CN107277570A - 一种改善电视终端推荐***推荐效果的方法 - Google Patents
一种改善电视终端推荐***推荐效果的方法 Download PDFInfo
- Publication number
- CN107277570A CN107277570A CN201710711556.5A CN201710711556A CN107277570A CN 107277570 A CN107277570 A CN 107277570A CN 201710711556 A CN201710711556 A CN 201710711556A CN 107277570 A CN107277570 A CN 107277570A
- Authority
- CN
- China
- Prior art keywords
- cold
- mrow
- msub
- program
- list
- 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
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
- H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
- H04N21/258—Client or end-user data management, e.g. managing client capabilities, user preferences or demographics, processing of multiple end-users preferences to derive collaborative data
- H04N21/25866—Management of end-user data
- H04N21/25891—Management of end-user data being end-user preferences
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/40—Information retrieval; Database structures therefor; File system structures therefor of multimedia data, e.g. slideshows comprising image and additional audio data
- G06F16/43—Querying
- G06F16/435—Filtering based on additional data, e.g. user or group profiles
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
- H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
- H04N21/251—Learning process for intelligent management, e.g. learning user preferences for recommending movies
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
- H04N21/454—Content or additional data filtering, e.g. blocking advertisements
- H04N21/4545—Input to filtering algorithms, e.g. filtering a region of the image
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
- H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
- H04N21/4668—Learning process for intelligent management, e.g. learning user preferences for recommending movies for recommending content, e.g. movies
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- Computer Graphics (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
Abstract
本发明公开了一种改善电视终端推荐***推荐效果的方法,所述电视终端内部安装有推荐***,所述电视终端内部具有媒体资源库,所述电视终端的媒体资源库内部存储有能够播放的所有节目及其相关信息。本发明的目的在于提供一种改善电视终端推荐***推荐效果的方法,通过引入与热榜数据库对应的冷榜数据库,通过媒体资源库以及用户历史行为来构建冷榜进行推荐,可以有效提升推荐***在这些评估指标上的效果,进而改善推荐结果,本发明公开的推荐方法可以作为一种独立的推荐方法,也可以作为其它推荐方法的一种补充。
Description
技术领域
本发明涉及大数据应用技术领域,尤其涉及一种改善电视终端推荐***推荐效果的方法。
背景技术
推荐***作为解决“信息过载”问题的重要工具,在电子商务领域获得了广泛应用:如Amazon网站利用基于项目的协同过滤推荐方法向顾客推荐与兴趣项目类似的项目。推荐***中常见的推荐方法分为协同过滤推荐方法、基于内容的推荐方法和混合推荐方法等。
一个推荐***的实际推荐效果、***性能,可以从多方面进行评估。常见的评估指标有:用户满意度、解释性、预测准确度、覆盖率、多样性、新颖性、惊喜度、信任度、实时性、健壮性等多个维度。
众多的推荐方法各有利弊,利用的数据源有所不同,并且侧重于从已有数据的不同维度进行挖掘信息进而推荐,因此各推荐方法在推荐***评估的各项常见指标中各有优劣,通常难于周全。
发明内容
针对现有当前推荐***推荐结果的解释性不强、覆盖率不够、多样性不足、惊喜度不足等缺点,本发明的目的在于提供一种改善电视终端推荐***推荐效果的方法,通过引入与热榜数据库对应的冷榜数据库,通过媒体资源库以及用户历史行为来构建冷榜进行推荐,可以有效提升推荐***在这些评估指标上的效果,进而改善推荐结果,本发明公开的推荐方法可以作为一种独立的推荐方法,也可以作为其它推荐方法的一种补充。
本发明的目的通过下述技术方案实现:
一种改善电视终端推荐***推荐效果的方法,所述电视终端内部安装有推荐***,所述电视终端内部具有媒体资源库,所述电视终端的媒体资源库内部存储有能够播放的所有节目及其相关信息,其方法步骤如下:
A、判断推荐***是否首次使用;若是首次使用,则进入步骤B,否则,进入步骤C;
B、利用媒体资源库构建与热榜数据库对应的冷榜数据库,冷榜数据库构建方法如下:
B1、根据媒体资源库计算节目相似性矩阵Wn*n:
式中,wij表示节目Ii与节目Ij的相似性;
媒体资源库的所有节目记为I={I1 I2 … Ii … In},每个节目Ii会有多个特征features={feature1,feature2,…,featurek,…,featuref};通过这些特征可以计算节目间的内容相似性,进而获得节目-节目相似性矩阵Wn*n;
假设节目Ii或Ij总共有f个特征,其中有α个序数性特征,f-α个非序数性特征,则节目Ii与节目Ij的相似性可通过如下公式计算:
式中,αk表示第k个特征的重要性,若第k个特征是序数性特征,则节目Ii与节目Ij在第k个特征上的相似性可通过下式计算:
若第k个特征是非序数性特征,则节目Ii与节目Ij在第k个特征上的相似性可通过下式计算:
其中Ii.featureVector和Ij.featureVector分别为节目Ii与节目Ij在第k个特征上的OneHot编码向量;
B2、根据节目-节目相似性矩阵Wn*n通过下式计算节目Ii的冷门度Coldi
Coldi值越小,表明此节目越冷门;对Coldi进行升序排列,得到冷榜数据库:ColdList=sort(Coldi)ascending;
C、利用用户观影行为及媒体资源库构建与热榜数据库对应的冷榜数据库;
C1、利用媒体资源库按照步骤B的方法构建冷榜ColdList1;
C2、根据用户观影行为,统计每个节目Ii被观看的次数,然后将观看次数的多少按照降序排列,得到冷榜ColdList2;
C3、融合ColdList1和ColdList2得到最终冷榜ColdList,假如ColdList2中涉及的节目有p个,则有p≤n,记为ColdList1={I1 I2 … In},ColdList2={I′1 I′2 … I′p},则融合后的ColdList通过以下运算规则得到:
ColdList=(ColdList1-ColdList2)∪ColdList2
其中,符号“-”表示集合差运算,符号∪表示集合并运算;
D、判断当前推荐***是否有其它推荐算法,若有,则转入步骤E,否则,转入步骤F;
E、融合冷榜数据库与其他推荐算法的结果,产生推荐列表RECList;
假如推荐***其他推荐算法,其他推荐算法包括协同过滤或频繁项集,则其他推荐算法产生推荐列表AlgList,则RECList可通过以下运算法则获得:
RECList=AlgList∪(ColdList-AlgList)
其中,符号“-”表示集合差运算,符号∪表示集合并运算;
F:对电视终端用户进行推荐,将步骤E的RECList或步骤C的ColdList推荐给电视终端用户。
本发明较现有技术相比,具有以下优点及有益效果:
本发明的目的在于提供一种改善电视终端推荐***推荐效果的方法,通过引入与热榜数据库对应的冷榜数据库,通过媒体资源库以及用户历史行为来构建冷榜进行推荐,可以有效提升推荐***在这些评估指标上的效果,进而改善推荐结果,本发明公开的推荐方法可以作为一种独立的推荐方法,也可以作为其它推荐方法的一种补充。
附图说明
图1为本发明的流程示意图。
具体实施方式
下面结合实施例对本发明作进一步地详细说明:
实施例一
如图1所示,一种改善电视终端推荐***推荐效果的方法,所述电视终端内部安装有推荐***,所述电视终端内部具有媒体资源库,所述电视终端的媒体资源库内部存储有能够播放的所有节目及其相关信息,其方法步骤如下:
A、判断推荐***是否首次使用;若是首次使用,则进入步骤B,否则,进入步骤C;
B、利用媒体资源库构建与热榜数据库对应的冷榜数据库,冷榜数据库构建方法如下:
B1、根据媒体资源库计算节目相似性矩阵Wn*n:
式中,wij表示节目Ii与节目Ij的相似性;
媒体资源库的所有节目记为I={I1 I2 … Ii … In},每个节目Ii会有多个特征features={feature1,feature2,…,featurek,…,featuref};通过这些特征可以计算节目间的内容相似性,进而获得节目-节目相似性矩阵Wn*n;
假设节目Ii或Ij总共有f个特征,其中有α个序数性特征,f-α个非序数性特征,则节目Ii与节目Ij的相似性可通过如下公式计算:
式中,αk表示第k个特征的重要性,若第k个特征是序数性特征,则节目Ii与节目Ij在第k个特征上的相似性可通过下式计算:
若第k个特征是非序数性特征,则节目Ii与节目Ij在第k个特征上的相似性可通过下式计算:
其中Ii.featureVector和Ij.featureVector分别为节目Ii与节目Ij在第k个特征上的OneHot编码向量;
B2、根据节目-节目相似性矩阵Wn*n通过下式计算节目Ii的冷门度Coldi
Coldi值越小,表明此节目越冷门;对Coldi进行升序排列,得到冷榜数据库:ColdList=sort(Coldi)ascending;
C、利用用户观影行为及媒体资源库构建与热榜数据库对应的冷榜数据库;
C1、利用媒体资源库按照步骤B的方法构建冷榜ColdList1;
C2、根据用户观影行为,统计每个节目Ii被观看的次数,然后将观看次数的多少按照降序排列,得到冷榜ColdList2;
C3、融合ColdList1和ColdList2得到最终冷榜ColdList,假如ColdList2中涉及的节目有p个,则有p≤n,记为ColdList1={I1 I2 … In},ColdList2={I′1 I′2 … I′p},则融合后的ColdList通过以下运算规则得到:
ColdList=(ColdList1-ColdList2)∪ColdList2
其中,符号“-”表示集合差运算,符号∪表示集合并运算;
D、判断当前推荐***是否有其它推荐算法,若有,则转入步骤E,否则,转入步骤F;
E、融合冷榜数据库与其他推荐算法的结果,产生推荐列表RECList;
假如推荐***其他推荐算法,其他推荐算法包括协同过滤或频繁项集,则其他推荐算法产生推荐列表AlgList,则RECList可通过以下运算法则获得:
RECList=AlgList∪(ColdList-AlgList)
其中,符号“-”表示集合差运算,符号∪表示集合并运算;
F:对电视终端用户进行推荐,将步骤E的RECList或步骤C的ColdList推荐给电视终端用户。
实施例二
如图1所示,一种改善电视终端推荐***推荐效果的方法,所述电视终端内部安装有推荐***,所述电视终端内部具有媒体资源库,所述电视终端的媒体资源库内部存储有能够播放的所有节目及其相关信息。
定义媒体资源库:将电视终端能够播放的所有节目及其相关信息存放的位置,称为媒体资源库。
定义用户观影行为:将电视终端用户观看媒体资源的相关行为,称为用户观影行为。
定义冷门度:节目的冷门程度,即冷门度,与节目的热门程度对应,一个节目越冷门,表明此节目越少被公众所知晓。
其方法步骤如下:
步骤一:判断推荐***是否首次使用(装有推荐***应用的所有电视终端均未使用过推荐***,此时存在推荐***冷启动问题,能利用的信息只有媒体资源库信息)。若是首次使用,则转入步骤二,否则,转入步骤三。
步骤二:利用媒体资源库采用基于内容的推荐方法构建与热榜数据库对应的冷榜数据库;
冷榜数据库构建第一步:根据媒体资源库计算节目节目相似性矩阵Wn*n:
式中,wij表示节目Ii与节目Ij的相似性,媒体资源库的所有节目记为I={I1 I2 …Ii … In},每个节目Ii会有多个特征features={feature1,feature2,…,featurek,…,featuref},这些特征通常分为有序的和无序的,例如,影片节目的特征可以为{导演,演员,影片时长,…},其中影片时长是有序的(可数值比较),而导演、演员是无序的。通过这些特征可以计算节目间的内容相似性,进而获得节目-节目相似性矩阵Wn*n。现假设节目Ii或Ij总共有f个特征,其中有α个序数性特征,f-α个非序数性特征,则节目Ii与节目Ij的相似性可通过如下公式计算:
式中,αk表示第k个特征的重要性,Ii.features(k)表示节目Ii的第k个特征。
若第k个特征是序数性特征,则节目Ii与节目Ij在第k个特征上的相似性可通过下式计算:
若第k个特征是非序数性特征,则节目Ii与节目Ij在第k个特征上的相似性可通过下式计算:
其中,<·,·>为内积运算,||·||为2-范数,Ii.featureVector和Ij.featureVector分别为节目Ii与节目Ij在第k个特征上的OneHot编码向量。
冷榜数据库构建第二步:根据节目-节目相似性矩阵Wn*n通过下式计算节目Ii的冷门度Coldi:
Coldi值越小,表明此节目越冷门,对Coldi进行升序排列(此时冷榜数据库的冷门度主要表现为单一节目与其它节目的内容相似性上),得到冷榜:ColdList=sort(Coldi)ascending。
其中,αk可以通过调查问卷的方式获得,一种可行的调查问卷的形式可设计如下:
为更客观的统计,以上问卷应设计成多选。现假设第k个特征的投票数为nk,则αk可通过下式计算:
步骤三:利用用户观影行为及媒体资源库构建与“热榜”对应的冷榜数据库
冷榜数据库构建第一步:利用媒体资源库采用步骤二的方法构建冷榜ColdList1;
冷榜数据库构建第二步:根据用户观影行为,统计每个节目Ii被观看的次数,然后将观看次数的多少按照降序排列,得到冷榜ColdList2,此时冷榜数据库的冷门度表现在单一节目被观看的次数越少则此节目越冷门;
冷榜数据库构建第三步:融合ColdList1和ColdList2得到最终冷榜ColdList
假定ColdList2中涉及的节目有p个,则有p≤n,记ColdList1={I1 I2 … In},ColdList2={I′1 I′2 … I′P},则融合后的ColdList通过以下运算规则得到:
ColdList=(ColdList1-ColdList2)∪ColdList2
其中,符号“-”表示集合差运算(且此处保持ColdList1中节目的相对排序不变),符号∪表示集合并运算(且此处保持(ColdList1-ColdList2)和ColdList2中节目相对排序不变,合并之后的结果(ColdList1-ColdList2)排在ColdList2之前)。举例来说,当ColdList1={I5 I2 I3I1 I4 I6},ColdList2={I2 I3 I5 I4}时,(ColdList1-ColdList2)={I1 I6},ColdList=(ColdList1-ColdList2)∪ColdList2={I1 I6 I2 I3 I5 I4},上式的含义为如果节目未出现在用户行为中,且此节目与其它节目内容上越不相似,则此节目越冷门。
步骤四:当前推荐***是否有其它推荐算法;若有,则转步骤五,否则,转步骤六。
步骤五:融合冷榜数据库与其他推荐算法的结果,产生推荐列表RECList。
假定推荐***其他推荐算法(如协同过滤,频繁项集等)产生推荐列表AlgList,则RECList可通过以下运算法则获得:
RECList=AlgList∪(ColdList-AlgList)
式中,各符号运算含义同步骤三,上述含义为如果推荐***有其他的推荐算法,则构建的冷榜就作为其它推荐算法的补充算法对原有的推荐算法结果进行补充以提升整个推荐***的覆盖率、多样性、惊喜度等效果指标。
步骤六:对电视终端用户进行推荐;将RECList推荐给电视终端用户。当步骤四的当前推荐***没有其它推荐算法,直接将步骤三的ColdList推荐给电视终端用户
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 (1)
1.一种改善电视终端推荐***推荐效果的方法,其特征在于:所述电视终端内部安装有推荐***,所述电视终端内部具有媒体资源库,所述电视终端的媒体资源库内部存储有能够播放的所有节目及其相关信息,其方法步骤如下:
A、判断推荐***是否首次使用;若是首次使用,则进入步骤B,否则,进入步骤C;
B、利用媒体资源库构建与热榜数据库对应的冷榜数据库,冷榜数据库构建方法如下:
B1、根据媒体资源库计算节目相似性矩阵Wn*n:
式中,wij表示节目Ii与节目Ij的相似性;
媒体资源库的所有节目记为I={I1 I2 … Ii … In},每个节目Ii会有多个特征features={feature1,feature2,…,featurek,…,featuref};通过这些特征可以计算节目间的内容相似性,进而获得节目-节目相似性矩阵Wn*n;
假设节目Ii或Ij总共有f个特征,其中有α个序数性特征,f-α个非序数性特征,则节目Ii与节目Ij的相似性可通过如下公式计算:
<mrow>
<msub>
<mi>w</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>f</mi>
</munderover>
<msub>
<mi>&alpha;</mi>
<mi>k</mi>
</msub>
<mo>&CenterDot;</mo>
<mi>S</mi>
<mi>i</mi>
<mi>m</mi>
<mi>i</mi>
<mi>l</mi>
<mi>a</mi>
<mi>r</mi>
<mi>i</mi>
<mi>t</mi>
<mi>y</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>I</mi>
<mi>i</mi>
</msub>
<mo>.</mo>
<mi>f</mi>
<mi>e</mi>
<mi>a</mi>
<mi>t</mi>
<mi>u</mi>
<mi>r</mi>
<mi>e</mi>
<mi>s</mi>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
<mo>,</mo>
<msub>
<mi>I</mi>
<mi>j</mi>
</msub>
<mo>.</mo>
<mi>f</mi>
<mi>e</mi>
<mi>a</mi>
<mi>t</mi>
<mi>u</mi>
<mi>r</mi>
<mi>e</mi>
<mi>s</mi>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
式中,αk表示第k个特征的重要性,若第k个特征是序数性特征,则节目Ii与节目Ij在第k个特征上的相似性可通过下式计算:
<mrow>
<mi>S</mi>
<mi>i</mi>
<mi>m</mi>
<mi>i</mi>
<mi>l</mi>
<mi>a</mi>
<mi>r</mi>
<mi>i</mi>
<mi>t</mi>
<mi>y</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>I</mi>
<mi>i</mi>
</msub>
<mo>.</mo>
<mi>f</mi>
<mi>e</mi>
<mi>a</mi>
<mi>t</mi>
<mi>u</mi>
<mi>r</mi>
<mi>e</mi>
<mi>s</mi>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
<mo>,</mo>
<msub>
<mi>I</mi>
<mi>j</mi>
</msub>
<mo>.</mo>
<mi>f</mi>
<mi>e</mi>
<mi>a</mi>
<mi>t</mi>
<mi>u</mi>
<mi>r</mi>
<mi>e</mi>
<mi>s</mi>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mn>2</mn>
<mo>*</mo>
<mrow>
<mo>(</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mn>1</mn>
<mo>+</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>/</mo>
<msqrt>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>I</mi>
<mi>i</mi>
</msub>
<mo>.</mo>
<mi>f</mi>
<mi>e</mi>
<mi>a</mi>
<mi>t</mi>
<mi>u</mi>
<mi>r</mi>
<mi>e</mi>
<mi>s</mi>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
<mo>-</mo>
<msub>
<mi>I</mi>
<mi>j</mi>
</msub>
<mo>.</mo>
<mi>f</mi>
<mi>e</mi>
<mi>a</mi>
<mi>t</mi>
<mi>u</mi>
<mi>r</mi>
<mi>e</mi>
<mi>s</mi>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</msqrt>
<mo>)</mo>
</mrow>
</mrow>
</msup>
</mrow>
</mfrac>
<mo>-</mo>
<mn>0.5</mn>
<mo>)</mo>
</mrow>
</mrow>
若第k个特征是非序数性特征,则节目Ii与节目Ij在第k个特征上的相似性可通过下式计算:
<mrow>
<mi>S</mi>
<mi>i</mi>
<mi>m</mi>
<mi>i</mi>
<mi>l</mi>
<mi>a</mi>
<mi>r</mi>
<mi>i</mi>
<mi>t</mi>
<mi>y</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>I</mi>
<mi>i</mi>
</msub>
<mo>.</mo>
<mi>f</mi>
<mi>e</mi>
<mi>a</mi>
<mi>t</mi>
<mi>u</mi>
<mi>r</mi>
<mi>e</mi>
<mi>s</mi>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
<mo>,</mo>
<msub>
<mi>I</mi>
<mi>j</mi>
</msub>
<mo>.</mo>
<mi>f</mi>
<mi>e</mi>
<mi>a</mi>
<mi>t</mi>
<mi>u</mi>
<mi>r</mi>
<mi>e</mi>
<mi>s</mi>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mo><</mo>
<msub>
<mi>I</mi>
<mi>i</mi>
</msub>
<mo>.</mo>
<mi>f</mi>
<mi>e</mi>
<mi>a</mi>
<mi>t</mi>
<mi>u</mi>
<mi>r</mi>
<mi>e</mi>
<mi>V</mi>
<mi>e</mi>
<mi>c</mi>
<mi>t</mi>
<mi>o</mi>
<mi>r</mi>
<mo>,</mo>
<msub>
<mi>I</mi>
<mi>j</mi>
</msub>
<mo>.</mo>
<mi>f</mi>
<mi>e</mi>
<mi>a</mi>
<mi>t</mi>
<mi>u</mi>
<mi>r</mi>
<mi>e</mi>
<mi>V</mi>
<mi>e</mi>
<mi>c</mi>
<mi>t</mi>
<mi>o</mi>
<mi>r</mi>
<mo>></mo>
</mrow>
<mrow>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>I</mi>
<mi>i</mi>
</msub>
<mo>.</mo>
<mi>f</mi>
<mi>e</mi>
<mi>a</mi>
<mi>t</mi>
<mi>u</mi>
<mi>r</mi>
<mi>e</mi>
<mi>V</mi>
<mi>e</mi>
<mi>c</mi>
<mi>t</mi>
<mi>o</mi>
<mi>r</mi>
<mo>|</mo>
<mo>|</mo>
<mo>&CenterDot;</mo>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>I</mi>
<mi>j</mi>
</msub>
<mo>.</mo>
<mi>f</mi>
<mi>e</mi>
<mi>a</mi>
<mi>t</mi>
<mi>u</mi>
<mi>r</mi>
<mi>e</mi>
<mi>V</mi>
<mi>e</mi>
<mi>c</mi>
<mi>t</mi>
<mi>o</mi>
<mi>r</mi>
<mo>|</mo>
<mo>|</mo>
</mrow>
</mfrac>
</mrow>
其中Ii.featureVector和Ij.featureVector分别为节目Ii与节目Ij在第k个特征上的OneHot编码向量;
B2、根据节目-节目相似性矩阵Wn*n通过下式计算节目Ii的冷门度Coldi
<mrow>
<msub>
<mi>Cold</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mi>k</mi>
<mo>&NotEqual;</mo>
<mi>i</mi>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>w</mi>
<mrow>
<mi>i</mi>
<mi>k</mi>
</mrow>
</msub>
</mrow>
Coldi值越小,表明此节目越冷门;对Coldi进行升序排列,得到冷榜数据库:ColdList=sort(Coldi)ascending;
C、利用用户观影行为及媒体资源库构建与热榜数据库对应的冷榜数据库;
C1、利用媒体资源库按照步骤B的方法构建冷榜ColdList1;
C2、根据用户观影行为,统计每个节目Ii被观看的次数,然后将观看次数的多少按照降序排列,得到冷榜ColdList2;
C3、融合ColdList1和ColdList2得到最终冷榜ColdList,假如ColdList2中涉及的节目有p个,则有p≤n,记为ColdList1={I1 I2 … In},ColdList2={I′1 I′2 … I′p},则融合后的ColdList通过以下运算规则得到:
ColdList=(ColdList1-ColdList2)∪ColdList2
其中,符号“-”表示集合差运算,符号∪表示集合并运算;
D、判断当前推荐***是否有其它推荐算法,若有,则转入步骤E,否则,转入步骤F;
E、融合冷榜数据库与其他推荐算法的结果,产生推荐列表RECList;
假如推荐***其他推荐算法,其他推荐算法包括协同过滤或频繁项集,则其他推荐算法产生推荐列表AlgList,则RECList可通过以下运算法则获得:
RECList=AlgList∪(ColdList-AlgList)
其中,符号“-”表示集合差运算,符号∪表示集合并运算;
F:对电视终端用户进行推荐,将步骤E的RECList或步骤C的ColdList推荐给电视终端用户。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710711556.5A CN107277570B (zh) | 2017-08-18 | 2017-08-18 | 一种改善电视终端推荐***推荐效果的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710711556.5A CN107277570B (zh) | 2017-08-18 | 2017-08-18 | 一种改善电视终端推荐***推荐效果的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107277570A true CN107277570A (zh) | 2017-10-20 |
CN107277570B CN107277570B (zh) | 2019-11-05 |
Family
ID=60080412
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710711556.5A Active CN107277570B (zh) | 2017-08-18 | 2017-08-18 | 一种改善电视终端推荐***推荐效果的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107277570B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109618231A (zh) * | 2018-11-15 | 2019-04-12 | 深圳市酷开网络科技有限公司 | 一种基于冷启动的影视内容推荐方法及*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1538838A1 (en) * | 2003-12-02 | 2005-06-08 | Sony Corporation | Information processor, information processing method and computer program |
CN101540874A (zh) * | 2009-04-23 | 2009-09-23 | 中山大学 | 一种基于协同过滤的互动电视节目推荐方法 |
CN102780920A (zh) * | 2011-07-05 | 2012-11-14 | 上海奂讯通信安装工程有限公司 | 电视节目推荐方法及*** |
CN103546778A (zh) * | 2013-07-17 | 2014-01-29 | Tcl集团股份有限公司 | 一种电视节目推荐方法、***及其实现方法 |
CN105404700A (zh) * | 2015-12-30 | 2016-03-16 | 山东大学 | 一种基于协同过滤的视频栏目推荐***及推荐方法 |
-
2017
- 2017-08-18 CN CN201710711556.5A patent/CN107277570B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1538838A1 (en) * | 2003-12-02 | 2005-06-08 | Sony Corporation | Information processor, information processing method and computer program |
US20150256892A1 (en) * | 2003-12-02 | 2015-09-10 | Sony Corporation | Information processor, information processing method and computer program |
CN101540874A (zh) * | 2009-04-23 | 2009-09-23 | 中山大学 | 一种基于协同过滤的互动电视节目推荐方法 |
CN102780920A (zh) * | 2011-07-05 | 2012-11-14 | 上海奂讯通信安装工程有限公司 | 电视节目推荐方法及*** |
CN103546778A (zh) * | 2013-07-17 | 2014-01-29 | Tcl集团股份有限公司 | 一种电视节目推荐方法、***及其实现方法 |
CN105404700A (zh) * | 2015-12-30 | 2016-03-16 | 山东大学 | 一种基于协同过滤的视频栏目推荐***及推荐方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109618231A (zh) * | 2018-11-15 | 2019-04-12 | 深圳市酷开网络科技有限公司 | 一种基于冷启动的影视内容推荐方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN107277570B (zh) | 2019-11-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Pandya et al. | A novel hybrid based recommendation system based on clustering and association mining | |
Heslop et al. | “But who knows where or when”: Reflections on the images of countries and their products | |
CN103686382B (zh) | 一种节目推荐方法 | |
US6922680B2 (en) | Method and apparatus for recommending an item of interest using a radial basis function to fuse a plurality of recommendation scores | |
CN107833117A (zh) | 一种考虑标签信息的贝叶斯个性化排序推荐方法 | |
US8386329B1 (en) | Social network-based recommendation | |
Kommineni et al. | Machine learning based efficient recommendation system for book selection using user based collaborative filtering algorithm | |
CN103745100A (zh) | 一种基于项目的混合显性隐性反馈的协同过滤推荐算法 | |
CN104199896A (zh) | 基于特征分类的视频相似度确定及视频推荐方法 | |
Sun et al. | A novel approach for collaborative filtering to alleviate the new item cold-start problem | |
CN101482884A (zh) | 一种基于用户偏好评分分布的协作推荐*** | |
CN103870454A (zh) | 数据推荐方法及*** | |
CN105913290A (zh) | 商品搭配推荐方法及推荐*** | |
CN106326483A (zh) | 一种用户上下文信息聚合的协同推荐方法 | |
CN103353880B (zh) | 一种利用相异度聚类和关联的数据挖掘方法 | |
CN103559622A (zh) | 基于特征的协同过滤推荐方法 | |
CN108038746A (zh) | 基于关键用户和时间上下文的二部图推荐方法 | |
Fiasconaro et al. | Hybrid recommendation methods in complex networks | |
CN110399549A (zh) | 一种面向用户兴趣调和相似度的协同过滤方法 | |
CN103337028A (zh) | 一种推荐方法、装置 | |
CN107277570A (zh) | 一种改善电视终端推荐***推荐效果的方法 | |
CN108875092B (zh) | 一种基于协方差的商品推荐方法 | |
Dang et al. | Collaborative filtering in social networks: A community-based approach | |
Wang et al. | Towards effective recommendation of social data across social networking sites | |
CN106919647A (zh) | 一种基于聚类的网络结构相似性推荐方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |