CN107277570A - 一种改善电视终端推荐***推荐效果的方法 - Google Patents

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

一种改善电视终端推荐***推荐效果的方法

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W_n*n：

式中，w_ij表示节目I_i与节目I_j的相似性；

媒体资源库的所有节目记为I＝{I₁ I₂ … I_i … I_n}，每个节目I_i会有多个特征features＝{feature₁，feature₂，…，feature_k，…，feature_f}；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W_n*n；

假设节目I_i或I_j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I_i与节目I_j的相似性可通过如下公式计算：

式中，α_k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I_i与节目I_j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I_i与节目I_j在第k个特征上的相似性可通过下式计算：

其中I_i.featureVector和I_j.featureVector分别为节目I_i与节目I_j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W_n*n通过下式计算节目I_i的冷门度Cold_i

Cold_i值越小，表明此节目越冷门；对Cold_i进行升序排列，得到冷榜数据库：Cold_List＝sort(Cold_i)_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Cold_List1；

C2、根据用户观影行为，统计每个节目I_i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Cold_List2；

C3、融合Cold_List1和Cold_List2得到最终冷榜Cold_List，假如Cold_List2中涉及的节目有p个，则有p≤n，记为Cold_List1＝{I₁ I₂ … I_n}，Cold_List2＝{I′₁ I′₂ … I′_p}，则融合后的Cold_List通过以下运算规则得到：

Cold_List＝(Cold_List1-Cold_List2)∪Cold_List2

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REC_List；

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Alg_List，则REC_List可通过以下运算法则获得：

REC_List＝Alg_List∪(Cold_List-Alg_List)

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REC_List或步骤C的Cold_List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W_n*n：

式中，w_ij表示节目I_i与节目I_j的相似性；

媒体资源库的所有节目记为I＝{I₁ I₂ … I_i … I_n}，每个节目I_i会有多个特征features＝{feature₁，feature₂，…，feature_k，…，feature_f}；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W_n*n；

假设节目I_i或I_j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I_i与节目I_j的相似性可通过如下公式计算：

式中，α_k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I_i与节目I_j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I_i与节目I_j在第k个特征上的相似性可通过下式计算：

其中I_i.featureVector和I_j.featureVector分别为节目I_i与节目I_j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W_n*n通过下式计算节目I_i的冷门度Cold_i

Cold_i值越小，表明此节目越冷门；对Cold_i进行升序排列，得到冷榜数据库：Cold_List＝sort(Cold_i)_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Cold_List1；

C2、根据用户观影行为，统计每个节目I_i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Cold_List2；

C3、融合Cold_List1和Cold_List2得到最终冷榜Cold_List，假如Cold_List2中涉及的节目有p个，则有p≤n，记为Cold_List1＝{I₁ I₂ … I_n}，Cold_List2＝{I′₁ I′₂ … I′_p}，则融合后的Cold_List通过以下运算规则得到：

Cold_List＝(Cold_List1-Cold_List2)∪Cold_List2

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REC_List；

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Alg_List，则REC_List可通过以下运算法则获得：

REC_List＝Alg_List∪(Cold_List-Alg_List)

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REC_List或步骤C的Cold_List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W_n*n：

式中，w_ij表示节目I_i与节目I_j的相似性，媒体资源库的所有节目记为I＝{I₁ I₂ …I_i … I_n}，每个节目I_i会有多个特征features＝{feature₁，feature₂，…，feature_k，…，feature_f}，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W_n*n。现假设节目I_i或I_j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I_i与节目I_j的相似性可通过如下公式计算：

式中，α_k表示第k个特征的重要性，I_i.features(k)表示节目I_i的第k个特征。

若第k个特征是序数性特征，则节目I_i与节目I_j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I_i与节目I_j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，I_i.featureVector和I_j.featureVector分别为节目I_i与节目I_j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W_n*n通过下式计算节目I_i的冷门度Cold_i：

Cold_i值越小，表明此节目越冷门，对Cold_i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：Cold_List＝sort(Cold_i)_ascending。

其中，α_k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n_k，则α_k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Cold_List1；

冷榜数据库构建第二步：根据用户观影行为，统计每个节目I_i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Cold_List2，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Cold_List1和Cold_List2得到最终冷榜Cold_List

假定Cold_List2中涉及的节目有p个，则有p≤n，记Cold_List1＝{I₁ I₂ … I_n}，Cold_List2＝{I′₁ I′₂ … I′_P}，则融合后的Cold_List通过以下运算规则得到：

Cold_List＝(Cold_List1-Cold_List2)∪Cold_List2

其中，符号“-”表示集合差运算(且此处保持Cold_List1中节目的相对排序不变)，符号∪表示集合并运算(且此处保持(Cold_List1-Cold_List2)和Cold_List2中节目相对排序不变，合并之后的结果(Cold_List1-Cold_List2)排在Cold_List2之前)。举例来说，当Cold_List1＝{I₅ I₂ I₃I₁ I₄ I₆}，Cold_List2＝{I₂ I₃ I₅ I₄}时，(Cold_List1-Cold_List2)＝{I₁ I₆}，Cold_List＝(Cold_List1-Cold_List2)∪Cold_List2＝{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REC_List。

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Alg_List，则REC_List可通过以下运算法则获得：

REC_List＝Alg_List∪(Cold_List-Alg_List)

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REC_List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Cold_List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W_n*n：

式中，w_ij表示节目I_i与节目I_j的相似性；

媒体资源库的所有节目记为I＝{I₁ I₂ … I_i … I_n}，每个节目I_i会有多个特征features＝{feature₁，feature₂，…，feature_k，…，feature_f}；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W_n*n；

假设节目I_i或I_j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I_i与节目I_j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>&amp;Sigma;</mi> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>f</mi> </munderover> <msub> <mi>&amp;alpha;</mi> <mi>k</mi> </msub> <mo>&amp;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，α_k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I_i与节目I_j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I_i与节目I_j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>&lt;</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>&gt;</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>&amp;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I_i.featureVector和I_j.featureVector分别为节目I_i与节目I_j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W_n*n通过下式计算节目I_i的冷门度Cold_i

<mrow> <msub> <mi>Cold</mi> <mi>i</mi> </msub> <mo>=</mo> <munderover> <mi>&amp;Sigma;</mi> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mi>k</mi> <mo>&amp;NotEqual;</mo> <mi>i</mi> </mrow> <mi>n</mi> </munderover> <msub> <mi>w</mi> <mrow> <mi>i</mi> <mi>k</mi> </mrow> </msub> </mrow>

Cold_i值越小，表明此节目越冷门；对Cold_i进行升序排列，得到冷榜数据库：Cold_List＝sort(Cold_i)_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Cold_List1；

C2、根据用户观影行为，统计每个节目I_i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Cold_List2；

C3、融合Cold_List1和Cold_List2得到最终冷榜Cold_List，假如Cold_List2中涉及的节目有p个，则有p≤n，记为Cold_List1＝{I₁ I₂ … I_n}，Cold_List2＝{I′₁ I′₂ … I′_p}，则融合后的Cold_List通过以下运算规则得到：

Cold_List＝(Cold_List1-Cold_List2)∪Cold_List2

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REC_List；

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Alg_List，则REC_List可通过以下运算法则获得：

REC_List＝Alg_List∪(Cold_List-Alg_List)

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REC_List或步骤C的Cold_List推荐给电视终端用户。