CN111935513B - 一种面向家庭用户的网络电视节目推荐方法及装置 - Google Patents

一种面向家庭用户的网络电视节目推荐方法及装置 Download PDF

Info

Publication number
CN111935513B
CN111935513B CN202010676222.0A CN202010676222A CN111935513B CN 111935513 B CN111935513 B CN 111935513B CN 202010676222 A CN202010676222 A CN 202010676222A CN 111935513 B CN111935513 B CN 111935513B
Authority
CN
China
Prior art keywords
user
program
matrix
programs
preference
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
CN202010676222.0A
Other languages
English (en)
Other versions
CN111935513A (zh
Inventor
温雯
刘芳
蔡瑞初
郝志峰
陈炳丰
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.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
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 Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN202010676222.0A priority Critical patent/CN111935513B/zh
Publication of CN111935513A publication Critical patent/CN111935513A/zh
Application granted granted Critical
Publication of CN111935513B publication Critical patent/CN111935513B/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]
    • H04N21/20—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
    • 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
    • H04N21/4508—Management of client data or end-user data
    • H04N21/4532—Management of client data or end-user data involving end-user characteristics, e.g. viewer profile, 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
    • H04N21/45—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
    • H04N21/4661—Deriving a combined profile for a plurality of end-users of the same client, e.g. for family members within a home
    • 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
    • H04N21/45—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

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Computing Systems (AREA)
  • Computer Graphics (AREA)
  • Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开一种面向家庭用户的网络电视节目推荐方法及装置，通过对各时刻下的家庭用户历史观看节目记录判别出用户角色，重点关注用户的长短期偏好随时间的动态变化，考虑用户的每一次行为内部的有序性和多个行为之间的关联性，能够考虑包含多类用户角色的复杂时序数据形式，将用户角色的嵌入向量输入至用户偏好预测模型，输出用户对所有节目的偏好预测值，利用预测值的大小输出电视节目推荐结果，在考虑节目标签关联性的前提下，提高了推荐的精准性和速度。

Description

一种面向家庭用户的网络电视节目推荐方法及装置
技术领域
本发明涉及电视节目推荐算法领域，更具体地，涉及一种面向家庭用户的网络电视节目推荐方法及装置。
背景技术
近年来，推荐系统已经成功应用到了诸多领域。但由于家庭用户里含有多个角色，因此每个时间段内用户的行为可能对应不同的家庭角色，导致传统的推荐系统达不到精准推荐，如当儿童在看电视时，推荐的是老年人的电视节目，这样就失去了推荐系统的重要作用。
如专利申请201711426219.8和201310695218.9，目前，构建推荐系统存在着几个主要的挑战：1.如何精准把握用户兴趣：用户兴趣不仅存在多样性，而且会随着时间发生动态变化；对用户兴趣的挖掘需要海量数据，如何合理建模；不同算法模型对用户兴趣的刻画结果不同，如何优化模型；2.冷启动问题：分为用户冷启动和物品冷启动问题：用户冷启动需要解决如何给新用户进行个性化推荐的问题；物品冷启动需要解决如何将新的物品快速推荐给可能对它感兴趣的用户；3.实际应用面临诸多考验：对于视频内容来说，一个用户ID背后可能是一个家庭的成员都在共用，因此如何捕捉到这种家庭用户角色随时间的兴趣变化，为该类家庭用户进行精准推荐是一个考验；4.推荐结果不精准，单调性和重复性高：推荐内容越来越单调，优质内容得不到曝光，而低俗或猎奇的内容可能会赢得大量的推荐曝光，且仅依赖内容分类和标签的推荐质量低下。而传统的推荐算法在设计时并没有主动地考虑到时间因素，并且由于传统的推荐算法都是基于用户的历史行为数据建模，其所产生的推荐结果往往会有偏差，如协同过滤中基于矩阵分解的一系列算法。
发明内容
本发明为克服上述现有技术所述的推荐结果不精准的缺陷，提供一种面向家庭用户的网络电视节目推荐方法及装置，提高了推荐的精准性和速度。
为解决上述技术问题，本发明的技术方案如下：
一种面向家庭用户的网络电视节目推荐方法，其特征在于，包括如下步骤：
S101：读取用户历史行为数据并进行预处理，预处理包括筛选活跃用户、清洗脏数据、填充缺失值；所述历史行为数据是用户对网络电视节目点击观看的历史行为记录，包括用户在各个频道上的点播与观看节目的时间序列；
S102：根据节目标签判别电视节目观看日志记录中的各历史节目所对应的家庭用户角色；所述节目标签即节目类型；
S103：构造每个时刻下各类用户角色观看节目的多项式分布矩阵uw(t)，w表示家庭用户角色，并统计每个时刻下所有节目的流行度μi(t)，通过构建对应时刻下节目的流行度矩阵μi(u,t)得出用户对节目的倾向评分加权值矩阵
Figure BDA0002584152670000021
S104：将分类后的用户历史行为yui(t)和倾向评分加权倒数
Figure BDA0002584152670000022
即逆倾向评分加权值，输入至用户偏好预测模型，得到各时刻下对应家庭用户角色的潜在偏好因子θu(t)，并与节目潜在属性因子βi(t)求内积，输出用户对所有节目的偏好预测值
Figure BDA0002584152670000023
即：
Figure BDA0002584152670000024
S105：用交替最小二乘法对机器学习模型进行训练，并按照从大到小的顺序，筛选出用户对物品的偏好预测值
Figure BDA0002584152670000025
排在前K位的对应节目i，作为用户的偏好预测结果并进行推荐，其中K为预设值。
优选地，步骤S102中，所述的家庭用户角色预设为老人、成年人、儿童三种。
优选地，步骤S103中，倾向评分加权值矩阵为将各时刻下三类家庭用户角色出现的概率与对应时刻下所有节目的流行度矩阵相乘，即通过公式：
Figure BDA0002584152670000026
倾向评分加权值矩阵
Figure BDA0002584152670000027
优选地，步骤S104中，家庭用户观看节目的角色是随时间变化的，将用户和节目映射到共同的低维潜在因子空间中，得到随时间变化的潜在用户偏好因子θu(t)和节目潜在属性因子βi(t)。
优选地，步骤S104中，在对用户偏好预测模型训练的过程中，通过目标函数或损失函数训练模型参数θu(t)、βi(t)直至模型收敛，其中目标函数为：
Figure BDA0002584152670000028
Figure BDA0002584152670000031
其中，yui(t)表示用户u在t时刻对节目i的点击，λθ、λβ为用户项和节目项的正则化系数。
优选地，步骤S105中，使用交替最小二乘法对机器学习模型进行训练的步骤如下：
步骤S201：假设有一个关于用户偏好预测模型的模型参数θu和βi的目标函数L(θu，βi)；
步骤S202：固定βi，计算L(θu，βi)对θu的导数
Figure BDA0002584152670000032
步骤S203：固定θu，计算L(θu，βi)对βi的导数
Figure BDA0002584152670000033
在具体实施例中，利用公式(3)，得到模型的训练参数更新公式为：
Figure BDA0002584152670000034
Figure BDA0002584152670000035
其中，公式(4)中假设物品潜在属性矩阵是一个随时间变化的大小为|I|×k的矩阵β(t)，其中k为向量维度，|I|为物品数目；对于每个用户u我们定义一个随时间变化的大小为|I|×|I|的对角矩阵Pu(t)，其中
Figure BDA0002584152670000036
y(u)＝yui表示用户u点击了节目i，即用户u的实际偏好；公式(5)中假设用户潜在偏好矩阵是一个随时间变化的大小为|U|×k的矩阵θ(t)，对于每个物品i我们定义一个随时间变化的大小为|U|×|U|的对角矩阵Pi(t)，其中
Figure BDA0002584152670000037
y(i)＝yui表示用户u的所有喜好。
由此，通过不断迭代模型参数θu(t)、βi(t)使公式(3)的目标函数最小化，得到模型收敛后用户点击矩阵中缺失项的值，取
Figure BDA0002584152670000038
的内积按从大到小排在前K位对应的节目为用户作推荐。
一种面向家庭用户的网络电视节目推荐装置，包括：
预处理模块：用于对用户历史行为数据进行预处理，预处理包括筛选活跃用户、清洗脏数据、填充缺失值；所述历史行为数据是用户对网络电视节目点击观看的历史行为记录，包括用户在各个频道上的点播与观看节目的时间序列；
用户角色分类模块：用于根据节目标签判别电视节目观看日志记录中的各历史节目所对应的家庭用户角色，输出当前用户群组角色的潜在偏好因子和节目的潜在属性因子；
用户偏好预测值计算模块：用于将当前时刻下的用户潜在偏好因子和节目潜在属性因子输入至用户偏好预测模型中，输出所有节目被点击的概率预测值；
推荐结果输出模块：用于按照从大到小的顺序，筛选出偏好预测值排在前K位对应的节目，作为用户的偏好预测结果并进行推荐。
优选地，在所述用户角色分类模块中，构造每个时刻下各类用户角色观看节目的多项式分布矩阵，并统计各时刻下所有节目的流行度，通过构建对应时刻下节目的流行度矩阵，得出节目的倾向评分加权值矩阵。
优选地，所述用户偏好预测值计算模块利用交替最小二乘法进行训练和优化用户偏好预测模型，并得到各个时刻下的用户潜在偏好因子和节目潜在属性因子。
优选地，所述用户偏好预测值计算模块中，训练过程利用因果推断逆倾向评分加权方法降低流行度高的物品的权重，增大流行度低的物品的权重，可以有效解决节目长尾分布问题，消除推荐偏差。
与现有技术相比，本发明技术方案的有益效果是：本发明公开一种面向家庭用户的网络电视节目推荐方法，通过对各时刻下的家庭用户历史观看节目记录判别出用户角色，重点关注用户的长短期偏好随时间的动态变化，考虑用户的每一次行为内部的有序性和多个行为之间的关联性，能够考虑包含多类用户角色的复杂时序数据形式，将用户角色的嵌入向量输入至用户偏好预测模型，输出用户对所有节目的偏好预测值，利用预测值的大小输出电视节目推荐结果，在考虑节目标签关联性的前提下，提高了推荐的精准性和速度。
附图说明
图1为实施例1面向家庭用户的网络电视节目推荐方法的流程图。
图2为实施例2面向家庭用户的网络电视节目推荐装置的示意图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
如图1所示，本实施例提供一种面向家庭用户的网络电视节目推荐方法，包括如下步骤：
S101：读取用户历史行为数据并进行预处理，预处理包括筛选活跃用户、清洗脏数据、填充缺失值；例如，可以对缺失节目标签的节目进行标签补全，筛选出活跃用户进行实验，清洗“脏”数据；所述历史行为数据是用户对网络电视节目点击观看的历史行为记录，包括用户在各个频道上的点播与观看节目的时间序列；
S102：根据节目标签判别电视节目观看日志记录中的各历史节目所对应的家庭用户角色；所述节目标签即节目类型，节目类型包括动画、综艺、养生、财经、体育、生活、军事、教育、资讯等；具体判别过程为：获取在某一时间单位内用户的点击序列，构成用户在该时段的时序行为。例如，11月1日18：00--19：00用户u在某一电视频道下的点击节目i的节目序列yui为(动画|猫和老鼠→综艺|快乐大本营→生活|养生堂)，那么这样的一个点击序列就成为用户在该时段下的一个时序行为。利用划分好的用户时序行为进行建模。可将用户的时序行为按序列中的节目标签进行用户角色分类，例如根据上例中的历史节目(动画|猫和老鼠→综艺|快乐大本营→生活|养生堂)标签(动画、综艺、生活)，可以依次将该行为群组角色分类成儿童、成年人、老年人，即在11月1日18：00--19：00时刻该用户的观看行为记录由儿童、成年人、老年人三类家庭用户角色产生。
S103：构造每个时刻下各类用户角色观看节目的多项式分布矩阵uw(t)，w表示家庭用户角色，并统计每个时刻下所有节目的流行度μi(t)，通过构建对应时刻下节目的流行度矩阵得出用户对节目的倾向评分加权值矩阵
Figure BDA0002584152670000051
S104：将分类后的用户历史行为yui(t)和倾向评分加权倒数
Figure BDA0002584152670000052
即逆倾向评分加权值，输入至用户偏好预测模型，得到各时刻下对应家庭用户角色的潜在偏好因子θu(t)，并与节目潜在属性因子βi(t)求内积，输出用户对所有节目的偏好预测值
Figure BDA0002584152670000053
即：
Figure BDA0002584152670000054
S105：用交替最小二乘法对机器学习模型进行训练，并按照从大到小的顺序，筛选出用户对物品的偏好预测值
Figure BDA0002584152670000055
排在前K位的对应节目i，作为用户的偏好预测结果并进行推荐，其中K为预设值。
利用交替最小二乘法(ALS)将协同过滤的矩阵分解问题转化为一个优化问题，交替迭代学习参数直到达到阈值或迭代次数达到上限。
步骤S102中，所述的家庭用户角色预设为老人、成年人、儿童三种。
步骤S103中，倾向评分加权值矩阵的为将各时刻下三类家庭用户角色出现的概率与对应时刻下所有节目的流行度矩阵相乘，具体公式为：
Figure BDA0002584152670000061
利用因果推断的逆倾向评分加权(Inverse Propensity Weighting,IPW)方法降低数据集中流行度高的节目的流行度，增大流行度低的节目的流行度，从而消除推荐偏差。
步骤S104中，家庭用户观看节目的角色是随时间变化的，将用户和节目映射到共同的低维潜在因子空间中，得到随时间变化的潜在用户偏好因子θu(t)和节目潜在属性因子βi(t)。
步骤S104中，在对用户偏好预测模型训练的过程中，通过目标函数或损失函数训练模型参数θu(t)、βi(t)直至模型收敛，其中目标函数为：
Figure BDA0002584152670000062
其中，yui(t)表示用户u在t时刻对节目i的点击，λθ、λβ为用户项和节目项的正则化系数。
步骤S105中，使用交替最小二乘法对机器学习模型进行训练的步骤如下：
步骤S201：假设有一个关于用户偏好预测模型的模型参数θu和βi的目标函数L(θu，βi)；
步骤S202：固定βi，计算L(θu，βi)对θu的导数
Figure BDA0002584152670000063
步骤S203：固定θu，计算L(θu，βi)对βi的导数
Figure BDA0002584152670000064
在具体实施例中，利用公式(3)，得到模型的训练参数更新公式为：
Figure BDA0002584152670000065
Figure BDA0002584152670000071
其中，公式(4)中假设物品潜在属性矩阵是一个随时间变化的大小为|I|×k的矩阵β(t)，其中k为向量维度，|I|为物品数目；对于每个用户u我们定义一个随时间变化的大小为|I|×|I|的对角矩阵Pu(t)，其中
Figure BDA0002584152670000072
y(u)＝yui表示用户u点击了节目i，即用户u的实际偏好；公式(5)中假设用户潜在偏好矩阵是一个随时间变化的大小为|U|×k的矩阵θ(t)，对于每个物品i我们定义一个随时间变化的大小为|U|×|U|的对角矩阵Pi(t)，其中
Figure BDA0002584152670000073
y(i)＝yui表示用户u的所有喜好。
由此，通过不断迭代模型参数θu(t)、βi(t)使公式(3)的目标函数最小化，得到模型收敛后用户点击矩阵中缺失项的值，取
Figure BDA0002584152670000074
的内积按从大到小排在前K位对应的节目为用户作推荐。
本实施例一种面向家庭用户的网络电视节目推荐方法，通过对各时刻下的家庭用户历史观看节目记录判别出用户角色，重点关注用户的长短期偏好随时间的动态变化，考虑用户的每一次行为内部的有序性和多个行为之间的关联性，能够考虑包含多类用户角色的复杂时序数据形式，将用户角色的嵌入向量输入至用户偏好预测模型，输出用户对所有节目的偏好预测值，利用预测值的大小输出电视节目推荐结果，在考虑节目标签关联性的前提下，提高了推荐的精准性和速度。
在实施例中，考虑了用户的时序信息，采用了基于矩阵分解的学习思想，让推荐系统挖掘出家庭用户的历史观看节目记录与节目信息之间的关系，实现精准的个性化推荐，提升了节目的精准性与收视率，并且能够使得推荐系统可以捕捉、跟踪建模用户兴趣、行为随时间的动态变化，从而实现了推荐的动态性并获得更为长期的收益。
实施例2
如图2所示，本实施例提供一种面向家庭用户的网络电视节目推荐装置，包括：
预处理模块：用于对用户历史行为数据进行预处理，预处理包括筛选活跃用户、清洗脏数据、填充缺失值；例如，可以对缺失节目标签的节目进行标签补全，筛选出活跃用户进行实验，清洗“脏”数据；所述历史行为数据是用户对网络电视节目点击观看的历史行为记录，包括用户在各个频道上的点播与观看节目的时间序列；
用户角色分类模块：用于根据节目标签判别电视节目观看日志记录中的各历史节目所对应的家庭用户角色，输出当前用户群组角色的潜在偏好因子和节目的潜在属性因子；
用户偏好预测值计算模块：用于将当前时刻下的用户潜在偏好因子和节目潜在属性因子输入至用户偏好预测模型中，输出所有节目被点击的概率预测值；
推荐结果输出模块：用于按照从大到小的顺序，筛选出偏好预测值排在前K位对应的节目，作为用户的偏好预测结果并进行推荐。
在所述用户角色分类模块中，构造每个时刻下各类用户角色观看节目的多项式分布矩阵，并统计各时刻下所有节目的流行度，通过构建对应时刻下节目的流行度矩阵，得出节目的倾向评分加权值矩阵。
所述用户偏好预测值计算模块利用交替最小二乘法进行训练和优化用户偏好预测模型，并得到各个时刻下的用户潜在偏好因子和节目潜在属性因子。
所述用户偏好预测值计算模块中，训练过程利用因果推断逆倾向评分加权方法降低流行度高的物品的权重，增大流行度低的物品的权重，可以有效解决节目长尾分布问题，消除推荐偏差。
在本发明实施例中，考虑了用户的时序信息，采用了基于矩阵分解的学习思想，让推荐系统挖掘出家庭用户的历史观看节目记录与节目信息之间的关系，实现精准的个性化推荐，提升了节目的精准性与收视率，并且能够使得推荐系统可以捕捉、跟踪建模用户兴趣、行为随时间的动态变化，从而实现了推荐的动态性并获得更为长期的收益。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (8)

1.一种面向家庭用户的网络电视节目推荐方法，其特征在于，包括如下步骤：
S101：读取用户历史行为数据并进行预处理，预处理包括筛选活跃用户、清洗脏数据、填充缺失值；所述历史行为数据是用户对网络电视节目点击观看的历史行为记录，包括用户在各个频道上的点播与观看节目的时间序列；
S102：根据节目标签判别电视节目观看日志记录中的各历史节目所对应的家庭用户角色；所述节目标签即节目类型；
S103：构造每个时刻下各类用户角色观看节目的多项式分布矩阵uw(t)，w表示家庭用户角色，并统计每个时刻下所有节目的流行度μi(t)，通过构建对应时刻下节目的流行度矩阵μi(u，t)，其中u代表用户，并得出用户对节目的倾向评分加权值矩阵
Figure FDA0003519295190000011
S104：将分类后的用户历史行为yui(t)和倾向评分加权倒数
Figure FDA0003519295190000012
即逆倾向评分加权值，输入至用户偏好预测模型，得到各时刻下对应家庭用户角色的潜在偏好因子θu(t)和节目潜在属性因子βi(t)，并将用户角色的潜在偏好因子θu(t)和节目潜在属性因子βi(t)求内积，输出用户对所有节目的偏好预测值
Figure FDA0003519295190000013
即：
Figure FDA0003519295190000014
S105：用交替最小二乘法对机器学习模型进行训练，并按照从大到小的顺序，筛选出用户对物品的偏好预测值
Figure FDA0003519295190000015
排在前K位的对应节目i，作为用户的偏好预测结果并进行推荐，其中K为预设值。
2.根据权利要求1所述的一种面向家庭用户的网络电视节目推荐方法，其特征在于，步骤S102中，所述的家庭用户角色预设为老人、成年人、儿童三种。
3.根据权利要求1所述的一种面向家庭用户的网络电视节目推荐方法，其特征在于，步骤S103中，倾向评分加权值矩阵为将各时刻下三类家庭用户角色出现的概率与对应时刻下所有节目的流行度矩阵相乘，即通过公式：
Figure FDA0003519295190000016
得到倾向评分加权值矩阵
Figure FDA0003519295190000017
4.根据权利要求3所述的一种面向家庭用户的网络电视节目推荐方法，其特征在于，步骤S104中，家庭用户观看节目的角色是随时间变化的，将用户和节目映射到共同的低维潜在因子空间中，得到随时间变化的用户角色的潜在偏好因子θu(t)和节目潜在属性因子βi(t)。
5.根据权利要求4所述的一种面向家庭用户的网络电视节目推荐方法，其特征在于，步骤S104中，在对用户偏好预测模型训练的过程中，通过目标函数或损失函数训练模型参数θu(t)、βi(t)直至模型收敛，其中目标函数为：
Figure FDA0003519295190000021
其中，yui(t)表示用户u在t时刻对节目i的点击，λθ、λβ为用户项和节目项的正则化系数，D表示的是用户的历史点播数据集。
6.根据权利要求5所述的一种面向家庭用户的网络电视节目推荐方法，其特征在于，步骤S105中，使用交替最小二乘法对机器学习模型进行训练的步骤如下：
步骤S201：假设有一个关于用户偏好预测模型的模型参数θu和βi的目标函数L(θu，βi)；
步骤S202：固定βi，计算L(θu，βi)对θu的导数
Figure FDA0003519295190000022
步骤S203：固定θu，计算L(θu，βi)对βi的导数
Figure FDA0003519295190000023
在具体实施例中，利用公式(3)，得到模型的训练参数更新公式为：
Figure FDA0003519295190000024
Figure FDA0003519295190000025
其中，公式(4)中假设物品潜在属性矩阵是一个随时间变化的大小为|I|×k的矩阵β(t)，其中k为向量维度，|I|为物品数目；对于每个用户u我们定义一个随时间变化的大小为|I|×|I|的对角矩阵Pu(t)，其中
Figure FDA0003519295190000026
y(u)＝yui表示用户u点击了节目i，即用户u的实际偏好；公式(5)中假设用户潜在偏好矩阵是一个随时间变化的大小为|U|×k的矩阵θ(t)，对于每个物品i我们定义一个随时间变化的大小为|U|×|U|的对角矩阵Pi(t)，其中
Figure FDA0003519295190000031
y(i)＝yui表示用户u的所有喜好；
由此，通过不断迭代模型参数θu(t)、βi(t)使公式(3)的目标函数最小化，得到模型收敛后用户点击矩阵中缺失项的值，取
Figure FDA0003519295190000032
的内积按从大到小排在前K位对应的节目为用户作推荐。
7.一种面向家庭用户的网络电视节目推荐装置，其特征在于，包括：
预处理模块：用于对用户历史行为数据进行预处理，预处理包括筛选活跃用户、清洗脏数据、填充缺失值；所述历史行为数据是用户对网络电视节目点击观看的历史行为记录，包括用户在各个频道上的点播与观看节目的时间序列；
用户角色分类模块：用于根据节目标签判别电视节目观看日志记录中的各历史节目所对应的家庭用户角色；构造每个时刻下各类用户角色观看节目的多项式分布矩阵，并统计每个时刻下所有节目的流行度，通过构建对应时刻下节目的流行度矩阵，得出用户对节目的倾向评分加权值矩阵；
用户偏好预测值计算模块：用于将分类后的用户历史行为和向评分加权倒数输入至用户偏好预测模型中，到各时刻下对应家庭用户角色的潜在偏好因子和节目潜在属性因子，并将用户角色的潜在偏好因子和节目潜在属性因子求内积，输出用户对所有节目的偏好预测值；
推荐结果输出模块：用于按照从大到小的顺序，筛选出偏好预测值排在前K位对应的节目，作为用户的偏好预测结果并进行推荐。
8.根据权利要求7所述的一种面向家庭用户的网络电视节目推荐装置，其特征在于，所述用户偏好预测值计算模块中，训练过程利用因果推断逆倾向评分加权方法降低流行度高的物品的权重，增大流行度低的物品的权重。
CN202010676222.0A 2020-07-14 2020-07-14 一种面向家庭用户的网络电视节目推荐方法及装置 Active CN111935513B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010676222.0A CN111935513B (zh) 2020-07-14 2020-07-14 一种面向家庭用户的网络电视节目推荐方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010676222.0A CN111935513B (zh) 2020-07-14 2020-07-14 一种面向家庭用户的网络电视节目推荐方法及装置

Publications (2)

Publication Number Publication Date
CN111935513A CN111935513A (zh) 2020-11-13
CN111935513B true CN111935513B (zh) 2022-04-19

Family

ID=73313021

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010676222.0A Active CN111935513B (zh) 2020-07-14 2020-07-14 一种面向家庭用户的网络电视节目推荐方法及装置

Country Status (1)

Country Link
CN (1) CN111935513B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112770181A (zh) * 2021-01-12 2021-05-07 贵州省广播电视信息网络股份有限公司 一种针对家庭组的推荐内容快速验证系统及其方法
CN112784074B (zh) * 2021-02-05 2022-04-22 腾讯科技（深圳）有限公司 一种多媒体数据处理方法、计算机及可读存储介质
CN114154069B (zh) * 2021-12-07 2022-08-12 湖南湘谷信息科技有限公司 基于大数据信息反馈的信息推送方法及人工智能预测系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8572097B1 (en) * 2013-03-15 2013-10-29 FEM, Inc. Media content discovery and character organization techniques
CN103593389A (zh) * 2012-10-30 2014-02-19 Tcl集团股份有限公司 可缩放的内容推荐系统
CN108737856A (zh) * 2018-04-26 2018-11-02 西北大学 社会关系感知的iptv用户行为建模与节目推荐方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103546773B (zh) * 2013-08-15 2017-07-11 Tcl集团股份有限公司 电视节目的推荐方法及其系统
US10313756B2 (en) * 2017-03-03 2019-06-04 Rovi Guides, Inc. System and methods for recommending a media asset relating to a character unknown to a user

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103593389A (zh) * 2012-10-30 2014-02-19 Tcl集团股份有限公司 可缩放的内容推荐系统
US8572097B1 (en) * 2013-03-15 2013-10-29 FEM, Inc. Media content discovery and character organization techniques
CN108737856A (zh) * 2018-04-26 2018-11-02 西北大学 社会关系感知的iptv用户行为建模与节目推荐方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
个性化推荐在移动新闻资讯传播中的应用、影响与反思;杨莉明;《新闻与传播评论》;20200304(第02期);第48-59页 *

Also Published As

Publication number Publication date
CN111935513A (zh) 2020-11-13

Similar Documents

Publication Publication Date Title
CN111935513B (zh) 一种面向家庭用户的网络电视节目推荐方法及装置
WO2020228514A1 (zh) 内容推荐方法、装置、设备及存储介质
US20210352371A1 (en) Machine-learning based systems and methods for analyzing and distributing multimedia content
McAuley et al. From amateurs to connoisseurs: modeling the evolution of user expertise through online reviews
CN107423442B (zh) 基于用户画像行为分析的应用推荐方法及系统，储存介质及计算机设备
Cremonesi et al. Investigating the persuasion potential of recommender systems from a quality perspective: An empirical study
Wang et al. Coevolutionary latent feature processes for continuous-time user-item interactions
Zhang et al. Collaborative filtering with social regularization for TV program recommendation
Zhang et al. Learning from online social ties
WO2017035519A1 (en) Supervised learning based recommendation system
CN103544212A (zh) 一种内容推荐方法及系统
US20230259964A1 (en) Device for providing mediation service between advertiser and influencer by using artificial intelligence, and mediation method using same
Ning et al. Rating prediction via generative convolutional neural networks based regression
US20190087764A1 (en) System and method for assessing publisher quality
Yu et al. Collaborative group embedding and decision aggregation based on attentive influence of individual members: A group recommendation perspective
Said Evaluating the accuracy and utility of recommender systems
Bamnote et al. Evaluating and implementing collaborative filtering systems using apache mahout
Kordabadi et al. A movie recommender system based on topic modeling using machine learning methods
Bento et al. Identifying users from their rating patterns
Németh et al. Visualization of movie features in collaborative filtering
Li et al. Collaborative filtering recommendation algorithm based on user characteristics and user interests
Yu et al. Attributes coupling based item enhanced matrix factorization technique for recommender systems
He et al. Efficient barrage video recommendation algorithm based on convolutional and recursive neural network
CN113852864A (zh) 一种面向iptv终端应用的用户定制化服务推荐方法及系统
Qiu A predictive model for customer purchase behavior in e-commerce context

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