CN118042229A - 一种交互式网络电视服务方法及*** - Google Patents
一种交互式网络电视服务方法及*** Download PDFInfo
- Publication number
- CN118042229A CN118042229A CN202410099933.4A CN202410099933A CN118042229A CN 118042229 A CN118042229 A CN 118042229A CN 202410099933 A CN202410099933 A CN 202410099933A CN 118042229 A CN118042229 A CN 118042229A
- Authority
- CN
- China
- Prior art keywords
- user
- implicit
- iptv
- watching
- data
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000002452 interceptive effect Effects 0.000 title claims abstract description 27
- 238000005065 mining Methods 0.000 claims abstract description 40
- 238000004364 calculation method Methods 0.000 claims abstract description 9
- 230000006399 behavior Effects 0.000 claims description 57
- 238000004458 analytical method Methods 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 9
- 239000000203 mixture Substances 0.000 claims description 7
- 238000007635 classification algorithm Methods 0.000 claims description 6
- 230000003993 interaction Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000007418 data mining Methods 0.000 claims description 3
- 230000009471 action Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 101150012579 ADSL gene Proteins 0.000 description 1
- 102100020775 Adenylosuccinate lyase Human genes 0.000 description 1
- 108700040193 Adenylosuccinate lyases Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
Landscapes
- Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
Abstract
本发明公开了一种交互式网络电视服务方法及***，其中主要的方法包括：步骤一：利用IPTV用户的行为数据构造推荐匹配的有效项集；步骤二：基于构造的推荐匹配有效项集进行用户在IPTV中的隐式反馈挖掘；步骤三：利用隐式联系中用户的观看时长与视频总时长，进行IPTV***中对视频节目的推荐存在影响的隐式因素的重要度排序计算；步骤四：根据挖掘出的用户隐式反馈数据，计算用户对感兴趣的视频节目类型的选择率；步骤五：在用户已有的历史观看行为数据基础上，根据兴趣相似用户的行为记录，扩展推荐用户从未收看过的但满足用户的隐式需求的视频节目，本发明，具有提升含个体偏好的***推荐准确性和提高隐式需求下带来的付费转化率的的特点。
Description
技术领域
本发明涉及IPTV服务技术领域，具体为一种交互式网络电视服务方法及***。
背景技术
IPTV亦即网络电视是一种基于Internet的技术，是一种个性化、交互式服务的崭新的媒体形态，它利用ADSL或以太网或者有线电视网络等接入宽带网，通过互联网协议(IP协议)来传送电视信号，以家用电视机或电脑作为主要接收终端，提供包括电视节目在内的多种数字媒体服务，通过IPTV应用，可以实现包括视频点播、视频直播、上网浏览等丰富的业务形式，现有IPTV服务***，通过用户在日常使用IPTV的过程中产生的喜好数据进行分析和兴趣推荐，然后通过这些推荐效果确定下一阶段将要进行的服务推荐，但现有的IPTV服务***中的交互行为相比较视频应用较少，导致存在大量的隐式反馈，这使得***无法分辨出用户不喜欢或者没有注意到其未交互的视频内容，按常规化的推荐就会直接影响到IPTV业务***中增值业务的推荐准确性和付费转化率。因此，设计提升含个体偏好的服务业务推荐准确性和提高隐式需求下带来的付费转化率的一种交互式网络电视服务方法及***是很有必要的。
发明内容
本发明的目的在于提供一种交互式网络电视服务方法及***，以解决上述背景技术中提出的问题。
为了解决上述技术问题，本发明提供如下技术方案：一种交互式网络电视服务方法，包括以下步骤：
步骤一：利用IPTV用户的行为数据构造推荐匹配的有效项集；
步骤二：基于构造的推荐匹配有效项集进行用户在IPTV中的隐式反馈挖掘；
步骤三：利用隐式联系中用户的观看时长与视频总时长，进行IPTV***中对视频节目的推荐存在影响的隐式因素的重要度排序计算；
步骤四：根据挖掘出的用户隐式反馈数据，计算用户对感兴趣的视频节目类型的选择率；
步骤五：在用户已有的历史观看行为数据基础上，根据兴趣相似用户的行为记录，扩展推荐用户从未收看过的但满足用户的隐式需求的视频节目。
根据上述技术方案，所述构造推荐匹配的有效项集的方法流程步骤，包括：
步骤11：获取IPTV用户的观看日志记录数据，提取包括用户ID、时间、频道ID字段信息的用户行为状态对应的事件数据，建立事件数据的主要特征集合；
步骤12：以IPTV频道ID作为用户的行为项集，按照行为产生的顺序，即用户观看频道的时间顺序形成用户的项目序列，构建目标事件和用户-事件交互序列的组合，目标事件以其主要特征为有效项集，用户-事件交互由一组包含有时间编码的事件特征表示；
步骤13：从用户的项目序列中将单模扩展到多模，提取可扩展的多模项集构造推荐匹配的有效特征集合，将用户观看频道的先后顺序信息纳入到特征提取的考虑范围中，不仅考虑单个频道形成的用户特征，也将频道与频道之间的联系考虑到其中；
步骤14：将构造的推荐匹配的有效项集传输给IPTV的数据挖掘分析终端，挖掘分析终端根据接收到的包括用户数据、节目数据、用户观看日志的三类数据进行分析挖掘。
根据上述技术方案，所述进行用户在IPTV中的隐式反馈挖掘方法步骤，包括：
步骤21：基于接收到的用户数据、节目数据、用户观看日志数据建立用户兴趣挖掘模型，将用户观看行为进行量化表示，通过用户的观看行为反映用户兴趣，并挖掘可以刺激到用户的观看行为；
步骤22：对用户的观看记录事件对应的观看时长进行同步提取，用观看时长分析判断用户对当前所看视频感兴趣的程度，根据用户的观看时长提出用户分类算法对用户进行分类，分析用户的隐式观看习惯，
步骤23：通过IPTV节目类型标签将用户兴趣和节目类型联系起来，并结合用户在指定时间段内的观看时间占比，建立基于标签的用户观看时长序列矩阵，使用基于高斯混合模型的聚类方法提取用户的隐式兴趣特征；
步骤24：利用IPTV***中用户的观看记录中的时序特点，通过将多模项集作为用户兴趣挖掘模型的识别输入，由于IPTV面向用户的家庭结构特点，一个用户id的观看行为可能反映不同个体的兴趣爱好，利用循环神经网络对用户的隐式兴趣进行提取，在循环神经网络模型的基础上加入注意力机制，用于区分不同的历史兴趣状态对当前用户观看决策的影响；
步骤25：将与当前用户的目标兴趣相似的其他用户标记上相应的标签，归为一个总的用户隐式反馈集合；
步骤26：通过标注的标签对用户在IPTV中的隐式反馈特点进行描述，利用粗粒度标签表示IPTV***中用户隐藏的感兴趣的视频类型，以及利用细粒度表示IPTV***根据该标签进行用户感兴趣视频类型与***推荐匹配的隐式联系。
根据上述技术方案，所述进行用户在IPTV中的隐式反馈挖掘方法步骤，包括：
步骤21：基于接收到的用户数据、节目数据、用户观看日志数据建立用户兴趣挖掘模型，将用户观看行为进行量化表示，通过用户的观看行为反映用户兴趣，并挖掘可以刺激到用户的观看行为；
步骤22：对用户的观看记录事件对应的观看时长进行同步提取，用观看时长分析判断用户对当前所看视频感兴趣的程度，根据用户的观看时长提出用户分类算法对用户进行分类，分析用户的隐式观看习惯，
步骤23：通过IPTV节目类型标签将用户兴趣和节目类型联系起来，并结合用户在指定时间段内的观看时间占比，建立基于标签的用户观看时长序列矩阵，使用基于高斯混合模型的聚类方法提取用户的隐式兴趣特征；
步骤24：利用IPTV***中用户的观看记录中的时序特点，通过将多模项集作为用户兴趣挖掘模型的识别输入，由于IPTV面向用户的家庭结构特点，一个用户id的观看行为可能反映不同个体的兴趣爱好，利用循环神经网络对用户的隐式兴趣进行提取，在循环神经网络模型的基础上加入注意力机制，用于区分不同的历史兴趣状态对当前用户观看决策的影响；
步骤25：将与当前用户的目标兴趣相似的其他用户标记上相应的标签，归为一个总的用户隐式反馈集合；
步骤26：通过标注的标签对用户在IPTV中的隐式反馈特点进行描述，利用粗粒度标签表示IPTV***中用户隐藏的感兴趣的视频类型，以及利用细粒度表示IPTV***根据该标签进行用户感兴趣视频类型与***推荐匹配的隐式联系。
根据上述技术方案，所述计算用户对感兴趣的视频节目类型的选择率的步骤，包括：
根据挖掘出的用户隐式反馈数据设定时间周期段，且时间段的单位定为小时，每一小时代表一个时段，在IPTV家庭组用户推荐场景中，将用户所有观看记录中出现次数最多的时段定义为主要时段T0，k是上述通过计算t比值与平均比例值的对数值，用于反映判断用户观看兴趣是否超过平均值，对于家庭用户兴趣变化主要由成员切换造成，以成员对应的观看时段相似度作为依据来建立用户在指定时段内的选择率，即用户的选择率为Q，通过以观看时间对家庭组用户的切换行为进行选择的概率衡量，捕捉成员切换对用户对当前视频节目的兴趣偏好造成的影响。
根据上述技术方案，所述扩展推荐的步骤，包括：
基于用户行为统计的自动聚类，当不同类型的视频节目同时被多用户选择点击时，用户兴趣特征和基于观看时长统计的用户分类作为用户选择率的主要影响特征，将视频节目划分到隐式关联的大类中，分别为轻度观看、正常观看、高度观看，和重度观看四种类别，根据划分的隐式关联大类控制分类的粒度，分类的数量越多，其粒度就会越细，计算出每个视频节目属于每一个类的权重，当喜欢某一类的用户都会选择其中的一个视频节目时，那么该视频节目在此类中的权重就较高，根据集合中目标用户并未订购过视频节目的订购频率和选择率进行降序排序，根据此权重值为用户推荐符合其兴趣的但用户又从未选择过的视频媒资，形成根据用户隐式反馈下的具有惊喜的不同区域内容推荐列表。
根据上述技术方案，所述一种交互式网络电视服务***包括：
有效项集构造模块，用于利用IPTV用户的行为数据构造推荐匹配的有效项集；
隐式反馈挖掘分析模块，用于基于构造的推荐匹配有效项集进行用户在IPTV中的隐式反馈挖掘；
隐式反馈推荐模块，用于，扩展推荐用户从未收看过的但满足用户的隐式需求的视频节目。
与现有技术相比，本发明所达到的有益效果是：本发明，通过利用IPTV用户的行为数据构造推荐匹配的有效项集，再基于构造的推荐匹配有效项集进行用户在IPTV中的隐式反馈挖掘，同时利用隐式联系中用户的观看时长与视频总时长，进行IPTV***中对视频节目的推荐存在影响的隐式因素的重要度排序计算；然后计算出用户对感兴趣的视频节目类型的选择率，使得在用户已有的历史观看行为数据基础上，根据兴趣相似用户的行为记录，扩展推荐用户从未收看过的但满足用户的隐式需求的视频节目，根据拆解分析挖掘出用户的隐式需求，并以此为依据进行扩展推荐，大幅度提升推荐效果的同时也提升含了***中基于个体偏好的推荐准确性，更提高了***中针对隐式需求下带来的付费转化率的特点。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例一提供的一种交互式网络电视服务方法的流程图；
图2为本发明实施例二提供的一种交互式网络电视服务***的模块组成示意图。
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做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。
实施例一：图1为本发明实施例一提供的一种交互式网络电视服务方法的流程图，本实施例可应用IPTV的推荐服务场景，该方法可以由本实施例提供的一种交互式网络电视服务***来执行，如图1所示，该方法具体包括以下步骤：
步骤一：利用IPTV用户的行为数据构造推荐匹配的有效项集；
在本发明实施例中，构造推荐匹配的有效项集的方法流程为：
步骤11：获取IPTV用户的观看日志记录数据，提取包括用户ID、时间、频道ID字段信息的用户行为状态对应的事件数据，建立事件数据的主要特征集合；
步骤12：以IPTV频道ID作为用户的行为项集，按照行为产生的顺序，即用户观看频道的时间顺序形成用户的项目序列，构建目标事件和用户-事件交互序列的组合，目标事件以其主要特征为有效项集，用户-事件交互由一组包含有时间编码的事件特征表示；
步骤13：从用户的项目序列中将单模扩展到多模，提取可扩展的多模项集构造推荐匹配的有效特征集合，将用户观看频道的先后顺序信息纳入到特征提取的考虑范围中，不仅考虑单个频道形成的用户特征，也将频道与频道之间的联系考虑到其中；
步骤14：将构造的推荐匹配的有效项集传输给IPTV的数据挖掘分析终端，挖掘分析终端根据接收到的包括用户数据、节目数据、用户观看日志的三类数据进行分析挖掘。
步骤二：基于构造的推荐匹配有效项集进行用户在IPTV中的隐式反馈挖掘；
在本发明实施例中，进行用户在IPTV中的隐式反馈挖掘方法包括：
步骤21：基于接收到的用户数据、节目数据、用户观看日志数据建立用户兴趣挖掘模型，将用户观看行为进行量化表示，通过用户的观看行为反映用户兴趣，并挖掘可以刺激到用户的观看行为；
步骤22：对用户的观看记录事件对应的观看时长进行同步提取，用观看时长分析判断用户对当前所看视频感兴趣的程度，根据用户的观看时长提出用户分类算法对用户进行分类，分析用户的隐式观看习惯，
步骤23：通过IPTV节目类型标签将用户兴趣和节目类型联系起来，并结合用户在指定时间段内的观看时间占比，建立基于标签的用户观看时长序列矩阵，使用基于高斯混合模型的聚类方法提取用户的隐式兴趣特征；
步骤24：利用IPTV***中用户的观看记录中的时序特点，通过将多模项集作为用户兴趣挖掘模型的识别输入，由于IPTV面向用户的家庭结构特点，一个用户id的观看行为可能反映不同个体的兴趣爱好，利用循环神经网络对用户的隐式兴趣进行提取，在循环神经网络模型的基础上加入注意力机制，用于区分不同的历史兴趣状态对当前用户观看决策的影响；
步骤25：将与当前用户的目标兴趣相似的其他用户标记上相应的标签，归为一个总的用户隐式反馈集合；
步骤26：通过标注的标签对用户在IPTV中的隐式反馈特点进行描述，利用粗粒度标签表示IPTV***中用户隐藏的感兴趣的视频类型，以及利用细粒度表示IPTV***根据该标签进行用户感兴趣视频类型与***推荐匹配的隐式联系。
步骤三：利用隐式联系中用户的观看时长与视频总时长，进行IPTV***中对视频节目的推荐存在影响的隐式因素的重要度排序计算；
示例性的，在IPTV***中，视频节目的总时长为t0，用户观看视频节目的持续时长为t1，用用户观看视频节目的持续时长t1与视频节目的总时长t0计算用户观看视频时长占该视频总时长的比值，即t比值＝t1/t0，将用户观看的所有类型的视频节目的比值进行计算汇总，得到用户观看的所有类型的视频节目的比值集合∑ti，ti＝{t比值1，t比值2，t比值3，…，t比值n}，通过比值集合∑ti计算用户在所有观看的视频节目的平均比例值为结果，通过计算t比值与平均比例值/>的对数值k对用户观看兴趣是否超过平均值进行判断，设定k的属性区间为k∈(-1,1)，而/>当k为正数时，判断用户对当前视频节目的观看完成度高于平均值，即表示用户对当前视频节目的兴趣偏好度更高，当k为负数时，判断用户对当前视频节目的观看完成度低于平均值，即表示用户对当前视频节目的兴趣偏好度较低，按照k值的属性区间，由小到大进行排序输出。
步骤四：根据挖掘出的用户隐式反馈数据，计算用户对感兴趣的视频节目类型的选择率；
在本发明实施例中，根据挖掘出的用户隐式反馈数据设定时间周期段，且时间段的单位定为小时，每一小时代表一个时段，在IPTV家庭组用户推荐场景中，将用户所有观看记录中出现次数最多的时段定义为主要时段T0，k是上述通过计算t比值与平均比例值的对数值，用于反映判断用户观看兴趣是否超过平均值，对于家庭用户兴趣变化主要由成员切换造成，以成员对应的观看时段相似度作为依据来建立用户在指定时段内的选择率，即用户的选择率为Q，/> 通过以观看时间对家庭组用户的切换行为进行选择的概率衡量，捕捉成员切换对用户对当前视频节目的兴趣偏好造成的影响。
步骤五：在用户已有的历史观看行为数据基础上，根据兴趣相似用户的行为记录，扩展推荐用户从未收看过的但满足用户的隐式需求的视频节目。
在本发明实施例中，基于用户行为统计的自动聚类，当不同类型的视频节目同时被多用户选择点击时，用户兴趣特征和基于观看时长统计的用户分类作为用户选择率的主要影响特征，将视频节目划分到隐式关联的大类中，分别为轻度观看、正常观看、高度观看，和重度观看四种类别，根据划分的隐式关联大类控制分类的粒度，分类的数量越多，其粒度就会越细，计算出每个视频节目属于每一个类的权重，当喜欢某一类的用户都会选择其中的一个视频节目时，那么该视频节目在此类中的权重就较高，根据集合中目标用户并未订购过视频节目的订购频率和选择率进行降序排序，根据此权重值为用户推荐符合其兴趣的但用户又从未选择过的视频媒资，形成根据用户隐式反馈下的具有惊喜的不同区域内容推荐列表。
实施例二：本发明实施例二提供了一种交互式网络电视服务***，图2为本发明实施例二提供的一种交互式网络电视服务***的模块组成示意图，如图2所示，该***包括：
有效项集构造模块，用于利用IPTV用户的行为数据构造推荐匹配的有效项集；
隐式反馈挖掘分析模块，用于基于构造的推荐匹配有效项集进行用户在IPTV中的隐式反馈挖掘；
隐式反馈推荐模块，用于，扩展推荐用户从未收看过的但满足用户的隐式需求的视频节目。
在本发明的一些实施例中，有效项集构造模块包括：
行为数据模块，用根据IPTV频道ID作为用户的行为项集按照行为产生的顺序进行行为数据获取；
特征集合模块，用于根据行为状态对应的时间数据建立事件数据的主要特征集合；
多模项集构造模块，用于提取可扩展的多模项集构造推荐匹配的有效特征集合。
在本发明的一些实施例中，隐式反馈挖掘分析模块包括：
兴趣挖掘模型模块，用于基于接收到的用户数据、节目数据、用户观看日志数据建立用户兴趣挖掘模型；
隐式观看习惯分析模块，用于根据用户的观看时长提出用户分类算法对用户进行分类，分析用户的隐式观看习惯；
隐式兴趣特征提取模块，用于使用基于高斯混合模型的聚类方法提取用户的隐式兴趣特征；
隐式因素排序模块，用于对IPTV***中对视频节目的推荐存在影响的隐式因素的重要度排序计算。
在本发明的一些实施例中，隐式反馈推荐模块包括：
选择率计算模块，用于计算用户对感兴趣的视频节目类型的选择率；
隐式关联分类模块，用于将视频节目划分到隐式关联的大类中；
扩展推荐模块，用于根据用户隐式反馈形成具有惊喜的不同区域内容推荐列表。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
最后应说明的是：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，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。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。
Claims (10)
1.一种交互式网络电视服务方法，其特征在于：所述该方法包括以下步骤：
步骤一：利用IPTV用户的行为数据构造推荐匹配的有效项集；
步骤二：基于构造的推荐匹配有效项集进行用户在IPTV中的隐式反馈挖掘；
步骤三：利用隐式联系中用户的观看时长与视频总时长，进行IPTV***中对视频节目的推荐存在影响的隐式因素的重要度排序计算；
步骤四：根据挖掘出的用户隐式反馈数据，计算用户对感兴趣的视频节目类型的选择率；
步骤五：在用户已有的历史观看行为数据基础上，根据兴趣相似用户的行为记录，扩展推荐用户从未收看过的但满足用户的隐式需求的视频节目。
2.根据权利要求1所述的一种交互式网络电视服务方法，其特征在于：所述构造推荐匹配的有效项集的方法流程步骤，包括：
步骤11：获取IPTV用户的观看日志记录数据，提取包括用户ID、时间、频道ID字段信息的用户行为状态对应的事件数据，建立事件数据的主要特征集合；
步骤12：以IPTV频道ID作为用户的行为项集，按照行为产生的顺序，即用户观看频道的时间顺序形成用户的项目序列，构建目标事件和用户-事件交互序列的组合，目标事件以其主要特征为有效项集，用户-事件交互由一组包含有时间编码的事件特征表示；
步骤13：从用户的项目序列中将单模扩展到多模，提取可扩展的多模项集构造推荐匹配的有效特征集合，将用户观看频道的先后顺序信息纳入到特征提取的考虑范围中，不仅考虑单个频道形成的用户特征，也将频道与频道之间的联系考虑到其中；
步骤14：将构造的推荐匹配的有效项集传输给IPTV的数据挖掘分析终端，挖掘分析终端根据接收到的包括用户数据、节目数据、用户观看日志的三类数据进行分析挖掘。
3.根据权利要求2所述的一种交互式网络电视服务方法，其特征在于：所述进行用户在IPTV中的隐式反馈挖掘方法步骤，包括：
步骤21：基于接收到的用户数据、节目数据、用户观看日志数据建立用户兴趣挖掘模型，将用户观看行为进行量化表示，通过用户的观看行为反映用户兴趣，并挖掘可以刺激到用户的观看行为；
步骤22：对用户的观看记录事件对应的观看时长进行同步提取，用观看时长分析判断用户对当前所看视频感兴趣的程度，根据用户的观看时长提出用户分类算法对用户进行分类，分析用户的隐式观看习惯，
步骤23：通过IPTV节目类型标签将用户兴趣和节目类型联系起来，并结合用户在指定时间段内的观看时间占比，建立基于标签的用户观看时长序列矩阵，使用基于高斯混合模型的聚类方法提取用户的隐式兴趣特征；
步骤24：利用IPTV***中用户的观看记录中的时序特点，通过将多模项集作为用户兴趣挖掘模型的识别输入，由于IPTV面向用户的家庭结构特点，一个用户id的观看行为可能反映不同个体的兴趣爱好，利用循环神经网络对用户的隐式兴趣进行提取，在循环神经网络模型的基础上加入注意力机制，用于区分不同的历史兴趣状态对当前用户观看决策的影响；
步骤25：将与当前用户的目标兴趣相似的其他用户标记上相应的标签，归为一个总的用户隐式反馈集合；
步骤26：通过标注的标签对用户在IPTV中的隐式反馈特点进行描述，利用粗粒度标签表示IPTV***中用户隐藏的感兴趣的视频类型，以及利用细粒度表示IPTV***根据该标签进行用户感兴趣视频类型与***推荐匹配的隐式联系。
4.根据权利要求3所述的一种交互式网络电视服务方法，其特征在于：所述对重要度排序计算的步骤，包括：
在IPTV***中，视频节目的总时长为t0，用户观看视频节目的持续时长为t1，用用户观看视频节目的持续时长t1与视频节目的总时长t0计算用户观看视频时长占该视频总时长的比值，即t比值＝t1/t0，将用户观看的所有类型的视频节目的比值进行计算汇总，得到用户观看的所有类型的视频节目的比值集合∑ti，ti＝{t比值1，t比值2，t比值3，…，t比值n}，通过比值集合∑ti计算用户在所有观看的视频节目的平均比例值为结果，通过计算t比值与平均比例值/>的对数值k对用户观看兴趣是否超过平均值进行判断，设定k的属性区间为k∈(-1,1)，而/>当k为正数时，判断用户对当前视频节目的观看完成度高于平均值，即表示用户对当前视频节目的兴趣偏好度更高，当k为负数时，判断用户对当前视频节目的观看完成度低于平均值，即表示用户对当前视频节目的兴趣偏好度较低，按照k值的属性区间，由小到大进行排序输出。
5.根据权利要求4所述的一种交互式网络电视服务方法，其特征在于：所述计算用户对感兴趣的视频节目类型的选择率的步骤，包括：
根据挖掘出的用户隐式反馈数据设定时间周期段，且时间段的单位定为小时，每一小时代表一个时段，在IPTV家庭组用户推荐场景中，将用户所有观看记录中出现次数最多的时段定义为主要时段T0，k是上述通过计算t比值与平均比例值的对数值，用于反映判断用户观看兴趣是否超过平均值，对于家庭用户兴趣变化主要由成员切换造成，以成员对应的观看时段相似度作为依据来建立用户在指定时段内的选择率，即用户的选择率为Q，通过以观看时间对家庭组用户的切换行为进行选择的概率衡量，捕捉成员切换对用户对当前视频节目的兴趣偏好造成的影响。
6.根据权利要求5所述的一种交互式网络电视服务方法，其特征在于：所述扩展推荐的步骤，包括：
基于用户行为统计的自动聚类，当不同类型的视频节目同时被多用户选择点击时，用户兴趣特征和基于观看时长统计的用户分类作为用户选择率的主要影响特征，将视频节目划分到隐式关联的大类中，分别为轻度观看、正常观看、高度观看，和重度观看四种类别，根据划分的隐式关联大类控制分类的粒度，分类的数量越多，其粒度就会越细，计算出每个视频节目属于每一个类的权重，当喜欢某一类的用户都会选择其中的一个视频节目时，那么该视频节目在此类中的权重就较高，根据集合中目标用户并未订购过视频节目的订购频率和选择率进行降序排序，根据此权重值为用户推荐符合其兴趣的但用户又从未选择过的视频媒资，形成根据用户隐式反馈下的具有惊喜的不同区域内容推荐列表。
7.执行如权利要求1所述的一种交互式网络电视服务方法的的一种交互式网络电视服务***，其特征在于：所述该***包括：
有效项集构造模块，用于利用IPTV用户的行为数据构造推荐匹配的有效项集；
隐式反馈挖掘分析模块，用于基于构造的推荐匹配有效项集进行用户在IPTV中的隐式反馈挖掘；
隐式反馈推荐模块，用于，扩展推荐用户从未收看过的但满足用户的隐式需求的视频节目。
8.根据权利要求7所述的一种交互式网络电视服务***，其特征在于：所述有效项集构造模块包括：
行为数据模块，用根据IPTV频道ID作为用户的行为项集按照行为产生的顺序进行行为数据获取；
特征集合模块，用于根据行为状态对应的时间数据建立事件数据的主要特征集合；
多模项集构造模块，用于提取可扩展的多模项集构造推荐匹配的有效特征集合。
9.根据权利要求8所述的一种交互式网络电视服务***，其特征在于：所述隐式反馈挖掘分析模块包括：
兴趣挖掘模型模块，用于基于接收到的用户数据、节目数据、用户观看日志数据建立用户兴趣挖掘模型；
隐式观看习惯分析模块，用于根据用户的观看时长提出用户分类算法对用户进行分类，分析用户的隐式观看习惯；
隐式兴趣特征提取模块，用于使用基于高斯混合模型的聚类方法提取用户的隐式兴趣特征；
隐式因素排序模块，用于对IPTV***中对视频节目的推荐存在影响的隐式因素的重要度排序计算。
10.根据权利要求9所述的一种交互式网络电视服务***，其特征在于：所述隐式反馈推荐模块包括：
选择率计算模块，用于计算用户对感兴趣的视频节目类型的选择率；
隐式关联分类模块，用于将视频节目划分到隐式关联的大类中；
扩展推荐模块，用于根据用户隐式反馈形成具有惊喜的不同区域内容推荐列表。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410099933.4A CN118042229A (zh) | 2024-01-24 | 2024-01-24 | 一种交互式网络电视服务方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410099933.4A CN118042229A (zh) | 2024-01-24 | 2024-01-24 | 一种交互式网络电视服务方法及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118042229A true CN118042229A (zh) | 2024-05-14 |
Family
ID=90983179
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410099933.4A Pending CN118042229A (zh) | 2024-01-24 | 2024-01-24 | 一种交互式网络电视服务方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118042229A (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109672938A (zh) * | 2019-01-07 | 2019-04-23 | 河北工业大学 | 一种iptv节目推荐方法 |
| CN111382309A (zh) * | 2020-03-10 | 2020-07-07 | 深圳大学 | 一种基于图模型的短视频推荐方法、和智能终端和存储介质 |
| CN116975425A (zh) * | 2022-12-28 | 2023-10-31 | 腾讯科技（深圳）有限公司 | 视频推荐方法、装置、电子设备及计算机可读存储介质 |
-
2024
- 2024-01-24 CN CN202410099933.4A patent/CN118042229A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109672938A (zh) * | 2019-01-07 | 2019-04-23 | 河北工业大学 | 一种iptv节目推荐方法 |
| CN111382309A (zh) * | 2020-03-10 | 2020-07-07 | 深圳大学 | 一种基于图模型的短视频推荐方法、和智能终端和存储介质 |
| WO2021179640A1 (zh) * | 2020-03-10 | 2021-09-16 | 深圳大学 | 一种基于图模型的短视频推荐方法、和智能终端和存储介质 |
| CN116975425A (zh) * | 2022-12-28 | 2023-10-31 | 腾讯科技（深圳）有限公司 | 视频推荐方法、装置、电子设备及计算机可读存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN101047826B (zh) | 电子设备及其信息浏览方法 | |
| CA2619773C (en) | System and method for recommending items of interest to a user | |
| CA2353385C (en) | Subscriber identification system | |
| US11330343B2 (en) | Dynamic viewer prediction system for advertisement scheduling | |
| CN106331779A (zh) | 在播放视频过程中基于用户喜好推送主播的方法及*** | |
| US20040073919A1 (en) | Commercial recommender | |
| CN100551031C (zh) | 在项目推荐器中把多个项划分成相似项的组的方法及装置 | |
| US20090055860A1 (en) | System and method for providing targeted rating of profiles in video audiences | |
| US20070240181A1 (en) | Subscriber Characterization System with Filters | |
| JP2006524009A (ja) | 視聴者分析結果の生成 | |
| US20040255321A1 (en) | Content blocking | |
| US20030101449A1 (en) | System and method for behavioral model clustering in television usage, targeted advertising via model clustering, and preference programming based on behavioral model clusters | |
| CN104935970A (zh) | 进行电视内容推荐的方法及电视客户端 | |
| CN101690179A (zh) | 用于产生多媒体内容的推荐关键字的***及其方法 | |
| CN109429103B (zh) | 推荐信息的方法、装置及计算机可读存储介质、终端设备 | |
| CN111861550B (zh) | 一种基于ott设备的家庭画像构建方法及*** | |
| CN113645488B (zh) | 一种基于用户数据的互联网电视视频推荐***及方法 | |
| Xu et al. | Catch-up TV recommendations: show old favourites and find new ones | |
| CN102695086B (zh) | 交互式网络协议电视的内容推送方法和装置 | |
| Velusamy et al. | An efficient ad recommendation system for TV programs | |
| CN118042229A (zh) | 一种交互式网络电视服务方法及*** | |
| US20230063587A1 (en) | Systems, methods, and apparatuses for audience metric determination | |
| US20240187695A1 (en) | Affinity profile system and method | |
| TW201914305A (zh) | 個人化影音資料評分綜合加權資訊之系統與方法 | |
| Teng et al. | Rating prediction algorithm and recommendation based on user beahavior in IPTV |
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 |