CN113645488A - 一种基于用户数据的互联网电视视频推荐系统及方法 - Google Patents
一种基于用户数据的互联网电视视频推荐系统及方法 Download PDFInfo
- Publication number
- CN113645488A CN113645488A CN202111206765.7A CN202111206765A CN113645488A CN 113645488 A CN113645488 A CN 113645488A CN 202111206765 A CN202111206765 A CN 202111206765A CN 113645488 A CN113645488 A CN 113645488A
- Authority
- CN
- China
- Prior art keywords
- video
- videos
- user
- watching
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- 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
- H04N21/4665—Learning process for intelligent management, e.g. learning user preferences for recommending movies characterized by learning algorithms involving classification methods, e.g. Decision trees
-
- 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)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Operations Research (AREA)
- Algebra (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于用户数据的互联网电视视频推荐系统及方法,视频推荐系统包括当前信息采集模块、用户个数判断模块、关联视频获取模块和视频分析推送模块,当前信息采集模块采集观看视频的用户信息以及当前观看的视频信息,用户个数判断模块用于判断当前观看视频的用户个数,关联视频获取模块根据用户个数确定关联视频,视频分析推送模块分析关联视频的信息,并据此为观看视频的用户推送推荐视频,本发明根据这些真正在看视频的用户的历史视频来推荐视频,从而提高了推荐视频的针对性,提高了用户观看推荐视频的几率。
Description
技术领域
本发明涉及互联网电视技术领域,具体为一种基于用户数据的互联网电视视频推荐系统及方法。
背景技术
互联网电视是指以广域网即传统互联网或移动互联网为传输网络,以电视机为接收终端,向用户提供视频及图文信息内容等服务的电视形态,它不受地域限制,只要有能够接入互联网端口的电视机、电脑、平板电脑、手机等视频接收终端,就可以收看电视节目。在观看互联网电视时,互联网电视能够根据用户的历史观看视频的喜好给用户推荐视频,但是现有技术中,视频推荐仍然不够智能,视频推荐中的长视频和短视频的占比不合理。
发明内容
本发明的目的在于提供一种基于用户数据的互联网电视视频推荐系统及方法,以解决上述背景技术中提出的问题。
为了解决上述技术问题,本发明提供如下技术方案:一种基于用户数据的互联网电视视频推荐系统,所述视频推荐系统包括当前信息采集模块、用户个数判断模块、关联视频获取模块和视频分析推送模块,所述当前信息采集模块采集观看视频的用户信息以及当前观看的视频信息,所述用户个数判断模块用于判断当前观看视频的用户个数,所述关联视频获取模块根据用户个数确定关联视频,所述视频分析推送模块分析关联视频的信息,并据此为观看视频的用户推送推荐视频。
进一步的,所述关联视频获取模块包括第一获取模块和第二获取模块,所述第一获取模块在采集观看视频的用户个数只有一个时,获取该用户历史观看视频为关联视频,于该用户最近预设时间观看的视频的特征推荐视频,所述第二获取模块在采集观看视频的用户个数大于等于两个,从观看视频的用户的历史观看视频中选取关联视频。
进一步的,所述第二获取模块包括候选用户设定模块、姿势相似度获取模块、角度指数获取模块、特征相似度获取模块、中心度计算模块、第一排序获取模块、参照中心度选取模块和关联用户选取模块,所述候选用户设定模块设当前观看视频的用户为候选用户,所述姿势相似度获取模块采集各个候选用户的当前姿势,获取某个候选用户的当前姿势与其参考姿势的相似度Sz,其中,参考姿势为用户观看电视时的常用姿势,所述角度指数获取模块过互联网电视的中心作垂直于互联网电视平面和地面的一个平面为基准面,过互联网电视的中心和某个候选用户的头部位置作一条直线为该个候选用户的参考线,某个候选用户的参考线与基准面形成的夹角a为该个候选用户的参考角,那么角度指数Sj=(90-a)/90,所述特征相似度获取模块获取当前观看的视频的特征与某个候选用户最近预设次数所观看视频的特征的相似度的平均值Sm,所述中心度计算模块用于计算各个候选用户的中心度Y=0.23*Sz+0.12*Sj+0.65*Sm,所述第一排序获取模块将各个候选用户的中心度按照从大到小的顺序进行排序得到第一排序,所述参照中心度选取模块计算第一排序当中相邻两个中心度之间的差值,顺着第一排序从前往后的方向依次将差值与差值阈值进行比较,当第一次检测到某个差值大于差值阈值,那么获取该差值所对应的两个中心度中较大的那个中心度为参照中心度,所述关联用户选取模块获取第一排序中参照中心度之前的中心度所对应的用户为关联用户,设关联用户历史观看的视频为关联视频,并给每个关联用户的关联视频添加该关联用户的特征标识。
进一步的,所述视频分析推送模块包括分类模块、时间间隔获取模块、视频判定模块、视频类型指数计算模块、播放推荐占比计算模块和视频推荐推送调整模块,所述分类模块预先分别将具有同一个特征标识的关联视频进行分类,所述时间间隔获取模块将具有同一个特征标识的关联视频按照时间顺序从后往前进行排序,分别获取相邻两个关联视频之间的时间间隔,所述视频判定模块在相邻两个关联视频之间的时间间隔小于等于间隔阈值时,判断这两个关联视频属于一轮视频观看里面的视频,在相邻两个关联视频之间的时间间隔大于间隔阈值,判断这两个关联视频分别属于两轮视频观看里面的视频,所述视频类型指数计算模块获取所有关联用户的最近m轮视频观看里面的视频信息,计算某个关联用户某一轮视频观看的视频类型指数Q=0.78*Tc/Tz+0.22*Nc/Nz,其中, Tc为该个关联用户该一轮视频观看的长视频的观看总时长,Tz为该个关联用户该一轮视频观看的长视频和短视频的观看总时长,Nc为该个关联用户该一轮视频观看的长视频的个数,Nz为该个关联用户该一轮视频观看的长视频和短视频的总个数,计算某个关联用户的最近m轮视频的视频类型指数的平均值X,所述播放推荐占比计算模块计算该次播放的推荐占比,其中,是指关联用户的个数,为第i个关联用户的最近m轮视频的视频类型指数的平均值,是指第i个关联用户在最近预设时间段内看过的视频的总时长,是指c个关联用户在最近预设时间段内看过的视频的总时长之和,所述视频推荐推送调整模块基于关联用户最近预设时间观看的视频的特征推荐视频,其中,推荐视频中的长视频和短视频的比值为b比(1-b)。
一种基于用户数据的互联网电视视频推荐方法,所述视频推荐方法包括以下步骤:
采集观看视频的用户的信息以及当前观看的视频信息,其中,观看视频的用户为位于互联网电视前的人物,
如果采集观看视频的用户个数只有一个,获取该用户历史观看视频为关联视频,基于该用户最近预设时间观看的视频的特征推荐视频;
如果采集观看视频的用户个数大于等于两个,从观看视频的用户的历史观看视频中选取关联视频,分析关联视频的信息,并据此为观看视频的用户推送推荐视频。
进一步的,所述从观看视频的用户的历史观看视频中选取关联视频包括:
设当前观看视频的用户为候选用户,
采集各个候选用户的当前姿势,获取某个候选用户的当前姿势与其参考姿势的相似度Sz,
过互联网电视的中心作垂直于互联网电视平面和地面的一个平面为基准面,过互联网电视的中心和某个候选用户的头部位置作一条直线为该个候选用户的参考线,某个候选用户的参考线与基准面形成的夹角a为该个候选用户的参考角,那么角度指数Sj=(90-a)/90,
获取当前观看的视频的特征与某个候选用户最近预设次数所观看视频的特征的相似度的平均值Sm,
计算某个候选用户的中心度Y=0.23*Sz+0.12*Sj+0.65*Sm,
将各个候选用户的中心度按照从大到小的顺序进行排序得到第一排序,
计算第一排序当中相邻两个中心度之间的差值,顺着第一排序从前往后的方向依次将差值与差值阈值进行比较,当第一次检测到某个差值大于差值阈值,那么获取该差值所对应的两个中心度中较大的那个中心度为参照中心度,获取第一排序中参照中心度之前的中心度所对应的用户为关联用户,设关联用户历史观看的视频为关联视频,并给每个关联用户的关联视频添加该关联用户的特征标识。
进一步的,所述分析关联视频的信息包括:
预先分别将具有同一个特征标识的关联视频进行分类,
将具有同一个特征标识的关联视频按照时间顺序从后往前进行排序,分别获取相邻两个关联视频之间的时间间隔,
如果相邻两个关联视频之间的时间间隔小于等于间隔阈值,那么这两个关联视频属于一轮视频观看里面的视频,
如果相邻两个关联视频之间的时间间隔大于间隔阈值,那么这两个关联视频分别属于两轮视频观看里面的视频,
获取所有关联用户的最近m轮视频观看里面的视频信息,计算某个关联用户某一轮视频观看的视频类型指数Q=0.78*Tc/Tz+0.22*Nc/Nz,其中, Tc为该个关联用户该一轮视频观看的长视频的观看总时长,Tz为该个关联用户该一轮视频观看的长视频和短视频的观看总时长,Nc为该个关联用户该一轮视频观看的长视频的个数,Nz为该个关联用户该一轮视频观看的长视频和短视频的总个数;
计算某个关联用户的最近m轮视频的视频类型指数的平均值X,
那么该次播放的推荐占比,其中,是指关联用户的个数,为第i个关联用户的最近m轮视频的视频类型指数的平均值,是指第i个关联用户在最近预设时间段内看过的视频的总时长,是指c个关联用户在最近预设时间段内看过的视频的总时长之和;
那么基于关联用户最近预设时间观看的视频的特征推荐视频,其中,推荐视频中的长视频和短视频的比值为b比(1-b)。
进一步的,所述参考姿势为用户观看电视时的常用姿势。
与现有技术相比,本发明所达到的有益效果是:本发明考虑到坐在互联网电视前的用户不一定都是真正在看电视视频的用户,所以通过采集各个用户的姿势、角度以及当前视频与用户历史视频的相似度来确定真正在看视频的用户,根据这些真正在看视频的用户的历史视频来推荐视频,从而提高了推荐视频的针对性,提高了用户观看推荐视频的几率。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1是本发明基于用户数据的互联网电视视频推荐系统的模块示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,本发明提供技术方案: 一种基于用户数据的互联网电视视频推荐系统,所述视频推荐系统包括当前信息采集模块、用户个数判断模块、关联视频获取模块和视频分析推送模块,所述当前信息采集模块采集观看视频的用户信息以及当前观看的视频信息,所述用户个数判断模块用于判断当前观看视频的用户个数,所述关联视频获取模块根据用户个数确定关联视频,所述视频分析推送模块分析关联视频的信息,并据此为观看视频的用户推送推荐视频。
所述关联视频获取模块包括第一获取模块和第二获取模块,所述第一获取模块在采集观看视频的用户个数只有一个时,获取该用户历史观看视频为关联视频,于该用户最近预设时间观看的视频的特征推荐视频,所述第二获取模块在采集观看视频的用户个数大于等于两个,从观看视频的用户的历史观看视频中选取关联视频。
所述第二获取模块包括候选用户设定模块、姿势相似度获取模块、角度指数获取模块、特征相似度获取模块、中心度计算模块、第一排序获取模块、参照中心度选取模块和关联用户选取模块,所述候选用户设定模块设当前观看视频的用户为候选用户,所述姿势相似度获取模块采集各个候选用户的当前姿势,获取某个候选用户的当前姿势与其参考姿势的相似度Sz,其中,参考姿势为用户观看电视时的常用姿势,所述角度指数获取模块过互联网电视的中心作垂直于互联网电视平面和地面的一个平面为基准面,过互联网电视的中心和某个候选用户的头部位置作一条直线为该个候选用户的参考线,某个候选用户的参考线与基准面形成的夹角a为该个候选用户的参考角,那么角度指数Sj=(90-a)/90,所述特征相似度获取模块获取当前观看的视频的特征与某个候选用户最近预设次数所观看视频的特征的相似度的平均值Sm,所述中心度计算模块用于计算各个候选用户的中心度Y=0.23*Sz+0.12*Sj+0.65*Sm,所述第一排序获取模块将各个候选用户的中心度按照从大到小的顺序进行排序得到第一排序,所述参照中心度选取模块计算第一排序当中相邻两个中心度之间的差值,顺着第一排序从前往后的方向依次将差值与差值阈值进行比较,当第一次检测到某个差值大于差值阈值,那么获取该差值所对应的两个中心度中较大的那个中心度为参照中心度,所述关联用户选取模块获取第一排序中参照中心度之前的中心度所对应的用户为关联用户,设关联用户历史观看的视频为关联视频,并给每个关联用户的关联视频添加该关联用户的特征标识。
所述视频分析推送模块包括分类模块、时间间隔获取模块、视频判定模块、视频类型指数计算模块、播放推荐占比计算模块和视频推荐推送调整模块,所述分类模块预先分别将具有同一个特征标识的关联视频进行分类,所述时间间隔获取模块将具有同一个特征标识的关联视频按照时间顺序从后往前进行排序,分别获取相邻两个关联视频之间的时间间隔,所述视频判定模块在相邻两个关联视频之间的时间间隔小于等于间隔阈值时,判断这两个关联视频属于一轮视频观看里面的视频,在相邻两个关联视频之间的时间间隔大于间隔阈值,判断这两个关联视频分别属于两轮视频观看里面的视频,所述视频类型指数计算模块获取所有关联用户的最近m轮视频观看里面的视频信息,计算某个关联用户某一轮视频观看的视频类型指数Q=0.78*Tc/Tz+0.22*Nc/Nz,其中, Tc为该个关联用户该一轮视频观看的长视频的观看总时长,Tz为该个关联用户该一轮视频观看的长视频和短视频的观看总时长,Nc为该个关联用户该一轮视频观看的长视频的个数,Nz为该个关联用户该一轮视频观看的长视频和短视频的总个数,计算某个关联用户的最近m轮视频的视频类型指数的平均值X,所述播放推荐占比计算模块计算该次播放的推荐占比,其中,是指关联用户的个数,为第i个关联用户的最近m轮视频的视频类型指数的平均值,是指第i个关联用户在最近预设时间段内看过的视频的总时长,是指c个关联用户在最近预设时间段内看过的视频的总时长之和,所述视频推荐推送调整模块基于关联用户最近预设时间观看的视频的特征推荐视频,其中,推荐视频中的长视频和短视频的比值为b比(1-b)。
一种基于用户数据的互联网电视视频推荐方法,所述视频推荐方法包括以下步骤:
采集观看视频的用户信息以及当前观看的视频信息,其中,观看视频的用户为位于互联网电视前的人物,互联网电视上设置有摄像头,通过摄像头来采集在互联网电视前的人物,在互联网电视前的不一定在看电视,也有可能是在玩手机或者做其他的事情;
如果采集观看视频的用户个数只有一个,获取该用户历史观看视频为关联视频,基于该用户最近预设时间观看的视频的特征推荐视频,当只有一个用户观看电视时,推荐视频时长视频的个数与短视频的个数的比值直接为用户最近预设时间段看过的长视频的个数与短视频的个数的比值;
如果采集观看视频的用户个数大于等于两个,从观看视频的用户的历史观看视频中选取关联视频,分析关联视频的信息,并据此为观看视频的用户推送推荐视频。当互联网电视的摄像头来采集在互联网电视前的人物个数大于等于两个人时,有可能其中有人并不是真的在看电视;
所述从观看视频的用户的历史观看视频中选取关联视频包括:
设当前观看视频的用户为候选用户,即将互联网电视的摄像头采集到在互联网电视前的人物设为候选用户;
采集各个候选用户的当前姿势,获取某个候选用户的当前姿势与其参考姿势的相似度Sz,所述参考姿势为用户观看电视时的常用姿势,在实际中,也可以将候选用户的姿势与预先设置的观看电视姿势模型的相似度进行比较得到相似度Sz,
过互联网电视的中心作垂直于互联网电视平面和地面的一个平面为基准面,过互联网电视的中心和某个候选用户的头部位置作一条直线为该个候选用户的参考线,某个候选用户的参考线与基准面形成的夹角a为该个候选用户的参考角,那么角度指数Sj=(90-a)/90,通过参考角来判断候选用户与互联电视的位置关系,当用户真正在观看电视视频时,往往会在电视的正前方或者靠近正前方,在该种情况下,参考角会比较小, 因此当角度指数越大时,说明用户在观看电视视频的几率较高;
获取当前观看的视频的特征与某个候选用户最近预设次数所观看视频的特征的相似度的平均值Sm,比如,可以将当前观看的视频的特征与某个候选用户最近观看的是个视频的特征进行比较,视频的特征可以是主角或者剧情等等;
计算某个候选用户的中心度Y=0.23*Sz+0.12*Sj+0.65*Sm,
将各个候选用户的中心度按照从大到小的顺序进行排序得到第一排序,
计算第一排序当中相邻两个中心度之间的差值,顺着第一排序从前往后的方向依次将差值与差值阈值进行比较,当第一次检测到某个差值大于差值阈值,那么获取该差值所对应的两个中心度中较大的那个中心度为参照中心度,获取第一排序中参照中心度之前的中心度所对应的用户为关联用户,设关联用户历史观看的视频为关联视频,并给每个关联用户的关联视频添加该关联用户的特征标识,差值阈值根据实际情况来确定;比如第一排序是0.85,0.83,0.82,0.80,0.50,0.11,如果差值阈值为0.1,那么0.50便是参照中心度,0.85,0.83,0.82,0.80所对应的用户为关联用户;当检测到某个差值大于差值阈值比较大时,说明第一排序中排在参照中心度后面的中心度所对应的用户没有在看电视,排在参照中心度前面的中心度(包括参照中心度)所对应的用户是真正在看电视的;
所述分析关联视频的信息包括:
预先分别将具有同一个特征标识的关联视频进行分类,
将具有同一个特征标识的关联视频按照时间顺序从后往前进行排序,分别获取相邻两个关联视频之间的时间间隔,
如果相邻两个关联视频之间的时间间隔小于等于间隔阈值,那么这两个关联视频属于一轮视频观看里面的视频,
如果相邻两个关联视频之间的时间间隔大于间隔阈值,那么这两个关联视频分别属于两轮视频观看里面的视频,考虑到有的用户可能在一段时间内会观看很多视频,有的用户会间隔很久的一段时间才会观看视频,所以预先关联视频进行分类,从而提高后续推荐的准确度;
获取所有关联用户的最近m轮视频观看里面的视频信息,计算某个关联用户某一轮视频观看的视频类型指数Q=0.78*Tc/Tz+0.22*Nc/Nz,其中, Tc为该个关联用户该一轮视频观看的长视频的观看总时长,Tz为该个关联用户该一轮视频观看的长视频和短视频的观看总时长,Nc为该个关联用户该一轮视频观看的长视频的个数,Nz为该个关联用户该一轮视频观看的长视频和短视频的总个数;从观看视频的个数和观看视频的时长综合考虑关联用户对观看长视频的喜好的倾向情况,从而使得后续长短视频的推荐更加准确;
计算某个关联用户的最近m轮视频的视频类型指数的平均值X,m为自然数,平均值X就是将最近m轮视频的视频类型指数之和除以m,
那么该次播放的推荐占比,其中,是指关联用户的个数,为第i个关联用户的最近m轮视频的视频类型指数的平均值,是指第i个关联用户在最近预设时间段内看过的视频的总时长,是指c个关联用户在最近预设时间段内看过的视频的总时长之和,推荐占比b就是推荐视频过程中长视频的推荐个数占所有视频推荐个数的比值,作为权重平均值,从而使得推荐更加具有针对性;
那么基于关联用户最近预设时间观看的视频的特征推荐视频,其中,推荐视频中的长视频和短视频的比值为b比(1-b),即,当多个用户观看电视时,推荐视频时长视频的个数与短视频的个数的比值b比(1-b)。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他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他要素,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。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于用户数据的互联网电视视频推荐系统,其特征在于,所述视频推荐系统包括当前信息采集模块、用户个数判断模块、关联视频获取模块和视频分析推送模块,所述当前信息采集模块采集观看视频的用户信息以及当前观看的视频信息,所述用户个数判断模块用于判断当前观看视频的用户个数,所述关联视频获取模块根据用户个数确定关联视频,所述视频分析推送模块分析关联视频的信息,并据此为观看视频的用户推送推荐视频。
2.根据权利要求1所述的一种基于用户数据的互联网电视视频推荐系统,其特征在于:所述关联视频获取模块包括第一获取模块和第二获取模块,所述第一获取模块在采集观看视频的用户个数只有一个时,获取该用户历史观看视频为关联视频,于该用户最近预设时间观看的视频的特征推荐视频,所述第二获取模块在采集观看视频的用户个数大于等于两个,从观看视频的用户的历史观看视频中选取关联视频。
3.根据权利要求2所述的一种基于用户数据的互联网电视视频推荐系统,其特征在于:所述第二获取模块包括候选用户设定模块、姿势相似度获取模块、角度指数获取模块、特征相似度获取模块、中心度计算模块、第一排序获取模块、参照中心度选取模块和关联用户选取模块,所述候选用户设定模块设当前观看视频的用户为候选用户,所述姿势相似度获取模块采集各个候选用户的当前姿势,获取某个候选用户的当前姿势与其参考姿势的相似度Sz,其中,参考姿势为用户观看电视时的常用姿势,所述角度指数获取模块过互联网电视的中心作垂直于互联网电视平面和地面的一个平面为基准面,过互联网电视的中心和某个候选用户的头部位置作一条直线为该个候选用户的参考线,某个候选用户的参考线与基准面形成的夹角a为该个候选用户的参考角,那么角度指数Sj=(90-a)/90,所述特征相似度获取模块获取当前观看的视频的特征与某个候选用户最近预设次数所观看视频的特征的相似度的平均值Sm,所述中心度计算模块用于计算各个候选用户的中心度Y=0.23*Sz+0.12*Sj+0.65*Sm,所述第一排序获取模块将各个候选用户的中心度按照从大到小的顺序进行排序得到第一排序,所述参照中心度选取模块计算第一排序当中相邻两个中心度之间的差值,顺着第一排序从前往后的方向依次将差值与差值阈值进行比较,当第一次检测到某个差值大于差值阈值,那么获取该差值所对应的两个中心度中较大的那个中心度为参照中心度,所述关联用户选取模块获取第一排序中参照中心度之前的中心度所对应的用户为关联用户,设关联用户历史观看的视频为关联视频,并给每个关联用户的关联视频添加该关联用户的特征标识。
4.根据权利要求3所述的一种基于用户数据的互联网电视视频推荐系统,其特征在于:所述视频分析推送模块包括分类模块、时间间隔获取模块、视频判定模块、视频类型指数计算模块、播放推荐占比计算模块和视频推荐推送调整模块,所述分类模块预先分别将具有同一个特征标识的关联视频进行分类,所述时间间隔获取模块将具有同一个特征标识的关联视频按照时间顺序从后往前进行排序,分别获取相邻两个关联视频之间的时间间隔,所述视频判定模块在相邻两个关联视频之间的时间间隔小于等于间隔阈值时,判断这两个关联视频属于一轮视频观看里面的视频,在相邻两个关联视频之间的时间间隔大于间隔阈值,判断这两个关联视频分别属于两轮视频观看里面的视频,所述视频类型指数计算模块获取所有关联用户的最近m轮视频观看里面的视频信息,计算某个关联用户某一轮视频观看的视频类型指数Q=0.78*Tc/Tz+0.22*Nc/Nz,其中, Tc为该个关联用户该一轮视频观看的长视频的观看总时长,Tz为该个关联用户该一轮视频观看的长视频和短视频的观看总时长,Nc为该个关联用户该一轮视频观看的长视频的个数,Nz为该个关联用户该一轮视频观看的长视频和短视频的总个数,计算某个关联用户的最近m轮视频的视频类型指数的平均值X,所述播放推荐占比计算模块计算该次播放的推荐占比,其中,是指关联用户的个数,为第i个关联用户的最近m轮视频的视频类型指数的平均值,是指第i个关联用户在最近预设时间段内看过的视频的总时长,是指c个关联用户在最近预设时间段内看过的视频的总时长之和,所述视频推荐推送调整模块基于关联用户最近预设时间观看的视频的特征推荐视频,其中,推荐视频中的长视频和短视频的比值为b比(1-b)。
5.一种基于用户数据的互联网电视视频推荐方法,其特征在于:所述视频推荐方法包括以下步骤:
采集观看视频的用户的信息以及当前观看的视频信息,其中,观看视频的用户为位于互联网电视前的人物,
如果采集观看视频的用户个数只有一个,获取该用户历史观看视频为关联视频,基于该用户最近预设时间观看的视频的特征推荐视频;
如果采集观看视频的用户个数大于等于两个,从观看视频的用户的历史观看视频中选取关联视频,分析关联视频的信息,并据此为观看视频的用户推送推荐视频。
6.根据权利要求5所述的一种基于用户数据的互联网电视视频推荐方法,其特征在于:所述从观看视频的用户的历史观看视频中选取关联视频包括:
设当前观看视频的用户为候选用户,
采集各个候选用户的当前姿势,获取某个候选用户的当前姿势与其参考姿势的相似度Sz,
过互联网电视的中心作垂直于互联网电视平面和地面的一个平面为基准面,过互联网电视的中心和某个候选用户的头部位置作一条直线为该个候选用户的参考线,某个候选用户的参考线与基准面形成的夹角a为该个候选用户的参考角,那么角度指数Sj=(90-a)/90,
获取当前观看的视频的特征与某个候选用户最近预设次数所观看视频的特征的相似度的平均值Sm,
计算某个候选用户的中心度Y=0.23*Sz+0.12*Sj+0.65*Sm,
将各个候选用户的中心度按照从大到小的顺序进行排序得到第一排序,
计算第一排序当中相邻两个中心度之间的差值,顺着第一排序从前往后的方向依次将差值与差值阈值进行比较,当第一次检测到某个差值大于差值阈值,那么获取该差值所对应的两个中心度中较大的那个中心度为参照中心度,获取第一排序中参照中心度之前的中心度所对应的用户为关联用户,设关联用户历史观看的视频为关联视频,并给每个关联用户的关联视频添加该关联用户的特征标识。
7.根据权利要求6所述的一种基于用户数据的互联网电视视频推荐方法,其特征在于:所述分析关联视频的信息包括:
预先分别将具有同一个特征标识的关联视频进行分类,
将具有同一个特征标识的关联视频按照时间顺序从后往前进行排序,分别获取相邻两个关联视频之间的时间间隔,
如果相邻两个关联视频之间的时间间隔小于等于间隔阈值,那么这两个关联视频属于一轮视频观看里面的视频,
如果相邻两个关联视频之间的时间间隔大于间隔阈值,那么这两个关联视频分别属于两轮视频观看里面的视频,
获取所有关联用户的最近m轮视频观看里面的视频信息,计算某个关联用户某一轮视频观看的视频类型指数Q=0.78*Tc/Tz+0.22*Nc/Nz,其中, Tc为该个关联用户该一轮视频观看的长视频的观看总时长,Tz为该个关联用户该一轮视频观看的长视频和短视频的观看总时长,Nc为该个关联用户该一轮视频观看的长视频的个数,Nz为该个关联用户该一轮视频观看的长视频和短视频的总个数;
计算某个关联用户的最近m轮视频的视频类型指数的平均值X,
那么该次播放的推荐占比,其中,是指关联用户的个数,为第i个关联用户的最近m轮视频的视频类型指数的平均值,是指第i个关联用户在最近预设时间段内看过的视频的总时长,是指c个关联用户在最近预设时间段内看过的视频的总时长之和;
那么基于关联用户最近预设时间观看的视频的特征推荐视频,其中,推荐视频中的长视频和短视频的比值为b比(1-b)。
8.根据权利要求6所述的一种基于用户数据的互联网电视视频推荐方法,其特征在于:所述参考姿势为用户观看电视时的常用姿势。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111206765.7A CN113645488B (zh) | 2021-10-18 | 2021-10-18 | 一种基于用户数据的互联网电视视频推荐系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111206765.7A CN113645488B (zh) | 2021-10-18 | 2021-10-18 | 一种基于用户数据的互联网电视视频推荐系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113645488A true CN113645488A (zh) | 2021-11-12 |
CN113645488B CN113645488B (zh) | 2021-12-21 |
Family
ID=78427175
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111206765.7A Active CN113645488B (zh) | 2021-10-18 | 2021-10-18 | 一种基于用户数据的互联网电视视频推荐系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113645488B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114003765A (zh) * | 2021-12-30 | 2022-02-01 | 深圳维特智能科技有限公司 | 一种个性化推荐方法、装置、计算机设备和存储介质 |
CN114240505A (zh) * | 2021-12-21 | 2022-03-25 | 南京吐纳健康科技有限公司 | 一种基于大数据的空气净化器推荐系统及方法 |
CN114679490A (zh) * | 2022-03-15 | 2022-06-28 | 泉州市益典信息科技有限公司 | 一种基于大数据的资讯消息内容智能推送系统及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN106331778A (zh) * | 2015-07-06 | 2017-01-11 | 腾讯科技(深圳)有限公司 | 视频推荐方法和装置 |
CN107948737A (zh) * | 2017-11-17 | 2018-04-20 | 上海与德科技有限公司 | 电视节目的推荐方法及装置 |
CN110069711A (zh) * | 2019-04-23 | 2019-07-30 | 北京科技大学 | 用户价值分析方法和装置 |
CN110430452A (zh) * | 2019-07-15 | 2019-11-08 | 宁波华数广电网络有限公司 | 一种有线电视智能化管理系统 |
-
2021
- 2021-10-18 CN CN202111206765.7A patent/CN113645488B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN106331778A (zh) * | 2015-07-06 | 2017-01-11 | 腾讯科技(深圳)有限公司 | 视频推荐方法和装置 |
CN107948737A (zh) * | 2017-11-17 | 2018-04-20 | 上海与德科技有限公司 | 电视节目的推荐方法及装置 |
CN110069711A (zh) * | 2019-04-23 | 2019-07-30 | 北京科技大学 | 用户价值分析方法和装置 |
CN110430452A (zh) * | 2019-07-15 | 2019-11-08 | 宁波华数广电网络有限公司 | 一种有线电视智能化管理系统 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114240505A (zh) * | 2021-12-21 | 2022-03-25 | 南京吐纳健康科技有限公司 | 一种基于大数据的空气净化器推荐系统及方法 |
CN114240505B (zh) * | 2021-12-21 | 2022-07-26 | 南京吐纳健康科技有限公司 | 一种基于大数据的空气净化器推荐系统及方法 |
CN114003765A (zh) * | 2021-12-30 | 2022-02-01 | 深圳维特智能科技有限公司 | 一种个性化推荐方法、装置、计算机设备和存储介质 |
CN114679490A (zh) * | 2022-03-15 | 2022-06-28 | 泉州市益典信息科技有限公司 | 一种基于大数据的资讯消息内容智能推送系统及方法 |
CN114679490B (zh) * | 2022-03-15 | 2024-04-26 | 广州美骑网络科技股份有限公司 | 一种基于大数据的资讯消息内容智能推送系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113645488B (zh) | 2021-12-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113645488B (zh) | 一种基于用户数据的互联网电视视频推荐系统及方法 | |
CN102118639B (zh) | 信息处理装置和信息处理方法 | |
JP4505418B2 (ja) | 番組推薦装置及び番組推薦装置の番組推薦方法並びにプログラム | |
CN104935970B (zh) | 进行电视内容推荐的方法及电视客户端 | |
US8510156B2 (en) | Viewing terminal apparatus, viewing statistics-gathering apparatus, viewing statistics-processing system, and viewing statistics-processing method | |
CN109769128A (zh) | 视频推荐方法、视频推荐装置和计算机可读存储介质 | |
CN108108491B (zh) | 一种多媒体数据的推荐方法及装置 | |
US20070028266A1 (en) | Recommendation of video content based on the user profile of users with similar viewing habits | |
US20120072546A1 (en) | Psychographic device fingerprinting | |
CN103546778A (zh) | 一种电视节目推荐方法、系统及其实现方法 | |
JP2004524764A (ja) | 推奨スコアを生成する方法及び装置 | |
CN104584571A (zh) | 在机顶盒处产生音频指纹序列 | |
CN109429103B (zh) | 推荐信息的方法、装置及计算机可读存储介质、终端设备 | |
CN103686382A (zh) | 一种节目推荐方法 | |
CN108419134B (zh) | 基于个体历史与群体当前行为融合的频道推荐方法 | |
WO2006126147A2 (en) | Method and apparatus for estimating total interest of a group of users directing to a content | |
CN105718510B (zh) | 一种多媒体数据推荐方法及装置 | |
CN111405363B (zh) | 一种家庭网络中识别机顶盒的当前用户的方法及设备 | |
CN105701226A (zh) | 多媒体资源评估方法和装置 | |
CN110933473A (zh) | 一种视频播放热度确定方法及装置 | |
KR20050013258A (ko) | Tv 프로그램을 분류하기 위해 추가적인 클러스터를생성하기 위한 수단으로서 클러스터 콤팩트니스를사용하는 방법 및 장치 | |
CN109086813B (zh) | 主播相似度的确定方法、装置、设备及存储介质 | |
WO2016206035A1 (zh) | 一种信息推荐方法及用户终端 | |
US11934455B2 (en) | Systems, methods, and apparatuses for audience metric determination | |
CN110430452A (zh) | 一种有线电视智能化管理系统 |
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 |