CN105718545A - 多媒体资源的推荐方法和装置 - Google Patents

Abstract

本发明公开了一种多媒体资源的推荐方法和装置，该推荐方法包括：从用户日志获取预定时间段内的多个用户行为数据；根据多个所述用户行为数据和至少一种推荐算法来获得待处理的多媒体资源的推荐内容；以及根据用户兴趣模型和用户点击行为，对所述待处理的多媒体资源的推荐内容进行排序并推荐给用户。本发明通过从用户角度考虑用户感兴趣的多媒体资源使得能够合适地推荐多媒体资源。

Description

多媒体资源的推荐方法和装置

技术领域

本发明涉及计算机信息与多媒体资源检索领域，尤其涉及一种多媒体资源的推荐方法和装置。

背景技术

随着计算机技术和网络技术的快速发展，信息数据呈现爆发式增长。同时，随着智能手机、智能电视等智慧终端的发展，用户通过这些终端设备可以更方便地使用网络视频应用。

当然，如果在用户通过终端设备访问网络、观看视频应用的过程中能够向用户推荐其感兴趣的视频，则不但可以方便用户的操作、从而增强用户的体验度，而且还可以有效地帮助视频的拥有者进行宣传和推广。因此，如何合适地为用户推荐多媒体资源是本领域技术人员较为关注的问题。

目前，为了从浩如烟海的视频资源中为用户展示更符合其兴趣的视频而提出了如下技术：基于用户的协同过滤技术、基于项目(Item)的协同过滤技术、基于点击率的预估技术、以及基于视频内容的聚合技术。

然而，采用上述技术均无法为用户合适地推荐视频。

发明内容

技术问题

有鉴于此，本发明要解决的技术问题是，如何合适地推荐多媒体资源。

解决方案

为了解决上述技术问题，在第一方面，本发明提供了一种多媒体资源的推荐方法，包括：

从用户日志获取预定时间段内的多个用户行为数据；

根据多个所述用户行为数据和至少一种推荐算法来获得待处理的多媒体资源的推荐内容；以及

根据用户兴趣模型和用户点击行为，对所述待处理的多媒体资源的推荐内容进行排序并推荐给用户。

结合第一方面，在第一种可能的实现方式中，在所述从用户日志获取预定时间段内的多个用户行为数据之后、在所述根据多个所述用户行为数据和至少一种推荐算法来获得待处理的多媒体资源的推荐内容之前，包括：

对多个所述用户行为数据进行过滤处理。

结合第一方面的第一种可能的实现方式，在第二种可能的实现方式中，所述用户行为数据包括用户Cookie和多媒体资源的处理方式，

其中，所述对多个所述用户行为数据进行过滤处理包括：

确定与用户Cookie相对应的多媒体资源的处理方式；

对确定出的多媒体资源的处理方式进行分析；

根据分析到的多媒体资源的处理方式，判断与所述用户Cookie相对应的用户行为数据是否是异常用户行为数据；以及

从多个所述用户行为数据中过滤所述异常用户行为数据。

结合第一方面和第一方面的第一或第二种可能的实现方式，在第三种可能的实施方式中，所述根据用户兴趣模型和用户点击行为，对所述待处理的媒体资源的推荐内容进行排序包括：

根据所述待处理的多媒体资源的推荐内容和所述用户兴趣模型，利用所述用户点击行为反馈计算所述待处理的多媒体资源的推荐内容的用户兴趣度；以及

按照所述用户兴趣度从大到小，对所述待处理的多媒体资源的推荐内容进行排序。

在第二方面，本发明提供了一种多媒体资源的推荐装置，包括：

获取单元，用于从用户日志获取预定时间段内的多个用户行为数据；

获得单元，与所述获取单元连接，用于根据多个所述用户行为数据和至少一种推荐算法来获得待处理的多媒体资源的推荐内容；以及

控制单元，与所述获得单元连接，用于根据用户兴趣模型和用户点击行为，对所述待处理的多媒体资源的推荐内容进行排序并推荐给用户。

结合第二方面，在第一种可能的实现方式中，多媒体资源的推荐装置还包括：

处理单元，与所述获取单元和所述获得单元连接，用于在所述获取单元从用户日志获取预定时间段内的多个用户行为数据之后、在所述获得单元根据多个所述用户行为数据和至少一种推荐算法来获得待处理的多媒体资源的推荐内容之前，对多个所述用户行为数据进行过滤处理。

结合第二方面的第一种可能的实现方式，在第二种可能的实现方式中，所述用户行为数据包括用户Cookie和多媒体资源的处理方式，

其中，所述处理单元包括：

确定单元，与所述获取单元连接，用于确定与用户Cookie相对应的多媒体资源的处理方式；

分析单元，与所述确定单元连接，用于对确定出的多媒体资源的处理方式进行分析；

判断单元，与所述分析单元连接，用于根据分析到的多媒体资源的处理方式，判断与所述用户Cookie相对应的用户行为数据是否是异常用户行为数据；以及

过滤单元，与所述判断单元和所述获得单元连接，用于从多个所述用户行为数据中过滤所述异常用户行为数据。

结合第二方面和第二方面的第一或第二种可能的实现方式，在第三种可能的实现方式中，所述控制单元包括：

计算单元，与所述获得单元连接，用于根据所述待处理的多媒体资源的推荐内容和所述用户兴趣模型，利用所述用户点击行为反馈计算所述待处理的多媒体资源的推荐内容的用户兴趣度；以及

排序单元，与所述计算单元连接，用于按照所述用户兴趣度从大到小，对所述待处理的多媒体资源的推荐内容进行排序。

有益效果

本发明实施例的多媒体资源的推荐方法和装置，根据用户行为数据和至少一种推荐算法来获得待处理的多媒体资源的推荐内容，并根据用户兴趣模型和用户点击行为，对待处理的多媒体资源的推荐内容进行排序并推荐给用户，由此，通过从用户角度考虑用户感兴趣的多媒体资源使得能够合适地推荐多媒体资源。

进一步地，通过利用用户点击行为反馈计算待处理的多媒体资源的推荐内容的用户兴趣度，并按照用户兴趣度从大到小来对待处理的多媒体资源的推荐内容进行排序，从而能够按照用户兴趣度从大到小的顺序为用户推荐多媒体资源，由此能够更合适地为用户推荐多媒体资源，用户体验良好。

根据下面参考附图对示例性实施例的详细说明，本发明的其它特征及方面将变得清楚。

附图说明

包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本发明的示例性实施例、特征和方面，并且用于解释本发明的原理。

图1示出根据本发明实施例一的多媒体资源的推荐方法的流程图；

图2示出根据本发明实施例二的多媒体资源的推荐方法的流程图；

图3示出步骤S200所具体包括的步骤的流程图；

图4示出根据本发明实施例三的多媒体资源的推荐装置的结构框图；以及

图5示出根据本发明实施例四的多媒体资源的推荐装置的结构框图。

具体实施方式

以下将参考附图详细说明本发明的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。

在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。

另外，为了更好的说明本发明，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本发明同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本发明的主旨。

实施例1

图1示出根据本发明实施例一的多媒体资源的推荐方法的流程图。如图1所示，该推荐方法主要可以包括：

步骤S100、可以从用户日志获取预定时间段内的多个用户行为数据。

用户可以使用终端设备来播放多媒体资源。其中，该终端设备例如可以是手机、移动互联网设备(英文：MobileInternetDevice，简称：MID)、个人数字助理(英文：PersonalDigitalAssistant，简称：PDA)、笔记本、台式电脑、智能电视等。该多媒体资源例如可以是视频、音频、图片等。

需要说明的是，本发明的多媒体资源不仅限于上述三种示例，本领域技术人员应能够了解，本发明的重点并不在于多媒体资源，任何其它形式的多媒体资源也可以适用于本发明。也就是说，本发明并不限制多媒体资源的具体形式。

具体地，可以从用户日志获取用户通过终端设备在预定时间段内观看多媒体资源的用户行为数据。其中，该预定时间段例如可以是12小时、24小时、30小时等。需要说明的是，本领域技术人员根据其掌握的技术常识应能够理解，前述预定时间段越长，从用户日志所获取的预定时间段内的用户行为数据越多，这将在一定程度上提高为用户推荐多媒体资源的准确度、从而可以更合适地为用户推荐多媒体资源，但是也会相应地增加下述获得待处理的多媒体资源的推荐内容的计算复杂度。本领域技术人员可以根据实际应用场景和应用需要，来自由选取预定时间段的具体数值。

特别地，上述用户行为数据例如可以包括用户Cookie、用户对于多媒体资源的处理方式等字段。

其中，Cookie(Cookies)可以是一种通过浏览器保存在终端设备上的文本文件，指存储在终端设备上的一个小文本文件，其内容可以是任何信息，主要用在终端设备与服务器之间传递状态信息。用户对于多媒体资源的处理方式例如可以包括搜索、播放、收藏、评论、分享等处理。

例如，可以通过搜索某查询词来查找与该查询词相对应的多媒体资源、可以利用终端设备来播放某多媒体资源、可以收藏某多媒体资源以便于下次直接观看该多媒体资源、可以对某多媒体资源进行评分(例如，顶或踩)、可以在留言平台上直接写出观看某多媒体资源之后的想法、可以将某多媒体资源分享到朋友圈或单独分享给其他人。

当然，上述用户行为数据还可以包括：用户ID、多媒体资源的播放情况等字段。其中，用户ID可以用于唯一标识用户。多媒体资源的播放情况例如可以包括多媒体资源的总时间长度、多媒体资源的开始时间、多媒体资源的结束时间、多媒体资源的被播放时间长度。

例如，假设用户观看了影片A，该影片A的总时间长度为2小时，用户从第3分钟开始观看、在第88分钟结束了观看，则影片A的播放情况可以包括影片A的总时间长度2小时、影片A的开始时间第3分钟、影片A的结束时间第88分钟、以及影片A的被播放时间长度85分钟。

步骤S120、可以根据多个用户行为数据和至少一种推荐算法来获得待处理的多媒体资源的推荐内容。

可以根据在步骤S100中所获取的多个用户行为数据、并利用现有的一种推荐算法或多种推荐算法，获得待处理的多媒体资源的推荐内容(即，待推荐的多媒体资源)。

例如，可以根据所获取的多个用户行为数据并利用现有的基于用户的协同过滤算法来获得待处理的多媒体资源的推荐内容，又如，可以根据所获取的多个用户行为数据并利用现有的基于用户的协同过滤算法和基于点击率的预估技术这两种算法来获得待处理的多媒体资源的推荐内容。

由于不同的算法具有不同的数据适应性，因此利用不同的算法获得的待处理的多媒体资源的推荐内容也各有侧重。因而，在利用多种算法来获得待处理的多媒体资源的推荐内容的情况下，可以尽可能地覆盖更多的多媒体资源，从而可以在一定程度上防止遗漏用户感兴趣的多媒体资源，由此能够提高为用户推荐多媒体资源的准确度。

需要说明的是，在实际应用过程中，本领域技术人员可以根据实际应用场景以及自身所掌握的技术常识来灵活选择所利用的算法的数量以及种类，而不局限于上述示例。

步骤S140、可以根据用户兴趣模型和用户点击行为，对上述待处理的多媒体资源的推荐内容进行排序并推荐给用户。

例如，可以利用在步骤S120中所获得的多个用户行为数据来进行训练，以得到上述用户兴趣模型，具体地，利用所获得的多个用户行为数据进行训练，可以得到用户C喜欢观看明星D的多媒体资源、或者用户C喜欢在20：00点观看多媒体资源的用户兴趣模型。又如，也可以直接利用已有的用户兴趣模型，如，用户C注册某视频播放器的用户时所填写的性别、爱好等信息。

其中，用户点击行为例如可以包括：用户在某时间段内点击某多媒体资源的次数、用户在某时间段内观看某多媒体资源的时间、用户观看了由某位明星主演的所有多媒体资源、用户观看了某电视台的所有节目等。

特别地，本申请的发明人意识到为用户推荐多媒体资源应尽可能地从用户的角度来考虑用户感兴趣的多媒体资源，基于此，本申请的发明人想到在步骤S120获得待处理的多媒体资源的推荐内容之后，可以根据待处理的多媒体资源的推荐内容和用户兴趣模型、并利用用户点击行为来反馈计算待处理的多媒体资源的推荐内容是否是用户感兴趣的多媒体资源。

在一种可能的实现方式中，所述根据用户兴趣模型和用户点击行为，对所述待处理的媒体资源的推荐内容进行排序可以包括：

根据所述待处理的多媒体资源的推荐内容和所述用户兴趣模型，利用所述用户点击行为反馈计算所述待处理的多媒体资源的推荐内容的用户兴趣度；以及

按照所述用户兴趣度从大到小，对所述待处理的多媒体资源的推荐内容进行排序。

本发明实施例的多媒体资源的推荐方法，根据用户行为数据和至少一种推荐算法来获得待处理的多媒体资源的推荐内容，并根据用户兴趣模型和用户点击行为，对待处理的多媒体资源的推荐内容进行排序并推荐给用户，由此，通过从用户角度考虑用户感兴趣的多媒体资源使得能够合适地推荐多媒体资源。

进一步地，通过利用用户点击行为反馈计算待处理的多媒体资源的推荐内容的用户兴趣度，并按照用户兴趣度从大到小来对待处理的多媒体资源的推荐内容进行排序，从而能够按照用户兴趣度从大到小的顺序为用户推荐多媒体资源，由此能够更合适地为用户推荐多媒体资源，用户体验良好。

实施例2

图2示出根据本发明实施例二的多媒体资源的推荐方法的流程图。图2中标号与图1相同的步骤具有相同的功能，为简明起见，省略对这些步骤的详细说明。

如图2所示，图2所示的多媒体资源的推荐方法与图1所示的多媒体资源的推荐方法的主要区别在于，除了包括上述实施例一中的步骤S100、步骤S120、和步骤S140以外，还可以包括：

步骤S200、可以对多个所述用户行为数据进行过滤处理。

具体地，在从用户日志获取预定时间段内的多个用户行为数据之后、并且在根据多个用户行为数据和至少一种推荐算法来获得待处理的多媒体资源的推荐内容之前，可以对多个用户行为数据进行过滤处理，以从该多个用户行为数据中过滤掉异常用户行为数据，从而对所获取的多个用户行为数据进行预处理，这使得在步骤S120中可以使用过滤后的用户行为数据并利用至少一种推荐算法来获得待处理的多媒体资源的推荐内容，由此提高了为用户推荐多媒体资源的准确度。

在一种可能的实现方式中，如果用户行为数据包括用户Cookie和多媒体资源的处理方式，则如图3所示，上述步骤S200具体可以包括：

步骤S201、可以确定与用户Cookie相对应的多媒体资源的处理方式；

步骤S203、可以对确定出的多媒体资源的处理方式进行分析；

步骤S205、可以根据分析到的多媒体资源的处理方式，判断与用户Cookie相对应的用户行为数据是否是异常用户行为数据；以及

步骤S207、从在步骤S100中获取的多个用户行为数据中过滤掉在步骤S205中判断出的异常用户行为数据。

举例而言，假设在步骤S201中确定出与某用户Cookie相对应的多媒体资源的处理方式为播放，在步骤S203中对该播放处理方式进行分析得知，用户在12小时内观看了影片B三次，其中，第1次观看了1分钟，第2次观看了30秒，第3次观看了78分钟，则，步骤S205可以判断为前两次的用户行为数据均为异常用户行为数据，由此，在步骤S207中过滤掉第1次的用户行为数据和第2次的用户行为数据，而只保留正常用户行为数据、即第3次的用户行为数据。

本发明实施例的多媒体资源的推荐方法，根据过滤后的用户行为数据和至少一种推荐算法来获得待处理的多媒体资源的推荐内容，并根据用户兴趣模型和用户点击行为，对待处理的多媒体资源的推荐内容进行排序并推荐给用户，由此，通过从用户角度考虑用户感兴趣的多媒体资源使得能够合适地推荐多媒体资源，而且通过对用户行为数据进行预处理使得能够提高为用户推荐多媒体资源的准确度。

进一步地，通过利用用户点击行为反馈计算待处理的多媒体资源的推荐内容的用户兴趣度，并按照用户兴趣度从大到小来对待处理的多媒体资源的推荐内容进行排序，从而能够按照用户兴趣度从大到小的顺序为用户推荐多媒体资源，由此能够更合适地为用户推荐多媒体资源，用户体验良好。

实施例3

图4示出根据本发明实施例三的多媒体资源的推荐装置的结构框图。本实施例提供的多媒体资源的推荐装置400用于实现图1所示实施例提供的多媒体资源的推荐方法。如图4所示，该推荐装置400主要可以包括：

获取单元410，可以用于从用户日志获取预定时间段内的多个用户行为数据。

用户可以使用终端设备来播放多媒体资源。其中，该终端设备例如可以是手机、移动互联网设备、个人数字助理、笔记本、台式电脑、智能电视等。该多媒体资源例如可以是视频、音频、图片等。

需要说明的是，本发明的多媒体资源不仅限于上述三种示例，本领域技术人员应能够了解，本发明的重点并不在于多媒体资源，任何其它形式的多媒体资源也可以适用于本发明。也就是说，本发明并不限制多媒体资源的具体形式。

具体地，获取单元410可以从用户日志获取用户通过终端设备在预定时间段内观看多媒体资源的用户行为数据。其中，该预定时间段例如可以是12小时、24小时、30小时等。需要说明的是，本领域技术人员根据其掌握的技术常识应能够理解，前述预定时间段越长，从用户日志所获取的预定时间段内的用户行为数据越多，这将在一定程度上提高为用户推荐多媒体资源的准确度、从而可以更合适地为用户推荐多媒体资源，但是也会相应地增加下述获得待处理的多媒体资源的推荐内容的计算复杂度。本领域技术人员可以根据实际应用场景和应用需要，来自由选取预定时间段的具体数值。

特别地，上述用户行为数据例如可以包括用户Cookie、用户对于多媒体资源的处理方式等字段。

其中，Cookie(Cookies)可以是一种通过浏览器保存在终端设备上的文本文件，指存储在终端设备上的一个小文本文件，其内容可以是任何信息，主要用在终端设备与服务器之间传递状态信息。用户对于多媒体资源的处理方式例如可以包括搜索、播放、收藏、评论、分享等处理。

例如，可以通过搜索某查询词来查找与该查询词相对应的多媒体资源、可以利用终端设备来播放某多媒体资源、可以收藏某多媒体资源以便于下次直接观看该多媒体资源、可以对某多媒体资源进行评分(例如，顶或踩)、可以在留言平台上直接写出观看某多媒体资源之后的想法、可以将某多媒体资源分享到朋友圈或单独分享给其他人。

当然，上述用户行为数据还可以包括：用户ID、多媒体资源的播放情况等字段。其中，用户ID可以用于唯一标识用户。多媒体资源的播放情况例如可以包括多媒体资源的总时间长度、多媒体资源的开始时间、多媒体资源的结束时间、多媒体资源的被播放时间长度。

例如，假设用户观看了影片A，该影片A的总时间长度为2小时，用户从第3分钟开始观看、在第88分钟结束了观看，则影片A的播放情况可以包括影片A的总时间长度2小时、影片A的开始时间第3分钟、影片A的结束时间第88分钟、以及影片A的被播放时间长度85分钟。

获得单元430，与所述获取单元410连接，可以用于根据多个用户行为数据和至少一种推荐算法来获得待处理的多媒体资源的推荐内容。

获得单元430可以根据获取单元410所获取的多个用户行为数据、并利用现有的一种推荐算法或多种推荐算法，获得待处理的多媒体资源的推荐内容(即，待推荐的多媒体资源)。

例如，获得单元430可以根据所获取的多个用户行为数据并利用现有的基于用户的协同过滤算法来获得待处理的多媒体资源的推荐内容，又如，获得单元430可以根据所获取的多个用户行为数据并利用现有的基于用户的协同过滤算法和基于点击率的预估技术这两种算法来获得待处理的多媒体资源的推荐内容。

由于不同的算法具有不同的数据适应性，因此利用不同的算法获得的待处理的多媒体资源的推荐内容也各有侧重。因而，在利用多种算法来获得待处理的多媒体资源的推荐内容的情况下，可以尽可能地覆盖更多的多媒体资源，从而可以在一定程度上防止遗漏用户感兴趣的多媒体资源，由此能够提高为用户推荐多媒体资源的准确度。

需要说明的是，在实际应用过程中，本领域技术人员可以根据实际应用场景以及自身所掌握的技术常识来灵活选择所利用的算法的数量以及种类，而不局限于上述示例。

控制单元450，与所述获得单元430连接，可以用于根据用户兴趣模型和用户点击行为，对上述待处理的多媒体资源的推荐内容进行排序并推荐给用户。

例如，可以利用获得单元430所获得的多个用户行为数据来进行训练，以得到上述用户兴趣模型，具体地，利用所获得的多个用户行为数据进行训练，可以得到用户C喜欢观看明星D的多媒体资源、或者用户C喜欢在20：00点观看多媒体资源的用户兴趣模型。又如，也可以直接利用已有的用户兴趣模型，如，用户C注册某视频播放器的用户时所填写的性别、爱好等信息。

其中，用户点击行为例如可以包括：用户在某时间段内点击某多媒体资源的次数、用户在某时间段内观看某多媒体资源的时间、用户观看了由某位明星主演的所有多媒体资源、用户观看了某电视台的所有节目等。

特别地，本申请的发明人意识到为用户推荐多媒体资源应尽可能地从用户的角度来考虑用户感兴趣的多媒体资源，基于此，本申请的发明人想到在获得单元430获得待处理的多媒体资源的推荐内容之后，控制单元450可以根据待处理的多媒体资源的推荐内容和用户兴趣模型、并利用用户点击行为来反馈计算待处理的多媒体资源的推荐内容是否是用户感兴趣的多媒体资源。

在一种可能的实现方式中，控制单元450可以包括：

计算单元451，与所述获得单元430连接，可以用于根据所述待处理的多媒体资源的推荐内容和所述用户兴趣模型，利用所述用户点击行为反馈计算所述待处理的多媒体资源的推荐内容的用户兴趣度；以及

排序单元453，与所述计算单元451连接，可以用于按照所述用户兴趣度从大到小，对所述待处理的多媒体资源的推荐内容进行排序。

本发明实施例的多媒体资源的推荐装置，获得单元根据用户行为数据和至少一种推荐算法来获得待处理的多媒体资源的推荐内容，并且控制单元根据用户兴趣模型和用户点击行为，对待处理的多媒体资源的推荐内容进行排序并推荐给用户，由此，通过从用户角度考虑用户感兴趣的多媒体资源使得能够合适地推荐多媒体资源。

进一步地，通过计算单元利用用户点击行为反馈计算待处理的多媒体资源的推荐内容的用户兴趣度，并且排序单元按照用户兴趣度从大到小来对待处理的多媒体资源的推荐内容进行排序，从而能够按照用户兴趣度从大到小的顺序为用户推荐多媒体资源，由此能够更合适地为用户推荐多媒体资源，用户体验良好。

实施例4

图5示出根据本发明实施例四的多媒体资源的推荐装置的结构框图。本实施例提供的多媒体资源的推荐装置500用于实现图2所示实施例提供的多媒体资源的推荐方法。其中，图5与图4标号相同的组件，包括：获取单元410、获得单元430和控制单元450，具有与前述基本相同的功能，为简明起见，省略对这些组件的详细说明。

此外，通过比较图5和图4可知，图5所示实施例与图4所示实施例的主要区别在于，在图4所示的实施例的基础上，多媒体资源的推荐装置500还可以包括：

处理单元470，与所述获取单元410和所述获得单元430连接，可以用于在所述获取单元410从用户日志获取预定时间段内的多个用户行为数据之后、在所述获得单元430根据多个所述用户行为数据和至少一种推荐算法来获得待处理的多媒体资源的推荐内容之前，对多个所述用户行为数据进行过滤处理。

具体地，在获取单元410从用户日志获取预定时间段内的多个用户行为数据之后、并且在获得单元430根据多个用户行为数据和至少一种推荐算法来获得待处理的多媒体资源的推荐内容之前，处理单元470可以对多个用户行为数据进行过滤处理，以从该多个用户行为数据中过滤掉异常用户行为数据，从而对所获取的多个用户行为数据进行预处理，这使得获得单元430可以使用由处理单元470过滤后的用户行为数据并利用至少一种推荐算法来获得待处理的多媒体资源的推荐内容，由此提高了多媒体资源的推荐装置500为用户推荐多媒体资源的准确度。

在一种可能的实现方式中，如果用户行为数据包括用户Cookie和多媒体资源的处理方式，则如图5所示，上述处理单元470具体可以包括：

确定单元471，与所述获取单元410连接，可以用于确定与用户Cookie相对应的多媒体资源的处理方式；

分析单元473，与所述确定单元471连接，可以用于对确定出的多媒体资源的处理方式进行分析；

判断单元475，与所述分析单元473连接，可以用于根据分析到的多媒体资源的处理方式，判断与用户Cookie相对应的用户行为数据是否是异常用户行为数据；以及

过滤单元477，与所述判断单元475和所述获得单元430连接，可以用于从多个用户行为数据中过滤掉判断单元475判断出的异常用户行为数据。

举例而言，假设确定单元471确定出与某用户Cookie相对应的多媒体资源的处理方式为播放，分析单元473对该播放处理方式进行分析得知，用户在12小时内观看了影片B三次，其中，第1次观看了1分钟，第2次观看了30秒，第3次观看了78分钟，则判断单元475可以判断为前两次的用户行为数据均为异常用户行为数据，由此，过滤单元477可以过滤掉第1次的用户行为数据和第2次的用户行为数据，而只保留正常用户行为数据、即第3次的用户行为数据。

本发明实施例的多媒体资源的推荐装置，获得单元根据过滤后的用户行为数据和至少一种推荐算法来获得待处理的多媒体资源的推荐内容，并且控制单元根据用户兴趣模型和用户点击行为，对待处理的多媒体资源的推荐内容进行排序并推荐给用户，由此，通过从用户角度考虑用户感兴趣的多媒体资源使得能够合适地推荐多媒体资源，而且通过处理单元对用户行为数据进行预处理使得能够提高为用户推荐多媒体资源的准确度。

进一步地，通过计算单元利用用户点击行为反馈计算待处理的多媒体资源的推荐内容的用户兴趣度，并且排序单元按照用户兴趣度从大到小来对待处理的多媒体资源的推荐内容进行排序，从而能够按照用户兴趣度从大到小的顺序为用户推荐多媒体资源，由此能够更合适地为用户推荐多媒体资源，用户体验良好。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (8)

1.一种多媒体资源的推荐方法，其特征在于，包括：

从用户日志获取预定时间段内的多个用户行为数据；

根据多个所述用户行为数据和至少一种推荐算法来获得待处理的多媒体资源的推荐内容；以及

根据用户兴趣模型和用户点击行为，对所述待处理的多媒体资源的推荐内容进行排序并推荐给用户。

2.根据权利要求1所述的推荐方法，其特征在于，在所述从用户日志获取预定时间段内的多个用户行为数据之后、在所述根据多个所述用户行为数据和至少一种推荐算法来获得待处理的多媒体资源的推荐内容之前，包括：

对多个所述用户行为数据进行过滤处理。

3.根据权利要求2所述的推荐方法，其特征在于，所述用户行为数据包括用户Cookie和多媒体资源的处理方式，

其中，所述对多个所述用户行为数据进行过滤处理包括：

确定与用户Cookie相对应的多媒体资源的处理方式；

对确定出的多媒体资源的处理方式进行分析；

根据分析到的多媒体资源的处理方式，判断与所述用户Cookie相对应的用户行为数据是否是异常用户行为数据；以及

从多个所述用户行为数据中过滤所述异常用户行为数据。

4.根据权利要求1至3中任一项所述的推荐方法，其特征在于，所述根据用户兴趣模型和用户点击行为，对所述待处理的媒体资源的推荐内容进行排序包括：

根据所述待处理的多媒体资源的推荐内容和所述用户兴趣模型，利用所述用户点击行为反馈计算所述待处理的多媒体资源的推荐内容的用户兴趣度；以及

按照所述用户兴趣度从大到小，对所述待处理的多媒体资源的推荐内容进行排序。

5.一种多媒体资源的推荐装置，其特征在于，包括：

获取单元，用于从用户日志获取预定时间段内的多个用户行为数据；

获得单元，与所述获取单元连接，用于根据多个所述用户行为数据和至少一种推荐算法来获得待处理的多媒体资源的推荐内容；以及

控制单元，与所述获得单元连接，用于根据用户兴趣模型和用户点击行为，对所述待处理的多媒体资源的推荐内容进行排序并推荐给用户。

6.根据权利要求5所述的推荐装置，其特征在于，还包括：

处理单元，与所述获取单元和所述获得单元连接，用于在所述获取单元从用户日志获取预定时间段内的多个用户行为数据之后、在所述获得单元根据多个所述用户行为数据和至少一种推荐算法来获得待处理的多媒体资源的推荐内容之前，对多个所述用户行为数据进行过滤处理。

7.根据权利要求6所述的推荐装置，其特征在于，所述用户行为数据包括用户Cookie和多媒体资源的处理方式，

其中，所述处理单元包括：

确定单元，与所述获取单元连接，用于确定与用户Cookie相对应的多媒体资源的处理方式；

分析单元，与所述确定单元连接，用于对确定出的多媒体资源的处理方式进行分析；

判断单元，与所述分析单元连接，用于根据分析到的多媒体资源的处理方式，判断与所述用户Cookie相对应的用户行为数据是否是异常用户行为数据；以及

过滤单元，与所述判断单元和所述获得单元连接，用于从多个所述用户行为数据中过滤所述异常用户行为数据。

8.根据权利要求5至7中任一项所述的推荐装置，其特征在于，所述控制单元包括：

计算单元，与所述获得单元连接，用于根据所述待处理的多媒体资源的推荐内容和所述用户兴趣模型，利用所述用户点击行为反馈计算所述待处理的多媒体资源的推荐内容的用户兴趣度；以及

排序单元，与所述计算单元连接，用于按照所述用户兴趣度从大到小，对所述待处理的多媒体资源的推荐内容进行排序。