CN110309358A - 一种资源推荐方法及系统 - Google Patents
一种资源推荐方法及系统 Download PDFInfo
- Publication number
- CN110309358A CN110309358A CN201810260743.0A CN201810260743A CN110309358A CN 110309358 A CN110309358 A CN 110309358A CN 201810260743 A CN201810260743 A CN 201810260743A CN 110309358 A CN110309358 A CN 110309358A
- Authority
- CN
- China
- Prior art keywords
- resource
- biological characteristic
- user
- viewing
- recommended
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
- G06F16/73—Querying
- G06F16/735—Filtering based on additional data, e.g. user or group profiles
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开一种资源推荐方法及系统，涉及数据处理技术领域，为实现根据用户的不同进行个性化推荐。所述资源推荐方法包括：采集用户的生物特征，并将采集到的生物特征与存储在生物特征库中的生物特征进行匹配；当采集到的生物特征与存储在生物特征库中的生物特征匹配成功时，则根据匹配成功的生物特征的用户编号的历史观看记录，为用户提供资源推荐列表，记录用户的本次观看记录；否则，将采集到的生物特征存储到生物特征库中，分配对应的用户编号，记录用户的本次观看记录。本发明通过识别用户，并根据识别的用户的历史观看记录，为用户提供资源推荐列表，实现根据用户的不同进行个性化推荐。
Description
技术领域
本发明涉及数据处理技术领域，尤其涉及一种资源推荐方法及系统。
背景技术
随着科学技术以及网络技术的快速发展，人们逐渐开始使用智能设备(如智能电视、智能机器人、智能穿戴产品等)丰富自己的生活，例如，人们通常会使用智能电视观看影视资源。
然而，由于现在网络技术的高度发达，资源库中通常包括大量的资源，人们要想在包含有大量资源的资源库中挑选出自己喜欢的资源进行观看，其难度非常大。因此，急需要研究出一种结合用户喜好的个性化资源推荐方法及系统，以实现根据用户的不同进行个性化推荐。
发明内容
本发明的目的在于提供一种资源推荐方法，用于实现根据用户的不同进行个性化推荐。
为了实现上述目的，本发明提供如下技术方案：
一种资源推荐方法，包括：
采集用户的生物特征，并将采集到的生物特征与存储在生物特征库中的生物特征进行匹配；
当采集到的生物特征与存储在生物特征库中的生物特征匹配成功时，则根据匹配成功的生物特征的用户编号的历史观看记录，为用户提供资源推荐列表，记录用户的本次观看记录；否则，将采集到的生物特征存储到生物特征库中，分配对应的用户编号，记录用户的本次观看记录。
可选的，根据匹配成功的生物特征的用户编号的历史观看记录，为用户提供资源推荐列表，包括：
对资源库中每个资源进行分类标签化操作，形成资源分类表；其中，资源分类表包括资源类别和资源标签两个维度；
根据历史观看记录以及资源分类表，构建观看历史数据表；其中，观看历史数据表包括资源类别和资源标签两个维度，观看历史数据表中，每个单元格中的数字表示在对应资源类别下的对应资源标签的得分；
根据观看历史数据表以及资源分类表，获取资源推荐列表。
可选的，构建观看历史数据表，包括：
提取历史观看记录，判断历史观看记录的观看内容比例是否大于或等于记录有效判定值；观看内容比例为所观看的内容占据所观看的资源的总内容的比例；
如果是，则确定历史观看记录为有效记录，并对有效记录对应的资源在观看历史数据表中的单元格的得分进行加分；如果否，则确定历史观看记录为无效记录，不对观看历史数据表进行操作。
可选的，获取资源推荐列表，包括：
根据观看历史数据表，采用归一化处理，绘制资源类别的统计直方图；
根据资源类别的统计直方图、以及资源推荐列表的推荐总数，确定资源推荐列表中的待推荐资源类别以及各待推荐资源类别的推荐数量；
获取最近的M次历史观看记录，根据最近的M次历史观看记录以及资源分类表，构建观看历史权重表；其中，观看历史权重表包括资源类别和资源标签两个维度，观看历史权重表中，每个单元格中的数字表示在对应资源类别下的对应资源标签的权重分；
根据观看历史权重表、资源推荐列表中的待推荐资源类别以及各待推荐资源类别的推荐数量，确定资源推荐列表中待推荐资源类别下的待推荐资源。
可选的，确定资源推荐列表中的待推荐资源类别以及各待推荐资源类别的推荐数量，包括：
根据资源类别的统计直方图，选取直方图值大于或等于类别预选阈值的资源类别，作为资源推荐列表中的待推荐资源类别；
根据资源类别的统计直方图中待推荐资源类别的直方图值、以及资源推荐列表的推荐总数，确定各待推荐资源类别的推荐数量。
可选的，构建观看历史权重表，包括：
获取最近的M次历史观看记录；
判断历史观看记录是否为最近的M/2次历史观看记录；
如果是，则对历史观看记录对应的资源在观看历史权重表中的单元格的权重分增加第一分值；如果否，则对历史观看记录对应的资源在观看历史权重表中的单元格的权重分增加第二分值；第一分值大于第二分值。
可选的，确定资源推荐列表中待推荐资源类别下的待推荐资源，包括：
根据观看历史权重表，对待推荐资源类别下资源标签进行权重排序；
选取权重排序靠前的前Q个资源标签，并对前Q个资源标签的资源进行求交集运算，获取前Q个资源标签的共同资源，该共同资源可作为资源推荐列表中待推荐资源类别下的待推荐资源。
可选的，获取前Q个资源标签的共同资源之后，确定资源推荐列表中待推荐资源类别下的待推荐资源，还包括：
将前Q个资源标签的共同资源的数量与资源推荐列表中对应的待推荐资源类别的推荐数量进行比较；
当前Q个资源标签的共同资源的数量等于资源推荐列表中对应的待推荐资源类别的推荐数量时，则确定该共同资源为资源推荐列表中对应的待推荐资源类别的待推荐资源；
当前Q个资源标签的共同资源的数量大于资源推荐列表中对应的待推荐资源类别的推荐数量时，则根据资源库中共同资源的点击率，对共同资源进行热点排序，选取热点排序靠前的共同资源作为资源推荐列表中对应的待推荐资源类别的待推荐资源；其中，选取的热点排序靠前的共同资源的数量等于资源推荐列表中对应的待推荐资源类别的推荐数量；
当前Q个资源标签的共同资源的数量小于资源推荐列表中对应的待推荐资源类别的推荐数量时，减少选取的资源标签的数量，并对减少后的资源标签的资源进行求交集运算，获取减少后的资源标签的共同资源，直至共同资源的数量不小于资源推荐列表中对应的待推荐资源类别的推荐数量。
可选的，获取资源推荐列表，还包括：
对观看历史数据表中资源类别下的资源标签进行得分排序，确定资源类别下得分排序第一的资源标签为喜好资源标签；
获取喜好资源标签下观看过的资源，构建喜好资源集合D；
获取资源分类表中对应于喜好资源标签的资源，构建喜好资源标签下的热点资源集合S，热点资源集合S中的每个资源的点击率大于或等于预设点击率阈值；
将喜好资源集合D中每个资源的海报、热点资源集合S中每个资源的海报分别输入深度神经网络系统，采用深度学习算法，获取喜好资源集合D中每个资源的海报的特征向量，以及热点资源集合S中每个资源的海报的特征向量；
将热点资源集合S中每个资源的海报的特征向量与喜好资源集合D中每个资源的海报的特征向量进行余弦相似性计算，获取热点资源集合S中每个资源的海报与喜好资源集合D中每个资源的海报的相似度；
根据热点资源集合S中每个资源的海报与喜好资源集合D中每个资源的海报的相似度，选取热点资源集合S中的资源作为资源类别下的待推荐资源。
可选的，所述资源推荐方法还包括：
录入儿童的生物特征；
为儿童的生物特征分配对应的用户编号，并将该用户编号标记为儿童用户；
为儿童用户设置资源观看权限以及观看时长限制。
可选的，所述资源推荐方法还包括：
当采集到的生物特征与存储在生物特征库中的生物特征匹配成功时，判断匹配成功的生物特征的用户编号是否标记为儿童用户；
当匹配成功的生物特征的用户编号标记为儿童用户时，将不适宜儿童观看的资源设定为无法观看；
当儿童用户观看资源的时长大于或等于观看时长限制时，发送关闭命令；
关闭资源播放装置。
可选的，采集用户的生物特征，并将采集到的生物特征与存储在生物特征库中的生物特征进行匹配，包括：
采集用户的生物特征信号；
对采集到的生物特征信号进行信号处理，形成生物特征雏形；
对生物特征雏形进行预处理，获得用户的生物特征；
提取用户的生物特征中的特征值；
将提取的特征值与存储在生物特征库中的生物特征的特征值进行对比。
可选的，生物特征库中的生物特征的存储最大数量具有存储阈值；所述资源推荐方法还包括：
当采集到的生物特征与存储在生物特征库中的生物特征匹配失败时，判断生物特征库中生物特征的个数是否大于存储阈值；
如果否，则将采集到的生物特征存储到生物特征库中，分配对应的用户编号，记录用户的本次观看记录；如果是，则不存储采集到的生物特征，不分配对应的用户编号，且不记录用户的本次观看记录。
可选的，生物特征库包括指纹特征库、掌纹特征库、虹膜特征库、面相特征库、声音特征库中的至少一种。
在本发明提供的资源推荐方法中，先采集用户的生物特征，并将采集到的生物特征与存储在生物特征库中的生物特征进行匹配，然后，当采集到的生物特征与存储在生物特征库中的生物特征匹配成功时，则根据匹配成功的生物特征的用户编号的历史观看记录，为用户提供资源推荐列表，记录用户的本次观看记录；当采集到的生物特征与存储在生物特征库中的生物特征匹配不成功时，则将采集到的生物特征存储到生物特征库中，分配对应的用户编号，记录用户的本次观看记录。也就是说，在本发明提供的资源推荐方法中，先利用采集到的用户的生物特征，对用户的身份进行识别，当识别成功时，则为该用户提供资源推荐裂变，实现为该用户进行资源推荐，同时，还记录该用户的本次观看记录，以便下一次为该用户进行资源推荐，当识别不成功时，则存储该用户的生物特征并为该用户分配对应的用户编号，并记录该用户的本次观看记录，以便下一次对该用户的识别以及为该用户进行资源推荐。因此，在本发明提供的资源推荐方法中，为用户进行资源推荐时，依据的是该用户的历史观看记录，是一种结合用户喜好的个性化资源推荐方法，实现了根据用户的不同进行个性化推荐。
本发明的目的还在于提供一种资源推荐系统，用于实现根据用户的不同进行个性化推荐。
为了实现上述目的，本发明提供如下技术方案：
一种应用如上述技术方案所述的资源推荐方法的资源推荐系统，所述资源推荐系统包括用户识别单元和资源推荐单元，其中，
所述用户识别单元用于采集用户的生物特征，并将采集到的生物特征与存储在生物特征库中的生物特征进行匹配；当采集到的生物特征与存储在生物特征库中的生物特征匹配不成功时，所述用户识别单元还用于存储采集到的生物特征，为采集到的生物特征分配对应的用户编号；
所述资源推荐单元与所述用户识别单元连接，当采集到的生物特征与存储在生物特征库中的生物特征匹配成功时，所述资源推荐单元用于根据匹配成功的生物特征的用户编号的历史观看记录，为用户提供资源推荐列表，记录用户的本次观看记录；当采集到的生物特征与存储在生物特征库中的生物特征匹配不成功时，所述资源推荐单元用于根据所述用户识别单元为采集到的生物特征分配对应的用户编号，记录用户的本次观看记录。
可选的，所述用户识别单元设置在遥控装置、数字多媒体接收装置或/和资源播放装置上；所述资源推荐单元设置在数字多媒体接收装置上。
所述资源推荐系统与上述资源推荐方法相对于现有技术所具有的优势相同，在此不再赘述。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明实施例提供的资源推荐方法的流程图；
图2为图1中步骤S2的流程图；
图3为图2中步骤S22的流程图；
图4为图2中步骤S23的流程图一；
图5为对应于表2的资源类别的统计直方图；
图6为图4中步骤S232的流程图；
图7为图4中步骤S233的流程图；
图8为图5中步骤S234的流程图；
图9为对应于表3中电影下资源标签的统计直方图；
图10为图2中步骤S23的流程图二；
图11为图1中步骤S1的流程图；
图12为本发明实施例提供的资源推荐系统的结构示意图。
附图标记：
1-用户识别单元，2-资源推荐单元。
具体实施方式
为了进一步说明本发明实施例提供的资源推荐方法及系统，下面结合说明书附图进行详细描述。
请参阅图1，本发明实施例提供的资源推荐方法包括：
步骤S1、采集用户的生物特征，并将采集到的生物特征与存储在生物特征库中的生物特征进行匹配。
具体地，在步骤S1中，用户识别单元采集用户的生物特征，并将采集到的生物特征与存储在生物特征库中的生物特征进行匹配，以判断采集到的生物特征是否与存储在生物特征库中的生物特征匹配，当采集到的生物特征与存储在生物特征库中的生物特征匹配时，则表明存在对应的用户的历史观看记录，该用户不是新用户，当采集到的生物特征与存储在生物特征库中的生物特征不匹配时，则表明不存在对应的用户的历史观看记录，该用户为新用户。需要说明的是，用户的生物特征可以为用户的指纹特征、掌纹特征、面相特征、虹膜特征、声音特征等。判断采集到的生物特征是否与存储在生物特征库中的生物特征匹配时，可以采用多种方式，例如，可以预先设定匹配程度阈值如90％，将采集到的生物特征与存储在生物特征库中的生物特征匹配时，可以获取采集到的生物特征与存储在生物特征库中的生物特征之间的匹配度，当该匹配度大于或等于预先设定的匹配程度阈值(90％)时，则表明采集到的生物特征与存储在生物特征库中对应的生物特征匹配，当该匹配度小于预先设定的匹配程度阈值(90％)时，则表明采集到的生物特征与存储在生物特征库中对应的生物特征不匹配；或者，可以预先设定匹配阈值如80％，将采集到的生物特征与存储在生物特征库中的每个生物特征进行匹配，选取匹配度大于或等于预先设定的匹配阈值(80％)的生物特征，并对匹配度大于或等于预先设定的匹配阈值(80％)的生物特征的匹配度进行排序，选择匹配度最大的生物特征则作为与采集到的生物特征匹配成功的生物特征。
步骤S2、当采集到的生物特征与存储在生物特征库中的生物特征匹配成功时，则根据匹配成功的生物特征的用户编号的历史观看记录，为用户提供资源推荐列表，记录用户的本次观看记录；否则，将采集到的生物特征存储到生物特征库中，分配对应的用户编号，记录用户的本次观看记录。
具体地，当用户识别单元判断得知采集到的生物特征与存储在生物特征库中的生物特征匹配成功时，表明存在对应的用户的历史观看记录，资源推荐单元中记录有对应的用户的历史观看记录，该用户不是新用户，此时，资源推荐单元则根据匹配成功的生物特征的用户编号的历史观看记录，为用户提供资源推荐列表，资源推荐列表包括待推荐资源，实现为用户进行资源推荐，同时，资源推荐单元还记录该用户的本次观看记录，作为下一次为该用户进行资源推荐的历史观看记录；当用户识别单元判断得知采集到的生物特征与存储在生物特征库中的生物特征不匹配时，即用户识别单元判断得知采集到的生物特征与存储在生物特征库中的生物特征匹配失败时，则表明不存在对应的用户的历史观看记录，资源推荐单元中未记录对应的用户的历史观看记录，该用户为新用户，此时，资源推荐单元则不能根据历史观看记录为该用户提供资源推荐列表，资源推荐单元不为该用户进行资源推荐，为方便资源推荐单元之后为该用户进行资源推荐，用户识别单元则将采集到的生物特征存储到生物特征库中，并为该生物特征分配对应的用户编号，资源推荐单元则根据对应的用户编号记录用户的本次观看记录。
需要说明的是，上述实施例中，资源可以为影视资源、新闻资源、广告资源等，也就是说，本发明实施例提供的资源推荐方法可以应用于影视资源的推荐、新闻资源的推荐、广告资源的推荐等，在此不做限定。另外，用户在观看资源时，可以使用智能电视、智能穿戴产品、智能机器人、电脑等，本发明实施例提供的资源推荐方法尤其适用于家里的智能电视、智能穿戴产品、智能机器人、智能音响、电脑等，为方便对本发明实施例提供的资源推荐方法的理解，下面以用户采用家里的智能电视观看影视资源为例进行详细说明。
用户采用家里的智能电视观看影视资源时，通常利用遥控装置如遥控器来控制智能电视，如通过按压遥控装置上的开关按键以打开智能电视、通过按压遥控装置上的功能按键以控制智能电视的影视播放、通过对准遥控装置的听筒发出类似“打开电视”的声音指令以打开智能电视、通过对准遥控装置的听筒发出更换影视资源的声音指令以控制智能电视的影视播放等，用户识别单元则可以设置在遥控装置上(需要说明的是，用户识别单元不限于设置在遥控装置上，用户识别单元还可以设置在智能电视、数字多媒体接收装置等上。)，用户识别单元采集用户的生物特征时，可以采集用户的指纹特征，也可以采集用户的声音特征，在此，以用户识别单元采集用户的指纹特征为例进行说明，即此时用户通过按压遥控装置上的按键来控制智能电视。
