CN113468415A - 一种融合电影属性和交互信息的电影推荐系统 - Google Patents
一种融合电影属性和交互信息的电影推荐系统 Download PDFInfo
- Publication number
- CN113468415A CN113468415A CN202110653341.9A CN202110653341A CN113468415A CN 113468415 A CN113468415 A CN 113468415A CN 202110653341 A CN202110653341 A CN 202110653341A CN 113468415 A CN113468415 A CN 113468415A
- Authority
- CN
- China
- Prior art keywords
- movie
- user
- attributes
- vector
- attribute
- 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
- 230000002452 interceptive effect Effects 0.000 title claims abstract description 28
- 230000005540 biological transmission Effects 0.000 claims abstract description 12
- 230000000694 effects Effects 0.000 claims abstract description 9
- 239000013598 vector Substances 0.000 claims description 85
- 238000013528 artificial neural network Methods 0.000 claims description 19
- 238000013507 mapping Methods 0.000 claims description 13
- 230000003993 interaction Effects 0.000 claims description 7
- 238000000034 method Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims description 2
- 230000017105 transposition Effects 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims 1
- 230000006870 function Effects 0.000 description 11
- 238000005457 optimization Methods 0.000 description 8
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
Abstract
本发明公开了一种融合电影属性和交互信息的电影推荐系统,通过数据采集模块获取每部电影的属性和用户历史观影信息,通过前向传输模块表示电影和用户的特征,并输出预测值。通过反向传输模块优化系统参数。通过判断模块判断预测输出层的输出值是否大于提前设定好的阈值。通过推荐模块判断是否将电影推荐给用户。本发明不仅利用了电影和用户的交互信息,还利用了电影的属性信息以及属性和属性之间的关系,可解释性增强,且有效缓解物品冷启动问题,从而获得更好的推荐效果。
Description
技术领域
本发明涉及人工智能技术领域,特别是一种融合电影属性和交互信息的电影推荐系统。
背景技术
互联网的出现和普及满足了用户对大量的数据的需求,不过也带来了数据冗余的问题,使得用户在面对网络上海量资源时,无法快速准确的选择自己想要的那部分信息,这样反而降低了信息的使用效率。推荐系统可以帮助用户过滤掉冗余的信息,以此来帮助用户减轻因为数据量过大而带来的负担。
例如,基于协同过滤的推荐方法,此方法仅仅利用了用户和电影之间的交互信息,通过余弦相似度等方法计算电影或用户之间的相似度,从而向用户推荐相似度高的电影,但是此方法存在可解释性差,物品冷启动等问题,且此类方法未能充分利用电影的信息。由于此类方法只进行了浅层的特征学习,而不能将电影和用户兴趣的深层特征表示出来,导致推荐系统不能很好的针对用户兴趣向用户推荐合适的电影。
发明内容
本发明所要解决的技术问题是克服现有技术的不足而提供一种融合电影属性和交互信息的电影推荐系统,充分的利用电影包含的属性信息,以及电影属性之间的关系,以此来迎合用户的个性化并提高推荐的准确性,进而提高用户的使用体验。
本发明为解决上述技术问题采用以下技术方案:
根据本发明提出的一种融合电影属性和交互信息的电影推荐系统,包括数据采集模块、前向传输模块、反向传输模块、判断模块和推荐模块;前向传输模块包括电影表示层、用户表示层和预测输出层;其中,
