CN104866490A - 一种视频智能推荐方法及其系统 - Google Patents

Abstract

本发明公开了一种视频智能推荐方法，该方法包括：数据预处理步骤、影视列表生成步骤和最优用户推荐列表生成步骤，数据预处理步骤用于对数据库中影视数据进行预处理，生成影视信息；影视列表生成步骤用于根据影视信息，通过基于内容的推荐和/或基于协同的推荐，生成相似影视列表；最优用户推荐列表生成步骤用于根据相似影视列表，生成用户推荐列表，并通过推荐效果评估方法调整参数，生成针对用户的最优个性化影视推荐。本发明还公开了一种视频智能推荐系统。

Description

一种视频智能推荐方法及其系统

技术领域

本发明涉及本发明设计涉及文本挖掘领域，特别涉及一种视频智能推荐方法及其系统。 

背景技术

随着移动互联网的发展，网络数据量呈指数增长，已经难以通过人工手动方式从中筛选需要的信息。用户面对过量的信息很难找到自己真正感兴趣的内容，而内容提供商也很难把优质的内容准确推送给感兴趣的用户。 

视频网站面临着信息过载的问题，比如YouTube目前有数十亿视频条目，而且每分钟都有近1500分钟时长的视频被上传，而专业视频网站Sohu等也有近几十万的高质量视频，用户也很难从中找到自己真正感兴趣的内容；同时提高用户的观看和停留时间也非常重要，所以推荐系统被认为是解决这些问题的有效方法，它对用户的历史行为进行挖掘，对用户兴趣进行建模，并对用户未来的行为进行预测，从而建立了用户和内容的关系。 

目前的现有技术存在的问题在于推荐无法实现个性化，推荐效率低，推荐内容更新速度慢，用户体验差等。 

发明内容

本发明所要解决的技术问题在于提供一种视频智能推荐方法及其系统，以解决现有技术中存在的问题：推荐效果依赖于工作人员的经验；推荐无法实现个性化，只能进行群体性推荐；推荐效率低，推荐内容更新速度慢；用户体验差，因为无法实现个性化推荐所以有很多用户并不喜欢。 

为达上述目的，本发明提供的一种视频智能推荐方法，所述方法包括： 

数据预处理步骤：对数据库中影视数据进行预处理，生成影视信息； 

影视列表生成步骤：根据所述影视信息，通过基于内容的推荐和/或基于协同的推荐，生成相似影视列表； 

最优用户推荐列表生成步骤：根据所述相似影视列表，生成用户推荐列表， 并通过推荐效果评估方法调整参数，生成针对用户的最优个性化影视推荐。 

上述视频智能推荐方法，所述数据预处理步骤还包括： 

历史记录生成步骤：对数据库中的用户观看历史记录进行信息提取，生成用户观看历史记录信息； 

影视属性生成步骤：对数据库中的视频数据进行信息提取，生成影视属性信息。 

上述视频智能推荐方法，所述影视列表生成步骤还包括： 

基于内容的推荐步骤：根据所述影视属性信息通过所述基于内容的推荐方法生成基于内容的相似影视列表，用于生成所述相关影视推荐；及/或 

基于协同的推荐步骤：根据所述历史记录信息通过所述基于协同的推荐方法生成基于协同的相似影视列表。 

上述视频智能推荐方法，所述基于内容的推荐步骤还包括： 

基于内容向量构建步骤：根据所述影视属性信息，构建基于内容的影视向量； 

基于内容邻域计算步骤：根据所述基于内容的影视向量计算向量之间的相似度，生成基于内容的相似影视列表。 

上述视频智能推荐方法，所述基于协同的推荐步骤还包括： 

基于协同向量构建步骤：根据所述历史记录信息，构建基于协同的影视向量； 

基于协同邻域计算步骤：根据所述基于协同的影视向量计算向量之间的相似度，生成基于协同的相似影视列表。 

上述视频智能推荐方法，所述最优用户推荐列表生成步骤还包括： 

用户推荐列表生成步骤：对所述基于协同的相似影视列表进行归一化，并合并生成所述用户推荐列表； 

推荐效果评估步骤：通过所述推荐效果评估方法修正所述基于协同的推荐方法采用的参数，用于产生最优的所述个性化影视推荐。 

本发明还一种视频智能推荐系统，采用如所述视频智能推荐方法，所述系统包括： 

数据预处理模块：对数据库中影视数据进行预处理，生成影视信息； 

影视列表生成模块：根据所述影视信息，通过基于内容的推荐和/或基于 协同的推荐，生成相似影视列表； 

用户推荐列表生成模块：根据所述相似影视列表，生成用户推荐列表，并通过推荐效果评估方法调整参数，生成针对用户的最优个性化影视推荐。 

上述视频智能推荐系统，所述数据预处理模块还包括： 

历史记录生成模块：对数据库中的用户观看历史记录进行信息提取，生成用户观看历史记录信息； 

影视属性生成模块：对数据库中的视频数据进行信息提取，生成影视属性信息。 

上述视频智能推荐系统，所述影视列表生成模块还包括： 

基于内容的推荐模块：根据所述影视属性信息通过所述基于内容的推荐方法生成基于内容的相似影视列表，用于生成所述相关影视推荐；及/或 

基于协同的推荐模块：根据所述历史记录信息通过所述基于协同的推荐方法生成基于协同的相似影视列表。 

上述视频智能推荐系统，所述基于内容的推荐模块还包括： 

基于内容向量构建模块：根据所述影视属性信息，构建基于内容的影视向量； 

基于内容邻域计算模块：根据所述基于内容的影视向量计算向量之间的相似度，生成基于内容的相似影视列表。 

上述视频智能推荐系统，所述基于协同的推荐模块还包括： 

基于协同向量构建模块：根据所述历史记录信息，构建基于协同的影视向量； 

基于协同邻域计算模块：根据所述基于协同的影视向量计算向量之间的相似度，生成基于协同的相似影视列表。 

上述视频智能推荐系统，所述最优用户推荐列表生成模块还包括： 

用户推荐列表生成模块：对所述基于协同的相似影视列表进行归一化，并合并生成所述用户推荐列表； 

推荐效果评估模块：通过所述推荐效果评估方法修正所述基于协同的推荐方法采用的参数，用于产生最优的所述个性化影视推荐。 

本发明解除推荐对工作人员的经验的依赖；充分利用了用户的观看记录，推荐具有个性化；高效率的推荐，每天更新一次数据使推荐内容每天都不同； 提高用户体验，个性化推荐依据用户喜好针对性强，用户喜欢概率大。与现有技术相比，本发明的有益效果在于： 

1.能应对大数据量的影视信息和影视观看记录信息； 

2.充分利用了大数据中隐藏的用户喜好信息； 

3.高效率的推荐每天都不同，提高了用户体验。 

附图说明

图1为本发明视频智能推荐方法流程示意图； 

图2A～图2B为基于内容的推荐详细步骤示意图； 

图3为本发明一实施例步骤示意图； 

图4为本发明一实施例详细步骤示意图； 

图5为本发明视频智能推荐系统结构示意图； 

图6A～图6B为本发明视频智能推荐系统详细结构示意。 

其中，附图标记： 

1数据预处理模块                2影视列表生成模块 

3最优用户推荐列表生成模块 

11历史记录生成模块             12影视属性生成模块 

21基于内容的推荐模块           22基于协同的推荐模块 

31用户推荐列表生成模块         32推荐效果评估模块 

211基于内容向量构建模块        212基于内容邻域计算模块 

221基于协同向量构建模块        222基于协同邻域计算模块 

S1～S3、S11～S32、S211～S222、S101～S104、S101-1～S103-2： 本发明各实施例的施行步骤 

具体实施方式

下面给出本发明的具体实施方式，结合图示对本发明做出了详细描述。 

本发明的关键技术点为：数据过滤即数据预处理；影视相似性计算；用户推荐列表计算；推荐效果评估。 

本发明技术方案的简要描述。 

1、用户观看历史记录以及影视属性信息预处理； 

2、影视邻域计算，计算每一个影视的相似影视列表； 

3、依据用户观看历史记录计算用户的推荐列表； 

4、通过交叉验证计算推荐效果并修正参数直至产生最好推荐。 

图1为本发明视频智能推荐方法流程示意图，如图1所示，本发明方法包括： 

数据预处理步骤S1：对数据库中影视数据进行预处理，生成影视信息； 

影视列表生成步骤S2：根据影视信息，通过基于内容的推荐和/或基于协同的推荐，生成相似影视列表； 

最优用户推荐列表生成步骤S3：根据相似影视列表，生成用户推荐列表，并通过推荐效果评估方法调整参数，生成针对用户的最优个性化影视推荐。 

其中，数据预处理步骤S1还包括： 

历史记录生成步骤S11：对数据库中的用户观看历史记录进行信息提取，生成用户观看历史记录信息； 

影视属性生成步骤S12：对数据库中的视频数据进行信息提取，生成影视属性信息。 

其中，影视列表生成步骤S2还包括： 

基于内容的推荐步骤S21：根据影视属性信息通过基于内容的推荐方法生成基于内容的相似影视列表，用于生成相关影视推荐；及/或 

基于协同的推荐步骤S22：根据历史记录信息通过基于协同的推荐方法生成基于协同的相似影视列表。 

本发明输出的最终推荐列表由基于内容的推荐步骤S21或基于协同的推荐步骤S22完成，或最终推荐列表由基于内容的推荐步骤S21与基于协同的推荐步骤S22共同完成。 

图2A～图2B为基于内容的推荐详细步骤示意图，如图2A～图2B所示，其中，基于内容的推荐步骤S21还包括： 

基于内容向量构建步骤S211：根据影视属性信息，构建基于内容的影视向量； 

基于内容邻域计算步骤S212：根据基于内容的影视向量计算向量之间的相似度，生成基于内容的相似影视列表。 

其中，基于协同的推荐步骤S22还包括： 

基于协同向量构建步骤S221：根据历史记录信息，构建基于协同的影视向量； 

基于协同邻域计算步骤S222：根据基于协同的影视向量计算向量之间的相似度，生成基于协同的相似影视列表。 

其中，最优用户推荐列表生成步骤S3还包括： 

用户推荐列表生成步骤S31：对基于协同的相似影视列表进行归一化，并合并生成用户推荐列表； 

推荐效果评估步骤S32：通过推荐效果评估方法修正基于协同的推荐方法采用的参数，用于产生最优的个性化影视推荐。 

以下结合图示说明本发明具体实施例的步骤，图3为本发明一实施例步骤示意图，如图3所示，说明视频智能推荐过程： 

步骤S101：数据预处理，提取视频属性信息的导演，演员，类型，发行语言；用户观看历史记录中的影视id、观看开始时间、观看时长、对影视的赞信息。 

步骤S102：影视邻域计算，基于内容和基于协同的不同，基于内容的需要用到影视属性信息，基于余弦距离公式产生影视的相似影视列表；基于协同的推荐需要通过用户观看历史记录信息使用条件概率距离公式产生影视的相似影视列表。 

步骤S103：用户推荐列表计算，基于内容的推荐，计算出影视相似列表即结束，结果用于相关影视推荐；基于协同的需要依据用户观看历史记录合并历史记录中的影视的相似影视列表以产生推荐列表，结果用于用户个性化推荐。 

步骤S104：通过交叉验证实验确定基于协同推荐中使用的参数以提高协同推荐的推荐效果。 

图4为本发明一实施例详细步骤示意图，如图4所示： 

1）基于内容推荐过程 

步骤S1011：影视属性信息预处理： 

从数据库中提取影视属性信息，信息包含影视的导演，演员，类型，发行语言。 

步骤S1021：影视向量构建与影视邻域计算： 

通过TF-IDF原理构建影视向量，构建方法及公式在第二部分已经给出，并依据余弦距离公式，计算影视向量之间的相似度即影视的相似度，形成影视的相似影视列表。 

2）基于协同的推荐过程： 

步骤S1012：用户历史观看记录预处理： 

从数据库中提取用户ID：：影视ID：：观看时长：：观看起始时间：：赞信息组成影视元数据， 

步骤S1023：影视向量构建与影视邻域计算： 

对影视元数据以影视ID分组，每组构建成一个向量，向量组成为：（U₁，U₂，U₃……）；U₁，U₂，U₃……为看过此影视的用户ID，并依据条件概率距离公式计算两影视向量间相似度即影视间相似度，具体计算方法及公式第二部分已经给出。 

步骤S1031：用户推荐列表计算： 

每次从用户历史记录中取一条记录，进而提取此记录中影视对应的相似影视列表，对列表相似度值进行归一化，归一化方法为：sim/simSum, 

sim为需要归一化的影视与列表所属影视间的相似度，simSum是本列表所有相似度值之和。然后合并所有历史记录中影视的相似影视列表，合并方法第二部分已经给出。 

步骤S1032：交叉验证： 

通过交叉验证得到的准确率来修正协同推荐里用到的参数然后再重新验证，重复多次以得到准确率高的相应参数。交叉验证方法及准确率计算方法第二部分已经给出。 

综合以上所述，本系统经过实际的运作测试，具有以下有益效果： 

1.基于内容的推荐产生的相关影视推荐直观感觉相关性非常好，用户点击率高。 

2.基于协同的推荐产生的用户个性化推荐效果良好，用户点击率高。 

以下对本发明实现的详细公式算法描述如下： 

1、基于内容的推荐 

信息过滤：对数据库中原始视频属性数据进行预处理，去除对于本推荐引擎无用的数据，生成影视的元数据以备用。如：提取视频属性信息的导演，演 员，类型，发行语言，以构建影视向量。 

影视向量构建：用影视属性信息通过TF-IDF公式构建影视向量；TF-IDF公式为： 

其中TF(t_k，d_j)是第k个属性在影视j中出现的次数，而n_k是所有影视中包括第k个属性的影视数量。 

第k个属性在影视j中的权重由下面的公式获得： 

$W_{k,j}=\frac{\mathrm{TF}-\mathrm{IDF}(t_k,d_j)}{\sqrt{{\mathrm{\Σ}}_{s-1}^{\left|T\right|}\mathrm{TF}-\mathrm{IDF}{(t_s,d_j)}^2}}$

其中|T|为所有影视的属性集合，最终构建出影视向量，影视j向量构成如下： 

V_j=（W_k1，W_k2,W_k3,W_k4……） 

影视邻域计算：通过余弦距离公式使用影视向量计算。 

如影视a向量为：V_a=（W_k1，W_k2,W_k3,W_k4），影视b向量为：V_b=（W_k1，W_k2,W_k3,W_k4），则影视a和b的相似度通过应用余弦距离公式，计算公式为： 

$\mathrm{sim}(a,b)=\frac{V_a\·V_b}{\left|V_a\right|*{|V}_b|}$

对所有影视应用如上方式计算两两之间的相似度就可以得到某影视的相似影视列表，即影视的邻域。 

2、基于协同的推荐 

信息过滤：对数据库中用户观看历史记录数据进行预处理，去除本推荐引擎无用的数据，将余下数据加工成本引擎可用的元数据形式。元数据组成为：用户ID::影视ID::用户观看影视时长::用户观看影视的起始时间::用户对此影视的赞信息；观看时长以秒为单位，起始时间以毫秒为单位，赞信息为：赞了的为1否则为0。 

影视邻域计算：对元数据以影视ID分组构建影视向量，影视向量构成为（U₁，U₂，……U_i……）其中U_i为用户ID。遍历视频集合计算视频间的相似度，相似度计算方法为以影视向量为参数的条件概率，计算公式为： 

$\mathrm{sim}(a,b)=\frac{I_a\∩I_b}{{|I}_a|*{{|I}_b|}^{\mathrm{\α}}}$

I_a和I_b是影视a，b的向量，α是一个惩罚参数,通过在训练数据集上训练得出。用户推荐列表计算：每次从用户播放历史中提取一部影视并找到此视频的相似列表，以视频相似度的值为依据对列表进行归一化处理。以历史播放记录中每部视频提取相应的视频相似列表生成视频列表集。对于视频列表集中的每部视频如果未在播放历史中就用公式: 

$f({|t}_{\mathrm{ut}}-t_{\mathrm{uj}}|)=\frac{1}{1+\mathrm{\β}|t_{\mathrm{ut}}-t_{\mathrm{uj}}|}$

修正相似度即原有相似度乘上以上公式构成的参数，其中β为时间缩放参数,通过在训练数据集上训练得出，t_ui为用户观看影视的最晚时间，t_uj为程序运行的当前时间；而如果在播放历史中则去除。计算修正后相似度值作为视频列表集中相应视频的权重值。如果与播放历史中有多部相似，权重值也相应的累加。视频列表集根据权重值进行由大到小的排序，生成最终的推荐列表。 

3、推荐效果评估 

基于协同的推荐模型中涉及到的未知参数均通过交叉验证方法实验得到，并以系统的准确率(P)、召回率(R)、覆盖率(C)整体均衡评估指标确定引擎中使用的最优参数的值。具体训练方法为：首先设定召回率允许的最小值RMin，覆盖率允许的最小值CMin，然后先固定α训练β，对于β先正增长如果准确率增加则继续增长直到RMin和CMin之一到达最小值保存此时的β及相对应的R、P、C之后改为负增长，如果准确率下降也改为负增长；在负增长时如果准确率增加则继续增长直到RMin和CMin之一到达最小值保存此时的β及相对应的R、P、C之后进入最终选择阶段，否则直接进入最终选择阶段；在最终选择阶段首先对比P取最大者时的β，否则对比C同样取最大者时的β，否则对比R同样取最大者时的β，这样最终确定了β；之后改为训练α方法同β只是固定项和训练项调换，至于RMin和CMin依据行业规则以及公司可承受程度人为设定。 

交叉验证具体操作为：把测试数据依据训练集：测试集=4:1的比例分割，也可依据其他比例分割；在训练集上运行协同推荐引擎产生用户的推荐列表，然后结合测试集使用准确率、召回率、覆盖率计算公式计算评估标准。 

准确率计算方式为： 

$\mathrm{Precjsion}=\frac{{\mathrm{\Σ}}_{u\∈U}|R\left(u\right)\∩T\left(u\right)|}{{\mathrm{\Σ}}_{u\∈U}\left|R\left(u\right)\right|}$

其中分子为推荐列表与测试集的交集，分母为所有推荐列表的总和；召回率计算方式为： 

$\mathrm{Recall}=\frac{{\mathrm{\Σ}}_{u\∈U}|R\left(u\right)\∩T\left(u\right)|}{{\mathrm{\Σ}}_{u\∈U}\left|R\left(u\right)\right|}$

其中分子为推荐列表与测试集的交集，分母为测试集上观看记录的总和；覆盖率计算方式为： 

$\mathrm{Coverage}=\frac{\left|{\∪}_{\mathrm{\κ}\∈U}R\left(u\right)\right|}{\left|I\right|}$

其中|∪_u∈UR(u)|为推荐列表中包含的影视数总和，|I|为数据库中所有影视的总和。 

本发明还提供了一种视频智能推荐系统，图5为本发明视频智能推荐系统结构示意图，如图5所示，该系统包括： 

数据预处理模块1：对数据库中影视数据进行预处理，生成影视信息； 

影视列表生成模块2：根据影视信息，通过基于内容的推荐和/或基于协同的推荐，生成相似影视列表； 

最优用户推荐列表生成模块3：根据相似影视列表，生成用户推荐列表，并通过推荐效果评估方法调整参数，生成针对用户的最优个性化影视推荐。 

其中，数据预处理模块1还包括： 

历史记录生成模块11：对数据库中的用户观看历史记录进行信息提取，生成用户观看历史记录信息； 

影视属性生成模块12：对数据库中的视频数据进行信息提取，生成影视属性信息。 

其中，影视列表生成模块2还包括： 

基于内容的推荐模块21：根据影视属性信息通过所述基于内容的推荐方法生成基于内容的相似影视列表，用于生成相关影视推荐；及/或 

基于协同的推荐模块22：根据所述历史记录信息通过所述基于协同的推荐方法生成基于协同的相似影视列表。 

其中，图6A～图6B为本发明视频智能推荐系统详细结构示意，如图6A～图6B所示，基于内容的推荐模块21还包括： 

基于内容向量构建模块211：根据影视属性信息，构建基于内容的影视向量； 

基于内容邻域计算模块212：根据基于内容的影视向量计算向量之间的相似度，生成基于内容的相似影视列表。 

其中，基于协同的推荐模块22还包括： 

基于协同向量构建模块221：根据历史记录信息，构建基于协同的影视向量； 

基于协同邻域计算模块222：根据基于协同的影视向量计算向量之间的相似度，生成基于协同的相似影视列表。 

其中，最优用户推荐列表生成模块3还包括： 

用户推荐列表生成模块31：对基于协同的相似影视列表进行归一化，并合并生成用户推荐列表； 

推荐效果评估模块32：通过推荐效果评估方法修正基于协同的推荐方法采用的参数，用于产生最优的个性化影视推荐。 

当然，本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员当可根据本发明做出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。 

Claims (12)

1.一种视频智能推荐方法，其特征在于，所述方法包括：

数据预处理步骤：对数据库中影视数据进行预处理，生成影视信息；

影视列表生成步骤：根据所述影视信息，通过基于内容的推荐和/或基于协同的推荐，生成相似影视列表；

最优用户推荐列表生成步骤：根据所述相似影视列表，生成用户推荐列表，并通过推荐效果评估方法调整参数，生成针对用户的最优个性化影视推荐。

2.根据权利要求1所述视频智能推荐方法，其特征在于，所述数据预处理步骤还包括：

历史记录生成步骤：对数据库中的用户观看历史记录进行信息提取，生成用户观看历史记录信息；

影视属性生成步骤：对数据库中的视频数据进行信息提取，生成影视属性信息。

3.根据权利要求1或2所述视频智能推荐方法，其特征在于，所述影视列表生成步骤还包括：

基于内容的推荐步骤：根据所述影视属性信息通过所述基于内容的推荐方法生成基于内容的相似影视列表，用于生成所述相关影视推荐；及/或

基于协同的推荐步骤：根据所述历史记录信息通过所述基于协同的推荐方法生成基于协同的相似影视列表。

4.根据权利要求3所述视频智能推荐方法，其特征在于，所述基于内容的推荐步骤还包括：

基于内容向量构建步骤：根据所述影视属性信息，构建基于内容的影视向量；

基于内容邻域计算步骤：根据所述基于内容的影视向量计算向量之间的相似度，生成基于内容的相似影视列表。

5.根据权利要求3所述视频智能推荐方法，其特征在于，所述基于协同的推荐步骤还包括：

基于协同向量构建步骤：根据所述历史记录信息，构建基于协同的影视向量；

基于协同邻域计算步骤：根据所述基于协同的影视向量计算向量之间的相似度，生成基于协同的相似影视列表。

6.根据权利要求1或5所述视频智能推荐方法，其特征在于，所述最优用户推荐列表生成步骤还包括：

用户推荐列表生成步骤：对所述基于协同的相似影视列表进行归一化，并合并生成所述用户推荐列表；

推荐效果评估步骤：通过所述推荐效果评估方法修正所述基于协同的推荐方法采用的参数，用于产生最优的所述个性化影视推荐。

7.一种视频智能推荐系统，采用如权利要求1-6中任一项所述视频智能推荐方法，其特征在于，所述系统包括：

数据预处理模块：对数据库中影视数据进行预处理，生成影视信息；

影视列表生成模块：根据所述影视信息，通过基于内容的推荐和/或基于协同的推荐，生成相似影视列表；

用户推荐列表生成模块：根据所述相似影视列表，生成用户推荐列表，并通过推荐效果评估方法调整参数，生成针对用户的最优个性化影视推荐。

8.根据权利要求7所述视频智能推荐系统，其特征在于，所述数据预处理模块还包括：

历史记录生成模块：对数据库中的用户观看历史记录进行信息提取，生成用户观看历史记录信息；

影视属性生成模块：对数据库中的视频数据进行信息提取，生成影视属性信息。

9.根据权利要求7或8所述视频智能推荐系统，其特征在于，所述影视列表生成模块还包括：

基于内容的推荐模块：根据所述影视属性信息通过所述基于内容的推荐方法生成基于内容的相似影视列表，用于生成所述相关影视推荐；及/或

基于协同的推荐模块：根据所述历史记录信息通过所述基于协同的推荐方法生成基于协同的相似影视列表。

10.根据权利要求9所述视频智能推荐系统，其特征在于，所述基于内容的推荐模块还包括：

基于内容向量构建模块：根据所述影视属性信息，构建基于内容的影视向量；

基于内容邻域计算模块：根据所述基于内容的影视向量计算向量之间的相似度，生成基于内容的相似影视列表。

11.根据权利要求9所述视频智能推荐系统，其特征在于，所述基于协同的推荐模块还包括：

基于协同向量构建模块：根据所述历史记录信息，构建基于协同的影视向量；

基于协同邻域计算模块：根据所述基于协同的影视向量计算向量之间的相似度，生成基于协同的相似影视列表。

12.根据权利要求7或11所述视频智能推荐系统，其特征在于，所述最优用户推荐列表生成模块还包括：

用户推荐列表生成模块：对所述基于协同的相似影视列表进行归一化，并合并生成所述用户推荐列表；

推荐效果评估模块：通过所述推荐效果评估方法修正所述基于协同的推荐方法采用的参数，用于产生最优的所述个性化影视推荐。