CN107071578B - Iptv节目推荐方法 - Google Patents
Iptv节目推荐方法 Download PDFInfo
- Publication number
- CN107071578B CN107071578B CN201710373843.XA CN201710373843A CN107071578B CN 107071578 B CN107071578 B CN 107071578B CN 201710373843 A CN201710373843 A CN 201710373843A CN 107071578 B CN107071578 B CN 107071578B
- Authority
- CN
- China
- Prior art keywords
- user
- viewing
- matrix
- program
- interested
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 239000011159 matrix material Substances 0.000 claims abstract description 121
- 230000000737 periodic effect Effects 0.000 claims abstract description 25
- 230000006835 compression Effects 0.000 claims abstract description 5
- 238000007906 compression Methods 0.000 claims abstract description 5
- 239000013598 vector Substances 0.000 claims description 26
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000002776 aggregation Effects 0.000 claims description 7
- 238000004220 aggregation Methods 0.000 claims description 7
- 238000011084 recovery Methods 0.000 claims description 7
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 230000003442 weekly effect Effects 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 230000009471 action Effects 0.000 claims description 3
- 238000005354 coacervation Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 abstract 1
- 239000000463 material Substances 0.000 abstract 1
- 230000008859 change Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000000366 juvenile effect Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
- H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
- H04N21/4668—Learning process for intelligent management, e.g. learning user preferences for recommending movies for recommending content, e.g. movies
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
- H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
- H04N21/258—Client or end-user data management, e.g. managing client capabilities, user preferences or demographics, processing of multiple end-users preferences to derive collaborative data
- H04N21/25866—Management of end-user data
- H04N21/25891—Management of end-user data being end-user preferences
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
- H04N21/4508—Management of client data or end-user data
- H04N21/4532—Management of client data or end-user data involving end-user characteristics, e.g. viewer profile, preferences
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
- H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
- H04N21/4667—Processing of monitored end-user data, e.g. trend analysis based on the log file of viewer selections
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/47—End-user applications
- H04N21/475—End-user interface for inputting end-user data, e.g. personal identification number [PIN], preference data
- H04N21/4756—End-user interface for inputting end-user data, e.g. personal identification number [PIN], preference data for rating content, e.g. scoring a recommended movie
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/47—End-user applications
- H04N21/482—End-user interface for program selection
- H04N21/4826—End-user interface for program selection using recommendation lists, e.g. of programs or channels sorted out according to their score
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Human Computer Interaction (AREA)
- Computer Graphics (AREA)
- Software Systems (AREA)
- Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
Abstract
本发明公开了一种IPTV节目推荐方法,包括:根据用户的观看日志,构建用户收视矩阵;对用户收视矩阵依次进行低秩去噪、周期性压缩与观看模式提取,从而获得用户的周期性观看场景;将周期性观看场景中的每一观看模式作为一兴趣用户,并构建所有兴趣用户的评分矩阵;对当前观看模式进行识别,从而确定当前兴趣用户,再采用联合推荐策略,从历史影料库和当前直播的节目中推荐用户感兴趣的节目,生成推荐列表推送给用户。该方法能够较好地处理IPTV终端的多成员情况,提高了推荐的精确度;同时,还采用直播和点播融合的推荐策略,使得用户得到更加全面的推荐内容。
Description
技术领域
本发明涉及推荐技术领域,尤其涉及一种IPTV节目推荐方法。
背景技术
随着互联网的飞速发展,互联网电视也变得越来越普及。互联网终端背后通常为单个成员,因此互联网的推荐都是针对单个成员的兴趣而言,只需推荐感兴趣的即可。而IPTV存在着自身的特殊性,每个IPTV终端背后会有多个成员,因此,将互联网领域的推荐方法应用到IPTV领域上,效果会大打折扣。虽然IPTV上已经有一些推荐算法,但都没有通过区分多成员来进行推荐。由于IPTV终端背后拥有多个成员,IPTV终端的兴趣是背后成员兴趣的耦合,但每个成员存在着自身的收视规律,会在一些固定的时间段收看一些固定的内容。因此,通过分析终端的观看场景,基于观看场景进行推荐,能够较好地处理IPTV终端的多成员情况。
精确分析出每个终端的观看场景是推荐的基础和关键。分析得到用户的观看场景后,基于观看场景进行推荐能够提高推荐的准确性和针对性。下面分别从观看场景分析和基于观看场景的推荐两个方面介绍相关的研究工作。
在针对观看场景的研究中,现有的研究在时间维度的处理上有所局限,对于时间段的划分也较为主观,难以清楚的表现用户的兴趣变化;对于每一个观看场景的兴趣,只是对用户历史纪录的简单统计,难以准确表示用户的兴趣。在专利《一种节目推荐装置、系统和方法》中,对每一天划分播放时段,记录每一个播放时段对应的播放频道及播放节目,从而得到每一个播放时段的兴趣频道。在专利《一种个性化节目定制播放方法和装置》中,根据用户历史收视纪录生成节目单,通过将一天划分为不同时长且依时序连续的若干时间段,将节目单按照相同的方法划分为若干子节目单。上述专利都将用户的收视以天为单位划分为多个时段,没有考虑到用户收视每一天之间的差距。
在针对观看场景的推荐中,现有研究只是利用发现的观看场景,采用基于内容的推荐,直接推荐用户感兴趣的内容,忽略了用户之间的相似性。在《网络电视推荐节目的方法与系统》专利中,根据不同收看时间内用户喜好节目类型,查询当前正在播放用户喜好节目类型的频道和节目名称,生成节目清单,推送至用户;在《一种电视节目推荐装置及方法》中,根据个人喜好设定节目推荐表,节目推荐表包含了用户不同时间段的兴趣,当推荐时,在节目推荐表中搜索播放时间与当前时刻匹配的节目,并按照喜好度推荐给用户。上述专利根据用户当前的兴趣,直接推荐给用户感兴趣的节目,没有考虑用户之间或节目之间的相似性进行推荐,难以发现用户潜在的兴趣,使得推荐的内容有限。此外,在推荐具体节目时,大多数基于协同过滤的个性化推荐只是针对点播节目进行处理,忽略了广电用户大多数的直播行为。
发明内容
本发明的目的是提供一种IPTV节目推荐方法,基于观看场景进行推荐,能够较好地处理IPTV终端的多成员情况,提高了推荐的精确度;同时,还采用直播和点播融合的推荐策略,使得用户得到更加全面的推荐内容。
本发明的目的是通过以下技术方案实现的:
一种IPTV节目推荐方法,包括:
根据用户的观看日志,构建用户收视矩阵;
对用户收视矩阵依次进行低秩去噪、周期性压缩与观看模式提取,从而获得用户的周期性观看场景;
将周期性观看场景中的每一观看模式作为一兴趣用户,并构建所有兴趣用户的评分矩阵;
对当前观看模式进行识别,从而确定当前兴趣用户,再采用联合推荐策略,从历史影料库和当前直播的节目中推荐用户感兴趣的节目,生成推荐列表推送给用户。
所述根据用户的观看日志,构建用户收视矩阵包括:
获取用户的观看日志,通过划分节目类型和时间段,根据每一天收视纪录的时间和收看节目的类型,将用户一定天数的收视纪录表示为矩阵的形式。
定义N表示节目类型的数目,T表示每一天被划分的时间段数目,则用户i第s天的收视纪录表示为dis∈RT×N,其中,dis(t,n)表示在时间段t收看类型节目n的时间占时间段t时长的比例;
定义L=T×N,将每一天的收视纪录表示为一个向量对于用户i,其S天收视纪录矩阵表示为则所有用户的S天收视纪录矩阵表示为Nu表示用户的数目。
所述对用户收视矩阵依次进行低秩去噪、周期性压缩与观看模式提取,从而获得用户的周期性观看场景包括:
利用低秩矩阵恢复模型,除去用户收视矩阵中的噪声,得到理想收视矩阵;
对于理想收视矩阵中每一天的收视向量,以一周为周期,按照周一到周日的规则划分为7个集合,依次连接各集合的中心,得到一周收视矩阵;
利用凝聚层次聚类算法,对一周收视矩阵进行观看模式提取,利用时间上和内容上的对应关系,得到周期性观看场景。
用户i的S天收视纪录矩阵为Ui,其包含理想收视矩阵Xi,与误差矩阵Ei:
Ui=Xi+Ei;
利用低秩矩阵恢复模型去除误差矩阵Ei,从而得到理想收视矩阵Xi;
对于理想收视矩阵的集合,按照周一到周日的规则重新划分,将所有天的收视向量划分为7个集合,分别表示为Wi1、Wi2、Wi3、Wi4、Wi5、Wi6、Wi7,则用户理想收视的集合可重新表示为:
针对每一个集合,对集合中所有的元素取平均值,作为相应集合的代表向量Fij,从而将周一到周日中的每一天的收视用一个代表向量进行表示,依次连接各代表向量,得到用户的一周收视矩阵,用户i一周收视矩阵为Fi=(Fi1,Fi2,...,Fi7);
对于用户的一周收视矩阵,采用凝聚层级聚类合并其中相邻且相似的时间段,将合并后的时间段作为相应用户的一个观看模式,得到周期性观看场景;其中,凝聚层级聚类的过程如下:
步骤a、设置相似度阈值δ,将每一个时间段的数据作为一个簇;
步骤b,计算相似度矩阵,簇之间的相似度采用簇的质心来度量,而簇质心之间的相似度采用欧式距离来计算;
步骤c,判断相似度是否都小于设定的阈值,如果是,则算法结束,否则转步骤d;
步骤d,选出相似度最大的两个簇,将其合并作为一个新的簇,再转步骤b,直至完成。
所述将周期性观看场景中的每一观看模式作为一兴趣用户,并构建所有兴趣用户的评分矩阵包括:
对于每一用户,将相应的周期性观看场景中的每一观看模式作为一兴趣用户,从用户观看日志中提取出属于不同兴趣用户的收视纪录,根据收视纪录中各兴趣用户对各节目观看的完成度,计算各兴趣用户对各节目的评分;
综合所有用户计算得到的评分结果,构建所有兴趣用户的评分矩阵。
利用Vi表示用户i的兴趣用户集合:其中,Ni表示用户i含有的兴趣用户数目;
从用户i观看日志中提取出属于不同兴趣用户的收视纪录,根据收视纪录中各兴趣用户对各节目观看的完成度,计算各兴趣用户对各节目的评分,评分的范围为[0,1],当完成度为100%时,评分为1,当完成度为0时,评分便为0,完成度和评分在数值上相同;
定义所有用户所有的兴趣用户数目为Nv,从而构建所有兴趣用户的评分矩阵其中,Np为所有节目的数目。
所述对当前观看模式进行识别,从而确定当前兴趣用户包括:
根据当前收视的内容信息和时间信息识别当前的观看模式,从而确定当前兴趣用户;
定义Ci为用户i当前的收视信息,Ci=(ti,bi),其中ti表示当前收视的时间段,bi表示当前收视的内容信息,bi为N维数组;
定义Pih为用户i的第h个兴趣用户的内容特征,Pih为N维数组,则用户i的所有兴趣用户的内容特征为
定义Tih为用户i的第h个兴趣用户的时间特征,是兴趣用户包含的时间段的集合,则用户i的所有兴趣用户的时间特征为
在识别时,如果用户i已有收视行为,则将bi与Pi中每一个兴趣用户的内容信息进行匹配,计算两者之间的距离,距离最小的兴趣用户则为当前的兴趣用户Vic;如果用户i还没有收视行为,则将ti和Ti中每一个兴趣用户的时间段集合进行匹配,根据ti的归属情况,确定当前的兴趣用户Vic。
所述采用联合推荐策略,从历史影料库和当前直播的节目中推荐用户感兴趣的节目,生成推荐列表推送给用户包括:
针对IPTV的直播和点播特性,采用协同过滤的推荐算法,利用矩阵分解模型和基于近邻的方法计算用户对节目的评分,从历史影料库和正在直播的节目中分别选取评分最高的前若干个节目,生成历史节目和直播节目推荐列表,并推送给用户。
对于历史影料库中的节目,采用矩阵分解模型计算评分,将评分矩阵M分解为如下形式:
M=GTQ
其中,G表示用户因子矩阵,Q表示项目因子矩阵,其中k表示节目隐含的特征数目,那么当前兴趣用户Vic对历史节目q的评分便可通过下式计算;
其中表示用户因子矩阵中当前兴趣用户Vic所属的列向量,Qq表示项目因子矩阵中历史节目q对应的列向量;
对于当前直播节目,采用基于近邻的方法计算评分,利用当前兴趣用户Vic对相似节目的收视获取,定义p为当前直播节目,表示当前兴趣用户Vic对当前直播节目p的评分,计算公式如下:
其中,ωpg表示当前直播节目p与节目g之间的相似度,表示和当前直播节目p相近的节目集合;
当评分计算完成后,分别从历史影料库,以及当前直播节目的所有节目中挑选出评分最高的前若干个节目生成点播节目与直播节目推荐列表。
由上述本发明提供的技术方案可以看出,基于观看场景进行推荐,很好地处理IPTV领域中多成员导致的兴趣耦合问题;以周为周期建模观看场景,更精准地表达用户兴趣随时间的变化规律;在基于观看场景推荐过程中识别用户实时兴趣,使推荐更有针对性;在用户推荐内容方面,采用直播和点播融合的推荐策略,使用户得到更加全面的推荐内容。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例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,对于本领域的普通技术人员来讲,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附图。
图1为本发明实施例提供的一种IPTV节目推荐方法的流程图;
图2为本发明实施例提供的用户收视矩阵示意图;
图3为本发明实施例提供的凝聚层次聚类算法流程框图;
图4为本发明实施例提供的观看场景结果示意图。
具体实施方式
下面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,都属于本发明的保护范围。
本发明公开了一种基于观看场景的IPTV节目推荐方法,该方法将用户的观看场景在时间维度上进行扩展和延伸,发现用户周期性的观看场景;对于发现的观看场景,不直接基于内容进行推荐,而是根据观看场景分割为多个兴趣用户,利用兴趣用户之间的相似性进行推荐,同时识别当前的观看场景,实现更加针对性的推荐;在推荐的内容上,并不仅仅局限于点播,而是融合直播和点播,采用联合推荐的策略。
如图1所示,为本发明实施例提供的一种IPTV节目推荐方法的流程图。首先根据用户的观看日志,构建用户收视矩阵;然后,对用户收视矩阵依次进行低秩去噪、周期性压缩与观看模式提取,从而获得用户的周期性观看场景;再将周期性观看场景中的每一观看模式作为一兴趣用户,并构建所有兴趣用户的评分矩阵;当需要推荐时,对当前观看模式进行识别,从而确定当前兴趣用户,再采用联合推荐策略,从历史影料库和当前直播的节目中推荐用户感兴趣的节目,生成推荐列表推送给用户。
下面针对各个步骤做详细的说明。
一、构建用户收视矩阵。
本发明实施例中,将获取的用户的观看日志,通过划分节目类型和时间段,根据每一天收视纪录的时间和收看节目的类型,将用户一定天数的收视纪录表示为矩阵的形式。具体来说:
如图2所示,定义N表示节目类型的数目,T表示每一天被划分的时间段数目,则用户i第s天的收视纪录表示为dis∈RT×N,其中,dis(t,n)表示在时间段t收看类型节目n的时间占时间段t时长的比例;定义L=T×N,将每一天的收视纪录表示为一个向量对于用户i,其S天收视纪录矩阵表示为则所有用户的S天收视纪录矩阵表示为Nu表示用户的数目。
示例性的,可以将一天被划分为24个时间段,每一个小时为一个时间段,将节目划分为15个类型,分别为新闻、财经、综艺、体育、电影、动漫、军事、电视剧、科教、生活、时尚旅游、亲子教育、音乐、老人节目和少儿节目。
二、周期性观看场景发掘。
所述的周期性观看场景发掘是指,发现用户兴趣周期性的变化规律,得到用户在周期内不同时间段的兴趣。
本发明实施例中,利用低秩矩阵恢复模型,除去用户收视矩阵中的噪声,得到理想收视矩阵;对于理想收视矩阵中每一天的收视向量,以一周为周期,按照周一到周日的规则划分为7个集合,依次连接各集合的中心,得到一周收视矩阵;利用凝聚层次聚类算法,对一周收视矩阵进行观看模式提取,利用时间上和内容上的对应关系,得到周期性观看场景。
本发明实施例中,所述的低秩去噪,是指利用低秩恢复模型去除用户收视矩阵中的噪声。用户的收视矩阵中包含着噪声,可表示为理想收视矩阵和噪声矩阵之和。
具体的,用户i的S天收视纪录矩阵为Ui,其包含理想收视矩阵Xi(代表用户的理想收视特征),与误差矩阵Ei(代表了用户的实际收视与该用户理想收视特征之间的误差):
Ui=Xi+Ei;
由于每个人的作息时间和电视节目的播放时间都是相对固定的,用户每一天的收视会有一定的规律性和重复性,还会存在一定的稀疏性。因此,理想收视矩阵Xi是一个低秩矩阵,误差矩阵Ei是一个稀疏矩阵,从而采用低秩矩阵恢复模型去除误差矩阵Ei,得到理想收视矩阵Xi。
之后,对理想收视矩阵Xi进行周期性压缩,可知用户收视矩阵是所有天的收视纪录,需要将其压缩为一周的形式。对于理想收视矩阵Xi,按照周一到周日的规则重新划分,将所有天的收视向量划分为7个集合,分别表示为Wi1、Wi2、Wi3、Wi4、Wi5、Wi6、Wi7,则用户理想收视的集合可重新表示为:
其中Wij表示第j个集合,针对每一个收视向量的集合,对集合中所有的元素取平均值,作为相应集合的代表向量Fij,从而将周一到周日中的每一天的收视用一个代表向量进行表示,依次连接各代表向量,得到用户的一周收视矩阵,用户i一周收视矩阵为Fi=(Fi1,Fi2,...,Fi7);
示例性的,可以选取RPCA(鲁棒主成分分析)低秩模型来获得低秩矩阵,采取不精确拉格朗自乘子法(IALM)求解RPCA低秩模型。通过KMEANS聚类算法对周一到周日中每一天的收视向量集合聚类。
最后,从用户的一周收视矩阵中提取观看模式,由于用户收视和节目的播放时间存在着连续性的特征,因此,对于用户的一周收视矩阵,采用凝聚层级聚类合并其中相邻且相似的时间段,将合并后的时间段作为相应用户的一个观看模式,得到周期性观看场景;如图3所示,凝聚层级聚类的过程如下:
步骤a、设置相似度阈值δ,将每一个时间段的数据作为一个簇;
步骤b,计算相似度矩阵,簇之间的相似度采用簇的质心来度量,而簇质心之间的相似度采用欧式距离来计算;
步骤c,判断相似度是否都小于设定的阈值,如果是,则算法结束,否则转步骤d;
步骤d,选出相似度最大的两个簇,将其合并作为一个新的簇,再转步骤b,直至完成。
聚类结果如图4所示,具有相似收视特征的相邻时间段被合并在了一起,并相同的线条填充,对于每一天的2点到6点,为一个观看模式,但收视特征不够明显,没有较多的收视信息,因此没有进行展示。作为示例,可设置阈值δ为0.5。
三、兴趣用户发现与构建评分矩阵。
本发明实施例中,对于每一用户,将相应的周期性观看场景中的每一观看模式作为一兴趣用户,从用户观看日志中提取出属于不同兴趣用户的收视纪录,根据收视纪录中各兴趣用户对各节目观看的完成度,计算各兴趣用户对各节目的评分;综合所有用户计算得到的评分结果,构建所有兴趣用户的评分矩阵。
具体来说,发现用户存在的观看场景后,也就知道了用户在不同时间段的兴趣;将用户观看场景中每一种观看模式作为一个兴趣用户,可以用Vi表示用户i的兴趣用户集合:其中,Ni表示用户i含有的兴趣用户数目。之后,从用户i观看日志中提取出属于不同兴趣用户的收视纪录,根据收视纪录中各兴趣用户对各节目观看的完成度,计算各兴趣用户对各节目的评分,评分的范围为[0,1],当完成度为100%时,评分为1,当完成度为0时,评分边为0,完成度和评分在数值上相同。最后,定义所有用户的所有的兴趣用户数目为Nv,从而构建所有兴趣用户的评分矩阵其中,Np为所有节目的数目;评分矩阵M中的元素表示兴趣用户vi对节目a的评分。
通过发现所有的兴趣用户,并构建所有兴趣用户的评分矩阵,为推荐时采用协同过滤的方法做准备。
四、观看场景识别与生成推荐列表。
1、观看场景识别。
本发明实施例中,根据当前收视的内容信息和时间信息识别当前的观看模式,从而确定当前兴趣用户。定义Ci为用户i当前的收视信息,Ci=(ti,bi),其中ti表示当前收视的时间段,bi表示当前收视的内容信息,bi为N维数组;定义Pih为用户i的第h个兴趣用户的内容特征,Pih为N维数组,则用户i的所有兴趣用户的内容特征为定义Tih为用户i的第h个兴趣用户的时间特征,是兴趣用户包含的时间段的集合,则用户i的所有兴趣用户的时间特征为在识别时,如果用户i已有收视行为,则将bi与Pi中每一个兴趣用户的内容信息进行匹配,计算两者之间的距离,距离最小的兴趣用户则为当前的兴趣用户Vic;如果用户i还没有收视行为,则将ti和Ti中每一个兴趣用户的时间段集合进行匹配,根据ti的归属情况,确定当前的兴趣用户Vic。
示例性的,选取距离的计算方式可以为欧式距离。
2、生成推荐列表
识别出当前的兴趣用户Vic后,接下来便能够针对性的进行推荐。本发明实施例中,针对IPTV的直播和点播特性,采用协同过滤的推荐算法,利用矩阵分解模型和基于近邻的方法计算用户对节目的评分,从历史影料库和正在直播的节目中分别选取评分最高的前若干个节目,生成历史节目和直播节目推荐列表,并推送给用户。
对于历史节目的评分计算,采用矩阵分解模型计算评分,将评分矩阵M分解为如下形式:
M=GTQ
其中,G表示用户因子矩阵,Q表示项目因子矩阵,其中k表示节目隐含的特征数目,那么当前兴趣用户Vic对历史节目q的评分便可通过下式计算;
其中,表示用户因子矩阵中当前兴趣用户Vic所属的列向量,Qq表示项目因子矩阵中历史节目q对应的列向量。
对于正在直播节目评分节目的计算,由于还没有对此节目的评分,因此采用基于近邻的的方法计算当前直播节目的评分。在计算时,利用当前兴趣用户Vic对相似节目的收视获取,定义p为当前直播节目,表示当前兴趣用户Vic对当前直播节目p的评分,计算公式如下:
其中,ωpg表示当前直播节目p与节目g之间的相似度,表示和当前直播节目p相近的节目集合;
当评分计算完成后,分别从历史影料库,以及当前直播节目的所有节目中挑选出评分最高的前若干个节目生成点播节目与直播节目推荐列表。
此外,在当前直播节目播放完成后,放入历史影料库中,实时更新历史影料库,使推荐更加实时和全面。
本发明实施例上述方案,基于观看场景进行推荐,很好地处理IPTV领域中多成员导致的兴趣耦合问题;以周为周期建模观看场景,更精准地表达用户兴趣随时间的变化规律;在基于观看场景推荐过程中识别用户实时兴趣,使推荐更有针对性;在用户推荐内容方面,采用直播和点播融合的推荐策略,使用户得到更加全面的推荐内容。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例可以通过软件实现,也可以借助软件加必要的通用硬件平台的方式来实现。基于这样的理解,上述实施例的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上所述,仅为本发明较佳的具体实施方式,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披露的技术范围内,可轻易想到的变化或替换,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该以权利要求书的保护范围为准。
Claims (9)
1.一种IPTV节目推荐方法,其特征在于,包括:
根据用户的观看日志,构建用户收视矩阵,包括:获取用户的观看日志,通过划分节目类型和时间段,根据每一天收视纪录的时间和收看节目的类型,将用户一定天数的收视纪录表示为矩阵的形式;
对用户收视矩阵依次进行低秩去噪、周期性压缩与观看模式提取,从而获得用户的周期性观看场景;其中,利用低秩矩阵恢复模型,除去用户收视矩阵中的噪声,得到理想收视矩阵;对于理想收视矩阵中每一天的收视向量,以一周为周期,按照周一到周日的规则划分为7个集合,依次连接各集合的中心,得到一周收视矩阵;对于用户的一周收视矩阵,采用凝聚层级聚类合并其中相邻且相似的时间段,将合并后的时间段作为相应用户的一个观看模式;
将周期性观看场景中的每一观看模式作为一兴趣用户,并构建所有兴趣用户的评分矩阵;
对当前观看模式进行识别,从而确定当前兴趣用户,再采用联合推荐策略,从历史影料库和当前直播的节目中推荐用户感兴趣的节目,生成推荐列表推送给用户。
2.根据权利要求1所述的一种IPTV节目推荐方法,其特征在于,
定义N表示节目类型的数目,T表示每一天被划分的时间段数目,则用户i第s天的收视纪录表示为dis∈RT×N,其中,dis(t,n)表示在时间段t收看类型节目n的时间占时间段t时长的比例;
定义L=T×N,将每一天的收视纪录表示为一个向量对于用户i,其S天收视纪录矩阵表示为则所有用户的S天收视纪录矩阵表示为Nu表示用户的数目。
3.根据权利要求1所述的一种IPTV节目推荐方法,其特征在于,
利用凝聚层级聚类算法,对一周收视矩阵进行观看模式提取,利用时间上和内容上的对应关系,得到周期性观看场景。
4.根据权利要求1所述的一种IPTV节目推荐方法,其特征在于,
用户i的S天收视纪录矩阵为Ui,其包含理想收视矩阵Xi,与误差矩阵Ei:
Ui=Xi+Ei;
利用低秩矩阵恢复模型去除误差矩阵Ei,从而得到理想收视矩阵Xi;
对于理想收视矩阵的集合,按照周一到周日的规则重新划分,将所有天的收视向量划分为7个集合,分别表示为Wi1、Wi2、Wi3、Wi4、Wi5、Wi6、Wi7,则用户理想收视的集合可重新表示为:
针对每一个集合,对集合中所有的元素取平均值,作为相应集合的代表向量Fij,从而将周一到周日中的每一天的收视用一个代表向量进行表示,依次连接各代表向量,得到用户的一周收视矩阵,用户i一周收视矩阵为Fi=(Fi1,Fi2,...,Fi7);
对于用户的一周收视矩阵,采用凝聚层级聚类合并其中相邻且相似的时间段,将合并后的时间段作为相应用户的一个观看模式,得到周期性观看场景;其中,凝聚层级聚类的过程如下:
步骤a、设置相似度阈值δ,将每一个时间段的数据作为一个簇;
步骤b,计算相似度矩阵,簇之间的相似度采用簇的质心来度量,而簇质心之间的相似度采用欧式距离来计算;
步骤c,判断相似度是否都小于设定的阈值,如果是,则算法结束,否则转步骤d;
步骤d,选出相似度最大的两个簇,将其合并作为一个新的簇,再转步骤b,直至完成。
5.根据权利要求1所述的一种IPTV节目推荐方法,其特征在于,所述将周期性观看场景中的每一观看模式作为一兴趣用户,并构建所有兴趣用户的评分矩阵包括:
对于每一用户,将相应的周期性观看场景中的每一观看模式作为一兴趣用户,从用户观看日志中提取出属于不同兴趣用户的收视纪录,根据收视纪录中各兴趣用户对各节目观看的完成度,计算各兴趣用户对各节目的评分;
综合所有用户计算得到的评分结果,构建所有兴趣用户的评分矩阵。
6.根据权利要求5所述的一种IPTV节目推荐方法,其特征在于,
利用Vi表示用户i的兴趣用户集合:其中,Ni表示用户i含有的兴趣用户数目;
从用户i观看日志中提取出属于不同兴趣用户的收视纪录,根据收视纪录中各兴趣用户对各节目观看的完成度,计算各兴趣用户对各节目的评分,评分的范围为[0,1],当完成度为100%时,评分为1,当完成度为0时,评分便为0,完成度和评分在数值上相同;
定义所有用户所有的兴趣用户数目为Nv,从而构建所有兴趣用户的评分矩阵其中,Np为所有节目的数目,Nu表示用户的数目。
7.根据权利要求1所述的一种IPTV节目推荐方法,其特征在于,所述对当前观看模式进行识别,从而确定当前兴趣用户包括:
根据当前收视的内容信息和时间信息识别当前的观看模式,从而确定当前兴趣用户;
定义Ci为用户i当前的收视信息,Ci=(ti,bi),其中ti表示当前收视的时间段,bi表示当前收视的内容信息,bi为N维数组;
定义Pih为用户i的第h个兴趣用户的内容特征,Pih为N维数组,则用户i的所有兴趣用户的内容特征为
定义Tih为用户i的第h个兴趣用户的时间特征,是兴趣用户包含的时间段的集合,则用户i的所有兴趣用户的时间特征为其中,Ni表示用户i含有的兴趣用户数目;
在识别时,如果用户i已有收视行为,则将bi与Pi中每一个兴趣用户的内容信息进行匹配,计算两者之间的距离,距离最小的兴趣用户则为当前的兴趣用户Vic;如果用户i还没有收视行为,则将ti和Ti中每一个兴趣用户的时间段集合进行匹配,根据ti的归属情况,确定当前的兴趣用户Vic。
8.根据权利要求1所述的一种IPTV节目推荐方法,其特征在于,所述采用联合推荐策略,从历史影料库和当前直播的节目中推荐用户感兴趣的节目,生成推荐列表推送给用户包括:
针对IPTV的直播和点播特性,采用协同过滤的推荐算法,利用矩阵分解模型和基于近邻的方法计算用户对节目的评分,从历史影料库和正在直播的节目中分别选取评分最高的前若干个节目,生成历史节目和直播节目推荐列表,并推送给用户。
9.根据权利要求8所述的一种IPTV节目推荐方法,其特征在于,
对于历史影料库中的节目,采用矩阵分解模型计算评分,将评分矩阵M分解为如下形式:
M=GTQ
其中,G表示用户因子矩阵,Q表示项目因子矩阵,其中,Np为所有节目的数目,Nv为所有用户所有的兴趣用户数目,k表示节目隐含的特征数目,那么当前兴趣用户Vic对历史节目q的评分便可通过下式计算;
其中表示用户因子矩阵中当前兴趣用户Vic所属的列向量,Qq表示项目因子矩阵中历史节目q对应的列向量;
对于当前直播节目,采用基于近邻的方法计算评分,利用当前兴趣用户Vic对相似节目的收视获取,定义p为当前直播节目,表示当前兴趣用户Vic对当前直播节目p的评分,计算公式如下:
其中,ωpg表示当前直播节目p与节目g之间的相似度,表示和当前直播节目p相近的节目集合;
当评分计算完成后,分别从历史影料库,以及当前直播节目的所有节目中挑选出评分最高的前若干个节目生成点播节目与直播节目推荐列表。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710373843.XA CN107071578B (zh) | 2017-05-24 | 2017-05-24 | Iptv节目推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710373843.XA CN107071578B (zh) | 2017-05-24 | 2017-05-24 | Iptv节目推荐方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107071578A CN107071578A (zh) | 2017-08-18 |
CN107071578B true CN107071578B (zh) | 2019-11-22 |
Family
ID=59610637
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710373843.XA Active CN107071578B (zh) | 2017-05-24 | 2017-05-24 | Iptv节目推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107071578B (zh) |
Families Citing this family (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109429103B (zh) * | 2017-08-25 | 2021-08-13 | Tcl科技集团股份有限公司 | 推荐信息的方法、装置及计算机可读存储介质、终端设备 |
CN107959865A (zh) * | 2017-11-14 | 2018-04-24 | 广州虎牙信息科技有限公司 | 主播推送方法、装置及计算机设备 |
CN108287870B (zh) * | 2017-12-27 | 2020-09-01 | 优地网络有限公司 | 智能运营方法及装置 |
CN108366275B (zh) * | 2018-01-26 | 2021-04-27 | 北京一览科技有限公司 | 提供视频流的方法和装置 |
CN108495155B (zh) * | 2018-03-16 | 2021-07-13 | 中国传媒大学 | 收视习惯分析方法及系统 |
CN108521586B (zh) * | 2018-03-20 | 2020-01-14 | 西北大学 | 兼顾时间上下文与隐式反馈的iptv电视节目个性化推荐方法 |
CN108763306B (zh) * | 2018-04-20 | 2022-04-19 | 达而观信息科技(上海)有限公司 | 基于多用户的视频推荐方法及装置 |
CN108647293B (zh) * | 2018-05-07 | 2022-02-01 | 广州虎牙信息科技有限公司 | 视频推荐方法、装置、存储介质和服务器 |
CN108416072A (zh) * | 2018-05-16 | 2018-08-17 | 广东心里程教育集团有限公司 | 一种自动推送在线课程的方法和系统 |
CN108804683B (zh) * | 2018-06-13 | 2021-11-23 | 重庆理工大学 | 结合矩阵分解和协同过滤算法的电影推荐方法 |
CN109218767B (zh) * | 2018-09-03 | 2020-07-31 | 中山大学 | 一种基于时间感知的面向电视盒子点播视频的推荐方法 |
CN109583498B (zh) * | 2018-11-29 | 2023-04-07 | 天津大学 | 一种基于低秩正则化特征增强表征的时尚兼容度预测方法 |
CN110083764A (zh) * | 2019-04-11 | 2019-08-02 | 东华大学 | 一种协同过滤算法冷启动问题的解决方法 |
CN110996177B (zh) * | 2019-11-27 | 2022-04-22 | 北京爱奇艺智慧娱乐科技有限公司 | 面向点播影院的视频推荐方法、装置及设备 |
CN111666462B (zh) * | 2020-04-28 | 2021-09-21 | 百度在线网络技术(北京)有限公司 | 地理位置的推荐方法、装置、设备和计算机存储介质 |
CN113852867B (zh) * | 2021-05-27 | 2023-09-08 | 天翼数字生活科技有限公司 | 一种基于核密度估计的节目推荐方法和装置 |
CN113468413B (zh) * | 2021-06-07 | 2023-05-16 | 南京邮电大学 | 一种面向多用户共享的多媒体网络视频推荐方法 |
CN113259774B (zh) * | 2021-06-25 | 2021-10-12 | 大学长(北京)网络教育科技有限公司 | 一种直播信息推送方法及装置 |
CN113873330B (zh) * | 2021-08-31 | 2023-03-10 | 武汉卓尔数字传媒科技有限公司 | 视频推荐方法、装置、计算机设备和存储介质 |
CN113779395A (zh) * | 2021-09-10 | 2021-12-10 | 粒子文化科技集团(杭州)股份有限公司 | 媒资推荐方法、装置、系统、电子装置和存储介质 |
CN115037957B (zh) * | 2022-06-07 | 2024-01-30 | 北京视达科技有限公司 | 一种基于直播节目推荐点播内容的方法、装置及系统 |
CN117132356B (zh) * | 2023-08-29 | 2024-02-13 | 重庆大学 | 基于自适应用户兴趣变化周期的推荐方法、装置及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103297853A (zh) * | 2013-06-07 | 2013-09-11 | 华东师范大学 | 一种基于多用户上下文识别的iptv节目推荐方法 |
CN103377242A (zh) * | 2012-04-25 | 2013-10-30 | Tcl集团股份有限公司 | 用户行为分析方法、分析预测方法及电视节目推送系统 |
CN103425698A (zh) * | 2012-05-23 | 2013-12-04 | Tcl集团股份有限公司 | 挖掘电视观看模式的数据处理系统及方法 |
CN103533393A (zh) * | 2013-09-17 | 2014-01-22 | 上海交通大学 | 基于家庭收视纪录的家庭分析及节目推荐方法 |
US8712218B1 (en) * | 2002-12-17 | 2014-04-29 | At&T Intellectual Property Ii, L.P. | System and method for providing program recommendations through multimedia searching based on established viewer preferences |
CN105430504A (zh) * | 2015-11-27 | 2016-03-23 | 中国科学院深圳先进技术研究院 | 基于电视观看日志挖掘的家庭成员结构识别方法与系统 |
CN105516810A (zh) * | 2015-12-04 | 2016-04-20 | 山东大学 | 一种基于lda模型的电视用户家庭成员分析方法 |
CN106534902A (zh) * | 2016-12-14 | 2017-03-22 | 北京数码视讯软件技术发展有限公司 | 一种行为分析方法及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101802332B1 (ko) * | 2010-11-25 | 2017-12-29 | 삼성전자주식회사 | 컨텐츠 제공 방법 및 그 시스템 |
US9230277B2 (en) * | 2013-10-03 | 2016-01-05 | International Business Machines Corporation | Presentation of product recommendations based on social informatics |
-
2017
- 2017-05-24 CN CN201710373843.XA patent/CN107071578B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8712218B1 (en) * | 2002-12-17 | 2014-04-29 | At&T Intellectual Property Ii, L.P. | System and method for providing program recommendations through multimedia searching based on established viewer preferences |
CN103377242A (zh) * | 2012-04-25 | 2013-10-30 | Tcl集团股份有限公司 | 用户行为分析方法、分析预测方法及电视节目推送系统 |
CN103425698A (zh) * | 2012-05-23 | 2013-12-04 | Tcl集团股份有限公司 | 挖掘电视观看模式的数据处理系统及方法 |
CN103297853A (zh) * | 2013-06-07 | 2013-09-11 | 华东师范大学 | 一种基于多用户上下文识别的iptv节目推荐方法 |
CN103533393A (zh) * | 2013-09-17 | 2014-01-22 | 上海交通大学 | 基于家庭收视纪录的家庭分析及节目推荐方法 |
CN105430504A (zh) * | 2015-11-27 | 2016-03-23 | 中国科学院深圳先进技术研究院 | 基于电视观看日志挖掘的家庭成员结构识别方法与系统 |
CN105516810A (zh) * | 2015-12-04 | 2016-04-20 | 山东大学 | 一种基于lda模型的电视用户家庭成员分析方法 |
CN106534902A (zh) * | 2016-12-14 | 2017-03-22 | 北京数码视讯软件技术发展有限公司 | 一种行为分析方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN107071578A (zh) | 2017-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107071578B (zh) | Iptv节目推荐方法 | |
US11574321B2 (en) | Generating audience response metrics and ratings from social interest in time-based media | |
CN108650558B (zh) | 基于交互视频的视频前情提要的生成方法及装置 | |
US9235574B2 (en) | Systems and methods for providing media recommendations | |
US9473803B2 (en) | Personalized channel recommendation method and system | |
US9639881B2 (en) | Method and system for personalized video recommendation based on user interests modeling | |
US8676030B2 (en) | Methods and systems for interacting with viewers of video content | |
CN103491441B (zh) | 直播电视节目推荐方法及系统 | |
US8869205B2 (en) | Method and system for video collection management, invalid video replacement and continuous video replay | |
CN109511015B (zh) | 多媒体资源推荐方法、装置、存储介质及设备 | |
US20140052696A1 (en) | Systems and methods for visual categorization of multimedia data | |
TW201340690A (zh) | 視訊推薦系統及其方法 | |
CN104199896A (zh) | 基于特征分类的视频相似度确定及视频推荐方法 | |
JP6173935B2 (ja) | データ分析装置、方法およびプログラム | |
CN106791964B (zh) | 广播电视节目推荐系统及方法 | |
CN108521586B (zh) | 兼顾时间上下文与隐式反馈的iptv电视节目个性化推荐方法 | |
US20120042041A1 (en) | Information processing apparatus, information processing system, information processing method, and program | |
CN104661055A (zh) | 一种业务推荐方法及装置 | |
CN109063080B (zh) | 一种视频推荐方法及装置 | |
CN109640128B (zh) | 一种电视用户观看行为特征提取方法及系统 | |
CN108769831B (zh) | 视频预告的生成方法及装置 | |
EP2151799A1 (en) | Recommander method and system, in particular for IPTV | |
WO2018001223A1 (zh) | 播放列表推荐方法及装置 | |
CN110913249B (zh) | 一种节目的推荐方法及系统 | |
JP2012222569A (ja) | 番組推薦装置及び方法及びプログラム |
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 |