CN103888852A - 用于社交电视的视频推荐方法和装置 - Google Patents
用于社交电视的视频推荐方法和装置 Download PDFInfo
- Publication number
- CN103888852A CN103888852A CN201410112262.7A CN201410112262A CN103888852A CN 103888852 A CN103888852 A CN 103888852A CN 201410112262 A CN201410112262 A CN 201410112262A CN 103888852 A CN103888852 A CN 103888852A
- Authority
- CN
- China
- Prior art keywords
- user
- timeslice
- matrix
- program
- social
- 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.)
- Granted
Links
Images
Landscapes
- Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提出一种用于社交电视的视频推荐方法和装置,方法包括:获取多个用户的历史直播数据;根据历史直播数据获取每个用户观看每个视频节目的次数信息,根据次数信息生成用户-节目打分矩阵;获取n个时间片,根据n个时间片对用户-节目打分矩阵进行划分和打分权重调整,以获取每个时间片对应的用户-节目-时间片打分矩阵;获取多个用户在社交电视平台上的关注信息并生成用户社交关系矩阵;根据用户社交关系矩阵和每个时间片对应的用户-节目-时间片打分矩阵获取在每个时间片给每个用户推荐的第一推荐结果,将第一推荐结果与电子导航菜单中的节目进行匹配,生成第二推荐结果。该方法可在不同时间为不同用户提供个性化视频推荐,提升用户体验。
Description
技术领域
本发明涉及电子信息技术领域,特别涉及一种用于社交电视的视频推荐方法和装置。
背景技术
长期以来广播电视是单向广播式的,人们只能被动地收听收看电台播出的节目。然而随着新媒体的快速发展,传统电视的“你播我看”模式已不能完全满足观众的需求。
一种可涉及多种终端互动的电视观看模式正在兴起,这种模式可将电视屏的内容与计算机、平板电脑和手机等其它屏幕的社交媒体(如推特网Twitter和脸谱网Facebook等)进行无缝结合,整合了语音传播、文字聊天、电视推荐的服务,使用户、终端和网络之间互联,让电视成为社交媒体终端的一部分,以增加电视的观看体验,即所谓的社交电视(Social TV)。社交电视服务能够在用户观看电视(视频)节目的场景下,提供传播及社交互动的任何应用社交电视***在电视内容的基础上,可整合文字聊天,情境感知,电视推荐,收视率调查,语音传播,视频聚会等服务。
但是,目前许多社交电视平台的直播电视推荐都是根据人工手动进行编辑。然而随着用户行为信息的迅猛增加,大量社交媒体内容充斥着网络。用户可以观看的节目数量也呈***式增长。这种根据人工手动进行编辑的直播推荐方式的存在以下缺点:(1)面对日益丰富的节目内容,根据人工手动进行编辑需要耗费大量时间和人力;(2)这种直播推荐方式对所有用户的推荐内容都相同,缺乏针对性,从而导致用户体验差。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此,本发明的第一个目的在于提出一种用于社交电视的视频推荐方法。该方法避免了人工手动编辑带来的耗时耗力的问题,实现了在不同时间段为不同用户提供个性化的直播视频推荐,大大提升了用户体验。
本发明的第二个目的在于提出一种用于社交电视的视频推荐装置。
为了实现上述目的,本发明第一方面实施例的用于社交电视的视频推荐方法,包括:获取多个用户的历史直播数据;根据所述历史直播数据获取每个用户观看每个视频节目的次数信息,并根据所述次数信息生成用户-节目打分矩阵;获取n个时间片,并根据所述n个时间片对所述用户-节目打分矩阵进行划分和打分权重调整,以获取每个时间片对应的用户-节目-时间片打分矩阵,其中,n为正整数;获取所述多个用户在社交电视平台上的关注信息,并根据所述关注信息生成用户社交关系矩阵;以及根据所述用户社交关系矩阵和所述每个时间片对应的用户-节目-时间片打分矩阵获取在所述每个时间片给所述每个用户推荐的第一推荐结果,并将所述第一推荐结果与电子导航菜单中的节目进行匹配,以生成第二推荐结果。
根据本发明实施例的用于社交电视的视频推荐方法,由于采用了时间片划分技术,解决了视频推荐中的数据稀疏性问题;同时考虑了用户的社交关系对视频推荐的影响,使得视频推荐更具有针对性。从而实现了在不同时间段为不同用户提供个性化的直播视频推荐,大大提升了用户体验,同时也避免了通过人工手动编辑进行推荐带来的耗时耗力的问题。
为了实现上述目的,本发明第二方面实施例的用于社交电视的视频推荐装置,包括:历史数据获取模块,用于获取多个用户的历史直播数据;打分矩阵生成模块,用于根据所述历史直播数据获取每个用户观看每个视频节目的次数信息,并根据所述次数信息生成用户-节目打分矩阵;时间片划分模块,用于获取n个时间片,并根据所述n个时间片对所述用户-节目打分矩阵进行划分和打分权重调整,以获取每个时间片对应的用户-节目-时间片打分矩阵,其中,n为正整数;社交关系矩阵生成模块,用于获取所述多个用户在社交电视平台上的关注信息,并根据所述关注信息生成用户社交关系矩阵;第一推荐结果生成模块,用于根据所述用户社交关系矩阵和所述每个时间片对应的用户-节目-时间片打分矩阵获取在所述每个时间片给所述每个用户推荐的第一推荐结果;以及第二推荐结果生成模块,用于将所述第一推荐结果与电子导航菜单中的节目进行匹配,以生成第二推荐结果。
