CN102207972A - 一种数字电视的影视节目推荐方法及其装置 - Google Patents

Abstract

本发明实施例公开了一种数字电视的影视节目推荐方法及其装置，其中，该方法包括：收集数字电视用户的基本信息；根据所述用户的基本信息构造初始预测评分矩阵；根据所述初始预测评分矩阵创建相似影视节目列表；根据所述影视节目相似列表获得推荐结果。在本发明方法及装置实施例中，针对现有技术中协同过滤推荐***的冷启动问题，在协同过滤推荐方法的基础上加入了基于内容的推荐方法，结合两种方法进行构造相似影视节目列表，并通过相似影视节目列表为用户提供推荐服务；可以帮助数字电视用户找到可能感兴趣的影视节目；可以确保数字电视的新用户能够得到较为准确的推荐服务；且避免了新加入的影视节目难以获得***推荐的问题。

Description

一种数字电视的影视节目推荐方法及其装置

技术领域

本发明涉及数字电视技术领域，尤其涉及一种数字电视的影视节目推荐方法及其装置。

背景技术

随着数字电视相关技术的不断完善以及数字化产品和信息服务在家庭中的不断渗透和日益融合，数字电视互动应用和服务日趋丰富和多样。数字电视影视点播***克服了传统的电视单向广播方式的缺陷，提供丰富的影视节目让用户能够随时自主地选择观看。然而，用户往往需要花费大量的时间浏览庞大的节目信息来寻找自己喜爱的节目。

在数字电视中加入推荐***能够帮助用户找到可能感兴趣的影视节目，并将节目推荐给用户，以达到节省用户操作时间、增加点播量的目的。然而，最常见的协同过滤推荐***面临着新用户与新项目的问题，也即冷启动的问题。当数字电视用户第一次使用推荐***时，***无法获取到足够的用户评分数据来进行推荐。另外，数字电视中的影视节目的更新速度较快，但是由于新加入的影视节目善不为用户所熟知，无法得到足够多的用户评分为推荐***提供推荐依据，从而难以得到推荐***的推荐。

发明内容

本发明的目的在于克服现有技术的不足，本发明提供了一种数字电视的影视节目推荐方法及其装置，可以使数字电视新用户能够得到较为准确的推荐服务，也避免了新加入的影视节目难以获得***推荐的问题。