当用户通过按压遥控装置上的按键如开关按键来控制智能电视时，用户识别单元则采集用户的指纹特征，并将采集到的指纹特征与存储在指纹特征库中的指纹特征进行比对匹配；当用户识别单元判断得知采集到的指纹特征与存储在指纹特征库中的指纹特征匹配成功时，表明存在对应的用户编号，用户识别单元则将对应的用户编号发送给资源推荐单元，资源推荐单元则根据用户识别单元发送的用户编号，提取该用户编号的历史观看记录，并根据该用户编号的历史观看记录，为用户提供资源推荐列表，即为用户进行资源推荐，该资源推荐列表则显示在智能电视上，以供用户进行选择，同时，资源推荐单元记录该用户的本次观看记录，在下一次为该用户进行资源推荐时，将该用户的本次观看记录作为对应的用户编号的历史观看记录；当用户识别单元判断得知采集到的指纹特征与存储在指纹特征库中的指纹特征匹配失败时，表明不存在对应的用户编号，用户识别单元则将采集到的、且未能匹配成功的指纹特征存储到指纹特征库中，并为该指纹特征分配对应的用户编号，用户识别单元将分配的用户编号发送给资源推荐单元，资源推荐单元则记录该用户的本次观看记录，在下一次为该用户进行资源推荐时，将该用户的本次观看记录作为对应的用户编号的历史观看记录。
由上述可知，在本发明实施例提供的资源推荐方法中，先采集用户的生物特征，并将采集到的生物特征与存储在生物特征库中的生物特征进行匹配，然后，当采集到的生物特征与存储在生物特征库中的生物特征匹配成功时，则根据匹配成功的生物特征的用户编号的历史观看记录，为用户提供资源推荐列表，记录用户的本次观看记录；当采集到的生物特征与存储在生物特征库中的生物特征匹配不成功时，则将采集到的生物特征存储到生物特征库中，分配对应的用户编号，记录用户的本次观看记录。也就是说，在本发明实施例提供的资源推荐方法中，先利用采集到的用户的生物特征，对用户的身份进行识别，当识别成功时，则为该用户提供资源推荐列表，实现为该用户进行资源推荐，同时，还记录该用户的本次观看记录，以便下一次为该用户进行资源推荐，当识别不成功时，则存储该用户的生物特征并为该用户分配对应的用户编号，并记录该用户的本次观看记录，以便下一次对该用户的识别以及为该用户进行资源推荐。因此，在本发明实施例提供的资源推荐方法中，为用户进行资源推荐时，依据的是该用户的历史观看记录，是一种结合用户喜好的个性化资源推荐方法，实现了根据用户的不同进行个性化推荐，例如，相比于现有技术中为用户进行资源推荐时，依据智能设备上所有用户的历史观看记录，为用户进行资源推荐相比，本发明实施例考虑了每个用户的不同，为用户寻找自己喜欢的资源提供了方便；同时，本发明实施例提供的资源推荐方法并没有更改其它软硬件，因此，不会影响用户的使用便利性。
请参阅图2，本发明实施例中，在步骤S2中，当采集到的生物特征与存储在生物特征库中的生物特征匹配成功时，根据匹配成功的生物特征的用户编号的历史观看记录，为用户提供资源推荐列表，可以包括：
步骤S21、对资源库中每个资源进行分类标签化操作，形成资源分类表；其中，资源分类表包括资源类别和资源标签两个维度。
步骤S22、根据历史观看记录以及资源分类表，构建观看历史数据表；其中，观看历史数据表包括资源类别和资源标签两个维度，观看历史数据表中，每个单元格中的数字表示在对应资源类别下的对应资源标签的得分。
步骤S23、根据观看历史数据表以及资源分类表，获取资源推荐列表。
以为用户进行影视资源推荐为例进行说明，在步骤S21中，请参阅图2和表1，可以根据资源库中存在的资源的特征，先按照资源类别和资源标签两个维度建立一个待形成资源分类表的表格，如表1所示，该表格的纵向可按照资源类别进行分类，例如，资源类别可以包括电影、电视剧、综艺、音乐、纪录片等，该表格的横向可按照资源标签进行分类，例如，资源标签可以包括悬疑、爱情、喜剧、邓超、年份等；然后，对资源库中每个资源的特征进行分析，将每个资源相应填充至表的对应单元格中，例如，对资源《失恋三十三天》进行分析可以得知，该资源属于“电影”这一资源类别，且属于“爱情”这一资源便签，则将资源《失恋三十三天》填充至表格中同时与“电影”、“爱情”对应的单元格中，再例如，对资源《奔跑吧兄弟》进行分析可以得知，该资源属于“综艺”这一资源类别，该资源满足“喜剧”、“邓超”这两个资源标签分类，则将资源《奔跑吧兄弟》填充至表格中同时与“综艺”、“喜剧”对应的单元格中，同时将资源《奔跑吧兄弟》填充至表格中同时与“综艺”、“邓超”对应的单元格中，如此，对资源库中每个资源进行分类标签化操作，形成资源分类表。
表1资源分类表
需要说明的是，资源分类表可以由资源推荐单元自行根据资源库中的资源形成，也可以直接利用网络中已形成的资源分类表，在此不做限定。值得提出的是，资源分类表随着时间的延续，需要不断的更新，对资源分类表的更新包括多个方面的更新，例如，对资源类别这一维度进行更新，添加新出现的资源类别，例如，对资源标签这一维度进行更新，添加新出现的资源标签，再例如，对新出现的资源进行分析，将新出现的资源填充至相应的单元格中；其中，当在资源分类表中添加新增的资源类别或/和资源标签后，需要对资源库中的每个资源进行分析，以判断资源是否满足新增的资源类别或/和资源标签，并将资源填充至相应的单元格中。
完成资源分类表的形成后，在步骤S22中，请参阅图2和表2，则根据用户编号对应的历史观看记录以及资源分类表，构建观看历史数据表。具体地，可以先按照资源类别和资源标签两个维度建立一个待形成观看历史数据表的表格，该表格中，资源类别的数量、名称、排位顺序等与资源分类表中资源类别的数量、名称、排位顺序等相同，资源标签的数量、名称、排位顺序等与资源分类表中资源标签的数量、名称、排位顺序等相同；然后，根据用户编号对应的历史观看记录中显示的所观看的资源、以及资源分类表，找到历史观看记录中显示的所观看的资源在资源分类表中的单元格，并映射至待形成观看历史数据表的表格中，以计算出待形成观看历史数据表中的每个单元格的得分，即计算出每个资源类别下每个资源标签的得分，对用户编号对应的所有历史观看记录进行分析和统计后，进而形成观看历史数据表，该观看历史数据表可以体现出用户之前观看的资源的喜好。
表2观看历史数据表
完成观看历史数据表的构建后，在步骤S23中，则根据观看历史数据表以及资源分类表，获取资源推荐列表。具体地，对观看历史数据表中每个单元格的得分进行分析，可以在一定程度上获得用户的喜好，然后将该喜好映射至资源分类表中，根据资源分表中对应于用户的喜好的单元格中存在的资源，构建资源推荐列表，以获取资源推荐列表，资源推荐列表中的资源则作为向用户的推荐的资源。
请参阅图3，在上述实施例中，在步骤S22中，构建观看历史数据表，可以包括：
步骤S221、提取历史观看记录，判断历史观看记录的观看内容比例是否大于或等于记录有效判定值；观看内容比例为所观看的内容占据所观看的资源的总内容的比例。
步骤S222、如果是，则确定历史观看记录为有效记录，并对有效记录对应的资源在观看历史数据表中的单元格的得分进行加分；如果否，则确定历史观看记录为无效记录，不对观看历史数据表进行操作。
当在构建观看历史数据表时，资源推荐单元将历史观看记录提取出来后，先判断历史观看记录的观看内容比例是否大于或等于记录有效判定值，即判断历史观看记录的有效性。其中，观看内容比例为所观看的内容占据所观看的资源的总内容的比例；记录有效判定值为预先设定的所观看的内容占据所观看的资源的总内容的比例，记录有效判定值的设定可以根据观看的资源的类型来确定，例如，当观看的资源为影视资源时，记录有效判定值可以根据观看影视资源的时长来设定，如记录有效判定值可以设定为0.2；当观看的资源为网页新闻资源时，记录有效判定值可以根据观看网页新闻资源的时长以及拉动网页的范围共同来设定，其中，观看网页新闻资源的时长需要根据网页新闻资源的文字长度等来确定。当资源推荐单元判断得知历史观看记录的观看内容比例大于或等于记录有效判定值时，即上述判断为是时，则确定该次历史观看记录为有效记录，则根据该次历史观记录显示出的所观看的资源在资源分类表中找到对应的单元格，并映射至观看历史数据表中，对观看历史数据表中对应的单元格的得分进行加分；当资源推荐单元判断得知历史观看记录的观看内容比例小于记录有效判定值时，即上述判断为否时，则确定该次历史观看记录为无效记录，则不对观看历史数据表进行操作。
举例来说，以历史观看记录为观看影视资源为例进行说明，此时，观看内容比例可以利用所观看的时长占据所观看的资源的总时长的比例来计算，假设历史观看记录所观看的资源为爱情电影《失恋三十三天》，《失恋三十三天》的总时长为H，而该次历史观看记录显示出来的所观看的时长为h，则该次历史观看记录的观看内容比例为h/H，则在判断该次历史观看记录是否有效时，则只需要判断该次历史观看记录的观看内容比例h/H是否大于或等于记录有效判定值；当判断得知历史观看记录的观看内容比例h/H大于或等于记录有效判定值时，即该次历史观看记录为有效记录，则对观看历史数据表中对应于《失恋三十三天》的单元格的得分进行加分，其中，所加的分值可以根据实际设定，例如，可以进行加1分的加分；当判断得知历史观看记录的观看内容比例h/H小于记录有效判定值时，即该次历史观看记录为无效记录，则不对观看历史数据表进行操作。
在本发明实施例中，构建观看历史数据表时，提取历史观看记录后，先判断历史观看记录的有效性，然后根据历史观看记录是否有效，确定是否对观看历史数据表中对应单元格的得分进行加分，如此设计，可以去除历史观看记录中的噪音，提高后续获取的资源推荐列表的准确度。
请参阅图4，在本发明实施例中，步骤S23中，获取资源推荐列表，可以包括：
步骤S231、根据观看历史数据表，采用归一化处理，绘制资源类别的统计直方图。
步骤S232、根据资源类别的统计直方图、以及资源推荐列表的推荐总数，确定资源推荐列表中的待推荐资源类别以及各待推荐资源类别的推荐数量。
步骤S233、获取最近的M次历史观看记录，根据最近的M次历史观看记录以及资源分类表，构建观看历史权重表；其中，观看历史权重表包括资源类别和资源标签两个维度，观看历史权重表中，每个单元格中的数字表示在对应资源类别下的对应资源标签的权重分。
步骤S234、根据观看历史权重表、资源推荐列表中的待推荐资源类别以及各待推荐资源类别的推荐数量，确定资源推荐列表中待推荐资源类别下的待推荐资源。
举例来说，以影视资源为例进行说明，请参阅表2和图5，根据构建的观看历史数据表(即表2)，对观看历史数据表进行分析，计算观看历史数据表中每个资源类别的总得分，然后采用归一化处理，绘制出资源类别的统计直方图，如图5所示，资源类别的统计直方图的横轴为资源类别，资源类别的统计直方图的纵轴为分布情况，如此，可以直观得出用户喜欢观看的资源类别。
然后，根据资源类别的统计直方图、以及资源推荐列表的推荐总数，确定资源推荐列表中的待推荐资源类别以及各待推荐资源类别的推荐数量，其中，可以将资源类别的统计直方图中直方图值大于0的资源类别均作为资源推荐列表中的待推荐资源类别，然后根据每个待推荐资源类别在资源类别的统计直方图中的分布情况，按照相应的比例，将资源推荐列表的推荐总数对应分配给每个待推荐资源类别，确定各待推荐资源类别的推荐数量；或者，也可以挑选资源类别的统计直方图中直方图值大于0的资源类别中的部分资源类别，作为资源推荐列表中的待推荐资源类别，然后根据每个待推荐资源类别在资源类别的统计直方图中的分布情况，按照相应比例，将资源推荐列表的推荐总数对应分配给每个待推荐资源类别，确定各待推荐资源类别的推荐数量。
然后，可以先按照资源类别和资源标签两个维度建立一个待形成观看历史权重表的表格，该表格中，资源类别的数量、名称、排位顺序等与资源分类表中资源类别的数量、名称、排位顺序等相同，资源标签的数量、名称、排位顺序等与资源分类表中资源标签的数量、名称、排位顺序等相同；然后获取最近的M次历史观看记录，以M取30为例进行说明，对获取到的最近的30次历史观看记录中的每一次历史观看记录进行分析，根据历史观看记录中显示的所观看的资源、以及资源分类表，找到历史观看记录中显示的所观看的资源在资源分类表中的单元格，并映射至待形成观看历史权重表的表格中，以计算出待形成观看历史权重表中的每个单元格的权重分，即计算出每个资源类别下每个资源标签的权重分，对最近的30次历史观看记录进行分析和统计后，进而形成观看历史权重表，如表3所示，该观看历史权重表可以体现出用户最近的喜好。
然后，则根据观看历史权重表、资源推荐列表中的待推荐资源类别以及各待推荐资源类别的推荐数量，确定资源推荐列表中待推荐资源类别下的待推荐资源。具体地，对观看历史权重表中每个单元格的得分进行分析，可以获得用户最近的喜好，然后将该喜好映射至资源分类表中，根据资源分表中对应于用户的喜好的单元格中存在的资源，构建资源推荐列表，以获取资源推荐列表，资源推荐列表中的资源则作为向用户的推荐的资源。
表3观看历史权重表
请参阅图6，在本发明实施例中，步骤S232中，确定资源推荐列表中的待推荐资源类别以及各待推荐资源类别的推荐数量，可以包括：
步骤S2321、根据资源类别的统计直方图，选取直方图值大于或等于类别预选阈值的资源类别，作为资源推荐列表中的待推荐资源类别。
步骤S2322、根据资源类别的统计直方图中待推荐资源类别的直方图值、以及资源推荐列表的推荐总数，确定各待推荐资源类别的推荐数量。
具体地，在本发明实施例中，在确定资源推荐表中的待推荐资源类别，根据资源类别的统计直方图，选取直方图值大于或等于类别预选阈值的资源类别，这些资源类别则作为资源推荐列表中的待推荐资源类别，其中，类别预选阈值可以根据实际进行设定，例如，类别预选阈值可以设定为0.1，请参阅图5，从图5中看出，电影、电视剧和综艺三种资源类别的直方图值均大于或等于0.1，而其余资源类别的直方图值均小于0.1，则选取电影、电视剧和综艺作为资源推荐列表中的待推荐资源类别，也就是说，最后形成的资源推荐列表的待推荐资源从电影、电视剧和综艺这三种资源类别中选取。如此，可以去除用户之前观看过但喜好不明显的资源类别，将推荐的资源集中在用户较为喜好的资源类别中，可以更加方便用户找到自己喜好的资源。
确定资源推荐列表中的待推荐资源类别后，则根据待推荐资源类别在资源类别的统计直方图中的直方图值、以及资源推荐列表的推荐总数，按照相应的比例，确定各待推荐资源类别的推荐数量。例如，请继续参阅图5，假设图5中资源类别的统计直方图显示电影、电视剧和综艺这三种资源类别符合步骤S2321对直方图值的要求，也就是说，最终确定的资源推荐列表中待推荐资源类别为电影、电视剧和综艺，则获取电影、电视剧和综艺各自的直方图值，如获取得知图5中电影的直方图值为0.6、电视剧的直方图值为0.2、综艺的直方图值为0.15，则可以根据(0.6+0.2+0.15)p＝N，计算获得p，其中，p为分配指数，N为资源推荐列表的推荐总数，进而可以求得电影的推荐数量为0.6p，电视剧的推荐数量为0.2p，综艺的推荐数量为0.15p，完成资源推荐列表中待推荐资源类别的确定以及各待推荐资源类别的推荐数量。
如此设计，可以将最后获取的资源推荐列表中的待推荐资源集中在用户较为喜好的资源类型中，进而可以方便用户找出自己喜好的资源进行观看，提高用户的使用体验。
请参阅图7，在本发明实施例中，步骤S233中，构建观看历史权重表，可以包括：
步骤S2331、获取最近的M次历史观看记录。
步骤S2332、判断历史观看记录是否为最近的M/2次历史观看记录。
步骤S2333、如果是，则对历史观看记录对应的资源在观看历史权重表中的单元格的权重分增加第一分值；如果否，则对历史观看记录对应的资源在观看历史权重表中的单元格的权重分增加第二分值；第一分值大于第二分值。
具体地，在建立观看历史权重表时，可以先从历史观看记录中获取最近的M次历史观看记录，需要说明的是，最近的M次历史观看记录中，每一项历史观看记录均优选为有效记录，即最近的M次历史观看记录中，每一项历史观看记录的观看内容比例大于或等于记录有效判定值。其中，M可以根据实际进行设定，例如，M可以取10～100之间的任何数字，以防止因M取值较小而造成后续构建的观看历史权重表的准确性降低，同时防止因M取值较大而造成在构建观看历史权重表时的计算量增加。获取最近的M次历史观看记录后，对最近的M次历史观看记录进行判断，判断历史观看记录是否为最近的M/2次历史观看记录，举例来说，以M取值为30为例进行说明，获取最近的30次历史观看记录后，对最近的30次历史观看记录中的每项历史观看记录进行判断，判断历史观看记录是否为最近的15次历史观看记录范围。当判断为是时，表明该次历史观看记录距离本次推荐的时间较近，则在资源分类表中找到该次历史观看记录所观看的资源所在的单元格，并映射至观看历史权重表中对应的单元格，对观看历史权重表中对应的单元格的权重分增加第一分值；当判断为否时，表明该次历史观看记录距离本次推荐的时间较远，则在资源分类表中找到该次历史观看记录所观看的资源所在的单元格，并映射至观看历史权重表中对应的单元格，对观看历史权重表中对应的单元格的权重分增加第二分值。其中，第一分值大于第二分值，第一分值和第二分值的确定可以根据实际确定，例如，第一分值可以为2分，第二分值可以为1分，如此设计，使得距离本次推荐的时间较近的历史观看记录的权重大于距离本次推荐的时间较远的历史观看记录的权重，可以更加准确的获得用户近期的喜好，提高为用户提供的资源推荐列表的准确性，方便用户找到自己喜好的资源，提高用户的使用便利性。
请参阅图8，在上述实施例中，在步骤S234中，确定资源推荐列表中待推荐资源类别下的待推荐资源，可以包括：
步骤S2341、根据观看历史权重表，对待推荐资源类别下资源标签进行权重排序。
步骤S2342、选取权重排序靠前的前Q个资源标签，并对前Q个资源标签的资源进行求交集运算，获取前Q个资源标签的共同资源，该共同资源可作为资源推荐列表中待推荐资源类别下的待推荐资源。
具体地，根据观看历史权重表，对待推荐资源类别下资源标签进行权重排序时，可以采用多种方式，例如，假设表3中电影为资源推荐列表中的一个待推荐资源类别，根据表3，可以对电影这一资源类别下的各资源标签的权重分进行统计，并对电影这一资源类别下的各资源标签按照权重分的多少进行权重排序，实现对待推荐资源类别下资源标签的权重排序；或者，假设表3中电影为资源推荐列表中的一个待推荐资源类别，根据表3，采用归一化处理，绘制电影这一资源类别下资源标签的统计直方图，如图9所示，根据图9中显示的各资源标签的直方图值，对资源标签进行权重排序，实现对待推荐资源类别下资源标签进行权重排序。
完成对待推荐资源类别下资源标签进行权重排序后，则可以选取权重排序靠前的前Q个资源标签，根据资源分类表，将这Q个资源标签中每个资源标签下的资源提取出来，然后对这前Q个资源标签的资源进行求交集运算，获取前Q个资源标签的共同资源，该共同资源则可以作为资源推荐列表中待推荐资源类别下的待推荐资源。
请继续参阅图8，在本发明实施例中，在步骤S2342中获取前Q个资源标签的共同资源之后，步骤S234中确定资源推荐列表中待推荐资源类别下的待推荐资源，还可以包括：
步骤S2343、将前Q个资源标签的共同资源的数量与资源推荐列表中对应的待推荐资源类别的推荐数量进行比较。
步骤S2344、当前Q个资源标签的共同资源的数量等于资源推荐列表中对应的待推荐资源类别的推荐数量时，则确定该共同资源为资源推荐列表中对应的待推荐资源类别的待推荐资源。
步骤S2345、当前Q个资源标签的共同资源的数量大于资源推荐列表中对应的待推荐资源类别的推荐数量时，则根据资源库中共同资源的点击率，对共同资源进行热点排序，选取热点排序靠前的共同资源作为资源推荐列表中对应的待推荐资源类别的待推荐资源；其中，选取的热点排序靠前的共同资源的数量等于资源推荐列表中对应的待推荐资源类别的推荐数量。
步骤S2346、当前Q个资源标签的共同资源的数量小于资源推荐列表中对应的待推荐资源类别的推荐数量时，依次减少选取的资源标签的数量，并对减少后的资源标签的资源进行求交集运算，获取减少后的资源标签的共同资源，直至共同资源的数量不小于资源推荐列表中对应的待推荐资源类别的推荐数量。
举例来说，假设电影这一资源类别为资源推荐列表中的一个待推荐资源类别，获取电影中前Q个资源标签的共同资源之后，将电影中前Q个资源标签的共同资源的数量与资源推荐列表中电影这一待推荐资源类别的推荐数量进行比较。当比较得到电影中前Q个资源标签的共同资源的数量等于资源推荐列表中电影的推荐数量时，表明共同资源的数量刚刚好，则可以直接确定该共同资源为资源推荐列表中电影这一待推荐资源类别的待推荐资源；当比较得到电影中前Q个资源标签的共同资源的数量大于资源推荐列表中电影的推荐数量时，表明共同资源的数量多，则需要从共同资源中挑选出部分作为待推荐资源，此时，则可以根据资源库中各共同资源的点击率，对共同资源进行热点排序，选取热点排序靠前的共同资源作为资源推荐列表中电影这一待推荐资源类别的待推荐资源，选取的热点排序靠前的共同资源的数量等于资源推荐列表中电影这一待推荐类别的推荐数量；当比较得到电影中前Q个资源标签的共同资源的数量小于电影的推荐数量时，即获取的前Q个资源标签的共同资源不够时，则可以减少电影中选取的资源标签的数量，并获取数量减少后的资源标签的共同资源，直至共同资源的数量不小于电影的推荐数量，例如，可以先获取电影中权重排序靠前的前Q-1个资源标签的共同资源，当前Q-1个资源标签的共同资源的数量仍然小于电影的推荐数量时，则获取电影中权重排序靠前的前Q-2个资源标签的共同资源，当前Q-2个资源标签的共同资源的数量仍然小于电影的推荐数量时，则获取电影中权重排序靠前的前Q-3个资源标签的共同资源，如此，按照电影这一待推荐资源类别下资源标签的权重排序，逐渐减少选取的资源标签的数量，以获得数量不小于电影的推荐数量的共同资源。
请参阅图10，在本发明实施例中，在步骤S23中，获取资源推荐列表，还可以包括：
步骤S241、对观看历史数据表中资源类别下的资源标签进行得分排序，确定资源类别下得分排序第一的资源标签为喜好资源标签。
步骤S242、获取喜好资源标签下观看过的资源，构建喜好资源集合D。
步骤S243、获取资源分类表中对应于喜好资源标签的资源，构建喜好资源标签下的热点资源集合S，热点资源集合S中的每个资源的点击率大于或等于预设点击率阈值。
步骤S244、将喜好资源集合D中资源的海报、热点资源集合S中资源的海报分别输入深度神经网络系统，采用深度学习算法，获取喜好资源集合D中每个资源的海报的特征向量，以及热点资源集合S中每个资源的海报的特征向量。
步骤S245、将热点资源集合S中每个资源的海报的特征向量与喜好资源集合D中每个资源的海报的特征向量进行余弦相似性计算，获取热点资源集合S中每个资源的海报与喜好资源集合D中每个资源的海报的相似度。
步骤S246、根据热点资源集合S中每个资源的海报与喜好资源集合D中每个资源的海报的相似度，选取热点资源集合S中的资源作为资源类别下的待推荐资源。
举例来说，根据表2、观看历史数据表，对资源类别下的资源标签进行得分排序，选取资源类别下得分排序第一的资源标签为喜好资源标签，也就是说，选取资源类别下得分最高的资源标签为喜好资源标签，例如，对于电影这一资源类别下，爱情这一资源标签的得分最高，在得分排序中为第一，则电影下爱情这一资源标签为喜好资源标签。然后，根据历史观看记录，获取喜好资源标签下观看过的资源，构建喜好资源集合D，例如，假设电影下爱情这一资源标签为喜好资源标签，在电影下爱情这一资源标签下，历史观看记录显示观看过的资源有《失恋三十三天》、《将爱进行到底》、《爱乐之城》，则《失恋三十三天》、《将爱进行到底》、《爱乐之城》构成喜好资源集合D。
然后，将观看历史数据表中资源类别下的喜好资源标签所对应的单元格映射至资源分类表中对应的单元格，获取资源分类表中对应的单元格中的资源，选取点击率大于预设点击率阈值的资源，构建资源类别下喜好资源标签下的热点资源集合S，例如，假设电影下爱情这一资源标签为喜好资源标签，则获取落入资源分类表中对应于电影下爱情这一喜好资源标签的单元格中的资源，并对获取的资源的点击率与预设点击率阈值进行比较，将点击率大于或等于预设点击率阈值的资源挑选出来，构建电影下爱情这一喜好资源标签下的热点资源集合S。
然后，运用深度神经网络系统，采用深度学习算法，对喜好资源集合D中每个资源的海报的特征向量进行提取，并对热点资源集合S中每个资源的海报的特征向量进行提取。
然后，将热点资源集合S中每个资源的海报的特征向量与喜好资源集合D中每个资源的海报的特征向量进行余弦相似性计算，获取热点资源集合S中每个资源的海报与喜好资源集合D中每个资源的海报的相似度；其中，余弦相似性计算所采用的公式为：
公式(1)中，si表示为热点资源集合S中第i个资源，dj表示为喜好资源集合D中第j个资源，c(si,dj)为资源si的海报和资源dj的海报的相似度，为资源si的海报的特征向量，为资源dj的海报的特征向量。
然后，完成对热点资源集合S中每个资源的海报与喜好资源集合D中每个资源的海报的相似度的获取后，对获得各相似度进行排序，选取热点资源集合S中相似度较高的资源作为资源类别下的待推荐资源。
步骤S241至步骤S246中，通过同时对用户的喜好以及资源的点击率的考虑，并加入对用户喜好的资源的海报与热点的资源的海报进行对比，获得待推荐资源，也就是说，为用户在考虑用户喜好的前提下进行热点资源的推荐，该方式可以独立作为获取资源推荐列表的方法，也可以将步骤S241至步骤S246结合至步骤S231至步骤S234中，相互补充，为用户提供资源推荐列表，例如，当步骤S2343中判断得知资源推荐列表中待推荐资源类别下前Q个资源标签的共同资源的数量小于资源推荐列表中对应的待推荐资源类别的推荐数量时，则可以采用步骤S242至步骤S246所述的方法对待推荐资源进行热点补充，而不再减少待推荐资源类别下资源标签的数量。
请继续参阅图1，本发明实施例提供的资源推荐方法还可以包括：
步骤S3、录入儿童的生物特征。
步骤S4、为儿童的生物特征分配对应的用户编号，并将该用户编号标记为儿童用户。
步骤S5、为儿童用户设置资源观看权限以及观看时长限制。
对于家里的智能设备，如果家里有儿童，为了防止儿童观看资源时间过长以及防止为儿童提供不适宜儿童观看的资源，在本发明实施例中，可以先将儿童的生物特征录入用户识别单元中，用户识别单元为儿童的生物特征分配对应的用户编号，并将该用户编号标记为儿童用户，用户识别单元将标记为儿童用户的用户编号发送给资源推荐单元，则可以利用资源推荐单元为该用户编号设置资源观看权限以及观看时长限制，当用户识别单元采集到的用户的生物特征与标记为儿童用户的用户编号对应时，资源推荐单元则在为该用户提供资源推荐列表时，可以将不适宜儿童观看的资源过滤掉，同时，当标记为儿童用户的用户编号观看资源的时长达到观看时长限制时，资源推荐单元则可以发送关闭的命令，将资源播放装置关闭，防止儿童观看资源时间过长。
请继续参阅图1，本发明实施例提供的资源推荐方法还包括：
步骤S1’、当采集到的生物特征与存储在生物特征库中的生物特征匹配成功时，判断匹配成功的生物特征的用户编号是否标记为儿童用户。
步骤S2’、当匹配成功的生物特征的用户编号标记为儿童用户时，将不适宜儿童观看的资源设定为无法观看。
步骤S6、当儿童观看资源的时长大于或等于观看时长限制时，发送关闭命令；
步骤S7、关闭资源播放装置。
具体地，在本发明实施例提供的资源推荐方法中，用户识别单元采集用户的生物特征，并将采集到的生物特征与存储在生物特征库中的生物特征进行匹配。当采集到的生物特征与存储在生物特征库中的生物特征匹配成功时，则判断匹配成功的生物特征的用户编号是否标记为儿童用户，如果是，则表明此时观看资源的用户为儿童，用户识别单元则将该用户编号发送给资源推荐单元，资源推荐单元则将资源库中不适宜儿童观看的资源设定为无法观看，且资源推荐单元在为儿童用户提供资源推荐列表时，同时需要考虑之前设置的资源观看权限，对于不适宜儿童观看的资源、资源观看权限设定为不能观看的资源均不予以推荐，当儿童用户观看资源的时长大于或等于观看时长限制时，资源推荐单元则发出关闭命令，则关闭资源播放装置，防止儿童观看资源时间过长；当匹配成功的生物特征的用户编号未标记为儿童用户时，则表明此时观看资源的用户并非儿童，用户识别单元则将该用户编号发送给资源推荐单元，资源推荐单元则根据该用户编号的历史观看记录，为该用户提供资源推荐列表，并记录该用户的本次观看记录；当采集到的生物特征与存储在生物特征库中的生物特征匹配不成功时，用户识别单元则将采集到的生物特征存储在生物特征库中，并分配对应的用户编号，将用户编号发送给资源推荐单元，资源推荐单元则记录用户的本次观看记录。
值得说明的是，当儿童用户观看资源的时长大于或等于观看时长限制时，资源推荐单元发送关闭命令，资源推荐单元可以将关闭命令直接发送至资源播放装置，使资源播放装置关闭，或者，资源推荐单元也可以将关闭命令发送给控制资源播放装置的遥控装置，遥控装置关闭资源播放装置。
请参阅图11，本发明实施例中，步骤S1中，采集用户的生物特征，并将采集到的生物特征与存储在生物特征库中的生物特征进行匹配，可以包括：
步骤S11、采集用户的生物特征信号。
步骤S12、对采集到的生物特征信号进行信号处理，形成生物特征雏形。
步骤S13、对生物特征雏形进行预处理，获得用户的生物特征。
步骤S14、提取用户的生物特征中的特征值。
步骤S15、将提取的特征值与存储在生物特征库中的生物特征的特征值进行对比。
举例来说，以生物特征为指纹特征为例进行说明，用户识别单元采集用户的生物特征，并将采集到的生物特征与存储在生物特征库中的生物特征进行匹配时，用户识别单元的采集模块采集用户的指纹特征信号，例如，采集模块可以为电容式指纹采集模块，电容式指纹采集模块中的电极与按压在其上的手指之间形成电容，电容式指纹采集模块采集该电容信号，即采集到用户的指纹特征信号；然后，用户识别单元的信号处理模块则对采集模块采集到的指纹特征信号进行信号处理形成生物特征雏形，对于指纹来说，信号处理模块对指纹特征信号进行信号处理后，形成的生物特征雏形可以认为是初步指纹图像；然后，用户识别单元的预处理模块对生物特征雏形进行预处理，获得用户的生物特征，对于指纹来说，预处理模块对初步指纹图像进行图像增强、二值化、细化等预处理，以减少噪声，增强指纹中脊谷对比度，使得指纹图像更加清晰真实，更能体现出指纹特征，便于后续对指纹特征中的特征值的提取，并提高特征值的提取的准确性；然后，用户识别单元的特征提取模块则对用户的生物特征中的特征值进行提取，对于指纹来说，指纹特征可以包括纹形(纹形主要包括环形、弓形、螺旋形等)、终结点(一条纹路在此终结)、分叉点(一条纹路在此分开形成两条或更多的纹路)、分歧点(两条平行的纹路在此分开)、孤立点(一条特别短的纹路，以至于成为一点)、环点(一条纹路分开成为两条后，又合并成为一条)、短纹(一条较短但不至于成为一点的纹路)，提取指纹特征的特征值就是提取特征的类型、方向、曲率位置等；然后，用户识别单元的匹配模块则将提取的特征值与存储在生物特征库中的生物特征的特征值进行对比。
在上述实施例中，生物特征库中可存储生物特征的个数可以不限，也可以根据实际进行限定，例如，在本发明实施例中，可以设定生物特征库中的生物特征的存储数量具有存储阈值；请继续参阅图1，本发明实施例提供的资源推荐方法还包括：
步骤S1”、当采集到的生物特征与存储在生物特征库中的生物特征匹配失败时，判断生物特征库中生物特征的个数是否大于存储阈值。
步骤S2”、如果否，则将采集到的生物特征存储到生物特征库中，分配对应的用户编号，记录用户的本次观看记录；如果是，则不存储采集到的生物特征，不分配对应的用户编号，且不记录用户的本次观看记录。
其中，存储阈值的设定可以根据实际需要设定，例如，对于家里的智能设备，可以根据家里的人数来设定，比如，家里有三口人时，则存储阈值可以设定为3、4或5，家里有四口人时，则存储阈值可以设定为4、5或6。在本发明实施例中，存储阈值可以设定为6。
如此设计，可以防止因生物特征库中生物特征的数量较多而造成在将采集到的生物特征与存储在生物特征库中的生物特征进行匹配时匹配次数增多，从而减少采集到的生物特征与存储在生物特征库中的生物特征进行匹配的时间，提高效率。
上述实施例中，生物特征库可以包括指纹特征库、掌纹特征库、虹膜特征库、面相特征库、声音特征库中的至少一种。以智能设备为智能电视机为例进行说明，当生物特征库包括指纹特征库时，用户识别单元可以设置在控制智能电视机的遥控装置上，其中，用户识别单元的采集模块可以设置开关按键上；当生物特征库包括掌纹特征库时，用户识别单元可以设置在控制智能电视机的遥控装置上，其中，用户识别单元的采集模块可以设置遥控装置的背侧；当生物特征库包括虹膜特征库时，用户识别单元可以设置在控制智能电视机的遥控装置上，或者，用户识别单元也可以设置在智能电视机的显示装置上，或者，用户识别单元也可以设置在智能电视机的机顶盒上；当生物特征库包括面相特征库时，用户识别单元可以设置在控制智能电视机的遥控装置上，或者，用户识别单元也可以设置在智能电视机的显示装置上，或者，用户识别单元也可以设置在智能电视机的机顶盒上；当生物特征库包括声音特征库时，用户识别单元可以设置在控制智能电视机的遥控装置上。
请参阅图12，本发明实施例还提供一种应用如上述实施例所述的资源推荐方法的资源推荐系统，所述资源推荐系统包括用户识别单元1和资源推荐单元2，其中，用户识别单元1用于采集用户的生物特征，并将采集到的生物特征与存储在生物特征库中的生物特征进行匹配；当采集到的生物特征与存储在生物特征库中的生物特征匹配不成功时，用户识别单元1还用于存储采集到的生物特征，为采集到的生物特征分配对应的用户编号；资源推荐单元2与用户识别单元1连接，当采集到的生物特征与存储在生物特征库中的生物特征匹配成功时，资源推荐单元2用于根据匹配成功的生物特征的用户编号的历史观看记录，为用户提供资源推荐列表，记录用户的本次观看记录；当采集到的生物特征与存储在生物特征库中的生物特征匹配不成功时，资源推荐单元2用于根据所述用户识别单元1为采集到的生物特征分配对应的用户编号，记录用户的本次观看记录。
值得一提的是，用户识别单元1与资源推荐单元2连接时，可以采用有线的方式或无线的方式来实现，当用户识别单元1与资源推荐单元2采用无线的方式连接时，可以采用蓝牙、WIFI、红外、射频等方式来实现。
所述资源推荐系统与上述资源推荐方法相对于现有技术所具有的优势相同，在此不再赘述。
在本发明实施例中，用户识别单元1可以设置在遥控装置、数字多媒体接收装置或/和资源播放装置上；资源推荐单元2设置在数字多媒体接收装置上。
需要说明的是，本发明实施例提供的资源推荐系统中，用户识别单元1在实现上述功能时的具体过程以及资源推荐单元2在实现上述功能时的具体过程，均可以参考上述资源推荐方法的描述，在此不做赘述。
在上述实施方式的描述中，具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述，仅为本发明的具体实施方式，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揭露的技术范围内，可轻易想到变化或替换，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以所述权利要求的保护范围为准。
Claims (16)
1.一种资源推荐方法，其特征在于，包括：
采集用户的生物特征，并将采集到的生物特征与存储在生物特征库中的生物特征进行匹配；
当采集到的生物特征与存储在生物特征库中的生物特征匹配成功时，则根据匹配成功的生物特征的用户编号的历史观看记录，为用户提供资源推荐列表，记录用户的本次观看记录；否则，将采集到的生物特征存储到生物特征库中，分配对应的用户编号，记录用户的本次观看记录。
2.根据权利要求1所述的资源推荐方法，其特征在于，
根据匹配成功的生物特征的用户编号的历史观看记录，为用户提供资源推荐列表，包括：
对资源库中每个资源进行分类标签化操作，形成资源分类表；其中，资源分类表包括资源类别和资源标签两个维度；
根据历史观看记录以及资源分类表，构建观看历史数据表；其中，观看历史数据表包括资源类别和资源标签两个维度，观看历史数据表中，每个单元格中的数字表示在对应资源类别下的对应资源标签的得分；
根据观看历史数据表以及资源分类表，获取资源推荐列表。
3.根据权利要求2所述的资源推荐方法，其特征在于，
构建观看历史数据表，包括：
提取历史观看记录，判断历史观看记录的观看内容比例是否大于或等于记录有效判定值；观看内容比例为所观看的内容占据所观看的资源的总内容的比例；
如果是，则确定历史观看记录为有效记录，并对有效记录对应的资源在观看历史数据表中的单元格的得分进行加分；如果否，则确定历史观看记录为无效记录，不对观看历史数据表进行操作。
4.根据权利要求2所述的资源推荐方法，其特征在于，
获取资源推荐列表，包括：
根据观看历史数据表，采用归一化处理，绘制资源类别的统计直方图；
根据资源类别的统计直方图、以及资源推荐列表的推荐总数，确定资源推荐列表中的待推荐资源类别以及各待推荐资源类别的推荐数量；
获取最近的M次历史观看记录，根据最近的M次历史观看记录以及资源分类表，构建观看历史权重表；其中，观看历史权重表包括资源类别和资源标签两个维度，观看历史权重表中，每个单元格中的数字表示在对应资源类别下的对应资源标签的权重分；
根据观看历史权重表、资源推荐列表中的待推荐资源类别以及各待推荐资源类别的推荐数量，确定资源推荐列表中待推荐资源类别下的待推荐资源。
5.根据权利要求4所述的资源推荐方法，其特征在于，
确定资源推荐列表中的待推荐资源类别以及各待推荐资源类别的推荐数量，包括：
根据资源类别的统计直方图，选取直方图值大于或等于类别预选阈值的资源类别，作为资源推荐列表中的待推荐资源类别；
根据资源类别的统计直方图中待推荐资源类别的直方图值、以及资源推荐列表的推荐总数，确定各待推荐资源类别的推荐数量。
6.根据权利要求4所述的资源推荐方法，其特征在于，
构建观看历史权重表，包括：
获取最近的M次历史观看记录；
判断历史观看记录是否为最近的M/2次历史观看记录；
如果是，则对历史观看记录对应的资源在观看历史权重表中的单元格的权重分增加第一分值；如果否，则对历史观看记录对应的资源在观看历史权重表中的单元格的权重分增加第二分值；第一分值大于第二分值。
7.根据权利要求4所述的资源推荐方法，其特征在于，
确定资源推荐列表中待推荐资源类别下的待推荐资源，包括：
根据观看历史权重表，对待推荐资源类别下资源标签进行权重排序；
选取权重排序靠前的前Q个资源标签，并对前Q个资源标签的资源进行求交集运算，获取前Q个资源标签的共同资源，该共同资源可作为资源推荐列表中待推荐资源类别下的待推荐资源。
8.根据权利要求7所述的资源推荐方法，其特征在于，
获取前Q个资源标签的共同资源之后，确定资源推荐列表中待推荐资源类别下的待推荐资源，还包括：
将前Q个资源标签的共同资源的数量与资源推荐列表中对应的待推荐资源类别的推荐数量进行比较；
当前Q个资源标签的共同资源的数量等于资源推荐列表中对应的待推荐资源类别的推荐数量时，则确定该共同资源为资源推荐列表中对应的待推荐资源类别的待推荐资源；
当前Q个资源标签的共同资源的数量大于资源推荐列表中对应的待推荐资源类别的推荐数量时，则根据资源库中共同资源的点击率，对共同资源进行热点排序，选取热点排序靠前的共同资源作为资源推荐列表中对应的待推荐资源类别的待推荐资源；其中，选取的热点排序靠前的共同资源的数量等于资源推荐列表中对应的待推荐资源类别的推荐数量；
当前Q个资源标签的共同资源的数量小于资源推荐列表中对应的待推荐资源类别的推荐数量时，减少选取的资源标签的数量，并对减少后的资源标签的资源进行求交集运算，获取减少后的资源标签的共同资源，直至共同资源的数量不小于资源推荐列表中对应的待推荐资源类别的推荐数量。
9.根据权利要求2所述的资源推荐方法，其特征在于，获取资源推荐列表，还包括：
对观看历史数据表中资源类别下的资源标签进行得分排序，确定资源类别下得分排序第一的资源标签为喜好资源标签；
获取喜好资源标签下观看过的资源，构建喜好资源集合D；
获取资源分类表中对应于喜好资源标签的资源，构建喜好资源标签下的热点资源集合S，热点资源集合S中的每个资源的点击率大于或等于预设点击率阈值；
将喜好资源集合D中每个资源的海报、热点资源集合S中每个资源的海报分别输入深度神经网络系统，采用深度学习算法，获取喜好资源集合D中每个资源的海报的特征向量，以及热点资源集合S中每个资源的海报的特征向量；
将热点资源集合S中每个资源的海报的特征向量与喜好资源集合D中每个资源的海报的特征向量进行余弦相似性计算，获取热点资源集合S中每个资源的海报与喜好资源集合D中每个资源的海报的相似度；
根据热点资源集合S中每个资源的海报与喜好资源集合D中每个资源的海报的相似度，选取热点资源集合S中的资源作为资源类别下的待推荐资源。
10.根据权利要求1所述的资源推荐方法，其特征在于，所述资源推荐方法还包括：
录入儿童的生物特征；
为儿童的生物特征分配对应的用户编号，并将该用户编号标记为儿童用户；
为儿童用户设置资源观看权限以及观看时长限制。
11.根据权利要求10所述的资源推荐方法，其特征在于，所述资源推荐方法还包括：
当采集到的生物特征与存储在生物特征库中的生物特征匹配成功时，判断匹配成功的生物特征的用户编号是否标记为儿童用户；
当匹配成功的生物特征的用户编号标记为儿童用户时，将不适宜儿童观看的资源设定为无法观看；
当儿童用户观看资源的时长大于或等于观看时长限制时，发送关闭命令；
关闭资源播放装置。
12.根据权利要求1所述的资源推荐方法，其特征在于，
采集用户的生物特征，并将采集到的生物特征与存储在生物特征库中的生物特征进行匹配，包括：
采集用户的生物特征信号；
对采集到的生物特征信号进行信号处理，形成生物特征雏形；
对生物特征雏形进行预处理，获得用户的生物特征；
提取用户的生物特征中的特征值；
将提取的特征值与存储在生物特征库中的生物特征的特征值进行对比。
13.根据权利要求1所述的资源推荐方法，其特征在于，生物特征库中的生物特征的存储数量具有存储阈值；所述资源推荐方法还包括：
当采集到的生物特征与存储在生物特征库中的生物特征匹配失败时，判断生物特征库中生物特征的个数是否大于存储阈值；
如果否，则将采集到的生物特征存储到生物特征库中，分配对应的用户编号，记录用户的本次观看记录；如果是，则不存储采集到的生物特征，不分配对应的用户编号，且不记录用户的本次观看记录。
14.根据权利要求1所述的资源推荐方法，其特征在于，生物特征库包括指纹特征库、掌纹特征库、虹膜特征库、面相特征库、声音特征库中的至少一种。
15.一种应用如权利要求1～14任一所述的资源推荐方法的资源推荐系统，其特征在于，所述资源推荐系统包括用户识别单元和资源推荐单元，其中，
所述用户识别单元用于采集用户的生物特征，并将采集到的生物特征与存储在生物特征库中的生物特征进行匹配；当采集到的生物特征与存储在生物特征库中的生物特征匹配不成功时，所述用户识别单元还用于存储采集到的生物特征，为采集到的生物特征分配对应的用户编号；
所述资源推荐单元与所述用户识别单元连接，当采集到的生物特征与存储在生物特征库中的生物特征匹配成功时，所述资源推荐单元用于根据匹配成功的生物特征的用户编号的历史观看记录，为用户提供资源推荐列表，记录用户的本次观看记录；当采集到的生物特征与存储在生物特征库中的生物特征匹配不成功时，所述资源推荐单元用于根据所述用户识别单元为采集到的生物特征分配对应的用户编号，记录用户的本次观看记录。
16.根据权利要求15所述的资源推荐系统，其特征在于，所述用户识别单元设置在遥控装置、数字多媒体接收装置或/和资源播放装置上；所述资源推荐单元设置在数字多媒体接收装置上。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810260743.0A CN110309358A (zh) | 2018-03-27 | 2018-03-27 | 一种资源推荐方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810260743.0A CN110309358A (zh) | 2018-03-27 | 2018-03-27 | 一种资源推荐方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110309358A true CN110309358A (zh) | 2019-10-08 |
Family
ID=68073776
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810260743.0A Pending CN110309358A (zh) | 2018-03-27 | 2018-03-27 | 一种资源推荐方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110309358A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111552875A (zh) * | 2020-04-27 | 2020-08-18 | 深圳市鸿合创新信息技术有限责任公司 | 一种资源推荐方法、系统及电子设备 |
| CN111767430A (zh) * | 2020-06-30 | 2020-10-13 | 平安国际智慧城市科技股份有限公司 | 视频资源推送方法、视频资源推送装置及存储介质 |
| CN113094444A (zh) * | 2020-01-09 | 2021-07-09 | 北京沃东天骏信息技术有限公司 | 数据处理方法、数据处理装置、计算机设备和介质 |
| CN113378050A (zh) * | 2021-06-11 | 2021-09-10 | 北京百度网讯科技有限公司 | 用户分类方法、装置和电子设备 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102236669A (zh) * | 2010-04-30 | 2011-11-09 | 腾讯科技（深圳）有限公司 | 推荐列表的生成方法和装置、媒体服务器、客户端及方法 |
| US20140280140A1 (en) * | 2013-03-14 | 2014-09-18 | The Directv Group, Inc. | Method and system for displaying recommended content such as movies associated with a cluster |
| CN105959749A (zh) * | 2016-04-28 | 2016-09-21 | 乐视控股（北京）有限公司 | 一种智能终端、遥控器、推荐方法及系统 |
| CN106446266A (zh) * | 2016-10-18 | 2017-02-22 | 微鲸科技有限公司 | 推荐用户喜爱内容的方法以及内容推荐系统 |
| CN106815364A (zh) * | 2017-01-24 | 2017-06-09 | 百度在线网络技术（北京）有限公司 | 内容推送方法和装置 |
| CN108363730A (zh) * | 2018-01-12 | 2018-08-03 | 优地网络有限公司 | 一种内容推荐方法、系统及终端设备 |
-
2018
- 2018-03-27 CN CN201810260743.0A patent/CN110309358A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102236669A (zh) * | 2010-04-30 | 2011-11-09 | 腾讯科技（深圳）有限公司 | 推荐列表的生成方法和装置、媒体服务器、客户端及方法 |
| US20140280140A1 (en) * | 2013-03-14 | 2014-09-18 | The Directv Group, Inc. | Method and system for displaying recommended content such as movies associated with a cluster |
| CN105959749A (zh) * | 2016-04-28 | 2016-09-21 | 乐视控股（北京）有限公司 | 一种智能终端、遥控器、推荐方法及系统 |
| CN106446266A (zh) * | 2016-10-18 | 2017-02-22 | 微鲸科技有限公司 | 推荐用户喜爱内容的方法以及内容推荐系统 |
| CN106815364A (zh) * | 2017-01-24 | 2017-06-09 | 百度在线网络技术（北京）有限公司 | 内容推送方法和装置 |
| CN108363730A (zh) * | 2018-01-12 | 2018-08-03 | 优地网络有限公司 | 一种内容推荐方法、系统及终端设备 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113094444A (zh) * | 2020-01-09 | 2021-07-09 | 北京沃东天骏信息技术有限公司 | 数据处理方法、数据处理装置、计算机设备和介质 |
| CN111552875A (zh) * | 2020-04-27 | 2020-08-18 | 深圳市鸿合创新信息技术有限责任公司 | 一种资源推荐方法、系统及电子设备 |
| CN111767430A (zh) * | 2020-06-30 | 2020-10-13 | 平安国际智慧城市科技股份有限公司 | 视频资源推送方法、视频资源推送装置及存储介质 |
| CN111767430B (zh) * | 2020-06-30 | 2021-05-25 | 平安国际智慧城市科技股份有限公司 | 视频资源推送方法、视频资源推送装置及存储介质 |
| CN113378050A (zh) * | 2021-06-11 | 2021-09-10 | 北京百度网讯科技有限公司 | 用户分类方法、装置和电子设备 |
| CN113378050B (zh) * | 2021-06-11 | 2023-10-31 | 北京百度网讯科技有限公司 | 用户分类方法、装置和电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20220245213A1 (en) | Content recommendation method and apparatus, electronic device, and storage medium | |
| CN110309358A (zh) | 一种资源推荐方法及系统 | |
| CN106897363B (zh) | 基于眼动追踪的文本推荐方法 | |
| CN105095187A (zh) | 一种搜索意图识别方法及装置 | |
| CN110532379B (zh) | 一种基于lstm的用户评论情感分析的电子资讯推荐方法 | |
| CN110929098B (zh) | 视频数据的处理方法、装置、电子设备及存储介质 | |
| CN104133817A (zh) | 网络社区交互方法、装置及网络社区平台 | |
| CN111914156A (zh) | 自适应标签感知的图卷积网络跨模态检索方法、系统 | |
| Jin | Dropout prediction model in MOOC based on clickstream data and student sample weight | |
| CN111125540A (zh) | 一种融合知识图谱表示学习和偏置矩阵分解的推荐方法 | |
| CN113239209A (zh) | 基于RankNet-transformer的知识图谱个性化学习路径推荐方法 | |
| Zhong et al. | Design of a personalized recommendation system for learning resources based on collaborative filtering | |
| CN110955775A (zh) | 一种基于隐式问询的绘本推荐方法 | |
| CN112749291A (zh) | 一种图文匹配的方法和装置 | |
| CN104331717B (zh) | 一种整合特征字典结构与视觉特征编码的图像分类方法 | |
| CN101894166A (zh) | 网络智能搜索引擎系统 | |
| CN112395494B (zh) | 一种基于生成对抗网络的双向动态推荐系统 | |
| CN113723853A (zh) | 岗位胜任力需求数据处理方法及装置 | |
| CN111191059B (zh) | 图像处理方法、装置、计算机存储介质及电子设备 | |
| CN112231547A (zh) | 一种基于知识图谱的内容推荐方法和系统 | |
| CN111223014B (zh) | 一种从大量细分教学内容在线生成细分场景教学课程的方法和系统 | |
| WO2023000811A1 (zh) | 一种饮用酒制作方式的共享方法、装置及服务器 | |
| CN115269961A (zh) | 内容搜索方法以及相关设备 | |
| CN115936939A (zh) | 基于多偏好度的项目推荐方法及系统 | |
| CN115187910A (zh) | 视频分类模型训练方法、装置、电子设备及存储介质 |
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 |