CN102089782A - 推荐器*** - Google Patents

Abstract

提供了一种用于向多用户设备上的用户提供个性化推荐的方法。在操作期间，将对相似节目内容的匿名用户偏好进行分组，以形成相似偏好聚类。确定每个聚类的情境信息，并对所述聚类进行分组以形成更大聚类。所述分组基于每个聚类的情境信息。然后确定当前情境，并找出具有与所述当前情境相似的情境的至少一个更大聚类。所述更大聚类用于针对用户进行推荐。

Description

推荐器***

技术领域

本发明涉及内容项目的推荐，并且具体地但非排他性地涉及电视节目或电台节目的推荐。

背景技术

近年来，多媒体和娱乐内容的可用性和供应已经实质性地提高。例如，可用的电视和电台频道的数目已经相当大地增长，并且因特网的普及已经提供了新的内容分发手段。因此，正在从不同的来源越来越多地向用户提供太多不同类型的内容。为了识别和选择所期望的内容，用户一般必须处理大量的信息，这会非常麻烦且不切实际。

因此，已经投入了大量的资源来用于研究可以提供改善的用户体验并辅助用户识别和选择内容的技术和算法。例如，数字视频记录器(DVR)或者个人视频记录器(PVR)已经变得越来越普及，并且正逐渐取代常规盒式磁带记录器(VCR)作为用于记录视频广播的优选选择。这样的DVR(下文中，术语DVR既用于表示DVR又用于表示VCR)一般基于将所记录的电视节目以数字格式储存在硬盘或光盘上。此外，DVR既可以用于模拟电视传输(在此情况下，作为记录过程的一部分，进行数字格式的转换)又可以用于数字电视传输(在此情况下，可以直接存储数字电视数据)。

诸如电视或DVR这样的设备越来越多地提供新的和增强的功能和特征，这些功能和特征提供了改善的用户体验。例如，电视或DVR可以包括用于向用户提供电视节目的推荐的功能。更具体地，这样的设备可以包括用于监视用户的观看和记录偏好的功能。这些偏好可以被存储在用户偏好简档中并且随后可以用于自主地选择和推荐适当的电视节目来观看或记录。例如，DVR可以自动地记录节目，然后例如通过将自动记录的节目包括在由DVR记录的所有节目的列表中，将自动记录的节目推荐给用户。

这样的功能可以显著地改善用户体验。的确，在每天数以百计的广播频道传播数以千计的电视节目的情况下，用户很快会被提供的节目所淹没，并且因而不能充分受益于内容的可用性。此外，识别和选择适当的内容的任务变得越来越困难且耗费时间。设备向用户推荐潜在感兴趣的电视节目的能力极其有利于此过程。

为了增强用户体验，有利的是，尽可能使向各个用户的推荐个人化。在此情境下，生成推荐的过程要求已经捕获了用户偏好，使得它们可以被预测算法用作输入。

存在用于收集用户偏好的两种主要技术。第一种方法是通过用户手动输入其偏好而明确地获得用户偏好，例如，通过手动提供对用户特别喜欢或特别不喜欢的内容项目的反馈来获得。另一种方法是通过由***监视用户动作以推断出其偏好来隐含地获得用户偏好。

大多数已知的推荐方法在电视观看的情境下都不理想。诸如具体为DVR这样的电视或视频记录器通常是多用户设备，并且观看电视的活动其特征在于是无需费力且高度被动的活动。在此情境下，虽然用户要求单独推荐，但要求用户向***认证和/或创建各个用户简档却并不容易或者并不有效。

因此，需要一种允许更加适合于多用户环境的用于内容项目推荐的改进的***。

附图说明

图1是用于进行内容项目推荐的设备的框图。

图2图示了包括情境部分和内容部分的用户偏好。

图3图示了各种聚类的时间特征和地点特征。

图4示出了各种相似节目聚类的情境特征。

图5图示了聚类的重新分组。

图6是示出了图1的设备的操作的流程图。

本领域技术人员将理解，图中的元件是为了简单清楚地图示且未必一定按照比例画出。例如，可以将图中一些元件的尺寸和/或相对位置相对于其他元件放大，以助于增进对本发明各种实施例的理解。同样，为了促进使本发明的这些各种实施例的视图不易被混淆，通常并未绘出在商业上可行的实施例中有用或必需的普通而易于理解的元件。将进一步认识到，某些动作和/或步骤可以被描述或描绘为按照特定次序发生，但本领域技术人员将理解的是，关于顺序的这样的特殊性实际上并未被要求。还将理解的是，本申请中所使用的术语和表述具有与如上所述由本领域技术人员所使用的相一致的通常的技术含义，除非本文中另外阐述了不同的特定含义。

具体实施方式

为了缓解上述需求，提供了一种向多用户设备上的用户提供推荐的方法。在操作期间，将对相似节目内容的偏好进行分组，以形成相似偏好聚类。基于聚类内容来为每个聚类确定情境信息，并对所述聚类进行分组以形成更大聚类。所述分组基于聚类之间情境信息的相似度。然后确定当前情境，并找出具有与所述当前情境相似的情境的至少一个更大聚类。所述更大聚类用于针对用户进行节目推荐。

由于设备的用户一般在特定情境(例如，特定时间、设备、地点等)期间利用该设备，所以当前的技术很可能将用户希望观看的节目推荐给他们。

本发明包含一种用于向多用户设备上的用户提供个性化推荐的方法。该方法包括以下步骤：对相似节目内容的偏好进行分组，以形成相似偏好的聚类；确定每个聚类的情境信息；以及对聚类进行分组，以形成更大聚类。然后确定当前情境，并选择具有与所述当前情境相似的情境的至少一个更大聚类。所述更大聚类用于针对当前情境进行推荐。

另外，本发明包含一种装置，所述装置包括存储用户偏好的储存器以及访问所述储存器的处理器。所述处理器对相似节目内容的偏好进行分组以形成相似偏好聚类。所述处理器确定每个聚类的情境信息，并基于每个聚类的情境信息的相似度而对聚类进行分组以形成更大聚类。另外，所述处理器访问情境生成器以确定当前情境，并选择具有与所述当前情境相似的情境的至少一个更大聚类以进行推荐。

现在转到附图，其中相同的附图标记表示相同的组件，图1是用于进行内容项目推荐的设备的框图。所述设备可以例如是DVR或电视机。图1的设备包括用于向用户推荐内容项目的功能。例如，所述设备可以向该设备的用户推荐即将开始的电视节目。所述设备使用一种用于生成推荐的方法，该方法基于从多个未识别的用户接收到的匿名用户分级(rating)。然后所述设备可以基于与用户对该设备的使用有关的情境信息而针对用户定位推荐。

所述设备包括用户输入101、用户偏好储存器103、电子节目指南(EPG)105、情境生成器107和推荐处理器109。电子节目指南(EPG)105指示将在比如下一星期播送的电视节目。除了电视节目的时间和标题以外，EPG 105还可以进一步包含诸如风格、演员、导演等的指示的元数据。作为另一示例，EPG 105可替代地或另外提供由例如DVR记录的电视节目的信息。

用户输入101可以接收来自所述设备的一个或多个用户的手动输入。用户输入101可以接收用户对各种内容项目的偏好的匿名反馈。作为示例，观看或回放特定电视节目的用户可以手动输入对节目的分级。用户输入101还可积累“隐含的偏好输入”(例如，***默默地监视用户)。用户输入101耦接至用户偏好储存器103。当从用户输入101接收到关于节目的用户偏好时，包括用户偏好量度的用户分级记录以及描述内容的内容项目被存储在用户偏好存储器103中。关于节目的情境信息也被存储在储存器103中。从情境生成器107接收此信息。这样的情境信息可以例如是观看节目的时间或者用于观看节目的设备。因而，可以将用户偏好视为包括两个部分：第一部分，用来描述该偏好所涉及的内容以及相关联用户偏好值；以及第二部分，用来描述由用户明确表达或者从其行为隐含推断出该偏好时的情境(例如，时间、地点等)。这在图2中被示出，其中用户偏好200包括情境部分和内容部分。

设备100是可以由许多不同用户使用的多用户设备。此外，用户偏好是在未对提供数据的特定用户进行任何识别的情况下输入的。因此，用户偏好储存器103中所存储的用户偏好记录是匿名用户偏好，并且这些记录不包括提供输入的用户的身份的任何信息。因此，仅仅基于所存储的用户偏好而针对各个用户进行个人化的内容项目推荐是不可行的。相反，这样的方法提供可以针对使用该设备的整个用户群进行定制的推荐。

推荐处理器109利用偏好储存器103和情境生成器107，以便向设备100的用户推荐特定节目。推荐处理器109利用下列步骤来进行推荐：

1.根据用户偏好的内容描述之间的相似度而对用户偏好进行分组。可以使用诸如K均值法这样的聚类算法，并且计算例如两个节目P₁、P₂的相似度的函数可以如下表示，其中，将两个节目P₁、P₂的相似度作为它们的描述性元数据P_i，1P_i，2，…(例如，风格、频道等)的相似度的加权和来计算：

