CN106649733A - 一种基于无线接入点情境分类与感知的在线视频推荐方法 - Google Patents

Abstract

本发明提供一种基于无线接入点情境分类与感知的在线视频推荐方法，该方法通过对SSID进行关键字提取，找出与用户情境相关的关键字，从而确定部分AP的情境。然后再以确定情境的AP作为种子，通过矩阵分解提取AP的特征，并根据这些特征使用k‑means聚类算法将情境相似的AP聚合在一起，解决了用户所在AP的情境如何确定的问题；针对每个情境，利用该情境中的视频流行度排名，基于后过滤方法，对上述协同过滤模型计算得出的视频推荐列表进行重排与过滤，使得情境中观看量更大的视频的排名更高，从而实现根据情境自适应调整视频推荐列表的方法，为用户提供更为良好的个性化视频推荐服务。

Description

一种基于无线接入点情境分类与感知的在线视频推荐方法

技术领域

本发明涉及推荐系统与多媒体网络领域，更具体地，涉及一种基于无线接入点情境分类与感知的在线视频推荐方法。

背景技术

互联网的出现和普及给用户带来了大量的信息，满足了用户在信息时代对信息的需求，但随着网络的迅速发展而带来的网上信息量的大幅增长，使得用户在面对大量信息时无法从中获得对自己真正有用的那部分信息，对信息的使用效率反而降低了，这就是所谓的信息超载问题。

解决信息超载问题一个非常有潜力的办法是推荐系统，它是根据用户的信息需求、兴趣等，将用户感兴趣的信息、产品等推荐给用户的个性化信息推荐系统。和搜索引擎相比，推荐系统通过研究用户的兴趣偏好，进行个性化计算，由系统发现用户的兴趣点，从而引导用户发现自己的信息需求。一个好的推荐系统不仅能为用户提供个性化的服务，还能和用户之间建立密切关系，让用户对推荐产生依赖。

个性化推荐的基本形式是提供一个排好序的物品列表。通过这个物品列表，推荐系统试图根据用户的偏好和其他约束条件来预测最合适的产品或服务。为了完成这样的计算任务，推荐系统手机用于的喜好。这种喜好可以是显式的，如为产品打分；或者是隐式的，如把观看某个视频的行为作为用户喜爱这个视频的信号。

实现个性化推荐的算法有很多，其中一种最流行和最广泛的方法是协同过滤。这种方法是找到与用户有相同品味的用户，然后将相似用户过去喜欢的物品推荐给用户。

在线视频的普及给用户带来了大量的资讯和娱乐信息，极大地改变了用户获取信息的方式。但随着互联网的发展，在线视频的数量越来越多，每天都有海量的视频被上传和观看。面对如此海量的视频，如何有效地获取视频这一问题变得越来越突出。一方面，用户希望更快更好地观看自己喜好的视频；另一方面，视频提供商希望尽可能地满足用户的观看需求，从而增加用户粘性，提高观看量。因此，设计一种能够有效地为用户提供个性化推荐的视频推荐系统是十分重要的。

视频推荐领域已经积累了许多技术，但是大多数方法只是关注把最相关的视频推荐给用户，却忽略了相关情境信息，如时间、地点，或陪同观看的人。而用户所做的决策往往与当时的情境是相关的，用户所处情景不同，所观看的视频也会有所不同。例如，在公司里用户往往看一些较短视频，而在家里可能偏好看一些较长的娱乐类视频。因此，在视频推荐系统里，情境信息整合到推荐方法中，毫无疑问会影响用户偏好的预测准确度。

综上所述，从在线视频服务提供商的角度出发，为了给用户提供个性化的视频，增加用户粘度，继而增加视频的浏览量，在线视频服务商需要设计一种推荐系统来预测用户的喜好。为了实现更精准的预测，还需要结合一些有效的情境信息来优化推荐系统。

发明内容

本发明提供一种更为良好的个性化视频推荐服务的基于无线接入点情境分类与感知的在线视频推荐方法。

为了达到上述技术效果，本发明的技术方案如下：

一种基于无线接入点情境分类与感知的在线视频推荐方法，包括以下步骤：

S1：根据用户观看记录，训练出协同过滤推荐模型和AP分类模型；

S2：根据训练好的协同过滤推荐模型计算出给定用户的视频推荐列表；

S3：根据AP分类模型对用户所在情境进行估计；

S4：针对每个情境，利用该情境中的视频流行度排名，基于后过滤方法，对上述协同过滤模型计算得出的视频推荐列表进行重排与过滤。

进一步地，所述步骤S1中训练出协同过滤推荐模型的具体过程如下：

S111：根据用户观看记录，以视频的观看比例作为用户的隐式评分，生成user-video矩阵M_uv，并转化为置信度矩阵：

C_uv＝1+αr_uv

其中，C_uv即为置信度矩阵，α是线性增长系数，r_uv是隐式评分；

S112：找如下代价函数的有最优解：

其中，x_u为用户u的因子向量，y_v为视频v的因子向量，p_uv为用户u对视频v的偏好系数，λ为规则化系数用于防止过拟合；

S113：所有最优的x_u向量组成的矩阵X，以及y_v向量组成的矩阵Y即为最终的同过滤推荐模型。

进一步地，所述步骤S1中训练出AP分类模型的具体过程如下：

S121：AP特征提取：

一个AP即一个接入点，可以接入多个用户，为了根据观看记录来提取AP的特征，可以使每个AP都当作一个“复合用户”，形成一个AP-video矩阵V，其中，复合用户是指，将属于该AP下的所有用户的观看记录全部合并在一起，当作一个复合而成的虚拟用户，而AP-video矩阵V与上述user-video矩阵M类似，矩阵中的每个元素V_ij即表示AP_i对video_j的隐式反馈评分，然后，对矩阵M进行非负矩阵分解得到W和H矩阵，其中W矩阵的的每个行向量W_i即为AP_i的特征向量，由此完成了AP的特征提取；

S122：AP分类模型的训练：

1)、提取SSID关键字，确定部分SSID所对应的AP的情境；

2)、以确定情境的AP作为种子，使用k-means聚类算法将特征相似的AP聚在一起，经过多次迭代训练后得到AP分类模型。

进一步地，所述步骤S2的具体过程如下：

S211：在矩阵X中找到用户u的因子向量x_u；

S212：预测用户u对所有视频的打分：

S213：结合每个打分对应的视频id，输出一个二元组序列Rec_u，即为协同过滤推荐模型视频推荐列表。

进一步地，所述步骤S3的具体过程如下：

S31：通过用户观看记录中的SSID和MAC地址值，确定用户所在的AP；

S32：利用上述AP分类模型，推测用户所在AP的情境。用户情境即为其所属AP的情境。

进一步地，所述步骤S4的具体过程如下：

(1)、通过协同过滤推荐模型预测评分

对于用户u，首先通过上述协同过滤推荐模型得到推荐列表Rec_u，推荐列表Rec_u是一个二元组数组，其形式为：

其中，vid为视频v的标识符，为协同过滤推荐模型模型预测的，用户u给视频v评分，然后，通过伸缩变换函数f_scale，变换到[0，1]之间：

其中，

(2)、计算视频v在情境c下的流行度r_pop(c,v)：

对情境c下所有视频以观看量作为键值排序：

r_pop(c,v)＝1-rank(c,v)，rank(c,v)∈[0,1]

其中，rank(v)为视频v的相对排名，由于其值为0到1之间，则有r_pop(c,v)∈[0,1]；

(3)、加权平均计算新评分：

情境c下视频的集合为S_c，若v∈S_c，则新评分为等于协同过滤推荐模型的预测评分与流行度的加权和；否则，新评分等于协同过滤推荐模型的预测评分，即：

其中，β₁和β₂为权重系数，用于调整情境信息对视频推荐的影响程度；

(4)、根据新评分重新排序：

根据新评分对推荐列表Rec_u重新排序，得到重排的推荐列表：

最后取出二元组中的视频号vid，即为最终的推荐列表：

与现有技术相比，本发明技术方案的有益效果是：

本发明方法以视频的观看比例作为用户隐式评分，因此只需要用户的观看历史数据而不需要用户打分，解决了用户打分率偏低以及打分不准确的问题。同时，本发明通过对SSID进行关键字提取，找出与用户情境相关的关键字，从而确定部分AP的情境。然后再以确定情境的AP作为种子，通过矩阵分解提取AP的特征，并根据这些特征使用k-means聚类算法将情境相似的AP聚合在一起，解决了用户所在AP的情境如何确定的问题。最后，针对每个情境，本发明利用该情境中的视频流行度排名，基于后过滤方法，对上述协同过滤模型计算得出的视频推荐列表进行重排与过滤，使得情境中观看量更大的视频的排名更高，从而实现根据情境自适应调整视频推荐列表的方法，为用户提供更为良好的个性化视频推荐服务。

附图说明

图1为本发明方法流程图；

图2为本发明方法中AP特征提取基本流程；

图3为本发明方法中AP分类模型训练基本流程图；

图4为本发明方法中情境估计流程图。

具体实施方式

附图仅用于示例性说明，不能理解为对本专利的限制；

为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；

对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

下面结合附图和实施例对本发明的技术方案做进一步的说明。

实施例1

如图1所示，一种基于无线接入点情境分类与感知的在线视频推荐方法，包括以下步骤：

S1：根据用户观看记录，训练出协同过滤推荐模型和AP分类模型；

S2：根据训练好的协同过滤推荐模型计算出给定用户的视频推荐列表；

S3：根据AP分类模型对用户所在情境进行估计；

S4：针对每个情境，利用该情境中的视频流行度排名，基于后过滤方法，对上述协同过滤模型计算得出的视频推荐列表进行重排与过滤。

步骤S1中训练出协同过滤推荐模型的具体过程如下：

S111：根据用户观看记录，以视频的观看比例作为用户的隐式评分，生成user-video矩阵M_uv，并转化为置信度矩阵：

C_uv＝1+αr_uv

其中，C_uv即为置信度矩阵，α是线性增长系数，r_uv是隐式评分；

S112：找如下代价函数的有最优解：

其中，x_u为用户u的因子向量，y_v为视频v的因子向量，p_uv为用户u对视频v的偏好系数，λ为规则化系数用于防止过拟合；

S113：所有最优的x_u向量组成的矩阵X，以及y_v向量组成的矩阵Y即为最终的同过滤推荐模型。

步骤S1中训练出AP分类模型的具体过程如下：

S121：AP特征提取(如图2所示)：

一个AP即一个接入点，可以接入多个用户，为了根据观看记录来提取AP的特征，可以使每个AP都当作一个“复合用户”，形成一个AP-video矩阵V，其中，复合用户是指，将属于该AP下的所有用户的观看记录全部合并在一起，当作一个复合而成的虚拟用户，而AP-video矩阵V与上述user-video矩阵M类似，矩阵中的每个元素V_ij即表示AP_i对video_j的隐式反馈评分，然后，对矩阵M进行非负矩阵分解得到W和H矩阵，其中W矩阵的的每个行向量W_i即为AP_i的特征向量，由此完成了AP的特征提取；

S122：AP分类模型的训练(如图3所示)：

1)、提取SSID关键字，确定部分SSID所对应的AP的情境；

2)、以确定情境的AP作为种子，使用k-means聚类算法将特征相似的AP聚在一起，经过多次迭代训练后得到AP分类模型。

进一步地，所述步骤S2的具体过程如下：

S211：在矩阵X中找到用户u的因子向量x_u；

S212：预测用户u对所有视频的打分：

S213：结合每个打分对应的视频id，输出一个二元组序列Rec_u，即为协同过滤推荐模型视频推荐列表。

如图4所示，所述步骤S3的具体过程如下：

S31：通过用户观看记录中的SSID和MAC地址值，确定用户所在的AP；

S32：利用上述AP分类模型，推测用户所在AP的情境。用户情境即为其所属AP的情境。

步骤S4的具体过程如下：

(1)、通过协同过滤推荐模型预测评分

对于用户u，首先通过上述协同过滤推荐模型得到推荐列表Rec_u，推荐列表Rec_u是一个二元组数组，其形式为：

其中，vid为视频v的标识符，为协同过滤推荐模型模型预测的，用户u给视频v评分，然后，通过伸缩变换函数f_scale，变换到[0，1]之间：

其中，

(2)、计算视频v在情境c下的流行度r_pop(c,v)：

对情境c下所有视频以观看量作为键值排序：

r_pop(c,v)＝1-rank(c,v)，rank(c,v)∈[0,1]

其中，rank(v)为视频v的相对排名，由于其值为0到1之间，则有r_pop(c,v)∈[0,1]；

(3)、加权平均计算新评分：

情境c下视频的集合为S_c，若v∈S_c，则新评分为等于协同过滤推荐模型的预测评分与流行度的加权和；否则，新评分等于协同过滤推荐模型的预测评分，即：

其中，β₁和β₂为权重系数，用于调整情境信息对视频推荐的影响程度；

(4)、根据新评分重新排序：

根据新评分对推荐列表Rec_u重新排序，得到重排的推荐列表：

最后取出二元组中的视频号vid，即为最终的推荐列表：

相同或相似的标号对应相同或相似的部件；

附图中描述位置关系的用于仅用于示例性说明，不能理解为对本专利的限制；

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (6)

1.一种基于无线接入点情境分类与感知的在线视频推荐方法，其特征在于，包括以下步骤：

S1：根据用户观看记录，训练出协同过滤推荐模型和AP分类模型；

S2：根据训练好的协同过滤推荐模型计算出给定用户的视频推荐列表；

S3：根据AP分类模型对用户所在情境进行估计；

S4：针对每个情境，利用该情境中的视频流行度排名，对上述协同过滤模型计算得出的视频推荐列表进行重排与过滤得到最终的视频推荐列表。

2.根据权利要求1所述的基于无线接入点情境分类与感知的在线视频推荐方法，其特征在于，所述步骤S1中训练出协同过滤推荐模型的具体过程如下：

S111：根据用户观看记录，以视频的观看比例作为用户的隐式评分，生成user-video矩阵M_uv，并转化为置信度矩阵：

C_uv＝1+αr_uv

其中，C_uv即为置信度矩阵，α是线性增长系数，r_uv是隐式评分；

S112：找如下代价函数的有最优解：

${\min }_{x_{*},y_{*}}\underset{u,v}{\Σ}{c}_{uv}{(p_{uv}-x_u^T{y}_v)}^2+\mathrm{\λ}\left(\underset{u}{\Σ}\right|\left|x_u\right|{|}^2+\underset{v}{\Σ}\left|\right|y_v\left|{|}^2\right)$

其中，x_u为用户u的因子向量，y_v为视频v的因子向量，p_uv为用户u对视频v的偏好系数，λ为规则化系数用于防止过拟合；

S113：所有最优的x_u向量组成的矩阵X，以及y_v向量组成的矩阵Y即为最终的同过滤推荐模型。

3.根据权利要求2所述的基于无线接入点情境分类与感知的在线视频推荐方法，其特征在于，所述步骤S1中训练出AP分类模型的具体过程如下：

S121：AP特征提取：

一个AP即一个接入点，可以接入多个用户，为了根据观看记录来提取AP的特征，可以使每个AP都当作一个“复合用户”，形成一个AP-video矩阵V，其中，复合用户是指，将属于该AP下的所有用户的观看记录全部合并在一起，当作一个复合而成的虚拟用户，而AP-video矩阵V与上述user-video矩阵M类似，矩阵中的每个元素V_ij即表示AP_i对video_j的隐式反馈评分，然后，对矩阵M进行非负矩阵分解得到W和H矩阵，其中W矩阵的的每个行向量W_i即为AP_i的特征向量，由此完成了AP的特征提取；

S122：AP分类模型的训练：

1)、提取SSID关键字，确定部分SSID所对应的AP的情境；

2)、以确定情境的AP作为种子，使用k-means聚类算法将特征相似的AP聚在一起，经过多次迭代训练后得到AP分类模型。

4.根据权利要求3所述的基于无线接入点情境分类与感知的在线视频推荐方法，其特征在于，所述步骤S2的具体过程如下：

S211：在矩阵X中找到用户u的因子向量x_u；

S212：预测用户u对所有视频的打分：

S213：结合每个打分对应的视频id，输出一个二元组序列Rec_u，即为协同过滤推荐模型视频推荐列表。

5.根据权利要求4所述的基于无线接入点情境分类与感知的在线视频推荐方法，其特征在于，所述步骤S3的具体过程如下：

S31：通过用户观看记录中的SSID和MAC地址值，确定用户所在的AP；

S32：利用上述AP分类模型，推测用户所在AP的情境。用户情境即为其所属AP的情境。

6.根据权利要求5所述的基于无线接入点情境分类与感知的在线视频推荐方法，其特征在于，所述步骤S4的具体过程如下：

(1)、通过协同过滤推荐模型预测评分

对于用户u，首先通过上述协同过滤推荐模型得到推荐列表Rec_u，推荐列表Rec_u是一个二元组数组，其形式为：

${\mathrm{Rec}}_u=\[({\mathrm{vid}}_1,{\tilde{r}}_{cf}(u,v_1\left)\right),...,({\mathrm{vid}}_n,{\tilde{r}}_{cf}(u,v_n\left)\right)\]$

其中，vid为视频v的标识符，为协同过滤推荐模型模型预测的，用户u给视频v评分，然后，通过伸缩变换函数f_scale，变换到[0，1]之间：

${\tilde{r}}_{cf}^{\′}(u,v)=f_{scale}\left({\tilde{r}}_{cf}\right(u,v\left)\right)$

其中，

(2)、计算视频v在情境c下的流行度r_pop(c,v)：

对情境c下所有视频以观看量作为键值排序：

r_pop(c,v)＝1-rank(c,v)，rank(c,v)∈[0,1]

其中，rank(v)为视频v的相对排名，由于其值为0到1之间，则有r_pop(c,v)∈[0,1]；

(3)、加权平均计算新评分：

情境c下视频的集合为S_c，若v∈S_c，则新评分为等于协同过滤推荐模型的预测评分与流行度的加权和；否则，新评分等于协同过滤推荐模型的预测评分，即：

$\tilde{r}(u,c,v)=\left\{\begin{array}{cc}{\mathrm{\β}}_1{\tilde{r}}_{cf}^{\′}(u,v)+{\mathrm{\β}}_2{r}_{pop}(c,v)& v\∈S_c\\ {\tilde{r}}_{cf}^{\′}(u,v)& v\∉S_c\end{array}\right.$

其中，β₁和β₂为权重系数，用于调整情境信息对视频推荐的影响程度；

(4)、根据新评分重新排序：

根据新评分对推荐列表Rec_u重新排序，得到重排的推荐列表：

${\mathrm{Rec}}_u^{\′}=\[({\mathrm{vid}}_{i_1},\tilde{r}(u,c,v_{i_1}),({\mathrm{vid}}_{i_2},\tilde{r}(u,c,v_{i_2}),...,({\mathrm{vid}}_{i_n},\tilde{r}\left(u,c,v_{i_n}\right))\]$

最后取出二元组中的视频号vid，即为最终的推荐列表：

$({\mathrm{vid}}_{i_1},{\mathrm{vid}}_{i_2},...,{\mathrm{vid}}_{i_n}).$