CN108769817A - 节目推荐方法及系统 - Google Patents
节目推荐方法及系统 Download PDFInfo
- Publication number
- CN108769817A CN108769817A CN201810553539.8A CN201810553539A CN108769817A CN 108769817 A CN108769817 A CN 108769817A CN 201810553539 A CN201810553539 A CN 201810553539A CN 108769817 A CN108769817 A CN 108769817A
- Authority
- CN
- China
- Prior art keywords
- program
- combination
- label
- user
- unit
- 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.)
- Pending
Links
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]
- H04N21/40—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
- H04N21/4662—Learning process for intelligent management, e.g. learning user preferences for recommending movies characterized by learning algorithms
-
- 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
Abstract
本发明实施例公开了节目推荐方法及系统,用于增加节目推荐的用户群体特性,提高节目推荐的准确率。本发明实施例方法包括:获取每个电视用户所观看的历史节目,所述电视用户以家庭为单位;将所述历史节目中的至少两个节目进行相互组合,得到多种不同的节目组合;统计所述不同的节目组合在各个电视用户中出现的频率总和,并根据所述频率总和的大小对所述不同的节目组合进行排序,得到各种节目组合的排序表;当节目组合中的至少一个节目被播放时,则按照所述排序表,对与所述节目相关的组合节目进行推荐。
Description
技术领域
本发明涉及视频数据处理技术领域,尤其涉及节目推荐方法及系统。
背景技术
随着网络技术和智能算法的出现,各种终端结合智能算法,都可以收集用户的历史数据,并根据历史数据统计用户的喜好,从而根据用户喜好,对用户进行进行内容推荐。
目前,公知的电视端视频内容智能推荐算法,都是沿用手机端的视频内容推荐算法体系,通过先对视频内容打标签,然后收集用户的点播数据,计算用户的点播数据各标签出现的机率,从而得出用户对各种类型视频的喜爱程度,进而对用户进行视频推荐。
现有技术根据单个用户点播数据,对用户行为进行分析,计算出用户的偏好,分析出用户对各种内容标签的喜爱程度,然后对用户进行视频推荐。因为电视机是为家庭服务的,多人共享一个娱乐平台,现有的推荐方法只考虑到单个家庭用户的特性,没有考虑到群体用户的特性,故该推荐方法在对视频内容进行推荐时,方法单一,且准确率较低。
发明内容
本发明实施例提供了节目推荐方法及系统,用于增加节目推荐的用户群体特性,提高节目推荐的准确率。
本发明实施例第一方面提供了节目推荐方法,包括:
获取每个电视用户所观看的历史节目,所述电视用户以家庭为单位;
将所述历史节目中的至少两个节目进行相互组合,得到多种不同的节目组合;
统计所述不同的节目组合在各个电视用户中出现的频率总和,并根据所述频率总和的大小对所述不同的节目组合进行排序,得到各种节目组合的排序表;
当节目组合中的至少一个节目被播放时,则按照所述排序表,对与所述节目相关的组合节目进行推荐。
优选的,所述节目组合为两两组合,所述节目组合包括第一节目和第二节目;
所述当节目组合中的至少一个节目被播放时,则按照所述排序表,对与所述节目相关的组合节目进行推荐,包括:
当节目组合中的第一节目被播放时,则按照所述排序表,对与所述第一节目相关的第二节目进行推荐。
优选的,所述方法还包括:定义每个节目的属性标签;
当与所述第一节目组合的多个节目组合在所述排序表中的次序相同时,则统计所述多个节目组合中的第二节目与所述第一节目的标签相关性,并根据所述标签相关性的高低,得到标签相关列表;
根据所述标签相关列表,对所述多个节目组合中的第二节目进行推荐。
优选的,所述每个节目包括多个属性标签,根据每个属性标签的权重对所述多个属性标签进行排序,得到每个节目的标签序列表;
所述统计所述多个节目组合中的第二节目与所述第一节目的标签相关性,包括:
根据所述每个节目的标签序列表,统计所述多个节目组合中的第二节目与所述第一节目相同的属性标签数目,及各相同属性标签在所述第一节目标签排序表中的权重;
计算所述权重总和的大小,得到所述多个节目组合中的第二节目与所述第一节目的标签相关性的高低。
优选的,当所述多个节目组合中的第二节目与所述第一节目的标签相关性相同时,则对所述多个节目组合中的第二节目进行随机推荐。
本发明实施例第二方面提供了节目推荐系统,包括:
获取单元,用于获取每个电视用户所观看的历史节目,所述电视用户以家庭为单位;
组合单元,用于将所述历史节目中的至少两个节目进行相互组合,得到多种不同的节目组合;
第一统计排序单元,用于统计所述不同的节目组合在各个电视用户中出现的频率总和,并根据所述频率总和的大小对所述不同的节目组合进行排序,得到各种节目组合的排序表;
第一推荐单元,用于当节目组合中的至少一个节目被播放时,则按照所述排序表,对与所述节目相关的组合节目进行推荐。
优选的,所述节目组合为两两组合,所述节目组合包括第一节目和第二节目;
所述第一推荐单元,包括:
推荐模块,用于当节目组合中的第一节目被播放时,则按照所述排序表,对与所述第一节目相关的第二节目进行推荐。
优选的,该系统还包括:
定义单元,用于定义每个节目的属性标签;
第二统计排序单元,用于当与所述第一节目组合的多个节目组合在所述排序表中的次序相同时,则统计所述多个节目组合中的第二节目与所述第一节目的标签相关性,并根据所述标签相关性的高低,得到标签相关列表;
第二推荐单元,用于根据所述标签相关列表,对所述多个节目组合中的第二节目进行推荐。
优选的,每个节目包括多个属性标签,根据每个属性标签的权重对所述多个属性标签进行排序,得到每个节目的标签序列表;
所述第二统计排序单元,包括:
统计模块,用于根据所述每个节目的标签序列表,统计所述多个节目组合中的第二节目与所述第一节目相同的属性标签数目,及各相同属性标签在所述第一节目标签排序表中的权重;
计算模块,用于计算所述权重总和的大小,得到所述多个节目组合中的第二节目与所述第一节目的标签相关性的高低。
优选的,该系统还包括:
第三推荐单元,用于当所述多个节目组合中的第二节目与所述第一节目的标签相关性相同时,对所述多个节目组合中的第二节目进行随机推荐。
本发明实施例还提供了一种计算机装置,包括处理器,该处理器在执行存储于存储器上的计算机程序时,用于实现本发明实施例第一方面所述的节目推荐方法。
本发明实施例还提供了一种可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时,用于实现本发明实施例第一方面所述的节目推荐方法。
从以上技术方案可以看出,本发明实施例具有以下优点:
本发明实施例中,先获取每个家庭电视用户的历史节目,并将历史节目中的至少两个节目相互组合,得到多个不同的解码组合,统计多个不同的解码组合在各个电视用户中出现的频率总和,并根据频率总和的大小对不同的节目组合进行排序,得到各种节目组合的排序表,当节目组合中的至少一个节目被播放时,则按照该排序表,对与该节目相关的组合节目进行推荐。因为本发明中在统计每个电视用户的节目组合后,分别统计该节目组合在各个电视用户中出现的频率总和,并根据该频率总和得到节目组合的排序表,故该排序表综合了各个电视用户的特点,故在推荐节目时,体现了用户的群体性特点,提高了节目推荐的准确率。
附图说明
图1为本发明实施例中节目推荐方法的一个实施例示意图;
图2为本发明实施例中节目推荐方法的另一个实施例示意图;
图3为本发明实施例中节目推荐方法的另一个实施例示意图;
图4为本发明实施例中节目推荐系统的一个实施例示意图。
具体实施方式
本发明实施例提供了节目推荐方法及系统,用于增加节目推荐的用户群体特性,提高节目推荐的准确率。
为了使本技术领域的人员更好地理解本发明方案,下面将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的实施例,而不是全部的实施例。基于本发明中的实施例,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,都应当属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为方便理解,下面对本发明中的节目推荐方法进行描述,请参阅图1,本发明实施例中节目推荐方法的一个实施例,包括:
101、获取每个电视用户所观看的历史节目,所述电视用户以家庭为单位;
在对用户进行节目推荐时,一般是根据用户的行为习惯对用户进行节目推荐,如用户喜欢的节目为古典音乐,则会对用户进行古典音乐的推荐,以提高用户的使用体验。
而在对用户进行节目推荐前,需要收集用户的历史数据,以对用户的行为习惯进行分析,获取用户的喜好,并根据用户喜好进行节目推荐,故本实施例在对用户进行节目推荐前,需要获取每个电视用户所观看的历史节目,其中本实施例中的电视用户是以家庭为单位的。
102、将所述历史节目中的至少两个节目进行相互组合,得到多种不同的节目组合;
一般每个电视用户都有不同的爱好,如喜欢军旅题材的电影,喜欢家庭伦理剧,或喜欢小清新的歌曲,而为了体现用户的不同爱好,则可以将历史节目中的至少两个节目进行组合,以得到多种不同的节目组合。
具体的,假如电视用户A观看的历史节目有a:飞上蓝天;b:媳妇的美好时代;c:李建演唱的贝加尔湖畔,则可以将该历史节目中的至少两个节目进行组合,从而得到电视用户A不同的节目组合,如:ab;ac;bc;abc;而电视用户B观看的历史节目有:a:飞上蓝天;d:爸爸去哪儿;c:李建演唱的贝加尔湖畔;则可以将该历史节目中的至少两个节目进行组合,从而得到电视用户B不同的节目组合,如:ac;ad;dc;adc;其他电视用户历史节目中的节目组合依次进行,此处不再赘述。
103、统计所述不同的节目组合在各个电视用户中出现的频率总和,并根据所述频率总和的大小对所述不同的节目组合进行排序,得到各种节目组合的排序表;
为了体现电视用户的群体性,以提高电视节目推荐的准确率,可以在得到不同电视用户的节目组合后,分别统计各个节目组合在不同电视用户中所出现的频率总和,根据频率总和的大小对不同的节目组合进行排序,得到各种节目组合的排序表。
具体的,如电视用户A的节目组合为:ab;ac;bc;abc;电视用户B的节目组合为ac;ad;dc;adc,则根据各节目组合在不同电视用户中出现的频率总和,得到各节目组合的排序表,其中,电视用户A和电视用户B的节目组合排序表如表1所示:
表1
组合 | ac | ab | bc | abc | ad | dc | adc |
频率 | 2 | 1 | 1 | 1 | 1 | 1 | 1 |
需要说明的是,上述举例只是对节目组合序列表的解释说明,并不对节目组合序列表的构成造成限制。如电视用户A的历史节目内容包括但不限于a、b和c,还可以包括e,f等,电视用户B的历史节目内容也包括但不限于a、d和c,且电视用户用户也不限于为2个,还可以为其他数目。
作为一种优选的实施例,为了减小数据处理量,提高数据的处理速度,一般在对电视用户的历史节目进行节目组合时,一般为两两组合,即表1的节目组合简化为表2的节目组合:
表2
组合 | ac | ab | bc | ad | dc |
频率 | 2 | 1 | 1 | 1 | 1 |
104、当节目组合中的至少一个节目被播放时,则按照所述排序表,对与所述节目相关的组合节目进行推荐。
根据表1所示,节目组合ac的组合频率最多,则当电视用户F在播放节目a时,则按照节目组合排序表,对用户F进行节目推荐时,首先推荐节目c,以提高节目推荐的准确性。
作为一种优选的实施例,当节目组合简化为表2时,因为减少了对数据abc,及数据adc的处理量,故可以提高数据的处理速度,从而提高用户的使用体验。
且本实施例中,在对用户进行节目推荐时,不仅参考单个用户的行为习惯,即对单个电视用户的历史节目进行节目组合,又参考了群体用户的行为习惯,即统计每个电视用户的节目组合在各个电视用户(即所有电视用户)中出现的频率总和,并根据节目组合的排序表对节目进行推荐,从而增加了节目推荐的群体用户特性,提高了节目推荐的准确率。
本发明实施例中,先获取每个家庭电视用户的历史节目,并将历史节目中的至少两个节目相互组合,得到多个不同的解码组合,统计多个不同的解码组合在各个电视用户中出现的频率总和,并根据频率总和的大小对不同的节目组合进行排序,得到各种节目组合的排序表,当节目组合中的至少一个节目被播放时,则按照该排序表,对与该节目相关的组合节目进行推荐。因为本发明中在统计每个电视用户的节目组合后,分别统计该节目组合在各个电视用户中出现的频率总和,并根据该频率总和得到节目组合的排序表,以该排序表中的节目排序向电视用户进行节目推荐,故该排序表综合了各个电视用户的特点,并在推荐节目时,体现了用户的群体性特点,提高了节目推荐的准确率。
基于图1所述的实施例,下面描述当节目组合在节目组合排序表中的顺序相同时,推荐节目的方法,请参阅图2,本发明实施例中节目推荐方法的另一个实施例,包括:
201、定义每个节目的属性标签;
为了进一步提高节目推荐的准确率,可以进一步定义每个节目的属性标签,如对于歌曲心太软,可以定义该歌曲的属性标签,以用于当多个节目组合在节目组合排序表中的顺序相同时,进一步根据节目的属性标签对节目进行精准推荐。
作为一种优选的实施例,可以在节目推荐系统中定义每个节目的多个属性标签,并根据每个标签所占的权重不同,对多个标签进行排序,得到属性标签排序表,假如歌曲心太软的属性标签可以如表3所示:
表3
标签 | 标签1(60%) | 标签2(20%) | 标签3(18%) | 标签4(10%) | 标签5(2%) |
心太软 | 热歌 | 80后 | 流金岁月 | 摇滚 | 劲爆 |
需要说明的是,表3只是对节目属性的示例性说明,并不对节目属性的内容构成限制。
202、当与第一节目组合的多个节目组合在所述排序表中的次序相同时,则统计多个节目组合中的第二节目与第一节目的标签相关性,并根据标签相关性的高低,得到标签相关列表;
为便于说明,以表2为例进行说明,例如节目组合ab、ad在节目组合序列表中出现的频率相同,则进一步统计节目b、及节目d与节目a的标签相关性,并根据标签相关性的高低,得到标签相关列表。
具体的,对于步骤202中,如何统计节目b、及节目d与节目a的标签相关性的内容,在下面的实施例中详细描述,此处不再赘述。
203、根据所述标签相关列表,对所述多个节目组合中的第二节目进行推荐。
在得到标签相关列表后,便可以根据多个节目组合中不同的第二节目与第一节目相关性的高低,对第二节目进行推荐。即若节目组合ab的标签相关性大于节目组合ad之间的标签相关性,则在用户播放节目a时,自动向用户推荐节目b。
本实施例中,对于多个节目组合在节目组合排序表中的顺序相同时,进一步统计第二节目与第一节目的标签相关性,即在参考电视用户群体性特点的前提下,进一步参考了节目的属性关联性特征,提高了节目推荐的准确率。
204、当多个节目组合中的第二节目与第一节目的标签相关性相同时,则对多个节目组合中的第二节目进行随机推荐。
若在进行标签相关性推荐时,根据不同的节目组合,计算出第二节目与第一节目的相关性也相同时,则对多个节目组合中的第二节目进行随机推荐。
具体的,若在步骤202中,计算出节目b、及节目d与节目a的标签相关性也相同时,则向用户随机推荐节目b或节目d。
本发明实施例中,定义了每个节目的属性标签,且详细描述了当多个节目组合在节目组合列表中的顺序相同时,进一步统计多个节目组合中,不同的第二节目与第一节目之间的标签相关性,并根据标签相关性的高低,对节目进行推荐,从而进一步考虑了电视用户的个人爱好,提高了节目推荐的准确率。
基于图2所述的实施例,下面详细描述步骤202,请参阅图3,本发明实施例中节目推荐方法的另一个实施例,包括:
2021、统计多个节目组合中的第二节目与第一节目相同的属性标签数目,及各相同属性标签在第一节目标签排序表中的权重;
为便于说明,以表2为例进行说明,当节目组合ab、ad在节目组合列表中,出现的频率和相同时,则进一步分别统计节目b与节目a的标签相关性,及节目d与节目a的标签相关性。
具体的,假设节目a的属性标签如表4所示:
表4
标签 | 标签1(60%) | 标签2(20%) | 标签3(18%) | 标签4(10%) | 标签5(2%) |
节目a | 热歌 | 00后 | 流金岁月 | 轻柔 | 嗨场 |
假设节目b的属性标签如表5所示:
表5
标签 | 标签1(60%) | 标签2(20%) | 标签3(18%) | 标签4(10%) | 标签5(2%) |
节目b | 热歌 | 70后 | 流金岁月 | 劲爆 | 嗨场 |
假设节目d的属性标签如表6所示:
表6
标签 | 标签1(60%) | 标签2(20%) | 标签3(18%) | 标签4(10%) | 标签5(2%) |
节目d | 流行 | 00后 | 过往岁月 | 轻柔 | 娇滴滴 |
由表4及表5可知,统计出节目b与节目a相同属性标签的数目为3,且相同属性标签依次对应的权重为:60%,18%,2%,则节目b与节目a之间的标签相关性为各权重的总和,即60%+18%+2%=80%;由表4及表6可知,节目d与节目a相同属性标签的数目为2,且相同属性标签的权重为:20%,10%,则节目d与节目a之间的标签相关性为各权重的总和,即20%+10%=30%。
2022、根据所述权重总和的大小,得到所述多个节目组合中的第二节目与所述第一节目的标签相关性的高低。
得到多个节目组合中不同的第二节目与第一节目的权重总和后,即可得到多个节目组合中第二节目与第一节目之间标签相关性的高低,即节目b与节目a之间的标签相关性为80%,而则节目d与节目a之间的标签相关性为30%,则节目组合ab的标签相关性大于节目组合ad之间的标签相关性。
本实施例中,详细描述了在不同节目组合中,第二节目与第一节目之间标签相似性的计算方法,提高了本发明实施例的可实施例。
上面描述了本发明实施例中节目推荐方法,下面来描述本发明实施例中的节目推荐系统,请参阅图4,本发明实施例中节目推荐系统的一个实施例,包括:
获取单元401,用于获取每个电视用户所观看的历史节目,所述电视用户以家庭为单位;
组合单元402,用于将所述历史节目中的至少两个节目进行相互组合,得到多种不同的节目组合;
第一统计排序单元403,用于统计所述不同的节目组合在各个电视用户中出现的频率总和,并根据所述频率总和的大小对所述不同的节目组合进行排序,得到各种节目组合的排序表;
第一推荐单元404,用于当节目组合中的至少一个节目被播放时,则按照所述排序表,对与所述节目相关的组合节目进行推荐。
优选的,所述节目组合为两两组合,所述节目组合包括第一节目和第二节目;
所述第一推荐单元404,包括:
推荐模块4041,用于当节目组合中的第一节目被播放时,则按照所述排序表,对与所述第一节目相关的第二节目进行推荐。
优选的,该系统还包括:
定义单元405,用于定义每个节目的属性标签;
第二统计排序单元406,用于当与所述第一节目组合的多个节目组合在所述排序表中的次序相同时,则统计所述多个节目组合中的第二节目与所述第一节目的标签相关性,并根据所述标签相关性的高低,得到标签相关列表;
第二推荐单元407,用于根据所述标签相关列表,对所述多个节目组合中的第二节目进行推荐。
优选的,每个节目包括多个属性标签,根据每个属性标签的权重对所述多个属性标签进行排序,得到每个节目的标签序列表;
所述第二统计排序单元406,包括:
统计模块4061,用于根据所述每个节目的标签序列表,统计所述多个节目组合中的第二节目与所述第一节目相同的属性标签数目,及各相同属性标签在所述第一节目标签排序表中的权重;
计算模块4062,用于计算所述权重总和的大小,得到所述多个节目组合中的第二节目与所述第一节目的标签相关性的高低。
优选的,该系统还包括:
第三推荐单元408,用于当所述多个节目组合中的第二节目与所述第一节目的标签相关性相同时,对所述多个节目组合中的第二节目进行随机推荐。
需要说明的是,本实施例中各单元及各模块的作用与图1、图2及图3所述实施例中节目推荐系统的作用类似,此处不再赘述。
本发明实施例中,通过获取单元401,先获取每个家庭电视用户的历史节目,并通过组合单元402将历史节目中的至少两个节目相互组合,得到多个不同的解码组合,通过第一统计排序单元403统计多个不同的解码组合在各个电视用户中出现的频率总和,并根据频率总和的大小对不同的节目组合进行排序,得到各种节目组合的排序表,当节目组合中的至少一个节目被播放时,则按照该排序表,通过第一推荐单元404对与该节目相关的组合节目进行推荐。因为本发明中在统计每个电视用户的节目组合后,分别统计该节目组合在各个电视用户中出现的频率总和,并根据该频率总和得到节目组合的排序表,故该排序表综合了各个电视用户的特点,所在在推荐节目时,体现了用户的群体性特点,提高了节目推荐的准确率。
其次,本实施例还定义了每个节目的属性标签,且详细描述了当多个节目组合在节目组合列表中的顺序相同时,进一步统计多个节目组合中,不同的第二节目与第一节目之间的标签相关性,并根据标签相关性的高低,对节目进行推荐,从而在参考电视用户群体性特点的前提下,进一步参考了节目的属性关联性特征,提高了节目推荐的准确率。
上面从模块化功能实体的角度对本发明实施例中的节目推荐系统进行了描述,下面从硬件处理的角度对本发明实施例中的计算机装置进行描述:
该计算机装置用于实现节目推荐系统的功能,本发明实施例中计算机装置一个实施例包括:
处理器以及存储器;
存储器用于存储计算机程序,处理器用于执行存储器中存储的计算机程序时,可以实现如下步骤:
获取每个电视用户所观看的历史节目,所述电视用户以家庭为单位;
将所述历史节目中的至少两个节目进行相互组合,得到多种不同的节目组合;
统计所述不同的节目组合在各个电视用户中出现的频率总和,并根据所述频率总和的大小对所述不同的节目组合进行排序,得到各种节目组合的排序表;
当节目组合中的至少一个节目被播放时,则按照所述排序表,对与所述节目相关的组合节目进行推荐。
优选的,所述节目组合为两两组合,所述节目组合包括第一节目和第二节目;
在本发明的一些实施例中,处理器,还可以用于实现如下步骤:
当节目组合中的第一节目被播放时,则按照所述排序表,对与所述第一节目相关的第二节目进行推荐。
在本发明的一些实施例中,处理器,还可以用于实现如下步骤:
定义每个节目的属性标签;
当与所述第一节目组合的多个节目组合在所述排序表中的次序相同时,则统计所述多个节目组合中的第二节目与所述第一节目的标签相关性,并根据所述标签相关性的高低,得到标签相关列表;
根据所述标签相关列表,对所述多个节目组合中的第二节目进行推荐。
优选的,所述每个节目包括多个属性标签,根据每个属性标签的权重对所述多个属性标签进行排序,得到每个节目的标签序列表;
在本发明的一些实施例中,处理器,还可以用于实现如下步骤:
根据所述每个节目的标签序列表,统计所述多个节目组合中的第二节目与所述第一节目相同的属性标签数目,及各相同属性标签在所述第一节目标签排序表中的权重;
计算所述权重总和的大小,得到所述多个节目组合中的第二节目与所述第一节目的标签相关性的高低。
在本发明的一些实施例中,处理器,还可以用于实现如下步骤:
当所述多个节目组合中的第二节目与所述第一节目的标签相关性相同时,则对所述多个节目组合中的第二节目进行随机推荐。
可以理解的是,上述说明的计算机装置中的处理器执行所述计算机程序时,也可以实现上述对应的各装置实施例中各单元的功能,此处不再赘述。示例性的,所述计算机程序可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器中,并由所述处理器执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序在所述节目推荐系统的执行过程。例如,所述计算机程序可以被分割成上述节目推荐系统中的各单元,各单元可以实现如上述相应节目推荐系统说明的具体功能。
所述计算机装置可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机装置可包括但不仅限于处理器、存储器。本领域技术人员可以理解,处理器、存储器仅仅是计算机装置的示例,并不构成对计算机装置的限定,可以包括更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述计算机装置还可以包括输入输出设备、网络接入设备、总线等。
所述处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable GateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述计算机装置的控制中心,利用各种接口和线路连接整个计算机装置的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述计算机装置的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等;存储数据区可存储根据终端的使用所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本发明还提供了一种计算机可读存储介质,该计算机可读存储介质用于实现节目推荐系统的功能,其上存储有计算机程序,计算机程序被处理器执行时,处理器,可以用于执行如下步骤:
获取每个电视用户所观看的历史节目,所述电视用户以家庭为单位;
将所述历史节目中的至少两个节目进行相互组合,得到多种不同的节目组合;
统计所述不同的节目组合在各个电视用户中出现的频率总和,并根据所述频率总和的大小对所述不同的节目组合进行排序,得到各种节目组合的排序表;
当节目组合中的至少一个节目被播放时,则按照所述排序表,对与所述节目相关的组合节目进行推荐。
优选的,所述节目组合为两两组合,所述节目组合包括第一节目和第二节目;
在本发明的一些实施例中,计算机可读存储介质存储的计算机程序被处理器执行时,处理器,可以具体用于执行如下步骤:
当节目组合中的第一节目被播放时,则按照所述排序表,对与所述第一节目相关的第二节目进行推荐。
在本发明的一些实施例中,计算机可读存储介质存储的计算机程序被处理器执行时,处理器,可以具体用于执行如下步骤:
定义每个节目的属性标签;
当与所述第一节目组合的多个节目组合在所述排序表中的次序相同时,则统计所述多个节目组合中的第二节目与所述第一节目的标签相关性,并根据所述标签相关性的高低,得到标签相关列表;
根据所述标签相关列表,对所述多个节目组合中的第二节目进行推荐。
优选的,所述每个节目包括多个属性标签,根据每个属性标签的权重对所述多个属性标签进行排序,得到每个节目的标签序列表;
在本发明的一些实施例中,计算机可读存储介质存储的计算机程序被处理器执行时,处理器,可以具体用于执行如下步骤:
根据所述每个节目的标签序列表,统计所述多个节目组合中的第二节目与所述第一节目相同的属性标签数目,及各相同属性标签在所述第一节目标签排序表中的权重;
计算所述权重总和的大小,得到所述多个节目组合中的第二节目与所述第一节目的标签相关性的高低。
在本发明的一些实施例中,计算机可读存储介质存储的计算机程序被处理器执行时,处理器,可以具体用于执行如下步骤:
当所述多个节目组合中的第二节目与所述第一节目的标签相关性相同时,则对所述多个节目组合中的第二节目进行随机推荐。
可以理解的是,所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在相应的一个计算机可读取存储介质中。基于这样的理解,本发明实现上述相应的实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,RandomAccess Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.节目推荐方法,其特征在于,包括:
获取每个电视用户所观看的历史节目,所述电视用户以家庭为单位;
将所述历史节目中的至少两个节目进行相互组合,得到多种不同的节目组合;
统计所述不同的节目组合在各个电视用户中出现的频率总和,并根据所述频率总和的大小对所述不同的节目组合进行排序,得到各种节目组合的排序表;
当节目组合中的至少一个节目被播放时,则按照所述排序表,对与所述节目相关的组合节目进行推荐。
2.根据权利要求1所述的方法,其特征在于,所述节目组合为两两组合,所述节目组合包括第一节目和第二节目;
所述当节目组合中的至少一个节目被播放时,则按照所述排序表,对与所述节目相关的组合节目进行推荐,包括:
当节目组合中的第一节目被播放时,则按照所述排序表,对与所述第一节目相关的第二节目进行推荐。
3.根据权利要求2所述的方法,其特征在于,所述方法还包括:定义每个节目的属性标签;
当与所述第一节目组合的多个节目组合在所述排序表中的次序相同时,则统计所述多个节目组合中的第二节目与所述第一节目的标签相关性,并根据所述标签相关性的高低,得到标签相关列表;
根据所述标签相关列表,对所述多个节目组合中的第二节目进行推荐。
4.根据权利要求3所述的方法,其特征在于,所述每个节目包括多个属性标签,根据每个属性标签的权重对所述多个属性标签进行排序,得到每个节目的标签序列表;
所述统计所述多个节目组合中的第二节目与所述第一节目的标签相关性,包括:
根据所述每个节目的标签序列表,统计所述多个节目组合中的第二节目与所述第一节目相同的属性标签数目,及各相同属性标签在所述第一节目标签排序表中的权重;
计算所述权重总和的大小,得到所述多个节目组合中的第二节目与所述第一节目的标签相关性的高低。
5.根据权利要求4所述的方法,其特征在于,当所述多个节目组合中的第二节目与所述第一节目的标签相关性相同时,则对所述多个节目组合中的第二节目进行随机推荐。
6.节目推荐系统,其特征在于,包括:
获取单元,用于获取每个电视用户所观看的历史节目,所述电视用户以家庭为单位;
组合单元,用于将所述历史节目中的至少两个节目进行相互组合,得到多种不同的节目组合;
第一统计排序单元,用于统计所述不同的节目组合在各个电视用户中出现的频率总和,并根据所述频率总和的大小对所述不同的节目组合进行排序,得到各种节目组合的排序表;
第一推荐单元,用于当节目组合中的至少一个节目被播放时,则按照所述排序表,对与所述节目相关的组合节目进行推荐。
7.根据权利要求6所述的系统,其特征在于,所述系统还包括:
定义单元,用于定义每个节目的属性标签;
第二统计排序单元,用于当与所述第一节目组合的多个节目组合在所述排序表中的次序相同时,则统计所述多个节目组合中的第二节目与所述第一节目的标签相关性,并根据所述标签相关性的高低,得到标签相关列表;
第二推荐单元,用于根据所述标签相关列表,对所述多个节目组合中的第二节目进行推荐。
8.根据权利要求7所述的系统,其特征在于,所述每个节目包括多个属性标签,根据每个属性标签的权重对所述多个属性标签进行排序,得到每个节目的标签序列表;
所述第二统计排序单元,包括:
统计模块,用于根据所述每个节目的标签序列表,统计所述多个节目组合中的第二节目与所述第一节目相同的属性标签数目,及各相同属性标签在所述第一节目标签排序表中的权重;
计算模块,用于计算所述权重总和的大小,得到所述多个节目组合中的第二节目与所述第一节目的标签相关性的高低。
9.一种计算机装置,包括处理器,其特征在于,所述处理器在执行存储于存储器上的计算机程序时,用于实现如权利要求1至5中任一项所述的节目推荐方法。
10.一种可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时,用于实现如权利要求1至5中任一项所述的节目推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810553539.8A CN108769817A (zh) | 2018-05-31 | 2018-05-31 | 节目推荐方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810553539.8A CN108769817A (zh) | 2018-05-31 | 2018-05-31 | 节目推荐方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108769817A true CN108769817A (zh) | 2018-11-06 |
Family
ID=64001726
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810553539.8A Pending CN108769817A (zh) | 2018-05-31 | 2018-05-31 | 节目推荐方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108769817A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111949866A (zh) * | 2020-08-10 | 2020-11-17 | 广州汽车集团股份有限公司 | 应用推荐处理方法和装置 |
CN114615524A (zh) * | 2022-02-18 | 2022-06-10 | 聚好看科技股份有限公司 | 服务器、媒资推荐网络的训练方法及媒资推荐方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020147628A1 (en) * | 2001-02-16 | 2002-10-10 | Jeffrey Specter | Method and apparatus for generating recommendations for consumer preference items |
CN1460362A (zh) * | 2001-03-29 | 2003-12-03 | 皇家菲利浦电子有限公司 | 用于产生推荐积分的方法和装置 |
CN102263999A (zh) * | 2011-08-03 | 2011-11-30 | Tcl集团股份有限公司 | 基于人脸识别对电视节目自动分类的方法及其系统 |
CN104081429A (zh) * | 2011-12-14 | 2014-10-01 | 谷歌公司 | 基于视频同现统计数据的视频推荐 |
CN105744370A (zh) * | 2012-09-17 | 2016-07-06 | 中国传媒大学 | 基于群体收视行为的广播电视系统及其个性节目推荐方法 |
US20160212494A1 (en) * | 2013-09-06 | 2016-07-21 | Beijing Qihoo Technology Company Limited | Video recommendation method and device |
US20170124074A1 (en) * | 2015-10-30 | 2017-05-04 | International Business Machines Corporation | Music recommendation engine |
-
2018
- 2018-05-31 CN CN201810553539.8A patent/CN108769817A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020147628A1 (en) * | 2001-02-16 | 2002-10-10 | Jeffrey Specter | Method and apparatus for generating recommendations for consumer preference items |
CN1460362A (zh) * | 2001-03-29 | 2003-12-03 | 皇家菲利浦电子有限公司 | 用于产生推荐积分的方法和装置 |
CN102263999A (zh) * | 2011-08-03 | 2011-11-30 | Tcl集团股份有限公司 | 基于人脸识别对电视节目自动分类的方法及其系统 |
CN104081429A (zh) * | 2011-12-14 | 2014-10-01 | 谷歌公司 | 基于视频同现统计数据的视频推荐 |
CN105744370A (zh) * | 2012-09-17 | 2016-07-06 | 中国传媒大学 | 基于群体收视行为的广播电视系统及其个性节目推荐方法 |
US20160212494A1 (en) * | 2013-09-06 | 2016-07-21 | Beijing Qihoo Technology Company Limited | Video recommendation method and device |
US20170124074A1 (en) * | 2015-10-30 | 2017-05-04 | International Business Machines Corporation | Music recommendation engine |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111949866A (zh) * | 2020-08-10 | 2020-11-17 | 广州汽车集团股份有限公司 | 应用推荐处理方法和装置 |
CN111949866B (zh) * | 2020-08-10 | 2024-02-02 | 广州汽车集团股份有限公司 | 应用推荐处理方法和装置 |
CN114615524A (zh) * | 2022-02-18 | 2022-06-10 | 聚好看科技股份有限公司 | 服务器、媒资推荐网络的训练方法及媒资推荐方法 |
CN114615524B (zh) * | 2022-02-18 | 2023-10-24 | 聚好看科技股份有限公司 | 服务器、媒资推荐网络的训练方法及媒资推荐方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104967607B (zh) | 一种信息处理方法、终端及服务器 | |
US8898696B2 (en) | System and method for allocating advertisements | |
US9460450B2 (en) | Method and apparatus for providing application list | |
CN107894998B (zh) | 视频推荐方法及装置 | |
CN107172452A (zh) | 直播间推荐方法及装置 | |
CN110245301A (zh) | 一种推荐方法、装置及存储介质 | |
CN105809479A (zh) | 物品推荐方法及装置 | |
CN108460629A (zh) | 用户营销推荐方法、装置、终端设备及存储介质 | |
CN106846094A (zh) | 一种基于已安装应用来推荐应用信息的方法和装置 | |
CN106326391A (zh) | 多媒体资源推荐方法及装置 | |
CN108595492A (zh) | 内容的推送方法和装置、存储介质、电子装置 | |
CN109145210A (zh) | 一种信息推荐的方法、装置及存储介质 | |
CN104765751A (zh) | 应用推荐方法及装置 | |
CN106168980A (zh) | 多媒体资源推荐排序方法及装置 | |
CN110225361A (zh) | 直播间推荐方法、存储介质、电子设备及系统 | |
CN109429103A (zh) | 推荐信息的方法、装置及计算机可读存储介质、终端设备 | |
CN108769817A (zh) | 节目推荐方法及系统 | |
CN107766446A (zh) | 资讯信息的推送方法、装置、存储介质及处理器 | |
CN108665347A (zh) | 基于用户需求的产品推荐方法、装置、设备及存储介质 | |
CN106447472A (zh) | 基于购买行为的推荐方法及装置 | |
CN108668147A (zh) | 一种优化直播应用的方法以及移动终端 | |
CN108876517A (zh) | 基于人工智能的用户喜好分析方法及系统 | |
CN109640128B (zh) | 一种电视用户观看行为特征提取方法及系统 | |
CN106156351B (zh) | 多媒体资源推荐信息生成方法及装置 | |
CN111144949A (zh) | 奖励数据发放方法、装置、计算机设备及存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181106 |
|
RJ01 | Rejection of invention patent application after publication |