CN105930532A - 一种向用户推荐多媒体资源的方法和装置 - Google Patents

一种向用户推荐多媒体资源的方法和装置 Download PDF

Info

Publication number
CN105930532A
CN105930532A CN201610428705.2A CN201610428705A CN105930532A CN 105930532 A CN105930532 A CN 105930532A CN 201610428705 A CN201610428705 A CN 201610428705A CN 105930532 A CN105930532 A CN 105930532A
Authority
CN
China
Prior art keywords
user
tendency
feature
multimedia
multimedia resource
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
Application number
CN201610428705.2A
Other languages
English (en)
Other versions
CN105930532B (zh
Inventor
黄彦林
王文杰
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.)
Shanghai Synacast Media Technology Co Ltd
Original Assignee
Shanghai Synacast Media Technology Co Ltd
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 Shanghai Synacast Media Technology Co Ltd filed Critical Shanghai Synacast Media Technology Co Ltd
Priority to CN201610428705.2A priority Critical patent/CN105930532B/zh
Publication of CN105930532A publication Critical patent/CN105930532A/zh
Application granted granted Critical
Publication of CN105930532B publication Critical patent/CN105930532B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F16/43—Querying
    • G06F16/435—Filtering based on additional data, e.g. user or group profiles
    • G06F16/437—Administration of user profiles, e.g. generation, initialisation, adaptation, distribution
    • 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
    • G06F16/43—Querying
    • G06F16/435—Filtering based on additional data, e.g. user or group profiles
    • 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
    • G06F16/48—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Library & Information Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

提供一种在计算机设备中向用户推荐多媒体资源的方法，其中，该方法包括以下步骤：根据用户的测试信息，建立或更新用户的倾向特征集以及所述倾向特征集中的每个倾向特征的权重；根据所述倾向特征集以及倾向特征集中的每个倾向特征的权重，建立用户的倾向模型；将所述倾向模型与至少一个多媒体资源进行匹配，获得相匹配的一个或多个多媒体资源，并将所述一个或多个多媒体资源推荐给用户。根据本发明的方案，可根据用户的倾向特征向用户推荐多媒体资源，且通过增加用户的参与度来增强用户对所推荐的多媒体资源的满意度。

Description

一种向用户推荐多媒体资源的方法和装置
技术领域
本发明涉及网络技术领域，尤其涉及一种向用户推荐多媒体资源的方法和装置。
背景技术
现有技术中，在计算机设备中向用户推荐多媒体资源时，通常仅考虑多媒体资源方面的因素，例如，最新的多媒体资源、受欢迎度最高的多媒体资源、与用户当前所选择的多媒体资源相似度最高的多媒体资源等。
发明内容
本发明的目的是提供一种在计算机设备中向用户推荐多媒体资源的方法和装置。
根据本发明的一个方面，提供一种在计算机设备中向用户推荐多媒体资源的方法，其中，该方法包括以下步骤：
a.根据用户的测试信息，建立或更新用户的倾向特征集以及所述倾向特征集中的每个倾向特征的权重；
b.根据所述倾向特征集以及倾向特征集中的每个倾向特征的权重，建立用户的倾向模型；
c.将所述倾向模型与至少一个多媒体资源进行匹配，获得相匹配的一个或多个多媒体资源，并将所述一个或多个多媒体资源推荐给用户。
根据本发明的另一个方面，还提供了一种在计算机设备中向用户推荐多媒体资源的推荐装置，其中，该推荐装置包括以下装置：
第一建立装置，用于根据用户的测试信息，建立或更新用户的倾向特征集以及所述倾向特征集中的每个倾向特征的权重；
第二建立装置，用于根据所述倾向特征集以及倾向特征集中的每个倾向特征的权重，建立用户的倾向模型；
匹配装置，用于将所述倾向模型与至少一个多媒体资源进行匹配，获得相匹配的一个或多个多媒体资源，并将所述一个或多个多媒体资源推荐给用户。
与现有技术相比，本发明具有以下优点：1)可根据实时获取的用户的测试信息，并可优选地结合用户的多媒体历史访问信息以及个人信息来建立用户的倾向模型，以能够根据用户的倾向特征向用户推荐多媒体资源，从而使所推荐的多媒体资源更符合用户的个人倾向；2)用户可对其倾向特征进行调整，从而使得建立的倾向模型更准确，且大大增加用户的体验满意度；3)对于多媒体资源库中的每个多媒体资源，可进一步根据多媒体资源的多个类型特征及每个类型特征的权重，来进行用户的倾向模型与多媒体资源的匹配，并且可根据用户对该多个类型特征的评价信息，来更新该多个类型特征的权重，使得类型特征的权重具有更高的准确性，从而使得用户对推荐的多媒体资源具有更高的满意度。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明的一个实施例的在计算机设备中向用户推荐多媒体资源的方法的流程示意图；
图2为本发明的另一个实施例的在计算机设备中向用户推荐多媒体资源的方法的流程示意图；
图3为本发明的一个实施例的在计算机设备中向用户推荐多媒体资源的推荐装置的结构示意图；
图4为本发明的另一个实施例的在计算机设备中向用户推荐多媒体资源的推荐装置的结构示意图。
附图中相同或相似的附图标记代表相同或相似的部件。
具体实施方式
下面结合附图对本发明作进一步详细描述。
图1为本发明的一个实施例的在计算机设备中向用户推荐多媒体资源的方法的流程示意图。优选地，所述多媒体资源包括但不限于文本、音频、视频或其组合等。
其中，本实施例的方法主要通过计算机设备来实现；所述计算机设备包括网络设备和用户设备；所述网络设备包括但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(CloudComputing)的由大量计算机或网络服务器构成的云，其中，云计算是分布式计算的一种，由一群松散耦合的计算机集组成的一个超级虚拟计算机；所述用户设备可包括但不限于PC机、平板电脑、智能手机、PDA、IPTV等。
需要说明的是，所述网络设备和用户设备仅为举例，其他现有的或今后可能出现的计算设备或网络如可适用于本发明，也应包含在本发明保护范围以内，并以引用方式包含于此。
根据本实施例的方法包括步骤S1、步骤S2和步骤S3。
在步骤S1中，计算机设备根据用户的测试信息，建立或更新用户的倾向特征集以及所述倾向特征集中的每个倾向特征的权重。
其中，所述倾向特征包括任何用于表示用户倾向的特征。优选地，所述倾向特征为性格倾向特征。例如，倾向特征“冒险”可用于表示用户倾向于探索未知。
其中，计算机设备获取用户的测试信息的实现方式包括但不限于：
1)计算机设备直接获取用户在该计算机设备中输入的测试信息。
例如，计算机设备为直接与用户交互的PC机，则该PC机直接获取用户在该PC机上输入的测试信息。
2)计算机设备通过其他计算机设备获取用户的测试信息。
例如，计算机设备为网络设备，用户在用户设备中输入测试信息，用户设备将该测试信息通过网络提供给网络设备，网络设备通过网络获取该测试信息。
其中，所述测试信息包括用户对倾向测试的反馈信息，所述倾向测试包括任何可用于判断用户倾向的测试。优选地，所述倾向测试可用于测试用户性格或心理上的倾向，如九型性格测试、菲尔人格测试等。优选地，所述倾向测试可采用多种表现形式，如以文字题目形式表示的测试题、以文字或语音动画等问答形式表示的测试游戏等。
具体地，计算机设备根据用户的测试信息，建立或更新用户的倾向特征集以及所述倾向特征集中的每个倾向特征的权重的实现方式包括但不限于：
1)计算机设备直接根据用户的测试信息，建立或更新用户的倾向特征集以及所述倾向特征集中的每个倾向特征的权重。
具体地，当尚未建立用户的倾向特征集，计算机设备根据用户的测试信息，建立用户的倾向特征集以及所述倾向特征集中的每个倾向特征的权重；当已建立用户的倾向特征集，计算机设备根据用户的测试信息，更新用户的倾向特征集以及所述倾向特征集中的每个倾向特征的权重。
例如，用户的倾向特征集中包括倾向特征“冒险”，且该倾向特征的权重为“0.4”，在步骤S1中，计算机设备根据用户的测试信息将该倾向特征的权重更新为“0.5”。
2)计算机设备根据用户的测试信息，并结合用户相关信息，建立或更新用户的倾向特征集以及所述倾向特征集中的每个倾向特征的权重。
其中，所述用户相关信息包括任何与用户相关的信息，优选地，所述用户相关信息包括但不限于：
a)用户的个人信息，例如，用户的出生日期、星座、血型、兴趣爱好等。
b)用户的多媒体历史访问信息。
具体地，当尚未建立用户的倾向特征集，计算机设备根据用户的测试信息，并结合用户相关信息，建立用户的倾向特征集以及所述倾向特征集中的每个倾向特征的权重；当已建立用户的倾向特征集，计算机设备根据用户的测试信息，并结合用户相关信息，更新用户的倾向特征集以及所述倾向特征集中的每个倾向特征的权重。
例如，用户的倾向特征集中包括倾向特征“冒险”，且该倾向特征的权重为“0.4”，在步骤S1中，计算机设备根据的测试信息确定该用户爱好新鲜事物、喜欢追求刺激，且计算机设备根据用户相关信息确定该用户的星座为通常具有冒险倾向的射手座，则计算机设备将该倾向特征的权重更新为“0.6”。
又例如，用户的倾向特征集中包括倾向特征“冒险”，且该倾向特征的权重为“0.4”，在步骤S1中，计算机设备根据的测试信息确定该用户爱好新鲜事物、喜欢追求刺激，且计算机设备根据用户相关信息确定该用户为射手座，且计算机设备根据用户的多媒体历史访问信息确定该用户观看率最高多媒体信息为动作片类，则计算机设备将该倾向特征的权重更新为“0.7”。
需要说明的是，上述举例仅为更好地说明本发明的技术方案，而非对本发明的限制，本领域技术人员应该理解，任何根据用户的测试信息，建立或更新用户的倾向特征集以及所述倾向特征集中的每个倾向特征的权重的实现方式，均应包含在本发明的范围内。
需要说明的是，步骤S1可被重复执行，以更新用户的倾向特征集以及所述倾向特征集中的每个倾向特征的权重。
在步骤S2中，计算机设备根据所述倾向特征集以及倾向特征集中的每个倾向特征的权重，建立用户的倾向模型。
其中，计算机设备可采用多种方式根据用户的倾向特征集以及倾向特征集中的每个倾向特征的权重，建立用户的倾向模型，例如，计算机设备可采用贝叶斯、决策树、向量等数学建模方式建立用户的倾向模型。
例如，计算机设备以向量方式建立用户的倾向模型，该模型可表示如下：
P＝(Q1：w1，Q2：w2，…，Qi：wi，…，Qn：wn)
其中，n表示用户的倾向特征的总数量；Qi(i＝1，2，…，n)表示第i个倾向特征；wi(i＝1,2，…n)表示第i个倾向特征Qi的权重。
需要说明的是，上述举例仅为更好地说明本发明的技术方案，而非对本发明的限制，本领域技术人员应该理解，任何根据所述倾向特征集以及倾向特征集中的每个倾向特征的权重，建立用户的倾向模型的实现方式，均应包含在本发明的范围内。
需要说明的是，步骤S1和步骤S2之间并无严格的先后顺序。例如，计算机设备可每执行一次步骤S1来更新用户的倾向特征集以及所述倾向特征集中的每个倾向特征的权重，便执行一次步骤S2来重新建立用户的倾向模型；又例如，计算机设备可多次执行步骤S1来更新用户的倾向特征集以及所述倾向特征集中的每个倾向特征的权重，再执行步骤S2来建立用户的倾向模型。
在步骤S3中，计算机设备将所述倾向模型与至少一个多媒体资源进行匹配，获得相匹配的一个或多个多媒体资源，并将所述一个或多个多媒体资源推荐给用户。
其中，计算机设备可根据预定规则确定所述至少一个多媒体资源。优选地，所述预定规则包括但不限于：
1)将可供匹配的所有多媒体资源作为所述至少一个多媒体资源；
2)结合一个或多个因素，从可供匹配的所有多媒体资源中选择部分多媒体资源，作为所述至少一个多媒体资源；优选地，所述一个或多个因素包括但不限于：所述至少一个多媒体资源允许的数量上限、多媒体资源的发布时间、点击率、推荐数、评价值等。
其中，计算机设备可采用多种方式将用户的倾向模型与至少一个多媒体资源进行匹配，获得相匹配的一个或多个多媒体资源，并将所述一个或多个多媒体资源推荐给用户。
例如，计算机设备可根据用户的倾向模型确定该倾向模型中权重最高的倾向特征，并获得所述至少一个多媒体资源中与该权重最高的倾向特征相匹配的一个或多个多媒体资源。如计算机设备确定用户的倾向模型中倾向特征“冒险”的权重最高，则计算机设备获得至少一个多媒体资源中的、与倾向特征“冒险”相匹配的一个或多个多媒体资源，并将该一个或多个多媒体资源推荐给用户。
又例如，计算机设备可将用户的倾向模型中的每个倾向特征均与至少一个多媒体资源进行匹配，并获得综合匹配度最高的一个或多个多媒体资源。如，用户的倾向模型中包含倾向特征“冒险”和“活泼”，其中，倾向特征“冒险”的权重为0.8，倾向特征“活泼”的权重为0.6，则计算机设备将该2个倾向特征均与至少一个多媒体资源进行匹配，并获得同时与该2个倾向特征相匹配且更偏向于“冒险”的一个或多个多媒体资源，并将该一个或多个多媒体资源推荐给用户。
优选地，对于至少一个多媒体资源中的每个多媒体资源，计算机设备可根据倾向模型与该多媒体资源的匹配度，获得匹配度最高的一个或多个多媒体资源，并将该一个或多个多媒体资源推荐给用户。
更优选地，计算机设备可基于以下公式来计算用户的倾向模型与多媒体资源的匹配度：
m a t c h _ d = Σ i = 1 n ( w i * D i )
其中，match_d表示用户的倾向模型与多媒体资源的匹配度，Di(i＝1,2，…n)表示用户的第i个倾向特征Qi与多媒体资源的相似度。其中，所述Qi与多媒体资源的相似度可由计算机设备通过多种方式来计算获得，例如，计算机设备可基于纯语义距离计算方法如Hirst-St-Onge算法，或可基于本体库的统计特性的计算方法如Resnik算法，来计算倾向特征Qi与多媒体资源的相关文本之间的相似度，并将该相似度作为倾向特征Qi与多媒体资源的相似度。其中，所述多媒体资源的相关文本包括任何与多媒体资源相关的描述文本，如电影的剧情简介、多媒体图像的描述等。
需要说明的是，上述举例仅为更好地说明本发明的技术方案，而非对本发明的限制，本领域技术人员应该理解，任何将所述倾向模型与至少一个多媒体资源进行匹配，获得相匹配的一个或多个多媒体资源，并将所述一个或多个多媒体资源推荐给用户的实现方式，均应包含在本发明的范围内。
作为一种优选方案，用户相关信息包括用户的多媒体历史访问信息，本实施例的方法还包括步骤S5，进一步地，步骤S3包括步骤S3-1。
在步骤S5中，计算机设备根据用户的多媒体历史访问信息，确定可选多媒体资源范围。
其中，所述可选多媒体资源范围为预先确定的、可供选择的多媒体资源范围；优选地，一个可选多媒体资源范围包括具有相同特征的多个多媒体资源，如一个可选多媒体资源范围中包括多个摇滚乐曲，又如一个可选多媒体资源范围中包括刘德华饰演的所有喜剧电影等。
具体地，计算机设备根据用户的多媒体历史访问信息，分析用户访问过的多媒体资源的特征，来确定可选多媒体资源范围。
例如，计算机设备根据用户的多媒体历史访问信息，确定用户访问的多媒体资源中80％为喜剧电影，且其中有70％的喜剧电影为刘德华所饰演，则计算机设备可确定一个可选多媒体资源范围，该可选多媒体资源范围中包括刘德华饰演的所有喜剧电影。
需要说明的是，计算机设备可根据用户的多媒体历史访问信息，确定多个可选多媒体资源范围。
需要说明的是，上述举例仅为更好地说明本发明的技术方案，而非对本发明的限制，本领域技术人员应该理解，任何根据用户的多媒体历史访问信息，确定可选多媒体资源范围的实现方式，均应包含在本发明的范围内。
需要说明的是，步骤S5与步骤S1和步骤S2并无先后顺序。
在步骤S3-1中，计算机设备将用户的倾向模型与所述可选多媒体资源范围中的至少一个多媒体资源进行匹配，获得相匹配的一个或多个多媒体资源，并将所述一个或多个多媒体资源推荐给用户。
其中，计算机设备将用户的倾向模型与所述可选多媒体资源范围中的至少一个多媒体资源进行匹配，获得相匹配的一个或多个多媒体资源，并将所述一个或多个多媒体资源推荐给用户的实现方式，与计算机设备将倾向模型与至少一个多媒体资源进行匹配，获得相匹配的一个或多个多媒体资源，并将所述一个或多个多媒体资源推荐给用户的实现方式相同或相似，在此不再赘述。
作为另一种优选方案，本实施的方案还包括步骤S6和步骤S7。
在步骤S6中，计算机设备根据用户的倾向特征集中的每个倾向特征的权重，对用户的所述多个倾向特征进行排序，并将排序后的多个倾向特征提供给用户。
例如，倾向特征集包括倾向特征“冒险”、“活泼”、“冲动”，所对应的权重分别为0.8、0.6、0.7；则在步骤S6中，计算机设备根据该等倾向特征的权重排序为：“冒险”、“冲动”、“活泼”，且将该排序结果提供给用户。
需要说明的是，上述举例仅为更好地说明本发明的技术方案，而非对本发明的限制，本领域技术人员应该理解，任何根据倾向特征集中的每个倾向特征的权重，对用户的所述多个倾向特征进行排序，并将排序后的多个倾向特征提供给用户的实现方式，均应包含在本发明的范围内。
在步骤S7中，计算机设备根据用户对排序后的多个倾向特征进行的调整操作，更新用户的倾向特征集以及倾向特征集中的每个倾向特征的权重。
其中，所述调整操作包括任何用户对所述多个倾向特征进行调整的操作，优选地，所述调整操作包括以下至少一项：
1)调整倾向特征的排序；
2)删除一个或多个倾向特征。
例如，用户通过调整操作来调整所述多个倾向特征的排序，则在步骤S7中，计算机设备根据用户的调整操作，更新排序发生变化的一个或多个倾向特征的权重。如对于用户调整后较调整前次序靠前的倾向特征，计算机设备增加该倾向特征的权重；又如对于用户调整后较调整前次序靠后的倾向特征，计算机设备减小该倾向特征的权重。
又例如，用户通过调整操作删除一个倾向特征，则在步骤S7中，计算机设备删除用户的倾向特征集中的该倾向特征。
需要说明的是，上述举例仅为更好地说明本发明的技术方案，而非对本发明的限制，本领域技术人员应该理解，任何根据用户对排序后的多个倾向特征进行的调整操作，更新用户的倾向特征集以及倾向特征集中的每个倾向特征的权重的实现方式，均应包含在本发明的范围内。
根据本实施例的方案，可根据实时获取的用户的测试信息，并结合用户的多媒体历史访问信息以及个人信息来建立用户的倾向模型，并根据用户的倾向特征向用户推荐多媒体资源，从而使所推荐的多媒体资源更符合用户的个人倾向；且用户可对其倾向特征进行调整，从而使得建立的倾向模型更准确，且大大增加用户的体验满意度。
图2为本发明的另一个实施例的在计算机设备中向用户推荐多媒体资源的方法的流程示意图。本实施例的方法主要通过计算机设备来实现；其中，对参照图1所示实施例中所述的计算机设备所作的任何说明，均以引用的方式包含于本实施例中。其中，所述至少一个多媒体资源包含于多媒体资源库中。
根据本实施例的方法包括步骤S1、步骤S2、步骤S3和步骤S4。
在步骤S4中，对于多媒体资源库中的每个多媒体资源，计算机设备确定该多媒体资源的多个类型特征以及每个类型特征的权重。
其中，所述类型特征包括任何可用于表示多媒体资源的类型的特征，例如“犯罪”、“战争”、“冒险”、“喜剧”、“动漫”、“民谣”等；优选地，所述类型特征与用户的倾向特征具有对应关系，例如，类型特征“冒险”可对应于倾向特征“冒险”、“冲动”等。
