CN116028727A - 一种基于图像数据处理的视频推荐方法 - Google Patents

一种基于图像数据处理的视频推荐方法 Download PDF

Info

Publication number
CN116028727A
CN116028727A CN202310324688.8A CN202310324688A CN116028727A CN 116028727 A CN116028727 A CN 116028727A CN 202310324688 A CN202310324688 A CN 202310324688A CN 116028727 A CN116028727 A CN 116028727A
Authority
CN
China
Prior art keywords
matrix
video
user
representing
neighborhood
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
Application number
CN202310324688.8A
Other languages
English (en)
Other versions
CN116028727B (zh
Inventor
赵学健
张晶晶
孙知信
孙哲
曹亚东
宫婧
汪胡青
胡冰
徐玉华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing University of Posts and Telecommunications
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN202310324688.8A priority Critical patent/CN116028727B/zh
Publication of CN116028727A publication Critical patent/CN116028727A/zh
Application granted granted Critical
Publication of CN116028727B publication Critical patent/CN116028727B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于图像数据处理的视频推荐方法，包括，对视频评分数据进行训练集预处理，得出视频评分矩阵；将视频评分矩阵通过带有时间信息的指数衰减函数进行修正；通过余弦相似度以及邻域基序结构计算出高阶相似度矩阵；采用本发明，将用户余弦相似度矩阵与用户高阶相似度矩阵线性组合得到用户增强矩阵，联合分解用户视频类型兴趣矩阵和用户高阶相似度矩阵，来缓解数据稀疏性问题，可以为用户个性化推荐其感兴趣的视频，提高推荐的质量。

Description

一种基于图像数据处理的视频推荐方法
技术领域
本发明涉及推荐系统算法的技术领域，具体为一种基于图像数据处理的视频推荐方法。
背景技术
随着互联网和大数据技术的发展和普及，各个网络视频平台中视频资源越来越多，为用户提供丰富的视频资源。但是，当用户面对丰富的视频资源时，用户有时也会处于无法选择的状态。推荐系统可以有效处理“信息过载”问题，其在快速发展的同时也会面临很多挑战，比如新用户冷启动以及评分矩阵稀疏导致推荐结果不理想问题。
协同过滤推荐算法是目前应用最广泛的推荐算法，主要包括基于内存的协同过滤和基于模型的协同过滤。矩阵分解技术作为一种基于模型的协同过滤推荐算法，可扩展性较强、预测精度较高的优点。由于评分矩阵的稀疏性导致矩阵分解推荐算法推荐效果不太好，利用用户相似网络中的小网络子图来捕获用户高阶相似性，联合分解评分矩阵以及用户高阶相似度矩阵来缓解稀疏性问题，提高推荐效果。
随着时间的变化，用户对项目的兴趣会发生变化，但用户的兴趣也不是每分每秒都会发生变化，既要考虑到用户兴趣存在短期的稳定性。同时，项目本身的质量也会影响用户对项目的评分。在目前的推荐算法中很少考虑到项目本身质量的影响和用户动态兴趣变化的同时用户兴趣会存在短期的稳定性的影响。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
鉴于上述存在的问题，提出了本发明。
因此，本发明解决的技术问题是：现有的算法技术中不能很好的考虑到项目的本身质量的影响和用户动态兴趣变化的同时用户兴趣会存在短期的稳定性的影响，同时，项目本身的质量也会影响用户对项目的评分。
为解决上述技术问题，本发明提供如下技术方案：一种基于图像数据处理的视频推荐方法，包括以下步骤，
对视频评分数据进行训练集预处理，得出视频评分矩阵；
将视频评分矩阵通过带有时间信息的指数衰减函数进行修正；
通过余弦相似度以及邻域基序结构计算出高阶相似度矩阵；
通过对高阶相似度矩阵进行分解优化完成视频推荐。
作为本发明所述基于图像数据处理的视频推荐方法的一种优选方案，其中：所述对视频评分数据进行训练集预处理是将数据处理为
Figure SMS_1
的视频评分矩阵R，m表示为m个用户，n表示为n部视频。
作为本发明所述基于图像数据处理的视频推荐方法的一种优选方案，其中：将视频评分矩阵进行修正指的是用视频评分标准差作为衡量视频的本身质量影响评分的视频质量满意度，并且利用带有时间信息的指数衰减函数来反映用户的动态兴趣变化，从而修正视频质量对用户视频评分矩阵的影响。
作为本发明所述基于图像数据处理的视频推荐方法的一种优选方案，其中：所述视频质量满意度指的是用来消除不同用户对视频质量满意度不同而产生的误差，并且用视频评分标准差作为衡量视频本身质量影响用户评分的视频质量满意度，具体公式如下：
Figure SMS_2
其中，
Figure SMS_3
表示视频i的视频质量满意度的权重，
Figure SMS_4
表示视频i的评分总个数，
Figure SMS_5
表示视频i的第n个评分，
Figure SMS_6
表示视频i的平均分；
所述消除不同用户对视频质量满意度不同而产生的误差的具体公式如下：
Figure SMS_7
其中，
Figure SMS_8
表示修正后用户u对视频i的评分，
Figure SMS_9
表示用户u对视频i的原始评分，
Figure SMS_10
表示视频i的视频质量满意度的权重。
作为本发明所述基于图像数据处理的视频推荐方法的一种优选方案，其中：所述反映用户的动态兴趣变化的计算公式如下：
Figure SMS_11
其中，
Figure SMS_12
的大小代表用户兴趣保持稳定的长短，
Figure SMS_13
表示用户评价视频的最大时间，
Figure SMS_14
表示用户u对视频i的评价时间，
Figure SMS_15
表示衰减系数，代表用户兴趣衰减快慢；
所述修正视频质量对用户视频评分矩阵的影响的计算公式如下：
Figure SMS_16
其中，
Figure SMS_17
代表矩阵中最小值，
Figure SMS_18
代表矩阵中最大值，
Figure SMS_19
表示用户i对视频j的评分。
作为本发明所述基于图像数据处理的视频推荐方法的一种优选方案，其中：所述邻域基序结构是由复杂的网络结构中存在的节点和边所构成的局部结构，并且在用户余弦相似度网络中，邻域基序结构是有向图；
所述高阶相似度矩阵是根据邻域基序结构生成噪声矩阵，并将原来的邻接矩阵加入少量的噪声矩阵生成新的邻接矩阵。
作为本发明所述基于图像数据处理的视频推荐方法的一种优选方案，其中：在余弦相似度网络中，根据邻域基序结构生成的邻接矩阵计算公式如下：
Figure SMS_20
其中，
Figure SMS_21
代表了在特定邻域基序主题结构下的邻接矩阵，
Figure SMS_22
的取值由A确定的子图的k节点元组的值确定，M表示邻域基序主题集，
Figure SMS_23
是一个真值知识函数，若语句s为真，则
Figure SMS_24
,否则为0；
根据在邻域基序结构生成的邻接矩阵与噪声矩阵线性组合生成新的邻接矩阵的计算公式如下：
Figure SMS_25
其中，
Figure SMS_26
代表了在特定邻域基序主题结构下的邻接矩阵，
Figure SMS_27
的取值由A确定的子图的k节点元组的值确定，M表示邻域基序主题集，
Figure SMS_28
是一个真值知识函数，若语句s为真，则
Figure SMS_29
，否则为0。
作为本发明所述基于图像数据处理的视频推荐方法的一种优选方案，其中：根据在邻域基序结构生成的邻接矩阵与噪声矩阵线性组合生成新的邻接矩阵的计算公式如下：
Figure SMS_30
将新生成的邻接矩阵进行归一化处理，具体处理公式如下：
Figure SMS_31
其中，
Figure SMS_32
表示新生成的邻接矩阵，
Figure SMS_33
的取值由A确定的子图的k节点元组的值确定，M表示邻域基序主题集，
Figure SMS_34
是一个真值知识函数，若语句s为真，则
Figure SMS_35
，否则为0。
作为本发明所述基于图像数据处理的视频推荐方法的一种优选方案，其中：根据新的邻接矩阵
Figure SMS_36
构造基于边的无权邻接矩阵B，此时高阶相似度为1，表示完全相似，将
Figure SMS_37
中对角线上的值置为0，然后依次遍历
Figure SMS_38
的每个值，若
Figure SMS_39
时，则将
Figure SMS_40
，否则
Figure SMS_41
，最终得到对称矩阵B，并利用矩阵的哈达玛运算得到矩阵C，最终得到基于邻域结构下的邻接矩阵N，具体计算公式如下：
Figure SMS_42
其中，B为无权邻接矩阵，C表示经过哈达玛运算之后得到的矩阵，N表示基于邻域结构下的邻接矩阵。
作为本发明所述基于图像数据处理的视频推荐方法的一种优选方案，其中：所述高阶相似度矩阵是一个m行m列的零矩阵；将高阶相似矩阵D进行归一化处理得到矩阵g(D)，具体计算公式如下：
Figure SMS_43
其中，
Figure SMS_44
是矩阵D中的最小值，
Figure SMS_45
是矩阵D中的最大值;
将余弦相似度作为一阶相似度，通过平衡参数
Figure SMS_46
来控制高阶相似度的融合，从而完成视频推荐，具体计算公式如下：
Figure SMS_47
，若
Figure SMS_48
，则
Figure SMS_49
，
其中，U是用户集合，A代表用户余弦相似度矩阵，g(D)代表归一化后的用户高阶相似度矩阵。
本发明的有益效果：本发明设计的一种融合邻域基序结构高阶相似度的视频推荐方法，引入了视频质量满意度、带有时间信息的指数衰减函数以及利用邻域基序结构的高阶相似性，为用户个性化推荐其有可能感兴趣的视频，提高推荐质量；其中，视频质量满意度用来消除不同用户对视频质量满意度不同而对视频评分产生的影响，引入指数衰减函数来反映用户的动态兴趣变化，但是考虑到用户的兴趣在短期内不会变化，因此在指数衰减函数中加入时间信息，利用邻域基序结构这种小网络子图来捕获用户高阶相似性得到用户高阶相似度矩阵，将用户余弦相似度矩阵与用户高阶相似度矩阵线性组合得到用户增强矩阵，联合分解用户视频类型兴趣矩阵和用户高阶相似度矩阵，来缓解数据稀疏性问题，可以为用户个性化推荐其感兴趣的视频，提高推荐的质量。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为本发明基于图像数据处理的视频推荐方法的整体方法步骤示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通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，都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有方位、以方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1，为本发明的第一个实施例，提供了一种基于图像数据处理的视频推荐方法，包括以下步骤：
S1：对视频评分数据进行训练集预处理，得出视频评分矩阵。
具体的，所述对数据进行训练集预处理是通过稀疏矩阵进行处理的，从而得出
Figure SMS_50
的用户视频评分矩阵。
S2：将视频评分矩阵通过带有时间信息的指数衰减函数进行修正。
具体的，将视频评分矩阵进行修正指的是用视频评分标准差作为衡量视频的本身质量影响评分的视频质量满意度，并且利用带有时间信息的指数衰减函数来反映用户的动态兴趣变化，从而修正视频质量对用户视频评分矩阵的影响。
进一步具体的，所述视频质量满意度指的是用来消除不同用户对视频质量满意度不同而产生的误差，并且用视频评分标准差作为衡量视频本身质量影响用户评分的视频质量满意度，具体公式如下：
Figure SMS_51
其中，
Figure SMS_52
表示视频i的视频质量满意度的权重，
Figure SMS_53
表示视频i的评分总个数，
Figure SMS_54
表示视频i的第n个评分，
Figure SMS_55
表示视频i的平均分。
更进一步的，所述消除不同用户对视频质量满意度不同而产生的误差的具体公式如下：
Figure SMS_56
其中，
Figure SMS_57
表示修正后用户u对视频i的评分，
Figure SMS_58
表示用户u对视频i的原始评分，
Figure SMS_59
表示视频i的视频质量满意度的权重。
进一步的，所述反映用户的动态兴趣变化的计算公式如下：
Figure SMS_60
其中，
Figure SMS_61
的大小代表用户兴趣保持稳定的长短，
Figure SMS_62
表示用户评价视频的最大时间，
Figure SMS_63
表示用户u对视频i的评价时间，
Figure SMS_64
表示衰减系数，代表用户兴趣衰减快慢。
进一步具体的，所述修正视频质量对用户视频评分矩阵的影响的计算公式如下：
Figure SMS_65
其中，
Figure SMS_66
代表矩阵中最小值，
Figure SMS_67
代表矩阵中最大值，
Figure SMS_68
表示用户i对视频j的评分。
S3：通过余弦相似度以及邻域基序结构计算出高阶相似度矩阵。
具体的，所述邻域基序结构是由复杂的网络结构中存在的节点和边所构成的局部结构，并且在用户余弦相似度网络中，邻域基序结构是有向图。
所述高阶相似度矩阵是根据邻域基序结构生成噪声矩阵，并将原来的邻接矩阵加入少量的噪声矩阵生成新的邻接矩阵。
进一步具体的，在余弦相似度网络中，根据邻域基序结构生成的邻接矩阵计算公式如下：
Figure SMS_69
其中，
Figure SMS_70
代表了在邻域基序主题结构下的邻接矩阵，
Figure SMS_71
的取值由A确定的子图的k节点元组的值确定，M表示邻域基序主题集，
Figure SMS_72
是一个真值知识函数，若语句s为真，则
Figure SMS_73
,否则为0。
具体的，根据在邻域基序结构下生成的邻接矩阵与噪声矩阵线性组合生成新的邻接矩阵的计算公式如下：
Figure SMS_74
其中，
Figure SMS_75
代表了在邻域基序主题结构下的邻接矩阵，
Figure SMS_76
的取值由A确定的子图的k节点元组的值确定，M表示邻域基序主题集，
Figure SMS_77
是一个真值知识函数，若语句s为真，则
Figure SMS_78
，否则为0。
更进一步的，根据在邻域基序结构下生成的邻接矩阵与噪声矩阵线性组合生成新的邻接矩阵的计算公式如下：
Figure SMS_79
将新生成的邻接矩阵进行归一化处理，具体处理公式如下：
Figure SMS_80
其中，
Figure SMS_81
表示新生成的邻接矩阵，
Figure SMS_82
的取值由A确定的子图的k节点元祖，M表示邻域基序主题集，
Figure SMS_83
是一个真值知识函数，若语句s为真，则
Figure SMS_84
，否则为0。
进一步具体的，根据新的邻接矩阵
Figure SMS_85
构造基于边的无权邻接矩阵B，此时高阶相似度为1，表示完全相似，将
Figure SMS_86
中对角线上的值置为0，然后依次遍历
Figure SMS_87
的每个值，若
Figure SMS_88
时，则将
Figure SMS_89
，否则
Figure SMS_90
，最终得到对称矩阵B，并利用矩阵的哈达玛运算得到矩阵C，最终得到基于邻域结构下的邻接矩阵N，具体计算公式如下：
Figure SMS_91
其中，B为无权邻接矩阵，C表示经过哈达玛运算之后得到的矩阵，N表示基于邻域结构下的邻接矩阵。
S4：通过对高阶相似度矩阵进行分解优化完成视频推荐。
具体的，所述高阶相似度矩阵是一个m行m列的零矩阵，将高阶相似矩阵D进行归一化处理得到矩阵g(D)，具体计算公式如下：
Figure SMS_92
其中，
Figure SMS_93
是矩阵D中的最小值，
Figure SMS_94
是矩阵D中的最大值。
进一步具体的，将用户的余弦相似度作为一阶相似度，某些存在于邻域基序结构中的用户，在一阶相似的基础上更加相似，平衡参数α控制用户高阶相似度的融入，其计算公式如下：
Figure SMS_95
，若
Figure SMS_96
，则
Figure SMS_97
，
其中，U是用户集合，A代表用户余弦相似度矩阵，g(D)代表归一化后的用户高阶相似度矩阵。
进一步具体的，通过联合矩阵分解同时分解用户视频类型兴趣矩阵和改进的用户相似矩阵，其优化函数为：
Figure SMS_98
其中，R是用户视频类型兴趣矩阵，S是改进的用户相似矩阵，U是用户特征矩阵，V是视频特征矩阵，
Figure SMS_99
和
Figure SMS_100
是指示参数。
更进一步的，若
Figure SMS_101
不为0，则
Figure SMS_102
为1，否则为0；若
Figure SMS_103
不为0，则
Figure SMS_104
为1，否则为0；
Figure SMS_105
为权衡系数，用来控制用户增强相似度对评分预测的影响；若为0，表示传统的矩阵分解推荐算法；
Figure SMS_106
和
Figure SMS_107
为正则项参数。
进一步具体的，在将用户-视频类型兴趣矩阵分解成低维的用户潜在特征矩阵和视频类型兴趣潜在特征矩阵时，同时分解改进的用户相似矩阵，可以有效缓解数据稀疏性问题，最终得到两个低秩矩阵即用户特征矩阵U和视频类型兴趣特征矩阵V，通过计算用户i对视频类型j的预测偏好值，设定一个阈值，将预测偏好值大于设置阈值的视频类型推荐给用户，预测偏好值计算公式如下：
Figure SMS_108
其中，
Figure SMS_109
和
Figure SMS_110
分别是用户特征向量和视频类型特征向量，
Figure SMS_111
是预测的偏好值。
实施例2
本发明的第二个实施例，提供了一种基于图像数据处理的视频推荐方法的实际应用场景。
基于内容的推荐方法，首先假设我们已经抽取了用户的特征值向量n，视频的特征值向量m，接下来就是计算在已有视频中和每个用户的相似度分值，显然，这个算法的时间复杂度是两个的乘积，即O（
Figure SMS_112
）。
我们需要维持一张巨大的“用户-视频”评分矩阵，假设我们的评分数据占2字节，1000个用户以及1000个电影的这张表，将占用大约2G的内存空间，具体数据表格如下：
表1-用户视频评分表，
Figure SMS_113
根据用户的浏览记录，我们可以用余弦相似度计算的方法计算出与指定用户相似的用户，这种计算比起基于内容的方法是巨量的，会消耗很大的内存和cpu时间，即使我们采用缓存或者分步骤计算的策略，要完成这种大量的数据处理，也是会消耗大量的资源。
将用户历史视频评分行为数据进行训练集预处理，从而得出用户视频评分矩阵，具体数据表格如下：
表2-用户视频评分矩阵表，
Figure SMS_114
由上述表格对比不难发现，将视频数据进行训练集预处理之后，数据的内存消耗远远小于常规的数据内存消耗，当内存消耗小，且导致CPU的使用率以及使用时间会大大降低。
最终的推荐列表中有多少比例是发生过的用户视频有效行为的记录，考察推荐列表的准确程度，召回率描述的是在最终的推荐列表中包含多少比例的测试数据中的用户视频行为记录，描述了推荐列表反映用户实际兴趣的程度，是考察推荐列表反映用户兴趣的完整性的一项指标，具体数据表格如下：
表3-视频推荐准确率以及召回率分析表，
Figure SMS_115
对于视频数据采用融合邻域基序结构高阶相似度的方法，对于视频推荐准确率有较大的提升，具体数据如下：
表4-视频推荐准确率以及召回率分析表，
时间 1h 2h 3h 4h 5h 6h
准确率 85% 82% 85% 80% 78% 75%
召回率 6.5% 7% 7.5% 8% 8.69% 9.2%
由上述表格对比不难发现，将视频数据采用融合邻域基序结构高阶相似度的方法之后，对于用户的视频推荐的准确率远远高于常规的视频推荐准确率。
此外，为了提供示例性实施方案的简练描述，可以不描述实际实施方案的所有特征（即，与当前考虑的执行本发明的最佳模式不相关的那些特征，或与实现本发明不相关的那些特征）。
应理解的是，在任何实际实施方式的开发过程中，如在任何工程或设计项目中，可做出大量的具体实施方式决定。这样的开发努力可能是复杂的且耗时的，但对于那些得益于此公开内容的普通技术人员来说，不需要过多实验，所述开发努力将是一个设计、制造和生产的常规工作。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (10)

1.一种基于图像数据处理的视频推荐方法，其特征在于：包括以下步骤，
对视频评分数据进行训练集预处理，得出视频评分矩阵；
将视频评分矩阵通过带有时间信息的指数衰减函数进行修正；
通过余弦相似度以及邻域基序结构计算出高阶相似度矩阵；
通过对高阶相似度矩阵进行分解优化完成视频推荐。
2.如权利要求1所述的基于图像数据处理的视频推荐方法，其特征在于：所述对视频评分数据进行训练集预处理是将数据处理为
Figure QLYQS_1
的视频评分矩阵R，m表示为m个用户，n表示为n部视频。
3.如权利要求1所述的基于图像数据处理的视频推荐方法，其特征在于：将视频评分矩阵进行修正指的是用视频评分标准差作为衡量视频的本身质量影响评分的视频质量满意度，并且利用带有时间信息的指数衰减函数来反映用户的动态兴趣变化，从而修正视频质量对用户视频评分矩阵的影响。
4.如权利要求3所述的基于图像数据处理的视频推荐方法，其特征在于：所述视频质量满意度指的是用来消除不同用户对视频质量满意度不同而产生的误差，并且用视频评分标准差作为衡量视频本身质量影响用户评分的视频质量满意度，具体公式如下：
Figure QLYQS_2
,
其中，
Figure QLYQS_3
表示视频i的视频质量满意度的权重，
Figure QLYQS_4
表示视频i的评分总个数，
Figure QLYQS_5
表示视频i的第n个评分，
Figure QLYQS_6
表示视频i的平均分；
所述消除不同用户对视频质量满意度不同而产生的误差的具体公式如下：
Figure QLYQS_7
其中，
Figure QLYQS_8
表示修正后用户u对视频i的评分，
Figure QLYQS_9
表示用户u对视频i的原始评分，
Figure QLYQS_10
表示视频i的视频质量满意度的权重。
5.如权利要求3所述的基于图像数据处理的视频推荐方法，其特征在于：所述反映用户的动态兴趣变化的计算公式如下：
Figure QLYQS_11
,
其中，
Figure QLYQS_12
的大小代表用户兴趣保持稳定的长短，
Figure QLYQS_13
表示用户评价视频的最大时间，
Figure QLYQS_14
表示用户u对视频i的评价时间，
Figure QLYQS_15
表示衰减系数，代表用户兴趣衰减快慢；所述修正视频质量对用户视频评分矩阵的影响的计算公式如下：
Figure QLYQS_16
,
其中，
Figure QLYQS_17
代表矩阵中最小值，
Figure QLYQS_18
代表矩阵中最大值，
Figure QLYQS_19
表示用户i对视频j的评分。
6.如权利要求1所述的基于图像数据处理的视频推荐方法，其特征在于：所述邻域基序结构是由复杂的网络结构中存在的节点和边所构成的局部结构，并且在用户余弦相似度网络中，邻域基序结构是有向图；
所述高阶相似度矩阵是根据邻域基序结构生成噪声矩阵，并将原来的邻接矩阵加入少量的噪声矩阵生成新的邻接矩阵。
7.如权利要求6所述的基于图像数据处理的视频推荐方法，其特征在于：在余弦相似度网络中，根据邻域基序结构生成的邻接矩阵计算公式如下：
Figure QLYQS_20
,
其中，
Figure QLYQS_21
代表了在特定邻域基序主题结构下的邻接矩阵，
Figure QLYQS_22
的取值由A确定的子图的k节点元组的值确定，M表示邻域基序主题集，
Figure QLYQS_23
是一个真值知识函数，若语句s为真，则
Figure QLYQS_24
,否则为0；根据邻域基序结构生成的邻接矩阵与噪声矩阵线性组合生成新的邻接矩阵的计算公式如下：
Figure QLYQS_25
,
其中，
Figure QLYQS_26
代表了在特定邻域基序主题结构下的邻接矩阵，
Figure QLYQS_27
的取值由A确定的子图的k节点元组的值确定，M表示邻域基序主题集，
Figure QLYQS_28
是一个真值知识函数，若语句s为真，则
Figure QLYQS_29
，否则为0。
8.如权利要求6所述的基于图像数据处理的视频推荐方法，其特征在于：根据在邻域基序结构生成的邻接矩阵与噪声矩阵线性组合生成新的邻接矩阵的计算公式如下：
Figure QLYQS_30
将新生成的邻接矩阵进行归一化处理，具体处理公式如下：
Figure QLYQS_31
,
其中，
Figure QLYQS_32
表示新生成的邻接矩阵，
Figure QLYQS_33
的取值由A确定的子图的k节点元祖的值确定，M表示邻域基序主题集，
Figure QLYQS_34
是一个真值知识函数，若语句s为真，则
Figure QLYQS_35
，否则为0。
9.如权利要求8所述的基于图像数据处理的视频推荐方法，其特征在于，根据新的邻接矩阵
Figure QLYQS_36
构造基于边的无权邻接矩阵B，此时高阶相似度为1，表示完全相似，将
Figure QLYQS_37
中对角线上的值置为0，然后依次遍历
Figure QLYQS_38
的每个值，若
Figure QLYQS_39
时，则将
Figure QLYQS_40
，否则
Figure QLYQS_41
，最终得到对称矩阵B，并利用矩阵的哈达玛运算得到矩阵C，最终得到基于邻域结构下的邻接矩阵N，具体计算公式如下：
Figure QLYQS_42
,
其中，B为无权邻接矩阵，C表示经过哈达玛运算之后得到的矩阵，N表示基于邻域结构下的邻接矩阵。
10.如权利要求1~9中任一所述的基于图像数据处理的视频推荐方法，其特征在于：所述高阶相似度矩阵是一个m行m列的零矩阵；将高阶相似矩阵D进行归一化处理得到矩阵g(D)，具体计算公式如下：
Figure QLYQS_43
,
其中，
Figure QLYQS_44
是矩阵D中的最小值，
Figure QLYQS_45
是矩阵D中的最大值;将余弦相似度作为一阶相似度，通过平衡参数
Figure QLYQS_46
来控制高阶相似度的融合，从而完成视频推荐，具体计算公式如下：
Figure QLYQS_47
若
Figure QLYQS_48
，则
Figure QLYQS_49
，
其中，U是用户集合，A代表用户余弦相似度矩阵，g(D)代表归一化后的用户高阶相似度矩阵。
CN202310324688.8A 2023-03-30 2023-03-30 一种基于图像数据处理的视频推荐方法 Active CN116028727B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310324688.8A CN116028727B (zh) 2023-03-30 2023-03-30 一种基于图像数据处理的视频推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310324688.8A CN116028727B (zh) 2023-03-30 2023-03-30 一种基于图像数据处理的视频推荐方法

Publications (2)

Publication Number Publication Date
CN116028727A true CN116028727A (zh) 2023-04-28
CN116028727B CN116028727B (zh) 2023-08-18

Family

ID=86072687

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310324688.8A Active CN116028727B (zh) 2023-03-30 2023-03-30 一种基于图像数据处理的视频推荐方法

Country Status (1)

Country Link
CN (1) CN116028727B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116228282A (zh) * 2023-05-09 2023-06-06 湖南惟客科技集团有限公司 一种用户数据倾向的智能商品分销方法

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105718509A (zh) * 2016-01-11 2016-06-29 北京交通大学 一种基于有向图关联规则音乐云推荐算法
CN106682121A (zh) * 2016-12-09 2017-05-17 广东工业大学 一种基于用户兴趣变化的时效推荐方法
CN109492157A (zh) * 2018-10-24 2019-03-19 华侨大学 基于rnn、注意力机制的新闻推荐方法及主题表征方法
CN109543109A (zh) * 2018-11-27 2019-03-29 山东建筑大学 一种融合时间窗技术和评分预测模型的推荐算法
CN109783734A (zh) * 2019-01-17 2019-05-21 湖南大学 一种基于项目属性的混合协同过滤推荐算法
CN109947983A (zh) * 2017-09-19 2019-06-28 Tcl集团股份有限公司 视频推荐方法、系统、终端及计算机可读存储介质
CN111400591A (zh) * 2020-03-11 2020-07-10 腾讯科技（北京）有限公司 资讯信息推荐方法、装置、电子设备及存储介质
CN112035746A (zh) * 2020-09-01 2020-12-04 湖南大学 一种基于时空序列图卷积网络的会话推荐方法
CN112925984A (zh) * 2021-04-02 2021-06-08 吉林大学 一种基于gcn推荐的样本密度聚合方法
CN113190757A (zh) * 2021-05-17 2021-07-30 清华大学 多媒体资源推荐方法、装置、电子设备及存储介质
CN114387007A (zh) * 2021-12-06 2022-04-22 天翼电子商务有限公司 一种基于接受度增强的图神经网络的动态推荐方法
CN114691987A (zh) * 2022-03-22 2022-07-01 浪潮云信息技术股份公司 基于时间感知和时间关联规则的物品推荐方法及系统
CN115329202A (zh) * 2022-08-30 2022-11-11 电子科技大学 一种基于时间感知的逆倾向得分的项目推荐方法
CN115378813A (zh) * 2022-08-12 2022-11-22 大连海事大学 一种基于差分隐私机制的分布式在线优化方法
CN115757932A (zh) * 2022-06-21 2023-03-07 东莞市步步高教育软件有限公司 短视频推荐方法及装置、计算机设备及存储介质

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105718509A (zh) * 2016-01-11 2016-06-29 北京交通大学 一种基于有向图关联规则音乐云推荐算法
CN106682121A (zh) * 2016-12-09 2017-05-17 广东工业大学 一种基于用户兴趣变化的时效推荐方法
CN109947983A (zh) * 2017-09-19 2019-06-28 Tcl集团股份有限公司 视频推荐方法、系统、终端及计算机可读存储介质
CN109492157A (zh) * 2018-10-24 2019-03-19 华侨大学 基于rnn、注意力机制的新闻推荐方法及主题表征方法
CN109543109A (zh) * 2018-11-27 2019-03-29 山东建筑大学 一种融合时间窗技术和评分预测模型的推荐算法
CN109783734A (zh) * 2019-01-17 2019-05-21 湖南大学 一种基于项目属性的混合协同过滤推荐算法
CN111400591A (zh) * 2020-03-11 2020-07-10 腾讯科技（北京）有限公司 资讯信息推荐方法、装置、电子设备及存储介质
CN112035746A (zh) * 2020-09-01 2020-12-04 湖南大学 一种基于时空序列图卷积网络的会话推荐方法
CN112925984A (zh) * 2021-04-02 2021-06-08 吉林大学 一种基于gcn推荐的样本密度聚合方法
CN113190757A (zh) * 2021-05-17 2021-07-30 清华大学 多媒体资源推荐方法、装置、电子设备及存储介质
CN114387007A (zh) * 2021-12-06 2022-04-22 天翼电子商务有限公司 一种基于接受度增强的图神经网络的动态推荐方法
CN114691987A (zh) * 2022-03-22 2022-07-01 浪潮云信息技术股份公司 基于时间感知和时间关联规则的物品推荐方法及系统
CN115757932A (zh) * 2022-06-21 2023-03-07 东莞市步步高教育软件有限公司 短视频推荐方法及装置、计算机设备及存储介质
CN115378813A (zh) * 2022-08-12 2022-11-22 大连海事大学 一种基于差分隐私机制的分布式在线优化方法
CN115329202A (zh) * 2022-08-30 2022-11-11 电子科技大学 一种基于时间感知的逆倾向得分的项目推荐方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
房旋等: "基于社交影响力的推荐算法", vol. 26, no. 6, pages 31 - 36 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116228282A (zh) * 2023-05-09 2023-06-06 湖南惟客科技集团有限公司 一种用户数据倾向的智能商品分销方法
CN116228282B (zh) * 2023-05-09 2023-08-11 湖南惟客科技集团有限公司 一种用户数据倾向的智能商品分销方法

Also Published As

Publication number Publication date
CN116028727B (zh) 2023-08-18

Similar Documents

Publication Publication Date Title
CN111797321B (zh) 一种面向不同场景的个性化知识推荐方法及系统
CN104063481B (zh) 一种基于用户实时兴趣向量的电影个性化推荐方法
CN109857871B (zh) 一种基于社交网络海量情景数据的用户关系发现方法
CN107679239B (zh) 一种基于用户行为的个性化社区推荐方法
CN107507073A (zh) 基于信任扩展和列表级排序学习的服务推荐方法
KR20140111307A (ko) 사용자 질의 처리 방법 및 시스템
CN116028727B (zh) 一种基于图像数据处理的视频推荐方法
US11651255B2 (en) Method and apparatus for object preference prediction, and computer readable medium
CN112464100B (zh) 信息推荐模型训练方法、信息推荐方法、装置及设备
CN104185089B (zh) 视频概要生成方法及服务器、客户端
CN115525771A (zh) 基于上下文数据增强的少样本知识图谱表示学习方法及系统
CN113688310A (zh) 一种内容推荐方法、装置、设备及存储介质
CN112861006A (zh) 融合元路径语义的推荐方法及系统
CN106980666B (zh) 一种推荐视频的方法和装置
CN109190040A (zh) 基于协同演化的个性化推荐方法及装置
Yin et al. An efficient recommendation algorithm based on heterogeneous information network
CN111382345B (zh) 话题筛选和发布的方法、装置和服务器
CN113254788B (zh) 一种基于大数据的推荐方法、系统及可读存储介质
CN108389113B (zh) 一种协同过滤推荐方法和系统
JP6692739B2 (ja) 抽出装置、抽出方法及び抽出プログラム
CN117251626A (zh) 一种课程推荐方法、系统及电子设备
CN117216376A (zh) 一种基于深度图神经网络的公平感知推荐系统及推荐方法
CN114996490A (zh) 电影推荐方法、系统、存储介质及设备
CN111460318B (zh) 基于显性和隐性信任的协同过滤推荐方法
CN108063810A (zh) 一种基于网络局部结构信息过滤的推荐方法

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