WO2018032790A1 - 基于加权k近邻评分的直播间推荐方法及系统 - Google Patents
基于加权k近邻评分的直播间推荐方法及系统 Download PDFInfo
- Publication number
- WO2018032790A1 WO2018032790A1 PCT/CN2017/080786 CN2017080786W WO2018032790A1 WO 2018032790 A1 WO2018032790 A1 WO 2018032790A1 CN 2017080786 W CN2017080786 W CN 2017080786W WO 2018032790 A1 WO2018032790 A1 WO 2018032790A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- user
- live broadcast
- live
- room
- similarity
- 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.)
- Ceased
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; 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
Definitions
- the invention relates to the field of promotion of a webcasting room, and particularly relates to a method and system for recommending a live broadcast based on a weighted k-nearest neighbor score.
- the traditional live broadcast platform recommends the live broadcast room (ie, the link of the live content viewed) to the user.
- the method is generally based on the k-nearest neighbor recommendation method, and the method is used to recommend the live broadcast room (ie, the link of the live content viewed) to the user A.
- the specific process is: firstly, using the similarity calculation formula to select K users (such as B1, B2, ..., BK) similar to the interests of user A, and then merge and merge in the live broadcasts that K users like to watch, and merge
- K users such as B1, B2, ..., BK
- the recommended method based on the k-nearest neighbor is for the user to recommend the live broadcast room
- the user A selects among the recommended lists of the live broadcasts of the K users, because different users of the K users are similar to the user A.
- the degree (viewing grade) is different, so it is difficult for user A to quickly find the live room recommended by the user with the closest or the same degree of similarity in the recommendation list; because the similarity is higher, the recommended live room is The more accurate, therefore, the existing k-nearest neighbor-based recommendation method is difficult to quickly recommend a high-level live broadcast room for the user, that is, the accuracy of the recommendation is not enough, and the recommendation effect needs to be improved.
- the technical problem solved by the present invention is to improve the accuracy of the live broadcast recommended to the user, and to quickly recommend the live broadcast room that meets the user's interests and individual needs.
- the method for recommending live broadcasts based on the weighted k-nearest neighbor score provided by the present invention includes the following steps:
- S1 Obtain a live broadcast view vector of each user in the live broadcast platform, and the live broadcast view vector includes: a user views the set of views of each live broadcast room;
- R mn represents the similarity between the user m and the user n
- represents the absolute value of R mn
- N i (m) represents the set of neighboring users of the user m
- S ni represents the user n to the live room i Times watched
- the recommendation system includes a live view vector acquisition module, a similarity calculation module, a neighboring user selection module, an interest degree calculation module, and a recommended live broadcast selection module;
- the live view vector acquisition module is configured to: obtain a live view vector of each user in the live broadcast platform, and the live view vector includes: the user views the set of views of each live broadcast;
- the similarity calculation module is configured to: calculate a similarity degree of each of the two users according to the live broadcast viewing vector acquired by the live view vector acquisition module;
- the neighboring user selection module is configured to: select, according to the similarity descending order of each user, the former N neighboring users as neighboring users, N neighbors >5;
- the interest degree calculation module is configured to: calculate, according to the similarity and the neighboring users of each user, the degree of interest of each user m for each viewed live room i
- the calculation formula is:
- R mn represents the similarity between the user m and the user n
- represents the absolute value of R mn
- N i (m) represents the set of neighboring users of the user m
- S ni represents the user n to the live room i Times watched
- the recommended live room selection module is used to: for each user to sort according to the degree of interest in descending order, select the top N push live broadcast room as the recommended live broadcast room, N push >5.
- the present invention is based on a weighted k-nearest neighbor score, and calculates a neighboring user of a recommended user (ie, a user who needs to recommend a live broadcast room) by a self-developed formula, and calculates a recommended user's view of each live broadcast room according to the similarity of the neighboring users.
- Interest level Compared with the prior art, it is difficult to quickly recommend an accurate live broadcast to the user, and the present invention evaluates and selects the recommended live broadcast according to the interest calculated by the similarity, and the recommended live broadcast is more in line with the user's interests. And the personalized needs, the recommended accuracy is higher, the recommended effect is better.
- FIG. 1 is a flowchart of a method for recommending a live broadcast based on a weighted k-nearest neighbor score according to an embodiment of the present invention.
- a method for recommending a live broadcast based on a weighted k-neighbor score in an embodiment of the present invention includes the following steps:
- S1 Obtain a live broadcast view vector of each user in the live broadcast platform, and the live broadcast view vector includes: the user views the set of views of each live broadcast room.
- S101 Obtain historical viewing information within a specified period of each user (for example, 30 days).
- the main fields of the historical viewing information include a UID (user unique identifier), and a ROOM_ID (a unique identifier of the viewed live broadcast room) associated with the UID.
- S2 Calculate the similarity R of each of the two users according to the viewing vector X of the live broadcast platform among the users of the live broadcast platform. For example, if there are 56 users in the live broadcast platform, the calculation is performed for 56 users respectively; Other users than users, the choice is not heavy The other users of the complex calculation calculate the similarity between the other user and the calculated user.
- X u and X v represent the live broadcast viewing vectors of two users u and v, respectively
- T represents matrix transposition
- represent X u and X v respectively . mold.
- R mn represents the similarity between the user m and the user n, that is, the similarity is used as the weight
- represents the absolute value of R mn
- N i (m) represents the set of neighboring users of the user m (ie, the user n In the set of neighboring users of the user m
- S ni represents the number of times the user n views the live room i.
- the sum of weights with similarity as weight is not necessarily 1, it is divided by The purpose is to standardize the newly generated interest.
- N push live broadcast room As the recommended live broadcast room, and N push >5; for example, the number of recommended live broadcast rooms in this embodiment is 10, that is, for each user, select the top 10 live broadcast rooms with high interest level as the recommended live broadcast room.
- S6 Form a live broadcast recommendation list for each user's recommended live broadcast room and display it to the corresponding user.
- the live broadcast recommendation system based on the weighted k-nearest neighbor score which comprises the above-mentioned method, includes a live view vector acquisition module, a similarity calculation module, a neighboring user selection module, an interest degree calculation module, a recommended live broadcast selection module, and a live broadcast room.
- Recommended list acquisition module includes a live view vector acquisition module, a similarity calculation module, a neighboring user selection module, an interest degree calculation module, a recommended live broadcast selection module, and a live broadcast room.
- the live view vector acquisition module is configured to: obtain a live broadcast view vector of each user in the live broadcast platform (the user views the set of views of each live broadcast room); the specific workflow is: obtaining the history of each user within a specified period Viewing information (UID, and the unique identifier ROOM_ID between the live broadcasts associated with the UID), clearing the invalid historical viewing information (clearing the invalid UID, clearing the data with empty ROOM_ID), and obtaining valid historical viewing information; according to the valid ROOM_ID, The number of views of the live room corresponding to each ROOM_ID viewed by the user is counted, and the set of all views forms the live view vector of the user.
- Viewing information UID
- ROOM_ID the unique identifier
- the similarity calculation module is configured to calculate the similarity degree of each of the two users according to the live broadcast viewing vector acquired by the live view vector acquisition module; the similarity R is calculated as:
- X u and X v represent the live broadcast viewing vectors of two users u and v, respectively
- T represents matrix transposition
- represent X u and X v respectively . mold.
- the neighboring user selection module is configured to: select, according to the similarity descending order of each user, the first N neighboring users as neighboring users, N neighbors >5;
- the interest degree calculation module is configured to: calculate, according to the similarity and the neighboring users of each user, the degree of interest of each user m for each viewed live room i
- the calculation formula is:
- R mn represents the similarity between the user m and the user n
- represents the absolute value of R mn
- N i (m) represents the set of neighboring users of the user m
- S ni represents the user n to the live room i Times watched
- the recommended live room selection module is used to: for each user to sort according to the degree of interest in descending order, select the top N push live broadcast room as the recommended live broadcast room, N push >5.
- the live broadcast recommendation list obtaining module is configured to form a live broadcast recommendation list for each recommended live broadcast of each user.
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
Abstract
一种基于加权k近邻评分的直播间推荐方法及系统，涉及网络直播间的推广领域。该方法的步骤为：获取直播平台中每个用户的直播间观看向量（S1）；根据直播间观看向量，计算每2个用户的相似度（S2）；为每个用户按照相似度降序排列的方法，选取指定数量的邻近用户（S3）；根据相似度和所述每个用户的邻近用户，计算每个用户对每个观看过的直播间的兴趣度（S4）；为每个用户按照兴趣度降序排列的方法，选取指定数量的推荐直播间（S5）。上述方法和系统根据由相似度计算的兴趣度评估和选取推荐直播间，推荐的直播间更加符合用户的兴趣爱好和个性化需求，推荐的准确度较高，推荐效果较好。
Description
本发明涉及网络直播间的推广领域，具体涉及一种基于加权k近邻评分的直播间推荐方法及系统。
随着智能终端的多屏化发展，中国社交视频的直播平台的活跃用户正在不断发展壮大中，人们对“即时观看喜爱的直播内容并与主播互动”的需求越来越高。因此，如何发掘用户兴趣点、给用户精准推荐直播间来提高用户粘性、促进用户的付费转化，将是直播行业很长一段时间将要面临的一道难题。
目前，传统的直播平台为用户推荐直播间(即观看的直播内容的链接)的方法一般为基于k近邻的推荐方法，采用该方法为用户A推荐直播间(即观看的直播内容的链接)的具体流程为：首先利用相似度计算公式选出与用户A的兴趣爱好相似K个用户(例如B1,B2,…,BK)，然后在K个用户最喜欢观看的直播间并进行合并，将合并的直播间以推荐列表的形式呈现给用户A，供用户A选择观看。
但是，上述基于k近邻的推荐方法为用户推荐直播间时，存在以下缺陷：用户A在K个用户喜爱的直播间形成推荐列表中进行选择时，因为K个用户中不同用户与用户A的相似程度(观看品位)不同，所以用户A难以在推荐列表中，快速找到与自己相似程度最相近或相同的用户推荐的直播间；由于相似程度越高，推荐的直播间就
越准确，因此，现有的基于k近邻的推荐方法难以快速为用户推荐相似程度高的直播间，即推荐的准确度不够，推荐效果有待提高。
发明内容
针对现有技术中存在的缺陷，本发明解决的技术问题为：提高推荐给用户的直播间的准确度，进而为用户快速的推荐符合用户兴趣爱好和个性化需求的直播间。
为达到以上目的，本发明提供的基于加权k近邻评分的直播间推荐方法，包括以下步骤：
S1：获取直播平台中每个用户的直播间观看向量，直播间观看向量包括：用户观看每个直播间的观看次数集合；
S2：根据直播间观看向量，计算每2个用户的相似度；
S3：为所述每个用户按照相似度降序排列的方法，选取前N邻个用户作为邻近用户，N邻＞5；
S4：根据相似度和所述每个用户的邻近用户，计算每个用户m对每个观看过的直播间i的兴趣度
计算公式为：
上述公式中，Rmn代表用户m和用户n的相似度，|Rmn|代表Rmn的绝对值；Ni(m)代表用户m的邻近用户集合，Sni代表用户n对直播间i的观看次数；
S5：为所述每个用户按照兴趣度降序排列的方法，选取前N推个直播间作为推荐直播间，N推＞5。
本发明提供的实现上述方法的基于加权k近邻评分的直播间推
荐系统，包括直播间观看向量获取模块、相似度计算模块、邻近用户选取模块、兴趣度计算模块和推荐直播间选取模块；
直播间观看向量获取模块用于：获取直播平台中每个用户的直播间观看向量，直播间观看向量包括：用户观看每个直播间的观看次数集合；
相似度计算模块用于：根据直播间观看向量获取模块获取的直播间观看向量，计算每2个用户的相似度；
邻近用户选取模块用于：为所述每个用户按照相似度降序排列的方法，选取前N邻个用户作为邻近用户，N邻＞5；
兴趣度计算模块用于：根据相似度和所述每个用户的邻近用户，计算每个用户m对每个观看过的直播间i的兴趣度
计算公式为：
上述公式中，Rmn代表用户m和用户n的相似度，|Rmn|代表Rmn的绝对值；Ni(m)代表用户m的邻近用户集合，Sni代表用户n对直播间i的观看次数；
推荐直播间选取模块用于：为所述每个用户按照兴趣度降序排列的方法，选取前N推个直播间作为推荐直播间，N推＞5。
与现有技术相比，本发明的优点在于：
本发明基于加权k近邻评分，通过自主研发的公式计算出被推荐用户(即需要推荐直播间的用户)的邻近用户，根据邻近用户的相似度计算被推荐用户对观看过的每个直播间的兴趣度。与现有技术中难以快速为用户推荐准确的直播间相比，本发明根据由相似度计算的兴趣度评估和选取推荐直播间，推荐的直播间更加符合用户的兴趣爱好
和个性化需求，推荐的准确度较高，推荐效果较好。
图1为本发明实施例中基于加权k近邻评分的直播间推荐方法的流程图。
以下结合附图及实施例对本发明作进一步详细说明。
参见图1所示，本发明实施例中的基于加权k近邻评分的直播间推荐方法，包括以下步骤：
S1：获取直播平台中每个用户的直播间观看向量，直播间观看向量包括：用户观看每个直播间的观看次数集合。
S1的具体流程为：
S101：获取每个用户指定期限内(例如30天)的历史观看信息，历史观看信息的主要字段包括UID(用户唯一标识)、以及与UID关联的ROOM_ID(观看过的直播间的唯一标识)。
S102：在历史观看信息中，清除无效的历史观看信息(即清除无效UID和ROOM_ID为空的数据)后，得到有效的历史观看信息。根据有效的历史观看信息(ROOM_ID)，统计用户观看的每个ROOM_ID对应的直播间的观看次数，所有观看次数的集合形成该用户的直播间观看向量X。例如X为：a1,a2,a3,a4,…，aN，则代表用户a分别对N个直播间的观看次数，a1表示用户a对直播间1的观看次数，以此类推。
S2：在直播平台的所用用户中，根据直播间观看向量X，计算每2个用户的相似度R，例如直播平台中有56个用户，则分别针对56个用户进行计算；计算时遍历除计算用户之外的其他用户，选择未重
复计算的其他用户，计算该其他用户与计算用户的相似度。
S2中相似度R的计算公式为：
上述公式中，Xu和Xv分别代表2个用户u和v的直播间观看向量，T代表矩阵转置，||Xu||和||Xv||分别代表Xu和Xv的模。
S3：在直播平台的所用用户中，为所述每个用户按照相似度降序排列的方法，选取前N邻个用户作为邻近用户，N邻＞5；例如本实施例中邻近用户的数量为12个，即为每个用户选取前12个相似度大的用户作为邻近用户。
S4：在直播平台的所用用户中，根据相似度R，计算每个用户m对每个观看过的直播间i的兴趣度
计算公式为：
上述公式中，Rmn代表用户m和用户n的相似度，即以相似度作为权重，|Rmn|代表Rmn的绝对值；Ni(m)代表用户m的邻近用户集合(即用户n在用户m的邻近用户集合中选取)，Sni代表用户n对直播间i的观看次数。考虑到以相似度作为权重的权重总和不一定为1，所以这里除以
的目的是对新生成的兴趣度作标准化处理。
S5：在直播平台的所用用户中，为每个用户按照兴趣度降序排列的方法，选取前N推个直播间作为推荐直播间，N推＞5；例如本实施例中推荐直播间的数量为10个，即为每个用户选取前10个兴趣度大的直播间作为推荐直播间。
S6：将每个用户的推荐直播间形成直播间推荐列表、并展示给相应的用户。
本发明提供的实现上述方法的基于加权k近邻评分的直播间推荐系统，包括直播间观看向量获取模块、相似度计算模块、邻近用户选取模块、兴趣度计算模块、推荐直播间选取模块和直播间推荐列表获取模块。
直播间观看向量获取模块用于：获取直播平台中每个用户的直播间观看向量(用户观看每个直播间的观看次数集合)；具体工作流程为：获取所述每个用户指定期限内的历史观看信息(UID、以及与UID关联的直播间唯一标识ROOM_ID)，清除无效的历史观看信息后(清除无效的UID，清楚ROOM_ID为空的数据)，得到有效的历史观看信息；根据有效的ROOM_ID，统计用户观看的每个ROOM_ID对应的直播间的观看次数，所有观看次数的集合形成该用户的直播间观看向量。
相似度计算模块用于：根据直播间观看向量获取模块获取的直播间观看向量，计算每2个用户的相似度；相似度R的计算公式为：
上述公式中，Xu和Xv分别代表2个用户u和v的直播间观看向量，T代表矩阵转置，||Xu||和||Xv||分别代表Xu和Xv的模。
邻近用户选取模块用于：为所述每个用户按照相似度降序排列的
方法，选取前N邻个用户作为邻近用户，N邻＞5；
兴趣度计算模块用于：根据相似度和所述每个用户的邻近用户，计算每个用户m对每个观看过的直播间i的兴趣度
计算公式为：
上述公式中，Rmn代表用户m和用户n的相似度，|Rmn|代表Rmn的绝对值；Ni(m)代表用户m的邻近用户集合，Sni代表用户n对直播间i的观看次数；
推荐直播间选取模块用于：为所述每个用户按照兴趣度降序排列的方法，选取前N推个直播间作为推荐直播间，N推＞5。
直播间推荐列表获取模块用于：将所述每个用户的推荐直播间形成直播间推荐列表。
本发明不局限于上述实施方式，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围之内。本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
Claims (10)
- 一种基于加权k近邻评分的直播间推荐方法，其特征在于，该方法包括以下步骤：S1：获取直播平台中每个用户的直播间观看向量，直播间观看向量包括：用户观看每个直播间的观看次数集合；S2：根据直播间观看向量，计算每2个用户的相似度；S3：为所述每个用户按照相似度降序排列的方法，选取前N邻个用户作为邻近用户，N邻＞5；S4：根据相似度和所述每个用户的邻近用户，计算每个用户m对每个观看过的直播间i的兴趣度计算公式为：
上述公式中，Rmn代表用户m和用户n的相似度，|Rmn|代表Rmn的绝对值；Ni(m)代表用户m的邻近用户集合，Sni代表用户n对直播间i的观看次数；S5：为所述每个用户按照兴趣度降序排列的方法，选取前N推个直播间作为推荐直播间，N推＞5。 - 如权利要求1所述的基于加权k近邻评分的直播间推荐方法，其特征在于，S1的具体流程为：获取所述每个用户指定期限内的历史观看信息，清除无效的历史观看信息后，得到有效的历史观看信息；根据有效的历史观看信息，统计每个用户的直播间观看向量。
- 如权利要求2所述的基于加权k近邻评分的直播间推荐方法，其特征在于：所述历史观看信息包括UID、以及与UID关联的直播 间唯一标识ROOM_ID；在此基础上：所述清除无效的历史观看信息的流程为：清除无效的UID，清楚ROOM_ID为空的数据；所述根据有效的历史观看信息，统计每个用户的直播间观看向量的流程为：根据有效的ROOM_ID，统计用户观看的每个ROOM_ID对应的直播间的观看次数，所有观看次数的集合形成该用户的直播间观看向量。
- 如权利要求1所述的基于加权k近邻评分的直播间推荐方法，其特征在于，S2中相似度R的计算公式为：
上述公式中，Xu和Xv分别代表2个用户u和v的直播间观看向量，T代表矩阵转置，||Xu||和||Xv||分别代表Xu和Xv的模。 - 如权利要求1至4任一项所述的基于加权k近邻评分的直播间推荐方法，其特征在于，S5之后还包括以下步骤：S6：将所述每个用户的推荐直播间形成直播间推荐列表。
- 一种实现权利要求1至5任一项所述方法的基于加权k近邻评分的直播间推荐系统，其特征在于：该系统包括直播间观看向量获取模块、相似度计算模块、邻近用户选取模块、兴趣度计算模块和推荐直播间选取模块；直播间观看向量获取模块用于：获取直播平台中每个用户的直播间观看向量，直播间观看向量包括：用户观看每个直播间的观看次数集合；相似度计算模块用于：根据直播间观看向量获取模块获取的直播间观看向量，计算每2个用户的相似度；邻近用户选取模块用于：为所述每个用户按照相似度降序排列的 方法，选取前N邻个用户作为邻近用户，N邻＞5；兴趣度计算模块用于：根据相似度和所述每个用户的邻近用户，计算每个用户m对每个观看过的直播间i的兴趣度计算公式为：
上述公式中，Rmn代表用户m和用户n的相似度，|Rmn|代表Rmn的绝对值；Ni(m)代表用户m的邻近用户集合，Sni代表用户n对直播间i的观看次数；推荐直播间选取模块用于：为所述每个用户按照兴趣度降序排列的方法，选取前N推个直播间作为推荐直播间，N推＞5。 - 如权利要求6所述的基于加权k近邻评分的直播间推荐系统，其特征在于，所述直播间观看向量获取模块的具体工作流程为：获取所述每个用户指定期限内的历史观看信息，清除无效的历史观看信息后，得到有效的历史观看信息；根据有效的历史观看信息，统计每个用户的直播间观看向量。
- 如权利要求7所述的基于加权k近邻评分的直播间推荐系统，其特征在于：所述历史观看信息包括UID、以及与UID关联的直播间唯一标识ROOM_ID；在此基础上：所述直播间观看向量获取模块清除无效的历史观看信息的工作流程为：清除无效的UID，清楚ROOM_ID为空的数据；所述直播间观看向量获取模块根据有效的历史观看信息，统计每个用户的直播间观看向量的工作流程为：根据有效的ROOM_ID，统计用户观看的每个ROOM_ID对应的直播间的观看次数，所有观看次数的集合形成该用户的直播间观看向量。
- 如权利要求6所述的基于加权k近邻评分的直播间推荐系统，其特征在于，所述相似度计算模块中相似度R的计算公式为：
上述公式中，Xu和Xv分别代表2个用户u和v的直播间观看向量，T代表矩阵转置，||Xu||和||Xv||分别代表Xu和Xv的模。 - 如权利要求6至9任一项所述的基于加权k近邻评分的直播间推荐系统，其特征在于：该系统还包括直播间推荐列表获取模块，其用于：将所述每个用户的推荐直播间形成直播间推荐列表。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610671104.4A CN106294800A (zh) | 2016-08-16 | 2016-08-16 | 基于加权k近邻评分的直播间推荐方法及系统 |
| CN201610671104.4 | 2016-08-16 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| WO2018032790A1 true WO2018032790A1 (zh) | 2018-02-22 |
Family
ID=57671279
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| PCT/CN2017/080786 Ceased WO2018032790A1 (zh) | 2016-08-16 | 2017-04-17 | 基于加权k近邻评分的直播间推荐方法及系统 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN106294800A (zh) |
| WO (1) | WO2018032790A1 (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108833935A (zh) * | 2018-05-25 | 2018-11-16 | 广州虎牙信息科技有限公司 | 一种直播间推荐方法、装置、设备及存储介质 |
| CN111222055A (zh) * | 2020-01-13 | 2020-06-02 | 广州荔支网络技术有限公司 | 一种音频主播推荐方法 |
| CN111580670A (zh) * | 2020-05-12 | 2020-08-25 | 黑龙江工程学院 | 一种基于虚拟现实的园林景观实现方法 |
| CN112052388A (zh) * | 2020-08-20 | 2020-12-08 | 深思考人工智能科技(上海)有限公司 | 一种推荐美食店铺的方法及系统 |
| CN112702618A (zh) * | 2020-12-16 | 2021-04-23 | 广州市千钧网络科技有限公司 | 关注度处理方法、装置、设备及可读存储介质 |
| CN112770124A (zh) * | 2020-12-22 | 2021-05-07 | Oppo广东移动通信有限公司 | 进入直播间的方法及装置、存储介质和电子设备 |
| CN114302152A (zh) * | 2021-11-17 | 2022-04-08 | 北京乐我无限科技有限责任公司 | 直播间的推荐方法、装置、设备及存储介质 |
| CN114429237A (zh) * | 2020-10-29 | 2022-05-03 | 武汉斗鱼鱼乐网络科技有限公司 | 一种直播间的曝光排序方法以及相关设备 |
| CN114697711A (zh) * | 2020-12-30 | 2022-07-01 | 武汉斗鱼网络科技有限公司 | 一种主播推荐方法、装置、电子设备和存储介质 |
| CN118012920A (zh) * | 2024-04-09 | 2024-05-10 | 青岛益生康健科技股份有限公司 | 基于大数据的用户画像标签快速匹配方法 |
Families Citing this family (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106294800A (zh) * | 2016-08-16 | 2017-01-04 | 武汉斗鱼网络科技有限公司 | 基于加权k近邻评分的直播间推荐方法及系统 |
| CN106954086B (zh) * | 2017-02-28 | 2020-08-04 | 北京潘达互娱科技有限公司 | 一种信息推荐方法与装置 |
| CN107172501B (zh) * | 2017-03-30 | 2020-05-12 | 武汉斗鱼网络科技有限公司 | 一种直播房间推荐展示方法及系统 |
| CN106982381B (zh) * | 2017-03-31 | 2021-02-02 | 武汉斗鱼网络科技有限公司 | 首页推荐处理方法及装置 |
| CN107181967A (zh) * | 2017-04-01 | 2017-09-19 | 北京潘达互娱科技有限公司 | 一种视频显示方法及装置 |
| CN107172452B (zh) * | 2017-04-25 | 2020-02-18 | 北京潘达互娱科技有限公司 | 直播间推荐方法及装置 |
| CN107205178B (zh) * | 2017-04-25 | 2019-12-10 | 北京潘达互娱科技有限公司 | 直播间推荐方法及装置 |
| CN109151542B (zh) * | 2017-06-28 | 2021-07-23 | 武汉斗鱼网络科技有限公司 | 处理违规直播间的方法、装置和设备及计算机可读存储介质 |
| CN107613395B (zh) * | 2017-08-28 | 2019-11-15 | 武汉斗鱼网络科技有限公司 | 直播房间推荐方法、系统、设备及存储介质 |
| CN108156468A (zh) * | 2017-09-30 | 2018-06-12 | 上海掌门科技有限公司 | 一种观看主播直播的方法与设备 |
| CN107835441B (zh) * | 2017-10-10 | 2020-01-03 | 武汉斗鱼网络科技有限公司 | 基于路径预测的直播推荐方法、存储介质、设备及系统 |
| CN108093274A (zh) * | 2018-01-05 | 2018-05-29 | 武汉斗鱼网络科技有限公司 | 一种直播间排序方法、电子设备及可读存储介质 |
| CN110012318B (zh) * | 2018-01-05 | 2021-05-28 | 武汉斗鱼网络科技有限公司 | 一种确定用户兴趣方法、存储介质、设备及系统 |
| CN108184148B (zh) * | 2018-01-08 | 2019-10-22 | 武汉斗鱼网络科技有限公司 | 一种用于识别用户的方法、装置及计算机设备 |
| CN108322829B (zh) * | 2018-03-02 | 2020-11-27 | 北京奇艺世纪科技有限公司 | 个性化主播推荐方法、装置及电子设备 |
| CN109218769B (zh) * | 2018-09-30 | 2021-01-01 | 武汉斗鱼网络科技有限公司 | 一种直播间的推荐方法以及相关设备 |
| CN109495770B (zh) * | 2018-11-23 | 2021-03-16 | 武汉斗鱼网络科技有限公司 | 一种直播间推荐方法、装置、设备及介质 |
| CN109348260B (zh) * | 2018-12-06 | 2021-09-07 | 武汉瓯越网视有限公司 | 一种直播间推荐方法、装置、设备及介质 |
| CN109951725B (zh) * | 2019-03-07 | 2021-06-15 | 武汉斗鱼鱼乐网络科技有限公司 | 一种直播间的推荐方法以及相关设备 |
| CN113159855B (zh) * | 2021-04-30 | 2023-01-13 | 青岛檬豆网络科技有限公司 | 一种直播推荐方法 |
| CN114374854B (zh) * | 2021-12-20 | 2024-05-31 | 广西壮族自治区公众信息产业有限公司 | 云旅游直播方法与系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7454775B1 (en) * | 2000-07-27 | 2008-11-18 | Koninklijke Philips Electronics N.V. | Method and apparatus for generating television program recommendations based on similarity metric |
| CN104504149A (zh) * | 2015-01-08 | 2015-04-08 | 中国联合网络通信集团有限公司 | 一种实现应用推荐的方法及装置 |
| CN105095442A (zh) * | 2015-07-23 | 2015-11-25 | 海信集团有限公司 | 一种多媒体数据的推荐方法及装置 |
| CN105404700A (zh) * | 2015-12-30 | 2016-03-16 | 山东大学 | 一种基于协同过滤的视频栏目推荐系统及推荐方法 |
| CN105574198A (zh) * | 2015-12-28 | 2016-05-11 | 海信集团有限公司 | 一种栏目推荐方法及装置 |
| CN105808537A (zh) * | 2014-12-29 | 2016-07-27 | Tcl集团股份有限公司 | 一种基于Storm的实时推荐方法及系统 |
| CN106294800A (zh) * | 2016-08-16 | 2017-01-04 | 武汉斗鱼网络科技有限公司 | 基于加权k近邻评分的直播间推荐方法及系统 |
-
2016
- 2016-08-16 CN CN201610671104.4A patent/CN106294800A/zh active Pending
-
2017
- 2017-04-17 WO PCT/CN2017/080786 patent/WO2018032790A1/zh not_active Ceased
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7454775B1 (en) * | 2000-07-27 | 2008-11-18 | Koninklijke Philips Electronics N.V. | Method and apparatus for generating television program recommendations based on similarity metric |
| CN105808537A (zh) * | 2014-12-29 | 2016-07-27 | Tcl集团股份有限公司 | 一种基于Storm的实时推荐方法及系统 |
| CN104504149A (zh) * | 2015-01-08 | 2015-04-08 | 中国联合网络通信集团有限公司 | 一种实现应用推荐的方法及装置 |
| CN105095442A (zh) * | 2015-07-23 | 2015-11-25 | 海信集团有限公司 | 一种多媒体数据的推荐方法及装置 |
| CN105574198A (zh) * | 2015-12-28 | 2016-05-11 | 海信集团有限公司 | 一种栏目推荐方法及装置 |
| CN105404700A (zh) * | 2015-12-30 | 2016-03-16 | 山东大学 | 一种基于协同过滤的视频栏目推荐系统及推荐方法 |
| CN106294800A (zh) * | 2016-08-16 | 2017-01-04 | 武汉斗鱼网络科技有限公司 | 基于加权k近邻评分的直播间推荐方法及系统 |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108833935A (zh) * | 2018-05-25 | 2018-11-16 | 广州虎牙信息科技有限公司 | 一种直播间推荐方法、装置、设备及存储介质 |
| CN111222055A (zh) * | 2020-01-13 | 2020-06-02 | 广州荔支网络技术有限公司 | 一种音频主播推荐方法 |
| CN111580670A (zh) * | 2020-05-12 | 2020-08-25 | 黑龙江工程学院 | 一种基于虚拟现实的园林景观实现方法 |
| CN111580670B (zh) * | 2020-05-12 | 2023-06-30 | 黑龙江工程学院 | 一种基于虚拟现实的园林景观实现方法 |
| CN112052388A (zh) * | 2020-08-20 | 2020-12-08 | 深思考人工智能科技(上海)有限公司 | 一种推荐美食店铺的方法及系统 |
| CN114429237A (zh) * | 2020-10-29 | 2022-05-03 | 武汉斗鱼鱼乐网络科技有限公司 | 一种直播间的曝光排序方法以及相关设备 |
| CN114429237B (zh) * | 2020-10-29 | 2025-04-11 | 北京飞鹰互动科技有限公司 | 一种直播间的曝光排序方法以及相关设备 |
| CN112702618B (zh) * | 2020-12-16 | 2022-12-09 | 广州市千钧网络科技有限公司 | 关注度处理方法、装置、设备及可读存储介质 |
| CN112702618A (zh) * | 2020-12-16 | 2021-04-23 | 广州市千钧网络科技有限公司 | 关注度处理方法、装置、设备及可读存储介质 |
| CN112770124A (zh) * | 2020-12-22 | 2021-05-07 | Oppo广东移动通信有限公司 | 进入直播间的方法及装置、存储介质和电子设备 |
| CN112770124B (zh) * | 2020-12-22 | 2023-10-31 | Oppo广东移动通信有限公司 | 进入直播间的方法及装置、存储介质和电子设备 |
| CN114697711A (zh) * | 2020-12-30 | 2022-07-01 | 武汉斗鱼网络科技有限公司 | 一种主播推荐方法、装置、电子设备和存储介质 |
| CN114697711B (zh) * | 2020-12-30 | 2024-02-20 | 广州财盟科技有限公司 | 一种主播推荐方法、装置、电子设备和存储介质 |
| CN114302152A (zh) * | 2021-11-17 | 2022-04-08 | 北京乐我无限科技有限责任公司 | 直播间的推荐方法、装置、设备及存储介质 |
| CN118012920A (zh) * | 2024-04-09 | 2024-05-10 | 青岛益生康健科技股份有限公司 | 基于大数据的用户画像标签快速匹配方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106294800A (zh) | 2017-01-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP5432243B2 (ja) | メディアオブジェクト照会の送信および反応 | |
| CN108322829B (zh) | 个性化主播推荐方法、装置及电子设备 | |
| CN104199896B (zh) | 基于特征分类的视频相似度确定及视频推荐方法 | |
| CN108573041B (zh) | 基于加权信任关系的概率矩阵分解推荐方法 | |
| CN108040294B (zh) | 用于推荐视频的方法、系统及计算机可读介质 | |
| CN102207972B (zh) | 一种数字电视的影视节目推荐方法及其装置 | |
| CN105138653B (zh) | 一种基于典型度和难度的题目推荐方法及其推荐装置 | |
| CN106294800A (zh) | 基于加权k近邻评分的直播间推荐方法及系统 | |
| US11663661B2 (en) | Apparatus and method for training a similarity model used to predict similarity between items | |
| CN106407241A (zh) | 视频推荐方法及系统 | |
| US20160283481A1 (en) | Method and apparatus for combining text search and recommendation engines | |
| CN111310045A (zh) | 一种基于元路径的网络嵌入的电影推荐方法 | |
| WO2013189738A1 (en) | Method and apparatus for content recommendation | |
| CN110427567A (zh) | 一种基于用户偏好相似度加权的协同过滤推荐方法 | |
| CN104978742B (zh) | 基于级联结构的图像配准方法及装置 | |
| CN107454474B (zh) | 一种基于协同过滤的电视终端节目个性化推荐方法 | |
| CN106776959B (zh) | 一种基于线上线下双重社交关系的活动推荐系统及方法 | |
| CN101489107A (zh) | 一种基于人口属性关键字向量的协作过滤推荐方法 | |
| CN106791963A (zh) | 一种电视节目推荐方法及系统 | |
| JP2013218638A (ja) | コンテンツ配信システムおよびリコメンド方法 | |
| US20150248720A1 (en) | Recommendation engine | |
| CN117933422A (zh) | 一种基于贡献收益协同平衡的公平联邦学习方法 | |
| US20130006881A1 (en) | Method of identifying relevant user feedback | |
| CN109982155A (zh) | 一种播单推荐方法及系统 | |
| CN109672938A (zh) | 一种iptv节目推荐方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| 121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 17840766 Country of ref document: EP Kind code of ref document: A1 |
|
| NENP | Non-entry into the national phase |
Ref country code: DE |
|
| 122 | Ep: pct application non-entry in european phase |
Ref document number: 17840766 Country of ref document: EP Kind code of ref document: A1 |