其中，对于多媒体资源库中的每个多媒体资源，计算机可采用多种方式来确定该多媒体资源的多个类型特征以及每个类型特征的权重。例如，计算机设备可根据人工设定直接预先确定该多媒体资源的多个类型特征以及每个类型特征的权重；又例如，计算机设备可通过与该多媒体资源自身或其关联的信息，如不同用户对该多媒体资源的评价、多媒体资源的文本描述信息、多媒体资源的名称、多媒体资源包含的音频信息和视频信息等，来确定该多媒体资源的多个类型特征以及每个类型特征的权重。
例如，对于多媒体资源库中的一个多媒体资源“地心历险记”，计算机设备根据其名称及其文本描述信息确定该多媒体资源的4个类型特征为“动作”、“冒险”、“奇幻”、“科幻”，且该4个类型特征的权重分别为0.8、0.7、0.6、0.6。
又例如，对于多媒体资源库中的一个视频，计算机设备通过分析其视频帧的色调，并结合对其视频帧中的物体图像的识别，确定该视频的2个类型包括“黑暗”、“奇幻”，且该2个类型的权重分别为0.5和0.8等。
需要说明的是，上述举例仅为更好地说明本发明的技术方案，而非对本发明的限制，本领域技术人员应该理解，任何对于多媒体资源库中的每个多媒体资源，确定该多媒体资源的多个类型特征以及每个类型特征的权重的实现方式，均应包含在本发明的范围内。
作为一种优选方案，本实施例的方法还包括以下步骤：对于多媒体资源库中的每个多媒体资源，计算机设备根据用户对该多媒体资源的多个类型特征的评价信息，来更新所述多个类型特征的权重。
其中，所述评价信息包括任何形式的、用户对多媒体资源的多个类型特征的评价。例如，用户对多媒体资源的多个类型特征的评分；又例如，用户对多媒体资源的相关调查问卷的反馈等。
例如，多媒体资源“地心历险记”的4个类型特征为“动作”、“冒险”、“奇幻”、“科幻”，且该4个类型特征的权重分别为0.8、0.7、0.6、0.6，用户对该4个类型特征的评分分别为100、100、90、90。计算机设备可基于以下公式计算每个类型特征更新后的权重：
v j = ( x j X + v j , ) / 2
其中，vj(j＝1,2，…，m)表示多媒体资源的第j个类型特征更新后的权重，vj’(j＝1,2，…，m)表示多媒体资源的第j个类型特征的更新前的权重，m表示多媒体资源的类型特征的总数量；为用户对多媒体的第j个类型特征的评分与预定最高评分之间的比例。则计算机设备可根据上述公式将多媒体资源“地心历险记”的4个类型特征的权重更新为0.9、0.85、0.75、0.75。
需要说明的是，上述举例仅为更好地说明本发明的技术方案，而非对本发明的限制，本领域技术人员应该理解，任何对于多媒体资源库中的每个多媒体资源，根据用户对该多媒体资源的多个类型特征的评价信息，来更新所述多个类型特征的权重的实现方式，均应包含在本发明的范围内。
作为另一种优选方案，步骤S3进一步包括步骤S3-2。
在步骤S3-2中，计算机设备将用户的倾向模型与所述至少一个多媒体资源中每个多媒体资源的类型特征及其权重进行匹配，获得相匹配的一个或多个多媒体资源，并将所述一个或多个多媒体资源推荐给用户。
优选地，对于至少一个多媒体资源中的每个多媒体资源，计算机设备可根据用户的倾向模型、该多媒体资源的多个类型特征及每个类型特征的权重，来计算该倾向模型与该多媒体资源的匹配度，来获得相匹配的一个或多个多媒体资源，并将该一个或多个多媒体资源推荐给用户。
优选地，计算机设备可基于以下公式计算倾向模型与多媒体资源的匹配度：
m a t c h _ d = Σ i = 1 n ( w i * ( Σ j = 0 j = m v j * D i j ) )
其中，vj(j＝1,2，…，m)表示多媒体资源的第j个类型特征的权重；m表示多媒体资源的类型特征的总数量；Dij表示用户的第i个倾向特征与多媒体资源的第j个类型特征的相似度。其中，用户的第i个倾向特征与多媒体资源的第j个类型特征的相似度可由计算机设备通过多种方式来获得，作为一个例子，计算机设备可基于预先建立的语义树，并根据下式来计算用户的第i个倾向特征与多媒体资源的第j个类型特征的相似度：
D i j = - l o g l e n ( Q i , R j ) 2 D e p
其中，len(Qi，Rj)为用户的第i个倾向特征Qi与多媒体资源的第j个类型特征Rj之间的语义距离，Dep为语义树中的深度。
例如，计算机设备将用户的倾向模型与所述至少一个多媒体资源中每个多媒体资源的类型特征及其权重进行匹配，且基于上述公式获得匹配度最高的10个多媒体资源，则计算机设备将该10个多媒体资源推荐给用户。
需要说明的是，上述举例仅为更好地说明本发明的技术方案，而非对本发明的限制，本领域技术人员应该理解，任何将用户的倾向模型与所述至少一个多媒体资源中每个多媒体资源的类型特征及其权重进行匹配，获得相匹配的一个或多个多媒体资源，并将所述一个或多个多媒体资源推荐给用户的实现方式，均应包含在本发明的范围内。
需要说明的是，步骤S4需在步骤S3-2之前执行。
需要说明的是，为简单起见，图2中将步骤S4置于步骤S1之前，但本领域技术人员应能理解，步骤S4与步骤S1和步骤S2的执行并无严格的先后顺序。例如，计算机设备可在步骤S1之前执行步骤S4来确定多媒体资源库中的每个多媒体资源的多个类型特征及每个类型特征的权重；计算机也可在步骤S2之后执行步骤S4来确定多媒体资源库中的每个多媒体资源的多个类型特征及每个类型特征的权重。
根据本实施例的方案，对于多媒体资源库中的每个多媒体资源，可进一步根据多媒体资源的多个类型特征及每个类型特征的权重，来进行用户的倾向模型与多媒体资源的匹配，并且可根据用户对该多个类型特征的评价信息，来更新该多个类型特征的权重，使得类型特征的权重具有更高的准确性，从而使得用户对推荐的多媒体资源具有更高的满意度。
图3为本发明的一个实施例的在计算机设备中向用户推荐多媒体资源的推荐装置的结构示意图。优选地，所述多媒体资源包括但不限于文本、音频、视频或其组合等。
根据本实施例的推荐装置包括第一建立装置1、第二建立装置2和匹配装置3。
第一建立装置1根据用户的测试信息，建立或更新用户的倾向特征集以及所述倾向特征集中的每个倾向特征的权重。
其中，所述倾向特征包括任何用于表示用户倾向的特征。优选地，所述倾向特征为性格倾向特征。例如，倾向特征“冒险”可用于表示用户倾向于探索未知。
其中，第一建立装置1获取用户的测试信息的实现方式包括但不限于：
1)第一建立装置1直接获取用户在该计算机设备中输入的测试信息。
例如，计算机设备为直接与用户交互的PC机，则第一建立装置1直接获取用户在该PC机上输入的测试信息。
2)第一建立装置1通过其他计算机设备获取用户的测试信息。
例如，计算机设备为网络设备，用户在用户设备中输入测试信息，用户设备将该测试信息通过网络提供给网络设备，第一建立装置1通过网络获取该测试信息。
其中，所述测试信息包括用户对倾向测试的反馈信息，所述倾向测试包括任何可用于判断用户倾向的测试。优选地，所述倾向测试可用于测试用户性格或心理上的倾向，如九型性格测试、菲尔人格测试等。优选地，所述倾向测试可采用多种表现形式，如以文字题目形式表示的测试题、以文字或语音动画等问答形式表示的测试游戏等。
具体地，第一建立装置1根据用户的测试信息，建立或更新用户的倾向特征集以及所述倾向特征集中的每个倾向特征的权重的实现方式包括但不限于：
1)第一建立装置1直接根据用户的测试信息，建立或更新用户的倾向特征集以及所述倾向特征集中的每个倾向特征的权重。
具体地，当尚未建立用户的倾向特征集，第一建立装置1根据用户的测试信息，建立用户的倾向特征集以及所述倾向特征集中的每个倾向特征的权重；当已建立用户的倾向特征集，第一建立装置1根据用户的测试信息，更新用户的倾向特征集以及所述倾向特征集中的每个倾向特征的权重。
例如，用户的倾向特征集中包括倾向特征“冒险”，且该倾向特征的权重为“0.4”，第一建立装置1根据用户的测试信息将该倾向特征的权重更新为“0.5”。
2)第一建立装置1包括子建立装置(图未示)。子建立装置根据用户的测试信息，并结合用户相关信息，建立或更新用户的倾向特征集以及所述倾向特征集中的每个倾向特征的权重。
其中，所述用户相关信息包括任何与用户相关的信息，优选地，所述用户相关信息包括但不限于：
a)用户的个人信息，例如，用户的出生日期、星座、血型、兴趣爱好等。
b)用户的多媒体历史访问信息。
具体地，当尚未建立用户的倾向特征集，子建立装置根据用户的测试信息，并结合用户相关信息，建立用户的倾向特征集以及所述倾向特征集中的每个倾向特征的权重；当已建立用户的倾向特征集，子建立装置根据用户的测试信息，并结合用户相关信息，更新用户的倾向特征集以及所述倾向特征集中的每个倾向特征的权重。
例如，用户的倾向特征集中包括倾向特征“冒险”，且该倾向特征的权重为“0.4”，子建立装置根据的测试信息确定该用户爱好新鲜事物、喜欢追求刺激，且子建立装置根据用户相关信息确定该用户的星座为通常具有冒险倾向的射手座，则子建立装置将该倾向特征的权重更新为“0.6”。
又例如，用户的倾向特征集中包括倾向特征“冒险”，且该倾向特征的权重为“0.4”，子建立装置根据的测试信息确定该用户爱好新鲜事物、喜欢追求刺激，且子建立装置根据用户相关信息确定该用户为射手座，且子建立装置根据用户的多媒体历史访问信息确定该用户观看率最高多媒体信息为动作片类，则子建立装置将该倾向特征的权重更新为“0.7”。
需要说明的是，上述举例仅为更好地说明本发明的技术方案，而非对本发明的限制，本领域技术人员应该理解，任何根据用户的测试信息，建立或更新用户的倾向特征集以及所述倾向特征集中的每个倾向特征的权重的实现方式，均应包含在本发明的范围内。
需要说明的是，子建立装置可重复执行操作，以更新用户的倾向特征集以及所述倾向特征集中的每个倾向特征的权重。
第二建立装置2根据所述倾向特征集以及倾向特征集中的每个倾向特征的权重，建立用户的倾向模型。
其中，第二建立装置2可采用多种方式根据用户的倾向特征集以及倾向特征集中的每个倾向特征的权重，建立用户的倾向模型，例如，第二建立装置2可采用贝叶斯、决策树、向量等数学建模方式建立用户的倾向模型。
例如，第二建立装置2以向量方式建立用户的倾向模型，该模型可表示如下：
P＝(Q1：w1，Q2：w2，…，Qi：wi，…，Qn：wn)
其中，n表示用户的倾向特征的总数量；Qi(i＝1，2，…，n)表示第i个倾向特征；wi(i＝1,2，…n)表示第i个倾向特征Qi的权重。
需要说明的是，上述举例仅为更好地说明本发明的技术方案，而非对本发明的限制，本领域技术人员应该理解，任何根据所述倾向特征集以及倾向特征集中的每个倾向特征的权重，建立用户的倾向模型的实现方式，均应包含在本发明的范围内。
需要说明的是，第一建立装置1和第二建立装置2执行的操作之间并无严格的先后顺序。例如，第一建立装置1每执行一次操作来更新用户的倾向特征集以及所述倾向特征集中的每个倾向特征的权重，第二建立装置2便执行一次操作来重新建立用户的倾向模型；又例如，第一建立装置1多次执行操作来更新用户的倾向特征集以及所述倾向特征集中的每个倾向特征的权重后，第二建立装置2执行操作来建立用户的倾向模型。
匹配装置3将所述倾向模型与至少一个多媒体资源进行匹配，获得相匹配的一个或多个多媒体资源，并将所述一个或多个多媒体资源推荐给用户。
其中，匹配装置3可根据预定规则确定所述至少一个多媒体资源。优选地，所述预定规则包括但不限于：
1)将可供匹配的所有多媒体资源作为所述至少一个多媒体资源；
2)结合一个或多个因素，从可供匹配的所有多媒体资源中选择部分多媒体资源，作为所述至少一个多媒体资源；优选地，所述一个或多个因素包括但不限于：所述至少一个多媒体资源允许的数量上限、多媒体资源的发布时间、点击率、推荐数、评价值等。
其中，匹配装置3可采用多种方式将用户的倾向模型与至少一个多媒体资源进行匹配，获得相匹配的一个或多个多媒体资源，并将所述一个或多个多媒体资源推荐给用户。
例如，匹配装置3可根据用户的倾向模型确定该倾向模型中权重最高的倾向特征，并获得所述至少一个多媒体资源中与该权重最高的倾向特征相匹配的一个或多个多媒体资源。如匹配装置3确定用户的倾向模型中倾向特征“冒险”的权重最高，则匹配装置3获得至少一个多媒体资源中的、与倾向特征“冒险”相匹配的一个或多个多媒体资源，并将该一个或多个多媒体资源推荐给用户。
又例如，匹配装置3可将用户的倾向模型中的每个倾向特征均与至少一个多媒体资源进行匹配，并获得综合匹配度最高的一个或多个多媒体资源。如，用户的倾向模型中包含倾向特征“冒险”和“活泼”，其中，倾向特征“冒险”的权重为0.8，倾向特征“活泼”的权重为0.6，则匹配装置3将该2个倾向特征均与至少一个多媒体资源进行匹配，并获得同时与该2个倾向特征相匹配且更偏向于“冒险”的一个或多个多媒体资源，并将该一个或多个多媒体资源推荐给用户。
优选地，对于至少一个多媒体资源中的每个多媒体资源，匹配装置3可根据倾向模型与该多媒体资源的匹配度，获得匹配度最高的一个或多个多媒体资源，并将该一个或多个多媒体资源推荐给用户。
更优选地，匹配装置3可基于以下公式来计算用户的倾向模型与多媒体资源的匹配度：
m a t c h _ d = Σ i = 1 n ( w i * D i )
其中，match_d表示用户的倾向模型与多媒体资源的匹配度，Di(i＝1,2，…n)表示用户的第i个倾向特征Qi与多媒体资源的相似度。其中，所述Qi与多媒体资源的相似度可由匹配装置3通过多种方式来计算获得，例如，匹配装置3可基于纯语义距离计算方法如Hirst-St-Onge算法，或可基于本体库的统计特性的计算方法如Resnik算法，来计算倾向特征Qi与多媒体资源的相关文本之间的相似度，并将该相似度作为倾向特征Qi与多媒体资源的相似度。其中，所述多媒体资源的相关文本包括任何与多媒体资源相关的描述文本，如电影的剧情简介、多媒体图像的描述等。
需要说明的是，上述举例仅为更好地说明本发明的技术方案，而非对本发明的限制，本领域技术人员应该理解，任何将所述倾向模型与至少一个多媒体资源进行匹配，获得相匹配的一个或多个多媒体资源，并将所述一个或多个多媒体资源推荐给用户的实现方式，均应包含在本发明的范围内。
作为一种优选方案，用户相关信息包括用户的多媒体历史访问信息，本实施例的推荐装置还包括第一确定装置(图未示)，进一步地，匹配装置3包括第一子匹配装置(图未示)。
第一确定装置根据用户的多媒体历史访问信息，确定可选多媒体资源范围。
其中，所述可选多媒体资源范围为预先确定的、可供选择的多媒体资源范围；优选地，一个可选多媒体资源范围包括具有相同特征的多个多媒体资源，如一个可选多媒体资源范围中包括多个摇滚乐曲，又如一个可选多媒体资源范围中包括刘德华饰演的所有喜剧电影等。
具体地，第一确定装置根据用户的多媒体历史访问信息，分析用户访问过的多媒体资源的特征，来确定可选多媒体资源范围。
例如，第一确定装置根据用户的多媒体历史访问信息，确定用户访问的多媒体资源中80％为喜剧电影，且其中有70％的喜剧电影为刘德华所饰演，则第一确定装置可确定一个可选多媒体资源范围，该可选多媒体资源范围中包括刘德华饰演的所有喜剧电影。
需要说明的是，第一确定装置可根据用户的多媒体历史访问信息，确定多个可选多媒体资源范围。
需要说明的是，上述举例仅为更好地说明本发明的技术方案，而非对本发明的限制，本领域技术人员应该理解，任何根据用户的多媒体历史访问信息，确定可选多媒体资源范围的实现方式，均应包含在本发明的范围内。
需要说明的是，第一确定装置执行的操作与第一建立装置1和第二建立装置2执行的操作并无先后顺序。
第一子匹配装置将用户的倾向模型与所述可选多媒体资源范围中的至少一个多媒体资源进行匹配，获得相匹配的一个或多个多媒体资源，并将所述一个或多个多媒体资源推荐给用户。
其中，第一子匹配装置将用户的倾向模型与所述可选多媒体资源范围中的至少一个多媒体资源进行匹配，获得相匹配的一个或多个多媒体资源，并将所述一个或多个多媒体资源推荐给用户的实现方式，与匹配装置3将倾向模型与至少一个多媒体资源进行匹配，获得相匹配的一个或多个多媒体资源，并将所述一个或多个多媒体资源推荐给用户的实现方式相同或相似，在此不再赘述。
作为另一种优选方案，本实施的推荐装置还包括排序装置(图未示)和第二更新装置(图未示)。
排序装置根据用户的倾向特征集中的每个倾向特征的权重，对用户的所述多个倾向特征进行排序，并将排序后的多个倾向特征提供给用户。
例如，倾向特征集包括倾向特征“冒险”、“活泼”、“冲动”，所对应的权重分别为0.8、0.6、0.7；则排序装置根据该等倾向特征的权重排序为：“冒险”、“冲动”、“活泼”，且将该排序结果提供给用户。
需要说明的是，上述举例仅为更好地说明本发明的技术方案，而非对本发明的限制，本领域技术人员应该理解，任何根据倾向特征集中的每个倾向特征的权重，对用户的所述多个倾向特征进行排序，并将排序后的多个倾向特征提供给用户的实现方式，均应包含在本发明的范围内。
第二更新装置根据用户对排序后的多个倾向特征进行的调整操作，更新用户的倾向特征集以及倾向特征集中的每个倾向特征的权重。
其中，所述调整操作包括任何用户对所述多个倾向特征进行调整的操作，优选地，所述调整操作包括以下至少一项：
