CN112804566A - 节目推荐方法、设备及计算机可读存储介质 - Google Patents
节目推荐方法、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN112804566A CN112804566A CN201911114300.1A CN201911114300A CN112804566A CN 112804566 A CN112804566 A CN 112804566A CN 201911114300 A CN201911114300 A CN 201911114300A CN 112804566 A CN112804566 A CN 112804566A
- Authority
- CN
- China
- Prior art keywords
- recommendation
- program
- recommended
- success rate
- target
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 98
- 238000012549 training Methods 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 description 16
- 230000006399 behavior Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
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
- H04N21/4662—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]
- H04N21/20—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]
- H04N21/40—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
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Computing Systems (AREA)
- Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
Abstract
本申请公开了一种节目推荐方法、设备及计算机可读存储介质。其中，所述节目推荐方法包括：通过无监督推荐方法进行节目推荐，根据所获取到的被推荐节目的推荐成功率和推荐关联参数得到推荐预测模型，当需要对节目进行推荐时，利用推荐预测模型对目标节目的目标关联参数进行监督学习，获得目标节目的预测成功率，当预测成功率达到预设阈值，推荐该目标节目。本申请实施例中，通过推荐预测模型对无监督推荐方法的推荐结果进行监督学习，以纠正无监督推荐方法的推荐结果，从而可以减少推荐用户不喜欢的节目，达到提高所推荐的节目被观看的概率的目的，从而可以提高用户的使用体验。
Description
技术领域
本申请实施例涉及但不限于信息处理技术领域，尤其涉及一种节目推荐方法、设备及计算机可读存储介质。
背景技术
在IPTV(Internet Protocol Television，交互式网络电视)飞速发展的今天，节目形式和内容也越来越丰富，如何将这些丰富的节目根据用户的喜好推荐给所观看的IPTV用户，成为目前研究的热门领域。目前的节目推荐方式一般都仅是将喜好相同的用户或者相似的节目进行聚类，并且将相关节目推荐给喜好相同的群体或者给用户推荐相似的节目。但是现有的推荐方式存在如下一些问题：由于不清楚用户是否喜欢所推荐的节目，因此会存在给用户推荐了用户不喜欢的节目或者根本不会看的节目的问题，从而会造成不良的用户体验。
发明内容
以下是对本文详细描述的主题的概述。本概述并非是为了限制权利要求的保护范围。
第一方面，本申请实施例提供了一种节目推荐方法、设备及计算机可读存储介质，能够提高所推荐的节目被观看的概率，从而提高用户的使用体验。
第二方面，本申请实施例提供了一种节目推荐方法，包括，
获取被推荐节目的推荐成功率和推荐关联参数；
根据所述推荐成功率和所述推荐关联参数得到推荐预测模型；
获取目标节目的目标关联参数，根据所述目标关联参数和所述推荐预测模型，得到所述目标节目的预测成功率；
当所述预测成功率达到预设阈值，推荐所述目标节目。
第三方面，本申请实施例还提供了一种设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述第二方面的节目推荐方法。
第四方面，本申请实施例还提供一种计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令用于执行如上所述的节目推荐方法。
本申请实施例包括：根据所获取到的被推荐节目的推荐成功率和推荐关联参数得到推荐预测模型，该推荐预测模型属于有监督推荐方法，可以利用已有的被推荐节目对该推荐预测模型进行训练，以完善该推荐预测模型；接着，当需要对节目进行推荐时，利用推荐预测模型对目标节目的目标关联参数进行监督学习，从而获得目标节目的预测成功率，当预测成功率达到预设阈值，说明该目标节目会被用户观看的概率很高，因此推荐该目标节目。根据本申请实施例提供的方案，通过推荐预测模型和已有的被推荐节目的配合处理，使得推荐预测模型能够被用于对已有的被推荐节目进行监督学习，通过分析被推荐节目的被用户观看的概率，以纠正最终的推荐结果，从而减少推荐用户不喜欢的节目，达到提高所推荐的节目被观看的概率的目的，从而可以提高用户的使用体验。
本申请的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请而了解。本申请的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
附图用来提供对本申请技术方案的进一步理解，并且构成说明书的一部分，与本申请的实施例一起用于解释本申请的技术方案，并不构成对本申请技术方案的限制。
图1是本申请一个实施例提供的用于执行节目推荐方法的系统结构平台的框架示意图；
图2是本申请一个实施例提供的节目推荐方法的流程图；
图3是本申请另一实施例提供的节目推荐方法中获取推荐成功率和推荐关联参数的流程图；
图4是本申请一个实施例提供的状态机的示意图；
图5是本申请另一实施例提供的节目推荐方法中得到推荐预测模型的流程图；
图6是本申请另一实施例提供的节目推荐方法中推荐目标节目的流程图；
图7是本申请一个实施例提供的设备的示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
需要说明的是，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书、权利要求书或上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
本申请提供了一种节目推荐方法、设备及计算机可读存储介质，先利用无监督推荐方法进行节目推荐，根据所获取到的被推荐节目的推荐成功率和推荐关联参数，得到推荐预测模型，该推荐预测模型属于有监督推荐方法，可以对无监督推荐方法的推荐结果进行监督学习，以完善推荐预测模型，提高推荐的准确率；接着，当需要对节目进行推荐时，利用推荐预测模型对目标节目的目标关联参数进行监督学习，从而获得目标节目的预测成功率，当预测成功率达到预设阈值，说明该目标节目会被用户观看的概率很高，因此推荐该目标节目。所以，通过无监督推荐方法和有监督推荐方法的配合处理，使得属于有监督推荐方法的推荐预测模型能够被用于对无监督推荐方法的推荐结果进行监督学习，以纠正无监督推荐方法的推荐结果，从而减少推荐用户不喜欢的节目，达到提高所推荐的节目被观看的概率的目的，从而可以提高用户的使用体验。
下面结合附图，对本申请实施例作进一步阐述。
如图1所示，图1是本申请一个实施例提供的用于执行节目推荐方法的系统结构平台的框架示意图。
如图1所示，该系统结构平台100包括相互能够进行通信的终端110和服务设备120，该终端110包括第一存储器111、第一处理器112和第一通信模块113，该服务设备120包括第二存储器121、第二处理器122和第二通信模块123。其中，第一通信模块113和第一处理器112电连接，第一存储器111和第一处理器112可以通过总线或者其他方式连接，图1中以通过总线连接为例；第二通信模块123和第二处理器122电连接，第二存储器121和第二处理器122可以通过总线或者其他方式连接，图1中以通过总线连接为例。
在一实施例中，终端110可以为智能手机、平板电脑、个人计算机、智能电视、网络机顶盒等设备，安装有IPTV客户端，能够为用户提供用户所喜好的节目，其中，当终端110为网络机顶盒时，需要和电视机相配合，从而可以为用户提供用户所喜好的节目。服务设备120可以为本地服务器、局域网服务器或云服务器等，也可以选用能搭建服务器的虚拟主机，能够通过安装在终端110中的IPTV客户端获取与节目相关的属性数据，并根据这些属性数据向用户推荐用户所喜好的节目。
第一通信模块113和第二通信模块123之间可以进行无线连接，也可以进行有线连接。例如，当终端110为智能手机或平板电脑等移动智能设备时，终端110中的第一通信模块113和服务设备120中的第二通信模块123之间可以进行无线连接；当终端110为个人计算机、智能电视或网络机顶盒等设备时，终端110中的第一通信模块113和服务设备120中的第二通信模块123之间既可以进行无线连接，又可以进行有线连接。其中，当第一通信模块113和第二通信模块123之间进行无线连接时，第一通信模块113和第二通信模块123可以通过WIFI网络进行数据传输，也可以通过移动网络进行数据传输，其中，移动网络可以为3G网络、LTE网络或者5G网络。
服务设备120可以通过终端110中的IPTV客户端中的用户日志获取用户曾经观看过的节目的相关记录数据，并且可以根据这些相关记录数据利用无监督推荐方法为用户推荐相似的节目，当用户观看或者收藏由服务设备120所推荐的节目时，IPTV客户端的用户日志会记录这些被推荐节目的相关记录数据，服务设备120可以根据这些被推荐节目的相关记录数据建立推荐预测模型，并且可以利用这些被推荐节目的相关记录数据对推荐预测模型进行训练处理，以完成推荐预测模型对被推荐节目的推荐成功率的监督学习，当推荐预测模型所输出的针对目标节目的预测成功率达到预设阈值时，可以认为推荐预测模型较之于无监督推荐方法能够更为准确地向用户推荐用户所喜好的节目，此时，可以根据推荐预测模型的输出结果向用户推荐节目。由于无监督推荐方法和推荐预测模型能够相互配合，使得属于有监督推荐方法的推荐预测模型能够被用于对无监督推荐方法的推荐结果进行监督学习，以纠正无监督推荐方法的推荐结果，因此可以减少推荐用户不喜欢的节目，达到提高所推荐的节目被观看的概率的目的，从而可以提高用户的使用体验。
第一存储器111和第二存储器121分别作为一种非暂态计算机可读存储介质，可分别用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，第一存储器111和第二存储器121均可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，第一存储器111可选包括相对于第一处理器112远程设置的存储器，这些远程存储器可以通过网络连接至终端110。在另一些实施方式中，第二存储器121可选包括相对于第二处理器122远程设置的存储器，这些远程存储器可以通过网络连接至服务设备120。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本领域技术人员可以理解，图1中示出的装置结构并不构成对系统结构平台100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。
在图1所示的系统结构平台100中，终端110中的第一处理器112可以用于调用第一存储器111中储存的节目推荐程序，以实现节目推荐方法；或者，服务设备120中的第二处理器122可以用于调用第二存储器121中储存的节目推荐程序，以实现节目推荐方法。在一些实施例中，为了节省终端110的存储资源，可以仅在服务设备120中执行节目推荐程序以实现节目推荐方法。
基于上述系统结构平台100，提出本申请的节目推荐方法的各个实施例。
如图2所示，图2是本申请一个实施例提供的节目推荐方法的流程图，该节目推荐方法包括但不限于以下步骤：
步骤S100，通过无监督推荐方法进行节目推荐。
在一实施例中，无监督推荐方法可以采用聚类、协同过滤或随机推荐等方法，当用户通过终端中的IPTV客户端观看节目时，IPTV客户端中的用户日志会记录有用户所观看过的节目的相关记录数据，例如包括有节目名称、节目标签和栏目等记录数据，此时，服务设备可以通过用户日志获取这些相关记录数据，并根据这些相关记录数据找出具有相同喜好节目的其他用户所观看过的节目，或者找出与具有这些相关记录数据的节目相对应的其他节目，从而把找出的这些节目向用户进行初始推荐，以满足用户对观看被推荐节目的需求。
本领域技术人员可以理解的是，聚类、协同过滤或随机推荐等无监督推荐方法，都是本领域中用于向用户进行节目推荐的常用方法，因此，聚类、协同过滤或随机推荐等无监督推荐方法的具体技术原理，在此不再赘述。值得注意的是，本实施例中所采用的无监督推荐方法并不仅限于上述所描述的聚类、协同过滤或随机推荐，其他的能够达到同样的技术效果的无监督推荐方法，均可被使用。
值得注意的是，本实施例中采用无监督推荐方法进行初始的节目推荐，能够为后续的操作步骤提供重要的节目样本参数，因此步骤S100是与后续操作步骤相关联的重要步骤之一。
步骤S200，获取被推荐节目的推荐成功率和推荐关联参数。
在一实施例中，推荐关联参数为能够影响节目的推荐的属性参数，包括但不限于节目类型、节目被观看次数、节目热度和节目时间衰减度中的一个或多个，可以通过IPTV客户端中的用户日志而获取到，其中，节目时间衰减度体现了节目的热度随着时间逐渐冷却的程度，节目时间衰减度越小，说明节目的热度越高、越受欢迎，反之，节目时间衰减度越大，说明节目的热度越低、受欢迎程度越低。
在一实施例中，被推荐节目的推荐成功率可以根据用户对被推荐节目的相关操作而计算得到，例如，当用户观看被推荐节目或者收藏被推荐节目，说明该被推荐节目可能与用户的观看喜好相符，因此，用户的观看操作或者收藏操作都可以提高被推荐节目的推荐成功率。
在一实施例中，用于计算被推荐节目的推荐成功率的样本范围可以根据实际情况而进行调整，本实施例中并不作具体限定。例如，可以针对每一个用户对被推荐节目的相关操作而计算推荐成功率；又如，可以针对某个地区的用户对被推荐节目的相关操作而计算推荐成功率；再如，可以针对全局用户对被推荐节目的相关操作而计算推荐成功率。
在一实施例中，当执行步骤S100后，IPTV客户端的用户日志和推荐记录中会保存有用户对被推荐节目的相关记录数据，根据这些相关记录数据可以得到被推荐节目的推荐成功率和推荐关联参数，可以为后续的操作步骤提供重要的样本参数，从而可以为后续的操作步骤提供必要的基础条件。
步骤S300，根据推荐成功率和推荐关联参数得到推荐预测模型。
在一实施例中，推荐预测模型可以有不同的实施方式，例如，推荐预测模型可以为支持向量机、神经网络、决策树或者随机森林等有监督学习模型，值得注意的是，本实施例中所采用的推荐预测模型并不仅限于上述所描述的支持向量机、神经网络、决策树或者随机森林，其他的能够达到同样的技术效果的有监督学习模型，均可被使用。
在一实施例中，可以利用推荐成功率作为推荐预测模型的因变量，把推荐关联参数作为推荐预测模型的自变量，从而建立并训练推荐预测模型。值得注意的是，本实施例中所采用的推荐预测模型属于回归模型，能够表明推荐成功率和推荐关联参数之间的显著关系。
步骤S400，获取目标节目的目标关联参数，根据目标关联参数和推荐预测模型，得到目标节目的预测成功率。
在一实施例中，目标关联参数为能够影响节目的推荐的属性参数，包括但不限于节目类型、节目被观看次数、节目热度和节目时间衰减度中的一个或多个，可以通过IPTV客户端中的用户日志而获取到，其中，节目时间衰减度体现了节目的热度随着时间逐渐冷却的程度，节目时间衰减度越小，说明节目的热度越高、越受欢迎，反之，节目时间衰减度越大，说明节目的热度越低、受欢迎程度越低。
在一实施例中，当推荐预测模型根据推荐成功率和推荐关联参数完成有监督学习的训练后，即可利用推荐预测模型向用户进行节目推荐。当利用推荐预测模型向用户进行节目推荐时，可以先利用无监督推荐方法根据用户日志中的相关记录数据先行选出所需要进行推荐的目标节目，并且在用户日志的相关记录数据中获取对应于目标节目的目标关联参数，接着，把该目标关联参数输入到推荐预测模型中，即可计算得到目标节目的预测成功率，因此，可以根据该预测成功率判断对应的目标节目是否为与用户的观看喜好相符的节目，从而可以提高所推荐的节目被观看的概率的目的，从而可以提高用户的使用体验。
步骤S500，当预测成功率达到预设阈值，推荐目标节目。
在一实施例中，当推荐预测模型根据目标节目的目标关联参数而计算得到目标节目的预测成功率后，需要判断预测成功率是否达到预设阈值，如果预测成功率达到预设阈值，说明对应的目标节目可能更加符合用户的观看喜好，用户观看或者收藏该目标节目的概率会更高，因此可以向用户推荐该目标节目；如果预测成功率小于预设阈值，则说明对应的目标节目可能并不符合用户的观看喜好，用户观看或者收藏该目标节目的概率很低，因此可以不向用户推荐该目标节目。值得注意的是，预设阈值可以根据实际的使用需要而进行设定，例如，预设阈值可以设置为80％或90％等，本实施例并不对预设阈值的具体数值进行限定。
在一实施例中，根据上述步骤S100、步骤S200、步骤S300、步骤S400和步骤S500，服务设备先利用无监督推荐方法进行节目推荐，根据所获取到的被推荐节目的推荐成功率和推荐关联参数，得到由推荐成功率和推荐关联参数进行训练后的推荐预测模型；接着，当需要对节目进行推荐时，利用推荐预测模型对目标节目的目标关联参数进行监督学习，从而获得目标节目的预测成功率，当预测成功率达到预设阈值，说明该目标节目会被用户观看或收藏的概率很高，因此可以推荐该目标节目。所以，通过无监督推荐方法和有监督推荐方法的配合处理，使得属于有监督推荐方法的推荐预测模型能够被用于对无监督推荐方法的推荐结果进行监督学习，以纠正无监督推荐方法的推荐结果，从而减少推荐用户不喜欢的节目，达到提高所推荐的节目被观看的概率的目的，从而可以提高用户的使用体验。
如图3所示，在一实施例中，步骤S200包括但不限于以下步骤：
步骤S210，获取被推荐节目的有效被观看次数、被推荐次数和推荐关联参数；
步骤S220，根据有效被观看次数和被推荐次数得到被推荐节目的推荐成功率。
在一实施例中，被推荐节目的推荐成功率可以由有效被观看次数和被推荐次数的比例计算得到，因此，被推荐节目的推荐成功率的计算公式可以为P＝N1/N2，其中，P为被推荐节目的推荐成功率，N1为被推荐节目的有效被观看次数，N2为被推荐节目的被推荐次数。
在一实施例中，可以从IPTV客户端的推荐记录中统计获取被推荐节目的被推荐次数，而被推荐节目的有效被观看次数则可以从IPTV客户端的用户日志中计算得到。值得注意的是，可以利用不同的方式计算得到有效被观看次数。例如，可以利用状态机统计有效被观看次数；又如，可以根据用户针对被推荐节目的行为曲线统计有效被观看次数。当利用状态机统计有效被观看次数时，可以对被推荐节目赋予不同的状态，当用户对被推荐节目进行不同的操作时，可以改变被推荐节目的状态，当被推荐节目的状态变成观看状态或者收藏状态时，即说明该被推荐节目被有效观看了一次，因此可以对被推荐节目的有效被观看次数进行统计。当根据用户针对被推荐节目的行为曲线统计有效被观看次数时，可以根据节目时间、观看时长、用户观看时间段和用户收藏行为等形成被推荐节目的特征曲线，接着根据用户的正常观看行为形成用户观看曲线，根据全局用户对该被推荐节目的观看行为形成全局曲线，然后对特征曲线、用户观看曲线和全局曲线进行相关度计算，如果3个曲线相似，那么可统计一次有效被观看次数。
在一实施例中，被推荐节目的推荐成功率根据被推荐节目的有效被观看次数和被推荐次数而计算得到，因此，该推荐成功率能够与用户的观看喜好相匹配，该推荐成功率越高，说明用户有更高的概率观看或者收藏该被推荐节目，所以，利用该推荐成功率作为后续步骤中的推荐预测模型的训练目标值，并且利用被推荐节目的推荐关联参数作为推荐预测模型的样本参数，可以更好地对推荐预测模型进行监督训练，从而能够对推荐预测模型进行完善。
如图4所示，在另一实施例中，通过状态机对有效被观看次数进行统计，状态机包括有效观看状态，当被推荐节目的状态在预设时长内达到有效观看状态，记录一次有效被观看次数。
在一实施例中，参照图4，状态机可以设定有通过推荐进入观看、观看中、暂停观看、有效观看和无效观看等状态，值得注意的是，状态机中对节目定义的状态可以根据实际情况而自定义选择，本实施例并不对状态机中定义的节目状态进行限制。当利用状态机对有效被观看次数进行统计时，可以先从IPTV客户端的用户日志中获取节目时长、观看时长、用户观看时间段和收藏操作等状态参数，接着根据这些状态参数对节目的状态进行跟踪和转换，例如，根据不同的触发条件或事件对节目的状态进行转换，具体地，触发条件或事件可以为观看时长达到预设时间阈值或者用户收藏节目等。例如，如果节目的状态在预设时间阈值内到达有效观看状态，那么可认为该节目被有效观看了一次，因此可以记录一次有效被观看次数。
在一实施例中，预设时长和预设时间阈值均可以根据实际的使用需要而进行设定，例如，预设时长可以设置为10秒钟或1分钟等，预设时间阈值可以设置为5分钟或10分钟等，本实施例并不对预设时长和预设时间阈值的具体数值进行限定。
以下为示例性说明：
参照图4，根据用户对节目的不同操作，对应地设定节目具有如下5个状态：无效观看状态、有效观看状态、通过推荐进入观看状态、观看中状态和暂停观看状态。当用户打开IPTV客户端的节目推荐预览页面时，说明用户已经接收到了节目推荐信息了，此时，状态机开始对被推荐节目的状态进行跟踪，即，此时的被推荐节目进入了通过推荐进入观看状态，当用户触发了如图4中所示的相关条件时，被推荐节目的状态会进行相应的转变。例如，当被推荐节目处于观看中状态时，IPTV客户端的后台服务器会对被推荐节目的观看时长进行累加，如果观看时长大于或等于预设时间阈值，则触发被推荐节目进入有效观看状态。又如，当用户打开节目推荐预览页面时，被推荐节目的状态处于通过推荐进入观看状态，如果用户退出节目推荐预览页面，则被推荐节目的状态会转变为暂停观看状态，此时，如果用户对被推荐节目进行收藏，那么被推荐节目会进入有效观看状态；如果用户并没有收藏被推荐节目，并且在预设时长内也没有继续观看该被推荐节目，则该被推荐节目会进入无效观看状态。当被推荐节目进入有效观看状态时，状态机会停止对被推荐节目的状态跟踪，并且被推荐节目的有效被观看次数会被进行一次有效统计，因此，通过累计被推荐节目进入有效观看状态的次数，即可得到被推荐节目的有效被观看次数。
在一实施例中，通过状态机对被推荐节目的状态进行跟踪，只要被推荐节目进入有效观看状态，即可记录一次有效被观看次数，因此，利用状态机可以更加便捷地实现有效被观看次数的记录统计，从而可以提高后续对节目进行准确推荐的效率。
如图5所示，在另一实施例中，步骤S300包括但不限于以下步骤：
步骤S310，建立推荐成功率和推荐关联参数之间的映射关系；
步骤S320，把推荐成功率作为训练目标值，把推荐关联参数作为训练样本，对映射关系进行训练，得到推荐预测模型。
在一实施例中，建立推荐成功率和推荐关联参数之间的映射关系，可以用如下公式表示：Y＝F(X)，其中，Y为推荐成功率，是一个训练目标值；X为推荐关联参数，是用于训练推荐预测模型的样本参数；F()为推荐成功率Y和推荐关联参数X之间的映射关系，属于非线性回归的映射关系。值得注意的是，公式Y＝F(X)即构成了推荐预测模型。通过把推荐成功率Y和推荐关联参数X输入到推荐预测模型中，可以训练推荐预测模型的权重值，使得推荐预测模型的权重值能够更准确地与推荐成功率Y和推荐关联参数X之间的映射关系相对应。推荐成功率Y和推荐关联参数X可以先进行矩阵化，然后再输入到推荐预测模型中。在一个具体实例中，由推荐成功率Y和推荐关联参数X构成的矩阵可以如下所示：
其中，对于该矩阵中的第一行数据，分别为第一被推荐节目的节目被观看次数X11、第一被推荐节目的节目时间衰减度X12、第一被推荐节目的节目热度X13和第一被推荐节目的推荐成功率Y1；对于该矩阵中第二行数据的数据类型和第三行数据的数据类型，均和该矩阵中第一行数据的数据类型相同，三者之间的不同点仅在于对应的被推荐节目不同。
如图6所示，在另一实施例中，步骤S500包括但不限于以下步骤：
步骤S510，当预测成功率达到预设阈值，基于预测成功率和推荐成功率得到推荐权重值；
步骤S520，当推荐权重值达到预设权重阈值，推荐目标节目。
在一实施例中，可以根据无监督推荐方法的推荐结果和推荐预测模型的推荐结果综合决定所要推荐的目标节目，为了平衡两种推荐方式的推荐结果以保证所要推荐的目标节目符合用户的观看喜好，可以引入一个推荐权重值，如果推荐权重值达到预设权重阈值，表示推荐预测模型的推荐结果更符合用户的观看喜好，因此利用推荐预测模型进行节目的推荐处理，如果推荐权重值小于预设权重阈值，表示无监督推荐方法的推荐结果更符合用户的观看喜好，因此利用无监督推荐方法进行节目的推荐处理。
在一实施例中，由于推荐预测模型属于回归模型，因此，可以基于预测成功率和推荐成功率，利用回归模型评估方法得到推荐权重值。其中，回归模型评估方法可以有不同的实施方式，例如，回归模型评估方法可以采用SSE(The Sum of Squares due to Error，和方差)、MSE(Mean Squared Error，均方差)、RMSE(Root Mean Squared Error，均方根)和MAPE(Mean Absolute Percentage Error，平均百分比误差)中的任意一种进行推荐权重值的计算。以回归模型评估方法采用SSE计算推荐权重值为例，首先计算SSE，SSE的计算公式如下所示：SSE＝∑(P1-P2)2，其中，P1为推荐成功率，P2为预测成功率，SSE的值越小，说明预测成功率越接近真实的推荐成功率；接着，根据公式D＝1/SSE计算得到推荐权重值，其中D为推荐权重值。当推荐权重值达到预设权重阈值时，说明目标节目更加符合用户的观看喜好，因此向用户推荐该目标节目。值得注意的是，预设权重阈值可以根据实际的使用需要而进行设定，本实施例并不对预设权重阈值的具体数值进行限定。
此外，在另一实施例中，目标节目的数量为两个或两个以上，当推荐权重值达到预设权重阈值，结合预测成功率、推荐成功率和推荐权重值对目标节目进行排序，并按序推荐目标节目。
在一实施例中，当向用户进行推荐的目标节目的数量为两个或两个以上时，可能存在某些目标节目并不符合用户的观看喜好的情况，因此需要分别针对每一个目标节目计算对应的推荐权重值，接着把每一个目标节目所对应的推荐权重值分别与预设权重阈值进行比较，从而可以筛选出符合用户观看喜好的目标节目，当筛选出符合用户观看喜好的目标节目后，可以先对这些目标节目按照符合用户的观看喜好的接近程度进行排序，然后按序向用户推荐这些目标节目，因此，当用户打开IPTV客户端的节目推荐预览页面时，可以看到第一个推荐的节目就是最符合用户的观看喜好的节目，从而可以满足用户的观看需要，提高用户的使用体验。
在一实施例中，结合预测成功率、推荐成功率和推荐权重值对目标节目进行排序，可以先按照以下公式得到推荐优先度：M＝P预*P推*P权，其中，M为推荐优先度，M的数值越大，说明优先级越高；P预为预测成功率；P推为推荐成功率；P权为推荐权重值。接着，根据推荐优先度M的数值对相应的目标节目进行排序。
此外，在另一实施例中，该节目推荐方法还包括以下步骤：
步骤S600，当推荐权重值小于预设权重阈值，利用无监督推荐方法进行节目推荐。
在一实施例中，当推荐权重值小于预设权重阈值时，说明由推荐预测模型推荐的节目与由无监督推荐方法推荐的节目相比，由无监督推荐方法推荐的节目更加符合用户的观看喜好，因此，利用无监督推荐方法进行节目推荐。
在一实施例中，在执行节目推荐方法的初期，由于推荐成功率和推荐关联参数的样本数量比较少，推荐预测模型还不能完全发挥其作用，因此，会先使用无监督推荐方法进行节目推荐，当推荐成功率和推荐关联参数的样本数量足够以使推荐预测模型完成监督学习后，则可以结合无监督推荐方法和推荐预测模型的推荐效果，使得推荐预测模型可以对无监督推荐方法的推荐结果进行纠正，从而可以向用户推荐更加准确的符合用户观看喜好的节目，达到提高所推荐的节目被观看的概率的目的，从而可以提高用户的使用体验。
如图7所示，本申请的一个实施例提供了一种设备，该设备200可以为本地服务器、局域网服务器或云服务器等，也可以选用能搭建服务器的虚拟主机。
具体地，该设备200包括：存储器201、处理器202及存储在存储器201上并可在处理器202上运行的计算机程序。
处理器202和存储器201可以通过总线或者其他方式连接，图7中以通过总线连接为例。
需要说明的是，本实施例中的设备200，与图1所示实施例中的系统结构平台100，基于相同的发明构思，本实施例中的设备200可以构成图1所示实施例中的系统结构平台100的一部分，因此两者具有相同的实现原理以及有益效果，此处不再详述。
实现上述实施例中的节目推荐方法所需的非暂态软件程序以及指令存储在存储器201中，当被处理器202执行时，执行上述实施例中的节目推荐方法，例如，执行以上描述的图2中的方法步骤S100至S500、图3中的方法步骤S210至S220、图5中的方法步骤S310至S320、图6中的方法步骤S510至S520。
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，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模块来实现本实施例方案的目的。
此外，本申请的一个实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个处理器或控制器执行，例如，被图7中的一个处理器202执行，可使得上述处理器202执行上述实施例中的节目推荐方法，例如，执行以上描述的图2中的方法步骤S100至S500、图3中的方法步骤S210至S220、图5中的方法步骤S310至S320、图6中的方法步骤S510至S520。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
以上是对本申请的较佳实施进行了具体说明，但本申请并不局限于上述实施方式，熟悉本领域的技术人员在不违背本申请精神的前提下还可作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (11)
1.一种节目推荐方法，包括，
获取被推荐节目的推荐成功率和推荐关联参数；
根据所述推荐成功率和所述推荐关联参数得到推荐预测模型；
获取目标节目的目标关联参数，根据所述目标关联参数和所述推荐预测模型，得到所述目标节目的预测成功率；
当所述预测成功率达到预设阈值，推荐所述目标节目。
2.根据权利要求1所述的节目推荐方法，其特征在于，所述获取被推荐节目的推荐成功率和推荐关联参数，包括：
获取被推荐节目的有效被观看次数、被推荐次数和推荐关联参数；
根据所述有效被观看次数和所述被推荐次数得到所述被推荐节目的推荐成功率。
3.根据权利要求2所述的节目推荐方法，其特征在于，通过状态机对所述有效被观看次数进行统计，所述状态机包括有效观看状态，当所述被推荐节目的状态在预设时长内达到有效观看状态，记录一次有效被观看次数。
4.根据权利要求1所述的节目推荐方法，其特征在于，所述根据所述推荐成功率和所述推荐关联参数得到推荐预测模型，包括：
建立所述推荐成功率和所述推荐关联参数之间的映射关系；
把所述推荐成功率作为训练目标值，把所述推荐关联参数作为训练样本，对所述映射关系进行训练，得到推荐预测模型。
5.根据权利要求1所述的节目推荐方法，其特征在于，所述当所述预测成功率达到预设阈值，推荐所述目标节目，包括：
当所述预测成功率达到预设阈值，基于所述预测成功率和所述推荐成功率得到推荐权重值；
当所述推荐权重值达到预设权重阈值，推荐所述目标节目。
6.根据权利要求5所述的节目推荐方法，其特征在于，所述目标节目的数量为两个或两个以上，当所述推荐权重值达到预设权重阈值，结合所述预测成功率、所述推荐成功率和所述推荐权重值对所述目标节目进行排序，并按序推荐所述目标节目。
7.根据权利要求5所述的节目推荐方法，其特征在于，还包括：
当所述推荐权重值小于所述预设权重阈值，利用无监督推荐方法进行节目推荐。
8.根据权利要求1所述的节目推荐方法，其特征在于，执行所述获取被推荐节目的推荐成功率和推荐关联参数之前，执行以下步骤：
通过无监督推荐方法进行节目推荐。
9.根据权利要求1至8任一所述的节目推荐方法，其特征在于，所述推荐关联参数和所述目标关联参数分别包括如下至少之一：
节目类型；
节目被观看次数；
节目热度；
节目时间衰减度。
10.一种设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至9中任意一项所述的节目推荐方法。
11.一种计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令用于执行如权利要求1至9中任意一项所述的节目推荐方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911114300.1A CN112804566A (zh) | 2019-11-14 | 2019-11-14 | 节目推荐方法、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911114300.1A CN112804566A (zh) | 2019-11-14 | 2019-11-14 | 节目推荐方法、设备及计算机可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112804566A true CN112804566A (zh) | 2021-05-14 |
Family
ID=75803769
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911114300.1A Pending CN112804566A (zh) | 2019-11-14 | 2019-11-14 | 节目推荐方法、设备及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112804566A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114302242A (zh) * | 2022-01-25 | 2022-04-08 | 聚好看科技股份有限公司 | 一种媒资推荐方法、显示设备及服务器 |
| WO2023171708A1 (ja) * | 2022-03-08 | 2023-09-14 | 国立研究開発法人理化学研究所 | 情報処理システム、情報処理方法、およびプログラム |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106446015A (zh) * | 2016-08-29 | 2017-02-22 | 北京工业大学 | 一种基于用户行为偏好的视频内容访问预测与推荐方法 |
| CN108304441A (zh) * | 2017-11-14 | 2018-07-20 | 腾讯科技（深圳）有限公司 | 网络资源推荐方法、装置、电子设备、服务器及存储介质 |
| CN109874053A (zh) * | 2019-02-21 | 2019-06-11 | 南京航空航天大学 | 基于视频内容理解和用户动态兴趣的短视频推荐方法 |
-
2019
- 2019-11-14 CN CN201911114300.1A patent/CN112804566A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106446015A (zh) * | 2016-08-29 | 2017-02-22 | 北京工业大学 | 一种基于用户行为偏好的视频内容访问预测与推荐方法 |
| CN108304441A (zh) * | 2017-11-14 | 2018-07-20 | 腾讯科技（深圳）有限公司 | 网络资源推荐方法、装置、电子设备、服务器及存储介质 |
| CN109874053A (zh) * | 2019-02-21 | 2019-06-11 | 南京航空航天大学 | 基于视频内容理解和用户动态兴趣的短视频推荐方法 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114302242A (zh) * | 2022-01-25 | 2022-04-08 | 聚好看科技股份有限公司 | 一种媒资推荐方法、显示设备及服务器 |
| CN114302242B (zh) * | 2022-01-25 | 2023-10-31 | 聚好看科技股份有限公司 | 一种媒资推荐方法、显示设备及服务器 |
| WO2023171708A1 (ja) * | 2022-03-08 | 2023-09-14 | 国立研究開発法人理化学研究所 | 情報処理システム、情報処理方法、およびプログラム |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109697214B (zh) | 一种旅游数据分析系统及方法 | |
| CN107038213B (zh) | 一种视频推荐的方法及装置 | |
| TW202007178A (zh) | 用戶特徵的生成方法、裝置、設備及儲存介質 | |
| CN107247733B (zh) | 一种视频片段观看热度分析方法及系统 | |
| CN108595492B (zh) | 内容的推送方法和装置、存储介质、电子装置 | |
| US20140068676A1 (en) | Method and system for video collection management, invalid video replacement and continuous video replay | |
| CN111522724B (zh) | 异常账号的确定方法、装置、服务器及存储介质 | |
| US11496801B2 (en) | Identifying viewing characteristics of an audience of a content channel | |
| CN112565775B (zh) | 用于音视频转码的方法、装置及存储介质 | |
| CN111062527B (zh) | 一种视频集流量预测方法及装置 | |
| KR101541495B1 (ko) | 캡쳐된 이미지를 이용한 동영상 분석 장치, 방법 및 컴퓨터 판독 가능한 기록 매체 | |
| CN111125429A (zh) | 一种视频推送方法、装置和计算机可读存储介质 | |
| CN112804566A (zh) | 节目推荐方法、设备及计算机可读存储介质 | |
| CN105956061B (zh) | 一种用户间相似度确定方法及装置 | |
| US11368758B2 (en) | VOD service system based on AI video learning platform | |
| CN104871547A (zh) | 用于有效地编译用于媒体点播平台的媒体内容项目的方法和系统 | |
| CN114443671A (zh) | 推荐模型的更新方法、装置、计算机设备和存储介质 | |
| US9602852B1 (en) | Metering of internet protocol video streams | |
| CN112287799A (zh) | 基于人工智能的视频处理方法、装置及电子设备 | |
| KR102492022B1 (ko) | 다중 채널 네트워크의 컨텐츠 관리 방법, 장치 및 시스템 | |
| CN112291625B (zh) | 信息质量处理方法、装置、电子设备及存储介质 | |
| US10885343B1 (en) | Repairing missing frames in recorded video with machine learning | |
| US20170188095A1 (en) | Method and electronic device for web video capturing | |
| CN113313511A (zh) | 一种视频流量预测方法、装置、电子设备及介质 | |
| CN107608792B (zh) | 资源调度方法与装置 |
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 |