲标识或用户标识将客户端详细信息、用户详细信息或歌曲详细信息进行聚合；之所以要进行内容关联聚合是因为日志数据采取流式数据格式，其涵盖的数据内容较少，仅包括一类标识性信息，所以在该阶段要根据上述标识类信息进行内容关联聚合，以在后续过程中根据内容聚合后的详细信息进行建模。

其中，日志数据中可包括用户行为数据，比如用户的音乐播放、浏览或下载记录、用户时间基值、用户的年龄属性、性别属性等等；还可包括歌曲信息，比如歌曲的系统上线时间、音乐的名称、大小、时长等等，本发明实例对日志数据包括的内容不进行具体限定。

302、组织处理后的日志数据，得到特定格式数据。

在本发明实施例中，为了加快遍历日志数据的速度，在得到处理后的日志数据后，可利用云计算平台的并行资源，按照特定格式重新组织日志数据。其中，特定格式数据拥有下述特定格式：用户U-会话S-音乐集I[音乐1，音乐2，…音乐n]。其中，会话表示用户在一个连续的时间段内的音乐收听序列。

303、根据特定格式数据建立时序演进模型，设置常数参数，并训练该时序演进模型。

其中，上述建立时序演进模型，设置常数参数，并训练该时序演进模型的步骤通常可分为下述三个步骤。

第一步、设计用户的多媒体数据转移概率。

在一个时间段内，用户会连续的消费若干其偏好的歌曲，并且这些歌曲的类别存在很大的关联。我们利用欧式空间来描述这个现象。如图4所示，u表示用户，s_a、s_b表示歌曲，用户和歌曲的连线距离为用户对该歌曲的喜好程度；值越大用户越不喜欢，值越小用户越喜欢。歌曲之间的联系表示其差异，值越大差异越大，值越小差异越小。因此转移概率可以用下述公式(1)进行描述：

$P_r\left(s_b\right|s_a,u)=\frac{e^{-{\left|\right|x_a-x_b\left|\right|}^2-{\left|\right|y_u-x_b\left|\right|}^2}}{{\mathrm{\Σ}}_{s\∈I}{e}^{-{\left|\right|x_a-x_i\left|\right|}^2-{\left|\right|y_u-x_i\left|\right|}^2}}---\left(1\right)$

由于公式(1)中分母为常数，因此上述公式(1)可简写为下述公式(2)：

$P\left(s_b\right|s_a,u)\∝e^{-{\left|\right|x_a-x_b\left|\right|}^2-{\left|\right|y_u-x_b\left|\right|}^2}---\left(2\right)$

其中，s_a、s_b∈I，u∈U，x_a、x_b、y_u分别表示歌曲s_a、s_b和用户u映射在欧式空间的特征向量。||·||²表示二次范数。在本发明实施例中，x_a、x_b、y_u可根据用户对多媒体数据的偏好变化程度得到。而该偏好变化程度即可基于日志数据得到。参见图5，用户A、用户B和歌曲a、b和c被映射到欧式空间中，用户和歌曲的距离远近表示喜好程度的大小，箭头分别表示用户偏好的变化方向和歌曲热门程度(相对用户)的变化。歌曲时效性随时间变化，可以用以下两函数来描述其对用户的影响：

(a)用户对某项多媒体数据的偏好随着时间的演进慢慢减弱。比如，对于流行音乐，用户听的次数逐周减少。则可用下述公式(3)来表示这类兴趣变化：

$f_{\mathrm{usk}}^{\mathrm{\α}}\left(t\right)=e^{-\mathrm{\α}\left({t-t}_{\mathrm{usk}}\right)}---\left(3\right)$

其中，t为预测点的时刻，可以是现在或未来的某个时刻；t_usk为用户u在会话s内消费第k个多媒体数据的时刻，α为兴趣衰减的权重，可通过简单的交叉实验得出。

(b)用户对某项多媒体数据的偏好时高时低。比如，有些用户会在一个礼拜听一到两次“千千阙歌”。则可用下述公式(4)对这类情况的偏好变化进行描述：

$g_{\mathrm{usk}}^{\mathrm{\β}}\left(t\right)=\mathrm{sign}\left({t-t}_{\mathrm{usk}}\right){\left|{t-t}_{\mathrm{usk}}\right|}^{\mathrm{\β}}---\left(4\right)$

其中,β为权重调整因子，可通过实验来设置。

因此，在得到上述和后，t时刻多媒体数据和用户在欧式空间中的特征向量可由和初始的多媒体数据和用户在欧式空间中的特征向量线性组合调整得到。

在本发明实施例中，为了能够提高向用户推送多媒体数据的精准性，本发明实施例在进行转移概率设计时，还考虑到了多媒体数据的时效性和用户对多媒体数据偏好的变化，因此在会话s内，用户u在t_usk时刻消费完歌曲s_a后，紧接着消费s_b的概率，本发明实施例采取下述公式(5)进行表示：