1)调整倾向特征的排序；
2)删除一个或多个倾向特征。
例如，用户通过调整操作来调整所述多个倾向特征的排序，则第二更新装置根据用户的调整操作，更新排序发生变化的一个或多个倾向特征的权重。如对于用户调整后较调整前次序靠前的倾向特征，第二更新装置增加该倾向特征的权重；又如对于用户调整后较调整前次序靠后的倾向特征，第二更新装置减小该倾向特征的权重。
又例如，用户通过调整操作删除一个倾向特征，则第二更新装置删除用户的倾向特征集中的该倾向特征。
需要说明的是，上述举例仅为更好地说明本发明的技术方案，而非对本发明的限制，本领域技术人员应该理解，任何根据用户对排序后的多个倾向特征进行的调整操作，更新用户的倾向特征集以及倾向特征集中的每个倾向特征的权重的实现方式，均应包含在本发明的范围内。
根据本实施例的方案，可根据实时获取的用户的测试信息，并结合用户的多媒体历史访问信息以及个人信息来建立用户的倾向模型，并根据用户的倾向特征向用户推荐多媒体资源，从而使所推荐的多媒体资源更符合用户的个人倾向；且用户可对其倾向特征进行调整，从而使得建立的倾向模型更准确，且大大增加用户的体验满意度。
图4为本发明的另一个实施例的在计算机设备中向用户推荐多媒体资源的推荐装置的结构示意图。
根据本实施例的推荐装置包括第一建立装置1、第二建立装置2、匹配装置3和第二确定装置4。其中，第一建立装置1、第二建立装置2和匹配装置3已在参照图3中予以详述，在此不再赘述。
对于多媒体资源库中的每个多媒体资源，第二确定装置4确定该多媒体资源的多个类型特征以及每个类型特征的权重。
其中，所述类型特征包括任何可用于表示多媒体资源的类型的特征，例如“犯罪”、“战争”、“冒险”、“喜剧”、“动漫”、“民谣”等；优选地，所述类型特征与用户的倾向特征具有对应关系，例如，类型特征“冒险”可对应于倾向特征“冒险”、“冲动”等。
其中，对于多媒体资源库中的每个多媒体资源，第二确定装置4可采用多种方式来确定该多媒体资源的多个类型特征以及每个类型特征的权重。例如，第二确定装置4可根据人工设定直接预先确定该多媒体资源的多个类型特征以及每个类型特征的权重；又例如，第二确定装置4可通过与该多媒体资源自身或其关联的信息，如不同用户对该多媒体资源的评价、多媒体资源的文本描述信息、多媒体资源的名称、多媒体资源包含的音频信息和视频信息等，来确定该多媒体资源的多个类型特征以及每个类型特征的权重。
例如，对于多媒体资源库中的一个多媒体资源“地心历险记”，第二确定装置4根据其名称及其文本描述信息确定该多媒体资源的4个类型特征为“动作”、“冒险”、“奇幻”、“科幻”，且该4个类型特征的权重分别为0.8、0.7、0.6、0.6。
又例如，对于多媒体资源库中的一个视频，第二确定装置4通过分析其视频帧的色调，并结合对其视频帧中的物体图像的识别，确定该视频的2个类型包括“黑暗”、“奇幻”，且该2个类型的权重分别为0.5和0.8等。
需要说明的是，上述举例仅为更好地说明本发明的技术方案，而非对本发明的限制，本领域技术人员应该理解，任何对于多媒体资源库中的每个多媒体资源，确定该多媒体资源的多个类型特征以及每个类型特征的权重的实现方式，均应包含在本发明的范围内。
作为一种优选方案，本实施例的推荐装置还包括第一更新装置(图未示)。对于多媒体资源库中的每个多媒体资源，第一更新装置根据用户对该多媒体资源的多个类型特征的评价信息，来更新所述多个类型特征的权重。
其中，所述评价信息包括任何形式的、用户对多媒体资源的多个类型特征的评价。例如，用户对多媒体资源的多个类型特征的评分；又例如，用户对多媒体资源的相关调查问卷的反馈等。
例如，多媒体资源“地心历险记”的4个类型特征为“动作”、“冒险”、“奇幻”、“科幻”，且该4个类型特征的权重分别为0.8、0.7、0.6、0.6，用户对该4个类型特征的评分分别为100、100、90、90。第一更新装置可基于以下公式计算每个类型特征更新后的权重：
v j = ( x j X + v j , ) / 2
其中，vj(j＝1,2，…，m)表示多媒体资源的第j个类型特征更新后的权重，vj’(j＝1,2，…，m)表示多媒体资源的第j个类型特征的更新前的权重，m表示多媒体资源的类型特征的总数量；为用户对多媒体的第j个类型特征的评分与预定最高评分之间的比例。则第一更新装置可根据上述公式将多媒体资源“地心历险记”的4个类型特征的权重更新为0.9、0.85、0.75、0.75。
需要说明的是，上述举例仅为更好地说明本发明的技术方案，而非对本发明的限制，本领域技术人员应该理解，任何对于多媒体资源库中的每个多媒体资源，根据用户对该多媒体资源的多个类型特征的评价信息，来更新所述多个类型特征的权重的实现方式，均应包含在本发明的范围内。
作为另一种优选方案，匹配装置3进一步包括第二子匹配装置(图未示)。
第二子匹配装置将用户的倾向模型与所述至少一个多媒体资源中每个多媒体资源的类型特征及其权重进行匹配，获得相匹配的一个或多个多媒体资源，并将所述一个或多个多媒体资源推荐给用户。
优选地，对于至少一个多媒体资源中的每个多媒体资源，第二子匹配装置可根据用户的倾向模型、该多媒体资源的多个类型特征及每个类型特征的权重，来计算该倾向模型与该多媒体资源的匹配度，来获得相匹配的一个或多个多媒体资源，并将该一个或多个多媒体资源推荐给用户。
优选地，第二子匹配装置可基于以下公式计算倾向模型与多媒体资源的匹配度：
m a t c h _ d = Σ i = 1 n ( w i * ( Σ j = 0 j = m v j * D i j ) )
其中，vj(j＝1,2，…，m)表示多媒体资源的第j个类型特征的权重；m表示多媒体资源的类型特征的总数量；Dij表示用户的第i个倾向特征与多媒体资源的第j个类型特征的相似度。其中，用户的第i个倾向特征与多媒体资源的第j个类型特征的相似度可由第二子匹配装置通过多种方式来获得，作为一个例子，第二子匹配装置可基于预先建立的语义树，并根据下式来计算用户的第i个倾向特征与多媒体资源的第j个类型特征的相似度：
D i j = - l o g 1 e n ( Q i , R j ) 2 D e p
其中，len(Qi，Rj)为用户的第i个倾向特征Qi与多媒体资源的第j个类型特征Rj之间的语义距离，Dep为语义树中的深度。
例如，第二子匹配装置将用户的倾向模型与所述至少一个多媒体资源中每个多媒体资源的类型特征及其权重进行匹配，且基于上述公式获得匹配度最高的10个多媒体资源，则第二子匹配装置将该10个多媒体资源推荐给用户。
需要说明的是，上述举例仅为更好地说明本发明的技术方案，而非对本发明的限制，本领域技术人员应该理解，任何将用户的倾向模型与所述至少一个多媒体资源中每个多媒体资源的类型特征及其权重进行匹配，获得相匹配的一个或多个多媒体资源，并将所述一个或多个多媒体资源推荐给用户的实现方式，均应包含在本发明的范围内。
需要说明的是，第二确定装置4需在第二子匹配装置之前执行操作。
需要说明的是，为简单起见，图4中将第二确定装置4置于第一建立装置1之前执行操作，但本领域技术人员应能理解，第二确定装置4执行的操作与第一建立装置1和第二建立装置2执行的操作并无严格的先后顺序。例如，第二确定装置4可在第一建立装置1之前执行操作来确定多媒体资源库中的每个多媒体资源的多个类型特征及每个类型特征的权重；第二确定装置4也可在第二建立装置2之后执行操作来确定多媒体资源库中的每个多媒体资源的多个类型特征及每个类型特征的权重。
根据本实施例的方案，对于多媒体资源库中的每个多媒体资源，可进一步根据多媒体资源的多个类型特征及每个类型特征的权重，来进行用户的倾向模型与多媒体资源的匹配，并且可根据用户对该多个类型特征的评价信息，来更新该多个类型特征的权重，使得类型特征的权重具有更高的准确性，从而使得用户对推荐的多媒体资源具有更高的满意度。
需要注意的是，本发明可在软件和/或软件与硬件的组合体中被实施，例如，本发明的装置可采用专用集成电路(ASIC)或任何其他类似硬件设备来实现。在一个实施例中，本发明的软件程序可以通过处理器执行以实现上文所述步骤或功能。同样地，本发明的软件程序(包括相关的数据结构)可以被存储到计算机可读记录介质中，例如，RAM存储器，磁或光驱动器或软磁盘及类似设备。另外，本发明的一些步骤或功能可采用硬件来实现，例如，作为与处理器配合从而执行各个步骤或功能的电路。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。