数据采集模块,用于获取每部电影的属性、用户历史观影信息以及用户和电影的交互信息;
电影表示层,用于根据电影的属性,将待推荐电影和用户历史观看的电影映射成电影的特征向量;
用户表示层,用于根据用户历史观影信息来表示用户的特征向量;
预测输出层,用于将待推荐电影的特征向量和用户的特征向量输入神经网络,预测用户对待推荐电影的预测值;
反向传播模块,用于优化神经网络的各个参数,通过最小化损失函数使得神经网络的预测效果达到最优;
判断模块,用于判断预测输出层输出的预测值是否大于预先设定好的预测阈值;
推荐模块,根据判断模块的结果决定是否对待推荐电影进行推荐,当预测值大于预先设定好的预测阈值,将该电影推荐给用户,反之,则不推荐给用户。
作为本发明所述的一种融合电影属性和交互信息的电影推荐系统进一步优化方案,电影的属性包括导演、主演、上映时间和类型。
作为本发明所述的一种融合电影属性和交互信息的电影推荐系统进一步优化方案,用户历史观影信息包括电影名、用户对电影的评分和观影时长。
作为本发明所述的一种融合电影属性和交互信息的电影推荐系统进一步优化方案,电影表示层包括:
one-hot向量单元,采用one-hot编码技术对电影所有属性的内容进行编码处理,属性的每一个内容对应于一个独立的one-hot向量x∈RN×1,其中RN×1表示属性的内容的集合,N表示所有属性的内容的总个数;
映射单元,用于将所述的one-hot向量输入,从而输出属性的特征嵌入向量,属性的特征嵌入向量表示为c:c=WTx,其中,c为K×1的向量,K表示属性的特征嵌入向量的维数,W为N×K的映射矩阵,上标T表示转置;
电影表示单元,用于利用属性的特征嵌入向量表示出电影的特征向量v。
作为本发明所述的一种融合电影属性和交互信息的电影推荐系统进一步优化方案,one-hot向量x的维度为N,第i个属性的内容对应one-hot向量中的第i个维度的值为1,one-hot向量的其他维度的值为0。
作为本发明所述的一种融合电影属性和交互信息的电影推荐系统进一步优化方案,电影表示单元,每个电影拥有多个属性信息,在将电影的每个属性信息的one-hot向量映射后,通过将电影的每个属性的向量相加表示出电影的特征向量v。
作为本发明所述的一种融合电影属性和交互信息的电影推荐系统进一步优化方案,用户表示层根据用户历史观看电影对应的特征表示、用户对电影的评分和用户观影时长来表示用户的特征向量,用户的特征向量为:
其中,u表示用户的特征向量,Ru表示用户历史观看电影的集合,j表示该用户历史观看的电影的编号,vj表示编号为j的电影特征向量,αj表示编号为j的电影对于用户表示的权重,αj表示为:
其中,函数f()表示神经网络拟合的函数。
作为本发明所述的一种融合电影属性和交互信息的电影推荐系统进一步优化方案,反向传播模块用于优化神经网络的各个参数,通过最小化损失函数使得神经网络的预测效果达到最优,损失函数为:
其中,M为训练集中包含样本的总数,L为损失值,yuv表示用户对电影的真实值,表示用户对待推荐电影的预测值,λ|||θ||2是正则项,θ表示神经网络的参数,λ表示正则项的系数,σ()为sigmoid函数。
本发明采用以上技术方案与现有技术相比,具有以下技术效果:
(1)本发明通过数据采集模块获取每部电影的属性和所有用户历史观看的电影,通过电影表示层将用户历史观看的电影和待推荐的电影映射成电影的特征向量,通过用户表示层根据用户的历史观影记录来表示用户的特征向量。通过预测输出层将用户的特征向量和待推荐电影的特征向量输入到神经网络中,输出该用户对电影的预测值。通过判断模块判断结果输出层的输出值是否大于提前设定好的阈值。通过推荐模块确定所述待推荐电影的预测值大于提前设定好的阈值,将该电影推荐给用户,反之,则不推荐给用户。
(2)本发明融合电影属性和交互信息的电影推荐系统,不仅利用了电影和用户的交互信息,还利用了电影的属性信息以及属性和属性之间的关系,可解释性增强,且有效缓解物品冷启动问题,从而获得更好的推荐效果。
附图说明
图1为本发明实施例提供的融合电影属性和交互信息的电影推荐系统的结构示意图。
图2为本发明实施例提供的融合电影属性和交互信息的电影推荐系统的电影表示层结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图及具体实施例对本发明进行详细描述。
如图1,其示出了本发明实施例提供的一种融合电影属性和交互信息的电影推荐系统的流程图,包括:
数据采集模块、前向传输模块、反向传输模块、判断模块和推荐模块。以下将对每一个模块进行详细说明。
数据采集模块用于获取每部电影的属性和用户历史观影信息。其中,电影的属性信息包括导演、主演、上映时间、类型和评分等信息;用户历史观影信息包括电影名、用户对电影的评分和观影时长等信息。
例如,共有三部电影《霸王别姬》、《赵氏孤儿》和《倩女幽魂》。《霸王别姬》的属性包括:导演(陈凯歌)、主演(张国荣、巩俐、葛优)、上映时间(1993)、类型(爱情、剧情)、评分(9.6)。《赵氏孤儿》的属性包括:导演(陈凯歌)、主演(葛优、范冰冰)、上映时间(2010)、类型(古装、剧情)。《倩女幽魂》的属性包括:导演(程小东)、主演(张国荣、王祖贤)、上映时间(1987)、类型(古装、爱情)。
所述的前向传输模块包括:电影表示层、用户表示层和预测输出层。
电影表示层用于将待推荐电影和用户历史观看的电影映射成电影的特征向量。
参阅图2,所述的电影表示层包括one-hot向量单元、映射单元和电影表示单元。
one-hot向量单元采用one-hot编码技术对电影所有属性的内容进行编码处理,属性的每一个内容对应于一个独立的one-hot向量x∈RN×1,其中RN×1表示属性的内容的集合,N表示所有属性的内容的总个数;
具体的,电影的第i个属性的内容对应one-hot向量中的第i个维度的值为1,one-hot向量的其他维度的值为0。例如,所述的三部电影的属性共16个,则属性的one-hot向量为16维。假设导演“陈凯歌”属性编号为1,则“陈凯歌”的one-hot向量为(1,0,0,0,0,.....,0)。电影《霸王别姬》的属性可以表示为:
映射单元用于将所述的one-hot向量输入,输出属性的特征嵌入向量,属性的特征嵌入向量表示为:c=WTx,其中,c为K×1的向量,W为N×K的映射矩阵;当属性的内容非常多时,one-hot向量的维度就会非常大,这使得表达的效率低下。因此,利用映射矩阵W对one-hot向量进行降维,其中矩阵W是可训练的参数。
例如《霸王别姬》的导演“陈凯歌”的特征嵌入向量表示为:c1=WTx1。
电影表示单元用于利用所述的属性的特征嵌入向量表示出电影的特征向量v。每个电影拥有多个属性信息,在将电影的每个属性信息用one-hot向量表示并映射后,通过将电影的每个属性的向量相加表示出电影的向量v。
例如《霸王别姬》的特征向量表示为:v1=c1+c2+....+c8。
用户表示层用于根据用户历史观看的电影信息来表示用户的特征向量。
所述的用户表示层根据用户历史观看电影对应的特征表示、用户对电影的评分和用户观影时长等信息来表示用户的特征表示,所述的用户的特征向量为:所述的用户表示层根据用户历史观看电影对应的特征表示、用户对电影的评分和用户观影时长等信息来表示用户的特征表示,所述的用户的特征向量为:
其中,u表示用户的特征向量,Ru表示用户历史观看电影的集合,j表示该用户历史观看的电影的编号,vj表示编号为j的电影特征向量,αj表示不同电影对于用户表示的权重。
可以理解,用户对于历史观看电影的喜欢程度并不一样。因此,不同电影能代表用户的兴趣的程度也不同。在表示用户特征向量时,对于那些用户喜欢的电影,分配的权重相对较大,对于那些用户不喜欢的电影,分配的权重相对较小。
所述的权重αj表示为:
可以理解,用户对历史观看电影的评分可以有效的反映用户对该电影的喜欢程度,但是考虑到不同用户对电影的打分习惯不同,部分用户给电影的评分普遍偏高,而部分用户给电影的评分普遍偏低,因此需要考虑用户的打分习惯,相对评分高的电影,分配的权重越大。此外,用户观看电影的相对时长也能够有效的反应用户对该电影的喜欢程度,用户观看电影的相对时长越长,分配的权重越大。
所述的权重η可以根据实验得出具体的值,且η∈(0,1)。
例如用户观看了150分钟的《霸王别姬》,并打出9.0的评分,用户的平均评分为7.5,用户对电影的最高评分为9.5,电影的总时长为160分钟,假设η为0.5,则《霸王别姬》对用户特征表示的权重为:
其中,函数f()表示神经网络拟合的函数。
可以理解,给定一个带推荐电影和用户,我们可以通过输入电影的特征向量和用户的特征向量得到用户对该电影的预测值。
请参阅图1,本发明提供的融合电影属性和交互信息的电影推荐系统还包括反向传输模块。
所述的反向传播模块用于优化神经网络的各个参数,通过最小化损失函数使得神经网络的预测效果达到最优,所述的损失函数为:
其中,M为训练集中包含样本的总数,L为损失值,yuv表示用户对电影的真实值,表示用户对电影的预测值,λ|||θ||2是正则项,θ表示神经网络的参数,λ表示正则项的系数,所述的σ(x’)为sigmoid函数,表示为:
可以理解,本发明提供的融合电影属性和交互信息的电影推荐系统,不仅利用了电影和用户的交互信息,还利用了电影的属性信息以及属性和属性之间的关系,可解释性增强,且有效缓解物品冷启动问题;此外,本发明在构造用户向量时,将用户和电影的交互信息考虑进去,更加合理的为每部电影分配权重,能够更好的改善推荐效果。
判断模块用于判断结果输出层的输出值是否大于提前设定好的阈值。
推荐模块用于确定所述待推荐电影的预测值大于提前设定好的阈值,将该电影推荐给用户,反之,则不推荐给用户。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围内。
Claims (9)
1.一种融合电影属性和交互信息的电影推荐系统,其特征在于,包括数据采集模块、前向传输模块、反向传输模块、判断模块和推荐模块;前向传输模块包括电影表示层、用户表示层和预测输出层;其中,
数据采集模块,用于获取每部电影的属性、用户历史观影信息以及用户和电影的交互信息;
电影表示层,用于根据电影的属性,将待推荐电影和用户历史观看的电影映射成电影的特征向量;
用户表示层,用于根据用户历史观影信息来表示用户的特征向量;
预测输出层,用于将待推荐电影的特征向量和用户的特征向量输入神经网络,预测用户对待推荐电影的预测值;
反向传播模块,用于优化神经网络的各个参数,通过最小化损失函数使得神经网络的预测效果达到最优;
判断模块,用于判断预测输出层输出的预测值是否大于预先设定好的预测阈值;
推荐模块,根据判断模块的结果决定是否对待推荐电影进行推荐,当预测值大于预先设定好的预测阈值,将该电影推荐给用户,反之,则不推荐给用户。
2.根据权利要求1所述的一种融合电影属性和交互信息的电影推荐系统,其特征在于,电影的属性包括导演、主演、上映时间和类型。
3.根据权利要求1所述的一种融合电影属性和交互信息的电影推荐系统,其特征在于,用户历史观影信息包括电影名、用户对电影的评分和观影时长。
4.根据权利要求1所述的一种融合电影属性和交互信息的电影推荐系统,其特征在于,电影表示层包括:
one-hot向量单元,采用one-hot编码技术对电影所有属性的内容进行编码处理,属性的每一个内容对应于一个独立的one-hot向量x∈RN×1,其中RN×1表示属性的内容的集合,N表示所有属性的内容的总个数;
映射单元,用于将所述的one-hot向量输入,从而输出属性的特征嵌入向量,属性的特征嵌入向量表示为c:c=WTx,其中,c为K×1的向量,K表示属性的特征嵌入向量的维数,W为N×K的映射矩阵,上标T表示转置;
电影表示单元,用于利用属性的特征嵌入向量表示出电影的特征向量v。
5.根据权利要求4所述的一种融合电影属性和交互信息的电影推荐系统,其特征在于,one-hot向量x的维度为N,第i个属性的内容对应one-hot向量中的第i个维度的值为1,one-hot向量的其他维度的值为0。
6.根据权利要求4所述的一种融合电影属性和交互信息的电影推荐系统,其特征在于,电影表示单元,每个电影拥有多个属性信息,在将电影的每个属性信息的one-hot向量映射后,通过将电影的每个属性的向量相加表示出电影的特征向量v。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110653341.9A CN113468415B (zh) | 2021-06-11 | 2021-06-11 | 一种融合电影属性和交互信息的电影推荐系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110653341.9A CN113468415B (zh) | 2021-06-11 | 2021-06-11 | 一种融合电影属性和交互信息的电影推荐系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113468415A true CN113468415A (zh) | 2021-10-01 |
CN113468415B CN113468415B (zh) | 2024-01-23 |
Family
ID=77869732
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110653341.9A Active CN113468415B (zh) | 2021-06-11 | 2021-06-11 | 一种融合电影属性和交互信息的电影推荐系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113468415B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2763421A1 (en) * | 2013-02-01 | 2014-08-06 | Krea Icerik Hizmetleri Ve Produksiyon Anonim Sirketi | A personalized movie recommendation method and system |
CN110008377A (zh) * | 2019-03-27 | 2019-07-12 | 华南理工大学 | 一种利用用户属性进行电影推荐的方法 |
CN110196946A (zh) * | 2019-05-29 | 2019-09-03 | 华南理工大学 | 一种基于深度学习的个性化推荐方法 |
CN112256965A (zh) * | 2020-10-23 | 2021-01-22 | 海南大学 | 一种基于lambdaMart的神经协同过滤模型推荐方法 |
CN112765486A (zh) * | 2021-01-22 | 2021-05-07 | 重庆邮电大学 | 一种融合知识图谱的注意力机制的电影推荐方法 |
-
2021
- 2021-06-11 CN CN202110653341.9A patent/CN113468415B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2763421A1 (en) * | 2013-02-01 | 2014-08-06 | Krea Icerik Hizmetleri Ve Produksiyon Anonim Sirketi | A personalized movie recommendation method and system |
CN110008377A (zh) * | 2019-03-27 | 2019-07-12 | 华南理工大学 | 一种利用用户属性进行电影推荐的方法 |
CN110196946A (zh) * | 2019-05-29 | 2019-09-03 | 华南理工大学 | 一种基于深度学习的个性化推荐方法 |
CN112256965A (zh) * | 2020-10-23 | 2021-01-22 | 海南大学 | 一种基于lambdaMart的神经协同过滤模型推荐方法 |
CN112765486A (zh) * | 2021-01-22 | 2021-05-07 | 重庆邮电大学 | 一种融合知识图谱的注意力机制的电影推荐方法 |
Non-Patent Citations (1)
Title |
---|
王骏;虞歌;: "基于改进神经协同过滤模型的电影推荐系统", 计算机工程与设计, no. 07 * |
Also Published As
Publication number | Publication date |
---|---|
CN113468415B (zh) | 2024-01-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11636335B2 (en) | System and method for content discovery | |
CN104182449B (zh) | 基于用户兴趣建模的个性化视频推荐系统和方法 | |
CN104317835B (zh) | 视频终端的新用户推荐方法 | |
US8869211B2 (en) | Zoomable content recommendation system | |
CN108737856B (zh) | 社会关系感知的iptv用户行为建模与节目推荐方法 | |
CN108595493B (zh) | 媒体内容的推送方法和装置、存储介质、电子装置 | |
US11153655B1 (en) | Content appeal prediction using machine learning | |
CN107980129A (zh) | 用于重叠的媒体目录的全球推荐系统 | |
US10897649B1 (en) | Mature themes prediction for online content | |
CN104995620A (zh) | 用于推荐媒体节目和在节目开始之前通知用户的系统和方法 | |
WO2019109724A1 (zh) | 一种推荐物品的方法和装置 | |
CN112100504B (zh) | 内容推荐方法、装置、电子设备及存储介质 | |
US11888951B2 (en) | Systems and methods for adjusting storage based on determining content item popularity | |
CN114357201B (zh) | 基于信息感知的视听推荐方法、系统 | |
CN111159570A (zh) | 一种信息推荐方法及服务器 | |
CN107368584B (zh) | 一种个性化视频推荐方法及系统 | |
JP2004519902A (ja) | テレビジョン視聴者プロファイルイニシャライザ及び関連する方法 | |
CN113918764A (zh) | 一种基于交叉模态融合的电影推荐系统 | |
CN113468415A (zh) | 一种融合电影属性和交互信息的电影推荐系统 | |
CN114969547B (zh) | 一种基于多视角增强图注意神经网络的音乐推荐方法 | |
CN116738053A (zh) | 一种基于文本蕴含的跨域新闻推荐系统及推荐方法 | |
CN110381339B (zh) | 图片传输方法及装置 | |
CN110996177B (zh) | 面向点播影院的视频推荐方法、装置及设备 | |
Asabere | A survey of personalized television and video recommender systems and techniques | |
KR101223137B1 (ko) | 수요자 기반 메타데이터를 이용한 창작 지원 시스템 및 이의 정보 제공 방법 |
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 |