$P\left(s_b\right|s_a,u,t_{\mathrm{usk}})\∝e^{-{\left|\right|x_a-x_b\left|\right|}^2-{\left|\right|y_u-x_b\left|\right|}^2+B_u^{\′}\left(t_{\mathrm{usk}}\right)+B_b^{\′\′}\left(t_{\mathrm{usk}}\right)}---\left(5\right)$

其中，B'_u(t_usk)、B"_b(t_usk)分别表示用户u和多媒体数据s_b的全局时间偏置项，即用户兴趣变化趋势和多媒体数据时效变化偏置，t_usk表示时间戳。也即，B'_u(t_usk)表示在t_usk时刻用户兴趣特征信息对应的兴趣信息变化值，B"_b(t_usk)表示在t_usk时刻多媒体数据特征信息对应的时效信息变化值；x_a表示多媒体数据s_a在欧式空间中的特征向量，x_b表示多媒体数据s_b在欧式空间中的特征向量，y_u表示用户在欧式空间中的特征向量。其中，用于描述用户兴趣变化趋势的时间偏置项B'_u(t_usk)通过下述公式(6)计算得到：

B'_u(t)＝B'_u+α·sign(t-t_u)·|t-t_u|^β           (6)

其中，α、β为通过实验来确定的常数，B'_u为用户的与时间无关的偏置参数，t_u为用户u时间基值，相对于当前时间t，为了满足个性化需求，t_u用户多次收听音乐时间的中位数。比如，从用户开始收听音乐时至今日时长为1年，则该用户的时间基值则为半年前的时刻。因此，每个用户的时间基值t_u不同。用户的时间基值基于日志数据得到。

用于描述物品的时效性的变化的时间偏置项B"_b(t_usk)可通过下述公式(7)计算得到：

$B_b^{\′\′}\left(t\right)=B_b^{\′\′}+e^{-\mathrm{\γ}\left({t-t}_b\right)}---\left(7\right)$

其中，B"_b为多媒体数据的与时间无关的偏置参数，t_b为歌曲s_b在系统内的上线时间，γ为常数系数。

第二步、“下一首歌”的最大似然概率建模。

根据第一步中的转移概率设计，需要根据日志数据计算所有概率P(s_b|s_a,u,t_usk)联合起来的最大可能性。因此，目标方程设置为下述公式(8)：

$\arg \underset{X,Y,B_u^{\′}\left(t\right),B_b^{\′\′}\left(t\right)}{\max }\underset{u\∈U}{\mathrm{\Π}}\underset{s\∈s\left(u\right)}{\mathrm{\Π}}\underset{k=1}{\overset{\left|s\right|}{\mathrm{\Π}}}P\left(p_{\mathrm{us}}^{(k+1)}\right|p_{\mathrm{us}}^k,u,t_{\mathrm{usk}})---\left(8\right)$

其中，表示用户u在t_usk时刻消费完歌曲后消费歌曲的概率；表示用户u在会话s∈S(u)中消费的第k首歌曲，t_usk表示用户u在会话s内消费第k首歌曲的时间，Y＝{(u,y_u)|u∈U}表示用户在欧式空间中的第一特征向量集，X＝{(i,x_i)|i∈I}表示歌曲在欧式空间中的第二特征向量集，B'_u(t)、B"_b(t)分别表示用户的兴趣信息偏置项和歌曲的时效信息偏置项，|s|表示一个会话中歌曲的数目。其中，第一特征向量集和第二特征向量集均可通过日志数据得到。

由于乘积运算的复杂度高，以及数值较小使得运算容易出现零异常，因此以上述公式(8)取log函数得到下述公式(9)：

$L(X,Y,B_u^{\′}\left(t\right),B_b^{\′\′}\left(t\right))\stackrel{\mathrm{def}}{=}\arg \underset{X,Y,B_u^{\′}\left(t\right),B_b^{\′\′}\left(t\right)}{\max }\underset{u\∈U}{\mathrm{\Σ}}\underset{s\∈S\left(u\right)}{\mathrm{\Σ}}\underset{k=1}{\overset{\left|s\right|}{\mathrm{\Σ}}}\log P\left(p_{\mathrm{us}}^{(k+1)}\right|p_{\mathrm{us}}^k,u,t_{\mathrm{usk}})---\left(9\right)$

第三步、模型求解。

对上述公式(9)中的各个模型参数求导数，即 和利用随机梯度下降算法来求解模型参数。遍历格式化的日志数据，更新模型参数直到L(收敛。得到用于表征用户兴趣特征信息的模型参数X、用于表征歌曲特征信息的模型参数Y、用于表征用户兴趣时间偏置特征B'_u(t)和用于表征歌曲时间偏置特征B"_b(t)。

304、存储模型训练结果，根据模型训练结果为用户推送歌曲。

在本发明实施例中，首先存储上述步骤303中训练得到的模型参数至如图1所示的用户时序画像数据库中。在t1时刻向用户推送歌曲时，获取用户行为数据(包括用户u时间基值)和歌曲的时效信息(包括歌曲的系统上线时间)；根据用户行为数据，计算用户兴趣特征信息X对应的兴趣信息变化值B'_u(t₁)；根据时效信息，利用上述公式(7)计算歌曲特征信息Y对应的时效信息变化值B_b"(t₁)。将兴趣信息变化值B'_u(t₁)累加到用户兴趣特征信息X对应的列向量上，得到更新后的用户兴趣特征信息X'；将时效信息变化值B"_b(t₁)累加到歌曲特征信息对应的列向量Y上，得到更新后的歌曲特征信息Y'。之后，根据更新后的兴趣特征信息X'和更新后的歌曲特征信息Y'，为用户推送歌曲。

需要说明的是，在建立时序演进模型后，后续过程中不断根据海量日志数据对初建立的时序演进模型进行优化，随着时间的推进，该时序演进模型日臻完善，推送数据的精准率也越来越优。

在本发明实施例中，在根据更新后的兴趣特征信息和更新后的歌曲特征信息为用户推送歌曲时可采取下述方式实现，包括：

根据更新后的用户兴趣特征信息和更新后的歌曲特征信息，利用上述公式(5)计算各项歌曲对应的转移概率值；之后，对各项歌曲对应的转移概率值进行排序；根据排序结果，确定数值最大的预设数目的指定转移概率值；将预设数目的指定转移概率值对应的多媒体数据推送给用户。

其中，在对各个转移概率值进行排序时，即可按照由小到大的顺序进行排序，也可按照由大到小的顺序进行排序，本发明实施例对此不进行具体限定。预设数目可为5或10等等，本发明实施例对此同样不进行具体限定。

本发明实施例提供的方法，在对获取到的日志信息进行预处理得到处理后的日志数据后，根据日志数据确定用户兴趣特征信息和多媒体数据特征信息，即建立时序兴趣模型；在向用户推送多媒体数据时，获取用户行为数据和多媒体数据的时效信息，并根据用户行为数据和时效信息，更新用户兴趣特征信息和多媒体数据特征信息；根据更新后的兴趣特征信息和更新后的多媒体数据特征信息为用户推送多媒体数据，由于在进行多媒体数据推送时，还基于用户行为数据和时效信息更新用户兴趣特征信息和多媒体数据特征信息，所以可精确捕捉用户兴趣的变化趋势和多媒体数据的时效性变化，所以该种数据推送所参考的依据较为丰富，数据推送精准率较高，用户体验度良好。

图6是本发明实施例提供的一种多媒体数据推送装置的结构示意图。参见图6，该装置包括：数据处理模块601、特征信息确定模块602、数据获取模块603、特征信息更新模块604、数据推送模块605。

其中，数据处理模块601，用于对获取到的日志信息进行预处理，得到处理后的日志数据；特征信息确定模块602与数据处理模块601连接，用于根据日志数据，确定用户兴趣特征信息和多媒体数据特征信息；数据获取模块603与特征信息确定模块602连接，用于在向用户推送多媒体数据时，获取用户行为数据和多媒体数据的时效信息；特征信息更新模块604与数据获取模块603连接，用于根据用户行为数据和时效信息，更新用户兴趣特征信息和多媒体数据特征信息；数据推送模块605与特征信息更新模块604连接，用于根据更新后的兴趣特征信息和更新后的多媒体数据特征信息，为用户推送多媒体数据。

可选地，特征信息更新模块，用于根据用户行为数据，计算用户兴趣特征信息对应的兴趣信息变化值；根据时效信息，计算多媒体数据特征信息对应的时效信息变化值；根据兴趣信息变化值和时效信息变化值，更新用户兴趣特征信息和多媒体数据特征信息。

可选地，特征信息确定模块，用于设置用户的多媒体数据转移概率；根据日志数据，计算用户在欧式空间中的第一特征向量集、多媒体数据在欧式空间中的第二特征向量集；根据多媒体数据转移概率、第一特征向量集和第二特征向量集，确定用户兴趣特征信息和多媒体数据特征信息。

可选地，该装置还包括：

偏置项设置模块，用于设置兴趣信息偏置项和时效信息偏置项；

其中，兴趣信息偏置项B'_u(t)＝B'_u+α·sign(t-t_u)·|t-t_u|^β，时效信息偏置项α、β、γ为常数，B'_u、B"_b为与时间无关的偏置参数，t_u为用户时间基值，t_b为多媒体数据的上线时间。

可选地，特征信息确定模块，用于应用下述公式，设置用户的多媒体数据转移概率：

$P\left(s_b\right|s_a,u,t_{\mathrm{usk}})\∝e^{-{\left|\right|x_a-x_b\left|\right|}^2-{\left|\right|y_u-x_b\left|\right|}^2+B_u^{\′}\left(t_{\mathrm{usk}}\right)+B_b^{\′\′}\left(t_{\mathrm{usk}}\right)}$

其中，P(s_b|s_a,u,t_usk)表示用户u在t_usk时刻消费完多媒体数据s_a后消费多媒体数据s_b的概率；P(s_b|s_a,u,t_usk)表示用户u在t_usk时刻消费完多媒体数据s_a后消费多媒体数据s_b的概率；B'_u(t_usk)表示在t_usk时刻用户兴趣特征信息对应的兴趣信息变化值，B"_b(t_usk)表示在t_usk时刻多媒体数据特征信息对应的时效信息变化值；x_a表示多媒体数据s_a在欧式空间中的特征向量，x_b表示多媒体数据s_b在欧式空间中的特征向量，y_u表示用户在欧式空间中的特征向量。x_a表示多媒体数据s_a在欧式空间中的特征向量，x_b表示多媒体数据s_b在欧式空间中的特征向量，y_u表示用户在欧式空间中的特征向量。

可选地，特征信息确定模块，用于应用下述公式，根据多媒体数据转移概率、第一特征向量集和第二特征向量集，确定用户兴趣特征信息和多媒体数据特征信息：

$L(X,Y,B_u^{\′}\left(t\right),B_b^{\′\′}\left(t\right))\stackrel{\mathrm{def}}{=}\arg \underset{X,Y,B_u^{\′}\left(t\right),B_b^{\′\′}\left(t\right)}{\max }\underset{u\∈U}{\mathrm{\Σ}}\underset{s\∈S\left(u\right)}{\mathrm{\Σ}}\underset{k=1}{\overset{\left|s\right|}{\mathrm{\Σ}}}\log P\left(p_{\mathrm{us}}^{(k+1)}\right|p_{\mathrm{us}}^k,u,t_{\mathrm{usk}})$

其中，表示用户u在t_usk时刻消费完多媒体数据后消费多媒体数据的概率；表示用户u在会话s∈S(u)中消费的第k项多媒体数据，t_usk表示用户u在会话s内消费第k项多媒体数据的时间，X和Y分别表示第一特征向量集和第二特征向量集，B'_u(t)、B"_b(t)分别表示兴趣信息偏置项和时效信息偏置项，|s|表示一个会话中多媒体数据的项数，一个会话表征一个用户在一个时间段内消费的一个多媒体数据序列。

可选地，特征信息更新模块，用于将兴趣信息变化值累加到用户兴趣特征信息对应的列向量上，得到更新后的用户兴趣特征信息；将时效信息变化值累加到多媒体数据特征信息对应的列向量上，得到更新后的多媒体数据特征信息。

可选地，数据推送模块，用于根据更新后的用户兴趣特征信息和更新后的多媒体数据特征信息，计算各项多媒体数据对应的转移概率值；对各项多媒体数据对应的转移概率值进行排序；根据排序结果，确定数值最大的预设数目个指定转移概率值；将预设数目个指定转移概率值对应的多媒体数据推送给用户。

综上所述，本发明实施例提供的装置，在对获取到的日志信息进行预处理得到处理后的日志数据后，根据日志数据确定用户兴趣特征信息和多媒体数据特征信息，即建立时序兴趣模型；在向用户推送多媒体数据时，获取用户行为数据和多媒体数据的时效信息，并根据用户行为数据和时效信息，更新用户兴趣特征信息和多媒体数据特征信息；根据更新后的兴趣特征信息和更新后的多媒体数据特征信息为用户推送多媒体数据，由于在进行多媒体数据推送时，还基于用户行为数据和时效信息更新用户兴趣特征信息和多媒体数据特征信息，所以可精确捕捉用户兴趣的变化趋势和多媒体数据的时效性变化，所以该种数据推送所参考的依据较为丰富，数据推送精准率较高，用户体验度良好。

需要说明的是：上述实施例提供的多媒体数据推送装置在推送多媒体数据时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的多媒体数据推送装置与多媒体数据推送方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。

图7是根据一示例性实施例示出的一种服务器，该服务器可以用于实施上述任一示例性实施例示出的多媒体数据推送方法中服务器所执行的功能。具体来讲：参见图7，该服务器700可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上中央处理器(Central Processing Unit，CPU)722(例如，一个或一个以上处理器)和存储器732，一个或一个以上存储应用程序742或数据744的存储介质730(例如一个或一个以上海量存储设备)。其中，存储器732和存储介质730可以是短暂存储或持久存储。存储在存储介质730的程序可以包括一个或一个以上模块(图示没标出)。

服务器700还可以包括一个或一个以上电源726，一个或一个以上有线或无线网络接口750，一个或一个以上输入输出接口758，和/或，一个或一个以上操作系统741，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM等等。

一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行，一个或者一个以上程序包含用于进行以下操作的指令：

对获取到的日志信息进行预处理，得到处理后的日志数据；

根据日志数据，确定用户兴趣特征信息和多媒体数据特征信息；

在向用户推送多媒体数据时，获取用户行为数据和多媒体数据的时效信息；

根据用户行为数据和时效信息，更新用户兴趣特征信息和多媒体数据特征信息；

根据更新后的兴趣特征信息和更新后的多媒体数据特征信息，为用户推送多媒体数据。

假设上述为第一种可能的实施方式，则在第一种可能的实施方式作为基础而提供的第二种可能的实施方式中，还包含用于执行以下操作的指令：

根据用户行为数据，计算用户兴趣特征信息对应的兴趣信息变化值；

根据时效信息，计算多媒体数据特征信息对应的时效信息变化值；

根据兴趣信息变化值和时效信息变化值，更新用户兴趣特征信息和多媒体数据特征信息。

在第一种可能的实施方式作为基础而提供的第三种可能的实施方式中，还包含用于执行以下操作的指令：

设置用户的多媒体数据转移概率；

根据日志数据，计算用户在欧式空间中的第一特征向量集、多媒体数据在欧式空间中的第二特征向量集；

根据多媒体数据转移概率、第一特征向量集和第二特征向量集，确定用户兴趣特征信息和多媒体数据特征信息。

在第三种可能的实施方式作为基础而提供的第四种可能的实施方式中，还包含用于执行以下操作的指令：

设置兴趣信息偏置项和时效信息偏置项；

其中，兴趣信息偏置项B'_u(t)＝B'_u+α·sign(t-t_u)·|t-t_u|^β，时效信息偏置项α、β、γ为常数，B'_u、B"_b为与时间无关的偏置参数，t_u为用户时间基值，t_b为多媒体数据的上线时间。

在第三种可能的实施方式作为基础而提供的第五种可能的实施方式中，还包含用于执行以下操作的指令：

应用下述公式，设置用户的多媒体数据转移概率：

$P\left(s_b\right|s_a,u,t_{\mathrm{usk}})\∝e^{-{\left|\right|x_a-x_b\left|\right|}^2-{\left|\right|y_u-x_b\left|\right|}^2+B_u^{\′}\left(t_{\mathrm{usk}}\right)+B_b^{\′\′}\left(t_{\mathrm{usk}}\right)}$

其中，P(s_b|s_a,u,t_usk)表示用户u在t_usk时刻消费完多媒体数据s_a后消费多媒体数据s_b的概率；P(s_b|s_a,u,t_usk)表示用户u在t_usk时刻消费完多媒体数据s_a后消费多媒体数据s_b的概率；B'_u(t_usk)表示在t_usk时刻用户兴趣特征信息对应的兴趣信息变化值，B"_b(t_usk)表示在t_usk时刻多媒体数据特征信息对应的时效信息变化值；x_a表示多媒体数据s_a在欧式空间中的特征向量，x_b表示多媒体数据s_b在欧式空间中的特征向量，y_u表示用户在欧式空间中的特征向量。x_a表示多媒体数据s_a在欧式空间中的特征向量，x_b表示多媒体数据s_b在欧式空间中的特征向量，y_u表示用户在欧式空间中的特征向量。

在第三种可能的实施方式作为基础而提供的第六种可能的实施方式中，还包含用于执行以下操作的指令：

应用下述公式，根据多媒体数据转移概率、第一特征向量集和第二特征向量集，确定用户兴趣特征信息和多媒体数据特征信息：

$L(X,Y,B_u^{\′}\left(t\right),B_b^{\′\′}\left(t\right))\stackrel{\mathrm{def}}{=}\arg \underset{X,Y,B_u^{\′}\left(t\right),B_b^{\′\′}\left(t\right)}{\max }\underset{u\∈U}{\mathrm{\Σ}}\underset{s\∈S\left(u\right)}{\mathrm{\Σ}}\underset{k=1}{\overset{\left|s\right|}{\mathrm{\Σ}}}\log P\left(p_{\mathrm{us}}^{(k+1)}\right|p_{\mathrm{us}}^k,u,t_{\mathrm{usk}})$

