CN112365447A - 一种多维度影视评分方法 - Google Patents

Abstract

本发明公开了一种多维度影视评分方法，包括计算影视资源经典度：根据现有数据和属性制作训练集，得到属性的特征系数，计算经典度；计算年代衰减评分，对牛顿冷却公式计算年代衰减评分；计算图像清晰度评分；根据各维度的得分以及各维度的权重系数计算得到最终评分。本发明在对影视资源评分时，获取原始评分信息和播放信息，考虑了年代衰减和图像清晰度对评分的影响，对年代较久远以及图像清晰度不高的影视资源给予降分惩罚，使评分结果更加准确。在用户搜索资源和给用户进行资源推荐的时候可以更加准确的排序，很大程度的提升用户点击率，提升了用户体验。

Description

一种多维度影视评分方法

技术领域

本发明涉及影视评分推荐技术领域，具体的说，是一种多维度影视评分方法。

背景技术

随着互联网的日益发展，现在很多视频网站上都会对播出的影视剧进行评分，进而建立各种收视排行榜。用户通过这个得分排行可以简单直观地了解影视剧的收视情况，从而选择热门影视剧。

目前对影视剧的评分主要可以分成两类方式：一类是用户的评分，用户通过自己的观影感受对影视剧进行打分，这也是目前最普遍的评分模式；而另一类是播放机构自身的评分，主要利用用户的历史行为数据来评价影视剧的热门情况。不同的评分方法对评分结果影响很大，导致检索出来的数据排序和推荐出的影视资源及排列效果也会受到一定程度的影响。

影视资源评分目前最优良的是基于贝叶斯统计的方法得出的加权分，计算公式为grade＝(v/(v+m))*R+(m/(v+m))*C，R是普通方法计算的平均值，v是投票的人数，m是进入top榜单的最少票数，C是所有当前分类影视的平均分，在此基础上加上异常账号检测机制及核心用户群，避免粉丝刷分影响总评分，这种方式获取到的评分会存在以下问题，1)一些老的影片评分过高；2)一些影视海报清晰度较差的资源评分相对较高。造成这些问题的主要原因是资源方评分并未结合时间来对评分作年代修整，当前评分也未根据当前影视海报质量做出相应的修整，导致评分及推荐、排行不合理。

发明内容

本发明的目的在于提供一种多维度影视评分方法，用于解决现有技术中影视资源评分方法中未考虑影视资源时间和影视图像质量综合评分导致评分、推荐及排行不合理的问题。

本发明通过下述技术方案解决上述问题：

一种多维度影视评分方法，包括：

步骤S1：计算影视资源经典度：

选取影视资源的特征向量，特征向量包括d个属性；

给定d个属性描述对x＝(x₁；x₂；…；x_i；…；x_d)，其中x_i是第i个属性上的取值，通过属性的线性组合得到预测函数：f(x)＝w₁x₁+w₂x₂+…+w_ix_i+…+w_dx_d+b₁；其中，w_i为特征系数，i＝1,2,……,d，b₁为常量；

将特征向量代入预测函数，将影视资源的当前评分S(t)作为预测结果，通过训练集训练和优化，得到特征向量的各个特征系数；训练集采用逻辑回归模型logistics或树形模型lightGBM，根据日志分析及影视资源数据提取生成；

根据计算出的特征系数，重新代入预测函数，得到影视资源的经典度m；

步骤S2：计算年代衰减评分

对牛顿冷却公式S’(t)＝-α(S₂(t)-H)积分求解，得到年代衰减评分S：

S＝H+(S₀-H)e^(-α(t-t₀))

其中，H为所有同类别影视资源的平均分值，α为衰减系数，α＝b₂(1/e^m)，b₂为调整系数，用于调整衰减系数的趋势；S₀是t₀时刻的评分值；t表示影片初次上映时间；

步骤S3：计算图像清晰度评分

首先对图像进行预处理裁剪和分块处理得到处理后的图像；

对处理后的图像进行边缘提取，以及将处理后的图像做高斯处理后再次进行边缘提取，将两个提取结果采用SSIM算法计算相似度和以及计算信息熵，根据信息熵进行图片块排序，取前N块SSIM值的均值作为清晰度评分；

步骤S4：多维度整合计算，具体包括：

将所述图像清晰度评分和年代衰减评分作为特征值，通过数据集训练模型f(x)＝w₁x₁+w₂x₂，数据集由资源现有评分、原始评分及清晰度评分组成，训练得到年代衰减评分的系数和图像清晰度评分的系数；所述现有评分采用的第三方机构评分作为最终值预测，原始评分是模型训练前的影视评分；

将经典度与图像清晰度评分加权求和后再与年代衰减评分加权相减，得到最终评分结果。

所述属性包括总播放量、最近T时间内的播放量、影视资源的上映时间长度、平均播放时长和总时长，所述平均播放时长为总时长/正常播放次数，所述正常播放次数为总播放量-播放时长低于设定值的播放量，此时属性个数d取值为5。

本发明与现有技术相比，具有以下优点及有益效果：

本发明在对影视资源评分时，获取原始评分信息和播放信息，考虑了年代衰减和图像清晰度对评分的影响，对年代较久远以及图像清晰度不高的影视资源给予降分惩罚，使评分结果更加准确。在用户搜索资源和给用户进行资源推荐的时候可以更加准确的排序，很大程度的提升用户点击率，提升了用户体验。

具体实施方式

下面结合实施例对本发明作进一步地详细说明，但本发明的实施方式不限于此。

实施例：

一种多维度影视评分方法，包括：

Step1：资源经典度计算，首先通过日志采集系统采集到全部资源播放信息，然后根据时间计算出总播放量和近一个月播放量信息，影视资源的上映时间长度、平均播放时长和总时长，制作成训练集；所述平均播放时长为总时长/正常播放次数，所述正常播放次数为总播放量-播放时长低于设定值的播放量，选取影视资源的特征向量，特征向量包括5个属性；

Step2：资源经典度模型创建，选择总播放量、一个月播放量影视资源的上映时间长度、平均播放时长和总时长特征值，创建特征向量，形成特征模型，将训练集放进模型中进行计算，计算出每个特征的系数；后续变动产生的新数据持续进行计算特征系数：

如：给定5个属性描述对x＝(x₁；x₂；…；x_i；…；x_d)，其中x_i是第i个属性上的取值，通过属性的线性组合得到预测函数：f(x)＝w₁x₁+w₂x₂+…+w_ix_i+…+w_dx_d+b₁；其中，w_i为特征系数，i＝1,2,……,5，b₁为常量，如果最终计算结果需要调整，则可以通过修改b₁来完成；

将特征向量代入预测函数，将影视资源的当前评分S(t)作为预测结果，通过训练集训练和优化，得到特征向量的各个特征系数；训练集采用逻辑回归模型logistics或树形模型lightGBM，根据日志分析及影视资源数据提取生成；

根据计算出的特征系数，重新代入预测函数，得到影视资源的经典度m。

Step3：根据计算出的特征系数，重新代入预测函数即将训练集放入模型，会计算出一个偏差最小的函数方程，每个特征值系数都趋近于实际效果，有了特征系数，重新代入特征值，可以计算获得经典度值，得出影视资源的经典度m；

Step4：根据计算出的经典值来设置时间衰减的系数，理论上来说经典值越大，衰减系数越小，然后根据牛顿冷却定律计算出当前年份合适的评分值，具体如下：

对牛顿冷却公式S’(t)＝-α(S₂(t)-H)积分求解，得到年代衰减评分S：

S＝H+(S₀-H)e^(-α(t-t₀))

其中，H为所有同类别影视资源的平均分值，α为衰减系数，α＝b₂(1/e^m)，b₂为调整系数，用于调整衰减系数的趋势；S₀是t₀时刻的评分值；t表示影片初次上映时间；

Step5：取出当前影视资源的图片，然后采用SSIM算法对当前图片进行清晰度计算，计算后获取到一个分值即清晰度评分，具体为：

首先对图像进行预处理裁剪和分块处理得到处理后的图像；

对处理后的图像进行边缘提取，以及将处理后的图像做高斯处理后再次进行边缘提取，将两个提取结果采用SSIM算法计算相似度和以及计算信息熵，根据信息熵进行图片块排序，取前N块SSIM值的均值作为清晰度评分；

Step6：将获取到的大量的影视资源的评分、年代衰减评分、图片清晰度评分作一个数据集，使用线性回归模型计算出每一个维度适合的系数，最后得出一个基于多维度影视评分的算法。

例如：将所述图像清晰度评分和年代衰减评分作为特征值，通过数据集训练模型f(x)＝w₁x₁+w₂x₂，数据集由资源现有评分、原始评分及清晰度评分组成，训练得到年代衰减评分的系数和图像清晰度评分的系数；所述现有评分采用的第三方机构(如豆瓣评分)评分作为最终值预测，原始评分是模型训练前的影视评分；

将经典度与图像清晰度评分加权求和后再与年代衰减评分加权相减，得到最终评分结果。

使用场景步骤如下：

当用户通过语音访问媒资时，首先会有一个列表数据的生成，可以在生成列表的时候将原始评分等嵌入本发明先进行计算，然后生成一个新的分值，或者在列表生成后直接动态生成评分，最后展示时海报右上角评分也替换成动态生成的评分，当前媒资数据下发时对媒资数据的重排序基础分值基于新生成的评分，能够更加合理的按照顺序展示出来，可以极大程度的提升排序效果。

尽管这里参照本发明的解释性实施例对本发明进行了描述，上述实施例仅为本发明较佳的实施方式，本发明的实施方式并不受上述实施例的限制，应该理解，本领域技术人员可以设计出很多其他的修改和实施方式，这些修改和实施方式将落在本申请公开的原则范围和精神之内。

Claims (2)

1.一种多维度影视评分方法，其特征在于，包括：

步骤S1：计算影视资源经典度：

选取影视资源的特征向量，特征向量包括d个属性；

给定d个属性描述对x＝(x₁；x₂；…；x_i；…；x_d)，其中x_i是第i个属性上的取值，通过属性的线性组合得到预测函数：f(x)＝w₁x₁+w₂x₂+…+w_ix_i+…+w_dx_d+b₁；其中，w_i为特征系数，i＝1,2,……,d，b₁为常量；

将特征向量代入预测函数，将影视资源的当前评分S(t)作为预测结果，通过训练集训练和优化，得到特征向量的各个特征系数；训练集采用逻辑回归模型logistics或树形模型lightGBM，根据日志分析及影视资源数据提取生成；

根据计算出的特征系数，重新代入预测函数，得到影视资源的经典度m；

步骤S2：计算年代衰减评分：

对牛顿冷却公式S’(t)＝-α(S₂(t)-H)积分求解，得到年代衰减评分S：

S＝H+(S₀-H)e^(-α(t-t₀))

其中，H为所有同类别影视资源的平均分值，α为衰减系数，α＝b₂(1/e^m)，b₂为调整系数，用于调整衰减系数的趋势；S₀是t₀时刻的评分值；t表示影片初次上映时间；

步骤S3：计算图像清晰度评分：

首先对图像进行预处理裁剪和分块处理得到处理后的图像；

对处理后的图像进行边缘提取，以及将处理后的图像做高斯处理后再次进行边缘提取，将两个提取结果采用SSIM算法计算相似度和以及计算信息熵，根据信息熵进行图片块排序，取前N块SSIM值的均值作为清晰度评分；

步骤S4：多维度整合计算，具体包括：

将所述图像清晰度评分和年代衰减评分作为特征值，通过数据集训练模型f(x)＝w₁x₁+w₂x₂，数据集由资源现有评分、原始评分及清晰度评分组成，训练得到年代衰减评分的系数和图像清晰度评分的系数；所述现有评分采用的第三方机构评分作为最终值预测，原始评分是模型训练前的影视评分；

将经典度与图像清晰度评分加权求和后再与年代衰减评分加权相减，得到最终评分结果。

2.根据权利要求1所述的一种多维度影视评分方法，其特征在于，所述属性包括总播放量、最近T时间内的播放量、影视资源的上映时间长度、平均播放时长和总时长，所述平均播放时长为总时长/正常播放次数，所述正常播放次数为总播放量-播放时长低于设定值的播放量。