CN107368584A - 一种个性化视频推荐方法及系统 - Google Patents

Abstract

本发明公开了一种个性化视频推荐方法及系统，其中该方法包括获取用户历史观看视频记录；根据用户历史观看视频记录，统计得到视频观看状态转移矩阵，进而计算出用户基本偏好值；根据用户历史观看视频记录，统计得到用户历史观看视频记录对应的视频标签分布，再与标签‑类型转换矩阵相乘，得到每个用户观看新视频标签分类的概率，再与视频在相应新分类下的标记相乘后累加，得到用户纵向偏好值；通过用户观看视频对应标签分布与标签类型转换矩阵的乘积与总体用户偏好值的预设百分率比较，求取用户横向偏好值；最后将用户基本偏好值、用户纵向偏好值以及用户横向偏好值三者相乘，得到用户观看视频的概率并由概率从大到小进行个性化推荐。

Description

一种个性化视频推荐方法及系统

技术领域

本发明属于视频推荐领域，尤其涉及一种个性化视频推荐方法及系统。

背景技术

目前，随着网络技术和视频应用的发展，观看视频已成为人们娱乐的主要方式之一。当 人们观看视频前，需要从大量视频资源中选择自己喜好的视频，而且也会弹出一些系统自动 推荐的视频。但是，目前较为流行的推荐算法有基于内容的推荐和利用协同过滤方法进行推 荐，但这两种算法都存在一定的弊端。

(1)基于内容的推荐太过于依赖视频标签的质量，同时没有考虑任何的用户行为。

(2)协同过滤算法虽然考虑了用户的历史行为，但将用户任意时间的用户行为等同考虑， 没有考虑用户行为的时效性，将用户的观看行为看成了一个静态过程，忽略了用户兴趣的变 化，而且协同过滤算法无法保证推荐结果的覆盖率以及推荐的惊喜度。

发明内容

为了解决现有技术的不足，本发明的第一目的是提供一种个性化视频推荐方法，其能够 根据用户的观看视频的特点来调整用户观看视频的概率大小，从而得到最佳的推荐结果。

本发明的一种个性化视频推荐方法，包括：

获取用户历史观看视频记录；

根据用户历史观看视频记录，统计得到视频观看状态转移矩阵，进而预测出用户观看下 一个视频的概率，即用户基本偏好值；

根据用户历史观看视频记录，统计得到用户历史观看视频记录对应的视频标签分布，再 与标签-类型转换矩阵相乘，得到每个用户观看新视频标签分类的概率，再与视频在相应新分 类下的标记相乘后累加，得到用户纵向偏好值；

通过用户观看视频对应标签分布与标签类型转换矩阵的乘积与总体用户偏好值的预设百 分率比较，求取用户横向偏好值；

最后将用户基本偏好值、用户纵向偏好值以及用户横向偏好值三者相乘，得到用户观看 视频的概率并由概率从大到小进行个性化推荐。

进一步的，所述用户历史观看视频记录包括观看视频的用户数量、观看的视频数量和视 频标签。

进一步的，在用户观看视频对应标签分布与标签类型转换矩阵的乘积与总体用户偏好值 的预设百分率比较的过程中，若前者大于后者，则视频标签分布中相应偏好指数与中位数作 商后再与用户纵向偏好值，得到用户横向偏好值；否则，将前者作为用户横向偏好值。

其中，纵向偏好表示的是用户本身兴趣偏好的值，横向偏好则是用户与其他用户对比下 的相对偏好情况。本发明通过用户纵向偏好值与总体用户偏好值的预设百分率比较，能够确 定横向偏好对于用户纵向偏好的影响程度，从而准确实现对用户进行个性化推荐。

进一步的，标签-类型转换矩阵的列数等于视频标签的分类总数，标签-类型转换矩阵的 行数等于视频标签的总个数。

其中，标签-类型转换矩阵降低了意义重复的标签对用户个人偏好的影响，最终提高了对 用户进行个性化推荐的准确率。

进一步的，根据当前元素的视频标签是否当前元素所在列的视频标签类别，来对标签- 类型转换矩阵的任一元素进行赋值：

若是，则当前元素的赋值为当前元素所在列的视频标签类别总数的倒数；否则，当前元 素的赋值为0。

本发明的第二目的是提供一种个性化视频推荐系统。该系统根据用户的观看视频的特点 来调整用户观看视频的概率大小，从而得到最佳的推荐结果。

本发明的一种个性化视频推荐系统，包括：

视频记录获取模块，其用于获取用户历史观看视频记录；

用户基本偏好值计算模块，其用于根据用户历史观看视频记录，统计得到视频观看状态 转移矩阵，进而预测出用户观看下一个视频的概率，即用户基本偏好值；

用户纵向偏好值计算模块，其用于根据用户历史观看视频记录，统计得到用户历史观看 视频记录对应的视频标签分布，再与标签-类型转换矩阵相乘，得到每个用户观看新视频标签 分类的概率，再与视频在相应新分类下的标记相乘后累加，得到用户纵向偏好值；

用户横向偏好值计算模块，其用于通过用户观看视频对应标签分布与标签类型转换矩阵 的乘积与总体用户偏好值的预设百分率比较，求取用户横向偏好值；

个性化推荐模块，其用于将用户基本偏好值、用户纵向偏好值以及用户横向偏好值三者 相乘，得到用户观看视频的概率并由概率从大到小进行个性化推荐。

其中，所述用户历史观看视频记录包括观看视频的用户数量、观看的视频数量和视频标 签。

进一步的，在所述用户横向偏好值计算模块中，比较用户纵向偏好值与总体用户偏好值 的预设百分率，若前者大于后者，则视频标签分布中相应偏好指数与中位数作商后再与用户 纵向偏好值，得到用户横向偏好值；否则，将前者作为用户横向偏好值。

其中，纵向偏好表示的是用户本身兴趣偏好的值，横向偏好则是用户与其他用户对比下 的相对偏好情况。本发明通过用户纵向偏好值与总体用户偏好值的预设百分率比较，能够确 定横向偏好对于用户纵向偏好的影响程度，从而准确实现对用户进行个性化推荐。

进一步的，在所述用户纵向偏好值计算模块中，标签-类型转换矩阵的列数等于视频标签 的分类总数，标签-类型转换矩阵的行数等于视频标签的总个数。

其中，标签-类型转换矩阵降低了意义重复的标签对用户个人偏好的影响，最终提高了对 用户进行个性化推荐的准确率。

进一步的，在所述用户纵向偏好值计算模块中，根据当前元素的视频标签是否当前元素 所在列的视频标签类别，来对标签-类型转换矩阵的任一元素进行赋值：

若是，则当前元素的赋值为当前元素所在列的视频标签类别总数的倒数；否则，当前元 素的赋值为0。

本发明还提供了另一种个性化视频推荐系统。该系统能根据用户的观看视频的特点来调 整用户观看视频的概率大小，从而得到最佳的推荐结果。

本发明的另一种个性化视频推荐系统，包括个性化视频推荐服务器，所述个性化视频推 荐服务器，被配置为：

获取用户历史观看视频记录；

根据用户历史观看视频记录，统计得到视频观看状态转移矩阵，进而预测出用户观看下 一个视频的概率，即用户基本偏好值；

根据用户历史观看视频记录，统计得到用户历史观看视频记录对应的视频标签分布，再 与标签-类型转换矩阵相乘，得到每个用户观看新视频标签分类的概率，再与视频在相应新分 类下的标记相乘后累加，得到用户纵向偏好值；

通过用户观看视频对应标签分布与标签类型转换矩阵的乘积与总体用户偏好值的预设百 分率比较，求取用户横向偏好值；

最后将用户基本偏好值、用户纵向偏好值以及用户横向偏好值三者相乘，得到用户观看 视频的概率并由概率从大到小进行个性化推荐。

与现有技术相比，本发明的有益效果是：

本发明将用户基本偏好值、用户纵向偏好值以及用户横向偏好值这三种特征都考虑在内， 根据全量用户的观影历史得到用户观看电影的状态转移矩阵，根据用户的观看历史及状态转 移矩阵即可求出下一步观看电影的概率，结合用户最近观看电影即可得出用户的一般偏好。 根据用户的观看记录的对标签的有效分类得出用户的个人纵向偏好及个人横向偏好，进而通 过这三种偏好值相乘，得到最终的相关视频的推荐结果，提高了对用户个性化推荐的准确率。

附图说明

构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实 施例及其说明用于解释本申请，并不构成对本申请的不当限定。

图1是个性化视频推荐方法的流程图。

图2是计算用户基本偏好值的流程图。

图3是计算用户纵向偏好值的流程图。

图4是用户标签示例的分布情况。

图5是计算用户横向偏好值的流程图。

图6是个性化视频推荐系统的结构示意图。

具体实施方式

应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指 明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的 相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申 请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图 包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其 指明存在特征、步骤、操作、器件、组件和/或它们的组合。

术语解释：

(1)用一般偏好：用户的整体偏好是用户群体体现出的观影规律。

(2)用户纵向偏好：目标用户与其他用户相比的观影类型上偏好特点。

(3)用户纵向偏好：是用户与其他用户对比下的相对偏好情况。

图1是个性化视频推荐方法的流程图。

如图1所述，本发明的一种个性化视频推荐方法，包括：

S101：获取用户历史观看视频记录。

其中，用户历史观看视频记录包括观看视频的用户数量、观看的视频数量和视频标签。

S102：根据用户历史观看视频记录，统计得到视频观看状态转移矩阵，进而预测出用户 观看下一个视频的概率，即用户基本偏好值。

如图2所示，计算用户基本偏好值的过程为：

(1)设共有m₁,m₂,m₃,...m_m共m个电影，用户最近观看电影表示如下：

P_user＝[p₁,p₂,p₃,...p_m]

其中

(2)求状态转移矩阵

根据全量用户的电影观看记录，统计得到状态转移矩阵：

其中，T_r是一个m*m的矩阵，p₁₁表示用户上一个观看视频为m₁，下一个观看视频仍为m₁的 概率；p_ij表示用户上一个观看视频为m_i，下一个观看视频为m_j的概率。

(3)得到用户观看下一个电影的概率即用户的基本偏好值S₁：

S₁＝P_user*T_r。

S103：根据用户历史观看视频记录，统计得到用户历史观看视频记录对应的视频标签分 布，再与标签-类型转换矩阵相乘，得到每个用户观看新视频标签分类的概率，再与视频在相 应新分类下的标记相乘后累加，得到用户纵向偏好值。

在该步骤中，标签-类型转换矩阵的列数等于视频标签的分类总数，标签-类型转换矩阵 的行数等于视频标签的总个数。

其中，标签-类型转换矩阵降低了意义重复的标签对用户个人偏好的影响，最终提高了对 用户进行个性化推荐的准确率。

根据当前元素的视频标签是否当前元素所在列的视频标签类别，来对标签-类型转换矩阵 的任一元素进行赋值：

若是，则当前元素的赋值为当前元素所在列的视频标签类别总数的倒数；否则，当前元 素的赋值为0。

用户的整体偏好表示的是用户群体观影规律的共性，那么用户纵向偏好表示的即为用户 个人观影偏好的特点。如某用户观看了目前流行的若干视频，还喜欢观看一些特殊类型的视 频如悬疑惊悚，用户的这种偏好在群体的状态转移矩阵中是无法表现出来的，要根据用户的 观看历史来确定。通过用户观看历史视频对应的标签类型求出用户的纵向偏好。

如图3所示，计算用户纵向偏好值的过程为：

(1)统计用户历史观看记录对应的标签分布

设全部标签T_tag＝[t₁，t₂,...,t_n]，统计用户观看历史记录，得到观看电影对应标签的矩阵

其中，u：用户总个数；

n：总的标签个数；

t_ij：第i个用户观看电影标签为t_j的次数汇总。

(2)对总的标签进行分类，如分为爱情、动作、喜剧、剧情、恐怖、推理、战争、犯罪八个类型，分别对应标签合集N₁、N₂、N₃、N₄、N₅、N₆、N₇、N₈。每个类型属性里面会包含 着很多的标签，表示如下：

N_i＝[t_1i,t_2i,...t_mi]

m_i第i个类型下的标签个数

标签合集N应满足如下要求：

N₁∪N₂∪N₃∪...N_i＝t₁∪t₂∪...∪t_n

得到标签-类型转换矩阵C_n*8：

其中，

此标签-类型转换矩阵降低了意义重复的标签对用户个人偏好的影响。

(3)得到每个用户在标签分类下的偏好分布F₀

F₀＝T_m*n*C_n*8

其中，F₀为m行8列的矩阵，F_ij为F₀中的任一元素，i表示F₀的第i行(i在1～m之间 取值，且包括1和m)，j表示F₀的第j(j在1～8之间取值，且包括1和8)列。

(4)求用户对每个电影的个人偏好进行个人纵向偏好表示

其中，t_tag2＝t_tag*C_n*8；

f_i：第i个用户对每个电影的个人纵向偏好。

S104：通过用户观看视频对应标签分布与标签类型转换矩阵的乘积与总体用户偏好值的 预设百分率比较，求取用户横向偏好值。

如图4所示，为用户一些标签示例上的分布情况。

其中，纵向偏好表示的是用户本身兴趣偏好的值，横向偏好则是用户与其他用户对比下 的相对偏好情况。以第三个标签最新上线为例，用户对此标签的偏好概率分布在0.7-0.98之 间，意为用户观看此种标签视频的概率为0.7-0.98，这表示了用户的偏好值，但并没有表示出 用户在整体用户中的相对偏好程度。图中红线部分为中位线，意为百分之五十的用户的偏好 在红线表示概率之上。本发明用70％表示用户的强烈个人偏好，即当用户对该标签的偏好程 度高于总体用户的70％时，认为用户在该标签上有强烈的个人偏好，这种横向偏好将对推荐 结果产生较大影响。

如图5所示，在用户观看视频对应标签分布与标签类型转换矩阵的乘积与总体用户偏好 值的预设百分率比较的过程中，若前者大于后者，则视频标签分布中相应偏好指数与中位数 作商后再与用户纵向偏好值，得到用户横向偏好值；否则，将前者作为用户横向偏好值。

其中，纵向偏好表示的是用户本身兴趣偏好的值，横向偏好则是用户与其他用户对比下 的相对偏好情况。本发明通过用户纵向偏好值与总体用户偏好值的预设百分率比较，能够确 定横向偏好对于用户纵向偏好的影响程度，从而准确实现对用户进行个性化推荐。

S105：最后将用户基本偏好值、用户纵向偏好值以及用户横向偏好值三者相乘，得到用 户观看视频的概率并由概率从大到小进行个性化推荐。

本发明将用户基本偏好值、用户纵向偏好值以及用户横向偏好值这三种特征都考虑在内， 根据全量用户的观影历史得到用户观看电影的状态转移矩阵，根据用户的观看历史及状态转 移矩阵即可求出下一步观看电影的概率，结合用户最近观看电影即可得出用户的一般偏好。 根据用户的观看记录的对标签的有效分类得出用户的个人纵向偏好及个人横向偏好，进而通 过这三种偏好值相乘，得到最终的相关视频的推荐结果，提高了对用户个性化推荐的准确率。

图6是个性化视频推荐系统的结构示意图。

如图6所示，本发明的一种个性化视频推荐系统，包括：

(1)视频记录获取模块，其用于获取用户历史观看视频记录；

其中，所述用户历史观看视频记录包括观看视频的用户数量、观看的视频数量和视频标 签。

进一步的，在所述用户纵向偏好值计算模块中，标签-类型转换矩阵的列数等于视频标签 的分类总数，标签-类型转换矩阵的行数等于视频标签的总个数。

其中，标签-类型转换矩阵降低了意义重复的标签对用户个人偏好的影响，最终提高了对 用户进行个性化推荐的准确率。

进一步的，在所述用户纵向偏好值计算模块中，根据当前元素的视频标签是否当前元素 所在列的视频标签类别，来对标签-类型转换矩阵的任一元素进行赋值：

若是，则当前元素的赋值为当前元素所在列的视频标签类别总数的倒数；否则，当前元 素的赋值为0。

(2)用户基本偏好值计算模块，其用于根据用户历史观看视频记录，统计得到视频观看 状态转移矩阵，进而预测出用户观看下一个视频的概率，即用户基本偏好值；

(3)用户纵向偏好值计算模块，其用于根据用户历史观看视频记录，统计得到用户历史 观看视频记录对应的视频标签分布，再与标签-类型转换矩阵相乘，得到每个用户观看新视频 标签分类的概率，再与视频在相应新分类下的标记相乘后累加，得到用户纵向偏好值；

进一步的，在所述用户纵向偏好值计算模块中，标签-类型转换矩阵的列数等于视频标签 的分类总数，标签-类型转换矩阵的行数等于视频标签的总个数。

其中，标签-类型转换矩阵降低了意义重复的标签对用户个人偏好的影响，最终提高了对 用户进行个性化推荐的准确率。

进一步的，在所述用户纵向偏好值计算模块中，根据当前元素的视频标签是否当前元素 所在列的视频标签类别，来对标签-类型转换矩阵的任一元素进行赋值：

若是，则当前元素的赋值为当前元素所在列的视频标签类别总数的倒数；否则，当前元 素的赋值为0。

(4)用户横向偏好值计算模块，其用于通过用户观看视频对应标签分布与标签类型转换 矩阵的乘积与总体用户偏好值的预设百分率比较，求取用户横向偏好值；

进一步的，在所述用户横向偏好值计算模块中，比较用户纵向偏好值与总体用户偏好值 的预设百分率，若前者大于后者，则视频标签分布中相应偏好指数与中位数作商后再与用户 纵向偏好值，得到用户横向偏好值；否则，将前者作为用户横向偏好值。

其中，纵向偏好表示的是用户本身兴趣偏好的值，横向偏好则是用户与其他用户对比下 的相对偏好情况。本发明通过用户纵向偏好值与总体用户偏好值的预设百分率比较，能够确 定横向偏好对于用户纵向偏好的影响程度，从而准确实现对用户进行个性化推荐。

其中，总体用户偏好值的预设百分率可以根据实际需求的精确度来进行确定。

(5)个性化推荐模块，其用于将用户基本偏好值、用户纵向偏好值以及用户横向偏好值 三者相乘，得到用户观看视频的概率并由概率从大到小进行个性化推荐。

本发明还提供了另一种个性化视频推荐系统。该系统能根据用户的观看视频的特点来调 整用户观看视频的概率大小，从而得到最佳的推荐结果。

本发明的另一种个性化视频推荐系统，包括个性化视频推荐服务器，所述个性化视频推 荐服务器，被配置为：

获取用户历史观看视频记录；

根据用户历史观看视频记录，统计得到视频观看状态转移矩阵，进而预测出用户观看下 一个视频的概率，即用户基本偏好值；

根据用户历史观看视频记录，统计得到用户历史观看视频记录对应的视频标签分布，再 与标签-类型转换矩阵相乘，得到每个用户观看新视频标签分类的概率，再与视频在相应新分 类下的标记相乘后累加，得到用户纵向偏好值；

通过用户观看视频对应标签分布与标签类型转换矩阵的乘积与总体用户偏好值的预设百 分率比较，求取用户横向偏好值；

最后将用户基本偏好值、用户纵向偏好值以及用户横向偏好值三者相乘，得到用户观看 视频的概率并由概率从大到小进行个性化推荐。

本发明将用户基本偏好值、用户纵向偏好值以及用户横向偏好值这三种特征都考虑在内， 根据全量用户的观影历史得到用户观看电影的状态转移矩阵，根据用户的观看历史及状态转 移矩阵即可求出下一步观看电影的概率，结合用户最近观看电影即可得出用户的一般偏好。 根据用户的观看记录的对标签的有效分类得出用户的个人纵向偏好及个人横向偏好，进而通 过这三种偏好值相乘，得到最终的相关视频的推荐结果，提高了对用户个性化推荐的准确率。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限 制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付 出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (10)

1.一种个性化视频推荐方法，其特征在于，包括：

获取用户历史观看视频记录；

根据用户历史观看视频记录，统计得到视频观看状态转移矩阵，进而预测出用户观看下一个视频的概率，即用户基本偏好值；

根据用户历史观看视频记录，统计得到用户历史观看视频记录对应的视频标签分布，再与标签-类型转换矩阵相乘，得到每个用户观看新视频标签分类的概率，再与视频在相应新分类下的标记相乘后累加，得到用户纵向偏好值；

通过用户观看视频对应标签分布与标签类型转换矩阵的乘积与总体用户偏好值的预设百分率比较，求取用户横向偏好值；

最后将用户基本偏好值、用户纵向偏好值以及用户横向偏好值三者相乘，得到用户观看视频的概率并由概率从大到小进行个性化推荐。

2.如权利要求1所述的一种个性化视频推荐方法，其特征在于，所述用户历史观看视频记录包括观看视频的用户数量、观看的视频数量和视频标签。

3.如权利要求1所述的一种个性化视频推荐方法，其特征在于，在用户观看视频对应标签分布与标签类型转换矩阵的乘积与总体用户偏好值的预设百分率比较的过程中，若前者大于后者，则视频标签分布中相应偏好指数与中位数作商后再与用户纵向偏好值，得到用户横向偏好值；否则，将前者作为用户横向偏好值。

4.如权利要求1所述的一种个性化视频推荐方法，其特征在于，标签-类型转换矩阵的列数等于视频标签的分类总数，标签-类型转换矩阵的行数等于视频标签的总个数。

5.如权利要求4所述的一种个性化视频推荐方法，其特征在于，根据当前元素的视频标签是否当前元素所在列的视频标签类别，来对标签-类型转换矩阵的任一元素进行赋值：

若是，则当前元素的赋值为当前元素所在列的视频标签类别总数的倒数；否则，当前元素的赋值为0。

6.一种个性化视频推荐系统，其特征在于，包括：

视频记录获取模块，其用于获取用户历史观看视频记录；

用户基本偏好值计算模块，其用于根据用户历史观看视频记录，统计得到视频观看状态转移矩阵，进而预测出用户观看下一个视频的概率，即用户基本偏好值；

用户纵向偏好值计算模块，其用于根据用户历史观看视频记录，统计得到用户历史观看视频记录对应的视频标签分布，再与标签-类型转换矩阵相乘，得到每个用户观看新视频标签分类的概率，再与视频在相应新分类下的标记相乘后累加，得到用户纵向偏好值；

用户横向偏好值计算模块，其用于通过用户观看视频对应标签分布与标签类型转换矩阵的乘积与总体用户偏好值的预设百分率比较，求取用户横向偏好值；

个性化推荐模块，其用于将用户基本偏好值、用户纵向偏好值以及用户横向偏好值三者相乘，得到用户观看视频的概率并由概率从大到小进行个性化推荐。

7.如权利要求6所述的一种个性化视频推荐系统，其特征在于，在所述用户横向偏好值计算模块中，比较用户纵向偏好值与总体用户偏好值的预设百分率，若前者大于后者，则视频标签分布中相应偏好指数与中位数作商后再与用户纵向偏好值，得到用户横向偏好值；否则，将前者作为用户横向偏好值。

8.如权利要求6所述的一种个性化视频推荐系统，其特征在于，在所述用户纵向偏好值计算模块中，标签-类型转换矩阵的列数等于视频标签的分类总数，标签-类型转换矩阵的行数等于视频标签的总个数。

9.如权利要求8所述的一种个性化视频推荐系统，其特征在于，在所述用户纵向偏好值计算模块中，根据当前元素的视频标签是否当前元素所在列的视频标签类别，来对标签-类型转换矩阵的任一元素进行赋值：

若是，则当前元素的赋值为当前元素所在列的视频标签类别总数的倒数；否则，当前元素的赋值为0。

10.一种个性化视频推荐系统，其特征在于，包括个性化视频推荐服务器，所述个性化视频推荐服务器，被配置为：

获取用户历史观看视频记录；

根据用户历史观看视频记录，统计得到视频观看状态转移矩阵，进而预测出用户观看下一个视频的概率，即用户基本偏好值；

根据用户历史观看视频记录，统计得到用户历史观看视频记录对应的视频标签分布，再与标签-类型转换矩阵相乘，得到每个用户观看新视频标签分类的概率，再与视频在相应新分类下的标记相乘后累加，得到用户纵向偏好值；

通过用户观看视频对应标签分布与标签类型转换矩阵的乘积与总体用户偏好值的预设百分率比较，求取用户横向偏好值；

最后将用户基本偏好值、用户纵向偏好值以及用户横向偏好值三者相乘，得到用户观看视频的概率并由概率从大到小进行个性化推荐。