專利名稱：電視節(jié)目推薦方法及系統(tǒng)的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及有線電視技術(shù)領(lǐng)域，尤其涉及一種電視節(jié)目推薦方法及系統(tǒng)。
背景技術(shù)：
隨著“三網(wǎng)融合”技術(shù)的逐漸推進(jìn)，有線電視行業(yè)將呈現(xiàn)新的運(yùn)營模式，有線數(shù)字電視將不再是電視節(jié)目的唯一提供者，眾多的競(jìng)爭(zhēng)對(duì)手，如數(shù)字衛(wèi)星電視、數(shù)字地面電視，甚至P2P流媒體視頻等將在“三網(wǎng)融合”的契機(jī)下，與有線電視一起瓜分市場(chǎng)。在如此激烈的競(jìng)爭(zhēng)下，如果電視運(yùn)營商還只是關(guān)注電視內(nèi)容及其帶來的增值業(yè)務(wù)，而對(duì)用戶的消費(fèi)行為和應(yīng)用需求缺乏感知，必將造成收視率低下，用戶黏度低，進(jìn)而影響廣告收入，造成資源投入分配的不合理。因此，在新形勢(shì)下，電視運(yùn)營商需要在業(yè)務(wù)深度上進(jìn)行轉(zhuǎn)變，采取人性化的服務(wù)方式，如可以通過用戶安裝的機(jī)頂盒，采集用戶的觀看習(xí)慣、消費(fèi)行為(如收視 率)等數(shù)據(jù)，并加以分析，從而能夠第一時(shí)間根據(jù)用戶特點(diǎn)提供針對(duì)性的節(jié)目?jī)?nèi)容(例如推送客戶感興趣的電視劇、電影等，供用戶觀看)，這樣，在加大用戶黏度的同時(shí)，還可提高其廣告投放精準(zhǔn)度，進(jìn)而增加廣告收入。目前常用的電視節(jié)目推薦方法是創(chuàng)建用戶的興趣愛好、頻道和節(jié)目喜好等特征，基于用戶的這些信息，產(chǎn)生一個(gè)個(gè)性化的電子節(jié)目引導(dǎo)單，并將該列表推送給用戶。在學(xué)術(shù)界，對(duì)于商品(電視節(jié)目也是一種商品)推薦的研究可以分為以下三種方法基于內(nèi)容的推薦方法，基于協(xié)同過濾的推薦方法和組合過濾方法。組合過濾的方法將前兩種方法加以集成?；趦?nèi)容的推薦是信息過濾技術(shù)的延伸和發(fā)展，系統(tǒng)通過學(xué)習(xí)用戶的歷史興趣內(nèi)容來進(jìn)行相關(guān)節(jié)目的興趣預(yù)測(cè)，需要為用戶構(gòu)建模型來過濾內(nèi)容，這種方法簡(jiǎn)單快速，但是對(duì)用戶推薦的節(jié)目存在局限性，只能推薦跟用戶歷史興趣內(nèi)容相關(guān)的節(jié)目，無法實(shí)現(xiàn)興趣的階段性跳躍。另外，當(dāng)有大批量節(jié)目被頻繁更新插入時(shí)，系統(tǒng)的靈活性變得很差，因此，該算法不適合大型的動(dòng)態(tài)系統(tǒng)。協(xié)同過濾方法的思想是通過比較全部用戶的評(píng)分，搜索整個(gè)用戶空間來尋找相似的用戶，根據(jù)鄰居的評(píng)分預(yù)測(cè)目標(biāo)用戶的評(píng)分。由于協(xié)同過濾方法不需要依靠推薦對(duì)象的特征抽取來判斷用戶的興趣，并能夠很好的解決用戶興趣轉(zhuǎn)移問題，推薦個(gè)性化程度高，因此被廣泛地運(yùn)用在推薦系統(tǒng)中。最近鄰方法在協(xié)同過濾中起著非常關(guān)鍵的作用，通過用戶-節(jié)目評(píng)分矩陣來計(jì)算用戶之間的相似性，來確定目標(biāo)用的K個(gè)最近鄰，但是計(jì)算最近鄰的方法通常有稀疏性和擴(kuò)展性差的問題。組合的推薦方法組合多個(gè)模板方法來取長(zhǎng)補(bǔ)短。聚類就是將數(shù)據(jù)對(duì)象歸類，分為多個(gè)簇(Cluster)，在同一個(gè)簇中的對(duì)象具有較高的相似度，而不同簇中的對(duì)象差別較大。通過聚類，人們能夠識(shí)別數(shù)據(jù)對(duì)象密集的和稀疏的區(qū)域，因而發(fā)現(xiàn)全局的對(duì)象分布模式，以及數(shù)據(jù)屬性之間的相互關(guān)系。利用聚類常?？梢詮目蛻粜畔熘邪l(fā)現(xiàn)不同的客戶群，并且用觀看模式來刻畫不同的客戶群的特征。為了便于尋找目標(biāo)用戶的相似用戶，聚類模型首先將現(xiàn)有的用戶按照一定的算法分為多個(gè)簇，具有相似愛好的用戶被分配到相同的簇中，根據(jù)現(xiàn)有用戶的對(duì)某商品的評(píng)價(jià)得到目標(biāo)用戶對(duì)該商品的預(yù)測(cè)評(píng)價(jià)。由于聚類模型只是將目標(biāo)用戶與一定數(shù)量的簇進(jìn)行比較而不是整個(gè)用戶集，因此在擴(kuò)展性和實(shí)現(xiàn)性能上比傳統(tǒng)的協(xié)同過濾技術(shù)略顯優(yōu)勢(shì)。這也是在研究中引用聚類對(duì)數(shù)據(jù)進(jìn)行預(yù)處理的原因。但是使用單獨(dú)的聚類算法在推薦質(zhì)量上并不是很高，當(dāng)某用戶處于一個(gè)聚類的邊緣時(shí)，對(duì)該用戶的推薦精度比較低。為了更好地給目標(biāo)用戶進(jìn)行推薦，需要將其分配到與他具有較高相似度的用戶所在的簇中，這對(duì)簇的要求提高了，簇的數(shù)量也會(huì)有大的增加。而傳統(tǒng)聚類方法都是在行或列上進(jìn)行聚類，聚類結(jié)果都是包含所有行或列的，聚類到的信息屬于全局信息，高維數(shù)據(jù)中的局部信息將很難被發(fā)現(xiàn)。為了解決高維數(shù)據(jù)聚類的問題，Yizong Cheng和George Μ· Church這兩個(gè)人于2000年首次提出了雙聚類模型及算法。雙聚類算法是在數(shù)據(jù)矩陣的行和列兩個(gè)方向上同時(shí)聚類，不僅能夠有效地聚類出全局信息，而且能夠高效地在高維數(shù)據(jù)中發(fā)現(xiàn)局部信息。

發(fā)明內(nèi)容
本發(fā)明要解決的技術(shù)問題是為了克服上述問題，提供一種電視節(jié)目推薦方法及系統(tǒng)。 本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是一種電視節(jié)目推薦方法，包括構(gòu)建電視節(jié)目管理云和用戶管理云，確定電視節(jié)目資源和用戶觀看行為方式的關(guān)聯(lián)關(guān)系；基于所述電視節(jié)目管理云和用戶管理云，采取節(jié)目聚類和用戶聚類的雙聚類協(xié)同過濾算法，得到推薦結(jié)果；根據(jù)推薦結(jié)果向目標(biāo)用戶進(jìn)行電視節(jié)目推薦。其中，所述電視節(jié)目管理云和用戶管理云是依據(jù)以下參數(shù)構(gòu)建的電視播放次數(shù)、播放頻道、播放長(zhǎng)度、內(nèi)容分類、用戶觀看時(shí)間、用戶觀看次數(shù)等，以及這些參數(shù)之間的關(guān)系O其中，所述推薦結(jié)果是依據(jù)以下信息得到的目標(biāo)用戶瀏覽統(tǒng)計(jì)信息；目標(biāo)用戶對(duì)電視節(jié)目顯示相似興趣的用戶所喜歡的節(jié)目；由節(jié)目相似度所決定的推薦列表；目標(biāo)用戶選擇節(jié)目的歷史信息。其中，所述用戶聚類和節(jié)目聚類的雙聚類協(xié)同過濾算法的處理過程包括(a)輸入用戶-節(jié)目評(píng)分矩陣將用戶對(duì)電視節(jié)目的評(píng)分?jǐn)?shù)據(jù)組織成用戶-節(jié)目評(píng)分矩陣，作為算法輸入；(b)節(jié)目聚類對(duì)用戶-節(jié)目矩陣?yán)锏乃泄?jié)目進(jìn)行聚類，根據(jù)相似度閾值或者要求聚類的數(shù)目K將電視節(jié)目聚成K類；(c)預(yù)測(cè)未評(píng)分節(jié)目評(píng)分在每個(gè)電視節(jié)目類別上使用基于項(xiàng)目的協(xié)同過濾算法，計(jì)算未評(píng)價(jià)電視節(jié)目的預(yù)測(cè)值，選取前N個(gè)預(yù)測(cè)值，填入用戶-節(jié)目矩陣中，形成新的用戶-節(jié)目矩陣；(d)生成最近鄰居節(jié)目集根據(jù)目標(biāo)節(jié)目所在的節(jié)目類別或幾個(gè)類別生成目標(biāo)節(jié)目最近鄰居節(jié)目集；(e)產(chǎn)生推薦通過對(duì)目標(biāo)用戶的相似節(jié)目評(píng)價(jià)進(jìn)行加權(quán)平均計(jì)算預(yù)期；(f)用戶聚類對(duì)用戶-節(jié)目矩陣?yán)锏乃杏脩暨M(jìn)行聚類，根據(jù)相似度閾值或者要求聚類的數(shù)目U將節(jié)目聚成U類；(g)生成最近用戶數(shù)據(jù)集根據(jù)目標(biāo)用戶所在的用戶類別或幾個(gè)類別生成目標(biāo)用戶最近鄰居用戶集；
