CN112468852A - 媒资推荐方法、装置、系统及计算机可读存储介质 - Google Patents
媒资推荐方法、装置、系统及计算机可读存储介质 Download PDFInfo
- Publication number
- CN112468852A CN112468852A CN202011344405.9A CN202011344405A CN112468852A CN 112468852 A CN112468852 A CN 112468852A CN 202011344405 A CN202011344405 A CN 202011344405A CN 112468852 A CN112468852 A CN 112468852A
- Authority
- CN
- China
- Prior art keywords
- user
- media
- asset
- media assets
- watched
- 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.)
- Granted
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
- H04N21/252—Processing of multiple end-users' preferences to derive collaborative 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
- H04N21/4668—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]
- H04N21/40—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
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Human Computer Interaction (AREA)
- Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开一种媒资推荐方法、装置、系统及计算机可读存储介质,其中,所述媒资推荐方法包括步骤:获取预设历史时长内智能电视的每个用户观看媒资的观影数据,并根据观影数据计算用户对所观看的媒资的显性评分;构建用户的ID与媒资的ID的显性评分矩阵,采用修正余弦算法计算显性评分矩阵中任意两种媒资之间的相似度;分别以每种媒资为键值,按照相似度从大到小对多个媒资进行的排序,得到键值对应的媒资序列;将媒资序列前M个媒资中已观看键值的用户未观看的媒资推荐至已观看键值的用户,可以通过调整预设历史时长将用户长期的观影习惯纳入推荐因素的参考范围,提高了媒资推荐系统的准确性。
Description
技术领域
本发明涉及媒资数据处理领域,尤其涉及一种媒资推荐方法、装置、系统及计算机可读存储介质。
背景技术
在人工智能及大数据热潮的推动下,推荐系统被广泛应用到诸如视频、资讯和电商等面向用户的服务领域。推荐系统概括起来主要包含候选推荐结果召回和推荐结果的排序输出两个阶段,其中候选推荐结果召回的主要工作是针对系统不同的输入数据和业务场景,采用多种推荐算法生成推荐结果,并将所有结果组合成候选推荐结果集,推荐结果的排序输出的主要工作是针对召回阶段生成的候选推荐结果集进行排序优化,使得用户最感兴趣的物品能够排序到最前面。传统的视频服务网站往往需要大量专业的人员进行人工运营推荐,而现有的个性化智能推荐系统往往只需用户的行为日志数据就能达到甚至超过专业的人工运营效果,因而被广泛应用于各大主流视频网站。因此,针对现有的视频推荐系统,对推荐系统中的推荐算法及策略进行优化和改进是非常必要和有价值的。
现有的视频推荐系统主要存在以下问题:现有推荐系统中的推荐算法大都考虑用户短期的视频偏好进行关联推荐的视频可能并不是用户感兴趣的,从而导致推荐系统的准确率不高。
发明内容
本发明的主要目的在于提出一种媒资推荐方法、装置、系统及计算机可读存储介质,旨在提高媒资推荐系统的准确率不高的问题,所述媒资推荐方法包括以下步骤:
获取预设历史时长内智能电视的每个用户观看媒资的观影数据,并根据所述观影数据计算所述用户对所观看的所述媒资的显性评分;
构建所述用户的ID与所述媒资的ID的显性评分矩阵,采用修正余弦算法计算所述显性评分矩阵中任意两种所述媒资之间的相似度;
分别以每种所述媒资为键值,按照所述相似度从大到小对多个所述媒资进行的排序,得到所述键值对应的媒资序列;
将所述媒资序列前M个所述媒资中已观看所述键值的所述用户未观看的所述媒资推荐至已观看所述键值的所述用户,其中,推荐顺序为所述相似度从大到小的顺序,所述M为正整数。
在一种实施方式中,所述观影数据包括所述预设历史时长内所述用户点击所观看的第i种所述媒资的点击参数ni-adjusted,所述预设历史时长内所述用户所观看的第i种所述媒资的平均完播率ri-avg,以及所述预设历史时长内所述用户所观看的第i种所述媒资的播放时长与所述预设历史时长内所述用户观看所有所述媒资的总时长比值ri-percentage,根据所述观影数据计算所述用户对所观看的所述媒资的显性评分步骤中的计算公式为:Rating=(100*ni-adjusted+75*ri-avg+25*ri-percentage)/100*10,其中,所述Rating为所述用户所观看的第i种所述媒资的显性评分。
在一种实施方式中,所述ni-adjusted的计算公式为:ni-adjusted=ni-click/percentile(N,0.95),其中,所述percentile(N,0.95)表示所述预设历史时长内对每个所述用户点击第i种所述媒资的次数进行从小到大的排序,最大序号的95%的序号对应的次数;所述ni-click为所述预设历史时长内某个所述用户点击第i种所述媒资的总次数。
在一种实施方式中,所述ri-avg的计算公式为:所述ti-watch表示所述用户每次点击第i种所述媒资时的观看时长,所述ti-video表示第i种所述媒资完整播放时长,所述为所述用户点击第i种所述媒资的完整播放率。
在一种实施方式中,所述ri-percentage的计算公式为:rpercentage=∑ti_watch/∑ttotal,所述∑ti-watch为所述用户在所述预设历史时长内观看第i种所述媒资的总时长,所述∑ttotal为所述用户在所述预设历史时长内观看所有所述媒资的总时长。
在一种实施方式中,所述采用修正余弦算法计算所述评分矩阵中任意两种所述媒资之间的相似度步骤中的相似度计算公式为:
其中,所述(i,j)为包括媒资i和媒资j的媒资对;所述Ui表示对媒资i有显性评分的用户集合;所述Uj表示对媒资j有显性评分的用户集合;所述sui为用户u对媒资i的显性评分正则化之后的结果,所述suj为用户u对媒资j的显性评分正则化之后的结果。
在一种实施方式中,所述suj的计算公式为:suj=ruj-μu,其中,所述ruj为用户u对媒资j的显性评分,所述μu为用户u对所有已观看所述媒资的显性评分的平均值。
此外,为实现上述目的,本发明还提供一种媒资推荐装置,所述媒资推荐装置包括:
获取模块,用于获取预设历史时长内智能电视的每个用户观看媒资的观影数据;
第一计算模块,用于根据所述观影数据计算所述用户对所观看的所述媒资的显性评分;
构建模块,用于构建所述用户的ID与所述媒资的ID的显性评分矩阵;
第二计算模块,用于采用修正余弦算法计算所述显性评分矩阵中任意两种所述媒资之间的相似度;
排序模块,用于分别以每种所述媒资为键值,按照所述相似度从大到小对多个所述媒资进行的排序,得到所述键值对应的媒资序列;
推荐模块,用于将所述媒资序列前M个所述媒资中已观看所述键值的所述用户未观看的所述媒资推荐至已观看所述键值的所述用户,其中,推荐顺序为所述相似度从大到小的顺序,所述M为正整数。
此外,为实现上述目的,本发明还提供一种媒资推荐系统,所述媒资推荐系统包括存储器、处理器及存储在存储器上并可在所述处理器上运行的媒资推荐程序,媒资推荐程序被所述处理器执行时实现如上所述的媒资推荐方法的步骤。
此外,为实现上述目的,本发明还提供一种计算机可读存储介质,计算机可读存储介质上存储有媒资推荐程序,所述媒资推荐程序被处理器执行时实现如上所述的媒资推荐方法的步骤。
本发明通过获取预设历史时长内智能电视的每个用户观看媒资的观影数据,并根据观影数据计算用户对所观看的媒资的显性评分;构建用户的ID与媒资的ID的显性评分矩阵,采用修正余弦算法计算显性评分矩阵中任意两种媒资之间的相似度;分别以每种媒资为键值,按照相似度从大到小对多个媒资进行的排序,得到键值对应的媒资序列;将媒资序列前M个媒资中已观看键值的用户未观看的媒资推荐至已观看键值的用户,可以通过调整预设历史时长将用户长期的观影习惯纳入推荐因素的参考范围,提高了媒资推荐系统的准确性,进一步地本实施例将用户在智能终端的隐性行为转换成显性评分,相似度的计算依托于显性评分的反馈才能实现,这为媒资推荐系统召回阶段的算法实现提供了更多的可能。
附图说明
图1为实现本发明各个实施例一种设备的硬件结构示意图;
图2为本发明媒资推荐方法第一实施例的流程示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明提供了一种媒资推荐系统,参照图1,图1是本发明实施例方案涉及的硬件运行环境的结构示意图。
需要说明的是,图1即可为媒资推荐系统的硬件运行环境的结构示意图。本发明实施例媒资推荐系统可以是PC(Personal Computer,个人电脑),便携计算机,服务器等设备。
如图1所示,该媒资推荐系统可以包括:处理器1001,例如CPU,存储器1005,用户接口1003,网络接口1004,通信总线1002。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
可选地,媒资推荐系统还可以包括RF(Radio Frequency,射频)电路,传感器、WiFi模块等等。
本领域技术人员可以理解,图1中示出的媒资推荐系统结构并不构成媒资推荐系统的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种计算机存储可读存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及媒资推荐程序。其中,操作系统是管理和控制媒资推荐系统硬件和软件资源的程序,支持媒资推荐程序以及其它软件或程序的运行。
图1所示的媒资推荐方法设备,可解决媒资推荐系统的准确率低的问题,用户接口1003主要用于侦测或者输出各种信息,如输入观影数据和反馈显示评分等;网络接口1004主要用于与后台服务器交互,进行通信;处理器1001可以用于调用存储器1005中存储的媒资推荐程序,并执行以下操作:
获取预设历史时长内智能电视的每个用户观看媒资的观影数据,并根据所述观影数据计算所述用户对所观看的所述媒资的显性评分;
构建所述用户的ID与所述媒资的ID的显性评分矩阵,采用修正余弦算法计算所述显性评分矩阵中任意两种所述媒资之间的相似度;
分别以每种所述媒资为键值,按照所述相似度从大到小对多个所述媒资进行的排序,得到所述键值对应的媒资序列;
将所述媒资序列前M个所述媒资中已观看所述键值的所述用户未观看的所述媒资推荐至已观看所述键值的所述用户,其中,推荐顺序为所述相似度从大到小的顺序,所述M为正整数。
本发明通过获取预设历史时长内智能电视的每个用户观看媒资的观影数据,并根据观影数据计算用户对所观看的媒资的显性评分;构建用户的ID与媒资的ID的显性评分矩阵,采用修正余弦算法计算显性评分矩阵中任意两种媒资之间的相似度;分别以每种媒资为键值,按照相似度从大到小对多个媒资进行的排序,得到键值对应的媒资序列;将媒资序列前M个媒资中已观看键值的用户未观看的媒资推荐至已观看键值的用户,可以通过调整预设历史时长将用户长期的观影习惯纳入推荐因素的参考范围,提高了媒资推荐系统的准确性,进一步地本实施例将用户在智能终端的隐性行为转换成显性评分,相似度的计算依托于显性评分的反馈才能实现,这为媒资推荐系统召回阶段的算法实现提供了更多的可能。
本发明移动终端具体实施方式与下述媒资推荐方法各实施例基本相同,在此不再赘述。
基于上述结构,提出本发明媒资推荐方法的各个实施例。
本发明提供一种媒资推荐方法。
参照图2,图2为本发明媒资推荐方法第一实施例的程示意图。
在本实施例中,提供了媒资推荐方法的实施例,需要说明的是,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
在本实施例中,媒资推荐方法包括:
步骤S10,获取预设历史时长内智能电视的每个用户观看媒资的观影数据,并根据所述观影数据计算所述用户对所观看的所述媒资的显性评分;
步骤S20,构建所述用户的ID与所述媒资的ID的显性评分矩阵,采用修正余弦算法计算所述显性评分矩阵中任意两种所述媒资之间的相似度;
预设历史时长可设置为最近30天或最近10天等,智能电视为每个用户设置ID,也为每个用户观看的媒资设置ID,且将用户ID与该用户观看的媒资的ID进行关联绑定。观影数据包括观影的时间、预设历史时长内用户点击所观看的第i种媒资的点击参数、预设历史时长内用户所观看的第i种媒资的平均完播率、预设历史时长内用户所观看的第i种媒资的播放时长与预设历史时长内用户观看所有媒资的总时长比值等信息。显性评分指的是对用户各类观影行为进行加权转化计算得出的用户对所观看的每种媒资的评分。
需要说明的是,在计算用户对媒资的显性评分之前,先对观影数据进行剔除,提出不符合常理的数据,主要是根据观影数据中的观影的时间进行剔除,例如获取到观影数据的实际时间是2020年8月3日零时零分零秒,但是观影数据中记录的观影的时间为2019年,很明显该观影数据为不符合常理的数据,将记录的观影的时间与获取到观影数据的实际时间不相符的观影数据剔除。
具体的,本实施例根据每个用户的观影数据计算每个用户对所观看的媒资的显性评分。
在一些实施例中,步骤根据所述观影数据计算所述用户对所观看的所述媒资的显性评分中的计算显性评分的公式为:Rating=(100*ni-adjusted+75*ri-avg+25*ri-percentage)/100*10,其中,所述Rating为所述用户所观看的第i种所述媒资的显性评分,所述ni-adjusted为所述预设历史时长内所述用户点击所观看的第i种所述媒资的点击参数,所述ri-avg为所述预设历史时长内所述用户所观看的第i种所述媒资的平均完播率,所述ri-percentage为所述预设历史时长内所述用户所观看的第i种所述媒资的播放时长与所述预设历史时长内所述用户观看所有所述媒资的总时长比值。
在一些实施例中,所述ni-adjusted的计算公式为:ni-adjusted=ni-click/percentile(N,0.95),其中,所述percentile(N,0.95)表示所述预设历史时长内对每个所述用户点击第i种所述媒资的次数进行从小到大的排序,最大序号的95%的序号对应的次数,例如用户数目为12个,最大序号为12,最大序号的95%按照四舍五入为序号11,若排在第11位的次数为23,那么将23作为percentile(N,0.95)的值;所述ni-click为所述预设历史时长内某个所述用户点击第i种所述媒资的总次数。
所述ri-percentage的计算公式为:rpercentage=∑ti_watch/∑ttotal,所述∑ti-watch为所述用户在所述预设历史时长内观看第i种所述媒资的总时长,所述∑ttotal为所述用户在所述预设历史时长内观看所有所述媒资的总时长。
得到每个用户对所观看的媒资的显性评分,构造用户的ID和媒资的ID的显性评分矩阵,下表为显性评分矩阵的举例说明:显性评分的分值越大,表示用户的喜爱度越高,可以理解的是显性评分为零的表示用户未观看过。
在一些实施例中,计算相似度的公式为:
其中,所述(i,j)为包括媒资i和媒资j的媒资对;所述Ui表示对媒资i有显性评分的用户集合;所述Uj表示对媒资j有显性评分的用户集合;所述sui为用户u对媒资i的显性评分正则化之后的结果,所述suj为用户u对媒资j的显性评分正则化之后的结果。
在一些实施例中,所述suj的计算公式为:suj=ruj-μu,其中,所述ruj为用户u对媒资j的显性评分,所述μu为用户u对所有已观看所述媒资的显性评分的平均值。
可以理解的是,所述sui的计算公式为:sui=rui-μu,其中,所述rui为用户u对媒资i的显性评分。
步骤S30,分别以每种所述媒资为键值,按照所述相似度对多个所述媒资进行从大到小的排序,得到所述键值对应的媒资序列;
步骤S40,将所述媒资序列前M个所述媒资中已观看所述键值的所述用户未观看的所述媒资推荐至已观看所述键值的所述用户,其中,所述M为正整数。
同样以上述的显性评分矩阵为例,以ID为1的媒资为键值,分别获取该键值与各个媒资的相似度,获取键值与ID为2的媒资的相似度(相似度a)、键值与ID为3的媒资的相似度(相似度b)、键值与ID为4的媒资的相似度(相似度c)、键值与ID为5的媒资的相似度(相似度d)、键值与ID为6的媒资的相似度(相似度e),若d>b>a>c>e,那么以ID为1的媒资为键值,根据相似度对媒资进行从大到小的排序,得到(ID为5的媒资、ID为3的媒资、ID为2的媒资、ID为4的媒资、ID为6的媒资)这一媒资序列。M值可以设定,本实施例将M值设置为4,那么前M个媒资为ID为5的媒资、ID为3的媒资、ID为2的媒资、ID为4的媒资,但是还需从这4个媒资中提取出观看了键值的用户,即ID为1的用户未观看的媒资,即ID为4的媒资和ID为5的媒资,按照相似度从大到小的顺序,依次将ID为5的媒资、ID为4的媒资推荐给ID为1的用户。
本实施例通过获取预设历史时长内智能电视的每个用户观看媒资的观影数据,并根据观影数据计算用户对所观看的媒资的显性评分;构建用户的ID与媒资的ID的显性评分矩阵,采用修正余弦算法计算显性评分矩阵中任意两种媒资之间的相似度;分别以每种媒资为键值,按照相似度从大到小对多个媒资进行的排序,得到键值对应的媒资序列;将媒资序列前M个媒资中已观看键值的用户未观看的媒资推荐至已观看键值的用户,可以通过调整预设历史时长将用户长期的观影习惯纳入推荐因素的参考范围,提高了媒资推荐系统的准确性,进一步地本实施例将用户在智能终端的隐性行为转换成显性评分,相似度的计算依托于显性评分的反馈才能实现,这为媒资推荐系统召回阶段的算法实现提供了更多的可能。
此外,本发明实施例还提出一种媒资推荐方法装置,所述媒资推荐装置包括:
获取模块,用于获取预设历史时长内智能电视的每个用户观看媒资的观影数据;
第一计算模块,用于根据所述观影数据计算所述用户对所观看的所述媒资的显性评分;
构建模块,用于构建所述用户的ID与所述媒资的ID的显性评分矩阵;
第二计算模块,用于采用修正余弦算法计算所述显性评分矩阵中任意两种所述媒资之间的相似度;
排序模块,用于分别以每种所述媒资为键值,按照所述相似度从大到小对多个所述媒资进行的排序,得到所述键值对应的媒资序列;
推荐模块,用于将所述媒资序列前M个所述媒资中已观看所述键值的所述用户未观看的所述媒资推荐至已观看所述键值的所述用户,其中,推荐顺序为所述相似度从大到小的顺序,所述M为正整数。
本发明媒资推荐方法装置实施方式与上述媒资推荐方法各实施例基本相同,在此不再赘述。
此外,本发明实施例还提出一种计算机可读存储介质,计算机可读存储介质上存储有媒资推荐程序,媒资推荐程序被处理器执行时实现如上的媒资推荐方法的各个步骤。
需要说明的是,计算机可读存储介质可设置在媒资推荐系统中。
本发明计算机可读存储介质具体实施方式与上述媒资推荐各实施例基本相同,在此不再赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其它变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其它要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者设备中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其它相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种媒资推荐方法,其特征在于,所述媒资推荐方法包括以下步骤:
获取预设历史时长内智能电视的每个用户观看媒资的观影数据,并根据所述观影数据计算所述用户对所观看的所述媒资的显性评分;
构建所述用户的ID与所述媒资的ID的显性评分矩阵,采用修正余弦算法计算所述显性评分矩阵中任意两种所述媒资之间的相似度;
分别以每种所述媒资为键值,按照所述相似度从大到小对多个所述媒资进行的排序,得到所述键值对应的媒资序列;
将所述媒资序列前M个所述媒资中已观看所述键值的所述用户未观看的所述媒资推荐至已观看所述键值的所述用户,其中,推荐顺序为所述相似度从大到小的顺序,所述M为正整数。
2.如权利要求1所述的媒资推荐方法,其特征在于,所述观影数据包括所述预设历史时长内所述用户点击所观看的第i种所述媒资的点击参数ni-adjusted,所述预设历史时长内所述用户所观看的第i种所述媒资的平均完播率ri-avg,以及所述预设历史时长内所述用户所观看的第i种所述媒资的播放时长与所述预设历史时长内所述用户观看所有所述媒资的总时长比值ri-percentage,根据所述观影数据计算所述用户对所观看的所述媒资的显性评分步骤中的计算公式为:Rating=(100*ni-adjusted+75*ri-avg+25*ri-percentage)/100*10,其中,所述Rating为所述用户所观看的第i种所述媒资的显性评分。
3.如权利要求2所述的媒资推荐方法,其特征在于,所述ni-adjusted的计算公式为:ni-adjusted=ni-click/percentile(N,0.95),其中,所述percentile(N,0.95)表示所述预设历史时长内对每个所述用户点击第i种所述媒资的次数进行从小到大的排序,最大序号的95%的序号对应的次数;所述ni-click为所述预设历史时长内某个所述用户点击第i种所述媒资的总次数。
5.如权利要求2所述的媒资推荐方法,其特征在于,所述ri-percentage的计算公式为:rpercentage=∑ti_watch/∑ttotal,所述∑ti-watch为所述用户在所述预设历史时长内观看第i种所述媒资的总时长,所述∑ttotal为所述用户在所述预设历史时长内观看所有所述媒资的总时长。
7.如权利要求6所述的媒资推荐方法,其特征在于,所述suj的计算公式为:suj=ruj-μu,其中,所述ruj为用户u对媒资j的显性评分,所述μu为用户u对所有已观看所述媒资的显性评分的平均值。
8.一种媒资推荐装置,其特征在于,所述媒资推荐装置包括:
获取模块,用于获取预设历史时长内智能电视的每个用户观看媒资的观影数据;
第一计算模块,用于根据所述观影数据计算所述用户对所观看的所述媒资的显性评分;
构建模块,用于构建所述用户的ID与所述媒资的ID的显性评分矩阵;
第二计算模块,用于采用修正余弦算法计算所述显性评分矩阵中任意两种所述媒资之间的相似度;
排序模块,用于分别以每种所述媒资为键值,按照所述相似度从大到小对多个所述媒资进行的排序,得到所述键值对应的媒资序列;
推荐模块,用于将所述媒资序列前M个所述媒资中已观看所述键值的所述用户未观看的所述媒资推荐至已观看所述键值的所述用户,其中,推荐顺序为所述相似度从大到小的顺序,所述M为正整数。
9.一种媒资推荐系统,其特征在于,所述媒资推荐系统包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的媒资推荐程序,所述媒资推荐程序被所述处理器执行时实现如权利要求1至7中任一项所述的媒资推荐方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有媒资推荐程序,所述媒资推荐程序被处理器执行时实现如权利要求1至7中任一项所述的媒资推荐方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011344405.9A CN112468852B (zh) | 2020-11-24 | 2020-11-24 | 媒资推荐方法、装置、系统及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011344405.9A CN112468852B (zh) | 2020-11-24 | 2020-11-24 | 媒资推荐方法、装置、系统及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112468852A true CN112468852A (zh) | 2021-03-09 |
CN112468852B CN112468852B (zh) | 2022-10-14 |
Family
ID=74808488
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011344405.9A Active CN112468852B (zh) | 2020-11-24 | 2020-11-24 | 媒资推荐方法、装置、系统及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112468852B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113190758A (zh) * | 2021-05-21 | 2021-07-30 | 聚好看科技股份有限公司 | 服务器及媒资推荐方法 |
CN113505291A (zh) * | 2021-05-27 | 2021-10-15 | 成都数博视科技有限公司 | 基于用户行为数据的内容智能推荐系统 |
CN114065044A (zh) * | 2021-11-23 | 2022-02-18 | 聚好看科技股份有限公司 | 一种内容推荐优化方法及服务器 |
CN114501151A (zh) * | 2022-01-24 | 2022-05-13 | 青岛聚看云科技有限公司 | 一种显示设备及媒资推荐方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103209342A (zh) * | 2013-04-01 | 2013-07-17 | 电子科技大学 | 一种引入视频流行度和用户兴趣变化的协作过滤推荐方法 |
CN103544625A (zh) * | 2012-07-10 | 2014-01-29 | 百度在线网络技术(北京)有限公司 | 一种根据海量数据进行应用相似度判断的方法及系统 |
CN103974097A (zh) * | 2014-05-22 | 2014-08-06 | 南京大学镇江高新技术研究院 | 基于流行度和社交网络的个性化用户原创视频预取方法及系统 |
CN104156472A (zh) * | 2014-08-25 | 2014-11-19 | 四达时代通讯网络技术有限公司 | 一种视频推荐方法及系统 |
US20160316268A1 (en) * | 2015-04-23 | 2016-10-27 | Rovi Guides, Inc. | Systems and methods for improving accuracy in media asset recommendation models |
CN106326390A (zh) * | 2016-08-17 | 2017-01-11 | 成都德迈安科技有限公司 | 基于协同过滤的推荐方法 |
CN107968952A (zh) * | 2017-12-19 | 2018-04-27 | 聚好看科技股份有限公司 | 一种推荐视频的方法、装置、服务器和计算机存储介质 |
CN110418200A (zh) * | 2018-04-27 | 2019-11-05 | Tcl集团股份有限公司 | 一种视频推荐方法、装置及终端设备 |
CN110472071A (zh) * | 2019-07-03 | 2019-11-19 | 中移(杭州)信息技术有限公司 | 多媒体文件推荐方法、装置、网络设备及存储介质 |
-
2020
- 2020-11-24 CN CN202011344405.9A patent/CN112468852B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103544625A (zh) * | 2012-07-10 | 2014-01-29 | 百度在线网络技术(北京)有限公司 | 一种根据海量数据进行应用相似度判断的方法及系统 |
CN103209342A (zh) * | 2013-04-01 | 2013-07-17 | 电子科技大学 | 一种引入视频流行度和用户兴趣变化的协作过滤推荐方法 |
CN103974097A (zh) * | 2014-05-22 | 2014-08-06 | 南京大学镇江高新技术研究院 | 基于流行度和社交网络的个性化用户原创视频预取方法及系统 |
CN104156472A (zh) * | 2014-08-25 | 2014-11-19 | 四达时代通讯网络技术有限公司 | 一种视频推荐方法及系统 |
US20160316268A1 (en) * | 2015-04-23 | 2016-10-27 | Rovi Guides, Inc. | Systems and methods for improving accuracy in media asset recommendation models |
CN106326390A (zh) * | 2016-08-17 | 2017-01-11 | 成都德迈安科技有限公司 | 基于协同过滤的推荐方法 |
CN107968952A (zh) * | 2017-12-19 | 2018-04-27 | 聚好看科技股份有限公司 | 一种推荐视频的方法、装置、服务器和计算机存储介质 |
CN110418200A (zh) * | 2018-04-27 | 2019-11-05 | Tcl集团股份有限公司 | 一种视频推荐方法、装置及终端设备 |
CN110472071A (zh) * | 2019-07-03 | 2019-11-19 | 中移(杭州)信息技术有限公司 | 多媒体文件推荐方法、装置、网络设备及存储介质 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113190758A (zh) * | 2021-05-21 | 2021-07-30 | 聚好看科技股份有限公司 | 服务器及媒资推荐方法 |
CN113190758B (zh) * | 2021-05-21 | 2023-01-20 | 聚好看科技股份有限公司 | 服务器及媒资推荐方法 |
CN113505291A (zh) * | 2021-05-27 | 2021-10-15 | 成都数博视科技有限公司 | 基于用户行为数据的内容智能推荐系统 |
CN114065044A (zh) * | 2021-11-23 | 2022-02-18 | 聚好看科技股份有限公司 | 一种内容推荐优化方法及服务器 |
CN114501151A (zh) * | 2022-01-24 | 2022-05-13 | 青岛聚看云科技有限公司 | 一种显示设备及媒资推荐方法 |
CN114501151B (zh) * | 2022-01-24 | 2024-02-23 | 青岛聚看云科技有限公司 | 一种显示设备及媒资推荐方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112468852B (zh) | 2022-10-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112468852B (zh) | 媒资推荐方法、装置、系统及计算机可读存储介质 | |
CN106326391B (zh) | 多媒体资源推荐方法及装置 | |
CN106685933B (zh) | 一种授权策略推荐及装置 | |
CN110020122B (zh) | 一种视频推荐方法、系统及计算机可读存储介质 | |
US8392840B2 (en) | Large sets of data | |
CN111966909B (zh) | 视频推荐方法、装置、电子设备及计算机可读存储介质 | |
US20170169062A1 (en) | Method and electronic device for recommending video | |
CN111209490A (zh) | 基于用户信息的交友推荐方法、电子装置及存储介质 | |
CN112907334B (zh) | 一种对象推荐方法及装置 | |
WO2022007626A1 (zh) | 视频内容推荐方法、装置及计算机设备 | |
CN109213933B (zh) | 内容项推荐方法、装置、设备及存储介质 | |
JP2009251957A (ja) | 興味情報特定システム、興味情報特定方法、および興味情報特定用プログラム | |
US20180285447A1 (en) | Content recommendation apparatus, content recommendation system, content recommendation method, and program | |
CN110750718A (zh) | 基于推荐系统的用户引导方法、装置、设备及存储介质 | |
CN108848152B (zh) | 一种对象推荐的方法及服务器 | |
CN110727576A (zh) | 一种web页面测试方法、装置、设备及存储介质 | |
CN107256251B (zh) | 一种应用软件搜索方法、装置及服务器 | |
CN112672202B (zh) | 弹幕处理方法、设备和存储介质 | |
CN110275986B (zh) | 基于协同过滤的视频推荐方法、服务器及计算机存储介质 | |
CN110659419B (zh) | 确定目标用户的方法及相关装置 | |
CN110309361B (zh) | 一种视频评分的确定方法、推荐方法、装置及电子设备 | |
CN113515701A (zh) | 信息推荐方法及装置 | |
CN111125501B (zh) | 用于处理信息的方法和装置 | |
KR101663359B1 (ko) | 업데이트된 뉴스 콘텐츠 제공 방법 및 장치 | |
CN104657397B (zh) | 一种信息处理方法及终端 |
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 | ||
CP01 | Change in the name or title of a patent holder | ||
CP01 | Change in the name or title of a patent holder |
Address after: 518057 area a, 21 / F, Konka R & D building, 28 Keji South 12 road, Yuehai street, Nanshan District, Shenzhen City, Guangdong Province Patentee after: Chongqing Yifang Technology Co.,Ltd. Address before: 518057 area a, 21 / F, Konka R & D building, 28 Keji South 12 road, Yuehai street, Nanshan District, Shenzhen City, Guangdong Province Patentee before: Easy city square network technology Co.,Ltd. |