CN114676337A - 一种用于互联网电视的主动推荐和辅助操作决策的方法和系统 - Google Patents
一种用于互联网电视的主动推荐和辅助操作决策的方法和系统 Download PDFInfo
- Publication number
- CN114676337A CN114676337A CN202111626242.8A CN202111626242A CN114676337A CN 114676337 A CN114676337 A CN 114676337A CN 202111626242 A CN202111626242 A CN 202111626242A CN 114676337 A CN114676337 A CN 114676337A
- Authority
- CN
- China
- Prior art keywords
- user
- behavior data
- recommendation
- value
- data
- 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
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
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/54—Interprogram communication
- G06F9/546—Message passing systems or structures, e.g. queues
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了用于互联网电视的主动推荐和辅助操作决策的方法,包括如下步骤:步骤S01:通过websocket消息通道上报用户的行为数据到Kafka消息队列系统;步骤S02:收集电互联网电视平台所有用户的行为数据至Kafka消息队列系统;步骤S03:通过电视机器人后台配置相关用户响应场景写入到Redis高性能key‑value数据库。还提供了一种互联网电视系统。本发明使用户从传统的被动观影操作到主动服务式观影,减少用户操作互联网电视的难度,降低用户观影的决策成本。
Description
技术领域
本发明涉及一种用于互联网电视的主动推荐和辅助操作决策的方法和系统,属于互联网电视相关领域。
背景技术
目前的互联网电视都是传统的频道页面,被动的给用用户展示视频节目内容,用户需要在多个页面多次反复的切换页面选择才可能找到自己喜欢的内容。当用户没找到自己喜欢的内容,传统互联网电视平台不会主动推荐相关或热门节目,当用户进入复杂功能页面时,也没有良好的功能引导。而且当用户收藏或预约的节目在开播或更新时传统互联网电视平台也没有提醒用户观看的功能,导致互联网电视开机率低,视频节目内容曝光量低,观影时长低,付费转化率低。
发明内容
本发明的目的在于,提供一种用于互联网电视的主动推荐和辅助操作决策的方法和系统,使互联网电视具有主动推荐和辅助用户操作决策的功能,能够减少用户反复切换页面找视频的操作,能够主动推荐给用户感兴趣的热门节目,能够提醒用户及时观看所预约和收藏的节目,为客户提供贴心的辅助操作决策模式,可提高开机率和视频节目内容曝光率,增加用户的观影时长,有利于提高付费转化率。
为解决上述技术问题,本发明采用如下的技术方案:一种用于互联网电视的主动推荐和辅助操作决策的方法,其特征在于,包括如下步骤:
步骤S01:通过websocket消息通道上报用户的行为数据到Kafka消息队列系统;
步骤S02:收集电互联网电视平台所有用户的行为数据至Kafka消息队列系统;
步骤S03:通过电视机器人后台配置相关用户响应场景写入到Redis高性能key-value 数据库;
步骤S04:利用大数据系统提供推荐服务数据写入到Redis高性能key-value数据库;
步骤S05:通过电视机器人服务引擎实时的把每一个用户的行为数据去Redis高性能 key-value数据库查询,通过kafka消息队列系统和websocket消息通道将最匹配每一个用户当下行为数据的推荐内容和辅助操作决策及时响应给对应用户。
前述的这种用于互联网电视的主动推荐和辅助操作决策的方法,所述大数据系统包括利用归一化综合推荐模型提供推荐服务数据:
所述归一化综合推荐模型包括:推荐模型和归一化模型,
推荐模型为:每个视频的用户评分*0.1+每个视频的近30天用户点击归一后的值*0.2+每个视频的近7天搜索值归一后的值*0.2+每个视频的总收藏值归一后的值*0.2+ 因此视频产生的订购数归一后的值*0.2-衰减日期(当前日期-上线日期)/365*0.1;
归一化模型为:1/(1+log8x),
其中x表示每一个权重值,权重值包括每个视频的用户评分、近30天用户点击、近7天搜索值、总收藏值、因此视频产生的订购数、衰减日期。
该归一化综合推荐模型使用用户多种观影维度权重值数据进行综合排序,每种维度权重算法增加归一化模型公式,让不同维度之间的权重在数值上有一定的比较性,避免一个维度的数据出现较大或较小的异常值时影响综合排序结果。
前述的这种用于互联网电视的主动推荐和辅助操作决策的方法,大数据系统包括利用协同过滤推荐方法提供推荐服务数据。
前述的这种用于互联网电视的主动推荐和辅助操作决策的方法,推荐服务数据包括通过协同过滤推荐方法提供的相关推荐结果、个性化推荐结果和最终推荐结果。
前述的这种用于互联网电视的主动推荐和辅助操作决策的方法,行为数据包括播放行为、收藏行为、预约行为、手机上传照片或视频、超过5分钟无操作和投票行为。
对于协同过滤推荐方法说明:
a)最终的推荐结果的获取:
把这个用户从今天往前推14天内的所有播放行为和收藏行为都按照媒资标签(演员、类型等)分别加1分逻辑处理过后,得到用户对所有人名和分类标签的喜好度,把他全部相加求出百分比,从而得出用户的偏好画像。通过用户喜欢的标签,以及标签的热度,找到用户喜欢的标签但所述用户并未看过,且热度较高的节目集,然后作为最终的推荐结果。
b)相关推荐结果的获取:
相关推荐算法:对所有节目集的名称,主演,导演,小分类,地区这些字段进行分词,分词后对一个节目集和其他所有节目集根据主演的重合度得出一个评分。
例如:节目集A,主演:赵某|徐某;节目集B,主演:赵某|范某|林某,主演的权重分值是1,那么节目集A和节目集B,在主演的相似评分是1(赵某)*1=1,其他导演,小分类,地区这些字段同理,只是权重值不同,名称字段采用的是先用word分词器对名称分词,分词后算法和主演相同。
最后将这些评分相加得出这个节目集与其他所有节目集的相似度,相似度排名前20名,作为相关推荐结果。依次类推将点播所有电影电视剧下的所有节目集都计算完成为止。
d)个性化推荐结果的获取
(1)基于用户的协同过滤:
找到和目标用户兴趣相似的用户集合。
在此用户集合中找到目标用户喜欢的,且目标用户没有听说过的物品推荐给目标用户。
(2)基于项目的协同过滤:
计算物品之间的相似度。
根据物品的相似度和用户的历史行为给用户生成推荐列表。
(3)基于模型的协同过滤:
用关联算法,聚类算法,分类算法,回归算法,矩阵分解等。
一种用于互联网电视的主动推荐和辅助操作决策的系统,包括用户行为数据上报模块,用于通过websocket消息通道上报用户的行为数据到Kafka消息队列系统中;用户行为数据收集模块,用于收集电互联网电视平台的所有用户的行为数据至Kafka消息队列系统中;场景配置模块,通过电视机器人后台配置相关用户响应场景写入到Redis高性能key-value数据库中;推荐服务数据写入模块,用于将大数据系统所提供推荐服务数据写入到Redis高性能key-value数据库中;行为数据查询反馈模块,通过电视机器人服务引擎实时的把每一个用户的行为数据去Redis高性能key-value数据库查询,通过kafka消息队列系统和 websocket消息通道将最匹配每一个用户当下行为数据的推荐内容和辅助操作决策及时响应给对应用户。
与现有技术相比,本发明利用协同过滤推荐方法和归一化综合推荐模型,结合websockect 消息通信技术、Mq消息队列、kafuka分布式消息系统、MongoDB分布式文件存储的数据库, redis内存缓存等技术手段,使用户从传统的被动观影操作到主动服务式观影,减少用户操作互联网电视的难度,降低用户观影的决策成本,把数据库中更多优质内容及时准确的提供给用户,减少用户频繁的查找和闲置时间,提高了视频内容的曝光率和观影时长。
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不当限制。在附图中:
图1是本发明的方法的流程示意图;
图2是本发明实施例1中归一化综合推荐模型的结果集示意图;
图3是本发明采用python代码写入归一化综合推荐模型的展示图
图4是本发明用户行为数据为预约行为时的一种互联网电视系统展示界面
图5是本发明用户行为数据为收藏行为的一种互联网电视系统展示界面;
图6是本发明用户行为手机上传照片或视频的一种互联网电视系统的展示界面;
图7是本发明用户行为为用户投票行为的互联网电视系统的展示界面。
下面结合附图和具体实施方式对本发明作进一步的说明。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面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。
本发明的实施例1:一种用于互联网电视的主动推荐和辅助操作决策的方法
步骤S01:通过websocket消息通道上报用户的行为数据(如播放行为、收藏行为和预约行为)到Kafka消息队列系统;
步骤S02:收集电互联网电视平台所有用户的行为数据至Kafka消息队列系统;
步骤S03:通过电视机器人后台配置相关用户响应场景写入到Redis高性能key-value 数据库;
步骤S04:利用大数据系统提供推荐服务数据写入到Redis高性能key-value数据库;
步骤S05:通过电视机器人服务引擎实时的把每一个用户的行为数据去Redis高性能 key-value数据库查询,通过kafka消息队列系统和websocket消息通道将最匹配每一个用户当下行为数据的推荐内容和辅助操作决策及时响应给对应用户。
其中大数据系统包括利用归一化综合推荐模型提供推荐服务数据:
所述归一化综合推荐模型包括:推荐模型和归一化模型,
推荐模型为:每个视频的用户评分*0.1+每个视频的近30天用户点击归一后的值*0.2+每个视频的近7天搜索值归一后的值*0.2+每个视频的总收藏值归一后的值*0.2+ 因此视频产生的订购数归一后的值*0.2-衰减日期(当前日期-上线日期)/365*0.1;
归一化模型为:1/(1+log8x),
其中x表示每一个权重值,例如uv;
权重值可以为每个视频的用户评分、近30天用户点击、近7天搜索值、总收藏值、因此视频产生的订购数、衰减日期、用户播放量等。
具体的,公式为:
用户评分*0.1+round(1/(1+Log(8,近30天uv)),4)*0.2
+round(1/(1+Log(8,近7天搜索值)),4)*0.2
+round(1/(1+Log(8,总收藏值)),4)*0.2
+round(1/(1+Log(8,因此节目集产生的订购数)),4)*0.2
-(当前日期-上线日期or更新日期)/365*0.1
归一化公式参考曲线结果集:
X为每个视频的uv播放量,Y为归一化的结果值。
Y=round(1/(1+Log(8,x)),4)
最近30天uv用户播放量(uv播放用户数)round(1/(1+Log(8,x)),4)*0.4 如图2所示结果集示意图,是用户播放量uv从0到1000计算结果集:图2中x轴为用户播放量uv,y轴为归一化的值。通过python代码体现如图3所示。
实施例2:一种应用上述方法的互联网电视系统,包括用户行为数据上报模块,用于通过websocket消息通道上报用户的行为数据到Kafka消息队列系统中;用户行为数据收集模块,用于收集电互联网电视平台的所有用户的行为数据至Kafka消息队列系统中;场景配置模块,通过电视机器人后台配置相关用户响应场景写入到Redis高性能key-value数据库中;推荐服务数据写入模块,用于将大数据系统所提供推荐服务数据写入到Redis高性能key-value数据库中;行为数据查询反馈模块,通过电视机器人服务引擎实时的把每一个用户的行为数据去Redis高性能key-value数据库查询,通过kafka消息队列系统和websocket消息通道将最匹配每一个用户当下行为数据的推荐内容和辅助操作决策及时响应给对应用户。
实施例3:一种应用上述方法的互联网电视系统,包括用户行为数据上报模块,用于通过websocket消息通道上报用户的行为数据(预约行为)到Kafka消息队列系统中;用户行为数据收集模块,用于收集电互联网电视平台的所有用户的行为数据至Kafka消息队列系统中;场景配置模块,通过电视机器人后台配置相关用户响应场景写入到Redis高性能key-value数据库中;推荐服务数据写入模块,用于将大数据系统所提供推荐服务数据写入到Redis高性能key-value数据库中;行为数据查询反馈模块,通过电视机器人服务引擎实时的把每一个用户的行为数据去Redis高性能key-value数据库查询,通过kafka消息队列系统和websocket消息通道将最匹配每一个用户当下行为数据的推荐内容和辅助操作决策及时响应给对应用户。如图4所示,为用户的预约行为的互联网电视系统展示界面。当用户预约的节目上线时提醒。电视机器人会在屏幕右下角弹窗提醒:“你预约的节目《XXX》上线了,马上去观看哦!”。用户点击立即观看,跳转到详情页观看,点击消失弹窗隐藏关闭,20秒无操作弹窗自动消失。
实施例4:一种应用上述方法的互联网电视系统,包括用户行为数据上报模块,用于通过websocket消息通道上报用户的行为数据(收藏行为)到Kafka消息队列系统中;用户行为数据收集模块,用于收集电互联网电视平台的所有用户的行为数据至Kafka消息队列系统中;场景配置模块,通过电视机器人后台配置相关用户响应场景写入到Redis高性能key-value数据库中;推荐服务数据写入模块,用于将大数据系统所提供推荐服务数据写入到Redis高性能key-value数据库中;行为数据查询反馈模块,通过电视机器人服务引擎实时的把每一个用户的行为数据去Redis高性能key-value数据库查询,通过kafka消息队列系统和websocket消息通道将最匹配每一个用户当下行为数据的推荐内容和辅助操作决策及时响应给对应用户。如图5所示,为用户的收藏行为的互联网电视系统展示界面。当用户收藏的节目有更新时提醒。电视机器人会在屏幕右下角弹窗提醒:“你收藏的节目《XXX》更新到第X集,马上去观看哦!”。用户点击立即观看,跳转到详情页观看,点击消失弹窗隐藏关闭,20秒无操作弹窗自动消失。
实施例5:一种应用上述方法的互联网电视系统,包括用户行为数据上报模块,用于通过websocket消息通道上报用户的行为数据(上传照片或视频)到Kafka消息队列系统中;用户行为数据收集模块,用于收集电互联网电视平台的所有用户的行为数据至Kafka消息队列系统中;场景配置模块,通过电视机器人后台配置相关用户响应场景写入到Redis高性能 key-value数据库中;推荐服务数据写入模块,用于将大数据系统所提供推荐服务数据写入到Redis高性能key-value数据库中;行为数据查询反馈模块,通过电视机器人服务引擎实时的把每一个用户的行为数据去Redis高性能key-value数据库查询,通过kafka消息队列系统和websocket消息通道将最匹配每一个用户当下行为数据的推荐内容和辅助操作决策及时响应给对应用户。如图6所示,为用户手机上传照片或视频到互联网电视系统的展示界面。当用户手机小程序绑定了盒子,用户打开小程序上传照片或视频时,电视机器人会在右下角弹窗提醒:“你上传了一张照片,是否立马观看?”,用户点击立即观看跳转到视频相册观看,用户按返回键弹窗消失,无操作10秒弹窗自动消失。
实施例6:一种应用上述方法的互联网电视系统,包括用户行为数据上报模块,用于通过websocket消息通道上报用户的行为数据(投票行为)到Kafka消息队列系统中;用户行为数据收集模块,用于收集电互联网电视平台的所有用户的行为数据至Kafka消息队列系统中;场景配置模块,通过电视机器人后台配置相关用户响应场景写入到Redis高性能key-value数据库中;推荐服务数据写入模块,用于将大数据系统所提供推荐服务数据写入到Redis高性能key-value数据库中;行为数据查询反馈模块,通过电视机器人服务引擎实时的把每一个用户的行为数据去Redis高性能key-value数据库查询,通过kafka消息队列系统和websocket消息通道将最匹配每一个用户当下行为数据的推荐内容和辅助操作决策及时响应给对应用户。如图7所示,为用户投票行为的互联网电视系统的展示界面。运营在电视机器人后台选定直播或点播节目,编辑发起投票选项推送给观影的用户,用户选择自己感兴趣的选项,提交后查看实时结果,节目快结束时,推送给用户最终的结果。
Claims (6)
1.一种用于互联网电视的主动推荐和辅助操作决策的方法,其特征在于,包括如下步骤:
步骤S01:通过websocket消息通道上报用户的行为数据到Kafka消息队列系统;
步骤S02:收集互联网电视平台所有用户的行为数据至Kafka消息队列系统;
步骤S03:通过电视机器人后台配置相关用户响应场景写入到Redis高性能key-value数据库;
步骤S04:利用大数据系统提供推荐服务数据写入到Redis高性能key-value数据库;
步骤S05:通过电视机器人服务引擎实时的把每一个用户的行为数据去Redis高性能key-value数据库查询,通过kafka消息队列系统和websocket消息通道将最匹配每一个用户当下行为数据的推荐内容和辅助操作决策及时响应给对应用户。
2.根据权利要求1所述的一种用于互联网电视的主动推荐和辅助操作决策的方法,其特征在于,所述大数据系统包括利用归一化综合推荐模型提供推荐服务数据:
所述归一化综合推荐模型包括:推荐模型和归一化模型,
推荐模型为:每个视频的用户评分*0.1+每个视频的近30天用户点击归一后的值*0.2+每个视频的近7天搜索值归一后的值*0.2+每个视频的总收藏值归一后的值*0.2+因此视频产生的订购数归一后的值*0.2-衰减日期(当前日期-上线日期)/365*0.1;
归一化模型为:1/(1+log8x),
其中x表示每一个权重值,权重值包括每个视频的用户评分、近30天用户点击、近7天搜索值、总收藏值、因此视频产生的订购数、衰减日期。
3.根据权利要求2所述的一种用于互联网电视的主动推荐和辅助操作决策的方法,其特征在于,所述大数据系统包括利用协同过滤推荐方法提供推荐服务数据。
4.根据权利要求3所述的一种用于互联网电视的主动推荐和辅助操作决策的方法,其特征在于,所述推荐服务数据包括通过协同过滤推荐方法提供的相关推荐结果、个性化推荐结果和最终推荐结果。
5.根据权利要求4所述的一种用于互联网电视的主动推荐和辅助操作决策的方法,其特征在于,所述行为数据包括播放行为、收藏行为、预约行为、手机上传照片或视频、超过5分钟无操作和投票行为。
6.应用如权利要求1~5所述方法的一种互联网电视系统,其特征在于,包括
用户行为数据上报模块,用于通过websocket消息通道上报用户的行为数据到Kafka消息队列系统中;
用户行为数据收集模块,用于收集互联网电视平台的所有用户的行为数据至Kafka消息队列系统中;
场景配置模块,通过电视机器人后台配置相关用户响应场景写入到Redis高性能key-value数据库中;
推荐服务数据写入模块,用于将大数据系统所提供推荐服务数据写入到Redis高性能key-value数据库中;
行为数据查询反馈模块,通过电视机器人服务引擎实时的把每一个用户的行为数据去Redis高性能key-value数据库查询,通过kafka消息队列系统和websocket消息通道将最匹配每一个用户当下行为数据的推荐内容和辅助操作决策及时响应给对应用户。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111626242.8A CN114676337A (zh) | 2021-12-28 | 2021-12-28 | 一种用于互联网电视的主动推荐和辅助操作决策的方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111626242.8A CN114676337A (zh) | 2021-12-28 | 2021-12-28 | 一种用于互联网电视的主动推荐和辅助操作决策的方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114676337A true CN114676337A (zh) | 2022-06-28 |
Family
ID=82071330
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111626242.8A Pending CN114676337A (zh) | 2021-12-28 | 2021-12-28 | 一种用于互联网电视的主动推荐和辅助操作决策的方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114676337A (zh) |
-
2021
- 2021-12-28 CN CN202111626242.8A patent/CN114676337A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9454563B2 (en) | Fact checking search results | |
US8489515B2 (en) | Social network based recommendation method and system | |
US8768782B1 (en) | Optimized cloud computing fact checking | |
US9015037B2 (en) | Interactive fact checking system | |
US9176957B2 (en) | Selective fact checking method and system | |
US20200193288A1 (en) | System and Method for Content Discovery | |
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 | |
DE102011056870A1 (de) | Fernbedienungssystem zum Vorsehen von Inhaltsvorschlägen | |
CN103563275B (zh) | 确定媒体资源的使用的方法和装置 | |
US20130159127A1 (en) | Method of and system for rating sources for fact checking | |
Goren-Bar et al. | FIT-recommend ing TV programs to family members | |
US8239769B2 (en) | System and method for selling preference-based virtual objects | |
US20110214147A1 (en) | Method for determining content for a personal channel | |
CN112507163B (zh) | 时长预测模型训练方法、推荐方法、装置、设备及介质 | |
CN114357201B (zh) | 基于信息感知的视听推荐方法、系统 | |
US20140282633A1 (en) | Broadcast Network Platform System | |
Sumiyoshi et al. | CurioView: TV recommendations related to content being viewed | |
CN114676337A (zh) | 一种用于互联网电视的主动推荐和辅助操作决策的方法和系统 | |
CN112070614A (zh) | 基于全媒体的资产价值评估模型及方法 | |
CN114615524B (zh) | 服务器、媒资推荐网络的训练方法及媒资推荐方法 | |
US20240129583A1 (en) | Methods and systems for modifying a media guidance application based on user data | |
Al-Mohammed et al. | A generic, personalized electronic program guide system for accessing multiple online TV providers | |
US20240121475A1 (en) | Methods and systems for modifying a media guidance application based on user data | |
SONGKIJSUB et al. | A study of the factors influencing Thai Netflix users to be satisfied with the platform | |
Posoldova et al. | Recommendation system for HBB TV: Model design and implementation |
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 |