CN109874032A - 智能电视的节目专题个性化推荐系统与方法 - Google Patents

Abstract

本发明公开了智能电视的节目专题个性化推荐系统，包括专题标签体系、自定义管理平台、大数据基础平台、智能推荐平台、分布式缓存系统；专题标签体系用于为业务提供能区分用户的标签体系，专题标签体系内设有专题的各个分类和兴趣偏向分类；自定义管理平台用于对专题的标签进行管理；智能推荐平台用于使用标签化的专题数据和用户的反馈数据，用机器学习的分类预测的方式，为各个专题进行点击预测生成个性化推荐内容，最后存储在分布式缓存系统以提供实时查询服务。本发明的系统可解决专题特征向量的生成、专题特征向量与用户特征向量的相似度计算问题，可以实现智能电视各分页面的专题自动生成，自动构建专题内容。

Description

智能电视的节目专题个性化推荐系统与方法

技术领域

本发明涉及大数据技术领域，特别涉及一种智能电视的节目专题个性化推荐系统与方法。

背景技术

随着互联网电视、智能电视的普及，越来越多的用户使用点播观看喜好的电视节目。目前智能电视端，现在的主流的专题定义方式是通过运营人员基于当前播放热门趋势、节日、纪念日等有意义的流行趋势去生成专题的核心概念定义，之后基于定义的概念从几万部的影视库中去搜索或者筛选出符合定义概念的节目组成专题。

这样的生成方式具有以下缺点：专题的概念定义需要运营人员开会头脑风暴策划，但如节日，特定纪念日，新片上映等特殊日子是可以做到智能化而避免人员的时间浪费；专题定义数量达到一定数量级之后，专题的定义和管理将变得十分繁杂，不利于持续的管理和输出；专题的定义完成后，节目的筛选依赖于人工的搜索和主观认知来判断是否符合专题的定义概念，因此会造成无法正确的评价专题生成的好坏，同时无法完整的覆盖整个节目库；同时专题定义概念相近也会造成专题的重复定义；而且这样的专题没有经过个性化的推荐系统整合使得每个人看到的专题都是一样的排列，导致了千篇一律，用户的使用率会严重下降。

发明内容

本发明的目的是克服上述背景技术中不足，提供一种智能电视的节目专题个性化推荐系统与方法，通过智能化的电视专题定义，使得运营人员只需要从特定的专题特征库中筛选出专题特征向量，通过智能化的流程生成好专题及其所包含的节目，同时可以对专题进行上下线管理，减少专题的运营人员的需求。其次，通过收集用户的观影行为特征，刻画终端用户的观影行为画像和兴趣画像，可以使其画像特征与专题特征进行匹配预测，找出用户更趋向于点击观看的专题推荐给用户。

为了达到上述的技术效果，本发明采取以下技术方案：

智能电视的节目专题个性化推荐系统，包括专题标签体系、自定义管理平台、大数据基础平台、智能推荐平台、分布式缓存系统；其中，所述专题标签体系用于为业务提供能区分用户的标签体系，专题标签体系内设有专题的各个分类和兴趣偏向分类；自定义管理平台用于对专题的标签进行管理，实现修改智能生成的专题内容，专题的上下线管理等功能的实现；智能推荐平台用于使用标签化的专题数据和用户的反馈数据，用机器学习的分类预测的方式，为各个专题进行点击预测生成个性化推荐内容，最后存储在分布式缓存系统以提供实时查询服务。

同时，本发明公开了一种智能电视的节目专题个性化推荐方法，包括以下步骤：

A.建立专题标签体系；其中，所述专题标签分为三级；专题标签体系的建立是突破其他几个内容模块的基础，专题标签体系的建立体系和丰富体系可以为算法的智能生成提供丰富的特征库，好的特征能使算法的效果加倍；