其中，表示用户u在t_usk时刻消费完多媒体数据后消费多媒体数据的概率；表示用户u在会话s∈S(u)中消费的第k项多媒体数据，t_usk表示用户u在会话s内消费第k项多媒体数据的时间，X和Y分别表示第一特征向量集和第二特征向量集，B'_u(t)、B"_b(t)分别表示兴趣信息偏置项和时效信息偏置项，|s|表示一个会话中多媒体数据的项数，一个会话表征一个用户在一个时间段内消费的一个多媒体数据序列。

在第二种可能的实施方式作为基础而提供的第七种可能的实施方式中，还包含用于执行以下操作的指令：

将兴趣信息变化值累加到用户兴趣特征信息对应的列向量上，得到更新后的用户兴趣特征信息；

将时效信息变化值累加到多媒体数据特征信息对应的列向量上，得到更新后的多媒体数据特征信息。

在第一种至第七种可能的实施方式作为基础而提供的第八种可能的实施方式中，还包含用于执行以下操作的指令：

根据更新后的用户兴趣特征信息和更新后的多媒体数据特征信息，计算各项多媒体数据对应的转移概率值；

对各项多媒体数据对应的转移概率值进行排序；

根据排序结果，确定数值最大的预设数目个指定转移概率值；

将预设数目个指定转移概率值对应的多媒体数据推送给用户。

本发明实施例提供的服务器，在对获取到的日志信息进行预处理得到处理后的日志数据后，根据日志数据确定用户兴趣特征信息和多媒体数据特征信息，即建立时序兴趣模型；在向用户推送多媒体数据时，获取用户行为数据和多媒体数据的时效信息，并根据用户行为数据和时效信息，更新用户兴趣特征信息和多媒体数据特征信息；根据更新后的兴趣特征信息和更新后的多媒体数据特征信息为用户推送多媒体数据，由于在进行多媒体数据推送时，还基于用户行为数据和时效信息更新用户兴趣特征信息和多媒体数据特征信息，所以可精确捕捉用户兴趣的变化趋势和多媒体数据的时效性变化，所以该种数据推送所参考的依据较为丰富，数据推送精准率较高，用户体验度良好。

本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (16)

1.一种多媒体数据推送方法，其特征在于，所述方法包括：

对获取到的日志信息进行预处理，得到处理后的日志数据；

根据所述日志数据，确定用户兴趣特征信息和多媒体数据特征信息；

在向所述用户推送多媒体数据时，获取用户行为数据和所述多媒体数据的时效信息；

根据所述用户行为数据和所述时效信息，更新所述用户兴趣特征信息和所述多媒体数据特征信息；

根据更新后的兴趣特征信息和更新后的多媒体数据特征信息，为所述用户推送多媒体数据。

2.根据权利要求1所述的方法，其特征在于，所述根据所述用户行为数据和所述时效信息，更新所述用户兴趣特征信息和所述多媒体数据特征信息，包括：

根据所述用户行为数据，计算所述用户兴趣特征信息对应的兴趣信息变化值；

根据所述时效信息，计算所述多媒体数据特征信息对应的时效信息变化值；

根据所述兴趣信息变化值和所述时效信息变化值，更新所述用户兴趣特征信息和所述多媒体数据特征信息。

3.根据权利要求1所述的方法，其特征在于，所述根据所述日志数据，确定所述用户兴趣特征信息和多媒体数据特征信息，包括：

设置所述用户的多媒体数据转移概率；

根据所述日志数据，计算所述用户在欧式空间中的第一特征向量集、所述多媒体数据在欧式空间中的第二特征向量集；

根据所述多媒体数据转移概率、所述第一特征向量集和所述第二特征向量集，确定所述用户兴趣特征信息和多媒体数据特征信息。

4.根据权利要求3所述的方法，其特征在于，所述设置所述用户的多媒体数据转移概率之前，所述方法还包括：

设置兴趣信息偏置项和时效信息偏置项；

其中，所述兴趣信息偏置项B'_u(t)＝B'_u+α·sign(t-t_u)·|t-t_u|^β，所述时效信息偏置项α、β、γ为常数，B'_u、B"_b为与时间无关的偏置参数，t_u为用户时间基值，t_b为所述多媒体数据的上线时间。

5.根据权利要求3所述的方法，其特征在于，应用下述公式，设置所述用户的多媒体数据转移概率：

$P\left(s_b\right|s_a,u,t_{\mathrm{usk}})\∝e^{-{\left|\right|x_a-x_b\left|\right|}^2-{\left|\right|y_u-x_b\left|\right|}^2+B_u^{\′}\left(t_{\mathrm{usk}}\right)+B_b^{\′\′}\left(t_{\mathrm{usk}}\right)}$

其中，P(s_b|s_a,u,t_usk)表示用户u在t_usk时刻消费完多媒体数据s_a后消费多媒体数据s_b的概率；P(s_b|s_a,u,t_usk)表示用户u在t_usk时刻消费完多媒体数据s_a后消费多媒体数据s_b的概率；B′_u(t_usk)表示在t_usk时刻所述用户兴趣特征信息对应的兴趣信息变化值，B"_b(t_usk)表示在t_usk时刻所述多媒体数据特征信息对应的时效信息变化值；x_a表示所述多媒体数据s_a在欧式空间中的特征向量，x_b表示所述多媒体数据s_b在欧式空间中的特征向量，y_u表示所述用户在欧式空间中的特征向量。x_a表示所述多媒体数据s_a在欧式空间中的特征向量，x_b表示所述多媒体数据s_b在欧式空间中的特征向量，y_u表示所述用户在欧式空间中的特征向量。

6.根据权利要求3所述的方法，其特征在于，应用下述公式，根据所述多媒体数据转移概率、所述第一特征向量集和所述第二特征向量集，确定所述用户兴趣特征信息和多媒体数据特征信息：

$L(X,Y,B_u^{\′}\left(t\right),B_b^{\′\′}\left(t\right))\stackrel{\mathrm{def}}{=}\arg \underset{X,Y,B_u^{\′}\left(t\right),B_b^{\′\′}\left(t\right)}{\max }\underset{u\∈U}{\mathrm{\Σ}}\underset{s\∈S\left(u\right)}{\mathrm{\Σ}}\underset{k=1}{\overset{\left|s\right|}{\mathrm{\Σ}}}\log P\left(p_{\mathrm{us}}^{(k+1)}\right|p_{\mathrm{us}}^k,u,t_{\mathrm{usk}})$

其中，表示用户u在t_usk时刻消费完多媒体数据后消费多媒体数据的概率；表示用户u在会话s∈S(u)中消费的第k项多媒体数据，t_usk表示用户u在会话s内消费第k项多媒体数据的时间，X和Y分别表示所述第一特征向量集和所述第二特征向量集，B'_u(t)、B"_b(t)分别表示所述兴趣信息偏置项和所述时效信息偏置项，|s|表示一个会话中多媒体数据的项数，一个会话表征一个用户在一个时间段内消费的一个多媒体数据序列。

7.根据权利要求2所述的方法，其特征在于，所述根据所述兴趣信息变化值和所述时效信息变化值，更新所述用户兴趣特征信息和所述多媒体数据特征信息，包括：

将所述兴趣信息变化值累加到所述用户兴趣特征信息对应的列向量上，得到更新后的用户兴趣特征信息；

将所述时效信息变化值累加到所述多媒体数据特征信息对应的列向量上，得到更新后的多媒体数据特征信息。

8.根据权利要求1至7中任一权利要求所述的方法，其特征在于，所述根据更新后的兴趣特征信息和更新后的多媒体数据特征信息，为所述用户推送多媒体数据，包括：

根据更新后的用户兴趣特征信息和更新后的多媒体数据特征信息，计算各项多媒体数据对应的转移概率值；

对各项多媒体数据对应的转移概率值进行排序；

根据排序结果，确定数值最大的预设数目个指定转移概率值；

将所述预设数目个指定转移概率值对应的多媒体数据推送给所述用户。

9.一种多媒体数据推送装置，其特征在于，所述装置包括：

数据处理模块，用于对获取到的日志信息进行预处理，得到处理后的日志数据；

特征信息确定模块，用于根据所述日志数据，确定用户兴趣特征信息和多媒体数据特征信息；

数据获取模块，用于在向所述用户推送多媒体数据时，获取用户行为数据和所述多媒体数据的时效信息；

特征信息更新模块，用于根据所述用户行为数据和所述时效信息，更新所述用户兴趣特征信息和所述多媒体数据特征信息；

数据推送模块，用于根据更新后的兴趣特征信息和更新后的多媒体数据特征信息，为所述用户推送多媒体数据。

10.根据权利要求9所述的装置，其特征在于，所述特征信息更新模块，用于根据所述用户行为数据，计算所述用户兴趣特征信息对应的兴趣信息变化值；根据所述时效信息，计算所述多媒体数据特征信息对应的时效信息变化值；根据所述兴趣信息变化值和所述时效信息变化值，更新所述用户兴趣特征信息和所述多媒体数据特征信息。

11.根据权利要求9所述的装置，其特征在于，所述特征信息确定模块，用于设置所述用户的多媒体数据转移概率；根据所述日志数据，计算所述用户在欧式空间中的第一特征向量集、所述多媒体数据在欧式空间中的第二特征向量集；根据所述多媒体数据转移概率、所述第一特征向量集和所述第二特征向量集，确定所述用户兴趣特征信息和多媒体数据特征信息。

12.根据权利要求11所述的装置，其特征在于，所述装置还包括：

偏置项设置模块，用于设置兴趣信息偏置项和时效信息偏置项；

其中，所述兴趣信息偏置项B′_u(t)＝B'_u+α·sign(t-t_u)·|t-t_u|^β，所述时效信息偏置项α、β、γ为常数，B′_u、B"_b为与时间无关的偏置参数，t_u为用户时间基值，t_b为所述多媒体数据的上线时间。

13.根据权利要求11所述的装置，其特征在于，所述特征信息确定模块，用于应用下述公式，设置所述用户的多媒体数据转移概率：

$P\left(s_b\right|s_a,u,t_{\mathrm{usk}})\∝e^{-{\left|\right|x_a-x_b\left|\right|}^2-{\left|\right|y_u-x_b\left|\right|}^2+B_u^{\′}\left(t_{\mathrm{usk}}\right)+B_b^{\′\′}\left(t_{\mathrm{usk}}\right)}$

其中，P(s_b|s_a,u,t_usk)表示用户u在t_usk时刻消费完多媒体数据s_a后消费多媒体数据s_b的概率；P(s_b|s_a,u,t_usk)表示用户u在t_usk时刻消费完多媒体数据s_a后消费多媒体数据s_b的概率；B′_u(t_usk)表示在t_usk时刻所述用户兴趣特征信息对应的兴趣信息变化值，B"_b(t_usk)表示在t_usk时刻所述多媒体数据特征信息对应的时效信息变化值；x_a表示所述多媒体数据s_a在欧式空间中的特征向量，x_b表示所述多媒体数据s_b在欧式空间中的特征向量，y_u表示所述用户在欧式空间中的特征向量。x_a表示所述多媒体数据s_a在欧式空间中的特征向量，x_b表示所述多媒体数据s_b在欧式空间中的特征向量，y_u表示所述用户在欧式空间中的特征向量。

14.根据权利要求11所述的装置，其特征在于，所述特征信息确定模块，用于应用下述公式，根据所述多媒体数据转移概率、所述第一特征向量集和所述第二特征向量集，确定所述用户兴趣特征信息和多媒体数据特征信息：

$L(X,Y,B_u^{\′}\left(t\right),B_b^{\′\′}\left(t\right))\stackrel{\mathrm{def}}{=}\arg \underset{X,Y,B_u^{\′}\left(t\right),B_b^{\′\′}\left(t\right)}{\max }\underset{u\∈U}{\mathrm{\Σ}}\underset{s\∈S\left(u\right)}{\mathrm{\Σ}}\underset{k=1}{\overset{\left|s\right|}{\mathrm{\Σ}}}\log P\left(p_{\mathrm{us}}^{(k+1)}\right|p_{\mathrm{us}}^k,u,t_{\mathrm{usk}})$

其中，表示用户u在t_usk时刻消费完多媒体数据后消费多媒体数据的概率；表示用户u在会话s∈S(u)中消费的第k项多媒体数据，t_usk表示用户u在会话s内消费第k项多媒体数据的时间，X和Y分别表示所述第一特征向量集和所述第二特征向量集，B'_u(t)、B"_b(t)分别表示所述兴趣信息偏置项和所述时效信息偏置项，|s|表示一个会话中多媒体数据的项数，一个会话表征一个用户在一个时间段内消费的一个多媒体数据序列。

15.根据权利要求10所述的装置，其特征在于，所述特征信息更新模块，用于将所述兴趣信息变化值累加到所述用户兴趣特征信息对应的列向量上，得到更新后的用户兴趣特征信息；将所述时效信息变化值累加到所述多媒体数据特征信息对应的列向量上，得到更新后的多媒体数据特征信息。

16.根据权利要求9至15中任一权利要求所述的装置，其特征在于，所述数据推送模块，用于根据更新后的用户兴趣特征信息和更新后的多媒体数据特征信息，计算各项多媒体数据对应的转移概率值；对各项多媒体数据对应的转移概率值进行排序；根据排序结果，确定数值最大的预设数目个指定转移概率值；将所述预设数目个指定转移概率值对应的多媒体数据推送给所述用户。