CN105260458A - 一种用于显示装置的视频推荐方法及显示装置 - Google Patents
一种用于显示装置的视频推荐方法及显示装置 Download PDFInfo
- Publication number
- CN105260458A CN105260458A CN201510666006.7A CN201510666006A CN105260458A CN 105260458 A CN105260458 A CN 105260458A CN 201510666006 A CN201510666006 A CN 201510666006A CN 105260458 A CN105260458 A CN 105260458A
- Authority
- CN
- China
- Prior art keywords
- video
- evaluation
- estimate
- threshold value
- institute
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
Abstract
本发明公开了一种用于显示装置的视频推荐方法及显示装置,其方法包括:获取各个第一视频的来源于一个目标评价主体的评价值,根据各个第一视频的评价值,确定评价值阈值;根据视频的特征向量,确定各个第二视频与各个第一视频之间的相似度,第二视频为没有来源于目标评价主体的评价值的视频;根据各个第二视频与各个第一视频之间的相似度,分别预测各个第二视频的评价值;向所述目标评价主体推送评价值符合预定条件的第二视频。本发明实施例提供的技术方案在准确对第二视频进行评价值预测的基础上,能够准确为目标评价主体推送其感兴趣的第二视频,可以提升视频推荐系统的性能。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种用于显示装置的视频推荐方法及显示装置。
背景技术
随着互联网的发展,网络为用户提供越来越多信息和服务的同时,其结构变得更加复杂,在网络上的海量信息中,用户及时地获得所需也更加困难。推荐系统应运而生,以为用户推荐视频的推荐系统为例,它可以根据用户的兴趣爱好(以下简称喜好)为用户推荐视频。视频推荐系统不仅帮助用户找到目标视频,而且可以帮助视频网站有效保留用户,重建客户关系,提高点击率和用户的忠诚度。
传统的个性化推荐技术一般会基于邻居物品(本发明中指视频)/用户,根据显式评分产生推荐结果。其中,基于邻居物品的个性化推荐技术是指,根据用户对物品的评分,计算物品之间的相似度,向用户推荐与其评分较高的物品相似度较高的物品。基于用户的个性化推荐技术是指,根据用户对物品的评分,计算用户之间的相似度,向用户推荐与其相似度较高的其他用户的评分较高的视频。现在视频推荐系统规模越来越大,用户和视频数目动辄百千万计,但用户对视频评价的数量是有限的,使得关于用户和视频的数据是非常稀疏的,加之两个用户之间选择的重叠非常少,导致无法计算视频之间相似度或者用户之间的相似度,或者计算得到的相似度不准确,其推荐的准确性也受到了严重的影响。
发明内容
本发明的目的是提供一种用于显示装置的视频推荐方法及显示装置,已解决由于重叠评价的视频数据较少,相似度无法计算,导致的推荐不准确的问题。
本发明的目的是通过以下技术方案实现的:
一种用于显示装置的视频推荐方法,包括:
根据获取的各个第一视频的来源于同一评价主体的评价值,确定评价值阈值;并根据视频的特征向量,确定各个第二视频与各个第一视频之间的相似度,所述第二视频为没有来源于所述评价主体的评价值的视频,所述视频的特征向量为视频的隐性特征;
根据各个第二视频与各个第一视频之间的相似度,分别预测各个第二视频的评价值,其中,第二视频与评价值高于所述评价值阈值的各个第一视频之间的相似度的第一统计值越大,所述第二视频的评价值越高,第二视频与评价值低于所述评价值阈值的各个第一视频之间的相似度的第二统计值越大,所述第二视频的评价值越低;
向所述评价主体推荐评价值符合预定条件的第二视频。
基于与方法同样的发明构思,本发明实施例还提供一种显示装置,包括:
评价值阈值确定模块,用于根据获取的各个第一视频的来源于同一评价主体的评价值,确定评价值阈值;
相似度确定模块,用于根据视频的特征向量,确定各个第二视频与各个第一视频之间的相似度,所述第二视频为没有来源于所述评价主体的评价值的视频,所述视频的特征向量为视频的隐性特征;
评价值预测模块,用于根据各个第二视频与各个第一视频之间的相似度,分别预测各个第二视频的评价值,其中,第二视频与评价值高于所述评价值阈值的各个第一视频之间的相似度的第一统计值越大,所述第二视频的评价值越高,第二视频与评分低于所述评价值阈值的各个第一视频之间的相似度的第二统计值越大,所述第二视频的评价值越低;
视频推荐模块,用于向所述评价主体推荐评价值符合预定条件的第二视频。
本发明实施例提供的技术方案,一方面,根据同一评价主体对各个第一视频(该评价主体已评价的视频)的评价值,确定同一评价主体对应的评价值阈值;另一方面,根据视频的特征向量,确定各个第二视频(该评价主体未评价的视频)与各个第一视频之间的相似度。进而,可以根据各个第二视频与第一视频的相似度,分别预测同一评价主体对各个第二视频的评分。其中,由于视频的特征向量反映了视频的内在特性,根据视频的特征向量计算视频之间的相似度,能够体现出两个视频之间的内在关联。并且,每个视频(无论是否被评价)均存在特征向量,因此,基于特征向量可以计算出任意两个视频之间的相似度,克服了现有技术当两个用户之间的选择重叠非常小(数据稀疏)时无法计算相似度的问题。在此基础上,当第二视频与更多的评价值高于评价值阈值的第一视频相似时,可以推断出评价主体对其喜好程度也较高,相应的给其较高的预测评价值;反之,给其较低的预测评价值。可见,在对第二视频进行评价值预测时,评价值高于评价值阈值的第一视频与评价值低于评价值阈值的第一视频会对第二视频的评分产生相反的影响。具体的,第二视频与评价值高于所述评价值阈值的各个第一视频之间的相似度的第一统计值越大,表明该第二视频与评价值高于所述评价值阈值的各个第一视频更相似,基于评价主体对一个视频的评价值高,那么对该视频相似的其他视频的评价值也会较高的假设,可以推断该第二视频的评价值也会较高;反之第二视频与评价值低于所述评价值阈值的各个第一视频之间的相似度的第一统计值越大,可以推断该第二视频的评价值也会较低。可见,本发明实施例提供的技术方案可以更为准确地对第二视频进行评价值预测。在准确对第二视频进行评价值预测的基础上,能够准确为评价主体推送其感兴趣的第二视频,可以提升视频推荐系统的性能。
附图说明
图1为本发明实施例的方法流程图;
图2为本发明实施例的装置示意图。
具体实施方式
下面将结合附图,对本发明实施例提供的技术方案进行详细说明。
本发明实施例提供了一种用于显示装置的视频推荐方法,如图1所示,包括如下操作:
步骤110、根据获取的各个第一视频的来源于同一评价主体的评价值,确定评价值阈值;并根据视频的特征向量,确定各个第二视频与各个第一视频之间的相似度,上述第二视频为没有来源于所述评价主体的评价值的视频。
其中,视频的特征向量,体现了视频的隐性特征,能够反映不同的视频之间的内在关联。
本发明实施例中,确定评价阈值的步骤与确定相似度的步骤之间没有时序上的先后限定。
步骤120、根据各个第二视频与各个第一视频之间的相似度,分别预测各个第二视频的评价值,其中,第二视频与评价值高于上述评价值阈值的各个第一视频之间的相似度的第一统计值越大,上述第二视频的评价值越高,第二视频与评价值低于上述评价值阈值的各个第一视频之间的相似度的第二统计值越大,上述第二视频的评价值越低。
步骤130、向上述评价主体推送评价值符合预定条件的第二视频。
其中,向评价主体推送评价值符合预定条件的第二视频,又可以表述为向用户推荐评价值符合预定条件的第二视频。其实现方式有多种,例如,将推送内容显示在用户使用的显示装置上,或者,将推送内容以声音的方式提示给用户等等。
上述评价主体可以是用户,也可以是执行用户指令的设备。
如果评价主体是设备,那么,执行同一个用户指令产生评价值的设备均被认为是同一个评价主体。具体的,可以根据用户标识与评价主体的对应关系来区分是否为同一个评价主体。
上述评价值又可以称为评分。
其中,评分可以使用多种形式,用户可以给出数值评分;用户也可以使用星值评分,然后通过系统转换成数值;用户还可以使用进度条进行评分,进度条根据不同的长度显示不同的颜色,然后通过系统后台转换成数值,得到需要的评分等等不同的评分方法。
上述流程又可以表述为:根据同一个用户对各个第一视频的评分,确定该同一个用户对应的评分阈值,该第一视频为该同一个用户已评分的视频;根据视频的特征向量,确定各个第二视频与各个第一视频之间的相似度,该第二视频为上述同一个用户未评分的视频;根据各个第二视频与各个第一视频之间的相似度,分别预测上述同一个用户对各个第二视频的评分;向上述同一用户推荐评分符合预定条件的第二视频。
其中,上述同一个用户对各个第二视频的评分,体现了上述同一个用户对各个第二视频的喜好程度,第二视频与评分高于上述评分阈值的各个第一视频之间的相似度的第一统计值越大,上述第二视频的评分越高,第二视频与评分低于上述评分阈值的各个第一视频之间的相似度的第二统计值越大,上述第二视频的评分越低。
本发明实施例提供的用于显示装置的视频推荐方法,。
本一方面,根据同一评价主体对各个第一视频(该评价主体已评价的视频)的评价值,确定同一评价主体对应的评价值阈值;另一方面,根据视频的特征向量,确定各个第二视频(该评价主体未评价的视频)与各个第一视频之间的相似度。进而,可以根据各个第二视频与第一视频的相似度,分别预测同一评价主体对各个第二视频的评分。其中,由于视频的特征向量反映了视频的内在特性,根据视频的特征向量计算视频之间的相似度,能够体现出两个视频之间的内在关联。并且,每个视频(无论是否被评价)均存在特征向量,因此,基于特征向量可以计算出任意两个视频之间的相似度,克服了现有技术当两个用户之间的选择重叠非常小(数据稀疏)时无法计算相似度的问题。在此基础上,当第二视频与更多的评价值高于评价值阈值的第一视频相似时,可以推断出评价主体对其喜好程度也较高,相应的给其较高的预测评价值;反之,给其较低的预测评价值。可见,在对第二视频进行评价值预测时,评价值高于评价值阈值的第一视频与评价值低于评价值阈值的第一视频会对第二视频的评分产生相反的影响。具体的,第二视频与评价值高于所述评价值阈值的各个第一视频之间的相似度的第一统计值越大,表明该第二视频与评价值高于所述评价值阈值的各个第一视频更相似,基于评价主体对一个视频的评价值高,那么对该视频相似的其他视频的评价值也会较高的假设,可以推断该第二视频的评价值也会较高;反之第二视频与评价值低于所述评价值阈值的各个第一视频之间的相似度的第一统计值越大,可以推断该第二视频的评价值也会较低。可见,本发明实施例提供的技术方案可以更为准确地对第二视频进行评价值预测。在准确对第二视频进行评价值预测的基础上,能够准确为评价主体推送其感兴趣的第二视频,可以提升视频推荐系统的性能。
发明实施例中,根据上述各个第一视频的来源于同一评价主体的评价值,确定评价值阈值,包括:
确定上述各个第一视频的来源于同一评价主体的评价值的平均值作为上述评价值阈值。
本发明实施例中,将评价主体的平价值均值作为评价值阈值,那么该评价值阈值能够更准确地反映评价主体的评价习惯,使得后续的预测评价值更准确。
确定评价值阈值时也可以人为设定评价值阈值;或者将评价值均值做加权后作为评价值阈值。
本发明实施例中,同一评价主体对应的平价值均值可以用该评价主体对各个第一视频评价值的加和除以第一视频的数目得到;当该评价主体对第一视频重复评价时,只计算一次并按最近的一次评价值记录加和。
本发明实施例中,上述根据各个第二视频与各个第一视频之间的相似度,分别预测各个第二视频的评价值,进一步包括:
根据评价值高于上述评价值阈值的第一视频的数量,确定上述第一统计值的权重,评价值高于上述评价值阈值的第一视频的数量越大,上述第一统计值的权重越大;
根据评价值低于上述评价值阈值的第一视频的数量,确定上述第二统计值的权重,评价值低于上述评价值阈值的第一视频的数量越大,上述第二统计值的权重越大。
本发明实施例中,以160维的特征向量为例,第一视频中高于评分阈值的视频J的特征向量可用表示,第一视频中低于评分阈值的视频K的特性向量可用表示,第二视频I的特征向量可用表示。
在此基础上,第二视频I与第一视频的相似度可记作sim。其中,以第二视频I与第一视频J的相似度sim为例,其可表示为:sim=qi1pj1+qi2pj2+...+qi160pj160。应当指出的是,本发明不对相似度的表达式进行限制,实际应用中也可以使用其它方式计算相似度。
在此基础上,以用户u作为评价主体为例,其对第二视频中I的评分r预测如下:
其中,即为第二视频I与用户u给出的评分高于评分阈值的其中一个第一视频的相似度(sim),即为第二视频I与用户u给出的评分高于评分阈值的各个第一视频的相似度之和,即上述第一统计值;即为第二视频I与用户u给出的评分低于评分阈值的其中一个第一视频的相似度(sim),即为第二视频I与用户u给出的评分低于评分阈值的各个第一视频的相似度之和,即上述第二统计值;R(u+)是用户u给出的评分中高于评分阈值的第一视频的集合,其绝对值表示该集合中第一视频的数量,|R(u)+|-0.5即为上述第一统计值的权重;R(u-)是用户u给出的评分低于评分阈值的第一视频的集合,其绝对值表示该集合中第一视频的数量,|R(u)-|-0.6即为上述第二统计值的权重。
应当指出的是,上述仅为对第二视频进行评分预测的公式举例。在实际应用过程中,还可以有其他计算方式,本发明不作限定。
本发明实施例中,上述根据各个第二视频与各个第一视频之间的相似度,分别预测各个第二视频的评价值之前,该方法还包括:
将各个第一视频划分为两类,其中一类第一视频的评价值高于上述评价值阈值,另一类第一视频的评价值低于上述评价值阈值。
也就是说,将第一视频划分为两个集合,评价值高于评价值阈值的第一视频构成正例集合,评价值低于评价值阈值的第一视频构成负例集合。
如果不对第一视频进行分类,在对第二视频估计评价值时,需要获取第二视频与每个第一视频的相似度,并判断相应的第一视频的评分是否高于评价值阈值,以计算上述第一统计值或第二统计值。其处理效率较低。但如果对第一视频划分类别,只需要将第二视频与正例集合中的各个第一视频的相似度进行加和即可得到第一统计值,相应的,只需要将第二视频与负例集合中的各个第一视频的相似度进行加和即可得到第二统计值,提高了处理速度,降低了复杂度,得出的结果更加精准。
本发明实施例中,向上述评价主体推送评价值符合预定条件的第二视频,包括:按照评价值降序,向上述评价主体推送预定数量的第二视频;或者,向上述评价主体推送评价值高于上述评价值阈值的第二视频。
下面结合具体应用场景,对本发明实施例提供的技术方案进行详细说明。
在该应用场景中,智能电视的推荐系统按照本发明实施例提供的技术方案为用户推荐电影。相应的,本实施例中,第一视频即为用户已评分的电影。
以评分为0至5之间的整数这样的数据库为例,首先,根据数据库中的信息导出“用户-电影”的打分矩阵,如下表1所示,所有的评分都是整数并在【0,5】区间,“-”代表用户没有观看过此电影;该数据库中,每个用户与每部电影分别分配不同的ID。
表1
电影ID 1 | 电影ID 2 | 电影ID 3 | 电影ID 4 | 电影ID 5 | |
用户ID 1 | 4 | - | 5 | - | 3 |
用户ID 2 | 3 | 2 | - | 5 | 2 |
用户ID 3 | - | - | 4 | 3 | 4 |
用户ID 4 | 3 | 3 | - | 4 | 3 |
应当指出的是,表1仅例举出部分用户和部分电影,实际的打分矩阵包含更多的用户和更多的电影。
然后分别计算各个用户对已观看电影打分的平均分,本发明实施例中,用户对已观看电影打分的平均分=该用户观看的所有电影评分的加和/观看电影数目,当用户重复对电影打分时只计算一次并按最近的一次评分记录加和,结果取小数点后两位,如表2所示。
表2
用户ID 1 | 用户ID 2 | 用户ID 3 | 用户ID 4 | |
平均分 | 4 | 3 | 3.67 | 3.25 |
计算出平均分后,对用户观看的电影进行归类,根据电影的评分是否高于平均分,将电影分别归入正例和负例两个互斥的集合内,如表3所示。
表3
正例集合 | 负例集合 | |
用户ID 1 | 【电影ID 1,电影ID 3】 | 【电影ID 5】 |
用户ID 2 | 【电影ID 1,电影ID 4】 | 【电影ID 2,电影ID 5】 |
用户ID 3 | 【电影ID 3,电影ID 5】 | 【电影ID 4】 |
用户ID 4 | 【电影ID 4】 | 【电影ID 1,电影ID 2,电影ID 5】 |
对上述打分矩阵进行UV分解,利用梯度下降方法,对每个电影的属性迭代学习其潜在特征,直至数据收敛,最终得到每个电影的特征向量。
本实施例中,每个电影都会得到一个独有的特征向量(维度均取160),即隐式反馈,其中,未评分的电影I,其特征向量用表示,例如,对于用户ID1而言,电影ID2的特征向量已评分的电影根据分类,正例集合中的电影J的特征向量(简称正例反馈)用表示,负例集合中的电影K的特征向量(简称负例反馈)用表示,例如,对于用于ID1而言,电影ID1的特征向量电影ID3的特征向量电影ID5的特征向量
根据以下方式分别计算电影I与已评分电影J之间的相似度(sim):sim=qi1pj1+qi2pj2+...+qi160pj160。例如,对于用户ID1而言,电影ID2与电影ID1之间的相似度sim=1×1+0×0+0×1+1×1+1×0+1×0+...+1×0=50,电影ID2与电影ID3之间的相似度sim=1×1+0×0+0×1+1×1+1×0+1×0+...+1×1=65,电影ID2与电影ID5之间的相似度sim=1×1+0×0+0×0+1×0+1×1+1×1+...+1×1=79。
其中,计算该电影I与正例集合中所有电影的相似度加和作为积极反馈,所谓积极反馈就是该电影I与评分高于平均分的各个已评分电影之间的相似度的第一统计值,用Σsimij表示,作为积极反馈促进预期评分,例如,对于用户ID1而言,电影ID2与正例集合中所有电影的相似度加和为115;同理,计算该电影I与负例集合中所有电影的相似度加和作为消极反馈,所谓消极反馈就是该电影与评分低于评分阈值的各个已评分电影之间的相似度的第二统计值,用Σsimik表示,作为消极反馈降低预期评分,例如,对于用户ID1而言,电影ID2与负例集合中所有电影的相似度加和为79。
结合上述积极反馈与消极反馈,即正负因子,未评分电影和较多的正例相似,那么本方法也会预测它的分值会偏高,在公式中表现为加上该部分的相似度,使之排序位置靠前,相同的,它和较多的负例高度相似,那么减去消极反馈的相似度削弱其预期评分,从而排名靠后,排除或者过滤掉这些电影。因此,用户u对电影i的评分预测如下:
例如,用户ID1对电影ID2的评分预测为:
最后利用上述公式预测当前用户对未观看电影的评分,根据评分高低给出预测的前20的推荐列表,其中排名越靠前的电影,推断用户越喜欢。
上述流程以智能电视的推荐系统为用户推荐电影为例进行说明。本发明实施例还可以应用于其他显示装置中,例如平板电脑、个人电脑(PC)、手机等等,且不仅可以为用户推荐电影,还可以为用户推荐其他视频,例如电视剧等。
基于与方法同样的发明构思,本发明实施例还提供一种显示装置,该显示装置可以但不仅限于是智能电视、平板电脑、PC、手机等等,如图2所示,该显示装置包括:
评价值阈值确定模块201,用于根据获取的各个第一视频的来源于同一评价主体的评价值,确定评价值阈值;
相似度确定模块202,用于根据视频的特征向量,确定各个第二视频与各个第一视频之间的相似度,上述第二视频为没有来源于上述评价主体的评价值的视频;
评价值预测模块203,用于根据各个第二视频与各个第一视频之间的相似度,分别预测各个第二视频的评价值,其中,第二视频与评价值高于上述评价值阈值的各个第一视频之间的相似度的第一统计值越大,上述第二视频的评价值越高,第二视频与评分低于上述评价值阈值的各个第一视频之间的相似度的第二统计值越大,上述第二视频的评价值越低;
视频推荐模块204,用于向所述评价主体推送评价值符合预定条件的第二视频。
本发明实施例提供的显示装置,一方面,根据同一评价主体对各个第一视频(该评价主体已评价的视频)的评价值,确定同一评价主体对应的评价值阈值;另一方面,根据视频的特征向量,确定各个第二视频(该评价主体未评价的视频)与各个第一视频之间的相似度。进而,可以根据各个第二视频与第一视频的相似度,分别预测同一评价主体对各个第二视频的评分。其中,由于视频的特征向量反映了视频的内在特性,根据视频的特征向量计算视频之间的相似度,能够体现出两个视频之间的内在关联。并且,每个视频(无论是否被评价)均存在特征向量,因此,基于特征向量可以计算出任意两个视频之间的相似度,克服了现有技术当两个用户之间的选择重叠非常小(数据稀疏)时无法计算相似度的问题。在此基础上,当第二视频与更多的评价值高于评价值阈值的第一视频相似时,可以推断出评价主体对其喜好程度也较高,相应的给其较高的预测评价值;反之,给其较低的预测评价值。可见,在对第二视频进行评价值预测时,评价值高于评价值阈值的第一视频与评价值低于评价值阈值的第一视频会对第二视频的评分产生相反的影响。具体的,第二视频与评价值高于所述评价值阈值的各个第一视频之间的相似度的第一统计值越大,表明该第二视频与评价值高于所述评价值阈值的各个第一视频更相似,基于评价主体对一个视频的评价值高,那么对该视频相似的其他视频的评价值也会较高的假设,可以推断该第二视频的评价值也会较高;反之第二视频与评价值低于所述评价值阈值的各个第一视频之间的相似度的第一统计值越大,可以推断该第二视频的评价值也会较低。可见,本发明实施例提供的技术方案可以更为准确地对第二视频进行评价值预测。在准确对第二视频进行评价值预测的基础上,能够准确为评价主体推送其感兴趣的第二视频,可以提升视频推荐系统的性能。
可选的,基于上述任意实施例,为了根据上述各个第一视频的来源于同一评价主体的评价值,确定评价值阈值,上述评价值阈值确定模块用于:
确定上述各个第一视频的来源于同一评价主体的评价值的平均值作为所述评价值阈值。
可选的,基于上述任意实施例,评价值预测模块进一步用于:
根据评价值高于上述评价值阈值的第一视频的数量,确定上述第一统计值的权重,评价值高于上述评价值阈值的第一视频的数量越大,上述第一统计值的权重越大;
根据评价值低于上述评价值阈值的第一视频的数量,确定上述第二统计值的权重,评价值低于上述评价值阈值的第一视频的数量越大,上述第二统计值的权重越大。
可选的,基于上述任意实施例,该装置还包括:
视频分类模块,用于上述根据各个第二视频与各个第一视频之间的相似度,分别预测各个第二视频的评价值之前,将各个第一视频划分为两类,其中一类第一视频的评价值高于上述评价值阈值,另一类第一视频的评价值低于上述评价值阈值。
可选的,基于上述任意实施例,向上述评价主体推送评价值符合预定条件的第二视频,上述视频推荐模块,用于:
按照评价值降序,向上述评价主体推送预定数量的第二视频;或者,向上述目标评价主体推送评价值高于上述评价值阈值的第二视频。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种用于显示装置的视频推荐方法,其特征在于,包括:
根据获取的各个第一视频的来源于同一评价主体的评价值,确定评价值阈值;并根据视频的特征向量,确定各个第二视频与所述各个第一视频之间的相似度,所述第二视频为没有来源于所述评价主体的评价值的视频,所述视频的特征向量为视频的隐性特征;
根据所述各个第二视频与所述各个第一视频之间的相似度,分别预测所述各个第二视频的评价值,其中,所述第二视频与评价值高于所述评价值阈值的各个第一视频之间的相似度的第一统计值越大,所述第二视频的评价值越高,所述第二视频与评价值低于所述评价值阈值的各个第一视频之间的相似度的第二统计值越大,所述第二视频的评价值越低;
向所述评价主体推送评价值符合预定条件的第二视频。
2.根据权利要求1所述的方法,其特征在于,所述根据获取的各个第一视频的来源于同一评价主体的评价值,确定评价值阈值,包括:
确定所述各个第一视频的来源于同一评价主体的评价值的平均值作为所述评价值阈值。
3.根据权利要求1或2所述的方法,其特征在于,所述根据所述各个第二视频与所述各个第一视频之间的相似度,分别预测所述各个第二视频的评价值,进一步包括:
根据评价值高于所述评价值阈值的第一视频的数量,确定所述第一统计值的权重,评价值高于所述评价值阈值的第一视频的数量越大,所述第一统计值的权重越大;
根据评价值低于所述评价值阈值的第一视频的数量,确定所述第二统计值的权重,评价值低于所述评价值阈值的第一视频的数量越大,所述第二统计值的权重越大。
4.根据权利要求1或2所述的方法,其特征在于,所述根据所述各个第二视频与所述各个第一视频之间的相似度,分别预测所述各个第二视频的评价值之前,该方法还包括:
将所述各个第一视频划分为两类,其中一类第一视频的评价值高于所述评价值阈值,另一类第一视频的评价值低于所述评价值阈值。
5.根据权利要求1或2所述的方法,其特征在于,向所述评价主体推送评价值符合预定条件的第二视频,包括:
按照评价值降序,向所述评价主体推送预定数量的第二视频;或者,
向所述评价主体推送评价值高于所述评价值阈值的第二视频。
6.一种显示装置,其特征在于,包括:
评价值阈值确定模块,用于根据获取的各个第一视频的来源于同一评价主体的评价值,确定评价值阈值;
相似度确定模块,用于根据视频的特征向量,确定各个第二视频与所述各个第一视频之间的相似度,所述第二视频为没有来源于所述评价主体的评价值的视频,所述视频的特征向量为视频的隐性特征;
评价值预测模块,用于根据所述各个第二视频与所述各个第一视频之间的相似度,分别预测所述各个第二视频的评价值,其中,所述第二视频与评价值高于所述评价值阈值的各个第一视频之间的相似度的第一统计值越大,所述第二视频的评价值越高,所述第二视频与评分低于所述评价值阈值的各个第一视频之间的相似度的第二统计值越大,所述第二视频的评价值越低;
视频推荐模块,用于向所述评价主体推送评价值符合预定条件的第二视频。
7.根据权利要求6所述的显示装置,其特征在于,为了根据所述各个第一视频的来源于同一评价主体的评价值,确定评价值阈值,所述评价值阈值确定模块用于:
确定所述各个第一视频的来源于同一评价主体的评价值的平均值作为所述评价值阈值。
8.根据权利要求6或7所述的显示装置,其特征在于,评价值预测模块进一步用于:
根据评价值高于所述评价值阈值的第一视频的数量,确定所述第一统计值的权重,评价值高于所述评价值阈值的第一视频的数量越大,所述第一统计值的权重越大;
根据评价值低于所述评价值阈值的第一视频的数量,确定所述第二统计值的权重,评价值低于所述评价值阈值的第一视频的数量越大,所述第二统计值的权重越大。
9.根据权利要求6或7所述的显示装置,其特征在于,该装置还包括:
视频分类模块,用于根据所述各个第二视频与所述各个第一视频之间的相似度,分别预测所述各个第二视频的评价值之前,将所述各个第一视频划分为两类,其中一类第一视频的评价值高于所述评价值阈值,另一类第一视频的评价值低于所述评价值阈值。
10.根据权利要求6或7所述的显示装置,其特征在于,为了向所述评价主体推荐评价值符合预定条件的第二视频,所述视频推荐模块,用于:
按照评价值降序,向所述评价主体推送预定数量的第二视频;或者,
向所述评价主体推送评价值高于所述评价值阈值的第二视频。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510666006.7A CN105260458A (zh) | 2015-10-15 | 2015-10-15 | 一种用于显示装置的视频推荐方法及显示装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510666006.7A CN105260458A (zh) | 2015-10-15 | 2015-10-15 | 一种用于显示装置的视频推荐方法及显示装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105260458A true CN105260458A (zh) | 2016-01-20 |
Family
ID=55100148
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510666006.7A Pending CN105260458A (zh) | 2015-10-15 | 2015-10-15 | 一种用于显示装置的视频推荐方法及显示装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105260458A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108205775A (zh) * | 2016-12-20 | 2018-06-26 | 阿里巴巴集团控股有限公司 | 一种业务对象的推荐方法、装置和客户端 |
CN108429865A (zh) * | 2017-02-13 | 2018-08-21 | 中国移动通信集团广东有限公司 | 一种产品推荐处理方法及装置 |
CN110598045A (zh) * | 2019-09-06 | 2019-12-20 | 腾讯科技(深圳)有限公司 | 视频推荐方法、装置 |
CN107423262B (zh) * | 2017-08-10 | 2020-10-09 | 四川长虹电器股份有限公司 | 基于第三方数据评估自主推荐算法产出结果的方法 |
CN112912915A (zh) * | 2020-03-31 | 2021-06-04 | 浙江核新同花顺网络信息股份有限公司 | 一种当前页面信息刷新方法和系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1364379A (zh) * | 2000-03-17 | 2002-08-14 | 皇家菲利浦电子有限公司 | 评价数据库对象的方法和装置 |
CN103347197A (zh) * | 2013-07-15 | 2013-10-09 | 中国科学院自动化研究所 | 基于dct系数的压缩域视频拷贝盲检测方法 |
CN103514255A (zh) * | 2013-07-11 | 2014-01-15 | 江苏谐云智能科技有限公司 | 一种基于项目层次类别的协同过滤推荐方法 |
CN103902729A (zh) * | 2014-04-14 | 2014-07-02 | 广州金山网络科技有限公司 | 一种应用程序推荐的方法及装置 |
-
2015
- 2015-10-15 CN CN201510666006.7A patent/CN105260458A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1364379A (zh) * | 2000-03-17 | 2002-08-14 | 皇家菲利浦电子有限公司 | 评价数据库对象的方法和装置 |
CN103514255A (zh) * | 2013-07-11 | 2014-01-15 | 江苏谐云智能科技有限公司 | 一种基于项目层次类别的协同过滤推荐方法 |
CN103347197A (zh) * | 2013-07-15 | 2013-10-09 | 中国科学院自动化研究所 | 基于dct系数的压缩域视频拷贝盲检测方法 |
CN103902729A (zh) * | 2014-04-14 | 2014-07-02 | 广州金山网络科技有限公司 | 一种应用程序推荐的方法及装置 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108205775A (zh) * | 2016-12-20 | 2018-06-26 | 阿里巴巴集团控股有限公司 | 一种业务对象的推荐方法、装置和客户端 |
CN108429865A (zh) * | 2017-02-13 | 2018-08-21 | 中国移动通信集团广东有限公司 | 一种产品推荐处理方法及装置 |
CN108429865B (zh) * | 2017-02-13 | 2020-10-16 | 中国移动通信集团广东有限公司 | 一种产品推荐处理方法及装置 |
CN107423262B (zh) * | 2017-08-10 | 2020-10-09 | 四川长虹电器股份有限公司 | 基于第三方数据评估自主推荐算法产出结果的方法 |
CN110598045A (zh) * | 2019-09-06 | 2019-12-20 | 腾讯科技(深圳)有限公司 | 视频推荐方法、装置 |
CN112912915A (zh) * | 2020-03-31 | 2021-06-04 | 浙江核新同花顺网络信息股份有限公司 | 一种当前页面信息刷新方法和系统 |
WO2021195922A1 (zh) * | 2020-03-31 | 2021-10-07 | 浙江核新同花顺网络信息股份有限公司 | 一种当前页面信息刷新方法和系统 |
US11971934B2 (en) | 2020-03-31 | 2024-04-30 | Hithink Royalflush Information Network Co., Ltd. | Methods and systems for refreshing current page information |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105335519B (zh) | 模型生成方法及装置、推荐方法及装置 | |
CN111797321B (zh) | 一种面向不同场景的个性化知识推荐方法及系统 | |
EP3862893A1 (en) | Recommendation model training method, recommendation method, device, and computer-readable medium | |
WO2017181612A1 (zh) | 个性化视频推荐方法及装置 | |
CN108805598B (zh) | 相似度信息确定方法、服务器及计算机可读存储介质 | |
CN109360057B (zh) | 信息推送方法、装置、计算机设备及存储介质 | |
EP4181026A1 (en) | Recommendation model training method and apparatus, recommendation method and apparatus, and computer-readable medium | |
CN105260458A (zh) | 一种用于显示装置的视频推荐方法及显示装置 | |
US11544751B2 (en) | Quotation method executed by computer, quotation device, electronic device and storage medium | |
CN105809473B (zh) | 匹配模型参数的训练方法、服务推荐方法及对应装置 | |
CN111652378B (zh) | 学习来选择类别特征的词汇 | |
CN109409928A (zh) | 一种素材推荐方法、装置、存储介质、终端 | |
US20150356658A1 (en) | Systems And Methods For Serving Product Recommendations | |
CN110489574B (zh) | 一种多媒体信息推荐方法、装置和相关设备 | |
CN107918778B (zh) | 一种信息匹配方法及相关装置 | |
CN109460519B (zh) | 浏览对象推荐方法及装置、存储介质、服务器 | |
CN111310038B (zh) | 信息推荐方法、装置、电子设备及计算机可读存储介质 | |
CA3062119A1 (en) | Method and device for setting sample weight, and electronic apparatus | |
CN107203558B (zh) | 对象推荐方法和装置、推荐信息处理方法和装置 | |
CN105654198A (zh) | 具有最优阈值筛选的品牌广告效果优化的方法 | |
CA3059929A1 (en) | Text searching method, apparatus, and non-transitory computer-readable storage medium | |
CN111797319B (zh) | 推荐方法、装置、设备及存储介质 | |
CN105580043A (zh) | 用于推荐系统的基于强度的建模 | |
CN111339435A (zh) | 一种基于潜在因子的矩阵分解补全混合推荐方法 | |
CN113449200B (zh) | 物品推荐方法、装置及计算机存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160120 |
|
RJ01 | Rejection of invention patent application after publication |