B.通过节目信息建立文本训练模块，使用主题提取模型LDA对每个节目进行主题提取；其中，节目信息包括节目简介、节目名字、演员、节目首播年代、评论等；

C.对若干节目的主题进行词频融合，利用逆向词频分析技术TF-IDF分析词权重，去掉权重低于整体权重分布的a％以下的词；

D.对二级标签进行一级分类归属，属于多个归属的标签重复设置；标签分类归属更多的喜好细节的归属，作为电影和电视剧可能存在同样的标签分类归属，如爱情标签，电影专题和电视剧专题都会包括，将特征分级数归类有利于更精准的刻画专题的特征，利于节省标签特征的管理空间，其最大优势在于可以提高创建专题的效率，节省专题运营人员开支；

E.依据标签制定专题兴趣集合，设置为三级标签；如职场精英、家有萌宝宝等强业务属性的兴趣集合；

F.对专题进行在云端的定义和生成；

G.实时用户数据采集制定采集数据机制；

H.专题化生成；

I.专题的智能化推荐排序；

J.针对每个用户进行排序并候选排名前m名的专题缓存至列表，以备推荐请求调用。

进一步地，还包括步骤K：编写推荐服务接口，并编辑推荐内容自定义接口，可以实时的下架和上线一些不需要推出去的专题内容，实时查看某些推荐用户的推荐内容。

进一步地，所述步骤A中，专题标签中一级标签为专题的大类分类，如电影，电视剧，卡通；二级标签为特征类分类，如喜剧，家庭剧等；三级标签为兴趣类分类，儿童0-6岁类专题等,分成三个级别已经能够准确的区分和定义专题，且可以节省存储资源。

进一步地，所述步骤E中最终专题的分类和归属级别如下：分类级别归属：标签特征分类归属：兴趣分类归属；这样设置专题特征库，与现在传统的将所有特征冗杂在一个级别上相比，能更精确的描述专题的分类，能准确创建业务需求的专题，提高专题的推荐准确率，使专题最大化的人工智能化生成且包含了人工干预策略，使得更具有操作性。

进一步地，所述步骤F具体为：运营人员在云端输入专题分类归属特征，标签聚集类别，兴趣聚集列表：X＝(x₁，x₂，x₃)；其中x₁为分类归属特征，x₂为标签聚集特征集合，x₃为兴趣聚集特征集合。

进一步地，所述步骤G具体为：采集用户的观影行为，使用lamda表达式架构离线数据处理和实时数据处理并行进行，离线数据用于刻画用户的专题画像特征，实时数据用于实时反馈用户的观影节目，基于ALS算法进行用户侧和节目侧的向量分离计算，分别生成用户侧向量U和节目侧向量V。

进一步地，所述步骤H具体为：将X与V进行余弦相似度计算，求出定义专题与节目之间的相似度并进行相似度由大至小排序，取排名前n名的节目组成智能化生成专题的节目内容，其中，计算相似度公式如下：

进一步地，所述步骤I具体为：在专题的内容生成后依据专题的特征向量X与用户侧向量U进行相似度计算，计算公式为：

进一步地，所述步骤C中a取值为20，因为权重低于20％以下的词覆盖率广泛，没有特点，去掉权重低于整体权重分布的20％下的词可缩减标签的数目至500左右，步骤H中n取值为30，步骤J中m取值为100。

本发明与现有技术相比，具有以下的有益效果：

本发明的智能电视的节目专题个性化推荐系统与方法，主要采用词频-逆文件频率TF-IDF(Term Frequency-Inverse Document Frequency)计算专题的特征向量，使用ALS(Alternating least squares，交替最小二乘法)生成用户侧向量，然后使用余弦相似度计算用户兴趣与专题的相似度进行排序预测推荐；

通过本发明的智能电视的节目专题个性化推荐系统与方法，可解决专题特征向量的生成、专题特征向量与用户特征向量的相似度计算问题，可以实现智能电视各分页面的专题自动生成，自动构建专题内容，可配置的管理各个分页面专题的个数，专题内节目个数；并依据不同用户的观影习惯，实时的为用户推荐不同的专题和专题内容，达到千人千面的专题推荐效果，并能为用户生成专题画像。

附图说明

图1是本发明的智能电视的节目专题个性化推荐系统的框架示意图。

图2是本发明的一个实施例中构建的专题标签体系的示意图。

图3是本发明的一个实施例中构建的自定义管理平台的功能组件示意图。

图4是本发明的一个实施例中智能电视的节目专题个性化推荐流程示意图。

具体实施方式

下面结合本发明的实施例对本发明作进一步的阐述和说明。

实施例：

实施例一：

如图1所示，为本实施例中智能电视的节目专题个性化推荐系统的框架示意图，该系统包括专题标签体系、自定义管理平台、大数据基础平台、智能推荐平台、分布式缓存系统。

具体的，专题标签体系主要包含专题的各个分类和兴趣偏向分类，主要负责为业务提供能区分用户的标签体系；自定义管理平台主要负责对专题的标签进行管理，修改智能生成的专题内容，专题的上下线管理等功能的实现；本实施例中，自定义管理平台的功能组件具体如图3所示，大数据基础平台作为数据的获取源，智能推荐平台主要使用标签化的专题数据和用户的反馈数据，用机器学习的分类预测的方式，为各个专题进行点击预测生成个性化推荐内容，最后存储在分布式缓存系统提供实时查询服务。

具体的，本实施例中将就如何利用上述智能电视的节目专题个性化推荐系统实现电视节目专题个性化推荐的技术方案作步骤分解：

第一步，建立专题标签体系的专题特征库，专题标签体系的建立是突破其他几个内容模块的基础，标签体系的建立体系和丰富体系可以为算法的智能生成提供丰富的特征库，好的特征能使算法的效果加倍。

本实施例中，专题标签体系的建立主要分为三级：一级为专题的大类分类，如电影，电视剧，卡通；二级为特征类分类，如喜剧，家庭，恐怖；三级为兴趣类，如儿童0-6岁类专题等，分成三个级别已经能够准确的区分和定义专题，节省存储资源。本实施例中，建立的专题标签体系具体如图2所示。

第二步，专题特征标签提取模块，通过节目简介、节目名字、演员、年代、评论建立文本训练模块，使用主题提取模型LDA(Latent Dirichlet Allocation)对每个节目进行主题提取。

第三步，对几万部节目的主题进行词频融合，利用TF-IDF(逆向词频分析技术)分析词权重，去掉权重低于整体权重分布的20％下的词，因为权重低于20％以下的词覆盖率广泛，没有特点，从而缩减了标签的数目到500+。

第四步，对标签二级进行一级分类归属下，属于多个归属的标签重复设置。标签分类归属更多的喜好细节的归属，作为电影和电视剧可能存在同样的标签分类归属，如爱情标签，电影专题和电视剧专题都会包括，将特征分级数归类有利于更精准的刻画专题的特征，利于节省标签特征的管理空间，这样做的最大优势在于可以提高创建专题的效率，节省专题运营人员开支。

第五步，依据标签制定专题兴趣集合，设置为三级标签，如职场精英、家有萌宝宝、少女之类的强业务属性的兴趣集合。最终专题的分类和归属级别如下：

分类级别归属：标签分类归属：兴趣分类归属

这样的设置专题特征库，与现在传统的将所有特征冗杂在一个级别上相比，能更精确的描述专题的分类，能准确创建业务需求的专题，提高专题的推荐准确率，使专题最大化的人工智能化生成且包含了人工干预策略，使得更具有操作性。

第六步，专题定义智能化，专题定义平台的功能是在标签体系建立后，对专题进行在云端的定义和生成，运营人员输入专题分类归属特征、标签聚集类别、兴趣聚集列表：X＝(x₁，x₂，x₃)；

其中x₁为分类归属特征，x₂为标签聚集特征集合，x₃为兴趣聚集特征集合。

第七步，实时用户数据采集制定采集数据机制，采集用户的观影行为，使用lamda架构离线数据处理和实时数据处理并行进行，离线数据用于刻画用户的专题画像特征，实时数据实时的反馈用户的观影节目，基于ALS算法进行用户侧和节目侧的向量分离计算，分别生成U(用户侧向量)和V(节目侧向量)。

第八步，专题化生成，将X与V进行余弦相似度计算，求出定义专题与节目之间的相似度并进行排序，取前分数前30的节目组成智能化生成专题的节目内容，计算相似度公式如下：

第九步，专题的智能化推荐排序，专题的内容生成后依据专题的特征向量X与用户侧向量U进行相似度计算：

第十步，对计算后的结果Sim，针对每个用户进行排序并候选排名前100的专题缓存列表，以备推荐请求调用。

第十一步，编写推荐服务接口，并编辑推荐内容自定义接口，可以实时的下架和上线一些不需要推出去的专题内容，实时查看某些推荐用户的推荐内容。

实施例二

本实施例中结合各一个专题智能化生成和依据一位兴趣取向明显的用户进行推荐举例说明本发明的智能电视的节目专题个性化推荐系统与方法。

如本实施例中定义一个名字为《职场生活的XX从XX开始！》的专题，如图4所示，具体包括以下步骤：

步骤一：首先从专题特征库中选择符合《职场生活的XX从XX开始！》的特征集合，该专题属于电视剧类型的专题，并应该包含职场，青年，都市，生活，奋斗，爱情等标签分类归属，同时兴趣类型标签应该包含职场精英，青春奋斗系列等兴趣类型特征归属，从而构成了该专题的特征归属集合<电视剧，职场，青年，都市，生活，奋斗，爱情，职场精英，奋斗系列兴趣>，对其进行编码生成特征向量表示X_i。

步骤二：收集上传的用户的点播、收藏、观看时长、购买vip行为，依据个行为从业务角度的重要程度给出不同的权重占比，然后计算rating(用户对影片的评分)，组成用户评分矩阵<User,Item,Rating>。

步骤三：然后基于用户评分矩阵求出user(用户侧)和item(节目侧)的分解矩阵，分解矩阵的维度与X保持一致，以便计算相似度。

步骤四：依据步骤三和步骤一中的专题特征向量X_i和节目特征向量作相似度计算并进行排序，然后取前30部影片作为《职场生活的XX从XX开始！》专题的影片候选，这样专题就自动生成了。

步骤五：将每个用户的推荐内容进行缓存进数据库，并编写推荐服务接口，并编辑推荐内容自定义接口，可以实时的下架和上线一些不需要推出去的专题内容，实时查看某些推荐用户的推荐内容，如《猎某》，《欢乐某》，《合伙某》等。

步骤六：接下来将步骤三的用户侧的向量与节目侧的向量求近似，这里有两种方式，一是将生成的专题内容进行节目聚合生成新的专题侧向量，然后求近似度，另一种是直接用专题定义的特征向量进行求近似度，本实施例中采用前一种方法，将《职场生活的XX从XX开始！》的专题的节目《猎某》等进行聚合生成S向量，然后求S向量与用户侧的向量的近似度。然后依次求出其他专题的近似度，然后做排序生成候选集列表(S1,S2,S3,…,Sn)，通过缓存后对用户进行推荐。

具体的，本实施例中，在上述方法中步骤一中的专题特征库的建立具体包括以下步骤：

步骤一，建立专题特征的分级策略，本实施例中分为类型库，基本标签库，兴趣标签库。

步骤二，头脑风暴，根据业务需求和算法需求，进行归纳并填充步骤一建立的库，类型分为电影，电视剧，综艺，少儿等，基本标签涵盖广泛，包括益智，爱情，古装等常见基本标签，兴趣侧主要是结合业务的需要，增加了职场精英，家有萌娃宝等标签。

步骤三，加入标签审核机制，新增，删除，下线标签需要人工审核。

步骤四，运营人员根据需求进行专题建立，并从特征库中筛选适合专题的特征集合，完成专题特征的建立。

可以理解的是，以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式，然而本发明并不局限于此。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。

Claims (10)

1.智能电视的节目专题个性化推荐系统，其特征在于，包括专题标签体系、自定义管理平台、大数据基础平台、智能推荐平台、分布式缓存系统；

其中，所述专题标签体系用于为业务提供能区分用户的标签体系，专题标签体系内设有专题的各个分类和兴趣偏向分类；自定义管理平台用于对专题的标签进行管理；智能推荐平台用于使用标签化的专题数据和用户的反馈数据，用机器学习的分类预测的方式，为各个专题进行点击预测生成个性化推荐内容，最后存储在分布式缓存系统以提供实时查询服务。

2.智能电视的节目专题个性化推荐方法，其特征在于，包括以下步骤：

A.建立专题标签体系；其中，所述专题标签分为三级；

B.通过节目信息建立文本训练模块，使用主题提取模型LDA对每个节目进行主题提取；

C.对若干节目的主题进行词频融合，利用逆向词频分析技术TF-IDF分析词权重，去掉权重低于整体权重分布的a％以下的词；

D.对二级标签进行一级分类归属，属于多个归属的标签重复设置；

E.依据标签制定专题兴趣集合，设置为三级标签；

F.对专题进行在云端的定义和生成；

G.实时用户数据采集制定采集数据机制；

H.专题化生成；

I.专题的智能化推荐排序；

J.针对每个用户进行排序并候选排名前m名的专题缓存至列表，以备推荐请求调用。

3.根据权利要求2所述的智能电视的节目专题个性化推荐方法，其特征在于，还包括步骤K：编写推荐服务接口，并编辑推荐内容自定义接口。

4.根据权利要求2或3所述的智能电视的节目专题个性化推荐方法，其特征在于，所述步骤A中，专题标签中一级标签为专题的大类分类，二级标签为特征类分类，三级标签为兴趣类分类。

5.根据权利要求4所述的智能电视的节目专题个性化推荐方法，其特征在于，所述步骤E中最终专题的分类和归属级别如下：分类级别归属：标签特征分类归属：兴趣分类归属。

6.根据权利要求5所述的智能电视的节目专题个性化推荐方法，其特征在于，所述步骤F具体为：运营人员在云端输入专题分类归属特征，标签聚集类别，兴趣聚集列表：X＝(x₁，x₂，x₃)；其中x₁为分类归属特征，x₂为标签聚集特征集合，x₃为兴趣聚集特征集合。

7.根据权利要求6所述的智能电视的节目专题个性化推荐方法，其特征在于，所述步骤G具体为：采集用户的观影行为，使用lamda表达式架构离线数据处理和实时数据处理并行进行，离线数据用于刻画用户的专题画像特征，实时数据用于实时反馈用户的观影节目，基于ALS算法进行用户侧和节目侧的向量分离计算，分别生成用户侧向量U和节目侧向量V。

8.根据权利要求7所述的智能电视的节目专题个性化推荐方法，其特征在于，所述步骤H具体为：将X与V进行余弦相似度计算，求出定义专题与节目之间的相似度并进行相似度由大至小排序，取排名前n名的节目组成智能化生成专题的节目内容，其中，计算相似度公式如下：

9.根据权利要求8所述的智能电视的节目专题个性化推荐方法，其特征在于，所述步骤I具体为：在专题的内容生成后依据专题的特征向量X与用户侧向量U进行相似度计算，计算公式为：

10.根据权利要求9所述的智能电视的节目专题个性化推荐方法，其特征在于，所述步骤C中a取值为20，步骤H中n取值为30，步骤J中m取值为100。