Claims (18)

1.一种在计算机设备中向用户推荐多媒体资源的方法，其中，该方法包括以下步骤：
a.根据用户的测试信息，建立或更新用户的倾向特征集以及所述倾向特征集中的每个倾向特征的权重；
b.根据所述倾向特征集以及倾向特征集中的每个倾向特征的权重，建立用户的倾向模型；
c.将所述倾向模型与至少一个多媒体资源进行匹配，获得相匹配的一个或多个多媒体资源，并将所述一个或多个多媒体资源推荐给用户。
2.根据权利要求1所述的方法，其中，所述步骤a包括以下步骤：
-根据用户的测试信息，并结合用户相关信息，建立或更新用户的倾向特征集以及所述倾向特征集中的每个倾向特征的权重。
3.根据权利要求2所述的方法，其中，所述用户相关信息包括以下至少一项：
-用户的个人信息；
-用户的多媒体历史访问信息。
4.根据权利要求3所述的方法，其中，所述用户相关信息包括所述多媒体历史访问信息，所述方法还包括以下步骤：
-根据用户的多媒体历史访问信息，确定可选多媒体资源范围；
其中，所述步骤c包括以下步骤：
-将所述倾向模型与所述可选多媒体资源范围中的至少一个多媒体资源进行匹配，获得相匹配的一个或多个多媒体资源，并将所述一个或多个多媒体资源推荐给用户。
5.根据权利要求1至4中任一项所述的方法，其中，所述至少一个多媒体资源包含于多媒体资源库中，该方法还包括以下步骤：
-对于所述多媒体资源库中的每个多媒体资源，确定该多媒体资源的多个类型特征以及每个类型特征的权重。
6.根据权利要求5所述的方法，其中，该方法还包括以下步骤：
-对于多媒体资源库中的每个多媒体资源，根据用户对该多媒体资源的多个类型特征的评价信息，来更新所述多个类型特征的权重。
7.根据权利要求5或6所述的方法，其中，所述步骤c包括以下步骤：
-将所述倾向模型与所述至少一个多媒体资源中每个多媒体资源的类型特征及其权重进行匹配，获得相匹配的一个或多个多媒体资源，并将所述一个或多个多媒体资源推荐给用户。
8.根据权利要求1至7中任一项所述的方法，其中，该方法还包括以下步骤：
-根据所述倾向特征集中的每个倾向特征的权重，对用户的所述多个倾向特征进行排序，并将排序后的多个倾向特征提供给用户；
-根据用户对排序后的多个倾向特征进行的调整操作，更新用户的倾向特征集以及倾向特征集中的每个倾向特征的权重。
9.根据权利要求8所述的方法，其中，所述调整操作包括以下至少一项：
-调整倾向特征的排序；
-删除一个或多个倾向特征。
10.一种在计算机设备中向用户推荐多媒体资源的推荐装置，其中，该推荐装置包括以下装置：
第一建立装置，用于根据用户的测试信息，建立或更新用户的倾向特征集以及所述倾向特征集中的每个倾向特征的权重；
第二建立装置，用于根据所述倾向特征集以及倾向特征集中的每个倾向特征的权重，建立用户的倾向模型；
匹配装置，用于将所述倾向模型与至少一个多媒体资源进行匹配，获得相匹配的一个或多个多媒体资源，并将所述一个或多个多媒体资源推荐给用户。
11.根据权利要求10所述的推荐装置，其中，所述第一建立装置包括以下装置：
子建立装置，用于根据用户的测试信息，并结合用户相关信息，建立或更新用户的倾向特征集以及所述倾向特征集中的每个倾向特征的权重。
12.根据权利要求11所述的推荐装置，其中，所述用户相关信息包括以下至少一项：
-用户的个人信息；
-用户的多媒体历史访问信息。
13.根据权利要求12所述的推荐装置，其中，所述用户相关信息包括所述多媒体历史访问信息，所述推荐装置还包括以下装置：
第一确定装置，用于根据用户的多媒体历史访问信息，确定可选多媒体资源范围；
其中，所述匹配装置包括以下装置：
第一子匹配装置，用于将所述倾向模型与所述可选多媒体资源范围中的至少一个多媒体资源进行匹配，获得相匹配的一个或多个多媒体资源，并将所述一个或多个多媒体资源推荐给用户。
14.根据权利要求10至13中任一项所述的推荐装置，其中，所述至少一个多媒体资源包含于多媒体资源库中，该推荐装置还包括以下装置：
第二确定装置，用于对于所述多媒体资源库中的每个多媒体资源，确定该多媒体资源的多个类型特征以及每个类型特征的权重。
15.根据权利要求14所述的推荐装置，其中，该推荐装置还包括以下装置：
第一更新装置，用于对于多媒体资源库中的每个多媒体资源，根据用户对该多媒体资源的多个类型特征的评价信息，来更新所述多个类型特征的权重。
16.根据权利要求14或15所述的推荐装置，其中，所述匹配装置包括以下装置：
第二子匹配装置，用于将所述倾向模型与所述至少一个多媒体资源中每个多媒体资源的类型特征及其权重进行匹配，获得相匹配的一个或多个多媒体资源，并将所述一个或多个多媒体资源推荐给用户。
17.根据权利要求10至16中任一项所述的推荐装置，其中，该推荐装置还包括以下装置：
排序装置，用于根据所述倾向特征集中的每个倾向特征的权重，对用户的所述多个倾向特征进行排序，并将排序后的多个倾向特征提供给用户；
第二更新装置，用于根据用户对排序后的多个倾向特征进行的调整操作，更新用户的倾向特征集以及倾向特征集中的每个倾向特征的权重。
18.根据权利要求17所述的推荐装置，其中，所述调整操作包括以下至少一项：
-调整倾向特征的排序；
-删除一个或多个倾向特征。
CN201610428705.2A 2016-06-16 2016-06-16 一种向用户推荐多媒体资源的方法和装置 Expired - Fee Related CN105930532B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610428705.2A CN105930532B (zh) 2016-06-16 2016-06-16 一种向用户推荐多媒体资源的方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610428705.2A CN105930532B (zh) 2016-06-16 2016-06-16 一种向用户推荐多媒体资源的方法和装置

