CN106649884B - 一种基于用户情境分析的多媒体内容推荐方法 - Google Patents

一种基于用户情境分析的多媒体内容推荐方法 Download PDF

Info

Publication number
CN106649884B
CN106649884B CN201710018860.1A CN201710018860A CN106649884B CN 106649884 B CN106649884 B CN 106649884B CN 201710018860 A CN201710018860 A CN 201710018860A CN 106649884 B CN106649884 B CN 106649884B
Authority
CN
China
Prior art keywords
user
content
current
behavior
current user
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.)
Active
Application number
CN201710018860.1A
Other languages
English (en)
Other versions
CN106649884A (zh
Inventor
张志勇
赵长伟
张丽丽
牛丹梅
孙冉冉
黄涛
向菲
王剑
史培宁
王小雪
刘芳云
李成
韩林茜
闻婧
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.)
Henan University of Science and Technology
Original Assignee
Henan University of Science and Technology
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 Henan University of Science and Technology filed Critical Henan University of Science and Technology
Priority to CN201710018860.1A priority Critical patent/CN106649884B/zh
Publication of CN106649884A publication Critical patent/CN106649884A/zh
Application granted granted Critical
Publication of CN106649884B publication Critical patent/CN106649884B/zh
Active 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
    • G06F16/90—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)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种基于用户情境分析的多媒体内容推荐方法，根据用户在社交媒体网络中的身份、行为、意图和环境大数据，分析后为每个目标用户推荐其可能感兴趣的多媒体内容，使用户快速方便的找到自己喜欢的内容，提高推荐算法的准确率；将用户从海量的多媒体资源中解脱出来，节约用户时间同时提高用户在多媒体社交网络中的体验质量。

Description

一种基于用户情境分析的多媒体内容推荐方法
技术领域
本发明属于互联网技术领域，具体涉及一种基于用户情境分析的多媒体内容推荐方法。
背景技术
随着互联网和Web2.0的快速发展，多媒体社交网络上用户和多媒体内容呈现爆炸式增长，在如此大量的多媒体资源中，如何使用户在多媒体社交网络中快速找到感兴趣的内容，提高用户的体验质量，是当前多媒体社交网络解决信息过载问题的严峻挑战。为了在海量的信息中给用户提供个性化的服务，个性化推荐技术应运而生。
协同过滤推荐技术是目前推荐系统应用最广泛、最成熟的推荐技术。该推荐方法首先寻找与目标用户偏好相似的用户，然后根据她们的偏好预测目标用户的偏好并实现推荐。传统的协同过滤推荐技术分为基于用户的协同过滤和基于项目的协同过滤。协同过滤技术从利用用户的静态历史数据到用户的历史行为信息发现用户的兴趣，邢春晓等人【邢春晓，高凤荣，战思南等. 适应用户兴趣变化的协同过滤推荐算法[J], 计算机研究与发展. 2007, 44(2): 296-301】提出了一种适应用户兴趣变化的协同过滤推荐算法，引入了基于时间的数据权重和基于资源相似度的数据权重，通过把这两种权重融合到协同过滤推荐算法中。传统的推荐系统通过分析用户的兴趣、属性或浏览记录等，从海量的信息中挖掘出用户可能感兴趣或符合用户需求的资源。这种传统的推荐方法推荐出的资源不能及时捕捉到用户可能随时变化的需求，给用户推荐出来的内容可能不是用户需要的，这就降低了资源推荐的准确度，将不利于数字内容的传播和用户间的共享。并且用户的意图随时可能发生变化，用户的喜好可能会随着周围环境或用户身份的不同产生变化，因此在多媒体社交网络中，为了让用户快速发现可能感兴趣的多媒体内容，提高用户的体验，本专利提出一种在多媒体社交网络中基于用户情境分析的多媒体内容推荐方法。通过分析当前用户在社交媒体网络中的身份、行为、意图和环境大数据，以及当前用户的相似用户喜欢的多媒体内容，为当前用户及时推荐可能感兴趣的内容，帮助用户从海量数据中解脱出来，提高用户的满意度。
发明内容
本发明所要解决的技术问题是提供一种基于用户情境分析的多媒体内容推荐方法，及时发现用户潜在需求的变化，在多媒体社交网络海量的多媒体内容资源中发现用户潜在的感兴趣的内容，让用户及时快速找到自己喜欢的资源。
本发明为解决上述技术问题所采用的技术方案是：一种基于用户情境分析的多媒体内容推荐方法，其特征在于：包括以下步骤：
步骤一、采集互联网中所有历史用户的浏览记录，构建用户_项目播放矩阵R(m, n)，如式（1）所示；
（1）
其中，m表示历史用户的个数，n表示多媒体内容的个数，每一行表示一个用户对所有多媒体内容的播放情况，若浏览记录中有某一用户对某一内容的记录，则该用户对应的该内容的位置为1，否则为0；
步骤二、寻找当前用户u的相似用户：采用余弦相似度计算当前用户u与历史用户的相似度，如式（2）所示；
（2）
其中，表示当前用户u的播放记录，表示用户v的播放记录，表示当前用户u和用户v之间的余弦相似度，余弦值越大，当前用户u和用户v越相似，按照相似度由高到低的顺序进行排序，取前K个作为当前用户u的相似用户；
步骤三、任一用户在面对一项多媒体内容i时的行为用Behavior i 表示，包括分享、收藏、下载、完整播放和跳过5种，将这些行为量化，各个行为量化的分值分别记为、、、和，其中，则，用户行为表示用户对浏览的多媒体内容的真实喜欢程度；
步骤四、建立当前用户的兴趣模型：
（1）预测当前用户对未浏览过的多媒体内容的评分
根据相似用户v对内容i的评分以及该相似用户在播放内容i时的行为信息预测当前用户对内容i的喜好程度，如式（3）所示，其中表示在浏览多媒体内容时相似用户v对内容i的行为信息，表示相似用户v对内容i的平均行为分值，和分别表示当前用户u和相似用户v对所有历史评分内容的平均评分，表示相似用户v对内容i的评分；
（3）
对从高到低进行排序，得出待推荐的内容集合；
（2）分析得出待推荐的内容集合
通过对当前用户在多媒体网络中的历史信息进行分析得出当前用户在特定意图下的行为模式序列，针对当前用户当前的行为序列与分析的结果进行对比并预测其意图，即如果当前序列与某个历史意图下的行为序列模式相似度较高，则认为该当前用户当前的意图为该历史意图，所有用户的意图最终是以其行为方式表现出来，因此根据步骤三中对用户行为的量化分值对当前用户的当前的意图赋予权重W，W表示当前用户对当前内容的喜好程度；
根据当前用户u历史浏览记录中对所有浏览内容的平均行为分值设置阈值，如果当前用户u当前的意图的权重，则表示当前用户很喜欢正在浏览的这类内容，根据该内容的著作权人和类型两个属性，计算其它多媒体内容中这两个属性所占的权重，按照权重进行排序，找出与该内容相似的前N个内容作为待推荐的多媒体内容集合；
步骤五、为当前用户u推荐多媒体内容：设定集合I，使，选择I中的前N个多媒体内容进行推荐，如果I中的多媒体内容个数小于N，则，即不够N个内容的从的集合中补足N个并把这些多媒体内容推荐给当前用户u。
本发明所述步骤四中步骤（2）所述的历史信息为SituEx(t)信息，其中SituEx(t)= (ID,d,A,E) t ，表示用户在t时刻的情境信息，ID表示用户的身份，包括群组和角色，d表示t时刻用户的意愿，A表示t时刻用户为了实现意愿d采取的行为，E表示t时刻用户的环境信息。
本发明所述步骤四中步骤（2）所述的根据步骤三中对用户行为的量化分值对当前用户的当前的意图赋予权重W的方法为：与每个行为对应的意图赋予的权重与该行为的量化分值相同。
本发明所述分享、收藏、下载、完整播放和跳过5种行为对应的意图分别为分享、收藏、下载、播放和跳过。
本发明的有益效果是：通过本发明给出的技术方案可以为每个当前用户推荐其可能感兴趣的多媒体内容，使用户快速方便的找到自己喜欢的内容，提高推荐算法的准确率，将用户从海量的多媒体资源中解脱出来，节约用户时间同时提高用户在多媒体社交网络中的体验质量；通过分析当前用户的相似用户对多媒体内容的喜好以及当前用户对当前多媒体内容的喜好综合为当前用户进行多媒体内容的推荐，不仅能考虑到用户的整体兴趣爱好，而且能够根据用户的角色、行为以及其周围环境信息及时发现用户潜在爱好的变化，为用户进行实时推荐，体现了本发明推荐方法的及时性；通过实验对比本发明推荐方法的准确率、召回率和综合指标均较高。
附图说明
图1为本发明推荐方法与其它两种推荐方法的准确率对比图；
图2为本发明推荐方法与其它两种推荐方法的召回率对比图；
图3为本发明推荐方法与其它两种推荐方法的F-measure综合指标对比图。
具体实施方式
一种基于用户情境分析的多媒体内容推荐方法，其特征在于：包括以下步骤：
步骤一、采集互联网中所有历史用户的浏览记录，构建用户_项目播放矩阵R(m, n)，如式（1）所示；
（1）
其中，m表示历史用户的个数，n表示多媒体内容的个数，每一行表示一个用户对所有多媒体内容的播放情况，若浏览记录中有某一用户对某一内容的记录，则该用户对应的该内容的位置为1，否则为0；
步骤二、寻找当前用户u的相似用户：采用余弦相似度计算当前用户u与历史用户的相似度，如式（2）所示；
（2）
其中，表示当前用户u的播放记录，表示用户v的播放记录，表示当前用户u和用户v之间的余弦相似度，余弦值越大，当前用户u和用户v越相似，按照相似度由高到低的顺序进行排序，取前K个作为当前用户u的相似用户；
步骤三、任一用户在面对一项多媒体内容i时的行为用Behavior i 表示，包括分享、收藏、下载、完整播放和跳过5种，将这些行为量化，各个行为量化的分值分别记为、、、和，其中，则，用户行为表示用户对浏览的多媒体内容的真实喜欢程度；
步骤四、建立当前用户的兴趣模型：
（1）预测当前用户对未浏览过的多媒体内容的评分
根据相似用户v对内容i的评分以及该相似用户在播放内容i时的行为信息预测当前用户对内容i的喜好程度，如式（3）所示，其中表示在浏览多媒体内容时相似用户v对内容i的行为信息，表示相似用户v对内容i的平均行为分值，和分别表示当前用户u和相似用户v对所有历史评分内容的平均评分，表示相似用户v对内容i的评分；
（3）
对从高到低进行排序，得出待推荐的内容集合；
（2）分析得出待推荐的内容集合
通过对当前用户在多媒体网络中的历史信息进行分析得出当前用户在特定意图下的行为模式序列，针对当前用户当前的行为序列与分析的结果进行对比并预测其意图，即如果当前序列与某个历史意图下的行为序列模式相似度较高，则认为该当前用户当前的意图为该历史意图，所有用户的意图最终是以其行为方式表现出来，因此根据步骤三中对用户行为的量化分值对当前用户的当前的意图赋予权重W，W表示当前用户对当前内容的喜好程度；
根据当前用户u历史浏览记录中对所有浏览内容的平均行为分值设置阈值，如果当前用户u当前的意图的权重，则表示当前用户很喜欢正在浏览的这类内容，根据该内容的著作权人和类型两个属性，计算其它多媒体内容中这两个属性所占的权重，按照权重进行排序，找出与该内容相似的前N个内容作为待推荐的多媒体内容集合；
步骤五、为当前用户u推荐多媒体内容：设定集合I，使，选择I中的前N个多媒体内容进行推荐，如果I中的多媒体内容个数小于N，则，即不够N个内容的从的集合中补足N个并把这些多媒体内容推荐给当前用户u。
进一步，所述步骤四中步骤（2）所述的历史信息为SituEx(t)信息，其中SituEx(t) =(ID,d,A,E) t ，表示用户在t时刻的情境信息，ID表示用户的身份，包括群组和角色，d表示t时刻用户的意愿，A表示t时刻用户为了实现意愿d采取的行为，E表示t时刻用户的环境信息。
进一步，所述步骤四中步骤（2）所述的根据步骤三中对用户行为的量化分值对当前用户的当前的意图赋予权重W的方法为：与每个行为对应的意图赋予的权重与该行为的量化分值相同。
进一步，所述分享、收藏、下载、完整播放和跳过5种行为对应的意图分别为分享、收藏、下载、播放和跳过。
实验对比
将本发明推荐方法与混合推荐算法、流行推荐算法进行实验对比，实验结果如图1-3所示，图1为三种推荐方法的准确率对比图，图2为三种推荐方法的召回率对比图，图3为三种推荐方法的F-measure综合指标对比图，由图中数据可知，本发明推荐方法的准确率、召回率和综合指标F-measure均远远高于其它两种算法。

Claims (4)

1.一种基于用户情境分析的多媒体内容推荐方法，其特征在于：包括以下步骤：
步骤一、采集互联网中所有历史用户的浏览记录，构建用户_项目播放矩阵R(m,n)，如式(1)所示；
其中，m表示历史用户的个数，n表示多媒体内容的个数，每一行表示一个用户对所有多媒体内容的播放情况，若浏览记录中有某一用户对某一内容的记录，则该用户对应的该内容的位置为1，否则为0；
步骤二、寻找当前用户u的相似用户：采用余弦相似度计算当前用户u与历史用户的相似度，如式(2)所示；
其中，Au表示当前用户u的播放记录，Av表示用户v的播放记录，cos(u,v)表示当前用户u和用户v之间的余弦相似度，余弦值越大，当前用户u和用户v越相似，按照相似度由高到低的顺序进行排序，取前K个作为当前用户u的相似用户；
步骤三、任一用户在面对一项多媒体内容i时的行为用Behaviori表示，包括分享、收藏、下载、完整播放和跳过5种，将这些行为量化，各个行为量化的分值分别记为SShare、SCollection、SDownload、SPlay和SSkip，其中SShare＞SCollection＞SDownload＞SPlay＞SSkip，则Behaviori＝{SShare，SCollection，SDownload，SPlay，SSkip}，用户行为表示用户对浏览的多媒体内容的真实喜欢程度；
步骤四、建立当前用户的兴趣模型：
(1)预测当前用户对未浏览过的多媒体内容的评分
根据相似用户v对内容i的评分以及该相似用户在播放内容i时的行为信息Behaviorv,i预测当前用户对内容i的喜好程度Pu,i，如式(3)所示，其中Behaviorv,i表示在浏览多媒体内容时相似用户v对内容i的行为信息，表示相似用户v对内容i的平均行为分值，和分别表示当前用户u和相似用户v对所有历史评分内容的平均评分，Rv,i表示相似用户v对内容i的评分；
对Pu,i从高到低进行排序，得出待推荐的内容集合I1；
(2)分析得出待推荐的内容集合I2
通过对当前用户在多媒体网络中的历史信息进行分析得出当前用户在特定意图下的行为模式序列，针对当前用户当前的行为序列与分析的结果进行对比并预测其意图，即如果当前序列与某个历史意图下的行为序列模式相似度较高，则认为该当前用户当前的意图为该历史意图，所有用户的意图最终是以其行为方式表现出来，因此根据步骤三中对用户行为的量化分值对当前用户的当前的意图赋予权重W，W表示当前用户对当前内容的喜好程度；
根据当前用户u历史浏览记录中对所有浏览内容的平均行为分值设置阈值如果当前用户u当前的意图的权重则表示当前用户很喜欢正在浏览的这类内容，根据该内容的著作权人和类型两个属性，计算其它多媒体内容中这两个属性所占的权重，按照权重进行排序，找出与该内容相似的前N个内容作为待推荐的多媒体内容集合I2；
步骤五、为当前用户u推荐多媒体内容：设定集合I，使I＝I1∩I2，选择I中的前N个多媒体内容进行推荐，如果I中的多媒体内容个数小于N，不够N个内容的从I2的集合中补足N个并把这些多媒体内容推荐给当前用户u。
2.根据权利要求1所述的一种基于用户情境分析的多媒体内容推荐方法，其特征在于：所述步骤四中步骤(2)所述的历史信息为SituEx(t)信息，其中SituEx(t)＝(ID,d,A,E)t，表示用户在t时刻的情境信息，ID表示用户的身份，包括群组和角色，d表示t时刻用户的意愿，A表示t时刻用户为了实现意愿d采取的行为，E表示t时刻用户的环境信息。
3.根据权利要求1所述的一种基于用户情境分析的多媒体内容推荐方法，其特征在于：所述步骤四中步骤(2)所述的根据步骤三中对用户行为的量化分值对当前用户的当前的意图赋予权重W的方法为：与每个行为对应的意图赋予的权重与该行为的量化分值相同。
4.根据权利要求1所述的一种基于用户情境分析的多媒体内容推荐方法，其特征在于：所述分享、收藏、下载、完整播放和跳过5种行为对应的意图分别为分享、收藏、下载、播放和跳过。
CN201710018860.1A 2017-01-11 2017-01-11 一种基于用户情境分析的多媒体内容推荐方法 Active CN106649884B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710018860.1A CN106649884B (zh) 2017-01-11 2017-01-11 一种基于用户情境分析的多媒体内容推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710018860.1A CN106649884B (zh) 2017-01-11 2017-01-11 一种基于用户情境分析的多媒体内容推荐方法

Publications (2)

Publication Number Publication Date
CN106649884A CN106649884A (zh) 2017-05-10
CN106649884B true CN106649884B (zh) 2019-12-31

Family

ID=58843893

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710018860.1A Active CN106649884B (zh) 2017-01-11 2017-01-11 一种基于用户情境分析的多媒体内容推荐方法

Country Status (1)

Country Link
CN (1) CN106649884B (zh)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107105322A (zh) * 2017-05-23 2017-08-29 深圳市鑫益嘉科技股份有限公司 一种多媒体智能推送机器人及推送方法
CN107545075B (zh) * 2017-10-19 2020-05-29 厦门大学 一种基于在线评论和情境感知的餐馆推荐方法
CN108228882B (zh) * 2018-01-26 2019-12-17 维沃移动通信有限公司 一种歌曲试听片段的推荐方法和终端设备
CN108846577B (zh) * 2018-06-14 2021-11-05 河南科技大学 一种基于情境分析的群体任务分配方法
CN109271590B (zh) * 2018-09-29 2021-08-31 四川灵灵器机器人有限责任公司 一种基于时序决策模型的推荐方法
CN110309361B (zh) * 2019-06-19 2021-08-20 北京奇艺世纪科技有限公司 一种视频评分的确定方法、推荐方法、装置及电子设备
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
CN111079000B (zh) * 2019-11-25 2021-10-19 腾讯科技（深圳）有限公司 内容处理方法、装置、设备及存储介质
CN111177577B (zh) * 2019-12-12 2023-03-28 中国科学院深圳先进技术研究院 一种群组的项目推荐方法、智能终端以及存储装置
CN111191056A (zh) * 2020-01-02 2020-05-22 中国联合网络通信集团有限公司 一种多媒体推荐方法及装置
CN111984874B (zh) * 2020-08-26 2022-07-22 河南科技大学 一种融合情感计算和网络众包的并行推荐方法
CN112699309A (zh) * 2021-03-23 2021-04-23 北京搜狐新媒体信息技术有限公司 资源推荐方法、装置、可读介质以及设备
CN113792220A (zh) * 2021-08-13 2021-12-14 唯品会(广州)软件有限公司 一种目标对象推荐方法、装置、计算机设备及存储介质

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103383702A (zh) * 2013-07-17 2013-11-06 中国科学院深圳先进技术研究院 一种基于用户投票排名的个性化新闻推荐的方法及系统
CN103914783A (zh) * 2014-04-13 2014-07-09 北京工业大学 一种基于用户相似度的电子商务网站推荐方法
US20160358258A1 (en) * 2015-06-02 2016-12-08 Bank Of America Corporation System for performing a stress test on a retirement plan
CN106021305A (zh) * 2016-05-05 2016-10-12 北京邮电大学 一种模式与偏好感知的poi推荐方法及系统

Also Published As

Publication number Publication date
CN106649884A (zh) 2017-05-10

Similar Documents

Publication Publication Date Title
CN106649884B (zh) 一种基于用户情境分析的多媒体内容推荐方法
KR102405115B1 (ko) 머신 학습을 이용한 라이브-스트림 콘텐츠의 추천
CN104317835B (zh) 视频终端的新用户推荐方法
Hawalah et al. Dynamic user profiles for web personalisation
Véras et al. A literature review of recommender systems in the television domain
WO2017181612A1 (zh) 个性化视频推荐方法及装置
TWI636416B (zh) 內容個人化之多相排序方法和系統
US10390085B2 (en) Video channel categorization schema
US9607096B2 (en) System and method for content access control
US20140074828A1 (en) Systems and methods for cataloging consumer preferences in creative content
Jia et al. Multi-modal learning for video recommendation based on mobile application usage
US20160012454A1 (en) Database systems for measuring impact on the internet
CN104903888A (zh) 用于通过多媒体平台推荐多媒体内容的方法和系统
Daneshmand et al. A time-aware recommender system based on dependency network of items
Porcaro et al. Diversity by design in music recommender systems
Huang et al. Personalized micro-video recommendation via hierarchical user interest modeling
CN115618024A (zh) 多媒体推荐方法、装置及电子设备
Pfeffer et al. Japanese Visual Media Graph: Providing researchers with data from enthusiast communities
KR20170060828A (ko) 사용자의 콘텐츠 접근 이력에 기반한 추천방법
CN113886674A (zh) 资源推荐方法、装置、电子设备及存储介质
Diplaris et al. Socialsensor: sensing user generated input for improved media discovery and experience
CN115705379A (zh) 智能推荐方法及装置、设备、存储介质
Zhou et al. From popularity to personality—a heuristic music recommendation method for niche market
Andrade et al. Novel hybrid approach to content recommendation based on predicted profiles
Velankar et al. Employing cumulative rewards based reinforcement machine learning for personalized music recommendation

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant