CN110430471A - 一种基于瞬时计算的电视推荐方法和*** - Google Patents

Abstract

本发明公开了一种基于瞬时计算的电视推荐方法和***，所述方法包括：获取物品内容数据和用户行为数据，构造内容矩阵和用户矩阵；对于内容矩阵进行层次化文本分类，建立知识图谱；对于用户矩阵进行家庭画像建模；基于内容矩阵和用户矩阵建立推荐模型；根据所述推荐模型，基于当前的物品内容数据向用户进行初始节目推荐；接收用户针对推荐结果的行为数据，基于强化学习对视频推荐模型进行瞬时计算，修正推荐模型，更新推荐结果。本发明应用于IPTV电视推荐，不进行用户区分即可自适应的获得满足当前观看电视用户的需求。

Description

一种基于瞬时计算的电视推荐方法和***

技术领域

本发明属于智能内容推荐技术领域，尤其涉及一种基于瞬时计算的电视推荐方法和***。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

IPTV，又称互联网协议电视，是建立在基于IP的专用宽带网络之上的视频服务，能够提供高质量的传统电视频道节目和音视频点播内容。相比传统电视节目而言，IPTV电视的优势体现在不仅可以实时的收看传统电视相同的实时在线节目，也可以通过服务商提供的数据平台，搜索自己想看的节目进行在线观看。然而，大量电视节目的出现，也导致了用户很难在海量的电视节目中精确快速的索引到自己喜欢的电视节目，所以，有必要为用户智能的推荐其感兴趣的电视节目。

但是，IPTV虽然也是视频推荐，但是它与传统的视频推荐有着本质的不同。传统的网络视频推荐，如优酷，土豆，爱奇艺等网站，通过采集个人的观看日志、收藏、评论等信息来获取用户偏好，实现较为容易。然而，在IPTV视频推荐无法基于收藏、评论等行为进行用户个人偏好信息收集，只能依赖于用户的观看日志，而且，IPTV往往是针对的一组家庭用户，不同家庭成员的观看记录混杂在一起，难以针对性的推荐。相关研究学者们如王立才通过划分时间段的方式区分家庭成员，但发明人发现，这种方式推荐的针对性和准确度有待提高。

发明内容

为克服上述现有技术的不足，本发明提供了一种基于瞬时计算的电视推荐方法及***，该方法基于IPTV观看历史离线构建推荐模型，接收到实时的用户行为数据后，基于强化学习等算法进行瞬时计算，对推荐节目单进行召回，基于损失快速修正推荐模型，从而得到具有针对性的推荐节目列表。

为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：

一种基于瞬时计算的电视推荐方法，包括以下步骤：

获取物品内容数据和用户行为数据，构造内容矩阵和用户矩阵；

对于内容矩阵进行层次化文本分类，建立知识图谱；

对于用户矩阵进行家庭画像建模；

基于内容矩阵和用户矩阵建立推荐模型；

根据所述推荐模型，基于当前的物品内容数据向用户进行初始节目推荐；

接收用户针对推荐结果的行为数据，基于强化学习的瞬时计算引擎召回推荐结果，通过计算损失修正推荐模型，更新推荐结果。

一个或多个实施例提供了一种基于瞬时计算的电视推荐***，包括：

数据获取模块，获取物品内容数据和用户行为数据，构造内容矩阵和用户矩阵；

数据处理模块，对于内容矩阵进行层次化文本分类，建立知识图谱；对于用户矩阵进行家庭画像建模；

推荐模型建立模块，基于内容矩阵和用户矩阵建立推荐模型；

初始节目推荐模块，根据所述推荐模型，基于当前的物品内容数据向用户进行初始节目推荐；

瞬时计算模块，接收用户针对推荐结果的行为数据，基于强化学习的瞬时计算引擎召回推荐结果，通过计算损失修正推荐模型，更新推荐结果。

一个或多个实施例提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述的基于瞬时计算的电视推荐方法。

一个或多个实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述的基于瞬时计算的电视推荐方法。

以上一个或多个技术方案存在以下有益效果：

不同于传统的IPTV视频推荐***，本发明的推荐***不对家庭用户进行区分，获取当前用户的行为数据后，通过瞬时计算快速对推荐模型进行修正和微调，从而得到推荐结果，相对于传统的首先基于时间段等方式区分用户，本发明所采用的方法实现简单，且更为灵活。

附图说明

构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。

图1为本发明一个或多个实施例中基于瞬时计算的电视推荐方法流程示意图；图2为本发明一个或多个实施例中基于瞬时计算的电视推荐方法具体流程示意图。

具体实施方式

应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

实施例一

本实施例公开了一种基于瞬时计算的电视推荐方法，如图1-2，包括离线和在线两个阶段。

离线阶段包括步骤1-3，具体为：

步骤1：获取物品内容数据和用户数据；

物品数据包括：内容提供商(如EPG)提供的内容，和节目单等；

所述用户数据包括：IPTV用户编号、行为开始时间、行为类型、节目收视时长和节目信息，其中，行为类型数据包括浏览、点播、直播和收藏，节目类型包括节目所属一级类型、节目所属二级类型；节目信息包括节目编号、节目名称、节目类型、节目本身时长、导演、主演等信息。

步骤2：对物品内容数据和用户数据进行预处理；

具体包括数据降维、数据清洗以及知识图谱和家庭画像的构建。具体地，对于物品内容数据进行文本处理，取出停用词并进行隐语义分析，得到文本特征，通过层次化文本分类进行数据整合与知识抽取，建立知识图谱；对于用户行为数据，获取各内容的评分，基于评分和相应的节目构建评分矩阵。其中，评分包括显式评分和隐式评分。

本实施例中采用隐式评分，对于IPTV直播节目，评分与用户观看时间呈正比，剔除播放时间小于设定时间(5分钟)的节目，对于其他节目，评分r计算方法如下：

其中，t表示观看时长，L为节目总时长。

对于点播类视频节目，每当用户请求观看一部电影，***自动赋予较高的分数(例如5分为满分时，赋予4分)作为隐式评分。

对所有评分减去满分的一半(例如5分为满分时，减去2.5分)，以区分正分值和负分值。

分别将内容特征和用户评分存入内容矩阵(ICM)和用户评分矩阵(URM)，用于后续推荐模型的建立。

所述物品内容数据包括结构数据和半结构数据，对于结构数据，需与节目单数据进行数据融合；对于半结构数据，需进行实体抽取、属性抽取和关系抽取等操作，与数据融合后的结果一起执行共指消解，然后执行层次化文本分类、创建索引，将归类的文本按索引存入内容总库。

所述用户行为数据包括业务数据、日志数据、埋点数据和外部数据等，对于接收到的用户行为数据，首先进行数据仓库ETL处理，然后基于逻辑回归、随机决策树、LDA模型等机器学习算法执行用户行为数据分类，最终基于用户属性、行为、偏好和编号等内容创建用户画像，将数据存入用户总库。

至此，即得到了某一家庭的IPTV电视观看习惯，即家庭画像，用以描述该家庭的偏好，家庭画像中包括偏好观看的电视类别(可细分一级类别和二级类别)，以及各类别的评分。电视类别反映了家庭各成员的偏好，能够隐含家庭包含哪些成员，例如电视类别中包含动画片，意味着这个家庭中有孩子；各类别的评分，能够反映各类别播放多少，隐含各家庭成员看电视的时间长短，可理解为各电视类别的权重。

步骤3：对物品内容数据和用户行为数据进行批处理，得到推荐模型存入模型仓库；

模型仓库中存储决策***计算方法，包括分类算法、聚类算法、关联规则算法、协同过滤方法、基于内容的推荐等内容。

目前常用的推荐方法包括基于内容的推荐、基于用户的协同过滤推荐、基于节目的协同过滤推荐以及基于模型的协同过滤推荐。其中，基于用户的协同过滤推荐(User-based Collaborative Filtering Recommendation)：基于用户的协同过滤推荐算法本质是寻找与目标用户拥有相同喜好取向的用户，在找出相似用户之后，根据相似用户的对物品的喜好程度对目标用户进行推荐。基于节目的协同过滤推荐(Item-basedCollaborative Filtering Recommendation)：根据用户对物品或者信息的评价，发现物品和物品间的相似度，然后依据用户的历史偏好将类似的物品推荐给用户。本实施例融合基于内容的推荐和基于用户的协同过滤推荐方法建立推荐模型，具体地，所述推荐模型建立过程包括：

(1)针对初始用户评分矩阵，计算目标用户和最近邻居之间的相似度，得到观看的节目相似的邻居；

其中，I_u,v表示同时被用户u和邻居v评过分的节目集合，I_u和I_v分别表示用户u和邻居v评分的节目集合；r_u,i和r_v,i分别表示用户u和邻居v对节目i的评分，和表示用户u和邻居v的平均打分。

(2)计算目标用户偏好与多个最近邻居观看过的节目内容特征之间的相似度；

内容特征之间的相似度借助文本相似度的计算思路，其中，表示最近邻居播放节目的内容特征向量，U＝{(u₁,w₁),(u₂,w₂),...,(u_n,w_n)}表示的用户兴趣内容特征向量。

(3)将前两步得到的相似度进行加权融合得到总的相似度sim，得到与多个最相似邻居的相似度；

(4)基于总的相似性sim预测节目评分，并对其进行降序排列产生推荐结果：

首先，根据总的相似性sim，选择k个与目标用户最相似的用户；然后，计算用户u对项目i的预测评分：

其中，V是k个相似用户的集合，r_v,i是用户v对项目i的评分，和表示u和v的平均打分。这个公式先计算根据相似度加权的所有邻居偏好然后再加上目标用户的平均打分。预测分数一出来就可以选择评分最高的项目推荐给用户。

在线阶段包括：

步骤4：基于当前的物品内容数据，从模型仓库中调用推荐模型，向用户进行初始节目推荐；

推荐的节目列表通过IPTV、手机电视、互联网电视和有限电视等方式反馈给用户。

步骤5：接收用户针对推荐结果的行为数据，基于强化学习对视频推荐模型进行瞬时计算，修正推荐模型，更新推荐结果；

具体地，线上服务器记录实时行为特征，导入Kafka文件队列和Storm集群，拼接用户完整数据，构造样本，执行用户行为分析，对用户行为进行特征提取，将用户的观看记录输入瞬时计算引擎。采集用户的每一次反馈动作作为针对推荐结果的行为数据，在获取每个行为数据后，均基于强化学习对视频推荐模型进行一次瞬时计算，对于用户的正反馈，给予基于强化学习的神经网络模型相应的奖励，以实现模型的修正，更新推荐结果。

若将接收到用户行为的时刻记为绝对时间，那么经过瞬时计算得到更新后的结果与绝对时间会存在一定的时间差，记为相对时间。本实施例的目的就是通过强化学习的方法快速更新模型，缩短相对时间。

所述行为数据包括所有用户通过遥控器等控制设备进行的点选行为，例如对节目的选择观看、退出观看等操作，并转换为用户的行为数据，例如：若选择了初始节目推荐结果中的节目并进行观看，记录该节目的相关信息以及观看时长；若拒绝了初始节目推荐结果，执行了其他节目搜索，记录该节目的相关信息，若进行了观看，还记录观看时长。

由于IPTV面向的是一个家庭的用户，每次有人看电视时，无法确定当前电视机前的用户是哪个人，采用本实施例的推荐***，首先向用户推荐一个初始推荐列表，通过接收用户的反馈行为，基于瞬时计算迅速对模型进行调整，更新推荐列表，从而能够快速的适应当前用户的观看兴趣，满足用户需求。相对于传统的首先基于时间段等方式区分用户，本实施例所采用的方法实现简单，且更为灵活，不进行用户区分即可自适应的获得满足当前观看电视用户的需求。

再者，由于强化学习实质上就是根据用户的实时操作进行不断修正，在互联网领域的新闻推荐等由于用户行为反馈太稀疏使得强化学习效果欠缺，但是IPTV电视的推荐位不多，用户行为反馈就不会那么稀疏，会获取到更好的结果。

实施例二

本实施例的目的是提供一种基于瞬时计算的电视推荐***。

为了实现上述目的，本实施例提供了一种基于瞬时计算的电视推荐***，包括：

数据获取模块，获取物品内容数据和用户行为数据，构造内容矩阵和用户矩阵；

数据处理模块，对于内容矩阵进行层次化文本分类，建立知识图谱；对于用户矩阵进行家庭画像建模；

推荐模型建立模块，基于内容矩阵和用户矩阵建立推荐模型；

初始节目推荐模块，根据所述推荐模型，基于当前的物品内容数据向用户进行初始节目推荐；

瞬时计算模块，接收用户针对推荐结果的行为数据，基于强化学习的瞬时计算引擎召回推荐结果，通过计算损失修正推荐模型，更新推荐结果。

实施例三

本实施例的目的是提供一种电子设备。

一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现以下步骤，包括：

获取物品内容数据和用户行为数据，构造内容矩阵和用户评分矩阵；

基于内容矩阵和用户评分矩阵建立推荐模型；

根据所述推荐模型，基于当前的物品内容数据向用户进行初始节目推荐；

接收用户针对推荐结果的行为数据，基于强化学习对视频推荐模型进行瞬时计算，修正推荐模型，更新推荐结果。

实施例四

本实施例的目的是提供一种计算机可读存储介质。

一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现以下步骤：

获取物品内容数据和用户行为数据，构造内容矩阵和用户评分矩阵；

基于内容矩阵和用户评分矩阵建立推荐模型；

根据所述推荐模型，基于当前的物品内容数据向用户进行初始节目推荐；

接收用户针对推荐结果的行为数据，基于强化学习对视频推荐模型进行瞬时计算，修正推荐模型，更新推荐结果。

以上实施例二、三和四的中涉及的各步骤与方法实施例一相对应，具体实施方式可参见实施例一的相关说明部分。术语“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质；还应当被理解为包括任何介质，所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本发明中的任一方法。

以上一个或多个实施例具有以下技术效果：

不同于传统的IPTV视频推荐***，本发明的推荐***不对家庭用户进行区分，获取当前用户的行为数据后，通过瞬时计算快速对推荐模型进行修正和微调，从而得到推荐结果，相对于传统的首先基于时间段等方式区分用户，本发明所采用的方法实现简单，且更为灵活。

本领域技术人员应该明白，上述本发明的各模块或各步骤可以用通用的计算机装置来实现，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (10)

1.一种基于瞬时计算的电视推荐方法，其特征在于，包括以下步骤：

获取物品内容数据和用户行为数据，构造内容矩阵和用户矩阵；

对于内容矩阵进行层次化文本分类，建立知识图谱；

对于用户矩阵进行家庭画像建模；

基于内容矩阵和用户矩阵建立推荐模型；

根据所述推荐模型，基于当前的物品内容数据向用户进行初始节目推荐；

接收用户针对推荐结果的行为数据，基于强化学习的瞬时计算引擎召回推荐结果，通过计算损失修正推荐模型，更新推荐结果。

2.如权利要求1所述的基于瞬时计算的电视推荐方法，其特征在于，用户评分矩阵构建方法为：

设定打分的满分，对于IPTV直播节目，根据评分与用户观看时间呈正比的规则，计算用户对各节目的隐式评分；

对于点播类视频节目，每当用户请求观看一部电影，***自动赋予分值作为隐式评分；

基于评分建立二维用户评分矩阵。

3.如权利要求1所述的基于瞬时计算的电视推荐方法，其特征在于，推荐模型建立方法包括：

针对用户评分矩阵，计算目标用户和邻居之间的相似度，得到最相近的多个邻居；

计算目标用户偏好与最相近的多个邻居之间内容特征的相似度；

将前两步得到的两个相似度进行加权融合得到总的相似度；

基于总的相似性预测节目评分，并对其进行降序排列产生推荐结果。

4.如权利要求3所述的基于瞬时计算的电视推荐方法，其特征在于，目标用户和邻居之间的相似度计算方法为：

其中，I_u,v表示同时被用户u和邻居v评过分的节目集合，I_u和I_v分别表示用户u和邻居v评过分的节目集合；r_u,i和r_v,i分别表示用户u和邻居v对节目i的评分，和表示用户u和邻居v的平均打分。

5.如权利要求3所述的基于瞬时计算的电视推荐方法，其特征在于，目标用户偏好与最相近的多个邻居之间内容特征的相似度计算方法为：

内容特征之间的相似度借助文本相似度的计算思路，其中，表示最近邻居播放节目的内容特征向量，U＝{(u₁,w₁),(u₂,w₂),...,(u_n,w_n)}表示的用户兴趣内容特征向量。

6.如权利要求3所述的基于瞬时计算的电视推荐方法，其特征在于，基于总的相似性预测节目评分包括：

根据总的相似性sim，选择k个与目标用户最相似的用户；然后基于最相似的用户预测用户u对节目i的评分：

其中，V是k个相似用户的集合，r_v,i是用户v对项目i的评分，和表示u和v的平均打分。

7.如权利要求1所述的基于瞬时计算的电视推荐方法，其特征在于，基于强化学习对视频推荐模型进行瞬时计算，修正推荐模型包括：

在获取每个行为数据后，均基于强化学习对视频推荐模型进行一次瞬时计算，执行模型修正，更新推荐结果。

8.一种基于瞬时计算的电视推荐***，其特征在于，包括：

数据获取模块，获取物品内容数据和用户行为数据，构造内容矩阵和用户矩阵；

数据处理模块，对于内容矩阵进行层次化文本分类，建立知识图谱；对于用户矩阵进行家庭画像建模；

推荐模型建立模块，基于内容矩阵和用户矩阵建立推荐模型；

初始节目推荐模块，根据所述推荐模型，基于当前的物品内容数据向用户进行初始节目推荐；

瞬时计算模块，接收用户针对推荐结果的行为数据，基于强化学习的瞬时计算引擎召回推荐结果，通过计算损失修正推荐模型，更新推荐结果。

9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7任一项所述的基于瞬时计算的电视推荐方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7任一项所述的基于瞬时计算的电视推荐方法。