$\mathrm{similarity}(P_1,P_2)=\underset{i\left\{\mathrm{metadata}\left(P\right)\right\}}{\mathrm{\Σ}}{\mathrm{\α}}_i.\mathrm{similari}{\mathrm{ty}}_i(P_{i,1},P_{i,2})$

在步骤1之后，创建多个用户偏好聚类。K均值聚类算法最初用给定初始参数来定义K聚类。然后，将用户分级记录与K聚类匹配。然后，基于已经指配给每个聚类的用户分级记录来重新计算每个聚类的参数。然后，该算法继续响应于所更新的聚类的参数而将用户分级记录重新分配给K聚类。如果这些运算迭代了足够多次，则聚类收敛，从而得到K组具有相似属性的内容项目。该步骤背后的思想是，分组在一个聚类中的相似偏好应当对应于特定用户或者共享相同品味的用户组的偏好。

2.为每个偏好聚类提取/计算情境信息(称为情境特征(signature))。此步骤背后的思想是，相似偏好聚类可以对应于一个或多个不同的使用情境(例如，用户喜欢在上午结束时以及下午结束时观看游戏竞技节目(game show))。

3.通过对具有相似平均情境的聚类进行分组来建立更大聚类。由于一组偏好可以对应于不同的使用情境并且家庭成员通常具有特定且固定的TV观看模式，即，每个成员或家庭子分组具有其特定的TV使用情境(例如，孩子在下午观看TV而父母在晚上观看TV)，即使当前内容并不相似(例如，图4和图5)，根据情境相似度对聚类进行分组也应当更加可能代表同一用户或者用户组的偏好。

4.在进行推荐时，当前情境被用于识别(步骤1和2中生成的)哪些聚类具有最为接近的情境特征。然后，按照自底向上的分层链接，可以将其扩展开以选择要利用的分组列表(可以用阈值来停止扩展)。来自最新可用算法中的个性化算法，例如，朴素贝叶斯分类器(Naive Bayes classifier)，可以被用于确定推荐列表，仅仅将来自所选择的分组的偏好用作训练集。这在图3中被示出。

在图3中，针对两个聚类示出了时间信息和地点信息。同样，示出了当前时间和地点。显然，聚类1的时间和地点信息较之于聚类2更为匹配。在进行推荐时将考虑这一事实。

5.然后，***选择来自之前的步骤计算的推荐列表的子集，并将该子集呈现给用户。保留的列表包括使用基本偏好分组所推荐的元素，所述基本偏好分组的情境直接匹配当前情境，该列表还包括使用通过扩展识别的分组(如在之前的步骤中定义的)所推荐的元素。该子集的大小可以由***(例如，根据GUI上的可用空间)和/或由用户来固定。

现在，将提供简单示例来展示***实际上是如何工作的。为了简单起见，我们将考虑两个用户且仅以时间作为情境信息。用户的习惯如下：

●用户1在中午以及傍晚观看新闻；

●用户2在晚上观看电影；

●用户2在下午或在晚上观看纪录片。

推荐处理器109将创建三个节目类型的三个聚类，所述三个聚类具有如图4所示的相关联的情境特征(为了简单起见，使用只与TV节目风格有关的相似度量度来进行聚类)。然后，处理器109基于这些聚类的情境特征如图5所示对其进行重新分组(分层聚类)。注意，在我们的示例中，分层是部分的：“新闻”聚类自己独立保留，这是因为不存在具有足够相似的情境特征的其他聚类。

因而，例如，在下午早些时候，最佳匹配的聚类为“纪录片”聚类。但如果该聚类并未提供推荐或者该聚类不足(例如，如果那天下午没有纪录片)，则***可以到上一层级并使用所组合的“纪录片”和“电影”聚类，然后基于“电影”聚类的偏好部分来推荐电影。

在以上示例中，即使用户并不习惯于在一天的这个特定时间观看这种类型的节目，设备100也能够推荐他喜欢的节目。因而，设备100不仅可以在可能的时候进行最佳定位推荐(将偏好和情境都考虑在内)，而且还能够在可用节目不太受欢迎时进行合理推荐。

图6是示出在偏好节目已经被确定并被存储在储存器103中之后图1的设备的操作的流程图。换言之，图6是示出在收集匿名的隐含或明确的用户偏好之后图1的设备的操作的流程图。(从多个未识别的用户接收到的)这些匿名用户分级可以被表示为节目分级，包括内容部分和情境部分。

逻辑流程开始于步骤601，其中推荐处理器109访问储存器103以确定偏好节目及其相关联的情境。在该示例中，相关联的情境将包括观看节目的时间，然而，在本发明的替代实施例中，情境信息可包括诸如用于观看节目的设备、观看节目的地点等情况。

在步骤603，推荐处理器109访问储存器103以获得用户偏好，并对相似节目内容的偏好进行分组以形成相似偏好聚类。可以使用聚类算法来形成聚类。如以上所讨论的，聚类算法可以用于此项任务。

然后，通过处理器109确定每个聚类的情境信息(步骤604)。情境信息包括观看每个聚类的内容的时间、观看每个聚类的内容的地点或者用于观看每个聚类的内容的设备。

可以通过处理器109对聚类进行组合(或分组)以形成更大聚类，其中，所述分组基于每个聚类的情境信息(步骤605)。更具体地，可以组合具有非常相似的情境数据的聚类，以形成更大聚类。对聚类进行分组以形成更大聚类的步骤可以包括从在相似时间观看其内容的聚类形成更大聚类、从在相似地点观看其内容的聚类形成更大聚类、或者从在相似设备上观看其内容的聚类形成更大聚类。

推荐处理器109访问情境生成器107，确定当前情境(步骤607)，并使用更大聚类在给定情境下进行推荐(步骤609)。在此具体实施例中，推荐处理器109将确定当前情境，并选择具有与当前情境最佳匹配的情境的聚类(选择具有与当前情境相似的情境的至少一个更大聚类)。所述更大聚类将被用于针对当前情境进行推荐。例如，处理器109将选择具有与当前时间最佳匹配的观看时间的聚类。将访问电子节目指南105，并且处理器109将选择具有与更大聚类的内容相似的内容的节目。然后，这些节目将被呈现给用户。

虽然已参照具体实施例具体示出并描述了本发明，但本领域技术人员将理解的是，在不脱离本发明的精神和范围的情况下，在此可以在形式和细节上做出各种改变。本发明旨在使这样的改变均处于权利要求的范围内。

Claims (10)

1.一种用于向多用户设备上的用户提供个性化推荐的方法，所述方法包括以下步骤：

对相似节目内容的偏好进行分组以形成相似偏好聚类；

确定每个聚类的情境信息；

对聚类进行分组以形成更大聚类，其中所述分组基于每个聚类的情境信息的相似度；

确定当前情境；

选择具有与所述当前情境相似的情境的至少一个更大聚类；以及

使用更大聚类以针对所述当前情境进行推荐。

2.根据权利要求1所述的方法，其中，所述情境信息包括观看每个聚类的内容的时间、观看每个聚类的内容的地点或者用于观看每个聚类的内容的设备。

3.根据权利要求1所述的方法，其中，对聚类进行分组以形成更大聚类的步骤包括从在相似时间观看其内容的聚类形成更大聚类。

4.根据权利要求1所述的方法，其中，对聚类进行分组以形成更大聚类的步骤包括从在相似地点观看其内容的聚类形成更大聚类。

5.根据权利要求1所述的方法，其中，对聚类进行分组以形成更大聚类的步骤包括从在相似设备上观看其内容的聚类形成更大聚类。

6.根据权利要求1所述的方法，其中，对偏好进行分组以形成聚类的步骤包括使用聚类算法形成聚类的步骤。

7.根据权利要求1所述的方法，其中，使用更大聚类以进行推荐的步骤包括以下步骤：

访问电子节目指南；

选择具有与所述更大聚类的内容相似的内容的节目；以及

推荐具有与所述更大聚类的内容相似的内容的节目。

8.根据权利要求1所述的方法，其中，所述推荐包括TV节目推荐。

9.根据权利要求1所述的方法，进一步包括以下步骤：

收集匿名的隐含或明确的用户偏好，所述匿名的隐含或明确的用户偏好被表示为节目分级，包括内容部分和情境部分。

10.一种装置，所述装置包括：

储存器，所述储存器存储用户偏好；以及

处理器，所述处理器访问所述储存器并对相似节目内容的偏好进行分组以形成相似偏好聚类，确定每个聚类的情境信息并且对聚类进行分组以形成更大聚类，其中所述分组基于每个聚类的情境信息的相似度，所述处理器此外还访问情境生成器以确定当前情境并且选择具有与所述当前情境相似的情境的至少一个更大聚类来进行推荐。

Images