(h)產(chǎn)生推薦通過對(duì)目標(biāo)用戶的鄰居用戶的節(jié)目評(píng)價(jià)進(jìn)行加權(quán)平均計(jì)算預(yù)期；(i)綜合用戶聚類和節(jié)目聚類產(chǎn)生的推薦加權(quán)平均選取前N個(gè)節(jié)目推薦給目標(biāo)用戶。其中，以電視節(jié)目列表或者瀏覽建議的形式向目標(biāo)用戶進(jìn)行電視節(jié)目推薦。一種電視節(jié)目推薦系統(tǒng)，其特征在于，包括輸入功能模塊、推薦處理模塊和輸出功能模塊，其中所述輸入功能模塊，用于作為推薦系統(tǒng)和用戶交互的窗口，收集用戶觀看行為偏好數(shù)據(jù)；所述推薦處理模塊，用于構(gòu)建電視節(jié)目管理云和用戶管理云，確定電視節(jié)目資源和用戶觀看行為方式的關(guān)聯(lián)關(guān)系；并基于所述電視節(jié)目管理云和用戶管理云，采取節(jié)目聚類和用戶聚類的雙聚類協(xié)同過濾算法，得到推薦結(jié)果；所述輸出功能模塊，用于根據(jù)推薦結(jié)果向目標(biāo)用戶進(jìn)行電視節(jié)目推薦。其中，所述推薦處理模塊依據(jù)以下參數(shù)構(gòu)建電視節(jié)目管理云和用戶管理云電視 播放次數(shù)、播放頻道、播放長(zhǎng)度、內(nèi)容分類、用戶觀看時(shí)間、用戶觀看次數(shù)等，以及這些參數(shù)之間的關(guān)系。其中，所述推薦處理模塊依據(jù)以下信息得到推薦結(jié)果目標(biāo)用戶瀏覽統(tǒng)計(jì)信息；目標(biāo)用戶對(duì)電視節(jié)目顯示相似興趣的用戶所喜歡的節(jié)目；由節(jié)目相似度所決定的推薦列表；目標(biāo)用戶選擇節(jié)目的歷史信息。其中，所述推薦處理模塊基于項(xiàng)目的協(xié)同過濾算法實(shí)現(xiàn)節(jié)目聚類、基于用戶的協(xié)同過濾算法實(shí)現(xiàn)用戶聚類。其中，所述輸出功能模塊以電視節(jié)目列表或者瀏覽建議的形式向目標(biāo)用戶進(jìn)行電視節(jié)目推薦。本發(fā)明提出的電視節(jié)目推薦系統(tǒng)是建立在云計(jì)算平臺(tái)下，且采用雙聚類協(xié)同過濾推薦算法的一種新型的推薦系統(tǒng)，和以前相關(guān)工作不同之處，從理論和實(shí)踐兩個(gè)方面，研究在未來資源整合條件下的電視節(jié)目推薦問題，最終研究成果將會(huì)開發(fā)成一個(gè)真實(shí)的電視節(jié)目推薦平臺(tái)，能夠?qū)τ脩籼峁┥疃鹊姆?wù)，具有通用性和可靠性的特點(diǎn)，會(huì)選擇真實(shí)數(shù)據(jù)來證明該平臺(tái)的易用性和可靠性。本發(fā)明著眼于基于云計(jì)算的數(shù)字電視資源管理方式，主要針對(duì)現(xiàn)有推薦算法中存在的不足，提出基于雙聚類(用戶聚類和節(jié)目聚類)的協(xié)同過濾算法，來改善由于數(shù)據(jù)稀疏帶來的推薦質(zhì)量不高問題，提高電視節(jié)目推薦質(zhì)量。


圖I為本發(fā)明電視節(jié)目推薦方法流程圖；圖2為本發(fā)明電視節(jié)目管理云和“用戶管理云架構(gòu)圖；圖3為本發(fā)明雙聚類協(xié)同過濾算法流程具體實(shí)施例方式現(xiàn)在結(jié)合附圖對(duì)本發(fā)明作進(jìn)一步詳細(xì)的說明。這些附圖均為簡(jiǎn)化的示意圖，僅以示意方式說明本發(fā)明的基本結(jié)構(gòu)，因此其僅顯示與本發(fā)明有關(guān)的構(gòu)成。本發(fā)明在現(xiàn)有產(chǎn)品推薦算法基礎(chǔ)上，依據(jù)云計(jì)算技術(shù)，提出一種全新的電視節(jié)目推薦方法及系統(tǒng)。云計(jì)算的核心思想是，將大量用網(wǎng)絡(luò)連接的計(jì)算資源統(tǒng)一管理和調(diào)度，構(gòu)成一個(gè)計(jì)算資源池向用戶按需服務(wù)，提供資源的網(wǎng)絡(luò)被稱為“云”，“云”中的資源在使用者看來是可以無限擴(kuò)展的，并且可以隨時(shí)獲取，按需使用，隨時(shí)擴(kuò)展，按使用付費(fèi)。云計(jì)算的原理是，通過使計(jì)算分布在大量的分布式計(jì)算機(jī)上，而非本地計(jì)算機(jī)或遠(yuǎn)程服務(wù)器中，企業(yè)數(shù)據(jù)中心的運(yùn)行將與互聯(lián)網(wǎng)更相似。這使得企業(yè)能夠?qū)①Y源切換到需要的應(yīng)用上，根據(jù)需求訪問計(jì)算機(jī)和存儲(chǔ)系統(tǒng)。本發(fā)明實(shí)施主要包括三個(gè)部分(I)構(gòu)建電視節(jié)目管理和用戶管理云平臺(tái)。其中很重要的目標(biāo)就是為電視節(jié)目資源和電視用戶資 源管理構(gòu)建云平臺(tái)。在該平臺(tái)下可以有效地組織管理來自不同運(yùn)營商的電視節(jié)目資源，并且對(duì)用戶提供節(jié)目推薦服務(wù)，同時(shí)可以記錄用戶觀看電視的行為及詳細(xì)數(shù)據(jù)。(2)確定電視節(jié)目推薦算法。因?yàn)楣?jié)目推薦需要綜合考慮用戶相似性和節(jié)目相似性因素，因此不僅需要尋找節(jié)目的近鄰，還需要尋找用戶的近鄰，利用雙聚類算法進(jìn)行用戶和節(jié)目的協(xié)同過濾可以較好地滿足該目標(biāo)。(3)搭建原型系統(tǒng)并開發(fā)實(shí)際應(yīng)用。為了充分證明電視節(jié)目推薦算法的有效性，需要使用現(xiàn)有的有線電視、IPTV等資源搭建一個(gè)“電視節(jié)目管理云”和“用戶管理云”，并在此基礎(chǔ)上運(yùn)用雙聚類協(xié)同過濾算法進(jìn)行節(jié)目推薦服務(wù)。參見圖1，為本發(fā)明電視節(jié)目推薦方法流程圖，包括SlOl :構(gòu)建電視節(jié)目管理云和用戶管理云，確定電視節(jié)目資源和用戶觀看行為方式的關(guān)聯(lián)關(guān)系;S102:基于所述電視節(jié)目管理云和用戶管理云，采取節(jié)目聚類和用戶聚類的雙聚類協(xié)同過濾算法，得到推薦結(jié)果；S103 :根據(jù)推薦結(jié)果向目標(biāo)用戶進(jìn)行電視節(jié)目推薦。下面結(jié)合附圖對(duì)上述三個(gè)部分進(jìn)行詳細(xì)介紹。(I)構(gòu)建電視節(jié)目管理云和用戶管理云主要關(guān)注如何使用現(xiàn)有的有線電視、數(shù)字電視等資源構(gòu)建“電視節(jié)目管理云”和“用戶管理云”。其中重點(diǎn)解決如何有效管理云中的電視節(jié)目資源和用戶資源，其基本結(jié)構(gòu)如圖2所示。關(guān)鍵問題對(duì)“電視節(jié)目管理云和用戶管理云”進(jìn)行建模，包括采用集約的方式存儲(chǔ)可用的電視節(jié)目資源，使用數(shù)學(xué)的語言來定義每個(gè)節(jié)目資源和用戶觀看電視節(jié)目的興趣愛好和行為方式。提出“電視節(jié)目管理云“和“用戶管理云”的內(nèi)容和參數(shù)，包括電視播放次數(shù)、播放頻道、播放長(zhǎng)度、內(nèi)容分類、用戶觀看時(shí)間、用戶觀看次數(shù)等，以及這些參數(shù)之間的關(guān)系。該平臺(tái)包括電視節(jié)目管理云(Program Management Cloud, PMC)和用戶管理云(User Management Cloud, UMC),另外還有一個(gè)用于節(jié)目推薦的推薦引擎(Reco_endationEngine, RE)。電視節(jié)目管理云(PMC)存儲(chǔ)來自不同運(yùn)營商的電視節(jié)目，服務(wù)Agent從PMC向推薦引擎(RE)提供節(jié)目?jī)?nèi)容，并產(chǎn)生相關(guān)統(tǒng)計(jì)信息，包括用戶對(duì)節(jié)目的喜好、節(jié)目收視記錄
坐寸ο用戶管理云(User Management Cloud，UMC)監(jiān)控目標(biāo)用戶的個(gè)人信息、興趣。UMC支持對(duì)用戶觀看記錄和所需資源的管理、調(diào)度和安全控制。通常，每個(gè)用戶的個(gè)性化的喜好信息可以通過一些智能設(shè)備，如PC、移動(dòng)電話、便攜式電腦來產(chǎn)生。在提出的系統(tǒng)中，每個(gè)智能設(shè)備獨(dú)立地向UMC傳輸觀看歷史。推薦引擎(Recommendation Engine, RE)基于以下信息來計(jì)算推薦列表1)由UMC創(chuàng)建的目標(biāo)用戶瀏覽統(tǒng)計(jì)信息；2)和目標(biāo)用戶對(duì)電視節(jié)目顯示相似興趣的用戶所喜歡的節(jié)目；3)由節(jié)目相似度所決定的推薦列表；4)目標(biāo)用戶選擇節(jié)目的歷史信息。(2)基于雙聚類的電視節(jié)目推薦算法目前數(shù)據(jù)挖掘技術(shù)已經(jīng)廣泛地用于電子商務(wù)推薦系統(tǒng)中，推薦算法已經(jīng)使用了很多數(shù)據(jù)挖掘算法。其中聚類數(shù)據(jù)挖掘算法與協(xié)同過濾推薦算法的結(jié)合有以下兩種基于項(xiàng)目聚類的協(xié)同過濾推薦算法和基于用戶聚類的協(xié)同過濾推薦算法?；陧?xiàng)目聚類的協(xié)同過濾算法僅能在目標(biāo)節(jié)目所在的節(jié)目類別或幾個(gè)類別上生成，而不是整個(gè)節(jié)目空間。這樣雖然帶來了較快的推薦速度，但是無法解決“跨類型推薦”的問題。基于用戶聚類的協(xié)同過濾 算法在目標(biāo)用戶所在的用戶類別或幾個(gè)類別上生成，雖然推薦速度也較快，但是無法解決數(shù)據(jù)的稀疏性問題，推薦質(zhì)量也不高。因此，本發(fā)明主要關(guān)注如何綜合利用用戶聚類和節(jié)目聚類產(chǎn)生的推薦，避免數(shù)據(jù)稀疏問題帶來的影響和跨類型推薦的問題。算法的基本流程如圖3所示，實(shí)現(xiàn)包括以下步驟(a)輸入用戶-節(jié)目評(píng)分矩陣將用戶對(duì)電視節(jié)目的評(píng)分?jǐn)?shù)據(jù)組織成用戶-節(jié)目評(píng)分矩陣，作為算法輸入。(b)節(jié)目聚類對(duì)用戶-節(jié)目矩陣?yán)锏乃泄?jié)目進(jìn)行聚類，根據(jù)相似度閾值或者要求聚類的數(shù)目K將電視節(jié)目聚成K類。(c)預(yù)測(cè)未評(píng)分節(jié)目評(píng)分在每個(gè)電視節(jié)目類別上使用基于項(xiàng)目的協(xié)同過濾算法，計(jì)算未評(píng)價(jià)電視節(jié)目的預(yù)測(cè)值。選取前N個(gè)預(yù)測(cè)值，填入用戶-節(jié)目矩陣中，形成新的用戶-節(jié)目矩陣。(d)生成最近鄰居節(jié)目集根據(jù)目標(biāo)節(jié)目所在的節(jié)目類別或幾個(gè)類別生成目標(biāo)節(jié)目最近鄰居節(jié)目集。(e)產(chǎn)生推薦通過對(duì)目標(biāo)用戶的相似節(jié)目評(píng)價(jià)進(jìn)行加權(quán)平均計(jì)算預(yù)期。(f)用戶聚類對(duì)用戶-節(jié)目矩陣?yán)锏乃杏脩暨M(jìn)行聚類，根據(jù)相似度閾值或者要求聚類的數(shù)目U將節(jié)目聚成U類。(g)生成最近用戶數(shù)據(jù)集根據(jù)目標(biāo)用戶所在的用戶類別或幾個(gè)類別生成目標(biāo)用戶最近鄰居用戶集。(h)產(chǎn)生推薦通過對(duì)目標(biāo)用戶的鄰居用戶的節(jié)目評(píng)價(jià)進(jìn)行加權(quán)平均計(jì)算預(yù)期。(i)綜合用戶聚類和節(jié)目聚類產(chǎn)生的推薦加權(quán)平均選取前N個(gè)節(jié)目推薦給用戶。詳細(xì)算法描述如下 節(jié)目聚類使用經(jīng)典的聚類算法一Chameleon算法，算法過程如下輸入聚類個(gè)數(shù)P，包含η個(gè)節(jié)目/用戶的集合。輸出P個(gè)聚類。算法過程I)構(gòu)造k最近鄰2)使用多層圖劃分算法劃分圖；3) repeat ；4)合并關(guān)于相對(duì)互聯(lián)性和顯貴接近性而言，最好地保存簇的自相似性的簇；5)直到不再有可以合并的簇。Chameleon算法接受輸入量P ;然后將η個(gè)數(shù)據(jù)對(duì)象劃分為P個(gè)聚類以便使得所獲得的聚類滿足同一聚類中的對(duì)象相似度較高，而不同聚類中的對(duì)象相似度較小。聚類相似度是利用各聚類中距離最近的對(duì)象之間的距離進(jìn)行計(jì)算的。對(duì)用戶-節(jié)目矩陣?yán)锏墓?jié)目/用戶進(jìn)行聚類，將節(jié)目/用戶劃分為P個(gè)簇，每個(gè)簇內(nèi)包含相似的項(xiàng)節(jié)目/用戶。根據(jù)節(jié)目/用戶的劃分，把原用戶-節(jié)目矩陣劃分為幾個(gè)子矩陣。聚類完的節(jié)目聚類將做為預(yù)測(cè)未評(píng)分節(jié)目評(píng)分的輸入，用戶聚類將作為基于用戶的協(xié)同過濾算法產(chǎn)生推薦的輸入。
預(yù)測(cè)未評(píng)分節(jié)目評(píng)分為了使數(shù)據(jù)集變得更稠密，必須增加用戶對(duì)節(jié)目的評(píng)價(jià)，但是事實(shí)上用戶對(duì)節(jié)目的評(píng)價(jià)又是非常有限的。所以只能根據(jù)已有的信息，通過算法的分析來獲取更多的信息。對(duì)聚類后的每一個(gè)用戶-項(xiàng)矩陣，使用基于項(xiàng)目的協(xié)同過濾算法。算法過程如下輸入ρ個(gè)用戶-項(xiàng)矩陣Rtv,鄰居項(xiàng)個(gè)數(shù)NI，推薦項(xiàng)個(gè)數(shù)N輸出ρ個(gè)稠密的用戶-項(xiàng)矩陣R' tv算法過程對(duì)于每一個(gè)用戶-項(xiàng)矩陣RtvI)對(duì)于每一個(gè)項(xiàng)i (所有用戶都已評(píng)價(jià)的項(xiàng)除外)a.計(jì)算目標(biāo)項(xiàng)與其它項(xiàng)的相似度，選取最相似的N個(gè)項(xiàng)作為它的鄰居。b.根據(jù)目標(biāo)項(xiàng)已有的評(píng)價(jià)信息和鄰居項(xiàng)的評(píng)價(jià)信息。使用預(yù)測(cè)值計(jì)算公式計(jì)算未評(píng)價(jià)項(xiàng)的預(yù)測(cè)值。選取預(yù)測(cè)值最大的N個(gè)預(yù)測(cè)值作為推薦評(píng)價(jià)集合。2)合并V個(gè)推薦評(píng)價(jià)集合。從這個(gè)大集合里選取前N個(gè)預(yù)測(cè)值組成最終推薦評(píng)價(jià)
隹A
口 O3)把推薦評(píng)價(jià)集合里的預(yù)測(cè)值填入用戶-節(jié)目矩陣中，形成新的用戶-節(jié)目矩陣Rtv預(yù)測(cè)值填入后使得用戶-節(jié)目矩陣變得稠密，這些新的稠密的矩陣就是節(jié)目聚類產(chǎn)生推薦中用到的用戶-節(jié)目矩陣。 節(jié)目聚類產(chǎn)生推薦經(jīng)過節(jié)目聚類和預(yù)測(cè)未評(píng)分節(jié)目評(píng)分后，得到了一個(gè)比較好的適用于協(xié)同過濾計(jì)算的用戶-節(jié)目矩陣。對(duì)每一個(gè)用戶i，選取他感興趣的I個(gè)矩陣，也就是包含較多這個(gè)用戶的評(píng)價(jià)項(xiàng)的矩陣，作為對(duì)用戶i的推薦產(chǎn)生數(shù)據(jù)源。在這個(gè)基礎(chǔ)上，使用基于用戶的協(xié)同過濾算法，產(chǎn)生推薦項(xiàng)。詳細(xì)算法描述如下輸入1個(gè)用戶-項(xiàng)矩陣R' tv,鄰居用戶個(gè)數(shù)NU，推薦項(xiàng)個(gè)數(shù)N輸出推薦項(xiàng)集合RI算法過程對(duì)于每一個(gè)目標(biāo)用戶iI)對(duì)于每一個(gè)用戶-項(xiàng)矩陣R' tva.計(jì)算用戶i與其它用戶的相似度，選取最相似的NU個(gè)項(xiàng)作為它的最近鄰居。b.根據(jù)用戶i已有的評(píng)價(jià)信息和最近鄰居的評(píng)價(jià)信息，使用預(yù)測(cè)值計(jì)算公式計(jì)算未評(píng)價(jià)項(xiàng)的預(yù)測(cè)值。選取預(yù)測(cè)值最大的N個(gè)預(yù)測(cè)值作為推薦評(píng)價(jià)集合。2)合并Z個(gè)推薦評(píng)價(jià)集合，從這個(gè)大集合里選取前N個(gè)預(yù)測(cè)值組成最終推薦評(píng)價(jià)
口 O3)把推薦評(píng)價(jià)集合里的項(xiàng)提取出來，形成用戶i的推薦集合RIit5 用戶聚類產(chǎn)生推薦對(duì)于目標(biāo)用戶i，選取其所在的I個(gè)矩陣作為用戶-項(xiàng)評(píng)分矩陣輸入。在這個(gè)基礎(chǔ)上，使用基于用戶的協(xié)同過濾算法，產(chǎn)生推薦項(xiàng)。算法過程如下輸入1個(gè)用戶-項(xiàng)矩陣R' tv鄰居用戶個(gè)數(shù)NU，推薦項(xiàng)個(gè)數(shù)N 輸出推薦項(xiàng)集合RI算法過程對(duì)于每一個(gè)目標(biāo)用戶iI)對(duì)于每一個(gè)用戶-項(xiàng)矩陣R' tva.計(jì)算用戶i與其它用戶的相似度，選取最相似的NU個(gè)項(xiàng)作為它的最近鄰居。b.根據(jù)用戶i已有的評(píng)價(jià)信息和最近鄰居的評(píng)價(jià)信息，使用預(yù)測(cè)值計(jì)算公式計(jì)算未評(píng)價(jià)項(xiàng)的預(yù)測(cè)值。選取預(yù)測(cè)值最大的N個(gè)預(yù)測(cè)值作為推薦評(píng)價(jià)集合。2)把推薦評(píng)價(jià)集合里的項(xiàng)提取出來，形成用戶i的推薦集合RIi 結(jié)合節(jié)目聚類和用戶聚類產(chǎn)生的推薦對(duì)于目標(biāo)用戶i，通過節(jié)目聚類產(chǎn)生推薦RIil，通過用戶聚類產(chǎn)生推薦RIi2,如果兩推薦中有相同節(jié)目，則加權(quán)求和，最后選擇預(yù)測(cè)值最大的N個(gè)預(yù)測(cè)值組成最終推薦節(jié)目集
八
口 ο(3)電視節(jié)目推薦原型系統(tǒng)電視節(jié)目推薦原型系統(tǒng)主要由三部分構(gòu)成輸入功能模塊、推薦處理模塊與輸出功能模塊。電視節(jié)目推薦系統(tǒng)的輸入功能模塊是推薦系統(tǒng)和用戶交互的窗口，承擔(dān)著收集用戶觀看行為偏好數(shù)據(jù)的重要任務(wù)。該模塊通過給用戶提供一定的界面和方式，使用戶能夠方便的使用電視節(jié)目網(wǎng)站，同時(shí)也必須方便推薦系統(tǒng)收集用戶的行為偏好數(shù)據(jù)。推薦處理模塊是電視節(jié)目推薦系統(tǒng)的核心部分。按照上文提出的雙聚類協(xié)同過濾算法，該模塊主要包括以下三個(gè)重要的方面用戶管理云的構(gòu)建、電視節(jié)目管理云的構(gòu)建和推薦引擎。輸出功能模塊的主要任務(wù)是向用戶展示推薦結(jié)果。推薦系統(tǒng)在獲得用戶行為偏好信息后，經(jīng)過推薦算法的運(yùn)算后向用戶以電視節(jié)目列表或者瀏覽建議的形式進(jìn)行推薦?；陔p聚類的電視節(jié)目推薦系統(tǒng)的性能必須得到原型系統(tǒng)的證明。需要提供一個(gè)建立在機(jī)頂盒和(或)智能手機(jī)上的“電視節(jié)目和用戶管理云平臺(tái)”，以及建立在其上的電視節(jié)目推薦系統(tǒng)。所有的數(shù)據(jù)文件都將使用分布式文件系統(tǒng)來存儲(chǔ)，在這些數(shù)據(jù)上的檢索也將使用并行計(jì)算的模型，利用數(shù)學(xué)模型分析來證明基于雙聚類的電視節(jié)目推薦系統(tǒng)的可行性，證明其數(shù)據(jù)管理的高效性和資源節(jié)約性等。本發(fā)明提出的電視節(jié)目推薦系統(tǒng)是建立在云計(jì)算平臺(tái)下，且采用雙聚類協(xié)同過濾推薦算法的一種新型的推薦系統(tǒng)，和以前相關(guān)工作不同之處，從理論和實(shí)踐兩個(gè)方面，研究在未來資源整合條件下的電視節(jié)目推薦問題，最終研究成果將會(huì)開發(fā)成一個(gè)真實(shí)的電視節(jié)目推薦平臺(tái)，能夠?qū)τ脩籼峁┥疃鹊姆?wù)，具有通用性和可靠性的特點(diǎn)，會(huì)選擇真實(shí)數(shù)據(jù)來證明該平臺(tái)的易用性和可靠性。本發(fā)明著眼于基于云計(jì)算的數(shù)字電視資源管理方式，主要針對(duì)現(xiàn)有推薦算法中存在的不足，提出基于雙聚類(用戶聚類和節(jié)目聚類)的協(xié)同過濾算法，來改善由于數(shù)據(jù)稀疏帶來的推薦質(zhì)量不高問題，提高電視節(jié)目推薦質(zhì)量。
以上所述僅是本的優(yōu)選實(shí)施方式，應(yīng)當(dāng)指出，對(duì)于本技術(shù)領(lǐng)域的普通技術(shù)人員來說，在不脫離本原理的前提下，還可以做出若干改進(jìn)和潤飾，這些改進(jìn)和潤飾也應(yīng)視為本的保護(hù)范圍。
權(quán)利要求
1.一種電視節(jié)目推薦方法，其特征在于，包括 構(gòu)建電視節(jié)目管理云和用戶管理云，確定電視節(jié)目資源和用戶觀看行為方式的關(guān)聯(lián)關(guān)系; 基于所述電視節(jié)目管理云和用戶管理云，采取節(jié)目聚類和用戶聚類的雙聚類協(xié)同過濾算法，得到推薦結(jié)果； 根據(jù)推薦結(jié)果向目標(biāo)用戶進(jìn)行電視節(jié)目推薦。
2.根據(jù)權(quán)利要求I所述方法，其特征在于，所述電視節(jié)目管理云和用戶管理云是依據(jù)以下參數(shù)構(gòu)建的電視播放次數(shù)、播放頻道、播放長(zhǎng)度、內(nèi)容分類、用戶觀看時(shí)間、用戶觀看次數(shù)等，以及這些參數(shù)之間的關(guān)系。
3.根據(jù)權(quán)利要求I所述方法，其特征在于，所述推薦結(jié)果是依據(jù)以下信息得到的 目標(biāo)用戶瀏覽統(tǒng)計(jì)信息；目標(biāo)用戶對(duì)電視節(jié)目顯示相似興趣的用戶所喜歡的節(jié)目；由節(jié)目相似度所決定的推薦列表；目標(biāo)用戶選擇節(jié)目的歷史信息。
4.根據(jù)權(quán)利要求I所述方法，其特征在于，所述用戶聚類和節(jié)目聚類的雙聚類協(xié)同過濾算法的處理過程包括 (a)輸入用戶-節(jié)目評(píng)分矩陣將用戶對(duì)電視節(jié)目的評(píng)分?jǐn)?shù)據(jù)組織成用戶-節(jié)目評(píng)分矩陣，作為算法輸入； (b)節(jié)目聚類對(duì)用戶-節(jié)目矩陣?yán)锏乃泄?jié)目進(jìn)行聚類，根據(jù)相似度閾值或者要求聚類的數(shù)目K將電視節(jié)目聚成K類； (c)預(yù)測(cè)未評(píng)分節(jié)目評(píng)分在每個(gè)電視節(jié)目類別上使用基于項(xiàng)目的協(xié)同過濾算法，計(jì)算未評(píng)價(jià)電視節(jié)目的預(yù)測(cè)值，選取前N個(gè)預(yù)測(cè)值，填入用戶-節(jié)目矩陣中，形成新的用戶-節(jié)目矩陣； (d)生成最近鄰居節(jié)目集根據(jù)目標(biāo)節(jié)目所在的節(jié)目類別或幾個(gè)類別生成目標(biāo)節(jié)目最近鄰居節(jié)目集； (e)產(chǎn)生推薦通過對(duì)目標(biāo)用戶的相似節(jié)目評(píng)價(jià)進(jìn)行加權(quán)平均計(jì)算預(yù)期； (f)用戶聚類對(duì)用戶-節(jié)目矩陣?yán)锏乃杏脩暨M(jìn)行聚類，根據(jù)相似度閾值或者要求聚類的數(shù)目U將節(jié)目聚成U類； (g)生成最近用戶數(shù)據(jù)集根據(jù)目標(biāo)用戶所在的用戶類別或幾個(gè)類別生成目標(biāo)用戶最近鄰居用戶集； (h)產(chǎn)生推薦通過對(duì)目標(biāo)用戶的鄰居用戶的節(jié)目評(píng)價(jià)進(jìn)行加權(quán)平均計(jì)算預(yù)期； (i)綜合用戶聚類和節(jié)目聚類產(chǎn)生的推薦加權(quán)平均選取前N個(gè)節(jié)目推薦給目標(biāo)用戶。
5.根據(jù)權(quán)利要求I所述方法，其特征在于，以電視節(jié)目列表或者瀏覽建議的形式向目標(biāo)用戶進(jìn)行電視節(jié)目推薦。
6.一種電視節(jié)目推薦系統(tǒng)，其特征在于，包括輸入功能模塊、 推薦處理模塊和輸出功能模塊，其中 所述輸入功能模塊，用于作為推薦系統(tǒng)和用戶交互的窗口，收集用戶觀看行為偏好數(shù)據(jù)； 所述推薦處理模塊，用于構(gòu)建電視節(jié)目管理云和用戶管理云，確定電視節(jié)目資源和用戶觀看行為方式的關(guān)聯(lián)關(guān)系；并基于所述電視節(jié)目管理云和用戶管理云，采取節(jié)目聚類和用戶聚類的雙聚類協(xié)同過濾算法，得到推薦結(jié)果；所述輸出功能模塊，用于根據(jù)推薦結(jié)果向目標(biāo)用戶進(jìn)行電視節(jié)目推薦。
7.根據(jù)權(quán)利要求6所述系統(tǒng)，其特征在于，所述推薦處理模塊依據(jù)以下參數(shù)構(gòu)建電視節(jié)目管理云和用戶管理云電視播放次數(shù)、播放頻道、播放長(zhǎng)度、內(nèi)容分類、用戶觀看時(shí)間、用戶觀看次數(shù)等，以及這些參數(shù)之間的關(guān)系。
8.根據(jù)權(quán)利要求6所述系統(tǒng)，其特征在于，所述推薦處理模塊依據(jù)以下信息得到推薦結(jié)果 目標(biāo)用戶瀏覽統(tǒng)計(jì)信息；目標(biāo)用戶對(duì)電視節(jié)目顯示相似興趣的用戶所喜歡的節(jié)目；由節(jié)目相似度所決定的推薦列表；目標(biāo)用戶選擇節(jié)目的歷史信息。
9.根據(jù)權(quán)利要求6所述系統(tǒng)，其特征在于，所述推薦處理模塊基于項(xiàng)目的協(xié)同過濾算法實(shí)現(xiàn)節(jié)目聚類、基于用戶的協(xié)同過濾算法實(shí)現(xiàn)用戶聚類。
10.根據(jù)權(quán)利要求6所述系統(tǒng)，其特征在于，所述輸出功能模塊以電視節(jié)目列表或者瀏覽建議的形式向目標(biāo)用戶進(jìn)行電視節(jié)目推薦。
全文摘要
本發(fā)明公開了一種電視節(jié)目推薦方法及系統(tǒng)，其中的方法包括構(gòu)建電視節(jié)目管理云和用戶管理云，確定電視節(jié)目資源和用戶觀看行為方式的關(guān)聯(lián)關(guān)系；基于所述電視節(jié)目管理云和用戶管理云，采取節(jié)目聚類和用戶聚類的雙聚類協(xié)同過濾算法，得到推薦結(jié)果；根據(jù)推薦結(jié)果向目標(biāo)用戶進(jìn)行電視節(jié)目推薦。本發(fā)明，能夠?qū)τ脩籼峁┥疃鹊姆?wù)，具有通用性和可靠性的特點(diǎn)，會(huì)選擇真實(shí)數(shù)據(jù)來證明該平臺(tái)的易用性和可靠性。
文檔編號(hào)H04N21/254GK102780920SQ20111018606
公開日2012年11月14日 申請(qǐng)日期2011年7月5日 優(yōu)先權(quán)日2011年7月5日
發(fā)明者趙銳 申請(qǐng)人:上海奐訊通信安裝工程有限公司