CN105718510A - 一种多媒体数据推荐方法及装置 - Google Patents
一种多媒体数据推荐方法及装置 Download PDFInfo
- Publication number
- CN105718510A CN105718510A CN201610018280.8A CN201610018280A CN105718510A CN 105718510 A CN105718510 A CN 105718510A CN 201610018280 A CN201610018280 A CN 201610018280A CN 105718510 A CN105718510 A CN 105718510A
- Authority
- CN
- China
- Prior art keywords
- weighted value
- user
- multimedia data
- data type
- targeted customer
- 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.)
- Granted
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
- G06F16/40—Information retrieval; Database structures therefor; File system structures therefor of multimedia data, e.g. slideshows comprising image and additional audio data
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
Abstract
本发明的实施例提供一种多媒体数据推荐方法及装置,涉及数据处理领域,用以解决现有的推荐方法为用户推荐的多媒体数据准确度低的问题。该方法包括:获取目标用户的用户行为数据集以及当前时间的值;根据目标用户的用户行为数据集中的时间戳与当前时间的值,计算出目标用户对每种多媒体数据类型的权重值,根据目标用户对每种多媒体数据类型的权重值为目标用户推荐多媒体数据。本发明应用于多媒体数据推荐。
Description
技术领域
本发明涉及数据处理领域,尤其涉及一种多媒体数据推荐方法及装置。
背景技术
现今,在这个互联网高速发展的时代,人们对于视听方面的需求越来越高,通过各种终端设备(如,如智能电视、智能手机、平板电脑等终端设备)观看视频点播的用户也越来越多,而视频推荐业务可以为用户推荐视频,从而有效的推进用户对于视听业务的点播。目前,常用的视频推荐方式通常是:对目标用户历史观看过的所有视频的固有标签进行统计,确定出用户最喜好的视频集合,然后根据这些视频的固有标签与待选视频的固有标签间的匹配程度将待选视频进行排序,从而得到为目标用户推荐视频的视频推荐列表。
上述的视频推荐方法为用户推荐的视频是对目标用户历史观看过的所有视频进行统计得到的,但是,由于用户对视频的喜好并不是一成不变的,而是会随着用户自身情绪的变化以及外界因素的影响而发生变化,因此,若目标用户在一个短期时段内喜好的视频与平时喜好视频所属类别不同时,由于用户平时喜爱的视频类别在该用户历史观看过的所有视频中占很大比例,此时,视频推荐系统为目标用户确定出的视频推荐列表会与平时相同。因此,基于上述视频推荐方法为用户推荐的视频很有可能是用户当前不喜欢的视频,从而影响用户体验。
发明内容
本发明的实施例提供一种多媒体数据推荐方法及装置,用以解决现有的推荐方法为用户推荐的多媒体数据准确度低的问题。
第一方面,提供一种多媒体数据推荐方法,包括:
获取目标用户的用户行为数据集以及当前时间的值,所述用户行为数据集中包含目标用户观看每种多媒体数据类型对应的多媒体数据时的时间戳;
根据所述目标用户的用户行为数据集中的时间戳与所述当前时间的值,计算出所述目标用户对每种多媒体数据类型的权重值;
根据所述目标用户对每种多媒体数据类型的权重值为所述目标用户推荐多媒体数据。
第二方面,提供一种多媒体数据推荐装置,包括:
获取模块,用于获取目标用户的用户行为数据集以及当前时间的值,所述用户行为数据集中包含目标用户观看每种多媒体数据类型对应的多媒体数据时的时间戳;
计算模块,用于根据所述获取模块获取的所述目标用户的用户行为数据集中的时间戳与所述当前时间的值,计算出所述目标用户对每种多媒体数据类型的权重值;
推荐模块,用于根据所述计算模块计算出的所述目标用户对每种多媒体数据类型的权重值为所述目标用户推荐多媒体数据。
本发明的实施例提供的多媒体数据推荐方法及装置,根据目标用户的用户行为数据集中包含的目标用户观看每种多媒体数据类型对应的多媒体数据时的时间戳与当前时间的值,从而计算出目标用户对每种多媒体数据类型的权重值,然后,根据目标用户对每种多媒体数据类型的权重值为目标用户推荐多媒体数据。相比于现有技术,本申请通过考虑用户的近期行为数据,来获取用户在一定时间段内对每种多媒体数据类型的喜好程度,使得计算出的用户对每种多媒体数据类型的权重值能够体现用户在一定时间段内的兴趣变化,从而为用户推荐出用户感兴趣的多媒体数据,提高了所推荐的多媒体数据的准确度。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种多媒体数据推荐方法的流程示意图;
图2为本发明实施例提供的一种多媒体数据推荐装置的结构示意图;
图3为本发明实施例提供的一种多媒体数据推荐装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例提供的多媒体数据推荐方法的执行主体可以为多媒体数据推荐装置,或者用于执行上述多媒体数据推荐方法的终端设备。具体的,该移动终端可以为智能电视、智能手机、平板电脑、笔记本电脑、超级移动个人计算机(英文:Ultra-mobilePersonalComputer,简称:UMPC)、上网本、个人数字助理(英文:PersonalDigitalAssistant,简称:PDA)等终端设备。其中,多媒体数据推荐装置可以为上述终端设备备中的中央处理器(英文:CentralProcessingUnit,简称CPU)或者可以为上述终端设备的中的控制单元或者功能模块。
本实施例中的多媒体数据为视频、音频、图片、文本文档等多媒体文件数据。为了方便说明下文中均以“多媒体文件是视频”来进行阐述,并且具体以为“某一目标用户推荐多媒体数据”为例进行说明。需要说明的是,本领域技术人员应当清楚,下文中所提及的“视频”可以替换为语音、图片、文档等其他任一种多媒体数据。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
需要说明的是,本发明实施例中提及的“当前时间”为变量,即泛指当前时间这个概念,而本发明实施例中提及的“当前时间的值”为定量,仅仅指代在当前这个时间点的值。
本发明的实施例提供一种多媒体数据推荐方法,如图1所示,该方法包括如下步骤:
101、多媒体数据推荐装置获取目标用户的用户行为数据集以及当前时间的值。
其中,上述的用户行为数据集中包含用户的标识、用户观看的多媒体数据的标识、每个多媒体数据所属的多媒体数据类型以及多媒体数据的目标用户观看每种多媒体数据类型对应的多媒体数据时的时间戳。该多媒体数据类型可以是视频的类型(例如,动作、情感、历史等),或视频的标签,例如,视频的主演(例如,成龙、刘德华、赵薇等)、视频的导演等。
用户的行为数据集的获取过程具体包括如下流程:获取每个用户的历史行为数据以及用户观看过的每个多媒体数据的属性信息,然后,按照预定存储格式将上述获取到的数据存储至该终端设备或整个多媒体数据推荐系统的服务器数据库中,以便后续为用户推荐多媒体数据时使用。
示例性的,本实施例中的每个用户的用户行为数据集为三元组数据,每个三元组(u,a,t)用于表示用户u在时刻t对多媒体数据类型a中的多媒体数据产生过观看行为。示例性的,该装置将获取到的每个用户的行为数据按照预定格式存储至数据库中,该预定格式可以为:{"id":u1,"cidview":{"i1":[t1,t2,t3],"i2":[t4,t5],.......}},其中,"id":u1表示该行为数据为用户u1的行为数据,"cidview":{"i1":[t1,t2,t3],"i2":[t4,t5],.......}用于表示用户u1观看每种多媒体数据类型中的多媒体数据的时间戳,例如,"i1":[t1,t2,t3]表示用户u1在预定时间内观看属于多媒体数据类型i1的三个多媒体数据的时间戳分别为t1,t2,t3。
102、多媒体数据推荐装置根据目标用户的用户行为数据集中的时间戳和当前时间的值,确定出目标用户对每种多媒体数据类型的权重值。
示例性的,由于用户行为数据集中的时间戳能够直观的体现出每一段时间用户对不同多媒体数据类型的喜爱程度,因此,这里可以根据目标用户的用户行为数据集中用户观看每个多媒体数据的时间戳和当前时间的值之间的差值来确定出用户最近一段时间点击某一多媒体数据类型的电机次数越高,则用户对该多媒体数据类型的偏好度越高,对应的权重值越大,反之,用户点击的越少,则用户对该多媒体数据类型的偏好度越低,对应的权重值越低。
103、多媒体数据推荐装置根据目标用户对每种多媒体数据类型的权重值为目标用户推荐多媒体数据。
示例性的,多媒体数据推荐装置从计算出的目标用户对每种多媒体数据类型的权重值中选择权重值最高的几个多媒体数据类型,并从这些多媒体数据类型中的每种多媒体数据类型对应的多媒体数据中按照预先设定的推荐多媒体数据个数,从中选择播放量排行前几的多媒体数据推荐给该目标用户。此外,多媒体数据推荐装置还可以基于步骤102计算出的目标用户对每种多媒体数据类型的权重值直接为目标用户推荐多媒体数据类型,即多媒体数据推荐装置将计算出的目标用户对每种多媒体数据类型的权重值进行排序,按照预先设定的推荐多媒体数据类型的个数,从中选择排行前几的多媒体数据类型推荐给目标用户。
当然,该多媒体数据装置除了可以直接根据计算出的权重值为目标用户推荐多媒体数据或多媒体数据类型,也可以基于计算出的权重值为用户建立个性化栏目推荐列表,或者,在后台将所有用户对每种多媒体数据类型的权重值计算出来,统计出近期内大部分用户偏好的多媒体数据或多媒体数据类型推荐给所有用户,这里并不做限制。
本发明的实施例提供的多媒体数据推荐方法,根据目标用户的用户行为数据集中包含的目标用户观看每种多媒体数据类型对应的多媒体数据时的时间戳与当前时间的值,从而计算出目标用户对每种多媒体数据类型的权重值,然后,根据目标用户对每种多媒体数据类型的权重值为目标用户推荐多媒体数据。相比于现有技术,本申请通过考虑用户的近期的行为数据,来获取用户在一定时间段内对每种多媒体数据类型的喜好程度,使得计算出的用户对每种多媒体数据类型的权重值能够体现用户在一定时间段内的兴趣变化,从而为用户推荐出用户感兴趣的多媒体数据,提高了所推荐的多媒体数据的准确度。
可选的,该装置在根据目标用户的用户行为数据集中的时间戳和当前时间的值,确定出目标用户对每种多媒体数据类型的权重值时,该装置还可以引入用户对多媒体数据类型的权重值计算公式,来基于目标用户的用户行为数据集中的时间戳和当前时间的值之间的差值直接计算用户对每种多媒体数据类型的权重值。
具体的,步骤102具体包括:
102a、多媒体数据推荐装置将目标用户的用户行为数据集中的时间戳与当前时间的值代入用户对多媒体数据类型的权重值计算公式中,计算出目标用户对每种多媒体数据类型的权重值。
其中,上述的权重值计算公式可以为:其中,上述的F(t)为权重值拟合函数,tc为当前时间,tbi为多媒体数据类型b中的多媒体数据i被用户观看的时间点。该权重值计算公式用于用户最近一次频繁点击的多媒体数据类型的权重值越大,则表明该用户对该多媒体数据类型在当前的时间点的偏好度越高。其中,上述的权重值计算公式中的权重值拟合函数用于表示用户观看每种多媒体数据类型对应多媒体数据的时间戳与当前时间之间的差值与用户对所述多媒体数据类型的多媒体数据的权重值间的函数关系。若以上述的用户u1的行为数据中的"i1":[t1,t2,t3]为例,即以上述的用户u1在预定时间内观看属于多媒体数据类型i1的三个多媒体数据的时间戳为例,则该用户u1对多媒体数据类型i1的权重值为:Ctc=F(tc-t1)+F(tc-t2)+F(tc-t3)。
具体的,本实施例可以通过如下过程来获取用户对多媒体数据类型的权重值的权重值计算公式:
a1、多媒体数据推荐装置获取每个用户的用户行为数据集以及用户对多媒体数据类型的权重值计算模型公式中的权重值拟合函数模型。
其中,根据实际应用场景中,用户对某种多媒体数据类型的多媒体数据的观看时间距离当前时间越近点击越频繁,则表示该用户近期内对该多媒体数据偏爱程度越高的特性,因此,本实施例将权重值拟合函数模型设定为:其中p与λ为该权重值拟合函数模型的拟合系数,(p>=2),(λ∈[0,1])。
a2、多媒体数据推荐装置根据每个用户的用户行为数据集中的时间戳、权重值计算模型公式以及拟合系数的取值范围,确定出用户对多媒体数据类型的权重值的权重值拟合函数。
具体的,该多媒体数据推荐装置通过在该拟合系数的取值范围为拟合参数p与λ选取不同的值,来使得所有用户对多媒体数据类型的喜好权重呈现同一个趋势,从而为用户对多媒体数据类型的权重值计算模型公式中的权重值拟合函数确定出合适的拟合系统,进而确定出具体的权重值计算公式。
其中,步骤a2的过程可以包括步骤b1-步骤b3:
b1、多媒体数据推荐装置从拟合系数的取值范围中选择任意值作为第一待定拟合系数,将第一待定拟合系数代入权重值计算模型公式中,得到第一权重值计算公式,根据每个用户的用户行为数据集中的时间戳和第一权重值计算公式,计算出所有的用户对多媒体数据类型的权重值拟合曲线间的第一曲线相似度。
b2、多媒体数据推荐装置重复上述过程,计算出其他待定拟合系数下所有的用户对多媒体数据类型的权重值拟合曲线间的曲线相似度。
b3、多媒体数据推荐装置从计算出的所有的曲线相似度中,选择曲线相似度最小时的待定拟合系数作为拟合系数,并将拟合系数代入权重值拟合函数模型中得到权重值拟合函数。
示例性的,若从拟合系数的取值范围中选择出p1与λ1作为第一待定拟合系数,将p1与λ1代入权重值计算模型公式中,得到第一权重值计算公式,计算出每个用户对每种多媒体数据类型的权重值。
将每个用户对所有多媒体数据类型的权重值从大到小排序,K为多媒体数据类型的个数,此时,若按照集合的数据存储格式进行存储,且以用户U1,U2为例时,则U1、U2的权重值集合如下所示:
u1:[cix,ciy,ciz,...,cik];u2:[cix,ciy,ciz,...,cik];
将上述集合转化为拟合曲线斜率集合:
u1:[ciy-cix,ciz-ciy,...,cik-ci(k-1)];u2:[ciy-cix,ciz-ciy,...,cik-ci(k-1)];
基于上述的拟合曲线斜率集合以及下述的公式一以及公式二计算过程计算曲线趋势的相似度,其中:
平均数公式: (公式一)
方差公式: (公式二)
基于公式三和公式四可以得出:
(公式五),其中,D为用户的拟合曲线间的曲线相似度值,D值越小,则说明所有的用户的拟合曲线的曲线趋势越一致。
重复上述过程,计算出其他待定拟合系数下所有的用户对多媒体数据类型的权重值拟合曲线间的曲线相似度,然后,从中选择出D值最小值时的p,λ值,并将该p,λ值代入权重值拟合函数模型中得到权重值拟合函数。
需要说明的是,上述拟合曲线间的曲线相似度计算过程(即利用公式一至公式四所描述的方差计算公式来计算曲线相似度的过程)在这里仅仅是一种示例,通过其他计算过程计算拟合曲线间的曲线相似度的过程这里不再赘述。
这样本方案通过将目标用户的用户行为数据集中包含的目标用户观看每种多媒体数据类型对应的多媒体数据时的时间戳与当前时间的值代入权重值计算公式中,从而计算出目标用户对每种多媒体数据类型的权重值,并基于该权重值为目标用户推荐多媒体数据。相比于现有技术,本申请通过考虑用户的近期行为数据,来获取用户在一定时间段内对每种多媒体数据类型的喜好程度,使得计算出的用户对每种多媒体数据类型的权重值能够体现用户在一定时间段内的兴趣变化,从而为用户推荐出用户感兴趣的多媒体数据,提高了所推荐的多媒体数据的准确度。
本发明的实施例提供一种多媒体数据推荐装置,该装置用于实现上述的多媒体数据推荐方法,如图2所示,该装置2包括:获取模块21、计算模块22以及推荐模块23,其中:
获取模块21,用于获取目标用户的用户行为数据集以及当前时间的值,该用户行为数据集中包含目标用户观看每种多媒体数据类型对应的多媒体数据时的时间戳。
计算模块22,用于根据获取模块21获取的目标用户的用户行为数据集中的时间戳与当前时间的值,计算出目标用户对每种多媒体数据类型的权重值;
推荐模块23,用于根据计算模块22计算出的目标用户对每种多媒体数据类型的权重值为目标用户推荐多媒体数据。
示例性的,计算模块22具体用于:
将目标用户的用户行为数据集中的时间戳与当前时间的值代入用户对多媒体数据类型的权重值计算公式中,计算出目标用户对每种多媒体数据类型的权重值;其中,上述的权重值计算公式中的权重值拟合函数用于表示用户观看每种多媒体数据类型对应多媒体数据的时间戳与当前时间之间的差值与用户对多媒体数据类型的多媒体数据的权重值间的函数关系。
示例性的,上述的权重值计算公式为:
其中,F(t)为权重值拟合函数,tc为当前时间,tbi为多媒体数据类型b中的多媒体数据i被用户观看时的时间戳,k为多媒体数据类型个数。
可选的,获取模块21,还用于获取每个用户的用户行为数据集以及用户对多媒体数据类型的权重值计算模型公式中的权重值拟合函数模型。
进一步的,如图3所示,该装置2还包括:确定模块24,其中:
确定模块24,用于根据获取模块21获取的每个用户的用户行为数据集中的时间戳、权重值计算公式以及所述拟合系数的取值范围,确定出用户对多媒体数据类型的权重值的权重值拟合函数。
其中,上述的权重值拟合函数模型为:p与λ为权重值拟合函数模型的拟合系数。
进一步可选的,确定模块24具体用于:
从拟合系数的取值范围中选择任意值作为第一待定拟合系数,将第一待定拟合系数代入权重值计算模型公式中,得到第一权重值计算公式,根据每个用户的用户行为数据集中的时间戳和第一权重值计算公式,计算出所有的用户对多媒体数据类型的权重值拟合曲线间的第一曲线相似度;
重复上述过程,计算出其他待定拟合系数下所有的用户对多媒体数据类型的权重值拟合曲线间的曲线相似度;
从计算出的所有的曲线相似度中,选择曲线相似度最小时的待定拟合系数作为拟合系数,并将所述拟合系数代入所述权重值拟合函数模型中得到权重值拟合函数。
示例性的,本实施例中的用户的用户行为数据集为三元组数据,每个三元组(u,a,t)用于表示用户u在时刻t对多媒体数据类型a中的多媒体数据产生过观看行为。
本发明的实施例提供的多媒体数据推荐装置,根据目标用户的用户行为数据集中包含的目标用户观看每种多媒体数据类型对应的多媒体数据时的时间戳与当前时间的值,从而计算出目标用户对每种多媒体数据类型的权重值,然后,根据目标用户对每种多媒体数据类型的权重值为目标用户推荐多媒体数据。相比于现有技术,本申请通过考虑用户的近期行为数据,来获取用户在一定时间段内对每种多媒体数据类型的喜好程度,使得计算出的用户对每种多媒体数据类型的权重值能够体现用户在一定时间段内的兴趣变化,从而为用户推荐出用户感兴趣的多媒体数据,提高了所推荐的多媒体数据的准确度。
在本申请所提供的几个实施例中,应该理解到,所揭露的终端和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理包括,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-OnlyMemory,简称ROM)、随机存取存储器(RandomAccessMemory,简称RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种多媒体数据推荐方法,其特征在于,包括:
获取目标用户的用户行为数据集以及当前时间的值,所述用户行为数据集中包含目标用户观看每种多媒体数据类型对应的多媒体数据时的时间戳;
根据所述目标用户的用户行为数据集中的时间戳与所述当前时间的值,计算出所述目标用户对每种多媒体数据类型的权重值;
根据所述目标用户对每种多媒体数据类型的权重值为所述目标用户推荐多媒体数据。
2.根据权利要求1所述的方法,其特征在于,所述根据所述目标用户的用户行为数据集中的时间戳和所述当前时间的值计算出所述目标用户对每种多媒体数据类型的权重值具体包括:
将所述目标用户的用户行为数据集中的时间戳与所述当前时间的值代入用户对多媒体数据类型的权重值计算公式中,计算出所述目标用户对每种多媒体数据类型的权重值;其中,所述权重值计算公式中的权重值拟合函数用于表示用户观看每种多媒体数据类型对应多媒体数据的时间戳与所述当前时间之间的差值与用户对所述多媒体数据类型的多媒体数据的权重值间的函数关系。
3.根据权利要求2所述的方法,其特征在于:
所述权重值计算公式为:
其中,F(t)为权重值拟合函数,tc为当前时间,tbi为多媒体数据类型b中的多媒体数据i被用户观看时的时间戳,k为多媒体数据类型个数。
4.根据权利要求3所述的方法,其特征在于,所述获取用户对多媒体数据类型的权重值的权重值计算公式之前,所述方法还包括:
获取每个用户的用户行为数据集以及用户对多媒体数据类型的权重值计算模型公式中的权重值拟合函数模型;
根据所述每个用户的用户行为数据集中的时间戳、所述权重值计算公式以及所述拟合系数的取值范围,确定出用户对多媒体数据类型的权重值的权重值拟合函数;
其中,所述权重值拟合函数模型为:p与λ为所述权重值拟合函数模型的拟合系数。
5.根据权利要求4所述的方法,其特征在于,所述根据所述每个用户的用户行为数据集中的时间戳、所述权重值计算模型公式以及所述拟合系数的取值范围,确定出用户对多媒体数据类型的权重值的权重值拟合函数具体包括:
从所述拟合系数的取值范围中选择任意值作为第一待定拟合系数,将所述第一待定拟合系数代入所述权重值计算模型公式中,得到第一权重值计算公式,根据所述每个用户的用户行为数据集中的时间戳和所述第一权重值计算公式,计算出所有的用户对多媒体数据类型的权重值拟合曲线间的第一曲线相似度;
重复上述过程,计算出其他待定拟合系数下所有的用户对多媒体数据类型的权重值拟合曲线间的曲线相似度;
从计算出的所有的曲线相似度中,选择曲线相似度最小时的待定拟合系数作为拟合系数,并将所述拟合系数代入所述权重值拟合函数模型中得到权重值拟合函数。
6.一种多媒体数据推荐装置,其特征在于,包括:
获取模块,用于获取目标用户的用户行为数据集以及当前时间的值,所述用户行为数据集中包含目标用户观看每种多媒体数据类型对应的多媒体数据时的时间戳;
计算模块,用于根据所述获取模块获取的所述目标用户的用户行为数据集中的时间戳与所述当前时间的值,计算出所述目标用户对每种多媒体数据类型的权重值;
推荐模块,用于根据所述计算模块计算出的所述目标用户对每种多媒体数据类型的权重值为所述目标用户推荐多媒体数据。
7.根据权利要求6所述的装置,其特征在于,所述计算模块具体用于:
将所述目标用户的用户行为数据集中的时间戳与所述当前时间代入用户对多媒体数据类型的权重值计算公式中,计算出所述目标用户对每种多媒体数据类型的权重值;其中,所述权重值计算公式中的权重值拟合函数用于表示用户观看每种多媒体数据类型对应多媒体数据的时间戳与所述当前时间之间的差值与用户对所述多媒体数据类型的多媒体数据的权重值间的函数关系。
8.根据权利要求7所述的装置,其特征在于:
所述权重值计算公式为:
其中,F(t)为权重值拟合函数,tc为当前时间,tbi为多媒体数据类型b中的多媒体数据i被用户观看时的时间戳,k为多媒体数据类型个数。
9.根据权利要求8所述的装置,其特征在于:
获取模块,还用于获取每个用户的用户行为数据集以及用户对多媒体数据类型的权重值计算模型公式中的权重值拟合函数模型;
所述装置还包括:
确定模块,用于根据所述获取模块获取的所述每个用户的用户行为数据集中的时间戳、所述权重值计算公式以及所述拟合系数的取值范围,确定出用户对多媒体数据类型的权重值的权重值拟合函数;
其中,所述权重值拟合函数模型为:p与λ为所述权重值拟合函数模型的拟合系数。
10.根据权利要求9所述的装置,其特征在于,所述确定模块具体用于:
从所述拟合系数的取值范围中选择任意值作为第一待定拟合系数,将所述第一待定拟合系数代入所述权重值计算模型公式中,得到第一权重值计算公式,根据所述每个用户的用户行为数据集中的时间戳和所述第一权重值计算公式,计算出所有的用户对多媒体数据类型的权重值拟合曲线间的第一曲线相似度;
重复上述过程,计算出其他待定拟合系数下所有的用户对多媒体数据类型的权重值拟合曲线间的曲线相似度;
从计算出的所有的曲线相似度中,选择曲线相似度最小时的待定拟合系数作为拟合系数,并将所述拟合系数代入所述权重值拟合函数模型中得到权重值拟合函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610018280.8A CN105718510B (zh) | 2016-01-12 | 2016-01-12 | 一种多媒体数据推荐方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610018280.8A CN105718510B (zh) | 2016-01-12 | 2016-01-12 | 一种多媒体数据推荐方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105718510A true CN105718510A (zh) | 2016-06-29 |
CN105718510B CN105718510B (zh) | 2019-06-18 |
Family
ID=56147765
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610018280.8A Active CN105718510B (zh) | 2016-01-12 | 2016-01-12 | 一种多媒体数据推荐方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105718510B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109885722A (zh) * | 2019-01-07 | 2019-06-14 | 平安科技(深圳)有限公司 | 基于自然语言处理的音乐推荐方法、装置、及计算机设备 |
CN110020112A (zh) * | 2017-09-25 | 2019-07-16 | 北京京东尚科信息技术有限公司 | 对象推送方法及其系统 |
CN110472071A (zh) * | 2019-07-03 | 2019-11-19 | 中移(杭州)信息技术有限公司 | 多媒体文件推荐方法、装置、网络设备及存储介质 |
CN111061908A (zh) * | 2019-12-12 | 2020-04-24 | 中国传媒大学 | 影视配乐作者的推荐方法及系统 |
CN113127674A (zh) * | 2019-12-31 | 2021-07-16 | 中移(成都)信息通信科技有限公司 | 歌单推荐方法、装置、电子设备及计算机存储介质 |
CN113391739A (zh) * | 2021-05-27 | 2021-09-14 | 北京达佳互联信息技术有限公司 | 功能菜单显示方法、装置、电子设备及存储介质 |
CN117436957A (zh) * | 2023-12-20 | 2024-01-23 | 锦诚实业科技(深圳)有限公司 | 一种游戏软件广告精准投放方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102291618A (zh) * | 2010-06-18 | 2011-12-21 | 昆达电脑科技(昆山)有限公司 | 喜好节目推荐装置与方法 |
CN102506975A (zh) * | 2011-11-23 | 2012-06-20 | 清华大学 | 一种车辆超载实时监测的方法 |
US20140122456A1 (en) * | 2012-03-30 | 2014-05-01 | Percolate Industries, Inc. | Interactive computing recommendation facility with learning based on user feedback and interaction |
CN104333773A (zh) * | 2013-12-18 | 2015-02-04 | 乐视网信息技术(北京)股份有限公司 | 一种视频推荐方法及服务器 |
CN104657457A (zh) * | 2015-02-06 | 2015-05-27 | 海信集团有限公司 | 一种用户评价视频的数据处理方法、视频推荐方法及装置 |
CN104699711A (zh) * | 2013-12-09 | 2015-06-10 | 华为技术有限公司 | 一种推荐方法及服务器 |
CN104965889A (zh) * | 2015-06-17 | 2015-10-07 | 腾讯科技(深圳)有限公司 | 内容推荐方法及装置 |
US20150347413A1 (en) * | 2014-05-30 | 2015-12-03 | Facebook, Inc. | Systems and methods for providing non-manipulable trusted recommendations |
-
2016
- 2016-01-12 CN CN201610018280.8A patent/CN105718510B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102291618A (zh) * | 2010-06-18 | 2011-12-21 | 昆达电脑科技(昆山)有限公司 | 喜好节目推荐装置与方法 |
CN102506975A (zh) * | 2011-11-23 | 2012-06-20 | 清华大学 | 一种车辆超载实时监测的方法 |
US20140122456A1 (en) * | 2012-03-30 | 2014-05-01 | Percolate Industries, Inc. | Interactive computing recommendation facility with learning based on user feedback and interaction |
CN104699711A (zh) * | 2013-12-09 | 2015-06-10 | 华为技术有限公司 | 一种推荐方法及服务器 |
CN104333773A (zh) * | 2013-12-18 | 2015-02-04 | 乐视网信息技术(北京)股份有限公司 | 一种视频推荐方法及服务器 |
US20150347413A1 (en) * | 2014-05-30 | 2015-12-03 | Facebook, Inc. | Systems and methods for providing non-manipulable trusted recommendations |
CN104657457A (zh) * | 2015-02-06 | 2015-05-27 | 海信集团有限公司 | 一种用户评价视频的数据处理方法、视频推荐方法及装置 |
CN104965889A (zh) * | 2015-06-17 | 2015-10-07 | 腾讯科技(深圳)有限公司 | 内容推荐方法及装置 |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110020112A (zh) * | 2017-09-25 | 2019-07-16 | 北京京东尚科信息技术有限公司 | 对象推送方法及其系统 |
CN109885722A (zh) * | 2019-01-07 | 2019-06-14 | 平安科技(深圳)有限公司 | 基于自然语言处理的音乐推荐方法、装置、及计算机设备 |
CN109885722B (zh) * | 2019-01-07 | 2023-07-04 | 平安科技(深圳)有限公司 | 基于自然语言处理的音乐推荐方法、装置、及计算机设备 |
CN110472071A (zh) * | 2019-07-03 | 2019-11-19 | 中移(杭州)信息技术有限公司 | 多媒体文件推荐方法、装置、网络设备及存储介质 |
CN111061908A (zh) * | 2019-12-12 | 2020-04-24 | 中国传媒大学 | 影视配乐作者的推荐方法及系统 |
CN111061908B (zh) * | 2019-12-12 | 2023-11-21 | 中国传媒大学 | 影视配乐作者的推荐方法及系统 |
CN113127674A (zh) * | 2019-12-31 | 2021-07-16 | 中移(成都)信息通信科技有限公司 | 歌单推荐方法、装置、电子设备及计算机存储介质 |
CN113127674B (zh) * | 2019-12-31 | 2023-07-21 | 中移(成都)信息通信科技有限公司 | 歌单推荐方法、装置、电子设备及计算机存储介质 |
CN113391739A (zh) * | 2021-05-27 | 2021-09-14 | 北京达佳互联信息技术有限公司 | 功能菜单显示方法、装置、电子设备及存储介质 |
WO2022247317A1 (zh) * | 2021-05-27 | 2022-12-01 | 北京达佳互联信息技术有限公司 | 功能菜单显示方法及电子设备 |
CN117436957A (zh) * | 2023-12-20 | 2024-01-23 | 锦诚实业科技(深圳)有限公司 | 一种游戏软件广告精准投放方法 |
CN117436957B (zh) * | 2023-12-20 | 2024-03-29 | 深圳市艾森互动科技有限公司 | 一种游戏软件广告精准投放方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105718510B (zh) | 2019-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105718510A (zh) | 一种多媒体数据推荐方法及装置 | |
CN110941740B (zh) | 视频推荐方法及计算机可读存储介质 | |
US10405016B2 (en) | Recommending media items based on take rate signals | |
CN105426548A (zh) | 一种基于多用户的视频推荐方法及装置 | |
US20190018900A1 (en) | Method and Apparatus for Displaying Search Results | |
CN105095508B (zh) | 一种多媒体内容推荐方法和多媒体内容推荐装置 | |
CN106504011B (zh) | 一种业务对象的展示方法和装置 | |
CN105677715A (zh) | 一种基于多用户的视频推荐方法及装置 | |
CN104199896A (zh) | 基于特征分类的视频相似度确定及视频推荐方法 | |
CN107888950A (zh) | 一种推荐视频的方法和系统 | |
US20100250556A1 (en) | Determining User Preference of Items Based on User Ratings and User Features | |
US20130204833A1 (en) | Personalized recommendation of user comments | |
US20140289161A1 (en) | Dynamically guided user reviews | |
US20150073931A1 (en) | Feature selection for recommender systems | |
CN101482884A (zh) | 一种基于用户偏好评分分布的协作推荐系统 | |
US20080103886A1 (en) | Determining relevance of a term to content using a combined model | |
US20150242750A1 (en) | Asymmetric Rankers for Vector-Based Recommendation | |
CN106131703A (zh) | 一种视频推荐的方法和终端 | |
CN104969224A (zh) | 未认可及新用户的改善用户体验 | |
US9280749B1 (en) | Determining an attribute of an online user using user device data | |
CN105915956A (zh) | 视频内容的推荐方法、装置、服务器及系统 | |
CN103559622A (zh) | 基于特征的协同过滤推荐方法 | |
CN105574132A (zh) | 一种多媒体文件推荐方法和终端 | |
US20190278819A1 (en) | Systems and methods of providing recommendations of content items | |
CN111344696B (zh) | 评估广告的系统和方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |