CN111669654B - 节目推荐方法、装置、电子设备及可读存储介质 - Google Patents

节目推荐方法、装置、电子设备及可读存储介质 Download PDF

Info

Publication number
CN111669654B
CN111669654B CN202010545297.5A CN202010545297A CN111669654B CN 111669654 B CN111669654 B CN 111669654B CN 202010545297 A CN202010545297 A CN 202010545297A CN 111669654 B CN111669654 B CN 111669654B
Authority
CN
China
Prior art keywords
program
recommended
label
value
programs
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.)
Active
Application number
CN202010545297.5A
Other languages
English (en)
Other versions
CN111669654A (zh
Inventor
李鸣
金泽
沈伟
付强
张良益
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Future Tv Co ltd
Original Assignee
Future Tv Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Future Tv Co ltd filed Critical Future Tv Co ltd
Priority to CN202010545297.5A priority Critical patent/CN111669654B/zh
Publication of CN111669654A publication Critical patent/CN111669654A/zh
Application granted granted Critical
Publication of CN111669654B publication Critical patent/CN111669654B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
    • H04N21/251—Learning process for intelligent management, e.g. learning user preferences for recommending 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]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
    • H04N21/258—Client or end-user data management, e.g. managing client capabilities, user preferences or demographics, processing of multiple end-users preferences to derive collaborative data
    • H04N21/25866—Management of end-user data
    • H04N21/25891—Management of end-user data being end-user preferences
    • 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

本申请提供一种节目推荐方法、装置、电子设备及可读存储介质，方法通过获取预设特征表中各节目标签的价值分布(预设特征表对应的价值分布，是根据历史实际收视过的节目所对应的节目标签确定出的对各节目标签偏好的分布)，根据价值分布从确定出推荐标签集，根据各节目与推荐标签集的匹配度确定出待推荐节目集合进行推荐。这样，通过对各节目设置标签，并通过历史实际收视过的节目来实现对于节目标签价值分布的确定，从而使得各节目标签得以与用户的实际收视行为强相关，分析出用户所偏好的标签。进而可以根据节目标签的价值分布实现对于待推荐节目集合的确定，能够使得推荐的节目能更贴合用户实际需要，可以实现对于大屏终端用户的可靠性推荐。

Description

节目推荐方法、装置、电子设备及可读存储介质
技术领域
本申请涉及数据处理技术领域，具体而言，涉及一种节目推荐方法、装置、电子设备及可读存储介质。
背景技术
随着终端智能技术的不断发展，越来越多的智能终端产品进入到了人们的日常生活中。诸如电视机等大屏终端成为了家庭必不可少的电子设备。
而电视机等大屏终端是内容的提供者，目前为了使得用户能够具有更好的内容收视体验，许多大屏终端都具有了节目推荐功能。但是目前的节目推荐功能大多是推荐的内容市场中最新最热的节目，这就导致推荐的节目往往并不贴合用户实际需要。
发明内容
本申请实施例的目的在于提供一种节目推荐方法、装置、电子设备及可读存储介质，用以实现对于大屏终端用户的可靠性推荐。
本申请实施例提供了一种节目推荐方法，包括：获取预设特征表中各节目标签的价值分布；所述预设特征表对应的价值分布，是根据历史实际收视过的节目所对应的节目标签确定出的，对各节目标签偏好的分布；根据所述价值分布从所述预设特征表所对应各节目标签中确定出推荐标签集；根据预设节目集中各节目与所述推荐标签集的匹配度，确定出待推荐节目集合；推荐所述待推荐节目集合中的各待推荐节目。
在上述实现过程中，通过对各节目设置标签，并通过历史实际收视过的节目来实现对于节目标签的价值分布的确定，从而使得各节目标签得以与用户的实际收视行为强相关，分析得出用户所偏好的标签。进而可以根据节目标签的价值分布实现对于待推荐节目集合的确定，能够使得推荐的待推荐节目能更符合用户的实际收视偏好，更贴合用户实际需要，可以实现对于大屏终端用户的可靠性推荐。
进一步地，所述预设特征表为当前时刻所在的目标时段所对应的特征表；所述目标时段对应的特征表，是根据该目标时段中历史实际收视过的节目所对应的节目标签确定出的，对各节目标签偏好的分布。
针对诸如电视机等大屏终端而言，其有别于如手机等小屏终端通常都是有一个用户进行使用的情况，大屏终端通常是作为公共设备而被特定群体的多个用户所共同使用(比如对于电视机，通常是由一个家庭内的所有成员共同使用)。通常，对于大屏终端的使用，不同的用户往往会具有相对明显的使用时间区别。比如对于电视机而言，假如孩子喜欢看动画、而父母喜欢看黄金档的电视剧，那么通常在5至7点左右时孩子在使用电视机，而7点之后是父母在使用电视机。因此，通过预先划分各个时段，设置各时段对应的特征表，进而基于相应时段的特征表确定当前时段的待推荐节目，这就使得推荐的待推荐节目在一定程度上能更符合不同用户的实际收视偏好，更贴合实际生活需要，可以实现对于大屏终端用户的可靠性推荐。
进一步地，根据所述价值分布从所述预设特征表所对应各节目标签中确定出推荐标签集，包括：根据所述价值分布，采用多臂赌博算法从所述预设特征表所对应各节目标签中确定出推荐标签集。
应当理解的是，多臂赌博算法是一种很好的强化学习算法。通过多臂赌博算法，本申请实施例中可以从节目标签中相对最优的推荐标签集，从而提高本申请方案的推荐准确性。
进一步地，根据所述价值分布，采用多臂赌博算法从所述预设特征表所对应各节目标签中确定出推荐标签集，包括：获取上一收视节目的收视完成度pn-1；根据所述pn-1确定比较值；按照所述价值分布确定一随机数；在所述随机数大于所述比较值时，从所述特征表的各节目标签中抽取出价值最大的节目标签作为推荐标签；在所述随机数小于等于所述比较值时，从所述特征表的各节目标签中随机抽取一个节目标签作为推荐标签；重新按照所述价值分布确定一随机数；在所述随机数大于所述比较值时，从所述特征表的剩余节目标签中抽取出价值最大的节目标签作为推荐标签；在所述随机数小于等于所述比较值时，从所述特征表的剩余节目标签中随机抽取一个节目标签作为推荐标签；直至抽取出的所述推荐标签的数量达到预设数量。
在上述实现过程中，通过上一收视节目的收视完成度pn-1来确定比较值，使得在设备中，不需要对于历次收视节目的收视完成度都进行保存，从而可以降低数据存储压力。同时采用上一收视节目的收视完成度pn-1来确定比较值，也可以更贴合于用户的实际使用行为，使得抽取出的推荐标签能更大概率的符合用户实际需要。
进一步地，所述预设节目集包括预设的点播节目集；根据预设节目集中各节目与所述推荐标签集的匹配度，确定出待推荐节目集合，包括：根据所述点播节目集中各点播节目与所述推荐标签集的匹配度，确定出待推荐点播节目集合。
进一步地，根据所述价值分布从所述预设特征表所对应各节目标签中确定出推荐标签集，包括：将所述价值分布输入训练好的时序预测模型中，得到预测的标签价值分布；根据所述预测的标签价值分布，确定价值最高的n个节目标签为推荐标签。
进一步地，所述时序预测模型为Transformer模型。
进一步地，所述预设节目集包括预设的直播节目集；根据预设节目集中各节目与所述推荐标签集的匹配度，确定出待推荐节目集合，包括：根据所述直播节目集中各直播节目与所述推荐标签集的匹配度，确定出待推荐直播节目集合。
在实际应用过程中，直播节目具有相对固定的播放起始时间，因此每一个直播节目其具有固定的可收视时段，用户观看节目必然需要在该时段进行观看。因此对于直播节目而言，通过时序模型进行预测，可以结合历史收视过的节目的收视时序性，实现对于直播节目的预测，得到更贴合于用户实际需要的待推荐节目。
进一步地，在推荐所述待推荐节目集合中的各待推荐节目之前，所述方法还包括：将预设待推荐节目加入到所述待推荐节目集合中。
进一步地，所述推荐所述待推荐节目包括：按照预设规则对排列各所述待推荐节目；推荐排列好的各所述待推荐节目。
进一步地，所述方法还包括：获取所述价值分布对应的价值张量T；所述价值张量T由所述特征表中各节目标签的价值作为张量元素依次排列构成；按照预设规则对排列各所述待推荐节目，包括：确定各所述待推荐节目对应的价值张量Ti；所述Ti与所述T的节目标签排列一致，且所述Ti中各节目标签的价值为各节目标签在所述Ti对应的待推荐节目中的比重；计算各所述Ti与所述T之间的距离；按照距离由小到大的顺序排列各所述Ti对应的待推荐节目，推荐排列好的各所述待推荐节目。
在上述实现过程中，通过各待推荐节目对应的价值张量Ti与T之间的距离，可以确定各待推荐节目与特征表的符合程度，也即可以推定各待推荐节目与用户偏好的匹配程度。Ti与T之间的距离越小，即表明可以推定待推荐节目与用户偏好越匹配，因此可以将距离小的Ti对应的待推荐节目排在前面，以提高推荐效果。
进一步地，所述方法还包括：在任一节目收视结束后，获取该节目的起始收视时间、收视完成度和节目标签；根据该节目的收视完成度确定该节目的行为价值；根据所述行为价值以及该节目的各节目标签在该节目中的预设比重，确定各所述节目标签的价值；根据各所述节目标签的价值，更新所述起始收视时间所在时间段的特征表。
在上述实现过程中，在任一节目收视结束后，即可以根据该收视节目实现对其所在时间段的特征表的更新，从而不断提高特征表的表达准确性。
进一步地，所述方法还包括：获取上一收视节目的收视完成度；根据该节目的收视完成度确定该节目的行为价值，包括：根据该节目的收视完成度和所述上一收视节目对应的行为价值，确定该节目的行为价值。
进一步地，根据所述行为价值以及各所述节目标签在该节目中的预设比重，确定各所述节目标签的价值，包括：根据所述行为价值以及各所述节目标签在该节目中的预设比重，确定各所述节目标签对应的价值增量；获取所述起始收视时间所在时间段的特征表中，各所述节目标签对应的原始价值；根据各所述节目标签对应的原始价值和所述价值增量，确定各所述节目标签最新的价值。
进一步地，所述方法还包括：获取预设的各节目类型的对应的行为价值；所述各节目类型对应的行为价值，是根据历史实际收视过的该类型的节目所确定出的用于表征用户对该节目类型的偏好情况的值；根据各节目类型对应的行为价值确定出用户偏好类型；根据预设节目集中各节目与所述推荐标签集的匹配度，确定出待推荐节目集合，包括：根据预设节目集中各节目与所述推荐标签集的匹配度，从所述预设节目集中确定出满足所述用户偏好类型要求的待推荐节目集合。
在实际应用中，用户往往对于节目的类型也有偏好。在上述实现过程中，通过获取各节目类型的行为价值，可以有效分析得到用户对于节目类型的偏好，从而可以在推荐节目时仅针对用户偏好类型的节目进行推荐，从而进一步使得推荐的待推荐节目能符合用户的实际收视偏好，更贴合用户实际需要。
进一步地，根据各节目类型对应的行为价值确定出用户偏好类型，包括：获取各节目类型对应的行为价值的均值；确定所述行为价值大于等于所述均值的节目类型为用户偏好类型。本申请实施例还提供了一种节目推荐装置，包括：包括：获取模块、处理模块和推荐模块；所述获取模块，用于获取预设特征表中各节目标签的价值分布；所述预设特征表对应的价值分布，是根据历史实际收视过的节目所对应的节目标签确定出的，对各节目标签偏好的分布；所述处理模块，用于根据所述价值分布从所述预设特征表所对应各节目标签中确定出推荐标签集；根据预设节目集中各节目与所述推荐标签集的匹配度，确定出待推荐节目集合；所述推荐模块，用于推荐所述待推荐节目集合中的各待推荐节目。
本申请实施例还提供了一种电子设备，包括：处理器、存储器及通信总线；所述通信总线用于实现所述处理器和存储器之间的连接通信；所述处理器用于执行存储器中存储的一个或者多个程序，以实现如上述任一种的节目推荐方法。
本申请实施例中还提供了一种可读存储介质，所述可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现上述任一种的节目推荐方法。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的一种节目推荐方法的流程示意图；
图2为本申请实施例提供的一种推荐列表的示意图；
图3为本申请实施例提供的另一种推荐列表的示意图；
图4为本申请实施例提供的一种价值分布张量T的示意图；
图5为本申请实施例提供的一种节目推荐装置的结构示意图；
图6为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。
实施例一：
参见图1所示，图1为本申请实施例中提供的一种节目推荐方法，包括：
S101：获取预设特征表中各节目标签的价值分布。
在本申请实施例中，可以预先设置各种节目标签，通过对节目设置相应的节目标签，从而使得节目的特性可以通过相应的节目标签得以体现。
对于一个节目而言，可以对应有一个或多个节目标签。相应的，对于一个节目标签而言，也可以对应有一个或多个节目。也即不同节目之间可以具有相同的节目标签。
在本申请实施例中，会预先设置特征表，特征表内可以记录各个节目标签对应的价值分布。所述各节目标签对应的价值分布是指，各节目标签对应的价值的分布。价值分布可以根据各节目标签对应的价值，通过分布函数或张量等形式体现。
而各节目标签对应的价值是指，根据历史实际收视过的节目所对应的节目标签，确定出的各节目标签间的相对价值。各节目标签对应的价值的高低反映了用户对该节目标签的偏好程度，价值越高可以认为历史收视过的包含该节目标签的节目越多、用户对该节目标签的偏好程度越高。
S102：根据价值分布从预设特征表所对应各节目标签中确定出推荐标签集。
在本申请实施例的一种可行示例中，可以根据价值分布，采用多臂赌博算法(比如基于贪婪算法的多臂赌博算法)从预设特征表所对应各节目标签中确定出推荐标签集。
示例性的，可以获取上一收视节目的收视完成度pn-1，根据pn-1确定比较值(示例性的，可以取比较值为1-pn-1)。接着，可以按照价值分布确定一随机数，在该随机数大于比较值时，从特征表的各节目标签中抽取出价值最大的节目标签作为推荐标签；在随机数小于等于比较值时，从特征表的各节目标签中随机抽取一个节目标签作为推荐标签。
接着，重新按照价值分布确定一随机数，在重新确定的随机数大于比较值时，从特征表的剩余节目标签中抽取出价值最大的节目标签作为推荐标签；在重新确定的随机数小于等于比较值时，从特征表的剩余节目标签中随机抽取一个节目标签作为推荐标签。
不断重复上述过程，直至抽取出的推荐标签的数量达到预设数量为止。
通过上述方式，按照一定概率不断抽出已知的价值最高的节目标签以及其余的节目标签，可以使得从节目标签中抽取出的推荐标签集相对最优，从而提高本申请方案的推荐准确性。
需要说明的是，所谓上一收视节目是指，终端中上一次被收视的节目。
在本申请实施例中，抽取出的推荐标签的数量可以由工程师根据实际需要进行设定，也可以取上一次收视的节目所具有的节目标签的数量作为预设数量。
在本申请实施例的另一种可行示例中，可以将价值分布输入训练好的时序预测模型中，得到预测的标签价值分布；根据预测的标签价值分布，确定价值最高的n个节目标签为推荐标签。
在前述示例中，时序预测模型可以采用Transformer模型来实现。
在前述示例中，n的值可以由工程师根据实际需要进行设定，例如设置为5，也可以取上一次收视的节目所具有的节目标签的数量。
在本申请实施例中，为了便于Transformer模型处理，可以将各节目标签向量化。具体而言，可以基于词向量模型(如基于Negative Sampling的Skip-gram模型等得到各节目标签向量)实现各节目标签向量化，进而可以基于各节目标签向量，以及特征表中各节目标签对应的价值，得到基于各节目标签向量和各节目标签向量对应的价值所构成的多维张量，该多维张量可以作为特征表对应的价值分布。在本申请实施例中，可以将预设特征表对应的该多维张量输入到Transformer模型中，即可得到预测的一个多维张量(表征预测的标签价值分布)，该预测的多维张量由多个预测的标签向量和各预测的标签向量对应的预测价值构成。基于预测得到的多维张量，即可确定出对应的推荐标签集。
在本申请实施例中，可以同时进行点播节目和直播节目的推荐。在确定出待推荐点播节目集合和待推荐直播节目集合后，可以按照预设的混合方式将两者进行混合。
示例性的，可以按照各待推荐直播节目的播放起始时间，将各待推荐直播节目间隔插入到待推荐点播节目集合中。
在本申请实施例中，特征表包含了节目标签与各节目标签的价值的对应关系。在一种可行的实时方式中，特征表可以以价值分布张量的形式表达，例如图4所示的形式进行表达。此外，在本申请实施例中也可以通过其余形式，例如表格形式或者分布函数形式进行表达，在本申请实施例中不作限定。
S103：根据预设节目集中各节目与所述推荐标签集的匹配度，确定出待推荐节目集合。
需要注意的是，在实际生活中，往往存在有直播节目和点播节目两类。对于直播节目而言，其具有相对固定的起播时间，用户必须要在该直播节目的播放时间内才可以进行节目观看。而对于点播节目而言，则可以由用户随时选择是否收视观看，在时间特性上相对不那么固定。
考虑到前述特性，在本申请实施例中，可以针对直播节目采用时序预测模型确定出对应的推荐标签集，再基于直播节目对应的推荐标签集，根据预设的直播节目集中各直播节目与推荐标签集的匹配度，从直播节目集中确定出待推荐直播节目集合。
而可以针对点播节目采用多臂赌博算法确定出对应的推荐标签集，再基于点播节目对应的推荐标签集，根据预设的点播节目集中各直播节目与推荐标签集的匹配度，从点播节目集中确定出待推荐点播节目集合。
在本申请实施例中，在确定待推荐节目集合时，一种可行的方式是：可以根据预设节目集中各节目与推荐标签集的匹配度，确定匹配度满足预设匹配度阈值的各节目为待推荐节目。
此外，另一种可行的方式是：可以根据预设节目集中各节目与推荐标签集的匹配度，确定匹配度最高的m个节目为待推荐节目。
在本申请实施例中，节目与推荐标签集的匹配度可以由相关标签系统给出。相关标签系统的匹配度确定方式可以采用各类现有的匹配度计算方式实现，也可以由工程师专门设定，在本申请中不做限定。示例性的，标签系统可以将节目中存在的与推荐标签集相同的标签个数与该节目对应的总标签个数的比值作为该节目与推荐标签集的匹配度。比如，节目A具有a、b、c三个节目标签，推荐标签集中具有a、b、d三个节目标签，那么节目A的匹配度可以认为是66.7％。
在本申请实施例的一种可选实施方式中，可以预先设定一些节目作为待推荐节目，并在根据推荐标签集确定出待推荐节目集合后，还可以将预设的待推荐节目加入到待推荐节目集合中。
在实际应用过程可以，终端可以提供标记功能，从而使得用户可以对自己喜欢的节目进行选定。因此，在上述可选实施方式中，预设的待推荐节目可以包括用户指定的节目。
此外，对于直播节目而言，用户通常收视的都是连续剧等节目。而由于此类节目通常都具有收视行为上的连续性，因此，在上述可选实施方式中，可以将用户收视的连续剧等节目(下文称追剧节目)标记出来，作为预设的待推荐节目。
此外，在上述可选实施方式中，工程师可以设定一些默认需要推荐的节目作为预设的待推荐节目。示例性的，可以将最新最热的节目设置为默认需要推荐的节目。在本申请实施例中，所述最新最热的节目是指，在最近预设时长段内，收视热度高于预设热度阈值或收视热度排名前K(K为预设的大于0的整数)名的节目。
S104：推荐待推荐节目集合中的各待推荐节目。
在本申请实施例中，进行待推荐节目的推荐时，可以先对各待推荐节目进行排序，从而将更可能符合用户实际需要的节目排到前面以提供给用户，从而提高用户的体验。
为了达到这一目的，在本申请实施例中，可以先确定各待推荐节目对应的价值张量Ti，并获取预设特征表对应的价值分布的价值张量T。
需要说明的是，价值张量T是由预设特征表中各节目标签的价值作为张量元素依次排列构成的。示例性的，设预设特征表中对应有节目标签a、b、c、d、e、f、g，节目标签a、b、c、d、e、f、g分别对应的价值为a0、b0、c0、d0、e0、f0、g0，那么价值张量T为张量(a0，b0，c0，d0，e0，f0，g0)。
还需要说明的是，对于各待推荐节目对应的价值张量Ti而言，其确定过程是：将各待推荐节目中，与推荐标签集的匹配度，确定出与张量T中相同的各节目标签排列顺序的价值张量Ti。
其中，Ti中各节目标签的价值可以采用各节目标签在Ti对应的待推荐节目中的比重。示例性的，假如节目A具有a、b、c三个节目标签，推荐标签集中具有a、b、d三个节目标签，那么可以确定出节目A的价值张量Ti为(0.33,0.33,0,0,0,0,0)。
此时，由于张量T和张量Ti对应的维度是相同的，因此可以计算各待推荐节目对应的Ti与T之间的距离，进而按照距离由小到大的顺序排列各Ti对应的待推荐节目，推荐排列好的各待推荐节目。
需要注意的是，在本申请实施例中，可以采用Mahalanobis distance等方法计算得到各待推荐节目对应的ti与T之间的距离。
随着信息技术的不断发展，网络中的内容也越来越丰富，越来越多的人更偏好于对点播节目进行收视。在此情况下，在同时存在有待推荐直播节目和待推荐点播节目时，本申请实施例中可以基于各待推荐直播节目对应的Ti与T之间的距离确定是否需要推荐直播节目。
示例性的，可以将本时段对应的所有待推荐直播节目的Ti构成一个多维张量与T进行距离计算(比如可以采用Mahalanobis distance方法进行计算)，在计算得到的距离大于最近预设时长段(如7天)的待推荐直播节目与T之间的平均距离时，可以不推荐本时段的待推荐直播节目。
此外，用户也可以主动标记在某些时段不收看直播节目。此时系统可以对相应时段进行标记，如设置相应时段对应的距离为0。此时，若系统检测到相应标记时，即可以不进行直播节目的推荐。
还需要注意的是，在待推荐节目集合中加入有用户指定的节目时，由于用户指定的节目通常是用户有强烈收看意愿的节目，因此可以在排列时，将用户指定的节目设置在队列头部的预设位置，比如设置在队列的第一个或第二个位置处，例如图2所示。
还需要注意的是，在待推荐节目集合中加入有追剧节目时，由于通常用户对于这类节目具有较强的连续收视的意愿，因此可以在排列时，将追剧节目设置在队列头部的预设位置，比如设置在队列的第一个或第二个位置处，例如图2所示。
应当理解的是，对于既存在用户指定的节目，又存在追剧节目时，可以设置用户指定的节目设置在队列最前方，设置追剧节目位于用户指定的节目之后。当然，具体的排列方式可以有工程师根据实际需要进行设定，在本申请实施例中不做限定。
在本申请实施例中，可以设定在推荐待推荐节目集合中的各待推荐节目的同时，默认播放第一个节目供用户观看，从而避免出现用户开启终端后出现没有收视节目的情况。
值得注意的是，对于诸如电视机等大屏终端而言，其有别于如手机等小屏终端通常都是有一个用户进行使用的情况，大屏终端通常是作为公共设备而被特定群体的多个用户所共同使用(比如对于电视机，通常是由一个家庭内的所有成员共同使用)。而对于大屏终端的使用，不同的用户往往会具有相对明显的使用时间区别。比如对于电视机而言，假如孩子喜欢看动画、而父母喜欢看黄金档的电视剧，那么通常在5至7点左右时孩子在使用电视机，而7点之后是父母在使用电视机。因此在本申请实施例中，可以预先划分多个时间段，从而针对每一个时间段构建一个相应的特征表。
在构建每一个时间段对应的特征表时，各时间段对应的特征表的价值分布是指，根据该时段中历史实际收视过的节目所对应的节目标签确定出的对各节目标签偏好的分布。也即，根据相应时段中历史实际收视过的节目确定相应时段对应的特征表。
在进行推荐时，可以将当前时刻所在的时段所对应的特征表作为预设特征表，进而确定相应的待推荐节目进行推荐。示例性的，可以将每一个小时划分为一个时段，从而构建分别与24个时段对应的特征表。假如用户当前打开终端的时间是5点30分，那么则可以依据5点至6点这一时段所对应的特征表确定相应的待推荐节目进行推荐。
应当理解的是，对于时段的划分可以由工程师根据实际需要进行划分，并不要求每一个时段的长度都相同。还应当理解的是，本申请实施例中可以将全天24小时划为一个时间段，此时即只存在一个特征表。
在本申请实施例中，在用户完成了一次收视行为后，可以根据本次收视行为对该收视行为对应的时段的特征表进行更新。具体而言，可以在任一节目收视结束后，获取该节目的起始收视时间、收视完成度和节目标签。进而可以根据该节目的收视完成度确定该节目的行为价值，然后根据该行为价值以及各节目标签在该节目中的预设比重，确定各节目标签的价值，最后即可根据各节目标签的价值，更新起始收视时间所在时间段的特征表。
在本申请实施例中，可以根据该节目的收视完成度和上一收视节目对应的行为价值，确定该节目的行为价值。
示例性的，可以使用公式
Figure BDA0002539172810000141
计算得到本次收视的节目的行为价值Qn。式中，plt表示该节目的收视完成度(即实际收视时长占该节目的总时长的占比)，Qn-1为上一收视节目对应的行为价值，n表示收视次数。需要说明的是，在第一次收视节目时，即Qn为Q1时，可以设置Q1＝lt。
在上述实现过程中，通过上一收视节目对应的行为价值来确定最新的行为价值，使得在设备中，不需要对于历次收视节目对应的行为价值都进行保存，从而可以降低数据存储压力。同时采用上一收视节目对应的行为价值来确定最新的行为价值，也可以更贴合于用户的实际使用行为，使得更新后的特征表中各节目标签的价值分布能更大概率符合用户实际偏好。
在本申请实施例中，对于各节目标签的价值的确定方式可以是：根据该节目的行为价值以及各节目标签在该节目中的预设比重，确定各节目标签对应的价值增量，进而获取该节目的起始收视时间所在时间段的特征表中，各节目标签对应的原始价值，最后根据各节目标签对应的原始价值和价值增量，确定各节目标签最新的价值。
示例性的，可以按照公式
Figure BDA0002539172810000142
和Qin＝Qi(n-1)+ΔQni确定出各节目标签最新的价值。
其中，ΔQni表征该节目中的第i个节目标签对应的价值增量，aj表征第i个节目标签与该节目的匹配度，该匹配度可以从相关的标签系统获得。示例性的，可以在为各节目配置相应的节目标签的同时，即配置各节目标签与该节目之间的匹配度。式中
Figure BDA0002539172810000151
表征该节目中的第i个节目标签对应的调整权重，
Figure BDA0002539172810000152
可以由工程师设定；Qn为该节目的行为价值，Qin为该节目中的第i个节目标签对应的价值，Qi(n-1)为该节目标签对应的原始价值(即该节目标签目前在特征表中所对应的价值)。
在确定出各节目标签最新的价值后，即可将该节目起始收视时间所在时间段的特征表中，各节目标签的价值更新为各节目标签最新的价值。
在本申请实施例中，为了确保更新的可靠性，可以设定收视时长低于预设收视时长(比如2分钟等)的收视行为为无效收视行为，此时其对应的收视节目可以不用于进行特征表的更新。
值得注意的是，在本申请实施例中，每一个特征表可以对应有全部的节目标签。在初始时，可以为各节目标签赋予一个相同的初始价值(比如为0)，进而可以根据用户的收视行为，不断更新各节目标签的价值。
在本申请实施例中，可以基于赋予初始价值的特征表实现对于节目的推荐，从而随着用户收视行为的增加，可以逐渐提高推荐的准确性。
此外，在本申请实施例中，也可以设置前k(k为预设的大于0的整数)次用户使用终端时，推荐最新最热的节目给用户，而在之后再依据前述特征表方式进行节目推荐。这样，由于已进行过K次收视行为，因此可以使得特征表中各节目标签的价值进行了一定程度的更新，因此依据前述特征表方式进行节目推荐时，可以在一定程度上贴合实际收视需要。
在本申请实施例中，可以设定用户在开启终端时，即自动启用了推荐功能，从而为用户推荐相应的节目。
在本申请实施例中，用户在收视了一个节目后，在用户退出该节目的期间，可以不进行特征表的更新，而是等到用户退出该节目后或在下一次开启终端时，再进行特征表的更新。
在本申请实施例中，在推荐待推荐节目集合中的各待推荐节目后，还可以对本次推荐结果进行回测和评价。
示例性的，可以在用户根据本次推荐结果进行收视后，在收视完毕更新特征表后，计算更新后的特征表的价值张量与更新前该特征表对应的价值张量的差值张量
Figure BDA0002539172810000161
然后基于
Figure BDA0002539172810000162
与更新前该特征表对应的价值张量的点积得到评价指标值，在得到的评价指标值小于预设阈值时，即确定本次推荐合格。否则，可以提示工程师对所采用的推荐算法进行更新。例如，在采用Transformer模型时，可以对Transformer模型重新进行训练；在采用多臂赌博算法时，可以重新设置比较值的取值方式。
在实际应用中，节目往往具有电影、电视、动漫、综艺、记录片、儿童、教育、舞蹈、购物等十几种类型。为了便于用户选择，可以基于不同节目的类型进行节目推荐。例如参见图3所示，可以为不同类型的节目设置相应推荐栏进行推荐。
在实际应用中，用户往往对于节目的类型也有偏好。为此，在本申请实施例中可以获取用户对节目类型的偏好，从而仅推荐用户偏好类型的节目。
为了能够获取到用户对于节目类型的偏好，在本申请实施例中，可以分别针对各节目类型设置相应的特征表，并确定特征表对应的行为价值。
与前述方式类似的，在用户每一次收视一节目后，即根据该节目更新该节目所属节目类型对应的特征表。
示例性的，可以使用公式
Figure BDA0002539172810000163
计算得到本次收视节目后，该的行为价值Pn。式中Pn表征本次收视后，该节目类型对应的行为价值，Pn-1为上一次收视行为后该节目类型对应的行为价值，plt表示本次收视节目的收视完成度，n表示收视次数。
在得到各节目类型对应的行为价值后，根据各节目类型对应的行为价值确定出用户偏好类型，进而根据预设节目集中各节目与推荐标签集的匹配度，从预设节目集中确定出满足用户偏好类型要求的待推荐节目集合进行推荐。
在本申请实施例中，可以获取各节目类型对应的行为价值的均值，从而确定行为价值大于等于该均值的节目类型为用户偏好类型。
在本申请实施例中，在从预设节目集中确定出满足用户偏好类型要求的待推荐节目集合进行推荐时，一种可行的方式是：可以从预设节目集中，确定出属于用户偏好类型的节目，然后获取属于用户偏好类型的节目与推荐标签集的匹配度，进而根据各属于用户偏好类型的节目与推荐标签集的匹配度，从各属于用户偏好类型的节目中确定出待推荐节目集合。
此外，本申请实施例还具有另一种可行方式，可以先获取预设节目集中各节目与推荐标签集的匹配度，根据预设节目集中各节目与推荐标签集的匹配度，从预设节目集中确定出候选节目集，再从候选节目集中确定出属于所述用户偏好类型的节目，得到待推荐节目集合。
通过本申请实施例的方案，通过对各节目设置标签，并通过历史实际收视过的节目来实现对于节目标签的价值分布的确定，从而使得各节目标签得以与用户的实际收视行为强相关，分析得出用户所偏好的标签。进而可以根据节目标签的价值分布实现对于待推荐节目集合的确定，能够使得推荐的待推荐节目能更符合用户的实际收视偏好，更贴合用户实际需要，可以实现对于大屏终端用户的可靠性推荐。
实施例二：
本申请实施例在实施例一的基础上，以预先划分时间段，每个时段对应有一个特征表的情况为例，对本申请的方案进行示例说明。
1、设某时间段内，用户打开了智能推荐功能。
2、实时计算该时间段的点播推荐列表与直播推荐节目：
2.1、判断当前是否已进行了3次有效的点播收视；若是，执行2.3，否则，执行2.2；
2.2、给用户推荐近期最新最热的点播节目列表作为推荐的点播节目，给用户推荐最近7天最热门的直播节目。
2.3、按照用户的特征表，提取数据进行推荐：
2.31、特征表的提取：
2.311、按照该时间段对应的特征表，提取价值分布张量T。价值分布张量由各节目标签的标签向量以及其对应的价值构成，例如参见图4所示，图4中上面一行表征对应的标签向量，下面一行表征各标签向量对应的价值。
2.312、点播节目使用贪婪模式多臂赌博方法对推荐标签列表进行概率预测，行成推荐标签集合：
首先，按照价值分布张量T计算出一个随机概率x，将上一收视节目的收视完成度pn-1的补数(el＝1-pn-1)作为比较值。
在x大于el时，抽取特征表中价值最高的节目标签；否则，从非价值最高的节目标签中按照Gibbs抽样随机抽取一个节目标签。
对剩余标签重复上述过程，并取最后一次收看节目的节目标签个数作为推荐标签数，得到推荐标签集合。
2.313、对预设点播节目集合中包含推荐标签的节目，按照标签在这个节目上的符合度(由标签系统给出)得到待推荐节目集合。
2.314、在待推荐节目集合中加入最新最热的点播节目得到最终的待推荐节目集合，并确定待推荐节目集合中各待推荐节目对应的价值分布张量Ti。
2.315、计算每一个Ti与T之间的距离(使用Mahalanobis distance计算)。
2.316、按照距离，由小到大排列各Ti对应的待推荐节目，得到点播推荐列表。
前述2.312至2.316是针对点播节目的待推荐节目确定流程，对于直播节目而言，可以将T带入训练完的Transformer模型中，计算得到预测标签张量。根据预测标签张量确定出推荐标签集合，进而根据与2.313至2.316相同的步骤(区别仅在于预设节目集合为预设直播节目集合，加入的最新最热的节目为最新最热的直播节目)，计算完待推荐节目集合，按照距离取前5个直播节目作为待推荐直播节目。
2.4、终端接收点播推荐列表和直播推荐节目，形成推荐节目列表。
2.5、比较当前用户尚在追剧阶段的节目集，如果不符合上次用户收看追剧节目的时间段，则不在推荐节目列表前追加追剧节目；否则，在在推荐节目列表前追加追剧节目。
2.6、如果存在用户指定的节目，则把指定的节目添加到推荐节目列表最开始的位置。
在本申请实施例中，推荐的点播节目列表与直播节目依赖直播节目的打点时间(即播放起始时间)进行混合，当时间达到打点时间时，可以设定直接播放当时段的直播节目。
若用户打开终端时无推荐的直播节目，则播放推荐节目列表的第一个点播节目，当时间到达直播节目的开始时间，询问用户是否看推荐的直播节目。
2.7、当用户收看完节目，或退出播放，或选择节目播放时，则需要根据当前用户收视结果，更新收视开始时所对应的时段的特征表：
2.71、设置特征表具有所有的节目标签，并在最初为各节目标签设置初始值。
2.72、使用公式
Figure BDA0002539172810000191
计算本次收视的行为价值。
2.73、按照公式
Figure BDA0002539172810000201
和Qin＝Qi(n-1)+ΔQni确定出各节目标签最新的价值；
2.74、更新价值分布张量T。
如果到了下一个时间段，用户未退出智能推荐频道则不更新推荐列表；如果用户退出了，则在下次进入时更新对应时段的推荐列表。
本申请的方案对节目信息做了简单抽象定义，使用节目标签作为统一各种节目的基本属性，一方面间接解决了混合推荐的复杂程度，另一方面也可以为标签逐步完善提供技术解决的空间。此外，本申请是基于强化学习的多臂赌博方法实现的价值更新与节目推荐，相比于深度学习方案，可以在标签逐步完善、增加时降低对推荐效率的影响，降低算法的更迭频率，也为多用户或家庭用户的推荐形成更好的选择解决方案。当用户包含的行为特征变多时，多臂赌博方案的选择会呈现更散列的状态，也更能契合不同用户选择的特征做出更优化的推荐结果，更符合实际，从而达到更好的推挤效果。此外，本申请中采用张量进行预测推荐，运算量低。
实施例三：
基于同一发明构思，本申请实施例中还提供了一种节目推荐装置。请参阅图5，图5示出了与实施例一所示的节目推荐方法对应的节目推荐装置100。应理解，装置100具体的功能可以参见上文中的描述，为避免重复，此处适当省略详细描述。装置100中包括至少一个能以软件或固件的形式存储于存储器中或固化在装置100的操作系统中的软件功能模块。具体地：
参见图5所示，节目推荐装置100包括：获取模块101、处理模块102和推荐模块103。其中：
所述获取模块101，用于获取预设特征表中各节目标签的价值分布；所述预设特征表对应的价值分布，是根据历史实际收视过的节目所对应的节目标签确定出的，对各节目标签偏好的分布；
所述处理模块102，用于根据所述价值分布从所述预设特征表所对应各节目标签中确定出推荐标签集；根据预设节目集中各节目与所述推荐标签集的匹配度，确定出待推荐节目集合；
所述推荐模块103，用于推荐所述待推荐节目集合中的各待推荐节目。
在本申请实施例中，所述预设特征表为当前时刻所在的目标时段所对应的特征表；所述目标时段对应的特征表，是根据该目标时段中历史实际收视过的节目所对应的节目标签确定出的，对各节目标签偏好的分布。
在本申请实施例的一种可行实施方式中，处理模块102具体用于根据所述价值分布，采用多臂赌博算法从所述预设特征表所对应各节目标签中确定出推荐标签集。
在前述可行实施方式中，处理模块102具体用于获取上一收视节目的收视完成度Qn-1；根据所述Qn-1确定比较值；按照所述价值分布确定一随机数；在所述随机数大于所述比较值时，从所述特征表的各节目标签中抽取出价值最大的节目标签作为推荐标签；在所述随机数小于等于所述比较值时，从所述特征表的各节目标签中随机抽取一个节目标签作为推荐标签；重新按照所述价值分布确定一随机数；在所述随机数大于所述比较值时，从所述特征表的剩余节目标签中抽取出价值最大的节目标签作为推荐标签；在所述随机数小于等于所述比较值时，从所述特征表的剩余节目标签中随机抽取一个节目标签作为推荐标签；直至抽取出的所述推荐标签的数量达到预设数量。
在前述可行实施方式中，所述预设节目集包括预设的点播节目集；处理模块102具体用于根据所述点播节目集中各点播节目与所述推荐标签集的匹配度，确定出待推荐点播节目集合。
在本申请实施例的另一种可行实施方式中，处理模块102具体用于将所述价值分布输入训练好的时序预测模型中，得到预测的标签价值分布；根据所述预测的标签价值分布，确定价值最高的n个节目标签为推荐标签。
在前述可行实施方式中，所述时序预测模型为Transformer模型。
在前述可行实施方式中，所述预设节目集包括预设的直播节目集；处理模块102具体用于根据所述直播节目集中各直播节目与所述推荐标签集的匹配度，确定出待推荐直播节目集合。
在本申请实施例中，处理模块102还用于在推荐所述待推荐节目集合中的各待推荐节目之前，将预设待推荐节目加入到所述待推荐节目集合中。
在本申请实施例中，推荐模块103具体用于按照预设规则对排列各所述待推荐节目；推荐排列好的各所述待推荐节目。
在本申请实施例中，推荐模块103具体用于获取所述价值分布对应的价值张量T；所述价值张量T由所述特征表中各节目标签的价值作为张量元素依次排列构成；确定各所述待推荐节目对应的价值张量Ti；所述Ti与所述T的节目标签排列一致，且所述Ti中各节目标签的价值为各节目标签在所述Ti对应的待推荐节目中的比重；计算各所述Ti与所述T之间的距离；按照距离由小到大的顺序排列各所述Ti对应的待推荐节目，推荐排列好的各所述待推荐节目。
在本申请实施例中，处理模块102还用于在任一节目收视结束后，获取该节目的起始收视时间、收视完成度和节目标签；根据该节目的收视完成度确定该节目的行为价值；根据所述行为价值以及该节目的各节目标签在该节目中的预设比重，确定各所述节目标签的价值；根据各所述节目标签的价值，更新所述起始收视时间所在时间段的特征表。
在本申请实施例中，处理模块102具体用于获取上一收视节目的收视完成度；根据该节目的收视完成度和所述上一收视节目对应的行为价值，确定该节目的行为价值。
在本申请实施例中，处理模块102具体用于根据所述行为价值以及各所述节目标签在该节目中的预设比重，确定各所述节目标签对应的价值增量；获取所述起始收视时间所在时间段的特征表中，各所述节目标签对应的原始价值；根据各所述节目标签对应的原始价值和所述价值增量，确定各所述节目标签最新的价值。
在本申请实施例中，处理模块102具体用于获取预设的各节目类型的对应的行为价值；所述各节目类型对应的行为价值，是根据历史实际收视过的该类型的节目所确定出的用于表征用户对该节目类型的偏好情况的值；根据各节目类型对应的行为价值确定出用户偏好类型；根据预设节目集中各节目与所述推荐标签集的匹配度，从所述预设节目集中确定出满足所述用户偏好类型要求的待推荐节目集合。
在本申请实施例中，处理模块102具体用于获取各节目类型对应的行为价值的均值；确定所述行为价值大于等于所述均值的节目类型为用户偏好类型。
需要理解的是，出于描述简洁的考量，部分实施例一中描述过的内容在本实施例中不再赘述。
实施例四：
此外，本实施例还提供了一种电子设备，参见图6所示，其包括处理器601、存储器602以及通信总线603。其中：
通信总线603用于实现处理器601和存储器602之间的连接通信。
处理器601用于执行存储器602中存储的一个或多个程序，以实现上述实施例一中的节目推荐方法。
可以理解，图6所示的结构仅为示意，电子设备还可包括比图6中所示更多或者更少的组件，或者具有与图6所示不同的配置，例如还可以具有数据输入/输出组件等部件。
在本申请实施例中，电子设备可以为后端服务器，也可以为前端终端设备。
本实施例还提供了一种可读存储介质，如软盘、光盘、硬盘、闪存、U盘、SD(SecureDigital Memory Card，安全数码卡)卡、MMC(Multimedia Card，多媒体卡)卡等，在该可读存储介质中存储有实现上述各个步骤的一个或者多个程序，这一个或者多个程序可被一个或者多个处理器执行，以实现上述实施例一中的节目推荐方法。在此不再赘述。
在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。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，又例如，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通信接口，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。
另外，作为分离部件说明的单元可以是或者也可以不是物料上分开的，作为单元显示的部件可以是或者也可以不是物料单元，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。
再者，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
在本文中，多个是指两个或两个以上。
以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (17)

1.一种节目推荐方法，其特征在于，包括：
获取预设特征表中各节目标签的价值分布；所述预设特征表对应的价值分布，是根据历史实际收视过的节目所对应的节目标签确定出的，对各节目标签偏好的分布；
根据所述价值分布从所述预设特征表所对应各节目标签中确定出推荐标签集；
根据预设节目集中各节目与所述推荐标签集的匹配度，确定出待推荐节目集合；
推荐所述待推荐节目集合中的各待推荐节目；
其中：根据所述价值分布从所述预设特征表所对应各节目标签中确定出推荐标签集，包括：
获取上一收视节目的收视完成度pn-1；
根据所述pn-1确定比较值；
按照所述价值分布确定一随机数；
在所述随机数大于所述比较值时，从所述特征表的各节目标签中抽取出价值最大的节目标签作为推荐标签；在所述随机数小于等于所述比较值时，从所述特征表的各节目标签中随机抽取一个节目标签作为推荐标签；
重新按照所述价值分布确定一随机数；在所述随机数大于所述比较值时，从所述特征表的剩余节目标签中抽取出价值最大的节目标签作为推荐标签；在所述随机数小于等于所述比较值时，从所述特征表的剩余节目标签中随机抽取一个节目标签作为推荐标签；直至抽取出的所述推荐标签的数量达到预设数量。
2.如权利要求1所述的节目推荐方法，其特征在于，所述预设特征表为当前时刻所在的目标时段所对应的特征表；所述目标时段对应的特征表，是根据该目标时段中历史实际收视过的节目所对应的节目标签确定出的，对各节目标签偏好的分布。
3.如权利要求1所述的节目推荐方法，其特征在于，所述预设节目集包括预设的点播节目集；
根据预设节目集中各节目与所述推荐标签集的匹配度，确定出待推荐节目集合，包括：
根据所述点播节目集中各点播节目与所述推荐标签集的匹配度，确定出待推荐点播节目集合。
4.如权利要求1所述的节目推荐方法，其特征在于，根据所述价值分布从所述预设特征表所对应各节目标签中确定出推荐标签集，包括：
将所述价值分布输入训练好的时序预测模型中，得到预测的标签价值分布；
根据所述预测的标签价值分布，确定价值最高的n个节目标签为推荐标签。
5.如权利要求4所述的节目推荐方法，其特征在于，所述时序预测模型为Transformer模型。
6.如权利要求4所述的节目推荐方法，其特征在于，所述预设节目集包括预设的直播节目集；
根据预设节目集中各节目与所述推荐标签集的匹配度，确定出待推荐节目集合，包括：
根据所述直播节目集中各直播节目与所述推荐标签集的匹配度，确定出待推荐直播节目集合。
7.如权利要求1所述的节目推荐方法，其特征在于，在推荐所述待推荐节目集合中的各待推荐节目之前，所述方法还包括：
将预设待推荐节目加入到所述待推荐节目集合中。
8.如权利要求1所述的节目推荐方法，其特征在于，所述推荐所述待推荐节目包括：
按照预设规则对排列各所述待推荐节目；
推荐排列好的各所述待推荐节目。
9.如权利要求8所述的节目推荐方法，其特征在于，所述方法还包括：获取所述价值分布对应的价值张量T；所述价值张量T由所述特征表中各节目标签的价值作为张量元素依次排列构成；
按照预设规则对排列各所述待推荐节目，包括：
确定各所述待推荐节目对应的价值张量Ti；所述Ti与所述T的节目标签排列一致，且所述Ti中各节目标签的价值为各节目标签在所述Ti对应的待推荐节目中的比重；
计算各所述Ti与所述T之间的距离；
按照距离由小到大的顺序排列各所述Ti对应的待推荐节目，
推荐排列好的各所述待推荐节目。
10.如权利要求2所述的节目推荐方法，其特征在于，所述方法还包括：
在任一节目收视结束后，获取该节目的起始收视时间、收视完成度和节目标签；
根据该节目的收视完成度确定该节目的行为价值；
根据所述行为价值以及该节目的各节目标签在该节目中的预设比重，确定各所述节目标签的价值；
根据各所述节目标签的价值，更新所述起始收视时间所在时间段的特征表。
11.如权利要求10所述的节目推荐方法，其特征在于，所述方法还包括：获取上一收视节目的收视完成度；
根据该节目的收视完成度确定该节目的行为价值，包括：
根据该节目的收视完成度和所述上一收视节目对应的行为价值，确定该节目的行为价值。
12.如权利要求10所述的节目推荐方法，其特征在于，根据所述行为价值以及各所述节目标签在该节目中的预设比重，确定各所述节目标签的价值，包括：
根据所述行为价值以及各所述节目标签在该节目中的预设比重，确定各所述节目标签对应的价值增量；
获取所述起始收视时间所在时间段的特征表中，各所述节目标签对应的原始价值；
根据各所述节目标签对应的原始价值和所述价值增量，确定各所述节目标签最新的价值。
13.如权利要求1-12任一项所述的节目推荐方法，其特征在于，所述方法还包括：
获取预设的各节目类型的对应的行为价值；所述各节目类型对应的行为价值，是根据历史实际收视过的该类型的节目所确定出的用于表征用户对该节目类型的偏好情况的值；
根据各节目类型对应的行为价值确定出用户偏好类型；
根据预设节目集中各节目与所述推荐标签集的匹配度，确定出待推荐节目集合，包括：
根据预设节目集中各节目与所述推荐标签集的匹配度，从所述预设节目集中确定出满足所述用户偏好类型要求的待推荐节目集合。
14.如权利要求13所述的节目推荐方法，其特征在于，根据各节目类型对应的行为价值确定出用户偏好类型，包括：
获取各节目类型对应的行为价值的均值；
确定所述行为价值大于等于所述均值的节目类型为用户偏好类型。
15.一种节目推荐装置，其特征在于，包括：获取模块、处理模块和推荐模块；
所述获取模块，用于获取预设特征表中各节目标签的价值分布；所述预设特征表对应的价值分布，是根据历史实际收视过的节目所对应的节目标签确定出的，对各节目标签偏好的分布；
所述处理模块，用于根据所述价值分布从所述预设特征表所对应各节目标签中确定出推荐标签集；根据预设节目集中各节目与所述推荐标签集的匹配度，确定出待推荐节目集合；
所述推荐模块，用于推荐所述待推荐节目集合中的各待推荐节目；
所述处理模块，具体用于获取上一收视节目的收视完成度Qn-1；根据所述Qn-1确定比较值；按照所述价值分布确定一随机数；在所述随机数大于所述比较值时，从所述特征表的各节目标签中抽取出价值最大的节目标签作为推荐标签；在所述随机数小于等于所述比较值时，从所述特征表的各节目标签中随机抽取一个节目标签作为推荐标签；重新按照所述价值分布确定一随机数；在所述随机数大于所述比较值时，从所述特征表的剩余节目标签中抽取出价值最大的节目标签作为推荐标签；在所述随机数小于等于所述比较值时，从所述特征表的剩余节目标签中随机抽取一个节目标签作为推荐标签；直至抽取出的所述推荐标签的数量达到预设数量。
16.一种电子设备，其特征在于，包括处理器、存储器及通信总线；
所述通信总线用于实现所述处理器和存储器之间的连接通信；
所述处理器用于执行存储器中存储的一个或者多个程序，以实现如权利要求1至14任一项所述的节目推荐方法。
17.一种可读存储介质，其特征在于，所述可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如权利要求1至14任一项所述的节目推荐方法。
CN202010545297.5A 2020-06-15 2020-06-15 节目推荐方法、装置、电子设备及可读存储介质 Active CN111669654B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010545297.5A CN111669654B (zh) 2020-06-15 2020-06-15 节目推荐方法、装置、电子设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010545297.5A CN111669654B (zh) 2020-06-15 2020-06-15 节目推荐方法、装置、电子设备及可读存储介质

Publications (2)

Publication Number Publication Date
CN111669654A CN111669654A (zh) 2020-09-15
CN111669654B true CN111669654B (zh) 2022-05-13

Family

ID=72387965

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010545297.5A Active CN111669654B (zh) 2020-06-15 2020-06-15 节目推荐方法、装置、电子设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN111669654B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112637685B (zh) * 2020-12-11 2024-01-30 上海连尚网络科技有限公司 视频的处理方法和装置

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4124115B2 (ja) * 2003-12-02 2008-07-23 ソニー株式会社 情報処理装置及び情報処理方法、並びにコンピュータ・プログラム
CN106791963B (zh) * 2016-12-08 2020-08-18 Tcl科技集团股份有限公司 一种电视节目推荐方法及系统
CN110248246B (zh) * 2019-05-14 2022-12-30 平安科技（深圳）有限公司 数据分析方法、装置、计算机设备及计算机可读存储介质
CN110598047A (zh) * 2019-08-22 2019-12-20 优地网络有限公司 一种影视信息推荐方法、装置、电子设备及存储介质
CN110704677B (zh) * 2019-08-23 2023-03-17 优地网络有限公司 一种节目推荐方法、装置、可读存储介质及终端设备

Also Published As

Publication number Publication date
CN111669654A (zh) 2020-09-15

Similar Documents

Publication Publication Date Title
US11017024B2 (en) Media content rankings for discovery of novel content
EP2817970B1 (en) Automatically recommending content
US9402101B2 (en) Content presentation method, content presentation device, and program
CN110012060B (zh) 移动终端的信息推送方法、装置、存储介质和服务器
CN110430471A (zh) 一种基于瞬时计算的电视推荐方法和系统
CN107885852B (zh) 一种基于app使用记录的app推荐方法及系统
CN110892730B (zh) 电子设备及其控制方法
CN110430476A (zh) 直播间搜索方法、系统、计算机设备和存储介质
CN112464025B (zh) 视频推荐方法、装置、电子设备及介质
CN112507163B (zh) 时长预测模型训练方法、推荐方法、装置、设备及介质
CN109511015B (zh) 多媒体资源推荐方法、装置、存储介质及设备
JP2008542870A (ja) コンテンツに対するユーザの群の全体の関心を推定するため方法及び装置
CN105718510B (zh) 一种多媒体数据推荐方法及装置
CN106202226A (zh) 一种资源推荐方法及装置
CN111669654B (zh) 节目推荐方法、装置、电子设备及可读存储介质
CN111523050A (zh) 内容推荐方法、服务器及存储介质
KR20120016723A (ko) 메뉴 선호 정보를 이용한 콘텐츠 추천 방법
JP2014215685A (ja) レコメンドサーバおよびレコメンドコンテンツ決定方法
CN109213933B (zh) 内容项推荐方法、装置、设备及存储介质
KR102263691B1 (ko) 유망 콘텐츠 선정 방법, 장치 및 컴퓨터프로그램
CN110809190B (zh) 一种基于智能电视的匹配用户角色的方法、装置及服务器
CN104918117B (zh) 一种智能电视广告及用户标签推荐方法
CN110087104B (zh) 信息推送的装置、方法、电子设备和计算机可读存储介质
CN114154014A (zh) 视频冷启动推荐方法和装置
JP2022026683A (ja) レコメンド装置

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
GR01 Patent grant
GR01 Patent grant