为了解决上述问题，本发明提出了一种数字电视的影视节目推荐方法，所述方法包括：

收集数字电视用户的基本信息；

根据所述用户的基本信息构造初始预测评分矩阵；

根据所述初始预测评分矩阵创建相似影视节目列表；

根据所述影视节目相似列表获得推荐结果。

优选地，所述根据所述用户的基本信息构造初始预测评分矩阵的步骤包括：

根据所述用户的基本信息计算同一类型的用户对同一影视节目评分的平均值以获得该影视节目的初始预测评分值；

按照从高到低的顺序对所述同一类型的用户中所有影视节目的初始预测评分值进行排序，并获得所述初始预测评分值排名靠前的多个影视节目；

将所述初始预测评分排名靠前的多个影视节目及所述多个影视节目各自对应的初始预测评分值构造每一类型用户的初始评分矩阵。

优选地，所述根据所述数量计算用户所评分的当前影视节目与其它影视节目的相似度的步骤包括：

根据影视节目的内容相关度计算所述当前影视节目与其它影视节目的相似度；或者，根据皮尔逊相关度采用协同过滤算法计算当前影视节目与其它影视节目的相似度。

优选地，所述根据所述影视节目相似列表获得推荐结果的步骤包括：

获取用户的评分记录，并根据所述评分记录创建喜爱影视节目列表；

比较所述喜爱影视节目列表与所述相似影视节目列表，并获得候选影视列表；

计算所述候选影视列表中任一影视节目与所述喜爱影视节目列表中所有影视节目的相似度；

根据所述相似度的高低对所述候选影视列表中的影视节目进行排序，并获得推荐结果。

相应地，本发明实施例还公开了一种数字电视的影视节目推荐装置，所述影视节目推荐装置包括：

收集模块，用于收集数字电视用户的基本信息；

构造模块，用于根据所述收集模块所收集的用户的基本信息构造初始预测评分矩阵；

创建模块，用于根据所述构造模块所构造的初始预测评分矩阵创建相似影视节目列表；

推荐结果获取模块，用于根据所述创建模块所创建的影视节目相似列表获得推荐结果。

优选地，所述构造模块包括：

评分计算单元，用于根据所述用户的基本信息计算同一类型的用户对同一影视节目评分的平均值以获得该影视节目的初始预测评分值；

评分排序单元，用于按照从高到低的顺序对所述同一类型的用户中所有影视节目的初始预测评分值进行排序，并获得所述初始预测评分值排名靠前的多个影视节目；

矩阵构造单元，用于将所述初始预测评分排名靠前的多个影视节目及所述多个影视节目各自对应的初始预测评分值构造每一类型用户的初始评分矩阵。

优选地，所述创建模块包括：

获取单元，用于获取对同一影视节目评分的用户的数量；

第一相似度计算单元，用于根据所述获取单元所获取的数量计算用户所评分的当前影视节目与其它影视节目的相似度；

相似度排序单元，用于根据所述第一相似度计算单元所计算的相似度对所述其它影视节目按照从高到低的顺序进行排序，并获得相似度较高的其它影视节目作为所述当前影视节目近邻的近邻信息；

第一列表创建单元，用于根据所述相似度排序单元所获得的当前影视节目的近邻信息创建所述当前影视节目的相似影视节目列表。

优选地，所述第一相似度计算单元用于根据影视节目的内容相关度计算所述当前影视节目与其它影视节目的相似度；或者，用于根据皮尔逊相关度采用协同过滤算法计算当前影视节目与其它影视节目的相似度。

优选地，所述推荐结果获取模块包括：

第二列表创建单元，用于获取用户的评分记录，并根据所述评分记录创建喜爱影视节目列表；

比较单元，用于比较所述喜爱影视节目列表与所述相似影视节目列表，并获得候选影视列表；

第二相似度计算单元，用于计算所述候选影视列表中任一影视节目与所述喜爱影视节目列表中所有影视节目的相似度；

推荐结果排序单元，用于根据所述相似度的高低对所述候选影视列表中的影视节目进行排序，并获得推荐结果。

在本发明方法及装置实施例中，可以通过对影视节目相似度的计算而获得影视节目的推荐结果，针对现有技术中协同过滤推荐***的冷启动问题，在协同过滤推荐方法的基础上加入了基于内容的推荐方法，结合两种方法进行构造相似影视节目列表，并通过相似影视节目列表为用户提供推荐服务；可以帮助数字电视用户找到可能感兴趣的影视节目；可以确保数字电视的新用户能够得到较为准确的推荐服务；且避免了新加入的影视节目难以获得***推荐的问题。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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的前提下，还可以根据这些附图获得其它的附图。

图1是本发明实施例的数字电视的影视节目推荐方法的流程示意图；

图2是图1方法中的构造初始预测评分矩阵的步骤的具体流程示意图；

图3是图1方法中的创建相似影视节目列表的步骤的具体流程示意图；

图4是图1方法中的根据影视节目相似列表获得推荐结果的步骤的具体流程示意图；

图5是本发明实施例的数字电视的影视节目推荐装置的结构组成示意图；

图6是图5装置中的构造模块的结构组成示意图；

图7是图5装置中的创建模块的结构组成示意图；

图8是图5装置中的推荐结果获取模块的结构组成示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

图1是本发明实施例的数字电视的影视节目推荐方法的流程示意图，如图1所示，该方法包括：

S101，收集数字电视用户的基本信息；

S102，根据用户的基本信息构造初始预测评分矩阵；

S103，根据初始预测评分矩阵创建相似影视节目列表；

S104，根据影视节目相似列表获得推荐结果。

上述用户的基本信息包括用户年龄信息、用户性别信息、用户职业信息、用户地域信息、用户的影视节目观看频繁度信息、用户学历信息等。

图2示出了图1方法中的S102步骤的具体流程示意图，如图2所示，S102进一步包括：

S1021，根据用户的基本信息计算同一类型的用户对同一影视节目评分的平均值以获得该影视节目的初始预测评分值；

S1022，按照从高到低的顺序对同一类型的用户中所有影视节目的初始预测评分值进行排序，并获得初始预测评分值排名靠前的多个影视节目；

S1023，将初始预测评分排名靠前的多个影视节目及多个影视节目各自对应的初始预测评分值构造每一类型用户的初始评分矩阵。

具体实施中，这里的同一类型的用户可以是指用户年龄处于同一个年龄区域或者是同个年龄，或者是同种性别，或者是同种职业，或者是用户所处同个地域等，可以根据实际需求进行设置，进一步地计算出同一类型的用户对同一影视节目评分的平均值以得出该影视节目的初始预测评分值，并将此类型用户对所有影视节目的初始预测评分值按由高至低的顺序进行排序，获得此类用户评分较高的n个影视节目，影视节目的数量可以由用户自定义。

具体操作中，当用户为新用户时，即其评分数量小于5时，可根据该用户的初始预测评分列表，为当前用户构建一个补全的虚拟评分向量。

图3示出了图1方法中的S103步骤的具体流程示意图，如图3所示，S103进一步包括：

S1031，获取对同一影视节目评分的用户的数量；

S1032，根据数量计算用户所评分的当前影视节目与其它影视节目的相似度；

S1033，根据相似度对其它影视节目按照从高到低的顺序进行排序，并获得相似度较高的其它影视节目作为当前影视节目近邻的近邻信息；

S1034，根据当前影视节目的近邻信息创建当前影视节目的相似影视节目列表。

S1032进一步包括：

根据影视节目的内容相关度计算当前影视节目与其它影视节目的相似度；或者，

根据皮尔逊相关度采用协同过滤算法计算当前影视节目与其它影视节目的相似度。

在具体实施中，在S1031之后还可以包括：对对同一影视节目评分的用户的数量进行判断，当数量小于等于阀值时，则根据影视节目的内容相关度计算当前影视节目与其它影视节目的相似度；当数量大于阀值时，则根据皮尔逊相关度采用协同过滤算法计算当前影视节目与其它影视节目的相似度。这个阀值可以定义为50，或者是其它数值。

当基于影视节目的内容相关度计算当前影视节目与其它影视节目的相似度时，其计算公式如下所示：

$\mathrm{sim}(\stackrel{\→}{a},\stackrel{\→}{b})={\mathrm{\ω}}_d{\mathrm{Sin}}_d(\stackrel{\→}{a},\stackrel{\→}{b})+{\mathrm{\ω}}_w{\mathrm{Sim}}_w(\stackrel{\→}{a},\stackrel{\→}{b})+{\mathrm{\ω}}_g{\mathrm{Sim}}_g(\stackrel{\→}{a},\stackrel{\→}{b})$

$+{\mathrm{\ω}}_a{\mathrm{Sim}}_a(\stackrel{\→}{a},\stackrel{\→}{b})+{\mathrm{\ω}}_c{\mathrm{Sim}}_c(\stackrel{\→}{a},\stackrel{\→}{b})$

分别表示a、b两部电影的特征向量，Sim_d为导演元素相似度，ω_d为导演元素相似度在总相似度度量中的权重；Sim_w为编剧元素相似度，ω_w为编剧元素相似度在总相似度度量中的权重；Sim_g为风格元素相似度，ω_g为风格元素相似度在总相似度度量中的权重；Sim_a为演员元素相似度，ω_a为演员元素相似度在总相似度度量中的权重；Sim_c为制片国家元素相似度，ω_c为制片国家元素在总相似度度量中的权重。各元素的相似度值采用Tanimoto系数来度量。

进而按相似度对其它影视节目从高到低的顺序进行排序，获取5个相似度较高的其它影视节目作为当前影视节目近邻的近邻信息。

当根据皮尔逊相关度采用协同过滤算法计算当前影视节目与其他影视节目的相似度，其计算公式如下所示：

$r=\frac{\underset{i}{\mathrm{\Σ}}(X_i-\stackrel{\‾}{X})(Y_i-\stackrel{\‾}{Y})}{\sqrt{\underset{i}{\mathrm{\Σ}}{(X_i-\stackrel{\‾}{X})}^2\underset{i}{\mathrm{\Σ}}{(Y_i-\stackrel{\‾}{Y})}^2}}$

X_i和Y_i分别表示用户i对影视节目X和Y的评分，

分别表示影视节目X和Y的分数平均值。

具体实施中，按相似度对其它影视节目从高到低的顺序进行排序，并获取相似度大于0.8的影视节目作为其近邻，如果近邻小于5，则重新根据影视节目的内容相关度计算当前影视节目与其它影视节目的相似度，获取足够的近邻，并补全至n个近邻。

图4示出了图1方法中的S104步骤的具体流程示意图，如图4所示，S104进一步包括：

S1041，获取用户的评分记录，并根据评分记录创建喜爱影视节目列表；

S1042，比较喜爱影视节目列表与相似影视节目列表，并获得候选影视列表；

S1043，计算候选影视列表中任一影视节目与喜爱影视节目列表中所有影视节目的相似度；

S1044，根据相似度的高低对候选影视列表中的影视节目进行排序，并获得推荐结果。

读取用户的评分记录，获取那些打了4分或4分以上的影视节目(说明该用户喜爱这些节目)，构成喜爱影视节目列表U，对于影视节目列表U的每个影视节目，可以从相似影视节目列表中得到k个影视节目，排除已经存在U中的影视节目，从而获得一个候选影视列表C；对于候选影视列表C中的每一个影视节目，计算其与喜爱影视节目列表U中所有影视节目的相似度和；步骤4：按相似度和对候选影视列表C中的影视节目进行降序排序，获取相似度最高的n个影视节目作为推荐结果。

另外，具体实施中，本发明实施例的方法还可以包括：将推荐结果进行显示，将该推荐结果通过显示装置呈现给数字电视用户。

在本发明方法实施例中，可以通过对影视节目相似度的计算而获得影视节目的推荐结果，针对现有技术中协同过滤推荐***的冷启动问题，在协同过滤推荐方法的基础上加入了基于内容的推荐方法，结合两种方法进行构造相似影视节目列表，并通过相似影视节目列表为用户提供推荐服务；可以帮助数字电视用户找到可能感兴趣的影视节目；可以确保数字电视的新用户能够得到较为准确的推荐服务；且避免了新加入的影视节目难以获得***推荐的问题。

相应地，本发明实施例还公开了一种数字电视的影视节目推荐装置，如图5所示，该影视节目推荐装置包括：

收集模块50，用于收集数字电视用户的基本信息；

构造模块51，用于根据收集模块50所收集的用户的基本信息构造初始预测评分矩阵；

创建模块52，用于根据构造模块51所构造的初始预测评分矩阵创建相似影视节目列表；

推荐结果获取模块53，用于根据创建模块52所创建的影视节目相似列表获得推荐结果。

上述用户的基本信息包括用户年龄信息、用户性别信息、用户职业信息、用户地域信息、用户的影视节目观看频繁度信息、用户学历信息等。

进一步地，如图6所示，该构造模块51包括：

评分计算单元510，用于根据用户的基本信息计算同一类型的用户对同一影视节目评分的平均值以获得该影视节目的初始预测评分值；

评分排序单元511，用于按照从高到低的顺序对同一类型的用户中所有影视节目的初始预测评分值进行排序，并获得初始预测评分值排名靠前的多个影视节目；

矩阵构造单元512，用于将初始预测评分排名靠前的多个影视节目及多个影视节目各自对应的初始预测评分值构造每一类型用户的初始评分矩阵。

进一步地，如图7所示，该创建模块52包括：

获取单元520，用于获取对同一影视节目评分的用户的数量；

第一相似度计算单元521，用于根据获取单元520所获取的数量计算用户所评分的当前影视节目与其它影视节目的相似度；

相似度排序单元522，用于根据第一相似度计算单元521所计算的相似度对其它影视节目按照从高到低的顺序进行排序，并获得相似度较高的其它影视节目作为当前影视节目近邻的近邻信息；

第一列表创建单元523，用于根据相似度排序单元522所获得的当前影视节目的近邻信息创建当前影视节目的相似影视节目列表。

另外，第一相似度计算单元521还用于根据影视节目的内容相关度计算当前影视节目与其它影视节目的相似度；或者，用于根据皮尔逊相关度采用协同过滤算法计算当前与其它影视节目的相似度。

上述相似度的计算方法可参见本发明方法实施例中的计算方法的相关描述，这里不再赘述。

进一步地，如图8所示，该推荐结果获取模块53包括：

第二列表创建单元530，用于获取用户的评分记录，并根据评分记录创建喜爱影视节目列表；

比较单元531，用于比较喜爱影视节目列表与相似影视节目列表，并获得候选影视列表；

第二相似度计算单元532，用于计算候选影视列表中任一影视节目与喜爱影视节目列表中所有影视节目的相似度；

推荐结果排序单元533，用于根据相似度的高低对候选影视列表中的影视节目进行排序，并获得推荐结果。

在本发明装置实施例中，可以通过对影视节目相似度的计算而获得影视节目的推荐结果，针对现有技术中协同过滤推荐***的冷启动问题，在协同过滤推荐方法的基础上加入了基于内容的推荐方法，结合两种方法进行构造相似影视节目列表，并通过相似影视节目列表为用户提供推荐服务；可以帮助数字电视用户找到可能感兴趣的影视节目；可以确保数字电视的新用户能够得到较为准确的推荐服务；且避免了新加入的影视节目难以获得***推荐的问题。

以上对本发明实施例所提供的数字电视的影视节目推荐方法及其装置，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种数字电视的影视节目推荐方法，其特征在于，所述方法包括：

收集数字电视用户的基本信息；

根据所述用户的基本信息构造初始预测评分矩阵；

根据所述初始预测评分矩阵创建相似影视节目列表；

根据所述影视节目相似列表获得推荐结果。

2.如权利要求1所述的数字电视的影视节目推荐方法，其特征在于，所述根据所述用户的基本信息构造初始预测评分矩阵的步骤包括：

根据所述用户的基本信息计算同一类型的用户对同一影视节目评分的平均值以获得该影视节目的初始预测评分值；

按照从高到低的顺序对所述同一类型的用户中所有影视节目的初始预测评分值进行排序，并获得所述初始预测评分值排名靠前的多个影视节目；

将所述初始预测评分排名靠前的多个影视节目及所述多个影视节目各自对应的初始预测评分值构造每一类型用户的初始评分矩阵。

3.如权利要求1或2所述的数字电视的影视节目推荐方法，其特征在于，所述根据所述初始预测评分矩阵创建相似影视节目列表的步骤包括：

获取对同一影视节目评分的用户的数量；

根据所述数量计算用户所评分的当前影视节目与其它影视节目的相似度；

根据所述相似度对所述其它影视节目按照从高到低的顺序进行排序，并获得相似度较高的其它影视节目作为所述当前影视节目近邻的近邻信息；

根据所述当前影视节目的近邻信息创建所述当前影视节目的相似影视节目列表。

4.如权利要求3所述的数字电视的影视节目推荐方法，其特征在于，所述根据所述数量计算用户所评分的当前影视节目与其它影视节目的相似度的步骤包括：

根据影视节目的内容相关度计算所述当前影视节目与其它影视节目的相似度；或者，

根据皮尔逊相关度采用协同过滤算法计算当前影视节目与其它影视节目的相似度。

5.如权利要求1所述的数字电视的影视节目推荐方法，其特征在于，所述根据所述影视节目相似列表获得推荐结果的步骤包括：

获取用户的评分记录，并根据所述评分记录创建喜爱影视节目列表；

比较所述喜爱影视节目列表与所述相似影视节目列表，并获得候选影视列表；

计算所述候选影视列表中任一影视节目与所述喜爱影视节目列表中所有影视节目的相似度；

根据所述相似度的高低对所述候选影视列表中的影视节目进行排序，并获得推荐结果。

6.一种数字电视的影视节目推荐装置，其特征在于，所述影视节目推荐装置包括：

收集模块，用于收集数字电视用户的基本信息；

构造模块，用于根据所述收集模块所收集的用户的基本信息构造初始预测评分矩阵；

创建模块，用于根据所述构造模块所构造的初始预测评分矩阵创建相似影视节目列表；

推荐结果获取模块，用于根据所述创建模块所创建的影视节目相似列表获得推荐结果。

7.如权利要求6所述的数字电视的影视节目推荐装置，其特征在于，所述构造模块包括：

评分计算单元，用于根据所述用户的基本信息计算同一类型的用户对同一影视节目评分的平均值以获得该影视节目的初始预测评分值；

评分排序单元，用于按照从高到低的顺序对所述同一类型的用户中所有影视节目的初始预测评分值进行排序，并获得所述初始预测评分值排名靠前的多个影视节目；

矩阵构造单元，用于将所述初始预测评分排名靠前的多个影视节目及所述多个影视节目各自对应的初始预测评分值构造每一类型用户的初始评分矩阵。

8.如权利要求6或7所述的数字电视的影视节目推荐装置，其特征在于，所述创建模块包括：

获取单元，用于获取对同一影视节目评分的用户的数量；

第一相似度计算单元，用于根据所述获取单元所获取的数量计算用户所评分的当前影视节目与其它影视节目的相似度；

相似度排序单元，用于根据所述第一相似度计算单元所计算的相似度对所述其它影视节目按照从高到低的顺序进行排序，并获得相似度较高的其它影视节目作为所述当前影视节目近邻的近邻信息；

第一列表创建单元，用于根据所述相似度排序单元所获得的当前影视节目的近邻信息创建所述当前影视节目的相似影视节目列表。

9.如权利要求8所述的数字电视的影视节目推荐装置，其特征在于，所述第一相似度计算单元用于根据影视节目的内容相关度计算所述当前影视节目与其它影视节目的相似度；或者，用于根据皮尔逊相关度采用协同过滤算法计算当前影视节目与其它影视节目的相似度。

10.如权利要求6所述的数字电视的影视节目推荐装置，其特征在于，所述推荐结果获取模块包括：

第二列表创建单元，用于获取用户的评分记录，并根据所述评分记录创建喜爱影视节目列表；

比较单元，用于比较所述喜爱影视节目列表与所述相似影视节目列表，并获得候选影视列表；

第二相似度计算单元，用于计算所述候选影视列表中任一影视节目与所述喜爱影视节目列表中所有影视节目的相似度；

推荐结果排序单元，用于根据所述相似度的高低对所述候选影视列表中的影视节目进行排序，并获得推荐结果。

Images