CN105430505B - 一种基于组合策略的iptv节目推荐方法 - Google Patents

一种基于组合策略的iptv节目推荐方法 Download PDF

Info

Publication number
CN105430505B
CN105430505B CN201510776098.4A CN201510776098A CN105430505B CN 105430505 B CN105430505 B CN 105430505B CN 201510776098 A CN201510776098 A CN 201510776098A CN 105430505 B CN105430505 B CN 105430505B
Authority
CN
China
Prior art keywords
user
program
matrix
recommendation
score
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.)
Expired - Fee Related
Application number
CN201510776098.4A
Other languages
English (en)
Other versions
CN105430505A (zh
Inventor
李�浩
夏欢
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yunnan University YNU
Original Assignee
Yunnan University YNU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Yunnan University YNU filed Critical Yunnan University YNU
Priority to CN201510776098.4A priority Critical patent/CN105430505B/zh
Publication of CN105430505A publication Critical patent/CN105430505A/zh
Application granted granted Critical
Publication of CN105430505B publication Critical patent/CN105430505B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H04N21/4668—Learning process for intelligent management, e.g. learning user preferences for recommending movies for recommending content, e.g. movies
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H04N21/4667—Processing of monitored end-user data, e.g. trend analysis based on the log file of viewer selections
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/47—End-user applications
    • H04N21/475—End-user interface for inputting end-user data, e.g. personal identification number [PIN], preference data
    • H04N21/4756—End-user interface for inputting end-user data, e.g. personal identification number [PIN], preference data for rating content, e.g. scoring a recommended movie

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Human Computer Interaction (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)

Abstract

本发明提供了一种基于组合策略的IPTV节目推荐方法，数据读取步骤从用户评分数据库读取用户评分数据之后，数据过滤步骤筛选哪些数据归属于哪个推荐步骤；当某节目被用户评分量占总用户量的比例小于参数m时，该节目将使用基于内容的推荐步骤进行推荐，否则将使用协同过滤推荐；推荐结果推送步骤将基于内容的推荐或协同过滤推荐步骤中的N个节目推荐给相应的IPTV用户。

Description

一种基于组合策略的IPTV节目推荐方法
技术领域
本发明涉及通信领域，具体涉及一种基于组合策略的IPTV节目推荐方法。
背景技术
IPTV作为一种新兴的交互式服务技术，在电视节目推荐领域被广泛研究；一开始，面对电视内容信息过载的问题时，大多数系统都是利用电子节目指南(EPG)来解决的，但是单纯使用EPG并不会让人们觉得方便，因为它需要用户不断的进行需求的输入，并且随着电视节目数量的不断增大，电子节目指南(EPG)显得越来越力不从心，于是出现了个人电视节目推荐系统：TV-sout、Multi-agent、P-EPG、基于TV-anytime Metadata的推荐系统、PDPR等。
随着云计算技术的广泛应用，在电视推荐领域中，CPRS和PDPR也都采用了云计算技术，其中CPRS利用用户的人口统计信息使用k-means算法进行聚类，再利用k nearestneighbor(KNN)算法对节目进行分类，但其基于人口统计信息的k-means算法只是使用了用户年龄这一个特征值，所以推荐结果必然是粗糙的；而PDPR系统基于云计算技术收集并分析用户的查看模式(比如使用手机，个人电脑等查看模式)来达到数字电视节目推荐的目的，比如在通讯服务，手机，个人电脑所产生的数据中分析出用户兴趣偏好，其推荐方法依然是基于内容的推荐，具体为分析目标用户对某一节目的观看时间占该节目总时长的比例来确定时间特征值所占的权重值；除去已分析的基于内容推荐的缺点以外，依靠用户观看节目所占时长的比例来确定用户的偏好程度具有很大的不确定性，比如用户可能是开着电视，却做别的事去了，这在生活中非常普遍，或者用户只看了很小一段时间而因为一些事情需要离开，这被系统确定为对该节目有很低的偏好度，然而事实上该用户可能非常喜欢这个节目。
在基于内容的潜语义分析算法，SVD算法，以及基于内容的svd算法中，基于内容的潜语义分析算法在基于内容的算法基础上，额外增加了对节目剧情内容的潜语义分析；SVD算法只是单纯的应用到用户-节目评分矩阵的上；基于内容的SVD算法把SVD分解技术应用在了用户-元数据矩阵W上,W中的元素wci表示节目j对于元数据c的相关度(权值)。上述3个算法，并没有有效结合在一起，而是针对某一类问题(比如冷启动)孤立提出的3种算法，并不能有效地同时解决多种问题。并且单纯的SVD算法在计算稀疏性特别大矩阵时，其推荐质量并不理想。
协同过滤的优点是能够处理多种类型的内容，包括结构化或者非结构化的，比如文本，电影，图像等；不需要用户的配置文件或者物品内容数据；可以推荐与用户过去喜欢的物品不相似的，但用户很有可能喜欢的物品。相应地，协同过滤算法也存在不少问题，冷启动问题和稀疏性问题：
冷启动问题：冷启动问题分为用户冷启动和物品冷启动，用户冷启动是指当一个新用户加入系统后，该新用户并没有任何历史数据而无法获得推荐；物品冷启动是指当一个新物品加入系统后，物品并没有被任何人评价过，而无法被推荐出去。
稀疏性问题：每个用户一般都只对很少的物品作出评价，导致物品被评分量占总的物品量的比例极低，在大型电子商务系统中，用户评分的项目一般不会超过项目总数的1％，这将导致推荐结果质量低下。
基于内容的推荐(content-based recommendation)试图通过推荐那些和用户之前喜欢的物品相似的物品，具体是根据用户的兴趣模型或者用户配置文件对物品内容信息的相似度匹配而得到的，用户配置文件是用户兴趣的一种结构化表示。根据基于内容推荐的特性，知道它并没有稀疏性和物品冷启动问题，但是它的推荐的结果过于定制化，很难发现用户和之前用户喜欢的物品不同的物品，并且会因为推荐对象的类型不同，其特征提取能力而受到限制，比如图像，视频，音乐都没有有效的特征提取方法，而且文本资源的特征提取方法也仅仅只能反映资源的一部分内容。
发明内容
为了解决现有技术中的问题，本发明提供了一种基于组合策略的IPTV节目推荐方法。
本发明的一种基于组合策略的IPTV节目推荐方法，包括以下步骤：
步骤①：数据获取，从用户评分数据库读取用户评分数据；
步骤②：数据过滤，依据所述步骤①的用户评分数据判断，如果当前节目的评分用户数占总用户数的比例小于设定值m时，执行步骤③，否则执行步骤④；
步骤③：基于内容的推荐，基于用户配置文件数据库和节目内容数据库中的用户配置文件和节目内容信息，通过用户ID查找用户配置文件，并使用查找到的用户配置文件构建向量空间模型u；通过节目ID查找节目信息，并使用查找到的节目信息构建向量空间模型p；
然后计算每一个节目向量p和用户模型向量u之间的余弦相似度sim(u,p)，并把相似度最高N个节目作为推荐结果；
步骤④：协同过滤推荐，基于所述步骤②中的用户评分数据，首先构建用户-节目评分矩阵，其次利用基于物品的协同过滤方法将原始用户-节目评分矩阵进行填充，然后把填充后的用户-节目评分矩阵作为奇异值分解技术的输入，通过奇异值分解技术能够将原始用户-节目评分矩阵重新填充从而得到一个无缺失值的用户-节目评分矩阵，最后将无缺失值的用户-节目评分矩阵再次使用基于物品的协同过滤方法预测出原始用户-节目评分矩阵中未评分项的评分，把预测评分值最高的N个节目作为推荐结果；
步骤⑤：推荐结果推送，将所述步骤③和步骤④中的N个节目推荐给相应的IPTV用户。
所述步骤③中的用户配置文件会根据用户评分数据库中的用户评分数据动态更新。
所述步骤③中的余弦相似度sim(u,p)的计算公式如下所列：
其中，u(i)表示用户模型向量u的第i个元素，p(i)表示节目向量p的第i个元素。
本发明相对于现有技术具有以下优点：
1、本发明将基于内容的推荐方法、基于物品的协同过滤方法和奇异值分解技术结合起来，避免了单独使用每个方法或技术带来的问题，使得整体的推荐结果更加科学，有效。
2、本发明中用户配置文件并非静态不变的，而是会依据用户评分数据实时动态更新，这样会有效减少用户配置文件中因用户少填、错填、兴趣变化等原因造成的误差，提高预测效果。
附图说明
图1为本发明的流程示意图。
具体实施方式
以下结合附图，对本发明的一种基于组合策略的IPTV节目推荐方法做进一步的详细说明。
如图1所示，本发明的一种基于组合策略的IPTV节目推荐方法，包括以下步骤：
步骤①：数据获取，从用户评分数据库读取用户评分数据；
步骤②：数据过滤，依据所述步骤①的用户评分数据判断，如果当前节目的评分用户数占总用户数的比例小于设定值m时，执行步骤③，否则执行步骤④；
步骤③：基于内容的推荐，基于用户配置文件数据库和节目内容数据库中的用户配置文件和节目内容信息，通过用户ID查找用户配置文件，并使用查找到的用户配置文件构建向量空间模型u；通过节目ID查找节目信息，并使用查找到的节目信息构建向量空间模型p；然后计算每一个节目向量p和用户模型向量u之间的余弦相似度sim(u,p)，并把相似度最高N个节目作为推荐结果；
步骤④：协同过滤推荐，基于所述步骤②中的用户评分数据，首先构建用户-节目评分矩阵，其次利用基于物品的协同过滤方法将原始用户-节目评分矩阵进行填充，然后把填充后的用户-节目评分矩阵作为奇异值分解技术的输入，通过奇异值分解技术能够将原始用户-节目评分矩阵重新填充从而得到一个无缺失值的用户-节目评分矩阵，最后将无缺失值的用户-节目评分矩阵再次使用基于物品的协同过滤方法预测出原始用户-节目评分矩阵中未评分项的评分，把预测评分值最高的N个节目作为推荐结果；
步骤⑤：推荐结果推送，将所述步骤③和步骤④中的N个节目推荐给相应的IPTV用户。
所述步骤②中的设定值m会根据用户评分数据不断进行优化。
所述步骤③中的用户配置文件会根据用户评分数据库中的用户评分数据动态更新。
所述步骤③中的余弦相似度sim(u,p)的计算公式如下所列：
其中，u(i)表示用户模型向量u的第i个元素，p(i)表示节目向量p的第i个元素。
在基于内容的推荐步骤中，用户通过注册提供显式的兴趣偏好，包括喜欢的节目类型，演员，导演等特征值信息来建立用户兴趣模型并生成用户配置文件。但是考虑到通过显式收集的兴趣偏好并不完全代表用户真正的兴趣取向，主要是因为1，用户本身并不能具体量化每个关键字的重要程度；2，由于用户的惰性可能用户想尽快的完成注册而故意少填错填一些兴趣偏好；3，用户的兴趣变化。基于以上3个原因本发明提出了一种用户兴趣模型动态更新的机制，当用户给某个物品评分的时候，根据用户给该物品的评分信息和该物品的内容信息来更新用户配置文件中相应关键词的权值和相应关键词出现次数，最后通过用户配置文件和物品内容向量模型的相似度匹配完成推荐并把相似度最高N个节目作为基于内容的推荐结果。
在协同过滤推荐步骤中，首先为节目构建用户-节目评分矩阵，其次利用基于物品协同过滤为原始用户-节目评分矩阵进行填充，然后把填充后的用户-节目评分矩阵作为奇异值分解技术的输入，通过奇异值分解技术能够将原始用户-节目评分矩阵重新填充而得到一个无缺失值的用户-节目评分矩阵，最后将无缺失值的用户-节目评分矩阵再次使用基于物品的协同过滤方法预测出原始矩阵中未评分项的评分，把预测评分最高的N个节目，作为协同过滤推荐的推荐结果。基于物品的协同过滤被证明在用户兴趣较为固定的领域中(比如图书，电影，电子商务，电视节目等)比基于用户的方法更有优势。
如图1中数据过滤步骤，它的作用是筛选哪些数据归属于哪个推荐步骤。当某节目被用户评分量占总用户量的比例小于参数m时，该节目将使用基于内容的推荐进行推荐，否则将使用协同过滤推荐。其判断规则的依据是：在相关相似性度量方法中，设物品I被用户所评分的用户集合用UI表示，则在计算物品a和物品b之间的相似性时，需要计算物品a和物品b被用户评分的项目集合的交集Uab:
Uab＝Ua∩Ub
在项目集合Uab上通过相关相似性度量方法计算物品a与物品b之间的相似性。根据基于物品的协同过滤思想，只有在比较多的项目上评分比较相似，那么我们对物品之间的相似性确定才比较高。而我们的用户-节目评分数据极度稀疏，因此集合Uab中的元素非常少，有时候只有几个元素。即使节目在这样的情况下所计算出来的两个物品之间的相识度非常高,我们也不能肯定它们之间的相似性很高。所以某节目被用户评分量占总用户量的比例小于参数m时，该节目与其他节目的共同用户评分量很少的几率将会非常大，参数m将通过实验进行优化。
本发明的一种基于组合策略的IPTV节目推荐方法可以利用EPG的资源内容或者其他内容提供商提供节目内容数据，并提供一个用户交互接口，通过该接口用户可以进行注册，在注册时需要用户提供显式的兴趣偏好，该兴趣偏好将以用户配置文件的形式存储在User Profile数据库，该用户接口还能为具体的电视节目提供显式评分，评分数据会储存在User Rating数据库中，在用户每次为一个节目评分之后，会根据节目内容提供商提供的节目内容信息，对用户配置文件进行更新。这些数据都将会被作为推荐步骤的输入数据。
本发明中基于内容的推荐步骤详细如下：
a)构建向量空间模型：通过用户配置文件数据库根据用户ID查找用户配置文件，通过节目内容数据数据库根据节目ID查找节目内容信息，把用户配置文件与节目内容信息构建为向量空间模型(VSM：Vector Space Model)
b)计算2个向量空间模型的相似度：假设u，p分别代表用户向量与节目向量，i表示向量中第i个元素。公式中展示了如何计算节目向量与用户模型向量的余弦相似度的。
推荐步骤将会计算每一个节目向量与用户向量之间的相似度sim，并把相似度最高N个节目作为基于内容的推荐步骤的推荐结果。
虽然在节目数据过滤中会判断当某节目被用户评分量占总用户量的比例大于等于参数m时，才使用协同过滤推荐，但是参数m不会太高。主要是因为即使用户给一些节目评分了，但是相对于总节目量仍然非常小，也就是说超过m比例时用户-节目评分矩阵仍然非常稀疏，Sarwar等人的实验结果表明奇异值分解(SVD)方法应用于协同过滤时对于稀疏的评分矩阵效果比较好，但是如果评分矩阵过于稀疏，SVD方法的推荐结果并不如基于物品的协同过滤，并且SVD不能处理物品冷启动问题，所以基于内容的推荐步骤是必要的。
当评分矩阵较稠密时，SVD的效果也不如基于物品的协同过滤。本发明的协同过滤推荐步骤结合了SVD与基于物品的协同过滤各自的优点，以特征值递增的方式预测评分。如图1，首先利用SVD的方法来预测未打分项的预测值，得到一个被预测值填充的矩阵，然后用被填充的评分矩阵来计算物品之间的相似度，最后再使用基于物品的协同过滤方法求出原始矩阵中未评分项目的预测值。但是单纯的SVD技术也有自身的缺点，因为在对矩阵进行奇异值分解的时候，要求矩阵不能有空余项，通常的处理方式是把每一列的空余项填充为该列的平均值，但是这种简单的填充方式并不能准确的代表用户对某节目的具体评分值。如果某节目被用户评分量占总用户量的比例大于等于参数m，该节目被准确预测出评分值的可能性就越大，所以把那些被用户评分量占总用户量的比例大于等于参数m的节目首先使用协同过滤技术对原始矩阵的未评分项进行预测填充。由于协同过滤技术的限制并不是所有节目都能被预测出评分，这部分较少的空余项将以该节目所在列的平均评分值填充。详细的处理过程如下：
a)基于物品的协同过滤预测：原始评分矩阵R被定义为一个m×n的矩阵，它代表m个用户在n个物品上的评分，利用基于物品的协同过滤方法，并采用修正的余弦相似度度量方法计算物品值之间的相似度，计算公式如下：
其中表示目标用户u的所有已打评分项目上的评分的平均值,Ru,i表示用户u对节目i的评分值，U表示用户集合。并求出目标用户u对节目j的评分预测值，公式如下：
其中ratedItem(u)代表用户u已评分项的集合，Ru,i代表原始矩阵R中用户u在节目i上的评分，sim(i,j)代表节目i与节目j的相似度。最后利用预测的评分值填充到原始评分矩阵R中得到矩阵Rpre。
b)规范化Rpre矩阵：当某2个节目之间没有共同的用户进行评分那么将无法计算2个节目的相似度，所以矩阵Rpre可能不会被完全填充，若Rpre并没有被完全填充，首先计算出Rpre中的每列平均值然后用每列的平均值填入该列中的空缺项，并且每列的所有评分项再减去目标节目所在行的行平均值Ri从而得到规范化的矩阵Rnorm，进行规范化处理的原因是已评分不同节目数量的用户对相似度计算结果的影响不同，容易造成偏差，规范化为相同长度后，已评分节目数目较多的用户对相似度计算结果的影响降低。
c)SVD计算：用奇异值分解方法分解矩阵Rnorm得到矩阵U，S，V；它们的大小分别为m×m，m×n，n×n；它们之间的关系是Rnorm＝U×S×VT。
d)降维：通过保留矩阵S的k个对角元素来获得一个k×k的矩阵Sk，矩阵U，和矩阵V也相应简化为Uk和Vk；它们的大小分别为m×k和n×k；其中参数k将通过实验不断优化选取。
e)用户和节目在k维空间的表示：m个用户在k维特征空间中表示为n个节目在k维特征空间中表示为
f)SVD预测得分：目标用户u在节目i上的预测得分计算公式为：
其中表示目标用户u的所有已打评分项目上的评分的平均值，代表矩阵的第i列，代表矩阵的第u行，通过预测得分把原始评分矩阵R进行填充，而得到一个无缺失值的评分矩阵Rfilled。矩阵Rfilled只是利用SVD方法预测得到的预测矩阵，并非使用了基于物品的协同过滤方法而得到的矩阵。
g)相似度计算：根据Rfilled利用修正的余弦相似性度量方法计算节目i与节目j的相似度，公式如下：
其中表示目标用户u的所有已打评分项目上的评分的平均值,Ru,i表示用户u对节目i的评分值，U表示用户集合。
h)对原始矩阵生成最终预测评分：求出目标用户u对节目j的评分预测值，公式如下：
其中ratedItem(u)代表用户u已评分项的集合。Ru,i代表原始矩阵R中用户u在节目i上的评分，Sim(i,j)代表节目i与节目j的相似度。
当得到了预测评分之后，把预测评分最高的N个节目，作为协同过滤推荐步骤的推荐结果。
以上所述仅为本发明的较佳实施例而已，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、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (2)

1.一种基于组合策略的IPTV节目推荐方法，其特征在于，包括以下步骤：
步骤①：数据获取，从用户评分数据库读取用户评分数据；
步骤②：数据过滤，依据所述步骤①的用户评分数据判断，如果当前节目的评分用户数占总用户数的比例小于设定值m时，执行步骤③，否则执行步骤④；
步骤③：基于内容的推荐，基于用户配置文件数据库和节目内容数据库中的用户配置文件和节目内容信息，通过用户ID和节目ID分别查找用户配置文件和节目信息，使用查找到的用户配置文件和节目信息分别构建用户向量空间模型和节目向量空间模型；计算每一个节目向量p和用户向量u之间的余弦相似度sim(u,p),并把相似度最高N个节目作为推荐结果；
步骤④：协同过滤推荐，基于所述步骤②中的用户评分数据，首先构建用户-节目评分矩阵，其次利用基于物品的协同过滤方法将原始用户-节目评分矩阵进行填充，然后把填充后的用户-节目评分矩阵作为奇异值分解技术的输入，通过奇异值分解技术能够将原始用户-节目评分矩阵重新填充从而得到一个无缺失值的用户-节目评分矩阵，最后将无缺失值的用户-节目评分矩阵再次使用基于物品的协同过滤方法预测出原始用户-节目评分矩阵中未评分项的评分，把预测评分值最高的N个节目作为推荐结果；
步骤⑤：推荐结果推送，将所述步骤③和步骤④中的N个节目推荐给相应的IPTV用户；
所述步骤③中的余弦相似度sim(u,p)的计算公式如下所列：
其中，u(i)表示用户向量u的第i个元素，p(i)表示节目向量p的第i个元素。
2.如权利要求1所述的一种基于组合策略的IPTV节目推荐方法，其特征在于，所述步骤③中的用户配置文件会根据用户评分数据库中的用户评分数据动态更新。
CN201510776098.4A 2015-11-13 2015-11-13 一种基于组合策略的iptv节目推荐方法 Expired - Fee Related CN105430505B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510776098.4A CN105430505B (zh) 2015-11-13 2015-11-13 一种基于组合策略的iptv节目推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510776098.4A CN105430505B (zh) 2015-11-13 2015-11-13 一种基于组合策略的iptv节目推荐方法

Publications (2)

Publication Number Publication Date
CN105430505A CN105430505A (zh) 2016-03-23
CN105430505B true CN105430505B (zh) 2018-07-03

Family

ID=55508388

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510776098.4A Expired - Fee Related CN105430505B (zh) 2015-11-13 2015-11-13 一种基于组合策略的iptv节目推荐方法

Country Status (1)

Country Link
CN (1) CN105430505B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107194754A (zh) * 2017-04-11 2017-09-22 美林数据技术股份有限公司 基于混合协同过滤的券商产品推荐方法
CN107943932B (zh) * 2017-11-22 2020-06-09 广州虎牙信息科技有限公司 品类推荐方法、存储设备和终端
CN108012162B (zh) * 2017-12-04 2020-12-04 北京小米移动软件有限公司 内容推荐方法及装置
CN108650532B (zh) * 2018-03-22 2020-06-12 中国传媒大学 有线电视点播节目推荐方法及系统
CN108337544A (zh) * 2018-03-30 2018-07-27 华东师范大学 一种基于互联网人工智能学习的遥控电视盒子
CN110210691B (zh) * 2018-04-27 2024-02-06 腾讯科技（深圳）有限公司 资源推荐方法、装置、存储介质及设备
CN108833947A (zh) * 2018-07-18 2018-11-16 广州市诚毅科技软件开发有限公司 一种iptv点播请求的处理方法及装置
CN110351580B (zh) * 2019-07-12 2021-07-13 四川长虹电器股份有限公司 基于非负矩阵分解的电视节目专题推荐方法及系统
CN110430471B (zh) * 2019-07-24 2021-05-07 山东海看新媒体研究院有限公司 一种基于瞬时计算的电视推荐方法和系统
CN112818146B (zh) * 2021-01-26 2022-12-02 山西三友和智慧信息技术股份有限公司 一种基于产品图像风格的推荐方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101763351A (zh) * 2008-12-23 2010-06-30 未序网络科技（上海）有限公司 基于数据融合的视频节目推荐方法
US8275764B2 (en) * 2007-08-24 2012-09-25 Google Inc. Recommending media programs based on media program popularity
CN103093376A (zh) * 2013-01-16 2013-05-08 北京邮电大学 基于奇异值分解算法的聚类协同过滤推荐系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8275764B2 (en) * 2007-08-24 2012-09-25 Google Inc. Recommending media programs based on media program popularity
CN101763351A (zh) * 2008-12-23 2010-06-30 未序网络科技（上海）有限公司 基于数据融合的视频节目推荐方法
CN103093376A (zh) * 2013-01-16 2013-05-08 北京邮电大学 基于奇异值分解算法的聚类协同过滤推荐系统

Also Published As

Publication number Publication date
CN105430505A (zh) 2016-03-23

Similar Documents

Publication Publication Date Title
CN105430505B (zh) 一种基于组合策略的iptv节目推荐方法
US20210027160A1 (en) End-to-end deep collaborative filtering
CN107888950A (zh) 一种推荐视频的方法和系统
Barragáns-Martínez et al. A hybrid content-based and item-based collaborative filtering approach to recommend TV programs enhanced with singular value decomposition
CN101489107B (zh) 一种基于人口属性关键字向量的协作过滤推荐方法
CN104199896B (zh) 基于特征分类的视频相似度确定及视频推荐方法
US20140344103A1 (en) System and methodforpersonalized video recommendation based on user interests modeling
CN101482884A (zh) 一种基于用户偏好评分分布的协作推荐系统
US20140123179A1 (en) Zoomable content recommendation system
CN109982155B (zh) 一种播单推荐方法及系统
CN106686460B (zh) 一种视频节目推荐方法及视频节目推荐装置
CN112507163B (zh) 时长预测模型训练方法、推荐方法、装置、设备及介质
CN105282616A (zh) 一种组合协同过滤iptv节目推荐方法
CN105338408B (zh) 基于时间因子的视频推荐方法
CN111858969B (zh) 多媒体数据推荐方法、装置、计算机设备和存储介质
KR101151176B1 (ko) 메뉴 선호 정보를 이용한 콘텐츠 추천 방법
CN107562848A (zh) 一种视频推荐方法和装置
CN112487300A (zh) 一种视频推荐方法、装置、电子设备及存储介质
CN113221019A (zh) 基于即时学习的个性化推荐方法和系统
CN109640128B (zh) 一种电视用户观看行为特征提取方法及系统
CN108763515B (zh) 一种基于概率矩阵分解的时间敏感个性化推荐方法
CN113852867B (zh) 一种基于核密度估计的节目推荐方法和装置
US10893312B2 (en) Digital content provision
CN110381339B (zh) 图片传输方法及装置
Darvishy et al. New attributes for neighborhood-based collaborative filtering in news recommendation

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
CB03 Change of inventor or designer information

Inventor after: Li Hao

Inventor after: Xia Huan

Inventor before: Xia Huan

Inventor before: Li Hao

CB03 Change of inventor or designer information
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20180703

Termination date: 20181113

CF01 Termination of patent right due to non-payment of annual fee