CN101431694A - 一种基于贝叶斯算法的数字电视节目推荐方法和*** - Google Patents

Abstract

本发明涉及电视节目推荐，针对现有电视节目推荐方法只统计用户的收视行为而忽略电视台的播放行为致使推荐结果不够精确缺陷，提供一种基于贝叶斯算法的数字电视节目推荐方法和***。方法包括采集用户收视记录；分析用户收视记录，得到用户收视行为参量；该方法还包括：依据收视行为参量，得到电视台播放行为参量；基于贝叶斯算法，通过收视行为参量和播放行为参量预测用户对待播电视节目的收看概率，据此向用户推荐电视节目。本发明还提供了一种与上述方法相对应的推荐***。由于预测用户收看特定节目的概率时结合使用用户收视行为参量和电视台的播放行为参量，因此本电视节目推荐方案所得到的推荐结果更为精确，更能反映用户真实的收视喜好。

Description

一种基于贝叶斯算法的数字电视节目推荐方法和***

技术领域

本发明涉及电视节目推荐技术，更具体地说，涉及一种基于贝叶斯算法的数字电视节目推荐方法和***。

背景技术

当今世界正处在数字化浪潮之中，广播电视也是如此。欧美主要发达国家都将广播电视全面数字化的时间定在2010年前后，我国也计划于2015年全面实现数字化。2006年底，中国数字电视用户已经达到1200万户，并且，根据赛迪顾问的预测，到2007年，全球数字电视用户将达到6.3亿户。

电视数字化带来的变革之一就是电视节目的极大丰富。按照当前MPEG2的视频编码方式，有线电视***将能够传输500套标准清晰度的数字电视节目。如果使用H.264等先进的编码格式，传输的数字电视节目将达到1500套，在此趋势下，一方面电视用户在很高兴地面对日益丰富多彩的电视节目，而另一方面他们又在为如何在如此众多的电视节目中挑选他们感兴趣的内容而发愁，电视用户将面临与互联网用户类似的“信息过载”问题。传统的印制电视节目清单和频道冲浪方式此时已经不能对他们提供帮助。因为对于500个频道，如果10个频道1天的节目清单印制在一页纸上，那么全部500个频道一个星期的电视节目清单将是一本350页的厚书，面对这样一本书，用户很难有耐心来阅读和查找他所需要的节目；另外，如果每个频道浏览10秒钟，用户采用频道冲浪方法浏览完全部500个频道的内容将耗时82.5分钟，这样的时间用户是难以接受的。目前的电子节目指南采用基于频道或类别(例如体育、财经、电影等)的方式显示节目清单，此种方式虽然能够部分解决上述问题，但仍然没有彻底解决问题。

要彻底的解决电视信息“过载”的问题，就需要研究用户的收视行为，判断用户的收视喜好以及其他爱好，根据用户的兴趣、爱好和规律自动地向用户推荐电视节目和服务。

现有技术多采用如下方法来实现电视节目的自动推荐。首先，从用户收视记录中提取收视行为参量，用于表征用户的收视喜好。随后，为电视节目定义节目特征，用于表征节目的各个属性。为实现节目特征与用户收视喜好的自动匹配，需使用相同的分量来描述收视行为参量和节目特征，例如，这些分量可以是播放时段、所在频道等。在得到使用相同分量来描述的收视行为分量和节目特征之后，便可通过比较即将播放电视节目的节目特征和用户收视行为参量之间的相似度，来将电视节目与用户喜好进行匹配，继而向用户推荐其喜爱的电视节目，即节目特征与用户的收视行为参量之间相似度较高的节目。

然而，由上文所述不难看出，现有的电视节目推荐方案只统计用户的收视行为参量，而忽略了电视台的播放行为参量，即所播放的各类节目中每类节目所占的比例。这样一来，匹配得到的推荐结果显然无法精确地反映用户真实的收视喜好。例如收视记录显示用户在最近一个月内共收看了130个电视节目，其中新闻类节目50个、电视剧类节目40、体育类节目20、休闲娱乐类节目20。而电视台在同期内一共播放了10000个电视节目，其中新闻类节目5000个、电视剧类节目3000个、体育类节目300个、休闲娱乐类节目1700个。如果依照现有的节目推荐方法，新闻类节目无疑是最受该用户喜爱的，其次是电视剧类节目，最后是体育类节目和休闲娱乐类节目，且二者的喜爱程度相等。而如果依照各类节目的播放/收视率来看，则体育类节目无疑最受欢迎，其次是电视剧类节目、再次是娱乐类节目，最后才是新闻类节目。由此不难看出，电视台的播放行为会对推荐结果产生较大的影响，而现有技术忽略了播放行为，因此其推荐结果不够精确。

因此，需要一种电视节目推荐方案，能够克服现有技术存在的缺陷。

发明内容

本发明要解决的技术问题在于，针对现有电视节目推荐方法由于只统计用户的收视行为而忽略了电视台的播放行为致使推荐结果不够精确的缺陷，提供一种基于贝叶斯算法的数字电视节目推荐方法和***。

本发明解决其技术问题所采用的技术方案是：

一种基于贝叶斯算法的数字电视节目推荐方法，包括：

S1、采集用户收视记录；

S2、分析用户收视记录，得到收视行为参量；

所述方法还包括：

S3、依据收视行为参量，得到播放行为参量；

S4、基于贝叶斯算法，通过收视行为参量和播放行为参量预测用户对待播电视节目的收看概率，据此向用户推荐电视节目。

在本发明所述的基于贝叶斯算法的数字电视节目推荐方法中，所述收视行为参量包括：

用户收看电视的概率；

用户不收看电视的概率；

用户收看的节目中每类节目的概率；

用户未收看的节目中每类节目的概率。

在本发明所述的基于贝叶斯算法的数字电视节目推荐方法中，所述播放行为参量包括：

每类节目的播放概率。

在本发明所述的基于贝叶斯算法的数字电视节目推荐方法中，设：

每一节目X表示为{x₁f₁，...，x_if_i，...，x_nf_n}，其中f_i(1≤i≤n)代表节目X的各个属性，x_i(1≤i≤n)代表节目X各个属性的权重，n代表节目的属性数量，且n≥1；

C+和C-分别代表收看行为和不收看行为；

将一段时间内电视台播出的电视节目总数表示为k(C+)+k(C-)，其中，k(C+)和k(C-)分别代表所述用户收看电视节目的数量和未收看电视节目的数量；

k(f_i|C+)和k(f_i|C-)分别代表在依据属性f_i对所有电视节目进行分类时，用户收看的节目中每类节目的数量和用户未收看的节目中每类节目的数量；

p(C+)和p(C-)分别代表用户收看电视的概率和用户不收看电视的概率；

p(f_i|C+)和p(f_i|C-)分别代表在依据属性f_i对所有电视节目进行分类时，用户收看的节目中每类节目的概率和用户未收看的电视节目中每类节目的概率；

p(X|C+)和p(X|C-)分别代表在依据属性f₁～f_n对所有电视节目进行分类时，用户收看的节目中每类节目的概率和用户未收看的节目中每类节目的概率；

则在所述S2中，按照如下步骤计算所述收视行为参量：

S21、依据电视台播出的电视节目数量及用户收视记录分别统计

k(C+)、k(C-)、k(f_i|C+)和k(f_i|C-)；

S22、计算：

$p(C+)=\frac{k(C+)}{k(C+)+k(C-)};$

$p(C-)=\frac{k(C-)}{k(C+)+k(C-)};$

$p\left(f_i\right|C+)=\frac{k\left(f_i\right|C+)}{k(C+)};$

$p\left(f_i\right|C-)=\frac{k\left(f_i\right|C-)}{k(C-)};$

$p\left(X\right|C+)=\underset{i=1}{\overset{n}{\mathrm{\Π}}}p{\left(f_i\right|C+)}^{x_i}{(1-p\left(f_i\right|C+))}^{1-x_i};$

$p\left(X\right|C-)=\underset{i=1}{\overset{n}{\mathrm{\Π}}}p{\left(f_i\right|C-)}^{x_i}{(1-p\left(f_i\right|C-))}^{1-x_i}.$

在本发明所述的基于贝叶斯算法的数字电视节目推荐方法中，设：

p(X)代表在依据属性f₁～f_n对所有电视节目进行分类时，每类节目的播放概率；

则在所述S3中，按照如下步骤计算所述播放行为参量：

S31、计算：

p(X)＝p(X|C+)p(C+)+p(X|C-)p(C-)。

在本发明所述的基于贝叶斯算法的数字电视节目推荐方法中，设：

p(C+|X)代表在依据属性f₁～f_n对所有电视节目进行分类时，用户对每类节目的收看概率；

则在所述S4中，按照如下步骤预测每类节目的收看概率：

S41、基于贝叶斯公式计算：

$p(C+|X)=\frac{p\left(X\right|C+)p(C+)}{p\left(X\right)}.$

在本发明所述的基于贝叶斯算法的数字电视节目推荐方法中，每一节目包括下列属性之中的至少一个：

播放时段；

所在频道；

所属大类；

所属小类。

本发明还提供了一种基于贝叶斯算法的数字数字电视节目推荐***，包括：

采集单元，用于采集数字电视终端的收视记录并存储；

收视行为参量提取模块，与采集单元通信链接，用于分析用户收视记录，输出收视行为参量；

还包括：

播放行为参量提取模块，与收视行为参量提取模块通信连接，用于分析收视行为参量，输出播放行为参量；

收看概率提取模块，与收视行为参量提取模块和播放行为参量提取模块通信连接，用于接收收视行为参量和播放行为参量，基于贝叶斯算法输出用户对待播电视节目的收看概率；

推荐模块，与收看概率提取模块通信连接，用于接收各类电视节目的收看概率，据此向用户推荐电视节目。

在本发明所述的基于贝叶斯算法的数字电视节目推荐***中，

所述收视行为参量包括：

用户收看电视的概率；

用户不收看电视的概率；

用户收看的节目中每类节目的概率；

用户未收看的节目中每类节目的概率；

所述播放行为参量包括：

每类节目的播放概率。

在本发明所述的基于贝叶斯算法的数字数字电视节目推荐***中，设：

每一节目X表示为{x₁f₁，...，x_if_i，...，x_nf_n}，其中f_i(1≤i≤n)代表节目X的各个属性，x_i(1≤i≤n)代表节目X各个属性的权重，n代表节目的属性数量，且n≥1；

C+和C-分别代表收看行为和不收看行为；

将一段时间内电视台播出的电视节目总数表示为k(C+)+k(C-)，其中，k(C+)和k(C-)分别代表所述用户收看电视节目的数量和未收看电视节目的数量；

k(f_i|C+)和k(f_i|C-)分别代表在依据属性f_i对所有电视节目进行分类时，用户收看的节目中每类节目的数量和用户未收看的节目中每类节目的数量；

p(C+)和p(C-)分别代表用户收看电视的概率和用户不收看电视的概率；

p(f_i|C+)和p(f_i|C-)分别代表在依据属性f_i对所有电视节目进行分类时，用户收看的节目中每类节目的概率和用户未收看的电视节目中每类节目的概率；

p(X|C+)和p(X|C-)分别代表在依据属性f₁～f_n对所有电视节目进行分类时，用户收看的节目中每类节目的概率和用户未收看的节目中每类节目的概率；

p(X)代表在依据属性f₁～f_n对所有电视节目进行分类时，每类节目的播放概率；

p(C+|X)代表在依据属性f₁～f_n对所有电视节目进行分类时，用户对每类节目的收看概率；

则所述收视行为参量提取模块用于按照如下步骤计算所述收视行为参量：

S1、依据电视台播出的电视节目的数量及用户收视记录分别统计k(C+)、k(C-)、k(f_i|C+)和k(f_i|C-)；

S2、计算：

$p(C+)=\frac{k(C+)}{k(C+)+k(C-)};$

$p(C-)=\frac{k(C-)}{k(C+)+k(C-)};$

$p\left(f_i\right|C+)=\frac{k\left(f_i\right|C+)}{k(C+)};$

$p\left(f_i\right|C-)=\frac{k\left(f_i\right|C-)}{k(C-)};$

$p\left(X\right|C+)=\underset{i=1}{\overset{n}{\mathrm{\Π}}}p{\left(f_i\right|C+)}^{x_i}{(1-p\left(f_i\right|C+))}^{1-x_i};$

$p\left(X\right|C-)=\underset{i=1}{\overset{n}{\mathrm{\Π}}}p{\left(f_i\right|C-)}^{x_i}{(1-p\left(f_i\right|C-))}^{1-x_i}.$

