CN105653535B - 一种媒体资源推荐方法 - Google Patents

Abstract

本发明涉及一种媒体资源推荐方法，获取包括用户个人信息、用户社交网络信息及媒体类别特征的多类型数据，对多类型数据进行预处理；构建用户、媒体、上下文场景数据元组，并将经预处理后的元组数据存储于媒体推荐系统中；根据用户历史行为特征和所处的上下文场景，完成对用户感兴趣的媒体预测，并将媒体预测结果推荐给用户。本发明在结合用户的好友信息及用户消费媒体时所处的上下文场景，在历史数据的基础上得到推荐结果，提高了推荐的准确率。

Description

一种媒体资源推荐方法

技术领域

本发明涉及信息技术领域，具体地说是一种基于张量分解的社交媒体资源推荐方法。

背景技术

当前媒体推荐方法主要有两种。一种是根据用户的历史记录上所涉及的媒体资源，结合物品与物品的相似度高的商品有可能也为同一用户所喜欢的原则，为用户推荐媒体资源；另一种方法是用户主动选择的媒体资源，结合用户的显式反馈和隐式反馈信息，采用协同过滤的方法为用户推荐其可能感兴趣的媒体资源。

这两种方法没有考虑到用户做选择时所受到上下文场景信息的限制，具体包括不同的时间段、地理位置等上下文场景对用户的决策有一定的影响。此外，随着微博、微信等社交网络的广泛应用，用户对于媒体的选择，也在一定程度上受到用户好友关系的影响，尤其是交往程度较为密切的好友，其对用户选择的影响更加明显。而上述的两种推荐方法都没有考虑这两方面，导致其推荐结果的准确性不高，不能够适应于场景的变化和用户好友圈子对用户的影响。

发明内容

为了克服上述技术的不足，本发明提供了一种基于张量分解的社交媒体推荐方法，其能够在有效地利用上下文场景和社交网络等富裕信息的基础上，为用户提供更精准的推荐结果。

本发明为实现上述目的所采用的技术方案是：一种媒体资源推荐方法，包括以下步骤：

步骤1：获取包括用户个人信息、用户社交网络信息及媒体类别特征的多类型数据，对多类型数据进行预处理；

步骤2：构建用户、媒体、上下文场景数据元组，并将经预处理后的元组数据存储于媒体推荐系统中；

步骤3：根据用户历史行为特征和所处的上下文场景，完成对用户感兴趣的媒体预测，并将媒体预测结果推荐给用户。

所述对用户感兴趣的媒体预测过程包括：

用户访问媒体资源，并判断用户如果为新用户，则将当前热门媒体栏目推荐给用户；

否则判断用户个性媒体服务推荐模型是否存在，如果不存在，则为用户构建用户、媒体、上下文场景为基础的张量分解模型，将该模型存储到社交媒体推荐模型数据库中，并结合张量分解算法为用户产生用户感兴趣的媒体资源；

如果用户个性媒体服务推荐模型存在，则判断用户当前所处的上下文场景与模型中的上下文场景是否一致，如果不一致，则更新用户、媒体、上下文场景为基础的张量分解模型，将该模型存储到社交媒体推荐模型数据库中，并结合张量分解算法为用户产生用户感兴趣的媒体资源。

所述张量分解算法包括以下过程：

步骤1：将用户行为特征、媒体资源特征和上下文场景特征数学抽象为一个3维的张量空间，且三个维度分别标记为用户、媒体和上下文场景；

步骤2：将用户在各个场景下的活动次数作为张量中的数字，并对该关系计算差平方并将缺少值补为0；

其中A代表用户特征，B代表媒体特征，C代表用户决策时上下文场景，x代表用户在特定上下文场景中消费媒体的次数；

步骤3：通过CP张量分解和交替最小二乘法，求解

得出X值，从而得出用户感兴趣的媒体资源，其中λ_A,λ_B,λ_C代表参数。

还包括分析用户社交关系，得出用户潜在好友，根据用户社交关系选择媒体，包括以下步骤：

当用户好友列表发生变化时，更新用户社交关系模型，结合用户、媒体、上下文场景和用户社交关系，为用户提供基于社交关系的上下文场景社交媒体推荐结果，同时将该推荐结果存储到数据库中。

所述更新用户社交关系模型包括以下过程：

构建用户社交关系特征矩阵，其中矩阵的行和列为用户编号，矩阵内数值为用户与好友的交流次数；

计算差平方其中，A为用户特征；

求解得出Y值，从而得 出用户对特定好友的交流次数的预测结果，其中Y为交流次数，λ_a为参数。

所述结合用户、媒体、上下文场景和用户社交关系，为用户提供基于社交关系的上下文场景社交媒体推荐结果包括以下过程：

求解minf_{t_rm}＝(1-λ)f_tensor(A,B,C)+λf_{r_matrix}(A)，得出X的值，将其对应的媒体推荐交给用户。

还包括使用媒体标注信息，计算用户可能感兴趣的媒体资源，包括以下步骤：

当媒体标注信息发生变化时，更新媒体标注信息模型，更新用户、媒体、上下文场景和媒体标注信息，为用户推荐用户感兴趣的媒体结果，并将该结果存储在社交媒体服务推荐数据库中。

所述更新媒体标注信息模型包括以下过程：

构建媒体标注信息矩阵，其中行代表媒体资源特征，列代表媒体标注特征，矩阵值为标注次数；

计算差平方并将缺省值标记为0；

求解得出Z 值，从而预测出媒体的标注信息，其中Z代表标注次数，B代表媒体特征，Q代表标注信息，λ_b, λ_q代表参数。

所述更新用户、媒体、上下文场景和媒体标注信息，为用户推荐用户感兴趣的媒体结果包括以下过程：

求解minf_{t_lm}＝(1-λ)f_tensor(A,B,C)+λf_{l_matrix}(B,Q)，得出X的值，将其对应的媒体推荐给用户，其中λ为参数。

还包括更新用户、媒体、上下文场景、用户社交关系和媒体标注信息，为用户推荐用户感兴趣的媒体结果，包括

求解minf_{t_rlm}＝(1-λ₁-λ₂)f_tensor(A,B,C)+λ₁f_{r_matrix}(A)+λ₂f_{l_matrix}(B,Q)

得出X值，并将其对应的媒体推荐给用户，其中λ₁,λ₂为参数，且0≤λ1,λ2≤1,0≤(λ1+λ2)≤1。

本发明具有以下有益效果及优点：

本发明在结合用户的好友信息及用户消费媒体时所处的上下文场景，在历史数据的基础上得到推荐结果，提高了推荐的准确率。

附图说明

图1基于张量分解的社交媒体推荐流程图；

图2用户好友列表更新状态下推荐媒体流程；

图3媒体标注信息更新状态下推荐媒体流程。

具体实施方式

下面结合附图及实施例对本发明做进一步的详细说明。

本实施例以广播电台音乐服务为例，说明在上下文场景下，结合用户社交关系和媒体标注信息的媒体推荐方法。该方法主要用于服务器端，通过结合用户消费媒体的历史记录及消费媒体时的上下文场景和用户的社交关系，为用户推荐其感兴趣的媒体。下面结合附图对本发明做进一步的说明。

S1：用户通过社交媒体客户端应用，登录到媒体服务，此时用户可以使用该应用访问媒体；

S2：社交媒体应用将收集用户的相关数据，根据该数据判断用户是不是新用户，如果该用户为新用户，则将当前热门栏目推荐给用户；否则，判断用户媒体服务推荐模型是否存在，如果不存在，构建用户、媒体、上下文场景为基础的张量分解模型，将该模型存储到模型数据库中，同时将模型对应的媒体资源推荐给用户；

S3：如果模型数据库中存在该用户对应的媒体服务推荐模型，判断当前用户的上下文场景与推荐模型中的上下文场景是否一致，如果一致，则将模型从数据库中取出，将其对应的媒体推荐给用户；否则更新用户、媒体、上下文场景为基础的张量分解模型，并将更新后的模型存储到模型数据库中，同时将模型对应的媒体推荐给用户。

其中，对于基于用户、媒体、上下文场景的张量分解模型，其数学描述为其中A代表用户特征，B代表媒体特征，C代表用户决策时上下文场景，X代表用户在特定上下文场景中消费媒体的次数，λ_A,λ_B,λ_C代表参数，通过使用CP张量分解和交替最小二乘法，求解ABC值，获得X信息所对应的媒体资源。

其中存在用户好友变更和媒体标注信息变化两种情况，其所涉及到的更新过程如下：

S3-1：当检测到用户好友列表发生变化时，更新用户好友关系矩阵，即更新 “用户、用户”矩阵判断出用户的潜在好友，在用户社交关系的基础上结合 用户、媒体、上下文场景为用户推荐其所感兴趣的媒体；其中，用户好友列表更新使用其中A为用户特征，Y为交流次数，λ_a为 参数。基于社交关系的用户、媒体、上下文场景张量分解模型为minf_{t_rm}＝(1-λ)f_tensor(A,B, C)+λf_{r_matrix}(A)，采用CP张量分解和交替最小二乘法，求解出ABC，并计算出X对应的媒体。将 媒体推荐给用户。

S3-2：当媒体标注信息变更时，社交媒体服务推荐的媒体结果也将同步进行 更新，即更新“媒体、媒体标注”矩阵在媒体标注信息的基础上结合用 户、媒体、上下文场景为用户推荐其所感兴趣的媒体；其中，媒体标注信息更新使用其中Z代表标注次 数，B代表媒体特征，Q代表标注信息，λ_b,λ_q代表参数。基于媒体标注信息的用户、媒体、上下 文场景张量分解模型可以描述为minf_{t_lm}＝(1-λ)f_tensor(A,B,C)+λf_{l_matrix}(B,Q)，其中λ为参 数。通过CP张量分解和交替最小二乘法，取得ABCQ值，取得X值，并将X对应的媒体信息推荐 给用户。

另外，基于用户社交关系、媒体标注信息的用户、媒体、上下文场景张量分解模型的媒体推荐方法可以描述为minf_{t_rlm}＝(1-λ₁-λ₂)f_tensor(A,B,C)+λ₁f_{r_matrix}(A)+λ₂f_{l_matrix}(B,Q)，其中λ₁,λ₂为参数，且0≤λ1,λ2≤1,0≤(λ1+λ2)≤1。通过CP张量分解方法和交替最小二乘法，取得ABCQ的值，取得张量中X值，将其所对应的媒体推荐给用户。

Claims (8)

1.一种媒体资源推荐方法，其特征在于，包括以下步骤：

步骤1：获取包括用户个人信息、用户社交网络信息及媒体类别特征的多类型数据，对多类型数据进行预处理；

步骤2：构建用户、媒体、上下文场景数据元组，并将经预处理后的元组数据存储于媒体推荐系统中；

步骤3：根据用户历史行为特征和所处的上下文场景，完成对用户感兴趣的媒体预测，并将媒体预测结果推荐给用户；

所述对用户感兴趣的媒体预测过程包括：

用户访问媒体资源，并判断用户如果为新用户，则将当前热门媒体栏目推荐给用户；

否则判断用户个性媒体服务推荐模型是否存在，如果不存在，则为用户构建用户、媒体、上下文场景为基础的张量分解模型，将该模型存储到社交媒体推荐模型数据库中，并结合张量分解算法为用户产生用户感兴趣的媒体资源；

如果用户个性媒体服务推荐模型存在，则判断用户当前所处的上下文场景与模型中的上下文场景是否一致，如果不一致，则更新用户、媒体、上下文场景为基础的张量分解模型，将该模型存储到社交媒体推荐模型数据库中，并结合张量分解算法为用户产生用户感兴趣的媒体资源；

所述张量分解算法包括以下过程：

步骤1：将用户行为特征、媒体资源特征和上下文场景特征数学抽象为一个3维的张量空间，且三个维度分别标记为用户、媒体和上下文场景；

步骤2：将用户在各个场景下的活动次数作为张量中的数字，并计算差平方并将缺少值补为0；

其中A代表用户特征，B代表媒体特征，C代表用户决策时上下文场景，χ代表用户在特定上下文场景中消费媒体的次数；

步骤3：通过CP张量分解和交替最小二乘法，求解得出χ值，从而得出用户感兴趣的媒体资源，其中λ_A,λ_B,λ_C代表参数。

2.根据权利要求1所述的媒体资源推荐方法，其特征在于，还包括分析用户社交关系，得出用户潜在好友，根据用户社交关系选择媒体，包括以下步骤：

当用户好友列表发生变化时，更新用户社交关系模型，结合用户、媒体、上下文场景和用户社交关系，为用户提供基于社交关系的上下文场景社交媒体推荐结果，同时将该推荐结果存储到数据库中。

3.根据权利要求2所述的媒体资源推荐方法，其特征在于，所述更新用户社交关系模型包括以下过程：

构建用户社交关系特征矩阵，其中矩阵的行和列为用户编号，矩阵内数值为用户与好友的交流次数；

计算差平方||Y-AA^T||²，其中，A为用户特征；

求解得出Y值，从而得出用户对特定好友的交流次数的预测结果，其中Y为交流次数，λa为参数。

4.根据权利要求2所述的媒体资源推荐方法，其特征在于，所述结合用户、媒体、上下文场景和用户社交关系，为用户提供基于社交关系的上下文场景社交媒体推荐结果包括以下过程：

求解min f_{t_rm}＝(1-λ)f_tensor(A,B,C)+λf_{r_matrix}(A)，得出χ的值，将其对应的媒体推荐交给用户。

5.根据权利要求1所述的媒体资源推荐方法，其特征在于，还包括使用媒体标注信息，计算用户可能感兴趣的媒体资源，包括以下步骤：

当媒体标注信息发生变化时，更新媒体标注信息模型，更新用户、媒体、上下文场景和媒体标注信息，为用户推荐用户感兴趣的媒体结果，并将该结果存储在社交媒体服务推荐数据库中。

6.根据权利要求5所述的媒体资源推荐方法，其特征在于，所述更新媒体标注信息模型包括以下过程：

构建媒体标注信息矩阵，其中行代表媒体资源特征，列代表媒体标注特征，矩阵值为标注次数；

计算差平方||Z-BQ^T||²，并将缺省值标记为0；

求解得出Z值，从而预测出媒体的标注信息，其中Z代表标注次数，B代表媒体特征，Q代表标注信息，λ_B，λ_Q代表参数。

7.根据权利要求5所述的媒体资源推荐方法，其特征在于，所述更新用户、媒体、上下文场景和媒体标注信息，为用户推荐用户感兴趣的媒体结果包括以下过程：

求解min f_{t_lm}＝(1-λ)f_tensor(A,B,C)+λf_{l_matrix}(B,Q)，得出χ的值，将其对应的媒体推荐给用户，其中λ为参数。

8.根据权利要求1、2、5中任一项所述的媒体资源推荐方法，其特征在于，还包括更新用户、媒体、上下文场景、用户社交关系和媒体标注信息，为用户推荐用户感兴趣的媒体结果，包括

求解min f_{t_rlm}＝(1-λ₁-λ₂)f_tensor(A,B,C)+λ₁f_{r_matrix}(A)+λ₂f_{l_matrix}(B,Q)得出χ值，并将其对应的媒体推荐给用户，其中λ₁,λ₂为参数，且0≤λ₁，λ₂≤1，0≤(λ₁+λ₂)≤1。