CN118250492A - 电视业务的智能推荐方法 - Google Patents
电视业务的智能推荐方法 Download PDFInfo
- Publication number
- CN118250492A CN118250492A CN202410233138.XA CN202410233138A CN118250492A CN 118250492 A CN118250492 A CN 118250492A CN 202410233138 A CN202410233138 A CN 202410233138A CN 118250492 A CN118250492 A CN 118250492A
- Authority
- CN
- China
- Prior art keywords
- model
- content
- recommended
- recommendation
- target user
- 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 44
- 230000003068 static effect Effects 0.000 claims abstract description 17
- 238000000605 extraction Methods 0.000 claims abstract description 3
- 238000001914 filtration Methods 0.000 claims description 23
- 230000006399 behavior Effects 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 238000013136 deep learning model Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 8
- 239000000284 extract Substances 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 5
- 238000013135 deep learning Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种电视业务的智能推荐方法,包括以下步骤:收集目标用户的行为数据,然后对收集到的行为数据进行特征提取,形成不同的分析特征;然后由实时推荐模型和动态推荐模型分别对上述分析特征进行处理,得到对应的推荐内容,同时由静态推荐模型定期生成固定的推荐内容;再针对不同的场景对实时推荐模型、动态推荐模型和静态推荐模型的推荐内容进行分配,使每个场景分别对应一个或多个模型的推荐内容,并由各推荐模型对不同场景的目标用户进行内容推荐。本发明能够根据目标用户的数据生成个性化的推荐内容,并提高推荐内容的多样性和准确度。
Description
技术领域
本发明涉及一种视频内容的推荐方法,特别是一种电视业务的智能推荐方法。
背景技术
由于网络数据和视频量的***式增长,使得视频平台需要通过视频推荐***对目标用户的观看历史、喜好、评分等信息进行分析,从而为目标用户推荐其更感兴趣的视频内容,提高用户满意度和增加用户粘性。现有视频推荐***对视频的推荐方式往往是根据用户过去的行为和偏好对视频信息进行筛选,即筛选处出与用户以往喜好视频更相似的视频内容进行推荐;而这就导致用户在该推荐模式下会陷入信息茧房,即会更多的接收到相似的推荐内容,而错过其他可能感兴趣或重要的视频内容。
其次,由于不同场景下用户对视频内容的需求不同,导致用户在不同场景下的行为记录不仅难以相互参照,反而会形成干扰项降低视频推荐***对推荐内容的预测准确度。该状态下视频推荐***若仅依据目标用户的喜好进行相似推荐,很容易造成其推荐内容和用户实际需求的偏差,且受到用户在其他场景下的行为数据干扰使得视频推荐***也很难对其偏差数据进行修正。
因此,现有的视频推荐***存在推荐内容单一、准确度低的问题。
发明内容
本发明的目的在于,提供一种电视业务的智能推荐方法。它能够根据目标用户的数据生成个性化的推荐内容,并提高推荐内容的多样性和准确度。
本发明的技术方案:电视业务的智能推荐方法,包括以下步骤:
A.收集目标用户的行为数据,然后对收集到的行为数据进行特征提取,形成不同的分析特征;
B.由实时推荐模型和动态推荐模型分别对上述分析特征进行处理,得到对应的推荐内容,同时由静态推荐模型定期生成固定的推荐内容;
C.针对不同的场景对实时推荐模型、动态推荐模型和静态推荐模型的推荐内容进行分配,使每个场景分别对应一个或多个模型的推荐内容,并由各推荐模型对不同场景的目标用户进行内容推荐。
前述的电视业务的智能推荐方法中,所述静态推荐模型由电视端基于不同影视分类定期生成固定的推荐内容。
前述的电视业务的智能推荐方法中,所述步骤A中的分析特征为目标用户的浏览内容,所述动态推荐模型包括用户协同过滤模型,用户协同过滤模型的推荐方法包括以下步骤:
B11.以目标用户的分析特征和其他用户的分析特征为基础建立矩阵,分别得到不同用户的特征矩阵;
B12.在特征矩阵的基础上计算出目标用户和其他用户的相似性;
B13.选取与目标用户相似性高的其他用户,以其他用户对目标用户未评价内容的评分为基础进行计算,计算出目标用户对未评价内容的预测评分;
B14.对计算得到的预测评分进行排序,选取预测评分的最高的一项或多项内容作为推荐内容。
前述的电视业务的智能推荐方法中,所述步骤A中的分析特征为目标用户的已评价内容,所述动态推荐模型包括内容协同过滤模型,内容协同过滤模型的推荐方法包括以下步骤:
B21.以目标用户的已评价内容和目标用户的未评价内容为基础建立关系矩阵,得到目标用户的特征矩阵;
B22.在特征矩阵的基础上计算出已评价内容和未评价内容的相似度;
B23.以已评价内容和未评价内容的相似度以及目标用户对已评价内容的评分为基础进行计算,计算出目标用户对未评价内容的预测评分;
B24.对计算得到的预测评分进行排序,选取预测评分的最高的一项或多项未评价内容作为推荐内容。
前述的电视业务的智能推荐方法中,所述动态推荐模型包括内容过滤模型、相似度排序模型和关键词排序模型;
其中内容过滤模型通过对分析特征的属性或标签进行提取,然后生成具有相同属性或标签的其他推荐内容;
相似度排序模型通过对分析特征进行整理和排序,获取到各分析特征的相似点,然后生成具有该相似点的其他推荐内容;
关键词排序模型通过对分析特征中的关键词进行提取和排序,然后生成具有更多相同关键词的其他推荐内容。
前述的电视业务的智能推荐方法中,所述实时推荐模型包括实时计算引擎,实时计算引擎的推荐方法包括以下步骤:
B31.由实时计算引擎实时接收目标用户的分析特征;
B32.实时计算引擎根据接收到的分析特征对目标用户当前的特征向量进行预测,并根据预测结果生成个性化的实时推荐列表;
B33.将生成的实时推荐列表反馈给用户,然后记录用户的反馈信息;
B34.根据反馈信息优化实时计算引擎的预测模型。
前述的电视业务的智能推荐方法中,所述实时推荐模型包括神经网络深度学习模型,神经网络深度学习模型的推荐方法包括以下步骤:
B41.收集不同用户和对应的内容数据作为用于训练的数据集;
B42.使用深度学习框架等搭建学习模型;
B43.通过数据集对学习模型进行训练,生成用于对目标用户的喜好内容进行预测的神经网络深度学习模型;
B44.将目标用户的分析特征导入学习模型,然后由学习模型计算得到对应的推荐内容。
前述的电视业务的智能推荐方法中,所述步骤C中当一个场景对应多个模型的推荐内容时,由人为对每个场景的推荐内容分配方式进行预设,每种分配方式对应不同推荐模型的组合以及各推荐模型的权重,生成多种不同的分配方式;然后通过A/B测试对各分配方式进行优化,选择出效果最好的分配方式并作为该场景的推荐内容分配方式。
与现有技术相比,本发明具有以下特点:
(1)本发明通过推荐方法的优化,使得实时推荐模型、动态推荐模型和静态推荐模型能够分别根据不同的算法生成不同的推荐内容,然后针对不同场景将各推荐内容以指定的分配方式推荐给目标用户,从而有效提高推荐内容的多样性;
(2)通过对实时推荐模型的进一步限定,使得不同推荐模型还能够从用户相似度、内容相似度、视频标签、关键词等多方面分析特征为基础,分别生成不同的推荐内容,从而进一步提高推荐内容的多元化程度,并避免单一推荐方式因准确度差异造成其推荐内容的整体偏差;
(3)在上述基础上,针对不同场景下对各推荐内容的分配方式优化,使得本申请能够根据不同场景的特点有针对性的对不同模型推荐内容的权重进行调整,从而筛选出该场景下更符合用户喜好的推荐模型,从而提高在不同场景下的推荐内容准确度,减少在特定场景下用户历史行为数据所造成的干扰;
(4)通过对实时推荐模型、动态推荐模型和静态推荐模型的划分,并将各推荐模型的推荐内容在组合后推荐给目标用户;使得实时推荐模型还能够根据目标用户对动态推荐模型和静态推荐模型的推荐内容喜好实时调整其预测模型的算法,从而通过增加样本丰富性的方式提高实时推荐模型对预测结果的准确度,降低因目标用户分析特征的缺失或准确率问题造成其推荐内容的偏差;
所以,本发明能够根据目标用户的数据生成个性化的推荐内容,并提高推荐内容的多样性和准确度。
具体实施方式
下面结合实施例对本发明作进一步的说明,但并不作为对本发明限制的依据。
实施例。电视业务的智能推荐方法,包括以下步骤:
A.收集目标用户的行为数据,所述行为数据包括用户的浏览、搜索、点击记录,购买记录,评分等信息,然后对收集到的行为数据进行特征提取,形成不同的分析特征,该分析特征包括用户的兴趣标签、历史行为、内容属性、关键词等内容;
B.由实时推荐模型和动态推荐模型分别对上述分析特征进行处理,得到对应的推荐内容,同时由静态推荐模型定期生成固定的推荐内容;
C.针对不同的场景对实时推荐模型、动态推荐模型和静态推荐模型的推荐内容进行分配,使每个场景分别对应一个或多个模型的推荐内容,并由各推荐模型对不同场景的目标用户进行内容推荐。
所述静态推荐模型由电视端基于不同影视分类定期生成固定的推荐内容,该推荐内容可为当下的热门内容,以及平台指定的推荐内容,每个用户接收到的静态推荐内容相同。
所述步骤A中的分析特征为目标用户的浏览内容,所述动态推荐模型包括用户协同过滤模型,用户协同过滤模型的推荐方法包括以下步骤:
B11.以目标用户的分析特征和其他用户的分析特征为基础建立矩阵,矩阵中的行为用户,列为分析特征,分别得到不同用户的特征矩阵;
B12.在特征矩阵的基础上通过余弦相似度、皮尔逊相关系数等常规相似度计算公式计算出目标用户和其他用户的相似性;
B13.选取与目标用户相似性高的其他用户,以其他用户对目标用户未评价内容的评分为基础进行计算,计算出目标用户对未评价内容的预测评分,该计算方法可由人为选取指定数量的相似性最高的其他用户,然后以其他用户对相同已评价内容的评分为基础,通过加权平均其他用户的评分得到;
B14.对计算得到的预测评分进行排序,选取预测评分的最高的一项或多项内容作为推荐内容。
所述步骤A中的分析特征为目标用户的已评价内容,所述动态推荐模型包括内容协同过滤模型,内容协同过滤模型的推荐方法包括以下步骤:
B21.以目标用户的已评价内容和目标用户的未评价内容为基础建立关系矩阵,得到目标用户的特征矩阵;
B22.在特征矩阵的基础上通过余弦相似度、皮尔逊相关系数等常规相似度计算公式计算出已评价内容和未评价内容的相似度;
B23.以已评价内容和未评价内容的相似度以及目标用户对已评价内容的评分为基础进行计算,计算出目标用户对未评价内容的预测评分,该预测评分可通过加权平均相似内容的评分得到;
B24.对计算得到的预测评分进行排序,选取预测评分的最高的一项或多项未评价内容作为推荐内容。
用户协同过滤模型和内容协同过滤模型在处理时可针对不同的场景对分析特征进行调整和优化,如引入时间信息、处理稀疏数据。
所述动态推荐模型包括内容过滤模型、相似度排序模型和关键词排序模型;
其中内容过滤模型通过对分析特征的属性或标签进行提取,然后生成具有相同属性或标签的其他推荐内容;
相似度排序模型通过对分析特征进行整理和排序,获取到各分析特征的相似点,然后生成具有该相似点的其他推荐内容;
关键词排序模型通过对分析特征中的关键词进行提取和排序,然后生成具有更多相同关键词的其他推荐内容。
所述实时推荐模型包括实时计算引擎,实时计算引擎的推荐方法包括以下步骤:
B31.由Apache Flink、Apache Kafka等实时计算引擎实时接收目标用户的分析特征,该分析特征包括用户的浏览、搜索、点击、购买等行为;
B32.实时计算引擎根据接收到的分析特征对目标用户当前的特征向量进行预测,并根据预测结果生成个性化的实时推荐列表;
B33.将生成的实时推荐列表反馈给用户,然后记录用户的反馈信息;
B34.在反馈信息的基础上通过准确率、召回率、F1值等评估指标评估实时计算引擎的推荐模型性能,从而提高实时计算引擎的准确度。
所述实时推荐模型包括神经网络深度学习模型,神经网络深度学习模型的推荐方法包括以下步骤:
B41.收集不同用户和对应的内容数据作为用于训练的数据集;
B42.对内容数据进行预处理,包括但不限于对图像的缩放、裁剪、正规化,文本的分词和词嵌入,以及其他适用于特定任务的操作,使数据在输入模型之前具有一致的格式;
B43.根据任务的性质选择适当的深度学习模型架构,对于图像任务,可选用包括卷积神经网络作为学习模型;对于序列任务,可选用循环神经网络和长短时记忆网络作为学习模型;
B44.使用TensorFlow、PyTorch、Keras等深度学习框架等搭建学习模型,在设计模型时,确保模型结构和参数数量满足任务需求,同时避免过拟合;
B45.根据任务的性质选择学习模型的损失函数,对于分类任务可选择交叉熵损失作为损失函数;对于回归任务可选择均方误差作为损失函数;
B46.选择学习模型的优化器,并通过实验调整优化器的学习率、批量大小、正则化参数等超参数;
B47.通过数据集对设计好的学习模型进行训练;并在训练完成后使用测试集对学习模型进行评估,评估指标可以根据任务的性质选择,从而提高学习模型的预测准确度;
B48.将训练完成后的神经网络深度学习模型部署到实际应用环境中,然后将目标用户的分析特征导入学习模型,由学习模型计算得到对应的推荐内容;
B49.学习模型上线使用后,持续监控学习模型的性能,并根据新的内容数据对学习模型进行迭代和更新。
所述步骤C中当一个场景对应多个模型的推荐内容时,由人为对每个场景的推荐内容分配方式进行预设,每种分配方式对应不同推荐模型的组合以及各推荐模型的权重,生成多种不同的分配方式;然后通过A/B测试对各分配方式进行优化,选择出效果最好的分配方式并作为该场景的推荐内容分配方式。
本发明通过对推荐模型的划分和限定,使得实时推荐模型、动态推荐模型和静态推荐模型能够分别从不同方面生成对应的推荐视频,其中静态推荐模型以当下的热门视频和平台的指定视频作为推荐视频;用户协同过滤模型和内容协同过滤模型分别以用户相似度和内容相似度为依据预测出目标用户可能喜好的推荐视频;内容过滤模型、相似度排序模型和关键词排序模型分别以目标用户历史浏览的视频内容为基础,对视频内容的标签、相似点和关键词进行提取和排序,并生成对应的推荐视频;实时计算引擎和神经网络深度学习模型则依据目标用户的分析特征计算出对应的推荐视频。通过对推荐视频生成方式的多样化设置,则能够有效扩大推荐视频的筛选范围,一方面避免因推荐视频的单一性造成目标用户的信息茧房,另一方面则避免单一推荐模型受到目标用户行为数据的干扰造成其推荐内容的准确度偏差。
在此基础上,通过针对不同场景设定不同的推荐内容分配方式,并通过A/B测试筛选出该场景下最佳的推荐内容分配方式,则能够根据不同场景的特性对换各推荐模型的推荐准确度进行筛选,从而获取到该场景下不同推荐模型的准确度并对其权重进行调整,使得推荐***推荐的视频内容能够更加符合该应用场景的特性,从而提高推荐内容的准确度。
Claims (8)
1.电视业务的智能推荐方法,其特征在于,包括以下步骤:
A.收集目标用户的行为数据,然后对收集到的行为数据进行特征提取,形成不同的分析特征;
B.由实时推荐模型和动态推荐模型分别对上述分析特征进行处理,得到对应的推荐内容,同时由静态推荐模型定期生成固定的推荐内容;
C.针对不同的场景对实时推荐模型、动态推荐模型和静态推荐模型的推荐内容进行分配,使每个场景分别对应一个或多个模型的推荐内容,并由各推荐模型对不同场景的目标用户进行内容推荐。
2.根据权利要求1所述的电视业务的智能推荐方法,其特征在于:所述静态推荐模型由电视端基于不同影视分类定期生成固定的推荐内容。
3.根据权利要求1所述的电视业务的智能推荐方法,其特征在于,所述步骤A中的分析特征为目标用户的浏览内容,所述动态推荐模型包括用户协同过滤模型,用户协同过滤模型的推荐方法包括以下步骤:
B11.以目标用户的分析特征和其他用户的分析特征为基础建立矩阵,分别得到不同用户的特征矩阵;
B12.在特征矩阵的基础上计算出目标用户和其他用户的相似性;
B13.选取与目标用户相似性高的其他用户,以其他用户对目标用户未评价内容的评分为基础进行计算,计算出目标用户对未评价内容的预测评分;
B14.对计算得到的预测评分进行排序,选取预测评分的最高的一项或多项内容作为推荐内容。
4.根据权利要求1所述的电视业务的智能推荐方法,其特征在于,所述步骤A中的分析特征为目标用户的已评价内容,所述动态推荐模型包括内容协同过滤模型,内容协同过滤模型的推荐方法包括以下步骤:
B21.以目标用户的已评价内容和目标用户的未评价内容为基础建立关系矩阵,得到目标用户的特征矩阵;
B22.在特征矩阵的基础上计算出已评价内容和未评价内容的相似度;
B23.以已评价内容和未评价内容的相似度以及目标用户对已评价内容的评分为基础进行计算,计算出目标用户对未评价内容的预测评分;
B24.对计算得到的预测评分进行排序,选取预测评分的最高的一项或多项未评价内容作为推荐内容。
5.根据权利要求1所述的电视业务的智能推荐方法,其特征在于:所述动态推荐模型包括内容过滤模型、相似度排序模型和关键词排序模型;
其中内容过滤模型通过对分析特征的属性或标签进行提取,然后生成具有相同属性或标签的其他推荐内容;
相似度排序模型通过对分析特征进行整理和排序,获取到各分析特征的相似点,然后生成具有该相似点的其他推荐内容;
关键词排序模型通过对分析特征中的关键词进行提取和排序,然后生成具有更多相同关键词的其他推荐内容。
6.根据权利要求1所述的电视业务的智能推荐方法,其特征在于,所述实时推荐模型包括实时计算引擎,实时计算引擎的推荐方法包括以下步骤:
B31.由实时计算引擎实时接收目标用户的分析特征;
B32.实时计算引擎根据接收到的分析特征对目标用户当前的特征向量进行预测,并根据预测结果生成个性化的实时推荐列表;
B33.将生成的实时推荐列表反馈给用户,然后记录用户的反馈信息;
B34.根据反馈信息优化实时计算引擎的预测模型。
7.根据权利要求1所述的电视业务的智能推荐方法,其特征在于,所述实时推荐模型包括神经网络深度学习模型,神经网络深度学习模型的推荐方法包括以下步骤:
B41.收集不同用户和对应的内容数据作为用于训练的数据集;
B42.使用深度学习框架等搭建学习模型;
B43.通过数据集对学习模型进行训练,生成用于对目标用户的喜好内容进行预测的神经网络深度学习模型;
B44.将目标用户的分析特征导入学习模型,然后由学习模型计算得到对应的推荐内容。
8.根据权利要求1所述的电视业务的智能推荐方法,其特征在于:所述步骤C中当一个场景对应多个模型的推荐内容时,由人为对每个场景的推荐内容分配方式进行预设,每种分配方式对应不同推荐模型的组合以及各推荐模型的权重,生成多种不同的分配方式;然后通过A/B测试对各分配方式进行优化,选择出效果最好的分配方式并作为该场景的推荐内容分配方式。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410233138.XA CN118250492A (zh) | 2024-03-01 | 2024-03-01 | 电视业务的智能推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410233138.XA CN118250492A (zh) | 2024-03-01 | 2024-03-01 | 电视业务的智能推荐方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118250492A true CN118250492A (zh) | 2024-06-25 |
Family
ID=91552081
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410233138.XA Pending CN118250492A (zh) | 2024-03-01 | 2024-03-01 | 电视业务的智能推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118250492A (zh) |
-
2024
- 2024-03-01 CN CN202410233138.XA patent/CN118250492A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112581191B (zh) | 行为预测模型的训练方法及装置 | |
CN111797321B (zh) | 一种面向不同场景的个性化知识推荐方法及*** | |
US20210271975A1 (en) | User tag generation method and apparatus, storage medium, and computer device | |
CN110430471B (zh) | 一种基于瞬时计算的电视推荐方法和*** | |
CN108520450B (zh) | 基于隐式反馈信息的局部低秩矩阵近似的推荐方法及*** | |
CN112597395A (zh) | 对象推荐方法、装置、设备及存储介质 | |
CN110175895B (zh) | 一种物品推荐方法及装置 | |
CN108230007A (zh) | 一种用户意图的识别方法、装置、电子设备及存储介质 | |
CN112052387B (zh) | 一种内容推荐方法、装置和计算机可读存储介质 | |
CN110909182A (zh) | 多媒体资源搜索方法、装置、计算机设备及存储介质 | |
CN112100504B (zh) | 内容推荐方法、装置、电子设备及存储介质 | |
CN113051468B (zh) | 一种基于知识图谱和强化学习的电影推荐方法及*** | |
CN111125429A (zh) | 一种视频推送方法、装置和计算机可读存储介质 | |
CN114186130A (zh) | 一种基于大数据的体育资讯推荐方法 | |
CN112749330B (zh) | 信息推送方法、装置、计算机设备和存储介质 | |
CN109508407A (zh) | 融合时间与兴趣相似度的电视产品推荐方法 | |
CN113220974B (zh) | 点击率预测模型训练、搜索召回方法、装置、设备及介质 | |
CN113468413B (zh) | 一种面向多用户共享的多媒体网络视频推荐方法 | |
CN115439770A (zh) | 一种内容召回方法、装置、设备及存储介质 | |
CN112115354A (zh) | 信息处理方法、装置、服务器及存储介质 | |
CN114817692A (zh) | 确定推荐对象的方法、装置和设备及计算机存储介质 | |
CN114579843A (zh) | 一种个性化搜索的方法、装置、计算机设备和存储介质 | |
CN111506813A (zh) | 一种基于用户画像的遥感信息精准推荐方法 | |
CN113254794B (zh) | 基于建模的节目数据推荐方法及*** | |
CN118250492A (zh) | 电视业务的智能推荐方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |