CN101061713A - 一种更新用户档案的方法和装置 - Google Patents

Abstract

本发明提供了一种更新用户档案的方法，该用户档案包含一个用户对至少一个内容特征的喜好程度，该方法包括步骤：(a).监测该用户的行为，该行为针对一个在播放中的节目；(b).根据该用户行为，获得该用户对该节目的兴趣度，该兴趣度针对该节目所预设定的内容特征；(c).根据所述用户档案中对应的内容特征的喜好程度，对该兴趣度进行相应地调整；和(d).根据调整后的针对该节目所预设定的内容特征的兴趣度，修正所述用户档案中对应的内容特征的喜好程度。

Description

一种更新用户档案的方法和装置

技术背景

本发明涉及一种信息推荐***，尤其涉及一种更新信息推荐***中用户档案的方法和装置。

随着现代通信技术的发展，人们随时可以获取大量信息。然而信息量的急剧增加使人们往往无所适从，人们迫切需要有一种工具可以帮助他们快速找到真正感兴趣的内容，即个性化的信息推荐***。

为了满足不断变化的用户兴趣，信息推荐***中的用户档案(UserProfile)也需要不断地改变。故，如何按照用户的兴趣(喜好)，动态地修正推荐***中的用户档案，以向用户推荐用户真正感兴趣的内容，已成为当前需要解决的问题。

目前通常根据用户观看一个特定节目的举止来修正用户档案中用户对该特定节目的各个内容特征的喜好程度及权重。所述的用户举止是指用户观看一个特定节目的时间长度、对具有特定内容特征的节目的观看次数及删除次数。

所述的内容特征可指节目中包含的各个演员名字(范冰冰、葛优等)、节目类型(文艺片、爱情片、恐怖片等)、导演(张艺谋、冯小刚等)等，这些内容特征可以来自广播、电视或者互联网络等信息源，最具代表性的就是通过数字电视电子节目指南(EPG)随节目一起发送给用户。

然而，用户观看包含特定内容特征的次数及删除次数仅代表用户是否观看，并不能准确地反应用户是否喜欢这些内容特征。例如，用户仅仅是因为换频道而经过一个包含特定内容特征的节目，并不代表用户就喜欢该内容特征，从而被视作用户观看过该内容特征一次，进而作为修正用户档案的依据，该做法显然不能准确地反映用户真正的兴趣化。

况且，通常用户需要观看一段内容后，才有可能确认自已是否喜欢该特定节目。但如果在看过之后，用户并不喜欢该节目，但***仍认为用户观看过该节目，并根据该节目中相应的内容特征，修正用户档案中用户对所述相应内容特征的喜好程度及权重，这样也不能准确地反映用户的兴趣变化。

同样，如果仅根据用户观看一个特定节目的时间长度与该节目的总长度的比值来修正用户档案中用户对该特定节目中各个内容特征的喜好程度及权重，也不是非常准确。如一个特定节目的预定播放总时间长度本来就不是很长，用户试看时间就占了总时间的中的大部分或者全部后，才发现自己根本就不喜欢该节目，利用上述的观看的总时间长度与该节目总长度的比值来修正用户对该特定节目中各个内容特征的喜好程度及权重，就不能非常准确反应用户对所述内容特征的兴趣变化。

再如，用户仅仅是因为无聊(陪朋友观看，或别人观看等)而观看一个特定节目，单单因此而象正常情况一样去修正用户对该特定节目各个内容特征的喜好程度及权重，也不能准确反应用户的真正兴趣变化。

综上所述，目前仅以用户观看一个特定节目、观看时间长度或不观看一个特定节目的举止为依据来修正用户档案中用户对所述特定节目中的各个内容特征的喜好程度及权重，不能非常全面、准确地反映用户的真正兴趣变化。

因此，需要提供一种更新用户档案的方法、装置及其相应的信息推荐***，以更加全面、准确地修正用户档案。

发明内容

本发明的目的之一是为了更加全面、准确地修正用户档案，而提供的一种更新用户档案的方法、装置及其相应的信息推荐***。

本发明所述的更新用户档案的方法，该用户档案包含一个用户对至少一个内容特征的喜好程度，该方法包括步骤：(a).监测该用户的行为，该行为针对一个在播放中的节目；(b).根据该用户行为，获得该用户对该节目的兴趣度，该兴趣度针对该节目所预设定的内容特征；(c).根据所述用户档案中对应的内容特征的喜好程度，对该兴趣度进行相应地调整；和(d).根据调整后的针对该节目所预设定的内容特征的兴趣度，修正所述用户档案中对应的内容特征的喜好程度。

所述用户档案包含用户对所述至少一个内容特征的权重，所述的方法还包括步骤：根据调整后的针对该节目所预设定的内容特征的兴趣度，修正所述用户档案对应的内容特征的权重。

本发明的一个实施例是，如果所述用户案档中对应的内容特征的喜好程度表明用户对该内容特征不感兴趣，则调整所述的兴趣度，以减小该兴趣度对所述用户档案的影响。

本发明的另一个实施例是，如果所述的喜好程度表明用户对该内容特征感兴趣，则调整所述的兴趣度，以增大该兴趣度对所述用户档案的影响。

本发明所述的更新用户档案的方法之一，是在根据用户观看一个特定节目的时间长度与该节目预定播放的总时间长度比值来获得用户对该节目的兴趣度后，又将该兴趣度与用户档案中用户对该节目中各内容特征的喜好程度或其它历史记录(如观看所述包含一个或多个内容特征的特定节目的次数或删除次数等)进行比较，并根据比较结果来对所述兴趣度进行调整，从而更准确地获得用户的兴趣度。

例如，如果原来用户档案中对一个内容特征的喜好程度很小或观看的次数很少，则减少所述兴趣度对所述喜好程度的影响；如果原来用户档案中对一个内容特征的喜好程度很大或观看的次数很多，则可以不减少(也可以相对前述喜好程度很小的情况，小范围地减少)、甚至加大所述兴趣度对所述喜好程度的影响。

因此，使用本发明所述的方法来修正用户档案，减少了在一些特定场景下，如用户不经意或换台而观看了某个节目、或者陪朋友观看某个节目等，按正常情况去修正用户档案的可能性，从而更准确地根据用户兴趣变化来更新用户档案。

本发明所述的更新用户档案的装置，该用户档案包含一个用户对至少一个内容特征的喜好程度，该装置包括一个用户交互装置、一个兴趣变化分析装置、一个兴趣变化调整装置及一个用户档案修正装置。其中该用户交互装置用于监测该用户的行为，该行为针对一个在播放中的节目。该兴趣变化分析装置根据该用户行为，获得该用户对该节目的兴趣度，该兴趣度针对该节目所预设定的内容特征。该兴趣变化调整装置用于根据所述用户档案中对应的内容特征的喜好程度，对该兴趣度进行相应地调整。该用户档案修正装置用于根据调整后的针对该节目所预设定的内容特征的兴趣度，修正所述用户档案中对应的内容特征的喜好程度。

其中所述用户档案包含用户对所述至少一个内容特征的权重，其中所述的用户档案修正装置还用于根据调整后的针对该节目所预设定的内容特征的兴趣度，来修正所述用户档案对应的内容特征的类型权重。

本发明的一个实施例是，该兴趣变化调整装置还用来获取所述用户档案中对应的内容特征的喜好程度，如果该喜好程度表明用户对该内容特征不感兴趣，则调整所述的兴趣度，以减小该兴趣度对所述用户档案的影响。

本发明的另一个实施例是，该兴趣变化调整装置还用于获取所述用户档案中对应的内容特征的喜好程度，如果所述的喜好程度表明用户对该内容特征感兴趣，则调整所述的兴趣度，以增大该兴趣度对所述用户档案的影响。

因此，使用本发明所述的装置来修正用户档案，减少了在一些特定场景下，如用户不经意或换台而观看了某个节目、或者陪朋友观看某个节目等，按正常情况去修正用户档案的可能性，从而更准确地根据用户兴趣变化来更新用户档案。

本发明所述的信息推荐***包括一个节目接收装置、一个用户档案管理装置、一个筛选装置、一个用户交互装置、一个兴趣变化分析装置、一个兴趣变化调整装置及一个用户档案修正装置。其中该节目接收装置用来接收节目信息。该用户档案管理装置用于储存用户档案，该用户档案包含一个用户对至少一个内容特征的喜好程度。该筛选装置用于根据所述的用户档案从所述节目信息中选出用户可能喜好的节目信息，以推荐该选出的节目信息给用户。该用户交互装置用于监测该用户的行为，该行为针对所推荐的节目信息。该兴趣变化分析装置用于根据该用户行为，获得该用户对该节目的兴趣度，该兴趣度针对该节目所预设定的内容特征。该兴趣变化调整装置用于根据所述用户档案中对应的内容特征的喜好程度，对该兴趣度进行相应地调整。该用户档案修正装置，用于根据调整后的针对该节目所预设定的内容特征的兴趣度，修正所述用户档案中对应的内容特征的喜好程度。

本发明所述的更新用户档案的方法、装置及其相应的信息推荐***，结合用户观看一个特定节目的举止及原用户档案中用户对该特定节目中各内容特征的喜好程度及权重，来修正用户对所述的各个内容特征的喜好程度及权重，从而更全面、准确地跟踪用户的兴趣变化，修正用户对内容特征的喜好程度及权重。

本发明也减少了在一些特定场景下，如用户不经意或换台而观看了某个节目、或者陪朋友观看某个节目等，按正常情况去修正用户档案的可能性，从而更准确地根据用户兴趣变化来更新用户档案。

通过参照结合附图所进行的如下描述和权利要求，本发明的其它目的和成就将是显而易见的，并对本发明也会有更为全面的理解。

附图说明

本发明通过实例的方式，参照附图进行详尽的解释，其中：

图1是根据本发明一个实施例的一个信息推荐***的结构示意图；

图2是根据本发明一个实施例的一个更新用户档案方法的流程图；

图3是根据本发明一个实施例的一个更新用户档案的另一流程图；

图4是图3中输入变量e1的模糊集曲线图；

图5是图3中输入变量e2的模糊集曲线图；

图6是图3中输出变量α_ij的模糊集曲线图。

在所有的附图中，相同的参照数字表示相似的或相同的特征和功能。

具体实施方式

图1是根据本发明一个实施例的一个信息推荐***的结构示意图。

该***100包括用户交互装置103、兴趣变化分析装置104、兴趣变化调整装置105及一个用户档案修正装置106。其中所述用户档案包含一个用户对至少一个内容特征的喜好程度及权重。

其中所述内容特征是指节目中包含的各个演员名字(范冰冰、葛优等)、节目类型(文艺片、爱情片、恐怖片等)、导演(张艺谋、冯小刚等)等。这些内容特征可以来自广播、电视或者互联网络等任何信息源，最具代表性的就是通过数字电视电子节目指南(EPG)随节目一起发送给用户。

用户档案中的内容特征可以只是一个，如只有某个演员。当然，用户档案中的内容特征也可以有多个，此时，相应的推荐结果就会更精确。

所述的喜好程度是指用户对各个内容特征的感觉，可通过供应商预设定一个数值范围，如[-50，+50]。

所述的权重是指用户在选择节目时，各种不同类型的内容特征，如，演员、导演、节目类型等，对其选择结果的影响。也可以说用户在选择自己喜欢的节目时，通常是以什么为标准的，即根据演员、节目类型还是导演等来选择其喜欢的节目。其中所有演员的权重可以是一样的，所有节目类型的权重可以是一样的，所有导演的权重也可以是一样的。所述的权重也可通过供应商来预设定一个数值范围，如[0，100]。

所述的用户档案中的权重及喜好程度，可以说是用户观看节目的历史记录，用户观看节目时，还可有其它的历史记录信息，如用户观看一个包含特定内容特征的节目的次数及删除次数等。

该用户交互装置103用于监测一个用户的行为，该行为针对一个在播放中的节目。该用户交互装置103作为用户与推荐***交互的桥梁，可接收用户对其所观看节目的反馈信息，也可呈现推荐信息列表给用户以供用户选择需要观看的节目。该反馈信息包括用户的行为。

所述的推荐信息列表可用如下列表格1来表示：

表格1

频道	播放时间	片名	可能的兴趣度
				湖南卫视	9月18日15:30	空镜子	60(很有兴趣)
中央一台	9月18日19:30	实话实说	45(有兴趣)
				中央六台	9月18日21:30	卡拉是条狗	20(比较有兴趣)

该兴趣变化分析装置104用于根据上述的用户行为，获得该用户对所述节目的兴趣度，该兴趣度针对该节目所预设定的内容特征。

所述的兴趣度可表示为：

其中WD_i表示用户观看一个特定节目的时间长度，θ表示一个预设阈值，可以由供应商预提供，一般可以为0.5RD_i，RD_i表示该特定节目的预定播放的总时间长度。

该兴趣变化调整装置105用于根据所述用户档案中对应的内容特征的喜好程度，对该兴趣度进行相应地调整。可用一个不同的系数来对该兴趣度进行调整，该系数的大小范围可由供应商预设定，如[0.1，1]。

例如：对于一个用户原来就很喜欢(喜好程度高)的内容特征，可用系数值为0.9或1来乘所述的兴趣度；对于一个用户原来就不喜欢的内容特征(喜好程度低)，可用系数值为0.1等较小的系数来乘所述的兴趣度，以减少兴趣度对喜好程度的影响，因为很有可能是用户陪朋友观看了所述的内容特征或其它原因而观看了所述的内容特征。

当然，如果用户档案中用户对一个特定内容特征的喜好程度较高，也可以增大所述兴趣度对用户档案的影响，即所述的调整系数的大小范围不限于上述的[0.1，1]，也可以大于1。

该用户档案修正装置106用于根据调整后的针对该节目所预设定的内容特征的兴趣度，修正所述用户档案中对应的内容特征的喜好程度及权重，从而实现更准确地动态更新用户档案。

该***还包括一个节目接收装置101、一个筛选装置102及一个用户档案管理装置107。

该节目接收装置101用来接收节目信息及与节目相对应的数字电视电子节目指南(EPG)等。

该筛选装置102用于根据所接收的节目信息及用户档案来筛选出用户可能喜好的节目，以将用户可能喜好的节目信息列出在所述的推荐信息列表中。

该用户档案管理装置107用来管理用户档案。所述用户档案通常包含一个用户对多个内容特征的喜好程度及权重。

图2是根据本发明一个实施例的一个更新用户档案方法的流程示意图。

第一步，建立一个用户档案，该用户档案包含一个用户对多个内容特征的喜好程度及权重(步骤S210)。

其中所述的内容特征是指节目中包含的各个演员名字(范冰冰、葛优等)、节目类型(文艺片、爱情片、恐怖片等)、导演(张艺谋、冯小刚等)等，这些内容特征可以来自广播、电视或者互联网络等任何信息源，最具代表性的就是通过数字电视电子节目指南(EPG)随节目一起发送给用户。

用户档案中的内容特征可以只是一个，如只有某个演员。当然，用户档案中的内容特征也可以有多个，此时，相应的推荐结果就会更精确。

所述的喜好程度是指用户对各个内容特征的感觉，可通过供应商预设定一个数值范围，如[-50，+50]。

所述的权重是指用户在选择节目时，各种不同类型的内容特征，如，演员、导演、节目类型等，对其选择结果的影响。也可以说用户在选择自己喜欢的节目时，通常是以什么为标准的，即根据演员、节目类型还是导演等来选择其喜欢的节目。其中所有演员的权重可以是一样的，所有节目类型的权重可以是一样的，所有导演的权重也可以是一样的。所述的权重也可通过供应商来预设定一个数值范围，如[0，100]。

所述的用户档案中的权重及喜好程度，可以说是用户观看节目的历史记录，用户观看节目时，还可有其它的历史记录信息，如用户观看包含一个特定内容特征的节目的次数及删除次数等。

所述的用户档案可以由用户自己填写并进行初始化。当然，这并不是唯一的方式，也可以通过其它途径获得用户档案，如由生产厂商对所述的推荐***根据用户基本信息(如性别，年龄)进行用户档案初始化。

在上述用户档案中，包含一系列的内容特征。每个内容特征包括一个三元数组(内容特征term，喜爱程度Like-Degree，权重Weight)。这样，该用户档案(User Profile，简称UP)可以表示为一个三元数组的矢量(t，ld，w)，如果在用户档案中有m个不同的内容特征，它可以用以下这个矢量数组来表示：

        UP＝((t₁，ld₁，w₁)，(t₂，ld₂，w₂)，…(t_i，ld_i，w_i)…，t_m，ld_m，w_m))(1)

这里t_i是一个内容特征，i是内容特征t_i的序号，ld_i是对于该内容特征t_i的喜爱程度，w_i是内容特征t_i的权重。

假设当前历史记录中的一个用户档案，是这样的：

节目类型：    weight＝90

电影          like-degree＝50

戏曲          like-degree＝30

新闻          like-degree＝-20，其中负数表示不喜欢程度，

则，上述节目类型中内容特征的用户兴趣三元数组为(电影，50，90)；

演员：        weight＝80

甲            like-degree＝45

乙            like-degree＝40

丙            like-degree＝-12.5；

则，用户对上述演员中丙的用户兴趣三元数组为(丙，-12.5，80)；

用户对上述演员中甲的用户兴趣三元数组为(甲，45，80)

……

第二步，监测一个用户行为，该行为针对一个在播放中的节目(步骤S220)。所述用户的行为包括用户观看所述播放中的节目的时间长度，该节目包含一个或多个预设定的特定内容特征，以及用户观看包含所述特定内容特征的节目的次数及删除次数等。所述在播放中的节目可以是用户从推荐信息列表中选出来观看的节目。

例如，所述的在播放中的节目为电影A，该电影A为一个预设定的内容特征，该节目中还包括其它一个或多个内容特征，如演员甲及演员丙等。这些内容特征可以由节目供应商预设定并可通过数字电视电子节目指南(EPG)随节目一起发送给用户。

第三步，根据该用户行为，获得该用户对该节目的兴趣度，该兴趣度针对该节目所预设定的内容特征(步骤S230)。通常是根据所述用户行为中的观看所述节目的时间长度、所述节目预定播放的总时间长度及一个预设阈值来获得的。

所述的兴趣度可表示为：

其中WD_i表示用户观看所述节目的时间长度，θ是一个预设阈值，RD_i表示该特定节目的预定播放的总时间长度。其中该预设值可由供应商预设定，例如，如果RD_i为2个小时，可设θ为0.5个小时，如果WD_i小于0.5个小时，则置兴趣度为0。

例如所述节目-----电影A，设其预定播放总时间长度为2个小时，θ值为0.5个小时，用户观看了1.5个小时。由式子

可得出用户对该节目的兴趣度为5。也可以说用户对该节目中各个内容特征的兴趣全部为5，即用户对电影A、演员甲及演员丙等的兴趣度均为5。

第四步，获取所述用户档案中对应内容特征的喜好程度(步骤S240)。其中所述对应的内容特征与所述节目中的内容特征对应，该对应的内容特征用户档案中已经有一个喜好程度。

当然，也可以获取所述用户档案中对应内容特征的权重，该对应的内容特征在用户档案中已经有一个相应的权重。

节目中的某些内容特征也有可能在用户档案中没有对应的内容特征，则设所述的某些内容特征的喜好程度为0，权重则与相应的类型一样，即演员就用用户档案中演员的权重，节目类型就用用户档案中节目类型的权重。

例如，所述电影A各个内容特征中的演员甲及演员丙分别与上述用户档案中的内容特征演员甲及演员丙对应。在上述用户档案中的演员甲的喜好程度为45，权重为80；在上述用户档案中的演员丙的喜好程度为-12.5，权重相同且为80。

第五步，根据所述用户档案中对应的内容特征的喜好程度，对该兴趣度进行调整(步骤S250)。

可通过一个系数来对上述的兴趣度进行调整，该系数可以为一个等于1或小于1的正小数，其大小范围可以由供应商预设定，如[0.1，1]；也可以通过结合用户喜好程度及其它历史记录信息来动态地获得，例如，可以结合用户档案中喜好程度与用户观看所述内容特征的次数与删除次数的比值为输入变量，利用用模糊推理的方式来动态地得出上述的系数(具体过程，请参后述图3的介绍)。

仍以上述的电影A为例，对于其中的内容特征演员甲，其所对应的用户档案中的喜好程度为45，可见用户原来就很喜欢该内容特征演员甲或者说对内容特征演员甲很感兴趣，此时，可用一个较大的系数来调整所述的兴趣度5，如该系数为0.9，经调整后用户对内容特征演员甲的兴趣度变成4.5。调整程度很小，很小程度上减小了所述兴趣度对用户档案的影响。

而对于其中的内容特征演员丙，其所对应的用户档案中的喜好程度为-12.5，可见用户原来不是很喜欢该内容特征演员丙或者说用户对内容特征演员丙不感兴趣，此时，可用一个较小的系数来调整所述的兴趣度5，如该系数为0.3，经调整后用户对内容特征演员丙的兴趣度变成1.5。调整程度较大，很大程度上减小了所述兴趣度对用户档案的影响。

当然，如果用户档案中用户对一个特定内容特征的喜好程度较高，也可以增大所述兴趣度对用户档案的影响，即所述的调整系数的大小范围不限于上述的[0.1，1]，也可以大于1。

上述调整后的兴趣度将用于修正相应的喜好程度及权重，故可在调整用来修正喜好程度的兴趣度时，用一个喜好程度调整系数；在调整用来修正权重的兴趣度时，用一个权重调整系数，这两个系数相互关联，比如说权重调整系数受喜好程度调整系数影响，两者成正比关系等。当然，也可以用一样的调整系数来同时调整权重及喜好程度。

所述各个内容特征所对应的用户档案中内容特征的喜好程度可以不一样，使得各个内容特征所对应的喜好程度调整系数或权重调整系数可能不同，从而导致所述节目中的各个内容特征所对应的调整后的兴趣度可能不同。如，所述内容特征演员甲的调整后的兴趣度与内容特征演员丙的调整后的兴趣度就不同。

第六步，根据调整后的针对该节目所预设定的内容特征的兴趣度，修正所述用户档案中对应的内容特征的喜好程度及权重(步骤S260)，从而实现较准确地动态修正用户档案。

上述的修正所述用户档案中对应的内容特征的喜好程度及权重，可通过如下公式来进行：

${\mathrm{Weight}}_{\mathrm{ti}}^{\′}={\mathrm{Weight}}_{\mathrm{ti}}+{\mathrm{\α}}_t\·\frac{(W{D}_i-\mathrm{\θ})}{R{D}_i}...\left(2\right)$

${\mathrm{Like}\_\mathrm{degree}}_i^{\′}={\mathrm{Like}\_\mathrm{degree}}_i+{\mathrm{\β}}_i\·\frac{({\mathrm{WD}}_i-\mathrm{\θ})}{R{D}_i}...\left(3\right)$

这里，t(Term)表示内容特征，i表示内容特征的一个序号，即内容特征i，Weight_ti表示内容特征i的初始权重，Like_degree_i表示用户对内容特征i的初始喜好程度。Weight′_ti表示变化后的内容特征i的权重，Like_degree′_i表示变化后的用户喜好程度。WD_i是所述用户实际观看包括内容特征i的所述节目的时间长度，RD_i是所述节目本身预定的播放总时间长度，θ所述的预设阈值，故θ。

α_t及β_i分别为权重调节系数及喜好程度调节系数，其中β_i与α_t成互相关联，如正比关系或其它关系等。α_t及β_i分别用来调整内容特征i所属类型权重的兴趣度

及用户对内容特征i喜好程度中的兴趣度

α_t及β_i通常用于延缓权重以及喜爱程度的变化，它们小于或等于1(也可以大于1)，且由于用户喜好的权重相对稳定，故α_t≤β_i。

在运算过程中，

如果Weight′_i大于100，令Weight′_i＝100；

如果Weight′_i小于0，令Weight′_i＝0；

如果Like_degree′_i大于50，令Like_degree′_i＝50；

如果Like_degree′_i小于-50，令Like_degree′_i＝-50。

以下还是用上述的电影A为例加以说明：

用户对于演员甲的喜好程度及权重的修正可表示为：

假设α_t＝0.1β_i；其中β_i还是前述的0.9，则α_t为0.09；这里的i表示内容特征演员甲；

${\mathrm{Like}\_\mathrm{degree}}_i^{\′}={\mathrm{Like}\_\mathrm{degree}}_i+{\mathrm{\β}}_i\·\frac{({\mathrm{WD}}_i-\mathrm{\θ})}{R{D}_i}=45+0.9*5=49.5;$

${\mathrm{Weight}}_{\mathrm{ti}}^{\′}={\mathrm{Weight}}_{\mathrm{ti}}+{\mathrm{\α}}_t\·\frac{(W{D}_i-\mathrm{\θ})}{R{D}_i}=80+0.09*5=80.45.$

用户对于演员丙的喜好程度及权重的修正可表示为：

α_t＝0.3β_i，其中β_i还是前述的0.3，则α_t为0.09；这里的i表示内容特征演员丙；

${\mathrm{Like}\_\mathrm{degree}}_i^{\′}={\mathrm{Like}\_\mathrm{degree}}_i+{\mathrm{\β}}_i\·\frac{({\mathrm{WD}}_i-\mathrm{\θ})}{R{D}_i}=-12.5+0.3*5=-11;$

${\mathrm{Weight}}_{\mathrm{ti}}^{\′}={\mathrm{Weight}}_{\mathrm{ti}}+{\mathrm{\α}}_t\·\frac{(W{D}_i-\mathrm{\θ})}{R{D}_i}=80+0.09*5=80.45.$

对于演员甲和演员丙都属于演员类型，所以修正后的权重也是一样的，均为80.45。

同种类型(如演员)的权重通常是一样，且权重取决于α_t，亦即取决于调整后的兴趣度。因此，对于同种类型的权重仅计算一次就可以。

本实施例所述的更新用户档案的方法，在利用用户观看一个特定节目的时间长度与该节目预定播放的总时间长度比值来获得用户对该节目的兴趣度后，又将该兴趣度与用户档案中用户对该节目中各内容特征的喜好程度或其它历史记录(如观看所述包含一个或多个内容特征的特定节目的次数或删除次数等)进行比较，并根据比较结果来对所述兴趣度进行调整，从而更准确地获得用户的兴趣度。

例如，如果原来用户档案中对相应内容特征的喜好程度不高或观看的次数很少，则减少所述兴趣度对所述相应内容特征的喜好程度的影响；如果原来用户档案中对相应内容特征的喜好程度高，则不减少所述兴趣度对所述相应内容特征的喜好程度的影响。

因此，使用本实施例所述的方法来修正用户档案，减少了在一些特定场景下，如用户不经意或换台而观看了某个节目、或者陪朋友观看某个节目等，按正常情况去修正用户档案的可能性，从而更准确地根据用户兴趣变化来更新用户档案。

图3是根据本发明一个实施例的一个更新用户档案的另一流程图。

第一步，以用户档案中相应内容特征的喜好程度e2及观看包含所述内容特征的次数与删除次数的比值e1，为输入变量，以权重调整系数α_t的分量α_ij为输出变量，建立一个多输入和单输出的模糊推理变换关系(步骤S310)。即，以用户档案中相应内容特征的喜好程度与其它历史记录信息，本实施例是指观看包含所述内容特征的次数与删除次数，来作为模糊推理的输入变量，以获得输出变量α_ij

其中所述的e1＝Pf_i(+)/Pf_i(-)、e2＝Like-degree_i。

Pf_i(+)/Pf_i(-)来自于对已观看过包括所述内容特征的节目与删除包括所述内容特征的节目次数的统计，具体情况如表格2所示：

表中，Nf_Gi(+)或Nf_Ai(+)者表示对包含内容特征G_i(有关节目类型的内容特征i)或A_j(有关演员的内容特征j)的节目的观看次数，包括当前的一次记录，Nf_Gi(-)或Nf_Aj(-)表示对包含内容特征G_i或A_j的节目的删除次数，包括当前的一次记录，用户每观看一次包含内容特征G_i或A_i的节目，Nf_Gi(+)或Nf_Aj(+)就增加1，用户每删除一次内容特征G_i或A_j，Nf_Gi(-)或Nf_Aj(-)就增加1。

表格2

分类		观看次数	删除次数
				节目类型	内容特征1	NfG1(+)	NfG1(-)
.....	......	......
			内容特征i		NfGi(+)	NfGi(-)
......	......	......
			内容特征m		NfGm(+)	NfGm(-)
演员	内容特征1	NfA1(+)					NfA1(-)
			......	......	......
	内容特征j	NfAj(+)				NfAj(-)
			......	......	......
	内容特征l	NfAl(+)				NfAl(-)

通过令Pf_i(+)＝Nf_i(+)/Nf(+)及Pf_i(-)＝Nf_i(-)/Nf(-)，来获得比值Pf_i(+)/Pf_i(-)。

Nf(+)表示观看包括所有内容特征的节目的次数，Nf(-)表示删除包括所有内容特征节目的次数。即，Nf(+)＝∑Nf_i(+)，Nf(-)＝∑Nf_i(-)。

第二步，通过模糊推理，以得出所述权重调整系数分量的模糊值(步骤S320)。

在上述模糊推理的过程中，假设将节目分成n个时间片段，则该α_ji表示内容特征i在一个节目中第j个时间片段时所对应的权重调整系数的分量。

通过上述的多输入及单输出的变量关系，利用模糊推理得出权重调整系数分量α_ji的模糊值。本实施例中，通过模糊化e1及e2来求得α_ji的模糊值。

具体推理过程，下面结合图4、图5及图6加以说明。其中图4表示输入变量e1的模糊曲线图，图5表示输入变量e2的模糊曲线图，图6表示根据输入变量e1及e2，进行模糊推理而得出的输出变量α_ji的模糊曲线图。用户新旧兴趣(用户兴趣的变化)的一致性程度反映了用户兴趣度需要调整的程度，如果新旧兴趣一致性低，则需要做大量调整，因此α_ji较小，否则α_ji较大。由此，可得出具体的模糊推理规则如下所示：

I.如果e1是“大”，并且e2是“喜欢”，那么α_ji是“大”；

II.如果e1是“大”，并且e2是“一般”的，那么α_ji是“较大”；

III.如果e1是“大”，并且e2是“不喜欢”，那么α_ji是“中等”；

IV.如果e1是“中等”，并且e2是“喜欢”，那么α_ji是“较大”；

V.如果e1是“中等”，并且e2也是“一般”，那么α_ji是“中等”；

VI.如果e1是“中等”，并且e2是“不喜欢”，那么α_ji是“较小”；

VII.如果e1是“小”，并且e2是“喜欢”，那么α_ji是“中等”；

VIII.如果e1是“小”，并且e2是“一般”，那么α_ji是“较小”；

IX.如果e1是“小”，并且e2是“不喜欢”，那么α_ji是“小”；

其中图4及图5中的μ值表示e1、e2的隶属度，图6中的隶属度μ是根据图4及图5中的e1及e2的的隶属度来获得的。

第三步，获得权重调整系数的分量的明确值(步骤S330)。即，将上述权重调整系数分量α_ji的模糊值，去模糊化后得到调整以重系数分量α_ji的明确值。

为了最终结果便于理解，模糊推理的结果必须转换成清晰量。最常见的去模糊算法是面积重心法和最大平均值法。前者是将所有激励输出的规则进行合成作为结果，适用于平滑控制，是过程控制常用的方法。

本实施例采用面积重心去模糊算法，该算法如公式(4)所示。

${\mathrm{\α}}_{\mathrm{ji}}=\underset{l=1}{\overset{p}{\mathrm{\Σ}}}\mathrm{\μ}\left[l\right],y_l/\underset{l=1}{\overset{p}{\mathrm{\Σ}}}\mathrm{\μ}\left[l\right]...\left(4\right)$

这里，μ[l]：表示从第l个规则推断出输出面积的高度；

yl：表示从第l个规则推断出输出面积的重心的横坐标；

p：表示满足推断规则的数量。

利用上述公式，可以得到α_ji的明确值，具体过程可以参考中国专利申请第200310123354.7号。

第四步，获得权重调整系数(步骤S340)。该步骤包括如下两个过程：

A、取权重调整系数分量α_ji的明确值的平均值，以得出α_tj)，其中α_tj表示一个属于t类型(如演员、导演、节目类型等)的所有内容特征所对应α_ji的平均值，即t类型在每一个时间片段时的权重调整系数α_tj。该步骤可由如下公式来实现：

${\mathrm{\α}}_{\mathrm{tj}}=\frac{{\mathrm{\α}}_{\mathrm{tj}1}+\·\·\·{\mathrm{\α}}_{\mathrm{tji}}+\·\·\·+{\mathrm{\α}}_{\mathrm{tjm}}}{m}...\left(5\right)$

其中，上述的m表示第t类特征中有m个内容特征。

B、基于所获得的平均值，获得权重调整系数。该H类信息的权重调整数α_t可通过如下公式来获得：

${\mathrm{\α}}_t=\frac{{\mathrm{\α}}_{t1}+\·\·\·+\frac{1}{j}{\mathrm{\α}}_{\mathrm{ij}}+\·\·\·+\frac{1}{n}{\mathrm{\α}}_{\mathrm{tn}}}{1+\·\·\·+\frac{1}{j}+\·\·\·+\frac{1}{n}}...\left(6\right)$

其中，n表示时间片段的数量。

第五步，获得喜好程度调整系数(步骤S350)。

基于所获得的权重调整系数分量的明确值，得出喜好程度调整系数。该喜好程度调整系数β_i可通过如下公式来获得：

${\mathrm{\β}}_i=\frac{{\mathrm{\α}}_{1i}+\·\·\·+\frac{1}{j}{\mathrm{\α}}_{\mathrm{ji}}+\·\·\·+\frac{1}{n}{\mathrm{\α}}_{\mathrm{ni}}}{1+\·\·\·+\frac{1}{j}+\·\·\·+\frac{1}{n}}...\left(7\right)$

其中，n表示时间片段的数量，i表示内容特征i。

第六步，根据所述权重调整系数α_t及喜好程度调整系数β_i，对该兴趣度进行相应的调整(步骤S360)。

第七步，根据调整后的针对该节目所预设定的内容特征的兴趣度，修正所述用户档案中对应的内容特征的喜好程度及权重(步骤S370)。

虽然经过对本发明结合具体实施例进行描述，对于在本技术领域熟练的人士，根据上文的叙述作出的许多替代、修改和变化将是显而易见的。因此，当这样的替代、修改和变化落入附后的权利要求的精神和范围内时，应该被包括在本发明中。

Claims (14)

1.一种更新用户档案的方法，该用户档案包含一个用户对至少一个内容特征的喜好程度，包括步骤：

(a).监测该用户的行为，该行为针对一个在播放中的节目；

(b).根据该用户行为，获得该用户对该节目的兴趣度，该兴趣度针对该节目所预设定的内容特征；

(c).根据所述用户档案中对应的内容特征的喜好程度，对该兴趣度进行相应地调整；和

(d).根据调整后的针对该节目所预设定的内容特征的兴趣度，修正所述用户档案中对应的内容特征的喜好程度。

2.如权利要求1所述的方法，其中所述用户档案包含用户对所述至少一个内容特征的权重，所述的方法还包括步骤：根据调整后的针对该节目所预设定的内容特征的兴趣度，修正所述用户档案对应的内容特征的权重。

3.如权利要求1所述的方法，其中步骤(c)中还包括步骤：

(i)获取所述用户档案中对应的内容特征的喜好程度，

(ii)如果该喜好程度表明用户对该内容特征不感兴趣，则调整所述的兴趣度，以减小该兴趣度对所述用户档案的影响。

4.如权利要求3所述的方法，其中步骤(ii)中包括步骤：通过乘一个小于1的系数来调整所述的兴趣度，以减小所述用户兴趣度对所述用户档案的影响。

5.如权利要求1所述的方法，其中步骤(c)中还包括步骤：

获取所述用户档案中对应的内容特征的喜好程度，

如果所述的喜好程度表明用户对该内容特征感兴趣，则调整所述的兴趣度，以增大该兴趣度对所述用户档案的影响。

6.如权利要求1所述的方法，其中步骤(c)中还包括步骤：

获取所述用户档案中对应的内容特征的喜好程度，

根据该喜好程度，利用模糊推理的方式来调整所述的兴趣度。

7.如权利要求1所述的方法，其中所述的用户行为包括用户观看所述节目的时间长度。

8.一种更新用户档案的装置，该用户档案包含一个用户对至少一个内容特征的喜好程度，该装置包括：

一个用户交互装置，用于监测该用户的行为，该行为针对一个在播放中的节目；

一个兴趣变化分析装置，用于根据该用户行为，获得该用户对该节目的兴趣度，该兴趣度针对该节目所预设定的内容特征；

一个兴趣变化调整装置，用于根据所述用户档案中对应的内容特征的喜好程度，对该兴趣度进行相应地调整；和

一个用户档案修正装置，用于根据调整后的针对该节目所预设定的内容特征的兴趣度，修正所述用户档案中对应的内容特征的喜好程度。

9.如权利要求8所述的装置，其中所述用户档案包含用户对所述多个内容特征的权重，所述的用户档案修正装置还用于根据调整后的针对该节目所预设定的内容特征的兴趣度，来修正所述用户档案对应的内容特征的权重。

10.如权利要求8所述的装置，其中兴趣变化调整装置还用来获取所述用户档案中对应的内容特征的喜好程度，如果该喜好程度表明用户对该内容特征不感兴趣，则调整所述的兴趣度，以减小该兴趣度对所述用户档案的影响。

11.如权利要求8所述的装置，其中所述的兴趣变化调整装置还用于获取所述用户档案中对应的内容特征的喜好程度，如果所述的喜好程度表明用户对该内容特征感兴趣，则调整所述的兴趣度，以增大该兴趣度对所述用户档案的影响。

12.如权利要求8所述的装置，其中所述的兴趣变化调整装置还用来获取所述用户档案中对应的内容特征的喜好程度，根据该喜好程度，利用模糊推理的方式来调整所述的兴趣度。

13.如权利要求8所述的装置，其中所述的用户行为包括用户观看所述节目的时间长度。

14.一种信息推荐***，包括：

一个节目接收装置，用来接收节目信息；

一个用户档案管理装置，用于储存用户档案，该用户档案包含一个用户对至少一个内容特征的喜好程度；

一个筛选装置，用于根据所述的用户档案从所述节目信息中选出用户可能喜好的节目信息，以推荐该选出的节目信息给用户；

一个用户交互装置，用于监测该用户的行为，该行为针对所推荐的节目信息；

一个兴趣变化分析装置，用于根据该用户行为，获得该用户对该节目的兴趣度，该兴趣度针对该节目所预设定的内容特征；

一个兴趣变化调整装置，用于根据所述用户档案中对应的内容特征的喜好程度，对该兴趣度进行相应地调整；和

一个用户档案修正装置，用于根据调整后的针对该节目所预设定的内容特征的兴趣度，修正所述用户档案中对应的内容特征的喜好程度。

Images