本发明实施例的用于社交电视的视频推荐装置,由于时间片划分模块对用户-节目打分矩阵进行基于时间片的划分和打分权重调整,解决了视频推荐中的数据稀疏性问题;同时社交关系矩阵生成模块考虑了用户的社交关系对视频推荐的影响,使得视频推荐更具有针对性。从而实现了在不同时间段为不同用户提供个性化的直播视频推荐,大大提升了用户体验,同时也避免了通过人工手动编辑进行推荐带来的耗时耗力的问题。
附图说明
图1是根据本发明一个实施例的用于社交电视的视频推荐方法的流程图;
图2是根据本发明一个实施例的历史直播数据和用户-节目打分矩阵的示意图;
图3是根据本发明一个实施例的用户-节目-时间片打分矩阵的生成过程示意图;
图4是根据本发明实施例的获取第一推荐结果的流程图;
图5是根据本发明一个实施例的用于社交电视的视频推荐装置的结构示意图;
图6是根据本发明一个实施例的第一推荐结果生成模块的结构示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
目前,许多社交电视平台的直播电视推荐采用人工手动进行编辑的方式,存在耗时耗力、推荐的视频缺乏针对性等问题。要解决上述问题,可以从以下三个方面着手:(1)如何将用户在社交电视的视频播放行为信息应用到推荐中。社交电视平台向用户提供了一个电视观看前,观看中,观看后的交流分享平台。通过相关的信息分享交流,可以促成用户对节目信息更广泛,更快的传播。也可能使得用户对于内容有更深层次的关注。这些观众在社交电视上的言论可以收集起来,进行处理和分析,用于推荐;(2)如何将用户在社交电视的社交行为信息应用到推荐中。用户的电视/视频节目兴趣不是单一的。因此其在社交网络上的交流肯定覆盖一定数量的。同时社交网络会有高端影响力者,热心用户或铁杆粉丝,以及当前潮流导向,对用户的选择产生影响;(3)直播视频推荐本身的挑战,数据稀疏性、实时性等问题。
为此,本发明提出了一种用于社交电视的视频推荐方法和装置。下面参考附图描述本发明实施例的用于社交电视的视频推荐方法和装置。
图1是根据本发明一个实施例的用于社交电视的视频推荐方法的流程图。
如图1所示,本发明实施例的用于社交电视的视频推荐方法包括以下步骤。
S101,获取多个用户的历史直播数据。
具体地,获取多个用户在社交电视平台的历史直播数据,并对历史直播数据进行预处理,例如,删去信息缺失、内容无效等噪音,以筛选出有效的历史直播数据。
在本发明的实施例中,历史直播数据包括用户标识、视频节目标识、频道标识、观看起始时间和观看结束时间。
S102,根据历史直播数据获取每个用户观看每个视频节目的次数信息,并根据次数信息生成用户-节目打分矩阵。
在本发明的实施例中,根据历史直播数据中的用户标识、视频节目标识等信息获取每个用户观看每个视频节目的次数,然后根据用户标识、视频节目标识以及次数生成用户-节目打分矩阵。
具体地,例如,图2所示为历史直播数据和用户-节目打分矩阵的示意图,用户-节目打分矩阵记为R。
S103,获取n个时间片,并根据n个时间片对用户-节目打分矩阵进行划分和打分权重调整,以获取每个时间片对应的用户-节目-时间片打分矩阵,其中,n为正整数。
具体地,时间片是指一个时间段范围,例如,时间片1可以是上午8:00-10:00。对用户-节目打分矩阵R进行时间片的划分,根据用户观看的时间,将历史直播数据划分到n个时间片之中。
更具体地,对于每一个时间片i,都生成基于该时间片i的用户-节目-时间片打分矩阵Ri,最终获得n个基于时间片的用户-节目-时间片打分矩阵R1,R2,…,Rn。图3所示为基于时间片的用户-节目-时间片打分矩阵的生成过程。针对每个时间片,提高用户-节目打分矩阵R中,用户在该时间片中打分的权重,而该用户在其余时间上的打分保持不变。如图3所示,例如,用户user4在时间片1光看了节目prog323,则在R1中提高用户user4在时间片1上对节目prog323打分的权重,即在时间片1上user4在对节目prog323打分权重由“3”提高至“6”,而在其它的时间片上,user4在对节目prog323的打分权重不变,仍为“3”。
在本发明的实施例中,以时间片1为例,由于时间片1对应的用户-节目-时间片打分矩阵R1中的数据,既包括在时间片1上用户对节目的打分数据,又包括在其他时间片上用户对节目的打分数据,所以采用时间片划分技术可以有效解决数据稀疏性问题。
S104,获取多个用户在社交电视平台上的关注信息,并根据关注信息生成用户社交关系矩阵。
具体地,用户的观看行为以及对直播视频的选择,不仅会受到时间片的影响,还会受到潮流导向,以及社交圈好友喜好的影响。一般来讲,越亲密的社交朋友对目标用户的直播推荐的影响越大。考虑用户的社交关系对视频推荐的影响,可以使得推荐结果更满足用户的个性化需求。
在本发明的实施例中,关注信息包括用户之间的相互关注信息和用户之间共同关注的话题信息。例如,用户1和用户2在新浪微博中的关系为互相关注,又如,用户1和用户3在某论坛里关注了相同的话题信息。
更具体地,获取关注信息后,关注信息进行预处理,删去字段缺失的信息以及内容无效的信息,用于后续度量用户之间的相似度。
根据关注信息生成用户社交关系矩阵,记为W。用户社交关系矩阵W通过下述公式(1)、(2)、(3)获取:
wi,j=comi,j·frii,j, (1)
其中,wi,j为用户社交关系矩阵W中第i行、第j列的元素值,wi,j表示用户i与用户j的关系权重,comi,j表示用户i与用户j共同关注话题的权重,frii,j表示用户i与用户j之间相互关注的权重;
其中,comi,j表示用户i与用户j共同关注话题的权重,Topici,j表示用户i和用户j共同关注的话题的集合,Topici,j={t1,t2,t3...tn},hot(tk)表示关注话题tk的人数,如此可降低普遍热门话题对衡量用户之间相似度带来的影响;
其中,frii,j表示用户i与用户j之间相互关注的权重,Fi表示用户i的社交圈朋友的集合,Fj表示用户j的社交圈朋友的集合。
S105,根据用户社交关系矩阵和每个时间片对应的用户-节目-时间片打分矩阵获取在每个时间片给每个用户推荐的第一推荐结果,并将第一推荐结果与电子导航菜单中的节目进行匹配,以生成第二推荐结果。
具体地,使用基于用户的协同过滤推荐算法对用户-节目-时间片打分矩阵R1,R2,…,Rn进行推荐计算,将用户社交关系矩阵W用于算法中的相似度计算。计算后得出在时间片t上,给用户的第一推荐结果,例如,在时间片1上(如上午8:00-10:00)给用户u1推荐的第一推荐结果为prog3、prog8、prog21、prog33、prog156和prog389。然后在电子导航菜单中获取上述节目中上午8:00-10:00实际会播出的节目(即第二推荐结果),例如prog8、prog21、prog156和prog389。之后获取播放节目prog8、prog21、prog156和prog389的频道(如,频道45、频道28、频道7和频道56),最后,将这些频道推荐给用户u1。其中,第一推荐结果的计算过程在后面的实施例中进行介绍。
本发明实施例的用于社交电视的视频推荐方法,由于采用了时间片划分技术,解决了视频推荐中的数据稀疏性问题;同时考虑了用户的社交关系对视频推荐的影响,使得视频推荐更具有针对性。从而实现了在不同时间段为不同用户提供个性化的直播视频推荐,大大提升了用户体验,同时也避免了通过人工手动编辑进行推荐带来的耗时耗力的问题。
下面对第一推荐结果的计算过程进行介绍。
图4是根据本发明实施例的获取第一推荐结果的流程图。
如图4所示,在本发明的实施例中,根据用户社交关系矩阵和每个时间片对应的用户-节目-时间片打分矩阵获取在每个时间片给每个用户推荐的第一推荐结果包括:
S201,对用户社交关系矩阵进行归一化以获取归一化矩阵。
具体地,为了方便计算,将用户社交关系矩阵W进行归一化,得到归一化矩阵W'。
S202,对于每个时间片,分别根据归一化矩阵和对应的用户-节目-时间片打分矩阵获取每个时间片对应的评分矩阵,其中,评分矩阵中的元素为每个用户对每个视频节目的评分。
具体地,分别根据归一化矩阵W'和用户-节目-时间片打分矩阵R1,R2,…,Rn获取每个时间片对应的评分矩阵,即时间片1,时间片2,…,时间片n对应的评分矩阵为R1',R2',...,Rn',其中,评分矩阵中的元素为每个用户对每个视频节目的评分。
更具体地,用户对视频节目的评分由下述公式获取:
其中,r'i,p表示在时间片tk上用户i对视频节目p的评分,w'i,j为归一化矩阵W'中的元素,表示用户i与用户j之间的相似度,ri,p为时间片tk对应的用户-节目-时间片打分矩阵Rk中的元素,ri,p表示用户i在时间片tk上对视频节目p的打分权重,U表示所有用户的集合。
S203,在每个时间片上,分别将每个用户对每个视频节目的评分进行排序,并根据排序结果获取预设数目的视频节目作为为每个用户推荐的第一推荐结果。
具体地,例如,对于时间片1(如上午8:00-10:00)来讲,时间片1对应的评分矩阵为R1',从矩阵R1'中获取用户i对所有节目的评分,并将这些评分按照从大到小的顺序进行排序,选出排名在前预设数目(例如,前6个)的视频节目作为第一推荐结果,例如第一推荐结果为prog3、prog8、prog21、prog33、prog156和prog389。
为了实现上述实施例,本发明还提出一种用于社交电视的视频推荐装置。
图5是根据本发明一个实施例的用于社交电视的视频推荐装置的结构示意图。如图5所示,本发明实施例的用于社交电视的视频推荐装置,包括:历史数据获取模块100、打分矩阵生成模块200、时间片划分模块300、社交关系矩阵生成模块400、第一推荐结果生成模块500和第二推荐结果生成模块600。
其中,历史数据获取模块100用于获取多个用户的历史直播数据。
具体地,历史数据获取模块100获取多个用户在社交电视平台的历史直播数据,并对历史直播数据进行预处理,例如,删去信息缺失、内容无效等噪音,以筛选出有效的历史直播数据。
在本发明的实施例中,历史直播数据包括用户标识、视频节目标识、频道标识、观看起始时间和观看结束时间。
打分矩阵生成模块200用于根据历史直播数据获取每个用户观看每个视频节目的次数信息,并根据次数信息生成用户-节目打分矩阵。
在本发明的实施例中,打分矩阵生成模块200根据历史直播数据中的用户标识、视频节目标识等信息获取每个用户观看每个视频节目的次数,然后根据用户标识、视频节目标识以及次数生成用户-节目打分矩阵。
具体地,例如,图2所示为历史直播数据和用户-节目打分矩阵的示意图,用户-节目打分矩阵记为R。
时间片划分模块300用于获取n个时间片,并根据n个时间片对用户-节目打分矩阵进行划分和打分权重调整,以获取每个时间片对应的用户-节目-时间片打分矩阵,其中,n为正整数。
具体地,时间片是指一个时间段范围,例如,时间片1可以是上午8:00-10:00。时间片划分模块300获取n个时间片,并对用户-节目打分矩阵R进行时间片的划分,根据用户观看的时间,将历史直播数据划分到n个时间片之中。
更具体地,对于每一个时间片i,都生成基于该时间片i的用户-节目-时间片打分矩阵Ri,最终获得n个基于时间片的用户-节目-时间片打分矩阵R1,R2,…,Rn。图3所示为基于时间片的用户-节目-时间片打分矩阵的生成过程。针对每个时间片,提高用户-节目打分矩阵R中,用户在该时间片中打分的权重,而该用户在其余时间上的打分保持不变。如图3所示,例如,用户user4在时间片1光看了节目prog323,则提高用户user4在时间片1上对节目prog323打分的权重,即在时间片1上user4在对节目prog323打分权重由“3”提高至“6”,而在其它的时间片上,user4在对节目prog323的打分权重不变,仍为“3”。
在本发明的实施例中,以时间片1为例,由于时间片1对应的用户-节目-时间片打分矩阵R1中的数据,既包括在时间片1上用户对节目的打分数据,又包括在其他时间片上用户对节目的打分数据,所以采用时间片划分技术可以有效解决数据稀疏性问题。
社交关系矩阵生成模块400用于获取多个用户在社交电视平台上的关注信息,并根据关注信息生成用户社交关系矩阵。
具体地,用户的观看行为以及对直播视频的选择,不仅会受到时间片的影响,还会受到潮流导向,以及社交圈好友喜好的影响。一般来讲,越亲密的社交朋友对目标用户的直播推荐的影响越大。考虑用户的社交关系对视频推荐的影响,可以使得推荐结果更满足用户的个性化需求。
在本发明的实施例中,关注信息包括用户之间的相互关注信息和用户之间共同关注的话题信息。例如,用户1和用户2在新浪微博中的关系为互相关注,又如,用户1和用户3在某论坛里关注了相同的话题信息。
更具体地,社交关系矩阵生成模块400获取关注信息,并对关注信息进行预处理,删去字段缺失的信息以及内容无效的信息,用于后续度量用户之间的相似度。
社交关系矩阵生成模块400根据关注信息生成用户社交关系矩阵,记为W。用户社交关系矩阵W通过公式(1)、(2)、(3)获取。
第一推荐结果生成模块500用于根据用户社交关系矩阵和每个时间片对应的用户-节目-时间片打分矩阵获取在每个时间片给每个用户推荐的第一推荐结果。
具体地,第一推荐结果生成模块500使用基于用户的协同过滤推荐算法对用户-节目-时间片打分矩阵R1,R2,…,Rn进行推荐计算,将用户社交关系矩阵W用于算法中的相似度计算。计算后得出在时间片t上,给用户的第一推荐结果,例如,在时间片1上(如上午8:00-10:00)给用户u1推荐的第一推荐结果为prog3、prog8、prog21、prog33、prog156和prog389。
第二推荐结果生成模块600用于将第一推荐结果与电子导航菜单中的节目进行匹配,以生成第二推荐结果。
具体地,例如,在时间片1上(如上午8:00-10:00)给用户u1推荐的第一推荐结果为prog3、prog8、prog21、prog33、prog156和prog389。第二推荐结果生成模块600则在电子导航菜单中获取上述节目中上午8:00-10:00实际会播出的节目(即第二推荐结果),例如prog8、prog21、prog156和prog389。之后,第二推荐结果生成模块600获取播放节目prog8、prog21、prog156和prog389的频道(如,频道45、频道28、频道7和频道56),从而将这些频道推荐给用户u1。
本发明实施例的用于社交电视的视频推荐装置,由于时间片划分模块对用户-节目打分矩阵进行基于时间片的划分和打分权重调整,解决了视频推荐中的数据稀疏性问题;同时社交关系矩阵生成模块考虑了用户的社交关系对视频推荐的影响,使得视频推荐更具有针对性。从而实现了在不同时间段为不同用户提供个性化的直播视频推荐,大大提升了用户体验,同时也避免了通过人工手动编辑进行推荐带来的耗时耗力的问题。
图6是根据本发明一个实施例的第一推荐结果生成模块的结构示意图。
在本发明的实施例中,如图6所示,第一推荐结果生成模块500包括:归一化矩阵获取单元510、评分矩阵获取单元520和第一推荐结果获取单元530。
其中,归一化矩阵获取单元510用于对用户社交关系矩阵进行归一化以获取归一化矩阵。
具体地,为了方便计算,归一化矩阵获取单元510用于将用户社交关系矩阵W进行归一化,得到归一化矩阵W'。
评分矩阵获取单元520用于对于每个时间片,分别根据归一化矩阵和对应的用户-节目-时间片打分矩阵获取每个时间片对应的评分矩阵,其中,评分矩阵中的元素为每个用户对每个视频节目的评分。
具体地,评分矩阵获取单元520用于分别根据归一化矩阵W'和用户-节目-时间片打分矩阵R1,R2,…,Rn获取每个时间片对应的评分矩阵,即时间片1,时间片2,…,时间片n对应的评分矩阵为R1',R2',...,Rn',其中,评分矩阵中的元素为每个用户对每个视频节目的评分。更具体地,用户对视频节目的评分由公式(4)获取。
第一推荐结果获取单元530用于在每个时间片上,分别将每个用户对每个视频节目的评分进行排序,并根据排序结果获取预设数目的视频节目作为为每个用户推荐的第一推荐结果。
具体地,例如,对于时间片1(如上午8:00-10:00)来讲,时间片1对应的评分矩阵为R1',第一推荐结果获取单元530用于从矩阵R1'中获取用户i对所有节目的评分,并将这些评分按照从大到小的顺序进行排序,选出排名在前预设数目(例如,前6个)的视频节目作为第一推荐结果,例如第一推荐结果为prog3、prog8、prog21、prog33、prog156和prog389。
在本发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (12)
1.一种用于社交电视的视频推荐方法,其特征在于,包括:
获取多个用户的历史直播数据;
根据所述历史直播数据获取每个用户观看每个视频节目的次数信息,并根据所述次数信息生成用户-节目打分矩阵;
获取n个时间片,并根据所述n个时间片对所述用户-节目打分矩阵进行划分和打分权重调整,以获取每个时间片对应的用户-节目-时间片打分矩阵,其中,n为正整数;
获取所述多个用户在社交电视平台上的关注信息,并根据所述关注信息生成用户社交关系矩阵;以及
根据所述用户社交关系矩阵和所述每个时间片对应的用户-节目-时间片打分矩阵获取在所述每个时间片给所述每个用户推荐的第一推荐结果,并将所述第一推荐结果与电子导航菜单中的节目进行匹配,以生成第二推荐结果。
2.根据权利要求1所述的方法,其特征在于,所述历史直播数据包括用户标识、视频节目标识、频道标识、观看起始时间和观看结束时间。
3.根据权利要求1或2所述的方法,其特征在于,所述关注信息包括用户之间的相互关注信息和用户之间共同关注的话题信息。
4.根据权利要求3所述的方法,其特征在于,所述用户社交关系矩阵通过下述公式(1)、(2)、(3)获取:
wi,j=comi,j·frii,j, (1)
其中,wi,j为所述用户社交关系矩阵W中第i行、第j列的元素值,wi,j表示用户i与用户j的关系权重,comi,j表示所述用户i与所述用户j共同关注话题的权重,frii,j表示所述用户i与所述用户j之间相互关注的权重;
其中,comi,j表示所述用户i与所述用户j共同关注话题的权重,Topici,j表示所述用户i和所述用户j共同关注的话题的集合,Topici,j={t1,t2,t3...tn},hot(tk)表示关注话题tk的人数;
其中,frii,j表示所述用户i与所述用户j之间相互关注的权重,Fi表示所述用户i的社交圈朋友的集合,Fj表示所述用户j的社交圈朋友的集合。
5.根据权利要求4所述的方法,其特征在于,所述根据所述用户社交关系矩阵和所述每个时间片对应的用户-节目-时间片打分矩阵获取在所述每个时间片给所述每个用户推荐的第一推荐结果包括:
对所述用户社交关系矩阵进行归一化以获取归一化矩阵;
对于所述每个时间片,分别根据所述归一化矩阵和对应的所述用户-节目-时间片打分矩阵获取所述每个时间片对应的评分矩阵,其中,所述评分矩阵中的元素为所述每个用户对所述每个视频节目的评分;
在所述每个时间片上,分别将所述每个用户对所述每个视频节目的评分进行排序,并根据排序结果获取预设数目的视频节目作为为所述每个用户推荐的所述第一推荐结果。
6.根据权利要求5所述的方法,其特征在于,所述每个用户对所述每个视频节目的评分由下述公式获取:
其中,r'i,p表示在时间片tk上用户i对视频节目p的评分,w'i,j为所述归一化矩阵中的元素,w'i,j表示所述用户i与用户j之间的相似度,ri,p为所述时间片tk对应的用户-节目-时间片打分矩阵中的元素,ri,p表示所述用户i在所述时间片tk上对所述视频节目p的打分权重,U表示所有用户的集合。
7.一种用于社交电视的视频推荐装置,其特征在于,包括:
历史数据获取模块,用于获取多个用户的历史直播数据;
打分矩阵生成模块,用于根据所述历史直播数据获取每个用户观看每个视频节目的次数信息,并根据所述次数信息生成用户-节目打分矩阵;
时间片划分模块,用于获取n个时间片,并根据所述n个时间片对所述用户-节目打分矩阵进行划分和打分权重调整,以获取每个时间片对应的用户-节目-时间片打分矩阵,其中,n为正整数;
社交关系矩阵生成模块,用于获取所述多个用户在社交电视平台上的关注信息,并根据所述关注信息生成用户社交关系矩阵;
第一推荐结果生成模块,用于根据所述用户社交关系矩阵和所述每个时间片对应的用户-节目-时间片打分矩阵获取在所述每个时间片给所述每个用户推荐的第一推荐结果;以及
第二推荐结果生成模块,用于将所述第一推荐结果与电子导航菜单中的节目进行匹配,以生成第二推荐结果。
8.根据权利要求7所述的装置,其特征在于,所述历史直播数据包括用户标识、视频节目标识、频道标识、观看起始时间和观看结束时间。
9.根据权利要求7或8所述的装置,其特征在于,所述关注信息包括用户之间的相互关注信息和用户之间共同关注的话题信息。
10.根据权利要求9所述的装置,其特征在于,所述用户社交关系矩阵通过下述公式(1)、(2)、(3)获取:
wi,j=comi,j·frii,j, (1)
其中,wi,j为所述用户社交关系矩阵W中第i行、第j列的元素值,wi,j表示用户i与用户j的关系权重,comi,j表示所述用户i与所述用户j共同关注话题的权重,frii,j表示所述用户i与所述用户j之间相互关注的权重;
其中,comi,j表示所述用户i与所述用户j共同关注话题的权重,Topici,j表示所述用户i和所述用户j共同关注的话题的集合,Topici,j={t1,t2,t3...tn},hot(tk)表示关注话题tk的人数;
其中,frii,j表示所述用户i与所述用户j之间相互关注的权重,Fi表示所述用户i的社交圈朋友的集合,Fj表示所述用户j的社交圈朋友的集合。
11.根据权利要求10所述的装置,其特征在于,所述第一推荐结果生成模块包括:
归一化矩阵获取单元,用于对所述用户社交关系矩阵进行归一化以获取归一化矩阵;
评分矩阵获取单元,用于对于所述每个时间片,分别根据所述归一化矩阵和对应的所述用户-节目-时间片打分矩阵获取所述每个时间片对应的评分矩阵,其中,所述评分矩阵中的元素为所述每个用户对所述每个视频节目的评分;
第一推荐结果获取单元,用于在所述每个时间片上,分别将所述每个用户对所述每个视频节目的评分进行排序,并根据排序结果获取预设数目的视频节目作为为所述每个用户推荐的所述第一推荐结果。
12.根据权利要求11所述的装置,其特征在于,所述每个用户对所述每个视频节目的评分由下述公式获取:
其中,r'i,p表示在时间片tk上用户i对视频节目p的评分,w'i,j为所述归一化矩阵中的元素,w'i,j表示所述用户i与用户j之间的相似度,ri,p为所述时间片tk对应的用户-节目-时间片打分矩阵中的元素,ri,p表示所述用户i在所述时间片tk上对所述视频节目p的打分权重,U表示所有用户的集合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410112262.7A CN103888852B (zh) | 2014-03-24 | 2014-03-24 | 用于社交电视的视频推荐方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410112262.7A CN103888852B (zh) | 2014-03-24 | 2014-03-24 | 用于社交电视的视频推荐方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103888852A true CN103888852A (zh) | 2014-06-25 |
CN103888852B CN103888852B (zh) | 2017-05-31 |
Family
ID=50957540
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410112262.7A Active CN103888852B (zh) | 2014-03-24 | 2014-03-24 | 用于社交电视的视频推荐方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103888852B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104156472A (zh) * | 2014-08-25 | 2014-11-19 | 四达时代通讯网络技术有限公司 | 一种视频推荐方法及*** |
CN104469430A (zh) * | 2014-12-24 | 2015-03-25 | 武汉泰迪智慧科技有限公司 | 基于上下文和群组组合的视频推荐方法及*** |
CN105677715A (zh) * | 2015-12-29 | 2016-06-15 | 海信集团有限公司 | 一种基于多用户的视频推荐方法及装置 |
CN106131684A (zh) * | 2016-06-24 | 2016-11-16 | 依偎科技(南昌)有限公司 | 一种内容推荐方法及终端 |
CN106993202A (zh) * | 2017-03-31 | 2017-07-28 | 武汉斗鱼网络科技有限公司 | 首页推荐方法及装置 |
CN107209785A (zh) * | 2015-02-11 | 2017-09-26 | 胡露有限责任公司 | 数据库***中的相关性表聚合 |
CN107483982A (zh) * | 2017-07-11 | 2017-12-15 | 北京潘达互娱科技有限公司 | 一种主播推荐方法与装置 |
CN108419134A (zh) * | 2018-02-05 | 2018-08-17 | 华南理工大学 | 基于个体历史与群体当前行为融合的频道推荐方法 |
CN109218767A (zh) * | 2018-09-03 | 2019-01-15 | 中山大学 | 一种基于时间感知的面向电视盒子点播视频的推荐方法 |
CN110351580A (zh) * | 2019-07-12 | 2019-10-18 | 四川长虹电器股份有限公司 | 基于非负矩阵分解的电视节目专题推荐方法及*** |
CN110996177A (zh) * | 2019-11-27 | 2020-04-10 | 北京爱奇艺智慧娱乐科技有限公司 | 面向点播影院的视频推荐方法、装置及设备 |
CN111225282A (zh) * | 2019-12-30 | 2020-06-02 | 重庆特斯联智慧科技股份有限公司 | 一种基于大数据的视频信息推荐方法、***和可读存储介质 |
CN111263229A (zh) * | 2018-11-30 | 2020-06-09 | 南京超聚通信科技有限公司 | 一种视频分发方法、装置及电子设备 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010009314A2 (en) * | 2008-07-16 | 2010-01-21 | University Of Miami | System and method of using automated collaborative filtering for decision-making in the presence of data imperfections |
CN102231166A (zh) * | 2011-07-12 | 2011-11-02 | 浙江大学 | 基于社会上下文的协同推荐方法 |
CN102426686A (zh) * | 2011-09-29 | 2012-04-25 | 南京大学 | 一种基于矩阵分解的互联网信息产品推荐方法 |
CN102769781A (zh) * | 2012-07-17 | 2012-11-07 | 青岛海信传媒网络技术有限公司 | 推荐电视节目的方法及装置 |
CN102915307A (zh) * | 2011-08-02 | 2013-02-06 | 腾讯科技(深圳)有限公司 | 一种个性化信息推荐的方法、装置及信息处理*** |
CN103019860A (zh) * | 2012-12-05 | 2013-04-03 | 北京奇虎科技有限公司 | 基于协同过滤的处理方法和*** |
US20130204825A1 (en) * | 2012-02-02 | 2013-08-08 | Jiawen Su | Content Based Recommendation System |
CN103260061A (zh) * | 2013-05-24 | 2013-08-21 | 华东师范大学 | 一种上下文感知的iptv节目推荐方法 |
CN103297853A (zh) * | 2013-06-07 | 2013-09-11 | 华东师范大学 | 一种基于多用户上下文识别的iptv节目推荐方法 |
-
2014
- 2014-03-24 CN CN201410112262.7A patent/CN103888852B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010009314A2 (en) * | 2008-07-16 | 2010-01-21 | University Of Miami | System and method of using automated collaborative filtering for decision-making in the presence of data imperfections |
CN102231166A (zh) * | 2011-07-12 | 2011-11-02 | 浙江大学 | 基于社会上下文的协同推荐方法 |
CN102915307A (zh) * | 2011-08-02 | 2013-02-06 | 腾讯科技(深圳)有限公司 | 一种个性化信息推荐的方法、装置及信息处理*** |
CN102426686A (zh) * | 2011-09-29 | 2012-04-25 | 南京大学 | 一种基于矩阵分解的互联网信息产品推荐方法 |
US20130204825A1 (en) * | 2012-02-02 | 2013-08-08 | Jiawen Su | Content Based Recommendation System |
CN102769781A (zh) * | 2012-07-17 | 2012-11-07 | 青岛海信传媒网络技术有限公司 | 推荐电视节目的方法及装置 |
CN103019860A (zh) * | 2012-12-05 | 2013-04-03 | 北京奇虎科技有限公司 | 基于协同过滤的处理方法和*** |
CN103260061A (zh) * | 2013-05-24 | 2013-08-21 | 华东师范大学 | 一种上下文感知的iptv节目推荐方法 |
CN103297853A (zh) * | 2013-06-07 | 2013-09-11 | 华东师范大学 | 一种基于多用户上下文识别的iptv节目推荐方法 |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104156472A (zh) * | 2014-08-25 | 2014-11-19 | 四达时代通讯网络技术有限公司 | 一种视频推荐方法及*** |
CN104469430A (zh) * | 2014-12-24 | 2015-03-25 | 武汉泰迪智慧科技有限公司 | 基于上下文和群组组合的视频推荐方法及*** |
CN107209785A (zh) * | 2015-02-11 | 2017-09-26 | 胡露有限责任公司 | 数据库***中的相关性表聚合 |
CN107209785B (zh) * | 2015-02-11 | 2021-02-09 | 胡露有限责任公司 | 数据库***中的相关性表聚合 |
CN105677715A (zh) * | 2015-12-29 | 2016-06-15 | 海信集团有限公司 | 一种基于多用户的视频推荐方法及装置 |
CN105677715B (zh) * | 2015-12-29 | 2019-06-18 | 海信集团有限公司 | 一种基于多用户的视频推荐方法及装置 |
CN106131684A (zh) * | 2016-06-24 | 2016-11-16 | 依偎科技(南昌)有限公司 | 一种内容推荐方法及终端 |
CN106993202B (zh) * | 2017-03-31 | 2020-06-16 | 武汉斗鱼网络科技有限公司 | 首页推荐方法及装置 |
CN106993202A (zh) * | 2017-03-31 | 2017-07-28 | 武汉斗鱼网络科技有限公司 | 首页推荐方法及装置 |
CN107483982A (zh) * | 2017-07-11 | 2017-12-15 | 北京潘达互娱科技有限公司 | 一种主播推荐方法与装置 |
CN107483982B (zh) * | 2017-07-11 | 2020-08-21 | 北京潘达互娱科技有限公司 | 一种主播推荐方法与装置 |
CN108419134A (zh) * | 2018-02-05 | 2018-08-17 | 华南理工大学 | 基于个体历史与群体当前行为融合的频道推荐方法 |
CN109218767A (zh) * | 2018-09-03 | 2019-01-15 | 中山大学 | 一种基于时间感知的面向电视盒子点播视频的推荐方法 |
CN109218767B (zh) * | 2018-09-03 | 2020-07-31 | 中山大学 | 一种基于时间感知的面向电视盒子点播视频的推荐方法 |
CN111263229A (zh) * | 2018-11-30 | 2020-06-09 | 南京超聚通信科技有限公司 | 一种视频分发方法、装置及电子设备 |
CN110351580A (zh) * | 2019-07-12 | 2019-10-18 | 四川长虹电器股份有限公司 | 基于非负矩阵分解的电视节目专题推荐方法及*** |
CN110351580B (zh) * | 2019-07-12 | 2021-07-13 | 四川长虹电器股份有限公司 | 基于非负矩阵分解的电视节目专题推荐方法及*** |
CN110996177A (zh) * | 2019-11-27 | 2020-04-10 | 北京爱奇艺智慧娱乐科技有限公司 | 面向点播影院的视频推荐方法、装置及设备 |
CN111225282A (zh) * | 2019-12-30 | 2020-06-02 | 重庆特斯联智慧科技股份有限公司 | 一种基于大数据的视频信息推荐方法、***和可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN103888852B (zh) | 2017-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103888852A (zh) | 用于社交电视的视频推荐方法和装置 | |
Chen | Competitions between OTT TV platforms and traditional television in Taiwan: A Niche analysis | |
CN110769270B (zh) | 直播互动的方法及装置、电子设备、存储介质 | |
Markman et al. | Why pod? Further explorations of the motivations for independent podcasting | |
CN104822074B (zh) | 一种电视节目的推荐方法及装置 | |
CN100534130C (zh) | 一种向电视用户推荐节目的方法、***及设备 | |
US10070192B2 (en) | Application for determining and responding to user sentiments during viewed media content | |
WO2016205364A1 (en) | Live content streaming system and method | |
US20160234556A1 (en) | System and Method for Organizing, Ranking and Identifying Users as Official Mobile Device Video Correspondents | |
CN106303731A (zh) | 弹幕的显示方法及装置 | |
WO2011046605A1 (en) | Automatic media asset update over an online social network | |
CN104115504A (zh) | 定向广告 | |
CN102404612A (zh) | 基于深度节目信息的epg***及其实现方法 | |
CN108733842B (zh) | 视频推荐方法及装置 | |
CN104115499B (zh) | 定向广告 | |
CN104115505A (zh) | 有针对性的广告 | |
US20140157294A1 (en) | Content providing apparatus, content providing method, image displaying apparatus, and computer-readable recording medium | |
Bennett | Transformations through Twitter: The England riots, television viewership and negotiations of power through media convergence | |
CN102932681A (zh) | 电视节目推荐的实现方法及*** | |
CN101888502A (zh) | 一种节目信息显示方法、装置及移动终端 | |
Stipp | The branding of television networks: Lessons from branding strategies in the US market | |
CN102905168B (zh) | 一种实时提供电视节目单的方法及*** | |
CN105578292A (zh) | 一种电视节目的推荐方法及*** | |
CN107613323A (zh) | 一种智能epg推荐引擎实现方法 | |
CN103546772B (zh) | 一种社交电视的实现方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |