CN105338408B - 基于时间因子的视频推荐方法 - Google Patents

Abstract

本发明提供了一种基于时间因子的视频推荐方法，通过采集用户对视频的操作评分信息，并且记录下每次操作的时间，构造出相应的“用户‑视频”评分矩阵，分别通过时间跨度、时间序列、时间周期等三个不同时间角度，对用户的操作行为进行分析，从而建立用户的兴趣模型，其中：(1)时间跨度：距离上次观看视频的时间跨度越大，用户对该视频的兴趣就会越小；(2)时间序列：用户观看视频的顺序意味着视频之间存在内在联系；(3)时间周期：用户对视频的视频并不仅仅一次，每一次都对下一次产生影响；最后系统根据用户最近的兴趣所在向用户推荐感兴趣的视频。本发明综合考虑了时间的各个角度，所构建出的兴趣模型能够较好地适应用户兴趣偏移。

Description

基于时间因子的视频推荐方法

技术领域

本发明涉及推荐方法领域，具体涉及一种基于时间因子的视频推荐方法。

背景技术

随着视频技术的发展，每天都有大量如动画、电影、电视剧、综艺节目等视频产生，同时随着互联网技术的发展，为人们提供了更加便利的途径来观看数量庞大的视频。YouTube、优酷等视频网站每时每刻都有当量的视频片段上传，视频的信息过载问题变得越来越明显，导致人们无法快速地从中获取符合自己喜好的视频。为了应对这一问题，视频推荐方法应运而生，并且已经成为当前解决音乐领域信息过载问题非常有潜力的方法。

视频推荐方法本质上是一种信息过滤系统，其通过对用户历史行为习惯、用户社会关系以及用户所处环境等因素的分析，帮助用户从不断增长的数据中过滤掉那些不必要的信息，从而为用户推荐符合其喜好和习惯的视频。同时使用视频推荐方法还具有以下好处：(1)提高当前网页的浏览者的观看欲望，从而将其转化为视频消费者；(2)对系统用户数据进行深度挖掘，可以开拓更多的用户需求；(3)不断提高客户满意度，使用户对网站形成依附性。

目前视频推荐方法里应用最广泛的是协同过滤技术，它主要是利用已有用户群的过去的视频观看行为预测当前用户感兴趣的视频，它可以把被推荐项目中难以让机器理解的资讯过滤掉，减少不必要信息的影响；可以为用户推荐一些新奇的视频，发现用户潜在的兴趣偏好；自动化程度高，能够有效使用系统提供的各种信息。

虽然协同过滤推荐算法能够为用户提供一些推荐，但现有的技术仍存在一些问题。这主要表现在以下几点：1、系统数据较为稀疏，无法准确找到与用户兴趣相同的用户，从而进行协同推荐；2、用户的兴趣是不断变化的，推荐的 视频能匹配用户的整体兴趣，但无法适配用户的当前兴趣；3、视频并不同于其他物品，对于同一个视频，用户存在着回顾等多次观看行为，因此在推荐新视频的同时，旧的视频按照用户的观看记录也可进行推荐。

发明内容

本发明所要解决的技术问题是提供一种基于时间因子的视频推荐方法，在能够适应系统数据稀疏性的同时，能够更好的为用户推荐符合其当前兴趣的视频，提高推荐方法的准确性。

本发明为了解决上述技术问题所采用的技术方案为：

一种基于时间因子的视频推荐方法，包含以下步骤：

1)采集规范的用户对视频的评分数据；

2)从时间跨度、时间序列、时间周期等角度进行用户当前兴趣分析；

3)对每一个视频进行评分预测，查找评分最高的N个视频并对用户进行推荐。

本发明的有益效果是：在传统协同过滤推荐方法的基础上，考虑进了时间因子，所推荐的视频能够更符合用户当前兴趣。在推荐新视频的同时，旧的视频也可推荐给用户，满足了用户视频回顾、收藏观看等请求。本发明的视频推荐方法综合考虑了时间的各个角度，所构建出的兴趣模型能够较好地适应用户兴趣偏移。

应当理解，前述构思以及在下面更加详细地描述的额外构思的所有组合只要在这样的构思不相互矛盾的情况下都可以被视为本公开的发明主题的一部分。另外，所要求保护的主题的所有组合都被视为本公开的发明主题的一部分。

结合附图从下面的描述中可以更加全面地理解本发明教导的前述和其他方面、实施例和特征。本发明的其他附加方面例如示例性实施方式的特征和/或有益效果将在下面的描述中显见，或通过根据本发明教导的具体实施方式的实践中得知。

附图说明

附图不意在按比例绘制。在附图中，在各个图中示出的每个相同或近似相同的组成部分可以用相同的标号表示。为了清晰起见，在每个图中，并非每个组成部分均被标记。现在，将通过例子并参考附图来描述本发明的各个方面的实施例，其中：

图1是说明根据本发明某些实施例的给予时间因子的视频推荐方法的流程图。

图2是说明根据本发明某些实施例的时间因子与用户兴趣的关系图。

具体实施方式

为了更了解本发明的技术内容，特举具体实施例并配合所附图式说明如下。

在本公开中参照附图来描述本发明的各方面，附图中示出了许多说明的实施例。本公开的实施例不必定意在包括本发明的所有方面。应当理解，上面介绍的多种构思和实施例，以及下面更加详细地描述的那些构思和实施方式可以以很多方式中任意一种来实施，这是因为本发明所公开的构思和实施例并不限于任何实施方式。另外，本发明公开的一些方面可以单独使用，或者与本发明公开的其他方面的任何适当组合来使用。

下面结合附图，对本发明的一些示范性实施例加以说明。

根据本发明的实施例，提出一种基于时间因子的视频推荐方法，以克服现有视频推荐方法数据稀疏，无法适应用户兴趣偏移等问题。结合图1所示，该方法的实现大致包括以下3个步骤：

1)采集规范的用户对视频的评分数据；

2)从时间跨度、时间序列、时间周期等角度进行用户当前兴趣分析；

3)对每一个视频进行评分预测，查找评分最高的N个视频并对用户进行推荐。

上述方法中，所述步骤1)具体为：

11)获取用户的显式评分，用户对视频的显式评分区间为1-5分，value将直接存储用户的显式评分，若无评分则value为0分；

12)获取用户的隐式反馈，若用户观看了视频，但没有对视频进行显式评分，则value应为4分；若用户对视频进行收藏或者分享时，说明用户很有可能对该视频很感兴趣，则value应为4分。

13)以四元组(user，video，value，timestamp)的形式存储用户的行为，其中，user表示用户，video表示视频，value表示用户user对视频video的评分，timestamp表征用户user对视频video评分的时刻。

14)综合用户评分数据，构建相应的“用户-视频”评分矩阵。

如图2的时间因子与用户兴趣的关系图所示，上述方法中，所述步骤2)具体为：

21)从时间跨度进行用户当前兴趣分析，原有的Slop One算法中评分权重并没有考虑时间，都默认为1，随着时间的增加，其他视频的评分权重应该逐渐变小，并且由于不同的系统，用户兴趣变化的周期是不同的，可用评分权重衰退因子α加以调整，如果用户兴趣变化越快，α就会越大。修改评分加权因子：

其中，t为用户对视频i的行为时间，T为给定时间，默认为当前时间。

22)从时间序列角度对用户当前兴趣进行分析。用户在观看完视频A，之后观看视频B，A和B之间很有可能存在某种潜在的关系，可以认为这是一种用户转化能力，可表示为：

其中，t(i)表示用户对视频i进行行为操作的时间。card(S_j,i(R))表示同时含有视频i和视频j的评分集合中视频i的数目，并且用户对视频i的观看时间早于视频j。card(S_i(R))表示观看视频i的用户数。

23)从时间周期角度对用户当前兴趣进行分析。视频不同于其他商品，人们存在着回顾操作，因此在计算评分权重时，在考虑其他视频对该视频的影响，还要考虑该视频原来的观看记录对该视频的影响。

24)综合各角度的分析，得到评分权重的计算公式如下：

上述方法中，所述步骤3)具体为：

31)将视频的评分权重从大到小逐一排序；

32)忽略评分权重在中值以下的视频评分记录，以防止误差引入，利用剩下的视频评分记录对该视频进行预测评分，公式如下：

33)逐一对系统中的所有视频进行按照步骤31)和步骤32)评分预测；

34)对所有视频的预测评分从大到小逐一排序，并选择评分最高的N个视频推荐给用户。由于在进行评分预测的时候，是对所有视频进行评分预测的，这样在可以推荐新的视频的同时，还可以将旧的视频再一次推荐给用户，并根据用户的评分可以进行动态安排，保证推荐给用户的视频符合用户的最新兴趣。

虽然本发明已以较佳实施例揭露如上，然其并非用以限定本发明。本发明所属技术领域中具有通常知识者，在不脱离本发明的精神和范围内，当可作各种的更动与润饰。因此，本发明的保护范围当视权利要求书所界定者为准。

Claims (1)

1.一种基于时间因子的视频推荐方法，其特征在于，该视频推荐方法包括：

1)采集规范的用户对视频的评分数据；

2)从时间跨度、时间序列、时间周期角度，进行用户当前兴趣分析；

3)对每一个视频进行评分预测，查找评分最高的N个视频并对用户进行推荐；

所述步骤1)具体包括以下步骤：

11)获取用户的显式评分，用户对视频的显式评分区间为1-5分，使用value直接存储用户的显式评分，若无评分则value为0分；

12)获取用户的隐式反馈，若用户观看了视频，但没有对视频进行显式评分，则value为4分；若用户对视频进行收藏或者分享时，说明用户很有可能对该视频很感兴趣，则value为4分；

13)以四元组的形式存储用户的行为，该四元组包括user、video、value、timestamp，其中，user表示用户，video表示视频，value表示用户user对视频video的评分，timestamp表征用户user对视频video评分的时刻；

14)综合用户评分数据，构建相应的“用户-视频”评分矩阵R；

所述步骤2)具体包括以下步骤：

21)从时间跨度进行用户当前兴趣分析，修改视频i的评分加权因子：

其中，α是评分权重衰退因子，α受用户兴趣变化影响，用户兴趣变化越快，α就会越大，t为用户对视频i的行为时间，T为给定时间，默认为当前时间；

22)从时间序列角度对用户当前兴趣进行分析，得到用户转化能力，表示为：

其中，t(i)表示用户对视频i进行行为操作的时间，card(S_j,i(R))表示同时含有视频i和视频j的评分集合中视频i的数目，并且用户对视频i的观看时间早于视频j，card(S_i(R))表示观看视频i的用户数；

23)从时间周期角度对用户当前兴趣进行分析，即考虑若该视频已有评分，考虑原有评分对当前的影响；

24)综合前述三个角度的分析，得到评分权重的计算公式如下：

所述步骤3)具体包括以下步骤：

31)将视频的评分权重从大到小逐一排序；

32)忽略评分权重在中值以下的视频评分记录，以防止误差引入，利用剩下的视频评分记录对该视频进行预测评分，公式如下：

33)逐一对系统中的所有视频进行按照步骤31)和步骤32)评分预测；

34)对所有视频的预测评分从大到小逐一排序，并选择评分最高的N个视频推荐给用户。