CN112312216B - 基于模因理论的可追溯电视推荐方法及系统 - Google Patents

基于模因理论的可追溯电视推荐方法及系统 Download PDF

Info

Publication number
CN112312216B
CN112312216B CN202011110167.5A CN202011110167A CN112312216B CN 112312216 B CN112312216 B CN 112312216B CN 202011110167 A CN202011110167 A CN 202011110167A CN 112312216 B CN112312216 B CN 112312216B
Authority
CN
China
Prior art keywords
user
data
television
matrix
program
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
CN202011110167.5A
Other languages
English (en)
Other versions
CN112312216A (zh
Inventor
周酉
孙中清
邓晖
王大鹏
谢志泉
徐学森
刘金博
王爱国
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.)
Shandong Haiguan New Media Research Institute Co ltd
Original Assignee
Shandong Haiguan New Media Research Institute 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 Shandong Haiguan New Media Research Institute Co ltd filed Critical Shandong Haiguan New Media Research Institute Co ltd
Priority to CN202011110167.5A priority Critical patent/CN112312216B/zh
Publication of CN112312216A publication Critical patent/CN112312216A/zh
Application granted granted Critical
Publication of CN112312216B publication Critical patent/CN112312216B/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
    • H04N21/4667—Processing of monitored end-user data, e.g. trend analysis based on the log file of viewer selections
    • 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
    • H04N21/4668—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)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了基于模因理论的可追溯电视推荐方法及系统，包括：对获取的节目内容数据和用户行为数据进行数据预处理，得到用户数据矩阵以及内容数据矩阵；根据模因理论和用户使用电视的场景，对用户数据矩阵和内容数据矩阵中的各个特征值进行权重占比的调整；基于特征值权重占比调整后的用户数据矩阵和内容数据矩阵，对电视进行推荐。

Description

基于模因理论的可追溯电视推荐方法及系统
技术领域
本公开涉及电视推荐技术领域，特别是涉及基于模因理论的可追溯电视推荐方法及系统。
背景技术
本部分的陈述仅仅是提到了与本公开相关的背景技术，并不必然构成现有技术。
IPTV，又称互联网协议电视，是建立在基于IP的专用宽带网络之上的视频服务，能够提供高质量的传统电视频道节目和音视频点播内容。相比传统电视节目而言，IPTV电视的优势体现在不仅可以实时的收看传统电视相同的实时在线节目，也可以通过服务商提供的数据平台，搜索自己想看的节目进行在线观看。然而，大量电视节目的出现，也导致了用户很难在海量的电视节目中精确快速的索引到自己喜欢的电视节目，所以，大批量为用户智能的推荐其感兴趣的电视节目产品应运而生。目前为用户智能推荐的产品建模方法，包括分类算法、聚类算法、关联规则算法、协同过滤方法、基于内容的推荐等内容。
目前常用的推荐方法包括基于内容的推荐、基于用户的协同过滤推荐、基于节目的协同过滤推荐以及基于模型的协同过滤推荐。其中，基于用户的协同过滤推荐(User-based Collaborative Filtering Recommendation)：基于用户的协同过滤推荐算法本质是寻找与目标用户拥有相同喜好取向的用户，在找出相似用户之后，根据相似用户的对物品的喜好程度对目标用户进行推荐。基于节目的协同过滤推荐(Item-basedCollaborative Filtering Recommendation)：根据用户对物品或者信息的评价，发现物品和物品间的相似度，然后依据用户的历史偏好将类似的物品推荐给用户。
在实现本公开的过程中，发明人发现现有技术中存在以下技术问题：
上述建模方法在建模过程中时对于推荐系统运营机构来说更是黑盒，对于推荐结果形成原因只具有粗粒度的原理说明，并不具备完全可视化可追溯的能力。
发明内容
为了解决现有技术的不足，本公开提供了基于模因理论的可追溯电视推荐方法及系统；
第一方面，本公开提供了基于模因理论的可追溯电视推荐方法；
基于模因理论的可追溯电视推荐方法，包括：
对获取的节目内容数据和用户行为数据进行数据预处理，得到用户数据矩阵以及内容数据矩阵；
根据模因理论和用户使用电视的场景，对用户数据矩阵和内容数据矩阵中的各个特征值进行权重占比的调整；
基于特征值权重占比调整后的用户数据矩阵和内容数据矩阵，对电视进行推荐。
第二方面，本公开提供了基于模因理论的可追溯电视推荐系统；
基于模因理论的可追溯电视推荐系统，包括：
预处理模块，其被配置为：对获取的节目内容数据和用户行为数据进行数据预处理，得到用户数据矩阵以及内容数据矩阵；
权重调整模块，其被配置为：根据模因理论和用户使用电视的场景，对用户数据矩阵和内容数据矩阵中的各个特征值进行权重占比的调整；
推荐模块，其被配置为：基于特征值权重占比调整后的用户数据矩阵和内容数据矩阵，对电视进行推荐。
第三方面，本公开还提供了一种电子设备，包括：一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序；其中，处理器与存储器连接，上述一个或多个计算机程序被存储在存储器中，当电子设备运行时，该处理器执行该存储器存储的一个或多个计算机程序，以使电子设备执行上述第一方面所述的方法。
第四方面，本公开还提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成第一方面所述的方法。
第五方面，本公开还提供了一种计算机程序(产品)，包括计算机程序，所述计算机程序当在一个或多个处理器上运行的时候用于实现前述第一方面任意一项的方法。
与现有技术相比，本公开的有益效果是：
对于行业客户，加大环境数据、路径数据在建模中的占比，而忽略用户家庭组成、用户年龄等因子的在建模中的加权占比；对于校园用户，固定用户行为信息数据大占比，削弱其他因子比重；对于家庭用户，加大用户基础信息数据在建模中的权重，而忽视其他因子。以此为推荐系统运营机构提供更加可追溯、更加精准的推荐结果。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
图1为第一个实施例的方法流程图。
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
术语解释：
EPG是Electronic Program Guide的英文缩写，意思是电子节目指南。IPTV所提供的各种业务的索引及导航都是通过EPG系统来完成的。IPTVEPG实际上就是IPTV的一个门户系统。EPG系统的界面与Web页面类似，在EPG界面上一般都提供各类菜单、按钮、链接等可供用户选择节目时直接点击的组件；EPG的界面上也可以包含各类供用户浏览的动态或静态的多媒体内容。
ETL，是英文Extract-Transform-Load的缩写，用来描述将数据从来源端经过抽取(extract)、转换(transform)、加载(load)至目的端的过程。
实施例一
本实施例提供了基于模因理论的可追溯电视推荐方法；
如图1所示，基于模因理论的可追溯电视推荐方法，包括：
S101：对获取的节目内容数据和用户行为数据进行数据预处理，得到用户数据矩阵以及内容数据矩阵；
S102：根据模因理论和用户使用电视的场景，对用户数据矩阵和内容数据矩阵中的各个特征值进行权重占比的调整；
S103：基于特征值权重占比调整后的用户数据矩阵和内容数据矩阵，对电视进行推荐。
作为一个或多个实施例，所述获取的节目内容数据和用户行为数据，其中节目内容数据，包括：EPG节目单数据和EPG内容数据。
进一步地，所述EPG内容数据，包括：节目的导演、演员和节目概述等相关信息。所述节目概述，包括：幽默、惊悚、情感或军事等。
进一步地，所述用户行为数据，包括：用户基础信息数据、用户环境数据及节目渠道数据和用户行为信息数据。
进一步地，用户基础信息数据，包括：用户家庭组成、用户年龄、用户性别、用户姓名、用户联系方式和用户入网年限等。
进一步地，所述用户行为信息数据，包括：电视内容历史观看数据、电视内容历史评价数据。所述电视内容历史观看数据，包括：电影、电视剧或动画片等。所述电视内容历史评价数据，包括：好评、中评或差评等。
进一步地，对获取的节目内容数据和用户行为数据进行数据预处理，具体是指通过ETL对数据进行预处理。
进一步地，根据模因理论和用户使用电视的场景，对用户数据矩阵和内容数据矩阵中的各个特征值进行权重占比的调整；具体步骤包括：
对于行业用户，增加用户环境数据及节目渠道数据的权重，降低用户家庭组成、用户年龄和用户性别的权重；
对于校园用户，增加用户行为数据的权重，降低节目内容数据的权重；
对于家庭用户，加大用户基础信息数据和用户行为信息数据的权重，降低节目内容数据、用户环境数据及节目渠道数据的权重。
应理解的，对获取的经过预处理后的全量数据输入，明确用户推荐模型应用场景，对特征进行处理，依托场景选择特征偏向。以此为推荐系统运营机构提供更加可追溯、更加精准的推荐结果。
作为一个或多个实施例，所述基于特征值权重占比调整后的用户数据矩阵和内容数据矩阵，对电视进行推荐；具体步骤包括：
将已知用户电视喜好标签的特征值权重占比调整后的用户数据矩阵和内容数据矩阵均输入到神经网络模型中，对神经网络模型进行训练，得到训练好的神经网络模型；
将待推荐用户的特征值权重占比调整后的用户数据矩阵和内容数据矩阵，输入到训练好的神经网络模型中，输出待推荐用户的推荐电视节目。
作为一个或多个实施例，所述基于特征值权重占比调整后的用户数据矩阵和内容数据矩阵，对电视进行推荐；具体步骤包括：
根据特征值占比调整后的用户数据矩阵以及内容数据矩阵，构建用户节目评分矩阵和节目特征评分矩阵；
基于用户节目评分矩阵和节目特征评分矩阵，对电视进行推荐。
进一步地，所述基于用户节目评分矩阵和节目特征评分矩阵，对电视进行推荐；具体步骤包括：
基于用户节目评分矩阵，计算目标用户与其他用户之间的第一相似度，将相似度值大于等于设定阈值的用户，作为目标用户观看节目相似的邻居；
基于节目特征评分矩阵，计算目标用户与若干个邻居所看过节目内容特征之间的第二相似度；
对第一相似度和第二相似度加权求和，得到总的相似度，得到目标用户与若干个邻居的总的相似度；
对所有的总的相似度按照从高到低进行排序，将排序靠前的若干个推荐结果输出。
作为一个或多个实施例，基于用户节目评分矩阵，计算目标用户与其他用户之间的第一相似度，具体步骤包括：
Figure BDA0002728334070000071
其中，Iu,v表示同时被用户u和邻居v评过分的节目集合，Iu和Iv分别表示用户u和邻居v评分的节目集合；ru,i和rv,i分别表示用户u和邻居v对节目i的评分，
Figure BDA0002728334070000073
和
Figure BDA0002728334070000074
表示用户u和邻居v的平均打分。
作为一个或多个实施例，基于节目特征评分矩阵，计算目标用户与若干个邻居所看过节目内容特征之间的第二相似度；具体步骤包括：
Figure BDA0002728334070000072
其中，
Figure BDA0002728334070000075
表示最近邻居播放节目的内容特征向量，U＝{(u1,w1),(u2,w2),...,(un,wn)}表示的用户兴趣内容特征向量。
作为一个或多个实施例，对所有的总的相似度按照从高到低进行排序，将排序靠前的若干个推荐结果输出；具体步骤包括：
首先，根据总的相似性sim，选择k个与目标用户最相似的用户；然后，计算用户u对项目i的预测评分：
Figure BDA0002728334070000081
其中，V是k个相似用户的集合，rv,i是用户v对项目i的评分，
Figure BDA0002728334070000082
和
Figure BDA0002728334070000083
表示u和v的平均打分。
这个公式先计算根据相似度加权的所有邻居偏好然后再加上目标用户的平均打分。预测分数一出来就可以选择评分最高的项目推荐给用户。
模因理论，即为在模型构建前，根据推荐的目标，结合物理学中逻辑与、闭方式，对输入数据进行特征工程处理，包括特征选择、特征降维、特征生成，依据不同场景调节不同的特征占比进行建模。通过特征的开闭，调节各特征占比实现可追溯可视化的电视用户指标体系。例如：对于行业客户，加大环境数据、路径数据在建模中的占比，而忽略用户家庭组成、用户年龄等因子的在建模中的加权占比；对于校园用户，固定用户行为信息数据大占比，削弱其他因子比重；对于家庭用户，加大用户基础信息在建模中的权重，而忽视其他因子。以此为推荐系统运营机构提供更加可追溯、更加精准的推荐结果。
实施例二
本实施例提供了基于模因理论的可追溯电视推荐系统；
基于模因理论的可追溯电视推荐系统，包括：
预处理模块，其被配置为：对获取的节目内容数据和用户行为数据进行数据预处理，得到用户数据矩阵以及内容数据矩阵；
权重调整模块，其被配置为：根据模因理论和用户使用电视的场景，对用户数据矩阵和内容数据矩阵中的各个特征值进行权重占比的调整；
推荐模块，其被配置为：基于特征值权重占比调整后的用户数据矩阵和内容数据矩阵，对电视进行推荐。
此处需要说明的是，上述预处理模块、权重调整模块和推荐模块对应于实施例一中的步骤S101至S103，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例一所公开的内容。需要说明的是，上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
上述实施例中对各个实施例的描述各有侧重，某个实施例中没有详述的部分可以参见其他实施例的相关描述。
所提出的系统，可以通过其他的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如上述模块的划分，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，例如多个模块可以结合或者可以集成到另外一个系统，或一些特征可以忽略，或不执行。
实施例三
本实施例还提供了一种电子设备，包括：一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序；其中，处理器与存储器连接，上述一个或多个计算机程序被存储在存储器中，当电子设备运行时，该处理器执行该存储器存储的一个或多个计算机程序，以使电子设备执行上述实施例一所述的方法。
应理解，本实施例中，处理器可以是中央处理单元CPU，处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。
实施例一中的方法可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。
本领域普通技术人员可以意识到，结合本实施例描述的各示例的单元即算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
实施例四本实施例还提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例一所述的方法。
以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims (9)

1.基于模因理论的可追溯电视推荐方法，其特征是，包括：
对获取的节目内容数据和用户行为数据进行数据预处理，得到用户数据矩阵以及内容数据矩阵；
根据模因理论和用户使用电视的场景，对用户数据矩阵和内容数据矩阵中的各个特征值进行权重占比的调整；
基于特征值权重占比调整后的用户数据矩阵和内容数据矩阵，对电视进行推荐；
所述基于特征值权重占比调整后的用户数据矩阵和内容数据矩阵，对电视进行推荐；具体步骤包括：
将已知用户电视喜好标签的特征值权重占比调整后的用户数据矩阵和内容数据矩阵均输入到神经网络模型中，对神经网络模型进行训练，得到训练好的神经网络模型；
将待推荐用户的特征值权重占比调整后的用户数据矩阵和内容数据矩阵，输入到训练好的神经网络模型中，输出待推荐用户的推荐电视节目。
2.如权利要求1所述的方法，其特征是，所述获取的节目内容数据和用户行为数据，其中节目内容数据，包括：EPG节目单数据和EPG内容数据；所述EPG内容数据，包括：节目的导演、演员和节目概述；所述节目概述，包括：幽默、惊悚、情感或军事。
3.如权利要求1所述的方法，其特征是，所述用户行为数据，包括：用户基础信息数据、用户环境数据及节目渠道数据和用户行为信息数据；
用户基础信息数据，包括：用户家庭组成、用户年龄、用户性别、用户姓名、用户联系方式和用户入网年限；
用户行为信息数据，包括：电视内容历史观看数据、电视内容历史评价数据；所述电视内容历史观看数据，包括：电影、电视剧或动画片；
所述电视内容历史评价数据，包括：好评、中评或差评；
对获取的节目内容数据和用户行为数据进行数据预处理，具体是指通过ETL对数据进行预处理。
4.如权利要求1所述的方法，其特征是，根据模因理论和用户使用电视的场景，对用户数据矩阵和内容数据矩阵中的各个特征值进行权重占比的调整；具体步骤包括：
对于行业用户，增加用户环境数据及节目渠道数据的权重，降低用户家庭组成、用户年龄和用户性别的权重；
对于校园用户，增加用户行为数据的权重，降低节目内容数据的权重；
对于家庭用户，加大用户基础信息数据和用户行为信息数据的权重，降低节目内容数据、用户环境数据及节目渠道数据的权重。
5.如权利要求1所述的方法，其特征是，所述基于特征值权重占比调整后的用户数据矩阵和内容数据矩阵，对电视进行推荐；具体步骤包括：
根据特征值占比调整后的用户数据矩阵以及内容数据矩阵，构建用户节目评分矩阵和节目特征评分矩阵；基于用户节目评分矩阵和节目特征评分矩阵，对电视进行推荐。
6.如权利要求5所述的方法，其特征是，所述基于用户节目评分矩阵和节目特征评分矩阵，对电视进行推荐；具体步骤包括：
基于用户节目评分矩阵，计算目标用户与其他用户之间的第一相似度，将相似度值大于等于设定阈值的用户，作为目标用户观看节目相似的邻居；
基于节目特征评分矩阵，计算目标用户与若干个邻居所看过节目内容特征之间的第二相似度；
对第一相似度和第二相似度加权求和，得到总的相似度，得到目标用户与若干个邻居的总的相似度；
对所有的总的相似度按照从高到低进行排序，将排序靠前的若干个推荐结果输出。
7.基于模因理论的可追溯电视推荐系统，其特征是，包括：
预处理模块，其被配置为：对获取的节目内容数据和用户行为数据进行数据预处理，得到用户数据矩阵以及内容数据矩阵；
权重调整模块，其被配置为：根据模因理论和用户使用电视的场景，对用户数据矩阵和内容数据矩阵中的各个特征值进行权重占比的调整；
推荐模块，其被配置为：基于特征值权重占比调整后的用户数据矩阵和内容数据矩阵，对电视进行推荐；
所述基于特征值权重占比调整后的用户数据矩阵和内容数据矩阵，对电视进行推荐；具体步骤包括：
将已知用户电视喜好标签的特征值权重占比调整后的用户数据矩阵和内容数据矩阵均输入到神经网络模型中，对神经网络模型进行训练，得到训练好的神经网络模型；
将待推荐用户的特征值权重占比调整后的用户数据矩阵和内容数据矩阵，输入到训练好的神经网络模型中，输出待推荐用户的推荐电视节目。
8.一种电子设备，其特征是，包括：一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序；其中，处理器与存储器连接，上述一个或多个计算机程序被存储在存储器中，当电子设备运行时，该处理器执行该存储器存储的一个或多个计算机程序，以使电子设备执行上述权利要求1-6任一项所述的方法。
9.一种计算机可读存储介质，其特征是，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1-6任一项所述的方法。
CN202011110167.5A 2020-10-16 2020-10-16 基于模因理论的可追溯电视推荐方法及系统 Active CN112312216B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011110167.5A CN112312216B (zh) 2020-10-16 2020-10-16 基于模因理论的可追溯电视推荐方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011110167.5A CN112312216B (zh) 2020-10-16 2020-10-16 基于模因理论的可追溯电视推荐方法及系统

Publications (2)

Publication Number Publication Date
CN112312216A CN112312216A (zh) 2021-02-02
CN112312216B true CN112312216B (zh) 2022-08-16

Family

ID=74327985

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011110167.5A Active CN112312216B (zh) 2020-10-16 2020-10-16 基于模因理论的可追溯电视推荐方法及系统

Country Status (1)

Country Link
CN (1) CN112312216B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115065872A (zh) * 2022-06-17 2022-09-16 联通沃音乐文化有限公司 一种影音视频的智能推荐方法及系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102654859A (zh) * 2011-03-01 2012-09-05 北京彩云在线技术开发有限公司 一种歌曲推荐方法及系统
CN102722524A (zh) * 2012-05-07 2012-10-10 北京邮电大学 网站推荐结果显示方法、装置及具有该装置的终端
CN103514239A (zh) * 2012-11-26 2014-01-15 Tcl美国研究所 一种集成用户行为和物品内容的推荐方法及系统
CN104469430A (zh) * 2014-12-24 2015-03-25 武汉泰迪智慧科技有限公司 基于上下文和群组组合的视频推荐方法及系统
CN106131601A (zh) * 2016-06-29 2016-11-16 乐视控股（北京）有限公司 视频推荐方法及装置
CN106940801A (zh) * 2016-01-04 2017-07-11 中国科学院声学研究所 一种用于广域网络的深度强化学习推荐系统及方法
CN106959949A (zh) * 2016-01-08 2017-07-18 中国科学院声学研究所 一种用于推荐系统的数据结构化处理方法
CN109726311A (zh) * 2018-12-21 2019-05-07 广州华多网络科技有限公司 一种视频推荐方法、装置及设备
CN110430471A (zh) * 2019-07-24 2019-11-08 山东海看新媒体研究院有限公司 一种基于瞬时计算的电视推荐方法和系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2453753A (en) * 2007-10-17 2009-04-22 Motorola Inc Method and system for generating recommendations of content items
US9230212B2 (en) * 2012-02-02 2016-01-05 Peel Technologies, Inc. Content based recommendation system
US10685065B2 (en) * 2012-03-17 2020-06-16 Haizhi Wangju Network Technology (Beijing) Co., Ltd. Method and system for recommending content to a user
CN111738414B (zh) * 2020-06-11 2023-04-07 北京百度网讯科技有限公司 推荐模型的生成、内容推荐方法、装置、设备和介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102654859A (zh) * 2011-03-01 2012-09-05 北京彩云在线技术开发有限公司 一种歌曲推荐方法及系统
CN102722524A (zh) * 2012-05-07 2012-10-10 北京邮电大学 网站推荐结果显示方法、装置及具有该装置的终端
CN103514239A (zh) * 2012-11-26 2014-01-15 Tcl美国研究所 一种集成用户行为和物品内容的推荐方法及系统
CN104469430A (zh) * 2014-12-24 2015-03-25 武汉泰迪智慧科技有限公司 基于上下文和群组组合的视频推荐方法及系统
CN106940801A (zh) * 2016-01-04 2017-07-11 中国科学院声学研究所 一种用于广域网络的深度强化学习推荐系统及方法
CN106959949A (zh) * 2016-01-08 2017-07-18 中国科学院声学研究所 一种用于推荐系统的数据结构化处理方法
CN106131601A (zh) * 2016-06-29 2016-11-16 乐视控股（北京）有限公司 视频推荐方法及装置
CN109726311A (zh) * 2018-12-21 2019-05-07 广州华多网络科技有限公司 一种视频推荐方法、装置及设备
CN110430471A (zh) * 2019-07-24 2019-11-08 山东海看新媒体研究院有限公司 一种基于瞬时计算的电视推荐方法和系统

Also Published As

Publication number Publication date
CN112312216A (zh) 2021-02-02

Similar Documents

Publication Publication Date Title
CN110430471B (zh) 一种基于瞬时计算的电视推荐方法和系统
CN110162701B (zh) 内容推送方法、装置、计算机设备和存储介质
US7533399B2 (en) Programming guide content collection and recommendation system for viewing on a portable device
Kwon et al. Personalized smart TV program recommender based on collaborative filtering and a novel similarity method
CN109982108B (zh) 用于优化视频的系统和方法
WO2017107453A1 (zh) 一种视频内容推荐方法、设备和系统
CN103745100A (zh) 一种基于项目的混合显性隐性反馈的协同过滤推荐算法
Saravanan et al. A fuzzy entropy technique for dimensionality reduction in recommender systems using deep learning
CN112487300B (zh) 一种视频推荐方法、装置、电子设备及存储介质
CN113051468B (zh) 一种基于知识图谱和强化学习的电影推荐方法及系统
US11711593B2 (en) Automated generation of banner images
Deldjoo et al. Using Visual Features and Latent Factors for Movie Recommendation.
CN111949744A (zh) 基于知识图谱的关联信息挖掘方法及装置
CN112312216B (zh) 基于模因理论的可追溯电视推荐方法及系统
Almeida et al. The complementarity of a diverse range of deep learning features extracted from video content for video recommendation
CN107368584B (zh) 一种个性化视频推荐方法及系统
WO2024061073A1 (zh) 一种多媒体信息的生成方法及装置、计算机可读存储介质
US20160094887A1 (en) Tv program-based shopping guide system and tv program-based shopping guide method
KR102600697B1 (ko) 제한적 볼츠만 머신 구동 기반의 인터랙티브 맞춤형 검색 방법
CN117061796A (zh) 影片推荐方法、装置、设备及可读存储介质
Sun et al. Deep plot-aware generalized matrix factorization for collaborative filtering
CN107277570B (zh) 一种改善电视终端推荐系统推荐效果的方法
Sun et al. Research of Personalized Recommendation Algorithm Based on Trust and User's Interest
Gao et al. Mining IPTV user behaviors with an enhanced LDA model
He et al. VAE based-NCF for recommendation of implicit feedback

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