CN105719164A - 一种推荐付费多媒体资源的方法及装置 - Google Patents

Abstract

本发明实施例提供一种推荐付费多媒体资源的方法及装置，涉及计算机数据挖掘技术领域，能够提高用户对付费多媒体资源的点击率。包括：根据用户的付费特征参数计算用户付费预测值；当所述用户付费预测值满足用户付费阈值时，根据付费多媒体资源间的相似度度量值，确定所述用户的推荐付费多媒体资源，所述用户的推荐付费多媒体资源为与所述用户的已观看付费多媒体资源相似的付费多媒体资源。用于提高用户对付费多媒体资源的点击率。

Description

一种推荐付费多媒体资源的方法及装置

技术领域

本发明涉及计算机数据挖掘技术领域，尤其涉及一种推荐付费多媒体资源的方法及装置。

背景技术

随着互联网技术的发展，用户通过终端设备访问网络提供的多媒体资源进行各种娱乐活动，多媒体资源可以是图书、视频或网页等。目前，无论是多媒体资源门户网站还是智能电视均设置有VIP专区，VIP专区为用户提供付费多媒体资源。但是，VIP专区内的付费多媒体资源通常都是定期更新的最新最热的付费多媒体资源，并不是用户都真正感兴趣的多媒体资源，因而，VIP专区为用户提供付费多媒体资源缺乏个性化，这样大众化的展示结果很难引起用户独有的兴趣，最终导致用户对VIP专区的点击量不是很大，用户付费行为更是寥寥无几。可见，如何针对用户的兴趣为用户提供付费多媒体资源，提高用户对付费多媒体资源的点击率是一个亟待解决的问题。

发明内容

本发明实施例提供一种推荐付费多媒体资源的方法及装置，能够筛选出具有倾向付费行为的用户，针对具有倾向付费行为的用户的兴趣为用户提供付费多媒体资源，从而提高用户对付费多媒体资源的点击率。

为达到上述目的，本发明实施例采用的技术方案是：

第一方面，提供一种推荐付费多媒体资源的方法，包括：

首先，根据用户的付费特征参数计算用户付费预测值；

当所述用户付费预测值满足用户付费阈值时，根据付费多媒体资源间的相似度度量值，确定所述用户的推荐付费多媒体资源，所述用户的推荐付费多媒体资源为与所述用户的已观看付费多媒体资源相似的付费多媒体资源。

上述第一方面提供的推荐付费多媒体资源的方法，根据用户的付费特征参数来计算用户付费预测值，当用户付费预测值满足用户付费阈值时，说明用户观看付费多媒体资源的倾向度较高，从而根据付费多媒体资源间的相似度度量值，将与用户的已观看付费多媒体资源相似的付费多媒体资源作为所述用户的推荐付费多媒体资源，那么通过筛选出具有倾向付费行为的用户，针对具有倾向付费行为的用户的兴趣为用户提供付费多媒体资源，从而提供给用户的推荐付费多媒体资源是用户倾向于付费观看的多媒体资源，提高了用户对付费多媒体资源的点击率。

第二方面，提供一种推荐付费多媒体资源装置，包括：

处理单元，用于根据用户的付费特征参数计算用户付费预测值；

所述处理单元，还用于当所述用户付费预测值满足用户付费阈值时，根据付费多媒体资源间的相似度度量值，确定所述用户的推荐付费多媒体资源，所述用户的推荐付费多媒体资源为与所述用户的已观看付费多媒体资源相似的付费多媒体资源。

上述第二方面提供的推荐付费多媒体资源装置，根据用户的付费特征参数来计算用户付费预测值，当用户付费预测值满足用户付费阈值时，说明用户观看付费多媒体资源的倾向度较高，从而根据付费多媒体资源间的相似度度量值，将与用户的已观看付费多媒体资源相似的付费多媒体资源作为所述用户的推荐付费多媒体资源，那么通过筛选出具有倾向付费行为的用户，针对具有倾向付费行为的用户的兴趣为用户提供付费多媒体资源，从而提供给用户的推荐付费多媒体资源是用户倾向于付费观看的多媒体资源，提高了用户对付费多媒体资源的点击率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，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推荐付费多媒体资源的方法流程图；

图2为本发明实施例提供的另一种推荐付费多媒体资源的方法流程图；

图3为本发明实施例提供的一种推荐付费多媒体资源装置结构示意图；

图4为本发明实施例提供的另一种推荐付费多媒体资源装置结构示意图。

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。

本发明的基本原理在于：针对现有技术中VIP专区为用户仅提供最新最热的付费多媒体资源，该付费多媒体资源并非针对用户的兴趣提供的，导致用户对付费多媒体资源的点击率较低。本发明根据用户的付费特征参数来计算用户付费预测值，当用户付费预测值满足用户付费阈值时，说明用户观看付费多媒体资源的倾向度较高，从而根据付费多媒体资源间的相似度度量值，将与用户的已观看付费多媒体资源相似的付费多媒体资源作为所述用户的推荐付费多媒体资源，这样一来，通过筛选出具有倾向付费行为的用户，针对具有倾向付费行为的用户的兴趣为用户提供付费多媒体资源，从而提供给用户的推荐付费多媒体资源是用户倾向于付费观看的多媒体资源，提高了用户对付费多媒体资源的点击率。

需要说明的是，只要是需要付费才能观看的多媒体资源均可以采用本发明所述的推荐付费多媒体资源的方法向用户推荐付费多媒体资源。本发明所述的多媒体资源可以是视频、电视剧、电影或图书等，本发明在此对多媒体资源不做限定。

实施例1

本发明实施例提供一种推荐付费多媒体资源的方法，如图1所示，应用于推荐付费多媒体资源装置，该推荐付费多媒体资源装置可以是一个服务器，所述方法包括：

步骤101、根据用户的付费特征参数计算用户付费预测值。

付费特征参数包括付费多媒体资源观看比例、付费多媒体资源搜索比例、付费多媒体资源收藏比例和观看多媒体资源数。

付费多媒体资源观看比例为用户观看过的付费多媒体资源的个数与用户观看过的多媒体资源库的个数之比，用户观看过的多媒体资源库包括付费多媒体资源和免费多媒体资源，即付费多媒体资源观看比例＝观看付费多媒体资源数/所述观看多媒体资源数。

同理，付费多媒体资源搜索比例＝搜索付费多媒体资源数/所述搜索多媒体资源数。

付费多媒体资源收藏比例＝收藏付费多媒体资源数/所述收藏多媒体资源数。

对于用户付费行为的预测属于二分类问题，可以采用逻辑回归(英文全称：LogisticRegression，英文简称：LR)模型。可以根据用户的付费特征参数，通过付费预测公式计算用户付费预测值，所述付费预测公式为：

$y=h_{\mathrm{\θ}}\left(x\right)=\frac{1}{1+e^{-({\mathrm{\θ}}_0+{\mathrm{\θ}}_1{x}_1+{\mathrm{\θ}}_2{x}_2+{\mathrm{\θ}}_3{x}_3+{\mathrm{\θ}}_4{x}_4)}}---\left(1.1\right)$

其中，X表示用户的付费特征向量，y表示用户付费预测值，x₁表示付费多媒体资源观看比例，x₂表示付费多媒体资源搜索比例，x₃表示付费多媒体资源收藏比例，x₄表示观看多媒体资源数。

还可以将付费预测公式(1.1)表示成向量相乘的形式，如公式(1.2)所示：

$y=h_{\mathrm{\θ}}\left(x\right)=\frac{1}{1+e^{-{\mathrm{\θ}}^{T}x}}---\left(1.2\right)$

其中，x₀＝1，x＝[x₀x₁x₂x₃x₄]， $\mathrm{\θ}=\left[\begin{array}{c}{\mathrm{\θ}}_0\\ {\mathrm{\θ}}_1\\ {\mathrm{\θ}}_2\\ {\mathrm{\θ}}_3\\ {\mathrm{\θ}}_4\end{array}\right],$ θ^T为θ的转置。

需要说明的是，为了求取上述参数θ，定义似然函数为：

$L\left(\mathrm{\θ}\right|x,y)=\underset{i=1}{\overset{N+M}{\Π}}{\left(h_{\mathrm{\θ}}\right(x^{\left(i\right)}\left)\right)}^{y^{\left(i\right)}}{(1-h_{\mathrm{\θ}}(x^{\left(i\right)}\left)\right)}^{1-y^{\left(i\right)}})---\left(1.3\right)$

其中，X表示用户的付费特征向量，N表示会员用户的个数，M表示非会员用户的个数，利用N+M个用户的付费特征向量进行估计参数θ。也可以用J表示用户的个数，可以不用分会员用户和非会员用户。

对数似然函数为：

$l\left(\mathrm{\θ}\right)=log\left(L\right(\mathrm{\θ}|x,y\left)\right)=\underset{i=1}{\overset{N+M}{\Σ}}\left(y^{\left(i\right)}\log \right(h_{\mathrm{\θ}}\left(x^{\left(i\right)}\right))+(1-y^{\left(i\right)}\left)\right(1-h_{\mathrm{\θ}}\left(x^{\left(i\right)}\right)\left)\right)---\left(1.4\right)$

每次迭代更新可以通过如下公式：

$\mathrm{\θ}:=\mathrm{\θ}+\mathrm{\α}\·\frac{\∂l\left(\mathrm{\θ}\right)}{\∂\mathrm{\θ}}---\left(1.5\right)$

其中，α表示迭代步长，具体取值根据实际需要或经验确定；表示本次迭代过程中计算的似然函数的梯度。迭代直到收敛，得到参数θ。

从而，将根据用户标识获取到用户的付费多媒体资源观看比例、付费多媒体资源搜索比例、付费多媒体资源收藏比例和观看多媒体资源数，代入付费预测公式(1.1)得到用户付费预测值。

步骤102、当所述用户付费预测值满足用户付费阈值时，根据付费多媒体资源间的相似度度量值，确定所述用户的推荐付费多媒体资源。

用户付费阈值用于判断用户是否倾向于付费观看多媒体资源。用户付费阈值可以是预先设置的一个具体的数值，也可以是预先设置的一个固定范围内的任一的数值。例如，付费预测值是一个0-1之间的数值，付费阈值可以设置为0.5，或者，付费阈值可以设置为0.4到0.6之间的任一的数值。

示例的，当用户付费预测值大于或等于用户付费阈值时可以表示为用户付费预测值满足用户付费阈值，根据付费多媒体资源间的相似度度量值，确定与用户的已观看付费多媒体资源相似的付费多媒体资源，即用户的推荐付费多媒体资源。

而当用户付费预测值小于用户付费阈值时可以表示为用户付费预测值不满足用户付费阈值。

推荐付费多媒体资源装置存储有付费多媒体资源，推荐付费多媒体资源装置可以预先计算存储付费多媒体资源间的相似度度量值，也可以实时计算付费多媒体资源间的相似度度量值。

具体的，根据用户标识获取该用户已观看过的多媒体资源，从该用户已观看过的多媒体资源中获取用户已观看过的付费多媒体资源，对于每个付费多媒体资源，可以根据付费多媒体资源的标识，以及付费多媒体资源的相似度度量值选取与所述用户的已观看付费多媒体资源相似的多媒体资源作为所述用户的推荐付费多媒体资源。如果付费多媒体资源与多媒体资源库中的某个多媒体资源不存在相似度度量值，那么该多媒体资源可以认为不是相似的多媒体资源。

多媒体资源间的相似度度量值可以采用Item-BasedCF算法获取。示例的，多媒体资源i与多媒体资源j间的相似度度量值可以表示为既观看过多媒体资源i的用户数又观看过多媒体资源j的用户数，与观看过多媒体资源i的用户数、观看过多媒体资源j的用户数和既观看过多媒体资源i的用户数又观看过多媒体资源j的用户数三者之和的比值。多媒体资源可以是付费的多媒体资源也可以是免费的多媒体资源。

Item-BasedCF算法的基本思想是预先根据所有用户的历史偏好数据计算物品之间的相似性，然后把与用户喜欢的物品相类似的物品推荐给用户。此算法在推荐领域已比较成熟，本发明在此不再赘述。

需要说明的是，当用户付费预测值小于用户付费阈值时，说明用户观看付费多媒体资源的倾向度较低，那么就可以不用为用户提供付费多媒体资源，不再执行以下步骤。

这样一来，根据用户的付费特征参数来计算用户付费预测值，当用户付费预测值满足用户付费阈值时，说明用户观看付费多媒体资源的倾向度较高，从而根据付费多媒体资源间的相似度度量值，将与用户的已观看付费多媒体资源相似的付费多媒体资源作为所述用户的推荐付费多媒体资源，那么通过筛选出具有倾向付费行为的用户，针对具有倾向付费行为的用户的兴趣为用户提供付费多媒体资源，从而提供给用户的推荐付费多媒体资源是用户倾向于付费观看的多媒体资源，提高了用户对付费多媒体资源的点击率，增加了用户付费的概率，达到了利益的最大化。

进一步的，如图2所示，在根据用户的付费特征参数计算用户付费预测值之前，例如步骤101之前，所述方法还包括：

步骤103、根据用户标识从用户行为日志中获取观看付费多媒体资源数、观看多媒体资源数、搜索付费多媒体资源数、搜索多媒体资源数、收藏付费多媒体资源数和收藏多媒体资源数。

用户行为日志记录了用户观看、搜索、收藏过的多媒体资源，包括付费多媒体资源和免费多媒体资源，即用户的所有行为均有记录。其中，所述观看多媒体资源数包括所述用户的已观看付费多媒体资源的个数和所述用户的已观看免费多媒体资源的个数，所述搜索多媒体资源数包括所述用户的已搜索付费多媒体资源的个数和所述用户的已搜索免费多媒体资源的个数，所述收藏多媒体资源数包括所述用户的已收藏付费多媒体资源的个数和所述用户的已收藏免费多媒体资源的个数。需要说明的是，用户标识可以用户的IP地址，也可以是用户的ID，只要是能区别不同的用户即可，本发明在此不作限定。

步骤104、根据观看付费多媒体资源数、观看多媒体资源数、搜索付费多媒体资源数、搜索多媒体资源数、收藏付费多媒体资源数和收藏多媒体资源数，得到付费特征参数。

付费特征参数包括付费多媒体资源观看比例、付费多媒体资源搜索比例、付费多媒体资源收藏比例和观看多媒体资源数。

付费多媒体资源观看比例为用户已观看过的付费多媒体资源的个数与用户已观看过的多媒体资源的个数之比，用户观看过的多媒体资源包括付费多媒体资源和免费多媒体资源，即付费多媒体资源观看比例＝观看付费多媒体资源数/观看多媒体资源数。

同理，付费多媒体资源搜索比例＝搜索付费多媒体资源数/搜索多媒体资源数。

付费多媒体资源收藏比例＝收藏付费多媒体资源数/收藏多媒体资源数。

如表1所示，付费多媒体资源样本集，

表1付费多媒体资源样本集

其中，用户栏的1表示会员用户，用户栏的0表示非会员用户。需要说明的是，是否付费栏的1或0并不是表示y的值，只是表示有无付费倾向，即是否付费栏的1表示有付费倾向，是否付费栏的0表示无付费倾向。

当所述用户付费预测值满足用户付费阈值时，根据付费多媒体资源间的相似度度量值，确定所述用户的推荐付费多媒体资源之后，例如步骤102之后，所述方法还包括：

步骤105、计算用户的已观看付费多媒体资源与用户的推荐付费多媒体资源间的权重值。

具体的，可以根据权重公式计算所述用户的已观看付费多媒体资源与所述用户的推荐付费多媒体资源间的权重值，所述权重公式为：

$w_{ij}=\frac{A\left(i\right)}{B\left(i\right)}+C\left(i\right)+D\left(j\right)---\left(1.6\right)$

其中，w_ij表示多媒体资源i与多媒体资源j间的权重值，A(i)表示用户观看多媒体资源i的时长，B(i)表示多媒体资源i的时长，C(i)表示多媒体资源i的付费权重，当C(i)为1表示多媒体资源i为付费多媒体资源，当C(i)为0表示多媒体资源i为免费多媒体资源，D(j)表示多媒体资源j上线时间权重，例如，若多媒体资源上线时间在某年之后的权重为1，所述某年之前的权重为0.5。

步骤106、根据所述用户的已观看付费多媒体资源和所述用户的推荐付费多媒体资源间的权重值，以及相似度度量值，获取加权处理后的相似度度量值，得到推荐付费多媒体资源列表。

具体的，可以将所述用户的已观看付费多媒体资源和所述用户的推荐付费多媒体资源间的权重值，以及所述用户的已观看付费多媒体资源和所述用户的推荐付费多媒体资源间的相似度度量值相乘，得到所述用户的已观看付费多媒体资源和所述用户的推荐付费多媒体资源间的加权处理后的相似度度量值。

示例的，多媒体资源i与多媒体资源j的加权处理后的相似度度量值为：

R_ij＝w_ijr_ij(1.7)

其中，r_ij为根据Item-BasedCF算计计算出的多媒体资源i与多媒体资源j的相似度度量值。

可以生成VIP私人定制区，该VIP私人定制区包括推荐付费多媒体资源列表，针对用户的兴趣为用户提供付费多媒体资源。其中，推荐付费多媒体资源列表包括的推荐付费多媒体资源可以是按照所述用户的推荐付费多媒体资源的加权处理后的相似度度量值从大到小进行排序。

需要说明的是，若推荐付费多媒体资源列表的容量有限，推荐付费多媒体资源比推荐付费多媒体资源列表能够存储的多媒体资源多，那么可以对推荐付费多媒体资源排序，按照推荐付费多媒体资源的加权处理后的相似度度量值从大到小获取推荐付费多媒体资源列表能够存储的推荐付费多媒体资源的个数。

这样一来，根据推荐付费多媒体资源与用户观看过的付费多媒体资源的相似度，对推荐付费多媒体资源进行进一步的排序，使得相似度越高的推荐付费多媒体资源排在前面，使用户更容易点击该推荐付费多媒体资源，从而更加有效地提高了用户对付费多媒体资源的点击率，增加了用户付费的概率，达到了利益的最大化。

实施例2

本发明实施例提供的一种推荐付费多媒体资源装置20，如图3所示，包括：

处理单元201，用于根据用户的付费特征参数计算用户付费预测值；

所述处理单元201，还用于当所述用户付费预测值满足用户付费阈值时，根据付费多媒体资源间的相似度度量值，确定所述用户的推荐付费多媒体资源，所述用户的推荐付费多媒体资源为与所述用户的已观看付费多媒体资源相似的付费多媒体资源。

这样一来，根据用户的付费特征参数来计算用户付费预测值，当用户付费预测值满足用户付费阈值时，说明用户观看付费多媒体资源的倾向度较高，从而根据付费多媒体资源间的相似度度量值，将与用户的已观看付费多媒体资源相似的付费多媒体资源作为所述用户的推荐付费多媒体资源，那么通过筛选出具有倾向付费行为的用户，针对具有倾向付费行为的用户的兴趣为用户提供付费多媒体资源，从而提供给用户的推荐付费多媒体资源是用户倾向于付费观看的多媒体资源，提高了用户对付费多媒体资源的点击率，增加了用户付费的概率，达到了利益的最大化。

需要说明的是，所述付费特征参数包括付费多媒体资源的观看比例、搜索比例和收藏比例，以及观看多媒体资源数。所述付费多媒体资源观看比例为观看付费多媒体资源数与所述观看多媒体资源数之比，所述付费多媒体资源搜索比例为搜索付费多媒体资源数与所述搜索多媒体资源数之比，所述付费多媒体资源收藏比例为收藏付费多媒体资源数与所述收藏多媒体资源数之比。

具体的，所述处理单元201可以根据用户标识从用户行为日志中获取观看付费多媒体资源数、观看多媒体资源数、搜索付费多媒体资源数、搜索多媒体资源数、收藏付费多媒体资源数和收藏多媒体资源数，其中，所述观看多媒体资源数包括所述用户的已观看付费多媒体资源的个数和所述用户的已观看免费多媒体资源的个数，所述搜索多媒体资源数包括所述用户的已搜索付费多媒体资源的个数和所述用户的已搜索免费多媒体资源的个数，所述收藏多媒体资源数包括所述用户的已收藏付费多媒体资源的个数和所述用户的已收藏免费多媒体资源的个数；

根据所述观看付费多媒体资源数、所述观看多媒体资源数、所述搜索付费多媒体资源数、所述搜索多媒体资源数、所述收藏付费多媒体资源数和所述收藏多媒体资源数，得到付费特征参数。

所述推荐付费多媒体资源装置20还包括：

第一存储单元202，用于存储用户行为日志，即观看付费多媒体资源数、观看多媒体资源数、搜索付费多媒体资源数、搜索多媒体资源数、收藏付费多媒体资源数和收藏多媒体资源数；

第二存储单元203，用于存储处理单元201执行本发明方案的应用程序代码。并由处理单元201来控制执行。所述处理单元201用于执行所述第一存储单元202和所述第二存储单元203中存储的应用程序代码。

所述处理单元201，具体用于根据用户的付费特征参数，通过付费预测公式计算用户付费预测值，所述付费预测公式为：

$y=h_{\mathrm{\θ}}\left(x\right)=\frac{1}{1+e^{-({\mathrm{\θ}}_0+{\mathrm{\θ}}_1{x}_1+{\mathrm{\θ}}_2{x}_2+{\mathrm{\θ}}_3{x}_3+{\mathrm{\θ}}_4{x}_4)}};$

其中，X表示用户的付费特征向量，y表示用户付费预测值，x₁表示付费多媒体资源观看比例，x₂表示付费多媒体资源搜索比例，x₃表示付费多媒体资源收藏比例，x₄表示观看多媒体资源数。

所述处理单元201，还用于：

计算所述用户的已观看付费多媒体资源与所述用户的推荐付费多媒体资源间的权重值；

根据所述用户的已观看付费多媒体资源和所述用户的推荐付费多媒体资源间的权重值，以及相似度度量值，获取加权处理后的相似度度量值，得到推荐付费多媒体资源列表，其中，推荐付费多媒体资源列表包括的推荐付费多媒体资源可以是按照所述用户的推荐付费多媒体资源的加权处理后的相似度度量值从大到小进行排序。

所述处理单元201，具体用于根据权重公式计算所述用户的已观看付费多媒体资源与所述用户的推荐付费多媒体资源间的权重值，所述权重公式为：

$w_{ij}=\frac{A\left(i\right)}{B\left(i\right)}+C\left(i\right)+D\left(j\right);$

其中，w_ij表示多媒体资源i与多媒体资源j间的权重值，A(i)表示用户观看多媒体资源i的时长，B(i)表示多媒体资源i的时长，C(i)表示多媒体资源i的付费权重，当C(i)为1表示多媒体资源i为付费多媒体资源，当C(i)为0表示多媒体资源i为免费多媒体资源，D(j)表示多媒体资源j上线时间权重；

所述处理单元201，具体用于：

将所述用户的已观看付费多媒体资源和所述用户的推荐付费多媒体资源间的权重值，以及所述用户的已观看付费多媒体资源和所述用户的推荐付费多媒体资源间的相似度度量值相乘，得到所述用户的已观看付费多媒体资源和所述用户的推荐付费多媒体资源间的加权处理后的相似度度量值。

需要说明的是，本发明所述的数据处理装置可以是一个服务器，图4所示为本发明实施例提供的服务器的结构示意图。服务器30包括至少一个处理器301，通信总线302，存储器303以及至少一个通信接口304。

处理器301可以是一个处理器，也可以是多个处理元件的统称，用于完成处理单元201所执行的方案。例如，处理器301可以是一个通用中央处理器(英文全称：CentralProcessingUnit，英文简称：CPU)，也可以是特定应用集成电路(英文全称：application-specificintegratedcircuit，英文简称：ASIC)，或一个或多个用于控制本发明方案程序执行的集成电路，例如：一个或多个微处理器(英文全称：digitalsignalprocessor，英文简称：DSP)，或，一个或者多个现场可编程门阵列(英文全称：FieldProgrammableGateArray，英文简称：FPGA)。

在具体实现中，作为一种实施例，处理器301可以包括一个或多个CPU，例如图4中的CPU0和CPU1。

在具体实现中，作为一种实施例，服务器30可以包括多个处理器，例如图4中的处理器301和处理器305。这些处理器中的每一个可以是一个单核(single-CPU)处理器，也可以是一个多核(multi-CPU)处理器。这里的处理器可以指一个或多个设备、电路、和/或用于处理数据(例如计算机程序指令)的处理核。

通信总线302可以是工业标准体系结构(英文全称：IndustryStandardArchitecture，英文简称：ISA)总线、外部设备互连(英文全称：PeripheralComponent，英文简称：PCI)总线或扩展工业标准体系结构(英文全称：ExtendedIndustryStandardArchitecture，英文简称：EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示，图4中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

存储器303可以是只读存储器(英文全称：read-onlymemory，英文简称：ROM)或可存储静态信息和指令的其他类型的静态存储设备，随机存取存储器(英文全称：randomaccessmemory，英文简称：RAM)或者可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器(英文全称：ElectricallyErasableProgrammableRead-OnlyMemory，英文简称：EEPROM)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。存储器可以是独立存在，通过总线与处理器相连接。存储器也可以和处理器集成在一起。

其中，所述存储器303用于存储执行本发明方案的应用程序代码，并由处理器301来控制执行。所述处理器301用于执行所述存储器303中存储的应用程序代码。

所述通信接口304，使用任何收发器一类的装置，用于与其他设备或通信网络通信，如以太网，无线接入网(RAN)，无线局域网(英文全称：WirelessLocalAreaNetworks，英文简称：WLAN)等。通信接口304可以包括接收单元实现接收功能，以及发送单元实现发送功能。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。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 (10)

1.一种推荐付费多媒体资源的方法，其特征在于，包括：

根据用户的付费特征参数计算用户付费预测值；

当所述用户付费预测值满足用户付费阈值时，根据付费多媒体资源间的相似度度量值，确定所述用户的推荐付费多媒体资源，所述用户的推荐付费多媒体资源为与所述用户的已观看付费多媒体资源相似的付费多媒体资源。

2.根据权利要求1所述的方法，其特征在于，所述付费特征参数包括付费多媒体资源的观看比例、搜索比例和收藏比例，以及观看多媒体资源数。

3.根据权利要求2所述的方法，其特征在于，所述根据用户的付费特征参数计算用户付费预测值包括：

根据用户的付费特征参数，通过付费预测公式计算用户付费预测值，所述付费预测公式为：

$y=h_{\mathrm{\θ}}\left(x\right)=\frac{1}{1+e^{-({\mathrm{\θ}}_0+{\mathrm{\θ}}_1{x}_1+{\mathrm{\θ}}_2{x}_2+{\mathrm{\θ}}_3{x}_3+{\mathrm{\θ}}_4{x}_4)}};$

其中，X表示用户的付费特征向量，y表示用户付费预测值，x₁表示付费多媒体资源观看比例，x₂表示付费多媒体资源搜索比例，x₃表示付费多媒体资源收藏比例，x₄表示观看多媒体资源数。

4.根据权利要求3所述的方法，其特征在于，当所述用户付费预测值满足用户付费阈值时，根据付费多媒体资源间的相似度度量值，确定所述用户的推荐付费多媒体资源之后，所述方法还包括：

计算所述用户的已观看付费多媒体资源与所述用户的推荐付费多媒体资源间的权重值；

根据所述用户的已观看付费多媒体资源和所述用户的推荐付费多媒体资源间的权重值，以及相似度度量值，获取加权处理后的相似度度量值，得到推荐付费多媒体资源列表。

5.根据权利要求4所述的方法，其特征在于，所述计算所述用户的已观看付费多媒体资源与所述用户的推荐付费多媒体资源间的权重值包括：

根据权重公式计算所述用户的已观看付费多媒体资源与所述用户的推荐付费多媒体资源间的权重值，所述权重公式为：

$w_{ij}=\frac{A\left(i\right)}{B\left(i\right)}+C\left(i\right)+D\left(j\right);$

其中，w_ij表示多媒体资源i与多媒体资源j间的权重值，A(i)表示用户观看多媒体资源i的时长，B(i)表示多媒体资源i的时长，C(i)表示多媒体资源i的付费权重，当C(i)为1表示多媒体资源i为付费多媒体资源，当C(i)为0表示多媒体资源i为免费多媒体资源，D(j)表示多媒体资源j上线时间权重；

所述根据所述用户的已观看付费多媒体资源和所述用户的推荐付费多媒体资源间的权重值，以及相似度度量值，获取加权处理后的相似度度量值包括：

将所述用户的已观看付费多媒体资源和所述用户的推荐付费多媒体资源间的权重值与相似度度量值相乘，得到加权处理后的相似度度量值。

6.一种推荐付费多媒体资源装置，其特征在于，包括：

处理单元，用于根据用户的付费特征参数计算用户付费预测值；

所述处理单元，还用于当所述用户付费预测值满足用户付费阈值时，根据付费多媒体资源间的相似度度量值，确定所述用户的推荐付费多媒体资源，所述用户的推荐付费多媒体资源为与所述用户的已观看付费多媒体资源相似的付费多媒体资源。

7.根据权利要求6所述的装置，其特征在于，所述付费特征参数包括付费多媒体资源的观看比例、搜索比例和收藏比例，以及观看多媒体资源数。

8.根据权利要求7所述的装置，其特征在于，所述处理单元，具体用于根据用户的付费特征参数，通过付费预测公式计算用户付费预测值，所述付费预测公式为：

$y=h_{\mathrm{\θ}}\left(x\right)=\frac{1}{1+e^{-({\mathrm{\θ}}_0+{\mathrm{\θ}}_1{x}_1+{\mathrm{\θ}}_2{x}_2+{\mathrm{\θ}}_3{x}_3+{\mathrm{\θ}}_4{x}_4)}};$

其中，X表示用户的付费特征向量，y表示用户付费预测值，x₁表示付费多媒体资源观看比例，x₂表示付费多媒体资源搜索比例，x₃表示付费多媒体资源收藏比例，x₄表示观看多媒体资源数。

9.根据权利要求8所述的装置，其特征在于，所述处理单元，还用于：

计算所述用户的已观看付费多媒体资源与所述用户的推荐付费多媒体资源间的权重值；

根据所述用户的已观看付费多媒体资源和所述用户的推荐付费多媒体资源间的权重值，以及相似度度量值，获取加权处理后的相似度度量值，得到推荐付费多媒体资源列表。

10.根据权利要求9所述的装置，其特征在于，所述处理单元，具体用于根据权重公式计算所述用户的已观看付费多媒体资源与所述用户的推荐付费多媒体资源间的权重值，所述权重公式为：

$w_{ij}=\frac{A\left(i\right)}{B\left(i\right)}+C\left(i\right)+D\left(j\right);$

其中，w_ij表示多媒体资源i与多媒体资源j间的权重值，A(i)表示用户观看多媒体资源i的时长，B(i)表示多媒体资源i的时长，C(i)表示多媒体资源i的付费权重，当C(i)为1表示多媒体资源i为付费多媒体资源，当C(i)为0表示多媒体资源i为免费多媒体资源，D(j)表示多媒体资源j上线时间权重；

所述处理单元，具体用于：

将所述用户的已观看付费多媒体资源和所述用户的推荐付费多媒体资源间的权重值与相似度度量值相乘，得到加权处理后的相似度度量值。