所述播放行为参量提取模块用于按照如下步骤计算所述播放行为参量：

S3、计算：

p(X)＝p(X|C+)p(C+)+p(X|C-)p(C-)；

所述收看概率提取模块用于按照如下步骤预测每类节目的收看概率：

S4、基于贝叶斯公式计算：

$p(C+|X)=\frac{p\left(X\right|C+)p(C+)}{p\left(X\right)}.$

实施本发明的技术方案，具有以下有益效果，由于在计算播放概率时结合使用了用户的收视行为参量和电视台的播放行为参量，因此采用本发明提供的电视节目推荐方案所得到的推荐结果更为精确，更能反映用户真实的收视喜好。

附图说明

下面将结合附图及实施例对本发明作进一步说明，附图中：

图1是依据本发明一较佳实施例数字电视网络的结构示意图；

图2是依据本发明一较佳实施例的数字电视节目推荐方法的流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

图1是依据本发明一较佳实施例数字电视网络100的结构示意图。如图1所示，数字电视网络100包括数字电视节目推荐***102、多个数字电视终端104、106和108，以及宽带城域网110，其中，多个数字电视终端104、106和108通过宽带城域网110与数字电视节目推荐***102通信连接。

数字电视终端104和106通过双向机顶盒连接到宽带城域网110。双向机顶盒既可用于通过宽带城域网110接收电视节目，又可将统计得到的用户收视记录通过宽带城域网110发送给数字电视节目推荐***102。不同于数字电视终端104和106，数字电视终端108无需通过机顶盒即可连接到宽带城域网110，并接收电视节目，以及向数字电视节目推荐***102发送用户收视记录。

数字电视节目推荐***102包括顺序通信连接的采集服务器(采集单元)112、收视行为参量提取服务器(收视行为参量提取单元)114、播放行为参量提取服务器(播放行为参量提取单元)116、收视概率提取服务器(收视概率提取单元)118和推荐服务器(推荐单元)120，且收视概率提取服务器118通信连接到收视行为参量提取服务器114。

采集服务器112通信连接到宽带城域网110，用于接收多个数字电视终端104、106和108发来的用户收视记录。用户收视记录中记录有与用户近期收看的电视节目有关的记录信息，包括例如但不限于用户近期收看的电视节目的名称、播放频道、播放时间、所属大类、所属小类等等。

收视行为参量提取服务器114用于读取采集服务器112采集的用户收视记录，并从中提取用户的收视行为参量。收视行为参量中记录有用户的收视行为，包括用户收看电视的概率、用户不收看电视的概率、用户收看的节目中每类节目的播放概率和用户未收看的节目中每类节目的播放概率。收视行为参量提取服务器114从用户收视记录中提取收视行为参量，并将其发往播放行为参量提取服务器116和收视概率提取服务器118。有关收视行为参量的提取方法将在下文进行详细描述。

播放行为参量提取服务器116用于接收收视行为参量提取服务器114发送来的收视行为参量，并从中提取播放行为参量。播放行为参量中记录电视台对每类节目的播放概率。提取的播放行为参量将发往收视概率提取服务器118。有关播放行为参量的提取方法将在下文进行详细描述。

收视概率提取服务器118用于接收收视行为参量提取服务器114发送来的收视行为参量，和播放行为参量提取服务器116发来的播放行为参量，并基于贝叶斯算法计算各类电视节目的收看概率，发往推荐服务器120。有关收视概率的提取方法将在下文进行详细描述。

推荐服务器120用于接收收视概率提取服务器118发送来的各类电视节目的收看概率，依据每一待播放节目的类型查找其对应的收看概率，并对所有待播放节目按照收看概率由大到小进行排序，向用户推荐排序靠前的待播放节目。

本发明还提供了一种数字电视节目推荐方法，下面就结合图2进行详细描述。

图2是依据本发明一较佳实施例的数字电视节目推荐方法200的流程图。如图2所示，方法200开始于步骤202。

随后，在下一步骤204，采集用户收视记录。

随后，在下一步骤206，依据用户收视记录得到收视行为参量。如上文所述，收视行为参量包括用户收看电视的概率、用户不收看电视的概率、用户收看的节目中每类节目的播放概率和用户未收看的节目中每类节目的播放概率，其计算方法如下：

设：

每一节目X表示为{x₁f₁，...，x_if_i，...，x_nf_n}，其中，f_i(1≤i≤n)代表节目X的各个属性，例如节目X的播出时段、所在频道、所属大类和所属小类等；x_i(1≤i≤n)代表节目X各个属性的权重，n代表节目的属性数量，且n≥1。

C代表用户的行为，其中C+和C-分别代表收看行为和不收看行为；

将一段时间内电视台播出的电视节目总数表示为k(C+)+k(C-)，其中，k(C+)和k(C-)分别代表所述用户收看电视节目的数量和未收看电视节目的数量。k(C+)和k(C-)可从用户收视记录直接统计得出。

k(f_i|C+)和k(f_i|C-)分别代表在依据属性f_i(例如所在频道)对所有电视节目进行分类(例如将所在频道相同的节目归入一类)时，用户收看的节目中每类节目的数量和用户未收看的节目中每类节目的数量。k(f_i|C+)和k(f_i|C-)可从用户收视记录直接统计得出。

p(C+)和p(C-)分别代表用户收看电视的概率和用户不收看电视的概率，其中，

$p(C+)=\frac{k(C+)}{k(C+)+k(C-)}$                        (公式1)

$p(C-)=\frac{k(C-)}{k(C+)+k(C-)}$                        (公式2)

p(f_i|C+)和p(f_i|C-)分别代表在依据属性f_i对所有电视节目进行分类时，用户收看的节目中每类节目的概率和用户未收看的电视节目中每类节目的播放概率，其中，

$p\left(f_i\right|C+)=\frac{k\left(f_i\right|C+)}{k(C+)}$                           (公式3)

$p\left(f_i\right|C-)=\frac{k\left(f_i\right|C-)}{k(C-)}$                           (公式4)

p(X|C+)和p(X|C-)分别代表在依据属性f₁～f_n(播出时段、所在频道、所属大类和所属小类)对所有电视节目进行分类(例如将播出时段、所在频道、所属大类和所属小类均相同的节目归入一类)时，用户收看的节目中每类节目的概率和用户未收看的节目中每类节目的概率，其中，

$p\left(X\right|C+)=\underset{i=1}{\overset{n}{\mathrm{\Π}}}p{\left(f_i\right|C+)}^{x_i}{(1-p\left(f_i\right|C+))}^{1-x_i}$              (公式5)

$p\left(X\right|C-)=\underset{i=1}{\overset{n}{\mathrm{\Π}}}p{\left(f_i\right|C-)}^{x_i}{(1-p\left(f_i\right|C-))}^{1-x_i}$            (公式6)

如此一来，我们便可依照从用户收视记录中统计得到的k(C+)、k(C-)、k(f_i|C+)和k(f_i|C-)，使用公式1～6来计算收视行为参量，即用户收看电视的概率、用户不收看电视的概率、用户收看的节目中每类节目的播放概率和用户未收看的节目中每类节目的播放概率。

随后，在下一步骤208，依据计算得到的收视行为参量计算播放行为参量。如上文所述，播放行为参量包括每类节目的播放概率，其计算方法如下：

设：

p(X)代表在依据属性f₁～f_n对所有电视节目进行分类时，每类节目的播放概率，其中，

p(X)＝p(X|C+)p(C+)+p(X|C-)p(C-)     (公式7)

如此一来，我们便可使用步骤206中求得的收视行为参量依照公式7来计算每类节目的播放概率。

在下一步骤210，依据计算得到的收视行为参量和播放行为参量，基于贝叶斯公式计算每类节目的收看概率，其计算方法如下：

设：

p(C+|X)代表在依据属性f₁～f_n对所有电视节目进行分类时，用户对每类节目的收看概率，其中，

$p(C+|X)=\frac{p\left(X\right|C+)p(C+)}{p\left(X\right)}$                    (公式8)

如此一来，我们便可使用步骤206中计算得到的收视行为参量和步骤208中计算得到的播放行为参量来基于贝叶斯公式计算每类节目的收看概率。

随后，在下一步骤212，在得到每类节目的收看概率后，便可据此向用户推荐电视节目，即首先确定待播节目的类别，然后查找其收看概率，最后将各待播节目按收看概率由大到小进行排序，将排序靠前的节目推荐给用户。

最后，方法200结束于步骤214。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1、一种基于贝叶斯算法的数字电视节目推荐方法，包括：

S1、采集用户收视记录；

S2、分析用户收视记录，得到收视行为参量；

其特征在于，所述方法还包括：

S3、依据收视行为参量，得到播放行为参量；

S4、基于贝叶斯算法，通过收视行为参量和播放行为参量预测用户对待播电视节目的收看概率，据此向用户推荐电视节目。

2、根据权利要求1所述的基于贝叶斯算法的数字电视节目推荐方法，其特征在于，所述收视行为参量包括：

用户收看电视的概率；

用户不收看电视的概率；

用户收看的节目中每类节目的概率；

用户未收看的节目中每类节目的概率。(为避免限制保护范围，有关各参量的表达式在权利要求4中定义)

3、根据权利要求2所述的基于贝叶斯算法的数字电视节目推荐方法，其特征在于，所述播放行为参量包括：

每类节目的播放概率。

4、根据权利要求3所述的基于贝叶斯算法的数字电视节目推荐方法，其特征在于，设：

每一节目X表示为{x₁f₁，...，x_if_i，...，x_nf_n}，其中f_i(1≤i≤n)代表节目X的各个属性，x_i(1≤i≤n)代表节目X各个属性的权重，n代表节目的属性数量，且n≥1；

C+和C-分别代表收看行为和不收看行为；

将一段时间内电视台播出的电视节目总数表示为k(C+)+k(C-)，其中，k(C+)和k(C-)分别代表所述用户收看电视节目的数量和未收看电视节目的数量；

k(f_i|C+)和k(f_i|C-)分别代表在依据属性f_i对所有电视节目进行分类时，用户收看的节目中每类节目的数量和用户未收看的节目中每类节目的数量；

p(C+)和p(C-)分别代表用户收看电视的概率和用户不收看电视的概率；

p(f_i|C+)和p(f_i|C-)分别代表在依据属性f_i对所有电视节目进行分类时，用户收看的节目中每类节目的概率和用户未收看的电视节目中每类节目的概率；

p(X|C+)和p(X|C-)分别代表在依据属性f₁～f_n对所有电视节目进行分类时，用户收看的节目中每类节目的概率和用户未收看的节目中每类节目的概率；

则在所述S2中，按照如下步骤计算所述收视行为参量：

S21、依据电视台播出的电视节目数量及用户收视记录分别统计k(C+)、k(C-)、k(f_i|C+)和k(f_i|C-)；

S22、计算：

$p(C+)=\frac{k(C+)}{k(C+)+k(C-)};$

$p(C-)=\frac{k(C-)}{k(C+)+k(C-)};$

$p\left(f_i\right|C+)=\frac{k\left(f_i\right|C+)}{k(C+)};$

$p\left(f_i\right|C-)=\frac{k\left(f_i\right|C-)}{k(C-)};$

$p\left(X\right|C+)=\underset{i=1}{\overset{n}{\mathrm{\Π}}}p{\left(f_i\right|C+)}^{x_i}{(1-p\left(f_i\right|C+))}^{1-x_i};$

$p\left(X\right|C-)=\underset{i=1}{\overset{n}{\mathrm{\Π}}}p{\left(f_i\right|C-)}^{x_i}{(1-p\left(f_i\right|C-))}^{1-x_i}.$

5、根据权利要求4所述的基于贝叶斯算法的数字电视节目推荐方法，其特征在于，设：

p(X)代表在依据属性f₁～f_n对所有电视节目进行分类时，每类节目的播放概率；

则在所述S3中，按照如下步骤计算所述播放行为参量：

S31、计算：

p(X)＝p(X|C+)p(C+)+p(X|C-)p(C-)。

6、根据权利要求5所述的基于贝叶斯算法的数字电视节目推荐方法，其特征在于，设：

p(C+|X)代表在依据属性f₁～f_n对所有电视节目进行分类时，用户对每类节目的收看概率；

则在所述S4中，按照如下步骤预测每类节目的收看概率：

S41、基于贝叶斯公式计算：

$p(C+|X)=\frac{p\left(X\right|C+)p(C+)}{p\left(X\right)}.$

7、根据权利要求6所述的基于贝叶斯算法的数字电视节目推荐方法，其特征在于，每一节目包括下列属性之中的至少一个：

播放时段；

所在频道；

所属大类；

所属小类。

8、一种基于贝叶斯算法的数字数字电视节目推荐***，包括：

采集单元，用于采集数字电视终端的收视记录并存储；

收视行为参量提取模块，与采集单元通信链接，用于分析用户收视记录，输出收视行为参量；

其特征在于，还包括：

播放行为参量提取模块，与收视行为参量提取模块通信连接，用于分析收视行为参量，输出播放行为参量；

收看概率提取模块，与收视行为参量提取模块和播放行为参量提取模块通信连接，用于接收收视行为参量和播放行为参量，基于贝叶斯算法输出用户对待播电视节目的收看概率；

推荐模块，与收看概率提取模块通信连接，用于接收各类电视节目的收看概率，据此向用户推荐电视节目。

9、根据权利要求8所述的基于贝叶斯算法的数字数字电视节目推荐***，其特征在于，

所述收视行为参量包括：

用户收看电视的概率；

用户不收看电视的概率；

用户收看的节目中每类节目的概率；

用户未收看的节目中每类节目的概率；

所述播放行为参量包括：

每类节目的播放概率。

10、根据权利要求9所述的基于贝叶斯算法的数字数字电视节目推荐***，其特征在于，设：

每一节目X表示为{x₁f₁，...，x_if_i，...，x_nf_n}，其中f_i(1≤i≤n)代表节目X的各个属性，x_i(1≤i≤n)代表节目X各个属性的权重，n代表节目的属性数量，且n≥1；

C+和C-分别代表收看行为和不收看行为；

将一段时间内电视台播出的电视节目总数表示为k(C+)+k(C-)，其中，k(C+)和k(C-)分别代表所述用户收看电视节目的数量和未收看电视节目的数量；

k(f_i|C+)和k(f_i|C-)分别代表在依据属性f_i对所有电视节目进行分类时，用户收看的节目中每类节目的数量和用户未收看的节目中每类节目的数量；

p(C+)和p(C-)分别代表用户收看电视的概率和用户不收看电视的概率；

p(f_i|C+)和p(f_i|C-)分别代表在依据属性f_i对所有电视节目进行分类时，用户收看的节目中每类节目的概率和用户未收看的电视节目中每类节目的概率；

p(X|C+)和p(X|C-)分别代表在依据属性f₁～f_n对所有电视节目进行分类时，用户收看的节目中每类节目的概率和用户未收看的节目中每类节目的概率；

p(X)代表在依据属性f₁～f_n对所有电视节目进行分类时，每类节目的播放概率；

p(C+|X)代表在依据属性f₁～f_n对所有电视节目进行分类时，用户对每类节目的收看概率；

则所述收视行为参量提取模块用于按照如下步骤计算所述收视行为参量：

S1、依据电视台播出的电视节目数量及用户收视记录分别统计k(C+)、k(C-)、k(f_i|C+)和k(f_i|C-)；

S2、计算：

$p(C+)=\frac{k(C+)}{k(C+)+k(C-)};$

$p(C-)=\frac{k(C-)}{k(C+)+k(C-)};$

$p\left(f_i\right|C+)=\frac{k\left(f_i\right|C+)}{k(C+)};$

$p\left(f_i\right|C-)=\frac{k\left(f_i\right|C-)}{k(C-)};$

$p\left(X\right|C+)=\underset{i=1}{\overset{n}{\mathrm{\Π}}}p{\left(f_i\right|C+)}^{x_i}{(1-p\left(f_i\right|C+))}^{1-x_i};$

$p\left(X\right|C-)=\underset{i=1}{\overset{n}{\mathrm{\Π}}}p{\left(f_i\right|C-)}^{x_i}{(1-p\left(f_i\right|C-))}^{1-x_i}.$

所述播放行为参量提取模块用于按照如下步骤计算所述播放行为参量：

S3、计算：

p(X)＝p(X|C+)p(C+)+p(X|C-)p(C-)；

所述收看概率提取模块用于按照如下步骤预测每类节目的收看概率：

S4、基于贝叶斯公式计算：

$p(C+|X)=\frac{p\left(X\right|C+)p(C+)}{p\left(X\right)}.$

Images