Publications (2)

Publication Number Publication Date
CN105930532A true CN105930532A (zh) 2016-09-07
CN105930532B CN105930532B (zh) 2019-08-02

Family

ID=56831484

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610428705.2A Expired - Fee Related CN105930532B (zh) 2016-06-16 2016-06-16 一种向用户推荐多媒体资源的方法和装置

Country Status (1)

Country Link
CN (1) CN105930532B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106412106A (zh) * 2016-11-07 2017-02-15 腾讯科技（深圳）有限公司 消息发送方法和装置
CN106445922A (zh) * 2016-10-09 2017-02-22 合网络技术（北京）有限公司 确定多媒体资源的标题的方法及装置
CN106791962A (zh) * 2016-11-29 2017-05-31 聚好看科技股份有限公司 用户的兴趣视频确定方法及视频服务器
CN108846005A (zh) * 2018-04-23 2018-11-20 北京奇艺世纪科技有限公司 漫画资源推荐方法及装置
CN108845749A (zh) * 2018-06-01 2018-11-20 优酷网络技术（北京）有限公司 页面展示方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102663001A (zh) * 2012-03-15 2012-09-12 华南理工大学 基于支持向量机的博客作者兴趣与性格自动识别方法
CN103348369A (zh) * 2011-01-06 2013-10-09 电子湾有限公司 计算建议工具中的兴趣度推荐
CN103577592A (zh) * 2013-11-13 2014-02-12 西安工程大学 基于性格相似度匹配计算的网络社区用户好友推荐方法
CN103714130A (zh) * 2013-12-12 2014-04-09 深圳先进技术研究院 视频推荐系统及方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103348369A (zh) * 2011-01-06 2013-10-09 电子湾有限公司 计算建议工具中的兴趣度推荐
CN102663001A (zh) * 2012-03-15 2012-09-12 华南理工大学 基于支持向量机的博客作者兴趣与性格自动识别方法
CN103577592A (zh) * 2013-11-13 2014-02-12 西安工程大学 基于性格相似度匹配计算的网络社区用户好友推荐方法
CN103714130A (zh) * 2013-12-12 2014-04-09 深圳先进技术研究院 视频推荐系统及方法

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106445922A (zh) * 2016-10-09 2017-02-22 合网络技术（北京）有限公司 确定多媒体资源的标题的方法及装置
CN106445922B (zh) * 2016-10-09 2020-02-18 合一网络技术(北京)有限公司 确定多媒体资源的标题的方法及装置
CN106412106A (zh) * 2016-11-07 2017-02-15 腾讯科技（深圳）有限公司 消息发送方法和装置
CN106412106B (zh) * 2016-11-07 2020-02-07 腾讯科技（深圳）有限公司 消息发送方法和装置
CN106791962A (zh) * 2016-11-29 2017-05-31 聚好看科技股份有限公司 用户的兴趣视频确定方法及视频服务器
CN108846005A (zh) * 2018-04-23 2018-11-20 北京奇艺世纪科技有限公司 漫画资源推荐方法及装置
CN108845749A (zh) * 2018-06-01 2018-11-20 优酷网络技术（北京）有限公司 页面展示方法及装置
CN108845749B (zh) * 2018-06-01 2021-03-09 阿里巴巴（中国）有限公司 页面展示方法及装置

Also Published As

Publication number Publication date
CN105930532B (zh) 2019-08-02

Similar Documents

Publication Publication Date Title
CN105930532A (zh) 一种向用户推荐多媒体资源的方法和装置
Weast et al. The influence of athletic experience and kinematic information on skill-relevant affordance perception
Liu et al. Augmented reality technology based on school physical education training
Yang et al. Mining personality traits from social messages for game recommender systems
Williams The mapping principle, and a research framework for virtual worlds
Crowley et al. Gamification of citizen sensing through mobile social reporting
CN107463698B (zh) 基于人工智能推送信息的方法和装置
KR102107848B1 (ko) 도서 추천 서비스 방법
Başak et al. Using real life incidents for creating realistic virtual crowds with data-driven emotion contagion
CN107423851A (zh) 基于学习风格情境感知的自适应学习方法
CN109065100A (zh) 一种基于区块链的中医健康个性化问卷智能生成与加密系统
Mitrović et al. Dynamics of bloggers’ communities: Bipartite networks from empirical data and agent-based modeling
Hamam et al. A quality of experience model for haptic virtual environments
CN113742567B (zh) 一种多媒体资源的推荐方法、装置、电子设备及存储介质
CN107395703A (zh) 一种资源推送方法和装置
Ahmed et al. Discovering diverse, high quality design ideas from a large corpus
Kotzias et al. Home is where your friends are: Utilizing the social graph to locate twitter users in a city
Mohammadian et al. Synthetic household travel survey data simulation
CN111143704A (zh) 一种融合用户影响关系的在线社区好友推荐方法及系统
Pastrana et al. Data mining in the mixed methods: application to the study of the psychological profiles of athletes
CN105138684B (zh) 一种信息处理方法和信息处理装置
Mitrović et al. Patterns of emotional blogging and emergence of communities: Agent-based model on bipartite networks
Chen et al. Road to micro-celebration: The role of mutation strategy of micro-celebrity in digital media
Vincent et al. The role of databases in sport science: Current practice and future potential
Lee et al. Measuring user influence, susceptibility and cynicalness in sentiment diffusion

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

Granted publication date: 20190802

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