CN110472071A - 多媒体文件推荐方法、装置、网络设备及存储介质 - Google Patents
多媒体文件推荐方法、装置、网络设备及存储介质 Download PDFInfo
- Publication number
- CN110472071A CN110472071A CN201910595766.1A CN201910595766A CN110472071A CN 110472071 A CN110472071 A CN 110472071A CN 201910595766 A CN201910595766 A CN 201910595766A CN 110472071 A CN110472071 A CN 110472071A
- Authority
- CN
- China
- Prior art keywords
- multimedia file
- user
- comprehensive score
- recommendation
- behavioural information
- 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
- G06F16/40—Information retrieval; Database structures therefor; File system structures therefor of multimedia data, e.g. slideshows comprising image and additional audio data
- G06F16/43—Querying
- G06F16/435—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及信息处理技术,公开了一种多媒体文件推荐方法,包括获取目标用户的历史多媒体文件的播放记录的K种预设用户行为信息;融合所述K种预设用户行为信息以获取所述历史多媒体文件的第一综合评分;根据所述第一综合评分和推荐算法获取所述目标用户的推荐多媒体文件。本发明实施方式中提供的多媒体文件推荐方法、装置、网络设备及存储介质,可以提高推荐给用户的多媒体文件的推荐精度。
Description
技术领域
本发明涉及信息处理技术,特别涉及一种多媒体文件推荐方法、装置、网络设备及存储介质。
背景技术
多媒体文件推荐,是指通过一定的算法将多媒体文件推荐给用户,满足用户的个性化需求。
目前,多媒体文件推荐的方法一般通过协同过滤算法或基于关联规则推荐,但是基于协同过滤算法的方法一般会遇到评分信息稀疏的问题,导致计算的结果存在较大偏差,推荐的效果不佳;而基于关联规则推荐的方法由于其中的关联规则提取困难,且难以估算用户对多媒体文件的喜欢程度,推荐的效果也不理想。
综上所述,目前的多媒体文件推荐方法的精度不高,难以满足用户的个性化需求。
发明内容
本发明实施方式的目的在于提供一种多媒体文件推荐方法、装置、网络设备及存储介质,使得多媒体文件的推荐精度更高。
为解决上述技术问题,本发明的实施方式提供了一种多媒体文件推荐方法,包括:获取目标用户的历史多媒体文件的播放记录的K种预设用户行为信息;融合所述K种预设用户行为信息以获取所述历史多媒体文件的第一综合评分;根据所述第一综合评分和推荐算法获取所述目标用户的推荐多媒体文件。
本发明的实施方式还提供一种多媒体文件推荐装置,包括:用户行为获取模块,用于获取历史多媒体文件的播放记录的K种预设用户行为信息;综合评分获取模块,用于融合所述K种预设用户行为信息以获取所述历史多媒体文件的第一综合评分;推荐文件获取模块,用于根据所述第一综合评分和推荐算法获取所述目标用户的推荐多媒体文件。
本发明的实施方式还提供一种网络设备,包括:至少一个处理器;以及,与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行上述的多媒体文件推荐方法。
本发明的实施方式还提供了一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时实现上述多媒体文件推荐方法。
本发明实施方式相对于现有技术而言,提供了一种多媒体文件推荐方法,通过先获取目标用户的历史多媒体文件的K种预设用户行为信息,再对K种预设用户行为信息进行融合得到历史多媒体文件的第一综合评分,最后在第一综合评分的基础上实施推荐算法计算出推荐给用户的多媒体文件。由于在实施推荐算法前先对用户的K种预设行为信息进行信息融合,因此可以能更准确反映用户对历史多媒体文件的喜好程度,从而提高推荐的精度。
另外,所述K种预设用户行为信息包括一种核心用户行为信息和K-1种剩余用户行为信息;所述融合所述K种预设用户行为信息以获取所述历史多媒体文件的第一综合评分,包括:根据以下第一计算公式计算所述历史多媒体文件的第一综合评分:
r=y+α·(f(Q)-y);
其中,r为所述第一综合评分,y为用于表征所述核心用户行为信息的核心行为值,α为补偿系数,f(Q)为所述剩余用户行为信息对所述核心用户行为信息的估计函数,Q为表征所述剩余用户行为信息的剩余行为值。通过第一计算公式可以有效对K种预设用户行为信息进行信息融合,从而提高多媒体文件推荐的精度。
另外,所述估计函数为线性函数:f(Q)=θ0+θ1q1+θ2q2+…+θK-1qK-1,包括K个待定系数θ=(θ0,θ1,…,θK-1),其中,(q1,q2,…,qK-1)为所述剩余行为值;所述根据第一计算公式计算所述历史多媒体文件的第一综合评分,包括:采用梯度下降法或矩阵法确定所述K个待定系数;根据确定后的所述K个待定系数得到所述估计函数,并根据所述估计函数得到所述第一计算公式;根据所述第一计算公式计算所述历史多媒体文件的第一综合评分。通过梯度下降法或矩阵法确定K个待定系统,可以使剩余行为值得到一合理权重系数,使剩余用户行为信息更加有效地反映用户对多媒体文件的喜好程度。
另外,所述核心用户行为信息为播放次数信息,所述剩余用户行为信息包括播放时长信息和播放音量信息。
另外,所述根据所述第一综合评分和推荐算法获取所述目标用户的推荐多媒体文件,包括:根据所述第一计算公式获取M个其他用户对相应的历史多媒体文件的第二综合评分,并根据所述第二综合评分和所述第一综合评分形成评分集,其中,M为正整数;根据所述评分集和推荐算法获取所述目标用户的推荐多媒体文件。通过对其它用户对相应历史多媒体文件的评分进行计算,将计算的结果与目标用户的第一综合评分形成评分集,再在评分集的基础使用推荐算法计算推荐多媒体文件,可以结合其它用户的评分信息来增加目标用户对多媒体文件的信息面,提高推荐的精度。
另外,所述推荐算法为协同过滤算法;所述根据所述第一综合评分和推荐算法获取所述目标用户的推荐多媒体文件,包括:根据所述第一综合评分和所述协同过滤算法计算每一待定多媒体文件对应的用户估算评分;获取用户估算评分最高的前N个所述待定多媒体文件作为所述目标用户的推荐多媒体文件,其中,N为正整数。通过根据第一综合评分和协同过滤算法计算每一待定多媒体文件对应的用户估算评分,获取用户估算评分最高的前N个待定多媒体文件作为目标用户的推荐多媒体文件,可以有效利用根据K种预设用户行为信息得到的第一综合评分,计算出推荐给用户的多媒体文件,提高了推荐的精度。
另外,所述根据所述第一综合评分和所述协同过滤算法计算每一待定多媒体文件的用户估算评分,包括:计算任意两个多媒体文件的余弦相似度;根据所述余弦相似度、所述第一综合评分和以下第二计算公式获取每一所述待定多媒体文件的所述用户估算评分:
其中,Pu,j为目标用户u对多媒体文件j的用户估算评分,sim(i,j)为多媒体文件i与多媒体文件j的余弦相似度,ru,i为目标用户u对多媒体文件i的第一综合评分,n为多媒体文件的数量。
附图说明
一个或多个实施方式通过与之对应的附图中的图片进行示例性说明,这些示例性说明并不构成对实施例的限定,附图中具有相同参考数字标号的元件表示为类似的元件,除非有特别申明,附图中的图不构成比例限制。
图1是本发明第一实施方式中多媒体文件推荐方法的一流程示意图;
图2是本发明第二实施方式中多媒体文件推荐方法中步骤102的一流程示意图;
图3是本发明第二实施方式中多媒体文件推荐方法中步骤103的一流程示意图;
图4是本发明第二实施方式中多媒体文件推荐方法中步骤103的另一流程示意图;
图5是本发明第三实施方式中多媒体文件推荐装置的一原理框图;
图6是本发明第四实施方式中网络设备的一结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明的各实施方式进行详细的阐述。然而,本领域的普通技术人员可以理解,在本发明各实施方式中,为了使读者更好地理解本申请而提出了许多技术细节。但是,即使没有这些技术细节和基于以下各实施方式的种种变化和修改,也可以实现本申请所要求保护的技术方案。
本发明的第一实施方式涉及一种多媒体文件推荐方法。本实施方式的核心在于获取目标用户的历史多媒体文件的播放记录的K种预设用户行为信息;融合K种预设用户行为信息以获取历史多媒体文件的第一综合评分;根据第一综合评分和推荐算法获取目标用户的推荐多媒体文件。本实施方式中通过对用户的多种用户行为信息进行融合,可以获取用户对多媒体文件的喜好程度,再在这个基础上实施推荐算法,可以使推荐的结果符合用户的喜好需求,从而提高多媒体文件的推荐精度。
下面对本实施方式的多媒体文件推荐方法的实现细节进行具体的说明,以下内容仅为方便理解提供的实现细节,并非实施本方案的必须。
本实施方式的多媒体文件推荐方法的一流程示意图如图1所示,该方法可以由后台服务器来执行,具体包括以下步骤:
步骤101:获取目标用户的历史多媒体文件的播放记录的K种预设用户行为信息,其中,K为正整数。
其中,目标用户是指推荐多媒体文件的对象用户。多媒体文件包括音乐、视频或其它多媒体文件。历史多媒体文件是指用户播放过的多媒体文件。用户行为信息是指用户对多媒体文件的操作行为信息,例如播放、调整音量和点击收藏等行为信息,K种预设用户行为信息可以根据实际需要进行预设,本实施方式对此不做限制,其中,K为正整数。
可选地,目标用户通过客户端登录,当目标用户对多媒体文件进行操作时,后台服务器记录下相应的用户行为信息,并与目标用户的标识绑定存储于后台服务器中形成目标用户的历史多媒体文件的播放记录,这样后台服务器可根据目标用户的历史多媒体文件的播放记录获取K种预设用户行为信息。
步骤102:融合K种预设用户行为信息以获取历史多媒体文件的第一综合评分。
其中,融合K种预设用户行为信息是指对K种预设行为信息进行整合,以得到用户对历史多媒体文件的喜好程度的信息。
可选地,后台服务器可以预先设置一个评分表,然后根据预设用户行为信息对历史多媒体文件进行评分,最后根据K种预设用户行为信息得到用户对该历史多媒体文件的第一综合评分。
可选地,后台服务器也可以预先设置一个计算公式,对K种预设用户信息设置不同的权重系数,最后将K种预设用户行为信息代入计算公式可以得到用户对历史多媒体文件的第一综合评分。
步骤103:根据第一综合评分和推荐算法获取目标用户的推荐多媒体文件。
其中,推荐算法可以包括基于内容推荐、协同过滤推荐、基于规则推荐和基于效用推荐等推荐算法,具体可以根据实际情况进行设置,本实施方式对此不做具体限制。
具体地,后台服务器可以结合预先设置的推荐算法和第一综合评分计算出用户未播放过的多媒体文件的用户评分,再将用户评分高的多媒体文件作为推荐多媒体文件推荐给目标用户。
与现有技术相比,本实施方式提供一种多媒体文件推荐方法,先获取目标用户的历史多媒体文件的K种预设用户行为信息,再对K种预设用户行为信息进行融合得到历史多媒体文件的第一综合评分,最后在第一综合评分的基础上实施推荐算法计算出推荐给用户的多媒体文件。由于在实施推荐算法前先对用户的K种预设行为信息进行信息融合,因此可以能更准确反映用户对历史多媒体文件的喜好程度,从而提高推荐的精度。
本发明的第二实施方式涉及一种多媒体文件推荐方法。第二实施方式与第一实施方式大致相同,主要区别之处在于:本实施方式的K种预设用户行为信息包括一种核心用户行为信息和K-1种剩余用户行为信息,然后利用第一计算公式对K种预设用户行为信息进行计算,得到K种预设用户行为信息的融合。通过第一计算公式可以更加有效对K种预设用户行为信息进行信息融合,从而提高多媒体文件推荐的精度。
其中,第一计算公式为:
r=y+α·(f(Q)-y);
其中,r为第一综合评分,y为用于表征核心用户行为信息的核心行为值,α为补偿系数,f(Q)为剩余用户行为信息对核心用户行为信息的估计函数,Q为表征剩余用户行为信息的剩余行为值。
本实施方式中,核心用户行为信息和剩余用户行为信息可以根据实际需要进行设置。优选地,核心用户行为信息为播放次数信息,剩余用户行为信息包括播放时长信息和播放音量信息。可选地,也可以将两种或以上的用户行为信息作为核心用户行为信息,将剩余的用户行为信息作为剩余用户行为信息。
可选地,在第一计算公式中,y可以通过对核心用户行为信息进行标准化处理后得到。标准化处理过程为:设核心用户行为信息为h,在历史多媒体文件中,获取核心用户行为信息的最大值hmax,则对核心用户行为信息进行标准化得y=h/hmax。
可选地,f(Q)可以为预设权重系数的估计函数,将剩余行为值Q代入估计函数中即可获得用户对历史多媒体文件的第一综合评分。其中,剩余行为值可以通过上述标准化处理过程得到。
在一实施方式中,估计函数为线性函数:f(Q)=θ0+θ1q1+θ2q2+…+θK-1qK-1,包括K个待定系数θ=(θ0,θ1,…,θK-1),其中,(q1,q2,…,qK-1)为自变量Q,即剩余行为值,如图2所示,具体可以包括以下步骤:
步骤201:采用梯度下降法或矩阵法确定K个待定系数;
步骤202:根据确定后的K个待定系数得到估计函数,并根据估计函数得到第一计算公式;
步骤203:根据第一计算公式计算历史多媒体文件的第一综合评分。
步骤201中,K个待定系数的确定方法为:
(1)采用梯度下降法确定K个待定系数:
①随机初始化一组待定系数θ;
②令x=(1,Q)=(1,q1,q2,…,qK-1),用公式f(Q)=f(x)=θTx计算估计函数的值;
③按公式计算损失值,其中m为历史多媒体文件的数量,即数据对(y,x)(i),(i=1,2,…m)的数量;
④按梯度计算公式
⑤更新参数其中β为学习率;
⑥重复②到⑤,直到J(θ)达到设定的精度值,根据此时待定系数的数值确定K个待定系数的值。
(2)采用矩阵法确定K个待定系数:
θ=(XTX)-1XTY
其中,X=(x(1),x(2),…,x(m))T,Y=(y(1),y(2),…,y(m))T。
对于步骤202和步骤203,在用以上两种方法确定K个待定系数后,可以得到估计函数f(Q),从而得到完整的第一计算公式,再用得到的第一计算公式计算出历史多媒体文件的第一综合评分。
本实施方式中,通过梯度下降法或矩阵法确定K个待定系数,可以使剩余行为值得到一个合理的权重系数,使剩余用户行为信息更加有效地反映用户对多媒体文件的喜好程度,提高第一计算公式的计算精度。
在一实施方式中,步骤103中,即根据第一综合评分和推荐算法获取目标用户的推荐多媒体文件,如图3所示,具体可以包括以下步骤:
步骤301:根据第一计算公式获取M个其他用户对相应的历史多媒体文件的第二综合评分,并根据第二综合评分和第一综合评分形成评分集,其中,M为正整数。
由于单个用户的历史多媒体文件是有限的,而用户未播放过的多媒体文件的数量是比较大的,因此,可以采用第一计算公式计算出M个其它用户对相应的历史多媒体文件的第二综合评分,再将这些第二综合评分与第一综合评发一起形成评分集,在评分集的基础上获取推荐多媒体文件,其中,M为正整数。
步骤302:根据评分集和推荐算法获取目标用户的推荐多媒体文件。
在获取评分集后,后台服务器可以根据预先设置的推荐算法计算出目标用户未播放的多媒体文件的评分,再将评分高的多媒体文件推荐给目标用户。可选地,可以根据评分集形成评分矩阵,再在评分矩阵的基础上采用推荐算法计算出推荐多媒体文件。
本实施方式中,通过对其它用户对相应历史多媒体文件的评分进行计算,将计算的结果与目标用户的第一综合评分形成评分集,再在评分集的基础使用推荐算法计算推荐多媒体文件,可以结合其它用户的评分信息来增加目标用户对多媒体文件的信息面,提高推荐的精度。
在一实施方式中,推荐算法可以采用协同过滤算法,步骤103中,即根据第一综合评分和推荐算法获取目标用户的推荐多媒体文件,如图4所示,具体可以包括以下步骤:
步骤401:根据第一综合评分和协同过滤算法计算每一待定多媒体文件对应的用户估算评分;
步骤402:获取用户估算评分最高的前N个待定多媒体文件作为目标用户的推荐多媒体文件,其中,N为正整数。
其中,协同过滤算法可以分成两类:①基于项(item-based)的协同过滤算法,主要是利用项之间的相似性,为用户推荐与其所喜欢音乐相似的音乐;②基于用户(user-based)的协同过滤算法,主要利用用户之间的相似性,为用户推荐与其相似用户所喜欢的音乐。待定多媒体文件是指目标用户未播放过的多媒体文件。用户估算评分是指目标用户对待定多媒体文件的评分。
具体地,后台服务器根据第一综合评分和协同过滤算法计算出每一待定多媒体文件对应的用户估算评分,再对这些用户估算评分进行排序,最后将用户估算评分最高的前N个待定多媒体文件作为目标用户的推荐多媒体文件,其中,N可以根据实际需要进行设置,本实施方式不做具体限制。
可选地,也可以在评分集的基础上采用协同过滤算法计算出每一待定多媒体文件对应的用户估算评分,再获取用户估算评分最高的前N个待定多媒体文件作为目标用户的推荐多媒体文件。
可选地,协同过滤算法可以为基于项的协同过滤算法,则根据第一综合评分和协同过滤算法计算每一待定多媒体文件的估算评分的过程可以为:
首先计算任意两个多媒体文件的余弦相似度;然后根据余弦相似度、第一综合评分和以下第二计算公式获取每一待定多媒体文件的用户估算评分:
其中,Pu,j为目标用户u对多媒体文件j的用户估算评分,sim(i,j)为多媒体文件i与多媒体文件j的余弦相似度,ru,i为目标用户u对多媒体文件i的第一综合评分,n为多媒体文件的数量。
本实施方式中,通过根据第一综合评分和协同过滤算法计算每一待定多媒体文件对应的用户估算评分,获取用户估算评分最高的前N个待定多媒体文件作为目标用户的推荐多媒体文件,可以有效利用根据K种预设用户行为信息得到的第一综合评分,计算出推荐给用户的多媒体文件,提高了推荐的精度。
上面各种方法的步骤划分,只是为了描述清楚,实现时可以合并为一个步骤或者对某些步骤进行拆分,分解为多个步骤,只要包含相同的逻辑关系,都在本专利的保护范围内;对算法中或者流程中添加无关紧要的修改或者引入无关紧要的设计,但不改变其算法和流程的核心设计都在该专利的保护范围内。
本发明第三实施方式涉及一种多媒体文件推荐装置,如图5所示,包括用户行为获取模块501、综合评分获取模块502和推荐文件获取模块503,其中,各模块的功能说明如下:
用户行为获取模块501,用于获取历史多媒体文件的播放记录的K种预设用户行为信息,其中,K为正整数;
综合评分获取模块502,用于融合K种预设用户行为信息以获取历史多媒体文件的第一综合评分;
推荐文件获取模块503,用于根据第一综合评分和推荐算法获取目标用户的推荐多媒体文件。
不难发现,本实施方式为与第一实施方式相对应的装置实施例,本实施方式可与第一实施方式互相配合实施。第一实施方式中提到的相关技术细节在本实施方式中依然有效,为了减少重复,这里不再赘述。相应地,本实施方式中提到的相关技术细节也可应用在第一实施方式中。
值得一提的是,本实施方式中所涉及到的各模块均为逻辑模块,在实际应用中,一个逻辑单元可以是一个物理单元,也可以是一个物理单元的一部分,还可以以多个物理单元的组合实现。此外,为了突出本发明的创新部分,本实施方式中并没有将与解决本发明所提出的技术问题关系不太密切的单元引入,但这并不表明本实施方式中不存在其它的单元。
本发明第四实施方式涉及一种网络设备,如图6所示,包括至少一个处理器601;以及,与至少一个处理器601通信连接的存储器602;其中,存储器602存储有可被至少一个处理器601执行的指令,指令被至少一个处理器601执行,以使至少一个处理器601能够执行上述的多媒体文件推荐方法。
其中,存储器602和处理器601采用总线方式连接,总线可以包括任意数量的互联的总线和桥,总线将一个或多个处理器601和存储器602的各种电路连接在一起。总线还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路连接在一起,这些都是本领域所公知的,因此,本文不再对其进行进一步描述。总线接口在总线和收发机之间提供接口。收发机可以是一个元件,也可以是多个元件,比如多个接收器和发送器,提供用于在传输介质上与各种其他装置通信的单元。经处理器601处理的数据通过天线在无线介质上进行传输,进一步,天线还接收数据并将数据传送给处理器601。
处理器601负责管理总线和通常的处理,还可以提供各种功能,包括定时,外围接口,电压调节、电源管理以及其他控制功能。而存储器602可以被用于存储处理器601在执行操作时所使用的数据。
本发明的实施方式还提供了一种计算机可读存储介质,存储有计算机程序,计算机程序被处理器执行时实现上述实施方式的预警方法。
本领域技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序存储在一个存储介质中,包括若干指令用以使得一个设备(可以是单片机,芯片等)或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本领域的普通技术人员可以理解,上述各实施方式是实现本发明的具体实施例,而在实际应用中,可以在形式上和细节上对其作各种改变,而不偏离本发明的精神和范围。
Claims (10)
1.一种多媒体文件推荐方法,其特征在于,包括:
获取目标用户的历史多媒体文件的播放记录的K种预设用户行为信息,其中,K为正整数;
融合所述K种预设用户行为信息以获取所述历史多媒体文件的第一综合评分;
根据所述第一综合评分和推荐算法获取所述目标用户的推荐多媒体文件。
2.根据权利要求1所述的多媒体文件推荐方法,其特征在于,所述K种预设用户行为信息包括一种核心用户行为信息和K-1种剩余用户行为信息;
所述融合所述K种预设用户行为信息以获取所述历史多媒体文件的第一综合评分,包括:
根据以下第一计算公式计算所述历史多媒体文件的第一综合评分:
r=y+α·(f(Q)-y);
其中,r为所述第一综合评分,y为用于表征所述核心用户行为信息的核心行为值,α为补偿系数,f(Q)为所述剩余用户行为信息对所述核心用户行为信息的估计函数,Q为表征所述剩余用户行为信息的剩余行为值。
3.根据权利要求2所述的多媒体文件推荐方法,其特征在于,所述估计函数为线性函数:f(Q)=θ0+θ1q1+θ2q2+…+θK-1qK-1,包括K个待定系数θ=(θ0,θ1,…,θK-1),其中,(q1,q2,…,qK-1)为所述剩余行为值;
所述根据第一计算公式计算所述历史多媒体文件的第一综合评分,包括:
采用梯度下降法或矩阵法确定所述K个待定系数;
根据确定后的所述K个待定系数得到所述估计函数,并根据所述估计函数得到所述第一计算公式;
根据所述第一计算公式计算所述历史多媒体文件的第一综合评分。
4.根据权利要求2或3所述的多媒体文件推荐方法,其特征在于,所述核心用户行为信息为播放次数信息,所述剩余用户行为信息包括播放时长信息和播放音量信息。
5.根据权利要求2所述的多媒体文件推荐方法,其特征在于,所述根据所述第一综合评分和推荐算法获取所述目标用户的推荐多媒体文件,包括:
根据所述第一计算公式获取M个其他用户对相应的历史多媒体文件的第二综合评分,并根据所述第二综合评分和所述第一综合评分形成评分集,其中,M为正整数;
根据所述评分集和推荐算法获取所述目标用户的推荐多媒体文件。
6.根据权利要求1所述的多媒体文件推荐方法,其特征在于,所述推荐算法为协同过滤算法;
所述根据所述第一综合评分和推荐算法获取所述目标用户的推荐多媒体文件,包括:
根据所述第一综合评分和所述协同过滤算法计算每一待定多媒体文件对应的用户估算评分;
获取用户估算评分最高的前N个所述待定多媒体文件作为所述目标用户的推荐多媒体文件,其中,N为正整数。
7.根据权利要求6所述的多媒体文件推荐方法,其特征在于,所述根据所述第一综合评分和所述协同过滤算法计算每一待定多媒体文件的用户估算评分,包括:
计算任意两个多媒体文件的余弦相似度;
根据所述余弦相似度、所述第一综合评分和以下第二计算公式获取每一所述待定多媒体文件的所述用户估算评分:
其中,Pu,j为目标用户u对多媒体文件j的用户估算评分,sim(i,j)为多媒体文件i与多媒体文件j的余弦相似度,ru,i为目标用户u对多媒体文件i的第一综合评分,n为多媒体文件的数量。
8.一种多媒体文件推荐装置,其特征在于,包括:
用户行为获取模块,用于获取历史多媒体文件的播放记录的K种预设用户行为信息,其中,K为正整数;
综合评分获取模块,用于融合所述K种预设用户行为信息以获取所述历史多媒体文件的第一综合评分;
推荐文件获取模块,用于根据所述第一综合评分和推荐算法获取所述目标用户的推荐多媒体文件。
9.一种网络设备,其特征在于,包括:至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至7中任一项所述的多媒体文件推荐方法。
10.一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的多媒体文件推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910595766.1A CN110472071A (zh) | 2019-07-03 | 2019-07-03 | 多媒体文件推荐方法、装置、网络设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910595766.1A CN110472071A (zh) | 2019-07-03 | 2019-07-03 | 多媒体文件推荐方法、装置、网络设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110472071A true CN110472071A (zh) | 2019-11-19 |
Family
ID=68506735
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910595766.1A Pending CN110472071A (zh) | 2019-07-03 | 2019-07-03 | 多媒体文件推荐方法、装置、网络设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110472071A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112468852A (zh) * | 2020-11-24 | 2021-03-09 | 深圳市易平方网络科技有限公司 | 媒资推荐方法、装置、系统及计算机可读存储介质 |
CN112883209A (zh) * | 2019-11-29 | 2021-06-01 | 阿里巴巴集团控股有限公司 | 多媒体数据的推荐方法和处理方法、装置、设备及可读介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102999588A (zh) * | 2012-11-15 | 2013-03-27 | 广州华多网络科技有限公司 | 一种多媒体应用的推荐方法和系统 |
CN104123325A (zh) * | 2013-04-28 | 2014-10-29 | 北京百度网讯科技有限公司 | 多媒体文件的推荐方法和推荐服务器 |
CN105718510A (zh) * | 2016-01-12 | 2016-06-29 | 海信集团有限公司 | 一种多媒体数据推荐方法及装置 |
CN106649884A (zh) * | 2017-01-11 | 2017-05-10 | 河南科技大学 | 一种基于用户情境分析的多媒体内容推荐方法 |
US20170185669A1 (en) * | 2015-12-29 | 2017-06-29 | Futurewei Technologies, Inc. | System and Method for User-Behavior Based Content Recommendations |
CN106997381A (zh) * | 2017-03-21 | 2017-08-01 | 海信集团有限公司 | 向目标用户推荐影视的方法及装置 |
US20180240158A1 (en) * | 2017-02-17 | 2018-08-23 | Kasatria Analytics Sdn Bhd | Computer implemented system and method for customer profiling using micro-conversions via machine learning |
CN109408724A (zh) * | 2018-11-06 | 2019-03-01 | 北京达佳互联信息技术有限公司 | 多媒体资源预估点击率的确定方法、装置及服务器 |
CN109840702A (zh) * | 2019-01-24 | 2019-06-04 | 山西开拓科技股份有限公司 | 一种基于多核融合的新项目协同推荐方法 |
-
2019
- 2019-07-03 CN CN201910595766.1A patent/CN110472071A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102999588A (zh) * | 2012-11-15 | 2013-03-27 | 广州华多网络科技有限公司 | 一种多媒体应用的推荐方法和系统 |
CN104123325A (zh) * | 2013-04-28 | 2014-10-29 | 北京百度网讯科技有限公司 | 多媒体文件的推荐方法和推荐服务器 |
US20170185669A1 (en) * | 2015-12-29 | 2017-06-29 | Futurewei Technologies, Inc. | System and Method for User-Behavior Based Content Recommendations |
CN105718510A (zh) * | 2016-01-12 | 2016-06-29 | 海信集团有限公司 | 一种多媒体数据推荐方法及装置 |
CN106649884A (zh) * | 2017-01-11 | 2017-05-10 | 河南科技大学 | 一种基于用户情境分析的多媒体内容推荐方法 |
US20180240158A1 (en) * | 2017-02-17 | 2018-08-23 | Kasatria Analytics Sdn Bhd | Computer implemented system and method for customer profiling using micro-conversions via machine learning |
CN106997381A (zh) * | 2017-03-21 | 2017-08-01 | 海信集团有限公司 | 向目标用户推荐影视的方法及装置 |
CN109408724A (zh) * | 2018-11-06 | 2019-03-01 | 北京达佳互联信息技术有限公司 | 多媒体资源预估点击率的确定方法、装置及服务器 |
CN109840702A (zh) * | 2019-01-24 | 2019-06-04 | 山西开拓科技股份有限公司 | 一种基于多核融合的新项目协同推荐方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112883209A (zh) * | 2019-11-29 | 2021-06-01 | 阿里巴巴集团控股有限公司 | 多媒体数据的推荐方法和处理方法、装置、设备及可读介质 |
CN112468852A (zh) * | 2020-11-24 | 2021-03-09 | 深圳市易平方网络科技有限公司 | 媒资推荐方法、装置、系统及计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108197330B (zh) | 基于社交平台的数据挖掘方法及装置 | |
CN105791157B (zh) | 一种流量的分配方法、分配系统、及服务器 | |
CN107306355B (zh) | 一种内容推荐方法及服务器 | |
CN106339507B (zh) | 流媒体消息推送方法和装置 | |
CN106294830A (zh) | 多媒体资源的推荐方法及装置 | |
CN108322829A (zh) | 个性化主播推荐方法、装置及电子设备 | |
CN106604051A (zh) | 直播频道推荐方法及装置 | |
CN106168980A (zh) | 多媒体资源推荐排序方法及装置 | |
CN104199896A (zh) | 基于特征分类的视频相似度确定及视频推荐方法 | |
CN104053023B (zh) | 一种确定视频相似度的方法及装置 | |
CN107301247B (zh) | 建立点击率预估模型的方法及装置、终端、存储介质 | |
CN107172452A (zh) | 直播间推荐方法及装置 | |
CN106326391A (zh) | 多媒体资源推荐方法及装置 | |
CN108363730B (zh) | 一种内容推荐方法、系统及终端设备 | |
CN105718510B (zh) | 一种多媒体数据推荐方法及装置 | |
CN108574850A (zh) | 一种直播资源分配方法、装置、电子设备及存储介质 | |
CN109511015A (zh) | 多媒体资源推荐方法、装置、存储介质及设备 | |
CN107766360A (zh) | 一种视频热度预测方法和装置 | |
CN110472154A (zh) | 一种资源推送方法、装置、电子设备及可读存储介质 | |
CN106294794A (zh) | 一种内容推荐方法及装置 | |
CN110474944A (zh) | 网络信息的处理方法、装置及存储介质 | |
AU2020244594A1 (en) | Method, system and controller for providing goods and/or services to consumers | |
CN106383904A (zh) | 视频推荐方法及装置 | |
CN108304490A (zh) | 基于文本的相似度确定方法、装置及计算机设备 | |
CN107766446A (zh) | 资讯信息的推送方法、装置、存储介质及处理器 |
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: 20191119 |
|
RJ01 | Rejection of invention patent application after publication |